論文の概要: Graph neural networks for power grid operational risk assessment under evolving grid topology

• arxiv url: http://arxiv.org/abs/2405.07343v1
• Date: Sun, 12 May 2024 17:40:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-14 15:24:35.429929
• Title: Graph neural networks for power grid operational risk assessment under evolving grid topology
• Title（参考訳）: 進化的グリッドトポロジー下における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、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。
• 参考スコア（独自算出の注目度）: 4.6289929100615
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This article investigates the ability of graph neural networks (GNNs) to identify risky conditions in a power grid over the subsequent few hours, without explicit, high-resolution information regarding future generator on/off status (grid topology) or power dispatch decisions. The GNNs are trained using supervised learning, to predict the power grid's aggregated bus-level (either zonal or system-level) or individual branch-level state under different power supply and demand conditions. The variability of the stochastic grid variables (wind/solar generation and load demand), and their statistical correlations, are rigorously considered while generating the inputs for the training data. The outputs in the training data, obtained by solving numerous mixed-integer linear programming (MILP) optimal power flow problems, correspond to system-level, zonal and transmission line-level quantities of interest (QoIs). The QoIs predicted by the GNNs are used to conduct hours-ahead, sampling-based reliability and risk assessment w.r.t. zonal and system-level (load shedding) as well as branch-level (overloading) failure events. The proposed methodology is demonstrated for three synthetic grids with sizes ranging from 118 to 2848 buses. Our results demonstrate that GNNs are capable of providing fast and accurate prediction of QoIs and can be good proxies for computationally expensive MILP algorithms. The excellent accuracy of GNN-based reliability and risk assessment suggests that GNN models can substantially improve situational awareness by quickly providing rigorous reliability and risk estimates.
• Abstract（参考訳）: 本稿では,今後の発電機のオン/オフ状態(グリッドトポロジ)や配電決定に関する高精細な情報なしに,電力網内の危険条件を特定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は教師付き学習を用いて訓練され、電力グリッドの集積バスレベル(ゾーンレベルまたはシステムレベル)または個々のブランチレベル状態を異なる電力供給および需要条件下で予測する。 トレーニングデータに対する入力を生成しながら、確率格子変数(風/ソラ生成と負荷需要)の変動とそれらの統計的相関を厳格に考慮する。 多数の混合整数線形計画法(MILP)最適電力フロー問題を解くことで得られたトレーニングデータの出力は、システムレベル、粒子レベル、伝送ラインレベルの関心量(QoIs)に対応する。 GNNが予測するQoIは、時間前、サンプリングベースの信頼性、リスクアセスメント(英語版)において、水平およびシステムレベル(ロードシェディング)および分岐レベル(オーバーロード)障害イベントの実行に使用される。 提案手法は, バスサイズが118から2848の3種類の合成格子に対して実証された。 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,計算コストのかかるMILPアルゴリズムに優れたプロキシであることを示す。 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、厳密な信頼性とリスク推定を迅速に提供することにより、GNNモデルが状況認識を大幅に改善できることを示唆している。

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)
• 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)
• 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)
• 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)
• Graph Neural Networks on Factor Graphs for Robust, Fast, and Scalable Linear State Estimation with PMUs [1.1470070927586016]
  本稿では、グラフニューラルネットワーク(GNN)を用いて、PMU電圧と電流測定から複雑なバス電圧推定を学習する手法を提案する。 本稿では,電力系統の因子グラフ上でのGNNのオリジナル実装を提案する。 このモデルは非常に効率的でスケーラブルであり、計算複雑性は電力系統のノード数に対して線形である。
  論文  参考訳（メタデータ） (2023-04-28T08:17:52Z)
• Robust and Fast Data-Driven Power System State Estimator Using Graph Neural Networks [1.2891210250935146]
  本稿では,グラフニューラルネットワーク(GNN)に基づくモデルトレーニング手法について,PMU電圧と電流測定から推定値を求める。 本稿では,電力系統の因子グラフ上の独自のGNN実装を提案する。
  論文  参考訳（メタデータ） (2022-06-06T16:40:54Z)
• State Estimation in Electric Power Systems Leveraging Graph Neural Networks [1.2891210250935146]
  本稿では,PMU電圧と電流を入力として推定するグラフニューラルネットワーク(GNN)のトレーニングを提案する。 GNNは、電力システムの無作為な測定セットをランダムにサンプリングすることで生成された合成データセットを使用して訓練される。 その結果,様々なテストシナリオにおけるGNN予測の精度を示し,欠落したデータに対する予測の感度に対処した。
  論文  参考訳（メタデータ） (2022-01-11T16:58:20Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
  グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。 本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。 そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:55:58Z)
• 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。