論文の概要: Power Management in Smart Residential Building with Deep Learning Model
for Occupancy Detection by Usage Pattern of Electric Appliances
- arxiv url: http://arxiv.org/abs/2209.11520v1
- Date: Fri, 23 Sep 2022 11:02:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 17:39:57.217418
- Title: Power Management in Smart Residential Building with Deep Learning Model
for Occupancy Detection by Usage Pattern of Electric Appliances
- Title（参考訳）: 深層学習モデルを用いた家電利用パターンによる住まい検知のためのスマート住宅の電力管理
- Authors: Sangkeum Lee, Sarvar Hussain Nengroo, Hojun Jin, Yoonmee Doh, Chungho
Lee, Taewook Heo, Dongsoo Har
- Abstract要約: 提案アルゴリズムは, 電化製品の技術情報を用いて95.798.4%の占有率検出を実現する。
電力消費量を11.113.1%に削減する。
- 参考スコア（独自算出の注目度）: 0.4987480084635553
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the growth of smart building applications, occupancy information in
residential buildings is becoming more and more significant. In the context of
the smart buildings' paradigm, this kind of information is required for a wide
range of purposes, including enhancing energy efficiency and occupant comfort.
In this study, occupancy detection in residential building is implemented using
deep learning based on technical information of electric appliances. To this
end, a novel approach of occupancy detection for smart residential building
system is proposed. The dataset of electric appliances, sensors, light, and
HVAC, which is measured by smart metering system and is collected from 50
households, is used for simulations. To classify the occupancy among datasets,
the support vector machine and autoencoder algorithm are used. Confusion matrix
is utilized for accuracy, precision, recall, and F1 to demonstrate the
comparative performance of the proposed method in occupancy detection. The
proposed algorithm achieves occupancy detection using technical information of
electric appliances by 95.7~98.4%. To validate occupancy detection data,
principal component analysis and the t-distributed stochastic neighbor
embedding (t-SNE) algorithm are employed. Power consumption with renewable
energy system is reduced to 11.1~13.1% in smart buildings by using occupancy
detection.
- Abstract（参考訳）: スマート・ビルディング・アプリケーションの成長に伴い、住宅における居住情報の重要性が高まっている。
スマートビルのパラダイムの文脈では、エネルギー効率の向上や居住快適さの向上など、幅広い目的のためにこの種の情報が必要である。
本研究では, 家電機器の技術情報に基づくディープラーニングを用いて, 住宅の占有状況検出を行う。
この目的のために, スマート住宅システムのための新規な占有検知手法を提案する。
スマート計測システムによって測定され、50世帯から収集される電気機器、センサー、光、およびHVACのデータセットがシミュレーションに使用される。
データセットの占有度を分類するために、サポートベクタマシンとオートエンコーダアルゴリズムを用いる。
コンフュージョンマトリックスは, 精度, 精度, リコール, F1 に利用し, 占有検知における提案手法の比較性能を示す。
提案手法は家電機器の技術情報を用いて95.7～98.4%の占有率検出を実現する。
占有検出データを検証するために、主成分分析とt分散確率的隣接埋め込み(t-SNE)アルゴリズムを用いる。
再生可能エネルギーシステムによる電力消費は、占有検知を用いてスマートな建物において11.1~13.1%に削減される。
関連論文リスト
- Hybrid Transformer-RNN Architecture for Household Occupancy Detection
Using Low-Resolution Smart Meter Data [8.486902848941872]
エネルギーシステムのデジタル化は、非侵襲的な方法で占有検知に使用できるスマートメーターデータを提供する。
ディープラーニング技術により、低解像度のスマートメーターデータから占有率を推定できる。
本研究は, 住宅の占有状況を検出するための, プライバシ意識と効果的なモデルを開発することを目的としている。
論文 参考訳（メタデータ） (2023-08-27T14:13:29Z) - ABODE-Net: An Attention-based Deep Learning Model for Non-intrusive
Building Occupancy Detection Using Smart Meter Data [5.732496048593952]
業務情報は、建築セクターの効率的なエネルギー管理に有用である。
スマートメーターによって収集された高解像度の電力消費データにより、非侵襲的な方法で建物の占有状況を推定することができる。
本稿では,ABODE-Netとよばれる深層傾きモデルを提案する。
論文 参考訳（メタデータ） (2022-12-21T22:37:42Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - EnsembleNTLDetect: An Intelligent Framework for Electricity Theft
Detection in Smart Grid [0.0]
本稿では,堅牢でスケーラブルな電気盗難検出フレームワークであるEnsembleNTLDetectを紹介する。
一連の効率的なデータ前処理技術と機械学習モデルを使って、電気盗難を正確に検出する。
Conditional Generative Adversarial Network (CTGAN) は、堅牢なトレーニングを保証するためにデータセットを増強するために使用される。
論文 参考訳（メタデータ） (2021-10-09T08:19:03Z) - Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using
Meta-Learning [64.92447072894055]
赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。
既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。
KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
論文 参考訳（メタデータ） (2021-10-07T02:28:18Z) - Wirelessly Powered Federated Edge Learning: Optimal Tradeoffs Between
Convergence and Power Transfer [42.30741737568212]
無線電力伝送(WPT)を用いた電力機器の解法を提案する。
本研究の目的は、無線で駆動するFEEL(WP-FEEL)システムの導入に関するガイドラインの導出である。
その結果、WPTプロビジョニングに関する有用なガイドラインを提供し、学習パフォーマンスの保証を提供します。
論文 参考訳（メタデータ） (2021-02-24T15:47:34Z) - 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) - Avoiding Occupancy Detection from Smart Meter using Adversarial Machine
Learning [0.7106986689736826]
本稿では,アタックとしてAdversarial Machine Learning Occupancy Detection Avoidance (AMLODA) フレームワークを導入する。
基本的に、提案するプライバシー保護フレームワークは、リアルタイムまたはほぼリアルタイムの電力使用情報を隠すように設計されている。
以上の結果から,提案手法はユーザのプライバシを強く支持することを示す。
論文 参考訳（メタデータ） (2020-10-23T20:02:48Z) - 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) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z) - NeurOpt: Neural network based optimization for building energy
management and climate control [58.06411999767069]
モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。
イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
論文 参考訳（メタデータ） (2020-01-22T00:51:03Z)
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。