論文の概要: pmuBAGE: The Benchmarking Assortment of Generated PMU Data for Power
System Events
- arxiv url: http://arxiv.org/abs/2210.14204v1
- Date: Tue, 25 Oct 2022 17:50:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 16:25:09.330189
- Title: pmuBAGE: The Benchmarking Assortment of Generated PMU Data for Power
System Events
- Title(参考訳): pmuBAGE: 電力系統イベントのための生成PMUデータのベンチマーク機能
- Authors: Brandon Foggo, Koji Yamashita, Nanpeng Yu
- Abstract要約: pmuGE (phasor measurement unit Generator of Events) は、電力系統の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。
- 参考スコア(独自算出の注目度): 2.4775353203585797
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper introduces pmuGE (phasor measurement unit Generator of Events),
one of the first data-driven generative model for power system event data. We
have trained this model on thousands of actual events and created a dataset
denoted pmuBAGE (the Benchmarking Assortment of Generated PMU Events). The
dataset consists of almost 1000 instances of labeled event data to encourage
benchmark evaluations on phasor measurement unit (PMU) data analytics. PMU data
are challenging to obtain, especially those covering event periods.
Nevertheless, power system problems have recently seen phenomenal advancements
via data-driven machine learning solutions. A highly accessible standard
benchmarking dataset would enable a drastic acceleration of the development of
successful machine learning techniques in this field. We propose a novel
learning method based on the Event Participation Decomposition of Power System
Events, which makes it possible to learn a generative model of PMU data during
system anomalies. The model can create highly realistic event data without
compromising the differential privacy of the PMUs used to train it. The dataset
is available online for any researcher or practitioner to use at the pmuBAGE
Github Repository: https://github.com/NanpengYu/pmuBAGE.
- Abstract(参考訳): 本稿では,電力系統イベントデータに対する最初のデータ駆動生成モデルの一つであるpmuge(phasor measurement unit generator of events)について述べる。
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 (Benchmarking Assortment of Generated PMU Events) 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。
PMUデータは、特にイベント期間をカバーするものを得るのは難しい。
それでも、最近の電力システムの問題は、データ駆動機械学習ソリューションによる驚くべき進歩をみせている。
非常にアクセスしやすい標準ベンチマークデータセットは、この分野で成功した機械学習技術の開発を劇的に加速する。
本稿では,電力系統イベントのイベント参加分解に基づく新しい学習手法を提案し,システム異常時にPMUデータの生成モデルを学習できるようにする。
このモデルは、トレーニングに使用するPMUの差分プライバシーを妥協することなく、非常に現実的なイベントデータを生成することができる。
このデータセットはpmubageのgithubリポジトリで使用できる研究者や実践者なら誰でもオンラインで利用できる。
関連論文リスト
- Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳(メタデータ) (2023-05-30T08:24:01Z) - 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) - 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) - Learning from aggregated data with a maximum entropy model [73.63512438583375]
我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。
我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
論文 参考訳(メタデータ) (2022-10-05T09:17:27Z) - 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) - A Machine Learning Framework for Event Identification via Modal Analysis
of PMU Data [17.105110901241094]
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。
論文 参考訳(メタデータ) (2022-02-14T16:19:40Z) - Deep Reinforcement Learning Assisted Federated Learning Algorithm for
Data Management of IIoT [82.33080550378068]
産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。
IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。
本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
論文 参考訳(メタデータ) (2022-02-03T07:12:36Z) - 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) - Deep Transformer Networks for Time Series Classification: The NPP Safety
Case [59.20947681019466]
時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。
トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
論文 参考訳(メタデータ) (2021-04-09T14:26:25Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳(メタデータ) (2020-05-18T09:36:51Z)
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。