論文の概要: GENCO - A Unified Neural Solver Embedded in a Development Framework for Steady-State Grid Analysis

• arxiv url: http://arxiv.org/abs/2608.09921v1
• Date: Mon, 10 Aug 2026 17:57:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.424159
• Title: GENCO - A Unified Neural Solver Embedded in a Development Framework for Steady-State Grid Analysis
• Title（参考訳）: GENCO - 定常グリッド解析のための開発フレームワークに埋め込まれた統一ニューラルネットワーク
• Abstract要約: 定常伝送グリッド解析のための統一解法であるGENCOを提案する。 単一のアーキテクチャ内では、電力フロー(PF)、最適電力フロー(OPF)、実行時状態推定(SE)を処理する。 我々は、再現可能なベンチマークをサポートするために、多種多様なグリッドトポロジにまたがる数百万のPFおよびOPFシナリオを備えた大規模データセットをリリースする。
• 参考スコア（独自算出の注目度）: 6.9646837562713
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models are transforming business workflows and boosting productivity, yet they remain largely absent from engineering domains such as power system analysis, where strict physical consistency must be enforced. We present GENCO (GEometric Neural Corrective Optimizer), a unified neural solver for steady-state transmission grid analysis that handles power flow (PF), optimal power flow (OPF), and state estimation (SE) within a single architecture and shared network representation. To support advances in neural power system solvers, we introduce the open-source GridFM Development Framework, which standardizes synthetic data generation and training in a low-code environment. We also release large-scale datasets with millions of PF and OPF scenarios across diverse grid topologies to support reproducible benchmarking. We evaluate GENCO on the PFDelta and OPFData benchmarks against state-of-the-art neural solvers and classical solvers, including Newton-Raphson and IPOPT, as well as on real-world Hydro-Québec SCADA data. For large-scale PF, GENCO recovers the full AC operating state, including voltage magnitudes and reactive power that DC-PF cannot provide, while matching DC-PF-level active power-balance residuals. It achieves up to 30x speedups over Newton-Raphson at only 2x the runtime of DC-PF. For OPF, it achieves up to 85x speedups over IPOPT while improving feasibility, optimality, and runtime over DC-OPF. For SE, GENCO is more robust than classical weighted least squares to noisy measurements and network parameter errors, and always returns a high-quality estimate even when weighted least squares fails to converge. Together, the unified architecture and development framework provide a new approach to large-scale steady-state grid analysis, lowering the barrier to entry for power system engineers and marking a step toward Grid Foundation Models.
• Abstract（参考訳）: ファウンデーションモデルはビジネスワークフローを変革し、生産性を向上していますが、厳格な物理的一貫性を強制しなければならないパワーシステム分析のようなエンジニアリングドメインはほとんど欠落しています。 本稿では,電力フロー(PF),最適電力フロー(OPF),状態推定(SE)を単一のアーキテクチャで処理し,ネットワーク表現を共有する,定常伝送グリッド解析のための統一ニューラルネットワークであるGENCO(Geometric Neural Corrective Optimizer)を提案する。 低コード環境における合成データ生成とトレーニングを標準化するGridFM Development Frameworkを導入する。 また、再現可能なベンチマークをサポートするために、さまざまなグリッドトポロジにまたがる数百万のPFおよびOPFシナリオを備えた大規模データセットもリリースしています。 The PFDelta and OPFData benchmarks on the GENCO on the State-of-the-art Neural solver and classical solver, including Newton-Raphson and IPOPT, and on real-world Hydro-Québec SCADA data。 大規模なPFでは、GENCOはDC-PFレベルのアクティブパワーバランス残差と一致しながら、DC-PFが提供できない電圧等を含む完全なAC動作状態を回復する。 DC-PFのランタイムの2倍の速度で、Newton-Raphson上で最大30倍のスピードアップを実現している。 OPFでは、IPOPTよりも最大85倍のスピードアップを実現し、DC-OPFよりも実現可能性、最適性、ランタイムを改善している。 SE の場合、GENCO は古典的な重み付き最小二乗よりもノイズ測定やネットワークパラメータの誤差に対して頑健であり、重み付き最小二乗が収束しない場合でも常に高品質な推定値を返す。 統合されたアーキテクチャと開発フレームワークは、大規模な定常グリッド分析に対する新しいアプローチを提供し、パワーシステムエンジニアの参入障壁を低くし、グリッドファンデーションモデルへの一歩をマークします。

関連論文リスト

• Scalable Heterogeneous Graph Foundation Models for Data-Driven Optimal Power Flow in Smart Grids [7.737263980113792]
  本稿では,データ駆動型OPFサロゲートモデリングとOPF-GFM開発のためのスケーラブルなヘテロジニアスグラフニューラルネットワーク(GNN)ワークフローを提案する。 このワークフローは、異なるノードとエッジタイプの電力グリッドを保持し、リーダーシップクラスのスーパーコンピュータで分散前処理、トレーニング、下流の微調整をサポートする。
  論文  参考訳（メタデータ） (2026-05-22T03:25:25Z)
• Position: Weight Space Should Be a First-Class Generative AI Modality [67.10702320971893]
  本稿では、モデルチェックポイントを第一級データモダリティとして扱うべきであると論じる。 重み空間における生成的モデリングは、コア機械学習プリミティブとして標準化されるべきである、と論じている。 私たちのゴールは、コミュニティの既定の考え方を、タスクごとのモデルの最適化から、学習した重量分布からモデルのサンプリングにシフトさせることです。
  論文  参考訳（メタデータ） (2026-05-18T16:38:26Z)
• Differentiable Power-Flow Optimization [0.0]
  微分可能電力フロー (DPF) は、交流電力フロー問題を微分可能シミュレーションとして再構成したものである。 DPFは物理パワーミスマッチから基礎となるシミュレーションパラメータへのエンドツーエンドの伝搬を可能にする。
  論文  参考訳（メタデータ） (2026-03-30T09:19:43Z)
• BOOST-RPF: Boosted Sequential Trees for Radial Power Flow [0.0]
  本稿では,グローバルグラフ回帰タスクからの電圧予測を逐次パスベース学習問題に変換する新しい手法であるBOOST-RPFを紹介する。 本研究では, 絶対電圧, 親残差, 物理インフォームド残差の3種類のアーキテクチャ特性を評価する。 Kerber DorfnetzグリッドとENGAGEスイートに対してベンチマークされ、BOOST-RPFは最先端の結果を得る。
  論文  参考訳（メタデータ） (2026-03-23T13:41:36Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• EUGens: Efficient, Unified, and General Dense Layers [56.498769704575544]
  我々は、標準完全連結フィードフォワード層、textbfEfficient、 textbfUnimat、 textbfGeneral dense layer (EUGens) を一般化する新しい階層のクラスを提案する。 EUGensはランダムな特徴を活用して標準的なFFLを近似し、その計算に入力ノルムに直接的な依存を組み込むことによってそれらを超える。
  論文  参考訳（メタデータ） (2026-01-30T05:01:03Z)
• 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)
• Constraints and Variables Reduction for Optimal Power Flow Using Hierarchical Graph Neural Networks with Virtual Node-Splitting [0.24554686192257422]
  パワーシステムネットワークは、しばしば同質グラフとしてモデル化され、グラフニューラルネットワーク(GNN)が同一ノードで個々のジェネレータ機能をキャプチャする能力を制限する。 提案した仮想ノード分割戦略を導入することで、コスト、制限、ランプレートといったジェネレータレベルの特性をGNNモデルで完全に捉えることができる。 二段階適応階層型GNNは、(i)混雑する臨界線を予測し、(ii)最大容量で作動するベースジェネレータを予測するために開発された。
  論文  参考訳（メタデータ） (2024-11-09T19:46:28Z)
• 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)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)

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。