論文の概要: Physics-Aware Heterogeneous GNN Architecture for Real-Time BESS Optimization in Unbalanced Distribution Systems

• arxiv url: http://arxiv.org/abs/2512.09780v1
• Date: Wed, 10 Dec 2025 16:00:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.585943
• Title: Physics-Aware Heterogeneous GNN Architecture for Real-Time BESS Optimization in Unbalanced Distribution Systems
• Title（参考訳）: 不均衡配電系統におけるリアルタイムBESS最適化のための物理対応不均一GNNアーキテクチャ
• Authors: Aoxiang Ma, Salah Ghamizi, Jun Cao, Pedro Rodriguez,
• Abstract要約: 本稿では、詳細な3相グリッド情報を埋め込むことで、多様なGNNアーキテクチャがネットワーク状態変数を高精度に予測できることを実証する。 物理インフォームド・ロス関数は、訓練中のソフトペナルティによって、-SoCとCレートの限界という重要なバッテリ制約を組み込む。 6.92e-07 (GCN), 1.21e-06 (GAT), 3.29e-05 (GPS), 9.04e-07 (SAGE) のバス電圧 MSE は低い予測誤差を実現する。
• 参考スコア（独自算出の注目度）: 9.651906452129657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Battery energy storage systems (BESS) have become increasingly vital in three-phase unbalanced distribution grids for maintaining voltage stability and enabling optimal dispatch. However, existing deep learning approaches often lack explicit three-phase representation, making it difficult to accurately model phase-specific dynamics and enforce operational constraints--leading to infeasible dispatch solutions. This paper demonstrates that by embedding detailed three-phase grid information--including phase voltages, unbalanced loads, and BESS states--into heterogeneous graph nodes, diverse GNN architectures (GCN, GAT, GraphSAGE, GPS) can jointly predict network state variables with high accuracy. Moreover, a physics-informed loss function incorporates critical battery constraints--SoC and C-rate limits--via soft penalties during training. Experimental validation on the CIGRE 18-bus distribution system shows that this embedding-loss approach achieves low prediction errors, with bus voltage MSEs of 6.92e-07 (GCN), 1.21e-06 (GAT), 3.29e-05 (GPS), and 9.04e-07 (SAGE). Importantly, the physics-informed method ensures nearly zero SoC and C-rate constraint violations, confirming its effectiveness for reliable, constraint-compliant dispatch.
• Abstract（参考訳）: バッテリエネルギー貯蔵システム(BESS)は、電圧安定性を維持し、最適なディスパッチを可能にするため、3相アンバランス配電網においてますます重要になっている。 しかし、既存のディープラーニングアプローチは、しばしば明示的な3相表現を欠いているため、フェーズ固有のダイナミクスを正確にモデル化し、運用上の制約を強制することは困難である。 本稿では、位相電圧、不均衡負荷、BESS状態を含む詳細な3相グリッド情報を埋め込み、異種グラフノード、多様なGNNアーキテクチャ(GCN, GAT, GraphSAGE, GPS)に組み込むことで、ネットワーク状態変数を高精度に予測できることを実証する。 さらに、物理インフォームド・ロス関数は、訓練中のソフトペナルティによって、-SoCとCレートの制限という重要なバッテリ制約を組み込む。 CIGRE 18-busディストリビューションシステムの実験的検証により、この埋め込み損失法は6.92e-07(GCN)、1.21e-06(GAT)、3.29e-05(GPS)、9.04e-07(SAGE)のバス電圧MSEで低い予測誤差を達成することが示された。 重要なことは、物理インフォームド方式は、ほぼゼロのSoCおよびCレート制約違反を保証し、信頼性の高い制約準拠のディスパッチの有効性を確認することである。

関連論文リスト

• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• 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)
• 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)
• Physics-Informed Multimodal Bearing Fault Classification under Variable Operating Conditions using Transfer Learning [0.46085106405479537]
  本研究では,物理インフォームド・マルチモーダル畳み込みニューラルネットワーク (CNN) とレイトフュージョンアーキテクチャを提案する。 このモデルには、物理的に不可解な予測をペナルティ化する、新しい物理インフォームド・ロス関数が組み込まれている。 パーダーボーン大学のデータセットの実験では、提案された物理学的インフォームドアプローチが、非物理学的インフォームドベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-08-11T01:32:09Z)
• Dynamic Domain Adaptation-Driven Physics-Informed Graph Representation Learning for AC-OPF [15.100794164684956]
  交流最適潮流(AC-OPF)は、電力系統における電圧の大きさと位相角の非形式的関係を利用して発電機出力を最適化することを目的としている。 現在のAC-OPFソルバは、制約空間における変数分布と対応する最適解の間の複雑な関係を効果的に表すのに苦労している。 本稿では,制約に関連した問題に対処し,グラフベースの学習フレームワークを構築するための新しい手法であるDDA-PIGCNを提案する。
  論文  参考訳（メタデータ） (2025-05-31T09:07:19Z)
• Energy-based Epistemic Uncertainty for Graph Neural Networks [47.52218144839666]
  高品質な不確実性推定を提供するエネルギーベースモデル(EBM)を提案する。 我々は、エネルギー関数を正則化することにより、データ空間の可積分密度を確実に誘導する。 我々のフレームワークは、様々な分散シフトに敏感な事前学習GNNに適用可能な、シンプルで効果的なポストホック手法である。
  論文  参考訳（メタデータ） (2024-06-06T13:13:29Z)
• 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)
• Physics-Informed Graph Learning for Robust Fault Location in Distribution Systems [2.984934409689467]
  分散エネルギー資源の急速な成長は電力グリッドの不安定性を増大させる可能性がある。 有望な戦略の1つは、検出と位置によって異常事象(例えば障害)に効率的に応答するために電力網にデータを使用することである。 本稿では,2段階の物理インフォームドグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-07-05T21:18:37Z)
• Pointwise Feasibility of Gaussian Process-based Safety-Critical Control under Model Uncertainty [77.18483084440182]
  制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。 本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-13T23:08:49Z)

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。