論文の概要: PowerGAN: Synthesizing Appliance Power Signatures Using Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2007.13645v1
• Date: Mon, 20 Jul 2020 05:10:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 14:41:55.630502
• Title: PowerGAN: Synthesizing Appliance Power Signatures Using Generative Adversarial Networks
• Title（参考訳）: PowerGAN: 生成逆ネットワークを用いたアプライアンスパワーシグナチャの合成
• Authors: Alon Harell, Richard Jones, Stephen Makonin, Ivan V. Bajic
• Abstract要約: 非侵入負荷監視(NILM)は、ユーザとエネルギープロバイダが家電の電力消費に関する洞察を得ることを可能にする。 NILMの現在の技術は、大量のラベル付アプライアンス電力データを用いて訓練されている。 本報告では,最初の完全合成アプライアンス・シグネチャ・ジェネレータであるPowerGANについて述べる。
• 参考スコア（独自算出の注目度）: 26.247345639292668
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-intrusive load monitoring (NILM) allows users and energy providers to gain insight into home appliance electricity consumption using only the building's smart meter. Most current techniques for NILM are trained using significant amounts of labeled appliances power data. The collection of such data is challenging, making data a major bottleneck in creating well generalizing NILM solutions. To help mitigate the data limitations, we present the first truly synthetic appliance power signature generator. Our solution, PowerGAN, is based on conditional, progressively growing, 1-D Wasserstein generative adversarial network (GAN). Using PowerGAN, we are able to synthesise truly random and realistic appliance power data signatures. We evaluate the samples generated by PowerGAN in a qualitative way as well as numerically by using traditional GAN evaluation methods such as the Inception score.
• Abstract（参考訳）: non-intrusive load monitoring (nilm) により、ユーザとエネルギープロバイダは、建物のスマートメータのみを使用して、家電の電力消費量に関する洞察を得ることができる。 NILMの現在の技術のほとんどは、大量のラベル付アプライアンス電力データを用いて訓練されている。 このようなデータの収集は困難であり、nilmソリューションをよく一般化する上で、データのボトルネックとなる。 データ制限を緩和するために、最初の真に合成されたアプライアンス電源シグネチャジェネレータを提案する。 我々のソリューションであるPowerGANは、条件付き、徐々に成長する1-D Wasserstein 生成対向ネットワーク(GAN)に基づいている。 PowerGANを用いて、真にランダムで現実的なアプライアンス・パワーデータシグネチャを合成できる。 Inception scoreのような従来のGAN評価手法を用いて,PowerGANが生成したサンプルを定性的に,数値的に評価する。

関連論文リスト

• Non-Intrusive Electric Load Monitoring Approach Based on Current Feature Visualization for Smart Energy Management [51.89904044860731]
  我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。 マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
  論文  参考訳（メタデータ） (2023-08-08T04:52:19Z)
• Momentum Adversarial Distillation: Handling Large Distribution Shifts in Data-Free Knowledge Distillation [65.28708064066764]
  モーメントム逆蒸留法(MAD)という簡便で効果的な方法を提案する。 MADは、ジェネレータの指数移動平均(EMA)コピーを保持し、ジェネレータとEMAジェネレータの合成サンプルを使用して生徒を訓練する。 ImageNetやPlaces365のような大きなデータセットを含む6つのベンチマークデータセットの実験では、競合する手法よりもMADの方が優れた性能を示している。
  論文  参考訳（メタデータ） (2022-09-21T13:53:56Z)
• IMG-NILM: A Deep learning NILM approach using energy heatmaps [0.0]
  エネルギーデアグリゲーション (Energy disaggregation) は、アプライアンス・バイ・アプライアンス・電力消費を1メートルから推定する。 IMG-NILMは柔軟性があり、様々な種類のアプライアンスを分離する際に一貫した性能を示す。 テスト精度は1つの家にある英国のデールデータセットで最大93%に達し、相当数のアプライアンスが存在する。
  論文  参考訳（メタデータ） (2022-07-12T11:22:01Z)
• Domain Knowledge Aids in Signal Disaggregation; the Example of the Cumulative Water Heater [68.8204255655161]
  住宅における累積給湯器(CWH)の電力の検出と分散を目的とした教師なし低周波法を提案する。 本モデルでは,パワースパイクの形状と発生時刻を両立させることにより,教師なし信号の分解の難しさを回避する。 我々のモデルは、単純さに拘わらず、有望なアプリケーションを提供する: オフピーク契約における設定ミスの検出と性能劣化の遅さ。
  論文  参考訳（メタデータ） (2022-03-22T10:39:19Z)
• A Deep Learning Technique using Low Sampling rate for residential Non Intrusive Load Monitoring [0.19662978733004596]
  非侵入負荷監視(Non-Inrusive Load Monitoring、NILM)は、ブラインドソース分離の問題である。 低周波電力データ上で負荷分散を行うための,新しいディープニューラルネットワークに基づくアプローチを提案する。 私たちのニューラルネットワークは、需要側の詳細なフィードバックを生成し、エンドユーザに重要な洞察を提供することができます。
  論文  参考訳（メタデータ） (2021-11-07T23:01:36Z)
• 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)
• More Behind Your Electricity Bill: a Dual-DNN Approach to Non-Intrusive Load Monitoring [17.516784821462522]
  非侵入負荷モニタリング(NILM)は、家庭のエネルギー消費を個々の家電の項目別エネルギー使用量に分解することを目的としている。 近年の研究では、ディープニューラルネットワーク(DNN)ベースのアプローチがNILMタスクに有望であることが示されている。
  論文  参考訳（メタデータ） (2021-06-01T08:06:33Z)
• Incorporating Coincidental Water Data into Non-intrusive Load Monitoring [0.0]
  独自の非オーバーラップ電力値を持つ家電の電力信号を抽出するイベントベースの分類プロセスを提案する。 ネットワーク内の新たなシグネチャとして,いくつかの機器の水消費を考慮した2つのディープラーニングモデルを用いて,重なり合う電力値を持つ家電を識別する。 提案プロセスでは, 電力の分散に加えて, 特定の電化製品の水消費プロファイルも抽出する。
  論文  参考訳（メタデータ） (2021-01-18T17:49:39Z)
• Discriminator Contrastive Divergence: Semi-Amortized Generative Modeling by Exploring Energy of the Discriminator [85.68825725223873]
  GAN(Generative Adversarial Networks)は、高次元データのモデリングにおいて大きな可能性を秘めている。 本稿では,WGANの識別器の特性を活かした識別器コントラストの多様性について紹介する。 我々は、合成データと実世界の画像生成ベンチマークの両方において、大幅に改善された生成の利点を実証する。
  論文  参考訳（メタデータ） (2020-04-05T01:50:16Z)
• Your GAN is Secretly an Energy-based Model and You Should use Discriminator Driven Latent Sampling [106.68533003806276]
  本研究では,潜時空間におけるサンプリングは,潜時空間の前対数密度と判別器出力スコアの和によって誘導されるエネルギーベースモデルに従って,潜時空間におけるサンプリングを行うことによって達成できることを示す。 判別器駆動潜時サンプリング(DDLS)は,高次元画素空間で動作する従来の手法と比較して,高効率であることを示す。
  論文  参考訳（メタデータ） (2020-03-12T23:33:50Z)

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。