Buchumschlag

Revisiting Deep AC-OPF

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Dada, Oluwatomisin I., Lawrence, Neil D.
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Systems and Control Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Operational risk quantification of power grids using graph neural network surrogates of the DC OPF
von: Zhang, Yadong, et al.
Veröffentlicht: (2023)

Data-Driven Stochastic AC-OPF using Gaussian Processes
von: Mitrovic, Mile
Veröffentlicht: (2024)

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

Physics-Informed Gradient Estimation for Accelerating Deep Learning based AC-OPF
von: Chen, Kejun, et al.
Veröffentlicht: (2025)

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

A hard-constrained NN learning framework for rapidly restoring AC-OPF from DC-OPF
von: Chen, Kejun, et al.
Veröffentlicht: (2026)

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

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

Physics-Informed GNN for non-linear constrained optimization: PINCO a solver for the AC-optimal power flow
von: Varbella, Anna, et al.
Veröffentlicht: (2024)

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

An OPF-based Control Framework for Hybrid AC-MTDC Power Systems under Uncertainty
von: Du, Hongjin, et al.
Veröffentlicht: (2025)

A Hybrid Sequential Convex Programming Framework for Unbalanced Three-Phase AC OPF
von: Yehia, Sary, et al.
Veröffentlicht: (2025)

Learning to Optimize meets Neural-ODE: Real-Time, Stability-Constrained AC OPF
von: Di Vito, Vincenzo, et al.
Veröffentlicht: (2024)

Generating adversarial inputs for a graph neural network model of AC power flow
von: Parker, Robert
Veröffentlicht: (2026)

Estimating Risk-Aware Flexibility Areas for EV Charging Pools via Stochastic AC-OPF
von: Giraldo, Juan S., et al.
Veröffentlicht: (2023)

Nuclear Microreactor Control with Deep Reinforcement Learning
von: Tunkle, Leo, et al.
Veröffentlicht: (2025)

AC-OPF Feasibility Analysis and Sensitivity-Guided Capacitor Placement in a High-PV Islanded Microgrid
von: Jones, Aaron, et al.
Veröffentlicht: (2026)

MPCritic: A plug-and-play MPC architecture for reinforcement learning
von: Lawrence, Nathan P., et al.
Veröffentlicht: (2025)

Soft MPCritic: Amortized Model Predictive Value Iteration
von: Banker, Thomas, et al.
Veröffentlicht: (2026)

Sorta Solving the OPF by Not Solving the OPF: DAE Control Theory and the Price of Realtime Regulation
von: Nadeem, Muhammad, et al.
Veröffentlicht: (2023)

State Derivative Normalization for Continuous-Time Deep Neural Networks
von: Weigand, Jonas, et al.
Veröffentlicht: (2024)

A modular framework for stabilizing deep reinforcement learning control
von: Lawrence, Nathan P., et al.
Veröffentlicht: (2023)

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

Deep Learning for Sequential Decision Making under Uncertainty: Foundations, Frameworks, and Frontiers
von: Buyuktahtakin, I. Esra
Veröffentlicht: (2026)

System Identification and Control Using Lyapunov-Based Deep Neural Networks without Persistent Excitation: A Concurrent Learning Approach
von: Hart, Rebecca G., et al.
Veröffentlicht: (2025)

Learning Exactly Linearizable Deep Dynamics Models
von: Moriyasu, Ryuta, et al.
Veröffentlicht: (2023)

Bandit Algorithms for Deep Brain Stimulation
von: Gupta, Arkaprava, et al.
Veröffentlicht: (2026)

A Principled Framework to Evaluate Quality of AC-OPF Datasets for Machine Learning: Benchmarking a Novel, Scalable Generation Method
von: Baù, Matteo, et al.
Veröffentlicht: (2025)

Test Time Training for AC Power Flow Surrogates via Physics and Operational Constraint Refinement
von: Dogoulis, Panteleimon, et al.
Veröffentlicht: (2025)

Learning Deep Dissipative Dynamics
von: Okamoto, Yuji, et al.
Veröffentlicht: (2024)

Improved Scalable Lipschitz Bounds for Deep Neural Networks
von: Syed, Usman, et al.
Veröffentlicht: (2025)

Physics-Informed Deep B-Spline Networks
von: Wang, Zhuoyuan, et al.
Veröffentlicht: (2025)

Deep Q-Learning with Gradient Target Tracking
von: Park, Bum Geun, et al.
Veröffentlicht: (2025)

Promises of Deep Kernel Learning for Control Synthesis
von: Reed, Robert, et al.
Veröffentlicht: (2023)

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

Newton's Lantern: A Reinforcement Learning Framework for Finetuning AC Power Flow Warm Start Models
von: Bose, Shourya, et al.
Veröffentlicht: (2026)

Revisiting LQR Control from the Perspective of Receding-Horizon Policy Gradient
von: Zhang, Xiangyuan, et al.
Veröffentlicht: (2023)

Koopman-based Deep Learning for Nonlinear System Estimation
von: Sun, Zexin, et al.
Veröffentlicht: (2024)

Kernel-Based Safe Exploration in Deep Reinforcement Learning
von: Majumdar, Rupak, et al.
Veröffentlicht: (2026)

Adversarial Robustness of Deep State Space Models for Forecasting
von: Anand, Sribalaji C., et al.
Veröffentlicht: (2026)