論文の概要: Variational Autoencoder-Based Approach to Latent Feature Analysis on Efficient Representation of Power Load Monitoring Data
- arxiv url: http://arxiv.org/abs/2506.08698v1
- Date: Tue, 10 Jun 2025 11:26:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-11 15:11:42.364617
- Title: Variational Autoencoder-Based Approach to Latent Feature Analysis on Efficient Representation of Power Load Monitoring Data
- Title（参考訳）: 変分オートエンコーダを用いた電力負荷モニタリングデータの効率的な表現法
- Authors: Boyu Xie, Tangtang Xie,
- Abstract要約: 本稿では,データ不足を効率的に表現し,補完するために,変分オートエンコーダ(VAE)に基づく潜在的特徴付けモデルVAE-LFを提案する。
VAE-LFは、潜在デコーダ構造を用いてデータの低次元潜在表現を学習する。
UK-DALEデータセットの実験では、VAE-LFは他のベンチマークモデルよりも5%と10%の範囲のテストケースで優れていた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the development of smart grids, High-Dimensional and Incomplete (HDI) Power Load Monitoring (PLM) data challenges the performance of Power Load Forecasting (PLF) models. In this paper, we propose a potential characterization model VAE-LF based on Variational Autoencoder (VAE) for efficiently representing and complementing PLM missing data. VAE-LF learns a low-dimensional latent representation of the data using an Encoder-Decoder structure by splitting the HDI PLM data into vectors and feeding them sequentially into the VAE-LF model, and generates the complementary data. Experiments on the UK-DALE dataset show that VAE-LF outperforms other benchmark models in both 5% and 10% sparsity test cases, with significantly lower RMSE and MAE, and especially outperforms on low sparsity ratio data. The method provides an efficient data-completion solution for electric load management in smart grids.
- Abstract（参考訳）: スマートグリッドの開発により、高次元および不完全(HDI)電力負荷モニタリング(PLM)データは、電力負荷予測(PLF)モデルの性能に挑戦する。
本稿では,変分オートエンコーダ(VAE)に基づく潜在的評価モデル VAE-LF を提案する。
VAE-LFは、HDI PLMデータをベクトルに分割してVAE-LFモデルに順次供給することにより、エンコーダ-デコーダ構造を用いてデータの低次元潜在表現を学習し、補完データを生成する。
UK-DALEデータセットでの実験では、VAE-LFは他のベンチマークモデルよりも5%と10%、RMSEとMAEは著しく低く、特に低空間比のデータよりも優れていた。
スマートグリッドにおける電力負荷管理のための効率的なデータ補完ソリューションを提供する。
関連論文リスト
- Data Enrichment Opportunities for Distribution Grid Cable Networks using Variational Autoencoders [0.0]
電力配電ケーブルネットワークは不完全で不均衡なデータに悩まされている。
本研究では,データエンリッチメント,合成データ生成,不均衡データハンドリング,外乱検出のための変分オートエンコーダ(VAE)の適用について検討する。
論文 参考訳（メタデータ） (2025-01-19T02:18:57Z) - Auto-GDA: Automatic Domain Adaptation for Efficient Grounding Verification in Retrieval-Augmented Generation [13.120801609024147]
検索強化生成(RAG)は,大規模言語モデル(LLM)出力の事実性を高めることが示されている。
RAG入力は、NLIモデルのトレーニングに使用されるほとんどのデータセットよりも複雑である。
教師なし領域適応を実現するために自動生成適応(Auto-GDA)を導入する。
論文 参考訳（メタデータ） (2024-10-04T14:21:27Z) - A PID-Controlled Non-Negative Tensor Factorization Model for Analyzing Missing Data in NILM [0.0]
非侵入負荷モニタリング(NILM)は、スマートグリッドとエネルギー管理において欠かせないツールとなっている。
線形および行列因数分解のような従来の計算法は非線形関係に苦慮し、スパースデータに敏感である。
本稿では, パラメータ勾配を動的に調整し, 収束性, 安定性, 正確性を向上する, テンソルモデル(PNLF)の非負潜在因数分解法を提案する。
論文 参考訳（メタデータ） (2024-03-09T10:01:49Z) - Curated LLM: Synergy of LLMs and Data Curation for tabular augmentation in low-data regimes [57.62036621319563]
本稿では,Large Language Models (LLMs) の知識を低データ構造におけるデータ拡張に活用したCLLMを紹介する。
従来のジェネレータと比較して,低データ方式におけるCLLMの優れた性能を示す。
論文 参考訳（メタデータ） (2023-12-19T12:34:46Z) - From Quantity to Quality: Boosting LLM Performance with Self-Guided Data Selection for Instruction Tuning [52.257422715393574]
本稿では,Large Language Models (LLMs) の自己誘導手法を導入し,オープンソースデータセットからサクラサンプルを自動識別し,選択する。
我々の重要な革新である命令追従困難度(IFD)メトリックは、モデルが期待する応答と本質的な生成能力の相違を識別するための重要な指標として現れます。
論文 参考訳（メタデータ） (2023-08-23T09:45:29Z) - Targeted Analysis of High-Risk States Using an Oriented Variational
Autoencoder [3.494548275937873]
可変オートエンコーダ(VAE)ニューラルネットワークは、電力系統状態を生成するために訓練することができる。
VAEの潜在空間符号の座標は、データの概念的特徴と相関することが示されている。
本稿では、遅延空間コードと生成されたデータとのリンクを制限するために、指向性変動オートエンコーダ(OVAE)を提案する。
論文 参考訳（メタデータ） (2023-03-20T19:34:21Z)
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。