論文の概要: GraphPMU: Event Clustering via Graph Representation Learning Using Locationally-Scarce Distribution-Level Fundamental and Harmonic PMU Measurements

• arxiv url: http://arxiv.org/abs/2205.13116v1
• Date: Thu, 26 May 2022 02:50:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-27 14:56:28.895285
• Title: GraphPMU: Event Clustering via Graph Representation Learning Using Locationally-Scarce Distribution-Level Fundamental and Harmonic PMU Measurements
• Title（参考訳）: GraphPMU:地域分布レベルと高調波PMU測定を用いたグラフ表現学習によるイベントクラスタリング
• Authors: Armin Aligholian and Hamed Mohsenian-Rad
• Abstract要約: 本稿では,配電系統における状況認識を高めるために,配電系統のファサー測定ユニット(D-PMU)が捉えた事象の種類と原因を特定する複雑な作業について述べる。 本稿では,グラフPMUと呼ばれる教師なしグラフ表現学習手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper is concerned with the complex task of identifying the type and cause of the events that are captured by distribution-level phasor measurement units (D-PMUs) in order to enhance situational awareness in power distribution systems. Our goal is to address two fundamental challenges in this field: a) scarcity in measurement locations due to the high cost of purchasing, installing, and streaming data from D-PMUs; b) limited prior knowledge about the event signatures due to the fact that the events are diverse, infrequent, and inherently unscheduled. To tackle these challenges, we propose an unsupervised graph-representation learning method, called GraphPMU, to significantly improve the performance in event clustering under locationally-scarce data availability by proposing the following two new directions: 1) using the topological information about the relative location of the few available phasor measurement units on the graph of the power distribution network; 2) utilizing not only the commonly used fundamental phasor measurements, bus also the less explored harmonic phasor measurements in the process of analyzing the signatures of various events. Through a detailed analysis of several case studies, we show that GraphPMU can highly outperform the prevalent methods in the literature.
• Abstract（参考訳）: 本稿では,配電系統における状況認識を高めるために,配電系統のファサー測定ユニット(D-PMU)が捉えた事象の種類と原因を特定する複雑な作業について述べる。 私たちの目標は、この分野における2つの基本的な課題に取り組むことです。 a) D-PMUsからデータを購入し,設置し,ストリーミングするコストが高いため,測定場所の不足 b) イベントシグネチャに関する事前知識が限られているのは,イベントが多様で,脆弱で,本質的にスケジュールされていないという事実による。 これらの課題に対処するため,グラフPMUと呼ばれる教師なしグラフ表現学習手法を提案する。 1) 配電網のグラフ上で利用可能な少数のファサー測定単位の相対的位置に関するトポロジカル情報を利用する。 2) 一般的に使用される基本ファサーの測定値だけでなく, 様々な事象のシグネチャの分析過程における高調波ファサーの測定値も少ない。 幾つかのケーススタディの詳細な分析を通して,GraphPMUは文献の一般的な手法よりも高い性能を発揮することを示す。

関連論文リスト

• Instance-Aware Graph Prompt Learning [71.26108600288308]
  本稿では,インスタンス対応グラフプロンプト学習(IA-GPL)について紹介する。 このプロセスでは、軽量アーキテクチャを使用して各インスタンスの中間プロンプトを生成する。 複数のデータセットと設定で実施された実験は、最先端のベースラインと比較して、IA-GPLの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-11-26T18:38:38Z)
• Graph Learning under Distribution Shifts: A Comprehensive Survey on Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
  グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。 既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。 本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
  論文  参考訳（メタデータ） (2024-02-26T07:52:40Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• Empowering Dual-Level Graph Self-Supervised Pretraining with Motif Discovery [28.38130326794833]
  Dual-level Graph self-supervised Pretraining with Motif Discovery (DGPM)を紹介する。 DGPMはノードレベルとサブグラフレベルのプリテキストタスクをオーケストレーションする。 15データセットの実験は、DGPMの有効性と一般化性を検証する。
  論文  参考訳（メタデータ） (2023-12-19T08:09:36Z)
• DynamoPMU: A Physics Informed Anomaly Detection and Prediction Methodology using non-linear dynamics from $\mu$PMU Measurement Data [0.0]
  我々は、$mu$PMUストリーミングデータの異常を検知し、制御方程式を用いてイベントを同時に予測する物理力学に基づくアプローチを開発した。 提案手法の有効性を,LBNL分布グリッドから得た実際の$mu$PMUデータの解析により実証する。
  論文  参考訳（メタデータ） (2023-03-31T19:32:24Z)
• DAGAD: Data Augmentation for Graph Anomaly Detection [57.92471847260541]
  本稿では、属性グラフのための新しいデータ拡張ベースのグラフ異常検出(DAGAD)フレームワークを考案する。 3つのデータセットに関する一連の実験は、DAGADが様々な主に使用されるメトリクスに関して、10の最先端のベースライン検出器より優れていることを証明している。
  論文  参考訳（メタデータ） (2022-10-18T11:28:21Z)
• Physics-Informed Graph Learning for Robust Fault Location in Distribution Systems [2.984934409689467]
  分散エネルギー資源の急速な成長は電力グリッドの不安定性を増大させる可能性がある。 有望な戦略の1つは、検出と位置によって異常事象(例えば障害)に効率的に応答するために電力網にデータを使用することである。 本稿では,2段階の物理インフォームドグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-07-05T21:18:37Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)
• Frequency-based Multi Task learning With Attention Mechanism for Fault Detection In Power Systems [6.4332733596587115]
  本稿では,障害検出のための新しいディープラーニングベースのアプローチを導入し,実際のデータセット,すなわち部分放電検出タスクのためのKaggleプラットフォーム上でテストする。 提案手法では,時系列の特徴を抽出するためのアテンション機構を備えたLong-Short Term Memoryアーキテクチャを採用し,信号の周波数情報を利用した1D-Convolutional Neural Network構造を用いて予測を行う。
  論文  参考訳（メタデータ） (2020-09-15T02:01:47Z)
• Unsupervised Event Detection, Clustering, and Use Case Exposition in Micro-PMU Measurements [0.0]
  我々はGAN(Generative Adversarial Networks)の概念に基づく教師なしイベント検出手法を開発した。 また,線形混合整数計画法に基づく2段階のアン教師なしクラスタリング手法を提案する。 結果から,本研究で広く普及している手法に勝るものであることが示唆された。
  論文  参考訳（メタデータ） (2020-07-30T05:20:29Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。