論文の概要: Detection and Imputation based Two-Stage Denoising Diffusion Power System Measurement Recovery under Cyber-Physical Uncertainties
- arxiv url: http://arxiv.org/abs/2312.04346v2
- Date: Tue, 03 Dec 2024 09:54:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:39:18.644628
- Title: Detection and Imputation based Two-Stage Denoising Diffusion Power System Measurement Recovery under Cyber-Physical Uncertainties
- Title(参考訳): サイバー物理不確かさによる二段階拡散電力系統計測の回収
- Authors: Jianhua Pei, Jingyu Wang, Dongyuan Shi, Ping Wang,
- Abstract要約: 電力系統のサイバー物理学的不確実性は、サイバー攻撃やデータ損失に起因する測定の曖昧さを含み、測定の質を高める可能性を減らす。
本稿では, 様々なサイバー物理的不確実性を用いて測定値の同定と再構成を行うため, 検出と計算に基づく2段階復調拡散モデル (TSDM) を提案する。
- 参考スコア(独自算出の注目度): 20.33741026786421
- License:
- Abstract: Power system cyber-physical uncertainties, including measurement ambiguities stemming from cyber attacks and data losses, along with system uncertainties introduced by massive renewables and complex dynamics, reduce the likelihood of enhancing the quality of measurements. Fortunately, denoising diffusion models exhibit powerful learning and generation abilities for the complex underlying physics of the real world. To this end, this paper proposes an improved detection and imputation based two-stage denoising diffusion model (TSDM) to identify and reconstruct the measurements with various cyber-physical uncertainties. The first stage of the model comprises a classifier-guided conditional anomaly detection component, while the second stage involves diffusion-based measurement imputation component. Moreover, the proposed TSDM adopts optimal variance to accelerate the diffusion generation process with subsequence sampling. Extensive numerical case studies demonstrate that the proposed TSDM can accurately recover power system measurements despite renewables-induced strong randomness and highly nonlinear dynamics. Additionally, the proposed TSDM has stronger robustness compared to existing reconstruction networks and exhibits lower computational complexity than general denoising diffusion models.
- Abstract(参考訳): 電力系統のサイバー物理不確実性は、サイバー攻撃やデータ損失に起因する測定の不確実性や、大規模な再生可能エネルギーや複雑な力学によって導入されたシステム不確実性を含む、測定の質を高める可能性を減らす。
幸いなことに、デノナイズド拡散モデルは現実世界の複雑な基礎物理学に強力な学習能力と生成能力を示す。
そこで本研究では,様々なサイバー物理的不確実性を用いて測定値の同定と再構成を行うため,TSDMを用いた検出と計算に基づく2段階デノナイジング拡散モデルを提案する。
モデルの第1段階は分類器誘導条件異常検出成分を含み、第2段階は拡散に基づく測定計算成分を含む。
さらに,提案するTSDMは,拡散生成過程をサブシーケンスサンプリングで高速化するために最適分散を採用する。
大規模な数値ケーススタディでは,再生可能エネルギーによる強いランダム性と高非線形ダイナミクスにもかかわらず,TSDMが電力系統計測を正確に回復できることが示されている。
さらに,提案したTSDMは,既存の再構成ネットワークと比較して強い堅牢性を有し,一般化拡散モデルよりも計算複雑性が低い。
関連論文リスト
- Triply Laplacian Scale Mixture Modeling for Seismic Data Noise Suppression [51.87076090814921]
ポーラシティに基づくテンソルリカバリ法は, 地震データノイズを抑制する大きな可能性を示している。
本研究では, 3次元ラプラシアンスケール混合(TLSM)による地震波の抑制手法を提案する。
論文 参考訳(メタデータ) (2025-02-20T08:28:01Z) - InVAErt networks for amortized inference and identifiability analysis of lumped parameter hemodynamic models [0.0]
本研究では、ニューラルネットワークをベースとしたデータ駆動型フレームワークであるinVAErtネットワークを用いて、剛体力学系のディジタル双対解析を強化する。
InVAErtネットワークの柔軟性と有効性について,合成データから欠落成分を含む実データへの6成分ループ型パラメータ血行動態モデルの生理的逆転の文脈で示す。
論文 参考訳(メタデータ) (2024-08-15T17:07:40Z) - RCDM: Enabling Robustness for Conditional Diffusion Model [2.4915590770454035]
条件拡散モデル(CDM)は、より多くの制御を提供することで標準拡散モデルを強化する。
CDMの逆過程における不正確な条件入力は、ニューラルネットワークの固定エラーを生じさせるのが容易である。
本稿では,ロバスト条件拡散モデル(RCDM)を提案する。
論文 参考訳(メタデータ) (2024-08-05T13:12:57Z) - Diffusion Boosted Trees [56.46631445688882]
拡散ブーストツリー(DBT)は、決定木によってパラメータ化される新しい拡散生成モデルであると見なすことができる。
DBT は弱を条件分布の強い勾配に結合し、それらの密度形式について明示的な仮定をしない。
論文 参考訳(メタデータ) (2024-06-03T22:11:38Z) - Recurrent Deep Kernel Learning of Dynamical Systems [0.5825410941577593]
デジタル双対は計算効率の低い低次モデル(ROM)を必要とし、物理的資産の複雑な力学を正確に記述することができる。
データから低次元の潜伏空間を発見するために,データ駆動型非侵入型深層学習法(SVDKL)を提案する。
その結果,本フレームワークは, (i) 測定値の復調と再構成, (ii) システム状態のコンパクトな表現の学習, (iii) 低次元潜在空間におけるシステム進化の予測, (iv) 不確実性をモデル化できることがわかった。
論文 参考訳(メタデータ) (2024-05-30T07:49:02Z) - MTS-DVGAN: Anomaly Detection in Cyber-Physical Systems using a Dual
Variational Generative Adversarial Network [7.889342625283858]
深層生成モデルは、ラベル付き情報に頼ることなく、サイバー物理システム(CPS)の脆弱性を軽減し、新しいサイバー物理攻撃を検出することを約束している。
本稿では、MST-DVGANという、教師なし二重変分生成対向モデルを提案する。
中心となる概念は、再構成された異常サンプルと正常なサンプルとの区別を広げることで、モデルの識別能力を高めることである。
論文 参考訳(メタデータ) (2023-11-04T11:19:03Z) - SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。
推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。
拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
論文 参考訳(メタデータ) (2023-10-03T05:05:35Z) - Robustness and Generalization Performance of Deep Learning Models on
Cyber-Physical Systems: A Comparative Study [71.84852429039881]
調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。
我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
論文 参考訳(メタデータ) (2023-06-13T12:43:59Z) - DDS2M: Self-Supervised Denoising Diffusion Spatio-Spectral Model for
Hyperspectral Image Restoration [103.79030498369319]
ハイパースペクトル画像復元のための自己教師付き拡散モデルを提案する。
textttDDS2Mは、既存の拡散法と比較して、より強力な一般化能力を持っている。
HSIのノイズ除去、ノイズ除去、様々なHSIの超解像実験は、既存のタスク固有状態よりもtextttDDS2Mの方が優れていることを示した。
論文 参考訳(メタデータ) (2023-03-12T14:57:04Z) - Macroscopic noise amplification by asymmetric dyads in non-Hermitian
optical systems for generative diffusion models [55.2480439325792]
非対称な非エルミートダイアドは、効率的なセンサーと超高速な乱数発生器の候補である。
このような非対称なダイアドからの集積光放射は、機械学習の全光学的退化拡散モデルに効率的に利用できる。
論文 参考訳(メタデータ) (2022-06-24T10:19:36Z) - Physics-Informed Neural Networks for Non-linear System Identification
for Power System Dynamics [0.0]
本稿では,将来の電力系統の周波数ダイナミクスを発見するための物理情報ニューラルネットワーク(PINN)の性能について検討する。
PINNは、低慣性システムのより強い非線形性、測定ノイズの増加、データの可用性の制限といった課題に対処する可能性がある。
論文 参考訳(メタデータ) (2020-04-08T14:50:13Z)
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。