TWI816547B

TWI816547B - 基於非侵入式負載監控辨識電器運作狀態的方法和系統

Info

Publication number: TWI816547B
Application number: TW111134648A
Authority: TW
Inventors: 曾廣平; 何文楨; 洪永杰; 蔣貴君
Original assignee: 財團法人資訊工業策進會
Priority date: 2022-09-14
Filing date: 2022-09-14
Publication date: 2023-09-21
Also published as: US20240085465A1; TW202411844A; JP7429746B1; JP2024041689A

Abstract

本發明公開一種基於非侵入式負載監控辨識電器運作狀態的方法和系統。方法包括下列步驟。取得目標場域的總用電歷史資料和每一目標電器的電器用電歷史資料。將每一目標電器的電器用電歷史資料轉換為二元資料集。將總用電歷史資料分群為多個群組樣本，並且得到多個第一特徵資料集。將第一特徵資料集降維為多個第二特徵資料集，並使用第二特徵資料集與每一目標電器的二元資料集訓練機器學習模型，以建立目標電器的運轉辨識模型。使用運轉辨識模型根據目標場域的總用電資料以辨識每一目標電器的運作狀態。

Description

基於非侵入式負載監控辨識電器運作狀態的方法和系統

本發明涉及一種辨識電器運作狀態的方法和系統，特別涉及一種基於非侵入式負載監控（Non-Intrusive Load Monitoring，NILM）辨識電器運作狀態的方法和系統。

非侵入式負載監控可通過分析目標場域（例如住宅）的總用電資料（例如包括電表在一段時間內收集的多個總用電量）以辨識目標場域的每一目標電器的運作狀態。然而，基於非侵入式負載監控辨識電器運作狀態的習知方法需要電表根據高頻取樣率（通常大於1赫茲）來取得目標場域的總用電量，並且再透過人工方式以從總用電歷史資料中標示每一目標電器的用電特徵，因此習知方法極為複雜，且大部分的智慧型電表並不具有根據高頻取樣率來取得用電量的能力。

針對現有技術的不足，本發明實施例提供一種基於非侵入式負載監控辨識電器運作狀態的方法。方法適用於包括資料庫及伺服器的系統。伺服器耦接資料庫，包括記憶體以及自記憶體獲取多個指令並執行該些指令的處理電路。方法由處理電路執行且包括下列步驟：執行資料讀取程序以取得目標場域的總用電歷史資料以及目標場域的多個目標電器的每一個的電器用電歷史資料，總用電歷史資料包括電表根據第一取樣頻率取得的目標場域的多個總用電量，且針對每一目標電器，對應的電器用電歷史資料包括電表根據第一取樣頻率取得的上述目標電器的多個電器用電量，其中第一取樣頻率係小於或等於一標準取樣頻率；執行標籤註記程序以將每一目標電器的電器用電歷史資料轉換為用於描述對應的目標電器的運作狀態為開啟或關閉的二元資料集；執行特徵萃取程序以將總用電歷史資料分群為多個群組樣本，並且對該些群組樣本進行分析以得到對應的多個第一特徵資料集，其中每一群組樣本包括該些總用電量的一子集合，且每一第一特徵資料集包含多個統計特徵值；執行特徵篩選程序以對該些統計特徵值進行篩選來將該些第一特徵資料集降維為多個第二特徵資料集，並且執行模型建立程序以使用該些第二特徵資料集與每一目標電器的二元資料集作為訓練資料來訓練機器學習模型，以建立該些目標電器的運轉辨識模型；以及使用運轉辨識模型根據目標場域的總用電資料以辨識每一目標電器的運作狀態。

另外，本發明實施例提供一種基於非侵入式負載監控辨識電器運作狀態的系統。系統耦接設置在目標場域中的多個目標電器，且包括資料庫以及伺服器。資料庫用於儲存目標場域的總用電歷史資料以及每一目標電器的電器用電歷史資料。總用電歷史資料包括電表根據第一取樣頻率取得的目標場域的多個總用電量，且針對每一目標電器，對應的電器用電歷史資料包括電表根據第一取樣頻率取得的上述目標電器的多個電器用電量，其中第一取樣頻率係小於或等於一標準取樣頻率。伺服器耦接資料庫，包括記憶體以及耦接記憶體的處理電路。記憶體用於儲存多個指令。處理電路經配置以自記憶體獲取該些指令並執行該些指令以：執行資料讀取程序以取得總用電歷史資料以及每一目標電器的電器用電歷史資料；執行標籤註記程序以將每一目標電器的電器用電歷史資料轉換為用於描述對應的目標電器的運作狀態為開啟或關閉的二元資料集；執行特徵萃取程序以將總用電歷史資料分群為多個群組樣本，並且對該些群組樣本進行分析以得到對應的多個第一特徵資料集，其中每一群組樣本包括該些總用電量的一子集合，且每一第一特徵資料集包含多個統計特徵值；執行特徵篩選程序以對該些統計特徵值進行篩選來將該些第一特徵資料集降維為多個第二特徵資料集，並且執行模型建立程序以使用該些第二特徵資料集與每一目標電器的二元資料集作為訓練資料來訓練機器學習模型，以建立該些目標電器的運轉辨識模型；以及使用運轉辨識模型根據目標場域的總用電資料以辨識每一目標電器的運作狀態。

為使能更進一步瞭解本發明的特徵及技術內容，請參閱以下有關本發明的詳細說明與圖式，然而所提供的圖式僅用於提供參考與說明，並非用來對本發明加以限制。

以下是通過特定的具體實施例來說明本發明的實施方式，本領域技術人員可由本說明書所提供的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用，本說明書中的各項細節也可基於不同觀點與應用，在不悖離本發明的構思下進行各種修改與變更。另外，本發明的附圖僅為簡單示意說明，並非依實際尺寸的描繪，事先聲明。以下的實施方式將進一步詳細說明本發明的相關技術內容，但所提供的內容並非用以限制本發明的保護範圍。

請參閱圖1A和1B，圖1A和1B是本發明實施例提供基於非侵入式負載監控辨識電器運作狀態的方法的流程圖。本實施例的方法主要結合特徵工程與機器學習以提供在低頻取樣率下辨識電器的運作狀態。需說明的是，本實施例的方法可適用於包括資料庫及伺服器的系統。伺服器耦接資料庫，包括記憶體和自記憶體獲取多個指令並執行該些指令的處理電路，但本發明並不限制記憶體和處理電路的具體實現方式。本實施例的方法係由伺服器的處理電路執行且包括圖1A和1B的步驟。

如圖1A和1B所示，在步驟S110中，伺服器的處理電路執行資料讀取程序以取得目標場域（例如住宅）的總用電歷史資料以及目標場域的多個目標電器的每一個的電器用電歷史資料。總用電歷史資料包括電表（例如智慧型電表）根據第一取樣頻率取得的目標場域的多個總用電量，且針對每一目標電器，對應的電器用電歷史資料包括電表根據第一取樣頻率取得的上述目標電器的多個電器用電量。

為了方便以下說明，本實施例的每一總用電量可例如是總用電瓦數，且每一電器用電量可例如是電器用電瓦數，但本發明不以此為限制。另外，高頻取樣率定義為大於一標準取樣頻率（例如1/60赫茲）的取樣頻率，且電表根據高頻取樣率取得的用電資料可定義為高頻用電資料。相對地，低頻取樣率定義為小於或等於標準取樣頻率的取樣頻率，且電表根據低頻取樣率取得的用電資料可定義為低頻用電資料。

由於大部分的智慧型電表並不具有根據高頻取樣率來取得用電量的能力，因此本實施例的第一取樣頻率係小於或等於上述標準取樣頻率。例如，第一取樣頻率為1/60赫茲，即1分鐘。因此，在本實施例中，可先配置電表每隔1分鐘取得目標場域的總用電瓦數以及目標場域的每一目標電器的電器用電瓦數，且以電表在一段時間內收集的多個總用電瓦數和每一目標電器的多個電器用電瓦數作為總用電歷史資料和每一目標電器的電器用電歷史資料。也就是說，本實施例的方法可使用住宅實際的低頻用電資料。

進一步地，總用電歷史資料與每一目標電器的電器用電歷史資料可由電表收集後儲存至資料庫中，且資料讀取程序可包括伺服器的處理電路從資料庫中讀取總用電歷史資料與每一目標電器的電器用電歷史資料。接著，在步驟S130中，伺服器的處理電路執行標籤註記程序以將每一目標電器的電器用電歷史資料轉換為用於描述對應的目標電器的運作狀態為開啟或關閉的二元資料集。針對每一目標電器，對應的二元資料集包括多個資料元素，分別對應上述目標電器的該些電器用電量，每一資料元素為第一值或第二值，且第一值和第二值（例如1和0）分別用來表示上述目標電器的運作狀態為開啟和關閉。換句話說，本實施例可使用伺服器的處理電路對電器用電歷史資料的每一電器用電量進行二元分類，以直接描述對應的目標電器的運作狀態為開啟或關閉。

具體而言，伺服器的處理電路可根據電器用電量的大小來判斷目標電器的運作狀態為開啟或關閉。例如，當一目標電器的電器用電歷史資料中的某一電器用電量為大於0瓦特時，伺服器的處理電路可判斷上述目標電器的運作狀態為開啟，並且設定其二元資料集中所對應該電器用電量的資料元素為1。相對地，當上述目標電器的電器用電歷史資料中的某一電器用電量為0瓦特時，伺服器的處理電路可判斷上述目標電器的運作狀態為關閉，並且設定其二元資料集中所對應該電器用電量的資料元素為0。請一併參閱圖2，圖2是本發明實施例提供一目標電器的電器用電歷史資料轉換為二元資料集的示意圖。

應當理解的是，每一目標電器的電器用電歷史資料中的該些電器用電量分別對應多個取樣時刻，且為了方便理解，圖2是將一目標電器的電器用電歷史資料用以時間對應電器用電量的瓦特的波形來呈現，因此經標籤註記程序後的上述目標電器的二元資料集可描繪為方波型態的波形。接著，在步驟S140中，伺服器的處理電路執行特徵萃取程序以將總用電歷史資料分群為多個群組樣本，並且對該些群組樣本進行分析以得到對應的多個第一特徵資料集。在本實施例中，每一群組樣本包括該些總用電量的一子集合，即每一群組樣本包括總用電歷史資料中的部分幾個總用電量，且每一第一特徵資料集包含多個統計特徵值。

需說明的是，總用電歷史資料的該些總用電量也分別對應上述取樣時刻。因此，特徵萃取程序可包括根據上述取樣時刻與一單位時間將總用電歷史資料分群為該些群組樣本。在本實施例中，單位時間可為1小時，但本發明不以此為限制。也就是說，伺服器的處理電路能以電表在每1小時內收集的多個總用電量作為每一群組樣本。另外，對該些群組樣本進行分析可包括針對每一群組樣本的該些總用電量使用統計公式或訊號處理方式以得到每一第一特徵資料集的該些統計特徵值。例如，伺服器的處理電路能以電表在1小時內收集的60個總用電量作為一群組樣本，並針對這60個總用電量使用統計公式或訊號處理方式以得到多個統計特徵值。

本實施例的每一第一特徵資料集可例如包括平均值、標準差、最大值、最小值、第5百分位、第95百分位、方均根、峰對峰因數、峰值因數、偏態係數、峰態係數、形態因數與週期因數等13個統計特徵值，但本發明不以此為限制。由於以過多的統計特徵值來訓練機器學習模型會容易發生擬合過度（Overfitting）的現象，因此在步驟S140之後的步驟S150中，伺服器的處理電路執行特徵篩選程序以對該些統計特徵值進行篩選來將該些第一特徵資料集降維為多個第二特徵資料集。換句話說，伺服器的處理電路執行特徵篩選程序之目的在於找出該些第一特徵資料集中較為重要的統計特徵值，藉此避免以過多的統計特徵值來訓練機器學習模型而發生擬合過度的現象，並提升機器學習模型的準確度。

具體而言，伺服器的處理電路可使用Lasso（Least Absolute Shrinkage and Selection Operator）算法來對該些統計特徵值進行篩選，即濾除掉不重要的統計特徵值，以將該些第一特徵資料集降維為該些第二特徵資料集。Lasso算法是一種採用了L1正規化（L1-regularization）的線性回歸方法，採用了L1正規化會使得部分回歸學習到的特徵權重變為0，從而達到稀疏化和特徵選擇的目的，將特徵權重稀疏化可以使伺服器更快速運算求得最佳化解，而使權重歸0則可用於特徵（變量）選擇，因此，LASSO算法的特點是在擬合廣義線性模型的同時進行變量篩選（Variable Selection）和正規化（Regularization），又稱複雜度調整。例如，伺服器的處理電路可使用Lasso算法的L1正規化來對總用電歷史資料的該些第一特徵資料集以及每一目標電器的二元資料集進行回歸學習，以將不重要的統計特徵值的權重變為0。換句話說，如果一些統計特徵值為不重要的，Lasso算法會懲罰這些統計特徵值，使它們變為0，因此伺服器可濾除掉這些統計特徵值，而剩下的其他統計特徵值就是第二特徵資料集所包括的統計特徵值。

在本實施例中，伺服器的處理電路可使用Lasso算法以分別將包含上述13個統計特徵值的每一第一特徵資料集降維為只包含其中10個統計特徵值的第二特徵資料集，但本發明不以此為限制。接著，在步驟S160中，伺服器的處理電路執行模型建立程序以使用該些第二特徵資料集與每一目標電器的二元資料集作為訓練資料來訓練機器學習模型，以建立該些目標電器的運轉辨識模型。具體而言，在本實施例中，為了保證學習結果的隨機性與多樣性，機器學習模型可為極限樹模型，極限樹模型分別隨機選擇第二特徵資料集中的一或多個統計特徵值以及任一目標電器的二元資料集做為輸入，從而產生對應目標電器的啟閉狀態的辨識結果，最後再統計極限樹模型的辨識結果百分比，若辨識結果百分比大於一預設可接受準確百分比，則伺服器的處理電路執行模型建立程序，以使用該些第二特徵資料集與每一目標電器的二元資料集建立該些目標電器的運轉辨識模型。

例如，處理電路建立100個極限決策樹組成極限樹模型，每個決策樹挑選同一目標電器的二元資料集做為樣本輸入，並且隨機地輸入步驟S150得到的第二特徵資料集的10個統計特徵值中的至少一或多個，而後，每個決策樹產生對應目標電器的啟閉狀態的辨識結果，每組樣本的最終分析輸出取決於100個決策樹的多數結果（例如:超過51棵樹認為該目標電器為關，則該樣本推論結果即為關閉），最後再依據驗證資料集（即，目標電器的電器用電歷史資料）計算訓練完畢的極限樹模型準確度，若預設可接受準確百分比設為80%，若極限樹模型準確度大於80%，則辨識結果為可接受，則該第二特徵資料集與該目標電器的二元資料集會用於建立該些目標電器的運轉辨識模型。

最後，在步驟S180中，伺服器的處理電路可使用運轉辨識模型根據目標場域的總用電資料以辨識每一目標電器的運作狀態。例如，當電表在另一段時間內收集的多個總用電瓦數作為總用電資料被輸入運轉辨識模型時，運轉辨識模型就可辨識每一目標電器的運作狀態。

然而，由於收集資料難免會有遺漏值的情形發生，即總用電歷史資料與每一目標電器的電器用電歷史資料中可能有為非數（Not a Number，NaN）值的用電量，以影響機器學習模型的訓練，因此本實施例的方法還可在進入步驟S130之前先進入步驟S120。在步驟S120中，伺服器的處理電路執行資料前處理程序以填補總用電歷史資料與每一目標電器的電器用電歷史資料中為非數值的用電量。

進一步地，如果目標場域在某天的某一時段的總用電量為NaN值的話，伺服器的處理電路可參考目標場域在當月其它天的相同時段的總用電量以填補NaN值，但本發明並不限制填補NaN值的具體實現方式。另外，在填補完後，伺服器的處理電路還可移除仍為NaN值的總用電量，以避免影響機器學習模型的訓練，但本發明亦不以此為限制。

然而，儘管訓練機器學習模型建立目標電器的運轉辨識模型需要大量的歷史資料支持，但如果歷史資料量過於龐大也會造成訓練上的負擔，因此資料前處理程序還可包括將總用電歷史資料與每一目標電器的電器用電歷史資料根據小於第一取樣頻率的第二取樣頻率（例如1/900赫茲，即15分鐘）進行重取樣（Resampling），以更新總用電量與每一目標電器的電器用電量。換句話說，重取樣之目的在於減少上述總用電量與上述電器用電量的數量，以減輕訓練上的負擔。

在其他實施例中，伺服器的處理電路還可以對於總用電歷史資料與每一目標電器的電器用電歷史資料進行整理、過濾與/或切割處理，以減少上述總用電量與上述電器用電量的數量。因此，上述根據第二取樣頻率進行重取樣只是減少歷史資料量的一種實現方式，但本發明不以此為限制。總而言之，在歷史資料沒有遺漏值且不考慮減少歷史資料量的情形下，本實施例的方法將可省略步驟S120。

應當也理解的是，運轉辨識模型的辨識準確度會受到上述統計特徵值的影響，因此為了提升運轉辨識模型的辨識準確度，本實施例的方法還可在進入步驟S180之前先進入步驟S170。在步驟S170中，伺服器的處理電路執行驗證程序以得到運轉辨識模型的平均辨識準確度，並且判斷平均辨識準確度是否達到一準確度標準。如果是，代表目前建立的運轉辨識模型具有良好的辨識準確度，因此可進入步驟S180：使用運轉辨識模型根據目標場域的總用電資料以辨識目標電器的運作狀態。如果否，代表目前建立的運轉辨識模型不具有良好的辨識準確度，因此返回進入步驟S140。

換句話說，響應於判斷運轉辨識模型的平均辨識準確度未達到準確度標準，本實施例則返回執行特徵萃取程序以得到上述第一特徵資料集的步驟，即實現了動態調整參數以優化運轉辨識模型的效果。實務上，當平均辨識準確度未達到準確度標準時，也可返回執行特徵篩選程序，伺服器的處理電路可通過調整Lasso算法的參數以降低或增加濾除的統計特徵值的數量，也能夠實現動態調整參數以優化運轉辨識模型的效果。另外，本實施例可從歷史資料中形成一驗證集，並且使用驗證集以得到運轉辨識模型的平均辨識準確度。由於經訓練的機器學習模型使用驗證集已為本領域技術人員所習知的技術手段，因此有關其細節就不再多加贅述。類似地，在不考慮優化運轉辨識模型的情形下，本實施例的方法將可也省略步驟S170。

另一方面，請參閱圖3，圖3是本發明實施例提供基於非侵入式負載監控辨識電器運作狀態的系統的功能方塊圖。如圖3所示，本實施例的系統1耦接設置在目標場域（圖未繪示）中的多個目標電器21～24，且包括資料庫11以及伺服器13。資料庫11用於儲存目標場域的總用電歷史資料以及目標電器21～24的每一個的電器用電歷史資料。請注意，為了方便以下說明，圖3的系統1僅以耦接4個目標電器為例，但本發明並不限制系統1所耦接的目標電器的具體數量。另外，系統1可通過電表31耦接目標電器24～24。

在本實施例中，總用電歷史資料包括電表31根據第一取樣頻率取得的目標場域的多個總用電量，且針對每一目標電器，對應的電器用電歷史資料包括電表31根據第一取樣頻率取得的上述目標電器的多個電器用電量。例如，目標電器21的電器用電歷史資料包括電表31根據第一取樣頻率取得的目標電器21的多個電器用電量，以此類推，目標電器24的電器用電歷史資料包括電表31根據第一取樣頻率取得的目標電器24的多個電器用電量。如前所述，由於大部分的智慧型電表並不具有根據高頻取樣率來取得用電量的能力，因此本實施例的第一取樣頻率係小於或等於前述標準取樣頻率。

進一步地，總用電歷史資料與每一目標電器的電器用電歷史資料可由電表31收集後儲存至系統1的資料庫11中。伺服器13耦接資料庫11，包括記憶體131以及耦接記憶體131的處理電路133。記憶體131和處理電路133可以是由硬體搭配軟體與/或韌體來實現，但本發明不限制記憶體131和處理電路133的具體實現方式。記憶體131用於儲存多個指令。處理電路133可例如包括一或多個處理器，其經配置以自記憶體131獲取該些指令並執行該些指令以執行圖1A和1B的步驟。換句話說，處理電路133可經配置以用於執行前述基於非侵入式負載監控辨識電器運作狀態的方法。由於細節已如同前述實施例，故於此就不再多加贅述。

綜上所述，由於本發明可用來分析不同電器的用電行為，因此本發明建立的運轉辨識模型可預期給予客製化的用電調整建議，並為非侵入式負載監控帶來新的應用方式。另外，本發明的其中一有益效果在於，能夠提供在低頻取樣率下辨識電器的運作狀態，且可提供非侵入式負載監控對於複雜環境的容限度。

以上所提供的內容僅為本發明的優選可行實施例，並非因此侷限本發明的申請專利範圍，所以凡是運用本發明說明書及圖式內容所做的等效技術變化，均包含於本發明的申請專利範圍內。

S110~S180:步驟

1:系統

21~24:目標電器

11:資料庫

13:伺服器

131:記憶體

133:處理電路

31:電表

圖1A和1B是本發明實施例提供基於非侵入式負載監控辨識電器運作狀態的方法的流程圖。

圖2是本發明實施例提供一目標電器的電器用電歷史資料轉換為二元資料集的示意圖。

圖3是本發明實施例提供基於非侵入式負載監控辨識電器運作狀態的系統的功能方塊圖。

S110~S150:步驟

Claims

一種基於非侵入式負載監控辨識電器運作狀態的方法，適用於一系統，該系統包括一資料庫以及耦接該資料庫的一伺服器，該伺服器包括一記憶體以及自該記憶體獲取多個指令並執行該些指令的一處理電路，該方法由該處理電路執行且包括下列步驟：執行一資料讀取程序以取得一目標場域的總用電歷史資料以及該目標場域的多個目標電器的每一個的電器用電歷史資料，該總用電歷史資料包括一電表根據一第一取樣頻率取得的該目標場域的多個總用電量，且針對每一該些目標電器，對應的該電器用電歷史資料包括該電表根據該第一取樣頻率取得的該目標電器的多個電器用電量，其中該第一取樣頻率係小於或等於一標準取樣頻率；執行一標籤註記程序以將每一該些目標電器的該電器用電歷史資料轉換為用於描述對應的該目標電器的運作狀態為開啟或關閉的二元資料集；執行一特徵萃取程序以將該總用電歷史資料分群為多個群組樣本，並且對該些群組樣本進行分析以得到對應的多個第一特徵資料集，其中每一該些群組樣本包括該些總用電量的一子集合，且每一該些第一特徵資料集包含多個統計特徵值；執行一特徵篩選程序以對該些統計特徵值進行篩選來將該些第一特徵資料集降維為多個第二特徵資料集，並且執行一模型建立程序以使用該些第二特徵資料集與每一該些目標電器的該二元資料集作為訓練資料來訓練一機器學習模型，以建立該些目標電器的一運轉辨識模型；以及使用該運轉辨識模型根據該目標場域的總用電資料以辨識每一該些目標電器的該運作狀態；其中針對每一該些目標電器，對應的該二元資料集包括多個資料元素，分別對應該目標電器的該些電器用電量，每一該些資料元素為一第一值或一第二值，且該第一值和該第二值分別用來表示該目標電器的該運作狀態為開啟和關閉。
如請求項1所述的方法，其中該總用電歷史資料與每一該些目標電器的該電器用電歷史資料係由該電表收集後儲存至一資料庫中，且該資料讀取程序包括該伺服器的該處理電路從該資料庫中讀取該總用電歷史資料與每一該些目標電器的該電器用電歷史資料。
如請求項1所述的方法，其中在執行該標籤註記程序之前，該方法還包括：執行一資料前處理程序以填補該總用電歷史資料與每一該些目標電器的該電器用電歷史資料中為非數值的用電量。
如請求項3所述的方法，其中該資料前處理程序還包括：將該總用電歷史資料與每一該些目標電器的該電器用電歷史資料根據小於該第一取樣頻率的一第二取樣頻率進行重取樣，以更新該些總用電量與每一該些目標電器的該些電器用電量。
如請求項1所述的方法，其中該些總用電量分別對應多個取樣時刻，且該特徵萃取程序包括根據該些取樣時刻與一單位時間將該總用電歷史資料分群為該些群組樣本。
如請求項5所述的方法，其中該單位時間為1小時，且對該些群組樣本進行分析包括針對每一該些群組樣本的該些總用電量使用統計公式或訊號處理方式以得到每一該些第一特徵資料集的該些統計特徵值。
如請求項1所述的方法，其中該特徵篩選程序包括使用Lasso算法來對該些統計特徵值進行篩選，以將該些第一特徵資料集降維為該些第二特徵資料集。
如請求項1所述的方法，其中該機器學習模型為一極限樹模型。
如請求項1所述的方法，其中在使用該運轉辨識模型辨識每一該些目標電器的該運作狀態之前，該方法還包括：執行一驗證程序以得到該運轉辨識模型的一平均辨識準確度，並且判斷該平均辨識準確度是否達到一準確度標準；以及響應於判斷該平均辨識準確度未達到該準確度標準，返回執行該特徵萃取程序以得到該些第一特徵資料集的步驟。
一種基於非侵入式負載監控辨識電器運作狀態的系統，耦接多個設置在一目標場域中的目標電器，且包括：一資料庫，用於儲存該目標場域的總用電歷史資料以及每一該些目標電器的電器用電歷史資料，該總用電歷史資料包括一電表根據一第一取樣頻率取得的該目標場域的多個總用電量，且針對每一該些目標電器，對應的該電器用電歷史資料包括該電表根據該第一取樣頻率取得的該目標電器的多個電器用電量，其中該第一取樣頻率係小於或等於一標準取樣頻率；以及一伺服器，耦接該資料庫，包括一記憶體，用於儲存多個指令；以及一處理電路，耦接該記憶體，該處理電路經配置以自該記憶體獲取該些指令並執行該些指令以：執行一資料讀取程序以取得該總用電歷史資料以及每一該些目標電器的該電器用電歷史資料；執行一標籤註記程序以將每一該些目標電器的該電器用電歷史資料轉換為用於描述對應的該目標電器的運作狀態為開啟或關閉的二元資料集；執行一特徵萃取程序以將該總用電歷史資料分群為多個群組樣本，並且對該些群組樣本進行分析以得到對應的多個第一特徵資料集，其中每一該些群組樣本包括該些總用電量的一子集合，且每一該些第一特徵資料集包含多個統計特徵值；執行一特徵篩選程序以對該些統計特徵值進行篩選來將該些第一特徵資料集降維為多個第二特徵資料集，並且執行一模型建立程序以使用該些第二特徵資料集與每一該些目標電器的該二元資料集作為訓練資料來訓練一機器學習模型，以建立該些目標電器的一運轉辨識模型；以及使用該運轉辨識模型根據該目標場域的總用電資料以辨識每一該些目標電器的該運作狀態；其中針對每一該些目標電器，對應的該二元資料集包括多個資料元素，分別對應該目標電器的該些電器用電量，每一該些資料元素為一第一值或一第二值，且該第一值和該第二值分別用來表示該目標電器的該運作狀態為開啟和關閉。
如請求項10所述的系統，其中該總用電歷史資料與每一該些目標電器的該電器用電歷史資料係由該電表收集後儲存至該資料庫中，且該資料讀取程序包括該伺服器的該處理電路從該資料庫中讀取該總用電歷史資料與每一該些目標電器的該電器用電歷史資料。
如請求項10所述的系統，其中在執行該標籤註記程序之前，該處理電路還經配置以：執行一資料前處理程序以填補該總用電歷史資料與每一該些目標電器的該電器用電歷史資料中為非數值的用電量。
如請求項12所述的系統，其中該資料前處理程序還包括：將該總用電歷史資料與每一該些目標電器的該電器用電歷史資料根據小於該第一取樣頻率的一第二取樣頻率進行重取樣，以更新該些總用電量與每一該些目標電器的該些電器用電量。
如請求項10所述的系統，其中該些總用電量分別對應多個取樣時刻，且該特徵萃取程序包括根據該些取樣時刻與一單位時間將該總用電歷史資料分群為該些群組樣本。
如請求項14所述的系統，其中該單位時間為1小時，且對該些群組樣本進行分析包括針對每一該些群組樣本的該些總用電量使用統計公式或訊號處理方式以得到每一該些第一特徵資料集的該些統計特徵值。
如請求項10所述的系統，其中該特徵篩選程序包括使用Lasso算法來對該些統計特徵值進行篩選，以將該些第一特徵資料集降維為該些第二特徵資料集。
如請求項10所述的系統，其中該機器學習模型為一極限樹模型。
如請求項10所述的系統，其中在使用該運轉辨識模型辨識每一該些目標電器的該運作狀態之前，該處理電路還經配置以：執行一驗證程序以得到該運轉辨識模型的一平均辨識準確度，並且判斷該平均辨識準確度是否達到一準確度標準；以及響應於判斷該平均辨識準確度未達到該準確度標準，返回執行該特徵萃取程序以得到該些第一特徵資料集的步驟。