Buchumschlag

Generating adversarial inputs for a graph neural network model of AC power flow

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Parker, Robert
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Systems and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

PowerGraph: A power grid benchmark dataset for graph neural networks
von: Varbella, Anna, et al.
Veröffentlicht: (2024)

Operational risk quantification of power grids using graph neural network surrogates of the DC OPF
von: Zhang, Yadong, et al.
Veröffentlicht: (2023)

Physics-Informed GNN for non-linear constrained optimization: PINCO a solver for the AC-optimal power flow
von: Varbella, Anna, et al.
Veröffentlicht: (2024)

The impact of sensor placement on graph-neural-network-based leakage detection
von: van Gemert, J. J. H., et al.
Veröffentlicht: (2026)

Probabilistic forecasting of power system imbalance using neural network-based ensembles
von: Van Gompel, Jonas, et al.
Veröffentlicht: (2024)

Shape error prediction in 5-axis machining using graph neural networks
von: Huuk, Julia, et al.
Veröffentlicht: (2024)

Enhanced physics-informed neural networks (PINNs) for high-order power grid dynamics
von: Nair, Vineet Jagadeesan
Veröffentlicht: (2024)

Efficient model predictive control for nonlinear systems modelled by deep neural networks
von: Lan, Jianglin
Veröffentlicht: (2024)

Building a temperature forecasting model for the city with the regression neural network (RNN)
von: Tran, Nguyen Phuc, et al.
Veröffentlicht: (2024)

Controlled oscillation modeling using port-Hamiltonian neural networks
von: Linares, Maximino, et al.
Veröffentlicht: (2026)

Approximate non-linear model predictive control with safety-augmented neural networks
von: Hose, Henrik, et al.
Veröffentlicht: (2023)

Graph neural networks for power grid operational risk assessment under evolving grid topology
von: Zhang, Yadong, et al.
Veröffentlicht: (2024)

Novel application of Relief Algorithm in cascaded artificial neural network to predict wind speed for wind power resource assessment in India
von: Malik, Hasmat, et al.
Veröffentlicht: (2024)

Control of dynamical systems with neural networks
von: Böttcher, Lucas
Veröffentlicht: (2025)

Delay compensation of multi-input distinct delay nonlinear systems via neural operators
von: Bajraktari, Filip, et al.
Veröffentlicht: (2025)

Managing power balance and reserve feasibility in the AC unit commitment problem
von: Parker, Robert, et al.
Veröffentlicht: (2024)

Simulation of a closed-loop dc-dc converter using a physics-informed neural network-based model
von: Coulombe, Marc-Antoine, et al.
Veröffentlicht: (2025)

On zero-shot learning in neural state estimation of power distribution systems
von: Berezin, Aleksandr, et al.
Veröffentlicht: (2024)

Reliably-stabilizing piecewise-affine neural network controllers
von: Fabiani, Filippo, et al.
Veröffentlicht: (2021)

Robust optimization for adversarial learning with finite sample complexity guarantees
von: Bertolace, André, et al.
Veröffentlicht: (2024)

An XAI framework for robust and transparent data-driven wind turbine power curve models
von: Letzgus, Simon, et al.
Veröffentlicht: (2023)

Improved uncertainty quantification for neural networks with Bayesian last layer
von: Fiedler, Felix, et al.
Veröffentlicht: (2023)

Tuning the burn-in phase in training recurrent neural networks improves their performance
von: Schiller, Julian D., et al.
Veröffentlicht: (2026)

A neural network-based approach to hybrid systems identification for control
von: Fabiani, Filippo, et al.
Veröffentlicht: (2024)

Identifying the nonlinear string dynamics with port-Hamiltonian neural networks
von: Linares, Maximino, et al.
Veröffentlicht: (2026)

Revisiting Deep AC-OPF
von: Dada, Oluwatomisin I., et al.
Veröffentlicht: (2025)

Large width penalization for neural network-based prediction interval estimation
von: Amnuaypongsa, Worachit, et al.
Veröffentlicht: (2024)

HARDCORE: H-field and power loss estimation for arbitrary waveforms with residual, dilated convolutional neural networks in ferrite cores
von: Kirchgässner, Wilhelm, et al.
Veröffentlicht: (2024)

Deep multitask neural networks for solving some stochastic optimal control problems
von: Yeo, Christian
Veröffentlicht: (2024)

Robust stabilization of polytopic systems via fast and reliable neural network-based approximations
von: Fabiani, Filippo, et al.
Veröffentlicht: (2022)

Joint torques prediction of a robotic arm using neural networks
von: d'Addato, Giulia, et al.
Veröffentlicht: (2024)

Observability conditions for neural state-space models with eigenvalues and their roots of unity
von: Gracyk, Andrew
Veröffentlicht: (2025)

Recurrent neural network-based robust control systems with regional properties and application to MPC design
von: Ravasio, Daniele, et al.
Veröffentlicht: (2025)

Lipschitz-bounded 1D convolutional neural networks using the Cayley transform and the controllability Gramian
von: Pauli, Patricia, et al.
Veröffentlicht: (2023)

Beyond the Neural Fog: Interpretable Learning for AC Optimal Power Flow
von: Pineda, Salvador, et al.
Veröffentlicht: (2024)

A new approach for combined model class selection and parameters learning for auto-regressive neural models
von: Sgadari, Corrado, et al.
Veröffentlicht: (2026)

Smart energy management: process structure-based hybrid neural networks for optimal scheduling and economic predictive control in integrated systems
von: Wu, Long, et al.
Veröffentlicht: (2024)

Global Performance Guarantees for Neural Network Models of AC Power Flow
von: Chevalier, Samuel, et al.
Veröffentlicht: (2022)

Spatiotemporal graph neural process for reconstruction, extrapolation, and classification of cardiac trajectories
von: Banus, Jaume, et al.
Veröffentlicht: (2025)

DADEE: Well-calibrated uncertainty quantification in neural networks for barriers-based robot safety
von: Ataei, Masoud, et al.
Veröffentlicht: (2024)