オンメーター・グラフ機械学習：グリッドエッジ・インテリジェンスにおけるPV発電量予測の事例研究

arXiv cs.LG / 2026/4/23

📰 ニュースDeveloper Stack & InfrastructureIdeas & Deep AnalysisTools & Practical UsageModels & Research

共有:

要点

本論文は、マイクログリッド内のエッジ対応スマートメータ上でグラフニューラルネットワークを用いて、太陽光（PV）発電量を予測する方法を詳しく検討しています。
ONNXおよびONNX Runtimeを含む技術スタックや、スマートメータのハードウェア／ソフトウェア仕様について説明しています。
GCNとGraphSAGEの2つのグラフ機械学習モデルを学習・デプロイし、特にGCN向けのカスタムONNXオペレータの作成に重点を置いています。
実データ（村のマイクログリッド）を用いた事例研究で、PCとスマートメータの両方における性能を比較し、スマートメータ上での実行が成功したことを示しています。
グリッドエッジでGNNベースのエネルギー予測モデルを直接動かすための実務的な指針を提供しています。

概要: 本論文は、マイクログリッドにおけるエッジ・インテリジェント・メーター上でグラフニューラルネットワークをどのように用いて太陽光発電（PV）電力の予測を行えるかについて、詳細な研究を提示する。問題の背景と採用した技術（ONNXおよびONNX Runtimeを含む）を紹介する。さらに、スマートメーターのハードウェアおよびソフトウェアの仕様についても簡潔に述べる。次に、本論文では、2つのグラフ機械学習モデルであるGCNとGraphSAGEの訓練とデプロイに焦点を当て、特にGCN向けにカスタマイズしたONNXオペレーターの開発とデプロイに重点を置く。最後に、村のマイクログリッドから得られた実データセットを用いたケーススタディを行う。2つのモデルの性能をPCとスマートメーターの両方で比較し、スマートメーター上でのデプロイおよび実行が成功したことを示す。