論文の概要: A Machine Learning Framework for Event Identification via Modal Analysis
of PMU Data
- arxiv url: http://arxiv.org/abs/2202.06836v1
- Date: Mon, 14 Feb 2022 16:19:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-15 19:21:57.939740
- Title: A Machine Learning Framework for Event Identification via Modal Analysis
of PMU Data
- Title（参考訳）: PMUデータのモーダル解析によるイベント識別のための機械学習フレームワーク
- Authors: Nima T.Bazargani, Gautam Dasarathy, Lalitha Sankar, Oliver Kosut
- Abstract要約: 本稿では,モーダルダイナミクスに基づく特徴抽出によるイベントの同定を提案する。
従来の物理に基づく特徴抽出手法と機械学習を組み合わせて、異なるイベントタイプを区別する。
以上の結果から,提案フレームワークは2種類のイベントを識別できる可能性が示唆された。
- 参考スコア（独自算出の注目度）: 17.105110901241094
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Power systems are prone to a variety of events (e.g. line trips and
generation loss) and real-time identification of such events is crucial in
terms of situational awareness, reliability, and security. Using measurements
from multiple synchrophasors, i.e., phasor measurement units (PMUs), we propose
to identify events by extracting features based on modal dynamics. We combine
such traditional physics-based feature extraction methods with machine learning
to distinguish different event types. Including all measurement channels at
each PMU allows exploiting diverse features but also requires learning
classification models over a high-dimensional space. To address this issue,
various feature selection methods are implemented to choose the best subset of
features. Using the obtained subset of features, we investigate the performance
of two well-known classification models, namely, logistic regression (LR) and
support vector machines (SVM) to identify generation loss and line trip events
in two datasets. The first dataset is obtained from simulated generation loss
and line trip events in the Texas 2000-bus synthetic grid. The second is a
proprietary dataset with labeled events obtained from a large utility in the
USA involving measurements from nearly 500 PMUs. Our results indicate that the
proposed framework is promising for identifying the two types of events.
- Abstract（参考訳）: 電力系統は様々なイベント(例えば、ライントリップやジェネレーションロス)を起こしやすく、そのようなイベントのリアルタイム識別は状況認識、信頼性、セキュリティにおいて不可欠である。
複数の同期器、すなわちファサー測定ユニット(pmus)からの計測を用いて、モーダルダイナミクスに基づく特徴抽出により事象を同定する。
従来の物理に基づく特徴抽出手法と機械学習を組み合わせて、異なるイベントタイプを区別する。
各PMUに全ての測定チャネルを含めると、多様な特徴を活用できるが、高次元空間上の学習分類モデルも必要である。
この問題に対処するため、様々な機能選択手法が実装され、機能の最適なサブセットを選択する。
得られた特徴のサブセットを用いて、ロジスティック回帰(LR)とサポートベクターマシン(SVM)という2つのよく知られた分類モデルの性能を調べ、2つのデータセットにおける生成損失とライントリップイベントを特定する。
最初のデータセットは、テキサス2000-bus合成グリッドにおける生成損失とライントリップのシミュレーションから得られる。
2つめはプロプライエタリなデータセットで、米国内の大規模ユーティリティから取得したラベル付きイベントには、500 pmus近い測定結果が含まれている。
その結果,提案フレームワークは2種類のイベントを識別できる可能性が示唆された。
関連論文リスト
- Retain, Blend, and Exchange: A Quality-aware Spatial-Stereo Fusion Approach for Event Stream Recognition [57.74076383449153]
本稿では,差分融合によるイベントストリームに基づくパターン認識のための新しいデュアルストリームフレームワークEFV++を提案する。
イベントイメージとイベントボクセルという2つの共通のイベント表現を同時にモデル化する。
Bullying10kデータセットで新しい最先端のパフォーマンス、すなわち90.51%$を達成し、2位を+2.21%$で上回る。
論文 参考訳（メタデータ） (2024-06-27T02:32:46Z) - Multiple-Input Auto-Encoder Guided Feature Selection for IoT Intrusion Detection Systems [30.16714420093091]
本稿ではまず,Multiple-Input Auto-Encoder (MIAE)と呼ばれる新しいニューラルネットワークアーキテクチャを紹介する。
MIAEは複数のサブエンコーダで構成されており、異なる特性を持つ異なるソースからの入力を処理できる。
より関連性の高い機能を排除し、保持するために、トレーニングプロセスにおいて重要/冗長でないものを取り除くために、我々はさらに機能選択層を設計し、組み込む。
この層は表現ベクトルにおける特徴の重要性を学習し、表現ベクトルから情報的特徴の選択を容易にする。
論文 参考訳（メタデータ） (2024-03-22T03:54:04Z) - A Semi-Supervised Approach for Power System Event Identification [12.862865254507179]
本稿では,既存の事象識別手法を強化するために,未ラベルの事象識別サンプルを組み込むことの有効性を評価するための,新しい半教師付きフレームワークを提案する。
提案手法は,合成事象PMUデータのモーダル解析から抽出した物理的解釈可能な特徴を用いた事象の特徴付けである。
我々は,データ生成,特徴抽出,限定ラベル付きイベント識別という3つの側面からなる包括的イベント識別パッケージを開発し,公開している。
論文 参考訳（メタデータ） (2023-09-18T19:07:41Z) - A hybrid feature learning approach based on convolutional kernels for
ATM fault prediction using event-log data [5.859431341476405]
イベントログデータから特徴を抽出するために,畳み込みカーネル(MiniROCKETとHYDRA)に基づく予測モデルを提案する。
提案手法は,実世界の重要な収集データセットに適用される。
このモデルは、ATMのタイムリーなメンテナンスにおいてオペレータをサポートするコンテナベースの意思決定支援システムに統合された。
論文 参考訳（メタデータ） (2023-05-17T08:55:53Z) - Dual Memory Aggregation Network for Event-Based Object Detection with
Learnable Representation [79.02808071245634]
イベントベースのカメラはバイオインスパイアされたセンサーで、各ピクセルの明るさ変化を非同期に捉える。
イベントストリームは、正極性と負極性の両方のためにx-y-t座標の格子に分割され、3次元テンソル表現として柱の集合が生成される。
長メモリは適応型convLSTMの隠れ状態に符号化され、短メモリはイベントピラー間の空間的時間的相関を計算することによってモデル化される。
論文 参考訳（メタデータ） (2023-03-17T12:12:41Z) - pmuBAGE: The Benchmarking Assortment of Generated PMU Data for Power
System Events -- Part I: Overview and Results [2.4775353203585797]
pmuGE (phasor measurement unit Generator of Events) は,電力系統イベントデータのための最初のデータ駆動生成モデルである。
我々は、このモデルを何千もの実際のイベントでトレーニングし、pmuBAGEというデータセットを作成しました。
データセットは、約1000のラベル付きイベントデータのインスタンスで構成され、ファーザー計測ユニット(PMU)データ分析のベンチマーク評価を促進する。
論文 参考訳（メタデータ） (2022-04-03T15:30:08Z) - Event Data Association via Robust Model Fitting for Event-based Object Tracking [66.05728523166755]
本稿では,イベントアソシエーションと融合問題に明示的に対処する新しいイベントデータアソシエーション(EDA)手法を提案する。
提案するEDAは、統合データアソシエーションと情報融合を行うために、イベントデータに最も適したイベントトラジェクトリを求める。
実験結果から,高速,運動のぼやけ,高ダイナミックレンジ条件といった難易度シナリオ下でのEDAの有効性が示された。
論文 参考訳（メタデータ） (2021-10-25T13:56:00Z) - Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。
我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
論文 参考訳（メタデータ） (2021-10-19T17:41:43Z) - An Explainable Machine Learning-based Network Intrusion Detection System
for Enabling Generalisability in Securing IoT Networks [0.0]
機械学習(ML)ベースのネットワーク侵入検知システムは、組織のセキュリティ姿勢を高める多くの利点をもたらす。
多くのシステムは研究コミュニティで設計・開発されており、特定のデータセットを用いて評価すると、しばしば完璧な検出率を達成する。
本稿では,異なるネットワーク環境と攻撃タイプに設定した共通機能の汎用性を評価することにより,ギャップを狭める。
論文 参考訳（メタデータ） (2021-04-15T00:44:45Z) - Two-step penalised logistic regression for multi-omic data with an
application to cardiometabolic syndrome [62.997667081978825]
我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。
私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。
提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
論文 参考訳（メタデータ） (2020-08-01T10:36:27Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳（メタデータ） (2020-07-26T08:17:10Z)
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。