論文の概要: Multilayer GNN for Predictive Maintenance and Clustering in Power Grids

• arxiv url: http://arxiv.org/abs/2507.07298v1
• Date: Wed, 09 Jul 2025 21:44:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.21424
• Title: Multilayer GNN for Predictive Maintenance and Clustering in Power Grids
• Title（参考訳）: 電力グリッドの予測保守とクラスタリングのための多層GNN
• Authors: Muhammad Kazim, Harun Pirim, Chau Le, Trung Le, Om Prakash Yadav,
• Abstract要約: 計画外の停電により、米国経済は年間1500億ドルを超える損失を被った。 本研究では、PdMを強化し、レジリエンスベースのサブステーションクラスタリングを可能にする多層グラフニューラルネットワークフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 14.557868383315022
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unplanned power outages cost the US economy over $150 billion annually, partly due to predictive maintenance (PdM) models that overlook spatial, temporal, and causal dependencies in grid failures. This study introduces a multilayer Graph Neural Network (GNN) framework to enhance PdM and enable resilience-based substation clustering. Using seven years of incident data from Oklahoma Gas & Electric (292,830 records across 347 substations), the framework integrates Graph Attention Networks (spatial), Graph Convolutional Networks (temporal), and Graph Isomorphism Networks (causal), fused through attention-weighted embeddings. Our model achieves a 30-day F1-score of 0.8935 +/- 0.0258, outperforming XGBoost and Random Forest by 3.2% and 2.7%, and single-layer GNNs by 10 to 15 percent. Removing the causal layer drops performance to 0.7354 +/- 0.0418. For resilience analysis, HDBSCAN clustering on HierarchicalRiskGNN embeddings identifies eight operational risk groups. The highest-risk cluster (Cluster 5, 44 substations) shows 388.4 incidents/year and 602.6-minute recovery time, while low-risk groups report fewer than 62 incidents/year. ANOVA (p < 0.0001) confirms significant inter-cluster separation. Our clustering outperforms K-Means and Spectral Clustering with a Silhouette Score of 0.626 and Davies-Bouldin index of 0.527. This work supports proactive grid management through improved failure prediction and risk-aware substation clustering.
• Abstract（参考訳）: 計画外の停電は、グリッド障害における空間的、時間的、因果的依存関係を無視する予測的保守(PdM)モデルのために、年間1500億ドル以上の米国経済を犠牲にした。 本研究では、PdMを強化し、レジリエンスベースのサブステーションクラスタリングを可能にする多層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。 オクラホマガス&エレクトリックの7年間のインシデントデータ(347のサブステーションで292,830レコード)を使用して、グラフ注意ネットワーク(空間)、グラフ畳み込みネットワーク(時間)、グラフ同型ネットワーク(因果)を統合し、注意重み付き埋め込みを通じて融合する。 モデルでは,30日間のF1スコア0.8935+/-0.0258を達成し,XGBoostとRandom Forestを3.2%,Random Forestを2.7%,単一層GNNを10～15%上回った。 因果層を除去すると性能は 0.7354 +/- 0.0418 に低下する。 レジリエンス分析では、階層RiskGNN埋め込み上のHDBSCANクラスタリングは8つの運用リスクグループを特定する。 最高リスククラスタ(Cluster 5, 44のサブステーション)は年間388.4回のインシデントと602.6分のリカバリ時間を示し、低リスクグループは年62回のインシデントを報告している。 ANOVA (p < 0.0001) はクラスタ間の重要な分離を確認する。 我々のクラスタリングはK平均とスペクトルクラスタリングを0.626のシルエットスコアと0.527のデイビーズ・ボルディン指数で上回る。 この作業は、障害予測の改善とリスク対応サブステーションクラスタリングを通じて、アクティブグリッド管理をサポートする。

関連論文リスト

• Faster and Accurate Neural Networks with Semantic Inference [9.372908891132772]
  我々は、潜在表現における固有の冗長性を利用して、性能の低下に制限された計算負荷を削減する。 セマンティック推論(SINF)と呼ばれる新しいフレームワークは、オブジェクトが属するセマンティッククラスタを特定し、推論のためにそのセマンティッククラスタから抽出されたサブグラフを実行する。 識別能力スコア(DCS)と呼ばれる新しいアプローチでは、特定のセマンティッククラスタのメンバー間で識別可能なサブグラフを見つける。
  論文  参考訳（メタデータ） (2023-10-02T14:51:10Z)
• Optimal Clustering with Dependent Costs in Bayesian Networks [0.0]
  ベイジアンネットワーク(BN)におけるノードのクラスタリングと、動的BN(DBN)のような関連するグラフィカルモデルが、計算効率の向上とモデル学習の改善のために実証されている。 本稿では, 任意に定義された正のコスト関数が与えられた場合, 全ての最適なクラスタマッピングを求めるために, 解析的に解析的に示される Dependent Cluster MAPping (DCMAP) というアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-08T01:01:37Z)
• G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks through Attributed Client Graph Clustering [116.4277292854053]
  Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。 FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。 本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:15:04Z)
• Dink-Net: Neural Clustering on Large Graphs [59.10189693120368]
  ディープグラフクラスタリング法 (Dink-Net) は, 拡張と縮小という概念を用いて提案される。 ノードを識別することにより、拡張によって劣化しても、表現は自己教師された方法で学習される。 クラスタリング分布は、提案したクラスタ拡張損失とクラスタ縮小損失を最小化することにより最適化される。 ランナアップと比較して、Dink-Net 9.62%は1100万ノードと16億エッジを持つogbn-papers100MデータセットでNMIの改善を実現している。
  論文  参考訳（メタデータ） (2023-05-28T15:33:24Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Total Variation Graph Neural Networks [5.571369922847262]
  最近提案されたグラフニューラルネットワーク(GNN)は、教師なしの最小カット目標を用いて訓練されている。 本稿では,最小カットの厳密な緩和を最適化し,クラスタ割り当てを計算するGNNモデルを提案する。
  論文  参考訳（メタデータ） (2022-11-11T14:13:14Z)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)

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。