論文の概要: Physics-Informed Graph Learning for Robust Fault Location in
Distribution Systems
- arxiv url: http://arxiv.org/abs/2107.02275v1
- Date: Mon, 5 Jul 2021 21:18:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-07 13:32:27.237112
- Title: Physics-Informed Graph Learning for Robust Fault Location in
Distribution Systems
- Title(参考訳): 配電系統におけるロバスト断層位置の物理インフォームグラフ学習
- Authors: Wenting Li, Deepjyoti Deka
- Abstract要約: 分散エネルギー資源の急速な成長は電力グリッドの不安定性を増大させる可能性がある。
有望な戦略の1つは、検出と位置によって異常事象(例えば障害)に効率的に応答するために電力網にデータを使用することである。
本稿では,2段階の物理インフォームドグラフ学習フレームワークを提案する。
- 参考スコア(独自算出の注目度): 2.984934409689467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid growth of distributed energy resources potentially increases power
grid instability. One promising strategy is to employ data in power grids to
efficiently respond to abnormal events (e.g., faults) by detection and
location. Unfortunately, most existing works lack physical interpretation and
are vulnerable to the practical challenges: sparse observation, insufficient
labeled datasets, and stochastic environment. We propose a physics-informed
graph learning framework of two stages to handle these challenges when locating
faults. Stage- I focuses on informing a graph neural network (GNN) with the
geometrical structure of power grids; stage-II employs the physical similarity
of labeled and unlabeled data samples to improve the location accuracy. We
provide a random walk-based the underpinning of designing our GNNs to address
the challenge of sparse observation and augment the correct prediction
probability. We compare our approach with three baselines in the IEEE 123-node
benchmark system, showing that the proposed method outperforms the others by
significant margins, especially when label rates are low. Also, we validate the
robustness of our algorithms to out-of-distribution-data (ODD) due to topology
changes and load variations. Additionally, we adapt our graph learning
framework to the IEEE 37-node test feeder and show high location performance
with the proposed training strategy.
- Abstract(参考訳): 分散エネルギー資源の急速な成長は電力グリッドの不安定性を高める可能性がある。
1つの有望な戦略は、検出と位置によって異常事象(例えば障害)に効率的に応答するために電力網にデータを使用することである。
残念ながら、既存のほとんどの作品は物理的解釈に欠けており、スパース観測、ラベル付きデータセットの不十分、確率的環境といった実践的な課題に弱い。
そこで本研究では,2段階のグラフ学習フレームワークを提案する。
ステージIは、電力グリッドの幾何学構造をグラフニューラルネットワーク(GNN)に通知することに焦点を当て、ステージIIはラベル付きおよびラベルなしのデータサンプルの物理的類似性を利用して位置精度を向上させる。
分散観測の課題に対処し、正しい予測確率を高めるために、gnnの設計の基盤となるランダムウォークを提供する。
提案手法は,IEEE 123ノードベンチマークシステムにおける3つのベースラインと比較し,特にラベルレートが低い場合,他の手法よりも優れていることを示す。
また,トポロジの変化や負荷変動による配電データ(ODD)に対するアルゴリズムの堅牢性も検証した。
さらに、このグラフ学習フレームワークをIEEE 37ノードテストフィードに適応させ、提案したトレーニング戦略で高い位置性能を示す。
関連論文リスト
- Addressing the Impact of Localized Training Data in Graph Neural
Networks [0.0]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習において顕著な成功を収めた。
本稿では,グラフの局所化部分集合に対するGNNのトレーニングの影響を評価することを目的とする。
本稿では,局所化学習データとグラフ推論との分散不一致を最小化する正規化手法を提案する。
論文 参考訳(メタデータ) (2023-07-24T11:04:22Z) - Graph Neural Processes for Spatio-Temporal Extrapolation [36.01312116818714]
グラフ内の周囲のコンテキストから対象地点のデータを生成する補間時間プロセスのタスクについて検討する。
既存の手法では、ニューラルネットワークのような学習に精通したモデルや、ガウスのような統計的アプローチが使用されている。
本稿では,これらの機能を同時に制御するニューラル潜在変数モデルであるスポースグラフニューラル・プロセス(STGNP)を提案する。
論文 参考訳(メタデータ) (2023-05-30T03:55:37Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳(メタデータ) (2023-02-06T16:38:43Z) - Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。
既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。
本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
論文 参考訳(メタデータ) (2022-11-01T14:38:18Z) - MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。
我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
論文 参考訳(メタデータ) (2022-08-21T15:12:08Z) - Invertible Neural Networks for Graph Prediction [22.140275054568985]
本研究では,ディープ・インバーチブル・ニューラルネットワークを用いた条件生成について述べる。
私たちの目標は,前処理と後処理の予測と生成を同時に行うことにあるので,エンドツーエンドのトレーニングアプローチを採用しています。
論文 参考訳(メタデータ) (2022-06-02T17:28:33Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [77.14319095965058]
グラフ上のノードレベルの予測にOOD問題を定式化する。
そこで我々は,探索から抽出までのリスク最小化という新たなドメイン不変学習手法を開発した。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2022-02-05T02:31:01Z) - Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。
グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。
実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。
ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。
分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
論文 参考訳(メタデータ) (2021-10-20T14:23:54Z) - Stochastic Graph Neural Networks [123.39024384275054]
グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。
現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。
これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
論文 参考訳(メタデータ) (2020-06-04T08:00:00Z)
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。