論文の概要: Adversarial Energy Disaggregation for Non-intrusive Load Monitoring
- arxiv url: http://arxiv.org/abs/2108.01998v1
- Date: Mon, 2 Aug 2021 03:56:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-06 02:24:16.762072
- Title: Adversarial Energy Disaggregation for Non-intrusive Load Monitoring
- Title（参考訳）: 非侵襲負荷モニタリングのための逆エネルギー分散
- Authors: Zhekai Du and Jingjing Li and Lei Zhu and Ke Lu and Heng Tao Shen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 78.47901044638525
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Energy disaggregation, also known as non-intrusive load monitoring (NILM),
challenges the problem of separating the whole-home electricity usage into
appliance-specific individual consumptions, which is a typical application of
data analysis. {NILM aims to help households understand how the energy is used
and consequently tell them how to effectively manage the energy, thus allowing
energy efficiency which is considered as one of the twin pillars of sustainable
energy policy (i.e., energy efficiency and renewable energy).} Although NILM is
unidentifiable, it is widely believed that the NILM problem can be addressed by
data science. Most of the existing approaches address the energy disaggregation
problem by conventional techniques such as sparse coding, non-negative matrix
factorization, and hidden Markov model. Recent advances reveal that deep neural
networks (DNNs) can get favorable performance for NILM since DNNs can
inherently learn the discriminative signatures of the different appliances. In
this paper, we propose a novel method named adversarial energy disaggregation
(AED) based on DNNs. We introduce the idea of adversarial learning into NILM,
which is new for the energy disaggregation task. Our method trains a generator
and multiple discriminators via an adversarial fashion. The proposed method not
only learns shard representations for different appliances, but captures the
specific multimode structures of each appliance. Extensive experiments on
real-world datasets verify that our method can achieve new state-of-the-art
performance.
- Abstract（参考訳）: 非侵入的負荷モニタリング(non-intrusive load monitoring, nilm)とも呼ばれるエネルギー分散は、家庭全体の電力使用量を家電固有の個人消費に分離する問題に挑戦する。
nilmは、家庭がエネルギーの使い方を理解し、エネルギーの効率的な管理方法を教え、持続可能エネルギー政策(すなわち、エネルギー効率と再生可能エネルギー)の2つの柱の1つと見なされるエネルギー効率を許容することを目的としている。
NILMは同定できないが、NILM問題はデータ科学によって対処できると広く信じられている。
既存のアプローチの多くは、スパース符号化、非負行列分解、隠れマルコフモデルといった従来の手法によるエネルギー分解問題に対処する。
近年の進歩により、ディープニューラルネットワーク(DNN)は、異なるアプライアンスの識別シグネチャを本質的に学習できるため、NILMに好適な性能が得られることが判明した。
本稿では,DNNに基づく敵エネルギー分散(AED)という新しい手法を提案する。
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。
本手法は, 発電機と複数の識別器を逆方向で訓練する。
提案手法は,異なるアプライアンスのシャード表現を学習するだけでなく,各アプライアンスの特定のマルチモード構造をキャプチャする。
実世界のデータセットに関する広範囲な実験は、この手法が新たな最先端のパフォーマンスを実現できることを検証します。
関連論文リスト
- Non-Intrusive Load Monitoring (NILM) using Deep Neural Networks: A
Review [0.0]
非侵入負荷監視(Non-Inrusive Load Monitoring, NILM)は、総エネルギー消費プロファイルを個々の機器負荷プロファイルに分解する手法である。
機械学習やディープラーニングを含む様々な手法がNILMアルゴリズムの実装と改善に用いられてきた。
本稿では, 深層学習に基づく最近のNILM手法を概観し, 住宅負荷の最も正確な方法を紹介する。
論文 参考訳（メタデータ） (2023-06-08T08:11:21Z) - Energy-guided Entropic Neural Optimal Transport [100.20553612296024]
エネルギーベースのモデル(EBM)は、機械学習コミュニティで数十年にわたって知られている。
EBMとEntropy-regularized OTのギャップを埋める。
実際に,玩具2Dおよび画像領域における適用性を検証する。
論文 参考訳（メタデータ） (2023-04-12T18:20:58Z) - Energy Regularized RNNs for Solving Non-Stationary Bandit Problems [97.72614340294547]
我々は、ニューラルネットワークが特定の行動を支持するのに自信過剰になるのを防ぐエネルギー用語を提案する。
提案手法は,ロッティングバンドのサブプロブレムを解く方法と同じくらい有効であることを示す。
論文 参考訳（メタデータ） (2023-03-12T03:32:43Z) - IMG-NILM: A Deep learning NILM approach using energy heatmaps [0.0]
エネルギーデアグリゲーション (Energy disaggregation) は、アプライアンス・バイ・アプライアンス・電力消費を1メートルから推定する。
IMG-NILMは柔軟性があり、様々な種類のアプライアンスを分離する際に一貫した性能を示す。
テスト精度は1つの家にある英国のデールデータセットで最大93%に達し、相当数のアプライアンスが存在する。
論文 参考訳（メタデータ） (2022-07-12T11:22:01Z) - Adversarially Robust Learning for Security-Constrained Optimal Power
Flow [55.816266355623085]
我々は、N-kセキュリティ制約付き最適電力流(SCOPF)の課題に取り組む。
N-k SCOPFは電力網の運用における中核的な問題である。
N-k SCOPF を極小最適化問題とみなす。
論文 参考訳（メタデータ） (2021-11-12T22:08:10Z) - More Behind Your Electricity Bill: a Dual-DNN Approach to Non-Intrusive
Load Monitoring [17.516784821462522]
非侵入負荷モニタリング(NILM)は、家庭のエネルギー消費を個々の家電の項目別エネルギー使用量に分解することを目的としている。
近年の研究では、ディープニューラルネットワーク(DNN)ベースのアプローチがNILMタスクに有望であることが示されている。
論文 参考訳（メタデータ） (2021-06-01T08:06:33Z) - A Comprehensive Review on the NILM Algorithms for Energy Disaggregation [0.0]
非侵入負荷モニタリング(NILM)またはエネルギー分散は、集合レベルで測定された家庭用エネルギーを構成機器に分離することを目的としている。
本稿では、効果的なNILMシステムフレームワークの調査を行い、ベンチマークアルゴリズムのパフォーマンスをレビューする。
論文 参考訳（メタデータ） (2021-02-20T23:53:57Z) - PowerGAN: Synthesizing Appliance Power Signatures Using Generative
Adversarial Networks [26.247345639292668]
非侵入負荷監視(NILM)は、ユーザとエネルギープロバイダが家電の電力消費に関する洞察を得ることを可能にする。
NILMの現在の技術は、大量のラベル付アプライアンス電力データを用いて訓練されている。
本報告では,最初の完全合成アプライアンス・シグネチャ・ジェネレータであるPowerGANについて述べる。
論文 参考訳（メタデータ） (2020-07-20T05:10:40Z) - Strictly Batch Imitation Learning by Energy-based Distribution Matching [104.33286163090179]
すなわち、強化信号へのアクセスがなく、遷移力学の知識がなく、環境とのさらなる相互作用もない。
1つの解決策は、既存のアルゴリズムをオフライン環境で動作させるために、見習いの学習に適合させることである。
しかし、このようなアプローチは、政治外の評価やオフラインモデルの推定に大きく依存しており、間接的で非効率である可能性がある。
優れたソリューションは、ポリシーを明示的にパラメータ化し、ロールアウトダイナミクスから暗黙的に学習し、完全にオフラインで運用できるべきだ、と私たちは主張する。
論文 参考訳（メタデータ） (2020-06-25T03:27:59Z) - 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)
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。