論文の概要: Detecting and interpreting faults in vulnerable power grids with machine
learning
- arxiv url: http://arxiv.org/abs/2108.07060v1
- Date: Mon, 16 Aug 2021 12:54:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-17 14:52:26.853804
- Title: Detecting and interpreting faults in vulnerable power grids with machine
learning
- Title（参考訳）: 機械学習による脆弱電力網の故障検出と解釈
- Authors: Odin Foldvik Eikeland, Inga Sets{\aa} Holmstrand, Sigurd Bakkejord,
Matteo Chiesa, Filippo Maria Bianchi
- Abstract要約: 未スケジュールの電力障害は、顧客とグリッドオペレータの両方に深刻な結果をもたらす。
本研究では,北極圏のノルウェー人コミュニティの電力網に焦点をあてる。
機械学習技術を用いて断層の発生を予測する。
- 参考スコア（独自算出の注目度）: 3.29419980898768
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unscheduled power disturbances cause severe consequences both for customers
and grid operators. To defend against such events, it is necessary to identify
the causes of interruptions in the power distribution network. In this work, we
focus on the power grid of a Norwegian community in the Arctic that experiences
several faults whose sources are unknown. First, we construct a data set
consisting of relevant meteorological data and information about the current
power quality logged by power-quality meters. Then, we adopt machine-learning
techniques to predict the occurrence of faults. Experimental results show that
both linear and non-linear classifiers achieve good classification performance.
This indicates that the considered power-quality and weather variables explain
well the power disturbances. Interpreting the decision process of the
classifiers provides valuable insights to understand the main causes of
disturbances. Traditional features selection methods can only indicate which
are the variables that, on average, mostly explain the fault occurrences in the
dataset. Besides providing such a global interpretation, it is also important
to identify the specific set of variables that explain each individual fault.
To address this challenge, we adopt a recent technique to interpret the
decision process of a deep learning model, called Integrated Gradients. The
proposed approach allows to gain detailed insights on the occurrence of a
specific fault, which are valuable for the distribution system operators to
implement strategies to prevent and mitigate power disturbances.
- Abstract（参考訳）: 予定外の停電は、顧客とグリッドオペレーターの両方に深刻な影響をもたらす。
このような事態に対処するためには、配電ネットワークにおける割り込みの原因を特定する必要がある。
本研究は,北極圏のノルウェー人コミュニティの電力網に焦点をあて,その原因が不明ないくつかの障害を経験する。
まず,関連する気象データと,電力品質計が記録した現在の電力品質に関する情報からなるデータセットを構築する。
次に,障害発生を予測するために機械学習手法を採用する。
実験の結果,線形および非線形の分類器の分類性能は良好であった。
このことは、電力品質と気象変数が電力乱れをうまく説明していることを示している。
分類器の決定過程を解釈することは、障害の主な原因を理解するための貴重な洞察を与える。
従来の機能選択メソッドは、平均的に、データセットの障害発生を主に説明する変数のみを示すことができる。
このようなグローバルな解釈を提供するだけでなく、個々の障害を説明する変数の特定のセットを特定することも重要である。
この課題に対処するために,我々は最近,統合勾配と呼ばれる深層学習モデルの意思決定過程を解釈する手法を採用した。
提案手法は,配電系統の運用者が停電を防止・緩和するための戦略を実装する上で有用な,特定の障害の発生に関する詳細な洞察を得ることを可能にする。
関連論文リスト
- Empirical Perturbation Analysis of Linear System Solvers from a Data Poisoning Perspective [16.569765598914152]
本稿では,入力データの誤りが,敵攻撃に共通する摂動下での線形システム解法による解の適合誤差と精度に与える影響について検討する。
我々は2つの異なる知識レベルによるデータ摂動を提案し、毒素最適化を開発し、ラベル誘導摂動(LP)と無条件摂動(UP)という2つの摂動方法を研究する。
データ中毒の場合のように、データが意図的に摂動している状況下では、異なる種類の解法がこれらの摂動にどのように反応するかを理解し、異なる種類の敵攻撃によって最も影響を受けるアルゴリズムを特定する。
論文 参考訳（メタデータ） (2024-10-01T17:14:05Z) - XAI-guided Insulator Anomaly Detection for Imbalanced Datasets [11.215245485606369]
電力網は多くの産業において重要な要素であり、産業プロセスや技術にシームレスに電気エネルギーを供給している。
ドローンは電力線を検査するためにますます配備され、その結果、高速で正確な処理を必要とする大量の視覚データの流れが生まれる。
ディープラーニング手法はこのタスクで広く普及し、障害検出において貴重な資産であることが証明されている。
論文 参考訳（メタデータ） (2024-09-25T11:19:42Z) - Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。
注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
論文 参考訳（メタデータ） (2024-09-20T07:41:47Z) - A Dual Power Grid Cascading Failure Model for the Vulnerability Analysis [5.262076997375719]
電力グリッドカスケード故障(PGCF)の最重要ないし脆弱な送電線を見つけるという問題は、研究会から多くの注目を集めている。
電力グリッドの脆弱性を分析することを目的とした多くの決定論的解と近似アルゴリズムが存在する。
本稿では,トランスフォーマーモデルにインスパイアされた注意機構を用いて,そのような相関関係を学習する手法を提案する。
論文 参考訳（メタデータ） (2024-05-18T15:04:44Z) - Power Transformer Fault Prediction Based on Knowledge Graphs [9.690455133923667]
広範なフォールトデータの不足により、機械学習技術を効果的に適用することは困難である。
我々は,知識グラフ(KG)技術と勾配向上決定木(GBDT)を併用した新しい手法を提案する。
本手法は, 変圧器の故障や過去の運用データに影響を及ぼす様々な要因を統合することで, 少数の高次元データから効率的に学習できるように設計されている。
論文 参考訳（メタデータ） (2024-02-11T19:14:28Z) - Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。
具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。
アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文 参考訳（メタデータ） (2023-08-06T05:58:45Z) - 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) - Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。
ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
論文 参考訳（メタデータ） (2022-01-20T06:36:35Z) - Understanding and Diagnosing Vulnerability under Adversarial Attacks [62.661498155101654]
ディープニューラルネットワーク(DNN)は敵の攻撃に弱いことが知られている。
本稿では,潜在変数の分類に使用される特徴を説明するために,新しい解釈可能性手法であるInterpretGANを提案する。
また、各層がもたらす脆弱性を定量化する最初の診断方法も設計する。
論文 参考訳（メタデータ） (2020-07-17T01:56:28Z)
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。