論文の概要: Predicting Dynamic Stability of Power Grids using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2108.08230v1
• Date: Wed, 18 Aug 2021 16:43:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-19 14:24:16.466326
• Title: Predicting Dynamic Stability of Power Grids using Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークによる電力グリッドの動的安定性予測
• Authors: Christian Nauck, Michael Lindner, Konstantin Sch\"urholt, Haoming Zhang, Paul Schultz, J\"urgen Kurths, Ingrid Isenhardt and Frank Hellmann
• Abstract要約: 複雑な電力網における同期の動的安定性を予測するためのグラフニューラルネットワーク(GNN)の適用可能性について検討する。 我々はそれぞれ20ノードと100ノードのグリッド用の2つの合成データセットを生成し、モンテカルロサンプリングを用いて単一ノード盆地安定性(SNBS)を推定する。 SNBSは一般に予測でき、異なるGNNモデルを用いて性能が大きく変化することを示す。
• 参考スコア（独自算出の注目度）: 0.1539132101969243
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The prediction of dynamical stability of power grids becomes more important and challenging with increasing shares of renewable energy sources due to their decentralized structure, reduced inertia and volatility. We investigate the feasibility of applying graph neural networks (GNN) to predict dynamic stability of synchronisation in complex power grids using the single-node basin stability (SNBS) as a measure. To do so, we generate two synthetic datasets for grids with 20 and 100 nodes respectively and estimate SNBS using Monte-Carlo sampling. Those datasets are used to train and evaluate the performance of eight different GNN-models. All models use the full graph without simplifications as input and predict SNBS in a nodal-regression-setup. We show that SNBS can be predicted in general and the performance significantly changes using different GNN-models. Furthermore, we observe interesting transfer capabilities of our approach: GNN-models trained on smaller grids can directly be applied on larger grids without the need of retraining.
• Abstract（参考訳）: 電力グリッドの動的安定性の予測は、その分散構造、慣性およびボラティリティの低減による再生可能エネルギー源の共有の増加により、より重要で困難になる。 本研究では, 単一ノード盆地安定性(SNBS)を指標として, 複雑な電力系統における同期の動的安定性を予測するため, グラフニューラルネットワーク(GNN)の適用の可能性を検討する。 そのため,20ノードと100ノードからなるグリッド用の合成データセットを2つ生成し,モンテカルロサンプリングを用いてsnbを推定する。 これらのデータセットは、8つのgnnモデルのトレーニングとパフォーマンス評価に使用される。 すべてのモデルは、入力として単純化することなくフルグラフを使用し、nodal-regression-setupにおいてSNBSを予測する。 SNBSは一般に予測でき、異なるGNNモデルを用いて性能が大きく変化することを示す。 より小さなグリッドで訓練されたGNNモデルは、再トレーニングを必要とせずに、より大きなグリッドに直接適用することができる。

関連論文リスト

• Graph Isomorphic Networks for Assessing Reliability of the Medium-Voltage Grid [0.5242869847419834]
  本稿では、中電圧グリッドにおけるn-1評価にグラフ等化ネットワーク(GIN)を用いることを提案する。 GINフレームワークは、目に見えないグリッドに一般化し、グラフ構造とステーション/ケーブルに関するデータを利用するように設計されている。 提案したGINアプローチは、従来の数学的最適化アプローチよりも高速で信頼性の高いグリッドアセスメントを示す。
  論文  参考訳（メタデータ） (2023-10-02T13:19:35Z)
• Graph Embedding Dynamic Feature-based Supervised Contrastive Learning of Transient Stability for Changing Power Grid Topologies [4.344709230906635]
  GEDF-SCLモデルでは、教師付きコントラスト学習を用いてGEDFの過渡安定性を予測する。 その結果,GEDF-SCLモデルは過渡安定度予測において高い精度が得られることがわかった。
  論文  参考訳（メタデータ） (2023-08-01T13:30:36Z)
• Toward Dynamic Stability Assessment of Power Grid Topologies using Graph Neural Networks [0.0]
  Renewablesは、分散化による動的安定性、慣性低下、生産時のボラティリティに関する電力グリッドに新たな課題を導入している。 グラフニューラルネットワーク(GNN)は電力グリッドの動的安定性を解析する計算労力を削減するための有望な手法である。 GNNは、トポロジカル情報のみから高度に非線形なターゲットを予測するのに驚くほど効果的です。
  論文  参考訳（メタデータ） (2022-06-10T07:23:22Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Power Flow Balancing with Decentralized Graph Neural Networks [4.812718493682454]
  汎用グリッド内の電力フローのバランスをとるために,グラフニューラルネットワーク(GNN)に基づくエンドツーエンドフレームワークを提案する。 提案するフレームワークは,ディープラーニングに基づく他の解法と比較して効率的であり,グリッドコンポーネントの物理量だけでなくトポロジにも頑健である。
  論文  参考訳（メタデータ） (2021-11-03T12:14:56Z)
• Training Stable Graph Neural Networks Through Constrained Learning [116.03137405192356]
  グラフニューラルネットワーク(GNN)は、ネットワークデータから機能を学ぶためにグラフ畳み込みに依存する。 GNNは、グラフフィルタから受け継いだ特性である、基礎となるグラフの様々な種類の摂動に対して安定である。 本稿では,GNNの安定条件に制約を課すことにより,新たな制約付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T15:54:42Z)
• Dynamic Graph Convolutional Recurrent Network for Traffic Prediction: Benchmark and Solution [18.309299822858243]
  DGCRN(Dynamic Graph Contemporal Recurrent Network)と呼ばれる新しい交通予測フレームワークを提案する。 DGCRNでは、ハイパーネットワークはノード属性から動的特性を活用して抽出するように設計されている。 我々は、各時間ステップで動的グラフの細かい反復をモデル化する生成法を最初に採用した。
  論文  参考訳（メタデータ） (2021-04-30T11:25:43Z)
• Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
  我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。 本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。 特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
  論文  参考訳（メタデータ） (2021-04-06T01:44:15Z)
• A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
  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の学習表現において顕著に普及している。 本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
  論文  参考訳（メタデータ） (2020-10-05T04:57:18Z)
• Permutation-equivariant and Proximity-aware Graph Neural Networks with Stochastic Message Passing [88.30867628592112]
  グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。 置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。 既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。 ノードの近さを保つため,既存のGNNをノード表現で拡張する。
  論文  参考訳（メタデータ） (2020-09-05T16:46:56Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。