論文の概要: Enhancing Power Grid Inspections with Machine Learning

• arxiv url: http://arxiv.org/abs/2502.13037v1
• Date: Tue, 18 Feb 2025 16:49:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:06:52.392753
• Title: Enhancing Power Grid Inspections with Machine Learning
• Title（参考訳）: 機械学習による電力グリッド検査の強化
• Authors: Diogo Lavado, Ricardo Santos, Andre Coelho, Joao Santos, Alessandra Micheletti, Claudia Soares,
• Abstract要約: 本稿では3次元コンピュータビジョンを用いた電力グリッド検査の自動化について検討する。 3Dセマンティックセグメンテーションに集中することにより、クラス不均衡やノイズの多いデータといった課題に対処する。 ベンチマークの結果は、大幅なパフォーマンス改善を示している。
• 参考スコア（独自算出の注目度）: 39.13030224140639
• License:
• Abstract: Ensuring the safety and reliability of power grids is critical as global energy demands continue to rise. Traditional inspection methods, such as manual observations or helicopter surveys, are resource-intensive and lack scalability. This paper explores the use of 3D computer vision to automate power grid inspections, utilizing the TS40K dataset -- a high-density, annotated collection of 3D LiDAR point clouds. By concentrating on 3D semantic segmentation, our approach addresses challenges like class imbalance and noisy data to enhance the detection of critical grid components such as power lines and towers. The benchmark results indicate significant performance improvements, with IoU scores reaching 95.53% for the detection of power lines using transformer-based models. Our findings illustrate the potential for integrating ML into grid maintenance workflows, increasing efficiency and enabling proactive risk management strategies.
• Abstract（参考訳）: 世界のエネルギー需要が上昇し続ける中、電力グリッドの安全性と信頼性を確保することが重要である。 手動観測やヘリコプター調査のような従来の検査手法は資源集約的でスケーラビリティに欠ける。 本稿では,高密度で注釈付き3DLiDAR点群集であるTS40Kデータセットを用いて,電力グリッド検査の自動化に3Dコンピュータビジョンを使用する方法について検討する。 本手法は,3次元セマンティックセグメンテーションに集中することにより,電力線やタワーなどの重要なグリッド成分の検出を強化するために,クラス不均衡やノイズデータといった課題に対処する。 ベンチマークの結果、IoUスコアが95.53%に達し、トランスフォーマーベースのモデルによる電力線の検出が可能となった。 この結果から,MLをグリッドメンテナンスワークフローに統合し,効率を向上し,積極的なリスク管理戦略を実現する可能性が示唆された。

関連論文リスト

• Power Plant Detection for Energy Estimation using GIS with Remote Sensing, CNN & Vision Transformers [1.563479906200713]
  本稿では,CNN(Convolutional Neural Networks)とViT(Vision Transformers)による遠隔センシング機能を備えたGISをパイプライン化することで,エネルギー推定アプリケーションを支援するハイブリッドモデルを提案する。 提案手法は,GISを介して共通マップ上の複数のデータ型をリアルタイムに解析し,CNNによる特徴抽出機能を実現する。
  論文  参考訳（メタデータ） (2024-12-06T12:15:11Z)
• Power Plays: Unleashing Machine Learning Magic in Smart Grids [0.0]
  機械学習アルゴリズムは、スマートメーター、センサー、その他のグリッドコンポーネントから大量のデータを分析して、エネルギー分布の最適化、需要予測、潜在的な障害を示す不規則性の検出を行う。 予測モデルの使用は、機器の故障を予測し、エネルギー供給の信頼性を向上させるのに役立つ。 しかしながら、これらのテクノロジの展開は、データのプライバシやセキュリティ、堅牢なインフラストラクチャの必要性に関する課題も引き起こす。
  論文  参考訳（メタデータ） (2024-10-20T15:39:08Z)
• Discovery of False Data Injection Schemes on Frequency Controllers with Reinforcement Learning [7.540446548202259]
  インバータベースの分散エネルギー資源(DER)は、再生可能エネルギーを電力システムに統合する上で重要な役割を果たす。 我々は、潜在的な脅威やシステムの脆弱性を特定するために強化学習を採用することを提案する。
  論文  参考訳（メタデータ） (2024-08-30T01:09:32Z)
• SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
  我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。 SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2024-07-17T09:01:38Z)
• PerLDiff: Controllable Street View Synthesis Using Perspective-Layout Diffusion Models [55.080748327139176]
  本稿では、3次元幾何学的情報を完全に活用した効果的なストリートビュー画像生成手法であるPerLDiffを紹介する。 この結果から,我々のPerLDiffはNuScenesおよびKITTIデータセットの生成精度を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2024-07-08T16:46:47Z)
• An Unsupervised Adversarial Autoencoder for Cyber Attack Detection in Power Distribution Grids [0.0]
  本稿では,不均衡配電系統における偽データインジェクション攻撃(FDIA)を検出するために,教師なし対向オートエンコーダ(AAE)モデルを提案する。 提案手法は,オートエンコーダの構造における長期記憶(LSTM)を用いて,時系列計測における時間依存性をキャプチャする。 IEEE 13-bus と 123-bus で、歴史的気象データと歴史的実世界の負荷データを用いてテストされている。
  論文  参考訳（メタデータ） (2024-03-31T01:20:01Z)
• Autonomous Point Cloud Segmentation for Power Lines Inspection in Smart Grid [56.838297900091426]
  高電圧と低電圧の両方の電力線の特徴を検出し,抽出し,解析するために,教師なし機械学習(ML)フレームワークを提案する。 提案フレームワークは電力線を効率よく検出し,PLCに基づくハザード解析を行う。
  論文  参考訳（メタデータ） (2023-08-14T17:14:58Z)
• Non-Intrusive Electric Load Monitoring Approach Based on Current Feature Visualization for Smart Energy Management [51.89904044860731]
  我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。 マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
  論文  参考訳（メタデータ） (2023-08-08T04:52:19Z)
• Stabilizing Voltage in Power Distribution Networks via Multi-Agent Reinforcement Learning with Transformer [128.19212716007794]
  本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。 さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
  論文  参考訳（メタデータ） (2022-06-08T07:48:42Z)

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。