論文の概要: Higher-order Motif-based Time Series Classification for Forced Oscillation Source Location in Power Grids

• arxiv url: http://arxiv.org/abs/2306.13397v1
• Date: Fri, 23 Jun 2023 09:28:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-26 13:19:20.263853
• Title: Higher-order Motif-based Time Series Classification for Forced Oscillation Source Location in Power Grids
• Title（参考訳）: 電力グリッドにおける強制振動源位置の高次モチーフに基づく時系列分類
• Authors: Long Huo and Xin Chen
• Abstract要約: 時系列モチーフは、時系列データの高次構造を発見するために用いられる。 時系列モチーフに基づいて,高次時間構造を特徴づけるモチーフ埋め込み相関場(MECF)を提案する。 MECFに基づく教師なし学習アプローチは、電力グリッドに有害な周期的障害である強制発振(FO)の発生源の特定に応用される。
• 参考スコア（独自算出の注目度）: 3.419406971620478
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series motifs are used for discovering higher-order structures of time series data. Based on time series motifs, the motif embedding correlation field (MECF) is proposed to characterize higher-order temporal structures of dynamical system time series. A MECF-based unsupervised learning approach is applied in locating the source of the forced oscillation (FO), a periodic disturbance that detrimentally impacts power grids. Locating the FO source is imperative for system stability. Compared with the Fourier analysis, the MECF-based unsupervised learning is applicable under various FO situations, including the single FO, FO with resonance, and multiple sources FOs. The MECF-based unsupervised learning is a data-driven approach without any prior knowledge requirement of system models or typologies. Tests on the UK high-voltage transmission grid illustrate the effectiveness of MECF-based unsupervised learning. In addition, the impacts of coupling strength and measurement noise on locating the FO source by the MECF-based unsupervised learning are investigated.
• Abstract（参考訳）: 時系列モチーフは、時系列データの高次構造を発見するために用いられる。 時系列のモチーフに基づいて,動的系時系列の高次時間構造を特徴づけるモチーフ埋め込み相関場(MECF)を提案する。 MECFに基づく教師なし学習アプローチは、電力グリッドに有害な周期的障害である強制発振(FO)の発生源の特定に応用される。 FOソースの配置はシステムの安定性に不可欠である。 フーリエ解析と比較して、MECFに基づく教師なし学習は、単一FO、共振を持つFO、複数のソースFOを含む様々なFO状況下で適用可能である。 MECFベースの教師なし学習は、システムモデルや型学の事前知識を必要としない、データ駆動型アプローチである。 英国の高電圧送電網での試験は、MECFベースの教師なし学習の有効性を示している。 さらに,MECFに基づく教師なし学習によるFO源の位置推定における結合強度と測定ノイズの影響について検討した。

関連論文リスト

• FDF: Flexible Decoupled Framework for Time Series Forecasting with Conditional Denoising and Polynomial Modeling [5.770377200028654]
  時系列予測は多くのWebアプリケーションにおいて不可欠であり、業界全体で重要な意思決定に影響を与える。 我々は拡散モデルが大きな欠点に悩まされていることを論じる。 予測性能を向上させるために,高品質な時系列表現を学習するフレキシブルデカップリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-17T06:20:43Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Amplitude-Varying Perturbation for Balancing Privacy and Utility in Federated Learning [86.08285033925597]
  本稿では,フェデレート学習のプライバシを保護するため,時変雑音振幅を持つ新しいDP摂動機構を提案する。 我々は、FLの過度な摂動ノイズによる早期収束を防止するために、シリーズのオンラインリファインメントを導出した。 新しいDP機構のプライバシ保存FLの収束と精度への寄与は、持続的な雑音振幅を持つ最先端のガウスノイズ機構と比較して相関する。
  論文  参考訳（メタデータ） (2023-03-07T22:52:40Z)
• Scheduling and Aggregation Design for Asynchronous Federated Learning over Wireless Networks [56.91063444859008]
  Federated Learning(FL)は、デバイス上でのトレーニングとサーバベースのアグリゲーションを組み合わせた、協調的な機械学習フレームワークである。 FLシステムにおけるストラグラー問題に対処するために,周期的アグリゲーションを用いた非同期FL設計を提案する。 年齢認識の集約重み付け設計は,非同期FL設定における学習性能を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-12-14T17:33:01Z)
• Time Series Forecasting Using Fuzzy Cognitive Maps: A Survey [0.0]
  ファジィ認知マップ(FCM)は、複雑なシステムの力学をモデル化し解析するためのツールとして、顕著な結果を示している。 FCMはファジィ論理、ニューラルネットワーク、エキスパートシステムの各側面の混合であり、複雑なシステムの動的挙動をシミュレーションし研究するための強力なツールとして機能する。
  論文  参考訳（メタデータ） (2022-01-07T02:11:53Z)
• Functional Regularization for Reinforcement Learning via Learned Fourier Features [98.90474131452588]
  本稿では、入力を学習されたフーリエベースに埋め込むことにより、深層強化学習のための簡単なアーキテクチャを提案する。 その結果、状態ベースと画像ベースの両方のRLのサンプル効率が向上することがわかった。
  論文  参考訳（メタデータ） (2021-12-06T18:59:52Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)
• 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)
• DEFM: Delay E mbedding based Forecast Machine for Time Series Forecasting by Spatiotemporal Information Transformation [27.196988830046756]
  Delay-Embedding-based Forecast Machine (DEFM) は,高次元観測に基づいて,対象変数の将来値を予測する。 DEFMはディープニューラルネットワークを使用して、観測された時系列から空間的および時間的関連情報を効果的に抽出する。 DEFMは、ターゲット変数の遅延埋め込みを通じてパラメータを変換することで、将来のパラメータを正確に予測することができる。
  論文  参考訳（メタデータ） (2020-05-16T01:48:33Z)
• 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。