論文の概要: Urban Power Grid Topology and Hierarchy Identification from Open Data

• arxiv url: http://arxiv.org/abs/2606.21352v1
• Date: Fri, 19 Jun 2026 11:51:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 14:08:59.779437
• Title: Urban Power Grid Topology and Hierarchy Identification from Open Data
• Title（参考訳）: オープンデータによる都市電力グリッドのトポロジーと階層同定
• Authors: Shiliang Zhang, Sabita Maharjan,
• Abstract要約: 本稿では,都市電力グリッドトポロジの同定のためのオープンデータ駆動型フレームワークを開発する。 公共インフラのデータ(電力線、サブステーション、トランスフォーマー、ポール)を融合して、高電圧と中電圧のスケルトンをマッピングします。 次に、OpenStreetMap上の地理空間機械学習を活用して、電力需要クラスタをグループ化する。 我々は、7,330の建物と主要な電力インフラ資産をつなぐ完全なグリッドトポロジを再構築する。
• 参考スコア（独自算出の注目度）: 53.468443050795344
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Understanding the complex topology and hierarchy of urban power grid is crucial for energy prognosis, power flow management, and system resilience analysis. However, detailed grid information remains largely proprietary. This creates significant barriers for research and innovation, especially when analyzing the last-mile distribution networks connecting individual buildings. This paper addresses this challenge by developing an open-data-driven framework for the complete identification of urban power grid topology, from high-voltage transmission down to individual building connections. Particularly, we fuse public infrastructure data (power-lines, substations, transformers, poles) to map the high and medium-voltage skeleton using graph-based algorithms. We then leverage geospatial machine learning on OpenStreetMap building data to group power demand clusters, and infer the physical topology of the final distribution lines linking the clustered buildings. We apply the developed framework to the district of Alna in Oslo, Norway, and we reconstruct the complete grid topology that connects 7,330 buildings and all major electricity infrastructure assets. With the research in this work, we provide a critical tool that facilitates power system analysis, e.g., power flow optimization, cascading failure simulation, and grid resilience against the penetration of distributed renewable generation.
• Abstract（参考訳）: 都市電力グリッドの複雑なトポロジーと階層構造を理解することは、エネルギー予後、電力フロー管理、システムのレジリエンス解析に不可欠である。 しかし、詳細なグリッド情報は、主にプロプライエタリなままである。 これは、特に個々の建物を繋ぐ最終マイルの配電網を分析する際に、研究とイノベーションの大きな障壁を生み出します。 本稿では,都市電力グリッドトポロジの完全同定のためのオープン・データ駆動型フレームワークを,高電圧送電からビル接続に至るまで開発することで,この問題に対処する。 特に,公共インフラストラクチャデータ(電力線,変圧器,変圧器,極)を融合させて,グラフベースのアルゴリズムを用いて高電圧スケルトンと中電圧スケルトンをマッピングする。 次に、OpenStreetMap構築データ上の地理空間機械学習を利用して、電力需要クラスタをグループ化し、クラスタ化された建物をリンクする最終配電線の物理的トポロジを推測する。 我々はノルウェーのオスロのアルナ地区に開発枠組みを適用し、7,330の建物とすべての主要な電力インフラ資産を結ぶ完全なグリッドトポロジーを再構築する。 本研究では, 電力系統解析, 電力フロー最適化, カスケード故障シミュレーション, 分散再生可能電源の浸透に対するグリッドレジリエンスなどの重要なツールを提案する。

関連論文リスト

• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• 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)
• Graph Neural Networks for Electricity Load Forecasting [1.0797981721308225]
  グラフニューラルネットワーク(GNN)は,負荷データの空間依存性をモデル化するための強力なパラダイムとして登場した。 本稿では,グラフに基づく予測とアテンション機構とアンサンブルアグリゲーション戦略を統合した包括的フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-04T16:18:18Z)
• SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
  我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。 SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2024-07-17T09:01:38Z)
• Foundation Models for the Electric Power Grid [53.02072064670517]
  ファンデーションモデル(FM)がニュースの見出しを支配している。 多様なグリッドデータやトポロジからFMを学習することで、トランスフォーメーション能力が解放されるのではないか、と私たちは主張する。 本稿では,グラフニューラルネットワークに基づく電力グリッドFMの概念,すなわちGridFMについて論じる。
  論文  参考訳（メタデータ） (2024-07-12T17:09:47Z)
• Detecting Vulnerable Nodes in Urban Infrastructure Interdependent Network [30.78792992230233]
  我々は、相互依存型ネットワークを異種グラフとしてモデル化し、強化学習を用いたグラフニューラルネットワークに基づくシステムを提案する。 提案システムは,深層学習技術を活用して異種グラフを解析し,カスケード故障のリスクを把握し,都市の脆弱なインフラを発見する。
  論文  参考訳（メタデータ） (2023-07-19T09:53:56Z)
• GridTracer: Automatic Mapping of Power Grids using Deep Learning and Overhead Imagery [9.955168581633663]
  深層学習を用いた遠隔センシング画像におけるグリッドの自動マッピングを提案する。 電力網のための基礎的な真実とオーバーヘッド画像の大規模なデータセット(263km2$)を開発し,公開する。
  論文  参考訳（メタデータ） (2021-01-16T07:23:42Z)
• From Data to Knowledge to Action: Enabling the Smart Grid [0.11726720776908521]
  『グリッド』は、世紀遅れの技術に基づく多くの点において、遺物である。 多くの人々が「スマートグリッド」に彼らの希望を固定しています スマートグリッドの当初の計画では、既存の情報技術を広範囲に活用することを示唆している。
  論文  参考訳（メタデータ） (2020-07-31T19:43:48Z)

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。