Beyond the Neural Fog: Interpretable Learning for AC Optimal Power Flow

要約

AC Optimal Power Flow（AC-OPF）の問題は、電力システムの操作に不可欠ですが、その非凸性は解決するのが難しくなります。
広く使用されている単純化は、線形化されたDC最適パワーフロー（DC-OPF）問題であり、これはグローバルな最適性に解決できますが、元のAC-OPF問題では常に最適なソリューションが実行不可能です。
最近、Neural Networks（NN）が、計算時間が大幅に高速でAC-OPF問題を解決するために導入されました。
ただし、これらの方法は広範なデータセットを必要とし、トレーニングが困難であり、しばしばブラックボックスと見なされ、より透明で解釈可能なソリューションを好むオペレーターからの抵抗につながります。
このホワイトペーパーでは、単純さと解釈性を融合する新しい学習ベースのアプローチを紹介し、従来の近似方法とブラックボックス学習技術の間のブリッジを提供します。
当社のアプローチは、オペレーターに透明性を提供するだけでなく、競争の正確性も実現します。
さまざまなパワーネットワークにわたる数値結果は、特にトレーニングデータセットが制限されている場合、この方法がニューラルネットワークに匹敵し、しばしばそれを上回る精度を提供することを示しています。

要約(オリジナル)

The AC optimal power flow (AC-OPF) problem is essential for power system operations, but its non-convex nature makes it challenging to solve. A widely used simplification is the linearized DC optimal power flow (DC-OPF) problem, which can be solved to global optimality, but whose optimal solution is always infeasible in the original AC-OPF problem. Recently, neural networks (NN) have been introduced for solving the AC-OPF problem at significantly faster computation times. However, these methods necessitate extensive datasets, are difficult to train, and are often viewed as black boxes, leading to resistance from operators who prefer more transparent and interpretable solutions. In this paper, we introduce a novel learning-based approach that merges simplicity and interpretability, providing a bridge between traditional approximation methods and black-box learning techniques. Our approach not only provides transparency for operators but also achieves competitive accuracy. Numerical results across various power networks demonstrate that our method provides accuracy comparable to, and often surpassing, that of neural networks, particularly when training datasets are limited.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google