論文の概要: On-Meter Graph Machine Learning: A Case Study of PV Power Forecasting for Grid Edge Intelligence
- arxiv url: http://arxiv.org/abs/2604.19800v1
- Date: Fri, 10 Apr 2026 14:46:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 02:32:14.09215
- Title: On-Meter Graph Machine Learning: A Case Study of PV Power Forecasting for Grid Edge Intelligence
- Title（参考訳）: オンライングラフ機械学習:グリッドエッジインテリジェンスのためのPV電力予測の一事例
- Authors: Jian Huang, Zixiang Ming, Yongli Zhu, Linna Xu,
- Abstract要約: 本稿では、GCNとGraphSAGEという2つのグラフ機械学習モデルのトレーニングとデプロイに焦点を当て、特に、GCN用にカスタマイズされたONNX演算子の開発とデプロイに重点を置いている。
2つのモデルのパフォーマンスは、PCとスマートメーターの両方で比較され、スマートメーター上でのデプロイメントと実行が成功している。
- 参考スコア（独自算出の注目度）: 2.184404734602291
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a detailed study of how graph neural networks can be used on edge intelligent meters in a microgrid to forecast photovoltaic power generation. The problem background and the adopted technologies are introduced, including ONNX and ONNX Runtime. The hardware and software specifications of the smart meter are also briefly described. Then, the paper focuses on the training and deployment of two graph machine learning models, GCN and GraphSAGE, with particular emphasis on developing and deploying a customized ONNX operator for GCN. Finally, a case study is conducted using real datasets from a village microgrid. The performance of the two models is compared on both the PC and the smart meter, exhibiting successful deployments and executions on the smart meter.
- Abstract（参考訳）: 本稿では,マイクログリッドのエッジインテリジェントメータにグラフニューラルネットワークを応用し,太陽光発電の予測方法について詳細に検討する。
問題の背景と、ONNXとONNX Runtimeを含む採用技術が導入されている。
スマートメータのハードウェアおよびソフトウェア仕様についても、簡単に説明する。
次に、この論文は、GCNとGraphSAGEという2つのグラフ機械学習モデルのトレーニングとデプロイに焦点を当て、特に、GCN用にカスタマイズされたONNX演算子の開発とデプロイに重点を置いている。
最後に、村のマイクログリッドの実際のデータセットを用いてケーススタディを行う。
2つのモデルのパフォーマンスは、PCとスマートメーターの両方で比較され、スマートメーター上でのデプロイメントと実行が成功している。
関連論文リスト
- Towards Intelligent Energy Security: A Unified Spatio-Temporal and Graph Learning Framework for Scalable Electricity Theft Detection in Smart Grids [0.0]
本研究では、電気盗難検知とインテリジェントエネルギーモニタリングのための統合人工知能フレームワークであるSmartGuard Energy Intelligence System (SGEIS)を紹介する。
提案システムは,教師付き機械学習,深層学習に基づく時系列モデリング,非侵入負荷モニタリング(NILM)とグラフベース学習を組み合わせて,時間的および空間的消費パターンを抽出する。
論文 参考訳（メタデータ） (2026-04-03T09:57:37Z) - On-Device Training of PV Power Forecasting Models in a Smart Meter for Grid Edge Intelligence [7.604770290850758]
グリッドエッジインテリジェンスのモチベーションとデバイス上でのトレーニングの概念が導入される。
太陽光発電発電予測の課題について事例研究を行った。
実験結果は,既存の先進的な計測インフラを通じて,グリッドエッジインテリジェンスを経済的に実現可能であることを示す。
論文 参考訳（メタデータ） (2025-07-09T16:45:33Z) - Mobile Traffic Prediction at the Edge Through Distributed and Deep Transfer Learning [2.391548802248377]
モバイルトラフィック予測のための、完全に分散化されたAIソリューションを調査し、データをローカルに保持できるようにする。
畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)の2つの主要なディープラーニングアーキテクチャが設計されている。
DTLは、トレーニング中の計算複雑性とエネルギー消費を大幅に減らし、CNNではエネルギーフットプリントを60%削減し、RNNでは90%削減する。
論文 参考訳（メタデータ） (2023-10-22T23:48:13Z) - SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。
まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。
次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文 参考訳（メタデータ） (2023-08-03T07:00:04Z) - Quantifying the Optimization and Generalization Advantages of Graph Neural Networks Over Multilayer Perceptrons [50.33260238739837]
グラフネットワーク(GNN)は、グラフ構造化データから学習する際、顕著な能力を示した。
最適化と一般化の観点から、GNNと一般化を比較した分析の欠如がまだ残っている。
論文 参考訳（メタデータ） (2023-06-24T10:21:11Z) - Benchmarking GPU and TPU Performance with Graph Neural Networks [0.0]
この研究は、現実のパターン認識問題を解決するために開発されたグラフニューラルネットワーク(GNN)を用いてGPUとTPUのパフォーマンストレーニングを分析し、比較する。
スパースデータに作用する新しいモデルのクラスを特徴付けることは、ディープラーニングライブラリや将来のAIアクセラレータの設計を最適化するのに有効である。
論文 参考訳（メタデータ） (2022-10-21T21:03:40Z) - MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs [55.66953093401889]
Masked Graph Autoencoder (MGAE) フレームワークは、グラフ構造データの効果的な学習を行う。
自己指導型学習から洞察を得て、私たちはランダムに大量のエッジを隠蔽し、トレーニング中に欠落したエッジを再構築しようとします。
論文 参考訳（メタデータ） (2022-01-07T16:48:07Z) - Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。
本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。
モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文 参考訳（メタデータ） (2020-12-31T18:48:58Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z) - Graphcore C2 Card performance for image-based deep learning application:
A Report [0.3149883354098941]
Graphcoreは、機械学習アプリケーションを高速化するためのIPUプロセッサを導入した。
本稿では,深いニューラルネットワーク上でのIPUプロセッサの性能評価を行うベンチマークについて報告する。
論文 参考訳（メタデータ） (2020-02-26T17:58:24Z)
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。