MARC

 008260126s2025        us                              c    eng  d
■001000017358715
■00520260202104741
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290649580
■035    ▼a(MiAaPQ)AAI32149706
■035    ▼a(MiAaPQ)Stanfordpz322rh1205
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a300
■1001  ▼aDegleris,  Anthony.
■24510▼aDifferentiable  Electricity  Models  for  Power  Grid  Sensitivity  Analysis  and  Planning
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a132  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  El  Gamal,  Abbas.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aUnderstanding,  upgrading,  and  efficiently  managing  the  electricity  grid  is  essential  to  developing  a  clean,  reliable,  and  affordable  electricity  system.  Modern  electricity  systems  are  managed  through  a  complex  series  of  optimization  problems  that  maximize  overall  welfare  subject  to  reliability  and  physical  constraints.  The  complexity  of  these  systems  makes  analyzing  the  sensitivity  of  various  outcomes,  such  as  greenhouse  gas  emissions  or  nodal  prices,  mathematically  and  computationally  challenging.  Likewise,  it  is  equally  difficult  to  understand  how  future  grid  investments,  e.g.,  new  power  generators  or  transmission  lines,  affect  these  outcomes.In  this  thesis,  we  show  how  techniques  proven  successful  in  machine  learning  can  be  applied  to  problems  in  electrical  power  systems.  In  particular,  we  apply  implicit  differentiation  to  develop  differentiable  models  of  electricity  system  operations.  This  enables  us  to  effortlessly  derive  sensitivities  such  as  marginal  emissions  rates  or  market  power  measures.  Then  we  demonstrate  how  implicit  differentiation  can  also  be  used  to  derive  a  gradient  algorithm  for  long-term  grid  capacity  expansion  planning  problems.  This  algorithm,  which  can  be  interpreted  as  an  incremental  process  for  upgrading  system  capacities,  enables  flexible  and  scalable  modeling  of  bilevel,  Stackelberg-like  expansion  planning  problems.  Furthermore,  this  method  allows  for  warm  starts,  making  it  suitable  for  interactive  grid  planning.  Finally,  we  show  how  to  accelerate  this  framework  for  a  broad  class  of  electricity  dispatch  models  using  a  differentiable,  GPU-compatible  implementation  of  the  alternating  direction  method  of  multipliers  (ADMM).  Our  implementation  is  linear-system-free,  written  in  pure  PyTorch,  and  end-to-end  automatic  differentiation  compatible,  allowing  us  to  solve  expansion  planning  problems  with  hundreds  of  millions  of  variables  in  a  matter  of  minutes.We  develop  an  open-source  software  package  implementing  these  methods  in  a  unified  and  modular  framework.  Our  software  is  flexible  and  supports  a  wide  array  of  system  constraints  used  in  practice.  Since  the  algorithms  we  develop  also  scale  well  to  large  problems,  the  methods  and  software  developed  in  this  thesis  are  well-equipped  to  solve  real-world  power  grid  operations,  sensitivity  analysis,  and  planning  problems.
■590    ▼aSchool  code:  0212.
■650  4▼aLoad
■650  4▼aExpansion
■650  4▼aSensitivity  analysis
■650  4▼aElectricity
■650  4▼aEmissions
■650  4▼aElectricity  distribution
■650  4▼aCarbon
■650  4▼aPrices
■650  4▼aEnergy
■650  4▼aIndustrial  plant  emissions
■690    ▼a0791
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358715▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서