論文の概要: Power grid operational risk assessment using graph neural network surrogates

• arxiv url: http://arxiv.org/abs/2311.12309v1
• Date: Tue, 21 Nov 2023 03:02:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 02:21:04.448887
• Title: Power grid operational risk assessment using graph neural network surrogates
• Title（参考訳）: グラフニューラルネットワークサロゲートを用いた電力系統運用リスク評価
• Authors: Yadong Zhang, Pranav M Karve, Sankaran Mahadevan
• Abstract要約: 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。
• 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: We investigate the utility of graph neural networks (GNNs) as proxies of power grid operational decision-making algorithms (optimal power flow (OPF) and security-constrained unit commitment (SCUC)) to enable rigorous quantification of the operational risk. To conduct principled risk analysis, numerous Monte Carlo (MC) samples are drawn from the (foretasted) probability distributions of spatio-temporally correlated stochastic grid variables. The corresponding OPF and SCUC solutions, which are needed to quantify the risk, are generated using traditional OPF and SCUC solvers to generate data for training GNN model(s). The GNN model performance is evaluated in terms of the accuracy of predicting quantities of interests (QoIs) derived from the decision variables in OPF and SCUC. Specifically, we focus on thermal power generation and load shedding at system and individual zone level. We also perform reliability and risk quantification based on GNN predictions and compare with that obtained from OPF/SCUC solutions. Our results demonstrate that GNNs are capable of providing fast and accurate prediction of QoIs and thus can be good surrogate models for OPF and SCUC. The excellent accuracy of GNN-based reliability and risk assessment further suggests that GNN surrogate has the potential to be applied in real-time and hours-ahead risk quantification.
• Abstract（参考訳）: 本稿では,電力グリッド運用決定アルゴリズム(OPF)とセキュリティ制約単位コミットメント(SCUC)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し,運用リスクの厳密な定量化を実現する。 原理的なリスク分析を行うために、時空間相関確率格子変数の(予測された)確率分布から多数のモンテカルロ(mc)サンプルが抽出される。 リスクを定量化するために必要な対応するOPFおよびSCUCソリューションは、従来のOPFおよびSCUCソルバを用いて生成し、GNNモデルをトレーニングするためのデータを生成する。 GNNモデルの性能は,OPF および SCUC における決定変数から導出される関心量(QoIs)の予測精度の観点から評価する。 具体的には,システムおよび各ゾーンレベルでの熱発電および負荷層に焦点をあてる。 また、GNN予測に基づいて信頼性とリスク定量化を行い、OPF/SCUCソリューションから得られたものと比較する。 以上の結果から,GNNはQoIの高速かつ高精度な予測が可能であり,OPFやSCUCのサロゲートモデルとして有用であることが示唆された。 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時間前リスク定量化に適用できる可能性を示唆している。

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)
• Graph neural networks for power grid operational risk assessment under evolving grid topology [4.6289929100615]
  本稿では、その後の数時間で電力グリッド内の危険条件を識別するグラフニューラルネットワーク(GNN)の能力について検討する。 GNNは、電力供給と需要の異なる条件下で電力グリッドの集約されたバスレベルを予測するために、教師付き学習を使用して訓練される。 GNNに基づく信頼性とリスクアセスメントの優れた精度は、GNNモデルが状況認識を大幅に改善できることを示している。
  論文  参考訳（メタデータ） (2024-05-12T17:40:27Z)
• Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
  グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。 しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。 本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2024-03-11T21:54:52Z)
• Operational risk quantification of power grids using graph neural network surrogates of the DC OPF [4.6289929100615]
  電力グリッド動作におけるモンテカルロ(MC)に基づくリスク定量化のための直流OPFサロゲートモデリングフレームワークを開発した。 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。 本稿では,GNNをベースとしたサロゲートを用いた実世界の電力網における高速信頼性とリスク定量化のためのツールを開発する。
  論文  参考訳（メタデータ） (2023-11-07T02:16:50Z)
• Random-Set Neural Networks (RS-NN) [4.549947259731147]
  分類のための新しいランダムセットニューラルネットワーク(RS-NN)を提案する。 RS-NNは、一組のクラス上の確率ベクトルよりも信念関数を予測する。 限られたトレーニングセットによって、機械学習で引き起こされる「緊急」不確実性を符号化する。
  論文  参考訳（メタデータ） (2023-07-11T20:00:35Z)
• 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)
• Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
  我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。 提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-01T03:31:27Z)
• Risk-Aware Learning for Scalable Voltage Optimization in Distribution Grids [19.0428894025206]
  本稿では、反応電力予測や電圧偏差に伴う潜在的なリスクを考慮し、学習可能なアプローチを改善することを目的とする。 具体的には,最悪の事例のみに基づいて,条件付きリスク損失(CVaR)を用いて,そのようなリスクを測定することを提案する。 そこで本研究では, CVaR損失目標に基づくトレーニングプロセスを加速するために, 最悪のサンプルを含む可能性が低いミニバッチを選択することを提案する。
  論文  参考訳（メタデータ） (2021-10-04T15:00:13Z)
• 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)
• 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)

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。