論文の概要: Creating Temporally Correlated High-Resolution Power Injection Profiles
Using Physics-Aware GAN
- arxiv url: http://arxiv.org/abs/2311.12166v2
- Date: Wed, 22 Nov 2023 01:42:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 11:36:14.006334
- Title: Creating Temporally Correlated High-Resolution Power Injection Profiles
Using Physics-Aware GAN
- Title(参考訳): 物理対応GANを用いた時間相関高分解能注入プロファイルの作成
- Authors: Hritik Gopal Shah, Behrouz Azimian, Anamitra Pal
- Abstract要約: 我々は,高分解能出力に時間的一貫性を強制するGANモデルを構築した。
GANモデルのユニークな特徴は、遅い時間スケールの集約された電力情報のみに基づいて訓練されていることである。
その結果, モデルが時間的に時間的に相関した瞬時電力注入プロファイルを作成できることが示唆された。
- 参考スコア(独自算出の注目度): 0.2104687387907779
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional smart meter measurements lack the granularity needed for
real-time decision-making. To address this practical problem, we create a
generative adversarial networks (GAN) model that enforces temporal consistency
on its high-resolution outputs via hard inequality constraints using a convex
optimization layer. A unique feature of our GAN model is that it is trained
solely on slow timescale aggregated power information obtained from historical
smart meter data. The results demonstrate that the model can successfully
create minutely interval temporally-correlated instantaneous power injection
profiles from 15-minute average power consumption information. This innovative
approach, emphasizing inter-neuron constraints, offers a promising avenue for
improved high-speed state estimation in distribution systems and enhances the
applicability of data-driven solutions for monitoring such systems.
- Abstract(参考訳): 従来のスマートメーターは、リアルタイムな意思決定に必要な粒度を欠いている。
この現実的な問題に対処するため,凸最適化層を用いて高解像度出力に時間的一貫性を強制する生成逆ネットワーク(GAN)モデルを構築した。
GANモデルのユニークな特徴は、歴史的スマートメーターデータから得られる遅い時間スケール集約電力情報のみに基づいて訓練されていることである。
その結果,15分間の平均消費電力情報から時間的に相関した瞬時電力注入プロファイルを作成することができた。
この革新的なアプローチは、ニューロン間制約を強調し、分散システムにおける高速状態推定を改善するための有望な方法を提供し、そのようなシステムを監視するためのデータ駆動ソリューションの適用性を高める。
関連論文リスト
- Low-Frequency Load Identification using CNN-BiLSTM Attention Mechanism [0.0]
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。
論文 参考訳(メタデータ) (2023-11-14T21:02:27Z) - A Generic Approach to Integrating Time into Spatial-Temporal Forecasting
via Conditional Neural Fields [1.7661845949769062]
本稿では,時間成分を予測モデルに統合する一般的な手法を提案する。
主要なアイデアは、時間成分から抽出された補助的特徴を表現するために条件付きニューラルネットワークを使用することである。
道路交通とセルラーネットワーク交通データセットの実験は,提案手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-05-11T14:20:23Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z) - Deep Convolutional Architectures for Extrapolative Forecast in
Time-dependent Flow Problems [0.0]
深層学習技術は、対流に支配された問題に対するシステムの力学をモデル化するために用いられる。
これらのモデルは、PDEから得られた連続した時間ステップに対する高忠実度ベクトル解のシーケンスとして入力される。
ディープオートエンコーダネットワークのような非侵襲的な低次モデリング技術を用いて高忠実度スナップショットを圧縮する。
論文 参考訳(メタデータ) (2022-09-18T03:45:56Z) - STIP: A SpatioTemporal Information-Preserving and Perception-Augmented
Model for High-Resolution Video Prediction [78.129039340528]
本稿では、上記の2つの問題を解決するために、時空間情報保存・知覚拡張モデル(STIP)を提案する。
提案モデルは,特徴抽出と状態遷移中の映像の時間的情報を保存することを目的としている。
実験結果から,提案したSTIPは,様々な最先端手法と比較して,より良好な映像品質で映像を予測できることが示唆された。
論文 参考訳(メタデータ) (2022-06-09T09:49:04Z) - Short-Term Load Forecasting Using Time Pooling Deep Recurrent Neural
Network [0.0]
再生可能エネルギー源と電気自動車などの新興負荷をスマートグリッドに統合することは、配電系統管理に不確実性をもたらす。デマンドサイドマネジメント(DSM)は、不確実性を低減するためのアプローチの一つである。
Nonintrusive Load Monitoring (NILM) のようなアプリケーションは DSM をサポートすることができるが、高解像度データの正確な予測は必要である。
高いボラティリティのため、一戸建て住宅のような単一負荷の場合、これは難しい。
論文 参考訳(メタデータ) (2021-09-26T05:20:48Z) - Federated Learning with Correlated Data: Taming the Tail for Age-Optimal
Industrial IoT [55.62157530259969]
本稿では,ピークAoI要求に基づくセンサの送信電力最小化と待ち時間に対する確率的制約について検討する。
本稿では,センサのトレーニングデータ間の相関を考慮した局所モデル選択手法を提案する。
数値計算の結果,送信電力,ピークAoI,遅延尾部分布のトレードオフが示された。
論文 参考訳(メタデータ) (2021-08-17T08:38:31Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳(メタデータ) (2021-08-09T08:45:47Z) - 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) - An Image Enhancing Pattern-based Sparsity for Real-time Inference on
Mobile Devices [58.62801151916888]
パターンと接続性を組み合わせた新しい空間空間,すなわちパターンベースの空間空間を導入し,高度に正確かつハードウェアに親しみやすいものにした。
新たなパターンベースの空間性に対する我々のアプローチは,モバイルプラットフォーム上での高効率DNN実行のためのコンパイラ最適化に自然に適合する。
論文 参考訳(メタデータ) (2020-01-20T16:17:36Z)
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。