XiaoMi-AI文件搜索系统
World File Search SystemADMM
用于分布式直流最优潮流的学习加速 ADMM
摘要——我们提出了一种新颖的数据驱动方法来加速交替方向乘数法 (ADMM) 的收敛，该方法用于解决分布式直流最优潮流 (DC-OPF)，其中线路由独立的网络分区共享。利用对给定系统在不同负载下 ADMM 轨迹的先前观察，该方法训练循环神经网络 (RNN) 来预测对偶变量和共识变量的收敛值。给定系统负载的新实现，将少量初始 ADMM 迭代作为输入来推断收敛值并将其直接注入迭代中。我们通过经验证明，对于不同负载场景下的分区 14、118 和 2848 节点测试系统，将这些值在线注入 ADMM 迭代中可显著加快收敛速度。所提出的方法有几个优点：它保持了共识 ADMM 固有的私有决策变量的安全性；推理速度很快，因此可以在在线设置中使用； RNN 生成的预测可以显著缩短收敛时间，但从构造上讲，它永远不会导致不可行的 ADMM 子问题；它可以轻松集成到现有的软件实现中。虽然我们在本文中重点介绍分布式 DC-OPF 的 ADMM 公式，但所提出的想法自然会扩展到其他分布式优化问题。索引术语 — 直流最优功率流、递归神经网络、交替方向乘数法、机器学习、数据驱动优化
使用分层 ADMM 实现多个聚合器的协同负载调度
近年来，随着通信和智能设备技术的进步，许多聚合器应运而生，以促进客户参与需求响应 (DR)。配备定制最优控制的聚合器可以在 DR 事件期间提供负载调度服务：遵循公用事业提供的负载信号，同时最大限度地减少客户的整体不适。然而，随着聚合器数量的增加，公用事业公司为每个聚合器生成参考信号变得越来越具有挑战性，尤其是考虑到聚合器的控制算法是专有的。所提出的工作有助于以分布式方式协调多个聚合器以实现负载调度，同时保护聚合器的隐私。
使用乘数的交替方向方法（ADMM）
摘要 - 为了有效地参与住宅需求侧资源并确保分配网络的有效运行，我们必须克服按大规模控制和协调住宅组件和设备的挑战。为了克服这一挑战，我们提出了一种分布式可扩展的算法，该算法具有三级层次信息交换体系结构，用于管理住宅需求响应计划。首先，制定了集中优化模型，以最大程度地提高社区社会福利。然后，通过将原始问题分解为公用事业级别和房屋级别的问题，以分布式的方式以分布式的方式解决了这种集中式模型。不同层之间的信息交换仅限于主要剩余（即供需不匹配），拉格朗日乘数以及每个房屋的总负载，以保护每个客户的隐私。模拟研究是在IEEE 33总线测试系统上与605个住宅客户进行的。结果表明，所提出的方法可以节省客户的电费并减少公用事业级别的峰值负载，而不会影响客户的舒适性和隐私。最后，对分布式和集中算法的定量比较显示了拟议的基于ADMM的方法的可伸缩性优势，并为未来的研究工作提供了基准测试结果。
基于 ADMM 的完全去中心化点对点能源交易，考虑本地社区共享 CAES
由于低压电网中可再生能源的使用率较高，点对点 (P2P) 能源交易市场在当地应运而生。近年来，P2P 能源交易系统越来越受欢迎，允许住宅和工业类型的消费者相互交易电力。由于通信技术的多项发展以及太阳能和风能等可再生能源的日益普及，P2P 能源交易已变得可行。在这个市场中，消费者更有兴趣与他人分享他们的多余能源，以进入新市场并增加利润。P2P 能源交易有两种方法。集中式方法涉及管理交易平台的第三方实体（通常是网络运营商）。这种方法提供了一种可靠的选择，但可能存在某些缺点，例如隐私有限。相比之下，分散式方法使消费者能够直接相互交易他们的剩余能源，而无需集中式机构的干预。这种方法赋予参与者更大的灵活性并保护他们的隐私。本文使用交替方向乘数法 (ADMM) 算法，提出了一种完全分散的本地 P2P 能源交易市场方法。本文还考虑了压缩空气储能 (CAES) 技术来提高灵活性并减少峰值需求。接下来，对配电网络中的本地社区进行了数值研究。模拟结果展示了 P2P 市场如何帮助客户在本地社区管理能源。
量子分布式单位承诺 - NSF-PAR
摘要 —量子计算的出现为解决机组组合等组合复杂电力系统问题的方式带来了一场革命。由于间歇性可再生能源的渗透率呈上升趋势，预计未来机组组合问题的复杂性将会增加。尽管量子计算已被证明可有效解决大量问题，但它在电力系统问题中的应用却相当有限。本文创新性地提出了一种量子机组组合方法，并建立了分解与协调交替方向乘法（ADMM）的量子版本。上述目标是通过设计量子算法并利用量子比特的叠加和纠缠来解决子问题，然后通过 ADMM 协调这些子问题以获得可行解。本文的主要贡献包括：1）创新性地开发了机组组合的量子模型；2）开发了分解与协调支持的框架，为利用有限的量子资源潜在地解决大规模离散优化问题铺平了道路； 3）设计了新颖的量子分布式单元承诺（QDUC）来解决目前量子计算机能够解决的更大规模问题。将QDUC的结果与经典计算机的结果进行了比较，验证了量子计算的有效性。
屏障增强的平行同位轨迹优化针对安全至关重要的自主驾驶
摘要 - 在防止过度保守行为的同时，对自动驾驶行为进行高度任务至关重要。在本文中，我们提出了一种屏障增强的平行同位轨迹优化（BPHTO）方法，使用过度删除的乘数交替方向方法（ADMM）进行实时集成决策和计划。为了促进自我车辆（EV）与周围车辆之间的安全相互作用，根据屏障功能，开发了一个时空安全模块，该模块展示了双向脉冲。在计划范围内的不同时间步骤中采用了不同的障碍系数，以解释周围HVS的不确定性并减轻保守行为。此外，我们利用驱动器操作的离散特性来初始化基于可及性分析的名义面向行为的自由式同型轨迹，并且每个轨迹在本地限制为特定的驾驶操作，同时共享相同的任务目标。通过利用安全模块和EV的运动学的双凸度，我们将BPHTO作为BI-CONVEX优化问题。然后使用约束转录和过度删除的ADMM来简化优化过程，从而可以实时生成多个轨迹，并具有可观的保证。通过一系列实验，拟议的开发显示了使用合成和现实世界流量数据集在各种交通情况下的任务准确性，稳定性和一致性的提高。
随机ISAC信号的脉冲成型-UCL Discovery
摘要 - 集成感应和通信（ISAC）已成为下一代无线网络的关键启用技术。Despite the distinct signal design require- ments of sensing and communication (S&C) systems, shift- ing the symbol-wise pulse shaping (SWiPS) framework from communication-only systems to ISAC poses significant challenges in signal design and processing This paper addresses these challenges by examining the ambiguity function (AF) of the SWiPS ISAC signal and introducing a novel pulse shaping design for single-carrier ISAC transmission.我们提出优化问题，以最大程度地减少AF的平均综合侧孔水平（ISL）以及加权ISL（WISL），同时满足符号间干扰（ISI），带外排放（OOBE）和功率约束。我们的贡献包括建立随机数据符号和信号脉冲的AF之间的关系，分析AF的统计特征，并开发算法框架，以使用连续的凸近近似（SCA）和交替的乘数方法（ADMM）方法（ADMM）方法进行脉冲塑料优化。数值结果来验证我们的理论分析，这表明与根系刺激的余弦（RRC）脉冲成型相比，所提出的扫描设计的性能得到了显着改善。
推荐引用 推荐引用 顾毅，“人工智能配电系统中的可再生能源整合”（2020 年）。电子学位论文。1777。https://digitalcommons.du.edu/etd/1777
基于上述数据可视化平台，研究了数据的外在表现形式，在接下来的工作中，尝试去理解数据内部隐藏的信息。设计了一种基于支持向量回归（SVR）的短期负荷预测方法，为网络重构提供更高精度的负荷预测。利用二阶锥程序（SOCP）将三相平衡最优潮流的非凸性放宽为最优潮流（OPF）问题。采用交替方向乘子法（ADMM）以分布式方式计算最优潮流。考虑到配电系统的现实情况，构建了一个三相不平衡配电系统，该系统包括变电站层面的小时运行计划和馈线层面的分钟潮流运行。在变电站层面最小化含可再生能源系统的运行成本。用机会约束模拟可再生能源发电的随机分布模型，并用高斯混合模型 (GMM) 和基于遗传算法的期望最大化 (GAEM) 建模导出的确定性形式。在实时 (RT) 调度中，使用 OPF 进一步降低系统成本。半正定规划 (SDP) 用于将三相不平衡配电系统的非凸性放宽为凸问题，这有助于实现全局最优结果。以并行方式，ADMM 实现了在短时间内获得结果。
应用能量-NSF -PAR
需求响应是智能电网在利用公用事业与其客户之间及时交互以提高电力网络的可靠性和可持续性时的新兴应用。本文调查了需求响应和交流最佳电力流的联合协调，并削减了可再生能源资源，不仅可以节省发电成本的总量，可再生能源降低成本和价格弹性需求成本，还可以管理各种类型的需求响应限制和GRID操作约束的总体电力负载的波动。它的在线实施非常具有挑战性，因为未来的统计数据是无法预测的。集中式和分布式模型预测控制（CMPC和DMPC）的方法分别针对在线调度问题的集中式计算和分布式计算提出了基于基于的方法。CMPC可以为DMPC提供基线解决方案。DMPC非常具有挑战性，可以在每个时间插槽中调用非convex优化问题的分布式计算。为此具有挑战性的DMPC提出了一种新型的乘数（ADMM）DMPC算法的交替方向方法。它在更新过程的更新过程中涉及迭代子例程计算，这些变量可以有效地处理困难的非convex约束。已经进行了全面的实验来测试所提出的方法。仿真结果表明，DMPC与其基线对应物（CMPC）之间的客观值差距均在1％之内，进一步验证了拟议的基于ADMM的DMPC算法的有效性。
优化移动边缘智能系统中的 AI 服务布局和资源分配
摘要 — 利用移动边缘计算 (MEC) 的最新进展，边缘智能已成为支持网络边缘移动人工智能 (AI) 应用的有前途的范例。在本文中，我们考虑了多用户 MEC 系统中的 AI 服务放置问题，其中接入点 (AP) 将最新的 AI 程序放置在用户设备上以在用户端启用本地计算/任务执行。为了充分利用严格的无线频谱和边缘计算资源，仅当在用户处启用本地计算可获得更好的系统性能时，AP 才会将 AI 服务程序发送给用户。我们制定了一个混合整数非线性规划 (MINLP) 问题，通过联合优化服务放置（即哪些用户接收程序）和资源分配（在本地 CPU 频率、上行链路带宽和边缘 CPU 频率上），以最小化所有用户的总计算时间和能耗。为了解决 MINLP 问题，我们推导出解析表达式来以低复杂度计算最佳资源分配决策。这样，我们可以通过基于搜索的算法（例如元启发式或贪婪搜索算法）有效地获得最佳服务放置解决方案。为了提高算法在大型网络中的可扩展性，我们进一步提出了一种基于 ADMM（交替方向乘数法）的方法，将优化问题分解为可并行处理的 MINLP 子问题。ADMM 方法消除了在高维空间中搜索服务放置决策的需要，因此具有较低的计算复杂度，并且随着用户数量的增加而线性增长。仿真结果表明，所提出的算法的性能非常接近最优值，并且明显优于其他代表性基准算法。