論文の概要: Real-Time Risky Fault-Chain Search using Time-Varying Graph RNNs

• arxiv url: http://arxiv.org/abs/2503.09775v1
• Date: Wed, 12 Mar 2025 19:27:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:50:45.545167
• Title: Real-Time Risky Fault-Chain Search using Time-Varying Graph RNNs
• Title（参考訳）: 時変グラフRNNを用いたリアルタイム危険パターン探索
• Authors: Anmol Dwivedi, Ali Tajer,
• Abstract要約: 本稿では,電力グリッド内のカスケード故障連鎖(FC)をリアルタイムに検索するための,データ駆動型グラフィカルフレームワークを提案する。 気候変動によって引き起こされる極端な気象現象が増加するにつれて、カスケード障害を緩和し、グリッド安定性を確保するためにリスクの高いFCを特定することが重要である。
• 参考スコア（独自算出の注目度）: 17.491377242265873
• License:
• Abstract: This paper introduces a data-driven graphical framework for the real-time search of risky cascading fault chains (FCs) in power-grids, crucial for enhancing grid resiliency in the face of climate change. As extreme weather events driven by climate change increase, identifying risky FCs becomes crucial for mitigating cascading failures and ensuring grid stability. However, the complexity of the spatio-temporal dependencies among grid components and the exponential growth of the search space with system size pose significant challenges to modeling and risky FC search. To tackle this, we model the search process as a partially observable Markov decision process (POMDP), which is subsequently solved via a time-varying graph recurrent neural network (GRNN). This approach captures the spatial and temporal structure induced by the system's topology and dynamics, while efficiently summarizing the system's history in the GRNN's latent space, enabling scalable and effective identification of risky FCs.
• Abstract（参考訳）: 本稿では,電力グリッド内のリスクカスケード故障連鎖(FC)をリアルタイムに探索するための,データ駆動型グラフィカルフレームワークを提案する。 気候変動によって引き起こされる極端な気象現象が増加するにつれて、カスケード障害を緩和し、グリッド安定性を確保するためにリスクの高いFCを特定することが重要である。 しかし、グリッドコンポーネント間の時空間依存性の複雑さとシステムサイズによる探索空間の指数的成長は、モデリングとリスクの高いFCサーチにおいて大きな課題となる。 これを解決するために、探索過程を部分的に観測可能なマルコフ決定プロセス(POMDP)としてモデル化し、その後、時間変化のグラフリカレントニューラルネットワーク(GRNN)を用いて解決する。 このアプローチは、システムのトポロジとダイナミクスによって引き起こされる空間的および時間的構造を捕捉し、GRNNの潜在空間におけるシステムの履歴を効率的に要約し、スケーラブルで効果的なリスクのあるFCの同定を可能にする。

関連論文リスト

• Modelling Networked Dynamical System by Temporal Graph Neural ODE with Irregularly Partial Observed Time-series Data [6.207073888171358]
  本稿では,グラフニューラルODEを信頼性と時間認識機構で埋め込んで動的に再構築する手法を提案する。 提案手法は,異なるネットワーク型力学系の実験において検証された。
  論文  参考訳（メタデータ） (2024-11-29T14:10:16Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Learning Persistent Community Structures in Dynamic Networks via Topological Data Analysis [2.615648035076649]
  本稿では,コミュニティ間構造における時間的一貫性の整合性を考慮した新しいディープグラフクラスタリングフレームワークを提案する。 MFCは、ノード埋め込みを保存する行列分解に基づくディープグラフクラスタリングアルゴリズムである。 TopoRegは、時間間隔でコミュニティ間構造間のトポロジカルな類似性を維持するために導入された。
  論文  参考訳（メタデータ） (2024-01-06T11:29:19Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• Spatio-Temporal Deep Learning-Assisted Reduced Security-Constrained Unit Commitment [0.5076419064097734]
  SCUC(Security-Constrained Unit commitment)は、電力系統の日頭スケジューリングと市場浄化に使用される計算上の複雑なプロセスである。 本稿では,制約の空間的相関と時間的相関を本質的に考慮した,電力系統履歴データのパターンの学習に先進機械学習(ML)モデルを用いる。 ST関連MLモデルはグラフニューラルネットワーク(GNN)を考慮して空間相関を理解するために訓練される一方、時間列は長期記憶(LSTM)ネットワークを用いて研究される。
  論文  参考訳（メタデータ） (2023-06-02T14:31:24Z)
• DyCSC: Modeling the Evolutionary Process of Dynamic Networks Based on Cluster Structure [1.005130974691351]
  動的クラスタ構造制約モデル(DyCSC)と呼ばれる新しい時間ネットワーク埋め込み手法を提案する。 DyCSCは、ネットワーク内のノードの傾向に時間的制約を課すことで、時間的ネットワークの進化を捉えている。 複数の時間リンク予測タスクにおいて、競合する手法をかなりのマージンで一貫して上回る。
  論文  参考訳（メタデータ） (2022-10-23T10:23:08Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。