用于发现目标设备存在的经训练的模型的制作方法-k8凯发

本公开的实施例总体上涉及公用事业计量设备(utility metering device)，并且更具体地涉及使用公用事业计量设备发现家庭能源使用(energy usage)情况中目标设备能源使用情况的存在(presence)的机器学习预测。

背景技术：

1、对给定源位置处的各种能源使用情况设备的分解(disaggregation)已被证明具有挑战性。例如，在给定家庭的情况下，从家庭的总体受监测的能源使用情况内发现特定于设备的和/或电动车辆能源使用情况已经是难以实现的，这部分是由于家庭设备和/或电动车辆的繁多种类(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，但成功的发现仍然难以达到。可靠地发现来自某些设备(诸如电动车辆)的能源使用情况的技术可以为改进的电网规划提供机会，并将大大地改进该技术领域并使实现这些技术的组织受益。

技术实现思路

1、本公开的实施例总体上涉及用于生成机器学习预测以发现目标设备能源使用情况的系统和方法。

2、可以存储被配置为从源位置能源使用情况中发现目标设备能源使用情况的一个或多个经训练的机器学习模型。对于给定源位置，可以接收一段时间内源位置能源使用情况的多个实例。使用经训练的机器学习模型，可以生成针对所接收的源位置能源使用情况的实例的多个发现预测(discovery prediction)，这些发现预测包括关于源位置能源使用情况的实例内目标设备能源使用情况的存在的预测。并且基于该多个发现预测，可以生成关于该段时间内给定源位置的能源使用情况内目标设备能源使用情况的存在的总体预测。

3、实施例的特征和优势在随后的描述中阐述，或者将从该描述中变得清楚，或者可以通过对本公开的实践而获知。

技术特征：

1.一种用于生成机器学习预测以发现目标设备能源使用情况的方法，所述方法包括：

2.如权利要求1所述的方法，其中，所述发现预测包括指示所述源位置能源使用情况的实例内目标设备能源使用情况的存在的置信度数据值，并且所述总体预测包括指示所述一段时间内所述给定源位置的能源使用情况内目标设备能源使用情况的存在的总体置信度数据值。

3.如权利要求2所述的方法，其中，生成所述总体预测包括组合与所述多个发现预测相对应的置信度数据值以生成所述总体置信度数据值。

4.如权利要求3所述的方法，其中，所述总体置信度数据值与标准或阈值进行比较，并且当所述总体置信度数据值满足或超过所述标准或阈值时，目标设备能源使用情况的存在被正向地发现。

5.如权利要求2所述的方法，其中，

6.如权利要求5所述的方法，其中，所述目标设备包括电动车辆并且所述目标设备能源使用情况包括第一类型的电动车辆充电和第二类型的电动车辆充电，第一类型的电动车辆充电使用120-伏标准充电器并且第二类型的电动车辆充电使用240伏快速充电器。

7.如权利要求2所述的方法，其中，所述源位置包括家庭，所述源位置能源使用情况的实例包括一周时间内每小时粒度的家庭能源使用情况，并且所述一段时间包括至少四周。

8.如权利要求2所述的方法，其中，所述源位置包括家庭并且所述源位置能源使用情况的实例包括每月粒度、每周粒度和每两个月粒度之一。

9.如权利要求2所述的方法，其中，所述经训练的机器学习模型包括一个或多个循环神经网络层以及一个或多个卷积神经网络层。

10.如权利要求2所述的方法，其中，由所述经训练的机器学习模型生成的每个发现预测是基于源位置能源使用情况的对应实例以及与所述源位置能源使用情况的对应实例相关联的天气条件的。

11.如权利要求10所述的方法，其中，所述天气条件是相对于所述源位置的，并且还包括平均温度、最大温度、最小温度、露点、湿度值和太阳辐照度中的一个或多个。

12.一种用于生成机器学习预测以发现目标设备能源使用情况的系统，所述系统包括：

13.如权利要求12所述的系统，其中，所述发现预测包括指示所述源位置能源使用情况的实例内目标设备能源使用情况的存在的置信度数据值，并且所述总体预测包括指示所述一段时间内所述给定源位置的能源使用情况内目标设备能源使用情况的存在的总体置信度数据值。

14.如权利要求13所述的系统，其中，生成所述总体预测包括组合与所述多个发现预测相对应的置信度数据值以生成所述总体置信度数据值。

15.如权利要求14所述的系统，其中，所述总体置信度数据值与标准或阈值进行比较，并且当所述总体置信度数据值满足或超过所述标准或阈值时，目标设备能源使用情况的存在被正向地发现。

16.如权利要求13所述的系统，其中，

17.如权利要求13所述的系统，其中，所述源位置包括家庭，所述源位置能源使用情况的实例包括一周时间内每小时粒度的家庭能源使用情况，并且所述一段时间包括至少四周。

18.如权利要求13所述的系统，其中，所述源位置包括家庭并且所述源位置能源使用情况的实例包括每月粒度、每周粒度和每两个月粒度之一。

19.如权利要求13所述的系统，其中，所述经训练的机器学习模型包括一个或多个循环神经网络层以及一个或多个卷积神经网络层。

20.一种具有存储在其上的指令的非暂时性计算机可读介质，所述指令当由处理器执行时，使所述处理器生成机器学习预测以发现目标设备能源使用情况，其中，所述指令当被执行时，使所述处理器执行以下操作：

技术总结
实施例生成机器学习预测以发现目标设备能源使用情况。可以存储被配置为从源位置能源使用情况中发现目标设备能源使用情况的一个或多个经训练的机器学习模型。对于给定源位置，可以接收一段时间内源位置能源使用情况的多个实例。使用经训练的机器学习模型，可以生成针对所接收的源位置能源使用情况的实例的多个发现预测，这些发现预测包括关于源位置能源使用情况实例内目标设备能源使用情况的存在的预测。并且基于该多个发现预测，可以生成关于该时间段内给定源位置的能源使用情况内目标设备能源使用情况的存在的总体预测。

技术研发人员：s·米玛洛格鲁,o·本杰明,a·刚奈尔,a·沈,冯子然
受保护的技术使用者：甲骨文国际公司
技术研发日：
技术公布日：2024/2/8