論文の概要: Cascading Blackout Severity Prediction with Statistically-Augmented Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2403.15363v1
• Date: Fri, 22 Mar 2024 17:31:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 16:30:34.407443
• Title: Cascading Blackout Severity Prediction with Statistically-Augmented Graph Neural Networks
• Title（参考訳）: 統計的に拡張されたグラフニューラルネットワークによるカスケードブラックアウトの重症度予測
• Authors: Joe Gorka, Tim Hsu, Wenting Li, Yury Maximov, Line Roald,
• Abstract要約: 我々は,初期グリッド条件からブラックアウト等級を推定するための2つの新しい手法を開発した。 まず、安全な"非ブラックアウト"シナリオをフィルタリングする初期分類ステップを利用するいくつかの方法を提案する。 第2に,カスケードブラックアウトの統計特性から得られた知見を用いて,GNNモデルにおける非局所的メッセージパッシング手法を提案する。
• 参考スコア（独自算出の注目度）: 6.004833598578183
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Higher variability in grid conditions, resulting from growing renewable penetration and increased incidence of extreme weather events, has increased the difficulty of screening for scenarios that may lead to catastrophic cascading failures. Traditional power-flow-based tools for assessing cascading blackout risk are too slow to properly explore the space of possible failures and load/generation patterns. We add to the growing literature of faster graph-neural-network (GNN)-based techniques, developing two novel techniques for the estimation of blackout magnitude from initial grid conditions. First we propose several methods for employing an initial classification step to filter out safe "non blackout" scenarios prior to magnitude estimation. Second, using insights from the statistical properties of cascading blackouts, we propose a method for facilitating non-local message passing in our GNN models. We validate these two approaches on a large simulated dataset, and show the potential of both to increase blackout size estimation performance.
• Abstract（参考訳）: グリッド条件の変動性は、再生可能量の増大と極度の気象事象の発生の増加によるものであり、破滅的なカスケード障害を引き起こすシナリオのスクリーニングの難しさを増している。 スケールするブラックアウトリスクを評価する従来のパワーフローベースのツールは、障害やロード/ジェネレーションパターンの空間を適切に調査するには遅すぎる。 我々は,高速グラフニューラルネット技術(GNN)を基盤として,初期グリッド条件からブラックアウト等級を推定する2つの新しい手法を開発した。 まず、大小推定に先立って、安全な「非ブラックアウト」シナリオをフィルタリングするために、初期分類ステップを利用するいくつかの方法を提案する。 第2に,カスケードブラックアウトの統計特性から得られた知見を用いて,GNNモデルにおける非局所的メッセージパッシングを容易にする手法を提案する。 これらの2つのアプローチを大規模なシミュレーションデータセット上で検証し、ブラックアウトサイズ推定性能を向上させる可能性を示す。

関連論文リスト

• Generative Edge Detection with Stable Diffusion [52.870631376660924]
  エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。 本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。 複数のデータセットに対して広範な実験を行い、競争性能を達成する。
  論文  参考訳（メタデータ） (2024-10-04T01:52:23Z)
• Deep Vision-Based Framework for Coastal Flood Prediction Under Climate Change Impacts and Shoreline Adaptations [0.3413711585591077]
  低データ環境下での高忠実度ディープビジョンに基づく沿岸洪水予測モデルを訓練するための体系的枠組みを提案する。 また,沿岸の洪水予測問題に特化して,CNNの深部構造を導入している。 開発したDLモデルの性能は、一般に採用されている測地回帰法に対して検証される。
  論文  参考訳（メタデータ） (2024-06-06T19:54:34Z)
• Graph Neural Networks for Pressure Estimation in Water Distribution Systems [44.99833362998488]
  水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。 物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。 我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
  論文  参考訳（メタデータ） (2023-11-17T15:30:12Z)
• PreDiff: Precipitation Nowcasting with Latent Diffusion Models [28.52267957954304]
  確率的予測が可能な条件付き潜伏拡散モデルを開発した。 予測をドメイン固有の物理的制約と整合させるために、明示的な知識アライメント機構を組み込んだ。
  論文  参考訳（メタデータ） (2023-07-19T19:19:13Z)
• DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising Diffusion Models [53.67562579184457]
  本稿では,不確実性や複雑な依存関係のモデル化が困難であることから,確率的STG予測に焦点をあてる。 本稿では,一般的な拡散モデルをSTGに一般化する最初の試みとして,DiffSTGと呼ばれる新しい非自己回帰フレームワークを提案する。 提案手法は,本質的時間学習能力STNNと拡散モデルの不確実性測定を組み合わせたものである。
  論文  参考訳（メタデータ） (2023-01-31T13:42:36Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• Black-box Node Injection Attack for Graph Neural Networks [29.88729779937473]
  被害者のGNNモデルを回避するためにノードを注入する可能性について検討する。 具体的には,グラフ強化学習フレームワークGA2Cを提案する。 本稿では,既存の最先端手法よりもGA2Cの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2022-02-18T19:17:43Z)
• Learning from Images: Proactive Caching with Parallel Convolutional Neural Networks [94.85780721466816]
  本稿では,プロアクティブキャッシングのための新しいフレームワークを提案する。 モデルベースの最適化とデータ駆動技術を組み合わせて、最適化問題をグレースケールのイメージに変換する。 数値計算の結果,提案手法は71.6%の計算時間を0.8%のコストで削減できることがわかった。
  論文  参考訳（メタデータ） (2021-08-15T21:32:47Z)
• Adversarial Diffusion Attacks on Graph-based Traffic Prediction Models [5.067859671505088]
  最近の研究では、逆攻撃下でのグラフネットワーク(CN)の脆弱性を明らかにしている。 本稿では、GCNに基づくトラフィック予測モデルの堅牢性を調べるための新しいタスクである拡散攻撃を提案する。 提案アルゴリズムは,様々なシナリオにおける敵の攻撃タスクにおいて高い効率を示す。
  論文  参考訳（メタデータ） (2021-04-19T14:57:25Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)
• Towards Query-Efficient Black-Box Adversary with Zeroth-Order Natural Gradient Descent [92.4348499398224]
  ブラックボックスの敵攻撃手法は、実用性や単純さから特に注目されている。 敵攻撃を設計するためのゼロ階自然勾配降下法(ZO-NGD)を提案する。 ZO-NGDは、最先端攻撃法と比較して、モデルクエリの複雑さが大幅に低い。
  論文  参考訳（メタデータ） (2020-02-18T21:48:54Z)

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。