論文の概要: DeviceScope: An Interactive App to Detect and Localize Appliance Patterns in Electricity Consumption Time Series
- arxiv url: http://arxiv.org/abs/2506.05912v1
- Date: Fri, 06 Jun 2025 09:32:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-09 17:28:43.403944
- Title: DeviceScope: An Interactive App to Detect and Localize Appliance Patterns in Electricity Consumption Time Series
- Title（参考訳）: DeviceScope: 電力消費時系列におけるアプライアンスパターンの検出とローカライズを行うインタラクティブアプリ
- Authors: Adrien Petralia, Paul Boniol, Philippe Charpentier, Themis Palpanas,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.862097756793574
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, electricity suppliers have installed millions of smart meters worldwide to improve the management of the smart grid system. These meters collect a large amount of electrical consumption data to produce valuable information to help consumers reduce their electricity footprint. However, having non-expert users (e.g., consumers or sales advisors) understand these data and derive usage patterns for different appliances has become a significant challenge for electricity suppliers because these data record the aggregated behavior of all appliances. At the same time, ground-truth labels (which could train appliance detection and localization models) are expensive to collect and extremely scarce in practice. This paper introduces DeviceScope, an interactive tool designed to facilitate understanding smart meter data by detecting and localizing individual appliance patterns within a given time period. Our system is based on CamAL (Class Activation Map-based Appliance Localization), a novel weakly supervised approach for appliance localization that only requires the knowledge of the existence of an appliance in a household to be trained. This paper appeared in ICDE 2025.
- Abstract（参考訳）: 近年、電力供給業者は、スマートグリッドシステムの管理を改善するために、世界中で何百万ものスマートメーターを設置している。
これらのメーターは大量の電気消費データを収集し、消費者が電気のフットプリントを減らすのに役立つ貴重な情報を生成する。
しかし,非熟練ユーザ(コンシューマやセールスアドバイザなど)にこれらのデータを理解して,異なるアプライアンスの利用パターンを導出させることは,すべてのアプライアンスの集合行動を記録することから,電気サプライヤにとって大きな課題となっている。
同時に、グラウンドトルースラベル(アプライアンス検出とローカライゼーションモデルをトレーニングできる)は、収集コストが高く、実際には非常に少ない。
本稿では,特定の時間内に個別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で,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DeviceScopeを紹介する。
本システムは,家庭における家電の存在を知ることのみを必要とする,家電のローカライゼーションを弱く管理する新しいアプローチであるCamAL(Class Activation Map-based Appliance Localization)をベースとしている。
この論文はICDE 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) - 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) - From Dense to Sparse: Event Response for Enhanced Residential Load Forecasting [48.22398304557558]
住宅負荷予測のためのイベント応答型知識ガイド手法(ERKG)を提案する。
ERKGは、異なる家電の電力使用状況の推定、負荷系列からのイベント関連スパース知識のマイニングを取り入れている。
論文 参考訳（メタデータ） (2025-01-06T05:53:38Z) - ADF & TransApp: A Transformer-Based Framework for Appliance Detection
Using Smart Meter Consumption Series [10.66594181476182]
世界中の電力供給業者が何百万ものスマートメーターを設置し、大量の電力消費データを収集している。
これらのサプライヤーが直面する重要な課題の1つは、異なるアプライアンスの存在/存在を検出するためにこのデータを利用する方法である。
本稿では,アプライアンスの存在/存在を検出するために,クライアント消費系列のサブシーケンスを利用するフレームワークであるAFFを提案する。
論文 参考訳（メタデータ） (2023-12-17T20:25:01Z) - Appliance Detection Using Very Low-Frequency Smart Meter Time Series [17.04452539839282]
近年、スマートグリッドシステムの管理を改善するため、電力供給業者によってスマートメーターが広く採用されている。
これらのメーターは通常、非常に低い周波数(すべての30分)でエネルギー消費データを収集し、ユーティリティーがより正確に顧客に請求することを可能にする。
よりパーソナライズされたレコメンデーションを提供するために、次のステップは、顧客が所有するアプライアンスを検出することです。
本稿では,超低周波スマートメータにおける多種多様な家電の有無の検出に応用した,最先端の時系列分類器の詳細な評価と比較について述べる。
論文 参考訳（メタデータ） (2023-05-10T10:26:43Z) - 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) - 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) - Energy Drain of the Object Detection Processing Pipeline for Mobile
Devices: Analysis and Implications [77.00418462388525]
本稿では、移動体拡張現実(AR)クライアントのエネルギー消費と、畳み込みニューラルネットワーク(CNN)に基づく物体検出を行う際の検出遅延について、初めて詳細な実験を行った。
我々は,移動体ARクライアントのエネルギー分析を精査し,CNNによる物体検出を行う際のエネルギー消費に関するいくつかの興味深い視点を明らかにした。
論文 参考訳（メタデータ） (2020-11-26T00:32:07Z) - Energy Disaggregation with Semi-supervised Sparse Coding [0.0]
エネルギー分解研究は、集約されたエネルギー消費データを部品機器に分解することを目的としている。
本稿では,エネルギー保全のための大規模家庭用電力利用データセットを用いて,スパース符号化に基づく差別的分散モデルの評価を行った。
論文 参考訳（メタデータ） (2020-04-20T21:05:25Z)
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。