論文の概要: Reduced Optimal Power Flow Using Graph Neural Network

• arxiv url: http://arxiv.org/abs/2206.13591v1
• Date: Mon, 27 Jun 2022 19:14:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-29 14:33:57.954307
• Title: Reduced Optimal Power Flow Using Graph Neural Network
• Title（参考訳）: グラフニューラルネットワークを用いた最適潮流の低減
• Authors: Thuan Pham, Xingpeng Li
• Abstract要約: 本稿では,グラフニューラルネットワーク(GNN)を用いたOPF問題の制約数を削減する手法を提案する。 GNNは、ノード、エッジ、ネットワークトポロジの機能を活用してパフォーマンスを最大化する革新的な機械学習モデルである。 ROPFに対するGNNの適用は、ソリューションの品質を維持しながら、計算時間を短縮できると結論付けている。
• 参考スコア（独自算出の注目度）: 0.5076419064097734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: OPF problems are formulated and solved for power system operations, especially for determining generation dispatch points in real-time. For large and complex power system networks with large numbers of variables and constraints, finding the optimal solution for real-time OPF in a timely manner requires a massive amount of computing power. This paper presents a new method to reduce the number of constraints in the original OPF problem using a graph neural network (GNN). GNN is an innovative machine learning model that utilizes features from nodes, edges, and network topology to maximize its performance. In this paper, we proposed a GNN model to predict which lines would be heavily loaded or congested with given load profiles and generation capacities. Only these critical lines will be monitored in an OPF problem, creating a reduced OPF (ROPF) problem. Significant saving in computing time is expected from the proposed ROPF model. A comprehensive analysis of predictions from the GNN model was also made. It is concluded that the application of GNN for ROPF is able to reduce computing time while retaining solution quality.
• Abstract（参考訳）: OPF問題は電力系統の運用、特に生成したディスパッチポイントをリアルタイムで決定するために定式化され、解決される。 多数の変数と制約を持つ大規模で複雑な電力系統ネットワークでは、リアルタイムOPFの最適解をタイムリーに見つけるには、膨大な計算能力が必要である。 本稿では,グラフニューラルネットワーク(GNN)を用いて,元のOPF問題における制約数を削減する手法を提案する。 GNNは、ノード、エッジ、ネットワークトポロジの機能を活用してパフォーマンスを最大化する革新的な機械学習モデルである。 本稿では,負荷プロファイルと生成能力により,どのラインが重畳されるかを予測するGNNモデルを提案する。 これらのクリティカルラインだけがOPF問題で監視され、OPF (ROPF) の問題を減少させる。 提案したROPFモデルから計算時間の大幅な削減が期待できる。 また,GNNモデルによる予測の包括的解析を行った。 ROPFに対するGNNの適用は、ソリューションの品質を維持しながら計算時間を短縮できると結論付けている。

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)
• N-1 Reduced Optimal Power Flow Using Augmented Hierarchical Graph Neural Network [0.2900810893770134]
  AHGNN対応のN-1 ROPFは、解の質を維持しながら計算時間を著しく短縮することができる。 ケーススタディは、提案したAHGNNと関連するN-1 ROPFが、解の質を維持しながら計算時間を短縮するのに非常に有効であることを証明している。
  論文  参考訳（メタデータ） (2024-02-09T07:23:27Z)
• 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)
• EIGNN: Efficient Infinite-Depth Graph Neural Networks [51.97361378423152]
  グラフニューラルネットワーク(GNN)は多くのアプリケーションでグラフ構造化データのモデリングに広く利用されている。 この制限により、無限深度GNNモデルを提案し、これをEIGNN(Efficient Infinite-Depth Graph Neural Networks)と呼ぶ。 EIGNNは、最近のベースラインよりも長距離依存関係をキャプチャする能力が優れており、常に最先端のパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2022-02-22T08:16:58Z)
• 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)
• 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)
• Overcoming Catastrophic Forgetting in Graph Neural Networks [50.900153089330175]
  破滅的な忘れは、ニューラルネットワークが新しいタスクを学ぶ前に学んだ知識を「忘れる」傾向を指します。 本稿では,この問題を克服し,グラフニューラルネットワーク(GNN)における継続学習を強化するための新しいスキームを提案する。 私たちのアプローチの中心には、トポロジ認識重量保存(TWP)と呼ばれる汎用モジュールがあります。
  論文  参考訳（メタデータ） (2020-12-10T22:30:25Z)
• 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。