Dual Conic Proxies for AC Optimal Power Flow

要約

近年、AC 最適電力流 (AC-OPF) のための機械学習ベースの最適化プロキシの開発に大きな関心が集まっています。
高品質の主解の予測においては大きな進歩が達成されましたが、既存の学習ベースのアプローチでは AC-OPF に有効な二重限界を提供することはできません。
この論文では、AC-OPF の凸緩和の最適化プロキシをトレーニングすることで、このギャップに対処します。
すなわち、この論文は、ACOPF の二次円錐 (SOC) 緩和を考慮し、高速で微分可能な (二重) 実現可能性回復を組み込む新しい二重アーキテクチャを提案し、有効な二重限界を提供します。
この論文では、この新しいアーキテクチャを自己教師あり学習スキームと組み合わせ、コストのかかるトレーニング データ生成の必要性を軽減します。
中規模および大規模の電力網に関する広範な数値実験により、提案された方法論の効率と拡張性が実証されています。

要約(オリジナル)

In recent years, there has been significant interest in the development of machine learning-based optimization proxies for AC Optimal Power Flow (AC-OPF). Although significant progress has been achieved in predicting high-quality primal solutions, no existing learning-based approach can provide valid dual bounds for AC-OPF. This paper addresses this gap by training optimization proxies for a convex relaxation of AC-OPF. Namely, the paper considers a second-order cone (SOC) relaxation of ACOPF, and proposes a novel dual architecture that embeds a fast, differentiable (dual) feasibility recovery, thus providing valid dual bounds. The paper combines this new architecture with a self-supervised learning scheme, which alleviates the need for costly training data generation. Extensive numerical experiments on medium- and large-scale power grids demonstrate the efficiency and scalability of the proposed methodology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google