Fugu-MT 論文翻訳(概要): Appliance Operation Modes Identification Using Cycles Clustering

論文の概要: Appliance Operation Modes Identification Using Cycles Clustering

arxiv url: http://arxiv.org/abs/2101.10472v1
Date: Mon, 25 Jan 2021 23:25:45 GMT
ステータス: 処理完了
システム内更新日: 2021-03-14 19:57:30.057573
Title: Appliance Operation Modes Identification Using Cycles Clustering
Title（参考訳）: サイクルクラスタリングを用いたアプライアンス動作モード同定
Authors: Abdelkareem Jaradat, Hanan Lutfiyya, Anwar Haque
Abstract要約: IoT(Internet of Things)と機械学習(ML)は、効率よくエネルギーを保存できる技術を提供します。 SHEMSは、住宅部門における需要対応(DR)の適用を通じて、省エネルギーに貢献する可能性があります。
参考スコア（独自算出の注目度）: 3.328276101150529
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The increasing cost, energy demand, and environmental issues has led many researchers to find approaches for energy monitoring, and hence energy conservation. The emerging technologies of Internet of Things (IoT) and Machine Learning (ML) deliver techniques that have the potential to efficiently conserve energy and improve the utilization of energy consumption. Smart Home Energy Management Systems (SHEMSs) have the potential to contribute in energy conservation through the application of Demand Response (DR) in the residential sector. In this paper, we propose appliances Operation Modes Identification using Cycles Clustering (OMICC) which is SHEMS fundamental approach that utilizes the sensed residential disaggregated power consumption in supporting DR by providing consumers the opportunity to select lighter appliance operation modes. The cycles of the Single Usage Profile (SUP) of an appliance are extracted and reformed into features in terms of clusters of cycles. These features are then used to identify the operation mode used in every occurrence using K-Nearest Neighbors (KNN). Operation modes identification is considered a basis for many potential smart DR applications within SHEMS towards the consumers or the suppliers
Abstract（参考訳）: コスト、エネルギー需要、環境問題の増加により、多くの研究者がエネルギーモニタリングやエネルギー保存へのアプローチを見出した。モノのインターネット(IoT)と機械学習(ML)の新興技術は、エネルギーを効率的に保存し、エネルギー消費の利用を改善する可能性を持つ技術を提供します。スマートホームエネルギーマネジメントシステム(SHEMS)は、住宅セクターにおける需要対応(DR)の適用を通じて、省エネに貢献する可能性があります。本論文では,DR支援において,感知された住宅分別消費電力を活用したSHEMSの基本的アプローチであるサイクルクラスタリング(OMICC)を用いたアプライアンス動作モード同定について,消費者に軽量なアプライアンス動作モードを選択する機会を提供することで提案する。アプライアンスの単一使用プロファイル(SUP)のサイクルを抽出し、サイクルのクラスタの観点で特徴に再構成する。これらの機能はk-nearest neighbors (knn) を使用して、すべての発生で使用されるオペレーションモードを特定するために使用される。運用モードの識別は、消費者やサプライヤーに対するSHEMS内の多くの潜在的なスマートDRアプリケーションの基礎と見なされる

関連論文リスト

EnergAIze: Multi Agent Deep Deterministic Policy Gradient for Vehicle to Grid Energy Management [0.0]
本稿では,MARL(Multi-Agent Reinforcement Learning)エネルギー管理フレームワークであるEnergAIzeを紹介する。ユーザ中心の多目的エネルギー管理を可能にし、各プローサが様々な個人管理目標から選択できるようにする。 EnergAIzeの有効性は、CityLearnシミュレーションフレームワークを用いたケーススタディにより評価された。
論文参考訳（メタデータ） (2024-04-02T23:16:17Z)
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)
Adaptive Energy Management for Self-Sustainable Wearables in Mobile Health [21.97214707198675]
ウェアラブルデバイスの小さなフォームファクタは、バッテリーのサイズと寿命を制限します。ウェアラブル機器の持続可能な運用に有効な方法として、エネルギー収穫が出現している。本稿では, 蓄電池エネルギーを補充し, ユーザによる手動充電を減らすことで, 自己維持可能なウェアラブルを目標とする適応型エネルギー管理の新たな課題について検討する。
論文参考訳（メタデータ） (2022-01-16T23:49:20Z)
Learning, Computing, and Trustworthiness in Intelligent IoT Environments: Performance-Energy Tradeoffs [62.91362897985057]
Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
論文参考訳（メタデータ） (2021-10-04T19:41:42Z)
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)
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)
Demand Responsive Dynamic Pricing Framework for Prosumer Dominated Microgrids using Multiagent Reinforcement Learning [59.28219519916883]
本稿では,実時間価格(RTP)DR技術を実装したマルチエージェント強化学習に基づく意思決定環境を提案する。提案手法は,従来のDR法に共通するいくつかの欠点に対処し,グリッド演算子とプロシューマーに大きな経済的利益をもたらす。
論文参考訳（メタデータ） (2020-09-23T01:44:57Z)
A Hierarchical Approach to Multi-Energy Demand Response: From Electricity to Multi-Energy Applications [1.5084441395740482]
本稿では,多くの住宅,商業,産業の消費者の集合体のエネルギー消費を制御する機会を探る。このアンサンブル制御は、マルチエネルギーインフラシステムのモデリングツールのセットへの現代的な需要応答となる。
論文参考訳（メタデータ） (2020-05-05T17:17:51Z)
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。