Fugu-MT 論文翻訳(概要): From Benchmarks to Production: Transferring Time Series Anomaly Detection Methods for Electricity Production Monitoring

論文の概要: From Benchmarks to Production: Transferring Time Series Anomaly Detection Methods for Electricity Production Monitoring

arxiv url: http://arxiv.org/abs/2609.39257v1
Date: Wed, 30 Sep 2026 08:20:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-01 18:57:27.433003
Title: From Benchmarks to Production: Transferring Time Series Anomaly Detection Methods for Electricity Production Monitoring
Title（参考訳）: ベンチマークから生産へ:電力生産モニタリングのための時系列異常検出手法の移行
Abstract要約: 本稿では,EDFの短期生産予測における異常検出の問題に対処する。 TAMISは、日々のプロダクション時系列を分析し、異常な日を自動的に検出するスケーラブルで解釈可能なシステムである。 TAMISは、自動化された日々のニュースレターを通じて上位の異常をサーフェし、効率的な専門家レビューと継続的監視を可能にする。
参考スコア（独自算出の注目度）: 2.281249948358686
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate forecasting of electricity production is essential for maintaining the operational efficiency and strategic planning of energy utilities. In industrial settings, such forecasts are generated daily to ensure supply-demand balance and optimal management of production assets. However, the increasing complexity of modern power systems and data flows poses significant challenges for ensuring the reliability and consistency of these forecasts. This paper addresses the problem of anomaly detection in short-term production forecasts at EDF, formulated as identifying atypical intra-day patterns that may signal data quality issues or operational irregularities. We introduce TAMIS, a scalable and interpretable system that analyzes daily production time series to automatically detect anomalous days based on deviations from historical patterns learned from past data. Designed for human-in-the-loop workflows, TAMIS surfaces top-ranked anomalies through an automated daily newsletter, enabling efficient expert review and continuous monitoring. An extensive experimental evaluation on real-world industrial data demonstrates that TAMIS achieves the best accuracy-efficiency trade-off compared to baseline methods. To foster further research and reproducibility, we publicly release the anonymized application datasets used in our study.
Abstract（参考訳）: エネルギー事業の運用効率と戦略的計画を維持するためには、発電の正確な予測が不可欠である。産業環境では、需給バランスと生産資産の最適管理を確保するために、こうした予測が毎日発生する。しかし、現代の電力システムとデータフローの複雑さの増大は、これらの予測の信頼性と一貫性を確保する上で大きな課題となる。本稿では,EDFの短期生産予測における異常検出の問題に対処し,データ品質問題や運用上の不規則を示唆する非定型的日内パターンを同定する。我々は,過去のデータから学習した歴史的パターンの偏差に基づいて,日常生産時系列を分析して異常な日を自動的に検出する,スケーラブルで解釈可能なシステムであるTAMISを紹介する。ヒューマン・イン・ザ・ループのワークフロー用に設計されたTAMISは、自動化された日々のニュースレターを通じて上位の異常をサーフェスし、効率的な専門家レビューと継続的監視を可能にする。実世界の産業データに対する広範な実験的評価は、TAMISがベースライン法と比較して最高の精度・効率のトレードオフを達成していることを示している。さらなる研究と再現性を促進するために,本研究では,匿名化されたアプリケーションデータセットを公開している。

関連論文リスト

Optimal Transport for Efficient, Unsupervised Anomaly Detection on Industrial Data [3.4490389424908776]
時系列センサデータにおける正常な振る舞いから逸脱を検出するために設計された,異常検出のための最適トランスポート(OT)ベースのフレームワークを提案する。 OTベースの手法では、最小限のユーザ入力が必要であり、ラベル付きトレーニングデータを必要としないリアルタイムデータに適応する。我々は,出荷,工業用HVACシステム,公開ベンチマークデータなど,3つの産業用データセットに対するアプローチを評価した。
論文参考訳（メタデータ） (2026-09-12T13:34:49Z)
IPM-FM: A Foundation Model with Consensus Feature Selection for Industrial Process Monitoring [59.59850511287819]
産業プロセス監視基盤モデル(IPM-FM)を提案する。まず、自己教師付き事前学習を通じて、ラベルのない産業プロセスデータから汎用的な表現を学習する。少数のタスクラベル付きデータを使用して特定の監視タスクに適応し、最終的に校正された予測を生成する。
論文参考訳（メタデータ） (2026-09-08T07:43:04Z)
Graph-Based Deep Learning for Intelligent Detection of Energy Losses, Theft, and Operational Inefficiencies in Oil & Gas Production Networks [0.0]
エネルギー損失、盗難、運用不効率の早期発見は、石油・ガス生産システムにおいて重要な課題である。伝統的な機械学習アプローチは、生産単位を独立して扱い、時間分布シフトの下で苦労することが多い。本研究では,石油・ガス生産ネットワークにおける異常検出のためのグラフベースディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2026-03-15T14:40:37Z)
Explainable Anomaly Detection for Industrial IoT Data Streams [1.2722697496405462]
産業のメンテナンスはモノのインターネットとエッジコンピューティングによって変化している。本稿では,教師なし異常検出と対話型・人間-イン-ザ-ループ学習を統合し,メンテナンス決定を支援するフレームワークを提案する。
論文参考訳（メタデータ） (2025-12-09T18:20:35Z)
A Hybrid Autoencoder-Transformer Model for Robust Day-Ahead Electricity Price Forecasting under Extreme Conditions [2.2360725546624267]
本稿では,拡散注意変換器モデルとオートエンコーダ自己回帰モデルを統合した新しいハイブリッドディープラーニングフレームワークを提案する。カリフォルニアと山東省でサンプリングされたデータセットの実験により、我々のフレームワークは予測精度、堅牢性、計算効率において最先端の手法を大幅に上回っていることが示された。
論文参考訳（メタデータ） (2025-11-10T09:47:24Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Advanced Statistical Learning on Short Term Load Process Forecasting [13.466565318976887]
短期負荷予測(STLF)は、電力消費者の効率的なスケジューリング、運転最適化取引、意思決定に必要である。本研究では, ハードタイプデータセットのこれらの課題を管理するための統計非線形モデルを提案し, 最大2日前に15分間の周波数負荷を予測した。
論文参考訳（メタデータ） (2021-10-19T12:32:40Z)
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)
Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文参考訳（メタデータ） (2020-10-08T20:25:52Z)
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。