論文の概要: Virtual Smart Metering in District Heating Networks via Heterogeneous Spatial-Temporal Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2604.10166v1
• Date: Sat, 11 Apr 2026 11:27:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.885209
• Title: Virtual Smart Metering in District Heating Networks via Heterogeneous Spatial-Temporal Graph Neural Networks
• Title（参考訳）: 不均一空間時間グラフニューラルネットワークを用いた地域熱ネットワークにおける仮想スマート計測
• Authors: Keivan Faghih Niresi, Christian Møller Jensen, Carsten Skovmose Kallesøe, Rafael Wisniewski, Olga Fink,
• Abstract要約: 熱エネルギーネットワークのインテリジェントな運用は、エネルギー効率、信頼性、運用の柔軟性を向上させることを目的としている。 仮想センシングは可観測性を高めるためのコスト効率の良い手段を提供するが、その開発と検証は実際には限られている。 仮想スマートヒートメーター構築のためのヘテロジニアス空間時空間グラフニューラルネットワーク(HSTGNN)を提案する。
• 参考スコア（独自算出の注目度）: 13.671695774861398
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Intelligent operation of thermal energy networks aims to improve energy efficiency, reliability, and operational flexibility through data-driven control, predictive optimization, and early fault detection. Achieving these goals relies on sufficient observability, requiring continuous and well-distributed monitoring of thermal and hydraulic states. However, district heating systems are typically sparsely instrumented and frequently affected by sensor faults, limiting monitoring. Virtual sensing offers a cost-effective means to enhance observability, yet its development and validation remain limited in practice. Existing data-driven methods generally assume dense synchronized data, while analytical models rely on simplified hydraulic and thermal assumptions that may not adequately capture the behavior of heterogeneous network topologies. Consequently, modeling the coupled nonlinear dependencies between pressure, flow, and temperature under realistic operating conditions remains challenging. In addition, the lack of publicly available benchmark datasets hinders systematic comparison of virtual sensing approaches. To address these challenges, we propose a heterogeneous spatial-temporal graph neural network (HSTGNN) for constructing virtual smart heat meters. The model incorporates the functional relationships inherent in district heating networks and employs dedicated branches to learn graph structures and temporal dynamics for flow, temperature, and pressure measurements, thereby enabling the joint modeling of cross-variable and spatial correlations. To support further research, we introduce a controlled laboratory dataset collected at the Aalborg Smart Water Infrastructure Laboratory, providing synchronized high-resolution measurements representative of real operating conditions. Extensive experiments demonstrate that the proposed approach significantly outperforms existing baselines.
• Abstract（参考訳）: 熱エネルギーネットワークのインテリジェントな運用は、データ駆動制御、予測最適化、早期故障検出を通じてエネルギー効率、信頼性、運用の柔軟性を向上させることを目的としている。 これらの目標を達成するには十分な可観測性が必要であり、熱状態と油圧状態の連続的かつ分散的なモニタリングが必要である。 しかし、地域熱システムは通常、わずかに計測され、センサーの故障によって頻繁に影響を受け、監視を制限している。 仮想センシングは可観測性を高めるためのコスト効率の良い手段を提供するが、その開発と検証は実際には限られている。 既存のデータ駆動手法では、一般に密集した同期データを仮定するが、解析モデルは、不均一なネットワークトポロジーの振る舞いを適切に捉えない、単純化された水理および熱的仮定に依存する。 その結果, 実運用条件下での圧力, 流れ, 温度の非線型依存性のモデル化は依然として困難である。 さらに、公開されているベンチマークデータセットの欠如は、仮想センシングアプローチの体系的な比較を妨げる。 これらの課題に対処するために,仮想スマートヒートメーターを構築するためのヘテロジニアス空間時空間グラフニューラルネットワーク(HSTGNN)を提案する。 このモデルは、地域熱ネットワークに固有の機能的関係を取り入れ、フロー、温度、圧力測定のためのグラフ構造と時間的ダイナミクスを学ぶために専用の枝を用いて、クロス変数と空間的相関の合同モデリングを可能にする。 さらなる研究を支援するため、Aalborg Smart Water Infrastructure Laboratoryで収集された制御された実験室データセットを導入し、実運用条件の同期高分解能測定を行う。 大規模な実験により、提案手法が既存のベースラインを著しく上回ることを示した。

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)
• Predicting Large-scale Urban Network Dynamics with Energy-informed Graph Neural Diffusion [51.198001060683296]
  ネットワーク化された都市システムは人、資源、サービスのフローを促進する。 グラフニューラルネットワークのような現在のモデルは、将来性を示しているが、有効性と効率性のトレードオフに直面している。 本論文は,本質的なモデル設計を伝えるための物理法則からインスピレーションを得て,このトレードオフに対処する。
  論文  参考訳（メタデータ） (2025-07-31T01:24:01Z)
• Heterogeneous Graph Neural Networks for Short-term State Forecasting in Power Systems across Domains and Time Scales: A Hydroelectric Power Plant Case Study [6.675805308519987]
  高精度な短期予測は、現代の電力系統の効率的かつ安定した運用に不可欠である。 現代の電力システムは、モデリングと予測において重要な課題を呈する複数の物理的領域にまたがることが多い。 本稿では,これらの制約に対処するために異種グラフ注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2025-07-09T09:39:14Z)
• Data-Driven Optical To Thermal Inference in Pool Boiling Using Generative Adversarial Networks [1.0499611180329804]
  本稿では,標準プール沸騰構成における幾何位相から温度場を推定するデータ駆動フレームワークを提案する。 本研究は,観測可能な多相現象と熱輸送のギャップを埋めるための深部生成モデルの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-05-01T19:26:01Z)
• Brain-Inspired Decentralized Satellite Learning in Space Computing Power Networks [42.67808523367945]
  Space Computing Power Networks (Space-CPN) は、衛星の計算能力を調整し、オンボードのデータ処理を可能にする、有望なアーキテクチャとして登場した。 本稿では,ニューロモルフィックコンピューティングアーキテクチャがサポートするスパイクニューラルネットワーク(SNN)をオンボードデータ処理に適用することを提案する。 我々は分散型ニューロモルフィック学習フレームワークを提案し、通信効率の良い平面間モデルアグリゲーション法を開発した。
  論文  参考訳（メタデータ） (2025-01-27T12:29:47Z)
• Sparse identification of nonlinear dynamics and Koopman operators with Shallow Recurrent Decoder Networks [3.1484174280822845]
  本稿では, 簡易な実装, 効率的, 堅牢な性能で, センサとモデル識別の問題を共同で解決する手法を提案する。 SINDy-SHREDはGated Recurrent Unitsを使用してスパースセンサー計測と浅いネットワークデコーダをモデル化し、潜在状態空間からフルタイムフィールドを再構築する。 本研究では, 乱流, 海面温度の実環境センサ計測, 直接ビデオデータなどのPDEデータに関する系統的研究を行った。
  論文  参考訳（メタデータ） (2025-01-23T02:18:13Z)
• Expand and Compress: Exploring Tuning Principles for Continual Spatio-Temporal Graph Forecasting [40.9030781267984]
  本稿では,新しいプロンプトチューニングに基づく連続予測手法を提案する。 具体的には,基本時相グラフニューラルネットワークと連続的なプロンプトプールをメモリに格納する。 この手法により、モデルが広範囲な時間的データストリームから逐次学習し、対応する期間のタスクを達成できる。
  論文  参考訳（メタデータ） (2024-10-16T14:12:11Z)
• Graph Neural Networks for Virtual Sensing in Complex Systems: Addressing Heterogeneous Temporal Dynamics [8.715570103753697]
  複雑なシステムの信頼性と効率的な運用にはリアルタイム状態監視が不可欠である。 仮想センシングは、利用可能なセンサデータとシステム知識を活用することで制限に対処する。 異種時間グラフニューラルネットワーク(HTGNN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-26T12:16:53Z)
• Temporally Consistent Koopman Autoencoders for Forecasting Dynamical Systems [38.36312939874359]
  時間的に一貫したクープマンオートエンコーダ(tcKAE)を導入する。 tcKAEは、限られたノイズの多いトレーニングデータであっても、正確な長期予測を生成する。 我々は、様々なテストケースにおいて、最先端のKAEモデルよりもtcKAEの優れた性能を実証的に示す。
  論文  参考訳（メタデータ） (2024-03-19T00:48:25Z)
• Grid Monitoring with Synchro-Waveform and AI Foundation Model Technologies [41.994460245857404]
  本稿では,インバータ資源が支配する将来のグリッドを対象とした次世代グリッド監視制御システムの開発を提唱する。 我々は,高分解能シンクロ波形計測技術を用いた物理ベースのAI基盤モデルを構築し,グリッドのレジリエンスを高め,機能停止による経済的損失を低減する。
  論文  参考訳（メタデータ） (2024-03-11T17:28:46Z)

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。