論文の概要: A PID-Controlled Non-Negative Tensor Factorization Model for Analyzing Missing Data in NILM

• arxiv url: http://arxiv.org/abs/2403.07012v2
• Date: Mon, 21 Oct 2024 14:53:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:11:43.791418
• Title: A PID-Controlled Non-Negative Tensor Factorization Model for Analyzing Missing Data in NILM
• Title（参考訳）: NILMにおける欠測データ解析のためのPID制御非負のテンソル因子化モデル
• Authors: DengYu Shi,
• Abstract要約: 非侵入負荷モニタリング(NILM)は、スマートグリッドとエネルギー管理において欠かせないツールとなっている。 線形および行列因数分解のような従来の計算法は非線形関係に苦慮し、スパースデータに敏感である。 本稿では, パラメータ勾配を動的に調整し, 収束性, 安定性, 正確性を向上する, テンソルモデル(PNLF)の非負潜在因数分解法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: With the growing demand for energy and increased environmental awareness, Non-Intrusive Load Monitoring (NILM) has become an essential tool in smart grid and energy management. By analyzing total power load data, NILM infers the energy usage of individual appliances without the need for separate sensors, enabling real-time monitoring from a few locations. This approach helps users understand consumption patterns, enhance energy efficiency, and detect anomalies for effective energy management. However, NILM datasets often suffer from issues such as sensor failures and data loss, compromising data integrity, thereby impacting subsequent analysis and applications. Traditional imputation methods, such as linear interpolation and matrix factorization, struggle with nonlinear relationships and are sensitive to sparse data, resulting in information loss. To address these challenges, this paper proposes a Proportional-Integral-Derivative (PID) Controlled Non-Negative Latent Factorization of Tensor (PNLF) model, which dynamically adjusts parameter gradients to improve convergence, stability, and accuracy. Experimental results show that the PNLF model significantly outperforms state-of-the-art tensor completion models in both accuracy and efficiency. By addressing data loss issues, this study enhances load disaggregation precision and optimizes energy management, providing reliable data support for smart grid applications and policy formulation.
• Abstract（参考訳）: エネルギー需要の増加と環境意識の向上により、非侵入負荷モニタリング(NILM)はスマートグリッドやエネルギー管理において欠かせないツールとなっている。 総電力負荷データを分析することで、NILMは個別の機器のエネルギー使用量を別個のセンサーなしで推定し、いくつかの場所からのリアルタイムモニタリングを可能にする。 このアプローチは、ユーザが消費パターンを理解し、エネルギー効率を高め、効率的なエネルギー管理のための異常を検出するのに役立つ。 しかし、NILMデータセットはセンサーの故障やデータ損失といった問題に悩まされ、データの完全性を損なうため、その後の分析やアプリケーションに影響を及ぼす。 線形補間や行列分解のような従来の計算手法は、非線形関係に苦慮し、スパースデータに敏感であり、情報損失をもたらす。 これらの課題に対処するために, パラメータ勾配を動的に調整し, 収束性, 安定性, 正確性を向上するPID制御非負遅延因子化法を提案する。 実験結果から,PNLFモデルは精度と効率の両面で,最先端のテンソル完成モデルよりも有意に優れていた。 データ損失問題に対処することにより、負荷分散精度を高め、エネルギー管理を最適化し、スマートグリッドアプリケーションに対する信頼性の高いデータサポートとポリシーの定式化を提供する。

関連論文リスト

• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• 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)
• Unveiling the Flaws: Exploring Imperfections in Synthetic Data and Mitigation Strategies for Large Language Models [89.88010750772413]
  大規模言語モデル(LLM)の学習における高品質なデータ不足問題に対する解決法として,合成データを提案する。 我々の研究は、Q-A(Q-A)ペア、一般的な合成データに関連するこれらの特定の欠陥を掘り下げ、これらの欠陥を軽減するための未学習技術に基づく方法を提案する。 我々の研究は、より堅牢で効率的なLLMトレーニングを促進することを目的として、合成データの効果的な利用に関する重要な洞察を得た。
  論文  参考訳（メタデータ） (2024-06-18T08:38:59Z)
• An Energy-Efficient Ensemble Approach for Mitigating Data Incompleteness in IoT Applications [0.0]
  同時にエネルギー効率を向上しながら、データの不完全性に対して堅牢なIoTベースの機械学習システムを構築することが重要である。 ENAMLEは、同時に欠落するデータの影響を緩和するための、能動的でエネルギーに配慮した技術である。 本研究では,ENAMLEのエネルギー効率を示す2つの異なるデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2024-03-15T15:01:48Z)
• 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)
• Refining the ONCE Benchmark with Hyperparameter Tuning [45.55545585587993]
  本研究は、ポイントクラウドデータに対する半教師付き学習アプローチの評価に焦点を当てる。 データアノテーションは、LiDARアプリケーションのコンテキストにおいて最も重要である。 従来の半教師付き手法による改善は,従来考えられていたほど深くない可能性が示唆された。
  論文  参考訳（メタデータ） (2023-11-10T13:39:07Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-04T04:18:01Z)
• Physics-Informed Neural Networks for Material Model Calibration from Full-Field Displacement Data [0.0]
  本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。 拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
  論文  参考訳（メタデータ） (2022-12-15T11:01:32Z)
• 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)

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。