論文の概要: gridfm-datakit-v1: A Python Library for Scalable and Realistic Power Flow and Optimal Power Flow Data Generation

• arxiv url: http://arxiv.org/abs/2512.14658v1
• Date: Tue, 16 Dec 2025 18:17:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.83025
• Title: gridfm-datakit-v1: A Python Library for Scalable and Realistic Power Flow and Optimal Power Flow Data Generation
• Title（参考訳）: gridfm-datakit-v1: スケーラブルで現実的な電力フローと最適な電力フローデータ生成のためのPythonライブラリ
• Abstract要約: gridfm-datakit-v1は、機械学習(ML)ソルバをトレーニングするための現実的なPower Flow(PF)とOptimal Power Flow(OPF)データセットを生成するPythonライブラリである。
• 参考スコア（独自算出の注目度）: 5.18902249007511
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce gridfm-datakit-v1, a Python library for generating realistic and diverse Power Flow (PF) and Optimal Power Flow (OPF) datasets for training Machine Learning (ML) solvers. Existing datasets and libraries face three main challenges: (1) lack of realistic stochastic load and topology perturbations, limiting scenario diversity; (2) PF datasets are restricted to OPF-feasible points, hindering generalization of ML solvers to cases that violate operating limits (e.g., branch overloads or voltage violations); and (3) OPF datasets use fixed generator cost functions, limiting generalization across varying costs. gridfm-datakit addresses these challenges by: (1) combining global load scaling from real-world profiles with localized noise and supporting arbitrary N-k topology perturbations to create diverse yet realistic datasets; (2) generating PF samples beyond operating limits; and (3) producing OPF data with varying generator costs. It also scales efficiently to large grids (up to 10,000 buses). Comparisons with OPFData, OPF-Learn, PGLearn, and PF$Δ$ are provided. Available on GitHub at https://github.com/gridfm/gridfm-datakit under Apache 2.0 and via `pip install gridfm-datakit`.
• Abstract（参考訳）: 我々は、現実的で多様なPower Flow(PF)を生成するPythonライブラリである gridfm-datakit-v1 と機械学習(ML)ソルバのトレーニングのためのOptimal Power Flow(OPF)データセットを紹介する。 既存のデータセットとライブラリは3つの大きな課題に直面している。(1) 現実的な確率的負荷の欠如とトポロジーの摂動、シナリオの多様性の制限、(2) PFデータセットはOPF対応の点に制限され、MLソルバの動作制限(例えば、分岐過負荷や電圧違反)に違反するケースへの一般化を妨げる。 Gridfm-datakitは、(1)現実世界のプロファイルからのグローバルな負荷スケーリングとローカライズドノイズを組み合わせ、任意のN-kトポロジ摂動をサポートし、多様な現実的なデータセットを作成すること、(2)運用限界を超えてPFサンプルを生成すること、(3)発電機コストの異なるOPFデータを生成すること、といった課題に対処する。 また、大規模なグリッド(最大1万台のバス)にも効率よくスケールできる。 OPFData、OPF-Learn、PGLearn、PF$Δ$と比較する。 https://github.com/gridfm/gridfm-datakit under Apache 2.0 and via `pip install gridfm-datakit`

関連論文リスト

• DataClaw0: Agentic Tailoring Multimodal Data from Raw Streams [48.434767119224375]
  本稿ではエージェントデータ処理へのパラダイムシフトを提案する。 このような高次の能力をトレーニングする際のデータ不足のボトルネックを克服するために、2段階のパイプラインを設計する。 $textDataClaw_0$-9B モデルは、グループ相対ポリシー最適化によるスーパービジョンファインチューニングをシナジする。
  論文  参考訳（メタデータ） (2026-06-19T11:31:43Z)
• Scalable Heterogeneous Graph Foundation Models for Data-Driven Optimal Power Flow in Smart Grids [7.737263980113792]
  本稿では,データ駆動型OPFサロゲートモデリングとOPF-GFM開発のためのスケーラブルなヘテロジニアスグラフニューラルネットワーク(GNN)ワークフローを提案する。 このワークフローは、異なるノードとエッジタイプの電力グリッドを保持し、リーダーシップクラスのスーパーコンピュータで分散前処理、トレーニング、下流の微調整をサポートする。
  論文  参考訳（メタデータ） (2026-05-22T03:25:25Z)
• Optimizing Server Placement for Vertical Federated Learning in Dynamic Edge/Fog Networks [49.91939413642465]
  本稿では,エッジ/フォグデバイスに異なるデータ特徴を含む垂直連合学習法(VFL)の制御と最適化について検討する。 本稿では,サーバ制御型VFLを動的ネットワーク(SC-DN)で実現し,まずグローバルラウンド毎の1次定常点の存在を確定する手法を提案する。 本手法は, 過酷な手法よりも, 分類・回帰性能と資源消費量の削減が優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-10T23:30:18Z)
• One Model, Many Budgets: Elastic Latent Interfaces for Diffusion Transformers [80.19461768457622]
  Elastic Latent Interface Transformer (ELIT) は、入力画像サイズを計算から切り離すための、ドロップインでDiT互換のメカニズムである。 読み取りと書き込み クロスアテンション・レイヤは空間トークンとラテントの間で情報を移動し、重要な入力領域を優先する。 ImageNet-1K 512pxでは、ELITの平均利得は35.3%、FIDおよびFDDスコアは39.6%である。
  論文  参考訳（メタデータ） (2026-03-12T17:57:04Z)
• EUGens: Efficient, Unified, and General Dense Layers [56.498769704575544]
  我々は、標準完全連結フィードフォワード層、textbfEfficient、 textbfUnimat、 textbfGeneral dense layer (EUGens) を一般化する新しい階層のクラスを提案する。 EUGensはランダムな特徴を活用して標準的なFFLを近似し、その計算に入力ノルムに直接的な依存を組み込むことによってそれらを超える。
  論文  参考訳（メタデータ） (2026-01-30T05:01:03Z)
• FuseFlow: A Fusion-Centric Compilation Framework for Sparse Deep Learning on Streaming Dataflow [2.4342405886016407]
  我々は,PyTorchで記述されたスパース機械学習モデルを融合したスパースデータフローグラフに変換するコンパイラFuseFlowを提案する。 FuseFlowはスパース操作の一般的なクロス圧縮融合をサポートする最初のコンパイラである。 我々はFuseFlowを使って、空白のある4つの現実世界の機械学習アプリケーションを設計空間で探索する。
  論文  参考訳（メタデータ） (2025-11-06T19:40:20Z)
• PF$Δ$: A Benchmark Dataset for Power Flow under Load, Generation, and Topology Variations [0.055997926295092294]
  電力フロー計算はリアルタイムグリッド操作のバックボーンである。 PF$Delta$は、負荷、生成、トポロジのさまざまなバリエーションをキャプチャする、電力フローのベンチマークデータセットである。
  論文  参考訳（メタデータ） (2025-10-24T22:09:09Z)
• AlignFlow: Improving Flow-based Generative Models with Semi-Discrete Optimal Transport [32.58223362864546]
  フローベース生成モデル(FGM)はノイズを複雑なデータ分布に変換する。 既存のOTベースの手法では、サンプルノイズとデータポイントの(ミニ)バッチを用いてOTプランを推定する。 本稿では、雑音分布とデータ点との明示的最適アライメントを確立することにより、FGMのトレーニングを強化する新しいアプローチであるAlignFlowを紹介する。
  論文  参考訳（メタデータ） (2025-10-16T18:00:43Z)
• pyRMG: A Python Framework for High-Throughput, Large-Cell Real-Space MultiGrid DFT Calculations [0.0]
  pyRMGは密度汎関数理論計算のセットアップと実行を効率化するために設計されたPythonパッケージである。 pyRMGは,ユーザの介入を限定して,難易度の高いRMGベースの安定性と安定性を両立させることができることを示す。
  論文  参考訳（メタデータ） (2025-09-20T18:46:53Z)
• Coarse Graining with Neural Operators for Simulating Chaotic Systems [78.64101336150419]
  カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。 このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。 この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-09T17:05:45Z)
• APIGen: Automated Pipeline for Generating Verifiable and Diverse Function-Calling Datasets [99.8988504388011]
  APIGenは、関数呼び出しアプリケーションのための検証可能な高品質データセットを合成するために設計された、自動データ生成パイプラインである。 APIGenを活用して、21のカテゴリにわたる3,673の実行可能なAPIを収集し、多様な関数呼び出しデータセットを生成します。 機能呼び出しエージェントドメインの分野を推し進めるため、6万の高品質なエントリを含むデータセットをリリースする。
  論文  参考訳（メタデータ） (2024-06-26T17:49:11Z)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-04T04:18:01Z)
• Learning a Fourier Transform for Linear Relative Positional Encodings in Transformers [71.32827362323205]
  我々はLearner-Transformer (Learners)と呼ばれる線形変換器の新しいクラスを提案する。 様々な相対的位置エンコーディング機構(RPE)を組み込んでいる。 これらには、シーケンシャルデータに適用される正規の RPE 技術や、高次元ユークリッド空間に埋め込まれた幾何学的データを操作する新しい RPE などが含まれる。
  論文  参考訳（メタデータ） (2023-02-03T18:57:17Z)
• FedHiSyn: A Hierarchical Synchronous Federated Learning Framework for Resource and Data Heterogeneity [56.82825745165945]
  フェデレートラーニング(FL)は、データプライバシを保護するために複数のデバイスに格納された分散生データを共有することなく、グローバルモデルのトレーニングを可能にする。 本稿では,階層型同期FLフレームワークであるFedHiSynを提案し,トラグラー効果や時代遅れモデルの問題に対処する。 提案手法は,MNIST,EMNIST,CIFAR10,CIFAR100のデータセットと多種多様なデバイス設定に基づいて評価する。
  論文  参考訳（メタデータ） (2022-06-21T17:23:06Z)
• OPF-Learn: An Open-Source Framework for Creating Representative AC Optimal Power Flow Datasets [0.0]
  本稿では,JuliaとPythonのためのOPF-Learnパッケージを開発した。 このフレームワークは、文献で見られる従来の手法に比べて、実現可能な空間全体を代表するデータセットを生成することが示されている。
  論文  参考訳（メタデータ） (2021-11-01T19:35:09Z)

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。