論文の概要: Scalable Self-Supervised Learning for Multiphase AC-OPF in Distribution Systems with Topology Reconfiguration

• arxiv url: http://arxiv.org/abs/2608.25095v2
• Date: Wed, 02 Sep 2026 00:38:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.299062
• Title: Scalable Self-Supervised Learning for Multiphase AC-OPF in Distribution Systems with Topology Reconfiguration
• Title（参考訳）: 位相再構成を伴う配電系統における多相交流-OPFのスケーラブル自己教師付き学習
• Abstract要約: 多相分布AC-OPFのための自己教師型学習フレームワークSLFSアルゴリズム 位相変化は、アクセタンス行列逆のシャーマン・モリソン・ウードベリー更新を用いて効率的に処理される。 13ノードから8500ノードまでのIEEEフィードでは、ペナルティ+SLFSは無視できる最適性ギャップとほぼゼロの制約違反を達成する。
• 参考スコア（独自算出の注目度）: 14.007856616711251
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The proliferation of distributed energy resources (DERs) in distribution grids enables the active coordination of these assets to reduce costs and enable cleaner operations. Realizing this potential requires solving multiphase AC optimal power flow (AC-OPF) quickly across varying loads, DER availabilities, and topology reconfigurations, at much greater speed and scale than conventional nonlinear solvers. Learning-based surrogates can offer millisecond inference, yet existing methods target largely balanced transmission systems and do not scale to the multiphase, unbalanced, and reconfigurable nature of distribution feeders at utility scale. We present the Penalty + Sequential Linearized Feasibility Seeking (SLFS) algorithm, a self-supervised learning framework for multiphase distribution AC-OPF under switch-induced topology changes. Penalty+SLFS requires no labeled optimal solutions and trains directly from the AC-OPF objective and constraints through a differentiable fixed-point power flow solver, avoiding expensive label generation and admitting robust training procedures. Topology changes are handled efficiently using Sherman-Morrison-Woodbury updates of the admittance-matrix inverse, while an M-step Jacobian approximation accelerates differentiation through the power flow solver. At inference, SLFS repairs any infeasible predictions, providing feasibility guarantees with low computational overhead. On IEEE feeders ranging from 13 to 8,500 nodes, Penalty+SLFS achieves negligible optimality gaps and near-zero constraint violations, delivers up to three orders of magnitude speedups over IPOPT, and remains robust under large distributional shifts, demonstrating a viable path toward real-time, topology-aware AC-OPF for large-scale distribution grids.
• Abstract（参考訳）: 配電網における分散型エネルギー資源(DER)の拡散は、これらの資産の活発な調整を可能にし、コストを削減し、よりクリーンな操作を可能にする。 このポテンシャルを実現するためには、様々な負荷、DERアベイラビリティ、トポロジー再構成を、従来の非線形解法よりもはるかに高速かつスケールで高速に、多相交流最適電力流(AC-OPF)を解く必要がある。 学習ベースのサロゲートはミリ秒の推論を提供することができるが、既存の方法は大部分がバランスの取れた伝送システムをターゲットにしており、実用規模で分散フィードのマルチフェーズ、アンバランス、再構成可能な性質にスケールしない。 本稿では,スイッチ誘起トポロジ変化下での多相分布AC-OPFの自己教師型学習フレームワークであるSLFSアルゴリズムを提案する。 ペナルティ+SLFSはラベル付き最適解を必要としておらず、AC-OPFの目的と制約から直接、高価なラベルの生成を回避し、堅牢なトレーニング手順を認める。 トポロジーの変化はシャーマン・モリソン・ウードベリーによるアプタンス行列逆転の更新を用いて効率的に処理され、一方Mステップのヤコビ近似はパワーフローソルバによる微分を加速する。 推論において、SLFSは、計算オーバーヘッドの少ない実行可能性保証を提供するため、実現不可能な予測を修復する。 13から8,500のノードにわたるIEEEフィードでは、ペナルティ+SLFSは無視できる最適性ギャップとほぼゼロの制約違反を達成し、IPOPTよりも最大3桁のスピードアップを達成し、大規模な分散グリッドのためのリアルタイムトポロジ対応AC-OPFへの実行可能なパスを示しながら、大きな分散シフトの下で堅牢である。

関連論文リスト

• FMOPF: Latent Flow Matching with Constraint-Aware Interaction Priors for AC Optimal Power Flow [4.037525873726113]
  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。
  論文  参考訳（メタデータ） (2026-07-24T12:49:09Z)
• PASS-Enhanced MEC: Joint Optimization of Task Offloading and Uplink PASS Beamforming [67.78883135636657]
  ピンチアンテナシステム (PASS) によるモバイルエッジコンピューティング (MEC) アーキテクチャについて検討した。 PASSは、重要な経路損失と潜在的な信号遮断を効果的に軽減しつつ、短距離ライン・オブ・ライト(LoS)リンクを確立する。 ネットワーク遅延最小化問題を定式化し、アップリンクPASSビームフォーミングとタスクオフロードを共同で最適化する。
  論文  参考訳（メタデータ） (2025-10-27T03:04:46Z)
• Transferable Graph Learning for Transmission Congestion Management via Busbar Splitting [0.688204255655161]
  バスバー分割によるネットワークトポロジ最適化(NTO)は、送電網の混雑を緩和し、再分散コストを低減する。 機械学習(ML)アプローチは有望な代替手段として登場したが、見当たらないトポロジに限定して一般化されている。 本稿では,線形化AC PFを考慮した混雑管理問題に対するNTOを定式化し,グラフニューラルネットワーク(GNN)の高速化手法を提案する。
  論文  参考訳（メタデータ） (2025-10-23T14:16:23Z)
• Iterative Refinement of Flow Policies in Probability Space for Online Reinforcement Learning [56.47948583452555]
  固定ステップのEulerスキームによるフローマッチング推論プロセスの離散化は,最適輸送から変化するJordan-Kinderlehrer-Otto原理と整合する,というキーインサイトに基づいて,SWFP(Stepwise Flow Policy)フレームワークを紹介した。 SWFPは、大域的な流れを、プロキシメート分布間の小さな漸進的な変換の列に分解する。 この分解は、小さな流れブロックのカスケードを介して事前訓練された流れを微調整する効率的なアルゴリズムを導き、大きな利点をもたらす。
  論文  参考訳（メタデータ） (2025-10-17T07:43:51Z)
• Residual Correction Models for AC Optimal Power Flow Using DC Optimal Power Flow Solutions [0.764671395172401]
  本稿では,高速直流最適電力流(DC OPF)ソリューションをベースラインとして,完全なAC-OPFソリューションを提供するために必要な非線形補正のみを学習する残差学習パラダイムを提案する。 57-,118-,2000-busシステムにおけるOPFDataの評価では、MSEが25%低下し、実現可能性エラーが最大3倍減少し、実行速度が最大13倍に向上した。
  論文  参考訳（メタデータ） (2025-10-17T02:56:29Z)
• Towards Generalization of Graph Neural Networks for AC Optimal Power Flow [0.0]
  機械学習アプローチは、計算スピードアップを提供するが、再トレーニングせずにスケーラビリティとトポロジ適応性に苦労する。 HH-MPNN(Hybrid Heterogeneous Message Passing Neural Network)を提案する。 HH-MPNNはバス、ジェネレータ、ロード、シャント、トランスミッションライン、トランスフォーマーを異なるノードまたはエッジタイプとしてモデル化する。 数千の目に見えないトポロジにゼロショットを適用したHH-MPNNは、デフォルトトポロジのみのトレーニングにもかかわらず、3%未満の最適性ギャップを達成した。
  論文  参考訳（メタデータ） (2025-10-08T10:28:46Z)
• Dispatch-Aware Deep Neural Network for Optimal Transmission Switching: Toward Real-Time and Feasibility Guaranteed Operation [3.3894236476098185]
  本稿では,事前に解決されたラベルを使わずにDC-OTSを高速化するディスパッチ対応ディープニューラルネットワーク(DA-DNN)を提案する。 DA-DNNは線状態を予測し、それを微分可能なDC-OPF層に渡す。 DCOPFを解くと同時に、実現可能なトポロジとディスパッチペアを生成する。
  論文  参考訳（メタデータ） (2025-07-23T04:39:29Z)
• Lightweight Federated Learning over Wireless Edge Networks [83.4818741890634]
  Federated (FL) はネットワークエッジの代替品であるが、無線ネットワークでは代替品である。 閉形式式FL収束ギャップ伝送パワー,モデルプルーニング誤差,量子化を導出する。 LTFLは、実世界のデータセットの実験において最先端のスキームよりも優れている。
  論文  参考訳（メタデータ） (2025-07-13T09:14:17Z)
• Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated Split Learning [56.125720497163684]
  無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。 ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
  論文  参考訳（メタデータ） (2022-09-02T10:29:56Z)
• Data-Driven Chance Constrained AC-OPF using Hybrid Sparse Gaussian Processes [57.70237375696411]
  入力不確実性を伴う潮流方程式をモデル化するために,スパースプロセスとハイブリッドガウスプロセス(GP)フレームワークを用いた高速データ駆動構成を提案する。 提案手法の有効性は,複数のIEEEテストケースに対して,最大2倍の高速かつ高精度な解を示す数値的な研究によって主張する。
  論文  参考訳（メタデータ） (2022-08-30T09:27:59Z)
• High-Fidelity Machine Learning Approximations of Large-Scale Optimal Power Flow [49.2540510330407]
  AC-OPFは、多くの電力システムアプリケーションにおいて重要なビルディングブロックである。 本稿では, 再生可能エネルギーの普及にともなって, AC-OPFの効率的な近似を実現するための深層学習について検討する。
  論文  参考訳（メタデータ） (2020-06-29T20:22:16Z)

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。