最小化神经网络的最坏情况违例
机器学习
2022-12-22 v1 系统与控制
系统与控制
摘要
机器学习（ML）算法在逼近复杂非线性关系方面表现优异。然而，大多数 ML 训练过程旨在提供具有良好平均性能的 ML 工具，却未对其最坏情况估计误差提供任何保证。对于电力系统等安全关键系统，这构成了其采用的主要障碍。迄今为止，方法仅能确定已训练 ML 算法的最坏情况违例。据我们所知，本文首次提出一种神经网络训练流程，旨在同时实现良好的平均性能与最小的最坏情况违例。以最优潮流（OPF）问题为指导应用，我们的方法（i）引入一个在训练期间减少最坏情况发电约束违例的框架，将其作为可微优化层纳入；以及（ii）提出一种神经网络顺序学习架构以显著加速该过程。我们在从 39 总线到 162 总线的四个不同测试系统上，针对 AC-OPF 与 DC-OPF 应用展示了所提架构。
引用
@article{arxiv.2212.10930,
title = {Minimizing Worst-Case Violations of Neural Networks},
author = {Rahul Nellikkath and Spyros Chatzivasileiadis},
journal= {arXiv preprint arXiv:2212.10930},
year = {2022}
}