論文の概要: Graph Neural Networks for Power Grid Operational Risk Assessment
- arxiv url: http://arxiv.org/abs/2311.03661v1
- Date: Tue, 7 Nov 2023 02:16:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-08 17:16:29.138277
- Title: Graph Neural Networks for Power Grid Operational Risk Assessment
- Title(参考訳): 電力グリッド運用リスク評価のためのグラフニューラルネットワーク
- Authors: Yadong Zhang, Pranav M Karve, Sankaran Mahadevan
- Abstract要約: 本稿では,モンテカルロ(MC)サンプリング型リスク定量化のためのグラフニューラルネットワーク(GNN)サロゲートの有用性について検討する。
GNNサロゲートはグラフ構造化データを扱う能力に優れており、特に適している。
GNNサロゲートは(バスレベル、ブランチレベル、システムレベル)グリッド状態を予測するのに十分正確である。
- 参考スコア(独自算出の注目度): 5.202524136984542
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this article, the utility of graph neural network (GNN) surrogates for
Monte Carlo (MC) sampling-based risk quantification in daily operations of
power grid is investigated. The MC simulation process necessitates solving a
large number of optimal power flow (OPF) problems corresponding to the sample
values of stochastic grid variables (power demand and renewable generation),
which is computationally prohibitive. Computationally inexpensive surrogates of
the OPF problem provide an attractive alternative for expedited MC simulation.
GNN surrogates are especially suitable due to their superior ability to handle
graph-structured data. Therefore, GNN surrogates of OPF problem are trained
using supervised learning. They are then used to obtain Monte Carlo (MC)
samples of the quantities of interest (operating reserve, transmission line
flow) given the (hours-ahead) probabilistic wind generation and load forecast.
The utility of GNN surrogates is evaluated by comparing OPF-based and GNN-based
grid reliability and risk for IEEE Case118 synthetic grid. It is shown that the
GNN surrogates are sufficiently accurate for predicting the (bus-level,
branch-level and system-level) grid state and enable fast as well as accurate
operational risk quantification for power grids. The article thus develops
various tools for fast reliability and risk quantification for real-world power
grids using GNNs.
- Abstract(参考訳): 本稿では,モンテカルロ(mc)サンプリングに基づく電力系統の日々の運用におけるリスク定量化のためのグラフニューラルネットワーク(gnn)サロゲートの有用性について検討する。
MCシミュレーションプロセスは、計算的に禁止されている確率格子変数(電力需要と再生可能生成)のサンプル値に対応する多数の最適電力フロー(OPF)問題を解決する必要がある。
計算的に安価なOPF問題のサロゲートは、高速MCシミュレーションの魅力的な代替手段となる。
GNNサロゲートはグラフ構造化データを扱う能力に優れており、特に適している。
したがって、OPF問題のGNNサロゲートは教師付き学習を用いて訓練される。
その後、(数時間前の)確率的風力発生と負荷予測から、モンテカルロ(MC)の関心量(運転準備、送電線の流れ)のサンプルを得るのに使用される。
GNNサロゲートの有用性は、OPFベースのグリッドとGNNベースのグリッドの信頼性とIEEE Case118合成グリッドのリスクを比較して評価する。
GNNサロゲートは(バスレベル、ブランチレベル、システムレベルの)グリッド状態を予測するのに十分正確であり、電力グリッドの高速かつ正確な運用リスク定量化を可能にする。
本稿では,GNNを用いた実世界の電力グリッドの高速信頼性とリスク定量化のための様々なツールを開発する。
関連論文リスト
- N-1 Reduced Optimal Power Flow Using Augmented Hierarchical Graph Neural
Network [0.2900810893770134]
AHGNN対応のN-1 ROPFは、解の質を維持しながら計算時間を著しく短縮することができる。
ケーススタディは、提案したAHGNNと関連するN-1 ROPFが、解の質を維持しながら計算時間を短縮するのに非常に有効であることを証明している。
論文 参考訳(メタデータ) (2024-02-09T07:23:27Z) - Power grid operational risk assessment using graph neural network
surrogates [5.202524136984542]
電力グリッド運用決定アルゴリズムのプロキシとしてグラフニューラルネットワーク(GNN)の有用性について検討する。
GNNはQoIの高速かつ正確な予測を提供することができる。
GNNベースの信頼性とリスクアセスメントの優れた精度は、GNNサロゲートがリアルタイムおよび数時間前に適用できる可能性を示唆している。
論文 参考訳(メタデータ) (2023-11-21T03:02:30Z) - 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) - Topology-aware Graph Neural Networks for Learning Feasible and Adaptive
ac-OPF Solutions [18.63828570982923]
我々は、ac-OPF問題の最適解を予測するために、新しいトポロジインフォームドグラフニューラルネットワーク(GNN)アプローチを開発した。
NNモデルにグリッドトポロジを組み込むため,提案したGNN-for-OPFフレームワークは,位置境界価格と電圧等級の局所性特性を利用する。
提案設計の利点は、モデル複雑性の低減、一般化可能性の向上、実現可能性の保証である。
論文 参考訳(メタデータ) (2022-05-16T23:36:37Z) - Robust Graph Neural Networks via Probabilistic Lipschitz Constraints [7.359962178534361]
グラフニューラルネットワーク(GNN)は、最近、さまざまなネットワークベースのタスクでうまく機能することが実証されている。
GNNは入力のシフトや摂動の影響を受けやすく、ノード属性とグラフ構造の両方を含むことができる。
論文 参考訳(メタデータ) (2021-12-14T17:33:32Z) - Leveraging power grid topology in machine learning assisted optimal
power flow [0.5076419064097734]
機械学習支援最適電力フロー(OPF)は、非線形および非制約電力フロー問題の計算複雑性を低減することを目的としている。
我々は,機械支援OPFの2つの基本的アプローチに対して,さまざまなFCNN,CNN,GNNモデルの性能を評価する。
相互接続されたユーティリティを持ついくつかの合成格子に対して,特徴変数と対象変数の間の局所性特性は乏しいことを示す。
論文 参考訳(メタデータ) (2021-10-01T10:39:53Z) - Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural
Networks [52.32646357164739]
最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。
提案されたSIDNNは、幅広いOPFスキームと互換性がある。
他のLearning-to-OPFスキームとシームレスに統合できる。
論文 参考訳(メタデータ) (2021-03-27T00:45:23Z) - Resource Allocation via Graph Neural Networks in Free Space Optical
Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。
我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。
本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文 参考訳(メタデータ) (2020-06-26T14:20:48Z) - Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。
提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
論文 参考訳(メタデータ) (2020-06-07T07:06:35Z) - 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) - Efficient Probabilistic Logic Reasoning with Graph Neural Networks [63.099999467118245]
マルコフ論理ネットワーク(MLN)は、多くの知識グラフ問題に対処するために用いられる。
MLNの推論は計算集約的であり、MLNの産業規模での応用は非常に困難である。
本稿では,表現力とモデルの単純さとのバランスのよいグラフニューラルネット(GNN)モデルであるExpressGNNを提案する。
論文 参考訳(メタデータ) (2020-01-29T23:34:36Z)
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。