論文の概要: Dynamic stability of power grids -- new datasets for Graph Neural
Networks
- arxiv url: http://arxiv.org/abs/2206.06369v1
- Date: Fri, 10 Jun 2022 07:23:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-15 14:10:15.769603
- Title: Dynamic stability of power grids -- new datasets for Graph Neural
Networks
- Title(参考訳): 電力グリッドの動的安定性-グラフニューラルネットワークの新しいデータセット
- Authors: Christian Nauck, Michael Lindner, Konstantin Sch\"urholt, Frank
Hellmann
- Abstract要約: 合成電力グリッドの2つの新しいデータセットを導入する。
各格子について、モンテカルロシミュレーションを用いて動的安定性を推定した。
より多くのデータ上でより複雑なモデルをトレーニングすることで、パフォーマンスを驚くほど高いレベルに改善することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the key challenges for the success of the energy transition towards
renewable energies is the analysis of the dynamic stability of power grids.
However, dynamic solutions are intractable and exceedingly expensive for large
grids. Graph Neural Networks (GNNs) are a promising method to reduce the
computational effort of predicting dynamic stability of power grids, however
datasets of appropriate complexity and size do not yet exist. We introduce two
new datasets of synthetically generated power grids. For each grid, the dynamic
stability has been estimated using Monte-Carlo simulations. The datasets have
10 times more grids than previously published. To evaluate the potential for
real-world applications, we demonstrate the successful prediction on a Texan
power grid model. The performance can be improved to surprisingly high levels
by training more complex models on more data. Furthermore, the investigated
grids have different sizes, enabling the application of out-of-distribution
evaluation and transfer learning from a small to a large domain. We invite the
community to improve our benchmark models and thus aid the energy transition
with better tools.
- Abstract(参考訳): 再生可能エネルギーへのエネルギー移行の成功の鍵となる課題の1つは、電力網の動的安定性の分析である。
しかし、動的解は難解であり、大きな格子に対して非常に高価である。
グラフニューラルネットワーク(gnns)は、電力グリッドの動的安定性を予測する計算労力を削減する有望な方法であるが、適切な複雑さと大きさのデータセットはまだ存在しない。
合成電力グリッドの2つの新しいデータセットを導入する。
各グリッドについて,モンテカルロシミュレーションを用いて動的安定性を推定した。
データセットは以前公表された10倍のグリッドを持つ。
実世界の応用の可能性を評価するため,テキサス電力グリッドモデルによる予測に成功した。
より複雑なモデルをより多くのデータにトレーニングすることで、パフォーマンスを驚くほどハイレベルに改善することができる。
さらに,調査対象のグリッドのサイズが異なるため,小領域から大領域への分散評価や転校学習の応用が可能となった。
ベンチマークモデルの改善にコミュニティを招待し、よりよいツールでエネルギー移行を支援します。
関連論文リスト
- A Survey of Graph Neural Networks in Real world: Imbalance, Noise,
Privacy and OOD Challenges [75.37448213291668]
本稿では,既存のグラフニューラルネットワーク(GNN)を体系的にレビューする。
まず、既存のGNNが直面している4つの重要な課題を強調し、現実のGNNモデルを探究する道を開く。
論文 参考訳(メタデータ) (2024-03-07T13:10:37Z) - PowerGraph: A power grid benchmark dataset for graph neural networks [0.46085106405479537]
送電網における停電の主な原因である故障イベントをカスケードするためのグラフデータセットを開発する。
PowerGraphは、グラフレベルのタスクと説明可能性のためのより良いGNNモデルの開発を支援する。
論文 参考訳(メタデータ) (2024-02-05T09:24:52Z) - 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) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳(メタデータ) (2023-05-16T11:38:19Z) - Towards dynamic stability analysis of sustainable power grids using
graph neural networks [0.0]
再生可能エネルギーは、分散化、慣性低下、生産におけるボラティリティによる電力グリッドに新たな課題をもたらす。
我々は、合成電力グリッドの動的安定性のデータセットを新たに提供し、グラフニューラルネットワーク(GNN)が、高非線形ターゲットを予測するのに驚くほど効果的であることを発見した。
実規模の電力グリッドにスケールする可能性を示すため、テキサス電力グリッドモデルによる予測の成功例を示す。
論文 参考訳(メタデータ) (2022-12-21T15:57:12Z) - 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) - Maximum entropy exploration in contextual bandits with neural networks
and energy based models [63.872634680339644]
モデルには2つのクラスがあり、1つはニューラルネットワークを報酬推定器とし、もう1つはエネルギーベースモデルを示す。
両手法は、エネルギーベースモデルが最も優れた性能を持つ、よく知られた標準アルゴリズムより優れていることを示す。
これは、静的および動的設定でよく機能する新しいテクニックを提供し、特に連続的なアクション空間を持つ非線形シナリオに適している。
論文 参考訳(メタデータ) (2022-10-12T15:09:45Z) - EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural
Networks [51.42338058718487]
グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。
GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。
偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
論文 参考訳(メタデータ) (2022-05-27T10:48:14Z) - 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) - Predicting Dynamic Stability of Power Grids using Graph Neural Networks [0.1539132101969243]
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。
論文 参考訳(メタデータ) (2021-08-18T16:43:06Z) - Knowledge- and Data-driven Services for Energy Systems using Graph
Neural Networks [0.9809636731336702]
グラフニューラルネットワーク(GNN)の枠組みに基づくエネルギーシステムのためのデータおよび知識駆動型確率的グラフィカルモデルを提案する。
このモデルは、グリッドトポロジや物理制約の形で、明らかにドメイン知識をファクタリングし、スパーアーキテクチャとはるかに小さなパラメータの寸法性をもたらす。
実世界のスマートグリッドデモプロジェクトから得られた結果は、グリッドの混雑予測や市場入札サービスにどのようにGNNを使用したかを示している。
論文 参考訳(メタデータ) (2021-03-12T13:00:01Z)
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。