論文の概要: Power Failure Cascade Prediction using Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2404.16134v1
- Date: Wed, 24 Apr 2024 18:45:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-26 18:02:25.916289
- Title: Power Failure Cascade Prediction using Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークを用いたパワー障害カスケード予測
- Authors: Sathwik Chadaga, Xinyu Wu, Eytan Modiano,
- Abstract要約: 本稿では,初期コンテンジェンシーと電力注入値が与えられたカスケードプロセスの各世代におけるグリッド状態を予測するフローフリーモデルを提案する。
提案モデルにより,計算時間をほぼ2桁に短縮できることを示す。
- 参考スコア（独自算出の注目度）: 4.667031410586657
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We consider the problem of predicting power failure cascades due to branch failures. We propose a flow-free model based on graph neural networks that predicts grid states at every generation of a cascade process given an initial contingency and power injection values. We train the proposed model using a cascade sequence data pool generated from simulations. We then evaluate our model at various levels of granularity. We present several error metrics that gauge the model's ability to predict the failure size, the final grid state, and the failure time steps of each branch within the cascade. We benchmark the graph neural network model against influence models. We show that, in addition to being generic over randomly scaled power injection values, the graph neural network model outperforms multiple influence models that are built specifically for their corresponding loading profiles. Finally, we show that the proposed model reduces the computational time by almost two orders of magnitude.
- Abstract（参考訳）: 分岐故障による停電の予測の問題点を考察する。
本稿では,初期コンシデントと電力注入値が与えられたカスケードプロセスの各世代における格子状態を予測するグラフニューラルネットワークに基づくフローフリーモデルを提案する。
シミュレーションから生成したカスケードシーケンスデータプールを用いて,提案モデルを訓練する。
そして、そのモデルを様々なレベルの粒度で評価する。
モデルが障害サイズ、最終的なグリッド状態、およびカスケード内の各ブランチの障害時間ステップを予測するためのいくつかのエラーメトリクスを示す。
我々は、影響モデルに対してグラフニューラルネットワークモデルをベンチマークする。
ランダムにスケールした電力注入値の汎用性に加えて、グラフニューラルネットワークモデルは、対応する負荷プロファイルに特化して構築された複数の影響モデルよりも優れていることを示す。
最後に,提案モデルにより,ほぼ2桁の計算時間を短縮できることを示す。
関連論文リスト
- A Dynamical Model of Neural Scaling Laws [79.59705237659547]
ネットワークトレーニングと一般化の解決可能なモデルとして,勾配降下で訓練されたランダムな特徴モデルを分析する。
我々の理論は、データの繰り返し再利用により、トレーニングとテスト損失のギャップが徐々に増大することを示している。
論文 参考訳（メタデータ） (2024-02-02T01:41:38Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳（メタデータ） (2023-05-16T11:38:19Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - On the Prediction Instability of Graph Neural Networks [2.3605348648054463]
トレーニングされたモデルの不安定性は、マシンラーニングシステムの信頼性、信頼性、信頼性に影響を与える可能性がある。
最新のグラフニューラルネットワーク(GNN)によるノード分類の不安定性の予測を系統的に評価する。
不正に分類されたノードの最大3分の1は、アルゴリズムの実行によって異なることがわかった。
論文 参考訳（メタデータ） (2022-05-20T10:32:59Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Data-Driven Interaction Analysis of Line Failure Cascading in Power Grid
Networks [0.0]
パワーグリッドネットワークにおける障害カスケードのラインインタラクションをモデル化するために、機械学習ツールを使用します。
まず、最初のランダムな故障の後、連続するライン障害を再現した軌跡のデータセットを収集する。
次に、モデルパワーネットワークにおける実際の制約を、システムが安定した状態に収まるまで検討する。
論文 参考訳（メタデータ） (2021-12-02T09:04:01Z) - Black-box Adversarial Attacks on Network-wide Multi-step Traffic State
Prediction Models [4.353029347463806]
予測モデルをブラックボックスとして扱うことで,敵攻撃の枠組みを提案する。
相手は任意の入力で予測モデルを導出し、対応する出力を得る。
攻撃の有効性を検証するため,グラフニューラルネットワークベースモデル(GCGRNNとDCRNN)の2つの状態について検討した。
論文 参考訳（メタデータ） (2021-10-17T03:45:35Z) - Modeling Gate-Level Abstraction Hierarchy Using Graph Convolutional
Neural Networks to Predict Functional De-Rating Factors [0.0]
グラフ畳み込みネットワーク(GCN)を用いたゲートレベルのネットリストのモデル化手法を提案する。
モデルは、与えられた回路のシーケンシャル要素の全体的な機能劣化因子を予測する。
論文 参考訳（メタデータ） (2021-04-05T08:38:16Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳（メタデータ） (2020-12-17T15:19:29Z) - A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。
線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。
以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
論文 参考訳（メタデータ） (2020-10-27T17:56:14Z) - Surprisal-Triggered Conditional Computation with Neural Networks [19.55737970532817]
自己回帰ニューラルネットワークモデルは、シーケンス生成、特徴抽出、仮説スコアリングに成功している。
本稿では,これらのモデルに対して,より複雑な入力により多くの計算を割り当てる,という新たな利用法を提案する。
論文 参考訳（メタデータ） (2020-06-02T14:34:24Z)
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。