論文の概要: Scalable Heterogeneous Graph Foundation Models for Data-Driven Optimal Power Flow in Smart Grids

• arxiv url: http://arxiv.org/abs/2605.23194v1
• Date: Fri, 22 May 2026 03:25:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.184524
• Title: Scalable Heterogeneous Graph Foundation Models for Data-Driven Optimal Power Flow in Smart Grids
• Title（参考訳）: スマートグリッドにおけるデータ駆動最適潮流のためのスケーラブルな不均一グラフ基礎モデル
• Authors: Massimiliano Lupo Pasini, Yijiang Li, Kibaek Kim, Teja Kuruganti,
• Abstract要約: 本稿では,データ駆動型OPFサロゲートモデリングとOPF-GFM開発のためのスケーラブルなヘテロジニアスグラフニューラルネットワーク(GNN)ワークフローを提案する。 このワークフローは、異なるノードとエッジタイプの電力グリッドを保持し、リーダーシップクラスのスーパーコンピュータで分散前処理、トレーニング、下流の微調整をサポートする。
• 参考スコア（独自算出の注目度）: 7.737263980113792
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Fast and reliable optimal power flow (OPF) approximation is essential for reliable smart-grid operation, yet many learning-based surrogates either flatten the native heterogeneous structure of power networks, target a limited set of grid topologies, or lack scalable infrastructure for graph foundation model (GFM) training. This paper presents a scalable heterogeneous graph neural network (GNN) workflow, built on HydraGNN, for data-driven OPF surrogate modeling and OPF-GFM development. The workflow preserves the distinct node and edge types of power grids -- buses, generators, loads, shunts, AC lines, transformers, and device-to-bus couplings -- and supports distributed preprocessing, training, hyperparameter optimization (HPO), and downstream fine-tuning on leadership-class supercomputers. Using three million heterogeneous graph instances spanning ten PGLib-OPF cases, from 14 to 13,659 buses, we conduct DeepHyper-driven HPO on the ORNL Frontier supercomputer. The campaign identifies compact models ($\sim$1.6--1.7M parameters) with the lowest validation losses. Downstream experiments on feasibility classification and N-1 contingency regression show that fine-tuning pretrained OPF GFM improves low-data accuracy, stabilizes training, accelerates convergence, and reduces adaptation cost when partial or head-only fine-tuning is used.
• Abstract（参考訳）: 高速かつ信頼性の高い最適電力フロー(OPF)近似は、信頼性の高いスマートグリッド演算には不可欠であるが、多くの学習ベースのサロゲートは、電力ネットワークのネイティブな異種構造をフラットにするか、限られたグリッドトポロジをターゲットにするか、グラフ基礎モデル(GFM)トレーニングのためのスケーラブルなインフラを欠いている。 本稿では、データ駆動OPFサロゲートモデリングとOPF-GFM開発のための、HydraGNN上に構築されたスケーラブルなヘテロジニアスグラフニューラルネットワーク(GNN)ワークフローを提案する。 このワークフローは、バス、ジェネレータ、ロード、シャント、ACライン、トランスフォーマー、デバイス間結合など、異なるノードとエッジタイプの電力グリッドを保持し、分散前処理、トレーニング、ハイパーパラメータ最適化(HPO)、リーダーシップクラスのスーパーコンピュータのダウンストリーム微調整をサポートする。 14から13,659台のPGLib-OPFにまたがる300万の異種グラフインスタンスを用いて,ORNL Frontierスーパーコンピュータ上でDeepHyper駆動HPOを行う。 このキャンペーンは、最小のバリデーション損失を持つコンパクトモデル(\sim$1.6--1.7Mパラメータ)を特定する。 ファシビリティ分類とN-1傾向のダウンストリーム実験により、微調整済みOPF GFMは、低データの精度を改善し、訓練を安定化し、収束を加速し、部分的または頭部のみの微調整を使用する場合の適応コストを低減することが示されている。

関連論文リスト

• F\textsuperscript{2}LP-AP: Fast \& Flexible Label Propagation with Adaptive Propagation Kernel [6.834330245672611]
  textbfF$2$LP-APは、局所グラフトポロジに適応する、トレーニング不要で、計算的に効率的なフレームワークである。 textbfF$2$LP-APは、訓練されたGNNと比較して、競争力または優れた精度を達成する。
  論文  参考訳（メタデータ） (2026-04-22T16:23:17Z)
• EUGens: Efficient, Unified, and General Dense Layers [56.498769704575544]
  我々は、標準完全連結フィードフォワード層、textbfEfficient、 textbfUnimat、 textbfGeneral dense layer (EUGens) を一般化する新しい階層のクラスを提案する。 EUGensはランダムな特徴を活用して標準的なFFLを近似し、その計算に入力ノルムに直接的な依存を組み込むことによってそれらを超える。
  論文  参考訳（メタデータ） (2026-01-30T05:01:03Z)
• Towards Generalization of Graph Neural Networks for AC Optimal Power Flow [0.0]
  機械学習アプローチは、計算スピードアップを提供するが、再トレーニングせずにスケーラビリティとトポロジ適応性に苦労する。 HH-MPNN(Hybrid Heterogeneous Message Passing Neural Network)を提案する。 HH-MPNNはバス、ジェネレータ、ロード、シャント、トランスミッションライン、トランスフォーマーを異なるノードまたはエッジタイプとしてモデル化する。 数千の目に見えないトポロジにゼロショットを適用したHH-MPNNは、デフォルトトポロジのみのトレーニングにもかかわらず、3%未満の最適性ギャップを達成した。
  論文  参考訳（メタデータ） (2025-10-08T10:28:46Z)
• TGLF-SINN: Deep Learning Surrogate Model for Accelerating Turbulent Transport Modeling in Fusion [18.028061388104963]
  我々は,3つの重要なイノベーションを持つtextbfTGLF-SINN (Spectra-Informed Neural Network) を提案する。 我々の手法は、トレーニングデータを大幅に減らし、優れたパフォーマンスを実現する。 下流フラックスマッチングアプリケーションでは、NNサロゲートがTGLFの45倍のスピードアップを提供しながら、同等の精度を維持しています。
  論文  参考訳（メタデータ） (2025-09-07T09:36:51Z)
• Constraints and Variables Reduction for Optimal Power Flow Using Hierarchical Graph Neural Networks with Virtual Node-Splitting [0.24554686192257422]
  パワーシステムネットワークは、しばしば同質グラフとしてモデル化され、グラフニューラルネットワーク(GNN)が同一ノードで個々のジェネレータ機能をキャプチャする能力を制限する。 提案した仮想ノード分割戦略を導入することで、コスト、制限、ランプレートといったジェネレータレベルの特性をGNNモデルで完全に捉えることができる。 二段階適応階層型GNNは、(i)混雑する臨界線を予測し、(ii)最大容量で作動するベースジェネレータを予測するために開発された。
  論文  参考訳（メタデータ） (2024-11-09T19:46:28Z)
• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• GP CC-OPF: Gaussian Process based optimization tool for Chance-Constrained Optimal Power Flow [54.94701604030199]
  Gaussian Process (GP) ベースのChance-Constrained Optimal Flow (CC-OPF) は、電力グリッドにおけるエコノミックディスパッチ(ED)問題のためのオープンソースのPythonコードである。 CC-OPモデルに基づく新しいデータ駆動手法を提案し,複雑性と精度のトレードオフにより大規模な回帰問題を解く。
  論文  参考訳（メタデータ） (2023-02-16T17:59:06Z)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)
• High-Fidelity Machine Learning Approximations of Large-Scale Optimal Power Flow [49.2540510330407]
  AC-OPFは、多くの電力システムアプリケーションにおいて重要なビルディングブロックである。 本稿では, 再生可能エネルギーの普及にともなって, AC-OPFの効率的な近似を実現するための深層学習について検討する。
  論文  参考訳（メタデータ） (2020-06-29T20:22:16Z)

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。