論文の概要: COLD: Concurrent Loads Disaggregator for Non-Intrusive Load Monitoring

• arxiv url: http://arxiv.org/abs/2106.02352v2
• Date: Tue, 21 Jan 2025 12:34:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-23 13:28:21.310748
• Title: COLD: Concurrent Loads Disaggregator for Non-Intrusive Load Monitoring
• Title（参考訳）: COLD:非侵入型負荷モニタリングのためのコンカレント負荷分散器
• Authors: Ilia Kamyshev, Sahar Moghimian Hoosh, Dmitrii Kriukov, Elena Gryazina, Henni Ouerdane,
• Abstract要約: 非侵入負荷モニタリング(NILM)は家庭用電力の使用状況の詳細な分析を可能にする。 トランスフォーマーベースのモデルであるColdは、複数の動作デバイスで高周波データを分離する際の課題に対処する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The global effort toward renewable energy and the electrification of energy-intensive sectors have significantly increased the demand for electricity, making energy efficiency a critical focus. Non-intrusive load monitoring (NILM) enables detailed analyses of household electricity usage by disaggregating the total power consumption into individual appliance-level data. In this paper, we propose COLD (Concurrent Loads Disaggregator), a transformer-based model specifically designed to address the challenges of disaggregating high-frequency data with multiple simultaneously working devices. COLD supports up to 42 devices and accurately handles scenarios with up to 11 concurrent loads, achieving 95% load identification accuracy and 82% disaggregation performance on the test data. In addition, we introduce a new fully labeled high-frequency NILM dataset for load disaggregation derived from the UK-DALE 16 kHz dataset. Finally, we analyze the decline in NILM model performance as the number of concurrent loads increases.
• Abstract（参考訳）: 再生可能エネルギーへの世界的な取り組みとエネルギー集約セクターの電化により、電力需要が大幅に増加し、エネルギー効率が重要な焦点となっている。 非侵入負荷モニタリング(NILM)は、家電レベルのデータに総消費電力を分散させることにより、家庭内電力使用量の詳細な分析を可能にする。 本稿では,複数の同時動作デバイスで高周波データを分離する問題に対処するトランスフォーマーモデルであるCOLD(Concurrent Loads Disaggregator)を提案する。 COLDは最大42のデバイスをサポートし、最大11の同時ロードでシナリオを正確に処理し、95%の負荷識別精度とテストデータでの分解性能を達成する。 さらに、UK-DALE 16kHzデータセットから導出される負荷分散のための、完全ラベル付き高周波NILMデータセットを導入する。 最後に、並列負荷の増加に伴い、NILMモデルの性能低下を解析する。

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。