論文の概要: Scalable Hybrid Classification-Regression Solution for High-Frequency
Nonintrusive Load Monitoring
- arxiv url: http://arxiv.org/abs/2208.10638v1
- Date: Mon, 22 Aug 2022 22:21:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 14:14:38.995740
- Title: Scalable Hybrid Classification-Regression Solution for High-Frequency
Nonintrusive Load Monitoring
- Title（参考訳）: 高周波非侵入負荷モニタリングのためのスケーラブルハイブリッド分類回帰ソリューション
- Authors: Govind Saraswat, Blake Lundstrom and Murti V Salapaka
- Abstract要約: 本稿では,高頻度での効率的なネット負荷モニタリング機能を実現するために,NILM(Multiclass Non Inrusive Load Monitoring)アプローチを提案する。
提案した機械学習ベースのソリューションは、より高速な時間スケールで動作しながら、正確なマルチクラス状態予測を提供する。
また,本手法では,負荷/オフ状態だけでなく,レグレッションによる個々の負荷動作電力レベルも予測できる,革新的なハイブリッド型分類回帰手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Residential buildings with the ability to monitor and control their net-load
(sum of load and generation) can provide valuable flexibility to power grid
operators. We present a novel multiclass nonintrusive load monitoring (NILM)
approach that enables effective net-load monitoring capabilities at
high-frequency with minimal additional equipment and cost. The proposed machine
learning based solution provides accurate multiclass state predictions while
operating at a faster timescale (able to provide a prediction for each 60-Hz ac
cycle used in US power grid) without relying on event-detection techniques. We
also introduce an innovative hybrid classification-regression method that
allows for the prediction of not only load on/off states via classification but
also individual load operating power levels via regression. A test bed with
eight residential appliances is used for validating the NILM approach. Results
show that the overall method has high accuracy and, good scaling and
generalization properties. Furthermore, the method is shown to have sufficient
response time (within 160ms, corresponding to 10 ac cycles) to support building
grid-interactive control at fast timescales relevant to the provision of grid
frequency support services.
- Abstract（参考訳）: ネットワーク負荷の監視と制御(負荷と発生の仮定)が可能な住宅ビルは、電力グリッドオペレーターに価値ある柔軟性を提供することができる。
本稿では,高頻度でのネットワーク負荷モニタリングを最小限の設備とコストで実現可能な,新しいマルチクラス非侵襲負荷監視(NILM)手法を提案する。
提案した機械学習ベースのソリューションは、イベント検出技術に頼ることなく、より高速な時間スケール(USパワーグリッドで使用される60Hzのacサイクル毎の予測を提供することができる)で運用しながら、正確なマルチクラス状態予測を提供する。
また, 分類による負荷オン/オフ状態だけでなく, 回帰による個別負荷運転パワーレベルを予測可能な, 革新的なハイブリッド分類回帰手法を提案する。
NILMアプローチの検証には、8つの家電を備えたテストベッドが使用される。
その結果,本手法は精度が高く,スケーリングや一般化性が良好であることがわかった。
さらに、グリッド周波数支援サービスの提供に関連する高速時間スケールでグリッド対話制御を構築するための十分な応答時間(160msで10交流サイクルに対応する)を有することが示される。
関連論文リスト
- Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。
総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2024-03-21T02:33:37Z) - Interpretable Short-Term Load Forecasting via Multi-Scale Temporal
Decomposition [3.080999981940039]
本稿では,ニューラルネットワークの線形結合を学習し,それぞれが入力時間の特徴に付随する解釈可能なディープラーニング手法を提案する。
ケーススタディはベルギーの中央グリッド負荷データセット上で実施されており、提案モデルは頻繁に適用されるベースラインモデルよりも精度がよいことを示した。
論文 参考訳（メタデータ） (2024-02-18T17:55:59Z) - etuner: A Redundancy-Aware Framework for Efficient Continual Learning Application on Edge Devices [47.365775210055396]
推論精度、微調整実行時間、エネルギー効率を最適化する効率的なエッジ連続学習フレームワークであるETunerを提案する。
実験結果から,ETunerは全体の微調整実行時間を64%削減し,エネルギー消費量を56%削減し,即時モデル微調整アプローチよりも平均推定精度を1.75%向上した。
論文 参考訳（メタデータ） (2024-01-30T02:41:05Z) - MATNilm: Multi-appliance-task Non-intrusive Load Monitoring with Limited
Labeled Data [4.460954839118025]
既存のアプローチは主に、各アプライアンス用の個別モデルの開発に重点を置いている。
本稿では,トレーニング効率のよいサンプル拡張方式を用いたマルチアプライアンス・タスク・フレームワークを提案する。
相対誤差は平均で50%以上削減できる。
論文 参考訳（メタデータ） (2023-07-27T11:14:11Z) - POLAR-Express: Efficient and Precise Formal Reachability Analysis of
Neural-Network Controlled Systems [18.369115196505657]
ニューラルネットワーク制御システム(NNCS)の安全性を検証するための,効率的かつ正確な形式的到達性解析ツールであるPOLAR-Expressを提案する。
POLAR-ExpressはTaylorモデル演算を用いて、ニューラルネットワーク層間でTaylorモデルを伝搬し、ニューラルネットワーク関数の過剰近似を計算する。
また, ReLU 活性化関数に対して, TM をより効率的に正確に伝播するための新しい手法を提案する。
論文 参考訳（メタデータ） (2023-03-31T06:51:36Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-08-24T07:50:43Z) - Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling
and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。
異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。
出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文 参考訳（メタデータ） (2022-03-29T21:18:47Z) - 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) - 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) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - Rapid Structural Pruning of Neural Networks with Set-based Task-Adaptive
Meta-Pruning [83.59005356327103]
既存のプルーニング技術に共通する制限は、プルーニングの前に少なくとも1回はネットワークの事前トレーニングが必要であることである。
本稿では,ターゲットデータセットの関数としてプルーニングマスクを生成することにより,大規模な参照データセット上で事前訓練されたネットワークをタスク適応的にプルークするSTAMPを提案する。
ベンチマークデータセット上での最近の先進的なプルーニング手法に対するSTAMPの有効性を検証する。
論文 参考訳（メタデータ） (2020-06-22T10:57:43Z)
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。