論文の概要: Power Quality Event Recognition and Classification Using an Online
Sequential Extreme Learning Machine Network based on Wavelets
- arxiv url: http://arxiv.org/abs/2212.13375v1
- Date: Tue, 27 Dec 2022 06:33:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 14:51:33.512314
- Title: Power Quality Event Recognition and Classification Using an Online
Sequential Extreme Learning Machine Network based on Wavelets
- Title(参考訳): ウェーブレットに基づくオンライン逐次学習マシンネットワークを用いた電力品質事象認識と分類
- Authors: Rahul Kumar Dubey
- Abstract要約: 本研究では,過渡条件下での電力品質問題を検出するために,ウェーブレットに基づくオンラインシーケンス・エクストリーム・ラーニング・マシン(OS-ELM)分類器の試作と試験を行った。
様々なタイプのパワー障害を検出し、分類する能力を示すために、いくつかの一時的なイベントが使用された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reduced system dependability and higher maintenance costs may be the
consequence of poor electric power quality, which can disturb normal equipment
performance, speed up aging, and even cause outright failures. This study
implements and tests a prototype of an Online Sequential Extreme Learning
Machine (OS-ELM) classifier based on wavelets for detecting power quality
problems under transient conditions. In order to create the classifier, the
OSELM-network model and the discrete wavelet transform (DWT) method are
combined. First, discrete wavelet transform (DWT) multi-resolution analysis
(MRA) was used to extract characteristics of the distorted signal at various
resolutions. The OSELM then sorts the retrieved data by transient duration and
energy features to determine the kind of disturbance. The suggested approach
requires less memory space and processing time since it can minimize a large
quantity of the distorted signal's characteristics without changing the
signal's original quality. Several types of transient events were used to
demonstrate the classifier's ability to detect and categorize various types of
power disturbances, including sags, swells, momentary interruptions,
oscillatory transients, harmonics, notches, spikes, flickers, sag swell, sag
mi, sag harm, swell trans, sag spike, and swell spike.
- Abstract(参考訳): システムの信頼性の低下とメンテナンスコストの増大は、電力品質の低下によるものであり、通常の機器性能の低下や老化のスピードアップ、さらには異常な故障を引き起こす可能性がある。
本研究は,過渡条件下での電力品質問題を検出するためのウェーブレットに基づくオンラインシーケンシャル・エクストリーム・ラーニング・マシン(os-elm)のプロトタイプを実装し,検証する。
分類器を作成するために、OSELM-networkモデルと離散ウェーブレット変換(DWT)法を組み合わせる。
まず, 離散ウェーブレット変換 (dwt) マルチレゾリューション解析 (mra) を用いて, 歪み信号の特性を様々な解像度で抽出した。
OSELMは取得したデータを過渡的な持続時間とエネルギー特性でソートして、障害の種類を決定する。
提案手法では、信号の本来の品質を変えることなく、歪んだ信号の特性の量を最小限に抑えることができるため、メモリスペースと処理時間が少なくなる。
ソーグ、シャウチ、瞬間的中断、発振性トランジェント、ハーモニックス、ノッチ、スパイク、フリッカー、サグ・シャウチ、サグ・ミ、サグ・ハーモ、シャウチ・トランス、サグ・スパイク、シャウチ・スパイクなど、様々な種類のパワー障害を検出し、分類する能力を示すために、いくつかのタイプの過渡現象が使用された。
関連論文リスト
- Enhancing Power Quality Event Classification with AI Transformer Models [1.0590597091788065]
本稿では,PQEを正確に分類するツールとして,注目対応トランスフォーマーを活用したディープラーニングフレームワークを提案する。
信号対雑音比、DCオフセット、信号振幅と周波数の変化に応じて99.81%$-91.43%の精度でPQEを正確に分類することができる。
論文 参考訳(メタデータ) (2024-02-22T20:09:58Z) - Multi-scale Residual Transformer for VLF Lightning Transients
Classification [8.484339601339325]
VLFの干渉やノイズを低減するためには、正確な雷信号の分類が重要である。
近年、ディープラーニング、特に畳み込みニューラルネットワーク(CNN)の進化は、雷の分類に変化をもたらした。
本研究では、複雑なパターンを識別するだけでなく、入力雷信号列の異なる側面の意義を重み付けする革新的なマルチスケール残差変換(MRTransformer)を提案する。
論文 参考訳(メタデータ) (2023-12-07T09:26:58Z) - Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。
具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。
アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文 参考訳(メタデータ) (2023-08-06T05:58:45Z) - Unsupervised clustering of disturbances in power systems via deep
convolutional autoencoders [2.0736732081151366]
電力グリッド上の異常事象を検出すると、電力品質(PQ)イベントはPQメーターによって記録される。
電力系統の障害時に捉えた波形の多くは、教師あり学習のためにラベル付けされる必要がある。
本稿では、PQイベントのクラスタリングに使用できる自動エンコーダとK平均クラスタリングに基づく教師なし手法を提案する。
論文 参考訳(メタデータ) (2023-06-08T04:41:34Z) - 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) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳(メタデータ) (2022-08-31T18:19:25Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳(メタデータ) (2022-06-29T23:22:18Z) - Fault Detection and Diagnosis with Imbalanced and Noisy Data: A Hybrid
Framework for Rotating Machinery [2.580765958706854]
回転機械製造システムの保守コスト低減には, 故障診断が重要な役割を担っている。
従来のフォールト検出および診断(FDD)フレームワークは、現実の状況に対処する際のパフォーマンスが劣っている。
本稿では、上記の3つのコンポーネントを用いて、効果的な信号ベースFDDシステムを実現するハイブリッドフレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-09T01:09:59Z) - Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。
ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
論文 参考訳(メタデータ) (2022-01-20T06:36:35Z) - F-FADE: Frequency Factorization for Anomaly Detection in Edge Streams [53.70940420595329]
エッジストリームにおける異常検出のための新しいアプローチであるF-FADEを提案する。
ノード対間の相互作用の周波数の時間進化分布を効率的にモデル化するために、新しい周波数分解技術を用いる。
F-FADEは、一定メモリしか必要とせず、時間的および構造的な変化を伴う幅広い種類の異常をオンラインストリーミング環境で処理できる。
論文 参考訳(メタデータ) (2020-11-09T19:55:40Z) - EGFC: Evolving Gaussian Fuzzy Classifier from Never-Ending
Semi-Supervised Data Streams -- With Application to Power Quality Disturbance
Detection and Classification [0.0]
障害のリアルタイム検出と分類は、業界標準に欠かせないものと考えられている。
半教師付き外乱検出・分類のための進化型ガウスファジィ分類フレームワークを提案する。
オンラインデータストリームベースのEGFC法は、絶え間ないデータストリームから障害パターンを自律的に学習することができる。
論文 参考訳(メタデータ) (2020-04-17T07:08:17Z)
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。