随着智能建筑应用的增长，住宅建筑中的占用信息变得越来越重要。在智能建筑物的范式的背景下，为了广泛的目的，需要这种信息，包括提高能源效率和乘员舒适性。在这项研究中，使用基于电器技术信息的深度学习实施了住宅建筑中的占用检测。为此，提出了一种新型的智能住宅建筑系统占用方法。通过智能计量系统测量的电器，传感器，光和HVAC的数据集用于模拟。为了对数据集进行分类，使用了支持向量机和自动编码器算法。混淆矩阵用于准确性，精度，召回和F1，以证明所提出的方法在占用检测中的比较性能。拟议的算法使用电器的技术信息达到95.7〜98.4％。为了验证占用检测数据，采用主成分分析和T分布的随机邻居嵌入（T-SNE）算法。通过使用占用检测，智能建筑物中可再生能源系统的功耗降低到11.1〜13.1％。
translated by 谷歌翻译
为了通过使用可再生能源来取代化石燃料，间歇性风能和光伏（PV）功率的资源不平衡是点对点（P2P）功率交易的关键问题。为了解决这个问题，本文介绍了增强学习（RL）技术。对于RL，图形卷积网络（GCN）和双向长期记忆（BI-LSTM）网络由基于合作游戏理论的纳米簇之间的P2P功率交易共同应用于P2P功率交易。柔性且可靠的DC纳米醇适合整合可再生能源以进行分配系统。每个局部纳米粒子群都采用了生产者的位置，同时着重于功率生产和消费。对于纳米级簇的电源管理，使用物联网（IoT）技术将多目标优化应用于每个本地纳米群集群。考虑到风和光伏发电的间歇性特征，进行电动汽车（EV）的充电/排放。 RL算法，例如深Q学习网络（DQN），深度复发Q学习网络（DRQN），BI-DRQN，近端策略优化（PPO），GCN-DQN，GCN-DQN，GCN-DRQN，GCN-DRQN，GCN-BI-DRQN和GCN-PPO用于模拟。因此，合作P2P电力交易系统利用使用时间（TOU）基于关税的电力成本和系统边际价格（SMP）最大化利润，并最大程度地减少电网功耗的量。用P2P电源交易的纳米簇簇的电源管理实时模拟了分配测试馈线，并提议的GCN-PPO技术将纳米糖簇的电量降低了36.7％。
translated by 谷歌翻译
异常检测涉及广泛的应用，如故障检测，系统监控和事件检测。识别从智能计量系统获得的计量数据的异常是提高电力系统的可靠性，稳定性和效率的关键任务。本文介绍了异常检测过程，以发现在智能计量系统中观察到的异常值。在所提出的方法中，使用双向长短期存储器（BILSTM）的AutoEncoder并找到异常数据点。它通过具有非异常数据的AutoEncoder计算重建错误，并且将分类为异常的异常值通过预定义的阈值与非异常数据分离。基于Bilstm AutoEncoder的异常检测方法用来自985户家庭收集的4种能源电力/水/加热/热水的计量数据进行测试。
translated by 谷歌翻译
神经影像技术的进步为我们提供了了解人类思维方式的新颖见解。功能磁共振成像（fMRI）是最流行和广泛使用的神经影像学技术，并且对基于fMRI的个体差异标记越来越感兴趣。但是，由于其高成本和从包括儿童和婴儿在内的特定人群获得的难度，其效用通常受到限制。 fMRI标记的替代标记或神经相关性将具有重要的实际含义，但是我们对fMRI标记的独立预测指标很少。在这里，使用机器学习（ML）模型和数据增强，我们从功能性近红外光谱学（FNIRS）的多元模式（一种便携式且相对便宜的光学神经图像技术）中预测了人类认知的良好fMRI标记。我们招募了50名人类参与者，他们执行了两项认知任务（停止信号任务和概率逆转学习任务），而在总共两次访问中的每个访问中，用FNIRS或fMRI测量了神经激活。使用ML模型和数据增强，我们可以预测来自前额叶皮层中48通道FNIRS激活的响应抑制或预测误差信号的良好fMRI标记。这些结果表明，FNIRS可能会提供fMRI激活的替代标记，这将扩大我们对包括婴儿在内的各种人群的理解。
translated by 谷歌翻译
由于其事件驱动的计算，尖峰神经网络（SNN）已成为常规人工神经网络（ANN）的节能替代方案。考虑到SNN模型的未来部署到限制神经形态设备上，许多研究应用了最初用于ANN模型压缩的技术，例如网络量化，修剪和知识蒸馏，用于SNN。其中，关于知识蒸馏的现有作品报告了学生SNN模型的准确性提高。但是，对能源效率的分析也是SNN的重要特征。在本文中，我们从准确性和能源效率方面彻底分析了蒸馏SNN模型的性能。在此过程中，我们观察到使用常规知识蒸馏方法时，尖峰数量大幅增加，导致能量效率低下。基于此分析，为了达到能源效率，我们提出了一种具有异质温度参数的新知识蒸馏方法。我们在两个不同的数据集上评估我们的方法，并表明由此产生的SNN学生满足了尖峰数量的准确性和减少。在MNIST数据集上，我们提议的学生SNN的精度高达0.09％，与接受常规知识蒸馏方法的学生SNN相比，SNN的峰值降低了65％。我们还将结果与其他SNN压缩技术和训练方法进行了比较。
translated by 谷歌翻译