,

مقاله چراغ نیوتن: چارچوبی یادگیری تقویتی برای تنظیم دقیق مدل‌های شروع گرم جریان توان AC

تومان249,950

شروع‌های گرم عصبی می‌توانند تعداد تکرارهای نیوتن-رافسون مورد نیاز برای حل مسئله جریان توان AC را به شدت کاهش دهند، اما رویکردهای نظارت‌شده موجود در نمونه‌های با بار سنگین و نزدیک به فروپاشی ولتاژ، تعم…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000400 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چراغ نیوتن: چارچوبی یادگیری تقویتی برای تنظیم دقیق مدل‌های شروع گرم جریان توان AC

Newton's Lantern: A Reinforcement Learning Framework for Finetuning AC Power Flow Warm Start Models

نویسندگان: Shourya Bose, Helgi Hilmarsson, Dhruv Suri

شناسه منبع: arxiv / 2605.11102v1

دسته: cs.LG,cs.AI,eess.SY

چکیده (فارسی)

شروع‌های گرم عصبی می‌توانند تعداد تکرارهای نیوتن-رافسون مورد نیاز برای حل مسئله جریان توان AC را به شدت کاهش دهند، اما رویکردهای نظارت‌شده موجود در نمونه‌های با بار سنگین و نزدیک به فروپاشی ولتاژ، تعمیم‌پذیری ضعیفی دارند. ما یک حد پایین برای تعداد تکرارهای نیوتن-رافسون اثبات می‌کنیم که به جای بزرگی خطا، به جهت خطای شروع گرم بستگی دارد و به عنوان یک نتیجه جانبی نشان می‌دهیم که با کوچک شدن کوچکترین مقدار منفرد ژاکوبین جریان توان، این حد بی‌معنی می‌شود و حالت شکست رگرسیون نظارت‌شده نزدیک به انشعاب زین-گره را شناسایی می‌کند. با الهام از این تحلیل، ما "فانوس نیوتن" را معرفی می‌کنیم، یک خط لوله تنظیم دقیق که بهینه‌سازی سیاست نسبی گروهی را با یک مدل پاداش آموخته‌شده که بر روی اغتشاشات پیش‌بینی‌های مدل پایه آموزش دیده است، ترکیب می‌کند و از خود تعداد تکرار به عنوان سیگنال نظارتی استفاده می‌کند. در معیارهای IEEE 118-باس، GOC 500-باس و GOC 2000-باس، فانوس نیوتن تنها روشی است که در هر لحظه آزمایشی همگرا می‌شود و در عین حال کمترین میانگین تعداد تکرار را به دست می‌آورد.

Abstract (English)

Neural warm starts can sharply reduce the number of Newton-Raphson iterations required to solve the AC power flow problem, but existing supervised approaches generalize poorly on heavily loaded instances near voltage collapse. We prove a lower bound on the Newton-Raphson iteration count that depends on the direction of the warm start error rather than on its magnitude, and show as a corollary that the bound becomes vacuous as the smallest singular value of the power-flow Jacobian shrinks, identifying the failure mode of supervised regression near the saddle-node bifurcation. Motivated by this analysis, we introduce Newton's Lantern, a finetuning pipeline that combines group relative policy optimization with a learned reward model trained on perturbations of the base model's predictions, using the iteration count itself as the supervisory signal. Across IEEE 118-bus, GOC 500-bus, and GOC 2000-bus benchmarks, Newton's Lantern is the only method that converges on every test snapshot while attaining the smallest mean iteration count.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله چراغ نیوتن: چارچوبی یادگیری تقویتی برای تنظیم دقیق مدل‌های شروع گرم جریان توان AC”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا