論文の概要: Quantification of Disaggregation Difficulty with Respect to the Number
of Meters
- arxiv url: http://arxiv.org/abs/2101.07191v1
- Date: Mon, 18 Jan 2021 17:50:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-27 05:45:31.059818
- Title: Quantification of Disaggregation Difficulty with Respect to the Number
of Meters
- Title（参考訳）: メータ数に着目した解離困難度の定量化
- Authors: Elnaz Azizi, Mohammad T H Beheshti, Sadegh Bolouki
- Abstract要約: non-intrusive load monitoring (nilm) は効率的なエネルギー管理への有望なアプローチである。
イベントベースのNILMメソッドは、イベントベースのNILMメソッドのパフォーマンスを制限することが知られている。
近い消費値を持つアプライアンスの存在は、イベントベースのNILMメソッドのパフォーマンスを制限することが知られている。
- 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: A promising approach toward efficient energy management is non-intrusive load
monitoring (NILM), that is to extract the consumption profiles of appliances
within a residence by analyzing the aggregated consumption signal. Among
efficient NILM methods are event-based algorithms in which events of the
aggregated signal are detected and classified in accordance with the appliances
causing them. The large number of appliances and the presence of appliances
with close consumption values are known to limit the performance of event-based
NILM methods. To tackle these challenges, one could enhance the feature space
which in turn results in extra hardware costs, installation complexity, and
concerns regarding the consumer's comfort and privacy. This has led to the
emergence of an alternative approach, namely semi-intrusive load monitoring
(SILM), where appliances are partitioned into blocks and the consumption of
each block is monitored via separate power meters.
While a greater number of meters can result in more accurate disaggregation,
it increases the monetary cost of load monitoring, indicating a trade-off that
represents an important gap in this field. In this paper, we take a
comprehensive approach to close this gap by establishing a so-called notion of
"disaggregation difficulty metric (DDM)," which quantifies how difficult it is
to monitor the events of any given group of appliances based on both their
power values and the consumer's usage behavior. Thus, DDM in essence quantifies
how much is expected to be gained in terms of disaggregation accuracy of a
generic event-based algorithm by installing meters on the blocks of any
partition of the appliances. Experimental results based on the REDD dataset
illustrate the practicality of the proposed approach in addressing the
aforementioned trade-off.
- Abstract（参考訳）: 効率的なエネルギー管理への有望なアプローチは、集約された消費信号を分析して住宅内の家電製品の消費プロファイルを抽出する非侵入負荷監視(nilm)である。
効率的なNILM法には、集約された信号のイベントを検知し、それらを引き起こすアプライアンスに従って分類するイベントベースのアルゴリズムがある。
多数のアプライアンスと消費が密接なアプライアンスの存在は、イベントベースのnilmメソッドの性能を制限することが知られている。
これらの課題に取り組むために、ハードウェアコストの増大、インストールの複雑さ、消費者の快適さとプライバシに関する懸念をもたらす機能空間を強化することができる。
これは、アプライアンスをブロックに分割し、各ブロックの消費を別々の電力メータで監視する、セミインタラクティブ負荷監視(silm)と呼ばれる別のアプローチの出現につながった。
より多くのメーターがより正確なデアグリゲーションをもたらすが、これは負荷監視の金銭的コストを増大させ、この分野の重要なギャップを示すトレードオフを示している。
本稿では,このギャップを解消するための包括的アプローチとして,電力値と消費者の利用行動の両方に基づいて,任意の家電群のイベントを監視することがいかに難しいかを定量化する「分散困難度メトリクス(ddm)」という概念を確立した。
したがって、DDMは、アプライアンスの任意の分割のブロックにメーターを設置することにより、一般的なイベントベースのアルゴリズムの分解精度の観点から、どれだけの量が得られるかを本質的に定量化する。
REDDデータセットに基づく実験結果は、上記のトレードオフに対応するための提案手法の実用性を示している。
関連論文リスト
- Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。
ディープラーニングによる異常検出が重要な方向として現れている。
エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文 参考訳（メタデータ） (2024-11-06T15:38:31Z) - MATNilm: Multi-appliance-task Non-intrusive Load Monitoring with Limited
Labeled Data [4.460954839118025]
既存のアプローチは主に、各アプライアンス用の個別モデルの開発に重点を置いている。
本稿では,トレーニング効率のよいサンプル拡張方式を用いたマルチアプライアンス・タスク・フレームワークを提案する。
相対誤差は平均で50%以上削減できる。
論文 参考訳（メタデータ） (2023-07-27T11:14:11Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳（メタデータ） (2022-07-03T06:57:07Z) - Reinforcement Learning with a Terminator [80.34572413850186]
我々は, TerMDP のパラメータを学習し, 推定問題の構造を活用し, 状態ワイドな信頼境界を提供する。
我々はこれらを用いて証明可能な効率のよいアルゴリズムを構築し、終端を考慮し、その後悔を抑える。
論文 参考訳（メタデータ） (2022-05-30T18:40:28Z) - ProgressiveMotionSeg: Mutually Reinforced Framework for Event-Based
Motion Segmentation [101.19290845597918]
本稿では,動作推定 (ME) モジュールとイベントデノイング (ED) モジュールを相互に強化された方法で共同最適化する。
時間的相関をガイダンスとして、EDモジュールは各イベントが実活動イベントに属するという信頼度を算出し、MEモジュールに送信し、ノイズ抑制のための運動セグメンテーションのエネルギー関数を更新する。
論文 参考訳（メタデータ） (2022-03-22T13:40:26Z) - 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) - 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) - 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) - 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) - Federated Learning-Based Risk-Aware Decision toMitigate Fake Task
Impacts on CrowdsensingPlatforms [9.925311092487851]
モバイルクラウドセンシング(MCS)は、多数のモバイルスマートデバイスでセンサーを活用することで、分散および非専用センシングの概念を活用します。
MCSプラットフォームに偽の検知タスクを送信した悪意のあるユーザは、参加者のデバイスからリソースを消費しようとするかもしれない。
多数の独立した検出装置と集約エンティティを含む偽タスクを識別する手法が提案されている。
論文 参考訳（メタデータ） (2021-01-04T22:43:24Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z)
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。