論文の概要: SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids
- arxiv url: http://arxiv.org/abs/2407.12421v1
- Date: Wed, 17 Jul 2024 09:01:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-18 17:47:48.138842
- Title: SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids
- Title（参考訳）: SafePowerGraph:送信電力グリッドのためのグラフニューラルネットワークの安全性を考慮した評価
- Authors: Salah Ghamizi, Aleksandar Bojchevski, Aoxiang Ma, Jun Cao,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 55.35059657148395
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Power grids are critical infrastructures of paramount importance to modern society and their rapid evolution and interconnections has heightened the complexity of power systems (PS) operations. Traditional methods for grid analysis struggle with the computational demands of large-scale RES and ES integration, prompting the adoption of machine learning (ML) techniques, particularly Graph Neural Networks (GNNs). GNNs have proven effective in solving the alternating current (AC) Power Flow (PF) and Optimal Power Flow (OPF) problems, crucial for operational planning. However, existing benchmarks and datasets completely ignore safety and robustness requirements in their evaluation and never consider realistic safety-critical scenarios that most impact the operations of the power grids. We present SafePowerGraph, the first simulator-agnostic, safety-oriented framework and benchmark for GNNs in PS operations. SafePowerGraph integrates multiple PF and OPF simulators and assesses GNN performance under diverse scenarios, including energy price variations and power line outages. Our extensive experiments underscore the importance of self-supervised learning and graph attention architectures for GNN robustness. We provide at https://github.com/yamizi/SafePowerGraph our open-source repository, a comprehensive leaderboard, a dataset and model zoo and expect our framework to standardize and advance research in the critical field of GNN for power systems.
- Abstract（参考訳）: 電力グリッドは現代社会にとって最も重要な重要なインフラであり、その急速な進化と相互接続により、電力系統(PS)の運用の複雑さが増している。
グリッド分析の従来の手法は、大規模なRESとESの統合の計算要求に苦慮しており、機械学習(ML)技術、特にグラフニューラルネットワーク(GNN)の採用を促している。
GNNは、運用計画に不可欠な交流電力流(AC)と最適電力流(OPF)の問題を解決するのに有効であることが証明されている。
しかし、既存のベンチマークとデータセットは、その評価における安全性と堅牢性要件を完全に無視し、電力グリッドの運用に最も影響を及ぼす現実的な安全クリティカルシナリオを決して考慮しない。
SafePowerGraphは,PS操作におけるGNN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およびベンチマークである。
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。
我々の広範な実験は、GNNの堅牢性に対する自己教師付き学習とグラフ注意アーキテクチャの重要性を浮き彫りにした。
私たちはhttps://github.com/yamizi/SafePowerGraphでオープンソースリポジトリ、包括的なリーダボード、データセット、モデル動物園を提供しています。
関連論文リスト
- Linear-Time Graph Neural Networks for Scalable Recommendations [50.45612795600707]
推薦システムの鍵は、過去のユーザとイテムのインタラクションに基づいて、ユーザの将来の振る舞いを予測することである。
近年、リコメンデータシステムの予測性能を高めるためにグラフニューラルネットワーク(GNN)を活用することへの関心が高まっている。
我々は,従来のMF手法と同等のスケーラビリティを実現するために,GNNベースのレコメンデータシステムをスケールアップするための線形時間グラフニューラルネットワーク(LTGNN)を提案する。
論文 参考訳（メタデータ） (2024-02-21T17:58:10Z) - PowerGraph: A power grid benchmark dataset for graph neural networks [7.504044714471332]
本稿では、電力フロー、最適電力フロー、カスケード故障解析のためのGNN調整データセットを含むPowerGraphを提案する。
PowerGraphは、さまざまなタスクのための多面的なGNNデータセットで、実世界の説明を含む電力フローと障害シナリオを含んでいる。
論文 参考訳（メタデータ） (2024-02-05T09:24:52Z) - Privacy-preserving design of graph neural networks with applications to
vertical federated learning [56.74455367682945]
VESPERと呼ばれるエンドツーエンドのグラフ表現学習フレームワークを提案する。
VESPERは、適切なプライバシー予算の下でスパースグラフと密度グラフの両方で高性能なGNNモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2023-10-31T15:34:59Z) - Proximal Policy Optimization with Graph Neural Networks for Optimal Power Flow [4.27638925658716]
グラフニューラルネットワーク(GNN)は、データに機械学習(ML)アルゴリズムを自然に使用可能にする。
深層強化学習(DRL)は、複雑な意思決定問題を解決する強力な能力で知られている。
問題を解決する方法を学ぶアーキテクチャを提案し、同時にシナリオを発見できるアーキテクチャを提案します。
論文 参考訳（メタデータ） (2022-12-23T17:00:00Z) - 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) - Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。
シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
論文 参考訳（メタデータ） (2022-10-17T17:30:09Z) - Trustworthy Graph Neural Networks: Aspects, Methods and Trends [115.84291569988748]
グラフニューラルネットワーク(GNN)は,さまざまな実世界のシナリオに対して,有能なグラフ学習手法として登場した。
パフォーマンス指向のGNNは、敵の攻撃に対する脆弱性のような潜在的な副作用を示す。
こうした意図しない害を避けるためには、信頼度に特徴付けられる有能なGNNを構築する必要がある。
論文 参考訳（メタデータ） (2022-05-16T02:21:09Z) - Power Flow Balancing with Decentralized Graph Neural Networks [4.812718493682454]
汎用グリッド内の電力フローのバランスをとるために,グラフニューラルネットワーク(GNN)に基づくエンドツーエンドフレームワークを提案する。
提案するフレームワークは,ディープラーニングに基づく他の解法と比較して効率的であり,グリッドコンポーネントの物理量だけでなくトポロジにも頑健である。
論文 参考訳（メタデータ） (2021-11-03T12:14:56Z) - 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)
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。