論文の概要: Edge-Optimized Deep Learning & Pattern Recognition Techniques for Non-Intrusive Load Monitoring of Energy Time Series

• arxiv url: http://arxiv.org/abs/2505.06289v1
• Date: Wed, 07 May 2025 12:38:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.749069
• Title: Edge-Optimized Deep Learning & Pattern Recognition Techniques for Non-Intrusive Load Monitoring of Energy Time Series
• Title（参考訳）: エネルギー時系列の非侵入負荷モニタリングのためのエッジ最適化深層学習・パターン認識技術
• Authors: Sotirios Athanasoulias,
• Abstract要約: 非侵入負荷モニタリング(NILM)は、家電レベルのデータに家庭のエネルギー使用量を分散することで、有望なソリューションを提供する。 現在のデータセットは、主に米国や英国のような地域を表しており、地中海のような地域は、あまり表現されていない。 この論文は、これらの問題に重要な貢献で取り組みます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing global energy demand and the urgent need for sustainability call for innovative ways to boost energy efficiency. While advanced energy-saving systems exist, they often fall short without user engagement. Providing feedback on energy consumption behavior is key to promoting sustainable practices. Non-Intrusive Load Monitoring (NILM) offers a promising solution by disaggregating total household energy usage, recorded by a central smart meter, into appliance-level data. This empowers users to optimize consumption. Advances in AI, IoT, and smart meter adoption have further enhanced NILM's potential. Despite this promise, real-world NILM deployment faces major challenges. First, existing datasets mainly represent regions like the USA and UK, leaving places like the Mediterranean underrepresented. This limits understanding of regional consumption patterns, such as heavy use of air conditioners and electric water heaters. Second, deep learning models used in NILM require high computational power, often relying on cloud services. This increases costs, raises privacy concerns, and limits scalability, especially for households with poor connectivity. This thesis tackles these issues with key contributions. It presents an interoperable data collection framework and introduces the Plegma Dataset, focused on underrepresented Mediterranean energy patterns. It also explores advanced deep neural networks and model compression techniques for efficient edge deployment. By bridging theoretical advances with practical needs, this work aims to make NILM scalable, efficient, and adaptable for global energy sustainability.
• Abstract（参考訳）: 世界のエネルギー需要の増加とサステナビリティの急激な需要は、エネルギー効率を高める革新的な方法を必要としている。 先進的な省エネシステムは存在するが、ユーザエンゲージメントなしでは不足することが多い。 エネルギー消費行動に対するフィードバックの提供は、持続可能なプラクティスを促進する鍵となる。 非侵入負荷モニタリング(NILM)は、中央のスマートメーターによって記録された全世帯エネルギー使用量をアプライアンスレベルのデータに分離することで、有望なソリューションを提供する。 これにより、ユーザーは消費を最適化できる。 AI、IoT、スマートメーターの採用の進歩は、NILMの可能性をさらに強化した。 この約束にもかかわらず、現実世界のNILMデプロイメントは大きな課題に直面している。 まず、既存のデータセットは米国や英国のような地域を主に表現し、地中海のような場所は表現が不足している。 このことは、空調機や電気給湯機などの地域消費パターンの理解を制限している。 第二に、NILMで使用されるディープラーニングモデルは高い計算能力を必要とし、クラウドサービスに依存していることが多い。 これによりコストが増加し、プライバシの懸念が高まり、スケーラビリティが制限される。 この論文は、これらの問題に重要な貢献で取り組みます。 相互運用可能なデータ収集フレームワークを提供し、未表現の地中海エネルギーパターンに焦点を当てたPlegma Datasetを導入している。 また、効率的なエッジデプロイメントのための高度なディープニューラルネットワークとモデル圧縮技術についても検討している。 この研究は、理論的な進歩を実用的ニーズでブリッジすることで、NILMをスケーラブルで効率よく、グローバルなエネルギー持続可能性に適応させることを目的としている。

関連論文リスト

• THOR: A Generic Energy Estimation Approach for On-Device Training [34.57867978862375]
  THORは、ディープニューラルネットワーク(DNN)トレーニングにおけるエネルギー消費推定のための一般的なアプローチである。 我々は、様々な現実世界のプラットフォームにまたがる様々なタイプのモデルで広範な実験を行う。 その結果,THORは平均絶対パーセンテージ誤差(MAPE)を最大30%削減した。
  論文  参考訳（メタデータ） (2025-01-27T03:29:02Z)
• Towards Greener LLMs: Bringing Energy-Efficiency to the Forefront of LLM Inference [6.68507515624183]
  大規模な言語モデルを提供するためのデータセンター拡張の最大の課題として、エネルギーの可用性が最前線に現れている。 入力,モデル,サービスレベルの合意によっては,LLM推論プロバイダがエネルギー効率を高めるために利用できるノブがいくつか存在することを示す。
  論文  参考訳（メタデータ） (2024-03-29T17:22:48Z)
• Green Edge AI: A Contemporary Survey [46.11332733210337]
  AIの変換力は、ディープニューラルネットワーク(DNN)の利用から導かれる。 ディープラーニング(DL)は、エンドユーザーデバイス(EUD)に近い無線エッジネットワークに移行しつつある。 その可能性にもかかわらず、エッジAIは大きな課題に直面している。主な原因は、無線エッジネットワークのリソース制限と、DLのリソース集約的な性質の分離である。
  論文  参考訳（メタデータ） (2023-12-01T04:04:37Z)
• Unveiling Energy Efficiency in Deep Learning: Measurement, Prediction, and Scoring across Edge Devices [8.140572894424208]
  我々はエネルギー測定、予測、効率評価を含む3倍の研究を行う。 まず、デバイス上での深層学習のエネルギー消費特性を明らかにするための、第1級の詳細な測定結果を示す。 第2に、カーネルレベルのエネルギーデータセットに基づいて、エッジデバイスのための最初のカーネルレベルのエネルギー予測器を設計、実装する。
  論文  参考訳（メタデータ） (2023-10-19T23:55:00Z)
• Intelligent edge-based recommender system for internet of energy applications [2.1874189959020423]
  本稿では,エッジアーキテクチャを用いたホームアシストプラットフォームへのエネルギー効率フレームワークの完全統合について述べる。 エンドユーザは、Home-Assistantユーザインターフェースを使用して、その消費パターンと環境データを視覚化することができる。 より注目すべきは、説明可能な省エネレコメンデーションが、モバイルアプリケーション経由で通知形式でエンドユーザに配信されることだ。
  論文  参考訳（メタデータ） (2021-11-25T23:28:14Z)
• Learning, Computing, and Trustworthiness in Intelligent IoT Environments: Performance-Energy Tradeoffs [62.91362897985057]
  Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。 本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
  論文  参考訳（メタデータ） (2021-10-04T19:41:42Z)
• 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)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。