論文の概要: Clustering algorithms for multivariate wind farm SCADA data filtering

• arxiv url: http://arxiv.org/abs/2607.13544v1
• Date: Wed, 15 Jul 2026 07:45:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.689222
• Title: Clustering algorithms for multivariate wind farm SCADA data filtering
• Title（参考訳）: 多変量風力発電SCADAデータフィルタリングのためのクラスタリングアルゴリズム
• Abstract要約: 専門家による手動フィルタリングの自動化と置き換えを、視覚的なデータ検査によって行う方法がいくつか提案されている。 我々は、複数のクラスタリングアルゴリズムのフィルタリング精度を手動フィルタリングと比較し、ラベルなしデータに適した評価指標を導入する。 その結果、特徴選択と評価指標の設計の両方において、パワーカーブを超えて解析を拡張することの重要性を強調した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: During wind farm operation, Supervisory Control and Data Acquisition (SCADA) systems record numerous anomalies, transients, and specific operational modes, leading to large datasets. However, for a wide range of applications, only measurements corresponding to normal operation are required and, therefore, the SCADA data must be filtered. For this purpose, several methods have been proposed to automate and replace manual filtering conducted by experts via visual inspection of the data. In this paper, we compare the filtering accuracy of multiple clustering algorithms against manual filtering, introducing evaluation metrics that are suitable for unlabeled data and robust across potential applications. Based on the results, we provide recommendations for generalizing model calibration to different datasets and discuss potential use cases for each model. The models are applied to the SCADA data of three turbines of an existing offshore wind farm, using 10-minute statistics across multiple data channels. In addition to the anomalies and operational modes typically recorded, the dataset presents a large number of non-evident outliers due to several field tests. Overall, the results highlight the importance of extending the analysis beyond the power curve, both in feature selection and in the design of evaluation metrics. In most cases, cluster-based methods are able to detect both evident and subtle outliers, achieving higher accuracy than manual filtering. However, the accuracy and the amount of data retained vary considerably depending on the model, and expert involvement remains necessary, though to a reduced extent compared to manual filtering.
• Abstract（参考訳）: 風力発電の運用中、SCADA(Supervisory Control and Data Acquisition)システムは多数の異常、過渡性、特定の運用モードを記録し、大規模なデータセットに繋がる。 しかし、広範囲のアプリケーションでは、通常の操作に対応する測定しか必要とせず、SCADAデータをフィルタリングする必要がある。 この目的のために、専門家による手動フィルタリングの自動化と置き換えを、視覚的なデータ検査によって行う方法がいくつか提案されている。 本稿では、複数のクラスタリングアルゴリズムのフィルタリング精度を手動フィルタリングと比較し、ラベルのないデータに適した評価指標を導入し、潜在的なアプリケーションにわたって堅牢であることを示す。 結果に基づいて,モデルキャリブレーションを異なるデータセットに一般化し,各モデルに対する潜在的なユースケースについて議論する。 これらのモデルは、既存のオフショア風力発電所の3つのタービンのSCADAデータに適用され、複数のデータチャネルにわたる10分間の統計データを用いている。 典型的に記録される異常や運用モードに加えて、いくつかのフィールドテストのために、データセットは多数の非明確なアウトリーチを提示する。 その結果,機能選択と評価指標の設計において,パワーカーブを超えて解析を拡張することの重要性を強調した。 ほとんどの場合、クラスタベースの手法は明らかな外れ値と微妙な外れ値の両方を検出でき、手動フィルタリングよりも高い精度を達成できる。 しかし、精度と保存量の差はモデルによって大きく異なり、専門家による関与は依然として必要だが、手作業によるフィルタリングに比べて少ない程度である。

関連論文リスト

• Learning Multi-Indicator Weights for Data Selection: A Joint Task-Model Adaptation Framework with Efficient Proxies [50.39041754816285]
  本稿では、下流タスクと特定のモデルの両方にデータ選択を併用する多変数重み学習フレームワークを提案する。 提案手法は,GSM8Kのトレーニングサンプルの30%しか使用せず,フルデータセットチューニングに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2026-05-10T17:30:16Z)
• DOSE: Data Selection for Multi-Modal LLMs via Off-the-Shelf Models [43.094426671099]
  目標データを見たことのない市販の事前訓練モデルを用いて,タスク固有のトレーニングを伴わずに,より大規模で強力なマルチモーダルモデルのトレーニングサンプルを選択することができるかを検討する。 共同品質アライメント分布を構築し, 適応重み付きサンプリングを適用して, 長期の多様性を維持しつつ, 情報的サンプルを選択する。 このアプローチはデータの多様性を高め、DOSEでフィルタされたデータでトレーニングされたモデルが、標準のVQAおよび数学ベンチマークでトレーニングされたデータセットでトレーニングされたモデルと一致するか、あるいは超えるようにする。
  論文  参考訳（メタデータ） (2026-04-18T12:41:06Z)
• Towards One-for-All Anomaly Detection for Tabular Data [87.63505963517512]
  タブラル異常検出(TAD)は多くの実世界の応用において重要である。 複数のソースデータセットに対して1回のトレーニングのみを必要とするフレームワークであるOFA-TADを提案する。 14ドメインの34のデータセットに対する実験により、OFA-TADはより優れた異常検出性能が得られることが示された。
  論文  参考訳（メタデータ） (2026-03-15T14:42:05Z)
• From Few-Shot to Zero-Shot: Towards Generalist Graph Anomaly Detection [89.52759572485276]
  ARCは、文脈内学習を利用した数発のGAD法であり、推論時にわずかにラベル付き正規サンプルを必要とする。 ARCとARC_zeroは、異常を効果的に検出し、強力な一般化能力を示し、少数ショットおよびゼロショット設定下で効率的に実行する。
  論文  参考訳（メタデータ） (2026-02-21T10:59:00Z)
• UniOD: A Universal Model for Outlier Detection across Diverse Domains [22.653890395053207]
  Outlier Detection(OD)は、完全にラベル付けされていないデータセットにおいて、inlierとoutlierを区別することを目指している。 ラベル付きデータセットを活用する汎用ODフレームワークUniODを提案する。 We evaluate UniOD on 15 benchmark OD datasets against 15 state-of-the-art baselines, showed its effective。
  論文  参考訳（メタデータ） (2025-07-09T07:52:12Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• Towards a General Time Series Anomaly Detector with Adaptive Bottlenecks and Dual Adversarial Decoders [16.31103717602631]
  時系列異常検出は幅広い応用において重要な役割を果たす。 既存のメソッドでは、データセットごとに1つの特定のモデルをトレーニングする必要があります。 本稿では,広範囲なマルチドメインデータセット上で事前学習した時系列異常検出モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-24T06:59:43Z)
• Learning IMM Filter Parameters from Measurements using Gradient Descent [45.335821132209766]
  トラック下のターゲットの固有のパラメータは、システムがデプロイされるまで完全に観測不可能である。 最先端のセンサーシステムはますます複雑になり、パラメータの数が自然に増加する。 本稿では,対話型多重モデル (IMM) フィルタのパラメータを計測のみで最適化する。
  論文  参考訳（メタデータ） (2023-07-13T08:35:40Z)
• Unsupervised Model Selection for Time-series Anomaly Detection [7.8027110514393785]
  提案手法は, 予測誤差, モデル中心性, および, 注入された合成異常に対する性能の3種類のサロゲート(教師なし)メトリクスを同定する。 我々は、厳密なランク集約問題として、複数の不完全なサロゲート指標との計量結合を定式化する。 複数の実世界のデータセットに対する大規模な実験は、我々の提案した教師なしアプローチが、最も正確なモデルを選択するのと同じくらい効果的であることを示す。
  論文  参考訳（メタデータ） (2022-10-03T16:49:30Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• 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。