論文の概要: Enabling Scalable Topology Inference in Distribution Systems via Constrained Multi-Source Inference

• arxiv url: http://arxiv.org/abs/2607.20480v1
• Date: Sat, 30 May 2026 06:00:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.19336
• Title: Enabling Scalable Topology Inference in Distribution Systems via Constrained Multi-Source Inference
• Title（参考訳）: 制約付きマルチソース推論による配電系統のスケーラブルトポロジ推論の実現
• Abstract要約: 配電系統のトポロジーは, 停電の局所化, 電圧解析, 配電系統の運用に不可欠である。 既存のトポロジ同定法は主に電気的類似性や空間記録のみに依存している。 本稿では,分散トポロジの同定を制約付き推論問題として定式化し,ユーティリティが提供するベーストポロジを洗練させる。
• 参考スコア（独自算出の注目度）: 10.602779718858965
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate distribution system topology is essential for outage localization, voltage analytics, and operation of distribution grids, yet maintaining reliable connectivity records remains challenging in practice due to heterogeneous and imperfect utility data. Existing topology identification methods often rely primarily on electrical similarity or spatial records alone, which become unreliable in dense feeders and under inconsistent metadata conditions. This paper formulates distribution topology identification as a constrained inference problem that refines a utility-provided base topology using heterogeneous evidence while enforcing spatial feasibility and physical operational constraints. Instead of reconstructing connectivity from scratch, the proposed framework detects inconsistent assignments, performs localized reconnection within constrained neighborhoods to ensure scalability, and iteratively enforces physical feasibility to produce operationally consistent topology estimates. In addition, a falsification-driven reliability metric evaluates how strongly each inferred connection is supported relative to alternative feasible assignments, enabling utilities to prioritize verification efforts while preserving system-wide observability. The framework is validated using operational data from three feeders comprising more than $8{,}000$ AMI meters in collaboration with a large U.S. utility. Results demonstrate over $95\%$ topology reconstruction accuracy while significantly reducing computational effort compared with global inference approaches. The study further shows that correlation-based methods alone produce ambiguous assignments in dense urban feeders, whereas combining electrical measurements with spatial and operational constraints enables robust and scalable topology recovery under realistic deployment conditions.
• Abstract（参考訳）: 正確な配電系統のトポロジは、停止位置、電圧解析、配電系統の運用に不可欠であるが、不均一で不完全なユーティリティデータのために、信頼性の高い接続記録を維持することは実際は困難である。 既存のトポロジ同定法は、主に電気的類似性や空間記録のみに依存しており、密度の高いフィードや一貫性のないメタデータ条件下では信頼性が低い。 本稿では,空間的実現可能性と物理的操作的制約を強制しつつ,不均一なエビデンスを用いてユーティリティが提供する基底トポロジを洗練する制約付き推論問題として分布トポロジ同定を定式化する。 提案フレームワークは、スクラッチから接続を再構築する代わりに、一貫性のない割り当てを検出し、拡張性を確保するために制約された地区内で局所的な再接続を実行し、操作的に一貫したトポロジ推定を生成するための物理的実現性を反復的に強制する。 さらに、ファルシフィケーション駆動の信頼性尺度は、代替可能な課題に対して、それぞれの推論された接続がどれだけ強くサポートされているかを評価し、システム全体の可観測性を維持しながら、ユーティリティーが検証作業の優先順位付けを可能にする。 このフレームワークは、米国の大規模ユーティリティーと協調して8{,000$ AMI m以上の3つのフィードアからの運用データを用いて検証されている。 その結果, トポロジ復元精度は 95 % 以上であり, 全地球的推論手法と比較して計算労力を大幅に削減した。 さらに, 相関に基づく手法だけでは, 密集都市給電におけるあいまいな割り当てが生じるのに対して, 電気的測定と空間的および操作的制約を組み合わせることで, 現実的な展開条件下での堅牢かつスケーラブルなトポロジー回復が可能であることを示す。

関連論文リスト

• Topology-Aware Neighborhood Learning for Source-Free Cross-Scene Hyperspectral Image Classification [11.354716471312239]
  ドメイン適応は、複雑なシナリオにおける識別能力を大幅に向上させる、高度なクロスシーンハイパースペクトル画像分類を持つ。 従来のドメイン適応手法は非現実的になり、現実的なリモートセンシングのシナリオにおいてその実用性を著しく制限する。 ソースデータなしで、堅牢で正確な分類を実現するために、トポロジ対応のソースフリー学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-06T12:40:06Z)
• FedOPAL: One-Shot Federated Learning via Analytic Visual Prompt Tuning [5.979900839748232]
  本稿では,エッジ上の大規模モデルの効率的な協調のためのフレームワークを提案する。 FedOPALは特徴プロンプトとして視覚的プロンプトに適応し、不均一なデータの特徴分布を線形に分離可能な空間に積極的に修正する。 実験結果から,FedOPALはいくつかのベンチマークにおいて,従来の解析手法よりも優れているだけでなく,サーバ側のトレーニングコストのゼロを維持しつつ,最先端の反復手法に匹敵する精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2026-07-09T11:28:31Z)
• Isolation-based Spherical Ensemble Representations for Anomaly Detection [60.989157958972356]
  不正検出、ネットワークセキュリティ、ログ監視を対象とするアプリケーションによるデータマイニングと管理において、異常検出は重要なタスクである。 既存の教師なし異常検出手法は、分散仮定の矛盾、計算の非効率性、異なる異常型を扱う難しさなど、基本的な課題に直面している。 Isolation-based Spherical Ensemble Representations (ISER) は, 局所密度特性のプロキシとしてハイパースフィアラジイを用いて, 線形時間と定数空間の複雑さを保ちながら, 既存の分離法を拡張したものである。
  論文  参考訳（メタデータ） (2025-10-15T09:00:05Z)
• Evaluating the Efficiency of Latent Spaces via the Coupling-Matrix [0.5013248430919224]
  本稿では,次元間の依存関係を直接定量化する冗長指数rho(C)を導入する。 低rho(C)は高い分類精度または低い再構成誤差を確実に予測する一方、高い冗長性は性能崩壊と関連付けられる。 木構造型Parzen Estimator (TPE) は低ロー領域を優先的に探索し,rho(C) がニューラルアーキテクチャ探索を誘導し,冗長性を考慮した正規化ターゲットとして機能することを示唆する。
  論文  参考訳（メタデータ） (2025-09-08T03:36:47Z)
• From Imperfect Signals to Trustworthy Structure: Confidence-Aware Inference from Heterogeneous and Reliability-Varying Utility Data [8.390328146420211]
  我々は,不均一なデータを体系的に統合することで,信頼に値するグリッドトポロジを再構築するスケーラブルなフレームワークを提案する。 提案するフレームワークは,Oncorのサービス領域内の3つのフィーダーにわたる8000m以上のデータを用いて検証されている。
  論文  参考訳（メタデータ） (2025-08-07T19:05:19Z)
• Understanding the Information Propagation Effects of Communication Topologies in LLM-based Multi-Agent Systems [58.95962217043371]
  提案手法は, エージェントの出力の正確さ, 誤動作の有無を, 異なる範囲の位相の下で伝達する因果関係を解析するための枠組みである。 実験により,有益な情報拡散を保ちながらエラーの伝播を効果的に抑制する,適度に疎らなトポロジが,通常最適なタスク性能を達成できることが判明した。 本稿では,高密度グラフとスパースグラフの両方から接続パターンを融合させることにより,エラー抑制と有益な情報伝達のバランスをとる新しいトポロジ設計手法 EIB-leanrner を提案する。
  論文  参考訳（メタデータ） (2025-05-29T11:21:48Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Robust Networked Federated Learning for Localization [7.332862402432447]
  本稿では,データを複数のデバイスに分散するフェデレーション環境での非滑らかな近似問題に対処する。 本稿では,分散サブグラディエントフレームワークにおけるロバストな定式化を,これらの障害に対処するために明示的に設計した,$L_$-normを採用する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-31T13:54:37Z)
• Compressed Regression over Adaptive Networks [58.79251288443156]
  分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。 エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
  論文  参考訳（メタデータ） (2023-04-07T13:41:08Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。