論文の概要: Graph Neural Network-based Power Flow Model

• arxiv url: http://arxiv.org/abs/2307.02049v1
• Date: Wed, 5 Jul 2023 06:09:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-06 14:52:38.337610
• Title: Graph Neural Network-based Power Flow Model
• Title（参考訳）: グラフニューラルネットワークに基づく電力フローモデル
• Authors: Mingjian Tuo, Xingpeng Li, Tianxia Zhao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Power flow analysis plays a crucial role in examining the electricity flow within a power system network. By performing power flow calculations, the system's steady-state variables, including voltage magnitude, phase angle at each bus, active/reactive power flow across branches, can be determined. While the widely used DC power flow model offers speed and robustness, it may yield inaccurate line flow results for certain transmission lines. This issue becomes more critical when dealing with renewable energy sources such as wind farms, which are often located far from the main grid. Obtaining precise line flow results for these critical lines is vital for next operations. To address these challenges, data-driven approaches leverage historical grid profiles. In this paper, a graph neural network (GNN) model is trained using historical power system data to predict power flow outcomes. The GNN model enables rapid estimation of line flows. A comprehensive performance analysis is conducted, comparing the proposed GNN-based power flow model with the traditional DC power flow model, as well as deep neural network (DNN) and convolutional neural network (CNN). The results on test systems demonstrate that the proposed GNN-based power flow model provides more accurate solutions with high efficiency comparing to benchmark models.
• Abstract（参考訳）: 電力流解析は電力系統網内の電力の流れを調べる上で重要な役割を果たす。 電力フロー計算を行うことにより、電圧等級、各バスの位相角、分岐間のアクティブ/アクティブ電力流量など、システムの定常状態変数を決定することができる。 広く使われている直流電力流モデルは速度とロバスト性を提供するが、特定の送電線に対して不正確な線路流れ結果をもたらす可能性がある。 この問題は、しばしばメイングリッドから遠く離れた場所にある風力発電所のような再生可能エネルギー源を扱う場合、より重要になる。 これらのクリティカルラインの正確なラインフロー結果を得ることは、次の操作には不可欠である。 これらの課題に対処するために、データ駆動アプローチは過去のグリッドプロファイルを活用する。 本稿では,過去の電力系統データを用いてグラフニューラルネットワーク(gnn)モデルを訓練し,電力流れの結果を予測する。 GNNモデルはラインフローの迅速な推定を可能にする。 提案したGNNベースの電力フローモデルと従来の直流電力フローモデル、ディープニューラルネットワーク(DNN)と畳み込みニューラルネットワーク(CNN)を比較し,総合的な性能解析を行った。 実験システムでは,提案したGNNベースの電力フローモデルにより,ベンチマークモデルと比較して高精度な解が得られることを示した。

関連論文リスト

• 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)
• PowerFlowNet: Power Flow Approximation Using Message Passing Graph Neural Networks [2.450802099490248]
  グラフニューラルネットワーク(GNN)は、電力フロー近似の精度と速度を改善するための有望なアプローチとして登場した。 本稿では,従来のNewton-Raphson法と同じような性能を示すPF近似のための新しいGNNアーキテクチャであるPowerFlowNetを紹介する。 性能と実行時間の点で、DC緩和法のような従来の近似法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-11-06T09:44:00Z)
• Physics-Guided Graph Neural Networks for Real-time AC/DC Power Flow Analysis [6.9065457480507995]
  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。
  論文  参考訳（メタデータ） (2023-04-29T09:58:15Z)
• 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)
• Multi-fidelity power flow solver [0.0]
  提案モデルでは、直流近似を低忠実度データとしてトレーニングした第1のネットワークと、低忠実度と高忠実度の両方の電力フローデータでトレーニングした第2のネットワークで構成されている。 14-および118-busのテストケースで実験を行い、不均衡な並行性データと高-低忠実度サンプル比に対して、n-k$の電力流量予測精度に基づいて性能評価を行った。
  論文  参考訳（メタデータ） (2022-05-26T13:43:26Z)
• 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)
• Neural Network-based Power Flow Model [0.0]
  ニューラルネットワーク(NN)モデルは、過去の電力システムデータを用いて、電力フロー結果を予測するために訓練される。 提案したNNベース電力フローモデルでは,直流電力フローモデルよりも高速かつ高精度に解を見つけることができる。
  論文  参考訳（メタデータ） (2021-12-15T19:05:53Z)
• Principal Component Density Estimation for Scenario Generation Using Normalizing Flows [62.997667081978825]
  低次元空間における正規化フローを設定する線形主成分分析(PCA)に基づく次元還元フロー層を提案する。 当社は、2013年から2015年までのドイツにおけるPVおよび風力発電のデータと負荷需要に関する主成分フロー(PCF)を訓練しています。
  論文  参考訳（メタデータ） (2021-04-21T08:42:54Z)
• Physics-Informed Graphical Neural Network for Parameter & State Estimations in Power Systems [4.416484585765027]
  本稿では,GNN(Graphical Neural Networks)にパワーシステムの物理モデリングを組み込むハイブリッド方式を提案する。 我々は,実効電力フロー(EPF)モデル内の物理,すなわち解釈可能なパラメータを再構成する物理インフォームド手法であるPower-GNNを構築した。 実験では、数千の負荷と数百の発電機を含む、さまざまな現実的な電力ネットワーク上でPower-GNNをテストする。
  論文  参考訳（メタデータ） (2021-02-12T04:32:50Z)
• Power Control for a URLLC-enabled UAV system incorporated with DNN-Based Channel Estimation [82.16169603954663]
  この手紙は、ディープニューラルネットワーク(DNN)に基づくチャネル推定を組み込んだ超信頼性低遅延通信(URLLC)有効無人航空機(UAV)システムの電力制御に関するものである。
  論文  参考訳（メタデータ） (2020-11-14T02:31:04Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。