論文の概要: Transferable Graph Learning for Transmission Congestion Management via Busbar Splitting

• arxiv url: http://arxiv.org/abs/2510.20591v1
• Date: Thu, 23 Oct 2025 14:16:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:18.123068
• Title: Transferable Graph Learning for Transmission Congestion Management via Busbar Splitting
• Title（参考訳）: バスバー分割による送電渋滞管理のための伝達可能なグラフ学習
• Authors: Ali Rajaei, Peter Palensky, Jochen L. Cremer,
• Abstract要約: バスバー分割によるネットワークトポロジ最適化(NTO)は、送電網の混雑を緩和し、再分散コストを低減する。 機械学習(ML)アプローチは有望な代替手段として登場したが、見当たらないトポロジに限定して一般化されている。 本稿では,線形化AC PFを考慮した混雑管理問題に対するNTOを定式化し,グラフニューラルネットワーク(GNN)の高速化手法を提案する。
• 参考スコア（独自算出の注目度）: 0.688204255655161
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network topology optimization (NTO) via busbar splitting can mitigate transmission grid congestion and reduce redispatch costs. However, solving this mixed-integer non-linear problem for large-scale systems in near-real-time is currently intractable with existing solvers. Machine learning (ML) approaches have emerged as a promising alternative, but they have limited generalization to unseen topologies, varying operating conditions, and different systems, which limits their practical applicability. This paper formulates NTO for congestion management problem considering linearized AC PF, and proposes a graph neural network (GNN)-accelerated approach. We develop a heterogeneous edge-aware message passing NN to predict effective busbar splitting actions as candidate NTO solutions. The proposed GNN captures local flow patterns, achieves generalization to unseen topology changes, and improves transferability across systems. Case studies show up to 4 orders-of-magnitude speed-up, delivering AC-feasible solutions within one minute and a 2.3% optimality gap on the GOC 2000-bus system. These results demonstrate a significant step toward near-real-time NTO for large-scale systems with topology and cross-system generalization.
• Abstract（参考訳）: バスバー分割によるネットワークトポロジ最適化(NTO)は、送電網の混雑を緩和し、再分散コストを低減する。 しかし、この混合整数非線型問題をほぼリアルタイムに解くことは、既存の解法では難解である。 機械学習(ML)アプローチは、有望な代替手段として現れてきたが、それらは、目に見えないトポロジ、様々な操作条件、そして様々なシステムに限定され、実用性を制限する。 本稿では,線形化AC PFを考慮した混雑管理問題に対するNTOを定式化し,グラフニューラルネットワーク(GNN)の高速化手法を提案する。 候補NTOソリューションとして有効なバスバー分割動作を予測するため,異種エッジ対応メッセージパッシングNNを開発した。 提案したGNNは,局所フローパターンを捕捉し,トポロジ変化の一般化を実現し,システム間の転送性を向上させる。 ケーススタディでは、最大4桁のマグニチュードスピードアップが行われ、1分以内にAC実現可能なソリューションが提供され、OCC 2000バスシステムでは2.3%の最適性ギャップが与えられる。 これらの結果は、トポロジとクロスシステム一般化を備えた大規模システムにおいて、ほぼリアルタイムなNTOに向けた重要なステップを示している。

関連論文リスト

• Towards Generalization of Graph Neural Networks for AC Optimal Power Flow [0.0]
  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。
  論文  参考訳（メタデータ） (2025-10-08T10:28:46Z)
• Unrolled Graph Neural Networks for Constrained Optimization [83.29547301151177]
  2つの結合グラフニューラルネットワーク(GNN)における双対昇降アルゴリズムのダイナミクスについて検討する。 予備的ネットワークと二重ネットワークの更新を交互に行う共同学習手法を提案する。 我々の数値実験は、我々のアプローチがほぼ最適に近いほぼ実現可能な解をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-09-21T16:55:41Z)
• 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)
• Dispatch-Aware Deep Neural Network for Optimal Transmission Switching: Toward Real-Time and Feasibility Guaranteed Operation [3.3894236476098185]
  本稿では,事前に解決されたラベルを使わずにDC-OTSを高速化するディスパッチ対応ディープニューラルネットワーク(DA-DNN)を提案する。 DA-DNNは線状態を予測し、それを微分可能なDC-OPF層に渡す。 DCOPFを解くと同時に、実現可能なトポロジとディスパッチペアを生成する。
  論文  参考訳（メタデータ） (2025-07-23T04:39:29Z)
• 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)
• ILP-based Resource Optimization Realized by Quantum Annealing for Optical Wide-area Communication Networks -- A Framework for Solving Combinatorial Problems of a Real-world Application by Quantum Annealing [5.924780594614675]
  近年の研究では、D-Wave AdvantageTM量子アニールシステムに組み込むことができる2次非拘束二元最適化(QUBO)問題として、そのような問題をいかに実装できるかを実証した。 本稿では、システムパラメータの最適化に関する調査と、ソリューションの品質をさらに向上させるために機械学習(ML)技術をどのように取り入れているかについて報告する。 我々は、このNNを単純な整数線形プログラミング(ILP)の例で実装し、D-Waveが取得しなかった解空間をNNが完全にマッピングする方法を実証した。
  論文  参考訳（メタデータ） (2024-01-01T17:52:58Z)
• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• Teal: Learning-Accelerated Optimization of WAN Traffic Engineering [68.7863363109948]
  本稿では,GPUの並列処理能力を活用してTE制御を高速化する学習型TEアルゴリズムTealを提案する。 問題スケールの削減と学習のトラクタビリティ向上のために,Tealはマルチエージェント強化学習(RL)アルゴリズムを用いて,各トラフィック要求を独立に割り当てる。 他のTE加速方式と比較して、Tealは需要を6～32%増やし、197～625倍のスピードアップを達成している。
  論文  参考訳（メタデータ） (2022-10-25T04:46:30Z)
• 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)

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。