文献

J-GLOBAL ID：201902225102333177   整理番号：19A0120967

コストに敏感な深層学習法を用いた電力系統の過渡安定性評価【JST・京大機械翻訳】

Transient Stability Assessment of Power Systems Using Cost-sensitive Deep Learning Approach

著者 (5件)： Zhou Yanzhen (Department of Electrical Engineering, Tsinghua University, Beijing, China) ,  Zhao Wenlu (Department of Electrical Engineering, Tsinghua University, Beijing, China) ,  Guo Qinglai (Department of Electrical Engineering, Tsinghua University, Beijing, China) ,  Sun Hongbin (Department of Electrical Engineering, Tsinghua University, Beijing, China) ,  Hao Liangliang (School of Electrical Engineering, Beijing Jiaotong University, Beijing, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： EI2  ページ： 1-6  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 本論文は,過渡安定性評価(TSA)のための費用に敏感な損失関数による深い学習アプローチを提示した。最初に,外乱の後の多重発電機変数をオリジナル入力として利用した。第二に,畳込みニューラルネットワーク(CNN)をTSAのための自動特徴抽出と回帰モデル構築のために適用した。生成したTSAモデルは,完全接続ニューラルネットワークおよびサポートベクトル回帰モデルよりも,より正確な過渡安定性指標を提供することができた。さらに,不安定性の誤検出を低減するために,費用に敏感な損失関数を提案した。事例研究は,提案した手法の有効性を検証するために,ニューイングランド10機39母線系統について行った。Copyright 2019 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： *電力系統 ,  ニューラルネットワーク ,  *学習 ,  回帰モデル ,  ニューイングランド ,  事例研究 ,  損失関数 ,  有効性 ,  *過渡安定度 ,  不安定性 ,  多重化 ,  特徴抽出
準シソーラス用語： サポートベクトル回帰 ,  畳込みニューラルネットワーク ,  *深層学習 , 【Automatic Indexing@JST】

分類 (3件)： 医用画像処理  (JE04020T) ,  NMR一般  (BM07041R) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 深層学習 ,  電力系統 ,  安定性評価