論文の概要: Scalable Geospatial Machine Learning for Power-Line Asset Risk: Integrating Remote Sensing for Lightning and Vegetation Risk Modelling

• arxiv url: http://arxiv.org/abs/2608.18611v1
• Date: Wed, 19 Aug 2026 06:54:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.31465
• Title: Scalable Geospatial Machine Learning for Power-Line Asset Risk: Integrating Remote Sensing for Lightning and Vegetation Risk Modelling
• Title（参考訳）: 電力線資産リスクに対するスケーラブルな地理空間機械学習:雷と植生リスクモデリングのためのリモートセンシングの統合
• Abstract要約: 本研究は,実用資産管理のためのモジュラー,ロバスト,説明可能なフェール・オブ・フェール・モデリング・フレームワークを提案する。 中心的なコントリビューションは、基盤となるパイプラインを再設計することなく、新しい環境データソースにスケール可能なアセットレベルのアーキテクチャである。 本研究では,高調波地理空間学習パイプラインを用いた植生関連および雷関連故障モードの枠組みを実証する。
• 参考スコア（独自算出の注目度）: 1.2599533416395765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electric power networks are increasingly exposed to weather-sensitive failure mechanisms that require asset-level, spatially explicit risk modelling for effective intervention planning. This study contributes a modular, robust, and explainable probability-of-failure (PoF) modelling framework for utility asset management. The central contribution is an asset-level architecture that can be scaled to new environmental data sources and additional PoF types without reworking the underlying pipeline. This is particularly relevant for industry settings, where risk models must remain operationally maintainable while adapting to changing data availability, asset-management priorities, and climate-driven hazard conditions. We demonstrate the framework for vegetation-related and lightning-related failure modes using a harmonised geospatial machine-learning pipeline. The implementation integrates multi-source predictors, including topography (SRTM), vegetation condition (MODIS Normalised Difference Vegetation Index - NDVI), lightning climatology (LIS VHRMC), OpenStreetMap-derived proximity features, and utility operational records. The resulting architecture is computationally efficient, operationally extensible, and suitable for utility-scale deployment. It provides actionable asset-level risk stratification for inspection prioritisation, vegetation management, asset hardening, and resilience planning, supporting earlier intervention and more climate-resilient network operations.
• Abstract（参考訳）: 電力ネットワークは、効果的な介入計画のための資産レベルで空間的に明示的なリスクモデリングを必要とする、気象に敏感な故障メカニズムにますますさらされている。 本研究は実用資産管理のためのモジュラーで堅牢で説明可能なPoFモデリングフレームワークに寄与する。 中心的なコントリビューションは、基盤となるパイプラインを再設計することなく、新しい環境データソースと追加のPoFタイプにスケール可能な、アセットレベルのアーキテクチャである。 これは特に、データ可用性の変化、資産管理の優先順位、気候によるハザード条件に適応しながら、リスクモデルが運用可能でなければならない業界設定に関係している。 本研究では,高調波地理空間学習パイプラインを用いた植生関連および雷関連故障モードの枠組みを実証する。 この実装には、地形(SRTM)、植生条件(MODIS正規化相違植生指数(NDVI))、雷気候学(LIS VHRMC)、OpenStreetMapから派生した近接特性、実用運用記録など、複数ソースの予測装置が組み込まれている。 結果として得られるアーキテクチャは、計算的に効率的で、運用上拡張可能であり、ユーティリティスケールのデプロイメントに適している。 検査の優先順位付け、植生管理、資産の堅固化、レジリエンス計画のための行動可能な資産レベルのリスク階層化を提供し、早期の介入とより気候に敏感なネットワーク運用を支援している。

関連論文リスト

• Operationally Feasible Synthetic Power-Grid Scenarios via Learning the AC-Operable Joint Distribution [44.775838749793735]
  合成パワーグリッドシナリオは、計画、レジリエンスアセスメント、並行性分析、データ駆動パワーシステムアプリケーションに不可欠である。 近年の合成格子生成法は, 工学的知識を取り入れた構造的現実性と操作性の向上を実現している。 本稿では,ネットワークトポロジのAC-operable joint distributionを学習する実現可能性を考慮した分布学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-04T16:17:15Z)
• Creating Power Distribution Network Layouts Using Generative Adversarial Networks and Image-Based Representations [0.0]
  本稿では,GAN(Generative Adversarial Networks)に基づく,配電ネットワークレイアウト作成のための生成フレームワークを提案する。 提案するフレームワークは,既存の合成ネットワーク生成手法をデータ駆動で補完する。 新たな領域の電化のための配電ネットワークレイアウトの提案にも応用できる。
  論文  参考訳（メタデータ） (2026-07-07T10:25:50Z)
• On Electric Vehicle Energy Demand Forecasting and the Effect of Federated Learning [1.2599533416395765]
  電気自動車供給機器(EVSE)のエネルギー需給予測は、効率的なエネルギー管理と持続可能性を確保する上で最も重要な作業の1つである。 ユーティリティプロバイダは、エネルギー/電力需要を予測し、リソース割り当てを最適化し、グリッド信頼性を改善するための積極的な対策を実行することができる。 プライバシーやサステナビリティに関する懸念や制限が高まるにつれ、トレーニングデータの断片化がますます進んでいる。
  論文  参考訳（メタデータ） (2026-02-24T11:21:45Z)
• MVeLMA: Multimodal Vegetation Loss Modeling Architecture for Predicting Post-fire Vegetation Loss [11.275168968578141]
  本稿では,火災イベントによる郡の植生損失を予測するため,MVeLMAと呼ばれる新しいエンドツーエンドMLパイプラインを提案する。 また,本モデルでは,山火事後の植生被害予測において,SOTA(State-of-the-art)モデルやベースラインモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-31T12:49:33Z)
• Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
  この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-02T22:17:25Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
  本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。 ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。 本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-28T12:00:10Z)
• Network Resource Optimization for ML-Based UAV Condition Monitoring with Vibration Analysis [54.550658461477106]
  条件監視(CM)は機械学習(ML)モデルを使用して異常および異常な条件を識別する。 本研究では,MLベースのUAV CMフレームワークにおけるネットワークリソースの最適化について検討する。 次元削減技術を活用することで、ネットワークリソース消費の99.9%が削減される。
  論文  参考訳（メタデータ） (2025-02-21T14:36:12Z)
• Inter-turbine Modelling of Wind-Farm Power using Multi-task Learning [0.0]
  この研究は、まず、データから学習した覚醒効果を調節する風車パワーを予測する確率論的回帰モデルを導入する。 異なるタスクに対する学習モデルパラメータの空間的相関を階層的ベイズモデルで活用して「メタモデル」を開発する その結果、メタモデルは一連のベンチマークモデルより優れており、構造体の個体群における推論に効率的にデータを利用するための新しい戦略が示されている。
  論文  参考訳（メタデータ） (2025-02-20T13:01:07Z)
• SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
  我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。 SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2024-07-17T09:01:38Z)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)

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。