論文の概要: A Deep Learning Technique using Low Sampling rate for residential Non Intrusive Load Monitoring

• arxiv url: http://arxiv.org/abs/2111.05120v1
• Date: Sun, 7 Nov 2021 23:01:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-11 03:21:57.260782
• Title: A Deep Learning Technique using Low Sampling rate for residential Non Intrusive Load Monitoring
• Title（参考訳）: 住宅用非侵入負荷モニタリングにおける低サンプリング率を用いた深層学習手法
• Authors: Ronak Aghera, Sahil Chilana, Vishal Garg, Raghunath Reddy
• Abstract要約: 非侵入負荷監視(Non-Inrusive Load Monitoring、NILM)は、ブラインドソース分離の問題である。 低周波電力データ上で負荷分散を行うための,新しいディープニューラルネットワークに基づくアプローチを提案する。 私たちのニューラルネットワークは、需要側の詳細なフィードバックを生成し、エンドユーザに重要な洞察を提供することができます。
• 参考スコア（独自算出の注目度）: 0.19662978733004596
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Individual device loads and energy consumption feedback is one of the important approaches for pursuing users to save energy in residences. This can help in identifying faulty devices and wasted energy by devices when left On unused. The main challenge is to identity and estimate the energy consumption of individual devices without intrusive sensors on each device. Non-intrusive load monitoring (NILM) or energy disaggregation, is a blind source separation problem which requires a system to estimate the electricity usage of individual appliances from the aggregated household energy consumption. In this paper, we propose a novel deep neural network-based approach for performing load disaggregation on low frequency power data obtained from residential households. We combine a series of one-dimensional Convolutional Neural Networks and Long Short Term Memory (1D CNN-LSTM) to extract features that can identify active appliances and retrieve their power consumption given the aggregated household power value. We used CNNs to extract features from main readings in a given time frame and then used those features to classify if a given appliance is active at that time period or not. Following that, the extracted features are used to model a generation problem using LSTM. We train the LSTM to generate the disaggregated energy consumption of a particular appliance. Our neural network is capable of generating detailed feedback of demand-side, providing vital insights to the end-user about their electricity consumption. The algorithm was designed for low power offline devices such as ESP32. Empirical calculations show that our model outperforms the state-of-the-art on the Reference Energy Disaggregation Dataset (REDD).
• Abstract（参考訳）: 個々のデバイス負荷とエネルギー消費フィードバックは、ユーザーが居住地でエネルギーを節約するために重要なアプローチの1つである。 これは、故障したデバイスを特定し、未使用のデバイスによってエネルギーを浪費するのに役立ちます。 主な課題は、各デバイスにセンサを侵入することなく、個々のデバイスのエネルギー消費量を識別し、見積もることである。 非侵入負荷モニタリング(non-intrusive load monitoring, nilm)は、家庭のエネルギー消費から個々の家電の電力使用量を推定するシステムを必要とするブラインドソース分離問題である。 本稿では,住宅から得られる低周波電力データに対して,負荷分散を行うディープニューラルネットワークを用いた新しい手法を提案する。 我々は,一次元畳み込みニューラルネットワークと長短記憶(Long Short Term Memory, 1D CNN-LSTM)を組み合わせて,アクティブアプライアンスを識別し,集約された家庭用電力値から消費電力を回収する特徴を抽出する。 cnnを用いて所定の時間枠内の主読点から特徴を抽出し、その特徴を用いてその期間に特定のアプライアンスがアクティブかどうかを分類した。 その後、抽出した特徴をLSTMを用いて生成問題をモデル化する。 我々はLSTMを訓練し、特定の機器の分解エネルギー消費を生成する。 当社のニューラルネットワークは、需要側の詳細なフィードバックを生成し、エンドユーザに電力消費に関する重要な洞察を提供する。 このアルゴリズムはesp32のような低消費電力オフラインデバイス向けに設計された。 実験計算により,本モデルが参照エネルギー分散データセット(REDD)の最先端性を上回っていることが示された。

関連論文リスト

• Time-Series Forecasting and Sequence Learning Using Memristor-based Reservoir System [2.6473021051027534]
  我々は,効率的な時間的データ処理とオンライン学習を兼ね備えたmemristorベースのエコー状態ネットワークアクセラレータを開発した。 提案した設計は、負荷エネルギー消費と気象条件の予測など、実世界のタスクを含む様々なデータセットを用いてベンチマークされる。 このシステムはデバイス故障に対して10%以下で合理的な堅牢性を示すことが観察された。
  論文  参考訳（メタデータ） (2024-05-22T05:07:56Z)
• Neuromorphic Split Computing with Wake-Up Radios: Architecture and Design via Digital Twinning [97.99077847606624]
  本研究は,遠隔・無線接続型NPUからなる分割計算機システムに,覚醒無線機構を組み込んだ新しいアーキテクチャを提案する。 覚醒無線に基づくニューロモルフィックスプリットコンピューティングシステムの設計における重要な課題は、検知、覚醒信号検出、意思決定のためのしきい値の選択である。
  論文  参考訳（メタデータ） (2024-04-02T10:19:04Z)
• 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)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• Domain Knowledge Aids in Signal Disaggregation; the Example of the Cumulative Water Heater [68.8204255655161]
  住宅における累積給湯器(CWH)の電力の検出と分散を目的とした教師なし低周波法を提案する。 本モデルでは,パワースパイクの形状と発生時刻を両立させることにより,教師なし信号の分解の難しさを回避する。 我々のモデルは、単純さに拘わらず、有望なアプリケーションを提供する: オフピーク契約における設定ミスの検出と性能劣化の遅さ。
  論文  参考訳（メタデータ） (2022-03-22T10:39:19Z)
• 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)
• Adversarial Energy Disaggregation for Non-intrusive Load Monitoring [78.47901044638525]
  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。
  論文  参考訳（メタデータ） (2021-08-02T03:56:35Z)
• 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 Drain of the Object Detection Processing Pipeline for Mobile Devices: Analysis and Implications [77.00418462388525]
  本稿では、移動体拡張現実(AR)クライアントのエネルギー消費と、畳み込みニューラルネットワーク(CNN)に基づく物体検出を行う際の検出遅延について、初めて詳細な実験を行った。 我々は,移動体ARクライアントのエネルギー分析を精査し,CNNによる物体検出を行う際のエネルギー消費に関するいくつかの興味深い視点を明らかにした。
  論文  参考訳（メタデータ） (2020-11-26T00:32:07Z)
• 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)

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。