論文の概要: Hierarchical GNNs for power flow: letting physics shape the hierarchy
- arxiv url: http://arxiv.org/abs/2609.26603v2
- Date: Fri, 25 Sep 2026 12:06:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.038333
- Title: Hierarchical GNNs for power flow: letting physics shape the hierarchy
- Title（参考訳）: 電力フローのための階層型GNN:物理が階層を形成する
- Abstract要約: 階層的な潜在通信は、3つのグリッド間で共有される電力フローモデルの一般化を新しい運用シナリオへと改善する。
我々は、Kron由来のトランスポート、同じアンカーのQuotient構造、および平らなGENCOベースアーキテクチャを比較した。
その結果,研究対象のトポロジ内の運用シナリオにまたがる一般化が示され,学習パラメータのセットがグリッド間で共有されることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hierarchical latent communication improves the generalization of a power-flow model, shared across three grids, to new operating scenarios. The module exchanges information through two reduced graphs inside the corrective network of GENCO, replacing two of its local correction steps. We compare Kron-derived transports, a same-anchor Quotient construction and the flat GENCO Base architecture, all trained under one protocol of our own with about a hundred times fewer optimizer updates per grid than GENCO's reference training: 200 epochs on three grid topologies, fewer than 1,900 training scenarios per grid and three initialization seeds per model. Evaluation uses 200 newly generated, preselected scenarios per grid. On the training topologies, Kron reaches a macro family-balanced voltage error of $0.851\pm0.110$, 51.3% below a per-bus mean fitted on training solutions (1.747). Kron is below this reference on 98.5% of the 600 fresh scenarios, and both hierarchical models outperform it on every training topology in all three seeds. The flat baseline reaches $5.660\pm0.899$ and does not outperform the reference on any training topology, so Kron's 85.0% reduction relative to it compares architectures within our training regime. Kron is also 31.0% below Quotient ($1.235\pm0.225$). These results demonstrate generalization across operating scenarios within the studied topologies, with one set of learned parameters shared across grids. On two topologies unseen in training, the current models do not yet outperform the fitted reference in calibrated transfer; extrapolation to new topologies is the next development objective.
- Abstract（参考訳）: 階層的な潜在通信は、3つのグリッド間で共有される電力フローモデルの一般化を新しい運用シナリオへと改善する。
このモジュールは、GENCOの補正ネットワーク内の2つの縮小されたグラフを通して情報を交換し、その2つの局所的な修正ステップを置き換える。
我々は、Kron由来のトランスポート、同じアンカーのクオシエント構造とフラットなGENCOベースアーキテクチャを比較し、それぞれが1つのプロトコルでトレーニングされている。これらは、GENCOの基準トレーニングの約100倍の最適化更新で、それぞれ3つのグリッドトポロジ上の200のエポック、グリッド毎の1,900のトレーニングシナリオ、モデル毎の3つの初期化シードである。
評価には、グリッド毎に200のプレセレクトされたシナリオが使用される。
トレーニングトポロジでは、Kronはトレーニングソリューションに装着されたバス平均値(1.747)より51.3%低い0.851\pm0.110$のマクロファミリー平衡電圧誤差に達する。
クロンは600の新しいシナリオの98.5%でこの基準を下回っており、両者の階層モデルは3つの種すべてにおいて全てのトレーニングトポロジーで上回っている。
フラットベースラインは5.660\pm0.899$に達し、トレーニングトポロジの基準を上回りません。
また、KronはQuotient(1.235\pm0.225$)より31.0%低い。
これらの結果は、研究対象のトポロジ内の運用シナリオをまたいだ一般化を示し、学習されたパラメータのセットをグリッド間で共有した。
トレーニングでは見つからない2つのトポロジでは、現在のモデルはキャリブレーション転送における適合基準をまだ上回っていない。
関連論文リスト
- MxGPS: Multiplex Graph Transformers for a Power Grid Foundation Model [0.7951418336539415]
電力グリッド問題に対するグラフニューラルネットワーク(GNN)の単一タスクの微調整は、系統的な障害モードを示す。
我々は、このトポロジオーバーフィッティングを、基礎となる物理学よりも訓練トポロジに特有の関係構造を符号化するタスク固有の勾配信号の傾向と呼ぶ。
我々は、共有ノードエンコーダ上でKタスク特化GPSブランチを実行する多重グラフ変換器であるMxGPS(Multiplex GPS)を紹介する。
論文 参考訳（メタデータ） (2026-07-15T12:22:36Z) - Systematic Evaluation of Learning Rate Scheduling Strategies Across Heterogeneous Architectures [48.83701310501069]
多様なアーキテクチャのプールにおけるスケジューラの分類精度への影響について検討する。
我々は9つのPyTorchファミリーに25のスケジューラ構成を適用し、CIFAR-10で合計3,938のモデル変種を評価した。
CosineAnnealingWarmRestarts と CyclicLR は、基本的な崩壊戦略を一貫して上回ります。
論文 参考訳（メタデータ） (2026-07-09T14:06:39Z) - UniAlign: A Model-Agnostic Framework for Robust Network Traffic Classification under Distribution Shifts [8.146941441861614]
UniAlignは、分散シフト下でのディープラーニングベースのNTCモデルの堅牢性を改善する、モデルに依存しないフレームワークである。
特定の特徴モダリティを必要とせずに既存の教師付きNTCモデルにシームレスに統合できる。
論文 参考訳（メタデータ） (2026-05-17T18:02:17Z) - ZeroSim: Zero-Shot Analog Circuit Evaluation with Unified Transformer Embeddings [36.00558662624576]
ZeroSimは、トレーニングトポロジ間で堅牢な分散内一般化を実現するために設計された、トランスフォーマーベースのパフォーマンスモデリングフレームワークである。
我々はZeroSimが,多層パーセプトロン,グラフニューラルネットワーク,トランスフォーマーなどのベースラインモデルよりも大幅に優れていることを示す。
強化学習に基づくパラメータ最適化パイプラインに統合されると、ZeroSimは従来のSPICEシミュレーションと比較して、顕著なスピードアップ(13倍)を達成する。
論文 参考訳（メタデータ） (2025-11-10T22:08:30Z) - Detect Anything via Next Point Prediction [51.55967987350882]
Rex-Omniは最先端の物体認識性能を実現する3BスケールのMLLMである。
COCOやLVISのようなベンチマークでは、Rex-Omniは回帰ベースのモデルに匹敵するパフォーマンスを得る。
論文 参考訳（メタデータ） (2025-10-14T17:59:54Z) - Towards Generalization of Graph Neural Networks for AC Optimal Power Flow [0.0]
機械学習アプローチは、計算スピードアップを提供するが、再トレーニングせずにスケーラビリティとトポロジ適応性に苦労する。
HH-MPNN(Hybrid Heterogeneous Message Passing Neural Network)を提案する。
HH-MPNNはバス、ジェネレータ、ロード、シャント、トランスミッションライン、トランスフォーマーを異なるノードまたはエッジタイプとしてモデル化する。
数千の目に見えないトポロジにゼロショットを適用したHH-MPNNは、デフォルトトポロジのみのトレーニングにもかかわらず、3%未満の最適性ギャップを達成した。
論文 参考訳（メタデータ） (2025-10-08T10:28:46Z) - Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。
G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。
それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
論文 参考訳（メタデータ） (2025-05-22T02:16:34Z) - Scalable Graph Compressed Convolutions [68.85227170390864]
ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。
グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
論文 参考訳（メタデータ） (2024-07-26T03:14:13Z) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳（メタデータ） (2022-11-19T09:08:43Z)
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。