Fast timescale state estimation for a large power system can be challenging if the sensors producing the measurements are few in number. This is particularly true for doing time-synchronized state estimation for a transmission system that has minimal phasor measurement unit (PMU) coverage. This paper proposes a Deep Neural network-based State Estimator (DeNSE) to overcome this extreme unobservability problem. For systems in which the existing PMU infrastructure is not able to bring the estimation errors within acceptable limits using the DeNSE, a data-driven incremental PMU placement methodology is also introduced. The practical utility of the proposed approach is demonstrated by considering topology changes, non-Gaussian measurement noise, bad data detection and correction, and large system application.
translated by 谷歌翻译
驾驶行为是道路崩溃和事故的主要原因之一，可以通过识别和最小化攻击性驾驶行为来减少这些原因。本研究确定了当不同情况下的驾驶员（匆忙，精神冲突，报复）开始积极推动时的时间戳。需要观察者（真实或虚拟）来检查驾驶行为以发现攻击性驾驶场合;我们通过使用智能手机的GPS传感器来检测位置并每三分钟分类驱动器的驾驶行为来克服这个问题。为了检测我们数据集中的TimeSeries模式，我们使用RNN（GRU，LSTM）算法来识别驾驶过程中的模式。该算法与道路，车辆，位置或驾驶员特性无关。我们得出结论，三分钟（或更多）的驾驶（120秒的GPS数据）足以识别驾驶员行为。结果显示出高精度和高F1分数。
translated by 谷歌翻译
链路预测是预测知识图的实体之间缺失关系的任务。最近的链路预测工作已经尝试通过在神经网络架构中使用更多层来提供增加链路预测精度的模型。在本文中，我们提出了一种精炼知识图的新方法，从而可以使用相对快速的翻译模型更准确地执行链路预测操作。翻译链接预测模型，如Transe，Transh，Transd，而不是深度学习方法的复杂性较小。我们的方法使用知识图中的关系和实体的层次结构将实体信息作为辅助节点添加到图形中，并将它们连接到包含在其层级中的该信息的节点。我们的实验表明，我们的方法可以显着提高H @ 10的翻译链路预测方法的性能，MRR，MRR。
translated by 谷歌翻译