权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Collaborative Research: RI: Small: Deep Constrained Learning for Power Systems

合作研究：RI：小型：电力系统的深度约束学习

基本信息

批准号：
2007164
负责人：
Ferdinando Fioretto
金额：
$ 25万
依托单位：
Syracuse University
依托单位国家：
美国
项目类别：
Standard Grant
财政年份：
2020
资助国家：
美国
起止时间：
2020-10-01 至 2024-01-31
项目状态：
已结题

来源：
https://www.nsf.gov/awardsearch/showAward?AWD_ID=2007164&HistoricalAwards=false
关键词：
Collaborative Research RI Small Deep

项目摘要

In the last two decades, artificial intelligence has achieved remarkable progress in a variety of disciplines such as computer vision and natural language understanding. This project aims at leveraging robust artificial intelligence for transforming the electrical power grid, the largest machine built by humankind. Indeed, the integration of substantial renewable resources in power generation raises substantial computational challenges and, in particular, the solving of complex optimization problems with increased frequency. The project proposes a new paradigm, Deep Constrained Learning, to solve these large-scale optimization problems in real time, while ensuring efficient and reliable grid operations. If successful, the project may fundamentally transform how the grid is operated and bring significant economic and environmental benefits. While the development of Deep Constrained Learning is grounded in energy applications, the project findings may generalize to a broader class of engineering applications with hard physical or operational constraints.From a scientific standpoint, Deep Constrained Learning (DCL) is a tight integration of machine learning and optimization that delivers, in real time, reliable near-optimal solutions to large-scale nonconvex optimization problems. The project contributes to new scientific and engineering knowledge along two directions. It first demonstrates how DCL provides a principled way to accommodate hard constraints in deep learning by combining key methodologies from optimization into the training cycle of deep neural networks. Second, it shows how to exploit domain knowledge for model reduction, allowing DCL to handle the size and complexity of real power grids.This award reflects NSF's statutory mission and has been deemed worthy of support through evaluation using the Foundation's intellectual merit and broader impacts review criteria.

在过去的二十年里，人工智能在计算机视觉和自然语言理解等各个学科取得了显著的进步。该项目旨在利用强大的人工智能来改造电网，这是人类建造的最大的机器。事实上，将大量可再生资源整合到发电中会带来大量的计算挑战，特别是，解决复杂的优化问题的频率越来越高。该项目提出了一种新的范式，深度约束学习，以实时解决这些大规模优化问题，同时确保高效可靠的电网运行。如果成功，该项目可能会从根本上改变电网的运行方式，并带来显著的经济和环境效益。虽然深度约束学习的发展基于能源应用，但项目发现可能会推广到更广泛的具有硬物理或操作限制的工程应用类别。从科学的角度来看，深度约束学习（DCL）是机器学习和优化的紧密集成，可以实时地为大规模非凸优化问题提供可靠的近最优解决方案。该项目在两个方向上贡献了新的科学和工程知识。它首先展示了DCL如何通过将优化的关键方法结合到深度神经网络的训练周期中，提供一种原则性的方法来适应深度学习中的硬约束。其次，它展示了如何利用领域知识进行模型约简，使DCL能够处理实际电网的大小和复杂性。该奖项反映了美国国家科学基金会的法定使命，并通过使用基金会的知识价值和更广泛的影响审查标准进行评估，被认为值得支持。

项目成果

期刊论文数量（16）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Backpropagation of Unrolled Solvers with Folded Optimization

DOI：
10.24963/ijcai.2023/218
发表时间：
2023-01
期刊：
影响因子：
0
作者：
James Kotary;M. H. Dinh;Ferdinando Fioretto
通讯作者：
James Kotary;M. H. Dinh;Ferdinando Fioretto

Load Embeddings for Scalable AC-OPF Learning

用于可扩展 AC-OPF 学习的负载嵌入

DOI：
发表时间：
2021
期刊：
arXiv.org
影响因子：
0
作者：
Terrence W.K. Mak;Ferdinando Fioretto;Pascal VanHentenryck
通讯作者：
Pascal VanHentenryck

End-to-End Constrained Optimization Learning: A Survey

DOI：
10.24963/ijcai.2021/610
发表时间：
2021-03
期刊：
ArXiv
影响因子：
0
作者：
James Kotary;Ferdinando Fioretto;P. V. Hentenryck;Bryan Wilder
通讯作者：
James Kotary;Ferdinando Fioretto;P. V. Hentenryck;Bryan Wilder

Differentiable Model Selection for Ensemble Learning

DOI：
10.24963/ijcai.2023/217
发表时间：
2022-11
期刊：
影响因子：
0
作者：
James Kotary;Vincenzo Di Vito;Ferdinando Fioretto
通讯作者：
James Kotary;Vincenzo Di Vito;Ferdinando Fioretto

The Smart Appliance Scheduling Problem: A Bayesian Optimization Approach

智能设备调度问题：贝叶斯优化方法

DOI：
发表时间：
2020
期刊：
Principles and Practice of Multi-Agent Systems
影响因子：
0
作者：
Tabakhi, Atena M.;Yeoh, William;Fioretto, Ferdinando
通讯作者：
Fioretto, Ferdinando

DOI：
{{ item.doi }}
发表时间：
{{ item.publish_year }}
期刊：
{{ item.journal_name }}
影响因子：
{{ item.factor }}
作者：
{{ item.authors }}
通讯作者：
{{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ monograph.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ sciAawards.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ conferencePapers.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ patent.updateTime }}

Ferdinando Fioretto其他文献

Solving DCOPs with Distributed Large Neighborhood Search

通过分布式大邻域搜索解决 DCOP

DOI：
发表时间：
2017
期刊：
arXiv.org
影响因子：
0
作者：
Ferdinando Fioretto;A. Dovier;Enrico Pontelli;W. Yeoh;R. Zivan
通讯作者：
R. Zivan

Constrained-Based Differential Privacy: Releasing Optimal Power Flow Benchmarks Privately - Releasing Optimal Power Flow Benchmarks Privately

基于约束的差分隐私：私下发布最优潮流基准 - 私下发布最优潮流基准

DOI：
10.1007/978-3-319-93031-2_15
发表时间：
2018
期刊：
IEEE Transactions on Power Systems
影响因子：
6.6
作者：
Ferdinando Fioretto;Pascal Van Hentenryck
通讯作者：
Pascal Van Hentenryck

Personalized Privacy Auditing and Optimization at Test Time

测试时的个性化隐私审核和优化

DOI：
10.48550/arxiv.2302.00077
发表时间：
2023
期刊：
ArXiv
影响因子：
0
作者：
Cuong Tran;Ferdinando Fioretto
通讯作者：
Ferdinando Fioretto

A Large Neighboring Search Schema for Multi-agent Optimization

用于多智能体优化的大型邻近搜索模式

DOI：
发表时间：
2018
期刊：
International Conference on Principles and Practice of Constraint Programming
影响因子：
0
作者：
Khoi D. Hoang;Ferdinando Fioretto;W. Yeoh;Enrico Pontelli;R. Zivan
通讯作者：
R. Zivan