論文の概要: Energy Disaggregation with Semi-supervised Sparse Coding

• arxiv url: http://arxiv.org/abs/2004.10529v4
• Date: Mon, 13 Jul 2020 16:07:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 19:29:58.254401
• Title: Energy Disaggregation with Semi-supervised Sparse Coding
• Title（参考訳）: 半教師付きスパース符号化によるエネルギー分散
• Authors: Mengheng Xue, Samantha Kappagoda and David K. A. Mordecai
• Abstract要約: エネルギー分解研究は、集約されたエネルギー消費データを部品機器に分解することを目的としている。 本稿では,エネルギー保全のための大規模家庭用電力利用データセットを用いて,スパース符号化に基づく差別的分散モデルの評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Residential smart meters have been widely installed in urban houses nationwide to provide efficient and responsive monitoring and billing for consumers. Studies have shown that providing customers with device-level usage information can lead consumers to economize significant amounts of energy, while modern smart meters can only provide informative whole-home data with low resolution. Thus, energy disaggregation research which aims to decompose the aggregated energy consumption data into its component appliances has attracted broad attention. In this paper, a discriminative disaggregation model based on sparse coding has been evaluated on large-scale household power usage dataset for energy conservation. We utilize a structured prediction model for providing discriminative sparse coding training, accordingly, maximizing the energy disaggregation performance. Designing such large scale disaggregation task is investigated analytically, and examined in the real-world smart meter dataset compared with benchmark models.
• Abstract（参考訳）: 住宅用スマートメータは、消費者に効率的でレスポンシブな監視と課金を提供するため、全国の都市部に広く設置されている。 調査によると、デバイスレベルの利用情報を提供すると、消費者は相当量のエネルギーを節約でき、一方現代のスマートメーターは、低解像度で情報提供可能な全家庭データしか提供できない。 このように、集積エネルギー消費データを部品機器に分解することを目的としたエネルギー分散研究が注目されている。 本稿では,エネルギー保全のための大規模家庭用電力利用データセットを用いて,スパース符号化に基づく差別的分散モデルの評価を行った。 そこで我々は,構造化予測モデルを用いて識別的スパース符号化訓練を行い,エネルギー分散性能を最大化する。 このような大規模分散タスクの設計を解析的に検討し,実世界のスマートメータデータセットでベンチマークモデルと比較検討した。

関連論文リスト

• Just In Time Transformers [2.7350304370706797]
  JITtransは,エネルギー消費予測精度を大幅に向上させる,トランスフォーマー深層学習モデルである。 本研究は, エネルギー管理を革新し, 持続可能な電力システムを構築するための先進的な予測技術の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2024-10-22T10:33:00Z)
• High-resolution synthetic residential energy use profiles for the United States [12.699816591560712]
  我々は、米国全土の住宅セクター向けに、大規模で総合的な住宅エネルギー利用データセットを公開します。 データは、合成世帯の1時間あたりのエネルギー使用プロファイルからなり、温度制御負荷(TCL)と家電の使用に分解される。
  論文  参考訳（メタデータ） (2022-10-14T20:55:10Z)
• Adversarial Energy Disaggregation for Non-intrusive Load Monitoring [78.47901044638525]
  非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)としても知られるエネルギー分散は、家庭全体の電力消費を家電固有の個人消費に分けるという問題に挑戦する。 近年の進歩は、ディープニューラルネットワーク(DNN)がNILMに有利な性能を得られることを示している。 我々は、エネルギー分散タスクに新しくなったNILMに、敵対的学習の考え方を導入する。
  論文  参考訳（メタデータ） (2021-08-02T03:56:35Z)
• Decision-making Oriented Clustering: Application to Pricing and Power Consumption Scheduling [61.062312682535755]
  本稿では、意思決定指向クラスタリングの枠組みを定式化し、データ空間の判断に基づく分割と適切な代表決定を提供するアルゴリズムを提案する。 この新しいフレームワークとアルゴリズムを、リアルタイム価格と消費電力スケジューリングの典型的な問題に適用することにより、洞察に富んだ分析結果を得る。
  論文  参考訳（メタデータ） (2021-06-02T08:41:04Z)
• A Comprehensive Review on the NILM Algorithms for Energy Disaggregation [0.0]
  非侵入負荷モニタリング(NILM)またはエネルギー分散は、集合レベルで測定された家庭用エネルギーを構成機器に分離することを目的としている。 本稿では、効果的なNILMシステムフレームワークの調査を行い、ベンチマークアルゴリズムのパフォーマンスをレビューする。
  論文  参考訳（メタデータ） (2021-02-20T23:53:57Z)
• Investigating Underlying Drivers of Variability in Residential Energy Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
  スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。 本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
  論文  参考訳（メタデータ） (2021-02-16T16:56:27Z)
• Appliance-Level Monitoring with Micro-Moment Smart Plugs [2.294014185517203]
  大規模マルチアプライアンスエネルギー効率プログラムの一環として,マイクロモーメントベースのスマートプラグシステムを提案する。 プラグはホームオートメーション機能も備えている。 現在の実装結果から,提案システムではコスト効率の高いデプロイメントが実現されている。
  論文  参考訳（メタデータ） (2020-12-10T16:22:40Z)
• Energy Drain of the Object Detection Processing Pipeline for Mobile Devices: Analysis and Implications [77.00418462388525]
  本稿では、移動体拡張現実(AR)クライアントのエネルギー消費と、畳み込みニューラルネットワーク(CNN)に基づく物体検出を行う際の検出遅延について、初めて詳細な実験を行った。 我々は,移動体ARクライアントのエネルギー分析を精査し,CNNによる物体検出を行う際のエネルギー消費に関するいくつかの興味深い視点を明らかにした。
  論文  参考訳（メタデータ） (2020-11-26T00:32:07Z)
• Activity Detection And Modeling Using Smart Meter Data: Concept And Case Studies [6.7336801526732755]
  本稿では, より効果的に活動の分離を行う手法を提案する。 住宅負荷データと特徴量に基づくアクティビティ検出に機械学習を活用するフレームワークを開発する。 本研究では, 数値ケーススタディを通じて, 活動検出手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-10-26T02:36:35Z)
• Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning for Smart Grids [56.35173057183362]
  家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。 目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。 マルコフゲームとしてスマートグリッド環境の定式化を提案する。
  論文  参考訳（メタデータ） (2020-05-05T07:32:40Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。