論文の概要: Smart Home Energy Management: VAE-GAN synthetic dataset generator and
Q-learning
- arxiv url: http://arxiv.org/abs/2305.08885v1
- Date: Sun, 14 May 2023 22:22:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-17 17:40:18.421944
- Title: Smart Home Energy Management: VAE-GAN synthetic dataset generator and
Q-learning
- Title(参考訳): スマートホームエネルギーマネジメント:VAE-GAN合成データセットジェネレータとQラーニング
- Authors: Mina Razghandi, Hao Zhou, Melike Erol-Kantarci, and Damla Turgut
- Abstract要約: 本稿では,スマートホームにおけるエネルギー消費に関する時系列データを生成するための,変分自動エンコーダ生成対向ネットワーク(VAE-GAN)手法を提案する。
実世界のスマートホームデータを用いて,Qラーニングに基づくHEMSのオンラインパフォーマンスを検証した。
- 参考スコア(独自算出の注目度): 15.995891934245334
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Recent years have noticed an increasing interest among academia and industry
towards analyzing the electrical consumption of residential buildings and
employing smart home energy management systems (HEMS) to reduce household
energy consumption and costs. HEMS has been developed to simulate the
statistical and functional properties of actual smart grids. Access to publicly
available datasets is a major challenge in this type of research. The potential
of artificial HEMS applications will be further enhanced with the development
of time series that represent different operating conditions of the synthetic
systems. In this paper, we propose a novel variational auto-encoder-generative
adversarial network (VAE-GAN) technique for generating time-series data on
energy consumption in smart homes. We also explore how the generative model
performs when combined with a Q-learning-based HEMS. We tested the online
performance of Q-learning-based HEMS with real-world smart home data. To test
the generated dataset, we measure the Kullback-Leibler (KL) divergence, maximum
mean discrepancy (MMD), and the Wasserstein distance between the probability
distributions of the real and synthetic data. Our experiments show that
VAE-GAN-generated synthetic data closely matches the real data distribution.
Finally, we show that the generated data allows for the training of a
higher-performance Q-learning-based HEMS compared to datasets generated with
baseline approaches.
- Abstract(参考訳): 近年、学界や産業の間で住宅の電気消費を分析し、家庭用エネルギー消費とコストを削減するためにスマートホームエネルギー管理システム(hems)を採用することへの関心が高まっている。
HEMSは、実際のスマートグリッドの統計的および機能的性質をシミュレートするために開発された。
公開データセットへのアクセスは、この種の研究において大きな課題である。
人工HEMSの応用の可能性は、合成システムの異なる動作条件を表す時系列の開発によってさらに強化される。
本稿では,家庭におけるエネルギー消費に関する時系列データを生成するための変分的自動エンコーダ生成逆ネットワーク(vae-gan)手法を提案する。
また、Qラーニングに基づくHEMSと組み合わせることで、生成モデルがどのように機能するかについても検討する。
実世界のスマートホームデータを用いて,Qラーニングに基づくHEMSのオンラインパフォーマンスを検証した。
生成したデータセットをテストするために,実データと合成データの確率分布間のKullback-Leibler(KL)偏差,最大平均差(MMD)およびワッサーシュタイン距離を測定する。
実験の結果, VAE-GAN生成合成データは実データ分布と密に一致していることがわかった。
最後に、生成したデータにより、ベースラインアプローチで生成されたデータセットと比較して、高性能なQ-ラーニングベースのHEMSのトレーニングが可能になることを示す。
関連論文リスト
- SafePowerGraph-HIL: Real-Time HIL Validation of Heterogeneous GNNs for Bridging Sim-to-Real Gap in Power Grids [6.788629099241222]
我々は,HypersimをモデルとしたIEEE 9-busシステム上でHILシミュレーションを利用するSafePowerGraph-HILフレームワークを開発した。
Hypersimの機能を活用することで、複雑なグリッドインタラクションをシミュレートし、HGNNトレーニングの重要なパラメータをキャプチャする堅牢なデータセットを提供します。
訓練されたHGNNはその後、様々なシステム条件下で新たに生成されたデータを用いて検証され、電力系統状態の予測精度とロバスト性を示す。
論文 参考訳(メタデータ) (2025-01-21T13:36:38Z) - Evaluating Language Models as Synthetic Data Generators [74.80905172696366]
AgoraBenchは、LMのデータ生成能力を評価するための標準化された設定とメトリクスを提供するベンチマークである。
6つのLMを使って126万のトレーニングインスタンスを合成し、99の学生モデルをトレーニングすることで、LMのデータ生成能力に関する重要な洞察を明らかにする。
論文 参考訳(メタデータ) (2024-12-04T19:20:32Z) - Synthetic Data Generation for Residential Load Patterns via Recurrent GAN and Ensemble Method [12.161170324762645]
我々は,高忠実性合成住宅負荷データを生成するために,ERGAN(Ensemble Recurrent Generative Adversarial Network)フレームワークを開発した。
開発したERGANは, 様々な家庭で多様な負荷パターンを捕捉し, 生成した合成データの現実性と多様性を向上させる。
論文 参考訳(メタデータ) (2024-10-20T12:33:38Z) - Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。
コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。
本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
論文 参考訳(メタデータ) (2024-06-22T11:17:50Z) - Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳(メタデータ) (2024-06-20T02:20:23Z) - A Gap in Time: The Challenge of Processing Heterogeneous IoT Data in Digitalized Buildings [15.525789412274587]
本研究は, ビル内およびビル間におけるIoTデータの多様性について検討した。
その結果、マルチモーダルデータ統合、ドメインインフォームドモデリング、自動データエンジニアリングパイプラインの必要性が強調された。
論文 参考訳(メタデータ) (2024-05-23T07:45:48Z) - Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
生成過程が下流MLタスクにどのように影響するかを示す。
本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
論文 参考訳(メタデータ) (2023-05-16T07:30:29Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳(メタデータ) (2022-07-20T07:32:02Z) - Variational Autoencoder Generative Adversarial Network for Synthetic
Data Generation in Smart Home [15.995891934245334]
本稿では,変動型自動エンコーダ生成適応ネットワーク(VAE-GAN)をスマートグリッドデータ生成モデルとして提案する。
VAE-GANは、様々な種類のデータ分布を学習し、同じ分布から可塑性サンプルを生成することができる。
実験により,提案した合成データ生成モデルは,バニラGANネットワークより優れていることが示された。
論文 参考訳(メタデータ) (2022-01-19T02:30:25Z) - Integrate-and-Fire Neurons for Low-Powered Pattern Recognition [0.0]
コンデンサの電荷と放電特性を利用した低出力ニューロンモデル「Integrate-and-Fire」を導入する。
並列および直列RC回路を用いて、繰り返し形式で表現できるトレーニング可能なニューロンモデルを開発した。
本論文は,第20回人工知能・ソフトコンピューティングWebシステム国際会議(ICAISC 2021)で発表された研究の全文である。
論文 参考訳(メタデータ) (2021-06-28T12:08:00Z) - 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)
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。