論文の概要: Few Labels are all you need: A Weakly Supervised Framework for Appliance Localization in Smart-Meter Series
- arxiv url: http://arxiv.org/abs/2506.05895v1
- Date: Fri, 06 Jun 2025 09:08:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-09 17:28:43.395488
- Title: Few Labels are all you need: A Weakly Supervised Framework for Appliance Localization in Smart-Meter Series
- Title（参考訳）: スマートメータシリーズにおけるアプライアンスローカライゼーションのための弱い監視フレームワーク
- Authors: Adrien Petralia, Paul Boniol, Philippe Charpentier, Themis Palpanas,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.862097756793574
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Improving smart grid system management is crucial in the fight against climate change, and enabling consumers to play an active role in this effort is a significant challenge for electricity suppliers. In this regard, millions of smart meters have been deployed worldwide in the last decade, recording the main electricity power consumed in individual households. This data produces valuable information that can help them reduce their electricity footprint; nevertheless, the collected signal aggregates the consumption of the different appliances running simultaneously in the house, making it difficult to apprehend. Non-Intrusive Load Monitoring (NILM) refers to the challenge of estimating the power consumption, pattern, or on/off state activation of individual appliances using the main smart meter signal. Recent methods proposed to tackle this task are based on a fully supervised deep-learning approach that requires both the aggregate signal and the ground truth of individual appliance power. However, such labels are expensive to collect and extremely scarce in practice, as they require conducting intrusive surveys in households to monitor each appliance. In this paper, we introduce CamAL, a weakly supervised approach for appliance pattern localization that only requires information on the presence of an appliance in a household to be trained. CamAL merges an ensemble of deep-learning classifiers combined with an explainable classification method to be able to localize appliance patterns. Our experimental evaluation, conducted on 4 real-world datasets, demonstrates that CamAL significantly outperforms existing weakly supervised baselines and that current SotA fully supervised NILM approaches require significantly more labels to reach CamAL performances. The source of our experiments is available at: https://github.com/adrienpetralia/CamAL. This paper appeared in ICDE 2025.
- Abstract（参考訳）: スマートグリッドシステムマネジメントの改善は、気候変動との戦いにおいて不可欠であり、この取り組みにおいて消費者が積極的な役割を果たすことを可能にすることは、電力供給者にとって大きな課題である。
この点では、過去10年間で何百万ものスマートメーターが世界中に展開され、各家庭で消費される主要な電力を記録している。
収集された信号は、家の中で同時に動くさまざまな家電の消費を集約するので、認識しづらい。
非侵入負荷モニタリング(Non-Intrusive Load Monitoring, NILM)は、メインのスマートメーター信号を用いて、個々の家電の消費電力、パターン、オン/オフ状態の活性化を推定する課題である。
この課題に対処するために近年提案されている手法は、個別のアプライアンスパワーの集合信号と基底真理の両方を必要とする完全教師付きディープラーニングアプローチに基づいている。
しかし、こうしたラベルの収集は高価であり、各家電の監視には家庭内で侵入調査を行う必要があるため、実際は極めて少ない。
本稿では,家庭における家電の存在に関する情報のみを必要とする,家電パターンのローカライズのための弱教師付きアプローチであるCamALを紹介する。
Camalは、ディープラーニングの分類器のアンサンブルと説明可能な分類方法を組み合わせることで、アプライアンスパターンのローカライズを可能にする。
実世界の4つのデータセットを用いて行った実験により、CamALは既存の弱教師付きベースラインを著しく上回り、現在のSotAの完全な教師付きNILMアプローチでは、CamALのパフォーマンスに到達するのにかなり多くのラベルが必要であることが示された。
実験のソースは、https://github.com/adrienpetralia/CamAL.comで公開されています。
この論文はICDE 2025に登場した。
関連論文リスト
- DeviceScope: An Interactive App to Detect and Localize Appliance Patterns in Electricity Consumption Time Series [10.862097756793574]
DeviceScopeは、個々のアプライアンスパターンを検出し、ローカライズすることによって、スマートメーターデータの理解を容易にするインタラクティブツールである。
本システムは,家電のローカライゼーションに弱い教師付きアプローチであるCamALをベースとしている。
論文 参考訳（メタデータ） (2025-06-06T09:32:38Z) - NILMFormer: Non-Intrusive Load Monitoring that Accounts for Non-Stationarity [8.687178298010972]
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。
論文 参考訳（メタデータ） (2025-06-06T08:46:58Z) - Edge-Optimized Deep Learning & Pattern Recognition Techniques for Non-Intrusive Load Monitoring of Energy Time Series [0.0]
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。
論文 参考訳（メタデータ） (2025-05-07T12:38:54Z) - Autonomous Point Cloud Segmentation for Power Lines Inspection in Smart
Grid [56.838297900091426]
高電圧と低電圧の両方の電力線の特徴を検出し,抽出し,解析するために,教師なし機械学習(ML)フレームワークを提案する。
提案フレームワークは電力線を効率よく検出し,PLCに基づくハザード解析を行う。
論文 参考訳（メタデータ） (2023-08-14T17:14:58Z) - Non-Intrusive Electric Load Monitoring Approach Based on Current Feature
Visualization for Smart Energy Management [51.89904044860731]
我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。
マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
論文 参考訳（メタデータ） (2023-08-08T04:52:19Z) - Learning Task-Aware Energy Disaggregation: a Federated Approach [1.52292571922932]
非侵入負荷監視(NILM)は、集約されたメーター測定に基づいて、個々のデバイスの消費電力プロファイルを見つけることを目的としている。
しかし、そのような住宅負荷データセットの収集には、膨大な努力と顧客による計測データの共有の承認が必要である。
NILMタスクのための分散型・タスク適応型学習手法を提案し,タスク固有のモデルを総合的に学習するためのネスト型メタ学習とフェデレーション型学習ステップを設計する。
論文 参考訳（メタデータ） (2022-04-14T05:53:41Z) - Dimensionality Expansion of Load Monitoring Time Series and Transfer
Learning for EMS [0.7133136338850781]
エネルギー管理システムは、アプライアンスを監視し管理するために(非)侵入負荷監視(N)ILMに依存している。
本稿では,時系列の次元展開と移動学習に基づくEMS構築における負荷監視手法を提案する。
論文 参考訳（メタデータ） (2022-04-06T13:13:24Z) - 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) - Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning
for Smart Grids [56.35173057183362]
家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。
目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。
マルコフゲームとしてスマートグリッド環境の定式化を提案する。
論文 参考訳（メタデータ） (2020-05-05T07:32:40Z) - 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。