شناسایی ناهنجاری و کاهش خطا در داده‌های اندازه‌گیری pmu با استفاده از مدل ترکیبی گوسی (gmm)

این مقاله، یک روش تحلیلی بر پایه مدل ترکیبی گوسی (gmm) برای مقابله با نویز غیرگوسی و ناهنجاری‌ها در داده‌های pmu ارائه می‌دهد. برخلاف روش‌های معمول که دقت پایینی دارند، رویکرد ارائه شده با مدل‌سازی آماری، ناهنجاری‌ها را شناسایی و فیلتر می‌کند. نتایج نشان می‌دهد که چارچوب gmm، با دقت شناسایی 99.54٪، ناهنجاری‌ها را از داده‌های سالم جدا می‌کند. همچنین، بهبود چشم‌گیری را در احتمال خطای بیت (ber) ایجاد می‌کند و ber را در مقایسه با روش معمول بیش از 95٪ کاهش می‌دهد. این مقاله نشان می‌دهد که gmm با پاکسازی داده‌ها، به طور موثری منجر به کاهش خطا و افزایش قابلیت اعتماد در سیستم‌های پایش گسترده (wams) می‌شود.

anomaly detection and error reduction in pmu measurement data using a gaussian mixture model (gmm)

this paper presents a unified analytical framework based on the gaussian mixture model(gmm) to tackle non-gaussian noise and anomalies in pmu data. unlike traditional methodsthat suffer from low accuracy, our approach models the statistical structure of the data,leveraging this to identify and filter out anomalies. the method's superiority is quantitativelyevaluated in a simulated environment, demonstrating that our gmm framework separateshealthy data from anomalies with a detection accuracy of 99.54%. furthermore, it proves asignificant improvement in the bit error rate (ber), with the ber reduced by over 95%compared to the traditional method. this paper, shows that gmm effectively reduces error andenhances reliability in wide area monitoring systems (wams) by sanitizing the input data.