論文の概要: Efficient Extreme Operating Condition Search for Online Relay Setting Calculation in Renewable Power Systems Based on Parallel Graph Neural Network
- arxiv url: http://arxiv.org/abs/2506.19289v1
- Date: Tue, 24 Jun 2025 03:50:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-25 19:48:23.47635
- Title: Efficient Extreme Operating Condition Search for Online Relay Setting Calculation in Renewable Power Systems Based on Parallel Graph Neural Network
- Title（参考訳）: 並列グラフニューラルネットワークに基づく再生可能電力システムにおけるオンラインリレー設定計算のための効率的な極端動作条件探索
- Authors: Yan Li, Zengli Yang, Youhuai Wang, Jing Wang, Xiaoyu Han, Jingyu Wang, Dongyuan Shi,
- Abstract要約: 本稿では,オンラインリレー設定計算に適した効率的な深層学習に基づくEOCS手法を提案する。
実験結果から,提案手法は既存手法よりも高い精度でEOCS問題を解くことができることがわかった。
- 参考スコア（独自算出の注目度）: 18.760156162138923
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Extreme Operating Conditions Search (EOCS) problem is one of the key problems in relay setting calculation, which is used to ensure that the setting values of protection relays can adapt to the changing operating conditions of power systems over a period of time after deployment. The high penetration of renewable energy and the wide application of inverter-based resources make the operating conditions of renewable power systems more volatile, which urges the adoption of the online relay setting calculation strategy. However, the computation speed of existing EOCS methods based on local enumeration, heuristic algorithms, and mathematical programming cannot meet the efficiency requirement of online relay setting calculation. To reduce the time overhead, this paper, for the first time, proposes an efficient deep learning-based EOCS method suitable for online relay setting calculation. First, the power system information is formulated as four layers, i.e., a component parameter layer, a topological connection layer, an electrical distance layer, and a graph distance layer, which are fed into a parallel graph neural network (PGNN) model for feature extraction. Then, the four feature layers corresponding to each node are spliced and stretched, and then fed into the decision network to predict the extreme operating condition of the system. Finally, the proposed PGNN method is validated on the modified IEEE 39-bus and 118-bus test systems, where some of the synchronous generators are replaced by renewable generation units. The nonlinear fault characteristics of renewables are fully considered when computing fault currents. The experiment results show that the proposed PGNN method achieves higher accuracy than the existing methods in solving the EOCS problem. Meanwhile, it also provides greater improvements in online computation time.
- Abstract（参考訳）: EOCS問題(Extreme Operating Conditions Search)は、リレー設定計算における重要な問題の1つであり、保護リレーの設定値が配置後一定期間の電力系統の動作条件に適応できることを保証するために使用される。
再生可能エネルギーの高度浸透とインバータ資源の広範な適用により、再生可能電力システムの運転条件が不安定になり、オンライン中継設定計算戦略の導入が促される。
しかし、局所列挙、ヒューリスティックアルゴリズム、数学的プログラミングに基づく既存のEOCS手法の計算速度は、オンラインリレー設定計算の効率性の要求を満たすことができない。
本稿では,時間的オーバーヘッドを軽減するために,オンラインリレー設定計算に適した効率的な深層学習に基づくEOCS手法を提案する。
まず、電力系統情報を、成分パラメータ層、トポロジカル接続層、電気距離層、グラフ距離層という4つの層に定式化し、特徴抽出のために並列グラフニューラルネットワーク(PGNN)モデルに入力する。
そして、各ノードに対応する4つの特徴層をスプリシング・ストレッチし、決定ネットワークに入力してシステムの極端な動作状態を予測する。
最後に,提案手法を改良したIEEE 39-busと118-busテストシステムで検証し,同期発電機のいくつかを再生可能生成ユニットに置き換えた。
再生可能物質の非線形断層特性は、断層電流を計算する際に完全に考慮される。
実験の結果,提案手法は既存手法よりも高い精度でEOCS問題を解くことができることがわかった。
また、オンラインの計算時間を大幅に改善する。
関連論文リスト
- A Data-Driven Real-Time Optimal Power Flow Algorithm Using Local Feedback [6.455816281436382]
本稿では,データ駆動型リアルタイムアルゴリズムを提案する。
具体的には,局所的なフィードバックをアルゴリズムの入力とする学習可能な関数を設計する。
我々は、ディープニューラルネットワーク(DNN)に基づくOPF問題の変種を解決するために、原始二重更新を開発する。
論文 参考訳（メタデータ） (2025-02-21T09:02:22Z) - Fast Searching of Extreme Operating Conditions for Relay Protection Setting Calculation Based on Graph Neural Network and Reinforcement Learning [17.53397766003465]
本稿では,グラフニューラルネットワークと深部強化学習を組み合わせたEOC高速探索手法であるGraph Dueling Double Deep Q Network (Graph D3QN)を提案する。
提案手法は,IEEE 39-bus と 118-bus のリレー保護設定計算のための探索故障電流のケーススタディにより検証された。
論文 参考訳（メタデータ） (2025-01-16T09:11:48Z) - Lyapunov-Driven Deep Reinforcement Learning for Edge Inference Empowered
by Reconfigurable Intelligent Surfaces [30.1512069754603]
本稿では,ワイヤレスエッジにおけるエネルギー効率,低レイテンシ,高精度な推論のための新しいアルゴリズムを提案する。
本稿では,新しいデータを一連のデバイスで連続的に生成・収集し,動的キューシステムを通じて処理するシナリオについて考察する。
論文 参考訳（メタデータ） (2023-05-18T12:46:42Z) - Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning
Approach [66.53364438507208]
アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。
非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。
ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。
増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-11T13:16:28Z) - Learning k-Level Structured Sparse Neural Networks Using Group Envelope Regularization [4.0554893636822]
制約のあるリソースに大規模ディープニューラルネットワークをデプロイするための新しいアプローチを導入する。
この手法は推論時間を短縮し、メモリ需要と消費電力を減らすことを目的とする。
論文 参考訳（メタデータ） (2022-12-25T15:40:05Z) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳（メタデータ） (2022-04-20T19:09:52Z) - Collaborative Intelligent Reflecting Surface Networks with Multi-Agent
Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。
本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文 参考訳（メタデータ） (2022-03-26T20:37:14Z) - Energy-Efficient Model Compression and Splitting for Collaborative
Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。
提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文 参考訳（メタデータ） (2021-06-02T07:36:27Z) - Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural
Networks [52.32646357164739]
最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。
提案されたSIDNNは、幅広いOPFスキームと互換性がある。
他のLearning-to-OPFスキームとシームレスに統合できる。
論文 参考訳（メタデータ） (2021-03-27T00:45:23Z) - A Hierarchical Deep Actor-Critic Learning Method for Joint Distribution
System State Estimation [1.7205106391379026]
グリッドエッジにおける顧客のリアルタイム監視は、重要なタスクとなっている。
ほぼリアルタイムなソリューションを実現するために,新しい階層型強化学習支援フレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-04T22:38:21Z) - Resource Allocation via Graph Neural Networks in Free Space Optical
Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。
我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。
本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文 参考訳（メタデータ） (2020-06-26T14:20:48Z)
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。