論文の概要: Low-Frequency Load Identification using CNN-BiLSTM Attention Mechanism
- arxiv url: http://arxiv.org/abs/2311.08536v1
- Date: Tue, 14 Nov 2023 21:02:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-16 18:17:15.989929
- Title: Low-Frequency Load Identification using CNN-BiLSTM Attention Mechanism
- Title（参考訳）: CNN-BiLSTMアテンション機構を用いた低周波負荷同定
- Authors: Amanie Azzam, Saba Sanami, and Amir G. Aghdam
- Abstract要約: 非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)は、効率的な電力消費管理のための確立された技術である。
本稿では,畳み込みニューラルネットワーク(CNN)と双方向長短期記憶(BILSTM)を組み合わせたハイブリッド学習手法を提案する。
CNN-BILSTMモデルは、時間的(時間的)と空間的(位置的)の両方の特徴を抽出し、アプライアンスレベルでのエネルギー消費パターンを正確に識別することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Non-intrusive Load Monitoring (NILM) is an established technique for
effective and cost-efficient electricity consumption management. The method is
used to estimate appliance-level power consumption from aggregated power
measurements. This paper presents a hybrid learning approach, consisting of a
convolutional neural network (CNN) and a bidirectional long short-term memory
(BILSTM), featuring an integrated attention mechanism, all within the context
of disaggregating low-frequency power data. While prior research has been
mainly focused on high-frequency data disaggregation, our study takes a
distinct direction by concentrating on low-frequency data. The proposed hybrid
CNN-BILSTM model is adept at extracting both temporal (time-related) and
spatial (location-related) features, allowing it to precisely identify energy
consumption patterns at the appliance level. This accuracy is further enhanced
by the attention mechanism, which aids the model in pinpointing crucial parts
of the data for more precise event detection and load disaggregation. We
conduct simulations using the existing low-frequency REDD dataset to assess our
model performance. The results demonstrate that our proposed approach
outperforms existing methods in terms of accuracy and computation time.
- Abstract（参考訳）: 非侵入型負荷モニタリング(non-intrusive load monitoring, nilm)は、電力消費の効率的かつ費用効率の高い管理手法である。
本手法は集積電力測定から家電レベルの消費電力を推定するために用いられる。
本稿では,畳み込みニューラルネットワーク(cnn)と双方向長期短期記憶(bilstm)を組み合わせたハイブリッド学習手法を提案する。
従来の研究は主に高周波データ分散に焦点が当てられていたが、本研究は低周波データに集中することで異なる方向を採っている。
提案したハイブリッドCNN-BILSTMモデルは,時間的(時間的)と空間的(位置的)の両方の特徴を抽出し,家電レベルでのエネルギー消費パターンを正確に同定する。
この精度は、より正確なイベント検出と負荷分散のためにデータの重要な部分をピンポイントするモデルを支援するアテンションメカニズムによってさらに向上する。
我々は,既存の低周波reddデータセットを用いてシミュレーションを行い,モデル性能を評価する。
その結果,提案手法は既存の手法よりも精度と計算時間で優れていることがわかった。
関連論文リスト
- Temporal Convolution-based Hybrid Model Approach with Representation Learning for Real-Time Acoustic Anomaly Detection [0.0]
本研究は, 実時間音響異常検出への革新的アプローチを導入する。
我々の手法は、半教師付き時間的畳み込みと表現学習と、時間的畳み込みネットワーク(TCN)によるハイブリッドモデル戦略を組み合わせたものである。
提案モデルでは,本手法の有効性を実証し,現場で確立された研究よりも優れた性能を示す。
論文 参考訳（メタデータ） (2024-10-25T17:50:48Z) - Federated Sequence-to-Sequence Learning for Load Disaggregation from Unbalanced Low-Resolution Smart Meter Data [5.460776507522276]
非侵入負荷モニタリング(NILM)は、エネルギー意識を高め、エネルギープログラム設計のための貴重な洞察を提供する。
既存のNILM法は、しばしば高サンプリング複雑な信号データを取得するための特殊な装置に依存している。
そこで本研究では,12種類の機器の負荷分散を実現するために,容易にアクセス可能な気象データを用いた新しい手法を提案する。
論文 参考訳（メタデータ） (2024-08-15T13:04:49Z) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。
グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。
本モデルは,発作検出と分類作業において高い精度を示す。
論文 参考訳（メタデータ） (2024-06-03T16:30:19Z) - Identification of Power System Oscillation Modes using Blind Source
Separation based on Copula Statistic [1.8741805956888702]
再生可能エネルギー資源が大量に浸透する電力システムのダイナミクスは、より非線形になってきている。
適切な予防的または矯正的制御行動を開始するために障害を受けるとき、振動の動的モードを正確に識別することが重要である。
モーダル解析においてこれらの非線形力学に対処するために,コプラ統計に基づく高次ブラインドソース同定(HOBI)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-07T17:38:05Z) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳（メタデータ） (2022-04-20T19:09:52Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳（メタデータ） (2021-12-08T13:07:21Z) - A Deep-Learning Intelligent System Incorporating Data Augmentation for
Short-Term Voltage Stability Assessment of Power Systems [9.299576471941753]
本稿では,電力系統のSTVSAにデータ拡張を取り入れた新しいディープラーニング知能システムを提案する。
半教師付きクラスタ学習を利用して、ラベル付きサンプルを元の小さなデータセットで取得する。
条件付き最小二乗生成逆数ネットワーク(LSGAN)ベースのデータ拡張を導入し、元のデータセットを拡張する。
論文 参考訳（メタデータ） (2021-12-05T11:40:54Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z) - Deep Anomaly Detection for Time-series Data in Industrial IoT: A
Communication-Efficient On-device Federated Learning Approach [40.992167455141946]
本稿では,IIoTにおける時系列データ検出のための,新しい通信効率の高いデバイス上でのフェデレーション学習(FL)に基づく深層異常検出フレームワークを提案する。
まず、分散エッジデバイスが協調して異常検出モデルを訓練し、その一般化能力を向上させるためのFLフレームワークを導入する。
次に,アテンションメカニズムに基づく畳み込みニューラルネットワーク-Long Short Term Memory (AMCNN-LSTM) モデルを提案し,異常を正確に検出する。
第三に,提案したフレームワークを産業異常検出のタイムラインに適用するために,トップテキスト選択に基づく勾配圧縮機構を提案する。
論文 参考訳（メタデータ） (2020-07-19T16:47:26Z)
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。