論文の概要: Time Series Anomaly Detection for Smart Grids: A Survey

• arxiv url: http://arxiv.org/abs/2107.08835v1
• Date: Fri, 16 Jul 2021 14:33:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-20 14:37:17.355913
• Title: Time Series Anomaly Detection for Smart Grids: A Survey
• Title（参考訳）: スマートグリッドの時系列異常検出に関する調査
• Authors: Jiuqi (Elise) Zhang, Di Wu, Benoit Boulet
• Abstract要約: 異常な行動は ユーザーの異常な消費パターン 欠陥のあるグリッドインフラ 停電 外部のサイバー攻撃 エネルギー詐欺によって引き起こされる 電力グリッド時系列データにおける異常検出のための様々な手法が提案されている。 本稿では,電力網異常検出領域における現在の研究課題について概説し,主要な異常検出手法について概説する。
• 参考スコア（独自算出の注目度）: 2.3853342967891074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid increase in the integration of renewable energy generation and the wide adoption of various electric appliances, power grids are now faced with more and more challenges. One prominent challenge is to implement efficient anomaly detection for different types of anomalous behaviors within power grids. These anomalous behaviors might be induced by unusual consumption patterns of the users, faulty grid infrastructures, outages, external cyberattacks, or energy fraud. Identifying such anomalies is of critical importance for the reliable and efficient operation of modern power grids. Various methods have been proposed for anomaly detection on power grid time-series data. This paper presents a short survey of the recent advances in anomaly detection for power grid time-series data. Specifically, we first outline current research challenges in the power grid anomaly detection domain and further review the major anomaly detection approaches. Finally, we conclude the survey by identifying the potential directions for future research.
• Abstract（参考訳）: 再生可能エネルギーの統合が急速に増加し、様々な電化製品が広く採用されるようになると、電力網はますます課題に直面している。 1つの顕著な課題は、電力グリッド内の様々な種類の異常な振る舞いに対する効率的な異常検出を実装することである。 これらの異常な振る舞いは、ユーザの異常な消費パターン、障害のあるグリッドインフラストラクチャ、障害、外部のサイバー攻撃、あるいはエネルギー詐欺によって引き起こされる可能性がある。 このような異常を同定することは、現代の電力網の信頼性と効率的な運用において重要である。 電力グリッド時系列データにおける異常検出のための様々な手法が提案されている。 本稿では,電力系統時系列データの異常検出手法の最近の進歩について概説する。 具体的には,まず,電力グリッド異常検出領域における最近の研究課題を概説し,さらに主要な異常検出手法について検討する。 最後に,今後の研究の方向性を明らかにすることで調査を締めくくる。

関連論文リスト

• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Anomaly Detection Techniques in Smart Grid Systems: A Review [0.0]
  スマートグリッドデータは、サイバーセキュリティ、障害検出、電気盗難など、多数の分野における異常検出のために評価することができる。 奇妙な異常な行動は、消費者の独特の消費パターン、グリッドインフラの故障、停電、外部のサイバー攻撃、エネルギー不正など、様々な理由で引き起こされた可能性がある。 スマートグリッドにおける最も重要な課題の1つは、複数の形態の異常な振る舞いに対する効率的な異常検出の実装である。
  論文  参考訳（メタデータ） (2023-06-04T20:45:14Z)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• 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)
• 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)
• Smart Meter Data Anomaly Detection using Variational Recurrent Autoencoders with Attention [0.0]
  本稿では,アテンション機構を備えた変分リカレントオートエンコーダに基づく教師なし異常検出手法を提案する。 スマートメーターの「汚れ」データを用いて、学習中の貢献度を減少させるために、欠落した値とグローバルな異常を事前に検出する。
  論文  参考訳（メタデータ） (2022-06-08T19:39:51Z)
• Dynamic Graph-Based Anomaly Detection in the Electrical Grid [28.298564763776803]
  動的グリッド上に配置されたセンサを用いた異常検出のためのドメイン知識に基づくトポロジ認識アルゴリズムDYNWATCHを提案する。 私たちのアプローチは正確であり、実験では既存のアプローチを20%以上上回る(F-Measure)。高速で、ラップトップコンピュータを使用して60K+ブランチケース上のセンサー1時間当たり平均1.7ミリ秒未満で実行し、グラフのサイズを線形にスケーリングします。
  論文  参考訳（メタデータ） (2020-12-30T02:25:07Z)
• F-FADE: Frequency Factorization for Anomaly Detection in Edge Streams [53.70940420595329]
  エッジストリームにおける異常検出のための新しいアプローチであるF-FADEを提案する。 ノード対間の相互作用の周波数の時間進化分布を効率的にモデル化するために、新しい周波数分解技術を用いる。 F-FADEは、一定メモリしか必要とせず、時間的および構造的な変化を伴う幅広い種類の異常をオンラインストリーミング環境で処理できる。
  論文  参考訳（メタデータ） (2020-11-09T19:55:40Z)
• Artificial Intelligence based Anomaly Detection of Energy Consumption in Buildings: A Review, Current Trends and New Perspectives [2.1874189959020423]
  本稿では,人工知能を用いたエネルギー消費構築のための,既存の異常検出フレームワークの詳細なレビューを行う。 著者の知識を最大限に活用するために、エネルギー消費の構築における異常検出について論じる最初のレビュー記事である。
  論文  参考訳（メタデータ） (2020-10-09T13:28:34Z)
• 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)

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。