論文の概要: Domain Knowledge Aids in Signal Disaggregation; the Example of the
Cumulative Water Heater
- arxiv url: http://arxiv.org/abs/2203.11268v1
- Date: Tue, 22 Mar 2022 10:39:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 15:34:00.658356
- Title: Domain Knowledge Aids in Signal Disaggregation; the Example of the
Cumulative Water Heater
- Title（参考訳）: 信号分解における領域知識支援 : 累積式給湯器の例
- Authors: Alexander Belikov, Guillaume Matheron, Johan Sassi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 68.8204255655161
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this article we present an unsupervised low-frequency method aimed at
detecting and disaggregating the power used by Cumulative Water Heaters (CWH)
in residential homes. Our model circumvents the inherent difficulty of
unsupervised signal disaggregation by using both the shape of a power spike and
its time of occurrence to identify the contribution of CWH reliably. Indeed,
many CHWs in France are configured to turn on automatically during off-peak
hours only, and we are able to use this domain knowledge to aid peak
identification despite the low sampling frequency. In order to test our model,
we equipped a home with sensors to record the ground-truth consumption of a
water heater. We then apply the model to a larger dataset of energy consumption
of Hello Watt users consisting of one month of consumption data for 5k homes at
30-minute resolution. In this dataset we successfully identified CWHs in the
majority of cases where consumers declared using them. The remaining part is
likely due to possible misconfiguration of CWHs, since triggering them during
off-peak hours requires specific wiring in the electrical panel of the house.
Our model, despite its simplicity, offers promising applications: detection of
mis-configured CWHs on off-peak contracts and slow performance degradation.
- Abstract（参考訳）: 本稿では,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手法を提案する。
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て,CWHの寄与を確実に同定することにより,教師なし信号の分解の難しさを回避する。
実際、フランスの多くのCHWは、オフピーク時間のみに自動的にオンに設定されており、サンプリング頻度が低いにもかかわらず、このドメイン知識をピーク識別に役立てることができる。
モデルをテストするために、私たちは、給湯器の地中消費を記録するためのセンサーを備えた家を用意しました。
そして、このモデルを、30分間の解像度で5万世帯の1ヶ月の消費データからなるHello Wattユーザのエネルギー消費のデータセットに適用する。
このデータセットでは、コンシューマがCWHの使用を宣言するほとんどのケースで、CWHの識別に成功しました。
残りの部分は、オフピーク時のトリガーは家の電気パネルの特定の配線を必要とするため、cwhsが誤って構成される可能性があるためである。
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。
関連論文リスト
- ADF & TransApp: A Transformer-Based Framework for Appliance Detection
Using Smart Meter Consumption Series [10.66594181476182]
世界中の電力供給業者が何百万ものスマートメーターを設置し、大量の電力消費データを収集している。
これらのサプライヤーが直面する重要な課題の1つは、異なるアプライアンスの存在/存在を検出するためにこのデータを利用する方法である。
本稿では,アプライアンスの存在/存在を検出するために,クライアント消費系列のサブシーケンスを利用するフレームワークであるAFFを提案する。
論文 参考訳（メタデータ） (2023-12-17T20:25:01Z) - Time Series Anomaly Detection in Smart Homes: A Deep Learning Approach [4.340040784481499]
本稿では,REFITデータセットの2つのハウスで使用される食器洗い機の消費電力に関するパターンを分析した。
1D-CNNとTCNをバックボーンとする2つのオートエンコーダをトレーニングし、正常なパターンと異常なパターンを区別する。
以上の結果から,TNはCNN1Dよりもエネルギー消費の異常を検出することが示唆された。
論文 参考訳（メタデータ） (2023-02-28T17:26:27Z) - Non-intrusive Water Usage Classification Considering Limited Training
Data [5.935761705025763]
家電の使用状況を連続的に監視するための家庭内水消費のスマート測定は, 人々の水環境保全に対する行動に影響を及ぼすことが示されている。
現在、各家電をモニタする複数のセンサの設置は、初期コストが高く、その結果、センサを使用して異なる家電の消費を監視することは、費用対効果が低い。
そこで本研究では,家庭内水消費の総量を用いて,単一および重なり合う家庭用水利用イベントを分類するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-01-02T11:57:36Z) - A Deep Learning Technique using Low Sampling rate for residential Non
Intrusive Load Monitoring [0.19662978733004596]
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。
論文 参考訳（メタデータ） (2021-11-07T23:01:36Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Principal Component Density Estimation for Scenario Generation Using
Normalizing Flows [62.997667081978825]
低次元空間における正規化フローを設定する線形主成分分析(PCA)に基づく次元還元フロー層を提案する。
当社は、2013年から2015年までのドイツにおけるPVおよび風力発電のデータと負荷需要に関する主成分フロー(PCF)を訓練しています。
論文 参考訳（メタデータ） (2021-04-21T08:42:54Z) - Investigating Underlying Drivers of Variability in Residential Energy
Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。
本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
論文 参考訳（メタデータ） (2021-02-16T16:56:27Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳（メタデータ） (2021-02-02T15:44:39Z) - Incorporating Coincidental Water Data into Non-intrusive Load Monitoring [0.0]
独自の非オーバーラップ電力値を持つ家電の電力信号を抽出するイベントベースの分類プロセスを提案する。
ネットワーク内の新たなシグネチャとして,いくつかの機器の水消費を考慮した2つのディープラーニングモデルを用いて,重なり合う電力値を持つ家電を識別する。
提案プロセスでは, 電力の分散に加えて, 特定の電化製品の水消費プロファイルも抽出する。
論文 参考訳（メタデータ） (2021-01-18T17:49:39Z) - Bayesian model of electrical heating disaggregation [68.8204255655161]
スマートメーターの採用は、ヨーロッパのスマートエネルギーへの移行における大きなマイルストーンである。
フランスの住宅セクターは電力消費の35%$approx$35%、電気暖房による世帯の40%$approx$40%(INSEE)である。
Linkyの展開するスマートメーターの数は2021年に3500万に達する見込みだ。
論文 参考訳（メタデータ） (2020-11-11T10:05:15Z)
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。