論文の概要: DynamoPMU: A Physics Informed Anomaly Detection and Prediction
Methodology using non-linear dynamics from $\mu$PMU Measurement Data
- arxiv url: http://arxiv.org/abs/2304.00092v1
- Date: Fri, 31 Mar 2023 19:32:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-04 19:48:03.723664
- Title: DynamoPMU: A Physics Informed Anomaly Detection and Prediction
Methodology using non-linear dynamics from $\mu$PMU Measurement Data
- Title（参考訳）: dynamopmu:$\mu$pmu測定データからの非線形ダイナミクスを用いた物理情報に基づく異常検出と予測手法
- Authors: Divyanshi Dwivedi, Pradeep Kumar Yemula, Mayukha Pal
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The expansion in technology and attainability of a large number of sensors
has led to a huge amount of real-time streaming data. The real-time data in the
electrical distribution system is collected through distribution-level phasor
measurement units referred to as $\mu$PMU which report high-resolution phasor
measurements comprising various event signatures which provide situational
awareness and enable a level of visibility into the distribution system. These
events are infrequent, unschedule, and uncertain; it is a challenge to
scrutinize, detect and predict the occurrence of such events. For electrical
distribution systems, it is challenging to explicitly identify evolution
functions that describe the complex, non-linear, and non-stationary signature
patterns of events. In this paper, we seek to address this problem by
developing a physics dynamics-based approach to detect anomalies in the
$\mu$PMU streaming data and simultaneously predict the events using governing
equations. We propose a data-driven approach based on the Hankel alternative
view of the Koopman (HAVOK) operator, called DynamoPMU, to analyze the
underlying dynamics of the distribution system by representing them in a linear
intrinsic space. The key technical idea is that the proposed method separates
out the linear dynamical behaviour pattern and intermittent forcing (anomalous
events) in sequential data which turns out to be very useful for anomaly
detection and simultaneous data prediction. We demonstrate the efficacy of our
proposed framework through analysis of real $\mu$PMU data taken from the LBNL
distribution grid. DynamoPMU is suitable for real-time event detection as well
as prediction in an unsupervised way and adapts to varying statistics.
- Abstract（参考訳）: テクノロジーの拡大と多数のセンサーの到達性は、大量のリアルタイムストリーミングデータをもたらした。
配電系統におけるリアルタイムデータは、状況認識を提供する各種イベントシグネチャからなる高分解能ファサー計測を報告し、配電系統の視認性を高めるために、$\mu$PMUと呼ばれる分布レベルのファザー測定ユニットを介して収集される。
これらの事象はまれであり、未スケジュールであり、不確実であり、そのような事象の発生を精査し、検出し、予測することは困難である。
電気流通システムでは、イベントの複素、非線形、および非定常なシグネチャパターンを記述する進化関数を明示的に識別することが困難である。
本稿では, 物理力学に基づく解析手法を考案し, ストリームデータである\mu$pmuの異常を検知し, 制御方程式を用いて事象を同時予測する手法を提案する。
dynamopmu と呼ばれる koopman (havok) 演算子のハンケルの代替的視点に基づくデータ駆動アプローチを提案し,線形固有空間で表現することで,分散システムの基盤となるダイナミクスを分析する。
提案手法は,線形動的動作パターンと間欠的強制(異常事象)を逐次データに分離し,異常検出と同時データ予測に非常に有用であることが判明した。
提案手法の有効性をLBNL分散グリッドから取得した実$\mu$PMUデータの解析により実証する。
DynamoPMUは、リアルタイムイベント検出や教師なしの予測に適しており、様々な統計に適応する。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - 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) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - 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) - 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) - Extracting stochastic dynamical systems with $\alpha$-stable L\'evy
noise from data [14.230182518492311]
本稿では,短時間のバーストデータから$$alpha$-stable L'evyノイズを持つシステムを抽出するデータ駆動方式を提案する。
より具体的には、最初にL'evyジャンプ測度と雑音強度を推定する。
次に,非局所クラマース・モヤル式と正規化流を組み合わせることでドリフト係数を近似する。
論文 参考訳（メタデータ） (2021-09-30T06:57:42Z) - Extracting Governing Laws from Sample Path Data of Non-Gaussian
Stochastic Dynamical Systems [4.527698247742305]
我々は、利用可能なデータから非ガウスL'evy雑音の方程式を推定し、動的挙動を合理的に予測する。
理論的枠組みを確立し、非対称なL'evyジャンプ測度、ドリフト、拡散を計算する数値アルゴリズムを設計する。
この方法は、利用可能なデータセットから規制法則を発見し、複雑なランダム現象のメカニズムを理解するのに有効なツールとなる。
論文 参考訳（メタデータ） (2021-07-21T14:50:36Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳（メタデータ） (2021-04-27T18:17:42Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - A Data-Driven Approach for Discovering Stochastic Dynamical Systems with
Non-Gaussian Levy Noise [5.17900889163564]
ノイズの多いデータセットから規制法則を抽出する新しいデータ駆動手法を開発した。
まず, ドリフト係数, 拡散係数, ジャンプ測度を表現し, 実現可能な理論的枠組みを確立する。
そこで我々は, ドリフト, 拡散係数, ジャンプ測度を計算する数値アルゴリズムを設計し, ガウス雑音および非ガウス雑音による支配方程式を抽出する。
論文 参考訳（メタデータ） (2020-05-07T21:29:17Z)
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。