論文の概要: Topology-aware Graph Neural Networks for Learning Feasible and Adaptive ac-OPF Solutions

• arxiv url: http://arxiv.org/abs/2205.10129v1
• Date: Mon, 16 May 2022 23:36:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-29 20:40:20.421290
• Title: Topology-aware Graph Neural Networks for Learning Feasible and Adaptive ac-OPF Solutions
• Title（参考訳）: 適応型ac-OPFソリューションの学習のためのトポロジ対応グラフニューラルネットワーク
• Authors: Shaohui Liu, Chengyang Wu, Hao Zhu
• Abstract要約: 我々は、ac-OPF問題の最適解を予測するために、新しいトポロジインフォームドグラフニューラルネットワーク(GNN)アプローチを開発した。 NNモデルにグリッドトポロジを組み込むため,提案したGNN-for-OPFフレームワークは,位置境界価格と電圧等級の局所性特性を利用する。 提案設計の利点は、モデル複雑性の低減、一般化可能性の向上、実現可能性の保証である。
• 参考スコア（独自算出の注目度）: 18.63828570982923
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Solving the optimal power flow (OPF) problem is a fundamental task to ensure the system efficiency and reliability in real-time electricity grid operations. We develop a new topology-informed graph neural network (GNN) approach for predicting the optimal solutions of real-time ac-OPF problem. To incorporate grid topology to the NN model, the proposed GNN-for-OPF framework innovatively exploits the locality property of locational marginal prices and voltage magnitude. Furthermore, we develop a physics-aware (ac-)flow feasibility regularization approach for general OPF learning. The advantages of our proposed designs include reduced model complexity, improved generalizability and feasibility guarantees. By providing the analytical understanding on the graph subspace stability under grid topology contingency, we show the proposed GNN can quickly adapt to varying grid topology by an efficient re-training strategy. Numerical tests on various test systems of different sizes have validated the prediction accuracy, improved flow feasibility, and topology adaptivity capability of our proposed GNN-based learning framework.
• Abstract（参考訳）: 最適電力フロー(OPF)問題を解くことは、リアルタイム電力グリッド運用におけるシステムの効率性と信頼性を確保するための基本的な課題である。 我々は,リアルタイムac-OPF問題の最適解を予測するために,新しいトポロジインフォームドグラフニューラルネットワーク(GNN)アプローチを開発した。 グリッドトポロジをNNモデルに組み込むため,提案したGNN-for-OPFフレームワークは,位置境界価格と電圧の等級の局所性特性を革新的に活用する。 さらに,一般OPF学習のための物理認識型(ac-)フロー実現可能性正規化手法を開発した。 提案手法の利点は, モデルの複雑さの低減, 一般化性の向上, 実現可能性の保証などである。 グリッドトポロジー連続性の下でグラフ部分空間の安定性を解析的に理解することにより,提案するgnnが効率的な再訓練戦略によりグリッドトポロジーに迅速に適応できることを示す。 様々な大きさのテストシステムの数値テストにより,提案するgnnベースの学習フレームワークの予測精度,フロー実現性,トポロジー適応性が検証された。

関連論文リスト

• Constraints and Variables Reduction for Optimal Power Flow Using Hierarchical Graph Neural Networks with Virtual Node-Splitting [0.24554686192257422]
  パワーシステムネットワークは、しばしば同質グラフとしてモデル化され、グラフニューラルネットワーク(GNN)が同一ノードで個々のジェネレータ機能をキャプチャする能力を制限する。 提案した仮想ノード分割戦略を導入することで、コスト、制限、ランプレートといったジェネレータレベルの特性をGNNモデルで完全に捉えることができる。 二段階適応階層型GNNは、(i)混雑する臨界線を予測し、(ii)最大容量で作動するベースジェネレータを予測するために開発された。
  論文  参考訳（メタデータ） (2024-11-09T19:46:28Z)
• Graph Neural Network-Accelerated Network-Reconfigured Optimal Power Flow [0.24554686192257422]
  本稿では、特にグラフニューラルネットワーク(GNN)を利用した機械学習(ML)に基づくアプローチを提案する。 GNNモデルは最適化段階に入る前に最高のトポロジを予測するためにオフラインで訓練される。 高速なオンラインポストML選択層も提案され、GNN予測を分析し、高い信頼性で予測されたNRソリューションのサブセットを選択する。
  論文  参考訳（メタデータ） (2024-10-22T22:35:09Z)
• DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
  グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。 半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:24:51Z)
• Edge Rewiring Goes Neural: Boosting Network Resilience via Policy Gradient [62.660451283548724]
  ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。 ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2021-10-18T06:14:28Z)
• 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)
• Graph Neural Networks for Learning Real-Time Prices in Electricity Market [21.402299307739558]
  OPFの解決から電力市場価格を予測するための新しいグラフニューラルネットワーク(GNN)フレームワークを提案する。 提案するGNN-for-OPFフレームワークは、価格の局所性を革新的に活用し、物理対応の正規化を導入する。 従来の手法に比べて,提案手法の学習効率と適応性の向上が検証された。
  論文  参考訳（メタデータ） (2021-06-19T16:34:56Z)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)
• Deep learning architectures for inference of AC-OPF solutions [0.4061135251278187]
  本稿では、AC-OPFソリューションの推論のためのニューラルネットワーク(NN)アーキテクチャの体系的比較について述べる。 本稿では,グラフ領域における電力網の抽象表現を構築することにより,モデルにおけるネットワークトポロジの活用の有効性を示す。
  論文  参考訳（メタデータ） (2020-11-06T13:33:18Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)

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。