論文の概要: A Standardized Framework for Machine Learning in Power System Protection
- arxiv url: http://arxiv.org/abs/2608.20181v1
- Date: Thu, 20 Aug 2026 15:35:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.628036
- Title: A Standardized Framework for Machine Learning in Power System Protection
- Title（参考訳）: 電力系統保護における機械学習の標準化フレームワーク
- Abstract要約: 本稿では,科学的貢献の一環として評価設計を扱う標準化指向の枠組みを提案する。
保護対象、物理的スコープ、観測可能性、タイミングと決定ウィンドウ、目標とサンプルの妥当性、検証プロトコル、評価出力の7つの必要な研究範囲を定義している。
- 参考スコア（独自算出の注目度）: 8.877321413840214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Studies of machine-learning-based power-system protection increasingly report near-perfect scores, yet the meaning of those scores depends strongly on the evaluation setting. Protection task, physical scope, measurements, timing, targets, preprocessing, and validation often vary jointly and remain incompletely specified. This paper proposes a standardization-oriented framework that treats evaluation design as part of the scientific contribution. It defines seven required study dimensions: protection objective, physical scope, observability, timing and decision windows, targets and sample validity, validation protocol, and evaluation outputs. The framework is instantiated in a bounded case study on the public PROTECT-90 electromagnetic-transient benchmark, comprising 9022 simulated episodes from a 90 kV double-line topology, for onset-conditioned fault classification and localization. Under centralized sensing, simulation-metadata-aligned 20 ms windows, and episode-grouped validation, a multi-layer perceptron (MLP) achieved a five-fold mean macro-averaged F1 score of 0.991 +/- 0.001 for classification and a localization mean absolute error of 10.20 +/- 0.25% of line length (mean +/- std across episode-grouped folds). Extending the decision horizon to 50 ms preserved this task-dependent performance asymmetry, while reduced observability approximately doubled the MLP localization error but had little effect on classification. A synchronized two-ended conventional locator outperformed the learning locators under its richer clean information set, and measurement degradation showed that clean predictive performance did not determine robustness. The framework turns evaluation assumptions into explicit, reproducible evidence and provides a basis for more comparable, auditable evaluation and future certification-oriented assessment of machine-learning protection functions.
- Abstract（参考訳）: 機械学習に基づく電力システム保護の研究では、ほぼ完全なスコアが報告されるが、それらのスコアの意味は評価設定に強く依存する。
保護タスク、物理的スコープ、測定、タイミング、ターゲット、前処理、検証は、しばしば共同で変化し、不完全なままである。
本稿では,科学的貢献の一環として評価設計を扱う標準化指向の枠組みを提案する。
保護対象、物理的スコープ、観測可能性、タイミングと決定ウィンドウ、目標とサンプルの妥当性、検証プロトコル、評価出力の7つの必要な研究範囲を定義している。
このフレームワークは、90kVの二重線トポロジーから9022のシミュレーションエピソードを含むパブリックなPlatECT-90電磁遷移ベンチマークの有界ケーススタディでインスタンス化され、オンセット条件の断層分類とローカライゼーションを行う。
集中センシング、シミュレーション・メタカタ整列20ms窓、エピソード群検証により、多層パーセプトロン(MLP)は5倍平均マクロ平均F1スコアの0.991 +/- 0.001、局所化平均絶対誤差の10.20 +/- 0.25%を達成した。
決定の地平線を50msに拡張すると、このタスク依存のパフォーマンス非対称性は保たれるが、観測可能性の低下はMPPの局在誤差を約2倍に抑えたが、分類にはほとんど影響を与えなかった。
従来の2方向同期ロケータはよりリッチなクリーンな情報セットで学習ロケータよりも優れており, 測定劣化はクリーンな予測性能が堅牢さを判断できないことを示した。
このフレームワークは、評価の仮定を明示的で再現可能なエビデンスに変換し、より同等で監査可能な評価と、マシンラーニング保護機能の将来の認定指向評価の基礎を提供する。
関連論文リスト
- Beyond Local Accuracy: A Protocol-Level Identifiability Audit for Controlled LLM Reasoning Evaluation [6.047519836191728]
有限行動ポリシークラス上でプロトコルレベルの識別可能性監査を形式化する。
監査はモデルコールをゼロにし、診断ケースを解決します。
このケースは、モデル推論の前に、どのように評価設計の妥当性を構造的に確認できるかを示す。
論文 参考訳（メタデータ） (2026-08-13T14:49:47Z) - UpliftBench: Revealing Outcome-Regime and Objective Mismatch in Uplift Evaluation [0.0]
UpliftBenchは、外部テストで分離された多目的プロトコルの下で、12のアップリフト推定器を評価する。
この意見の相違は、モデルではなくメトリクスに関するものだと示しています。
論文 参考訳（メタデータ） (2026-08-02T00:51:44Z) - From Holistic Evaluation to Structured Criteria: Rubrics Across the Evolving LLM Landscape [79.30826980815927]
ルーブリックは、複雑な品質判断を構造化され、実行可能な標準に変換する明示的な基準セットです。
我々は,既存のルーリックデザインを体系的に整理し,その構築と最適化を検証し,評価と訓練をまたいだ役割を解析する。
論文 参考訳（メタデータ） (2026-06-07T13:34:55Z) - From Frames to Events: Rethinking Evaluation in Human-Centric Video Anomaly Detection [9.404376027901277]
ポースベースのビデオ異常検出(VAD)は、プライバシー保護の性質と環境変動に対する堅牢性において大きな注目を集めている。
従来のフレームレベルの評価では、ビデオは孤立したフレームの集合として扱われ、現実の世界で異常がどのように現れ、行動するかを根本的に誤解している。
本稿では,階層的なガウススムースメントと適応二項化を備えたスコアリファインメントパイプラインと,イベントレベルの検出を直接生成するエンドツーエンドのデュアルブランチモデルという,時間的イベントローカライゼーションのための2つの戦略を紹介する。
論文 参考訳（メタデータ） (2026-04-10T13:52:18Z) - Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。
内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2026-03-13T20:44:15Z) - RADAR: Revealing Asymmetric Development of Abilities in MLLM Pre-training [59.493415006017635]
事前訓練されたマルチモーダル大言語モデル(MLLM)は、ポストトレーニングのための知識豊富な基盤を提供する。
現在の評価は、厳格な追加トレーニングと自己回帰的復号コストを導入する、教師付き微調整後のテストに依存している。
MLLM pRe トレーニングにおける非対称性向上のための効率的な能力中心評価フレームワーク RADAR を提案する。
論文 参考訳（メタデータ） (2026-02-13T12:56:31Z) - Benchmarking Corruption Robustness of LVLMs: A Discriminative Benchmark and Robustness Alignment Metric [49.393713730706445]
汚損の堅牢性を評価するための識別サンプルを強調したベンチマークであるBench-Cを紹介する。
本稿では,ロバストネスアライメントスコア(RAS)を提案する。
論文 参考訳（メタデータ） (2025-11-24T12:07:56Z) - Evaluating the Ability of Large Language Models to Identify Adherence to CONSORT Reporting Guidelines in Randomized Controlled Trials: A Methodological Evaluation Study [7.142913983218931]
本研究は,現代LPMの精度と信頼性を評価することを目的とした。
各種医療専門分野にまたがる150個のRCTの黄金標準データセットを構築した。
トップパフォーマンスモデルであるGemini-2.5-FlashとDeepSeek-R1は、それぞれ0.280と0.282のコーエンのカッパ係数の0.634とほぼ同じマクロF1スコアを達成した。
論文 参考訳（メタデータ） (2025-11-17T08:05:15Z) - Benchmarking Machine Learning Models for Fault Classification and Localization in Power System Protection [10.403249318465468]
本研究は、EMTデータに基づく電力系統保護における故障分類(FC)と故障局所化(FL)に関する古典的機械学習モデルの比較ベンチマーク研究である。
最高性能のFCモデルは0.992$pm$0.001のF1スコアを獲得し、上位のFLモデルは0.806$pm$0.008のR2スコアに達し、平均処理時間は0.563msとなった。
論文 参考訳（メタデータ） (2025-10-01T12:44:14Z) - Proximal Reinforcement Learning: Efficient Off-Policy Evaluation in
Partially Observed Markov Decision Processes [65.91730154730905]
医療や教育などの観察データへのオフライン強化学習の適用においては、観察された行動は観測されていない要因に影響される可能性があるという一般的な懸念がある。
ここでは、部分的に観察されたマルコフ決定過程(POMDP)における非政治評価を考慮し、この問題に取り組む。
我々は、近位因果推論の枠組みをPOMDP設定に拡張し、識別が可能となる様々な設定を提供する。
論文 参考訳（メタデータ） (2021-10-28T17:46:14Z) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳（メタデータ） (2020-06-08T07:24:33Z)
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。