論文の概要: A Systematic Evaluation of Machine Learning Methods for Fault Detection and Line Identification in Electrical Power Grids

• arxiv url: http://arxiv.org/abs/2609.16744v1
• Date: Tue, 15 Sep 2026 07:17:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.385271
• Title: A Systematic Evaluation of Machine Learning Methods for Fault Detection and Line Identification in Electrical Power Grids
• Title（参考訳）: 電力系統における故障検出と線同定のための機械学習手法の系統評価
• Abstract要約: 再生可能エネルギー源の電力網への統合は、故障検出とグリッド復旧機構の調整において複雑な課題をもたらす。 静的ルールと事前定義されたしきい値に基づいて動作する従来のリレー保護システムは、これらの課題に対処するには不十分である。 最近の研究は、機械学習(ML)ベースのアプローチがこれらの問題に効果的に取り組むことを示唆している。
• 参考スコア（独自算出の注目度）: 10.279282675943623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of renewable energy sources into the electrical grid introduces complex challenges in fault detection and coordination of grid recovery mechanisms. Traditional relay protection systems, which operate based on static rules and predefined thresholds, are inadequate for addressing these challenges, particularly in detecting and isolating faults such as short circuits. Consequently, the conventional methodologies applied to electrical network protection frequently fail to achieve optimal performance in fault detection, especially in terms of adherence to safety standards and the selective limitation of damage. Recent research indicates that machine learning (ML)-based approaches can effectively tackle these issues; however, variations in grid configurations and analysis windows have impeded consistent comparative assessments. In this study, we assess the efficacy of various ML models in detecting electrical faults and pinpointing defective transmission lines within a 10 ms measurement interval - a critical time-frame for real-time operational viability, for the first time. The most effective model attained an F1 score of 0.991 +/- 0.018 and demonstrated a processing time of 0.342ms +/- 0.509ms.
• Abstract（参考訳）: 再生可能エネルギー源の電力網への統合は、故障検出とグリッド復旧機構の調整において複雑な課題をもたらす。 従来のリレー保護システムは、静的な規則と事前定義されたしきい値に基づいて動作するが、これらの課題、特にショート回路などの障害の検出と分離には不十分である。 その結果、従来の電気ネットワーク保護手法は、特に安全基準の遵守や損傷の選択的制限の観点から、障害検出における最適性能を達成できないことが多い。 近年の研究では、機械学習(ML)に基づくアプローチがこれらの問題に効果的に対処できることが示されているが、グリッド構成や解析ウィンドウのバリエーションは、一貫した比較評価を妨げている。 本研究では, 各種MLモデルによる電気的故障検出と10msの計測間隔内欠陥伝送線路のピンポイント検出の有効性について検討した。 最も効果的なモデルでは、F1スコアは0.991 +/- 0.018となり、処理時間は0.342ms +/- 0.509msであった。

関連論文リスト

• Spatio-Temporal Grid Intelligence: A Hybrid Graph Neural Network and LSTM Framework for Robust Electricity Theft Detection [0.0]
  電力盗難は世界的な電力システムに永続的な脅威をもたらし、重大な財政赤字を招き、グリッドの安定性を損なう。 本研究では、時間異常検出、監視機械学習、グラフニューラルネットワーク(GNN)を融合したAIシリーズグリッドインテリジェンスフレームワークを導入し、不均衡なデータセットの高精度な盗難を識別する。
  論文  参考訳（メタデータ） (2026-03-20T20:34:18Z)
• Fault Detection in Electrical Distribution System using Autoencoders [0.49259062564301753]
  本稿では,電力系統の異常検出に対する異常に基づくアプローチを提案する。 畳み込みオートエンコーダ(CAE)を次元減少に利用し,従来のオートエンコーダに比べてトレーニング時間を短縮する。 提案手法は,代替検出手法よりも優れた性能と精度を示す。
  論文  参考訳（メタデータ） (2026-02-16T17:21:35Z)
• 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)
• Calibration-Free EEG-based Driver Drowsiness Detection with Online Test-Time Adaptation [43.83587667787693]
  ドローシー・ドライビングは交通事故の増大の原因であり、脳波に基づくドローシー検知システム(EEG)の最近の探索を促している。 特に,脳波信号の物体間変動は,領域シフトの問題を引き起こす。 そこで本稿では,オンラインテスト時間適応手法を利用して対象対象の分布に動的に適応する新しいドライバの眠気検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-27T02:27:10Z)
• 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)
• 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)
• AI-Powered Dynamic Fault Detection and Performance Assessment in Photovoltaic Systems [44.99833362998488]
  太陽光発電(PV)の断続的な性質により、電力損失は10-70%、エネルギー生産量は25%減少する。 現在の故障検出戦略はコストが高く、複雑なデータ信号プロファイルのために信頼性の低い結果が得られることが多い。 本研究では,PythonのPVlibライブラリを用いた動的損失量子化アルゴリズムを取り入れた計算モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T23:52:06Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)

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。