論文の概要: Plugging Attention into Power Grids: Towards Transparent Forecasting

• arxiv url: http://arxiv.org/abs/2507.03690v1
• Date: Fri, 04 Jul 2025 16:18:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.838095
• Title: Plugging Attention into Power Grids: Towards Transparent Forecasting
• Title（参考訳）: 電力グリッドへの注意:透明な予測に向けて
• Authors: Eloi Campagne, Itai Zehavi, Yvenn Amara-Ouali, Yannig Goude, Argyris Kalogeratos,
• Abstract要約: グラフニューラルネットワーク(GNN)は、エネルギーネットワークに固有の空間依存を組み込むための原則的なフレームワークを提供する。 本研究は,フランスとイギリスにおける2つの実世界の電力消費データセット上で,GNNアーキテクチャの広範な集合を評価した。
• 参考スコア（独自算出の注目度）: 2.9429976076849993
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate electricity consumption forecasting is crucial for ensuring grid stability and optimizing power generation, particularly in increasingly decentralized and complex systems. While classical approaches such as Generalized Additive Models (GAMs) remain widely used, they often fail to capture the spatial dependencies inherent in energy networks. Graph Neural Networks (GNNs) offer a principled framework to incorporate this structure by directly leveraging graph topologies. In this work, we evaluate a broad set of GNN architectures -- including GCN, GraphSAGE, ChebConv, TAG, APPNP, TransformerConv, and Graph Attention Networks (GAT and GATv2) -- on two real-world electricity consumption datasets from France and the UK. Our experiments show that while complex architectures like GATv2 and TransformerConv do not consistently outperform their simpler counterparts, models such as GCN and APPNP achieve strong results in low-data or highly disaggregated settings. Nonetheless, the vanilla GAT remains highly competitive across both datasets and offers an additional interpretability layer via attention mechanisms. We perform a temporal analysis of attention weights, revealing evolving patterns of regional interaction linked to seasonal and meteorological variability. These results highlight that, although attention is not universally superior, it provides valuable explanatory power when spatial dependencies are prominent. Finally, we benchmark ensemble-based expert aggregation strategies, showing that uniform or learned combinations can enhance robustness and outperform individual models under data heterogeneity.
• Abstract（参考訳）: 正確な電力消費予測は、グリッド安定性の確保と発電の最適化、特にますます分散化され複雑なシステムにおいて不可欠である。 GAM(Generalized Additive Models)のような古典的なアプローチは依然として広く使われているが、エネルギーネットワークに固有の空間的依存を捉えるのに失敗することが多い。 グラフニューラルネットワーク(GNN)は、グラフトポロジを直接活用することで、この構造を統合するための原則的なフレームワークを提供する。 本稿では,GCN,GraphSAGE,ChebConv,TAG,APPNP,TransformerConv,Graph Attention Networks(GAT,GATv2)を含むGNNアーキテクチャを,フランスとイギリスの2つの実世界の電力消費データセットに基づいて評価する。 実験の結果,GATv2 や TransformerConv のような複雑なアーキテクチャはより単純なアーキテクチャよりも優れているとは限りませんが,GCN や APPNP といったモデルでは,低データや非集約的な設定で強い結果が得られます。 それでも、バニラGATは両方のデータセット間で高い競争力を維持しており、アテンションメカニズムを介して追加の解釈可能性レイヤを提供する。 我々は,季節変動と気象変動に関連付けられた地域間相互作用の進化パターンを明らかにするため,注意重みの時間的分析を行った。 これらの結果は、注意が普遍的に優れているわけではないが、空間的依存が顕著である場合には、価値ある説明力を与えることを示している。 最後に、アンサンブルに基づくエキスパートアグリゲーション戦略をベンチマークし、一様または学習された組み合わせが頑健性を高め、データの不均一性の下で個々のモデルより優れていることを示す。

関連論文リスト

• Relational Graph Transformer [44.56132732108148]
  Graph Transformer (Relel) はリレーショナルテーブル用に設計された最初のグラフトランスである。 Relelは、各ノードを5つのコンポーネントに分解する、新しい多要素トークン化戦略を採用している。 我々のアーキテクチャは、サンプル化されたサブグラフに対する局所的な注意と、学習可能なセントロイドに対するグローバルな注意を組み合わせる。
  論文  参考訳（メタデータ） (2025-05-16T07:51:58Z)
• PowerGNN: A Topology-Aware Graph Neural Network for Electricity Grids [0.0]
  本稿では,高再生能統合下での電力系統状態予測のためのトポロジ対応グラフニューラルネットワーク(GNN)フレームワークを提案する。 我々は,電力ネットワークのグラフベース表現を構築し,伝送線路をノードやエッジとしてモデル化し,グラフSAGE畳み込みとGRU(Gated Recurrent Units)を統合した特殊なGNNアーキテクチャを導入する。 提案したGNNは, 完全連結ニューラルネットワーク, 線形回帰モデル, 圧延平均モデルなどのベースラインアプローチより優れ, 予測精度が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2025-03-26T01:22:31Z)
• CAGN-GAT Fusion: A Hybrid Contrastive Attentive Graph Neural Network for Network Intrusion Detection [0.7067443325368975]
  コントラスト型注意グラフネットワークとグラフ注意ネットワーク(CAGN-GAT Fusion)の融合を提案する。 グラフニューラルネットワーク(GNN)と従来のMLモデルの両方を含む15のモデルと比較した。 結果から,CAGN-GAT Fusionは,データセット毎に最高の性能を達成できないにも関わらず,安定かつ競争力のある精度,リコール,F1スコアを示すことがわかった。
  論文  参考訳（メタデータ） (2025-03-02T17:01:00Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
  我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。 SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2024-07-17T09:01:38Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Evaluating Distribution System Reliability with Hyperstructures Graph Convolutional Nets [74.51865676466056]
  本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。 数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2022-11-14T01:29:09Z)

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。