本論文では、配電系統の動的再構成(DyR)問題を解決するためのグラフニューラルネットワーク(GNN)フレームワークGraPhyRを提案している。
メッセージ伝播層: GNNのメッセージ伝播層では、スイッチをゲートとしてモデル化し、スイッチの開閉状態を連続的に表現する。これにより、スイッチの物理的な電力流の制御を学習できる。
局所予測手法: 各ノードとスイッチについて独立に予測を行う局所予測手法を採用する。これにより、グリッドサイズに依存せずにスケーラブルな予測が可能となる。
物理情報ラウンディング層: 離散的なスイッチの開閉状態を直接ニューラルネットワーク内に組み込むことで、物理制約を満たす解を出力できる。
入力としてのグリッド構造: 配電系統の構造をGNNの入力として与えることで、学習した表現を複数のグリッド構造に適用できる。
これらの4つの主要な構成要素により、GraPhyRは大規模な配電系統の動的再構成問題を効率的に最適化できる。シミュレーション結果から、GraPhyRは従来手法と比べて予測精度が高く、制約違反も少ないことが示された。また、未知の系統条件にも適応できることが確認された。
In un'altra lingua
dal contenuto originale
arxiv.org
Approfondimenti chiave tratti da
by Jules Authie... alle arxiv.org 04-04-2024
https://arxiv.org/pdf/2310.00728.pdfDomande più approfondite