論文の概要: Deep Neural Network based Wide-Area Event Classification in Power Systems

• arxiv url: http://arxiv.org/abs/2008.10151v1
• Date: Mon, 24 Aug 2020 01:32:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 12:35:31.068525
• Title: Deep Neural Network based Wide-Area Event Classification in Power Systems
• Title（参考訳）: 深部ニューラルネットワークを用いた電力系統の広域事象分類
• Authors: Iman Niazazari, Amir Ghasemkhani, Yunchuan Liu, Shuchismita Biswas, Hanif Livani, Lei Yang, Virgilio Centeno
• Abstract要約: 時間同期型ファーザー計測ユニット(PMU)のデータに基づいて、ディープニューラルネットワーク(DNN)に基づく分類を開発する。 提案した事象分類の有効性は、米国送電網の実際のデータセットを通して検証される。
• 参考スコア（独自算出の注目度）: 2.2442786393371725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a wide-area event classification in transmission power grids. The deep neural network (DNN) based classifier is developed based on the availability of data from time-synchronized phasor measurement units (PMUs). The proposed DNN is trained using Bayesian optimization to search for the best hyperparameters. The effectiveness of the proposed event classification is validated through the real-world dataset of the U.S. transmission grids. This dataset includes line outage, transformer outage, frequency event, and oscillation events. The validation process also includes different PMU outputs, such as voltage magnitude, angle, current magnitude, frequency, and rate of change of frequency (ROCOF). The simulation results show that ROCOF as input feature gives the best classification performance. In addition, it is shown that the classifier trained with higher sampling rate PMUs and a larger dataset has higher accuracy.
• Abstract（参考訳）: 本稿では,送電系統における広域イベント分類について述べる。 深部ニューラルネットワーク(DNN)に基づく分類器は、PMU(Time-synchronized phasor Measurement Unit)からのデータの可用性に基づいて開発された。 提案したDNNはベイズ最適化を用いて最適なハイパーパラメータを探索する。 提案するイベント分類の有効性は、米国送電網の実世界データセットを通じて検証される。 このデータセットは、回線停止、変圧器停止、周波数イベント、振動イベントを含む。 検証プロセスには、電圧等級、角度、電流等級、周波数、周波数変化率(ROCOF)などの異なるPMU出力も含まれている。 シミュレーションの結果,入力特徴としてrocofが最適分類性能を示している。 さらに, より高サンプリング率PMUと高データセットで訓練した分類器は, 精度が高いことを示した。

関連論文リスト

• CMTNet: Convolutional Meets Transformer Network for Hyperspectral Images Classification [3.821081081400729]
  現在の畳み込みニューラルネットワーク(CNN)は、ハイパースペクトルデータの局所的な特徴に焦点を当てている。 Transformerフレームワークは、ハイパースペクトル画像からグローバルな特徴を抽出する。 本研究は、CMTNet(Convolutional Meet Transformer Network)を紹介する。
  論文  参考訳（メタデータ） (2024-06-20T07:56:51Z)
• FFEINR: Flow Feature-Enhanced Implicit Neural Representation for Spatio-temporal Super-Resolution [4.577685231084759]
  本稿では,フローフィールドデータの超高分解能化のための特徴強調型ニューラルインシシット表現(FFEINR)を提案する。 モデル構造とサンプリング分解能の観点から、暗黙のニューラル表現を最大限に活用することができる。 FFEINRのトレーニングプロセスは、入力層に機能拡張を導入することで容易になる。
  論文  参考訳（メタデータ） (2023-08-24T02:28:18Z)
• Transformers Can Do Bayesian Inference [56.99390658880008]
  我々はPFN(Presideed Data Fitted Networks)を提案する。 PFNは、大規模機械学習技術におけるインコンテキスト学習を活用して、大規模な後部集合を近似する。 我々は、PFNがガウス過程をほぼ完璧に模倣し、難解問題に対する効率的なベイズ推定を可能にすることを示した。
  論文  参考訳（メタデータ） (2021-12-20T13:07:39Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• 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)
• Deep Transformer Networks for Time Series Classification: The NPP Safety Case [59.20947681019466]
  時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。 トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
  論文  参考訳（メタデータ） (2021-04-09T14:26:25Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Power System Event Identification based on Deep Neural Network with Information Loading [6.237746217912897]
  電力系統イベントを特定し分類するためのディープニューラルネットワーク(DNN)ベースのアプローチ。 畳み込みニューラルネットワーク(CNN)上に構築されたベースラインモデルに、2つの革新的な設計が組み込まれている
  論文  参考訳（メタデータ） (2020-11-13T01:53:03Z)
• CURIE: A Cellular Automaton for Concept Drift Detection [25.314158724575915]
  データストリームマイニングは、高速かつ連続的に流れる大量のデータから情報を抽出する。 これらはデータ分布の変化に影響され、概念ドリフト(concept drift)と呼ばれる現象が引き起こされる。 本研究では,セルオートマトンを利用したドリフト検出器CU RIEを提案する。
  論文  参考訳（メタデータ） (2020-09-21T08:28:21Z)
• Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection [121.28769542994664]
  オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。 本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
  論文  参考訳（メタデータ） (2020-09-17T07:39:52Z)

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。