用于学习交流最优潮流代理模型的桶化主动采样
机器学习
2024-07-10 v3 人工智能
系统与控制
系统与控制
最优化与控制
摘要
本文研究最优潮流（OPF）的优化代理模型，即近似 OPF 输入输出关系的机器学习模型。近期工作集中于表明此类代理模型可具备高保真度。然而，其训练需要大量数据，每个样本都需（离线）求解一次 OPF。为满足市场出清应用的需求，本文提出桶化主动采样（BAS），一种新颖的主动学习框架，旨在时间限制内训练出尽可能优的 OPF 代理模型。BAS 将输入域划分为若干桶，并使用采集函数决定下一步在何处采样。通过对验证集施加相同划分，BAS 在选取未标注样本时利用了已标注的验证样本。BAS 还依赖一种随时间增减的自适应学习率。实验结果展示了 BAS 的优势。
引用
@article{arxiv.2208.07497,
title = {Bucketized Active Sampling for Learning ACOPF},
author = {Michael Klamkin and Mathieu Tanneau and Terrence W. K. Mak and Pascal Van Hentenryck},
journal= {arXiv preprint arXiv:2208.07497},
year = {2024}
}