論文の概要: Sensor-Aware Joint Data Fusion and State Estimation under Sparse Multi-rate Distribution Grid Sensing
- arxiv url: http://arxiv.org/abs/2610.15156v1
- Date: Sat, 10 Oct 2026 20:12:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 02:20:21.766896
- Title: Sensor-Aware Joint Data Fusion and State Estimation under Sparse Multi-rate Distribution Grid Sensing
- Title（参考訳）: スパースマルチレート配電系統センシングにおけるセンサ・アウェア共同データ融合と状態推定
- Abstract要約: ローカルストレージとジェネレーションの追加とシステムの複雑さが増すにつれ、現代の電力網にとってますます必要となる。
本稿では,特定バス上で測定関数とサンプリングプロセスの型付けと局所化を行う不均一潜在グラフODEを提案する。
観測可能性の低下に伴い,複数のIEEE標準トポロジにまたがって有効性を示す。
- 参考スコア（独自算出の注目度）: 0.20999222360659606
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Distribution-system state estimation is a growing necessity for the modern power grid as the addition of local storage and generation add system complexity that an operator or aggregator is not able to directly monitor. Classical methods work well when all system elements are time-synchronized and at least partly observable, but multi-rate monitoring of sparse heterogeneous sensors typically relies on machine learning approaches. It is a common practice in the literature to structure this task as a two-stage pipeline, first fusing data from disparate sensors and then feeding the fused pseudo-measurements to a separately trained state estimator. We propose a heterogeneous latent graph ODE in which measurement functions and sampling processes are typed and localized on specific buses, paired with a graph- transformer state estimator solving DSSE specifically for multi-rate heterogeneous sensor placements, and demonstrate its effectiveness across multiple IEEE standard topologies as observability degrades.
- Abstract（参考訳）: 分散システム状態推定は、ローカルストレージの追加と、演算子やアグリゲータが直接監視できないような生成システムの追加により、現代の電力グリッドにとってますます必要になる。
古典的な手法は、すべてのシステム要素が時間同期であり、少なくとも部分的に観測可能である場合にうまく機能するが、スパース不均一センサのマルチレートモニタリングは通常、機械学習アプローチに依存している。
文献では、このタスクを2段階のパイプラインとして構成し、まず異なるセンサーからデータを抽出し、融合した擬似測度を別々に訓練された状態推定器に供給することが一般的である。
本稿では,多段不均質センサ配置に特化してDSSEを解くグラフトランスフォーマー状態推定器と組み合わせて,特定のバス上で測定関数とサンプリングプロセスの型付けと局所化を行い,その可観測性低下としてIEEE標準トポロジにまたがる有効性を実証する不均質潜時グラフODEを提案する。
関連論文リスト
- Probabilistic Multi-Robot Gas Source Localization with Uncalibrated Sensors: A Distributed Estimation Approach [7.570246812206771]
ソースローカライゼーションタスクのための分散確率的フレームワークを提案する。
各ロボットは、ランクベースの特徴を用いて、個別に局所的な信念を推定する。
これらの局所的な信念は、一貫したグローバルな見積もりを得るために専門家の定式化の産物によって融合される。
論文 参考訳（メタデータ） (2026-08-28T11:32:53Z) - SMKC: Sketch Based Kernel Correlation Images for Variable Cardinality Time Series Anomaly Detection [0.0]
運用環境では、監視システムはセンサーチャーンを頻繁に経験する。
本稿では,異常検出器から動的入力構造を分離するフレームワークSMKCを提案する。
SMKC表現におけるランダムプロジェクションと近傍近傍の検出器は、完全に訓練されたベースラインと競合する。
論文 参考訳（メタデータ） (2026-01-28T21:15:11Z) - A Sensing Dataset Protocol for Benchmarking and Multi-Task Wireless Sensing [45.99328292838584]
本稿では,大規模無線センシングのためのプロトコルレベルの仕様とベンチマークフレームワークであるSensing dataset Protocol (SDP)を提案する。
SDPは、異種無線信号が統一された知覚データブロックスキーマにどのようにマッピングされるかを定義する。
統一ベンチマークは、一貫した前処理、トレーニング、評価を伴う検出、認識、バイタルサイン推定のために確立される。
論文 参考訳（メタデータ） (2025-12-13T05:01:30Z) - Environment-Aware Channel Inference via Cross-Modal Flow: From Multimodal Sensing to Wireless Channels [45.969793510760645]
この論文では、マルチモーダル観測から直接完全なCSIを推定するパイロットフリーチャネル推定について検討する。
本研究では,センサ・チャネル間マッピングをモーダル間フローマッチング問題として定式化するデータ駆動型フレームワークを開発した。
実験では,シオンナとブレンダーをベースとした手続き型データ生成装置を構築し,センシングシーンのリアルなモデリングと無線伝搬を支援する。
論文 参考訳（メタデータ） (2025-12-04T16:35:09Z) - Diffuse to Detect: A Generalizable Framework for Anomaly Detection with Diffusion Models Applications to UAVs and Beyond [2.4449457537548036]
UAVセンサーの読み取りなどの複雑な高次元データにおける異常検出は、運用上の安全性に不可欠である。
本稿では,拡散モデルを適用して異常検出を行うDiffuse to Detect(DTD)フレームワークを提案する。
DTDは1ステップの拡散プロセスを用いてノイズパターンを予測し、再構成エラーのない異常の迅速かつ正確な同定を可能にする。
論文 参考訳（メタデータ） (2025-10-27T02:08:08Z) - On Multi-entity, Multivariate Quickest Change Point Detection [2.0369245689839817]
変更点検出(CPD)は、従来のセンシング手法が実現不可能なクラウドモニタリングのアプリケーションによって動機付けられている。
本稿では,正常度からの個人偏差(IDfN)の概念を紹介し,正常度を訓練した再構成エラーベースのオートエンコーダを用いて計算する。
平均値、分散値、カーネル密度推定値(KDE)を用いてこれらの個々の偏差を集約し、システムワイド異常スコア(SWAS)を生成する。
我々の教師なしアプローチはラベル付きデータや特徴抽出の必要性を排除し、ストリーミング入力のリアルタイム操作を可能にします。
論文 参考訳（メタデータ） (2025-09-22T18:35:24Z) - Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。
本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。
STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。
様々な密集した予測タスクと多様な意味クラス予測を統一する。
論文 参考訳（メタデータ） (2025-05-18T07:39:17Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-11T10:10:16Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z) - Deep Phase Correlation for End-to-End Heterogeneous Sensor Measurements
Matching [12.93459392278491]
不均一なセンサ計測に適合するエンド・ツー・エンドのディープ位相相関ネットワーク(DPCN)を提案する。
主なコンポーネントは、学習可能な特徴抽出器にポーズエラーをバックプロパゲートする、微分可能な相関ベースの推定器である。
解釈可能なモデリングにより、ネットワークは軽量化され、より良い一般化が期待できる。
論文 参考訳（メタデータ） (2020-08-21T13:42:25Z) - Learning Selective Sensor Fusion for States Estimation [47.76590539558037]
本稿では,エンド・ツー・エンドのセンサ・フュージョン・モジュールであるSelectFusionを提案する。
予測中、ネットワークは異なるセンサーモードから潜伏する特徴の信頼性を評価することができる。
我々は、公開データセットと漸進的に劣化したデータセットの両方において、すべての融合戦略を広範囲に評価する。
論文 参考訳（メタデータ） (2019-12-30T20:25:16Z)
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。