論文の概要: A Novel Hybrid Deep Learning Approach for Non-Intrusive Load Monitoring
of Residential Appliance Based on Long Short Term Memory and Convolutional
Neural Networks
- arxiv url: http://arxiv.org/abs/2104.07809v1
- Date: Thu, 15 Apr 2021 22:34:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 14:10:09.803349
- Title: A Novel Hybrid Deep Learning Approach for Non-Intrusive Load Monitoring
of Residential Appliance Based on Long Short Term Memory and Convolutional
Neural Networks
- Title（参考訳）: 長期記憶と畳み込みニューラルネットワークを用いた家庭用機器の非インタラクティブ負荷モニタリングのための新しいハイブリッドディープラーニング手法
- Authors: Sobhan Naderian
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Energy disaggregation or nonintrusive load monitoring (NILM), is a
single-input blind source discrimination problem, aims to interpret the mains
user electricity consumption into appliance level measurement. This article
presents a new approach for power disaggregation by using a deep recurrent long
short term memory (LSTM) network combined with convolutional neural networks
(CNN). Deep neural networks have been shown to be a significant way for these
types of problems because of their complexity and huge number of trainable
paramters. Hybrid method that proposed in the article could significantly
increase the overall accuracy of NILM because it benefits from both network
advantages. The proposed method used sequence-to-sequence learning, where the
input is a window of the mains and the output is a window of the target
appliance. The proposed deep neural network approach has been applied to
real-world household energy dataset "REFIT". The REFIT electrical load
measurements dataset described in this paper includes whole house aggregate
loads and nine individual appliance measurements at 8-second intervals per
house, collected continuously over a period of two years from 20 houses around
the UK. The proposed method achieve significant performance, improving accuracy
and F1-score measures by 95.93% and 80.93% ,respectively which demonstrates the
effectiveness and superiority of the proposed approach for home energy
monitoring. Comparison of proposed method and other recently published method
has been presented and discussed based on accuracy, number of considered
appliances and size of the deep neural network trainable parameters. The
proposed method shows remarkable performance compare to other previous methods.
- Abstract（参考訳）: エネルギー分散(エネルギディスアグリゲーション、nonintrusive load monitoring, nilm)は、単入力ブラインドソース識別問題であり、ユーザの電力消費を機器レベルの計測に解釈することを目的としている。
本稿では、畳み込みニューラルネットワーク(CNN)と組み合わされたLSTM(Deep Recurrent long term memory)ネットワークを用いて、電力分散のための新しいアプローチを提案する。
ディープニューラルネットワークは、その複雑さと大量の訓練可能なパラメッターによって、この種の問題にとって重要な方法であることが示されている。
本論文で提案したハイブリッド手法は,両者の利点から,NILMの全体的な精度を著しく向上させることができる。
提案手法では、入力がメインのウィンドウであり、出力がターゲットアプライアンスのウィンドウであるsequence-to-sequence learningを用いた。
深層ニューラルネットワークのアプローチは、実世界の家庭エネルギーデータセット "refit" に適用されている。
本論文で紹介するREFIT電気負荷測定データセットは, 住宅の集合的負荷全体と, 住宅ごとの8秒間隔で, 英国中の20戸から2年間連続して収集した9件の家電機器計測データを含む。
提案手法は, 住宅エネルギーモニタリングにおける提案手法の有効性と優位性を実証し, 95.93%, 80.93%の精度向上とf1-score対策を実現した。
提案手法と最近発表された他の手法の比較は,深層ニューラルネットワークトレーニング可能なパラメータの精度,アプライアンス数,サイズに基づいて検討されている。
提案手法は他の手法と比較して顕著な性能を示す。
関連論文リスト
- Low-Frequency Load Identification using CNN-BiLSTM Attention Mechanism [0.0]
非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)は、効率的な電力消費管理のための確立された技術である。
本稿では,畳み込みニューラルネットワーク(CNN)と双方向長短期記憶(BILSTM)を組み合わせたハイブリッド学習手法を提案する。
CNN-BILSTMモデルは、時間的(時間的)と空間的(位置的)の両方の特徴を抽出し、アプライアンスレベルでのエネルギー消費パターンを正確に識別することができる。
論文 参考訳（メタデータ） (2023-11-14T21:02:27Z) - Properties and Potential Applications of Random Functional-Linked Types
of Neural Networks [81.56822938033119]
ランダム関数リンクニューラルネットワーク(RFLNN)は、深い構造を学習する別の方法を提供する。
本稿では周波数領域の観点からRFLNNの特性について考察する。
本稿では,より優れた性能でBLSネットワークを生成する手法を提案し,ポゾン方程式を解くための効率的なアルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-04-03T13:25:22Z) - Evolutionary Deep Nets for Non-Intrusive Load Monitoring [5.415995239349699]
非侵入負荷モニタリング(Non-Intrusive Load Monitoring, NILM)は、家庭内の個々の家電の電力消費を1つの集約単位で追跡するエネルギー効率モニタリング技術である。
ディープ・ラーニング・アプローチは、デグレゲーションを操作するために実装されている。
論文 参考訳（メタデータ） (2023-03-06T22:47:40Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳（メタデータ） (2022-05-22T12:16:43Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - Appliance Level Short-term Load Forecasting via Recurrent Neural Network [6.351541960369854]
本稿では,各家電の消費電力を効率よく予測するSTLFアルゴリズムを提案する。
提案手法は、ディープラーニングにおける強力なリカレントニューラルネットワーク(RNN)アーキテクチャに基づいている。
論文 参考訳（メタデータ） (2021-11-23T16:56:37Z) - Smart non-intrusive appliance identification using a novel local power
histogramming descriptor with an improved k-nearest neighbors classifier [2.389598109913753]
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。
論文 参考訳（メタデータ） (2021-02-09T13:12:20Z) - Sequence-to-Sequence Load Disaggregation Using Multi-Scale Residual
Neural Network [4.094944573107066]
非侵入負荷モニタリング(Non-Intrusive Load Monitoring, NILM)は、電力をモニタするコスト効率の高い方法として、ますます注目されている。
ディープニューラルネットワークは、負荷分散の分野で大きな可能性を示している。
論文 参考訳（メタデータ） (2020-09-25T17:41:28Z) - Continual Learning in Recurrent Neural Networks [67.05499844830231]
リカレントニューラルネットワーク(RNN)を用いた逐次データ処理における連続学習手法の有効性を評価する。
RNNに弾性重み強化などの重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重
そこで本研究では,重み付け手法の性能が処理シーケンスの長さに直接的な影響を受けず,むしろ高動作メモリ要求の影響を受けていることを示す。
論文 参考訳（メタデータ） (2020-06-22T10:05:12Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z) - MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。
グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。
確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
論文 参考訳（メタデータ） (2020-01-28T18:25:15Z)
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。