論文の概要: PowerFlowNet: Power Flow Approximation Using Message Passing Graph
Neural Networks
- arxiv url: http://arxiv.org/abs/2311.03415v2
- Date: Mon, 5 Feb 2024 15:16:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 04:21:00.991910
- Title: PowerFlowNet: Power Flow Approximation Using Message Passing Graph
Neural Networks
- Title（参考訳）: PowerFlowNet:メッセージパッシンググラフニューラルネットワークを用いた電力フロー近似
- Authors: Nan Lin, Stavros Orfanoudakis, Nathan Ordonez Cardenas, Juan S.
Giraldo, Pedro P. Vergara
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.450802099490248
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate and efficient power flow (PF) analysis is crucial in modern
electrical networks' operation and planning. Therefore, there is a need for
scalable algorithms that can provide accurate and fast solutions for both small
and large scale power networks. As the power network can be interpreted as a
graph, Graph Neural Networks (GNNs) have emerged as a promising approach for
improving the accuracy and speed of PF approximations by exploiting information
sharing via the underlying graph structure. In this study, we introduce
PowerFlowNet, a novel GNN architecture for PF approximation that showcases
similar performance with the traditional Newton-Raphson method but achieves it
4 times faster in the simple IEEE 14-bus system and 145 times faster in the
realistic case of the French high voltage network (6470rte). Meanwhile, it
significantly outperforms other traditional approximation methods, such as the
DC relaxation method, in terms of performance and execution time; therefore,
making PowerFlowNet a highly promising solution for real-world PF analysis.
Furthermore, we verify the efficacy of our approach by conducting an in-depth
experimental evaluation, thoroughly examining the performance, scalability,
interpretability, and architectural dependability of PowerFlowNet. The
evaluation provides insights into the behavior and potential applications of
GNNs in power system analysis.
- Abstract（参考訳）: 高精度かつ効率的な電力フロー解析(PF)は、現代の電気ネットワークの運用と計画において重要である。
したがって、小規模および大規模の電力ネットワークに対して、正確かつ高速なソリューションを提供するスケーラブルなアルゴリズムが必要である。
電力ネットワークをグラフと解釈できるため、グラフニューラルネットワーク(GNN)は、基礎となるグラフ構造を介して情報共有を利用することで、PF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。
本研究では,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を紹介するが,単純なIEEE 14バスシステムでは4倍,フランス高電圧ネットワーク(6470rte)では145倍の高速化を実現している。
一方、DC緩和法などの従来の近似手法では、性能と実行時間で大幅に上回っているため、PowerFlowNetは実世界のPF分析に非常に有望なソリューションである。
さらに,powerflownetの性能,スケーラビリティ,解釈可能性,アーキテクチャ依存性を徹底的に検証し,詳細な実験評価を行い,本手法の有効性を検証する。
この評価は、電力系統解析におけるGNNの挙動と潜在的な応用に関する洞察を与える。
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - 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) - TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。
時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。
並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文 参考訳（メタデータ） (2024-04-15T06:01:48Z) - PowerFlowMultiNet: Multigraph Neural Networks for Unbalanced Three-Phase Distribution Systems [6.788629099241222]
このレターでは、非平衡三相電力グリッド用に明示的に設計された新しいマルチグラフGNNフレームワークであるPowerFlowMultiNetを紹介する。
メッセージパッシングを利用したグラフ埋め込み機構を導入し、電力系統ネットワーク内の空間的依存関係をキャプチャする。
厳密なテストでは、大規模な電力ネットワークにおけるエラー率と計算速度の顕著な増加が明らかにされている。
論文 参考訳（メタデータ） (2024-03-01T13:47:39Z) - Online Network Source Optimization with Graph-Kernel MAB [62.6067511147939]
大規模ネットワークにおける最適なソース配置をオンラインで学習するためのグラフカーネルマルチアームバンディットアルゴリズムであるGrab-UCBを提案する。
適応グラフ辞書モデルを用いて,ネットワークプロセスを記述する。
我々は、ネットワークパラメータに依存する性能保証を導出し、シーケンシャルな意思決定戦略の学習曲線にさらに影響を及ぼす。
論文 参考訳（メタデータ） (2023-07-07T15:03:42Z) - 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) - 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) - Solving AC Power Flow with Graph Neural Networks under Realistic
Constraints [3.114162328765758]
本稿では,現実的な制約下での交流電力流問題の解法として,グラフニューラルネットワークアーキテクチャを提案する。
本稿では,グラフニューラルネットワークを用いて電力フローの物理的制約を学習するフレームワークの開発を実演する。
論文 参考訳（メタデータ） (2022-04-14T14:49:34Z) - 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) - Fast Graph Attention Networks Using Effective Resistance Based Graph
Sparsification [70.50751397870972]
FastGATは、スペクトルスペーシフィケーションを用いて、注目に基づくGNNを軽量にし、入力グラフの最適プルーニングを生成する手法である。
我々は,ノード分類タスクのための大規模実世界のグラフデータセット上でFastGATを実験的に評価した。
論文 参考訳（メタデータ） (2020-06-15T22:07:54Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2020-04-06T15:51:00Z)
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。