論文の概要: Heterogeneous Graph Neural Networks for Short-term State Forecasting in Power Systems across Domains and Time Scales: A Hydroelectric Power Plant Case Study

• arxiv url: http://arxiv.org/abs/2507.06694v1
• Date: Wed, 09 Jul 2025 09:39:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.541582
• Title: Heterogeneous Graph Neural Networks for Short-term State Forecasting in Power Systems across Domains and Time Scales: A Hydroelectric Power Plant Case Study
• Title（参考訳）: ドメインと時間スケールにわたる電力系統の短期予測のための不均一グラフニューラルネットワーク:水力発電プラントの場合
• Authors: Raffael Theiler, Olga Fink,
• Abstract要約: 高精度な短期予測は、現代の電力系統の効率的かつ安定した運用に不可欠である。 現代の電力システムは、モデリングと予測において重要な課題を呈する複数の物理的領域にまたがることが多い。 本稿では,これらの制約に対処するために異種グラフ注意ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 6.675805308519987
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate short-term state forecasting is essential for efficient and stable operation of modern power systems, especially in the context of increasing variability introduced by renewable and distributed energy resources. As these systems evolve rapidly, it becomes increasingly important to reliably predict their states in the short term to ensure operational stability, support control decisions, and enable interpretable monitoring of sensor and machine behavior. Modern power systems often span multiple physical domains - including electrical, mechanical, hydraulic, and thermal - posing significant challenges for modeling and prediction. Graph Neural Networks (GNNs) have emerged as a promising data-driven framework for system state estimation and state forecasting in such settings. By leveraging the topological structure of sensor networks, GNNs can implicitly learn inter-sensor relationships and propagate information across the network. However, most existing GNN-based methods are designed under the assumption of homogeneous sensor relationships and are typically constrained to a single physical domain. This limitation restricts their ability to integrate and reason over heterogeneous sensor data commonly encountered in real-world energy systems, such as those used in energy conversion infrastructure. In this work, we propose the use of Heterogeneous Graph Attention Networks to address these limitations. Our approach models both homogeneous intra-domain and heterogeneous inter-domain relationships among sensor data from two distinct physical domains - hydraulic and electrical - which exhibit fundamentally different temporal dynamics. Experimental results demonstrate that our method significantly outperforms conventional baselines on average by 35.5% in terms of normalized root mean square error, confirming its effectiveness in multi-domain, multi-rate power system state forecasting.
• Abstract（参考訳）: 正確な短期予測は、特に再生可能および分散エネルギー資源によって導入される変動性の増加の文脈において、現代電力システムの効率的かつ安定した運用に不可欠である。 これらのシステムが急速に進化するにつれて、短期的に彼らの状態を確実に予測し、運用の安定性を確保し、制御決定をサポートし、センサーと機械の動作の解釈可能なモニタリングを可能にすることがますます重要になる。 現代の電力システムは、電気、機械、油圧、熱を含む複数の物理的領域にまたがることが多く、モデリングと予測において重要な課題を提起している。 グラフニューラルネットワーク(GNN)は、そのような設定でシステム状態の推定と状態予測のための有望なデータ駆動フレームワークとして登場した。 センサネットワークのトポロジ構造を利用することで、GNNは暗黙的にセンサー間の関係を学習し、ネットワーク全体に情報を伝達することができる。 しかし、既存のGNNベースの手法のほとんどは、均質なセンサ関係を前提として設計されており、通常は単一の物理領域に制約されている。 この制限は、エネルギー変換インフラで使われるような現実世界のエネルギーシステムでよく見られる異種センサデータを統合し、推論する能力を制限する。 本研究では,これらの制約に対処するためにヘテロジニアスグラフ注意ネットワークを提案する。 本手法は2つの異なる物理的領域(水圧と電気)からのセンサデータ間の同種ドメイン内および異種ドメイン間関係をモデル化する。 実験の結果,本手法は正規化根平均二乗誤差で従来の基準線を平均35.5%上回り,マルチドメイン・マルチレート電力系統状態予測における有効性を確認した。

関連論文リスト

• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [55.09326865401653]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• 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)
• Graph Neural Networks for Virtual Sensing in Complex Systems: Addressing Heterogeneous Temporal Dynamics [8.715570103753697]
  複雑なシステムの信頼性と効率的な運用にはリアルタイム状態監視が不可欠である。 仮想センシングは、利用可能なセンサデータとシステム知識を活用することで制限に対処する。 異種時間グラフニューラルネットワーク(HTGNN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-26T12:16:53Z)
• Energy-based Epistemic Uncertainty for Graph Neural Networks [47.52218144839666]
  高品質な不確実性推定を提供するエネルギーベースモデル(EBM)を提案する。 我々は、エネルギー関数を正則化することにより、データ空間の可積分密度を確実に誘導する。 我々のフレームワークは、様々な分散シフトに敏感な事前学習GNNに適用可能な、シンプルで効果的なポストホック手法である。
  論文  参考訳（メタデータ） (2024-06-06T13:13:29Z)
• Physics-Enhanced Graph Neural Networks For Soft Sensing in Industrial Internet of Things [6.374763930914524]
  産業用IoT(Industrial Internet of Things)は、製造業、産業プロセス、インフラ管理を変革している。 高度に信頼性の高いIIoTを実現するには、大量のセンサーをインストールするコスト、既存のシステムにセンサーを組み直す際の制限、センサーの設置を非現実的にする厳しい環境条件などの要因が伴う。 物理の原理をグラフベースの方法論に統合する物理強化グラフニューラルネットワーク(GNN)を提案する。
  論文  参考訳（メタデータ） (2024-04-11T18:03:59Z)
• Graph Neural Networks for Electric and Hydraulic Data Fusion to Enhance Short-term Forecasting of Pumped-storage Hydroelectricity [6.675805308519987]
  揚水型水力発電所(PSH)はグリッド電力周波数制御に積極的に参加している。 動的に変化する状態を予測することは、基礎となるセンサーとマシンの状態を理解するために不可欠である。 この研究は、自己認識機構を利用して意味のあるサブシステム間の相互依存を同時に捕捉し学習するスペクトル時間グラフニューラルネットワークの応用を導入している。
  論文  参考訳（メタデータ） (2024-04-04T11:09:49Z)
• Deep Convolutional Neural Networks for Short-Term Multi-Energy Demand Prediction of Integrated Energy Systems [49.1574468325115]
  本稿では,多エネルギー消費予測のための畳み込みニューラルネットワーク(CNN)に基づく新しい6つの予測モデルを開発する。 これらのモデルは、新しい統合型電気・熱・ガスネットワークシステムに包括的に適用される。
  論文  参考訳（メタデータ） (2023-12-24T14:56:23Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• 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)
• 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)

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。