論文の概要: A Non-Intrusive Load Monitoring Approach for Very Short Term Power Predictions in Commercial Buildings

• arxiv url: http://arxiv.org/abs/2007.11819v1
• Date: Thu, 23 Jul 2020 06:37:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 12:56:57.089931
• Title: A Non-Intrusive Load Monitoring Approach for Very Short Term Power Predictions in Commercial Buildings
• Title（参考訳）: 商業ビルにおける超短期電力予測のための非侵入負荷モニタリング手法
• Authors: Karoline Brucke, Stefan Arens, Jan-Simon Telle, Thomas Steens, Benedikt Hanke, Karsten von Maydell, Carsten Agert
• Abstract要約: 本稿では,3相のアクティブアグリゲーションパワー測定から,非教師なしのデバイスプロファイルを抽出するアルゴリズムを提案する。 抽出したデバイスプロファイルを、粒子群最適化を用いた集約電力測定の分解に適用する。 最後に,このデアグリゲーションデータを用いた短期電力予測手法を提案する。
• 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: This paper presents a new algorithm to extract device profiles fully unsupervised from three phases reactive and active aggregate power measurements. The extracted device profiles are applied for the disaggregation of the aggregate power measurements using particle swarm optimization. Finally, this paper provides a new approach for short term power predictions using the disaggregation data. For this purpose, a state changes forecast for every device is carried out by an artificial neural network and converted into a power prediction afterwards by reconstructing the power regarding the state changes and the device profiles. The forecast horizon is 15 minutes. To demonstrate the developed approaches, three phase reactive and active aggregate power measurements of a multi-tenant commercial building are used. The granularity of data is 1 s. In this work, 52 device profiles are extracted from the aggregate power data. The disaggregation shows a very accurate reconstruction of the measured power with a percentage energy error of approximately 1 %. The developed indirect power prediction method applied to the measured power data outperforms two persistence forecasts and an artificial neural network, which is designed for 24h-day-ahead power predictions working in the power domain.
• Abstract（参考訳）: 本稿では,3相のアクティブアグリゲーションパワー測定から,非教師なしのデバイスプロファイルを抽出するアルゴリズムを提案する。 抽出したデバイスプロファイルを粒子群最適化を用いた集約電力測定の分散に適用する。 最後に,分散データを用いた短期電力予測のための新しい手法を提案する。 この目的のために、すべてのデバイスに対する状態変化予測を人工知能ニューラルネットワークにより実行し、その後、状態変化とデバイスプロファイルに関する電力を再構成して電力予測に変換する。 天気予報は15分です。 提案手法を実証するために, マルチテナント商業ビルの3相反応性, アクティブアグリゲーションパワー測定を行った。 データの粒度は 1 s である。 本研究では、集計電力データから52個のデバイスプロファイルを抽出する。 この分解は、測定された電力の正確な再構成を示し、エネルギー誤差は約1%である。 測定された電力データに適用した間接電力予測法は、2つの持続予測と、電力領域で24時間稼働する電力予測のために設計された人工ニューラルネットワークより優れる。

関連論文リスト

• Fast and interpretable electricity consumption scenario generation for individual consumers [0.0]
  予測クラスタリング木(PCT)に基づく高速かつ解釈可能なシナリオ生成手法を提案する。 提案手法は, トレーニングや予測において, 少なくとも7倍の精度で, 最先端の時系列を生成する。
  論文  参考訳（メタデータ） (2024-10-23T13:41:58Z)
• Transfer Learning in Transformer-Based Demand Forecasting For Home Energy Management System [4.573008040057806]
  複数の世帯からのデータを活用して、単一世帯の負荷予測を改善することで、トランスファーラーニングがいかに役立つかを分析する。 具体的には、複数の異なる世帯のデータを用いて高度な予測モデルをトレーニングし、限られたデータを持つ新しい家庭でこのグローバルモデルを微調整する。 得られたモデルは、次の24時間(日頭)の家庭の電力消費を15分間の時間分解能で予測するために使用される。
  論文  参考訳（メタデータ） (2023-10-29T21:19:08Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Privacy-preserving household load forecasting based on non-intrusive load monitoring: A federated deep learning approach [3.0584272247900577]
  まず,フェデレーション深層学習と非侵入負荷モニタリング(NILM)に基づく世帯負荷予測手法を提案する。 非侵入的負荷監視により統合電力を個別のデバイスパワーに分解し、連合ディープラーニングモデルを用いて個別のアプライアンスのパワーを別々に予測する。
  論文  参考訳（メタデータ） (2022-06-30T11:13:26Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• Appliance Level Short-term Load Forecasting via Recurrent Neural Network [6.351541960369854]
  本稿では,各家電の消費電力を効率よく予測するSTLFアルゴリズムを提案する。 提案手法は、ディープラーニングにおける強力なリカレントニューラルネットワーク(RNN)アーキテクチャに基づいている。
  論文  参考訳（メタデータ） (2021-11-23T16:56:37Z)
• Random vector functional link neural network based ensemble deep learning for short-term load forecasting [14.184042046855884]
  本稿では,電力負荷予測のための新しいアンサンブルディープランダム関数リンク(edRVFL)を提案する。 隠されたレイヤは、深い表現学習を強制するために積み上げられます。 モデルは各層の出力をアンサンブルすることで予測を生成する。
  論文  参考訳（メタデータ） (2021-07-30T01:20:48Z)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)

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。