論文の概要: NILMFormer: Non-Intrusive Load Monitoring that Accounts for Non-Stationarity
- arxiv url: http://arxiv.org/abs/2506.05880v1
- Date: Fri, 06 Jun 2025 08:46:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-09 17:28:43.389726
- Title: NILMFormer: Non-Intrusive Load Monitoring that Accounts for Non-Stationarity
- Title（参考訳）: NILMFormer:非定常性を考慮した非侵入的負荷モニタリング
- Authors: Adrien Petralia, Philippe Charpentier, Youssef Kadhi, Themis Palpanas,
- Abstract要約: 非侵入負荷モニタリングは、家庭の収集した総消費電力を分散して、個々の家電機器の消費電力を回収する問題である。
NILMの現在の最先端ソリューションは、ディープラーニング(DL)に基づいており、家庭全体の消費状況のサブシーケンスで動作する。
本稿では,新しいサブシーケンス定常化/非定常化方式を組み込んだトランスフォーマーアーキテクチャであるNILMFormerを紹介する。
- 参考スコア（独自算出の注目度）: 8.687178298010972
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Millions of smart meters have been deployed worldwide, collecting the total power consumed by individual households. Based on these data, electricity suppliers offer their clients energy monitoring solutions to provide feedback on the consumption of their individual appliances. Historically, such estimates have relied on statistical methods that use coarse-grained total monthly consumption and static customer data, such as appliance ownership. Non-Intrusive Load Monitoring (NILM) is the problem of disaggregating a household's collected total power consumption to retrieve the consumed power for individual appliances. Current state-of-the-art (SotA) solutions for NILM are based on deep-learning (DL) and operate on subsequences of an entire household consumption reading. However, the non-stationary nature of real-world smart meter data leads to a drift in the data distribution within each segmented window, which significantly affects model performance. This paper introduces NILMFormer, a Transformer-based architecture that incorporates a new subsequence stationarization/de-stationarization scheme to mitigate the distribution drift and that uses a novel positional encoding that relies only on the subsequence's timestamp information. Experiments with 4 real-world datasets show that NILMFormer significantly outperforms the SotA approaches. Our solution has been deployed as the backbone algorithm for EDF's (Electricit\'e De France) consumption monitoring service, delivering detailed insights to millions of customers about their individual appliances' power consumption. This paper appeared in KDD 2025.
- Abstract（参考訳）: 世界中の何百万ものスマートメーターが展開され、各世帯が消費する電力を収集している。
これらのデータに基づいて、電力供給業者は、それぞれの家電の消費に関するフィードバックを提供するために、クライアントのエネルギーモニタリングソリューションを提供する。
歴史的に、そのような見積もりは、大まかに詳細な月間消費と、アプライアンス所有のような静的な顧客データを利用する統計手法に依存してきた。
非侵入負荷モニタリング(Non-Intrusive Load Monitoring, NILM)は、家庭の収集した総消費電力を分散して、個々の家電機器の消費電力を回収する問題である。
NILMの現在の最先端(SotA)ソリューションは、ディープラーニング(DL)に基づいており、家庭内消費の読み出しのサブシーケンスで動作する。
しかし、実世界のスマートメーターデータの非定常的な性質は、セグメント化されたウィンドウ内のデータ分布のドリフトを招き、モデルの性能に大きな影響を及ぼす。
本稿では,トランスフォーマーをベースとしたアーキテクチャであるNILMFormerについて紹介する。このアーキテクチャは,分散ドリフトを緩和するために,サブシーケンスのタイムスタンプ情報のみに依存する新しい位置符号化方式である。
4つの実世界のデータセットによる実験では、NILMFormerがSotAアプローチを著しく上回っている。
当社のソリューションは,EDF(Electricit\'e de France)消費監視サービスのバックボーンアルゴリズムとしてデプロイされており,個々の家電の消費電力に関する詳細な洞察を数百万の顧客に提供しています。
この論文はKDD 2025に登場した。
関連論文リスト
- Few Labels are all you need: A Weakly Supervised Framework for Appliance Localization in Smart-Meter Series [10.862097756793574]
CamALはアプライアンス・パターンのローカライゼーションを弱く管理するアプローチであり、トレーニング対象の家庭におけるアプライアンスの存在に関する情報のみを必要とする。
実世界の4つのデータセットを用いて実施した実験により,CamALが既存の弱教師付きベースラインを著しく上回ることを示す。
論文 参考訳（メタデータ） (2025-06-06T09:08:34Z) - Preventing Non-intrusive Load Monitoring Privacy Invasion: A Precise Adversarial Attack Scheme for Networked Smart Meters [99.90150979732641]
本稿では,敵攻撃に基づく革新的な手法を提案する。
このスキームは、NILMモデルがアプライアンスレベルのプライバシに違反するのを効果的に防ぎ、ユーザの正確な請求計算を確実にする。
提案手法はトランスファービリティを示し,他の様々なNILMモデルに適用可能な1つのターゲットモデルから発生する摂動信号を生成する。
論文 参考訳（メタデータ） (2024-12-22T07:06:46Z) - Benchmarking Active Learning for NILM [2.896640219222859]
非侵入負荷モニタリング(NILM)は、家電固有の用途に家庭の電力消費を分散させることに焦点を当てている。
多くの高度なNILM法は、通常大量のラベル付きアプライアンスデータを必要とするニューラルネットワークに基づいている。
限られた住宅に家電モニターを選択的に設置するための能動的学習手法を提案する。
論文 参考訳（メタデータ） (2024-11-24T12:22:59Z) - 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) - 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) - 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) - Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring [81.06807079998117]
非侵入的機器負荷モニタリング(NIALM)のための自動機械学習(AutoML)を実現する新しい手法を提案する。
NIALMは、電子機器や家電のエネルギー消費を測定するためのスマートメーターに代わる費用対効果を提供する。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z) - 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) - Reinforcement Learning for Minimizing Age of Information in Real-time
Internet of Things Systems with Realistic Physical Dynamics [158.67956699843168]
本稿では,インターネット・オブ・モノ(IoT)デバイスにおける情報量(AoI)と総エネルギー消費の重み付けを最小化する問題について検討する。
サンプリングポリシを最適化するために,分散強化学習手法を提案する。
PM 2.5公害の実データを用いたシミュレーションでは、提案アルゴリズムがAoIの合計を最大17.8%および33.9%削減できることが示された。
論文 参考訳（メタデータ） (2021-04-04T03:17:26Z) - Energy Disaggregation using Variational Autoencoders [11.940343835617046]
非侵入負荷モニタリング(NILM)は、単一のセンサーを使用して建物の総電力消費量を測定する技術です。
最近の分散アルゴリズムは、NILMシステムの性能を大幅に改善した。
本稿では,変分オートエンコーダ(VAE)フレームワークに基づくエネルギー分散手法を提案する。
論文 参考訳（メタデータ） (2021-03-22T20:53:36Z) - 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。