文献

J-GLOBAL ID：202202275146036561   整理番号：22A0578277

埋め込まれた深いクラスタリングに基づく負荷プロファイリングフレームワーク【JST・京大機械翻訳】

An embedded deep-clustering-based load profiling framework

著者 (3件)： Eskandarnia Elham (Department of the Computer Science, University of Bahrain, PO Box 32038, Bahrain) ,  Al-Ammal Hesham M. (Department of the Computer Science, University of Bahrain, PO Box 32038, Bahrain) ,  Ksantini Riadh (Department of the Computer Science, University of Bahrain, PO Box 32038, Bahrain)
資料名： Sustainable Cities and Society  (Sustainable Cities and Society)
巻： 78  ページ： Null  発行年： 2022年 
JST資料番号： W2908A  ISSN： 2210-6707  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 負荷プロファイリングは,持続可能なエネルギー管理に直接影響を与える予測や計画のような,いくつかのスマートメータ分析タスクにおける必須のステップである。ほとんどの実世界スマートメータデータがラベルされないので,教師なし学習クラスタリング駆動負荷プロファイリングアプローチは,利用傾向に基づくグループ関連顧客を目標としている。しかし,次元のurseいのため,従来のクラスタリングアルゴリズムは不十分で,しばしば不適切な負荷曲線につながる。提案した負荷プロファイリングフレームワークの新規性は2倍である。最初に,オートエンコーダを用いて,このフレームワークは,深層ネットワークの層内の階層としてデータを表し,自己エンコーダボトルネックレベルでのクラスタ間の次元縮小および高度非線形決定分離を可能にした。これは,スマートメータデータを,元のデータ特性を保持するよりクラスタ化に優しい表現に自動的に変換するオートエンコーダベースのクラスタリングを実行することによって達成される。第二に,このフレームワークは次元縮小とクラスタリングを単一エンドツーエンド教師なし学習フレームワークに統合する。次に,深層クラスタリングフレームワークを2つの実世界スマートメータデータセット上でテストし,実験結果は,提案したフレームワークが,古典的クラスタリングアルゴリズムと比較して,また,文献において提案された以前のハイブリッドフレームワークと比較して,著しく優れた負荷プロファイルを生成することを示した。本論文は,負荷プロファイリングタスクを改善するための,結果の議論と将来の方向の集合を結論づける。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： データ ,  ネットワーク ,  ラベル ,  電力量計 ,  教師なし学習 ,  *特徴抽出 ,  負荷曲線 ,  *クラスタ化 ,  *クラスタ ,  エンドツーエンド方式 ,  負荷 ,  次元縮小 ,  スマートグリッド
準シソーラス用語： クラスタリングアルゴリズム ,  スマートメータ ,  プロファイリング ,  自己符号化器 , 【Automatic Indexing@JST】

著者キーワード (4件)： スマートグリッド ,  深いクラスタリング ,  深層学習 ,  負荷プロファイリング

分類 (2件)： 人工知能  (JE08000Z) ,  電力の計測法・機器  (AD07050J)

タイトルに関連する用語 (1件)： クラスタリング