文献

J-GLOBAL ID：201902274494408286   整理番号：19A0524485

外乱データ上の教師付き学習を用いた動的複合負荷署名検出と分類【JST・京大機械翻訳】

Dynamic composite load signature detection and classification using supervised learning over disturbance data

著者 (4件)： Tray Kelly (School of Electrical and Computer Engineering, Oregon State University, Corvallis, OR) ,  Cicilio Phylicia (School of Electrical and Computer Engineering, Oregon State University, Corvallis, OR) ,  Brekken Ted (School of Electrical and Computer Engineering, Oregon State University, Corvallis, OR) ,  Cotilla-Sanchez Eduardo (School of Electrical and Computer Engineering, Oregon State University, Corvallis, OR)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ECCE  ページ： 1560-1566  発行年： 2017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： 発電機と負荷の動的挙動を正確に表現できる負荷モデリングは,送電と配電系統の運用と計画において重要である。しかし,それは電力系統研究コミュニティと電気ユーティリティにおける複雑な課題である。最終使用負荷の構成は,気候帯,季節,および時間に基づいて連続的に変化している。WECC複合負荷モデルは,最近,空調停止現象によって引き起こされる,故障誘起遅延電圧回復(FIDVR)事象をより良く表現するために開発された。この手法は変電所レベルでの負荷クラスの情報と空調,誘導機械,パワーエレクトロニクス,および負荷クラスに関連する静的負荷を用いることに基づいている。したがって,負荷クラスを同定し分類することは重要である。これは,各負荷クラスがシステムにおける特定の擾乱により独特の署名応答を持つので,機械学習に基づく署名検出を用いることにより達成できる。このプロジェクトの目的は,住宅,商業,農業,および混合負荷クラスの観点から,複合負荷シグネチャを検出し分類するために,教師つき学習,人工ニューラルネットワーク(ANN),アルゴリズムを実装することである。さらに,時間領域動的シミュレーション(PSS/E)で使用するために,ロードモデルデータツール(LMDT)を用いて,WECC複合負荷モデルデータを作成するプロセスを実証した。提案した方法論の実証と検証を目的として,One-Area信頼性試験システムを用いた。本研究の重要な貢献は以下を含む。1)WECCにより開発された最新の複合負荷モデルを用いて,自動外乱データ作成と収集を実証した。2)新しい自動化ソリューションを導入し,同期データと機械学習技術を活用することにより,負荷クラスを決定する。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： アルゴリズム ,  パワーエレクトロニクス ,  故障 ,  気候帯 ,  コミュニティ ,  配電系統 ,  ニューラルネットワーク ,  機械学習 ,  モデリング ,  *空気調和 ,  電圧 ,  変電所 ,  自動化
準シソーラス用語： 動的シミュレーション ,  動的挙動 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 外乱 ,  教師付き学習 ,  署名 ,  分類