論文の概要: SenseFlow: A Physics-Informed and Self-Ensembling Iterative Framework for Power Flow Estimation

• arxiv url: http://arxiv.org/abs/2505.12302v1
• Date: Sun, 18 May 2025 08:33:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.152119
• Title: SenseFlow: A Physics-Informed and Self-Ensembling Iterative Framework for Power Flow Estimation
• Title（参考訳）: SenseFlow: 電力フロー推定のための物理インフォームド・セルフエンセブリング・イテレーティブ・フレームワーク
• Authors: Zhen Zhao, Wenqi Huang, Zicheng Wang, Jiaxuan Hou, Peng Li, Lei Bai,
• Abstract要約: 電力流量推定は、電力システムの安定性と信頼性を確保する上で重要な役割を果たす。 既存の研究は、しばしば電力システムのユニークな特性に適切に対処することができない。 SenseFlowは、2つの主要な設計を統合する新しい物理インフォームド・セルフセンス・イテレーティブ・フレームワークである。
• 参考スコア（独自算出の注目度）: 15.308225695333595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Power flow estimation plays a vital role in ensuring the stability and reliability of electrical power systems, particularly in the context of growing network complexities and renewable energy integration. However, existing studies often fail to adequately address the unique characteristics of power systems, such as the sparsity of network connections and the critical importance of the unique Slack node, which poses significant challenges in achieving high-accuracy estimations. In this paper, we present SenseFlow, a novel physics-informed and self-ensembling iterative framework that integrates two main designs, the Physics-Informed Power Flow Network (FlowNet) and Self-Ensembling Iterative Estimation (SeIter), to carefully address the unique properties of the power system and thereby enhance the power flow estimation. Specifically, SenseFlow enforces the FlowNet to gradually predict high-precision voltage magnitudes and phase angles through the iterative SeIter process. On the one hand, FlowNet employs the Virtual Node Attention and Slack-Gated Feed-Forward modules to facilitate efficient global-local communication in the face of network sparsity and amplify the influence of the Slack node on angle predictions, respectively. On the other hand, SeIter maintains an exponential moving average of FlowNet's parameters to create a robust ensemble model that refines power state predictions throughout the iterative fitting process. Experimental results demonstrate that SenseFlow outperforms existing methods, providing a promising solution for high-accuracy power flow estimation across diverse grid configurations.
• Abstract（参考訳）: 電力流量推定は電力システムの安定性と信頼性を確保する上で重要な役割を担っている。 しかし、既存の研究はネットワーク接続の幅やSlackノードの重要さなど、電力システムのユニークな特性に適切に対処することができないことが多いため、高精度な推定を実現する上で大きな課題が生じる。 本稿では、物理インフォームド・セルフセンスブル・イテレーティブ・フレームワークであるSenseFlowについて、物理インフォームド・パワー・フロー・ネットワーク(FlowNet)と自己組織化・イテレーティブ・アセスメント(SeIter)の2つの主要な設計を統合し、電力系統のユニークな特性を慎重に解決し、電力フロー推定を強化する。 具体的には、SenseFlowはFlowNetを強制し、反復的なSeIterプロセスを通じて、高速な電圧サイズと位相角を徐々に予測する。 一方、FlowNetはVirtual Node AttentionとSlack-Gated Feed-Forwardモジュールを使用して、ネットワークの間隔に直面した効率的なグローバルな通信を促進し、それぞれが角度予測に対するSlackノードの影響を増幅する。 一方、SeIterはFlowNetのパラメータの指数的な移動平均を維持し、反復的なフィッティングプロセスを通して電力状態予測を洗練する堅牢なアンサンブルモデルを作成する。 実験の結果、SenseFlowは既存の手法よりも優れており、多様なグリッド構成で高い精度の電力フロー推定を行うための有望なソリューションを提供することがわかった。

関連論文リスト

• PowerFlowNet: Power Flow Approximation Using Message Passing Graph Neural Networks [2.450802099490248]
  グラフニューラルネットワーク(GNN)は、電力フロー近似の精度と速度を改善するための有望なアプローチとして登場した。 本稿では,従来のNewton-Raphson法と同じような性能を示すPF近似のための新しいGNNアーキテクチャであるPowerFlowNetを紹介する。 性能と実行時間の点で、DC緩和法のような従来の近似法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-11-06T09:44:00Z)
• Power-Enhanced Residual Network for Function Approximation and Physics-Informed Inverse Problems [0.0]
  本稿では、パワーエンハンシング残差ネットワークと呼ばれる新しいニューラルネットワーク構造を提案する。 2Dおよび3D設定におけるスムーズかつ非スムーズな関数近似のネットワーク機能を改善する。 その結果、特に非滑らか関数に対して、提案したパワーエンハンシング残差ネットワークの例外的精度を強調した。
  論文  参考訳（メタデータ） (2023-10-24T10:01:15Z)
• Graph Neural Network-based Power Flow Model [0.42970700836450487]
  グラフニューラルネットワーク(GNN)モデルは、過去の電力システムデータを用いてトレーニングされ、電力フローの結果を予測する。 提案したGNNベース電力流モデルと従来の直流電力流モデルを比較し,総合的な性能解析を行った。
  論文  参考訳（メタデータ） (2023-07-05T06:09:25Z)
• Performance Optimization for Variable Bitwidth Federated Learning in Wireless Networks [103.22651843174471]
  本稿では,モデル量子化による統合学習(FL)における無線通信と計算効率の向上について考察する。 提案したビット幅FL方式では,エッジデバイスは局所FLモデルパラメータの量子化バージョンを調整し,コーディネートサーバに送信し,それらを量子化されたグローバルモデルに集約し,デバイスを同期させる。 FLトレーニングプロセスはマルコフ決定プロセスとして記述でき、反復よりも行動選択を最適化するためのモデルベース強化学習(RL)手法を提案する。
  論文  参考訳（メタデータ） (2022-09-21T08:52:51Z)
• Green, Quantized Federated Learning over Wireless Networks: An Energy-Efficient Design [68.86220939532373]
  有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。 提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
  論文  参考訳（メタデータ） (2022-07-19T16:37:24Z)
• GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
  光フロー推定学習のためのGMFlowフレームワークを提案する。 機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。 我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
  論文  参考訳（メタデータ） (2021-11-26T18:59:56Z)
• On the Tradeoff between Energy, Precision, and Accuracy in Federated Quantized Neural Networks [68.52621234990728]
  無線ネットワーク上でのフェデレーション学習(FL)は、精度、エネルギー効率、精度のバランスをとる必要がある。 本稿では,ローカルトレーニングとアップリンク伝送の両方において,有限レベルの精度でデータを表現できる量子化FLフレームワークを提案する。 我々のフレームワークは標準的なFLモデルと比較してエネルギー消費量を最大53%削減できる。
  論文  参考訳（メタデータ） (2021-11-15T17:00:03Z)

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。