論文の概要: Robustness Evaluation of Machine Learning Models for Fault Classification and Localization In Power System Protection

• arxiv url: http://arxiv.org/abs/2512.15385v1
• Date: Wed, 17 Dec 2025 12:38:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.981378
• Title: Robustness Evaluation of Machine Learning Models for Fault Classification and Localization In Power System Protection
• Title（参考訳）: 電力系統保護における故障分類と局所化のための機械学習モデルのロバスト性評価
• Authors: Julian Oelhaf, Mehran Pashaei, Georg Kordowich, Christian Bergler, Andreas Maier, Johann Jäger, Siming Bayer,
• Abstract要約: この研究は、電力系統保護における機械学習モデルの堅牢性を評価するための統一的なフレームワークを導入している。 高忠実性EMTシミュレーションは、センサの故障、サンプリングレートの低減、過渡的な通信損失などの現実的な劣化シナリオをモデル化するために用いられる。 その結果, FCはほとんどの劣化型では安定だが, 単相損失では約13%低下し, FLは全般的に感度が高く, 電圧損失は局所化誤差が150%以上増加した。
• 参考スコア（独自算出の注目度）: 5.539105299550525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing penetration of renewable and distributed generation is transforming power systems and challenging conventional protection schemes that rely on fixed settings and local measurements. Machine learning (ML) offers a data-driven alternative for centralized fault classification (FC) and fault localization (FL), enabling faster and more adaptive decision-making. However, practical deployment critically depends on robustness. Protection algorithms must remain reliable even when confronted with missing, noisy, or degraded sensor data. This work introduces a unified framework for systematically evaluating the robustness of ML models in power system protection. High-fidelity EMT simulations are used to model realistic degradation scenarios, including sensor outages, reduced sampling rates, and transient communication losses. The framework provides a consistent methodology for benchmarking models, quantifying the impact of limited observability, and identifying critical measurement channels required for resilient operation. Results show that FC remains highly stable under most degradation types but drops by about 13% under single-phase loss, while FL is more sensitive overall, with voltage loss increasing localization error by over 150%. These findings offer actionable guidance for robustness-aware design of future ML-assisted protection systems.
• Abstract（参考訳）: 再生可能および分散発電の普及は、電力システムを変え、固定設定や局所測定に依存する従来の保護策に挑戦している。 機械学習(ML)は、集中型障害分類(FC)とフォールトローカライゼーション(FL)のためのデータ駆動型代替手段を提供する。 しかし、実際的な展開は頑丈さに大きく依存する。 保護アルゴリズムは、紛失、ノイズ、または劣化したセンサーデータに直面した場合でも、信頼性を保たなければならない。 本研究は、電力系統保護におけるMLモデルの堅牢性を体系的に評価するための統一的なフレームワークを導入する。 高忠実性EMTシミュレーションは、センサの故障、サンプリングレートの低減、過渡的な通信損失などの現実的な劣化シナリオをモデル化するために用いられる。 このフレームワークは、モデルをベンチマークし、限られた可観測性の影響を定量化し、回復力のある操作に必要な重要な測定チャネルを特定するための一貫した方法論を提供する。 その結果, FCはほとんどの劣化型では安定だが, 単相損失では約13%低下し, FLは全体的に感度が高く, 電圧損失は局所化誤差が150%以上増加した。 これらの知見は、将来のML支援保護システムの堅牢性を考慮した設計のための実用的なガイダンスを提供する。

関連論文リスト

• Benchmarking Machine Learning Models for Fault Classification and Localization in Power System Protection [10.403249318465468]
  本研究は、EMTデータに基づく電力系統保護における故障分類(FC)と故障局所化(FL)に関する古典的機械学習モデルの比較ベンチマーク研究である。 最高性能のFCモデルは0.992$pm$0.001のF1スコアを獲得し、上位のFLモデルは0.806$pm$0.008のR2スコアに達し、平均処理時間は0.563msとなった。
  論文  参考訳（メタデータ） (2025-10-01T12:44:14Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• A Scoping Review of Machine Learning Applications in Power System Protection and Disturbance Management [5.539105299550525]
  このスコーピングレビューは、電力系統保護と外乱管理における機械学習(ML)応用に関する最近の文献を合成する。 i) 保護タスクにおけるML研究の範囲を評価すること、(ii) さまざまな運用シナリオにわたるMLパフォーマンスを評価すること、(iii) グリッド条件の進化に適した方法を特定すること、の3つの主要な目的に対処する。
  論文  参考訳（メタデータ） (2025-09-10T23:19:28Z)
• Impact of Data Sparsity on Machine Learning for Fault Detection in Power System Protection [2.755840398228561]
  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。
  論文  参考訳（メタデータ） (2025-05-21T14:17:58Z)
• Model Hemorrhage and the Robustness Limits of Large Language Models [119.46442117681147]
  大規模言語モデル(LLM)は、自然言語処理タスク全体で強力なパフォーマンスを示すが、デプロイメント用に修正された場合、大幅なパフォーマンス低下を経験する。 この現象をモデル出血(パラメータ変更とアーキテクチャ変更によるパフォーマンス低下)と定義する。
  論文  参考訳（メタデータ） (2025-03-31T10:16:03Z)
• Enhancing LLM Reliability via Explicit Knowledge Boundary Modeling [41.19330514054401]
  大規模言語モデル(LLM)は、不一致の自己認識に起因する幻覚の傾向にある。 本稿では,高速かつ低速な推論システムを統合し,信頼性とユーザビリティを調和させる明示的知識境界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-04T03:16:02Z)
• Federated Learning for Efficient Condition Monitoring and Anomaly Detection in Industrial Cyber-Physical Systems [0.30723404270319693]
  本稿では,センサの信頼性に基づく適応モデルアグリゲーション,資源最適化のための動的ノード選択,耐故障性のためのワイブルチェックポインティングという,3つの重要な革新を伴う拡張FLフレームワークを提案する。 NASAベアリングと水圧システムのデータセットの実験は、最先端のFL法と比較して優れた性能を示し、異常検出とノード故障時の精度の維持において99.5%のAUC-ROCを達成した。
  論文  参考訳（メタデータ） (2025-01-28T03:04:47Z)
• Transient Fault Tolerant Semantic Segmentation for Autonomous Driving [44.725591200232884]
  本稿では,過渡断層に対するレジリエンスを高めるために設計されたシンプルなアクティベーション関数ReLUMaxを紹介する。 実験により,ReLUMaxはロバスト性を効果的に向上し,性能を保ち,予測信頼性を向上することを示した。
  論文  参考訳（メタデータ） (2024-08-30T00:27:46Z)
• Enhancing Security in Federated Learning through Adaptive Consensus-Based Model Update Validation [2.28438857884398]
  本稿では,ラベルフリップ攻撃に対して,FL(Federated Learning)システムを構築するための高度なアプローチを提案する。 本稿では,適応的しきい値設定機構と統合されたコンセンサスに基づく検証プロセスを提案する。 以上の結果から,FLシステムのレジリエンスを高め,ラベルフリップ攻撃の顕著な緩和効果が示唆された。
  論文  参考訳（メタデータ） (2024-03-05T20:54:56Z)
• System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
  人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。 このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
  論文  参考訳（メタデータ） (2022-08-30T20:16:17Z)
• Providing reliability in Recommender Systems through Bernoulli Matrix Factorization [63.732639864601914]
  本稿では,予測値と信頼性値の両方を提供するためにBernoulli Matrix Factorization (BeMF)を提案する。 BeMFはメモリベースのフィルタリングではなく、モデルベースの協調フィルタリングに作用する。 予測の信頼性が高ければ高いほど、それが間違っているという責任は少なくなる。
  論文  参考訳（メタデータ） (2020-06-05T14:24:27Z)

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。