論文の概要: Privacy Preserving Demand Forecasting to Encourage Consumer Acceptance
of Smart Energy Meters
- arxiv url: http://arxiv.org/abs/2012.07449v1
- Date: Mon, 14 Dec 2020 12:04:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-08 14:18:03.276953
- Title: Privacy Preserving Demand Forecasting to Encourage Consumer Acceptance
of Smart Energy Meters
- Title（参考訳）: スマートエネルギーメータの消費者受け入れを促進するプライバシ保護需要予測
- Authors: Christopher Briggs, Zhong Fan, Peter Andras
- Abstract要約: スマートメーターの設置に関する消費者の大きな懸念を和らげるために、エネルギー需要予測のプライバシー保護の必要性を強調します。
高解像度のスマートメーターデータは、占有、習慣、個々の家電の使用など、消費者の家庭の多くのプライベートな側面を露呈することができる。
本研究では,負荷予測を可能にするために,様々な規模でのエネルギー需要予測にフェデレーション学習と呼ばれる分散機械学習の応用を提案する。
- 参考スコア（独自算出の注目度）: 4.769747792846004
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this proposal paper we highlight the need for privacy preserving energy
demand forecasting to allay a major concern consumers have about smart meter
installations. High resolution smart meter data can expose many private aspects
of a consumer's household such as occupancy, habits and individual appliance
usage. Yet smart metering infrastructure has the potential to vastly reduce
carbon emissions from the energy sector through improved operating
efficiencies. We propose the application of a distributed machine learning
setting known as federated learning for energy demand forecasting at various
scales to make load prediction possible whilst retaining the privacy of
consumers' raw energy consumption data.
- Abstract（参考訳）: 本論文では,消費者がスマートメーターの設置に懸念を抱かせるため,プライバシ保護によるエネルギー需要予測の必要性を強調した。
高解像度のスマートメーターデータは、占有、習慣、個々の家電の使用など、消費者の家庭の多くのプライベートな側面を露呈することができる。
しかし、スマートな計測インフラは、運転効率の改善によってエネルギーセクターからの二酸化炭素排出量を大幅に削減する可能性がある。
本研究では,様々な規模のエネルギー需要予測にフェデレーション学習と呼ばれる分散機械学習を応用し,消費者の生エネルギー消費データのプライバシーを保ちながら負荷予測を可能にした。
関連論文リスト
- ecoBLE: A Low-Computation Energy Consumption Prediction Framework for
Bluetooth Low Energy [9.516475567386768]
Bluetooth Low Energy (BLE) はモノのインターネット(IoT)アプリケーションのためのデファクト技術であり、非常に低エネルギー消費を約束している。
本稿では,Long Short-Term Memory Projection (LSTMP)ベースのBLEエネルギー消費予測フレームワークを提案する。
提案手法は, 平均絶対パーセンテージ誤差 (MAPE) を最大12%とすることで, 異なるBLEノードのエネルギー消費を予測する。
論文 参考訳（メタデータ） (2023-08-02T13:04:23Z) - Distributed Energy Management and Demand Response in Smart Grids: A
Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。
特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文 参考訳（メタデータ） (2022-11-29T01:18:58Z) - Optimization paper production through digitalization by developing an
assistance system for machine operators including quality forecast: a concept [50.591267188664666]
廃紙からの紙の製造は、特にエネルギー消費の観点からも、依然として非常に資源集約的な課題である。
我々は,その利用方法の欠如を特定し,操作支援システムと最先端の機械学習技術を用いた概念の実装を行った。
我々の主な目的は、利用可能なデータを活用するマシンオペレーターに状況に応じた知識を提供することである。
論文 参考訳（メタデータ） (2022-06-23T09:54:35Z) - FedREP: Towards Horizontal Federated Load Forecasting for Retail Energy
Providers [1.1254693939127909]
我々は、エネルギー負荷予測のための新しい水平プライバシー保護フェデレーション学習フレームワーク、フェデレーション(FedREP)を提案する。
我々は、複数のREPがデータを共有することなく、共通の堅牢な機械学習モデルを構築することを可能にすることにより、制御センタと複数の小売業者からなる連合学習システムを考える。
予測には、長期の観測シーケンスを学習できるため、最先端のLong Short-Term Memory(LSTM)ニューラルネットワークを使用する。
論文 参考訳（メタデータ） (2022-03-01T04:16:19Z) - 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) - Privacy Protection of Grid Users Data with Blockchain and Adversarial
Machine Learning [0.8029049649310213]
世界中のユーティリティーは、今後数年間に3億以上のスマートメーターを設置するために合計で約300億ドルを投資すると報告されている。
国全体の展開により、13億近いスマートメーターが配置されます。
きめ細かいエネルギー使用量データ収集に関連するこれらのすべての特典は、ユーザーのプライバシーを脅かす。
本研究は、スマートメーターから収集した消費者のエネルギー利用データに対するプライバシー侵害について論じる。
論文 参考訳（メタデータ） (2021-01-15T21:54:55Z) - Reshaping consumption habits by exploiting energy-related micro-moment
recommendations: A case study [2.741120981602367]
この研究は、消費ログから繰り返し使われるパターンを検出することに基づいている。
これは、センサ、スマートメーター、アクチュエータのセットを使用するエネルギー消費削減システムの構造と運用を示す。
システムは、適切なタイミングで適切な省エネ行動を行うことをユーザに推奨し、徐々にユーザの習慣を形作る。
論文 参考訳（メタデータ） (2020-10-09T17:29:56Z) - A Multi-Agent Deep Reinforcement Learning Approach for a Distributed
Energy Marketplace in Smart Grids [58.666456917115056]
本稿では,マイクログリッドを支配下に置くために,強化学習に基づくエネルギー市場を提案する。
提案する市場モデルにより,リアルタイムかつ需要に依存した動的価格設定環境が実現され,グリッドコストが低減され,消費者の経済的利益が向上する。
論文 参考訳（メタデータ） (2020-09-23T02:17:51Z) - Energy Disaggregation with Semi-supervised Sparse Coding [0.0]
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。
論文 参考訳（メタデータ） (2020-04-20T21:05:25Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z) - 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。