論文の概要: Operationally Feasible Synthetic Power-Grid Scenarios via Learning the AC-Operable Joint Distribution

• arxiv url: http://arxiv.org/abs/2608.03878v1
• Date: Tue, 04 Aug 2026 16:17:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 17:47:10.509618
• Title: Operationally Feasible Synthetic Power-Grid Scenarios via Learning the AC-Operable Joint Distribution
• Title（参考訳）: 交流-動作可能関節分布の学習による操作可能な合成パワーグリッドシナリオ
• Authors: Chenhan Xiao, Xinyu He, Haoran Li, Hanghang Tong, Yang Weng,
• Abstract要約: 合成パワーグリッドシナリオは、計画、レジリエンスアセスメント、並行性分析、データ駆動パワーシステムアプリケーションに不可欠である。 近年の合成格子生成法は, 工学的知識を取り入れた構造的現実性と操作性の向上を実現している。 本稿では,ネットワークトポロジのAC-operable joint distributionを学習する実現可能性を考慮した分布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）: 44.775838749793735
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic power-grid scenarios are essential for planning, resilience assessment, contingency analysis, and data-driven power-system applications. Recent synthetic grid generation methods have improved structural realism and operational feasibility by incorporating engineering knowledge through post-generation validation, optimization, or physics-aware generation. However, generated scenarios may still exhibit low AC feasibility and robustness, limiting their practical value for downstream power-system studies. This paper proposes a feasibility-aware distribution-learning framework that learns the AC-operable joint distribution of network topology, branch electrical parameters, and time-varying load profiles. Instead of enforcing feasibility after generation, the proposed framework incorporates AC power-flow convergence and operational constraints into hierarchical diffusion-based distribution learning. This enables the generator itself to produce operationally feasible grid scenarios through efficient diffusion sampling. The hierarchical architecture decomposes the high-dimensional generation task into three engineering-motivated stages: topology and bus-attribute generation, branch-parameter generation conditioned on the generated structure, and load-profile generation conditioned on both network structure and electrical characteristics. Experiments on benchmark systems demonstrate that the proposed framework significantly improves operational feasibility and contingency robustness while maintaining strong statistical fidelity and eliminating optimization-based post-processing.
• Abstract（参考訳）: 合成パワーグリッドシナリオは、計画、レジリエンスアセスメント、並行性分析、データ駆動パワーシステムアプリケーションに不可欠である。 近年の合成格子生成法は, 工学的知識を生かし, ポストジェネレーション検証, 最適化, 物理認識生成により, 構造的現実性と操作性の向上を実現している。 しかし、生成されたシナリオは、低交流実現可能性とロバスト性を示し、下流の電力システム研究の実用的価値を制限している。 本稿では,ネットワークトポロジ,分枝電気パラメータ,時間変動負荷プロファイルのAC-オペレーティブな連成分布を学習する実現可能性を考慮した分布学習フレームワークを提案する。 提案手法は,交流電力流収束と運転制約を階層的拡散に基づく分散学習に組み込む。 これにより、ジェネレータ自体が効率的な拡散サンプリングによって運用可能なグリッドシナリオを生成することができる。 階層アーキテクチャは,高次元生成タスクを,トポロジーとバス属性生成,生成された構造に条件付分岐パラメータ生成,ネットワーク構造と電気特性の両方に条件付負荷生成という,3つの工学的動機付ステージに分解する。 ベンチマークシステムにおける実験により,提案手法は高い統計的忠実性を保ち,最適化に基づく後処理を排除しつつ,運用可能性と並行性の堅牢性を大幅に向上することが示された。

関連論文リスト

• Genetic Algorithm Based Coordination and Optimization Model for Generation Grid Load Storage in Active Distribution Networks [5.6099061092572775]
  このプロジェクトはファジィ集合表現を用いて再生可能エネルギー生成、負荷曲線、市場価格をモデル化する。 遺伝的アルゴリズムはシステム管理にファジィ要素を導入し、安定性を改善するためにスルーペナルティ要因を調整する。 これにより、分散ネットワーク計画における不確実性評価の科学的基礎を提供する。
  論文  参考訳（メタデータ） (2026-06-12T11:37:08Z)
• Coherent Load Profile Synthesis with Conditional Diffusion for LV Distribution Network Scenario Generation [1.9248772611306222]
  ロードプロファイリングのアプローチは、典型的なプロファイルを通じて需要をまとめることに依存することが多い。 最終的に高電圧レベルのネットワーク操作に影響を及ぼすサブステーション間の共振は、しばしば見過ごされる。 低電圧分布サブステーションレベルでの日々のアクティブおよび反応性パワープロファイルの合成のための条件拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-10-13T08:40:39Z)
• 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)
• 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)
• 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)
• Evaluating the Planning and Operational Resilience of Electrical Distribution Systems with Distributed Energy Resources using Complex Network Theory [0.0]
  本稿では,極端事象下での配電系統の計画と運用のレジリエンスを評価する手法を提案する。 提案するフレームワークは,複雑なネットワーク理論を効果的に活用して開発されている。
  論文  参考訳（メタデータ） (2022-08-24T13:41:37Z)
• 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。