論文の概要: Smart non-intrusive appliance identification using a novel local power
histogramming descriptor with an improved k-nearest neighbors classifier
- arxiv url: http://arxiv.org/abs/2102.04808v1
- Date: Tue, 9 Feb 2021 13:12:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-12 03:28:30.215309
- Title: Smart non-intrusive appliance identification using a novel local power
histogramming descriptor with an improved k-nearest neighbors classifier
- Title（参考訳）: 改良k-nearest neighbors分類器を用いた新しい局所電力ヒストグラム記述子を用いたスマート非侵入家電の同定
- Authors: Yassine Himeur and Abdullah Alsalemi and Faycal Bensaali and Abbes
Amira
- Abstract要約: 本稿では,新しいローカルパワーヒストグラム(LPH)記述子に基づく,スマートNILMシステムを提案する。
具体的には、個々の家電消費シグネチャを表すために、局所的に短いヒストグラムを描画する。
学習時間を短縮し,分類性能を向上させるため,改良k-nearest neighbors (IKNN)アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 2.389598109913753
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Non-intrusive load monitoring (NILM) is a key cost-effective technology for
monitoring power consumption and contributing to several challenges encountered
when transiting to an efficient, sustainable, and competitive energy efficiency
environment. This paper proposes a smart NILM system based on a novel local
power histogramming (LPH) descriptor, in which appliance power signals are
transformed into 2D space and short histograms are extracted to represent each
device. Specifically, short local histograms are drawn to represent individual
appliance consumption signatures and robustly extract appliance-level data from
the aggregated power signal. Furthermore, an improved k-nearest neighbors
(IKNN) algorithm is presented to reduce the learning computation time and
improve the classification performance. This results in highly improving the
discrimination ability between appliances belonging to distinct categories. A
deep evaluation of the proposed LPH-IKNN based solution is investigated under
different data sets, in which the proposed scheme leads to promising
performance. An accuracy of up to 99.65% and 98.51% has been achieved on GREEND
and UK-DALE data sets, respectively. While an accuracy of more than 96% has
been attained on both WHITED and PLAID data sets. This proves the validity of
using 2D descriptors to accurately identify appliances and create new
perspectives for the NILM problem.
- Abstract（参考訳）: 非侵入負荷モニタリング(NILM)は、電力消費を監視し、効率的で持続的で競争力のあるエネルギー効率環境に移行する際に直面するいくつかの課題に寄与する主要なコスト効率の高い技術である。
本稿では,新しいローカル電力ヒストグラム(LPH)デクリプタをベースとして,アプライアンス電力信号を2次元空間に変換し,短いヒストグラムを抽出して各デバイスを表現するスマートNILMシステムを提案する。
具体的には、個々の家電消費署名を表し、集約された電力信号から家電レベルデータを堅牢に抽出する。
さらに、k-nearest neighbors(iknn)アルゴリズムの改良により、学習計算時間を短縮し、分類性能を向上させる。
これにより、異なるカテゴリに属する機器間の識別能力が著しく向上する。
提案手法が有望な性能をもたらす異なるデータセットにおいて,提案手法のlph-iknnに基づく解の深い評価を行った。
GREENDデータセットとUK-DALEデータセットでそれぞれ99.65%と98.51%の精度が達成されている。
WHITEDデータセットとPLAIDデータセットの両方で、96%以上の精度が達成されている。
これにより、2Dディスクリプタを用いてアプライアンスを正確に識別し、NILM問題に対する新たな視点を作成することの有効性が証明される。
関連論文リスト
- SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳（メタデータ） (2024-03-08T16:14:54Z) - High-speed Low-consumption sEMG-based Transient-state micro-Gesture
Recognition [6.649481653007372]
提案されたSNNの精度はそれぞれ83.85%と93.52%である。
この手法は、高精度、高速、低消費電力のマイクロジェスチャー認識タスクに使用できる。
論文 参考訳（メタデータ） (2024-03-04T08:59:12Z) - Autonomous Point Cloud Segmentation for Power Lines Inspection in Smart
Grid [56.838297900091426]
高電圧と低電圧の両方の電力線の特徴を検出し,抽出し,解析するために,教師なし機械学習(ML)フレームワークを提案する。
提案フレームワークは電力線を効率よく検出し,PLCに基づくハザード解析を行う。
論文 参考訳（メタデータ） (2023-08-14T17:14:58Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳（メタデータ） (2022-04-20T19:09:52Z) - Energy-Efficient Model Compression and Splitting for Collaborative
Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。
提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文 参考訳（メタデータ） (2021-06-02T07:36:27Z) - A Novel Hybrid Deep Learning Approach for Non-Intrusive Load Monitoring
of Residential Appliance Based on Long Short Term Memory and Convolutional
Neural Networks [0.0]
エネルギーの分解または非侵入負荷監視(NILM)は、単一入力ブラインド源の識別問題です。
本稿では、畳み込みニューラルネットワーク(CNN)を併用したLSTM(Deep Recurrent long term memory)ネットワークによる電力分散の新しいアプローチを提案する。
論文 参考訳（メタデータ） (2021-04-15T22:34:20Z) - 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) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳（メタデータ） (2021-01-24T19:03:10Z) - 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) - Appliance identification using a histogram post-processing of 2D local
binary patterns for smart grid applications [2.389598109913753]
本稿では,電力信号から2次元空間への変換後の電力信号の抽出手法を提案する。
従来のLBPの識別能力の向上に依存する改良された局所二分法(LBP)を提案する。
2つの異なるデータセットに対して総合的な性能評価を行う。
論文 参考訳（メタデータ） (2020-10-03T19:23:30Z)
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。