論文の概要: Impact of Data Sparsity on Machine Learning for Fault Detection in Power System Protection

• arxiv url: http://arxiv.org/abs/2505.15560v1
• Date: Wed, 21 May 2025 14:17:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.691172
• Title: Impact of Data Sparsity on Machine Learning for Fault Detection in Power System Protection
• Title（参考訳）: 電力系統保護における故障検出のための機械学習におけるデータ分散度の影響
• Authors: Julian Oelhaf, Georg Kordowich, Changhun Kim, Paula Andrea Perez-Toro, Andreas Maier, Johann Jager, Siming Bayer,
• Abstract要約: 再生可能エネルギーベースの電力システムへのドイツの移行は、グリッドの運用を再構築し、分散発電を管理するために高度な監視と制御を必要としている。 機械学習(ML)は、特に送電網における故障検出(FD)と故障線識別(FLI)のために、電力システム保護のための強力なツールとして登場した。 センサ障害、通信障害、サンプリングレートの削減によるデータの分散は、MLベースのFDとFLIにとって課題となる。 MLに基づくFDとFLIの性能に及ぼすデータ分散度の影響を評価するためのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.755840398228561
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Germany's transition to a renewable energy-based power system is reshaping grid operations, requiring advanced monitoring and control to manage decentralized generation. Machine learning (ML) has emerged as a powerful tool for power system protection, particularly for fault detection (FD) and fault line identification (FLI) in transmission grids. However, ML model reliability depends on data quality and availability. Data sparsity resulting from sensor failures, communication disruptions, or reduced sampling rates poses a challenge to ML-based FD and FLI. Yet, its impact has not been systematically validated prior to this work. In response, we propose a framework to assess the impact of data sparsity on ML-based FD and FLI performance. We simulate realistic data sparsity scenarios, evaluate their impact, derive quantitative insights, and demonstrate the effectiveness of this evaluation strategy by applying it to an existing ML-based framework. Results show the ML model remains robust for FD, maintaining an F1-score of 0.999 $\pm$ 0.000 even after a 50x data reduction. In contrast, FLI is more sensitive, with performance decreasing by 55.61% for missing voltage measurements and 9.73% due to communication failures at critical network points. These findings offer actionable insights for optimizing ML models for real-world grid protection. This enables more efficient FD and supports targeted improvements in FLI.
• Abstract（参考訳）: 再生可能エネルギーベースの電力システムへのドイツの移行は、グリッドの運用を再構築し、分散発電を管理するために高度な監視と制御を必要としている。 機械学習(ML)は、特に送電網における故障検出(FD)と故障線識別(FLI)のために、電力システム保護のための強力なツールとして登場した。 しかし、MLモデルの信頼性はデータ品質と可用性に依存する。 センサ障害、通信障害、サンプリングレートの削減によるデータの分散は、MLベースのFDとFLIにとって課題となる。 しかし、その影響は、この研究に先立って体系的に検証されていない。 そこで本稿では,MLに基づくFDとFLIの性能評価を行うフレームワークを提案する。 我々は、現実的なデータ空間のシナリオをシミュレートし、その影響を評価し、定量的な洞察を導き、既存のMLベースのフレームワークに適用することで、この評価戦略の有効性を実証する。 結果は、F1スコアの0.999$\pm$ 0.000を50倍のデータ削減後も、MLモデルはFDに対して堅牢であることを示している。 対照的に、FLIはより敏感であり、性能は55.61%低下し、重要なネットワークポイントでの通信障害により9.73%低下した。 これらの発見は、現実世界のグリッド保護のためにMLモデルを最適化するための実用的な洞察を提供する。 これにより、より効率的なFDが可能になり、FLIのターゲット改善をサポートする。

関連論文リスト

• Machine Learning-Based Cyberattack Detection and Identification for Automatic Generation Control Systems Considering Nonlinearities [0.6144680854063939]
  AGCシステムの通信計測への依存は、それらを偽データ注入攻撃(FDIA)に晒す 本稿では、FDIAを識別し、漏洩した測定値を決定する機械学習(ML)ベースの検出フレームワークを提案する。 その結果,F1スコアは99.98%,FDIAは99.98%であった。
  論文  参考訳（メタデータ） (2025-04-12T23:06:59Z)
• Enhancing Cybersecurity in Critical Infrastructure with LLM-Assisted Explainable IoT Systems [0.22369578015657962]
  本稿では,オートエンコーダを用いた数値異常検出とLarge Language Models(LLM)を併用して,事前処理と解釈性を向上するハイブリッドフレームワークを提案する。 KDDCup99 10%補正データセットの実験結果から,LLM支援前処理パイプラインは異常検出性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-03-05T04:53:07Z)
• Network Resource Optimization for ML-Based UAV Condition Monitoring with Vibration Analysis [54.550658461477106]
  条件監視(CM)は機械学習(ML)モデルを使用して異常および異常な条件を識別する。 本研究では,MLベースのUAV CMフレームワークにおけるネットワークリソースの最適化について検討する。 次元削減技術を活用することで、ネットワークリソース消費の99.9%が削減される。
  論文  参考訳（メタデータ） (2025-02-21T14:36:12Z)
• Confident or Seek Stronger: Exploring Uncertainty-Based On-device LLM Routing From Benchmarking to Generalization [61.02719787737867]
  大規模言語モデル(LLM)はますますエッジデバイスにデプロイされ、民主化されている。 1つの有望な解決策は不確実性に基づくSLMルーティングであり、SLM上での低信頼応答が発生すると、高い要求を強いLCMにオフロードする。 我々は1500以上の設定でSLMからLLMへの不確実性駆動型ルーティング戦略のベンチマークと一般化を包括的に調査する。
  論文  参考訳（メタデータ） (2025-02-06T18:59:11Z)
• LaFA: Latent Feature Attacks on Non-negative Matrix Factorization [3.45173496229657]
  ラテント・フィーチャー・アタック(LaFA)と呼ばれるNMFにおける新しい攻撃のクラスを紹介する。 提案手法では,潜時特徴に直接特徴誤差(FE)損失を利用する。 FE攻撃におけるバックプロパゲーションからの大きなピークメモリオーバーヘッド勾配に対処するため,暗黙の微分に基づく手法を開発した。
  論文  参考訳（メタデータ） (2024-08-07T17:13:46Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• Machine Learning Data Suitability and Performance Testing Using Fault Injection Testing Framework [0.0]
  本稿では,入力データ(FIUL-Data)テストフレームワークにおける望ましくない学習のためのフォールトインジェクションを提案する。 データミュータは、さまざまな障害注入の影響に対して、MLシステムの脆弱性を探索する。 本稿では, アンチセンスオリゴヌクレオチドの保持時間測定を含む分析化学データを用いて, フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2023-09-20T12:58:35Z)
• A Generative Framework for Low-Cost Result Validation of Machine Learning-as-a-Service Inference [4.478182379059458]
  FidesはML-as-a-Service(ML)推論のリアルタイム整合性検証のための新しいフレームワークである。 Fidesは、統計的分析とばらつき測定を使用して、サービスモデルが攻撃を受けている場合、高い確率で識別するクライアント側攻撃検出モデルを備えている。 攻撃検出と再分類モデルの訓練のための生成的逆ネットワークフレームワークを考案した。
  論文  参考訳（メタデータ） (2023-03-31T19:17:30Z)
• Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches [46.52224306624461]
  最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。 収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。 我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:29:20Z)

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。