論文の概要: Topology-Aware Reinforcement Learning over Graphs for Resilient Power Distribution Networks

• arxiv url: http://arxiv.org/abs/2603.06964v1
• Date: Sat, 07 Mar 2026 00:56:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:13.505507
• Title: Topology-Aware Reinforcement Learning over Graphs for Resilient Power Distribution Networks
• Title（参考訳）: 耐力配電ネットワークのためのグラフによるトポロジ対応強化学習
• Authors: Roshni Anna Jacob, Prithvi Poddar, Jaidev Goel, Souma Chowdhury, Yulia R. Gel, Jie Zhang,
• Abstract要約: 極度の気象イベントとサイバー攻撃は、コンポーネント障害を引き起こし、電力分配ネットワーク(DN)の運用を妨害する可能性がある 本研究では,DNの高次トポロジ的特徴をグラフベースRLモデルに組み込む,障害管理のためのトポロジ対応グラフ強化学習フレームワークを提案する。 その結果、トポロジカルデータ解析ツールである持続ホモロジー(PH)を組み込むことで、累積報酬が9～18%増加し、電力供給が6%増加し、ベースライングラフ-RLモデルに比べて電圧違反が6～8%減少した。
• 参考スコア（独自算出の注目度）: 20.964887519720854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extreme weather events and cyberattacks can cause component failures and disrupt the operation of power distribution networks (DNs), during which reconfiguration and load shedding are often adopted for resilience enhancement. This study introduces a topology-aware graph reinforcement learning (RL) framework for outage management that embeds higher-order topological features of the DN into a graph-based RL model, enabling reconfiguration and load shedding to maximize energy supply while maintaining operational stability. Results on the modified IEEE 123-bus feeder across 300 diverse outage scenarios demonstrate that incorporating the topological data analysis (TDA) tool, persistence homology (PH), yields 9-18% higher cumulative rewards, up to 6% increase in power delivery, and 6-8% fewer voltage violations compared to a baseline graph-RL model. These findings highlight the potential of integrating RL with TDA to enable self-healing in DNs, facilitating fast, adaptive, and automated restoration.
• Abstract（参考訳）: 極度の気象イベントやサイバー攻撃は、コンポーネント障害を引き起こし、再設定と負荷の隠蔽がレジリエンス向上のためにしばしば使用される電力分配ネットワーク(DN)の動作を妨害する可能性がある。 本研究では,DNの高次トポロジ的特徴をグラフベースRLモデルに組み込んだ機能停止管理のためのトポロジ対応グラフ強化学習(RL)フレームワークを提案する。 300の障害シナリオにまたがる改良されたIEEE 123バスフィードでは、トポロジデータ解析(TDA)ツール、永続ホモロジー(PH)を組み込むことで、累積報酬が9-18%増加し、電力供給が6%増加し、ベースライングラフ-RLモデルに比べて電圧違反が6-8%減少したことが示されている。 これらの知見は、DNの自己修復を可能にするためにRLとTDAを統合する可能性を強調し、高速で適応的で自動化された修復を促進する。

関連論文リスト

• 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)
• An Efficient GNNs-to-KANs Distillation via Self-Attention Dynamic Sampling with Potential for Consumer Electronics Edge Deployment [12.385364522094612]
  本稿では,グラフネットワークからコルモゴロフ・アルノルドネットワーク(KAN)への知識蒸留のための革新的な枠組みを紹介する。 学習可能な周波数ベースと位相シフト機構を組み込むことにより、FR-KANは計算複雑性を効果的に低減しつつ、その非線形適合性を著しく改善する。 6つの実世界のデータセットで実施された実験では、SA-DSDは3つのGNN教師モデルより3.05%-3.62%、FR-KAN+モデルより15.61%の性能向上を達成した。
  論文  参考訳（メタデータ） (2025-08-30T16:53:42Z)
• 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)
• Network Sparsity Unlocks the Scaling Potential of Deep Reinforcement Learning [57.3885832382455]
  静的ネットワークの疎結合を単独で導入することで,最先端アーキテクチャの高密度化を超えて,さらなるスケーリング可能性を実現することができることを示す。 解析の結果,高密度DRLネットワークをネーティブにスケールアップするのとは対照的に,疎ネットワークは高いパラメータ効率とネットワーク表現性を両立させることがわかった。
  論文  参考訳（メタデータ） (2025-06-20T17:54:24Z)
• Auto-Compressing Networks [51.221103189527014]
  本稿では,各層からの長いフィードフォワード接続が従来の短残コネクションに取って代わるアーキテクチャ変種であるAuto-compression Networks (ACNs)を紹介する。 本稿では,ACNが残差ネットワークと比較して高雑音を示すこと,低データ設定における優れた性能を示すこと,破滅的忘れを軽減できることを述べる。 これらの知見は、効率的な神経アーキテクチャを開発するための実践的なアプローチとしてACNを確立している。
  論文  参考訳（メタデータ） (2025-06-11T13:26:09Z)
• Load Forecasting in the Era of Smart Grids: Opportunities and Advanced Machine Learning Models [0.0]
  電力の貯蔵は困難であり、発電、送電、配電をより厳格に制御する必要がある。 本論文では,短期負荷予測のための4つの機械学習フレームワークについて検討・評価する。 さらに、Long Short Term Memory(LSTM)ネットワークとGated Recurrent Units(GRU)という2つのリカレントニューラルネットワークアーキテクチャを設計、実装している。
  論文  参考訳（メタデータ） (2025-05-14T09:19:47Z)
• PowerGNN: A Topology-Aware Graph Neural Network for Electricity Grids [0.0]
  本稿では,高再生能統合下での電力系統状態予測のためのトポロジ対応グラフニューラルネットワーク(GNN)フレームワークを提案する。 我々は,電力ネットワークのグラフベース表現を構築し,伝送線路をノードやエッジとしてモデル化し,グラフSAGE畳み込みとGRU(Gated Recurrent Units)を統合した特殊なGNNアーキテクチャを導入する。 提案したGNNは, 完全連結ニューラルネットワーク, 線形回帰モデル, 圧延平均モデルなどのベースラインアプローチより優れ, 予測精度が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2025-03-26T01:22:31Z)
• Integrating Language Models for Enhanced Network State Monitoring in DRL-Based SFC Provisioning [5.37102888813454]
  本稿では,Deep Reinforcement Learning(DRL)とLanguage Models(LM)を統合し,ネットワーク管理を強化する。 DRLからLMに最終的なVNF割り当てを供給することにより、システムはSFC、DC、VNFに関連するクエリを処理および応答し、リソース利用、ボトルネック検出、将来の需要計画に関するリアルタイムな洞察を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T22:52:14Z)
• Deep Reinforcement Learning for Optimal Power Flow with Renewables Using Spatial-Temporal Graph Information [11.76597661670075]
  再生可能エネルギー資源(RER)は、特に大規模配電ネットワーク(DN)において、現代の電力システムに統合されつつある。 本稿では,DRL を用いた DN の最適動作点を動的に探索する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-22T03:58:13Z)

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。