論文の概要: Generalizable Graph Neural Networks for Robust Power Grid Topology Control

• arxiv url: http://arxiv.org/abs/2501.07186v1
• Date: Mon, 13 Jan 2025 10:31:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:29:48.937301
• Title: Generalizable Graph Neural Networks for Robust Power Grid Topology Control
• Title（参考訳）: ロバストグリッドトポロジー制御のための一般化可能なグラフニューラルネットワーク
• Authors: Matthijs de Jong, Jan Viebahn, Yuliya Shapovalova,
• Abstract要約: グラフニューラルネットワーク(GNN)は、計算におけるグラフ構造を反映したMLモデルのクラスである。 GNN層のみを利用するグリッドトポロジ制御のための最初のGNNモデルを提案する。 我々は、同種および異種GNNと完全連結ニューラルネットワーク(FCNN)の両方を模倣学習タスクに基づいて訓練する。
• 参考スコア（独自算出の注目度）: 0.24578723416255752
• License:
• Abstract: The energy transition necessitates new congestion management methods. One such method is controlling the grid topology with machine learning (ML). This approach has gained popularity following the Learning to Run a Power Network (L2RPN) competitions. Graph neural networks (GNNs) are a class of ML models that reflect graph structure in their computation, which makes them suitable for power grid modeling. Various GNN approaches for topology control have thus been proposed. We propose the first GNN model for grid topology control that uses only GNN layers. Additionally, we identify the busbar information asymmetry problem that the popular homogeneous graph representation suffers from, and propose a heterogeneous graph representation to resolve it. We train both homogeneous and heterogeneous GNNs and fully connected neural networks (FCNN) baselines on an imitation learning task. We evaluate the models according to their classification accuracy and grid operation ability. We find that the heterogeneous GNNs perform best on in-distribution networks, followed by the FCNNs, and lastly, the homogeneous GNNs. We also find that both GNN types generalize better to out-of-distribution networks than FCNNs.
• Abstract（参考訳）: エネルギー遷移は、新しい渋滞管理方法を必要とする。 そのような手法の1つは、機械学習(ML)によるグリッドトポロジの制御である。 このアプローチはL2RPN(Learning to Run a Power Network)コンペで人気を得た。 グラフニューラルネットワーク(GNN)は、計算におけるグラフ構造を反映したMLモデルのクラスであり、電力グリッドモデリングに適している。 トポロジ制御のための様々なGNN手法が提案されている。 GNN層のみを利用するグリッドトポロジ制御のための最初のGNNモデルを提案する。 さらに、一般的な均質グラフ表現が抱えるバスバー情報非対称性の問題を特定し、それを解決するための異質グラフ表現を提案する。 我々は、同種および異種GNNと完全連結ニューラルネットワーク(FCNN)の両方を模倣学習タスクに基づいて訓練する。 それらの分類精度とグリッド操作能力に基づいてモデルを評価する。 ヘテロジニアス GNN は分布内ネットワーク上で,次に FCNN, そして最後に同質 GNN で最善であることがわかった。 また、両方のGNNタイプがFCNNよりもアウト・オブ・ディストリビューション・ネットワークに一般化されていることも判明した。

関連論文リスト

• Graph Neural Networks at a Fraction [1.8175282137722093]
  本稿では、四元数空間を利用してノード表現を計算するフレームワークである四元数メッセージパッシングニューラルネットワーク(QMPNN)を紹介する。 GNN や QMPNN のコンテキストにおける適用性を再定義する。
  論文  参考訳（メタデータ） (2025-02-10T03:55:09Z)
• Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
  グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。 このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
  論文  参考訳（メタデータ） (2023-12-16T14:09:23Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Network In Graph Neural Network [9.951298152023691]
  本稿では,任意のGNNモデルに対して,モデルをより深くすることでモデル容量を増大させるモデルに依存しない手法を提案する。 GNNレイヤの追加や拡張の代わりに、NGNNは、各GNNレイヤに非線形フィードフォワードニューラルネットワーク層を挿入することで、GNNモデルを深めている。
  論文  参考訳（メタデータ） (2021-11-23T03:58:56Z)
• 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)
• A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。 本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
  論文  参考訳（メタデータ） (2020-10-05T04:57:18Z)
• Graph Neural Networks: Architectures, Stability and Transferability [176.3960927323358]
  グラフニューラルネットワーク(GNN)は、グラフでサポートされている信号のための情報処理アーキテクチャである。 これらは、個々の層がグラフ畳み込みフィルタのバンクを含む畳み込みニューラルネットワーク(CNN)の一般化である。
  論文  参考訳（メタデータ） (2020-08-04T18:57:36Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。