論文の概要: Event Cause Analysis in Distribution Networks using Synchro Waveform Measurements

• arxiv url: http://arxiv.org/abs/2008.11582v1
• Date: Tue, 25 Aug 2020 01:25:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 04:36:23.481205
• Title: Event Cause Analysis in Distribution Networks using Synchro Waveform Measurements
• Title（参考訳）: シンクロ波形計測による配電網の事象原因解析
• Authors: Iman Niazazari, Hanif Livani, Amir Ghasemkhani, Yunchuan Liu, and Lei Yang
• Abstract要約: 本稿では,配信ネットワークにおける状況認識を高めるために,事象原因分析のための機械学習手法を提案する。 提案手法は,機械学習,畳み込みニューラルネットワーク(CNN)に基づく。
• 参考スコア（独自算出の注目度）: 2.3780731536926165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a machine learning method for event cause analysis to enhance situational awareness in distribution networks. The data streams are captured using time-synchronized high sampling rates synchro waveform measurement units (SWMU). The proposed method is formulated based on a machine learning method, the convolutional neural network (CNN). This method is capable of capturing the spatiotemporal feature of the measurements effectively and perform the event cause analysis. Several events are considered in this paper to encompass a range of possible events in real distribution networks, including capacitor bank switching, transformer energization, fault, and high impedance fault (HIF). The dataset for our study is generated using the real-time digital simulator (RTDS) to simulate real-world events. The event cause analysis is performed using only one cycle of the voltage waveforms after the event is detected. The simulation results show the effectiveness of the proposed machine learning-based method compared to the state-of-the-art classifiers.
• Abstract（参考訳）: 本稿では,配信ネットワークにおける状況認識を高めるために,イベント原因分析のための機械学習手法を提案する。 データストリームは、時間同期高サンプリングレート同期波形測定ユニット(SWMU)を用いてキャプチャされる。 提案手法は,機械学習,畳み込みニューラルネットワーク(CNN)に基づいて定式化されている。 本発明の方法は、測定の時空間的特徴を効果的に捉え、事象原因分析を行うことができる。 本稿では,キャパシタバンクスイッチング,変圧器のエネルギ化,故障,高インピーダンス障害(hif)など,実分散ネットワークで起こりうる事象を包含するイベントについて検討する。 本研究のデータセットはリアルタイムデジタルシミュレータ(RTDS)を用いて生成し,実世界のイベントをシミュレートする。 事象が検出された後、電圧波形の1サイクルのみを用いて事象原因解析を行う。 シミュレーションの結果,提案手法の有効性を,最先端の分類器と比較した。

関連論文リスト

• Joint Microseismic Event Detection and Location with a Detection Transformer [8.505271826735118]
  イベント検出とソース位置をひとつのフレームワークに統合する手法を提案する。 提案するネットワークは、ランダムな震源位置に対応する複数の微小地震事象をシミュレートした合成データに基づいて訓練される。
  論文  参考訳（メタデータ） (2023-07-16T10:56:46Z)
• DynamoPMU: A Physics Informed Anomaly Detection and Prediction Methodology using non-linear dynamics from $\mu$PMU Measurement Data [0.0]
  我々は、$mu$PMUストリーミングデータの異常を検知し、制御方程式を用いてイベントを同時に予測する物理力学に基づくアプローチを開発した。 提案手法の有効性を,LBNL分布グリッドから得た実際の$mu$PMUデータの解析により実証する。
  論文  参考訳（メタデータ） (2023-03-31T19:32:24Z)
• Generative Adversarial Networks for Scintillation Signal Simulation in EXO-200 [0.13246303154954686]
  EXO-200実験の時間投影チャンバーからの光検出器信号のシミュレーションを行うための新しい手法を実証した。 従来のシミュレーション手法よりも桁違いに高速に高品質なシミュレーション波形を生成できることがわかった。 ネットワーク出力はEXO-200分析フレームワークに統合され、標準的なEXO-200再構成ルーチンがシミュレーション波形を処理し、実際の波形に匹敵するエネルギーを生成することを示す。
  論文  参考訳（メタデータ） (2023-03-11T05:16:20Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• 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)
• Machine Learning Link Inference of Noisy Delay-coupled Networks with Opto-Electronic Experimental Tests [1.0766846340954257]
  我々は,時間遅延のあるネットワークリンクを推論する一般的な問題を解決するために,機械学習手法を考案した。 まず、未知のネットワークのダイナミクスを模倣するために、貯水池コンピューティングとして知られる機械学習システムを訓練する。 本研究では, 貯留層出力層のトレーニングパラメータを用いて未知のネットワーク構造の推定を導出する手法を定式化し, 検証する。
  論文  参考訳（メタデータ） (2020-10-29T00:24:13Z)
• Data Augmentation at the LHC through Analysis-specific Fast Simulation with Deep Learning [4.666011151359189]
  本稿では,大規模解析用データセットを作成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基づく高速シミュレーションアプリケーションを提案する。 本稿では,大量のジェネレータレベルのイベントから始まる高速シミュレーションワークフローを提案する。
  論文  参考訳（メタデータ） (2020-10-05T07:48:45Z)
• Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
  我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。 ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
  論文  参考訳（メタデータ） (2020-07-08T21:23:19Z)

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。