
用電紀錄裡的正常與異常:家裡哪台設備在偷偷忙?
電,是我們生活中的每一天都在用的東西。而電表,則紀錄了用電的量。
通常我們對於這種紀錄沒有什麼感覺,甚至只有「啊啊,台電又來收錢了」的想法。
但是,電的使用相關紀錄資訊,其實可以幫我們看見生活中發生了什麼事!
打個比方:有兩個家庭都用了十二度電。
但一家把較多用電集中在白天,而另一家集中在晚上。
如果我們只關心「十二度」這個總量,得到只是兩個相同的數字;但如果多一個「時間」的變項呢?那就會有很多故事可以講了!

用電的時間變化可以透露生活細節?
看到標題先不要急著說:啊!台電偷我們的隱私資料!
想太多了孩子......(´ー`)
紀錄可能留下生活的線索,但要知道是誰、做了什麼,還得多查一點。
畢竟在這物聯網時代:這時候開始攀升用電,不一定代表你正在家中啊!也有可能只是你家的貓在反覆刷飼料...╮(╯_╰)╭
啊?你家沒養貓? 那還不趕快去養一隻!!!ヽ(#`Д´)ノ
不過從另一面來思考,我們也可以用這些細節,發現家裡哪裡跟平常不同,再去查:有沒有設備出了問題,甚至被安排了你沒同意的工作?

半夜的電鍋,是壞了還是有人用?
這是我上次聽到的一個故事:
一位爸爸裝了能源管理系統(Energy Management System,EMS),某天發現半夜的電鍋用電和平常不同,先懷疑電鍋是不是壞了。
為了讓大家更了解這段變化,我讓 LLM 協助畫出圖 1。這裡假設電鍋接上能單獨量測功率的智慧插座,每五分鐘記錄一次;家中其他設備合計維持 150 W,電鍋以 600 W 加熱,再以 50 W 保溫後關閉。這些都是教學設定,不是故事裡那戶人家的實測資料。
從圖 1 中你會發現,這段加熱用電的狀況十分醒目,卻沒有告訴你原因:是有人煮東西?設備故障?還是定時功能啟動?
這個爸爸只能東修修、西修修,差點以為是自家的 EMS 壞掉了 இдஇ
直到有一天,爸爸在晚餐時提起這件匪夷所思的事,才知道原來是小孩半夜肚子餓,起來蒸饅頭,吃完又回去睡覺...... (´-ι_-`) 。

這故事是有點有趣沒錯,但重點是:這樣的紀錄,你可以觀察到「異常」!
同場加映延伸閱讀
什麼是安全?能吃嗎?
如果平常怎麼運作都還不清楚,要怎麼發現哪裡出了問題呢?
來看這一篇先知道平常,才知道哪裡怪怪的
爸爸會注意到半夜的電鍋,是因為那段用電跟平常不同。如果家裡每天都有人半夜蒸饅頭,那條曲線可能早就變成日常了......(宵夜班固定報到?)
所以要找「異常」,你得先認識自己家的「正常」。平日和假日、夏天和冬天、有人在家和出門上班,用電原本就可能不同。把它們全部混成一個平均數,再說超過平均就是可疑,冷氣大概第一個喊冤。
假設你家平常半夜只剩冰箱、路由器和幾個待機設備。有一晚,用電持續比相近條件的其他夜晚高,你可以先記下:什麼時候開始?維持多久?是不是連續好幾晚都這樣?這裡是假設的排查情境,不是我家實測的紀錄。
再回頭問家人、看看設備排程。有人煮宵夜、熱水器預約加熱、電腦正在更新,都可能補上曲線沒寫的那一段故事。
如果這些都對不上,才有理由繼續找。這時你大概會想:總電表只給我一條線,到底是哪一台在忙啊?
從總用電,估計個別設備
最直接的方法,是針對設備另外量測。前面的圖 1 就假設電鍋接上可量測功率的智慧插座,所以我們才有一條能叫做「電鍋」的線。只有家戶總功率時,不能直接把那段增加全算到電鍋頭上。
那如果沒有逐台量測呢?
有一類研究叫做非侵入式負載監測(Non-intrusive Load Monitoring,NILM),也常稱為能源分解:試著從整戶合在一起的量測,估計個別電器的用電 [1]。
有點像聽一場合奏:所有樂器一起出聲,你還是可能認出鼓或小提琴。不過認得聲音,跟每一個音都能分對,是兩回事。電器也會同時運作、切換模式,幾種組合甚至可能產生相近的總功率。
看到一段高峰,NILM 可以幫你提出設備候選;要看它猜得如何,仍得和單獨量測的資料比較。NILMTK 把資料缺口、前處理與評估一起納入工具流程,正是因為這些條件會影響結果 [1]。

用在剛才的排查,你可以先縮小範圍:是廚房那幾台,還是一直開著的電腦?有量測就拿量測對照;只有模型估計,就把它當作接著要查的方向。
如果設備真的在忙,它忙的是什麼?
先別急著把耗電的設備當成壞人。
電腦可能正在備份、跑你自己安排的工作,或處理系統更新。冷氣與冰箱則可能因為天氣、設定或故障而改變用電。找到哪台比較耗電之後,還要看它做的事,能不能跟這段變化對上。
不過,也有另一種你沒安排的「工作」:有人讓你的設備替他挖礦。
這不是只會發生在大公司的事。Radware 在 2018 年的 ADB.miner 警報裡,就記錄了手機、媒體播放器與智慧電視等 Android 裝置受影響,設備上執行的是挖 Monero 的程式。報告也提到,這些感染影響了處理器(CPU)資源與耗電 [2]。原本拿來追劇的設備,竟然被安排了一份你沒同意的兼職......(눈_눈)
挖礦讓設備持續做運算,可能增加負載與耗能。但這份事件報告沒有提供家庭電表的實測,也沒有固定的耗電增幅,不能直接換算成「你家電費會多幾成」。設備本來就在忙、受到功率限制,或額外工作只用了一點資源時,變化也可能不明顯。
真有研究試著從功率觀察攻擊嗎?有。Zhou 等人量測 33 台商用 IoT 設備的每秒功率,研究阻斷服務與偵察攻擊;量測是各台設備接智慧插座,不是拿整戶總電表找挖礦程式。研究也指出,正常影音或家電的功率波動,可能遮住較小的攻擊增量 [3]。
換到家裡,冷氣、冰箱等設備的變化還會疊在一起。一台小型 IoT 裝置多用的電,未必會在總表裡跳出一個你認得的高峰。反過來,沒有明顯增加,也不能就宣布設備安全。
一條電力曲線,怎麼接到攻擊調查?
假設一台平常不太忙的電腦,這幾天半夜卻持續高負載;你沒有安排備份或運算工作,單獨量測也顯示它用電增加。這時可以一起查:哪些程序在使用 CPU?什麼時候開始執行?是不是你認得、也確實安裝過的程式?
如果設備有提供紀錄,再對照網路連線、帳號登入、排程工作與設定變更。時間是否接近?連到哪裡?有沒有不認得的登入或工作?無法直接查看程序的 IoT 裝置,則要靠它提供的管理介面與路由器等設備的連線紀錄協助縮小範圍。
用電曲線指出的是「這段時間值得看看」。程序、連線與帳號紀錄,才有機會說明它到底在做什麼,以及是不是未經你同意。
若只是看見電費變高,連耗電的是哪台都還沒確認,那就先從用電與一般設備排查開始。先確認是設備正常運作還是額外的工作,才不會讓冷氣白白背鍋......(;´∀`)
即使最後找到的是設定錯誤或硬體故障,這次觀察也沒有白做。你更知道家裡平常怎麼運作;下次出現不一樣的事件,就有紀錄可以比較。
這些生活紀錄,也會帶出隱私問題
你自己拿紀錄找異常,很有幫助。但如果同一份資料交到別人手上,他能猜到什麼?
前面爸爸是問了家人,才知道半夜蒸的是饅頭。設備使用和生活行為之間,還隔著確認的過程:定時功能、不同家人與寵物,都可能讓「用電增加」和「有人在家」對不上。
研究也有人直接用電表資料估計在家狀態。Liang 與 Wang 使用 ECO 資料集,將電流、電壓與相位差整理成每小時平均,再送入模型 [4]。
用來核對的在家紀錄,來自住戶回報或紅外線感測器。研究前處理後使用五戶、共 449 天的資料,描述十折交叉驗證;原文未交代測試家庭是否完全不參與訓練,不能直接把結果當成對任意新家庭都適用的保證 [4]。
這裡也看得出來:每小時一筆,仍可能有資訊可供模型推測。資料少一點,不等於所有生活線索都消失了。
所以我會分開問兩件事:我需要留下哪些紀錄,才能觀察家中的異常?如果要分享給能源管理服務或其他分析者,他又需要看到哪些細節?
刪掉姓名與地址,卻保留同一戶長期相連的曲線,仍可能留下時段與事件的線索。拿去分析社區尖峰,和協助某一戶排查設備,也不需要完全相同的資料。
先把家裡的「怪怪的」記下來
下次看到用電和平常不同,你可以先保留時段、持續時間與家裡正在運作的設備,再問問家人、檢查排程。能確認是哪台,就看它的狀態;如果出現不認得的程序、連線或登入,再把那些紀錄一起帶進調查。
爸爸問出了半夜的饅頭,我們也可能查到忘了關的設備、故障,或未經同意的運算工作。
電表不會替你寫完整的答案,但多留一點你看得懂的紀錄,就多了一個發現「今天哪裡不一樣」的機會。
Acknowledge
參考文獻
[1] N. Batra et al., “NILMTK: An open source toolkit for non-intrusive load monitoring,” 2014, arXiv:1404.3878v1. [Online]. Available: https://arxiv.org/abs/1404.3878v1
[2] Radware Emergency Response Team, “ADB Miner: A new botnet surfaces,” ERT Threat Alert, Feb. 6, 2018. [Online]. Available: https://www.radware.com/getattachment/Security/Threat-Advisories-and-Attack-Reports/1850/ERT-Alert-ADB-Miner_3.pdf.aspx/?lang=en-US
[3] Y. Zhou, H. Zia, J. Qin, S. Siby, and A. M. Mandalari, “Catching hackers by watching watts: A measurement study of power-only attack detection on consumer IoT devices,” IEEE Internet of Things Journal, in press, 2026, doi: 10.1109/JIOT.2026.3702795. [Online]. Available: https://discovery.ucl.ac.uk/id/eprint/10226943/
[4] X. Liang and H. Wang, “Hybrid transformer-RNN architecture for household occupancy detection using low-resolution smart meter data,” 2023, arXiv:2308.14114v1. [Online]. Available: https://arxiv.org/abs/2308.14114v1