論文の概要: Physics-Informed Heterogeneous Graph Neural Networks for DC Blocker Placement

• arxiv url: http://arxiv.org/abs/2405.10389v1
• Date: Thu, 16 May 2024 18:33:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-20 17:42:52.311682
• Title: Physics-Informed Heterogeneous Graph Neural Networks for DC Blocker Placement
• Title（参考訳）: 直流ブロッカ配置のための物理インフォームド不均一グラフニューラルネットワーク
• Authors: Hongwei Jin, Prasanna Balaprakash, Allen Zou, Pieter Ghysels, Aditi S. Krishnapriyan, Adam Mate, Arthur Barnes, Russell Bent,
• Abstract要約: 物理インフォームド・ヘテロジニアスグラフニューラルネットワーク(PIHGNN)を開発した。 我々のアプローチは、異種グラフニューラルネットワーク(HGNN)と物理インフォームドニューラルネットワーク(PINN)を組み合わせて、ac/dcネットワークの様々な種類のノードとエッジを捕捉し、電力グリッドの物理法則を組み込む。
• 参考スコア（独自算出の注目度）: 7.404135200545133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The threat of geomagnetic disturbances (GMDs) to the reliable operation of the bulk energy system has spurred the development of effective strategies for mitigating their impacts. One such approach involves placing transformer neutral blocking devices, which interrupt the path of geomagnetically induced currents (GICs) to limit their impact. The high cost of these devices and the sparsity of transformers that experience high GICs during GMD events, however, calls for a sparse placement strategy that involves high computational cost. To address this challenge, we developed a physics-informed heterogeneous graph neural network (PIHGNN) for solving the graph-based dc-blocker placement problem. Our approach combines a heterogeneous graph neural network (HGNN) with a physics-informed neural network (PINN) to capture the diverse types of nodes and edges in ac/dc networks and incorporates the physical laws of the power grid. We train the PIHGNN model using a surrogate power flow model and validate it using case studies. Results demonstrate that PIHGNN can effectively and efficiently support the deployment of GIC dc-current blockers, ensuring the continued supply of electricity to meet societal demands. Our approach has the potential to contribute to the development of more reliable and resilient power grids capable of withstanding the growing threat that GMDs pose.
• Abstract（参考訳）: バルクエネルギーシステムの信頼性の高い運用に対する磁気障害(GMD)の脅威は、その影響を緩和するための効果的な戦略の開発を刺激している。 そのようなアプローチの1つは、電磁誘導電流(GIC)の経路を遮断し、その影響を制限する変圧器の中立遮断装置を配置することである。 しかし、これらの装置の高コストと、GMDイベント中に高いGICを経験するトランスフォーマーの広さは、高い計算コストを伴う疎配置戦略を要求する。 この課題に対処するために、我々は、グラフベースのdc-ブロッカ配置問題を解決する物理インフォームド・ヘテロジニアスグラフニューラルネットワーク(PIHGNN)を開発した。 我々のアプローチは、異種グラフニューラルネットワーク(HGNN)と物理インフォームドニューラルネットワーク(PINN)を組み合わせて、ac/dcネットワークの様々な種類のノードとエッジを捕捉し、電力グリッドの物理法則を組み込む。 我々は、代理電力フローモデルを用いてPIHGNNモデルを訓練し、ケーススタディを用いて検証する。 その結果,PIHGNN は GIC dc 電流遮断器の配置を効果的かつ効率的に支援し,社会的要求を満たすための電力供給の継続を保証できることがわかった。 我々のアプローチは、GMDがもたらす脅威に耐えうる信頼性が高く弾力性のある電力網の開発に寄与する可能性がある。

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)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• Data-Driven Approach to form Energy Resilient Smart Microgrids with Identification of Vulnerable Nodes in Active Electrical Distribution Network [0.0]
  電気配電網におけるノード識別の弱いDERを最適に割り当てる手法を提案する。 分布系をグラフ理論とグラフニューラルネットワーク(GNN)アーキテクチャを用いて最適マイクログリッドに分割した。 脆弱なノード上のDERの配置により、ネットワークの信頼性とレジリエンスが向上した。
  論文  参考訳（メタデータ） (2022-08-24T17:39:36Z)
• Web-Based Platform for Evaluation of Resilient and Transactive Smart-Grids [0.0]
  トランスアクティブ・エナジー(TE)は、経済・制御技術を通じて、スマートグレードにおけるDERの増加を管理するための新たなアプローチである。 我々は、様々なサイバー攻撃や物理的攻撃に対して、スマートグリッドのレジリエンスを評価するための包括的Webベースのプラットフォームを提案する。
  論文  参考訳（メタデータ） (2022-06-11T15:34:33Z)
• Toward Dynamic Stability Assessment of Power Grid Topologies using Graph Neural Networks [0.0]
  Renewablesは、分散化による動的安定性、慣性低下、生産時のボラティリティに関する電力グリッドに新たな課題を導入している。 グラフニューラルネットワーク(GNN)は電力グリッドの動的安定性を解析する計算労力を削減するための有望な手法である。 GNNは、トポロジカル情報のみから高度に非線形なターゲットを予測するのに驚くほど効果的です。
  論文  参考訳（メタデータ） (2022-06-10T07:23:22Z)
• Stabilizing Voltage in Power Distribution Networks via Multi-Agent Reinforcement Learning with Transformer [128.19212716007794]
  本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。 さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
  論文  参考訳（メタデータ） (2022-06-08T07:48:42Z)
• Adversarially Robust Learning for Security-Constrained Optimal Power Flow [55.816266355623085]
  我々は、N-kセキュリティ制約付き最適電力流(SCOPF)の課題に取り組む。 N-k SCOPFは電力網の運用における中核的な問題である。 N-k SCOPF を極小最適化問題とみなす。
  論文  参考訳（メタデータ） (2021-11-12T22:08:10Z)
• The Nuts and Bolts of Adopting Transformer in GANs [124.30856952272913]
  高忠実度画像合成のためのGAN(Generative Adversarial Network)フレームワークにおけるTransformerの特性について検討する。 我々の研究は、STrans-Gと呼ばれる畳み込みニューラルネットワーク(CNN)フリージェネレータであるGANにおけるトランスフォーマーの新しい代替設計につながる。
  論文  参考訳（メタデータ） (2021-10-25T17:01:29Z)
• Power to the Relational Inductive Bias: Graph Neural Networks in Electrical Power Grids [1.732048244723033]
  いくつかの重要な点において、電力網とは異なるグラフを含むベンチマークによって駆動されるGNN研究の間にはギャップがあることを論じる。 このギャップを, (i) 電力グリッドグラフデータセットを帰納的設定で定義し, (ii) グラフ特性の探索的解析を行い, (iii) 実世界の電力グリッドにおける状態推定の具体的な学習課題に関する実証的研究を行った。
  論文  参考訳（メタデータ） (2021-09-08T12:56:00Z)
• Physics-Informed Graphical Neural Network for Parameter & State Estimations in Power Systems [4.416484585765027]
  本稿では,GNN(Graphical Neural Networks)にパワーシステムの物理モデリングを組み込むハイブリッド方式を提案する。 我々は,実効電力フロー(EPF)モデル内の物理,すなわち解釈可能なパラメータを再構成する物理インフォームド手法であるPower-GNNを構築した。 実験では、数千の負荷と数百の発電機を含む、さまざまな現実的な電力ネットワーク上でPower-GNNをテストする。
  論文  参考訳（メタデータ） (2021-02-12T04:32:50Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)

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。