論文の概要: Graph Isomorphic Networks for Assessing Reliability of the
Medium-Voltage Grid
- arxiv url: http://arxiv.org/abs/2310.01181v2
- Date: Tue, 3 Oct 2023 09:42:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 21:53:23.094250
- Title: Graph Isomorphic Networks for Assessing Reliability of the
Medium-Voltage Grid
- Title(参考訳): 中電圧グリッドの信頼性評価のためのグラフ同型ネットワーク
- Authors: Charlotte Cambier van Nooten, Tom van de Poll, Sonja F\"ullhase, Jacco
Heres, Tom Heskes, Yuliya Shapovalova
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.5242869847419834
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Ensuring electricity grid reliability becomes increasingly challenging with
the shift towards renewable energy and declining conventional capacities.
Distribution System Operators (DSOs) aim to achieve grid reliability by
verifying the n-1 principle, ensuring continuous operation in case of component
failure. Electricity networks' complex graph-based data holds crucial
information for n-1 assessment: graph structure and data about stations/cables.
Unlike traditional machine learning methods, Graph Neural Networks (GNNs)
directly handle graph-structured data. This paper proposes using Graph
Isomorphic Networks (GINs) for n-1 assessments in medium voltage grids. The GIN
framework is designed to generalise to unseen grids and utilise graph structure
and data about stations/cables. The proposed GIN approach demonstrates faster
and more reliable grid assessments than a traditional mathematical optimisation
approach, reducing prediction times by approximately a factor of 1000. The
findings offer a promising approach to address computational challenges and
enhance the reliability and efficiency of energy grid assessments.
- Abstract(参考訳): 電力網の信頼性の確保は、再生可能エネルギーへのシフトと従来の容量の減少によってますます困難になっている。
配電系統オペレータ (DSO) は, n-1 の原理を検証し, 部品故障時の連続動作を保証することにより, グリッド信頼性の実現を目指している。
電気ネットワークの複雑なグラフベースデータはn-1評価に重要な情報を持っている。
従来の機械学習手法とは異なり、グラフニューラルネットワーク(gnn)はグラフ構造データを直接扱う。
本稿では,中電圧グリッドにおけるn-1評価のためのグラフ同型ネットワーク(gins)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/ケーブルのデータを利用するように設計されている。
提案手法は,従来の数学的最適化手法よりも高速で信頼性の高いグリッド評価を示し,予測時間を約1000倍に短縮する。
この結果は、計算課題に対処し、エネルギーグリッドアセスメントの信頼性と効率を高めるための有望なアプローチを提供する。
関連論文リスト
- PowerGraph: A power grid benchmark dataset for graph neural networks [7.504044714471332]
本稿では、電力フロー、最適電力フロー、カスケード故障解析のためのGNN調整データセットを含むPowerGraphを提案する。
PowerGraphは、さまざまなタスクのための多面的なGNNデータセットで、実世界の説明を含む電力フローと障害シナリオを含んでいる。
論文 参考訳(メタデータ) (2024-02-05T09:24:52Z) - 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) - Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
論文 参考訳(メタデータ) (2023-03-14T20:35:45Z) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳(メタデータ) (2022-11-19T09:08:43Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳(メタデータ) (2022-09-23T05:24:18Z) - Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳(メタデータ) (2022-05-19T14:08:15Z) - Graph-based Algorithm Unfolding for Energy-aware Power Allocation in
Wireless Networks [27.600081147252155]
我々は,無線通信網におけるエネルギー効率を最大化する新しいグラフ要約フレームワークを開発した。
無線ネットワークデータのモデルに望ましい特性である置換訓練について述べる。
結果は、異なるネットワークトポロジにまたがる一般化可能性を示している。
論文 参考訳(メタデータ) (2022-01-27T20:23:24Z) - 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) - 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) - Learning to Drop: Robust Graph Neural Network via Topological Denoising [50.81722989898142]
グラフニューラルネットワーク(GNN)のロバスト性および一般化性能を向上させるために,パラメータ化トポロジカルデノイングネットワークであるPTDNetを提案する。
PTDNetは、パラメータ化されたネットワークでスパーシファイドグラフ内のエッジ数をペナル化することで、タスク非関連エッジを創出する。
PTDNetはGNNの性能を著しく向上させ,さらにノイズの多いデータセットでは性能が向上することを示す。
論文 参考訳(メタデータ) (2020-11-13T18:53:21Z)
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。