每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

用于输电网拓扑控制的图神经网络：母线信息不对称与异构表示

Created by
  • Haebom

作者

马蒂斯·德容、简·维巴恩、尤利娅·沙波瓦洛娃

大纲

可再生能源和电气化的兴起加剧了电网拥堵，而拓扑控制正成为一种有前景的缓解拥堵的方法。本研究探讨了图表示对拓扑控制的影响。我们指出了现有统一图表示存在的问题，并提出了一种解决这些问题的异构图表示。我们在模仿学习任务中比较并评估了使用这两种表示的图神经网络 (GNN) 与全连接神经网络 (FCNN)。结果表明，异构图神经网络 (GNN) 在配电网内配置中表现最佳，其次是 FCNN 和统一图神经网络 (GNN)。此外，这两种图神经网络 (GNN) 在配电网外配置中的泛化能力均优于 FCNN。

Takeaways，Limitations

•
Takeaways：
◦
使用异构图表示的 GNN 在拓扑控制问题中表现出更好的性能。
◦
GNN 对于配电网配置具有比 FCNN 更好的泛化性能。
◦
图表示方法对GNN的性能有显著的影响。
•
Limitations：
◦
本文可能缺乏对所呈现的具体异构图表示的详细描述。
◦
需要进一步研究来确定所提出的模型对实际电网的适用性。
◦
可能需要对其他类型的 GNN 和/或其他学习方法进行进一步的比较分析。
👍
Made with Slashpage