論文の概要: Robustness of Spatio-temporal Graph Neural Networks for Fault Location in Partially Observable Distribution Grids
- arxiv url: http://arxiv.org/abs/2604.20403v1
- Date: Wed, 22 Apr 2026 10:13:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-23 15:36:11.08036
- Title: Robustness of Spatio-temporal Graph Neural Networks for Fault Location in Partially Observable Distribution Grids
- Title（参考訳）: 部分観測可能な分布格子の断層位置に対する時空間グラフニューラルネットワークのロバスト性
- Authors: Burak Karabulut, Carlo Manna, Chris Develder,
- Abstract要約: 分散グリッドの故障位置は、信頼性と停止期間の最小化に不可欠である。
最近の研究は、疎時間学習にリカレントニューラルネットワーク(RNN)とグラフニューラルネットワーク(GNN)を組み合わせることで、有望な結果を示している。
測定専用グラフは、部分的に観測可能な分散グリッドに対して、より実用的で効率的で堅牢なフレームワークを提供することを示す。
- 参考スコア（独自算出の注目度）: 2.183622338864934
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fault location in distribution grids is critical for reliability and minimizing outage durations. Yet, it remains challenging due to partial observability, given sparse measurement infrastructure. Recent works show promising results by combining Recurrent Neural Networks (RNNs) and Graph Neural Networks (GNNs) for spatio-temporal learning. Still, many modern GNN architectures remain untested for this grid application, while existing GNN solutions have not explored GNN topology definitions beyond simply adopting the full grid topology to construct the GNN graph. We address these gaps by (i) systematically comparing a newly proposed graph-forming strategy (measured-only) to the traditional full-topology approach, and (ii) introducing STGNN (Spatio-temporal GNN) models based on GraphSAGE and an improved Graph Attention (GATv2), for distribution grid fault location; (iii) benchmarking them against state-of-the-art STGNN and RNN baselines on the IEEE 123-bus feeder. In our experiments, all evaluated STGNN variants achieve high performance and consistently outperform a pure RNN baseline, with improvements up to 11 percentage points F1. Among STGNN models, the newly explored RGATv2 and RGSAGE achieve only marginally higher F1 scores. Still, STGNNs demonstrate superior stability, with tight confidence intervals (within +/- 1.4%) compared to the RNN baseline (up to +/- 7.5%) across different experiment runs. Finally, our proposed reduced GNN topology (measured-only) shows clear benefits in both (i) model training time (6-fold reduction) and (ii) model performance (up to 11 points F1). This suggests that measured-only graphs offer a more practical, efficient, and robust framework for partially observable distribution grids.
- Abstract（参考訳）: 分散グリッドの故障位置は、信頼性と停止期間の最小化に不可欠である。
しかし、希少な測定インフラを考えると、部分的な観測可能性のため、依然として挑戦的である。
最近の研究は、時空間学習にリカレントニューラルネットワーク(RNN)とグラフニューラルネットワーク(GNN)を組み合わせることで、有望な結果を示している。
しかし、既存のGNNソリューションではGNNのトポロジ定義を単にグリッドトポロジを採用してGNNグラフを構築する以上のことは行っていない。
これらのギャップに対処する
(i)新たに提案されたグラフ形成戦略(測定のみ)を従来のフルトポロジー手法と体系的に比較し、
(II)グラフSAGEに基づくSTGNN(時空間GNN)モデルの導入と、グリッド故障位置の分散のための改良されたグラフ注意(GATv2)
3) IEEE 123バスフィードの最先端STGNNおよびRNNベースラインに対してベンチマークを行う。
実験では, 評価されたSTGNNの変種はいずれも高い性能を達成し, 純RNNベースラインを一貫して上回り, 最大11パーセントのF1が向上した。
STGNNモデルの中で、新たに探索された RGATv2 と RGSAGE は、わずかに高い F1 スコアしか得られない。
それでもSTGNNの安定性は優れており、RNNのベースライン(+/-7.5%まで)と比較すると、信頼性が強い(+/-1.4%)。
最後に、提案したGNNトポロジ(測定値のみ)は、双方に明確な利点を示す。
一 模型訓練時間(6倍減量)及び
(ii)モデル性能(最大11点F1)
これは、測定のみのグラフが、部分的に観測可能な分散グリッドに対してより実用的で効率的で堅牢なフレームワークを提供することを示唆している。
関連論文リスト
- Generalization of Graph Neural Network Models for Distribution Grid Fault Detection [2.183622338864934]
本稿では、RNN+GNNパイプラインモデルにおいて、様々なグラフニューラルネットワーク(GNN)を体系的にベンチマークする。
我々の知る限り、我々は(i)最初にグラフSAGEとグラフアテンション(GAT, GATv2)をRGNNで断層診断に使用することを提案しました。
IEEE 123ノード分散ネットワークの実験結果から, RGATv2はより優れた一般化能力を有することが示された。
論文 参考訳（メタデータ） (2025-10-03T23:46:31Z) - Graph Neural Networks at a Fraction [1.8175282137722093]
本稿では、四元数空間を利用してノード表現を計算するフレームワークである四元数メッセージパッシングニューラルネットワーク(QMPNN)を紹介する。
GNN や QMPNN のコンテキストにおける適用性を再定義する。
論文 参考訳（メタデータ） (2025-02-10T03:55:09Z) - Graph Neural Networks for Transmission Grid Topology Control: Busbar Information Asymmetry and Heterogeneous Representations [0.07646713951724009]
トポロジー制御は混雑を緩和するための魅力的な手法であるが、従来のトポロジー発見のアプローチは実用的応用には遅すぎることが証明されている。
最近の研究は機械学習(ML)を効率的な代替手段として重視している。
本研究では,グラフ表現がトポロジ制御におけるGNNの有効性に与える影響について検討した。
論文 参考訳（メタデータ） (2025-01-13T10:31:36Z) - Learning to Reweight for Graph Neural Network [63.978102332612906]
グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。
既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。
本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
論文 参考訳（メタデータ） (2023-12-19T12:25:10Z) - GNN-Ensemble: Towards Random Decision Graph Neural Networks [3.7620848582312405]
グラフニューラルネットワーク(GNN)は、グラフ構造化データに広く応用されている。
GNNは、大量のテストデータに基づいて推論を行うために、限られた量のトレーニングデータから潜伏パターンを学習する必要がある。
本稿では、GNNのアンサンブル学習を一歩前進させ、精度、堅牢性、敵攻撃を改善した。
論文 参考訳（メタデータ） (2023-03-20T18:24:01Z) - EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural
Networks [51.42338058718487]
グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。
GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。
偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
論文 参考訳（メタデータ） (2022-05-27T10:48:14Z) - Shift-Robust GNNs: Overcoming the Limitations of Localized Graph
Training data [52.771780951404565]
Shift-Robust GNN (SR-GNN) は、バイアス付きトレーニングデータとグラフの真の推論分布の分布差を考慮に入れた設計である。
SR-GNNが他のGNNベースラインを精度良く上回り、バイアス付きトレーニングデータから生じる負の効果の少なくとも40%を排除していることを示す。
論文 参考訳（メタデータ） (2021-08-02T18:00:38Z) - The Surprising Power of Graph Neural Networks with Random Node
Initialization [54.4101931234922]
グラフニューラルネットワーク(GNN)は、関係データ上での表現学習に有効なモデルである。
標準 GNN はその表現力に制限があり、Weisfeiler-Leman グラフ同型(英語版)の能力以外の区別はできない。
本研究では,ランダムノード(RNI)を用いたGNNの表現力の解析を行う。
我々はこれらのモデルが普遍的であることを証明し、GNNが高次特性の計算に頼らない最初の結果である。
論文 参考訳（メタデータ） (2020-10-02T19:53:05Z) - Fast Learning of Graph Neural Networks with Guaranteed Generalizability:
One-hidden-layer Case [93.37576644429578]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから実際に学習する上で、近年大きな進歩を遂げている。
回帰問題と二項分類問題の両方に隠れ層を持つGNNの理論的に基底的な一般化可能性解析を行う。
論文 参考訳（メタデータ） (2020-06-25T00:45:52Z) - Stochastic Graph Neural Networks [123.39024384275054]
グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。
現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。
これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
論文 参考訳（メタデータ） (2020-06-04T08:00:00Z)
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。