論文の概要: LEAD1.0: A Large-scale Annotated Dataset for Energy Anomaly Detection in
Commercial Buildings
- arxiv url: http://arxiv.org/abs/2203.17256v1
- Date: Wed, 30 Mar 2022 07:30:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-02 14:08:56.898459
- Title: LEAD1.0: A Large-scale Annotated Dataset for Energy Anomaly Detection in
Commercial Buildings
- Title(参考訳): LEAD1.0:商業ビルにおけるエネルギー異常検出のための大規模アノテートデータセット
- Authors: Manoj Gulati and Pandarasamy Arjunan
- Abstract要約: 我々は,1年以上にわたる1,413個のスマート電気メーター時系列を含むASHRAE Great Energy Predictor IIIデータセットの注釈付きバージョンをリリースする。
我々は,8つの最先端異常検出手法の性能をベンチマークし,その性能を比較した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern buildings are densely equipped with smart energy meters, which
periodically generate a massive amount of time-series data yielding few million
data points every day. This data can be leveraged to discover the underlying
loads, infer their energy consumption patterns, inter-dependencies on
environmental factors, and the building's operational properties. Furthermore,
it allows us to simultaneously identify anomalies present in the electricity
consumption profiles, which is a big step towards saving energy and achieving
global sustainability. However, to date, the lack of large-scale annotated
energy consumption datasets hinders the ongoing research in anomaly detection.
We contribute to this effort by releasing a well-annotated version of a
publicly available ASHRAE Great Energy Predictor III data set containing 1,413
smart electricity meter time series spanning over one year. In addition, we
benchmark the performance of eight state-of-the-art anomaly detection methods
on our dataset and compare their performance.
- Abstract(参考訳): 現代の建物にはスマートエネルギーメーターが密に備わっており、定期的に大量の時系列データを生成し、毎日数百万のデータポイントを出力している。
これらのデータは、基礎となる負荷の発見、エネルギー消費パターンの推測、環境要因の相互依存、および建物の運用特性の解明に利用することができる。
さらに、省エネと世界的な持続可能性を達成するための大きなステップである、電力消費プロファイルに存在する異常を同時に識別することができる。
しかし、現在までに、大規模なアノテートエネルギー消費データセットの欠如は、異常検出の継続的な研究を妨げる。
我々は,1年以上にわたる1,413個のスマート電気メーター時系列を含むASHRAE Great Energy Predictor IIIデータセットの注釈付きバージョンをリリースすることによって,この取り組みに貢献する。
さらに,8種類の最先端異常検出手法の性能評価を行い,その性能比較を行った。
関連論文リスト
- The Forecastability of Underlying Building Electricity Demand from Time
Series Data [1.3757257689932039]
ビルのエネルギー消費予測は、ビルのエネルギー管理システムにおいて有望な解決策となっている。
建物の将来的なエネルギー需要を予測するデータ駆動のアプローチは、科学文献で見ることができる。
このような建物のエネルギー需要を予測するために利用できる最も正確な予測モデルの同定は依然として困難である。
論文 参考訳(メタデータ) (2023-11-29T20:47:47Z) - LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳(メタデータ) (2023-06-14T05:48:36Z) - High-resolution synthetic residential energy use profiles for the United
States [12.699816591560712]
我々は、米国全土の住宅セクター向けに、大規模で総合的な住宅エネルギー利用データセットを公開します。
データは、合成世帯の1時間あたりのエネルギー使用プロファイルからなり、温度制御負荷(TCL)と家電の使用に分解される。
論文 参考訳(メタデータ) (2022-10-14T20:55:10Z) - Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。
時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。
我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。
提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
論文 参考訳(メタデータ) (2022-10-02T06:58:49Z) - Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。
我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
論文 参考訳(メタデータ) (2022-08-12T17:13:25Z) - 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) - 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) - Energy Aware Deep Reinforcement Learning Scheduling for Sensors
Correlated in Time and Space [62.39318039798564]
相関情報を利用するスケジューリング機構を提案する。
提案したメカニズムは、センサが更新を送信する頻度を決定することができる。
我々は,センサの寿命を大幅に延長できることを示した。
論文 参考訳(メタデータ) (2020-11-19T09:53:27Z) - Artificial Intelligence based Anomaly Detection of Energy Consumption in
Buildings: A Review, Current Trends and New Perspectives [2.1874189959020423]
本稿では,人工知能を用いたエネルギー消費構築のための,既存の異常検出フレームワークの詳細なレビューを行う。
著者の知識を最大限に活用するために、エネルギー消費の構築における異常検出について論じる最初のレビュー記事である。
論文 参考訳(メタデータ) (2020-10-09T13:28:34Z) - Building power consumption datasets: Survey, taxonomy and future
directions [2.389598109913753]
本研究は,建築エネルギー消費データセットの数値的および方法論的性質を調査,研究,可視化するために提案される。
地理的な位置,収集期間,監視対象世帯数,収集データのサンプリング率,サブメータ家電数,抽出特徴量,リリース日など,合計31のデータベースを調査・比較した。
新たなデータセット、すなわち、注釈付き消費電力異常検出データセットであるカタール大学データセットが提示されている。
論文 参考訳(メタデータ) (2020-09-17T10:19:21Z) - Energy Disaggregation with Semi-supervised Sparse Coding [0.0]
エネルギー分解研究は、集約されたエネルギー消費データを部品機器に分解することを目的としている。
本稿では,エネルギー保全のための大規模家庭用電力利用データセットを用いて,スパース符号化に基づく差別的分散モデルの評価を行った。
論文 参考訳(メタデータ) (2020-04-20T21:05:25Z)
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。