論文の概要: A Dynamic Recurrent Adjacency Memory Network for Mixed-Generation Power System Stability Forecasting

• arxiv url: http://arxiv.org/abs/2511.03746v1
• Date: Sun, 02 Nov 2025 05:40:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.162544
• Title: A Dynamic Recurrent Adjacency Memory Network for Mixed-Generation Power System Stability Forecasting
• Title（参考訳）: 混合電源系統安定化予測のための動的リカレント並列メモリネットワーク
• Authors: Guang An Ooi, Otavio Bertozzi, Mohd Asim Aftab, Charalambos Konstantinou, Shehab Ahmed,
• Abstract要約: DRAMN(Dynamic Recurrent AdjacencyMemory Network)は,物理インフォームド解析とディープラーニングを組み合わせたリアルタイム電力系統安定性予測手法である。 DRAMNは、電力系統演算子に対して高い解釈性を提供しながら、最先端の精度を達成する。
• 参考スコア（独自算出の注目度）: 2.053651537270821
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modern power systems with high penetration of inverter-based resources exhibit complex dynamic behaviors that challenge the scalability and generalizability of traditional stability assessment methods. This paper presents a dynamic recurrent adjacency memory network (DRAMN) that combines physics-informed analysis with deep learning for real-time power system stability forecasting. The framework employs sliding-window dynamic mode decomposition to construct time-varying, multi-layer adjacency matrices from phasor measurement unit and sensor data to capture system dynamics such as modal participation factors, coupling strengths, phase relationships, and spectral energy distributions. As opposed to processing spatial and temporal dependencies separately, DRAMN integrates graph convolution operations directly within recurrent gating mechanisms, enabling simultaneous modeling of evolving dynamics and temporal dependencies. Extensive validations on modified IEEE 9-bus, 39-bus, and a multi-terminal HVDC network demonstrate high performance, achieving 99.85\%, 99.90\%, and 99.69\% average accuracies, respectively, surpassing all tested benchmarks, including classical machine learning algorithms and recent graph-based models. The framework identifies optimal combinations of measurements that reduce feature dimensionality by 82\% without performance degradation. Correlation analysis between dominant measurements for small-signal and transient stability events validates generalizability across different stability phenomena. DRAMN achieves state-of-the-art accuracy while providing enhanced interpretability for power system operators, making it suitable for real-time deployment in modern control centers.
• Abstract（参考訳）: インバータ資源の浸透度が高い現代の電力システムは、従来の安定性評価手法のスケーラビリティと一般化性に挑戦する複雑な動的挙動を示す。 本稿では,物理インフォームド解析とディープラーニングを組み合わせた動的リカレンシ・アジャクエンシ・メモリ・ネットワーク(DRAMN)を提案する。 このフレームワークは、スライディング・ウインドウ・ダイナミック・モード分解を用いて、位相測定ユニットとセンサデータから時間変化の多層隣接行列を構築し、モーダル参加係数、結合強度、位相関係、スペクトルエネルギー分布などのシステムダイナミクスをキャプチャする。 空間的依存と時間的依存を別々に処理するのではなく、DRAMNはグラフ畳み込み操作を繰り返しゲーティング機構に直接統合し、進化するダイナミクスと時間的依存の同時モデリングを可能にする。 改良されたIEEE 9-bus、39-bus、および複数端末のHVDCネットワークに対する大規模な検証は、それぞれ99.85\%、99.90\%、99.69\%の平均精度を達成し、古典的な機械学習アルゴリズムや最近のグラフベースモデルを含む全てのベンチマークを上回っている。 このフレームワークは、性能劣化を伴わずに特徴次元を82 %削減する最適な測定の組み合わせを特定する。 小信号および過渡安定事象における支配的な測定値の相関解析は、異なる安定性現象における一般化可能性を検証する。 DRAMNは、現代の制御センターにおけるリアルタイム展開に適した電力系統演算子に対して、高度な解釈性を提供しながら、最先端の精度を達成する。

関連論文リスト

• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  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。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Hybrid Temporal Differential Consistency Autoencoder for Efficient and Sustainable Anomaly Detection in Cyber-Physical Systems [0.0]
  重要なインフラ、特に配水システムに対するサイバー攻撃は、急速なデジタル化により増加した。 本研究では,センサデータの時間相関を利用した異常検出における重要な課題に対処する。 本稿では,決定論的ノードと従来の統計ノードの両方を組み込んでTDCを拡張するハイブリッドTDC-AEという,ハイブリッドオートエンコーダに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-08T09:22:44Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Towards Stabilized and Efficient Diffusion Transformers through Long-Skip-Connections with Spectral Constraints [51.83081671798784]
  Diffusion Transformers (DiT) は、画像およびビデオ生成のための強力なアーキテクチャとして登場し、優れた品質とスケーラビリティを提供している。 DiTの実用アプリケーションは本質的に動的特徴不安定性に悩まされており、キャッシュされた推論中にエラーを増幅する。 我々は,Long-Skip-Connections (LSCs) で拡張された画像およびビデオ生成型DiTであるSkip-DiTを提案する。
  論文  参考訳（メタデータ） (2024-11-26T17:28:10Z)
• Amortized Control of Continuous State Space Feynman-Kac Model for Irregular Time Series [14.400596021890863]
  医療、気候、経済などの現実世界のデータセットは、しばしば不規則な時系列として収集される。 本稿では,連続状態空間モデル (ACSSM) を時系列の連続的動的モデリングに用いるためのアモータイズ制御を提案する。
  論文  参考訳（メタデータ） (2024-10-08T01:27:46Z)
• A Unified Approach for Learning the Dynamics of Power System Generators and Inverter-based Resources [12.723995633698514]
  再生可能エネルギーの統合と電気化のためのインバータベースの資源(IBR)は、電力系統の動的解析に大きく挑戦する。 同期ジェネレータ(SG)とIRBの両方を考慮するため、この研究は個々の動的コンポーネントのモデルを学ぶためのアプローチを示す。
  論文  参考訳（メタデータ） (2024-09-22T14:07:10Z)
• Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
  状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。 状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。 時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
  論文  参考訳（メタデータ） (2021-10-26T17:35:21Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。