論文の概要: Power Transformer Fault Prediction Based on Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2402.07283v1
- Date: Sun, 11 Feb 2024 19:14:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 16:32:30.665324
- Title: Power Transformer Fault Prediction Based on Knowledge Graphs
- Title（参考訳）: 知識グラフに基づく電力変圧器故障予測
- Authors: Chao Wang, Zhuo Chen, Ziyan Zhang, Chiyi Li, Kai Song
- Abstract要約: 広範なフォールトデータの不足により、機械学習技術を効果的に適用することは困難である。
我々は,知識グラフ(KG)技術と勾配向上決定木(GBDT)を併用した新しい手法を提案する。
本手法は, 変圧器の故障や過去の運用データに影響を及ぼす様々な要因を統合することで, 少数の高次元データから効率的に学習できるように設計されている。
- 参考スコア（独自算出の注目度）: 9.690455133923667
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we address the challenge of learning with limited fault data
for power transformers. Traditional operation and maintenance tools lack
effective predictive capabilities for potential faults. The scarcity of
extensive fault data makes it difficult to apply machine learning techniques
effectively. To solve this problem, we propose a novel approach that leverages
the knowledge graph (KG) technology in combination with gradient boosting
decision trees (GBDT). This method is designed to efficiently learn from a
small set of high-dimensional data, integrating various factors influencing
transformer faults and historical operational data. Our approach enables
accurate safe state assessments and fault analyses of power transformers
despite the limited fault characteristic data. Experimental results demonstrate
that this method outperforms other learning approaches in prediction accuracy,
such as artificial neural networks (ANN) and logistic regression (LR).
Furthermore, it offers significant improvements in progressiveness,
practicality, and potential for widespread application.
- Abstract（参考訳）: 本稿では,電力変圧器の故障データ制限による学習の課題について述べる。
従来の運用とメンテナンスツールには、潜在的な障害に対する効果的な予測機能がない。
広範なフォールトデータの不足により、機械学習技術を効果的に適用することは困難である。
そこで本研究では,知識グラフ(KG)技術と勾配向上決定木(GBDT)を組み合わせた新しい手法を提案する。
本手法は, 変圧器の故障や過去の運用データに影響を及ぼす様々な要因を統合することで, 少数の高次元データから効率的に学習できるように設計されている。
本手法は, 限られた故障特性データにもかかわらず, 電力変圧器の安全性評価と故障解析を可能にする。
実験により,この手法は,人工ニューラルネットワーク(ANN)やロジスティック回帰(LR)など,予測精度の他の学習手法よりも優れていることが示された。
さらに、プログレッシブネス、実用性、そして広く応用される可能性を大きく改善する。
関連論文リスト
- Causal Context Adjustment Loss for Learned Image Compression [72.7300229848778]
近年,学習画像圧縮(lic)技術は,特にRD性能の点で従来の手法を上回りつつある。
現在の技術のほとんどは、自己回帰エントロピーモデルを備えたVAEベースで、デコードされた因果コンテキストを利用してRD性能を向上する。
本稿では,提案した因果文脈調整損失を用いて因果文脈を的確に調整する方法を初めて検討する。
論文 参考訳（メタデータ） (2024-10-07T09:08:32Z) - Learning on Transformers is Provable Low-Rank and Sparse: A One-layer Analysis [63.66763657191476]
低ランク計算としての効率的な数値学習と推論アルゴリズムはトランスフォーマーに基づく適応学習に優れた性能を持つことを示す。
我々は、等級モデルが適応性を改善しながら一般化にどのように影響するかを分析する。
適切なマグニチュードベースのテストは,テストパフォーマンスに多少依存している,と結論付けています。
論文 参考訳（メタデータ） (2024-06-24T23:00:58Z) - A Self-Commissioning Edge Computing Method for Data-Driven Anomaly
Detection in Power Electronic Systems [0.0]
現場応用のための制御されたラボ環境でうまく機能する手法は、重大な課題を提示する。
オンライン機械学習は、この問題を克服するための強力なツールだが、トレーニングプロセスの安定性と予測可能性を保証する上で、さらなる課題がもたらされる。
この研究は、これらの欠点を最小限のメモリ使用量で軽減するエッジコンピューティング手法を提案する。
論文 参考訳（メタデータ） (2023-12-05T10:56:25Z) - 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) - Supervised Pretraining Can Learn In-Context Reinforcement Learning [96.62869749926415]
本稿では,意思決定問題における変換器の文脈内学習能力について検討する。
本稿では,変換器が最適動作を予測する教師付き事前学習法であるDPT(Decision-Pretrained Transformer)を導入,研究する。
事前学習した変換器は、オンラインと保守主義の両方をオフラインで探索することで、コンテキスト内における様々なRL問題の解決に利用できる。
論文 参考訳（メタデータ） (2023-06-26T17:58:50Z) - Hybrid AI-based Anomaly Detection Model using Phasor Measurement Unit
Data [0.41998444721319217]
ファサー計測装置(PMU)を用いて電力システムを監視することは、将来有望な技術の一つである。
サイバー物理的相互作用の増加は、利点と欠点の両方をもたらし、そこでは、測定データの異常の形で欠点の1つが生まれる。
本稿では,PMUデータにおける異常検出の様々な手法に基づくハイブリッドAIベースモデルを開発することを目的とする。
論文 参考訳（メタデータ） (2022-09-21T11:22:01Z) - 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) - 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) - Physics-informed Evolutionary Strategy based Control for Mitigating
Delayed Voltage Recovery [14.44961822756759]
物理インフォームド・ガイド付きメタ進化戦略(ES)に基づく新しいデータ駆動リアルタイム電力系統電圧制御法を提案する。
主な目的は、故障による遅延電圧回復(FIDVR)問題を緩和するための適応制御戦略を迅速に提供することである。
論文 参考訳（メタデータ） (2021-11-29T07:12:40Z) - Influence Functions in Deep Learning Are Fragile [52.31375893260445]
影響関数は、テスト時間予測におけるサンプルの効果を近似する。
影響評価は浅いネットワークでは かなり正確です
ヘッセン正則化は、高品質な影響推定を得るために重要である。
論文 参考訳（メタデータ） (2020-06-25T18:25:59Z) - A Survey on Impact of Transient Faults on BNN Inference Accelerators [0.9667631210393929]
ビッグデータブームにより、非常に大きなデータセットへのアクセスと分析が容易になります。
ディープラーニングモデルは、計算能力と極めて高いメモリアクセスを必要とする。
本研究では,ソフトエラーが独自の深層学習アルゴリズムに与える影響が画像の劇的な誤分類を引き起こす可能性を実証した。
論文 参考訳（メタデータ） (2020-04-10T16:15:55Z)
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。