論文の概要: Learning a Generalized Model for Substation Level Voltage Estimation in Distribution Networks

• arxiv url: http://arxiv.org/abs/2510.16063v1
• Date: Fri, 17 Oct 2025 02:44:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.819436
• Title: Learning a Generalized Model for Substation Level Voltage Estimation in Distribution Networks
• Title（参考訳）: 配電系統における変電所レベルの電圧推定のための一般化モデル学習
• Authors: Muhy Eddin Za'ter, Bri-Mathias Hodge,
• Abstract要約: 本稿では,サブステーションレベルの電圧推定のための階層型グラフニューラルネットワークを提案する。 このモデルは、複数のサブステーションとDER浸透シナリオをまたいだ何千ものバスで訓練され、評価されている。 実験により,提案手法は代替データ駆動モデルよりもRMSEの最大2倍低い値が得られることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate voltage estimation in distribution networks is critical for real-time monitoring and increasing the reliability of the grid. As DER penetration and distribution level voltage variability increase, robust distribution system state estimation (DSSE) has become more essential to maintain safe and efficient operations. Traditional DSSE techniques, however, struggle with sparse measurements and the scale of modern feeders, limiting their scalability to large networks. This paper presents a hierarchical graph neural network for substation-level voltage estimation that exploits both electrical topology and physical features, while remaining robust to the low observability levels common to real-world distribution networks. Leveraging the public SMART-DS datasets, the model is trained and evaluated on thousands of buses across multiple substations and DER penetration scenarios. Comprehensive experiments demonstrate that the proposed method achieves up to 2 times lower RMSE than alternative data-driven models, and maintains high accuracy with as little as 1\% measurement coverage. The results highlight the potential of GNNs to enable scalable, reproducible, and data-driven voltage monitoring for distribution systems.
• Abstract（参考訳）: 配電網における正確な電圧推定は、リアルタイム監視とグリッドの信頼性向上に不可欠である。 DERの浸透と分布レベルの電圧変動が増大するにつれて、ロバスト分布系状態推定(DSSE)はより安全かつ効率的な操作を維持するために欠かせないものになっている。 しかし、従来のDSSE技術は、スパース測定と近代的なフィーダーの規模に苦慮し、スケーラビリティを大規模ネットワークに制限した。 本稿では,実世界の分布ネットワークに共通する低可観測レベルに頑健でありながら,電気トポロジと物理的特徴の両方を生かしたサブステーションレベルの電圧推定のための階層型グラフニューラルネットワークを提案する。 パブリックSMART-DSデータセットを活用することで、モデルはトレーニングされ、複数のサブステーションとDER浸透シナリオにわたる数千のバスで評価される。 包括的実験により,提案手法は代替データ駆動モデルよりも最大2倍低いRMSEを実現し,測定範囲を1倍程度に抑えることができた。 その結果、GNNが分散システムのスケーラブルで再現性があり、データ駆動型電圧モニタリングを可能にする可能性を強調した。

関連論文リスト

• Coherent Load Profile Synthesis with Conditional Diffusion for LV Distribution Network Scenario Generation [1.9248772611306222]
  ロードプロファイリングのアプローチは、典型的なプロファイルを通じて需要をまとめることに依存することが多い。 最終的に高電圧レベルのネットワーク操作に影響を及ぼすサブステーション間の共振は、しばしば見過ごされる。 低電圧分布サブステーションレベルでの日々のアクティブおよび反応性パワープロファイルの合成のための条件拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-10-13T08:40:39Z)
• Physics-Informed Inductive Biases for Voltage Prediction in Distribution Grids [0.0]
  モデルの性能向上における帰納バイアスの役割を系統的に検討する。 具体的には, (i) パワーフロー制約損失関数, (ii) 複素数値ニューラルネットワーク, (iii) 残差に基づくタスク再構成の3つの物理インフォームド戦略を評価する。 本研究は,現代の配電網における信頼性と効率のよい電圧予測のための学習を,モデル仮定が最も効果的に導くための実践的洞察を提供する。
  論文  参考訳（メタデータ） (2025-09-29T17:56:53Z)
• 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)
• 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)
• State and Topology Estimation for Unobservable Distribution Systems using Deep Neural Networks [8.673621107750652]
  リアルタイムオブザーバビリティが制限されているため,再構成可能な分散ネットワークの時間同期状態推定は困難である。 本論文では,深層学習(DL)に基づくトポロジー同定(TI)と不均衡な3相分布系状態推定(DSSE)の手法を定式化する。 2つのディープニューラルネットワーク(DNN)は、同期失調症測定装置(SMD)によって不完全に観察されるシステムに対して、TIおよびDSSEを実装するために順次動作するように訓練されます。
  論文  参考訳（メタデータ） (2021-04-15T02:46:50Z)
• Quick Line Outage Identification in Urban Distribution Grids via Smart Meters [4.464184851598876]
  本稿では,理論的保証付き時系列解析に基づくデータ駆動型停止監視手法を提案する。 電力流解析により、時系列電圧測定の依存性はライン停止後の統計的に有意な変化を示すことを示した。 提案手法では,迅速な停止同定には電圧大小のみを要求できることを示した。
  論文  参考訳（メタデータ） (2021-04-01T07:10:34Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• A Hierarchical Deep Actor-Critic Learning Method for Joint Distribution System State Estimation [1.7205106391379026]
  グリッドエッジにおける顧客のリアルタイム監視は、重要なタスクとなっている。 ほぼリアルタイムなソリューションを実現するために,新しい階層型強化学習支援フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-04T22:38:21Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)
• Distribution Approximation and Statistical Estimation Guarantees of Generative Adversarial Networks [82.61546580149427]
  GAN(Generative Adversarial Networks)は教師なし学習において大きな成功を収めている。 本稿では,H'older空間における密度データ分布推定のためのGANの近似と統計的保証を提供する。
  論文  参考訳（メタデータ） (2020-02-10T16:47:57Z)

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。