論文の概要: EGFC: Evolving Gaussian Fuzzy Classifier from Never-Ending
Semi-Supervised Data Streams -- With Application to Power Quality Disturbance
Detection and Classification
- arxiv url: http://arxiv.org/abs/2004.09986v1
- Date: Fri, 17 Apr 2020 07:08:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 10:06:39.810667
- Title: EGFC: Evolving Gaussian Fuzzy Classifier from Never-Ending
Semi-Supervised Data Streams -- With Application to Power Quality Disturbance
Detection and Classification
- Title(参考訳): EGFC:Never-Ending Semi-Supervised Data Streamsからガウスファジィ分類器を進化させる -- 電力品質劣化検出と分類への応用
- Authors: Daniel Leite, Leticia Decker, Marcio Santana, Paulo Souza
- Abstract要約: 障害のリアルタイム検出と分類は、業界標準に欠かせないものと考えられている。
半教師付き外乱検出・分類のための進化型ガウスファジィ分類フレームワークを提案する。
オンラインデータストリームベースのEGFC法は、絶え間ないデータストリームから障害パターンを自律的に学習することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Power-quality disturbances lead to several drawbacks such as limitation of
the production capacity, increased line and equipment currents, and consequent
ohmic losses; higher operating temperatures, premature faults, reduction of
life expectancy of machines, malfunction of equipment, and unplanned outages.
Real-time detection and classification of disturbances are deemed essential to
industry standards. We propose an Evolving Gaussian Fuzzy Classification (EGFC)
framework for semi-supervised disturbance detection and classification combined
with a hybrid Hodrick-Prescott and Discrete-Fourier-Transform
attribute-extraction method applied over a landmark window of voltage
waveforms. Disturbances such as spikes, notching, harmonics, and oscillatory
transient are considered. Different from other monitoring systems, which
require offline training of models based on a limited amount of data and
occurrences, the proposed online data-stream-based EGFC method is able to learn
disturbance patterns autonomously from never-ending data streams by adapting
the parameters and structure of a fuzzy rule base on the fly. Moreover, the
fuzzy model obtained is linguistically interpretable, which improves model
acceptability. We show encouraging classification results.
- Abstract(参考訳): 電力品質の乱れは、生産能力の制限、ラインと機器の電流の増大、それに伴うオーミックな損失、高い運転温度、未熟な故障、機械の寿命の短縮、機器の故障、計画外の故障など、いくつかの欠点を引き起こした。
障害のリアルタイム検出と分類は、業界標準に不可欠であると考えられている。
本稿では,半教師付き外乱検出と分類のためのガウス的ファジィ分類(egfc)フレームワークと,ハイブリッドホドリック・プレスコット法と離散フーリエ変換属性抽出法を組み合わせた,電圧波形のランドマークウィンドウ上で適用する手法を提案する。
スパイク、ノッチング、ハーモニック、振動過渡といった乱れが考慮される。
限られたデータ量と発生量に基づいてモデルをオフラインでトレーニングする他のモニタリングシステムとは異なり,提案したオンラインデータストリームベースのEGFC法は,ファジィルールベースのパラメータや構造をオンザフライで適用することにより,絶え間ないデータストリームから障害パターンを自律的に学習することができる。
さらに、得られたファジィモデルは言語的に解釈可能であり、モデル受容性が向上する。
分類の結果を奨励する。
関連論文リスト
- AiGAS-dEVL: An Adaptive Incremental Neural Gas Model for Drifting Data Streams under Extreme Verification Latency [6.7236795813629]
ストリーミング設定では、データフローはパターン(コンセプトドリフト)の非定常性をもたらす要因によって影響を受ける。
本稿では,AiGAS-dEVLという新しい手法を提案する。これは,時間とともにストリーム内で検出されるすべての概念の分布を特徴付けるために,神経ガスの増大に依存する。
我々のアプローチは、時間とともにこれらの点の挙動をオンライン分析することで、特徴空間における概念の進化が定義できるようになることを明らかにしている。
論文 参考訳(メタデータ) (2024-07-07T14:04:57Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳(メタデータ) (2023-06-14T11:41:42Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z) - Power Quality Event Recognition and Classification Using an Online
Sequential Extreme Learning Machine Network based on Wavelets [0.0]
本研究では,過渡条件下での電力品質問題を検出するために,ウェーブレットに基づくオンラインシーケンス・エクストリーム・ラーニング・マシン(OS-ELM)分類器の試作と試験を行った。
様々なタイプのパワー障害を検出し、分類する能力を示すために、いくつかの一時的なイベントが使用された。
論文 参考訳(メタデータ) (2022-12-27T06:33:46Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳(メタデータ) (2022-08-31T18:19:25Z) - "Flux+Mutability": A Conditional Generative Approach to One-Class
Classification and Anomaly Detection [4.371371475735559]
異常検出は、標準モデルを超えた新しい物理を見つける最前線にある。
本稿では,Flux+Mutabilityと呼ばれる新しい機械学習アーキテクチャの実装について詳述する。
論文 参考訳(メタデータ) (2022-04-19T01:55:58Z) - Fault Detection and Diagnosis with Imbalanced and Noisy Data: A Hybrid
Framework for Rotating Machinery [2.580765958706854]
回転機械製造システムの保守コスト低減には, 故障診断が重要な役割を担っている。
従来のフォールト検出および診断(FDD)フレームワークは、現実の状況に対処する際のパフォーマンスが劣っている。
本稿では、上記の3つのコンポーネントを用いて、効果的な信号ベースFDDシステムを実現するハイブリッドフレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-09T01:09:59Z) - Overcoming Mode Collapse with Adaptive Multi Adversarial Training [5.09817514580101]
GAN(Generative Adversarial Networks)は、様々なアプリケーションで使用される生成モデルのクラスである。
GANは、ターゲット分布のいくつかのモードがジェネレータによって無視されるモード崩壊問題に悩まされていることが知られている。
本稿では,従来の世代形態を記憶するために,新たな差別者を適応的に生成する新たな訓練手法を提案する。
論文 参考訳(メタデータ) (2021-12-29T05:57:55Z) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳(メタデータ) (2021-06-04T18:03:31Z) - Risk Bounds for Over-parameterized Maximum Margin Classification on
Sub-Gaussian Mixtures [100.55816326422773]
線形分類問題に対する最大マージン分類器の現象について検討する。
その結果、良性的なオーバーフィットが起きる条件を正確に特徴づけます。
論文 参考訳(メタデータ) (2021-04-28T08:25:16Z) - Principal Component Density Estimation for Scenario Generation Using
Normalizing Flows [62.997667081978825]
低次元空間における正規化フローを設定する線形主成分分析(PCA)に基づく次元還元フロー層を提案する。
当社は、2013年から2015年までのドイツにおけるPVおよび風力発電のデータと負荷需要に関する主成分フロー(PCF)を訓練しています。
論文 参考訳(メタデータ) (2021-04-21T08:42:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。