論文の概要: Power System Event Identification based on Deep Neural Network with Information Loading

• arxiv url: http://arxiv.org/abs/2011.06718v2
• Date: Wed, 28 Apr 2021 21:48:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 00:45:26.570199
• Title: Power System Event Identification based on Deep Neural Network with Information Loading
• Title（参考訳）: 情報負荷を考慮したディープニューラルネットワークを用いた電力系統イベント同定
• Authors: Jie Shi, Brandon Foggo, Nanpeng Yu
• Abstract要約: 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
• 参考スコア（独自算出の注目度）: 6.237746217912897
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online power system event identification and classification is crucial to enhancing the reliability of transmission systems. In this paper, we develop a deep neural network (DNN) based approach to identify and classify power system events by leveraging real-world measurements from hundreds of phasor measurement units (PMUs) and labels from thousands of events. Two innovative designs are embedded into the baseline model built on convolutional neural networks (CNNs) to improve the event classification accuracy. First, we propose a graph signal processing based PMU sorting algorithm to improve the learning efficiency of CNNs. Second, we deploy information loading based regularization to strike the right balance between memorization and generalization for the DNN. Numerical studies results based on real-world dataset from the Eastern Interconnection of the U.S power transmission grid show that the combination of PMU based sorting and the information loading based regularization techniques help the proposed DNN approach achieve highly accurate event identification and classification results.
• Abstract（参考訳）: オンライン電力系統のイベント識別と分類は,伝送システムの信頼性向上に不可欠である。 本稿では、数百のファサー計測ユニット(PMU)と数千のイベントのラベルから実世界の計測値を活用することにより、電力系統イベントを識別・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を開発する。 2つの革新的な設計が畳み込みニューラルネットワーク(cnns)上に構築されたベースラインモデルに組み込まれ、イベント分類精度が向上している。 まず,CNNの学習効率を向上させるために,グラフ信号処理に基づくPMUソートアルゴリズムを提案する。 第2に,DNNの記憶と一般化の適切なバランスを打つために,情報負荷に基づく正規化をデプロイする。 米国電力送電網の東インターコネクトによる実世界のデータセットに基づく数値研究の結果、pmuに基づくソートと情報読み込みに基づく正規化技術の組み合わせは、提案するdnnアプローチが高精度な事象識別と分類結果を達成するのに役立つことが示された。

関連論文リスト

• Applying Self-supervised Learning to Network Intrusion Detection for Network Flows with Graph Neural Network [8.318363497010969]
  本稿では,教師なし型ネットワークフローの特定のためのGNNの適用について検討する。 我々の知る限り、NIDSにおけるネットワークフローのマルチクラス分類のための最初のGNNベースの自己教師方式である。
  論文  参考訳（メタデータ） (2024-03-03T12:34:13Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
  クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。 本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T05:26:08Z)
• Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for Event-Based Vision [64.71260357476602]
  イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。 イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。 本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-06T23:45:58Z)
• Learning Structures for Deep Neural Networks [99.8331363309895]
  我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。 スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。 公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
  論文  参考訳（メタデータ） (2021-05-27T12:27:24Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)
• Fusion of CNNs and statistical indicators to improve image classification [65.51757376525798]
  畳み込みネットワークは過去10年間、コンピュータビジョンの分野を支配してきた。 この傾向を長引かせる主要な戦略は、ネットワーク規模の拡大によるものだ。 我々は、異種情報ソースを追加することは、より大きなネットワークを構築するよりもCNNにとって費用対効果が高いと仮定している。
  論文  参考訳（メタデータ） (2020-12-20T23:24:31Z)
• Deep Neural Network based Wide-Area Event Classification in Power Systems [2.2442786393371725]
  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。
  論文  参考訳（メタデータ） (2020-08-24T01:32:57Z)
• Multi-Sample Online Learning for Probabilistic Spiking Neural Networks [43.8805663900608]
  スパイキングニューラルネットワーク(SNN)は、推論と学習のための生物学的脳の効率の一部をキャプチャする。 本稿では,一般化予測最大化(GEM)に基づくオンライン学習ルールを提案する。 標準ニューロモルフィックデータセットにおける構造化された出力記憶と分類実験の結果,ログの類似性,精度,キャリブレーションの点で大きな改善が見られた。
  論文  参考訳（メタデータ） (2020-07-23T10:03:58Z)
• File Classification Based on Spiking Neural Networks [0.5065947993017157]
  スパイクニューラルネットワーク(SNN)に基づく大規模データセットにおけるファイル分類システムを提案する。 提案システムは、推論タスクに対する古典的機械学習アルゴリズムの代替として有効なものである可能性がある。
  論文  参考訳（メタデータ） (2020-04-08T11:50:29Z)
• 1D CNN Based Network Intrusion Detection with Normalization on Imbalanced Data [0.19336815376402716]
  侵入検知システム(IDS)は、コンピュータネットワークにおいて、コンピュータ資源とデータを外部攻撃から保護する重要な役割を担っている。 最近のIDSは、予期せぬ、予測不能な攻撃に対するIDSの柔軟性と効率性を向上する課題に直面している。 1次元畳み込みニューラルネットワーク(1D-CNN)を用いた効率的かつ柔軟なIDS構築のための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-03-01T12:23:46Z)

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。