論文の概要: Unsupervised Event Detection, Clustering, and Use Case Exposition in Micro-PMU Measurements

• arxiv url: http://arxiv.org/abs/2007.15237v2
• Date: Sat, 30 Jan 2021 21:23:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-05 15:00:57.030349
• Title: Unsupervised Event Detection, Clustering, and Use Case Exposition in Micro-PMU Measurements
• Title（参考訳）: マイクロPMU計測における教師なしイベント検出, クラスタリング, ユースケース展示
• Authors: Armin Aligholian, Alireza Shahsavari, Emma Stewart, Ed Cortez, Hamed Mohsenian-Rad
• Abstract要約: 我々はGAN(Generative Adversarial Networks)の概念に基づく教師なしイベント検出手法を開発した。 また,線形混合整数計画法に基づく2段階のアン教師なしクラスタリング手法を提案する。 結果から,本研究で広く普及している手法に勝るものであることが示唆された。
• 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: Distribution-level phasor measurement units, a.k.a, micro-PMUs, report a large volume of high resolution phasor measurements which constitute a variety of event signatures of different phenomena that occur all across power distribution feeders. In order to implement an event-based analysis that has useful applications for the utility operator, one needs to extract these events from a large volume of micro-PMU data. However, due to the infrequent, unscheduled, and unknown nature of the events, it is often a challenge to even figure out what kind of events are out there to capture and scrutinize. In this paper, we seek to address this open problem by developing an unsupervised approach, which requires minimal prior human knowledge. First, we develop an unsupervised event detection method based on the concept of Generative Adversarial Networks (GAN). It works by training deep neural networks that learn the characteristics of the normal trends in micro-PMU measurements; and accordingly detect an event when there is any abnormality. We also propose a two-step unsupervised clustering method, based on a novel linear mixed integer programming formulation. It helps us categorize events based on their origin in the first step and their similarity in the second step. The active nature of the proposed clustering method makes it capable of identifying new clusters of events on an ongoing basis. The proposed unsupervised event detection and clustering methods are applied to real-world micro-PMU data. Results show that they can outperform the prevalent methods in the literature. These methods also facilitate our further analysis to identify important clusters of events that lead to unmasking several use cases that could be of value to the utility operator.
• Abstract（参考訳）: 配電レベルのファサー測定ユニット、すなわちマイクロPMUは、多量の高分解能ファザー測定を報告し、電源供給装置全体にわたって発生する様々な現象の様々な事象シグネチャを構成する。 ユーティリティオペレーターに有用なアプリケーションを持つイベントベースの分析を実装するには、大量のマイクロpmuデータからこれらのイベントを抽出する必要がある。 しかしながら、イベントの頻度が低く、スケジュールが未定で、未知の性質であるため、どのようなイベントが起きているのかを把握し、調査することさえ困難であることが多い。 本稿では,人間の知識を最小限に抑える,教師なしのアプローチを開発することで,このオープンな問題に対処しようとする。 まず,GAN(Generative Adversarial Networks)の概念に基づく教師なしイベント検出手法を提案する。 マイクロPMU測定では、通常のトレンドの特徴を学習するディープニューラルネットワークをトレーニングし、それに従って異常な事象を検出する。 また,新しい線形混合整数計画式に基づく2段階非教師なしクラスタリング手法を提案する。 これは、第1段階でのイベントの起源と第2段階での類似性に基づいて、イベントを分類するのに役立ちます。 提案手法のアクティブな性質により,新たなイベントのクラスタを継続的に特定することができる。 提案手法は実世界のマイクロPMUデータに適用される。 その結果,文献の一般的な手法を上回ることができることがわかった。 これらの手法は、ユーティリティーオペレーターにとって価値のあるいくつかのユースケースを解き放つ重要なイベントのクラスタを特定するために、さらに分析を容易にする。

関連論文リスト

• Event Detection via Probability Density Function Regression [0.0]
  本研究では、時間間隔定義イベント検出問題を再編成する一般化回帰に基づく手法を提案する。 コンピュータビジョンからの熱マップ回帰技術にインスパイアされた本手法は,事象発生時の確率密度を予測することを目的としている。 回帰に基づくアプローチは,様々な最先端のベースラインネットワークやデータセットのセグメンテーションに基づく手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-23T01:58:56Z)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• GraphPMU: Event Clustering via Graph Representation Learning Using Locationally-Scarce Distribution-Level Fundamental and Harmonic PMU Measurements [0.0]
  本稿では,配電系統における状況認識を高めるために,配電系統のファサー測定ユニット(D-PMU)が捉えた事象の種類と原因を特定する複雑な作業について述べる。 本稿では,グラフPMUと呼ばれる教師なしグラフ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2022-05-26T02:50:26Z)
• PILED: An Identify-and-Localize Framework for Few-Shot Event Detection [79.66042333016478]
  本研究では,事前学習した言語モデルから事象関連知識を引き出すために,クローゼプロンプトを用いた。 型固有のパラメータの数を最小化し、新しい型に対するイベント検出タスクに迅速に適応できるようにします。
  論文  参考訳（メタデータ） (2022-02-15T18:01:39Z)
• Semi-supervised New Event Type Induction and Description via Contrastive Loss-Enforced Batch Attention [56.46649994444616]
  マスク付きコントラスト損失を用いた半教師付き新しいイベント型誘導手法を提案する。 私たちは、発見したクラスタの型名を予測し、FrameNetフレームにリンクするという、2つの新しいタスクにアプローチを拡張しました。
  論文  参考訳（メタデータ） (2022-02-12T00:32:22Z)
• Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
  本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。 我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2021-10-19T17:41:43Z)
• Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
  本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。 我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
  論文  参考訳（メタデータ） (2021-09-13T20:50:37Z)
• Recomposition vs. Prediction: A Novel Anomaly Detection for Discrete Events Based On Autoencoder [5.781280693720236]
  侵入検知の分野で最も難しい問題の1つは、離散イベントログの異常検出である。 離散イベントログのDeep Autoencoderベースの異常検出手法であるDabLogを提案する。 解析(符号化)と再構成(復号化)により、シーケンスが正常または異常かどうかを判定します。
  論文  参考訳（メタデータ） (2020-12-27T16:31:05Z)
• A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
  近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。 通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-27T18:39:24Z)

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。