論文の概要: Creating Power Distribution Network Layouts Using Generative Adversarial Networks and Image-Based Representations

• arxiv url: http://arxiv.org/abs/2607.06622v1
• Date: Tue, 07 Jul 2026 10:25:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.157457
• Title: Creating Power Distribution Network Layouts Using Generative Adversarial Networks and Image-Based Representations
• Title（参考訳）: 生成逆ネットワークと画像ベース表現を用いた配電網レイアウトの作成
• Abstract要約: 本稿では,GAN(Generative Adversarial Networks)に基づく,配電ネットワークレイアウト作成のための生成フレームワークを提案する。 提案するフレームワークは,既存の合成ネットワーク生成手法をデータ駆動で補完する。 新たな領域の電化のための配電ネットワークレイアウトの提案にも応用できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Utilities increasingly rely on planning and operational tools to cope with the increased penetrations of distributed energy resources, yet the lack of realistic, openly available datasets remains a major barrier for benchmarking and comparison. Traditional test feeders, and recently proposed large-scale synthetic networks alleviate this issue but are typically based on heuristic rules and do not learn directly from data. This paper proposes a generative framework based on Generative Adversarial Networks (GANs) to create power distribution network layouts using image-based representations. The model is trained on rasterised views of distribution systems and can operate in two modes: an unconditional configuration that learns layout patterns from the training dataset, and conditional configurations that incorporate geographical context such as street maps and the spatial distribution of consumers. The methodology includes dataset preparation from Geographic Information System (GIS) sources, GAN architecture design, and the analysis of training stability and image resolution. Results from three representative cases show that the proposed approach can reproduce the topologies of low (LV), medium (MV) and high voltage (HV) feeders and align generated layouts with underlying geographical structures. At the same time, the study reveals limitations related to training stability, resolution-dependent artefacts and limits, and the absence of explicit electrical constraints. The proposed framework constitutes a data-driven complement to existing synthetic network generation methods, and could be applied to propose distribution network layouts for the electrification of new areas. This would require future extensions towards power flow, electrically validated models.
• Abstract（参考訳）: ユーティリティは、分散エネルギーリソースの浸透の増加に対応するために、計画と運用ツールにますます依存していますが、現実的なオープンデータセットの欠如は、ベンチマークと比較の大きな障壁であり続けています。 従来のテストフィーダーや最近提案された大規模合成ネットワークはこの問題を緩和するが、典型的にはヒューリスティックなルールに基づいており、データから直接は学ばない。 本稿では,GAN(Generative Adversarial Networks)に基づく生成フレームワークを提案する。 トレーニングデータセットからレイアウトパターンを学習する非条件設定と、ストリートマップやコンシューマの空間分布といった地理的コンテキストを含む条件設定である。 この手法には、地理情報システム(GIS)ソースからのデータセット作成、GANアーキテクチャ設計、トレーニング安定性と画像解像度の分析が含まれる。 3つの代表的な事例から,提案手法は,低(LV),中(MV),高電圧(HV)フィードのトポロジーを再現し,生成したレイアウトを基礎となる地理的構造と整合させることができることを示す。 同時に、この研究は、トレーニングの安定性、解像度に依存したアーチファクトと制限、明示的な電気的制約の欠如に関連する制限を明らかにしている。 提案するフレームワークは,既存の合成ネットワーク生成手法をデータ駆動で補完するもので,新しい領域の電化のための分散ネットワークレイアウトの提案にも応用できる。 これは将来の電力流への拡張を必要とし、電気的に検証されたモデルである。

関連論文リスト

• Graph Signal Diffusion Models for Wireless Resource Allocation [74.84410305593006]
  グラフ構造干渉を用いた無線ネットワークにおける制約付きエルゴディック資源最適化について検討する。 生成した電力割り当ての時間的共有は、ほぼ最適のエルゴディック・サムレートユーティリティとほぼ実現可能なエルゴディック・ミニマルレートを実現する。
  論文  参考訳（メタデータ） (2026-04-06T21:12:25Z)
• Structural Information-based Hierarchical Diffusion for Offline Reinforcement Learning [13.839214658191038]
  本稿では,効率的なオフライン政策学習のための構造情報に基づく階層的拡散フレームワークを提案する。 オフライン軌道に埋め込まれた構造情報を解析して拡散階層を適応的に構築する。 SIHDは意思決定性能において最先端のベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-09-26T06:24:06Z)
• 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)
• 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)
• Leveraging Graph Neural Networks to Forecast Electricity Consumption [3.157383076370605]
  この研究は、従来の一般化付加モデルフレームワークを超えて、新しいアプローチを提供する。 本稿では,消費予測に適したグラフを推定する手法と,開発したモデルを評価するためのフレームワークを紹介する。 本研究は,フランス本土の地域を考慮した総合的および現実的な枠組みで,電気予測の実験を行う。
  論文  参考訳（メタデータ） (2024-08-30T15:54:50Z)
• Evaluating Distribution System Reliability with Hyperstructures Graph Convolutional Nets [74.51865676466056]
  本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。 数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2022-11-14T01:29:09Z)
• Solving AC Power Flow with Graph Neural Networks under Realistic Constraints [3.114162328765758]
  本稿では,現実的な制約下での交流電力流問題の解法として,グラフニューラルネットワークアーキテクチャを提案する。 本稿では,グラフニューラルネットワークを用いて電力フローの物理的制約を学習するフレームワークの開発を実演する。
  論文  参考訳（メタデータ） (2022-04-14T14:49:34Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Synthetic Active Distribution System Generation via Unbalanced Graph Generative Adversarial Network [2.2749157557381245]
  Wasserstein GANの目的を持つ暗黙的な生成モデルは、合成三相非平衡な能動分布系接続を生成するように設計されている。 基本的な考え方は、実世界のシステムと線分の各フェーズにおけるランダムウォークの分布を学習することである。 いくつかのパワーアプリケーションを用いたケーススタディでは、提案フレームワークによって生成された合成アクティブネットワークが、現実世界のネットワークのほとんど全ての特徴を模倣できることが示されている。
  論文  参考訳（メタデータ） (2021-08-02T02:17:01Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)

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。