PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.26603v1cs.LG

다중 그리드 전력 조류를 위한 계층형 GNN: 운영 시나리오 간 일반화

Towards Hierarchical GNNs for multi-grid power flow: generalization across operating scenarios

계층적 잠재 통신(hierarchical latent communication)은 다중 그리드 전력 조류 모델이 새로운 운영 시나리오로 일반화하는 능력을 향상시킨다. 이 모듈은 GENCO 기반 corrective network 내에서 두 개의 축소 그래프를 통해 정보를 교환한다. 세 가지 그리드 토폴로지에서 모델당 세 가지 초기화 시드를 사용한 200 에포크 예비 학습 동안 Kron 유도 수송(Kron-derived transports), 동일 앵커 Quotient 구성(same-anchor Quotient construction), 평(flat) backbone을 비교한다. 평가는 그리드당 새로 생성·사전 선정된 200개 시나리오를 사용한다. 학습 토폴로지에서 Kron은 macro family-balanced 전압 오차를 5.660 ± 0.899에서 0.851 ± 0.110으로 줄였으며, 이는 Flat GENCO 대비 85.0% 감소이고 Quotient(1.235 ± 0.225) 대비 31.0% 감소이다. 두 계층형 모델은 세 시드 모두에서 모든 학습 토폴로지에서 학습 해에 맞춘 버스별 평균(per-bus mean) fitted 기준보다 우수하다. 이 결과는 공유된 한 세트의 학습 파라미터로 그리드 전반에 걸쳐, 연구된 토폴로지 내에서 운영 시나리오 간 일반화를 보여 준다. 두 가지 추가 토폴로지에 대한 평가는 이 성과를 교차 토폴로지 일반화와 구분한다: 현재 모델은 calibrated-transfer 설정에서 fitted 기준을 아직 능가하지 못한다. 본 preprint는 다중 그리드 전력 조류 학습의 구성 요소로서 계층적 통신에 대한 아키텍처와 예비 근거를 제시하며, 보지 못한 토폴로지로의 일반화를 다음 개발 목표로 둔다.

arXiv:2607.12241v1eess.SY

인-컨텍스트 화이트닝을 통한 그래디언트-무관 전력 흐름 대리 모델의 토폴로지 적응

Gradient-Free Topology Adaptation for Power Flow Surrogates via In-Context Whitening

교류 전력 흐름(ACPF) 문제에 대한 머신러닝 기반 대리 모델은 고정된 네트워크에서 반복적인 해법 비용을 상각화하지만, 선로 고장으로 토폴로지가 바뀌면 정확도가 한두 자릿수만큼 떨어진다. 이러한 성능 저하는 연산자 이동(operator shift)에 기인한다. 변경된 어드미턴스 행렬이 입력-출력 사상을 바꾸므로, 동일한 입력이라도 다른 출력 분포를 낳는다. 기존 방법은 목표 토폴로지 데이터와 토폴로지별 그래디언트 단계로 이를 보정한다. 우리는 이 보정을 대신 통계적이고 그래디언트-무관하게 할 수 있는지 묻는다. 우리는 기본 토폴로지의 첫 두 모멘트로 출력 공간을 화이트닝하여 ACPF 대리 모델을 학습하고, 새 토폴로지에서 수백 개의 해법 사례로 그 화이트닝을 재추정함으로써 보이지 않은 N-1 또는 N-2 토폴로지에 적응하는 인-컨텍스트 화이트닝(ICW)을 제안한다. 이 적응은 그래디언트-무관하고, 가중치 갱신이 없으며, 아키텍처에 구애받지 않는다. 우리는 아핀 화이트너 중 물리적 출력 벡터의 좌표별 의미를 보존하는 유일한 선택이 ZCA 화이트닝임을 증명하므로, 효율적인 가역 보정 범위 내에서 두 모멘트면 충분하다. N-1 및 N-2 사고 조건에서 IEEE 30-, 118-, 300-버스 시스템 전반에 걸쳐 ICW는 고정된 대리 모델 대비 전체 오차를 6배에서 28배 줄이고(N-2에서는 물리량별로 최대 54배), 최악 버스의 전력 균형 불일치를 최대 30배 감소시키며, 세 가지 백본에서 일관된 이득을 보인다. 배포 규모에서는 그래디언트 기반 적응과 동등하거나 더 나은 정확도를 달성하면서 적응 속도는 21배에서 34배 빠르며, 비용은 사고마다 GPU 하나를 요구하기보다 상용 CPU 코어에서 병렬화된다.

arXiv:2607.09122v1cs.LG

변분 그래프 오토인코더를 활용한 전력 조류 실행 가능성 평가

Power Flow Feasibility Assessment Using Variational Graph Autoencoders

그래프 신경망을 포함한 데이터 기반 방법론은 최근 몇 년간 전력 조류(power flow) 계산 가속화를 위해 연구되어 왔으나, 전통적인 솔버를 통해 얻을 수 있는 해의 실행 가능성(solution feasibility)에는 거의 어텐션이 기울여지지 않았다. 본 논문은 IEEE 118-버스 케이스를 활용하여 전력 조류 해의 실행 가능성을 탐지하고, AI 기반 솔버가 제공하는 해의 유효성을 평가하는 변분 그래프 오토인코더(VGAE, Variational Graph Autoencoder)를 제안한다.