Phased: Phase-Aware Submodularity-Based Energy Disaggregation
Phased: Phase-Aware Submodularity-Based Energy Disaggregation
复制标题
阶段性：基于阶段感知子模块的能量分解
DOI：
10.1145/3427771.3427860
复制
发表时间：
2020
期刊：
影响因子：
--
通讯作者：
Sidiropoulos, Nicholas D.
中科院分区：
文献类型：
--
作者：
Almutairi, Faisal M.;Konar, Aritra;Zamzam, Ahmed S.;Sidiropoulos, Nicholas D.
能源分解是从聚合测量中区分单个设备的能源消耗的任务，这对了解和减少能源使用具有希望。在本文中，我们提出了一种能量分解的分阶段优化方法，它有两个主要特点：分阶段(I)利用配电系统的结构来利用现有方法忽略的现成的量测；(Ii)将问题归结为最小子模块函数的差异。我们利用这种形式，应用优化-最小化算法的离散优化变量，迭代最小化一系列成本函数的全局上界，以获得高质量的近似解。PASTIONAL将最先进模型的分解准确率提高高达61%，并在重载设备上实现更好的预测。
Energy disaggregation is the task of discerning the energy consumption of individual appliances from aggregated measurements, which holds promise for understanding and reducing energy usage. In this paper, we propose PHASED, an optimization approach for energy disaggregation that has two key features: PHASED (i) exploits the structure of power distribution systems to make use of readily available measurements that are neglected by existing methods, and (ii) poses the problem as a minimization of a difference of sub-modular functions. We leverage this form by applying a discrete optimization variant of the majorization-minimization algorithm to iteratively minimize a sequence of global upper bounds of the cost function to obtain high-quality approximate solutions. PHASED improves the disaggregation accuracy of state-of-the-art models by up to 61% and achieves better prediction on heavy load appliances.
登录
查看更多内容
通过连续子模近似进行可扩展的能量分解
DOI：
--
发表时间：
2018
期刊：
IEEE International Conference on Acoustics, Speech, and Signal Processing
影响因子：
--
作者：
Faisal M. Almutairi;Aritra Konar;N. Sidiropoulos
通讯作者：
N. Sidiropoulos
用于能源分解的结构化字典学习
DOI：
--
发表时间：
2019
期刊：
Energy-Efficient Computing and Networking
影响因子：
--
作者：
Shalini Pandey;G. Karypis
通讯作者：
G. Karypis
DOI：
10.1109/jstsp.2018.2851506
发表时间：
2018-10-01
影响因子：
7.5
作者：
Bajovic, Dragana;He, Kanghang;Stankovic, Vladimir
通讯作者：
Stankovic, Vladimir
GRATE：通过示例对聚合张量数据进行粒度恢复
DOI：
--
发表时间：
2020
期刊：
arXiv.org
影响因子：
--
作者：
Ahmed S. Zamzam;Bo Yang;N. Sidiropoulos
通讯作者：
N. Sidiropoulos
将机器学习应用于能源分解的数据要求
影响因子：
3.2
作者：
Changho Shin;Seungeun Rho;Hyoseop Lee;Wonjong Rhee
通讯作者：
Wonjong Rhee