論文の概要: Fault Detection in Electrical Distribution System using Autoencoders

• arxiv url: http://arxiv.org/abs/2602.14939v1
• Date: Mon, 16 Feb 2026 17:21:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.559471
• Title: Fault Detection in Electrical Distribution System using Autoencoders
• Title（参考訳）: オートエンコーダを用いた配電系統の故障検出
• Authors: Sidharthenee Nayak, Victor Sam Moses Babu, Chandrashekhar Narayan Bhende, Pratyush Chakraborty, Mayukha Pal,
• Abstract要約: 本稿では,電力系統の異常検出に対する異常に基づくアプローチを提案する。 畳み込みオートエンコーダ(CAE)を次元減少に利用し,従来のオートエンコーダに比べてトレーニング時間を短縮する。 提案手法は,代替検出手法よりも優れた性能と精度を示す。
• 参考スコア（独自算出の注目度）: 0.49259062564301753
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In recent times, there has been considerable interest in fault detection within electrical power systems, garnering attention from both academic researchers and industry professionals. Despite the development of numerous fault detection methods and their adaptations over the past decade, their practical application remains highly challenging. Given the probabilistic nature of fault occurrences and parameters, certain decision-making tasks could be approached from a probabilistic standpoint. Protective systems are tasked with the detection, classification, and localization of faulty voltage and current line magnitudes, culminating in the activation of circuit breakers to isolate the faulty line. An essential aspect of designing effective fault detection systems lies in obtaining reliable data for training and testing, which is often scarce. Leveraging deep learning techniques, particularly the powerful capabilities of pattern classifiers in learning, generalizing, and parallel processing, offers promising avenues for intelligent fault detection. To address this, our paper proposes an anomaly-based approach for fault detection in electrical power systems, employing deep autoencoders. Additionally, we utilize Convolutional Autoencoders (CAE) for dimensionality reduction, which, due to its fewer parameters, requires less training time compared to conventional autoencoders. The proposed method demonstrates superior performance and accuracy compared to alternative detection approaches by achieving an accuracy of 97.62% and 99.92% on simulated and publicly available datasets.
• Abstract（参考訳）: 近年、電力系統の故障検出に大きな関心が寄せられ、学術研究者と産業専門家の双方から注目が集まっている。 過去10年間に多くの断層検出法とそれらの適応法が開発されてきたが、その実践的応用は依然として極めて困難である。 断層の発生とパラメータの確率的性質を考えると、ある意思決定タスクは確率論的観点からアプローチすることができる。 保護システムは、故障電圧と電流線の大きさの検出、分類、局所化を任務とし、故障線を分離するサーキットブレーカの活性化を決定づける。 効果的な障害検出システムを設計する上で重要な側面は、トレーニングとテストのための信頼性の高いデータを取得することである。 ディープラーニング技術を活用すること、特に学習、一般化、並列処理におけるパターン分類器の強力な能力は、インテリジェントな障害検出に有望な道を提供する。 そこで本稿では, 電力系統の故障検出に, 深部オートエンコーダを用いた異常検出手法を提案する。 さらに,畳み込み型オートエンコーダ(CAE)を次元減少に利用し,パラメータが少ないため,従来のオートエンコーダに比べてトレーニング時間が少なくなった。 提案手法は、シミュレーションおよび公開データセット上で97.62%と99.92%の精度を達成することにより、代替検出手法と比較して優れた性能と精度を示す。

関連論文リスト

• AI-Powered Machine Learning Approaches for Fault Diagnosis in Industrial Pumps [0.0]
  本研究では,実世界のセンサデータを用いた産業用ポンプシステムにおける早期故障検出の実践的アプローチを提案する。 フレームワークはスケーラブルで、解釈可能で、リアルタイムな産業展開に適している。
  論文  参考訳（メタデータ） (2025-08-21T13:33:09Z)
• Fault detection and diagnosis for the engine electrical system of a space launcher based on a temporal convolutional autoencoder and calibrated classifiers [0.0]
  本稿では,次世代再利用可能な宇宙ランチャーの故障検出・診断機能開発に向けた第一歩を概説する。 文献における既存のアプローチとは異なり、我々のソリューションはより広い範囲の重要な要件を満たすように設計されています。 提案手法は、時間畳み込みオートエンコーダに基づいて、原センサデータから低次元特徴を自動的に抽出する。
  論文  参考訳（メタデータ） (2025-07-17T11:50:29Z)
• 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)
• Design Methodology for Deep Out-of-Distribution Detectors in Real-Time Cyber-Physical Systems [5.233831361879669]
  アウト・オブ・ディストリビューション(OOD)検出器はMLモデルと並行して動作し、フラグ入力は望ましくない結果をもたらす可能性がある。 本研究は,組込みアプリケーションの精度および応答時間要求を満たすため,深部OOD検出器をチューニングするための設計手法を提案する。
  論文  参考訳（メタデータ） (2022-07-29T14:06:27Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)

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。