論文の概要: A Lightweight, Transferable, and Self-Adaptive Framework for Intelligent DC Arc-Fault Detection in Photovoltaic Systems
- arxiv url: http://arxiv.org/abs/2603.25749v1
- Date: Mon, 16 Mar 2026 03:17:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 02:36:13.044671
- Title: A Lightweight, Transferable, and Self-Adaptive Framework for Intelligent DC Arc-Fault Detection in Photovoltaic Systems
- Title（参考訳）: 太陽光発電システムにおけるインテリジェント直流アークオフ検出のための軽量・移動可能・自己適応型フレームワーク
- Authors: Xiaoke Yang, Long Gao, Haoyu He, Hanyuan Hang, Qi Liu, Shuai Zhao, Qiantu Tuo, Rui Li,
- Abstract要約: 本稿では,知的直流アークフォールト検出のための軽量で転送可能で自己適応型学習駆動フレームワーク(LD-framework)を提案する。
デバイスレベルでは、LD-Specは、デバイス上の効率的な推論とほぼ完璧なアーク識別を可能にする、コンパクトなスペクトル表現を学習する。
53,000以上のラベル付きサンプルを含む実験では、ほぼ完全な検出が行われ、精度は0.9999、スコアは0.9996である。
- 参考スコア（独自算出の注目度）: 16.404451820691182
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Arc-fault circuit interrupters (AFCIs) are essential for mitigating fire hazards in residential photovoltaic (PV) systems, yet achieving reliable DC arc-fault detection under real-world conditions remains challenging. Spectral interference from inverter switching, hardware heterogeneity, operating-condition drift, and environmental noise collectively compromise conventional AFCI solutions. This paper proposes a lightweight, transferable, and self-adaptive learning-driven framework (LD-framework) for intelligent DC arc-fault detection. At the device level, LD-Spec learns compact spectral representations enabling efficient on-device inference and near-perfect arc discrimination. Across heterogeneous inverter platforms, LD-Align performs cross-hardware representation alignment to ensure robust detection despite hardware-induced distribution shifts. To address long-term evolution, LD-Adapt introduces a cloud-edge collaborative self-adaptive updating mechanism that detects unseen operating regimes and performs controlled model evolution. Extensive experiments involving over 53,000 labeled samples demonstrate near-perfect detection, achieving 0.9999 accuracy and 0.9996 F1-score. Across diverse nuisance-trip-prone conditions, including inverter start-up, grid transitions, load switching, and harmonic disturbances, the method achieves a 0% false-trip rate. Cross-hardware transfer shows reliable adaptation using only 0.5%-1% labeled target data while preserving source performance. Field adaptation experiments demonstrate recovery of detection precision from 21% to 95% under previously unseen conditions. These results indicate that the LD-framework enables a scalable, deployment-oriented AFCI solution maintaining highly reliable detection across heterogeneous devices and long-term operation.
- Abstract（参考訳）: 住宅用太陽光発電(PV)システムにおける火災の危険を緩和するためには、Arc-Fault回路遮断器(AFCI)が不可欠であるが、実環境下での信頼性の高いDCアーク-Fault検出を実現することは依然として困難である。
インバータスイッチング、ハードウェアの不均一性、動作条件のドリフト、環境騒音からのスペクトル干渉は、従来のAFCIソリューションを総括的に損なう。
本稿では,知的直流アークフォールト検出のための軽量で転送可能で自己適応型学習駆動フレームワーク(LD-framework)を提案する。
デバイスレベルでは、LD-Specは、デバイス上の効率的な推論とほぼ完璧なアーク識別を可能にする、コンパクトなスペクトル表現を学習する。
不均一なインバータプラットフォーム全体にわたって、LD-Alignはハードウェアによる分散シフトにもかかわらず、堅牢な検出を保証するために、クロスハードウェアなアライメントアライメントを実行する。
長期的進化に対処するため、LD-Adaptは、目に見えない運用状態を検出し、制御されたモデル進化を実行する、クラウドエッジのコラボレーティブな自己適応更新メカニズムを導入した。
53,000以上のラベル付きサンプルを含む大規模な実験は、ほぼ完璧な検出を示し、0.9999の精度と0.9996のF1スコアを達成した。
インバータ起動、グリッド遷移、負荷切替、ハーモニック乱れなど、様々なニュアンストリップの条件で、この手法は偽トリップ率0%を達成する。
クロスハードウェア転送は、ソース性能を維持しながら、0.5%-1%のラベル付きターゲットデータを使用して信頼性の高い適応を示す。
フィールド適応実験は、これまで見つからなかった条件下で検出精度を21%から95%に回復することを示した。
これらの結果から,LD-frameworkは,異種デバイス間の信頼性の高い検出と長期運用を実現するスケーラブルでデプロイメント指向のAFCIソリューションを実現することが示唆された。
関連論文リスト
- Amped: Adaptive Multi-stage Non-edge Pruning for Edge Detection [53.59823657644554]
エッジ検出のための適応型多段非エッジプルーニングフレームワーク(Amped)を提案する。
Ampedは高信頼の非エッジトークンを識別し、可能な限り早く削除し、計算を大幅に削減する。
既存のエッジ検出ネットワークの構造的複雑さを軽減するため,Streamline Edge Detector(SED)と呼ばれる,シンプルながら高性能なTransformerベースのモデルを導入する。
論文 参考訳（メタデータ） (2026-03-29T12:26:35Z) - Information-Theoretic Digital Twins for Stealthy Attack Detection in Industrial Control Systems: A Closed-Form KL Divergence Approach [0.0]
デジタル双生児(DT)は産業制御システム(ICS)の監視・確保にますます利用されている
しかし、通常の物理的境界内でシステム状態を操作するステルスな偽データ注入攻撃(FDIA)を検出することは依然として困難である。
リアルタイム異常検出のためのクローズドループ情報理論デジタルツイン(IT-DT)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-02T08:56:11Z) - Time2Vec Transformer for Robust Gesture Recognition from Low-Density sEMG [1.231764991565978]
本稿では筋電義手制御のための新しい,データ効率の高いディープラーニングフレームワークを提案する。
提案手法は, スパース2チャネル表面筋電図(sEMG)に最適化されたハイブリッドトランスフォーマーの実装である。
提案するフレームワークは, 迅速なパーソナライズが可能な次世代人工装具の堅牢で費用対効果の高い青写真を提供する。
論文 参考訳（メタデータ） (2026-02-02T09:28:27Z) - SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。
時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。
SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
論文 参考訳（メタデータ） (2026-01-19T07:42:45Z) - CEEMDAN-Based Multiscale CNN for Wind Turbine Gearbox Fault Detection [0.43776156667195165]
本研究では,風車用ギアボックスの故障検出のためのハイブリッド手法を提案する。
CEEMDANとマルチスケール畳み込みニューラルネットワーク(MSCNN)を組み合わせている。
提案手法は実世界のデータセットに基づいて評価された98.95%のF1スコアを実現する。
論文 参考訳（メタデータ） (2026-01-08T21:55:15Z) - Unsupervised Detection of Spatiotemporal Anomalies in PMU Data Using Transformer-Based BiGAN [0.0]
T-BiGANは、双方向生成逆数ネットワーク(BiGAN)内でウィンドウアテンション変換を行うフレームワークである。
エンコーダデコーダはアーキテクチャをキャプチャし、識別器はサイクル整合性を適用して遅延空間を真のデータ分布と整合させる。
異常は、再構成誤差、潜時空間ドリフト、判別器の信頼性を組み合わせた適応スコアを用いてリアルタイムでフラグ付けされる。
論文 参考訳（メタデータ） (2025-09-30T00:16:35Z) - A Hybrid Artificial Intelligence Method for Estimating Flicker in Power Systems [42.76841620787673]
本稿では,Hフィルタと適応線形ニューロンネットワークを組み合わせたハイブリッドAI手法を提案する。
提案手法はHフィルタのロバスト性を利用して不確実でノイズの多い条件下で電圧エンベロープを抽出し,次にADALINEを用いてエンベロープに埋め込まれたフリック周波数を正確に同定する。
論文 参考訳（メタデータ） (2025-06-16T15:38:39Z) - Global Context Aggregation Network for Lightweight Saliency Detection of
Surface Defects [70.48554424894728]
我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。
まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。
3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
論文 参考訳（メタデータ） (2023-09-22T06:19:11Z) - Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。
本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。
DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
論文 参考訳（メタデータ） (2022-06-14T13:22:19Z) - Deep Learning Based Signal Enhancement of Low-Resolution Accelerometer
for Fall Detection Systems [10.632077083697853]
落下検出(FD)システムは、重要な落下イベントを自動的に検出し、すぐに医療専門家や介護者に警告します。
fdシステムの性能は低分解能(lr)加速度計信号により低下する。
LR-FDシステムの検出性能を改善するために,深層学習に基づく加速度計信号強調モデルを提案する。
論文 参考訳（メタデータ） (2020-12-07T02:47:36Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。