カテゴリ: 論文誌(論文単位)グループ名: 【D】産業応用部門発行日: 2022/12/01タイトル(英語): Anomaly Detection for Hydroelectric Generating Units by Fast Robust Random Cut Forest with Fast Feature Selection Considering Characteristics of Operating Data and Random Cut Trees著者名: 原 勇輝（明治大学大学院 先端数理科学研究科 ネットワークデザイン専攻），福山 良和（明治大学大学院 先端数理科学研究科 ネットワークデザイン専攻），島崎 祐一（富士電機（株）技術開発本部デジタルイノベーション研究所 デジタルプラットフォームセンター），長田 悠人（富士電機（株）技術開発本部デジタルイノベーション研究所 デジタルプラットフォームセンター），村上 賢哉（富士電機（株）技術開発本部デジタルイノベーション研究所 デジタルプラットフォームセンター），飯坂 達也（富士電機（株）技術開発本部デジタルイ著者名(英語): Yuki Hara (Graduate School of Advanced Mathematical Sciences, Meiji University), Yoshikazu Fukuyama (Graduate School of Advanced Mathematical Sciences, Meiji University), Yuichi Shimasaki (Digital Platform Center, Digital Innovation Laboratory, Corporate R&D Headquarters, Fuji Electric Co., Ltd.), Yuto Osada (Digital Platform Center, Digital Innovation Laboratory, Corporate R&D Headquarters, Fuji Electric Co., Ltd.), Kenya Murakami (Digital Platform Center, Digital Innovation Laboratory, Corporate R&D Headquarters, Fuji Electric Co., Ltd.), Tatsuya Iizaka (Digital Platform Center, Digital Innovation Laboratory, Corporate R&D Headquarters, Fuji Electric Co., Ltd.), Tetsuro Matsui (Digital Platform Center, Digital Innovation Laboratory, Corporate R&D Headquarters, Fuji Electric Co., Ltd.)キーワード: 水力発電設備，異常検知，高速化Robust Random Cut Forest，変数選択，機械学習_x000D_ hydroelectric generating unit，anomaly detection，fast robust random cut forest，feature selection，machine learning要約(英語): This paper proposes anomaly detection for hydroelectric generating units by Fast Robust Random Cut Forest with a fast feature selection method by considering characteristics of operating data and Random Cut Trees. Hydroelectric generating units are renewable electric generating sources for electricity supply. Therefore, it is crucial to accurately detect anomalies of hydroelectric generating units. Moreover, effective features for anomaly detection should be selected to reduce operation costs of anomaly detection services. The proposed anomaly detection method can detect anomalies approximately thirty times faster than the conventional Robust Random Cut Forest with an accuracy comparative to that of the conventional method. The proposed feature selection method can select effective features almost fifty times faster than the conventional feature selection method.本誌: 電気学会論文誌D（産業応用部門誌） Vol.142 No.12 （2022） 特集：レジリエントな社会を実現するスマートファシリティ関連技術本誌掲載ページ: 916-927 p原稿種別: 論文／日本語電子版へのリンク: https://www.jstage.jst.go.jp/article/ieejias/142/12/142_916/_article/-char/ja/
