文献

J-GLOBAL ID：202202267142369790   整理番号：22A1056455

1D-CNNを用いたロバスト定常状態負荷パラメータ推定のための時系列深層学習【JST・京大機械翻訳】

Time Series Deep learning for Robust Steady-State Load Parameter Estimation using 1D-CNN

著者 (2件)： Rizvi Syed M. Hur (School of Electrical Engineering & Computer Science, Pullman, WA, USA) ,  Rizvi Syed M. Hur (Pullman, WA, USA)
資料名： Arabian Journal for Science and Engineering  (Arabian Journal for Science and Engineering)
巻： 47  号： 3  ページ： 2731-2744  発行年： 2022年 
JST資料番号： W4051A  ISSN： 2193-567X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 同期測定のアベイラビリティは,負荷モデルパラメータの実時間測定ベース推定の道筋を提供する。実際のPMUデータにおけるノイズと異常値の存在は,雑音と異常値にロバストな推定手法を開発するのに不可欠である。ロバスト負荷パラメータ推定を,この研究における主要な目標として同定した。本論文では,ロバストな定常状態負荷パラメータ推定のための時系列MLフレームワークを提案した。時系列機械学習ベース手法は,特定のユーザ定義特徴なしに,電圧と電力時系列データを使用して,パラメータを知的に推定する能力を提供する。1D形式(1D-CNN)における畳み込みニューラルネットワークを,負荷パラメータ推定のために提案した時系列MLベースフレームワークを実行するために提案した。提示した事例研究は,提案したアルゴリズムがPMU測定における現実的ノイズの存在下でロバスト推定性能を提供することを示した。本研究はまた,測定データにおける異常値によるパラメータ推定のロバスト性をさらに高めるための悪いデータ前処理フレームワークを導入した。詳細な統計解析を行い,提案したパラメータ推定フレームワークの優れた一般化能力とロバスト推定性能を実証した。Copyright King Fahd University of Petroleum & Minerals 2021 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 ,  雑音 ,  電圧 ,  電力 ,  *一次元 ,  *パラメータ推定 ,  事例研究 ,  異常値 ,  *パラメータ ,  ロバスト推定 ,  *ロバスト性 ,  機械学習
準シソーラス用語： 時系列データ ,  モデルパラメータ ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 時系列 ,  機械学習 ,  定常状態 ,  負荷パラメータ ,  電圧依存性

分類 (4件)： 統計学  (AB08000H) ,  人工知能  (JE08000Z) ,  電力系統一般  (NB02000E) ,  電動機  (NB07030U)

タイトルに関連する用語 (7件)： 1D ,  CNN ,  ロバスト ,  定常状態 ,  パラメータ推定 ,  時系列 ,  深層学習