arXivDaily arXiv每日学术速递 周一至周五更新

大厂专区

Tesla（特斯拉）

至 收录 1 篇
1903.03763 2026-06-04 eess.SY cs.LG cs.SY math.OC stat.ML

A tractable ellipsoidal approximation for voltage regulation problems

电压调节问题中的可处理椭球近似

Pan Li, Baihong Jin, Ruoxuan Xiong, Dai Wang, Alberto Sangiovanni-Vincentelli, Baosen Zhang

机构 * Facebook Inc.（Facebook公司） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Tesla Inc.（特斯拉公司）

AI总结 本文提出了一种基于机器学习的方法来解决电力系统运行中电压调节问题中的机会约束优化问题，通过用椭球近似不确定性可行区域，提出了类似支持向量机的学习模型和高效的采样算法。

Comments accepted by ACC2019 http://acc2019.a2c2.org/

详情
AI中文摘要

我们提出了一种机器学习方法来解决电压调节问题中的机会约束优化问题。我们的方法新颖之处在于用椭球近似不确定性可行区域。我们使用类似于支持向量机（SVM）的学习模型来提出这个问题，并提出了一种高效的采样算法来训练模型。我们使用标准的IEEE配电测试馈线在电压调节问题上展示了我们的方法。

英文摘要

We present a machine learning approach to the solution of chance constrained optimizations in the context of voltage regulation problems in power system operation. The novelty of our approach resides in approximating the feasible region of uncertainty with an ellipsoid. We formulate this problem using a learning model similar to Support Vector Machines (SVM) and propose a sampling algorithm that efficiently trains the model. We demonstrate our approach on a voltage regulation problem using standard IEEE distribution test feeders.

URL PDF HTML 收藏
↑