論文の概要: KCLNet: Physics-Informed Power Flow Prediction via Constraints Projections

• arxiv url: http://arxiv.org/abs/2506.12902v1
• Date: Sun, 15 Jun 2025 16:29:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:47.09595
• Title: KCLNet: Physics-Informed Power Flow Prediction via Constraints Projections
• Title（参考訳）: KCLNet:制約射影による物理インフォームドパワーフロー予測
• Authors: Pantelis Dogoulis, Karim Tit, Maxime Cordy,
• Abstract要約: KCLNetは、KirchhoffのCurrent Lawを超平面射影によるハード制約として組み込んだ物理インフォームドグラフニューラルネットワークである。 KCLNetは、ゼロのKCL違反を確保しながら、競合予測精度を得る。
• 参考スコア（独自算出の注目度）: 8.531547994709218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the modern context of power systems, rapid, scalable, and physically plausible power flow predictions are essential for ensuring the grid's safe and efficient operation. While traditional numerical methods have proven robust, they require extensive computation to maintain physical fidelity under dynamic or contingency conditions. In contrast, recent advancements in artificial intelligence (AI) have significantly improved computational speed; however, they often fail to enforce fundamental physical laws during real-world contingencies, resulting in physically implausible predictions. In this work, we introduce KCLNet, a physics-informed graph neural network that incorporates Kirchhoff's Current Law as a hard constraint via hyperplane projections. KCLNet attains competitive prediction accuracy while ensuring zero KCL violations, thereby delivering reliable and physically consistent power flow predictions critical to secure the operation of modern smart grids.
• Abstract（参考訳）: 現代の電力システムの状況では、グリッドの安全で効率的な動作を保証するために、急速でスケーラブルで物理的に妥当な電力フロー予測が不可欠である。 従来の数値法は堅牢であることが証明されているが、動的あるいは緊急条件下での物理的忠実性を維持するには広範な計算が必要である。 対照的に、人工知能(AI)の最近の進歩は計算速度を著しく向上させたが、現実の世界における基本的な物理法則を強制することはしばしば失敗し、物理的に予測できない結果となった。 本研究では、KCLNetという物理インフォームドグラフニューラルネットワークを導入し、Kirchhoffのカレント法則を超平面射影によるハード制約とする。 KCLNetは、ゼロのKCL違反を保証しながら競合予測精度を達成し、現代のスマートグリッドの動作を確保するために重要な信頼性と物理的に一貫した電力フロー予測を提供する。

関連論文リスト

• Exploiting sparse structures and synergy designs to advance situational awareness of electrical power grid [0.4759142872591625]
  この論文は、二重折り畳み寄与による堅牢性と効率ギャップに対処する。 まず、既存の物理とデータ駆動の世界に固有の制限に対処する。 次に、従来のアルゴリズム設計の境界を新しいパラダイムである物理-MLシナジーの方向に超越する。
  論文  参考訳（メタデータ） (2024-12-19T17:51:43Z)
• CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
  Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。 LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-08-28T00:56:03Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Prediction of chaotic dynamics and extreme events: A recurrence-free quantum reservoir computing approach [3.7960472831772765]
  貯留層コンピュータは、極端な事象やカオス力学を時間的に正確に予測することができるが、多くの自由度を必要とするかもしれない。 小型貯水池と正確な予測機能を備えた貯水池コンピュータを設計する。 この研究は、短期量子コンピュータで量子機械学習を使用する新たな機会を開く。
  論文  参考訳（メタデータ） (2024-05-06T11:53:58Z)
• Contingency Analyses with Warm Starter using Probabilistic Graphical Model [0.6843496572893534]
  サイバー脅威は電力網にとってますます一般的なリスクであり、セキュアなグリッド運用を妨げる可能性がある。 本稿では,サイバー脅威評価を含む緊急分析の拡張を提案する。
  論文  参考訳（メタデータ） (2023-04-10T20:27:53Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Physics-Informed Neural Networks for AC Optimal Power Flow [0.0]
  本稿では,AC-OPFの結果を正確に推定する物理インフォームドニューラルネットワークを初めて紹介する。 物理インフォームドニューラルネットワークは,従来のニューラルネットワークよりも精度が高く,制約違反も少ないことを示す。
  論文  参考訳（メタデータ） (2021-10-06T11:44:59Z)
• ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
  スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。 提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
  論文  参考訳（メタデータ） (2021-03-02T03:09:06Z)

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。