Buchumschlag

PowerModelsGAT-AI: Physics-Informed Graph Attention for Multi-System Power Flow with Continual Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ezeakunne, Chidozie, Tabarez, Jose E., Pokharel, Reeju, Pandey, Anup
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Systems and Control Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Rebuild AC Power Flow Models with Graph Attention Networks
von: Hu, Yuting, et al.
Veröffentlicht: (2025)

Neural Operators for Power Systems: A Physics-Informed Framework for Modeling Power System Components
von: Karampinis, Ioannis, et al.
Veröffentlicht: (2025)

Physics-Informed Graph Neural Network for Dynamic Reconfiguration of Power Systems
von: Authier, Jules, et al.
Veröffentlicht: (2023)

Modeling Power Systems Dynamics with Symbolic Physics-Informed Neural Networks
von: Tran, Huynh T. T., et al.
Veröffentlicht: (2023)

PowerDAG: Reliable Agentic AI System for Automating Distribution Grid Analysis
von: Badmus, Emmanuel O., et al.
Veröffentlicht: (2026)

AC-Network-Informed DC Optimal Power Flow for Electricity Markets
von: Constante-Flores, Gonzalo E., et al.
Veröffentlicht: (2024)

Control of the Power Flows of a Stochastic Power System
von: Wang, Zhen, et al.
Veröffentlicht: (2023)

Physics-Informed Kolmogorov-Arnold Networks for Power System Dynamics
von: Shuai, Hang, et al.
Veröffentlicht: (2024)

Power Flow Analysis of a 5-Bus Power System Based on Newton-Raphson Method
von: Nwachukwu, Sampson E.
Veröffentlicht: (2025)

Improved Physics-Informed Neural Network based AC Power Flow for Distribution Networks
von: Eeckhout, Victor, et al.
Veröffentlicht: (2024)

Toolbox for Developing Physics Informed Neural Networks for Power Systems Components
von: Karampinis, Ioannis, et al.
Veröffentlicht: (2025)

Decentralized Stability-Constrained Optimal Power Flow for Inverter-Based Power Systems
von: Wang, Shigeng, et al.
Veröffentlicht: (2026)

KCLNet: Physics-Informed Power Flow Prediction via Constraints Projections
von: Dogoulis, Pantelis, et al.
Veröffentlicht: (2025)

Physics-Informed Graph Neural Jump ODEs for Cascading Failure Prediction in Power Grids
von: Sevak, Birva, et al.
Veröffentlicht: (2026)

Physics-Informed Neural Networks in Power System Dynamics: Improving Simulation Accuracy
von: Nadal, Ignasi Ventura, et al.
Veröffentlicht: (2025)

Optimal Power Flow in Renewable-Integrated Power Systems: A Comprehensive Review
von: Chen, Zigang
Veröffentlicht: (2024)

Generative AI Enabled Robust Sensor Placement in Cyber-Physical Power Systems: A Graph Diffusion Approach
von: Zhao, Changyuan, et al.
Veröffentlicht: (2025)

Semi-implicit Continuous Newton Method for Power Flow Analysis
von: Yu, Ruizhi, et al.
Veröffentlicht: (2023)

On Physics-Informed Neural Network Control for Power Electronics
von: Hui, Peifeng, et al.
Veröffentlicht: (2024)

Sensitivity of DC Network Representation for GIC Analysis
von: Mishra, Aniruddh, et al.
Veröffentlicht: (2025)

Verification and Validation of Physics-Informed Surrogate Component Models for Dynamic Power-System Simulation
von: Ellinas, Petros, et al.
Veröffentlicht: (2026)

Chance-Constrained DC Optimal Power Flow Using Constraint-Informed Statistical Estimation
von: Yi, Tianyang, et al.
Veröffentlicht: (2025)

Data-driven AC Optimal Power Flow with Physics-informed Learning and Calibrations
von: Wang, Junfei, et al.
Veröffentlicht: (2024)

Enhancing Power Prediction of Photovoltaic Systems: Leveraging Dynamic Physical Model for Irradiance-to-Power Conversion
von: Li, Baojie, et al.
Veröffentlicht: (2024)

Stochastic Quantum Power Flow for Risk Assessment in Power Systems
von: Sævarsson, Brynjar, et al.
Veröffentlicht: (2023)

Learning Optimal Power Flow with Pointwise Constraints
von: Owerko, Damian, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks for Accelerating Power System State Estimation
von: Falas, Solon, et al.
Veröffentlicht: (2023)

Flexibility of Integrated Power and Gas Systems: Gas Flow Modeling and Solution Choices Matter
von: Raheli, Enrica, et al.
Veröffentlicht: (2023)

Physics-Informed Neural Networks: a Plug and Play Integration into Power System Dynamic Simulations
von: Nadal, Ignasi Ventura, et al.
Veröffentlicht: (2024)

Online Planning of Power Flows for Power Systems Against Bushfires Using Spatial Context
von: Xu, Jianyu, et al.
Veröffentlicht: (2024)

PowerChain: A Verifiable Agentic AI System for Automating Distribution Grid Analyses
von: Badmus, Emmanuel O., et al.
Veröffentlicht: (2025)

On the Choice of Loss Function in Learning-based Optimal Power Flow
von: Chen, Ge, et al.
Veröffentlicht: (2024)

The Power-Oriented Graphs Modeling Technique: From the Fundamental Principles to the Systematic, Step-by-Step Modeling of Complex Physical Systems
von: Tebaldi, Davide, et al.
Veröffentlicht: (2024)

Optimizing Parameters of the LinDistFlow Power Flow Approximation for Distribution Systems
von: Taheri, Babak, et al.
Veröffentlicht: (2024)

A Wirtinger Power Flow Jacobian Singularity Condition for Voltage Stability in Converter-Rich Power Systems
von: Alkhudaydi, Ahmed Mesfer, et al.
Veröffentlicht: (2026)

PowerSimulations.jl -- A Power Systems operations simulation Library
von: Lara, Jose Daniel, et al.
Veröffentlicht: (2024)

Robust Power System State Estimation using Physics-Informed Neural Networks
von: Falas, Solon, et al.
Veröffentlicht: (2025)

PowerSimulationsDynamics.jl -- An Open Source Modeling Package for Modern Power Systems with Inverter-Based Resources
von: Lara, Jose Daniel, et al.
Veröffentlicht: (2023)

Tensor Power Flow Formulations for Multidimensional Analyses in Distribution Systems
von: Duque, Edgar Mauricio Salazar, et al.
Veröffentlicht: (2024)

Carbon-Aware Optimal Power Flow
von: Chen, Xin, et al.
Veröffentlicht: (2023)