論文の概要: COLD: Concurrent Loads Disaggregator for Non-Intrusive Load Monitoring
- arxiv url: http://arxiv.org/abs/2106.02352v1
- Date: Fri, 4 Jun 2021 09:04:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-07 14:51:29.326175
- Title: COLD: Concurrent Loads Disaggregator for Non-Intrusive Load Monitoring
- Title（参考訳）: cold: 非インタラクティブ負荷監視のためのコンカレントロードディスアグリゲータ
- Authors: Ilia Kamyshev, Dmitrii Kriukov, Elena Gryazina
- Abstract要約: 本稿では,最大10個の同時負荷で集約された消費をシミュレートする正規化署名(SNS)アルゴリズムを提案する。
我々は,比較的シンプルで理解しやすいコンカレント負荷分散器(COLD)というニューラルアーキテクチャを開発した。
我々のモデルでは、平均F1スコア78.95%と同時に動作する1から10個のアプライアンスを識別できる。
- 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: The modern artificial intelligence techniques show the outstanding
performances in the field of Non-Intrusive Load Monitoring (NILM). However, the
problem related to the identification of a large number of appliances working
simultaneously is underestimated. One of the reasons is the absence of a
specific data. In this research we propose the Synthesizer of Normalized
Signatures (SNS) algorithm to simulate the aggregated consumption with up to 10
concurrent loads. The results show that the synthetic data provides the models
with at least as a powerful identification accuracy as the real-world
measurements. We have developed the neural architecture named Concurrent Loads
Disaggregator (COLD) which is relatively simple and easy to understand in
comparison to the previous approaches. Our model allows identifying from 1 to
10 appliances working simultaneously with mean F1-score 78.95%. The source code
of the experiments performed is available at
https://github.com/arx7ti/cold-nilm.
- Abstract（参考訳）: 現代の人工知能技術は、非侵入負荷モニタリング(NILM)分野における優れた性能を示している。
しかし、同時に動作する多数の家電品の識別に関する問題は過小評価されている。
理由の1つは、特定のデータがないことだ。
本研究では,最大10個の並列負荷で集約消費をシミュレートする正規化シグネチャ(sns)アルゴリズムのシンセサイザを提案する。
以上の結果から,合成データは実世界の測定値と同等以上の精度でモデルを提供することがわかった。
我々は,従来のアプローチと比較して比較的シンプルで理解しやすい,コンカレント負荷分散器(COLD)というニューラルアーキテクチャを開発した。
このモデルは、平均f1-score 78.95%を同時に動作する1から10のアプライアンスを識別できる。
実験のソースコードはhttps://github.com/arx7ti/cold-nilm.comで公開されている。
関連論文リスト
- From Dense to Sparse: Event Response for Enhanced Residential Load Forecasting [48.22398304557558]
住宅負荷予測のためのイベント応答型知識ガイド手法(ERKG)を提案する。
ERKGは、異なる家電の電力使用状況の推定、負荷系列からのイベント関連スパース知識のマイニングを取り入れている。
論文 参考訳（メタデータ） (2025-01-06T05:53:38Z) - Federated Sequence-to-Sequence Learning for Load Disaggregation from Unbalanced Low-Resolution Smart Meter Data [5.460776507522276]
非侵入負荷モニタリング(NILM)は、エネルギー意識を高め、エネルギープログラム設計のための貴重な洞察を提供する。
既存のNILM法は、しばしば高サンプリング複雑な信号データを取得するための特殊な装置に依存している。
そこで本研究では,12種類の機器の負荷分散を実現するために,容易にアクセス可能な気象データを用いた新しい手法を提案する。
論文 参考訳（メタデータ） (2024-08-15T13:04:49Z) - Energy Efficient Deep Multi-Label ON/OFF Classification of Low Frequency Metered Home Appliances [0.16777183511743468]
非侵入負荷監視(Non-Inrusive Load Monitoring、NILM)は、単一計測点からアプライアンスレベルのデータを取得するプロセスである。
本稿では,NILMのマルチラベル分類を改良した新しいDLモデルを提案する。
最先端モデルと比較して、提案モデルではエネルギー消費を23%以上削減している。
論文 参考訳（メタデータ） (2023-07-18T13:23:23Z) - Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。
本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。
評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2023-07-14T06:50:02Z) - Federated Learning with Correlated Data: Taming the Tail for Age-Optimal
Industrial IoT [55.62157530259969]
本稿では,ピークAoI要求に基づくセンサの送信電力最小化と待ち時間に対する確率的制約について検討する。
本稿では,センサのトレーニングデータ間の相関を考慮した局所モデル選択手法を提案する。
数値計算の結果,送信電力,ピークAoI,遅延尾部分布のトレードオフが示された。
論文 参考訳（メタデータ） (2021-08-17T08:38:31Z) - Reinforcement Learning for Minimizing Age of Information in Real-time
Internet of Things Systems with Realistic Physical Dynamics [158.67956699843168]
本稿では,インターネット・オブ・モノ(IoT)デバイスにおける情報量(AoI)と総エネルギー消費の重み付けを最小化する問題について検討する。
サンプリングポリシを最適化するために,分散強化学習手法を提案する。
PM 2.5公害の実データを用いたシミュレーションでは、提案アルゴリズムがAoIの合計を最大17.8%および33.9%削減できることが示された。
論文 参考訳（メタデータ） (2021-04-04T03:17:26Z) - 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) - Enhancing the Spatio-temporal Observability of Grid-Edge Resources in
Distribution Grids [5.815007821143811]
分散エネルギー資源(DER)の凸時間観測可能性を高めることは,配電網の安全かつ効率的な運用を実現する上で重要である。
本稿では, 異種の測定値の補足強度を活用し, 集合的な住宅負荷回復枠組みについて述べる。
論文 参考訳（メタデータ） (2021-02-15T19:12:54Z) - Recurrent Neural Based Electricity Load Forecasting of G-20 Members [0.5541644538483947]
本稿では、リカレントニューラルネットワークとスライディングウインドウを用いたG-20部材の負荷予測を行い、データ生成を行う。
実験中、LSTMを用いて16.2193 TWhの平均絶対誤差を達成した。
論文 参考訳（メタデータ） (2020-10-24T16:56:29Z) - Highly Efficient Salient Object Detection with 100K Parameters [137.74898755102387]
そこで我々は,段階内および複数ステージのマルチスケール機能を効率的に活用するために,フレキシブルな畳み込みモジュールであるOctoConv(gOctConv)を提案する。
我々は、非常に軽量なモデル、すなわちCSNetを構築し、一般的なオブジェクト検出ベンチマークで、約0.2%(100k)の大規模モデルで同等のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-03-12T07:00:46Z) - 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。