論文の概要: Protection-Oriented Assessment of Machine Learning-Based Fault Detection in Power Systems
- arxiv url: http://arxiv.org/abs/2611.17872v1
- Date: Fri, 13 Nov 2026 08:02:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.333169
- Title: Protection-Oriented Assessment of Machine Learning-Based Fault Detection in Power Systems
- Title(参考訳): 電力系統における機械学習に基づく故障検出の保護指向評価
- Abstract要約: 機械学習(ML)ベースの障害検知器は、電力システム保護のためにますます提案されている。
本稿では3つのML検出器の保護指向評価とProtECT-90のシーケンス電流参照について述べる。
評価には5つのウィンドウ条件、因果ウィンドウのラベル付け、エピソードグループによるクロスバリデーション、固定されたセキュリティ予算の下での運用ポイントの選択が組み合わされている。
セキュリティ、信頼性、検出タイミング、意思決定マージン、エピソードレベルのニュアンスアサーションを報告します。
- 参考スコア(独自算出の注目度): 7.5131032969967935
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML)-based fault detectors are increasingly proposed for power system protection, yet aggregate metrics can obscure the consequences of false and missed trips. We present a protection-oriented assessment of three ML detectors and a sequence-current reference on PROTECT-90, comprising 9,022 simulated fault episodes on a 90 kV double-circuit line. The assessment combines five window conditions, causal window-end labelling, episode-grouped cross-validation, and operating-point selection under a fixed security budget. It reports security, dependability, detection timing, decision margins, and episode-level nuisance assertions. Gradient-boosted trees, a convolutional neural network, and logistic regression achieve AUC-ROC values above 0.999, yet at a security budget of $10^{-3}$ their developed-fault missed-trip rates range from 0.007% to 1.99%. Post-clearing false-trip rates of approximately 0.12-0.16% per window coexist with nuisance assertions in 11.3-19.1% of episodes. Among the analysed physical descriptors, missed trips are most consistently associated with higher fault resistance within the sampled range. An analytical current proxy suggests a fault-current gradient only partly reproduced by waveform-derived current (rank correlation 0.62). No single topology state or faulted phase consistently dominates within the sampled domain. Because PROTECT-90 contains fault episodes only, security is assessed on pre-fault and post-clearing windows rather than independent non-fault disturbances.
- Abstract(参考訳): 機械学習(ML)ベースの障害検出器は、電力システム保護のためにますます提案されているが、集約されたメトリクスは、誤った旅行や見逃した旅行の結果を曖昧にすることができる。
本稿では,3つのML検出器の保護指向評価と,90kVの二重回路上での9,022の断層現象を含むProtECT-90のシーケンス電流参照について述べる。
評価には5つのウィンドウ条件、因果ウィンドウのラベル付け、エピソードグループによるクロスバリデーション、固定されたセキュリティ予算の下での運用ポイントの選択が組み合わされている。
セキュリティ、信頼性、検出タイミング、意思決定マージン、エピソードレベルのニュアンスアサーションを報告します。
グラディエントブーストツリー、畳み込みニューラルネットワーク、ロジスティック回帰は、AUC-ROCの0.999以上の値を達成するが、セキュリティ予算は10-3}$で、前向きのミストリップレートは0.07%から1.99%である。
クリーニング後のフェイクトリップ率は1ウィンドウあたり約0.12-0.16%であり、11.3-19.1%のエピソードにおいてニュアンス・アサーションと共存している。
解析された物理記述子のうち、ミストリップはサンプリング範囲内の高い耐故障性と関連している。
解析電流プロキシは、波形由来の電流によって部分的に再生される断層電流勾配(ランク相関0.62)を示唆する。
サンプル領域内では、単一の位相状態や障害相が常に支配的になることはない。
PROTECT-90はフォールトエピソードのみを含むため、セキュリティは独立した非フォールト障害ではなく、プレフォールトおよびポストクリーニングウィンドウで評価される。
関連論文リスト
- Auditing Representation-Space Fraud Detection: A Bayesian IRL Framework for Calibrated Uncertainty and Its Limits [0.0]
ユーザプロファイルの変換に不変な表現に基づいて構築された検出器が、その不変条件下での有機プロファイルと区別できない攻撃に対して、チャンスを上回ることを証明している。
MovieLens-1M (0.48-0.51)では性能が低下し、Amazon Musical Instrumentsでは部分的に劣化し、CiaoDVDでは低下した。
論文 参考訳(メタデータ) (2026-11-02T07:27:52Z) - DeBERTa-ConPara: Attack-Aware and Deployment-Realistic Detection of AI-Generated Text [42.255101883505056]
DeBERTa-ConParaは,HC3 Plus,M4,MAGE,RAIDで学習した文脈変換器エンコーダと,攻撃対応Unicode前処理を組み合わせたデプロイメント指向検出器である。
我々の中心的な発見は、前処理が適用された場所によって反対方向に作用することである。
2つの配置の因子的変化は、正規化推論による生のトレーニングを最高の設定として独立に識別する。
12種類の攻撃クラスのうち、ホモグリーフとゼロ幅空間の挿入は11.05%から1.12%から96.98%に増加した。
論文 参考訳(メタデータ) (2026-10-01T00:57:33Z) - From Routing Signals to Selective Review: Visual regrounding in MoE VLMs [48.07726955428853]
視覚言語モデル(VLM)は偽の視覚的前提を受け入れ、対象の物体の色、数、位置、状態について疑問に答える。
本稿では,Mixture-of-Experts (MoE)VLMにおける内部ルーティング決定を活用するための最初のフレームワークを提案する。
提案手法は,MoE VLMによってすでに作成されており,低コストな検出と選択的な視覚的リグラウンドを支援することができる。
論文 参考訳(メタデータ) (2026-09-29T17:49:07Z) - Offline Reinforcement Learning for Distribution-Grid Protection [42.05746375597851]
我々は,CIGRE中電圧ネットワークの静的軌跡からの線選択的トリップについて検討した。
畳み込みQネットワークは、因果電圧電流ファサーおよび見かけインピーダンス特徴を受信する。
その結果,密度予測性能と終端保護挙動がモデルランキングに影響を及ぼす可能性が示唆された。
論文 参考訳(メタデータ) (2026-09-21T14:49:04Z) - A Hybrid Two-Stage Machine Learning Pipeline for Fault Detection and Classification in Power Transmission Systems [0.4349640169711269]
本稿では,分類から検出を分離するハイブリッド2段階機械学習パイプラインを提案する。
TLFaultDatasetでは、Line-faultのエンドツーエンドの精度が31.3%から95.8%に向上している。
独立した単一ポイントデータセットでは、同じフレームワークが通常の操作を含むすべてのクラスで97.25%のエンドツーエンドの精度を達成している。
論文 参考訳(メタデータ) (2026-08-24T18:11:29Z) - Measurement Without Validity: The Compounding Reliability Problem in Agentic AI Evaluation [0.0]
エージェントAI評価パイプラインは、デプロイメント決定、安全認定、規制コンプライアンス要求を正当化するベンチマークスコアを生成する。
正式なフレームワークはまだ、これらのパイプラインのステージにおける妥当性の低下を特徴付けていない。
本稿では,タスク生成,人間シミュレーションキャリブレーション,自動判定の3層合成妥当性モデルを提案する。
論文 参考訳(メタデータ) (2026-08-01T17:50:12Z) - Alignment Collapse Under KV Cache Quantization: Diagnosis and Mitigation [6.129872931808218]
キー値(KV)キャッシュの量子化は、Large Language Model(LLM)推論メモリの削減に広く利用されている。
本研究では,KVキャッシュ量子化下でのアライメント保存について検討する。
低ビット量子化は安全アライメントを静かに破壊することができる。
論文 参考訳(メタデータ) (2026-06-01T02:02:20Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳(メタデータ) (2026-05-20T19:08:38Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳(メタデータ) (2026-05-15T17:08:27Z) - Probabilistic Soundness Guarantees in LLM Reasoning Chains [37.440902632372904]
ARES(Autoregressive Reasoning Entailment Stability)は、事前に検証された前提のみに基づいて、各推論ステップを評価する確率的フレームワークである。
ARESは4つのベンチマークで最先端のパフォーマンスを達成し、非常に長い合成推論チェーン上で優れた堅牢性を示す。
論文 参考訳(メタデータ) (2025-07-17T09:40:56Z)
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。