論文の概要: ADF & TransApp: A Transformer-Based Framework for Appliance Detection
Using Smart Meter Consumption Series
- arxiv url: http://arxiv.org/abs/2401.05381v1
- Date: Sun, 17 Dec 2023 20:25:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 08:43:32.693357
- Title: ADF & TransApp: A Transformer-Based Framework for Appliance Detection
Using Smart Meter Consumption Series
- Title（参考訳）: ADF & TransApp: スマートメータ消費系列を用いたアプライアンス検出のためのトランスフォーマーベースのフレームワーク
- Authors: Adrien Petralia, Philippe Charpentier, Themis Palpanas
- Abstract要約: 世界中の電力供給業者が何百万ものスマートメーターを設置し、大量の電力消費データを収集している。
これらのサプライヤーが直面する重要な課題の1つは、異なるアプライアンスの存在/存在を検出するためにこのデータを利用する方法である。
本稿では,アプライアンスの存在/存在を検出するために,クライアント消費系列のサブシーケンスを利用するフレームワークであるAFFを提案する。
- 参考スコア（独自算出の注目度）: 10.66594181476182
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Over the past decade, millions of smart meters have been installed by
electricity suppliers worldwide, allowing them to collect a large amount of
electricity consumption data, albeit sampled at a low frequency (one point
every 30min). One of the important challenges these suppliers face is how to
utilize these data to detect the presence/absence of different appliances in
the customers' households. This valuable information can help them provide
personalized offers and recommendations to help customers towards the energy
transition. Appliance detection can be cast as a time series classification
problem. However, the large amount of data combined with the long and variable
length of the consumption series pose challenges when training a classifier. In
this paper, we propose ADF, a framework that uses subsequences of a client
consumption series to detect the presence/absence of appliances. We also
introduce TransApp, a Transformer-based time series classifier that is first
pretrained in a self-supervised way to enhance its performance on appliance
detection tasks. We test our approach on two real datasets, including a
publicly available one. The experimental results with two large real datasets
show that the proposed approach outperforms current solutions, including
state-of-the-art time series classifiers applied to appliance detection. This
paper appeared in VLDB 2024.
- Abstract（参考訳）: 過去10年間で、世界中の電力供給業者によって数百万のスマートメーターがインストールされ、低周波数(30分毎に1ポイント)でサンプリングされた大量の電力消費データを収集できるようになった。
これらのサプライヤーが直面する重要な課題の1つは、これらのデータを顧客家庭におけるさまざまな家電の有無を検出する方法である。
この貴重な情報は、顧客のエネルギー移行を支援するパーソナライズされたオファーやレコメンデーションを提供するのに役立つ。
時系列分類問題としてアプライアンス検出を行うことができる。
しかし、大量のデータと消費系列の長と可変長を組み合わせると、分類器を訓練する際の課題が生じる。
本稿では,アプライアンスの存在/存在を検出するためにクライアント消費系列のサブシーケンスを利用するフレームワークであるAFFを提案する。
また、Transformerベースの時系列分類器であるTransAppを導入し、まず自己教師付きで事前訓練を行い、アプライアンス検出タスクの性能を向上させる。
当社のアプローチは、公開データセットを含む2つの実際のデータセットでテストしています。
2つの大きな実データセットによる実験結果から,提案手法は,アプライアンス検出に適用した最先端の時系列分類器を含む,現在のソリューションよりも優れていることが示された。
この論文はVLDB 2024に登場した。
関連論文リスト
- EMGBench: Benchmarking Out-of-Distribution Generalization and Adaptation for Electromyography [3.5217105746525803]
本稿では,EMG分類アルゴリズムの分布外性能を評価するため,機械学習を用いた最初の一般化と適応ベンチマークを提案する。
ユーザの意図したジェスチャーをEMG信号で予測することにより、補助技術を制御するウェアラブルソリューションを作成することができる。
論文 参考訳（メタデータ） (2024-10-31T04:24:03Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - 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) - Appliance Detection Using Very Low-Frequency Smart Meter Time Series [17.04452539839282]
近年、スマートグリッドシステムの管理を改善するため、電力供給業者によってスマートメーターが広く採用されている。
これらのメーターは通常、非常に低い周波数(すべての30分)でエネルギー消費データを収集し、ユーティリティーがより正確に顧客に請求することを可能にする。
よりパーソナライズされたレコメンデーションを提供するために、次のステップは、顧客が所有するアプライアンスを検出することです。
本稿では,超低周波スマートメータにおける多種多様な家電の有無の検出に応用した,最先端の時系列分類器の詳細な評価と比較について述べる。
論文 参考訳（メタデータ） (2023-05-10T10:26:43Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - Towards Efficient Use of Multi-Scale Features in Transformer-Based
Object Detectors [49.83396285177385]
マルチスケール機能は、オブジェクト検出に非常に効果的であることが証明されているが、多くの場合、巨大な計算コストが伴う。
本稿では,Transformerベースのオブジェクト検出器において,マルチスケール機能を効率的に利用するための汎用パラダイムとして,Iterative Multi-scale Feature Aggregation (IMFA)を提案する。
論文 参考訳（メタデータ） (2022-08-24T08:09:25Z) - An Extendable, Efficient and Effective Transformer-based Object Detector [95.06044204961009]
我々は、視覚・検出変換器(ViDT)を統合し、効果的で効率的な物体検出装置を構築する。
ViDTは、最近のSwin Transformerをスタンドアロンのオブジェクト検出器に拡張するために、再構成されたアテンションモジュールを導入した。
オブジェクト検出とインスタンスセグメンテーションのための共同タスク学習をサポートするために、ViDT+に拡張する。
論文 参考訳（メタデータ） (2022-04-17T09:27:45Z) - 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) - Towards Data-Efficient Detection Transformers [77.43470797296906]
我々は、ほとんどの検出トランスフォーマーが、小さなデータセットで大きなパフォーマンス低下に悩まされていることを示す。
我々はデータ効率に影響を与える要因を、データ効率のRCNNから代表DETRへのステップバイステップ遷移によって実証的に分析する。
本稿では,よりリッチな監視とデータ効率向上を目的とした,シンプルながら効果的なラベル拡張手法を提案する。
論文 参考訳（メタデータ） (2022-03-17T17:56:34Z) - Efficient Two-Stage Detection of Human-Object Interactions with a Novel
Unary-Pairwise Transformer [41.44769642537572]
Unary-Pairwise Transformerは、HOIのユニタリおよびペアワイズ表現を利用する2段階の検出器である。
本手法はHICO-DETおよびV-COCOデータセット上で評価し,最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2021-12-03T10:52:06Z) - 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)
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。