論文の概要: Data-Driven Short-Term Voltage Stability Assessment Based on Spatial-Temporal Graph Convolutional Network

• arxiv url: http://arxiv.org/abs/2103.03729v1
• Date: Fri, 5 Mar 2021 15:00:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-08 14:34:56.238025
• Title: Data-Driven Short-Term Voltage Stability Assessment Based on Spatial-Temporal Graph Convolutional Network
• Title（参考訳）: 空間時間グラフ畳み込みネットワークに基づくデータ駆動短期電圧安定性評価
• Authors: Yonghong Luo, Chao Lu, Lipeng Zhu, Jie Song
• Abstract要約: 短期電圧安定性(SVS)の断層後ダイナミクスは空間時間特性を示す。 本稿では,空間時間グラフ畳み込みネットワーク(STGCN)を開発し,この問題に対処する。 それは従来の方法より高い評価の正確さ、よりよい堅牢性および適応性に起因できます。
• 参考スコア（独自算出の注目度）: 14.837629132539902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Post-fault dynamics of short-term voltage stability (SVS) present spatial-temporal characteristics, but the existing data-driven methods for online SVS assessment fail to incorporate such characteristics into their models effectively. Confronted with this dilemma, this paper develops a novel spatial-temporal graph convolutional network (STGCN) to address this problem. The proposed STGCN utilizes graph convolution to integrate network topology information into the learning model to exploit spatial information. Then, it adopts one-dimensional convolution to exploit temporal information. In this way, it models the spatial-temporal characteristics of SVS with complete convolutional structures. After that, a node layer and a system layer are strategically designed in the STGCN for SVS assessment. The proposed STGCN incorporates the characteristics of SVS into the data-driven classification model. It can result in higher assessment accuracy, better robustness and adaptability than conventional methods. Besides, parameters in the system layer can provide valuable information about the influences of individual buses on SVS. Test results on the real-world Guangdong Power Grid in South China verify the effectiveness of the proposed network.
• Abstract（参考訳）: 短期電圧安定性(SVS)のポストフォールト力学は時空間特性を示すが,既存のオンラインSVS評価のためのデータ駆動方式では,これらの特性をモデルに効果的に組み込むことができない。 本稿では,このジレンマに先行して,空間時間グラフ畳み込みネットワーク(STGCN)を開発し,この問題に対処する。 提案したSTGCNはグラフ畳み込みを利用して,ネットワークトポロジ情報を学習モデルに統合し,空間情報を活用する。 そして、時間情報を利用するために1次元の畳み込みを採用する。 このようにして、完全な畳み込み構造を持つSVSの時空間特性をモデル化する。 その後、SVS評価のためのSTGCNにおいて、ノード層とシステム層を戦略的に設計する。 提案したSTGCNはSVSの特性をデータ駆動型分類モデルに組み込む。 それは従来の方法より高い評価の正確さ、よりよい堅牢性および適応性に起因できます。 さらに、システムレイヤのパラメータは、個々のバスがSVSに与える影響に関する貴重な情報を提供することができる。 南中国における実世界の広東電力網の試験結果から,提案ネットワークの有効性が検証された。

関連論文リスト

• STG-Mamba: Spatial-Temporal Graph Learning via Selective State Space Model [11.211981320116323]
  本稿では、STG学習のための強力な選択状態空間モデルを活用するための最初の探索として、空間時空間グラフマンバ(STG-Mamba)を紹介する。 STG-MambaはSTGネットワークをシステムとして扱い、時間次元にわたってSTGシステムの動的状態の進化を慎重に探求する。 STG予測性能の点で既存の最先端手法を超えるだけでなく、大規模グラフネットワークの計算ボトルネックを効果的に緩和する。
  論文  参考訳（メタデータ） (2024-03-19T04:02:57Z)
• ST-MLP: A Cascaded Spatio-Temporal Linear Framework with Channel-Independence Strategy for Traffic Forecasting [47.74479442786052]
  時空間グラフニューラルネットワーク(STGNN)に関する現在の研究は、しばしば複雑な設計を優先し、精度をわずかに向上させるだけで計算負荷を発生させる。 マルチ層パーセプトロン(MLP)モジュールと線形層のみをベースとした,簡潔な時空間モデルST-MLPを提案する。 実験の結果,ST-MLPは最先端STGNNと他のモデルよりも精度と計算効率の点で優れていた。
  論文  参考訳（メタデータ） (2023-08-14T23:34:59Z)
• Towards Spatio-temporal Sea Surface Temperature Forecasting via Static and Dynamic Learnable Personalized Graph Convolution Network [9.189893653029076]
  本稿では,静的で動的に学習可能なグラフ畳み込みネットワーク(SD-LPGC)を提案する。 具体的には、SST信号に隠された安定な長期的および短期的な進化パターンをモデル化するために、2つのグラフ学習層が構築される。 そして、学習可能なパーソナライズされた畳み込み層が、この情報を融合するように設計されている。
  論文  参考訳（メタデータ） (2023-04-12T14:35:38Z)
• Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
  時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。 本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。 解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
  論文  参考訳（メタデータ） (2022-10-28T16:59:51Z)
• Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer [58.6106391721944]
  クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。 本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。 本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
  論文  参考訳（メタデータ） (2022-05-27T12:46:52Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• Spatiotemporal convolutional network for time-series prediction and causal inference [21.895413699349966]
  時系列のマルチステップ予測を効率的に正確にレンダリングするために、ニューラルネットワークコンピューティングフレームワークi.N.N.を開発した。 このフレームワークは、人工知能(AI)や機械学習分野の実践的応用において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2021-07-03T06:20:43Z)
• Spatio-Temporal Graph Scattering Transform [54.52797775999124]
  グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。 我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2020-12-06T19:49:55Z)
• Efficient and Stable Graph Scattering Transforms via Pruning [86.76336979318681]
  グラフ散乱変換(GST)は、グラフデータから特徴を抽出する訓練のないディープGCNモデルを提供する。 GSTが支払う価格は、層の数によって増加する空間と時間の指数関数的な複雑さである。 本研究は, GST の複雑性の限界に対処し, 効率的な (p) GST アプローチを導入する。
  論文  参考訳（メタデータ） (2020-01-27T16:05:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。