CN113574550A - 使用集成机器学习技术的非侵入式负荷监测 - Google Patents

使用集成机器学习技术的非侵入式负荷监测 Download PDF

Info

Publication number
CN113574550A
CN113574550A CN202080020623.9A CN202080020623A CN113574550A CN 113574550 A CN113574550 A CN 113574550A CN 202080020623 A CN202080020623 A CN 202080020623A CN 113574550 A CN113574550 A CN 113574550A
Authority
CN
China
Prior art keywords
energy usage
machine learning
target device
learning model
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202080020623.9A
Other languages
English (en)
Inventor
S·米玛洛格鲁
A·沈
A·刚奈尔
O·本杰明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Oracle International Corp
Original Assignee
Oracle International Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Oracle International Corp filed Critical Oracle International Corp
Publication of CN113574550A publication Critical patent/CN113574550A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

实施例使用集成机器学习技术实现非侵入式负荷监测。可以存储被配置为从源位置能源使用情况中分解目标设备能源使用情况的第一经训练的机器学习模型和被配置为从源位置能源使用情况中检测设备能源使用情况的第二经训练的机器学习模型，其中第一经训练的机器学习模型被训练为预测目标设备的能源使用量并且第二经训练的机器学习模型被训练为预测目标设备何时已经使用了能源。可以接收一段时间内的源位置能源使用情况，其中源位置能源使用情况包括目标设备消耗的能源。可以使用第一和第二经训练的机器学习模型，基于接收到的源位置能源使用情况来预测一段时间内的分解的目标设备能源使用量。

Description

使用集成机器学习技术的非侵入式负荷监测
技术领域
本公开的实施例一般涉及公用事业计量设备，并且更特别地涉及使用公用事业计量设备的非侵入式负荷监测。
背景技术
非侵入式负荷监测(“NILM”)和给定源位置处的各种能源使用设备的分解已被证明具有挑战性。例如，给定家庭，从家庭的总体监测的能源使用情况内分解出设备和/或电动车辆能源使用情况难以实现，部分原因是家庭设备和/或电动车辆种类繁多(例如，品牌、型号、年份等)。计量设备的进步已经提供了一些机会，但成功的分解仍然难以达到。标记的数据集或具有标记的设备能源使用值的源位置能源使用值(例如，用电器1、电动车辆1、电器2等的能源使用值标记的家庭能源使用值)的有限可用性已经进一步阻碍了进展。NILM和分解技术将因此大大地改进技术领域并使实现这些技术的用户受益，其中NILM和分解技术可以从这些有限的数据集中学习以从源位置处的总体能源使用情况中成功预测目标设备的能源使用情况。
发明内容
本公开的实施例一般涉及用于使用集成机器学习技术的非侵入式负荷监测的系统和方法。可以存储被配置为从源位置能源使用情况中分解目标设备能源使用情况的第一经训练的机器学习模型，其中第一经训练的机器学习模型被训练为从源位置能源使用情况来预测目标设备的能源使用量。可以存储被配置为从源位置能源使用情况中检测设备能源使用情况的第二经训练的机器学习模型，其中第二经训练的机器学习模型被训练为从源位置能源使用情况来预测目标设备已经在何时使用了能源。可以接收一段时间内的源位置能源使用情况，其中源位置能源使用情况包括目标设备消耗的能源。可以使用第一经训练的机器学习模型和第二经训练的机器学习模型基于接收到的源位置能源使用情况，预测一段时间内分解的目标设备能源使用量。
实施例的特征和优势在随后的描述中阐述，或者将从描述中是明显的，或者可以通过本公开的实践获知。
附图说明
进一步的实施例、细节、优势和修改将从结合附图对优选实施例进行的以下详细描述中变得明显。
图1示出了根据示例实施例的用于分解与目标设备相关联的能源使用情况的系统。
图2示出了根据示例实施例的可操作地耦合到系统的计算设备的框图。
图3示出了根据示例实施例的用于使用机器学习模型来分解与目标设备相关联的能源使用情况的流程图。
图4A-图4B示出了根据示例实施例的样例卷积神经网络。
图5A-图5G示出了表示根据示例实施例的设备特定的分解的样例图。
图6示出了根据示例实施例的用于使用多个机器学习模型来分解与目标设备相关联的能源使用情况的流程图。
图7示出了根据示例实施例的用于训练机器学习模型以分解与目标设备相关联的能源使用情况的流程图。
图8示出了根据示例实施例的用于使用经训练的机器学习模型来预测与目标设备相关联的分解的能源使用情况的流程图。
图9示出了根据示例实施例的用于使用经训练的卷积神经网络来预测与目标设备相关联的分解的能源使用情况的流程图。
图10示出了根据示例实施例的用于训练多个机器学习模型以分解与目标设备相关联的能源使用情况的流程图。
图11示出了根据示例实施例的用于使用多个经训练的机器学习模型来预测与目标设备相关联的分解的能源使用情况的流程图。
具体实施方式
实施例使用新颖的学习方案执行非侵入式负荷监测。NILM和分解是指采用源位置处的总能源使用情况(例如，由先进计量基础设施提供的家庭处的能源使用情况)作为输入，并估计一个或多个电器、电动车辆和在源位置处使用能源的其他设备的能源使用情况。实施例利用经训练的机器学习模型来基于源位置处的总体能源使用情况预测目标设备的能源使用情况。例如，目标设备可以是大型电器或电动车辆，源位置可以是家庭，并且经训练的机器学习模型可以接收家庭的能源使用情况作为输入并预测目标设备的能源使用情况(例如，包括在作为整体的家庭的能源使用情况中的目标设备的能源使用情况)。
实施例使用标记的能源使用数据来训练机器学习模型。例如，可以设计/选择机器学习模型，诸如神经网络。可以获得来自多个源位置(例如，家庭)的能源使用数据，其中能源使用数据可以用设备特定的能源使用情况来标记。例如，家庭能源使用值可以涵盖一段时间，并且在该时间段内单独设备的能源使用值(例如，电器1、电动车辆1、电器2等)可以被标记。在一些实施例中，然后此家庭和设备特定的能源使用情况可以被处理以生成用于机器学习模型的训练数据。
在一些实施例中，机器学习模型可以被训练以预测(例如，分解)目标设备的能源使用情况。例如，训练数据可以包括在多个不同的源位置(例如，家庭)处的目标设备特定的能源使用情况，因此机器学习模型可以被训练为识别训练数据中的趋势并预测目标设备能源使用情况。在一些实施例中，尽管机器学习模型被训练为预测目标设备能源使用情况，但是训练可以包括一个或多个其他设备的能源使用情况预测/损耗计算/梯度更新。例如，在实现用于机器学习模型的训练技术(例如，预测生成、损耗计算、梯度传播、精确度改进等)的实施例时，一组其他设备可以与目标设备一起被包括。
在一些实施例中，一组其他设备可以基于训练数据和/或训练数据内可用的设备特定的标记的数据值。例如，用设备特定的能源使用情况标记的源位置的能源使用数据的可用性可能是有限的。实施例包括在用于训练机器学习模型的技术内使用的一组其他设备与训练数据中可用的标记的设备特定的能源使用数据值之间的对应。换句话说，训练数据中可用的标记的设备特定的能源使用数据值可以包括多个不同设备的标签，可能存在出现在训练数据的给定源位置内的许多不同的设备组合，并且不同设备一起出现在相同源位置处的频率可能有所不同。训练技术中使用的一组其他设备可以基于训练数据内的设备多样性、给定源位置处的不同设备组合和/或不同设备组合的出现频率。
在一些实施例中，当用于一组其他设备的训练数据与用于目标设备的训练数据结合使用时，训练技术可以包括目标设备和该组其他设备。此实现使经训练的机器学习模型能够使用基于该组其他设备学习的特征来更精确地预测目标设备的能源使用情况/分解。在一些实施例中，一组其他设备与可用训练数据之间的对应进一步增强了通过包括该组其他设备而实现的训练/预测/精确度优势。
实施例使用由先进计量基础设施(AMI)提供的家庭中的总能源来精确地估计或预测对应的设备特定的能源使用情况。非侵入式负荷监测(NILM)领域已经引起了重大的研究兴趣，诸如在Hart,George W.,“Nonintrusive appliance load monitoring,”Proceedings of the IEEE,vol.80,no.12,pp.1870-1891,1992中描述的见解。经由NILM的精确分解提供了许多优势，包括节能机会、个性化、改进的电网规划等。
实施例利用深度学习方案，该深度学习方案可以基于有限的训练集精确地分解诸如大型家用电器和电动车辆之类的许多能源消耗设备的功率负荷。由于能源消耗设备的多样性，诸如普通家庭中的能源消耗设备(例如，大型电器和电动车辆)及其对应的使用条件的多样性，精确分解可能具有挑战性。此外，在NILM领域，训练数据的可用性可能是有限的。因此，可以最大化训练数据集的好处的学习方案可能尤其是有效的。
在实施例中，训练数据可用于训练被设计成在这些具有挑战性的条件下有效学习的学习模型。AMI可以提供对学习模型的输入以及其他类型的输入。实施例可以以高和低粒度/分辨率(例如，以1分钟、5分钟、15分钟、30分钟、1小时或更长时间)精确地预测电力设备能源使用情况。
实施例利用针对目标设备分解而设计的用于NILM的学习方案，然而一个或多个其他非目标设备可以用在学习方案内。例如，训练数据集的子集可以包括标记的目标设备能源使用情况，这进而产生更大的训练集。在NILM领域内，计量的训练数据可能是有限的，并且在数据集内任何给定站点处的标记的设备的数量可能是有限的。
使用现有学习方案的常规NILM实现有其自身的短处。先前考虑的提议方法中的一些方法建立在组合优化、贝叶斯方法、隐马尔可夫模型或深度学习上。然而，这些模型中的许多模型在现实世界场景中没有用，因为它们具有各种缺点。例如，这些解决方案中的一些解决方案在计算上是昂贵的，因此是不切实际的。其他解决方案需要高分辨率/粒度输入(例如，AMI数据或训练数据)，鉴于已部署的计量能力，这通常是不可用的或不切实际的。
例如，一种提议方法聚焦于多个能源消耗设备，但是由于需要相同的源位置处的多个标记的能源消耗设备(例如，以有效训练)的限制，因此该场景无法利用有限的训练数据集。这导致训练数据集的低利用率。另一种提议方法从训练数据集中选择目标设备，但不使用学习方案内的其他设备。在此情况下，参与学习的有限数量的设备限制了系统的有效性。实施例在实际时间和现实世界约束下精确地解决了NILM问题。
实施例通过在学习方案内使用目标设备以及非目标设备来有效地利用领域中的有限训练数据集。例如，可以基于非目标设备执行学习(例如，标记的能源使用情况、损耗计算和梯度传播)，但是训练数据中的无效条目(诸如缺失的标记的数据)可以用零值替换而不是被丢弃。此形式的数据管护(curation)还通过利用来自非目标设备的数据实现了用于目标设备的精确分解预测。例如，训练可以针对管护/处理的数据集进行。实施例可以灵活地精确预测目标设备分解。在针对目标设备进行训练时，模型可以从其他非目标设备、从训练数据子集或它们的任何组合中学习。此灵活性实现了更好的训练数据利用并导致目标设备分解的更高水平的精确度。
实施例可以使用来自任何合适的仪表(例如，AMI或其他仪表)的数据(例如，训练和/或输入数据)，并且所利用的数据(例如，训练和/或输入数据)可以具有低粒度，诸如15分钟、30分钟或一小时。由于许多原因，目标设备的分解的能源使用情况预测可能是有用的：为公用事业及其客户提供节能机会；提供个性化机会；使得能够进行更好的电网规划，包括高峰时间需求管理。例如，电力公司可以投资用于分解来自大型电器或设备的能源使用情况的技术。这些投资的动机包括AMI和智能电网技术的进步、对能源效率日益增长的兴趣、客户对更好信息的兴趣等。
一些实施例在包括卷积神经网络(“CNN”)的深度学习框架上实现架构。架构也是可扩展的，可以针对输入和输出的大小进行定制。可以利用、移除或调整深度学习框架的功能，诸如层的初始化、实现的优化器、值的正则化、随机失活(dropout)等。在实践中，CNN的许多应用被设计为识别视觉图案(例如，直接从图像识别视觉图案以用于分类)。示例包括LeNet、AlexNet、ZFNet、GoogleNet/Inception、VGGNet和ResNet。另一方面，实施例使用CNN架构以用于预测目标设备能源使用情况分解。例如，CNN可以被设计为具有多个并行运行的卷积层，这些卷积层具有各种内核大小和形状。此设计可用于学习所计量的能源使用数据(例如，在1分钟、5分钟、15分钟、30分钟、1小时或更长时间的粒度内)的趋势和其他方面。
一些实施例利用多个经训练的学习模型来实现更高的预测精确度。例如，集成方法可以组合来自多个经训练的模型的输出。实现集成方法的实施例可以通过组合被设计为解决分解和检测/识别问题的多个深度学习模型来实现更好的精确度。例如，这些模型的输出可以以多个潜在方式组合以实现最佳精确度。实施例解决相同的输入上的两个不同但相关的问题：分解和检测/识别。可以使用分开的模型来更有效地解决每个问题。分解和检测/识别模型的结果可以以若干方式组合：a)对检测/识别进行加权；b)对分解进行加权；c)对每个模型进行同等(或基本同等)加权。例如，将两个模型组合成最终输出的特定方式可以基于多个因素：阈值、每个模型的预测输出之间的距离以及最终输出。
实施例训练和构建(例如，用于每个目标设备的)分解和检测/识别模型。取决于每个模型彼此之间的(例如，通过距离度量测量的)距离以及每个模型与标记值/已知值的距离，可以选择集成/组合方法：a)对检测/识别进行加权；b)对分解进行加权；c)对每个模型进行同等(或基本同等)加权。一些实施例可以用数据值(例如，阈值)来例如基于模型之间的不一致增强(augment)输出。实现和结果表明在将模型组合到最终输出中时对于多个能源消耗设备(例如，大型家庭电器和/或电动车辆)的改进的分解预测。
现在将详细参考本公开的实施例，其示例在附图中示出。在以下详细描述中，阐述了许多具体细节以提供对本公开的透彻理解。然而，对于本领域的普通技术人员来说将明显的是，可以在没有这些具体细节的情况下实践本公开。在其他情况下，没有详细描述公知的方法、过程、组件和电路，以免不必要地模糊实施例的方面。在任何可能的情况下，相同的附图标记将用于相同的元件。
图1示出了根据示例实施例的用于分解与目标设备相关联的能源使用情况的系统。系统100包括源位置102、仪表104、源位置106、仪表108、设备110、112和114，以及网络节点116。源位置102可以是包括消耗或产生能量的设备或以其他方式与消耗或产生能量的设备相关联的任何合适的位置，诸如具有设备110、112和114的家庭。在一些实施例中，设备110、112和114可以是使用能源的电器和/或电动车辆，诸如洗衣机、烘干机、空调、加热器、冰箱、电视、计算设备等。例如，源位置102可以被供应能量(例如，电能)，并且设备110、112和114可以从供应给源位置102的能量中汲取。在一些实施例中，源位置102是家庭并且家庭的能量由电网、本地电源(例如，太阳能电池板)、这些的组合或任何其他合适的源供应。
在一些实施例中，仪表104可用于监测源位置102处的能源使用情况(例如，电力使用情况)。例如，仪表104可以是智能仪表、先进计量基础设施(“AMI”)仪表、自动抄表(“AMR”)仪表、简单的能源使用情况仪表等。在一些实施例中，仪表104可以将关于源位置102处的能源使用情况的信息发送到中央能量系统、供应商、第三方或任何其他合适的实体。例如，仪表104可以实现与实体的双向通信以传送源位置102处的能源使用情况。在一些实施例中，仪表104可以实现与实体的单向通信，其中仪表读数被发送到实体。
在一些实施例中，仪表104可以通过有线通信链路和/或无线通信链路进行通信，并且可以利用无线通信协议(例如，蜂窝技术)、Wi-Fi、通过Wi-Fi的无线ad hoc网络、无线网状网络、低功率远程无线(“LoRa”)、ZigBee、Wi-SUN、无线局域网、有线局域网等。设备110、112和114(以及未描绘的其他设备)可以使用源位置102处的能源，并且仪表104可以检测源位置的能源使用情况并(例如，向网络节点116)报告对应的数据。
在一些实施例中，源位置106和仪表108可以类似于源位置102和仪表104。例如，网络节点116可以从仪表104和仪表106接收关于源位置102和源位置106的能源使用信息。在一些实施例中，网络节点116可以是中央能量系统、供应商、电网、分析服务提供商、第三方实体或任何其他合适实体的一部分。
以下描述包括一个或多个标准的叙述。这些术语贯穿本公开被可互换地使用，多个标准的范围旨在包括一个标准的范围，并且一个标准的范围旨在包括多个标准的范围。
图2是根据实施例的计算机服务器/系统200的框图。系统200的全部或部分可用于实现图1中所示的元件中的任何元件。如图2中所示，系统200可包括总线设备212和/或被配置为在系统200的各种组件(诸如处理器222和存储器214)之间传送信息的(一个或多个)其他通信机构。此外，通信设备220可以通过对要通过网络(未示出)从处理器222发送到另一个设备的数据进行编码并为处理器222解码通过网络从另一个系统接收的数据来实现处理器222和其他设备之间的连接性。
例如，通信设备220可以包括被配置为提供无线网络通信的网络接口卡。可以使用多种无线通信技术，包括红外、无线电、
Figure BDA0003258397650000091
Wi-Fi和/或蜂窝通信。替代地，通信设备220可以被配置为提供(一个或多个)有线网络连接，诸如以太网连接。
处理器222可包括一个或多个通用或专用处理器以执行系统200的计算和控制功能。处理器222可包括单个集成电路，诸如微处理设备，或可包括协同工作以完成处理器222的功能的多个集成电路设备和/或电路板。此外，处理器222可以执行存储在存储器214内的计算机程序，诸如操作系统215、预测工具216和其他应用218。
系统200可以包括用于存储信息和由处理器222执行的指令的存储器214。存储器214可以包含用于检索、呈现、修改和存储数据的各种组件。例如，存储器214可以存储在由处理器222执行时提供功能的软件模块。模块可以包括为系统200提供操作系统功能的操作系统215。模块可以包括操作系统215、实现本文公开的NILM和分解功能的预测工具216，以及其他应用模块218。操作系统215为系统200提供操作系统功能。在一些情况下，预测工具216可以被实现为存储器内配置。在一些实现中，当系统200执行预测工具216的功能时，它实现执行本文公开的功能的非常规专用计算机系统。
非暂时性存储器214可包括可由处理器222访问的多种计算机可读介质。例如，存储器214可包括随机存取存储器(“RAM”)、动态RAM(“DRAM”)、静态RAM(“SRAM”)、只读存储器(“ROM”)、闪存、高速缓存存储器和/或任何其他类型的非暂时性计算机可读介质的任何组合。处理器222经由总线212被进一步耦合到显示器224，诸如液晶显示器(“LCD”)。键盘226和光标控制设备228，诸如计算机鼠标，被进一步耦合到通信设备212以使用户能够与系统200对接。
在一些实施例中，系统200可以是更大系统的一部分。因此，系统200可以包括一个或多个附加功能模块218以包括附加功能。例如，其他应用模块218可以包括
Figure BDA0003258397650000101
公用事业客户云服务、
Figure BDA0003258397650000105
云基础设施、
Figure BDA0003258397650000102
云平台、
Figure BDA0003258397650000107
云应用的各种模块。预测工具216、其他应用模块218和系统200的任何其他合适的组件可以包括
Figure BDA0003258397650000106
数据科学云服务、
Figure BDA0003258397650000103
数据集成服务或其他合适的
Figure BDA0003258397650000104
产品或服务的各种模块。
数据库217被耦合到总线212以便为模块216和218提供集中存储并存储例如由计算机视觉工具216或其他数据源接收的数据。数据库217可以将数据存储在逻辑相关的记录或文件的集成集合中。数据库217可以是操作数据库、分析数据库、数据仓库、分布式数据库、终端用户数据库、外部数据库、导航数据库、存储器内数据库、面向文档的数据库、实时数据库、关系数据库、面向对象的数据库、非关系数据库、NoSQL数据库、
Figure BDA0003258397650000108
分布式文件系统(“HFDS”)或本领域已知的任何其他数据库。
尽管被示为单个系统，但是系统200的功能可以被实现为分布式系统。例如，存储器214和处理器222可以跨共同表示系统200的多台不同计算机分布。在一个实施例中，系统200可以是设备(例如，智能电话、平板电脑、计算机等)的一部分。在实施例中，系统200可以与设备分开，并且可以远程地为设备提供所公开的功能。此外，可以不包括系统200的一个或多个组件。例如，对于作为用户或消费者设备的功能，系统200可以是智能电话或其他无线设备，该智能电话或其他无线设备包括处理器、存储器和显示器，不包括图2中所示的其他组件中的一个或多个，并且包括图2中未示出的附加组件，诸如天线、收发器或任何其他合适的无线设备组件。
图3示出了根据示例实施例的用于使用机器学习模型来分解与目标设备相关联的能源使用情况的系统。系统300包括输入数据302、处理模块304、预测模块306、训练数据308和输出数据310。在一些实施例中，输入数据302可以包括来自源位置的能源使用情况，并且数据可以由处理模块304处理。例如，处理模块304可以处理输入数据302以基于输入数据生成特征。
在一些实施例中，预测模块306可以是通过训练数据308训练的机器学习模块(例如，神经网络)。例如，训练数据308可以包括标记的数据，诸如包括标记的设备特定的能源使用数据值的来自多个源位置(例如，来自图1的源位置102和106)的能源使用数据值。在一些实施例中，来自处理模块304的输出(诸如被处理的输入)可以作为输入被馈送到预测模块306。预测模型306可以生成输出数据310，诸如对于输入数据302的分解的能源使用数据。在一些实施例中，输入数据302可以是源位置能源使用数据并且输出数据310可以是目标设备(或多个设备)的分解的能源使用数据。
实施例使用机器学习模型(诸如神经网络)来预测目标设备的能源使用情况。神经网络可以包括称为神经元的多个节点，这些神经元经由链接或突触连接到其他神经元。神经网络的一些实现可以针对分类任务和/或可以在监督学习技术下被训练。在许多情况下，标记的数据可以包括有助于实现预测任务(例如，能源使用情况分类/预测)的特征。在一些实施例中，经训练的神经网络中的神经元可以对给定的输入数据执行小的数学运算，其中它们对应的权重(或相关性)可以用于产生操作数(例如，部分通过应用非线性产生操作数)以被进一步传递到网络中或作为输出给出。突触可以连接具有对应权重/相关性的两个神经元。图3的预测模型306可以是神经网络。
在一些实施例中，神经网络可用于学习标记的能源使用数据值(例如，在一段时间内用设备特定的能源使用情况标记的家庭能源使用数据值)内的趋势。例如，训练数据可以包括特征并且这些特征可以被神经网络(或其他学习模型)用来识别趋势并从整体源位置能源使用情况中与目标设备相关联的预测能源使用情况(例如，分解家庭的整体能源使用情况以识别目标设备的能源使用情况)。在一些实施例中，一旦模型被训练/准备好，它就可以被部署。可以用多种产品或服务(例如，
Figure BDA0003258397650000121
产品或服务)来实现实施例。
在一些实施例中，预测模块306的设计可以包括任何合适的机器学习模型组件(例如，神经网络、支持向量机、专用回归模型等)。例如，神经网络可以与给定的成本函数一起实现(例如，用于训练/梯度计算)。神经网络可以包括任何数量的隐藏层(例如，0、1、2、3个或更多个)，并且可以包括前馈神经网络、循环神经网络、卷积神经网络、模块化神经网络和任何其他合适的类型。
图4A-图4B示出了根据示例实施例的样例卷积神经网络。图4A的CNN 400包括层402、404、406、408和410，以及内核412、414和416。例如，在卷积神经网络的给定层，一个或多个滤波器或内核可以应用于层的输入数据。在所示实施例中，层402、404和406是卷积层，内核412应用于层402，内核414应用于层404，内核416应用于层406。取决于应用的滤波器或内核的形状(例如，1×1、1×2、1×3、1×4等)、滤波器或内核的应用方式(例如，数学应用)、以及其他参数(例如，步幅)，数据的形状和底层数据值可以从输入改变为输出。内核412、414和416被示为一维内核，但是任何其他合适的形状可以被实现。在实施例中，内核412、414和416在它们之间可以具有一种一致的形状、两种不同的形状或三种不同的形状(例如，所有内核的大小不同)。
在一些情况下，卷积神经网络的层可以是异构的并且可以包括卷积层、池化层、全连接层(例如，类似于应用1×1滤波器)等的不同混合/序列。在示出的实施例中，层408和410可以是全连接层。因此，CNN 400示出了前馈卷积神经网络的实施例，该前馈卷积神经网络具有多个卷积层(例如，实现一维滤波器或内核)，随后是全连接层。实施例可以实现任何其他合适的卷积神经网络。
图4B的CNN 420包括层422、424、426、428、430和432，以及内核434、436和438。CNN420可以类似于图4A的CNN 400，但是层422、424和426可以是具有并行朝向的卷积层，并且层428可以是对层422、424和426的输出进行级联的级联层。例如，来自输入层的输入可以被馈送到层422、424以及426中的每一个，其中来自这些层的输出在层428处被级联。在一些实施例中，来自层428的级联输出可以被馈送到层430，层430可以是全连接层。例如，层430和432各自可以是全连接层，其中来自层432的输出可以是由CNN 420生成的预测。
在一些实施例中，内核434、436和438可以类似于图4A的内核412、414和416。例如，内核434、436和438被示为一维内核，但是任何其他合适的形状可以被实现。在实施例中，内核434、436和438在它们之间可以具有一种一致的形状、两种不同的形状或三种不同的形状(例如，所有内核的大小不同)。
在一些情况下，卷积神经网络的层可以是异构的并且可以包括卷积层、池化层、全连接层(例如，类似于应用1×1滤波器)、并行层、级联层等的不同混合/序列。例如，层422、424和426可以表示三个并行层，但是更多或更少数量的并行层可以被实现。类似地，来自层422、424和426中的每一个的输出被描绘为对于层428的输入，层428在一些实施例中是级联层，然而层422、424和426中的一个或多个层可以在级联层之前包括附加的卷积层或其他层。例如，一个或多个卷积层或其他层可以存在于层422(例如，卷积层)和层428(例如，级联层)之间。在一些实施例中，可以在层422和428之间实现另一个卷积层(具有另一个内核)，而没有为层424实现这样的中间层。换句话说，在此示例中，层422的输入可以在被输入到层428(例如，级联层)之前先通过另一个卷积层，而层424的输入被直接输出到层428(而没有另一个卷积层)。
在一些实施例中，层422、424、426和428(例如，三个并行卷积层和一个级联层)可以表示CNN 420内的块，并且一个或多个附加块可以在所描绘的块之前或之后被实现。例如，可以通过至少两个并行卷积层随后是级联层来表征块。在一些实施例中，可以将具有各种并行结构的多个附加卷积层(例如，多于两个)实现为块。CNN 420示出了前馈卷积神经网络的实施例，该前馈卷积神经网络具有具有并行朝向的多个卷积层(例如，实现一维滤波器或内核)，随后是全连接层。实施例可以实现任何其他合适的卷积神经网络。
在一些实施例中，神经网络可以被配置为用于深度学习，例如基于所实现的隐藏层的数量进行深度学习。在一些示例中，贝叶斯网络或其他类型的有监督学习模型可以被类似地实现。例如，在一些情况下，支持向量机可以与一个或多个内核(例如，高斯内核、线性内核等)一起被实现。在一些实施例中，图3的预测模块306可以是堆叠的多个模型，例如，第一模型的输出馈送到第二模型的输入。一些实现可以包括预测模型的多个层。
在一些实施例中，可以向模型给出测试实例以计算其精确度。例如，训练数据308/标记的能源使用数据的一部分可以被保留以用于测试经训练的模型(例如，而不是对模型进行训练)。精确度测量可用于对预测模块306进行调节。在一些实施例中，精确度评估可基于训练数据/被处理的数据的子集。例如，数据的子集可用于评估经训练的模型的精确度(例如，训练数据与测试数据的75％比25％的比率等)。在一些实施例中，可以在测试的各种迭代内随机选择数据用于测试和训练段。
在一些实施例中，当测试时，经训练的模型可以基于给定的输入(例如，测试数据的实例)输出目标设备的能源使用情况的预测数据值。例如，测试数据的实例可以是给定源位置(例如，家庭)在一段时间内的能源使用数据，其包括作为已知标记的数据值的目标设备在一段时间内的具体的能源使用情况。因为对于给定的输入/测试实例，目标设备的能源使用数据值是已知的，所以可以将预测值与已知值进行比较以生成精确度度量。基于使用测试数据的多个实例来测试经训练的模型，经训练的模型的精确度可以被评估。
在一些实施例中，可以基于训练、再训练和/或更新训练期间的精确度计算来调节预测模块306的设计。例如，调节可以包括调整神经网络中的隐藏层的数量、调整(例如，用于实现支持向量机或神经网络的)内核计算等。此调节还可以包括调整/选择机器学习模型使用的特征、调整输入数据的处理等。实施例包括在训练/计算精确度的同时实现各种调节配置(例如，机器学习模型和特征的不同版本)以便达到预测模块306的配置，该配置在被训练时实现期望的性能(例如，以期望的精确度水平执行预测，根据期望的资源利用率/时间度量运行等)。在一些实施例中，经训练的模型可以被保存或存储以用于进一步使用和用于保持其状态。例如，可以“离线”执行预测模块306的训练，然后可以根据需要存储和使用经训练的模型以实现时间和资源高效的数据预测。
预测模块306的实施例被训练以分解整体源位置(例如，家庭)能源使用数据内的能源使用数据。NILM和/或分解是指采用源位置处的总能源使用情况(例如，先进计量基础设施提供的家庭处的能源使用情况)作为输入，并估计一个或多个电器、电动车辆和在源位置处使用能源的其他设备的能源使用情况。图5A-图5G示出了根据示例实施例的描绘分解的能源使用数据的样例图。样例图中描绘的数据表示本文公开的分解技术的测试的实施例，例如分解未见过的源位置(例如，家庭)处的能源使用情况的经训练的机器学习模型。
图5A描绘了总能源使用数据、目标设备(即空调)的标记的能源使用数据和目标设备的预测(例如，由预测模块306的经训练的实施例预测)的能源使用数据的图形表示。在图中，时间在x轴上表示，而能源使用情况(以kWh为单位)在y轴上表示。所描绘的数据包括测量的数据(例如，总能源使用数据和目标设备的标记的能源使用数据)的每小时粒度。任何其他合适的粒度可以类似地被实现。
参考图5A，目标设备的标记的能源使用数据值(实际/测量的数据值)与目标设备的预测的能源使用数据值的比较表明了经训练的预测模型的精确度。例如，经训练的预测模型可以接收总能源使用数据值(或被处理的版本)(作为输入)并生成图形表示的预测。在一些实施例中，总能源使用数据值可以包括目标设备和多个其他设备的能源使用情况。如图5A所描绘的，目标设备的预测的分解的能源使用值在多天内实现了高程度的精确度。任何其他合适的数据粒度、时间段或其他合适的参数可以被实现。
图5B-图5G描绘了总能源使用数据、目标设备的标记的能源使用数据和目标设备的预测的能源使用数据的多个图形表示。例如，图5B-图5G的图可以类似于具有不同目标设备的图5A的图。图5B的图描绘了炉子目标设备(例如，电炉子)的预测分解。图5C的图描绘了烘干机目标设备(例如，电器)的预测分解。图5D的图描绘了游泳池泵目标设备的预测分解。图5E的图描绘了热水器目标设备的预测分解。图5F的图描绘了冰箱目标设备的预测分解。图5G的图描绘了电动车辆目标设备的预测分解。图5A-图5G的图中描绘的预测可以利用来自家庭的源位置能源使用情况，该家庭包括除相关目标设备之外的消耗能源的多个电器/设备。用于生成预测分解的输入(例如，对于学习模块306的输入)可以包括尚未在训练中使用的能源使用数据。换句话说，经训练的学习模块306为先前未见过的输入数据生成预测。
在一些实施例中，输入数据302和/或训练数据308可以包括除能源使用信息之外的信息。例如，与能源使用数据相关的天气信息(例如，能源使用情况被测量时的天气，诸如降水、温度等)、与能源使用数据相关的日历信息(例如，能源使用情况被测量时的日历信息，诸如月份、日期、星期几等)、与能源使用数据相关的时间戳和其他相关信息可以被包括在输入数据302和/或训练数据308中。
实施例处理来自源位置(例如，家庭)的能源使用数据以生成用于训练预测模块306的训练数据308。例如，图5A-图5G中描绘的整体源位置能源使用数据值可以与一个或多个设备的标记的能源使用数据值组合，并且该得到的组合可以被处理以得到训练数据308。在一些实施例中，源位置的能源使用数据可以经由测量(例如，计量)获得。此外，用于接收/监测源位置内特定设备的能源使用情况的测量、计量或一些其他技术可以被实现以生成用于训练的设备特定的标记的能源使用数据。在其他示例中，包括源位置能源使用情况和源位置内分解的设备特定的能源的能源使用数据可以从第三方获得。例如，训练数据可以以任何合适的方式获得，诸如通过在已知情况下监测源位置(例如，家庭)、获得公开(或以其他方式)可用的数据集、开发产生训练数据的合资企业或合作伙伴关系而获得，并通过任何其他合适的方式获得。
可以被处理以生成训练数据308的能源使用数据的示例包括：
表1：预处理的源位置能源使用数据
Figure BDA0003258397650000171
Figure BDA0003258397650000181
此示例数据的样本行包括以下列：标识符、时间戳、总计(能源使用情况)和标记的设备特定的能源使用情况(空调、电动车辆、洗衣机、烘干机、洗碗机、冰箱等)。此示例包括15分钟的粒度，但是其他合适的粒度(例如，1分钟、5分钟、15分钟、30分钟、1小时、几小时等)可以类似地被实现。在一些实施例中，处理能源使用数据(例如，以生成训练数据308)可以包括减小数据的粒度，例如使得它可以用于生成具有一致粒度(例如，1小时)的训练语料库。这样的粒度减小可以通过对构成时间单位的组件内的数据使用值求和(例如，对在构成一个小时的4个15分钟间隔内的数据使用值求和)来实现。
实施例包括要被包括在训练数据308内的确定的一组设备。例如，预测模块306的训练可以被配置为生成目标设备的分解预测，然而，除了目标设备之外，训练还可以利用一组其他设备的标记的数据使用情况。在一些实施例中，一组其他设备可以基于可用于训练目的的能源使用数据和/或设备特定的标记的数据值。训练数据通常是有限的，因此利用可用训练数据的训练技术通常是有益的。
实施例包括在用于训练机器学习模型的技术内使用的一组其他设备与训练数据中可用的标记的设备特定的能源使用数据值之间的对应。换句话说，训练数据中可用的标记的设备特定的能源使用数据值可以包括多个不同设备的标签，可能存在出现在训练数据的给定源位置内的许多不同的设备组合，并且不同设备一起出现在相同源位置的频率可能有所不同。训练技术内使用的一组其他设备可以基于训练数据内的设备多样性、给定源位置处的不同设备组合和/或不同设备组合的出现频率。
因此，训练数据308的多个不同变体可以通过处理来自上面的表1的预处理的能源使用数据来生成。表2表示处理能源使用数据以生成训练数据308的示例，该训练数据包括时间戳、总源位置能源使用情况和单个目标设备(电动车辆)的标记的能源使用情况。
表2：目标设备电动车辆(EV)的预处理数据，并且无附加输入设备
Figure BDA0003258397650000191
Figure BDA0003258397650000201
在一些实施例中，预处理可以包括从表1中选择列的子集、行的子集、数据的聚合(或一些其他数学/组合函数)和其他合适的处理。例如，可以执行数据清理、归一化、缩放或用于呈现适合机器学习的数据的其他处理。
表3表示处理能源使用数据以生成训练数据308的示例，该训练数据308包括时间戳、总源位置能源使用情况、目标设备(电动车辆)的标记的能源使用情况和附加设备(空调)的标记的能源使用情况。
表3：目标设备EV和1个附加输入设备AC的预处理数据
时间 总计 AC EV
2019-06-01 00:00:00 0.91 0.33 0.0
2019-06-01 00:00:15 3.52 0.41 2.91
2019-06-01 00:00:30 3.95 0.0 3.33
2019-06-01 00:00:45 3.26 0.0 2.83
2019-06-01 01:00:00 0.86 0.0 0.58
2019-06-01 01:00:15 0.55 0.0 0.0
2019-06-01 01:00:30 0.67 0.0 0.0
2019-06-01 01:00:45 0.52 0.0 0.0
2019-06-01 02:00:00 0.44 0.0 0.0
2019-06-01 02:00:15 0.63 0.0 0.0
2019-06-01 02:00:30 0.72 0.0 0.0
表4表示处理能源使用数据以生成训练数据308的示例，该训练数据308包括时间戳、总源位置能源使用情况、目标设备(电动车辆)的标记的能源使用情况和三个附加设备(空调、洗衣机和烘干机)的标记的能源使用情况。
表4：目标设备EV和3个附加输入设备(AC、洗衣机和烘干机)的预处理数据
时间 总计 AC EV 洗衣机 烘干机
2019-06-01 00:00:00 0.91 0.33 0.0 0.0 0.0
2019-06-01 00:00:15 3.52 0.41 2.91 0.0 0.0
2019-06-01 00:00:30 3.95 0.0 3.33 0.0 0.0
2019-06-01 00:00:45 3.26 0.0 2.83 0.0 0.0
2019-06-01 01:00:00 0.86 0.0 0.58 0.0 0.0
2019-06-01 01:00:15 0.55 0.0 0.0 0.0 0.0
2019-06-01 01:00:30 0.67 0.0 0.0 0.0 0.0
2019-06-01 01:00:45 0.52 0.0 0.0 0.0 0.0
2019-06-01 02:00:00 0.44 0.0 0.0 0.0 0.0
2019-06-01 02:00:15 0.63 0.0 0.0 0.0 0.0
2019-06-01 02:00:30 0.72 0.0 0.0 0.0 0.0
在此示出的示例中，表1中具有空值的设备被包括在表4中，但空值已用零值被替换。表1中呈现的洗衣机和烘干机的空值指示来自表1的源位置能源使用数据不包括标记的洗衣机和烘干机能源使用数据。换句话说，例如由于训练语料库、测量/计量设备或其他情况的限制，(表1中表示的)整体源位置能源使用数据内的洗衣机和烘干机的标记的能源使用数据不可用。
在一些实施例中，处理源位置的设备特定的标记的能源使用数据可以包括用零值替换空值(或任何其他占位符值)。例如，当确定特定设备将用在用于预测模块306的给定实现的训练技术中并且部分能源使用数据缺少(在一个或多个源位置处的)特定设备的标记的设备特定的能源使用情况时，缺失的特定设备的标记的能源使用值可以用零值替换。如本文进一步讨论的，即使在训练语料库不包括某些设备的一组综合的标记的能源使用数据时，也可以确定这些设备将参与用于给定实现的训练技术。实施例用零值替换空值以利用可用的训练数据，利用除目标设备之外的一个或多个设备以用于学习目的，并且总体上提高机器学习性能。
表5表示处理能源使用数据以生成训练数据308的示例，该训练数据308包括时间戳、总源位置能源使用情况、目标设备(电动车辆)的标记的能源使用情况和四个附加设备(空调、洗衣机、烘干机和冰箱)的标记的能源使用情况。
表5：目标设备EV和4个附加输入设备(AC、洗衣机、烘干机和冰箱)的预处理数据
Figure BDA0003258397650000221
Figure BDA0003258397650000231
在表5所示的针对源位置的示例中，目标设备伴随有具有标记的能源使用数据的两个设备(例如，空调和冰箱)和不包括标记的能源使用数据的两个设备(例如，洗衣机和烘干机)，其中没有标记的能源使用数据的两个设备已被处理以反映零能源使用数据标签。表6表示处理能源使用数据以生成训练数据308的示例，该训练数据308包括时间戳、总源位置能源使用情况、目标设备(电动车辆)的标记的能源使用情况和五个附加设备(空调、洗衣机、烘干机、洗碗机和冰箱)的标记的能源使用情况。
表6：目标设备EV和5个附加输入设备(AC、洗衣机、烘干机、洗碗机和冰箱)的预处理数据
Figure BDA0003258397650000232
Figure BDA0003258397650000241
在表6所示的针对源位置的示例中，目标设备伴随有具有标记的能源使用数据的两个设备(例如，空调和冰箱)和不包括标记的能源使用数据的三个设备(例如，洗碗机、洗衣机和烘干机)，其中没有标记的能源使用数据的三个设备已被处理以反映零能源使用数据标签。如表2-表6所示，处理包括一些设备的标记的能源使用数据的给定源位置的能源使用数据可以生成训练数据的不同变体。实施例可以利用这些变体中的一个或多个变体来训练机器学习模型并实现有益的结果。
例如，训练模块306的给定实现可能涉及若干因素。实现可能旨在分解单个目标设备的能源使用情况，但是与可用训练数据相关的若干其他因素可能存在争议，诸如包括不同源位置处的目标设备的标记的能源使用数据的整体能源使用数据的可用性、在不同源位置处与目标设备并置的具有可用标记的能源使用数据的其他设备的数量和多样性、可用能源使用数据的粒度以及其他相关因素。因此，实现期望的预测结果的实现可以涉及使用目标设备的标记的能源使用数据、一组其他设备的标记的能源使用数据以及部分训练数据中对于一组其他设备中的某些设备设置为零的能源使用数据。因此，表2-表6中表示的被处理的训练数据的实现期望的结果的特定变体是基于可用训练数据及其相关因素的。换句话说，可以诸如基于具有标记的设备特定的能源使用值的可用能源使用数据来确定要在训练数据内利用的一组设备。
在一些实施例中，将参与训练的一组其他设备可以相对于可用训练数据满足某些标准。例如，可用的训练数据可以包括多个源位置(例如，家庭)的能源使用值，并且这些源位置中的多数源位置的能源使用情况可以包括来自目标设备的标记的能源使用情况和来自一组其他设备中的至少一个设备的标记的能源使用情况。在另一示例中，一组其他设备可以被确定，以使得至少阈值数量(例如，最小数量)的其他设备用在训练技术内。在一些实施例中，一组其他设备可以被确定，使得训练数据的任何给定实例(例如，一行训练数据)包括其能源使用数据值被设置为零的不超过阈值数量(例如，不超过0、1、2、3个等)的其他设备。在一些实施例中，例如基于训练数据所呈现的限制，一组其他设备可以被确定为空集。
在一些实施例中，一组其他设备被确定，使得用于基于该一组其他设备来训练机器学习模型的训练数据的量满足标准。例如，一组其他设备可以被确定，以使得至少阈值数量(例如，最小数量)的训练实例(例如，训练数据行)对于训练有用。在另一个示例中，一组其他设备被确定，以使得被设置为零的标记的设备特定的能源使用数据值的量满足标准(例如，低于训练数据的阈值百分比，诸如5％、10％、15％、20％、30％、40％、50％等)。
实施例还可以包括实现训练数据和一组其他设备之间的其他对应关系的训练和实现技术。例如，训练数据的大多数实例(例如，训练数据行)可以包括添加的零标记的能源使用值(基于家庭处或数据集中不存在一组其他设备)。在另一个示例中，训练数据的大多数实例可以包括目标设备的非零标记的能源使用值。在另一个示例中，训练数据的大多数实例可以包括目标设备和一组其他设备中的至少一个设备的非零标记的能源使用值。在另一个示例中，训练数据的至少一些实例可以包括目标设备的添加的零标记的能源使用值。在另一个示例中，一组其他设备中的每一个设备可以在至少阈值量(例如，10％、20％、30％等)的训练数据实例中具有非零标记的能源使用值。在另一示例中，训练数据的一个或多个实例可以包括目标设备和一组其他设备中的至少两个设备的非零标记的能源使用值。可以实现训练技术和一组其他设备以实现这些对应关系的任何、大多数、一个对应关系或组合，或者可以实现任何其他合适的对应关系。
在一些实施例中，当用于一组其他设备的训练数据与用于目标设备的训练数据结合使用时，可以使用目标设备和一组其他设备来实现训练技术(例如，预测生成、损耗计算、梯度传播、精确度改进等)。例如，后处理的训练数据可用于训练机器学习模型以从源位置(例如，家庭)能源使用情况内预测目标设备的能源使用情况。在一些实施例中，输入数据(诸如一段时间内的源位置能源使用数据)可以被接收、处理并馈送到经训练的机器学习模型中以生成关于目标设备使用了在源位置处使用的能源中的多少能源的预测。
在一些实施例中，当确定的一组其他设备用于训练机器学习模型时，由经训练的模型生成的预测可以包括对目标设备的分解预测和为一组其他设备(例如，非目标设备)生成的预测。例如，为非目标设备生成的预测在(例如，基于一组其他设备的标记的设备特定的能源使用情况)计算精确度度量和训练模型时可以是有用的。在聚焦对目标设备的分解预测的一些实施例中，用于一组其他设备的生成的预测可以被丢弃。例如，这些实施例利用了使用其他设备进行训练的好处，并且这些好处改进了用于目标设备的分解预测。
在一些实施例中，被处理的训练数据的版本可用于训练卷积神经网络以分解目标设备能源使用情况。参考图4A，CNN 400包括可以是卷积层的层402、404和406、以及可以是全连接层的层408和410。显示为具有1×a形状的内核412可以应用于层402，显示为具有1×b形状的内核414可以应用于层404，并且显示为具有1×c形状的内核416可以应用于层406。在一些实施例中，内核412、414和416的形状可以在CNN 400的训练/配置期间被调节，并且因此这些形状可以采用实现分解任务的有效性能的任何合适的形状。
类似地，参考图4B，CNN 420包括可以是卷积层的层422、424和426、可以是级联层的层428以及可以是全连接层的层430和432。显示为具有1×a形状的内核434可以应用于层422，显示为具有1×b形状的内核436可以应用于层434，并且显示为具有1×c形状的内核438可以应用于层426。在一些实施例中，内核434、436和438的形状可以在CNN 420的训练/配置期间被调节，并且因此这些形状可以采用实现分解任务的有效性能的任何合适的形状。
在一些实施例中，内核412、414和416的形状可以在数据通过层402、404和406时分别改变数据的形状。例如，当输入数据通过层402、404和406时，内核412、414和416的应用可以改变输入数据的形状。在一些实施例中，通过层402、404和406的数据的形状基于内核412、414和416的形状、每个内核的步幅以及实现的填充。例如，填充可以包括将0添加到数据中(例如，添加到数据的顶部、底部、左侧和/或右侧)。在一些实施例中，对于层412、414和416中的一个或多个，内核形状、步幅和填充的组合可以产生不改变数据形状的相同/原始大小的卷积。
类似地，内核434、436和438的形状可以在数据通过层422、424和426时分别改变数据的形状。例如，当输入数据通过层422、424和426时，内核434、436和438的应用可以改变输入数据的形状。在一些实施例中，通过层422、424和426的数据的形状基于内核434、436和438的形状、每个内核的步幅以及实现的填充。在一些实施例中，对于层434、436和438中的一个或多个，内核形状、步幅和填充的组合可以产生不改变数据形状的相同/原始大小的卷积。
如上所讨论的，实施例预测目标设备的能源使用情况分解，然而一组其他设备(例如，非目标设备)也可以参与学习技术(例如，预测、损耗计算、梯度传播)。实现CNN的实施例可以使用非目标设备的训练数据、损耗计算和梯度传播来为在不同层处实现的内核配置权重/值。CNN的此训练/配置产生基于非目标设备训练的神经元，这些神经元可以有效提高用于目标设备的预测的精确度。
在一些实施例中，可以训练多个机器学习模型，并且可以组合这些模型的输出以实现目标设备的预测的能源使用情况分解。图6示出了根据示例实施例的用于使用多个机器学习模型来分解与目标设备相关联的能源使用情况的流程图。
系统600包括输入数据602、处理模块604、预测模块606和610、训练数据608和612、组合模块614和输出616。在一些实施例中，输入数据602可以包括来自源位置的能源使用情况并且数据可以由处理模块604处理。例如，处理模块604可以处理输入数据602以基于输入数据生成特征。在一些实施例中，输入数据602和处理模块604可以类似于图3的输入数据302和处理模块304。
在一些实施例中，预测模块606和610可以是分别由训练数据608和612训练的机器学习模块(例如，神经网络)。例如，训练数据608可以包括标记的数据，诸如来自多个源位置(例如，图1中的源位置102和106)的能源使用数据值，其包括标记的设备特定的能源使用数据值。在一些实施例中，来自处理模块604的输出(诸如被处理的输入)可以作为输入被馈送到预测模块606和610。在一些实施例中，预测模块606和610可以类似于图3的预测模块306。
在一些实施例中，训练数据608可以训练预测模块606来预测目标设备的分解能源使用情况，而训练数据612可以训练预测模块610来预测目标设备的高于阈值的能源使用情况。例如，训练预测模块606以生成分解预测的训练数据608可以包括具有(例如，在时间跨度内)使用的能源量的标记的能源使用数据。换句话说，训练数据608的标记的设备特定的能源使用数据反映使用的能源量，诸如上面的表1-表6中表示的能源量。
在一些实施例中，训练预测模块610以生成检测预测的训练数据612可以包括(例如，在时间跨度内)检测到的能源使用情况。换句话说，训练数据612内的标记的设备特定的能源数据可以表示是否使用了超过阈值的能源(例如，表示ON或OFF的二进制值)。在一些实施例中，可以通过将高于阈值的任何标记的设备特定的能源使用值设置为1并且将低于阈值的任何标记的设备特定的能源使用值设置为0来生成训练数据612。例如，训练数据612的标记的设备特定的能量使用情况可以不包括标记的设备的能量使用量(例如，而是包括二进制的1或0)。
预测模块606可以基于输入数据602为目标设备生成预测的分解的能源使用情况并且预测模块610可以基于输入数据602生成目标设备检测预测。来自预测模块606和610的这些预测可以输入到组合模块614，该组合模块614可以为目标设备生成组合的分解预测作为输出616。在一些实施例中，诸如当检测预测与分解预测不一致时，组合模块614通过向基于检测预测的目标设备的预测分解添加值来组合来自预测模块606的分解预测和来自预测模块610的检测预测。
例如，在预测模块606在给定时间段(例如，一小时)内为目标设备生成很少预测能源使用情况或没有生成预测能源使用情况并且预测模块610生成目标设备在此时间段正在使用能源的预测(例如，指示目标设备开启并使用能源的1预测)的情况下，组合模块614可以通过将能源使用值(例如，阈值或预定量的能源使用值)添加到该时间段的预测分解来增强分解预测。类似地，在预测模块606在给定时间段(例如，一小时)为目标设备生成大量预测能源使用值(例如，高于阈值的能源使用值)并且预测模块610生成目标设备在此时间段未在使用能源的预测(例如，指示目标设备关闭且未使用能源的0预测)的情况下，组合模块614可以通过从该时间段的预测分解中减去能量使用值(例如，阈值量或预定量的能量使用值)来增强分解预测。
在一些实施例中，组合模块614可以使用加权算法来组合来自预测模块606的分解预测和来自预测模块610的检测预测。例如，预测模块610可以诸如以1分钟、5分钟、15分钟、30分钟、45分钟、1小时或其他类似的粒度针对目标设备的使用时间生成检测预测(例如，通过指示ON/OFF)。预测模块606可以诸如以1分钟、5分钟、15分钟、30分钟、45分钟、1小时或其他相似的粒度生成估计目标设备使用多少能源的分解预测。
组合模块614可以实现使用参数来相对于另一个预测偏向一个预测的通用加权方案。例如，一个或多个参数可用于在组合生成的预测时配置权重(例如，α和/或β权重，以及第一和第二阈值)。在此示例中，基于这些参数的值，配置了分解预测被检测预测增强的程度。在一些实施例中，可以寻求分解预测和检测预测之间的一致。例如，有时分解预测可以预测目标设备的能源使用情况，而检测预测指示设备OFF(关闭)。类似地，有时分解预测可以预测目标设备没有能源使用，而检测预测指示设备ON(开启)。
在一些实施例中，一个或多个阈值可以被配置为当与检测预测存在不一致时来增强分解预测。例如，当检测预测指示目标设备开启但分解预测不包括在相关时间段内(例如，对于相关的15分钟、30分钟、45分钟或1小时时间窗口)的预测能量使用，第一阈值量的能源使用可以被添加到分解预测中。在此示例中，如果分解预测包括低于第一阈值的预测能源使用，则增强可以包括将预测能源使用提高到第一阈值。类似地，当检测预测指示目标设备关闭但分解预测包括在相关时间段内大于第二阈值的预测能源使用时，来自分解预测的预测能源使用可以被减小到能源使用的第二阈值量。
在一些实施例中，一个或多个加权参数(例如，α和β权重)可用于调整分解预测的能源使用值被检测预测增强的程度。例如，α权重可以与第一阈值相关，并且该权重可以控制被添加到分解预测的能源使用量。在样例实现中，如果α权重被设置为“1”，则分解预测内相关时间窗口内的能源使用可以被提高到第一阈值，并且如果该权重被设置为“0”，则将不添加能源使用。“1”和“0”之间的α权重的中间值可以添加与权重成比例的能源使用。例如，“0.5”权重可以将能源使用提高到第一阈值的一半，或者可以确定第一阈值与相关时间段内的分解预测内的能源使用之间的增量，并且可以添加等于“0.5”倍的增量的能源使用。
类似地，β权重可以与第二阈值相关，并且权重可以控制来自分解预测的能源使用中的减小量。在样例实现中，如果β权重被设置为“1”，则分解预测内相关时间窗口内的能源使用可以被减小到第二阈值，如果此权重被设置为“0”，则能源使用将不减小。“1”和“0”之间的β权重的中间值可以减小与权重成正比的能源使用。例如，“0.5”权重可以将能源使用减小到2x第二阈值，或者可以确定第二阈值与相关时间段内的分解预测内的能源使用之间的增量，并且可以从分解预测中减去等于“0.5”倍的增量的能源使用。在一些实施例中，可以实现这些参数(例如，α、β、第一阈值和/或第二阈值)中的一个或任意组合，或者可以实现任何其他合适的加权方案。
在一些实施例中，组合模块614可以包括被训练/配置为组合分解预测和检测预测的第三机器学习模型。例如，第三经训练的机器学习模型可以被训练为使用分解预测和检测预测来预测目标设备的能源使用量。在一些实施例中，使用由第三经训练的机器学习模型生成的预测来组合分解预测和检测预测。例如，第三机器学习模型的训练数据可以包括目标设备的分解预测、检测预测和标记的(已知)能源使用情况。在此示例中，第三机器学习模型的输入包括分解预测和检测预测输出，并且因此训练数据包括这些预测连同标记的(已知)能源使用数据，使得在训练时损耗和梯度计算可以被执行。
在一些实施例中，第三机器学习模型的训练数据/输入还可以包括整体源位置(例如，家庭)能源使用情况。例如，此整体源位置能源使用情况是训练预测模块606和610所使用的训练数据的一部分，并且还用作预测模块606和610的输入以生成分解预测和检测预测。当组合分解预测和检测预测时，第三经训练的机器学习模型可以发现来自整体源位置能源使用情况的趋势影响精确度。因此，在训练第三个机器学习模型时，整体源位置能源使用情况可被用来学习如何组合这些预测。类似地，当生成用于组合分解预测和检测预测的组合预测时，这些预测和整体源位置能源使用情况两者都可以被用作输入。
在一些实施例中，第三机器学习模型可以是深度学习模型，例如基于实现的多个隐藏层的深度学习模型。在一些实施例中，分解预测和检测预测由组合模块614使用决策树、随机森林算法、贝叶斯学习或其他合适的组合技术组合。
图7示出了根据示例实施例的用于训练机器学习模型以分解与目标设备相关联的能源使用情况的流程图。在一些实施例中，图7-图11的功能可以由存储在存储器或其他计算机可读或有形介质中的软件实现，并由处理器执行。在其他实施例中，每个功能可以(例如，通过专用集成电路(“ASIC”)、可编程门阵列(“PGA”)、现场可编程门阵列(“FPGA”)等的使用)由硬件执行，或由任何硬件和软件的组合执行。在实施例中，图7-图11的功能可以由图2的系统200的一个或多个元件来执行。
在702处，可以接收包括多个源位置处的目标设备和一个或多个非目标设备的能源使用情况的能源使用数据。例如，能源使用数据可以类似于上面的表1中所示的数据。在一些实施例中，接收的数据可以包括时间戳、源位置(例如，家庭)处的整体能源使用情况(包括多个设备使用的能源)，以及一个或多个目标和非目标设备的标记的设备特定的能源使用情况。能源使用数据可以通过监测能源使用情况、从第三方、基于合资企业或通过任何其他合适的渠道或实体来接收。
在704处，可以配置机器学习模型。例如，可以配置机器学习模型，诸如神经网络、CNN、RNN、贝叶斯网络、支持向量机或任何其他合适的机器学习模型。可以选择诸如层数(例如，隐藏层的数量)、输入形状、输出形状、宽度、深度、方向(例如，前馈或双向)、激活函数、层或单元的类型(例如，门控循环单元、长短期记忆等)之类的参数或用于机器学习模型的其他合适的参数。在一些实施例中，在训练模型时这些配置的参数可以被调节(例如，调整、完全改变、添加或移除)。
在一些实施例中，机器学习模型可以包括CNN。在此情况下，还可以配置诸如层的类型(例如，卷积、池化、全连接等)、内核大小和类型、步幅之类的参数和其他参数。在训练模型时这些配置的参数也可以被调节。
在706处，可以处理能源使用数据以生成训练数据。例如，可以基于目标设备和一组其他设备(例如，一个或多个非目标设备)来处理能源使用数据以生成训练数据。处理可以基于能源使用数据(例如，能源使用数据内的各种设备的标记的设备特定的能源使用情况的可用性)和一组其他设备之间的对应关系。在一些实施例中，可以基于可用的能源使用数据和/或目标设备来选择一组其他设备，可以基于一组其他设备和/或目标设备来选择用于生成训练数据的能源使用数据，或者可以组合考虑一组其他设备和能源使用数据，并且可以基于它们之间的(例如，有益于训练/性能的)对应关系来选择它们两者。
在一些实施例中，基于训练数据内多个家庭的能源使用情况来确定一组其他设备。该一组其他设备内的其他设备的数量也可以基于训练数据内多个家庭的能源使用情况。在一些实施例中，基于训练数据内多个家庭的能源使用情况内的一组其他设备的已知能源使用值来确定一组其他设备。一组其他设备可以被确定为使得被配置为在给定一组其他设备的情况下训练机器学习模型的训练数据的量满足标准(例如，阈值量)。
在一些实施例中，基于参与训练的目标设备和一组其他设备，可以处理能源使用数据以用零值能源使用来增强数据。例如，数据的实例(例如，行)可以包括时间戳、源位置处的整体能源使用情况以及多种标记的设备特定的能源使用情况。当目标设备或一组其他设备中的任何设备不被包括在实例的标记的设备特定的能源使用情况中时，零值可以被填充到这些缺失(或以其他方式无效)的条目中。在一些实施例中，可以处理训练数据，使得对于其能源使用情况不包括来自一组其他设备的子集的标记的能源使用情况的给定源位置(例如，家庭)，其他设备的子集的标记的能源使用情况被设置为零。此处理允许高效利用可用的训练数据，因为学习机制仍然可以从大多数训练数据中学习。此外，能源使用数据与为参与学习而选择的一组其他设备之间的对应减轻了可能由于零值的插入而引起的任何潜在的学习问题。
在708处，可以使用生成的训练数据来训练机器学习模型以预测目标设备的分解的能源使用情况。训练可以包括预测的生成、(例如，基于损耗函数的)损耗计算和(例如，通过机器学习模型的层/神经元的)梯度传播。如本文所讨论的，目标设备的标记的能源使用情况和一组其他设备的标记的能源使用情况两者都用于训练机器学习模型。
在一些实施例中，经训练的机器学习模型是使用多个家庭的能源使用值、目标设备的标记的能源使用值以及一组其他设备的标记的能源使用值来训练的。用于训练机器学习模型的训练数据可以包括来自多个家庭的能源使用情况、家庭的能源使用情况内目标设备的标记的能源使用值以及家庭的能源使用情况内一组其他设备的标记的能源使用值。在一些实施例中，机器学习模型的训练可以优化预测目标设备的能源使用值的精确度。
在一些实施例中，包括来自多个家庭的能源使用值、目标设备的标记的能源使用值和一组其他设备的标记的能源使用值的训练数据具有基本上每小时的粒度。可以类似地实现其他合适的粒度(例如，1分钟、15分钟、30分钟、45分钟等)。在一些实施例中，可以基于训练结果对机器学习模型、利用的训练数据和/或一组其他设备进行调节。例如，经训练的模型的测试可以指示经训练的模型的精确度，并且可以基于测试精确度进行各种调节调整。
在710处，可以存储经训练的机器学习模型。例如，可以存储生成满足标准(例如，精确度标准或阈值)的预测的经训练的学习模型，使得存储的模型可以用于执行分解预测。
图8示出了根据示例实施例的用于使用经训练的机器学习模型来预测与目标设备相关联的分解的能源使用情况的流程图。例如，基于图7的功能而训练的机器学习模型可用于执行图8的功能。
在802处，可以在一段时间内接收家庭能源使用数据，其中家庭能源使用情况包括目标设备消耗的能源和多个其他设备消耗的能源。例如，家庭能源使用数据可以基于一段时间(诸如一天)内的(例如，以基本上每小时的粒度的)时间戳被分解为时间间隔。可以实现其他合适的粒度。
在804处，可以处理接收到的能源使用数据。例如，处理可以类似于对训练数据的处理。在这样的示例中，处理可以将家庭能源使用情况输入数据更改为与训练数据相似，因此经训练的机器学习模型可以实现增强的预测结果。处理可以包括实现能源使用数据的每小时粒度、归一化、其他形式的缩放以及任何其他合适的处理。
在806处，可将被处理的数据作为输入数据提供给经训练的机器学习模型。例如，可以存储根据图7的功能来训练的模型，并且可以将被处理的数据作为输入提供给经训练的模型。在808处，可以通过经训练的机器学习模型生成预测。例如，可以通过经训练的机器学习模型预测基于接收到的整体能源使用情况的目标设备的分解的能源使用情况。
在一些实施例中，预测可以具有与提供给经训练的模型的输入相似的粒度。例如，目标设备的预测的能源分解可以具有基本上每小时的粒度。在一些实施例中，预测的能源使用情况包括目标设备在至少一天内至少以基本上每小时的粒度的预测的能源使用情况。
图9示出了根据示例实施例的用于使用经训练的卷积神经网络来预测与目标设备相关联的分解的能源使用情况的流程图。例如，基于图7的功能训练的卷积神经网络可用于执行图9的功能。
在一些实施例中，图7的功能可用于训练具有卷积层和全连接层的混合的CNN。例如，CNN可以包括随后是一个或多个全连接层的多个卷积层。CNN可以类似于图4A和/或图4B中所示的网络。例如，CNN层中的一个层可以是具有第一大小的一维内核的卷积层，而CNN层中的另一个层可以是具有第二大小的一维内核的卷积层。在一些实施例中，第一大小小于第二大小。在一些实施例中，CNN层中的至少两个层可以是并行的卷积层，并且级联层可被用来级联CNN内的并行分支，如图4B所示。在这样的实施例中，并行分支可以被配置为学习输入/训练数据的不同特征。例如，为并行分支中的第一分支实现的内核大小、步幅和填充可以不同于为并行分支中的第二分支实现的内核大小、步幅和填充。
在902处，可以接收包括一段时间内在源位置处的能源使用数据的输入数据。例如，源位置可以是家庭，并且家庭能源使用情况可以包括目标设备消耗的能源和多个其他设备消耗的能源。例如，源位置能源使用情况可以基于一段时间(诸如一天)内的(例如，以基本上每小时的粒度的)时间戳被分解为时间间隔。
在904处，可以处理接收到的能源使用数据。例如，处理可以类似于对训练数据的处理。在这样的示例中，处理可以将源位置能源使用情况输入数据更改为与训练数据相似，因此经训练的机器学习模型可以实现增强的预测结果。处理可以包括实现能源使用数据的每小时粒度、归一化、其他形式的缩放以及任何其他合适的处理。
在906处，可以将被处理的数据作为输入数据提供给经训练的卷积神经网络。例如，可以存储根据图7的功能而训练的卷积神经网络，并且可以将被处理的数据作为输入提供给经训练的网络。在908处，可以通过经训练的卷积神经网络生成预测。例如，可以通过经训练的卷积神经网络预测基于接收到的整体能源使用情况的目标设备的分解的能源使用情况。在一些实施例中，预测分解的目标设备能源使用情况至少包括输入数据通过经训练的CNN的前馈进展(progression)，使得输入数据的形状在(具有第一一维内核的)第一层和(具有第二一维内核的)第二层之间被改变。在一些实施例中，在CNN内第一层和第二层包括并行朝向。
在一些实施例中，预测可以具有与提供给经训练的网络的输入相似的粒度。例如，目标设备的预测的能源分解可以具有基本上每小时的粒度。在一些实施例中，预测的能源使用情况包括目标设备在至少一天内至少以基本上每小时的粒度的预测的能源使用情况。
图10示出了根据示例实施例的用于训练多个机器学习模型以分解与目标设备相关联的能源使用情况的流程图。在1002处，可以接收包括多个源位置处的目标设备和一个或多个非目标设备的能源使用情况的能源使用数据。例如，能源使用数据可以类似于上面的表1中所示的数据。在一些实施例中，接收的数据可以包括时间戳、源位置(例如，家庭)处的整体能源使用情况(其包括多个设备使用的能源)、以及目标和非目标设备中的一个或多个的标记的设备特定的能源使用情况。能源使用数据可以通过监测能源使用情况、从第三方、基于合资企业或通过任何其他合适的渠道或实体来接收。
在1004处，可以配置第一机器学习模型和第二机器学习模型。例如，可以配置机器学习模型，诸如神经网络、CNN、RNN、贝叶斯网络、支持向量机或任何其他合适的机器学习模型。可以选择诸如层数(例如，隐藏层的数量)、输入形状、输出形状、宽度、深度、方向(例如，前馈或双向)、激活函数、层或单元的类型(例如，门控循环单元、长短期记忆等)之类的参数或用于机器学习模型的其他合适的参数。在一些实施例中，在训练模型时这些配置的参数可以被调节(例如，调整、完全改变、添加或移除)。
在一些实施例中，第一机器学习模型可以被设计/配置为从源位置能源使用情况内分解目标设备能源使用情况。例如，机器学习模型可以类似于在图7、图8和图9中设计/训练和/或实现的模型。在一些实施例中，第二机器学习模型可以被设计/配置为从源位置能源使用情况内检测目标设备能源使用情况。例如，检测可以与分解不同，这是因为分解旨在确定目标设备的能源使用量，而检测旨在检测目标设备高于阈值的能源使用情况。检测的实现可以旨在检测高于阈值的能源使用情况，以区分目标设备正在开启并且正在使用能源以及目标设备的待机模式(这可能汲取低水平的能源)。用于区分待机模式(其可以被解释为关闭)和开启的此阈值可以取决于目标设备。在一些实施例中，预测分解可以采用(例如，在值范围内的)数值，而预测检测可以是二进制的(例如，开或关)。
在1006处，可以处理能源使用数据以生成训练数据。例如，可以基于目标设备和一组其他设备(例如，一个或多个非目标设备)来处理能源使用数据以生成训练数据集。处理可以基于能源使用数据(例如，能源使用数据内的各种设备的标记的设备特定的使用情况的可用性)和一组其他设备之间的对应。在一些实施例中，可以基于可用的能源使用数据和/或目标设备来选择一组其他设备，可以基于一组其他设备和/或目标设备来选择用于生成训练数据的能源使用数据，或者可以组合考虑一组其他设备和能源使用数据，并且可以基于它们之间的(例如，有益于训练/性能的)对应来选择它们两者。
在一些实施例中，基于训练数据内多个家庭的能源使用情况来确定一组其他设备。一组其他设备内的其他设备的数量也可以基于训练数据内多个家庭的能源使用情况。在一些实施例中，基于训练数据内多个家庭的能源使用情况内的一组其他设备的已知能源使用值来确定一组其他设备。一组其他设备可以被确定为使得被配置为在给定一组其他设备的情况下训练机器学习模型的训练数据的量满足标准(例如，阈值量)。
在一些实施例中，基于参与训练的目标设备和一组其他设备，可以处理能源使用数据以用零值能源使用情况来增强数据。例如，数据的实例(例如，行)可以包括时间戳、源位置处的整体能源使用情况以及多种标记的设备特定的能源使用情况。当目标设备或一组其他设备中的任何设备不被包括在实例的标记的设备特定的能源使用情况中时，零值可以被填充到这些缺失(或以其他方式无效)的条目中。在一些实施例中，可以处理训练数据，使得对于其能源使用情况不包括来自一组其他设备的子集的标记的能源使用情况的给定源位置(例如，家庭)，其他设备的子集的标记的能源使用情况被设置为零。此处理允许高效利用可用的训练数据，因为学习机制仍然可以从大多数训练数据中学习。此外，能源使用数据与为参与学习而选择的一组其他设备之间的对应减轻了可能由于零值的插入而引起的任何潜在的学习问题。
在一些实施例中，处理能源使用数据可以包括生成用于第一机器学习模型的第一组训练数据和用于第二机器学习模型的第二组训练数据。例如，使用包括(例如，在时间跨度内)使用的能源量的标记的能源使用数据来训练生成分解预测的第一机器学习模型。因此，第一组训练数据内的标记的设备特定的能源数据可以包括标记的设备特定的能源使用情况，标记的设备特定的能源使用情况反映所使用的能源量，诸如上面的表1-表6中表示的能源量。在一些实施例中，使用包括检测到的(例如，在时间跨度内的)能源使用情况的标记的能源使用数据来训练生成检测预测的第二机器学习模型。因此，第二组训练数据内的标记的设备特定的能源数据可以包括表示是否使用超过阈值的能源的标记的设备特定的能源使用情况(例如，表示开启或关闭的二进制值)。
在一些实施例中，可以通过将高于阈值的任何标记的设备特定的能源使用值设置为1并且将低于阈值的任何标记的设备特定的能源使用值设置为0来生成第二组训练数据。例如，第二组训练数据的标记的设备特定的能源使用情况可能不包括标记的设备的能源使用量(而是包括二进制的1或0)。
在1008处，可以使用生成的第一训练数据集和第二训练数据集训练第一机器学习模型和第二机器学习模型以预测目标设备的分解的能源使用情况(例如，能源使用量)和目标设备的检测到的能源使用情况(例如，ON或OFF检测，诸如高于阈值的能源使用情况)。训练可以包括预测的生成、(例如，基于损耗函数的)损耗计算和(例如，通过机器学习模型的层/神经元的)梯度传播。如本文所讨论的，目标设备的标记的能源使用情况和一组其他设备的标记的能源使用情况两者都用于训练机器学习模型。
在一些实施例中，经训练的机器学习模型是使用多个家庭的能源使用值、目标设备的标记的能源使用值和一组其他设备的标记的能源使用值来训练的。用于训练第一机器学习模型和第二机器学习模型的第一组训练数据和第二组训练数据可以包括来自多个家庭的能源使用情况、家庭能源使用情况内目标设备的标记的能源使用值、以及家庭能源使用情况内一组其他设备的标记的能源使用值。在一些实施例中，第一机器学习模型的训练可以优化用于预测目标设备的能源使用值(例如，能源使用量)的精确度，并且第二机器学习模型的训练可以优化用于预测目标设备的检测到的能源使用情况(例如，ON或OFF检测，诸如高于阈值的能源使用情况)的精确度。
在一些实施例中，包括来自多个家庭的能源使用值、目标设备的标记的能源使用值和一组其他设备的标记的能源使用值的第一组训练数据和第二组训练数据具有基本上每小时的粒度。可以类似地实现其他合适的粒度。在一些实施例中，可以基于训练结果对机器学习模型、利用的训练数据集和/或一组其他设备进行调节。例如，经训练的模型的测试可以指示经训练的模型的精确度，并且可以基于测试精确度进行各种调节调整。
在1010处，可以存储经训练的第一机器学习模型和经训练的第二机器学习模型。例如，可以存储生成满足标准(例如，精确度标准或阈值)的预测的经训练的学习模型，使得存储的模型可以被用于执行分解预测和检测预测。
图11示出了根据示例实施例的用于使用多个经训练的机器学习模型来预测与目标设备相关联的分解的能源使用情况的流程图。例如，基于图10的功能训练的多个机器学习模型可用于执行图11的功能。
在1102处，可以在一段时间内以基本上每小时的粒度接收家庭能源使用数据，其中家庭能源使用情况包括目标设备消耗的能源和多个其他设备消耗的能源。例如，家庭能源使用数据可以基于一段时间(诸如一天)内的(例如，以基本上每小时的粒度或其他合适的粒度的)时间戳被分解为时间间隔。
在1104处，可以处理接收到的能源使用数据。例如，处理可以类似于对训练数据的处理。在这样的示例中，处理可以将家庭能源使用情况输入数据更改为与训练数据相似，因此经训练的机器学习模型可以实现增强的预测结果。处理可以包括实现能源使用数据的每小时粒度、归一化、其他形式的缩放以及任何其他合适的处理。
在一些实施例中，处理可以包括生成用于第一经训练的机器学习模型的第一输入数据和用于第二经训练的机器学习模型的第二输入数据。例如，可以训练/配置第一机器学习模型以从输入数据分解目标设备能源使用情况，并且可以训练/配置第二机器学习模型以从输入数据检测目标设备能源使用情况。
在1106处，可以将第一输入数据提供给第一经训练的机器学习模型，并且可以生成对来自源位置能源使用数据内的分解的能源使用情况的预测。例如，可以通过第一经训练的机器学习模型预测基于接收到的家庭能源使用情况的在一段时间内的分解的目标设备能源使用量。
在一些实施例中，可以根据图10的功能来训练第一经训练的机器学习模型，并且可以将第一输入数据作为输入提供给经训练的模型。在一些实施例中，预测可以具有与提供给经训练的模型的第一输入/能源使用数据相似的粒度。例如，目标设备的预测的能源分解可以具有基本上每小时的粒度。在一些实施例中，预测的能源使用情况包括目标设备在至少一天内至少以基本上每小时的粒度的预测的能源使用情况。
在1108处，可以将第二输入数据提供给第二经训练的机器学习模型，并且可以生成对来自源位置能源使用数据内的检测的能源使用情况的预测。例如，可以通过第二经训练的机器学习模型预测基于接收到的家庭能源使用情况的在一段时间内的检测的目标设备能源使用量。
在一些实施例中，第二经训练的机器学习模型可以是根据图10的功能来训练的，并且可以将第二输入数据作为输入提供给经训练的模型。在一些实施例中，预测可以具有与提供给经训练的模型的第二输入/能源使用数据相似的粒度。例如，对目标设备的检测的能源使用情况的预测可以具有基本上每小时的粒度。在一些实施例中，对检测的能源使用情况的预测包括目标设备在至少一天内至少以基本上每小时的粒度的检测的能源使用情况。
在1110处，可以组合来自第一机器学习模型和第二机器学习模型的预测的输出。例如，可以组合分解预测和检测预测以形成对目标设备的能源使用情况的分解的组合预测。
在一些实施例中，组合分解预测和检测预测包括，诸如当检测预测与分解预测不一致时，基于检测预测为目标设备的预测分解添加值。在一些实施例中，使用解决预测之间差异的加权方案来组合分解预测和检测预测。
在一些实施例中，可以训练第三机器学习模型，其中第三机器学习模型被训练/配置为组合分解预测和检测预测。例如，第三训练机器学习模型可以被训练为使用分解预测和检测预测来预测目标设备的能源使用量。在一些实施例中，使用由第三经训练的机器学习模型生成的预测来组合分解预测和检测预测。
实施例使用新颖的学习方案执行非侵入式负荷监测。NILM和分解是指采取源位置处的总能源使用情况(例如，由先进计量基础设施提供的家庭处的能源使用情况)作为输入，并估计一个或多个电器、电动车辆和在源位置使用能源的其他设备的能源使用情况。实施例利用经训练的机器学习模型基于源位置处的总体能源使用情况来预测目标设备的能源使用情况。例如，目标设备可能是大型电器或电动车辆，源位置可能是家庭，并且经训练的机器学习模型可以接收家庭的能源使用情况作为输入并预测目标设备的能源使用情况(例如，包括在作为整体的家庭的能源使用情况中的目标设备的能源使用情况)。
实施例使用标记的能源使用数据来训练机器学习模型。例如，可以设计/选择机器学习模型，诸如神经网络。可以获得来自多个源位置(例如，家庭)的能源使用数据，其中能源使用数据可以用设备特定的能源使用情况来标记。例如，家庭能源使用值可以涵盖一段时间，并且在该时间段内单独设备的能源使用值(例如，电器1、电动车辆1、电器2等)可以被标记。在一些实施例中，然后此家庭和设备特定的能源使用情况可以被处理以生成用于机器学习模型的训练数据。
在一些实施例中，机器学习模型可以被训练以预测(例如，分解)目标设备的能源使用情况。例如，训练数据可以包括在多个不同的源位置(例如，家庭)处的目标设备特定的能源使用情况，因此机器学习模型可以被训练为识别训练数据中的趋势并预测目标设备能源使用情况。在一些实施例中，尽管机器学习模型被训练为预测目标设备能源使用情况，但是训练可以包括一个或多个其他设备的能源使用情况预测/损耗计算/梯度更新。例如，在实现用于机器学习模型的训练技术(例如，预测生成、损耗计算、梯度传播、精确度改进等)的实施例时，一组其他设备可以与目标设备一起被包括。
贯穿本说明书描述的本公开的特征、结构或特性可以在一个或多个实施例中以任何合适的方式组合。例如，贯穿本说明书的“一个实施例”、“一些实施例”、“某个实施例”、“某些实施例”或其他类似语言的使用是指结合实施例描述的特定特征、结构或特性可以被包括在本公开的至少一个实施例中的事实。因此，贯穿本说明书的短语“一个实施例”、“一些实施例”、“某个实施例”、“某些实施例”或其他类似的语言的出现不一定都是指相同组实施例，并且所描述的特征、结构或特性可以在一个或多个实施例中以任何合适的方式被组合。
本领域普通技术人员将容易理解，可以以不同顺序的步骤和/或与所公开的配置不同的配置中的元件来实践如上所讨论的实施例。因此，尽管本公开考虑了所概述的实施例，但对于本领域技术人员而言，某些修改、变化和替代构造将是明显的，同时仍处于本公开的精神和范围内。因此，为了确定本公开的边界和界限，应参考所附权利要求。

Claims (20)

1.一种用于检测和分解与目标设备相关联的能源使用情况的方法，所述方法包括：
存储被配置为从源位置能源使用情况中分解目标设备能源使用情况的第一经训练的机器学习模型，其中第一经训练的机器学习模型被训练为从源位置能源使用情况中预测所述目标设备的能源使用量；
存储被配置为从源位置能源使用情况中检测设备能源使用情况的第二经训练的机器学习模型，其中第二经训练的机器学习模型被训练为从源位置能源使用情况中预测目标设备已经在何时使用了能源；
接收一段时间内的源位置能源使用情况，其中所述源位置能源使用情况包括所述目标设备消耗的能源；以及
基于接收到的源位置能源使用情况，使用第一经训练的机器学习模型和第二经训练的机器学习模型来预测所述一段时间内的分解的目标设备能源使用量。
2.如权利要求1所述的方法，其中第一机器学习模型是使用包括多个源位置的整体源位置能源使用情况内的标记的设备特定能源使用情况的第一训练数据来训练的，并且第二机器学习模型是使用包括多个源位置的整体源位置能源使用情况内的标记的设备特定能源使用情况的第二训练数据来训练的，并且第一训练数据的所述标记的设备特定能源使用情况包括标记的设备的能源使用量。
3.如权利要求2所述的方法，其中第二训练数据的所述标记的设备特定能源使用情况不包括所述标记的设备的能源使用量。
4.如权利要求3所述的方法，其中所述源位置包括家庭，接收的源位置能源使用情况包括每小时的粒度，第一训练数据包括每小时的粒度，并且第二训练数据包括每小时的粒度。
5.如权利要求4所述的方法，其中基于所述源位置能源使用情况预测分解的目标设备能源使用量包括：
使用第一经训练的机器学习模型生成所述目标设备的分解预测，
使用第二经训练的机器学习模型生成所述目标设备的检测预测，以及
组合所述分解预测和所述检测预测。
6.如权利要求5所述的方法，其中组合所述分解预测和所述检测预测包括基于所述检测预测向所述目标设备的预测的分解添加值。
7.如权利要求6所述的方法，其中使用解决所述预测之间的差异的加权方案来组合所述分解预测和所述检测预测。
8.如权利要求7所述的方法，还包括：存储被配置为组合所述分解预测和所述检测预测的第三经训练的机器学习模型，其中所述第三经训练的机器学习模型被训练为使用所述分解预测和所述检测预测来预测所述目标设备的能源使用量。
9.如权利要求8所述的方法，其中使用由第三经训练的机器学习模型生成的预测来组合所述分解预测和所述检测预测。
10.如权利要求10所述的方法，其中预测的能源使用情况包括所述目标设备在至少一天内至少以每小时的粒度的预测的能源使用情况。
11.一种用于检测和分解与目标设备相关联的能源使用情况的系统，所述系统包括：
处理器；以及
存储用于由所述处理器执行的指令的存储器，所述指令将所述处理器配置为：
存储被配置为从源位置能源使用情况中分解目标设备能源使用情况的第一经训练的机器学习模型，其中第一经训练的机器学习模型被训练为从源位置能源使用情况中预测所述目标设备的能源使用量；
存储被配置为从源位置能源使用情况中检测设备能源使用情况的第二经训练的机器学习模型，其中第二经训练的机器学习模型被训练为从源位置能源使用情况中预测目标设备已经在何时使用了能源；
接收一段时间内的源位置能源使用情况，其中所述源位置能源使用情况包括所述目标设备消耗的能源；以及
基于接收到的源位置能源使用情况，使用第一经训练的机器学习模型和第二经训练的机器学习模型来预测所述一段时间内的分解的目标设备能源使用量。
12.如权利要求11所述的系统，其中第一机器学习模型是使用包括多个源位置的整体源位置能源使用情况内的标记的设备特定能源使用情况的第一训练数据来训练的，并且第二机器学习模型是使用包括多个源位置的整体源位置能源使用情况内的标记的设备特定能源使用情况的第二训练数据来训练的，并且第一训练数据的所述标记的设备特定能源使用情况包括标记的设备的能源使用量。
13.如权利要求12所述的系统，其中第二训练数据的所述标记的设备特定能源使用情况不包括所述标记的设备的能源使用量。
14.如权利要求13所述的系统，其中所述源位置包括家庭，接收的源位置能源使用情况包括每小时的粒度，第一训练数据包括每小时的粒度，并且第二训练数据包括每小时的粒度。
15.如权利要求14所述的系统，其中基于所述源位置能源使用情况预测分解的目标设备能源使用量包括：
使用第一经训练的机器学习模型生成所述目标设备的分解预测，
使用第二经训练的机器学习模型生成所述目标设备的检测预测，以及
组合所述分解预测和所述检测预测。
16.如权利要求15所述的系统，其中组合所述分解预测和所述检测预测包括基于所述检测预测向所述目标设备的预测的分解添加值。
17.如权利要求16所述的系统，其中使用解决所述预测之间的差异的加权方案来组合所述分解预测和所述检测预测。
18.如权利要求17所述的系统，其中所述指令将所述处理器配置为：存储被配置为组合所述分解预测和所述检测预测的第三经训练的机器学习模型，其中所述第三经训练的机器学习模型被训练为使用所述分解预测和所述检测预测来预测所述目标设备的能源使用量。
19.如权利要求18所述的系统，其中使用由第三经训练的机器学习模型生成的预测来组合所述分解预测和所述检测预测。
20.一种其上存储有指令的非暂时性计算机可读介质，所述指令在由处理器执行时使所述处理器检测和分解与目标设备相关联的能源使用情况，其中，所述指令当被执行时使所述处理器：
存储被配置为从源位置能源使用情况中分解目标设备能源使用情况的第一经训练的机器学习模型，其中第一经训练的机器学习模型被训练为从源位置能源使用情况中预测所述目标设备的能源使用量；
存储被配置为从源位置能源使用情况中检测设备能源使用情况的第二经训练的机器学习模型，其中第二经训练的机器学习模型被训练为从源位置能源使用情况中预测目标设备已经在何时使用了能源；
接收一段时间内的源位置能源使用情况，其中所述源位置能源使用情况包括所述目标设备消耗的能源；以及
基于接收到的源位置能源使用情况，使用第一经训练的机器学习模型和第二经训练的机器学习模型来预测所述一段时间内的分解的目标设备能源使用量。
CN202080020623.9A 2019-11-27 2020-09-17 使用集成机器学习技术的非侵入式负荷监测 Pending CN113574550A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/698,338 2019-11-27
US16/698,338 US11544632B2 (en) 2019-11-27 2019-11-27 Non-intrusive load monitoring using ensemble machine learning techniques
PCT/US2020/051182 WO2021108010A1 (en) 2019-11-27 2020-09-17 Non-intrusive load monitoring using ensemble machine learning techniques

Publications (1)

Publication Number Publication Date
CN113574550A true CN113574550A (zh) 2021-10-29

Family

ID=72670829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080020623.9A Pending CN113574550A (zh) 2019-11-27 2020-09-17 使用集成机器学习技术的非侵入式负荷监测

Country Status (4)

Country Link
US (1) US11544632B2 (zh)
JP (1) JP2023503389A (zh)
CN (1) CN113574550A (zh)
WO (1) WO2021108010A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11329487B2 (en) * 2020-06-25 2022-05-10 General Electric Renovables Espana, S.L. System and method for controlling a power generating system
US11893487B2 (en) 2021-06-23 2024-02-06 Oracle International Corporation Trained models for discovering target device presence
CN113537631B (zh) * 2021-08-04 2023-11-10 北方健康医疗大数据科技有限公司 药品需求量的预测方法、装置、电子设备及存储介质
US11403508B1 (en) * 2021-10-15 2022-08-02 Starkoff Co., Ltd. Method for estimating load by energy meter including load estimation model based on neural network and energy meter using the same
WO2024006386A1 (en) * 2022-06-28 2024-01-04 Xendee Corporation Machine learning based multiyear projection planning for energy systems

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4858141A (en) * 1986-04-14 1989-08-15 Massachusetts Institute Of Technology Non-intrusive appliance monitor apparatus
US8275561B2 (en) 2009-05-05 2012-09-25 Home Comfort Zones, Inc. Power monitoring and analysis system for identifying individual electrical devices
US20100305889A1 (en) * 2009-05-27 2010-12-02 General Electric Company Non-intrusive appliance load identification using cascaded cognitive learning
US8209062B2 (en) 2009-12-16 2012-06-26 Robert Bosch Gmbh Method for non-intrusive load monitoring using a hybrid systems state estimation approach
US8340831B2 (en) 2009-12-16 2012-12-25 Robert Bosch Gmbh Non-intrusive load monitoring system and method
CA2799441A1 (en) 2010-06-04 2011-12-08 Sensus Usa Inc. Method and system for non-intrusive load monitoring and processing
US9817045B2 (en) 2010-12-13 2017-11-14 Fraunhofer Usa, Inc. Methods and system for nonintrusive load monitoring
WO2012106709A2 (en) 2011-02-04 2012-08-09 Myenersave, Inc. Systems and methods for improving the accuracy of appliance level disaggregation in non-intrusive appliance load monitoring techniques
US8812427B2 (en) 2011-04-27 2014-08-19 Hewlett-Packard Development Company, L.P. System and method for disaggregating power load
ES2932399T3 (es) * 2012-03-02 2023-01-18 Tata Consultancy Services Ltd Un método y sistema para optimizar una desagregación de carga compuesta
CA2871616C (en) 2012-04-25 2019-10-08 Bidgely Inc. Energy disaggregation techniques for low resolution whole-house energy consumption data
EP2946292A4 (en) * 2013-01-18 2017-05-17 Bidgely Inc. Applications of non-intrusive load monitoring and solar energy disaggregation
US20150268281A1 (en) * 2014-03-19 2015-09-24 Neurio Technology Inc. System and method for monitoring, analyzing and acting upon electricity patterns
US9092741B1 (en) * 2014-04-21 2015-07-28 Amber Flux Private Limited Cognitive platform and method for energy management for enterprises
US11499999B2 (en) * 2017-05-10 2022-11-15 Carnegie Mellon University Electrical meter system for energy desegregation
US10732584B2 (en) 2017-06-07 2020-08-04 Johnson Controls Technology Company Building energy optimization system with automated and dynamic economic load demand response (ELDR) optimization
GB2570890B (en) 2018-02-07 2020-05-06 Green Running Ltd Method and apparatus for monitoring electrical power consumption
CN108899892A (zh) 2018-06-08 2018-11-27 上海电力学院 一种基于cnn非侵入式用电负荷分解方法
WO2020096774A1 (en) 2018-11-05 2020-05-14 Battelle Energy Alliance, Llc Hyperdimensional scanning transmission electron microscopy and examinations and related systems, methods, and devices
US11443832B2 (en) 2019-03-07 2022-09-13 Nvidia Corporation Genetic mutation detection using deep learning
WO2021062132A1 (en) 2019-09-27 2021-04-01 Pricewaterhousecoopers Llp Multi-task learning in pharmacovigilance

Also Published As

Publication number Publication date
JP2023503389A (ja) 2023-01-30
WO2021108010A1 (en) 2021-06-03
US20210158225A1 (en) 2021-05-27
US11544632B2 (en) 2023-01-03

Similar Documents

Publication Publication Date Title
CN113574550A (zh) 使用集成机器学习技术的非侵入式负荷监测
CN113614755A (zh) 使用机器学习的负荷监测
CN113557537A (zh) 使用机器学习和被处理的训练数据的非侵入式负荷监测
Yang et al. A combined deep learning load forecasting model of single household resident user considering multi-time scale electricity consumption behavior
Dinesh et al. Non-intrusive load monitoring under residential solar power influx
Su et al. A systematic data-driven Demand Side Management method for smart natural gas supply systems
Antonopoulos et al. Data-driven modelling of energy demand response behaviour based on a large-scale residential trial
Ruan et al. Time-varying price elasticity of demand estimation for demand-side smart dynamic pricing
Sengar et al. Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm
Lachut et al. Predictability of energy use in homes
Feng et al. Saturated load forecasting based on clustering and logistic iterative regression
US20240144004A1 (en) Trained Models for Discovering Target Device Presence
Kaur et al. Energy forecasting in smart grid systems: recent advancements in probabilistic deep learning
Langevin et al. Efficient deep generative model for short-term household load forecasting using non-intrusive load monitoring
Kim et al. Stochastic optimization of home energy management system using clustered quantile scenario reduction
Jozi et al. Contextual learning for energy forecasting in buildings
Souhe et al. Forecasting of electrical energy consumption of households in a smart grid
Pirbazari et al. Improving load forecast accuracy of households using load disaggregation techniques
US20240054322A1 (en) Targeted Energy Usage Device Presence Detection Using Multiple Trained Machine Learning Models
US20230419106A1 (en) Machine Learning Models Trained to Generate Household Predictions Using Energy Data
Iskandarnia et al. Load forecasting in different scale and horizon-a review
Tang et al. Forecasting Network Traffic at Large Time Scales by Using Dual-Related Method
Zarabie et al. A Data-Driven Machine Learning Approach for Consumer Modeling with Load Disaggregation
Nutakki et al. Resilient data-driven non-intrusive load monitoring for efficient energy management using machine learning techniques
Hossain et al. DATAEMS: Design and development of a data analysis-based energy monitoring system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination