Time series forecasting based on optimized LLM for fault prediction in distribution power grid insulators

要約

電気グリッド絶縁体の表面汚染は、電気放電が発生するまで漏れ電流の増加につながり、発電システムのシャットダウンにつながる可能性があります。
破壊的な障害の可能性を軽減するために、停電を引き起こすこと、監視汚染、漏れ電流は、障害の進行を予測するのに役立ちます。
この必要性を考慮して、このペーパーでは、高電圧絶縁体の漏れ電流の増加を予測するためのハイブリッドディープラーニング（DL）モデルを提案します。
ハイブリッド構造は、時系列予測に適用される大きな言語モデル（LLM）と組み合わせた信号ノイズ減衰の入力段階フィルターである、ツリー構造のParzen推定を使用した多基準の最適化を考慮します。
提案された最適化されたLLMは、短期間の2.24 $ \ times10^{-4} $に等しいルート平均誤差と1.21 $ \ times10^{ – 3}に等しい最先端のDLモデルよりも優れています。
中期地平線の$。

要約(オリジナル)

Surface contamination on electrical grid insulators leads to an increase in leakage current until an electrical discharge occurs, which can result in a power system shutdown. To mitigate the possibility of disruptive faults resulting in a power outage, monitoring contamination and leakage current can help predict the progression of faults. Given this need, this paper proposes a hybrid deep learning (DL) model for predicting the increase in leakage current in high-voltage insulators. The hybrid structure considers a multi-criteria optimization using tree-structured Parzen estimation, an input stage filter for signal noise attenuation combined with a large language model (LLM) applied for time series forecasting. The proposed optimized LLM outperforms state-of-the-art DL models with a root-mean-square error equal to 2.24$\times10^{-4}$ for a short-term horizon and 1.21$\times10^{-3}$ for a medium-term horizon.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google