Buchumschlag

Learning the Optimal Power Flow: Environment Design Matters

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wolgast, Thomas, Nieße, Astrid
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Systems and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A General Approach of Automated Environment Design for Learning the Optimal Power Flow
von: Wolgast, Thomas, et al.
Veröffentlicht: (2025)

ANALYSE -- Learning to Attack Cyber-Physical Energy Systems With Intelligent Agents
von: Wolgast, Thomas, et al.
Veröffentlicht: (2023)

Scaling Laws of Machine Learning for Optimal Power Flow
von: Liu, Xinyi, et al.
Veröffentlicht: (2026)

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

PGLearn -- An Open-Source Learning Toolkit for Optimal Power Flow
von: Klamkin, Michael, et al.
Veröffentlicht: (2025)

From Coupling to Resilience: Quantifying the Impact of Interconnection in Energy Carrier Grids
von: Schrage, Rico, et al.
Veröffentlicht: (2024)

An Efficient Learning-Based Solver for Two-Stage DC Optimal Power Flow with Feasibility Guarantees
von: Zhang, Ling, et al.
Veröffentlicht: (2023)

Reduced Optimal Power Flow Using Graph Neural Network
von: Pham, Thuan, et al.
Veröffentlicht: (2022)

Residual Correction Models for AC Optimal Power Flow Using DC Optimal Power Flow Solutions
von: Za'ter, Muhy Eddin, et al.
Veröffentlicht: (2025)

Graph Neural Network-Accelerated Network-Reconfigured Optimal Power Flow
von: Pham, Thuan, et al.
Veröffentlicht: (2024)

gridfm-datakit-v1: A Python Library for Scalable and Realistic Power Flow and Optimal Power Flow Data Generation
von: Puech, Alban, et al.
Veröffentlicht: (2025)

Differentiable Optimization for Deep Learning-Enhanced DC Approximation of AC Optimal Power Flow
von: Rosemberg, Andrew, et al.
Veröffentlicht: (2025)

N-1 Reduced Optimal Power Flow Using Augmented Hierarchical Graph Neural Network
von: Pham, Thuan, et al.
Veröffentlicht: (2024)

Constraints and Variables Reduction for Optimal Power Flow Using Hierarchical Graph Neural Networks with Virtual Node-Splitting
von: Pham, Thuan, et al.
Veröffentlicht: (2024)

Machine Learning for Scalable and Optimal Load Shedding Under Power System Contingency
von: Zhou, Yuqi, et al.
Veröffentlicht: (2024)

ExARNN: An Environment-Driven Adaptive RNN for Learning Non-Stationary Power Dynamics
von: Li, Haoran, et al.
Veröffentlicht: (2025)

Learning Power Flow with Confidence: A Probabilistic Guarantee Framework for Voltage Risk
von: Pareek, Parikshit, et al.
Veröffentlicht: (2023)

DiffOPF: Diffusion Solver for Optimal Power Flow
von: Hoseinpour, Milad, et al.
Veröffentlicht: (2025)

Residual Power Flow for Neural Solvers
von: Stiasny, Jochen, et al.
Veröffentlicht: (2026)

Optimal Power Grid Operations with Foundation Models
von: Puech, Alban, et al.
Veröffentlicht: (2024)

Online Planning of Power Flows for Power Systems Against Bushfires Using Spatial Context
von: Xu, Jianyu, et al.
Veröffentlicht: (2024)

Powerformer: A Section-adaptive Transformer for Power Flow Adjustment
von: Chen, Kaixuan, et al.
Veröffentlicht: (2024)

BOOST-RPF: Boosted Sequential Trees for Radial Power Flow
von: Okoyomon, Ehimare, et al.
Veröffentlicht: (2026)

RL-ADN: A High-Performance Deep Reinforcement Learning Environment for Optimal Energy Storage Systems Dispatch in Active Distribution Networks
von: Hou, Shengren, et al.
Veröffentlicht: (2024)

Global Performance Guarantees for Neural Network Models of AC Power Flow
von: Chevalier, Samuel, et al.
Veröffentlicht: (2022)

Power Flow Approximations for Multiphase Distribution Networks using Gaussian Processes
von: Glover, Daniel, et al.
Veröffentlicht: (2025)

Solving Conic Programs over Sparse Graphs using a Variational Quantum Approach: The Case of the Optimal Power Flow
von: Le, Thinh Viet, et al.
Veröffentlicht: (2025)

Integration Matters for Learning PDEs with Backward SDEs
von: Park, Sungje, et al.
Veröffentlicht: (2025)

Optimal Sensor Placement in Power Transformers Using Physics-Informed Neural Networks
von: Li, Sirui, et al.
Veröffentlicht: (2025)

Reinforcement Learning in Non-Markovian Environments
von: Chandak, Siddharth, et al.
Veröffentlicht: (2022)

PowerFlowNet: Power Flow Approximation Using Message Passing Graph Neural Networks
von: Lin, Nan, et al.
Veröffentlicht: (2023)

PowerModelsGAT-AI: Physics-Informed Graph Attention for Multi-System Power Flow with Continual Learning
von: Ezeakunne, Chidozie, et al.
Veröffentlicht: (2026)

PowerFlowMultiNet: Multigraph Neural Networks for Unbalanced Three-Phase Distribution Systems
von: Ghamizi, Salah, et al.
Veröffentlicht: (2024)

Anomaly Detection in Smart Power Grids with Graph-Regularized MS-SVDD: a Multimodal Subspace Learning Approach
von: Debelle, Thomas, et al.
Veröffentlicht: (2025)

Learn for Variation: Variationally Guided AAV Trajectory Learning in Differentiable Environments
von: Wang, Xiucheng, et al.
Veröffentlicht: (2026)

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

Actively Learning Reinforcement Learning: A Stochastic Optimal Control Approach
von: Ramadan, Mohammad S., et al.
Veröffentlicht: (2023)

Reverse Flow Matching: A Unified Framework for Online Reinforcement Learning with Diffusion and Flow Policies
von: Li, Zeyang, et al.
Veröffentlicht: (2026)

Optimal Control of Mechanical Ventilators with Learned Respiratory Dynamics
von: Ward, Isaac Ronald, et al.
Veröffentlicht: (2024)

Optimal Transport-Assisted Risk-Sensitive Q-Learning
von: Shahrooei, Zahra, et al.
Veröffentlicht: (2024)