Toward Rapid, Optimal, and Feasible Power Dispatch through Generalized Neural Mapping

要約

より分散され相互接続されたグリッドへの進化には、厳しい時間的制約の中で大規模な意思決定が必要になります。
機械学習 (ML) パラダイムは、最適化プロセスの有効性を向上させる大きな可能性を実証しています。
ただし、ML モデルから導出されるソリューションの実現可能性には引き続き課題が伴います。
ML モデルが、電力システムの所定のシステム制約内で達成可能かつ現実的なソリューションを生成することが不可欠です。
実現可能性の問題に対処し、解決策の探索プロセスを迅速化するために、電力供給問題を解決するための学習ベースのアプローチとして LOOP-LC 2.0 (線形制約による最適化プロセスの最適化学習バージョン 2.0) を提案しました。
LOOP-LC 2.0 フレームワークの注目すべき利点は、計算集約的な後処理手順に依存せずに、ソリューションのほぼ最適性と厳密な実現可能性を確保できるため、反復プロセスの必要性がなくなることです。
LOOP-LC 2.0 モデルの中心には、線形制約された領域内の実行可能な点に実行不可能な解をマッピングできる、新しく提案された一般化ゲージ マップ手法があります。
提案された一般化ゲージ マップ手法は、検索速度を大幅に向上させながら、入力分散に対する感度の低下を示すことで従来のゲージ マップを改善します。
IEEE-200 テスト ケースをベンチマークとして利用して、LOOP-LC 2.0 方法論の有効性を実証し、既存の方法論と比較してトレーニング速度、計算時間、最適性、ソリューションの実現可能性の点でその優れたパフォーマンスを確認しました。

要約(オリジナル)

The evolution towards a more distributed and interconnected grid necessitates large-scale decision-making within strict temporal constraints. Machine learning (ML) paradigms have demonstrated significant potential in improving the efficacy of optimization processes. However, the feasibility of solutions derived from ML models continues to pose challenges. It’s imperative that ML models produce solutions that are attainable and realistic within the given system constraints of power systems. To address the feasibility issue and expedite the solution search process, we proposed LOOP-LC 2.0(Learning to Optimize the Optimization Process with Linear Constraints version 2.0) as a learning-based approach for solving the power dispatch problem. A notable advantage of the LOOP-LC 2.0 framework is its ability to ensure near-optimality and strict feasibility of solutions without depending on computationally intensive post-processing procedures, thus eliminating the need for iterative processes. At the heart of the LOOP-LC 2.0 model lies the newly proposed generalized gauge map method, capable of mapping any infeasible solution to a feasible point within the linearly-constrained domain. The proposed generalized gauge map method improves the traditional gauge map by exhibiting reduced sensitivity to input variances while increasing search speeds significantly. Utilizing the IEEE-200 test case as a benchmark, we demonstrate the effectiveness of the LOOP-LC 2.0 methodology, confirming its superior performance in terms of training speed, computational time, optimality, and solution feasibility compared to existing methodologies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google