論文の概要: Industrial Energy Disaggregation with Digital Twin-generated Dataset and Efficient Data Augmentation

• arxiv url: http://arxiv.org/abs/2506.20525v1
• Date: Wed, 25 Jun 2025 15:10:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.808549
• Title: Industrial Energy Disaggregation with Digital Twin-generated Dataset and Efficient Data Augmentation
• Title（参考訳）: ディジタル双極子生成データセットと効率的なデータ拡張による産業エネルギーの分散
• Authors: Christian Internò, Andrea Castellani, Sebastian Schmitt, Fabio Stella, Barbara Hammer,
• Abstract要約: 本稿では,Digital Twinシミュレーションを用いて生成したオープンソースデータセットであるSIDED(Synthetic Industrial Data for Energy Disaggregation)を紹介する。 本研究では, AMDAデータを用いたNILMモデルにより, 複合熱・電力系統などの複雑な産業機器のエネルギー消費の分散を著しく改善する実験を行った。
• 参考スコア（独自算出の注目度）: 5.500353011037563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial Non-Intrusive Load Monitoring (NILM) is limited by the scarcity of high-quality datasets and the complex variability of industrial energy consumption patterns. To address data scarcity and privacy issues, we introduce the Synthetic Industrial Dataset for Energy Disaggregation (SIDED), an open-source dataset generated using Digital Twin simulations. SIDED includes three types of industrial facilities across three different geographic locations, capturing diverse appliance behaviors, weather conditions, and load profiles. We also propose the Appliance-Modulated Data Augmentation (AMDA) method, a computationally efficient technique that enhances NILM model generalization by intelligently scaling appliance power contributions based on their relative impact. We show in experiments that NILM models trained with AMDA-augmented data significantly improve the disaggregation of energy consumption of complex industrial appliances like combined heat and power systems. Specifically, in our out-of-sample scenarios, models trained with AMDA achieved a Normalized Disaggregation Error of 0.093, outperforming models trained without data augmentation (0.451) and those trained with random data augmentation (0.290). Data distribution analyses confirm that AMDA effectively aligns training and test data distributions, enhancing model generalization.
• Abstract（参考訳）: 産業用非侵入負荷モニタリング(NILM)は、高品質なデータセットの不足と産業用エネルギー消費パターンの複雑な変動によって制限される。 データ不足とプライバシの問題に対処するために、Digital Twinシミュレーションを用いて生成されたオープンソースのデータセットであるSIDED(Synthetic Industrial Dataset for Energy Disaggregation)を導入する。 SIDEDは3つの異なる地理的な場所をまたいだ3種類の産業施設を含み、多様な家電の挙動、気象条件、負荷プロファイルを捉えている。 また,その相対的影響に基づいて家電電力の貢献をインテリジェントにスケーリングすることにより,NILMモデルの一般化を促進する計算効率の高い手法であるアプライアンス変調データ拡張(AMDA)手法を提案する。 本研究では, AMDAデータを用いたNILMモデルにより, 複合熱・電力系統などの複雑な産業機器のエネルギー消費の分散を著しく改善する実験を行った。 具体的には、AMDAでトレーニングされたモデルでは、0.093の正規化分解誤差、データ拡張なしでトレーニングされたモデル(0.451)、ランダムデータ拡張でトレーニングされたモデル(0.290)を達成しました。 データ分散分析は、AMDAがトレーニングおよびテストデータ分散を効果的に整合させ、モデル一般化を強化することを確認する。

関連論文リスト

• Sustainable Diffusion-based Incentive Mechanism for Generative AI-driven Digital Twins in Industrial Cyber-Physical Systems [65.22300383287904]
  産業用サイバー物理システム(ICPS)は、現代の製造業と産業にとって不可欠なコンポーネントである。 製品ライフサイクルを通じてデータをデジタル化することにより、ICPSのDigital Twins(DT)は、現在の産業インフラからインテリジェントで適応的なインフラへの移行を可能にします。 GenAIはDTの構築と更新を推進し、予測精度を改善し、多様なスマート製造に備える。
  論文  参考訳（メタデータ） (2024-08-02T10:47:10Z)
• Enhancing Indoor Temperature Forecasting through Synthetic Data in Low-Data Environments [42.8983261737774]
  合成データ生成のためのSoTA AI を用いたデータ拡張手法の有効性について検討する。 そこで本研究では,実データと合成データの融合戦略を探求し,予測モデルの改善を図る。
  論文  参考訳（メタデータ） (2024-06-07T12:36:31Z)
• 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)
• Deep Generative Modeling-based Data Augmentation with Demonstration using the BFBT Benchmark Void Fraction Datasets [3.341975883864341]
  本稿では、画像データ生成に広く用いられている深部生成モデル(DGM)の科学的データ拡張への応用について検討する。 トレーニングが完了すると、DGMはトレーニングデータに類似した合成データを生成し、データセットのサイズを大幅に拡大するために使用することができる。
  論文  参考訳（メタデータ） (2023-08-19T22:19:41Z)
• Smart Home Energy Management: VAE-GAN synthetic dataset generator and Q-learning [15.995891934245334]
  本稿では,スマートホームにおけるエネルギー消費に関する時系列データを生成するための,変分自動エンコーダ生成対向ネットワーク(VAE-GAN)手法を提案する。 実世界のスマートホームデータを用いて,Qラーニングに基づくHEMSのオンラインパフォーマンスを検証した。
  論文  参考訳（メタデータ） (2023-05-14T22:22:16Z)
• Scalable Modular Synthetic Data Generation for Advancing Aerial Autonomy [2.9005223064604078]
  本稿では,自律飛行に適したスケーラブルなAerial Synthetic Data Augmentation (ASDA) フレームワークを提案する。 ASDAは、シーンとデータ拡張を自動的に実行する2つのスクリプト可能なパイプラインを備えた中央データ収集エンジンを拡張している。 多様なデータセットを自動生成する手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-11-10T04:37:41Z)
• Augmentation-Aware Self-Supervision for Data-Efficient GAN Training [68.81471633374393]
  識別器が過度に適合する傾向があるため、限られたデータでGANを訓練することは困難である。 本稿では,拡張データの拡張パラメータを予測する,拡張型自己教師型識別器を提案する。 本稿では,クラス条件の BigGAN と非条件の StyleGAN2 アーキテクチャを用いた State-of-the-art (SOTA) 手法と比較する。
  論文  参考訳（メタデータ） (2022-05-31T10:35:55Z)
• Deep Reinforcement Learning Assisted Federated Learning Algorithm for Data Management of IIoT [82.33080550378068]
  産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。 IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。 本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
  論文  参考訳（メタデータ） (2022-02-03T07:12:36Z)
• Negative Data Augmentation [127.28042046152954]
  負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。 我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。 実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
  論文  参考訳（メタデータ） (2021-02-09T20:28:35Z)

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。