Compact Optimization Learning for AC Optimal Power Flow

要約

このペーパーでは、最適パワーフロー (OPF) へのエンドツーエンドの学習アプローチを再検討します。
OPF の入出力マッピングを学習する既存のメソッドは、出力空間の高次元性によるスケーラビリティの問題に悩まされています。
この論文では、主成分分析 (PCA) を使用して最適解の空間を大幅に圧縮できることを初めて示します。
次に、ベクトルを元の出力空間に変換する前に主成分の部分空間で学習する新しい方法であるコンパクト学習を提案します。
この圧縮により、トレーニング可能なパラメータの数が大幅に減り、スケーラビリティと効率が向上します。
Compact Learning は、最大 30,000 のバスを使用した PGLib のさまざまなテスト ケースで評価されます。
この論文では、Compact Learning の出力を使用して正確な AC ソルバーをウォーム スタートして実現可能性を回復し、同時に大幅な速度向上を実現できることも示しています。

要約(オリジナル)

This paper reconsiders end-to-end learning approaches to the Optimal Power Flow (OPF). Existing methods, which learn the input/output mapping of the OPF, suffer from scalability issues due to the high dimensionality of the output space. This paper first shows that the space of optimal solutions can be significantly compressed using principal component analysis (PCA). It then proposes Compact Learning, a new method that learns in a subspace of the principal components before translating the vectors into the original output space. This compression reduces the number of trainable parameters substantially, improving scalability and effectiveness. Compact Learning is evaluated on a variety of test cases from the PGLib with up to 30,000 buses. The paper also shows that the output of Compact Learning can be used to warm-start an exact AC solver to restore feasibility, while bringing significant speed-ups.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google