メタノードを導入したGNN統合型TD3による最適潮流計算の精度検証

カテゴリ：研究会(論文単位)

論文No：PSE25205,ST25034,SMF25054

グループ名：【B】電力・エネルギー部門 電力系統技術/【C】電子・情報・システム部門 システム/【D】産業応用部門 スマートファシリティ合同研究会

発行日：2025/10/28

タイトル(英語)：Accuracy Assessment of GNN-Integrated TD3 with Meta-Node for Optimal Power Flow Calculation

著者名：竹内 洸稀(大阪公立大学),高山 聡志(大阪公立大学),石亀 篤司(大阪公立大学)

著者名(英語)： Koki Takeuchi(Osaka metropolitan university),Satoshi Takayama(Osaka metropolitan university),Atsushi Ishigame(Osaka metropolitan university)

キーワード：最適潮流計算,分散型電源,深層強化学習,ＴＤ３,グラフニューラルネットワーク,メタノード,Optimal Power Flow,Distributed Generation,Deep Reinforcement Learning,Twin Delayed Deep Deterministic Policy Gradient,Graph Neural Network,Meta-node

要約(日本語)：系統運用の複雑化により、最適潮流計算の高速化が求められている。本研究は、グラフニューラルネットワークを統合した深層強化学習により、IEEE33母線系統を対象に潮流・電圧制約下で燃料費最小化を学習させる。局所情報集約に依存しやすいグラフニューラルネットワークの制約を補うためノード群を集約するメタノードを導入し、接続方式とCritic設計に着目した学習精度の評価を行う。

要約(英語)：As power system operations become complex, faster optimal power flow (OPF) calculation is required. This study employs deep reinforcement learning integrated with a graph neural network (GNN) to minimize fuel cost on the IEEE 33-bus system while satisfying power flow and voltage constraints. A meta-node aggregating selected nodes is introduced to address the locality inherent in GNNs. This study compares meta-node connection strategies and Critic network design, and evaluates their impact on learning accuracy.

本誌：2025年10月31日電力系統技術/システム/スマートファシリティ合同研究会

本誌掲載ページ：101-106p

原稿種別：日本語

PDFファイルサイズ：1,131Kバイト