文献

J-GLOBAL ID：202102210686557717   整理番号：21A2579944

スマートホームにおける需要側管理のための非侵入負荷モニタリングに適用した並列進化計算-エンボディッド人工ニューラルネットワーク:深層学習に向けて【JST・京大機械翻訳】

A Parallel Evolutionary Computing-Embodied Artificial Neural Network Applied to Non-Intrusive Load Monitoring for Demand-Side Management in a Smart Home: Towards Deep Learning

著者 (1件)： Lin Yu-Hsiu (Department of Electrical Engineering, Ming Chi University of Technology, New Taipei City 24301, Taiwan)
資料名： Sensors (Web)  (Sensors (Web))
巻： 20  号： 6  ページ： 1649  発行年： 2020年 
JST資料番号： U7015A  ISSN： 1424-8220  CODEN： SENSC9  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 非侵入型負荷モニタリング(NILM)は,電気機器が,その抽出電気特性に従って,凝集した全視野電気信号から同定されるコスト効率の高いアプローチであり,実用的な分野での個々の監視電気機器に設置されるスマート電力計(電力プラグ)を侵入する必要はない。本研究は,スマートホームにおける需要-サイドマネジメント(DSM)のための並列遺伝的アルゴリズム(GA)-塞栓人工ニューラルネットワーク(ANN)によるNILMを扱う。分類精度に関するANN性能は,その訓練アルゴリズムに依存する。さらに,大規模訓練サンプルからANN/深層NN学習を訓練することは,非常に計算的に集約的である。したがって,本研究では,並列GAを実施し,実際の住宅分野で展開された家庭エネルギー管理システム(HEMS)における負荷分散に関連する並列実行における進化を考慮して,ANN(神経計算)とメタヒューリスティック(進化的コンピューティング)を統合するために使用した。並列GAは,HEMSにおける大規模訓練サンプルからNILMへのANN学習モデルの進化のために,その実行時間を過度に費やすために,その実行時間を過度に費やし,ANNを進化させるための大規模並列計算を活用し,従って実行時間を劇的に削減できる,分割統治法で動作する。本研究では,DSMのHEMSにおけるNILMに適用した並列GA-塞栓ANNの実現可能性と有効性を確認した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  学習モデル ,  電力 ,  電力計 ,  *ニューラルネットワーク ,  プラグ ,  電気特性 ,  塞栓症 ,  学習アルゴリズム ,  スマートグリッド ,  HEMS
準シソーラス用語： 実行時間 ,  *スマートホーム ,  電気機器 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 人工知能 ,  家庭エネルギー管理システム ,  非侵入荷重モニタリング ,  スマートホーム ,  スマートグリッド

分類 (1件)： 計算機網  (JC03000K)

引用文献 (48件)：

• Hart, G.W. Nonintrusive appliance load monitoring. Proc. IEEE 1992, 80, 1870-1891.
• Hosseini, S.S.; Agbossou, K.; Kelouwani, S.; Cardenas, A. Non-intrusive load monitoring through home energy management systems: A comprehensive review. Renew. Sustain. Energy Rev. 2017, 79, 1266-1274.
• He, H.; Lin, X.; Xiao, Y.; Qian, B.; Zhou, H. Optimal strategy to select load identification features by using a particle resampling algorithm. Appl. Sci. 2019, 9, 2622.
• Batra, N.; Singh, A.; Whitehouse, K. If you measure it, can you improve it? Exploring the value of energy disaggregation. In Proceedings of the 2nd ACM International Conference on Embedded Systems for Energy-Efficient Built Environments/ACM BuildSys’15, Seoul, Korea, 4-5 November 2015; pp. 191-200.
• Froehlich, J.; Larson, E.; Gupta, S.; Cohn, G.; Reynolds, M.; Patel, S. Disaggregated end-use energy sensing for the smart grid. IEEE Pervasive Comput. 2011, 10, 28-39.

タイトルに関連する用語 (8件)： スマートホーム ,  需要側管理 ,  侵入 ,  モニタリング ,  並列進化 ,  計算 ,  人工ニューラルネットワーク ,  深層学習