論文の概要: MoE-GraphSAGE-Based Integrated Evaluation of Transient Rotor Angle and Voltage Stability in Power Systems

• arxiv url: http://arxiv.org/abs/2511.08610v1
• Date: Thu, 13 Nov 2025 01:00:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.13992
• Title: MoE-GraphSAGE-Based Integrated Evaluation of Transient Rotor Angle and Voltage Stability in Power Systems
• Title（参考訳）: MoE-GraphSAGEによる電力系統の過渡回転子角度と電圧安定性の総合評価
• Authors: Kunyu Zhang, Guang Yang, Fashun Shi, Shaoying He, Yuchi Zhang,
• Abstract要約: 再生可能エネルギー電力電子機器の大規模統合は、電力系統の安定性の複雑さを増している。 本稿では,統合TASとTVS評価のためのグラフニューラルネットワークフレームワークであるMoE-GraphSAGEを提案する。 IEEE 39-busシステムによる実験結果から,MoE-GraphSAGEの精度と効率性が向上した。
• 参考スコア（独自算出の注目度）: 4.578821777814252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The large-scale integration of renewable energy and power electronic devices has increased the complexity of power system stability, making transient stability assessment more challenging. Conventional methods are limited in both accuracy and computational efficiency. To address these challenges, this paper proposes MoE-GraphSAGE, a graph neural network framework based on the MoE for unified TAS and TVS assessment. The framework leverages GraphSAGE to capture the power grid's spatiotemporal topological features and employs multi-expert networks with a gating mechanism to model distinct instability modes jointly. Experimental results on the IEEE 39-bus system demonstrate that MoE-GraphSAGE achieves superior accuracy and efficiency, offering an effective solution for online multi-task transient stability assessment in complex power systems.
• Abstract（参考訳）: 再生可能エネルギーと電力電子機器の大規模な統合により、電力系統の安定性の複雑さが増し、過渡的安定性の評価がより困難になった。 従来の手法は精度と計算効率の両方に制限されている。 これらの課題に対処するため,本研究では,統合TASとTVS評価のためのMoEに基づくグラフニューラルネットワークフレームワークであるMoE-GraphSAGEを提案する。 このフレームワークは、GraphSAGEを活用して電力グリッドの時空間的特徴をキャプチャし、異なる不安定モードを同時にモデル化するためのゲーティング機構を備えたマルチエキスパートネットワークを使用する。 IEEE 39-busシステムによる実験結果から,MoE-GraphSAGEの精度と効率性が向上し,複雑な電力系統におけるオンラインマルチタスク過渡安定性評価に有効な解が得られた。

関連論文リスト

• A Dynamic Recurrent Adjacency Memory Network for Mixed-Generation Power System Stability Forecasting [2.053651537270821]
  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。
  論文  参考訳（メタデータ） (2025-11-02T05:40:16Z)
• 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)
• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• Graph Embedding Dynamic Feature-based Supervised Contrastive Learning of Transient Stability for Changing Power Grid Topologies [4.344709230906635]
  GEDF-SCLモデルでは、教師付きコントラスト学習を用いてGEDFの過渡安定性を予測する。 その結果,GEDF-SCLモデルは過渡安定度予測において高い精度が得られることがわかった。
  論文  参考訳（メタデータ） (2023-08-01T13:30:36Z)
• 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)
• Evaluating the Planning and Operational Resilience of Electrical Distribution Systems with Distributed Energy Resources using Complex Network Theory [0.0]
  本稿では,極端事象下での配電系統の計画と運用のレジリエンスを評価する手法を提案する。 提案するフレームワークは,複雑なネットワーク理論を効果的に活用して開発されている。
  論文  参考訳（メタデータ） (2022-08-24T13:41:37Z)
• Stabilizing Voltage in Power Distribution Networks via Multi-Agent Reinforcement Learning with Transformer [128.19212716007794]
  本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。 さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
  論文  参考訳（メタデータ） (2022-06-08T07:48:42Z)

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。