論文の概要: Data-Optimized Contingency Screening: A Machine Learning Approach to Power System Security

• arxiv url: http://arxiv.org/abs/2609.04300v1
• Date: Thu, 03 Sep 2026 17:04:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.770895
• Title: Data-Optimized Contingency Screening: A Machine Learning Approach to Power System Security
• Title（参考訳）: データ最適化された並行性スクリーニング: 電力系統セキュリティに対する機械学習アプローチ
• Abstract要約: 本研究では,機械学習アルゴリズムを用いて電力系統のセキュリティレベルを,安全・中等・厳しいクラスに分類する。 Newton-Raphson 負荷フロー法は,イベントシナリオからシステムデータを抽出する。 性能は精度、リコール、F1スコアで評価され、重度の緊急クラスに優先される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensuring the security of the power system is essential for stability and reliability, especially in the event of disruption. Effective classification of contingency in power systems enables proactive decision-making and mitigates large-scale breakdowns and failures. This study explores the use of machine learning algorithms to classify security levels of contingencies in power systems into safe, moderate or severe classes. For this approach, Newton-Raphson load flow method extracts system data from contingency scenarios, using Overall Performance Index (OPI) as safety measure. For data pre-processing, Synthetic Minority Over-Sampling Technique (SMOTE) and Principal Component Analysis (PCA) is used to address class imbalance and reduce dimensionality, respectively. K-Nearest Neighbours (KNN), Random Forest (RF) and Support Vector Machines (SVM) is trained and evaluated on datasets generated through N-k contingency scenarios for k equal 1, 2, and 3 on IEEE-14 and IEEE-30 bus systems using four hybrid pre-processing configurations: normalized, SMOTE-balanced, PCA-transformed, and a combined SMOTE PCA-transformed. Performance is assessed by precision, recall and F1 score, with priority given to the severe contingency classes. The RF achieved the highest F1 scores of 0.97 in IEEE-30 and 0.86 in IEEE-14, SVM benefits significantly from PCA and improves the accuracy of the classification, while KNN is best suited for SMOTE and PCA conversion. The findings show that PCA contributes more than SMOTE to the overall performance of the model. However, SMOTE improves recall but can introduce false positives and is therefore a compromise of accuracy. This study highlights machine learning as a scalable and powerful alternative to traditional contingency analysis, which improves the assessment of security in real time.
• Abstract（参考訳）: 電力システムの安全性を確保することは、特に故障した場合に、安定性と信頼性に不可欠である。 電力系統における緊急性の効果的な分類は、積極的な意思決定を可能にし、大規模な故障や失敗を緩和する。 本研究では,機械学習アルゴリズムを用いて電力系統のセキュリティレベルを,安全・中等・重大なクラスに分類する。 このアプローチのために、Newton-Raphson負荷フロー法は、安全指標として総合パフォーマンス指標(OPI)を用いて、並行シナリオからシステムデータを抽出する。 データ前処理では、SMOTE(Synthetic Minority Over-Sampling Technique)とPCA(Principal Component Analysis)がそれぞれクラス不均衡に対処し、次元性を減少させる。 K-Nearest Neighbours (KNN)、Random Forest (RF)、Support Vector Machines (SVM) は、正規化、SMOTEバランス、PCA変換、SMOTE PCA変換の4つのハイブリッド前処理構成を用いて、IEEE-14およびIEEE-30バスシステム上の1, 2, 3のN-k整合シナリオから生成されたデータセットをトレーニングし、評価した。 性能は精度、リコール、F1スコアで評価され、重度の緊急クラスに優先される。 RFはIEEE-30で0.97点、IEEE-14で0.86点、SVMはPCAから大きく恩恵を受け、分類の精度が向上し、KNNはSMOTEとPCA変換に最も適している。 以上の結果から,PCAはSMOTE以上の性能に寄与することが示唆された。 しかし、SMOTEはリコールを改善するが、偽陽性を導入できるため、精度の妥協となる。 この研究は、機械学習を従来の並行性分析に代わるスケーラブルで強力な代替手段として強調し、リアルタイムのセキュリティ評価を改善する。

関連論文リスト

• nCMD: Benign-Anchored Feature Selection for Imbalanced Network Intrusion Detection [0.0]
  侵入検知システムの特徴をランク付けするために,良性アンコール型クラスワイド平均偏差(nCMD)を提案する。 nCMDは、グローバルバイアス参照ではなく、良性クラス平均からの攻撃クラス分布の偏差に基づく特徴的関連性を評価する。 このアプローチは、追加の計算コストなしで、機能選択とNIDSの操作意味を一致させる。
  論文  参考訳（メタデータ） (2026-06-07T19:01:05Z)
• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• Taming the Instability: A Robust Second-Order Optimizer for Federated Learning over Non-IID Data [77.19117648492104]
  We present Federated Robust Curvature Optimization (FedRCO), a novel second-order optimization framework designed to improve convergence speed and reduce communication cost。 FedRCOは、効率的な近似曲率と証明可能な安定性メカニズムを統合することで、これらの課題に対処する。 我々は,FedRCOが,最先端の1次法と2次法のどちらよりも高い精度と高速な収束を実現しつつ,多種多様な非IIDシナリオに対して優れたロバスト性を実現することを示す。
  論文  参考訳（メタデータ） (2026-03-30T11:37:46Z)
• Safeguarding LLM Fine-tuning via Push-Pull Distributional Alignment [45.772620696660034]
  安全最適輸送(SOT)は、インスタンスレベルのフィルタリング課題から最適輸送(OT)に基づく分散レベルのアライメントタスクへ安全な微調整を再構成する新しいフレームワークである。 SOTは、下流の分布を信頼された安全なアンカーへ積極的に引き寄せ、同時に一般的な有害な参照から引き離すことで、サンプルの重要性を優先する。 さまざまなモデルファミリやドメインにわたる実験により、SOTは、競争力のある下流のパフォーマンスを維持しながら、モデルの安全性を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-01-12T04:48:02Z)
• Robustness Evaluation of Machine Learning Models for Fault Classification and Localization In Power System Protection [5.539105299550525]
  この研究は、電力系統保護における機械学習モデルの堅牢性を評価するための統一的なフレームワークを導入している。 高忠実性EMTシミュレーションは、センサの故障、サンプリングレートの低減、過渡的な通信損失などの現実的な劣化シナリオをモデル化するために用いられる。 その結果, FCはほとんどの劣化型では安定だが, 単相損失では約13%低下し, FLは全般的に感度が高く, 電圧損失は局所化誤差が150%以上増加した。
  論文  参考訳（メタデータ） (2025-12-17T12:38:53Z)
• Benchmarking Foundation Models and Parameter-Efficient Fine-Tuning for Prognosis Prediction in Medical Imaging [40.35825564674249]
  本研究では,基礎モデルにおける伝達学習戦略の堅牢性と効率性を評価するための最初の構造化されたベンチマークを紹介する。 新型コロナウイルス(COVID-19)の胸部X線データセットが4つ使用されており、死亡率、重症度、入院率をカバーしている。 一般またはバイオメディカルデータセットで事前訓練されたImageNetとFMで事前訓練されたCNNは、完全な微調整、線形探索、パラメータ効率のよい手法を用いて適応された。
  論文  参考訳（メタデータ） (2025-06-23T09:16:04Z)
• EVA-S2PMLP: Secure and Scalable Two-Party MLP via Spatial Transformation [0.0]
  本稿では, 効率よく, 検証し, 精度の高い2要素多層パーセプトロンフレームワークである textbfEVA-S2PMLP について述べる。 EVA-S2PMLPは高い推論精度を実現し、通信オーバーヘッドを大幅に削減し、ベースラインよりも最大12.3タイムで改善できる。 これは、ファイナンス、ヘルスケア、組織間AIアプリケーションにおけるプライバシ保護ニューラルネットワークトレーニングの実践的なソリューションである。
  論文  参考訳（メタデータ） (2025-06-18T03:18:35Z)
• Efficient Safety Alignment of Large Language Models via Preference Re-ranking and Representation-based Reward Modeling [84.00480999255628]
  大規模言語モデル(LLM)の安全性アライメントのための強化学習アルゴリズムは,分散シフトの課題に直面している。 現在のアプローチでは、ターゲットポリシーからのオンラインサンプリングを通じてこの問題に対処するのが一般的である。 モデル固有の安全判断能力を活用して報酬信号を抽出する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-13T06:40:34Z)
• EVA-S2PLoR: Decentralized Secure 2-party Logistic Regression with A Subtly Hadamard Product Protocol (Full Version) [2.1010315462623184]
  本稿では, 効率的な, 検証可能な, 正確なセキュリティ2パーティロジスティック回帰フレームワーク(EVA-S2PLoR)を提案する。 下位にセキュアなハダマード製品プロトコルとその導出プロトコルを通じて正確な非線形機能を実現する。 浮動小数点数上の非同期フローと少数の固定通信ラウンドによって、高い効率と精度が保証される。
  論文  参考訳（メタデータ） (2025-01-09T13:19:59Z)
• Learnable Scaled Gradient Descent for Guaranteed Robust Tensor PCA [39.084456109467204]
  本稿では, t-SVD フレームワーク内での効率的なスケールド勾配降下(SGD)手法を提案する。 RTPCA-SGD は条件数に依存しない定数速度で真の低ランクテンソルへの線形収束を実現する。
  論文  参考訳（メタデータ） (2025-01-08T15:25:19Z)
• Age-Based Device Selection and Transmit Power Optimization in Over-the-Air Federated Learning [44.04728314657621]
  オーバー・ザ・エア・フェデレーション・ラーニング(FL)は、コミュニケーション効率を高める能力において大きな注目を集めている。 特に、FLでストラグラーデバイスを無視すると、モデル更新の公平性が低下し、あるデバイスのデータに対するグローバルモデルのバイアスが増幅される可能性がある。 本稿では、トラグラー装置の適切な参加を保証し、効率的なトレーニング性能を維持し、タイムリーな更新を保証する共同装置選択および送信電力最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-03T14:27:13Z)
• Deep learning based on Transformer architecture for power system short-term voltage stability assessment with class imbalance [13.3281651745186]
  実用的応用では、乱れ後の短期電圧不安定性が最小限であり、重大なクラス不均衡問題を引き起こす。 この課題に対処するために,Transformer ベースの STVSA 手法を提案する。 不均衡データセットの負の影響に対処するために、この研究は勾配ペナルティを持つ条件付きワッサーシュタイン生成逆数ネットワークを用いる。
  論文  参考訳（メタデータ） (2023-10-18T03:36:10Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。