Collaborative Research: RI: Small: Deep Constrained Learning for Power Systems

合作研究：RI：小型：电力系统的深度约束学习

基本信息

批准号：
2345528
负责人：
Ferdinando Fioretto
金额：
$ 25万
依托单位：
University of Virginia Main Campus
依托单位国家：
美国
项目类别：
Standard Grant
财政年份：
2023
资助国家：
美国
起止时间：
2023-10-01 至 2024-11-30
项目状态：
已结题

来源：
https://www.nsf.gov/awardsearch/showAward?AWD_ID=2345528&HistoricalAwards=false
关键词：
Collaborative Research RI Small Deep

项目摘要

In the last two decades, artificial intelligence has achieved remarkable progress in a variety of disciplines such as computer vision and natural language understanding. This project aims at leveraging robust artificial intelligence for transforming the electrical power grid, the largest machine built by humankind. Indeed, the integration of substantial renewable resources in power generation raises substantial computational challenges and, in particular, the solving of complex optimization problems with increased frequency. The project proposes a new paradigm, Deep Constrained Learning, to solve these large-scale optimization problems in real time, while ensuring efficient and reliable grid operations. If successful, the project may fundamentally transform how the grid is operated and bring significant economic and environmental benefits. While the development of Deep Constrained Learning is grounded in energy applications, the project findings may generalize to a broader class of engineering applications with hard physical or operational constraints.From a scientific standpoint, Deep Constrained Learning (DCL) is a tight integration of machine learning and optimization that delivers, in real time, reliable near-optimal solutions to large-scale nonconvex optimization problems. The project contributes to new scientific and engineering knowledge along two directions. It first demonstrates how DCL provides a principled way to accommodate hard constraints in deep learning by combining key methodologies from optimization into the training cycle of deep neural networks. Second, it shows how to exploit domain knowledge for model reduction, allowing DCL to handle the size and complexity of real power grids.This award reflects NSF's statutory mission and has been deemed worthy of support through evaluation using the Foundation's intellectual merit and broader impacts review criteria.

在过去的二十年中，人工智能在计算机视觉和自然语言理解等各种学科中取得了显着的进步。该项目旨在利用强大的人工智能来改变人类制造的最大机器电力电网。实际上，发电中大量可再生资源的整合引起了实质性的计算挑战，尤其是通过增加频率解决复杂的优化问题。该项目提出了一个新的范式，深度约束的学习，以实时解决这些大规模优化问题，同时确保有效且可靠的网格操作。如果成功，该项目可能从根本上改变了网格的运行方式，并带来了巨大的经济和环境利益。虽然深度受限学习的发展基于能源应用，但项目的发现可能会推广到具有严格的物理或操作约束的更广泛的工程应用程序。从科学的角度来看，深度约束学习（DCL）是机器学习和优化的紧密整合，可以实时提供可靠的近距离解决方案，以使大型实用解决方案到大型非concale nonconve nonconve Inconve Brountivess。该项目沿两个方向有助于新的科学和工程知识。它首先展示了DCL如何通过将关键方法从优化与深神经网络的训练周期相结合，以提供一种原则性的方法来适应深度学习的硬性约束。其次，它显示了如何利用域知识以减少模型，使DCL能够处理真实电网的规模和复杂性。该奖项反映了NSF的法定任务，并被认为是值得通过基金会的智力优点和更广泛影响的评估评估标准来通过评估来支持的。

项目成果

期刊论文数量（5）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

An Analysis of the Reliability of AC Optimal Power Flow Deep Learning Proxies

交流最优潮流深度学习代理的可靠性分析

DOI：
10.1109/isgt-la56058.2023.10328223
发表时间：
2023
期刊：
IEEE PES Conference On Innovative Smart Grid Technologies Latin America
影响因子：
0
作者：
Dinh, My H.;Fioretto, Ferdinando;Mohammadian, Mostafa;Baker, Kyri
通讯作者：
Baker, Kyri

Price-Aware Deep Learning for Electricity Markets

电力市场的价格感知深度学习

DOI：
发表时间：
2024
期刊：
Advances in neural information processing systems
影响因子：
0
作者：
Dvorkin, Vladimir;Fioretto, Ferdinando
通讯作者：
Fioretto, Ferdinando

Learning Fair Ranking Policies via Differentiable Optimization of Ordered Weighted Averages

通过有序加权平均值的可微优化来学习公平排名策略

DOI：
发表时间：
2024
期刊：
arXivorg
影响因子：
0
作者：
Dinh, My H.;Kotary, James;Fioretto, Ferdinando
通讯作者：
Fioretto, Ferdinando

End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty

不确定性下公平多目标优化的端到端学习

DOI：
发表时间：
2024
期刊：
arXivorg
影响因子：
0
作者：
Dinh, My H;Kotary, James;Fioretto, Ferdinando
通讯作者：
Fioretto, Ferdinando

Analyzing and Enhancing the Backward-Pass Convergence of Unrolled Optimization

分析和增强展开优化的后向收敛性

DOI：
发表时间：
2023
期刊：
arXivorg
影响因子：
0
作者：
Kotary, James;Christopher, Jacob;Dinh, My H;Fioretto, Ferdinando
通讯作者：
Fioretto, Ferdinando

DOI：
{{ item.doi }}
发表时间：
{{ item.publish_year }}
期刊：
{{ item.journal_name }}
影响因子：
{{ item.factor }}
作者：
{{ item.authors }}
通讯作者：
{{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ monograph.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ sciAawards.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ conferencePapers.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ patent.updateTime }}

Ferdinando Fioretto其他文献

A Large Neighboring Search Schema for Multi-agent Optimization

用于多智能体优化的大型邻近搜索模式

DOI：
发表时间：
2018
期刊：
International Conference on Principles and Practice of Constraint Programming
影响因子：
0
作者：
Khoi D. Hoang;Ferdinando Fioretto;W. Yeoh;Enrico Pontelli;R. Zivan
通讯作者：
R. Zivan