論文の概要: Scale-Adaptive Power Flow Analysis with Local Topology Slicing and Multi-Task Graph Learning

• arxiv url: http://arxiv.org/abs/2601.01387v1
• Date: Sun, 04 Jan 2026 05:59:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.269449
• Title: Scale-Adaptive Power Flow Analysis with Local Topology Slicing and Multi-Task Graph Learning
• Title（参考訳）: 局所的トポロジスライシングとマルチタスクグラフ学習を用いたスケール適応パワーフロー解析
• Authors: Yongzhe Li, Lin Guan, Zihan Cai, Zuxian Lin, Jiyu Huang, Liukai Chen,
• Abstract要約: 本稿では,スケール適応型マルチタスク・パワーフロー解析(SaMPFA)フレームワークを提案する。 参照不要なマルチタスクグラフ学習(RMGL)モデルは、堅牢な電力フロー予測のために設計されている。 提案モデルでは,それぞれ4.47%,36.82%の精度向上が得られた。
• 参考スコア（独自算出の注目度）: 7.799483738726502
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Developing deep learning models with strong adaptability to topological variations is of great practical significance for power flow analysis. To enhance model performance under variable system scales and improve robustness in branch power prediction, this paper proposes a Scale-adaptive Multi-task Power Flow Analysis (SaMPFA) framework. SaMPFA introduces a Local Topology Slicing (LTS) sampling technique that extracts subgraphs of different scales from the complete power network to strengthen the model's cross-scale learning capability. Furthermore, a Reference-free Multi-task Graph Learning (RMGL) model is designed for robust power flow prediction. Unlike existing approaches, RMGL predicts bus voltages and branch powers instead of phase angles. This design not only avoids the risk of error amplification in branch power calculation but also guides the model to learn the physical relationships of phase angle differences. In addition, the loss function incorporates extra terms that encourage the model to capture the physical patterns of angle differences and power transmission, further improving consistency between predictions and physical laws. Simulations on the IEEE 39-bus system and a real provincial grid in China demonstrate that the proposed model achieves superior adaptability and generalization under variable system scales, with accuracy improvements of 4.47% and 36.82%, respectively.
• Abstract（参考訳）: トポロジカルな変動に強い適応性を持つディープラーニングモデルを開発することは、電力フロー解析にとって非常に実践的な意味を持つ。 本稿では,可変システムスケールにおけるモデル性能の向上と分岐電力予測の堅牢性向上を目的として,スケール適応型マルチタスク電力フロー解析(SaMPFA)フレームワークを提案する。 SaMPFAは、完全電力ネットワークから異なるスケールのサブグラフを抽出し、モデルのクロススケール学習能力を強化するローカルトポロジスライシング(LTS)サンプリング技術を導入する。 さらに, マルチタスクグラフ学習モデル (RMGL) は, 堅牢な電力フロー予測のために設計されている。 既存のアプローチとは異なり、RMGLは位相角の代わりにバス電圧と分岐電力を予測する。 この設計は、分岐電力計算における誤差増幅のリスクを回避するだけでなく、位相角差の物理的関係を学ぶためのモデルも導く。 さらに、損失関数は、モデルに角度差と電力伝達の物理的パターンを捉えることを奨励する余分な用語を取り入れ、予測と物理法則の間の一貫性をさらに改善する。 中国におけるIEEE 39-busシステムと実際の地方グリッドのシミュレーションは、提案モデルが可変システムスケールでの優れた適応性と一般化を実現し、それぞれ4.47%と36.82%の精度向上を実現していることを示している。

関連論文リスト

• Model Hemorrhage and the Robustness Limits of Large Language Models [119.46442117681147]
  大規模言語モデル(LLM)は、自然言語処理タスク全体で強力なパフォーマンスを示すが、デプロイメント用に修正された場合、大幅なパフォーマンス低下を経験する。 この現象をモデル出血(パラメータ変更とアーキテクチャ変更によるパフォーマンス低下)と定義する。
  論文  参考訳（メタデータ） (2025-03-31T10:16:03Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Scaling Laws for Sparsely-Connected Foundation Models [70.41266138010657]
  大規模データセット上でトレーニングしたトランスフォーマーのスケーリング挙動に及ぼすパラメータ空間の影響について検討する。 重み空間,非ゼロパラメータ数,およびトレーニングデータの量との関係を記述した最初のスケーリング法則を同定する。
  論文  参考訳（メタデータ） (2023-09-15T16:29:27Z)
• Differential Evolution Algorithm based Hyper-Parameters Selection of Transformer Neural Network Model for Load Forecasting [0.0]
  トランスフォーマーモデルは、そのアテンションメカニズムから派生した長距離依存を学習できるため、ロード予測を改善する可能性がある。 我々の研究は,平均二乗誤差 (MSE) や平均絶対パーセンテージ誤差 (MAPE) といった数値に基づく負荷予測において,異なるメタヒューリスティックアルゴリズムと統合されたトランスフォーマーベースニューラルネットワークモデルを比較した。
  論文  参考訳（メタデータ） (2023-07-28T04:29:53Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• Latent Variable Representation for Reinforcement Learning [131.03944557979725]
  モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。 状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。 特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-17T00:26:31Z)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)

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。