論文の概要: Towards Generalization of Graph Neural Networks for AC Optimal Power Flow

• arxiv url: http://arxiv.org/abs/2510.06860v1
• Date: Wed, 08 Oct 2025 10:28:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.429844
• Title: Towards Generalization of Graph Neural Networks for AC Optimal Power Flow
• Title（参考訳）: 交流最適潮流のためのグラフニューラルネットワークの一般化に向けて
• Authors: Olayiwola Arowolo, Jochen L. Cremer,
• Abstract要約: 機械学習アプローチは、計算スピードアップを提供するが、再トレーニングせずにスケーラビリティとトポロジ適応性に苦労する。 HH-MPNN(Hybrid Heterogeneous Message Passing Neural Network)を提案する。 HH-MPNNはバス、ジェネレータ、ロード、シャント、トランスミッションライン、トランスフォーマーを異なるノードまたはエッジタイプとしてモデル化する。 数千の目に見えないトポロジにゼロショットを適用したHH-MPNNは、デフォルトトポロジのみのトレーニングにもかかわらず、3%未満の最適性ギャップを達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AC Optimal Power Flow (ACOPF) is computationally expensive for large-scale power systems, with conventional solvers requiring prohibitive solution times. Machine learning approaches offer computational speedups but struggle with scalability and topology adaptability without expensive retraining. To enable scalability across grid sizes and adaptability to topology changes, we propose a Hybrid Heterogeneous Message Passing Neural Network (HH-MPNN). HH-MPNN models buses, generators, loads, shunts, transmission lines and transformers as distinct node or edge types, combined with a scalable transformer model for handling long-range dependencies. On grids from 14 to 2,000 buses, HH-MPNN achieves less than 1% optimality gap on default topologies. Applied zero-shot to thousands of unseen topologies, HH-MPNN achieves less than 3% optimality gap despite training only on default topologies. Pre-training on smaller grids also improves results on a larger grid. Computational speedups reach 1,000x to 10,000x compared to interior point solvers. These results advance practical, generalizable machine learning for real-time power system operations.
• Abstract（参考訳）: AC Optimal Power Flow (ACOPF) は大規模電力システムでは計算コストが高く、従来の解法では解時間を制限している。 機械学習アプローチは計算スピードアップを提供するが、高価なリトレーニングなしでスケーラビリティとトポロジ適応性に苦労する。 グリッドサイズにまたがるスケーラビリティとトポロジーの変化への適応性を実現するために,HH-MPNN(Hybrid Heterogeneous Message Passing Neural Network)を提案する。 HH-MPNNはバス、ジェネレータ、ロード、シャント、トランスミッションライン、トランスフォーマーを異なるノードまたはエッジタイプとしてモデル化し、長距離依存を処理するスケーラブルなトランスフォーマーモデルと組み合わせている。 14から2000のバスのグリッドでは、HH-MPNNはデフォルトのトポロジにおいて1%未満の最適性ギャップを達成している。 数千の目に見えないトポロジにゼロショットを適用したHH-MPNNは、デフォルトトポロジのみのトレーニングにもかかわらず、3%未満の最適性ギャップを達成した。 より小さなグリッドでの事前トレーニングは、より大きなグリッドでの結果を改善します。 計算速度はインテリア・ポイント・ソルバの1000倍から10,000倍に達する。 これらの結果は、リアルタイムの電力系統運用のための実用的で一般化可能な機械学習を推し進める。

関連論文リスト

• Flow-Aware GNN for Transmission Network Reconfiguration via Substation Breaker Optimization [15.378087950770684]
  本稿では,電力グリッドにおける離散トポロジ最適化のための機械学習フレームワークOptiGridMLを紹介する。 最大1000ブレーカによる合成ネットワークの実験では、OptiGridMLはベースライントポロジよりも最大18%の電力輸出改善を実現している。
  論文  参考訳（メタデータ） (2025-08-03T23:21:37Z)
• Geminet: Learning the Duality-based Iterative Process for Lightweight Traffic Engineering in Changing Topologies [53.38648279089736]
  Geminetは軽量でスケーラブルなMLベースのTEフレームワークで、トポロジの変更を処理できる。 そのニューラルネットワークサイズは、既存のスキームの0.04%から7%に過ぎない。 大規模なトポロジでトレーニングすると、Geminetは10ギB未満のメモリを消費し、HARPが要求する80ギBの8倍以下である。
  論文  参考訳（メタデータ） (2025-06-30T09:09:50Z)
• Constraints and Variables Reduction for Optimal Power Flow Using Hierarchical Graph Neural Networks with Virtual Node-Splitting [0.24554686192257422]
  パワーシステムネットワークは、しばしば同質グラフとしてモデル化され、グラフニューラルネットワーク(GNN)が同一ノードで個々のジェネレータ機能をキャプチャする能力を制限する。 提案した仮想ノード分割戦略を導入することで、コスト、制限、ランプレートといったジェネレータレベルの特性をGNNモデルで完全に捉えることができる。 二段階適応階層型GNNは、(i)混雑する臨界線を予測し、(ii)最大容量で作動するベースジェネレータを予測するために開発された。
  論文  参考訳（メタデータ） (2024-11-09T19:46:28Z)
• CANOS: A Fast and Scalable Neural AC-OPF Solver Robust To N-1 Perturbations [0.7545833157486899]
  最も単純な設定では、OPF (Optimal Power Flow) はコストを最小限に抑えるためにどれだけの電力を生成するかを決定する。 電力グリッド演算子はAC-OPF問題の近似を用いる。 本研究では,計算速度を損なうことなく,準最適解(真のAC-OPFコストの1%)を予測するためのディープラーニングシステム(CANOS)を訓練する。
  論文  参考訳（メタデータ） (2024-03-26T12:47:04Z)
• Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
  オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。 総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-03-21T02:33:37Z)
• Learning to Solve Combinatorial Graph Partitioning Problems via Efficient Exploration [72.15369769265398]
  実験により、ECORDは最大カット問題に対するRLアルゴリズムのための新しいSOTAを実現する。 最も近い競合と比較して、ECORDは最適性ギャップを最大73%削減する。
  論文  参考訳（メタデータ） (2022-05-27T17:13:10Z)
• Leveraging power grid topology in machine learning assisted optimal power flow [0.5076419064097734]
  機械学習支援最適電力フロー(OPF)は、非線形および非制約電力フロー問題の計算複雑性を低減することを目的としている。 我々は,機械支援OPFの2つの基本的アプローチに対して,さまざまなFCNN,CNN,GNNモデルの性能を評価する。 相互接続されたユーティリティを持ついくつかの合成格子に対して,特徴変数と対象変数の間の局所性特性は乏しいことを示す。
  論文  参考訳（メタデータ） (2021-10-01T10:39:53Z)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。