PMUデータのモード解析によるイベント同定のための機械学習フレームワーク【JST・京大機械翻訳】

Bazargani Nima T.; Dasarathy Gautam; Sankar Lalitha; Kosut Oliver

プレプリント

J-GLOBAL ID：202202205280012594 整理番号：22P0289448

PMUデータのモード解析によるイベント同定のための機械学習フレームワーク【JST・京大機械翻訳】

A Machine Learning Framework for Event Identification via Modal Analysis of PMU Data

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年02月14日プレプリントサーバーでの情報更新日： 2022年10月03日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

電力システムは,様々な事象(例えば,ライントリップと発電損失)を起こしやすく,そのようなイベントのリアルタイム同定は,状況認識,信頼性,およびセキュリティの観点から重要である。多重シンクロフェーザ,すなわちフェーザ測定ユニット(PMU)からの測定を用いて,著者らはモード動力学に基づく特徴を抽出することによってイベントを同定することを提案した。そのような従来の物理ベース特徴抽出法を機械学習と組み合わせ,異なるイベントタイプを識別する。各PMUにおける全ての測定チャネルを含めることは多様な特徴を利用するが,高次元空間上の学習分類モデルも必要とする。この問題に取り組むために,特徴の最良の部分集合を選択するために,様々な特徴選択法を実行した。特徴の得られた部分集合を用いて,2つのデータセットにおける発生損失と線トリップ事象を同定するために,2つのよく知られた分類モデル,即ち,ロジスティック回帰(LR)とサポートベクトルマシン(SVM)の性能を研究した。最初のデータセットは,テキサス2000バス合成グリッドにおける模擬発電損失とライントリップ事象から得られた。第2は,ほぼ500のPMUからの測定を含む米国における大きなユーティリティから得られたラベル付きイベントを有する,専用のデータセットである。著者らの結果は,提案したフレームワークが2種類のイベントの同定に有望であることを示した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

電力系統一般

, , , , ,

前のページに戻る