論文の概要: Scalability and Sample Efficiency Analysis of Graph Neural Networks for Power System State Estimation

• arxiv url: http://arxiv.org/abs/2303.00105v2
• Date: Thu, 2 Mar 2023 14:05:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-03 17:22:00.840166
• Title: Scalability and Sample Efficiency Analysis of Graph Neural Networks for Power System State Estimation
• Title（参考訳）: 電力系統状態推定のためのグラフニューラルネットワークのスケーラビリティとサンプル効率解析
• Authors: Ognjen Kundacina, Gorana Gojic, Mirsad Cosovic, Dragisa Miskovic, Dejan Vukobratovic
• Abstract要約: 本稿では,因子グラフ上に印加されたグラフニューラルネットワーク(GNN)に基づいて,ファサー測定単位のみの状態推定器を徹底的に評価する。 以上の結果から,GNNに基づく状態推定器は高精度で効率的なデータ利用が可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 1.0499611180329804
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data-driven state estimation (SE) is becoming increasingly important in modern power systems, as it allows for more efficient analysis of system behaviour using real-time measurement data. This paper thoroughly evaluates a phasor measurement unit-only state estimator based on graph neural networks (GNNs) applied over factor graphs. To assess the sample efficiency of the GNN model, we perform multiple training experiments on various training set sizes. Additionally, to evaluate the scalability of the GNN model, we conduct experiments on power systems of various sizes. Our results show that the GNN-based state estimator exhibits high accuracy and efficient use of data. Additionally, it demonstrated scalability in terms of both memory usage and inference time, making it a promising solution for data-driven SE in modern power systems.
• Abstract（参考訳）: データ駆動状態推定(SE)は、リアルタイム計測データを用いたシステム動作のより効率的な分析を可能にするため、現代の電力システムではますます重要になっている。 本稿では,因子グラフを適用したグラフニューラルネットワーク(gnns)に基づくファサー測定ユニットのみの状態推定器について徹底的に評価する。 gnnモデルのサンプル効率を評価するために,様々なトレーニングセットサイズで複数のトレーニング実験を行った。 さらに, GNNモデルのスケーラビリティを評価するために, 様々なサイズの電力系統の実験を行う。 以上の結果から,gnnベースの状態推定器は,高い精度と効率的なデータ利用率を示す。 さらに、メモリ使用量と推論時間の両方の観点からスケーラビリティを実証し、現代の電力システムにおけるデータ駆動seの有望なソリューションとなった。

関連論文リスト

• 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)
• Online GNN Evaluation Under Test-time Graph Distribution Shifts [92.4376834462224]
  オンラインGNN評価という新たな研究課題は、よく訓練されたGNNが現実世界の未ラベルグラフに一般化する能力について、貴重な洞察を提供することを目的としている。 我々は、よく訓練されたGNNモデルのテスト時間一般化誤差を推定するために、LeBeDと呼ばれる効果的な学習行動不一致スコアを開発する。
  論文  参考訳（メタデータ） (2024-03-15T01:28:08Z)
• Analytical Verification of Performance of Deep Neural Network Based Time-Synchronized Distribution System State Estimation [0.18726646412385334]
  近年,ディープニューラルネットワーク(DNN)を用いた時間同期状態推定器の成功例が報告されている。 本稿では,入力測定における摂動関数として,その状態推定器の性能に関する解析的バウンダリを提供する。
  論文  参考訳（メタデータ） (2023-11-12T22:01:34Z)
• Graph Neural Networks on Factor Graphs for Robust, Fast, and Scalable Linear State Estimation with PMUs [1.1470070927586016]
  本稿では、グラフニューラルネットワーク(GNN)を用いて、PMU電圧と電流測定から複雑なバス電圧推定を学習する手法を提案する。 本稿では,電力系統の因子グラフ上でのGNNのオリジナル実装を提案する。 このモデルは非常に効率的でスケーラブルであり、計算複雑性は電力系統のノード数に対して線形である。
  論文  参考訳（メタデータ） (2023-04-28T08:17:52Z)
• Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。 既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。 本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T14:38:18Z)
• Robust and Fast Data-Driven Power System State Estimator Using Graph Neural Networks [1.2891210250935146]
  本稿では,グラフニューラルネットワーク(GNN)に基づくモデルトレーニング手法について,PMU電圧と電流測定から推定値を求める。 本稿では,電力系統の因子グラフ上の独自のGNN実装を提案する。
  論文  参考訳（メタデータ） (2022-06-06T16:40:54Z)
• State Estimation in Electric Power Systems Leveraging Graph Neural Networks [1.2891210250935146]
  本稿では,PMU電圧と電流を入力として推定するグラフニューラルネットワーク(GNN)のトレーニングを提案する。 GNNは、電力システムの無作為な測定セットをランダムにサンプリングすることで生成された合成データセットを使用して訓練される。 その結果,様々なテストシナリオにおけるGNN予測の精度を示し,欠落したデータに対する予測の感度に対処した。
  論文  参考訳（メタデータ） (2022-01-11T16:58:20Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
  Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。 まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2021-04-11T16:37:32Z)
• Statistical model-based evaluation of neural networks [74.10854783437351]
  ニューラルネットワーク(NN)の評価のための実験装置を開発する。 このセットアップは、NNs vis-a-vis minimum-mean-square-error (MMSE)パフォーマンス境界のベンチマークに役立つ。 これにより、トレーニングデータサイズ、データ次元、データ幾何学、ノイズ、トレーニング条件とテスト条件のミスマッチの影響をテストできます。
  論文  参考訳（メタデータ） (2020-11-18T00:33:24Z)
• Graph Neural Networks for Leveraging Industrial Equipment Structure: An application to Remaining Useful Life Estimation [21.297461316329453]
  本稿では,複雑な機器の構造をグラフ形式で把握し,マルチセンサ時系列データをモデル化するためにグラフニューラルネットワーク(GNN)を用いる。 我々は,提案したGNNに基づくRUL推定モデルが,RNNやCNNをベースとした文学からの強いベースラインと好意的に比較した。
  論文  参考訳（メタデータ） (2020-06-30T06:38:08Z)

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。