Time Series Anomaly Detection in Smart Homes: A Deep Learning Approach

要約

さまざまな異常によって引き起こされるエネルギー漏れを修正すると、大幅なエネルギーの節約とアプライアンスの寿命の延長につながります。
さらに、エンド ユーザーのエネルギー コストを削減しながら、グリッド オペレーターがエンド ユーザーの実際のニーズを満たすようにリソースをスケジュールするのに役立ちます。
この論文では、REFIT データセットの 2 つの家で使用される食器洗い機の電力消費に関するパターンを分析します。
次に、バックボーンとして 1D-CNN と TCN を使用する 2 つのオートエンコーダー (AE) をトレーニングして、正常なパターンと異常なパターンを区別します。
私たちの結果は、エネルギー消費の異常の検出において、TCNがCNN1Dよりも優れていることを示しています。
最後に、REFIT の Fridge_Freezer と家 No. 3 の冷凍庫からのデータも、私たちのアプローチを評価するために使用されます。

要約(オリジナル)

Fixing energy leakage caused by different anomalies can result in significant energy savings and extended appliance life. Further, it assists grid operators in scheduling their resources to meet the actual needs of end users, while helping end users reduce their energy costs. In this paper, we analyze the patterns pertaining to the power consumption of dishwashers used in two houses of the REFIT dataset. Then two autoencoder (AEs) with 1D-CNN and TCN as backbones are trained to differentiate the normal patterns from the abnormal ones. Our results indicate that TCN outperforms CNN1D in detecting anomalies in energy consumption. Finally, the data from the Fridge_Freezer and the Freezer of house No. 3 in REFIT is also used to evaluate our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google