論文の概要: Decision-Focused Scenario Generation and Selection for Efficient and Robust Grid Dispatch

• arxiv url: http://arxiv.org/abs/2607.05830v1
• Date: Tue, 07 Jul 2026 04:43:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.39902
• Title: Decision-Focused Scenario Generation and Selection for Efficient and Robust Grid Dispatch
• Title（参考訳）: 効率的なロバストグリッド分散のための決定焦点シナリオの生成と選択
• Abstract要約: 本研究は,DROに基づくディスパッチにおける相関シナリオ生成のための意思決定型生成フレームワークを提案する。 提案手法は, 可変オートエンコーダ, 生成逆数ネットワーク, 拡散モデルなど, 主流生成モデルに適合する。 ケーススタディでは、提案するフレームワークは、異なる生成モデル間での運用コストを 0.80%-2.02% 削減できることを示した。
• 参考スコア（独自算出の注目度）: 3.3817991911917056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing uncertainty from flexible demand and renewable generation has made distributionally robust optimization (DRO) an important tool for robust power system dispatch. DRO relies on forecast scenarios to construct ambiguity sets, but conventional scenario generation pipelines are often trained in an accuracy-oriented manner and may neglect spatial correlations among uncertainties. This mismatch can produce ambiguity sets that are statistically plausible but suboptimal for downstream operation. This work proposes a decision-focused generative framework for correlated scenario generation in DRO-based dispatch. Instead of training generative models solely to fit the historical uncertainty distribution, the proposed framework optimizes generated scenarios according to their induced downstream operational cost. The proposed framework is tailored to mainstream generative models, including variational autoencoders, generative adversarial networks, and diffusion models, while capturing the joint distribution of uncertainties across buses. To improve computational tractability, we further develop a differentiable scenario selector that selects decision-relevant scenarios from a generated pool and can be trained within the same decision-focused pipeline. Case studies demonstrate that the proposed framework effectively reduces 0.80%-2.02% operational cost across different generative models compared to accuracy-oriented methods.
• Abstract（参考訳）: フレキシブルな需要と再生可能エネルギーによる不確実性の増加により、分散ロバストな最適化(DRO)が、ロバストな電力システムディスパッチの重要なツールとなった。 DROは、曖昧性セットを構築するための予測シナリオに依存するが、従来のシナリオ生成パイプラインは、しばしば精度指向の方法で訓練され、不確実性間の空間的相関を無視する可能性がある。 このミスマッチは、統計的に妥当であるが下流操作に最適であるあいまいな集合を生成することができる。 本研究は,DROに基づくディスパッチにおける相関シナリオ生成のための意思決定型生成フレームワークを提案する。 過去の不確実性分布にのみ適合する生成モデルをトレーニングする代わりに、提案フレームワークは、下流の運用コストに応じて生成されたシナリオを最適化する。 提案手法は,バス間の不確実性の連成分布を把握しながら,変分オートエンコーダ,生成逆数ネットワーク,拡散モデルなどの主流生成モデルに適合する。 計算のトラクタビリティを向上させるために,生成したプールから決定関連シナリオを選択し,同じ決定中心のパイプライン内でトレーニング可能な,微分可能なシナリオセレクタを開発した。 ケーススタディでは,提案手法は精度指向の手法と比較して,異なる生成モデル間の運用コストの0.80%-2.02%を効果的に削減することを示した。

関連論文リスト

• Diff2SP: Diffusion Models for Correlated Scenario Generation in Stochastic Programming [4.788907888889963]
  Diff2SPは拡散に基づく生成フレームワークで、下流最適化の目的を直接シナリオ生成に組み込む。 シナリオ生成と意思決定を別々のステップとして扱う従来の方法とは異なり、Diff2SPはトレーニングプロセスに最適化を組み込む。 Diff2SPは、統計的忠実度と下流最適化結果の両方を一貫して改善することを示す。
  論文  参考訳（メタデータ） (2026-06-04T03:27:51Z)
• Worst-case generation via minimax optimization in Wasserstein space [19.645939141861543]
  最悪のケース生成は、分散シフト下でのロバストネスとストレステストシステムを評価する上で重要な役割を果たす。 我々は,所定のリスクに対する最悪のケース生成のための生成モデリングフレームワークを開発する。
  論文  参考訳（メタデータ） (2025-12-09T02:11:08Z)
• Which Layer Causes Distribution Deviation? Entropy-Guided Adaptive Pruning for Diffusion and Flow Models [77.55829017952728]
  EntPrunerは、拡散およびフローモデルのためのエントロピー誘導自動プログレッシブプルーニングフレームワークである。 DiTモデルとSiTモデルの実験はEntPrunerの有効性を示し、最大2.22$times$推論スピードアップを達成する。
  論文  参考訳（メタデータ） (2025-11-26T07:20:48Z)
• Steerable Adversarial Scenario Generation through Test-Time Preference Alignment [58.37104890690234]
  対立シナリオ生成は、自律運転システムの安全性評価のためのコスト効率の良いアプローチである。 textbfSteerable textbfAdversarial scenario textbfGEnerator (SAGE) という新しいフレームワークを導入する。 SAGEは、逆境とリアリズムの間のトレードオフを、再トレーニングなしできめ細かいテストタイムコントロールを可能にします。
  論文  参考訳（メタデータ） (2025-09-24T13:27:35Z)
• Distributionally Robust Optimization with Adversarial Data Contamination [49.89480853499918]
  凸リプシッツ損失関数を持つ一般化線形モデルに対するワッサーシュタイン-1 DRO 目標の最適化に焦点をあてる。 私たちの主な貢献は、データ汚染のトレーニングに対するロバストネスと分散シフトに対するロバストネスを統合した、新しいモデリングフレームワークです。 この研究は、データ汚染と分散シフトという2つの課題の下で学習するために、効率的な計算によって支援される最初の厳密な保証を確立する。
  論文  参考訳（メタデータ） (2025-07-14T18:34:10Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Distributed Distributionally Robust Optimization with Non-Convex Objectives [24.64654924173679]
  Asynchronous Single-looP alternatIve gRadient projEction という非同期分散アルゴリズムを提案する。 新しい不確実性集合、すなわち制約付きD-ノルムの不確実性集合は、以前の分布を利用し、強靭性の度合いを柔軟に制御するために開発される。 実世界のデータセットに関する実証研究は、提案手法が高速収束を達成できるだけでなく、悪意のある攻撃だけでなく、データに対する堅牢性も維持できることを示した。
  論文  参考訳（メタデータ） (2022-10-14T07:39:13Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
  我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。 このアプローチは多くの実装と最適化の課題をもたらします。 提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
  論文  参考訳（メタデータ） (2021-03-18T14:26:26Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Distributionally Robust Chance Constrained Programming with Generative Adversarial Networks (GANs) [0.0]
  GAN(Generative Adversarial Network)をベースとしたデータ駆動型分散ロバストな制約付きプログラミングフレームワークを提案する。 非パラメトリックかつ教師なしの方法で、歴史的データから分布情報を完全抽出するために、GANを適用する。 提案手法は需要不確実性の下でサプライチェーン最適化に適用される。
  論文  参考訳（メタデータ） (2020-02-28T00:05:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。