論文の概要: Learning from Power Signals: An Automated Approach to Electrical
Disturbance Identification Within a Power Transmission System
- arxiv url: http://arxiv.org/abs/2309.04361v1
- Date: Fri, 8 Sep 2023 14:41:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-11 13:13:11.872307
- Title: Learning from Power Signals: An Automated Approach to Electrical
Disturbance Identification Within a Power Transmission System
- Title（参考訳）: 電力信号からの学習:電力伝送システムにおける電気的外乱同定の自動化
- Authors: Jonathan D. Boyd, Joshua H. Tyler, Anthony M. Murphy, Donald R.
Reising
- Abstract要約: 本研究は,ディジタルフォールトレコーダと電力品質モニタによって記録された電力品質イベントを自動解析する手法を提案する。
分析は160の信号ファイルで行われ、精度は99%だった。
- 参考スコア（独自算出の注目度）: 2.3486335708866606
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: As power quality becomes a higher priority in the electric utility industry,
the amount of disturbance event data continues to grow. Utilities do not have
the required personnel to analyze each event by hand. This work presents an
automated approach for analyzing power quality events recorded by digital fault
recorders and power quality monitors operating within a power transmission
system. The automated approach leverages rule-based analytics to examine the
time and frequency domain characteristics of the voltage and current signals.
Customizable thresholds are set to categorize each disturbance event. The
events analyzed within this work include various faults, motor starting, and
incipient instrument transformer failure. Analytics for fourteen different
event types have been developed. The analytics were tested on 160 signal files
and yielded an accuracy of ninety-nine percent. Continuous, nominal signal data
analysis is performed using an approach coined as the cyclic histogram. The
cyclic histogram process will be integrated into the digital fault recorders
themselves to facilitate the detection of subtle signal variations that are too
small to trigger a disturbance event and that can occur over hours or days. In
addition to reducing memory requirements by a factor of 320, it is anticipated
that cyclic histogram processing will aid in identifying incipient events and
identifiers. This project is expected to save engineers time by automating the
classification of disturbance events and increase the reliability of the
transmission system by providing near real time detection and identification of
disturbances as well as prevention of problems before they occur.
- Abstract（参考訳）: 電力業界では電力品質が優先されるようになり、乱れイベントデータの量が増え続けている。
ユーティリティには、各イベントを手作業で分析するための要員がいない。
本研究では,ディジタル障害レコーダと送電システム内の電力品質モニタが記録した電力品質イベントを自動的に解析する手法を提案する。
自動アプローチは、電圧と電流信号の時間と周波数領域特性を調べるためにルールベースの分析を利用する。
各障害イベントを分類するために、カスタマイズ可能なしきい値を設定する。
この研究で分析されたイベントには、様々な故障、モーター始動、初期変圧器の故障などがある。
14種類のイベントタイプの分析が開発されている。
分析は160の信号ファイルでテストされ、9%の精度で得られた。
サイクリックヒストグラムと呼ばれる手法を用いて、連続的な名目信号データ解析を行う。
循環ヒストグラムプロセスはデジタルフォールトレコーダー自体に統合され、乱れを発生させるには小さすぎる微妙な信号の変動の検出が容易になる。
メモリ要求の320倍の削減に加えて、循環ヒストグラム処理が初期イベントと識別子の識別を支援することが期待されている。
本プロジェクトでは,障害の分類を自動化し,障害の早期検出と同定と発生前の問題の防止により,伝達システムの信頼性を高めることで,技術者の時間を短縮することが期待されている。
関連論文リスト
- A Machine Learning-based Algorithm for Automated Detection of
Frequency-based Events in Recorded Time Series of Sensor Data [0.0]
本研究では,時系列データ中の周波数に基づく事象を識別する新しい事象検出手法を提案する。
時系列データを解析するためには、訓練対象検出モデルを用いて頭蓋骨内にイベントを検出することができる。
このアルゴリズムは未知のデータセットに基づいて評価され、イベント検出の精度は0.97である。
論文 参考訳（メタデータ） (2023-10-16T21:35:23Z) - Power Quality Event Recognition and Classification Using an Online
Sequential Extreme Learning Machine Network based on Wavelets [0.0]
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。
論文 参考訳（メタデータ） (2022-12-27T06:33:46Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - 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) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-08-24T07:50:43Z) - 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) - Deep Metric Learning with Locality Sensitive Angular Loss for
Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。
本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。
このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
論文 参考訳（メタデータ） (2021-10-13T21:51:56Z) - Temporal clustering network for self-diagnosing faults from vibration
measurements [0.0]
本稿では,オペレーティングシステム上での加速度計測処理のための時間クラスタリングネットワーク(TCN)機能を提案する。
この新しい能力は、測定を処理するための1次元畳み込みニューラルネットワーク(1D-CNN)、教師なし学習(例えば、異なる操作条件からのラベル付き信号がなく、1D-CNNのトレーニングにプリスチン対損傷条件の信号は必要ない)、クラスタリング(すなわち、異なるクラスタ内の異なる操作条件を反映するシグナルをグループ化する)、およびプリスチン操作条件に関連するクラスタのいずれにも属さない障害信号を特定する統計的解析を使用する。
論文 参考訳（メタデータ） (2020-06-16T20:34:57Z)
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。