論文の概要: Deep learning based on Transformer architecture for power system
short-term voltage stability assessment with class imbalance
- arxiv url: http://arxiv.org/abs/2310.11690v1
- Date: Wed, 18 Oct 2023 03:36:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-19 11:56:11.284767
- Title: Deep learning based on Transformer architecture for power system
short-term voltage stability assessment with class imbalance
- Title（参考訳）: クラス不均衡を考慮した電力系統短期電圧安定度評価のための変圧器アーキテクチャに基づくディープラーニング
- Authors: Yang Li, Jiting Cao, Yan Xu, Lipeng Zhu, Zhao Yang Dong
- Abstract要約: 実用的応用では、乱れ後の短期電圧不安定性が最小限であり、重大なクラス不均衡問題を引き起こす。
この課題に対処するために,Transformer ベースの STVSA 手法を提案する。
不均衡データセットの負の影響に対処するために、この研究は勾配ペナルティを持つ条件付きワッサーシュタイン生成逆数ネットワークを用いる。
- 参考スコア（独自算出の注目度）: 13.3281651745186
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most existing data-driven power system short-term voltage stability
assessment (STVSA) approaches presume class-balanced input data. However, in
practical applications, the occurrence of short-term voltage instability
following a disturbance is minimal, leading to a significant class imbalance
problem and a consequent decline in classifier performance. This work proposes
a Transformer-based STVSA method to address this challenge. By utilizing the
basic Transformer architecture, a stability assessment Transformer (StaaT) is
developed {as a classification model to reflect the correlation between the
operational states of the system and the resulting stability outcomes}. To
combat the negative impact of imbalanced datasets, this work employs a
conditional Wasserstein generative adversarial network with gradient penalty
(CWGAN-GP) for synthetic data generation, aiding in the creation of a balanced,
representative training set for the classifier. Semi-supervised clustering
learning is implemented to enhance clustering quality, addressing the lack of a
unified quantitative criterion for short-term voltage stability. {Numerical
tests on the IEEE 39-bus test system extensively demonstrate that the proposed
method exhibits robust performance under class imbalances up to 100:1 and noisy
environments, and maintains consistent effectiveness even with an increased
penetration of renewable energy}. Comparative results reveal that the CWGAN-GP
generates more balanced datasets than traditional oversampling methods and that
the StaaT outperforms other deep learning algorithms. This study presents a
compelling solution for real-world STVSA applications that often face class
imbalance and data noise challenges.
- Abstract（参考訳）: 既存のデータ駆動型電力系統の短期電圧安定性評価(STVSA)は、推定クラスの平衡入力データにアプローチする。
しかし、実際の応用では、外乱による短期電圧不安定の発生は最小限であり、重大なクラス不均衡問題と分類器の性能の低下に繋がる。
この課題に対処するために,Transformer ベースの STVSA 手法を提案する。
基本変圧器アーキテクチャを利用して, システムの動作状態と結果の安定性結果との相関を反映する分類モデルとして, 安定性評価トランスフォーマ(staat)を開発した。
不均衡データセットの負の影響に対処するために、この研究は、合成データ生成のための勾配ペナルティ(CWGAN-GP)付き条件付きワッサーシュタイン生成逆数ネットワークを用いて、分類器のためのバランスの取れた代表的トレーニングセットの作成を支援する。
半教師付きクラスタリング学習は、短期電圧安定のための統一的定量的基準の欠如に対処するため、クラスタリング品質を向上させるために実装されている。
IEEE 39-busテストシステムの数値実験により, クラス不均衡条件下では, 100:1, ノイズ環境下での頑健な性能を示し, 再生可能エネルギーの浸透量の増加においても一貫した有効性を維持した。
比較結果から、CWGAN-GPは従来のオーバーサンプリング手法よりもバランスのとれたデータセットを生成し、StaTは他のディープラーニングアルゴリズムよりも優れていることが明らかになった。
本研究では,クラス不均衡やデータノイズ問題に直面した実世界のSTVSAアプリケーションに対して,説得力のあるソリューションを提案する。
関連論文リスト
- Simplifying Neural Network Training Under Class Imbalance [77.39968702907817]
実世界のデータセットは、しばしば高いクラス不均衡であり、ディープラーニングモデルのパフォーマンスに悪影響を及ぼす可能性がある。
クラス不均衡下でのニューラルネットワークのトレーニングに関する研究の大部分は、特殊な損失関数、サンプリング技術、または2段階のトレーニング手順に焦点を当てている。
バッチサイズやデータ拡張,ラベルの平滑化といった,標準的なディープラーニングパイプラインの既存のコンポーネントを単にチューニングするだけで,そのような特殊なクラス不均衡な手法を使わずに,最先端のパフォーマンスを達成できることを実証する。
論文 参考訳（メタデータ） (2023-12-05T05:52:44Z) - Class-Imbalanced Graph Learning without Class Rebalancing [62.1368829847041]
クラス不均衡は実世界のノード分類タスクでよく見られ、グラフ学習モデルには大きな課題がある。
本研究では、トポロジカルパラダイムからクラス不均衡バイアスの根本原因にアプローチする。
我々は,クラス再バランスを伴わずにクラス不均衡バイアスを軽減するために,軽量なトポロジカル拡張フレームワークであるBATを考案した。
論文 参考訳（メタデータ） (2023-08-27T19:01:29Z) - PMU measurements based short-term voltage stability assessment of power
systems via deep transfer learning [2.1303885995425635]
本稿では, 深層移動学習を用いた新しいファサー計測ユニット (PMU) を用いたSTVSA法を提案する。
サンプルラベリングには時間的アンサンブルを採用し、データ拡張には最小2乗生成逆数ネットワーク(LSGAN)を使用している。
IEEE 39-busテストシステムの実験結果から,提案手法は伝達学習によるモデル評価精度を約20%向上することを示した。
論文 参考訳（メタデータ） (2023-08-07T23:44:35Z) - Transferable Deep Learning Power System Short-Term Voltage Stability
Assessment with Physics-Informed Topological Feature Engineering [7.525107154126671]
ディープラーニングアルゴリズムは、電力系統の短期電圧安定性評価(STVS)に広く応用されている。
本稿では、PMUデータからトポロジ対応の電圧動的特徴を構築することにより、STVS評価のための転送可能なDLベースモデルを提案する。
提案手法は,微調整後のグリッドトポロジに優れた性能を示す。
論文 参考訳（メタデータ） (2023-03-13T14:05:18Z) - Distributed Learning in Heterogeneous Environment: federated learning
with adaptive aggregation and computation reduction [37.217844795181975]
異種データ、時間的変化のある無線条件、コンピューティングに制限のあるデバイスは3つの大きな課題である。
これらの課題に対処するための戦略を提案する。
提案手法は, 適度な遅延環境下で最大15ラウンドの通信遅延を許容できる。
論文 参考訳（メタデータ） (2023-02-16T16:32:54Z) - An Embarrassingly Simple Baseline for Imbalanced Semi-Supervised
Learning [103.65758569417702]
半教師付き学習(SSL)は、ラベルのないデータを活用してモデルのパフォーマンスを向上させるという大きな約束を示している。
我々は、ラベル付きデータとラベルなしデータの両方で不均衡なクラス分散が発生する不均衡SSLという、より現実的で困難な設定について検討する。
我々は、ラベル付きデータを擬似ラベルで単純に補うことで、データの不均衡に取り組む単純なベースライン、SimiSについて研究する。
論文 参考訳（メタデータ） (2022-11-20T21:18:41Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳（メタデータ） (2022-11-09T23:40:52Z) - Continual Learning For On-Device Environmental Sound Classification [63.81276321857279]
デバイス上での環境音の分類のための簡易かつ効率的な連続学習法を提案する。
本手法は,サンプルごとの分類の不確実性を測定することにより,トレーニングの履歴データを選択する。
論文 参考訳（メタデータ） (2022-07-15T12:13:04Z) - A Deep-Learning Intelligent System Incorporating Data Augmentation for
Short-Term Voltage Stability Assessment of Power Systems [9.299576471941753]
本稿では,電力系統のSTVSAにデータ拡張を取り入れた新しいディープラーニング知能システムを提案する。
半教師付きクラスタ学習を利用して、ラベル付きサンプルを元の小さなデータセットで取得する。
条件付き最小二乗生成逆数ネットワーク(LSGAN)ベースのデータ拡張を導入し、元のデータセットを拡張する。
論文 参考訳（メタデータ） (2021-12-05T11:40:54Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z) - Versatile and Robust Transient Stability Assessment via Instance
Transfer Learning [6.760999627905228]
本稿では,電力系統力学の知識を取り入れたデータ駆動型アルゴリズムに新たなデータ収集手法を提案する。
不安定領域に関する重要な情報を提供する断層影響領域という新しい概念を導入する。
IEEE 39バスシステムのテスト結果は、このモデルがこれまで見つからなかった運用シナリオの安定性を正確に予測できることを検証します。
論文 参考訳（メタデータ） (2021-02-20T09:10:29Z)
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。