論文の概要: Deep Learning for High-Impedance Fault Detection: Convolutional Autoencoders

• arxiv url: http://arxiv.org/abs/2106.13276v1
• Date: Thu, 24 Jun 2021 18:58:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-29 02:49:27.110916
• Title: Deep Learning for High-Impedance Fault Detection: Convolutional Autoencoders
• Title（参考訳）: 高インピーダンス故障検出のための深層学習:畳み込みオートエンコーダ
• Authors: Khushwant Rai, Farnam Hojatpanah, Firouz Badrkhani Ajaei, and Katarina Grolinger
• Abstract要約: 高インピーダンス断層(HIF)は、電流振幅が低く、非常に多様な特性のため、検出が困難である。 機械学習(ML)は、データからパターンを学習し、HIFを正常に検出するため、HIF検出で人気を集めている。 本稿では教師なし学習を活用し,HIF検出のための畳み込みオートエンコーダフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-impedance faults (HIF) are difficult to detect because of their low current amplitude and highly diverse characteristics. In recent years, machine learning (ML) has been gaining popularity in HIF detection because ML techniques learn patterns from data and successfully detect HIFs. However, as these methods are based on supervised learning, they fail to reliably detect any scenario, fault or non-fault, not present in the training data. Consequently, this paper takes advantage of unsupervised learning and proposes a convolutional autoencoder framework for HIF detection (CAE-HIFD). Contrary to the conventional autoencoders that learn from normal behavior, the convolutional autoencoder (CAE) in CAE-HIFD learns only from the HIF signals eliminating the need for presence of diverse non-HIF scenarios in the CAE training. CAE distinguishes HIFs from non-HIF operating conditions by employing cross-correlation. To discriminate HIFs from transient disturbances such as capacitor or load switching, CAE-HIFD uses kurtosis, a statistical measure of the probability distribution shape. The performance evaluation studies conducted using the IEEE 13-node test feeder indicate that the CAE-HIFD reliably detects HIFs, outperforms the state-of-the-art HIF detection techniques, and is robust against noise.
• Abstract（参考訳）: 高インピーダンス断層(HIF)は、電流振幅が低く、非常に多様な特性のため検出が難しい。 近年,ML技術はデータからパターンを学習し,HIFの検出に成功しているため,HIF検出において機械学習(ML)が普及している。 しかしながら、これらの手法は教師付き学習に基づいているため、トレーニングデータに存在しないいかなるシナリオ、障害、非デフォルトも確実に検出できない。 そこで本稿では教師なし学習を活用し,HIF検出のための畳み込みオートエンコーダフレームワークを提案する。 通常の行動から学習する従来のオートエンコーダとは対照的に、CAE-HIFDの畳み込みオートエンコーダ(CAE)は、CEEトレーニングにおける多様な非HIFシナリオの存在を排除したHIF信号からのみ学習する。 CAEはHIFと非HIF操作条件を相互相関を用いて区別する。 コンデンサや負荷切替などの過渡的障害からHIFを識別するために、CAE-HIFDは確率分布形状の統計的尺度であるカルトーシスを用いる。 IEEE 13-node test feeder を用いて行った性能評価の結果,CEE-HIFD は HIF を確実に検出し,最先端の HIF 検出技術より優れ,ノイズに対して堅牢であることが示された。

関連論文リスト

• Joint Attention-Guided Feature Fusion Network for Saliency Detection of Surface Defects [69.39099029406248]
  本稿では,エンコーダ・デコーダネットワークに基づく表面欠陥検出のための共同注意誘導型特徴融合ネットワーク(JAFFNet)を提案する。 JAFFNetは、主にJAFFモジュールをデコードステージに組み込んで、低レベルと高レベルの機能を適応的に融合させる。 SD- Saliency-900, Magnetic tile, and DAGM 2007 で行った実験から,本手法が他の最先端手法と比較して有望な性能を達成できたことが示唆された。
  論文  参考訳（メタデータ） (2024-02-05T08:10:16Z)
• A Data-Driven Approach for High-Impedance Fault Localization in Distribution Systems [5.6874061098584345]
  低電流のため, 従来の過電流リレーによるHIFの検出は困難である。 本稿では,HIFイベントの識別のためのデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2023-11-26T02:52:37Z)
• Performance evaluation of Machine learning algorithms for Intrusion Detection System [0.40964539027092917]
  本稿では機械学習(ML)技術を用いた侵入検知システム(IDS)の解析に焦点を当てた。 機械学習モデルのトレーニングと検証に使用されるKDD CUP-'99'侵入検出データセットを分析した。
  論文  参考訳（メタデータ） (2023-10-01T06:35:37Z)
• PAC-Based Formal Verification for Out-of-Distribution Data Detection [4.406331747636832]
  本研究は、VAEの符号化プロセスを用いて、OOD検出に基づくほぼ正しい(PAC)保証を行う。 ユーザ定義の信頼性で不慣れなインスタンスに検出エラーをバインドするために使用される。
  論文  参考訳（メタデータ） (2023-04-04T07:33:02Z)
• Unsupervised High Impedance Fault Detection Using Autoencoder and Principal Component Analysis [0.0]
  本稿では,オートエンコーダと主成分分析に基づくモニタリング技術を用いた教師なしHIF検出フレームワークを提案する。 提案手法の性能を4.16kVの分布系から収集した実データを用いて検証した。
  論文  参考訳（メタデータ） (2023-01-05T01:35:32Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• Learn what you can't learn: Regularized Ensembles for Transductive Out-of-distribution Detection [76.39067237772286]
  ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。 本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。 本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T16:55:13Z)
• Why Normalizing Flows Fail to Detect Out-of-Distribution Data [51.552870594221865]
  正規化フローは、イン・オブ・ディストリビューションデータとアウト・オブ・ディストリビューションデータの区別に失敗する。 フローは局所的な画素相関と画像からラテンス空間への変換を学習する。 フロー結合層のアーキテクチャを変更することで、ターゲットデータのセマンティック構造を学ぶためのフローに偏りがあることが示される。
  論文  参考訳（メタデータ） (2020-06-15T17:00:01Z)
• Implicit supervision for fault detection and segmentation of emerging fault types with Deep Variational Autoencoders [1.160208922584163]
  本研究では,ラベル付きおよびラベルなしサンプルを用いた可変オートエンコーダ(VAE)を提案する。 これによりコンパクトで情報に富んだ潜在表現が生成され、未確認のフォールトタイプの検出とセグメンテーションが良好になる。 本研究では,提案手法が他の学習方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2019-12-28T18:40:33Z)

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。