論文の概要: Bad-Data Sequence Detection for Power System State Estimation via
ICA-GAN
- arxiv url: http://arxiv.org/abs/2012.05163v1
- Date: Wed, 9 Dec 2020 16:53:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 08:08:58.443378
- Title: Bad-Data Sequence Detection for Power System State Estimation via
ICA-GAN
- Title(参考訳): ICA-GANによる電力系統状態推定のためのBad-Data Sequence Detection
- Authors: Kursat Rasim Mestav, Lang Tong
- Abstract要約: 電力系統における不良データシーケンスの検出に対する深層学習手法を提案する。
悪いデータモデルは、任意の自然データおよび逆データ異常を含む非パラメトリックである。
異常のないシステム操作におけるデータの確率分布は、非パラメトリック、未知、歴史的トレーニングサンプルである。
- 参考スコア(独自算出の注目度): 5.990174495635325
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A deep learning approach to the detection of bad-data sequences in power
systems is proposed. The bad-data model is nonparametric that includes
arbitrary natural and adversarial data anomalies. No historical samples of data
anomaly are assumed. The probability distribution of data in anomaly-free
system operations is also non-parametric, unknown, but with historical training
samples. A uniformity test is proposed based on a generative adversarial
network (GAN) that extracts independent components of the measurement sequence
via independent component analysis (ICA). Referred to as ICA-GAN, the developed
approach to bad-data sequence detection can be applied at the individual sensor
level or jointly at the system level. Numerical results demonstrate significant
improvement over the state-of-the-art solutions for a variety of bad-data cases
using PMU measurements from the EPFL smart grid testbed and that from the
synthetic Northern Texas grid.
- Abstract(参考訳): 電力系統における不良データ列検出のための深層学習手法を提案する。
悪いデータモデルは、任意の自然および逆データ異常を含む非パラメトリックである。
データ異常の歴史的なサンプルは仮定されていない。
異常のないシステム操作におけるデータの確率分布は、非パラメトリック、未知、歴史的トレーニングサンプルである。
独立成分分析(ICA)により測定シーケンスの独立成分を抽出するGAN(Generative Adversarial Network)に基づいて一様性試験を提案する。
ICA-GANと呼ばれるこの手法は、個々のセンサーレベルでも、システムレベルで共同でも、バッドデータシーケンス検出に応用できる。
EPFLスマートグリッドテストベッドのPMU測定値と合成北テキサスグリッドのPMU測定値を用いて, 各種悪いデータケースに対する最先端のソリューションよりも大幅に改善した。
関連論文リスト
- Electrical Grid Anomaly Detection via Tensor Decomposition [41.94295877935867]
従来の研究では、SCADAシステム内の異常を正確に識別するために次元減少に基づくアプローチが利用できることが示されている。
本研究では,SCADAシステムにおける異常を識別するために,テンソル分解法であるCanonical Polyadic Alternating Poisson Regressionを確率的枠組みで適用する。
実験では,ロスアラモス国立研究所が運営する電力網から収集した実世界のSCADAシステムデータをモデル化した。
論文 参考訳(メタデータ) (2023-10-12T18:23:06Z) - Distributed Nonlinear State Estimation in Electric Power Systems using
Graph Neural Networks [1.1470070927586016]
本稿では,非線形電力系統SEの増乗係数グラフ上での独自のグラフニューラルネットワークに基づくSEの実装を提案する。
提案した回帰モデルは、一度訓練された推論時間中に線形計算複雑性を持ち、分散実装の可能性がある。
論文 参考訳(メタデータ) (2022-07-23T08:54:24Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Causal Discovery from Sparse Time-Series Data Using Echo State Network [0.0]
時系列データ間の因果関係の発見は、症状の原因の診断に役立つ。
本稿では,2つの部分から構成される新しいシステムを提案する。第1部はガウスプロセス回帰を,第2部はエコー状態ネットワークを活用する。
本稿では,対応するマシューズ相関係数 (MCC) と受信器動作特性曲線 (ROC) について報告する。
論文 参考訳(メタデータ) (2022-01-09T05:55:47Z) - 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) - Anomaly Detection in Unsupervised Surveillance Setting Using Ensemble of
Multimodal Data with Adversarial Defense [0.3867363075280543]
本稿では,実時間画像とIMUセンサデータの異常度を推定するアンサンブル検出機構を提案する。
提案手法は,IEEE SP Cup-2020データセットで97.8%の精度で良好に動作する。
論文 参考訳(メタデータ) (2020-07-17T20:03:02Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳(メタデータ) (2020-04-15T06:13:33Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-24T08:26:58Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳(メタデータ) (2020-03-04T12:27:36Z) - Distribution Approximation and Statistical Estimation Guarantees of
Generative Adversarial Networks [82.61546580149427]
GAN(Generative Adversarial Networks)は教師なし学習において大きな成功を収めている。
本稿では,H'older空間における密度データ分布推定のためのGANの近似と統計的保証を提供する。
論文 参考訳(メタデータ) (2020-02-10T16:47:57Z) - Universal Data Anomaly Detection via Inverse Generative Adversary
Network [4.162663632560141]
異常データの配信にはトレーニングデータがない。
逆生成逆ネットワークに基づく半教師付き深層学習手法を提案する。
論文 参考訳(メタデータ) (2020-01-23T21:11:36Z)
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。