論文の概要: Unsupervised clustering of disturbances in power systems via deep
convolutional autoencoders
- arxiv url: http://arxiv.org/abs/2306.06124v1
- Date: Thu, 8 Jun 2023 04:41:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-13 21:10:13.569059
- Title: Unsupervised clustering of disturbances in power systems via deep
convolutional autoencoders
- Title（参考訳）: 深部畳み込みオートエンコーダによる電力系統内乱の無監督クラスタリング
- Authors: Md Maidul Islam, Md Omar Faruque, Joshua Butterfield, Gaurav Singh,
Thomas A. Cooke
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.0736732081151366
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Power quality (PQ) events are recorded by PQ meters whenever anomalous events
are detected on the power grid. Using neural networks with machine learning can
aid in accurately classifying the recorded waveforms and help power system
engineers diagnose and rectify the root causes of problems. However, many of
the waveforms captured during a disturbance in the power system need to be
labeled for supervised learning, leaving a large number of data recordings for
engineers to process manually or go unseen. This paper presents an autoencoder
and K-means clustering-based unsupervised technique that can be used to cluster
PQ events into categories like sag, interruption, transients, normal, and
harmonic distortion to enable filtering of anomalous waveforms from recurring
or normal waveforms. The method is demonstrated using three-phase,
field-obtained voltage waveforms recorded in a distribution grid. First, a
convolutional autoencoder compresses the input signals into a set of lower
feature dimensions which, after further processing, is passed to the K-means
algorithm to identify data clusters. Using a small, labeled dataset, numerical
labels are then assigned to events based on a cosine similarity analysis.
Finally, the study analyzes the clusters using the t-distributed stochastic
neighbor embedding (t-SNE) visualization tool, demonstrating that the technique
can help investigate a large number of captured events in a quick manner.
- Abstract（参考訳）: 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。
ニューラルネットワークと機械学習は、記録された波形を正確に分類し、電力システムエンジニアが問題の根本原因を診断し修正するのに役立つ。
しかし、電源システム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り、エンジニアが手動で処理したり、見つからないようにするための大量のデータ記録が残されている。
本稿では,pqイベントをsag,割り込み,過渡,正規,高調波といったカテゴリに分類し,繰り返し波形や正規波形からの異常波形のフィルタリングを可能にするオートエンコーダとk平均クラスタリングに基づく非教師付き手法を提案する。
本手法は配電網に記録された三相電圧波形を用いて実証する。
まず、畳み込みオートエンコーダが入力信号をより低い特徴次元の集合に圧縮し、さらに処理した後、K平均アルゴリズムに渡されてデータクラスタを識別する。
ラベル付き小さなデータセットを使用して、数値ラベルはコサイン類似性分析に基づいてイベントに割り当てられる。
最後に,t-sne(t-distributed stochastic neighbor embedded)可視化ツールを用いてクラスタの解析を行い,その手法が多数のキャプチャイベントを迅速に調査する上で有効であることを示す。
関連論文リスト
- DeepHYDRA: Resource-Efficient Time-Series Anomaly Detection in Dynamically-Configured Systems [3.44012349879073]
我々はDeepHYDRA(Deep Hybrid DBSCAN/reduction-based Anomaly Detection)を提案する。
DBSCANと学習ベースの異常検出を組み合わせる。
大規模なデータセットと複雑なデータセットの両方において、異なるタイプの異常を確実に検出できることが示されている。
論文 参考訳（メタデータ） (2024-05-13T13:47:15Z) - 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) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳（メタデータ） (2021-11-30T18:42:42Z) - S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
本稿では,ラベルノイズの存在下での分類の問題に対処する。
提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。
提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
論文 参考訳（メタデータ） (2021-11-22T15:49:20Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Source-Agnostic Gravitational-Wave Detection with Recurrent Autoencoders [0.0]
本稿では, レーザ干渉計における重力波信号検出問題に対する, ディープリカレントオートエンコーダに基づく異常検出手法の適用について述べる。
ノイズデータに基づいて訓練されたこのアルゴリズムは、特定の種類のソースを標的にすることなく、教師なしの戦略を用いて信号を検出することができる。
論文 参考訳（メタデータ） (2021-07-27T09:56:49Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Automatic Feature Extraction for Heartbeat Anomaly Detection [7.054093620465401]
医療における異常検出の応用を目的とした、生音声の心拍音の自動抽出に着目する。
1次元非コーダ畳み込みエンコーダとウェーブネットデコーダで構成したオートエンコーダの助けを借りて,特徴を学習する。
論文 参考訳（メタデータ） (2021-02-24T13:55:24Z) - Frequency-based Multi Task learning With Attention Mechanism for Fault
Detection In Power Systems [6.4332733596587115]
本稿では,障害検出のための新しいディープラーニングベースのアプローチを導入し,実際のデータセット,すなわち部分放電検出タスクのためのKaggleプラットフォーム上でテストする。
提案手法では,時系列の特徴を抽出するためのアテンション機構を備えたLong-Short Term Memoryアーキテクチャを採用し,信号の周波数情報を利用した1D-Convolutional Neural Network構造を用いて予測を行う。
論文 参考訳（メタデータ） (2020-09-15T02:01:47Z) - Anomaly Detection using Deep Autoencoders for in-situ Wastewater Systems
Monitoring Data [0.0]
本稿では, 深部自動エンコーダを用いた廃棄物システム監視データの異常検出手法を提案する。
そして、復号ステージの復元誤差に基づいて異常検出を行う。
論文 参考訳（メタデータ） (2020-02-07T09:53:46Z)
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。