文献

J-GLOBAL ID：202202241702973674   整理番号：22A0960311

特徴コスト効率と不均衡データ集合のための深層強化学習を用いた非技術的損失検出【JST・京大機械翻訳】

Non-Technical Loss Detection Using Deep Reinforcement Learning for Feature Cost Efficiency and Imbalanced Dataset

著者 (6件)： Lee Jiyoung (Department of Electronic Convergence Engineering, Kwangwoon University, Seoul, South Korea) ,  Sun Young Ghyu (Department of Electronic Convergence Engineering, Kwangwoon University, Seoul, South Korea) ,  Sim Isaac (Department of Electronic Convergence Engineering, Kwangwoon University, Seoul, South Korea) ,  Kim Soo Hyun (Department of Electronic Convergence Engineering, Kwangwoon University, Seoul, South Korea) ,  Kim Dong In (Department of Electrical and Computer Engineering, Sungkyunkwan University, Suwon, South Korea) ,  Kim Jin Young (Department of Electronic Convergence Engineering, Kwangwoon University, Seoul, South Korea)
資料名： IEEE Access  (IEEE Access)
巻： 10  ページ： 27084-27095  発行年： 2022年 
JST資料番号： W2422A  ISSN： 2169-3536  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： 電力グリッドシステムの問題の一つは,非技術的損失(NTL)として知られているエネルギーftによる電力損失である。グリッドシステムの持続可能性と安定性は,予想外の電力損失によって脅かされている。データ解析に基づくエネルギーft検出は,NTLの欠点を軽減する解決策の1つである。データベースのNTL検出の主な問題は,収集した電力利用データセットが不均衡であることである。本論文では,NTLのデータ不均衡問題を解くために,深層強化学習(DRL)を用いてNTL検出問題を検討した。提案方法の利点は,入力特徴選択のために前処理方法なしで部分的入力特徴を使用するために分類方法を採用することである。さらに,データセットのバランスをとるための余分な前処理ステップは,従来のNTL検出アルゴリズムと比較してNTLを検出するのに不要である。シミュレーション結果から,提案方法は,種々のシミュレーション環境下で従来のアルゴリズムと比較してより良い性能を提供する。Copyright 2022 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 ,  シミュレーション ,  データ ,  データベース ,  *電力 ,  特性 ,  前処理 ,  特徴選択 ,  性質
準シソーラス用語： 不均衡 ,  持続可能性 ,  電力損失 ,  グリッドシステム ,  検出アルゴリズム ,  *コスト効率 ,  *不均衡データ , 【Automatic Indexing@JST】

分類 (4件)： 人工知能  (JE08000Z) ,  計算理論  (JB02000A) ,  信号理論  (ND02020G) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： コスト効率 ,  不均衡データ ,  集合 ,  深層強化学習 ,  損失