Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Scaling the Java Virtual Machine on a Many-Core System Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

3. Least-squares-solver Based Machine Learning Accelerator for Real-time Data Analytics in Smart Buildings

verfasst von : Hantao Huang, Hao Yu

Erschienen in: Emerging Technology and Architecture for Big-data Analytics

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Real-time data analytics based on machine learning algorithms for smart building energy management system is challenging. This chapter presents a fast machine-learning accelerator for real-time data analytics in smart micro-grid of buildings. A compact yet fast incremental least-squares-solver based learning algorithm is developed on computational resource limited IoT hardware. The compact accelerator mapped on FPGA can perform real-time data analytics with consideration of occupant behavior and continuously update prediction model with newly collected data. Experimental results have shown that our proposed accelerator has a comparable forecasting accuracy with an average speed-up of 4. 56× and 89. 05×, when compared to general CPU and embedded CPU implementation for load forecasting.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Accelerating Data Analytics Kernels with Heterogeneous Computing
Nächstes Kapitel Compute-in-Memory Architecture for Data-Intensive Kernels
Literatur
1.
L.D. Harvey, Energy and the New Reality 1: Energy Efficiency and the Demand for Energy Services (Routledge, London, 2010)
2.
H. Ziekow, C. Goebel, J. Strüker, H.-A. Jacobsen, The potential of smart home sensors in forecasting household electricity demand, in 2013 IEEE International Conference on Smart Grid Communications (SmartGridComm) (IEEE, New York, 2013), pp. 229–234CrossRef
3.
H.S. Hippert, C.E. Pedreira, R.C. Souza, Neural networks for short-term load forecasting: a review and evaluation. IEEE Trans. Power Systems 16 (1), 44–55 (2001)CrossRef
4.
W. Mielczarski, G. Michalik, M. Widjaja, Bidding strategies in electricity markets, in Power Industry Computer Applications, 1999. PICA’99. Proceedings of the 21st 1999 IEEE International Conference (IEEE, New York, 1999), pp. 71–76
5.
E.A. Feinberg, D. Genethliou, Load forecasting, in Applied Mathematics for Restructured Electric Power Systems (Springer, Berlin, 2005), pp. 269–285CrossRef
6.
C. Sandels, J. Widén, L. Nordström, Forecasting household consumer electricity load profiles with a combined physical and behavioral approach. Appl. Energy 131, 267–278 (2014)CrossRef
7.
S.J. Russell, P. Norvig, J.F. Canny, J.M. Malik, D.D. Edwards, Artificial Intelligence: A Modern Approach, vol. 2 (Prentice Hall, Upper Saddle River, NJ, 2003)
8.
S. Theodoridis, K. Koutroumbas, Pattern recognition and neural networks, in Machine Learning and Its Applications (Springer, Berlin, 2001), pp. 169–195MATH
9.
S. Li, P. Wang, L. Goel, Short-term load forecasting by wavelet transform and evolutionary extreme learning machine. Electr. Power Syst. Res. 122, 96–103 (2015)CrossRef
10.
A. Ahmad, M. Hassan, M. Abdullah, H. Rahman, F. Hussin, H. Abdullah, R. Saidur, A review on applications of ann and svm for building electrical energy consumption forecasting. Renew. Sust. Energ. Rev. 33, 102–109 (2014)CrossRef
11.
G.-B. Huang, Q.-Y. Zhu, C.-K. Siew, Extreme learning machine: theory and applications. Neurocomputing 70 (1), 489–501 (2006)CrossRef
12.
13.
M.D. Martino, S. Fanelli, M. Protasi, A new improved online algorithm for multi-decisional problems based on mlp-networks using a limited amount of information, in Proceedings of 1993 International Joint Conference on Neural Networks, 1993. IJCNN ’93-Nagoya, vol. 1 (1993), pp. 617–620
14.
I. Richardson, M. Thomson, D. Infield, A high-resolution domestic building occupancy model for energy demand simulations. Energy Buildings 40 (8), 1560–1566 (2008)CrossRef
15.
N.-Y. Liang, G.-B. Huang, P. Saratchandran, N. Sundararajan, A fast and accurate online sequential learning algorithm for feedforward networks. IEEE Trans. Neural Netw. 17 (6), 1411–1423 (2006)CrossRef
16.
Y. Pang, S. Wang, Y. Peng, X. Peng, N.J. Fraser, P.H. Leong, A microcoded kernel recursive least squares processor using fpga technology. ACM Trans. Reconfigurable Technol. Syst. 10 (1), 5 (2016)
17.
L.N. Trefethen, D. Bau III, Numerical Linear Algebra, vol. 50 (SIAM, Philadelphia, 1997)CrossRefMATH
18.
A. Krishnamoorthy, D. Menon, Matrix inversion using cholesky decomposition. Preprint (2011). arXiv:1111.4144
19.
F. Ren, D. Marković, A configurable 12237 kS/s 12.8 mw sparse-approximation engine for mobile data aggregation of compressively sampled physiological signals. IEEE J. Solid State Circuits 51 (1), 68–78 (2016)
20.
21.
22.
23.
J.A. Suykens, T. Van Gestel, J. De Brabanter, B. De Moor, J. Vandewalle, J. Suykens, T. Van Gestel, Least Squares Support Vector Machines, vol. 4 (World Scientific, Singapore, 2002)CrossRefMATH
24.
R. Hecht-Nielsen, Theory of the backpropagation neural network, in International Joint Conference on Neural Networks, 1989. IJCNN (IEEE, New York, 1989), pp. 593–605
Metadaten
Titel
Least-squares-solver Based Machine Learning Accelerator for Real-time Data Analytics in Smart Buildings
verfasst von
Hantao Huang
Hao Yu
Copyright-Jahr
2017
Buch
Emerging Technology and Architecture for Big-data Analytics

Print ISBN: 978-3-319-54839-5

Electronic ISBN: 978-3-319-54840-1

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-54840-1_3

Neuer Inhalt

    Bildnachweise