論文の概要: Power System Anomaly Detection and Classification Utilizing WLS-EKF
State Estimation and Machine Learning
- arxiv url: http://arxiv.org/abs/2209.12629v1
- Date: Mon, 26 Sep 2022 12:24:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 18:39:26.851976
- Title: Power System Anomaly Detection and Classification Utilizing WLS-EKF
State Estimation and Machine Learning
- Title(参考訳): wls-ekf状態推定と機械学習を用いた電力系統異常検出と分類
- Authors: Sajjad Asefi, Mile Mitrovic, Dragan \'Cetenovi\'c, Victor Levi, Elena
Gryazina, Vladimir Terzija
- Abstract要約: 電力系統の状態推定は様々な種類の異常に直面している。
これらは、粗大な測定エラーや通信システム障害によって引き起こされる悪いデータを含むかもしれない。
電力グリッドをサイバー物理システムとして考えると、状態推定は偽のデータ注入攻撃に対して脆弱になる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Power system state estimation is being faced with different types of
anomalies. These might include bad data caused by gross measurement errors or
communication system failures. Sudden changes in load or generation can be
considered as anomaly depending on the implemented state estimation method.
Additionally, considering power grid as a cyber physical system, state
estimation becomes vulnerable to false data injection attacks. The existing
methods for anomaly classification cannot accurately classify (discriminate
between) the above-mentioned three types of anomalies, especially when it comes
to discrimination between sudden load changes and false data injection attacks.
This paper presents a new algorithm for detecting anomaly presence, classifying
the anomaly type and identifying the origin of the anomaly, i.e., measurements
that contain gross errors in case of bad data, or bus(es) associated with
load(s) experiencing a sudden change, or state variables targeted by false data
injection attack. The algorithm combines analytical and machine learning (ML)
approaches. The first stage exploits an analytical approach to detect anomaly
presence by combining $\chi^2$-test and anomaly detection index. The second
stage utilizes ML for the classification of anomaly type and identification of
its origin, with particular reference to discrimination between sudden load
changes and false data injection attacks. The proposed ML based method is
trained to be independent of the network configuration which eliminates
retraining of the algorithm after network topology changes. The results
obtained by implementing the proposed algorithm on IEEE 14 bus test system
demonstrate the accuracy and effectiveness of the proposed algorithm.
- Abstract(参考訳): 電力系統の状態推定は様々な種類の異常に直面している。
これらは、粗大な測定エラーや通信システム障害に起因する悪いデータを含むかもしれない。
負荷や発生の突然の変化は、実装された状態推定方法によって異常と見なすことができる。
さらに、電力網をサイバー物理システムとして考えると、状態推定は偽のデータ注入攻撃に対して脆弱になる。
既存の異常分類法は、上記の3種類の異常を正確に分類(区別)することはできない。
本稿では,異常の存在を検知し,異常タイプを分類し,異常の発生源を特定する新しいアルゴリズム,すなわち,悪いデータの場合の総誤差を含む測定値,突然変化した負荷に関連するバス,あるいは偽データインジェクション攻撃の対象とする状態変数を提案する。
このアルゴリズムは分析と機械学習(ML)のアプローチを組み合わせる。
第1段階では,$\chi^2$-test と anomaly detection index を組み合わせることで異常検出を行う。
第2段階はmlを用いて異常タイプを分類し、その起源を識別し、特に突発的な負荷変化と偽データ注入攻撃の区別について説明する。
提案手法は,ネットワークトポロジ変更後のアルゴリズムの再学習を排除するネットワーク構成に依存しないよう訓練されている。
IEEE 14バステストシステムに提案アルゴリズムを実装した結果,提案アルゴリズムの精度と有効性を示した。
関連論文リスト
- Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳(メタデータ) (2022-11-16T21:31:39Z) - 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) - Towards an Awareness of Time Series Anomaly Detection Models'
Adversarial Vulnerability [21.98595908296989]
本研究では,センサデータに小さな対向摂動のみを加えることで,最先端の異常検出手法の性能を著しく劣化させることを実証した。
いくつかのパブリックデータセットとプライベートデータセットに対して、予測エラー、異常、分類スコアなど、さまざまなスコアを使用する。
敵攻撃に対する異常検出システムの脆弱性を初めて実証した。
論文 参考訳(メタデータ) (2022-08-24T01:55:50Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Feature anomaly detection system (FADS) for intelligent manufacturing [0.0]
FADS(Feature-based Anomaly Detection System)と呼ばれる新しい異常検出アルゴリズムを提案する。
FADSは畳み込みフィルタの活性化を観察して名目入力の統計モデルを生成する。
推測中、システムは新しい入力の畳み込みフィルタのアクティベーションを、期待値の範囲外である統計モデルとフラグのアクティベーションと比較する。
論文 参考訳(メタデータ) (2022-04-21T17:54:37Z) - SLA$^2$P: Self-supervised Anomaly Detection with Adversarial
Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。
本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文 参考訳(メタデータ) (2021-11-25T03:53:43Z) - A Survey on Anomaly Detection for Technical Systems using LSTM Networks [0.0]
異常は、意図されたシステムの動作から逸脱し、部分的または完全なシステム障害と同様に効率が低下する可能性がある。
本稿では,ディープニューラルネットワーク,特に長期記憶ネットワークを用いた最先端異常検出に関する調査を行う。
調査したアプローチは、アプリケーションシナリオ、データ、異常タイプ、およびさらなるメトリクスに基づいて評価される。
論文 参考訳(メタデータ) (2021-05-28T13:24:40Z) - Using a Neural Network to Detect Anomalies given an N-gram Profile [0.0]
異常検出は、コンピュータプログラムの通常の実行動作をプロファイルするように設計されている。
正常だが観察できない行動は偽陽性を引き起こす可能性がある。
本稿では,ニューラルネットワークを用いた異常の存在を説明する方法について述べる。
論文 参考訳(メタデータ) (2021-04-12T15:40:43Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳(メタデータ) (2021-02-25T14:24:49Z)
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。