文献

J-GLOBAL ID：201802233678926468   整理番号：18A0725849

スマートグリッドを安全にするための電気-テフト検出のための広く深い畳込みニューラルネットワーク【JST・京大機械翻訳】

Wide and Deep Convolutional Neural Networks for Electricity-Theft Detection to Secure Smart Grids

著者 (5件)： Zheng Zibin (School of Data and Computer Science, Sun Yat-sen University, Guangzhou, China) ,  Yang Yatao (School of Data and Computer Science, Sun Yat-sen University, Guangzhou, China) ,  Niu Xiangdong (School of Data and Computer Science, Sun Yat-sen University, Guangzhou, China) ,  Dai Hong-Ning (Faculty of Information Technology, Macau University of Science and Technology, Taipa, Macau) ,  Zhou Yuren (School of Data and Computer Science, Sun Yat-sen University, Guangzhou, China)
資料名： IEEE Transactions on Industrial Informatics  (IEEE Transactions on Industrial Informatics)
巻： 14  号： 4  ページ： 1606-1615  発行年： 2018年 
JST資料番号： W1434A  ISSN： 1551-3203  CODEN： ITIICH  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 電力料金は送電網に有害である。エネルギーフローと情報フローを統合して,スマートグリッドは,スマートグリッドから生成された大量データの利用可能性に対する電力理論の問題を解決するのを助けることができる。スマートグリッドのデータに関するデータ解析は,エネルギーthiの異常な電力消費パターンのために,電気料金を検出するのに役立つ。しかし,それらのほとんどが一次元(1-D)電力消費データに関して実施され,電力消費の周期性を捉えることができないので,既存の方法には電気料金の低い検出精度がある。本論文において,著者らは,最初に,上記の懸念を扱うために,広くて深い畳込みニューラルネットワーク(CNN)モデルに基づく新しい電気的な検出方法を提案した。特に,広くて深いCNNモデルは,広い成分と深いCNN成分の2つの成分から成る。深いCNN成分は,2-D電力消費データに基づいて,電力の非周期性と通常の電力使用の周期性を正確に同定することができる。一方,広い成分は,一次元電力消費データのグローバルな特徴を捉えることができる。結果として,広くて深いCNNモデルは,電気料金検出において優れた性能を達成することができた。現実的なデータセットに基づく広範な実験は,広くて深いCNNモデルが他の既存の方法より優れていることを示している。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【JST・京大機械翻訳】

シソーラス用語： 電気料金 ,  検出法 ,  電力 ,  一次元 ,  *安全性 ,  送電系統 ,  データ解析 ,  電力消費 ,  *スマートグリッド
準シソーラス用語： 非周期性 ,  検出精度 ,  周期性 ,  電力理論 ,  情報フロー ,  エネルギーフロー , 【Automatic Indexing@JST】

分類 (1件)： 電力系統一般  (NB02000E)

タイトルに関連する用語 (2件)： スマートグリッド ,  畳込みニューラルネットワーク