論文の概要: Introducing AI-Driven IoT Energy Management Framework

• arxiv url: http://arxiv.org/abs/2512.00321v1
• Date: Sat, 29 Nov 2025 05:28:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.168225
• Title: Introducing AI-Driven IoT Energy Management Framework
• Title（参考訳）: AI駆動型IoTエネルギ管理フレームワークの紹介
• Authors: Shivani Mruthyunjaya, Anandi Dutta, Kazi Sifatul Islam,
• Abstract要約: IoTシステムの基盤を確立するための総合的なフレームワークの提案は、コンテキストによる意思決定に重点を置いている。 正確性と相互接続性を持ったIoTシステムのための構造化プロセスは、消費電力の削減とグリッド安定性のサポートをサポートする。 また、Power Consumption Time Seriesデータを用いて、フレームワークの直接的な応用を示す性能を評価した。
• 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: Power consumption has become a critical aspect of modern life due to the consistent reliance on technological advancements. Reducing power consumption or following power usage predictions can lead to lower monthly costs and improved electrical reliability. The proposal of a holistic framework to establish a foundation for IoT systems with a focus on contextual decision making, proactive adaptation, and scalable structure. A structured process for IoT systems with accuracy and interconnected development would support reducing power consumption and support grid stability. This study presents the feasibility of this proposal through the application of each aspect of the framework. This system would have long term forecasting, short term forecasting, anomaly detection, and consideration of qualitative data with any energy management decisions taken. Performance was evaluated on Power Consumption Time Series data to display the direct application of the framework.
• Abstract（参考訳）: 電力消費は、技術進歩への一貫した依存のため、現代生活における重要な側面となっている。 消費電力の削減や電力使用量の予測は、月々のコスト削減と電気信頼性の向上につながる可能性がある。 IoTシステムの基盤を確立するための全体論的なフレームワークの提案は、コンテキストによる意思決定、積極的な適応、スケーラブルな構造に重点を置いている。 正確性と相互接続性を持ったIoTシステムのための構造化プロセスは、消費電力の削減とグリッド安定性のサポートをサポートする。 本研究は,フレームワークの各側面を応用することにより,本提案の実現可能性を示す。 このシステムは、長期予測、短期予測、異常検出、およびエネルギー管理上の決定を下した定性的データの考慮を含む。 また、Power Consumption Time Seriesデータを用いて、フレームワークの直接的な応用を示す性能を評価した。

関連論文リスト

• Improving AI Efficiency in Data Centres by Power Dynamic Response [74.12165648170894]
  近年、人工知能(AI)の着実に成長が加速し、洗練されたモデルの開発が進められている。 AIの潜在能力を最大限に活用するためには、堅牢で信頼性の高い電力インフラの確保が不可欠だ。 しかし、AIデータセンターは電力に非常に飢えており、彼らの電力管理の問題が注目されている。
  論文  参考訳（メタデータ） (2025-10-13T08:08:21Z)
• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• Energy-Aware Dynamic Neural Inference [39.04688735618206]
  エネルギーハーベスターと有限容量エネルギーストレージを備えたオンデバイス適応型推論システムを提案する。 環境エネルギーの速度が増加するにつれて、エネルギー・信頼性を考慮した制御方式は精度を約5%向上させることが示されている。 我々は、信頼性を意識し、認識できないコントローラを理論的に保証する原則的なポリシーを導出する。
  論文  参考訳（メタデータ） (2024-11-04T16:51:22Z)
• An IoT Framework for Building Energy Optimization Using Machine Learning-based MPC [0.0]
  本研究では,モノのインターネット(IoT)フレームワークを用いてエアハンドリングユニット(AHU)システムを制御するための,機械学習に基づくモデル予測制御(MPC)アプローチを提案する。 提案フレームワークは,ニューラルネットワーク(ANN)を用いて動的線形熱モデルパラメータをリアルタイムに構築する手法である。
  論文  参考訳（メタデータ） (2024-08-23T14:38:18Z)
• A Stochastic Online Forecast-and-Optimize Framework for Real-Time Energy Dispatch in Virtual Power Plants under Uncertainty [18.485617498705736]
  本稿では,2つの要素から構成されるリアルタイム不確実性を考慮したエネルギー分散フレームワークを提案する。 提案するフレームワークは,リアルタイムデータ配信に迅速に適応すると同時に,データドリフトやモデルの不一致,制御プロセスの環境摂動などによる不確実性もターゲットとすることができる。 このフレームワークはCityLearn Challenge 2022で優勝し、エネルギー領域におけるAIアプリケーションの可能性を調べる影響力のある機会となった。
  論文  参考訳（メタデータ） (2023-09-15T00:04:00Z)
• Real-time scheduling of renewable power systems through planning-based reinforcement learning [13.65517429683729]
  再生可能エネルギー源は 従来の電力スケジューリングに 重大な課題をもたらしています 強化学習の新たな発展は、この問題を解く可能性を実証している。 我々は、最先端の強化学習アルゴリズムと実電力グリッド環境に基づく体系的なソリューションを最初に提案する。
  論文  参考訳（メタデータ） (2023-03-09T12:19:20Z)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• 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。