論文の概要: Non-Intrusive Load Monitoring Based on Image Load Signatures and Continual Learning
- arxiv url: http://arxiv.org/abs/2506.06637v1
- Date: Sat, 07 Jun 2025 03:13:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-10 16:33:10.37359
- Title: Non-Intrusive Load Monitoring Based on Image Load Signatures and Continual Learning
- Title（参考訳）: 画像負荷信号と連続学習に基づく非侵入負荷モニタリング
- Authors: Olimjon Toirov, Wei Yu,
- Abstract要約: 非侵入負荷モニタリングは、回路内の各電気機器の動作状態とエネルギー消費を特定する。
本稿では,「画像負荷シグネチャ」と連続学習を統合した非侵入的負荷監視手法を提案する。
- 参考スコア（独自算出の注目度）: 7.051746741250935
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Non-Intrusive Load Monitoring (NILM) identifies the operating status and energy consumption of each electrical device in the circuit by analyzing the electrical signals at the bus, which is of great significance for smart power management. However, the complex and changeable load combinations and application environments lead to the challenges of poor feature robustness and insufficient model generalization of traditional NILM methods. To this end, this paper proposes a new non-intrusive load monitoring method that integrates "image load signature" and continual learning. This method converts multi-dimensional power signals such as current, voltage, and power factor into visual image load feature signatures, and combines deep convolutional neural networks to realize the identification and classification of multiple devices; at the same time, self-supervised pre-training is introduced to improve feature generalization, and continual online learning strategies are used to overcome model forgetting to adapt to the emergence of new loads. This paper conducts a large number of experiments on high-sampling rate load datasets, and compares a variety of existing methods and model variants. The results show that the proposed method has achieved significant improvements in recognition accuracy.
- Abstract（参考訳）: 非侵入負荷モニタリング(NILM)は、バスの電気信号を解析することにより、回路内の各電気機器の動作状況とエネルギー消費を識別する。
しかし、複雑で変更可能な負荷の組み合わせとアプリケーション環境は、特徴の堅牢性不足と従来のNILM手法のモデル一般化の難しさに繋がる。
そこで本研究では,「画像負荷シグネチャ」と連続学習を統合した非侵襲的負荷監視手法を提案する。
本発明は、電流、電圧、パワーファクタなどの多次元パワー信号を視覚画像負荷特徴信号に変換し、深部畳み込みニューラルネットワークを組み合わせて複数のデバイスの識別と分類を実現すると同時に、機能一般化を改善するために自己教師付き事前学習を導入し、新たな負荷の発生に対応するためにモデル忘れを克服するために連続的なオンライン学習戦略を用いる。
本稿では,高サンプリング速度負荷データセットについて多数の実験を行い,既存手法とモデル変種を比較した。
その結果,提案手法は認識精度を大幅に向上した。
関連論文リスト
- Present and Future Generalization of Synthetic Image Detectors [0.6144680854063939]
この研究は系統的な分析を行い、その洞察を用いて、堅牢な合成画像検出器の訓練のための実践的ガイドラインを開発する。
モデル一般化機能は、実際のデプロイメント条件を含む、さまざまな設定で評価される。
現在の手法は特定のシナリオにおいて優れているが、単一の検出器が普遍的な効果を達成できないことを示す。
論文 参考訳（メタデータ） (2024-09-21T12:46:17Z) - A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。
Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。
我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
論文 参考訳（メタデータ） (2022-10-27T13:24:08Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳（メタデータ） (2022-08-31T18:19:25Z) - Scalable Hybrid Classification-Regression Solution for High-Frequency
Nonintrusive Load Monitoring [0.0]
本稿では,高頻度での効率的なネット負荷モニタリング機能を実現するために,NILM(Multiclass Non Inrusive Load Monitoring)アプローチを提案する。
提案した機械学習ベースのソリューションは、より高速な時間スケールで動作しながら、正確なマルチクラス状態予測を提供する。
また,本手法では,負荷/オフ状態だけでなく,レグレッションによる個々の負荷動作電力レベルも予測できる,革新的なハイブリッド型分類回帰手法を提案する。
論文 参考訳（メタデータ） (2022-08-22T22:21:42Z) - Stabilizing Voltage in Power Distribution Networks via Multi-Agent
Reinforcement Learning with Transformer [128.19212716007794]
本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。
さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
論文 参考訳（メタデータ） (2022-06-08T07:48:42Z) - Multi-fidelity power flow solver [0.0]
提案モデルでは、直流近似を低忠実度データとしてトレーニングした第1のネットワークと、低忠実度と高忠実度の両方の電力フローデータでトレーニングした第2のネットワークで構成されている。
14-および118-busのテストケースで実験を行い、不均衡な並行性データと高-低忠実度サンプル比に対して、n-k$の電力流量予測精度に基づいて性能評価を行った。
論文 参考訳（メタデータ） (2022-05-26T13:43:26Z) - Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling
and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。
異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。
出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文 参考訳（メタデータ） (2022-03-29T21:18:47Z) - Closing the Loop: A Framework for Trustworthy Machine Learning in Power
Systems [0.0]
エネルギーセクターの深い脱炭には、再生可能エネルギー資源の大量侵入と膨大なグリッドアセット調整が必要である。
機械学習(ML)は、今後数十年で電力システムが変化していくにつれて、これらの課題を克服するのに役立つ。
物理シミュレーションデータから学習した信頼性の高いMLモデル構築に関わる5つの課題を概説する。
論文 参考訳（メタデータ） (2022-03-14T21:30:43Z) - Reinforcement Learning with Probabilistic Boolean Network Models of
Smart Grid Devices [0.3867363075280544]
複雑適応型自己組織化モデリング手法 Probabilistic Boolean Networks (PBN) の応用例を示す。
この研究は、PBNが標準的な強化学習サイクルと等価であることを示し、エージェント/モデルがその環境と相互作用し、報酬信号の形でフィードバックを受け取る。
論文 参考訳（メタデータ） (2021-02-02T04:13:30Z) - Limited-angle tomographic reconstruction of dense layered objects by
dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。
このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。
我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文 参考訳（メタデータ） (2020-07-21T11:48:22Z)
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。