論文の概要: Towards dynamic stability analysis of sustainable power grids using graph neural networks

• arxiv url: http://arxiv.org/abs/2212.11130v1
• Date: Wed, 21 Dec 2022 15:57:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 15:58:06.782962
• Title: Towards dynamic stability analysis of sustainable power grids 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持続可能電力網の動的安定性解析に向けて
• Authors: Christian Nauck, Michael Lindner, Konstantin Sch\"urholt, Frank Hellmann
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To mitigate climate change, the share of renewable needs to be increased. Renewable energies introduce new challenges to power grids due to decentralization, reduced inertia and volatility in production. The operation of sustainable power grids with a high penetration of renewable energies requires new methods to analyze the dynamic stability. We provide new datasets of dynamic stability of synthetic power grids and find that graph neural networks (GNNs) are surprisingly effective at predicting the highly non-linear target from topological information only. To illustrate the potential to scale to real-sized power grids, we demonstrate the successful prediction on a Texan power grid model.
• Abstract（参考訳）: 気候変動を緩和するには、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、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。 再生可能エネルギーの高い持続可能電力網の運用には、動的安定性を分析する新しい方法が必要である。 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、トポロジ情報のみから高非線形ターゲットを予測するのにグラフニューラルネットワーク(GNN)が驚くほど有効であることを示す。 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。

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)
• 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)
• 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)
• 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)
• Toward Dynamic Stability Assessment of Power Grid Topologies using Graph Neural Networks [0.0]
  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。
  論文  参考訳（メタデータ） (2022-06-10T07:23:22Z)
• Stabilizing Voltage in Power Distribution Networks via Multi-Agent Reinforcement Learning with Transformer [128.19212716007794]
  本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。 さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
  論文  参考訳（メタデータ） (2022-06-08T07:48:42Z)
• Short-Term Power Prediction for Renewable Energy Using Hybrid Graph Convolutional Network and Long Short-Term Memory Approach [2.218886082289257]
  再生可能エネルギーの短期的なパワーは常に複雑な回帰問題とみなされてきた。 本稿では,新しいグラフニューラルネットワークを用いた短期電力予測手法を提案する。
  論文  参考訳（メタデータ） (2021-11-15T18:15:31Z)
• 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)

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。