JPWO2021108010A5 - - Google Patents
Download PDFInfo
- Publication number
- JPWO2021108010A5 JPWO2021108010A5 JP2021555327A JP2021555327A JPWO2021108010A5 JP WO2021108010 A5 JPWO2021108010 A5 JP WO2021108010A5 JP 2021555327 A JP2021555327 A JP 2021555327A JP 2021555327 A JP2021555327 A JP 2021555327A JP WO2021108010 A5 JPWO2021108010 A5 JP WO2021108010A5
- Authority
- JP
- Japan
- Prior art keywords
- energy usage
- prediction
- learning model
- machine learning
- target device
- 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
Links
Claims (20)
- ターゲット装置に対応付けられるエネルギ使用量を検出およびディスアグリゲートするための方法であって、前記方法は、
ソース位置エネルギ使用量からターゲット装置エネルギ使用量をディスアグリゲートするように構成された第1の訓練された機械学習モデルを格納するステップを含み、前記第1の訓練された機械学習モデルは、ソース位置エネルギ使用量から前記ターゲット装置のエネルギ使用量の総計を予測するように訓練され、前記方法はさらに、
ソース位置エネルギ使用量から装置エネルギ使用量を検出するように構成された第2の訓練された機械学習モデルを格納するステップを含み、前記第2の訓練された機械学習モデルは、ソース位置エネルギ使用量からターゲット装置がエネルギを使用した時を予測するように訓練され、前記方法はさらに、
ある期間にわたるソース位置エネルギ使用量を受けるステップを含み、前記ソース位置エネルギ使用量は、前記ターゲット装置が消費したエネルギを含み、前記方法はさらに、
前記第1の訓練された機械学習モデルと前記第2の訓練された機械学習モデルとを使用し、受けた前記ソース位置エネルギ使用量に基づいて、前記期間にわたる、ディスアグリゲートされたターゲット装置エネルギ使用量の総計を予測するステップを含む、方法。 - 前記第1の訓練された機械学習モデルは第1の訓練データを用いて訓練され、前記第1の訓練データは、複数のソース位置の全体的なソース位置エネルギ使用量の中のラベル付けされた装置固有のエネルギ使用量を含み、前記第2の訓練された機械学習モデルは第2の訓練データを用いて訓練され、前記第2の訓練データは、複数のソース位置の全体的なソース位置エネルギ使用量の中のラベル付けされた装置固有のエネルギ使用量を含み、前記第1の訓練データの前記ラベル付けされた装置固有のエネルギ使用量は、前記ラベル付けされた装置のエネルギ使用量の総計を含む、請求項1に記載の方法。
- 前記第2の訓練データの前記ラベル付けされた装置固有のエネルギ使用量は、前記ラベル付けされた装置のエネルギ使用量の総計を含まない、請求項2に記載の方法。
- 前記ソース位置は世帯を含み、受けた前記ソース位置エネルギ使用量は1時間単位の粒度を含み、前記第1の訓練データは1時間単位の粒度を含み、前記第2の訓練データは1時間単位の粒度を含む、請求項3に記載の方法。
- 前記ソース位置エネルギ使用量に基づいて、ディスアグリゲートされたターゲット装置エネルギ使用量の総計を予測するステップは、
前記第1の訓練された機械学習モデルを用いて前記ターゲット装置のディスアグリゲーション予測を生成するステップと、
前記第2の訓練された機械学習モデルを用いて前記ターゲット装置の検出予測を生成するステップと、
前記ディスアグリゲーション予測と前記検出予測とを組合せるステップとを含む、請求項4に記載の方法。 - 前記ディスアグリゲーション予測と前記検出予測とを組合せるステップは、前記検出予測に基づいて前記ターゲット装置の前記予測されたディスアグリゲーションに値を加算することを含む、請求項5に記載の方法。
- 前記ディスアグリゲーション予測と前記検出予測とを、前記ディスアグリゲーション予測と前記検出予測との間の不一致を解消する重み付け方式を用いて組合せる、請求項6に記載の方法。
- 前記ディスアグリゲーション予測と前記検出予測とを組合せるように構成された第3の訓練された機械学習モデルを格納するステップをさらに含み、前記第3の訓練された機械学習モデルは、前記ディスアグリゲーション予測と前記検出予測とを用いて前記ターゲット装置のエネルギ使用量の総計を予測するように訓練される、請求項7に記載の方法。
- 前記ディスアグリゲーション予測と前記検出予測とを、前記第3の訓練された機械学習モデルが生成した前記予測を用いて組合せる、請求項8に記載の方法。
- 前記予測されたエネルギ使用量は、少なくとも1日にわたる、少なくとも1時間単位の粒度の、前記ターゲット装置の予測されたエネルギ使用量を含む、請求項1~9のいずれかに記載の方法。
- ターゲット装置に対応付けられるエネルギ使用量を検出およびディスアグリゲートするためのシステムであって、前記システムは、
プロセッサと、
前記プロセッサが実行する命令を格納するメモリとを備え、前記命令により、前記プロセッサは、
ソース位置エネルギ使用量からターゲット装置エネルギ使用量をディスアグリゲートするように構成された第1の訓練された機械学習モデルを格納するように構成され、前記第1の訓練された機械学習モデルは、ソース位置エネルギ使用量から前記ターゲット装置のエネルギ使用量の総計を予測するように訓練され、前記プロセッサはさらに、
ソース位置エネルギ使用量から装置エネルギ使用量を検出するように構成された第2の訓練された機械学習モデルを格納するように構成され、前記第2の訓練された機械学習モデルは、ソース位置エネルギ使用量からターゲット装置がエネルギを使用した時を予測するように訓練され、前記プロセッサはさらに、
ある期間にわたるソース位置エネルギ使用量を受けるように構成され、前記ソース位置エネルギ使用量は、前記ターゲット装置が消費したエネルギを含み、前記プロセッサはさらに、
前記第1の訓練された機械学習モデルと前記第2の訓練された機械学習モデルとを使用し、受けた前記ソース位置エネルギ使用量に基づいて、前記期間にわたる、ディスアグリゲートされたターゲット装置エネルギ使用量の総計を予測するように構成される、システム。 - 前記第1の訓練された機械学習モデルは第1の訓練データを用いて訓練され、前記第1の訓練データは、複数のソース位置の全体的なソース位置エネルギ使用量の中のラベル付けされた装置固有のエネルギ使用量を含み、前記第2の訓練された機械学習モデルは第2の訓練データを用いて訓練され、前記第2の訓練データは、複数のソース位置の全体的なソース位置エネルギ使用量の中のラベル付けされた装置固有のエネルギ使用量を含み、前記第1の訓練データの前記ラベル付けされた装置固有のエネルギ使用量は、前記ラベル付けされた装置のエネルギ使用量の総計を含む、請求項11に記載のシステム。
- 前記第2の訓練データの前記ラベル付けされた装置固有のエネルギ使用量は、前記ラベル付けされた装置のエネルギ使用量の総計を含まない、請求項12に記載のシステム。
- 前記ソース位置は世帯を含み、受けた前記ソース位置エネルギ使用量は1時間単位の粒度を含み、前記第1の訓練データは1時間単位の粒度を含み、前記第2の訓練データは1時間単位の粒度を含む、請求項13に記載のシステム。
- 前記ソース位置エネルギ使用量に基づいて、ディスアグリゲートされたターゲット装置エネルギ使用量の総計を予測することは、
前記第1の訓練された機械学習モデルを用いて前記ターゲット装置のディスアグリゲーション予測を生成することと、
前記第2の訓練された機械学習モデルを用いて前記ターゲット装置の検出予測を生成することと、
前記ディスアグリゲーション予測と前記検出予測とを組合せることとを含む、請求項14に記載のシステム。 - 前記ディスアグリゲーション予測と前記検出予測とを組合せることは、前記検出予測に基づいて前記ターゲット装置の前記予測されたディスアグリゲーションに値を加算することを含む、請求項15に記載のシステム。
- 前記ディスアグリゲーション予測と前記検出予測とを、前記ディスアグリゲーション予測と前記検出予測との間の不一致を解消する重み付け方式を用いて組合せる、請求項16に記載のシステム。
- 前記命令により、前記プロセッサは、前記ディスアグリゲーション予測と前記検出予測とを組合せるように構成された第3の訓練された機械学習モデルを格納するように構成され、前記第3の訓練された機械学習モデルは、前記ディスアグリゲーション予測と前記検出予測とを用いて前記ターゲット装置のエネルギ使用量の総計を予測するように訓練される、請求項17に記載のシステム。
- 前記ディスアグリゲーション予測と前記検出予測とを、前記第3の訓練された機械学習モデルが生成した前記予測を用いて組合せる、請求項18に記載のシステム。
- 請求項1~10のいずれかに記載の方法をコンピュータに実行させるためのプログラム。
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 (2)
Publication Number | Publication Date |
---|---|
JP2023503389A JP2023503389A (ja) | 2023-01-30 |
JPWO2021108010A5 true JPWO2021108010A5 (ja) | 2023-09-21 |
Family
ID=72670829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021555327A Pending JP2023503389A (ja) | 2019-11-27 | 2020-09-17 | アンサンブル機械学習技術を用いた非侵入型負荷監視 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11544632B2 (ja) |
JP (1) | JP2023503389A (ja) |
CN (1) | CN113574550A (ja) |
WO (1) | WO2021108010A1 (ja) |
Families Citing this family (6)
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 |
US20240296378A1 (en) * | 2023-03-01 | 2024-09-05 | Weave Grid, Inc. | Electric vehicle detection |
Family Cites Families (24)
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 |
BR112012030924A2 (pt) | 2010-06-04 | 2016-11-08 | Sensus Usa Inc | método e sistema para monitoração e processamento não intrusivos de carga |
WO2012082802A2 (en) | 2010-12-13 | 2012-06-21 | Fraunhofer Usa, Inc. | Methods and system for nonintrusive load monitoring |
EP2671178B1 (en) | 2011-02-04 | 2018-10-17 | Bidgely 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 |
WO2013163460A1 (en) * | 2012-04-25 | 2013-10-31 | Myenersave, Inc. | Energy disaggregation techniques for low resolution whole-house energy consumption data |
US9625889B2 (en) * | 2013-01-18 | 2017-04-18 | 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 |
CN107169573A (zh) * | 2017-05-05 | 2017-09-15 | 第四范式(北京)技术有限公司 | 利用复合机器学习模型来执行预测的方法及系统 |
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 |
CN109145949A (zh) * | 2018-07-19 | 2019-01-04 | 山东师范大学 | 基于集成学习的非侵入式电力负荷监测与分解方法及系统 |
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 |
CN110472778A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于Blending集成学习的短期负荷预测方法 |
WO2021062132A1 (en) | 2019-09-27 | 2021-04-01 | Pricewaterhousecoopers Llp | Multi-task learning in pharmacovigilance |
-
2019
- 2019-11-27 US US16/698,338 patent/US11544632B2/en active Active
-
2020
- 2020-09-17 CN CN202080020623.9A patent/CN113574550A/zh active Pending
- 2020-09-17 JP JP2021555327A patent/JP2023503389A/ja active Pending
- 2020-09-17 WO PCT/US2020/051182 patent/WO2021108010A1/en active Application Filing
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Failure prediction of jobs in compute clouds: A google cluster case study | |
US10310852B2 (en) | Timing estimations for application lifecycle management work items determined through machine learning | |
Jung et al. | Supervised learning based power management for multicore processors | |
JP6065531B2 (ja) | エネルギー消費のプロファイリング | |
CN103838668B (zh) | 关联能量消耗与虚拟机 | |
US20180349202A1 (en) | Virtual Network Function Resource Allocation | |
Gerasimou et al. | Efficient runtime quantitative verification using caching, lookahead, and nearly-optimal reconfiguration | |
US20160283253A1 (en) | Application documentation effectiveness monitoring and feedback | |
Seo et al. | An energy consumption framework for distributed java-based systems | |
US10908884B2 (en) | Methods and apparatus for runtime multi-scheduling of software executing on a heterogeneous system | |
WO2019062413A1 (zh) | 应用程序管控方法、装置、存储介质及电子设备 | |
JP2018500673A (ja) | ホリスティックグローバルなパフォーマンス及び電力管理 | |
JP2022109919A5 (ja) | ||
US11861394B2 (en) | Automated semantic tagging | |
US8683160B2 (en) | Method and apparatus for supporting memory usage accounting | |
US11720364B2 (en) | Methods and apparatus to dynamically enable and/or disable prefetchers | |
CN103310090A (zh) | 用于资源消耗的探测频率的方法和系统 | |
EP4405821A1 (en) | Systems, apparatus, and methods to debug accelerator hardware | |
JPWO2021108010A5 (ja) | ||
US10884484B2 (en) | Extending a battery life of a battery-powered computing device | |
Naqvi et al. | Mascot: self-adaptive opportunistic offloading for cloud-enabled smart mobile applications with probabilistic graphical models at runtime | |
US20210287112A1 (en) | Real-time server capacity optimization tool | |
KR20160121036A (ko) | 에너지 거래 장치 및 방법 | |
US8650367B2 (en) | Method and apparatus for supporting memory usage throttling | |
Li et al. | The extreme counts: modeling the performance uncertainty of cloud resources with extreme value theory |