用于发现目标设备存在的经训练的模型

技术领域

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

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。

发明内容

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。

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。

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。

附图说明

进一步的实施例、细节、优势和修改将从要结合附图对优选实施例进行的以下详细描述中变得清楚。

图1图示了根据示例实施例的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。

图2图示了根据示例实施例的可操作地耦合到系统的计算设备的框图。

图3图示了根据示例实施例的用于使用机器学习模型来发现家庭能源使用情况内目标设备能源使用情况的存在的架构。

图4A-图4C图示了根据示例实施例的样本神经网络。

图5A-图5B图示了根据示例实施例的表示特定于设备的能源使用情况存在预测结果和准确度的样本图。

图6图示了根据示例实施例的用于使用多个机器学习模型来发现家庭能源使用情况内目标设备能源使用情况的存在的架构。

图7图示了根据示例实施例的用于训练机器学习模型以发现目标设备能源使用情况的存在的流程图。

图8图示了根据示例实施例的用于生成机器学习预测以发现目标设备能源使用情况的流程图。

具体实施方式

实施例生成用于发现目标设备能源使用情况的机器学习预测。非侵入式负荷监测(Non-intrusive load monitoring，“NILM”)和/或分解是指将源位置处的总能源使用情况(例如，由先进计量基础设施提供的家庭处的能源使用情况)作为输入，并估计在源位置处使用能源的一个或多个器具、电动车辆和其他设备的能源使用情况。实施例利用经训练的机器学习模型，该模型生成关于源位置处的总体能源使用情况内的目标设备能源使用情况的存在的预测。例如，目标设备可能是大型器具或电动车辆，源位置可能是家庭，并且经训练的机器学习模型被配置为接收家庭的能源使用情况作为输入并预测家庭能源使用情况是否包括目标设备能源使用情况。

在一些实施例中，可以接收一段时间内的家庭能源使用情况的实例。例如，可以在一段时间(例如，一周、两周、一个月等)内以某一粒度级别(例如，每15分钟、每30分钟、每小时等)接收家庭能源使用情况。在一些实施例中，经训练的机器学习模型可以为家庭能源使用情况数据的每个实例生成多个预测实例(例如，一个月时间内四个每周预测)。然后可以基于该多个预测实例生成总体预测。例如，可以对预测实例执行分析以得出关于在该段时间内家庭能源使用情况内目标能源使用情况的存在的总体预测。

现在将对本公开的实施例做出详细参考，其示例在附图中示出。在以下详细描述中，阐述了许多具体细节以提供对本公开的透彻理解。然而，对于本领域的普通技术人员来说将清楚的是，可以在没有这些具体细节的情况下实践本公开。在其他实例中，没有详细描述众所周知的方法、过程、组件和电路，以免不必要地模糊实施例的方面。只要可能，相似的参考数字将用于相似的元素。

图1图示了根据示例实施例的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。系统100包括源位置102，仪表104，源位置106，仪表108，设备110、112和114以及网络节点116。源位置102可以是包括消耗或生产能源的设备或以其他方式与这些设备相关联的任何合适的位置，诸如具有设备110、112和114的家庭。在一些实施例中，设备110、112和114可以是使用能源的电动器具和/或电动车辆，诸如洗衣机、烘干机、空调、加热器、冰箱、电视、计算设备等。例如，源位置102可以被供应能源(例如，电能)，并且设备110、112和114可以从供应给源位置102的能源中汲取。在一些实施例中，源位置102是家庭并且家庭的能源由电网、本地电源(例如，太阳能电池板)、这些的组合或任何其他合适的源供应。

在一些实施例中，仪表104可以被用于监测源位置102处的能源使用情况(例如，电力使用情况)。例如，仪表104可以是智能仪表、先进计量基础设施(“AMI”)仪表、自动抄表(“AMR”)仪表、简单的能源使用情况仪表等。在一些实施例中，仪表104可以将关于源位置102处的能源使用情况的信息发送到中央能源系统、供应商、第三方或任何其他合适的实体。例如，仪表104可以实现与实体的双向通信以传达源位置102处的能源使用情况。在一些实施例中，仪表104可以实现与实体的单向通信，其中仪表读数被发送到该实体。

在一些实施例中，仪表104可以通过有线通信链路和/或无线通信链路通信，并且可以利用无线通信协议(例如，蜂窝技术)、Wi-Fi、通过Wi-Fi的无线ad hoc网络、无线网状网络、低功率远程无线(“LoRa”)、ZigBee、Wi-SUN、无线局域网、有线局域网等。设备110、112和114(以及未描绘的其他设备)可以使用源位置102处的能源，并且仪表104可以监测源位置的能源使用情况并报告对应的数据(例如，向网络节点116报告)。

在一些实施例中，源位置106和仪表108可以类似于源位置102和仪表104。例如，网络节点116可以从仪表104和仪表106接收关于源位置102和源位置106的能源使用情况信息。在一些实施例中，网络节点116可以是中央能源系统、供应商、电网、分析服务提供商、第三方实体或任何其他合适实体的一部分。

以下描述包括对一个或多个标准的叙述。这些术语可贯穿本公开互换地使用，多个标准的范围旨在包括一个标准的范围，并且一个标准的范围旨在包括多个标准的范围。

实施例使用由计量基础设施(例如，先进计量基础设施(AMI)、简单计量基础设施等)提供的来自家庭的总能源使用情况来准确地预测家庭能源使用情况中目标设备能源使用情况的存在。非侵入式负荷监测(“NILM”)和其他各种各样的能源使用情况检测领域已经引起了重大的兴趣。准确的特定于设备的能源使用情况发现(例如，经由NILM或类似NILM技术来发现)提供了许多优势，包括节能机会、个性化、改进的电网规划等等。

实施例利用深度学习方案，该方案可以基于有限的训练集准确地预测目标设备能源使用情况(诸如来自电动车辆或家用器具的能源使用情况)的存在。由于能源消耗设备的多样性(诸如普通家庭中那些(例如，大型电动器具和电动车辆)及其对应的使用条件)，准确的发现可能是具有挑战性的。此外，在NILM领域，训练数据的可用性可能是有限的。因此，可以最大化训练数据集的好处的学习方案可能特别有效。在实施例中，训练数据可以被用于对被设计成在这些挑战性的条件下有效地学习的学习模型进行训练。到学习模型的输入可以由AMI或非AMI(例如，简单基础设施)以及其他类型的输入提供。实施例可以以各种粒度分辨率(例如，15分钟、30分钟、1小时等，或每日、每周、每月等)从总能源使用情况来准确地预测目标设备能源使用情况存在。

使用现有学习方案的常规NILM实现方案有其自身的短处。先前考虑的建议方法中的一些方法是建立在组合优化、贝叶斯方法、隐马尔可夫模型或深度学习上的。然而，这些模型中的许多模型在现实世界场景中是没用的，因为它们遭受各种缺点。例如，这些解决方案中的一些方案在计算上是昂贵的，并且因此是不切实际的。其他方案需要在特定情况下的高分辨率/粒度输入(例如，AMI数据或训练数据)，考虑到所部署的计量能力，这种输入通常是不可用或不切实际的。

实施例实现了相对于这些常规方法的若干优点。例如，实施例支持更高级别的准确度，该准确度随时间推移利用更新的数据持续地提高。实施例还实现具有改进的泛化(improved generalization)的机器学习模型。例如，一些模型实现方案是在从各种不同位置获得的大量且多样的能源使用情况数据集上训练的，并且针对这些实现方案，跨各个地理位置获得改进的结果。

实施例还提高了模型训练和执行的资源和时间效率。例如，一些深度学习模型可能对训练/执行有广泛的资源需求，并且这些需求可能相当于数十万美元，并且在一些情况下相当于数百万美元。实施例实现了用于模型训练和执行的高效的资源和计算时间。此外，模型评分在高效的定时需求下被类似地实现。例如，在一些实施例中，评分可以在毫秒级别上实现。

图2是根据实施例的计算机服务器/系统200的框图。系统200的全部或部分可以被用于实现图1中所示的元件中的任何元件。如图2中所示，系统200可以包括总线设备212和/或被配置为在系统200的各种组件(诸如处理器222和存储器214)之间传达信息的(一个或多个)其他通信机构。此外，通信设备220可以通过对要通过网络(未示出)被从处理器222发送到另一个设备的数据进行编码并为处理器222解码通过网络从另一个系统接收的数据来实现处理器222和其他设备之间的连接性。

例如，通信设备220可以包括被配置为提供无线网络通信的网络接口卡。可以使用各种无线通信技术，包括红外线、无线电、

处理器222可以包括一个或多个通用或专用处理器以执行系统200的计算和控制功能。处理器222可以包括单个集成电路，诸如微处理设备，或可以包括协同工作以完成处理器222的功能的多个集成电路设备和/或电路板。此外，处理器222可以执行存储在存储器214内的计算机程序，诸如操作系统215、预测工具216和其他应用218。

系统200可以包括用于存储信息和由处理器222执行的指令的存储器214。存储器214可以包含用于检索、呈现、修改和存储数据的各种组件。例如，存储器214可以存储在由处理器222执行时提供功能的软件模块。模块可以包括为系统200提供操作系统功能的操作系统215。模块可以包括操作系统215、实现本文公开的目标设备存在预测功能的预测工具216，以及其他应用模块218。操作系统215为系统200提供操作系统功能。在一些实例中，预测工具216可以被实现为内存中配置。在一些实现方案中，当系统200执行预测工具216的功能时，它实现执行本文公开的功能的非常规专用计算机系统。

非暂时性存储器214可以包括可由处理器222访问的各种计算机可读介质。例如，存储器214可以包括随机存取存储器(“RAM”)、动态RAM(“DRAM”)、静态RAM(“SRAM”)、只读存储器(“ROM”)、闪存、高速缓存和/或任何其他类型的非暂时性计算机可读介质的任何组合。处理器222还经由总线212被耦合到显示器224，诸如液晶显示器(“LCD”)。键盘226和光标控制设备228(诸如计算机鼠标)还被耦合到通信设备212以使用户能够与系统200对接。

在一些实施例中，系统200可以是更大系统的一部分。因此，系统200可以包括一个或多个附加功能模块218以包括附加功能。例如，其他应用模块218可以包括

数据库217被耦合到总线212以为模块216和218提供集中存储并存储例如由预测工具216或其他数据源接收的数据。数据库217可以将数据存储在逻辑相关的记录或文件的集成集合中。数据库217可以是操作数据库、分析数据库、数据仓库、分布式数据库、最终用户数据库、外部数据库、导航数据库、内存中数据库、面向文档的数据库、实时数据库、关系数据库、面向对象的数据库、非关系数据库、NoSQL数据库、

尽管被示为单个系统，但是系统200的功能可以被实现为分布式系统。例如，存储器214和处理器222可以跨共同表示系统200的多个不同计算机分布。在一个实施例中，系统200可以是设备(例如，智能电话、平板电脑、计算机等)的一部分。在实施例中，系统200可以与该设备分开，并且可以远程地为该设备提供所公开的功能。此外，可以不包括系统200的一个或多个组件。例如，对于作为用户或消费者设备的功能，系统200可以是智能电话或其他无线设备，其包括处理器、存储器和显示器，不包括图2中所示的其他组件中的一个或多个，并且包括图2中未示出的附加组件，诸如天线、收发器或任何其他合适的无线设备组件。

图3图示了根据示例实施例的用于使用机器学习模型来发现家庭能源使用情况内目标设备能源使用情况的存在的架构。系统300包括输入数据302、处理模块304、预测模块306、训练数据308、分析模块310和输出数据312。在一些实施例中，输入数据302可以包括来自源位置的能源使用情况，并且该数据可以由处理模块304处理。例如，处理模块304可以处理输入数据302以基于该输入数据生成特征。

在一些实施例中，预测模块306可以是通过训练数据308训练的机器学习模块(例如，神经网络)。例如，训练数据308可以包括经标记的数据，诸如来自多个源位置(例如，来自图1的源位置102和106)的能源使用情况数据值，其包括指示目标设备能源使用情况的存在的标签。在一些实施例中，来自处理模块304的输出(诸如经处理的输入)可以作为输入被馈送到预测模块306。预测模型306可以生成目标设备存在预测的实例，诸如在一段时间内关于在总体源位置能源使用情况内目标设备能源使用情况的存在的多个预测。

在一些实施例中，分析模块310可以分析目标设备存在预测的该多个实例。例如，数学函数可以被用来组合存在预测的实例，以生成关于在一段时间内测量的源能源使用情况数据是否包括目标设备能源使用情况的存在的总体预测。在一些实施例中，该总体预测可以是输出数据312。例如，输入数据302可以是源位置能源使用情况数据并且输出数据312可以是关于源位置能源使用情况数据内(例如，在该段时间内)目标设备能源使用情况的存在的预测(例如，置信度值)。

实施例使用机器学习模型(诸如神经网络)来预测目标设备的能源使用情况。神经网络可以包括称为神经元的多个节点，这些神经元经由链路或者说突触连接到其他神经元。神经网络的一些实现方案可以针对分类任务和/或可以在有监督学习技术下被训练。在许多情况下，经标记的数据可以包括有助于实现预测任务(例如，能源使用情况分类/预测)的特征。在一些实施例中，经训练的神经网络中的神经元可以对给定的输入数据执行小的数学运算，其中它们的对应的权重(或相关性)可以被用于产生运算数(例如，部分通过应用非线性而产生)以被进一步传递到该网络中或者作为输出而给出。突触可以以对应权重/相关性来连接两个神经元。在一些实施例中，来自图3的预测模块306可以是神经网络。

在一些实施例中，神经网络可以被用于学习经标记的(或经调查的)能源使用情况数据(例如，在一段时间内用特定于设备的能源使用情况或通用设备标签标记的家庭能源使用情况数据值)内的趋势。例如，训练数据可以包括特征并且这些特征可以被神经网络(或其他学习模型)用来识别趋势并从总体源位置能源使用情况来预测目标设备能源使用情况的存在。在一些实施例中，一旦模型被训练/准备好，它就可以被部署。实施例可以与一些产品或服务(例如，

在一些实施例中，预测模块306的设计可以包括任何合适的机器学习模型组件(例如，神经网络、支持向量机、专用回归模型等)。例如，神经网络可以与给定的成本函数(例如，用于训练/梯度计算)一起实现。神经网络可以包括任何数量(例如，0、1、2、3或更多)的隐藏层，并且可以包括前馈神经网络、循环神经网络、卷积神经网络、模块化神经网络和任何其他合适的类型。

图4A-图4C图示了根据示例实施例的样本神经网络。图4A的神经网络400包括层402、404、406、408和410。在一些实施例中，神经网络400可以是具有内核412、414、416、418、420和422中的一个或多个内核的卷积神经网络。例如，在卷积神经网络的给定层处，一个或多个滤波器或内核可以被应用于该层的输入数据。内核412、414和416被示为一维内核(例如，1×n)，并且内核418、420和422被示为2维内核(例如，n×m)，但是任何其他合适的形状可以被实现。

在一些实施例中，层402、404和406是卷积层，内核412被应用于层402，内核414被应用于层404，并且内核416被应用于层406。在一些实施例中，层402、404和406是卷积层，内核418被应用于层402，内核420被应用于层404，并且内核422被应用于层406。取决于所应用的滤波器或内核的形状(例如，1×1、1×2、1×3、1×4、2×1、2×2、2×3、3×2等)、滤波器或内核被应用的方式(例如，数学应用)以及其他参数(例如，步幅)，数据的形状和底层数据值可以从输入被改变到输出。在实施例中，内核412、414和416可以在它们之间具有一个一致的形状、两个不同的形状或三个不同的形状(例如，所有内核大小不同)和/或内核418、420和422可以在它们之间具有一个一致的形状、两个不同的形状或三个不同的形状。

在一些情况下，卷积神经网络的层可以是异构的并且可以包括卷积层、池化层、全连接层(例如，类似于应用1×1滤波器)等的不同混合/序列。在一些实施例中，层408和410可以是全连接层。因此，神经网络400的实施例图示了前馈卷积神经网络，其具有一定数量的卷积层(例如，实现一维或多维滤波器或内核)，随后是全连接层。实施例可以实现任何其他合适的卷积神经网络。

图4B的神经网络430包括层432、434、436、438、440和442，以及内核444、446、448、450、452和454。神经网络430可以类似于图4A的神经网络400，然而在一些实施例中，层432、434和436可以是具有并行朝向的卷积层，并且层438可以是对层432、434和436的输出进行级联的级联层。例如，来自输入层的输入可以被馈送到层432、434和436中的每一个层，其中来自这些层的输出在层438处被级联。

在一些实施例中，内核444、446和448可以类似于图4A的内核412、414和416，并且内核450、452和454可以类似于图4A的内核418、420和422。例如，内核444、446和448被示为1维内核并且内核450、452和454被示为2维内核，但是任何其他合适的形状可以被实现。在实施例中，内核444、446和448可以在它们之间具有一个一致的形状、两个不同的形状或三个不同的形状(例如，所有内核大小不同)和/或内核450、452和454可以在它们之间具有一个一致的形状、两个不同的形状或三个不同的形状。

在一些情况下，卷积神经网络的层可以是异构的并且可以包括卷积层、池化层、全连接层、并行层、级联层等的不同混合/序列。例如，层432、434和436可以表示三个并行层，然而更多或更少数量的并行层可以被实现。类似地，来自层432、434和436中的每一个层的输出被描绘为到层438的输入，层438在一些实施例中是级联层，然而层432、434和436中的一个或多个层可以在级联层之前包括附加的卷积或其他层。例如，一个或多个卷积或其他层可以存在于层432(例如，卷积层)和层438(例如，级联层)之间。在一些实施例中，可以在层432和438之间实现另一个卷积层(具有另一个内核)，而不为层434实现这样的中间层。换句话说，在此示例中，到层432的输入在被输入到层438(例如，级联层)之前可以穿过另一个卷积层，而到层434的输入被直接输出到层438(而没有另一个卷积层)。

在一些实施例中，层432、434、436和438(例如，三个并行卷积层和一个级联层)可以表示神经网络430内的块，并且一个或多个附加块可以在所描绘的块之前或之后被实现。例如，块可由随后是级联层的至少两个并行卷积层来表征。在一些实施例中，可以将具有各种并行结构的一定数量的附加卷积层(例如，多于两个)实现为块。神经网络430图示了前馈卷积神经网络的实施例，该前馈卷积神经网络带有具有并行朝向的一定数量的卷积层(例如，实现1维和/或2维滤波器或内核)，随后是全连接层。实施例可以实现任何其他合适的卷积神经网络。

在一些实施例中，神经网络400和430的层可以是任何其他合适的神经网络层(例如，不实现卷积内核的层)。例如，在一些实施例中，可以在神经网络中实现层的混合，其中卷积层和/或卷积神经网络和/或卷积块与其他层、网络或块一起被实现。

图4C描绘了神经网络460，该神经网络可以包括块462、464、466和468。在一些实施例中，神经网络460可以是循环神经网络(“RNN”)。例如，输入470、472、474和476可以表示进入神经网络460的输入序列(例如，作为随时间推移的序列的能源使用情况数据)，并且输出478、480、482和484可以表示输出序列。在一些实施例中，块462、464、466和468可以是任何合适的循环神经网络块，诸如长短期记忆(“LSTM”)块、门控循环单元(“GRU”)块、二阶RNN的块、简单循环网络块、具有合适的权重矩阵(例如，用于输入的权重矩阵、用于隐藏状态的计算的权重矩阵和用于输出的计算的权重矩阵)的块、具有权重矩阵、激活函数和/或门的任何合适组合的块，等等。

在一些实施例中，神经网络460的块在处理输入序列时传递隐藏状态(或多个隐藏状态值)。例如，块462可以计算输出478和被传递到块464的隐藏状态。类似地，块464可以计算输出480和被传递到块466的隐藏状态，依此类推。在一些实施例中，神经网络460可以包括若干更多的块(例如，多于五个)并且包括若干更多的层(例如，多于一层的块)。在一些实施例中，神经网络460可以是双向神经网络(例如，隐藏状态在块之中向前和向后传递)。

实施例实现包括异构混合架构的神经网络。例如，所实现的神经网络可以包括与RNN的层组合的CNN的层。在一些实施例中，CNN架构(例如，串行卷积层、并行卷积层和/或级联层、池化层、全连接层等)与RNN架构(例如，RNN神经网络的块)组合，使得来自CNN架构的输出用作到RNN架构的输入。例如，输入数据(例如，作为随时间推移的序列的能源使用情况数据)可以由CNN架构处理，来自CNN架构的输出可以是RNN架构的输入，并且RNN架构可以处理其输入数据以生成预测结果。在一些实施例中，一个或多个全连接层(具有合适的激活函数)可以遵循CNN架构、RNN架构或两者。其他实现方式可以包括其他神经网络架构、层和/或神经网络组件的其他合适朝向的的堆叠。

在一些实施例中，神经网络可以被配置用于深度学习，例如基于所实现的神经网络层的数量。在一些示例中，贝叶斯网络或其他类型的有监督学习模型可以被类似地实现。例如，在一些情况下，支持向量机可以与一个或多个内核(例如，高斯内核、线性内核等)一起被实现。

在一些实施例中，测试实例可以被给到模型以计算其准确度。例如，返回参考图3，训练数据308/经标记的或经调查的能源使用情况数据的一部分可以被保留以用于测试经训练的模型(例如，而不是训练该模型)。准确度测量可以被用于对预测模块306调优。在一些实施例中，准确度评估可基于训练数据/被处理的数据的子集。例如，该数据的子集可以被用于评估经训练的模型的准确度(例如，训练与测试的比率为75％比25％等等)。在一些实施例中，在测试的各次迭代中，该数据可以被随机地选择以用于测试和训练段。

在一些实施例中，当测试时，经训练的模型可以输出指示给定输入(例如，测试数据的实例)内目标设备能源使用情况的存在的预测(例如，置信度值，诸如0和1之间的数字)。例如，测试数据的实例可以是给定源位置(例如，家庭)在一段时间内的、包括指示目标设备能源使用情况是否存在的标签的能源使用情况数据。因为对于该给定的输入/测试实例，目标设备能源使用情况的存在是已知的，所以可以将预测值与该已知值进行比较来生成准确度度量。基于使用测试数据的多个实例对经训练的模型进行测试，经训练的模型的准确度可以被评估。

在一些实施例中，可以基于训练、再训练和/或更新训练期间的准确度计算，来对预测模块306的设计进行调优。例如，调优可以包括调整神经网络中的隐藏层的数量、调整内核计算(例如，用于实现支持向量机或神经网络)等。此调优还可以包括调整/选择机器学习模型所使用的特征、对输入数据的处理的调整等。实施例包括在训练/计算准确度的同时实现各种调优配置(例如，机器学习模型和特征的不同版本)以便得到预测模块306的如下配置，该配置在被训练后实现期望的性能(例如，以期望的准确度级别执行预测，根据期望的资源利用率/时间度量运行等)。在一些实施例中，经训练的模型可以被保存或存储以用于进一步使用和用于保持其状态。例如，预测模块306的训练可以被“离线”执行，并且然后经训练的模型可根据需要被存储和使用以实现时间和资源高效的数据预测。

预测模块306的实施例基于经处理的训练数据被训练来识别总体源位置(例如，家庭)能源使用情况数据内的目标设备能源使用情况的存在。可以被处理以生成训练数据308的能源使用情况数据的示例包括：

表1：经预处理的源位置能源使用情况数据

此示例数据的样本行包括以下列：标识符、时间戳、总计(能源使用情况)和经标记的特定于设备的能源使用情况(空调、电动车辆、冰箱等)。此示例包括15分钟的粒度，但是其他合适的粒度可以被类似地实现(例如，1分钟、5分钟、30分钟、1小时、几小时、一天、几天、一周、几周、一个月等)。在一些实施例中，处理能源使用情况数据(例如，以生成训练数据308)可以包括减小数据的粒度，例如使得它可以被用于生成具有一致粒度(例如，1小时、1天、1周、1个月等)的训练语料库。这样的粒度减小可以通过对构成时间单位的组成部分内的数据使用值求和(例如，对构成一个小时的4个15分钟时间间隔内的数据使用值求和)来实现。

实施例包括要被包括在训练数据308内的目标设备(例如，电动车辆)和/或一组目标设备。例如，预测模块306的训练可以被配置为识别总体能源使用情况内目标设备能源使用情况的存在，并且训练数据可以包括针对单个目标设备或多个目标设备的经标记的数据使用情况。

实施例包括要被包括在训练数据308内的一组设备。例如，预测模块306的训练可以被配置为生成目标设备发现预测，然而，除了目标设备之外，该训练还可以利用一组其他设备的经标记的数据使用情况。在一些实施例中，该组其他设备可以基于可以被用于训练目的能源使用情况数据和/或特定于设备的经标记的数据值。训练数据通常是有限的，因此利用可用训练数据的训练技术通常是有益的。在一些实施例中，这些训练技术内使用的该组其他设备可以基于可用训练数据内的设备多样性、给定源位置处的设备的不同组合、和/或可用训练数据内设备的不同组合的出现频率。

在一些实施例中，预处理数据可以包括从表1中选择列的子集、行的子集、数据的聚合(或一些其他数学/组合函数)和其他合适的处理。例如，可以执行数据清理、归一化、缩放或用于呈现适合机器学习的数据的其他处理。在一些实施例中，训练数可以包括经标记的数据(例如，具有所计量的能源使用情况的目标设备标记数据)和经调查的数据(例如，没有所计量的能源使用情况的目标设备标记数据)。例如，经标记的数据可以包括源位置处的总能源使用情况数据以及目标设备的经标记的能源使用情况数据。

经调查的数据可以包括目标设备存在(例如，在源位置处存在)的指示，诸如通过特定日期的调查而指示。在一些实施例中，关于目标设备的调查响应可以与时间属性(例如，对调查的响应日期)以及与给定源位置(例如，家庭)相关联，使得经调查的数据由接近该时间属性的给定源位置处的总体能源使用情况来表示，并带有该数据包括目标设备能源使用情况的通用标签(而不是具体的目标设备能源使用值)。在某些实现方式中，经标记的能源使用情况数据高度有用但令人恐惧。因此，经调查的能源使用情况数据可以与经标记的能源使用情况信息组合，以增强训练机器学习模型的性能。例如，用经调查的能源使用情况数据来增强经标记的能源使用情况数据可以提高模型的总体性能，并产生更准确的结果。

在一些实施例中，输入302和/或训练数据308可以包括除能源使用情况信息之外的信息。例如，与能源使用情况数据相关的天气信息(例如，能源使用情况被测量时的天气，诸如降水、温度等)、与能源使用情况数据相关的日历信息(例如，能源使用情况被测量时的日历信息，诸如月份、日期、星期几等)、与能源使用情况数据相关的时间戳和其他相关信息可以被包括在输入302和/或训练数据308中。例如，与(例如，一天、一周、一个月或能源使用情况数据的任何其他预定持续时间内的)源位置能源使用情况数据的实例相关联的其他相关信息可以包括平均温度、最小温度、最大温度、平均露点(dew point)、最小露点和/或最大露点。

实施例处理来自源位置(例如，家庭)的能源使用情况数据以生成用于训练预测模块306的训练数据308。例如，总体源位置能源使用情况数据值可以与针对一个或多个目标设备的经标记的能源使用情况数据值(并且在一些实现方式中，与经调查的能源使用情况数据)组合，并且这个所得到的组合可以被处理以得到训练数据308。在一些实施例中，源位置的能源使用情况数据可以经由测量(例如，计量)而获得。此外，用于接收/监测源位置内具体设备的能源使用情况的测量、计量或一些其他技术可以被实现以生成特定于设备的经标记的能源使用情况数据，以用于训练。在其他示例中，包括源位置能源使用情况和源位置内经分解的特定于目标设备的能源的能源使用情况数据可以从第三方获得。例如，训练数据可以以任何合适的方式获得，诸如通过在已知情况下监测源位置(例如，家庭)、获得公开(或以其他方式)可用的数据集、开发产生训练数据的合资企业或合作伙伴关系，以及通过任何其他合适的方式。

在一些实施例中，源位置能源使用情况数据的多个实例(例如，每个实例覆盖预定的持续时间)可以被输入到经训练的预测模块306，使得多个预测(例如，针对每个实例的预测)可以被生成。例如，馈送到经训练的预测模块306中的输入数据的实例可以是一周(或一个月)的源位置能源使用情况数据(例如，连同其他相关的关联信息，诸如天气、日历等)，并且预测(例如，0和1之间的置信度数据值，或任何其他合适的数字范围)可以被生成，其指示(例如，该一周或其他合适的持续时间内)源位置能源使用情况内目标设备能源使用情况的存在。在一些实施例中，源位置能源使用情况数据的实例可以在该持续时间内被分成给定的粒度(例如，15分钟、30分钟、每小时、多个小时、每天、多天、每周、每月等)。在其他实施例中，源位置能源使用情况数据的实例对于整个持续时间具有单个数据值(或几个数据值)(例如，对应于每月账单的能源使用情况数据值)。

在一些实施例中，可以向预测模块306馈送输入数据的这些多个实例(例如，多周或多月)，使得生成存在预测(置信度数据值)的多个实例。例如，分析模块310可以组合存在预测的这些实例以生成关于在一段时间(例如，跨越用于生成存在预测实例的输入数据的多个实例或以其他方式与之相关联的时间段)内测量的源能源使用情况数据是否包括目标设备能源使用情况的存在的总体预测。在一些实施例中，数学函数可以被用来组合存在预测的实例，以生成关于在该段时间内测量的源位置能源使用情况数据是否包括目标设备能源使用情况的存在的总体预测。例如，存在预测的实例可以是给定范围之间(例如，0和1之间)的数据值，并且组合可以包括平均、最小、最大、k-max平均、这些的组合以及任何其他合适的组合技术。

在一些实施例中，经组合的数据值可以表示在该段时间内目标设备能源使用情况的存在的总体预测(例如，使用预定范围(诸如0到1)内的值)，并且可以被输出为输出数据312。例如，输入数据302可以是跨越一段时间的源位置能源使用情况数据的多个实例(例如，跨越几个月或若干月的多周数据)，并且输出数据312可以是组合存在预测的多个实例的总体预测(例如，置信度数据值)，其中该总体预测指示在该段时间内源位置能源使用情况数据内目标设备能源使用情况的存在。

在一些实施例中，输出数据312可以与标准或阈值(例如，可配置的阈值)比较，以确定总体预测是正向的(例如，源位置能源使用情况数据包括目标设备能源使用情况)还是负向的(例如，源位置能源使用情况数据不包括目标设备能源使用情况)。图5A-图5B图示了根据示例实施例的表示特定于设备的能源使用情况存在预测结果的样本图。样本图中描绘的数据表示本文公开的用于从不可见源位置(例如，家庭)处的总能源使用情况来预测目标设备能源的存在的测试实施例。图5A描绘了根据一些实施例的总能源使用情况数据和目标设备能源使用情况存在的预测置信度数据值的图形表示。在图502中，时间在x轴上表示，而能源使用情况(以kWh为单位)在y轴上表示。

参考图5A，经训练的预测模型可以接收(作为输入)总能源使用情况数据值(例如，经处理的输入数据)并生成被图形地表示的预测(例如，能源使用情况数据包括目标设备能源使用情况的置信度值)。用作输入数据的总能源使用情况数据值可以包括多个设备的能源，这些设备有时可以包括(一个或多个)目标设备。在一些实施例中，图502中所描绘的存在预测可以是基于输入数据的实例(例如，预定持续时间(诸如一周)内的能源使用情况数据)的存在预测的实例。

图502描绘了经训练的预测模型在2019年6月左右开始预测高置信度值。换言之，在2019年6月左右(及之后)，经训练的预测模型正向地发现了总体源位置能源使用情况内目标设备能源使用情况的存在。目标设备的预测置信度值的一些实施例在多周的时间内达到高准确度程度，并且其他实施例在多月的时间内达到高准确度程度，这例如取决于输入/训练数据的粒度。可以实现任何其他合适的数据粒度、时间段或其他合适的参数。

实施例实现指示目标设备能源使用情况的存在的阈值置信度数据值。例如，图5A展示了2019年6月之前的第一输出置信度数据值和2019年6月之后的第二输出置信度数据值，其中第一输出置信度数据值不指示目标设备能源使用情况的存在并且而第二输出置信度数据值指示目标设备能源使用情况的存在。一些实施例利用标准或阈值，其中大于阈值的任何置信度值指示对目标设备能源使用情况的存在的正向预测。

图5B图示了根据一些实施例的由经训练的预测模型生成的图形输出数据。例如，图504是来自经训练的预测模型的输出的精确率-召回率曲线(precision-recall curve)，并且图506是来自经训练的预测模型的输出的受试者工作特征(receiver operatorcharacteristic，“ROC”)曲线。图504和506图示了基于真阳性(“TP”)、假阳性(“FP”)、真阴性(“TN”)和/或假阴性(“FN”)的这些输出的准确度。图504在x轴上绘制召回率(例如，TP/(TP+FN))并且在y轴上绘制精确率(例如，TP/(TP+FP))，而图506在x轴上绘制假阳性率(例如，FP/(FP+TN))并且在y轴上绘制真阳性率。在一些实施例中，可以基于图504和/或506中描绘的准确度关系来配置阈值。

一些实施例实现灵活的标准，该标准可以包括基于目标和用例的多个阈值。例如，“高精确率”用例具有凭经验计算的相对较高的阈值(例如，基于来自经训练的模型的输出数据实现高精确率)，而“高范围(high reach)”用例具有凭经验计算的相对较低的阈值(例如，基于来自经训练的模型的输出数据在精确率与该阈值所捕获的源位置的数量之间进行平衡)。其他目标和/或用例以及旨在优化这些目标/用例的对应阈值可以被类似地实现。在一些实施例中，阈值可以使用经训练的模型的精确率-召回率值、经训练的模型的ROC值、这些的组合来导出，或者任何其他合适的技术可以被用来计算阈值(或多个阈值)。

在一些实施例中，多个机器学习模型可以被训练，并且这些模型的输出可以被组合以实现目标设备存在预测。图6图示了根据示例实施例的用于使用多个机器学习模型来发现家庭能源使用情况内目标设备能源使用情况的存在的架构。

系统600包括输入数据602、处理模块604、预测模块606和610、训练数据608和612、分析模块614和输出616。在一些实施例中，输入数据602可以包括来自源位置的能源使用情况，并且该数据可以由处理模块604处理。例如，处理模块604可以处理输入数据602以基于输入数据生成特征。在一些实施例中，输入数据602和处理模块604可以类似于图3的输入数据302和处理模块304。

在一些实施例中，预测模块606和610可以是分别由训练数据608和612训练的机器学习模块(例如，神经网络)。例如，训练数据608和612可以包括经标记的数据，诸如来自多个源位置(例如，图1中的源位置102和106)的能源使用情况数据值，其包括经标记的特定于设备的能源使用情况数据值和/或目标设备调查能源使用情况数据。来自处理模块604的输出(诸如经处理的输入)可以作为输入被馈送到预测模块606和610。预测模块606和610的实施例可以类似于图3的预测模块306。

在一些实施例中，训练数据608和612可以训练预测模块606和610以从总体源位置能源使用情况来预测目标设备能源使用情况的存在。一旦被训练，预测模块606和610就可以被配置用于不同的各种目标设备存在预测。例如，训练数据608可以训练预测模块606在给定第一组输入数据(诸如具有第一粒度(例如，每周块中的每小时粒度)的源位置能源使用情况数据)的情况下发现目标设备的存在，而训练数据612可以训练预测模块610在给定第二组输入数据(诸如具有第二粒度(例如，具有单个或几个数据值的每月粒度)的源位置能源使用情况数据)的情况下发现目标设备的存在。在一些实施例中，预测模块606可以被配置为发现第一各种目标设备能源使用情况(例如，一个或一组目标设备、目标设备的特定类型的能源使用情况等)并且预测模块610可以被配置为发现第二各种目标设备能源使用情况。

在一些实施例中，预测模块606可以基于输入数据602生成第一目标设备存在预测的多个实例，和/或预测模块610可以基于输入数据602生成第二目标设备存在预测的多个实例。来自预测模块606和610的这些预测可以被输入到分析模块614，该模块可以生成一个或多个目标设备预测(一个或多个)，作为输出数据616。

在一些实施例中，分析模块614可以类似于分析模块310。例如，分析模块614可以组合来自预测模块606和610中的任一个或两个的存在预测的多个实例以生成总体存在预测。在一些实施例中，预测模块606被训练来预测第一各种目标设备的存在，预测模块610被训练来预测第二各种目标设备的存在，并且分析模块614组合来自每个模块的这些预测以得出总体存在预测。例如，输入数据602可以是来自源位置的总体能源使用情况数据，该数据由处理模块604处理并馈送到经训练的预测模块606和经训练的预测模块610中。

在一些实施例中，每个预测模块可以生成存在预测的多个实例(例如，置信度数据值)，这些实例由分析模块614组合。输出616可以是指示目标设备的存在的单个置信度数据值或指示不同目标设备存在的多个置信度数据值。例如，来自预测模块606的存在预测的实例可以由分析模块614组合以得到第一目标设备的置信度数据值，并且来自预测模块610的存在预测的实例可以由分析模块614组合以得到第二目标设备的置信度数据值。在一些实施例中，来自预测模块606和610的存在预测的实例二者可以由分析模块614组合以得到目标设备的置信度数据值。

实施例实现了若干下一级优点，其提供对目标设备存在预测的进一步增强。例如，实现灵活阈值的实施例可以针对精确率、范围、这些的组合或者针对任何其他合适的用例来优化。一些实施例可以接受各种不同类型的输入数据/训练数据。例如，给定的经训练的预测模型可以被配置为以第一粒度(例如，使用每周块的每小时粒度)利用能源使用情况数据，而另一个经训练的预测模型可以被配置以第二粒度(例如，具有每月或每周粒度的每月数据块)利用能源使用情况数据。这些实施例被配置为在可用时利用高分辨率数据从而使用最佳可用数据来优化预测，以及在高分辨率数据不可用时利用较低分辨率数据，从而提供在各种条件下都能起效的健壮的解决方案。

实施例还可以被配置为发现来自各种目标设备的能源使用情况的存在。例如，使用一个或多个经训练的预测模型，实施例可以(在总体源位置能源使用情况内)发现以下目标设备的能源使用情况的存在：

·纯电动车辆(L1标准和L2快速充电：120V和240V)

·插电式混合动力电动车辆(L1标准和L2快速充电：120V和240V)

·热水器

·洗衣机

·烘干机

·水池泵

·电暖气

·电冷机

·供暖、通风和空调(HVAC)设备

·光伏/太阳能电池板

实施例也是高度可扩展的，因为各种附加目标设备可以用相关训练数据而被支持，并且在现代云计算环境中是高度可扩展的。所实现的实施例已用于预测数百万个源位置处的目标设备存在，并具有有前途的结果。

实施例还支持对电网基础设施的改进。实际上，对电力的需求经历峰值负荷，这可能为实施电网的公用事业单位导致高成本以及高环境成本。为了解决此问题，公用事业单位旨在更好地分布电力需求并减轻峰值负荷的风险。因为实施例可以从家庭能源消耗中识别目标设备能源消耗，所以公用事业单位可以瞄准具有某些目标设备的客户，以便完成此负荷分布。例如，电动车辆充电可以被识别为加剧或减轻峰值负荷的因素。实施例支持对具有电动车辆的公用事业客户的发现，并且公用事业单位可以用负荷分布活动来瞄准这些客户。

例如，为了在平衡电网负荷的同时更好地服务客户，分时(“TOU”)费率可以被使用，其通过将负荷中的一些转移到非高峰时间来缓解对电网的需求。TOU费率可以包括对客户在非高峰期为电动车辆充电的激励，诸如“住宅EV费率”，其被定价以诱导客户实践更有效的能源消耗行为。此外，对公用事业客户场所处的电动车辆存在的发现可能是电网规划的因素。例如，当可以可靠地估计具有电动车辆的公用事业客户的数量时，可以更好地理解电动车辆充电给电网带来的负担。反过来，在规划未来的电网基础设施时，公用事业单位可以更好地考虑电动车辆(和其他高容量电池设备)数量的预期增长。

实施例还可以支持公用事业单位将客户从自然资源(例如，天然气或燃料)器具迁移到电气器具的努力。例如，因为实施例可以发现诸如电气器具之类的目标设备的存在，所以实施例也可以可靠地发现这样的电器设备的缺乏。一旦理解到客户缺少电气器具，公用事业单位就可以用活动瞄准这些客户以将他们从燃气器具(例如，干衣机或从热水器)转换为电动器具。通常，自然资源器具(尤其是正在老化的那些)能源效率低于其对应电气器具，因此这样的活动可以跨地区提高总体能源效率。

图7图示了根据示例实施例的用于训练机器学习模型以发现目标设备能源使用情况的存在的流程图。在一些实施例中，图7和图8的功能可以由存储在存储器或其他计算机可读或有形介质中的软件实现，并由处理器执行。在其他实施例中，每个功能可以由硬件执行(例如，通过专用集成电路(“ASIC”)、可编程门阵列(“PGA”)、现场可编程门阵列(“FPGA”)等的使用)，或任何硬件和软件的组合。在实施例中，图7和图8的功能可以由图2的系统200的一个或多个元件来执行。

在702处，可以接收来自多个源位置的能源使用情况数据，能源使用情况数据包括目标设备和一个或多个其他设备的能源使用情况。例如，能源使用情况数据可以类似于上面表1中所示的数据，或者可以包括来自表1中的列的子集。在一些实施例中，接收到的数据可以包括时间戳、源位置(例如，家庭)处的总体能源使用情况，以及目标设备的经标记的能源使用情况数据值、或目标设备能源使用情况的经调查的指示(例如，没有目标设备能源使用情况具体数据值的通用标签)。能源使用情况数据可以通过监测能源使用情况、从第三方、基于合资企业或通过任何其他合适的渠道或实体来接收。

在704处，可以配置机器学习模型。例如，可以配置机器学习模型，诸如神经网络、CNN、RNN、贝叶斯网络、支持向量机，这些模型的任何的组合或任何其他合适的机器学习模型。可以选择诸如层数(例如，隐藏层数)、输入形状、输出形状、宽度、深度、方向(例如，前馈或双向)、激活函数、层或单元的类型(例如，门控循环单元、长短期记忆等)的参数或用于机器学习模型的其他合适的参数。在一些实施例中，在训练模型时这些配置的参数可以被调优(例如，调整、完全更改、添加或移除)。

在一些实施例中，机器学习模型可以包括CNN。在此情况下，还可以配置诸如层的类型(例如，卷积、池化、完全连接等)、内核大小和类型、步幅的参数和其他参数。在一些实施例中，机器学习模型可以包括RNN。在此情况下，还可以配置诸如单元类型(例如，简单RNN、GRU、LSTM等)、方向、序列大小、深度的参数和其他参数。在一些实施例中，机器学习模型可以包括一个或多个CNN层和一个或多个RNN层。CNN和/或RNN配置的参数也可在训练模型时被调优。

在706处，能源使用情况数据可以被处理以生成训练数据。例如，来自源位置的能源使用情况数据可以被清理、归一化和以其他方式处理以生成一致的训练数据(例如，给定粒度(例如每小时)的能源使用情况数据)。在一些实施例中，覆盖预定持续时间(例如，一周或一个月)的训练数据块可以被生成，其中训练数据块包括在该持续时间内给定粒度的源位置能源使用情况数据。在一些实施例中，目标设备可以是电动车辆、热水器、洗衣机、烘干机、水池泵、电加热设备、电冷却设备、加热通风和空调(HVAC)设备以及光伏设备中的至少一个，并且训练数据包括目标设备能源使用情况的特征。

在708处，机器学习模型可使用所生成的训练数据来训练以预测目标设备能源使用情况的存在。训练可以包括预测的生成、损耗计算(例如，基于损耗函数)和梯度传播(例如，通过机器学习模型的层/神经元)。如本文所讨论的，目标设备的经标记的能源使用情况和/或经调查的目标设备能源使用情况可以被用于训练机器学习模型。

在一些实施例中，经训练的机器学习模型是使用多个源位置(例如，家庭)的能源使用值来训练的，并且训练可以针对目标设备能源使用情况的存在预测来优化。在一些实施例中，训练数据(在一些情况下包括来自(一个或多个)目标设备的经标记的能源使用值)具有基本上每小时的粒度。可以类似地实现其他合适的粒度(例如，1分钟、15分钟、30分钟、45分钟等)。

在一些实施例中，训练数据可以具有低分辨率粒度(例如，每月或计费粒度)并且可以使用此低分辨率粒度数据来训练一个或多个模型。例如，第一机器学习模型可以使用第一粒度(例如，每小时粒度和每周块)来训练，而第二机器学习模型可以使用第二粒度(例如，具有单个或几个能源使用情况数据值的每月块)来训练。在一些实施例中，单个机器学习模型可以针对第一粒度、第二粒度或这些粒度的组合而被训练。

在一些实施例中，一个或多个经训练的机器学习模型包括一个或多个循环神经网络层和一个或多个卷积神经网络层。可以基于训练结果对(一个或多个)机器学习模型和/或所利用的训练数据的实施例进行调优。例如，经训练的模型的测试可以指示经训练的模型的准确度，并且可以基于所测试的准确度做出各种调优调整。

在710处，可以存储(一个或多个)经训练的机器学习模型。例如，生成满足标准(例如，准确度标准或阈值)的预测的一个或多个的经训练的学习模型可以被存储，使得所存储的模型可以被用于预测目标设备能源使用情况的存在。

图8图示了根据示例实施例的用于生成机器学习预测以发现目标设备能源使用情况的流程图。例如，基于图7的功能所训练的一个或多个机器学习模型可以被用于执行图8的功能。

在802处，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。例如，源位置(例如，家庭)能源使用情况数据可以基于一段时间(诸如一天、一周、一个月等)内的时间戳(例如，以基本上每小时的粒度)被分成时间间隔。可以实现其他合适的粒度。在一些实施例中，对于该源位置，可以接收低分辨率能源使用情况数据。例如，可以接收一个月内的能源使用情况数据，并且该数据的粒度可以包括一个或几个值(例如，每天、每月或每周)。

在一些实施例中，可以处理源位置能源使用情况数据。例如，该处理可以类似于训练数据的处理(参考图7描述)。在这样的示例中，该处理可以将家庭能源使用情况输入数据改变为与训练数据相似，并且因此经训练的机器学习模型可以实现增强的预测结果。该处理可以包括实现能源使用情况数据的给定粒度(例如，每小时)、归一化、其他形式的缩放、分段(例如，分成每周或每月的块)以及任何其他合适的处理。

在804处，使用经训练的机器学习模型，针对所接收的源位置能源使用情况的实例可以生成多个发现预测，这些发现预测表示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。例如，经处理的数据(例如，给定粒度的源位置能源使用情况的多个实例)可以作为输入数据被提供给经训练的机器学习模型，并且该模型可以生成对应于源位置能源数据的每个实例的目标设备发现预测的实例。

在一些实施例中，源位置是家庭并且接收到的源位置能源使用情况至少具有每小时粒度。例如，源位置能源数据的实例可以是一周时间内每小时粒度的家庭能源使用情况数据，并且该段时间可以是至少四周。在一些实施例中，所接收的源位置能源使用情况数据在一个月的时间内具有每月粒度、每周粒度和每两个月粒度之一。例如，该段时间可以是至少八个月，并且源位置能源数据的实例可以是一个月时间内每月、每周或每两个月粒度的家庭能源使用情况数据(例如，每个实例包括一个或几个数据值)。在其他示例中，该段时间可以是四个月、三个月、两个月、六周等中的任何一个，并且可以实现任何合适的粒度。

在一些实施例中，由经训练的机器学习模型生成的发现预测的每个实例是基于源位置能源使用情况的对应实例(例如，一周时间内每小时粒度)以及与源位置能源使用情况的对应实例相关联的天气条件(例如，该一周内天气条件)的。例如，天气条件是相对于源位置(例如，家庭)的，并且天气条件包括平均温度、最大温度和最小温度中的一个或多个，其中天气条件与源位置能源使用情况的对应实例(例如，日历数据)所关联的持续时间有关。在一些实施例中，天气条件可以包括露点、湿度、相对湿度、太阳辐照度和其他合适的天气数据。

在806处，可以分析多个发现预测，并且在808处，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。例如，生成总体预测可以包括组合与多个发现预测相对应的置信度数据值以生成总体置信度数据值。在一些实施例中，存在预测的实例可以是给定范围之间(例如，0和1之间)的数据值，并且组合可以包括平均、最小、最大、k-max平均、这些方式的组合以及任何其他合适的组合技术。

在一些实施例中，发现预测是指示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，并且总体预测是指示该段时间内给定源位置的能源使用情况内的目标设备能源使用情况的存在的总体置信度数据值。例如，生成总体预测可以包括组合与多个发现预测相对应的置信度数据值以生成总体置信度数据值。在一些实施例中，总体置信度数据值与标准或阈值比较，并且当总体置信度数据值满足或超过标准或阈值时，目标设备能源使用情况的存在被正向地发现。

在一些实施例中，目标设备是电动车辆并且目标设备能源使用情况是电动车辆充电。例如，目标设备能源使用情况可以是第一类型电动车辆充电和/或第二类型电动车辆充电，其中第一类型电动车辆充电由120伏充电器实现，并且第二类型电动车辆充电由240伏充电器实现。

实施例生成机器学习预测以发现目标设备能源使用情况。非侵入式负荷监测(“NILM”)和/或分解是指将源位置处的总能源使用情况(例如，由先进计量基础设施提供的家庭处的能源使用情况)作为输入，并估计在源位置处使用能源的一个或多个器具、电动车辆和其他设备的能源使用情况。实施例利用经训练的机器学习模型，该模型生成关于源位置处的总体能源使用情况内的目标设备能源使用情况的存在的预测。例如，目标设备可能是大型器具或电动车辆，源位置可能是家庭，并且经训练的机器学习模型被配置为接收家庭的能源使用情况作为输入并预测家庭能源使用情况是否包括目标设备能源使用情况。

在一些实施例中，可以接收一段时间内的家庭能源使用情况的实例。例如，可以在一段时间(例如，一周、两周、一个月等)内以特定粒度级别(例如，每15分钟、每30分钟、每小时等)接收家庭能源使用情况。在一些实施例中，经训练的机器学习模型可以为家庭能源使用情况数据的每个实例生成多个预测实例(例如，一个月时间内四次每周预测)。然后可以基于该多个预测实例生成总体预测。例如，可以对预测实例执行分析以得出关于在该段时间内家庭能源使用情况内目标能源使用情况的存在的总体预测。

贯穿本说明书描述的本公开的特征、结构或特性可以在一个或多个实施例中以任何合适的方式组合。例如，贯穿本说明书的“一个实施例”、“一些实施例”、“某个实施例”、“某些实施例”或其他类似语言的使用是指结合实施例描述的特定特征、结构或特性可以被包括在本公开的至少一个实施例中的事实。因此，贯穿本说明书的短语“一个实施例”、“一些实施例”、“某个实施例”、“某些实施例”或其他类似的语言的出现不一定都是指同组实施例，并且所描述的特征、结构或特性可以在一个或多个实施例中以任何合适的方式组合。

本领域普通技术人员将容易理解，可以通过不同次序的步骤和/或通过与所公开的那些不同的配置中的元件来实践如上所讨论的实施例。因此，尽管本公开考虑了所概述的实施例，但对于本领域技术人员来说将清楚，某些修改、变化和替代构造将是清楚的，同时仍处于本公开的精神和范围内。因此，为了确定本公开的范围和界限，应当参考所附权利要求。