論文の概要: Time Series Anomaly Detection in Smart Homes: A Deep Learning Approach
- arxiv url: http://arxiv.org/abs/2302.14781v1
- Date: Tue, 28 Feb 2023 17:26:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-01 15:12:42.647360
- Title: Time Series Anomaly Detection in Smart Homes: A Deep Learning Approach
- Title（参考訳）: スマートホームにおける時系列異常検出 : ディープラーニングアプローチ
- Authors: Somayeh Zamani and Hamed Talebi and Gunnar Stevens
- Abstract要約: 本稿では,REFITデータセットの2つのハウスで使用される食器洗い機の消費電力に関するパターンを分析した。
1D-CNNとTCNをバックボーンとする2つのオートエンコーダをトレーニングし、正常なパターンと異常なパターンを区別する。
以上の結果から,TNはCNN1Dよりもエネルギー消費の異常を検出することが示唆された。
- 参考スコア（独自算出の注目度）: 4.340040784481499
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fixing energy leakage caused by different anomalies can result in significant
energy savings and extended appliance life. Further, it assists grid operators
in scheduling their resources to meet the actual needs of end users, while
helping end users reduce their energy costs. In this paper, we analyze the
patterns pertaining to the power consumption of dishwashers used in two houses
of the REFIT dataset. Then two autoencoder (AEs) with 1D-CNN and TCN as
backbones are trained to differentiate the normal patterns from the abnormal
ones. Our results indicate that TCN outperforms CNN1D in detecting anomalies in
energy consumption. Finally, the data from the Fridge_Freezer and the Freezer
of house No. 3 in REFIT is also used to evaluate our approach.
- Abstract（参考訳）: 異なる異常によるエネルギー漏れの固定は、大幅な省エネルギーと家電寿命を延ばす可能性がある。
さらに、グリッドオペレーターが実際のエンドユーザのニーズを満たすようにリソースをスケジューリングするのを支援すると同時に、エンドユーザのエネルギーコストの削減を支援する。
本稿では,REFITデータセットの2つのハウスで使用される食器洗い機の消費電力に関するパターンを解析する。
次に、1D-CNNとTCNをバックボーンとする2つのオートエンコーダ(AE)をトレーニングし、正常なパターンと異常なパターンを区別する。
以上の結果から,TNはCNN1Dよりもエネルギー消費の異常を検出することが示唆された。
最終的に、REFITのFridge_Freezerと3号住宅のFreezerからのデータも、我々のアプローチを評価するために使われる。
関連論文リスト
- 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) - 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) - A Deep Learning Technique using Low Sampling rate for residential Non
Intrusive Load Monitoring [0.19662978733004596]
非侵入負荷監視(Non-Inrusive Load Monitoring、NILM)は、ブラインドソース分離の問題である。
低周波電力データ上で負荷分散を行うための,新しいディープニューラルネットワークに基づくアプローチを提案する。
私たちのニューラルネットワークは、需要側の詳細なフィードバックを生成し、エンドユーザに重要な洞察を提供することができます。
論文 参考訳（メタデータ） (2021-11-07T23:01:36Z) - 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) - 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) - 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) - Demand Response For Residential Uses: A Data Analytics Approach [5.107653758514456]
本稿では,ユーザの分散電力消費データに適用可能なスマートシステム基盤を提案する。
本システムは,より重い操作モードを軽量モードにすることで,ユーザに対して要求応答(DR)の適用を促す。
論文 参考訳（メタデータ） (2020-08-07T00:06:38Z) - 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) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。