論文の概要: Unsupervised High Impedance Fault Detection Using Autoencoder and Principal Component Analysis

• arxiv url: http://arxiv.org/abs/2301.01867v1
• Date: Thu, 5 Jan 2023 01:35:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 14:53:20.447989
• Title: Unsupervised High Impedance Fault Detection Using Autoencoder and Principal Component Analysis
• Title（参考訳）: オートエンコーダと主成分分析を用いた教師なし高インピーダンス故障検出
• Authors: Yingxiang Liu, Mohammad Razeghi-Jahromi, James Stoupis
• Abstract要約: 本稿では,オートエンコーダと主成分分析に基づくモニタリング技術を用いた教師なしHIF検出フレームワークを提案する。 提案手法の性能を4.16kVの分布系から収集した実データを用いて検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detection of high impedance faults (HIF) has been one of the biggest challenges in the power distribution network. The low current magnitude and diverse characteristics of HIFs make them difficult to be detected by over-current relays. Recently, data-driven methods based on machine learning models are gaining popularity in HIF detection due to their capability to learn complex patterns from data. Most machine learning-based detection methods adopt supervised learning techniques to distinguish HIFs from normal load conditions by performing classifications, which rely on a large amount of data collected during HIF. However, measurements of HIF are difficult to acquire in the real world. As a result, the reliability and generalization of the classification methods are limited when the load profiles and faults are not present in the training data. Consequently, this paper proposes an unsupervised HIF detection framework using the autoencoder and principal component analysis-based monitoring techniques. The proposed fault detection method detects the HIF by monitoring the changes in correlation structure within the current waveforms that are different from the normal loads. The performance of the proposed HIF detection method is tested using real data collected from a 4.16 kV distribution system and compared with results from a commercially available solution for HIF detection. The numerical results demonstrate that the proposed method outperforms the commercially available HIF detection technique while maintaining high security by not falsely detecting during load conditions.
• Abstract（参考訳）: 高インピーダンス故障(HIF)の検出は配電ネットワークにおける最大の課題の1つである。 HIFの低電流等級と多彩な特性は過電流リレーによる検出を困難にしている。 近年,データから複雑なパターンを学習する能力により,機械学習モデルに基づくデータ駆動手法がHIF検出で人気を集めている。 多くの機械学習に基づく検出手法では、HIF中に収集された大量のデータに依存する分類を行うことにより、HIFと通常の負荷条件を区別する教師あり学習技術を採用している。 しかし,実世界でのHIFの測定は困難である。 その結果、トレーニングデータに負荷プロファイルや障害が存在しない場合には、分類手法の信頼性と一般化が制限される。 そこで本研究では,オートエンコーダと主成分分析に基づくモニタリング技術を用いた教師なしHIF検出フレームワークを提案する。 提案手法は,通常の負荷と異なる電流波形内の相関構造の変化を監視して,hifを検出する。 提案手法の性能を,4.16kVの分布系から収集した実データを用いて検証し,市販のHIF検出ソリューションと比較した。 提案手法は, 負荷条件下で誤検出を行わず, 高いセキュリティを維持しつつ, 市販のhif検出技術に勝ることを示す。

関連論文リスト

• A Data-Driven Approach for High-Impedance Fault Localization in Distribution Systems [5.6874061098584345]
  低電流のため, 従来の過電流リレーによるHIFの検出は困難である。 本稿では,HIFイベントの識別のためのデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2023-11-26T02:52:37Z)
• An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators [0.0]
  電力系統の信頼性を確保するためには絶縁体の検査が重要である。 検査プロセスを自動化するために、ディープラーニングがますます活用されています。 本稿では,異常検出とオブジェクト検出の2段階的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-14T11:36:20Z)
• Exploiting Low-confidence Pseudo-labels for Source-free Object Detection [54.98300313452037]
  Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。 現在のSFOD法は適応相におけるしきい値に基づく擬似ラベル手法を用いる。 疑似ラベルを最大限に活用するために,高信頼度と低信頼度しきい値を導入する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-19T12:59:55Z)
• An Intelligent Approach to Detecting Novel Fault Classes for Centrifugal Pumps Based on Deep CNNs and Unsupervised Methods [0.0]
  本稿では,システム障害の部分的知識を仮定し,それに対応するデータを用いて畳み込みニューラルネットワークを訓練する。 次に、新しい断層を検出するために、t-SNE法とクラスタリング法の組み合わせを用いる。
  論文  参考訳（メタデータ） (2023-09-22T10:10:30Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• 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)
• Deep Learning for High-Impedance Fault Detection: Convolutional Autoencoders [0.0]
  高インピーダンス断層(HIF)は、電流振幅が低く、非常に多様な特性のため、検出が困難である。 機械学習(ML)は、データからパターンを学習し、HIFを正常に検出するため、HIF検出で人気を集めている。 本稿では教師なし学習を活用し,HIF検出のための畳み込みオートエンコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-24T18:58:43Z)
• Learn what you can't learn: Regularized Ensembles for Transductive Out-of-distribution Detection [76.39067237772286]
  ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。 本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。 本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T16:55:13Z)
• Why Normalizing Flows Fail to Detect Out-of-Distribution Data [51.552870594221865]
  正規化フローは、イン・オブ・ディストリビューションデータとアウト・オブ・ディストリビューションデータの区別に失敗する。 フローは局所的な画素相関と画像からラテンス空間への変換を学習する。 フロー結合層のアーキテクチャを変更することで、ターゲットデータのセマンティック構造を学ぶためのフローに偏りがあることが示される。
  論文  参考訳（メタデータ） (2020-06-15T17:00:01Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。