論文の概要: Anomaly Detection in Power Grids via Context-Agnostic Learning
- arxiv url: http://arxiv.org/abs/2404.07898v1
- Date: Thu, 11 Apr 2024 16:37:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-12 13:11:00.097885
- Title: Anomaly Detection in Power Grids via Context-Agnostic Learning
- Title(参考訳): 文脈非依存学習による電力グリッドの異常検出
- Authors: SangWoo Park, Amritanshu Pandey,
- Abstract要約: グリッド上のセンサの固定セットから得られる時系列測定値を考えると、ネットワークトポロジや測定データの異常を識別できるだろうか?
近年のデータ駆動型ML技術は、現在のデータと過去のデータを組み合わせて異常検出を行っている。
本稿では,正規位相と負荷/世代変化の影響を考慮した,文脈認識型異常検出アルゴリズムGridCALを提案する。
- 参考スコア(独自算出の注目度): 4.865842426618145
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An important tool grid operators use to safeguard against failures, whether naturally occurring or malicious, involves detecting anomalies in the power system SCADA data. In this paper, we aim to solve a real-time anomaly detection problem. Given time-series measurement values coming from a fixed set of sensors on the grid, can we identify anomalies in the network topology or measurement data? Existing methods, primarily optimization-based, mostly use only a single snapshot of the measurement values and do not scale well with the network size. Recent data-driven ML techniques have shown promise by using a combination of current and historical data for anomaly detection but generally do not consider physical attributes like the impact of topology or load/generation changes on sensor measurements and thus cannot accommodate regular context-variability in the historical data. To address this gap, we propose a novel context-aware anomaly detection algorithm, GridCAL, that considers the effect of regular topology and load/generation changes. This algorithm converts the real-time power flow measurements to context-agnostic values, which allows us to analyze measurement coming from different grid contexts in an aggregate fashion, enabling us to derive a unified statistical model that becomes the basis of anomaly detection. Through numerical simulations on networks up to 2383 nodes, we show that our approach is accurate, outperforming state-of-the-art approaches, and is computationally efficient.
- Abstract(参考訳): グリッドオペレーターは、自然に発生するか悪意のあるかにかかわらず、障害に対する防御に使用する重要なツールであり、電力系統SCADAデータ内の異常を検出する。
本稿では,リアルタイムな異常検出問題を解くことを目的とする。
グリッド上のセンサの固定セットから得られる時系列測定値を考えると、ネットワークトポロジや測定データの異常を識別できるだろうか?
既存の手法は、主に最適化ベースで、測定値のスナップショットを1つだけ使用し、ネットワークサイズとうまくスケールしない。
近年のデータ駆動型ML技術は、現在と過去のデータを組み合わせて異常検出を行っているが、一般的にはトポロジや負荷/世代変化がセンサ測定に与える影響のような物理的特性を考慮せず、歴史的データに通常の文脈変数が適用できない。
このギャップに対処するために,正規位相と負荷/発生変化の影響を考慮し,文脈認識型異常検出アルゴリズムであるGridCALを提案する。
本アルゴリズムは,実時間潮流計測を文脈に依存しない値に変換することにより,異なる格子コンテキストから得られる測定を集約的に解析し,異常検出の基礎となる統一統計モデルを導出する。
最大2383ノードまでのネットワーク上での数値シミュレーションにより、我々のアプローチは正確であり、最先端のアプローチよりも優れ、計算効率が良いことを示す。
関連論文リスト
- DeepHYDRA: Resource-Efficient Time-Series Anomaly Detection in Dynamically-Configured Systems [3.44012349879073]
我々はDeepHYDRA(Deep Hybrid DBSCAN/reduction-based Anomaly Detection)を提案する。
DBSCANと学習ベースの異常検出を組み合わせる。
大規模なデータセットと複雑なデータセットの両方において、異なるタイプの異常を確実に検出できることが示されている。
論文 参考訳(メタデータ) (2024-05-13T13:47:15Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-01-11T10:10:16Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳(メタデータ) (2022-09-23T06:09:35Z) - 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) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - Fast Wireless Sensor Anomaly Detection based on Data Stream in Edge
Computing Enabled Smart Greenhouse [5.716360276016705]
エッジコンピューティングを有効にするスマート温室は、IoT技術の代表的なアプリケーションである。
従来の異常検出アルゴリズムは、無線センサによって生成されたデータストリームの特性を適切に考慮していない。
論文 参考訳(メタデータ) (2021-07-28T13:32:12Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳(メタデータ) (2021-02-25T14:24:49Z) - Dynamic Graph-Based Anomaly Detection in the Electrical Grid [28.298564763776803]
動的グリッド上に配置されたセンサを用いた異常検出のためのドメイン知識に基づくトポロジ認識アルゴリズムDYNWATCHを提案する。
私たちのアプローチは正確であり、実験では既存のアプローチを20%以上上回る(F-Measure)。高速で、ラップトップコンピュータを使用して60K+ブランチケース上のセンサー1時間当たり平均1.7ミリ秒未満で実行し、グラフのサイズを線形にスケーリングします。
論文 参考訳(メタデータ) (2020-12-30T02:25:07Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z) - Data Anomaly Detection for Structural Health Monitoring of Bridges using
Shapelet Transform [0.0]
多くの構造健康モニタリング(SHM)システムが、土木インフラを監視するために配備されている。
SHMシステムによって測定されたデータは、故障または故障したセンサーによって引き起こされる複数の異常によって影響を受ける傾向にある。
本稿では,SHMデータの異常を自律的に識別するために,Shapelet Transformという比較的新しい時系列表現を提案する。
論文 参考訳(メタデータ) (2020-08-31T01:11:04Z) - Anomaly Detection in Trajectory Data with Normalizing Flows [0.0]
本稿では,ニューラルネットワークを用いたデータから複雑な密度推定を可能にする,正規化フローに基づく手法を提案する。
提案手法は, 軌道の各セグメントに対して, 流れを正規化する重要な特徴である, 正確なモデル確率値を算出する。
実世界の軌道データを用いて, 正規化フローを用いた集約異常検出法(GRADINGS)を評価し, 従来の異常検出法と比較した。
論文 参考訳(メタデータ) (2020-04-13T14:16:40Z)
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。