論文の概要: PhyPro-FM: A Physics and Prompt-Guided Graph Foundation Model for Contingency Analysis

• arxiv url: http://arxiv.org/abs/2610.26351v1
• Date: Mon, 19 Oct 2026 13:16:43 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:03:23.506376
• Title: PhyPro-FM: A Physics and Prompt-Guided Graph Foundation Model for Contingency Analysis
• Title（参考訳）: PhyPro-FM: 並列解析のための物理およびプロンプトガイドグラフ基礎モデル
• Abstract要約: 次世代の電力システムの継続的な進化は、従来のN-1/N-2の並行性解析に重大な課題をもたらす。 本稿では、一般化可能かつ工学的に実現可能な並行性解析のための物理および急速誘導グラフ基礎モデル(PhyPro-FM)を提案する。
• 参考スコア（独自算出の注目度）: 29.55714652449547
• License:
• Abstract: The continuous evolution of next-generation power systems, characterized by the high penetration of renewable energy resources and dynamic topology variations, poses formidable challenges to traditional N-1/N-2 contingency analysis in terms of computational efficiency and scalability. While deep learning-based methods offer accelerated inference, existing studies predominantly treat contingency analysis as a pure regression problem, often overlooking the physical essence of grid operation and engineering requirements of real-world scenarios. To bridge this gap, this paper proposes a physics and prompt-guided graph foundation model (PhyPro-FM) for generalizable and engineering-viable contingency analysis. The proposed architecture integrates graph neural networks with a learnable global query mechanism and, notably, introduces a prompt-guided learning paradigm. By leveraging historical snapshots as few-shot prompts, the model dynamically captures correlations between target and historical operating conditions, significantly enhancing generalization capabilities under unseen topologies. Furthermore, we design a physics-informed training mechanism that prioritizes branch power flow errors over nodal voltage errors, aligning the optimization objective with critical grid security constraints. To ensure engineering applicability, a physics-informed inference mechanism is also developed, incorporating a residual-based correction module and a specialized post-processing strategy for singular branches to circumvent numerical instability. Comprehensive experiments demonstrate that PhyPro-FM outperforms state-of-the-art methods in accuracy and generalization, validating its superior physical consistency and robustness for practical engineering applications.
• Abstract（参考訳）: 再生可能エネルギー資源の高浸透と動的トポロジーの変動を特徴とする次世代電力システムの継続的な進化は、計算効率とスケーラビリティの観点から従来のN-1/N-2コンテンジェンシー解析に重大な課題をもたらす。 ディープラーニングに基づく手法は推論を高速化するが、既存の研究は主に純粋回帰問題として、グリッド操作の物理的本質と実世界のシナリオの工学的要件を見落としている。 このギャップを埋めるために、本論文では、一般化可能かつ工学的に実現可能な並行性解析のための物理および急速誘導グラフ基礎モデル(PhyPro-FM)を提案する。 提案アーキテクチャでは,グラフニューラルネットワークを学習可能なグローバルクエリ機構に統合し,特にプロンプト誘導学習パラダイムを導入している。 歴史的スナップショットを数発のプロンプトとして活用することにより、ターゲットと過去の運用条件の相関を動的にキャプチャし、目に見えないトポロジの下での一般化能力を著しく向上する。 さらに,非線形電圧誤差よりも分岐電力流誤差を優先し,最適化目標を重要なグリッドセキュリティ制約と整合させる物理インフォームドトレーニング機構を設計する。 工学的適用性を確保するため、物理インフォームド推論機構も開発され、残差ベースの補正モジュールと特異分岐に対する特別な後処理戦略が組み込まれ、数値不安定を回避した。 総合的な実験により、PhyPro-FMは精度と一般化において最先端の手法よりも優れており、実用工学応用において優れた物理的整合性と堅牢性を検証している。

関連論文リスト

• CDFM: Towards a General-Purpose Causal Discovery Foundation Model [62.32138962508216]
  因果発見は、観測データから根底にある因果構造を復元する過程である。 ゼロショット構造推論のための統一的汎用フレームワークとしてCausal Discovery Foundation Model (CDFM) を定式化する。 CDFMは従来のアルゴリズムを一貫して上回り、汎用因果発見基盤モデルへのパラダイムシフトを推進している。
  論文  参考訳（メタデータ） (2026-07-13T12:58:28Z)
• Benchmarking neural surrogates on realistic spatiotemporal multiphysics flows [18.240532888032394]
  我々は、困難でアプリケーション駆動のリアクティブフローでニューラルネットワークサロゲートをテストするために設計された厳格なベンチマークフレームワークであるREALM(Realistic AI Learning for Multiphysics)を提案する。 我々は、スペクトル演算子、畳み込みモデル、トランスフォーマー、ポイントワイド演算子、グラフ/メッシュネットワークを含む、12以上の代表代理モデルファミリをベンチマークする。 i)次元性、剛性、メッシュの不規則性によって共同で管理されるスケーリング障壁により、ロールアウトエラーが急速に増加すること、(ii)パラメータカウントよりもアーキテクチャ上の帰納バイアスによって主に制御されるパフォーマンス、(iii)精度の指標と物理的にの間にある永続的なギャップ、の3つの頑健な傾向を識別する。
  論文  参考訳（メタデータ） (2025-12-21T05:04:13Z)
• Hard-Constrained Neural Networks with Physics-Embedded Architecture for Residual Dynamics Learning and Invariant Enforcement in Cyber-Physical Systems [0.5735035463793009]
  我々は、リカレントインテグレータ内に既知の物理をハード構造制約として埋め込んだ汎用アーキテクチャであるHybrid Recurrent Physics-Informed Neural Network (HRPINN) を定式化し、残留力学のみを学習する。 第2に,計画HRPINN (PHRPINN, Projected HRPINN) を導入する。 実世界のバッテリ確率DAEでHRPINNを評価し,標準制約ベンチマークでPHRPINNを評価する。
  論文  参考訳（メタデータ） (2025-11-28T16:06:24Z)
• Unlocking Out-of-Distribution Generalization in Dynamics through Physics-Guided Augmentation [46.40087254928057]
  物理誘導量拡張プラグインのSPARKについて述べる。 多様なベンチマーク実験により、SPARKは最先端のベースラインを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2025-10-28T09:30:35Z)
• Differential-Integral Neural Operator for Long-Term Turbulence Forecasting [43.04613533979613]
  textbfunderlineDifferential-textbfunderlineIntegral textbfunderlineNeural textbfunderlineOperator (method) メソッドは、異なる物理演算子を学習する並列分岐による乱流進化を明示的にモデル化する。 数百のタイムステップにわたる誤差の蓄積をうまく抑制し、渦場とエネルギースペクトルの両方において高い忠実性を維持し、物理的に一貫した長距離乱流予測のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-09-25T14:08:26Z)
• Limitations of Physics-Informed Neural Networks: a Study on Smart Grid Surrogation [29.49941497527361]
  PINNは、物理法則を直接学習フレームワークに組み込むことによって、スマートグリッドモデリングの変革的なアプローチを示す。 本稿では、PINNの機能をスマートグリッドダイナミクスの代理モデルとして評価する。 PINNの優れた一般化と誤り低減におけるデータ駆動モデルの性能を実証する。
  論文  参考訳（メタデータ） (2025-08-29T12:15:32Z)
• Migration as a Probe: A Generalizable Benchmark Framework for Specialist vs. Generalist Machine-Learned Force Fields [1.572216094651749]
  機械学習力場(MLFF)は、分子動力学スケールでのアブ初期レベルの精度を実現することによって、計算材料科学を変革している。 研究者たちは、スペシャリストモデルをスクラッチから訓練するか、ファウンデーショナリストのファンデーションモデルを使うべきか、ハイブリッドアプローチを使うべきか? 本稿では, 弾性バンドトラジェクトリを用いて診断プローブとして評価する, 欠陥マイグレーション経路を用いたベンチマークフレームワークを提案する。 微調整モデルでは、運動特性に対するゼロショットおよびゼロショットのアプローチよりも大幅に優れるが、長距離物理学の部分的な損失を示す。
  論文  参考訳（メタデータ） (2025-08-27T13:24:41Z)
• Physics-Informed Regularization for Domain-Agnostic Dynamical System Modeling [41.82469276824927]
  本稿では,幅広い力学系に対して高精度なモデリングを実現するフレームワークを提案する。 保守的なシステムのエネルギーを保ちつつ、非保守的で可逆的なシステムの強い誘導バイアスとして機能する。 ニューラル常微分方程式モデルにTRS損失を組み込むことにより、提案モデルであるTREATは様々な物理系において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-08T21:04:01Z)
• Self-Validated Physics-Embedding Network: A General Framework for Inverse Modelling [2.449329947677678]
  SVPEN(Self-Embedding Physics-Embedding Network)は、逆モデリングのための一般的なニューラルネットワークフレームワークである。 組込み物理フォワードモデルは、そのバリデーションに合格した任意の解が物理的に妥当であることを保証する。 非常に非線形で完全に異なる2つの応用における10以上のケーススタディが提示される。
  論文  参考訳（メタデータ） (2022-10-12T10:31:36Z)

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。