論文の概要: A Deep-Learning Intelligent System Incorporating Data Augmentation for
Short-Term Voltage Stability Assessment of Power Systems
- arxiv url: http://arxiv.org/abs/2112.03265v1
- Date: Sun, 5 Dec 2021 11:40:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 16:00:36.495428
- Title: A Deep-Learning Intelligent System Incorporating Data Augmentation for
Short-Term Voltage Stability Assessment of Power Systems
- Title(参考訳): 電力系統の短期電圧安定性評価のためのデータ拡張を取り入れた深層学習知能システム
- Authors: Yang Li, Meng Zhang, Chen Chen
- Abstract要約: 本稿では,電力系統のSTVSAにデータ拡張を取り入れた新しいディープラーニング知能システムを提案する。
半教師付きクラスタ学習を利用して、ラベル付きサンプルを元の小さなデータセットで取得する。
条件付き最小二乗生成逆数ネットワーク(LSGAN)ベースのデータ拡張を導入し、元のデータセットを拡張する。
- 参考スコア(独自算出の注目度): 9.299576471941753
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Facing the difficulty of expensive and trivial data collection and
annotation, how to make a deep learning-based short-term voltage stability
assessment (STVSA) model work well on a small training dataset is a challenging
and urgent problem. Although a big enough dataset can be directly generated by
contingency simulation, this data generation process is usually cumbersome and
inefficient; while data augmentation provides a low-cost and efficient way to
artificially inflate the representative and diversified training datasets with
label preserving transformations. In this respect, this paper proposes a novel
deep-learning intelligent system incorporating data augmentation for STVSA of
power systems. First, due to the unavailability of reliable quantitative
criteria to judge the stability status for a specific power system,
semi-supervised cluster learning is leveraged to obtain labeled samples in an
original small dataset. Second, to make deep learning applicable to the small
dataset, conditional least squares generative adversarial networks
(LSGAN)-based data augmentation is introduced to expand the original dataset
via artificially creating additional valid samples. Third, to extract temporal
dependencies from the post-disturbance dynamic trajectories of a system, a
bi-directional gated recurrent unit with attention mechanism based assessment
model is established, which bi-directionally learns the significant time
dependencies and automatically allocates attention weights. The test results
demonstrate the presented approach manages to achieve better accuracy and a
faster response time with original small datasets. Besides classification
accuracy, this work employs statistical measures to comprehensively examine the
performance of the proposal.
- Abstract(参考訳): 高価で自明なデータ収集とアノテーションの難しさに直面する中、ディープラーニングベースの短期電圧安定性評価(STVSA)モデルを小さなトレーニングデータセットでうまく動作させる方法は困難かつ緊急の問題である。
このデータ生成プロセスは通常、複雑で非効率であるのに対して、データ拡張は、代表的および多様化されたトレーニングデータセットをラベル保存変換で人工的に膨らませる、低コストで効率的な方法を提供する。
本稿では,電力系統のSTVSAにデータ拡張を取り入れた,新しいディープラーニング知能システムを提案する。
まず、特定の電力系統の安定状態を判断するための信頼できる定量的基準が得られないため、半教師付きクラスタ学習を利用して、元の小さなデータセットでラベル付きサンプルを得る。
次に、この小さなデータセットにディープラーニングを適用するために、条件付き最小二乗生成逆ネットワーク(lsgan)ベースのデータ拡張を導入し、人工的に有効なサンプルを作成して元のデータセットを拡張する。
第3に、システムの障害後の動的軌跡から時間的依存を抽出するために、注目機構に基づくアセスメントモデル付き双方向ゲートリカレントユニットを構築し、重要な時間依存を双方向に学習し、注意重みを自動的に割り当てる。
実験結果から,提案手法が精度の向上と応答時間の高速化を実現したことを示す。
本研究は,分類精度の他に,統計的手法を用いて提案手法の性能を総合的に検証する。
関連論文リスト
- Meta-Statistical Learning: Supervised Learning of Statistical Inference [59.463430294611626]
この研究は、大きな言語モデル(LLM)の成功を駆動するツールと原則が、分散レベルのタスクに取り組むために再利用可能であることを実証している。
本稿では,統計的推論タスクを教師付き学習問題として再構成するマルチインスタンス学習に触発されたメタ統計学習を提案する。
論文 参考訳(メタデータ) (2025-02-17T18:04:39Z) - Generative Modeling and Data Augmentation for Power System Production Simulation [0.0]
本稿では,小さなサンプルシナリオ下での負荷予測のための生成モデル支援手法を提案する。
拡張データセットは、元のデータセットと比較して予測エラーを大幅に削減する。
拡散モデルは、約200倍の誤差を達成し、生成的敵モデルより優れる。
論文 参考訳(メタデータ) (2024-12-10T12:38:47Z) - Learnable Sparse Customization in Heterogeneous Edge Computing [27.201987866208484]
異種フェデレート学習(FedLPS)のための学習可能なパーソナライズ・スパシフィケーションを提案する。
FedLPSは、局所データ表現におけるモデルユニットの重要性を学び、パーソナライズされたデータ特徴を正確に抽出するために、最小限の重要度に基づくスパースパターンを導出する。
実験により、FedLPSは精度とトレーニングコストにおいてステータスクオアプローチよりも優れていることが示された。
論文 参考訳(メタデータ) (2024-12-10T06:14:31Z) - Large-Scale Dataset Pruning in Adversarial Training through Data Importance Extrapolation [1.3124513975412255]
本稿では,少数のデータ集合からより大きなデータ集合へのデータ重要度スコアの補間に基づく新たなデータ抽出戦略を提案する。
実験的な評価では,外挿型プルーニングは頑健性を維持しつつ,データセットサイズを効率的に削減できることを示した。
論文 参考訳(メタデータ) (2024-06-19T07:23:51Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-22T02:12:08Z) - TRIAGE: Characterizing and auditing training data for improved
regression [80.11415390605215]
TRIAGEは回帰タスクに適した新しいデータキャラクタリゼーションフレームワークで、広範囲の回帰器と互換性がある。
TRIAGEは、共形予測分布を利用して、モデルに依存しないスコアリング方法、TRIAGEスコアを提供する。
TRIAGEの特徴は一貫性があり、複数の回帰設定においてデータの彫刻/フィルタリングによるパフォーマンス向上に有効であることを示す。
論文 参考訳(メタデータ) (2023-10-29T10:31:59Z) - STAR: Boosting Low-Resource Information Extraction by Structure-to-Text
Data Generation with Large Language Models [56.27786433792638]
STARは大規模言語モデル(LLM)を利用してデータインスタンスを合成するデータ生成手法である。
我々は、初期データインスタンスを取得するための詳細なステップバイステップ命令を設計する。
実験の結果,STARが生成したデータは,低リソースイベント抽出および関係抽出タスクの性能を著しく向上させることがわかった。
論文 参考訳(メタデータ) (2023-05-24T12:15:19Z) - A Data-Centric Approach for Training Deep Neural Networks with Less Data [1.9014535120129343]
本稿では,データ中心AI(Data-Centric AI)コンペへの優勝申請を要約する。
小さなデータセットでトレーニング中に発生する課題について論じる。
本稿では,新しいデータポイントを合成するためのGANベースのソリューションを提案する。
論文 参考訳(メタデータ) (2021-10-07T16:41:52Z) - The Imaginative Generative Adversarial Network: Automatic Data
Augmentation for Dynamic Skeleton-Based Hand Gesture and Human Action
Recognition [27.795763107984286]
本稿では、入力データの分布を近似し、この分布から新しいデータをサンプリングする新しい自動データ拡張モデルを提案する。
以上の結果から,拡張戦略は訓練が高速であり,ニューラルネットワークと最先端手法の両方の分類精度を向上させることが可能であることが示唆された。
論文 参考訳(メタデータ) (2021-05-27T11:07:09Z) - Adaptive Weighting Scheme for Automatic Time-Series Data Augmentation [79.47771259100674]
データ拡張のための2つのサンプル適応自動重み付けスキームを提案する。
提案手法を大規模でノイズの多い財務データセットとUCRアーカイブからの時系列データセット上で検証する。
金融データセットでは、取引戦略と組み合わせた手法が50 $%$以上の年間収益の改善につながることを示し、時系列データでは、データセットの半分以上で最新モデルを上回るパフォーマンスを発揮し、他のものと同様の精度を達成しています。
論文 参考訳(メタデータ) (2021-02-16T17:50:51Z) - Straggler-Resilient Federated Learning: Leveraging the Interplay Between
Statistical Accuracy and System Heterogeneity [57.275753974812666]
フェデレーション学習は、データをローカルに保持しながら、クライアントのネットワークに分散したデータサンプルから学習する。
本稿では,学習手順を高速化するために,クライアントデータの統計的特徴を取り入れてクライアントを適応的に選択する,ストラグラー・レジリエントなフェデレーション学習手法を提案する。
論文 参考訳(メタデータ) (2020-12-28T19:21:14Z)
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。