文献

J-GLOBAL ID：202002279170326872   整理番号：20A2624552

電力系統故障分類のための適応圧縮センシングと機械学習【JST・京大機械翻訳】

Adaptive Compressive Sensing and Machine Learning for Power System Fault Classification

著者 (4件)： Cheng Long (Power System Consulting, ABB Inc.,Raleigh,NC,USA) ,  Wu Zhaoqi (University of Illinois at Urbana-Champaign,Department of Physics,Champaign,IL,USA) ,  Duan Rusheng (Fu Foundation School of Engineering and Applied Science, Columbia University,New York,NY,USA) ,  Dong Kangnan (California State University San Marcos,Department of Computer Science and Information Systems,San Marcos,CA,USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： SoutheastCon  ページ： 1-7  発行年： 2020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： 圧縮センシング関連方法は,電力系統故障分類において成功を達成した。しかし,これらの方法は,電力系統故障信号内の相関を考慮しないか,または,相関にあまりにも重視されるが,電力系統故障信号のスパース性特性を無視して,分類精度の低下と,必要な訓練サンプルの数の増加をもたらす。さらに,これらの方法は,分類精度と速度をさらに改善するために,同時に他の機械学習技術を探索しない。これらの方法の欠点と限界を克服するために,本論文では,電力系統故障信号で継承された相関とスパース性の両方を考慮して,電力系統故障を迅速かつ正確に分類するための適応圧縮センシングと機械学習分類フレームワークを提案した。最初に,ランダム射影を適用して故障信号の次元を低減した。第二に,k-最近傍ベースのアルゴリズムを設計して,訓練データセットにおいて必要な故障信号の数を減らした。最後に,電力系統故障の分類を,交互方向最適化法を用いて,適応L1ノルムとL2ノルム結合目的関数を解決するように定式化した。シミュレーション結果は,提案したフレームワークが,既存の圧縮センシングベースの電力系統故障分類法よりも,精度と速度の両方で優れた性能を持つことを示した。Copyright 2020 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 ,  最適化 ,  シミュレーション ,  *故障 ,  目的関数 ,  射影 ,  定式化 ,  *機械学習
準シソーラス用語： 訓練データ ,  スパース性 ,  分類精度 ,  L2ノルム ,  *圧縮センシング ,  L1ノルム ,  機械学習技術 , 【Automatic Indexing@JST】

分類 (5件)： 医用画像処理  (JE04020T) ,  音声処理  (JE05000E) ,  NMR一般  (BM07041R) ,  符号理論  (ND02030R) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 電力系統故障 ,  分類 ,  適応 ,  圧縮センシング ,  機械学習