論文の概要: PHASED: Phase-Aware Submodularity-Based Energy Disaggregation
- arxiv url: http://arxiv.org/abs/2010.00696v1
- Date: Thu, 1 Oct 2020 21:47:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 08:56:33.727436
- Title: PHASED: Phase-Aware Submodularity-Based Energy Disaggregation
- Title（参考訳）: PHASED:相認識サブモジュール性に基づくエネルギー分散
- Authors: Faisal M. Almutairi, Aritra Konar, Ahmed S. Zamzam, and Nicholas D.
Sidiropoulos
- Abstract要約: PHASEDは電力流通システムの構造を利用して容易に測定できる。
我々はこの形式を、偏極最小化アルゴリズムの離散最適化の変種を適用して活用する。
位相Dは、最先端モデルの分解精度を最大61%向上させ、重負荷機器の予測精度を向上させる。
- 参考スコア（独自算出の注目度）: 39.54428560328832
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Energy disaggregation is the task of discerning the energy consumption of
individual appliances from aggregated measurements, which holds promise for
understanding and reducing energy usage. In this paper, we propose PHASED, an
optimization approach for energy disaggregation that has two key features:
PHASED (i) exploits the structure of power distribution systems to make use of
readily available measurements that are neglected by existing methods, and (ii)
poses the problem as a minimization of a difference of submodular functions. We
leverage this form by applying a discrete optimization variant of the
majorization-minimization algorithm to iteratively minimize a sequence of
global upper bounds of the cost function to obtain high-quality approximate
solutions. PHASED improves the disaggregation accuracy of state-of-the-art
models by up to 61% and achieves better prediction on heavy load appliances.
- Abstract（参考訳）: エネルギー分解(エネルギディスアグリゲーション)は、エネルギー使用の理解と削減を約束する総合的な測定から個々の家電のエネルギー消費量を識別するタスクである。
本稿では,エネルギー分散のための最適化手法であるphasedを提案する。
(i)既存の方法によって無視される容易に利用可能な測定値を利用するために配電系統の構造を利用する。
(ii)部分モジュラー関数の違いの最小化として問題を提起する。
この形式を主化最小化アルゴリズムの離散最適化変種を適用し、コスト関数の全体上界列を反復的に最小化し、高品質な近似解を得る。
phasedは最先端モデルの分散精度を最大61%向上させ、重負荷機器でのより良い予測を実現する。
関連論文リスト
- Harnessing the Power of Gradient-Based Simulations for Multi-Objective Optimization in Particle Accelerators [5.565261874218803]
本稿では, 粒子加速器の深部微分可能強化学習アルゴリズムを用いてMOO問題の解法における微分可能性の効果を示す。
基礎となる問題は、個々の状態と行動の両方に厳密な制約を課し、ビームのエネルギー要求に対する累積的(グローバル)制約を課している。
論文 参考訳（メタデータ） (2024-11-07T15:55:05Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - On Accelerating Diffusion-Based Sampling Process via Improved
Integration Approximation [12.882586878998579]
拡散に基づく生成モデルをサンプリングする一般的なアプローチは、常微分方程式(ODE)を解くことである。
改良された積分近似(IIA)を用いて特定の係数を最適化することにより、人気のあるODEベースのサンプリングプロセスの高速化を検討する。
また,IIA-EDM,IIA-DDIM,IIA-DPM-rを用いて,FIDスコアを従来よりも大幅に向上できることが示唆された。
論文 参考訳（メタデータ） (2023-04-22T06:06:28Z) - Sampling with Mollified Interaction Energy Descent [57.00583139477843]
モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。
MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する
我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
論文 参考訳（メタデータ） (2022-10-24T16:54:18Z) - Mixed-Integer Nonlinear Programming for State-based Non-Intrusive Load
Monitoring [2.2237337682863125]
非侵入負荷モニタリング(Non-Intrusive Load Monitoring, NILM)は、1つのスマートメーターによって記録された集約信号に対して、各アプライアンスのエネルギー消費を推定するタスクである。
エネルギー分散のための2段階最適化手法を提案する。
論文 参考訳（メタデータ） (2021-06-16T22:16:00Z) - Energy Disaggregation using Variational Autoencoders [11.940343835617046]
非侵入負荷モニタリング(NILM)は、単一のセンサーを使用して建物の総電力消費量を測定する技術です。
最近の分散アルゴリズムは、NILMシステムの性能を大幅に改善した。
本稿では,変分オートエンコーダ(VAE)フレームワークに基づくエネルギー分散手法を提案する。
論文 参考訳（メタデータ） (2021-03-22T20:53:36Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳（メタデータ） (2020-10-01T18:14:11Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-14T12:38:21Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z)
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。