論文の概要: A Scoping Review of Energy Load Disaggregation

• arxiv url: http://arxiv.org/abs/2402.01654v1
• Date: Wed, 10 Jan 2024 09:59:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-11 17:18:06.666234
• Title: A Scoping Review of Energy Load Disaggregation
• Title（参考訳）: エネルギー負荷分散のスコーピングレビュー
• Authors: Bal\'azs Andr\'as Tolnai and Zheng Ma and Bo N{\o}rregaard J{\o}rgensen
• Abstract要約: エネルギー負荷の分散は、需要側管理の有効性を高めることで電力グリッドのバランスに寄与する。 現在、この分野は包括的概要を欠いている。 国内電力消費が最も研究されている地域であり、産業負荷の分散など他の地域もほとんど議論されていない。
• 参考スコア（独自算出の注目度）: 1.6783315930924723
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Energy load disaggregation can contribute to balancing power grids by enhancing the effectiveness of demand-side management and promoting electricity-saving behavior through increased consumer awareness. However, the field currently lacks a comprehensive overview. To address this gap, this paper con-ducts a scoping review of load disaggregation domains, data types, and methods, by assessing 72 full-text journal articles. The findings reveal that domestic electricity consumption is the most researched area, while others, such as industrial load disaggregation, are rarely discussed. The majority of research uses relatively low-frequency data, sampled between 1 and 60 seconds. A wide variety of methods are used, and artificial neural networks are the most common, followed by optimization strategies, Hidden Markov Models, and Graph Signal Processing approaches.
• Abstract（参考訳）: エネルギー負荷分散は需要サイドマネジメントの有効性を高め、消費者の意識を高めることによって省エネ行動を促進することで電力グリッドのバランスに寄与することができる。 しかし、現在この分野は包括的概要を欠いている。 このギャップに対処するため,本論文では,72のフルテキスト・ジャーナル記事を評価し,負荷分散ドメイン,データ型,手法について概説する。 その結果, 国内電力消費が最も研究されている地域であり, 産業負荷の分散化など他の地域もほとんど議論されていないことがわかった。 研究の大半は、1秒から60秒の比較的低周波のデータを使っている。 様々な手法が用いられ、ニューラルネットワークが最も一般的であり、最適化戦略、隠れマルコフモデル、グラフ信号処理アプローチが続く。

関連論文リスト

• Occupancy Detection Based on Electricity Consumption [0.0]
  本稿では、低周波電力消費データから住宅が空き時間帯を抽出する新しい手法を提案する。 これは、シミュレーションおよび実消費曲線の両方において、励まされる結果を示す。
  論文  参考訳（メタデータ） (2023-12-13T21:49:09Z)
• Exploring the Privacy-Energy Consumption Tradeoff for Split Federated Learning [51.02352381270177]
  Split Federated Learning (SFL)は、最近、有望な分散学習技術として登場した。 SFLにおけるカット層の選択は、クライアントのエネルギー消費とプライバシに大きな影響を与える可能性がある。 本稿では、SFLプロセスの概要を概観し、エネルギー消費とプライバシを徹底的に分析する。
  論文  参考訳（メタデータ） (2023-11-15T23:23:42Z)
• Endogenous Macrodynamics in Algorithmic Recourse [52.87956177581998]
  対実説明(CE)とアルゴリズム・リコース(AR)に関する既存の研究は、静的環境における個人に主に焦点を当ててきた。 既存の方法論の多くは、一般化されたフレームワークによってまとめて記述できることを示す。 次に、既存のフレームワークは、グループレベルでの言論の内在的ダイナミクスを研究する際にのみ明らかとなるような、隠された対外的関係のコストを考慮に入れていないと論じる。
  論文  参考訳（メタデータ） (2023-08-16T07:36:58Z)
• Non-Intrusive Load Monitoring (NILM) using Deep Neural Networks: A Review [0.0]
  非侵入負荷監視(Non-Inrusive Load Monitoring, NILM)は、総エネルギー消費プロファイルを個々の機器負荷プロファイルに分解する手法である。 機械学習やディープラーニングを含む様々な手法がNILMアルゴリズムの実装と改善に用いられてきた。 本稿では, 深層学習に基づく最近のNILM手法を概観し, 住宅負荷の最も正確な方法を紹介する。
  論文  参考訳（メタデータ） (2023-06-08T08:11:21Z)
• Towards Sequence Utility Maximization under Utility Occupancy Measure [53.234101208024335]
  データベースでは、ユーティリティは各パターンに対して柔軟な基準であるが、ユーティリティ共有を無視するため、より絶対的な基準である。 まず、まず、シーケンスデータに対するユーティリティの占有を定義し、高ユーティリティ・アクシデント・パターンマイニングの問題を提起する。 SuMU(Sequence Utility Maximization with Utility cccupancy measure)と呼ばれるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-20T17:28:53Z)
• Machine learning applications for electricity market agent-based models: A systematic literature review [68.8204255655161]
  エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。 エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。 我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
  論文  参考訳（メタデータ） (2022-06-05T14:52:26Z)
• Machine learning methods for modelling and analysis of time series signals in geoinformatics [2.193013035690221]
  この論文は、異なる性質の時系列データセットと異なるアプリケーションに対して、複数のディープラーニング(DL)アーキテクチャの性能を評価する。 最初の問題は、多くのリアルタイム・グローバルナビゲーション・システム・サテライト(GNSS)アプリケーションにおいて重要な問題である電離層トータル・コンテント(TEC)モデリングに関連している。 次の問題はエネルギー分散であり、エネルギー効率とエネルギー消費意識にとって重要な問題である。
  論文  参考訳（メタデータ） (2021-09-16T16:18:13Z)
• 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)
• A Comprehensive Review on the NILM Algorithms for Energy Disaggregation [0.0]
  非侵入負荷モニタリング(NILM)またはエネルギー分散は、集合レベルで測定された家庭用エネルギーを構成機器に分離することを目的としている。 本稿では、効果的なNILMシステムフレームワークの調査を行い、ベンチマークアルゴリズムのパフォーマンスをレビューする。
  論文  参考訳（メタデータ） (2021-02-20T23:53:57Z)
• Activity Detection And Modeling Using Smart Meter Data: Concept And Case Studies [6.7336801526732755]
  本稿では, より効果的に活動の分離を行う手法を提案する。 住宅負荷データと特徴量に基づくアクティビティ検出に機械学習を活用するフレームワークを開発する。 本研究では, 数値ケーススタディを通じて, 活動検出手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-10-26T02:36:35Z)
• Weight-Sharing Neural Architecture Search: A Battle to Shrink the Optimization Gap [90.93522795555724]
  ニューラルアーキテクチャサーチ(NAS)は、学術と産業の両方で注目を集めている。 重み共有手法は、多くのアーキテクチャが同一のスーパーネットワークで重みを共有している。 本稿では,NAS,特に重み付け手法に関する文献レビューを行う。
  論文  参考訳（メタデータ） (2020-08-04T11:57:03Z)

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。