論文の概要: Assessing the Generalization of Graph Neural Networks for Fault Location Across Increasing Distributed Energy Resource Penetration Levels

• arxiv url: http://arxiv.org/abs/2607.29293v1
• Date: Fri, 31 Jul 2026 11:11:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.697878
• Title: Assessing the Generalization of Graph Neural Networks for Fault Location Across Increasing Distributed Energy Resource Penetration Levels
• Title（参考訳）: 分散型エネルギー資源浸透レベルの増加に伴う断層位置推定のためのグラフニューラルネットワークの一般化の評価
• Abstract要約: 本稿では、時空間(GATv2)と従来の機械学習ベースラインに対して、時空間時空間グラフニューラルネットワーク(STGNN)をベンチマークする。 我々はSTGATv2が神経ベースラインを一貫して上回り、92-94%のマクロF1の分布を達成していることを示す。
• 参考スコア（独自算出の注目度）: 1.8631476541235859
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate fault location is critical for distribution network reliability. However, increasing distributed energy resource (DER) penetration complicates fault location due to intermittent generation and bidirectional power flows that reshape fault signatures. Spatio-Temporal Graph Neural Networks (STGNNs) have shown promise by jointly modeling spatial and temporal dependencies, but their behavior under increasing DER penetration has not been studied rigorously. In this paper, we (i) systematically benchmark spatio-temporal graph attention network (STGATv2) against purely temporal (gated recurrent unit, GRU), purely spatial (GATv2) and traditional machine learning baselines, and (ii) evaluate how well models generalize across increasing DER penetration levels (10%, 25%, 50%) on a reconfigured IEEE 123-bus feeder with multiple DER injection points and moderate-to-high impedance faults. Results show that STGATv2 consistently outperforms neural baselines, achieving 92-94% macro F1 in-distribution. Notably, generalization across penetration levels is asymmetric: training at 50% penetration retains near in-distribution F1 score at lower levels, whereas training at 10% degrades considerably at 50% - with STGATv2 retaining 81-84% F1 under these drastic shifts, substantially higher than GATv2 and GRU which drop to 69-74% F1 and 73-75% F1 respectively. Under realistic measurement noise, STGATv2 maintains > 85% F1, while GRU drops as low as 33.5% F1, highlighting the critical role of topological awareness for robust fault location in active distribution networks.
• Abstract（参考訳）: 正確な故障位置は、分散ネットワークの信頼性にとって重要である。 しかし、分散エネルギー資源(DER)の浸透の増加は、断続的な発生と断層の符号を形作る双方向の電力流による断層位置を複雑にする。 時空間グラフニューラルネットワーク(STGNN)は,空間的依存と時間的依存を共同でモデル化することで,将来性を示す。 本稿では, (i)時空間(GATv2)と従来の機械学習ベースラインに対して、時空間時空間注意ネットワーク(STGATv2)を体系的にベンチマークする。 (II)複数のDERインジェクションポイントと中～高インピーダンス故障を有するIEEE 123バス給電装置において,DER浸透レベル(10%,25%,50%)の増加とともにモデルがいかに一般化するかを評価する。 以上の結果から,STGATv2は神経ベースラインを一貫して上回り,92-94%のマクロF1分布を示した。 特に、浸透レベル全体の一般化は非対称であり、50%の浸透率でのトレーニングは低いレベルでの分布F1のスコアに近いが、10%のトレーニングは50%で大幅に低下し、STGATv2は81-84%のF1を維持し、それぞれ69-74%のF1と73-75%のF1に低下するGATv2とGRUよりもかなり高い。 実測ノイズの下では、STGATv2は85%のF1を維持し、GRUは33.5%のF1まで低下し、アクティブな分布ネットワークにおけるロバストな断層位置に対するトポロジカルな認識の重要性を強調している。

関連論文リスト

• Robustness of Spatio-temporal Graph Neural Networks for Fault Location in Partially Observable Distribution Grids [2.183622338864934]
  分散グリッドの故障位置は、信頼性と停止期間の最小化に不可欠である。 最近の研究は、疎時間学習にリカレントニューラルネットワーク(RNN)とグラフニューラルネットワーク(GNN)を組み合わせることで、有望な結果を示している。 測定専用グラフは、部分的に観測可能な分散グリッドに対して、より実用的で効率的で堅牢なフレームワークを提供することを示す。
  論文  参考訳（メタデータ） (2026-04-22T10:13:28Z)
• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• Topology-Aware Reinforcement Learning over Graphs for Resilient Power Distribution Networks [20.964887519720854]
  極度の気象イベントとサイバー攻撃は、コンポーネント障害を引き起こし、電力分配ネットワーク(DN)の運用を妨害する可能性がある 本研究では,DNの高次トポロジ的特徴をグラフベースRLモデルに組み込む,障害管理のためのトポロジ対応グラフ強化学習フレームワークを提案する。 その結果、トポロジカルデータ解析ツールである持続ホモロジー(PH)を組み込むことで、累積報酬が9～18%増加し、電力供給が6%増加し、ベースライングラフ-RLモデルに比べて電圧違反が6～8%減少した。
  論文  参考訳（メタデータ） (2026-03-07T00:56:08Z)
• Scalable Multi-Task Low-Rank Model Adaptation [43.22544779625565]
  マルチタスク低ランク適応(LoRA)を多数のタスクに拡張すると、破滅的なパフォーマンス劣化を引き起こす。 規則化や動的ルーティングのような既存のソリューションは、基本的なトレードオフによって制約されるため、スケールで失敗するのです。 3つの新しい設計を持つスケーラブルなソリューションであるmtLoRAを提案する。
  論文  参考訳（メタデータ） (2026-03-02T06:57:11Z)
• FaultXformer: A Transformer-Encoder Based Fault Classification and Location Identification model in PMU-Integrated Active Electrical Distribution System [0.30586855806896046]
  本研究では,リアルタイム電流データを用いた自動故障解析のためのトランスフォーマーエンコーダアーキテクチャを提案する。 フォールトXformerは、断層型分類で98.76%、断層位置同定で98.92%の平均的な精度を達成した。
  論文  参考訳（メタデータ） (2026-02-27T18:28:12Z)
• Generalization of Graph Neural Network Models for Distribution Grid Fault Detection [2.183622338864934]
  本稿では、RNN+GNNパイプラインモデルにおいて、様々なグラフニューラルネットワーク(GNN)を体系的にベンチマークする。 我々の知る限り、我々は(i)最初にグラフSAGEとグラフアテンション(GAT, GATv2)をRGNNで断層診断に使用することを提案しました。 IEEE 123ノード分散ネットワークの実験結果から, RGATv2はより優れた一般化能力を有することが示された。
  論文  参考訳（メタデータ） (2025-10-03T23:46:31Z)
• Physics-informed GNN for medium-high voltage AC power flow with edge-aware attention and line search correction operator [7.927606793404479]
  物理インフォームドグラフニューラルネットワーク(PIGNN)は高速な交流電力フロー解法として登場した。 PIGNN-Attn-LSは電圧0.00033 p.uのRMSE、角度0.08$circ$のRMSEを達成し、それぞれPIGNN-MLPベースラインの99.5%と87.1%を上回っている。
  論文  参考訳（メタデータ） (2025-09-26T15:09:26Z)
• GEPO: Group Expectation Policy Optimization for Stable Heterogeneous Reinforcement Learning [43.46954951944727]
  パラメータ学習とロールアウトサンプリングを分離する異種RLアーキテクチャであるHeteroRLを提案する。 コアコンポーネントは、レイテンシに堅牢な非同期RLアルゴリズムであるグループ期待ポリシー最適化(GEPO)である。 GEPOが優れた安定性を実現していることを示す実験は、オンラインから1800年代のレイテンシまで、わずか3%のパフォーマンス低下である。
  論文  参考訳（メタデータ） (2025-08-25T09:57:35Z)
• Are GATs Out of Balance? [73.2500577189791]
  本稿では,ノード近傍のアグリゲーションをパラメータ化注意係数で重み付けするグラフ注意ネットワーク(GAT)について検討する。 我々の主定理は、注意機構を持つ正の同次モデルの学習力学を研究するための足掛かりとなる。
  論文  参考訳（メタデータ） (2023-10-11T06:53:05Z)
• Neural Networks and Value at Risk [59.85784504799224]
  リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。 株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。 はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
  論文  参考訳（メタデータ） (2020-05-04T17:41:59Z)
• ReActNet: Towards Precise Binary Neural Network with Generalized Activation Functions [76.05981545084738]
  本稿では,新たな計算コストを伴わずに,実数値ネットワークからの精度ギャップを埋めるため,バイナリネットワークを強化するためのいくつかのアイデアを提案する。 まず,パラメータフリーのショートカットを用いて,コンパクトな実数値ネットワークを修正・バイナライズすることで,ベースラインネットワークを構築する。 提案したReActNetはすべての最先端技術よりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-07T02:12:02Z)

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。