論文の概要: FMOPF: Latent Flow Matching with Constraint-Aware Interaction Priors for AC Optimal Power Flow

• arxiv url: http://arxiv.org/abs/2607.22788v1
• Date: Fri, 24 Jul 2026 12:49:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.878876
• Title: FMOPF: Latent Flow Matching with Constraint-Aware Interaction Priors for AC Optimal Power Flow
• Title（参考訳）: FMOPF:交流最適潮流の制約を考慮した遅延流れマッチング
• Abstract要約: AC最適電力フローは、非線形パワーバランス制約の下で、最小コストのジェネレーションディスパッチを決定する。 本稿では,一つのモデル内での2つのタスクの融合を解決するフレームワークFMOPFを提案する。 4つのIEEEテストシステムの実験では、FMOPFが最も効果的なニュートン・ラフソン温暖開始を提供することを示した。
• 参考スコア（独自算出の注目度）: 4.037525873726113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AC optimal power flow determines the minimum-cost generation dispatch under nonlinear power balance constraints and is solved thousands of times daily in electricity market operations. Learning a direct mapping from load conditions to OPF solutions can accelerate this computation, yet with deepening renewable penetration, a single optimal dispatch is no longer sufficient. Operators require a characterization of the distribution of feasible near-optimal solutions for risk quantification, sensitivity analysis, and multi-objective trade-off assessment. Supervised neural networks provide fast point predictions but cannot capture this conditional distribution. Diffusion-based generative models can sample diverse solutions in principle, yet existing methods operating in the raw state space exhibit degraded solution quality and fail to scale beyond medium-sized systems. We identify the root cause as the conflation of two distinct tasks within a single model. Compressing the high-dimensional OPF solution manifold is one task, and learning the conditional mapping from loads to that manifold is another. This paper presents FMOPF, a framework that resolves this conflation by decoupling compression from generation through latent flow matching and by explicitly modeling load-state coupling through a Constraint-Aware Interaction Prior Network. Experiments on four IEEE test systems demonstrate that FMOPF provides the most effective Newton-Raphson warm starts, achieves the lowest tail risk among generative methods, and is the first such method to scale to systems with several hundred buses while preserving full feasibility. Ablation studies confirm that the latent generation pipeline is a necessary condition for physical feasibility and that the interaction prior functions as a late-stage tail-risk controller.
• Abstract（参考訳）: AC最適電力フローは、非線形電力バランス制約の下で最小コストの発電ディスパッチを決定し、電力市場操作で毎日数千回解決される。 負荷条件からOPFソリューションへの直接マッピングを学習することで、この計算を加速することができるが、再生可能浸透の深化により、単一最適ディスパッチはもはや不十分である。 オペレーターはリスク定量化、感度分析、多目的トレードオフ評価のための実現可能な準最適解の分布のキャラクタリゼーションを必要とする。 スーパービジョンされたニューラルネットワークは、高速な点予測を提供するが、この条件分布を捉えることはできない。 拡散に基づく生成モデルは、原則として様々な解をサンプリングすることができるが、原状態空間で動作する既存の方法は、劣化した解の品質を示し、中規模のシステムを超えてスケールできない。 根本原因を単一モデル内の2つの異なるタスクの融合とみなす。 高次元のOPF解多様体を圧縮することは一つの課題であり、負荷からその多様体への条件付き写像を学ぶことは別の課題である。 本稿では,圧縮を生成から遅延フローマッチングを通じて分離し,制約-認識相互作用優先ネットワークを通じて負荷-状態結合を明示的にモデル化することで,この融合を解決するフレームワークFMOPFを提案する。 4つのIEEEテストシステムの実験により、FMOPFは最も効果的なニュートン・ラフソン暖房開始器を提供し、生成手法の中で最小のテールリスクを達成し、完全な実現性を維持しながら数百台のバスを持つシステムにスケールする最初の方法であることが示された。 アブレーション研究により、潜伏生成パイプラインは物理的実現に必要条件であり、相互作用が後期テールリスクコントローラとして機能することが確認された。

関連論文リスト

• Generative Nested Sampling of Atomistic Thermodynamic Landscapes [37.547720439639015]
  フローベースネストサンプリングは重力波(GW)推論のボトルネックを取り除く。 PBC の LJ ディスクは, エネルギー評価を2桁以上, 壁面時を約3分の1以上削減することを示した。 PBCのLJディスクの場合、このアルゴリズムはエネルギー評価を2桁以上、壁時計時間はおよそ3分の1以上削減する。
  論文  参考訳（メタデータ） (2026-09-02T22:21:10Z)
• Multi-Fidelity Flow Matching: Cascaded Refinement of PDE Solutions [6.144605787421899]
  マルチフィデリティフローマッチング(Multi-Fidelity Flow Matching)は、PDEソリューションのためのカスケード改善フレームワークである。 我々はこれをPDEソリューションのカスケード改善フレームワークであるMulti-Fidelity Flow Matching (MFFM)で活用する。 MFFMは、クエリ毎に決定論的ネットワーク評価を$L$で最良グリッドに達するマルチグリッド改善の学習アナログである。
  論文  参考訳（メタデータ） (2026-05-15T16:02:18Z)
• InjectFlow: Weak Guides Strong via Orthogonal Injection for Flow Matching [1.974921946982281]
  フローマッチング (FM) は高忠実度視覚生成の先駆的アプローチとして浮上している。 FMモデルはデータセットバイアスに敏感であり、アウト・オブ・ディストリビューションやマイノリティ・クラスのサンプルを生成する際に深刻な意味劣化を引き起こす。 InjectFlowは、初期速度場中に意味論を注入することで、新しいトレーニング不要な手法である。
  論文  参考訳（メタデータ） (2026-03-19T11:07:14Z)
• FALCON: Few-step Accurate Likelihoods for Continuous Flows [78.37361800856583]
  本稿では,FALCON(Few-step Accurate Likelihoods for Continuous Flows)を提案する。 FALCONは分子ボルツマンサンプリングのための最先端の正規化フローモデルより優れており、同等の性能を持つCNFモデルよりも2桁高速である。
  論文  参考訳（メタデータ） (2025-12-10T18:47:25Z)
• Joint Distillation for Fast Likelihood Evaluation and Sampling in Flow-based Models [100.28111930893188]
  今日の最高の生成モデルの中には、単一の可能性を計算するために、数百から数千の神経機能評価を必要とするものもあります。 本研究では, 高速流動継手蒸留法 (F2D2) を提案し, サンプリングに必要なNFEの数を2桁に減らした。 F2D2はモジュール構造であり、既存のフローベースの数ステップサンプリングモデルと互換性がある。
  論文  参考訳（メタデータ） (2025-12-02T10:48:20Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• Optimal Control Meets Flow Matching: A Principled Route to Multi-Subject Fidelity [35.95129874095729]
  テキスト・トゥ・イメージ(T2I)モデルは単一エンタリティ・プロンプトに優れるが、多目的記述に苦慮する。 マルチオブジェクト忠実度に向けてサンプリングダイナミクスを操るための原理的最適化可能な目的を持った最初の理論的枠組みを導入する。
  論文  参考訳（メタデータ） (2025-10-02T17:59:58Z)
• DiffusionNFT: Online Diffusion Reinforcement with Forward Process [99.94852379720153]
  Diffusion Negative-aware FineTuning (DiffusionNFT) は、フローマッチングを通じて前方プロセス上で直接拡散モデルを最適化する新しいオンラインRLパラダイムである。 DiffusionNFTは、CFGフリーのFlowGRPOよりも25倍効率が高い。
  論文  参考訳（メタデータ） (2025-09-19T16:09:33Z)
• Optimal Transceiver Design in Over-the-Air Federated Distillation [34.09979141255862]
  本研究では,学習収束率と電力制約の観点から,トランシーバ設計について検討する。 そこで本研究では,空気上凝集に対する最適受信ビームベクトルの探索手法を提案する。 その結果, 提案手法は, 精度をわずかに損なうことなく, 通信の大幅な削減を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-07-21T05:37:08Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
  大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。 本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。 GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
  論文  参考訳（メタデータ） (2022-07-21T23:02:35Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• DeepOPF: A Feasibility-Optimized Deep Neural Network Approach for AC Optimal Power Flow Problems [25.791128241015684]
  我々は、従来の解法で使用されるわずかな時間でAC-OPF問題を解決するために、DeepOPFと呼ばれるディープニューラルネットワーク(DNN)アプローチを開発した。 我々はDeepOPFが最先端の解法と比較して最大2桁の計算時間を高速化することを示した。
  論文  参考訳（メタデータ） (2020-07-02T10:26:46Z)

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。