論文の概要: Outage Detection in Self-Healing Smart Grids Using Reinforcement Learning with Spectral Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2606.07583v1
- Date: Tue, 26 May 2026 23:38:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 07:09:36.745243
- Title: Outage Detection in Self-Healing Smart Grids Using Reinforcement Learning with Spectral Graph Neural Networks
- Title（参考訳）: スペクトルグラフニューラルネットワークを用いた強化学習による自己修復型スマートグリッドの故障検出
- Authors: Lihui Liu, Mucun Sun, Caisheng Wang,
- Abstract要約: 自己修復型スマートグリッドは、停電時にネットワーク構成を迅速に調整し、電力破壊を最小限に抑える。
従来の停止軽減のための機械学習手法は、応答時間が遅いことと計算コストが高いため、スマートグリッドには適していない。
本稿では,システムレジリエンスを高めるため,分散ネットワークにおける障害管理のためのスペクトルグラフ強化学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 6.557071218573946
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-healing smart grids can quickly adjust their network configuration during outages to minimize power disruptions. During an outage, several actions can be taken, such as network reconfiguration through switching operations and emergency load shedding. However, traditional machine learning methods for outage mitigation are not well suited for smart grids due to their slow response time and high computational cost. To address these challenges, recent studies have explored reinforcement learning to automatically perform network reconfiguration. In these approaches, the control policy is typically modeled using a graph neural network (GNN). However, conventional GNNs operate in the spatial domain and may fail to capture important relationships in the frequency domain. Frequency-domain information is particularly useful for modeling global structural patterns and system-wide interactions in power networks. In this paper, we propose a spectral graph reinforcement learning framework for outage management in distribution networks to enhance system resilience. Our model learns the optimal power restoration policy using a spectral graph neural network. We evaluate the proposed method on three modified IEEE test systems: the 13-bus, 34-bus, and 123-bus networks. Experimental results show that our approach achieves near-optimal performance in real time and generalizes well across a wide range of outage scenarios.
- Abstract（参考訳）: 自己修復型スマートグリッドは、停電時にネットワーク構成を迅速に調整し、電力破壊を最小限に抑える。
停止中は、スイッチング操作によるネットワーク再構成や緊急負荷の隠蔽など、いくつかのアクションを取ることができる。
しかし、従来の機械学習手法では、応答時間が遅く、計算コストが高いため、スマートグリッドには適していない。
これらの課題に対処するため、近年の研究では、ネットワーク再構成を自動的に行う強化学習について検討している。
これらのアプローチでは、制御ポリシは一般的にグラフニューラルネットワーク(GNN)を使用してモデル化される。
しかし、従来のGNNは空間領域で動作しており、周波数領域における重要な関係を捉えることができない可能性がある。
周波数領域情報は、電力ネットワークにおけるグローバルな構造パターンとシステム全体の相互作用をモデル化するのに特に有用である。
本稿では,システムレジリエンスを高めるため,分散ネットワークにおける障害管理のためのスペクトルグラフ強化学習フレームワークを提案する。
我々のモデルはスペクトルグラフニューラルネットワークを用いて最適電力復元ポリシーを学習する。
提案手法は,13バス,34バス,123バスの3種類の改良型IEEEテストシステムに対して評価を行った。
実験結果から,本手法はリアルタイムにほぼ最適性能を達成し,幅広い障害シナリオにまたがる一般化を実現していることがわかった。
関連論文リスト
- Topology-Aware Graph Reinforcement Learning for Energy Storage Systems Optimal Dispatch in Distribution Networks [1.7616042687330642]
双遅延Deep Deterministic Policy Gradient(TD3)に基づくトポロジ対応強化学習アーキテクチャを開発する。
ESSディスパッチのためのグラフ特徴エンコーダとして3つのグラフニューラルネットワーク(GNN)について検討する。
その結果、GNNベースのコントローラは、電圧違反の数と大きさを一貫して減少させることがわかった。
論文 参考訳（メタデータ） (2026-03-27T10:32:18Z) - 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) - Graph Neural Networks Based Anomalous RSSI Detection [0.196629787330046]
本稿では,グラフニューラルネットワークを用いた無線リンクの異常検出手法を提案する。
提案手法では,時系列データをグラフに変換して,新たなグラフニューラルネットワークアーキテクチャをトレーニングする。
論文 参考訳（メタデータ） (2025-05-19T09:16:32Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - FERN: Leveraging Graph Attention Networks for Failure Evaluation and
Robust Network Design [46.302926845889694]
我々は、スケーラブルな故障評価とロバストネットワーク設計のための学習ベースのフレームワークFERNを開発した。
FERNは、リッチな問題入力をグラフとして表現し、グラフから特徴抽出を注意深く実行することによって、ローカルとグローバルの両方のビューをキャプチャする。
複数のロバストなネットワーク設計問題を,それぞれ80倍,200倍,10倍以上スピードアップすることができる。
論文 参考訳（メタデータ） (2023-05-30T15:56:25Z) - Properties and Potential Applications of Random Functional-Linked Types
of Neural Networks [81.56822938033119]
ランダム関数リンクニューラルネットワーク(RFLNN)は、深い構造を学習する別の方法を提供する。
本稿では周波数領域の観点からRFLNNの特性について考察する。
本稿では,より優れた性能でBLSネットワークを生成する手法を提案し,ポゾン方程式を解くための効率的なアルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-04-03T13:25:22Z) - Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna
Tuning [60.94661435297309]
モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。
本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。
シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
論文 参考訳（メタデータ） (2023-01-20T17:06:34Z) - Dynamic Network Reconfiguration for Entropy Maximization using Deep
Reinforcement Learning [3.012947865628207]
ネットワーク理論の鍵となる問題は、定量化対象を最適化するためにグラフを再構成する方法である。
本稿では、マルコフ決定過程(MDP)として、指定された構造特性を最適化するネットワークリウィリングの問題を提起する。
次に,Deep Q-Network(DQN)アルゴリズムとグラフニューラルネットワーク(GNN)に基づく一般的な手法を提案する。
論文 参考訳（メタデータ） (2022-05-26T18:44:22Z) - Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。
FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。
私たちのコードは公開されます。
論文 参考訳（メタデータ） (2022-02-23T18:23:07Z) - GDDR: GNN-based Data-Driven Routing [0.0]
グラフニューラルネットワーク(GNN)を用いたアプローチは、多層パーセプトロンアーキテクチャを用いた以前の作業と同様に、少なくとも実行できることを示した。
GNNには、トレーニングされたエージェントを、余分な作業なしで異なるネットワークトポロジに一般化できるというメリットが加えられている。
論文 参考訳（メタデータ） (2021-04-20T12:12:17Z)
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。