論文の概要: Differentiable Electricity-Market Clearing for Gradient-Based Planning
- arxiv url: http://arxiv.org/abs/2609.02646v1
- Date: Wed, 02 Sep 2026 14:20:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.41119
- Title: Differentiable Electricity-Market Clearing for Gradient-Based Planning
- Title（参考訳）: グラディエント計画のための微分可能電力市場クリアリング
- Authors: Luca Mungo, Maarten P. Scholl, Arnau Quera-Bofarull,
- Abstract要約: 差別化可能な市場クリア化は、市場を意識したプランニングを問題グラデーションに転換する。
勾配最適化は ほぼ正確に 連続的な割り当てを回復する
サイトが閉じるべきコストに近く、離散的なサイト数の円滑な緩和は、サイトを閉じるよりもサイトを小さくするので、離散的な遷移は遅くなる。
- 参考スコア（独自算出の注目度）: 0.12744523252873352
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Planning a large data center is difficult because a facility big enough to matter changes the electricity prices it will pay. Those prices are set by market clearing, a constrained optimization problem solved anew in every operating condition. However, simulating the market tells a planner how a candidate plan performs but not how to improve it. Here we treat market clearing as a differentiable optimization layer: each forward pass solves the market, and reverse-mode automatic differentiation propagates the planning cost back through the cleared prices to the plan. After validating these gradients against finite differences, we apply them to a concrete problem: allocating 50 MW of data-center load across six candidate buses in two synthetic networks, under a fixed cost per active site, evaluated over 36 operating states. Judged against exhaustive enumeration of all site combinations, gradient optimization recovers the continuous allocations almost exactly, with worst-case objective gaps of 2.3\% and 8.5\% of the cost difference between the best and worst single site. Its one systematic error is instructive: near the costs at which a site should close, the smooth relaxation of the discrete site count shrinks the site rather than closing it, so discrete transitions arrive late. Differentiable market clearing thus turns market-aware planning into a problem gradients can search.
- Abstract（参考訳）: 巨大なデータセンターを計画するのは、それが支払う電力価格を変えるのに十分な大きさの施設があるため、難しい。
これらの価格は、すべての運用条件で新たに解決された制約付き最適化問題である市場クリアリングによって設定される。
しかし、市場をシミュレートすることで、候補者の計画がどのように機能するかをプランナーに伝えるが、改善する方法は示さない。
ここでは、市場クリア化を差別化可能な最適化層として扱い、各フォワードパスは市場を解決し、逆モードの自動分化は、クリアされた価格から計画への計画コストを伝播させる。
有限差分に対するこれらの勾配を検証した後、本手法を具体的問題に適用した: 2つの合成ネットワークにおいて、6つの候補バスに50MWのデータセンター負荷を割り当てる。
すべてのサイトの組み合わせの徹底的な列挙に反して、勾配最適化は、最も良いサイトと最悪のサイトの間のコスト差の2.3\%と8.5\%の最悪の目標ギャップをほぼ正確に回復する。
サイトが閉鎖すべきコストに近く、離散的なサイト数の円滑な緩和は、サイトを閉鎖する代わりにサイトを縮小するので、離散的な遷移は遅くなる。
差別化可能な市場クリア化は、市場を意識したプランニングを問題グラデーションに転換する。
関連論文リスト
- Attribution Markets: A Fisher-Market Formulation for Fractional Credit Assignment Between Planned Tasks and Performed Actions [0.0]
我々は,この橋を準線形フィッシャー市場として定式化し,計画された作業は予算構造的な買い手であり,実行された行動は分割可能な商品であり,融合したテキスト/時間信号は購入者の評価を設定する。
2つの市場機器 - 売り手予備価格と買い手現金オプション - は、保存、ハードな予算上限、証明可能なジャンクフィルタを定理として取得する。
観測された親和性は、採点された地上の真実とは無関係に崩壊し、真の弱点を表面化している。
論文 参考訳（メタデータ） (2026-07-22T19:49:38Z) - Learning Optimization Proxies for Sequential Contextual Stochastic Programs: An Order Fulfillment Application [12.486418828615077]
逐次的文脈プログラムは、各時間が不確実な動作にコミットするリアルタイム決定システムをモデル化する。
オフザシェルフ最適化は高い意思決定品質をオフラインで達成するが、通常インスタンス毎に秒から数分で実行される。
本稿では,学習に基づく最適化プロキシを開発する。解決器生成ラベルをオフラインでトレーニングしたシナリオ埋め込みニューラルネットワークと,実現可能性を実現するデコーダとをオンラインでペアリングする。
論文 参考訳（メタデータ） (2026-06-24T03:45:52Z) - The Attention Market: Interpreting Online Fair Re-ranking as Manifold Optimization under Walrasian Equilibrium [63.76805218520176]
我々は、Walrasian Equilibriumが管理する注目市場枠組みの中で、公正な順位を再設定する。
オンラインフェアリグレードアルゴリズムであるManifoldRankを提案する。
論文 参考訳（メタデータ） (2026-04-28T12:43:57Z) - ParetoBandit: Budget-Paced Adaptive Routing for Non-Stationary LLM Serving [0.0]
LLMは、しばしば530倍のコスト範囲にまたがるマルチモデルポートフォリオに依存している。
プロバイダは価格を見直し、モデルの品質は静かに回復し、新しいモデルはダウンタイムなしで統合する必要がある。
本稿では,費用対効果を考慮した適応ルータを提案する。
論文 参考訳（メタデータ） (2026-03-31T18:41:53Z) - Problems with Chinchilla Approach 2: Systematic Biases in IsoFLOP Parabola Fits [35.1311414689253]
チチラアプローチ2は、3.8タイムス1025ドルのFLOPトレーニング予算の6.5%に相当するパラメータアンダーアロケーションをバイアスしている。
チンチラアプローチ3は、これらのバイアスを大幅に排除するが、データ効率が低く、数値的に不安定であり、局所的なミニマに傾向があるとみなされることが多い。
より便利なアプローチ2の代替として機能するか、よりリッチなスケーリング法定式化へのアプローチ3の適応に対して、よりスケーラブルな代替手段として機能する。
論文 参考訳（メタデータ） (2026-03-21T09:22:50Z) - A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。
各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。
実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
論文 参考訳（メタデータ） (2024-07-08T09:55:31Z) - Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。
我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。
本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
論文 参考訳（メタデータ） (2023-11-13T13:19:34Z) - Towards General and Efficient Online Tuning for Spark [55.30868031221838]
本稿では,3つの問題を同時に処理できる汎用的で効率的なSparkチューニングフレームワークを提案する。
我々は、このフレームワークを独立したクラウドサービスとして実装し、Tencentのデータプラットフォームに適用しました。
論文 参考訳（メタデータ） (2023-09-05T02:16:45Z) - TransPath: Learning Heuristics For Grid-Based Pathfinding via
Transformers [64.88759709443819]
探索の効率を顕著に向上させると考えられる,インスタンス依存のプロキシを学習することを提案する。
私たちが最初に学ぶことを提案するプロキシは、補正係数、すなわち、インスタンスに依存しないコスト・ツー・ゴの見積もりと完璧な見積もりの比率である。
第2のプロキシはパス確率であり、グリッドセルが最も短いパスに横たわっている可能性を示している。
論文 参考訳（メタデータ） (2022-12-22T14:26:11Z) - Autoregressive Bandits [58.46584210388307]
本稿では,オンライン学習環境であるAutoregressive Banditsを提案する。
報酬プロセスの軽微な仮定の下では、最適ポリシーを便利に計算できることが示される。
次に、新しい楽観的後悔最小化アルゴリズム、すなわちAutoRegressive Upper Confidence Bound (AR-UCB)を考案し、$widetildemathcalO left( frac(k+1)3/2sqrtnT (1-G)のサブ線形後悔を被る。
論文 参考訳（メタデータ） (2022-12-12T21:37:36Z) - Facility Reallocation on the Line [9.40406631624105]
我々は,$n$エージェントによって報告された位置に基づいて,施設を時間間隔で移動させる実数線上の多段施設再配置問題を考える。
再配置アルゴリズムの目的は、社会コストを最小化することであり、すなわち、施設と全てのエージェントのあらゆる段階の合計距離の合計と、施設を移動させるコストを最小化することである。
論文 参考訳（メタデータ） (2021-03-23T23:48:45Z)
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。