Enriching Neural Network Training Dataset to Improve Worst-Case Performance Guarantees

要約

機械学習アルゴリズム、特にニューラル ネットワーク (NN) は、AC-Optimal Power Flow (AC-OPF) などの非線形関係をかなりの精度で近似するために使用される貴重なツールであり、数桁の速度向上を実現します。
展開して使用する場合。
多くの場合、電力システムの文献では、トレーニング プロセスの前に生成された固定データセットを使用して NN がトレーニングされます。
このホワイト ペーパーでは、トレーニング中に NN トレーニング データセットを適応させることで、NN のパフォーマンスを向上させ、最悪の場合の違反を大幅に削減できることを示します。
このホワイト ペーパーでは、最悪のケースの違反を減らし、改善された最悪のケースのパフォーマンス保証を備えたニューラル ネットワークを提供する重要なデータポイントでトレーニング データセットを識別して強化するアルゴリズムを提案します。
39 バスから 162 バスまでの 4 つのテスト電源システムでアルゴリズムのパフォーマンスを実証します。

要約(オリジナル)

Machine learning algorithms, especially Neural Networks (NNs), are a valuable tool used to approximate non-linear relationships, like the AC-Optimal Power Flow (AC-OPF), with considerable accuracy — and achieving a speedup of several orders of magnitude when deployed for use. Often in power systems literature, the NNs are trained with a fixed dataset generated prior to the training process. In this paper, we show that adapting the NN training dataset during training can improve the NN performance and substantially reduce its worst-case violations. This paper proposes an algorithm that identifies and enriches the training dataset with critical datapoints that reduce the worst-case violations and deliver a neural network with improved worst-case performance guarantees. We demonstrate the performance of our algorithm in four test power systems, ranging from 39-buses to 162-buses.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google