End-to-End Feasible Optimization Proxies for Large-Scale Economic Dispatch

要約

この論文では、経済的ディスパッチの問題に対する最適化プロキシをトレーニングするための新しいエンドツーエンド学習と修復 (E2ELR) アーキテクチャを提案しています。
E2ELR は、ディープ ニューラル ネットワークと閉形式の微分可能な修復層を組み合わせて、学習と実現可能性をエンドツーエンドの方法で統合します。
E2ELR は自己教師あり学習でもトレーニングされているため、ラベル付きデータの必要性がなくなり、多数の最適化問題をオフラインで解決できます。
E2ELR は、エネルギーと予備を最適化する経済的なディスパッチを使用して、数万台のバスを備えた業界規模の電力網で評価されます。
この結果は、自己監視型 E2ELR が他のベースラインを少なくとも 1 桁上回る最適性ギャップを備えた、最先端のパフォーマンスを達成していることを示しています。

要約(オリジナル)

The paper proposes a novel End-to-End Learning and Repair (E2ELR) architecture for training optimization proxies for economic dispatch problems. E2ELR combines deep neural networks with closed-form, differentiable repair layers, thereby integrating learning and feasibility in an end-to-end fashion. E2ELR is also trained with self-supervised learning, removing the need for labeled data and the solving of numerous optimization problems offline. E2ELR is evaluated on industry-size power grids with tens of thousands of buses using an economic dispatch that co-optimizes energy and reserves. The results demonstrate that the self-supervised E2ELR achieves state-of-the-art performance, with optimality gaps that outperform other baselines by at least an order of magnitude.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google