論文の概要: Graph Neural Networks on Factor Graphs for Robust, Fast, and Scalable Linear State Estimation with PMUs

• arxiv url: http://arxiv.org/abs/2304.14680v1
• Date: Fri, 28 Apr 2023 08:17:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-01 14:56:30.040078
• Title: Graph Neural Networks on Factor Graphs for Robust, Fast, and Scalable Linear State Estimation with PMUs
• Title（参考訳）: PMUを用いたロバスト,高速,スケーラブルな線形状態推定のための因子グラフ上のグラフニューラルネットワーク
• Authors: Ognjen Kundacina, Mirsad Cosovic, Dragisa Miskovic, Dejan Vukobratovic
• 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。
• 参考スコア（独自算出の注目度）: 1.1470070927586016
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As phasor measurement units (PMUs) become more widely used in transmission power systems, a fast state estimation (SE) algorithm that can take advantage of their high sample rates is needed. To accomplish this, we present a method that uses graph neural networks (GNNs) to learn complex bus voltage estimates from PMU voltage and current measurements. We propose an original implementation of GNNs over the power system's factor graph to simplify the integration of various types and quantities of measurements on power system buses and branches. Furthermore, we augment the factor graph to improve the robustness of GNN predictions. This model is highly efficient and scalable, as its computational complexity is linear with respect to the number of nodes in the power system. Training and test examples were generated by randomly sampling sets of power system measurements and annotated with the exact solutions of linear SE with PMUs. The numerical results demonstrate that the GNN model provides an accurate approximation of the SE solutions. Furthermore, errors caused by PMU malfunctions or communication failures that would normally make the SE problem unobservable have a local effect and do not deteriorate the results in the rest of the power system.
• Abstract（参考訳）: 送電電力システムにおいて, ファサー測定ユニット(PMU)がより広く使われるようになるにつれて, 高サンプリングレートを生かした高速状態推定(SE)アルゴリズムが求められている。 そこで我々は,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値を求める手法を提案する。 本稿では,電力系統バスや分電系統における各種計測値の統合を簡略化するために,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。 さらに、GNN予測の堅牢性を改善するために、因子グラフを拡大する。 このモデルは非常に効率的でスケーラブルであり、計算の複雑さは電力系統のノード数に対して線形である。 トレーニングとテストの例は、電力系統計測のランダムサンプリングによって生成され、pmusと線形seの厳密な解に注釈が付された。 数値的な結果は,GNNモデルがSE解の正確な近似を提供することを示している。 さらに、通常SE問題を観測不能にするPMU誤動作や通信障害によるエラーは、局所的な効果を持ち、電力系統の他の部分で結果が劣化しない。

関連論文リスト

• DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
  グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。 半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:24:51Z)
• Graph neural networks for power grid operational risk assessment under evolving grid topology [4.6289929100615]
  本稿では、その後の数時間で電力グリッド内の危険条件を識別するグラフニューラルネットワーク(GNN)の能力について検討する。 GNNは、電力供給と需要の異なる条件下で電力グリッドの集約されたバスレベルを予測するために、教師付き学習を使用して訓練される。 GNNに基づく信頼性とリスクアセスメントの優れた精度は、GNNモデルが状況認識を大幅に改善できることを示している。
  論文  参考訳（メタデータ） (2024-05-12T17:40:27Z)
• Learning to Reweight for Graph Neural Network [63.978102332612906]
  グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。 既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。 本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:25:10Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Scalability and Sample Efficiency Analysis of Graph Neural Networks for Power System State Estimation [1.0499611180329804]
  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。
  論文  参考訳（メタデータ） (2023-02-28T22:09:12Z)
• Distributed Nonlinear State Estimation in Electric Power Systems using Graph Neural Networks [1.1470070927586016]
  本稿では,非線形電力系統SEの増乗係数グラフ上での独自のグラフニューラルネットワークに基づくSEの実装を提案する。 提案した回帰モデルは、一度訓練された推論時間中に線形計算複雑性を持ち、分散実装の可能性がある。
  論文  参考訳（メタデータ） (2022-07-23T08:54:24Z)
• 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)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)
• Stochastic Graph Neural Networks [123.39024384275054]
  グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。 現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。 これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
  論文  参考訳（メタデータ） (2020-06-04T08:00:00Z)

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。