論文の概要: PowerModelsGAT-AI: Physics-Informed Graph Attention for Multi-System Power Flow with Continual Learning

• arxiv url: http://arxiv.org/abs/2603.16879v1
• Date: Tue, 24 Feb 2026 15:29:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.354786
• Title: PowerModelsGAT-AI: Physics-Informed Graph Attention for Multi-System Power Flow with Continual Learning
• Title（参考訳）: PowerModelsGAT-AI:連続学習による多系統電力流れに対する物理インフォームドグラフアテンション
• Authors: Chidozie Ezeakunne, Jose E. Tabarez, Reeju Pokharel, Anup Pandey,
• Abstract要約: 本稿では,バス電圧とジェネレータインジェクションを予測する物理インフォームドグラフアテンションネットワークPowerModelsGAT-AIを提案する。 14のベンチマークシステム(4～6,470台のバス)でモデルを評価し,N-2(2ブランチ機能停止)条件下で13種類の統一モデルを訓練した。 ベースモデルを新しい1,354バスシステムに適合させると、標準微調整によってエラーが1000%以上増加する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solving the alternating current power flow equations in real time is essential for secure grid operation, yet classical Newton-Raphson solvers can be slow under stressed conditions. Existing graph neural networks for power flow are typically trained on a single system and often degrade on different systems. We present PowerModelsGAT-AI, a physics-informed graph attention network that predicts bus voltages and generator injections. The model uses bus-type-aware masking to handle different bus types and balances multiple loss terms, including a power-mismatch penalty, using learned weights. We evaluate the model on 14 benchmark systems (4 to 6,470 buses) and train a unified model on 13 of these under N-2 (two-branch outage) conditions, achieving an average normalized mean absolute error of 0.89% for voltage magnitudes and R^2 > 0.99 for voltage angles. We also show continual learning: when adapting a base model to a new 1,354-bus system, standard fine-tuning causes severe forgetting with error increases exceeding 1000% on base systems, while our experience replay and elastic weight consolidation strategy keeps error increases below 2% and in some cases improves base-system performance. Interpretability analysis shows that learned attention weights correlate with physical branch parameters (susceptance: r = 0.38; thermal limits: r = 0.22), and feature importance analysis supports that the model captures established power flow relationships.
• Abstract（参考訳）: 交流流方程式をリアルタイムに解くことは安全なグリッド演算には不可欠であるが、古典的なニュートン・ラフソン解法はストレス条件下では遅くなる。 既存の電力フロー用のグラフニューラルネットワークは通常、1つのシステムで訓練され、しばしば異なるシステムで劣化する。 本稿では,バス電圧とジェネレータインジェクションを予測する物理インフォームドグラフアテンションネットワークPowerModelsGAT-AIを提案する。 このモデルは、バスタイプのマスキングを使用して、異なるバスタイプを処理し、学習した重量を使って、パワーミスマッチのペナルティを含む複数の損失項のバランスをとる。 N-2(2分岐停止)条件下で14のベンチマークシステム(4～6,470台)のモデルを評価し, 平均平均絶対誤差が 0.89%, 電圧角が R^2 > 0.99 であることを示す。 また,新しい1,354バスシステムにベースモデルを適用する場合,基準微調整によりベースシステム上で1000%以上の誤差が生じ,経験的リプレイや弾力的重み強化戦略ではエラーが2%未満に増加し,場合によってはベースシステム性能が向上することを示す。 解釈可能性分析は、学習された注意重みが物理的分岐パラメータ(susceptance: r = 0.38; thermal limit: r = 0.22)と相関していることを示し、特徴重要度解析はモデルが確立した電力流の関係を捉えることを裏付ける。

関連論文リスト

• Generating adversarial inputs for a graph neural network model of AC power flow [0.0]
  この研究は、ニューラルネットワークの予測された交流電力フロー解と交流電力フロー方程式の解との間に高い誤差をもたらす入力点を生成するために最適化問題を定式化し、解決する。 14バステストグリッドで動作するCANOS-PFグラフニューラルネットワークモデルのインスタンス上で,この機能を実演する。
  論文  参考訳（メタデータ） (2026-02-20T04:09:13Z)
• LINA: Linear Autoregressive Image Generative Models with Continuous Tokens [56.80443965097921]
  連続トークンを持つ自己回帰モデルは、特にテキスト・トゥ・イメージ(T2I)合成において、視覚生成に有望なパラダイムを形成する。 このフレームワーク内での計算効率のよい線形アテンションの設計法について検討する。 LINAは、線形注意に基づくシンプルで計算効率の良いT2Iモデルであり、ユーザ命令から高忠実度1024x1024画像を生成することができる。
  論文  参考訳（メタデータ） (2026-01-30T06:44:33Z)
• Rebuild AC Power Flow Models with Graph Attention Networks [12.545107227000239]
  フルパワーフローモデル(フルパワーフローモデル、英: Full Power Flow Model)は、物理電力ネットワークの完全な表現である。 実際には、いくつかのPFモデルパラメータは、電力系統の不確かさや力学のために不正確なり、利用できないこともある。 本稿では,各バスにおける電圧の実部と虚部に基づいて新しいグラフを構築することにより,グラフアテンションネットワーク(GAT)に基づくPF再構築モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-25T14:54:35Z)
• Scaling Collapse Reveals Universal Dynamics in Compute-Optimally Trained Neural Networks [59.552873049024775]
  計算最適化モデルでは, 極めて高精度な普遍性を示すことを示す。 学習速度が減衰すると、崩壊は非常に厳しくなり、モデル間の正規化曲線の差はノイズフロアより下になる。 これらの現象は、典型的なニューラルスケーリング法則において、崩壊とパワー・ロー構造を結びつけることによって説明される。
  論文  参考訳（メタデータ） (2025-07-02T20:03:34Z)
• Power Failure Cascade Prediction using Graph Neural Networks [4.667031410586657]
  本稿では,初期コンテンジェンシーと電力注入値が与えられたカスケードプロセスの各世代におけるグリッド状態を予測するフローフリーモデルを提案する。 提案モデルにより,計算時間をほぼ2桁に短縮できることを示す。
  論文  参考訳（メタデータ） (2024-04-24T18:45:50Z)
• Predicting Dynamic Stability from Static Features in Power Grid Models using Machine Learning [0.0]
  本稿では,ネットワーク科学のメトリクスと機械学習モデルを組み合わせて,非同期イベントのリスクを予測する。 我々は、複数の合成試験格子からシミュレーションデータを用いて、そのようなモデルを訓練し、テストする。 統合モデルでは,すべてのデータセットを平均化した場合の平均精度が0.996$以上のデシンクロナイゼーションイベントを予測できることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T17:16:48Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Data-Driven Interaction Analysis of Line Failure Cascading in Power Grid Networks [0.0]
  パワーグリッドネットワークにおける障害カスケードのラインインタラクションをモデル化するために、機械学習ツールを使用します。 まず、最初のランダムな故障の後、連続するライン障害を再現した軌跡のデータセットを収集する。 次に、モデルパワーネットワークにおける実際の制約を、システムが安定した状態に収まるまで検討する。
  論文  参考訳（メタデータ） (2021-12-02T09:04:01Z)
• Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
  本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。 数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。 我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
  論文  参考訳（メタデータ） (2020-06-02T23:38:35Z)
• Logarithmic Regret Bound in Partially Observable Linear Dynamical Systems [91.43582419264763]
  部分的に観測可能な線形力学系におけるシステム同定と適応制御の問題について検討する。 開ループ系と閉ループ系の両方において有限時間保証付きの最初のモデル推定法を提案する。 AdaptOnは、未知の部分観測可能な線形力学系の適応制御において、$textpolylogleft(Tright)$ regretを達成する最初のアルゴリズムであることを示す。
  論文  参考訳（メタデータ） (2020-03-25T06:00:33Z)
• Gradient Statistics Aware Power Control for Over-the-Air Federated Learning [59.40860710441232]
  フェデレートラーニング(FL)は、多くのエッジデバイスが無線ネットワークで機械学習モデルを協調的にトレーニングできる有望なテクニックである。 本稿では、勾配統計を考慮に入れたオーバー・ザ・エアFLの電力制御問題について検討する。
  論文  参考訳（メタデータ） (2020-03-04T14:06:51Z)

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。