論文の概要: Physics-Guided Graph Neural Networks for Real-time AC/DC Power Flow Analysis

• arxiv url: http://arxiv.org/abs/2305.00216v1
• Date: Sat, 29 Apr 2023 09:58:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-02 16:30:55.480598
• Title: Physics-Guided Graph Neural Networks for Real-time AC/DC Power Flow Analysis
• Title（参考訳）: 実時間交流/dcパワーフロー解析のための物理誘導グラフニューラルネットワーク
• Authors: Mei Yang, Gao Qiu, Yong Wu, Junyong Liu, Nina Dai, Yue Shui, Kai Liu, Lijie Ding
• Abstract要約: 本稿では,電力フロー解析のための物理誘導型グラフニューラルネットワーク(PG-GNN)を提案する。 ケースでは、提案手法のみがACモデルベースのベンチマークと一致し、計算効率が10倍を超えることも示している。
• 参考スコア（独自算出の注目度）: 6.9065457480507995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing scale of alternating current and direct current (AC/DC) hybrid systems necessitates a faster power flow analysis tool than ever. This letter thus proposes a specific physics-guided graph neural network (PG-GNN). The tailored graph modelling of AC and DC grids is firstly advanced to enhance the topology adaptability of the PG-GNN. To eschew unreliable experience emulation from data, AC/DC physics are embedded in the PG-GNN using duality. Augmented Lagrangian method-based learning scheme is then presented to help the PG-GNN better learn nonconvex patterns in an unsupervised label-free manner. Multi-PG-GNN is finally conducted to master varied DC control modes. Case study shows that, relative to the other 7 data-driven rivals, only the proposed method matches the performance of the model-based benchmark, also beats it in computational efficiency beyond 10 times.
• Abstract（参考訳）: 交流電流と直流(AC/DC)ハイブリッドシステムの増大は、これまで以上に高速な電力フロー解析ツールを必要とする。 本稿では,物理誘導型グラフニューラルネットワーク(PG-GNN)を提案する。 PG-GNNのトポロジ適応性を高めるために,まずACグリッドとDCグリッドの調整グラフモデリングを行う。 データから信頼性の低いエミュレーションを推定するために、AC/DC物理は二重性を用いてPG-GNNに埋め込まれる。 拡張されたラグランジアン法に基づく学習スキームが提示され、PG-GNNが非凸パターンを教師なしラベルフリーで学習するのに役立つ。 マルチPG-GNNは、最終的に様々なDC制御モードをマスターするために実行される。 ケーススタディでは、他の7つのデータ駆動型ライバルと比較して、提案手法はモデルベースベンチマークの性能と一致し、計算効率も10倍以上に向上している。

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)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Graph Isomorphic Networks for Assessing Reliability of the Medium-Voltage Grid [0.5242869847419834]
  本稿では、中電圧グリッドにおけるn-1評価にグラフ等化ネットワーク(GIN)を用いることを提案する。 GINフレームワークは、目に見えないグリッドに一般化し、グラフ構造とステーション/ケーブルに関するデータを利用するように設計されている。 提案したGINアプローチは、従来の数学的最適化アプローチよりも高速で信頼性の高いグリッドアセスメントを示す。
  論文  参考訳（メタデータ） (2023-10-02T13:19:35Z)
• Graph Neural Network-based Power Flow Model [0.42970700836450487]
  グラフニューラルネットワーク(GNN)モデルは、過去の電力システムデータを用いてトレーニングされ、電力フローの結果を予測する。 提案したGNNベース電力流モデルと従来の直流電力流モデルを比較し,総合的な性能解析を行った。
  論文  参考訳（メタデータ） (2023-07-05T06:09:25Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
  格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。 LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
  論文  参考訳（メタデータ） (2022-03-24T03:31:18Z)
• Power Flow Balancing with Decentralized Graph Neural Networks [4.812718493682454]
  汎用グリッド内の電力フローのバランスをとるために,グラフニューラルネットワーク(GNN)に基づくエンドツーエンドフレームワークを提案する。 提案するフレームワークは,ディープラーニングに基づく他の解法と比較して効率的であり,グリッドコンポーネントの物理量だけでなくトポロジにも頑健である。
  論文  参考訳（メタデータ） (2021-11-03T12:14:56Z)
• Adaptive Visibility Graph Neural Network and It's Application in Modulation Classification [2.3228726690478547]
  本稿では,時系列を適応的にグラフにマッピングできる適応可視グラフ(AVG)アルゴリズムを提案する。 次に,無線通信分野において重要な課題である無線信号変調分類にAVGNetを採用する。
  論文  参考訳（メタデータ） (2021-06-16T06:00:49Z)
• Fast Power Control Adaptation via Meta-Learning for Random Edge Graph Neural Networks [39.59987601426039]
  本稿では,時間変動トポロジに対する電力制御政策の迅速な適応を可能にする高レベル問題について検討する。 我々は,新しいネットワーク構成への数ショット適応を最適化するために,複数のトポロジのデータに一階のメタラーニングを適用した。
  論文  参考訳（メタデータ） (2021-05-02T12:43:10Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)

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。