지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술대회자료
- 저자정보
- 발행연도
- 2023.10
- 수록면
- 1,628 - 1,633 (6page)
이용수
초록· 키워드
오류제보하기
Distribution system state estimation (DSSE) is a numerical procedure that estimates the state variables of a system using a sparse set of measurable data at certain points in the system. However, DSSE encounters significant convergence-related difficulties as a result of insufficient real-time measurements. To tackle these issues, this paper employs deep neural networks as a computational framework for DSSE. To deal with large datasets, deep learning (DL) models such as convolutional neural networks (CNNs) and multi-layer perceptron networks are developed for estimating the states from measurement data. However, the presence of missing samples among the input measurement data
significantly affects the performance of the DL models. Therefore one of the advanced DL models namely, the transformer model is developed for missing data imputation using a forecasting task. The functioning of DL models is enhanced by replacing the missing samples with forecasted data of the transformer model and comparison is done with other machine learning algorithms. The simulation works have been carried out on IEEE 37-node unbalanced distribution test system. According to numerical findings, the CNN model achieves better results in identifying the nonlinear relationship between measurement data and states, and the transformer model achieves robust performance against missing samples.
significantly affects the performance of the DL models. Therefore one of the advanced DL models namely, the transformer model is developed for missing data imputation using a forecasting task. The functioning of DL models is enhanced by replacing the missing samples with forecasted data of the transformer model and comparison is done with other machine learning algorithms. The simulation works have been carried out on IEEE 37-node unbalanced distribution test system. According to numerical findings, the CNN model achieves better results in identifying the nonlinear relationship between measurement data and states, and the transformer model achieves robust performance against missing samples.
목차
Abstract
1. INTRODUCTION
2. BACKGROUND
3. METHODOLOGY
4. SIMULATION RESULTS AND DISCUSSIONS
5. CONCLUSION
REFERENCES
참고문헌 (0)
참고문헌 신청함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
머신러닝기반의 데이터 결측 구간의 자동 보정 및 분석 예측 모델에 대한 연구
멀티미디어학회논문지
2022 .02
-
Temporal Convolutional Network 와 Transformer 를 이용한 심전도 신호의 결측값 보간
한국정보과학회 학술발표논문집
2024 .12
-
Training Neural Networks with Missing Data Using Dynamic Imputation
대한산업공학회 추계학술대회 논문집
2020 .11
-
Combination of Deep Learner Network and Transformer for 3D Human Pose Estimation
제어로봇시스템학회 국제학술대회 논문집
2022 .11
-
실데이터 기반의 수분함유량에 따른 배전용 변압기 상태진단 기술개발에 대한 연구
전기학회논문지
2024 .07
-
디지털 데이터에서 데이터 전처리를 위한 자동화된 결측 구간 대치 방법에 관한 연구
멀티미디어학회논문지
2021 .02
-
변압기 효율 적정화를 위한 변압기 부하율 조사 및 추정
조명·전기설비학회논문지
2016 .01
-
Improving Vision Transformer with Multi-Task Training
제어로봇시스템학회 국제학술대회 논문집
2022 .11
-
트랜스포머 및 컨벌루션 심층 신경망 기반 단안 깊이 추정 아키텍처 설계
Proceedings of KIIT Conference
2022 .12
-
변압기의 파라미터 추출과 전기적 모델링 방법에 관한 연구
조명·전기설비학회논문지
2017 .05
-
Enhancing semantically masked Transformer with local attention for semantic segmentation
한국자동차공학회 춘계학술대회
2024 .06
-
From the Solid-State-Transformer (SST) to the Smart Transformer
ICPE(ISPE)논문집
2019 .05
-
Decision Transformer를 활용한 멀티 태스크 강화학습에서의 트랜스포머 아키텍처 비교 분석
한국통신학회 학술대회논문집
2025 .02
-
다양한 심층학습 아키텍처의 부하예측 성능 비교
대한설비공학회 학술발표대회논문집
2022 .06
-
라이프로그 데이터의 신뢰성 확보를 위한 베이지안 신경망 기반 결측치 처리 방안 연구
신뢰성응용연구
2025 .03
-
저압계통 연계력을 고려한 지상변압기 용량증가에 따른 이용률 분석에 관한 연구
전기학회논문지 P
2021 .09
-
Transformer와 CNN을 활용한 딥러닝 기반 의료 영상 분할 방법
대한산업공학회 춘계공동학술대회 논문집
2022 .06
-
Missing value imputation Based on Graph Neural Networks
한국정보과학회 학술발표논문집
2022 .06
-
Missing Data Imputation with Adversarial Autoencoders
대한산업공학회 추계학술대회 논문집
2019 .11
-
심층신경망과 BLE를 활용한 높은 정확도의 지능형 미아 예방 시스템
멀티미디어학회논문지
2024 .11
이 논문의 저자 정보
이 논문과 함께 이용한 논문
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-151-24-02-088266213