Buchumschlag

Data-Driven Stochastic AC-OPF using Gaussian Processes

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Mitrovic, Mile
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Optimization and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Data-Driven Stochastic Optimal Control in Reproducing Kernel Hilbert Spaces
von: Hoischen, Nicolas, et al.
Veröffentlicht: (2024)

Learning Surrogate Potential Mean Field Games via Gaussian Processes: A Data-Driven Approach to Ill-Posed Inverse Problems
von: Zhang, Jingguo, et al.
Veröffentlicht: (2025)

Revisiting Deep AC-OPF
von: Dada, Oluwatomisin I., et al.
Veröffentlicht: (2025)

All-Pass Fractional OPF: A Solver-Friendly, Physics-Preserving Approximation of AC OPF
von: Hasanzadeh, Milad, et al.
Veröffentlicht: (2026)

Stochastic-Constrained Stochastic Optimization with Markovian Data
von: Kim, Yeongjong, et al.
Veröffentlicht: (2023)

Gaussian Approximation and Multiplier Bootstrap for Federated Linear Stochastic Approximation
von: Levin, Ilya, et al.
Veröffentlicht: (2026)

Robust Gaussian Processes via Relevance Pursuit
von: Ament, Sebastian, et al.
Veröffentlicht: (2024)

Gaussian Process Thompson Sampling via Rootfinding
von: Adebiyi, Taiwo A., et al.
Veröffentlicht: (2024)

Intrinsic Gaussian Processes on Manifolds and Their Accelerations by Symmetry
von: Ye, Ke, et al.
Veröffentlicht: (2020)

Stochastic Gradient Descent with Adaptive Data
von: Che, Ethan, et al.
Veröffentlicht: (2024)

Theoretical Analysis of Heteroscedastic Gaussian Processes with Posterior Distributions
von: Ito, Yuji
Veröffentlicht: (2024)

Gaussian Process Regression with Soft Inequality and Monotonicity Constraints
von: Kochan, Didem, et al.
Veröffentlicht: (2024)

Turbocharging Gaussian Process Inference with Approximate Sketch-and-Project
von: Rathore, Pratik, et al.
Veröffentlicht: (2025)

Wasserstein Barycenter Gaussian Process based Bayesian Optimization
von: Candelieri, Antonio, et al.
Veröffentlicht: (2025)

No-Regret Gaussian Process Optimization of Time-Varying Functions
von: Mauduit, Eliabelle, et al.
Veröffentlicht: (2025)

Learning AC Power Flow Solutions using a Data-Dependent Variational Quantum Circuit
von: Le, Thinh Viet, et al.
Veröffentlicht: (2025)

Physics-informed Gaussian Processes as Linear Model Predictive Controller
von: Tebbe, Jörn, et al.
Veröffentlicht: (2024)

Safe Reinforcement Learning for Constrained Markov Decision Processes with Stochastic Stopping Time
von: Mazumdar, Abhijit, et al.
Veröffentlicht: (2024)

Regret Bounds for Expected Improvement Algorithms in Gaussian Process Bandit Optimization
von: Tran-The, Hung, et al.
Veröffentlicht: (2022)

Dual Conic Proxies for AC Optimal Power Flow
von: Qiu, Guancheng, et al.
Veröffentlicht: (2023)

Finite-Sample-Based Reachability for Safe Control with Gaussian Process Dynamics
von: Prajapat, Manish, et al.
Veröffentlicht: (2025)

Safe Time-Varying Optimization based on Gaussian Processes with Spatio-Temporal Kernel
von: Li, Jialin, et al.
Veröffentlicht: (2024)

Cost-Driven Representation Learning for Linear Quadratic Gaussian Control: Part I
von: Tian, Yi, et al.
Veröffentlicht: (2022)

Cost-Driven Representation Learning for Linear Quadratic Gaussian Control: Part II
von: Tian, Yi, et al.
Veröffentlicht: (2026)

The Data-Driven Censored Newsvendor Problem
von: Hssaine, Chamsi, et al.
Veröffentlicht: (2024)

Scalable Global Optimization for AC-OPF via Quadratic Convex Relaxation and Branch-and-Bound
von: Iranpour, Mohammadreza, et al.
Veröffentlicht: (2025)

Optimal Complexity in Byzantine-Robust Distributed Stochastic Optimization with Data Heterogeneity
von: Shi, Qiankun, et al.
Veröffentlicht: (2025)

Dual Conic Proxy for Semidefinite Relaxation of AC Optimal Power Flow
von: Qiu, Guancheng, et al.
Veröffentlicht: (2025)

Global Optimization of Gaussian Process Acquisition Functions Using a Piecewise-Linear Kernel Approximation
von: Xie, Yilin, et al.
Veröffentlicht: (2024)

An Efficient Spatial Branch-and-Bound Algorithm for Global Optimization of Gaussian Process Posterior Mean Functions
von: Tang, Wei-Ting, et al.
Veröffentlicht: (2026)

Data-driven Piecewise Affine Decision Rules for Stochastic Programming with Covariate Information
von: Zhang, Yiyang, et al.
Veröffentlicht: (2023)

Beyond the Neural Fog: Interpretable Learning for AC Optimal Power Flow
von: Pineda, Salvador, et al.
Veröffentlicht: (2024)

Diffusion Model for Data-Driven Black-Box Optimization
von: Li, Zihao, et al.
Veröffentlicht: (2024)

Data-Driven Performance Guarantees for Classical and Learned Optimizers
von: Sambharya, Rajiv, et al.
Veröffentlicht: (2024)

Data-Driven Discovery of PDEs via the Adjoint Method
von: Sadr, Mohsen, et al.
Veröffentlicht: (2024)

In-Context Learning for Data-Driven Censored Inventory Control
von: Mukherjee, Sohom, et al.
Veröffentlicht: (2026)

The Vizier Gaussian Process Bandit Algorithm
von: Song, Xingyou, et al.
Veröffentlicht: (2024)

Momentum Does Not Reduce Stochastic Noise in Stochastic Gradient Descent
von: Sato, Naoki, et al.
Veröffentlicht: (2024)

Fast filtering of non-Gaussian models using Amortized Optimal Transport Maps
von: Al-Jarrah, Mohammad, et al.
Veröffentlicht: (2025)

Data-Driven Adversarial Online Control for Unknown Linear Systems
von: Liu, Zishun, et al.
Veröffentlicht: (2023)