論文の概要: Benchmarking Graph Neural Networks for AC Power Flow: The Role of Inductive Biases and Physical Constraints

• arxiv url: http://arxiv.org/abs/2610.38985v1
• Date: Wed, 28 Oct 2026 22:10:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.425781
• Title: Benchmarking Graph Neural Networks for AC Power Flow: The Role of Inductive Biases and Physical Constraints
• Title（参考訳）: 交流パワーフローのためのグラフニューラルネットワークのベンチマーク:誘導バイアスと物理的制約の役割
• Abstract要約: グラフニューラルネットワーク(GNN)は、電気グリッドトポロジーを自然に活用する。 ACPF予測のための代表的GNNアーキテクチャの統一ベンチマークを示す。 IEEE 14-busとIEEE 118-busの予測精度と物理的整合性を評価する。
• 参考スコア（独自算出の注目度）: 1.7309087262178255
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Fast and accurate models for AC power flow (ACPF) are increasingly important as modern electrical grids require more frequent system analyses. Graph neural networks (GNNs) naturally exploit electrical grid topology, yet the effects of architectural design choices on predictive performance remain poorly understood given differences in graph representations and evaluation settings across studies. We present a unified benchmark of representative GNN architectures for ACPF prediction under a common experimental framework. All models use identical preprocessing and training procedures and comparable parameter budgets, isolating the impact of message-passing mechanisms and inductive biases. We also analyze errors by distance from the slack bus and systematically ablate key design components. We evaluate predictive accuracy and physical consistency on the IEEE 14-bus and IEEE 118-bus systems. Results indicate that anisotropic message-passing architectures offer the most favorable trade-off between predictive accuracy and physical consistency under the studied parameter and topology constraints. Explicit edge features encoding line impedances and global context aggregation are particularly important for representing electrical interactions and system-wide dependencies, especially for voltage-angle predictions on the topologically bottlenecked IEEE-118 grid. Under a budget with approximately fixed parameters, two or three message-passing layers generally provide the best balance between depth and representation width, while additional depth offers no consistent improvement. Ablations also show that standard residual and root connections are not necessarily beneficial in shallow models, and that aggregation operators involve trade-offs between statistical accuracy and physical consistency. These results provide practical guidelines for designing graph-based power system models.
• Abstract（参考訳）: 交流電力流(ACPF)の高速かつ正確なモデルは、現代の電力網がより頻繁なシステム解析を必要とするため、ますます重要になっている。 グラフニューラルネットワーク(GNN)は電気グリッドトポロジを自然に活用するが、グラフ表現と評価設定の違いを考えると、アーキテクチャ設計の選択が予測性能に与える影響はよく分かっていない。 本稿では,ACPF予測のための代表的GNNアーキテクチャの統一ベンチマークを,共通の実験フレームワークを用いて提案する。 すべてのモデルは、同一の事前処理とトレーニング手順と同等のパラメータ予算を使用し、メッセージパッシング機構と誘導バイアスの影響を分離する。 また,スラックバスからの距離による誤差を解析し,鍵設計コンポーネントを体系的にアブレーションする。 IEEE 14-busとIEEE 118-busの予測精度と物理的整合性を評価する。 その結果、異方性メッセージパッシングアーキテクチャは、研究パラメータとトポロジ制約の下での予測精度と物理的一貫性の最も好ましいトレードオフを提供することが示された。 特に、トポロジ的にボトルネックとなるIEEE-118グリッド上の電圧角予測において、電気的相互作用とシステム全体の依存関係を表現するために、ラインインピーダンスとグローバルコンテキストアグリゲーションをコードするエッジの特徴が特に重要である。 ほぼ固定されたパラメータを持つ予算の下では、2つか3つのメッセージパッシング層は一般的に、深さと表現幅の最良のバランスを提供するが、追加の深さは、一貫した改善を提供しない。 アブレーションはまた、標準残差と根の接続が浅いモデルでは必ずしも有益ではないことを示し、集約演算子は統計的精度と物理的整合性のトレードオフを含むことを示した。 これらの結果は、グラフベースの電力系統モデルを設計するための実践的なガイドラインを提供する。

関連論文リスト

• Causal AI For AMS Circuit Design: Interpretable Parameter Effects Analysis [1.9739269019020032]
  本研究では,SPICEシミュレーションデータから有向非巡回グラフ(DAG)を最初に検出する因果推論フレームワークを提案する。 このアプローチは、設計ノブの人間解釈可能なランク付けと明示的な「What-if」予測をもたらす。 すべての回路にわたって、因果モデルは平均的な絶対誤差が25%未満のシミュレーションベースのATEを再現するが、ニューラルネットワークは80%以上ずれ、しばしば間違った符号を予測する。
  論文  参考訳（メタデータ） (2026-03-24T20:10:58Z)
• 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)
• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• Differentiable Modeling for Low-Inertia Grids: Benchmarking PINNs, NODEs, and DP for Identification and Control of SMIB System [17.96236104895915]
  本稿では、電力系統力学のモデリング、識別、制御のための異なる微分可能プログラミングパラダイムの比較研究を行う。 軌道外挿,パラメータ推定,線形擬似レギュレータ(LQR)合成における性能評価を行った。 我々の結果は、データ駆動の柔軟性と物理的構造との根本的なトレードオフを強調します。
  論文  参考訳（メタデータ） (2026-02-10T11:22:59Z)
• Plain Transformers are Surprisingly Powerful Link Predictors [57.01966734467712]
  リンク予測はグラフ機械学習における中核的な課題であり、リッチで複雑なトポロジ的依存関係をキャプチャするモデルを必要とする。 グラフニューラルネットワーク(GNN)が標準的なソリューションであるのに対して、最先端のパイプラインは明示的な構造やメモリ集約的なノードの埋め込みに依存していることが多い。 本報告では,手作りのプリミティブに置き換えるエンコーダのみのプレーントランスであるPENCILについて,サンプリングしたローカルサブグラフに注目する。
  論文  参考訳（メタデータ） (2026-02-02T02:45:52Z)
• Graph Neural Networks for Electricity Load Forecasting [1.0797981721308225]
  グラフニューラルネットワーク(GNN)は,負荷データの空間依存性をモデル化するための強力なパラダイムとして登場した。 本稿では,グラフに基づく予測とアテンション機構とアンサンブルアグリゲーション戦略を統合した包括的フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-04T16:18:18Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• Dataless Model Selection with the Deep Frame Potential [45.16941644841897]
  ネットワークをその固有の能力で定量化し、ユニークでロバストな表現を行う。 本稿では,表現安定性にほぼ関係するが,ネットワーク構造にのみ依存する最小限のコヒーレンス尺度であるディープフレームポテンシャルを提案する。 モデル選択の基準としての利用を検証するとともに,ネットワークアーキテクチャの多種多様な残差および密結合化について,一般化誤差との相関性を示す。
  論文  参考訳（メタデータ） (2020-03-30T23:27:25Z)

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。