論文の概要: MSDC: Exploiting Multi-State Power Consumption in Non-intrusive Load Monitoring based on A Dual-CNN Model

• arxiv url: http://arxiv.org/abs/2302.05565v1
• Date: Sat, 11 Feb 2023 01:56:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-14 19:58:35.938859
• Title: MSDC: Exploiting Multi-State Power Consumption in Non-intrusive Load Monitoring based on A Dual-CNN Model
• Title（参考訳）: MSDC:デュアルCNNモデルに基づく非侵入負荷モニタリングにおけるマルチステート電力消費の爆発
• Authors: Jialing He, Jiamou Liu, Zijian Zhang, Yang Chen, Yiwei Liu, Bakh Khoussainov, and Liehuang Zhu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 18.86649389838833
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Non-intrusive load monitoring (NILM) aims to decompose aggregated electrical usage signal into appliance-specific power consumption and it amounts to a classical example of blind source separation tasks. Leveraging recent progress on deep learning techniques, we design a new neural NILM model Multi-State Dual CNN (MSDC). Different from previous models, MSDC explicitly extracts information about the appliance's multiple states and state transitions, which in turn regulates the prediction of signals for appliances. More specifically, we employ a dual-CNN architecture: one CNN for outputting state distributions and the other for predicting the power of each state. A new technique is invented that utilizes conditional random fields (CRF) to capture state transitions. Experiments on two real-world datasets REDD and UK-DALE demonstrate that our model significantly outperform state-of-the-art models while having good generalization capacity, achieving 6%-10% MAE gain and 33%-51% SAE gain to unseen appliances.
• Abstract（参考訳）: 非侵入負荷監視(NILM)は、集積電気利用信号を家電固有の電力消費に分解することを目的としており、ブラインドソース分離タスクの古典的な例である。 近年のディープラーニング技術の進歩を生かして,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。 以前のモデルとは異なり、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。 より具体的には、状態分布を出力するCNNと、各状態のパワーを予測するCNNという、二重CNNアーキテクチャを採用しています。 条件付きランダムフィールド(CRF)を用いて状態遷移をキャプチャする新しい手法が発明された。 REDDとUK-DALEの2つの実世界のデータセットによる実験により、我々のモデルは高度な一般化能力を持ちながら最先端モデルよりも優れており、6%～10%のMAEゲインと33%～51%のSAEゲインを達成した。

関連論文リスト

• Deep Convolutional Neural Networks for Short-Term Multi-Energy Demand Prediction of Integrated Energy Systems [0.0]
  本稿では,多エネルギー消費予測のための畳み込みニューラルネットワーク(CNN)に基づく新しい6つの予測モデルを開発する。 これらのモデルは、新しい統合型電気・熱・ガスネットワークシステムに包括的に適用される。
  論文  参考訳（メタデータ） (2023-12-24T14:56:23Z)
• When Parameter-efficient Tuning Meets General-purpose Vision-language Models [65.19127815275307]
  PETALは、一意のモード近似技術によって達成される全パラメータの0.5%しか必要とせず、トレーニングプロセスに革命をもたらす。 実験の結果,PETALは現状の手法をほとんどのシナリオで上回るだけでなく,完全な微調整モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-12-16T17:13:08Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [50.0791489606211]
  非線形モデル予測制御((e)NMPC)は、すべての状態空間領域において十分正確なシステムモデルを必要とする。 メカニスティックモデルのためのデータ駆動サロゲートモデルは、(e)NMPCの計算負担を軽減するために使用できる。 In this method for end-to-end reinforcement learning of dynamic surrogate model for optimal performance in (e)NMPC applications。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• 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)
• A Generative Approach for Production-Aware Industrial Network Traffic Modeling [70.46446906513677]
  ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。 我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。 可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
  論文  参考訳（メタデータ） (2022-11-11T09:46:58Z)
• Conv-NILM-Net, a causal and multi-appliance model for energy source separation [1.1355370218310157]
  非侵入負荷モニタリングは、個々のアプライアンス電力使用量を単一のアグリゲーション測定から推定することでエネルギーを節約しようとする。 NILM問題を解決するために、ディープニューラルネットワークがますます人気になっている。 本稿では、エンドツーエンドNILMのための完全な畳み込みフレームワークであるConv-NILM-netを提案する。
  論文  参考訳（メタデータ） (2022-08-03T15:59:32Z)
• Value-Consistent Representation Learning for Data-Efficient Reinforcement Learning [105.70602423944148]
  本稿では,意思決定に直接関連のある表現を学習するための,VCR(Value-Consistent Expression Learning)という新しい手法を提案する。 この想像された状態と環境によって返される実状態とを一致させる代わりに、VCRは両方の状態に$Q$-valueヘッドを適用し、2つのアクション値の分布を得る。 検索不要なRLアルゴリズムに対して,提案手法が新たな最先端性能を実現することが実証された。
  論文  参考訳（メタデータ） (2022-06-25T03:02:25Z)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)
• More Behind Your Electricity Bill: a Dual-DNN Approach to Non-Intrusive Load Monitoring [17.516784821462522]
  非侵入負荷モニタリング(NILM)は、家庭のエネルギー消費を個々の家電の項目別エネルギー使用量に分解することを目的としている。 近年の研究では、ディープニューラルネットワーク(DNN)ベースのアプローチがNILMタスクに有望であることが示されている。
  論文  参考訳（メタデータ） (2021-06-01T08:06:33Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。