論文の概要: Toward Dynamic Stability Assessment of Power Grid Topologies using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2206.06369v4
• Date: Wed, 20 Sep 2023 17:17:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-22 01:07:57.861295
• Title: Toward Dynamic Stability Assessment of Power Grid Topologies using Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いた電力グリッドトポロジの動的安定性評価に向けて
• Authors: Christian Nauck, Michael Lindner, Konstantin Sch\"urholt, Frank Hellmann
• Abstract要約: 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。
• 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: To mitigate climate change, the share of renewable energies in power production needs to be increased. Renewables introduce new challenges to power grids regarding the dynamic stability due to decentralization, reduced inertia, and volatility in production. Since dynamic stability simulations are intractable and exceedingly expensive for large grids, graph neural networks (GNNs) are a promising method to reduce the computational effort of analyzing the dynamic stability of power grids. As a testbed for GNN models, we generate new, large datasets of dynamic stability of synthetic power grids, and provide them as an open-source resource to the research community. We find that GNNs are surprisingly effective at predicting the highly non-linear targets from topological information only. For the first time, performance that is suitable for practical use cases is achieved. Furthermore, we demonstrate the ability of these models to accurately identify particular vulnerable nodes in power grids, so-called troublemakers. Last, we find that GNNs trained on small grids generate accurate predictions on a large synthetic model of the Texan power grid, which illustrates the potential for real-world applications.
• Abstract（参考訳）: 気候変動を緩和するには、発電における再生可能エネルギーのシェアを増やす必要がある。 再生可能エネルギーは、分散化による動的安定性、慣性の減少、生産のボラティリティに関する新しい課題を電力網に導入する。 動的安定性シミュレーションは大規模グリッドでは難解で費用がかかるため、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分析する計算労力を減らすための有望な方法である。 gnnモデルのテストベッドとして、合成電力グリッドの動的安定性の新しい大規模データセットを作成し、研究コミュニティにオープンソースリソースとして提供します。 gnnは位相情報のみから高度に非線形な目標を予測するのに驚くほど有効であることがわかった。 初めて、実用的なユースケースに適したパフォーマンスが達成される。 さらに、これらのモデルが電力グリッド内の特定の脆弱なノードを正確に識別する能力を示す。 最後に、小型グリッドで訓練されたGNNが、実際の応用の可能性を示すテキサス電力グリッドの大規模合成モデル上で正確な予測を生成することを発見した。

関連論文リスト

• Optimal Power Grid Operations with Foundation Models [0.0]
  本稿では,AIファンデーションモデル(FM)とグラフニューラルネットワークの進歩を利用して,ダウンストリームタスクの低可用性グリッドデータを効率的に活用することを提案する。 グリッドの基盤となる物理を捉えるために、電力流力学を学習する自己教師型モデルの構築は、電力グリッドのためのFMを開発するための重要な第一歩であると信じている。
  論文  参考訳（メタデータ） (2024-09-03T09:06:13Z)
• SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
  我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。 SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2024-07-17T09:01:38Z)
• Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
  グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。 DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。 DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
  論文  参考訳（メタデータ） (2024-05-23T10:26:18Z)
• GAN-GRID: A Novel Generative Attack on Smart Grid Stability Prediction [53.2306792009435]
  我々は,現実の制約に合わせたスマートグリッドの安定性予測システムを対象とした,新たな敵攻撃GAN-GRIDを提案する。 以上の結果から,データやモデル知識を欠いた,安定度モデルのみに武装した敵が,攻撃成功率0.99の安定度でデータを作成できることが判明した。
  論文  参考訳（メタデータ） (2024-05-20T14:43:46Z)
• Automated Deep Learning for Load Forecasting [0.34952465649465553]
  本稿では、負荷予測のためにDeep Neural Networks(DNN)を実行するためにAutomated Deep Learning(AutoDL)を使用した理由と方法を説明する。 最終的に、DRAGONパッケージを拡張し、負荷予測に適用することで、EnergyDragonと呼ばれるAutoDLフレームワークを作成しました。 我々は、EnergyDragonが、最先端の負荷予測方法より優れた独自のDNNを見つけることができるというフランスの負荷信号について示す。
  論文  参考訳（メタデータ） (2024-05-14T07:51:55Z)
• 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)
• 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。