論文の概要: Generalization of Graph Neural Network Models for Distribution Grid Fault Detection

• arxiv url: http://arxiv.org/abs/2510.03571v1
• Date: Fri, 03 Oct 2025 23:46:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.123447
• Title: Generalization of Graph Neural Network Models for Distribution Grid Fault Detection
• Title（参考訳）: 配電系統故障検出のためのグラフニューラルネットワークモデルの一般化
• Authors: Burak Karabulut, Carlo Manna, Chris Develder,
• Abstract要約: 本稿では、RNN+GNNパイプラインモデルにおいて、様々なグラフニューラルネットワーク(GNN)を体系的にベンチマークする。 我々の知る限り、我々は(i)最初にグラフSAGEとグラフアテンション(GAT, GATv2)をRGNNで断層診断に使用することを提案しました。 IEEE 123ノード分散ネットワークの実験結果から, RGATv2はより優れた一般化能力を有することが示された。
• 参考スコア（独自算出の注目度）: 2.183622338864934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fault detection in power distribution grids is critical for ensuring system reliability and preventing costly outages. Moreover, fault detection methodologies should remain robust to evolving grid topologies caused by factors such as reconfigurations, equipment failures, and Distributed Energy Resource (DER) integration. Current data-driven state-of-the-art methods use Recurrent Neural Networks (RNNs) for temporal modeling and Graph Neural Networks (GNNs) for spatial learning, in an RNN+GNN pipeline setting (RGNN in short). Specifically, for power system fault diagnosis, Graph Convolutional Networks (GCNs) have been adopted. Yet, various more advanced GNN architectures have been proposed and adopted in domains outside of power systems. In this paper, we set out to systematically and consistently benchmark various GNN architectures in an RNN+GNN pipeline model. Specifically, to the best of our knowledge, we are the first to (i) propose to use GraphSAGE and Graph Attention (GAT, GATv2) in an RGNN for fault diagnosis, and (ii) provide a comprehensive benchmark against earlier proposed RGNN solutions (RGCN) as well as pure RNN models (especially Gated Recurrent Unit (GRU)), particularly (iii) exploring their generalization potential for deployment in different settings than those used for training them. Our experimental results on the IEEE 123-node distribution network show that RGATv2 has superior generalization capabilities, maintaining high performance with an F1-score reduction of $\sim$12% across different topology settings. In contrast, pure RNN models largely fail, experiencing an F1-score reduction of up to $\sim$60%, while other RGNN variants also exhibit significant performance degradation, i.e., up to $\sim$25% lower F1-scores.
• Abstract（参考訳）: 配電網の故障検出は、システムの信頼性を確保し、コストのかかる停止を防ぐために重要である。 さらに、障害検出手法は、再構成、機器故障、分散エネルギー資源(DER)統合などの要因によって引き起こされるグリッドトポロジの進化に対して堅牢でなければならない。 現在のデータ駆動型最先端手法では、時空間モデリングにRecurrent Neural Networks(RNN)、空間学習にGraph Neural Networks(GNN)を、RNN+GNNパイプライン設定(略してRGNN)で使用している。 具体的には、電力系統故障診断には、GCN(Graph Convolutional Networks)が採用されている。 しかし、電力系統以外の領域では、より高度なGNNアーキテクチャが提案され、採用されている。 本稿では,RNN+GNNパイプラインモデルを用いて,様々なGNNアーキテクチャを体系的かつ一貫したベンチマークを行う。 特に、私たちの知る限りでは、私たちは初めて (i) 故障診断のためのRGNNにおけるグラフSAGEとグラフ注意(GAT, GATv2)の使用を提案する。 (ii) 従来の提案されたRGNNソリューション(RGCN)と純粋なRNNモデル(特にGated Recurrent Unit(GRU))に対する包括的なベンチマークを提供する。 三 訓練に使用するものと異なる設定で展開するための一般化の可能性を探ること。 IEEE 123ノード分散ネットワークの実験結果から、RGATv2はより優れた一般化能力を有し、F1スコアの12%の$\sim$12%の高性能を維持した。 対照的に純粋なRNNモデルはほとんど失敗し、F1スコアは最大$\sim$60%まで下げられ、他のRGNNモデルはF1スコアより25%低い$\sim$25%まで大幅に性能が低下した。

関連論文リスト

• NN-Former: Rethinking Graph Structure in Neural Architecture Representation [67.3378579108611]
  グラフニューラルネットワーク(GNN)とトランスフォーマーは、ニューラルネットワークを表現する上で有望なパフォーマンスを示している。 これまでの研究で見過ごされている間、兄弟ノードは中心的であることを示す。 我々のアプローチは、精度と遅延予測の両方において、常に有望な性能を達成する。
  論文  参考訳（メタデータ） (2025-07-01T15:46:18Z)
• 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 Transmission Grid Topology Control: Busbar Information Asymmetry and Heterogeneous Representations [0.07646713951724009]
  トポロジー制御は混雑を緩和するための魅力的な手法であるが、従来のトポロジー発見のアプローチは実用的応用には遅すぎることが証明されている。 最近の研究は機械学習(ML)を効率的な代替手段として重視している。 本研究では,グラフ表現がトポロジ制御におけるGNNの有効性に与える影響について検討した。
  論文  参考訳（メタデータ） (2025-01-13T10:31:36Z)
• Learning to Reweight for Graph Neural Network [63.978102332612906]
  グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。 既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。 本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:25:10Z)
• GNN-Ensemble: Towards Random Decision Graph Neural Networks [3.7620848582312405]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに広く応用されている。 GNNは、大量のテストデータに基づいて推論を行うために、限られた量のトレーニングデータから潜伏パターンを学習する必要がある。 本稿では、GNNのアンサンブル学習を一歩前進させ、精度、堅牢性、敵攻撃を改善した。
  論文  参考訳（メタデータ） (2023-03-20T18:24:01Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• The Surprising Power of Graph Neural Networks with Random Node Initialization [54.4101931234922]
  グラフニューラルネットワーク(GNN)は、関係データ上での表現学習に有効なモデルである。 標準 GNN はその表現力に制限があり、Weisfeiler-Leman グラフ同型(英語版)の能力以外の区別はできない。 本研究では,ランダムノード(RNI)を用いたGNNの表現力の解析を行う。 我々はこれらのモデルが普遍的であることを証明し、GNNが高次特性の計算に頼らない最初の結果である。
  論文  参考訳（メタデータ） (2020-10-02T19:53:05Z)
• Stochastic Graph Neural Networks [123.39024384275054]
  グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。 現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。 これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
  論文  参考訳（メタデータ） (2020-06-04T08:00:00Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。