論文の概要: Selection of Optimal Number and Location of PMUs for CNN Based Fault Location and Identification

• arxiv url: http://arxiv.org/abs/2509.02192v1
• Date: Tue, 02 Sep 2025 11:05:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:04.004407
• Title: Selection of Optimal Number and Location of PMUs for CNN Based Fault Location and Identification
• Title（参考訳）: CNNに基づく故障位置と同定のためのPMUの最適数と位置の選択
• Authors: Khalid Daud Khattak, Muhammad A. Choudhry,
• Abstract要約: 我々は、PMU(Phasor Measurement Units)の数と配置を決定するために、FSNRアルゴリズムを用いたデータ駆動フォワード選択を提案する。 提案したFSNR-SVM法は,CNN全体の性能を最大限に向上する最小限のPMU構成を同定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we present a data-driven Forward Selection with Neighborhood Refinement (FSNR) algorithm to determine the number and placement of Phasor Measurement Units (PMUs) for maximizing deep-learning-based fault diagnosis performance. Candidate PMU locations are ranked via a cross-validated Support Vector Machine (SVM) classifier, and each selection is refined through local neighborhood exploration to produce a near-optimal sensor set. The resulting PMU subset is then supplied to a 1D Convolutional Neural Network (CNN) for faulted-line localization and fault-type classification from time-series measurements. Evaluation on modified IEEE 34- and IEEE 123-bus systems demonstrates that the proposed FSNR-SVM method identifies a minimal PMU configuration that achieves the best overall CNN performance, attaining over 96 percent accuracy in fault location and over 99 percent accuracy in fault-type classification on the IEEE 34 system, and approximately 94 percent accuracy in fault location and around 99.8 percent accuracy in fault-type classification on the IEEE 123 system.
• Abstract（参考訳）: 本稿では,深層学習に基づく故障診断性能を最大化するためのPMU(Phasor Measurement Unit)の数と配置を決定するために,FSNR(Data-driven Forward Selection with Neighborhood Refinement)アルゴリズムを提案する。 候補PMU位置は、クロスバリデーション支援ベクトルマシン(SVM)分類器を介してランク付けされ、各選択は局所的な近傍探索を通じて洗練され、ほぼ最適のセンサーセットを生成する。 得られたPMUサブセットは、1D Convolutional Neural Network (CNN)に供給され、フォールトラインのローカライゼーションと時系列測定によるフォールトタイプ分類を行う。 改良されたIEEE 34-およびIEEE 123バスシステムの評価では、提案手法は、最も優れたCNN性能を達成する最小のPMU構成を識別し、IEEE 34システムにおける障害位置の96%以上、障害タイプ分類の99%以上、IEEE 123システムにおける障害位置の約94%、障害タイプ分類の99.8%以上を達成している。

関連論文リスト

• Stability and Generalization for Distributed SGDA [70.97400503482353]
  分散SGDAのための安定性に基づく一般化分析フレームワークを提案する。 我々は, 安定性の誤差, 一般化ギャップ, 人口リスクの包括的分析を行う。 理論的結果から,一般化ギャップと最適化誤差のトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2024-11-14T11:16:32Z)
• Benchmarking Domain Adaptation for Chemical Processes on the Tennessee Eastman Process [4.83134644882906]
  システムモニタリングにおいて、自動故障診断は、センサの読み取りに基づいてシステムの状態を推測する。 多くの要因がデータ確率分布の変化を誘発し、そのようなモデルを一般化する可能性を妨げている。 化学プロセスの文脈における領域適応手法のベンチマークのための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2023-08-22T07:43:59Z)
• Feature-Based Generalized Gaussian Distribution Method for NLoS Detection in Ultra-Wideband (UWB) Indoor Positioning System [3.5522191686718725]
  非Line-of-Sight(NLoS)伝搬条件は、UWB(Ultra-Wideband)屋内位置決めシステム(IPS)における位置決めの精度に影響を与える重要な要因である データベースが少数のNLoS信号と多数のLine-of-Sight信号を含む場合、既存の機械学習アプローチでは高い分類精度を維持することは困難である。 特徴量に基づくガウス分布(GD)と一般化ガウス分布(GGD)NLoS検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-14T11:51:12Z)
• Adaptive Self-supervision Algorithms for Physics-informed Neural Networks [59.822151945132525]
  物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。 これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。 モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
  論文  参考訳（メタデータ） (2022-07-08T18:17:06Z)
• Spiking Cochlea with System-level Local Automatic Gain Control [13.532394494130468]
  本稿では,シリコンスパイクコクランにチャネル特異的自動ゲイン制御(AGC)を実装したシステムレベルアルゴリズムを提案する。 AGCメカニズムは演算のカウントと追加のみを必要とするため、将来の設計ではハードウェアコストの低い実装が可能である。 入力信号が32dB以上の入力範囲で変化する分類タスクに対する局所的なAGCアルゴリズムの影響を評価する。
  論文  参考訳（メタデータ） (2022-02-14T13:58:13Z)
• Test-time Batch Statistics Calibration for Covariate Shift [66.7044675981449]
  我々は,推論中に深層モデルを新しい環境に適応させることを提案する。 バッチ統計の校正に$alpha$-BNの一般的な定式化を提案する。 また、統合テスト時間適応フレームワークCoreを形成するための新しい損失関数も提示する。
  論文  参考訳（メタデータ） (2021-10-06T08:45:03Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)
• CPM R-CNN: Calibrating Point-guided Misalignment in Object Detection [30.819685214855685]
  CPM R-CNNは、アンカーベースのポイント誘導法を最適化する3つの効率的なモジュールを含んでいる。 ResNet-101 と FPN に基づく高速 R-CNN とグリッド R-CNN と比較して,本手法は検出mAP を3.3% と 1.5% で大幅に改善することができる。
  論文  参考訳（メタデータ） (2020-03-07T12:29:43Z)

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。