論文の概要: IMG-NILM: A Deep learning NILM approach using energy heatmaps

• arxiv url: http://arxiv.org/abs/2207.05463v1
• Date: Tue, 12 Jul 2022 11:22:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-13 21:47:36.185384
• Title: IMG-NILM: A Deep learning NILM approach using energy heatmaps
• Title（参考訳）: IMG-NILM:エネルギー熱マップを用いた深層学習NILMアプローチ
• Authors: Jonah Edmonds, Zahraa S. Abdallah
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Energy disaggregation estimates appliance-by-appliance electricity consumption from a single meter that measures the whole home's electricity demand. Compared with intrusive load monitoring, NILM (Non-intrusive load monitoring) is low cost, easy to deploy, and flexible. In this paper, we propose a new method, coined IMG-NILM, that utilises convolutional neural networks (CNN) to disaggregate electricity data represented as images. CNN is proven to be efficient with images, hence, instead of the traditional representation of electricity data as time series, data is transformed into heatmaps with higher electricity readings portrayed as 'hotter' colours. The image representation is then used in CNN to detect the signature of an appliance from aggregated data. IMG-NILM is flexible and shows consistent performance in disaggregating various types of appliances; including single and multiple states. It attains a test accuracy of up to 93% on the UK dale dataset within a single house, where a substantial number of appliances are present. In more challenging settings where electricity data is collected from different houses, IMG-NILM attains also a very good average accuracy of 85%.
• Abstract（参考訳）: エネルギー格差は、家庭全体の電力需要を測定する1メートルから家電製品毎の電力消費量を見積もる。 侵入型ロード監視と比較して、nilm(non-intrusive load monitoring)は低コストで、デプロイが容易で、柔軟性がある。 本稿では、畳み込みニューラルネットワーク(CNN)を用いて、画像として表現される電気データを分解する新しい方法、IGG-NILMを提案する。 CNNは画像で効率的であることが証明されているため、従来の電気データを時系列として表現するのではなく、データは「熱い」色として表現された高い電気の読み出しを持つヒートマップに変換される。 画像表現はcnnで使われ、集約されたデータからアプライアンスのシグネチャを検出する。 IMG-NILMは柔軟であり、単一および複数状態を含む様々な種類のアプライアンスを分離する際の一貫した性能を示す。 1つの住宅内の英国デールデータセットでは、テスト精度が最大93%に達し、相当数の家電製品が存在する。 異なる家から電気データを収集するより困難な環境では、IMG-NILMは平均85%の精度も達成している。

関連論文リスト

• Benchmarking Active Learning for NILM [2.896640219222859]
  非侵入負荷モニタリング(NILM)は、家電固有の用途に家庭の電力消費を分散させることに焦点を当てている。 多くの高度なNILM法は、通常大量のラベル付きアプライアンスデータを必要とするニューラルネットワークに基づいている。 限られた住宅に家電モニターを選択的に設置するための能動的学習手法を提案する。
  論文  参考訳（メタデータ） (2024-11-24T12:22:59Z)
• Non-Intrusive Electric Load Monitoring Approach Based on Current Feature Visualization for Smart Energy Management [51.89904044860731]
  我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。 マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
  論文  参考訳（メタデータ） (2023-08-08T04:52:19Z)
• MSDC: Exploiting Multi-State Power Consumption in Non-intrusive Load Monitoring based on A Dual-CNN Model [18.86649389838833]
  非侵入負荷モニタリング(NILM)は、集積電気利用信号から家電固有の電力消費に分解することを目的としている。 我々は新しいニューラルNILMモデルであるMulti-State Dual CNN(MSDC)を設計する。 MSDCは、アプライアンスの複数の状態と状態遷移に関する情報を明示的に抽出し、アプライアンスの信号の予測を制御する。
  論文  参考訳（メタデータ） (2023-02-11T01:56:54Z)
• Energy Disaggregation & Appliance Identification in a Smart Home: Transfer Learning enables Edge Computing [2.921708254378147]
  非侵入負荷監視(NILM)またはエネルギー分散は、個々の家電機器の負荷プロファイルを抽出することを目的としている。 本研究は、NILM問題を解決するための新しいディープラーニングとエッジコンピューティングアプローチを提案する。
  論文  参考訳（メタデータ） (2023-01-08T10:59:44Z)
• 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)
• 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)
• In-Bed Person Monitoring Using Thermal Infrared Sensors [53.561797148529664]
  パナソニックグリッド(Panasonic Grid-EYE)は、低解像度の赤外線サーモパイルアレイセンサーで、よりプライバシーを提供する。 この目的のために、2つのデータセットが取得され、1つ (480 画像) は一定条件で、もう1つ (200 画像) は異なるバリエーションで取得された。 我々は、SVM(Support Vector Machines)、k-Nearest Neighbors(k-NN)、Neural Network(NN)の3つの機械学習アルゴリズムをテストする。
  論文  参考訳（メタデータ） (2021-07-16T15:59:07Z)
• 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)
• 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)
• Speak2Label: Using Domain Knowledge for Creating a Large Scale Driver Gaze Zone Estimation Dataset [55.391532084304494]
  ワイルド・データセットのドライバ・ゲイズには、夕方を含む1日の異なる時間に撮影された586の録音が含まれている。 ワイルド・データセットのドライバ・ゲイズには338人の被験者がおり、年齢は18-63歳である。
  論文  参考訳（メタデータ） (2020-04-13T14:47:34Z)

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。