使用机器学习和被处理的训练数据的非侵入式负荷监测制造技术

实施例使用新颖的学习方案实现非侵入式负荷监测。可以存储被配置为从家庭能源使用情况中分解设备能源使用情况的经训练的机器学习模型，其中机器学习模型被训练为从家庭能源使用情况来预测目标设备的能源使用情况。可以接收一段时间内的家庭能源使用情况，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。可以使用经训练的机器学习模型，基于接收到的家庭能源使用情况来预测一段时间内目标设备的能源使用情况。一段时间内目标设备的能源使用情况。一段时间内目标设备的能源使用情况。

【技术实现步骤摘要】
【国外来华专利技术】使用机器学习和被处理的训练数据的非侵入式负荷监测


[0001]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。

技术介绍

[0002]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
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。

技术实现思路

[0003]本公开的实施例一般而言涉及使用新颖的学习方案的非侵入式负荷监测的系统和方本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于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：存储被配置为从家庭能源使用情况中分解设备能源使用情况的经训练的机器学习模型，其中所述机器学习模型被训练为从家庭能源使用情况中预测目标设备的能源使用情况；接收一段时间内的家庭能源使用情况，其中所述家庭能源使用情况包括所述目标设备消耗的能源和多个其他设备消耗的能源；以及基于接收到的家庭能源使用情况，使用所述经训练的机器学习模型预测所述目标设备在所述一段时间内的能源使用情况。2.如权利要求1所述的方法，其中所述经训练的机器学习模型是使用多个家庭的能源使用值、所述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。3.如权利要求2所述的方法，其中，用于训练所述机器学习模型的训练数据包括来自多个家庭的能源使用情况、所述家庭的所述能源使用情况内的所述目标设备的标记的能源使用值和所述家庭的所述能源使用情况内的所述一组其他设备的标记的能源使用值，以及所述机器学习模型的训练优化了用于预测所述目标设备的能源使用值的精确度。4.如权利要求3所述的方法，其中所述训练数据包括多个家庭的能源使用值，并且这些家庭中的多数家庭的能源使用情况包括来自所述目标设备的标记的能源使用情况和来自所述一组其他设备中的至少一个设备的标记的能源使用情况。5.如权利要求4所述的方法，其中包括来自所述多个家庭的能源使用值、所述目标设备的标记的能源使用值和所述一组其他设备的标记的能源使用值的所述训练数据包括基本上每小时的粒度，并且所述一段时间内的接收到的家庭能源使用情况包括基本上每小时的粒度。6.如权利要求5所述的方法，还包括：处理所述训练数据，使得对于其能源使用情况不包括来自所述一组其他设备的子集的标记的能源使用情况的给定家庭，其他设备的所述子集的标记的能源使用情况被设置为零。7.如权利要求6所述的方法，其中所述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基本上每小时的粒度的预测的能源使用情况。8.如权利要求7所述的方法，其中基于包括所述训练数据的所述多个家庭的所述能源使用情况来确定所述一组其他设备。9.如权利要求8所述的方法，其中所述一组其他设备内的其他设备的数量基于包括所述训练数据的所述多个家庭的所述能源使用情况。10.如权利要求9所述的方法，其中基于包括所述训练数据的所述多个家庭的所述能源使用情况内的所述一组其他设备的已知能源使用值来确定所述一组其他设备。11.如权利要求10所述的方法，其中所述一组其他设备被确定为使得被配置为在给定所述一组其他设备的情况下训练所述机器学习模型的训练数据的量满足标准。12.一种用于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...

【专利技术属性】
技术研发人员：S，
申请(专利权)人：甲骨文国际公司，
类型：发明
国别省市：