Power to the Relational Inductive Bias: Graph Neural Networks in Electrical Power Grids
Siemens（西门子）
图神经网络（GNNs）在电网领域的应用对智能电网监控具有很大的潜在影响。尽管GNN中的潮流与消息传递有着天然的对应关系，但它们在电网上的性能还没有得到很好的理解。我们认为，GNN的研究驱动的基准，其中包含的图形，不同的电网在几个重要方面之间存在差距。此外，还没有用真实世界的数据探索跨多个电网拓扑结构的GNN的归纳学习。我们解决这个差距，通过（i）定义电网图形数据集在归纳设置，（ii）图形属性的探索性分析，和（iii）在现实世界的电网状态估计的具体学习任务的实证研究。我们的研究结果表明，与基线相比，GNN对噪声的鲁棒性更强，误差降低了400%。此外，由于电网的独特性质，我们没有观察到GNN的众所周知的过度平滑现象，并发现性能最好的模型非常深，最多可达13层。这与现有的基准数据集形成鲜明对比，其中共识是2到3层GNN表现最好。我们的研究结果表明，在这一领域的一个关键挑战是有效地处理长程依赖。
2021-09-08 cs.LG eess.SP
A Comparative Study of Graph Representations for GNN-Based Power Grid Control in L2RPN
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
该研究在L2RPN环境下对比不同图表示在GNN电网控制中的效果，发现图复杂度与任务粒度匹配比最大化表示丰富度更关键，凸显大规模受控表示研究的重要性。
2026-09-03 cs.LG
Probabilistic Abstract Interpretation on Neural Networks via Grids Approximation
Imperial College London（伦敦帝国理工学院）
本文提出利用概率抽象解释理论分析神经网络输入密度分布，通过不同抽象域和伪逆运算探讨其在现实问题中的应用。
2026-03-26 cs.AI
Predicting Basin Stability of Power Grids using Graph Neural Networks
随着可再生能源在电力系统中所占比重的增加，由于其分散的结构、较小的惯性和波动性，电网的动态稳定性预测变得更加重要和具有挑战性。我们研究了应用图神经网络（GNN）预测同步在复杂电网的动态稳定性，使用单节点流域稳定性（SNBS）作为一种措施的可行性。为此，我们分别为20和100个节点的网格生成两个合成数据集，并使用Monte-Carlo抽样估计SNBS。这些数据集用于训练和评估八种不同GNN模型的性能。所有模型都使用没有简化的完整图作为输入，并在逐步回归设置中预测SNBS。我们表明，SNBS可以预测一般和性能显着变化，使用不同的GNN模型。此外，我们观察到我们方法的有趣传输能力：在较小网格上训练的GNN模型可以直接应用于较大网格，而无需重新训练。
2022-05-05 cs.LG cs.SY eess.SY
Neural Sequence-to-grid Module for Learning Symbolic Rules
Seoul National University（首尔大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
符号上的逻辑推理任务，例如学习算术运算和计算机程序评估，已经成为深度学习的挑战。特别是，即使是最先进的神经网络也无法实现符号推理任务的\textit{out-of-distribution}（OOD）泛化，而人类可以很容易地扩展学习的符号规则。为了解决这个困难，我们提出了一个神经序列到网格（seq2grid）模块，这是一个输入预处理器，可以自动将输入序列分割并对齐到网格中。由于我们的模块通过一种新的可微映射输出网格，因此任何接受网格输入的神经网络结构，如ResNet或TextCNN，都可以与我们的模块以端到端的方式进行联合训练。大量的实验表明，我们的模块作为输入预处理器的神经网络实现面向对象的推广各种算术和算法问题，包括数字序列预测问题，代数字的问题，和计算机程序评估问题，而其他国家的最先进的序列转导模型不能。此外，我们还验证了我们的模块增强了TextCNN，可以在没有外部存储器的情况下解决bAbI QA任务。
2021-04-26 cs.AI cs.CL cs.LG
Optimizing Energy Management of Smart Grid using Reinforcement Learning aided by Surrogate models built using Physics-informed Neural Networks
针对强化学习求解智能电网最优潮流时依赖昂贵模拟器、样本效率低的问题，提出用PINNs代理模型替代原环境，从而显著加速策略训练并获得收敛结果。
2025-10-20 cs.AI cs.LG
SHACIRA: Scalable HAsh-grid Compression for Implicit Neural Representations
University of Maryland（马里兰大学）
本文提出SHACIRA框架，通过量化潜权重重参数化与潜空间熵正则化压缩Instant-NGP式特征网格，在图像、视频和辐射场上以更少内存取得优于现有INR方法的效果。
2023-09-27 cs.AI cs.CV cs.LG
Refined Grid Sampling for Efficient Implicit Neural Representations of Large-Scale Scientific Data
Brookhaven National Laboratory（布鲁克海文国家实验室）；University of California San Diego（加利福尼亚大学圣迭戈分校）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
针对隐式神经表示训练效率低的问题，提出精细化网格采样方法，在高分辨率纳维-斯托克斯场实验中，该方法在固定时间预算内精度更高，达到全网格训练精度的速度比基线快达6倍。
2026-10-14 cs.LG
Graph-Preserving Grid Layout: A Simple Graph Drawing Method for Graph Classification using CNNs
Worcester Polytechnic Institute（伍斯特理工学院）；Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室（MERL））
图卷积网络（GCN）受到图的不规则性的影响，而更广泛使用的卷积神经网络（CNN）受益于规则网格。为了弥合GCN和CNN之间的差距，与以前将CNN中的基本操作推广到图形数据的工作相比，在本文中，我们解决了如何以{ \em原则}的方式将无向图投影到网格上的问题，其中CNN可以用作几何深度学习的骨干。为此，我们提出了一种新的图形保持网格布局（GPGL），整数规划，最大限度地减少了网格上的拓扑损失的文学图形绘制的启发。从技术上讲，我们建议近似使用{ \em正则化} Kamada-Kawai算法求解GPGL，这是一种著名的非凸优化技术，在图形绘制中，顶点分离惩罚提高了松弛解决方案的舍入性能。使用GPGL，我们可以轻松地进行数据增强，因为每个局部最小值都会导致同一图形的网格布局。在多尺度maxout CNN的帮助下，我们证明了我们的图分类方法的经验成功。
2019-09-26 cs.CV cs.LG stat.ML
DInf-Grid: A Neural Differential Equation Solver with Differentiable Feature Grids
DInf-Grid通过结合可微特征网格与径向基函数插值，高效求解微分方程，实现速度提升5-20倍。
2026-01-15 cs.LG
An Ensemble Deep Convolutional Neural Network Model for Electricity Theft Detection in Smart Grids
University of Guelph（圭尔夫大学）
智能电网非常依赖信息和通信技术（ICT）和智能电表来控制和管理网络的众多参数。然而，使用这些基础设施使智能电网更容易受到网络威胁，特别是电力盗窃。电力盗窃检测（EDT）算法通常用于这种目的，因为这种非技术损失（NTL）可能会导致电力系统中的重大挑战。提出了一种智能电网ETD的嵌入式深度卷积神经网络（EDCNN）算法。作为模型的第一层，采用随机Under Bagging技术处理不平衡数据，然后对每个子集使用深度卷积神经网络（DCNN）。最后，在论文的最后一部分，实现了一个投票系统。基于曲线下面积（AUC）、精确度、召回率、f1分数和准确度的评价结果验证了该方法与文献中现有方法相比的有效性。
2021-02-10 cs.LG
Inductive Power Grid Cascading Failure Analysis with GRU-Gated Graph Attention
Tianxin Zhou1（周天新1）；Xiang Li1（李祥1）；Haibing Lu2（卢海兵2）
本文提出一种基于GRU门控图注意力网络的方法，能有效识别电力网络中潜在的脆弱传输线路，适用于多电网跨时间和领域场景。
2026-05-07 cs.LG
Cyberattack Detection in Large-Scale Smart Grids using Chebyshev Graph Convolutional Networks
Texas A&M University（德克萨斯A&M大学）；Arkansas State University（阿肯色州立大学）
作为一个高度复杂和集成的网络物理系统，现代电网面临着网络攻击。虚假数据注入攻击（FDIA），特别是，代表了一个主要类别的网络威胁，以智能电网为目标的测量数据的完整性。尽管已经提出了各种解决方案来检测这些网络攻击，但绝大多数工作都忽略了电网测量的固有图形结构，并且仅针对具有不到几百个总线的小型测试系统验证了它们的检测器。为了更好地利用智能电网测量的空间相关性，本文提出了一种使用Chebyshev图卷积网络（CGCN）进行大规模AC电网网络攻击检测的深度学习模型。通过降低谱图滤波器的复杂性并使其局部化，CGCN提供了一种快速有效的卷积运算来建模图结构智能电网数据。我们数值验证，建议CGCN为基础的检测器超过国家的最先进的模型的检测率为7.86和虚警率为9.67的大规模电网2848总线。值得注意的是，所提出的方法可以在4毫秒内检测到2848总线系统的网络攻击，这使其成为大型系统中实时检测网络攻击的良好候选者。
2021-12-25 cs.AI cs.CR cs.LG
Graph Reinforcement Learning for Power Grids: A Comprehensive Survey
Fraunhofer Institute for Energy Economics and Energy System Technology (IEE)（弗劳恩霍夫能源经济与能源系统技术研究所（IEE））；University of Kassel（卡塞尔大学）；University of Greifswald（格赖夫斯瓦尔德大学）
本文综述了图强化学习在电力网络中的应用，探讨了其在表示学习和决策制定中的改进，并指出现阶段仍处于概念验证阶段，需进一步解决实际应用中的挑战。
2026-01-07 cs.LG
Construction of Grid Operators for Multilevel Solvers: a Neural Network Approach
Università della Svizzera Italiana（提契诺大学）
在本文中，我们研究多重网格方法和神经网络的结合，从一个椭圆型偏微分方程的有限元离散。多重网格方法使用插值算子在不同的近似水平之间传递信息。这些算子对于多重网格的快速收敛是至关重要的，但它们通常是未知的。我们提出了用于学习插值算子的深度神经网络模型，并根据网络的输出构建了一个多级层次结构。我们研究了神经网络预测的插值算子的准确性，并使用不同的网络架构对其进行测试。这种用于构造网格算子的神经网络方法可以扩展为多级求解器的自动定义，从而在科学计算中实现便携式解决方案
2021-09-13 cs.LG cs.NA math.NA
Mutual Information Decay Curves and Hyper-Parameter Grid Search Design for Recurrent Neural Architectures
ADAPT Research Center（ADAPT研究中心）；Technological University Dublin（都柏林理工大学）
我们提出了一种方法来设计网格搜索的超参数优化递归神经架构。这种方法的基础是使用互信息来分析数据集内的长距离依赖性（LDD）。我们还报告了一组实验，展示了如何使用这种方法，在一系列基准数据集上获得DilatedRNN的最新结果。
2020-12-08 cs.IT cs.LG math.IT
Grid-to-Graph: Flexible Spatial Relational Inductive Biases for Reinforcement Learning
University College London（伦敦大学学院）
尽管近年来强化学习在许多领域得到了成功的应用，但我们仍然缺乏能够系统推广的智能体。虽然适合任务的关系归纳偏差可以提高RL代理的泛化能力，但这些偏差通常直接硬编码在代理的神经架构中。在这项工作中，我们表明，我们可以将关系归纳偏见，编码的关系图的形式，到代理。基于这一见解，我们提出了网格到图（GTG），从网格结构到关系图的映射，当通过关系图卷积网络（R-GCN）处理时，关系图携带有用的空间关系归纳偏差。我们表明，与基于卷积神经网络和神经逻辑机的基线相比，在具有挑战性的程序生成环境和MinAtar上，R-GCN在分布内和分布外都具有更好的泛化能力。此外，我们表明，GTG产生的代理，可以共同的原因在观察和环境动态编码的知识库。
2021-02-08 cs.LG
Statistical Post-Processing for Gridded Temperature Prediction Using Encoder-Decoder-Based Deep Convolutional Neural Networks
Numerical Prediction Development Center（数值预报开发中心）；Japan Meteorological Agency（日本气象厅）
日本气象厅使用网格化温度指导来预测二维降雪量和降水类型，例如，雨和雪，因为地面温度是预测它们的关键要素之一。操作温度指导基于卡尔曼滤波器，该滤波器仅使用观测点周围的温度观测和数值天气预报输出。当NWP模型错误地预测锋面的位置或观测到的温度极冷或极热时，校正温度场一直具有挑战性。在这项研究中，提出了一种基于编码器-解码器的卷积神经网络来预测日本关东地区表面的网格温度。验证结果表明，该模式大大提高了业务指导，并可以纠正数值预报模式的偏差，如锋的位置误差和极端温度。
2021-11-20 cs.LG physics.ao-ph
Deep Generative Graph Distribution Learning for Synthetic Power Grids
Southern Methodist University（南卫理公会大学）；Iowa State University（爱荷华州立大学）
电力系统研究需要真实世界电力网络的拓扑结构;然而，由于重要的安全问题，这些数据是保密的。因此，电网合成（PGS），即，创建模仿实际电网的真实电网已经获得了极大的关注。在这封信中，我们将PGS转换为图分布学习（GDL）问题，其中捕获节点（总线）和边缘（线）的概率分布函数（PDF）。提出了一种新的深度GDL（DeepGDL）模型来学习总线/线路的拓扑模式及其物理特征（例如，功率注入和线路阻抗）。DeepGDL具有深度非线性递归结构，可以理解复杂的非线性拓扑特性并捕获图形PDF。从获得的PDF中采样，我们能够创建一个大型的真实网络集，这些网络都类似于原始电网。仿真结果表明，我们创建的合成电网的各种拓扑指标和潮流测量的显着准确性。
2019-04-12 cs.LG cs.SI stat.ML
Smart-PGSim: Using Neural Network to Accelerate AC-OPF Power Grid Simulation
UC Merced（加州大学默塞德分校）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
最优潮流（OPF）问题是电力系统运行中最重要的优化问题之一。它计算承诺的发电机组的最优调度。在本文中，我们开发了一种神经网络方法来加速当前最优潮流（AC-OPF）的问题，通过生成一个智能的初始解。初始解的高质量和由神经网络生成的其他输出的指导使得能够更快地收敛到解，而不会失去由传统方法计算的最终解的最优性。Smart-PGSim生成了一种新的多任务学习神经网络模型，以加速AC-OPF仿真。Smart-PGSim还自动将模拟的物理约束强加给神经网络。相对于原始AC-OPF实现，Smart-PGSim带来了平均49.2%的性能提升（高达91%），计算超过10，000个问题模拟，而不会失去最终解决方案的最优性。
2020-08-26 cs.LG cs.PF eess.SP
Enhanced physics-informed neural networks (PINNs) for high-order power grid dynamics
Massachusetts Institute of Technology（麻省理工学院）；X, the moonshot factory（X实验室（原Google X））
本文开发了改进的物理信息神经网络（PINNs），用于非线性常微分方程描述的高阶高维电力系统模型，通过新方法提升训练与精度，成功应用于同步发电机暂态动力学及高级逆变器模型，助力未来可再生能源电网的高保真仿真。
2024-10-10 cs.LG cs.SY eess.SY
On the organization of grid and place cells: Neural de-noising via subspace learning
University of Arizona（亚利桑那大学）；University of California, Berkeley（加州大学伯克利分校）
海马体中的位置细胞在动物访问环境中的某个位置（称为位置场）时活跃。内侧内嗅皮层（MEC）中的网格细胞在多个位置响应，其发射场形成环境的周期性和六边形平铺。网格和位置细胞群的联合活动，作为位置的函数，形成了空间的神经代码。通过改变网格和位置单元群体参数来生成代码的集合。对于该集合中的每个代码，通过用离散的位置集刺激网络来生成码字。在这篇手稿中，我们开发了一个理解这些组合人口和代码的结构参数的编码理论属性之间的关系。这些关系被重新审视，通过测量的地方和网格细胞群体，以及约束神经元，执行去噪操作的网络实现的生物学可实现的算法的性能。这项工作的目标包括调查的编码理论的局限性哺乳动物神经代码的位置和网格和地方细胞网络之间的通信如何可能提高每个人口的代表性的准确性。仿真结果表明，这里分析的去噪机制可以显着提高空间的神经表示的保真度。此外，在模拟细胞的每个群体的连接中观察到的模式表明，海马-内侧-内嗅-皮质连接沿背腹轴向下降低。
2018-05-15 cs.IT cs.LG cs.NE
Ligand Pose Optimization with Atomic Grid-Based Convolutional Neural Networks
University of Pittsburgh（匹兹堡大学）
对接是计算药物发现中的一种重要工具，旨在通过位姿评分和优化相结合来预测配体与靶蛋白的结合位姿。相对于原子位置可微分的评分函数可以用于对接的姿态的评分和基于梯度的优化。使用可微分的基于网格的原子表示作为输入，我们证明了通过训练卷积神经网络（CNN）来识别绑定姿势的评分函数也可以应用于姿势优化。我们还表明，一个迭代训练的CNN，包括在其训练集中的第一个CNN优化的姿势，在优化随机初始化的姿势比第一个CNN评分函数或AutoDock Vina更好。
2017-10-20 cs.LG q-bio.BM stat.ML
Refinement of polygonal grids using Convolutional Neural Networks with applications to polygonal Discontinuous Galerkin and Virtual Element methods
Politecnico di Milano（米兰理工大学）
我们提出了新的策略来处理基于卷积神经网络（CNN）的多边形网格细化。我们表明，CNN可以成功地用于正确识别多边形元素的“形状”，以便设计合适的细化标准，可能采用自适应细化策略。我们提出了两种细化策略，利用CNN的使用来分类元素的形状，以较低的计算成本。我们测试所提出的想法考虑两个家庭的有限元法，支持任意形状的多边形元素，即多边形不连续伽辽金（PolyDG）方法和虚拟元素方法（VEM）。我们表明，所提出的算法可以大大提高性能的离散计划的精度和质量的基础网格。此外，由于训练阶段是离线执行的，并且独立于差分模型，因此总体计算成本保持较低。
2021-10-02 cs.LG cs.NA math.NA
Zip-NeRF: Anti-Aliased Grid-Based Neural Radiance Fields
Google Research（谷歌研究院）
本文提出 Zip-NeRF，将 mip-NeRF 360 的抗锯齿锥体推理与 Instant NGP 等网格表示结合，在误差率降低 8%-77% 的同时实现 24 倍训练加速。
2023-10-26 cs.CV cs.GR cs.LG
