論文の概要: Unified Heterogeneous Graph Neural Network solver for Power Flow, Optimal Power Flow and State Estimation

• arxiv url: http://arxiv.org/abs/2609.16738v1
• Date: Tue, 15 Sep 2026 07:13:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.382612
• Title: Unified Heterogeneous Graph Neural Network solver for Power Flow, Optimal Power Flow and State Estimation
• Title（参考訳）: 電力流, 最適潮流, 状態推定のための統一不均一グラフニューラルネットワーク
• Abstract要約: 本稿では,1つの共有バックボーンで3つの問題を全て解決する1つの不均一残差グラフ畳み込みネットワークを提案する。 多様なトポロジと負荷条件の3つの問題を共同でトレーニングし,IEEE 14-busと118-busシステムで評価した。 これらの結果から,1つのモデルが電力ネットワークの基本動作を捕捉し,複数の解析タスクを同時に行うことが可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 1.834098271561585
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Power Flow (PF), Optimal Power Flow (OPF), and State Estimation (SE) are fundamental problems in power system analysis, but solving them is computationally expensive. Graph Neural Networks (GNNs) have been proposed as fast surrogates, yet existing solvers are trained for a single problem at a time, producing narrow models that must be rebuilt for each new task. We propose a more general approach: a single Heterogeneous Residual Gated Graph Convolutional Network that solves all three problems with one shared backbone. Rather than learning one mapping, the model learns a reusable representation of how the network behaves, from which PF, OPF, and SE can each be estimated. Trained jointly on the three problems across diverse topologies and loading conditions, and evaluated on the IEEE 14-bus and 118-bus systems, the shared model matches the accuracy of task-specific GNN solvers and stays robust on unseen loading levels and topologies. These results show that a single model can capture the basic operation of a power network and serve several analysis tasks at once, a first step toward a foundation model for power systems.
• Abstract（参考訳）: 電力フロー(PF)、最適電力フロー(OPF)、状態推定(SE)は電力系統解析の基本的な問題であるが、その解決には計算コストがかかる。 グラフニューラルネットワーク(GNN)は高速サロゲートとして提案されているが、既存の解法は一度にひとつの問題に対してトレーニングされ、新しいタスクごとに再構築しなければならない狭いモデルを生成する。 より一般的なアプローチとして、1つの共有バックボーンで3つの問題を全て解決する1つの異種残差グラフ畳み込みネットワークを提案する。 1つのマッピングを学習するのではなく、PF、OPF、SEを推定できるネットワークの振る舞いを再利用可能な表現として学習する。 多様なトポロジとローディング条件の3つの問題を共同でトレーニングし、IEEE 14-busと118-busシステムで評価し、共有モデルはタスク固有のGNNソルバの精度と一致し、目に見えないローディングレベルとトポロジに頑健である。 これらの結果から,1つのモデルが電力ネットワークの基本動作を捕捉し,複数の解析タスクを同時に行うことが可能であることが示唆された。

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)
• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
  生成拡散モデルは、様々なクロスドメインアプリケーションで人気がある。 これらのモデルは複雑なネットワーク最適化問題に対処する上で有望である。 本稿では拡散モデルに基づく解生成という,拡散モデル生成のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T07:56:21Z)
• PowerFlowMultiNet: Multigraph Neural Networks for Unbalanced Three-Phase Distribution Systems [6.788629099241222]
  このレターでは、非平衡三相電力グリッド用に明示的に設計された新しいマルチグラフGNNフレームワークであるPowerFlowMultiNetを紹介する。 メッセージパッシングを利用したグラフ埋め込み機構を導入し、電力系統ネットワーク内の空間的依存関係をキャプチャする。 厳密なテストでは、大規模な電力ネットワークにおけるエラー率と計算速度の顕著な増加が明らかにされている。
  論文  参考訳（メタデータ） (2024-03-01T13:47:39Z)
• Power Flow Analysis Using Deep Neural Networks in Three-Phase Unbalanced Smart Distribution Grids [0.7037008937757394]
  本稿では3つのディープニューラルネットワーク(DNN)を提案し,PF(Power Flow)ソリューションの予測を行った。 トレーニングデータとテストデータは、OpenDSS-MATLAB COMインターフェースを介して生成される。 提案手法の新規性は、モデルが不均衡分布格子に対するPF解を正確に予測できることである。
  論文  参考訳（メタデータ） (2024-01-15T04:43:37Z)
• Proximal Policy Optimization with Graph Neural Networks for Optimal Power Flow [4.27638925658716]
  グラフニューラルネットワーク(GNN)は、データに機械学習(ML)アルゴリズムを自然に使用可能にする。 深層強化学習(DRL)は、複雑な意思決定問題を解決する強力な能力で知られている。 問題を解決する方法を学ぶアーキテクチャを提案し、同時にシナリオを発見できるアーキテクチャを提案します。
  論文  参考訳（メタデータ） (2022-12-23T17:00:00Z)
• Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
  グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。 シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
  論文  参考訳（メタデータ） (2022-10-17T17:30:09Z)
• Power Flow Balancing with Decentralized Graph Neural Networks [4.812718493682454]
  汎用グリッド内の電力フローのバランスをとるために,グラフニューラルネットワーク(GNN)に基づくエンドツーエンドフレームワークを提案する。 提案するフレームワークは,ディープラーニングに基づく他の解法と比較して効率的であり,グリッドコンポーネントの物理量だけでなくトポロジにも頑健である。
  論文  参考訳（メタデータ） (2021-11-03T12:14:56Z)
• Graph Neural Networks for Scalable Radio Resource Management: Architecture Design and Theoretical Analysis [31.372548374969387]
  本稿では,大規模無線資源管理問題にグラフニューラルネットワーク(GNN)を適用することを提案する。 提案手法はスケーラビリティが高く,1つのGPU上で1,000ドルのトランシーバペアを6ミリ秒以内で行う干渉チャネルにおけるビームフォーミング問題を解くことができる。
  論文  参考訳（メタデータ） (2020-07-15T11:43:32Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)

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。