論文の概要: Solving AC Power Flow with Graph Neural Networks under Realistic Constraints

• arxiv url: http://arxiv.org/abs/2204.07000v2
• Date: Wed, 30 Aug 2023 11:05:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-31 18:24:22.572310
• Title: Solving AC Power Flow with Graph Neural Networks under Realistic Constraints
• Title（参考訳）: 現実的制約下でのグラフニューラルネットワークによる交流電力流れの解法
• Authors: Luis B\"ottcher, Hinrikus Wolf, Bastian Jung, Philipp Lutat, Marc Trageser, Oliver Pohl, Andreas Ulbig, Martin Grohe
• Abstract要約: 本稿では,現実的な制約下での交流電力流問題の解法として,グラフニューラルネットワークアーキテクチャを提案する。 本稿では,グラフニューラルネットワークを用いて電力フローの物理的制約を学習するフレームワークの開発を実演する。
• 参考スコア（独自算出の注目度）: 3.114162328765758
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a graph neural network architecture to solve the AC power flow problem under realistic constraints. To ensure a safe and resilient operation of distribution grids, AC power flow calculations are the means of choice to determine grid operating limits or analyze grid asset utilization in planning procedures. In our approach, we demonstrate the development of a framework that uses graph neural networks to learn the physical constraints of the power flow. We present our model architecture on which we perform unsupervised training to learn a general solution of the AC power flow formulation independent of the specific topologies and supply tasks used for training. Finally, we demonstrate, validate and discuss our results on medium voltage benchmark grids. In our approach, we focus on the physical and topological properties of distribution grids to provide scalable solutions for real grid topologies. Therefore, we take a data-driven approach, using large and diverse data sets consisting of realistic grid topologies, for the unsupervised training of the AC power flow graph neural network architecture and compare the results to a prior neural architecture and the Newton-Raphson method. Our approach shows a high increase in computation time and good accuracy compared to state-of-the-art solvers. It also out-performs that neural solver for power flow in terms of accuracy.
• Abstract（参考訳）: 本稿では,現実の制約下で交流電力の流れ問題を解決するグラフニューラルネットワークアーキテクチャを提案する。 配電網の安全かつレジリエントな運用を確保するために、交流電力フロー計算は、グリッドの運用限界を判定したり、計画手順におけるグリッドアセットの利用を分析するための選択手段である。 本研究では,グラフニューラルネットワークを用いて,電力の流れの物理的制約を学習するフレームワークの開発を実証する。 本稿では,訓練に使用する特定のトポロジや供給タスクとは無関係に,AC電力流の一般解を学習するための教師なしトレーニングを行うモデルアーキテクチャを提案する。 最後に,medium voltage benchmark gridsの結果を実証し,検証し,議論する。 本稿では,分散グリッドの物理的およびトポロジ特性に着目し,実際のグリッドトポロジに対するスケーラブルなソリューションを提供する。 そこで我々は,AC電力フローグラフニューラルネットワークアーキテクチャの教師なしトレーニングのために,現実的なグリッドトポロジからなる大規模かつ多様なデータセットを用いて,データ駆動型アプローチを採用し,その結果を従来のニューラルネットワークアーキテクチャとNewton-Raphson法と比較する。 提案手法は,最先端の解法に比べて計算時間と精度が高いことを示す。 また、精度の面では、電力流のニューラルソルバよりも優れています。

関連論文リスト

• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• PowerGraph: A power grid benchmark dataset for graph neural networks [7.504044714471332]
  本稿では、電力フロー、最適電力フロー、カスケード故障解析のためのGNN調整データセットを含むPowerGraphを提案する。 PowerGraphは、さまざまなタスクのための多面的なGNNデータセットで、実世界の説明を含む電力フローと障害シナリオを含んでいる。
  論文  参考訳（メタデータ） (2024-02-05T09:24:52Z)
• PowerFlowNet: Power Flow Approximation Using Message Passing Graph Neural Networks [2.450802099490248]
  グラフニューラルネットワーク(GNN)は、電力フロー近似の精度と速度を改善するための有望なアプローチとして登場した。 本稿では,従来のNewton-Raphson法と同じような性能を示すPF近似のための新しいGNNアーキテクチャであるPowerFlowNetを紹介する。 性能と実行時間の点で、DC緩和法のような従来の近似法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-11-06T09:44:00Z)
• Joint Feature and Differentiable $ k $-NN Graph Learning using Dirichlet Energy [103.74640329539389]
  特徴選択と識別可能な$k $-NNグラフ学習を同時に行うディープFS法を提案する。 我々は、ニューラルネットワークで$ k $-NNグラフを学習する際の非微分可能性問題に対処するために、最適輸送理論を用いる。 本モデルの有効性を,合成データセットと実世界のデータセットの両方で広範な実験により検証する。
  論文  参考訳（メタデータ） (2023-05-21T08:15:55Z)
• Evaluating Distribution System Reliability with Hyperstructures Graph Convolutional Nets [74.51865676466056]
  本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。 数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2022-11-14T01:29:09Z)
• Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
  グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。 シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
  論文  参考訳（メタデータ） (2022-10-17T17:30:09Z)
• 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)
• Graph-based Algorithm Unfolding for Energy-aware Power Allocation in Wireless Networks [27.600081147252155]
  我々は,無線通信網におけるエネルギー効率を最大化する新しいグラフ要約フレームワークを開発した。 無線ネットワークデータのモデルに望ましい特性である置換訓練について述べる。 結果は、異なるネットワークトポロジにまたがる一般化可能性を示している。
  論文  参考訳（メタデータ） (2022-01-27T20:23:24Z)
• 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)
• Leveraging power grid topology in machine learning assisted optimal power flow [0.5076419064097734]
  機械学習支援最適電力フロー(OPF)は、非線形および非制約電力フロー問題の計算複雑性を低減することを目的としている。 我々は,機械支援OPFの2つの基本的アプローチに対して,さまざまなFCNN,CNN,GNNモデルの性能を評価する。 相互接続されたユーティリティを持ついくつかの合成格子に対して,特徴変数と対象変数の間の局所性特性は乏しいことを示す。
  論文  参考訳（メタデータ） (2021-10-01T10:39:53Z)
• Progressive Graph Convolutional Networks for Semi-Supervised Node Classification [97.14064057840089]
  グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。 本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-27T08:32:16Z)

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。