論文の概要: PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis

• arxiv url: http://arxiv.org/abs/2509.12212v1
• Date: Fri, 29 Aug 2025 01:47:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-21 06:05:45.803009
• Title: PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis
• Title（参考訳）: PowerGrow: 電力グリッド合成のための構造とダイナミクスの共生の可能性
• Authors: Xinyu He, Chenhan Xiao, Haoran Li, Ruizhong Qiu, Zhe Xu, Yang Weng, Jingrui He, Hanghang Tong,
• Abstract要約: 本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
• 参考スコア（独自算出の注目度）: 75.14189839277928
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern power systems are becoming increasingly dynamic, with changing topologies and time-varying loads driven by renewable energy variability, electric vehicle adoption, and active grid reconfiguration. Despite these changes, publicly available test cases remain scarce, due to security concerns and the significant effort required to anonymize real systems. Such limitations call for generative tools that can jointly synthesize grid structure and nodal dynamics. However, modeling the joint distribution of network topology, branch attributes, bus properties, and dynamic load profiles remains a major challenge, while preserving physical feasibility and avoiding prohibitive computational costs. We present PowerGrow, a co-generative framework that significantly reduces computational overhead while maintaining operational validity. The core idea is dependence decomposition: the complex joint distribution is factorized into a chain of conditional distributions over feasible grid topologies, time-series bus loads, and other system attributes, leveraging their mutual dependencies. By constraining the generation process at each stage, we implement a hierarchical graph beta-diffusion process for structural synthesis, paired with a temporal autoencoder that embeds time-series data into a compact latent space, improving both training stability and sample fidelity. Experiments across benchmark settings show that PowerGrow not only outperforms prior diffusion models in fidelity and diversity but also achieves a 98.9\% power flow convergence rate and improved N-1 contingency resilience. This demonstrates its ability to generate operationally valid and realistic power grid scenarios.
• Abstract（参考訳）: 現代の電力システムは、再生可能エネルギーの変動、電気自動車の導入、アクティブグリッドの再設定によって、トポロジや時間変化の負荷が変化し、ますます動的になっている。 これらの変更にもかかわらず、セキュリティ上の懸念と実際のシステムの匿名化に必要な多大な労力のために、公開可能なテストケースはほとんど残っていない。 このような制限は、格子構造と結束動力学を共同で合成できる生成ツールを必要とする。 しかし, ネットワークトポロジ, 分岐属性, バス特性, 動的負荷分布の連成分布のモデル化は, 物理的実現可能性を維持しながら, 計算コストの禁止を回避する上で大きな課題である。 本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 複雑な結合分布は、実現可能なグリッドトポロジ、時系列バスロード、その他のシステム属性上の条件分布の連鎖に分解され、相互依存関係を活用する。 各段階で生成過程を制約することにより、時間列データをコンパクトな潜在空間に埋め込んだ時間自動エンコーダと組み合わせた構造合成のための階層グラフβ拡散プロセスを実装し、トレーニング安定性とサンプル忠実度の両方を改善した。 ベンチマーク設定による実験では、PowerGrowは拡散前のモデルよりも忠実度や多様性が優れているだけでなく、98.9%のコンバージェンスレートを実現し、N-1の耐震性も向上している。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。

関連論文リスト

• Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
  この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-02T22:17:25Z)
• Grid-Agent: An LLM-Powered Multi-Agent System for Power Grid Control [4.3210078529580045]
  本稿では、グリッド違反を検出し、修正する自律型AI駆動フレームワークであるGrid-Agentを紹介する。 Grid-Agentは、意味論的推論とモジュラーエージェントによる数値的精度を統合する。 IEEEおよびCIGREベンチマークネットワークの実験は、優れた緩和性能を示す。
  論文  参考訳（メタデータ） (2025-08-07T01:10:28Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• An Interpretable Approach to Load Profile Forecasting in Power Grids using Galerkin-Approximated Koopman Pseudospectra [0.3160121582090025]
  本稿では,電力網における電力予測のための演算子理論フレームワーク内の力学を特徴付ける解釈可能な機械学習手法を提案する。 非線形力学の線形無限次元表現を提供するクープマン演算子を用いて負荷データの動的表現を行う。 本手法は,季節変化による時間的コヒーレントなパターンと,日時や日時といったより詳細な時間スケールを捉える。
  論文  参考訳（メタデータ） (2023-04-16T16:56:52Z)
• 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)
• Predicting Dynamic Stability from Static Features in Power Grid Models using Machine Learning [0.0]
  本稿では,ネットワーク科学のメトリクスと機械学習モデルを組み合わせて,非同期イベントのリスクを予測する。 我々は、複数の合成試験格子からシミュレーションデータを用いて、そのようなモデルを訓練し、テストする。 統合モデルでは,すべてのデータセットを平均化した場合の平均精度が0.996$以上のデシンクロナイゼーションイベントを予測できることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T17:16:48Z)

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。