JPWO2021108010A5 - - Google Patents

Claims (20)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. 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。
14. 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。
15. 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。
16. 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。
17. 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。
18. 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。
19. 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。
20. 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。