論文の概要: Enhancing Power Quality Event Classification with AI Transformer Models

• arxiv url: http://arxiv.org/abs/2402.14949v1
• Date: Thu, 22 Feb 2024 20:09:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-26 16:28:27.921276
• Title: Enhancing Power Quality Event Classification with AI Transformer Models
• Title（参考訳）: aiトランスフォーマーモデルによる電力品質イベント分類の強化
• Authors: Ahmad Mohammad Saber, Amr Youssef, Davor Svetinovic, Hatem Zeineldin, Deepa Kundur and Ehab El-Saadany
• Abstract要約: 本稿では,PQEを正確に分類するツールとして,注目対応トランスフォーマーを活用したディープラーニングフレームワークを提案する。 信号対雑音比、DCオフセット、信号振幅と周波数の変化に応じて99.81%$-91.43%の精度でPQEを正確に分類することができる。
• 参考スコア（独自算出の注目度）: 1.0590597091788065
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recently, there has been a growing interest in utilizing machine learning for accurate classification of power quality events (PQEs). However, most of these studies are performed assuming an ideal situation, while in reality, we can have measurement noise, DC offset, and variations in the voltage signal's amplitude and frequency. Building on the prior PQE classification works using deep learning, this paper proposes a deep-learning framework that leverages attention-enabled Transformers as a tool to accurately classify PQEs under the aforementioned considerations. The proposed framework can operate directly on the voltage signals with no need for a separate feature extraction or calculation phase. Our results show that the proposed framework outperforms recently proposed learning-based techniques. It can accurately classify PQEs under the aforementioned conditions with an accuracy varying between 99.81%$-$91.43% depending on the signal-to-noise ratio, DC offsets, and variations in the signal amplitude and frequency.
• Abstract（参考訳）: 近年,PQE(Power Quality Event)の正確な分類に機械学習を活用することへの関心が高まっている。 しかし、これらの研究のほとんどは理想的な状況を仮定して行われるが、実際には測定ノイズ、直流オフセット、電圧信号の振幅と周波数の変動がある。 本稿では,事前のPQE分類が深層学習を用いて動作することを前提として,上記の考察の下でPQEを正確に分類するツールとして,注目対応トランスフォーマーを活用したディープラーニングフレームワークを提案する。 提案手法は, 分離した特徴抽出や計算フェーズを必要とせずに, 直接電圧信号上で動作可能である。 提案手法は,最近提案した学習手法よりも優れていた。 上記の条件下でのPQEの正確な分類は、信号-雑音比、DCオフセット、信号振幅と周波数の変化に応じて99.81%$-91.43%の精度で可能である。

関連論文リスト

• A Novel Approach to Classify Power Quality Signals Using Vision Transformers [0.49478969093606673]
  本稿では、視覚変換器(ViT)モデルに基づく電力品質乱れ(PQD)分類の新しいアプローチを提案する。 実験の結果,提案手法はPQD分類精度が98.28%, 97.98%であった。
  論文  参考訳（メタデータ） (2024-08-16T19:22:02Z)
• Model-Based Qubit Noise Spectroscopy [0.0]
  古典的な信号処理からインスピレーションを得てモデルに基づくQNSアプローチを導出する。 シミュレーションと実験データの両方を通して、これらのモデルに基づくQNSアプローチが、古典的手法の統計的および計算的利点をいかに維持するかを示す。
  論文  参考訳（メタデータ） (2024-05-20T09:30:38Z)
• Deep learning based on Transformer architecture for power system short-term voltage stability assessment with class imbalance [13.3281651745186]
  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。
  論文  参考訳（メタデータ） (2023-10-18T03:36:10Z)
• Transformers as Statisticians: Provable In-Context Learning with In-Context Algorithm Selection [88.23337313766353]
  この研究はまず、変換器がICLを実行するための包括的な統計理論を提供する。 コンテクストにおいて、トランスフォーマーは、幅広い種類の標準機械学習アルゴリズムを実装可能であることを示す。 エンフィングル変換器は、異なるベースICLアルゴリズムを適応的に選択することができる。
  論文  参考訳（メタデータ） (2023-06-07T17:59:31Z)
• 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)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Adaptive Spike-Like Representation of EEG Signals for Sleep Stages Scoring [6.644008481573341]
  信号強度の半ガウス的確率によって入力信号と重み特徴を符号化し,フィルタリングし,蓄積する適応的手法を提案する。 提案手法の有効性を検証し,将来有望な方向性を明らかにするため,最先端手法に対する最大の公開データセットの実験を行った。
  論文  参考訳（メタデータ） (2022-04-02T11:21:49Z)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)
• Investigation of Different Calibration Methods for Deep Speaker Embedding based Verification Systems [66.61691401921296]
  本稿では, ディープスピーカ埋込抽出器のスコアキャリブレーション法について検討する。 この研究のさらなる焦点は、スコア正規化がシステムの校正性能に与える影響を推定することである。
  論文  参考訳（メタデータ） (2022-03-28T21:22:22Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• Voice2Series: Reprogramming Acoustic Models for Time Series Classification [65.94154001167608]
  Voice2Seriesは、時系列分類のための音響モデルをプログラムする新しいエンドツーエンドアプローチである。 V2Sは20のタスクで性能が優れるか、最先端のメソッドと結びついているかを示し、平均精度を1.84%向上させる。
  論文  参考訳（メタデータ） (2021-06-17T07:59:15Z)

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。