کتاب صوتی ساخت یک حل‌کننده ترکیبی خود-تایید برای مسئله دیسپچ اقتصادی بزرگ‌مقیاس

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت یک حل‌کننده ترکیبی خود-تایید برای مسئله دیسپچ اقتصادی بزرگ‌مقیاس

موضوع کلی: بهینه‌سازی و هوش مصنوعی در مهندسی برق

موضوع میانی: یادگیری تقریب‌ساز و بهینه‌سازی دوگان

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بهینه‌سازی در مهندسی برق
• 2. مروری بر جبر خطی کاربردی برای بهینه‌سازی
• 3. مفاهیم اساسی حساب دیفرانسیل و انتگرال در بهینه‌سازی
• 4. تعریف مسائل بهینه‌سازی: تابع هدف، متغیرها، قیود
• 5. دسته‌بندی مسائل بهینه‌سازی: خطی، غیرخطی، محدب
• 6. مقدمه‌ای بر برنامه‌ریزی خطی (Linear Programming)
• 7. روش سیمپلکس برای حل مسائل برنامه‌ریزی خطی
• 8. مفاهیم اساسی برنامه‌ریزی محدب (Convex Optimization)
• 9. شرایط بهینگی کاروش-کوهن-تاکر (KKT)
• 10. قضیه‌های دوگانگی (Duality Theorems) در بهینه‌سازی
• 11. فرمول‌بندی دوگان لاگرانژین و مفهوم تابع دوگان
• 12. شکاف دوگان (Duality Gap) و اهمیت آن در تحلیل بهینگی
• 13. روش‌های حل مسائل محدب: گرادیان نزولی
• 14. گرادیان تحت‌گرادیان و بهینه‌سازی توابع غیرمشتق‌پذیر
• 15. بهینه‌سازی با قیود: روش‌های جریمه و لاگرانژین افزوده
• 16. ساختار سیستم قدرت و مفاهیم پایه تولید، انتقال و توزیع
• 17. مسئله دیسپچ اقتصادی (Economic Dispatch - ED): تعریف و اهداف
• 18. توابع هزینه تولید نیروگاه‌ها: مدل‌های خطی و درجه دوم
• 19. قیود عملیاتی ژنراتورها: ظرفیت بالا و پایین
• 20. قید توازن توان (Power Balance Constraint) در سیستم
• 21. فرمول‌بندی ریاضی مسئله ED بدون تلفات شبکه
• 22. روش تکرار لامبدا (Lambda-Iteration) برای حل ED
• 23. حل ED با استفاده از برنامه‌ریزی درجه دوم (Quadratic Programming - QP)
• 24. چالش‌های مقیاس‌پذیری و پیچیدگی در ED بزرگ‌مقیاس
• 25. مفهوم دیسپچ دسته‌ای (Batch Economic Dispatch)
• 26. مدل‌سازی تلفات شبکه در مسئله ED
• 27. توابع هزینه پیچیده‌تر و ناپیوستگی‌ها در ED واقعی
• 28. قیود نرخ شیب (Ramp Rate Constraints) ژنراتورها
• 29. مفهوم قیمت‌گذاری حاشیه‌ای (Marginal Pricing) در ED
• 30. بررسی نرم‌افزارهای تجاری و روش‌های کلاسیک حل ED
• 31. مبانی یادگیری ماشین: رگرسیون و طبقه‌بندی
• 32. مقدمه‌ای بر شبکه‌های عصبی مصنوعی (Artificial Neural Networks)
• 33. نورون‌ها، لایه‌ها و توابع فعال‌سازی
• 34. توابع زیان (Loss Functions) و بهینه‌سازها در یادگیری عمیق
• 35. الگوریتم پس‌انتشار (Backpropagation) برای آموزش شبکه‌های عصبی
• 36. مفهوم "یادگیری برای بهینه‌سازی" (Learning to Optimize)
• 37. شبکه‌های عصبی دیفرانسیل‌پذیر (Differentiable Neural Networks)
• 38. ساخت شبکه‌های عصبی با لایه‌های بهینه‌سازی تعبیه‌شده
• 39. طراحی معماری شبکه‌های عصبی برای تقریب‌سازی توابع غیرخطی
• 40. آموزش مدل‌های یادگیری عمیق: داده‌ها، تقسیم‌بندی و تنظیم ابرپارامترها
• 41. مشکل Overfitting و روش‌های Regularization (مانند Dropout)
• 42. استفاده از GPU و TPU برای آموزش سریع مدل‌های یادگیری عمیق
• 43. مروری بر فریم‌ورک‌های یادگیری ماشین (PyTorch, TensorFlow)
• 44. کاربردهای یادگیری ماشین در سیستم‌های قدرت و اپراتوری شبکه
• 45. بازنگری عمیق در دوگانگی لاگرانژین و تفسیر اقتصادی آن
• 46. روش‌های گرادیان صعودی برای حل مسئله دوگان
• 47. مفهوم عملگرهای مجاورتی (Proximal Operators) و کاربردها
• 48. الگوریتم‌های گرادیان مجاورتی (Proximal Gradient Algorithms)
• 49. روش‌های لاگرانژین افزوده (Augmented Lagrangian Methods)
• 50. مقدمه‌ای بر روش ADMM (Alternating Direction Method of Multipliers)
• 51. جزئیات مراحل به‌روزرسانی متغیرهای اولیه در ADMM
• 52. جزئیات مراحل به‌روزرسانی متغیرهای دوگان در ADMM
• 53. شرایط همگرایی و ویژگی‌های ADMM برای مسائل محدب
• 54. معرفی الگوریتم Primal-Dual Hybrid Gradient (PDHG)
• 55. مقایسه روش‌های ADMM و PDHG از نظر کارایی و کاربرد
• 56. کاربرد روش‌های اولیه-دوگانه در بهینه‌سازی توزیع‌شده
• 57. انتخاب نرخ گام و پارامترهای تنظیمی در روش‌های اولیه-دوگانه
• 58. روش‌های پیش‌شرطی‌سازی (Preconditioning) برای بهبود همگرایی
• 59. روش‌های مرتبه دوم در بهینه‌سازی دوگانه و چالش‌های آنها
• 60. مفهوم "پروکسی" (Proxy) یا تقریب‌ساز در بهینه‌سازی مقیاس بزرگ
• 61. انگیزه استفاده از پروکسی‌ها برای تسریع حل مسائل پیچیده
• 62. طراحی معماری شبکه عصبی برای یادگیری نگاشت از ورودی به جواب بهینه
• 63. یادگیری مستقیم راه‌حل‌های اولیه (Primal Solutions) با شبکه‌های عصبی
• 64. یادگیری مستقیم راه‌حل‌های دوگان (Dual Solutions) با شبکه‌های عصبی
• 65. یادگیری توابع هزینه حاشیه‌ای یا قیمت‌های سایه
• 66. استفاده از شبکه‌های عصبی برای تقریب‌سازی نگاشت‌های KKT
• 67. مفهوم "باز کردن" (Unrolling) الگوریتم‌های بهینه‌سازی به عنوان شبکه عصبی
• 68. "باز کردن" ADMM به عنوان یک شبکه عصبی قابل آموزش (Unrolled ADMM)
• 69. مزایای یادگیری مبتنی بر "باز کردن" الگوریتم در مقایسه با یادگیری مستقیم
• 70. تولید مجموعه داده‌های آموزشی با استفاده از حل‌کننده‌های دقیق و نمونه‌برداری
• 71. تکنیک‌های کاهش ابعاد برای ورودی‌ها و خروجی‌های پروکسی
• 72. معیارهای ارزیابی کارایی پروکسی: دقت، زمان اجرا و تعمیم‌پذیری
• 73. تنظیمات پیشرفته برای آموزش پروکسی‌ها و بهینه‌سازی معماری آنها
• 74. روش‌های مهندسی ویژگی (Feature Engineering) برای بهبود یادگیری پروکسی
• 75. مفهوم "خود-تاییدکنندگی" (Self-Certification) در حل‌کننده‌های بهینه‌سازی
• 76. چرایی نیاز به خود-تاییدکنندگی برای قابلیت اطمینان سیستم‌های قدرت
• 77. استفاده از شکاف دوگان برای تایید کیفیت و بهینگی راه‌حل‌های تقریبی
• 78. گواهینامه‌های شدنی بودن اولیه (Primal Feasibility Certificates)
• 79. گواهینامه‌های شدنی بودن دوگان و بهینگی (Dual Feasibility/Optimality Certificates)
• 80. محاسبه کران‌های پایین و بالا برای مقدار بهینه مسئله
• 81. طراحی توابع زیان آگاه از گواهینامه (Certificate-Aware Loss Functions)
• 82. تعبیه مکانیزم‌های تایید در معماری شبکه عصبی یا پس‌پردازش آن
• 83. تعیین آستانه‌های تحمل (Tolerance Thresholds) برای پذیرش گواهینامه
• 84. تحلیل حساسیت و پایداری گواهینامه‌ها در برابر اغتشاشات
• 85. معماری کلی یک حل‌کننده ترکیبی خود-تایید برای ED بزرگ‌مقیاس
• 86. فاز پیش‌پردازش و نرمال‌سازی داده‌ها برای دسته‌های مسئله ED
• 87. مرحله پیش‌بینی اولیه راه‌حل با استفاده از پروکسی
• 88. مرحله پالایش و اصلاح راه‌حل با استفاده از حل‌کننده‌های دقیق کلاسیک
• 89. استراتژی‌های ادغام: گرم‌کردن (Warm-starting) حل‌کننده‌های کلاسیک با خروجی پروکسی
• 90. حلقه بازخورد بین پروکسی و مکانیزم تایید برای بهبود مستمر
• 91. مدیریت خطا و حالات استثنائی در حل‌کننده ترکیبی
• 92. پیاده‌سازی بهینه‌سازی دسته‌ای (Batch Optimization) برای کارایی بالا
• 93. معیارهای ارزیابی جامع حل‌کننده: سرعت، دقت، نرخ تایید و قابلیت اطمینان
• 94. مقایسه با روش‌های کاملاً کلاسیک و کاملاً یادگیری محور
• 95. دیسپچ اقتصادی تصادفی با عدم قطعیت (Stochastic ED) با پروکسی‌ها
• 96. ترکیب با قیود شبکه انتقال: دیسپچ اقتصادی با محدودیت‌های جریان AC (AC-OPF)
• 97. استفاده از پروکسی‌ها در مسئله تعهد واحد (Unit Commitment)
• 98. ملاحظات عملی و چالش‌های کار با داده‌های واقعی سیستم قدرت
• 99. جمع‌بندی، چالش‌های آینده و مسیرهای تحقیقاتی در این حوزه