論文の概要: Intelligent Protection & Classification of Transients in Two-Core
Symmetric Phase Angle Regulating Transformers
- arxiv url: http://arxiv.org/abs/2006.09865v1
- Date: Wed, 17 Jun 2020 13:42:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 21:21:12.973171
- Title: Intelligent Protection & Classification of Transients in Two-Core
Symmetric Phase Angle Regulating Transformers
- Title（参考訳）: 2コア対称位相角制御変圧器の知的保護と過渡性の分類
- Authors: Pallav Kumar Bera, Can Isik
- Abstract要約: 内部断層は99.9%のバランス精度で検出され、故障ユニットは98.7%のバランス精度でローカライズされ、非デフォルトのトランジェントは99.5%のバランス精度で分類される。
提案手法は、既存のマイクロプロセッサベースのディファレンシャルリレーの動作を監視でき、安定性と信頼性が向上する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper investigates the applicability of time and time-frequency features
based classifiers to distinguish internal faults and other transients -
magnetizing inrush, sympathetic inrush, external faults with current
transformer saturation, and overexcitation - for Indirect Symmetrical Phase
Angle Regulating Transformers (ISPAR). Then the faulty transformer unit
(series/exciting) of the ISPAR is located, or else the transient disturbance is
identified. An event detector detects variation in differential currents and
registers one-cycle of 3-phase post transient samples which are used to extract
the time and time-frequency features for training seven classifiers. Three
different sets of features - wavelet coefficients, time-domain features, and
combination of time and wavelet energy - obtained from exhaustive search using
Decision Tree, random forest feature selection, and maximum Relevance Minimum
Redundancy are used. The internal fault is detected with a balanced accuracy of
99.9%, the faulty unit is localized with balanced accuracy of 98.7% and the
no-fault transients are classified with balanced accuracy of 99.5%. The results
show potential for accurate internal fault detection and localization, and
transient identification. The proposed scheme can supervise the operation of
existing microprocessor-based differential relays resulting in higher stability
and dependability. The ISPAR is modeled and the transients are simulated in
PSCAD/EMTDC by varying several parameters.
- Abstract（参考訳）: 本稿では, 時間・周波数特性に基づく分類器の適用性について検討し, 内部異常, 交感神経刺激, 外部異常, 変圧器飽和, 過励起を識別し, 間接対称位相角制御変換器 (ISPAR) に適用する。
そして、ISPARの故障トランスフォーマーユニット(シリーズ/エキサイティング)が位置し、又は過渡的障害が特定される。
イベント検出器は、差動電流の変動を検出し、7つの分類器を訓練するための時間および時間周波数の特徴を抽出するために使用される3相後過渡サンプルの1サイクルを登録する。
3つの異なる特徴 - ウェーブレット係数、時間領域特徴、時間とウェーブレットエネルギーの組み合わせ - 決定木を用いた徹底探索から得られた時間とウェーブレットエネルギー - 、ランダムフォレスト特徴の選択、最大有効最小冗長性。
内部故障を平衡精度99.9%で検出し、故障単位を平衡精度98.7%で局所化し、非断層過渡を平衡精度99.5%で分類する。
その結果, 正確な内部異常検出と局所化, 過渡的同定の可能性が示唆された。
提案手法は, 既存のマイクロプロセッサに基づくディファレンシャルリレーの動作を監視できるため, 安定性と信頼性が向上する。
ISPARはモデル化され、過渡度は様々なパラメータによってPSCAD/EMTDCでシミュレートされる。
関連論文リスト
- Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - Variability-Aware Approximate Circuit Synthesis via Genetic Optimization [13.42152378784862]
CMOSデバイスがナノメートルスケールで直面する大きな障壁の1つは、製造不完全性によるパラメータ変動の増加である。
それまでの取り組みでは、動作周波数上の悲観的かつ性能劣化のタイミングガードバンドを強制していた。
可変性を考慮した近似回路を生成するための回路に依存しない自動フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-23T18:29:26Z) - Stochastic Latent Transformer: Efficient Modelling of Stochastically
Forced Zonal Jets [0.0]
本稿では,SLT(Stochastic Latent Transformer)という新しい確率論的学習手法を提案する。
SLTは、様々な統合期間にわたってシステムダイナミクスを正確に再現し、定量的診断を通じて検証する。
水平平均流をエミュレートする際の5次のマグニチュードスピードアップを実現する。
論文 参考訳（メタデータ） (2023-10-25T16:17:00Z) - Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。
実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
論文 参考訳（メタデータ） (2023-10-17T06:29:09Z) - Robust and Efficient Fault Diagnosis of mm-Wave Active Phased Arrays
using Baseband Signal [10.64967731507698]
5Gおよび6G無線における1つの重要な通信ブロックは、アクティブフェイズドアレイ(APA)である。
本稿では, ベースバンド内位相に隠された特徴を抽出するためのDeep Neural Network (DNN) を利用した新しい手法を提案する。
APAの欠陥要素やコンポーネントの迅速かつ正確な診断には、1つの測定ポイントに1つのプローブしか必要としない。
論文 参考訳（メタデータ） (2023-06-07T11:46:14Z) - Diagnostic Spatio-temporal Transformer with Faithful Encoding [54.02712048973161]
本稿では,データ生成プロセスが複合時間(ST)依存性を持つ場合の異常診断の課題について述べる。
我々は、ST依存を時系列分類の副産物として学習する、教師付き依存発見として問題を定式化する。
既存のST変圧器で使用される時間的位置符号化は、高周波数(短時間スケール)の周波数をキャプチャする重大な制限を有することを示す。
また、空間的および時間的方向の両方で容易に消費可能な診断情報を提供する新しいST依存性発見フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-26T05:31:23Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z) - Data-driven design of fault diagnosis for three-phase PWM rectifier
using random forests technique with transient synthetic features [2.382536770336505]
3相パルス幅変調(PWM)は通常、絶縁ゲートバイポーラトランジスタ(IGBT)の開回路欠陥の発生時に動作を維持することができる。
データ駆動型オンライン故障診断手法を提案する。
論文 参考訳（メタデータ） (2022-11-02T05:48:30Z) - Fault diagnosis for three-phase PWM rectifier based on deep feedforward
network with transient synthetic features [0.0]
過渡的な合成特徴を持つディープフィードフォワードネットワークに基づく断層診断手法を提案する。
平均断層診断精度は、過渡的な合成断層データに対して97.85%に達する。
オンライン断層診断実験により,本手法が故障IGBTを正確に検出できることが判明した。
論文 参考訳（メタデータ） (2022-11-01T02:32:20Z) - The Lazy Neuron Phenomenon: On Emergence of Activation Sparsity in
Transformers [59.87030906486969]
本稿では,Transformer アーキテクチャを用いた機械学習モデルにおいて,アクティベーションマップが疎いという興味深い現象について考察する。
本稿では, 自然言語処理と視覚処理の両方において, スパーシリティが顕著な現象であることを示す。
本稿では,変換器のFLOP数を大幅に削減し,効率を向上する手法について論じる。
論文 参考訳（メタデータ） (2022-10-12T15:25:19Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z)
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。