論文の概要: Graph Neural Networks for Electric and Hydraulic Data Fusion to Enhance Short-term Forecasting of Pumped-storage Hydroelectricity
- arxiv url: http://arxiv.org/abs/2404.03368v1
- Date: Thu, 4 Apr 2024 11:09:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-05 15:01:15.961197
- Title: Graph Neural Networks for Electric and Hydraulic Data Fusion to Enhance Short-term Forecasting of Pumped-storage Hydroelectricity
- Title（参考訳）: 電気・油圧データ融合のためのグラフニューラルネットワークによる揚水型水力発電の短期予測
- Authors: Raffael Theiler, Olga Fink,
- Abstract要約: 揚水型水力発電所(PSH)はグリッド電力周波数制御に積極的に参加している。
動的に変化する状態を予測することは、基礎となるセンサーとマシンの状態を理解するために不可欠である。
この研究は、自己認識機構を利用して意味のあるサブシステム間の相互依存を同時に捕捉し学習するスペクトル時間グラフニューラルネットワークの応用を導入している。
- 参考スコア（独自算出の注目度）: 6.675805308519987
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Pumped-storage hydropower plants (PSH) actively participate in grid power-frequency control and therefore often operate under dynamic conditions, which results in rapidly varying system states. Predicting these dynamically changing states is essential for comprehending the underlying sensor and machine conditions. This understanding aids in detecting anomalies and faults, ensuring the reliable operation of the connected power grid, and in identifying faulty and miscalibrated sensors. PSH are complex, highly interconnected systems encompassing electrical and hydraulic subsystems, each characterized by their respective underlying networks that can individually be represented as graphs. To take advantage of this relational inductive bias, graph neural networks (GNNs) have been separately applied to state forecasting tasks in the individual subsystems, but without considering their interdependencies. In PSH, however, these subsystems depend on the same control input, making their operations highly interdependent and interconnected. Consequently, hydraulic and electrical sensor data should be fused across PSH subsystems to improve state forecasting accuracy. This approach has not been explored in GNN literature yet because many available PSH graphs are limited to their respective subsystem boundaries, which makes the method unsuitable to be applied directly. In this work, we introduce the application of spectral-temporal graph neural networks, which leverage self-attention mechanisms to concurrently capture and learn meaningful subsystem interdependencies and the dynamic patterns observed in electric and hydraulic sensors. Our method effectively fuses data from the PSH's subsystems by operating on a unified, system-wide graph, learned directly from the data, This approach leads to demonstrably improved state forecasting performance and enhanced generalizability.
- Abstract（参考訳）: 揚水型水力発電所(PSH)はグリッド電力周波数制御に積極的に参加し、しばしば動的条件下で稼働する。
これらの動的に変化する状態を予測することは、基礎となるセンサーとマシンの状態を理解するために不可欠である。
この理解は異常や故障を検出し、接続された電力網の信頼性を確保し、故障や誤校正されたセンサーを識別するのに役立つ。
PSHは、電気と油圧のサブシステムを含む複雑で高度に相互接続されたシステムであり、それぞれがグラフとして個別に表現できる基本ネットワークによって特徴づけられる。
この関係帰納バイアスを利用するために、グラフニューラルネットワーク(GNN)は個々のサブシステムの状態予測タスクに別々に適用されているが、それらの相互依存は考慮していない。
しかしながら、PSHでは、これらのサブシステムは同じ制御入力に依存しており、それらの操作は相互に依存し、相互接続される。
これにより、PSHサブシステム間で油圧センサと電気センサデータを融合させ、状態予測精度を向上させることができる。
このアプローチはGNNの文献ではまだ検討されていないが、多くの利用可能なPSHグラフはそれぞれのサブシステムの境界に制限されているため、直接適用するのは不適当である。
本研究では,電気・油圧センサで観測される有意義なサブシステム相互依存性と動的パターンを同時に捕捉し,学習するための自己認識機構を利用したスペクトル時間グラフニューラルネットワークの適用について紹介する。
本手法は,PSHのサブシステムからのデータを統合されたシステムワイドグラフで操作し,直接データから学習することで効果的に融合する。
関連論文リスト
- Online Multi-modal Root Cause Analysis [61.94987309148539]
ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。
既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。
OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
論文 参考訳（メタデータ） (2024-10-13T21:47:36Z) - Response Estimation and System Identification of Dynamical Systems via Physics-Informed Neural Networks [0.0]
本稿では,物理インフォームドニューラルネットワーク(PINN)を用いた力学系の同定と推定について検討する。
PINNは、既知の物理法則をニューラルネットワークの損失関数に直接埋め込むことによって、複雑な現象の単純な埋め込みを可能にするユニークな利点を提供する。
その結果、PINNは上記のすべてのタスクに対して、たとえモデルエラーがあっても、効率的なツールを提供することを示した。
論文 参考訳（メタデータ） (2024-10-02T08:58:30Z) - Graph Neural Networks for Virtual Sensing in Complex Systems: Addressing Heterogeneous Temporal Dynamics [8.715570103753697]
複雑なシステムの信頼性と効率的な運用にはリアルタイム状態監視が不可欠である。
本稿では,HTGNN(Heterogeneous Temporal Graph Neural Network)フレームワークを提案する。
HTGNNは多様なセンサーからの信号を明示的にモデル化し、動作条件をモデルアーキテクチャに統合する。
論文 参考訳（メタデータ） (2024-07-26T12:16:53Z) - Building Hybrid B-Spline And Neural Network Operators [0.0]
制御システムはサイバー物理システム(CPS)の安全性を確保するために不可欠である
本稿では,B-スプラインの帰納バイアスとデータ駆動型ニューラルネットワークを組み合わせることで,CPS行動のリアルタイム予測を容易にする手法を提案する。
論文 参考訳（メタデータ） (2024-06-06T21:54:59Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Inferring Relational Potentials in Interacting Systems [56.498417950856904]
このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。
NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。
別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
論文 参考訳（メタデータ） (2023-10-23T00:44:17Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - Evaluating Distribution System Reliability with Hyperstructures Graph
Convolutional Nets [74.51865676466056]
本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。
数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2022-11-14T01:29:09Z) - Distributed neural network control with dependability guarantees: a
compositional port-Hamiltonian approach [0.0]
大規模なサイバー物理システムは、制御ポリシーが分散されていること、すなわち、ローカルなリアルタイム測定と近隣エージェントとの通信にのみ依存することを要求する。
最近の研究でニューラルネットワーク(NN)分散コントローラのトレーニングが提案されている。
NNコントローラの主な課題は、トレーニング中と後、すなわちクローズドループシステムは不安定であり、勾配の消失と爆発によってトレーニングが失敗する可能性があることである。
論文 参考訳（メタデータ） (2021-12-16T17:37:11Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - Physics-Informed Neural Networks for Non-linear System Identification
for Power System Dynamics [0.0]
本稿では,将来の電力系統の周波数ダイナミクスを発見するための物理情報ニューラルネットワーク(PINN)の性能について検討する。
PINNは、低慣性システムのより強い非線形性、測定ノイズの増加、データの可用性の制限といった課題に対処する可能性がある。
論文 参考訳（メタデータ） (2020-04-08T14:50:13Z)
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。