論文の概要: A Semi-Supervised Approach for Power System Event Identification
- arxiv url: http://arxiv.org/abs/2309.10095v1
- Date: Mon, 18 Sep 2023 19:07:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 17:49:05.484455
- Title: A Semi-Supervised Approach for Power System Event Identification
- Title(参考訳): 電力系統イベント同定のための半監督的アプローチ
- Authors: Nima Taghipourbazargani, Lalitha Sankar, Oliver Kosut
- Abstract要約: 本稿では,既存の事象識別手法を強化するために,未ラベルの事象識別サンプルを組み込むことの有効性を評価するための,新しい半教師付きフレームワークを提案する。
提案手法は,合成事象PMUデータのモーダル解析から抽出した物理的解釈可能な特徴を用いた事象の特徴付けである。
我々は,データ生成,特徴抽出,限定ラベル付きイベント識別という3つの側面からなる包括的イベント識別パッケージを開発し,公開している。
- 参考スコア(独自算出の注目度): 14.456571495691561
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Event identification is increasingly recognized as crucial for enhancing the
reliability, security, and stability of the electric power system. With the
growing deployment of Phasor Measurement Units (PMUs) and advancements in data
science, there are promising opportunities to explore data-driven event
identification via machine learning classification techniques. However,
obtaining accurately-labeled eventful PMU data samples remains challenging due
to its labor-intensive nature and uncertainty about the event type (class) in
real-time. Thus, it is natural to use semi-supervised learning techniques,
which make use of both labeled and unlabeled samples. %We propose a novel
semi-supervised framework to assess the effectiveness of incorporating
unlabeled eventful samples to enhance existing event identification
methodologies. We evaluate three categories of classical semi-supervised
approaches: (i) self-training, (ii) transductive support vector machines
(TSVM), and (iii) graph-based label spreading (LS) method. Our approach
characterizes events using physically interpretable features extracted from
modal analysis of synthetic eventful PMU data. In particular, we focus on the
identification of four event classes whose identification is crucial for grid
operations. We have developed and publicly shared a comprehensive Event
Identification package which consists of three aspects: data generation,
feature extraction, and event identification with limited labels using
semi-supervised methodologies. Using this package, we generate and evaluate
eventful PMU data for the South Carolina synthetic network. Our evaluation
consistently demonstrates that graph-based LS outperforms the other two
semi-supervised methods that we consider, and can noticeably improve event
identification performance relative to the setting with only a small number of
labeled samples.
- Abstract(参考訳): 電力システムの信頼性、安全性、安定性を高める上で、イベント識別が重要視されている。
Phasor Measurement Units(PMU)の展開とデータサイエンスの進歩により、機械学習の分類技術を通じて、データ駆動のイベント識別を探求する有望な機会がある。
しかし、労働集約性やイベントタイプ(クラス)に関する不確実性から、正確なラベル付き事象PMUデータサンプルの取得は依然として困難である。
したがって、ラベル付きサンプルとラベルなしサンプルの両方を利用する半教師付き学習技術を使うことは自然である。
%) の半教師付きフレームワークを提案し, 既存のイベント識別手法を強化するためにラベルなしのイベントフルサンプルを組み込むことの有効性を評価した。
古典的半教師ありアプローチの3つのカテゴリを評価する。
(一)自習、
(ii)トランスダクティブサポートベクターマシン(TSVM)、及び
(iii)グラフに基づくラベル拡散(ls)法。
本手法は,合成イベントフルpsmデータのモーダル解析から抽出した物理的解釈可能な特徴を用いてイベントを特徴付ける。
特に、グリッド操作に重要な識別を持つ4つのイベントクラスの識別に注目する。
半教師付き手法を用いて,データ生成,特徴抽出,限定ラベルによるイベント識別という3つの側面からなる包括的イベント識別パッケージを開発し,公開している。
本パッケージを用いて,サウスカロライナの合成ネットワークにおけるPMUデータの生成と評価を行う。
評価の結果、グラフベースlsは他の2つの半教師付き手法よりも優れており、少数のラベル付きサンプルでのみ、設定に対するイベント識別性能が顕著に向上することが示された。
関連論文リスト
- Dual-Perspective Knowledge Enrichment for Semi-Supervised 3D Object
Detection [55.210991151015534]
本稿では, DPKE という新しい2次元知識豊か化手法を提案する。
我々のDPKEは、データパースペクティブと機能パースペクティブという2つの観点から、限られたトレーニングデータ、特にラベルなしデータの知識を豊かにしています。
論文 参考訳(メタデータ) (2024-01-10T08:56:07Z) - Federated Learning with Instance-Dependent Noisy Label [6.093214616626228]
FedBeatはIDN遷移行列(IDNTM)を用いたグローバルな統計的一貫した分類器の構築を目指している
CIFAR-10 と SVHN で行った実験により,提案手法が最先端手法を著しく上回っていることを確認した。
論文 参考訳(メタデータ) (2023-12-16T05:08:02Z) - Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label
Regeneration and BEVMix [59.55173022987071]
クラス非依存動作予測のための半教師あり学習の可能性について検討する。
我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。
本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
論文 参考訳(メタデータ) (2023-12-13T09:32:50Z) - Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。
クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。
提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2023-10-30T00:32:47Z) - A Machine Learning Framework for Event Identification via Modal Analysis
of PMU Data [17.105110901241094]
本稿では,モーダルダイナミクスに基づく特徴抽出によるイベントの同定を提案する。
従来の物理に基づく特徴抽出手法と機械学習を組み合わせて、異なるイベントタイプを区別する。
以上の結果から,提案フレームワークは2種類のイベントを識別できる可能性が示唆された。
論文 参考訳(メタデータ) (2022-02-14T16:19:40Z) - 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) - WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。
エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。
提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
論文 参考訳(メタデータ) (2021-05-21T11:58:50Z) - Generic Semi-Supervised Adversarial Subject Translation for Sensor-Based
Human Activity Recognition [6.2997667081978825]
本稿では,人間活動認識における半教師付きドメイン適応のための,新しい汎用的で堅牢なアプローチを提案する。
本手法は,対象対象対象と対象対象対象対象からのみ注釈付きサンプルからの知識を活用することにより,問題点に対処するための敵対的枠組みの利点を生かしている。
その結果,提案手法が最先端手法に対して有効であることを示し,オポチュニティ,LISSI,PAMAP2データセットの高レベルのアクティビティ認識指標を最大13%,4%,13%改善した。
論文 参考訳(メタデータ) (2020-11-11T12:16:23Z) - Revisiting LSTM Networks for Semi-Supervised Text Classification via
Mixed Objective Function [106.69643619725652]
我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。
いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
論文 参考訳(メタデータ) (2020-09-08T21:55:22Z) - Unsupervised Event Detection, Clustering, and Use Case Exposition in
Micro-PMU Measurements [0.0]
我々はGAN(Generative Adversarial Networks)の概念に基づく教師なしイベント検出手法を開発した。
また,線形混合整数計画法に基づく2段階のアン教師なしクラスタリング手法を提案する。
結果から,本研究で広く普及している手法に勝るものであることが示唆された。
論文 参考訳(メタデータ) (2020-07-30T05:20:29Z)
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。