論文の概要: Large-Scale Evaluation of Advanced Imputation Methods for Missing Values in Smart Meter Data

• arxiv url: http://arxiv.org/abs/2608.21638v1
• Date: Fri, 21 Aug 2026 21:14:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.347524
• Title: Large-Scale Evaluation of Advanced Imputation Methods for Missing Values in Smart Meter Data
• Title（参考訳）: スマートメータデータにおける欠落値の高精度計算手法の大規模評価
• Abstract要約: 本稿では,大規模データ計算のための3つの高度なアルゴリズムを実証評価する。 既存の電力消費データにおける値計算の欠如に関する研究は、より大きなデータセットの検証を欠いていることが多い。 各アルゴリズムのロバスト性は、1時間から168時間に及ぶデータの連続的なギャップをシミュレートすることによって評価される。
• 参考スコア（独自算出の注目度）: 1.9219972499911675
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and reliable collection of electricity consumption data through Advanced Metering Infrastructure (AMI) is of great importance for the operation of smart grids, especially for the detection of non-technical losses (NTL). However, real-world datasets frequently suffer from missing values due to communication failures. This paper presents an empirical evaluation of three advanced algorithms for large-scale data imputation: the Optimally Weighted Average (OWA) method, Low-Rank Matrix Completion via SoftImpute, and a Shape-Modeling Autoencoder. Existing studies on missing value imputation in electricity consumption data often lack validation on larger datasets. Therefore, the goal of this paper is to validate the selected algorithms on a large-scale real-world electricity consumption dataset from North Macedonia that includes 17,428 commercial smart meters over two years. The robustness of each algorithm is evaluated by simulating continuous gaps in the data ranging from 1 to 168 hours. The results indicate that OWA provides the lowest overall reconstruction error across the evaluated gap sizes and strong stability in worst-case scenarios for gaps of up to one week. In contrast, the autoencoder exhibits higher variance, while SoftImpute has stable but inferior accuracy. These findings suggest that imputation methods should be selected based on the characteristics of load curve data and highlight the potential for hybrid algorithmic architectures in future grid management systems.
• Abstract（参考訳）: 高度計測インフラ(AMI)による正確な電力消費データの収集は、スマートグリッドの運用、特に非技術的損失(NTL)の検出において非常に重要である。 しかし、実世界のデータセットは通信障害によってしばしば値の欠落に悩まされる。 本稿では,OWA法(Optimally Weighted Average)法,SoftImputeによる低ランク行列補完,形状モデル化オートエンコーダの3種類の大規模データ計算アルゴリズムの実証評価を行った。 既存の電力消費データにおける値計算の欠如に関する研究は、より大きなデータセットの検証を欠いていることが多い。 そこで本論文の目的は,北マケドニアから2年間で17,428個の商用スマートメーターを含む大規模実世界の電力消費データセット上で,選択したアルゴリズムを検証することである。 各アルゴリズムのロバスト性は、1時間から168時間に及ぶデータの連続的なギャップをシミュレートすることによって評価される。 その結果, OWAは, 最大1週間の空隙ケースにおいて, 評価された空隙サイズに対して最小の総合的復元誤差と強い安定性を提供することがわかった。 対照的に、オートエンコーダは高いばらつきを示すが、SoftImputeは安定だが精度は劣る。 これらの結果から,計算手法は負荷曲線データの特徴に基づいて選択されるべきであることが示唆され,今後のグリッド管理システムにおけるハイブリッドアルゴリズムアーキテクチャの可能性が注目される。

関連論文リスト

• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Time and Frequency Domain-based Anomaly Detection in Smart Meter Data for Distribution Network Studies [0.0]
  本稿では,異常がパワーデータセットに与える影響を検知・緩和する手法に焦点をあてる。 分離フォレスト機械学習アルゴリズムと高速フーリエ変換フィルタに基づく異常検出フレームワークを提案する。 異常検出手法を統合することの重要性は, スマートメータを多用した分散ネットワークにおいて重要である。
  論文  参考訳（メタデータ） (2025-04-25T10:26:30Z)
• Geometric Median Matching for Robust k-Subset Selection from Noisy Data [75.86423267723728]
  最適分解点1/2のロバストな推定器であるGeometric Medianを利用する新しいk-subset選択法を提案する。 提案手法は, k-subset を反復的に選択し,部分集合の平均が(潜在的に)ノイズデータセットの GM に近似し,任意の汚損の下でもロバスト性を確保する。
  論文  参考訳（メタデータ） (2025-04-01T09:22:05Z)
• An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
  深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。 本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。 本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
  論文  参考訳（メタデータ） (2024-10-24T18:15:48Z)
• Enhancing Microgrid Performance Prediction with Attention-based Deep Learning Models [0.0]
  本研究の目的は、グリッド不安定性に寄与する電力振動を特徴とするマイクログリッドシステムの運用上の課題に対処することである。 畳み込みとGRU(Gated Recurrent Unit)の強みを活かした統合戦略が提案されている。 このフレームワークは、包括的な負荷予測を行うMulti-Layer Perceptron(MLP)モデルによって固定されている。
  論文  参考訳（メタデータ） (2024-07-20T21:24:11Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• A Dataset Fusion Algorithm for Generalised Anomaly Detection in Homogeneous Periodic Time Series Datasets [0.0]
  データセットフュージョン(Dataset Fusion)とは、複数の同種データセットからの周期的な信号を単一のデータセットに融合するアルゴリズムである。 提案手法は,平均F1スコア0.879で従来の訓練方法よりも有意に優れていた。 その結果、トレーニングデータの6.25%しか使用せず、計算能力の93.7%削減に換算すると、パフォーマンスは4.04%低下することがわかった。
  論文  参考訳（メタデータ） (2023-05-14T16:24:09Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• A Deep-Learning Intelligent System Incorporating Data Augmentation for Short-Term Voltage Stability Assessment of Power Systems [9.299576471941753]
  本稿では,電力系統のSTVSAにデータ拡張を取り入れた新しいディープラーニング知能システムを提案する。 半教師付きクラスタ学習を利用して、ラベル付きサンプルを元の小さなデータセットで取得する。 条件付き最小二乗生成逆数ネットワーク(LSGAN)ベースのデータ拡張を導入し、元のデータセットを拡張する。
  論文  参考訳（メタデータ） (2021-12-05T11:40:54Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)

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。