Fugu-MT 論文翻訳(概要): Frequency-based Multi Task learning With Attention Mechanism for Fault Detection In Power Systems

論文の概要: Frequency-based Multi Task learning With Attention Mechanism for Fault Detection In Power Systems

arxiv url: http://arxiv.org/abs/2009.06825v1
Date: Tue, 15 Sep 2020 02:01:47 GMT
ステータス: 処理完了
システム内更新日: 2022-10-18 06:34:14.465024
Title: Frequency-based Multi Task learning With Attention Mechanism for Fault Detection In Power Systems
Title（参考訳）: 電力系統における故障検出のための注意機構を用いた周波数ベースマルチタスク学習
Authors: Peyman Tehrani, Marco Levorato
Abstract要約: 本稿では,障害検出のための新しいディープラーニングベースのアプローチを導入し,実際のデータセット,すなわち部分放電検出タスクのためのKaggleプラットフォーム上でテストする。提案手法では,時系列の特徴を抽出するためのアテンション機構を備えたLong-Short Term Memoryアーキテクチャを採用し,信号の周波数情報を利用した1D-Convolutional Neural Network構造を用いて予測を行う。
参考スコア（独自算出の注目度）: 6.4332733596587115
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The prompt and accurate detection of faults and abnormalities in electric transmission lines is a critical challenge in smart grid systems. Existing methods mostly rely on model-based approaches, which may not capture all the aspects of these complex temporal series. Recently, the availability of data sets collected using advanced metering devices, such as Micro-Phasor Measurement units ($\mu$ PMU), which provide measurements at microsecond timescale, boosted the development of data-driven methodologies. In this paper, we introduce a novel deep learning-based approach for fault detection and test it on a real data set, namely, the Kaggle platform for a partial discharge detection task. Our solution adopts a Long-Short Term Memory architecture with attention mechanism to extract time series features, and uses a 1D-Convolutional Neural Network structure to exploit frequency information of the signal for prediction. Additionally, we propose an unsupervised method to cluster signals based on their frequency components, and apply multi task learning on different clusters. The method we propose outperforms the winner solutions in the Kaggle competition and other state of the art methods in many performance metrics, and improves the interpretability of analysis.
Abstract（参考訳）: 送電線の故障や異常の迅速かつ正確な検出は、スマートグリッドシステムにおける重要な課題である。既存の手法は主にモデルに基づくアプローチに依存しており、これら複雑な時間系列の全ての側面を捉えることはできないかもしれない。近年、マイクロ秒の時間スケールで測定を行うマイクロパス計測装置(PMU)などの先進的な計測装置を用いて収集されたデータセットが利用可能になり、データ駆動手法の開発が促進された。本稿では,障害検出のための新しい深層学習に基づく手法を提案し,それを実際のデータセット,すなわち部分放電検出タスクのためのkaggleプラットフォーム上でテストする。提案手法は,時系列特徴抽出のための注意機構を備えた長期記憶アーキテクチャを採用し,信号の周波数情報を利用した1次元畳み込みニューラルネットワーク構造を用いて予測を行う。さらに,その周波数成分に基づいて信号をクラスタ化するための教師なし手法を提案し,異なるクラスタにマルチタスク学習を適用する。提案手法は,kaggleコンペティションの勝者ソリューションや,様々なパフォーマンス指標におけるartメソッドの他の状態よりも優れており,解析の解釈性が向上する。

関連論文リスト

Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
論文参考訳（メタデータ） (2024-10-11T09:36:38Z)
Machine Learning in Short-Reach Optical Systems: A Comprehensive Survey [2.425630641479336]
本稿では,短距離通信における機械学習技術の応用について概説する。本稿では,機械学習信号処理における時系列手法の新しい分類法を提案する。我々は,短時間の光通信システムにおいて,より実用的で効率的な機械学習アプローチの展開の道を開くことを目的としている。
論文参考訳（メタデータ） (2024-05-02T16:04:30Z)
Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文参考訳（メタデータ） (2024-01-11T10:10:16Z)
Unsupervised Learning for Fault Detection of HVAC Systems: An OPTICS -based Approach for Terminal Air Handling Units [1.0878040851638]
本研究では,ターミナルエアハンドリングユニットとその関連システムにおける故障を検出するための教師なし学習戦略を提案する。この手法は、主成分分析を用いて歴史的センサデータを前処理して次元を合理化する。その結果,オプティクスは季節ごとの精度で常にk平均を上回っていた。
論文参考訳（メタデータ） (2023-12-18T18:08:54Z)
Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文参考訳（メタデータ） (2023-04-21T02:20:24Z)
Anomaly Detection with Ensemble of Encoder and Decoder [2.8199078343161266]
電力網における異常検出は、電力系統に対するサイバー攻撃による異常を検出し、識別することを目的としている。本稿では,複数のエンコーダとデコーダを用いて正規サンプルのデータ分布をモデル化し,新しい異常検出手法を提案する。ネットワーク侵入と電力系統データセットの実験結果から,提案手法の有効性が示された。
論文参考訳（メタデータ） (2023-03-11T15:49:29Z)
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)
Hybridization of Capsule and LSTM Networks for unsupervised anomaly detection on multivariate data [0.0]
本稿では,Long-Short-Term-Memory(LSTM)とCapsule Networksを1つのネットワークに結合した新しいNNアーキテクチャを提案する。提案手法は教師なし学習手法を用いて大量のラベル付きトレーニングデータを見つける際の問題を克服する。
論文参考訳（メタデータ） (2022-02-11T10:33:53Z)
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)
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文参考訳（メタデータ） (2020-09-16T15:52:04Z)
A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文参考訳（メタデータ） (2020-03-18T05:56:27Z)

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。