論文の概要: FaultXformer: A Transformer-Encoder Based Fault Classification and Location Identification model in PMU-Integrated Active Electrical Distribution System
- arxiv url: http://arxiv.org/abs/2602.24254v1
- Date: Fri, 27 Feb 2026 18:28:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-02 19:48:24.559475
- Title: FaultXformer: A Transformer-Encoder Based Fault Classification and Location Identification model in PMU-Integrated Active Electrical Distribution System
- Title（参考訳）: FaultXformer:PMU統合能動配電系統における変圧器エンコーダを用いた故障分類と位置同定モデル
- Authors: Kriti Thakur, Alivelu Manga Parimi, Mayukha Pal,
- Abstract要約: 本研究では,リアルタイム電流データを用いた自動故障解析のためのトランスフォーマーエンコーダアーキテクチャを提案する。
フォールトXformerは、断層型分類で98.76%、断層位置同定で98.92%の平均的な精度を達成した。
- 参考スコア（独自算出の注目度）: 0.30586855806896046
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate fault detection and localization in electrical distribution systems is crucial, especially with the increasing integration of distributed energy resources (DERs), which inject greater variability and complexity into grid operations. In this study, FaultXformer is proposed, a Transformer encoder-based architecture developed for automatic fault analysis using real-time current data obtained from phasor measurement unit (PMU). The approach utilizes time-series current data to initially extract rich temporal information in stage 1, which is crucial for identifying the fault type and precisely determining its location across multiple nodes. In Stage 2, these extracted features are processed to differentiate among distinct fault types and identify the respective fault location within the distribution system. Thus, this dual-stage transformer encoder pipeline enables high-fidelity representation learning, considerably boosting the performance of the work. The model was validated on a dataset generated from the IEEE 13-node test feeder, simulated with 20 separate fault locations and several DER integration scenarios, utilizing current measurements from four strategically located PMUs. To demonstrate robust performance evaluation, stratified 10-fold cross-validation is performed. FaultXformer achieved average accuracies of 98.76% in fault type classification and 98.92% in fault location identification across cross-validation, consistently surpassing conventional deep learning baselines convolutional neural network (CNN), recurrent neural network (RNN). long short-term memory (LSTM) by 1.70%, 34.95%, and 2.04% in classification accuracy and by 10.82%, 40.89%, and 6.27% in location accuracy, respectively. These results demonstrate the efficacy of the proposed model with significant DER penetration.
- Abstract（参考訳）: 電配電系統における正確な故障検出と局所化は、特に分散エネルギー資源(DER)の統合が進み、グリッド操作により大きなばらつきと複雑さを生じさせることで重要である。
本研究では, ファサー計測ユニット(PMU)から得られた実時間電流データを用いて, 自動故障解析のためのトランスフォーマーエンコーダに基づくアーキテクチャを提案する。
このアプローチでは、時系列の電流データを使用して、最初にステージ1で豊富な時間情報を抽出する。
ステージ2では,これらの特徴を抽出し,異なる断層種を識別し,分布系内の各断層位置を特定する。
このため、この2段変圧器エンコーダパイプラインは高忠実度表現学習を可能にし、作業性能を大幅に向上させる。
このモデルは、IEEE 13ノードテストフィードから生成されたデータセット上で検証され、20の障害位置と複数のDER統合シナリオをシミュレートし、4つの戦略的に位置するPMUの現在の測定値を利用した。
堅牢な性能評価を示すため、層状10倍のクロスバリデーションを行う。
FaultXformerは、フォールトタイプ分類で98.76%、クロスバリデーションで98.92%のフォールト位置同定を達成し、従来のディープラーニングベースライン畳み込みニューラルネットワーク(CNN)、リカレントニューラルネットワーク(RNN)を一貫して上回っている。
長期記憶(LSTM)は、分類精度が1.70%、34.95%、2.04%、位置精度が10.82%、40.89%、および6.27%である。
これらの結果から,提案モデルの有効性が示唆された。
関連論文リスト
- HiFiNet: Hierarchical Fault Identification in Wireless Sensor Networks via Edge-Based Classification and Graph Aggregation [11.108171977551619]
HiFiNetは、無線ネットワークのための階層的な障害識別フレームワークである。
局所時間パターンとネットワーク全体の空間依存性の両方をキャプチャすることで、より正確な予測を行う。
既存の手法の精度、F1スコア、精度を著しく上回っている。
論文 参考訳（メタデータ） (2025-11-06T16:15:19Z) - Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。
動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。
これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
論文 参考訳（メタデータ） (2025-07-14T16:19:00Z) - Graph-Based Fault Diagnosis for Rotating Machinery: Adaptive Segmentation and Structural Feature Integration [0.0]
本稿では,回転機械における頑健かつ解釈可能なマルチクラス故障診断のためのグラフベースフレームワークを提案する。
エントロピー最適化信号セグメンテーション、時間周波数特徴抽出、グラフ理論モデリングを統合し、振動信号を構造化表現に変換する。
提案手法は,2つのベンチマークデータセットで評価した場合,高い診断精度を実現する。
論文 参考訳（メタデータ） (2025-04-29T13:34:52Z) - A Novel Spatiotemporal Correlation Anomaly Detection Method Based on Time-Frequency-Domain Feature Fusion and a Dynamic Graph Neural Network in Wireless Sensor Network [9.031267813814118]
アテンションベースのトランスフォーマーは、長期依存を捕捉する能力により、無線センサネットワーク(WSN)のタイミング異常検出において重要な役割を担っている。
本稿では,周波数領域の特徴を動的グラフニューラルネットワーク(GNN)と統合したWSN異常検出手法を提案する。
論文 参考訳（メタデータ） (2025-02-25T04:34:18Z) - Generative adversarial wavelet neural operator: Application to fault
detection and isolation of multivariate time series data [3.265784083548797]
本稿では,障害検出と分離のための新しい教師なし深層学習手法として,GAWNO(Generative Adversarial Wavelet Neural operator)を提案する。
最初の段階では、GAWNOは通常の運用条件のデータセットに基づいてトレーニングされ、基礎となるデータ分布を学習する。
第2段階では, 差分値に基づいて故障を検出し, 分離するために, 再構成誤差に基づくしきい値法を用いる。
論文 参考訳（メタデータ） (2024-01-08T16:36:47Z) - Fault diagnosis for three-phase PWM rectifier based on deep feedforward
network with transient synthetic features [0.0]
過渡的な合成特徴を持つディープフィードフォワードネットワークに基づく断層診断手法を提案する。
平均断層診断精度は、過渡的な合成断層データに対して97.85%に達する。
オンライン断層診断実験により,本手法が故障IGBTを正確に検出できることが判明した。
論文 参考訳（メタデータ） (2022-11-01T02:32:20Z) - 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) - Semantic Perturbations with Normalizing Flows for Improved
Generalization [62.998818375912506]
我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。
トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
論文 参考訳（メタデータ） (2021-08-18T03:20:00Z) - 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) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z)
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。