CN114008988A - 用于动态改变岛的事件分配的系统和方法 - Google Patents

Abstract

本公开提供可以有利地应用机器学习来检测网络中断并且将网络中断归因于所述网络内的特定部件或节点的系统和方法。在一个方面，本公开提供一种计算机实现的方法，包括：映射包括多个岛的网络，所述多个岛能够通过一个或多个岛的分裂和/或合并而动态改变，其中所述多个岛包括多个单个部件；以及使用解聚模型在单个部件级以及岛级检测和定位一个或多个本地事件。

Description

用于动态改变岛的事件分配的系统和方法

交叉引用

本申请要求第62/822,300号美国临时专利申请的优先权，该申请于2019年3月22日提交，两者均完全以引用方式并入本文。

背景技术

网络是互联装置或部件的常见的系统。即使得在理想情况下，网络系统的操作和控制也可能相当复杂，因为网络功能可能需要同步、顺序或以更复杂的模式执行某些任务。复杂网络系统的一个示例是配电网络。鉴于不断变化的供应和需求水平，电网的控制和维护是特别复杂的问题。当前可再生能源和大规模电池系统的激增为配电网络的控制带来了独特的机遇和挑战，因为它们可能为网络提供更大的弹性，但它们的电力输出也往往具有间歇性。当计划外事件(诸如，电力线故障)发生时，电网控制系统面临着正确响应和最大限度地减少故障向电网其他部分传播的挑战。

需要用于网络(诸如，电网)的预测性维护应用程序。目前，大多数预测性维护应用程序只能将中断事件分配给电网的特定地区，而不是导致中断的特定部件。可以使用相对简单的逻辑来预测某些中断事件，诸如电网的某个地区与其他地区的切断。然而，随着网络复杂性的增加，预测性维护的逻辑变得更加困难。因此，需要改善复杂网络的预测性维护应用程序，以增强控制系统和系统操作员响应网络配置中的意外变化的能力。

发明内容

需要一种用于联网系统的预测性维护应用程序，所述预测性维护应用程序能够处理描述中断和重新连接事件的复杂逻辑。具体地，需要能够检测网络中断并且将网络中断归因于网络内的特定部件或节点的网络维护应用程序。此外，还需要预测性维护应用程序，所述预测性维护应用程序可以从单个网络中断事件学习，并且使用获取的数据来预测和响应未来的中断事件。

本公开通过利用机器学习潜变量模型至少解决了对联网系统的增强的预测性维护应用程序的需求。在一些方面，本公开描述了可应用于诸如电网或电信网络的联网系统的预测性维护的解聚模型。解聚模型可以提供对网络描述的进一步细化，其中中断事件可以被追踪到特定的节点或部件，而不是更广泛的地区。所描述的潜变量模型可能能够处理更复杂的逻辑问题，诸如电网部段的孤岛和将岛重新合并回网络中。预测性维护应用程序可能能够使用概率建模将中断事件分配给特定部件，并且使用收敛的概率集来预测后续网络行为。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其包括映射包括多个岛(island)的网络，所述多个岛能够通过分裂和/或合并一个或多个岛而动态改变，使得多个岛包括多个单个部件，并且在单个部件级(individual component level)以及在岛级(island level)预测和/或检测和定位一个或多个本地事件可以利用解聚模型。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其具有包括节点和分支的多个单个部件。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其中解聚模型被配置为在单个部件级而不是在岛级检测一个或多个本地事件。

在一些方面，本公开可以描述一种利用解聚模型的计算机实现的事件分配方法，所述解聚模型被配置为在单个部件级定位或隔离一个或多个本地事件。

在一些方面，本公开可以描述一种利用解聚模型的计算机实现的事件分配方法，所述解聚模型被配置为当岛中的一个或多个动态改变时，在单个部件级检测一个或多个本地事件。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其中岛的动态改变包括一个或多个岛的分裂、合并和/或重新合并的多个实例。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其中岛的动态改变包括连接和/或分裂多个节点和分支中的两个或更多个。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其中岛的动态改变包括单个部件的子集的分裂和/或合并。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其中单个部件的子集具有相同的大小。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其中单个部件的子集具有可变的大小。

在一些方面，本公开可以描述一种利用作为机器学习潜变量模型的解聚模型的计算机实现的事件分配方法。

在一些方面，本公开可以描述一种利用在单个部件的级处实现的机器学习潜变量模型的计算机实现的事件分配方法。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其中机器学习潜变量模型包括多个潜变量，所述多个潜变量对应于所述单个部件中的每个处的一个或多个本地事件。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其中在单个部件级发生的一个或多个本地事件与在岛级发生的一个或多个岛事件相关联。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其中机器学习潜变量模型被配置为接收对在对应的选定岛上发生的选定岛事件的观察，并且基于多个潜变量中的一个已经导致选定岛事件发生的假设来处理所述观察。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其中选定岛事件由在对应的选定的岛中或与所述岛相关联的单个部件导致。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其中机器学习潜变量模型包括导致一个或多个本地事件中的每一个的每个单个部件的先验概率。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其中机器学习潜变量模型被配置为基于先验概率执行精确的后验推断，以将一个或多个本地事件分配给单个部件。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其中所述一个或多个本地事件分配到单个部件的所述分配包括确定在所述对应部件中的每个处发生的每个本地事件的概率估计。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其中机器学习潜变量模型被配置为使用概率估计来迭代地更新之前或之前的概率，直到收敛。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其中先验概率包括基于先验事件数据的初始已知的、实际的或估计的概率。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其中使用期望最大化(EM)算法迭代地更新先前或先验概率。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其还包括基于一个或多个检测到的本地事件在单个部件级执行预测性维护。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其中网络包括配电网络。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其中配电网络包括多个配电馈线。

在一些方面，本公开可以描述一种计算机实现的事件分配方法，其中多个节点和分支与多个配电馈线以及每个馈线内的连接的节点和分支相关联。

在一些方面，网络中的多个单个部件被布置成从由以下组成的组中选定的几何配置：一维配置、二维配置和不规则配置。

在一些方面，网络中的多个单个部件被布置成二维配置，并且其中所述二维配置是矩形配置、径向配置或轮辐式配置。

在一些方面，一个或多个本地事件包括与多个单个部件中的一个或多个相关联的非技术损失。

在一些方面，映射网络包括识别网络的单个部件中的意外电压水平。

在一些方面，本公开可以描述计算机实现的事件分配方法，其中一个或多个事件包括断开或闭合配电网络内的一个或多个断路器开关，并且所述一个或多个断路器开关与一个或多个节点和/或分支相关联。

在一些方面，本公开可以描述一种用于事件分配的系统，其包括与包括多个岛的网络通信的服务器；以及存储器，其存储指令，所述指令在由服务器执行时使得服务器执行包括映射网络的操作，使得所述多个岛能够通过分裂和/或合并一个或多个岛而动态改变，并且所述多个岛包括多个单个部件，并且使得用解聚模型在单个部件级以及在岛级检测和定位一个或多个本地事件。

在一些方面，本公开可以描述一种非暂时性计算机可读介质，其存储指令，所述指令在由一个或多个处理器执行时，使得一个或多个处理器执行事件分配方法，所述方法包括映射包括多个岛的网络，所述多个岛能够通过一个或多个岛的分裂和/或合并而动态改变，使得所述多个岛包括多个单个部件，以及使得用解聚模型在单个部件级以及在岛级检测和定位一个或多个本地事件。

援引加入

本说明书中提到的所有出版物，专利和专利申请都以引用的方式并入本文，就如同每个单独的出版物，专利或专利申请被明确地并单独地指出通过引用并入一样。在通过引用并入的出版物和专利或专利申请与说明书中包含的公开内容相抵触的程度上，该说明书旨在取代和/或优先于任何此类矛盾的材料。

附图说明

图1是示例预测性维护系统的示意图。

图2是示例配电网络的图。

图3是使用解聚模型检测和定位分布式系统中发生的事件的示例过程的流程图。

图4是用于训练潜变量模型的示例过程的流程图。

图5a描绘了一维分布式系统中节点的分裂、合并和重新合并。

图5b是图5a中每个节点发生事件的假设概率图。

图6示出了被编程或以其他方式配置以实现本文提供的方法的计算机系统的示例。

具体实施方式

本公开描述了在网络系统的分裂和合并期间用于事件分配的系统和方法。网络(诸如，电网)可以是非常复杂的动态系统，需要同样复杂的控制系统来维持正常的功能。尽管在正常操作期间，系统的控制可能相对简单，但是当发生意外变化(诸如，部件移除或连接故障)时，控制网络的逻辑可能会变得更加复杂。本公开提供用于改善动态改变网络的控制的系统和方法，所述系统和方法可以应用于电网、电信网络、供应链分配网络、计算机网络、社交网络、油气生产网络等的控制。

网络(诸如，电网)可由多种配置的多种部件组成。例如，在电网中，网络可由发电厂、输电线路、变压器、变电站和诸如屋顶太阳能电池面板的本地能源组成。网络可以是高度连接的，诸如城市地区的电网或高度线状且互连较少的网络，诸如农村地区的电网。通常来说，如果另一个连接故障，由于缺少回退连接，网络系统中更多隔离的部件更容易受到攻击。相反，如果部件之间存在错综复杂的联系，高度连接的网络可能容易出现级联效应，例如与停电相关联的电涌。网络系统控制中当前的挑战和机遇是开发方法来理解网络的过去行为并且应用所述理解来预测网络的未来行为。

在复杂的网络(诸如，电网)中，如果一个或多个连接故障，连接受限的特定网络区域可能会变得隔离。由于网络部件的子集与网络的其余部分隔离，因此此类事件可以被称为“孤岛”。在高度复杂的网络中，随着连接的恢复，岛可能会频繁形成，然后与网络重新合并。作为一个扩展的示例，一场风暴可能会由于发生故障的电线导致多种电网故障，从而导致形成多种停电客户的隔离的岛。随着电力线路的恢复，岛将重新合并，从而改变必须分配电力的方式。在一些情况下，电力线故障可以是随机的，但在一些情况下，所述故障可能与特别脆弱的电网部件相关联。准确预测可能的故障、在岛/部件级定位故障以及在电网恢复时前摄地预期电力需求变化的能力有助于提高可靠性并且降低电网操作成本。

本公开描述了使用一个或多个机器学习算法来分析孤岛事件期间复杂网络的行为，并且预测当岛形成并且与网络重新合并时网络将如何反应。机器学习算法可以随着时间的推移用数据集进行训练。随着机器学习算法变得更好的训练，它获得了更好的能力来预测岛系统内的哪个特定部件可能已经发生故障。使用预测性结果，可以相应地调整对网络其余部分的控制，以考虑到基于过去性能的岛的最终重新合并。相对于常规的网络的控制系统，本公开提供一种更快和更高效的方法来处理复杂网络的控制。

图1是示例预测性维护系统100的图，所述示例预测性维护系统100被配置为将岛级事件分配给网络中的特定部件并且预测未来的部件级事件。系统100包括网络110。网络110包括节点，例如节点1至10，以及将节点彼此连接的分支，例如相应地将节点1连接到节点2、6和7的分支21、22和23。为了方便起见，仅识别了网络110中的一些分支。此外，网络110中描绘的节点和分支仅是说明性的。通常来说，网络可以有任何有用的组合，以及任何有用数量的节点和分支。例如，网络可以具有以下段落中描述的任一属性、特性或特征：

如本文所描述的网络可以包括多个互连部件的系统。在一些方面，网络可以包括至少2个部件、至少3个部件、至少4个部件、至少5个部件、至少10个部件、至少25个部件、至少50个部件、至少100个部件、至少150个部件、至少200个部件、至少250个部件、至少500个部件、至少1000个部件、至少5000个部件、至少10000个部件、至少25000个部件、至少50000个部件、至少100000个部件、至少500000个部件、至少1000000个部件、或更多。在一些方面，每个部件可以包括源、装置、连接器、结点、开关或接收器。在一些方面，联网系统中的部件可以包括动态部件(例如，发电厂)，使得它主动影响网络的行为，或它可以是对网络的行为做出反应的被动部件(例如，灯泡)。网络可以包括具有类似大小或行为的互连部件，例如计算机网络，或它可以包括具有高度可变的大小的互连部件，例如，家用电器。

如本文所描述的网络可以直接或间接连接。在一些方面，网络可以包括网络连接，所述网络连接包括部件之间的实体链接，例如电网中的电力线。在其他方面，网络可以包括部件之间的远程通信链接，例如无线计算机网络。在一些方面，网络连接可以是恒定的、静态的或永久的。在其他方面，网络连接可以是可变的、可改变的或可重新配置的。在一些方面，网络连接可能具有影响网络行为的物理或其他属性。在一些方面，网络连接可以包括网络部件，例如电力线、变压器或无线路由器。

本文所指的网络也可以被描述为多个互连节点的系统。在一些方面，网络可以包括至少2个节点、至少3个节点、至少4个节点、至少5个节点、至少10个节点、至少25个节点、至少50个节点、至少100个节点、至少150个节点、至少200个节点、至少250个节点、至少500个节点、至少1000个节点、至少5000个节点、至少10000个节点、至少25000个节点、至少50000个节点、至少100000个节点、至少500000个节点、至少1000000个节点、或更多。节点可以包括一个或多个部件。在一些方面，结点可以是单个装置、连接器、结点、开关或接收器。在一些方面，节点可以包括被分组在一起的多个部件，例如包括多种电器和其他电器的房屋。在一些方面，网络中的节点可以具有到其他节点的一个或多个连接。在一些方面，一个节点可能没有到其他节点的连接。

如本文所描述的网络可以以多种几何配置来布置。在一些方面，网络可以包括节点的一维连接，例如，节点可以被分类为终端，终端节点可以仅具有到一个其他节点的连接，中央节点可以具有到其他节点的两个连接，或隔离节点没有到其他节点的连接。在一些方面，两个节点之间的连接可以被切断，中心节点可以变成终端节点，或终端节点可以变成隔离节点。

在一些方面，网络可以包括二维网络。在一些方面，二维网络中的节点可以包括到其他节点的一个或多个连接。在其他方面，二维网络中的隔离节点可能没有到其他节点的连接。在一些方面，如果在选定连接的末端没有允许两个节点之间的路径的其他连接，则二维网络中的连接可以包括瓶颈。

在一些方面，网络可以包括可以以矩形方式在空间上表示的二维电网。在一些方面，矩形电网可以包括仅与它们最近的领域具有可操作连接的节点。在一些方面，网络可以包括可以以径向方式在空间上表示的二维电网。在一些方面，径向电网可以包括从一个或多个中心节点向外辐射的多个线性系列的节点。在一些方面，网络可以包括轮辐式几何形状，其中连接从中心节点向外辐射到卫星节点。在一些方面，轮辐式网络的卫星节点可以具有可操作的连接。在一些方面，轮辐和轮毂模型可以包括卫星节点的若干嵌套层，由此同心连接的卫星环可以围绕轮毂节点形成。

在一些方面，网络可以包括线性互连、矩形互连或径向互连节点的混合几何形状。在一些方面，网络可以包括具有复杂或不对称模式的连接性的不规则几何形状。在一些方面，网络可以包括两个以上维度的网络，由此另外的维度可以包括区分网络方面的不同特性或物理属性，例如与多相电网连接的单相电网。

如本文所描述的网络可以包括多种类型的动态系统。本公开的方法可以应用于满足网络的基本描述(诸如上面描述的那些)的任何系统。随后描述的系统是示例性的，以帮助描述事件分配算法可能对其有益的系统类型。

网络可以通过其物理连接来限定。在一些方面，网络可以包括电网系统，由此电力可以从各种发电源分配到各种接收器。

如本文所描述的网络可由其数据连接来限定。在一些方面，网络可以包括计算机网络。计算机网络可以包括诸如处理器、硬盘驱动器、以太网卡、以太网电缆、无线接收器或无线路由器的部件。在一些方面，计算机网络可以包括大型计算机或服务器系统。

如本文所描述的网络可由空间连接来限定。在一些方面，网络可以包括空中交通控制系统，由此单个飞机与特定控制站可操作地相关联，并且当它们进入不同站的控制地区时切换关联。

如本文所描述的网络可由多种连接模式来限定。在一些方面，网络可以包括制造系统。制造系统可以包括电气零件、计算机零件、输送装置、材料供给系统、零件处理系统、机器人装置或其他互连装置。

如本文所描述的网络可以包括用于控制网络的一个或多个计算机。在一些方面，计算机控制系统可以自动控制网络的一个或多个部件的功能。在一些方面，计算机控制系统可能需要用户输入作为其决策过程的一部分。在一些方面，计算机控制系统可以包括反应系统，所述反应系统在变化发生时重新分配和平衡网络任务或行为。在一些方面，计算机控制系统可以包括预测性系统，所述预测性系统在变化发生之前预期并且抢先重新分配和平衡任务或行为。在一些方面，预测性控制系统可以包括机器学习算法。

如本文所描述的网络可能经历改变网络的行为或特性的事件。事件可以包括对网络内的一个或多个部件或节点的变更、删除、升级、故障或其他改变。在一些方面，事件可以包括网络内的故障。故障可能包括切断的链接、硬件故障、数据传送中断或任何其他抑制网络性能的事件。事件可以包括系统的升级，诸如添加新的部件或节点，或来自具有可变操作的部件或节点的输出的瞬时波动。在一些方面，当两个部件或节点之间的流因缺少连接而受到限制时，事件可能会形成瓶颈。在一些方面，网络中瓶颈的切断可以包括孤岛。通过重新建立两个实体之间的连接，岛可以与主网络重新合并。

返回到图1，网络110还包括传感器112、114和116。传感器112在节点1处收集数据，并且传感器114和116相应地在分支24和25处收集数据。传感器112-116可以根据网络110的网络类型收集不同的数据。例如，如果网络110是配电系统，则传感器112-116可以是收集电压数据的电压传感器。如果网络110改为供应链网络，则传感器112-116可以是例如交通工具传感器或交通传感器。传感器112-116可以通过有线或无线网络130与事件分配服务器120通信。

系统100还包括实现解聚模型125的事件分配服务器120。事件分配服务器120可以位于网络110的任何节点或分支处或附近，或它可以位于远程。尽管在本公开中被称为单个服务器，但是事件分配服务器120实际上可以是多个位置中的多个服务器。

可在事件分配服务器120上以软件、硬件或两者的组合来实现解聚模型125。解聚模型125被配置为，即被训练成，使用来自传感器112-116的数据来检测、隔离和定位网络110中发生的岛级事件。也就是说，解聚模型125被配置为确定网络110中负责事件或作为事件的源的节点或分支。例如，使用由传感器112-116收集的数据，训练的解聚模型125可以确定事件140的源是网络110的节点3。解聚模型125可以另外地或替代地使用来自外部源的数据(例如，天气数据)来确定事件的源。稍后将更详细地描述事件。

如果没有解聚模型125，事件分配服务器120将无法将事件定位到网络110中的特定节点或分支。这是因为传感器数据并非在每个节点和分支处都可用。将参考图3和图4更详细地描述解聚模型125。

事件分配服务器125还包括帮助训练解聚模型125的训练模块127。训练模块127可以是实现解聚模型125的训练过程的计算机程序。将参考图4更详细地描述解聚模型125的训练。

图2是示例配电网络200的图。配电网络200包括发电厂210、输电变电站220、高压输电线路230、开关240a-c、变电站250、配电线路260、变压器270a-d和消费者280a-d。输电变电站220可以将发电厂210产生的电力转换成高压电力。高压输电线路230可以在长距离上传输高压电力。开关240a-c可以隔离配电网络的部分。变电站250可以将来自高压电力线230的高压电力转换成配电线路260可以安全输送的电力。并且变压器270a-d可以将来自配电线路的电力转换成具有适合消费者的电压的电力。尽管未描绘，配电网络可以包括配电馈线。配电馈线是变电站250的输出终端和配电线路260的输入终端之间的连接。本文所描述的网络中的节点和分支可以与配电馈线以及每个配电馈线内的连接的节点和分支相关联。上面描述的任一部件都可以配备或集成传感器，所述传感器收集关于部件的数据。此类数据可以被本文所描述的算法使用。在以下段落更详细地描述了配电网络：

如本文所描述的配电网络可以包括将电能从源传送到接收器的任何系统。配电网络可以包括电网系统。在一些方面，配电网络可以包括电连接部件的互连系统，由此电流用于驱动或致动多个部件，例如工厂装配线。配电网络可以包括电源、输电线路、结点、开关和电力接收器的互连系统。配电网络可以包括一个或多个计算机，用于诸如控制、监测、维护、优化或任何其他必要的网络功能的目的。

如本文所描述的配电网络可以包括一个或多个电源。电源可以包括将电能馈送到配电网络中的任何装置、部件、源或装置。电源可以包括大型发电设施，诸如燃烧驱动发电厂、气化器发电厂、核电站、水力发电厂、地热发电厂、太阳能热电厂、光伏发电厂、风电场或潮汐发电机联合体。大规模电源可以是基础负载、峰值负载或负载跟随源。大规模燃烧和气化系统可以利用多种燃料，包括煤、石油、生物质、油页岩和城市固体废物。电源可以包括小规模发电源，诸如屋顶光伏面板、微型涡轮机、气体发电机、柴油发电机或风车。电源可以包括电化学装置，诸如氢燃料电池、固态燃料电池或电池。电池系统可以包括碱性电池、铝空气电池、锂金属电池、熔盐电池、镍氢电池、固态电池、铝离子电池、铅酸电池、镍金属氢化物电池、锂钴电池、锂锰电池、锂离子聚合物电池、磷酸锂电池、锂硫电池、镁离子电池和镍镉电池。

电源可以以多种方式供电。电源可以包括直流电源。电源装置可以包括交流电源。在一些方面中，交流电源可以包括单相或三相电源。电源可以包括特定的电压。直流电源可以包括72V或更高、48V或更高、36V或更高、24V或更高、18V或更高、12V或更高、5V或更高、1.5V或更高、1V或更高、0.1V或更高、或0.01V或更高。替代地，直流电源可以包括至多72V、至多48V、至多36V、至多24V、至多18V、至多12V、至多5V、至多1.5V、至多1V、至多0.1V或至多0.01V。交流电源可以包括特定的电压。交流电源可以包括765kV或更高、500kV或更高、230kV或更高、115kV或更高、69kV或更高、240V或更高、230V或更高、220V或更高、120V或更高、110V或更高、10V或更高、1V或更高、或0.01V或更高。在其他情况下，交流电源可以包括至多765kV、至多500kV、至多230kV、至多115kV、至多69kV、至多240V、至多230V、至多220V、至多120V、至多110V、至多10V、至多1V或至多0.01V。在一些方面，交流电源可以以50赫兹或60赫兹操作。

如本文所描述的配电网络可以包括多个传输元件，所述多个传输元件可操作地连接网络内的部件或节点。传输元件可以包括具有可能影响网络行为的属性的部件或节点。传输元件可以包括能够传输电荷的任何物体或装置。传输元件可以包括电线、电缆、导管或电线。传输元件可以包括多个单个电线或电缆的束或集合。传输元件可以包括金属导体、超导体或半导体。在一些方面，传输元件可以包括电力线。在一些方面，电力线可以包括高压电力线。在其他方面，传输元件可以包括子传输电力线、馈线或配电线路。在一些方面，传输元件可在地面之上。在其他方面，传输元件可以被掩埋或浸没。在一些方面，传输元件可以被永久地固定。在其他方面，传输元件可以是可拆卸的或可分离的。

如本文所描述的配电网络可以包括多个结点或开关。结点可以包括两个或更多个传输元件之间的连接点。结点可以包括分成两个或更多传输元件的一个传输元件。结点可以包括两个或更多个传输元件，所述两个或更多个传输元件合并以产生更少数量的传输元件。在一些方面，结点可以包括变压器。在一些方面，结点可以包括变电站。在一些方面，结点可以包括终端或连接板。配电网络可以包括多个开关或断路器。开关可以包括能够中断电流或将电流从一个传输元件切换到不同传输元件的任何元件。开关可以包括手动或机械控制的装置。开关可以是电子控制的。开关可由计算机的动作来控制。开关可以包括继电器，诸如机械继电器或固态继电器。配电系统可以包括多个断路。断路器可以包括暂时或永久中断电流的任何装置或部件。断路器可以包括保险丝或断路开关。断路器可以是配电系统中的被动或主动元件。

电能可能会在各种接收器处被消耗或耗散。电散热器可以包括将电能转换成机械能、热能或电磁能的任何装置。电接收器可以包括常见的装置，包括但不限于计算机、灯、洗衣机、烘干机、冰箱、泵、压缩机、微波炉、电炉、炉灶、风扇、绞盘、马达、工具和电耗散热水器。在一些方面，电池系统可在放电期间充当源并且在充电期间充当接收器。在一些方面，接收器可以包括接地或中性连接。

如本文所描述的配电网络可以包括其他部件。电气元件可以是被动的或主动的。电气部件可以包括电阻器、二极管、整流器、晶体管、发光二极管、放大器、电感器、保险丝、电位计、电容器或螺线管。

如本文所描述的配电网络可以包括用于控制网络的一个或多个计算机。在一些方面，计算机控制系统可以自动控制配电网络的功能。在一些方面，计算机控制系统可能需要用户输入作为其决策过程的一部分。在一些方面，计算机控制系统可以包括当变化发生时重新分配和平衡电气负载的反应系统。在一些方面，计算机控制系统可以包括预测性系统，所述预测性系统在变化发生之前预期并且抢先重新分配和平衡电气负载。在一些方面，预测性控制系统可以包括机器学习算法。

如本文所描述的配电网络可以包括常规的电网系统。电网可以包括本地区域、地区、国家或国际电网中的电源、传输装置和电力接收器的互连。电网可以包括一个或多个提供连续基础负载的大规模电源。在一些方面，电网可以包括小规模装置的网络(例如光伏电池)，所述小规模装置的网络以规则或不规则的模式向电网馈送电能。电网可以包括同步电网，由此交流电在整个电网中以相同的相位和频率出现。电网可以包括一个以上的电压，所述一个以上的电压变化由诸如变压器的装置来调节。

如本文所描述的配电网络可以包括微电网。微电网可以包括小规模或隔离的电网。微电网可以包括常规能源，诸如气体发生器。微电网可以包括可再生能源，诸如风力涡轮机。在一些方面，微电网可以独立于常规电网操作。在其他方面，微电网可以连接到大规模电网。微电网可以包括一个或多个控制微电网功能的计算机。在微电网和常规电网之间的一个或多个连接被切断的情况下，微电网可能能够在没有来自主电网系统的供应或控制的情况下自我维持操作。

如本文所描述的电网可以以几种几何形状布置。配电网络可以包括径向网络。径向网络可以包括树形网络，由此单个径向分支细分成较小的分支，所述较小的分支又可以细分成更小的分支。配电网络可以包括网状网络。网状网络可以包括环路系统或系环系统。配电网络可以包括混合了径向和网状网络的各方面的更复杂的几何形状。

如本文所描述的配电网络可能经历改变电能的分布和流动的事件。事件可以包括对电力网络内的一个或多个部件或节点的变更、删除、升级、故障或其他改变。在一些方面，事件可以包括网络内的故障。故障可能包括输电线路切断、停电、电站紧急情况或级联故障。事件可以包括对系统的升级，诸如添加新的电源或来自诸如风力涡轮机或光伏电池的电源的电力输出的瞬时波动。在一些方面，当两个部件或节点之间的流因缺少连接而受到限制时，事件可能会形成瓶颈。在一些方面，配电网络中瓶颈的切断可以包括孤岛。通过重新建立两个地区之间的连接，电气岛可能会与主电网重新合并。

配电网络中的事件可以包括损耗事件。损失事件可以包括电网的一个或多个地区中的预期或未预期的电力负载下降。损失事件可能包括技术损失。技术损耗可能包括恒定的损耗源，诸如输电线路中的电阻损耗或变压器损耗。在一些方面，电网控制系统可在其算法中考虑技术损失。损失事件可能包括非技术损失(NTL)。NTL可能包括任何意外的损失源。在一些方面，NTL可能包括盗窃电力服务、篡改电表、电表故障、控制系统错误或破坏电气装备的行为。在一些方面，在电网控制系统中可能没有考虑或没有很好地考虑NTL。在其他方面，NTL可由电网控制系统应用机器学习算法来考虑以检测非预期损失。

在一些情况下，本文所描述的部件可以包括电力感测仪表。电力感测仪表可以附接到建筑物中的电源单元。在一些情况下，电力感测仪表可以位于变电站、为建筑物服务的电线杆上，或邻近建筑物或建筑物中的仪表箱中。所述建筑可以是住宅建筑或商业建筑。所述建筑可以是住宅，或可以产生和/或消耗电力的任何类型的结构。

如本文所描述的电力感测仪表可以包括智能电表和/或太阳能监测器。本文所描述的配电网络可以包括电力监测模块。

智能电表可以包括一个或多个传感器，所述一个或多个传感器被配置为实时或接近实时地测量和记录建筑物的电力消耗。建筑物中的电器和固定装置可能会消耗电力，并且其电力消耗可能会被智能电表测量和记录。例如，智能仪表可以被配置为以时间间隔记录电能消耗，并且以预定频率向电力监测模块提供数据。预定频率的范围可以是每分钟、5分钟、10分钟、15分钟、30分钟、1小时、12小时或24小时。可以设想任何频率范围。在一些情况下，预定频率的范围可以从少于每1小时、30分钟、1分钟、45秒、30秒或15秒。因此，电力消耗数据可以包括作为时间的函数的电力消耗的度量。例如，测量的电力消耗可以被打上时间戳。在一些情况下，电力消耗数据可以被记录并且存储在远程数据库或服务器处。

在一些情况下，智能电表可以被配置为收集电力消耗数据，用于向公用事业提供商远程报告，用于由公用事业提供商进行监测和/或计费。智能电表还可以被配置为向公用事业提供商发送中断通知，并且监测传输到建筑物的电力质量(例如，电力传输速率、电力连续性、电压峰值等)。智能仪表可以连接到电网，并且可以用于确定建筑物在电网上的电力负载。

对智能电表的任何描述也可以适用于用于测量电力消耗的任何类型的装置。例如，这可以包括建筑物处的内置电表，所述内置电表向公用事业公司发送用电数据。智能仪表的任何描述都可以应用于包括“智能”功能的仪表，诸如仪表和公用事业之间的双向实时或接近实时的信号通信。

如本文所描述的太阳能监测器可以包括一个或多个传感器，所述一个或多个传感器被配置为实时、接近实时或间歇地测量和记录基于太阳能的发电。可以使用位于建筑物中的太阳能系统来发电。太阳能系统可以包括一个或多个太阳能电池面板，所述一个或多个太阳能电池面板被配置为将太阳光转换成电能。在一些实施方式中，太阳能系统可以是光伏系统(也称为太阳能PV发电系统或PV系统)。光伏系统是一种电力系统，意图借助于光伏发电供应可用的太阳能。光伏系统可由若干部分组成，包括吸收阳光并且将阳光转化为电能的太阳能电池面板、将电流从DC转换成AC的太阳能逆变器，以及用于建立工作系统的安装、布线和其他电气附件。光伏系统通常可以分为三个不同的细分市场：住宅屋顶、商业屋顶和地面安装的公用事业规模系统。它们的容量可能从几千瓦到数百兆瓦不等。典型的住宅系统可能在10千瓦左右，安装在倾斜的屋顶上，而商业系统可能达到兆瓦级，通常安装在低坡度甚至平坦的屋顶上。

本文所描述的太阳能监测器可以被配置为以时间间隔记录电能产生，并且以预定频率向电力监测模块提供数据。预定频率的范围可以是每分钟、5分钟、10分钟、15分钟、30分钟、1小时、12小时或24小时。可以设想任何频率范围。在一些情况下，预定频率的范围可以从少于每1小时、30分钟、1分钟、45秒、30秒或15秒。因此，发电数据可以包括发电量作为时间的函数的度量。

在一些情况下，太阳能监测器可以被配置为收集太阳能发电数据。太阳能监测器可以包括能够监测太阳能生产数据的任何装置或系统。可以通过位于建筑物的太阳能系统中的一个或多个逆变器获得太阳能发电数据。逆变器可以将太阳能系统中光伏(PV)太阳能电池面板的可变直流(DC)输出转换成工频交流(AC)电，为普通交流供电装备供电。转换电流的测量可以指示太阳能发电数据。太阳能发电数据可以被发送到太阳能监测系统。太阳能监测系统可以被配置为存储、更新和监测太阳能生产数据。

本文所描述的预测性维护系统可以用于预测除配电网络之外的网络中的部件级事件。例如，预测性维护系统可以用于预测电信网络、供应链网络、计算机网络、油气生产网络或社交网络中的事件。

如本文所描述的电信网络可以包括用于在网络内传输数据的多个装置。电信网络可以包括电话网络、计算机网络、金融交易网络、卫星网络以及任何其他基于数据传输的互联网络。电信网络可以包括彼此直接或间接操作通信的多个数据传送和数据获取装置。电信网络也可以包括用于数据处理和控制的装置。在一些方面，电信网络可以包括能够发送和接收数据的一系列互连的部件，例如用于飞行器和地面控制站之间的通信的飞行器通信寻址和报告系统(ACARS)系统。在一些方面，电信网络可以包括仅向中央获取中心传输数据的互连的一系列装置，例如用于远程天气感测的网络。

电信网络中的部件或节点可以包括数据传送或获取装置。电信网络中的部件或节点可以与识别装置在网络内的位置的地址相关联。在一些方面，数据传送或获取装置可以与固定地址相关联。在其他方面，数据传送或获取装置可以具有以随机或规则间隔重新配置的可变地址。部件或节点可以包括数据传输装置，诸如传感器或无线电发射机。部件或节点可以包括数据接收装置，诸如寻呼机、电视机、收音机、打印机或应答机。部件或节点可以包括能够发送和接收数据的装置，诸如传真机、交换机、以太网集线器、无线路由器、计算机、陆线电话、无线电话、通信卫星或调制解调器。

电信网络可以经由电或电磁信号实现数据传输的可操作连接。在一些方面，可以经由硬连线连接(诸如以太网电缆、同轴电缆、光纤电缆或电话线)来实现电信网络中的连接。在一些方面，电信网络中的连接可以利用电磁传输装备进行数据传输，诸如发射器、接收器、圆盘式卫星天线、波导、天线和中继器。在一些方面，数据传输可以经由分组的传输发生。在其他方面，数据可以以流式或连续方式传输。在一些方面，数据传输可由通信协议(诸如TCP/IP、IPX/SPX、X.25或AX.25)管理。

电信网络可能经历在网络内创建部件或节点和连接的拓扑重新布置的事件。在一些方面，事件可以包括从网络添加或移除装置。在其他方面，事件可以包括网络部件的地址的变更或重新分配。在一些方面，事件可以包括网络内的物理或非物理故障。物理故障可能包括输电线路中断或由于太阳风暴的电磁效应造成的中断。非物理故障可能包括错误或故障的传输。电信网络中的事件可以是暂时的，诸如中断或永久的，诸如从网络移除装置。

电信网络可以是网状网络。网状网络是其中网络的节点直接、动态、无层次地连接到网络中的其他节点的网络。节点的非分层布置防止了一个节点的故障影响网络的大部分，并且允许节点彼此协作以高效地将数据路由到客户端或从客户端路由数据。网状网络可以是“自愈”网状网络，因为当特定节点发生故障时，例如当所述节点发生事件时，它们可以自动重新配置，以避免通过所述节点传输数据。关于自愈网状网络如何自动重新配置自身的数据可以用于定位事件。

一些电信网络可以包括计算机网络。计算机网络可以包括多个计算机装置以及在一个或多个计算机控制下的装置。计算机网络可以是封闭系统或开放系统。开放式计算机网络可以包括到其他计算机网络的一个或多个连接。计算机网络系统可以包括个人区域网、局域网、无线局域网、广域网、系统区域网、企业专用网和虚拟专用网。

计算机网络可以包括多个部件或节点，所述多个部件或节点包括互连的装置。计算机网络可以包括诸如台式计算机、膝上型计算机、手持或平板计算机、无线电话装置、调制解调器、路由器、集线器、服务器、打印机、监测器、触摸屏和扫描仪的部件。计算机网络还可以包括硬件部件，诸如在网络的控制下执行任务的机器人或可编程逻辑控制器(PLC)控制器。计算机网络的部件可能涉及多种任务，其涉及数据传送、数据获取、控制、发送信号、计算、处理和显示。计算机网络中的部件(诸如显示屏)，可以起到被动作用。计算机系统中的部件(诸如过程控制器)可以起到主动作用。

计算机网络可以经由硬连线或无线连接具有可操作的连接。硬连线可以包括以太网电缆、USB电缆、快闪驱动器、引脚连接器以及准许在计算机网络部件之间传送数据的任何其他形式的连接。计算机网络可以通过无线网络连接。无线连接可能包括集线器、路由器和在计算机装置之间传输电磁信号所需的任何其他装置。

计算机网络可能经历在网络内创建部件或节点和连接的拓扑重新布置的事件。在一些方面，事件可以包括从网络添加或移除计算机装置。在其他方面，事件可以包括网络内部件地址的变更或重新分配。在一些方面，事件可以包括网络内的物理或非物理故障。物理故障可能包括与硬件中断或切断相关的任何事件，诸如打印机卡住。非物理故障可能包括与数据传输、获取、处理或输出故障相关的任何事件。非物理故障可能包括传输数据故障，诸如服务器或路由器中断。非物理故障还可以包括与恶意活动相关的事件，诸如，在分布式拒绝服务攻击期间，通过软件移除联网计算机、强制隔离感染恶意代码的计算机装置，或通过大容量数据传输使一个或多个部件过载。电信网络中的事件可以是暂时的，诸如中断或永久的，诸如从网络移除装置。

如本文所描述的社交网络可以包括经由关系框架连接的多个用户。社交网络可以基于诸如地理、职业、国籍、政治偏好、家庭关系、友谊或区分网络组分的任何其他因素来构建关系框架。社交网络可以具有分类系统，所述分类系统包括各种级的分类，包括机构、家庭、个人或其组合。

在一些方面，社交网络的部件可以包括社交网络的个人用户。在其他方面，社交网络的部件可以包括在统一分类(诸如是共同雇主、校友身份、家庭、爱好或任何其他分类依据)内分组在一起的单个用户的集合。在一些方面，社交网络内的单个用户可以经由多种形式的分类连接到其他用户。

社交网络中的连接可以是自限定的或系统限定的。在一些方面，社交网络平台的用户可以选择如何对他们进行分类，并且可以相应地与网络内的其他用户建立连接。在其他方面，计算机算法可以基于获取的数据或用户供应的数据在单个用户或部件之间形成连接。社交网络中的部件之间的连接可以是永久的或由用户或由管理计算机算法切断的。

社交网络中的事件可以包括网络内连接的任何改变。对于个人用户，事件可能与生活事件(诸如出生、婚姻、死亡、离婚、入学、毕业、就业、晋升、解雇或裁员、疾病或改变社交网络中个人用户之间关系的任何其他个人事件)相关联。在制度层面，连接可能会因合并、收购、部门或子公司关系、更替、领导层变动、重组或吞吐量(例如学校的班级变动)等事件而改变。社交网络中的事件发生可以是高度随机的，诸如新友谊的形成，或是非常可预测的，诸如计划员工的工作可用性。

如本文所描述的油气生产网络可以包括钻井资产、精炼资产和管道资产。钻井资产可以包括平台、钻机、钻头、套管、泵等。钻井资产可以是岸上或离岸资产。精炼资产可以包括精炼厂中常见的任何机器或装备，包括蒸馏单元(例如，原油蒸馏单元和真空蒸馏单元)、催化重整器、加氢裂化器、处理器(例如，胺处理器、merox处理器、加氢处理器等)等。管道资产可以包括管道、泵、压缩机、热交换器、阀门等。

油气生产网络中的节点可以是钻井和精炼资产。节点可以通过管道资产和其他供应链基础设施连接，例如道路、铁路、航道以及使用这些道路、铁路和航道的交通工具。油气生产网络中的事件可以是机械或电气故障。例如，事件可以是钻井、精炼或管道资产的故障。另外地或替代地，事件可以是天气事件，例如，阻止钻探或导致供应链断裂的天气。另外地或替代地。

钻井、精炼和管道资产可以配备收集关于此类资产的数据的传感器。传感器可以是温度计、压力计、流量计、加速度计、磁力计等。由此类传感器收集的数据可以被本文所描述的算法用于预测和定位油气生产网络中的事件。

如本文所描述的供应链网络包括多个物理位置、物理位置之间的路线、导航路线的交通工具以及在物理位置工作并且操作交通工具的人员。供应链网络通常依赖于多个实体(例如在许多国家在数千或数百万平方英里上运作的商业组织)之间的协调。供应链网络被配置为将货物从一个或多个来源高效地运输到多个目的地。

供应链网络中的节点可以包括：供应商制造厂、装配厂、地区配送中心、本地配送中心和目的地，例如住宅或商业客户。供应链网络中的分支可以包括将供应链网络中的节点连接在一起的道路、铁路、航道和飞行路径。

供应链网络还包括在供应链网络路线上运送货物的交通工具，以及操作交通工具并且在工厂和配送中心工作的人员。供应链网络中的交通工具可以包括卡车、火车、轮船、飞机等。通常，每辆车由一个或多个人员操作。制造工厂和配送中心通常也雇佣许多人来便于制造过程、组织货物和将货物装载到交通工具中。

供应链网络的操作员可以从多种来源收集关于供应链网络的数据。例如，他们可以从多普勒雷达传感器或公共来源收集天气数据；来自供应链网络中交通工具的交通数据，或来自谷歌地图或Waze等公共来源的交通数据；交通工具数据，例如，链网中交通工具的里程或维护记录；以及制造装备数据。因为供应链网络可以跨越数百或数千英里和多个国家，所以收集供应链网络中每个节点、分支和交通工具的数据通常是不可行的。

供应链网络中的事件，即故障，可能会中断供应链网络，造成代价高昂的运输延误。例如，对于商业客户来说，供应链网络的中断会导致产量下降，例如，因为产品的组成部分不可用。因此，在事件发生之前预测和预防事件可以是有益的。

供应链网络中的事件可以包括天气事件或类似的自然灾害，例如飓风、暴风雪、洪水、森林火灾等。天气事件会使路线无法通行，从而将供应链网络破坏成隔离的岛。然而，供应链的操作员可能不知道不可能的道路的精确位置。例如，操作员可能知道暴风雪影响了特定城市或地区，但可能不知道哪些特定道路无法通行。操作员还可以知道过去受暴风雪影响的道路。基于此有限的数据，并且使用本文公开的算法，操作员可以预测无法通行的特定道路，并且相应地调整运输路线或向这些道路发送除雪装备。

供应链网络中的事件还可以包括交通工具故障。例如，卡车可能会抛锚或耗尽燃料。使用有限的先前数据，例如交通工具维护数据和关于哪些交通工具在过去发生过故障的数据，并且使用本文所描述的算法，供应链网络的操作员可以预测哪些交通工具将发生故障，并且对这些交通工具执行预防性维护。同样，供应链操作员可以预测制造工厂的装备故障。

供应链网络中的事件也可能包括交通事故。在一些情况下，事故可能会使整条道路无法通行。在其他情况下，事故可能仅影响特定的交通工具。交通事故的示例包括交通事故、建筑和大型公共事件。交通事故会导致运输时间增加，从而延误货物从源头到目的地的运输。

供应链网络中的事件也可能包括工人短缺或罢工。缺少工人可能会导致运输时间增加。

供应链网络中的事件可以定位到特定的分支，例如道路、航道、铁路或飞行路径、特定的交通工具、特定的工厂或配送中心，或特定的供应商。

供应链网络中的事件，就像配电网络中的事件一样，会导致供应链网络的各个部分相互隔离。此类隔离部分在本说明书中被称为“岛”。随着路线的恢复，岛重新组合。准确预测供应链网络中可能出现的故障并且在节点/路由级定位故障的能力有助于提高供应链网络的可靠性和及时性。

图3是使用解聚模型检测和定位网络中发生的事件的示例过程300的流程图。过程300可由一个或多个适当编程的计算机来执行，所述一个或多个适当编程的计算机被配置为收集关于网络的数据，即事件数据。例如，过程300可由图1中描绘的事件分配服务器120来执行。为了方便起见，过程300将被描述为由单个服务器执行。过程300可以被适配或修改以用于检测和定位上面讨论的任一网络类型(包括配电网络、电信网络、计算机网络、供应链配电网络、社交网络、油气生产网络等)中的事件。

服务器观察网络中的岛级事件(310)。所述网络可以是配电网络、电信网络、计算网络、供应链网络、社交网络、油气生产网络或任何其他类型的网络。

岛级事件是发生在网络中的事件，可直接追溯到岛，但不能追溯到岛内的部件。岛是网络的隔离分区。当网络中的连接中断时(例如，当配电网络中的配电线路中断、电信网络或计算网络中的某个部件出现故障或供应链网络中的某条路线变得无法通行时)，就会形成岛。类似地，当网络中的连接被恢复时，例如，当电力公司修理配电网络中发生故障的配电线路时，当电信网络或计算网络中的故障部件被修复时，或当无法通行的路线被清除时，两个或更多个岛可以合并。因此，组成网络的岛能够通过彼此分裂或合并而动态改变。

岛的动态改变可能涉及岛分裂、合并或重新合并的多个实例。通常地说，岛的分裂涉及分裂所述岛中的两个或更多节点或分支，而合并两个或更多岛涉及合并来自这两个或更多岛中的每一个的节点或分支。换句话说，岛的动态改变可能涉及岛的单个部件的子集的分裂和/或合并。单个部件的子集可以是相同的大小，或单个部件的子集可以是可变的大小。

每个岛可以包括一个或多个单个部件。通常来说，岛中的单个部件可以表示为节点以及去往或来自这些节点的一个或多个分支。更具体地，例如，配电网络中的岛可以包括以下中的一者或多者：发电厂、输电变电站、高压输电线路、开关、断路器、变电站、馈线或配电线路、本地变压器和消费者。计算网络中的岛可以包括分布式计算网络中的服务器、处理器、互连、无线路由器和无线接收器的子集。并且制造工厂中的自动化装备系统中的岛可以包括此类自动化装备的子集。在一些实施方式中，岛是较小的分区，例如，仅包括上面列出的部件的子部件的分区。例如，配电网络中的岛可以仅包括发电厂中发电机的子集，或输电变电站中变压器的子集。任何抽象级都是可能的。

通常来说，事件是网络中一个或多个单个部件的操作状态的变化。例如，事件可以是部件的故障、删除、升级、变更或其他类似的更改。故障的示例包括分支中断、硬件故障、数据传送路径中断以及其他抑制网络性能的类似事件。移除可能涉及有意从网络中临时或永久地移除部件，例如，临时移除部件以进行维护。升级可以是向网络添加新部件或随着可变操作而自然发生的部件输出的瞬时波动。并且变更可以涉及用一个或多个部件替换一个或多个其他部件。在一些实施方式中，当两个部件或节点之间的流由于缺少连接而变得受到限制时，事件可能会形成瓶颈。

配电网络中的事件的一个示例是配电网络内断路器开关的断开或闭合，其中断路器开关与配电网络的节点和/或分支中的一个或多个相关联。配电网络中的事件的其他示例包括发电机故障、输电线路和配电线路故障、变压器故障、断路器过载等。分布式计算系统中的事件示例包括硬盘驱动器故障、存储器过载、竞争条件等。

事件可能导致其他事件，甚至是一系列的级联事件。例如，配电网络中发生故障的输电线路会导致配电网络另一个部分的断路器过载。在一些情况下，一个事件可能会导致整个岛或整个配电网络出现故障。

服务器可以通过收集限定事件的数据来“观察”事件。通常，服务器不能立即识别网络中导致或曾经是事件的源的特定部件。这是因为服务器不会从网络中的每个节点和分支接收数据。例如，为整个配电网络配备必要的传感器是不切实际且成本高昂的，所述配电网络可能包括数千件电气装备、数百英里的输电线路和配电线路以及数千个消费者。同样，用传感器来装备整个供应链网络也是不切实际的，所述整个供应链网络可以覆盖跨越多个国家的数千或数百万平方英里的陆地、海洋和空中空间。然而，服务器可以基于在网络中的节点子集收集的数据来确定事件发生的网络中的大体地区。例如，服务器可以从输电线路和配电线路的子集接收输电线路和配电线路数据。数据可以包括线路温度和振动、瞬时和平均电流和电压测量值等。类似地，配电网络中的变压器、开关、断路器和电表的子集可以配备向服务器传输数据的传感器。传感器可以通过有线或无线网络与服务器通信。

通过比较来自网络中不同节点的数据，服务器通常可以将事件归因于或分配给特定的岛。服务器还可以使用数据来映射网络，特别是当服务器没有预先存在的网络映射时，或当事件改变网络配置时。映射网络可以涉及识别网络的隔离分区，即岛及其边界。基于服务器接收的数据的一个或多个特性或属性，岛可以是可识别的并且彼此可区分的。例如，在配电网络的环境中，可以基于网络特定部分中的意外电压水平来识别和区分岛。

服务器向解聚模型(220)提供描述岛级事件的数据。通常来说，解聚模型是将系统分成若干部分的模型。在本公开的上下文中，这些部分是组成岛的单个零件。

解聚模型被配置为，即被训练为，使用数据来检测、隔离和定位单个部件级的事件。也就是说，解聚模型被配置为确定岛中负责事件或事件的源的单个部件。例如，如果输电线路发生故障，例如，在暴风雪期间，在大雪的重压下发生弯曲，则配电网络中的特定配电线路可以是事件的源。使用描述事件的岛级数据，解聚模型被配置为将配电线路识别为事件的源。作为另一示例，如果分布式计算网络中的服务器存储器超过容量并且中断分布式计算网络中的数据路径，则所述服务器存储器可以是事件的源。使用描述事件的岛级数据，例如，识别分布式计算系统中中断的数据路径的数据，解聚模型被配置为将存储器识别为事件的源。将参考图4更详细地描述解聚的训练。

解聚模型被配置为当岛中的一个或多个动态改变时，在单个部件级检测一个或多个本地事件。正是出于此原因，将事件分配或归因于单个部件非常重要—因为岛可以分裂、合并和重新合并，所以很难跟踪哪些事件属于哪些岛。

在一些实施方式中，解聚模型是机器学习潜变量模型。潜变量是不是直接观察到的变量，而是从观察到的其他变量推断出来的变量。潜变量的一个经典示例是通常智力。通常智力不能直接观察和测量，但它可以通过其他观察到的变量(如标准化考试分数、高中或大学平均成绩、主观评估或其组合)得到信息。潜变量的另一示例是总体健康。同样，尽管不能直接测量总体健康状况，但可以通过许多其他观察到的变量来了解它，包括体重指数、静息心率、血压、胆固醇水平等。

在本文所描述的网络的上下文中，负责特定事件或特定事件的源的部件通常是不可观察的，因此是可以建模的潜变量。尽管理论上可以观察导致事件的单个部件，但由于先前描述的原因，这样做是不切实际的。然而，(i)负责特定事件的部件和(ii)特定部件是给定事件的源的概率可以从组织成潜变量模型的其他可观察数据推断出来。

机器学习潜变量模型是一种统计模型，其(i)对类似于上面描述的的潜变量进行建模，并且(ii)通常在无监督的学习环境中，通过训练随着时间的推移而被细化。在本公开中描述的网络的上下文中，可在部件级实现机器学习潜变量模型。也就是说，机器学习潜变量模型可以包括潜变量，所述潜变量中的每个对应于本地事件在单个部件中的每个处发生的概率。

为了方便起见，机器学习潜变量模型将简称为潜变量模型。将参考图4更详细地描述潜变量模型的训练。

潜变量模型通常在以下假设下操作：可观察变量仅是它们在潜变量上的位置的结果，并且在控制潜变量之后，可观察变量没有任何共同之处。这被称为地方独立。例如，配电网络的潜变量模型可在以下假设下操作：电压差异仅是导致事件的部件所在的特定岛上的结果。

潜变量模型的一个示例是混合模型。混合模型是用于表示较大群体中是否存在子群体的概率模型。也就是说，混合模型可以用来对子种群的属性进行统计推断，仅给出整个群的观察值，而没有子种群的身份信息。所述模型不要求观察数据识别单个观察所属的子群体。在本文所描述的网络的上下文中，观察到的岛级事件可以是混合模型的大群体，并且负责所述事件的单个部件可以是当前的但未观察到的子群体。

在一个经典示例中，混合模型用于对房价进行建模。通常来说，不同社区的不同类型的房子价格差异很大，但例如，特定社区的特定类型房子的价格往往会聚集在一起。此类价格的一个可能模型是假设如下的模型：(i)价格由具有k个不同部件的混合模型精确描述，(ii)每个部件都具有正态分布，以及(iii)每个部件指定了房屋类型/邻域的特定组合。例如，通过使用期望最大化算法，将此模型拟合到观察到的价格，将倾向于根据房屋类型/领域对价格进行聚类，并且揭示每个房屋类型/领域中的价格分布。

这个相同的方法适用于本文所描述的网络。网络中的事件的可能模型是假设：(i)岛级事件可以追溯到岛内k个不同部件中的一个，(ii)每个部件都具有正态分布，以及(iii)模型的每个部件指定岛中的物理部件。例如，通过使用期望最大化算法，将此模型拟合到观察到的岛级事件，将倾向于按负责事件的部件对观察到的事件进行聚类，并且揭示给定事件起源于特定部件的可能性。

潜变量模型的另一示例是贝叶斯模型。通常来说，贝叶斯模型是一种概率图形模型，其表示一组变量或特征及其条件依赖关系。贝叶斯模型可以利用有向无环图(DAG)来表示变量或特征。每个变量或特征都可由贝叶斯模型中的节点表示。在一个示例中，如果一个节点受到另一个节点的影响或依赖于另一个节点，则在第一节点和第二节点之间可以存在连接、链接或边缘。如果第一节点受第二节点影响或依赖于第二节点，则连接可以从第二节点指向第一节点。如果第二节点受第一节点影响或依赖于第一节点，则连接可以从第一节点指向第二节点。

贝叶斯模型可以表示岛级事件之间的概率关系。在一个示例中，当关于岛级事件的有限数据可用时，贝叶斯模型可以用于确定、推断或预测负责岛级事件的单个部件。

对事件负责的单个部件的推断可以基于提供给贝叶斯模型的至少一些数据。例如，一些岛级事件数据可以被提供给贝叶斯。在一些实现方式中，推断岛中负责事件的单个部件包括将最大后验估计过程应用于贝叶斯模型，以获取与用户相关联的多个能量消耗源的多个能量消耗值。通常来说，关于贝叶斯网络模型，最大后验估计过程可以对应于后验分布的模式。最大后验估计过程可用于基于经验数据(例如来自先前事件的岛级数据)，获取未观察量的点估计，例如特定部件对事件负责的概率。在一个示例中，单个部件导致岛中给定事件的概率中一个或多个是未知的。最大后验估计过程可以基于可用信息(诸如有限的数据岛事件数据)来确定、推断或估计一个或多个未知概率的最可能值。因此，可以使用最大后验估计过程来确定、推断或估计解聚概率。应理解，许多变化都是可能的。此外，在一些实施方式中，可在不在配电网络中安装另外的传感器的情况下执行对多个单个部件概率的推断。

再次参考图3，服务器从解聚模型(可以是上面描述的任一模型)接收部件级和岛级的本地事件的检测(330)。所述检测可以用于对部件进行预测性维护。在一些实现方式中，过程300用于在部件级事件发生之前预测它们，并且对对应的部件执行维护。

图4是用于训练潜变量模型的示例过程400的流程图，所述潜变量模型例如是参考图3描述的潜变量模型中的一个或多个。具体地，过程400对应于期望最大化算法。期望最大化算法是一种无监督学习算法，因为不需要标记训练示例。事实上，因为潜变量模型对未观察到的变量进行建模，所以为训练示例提供标签通常是不切实际或不可能的。过程400可由图1中描绘的训练模块127来执行。

最初，期望最大化算法是一种迭代方法，用于寻找统计模型中参数的最大似然或最大后验估计，其中模型依赖于未观察到的潜变量。在本文所描述的网络的上下文中，未观察到的潜变量是导致岛级事件的单个部件，参数是单个部件是给定岛级事件的源的概率。

最大后验概率估计是对未知量的估计，其等于所述未知量的后验分布模式。最大后验概率可以用于基于经验数据(例如岛级数据)获得未观察量的点估计。它与最大似然估计方法密切相关，但采用了增强的优化目标，所述增强的优化目标包含了一个要估计的数量的先验分布(通过对相关事件的先验知识来量化可用的另外的信息)。因此，最大后验估计可以看作是最大似然估计的正则化。

期望最大化迭代在执行期望步骤和最大化步骤之间交替进行，所述期望步骤为使用参数的当前估计(例如，部件概率)评估的对数似然的期望创建函数，所述最大化步骤计算在期望步骤中找到的最大化期望对数似然的参数。这些参数估计然后被用来确定潜变量在下一个期望步骤中的分布。

换句话说，人们使用相关事件的先验知识来建模未来事件将发生的概率分布。在本文所描述的网络的上下文中，这意味着岛中的每个部件负责岛级事件或是岛级事件的源的概率被预先计算或预先估计。预先计算的概率实际上是概率分布。当观察到事件时，模型推断特定部件导致所述事件的概率，并且基于推断和新事件更新预先计算的概率分布。

训练模块估计岛上每个部件导致事件的先验概率(410)。通常，先验概率是观察变量的概率分布。先验概率可以是基于先验事件数据的初始已知的、实际的或估计的概率。

在服务器上实现的训练模块观察岛上的事件(420)。如前所述，观察事件涉及收集限定事件的岛级数据。但是，所述数据不包括事件应分配到的部件，即正在建模的潜变量。

使得用可用的岛级事件数据和先验概率分布，训练模块执行精确的后验分析以确定观察到的事件是由岛上的每个部件导致的概率(430)。后验推断是对等于后验分布的模式的未知量的估计，所述后验分布是分配给潜变量(例如，在考虑相关证据或背景后，岛中负责岛级事件的单个部件)的条件概率。

训练模块基于新事件数据和推断更新先验概率(440)。

重复步骤420至440，直到收敛，即，直到当观察到新事件时潜变量分布变化小于某个阈值量(450)。

图5a描绘了网络中岛分裂和合并的一维示例。在时间T＝1时，网络有三个岛A、B和C。岛A由节点1和节点2、节点3的岛B以及节点4和节点5的岛C组成。

在时间T＝2，由于在时间T＝1的节点1和节点2之间的事件，节点2从节点1分裂并且与节点3合并。结果是仅由节点1组成的新岛D和由节点2和节点3组成的新岛E。节点C保持不变。

在时间T＝3，由于在时间T＝2处节点2和节点3之间的事件，节点2与节点1重新合并，并且节点3与节点4和节点5合并。结果是重新形成了岛A，并且节点3、节点4和节点5组成了新的岛F。

在时间T＝4，由于在时间T＝3在节点4的事件，节点3从节点4分裂，导致全部原始岛A、B和C重新形成。

图5b描绘了每次在每个节点发生事件的假设概率。

本公开提供了被编程以实现本公开的方法的计算机系统。

图6示出了计算机系统601，该计算机系统被编程或以其他方式配置为实施本文提供的方法。

计算机系统601可以调节本公开的各个方面，例如，获得包括多个库存变量的库存数据集，将经过训练的算法应用于库存数据集以生成对具有未来不确定性的变量的预测，并对库存数据集应用优化算法以优化多个库存变量。计算机系统601可以是用户的电子设备或相对于电子设备位于远程的计算机系统。电子设备可以是移动电子设备。

计算机系统601包括中央处理单元(CPU，在此也称为“处理器”和“计算机处理器”)605，其可以是单核或多核处理器，也可以是多个处理器并行处理。计算机系统601还包括存储器或存储器位置610(例如，随机存取存储器、只读存储器、闪存)、电子存储单元615(例如，硬盘)、用于与一个或多个其他系统通信的通信接口620(例如，网络适配器)和外围设备625，例如高速缓存、其他存储器、数据存储和/或电子显示适配器。存储器610、存储单元615、接口620和外围设备625通过诸如母板的通信总线(实线)与CPU 605通信。存储单元615可以是用于存储数据的数据存储单元(或数据仓库)。计算机系统601可以在通信接口620的帮助下可操作地耦合到计算机网络(“网络”)630。网络630可以是因特网、内联网和/或外联网、或正在与因特网通信的内部网和/或外部网。

在一些情况下，网络630是电信和/或数据网络。网络630可以包括一个或多个计算机服务器，其可以实现分布式计算，例如云计算。例如，一个或多个计算机服务器可以启用网络630(“云”)上的云计算以执行本公开的分析、计算和生成的各个方面，例如获得包括多个库存变量的库存数据集，将训练的算法应用于库存数据集以生成对具有未来不确定性的变量的预测，并且将优化算法应用于库存数据集以优化多个库存变量。这种云计算可以由云计算平台提供，例如亚马逊网络服务(AWS)、微软Azure、谷歌云平台和IBM云。在某些情况下，在计算机系统601的帮助下，网络630可以实现对等网络，其可以使耦合到计算机系统601的设备能够充当客户端或服务器。

CPU 605可以执行一系列机器可读指令，这些指令可以体现在程序或软件中。指令可以存储在存储器位置中，例如存储器610。指令可以被引导到CPU 605，CPU 605可以随后编程或以其他方式配置CPU 605以实现本公开的方法。CPU 605执行的操作的示例可以包括获取、解码、执行和写回。

CPU 605可以是电路的一部分，例如集成电路。系统601的一个或多个其他组件可以包括在电路中。在某些情况下，该电路是专用集成电路(ASIC)。

存储单元615可以存储文件，例如驱动程序、库和保存的程序。存储单元615可以存储用户数据，例如用户偏好和用户程序。在一些情况下，计算机系统601可以包括一个或多个位于计算机系统601外部的附加数据存储单元，例如位于通过内联网或因特网与计算机系统601通信的远程服务器上.

计算机系统601可以通过网络630与一个或多个远程计算机系统进行通信。例如，计算机系统601可以与用户的远程计算机系统进行通信。远程计算机系统的示例包括个人计算机(例如便携式PC)、平板计算机或平板PC(例如

iPad、

GalaxyTab)、电话、智能电话(例如

iPhone、支持Android的设备、

)或个人数字助理。用户可以通过网络630访问计算机系统601。

如本文所述的方法可以通过存储在计算机系统601的电子存储位置上的机器(例如，计算机处理器)可执行代码来实现，例如存储在存储器610或电子存储单元615上。机器可执行或机器可读代码可以以软件的形式提供。在使用过程中，该代码可由处理器605执行。在某些情况下，该代码可从存储单元615中检索并存储在存储器610中以供处理器605随时访问。在某些情况下，可以排除电子存储单元615，并且机器可执行指令被存储在存储器610上。

代码可以被预编译和配置以与具有适于执行代码的处理器的机器一起使用，或者可以在运行时期间编译。代码可以以编程语言提供，可以选择该语言以使代码能够以预编译或编译后的方式执行。

在此提供的系统和方法的方面，例如计算机系统601，可以体现在编程中。该技术的各个方面可以被认为是“产品”或“制品”，其通常以机器(或处理器)可执行代码和/或相关数据的形式存在于或包含在一种机器可读介质中。机器可执行代码可以存储在电子存储单元上，例如存储器(例如，只读存储器、随机存取存储器、闪存)或硬盘。“存储”类型的介质可以包括计算机、处理器等或其相关模块的任何或所有有形存储器，例如各种半导体存储器、磁带驱动器、磁盘驱动器等，其可以随时提供非暂时性存储进行软件编程。软件的全部或部分有时可以通过因特网或各种其他电信网络进行通信。例如，这样的通信可以使软件能够从一个计算机或处理器加载到另一个计算机或处理器中，例如从管理服务器或主机计算机加载到应用服务器的计算机平台中。因此，可以承载软件元素的另一种类型的媒体包括光波、电波和电磁波，例如跨本地设备之间的物理接口、通过有线和光学陆线网络以及通过各种空中链路使用。承载这种波的物理元件，例如有线或无线链路、光链路等，也可以被认为是承载软件的介质。如本文所用，除非限于非暂时性、有形“存储”介质，诸如计算机或机器“可读介质”的术语是指参与向处理器提供指令以供执行的任何介质。

因此，机器可读介质，例如计算机可执行代码，可以采用多种形式，包括但不限于有形存储介质、载波介质或物理传输介质。非易失性存储介质包括例如光盘或磁盘，诸如任何计算机等中的任何存储设备，诸如可用于实现图中所示的数据库等。易失性存储介质包括动态存储器，例如此类计算机平台的主存储器。有形传输介质包括同轴电缆；铜线和光纤，包括构成计算机系统内总线的电线。载波传输介质可以采用电信号或电磁信号，或者声波或光波的形式，例如在射频(RF)和红外(IR)数据通信期间产生的那些。因此，常见形式的计算机可读介质包括例如：软盘、软盘、硬盘、磁带、任何其他磁介质、CD-ROM、DVD或DVD-ROM、任何其他光学介质、打孔卡纸磁带、任何其他带有孔洞图案的物理存储介质、RAM、ROM、PROM和EPROM、FLASH-EPROM、任何其他存储芯片或盒式磁带、传输数据或指令的载波、传输此类载体的电缆或链路，或任何其他计算机可以从中读取编程代码和/或数据的介质。许多这些形式的计算机可读介质可能涉及将一个或多个指令的一个或多个序列传送到处理器以供执行。

计算机系统601可以包括电子显示器635或与电子显示器635通信，该电子显示器635包括用户界面(UI)640。用户界面(UI)的示例包括但不限于图形用户界面(GUI)和基于网络的用户界面。例如，计算机系统可以包括配置为向用户显示例如BOM的基于网络的仪表板(例如，GUI)。

本公开的方法和系统可以通过一种或多种算法来实现。算法可以在由中央处理单元605执行时通过软件来实现。该算法可以例如获得包括多个库存变量的库存数据集，将经过训练的算法应用于库存数据集以生成对具有未来不确定性的变量的预测，并对库存数据集应用优化算法以优化多个库存变量。

尽管已经针对其特定实施方式描述了描述，但是这些特定实施方式仅是说明性的，而非限制性的。示例中说明的概念可以应用于其他示例和实施方式。

虽然已经在本文中示出和描述了本发明的优选实施方式，但是对于本领域技术人员而言容易理解的是，仅通过示例的方式提供了这样的实施方式。并非意图通过说明书中提供的特定示例来限制本发明。尽管已经参考前述说明书描述了本发明，但是本文中的实施方式的描述和图示并不意味着以限制性的意义来解释。在不脱离本发明的情况下，本领域技术人员现在将想到许多改变，更改和替代。此外，应理解，本发明的所有方面不限于本文所阐述的具体描述，构造或相对比例，其取决于各种条件和变量。应当理解，本文所述的本发明的实施方案的各种替代方案可以用于实施本发明。因此，可以预期的是，本发明也将涵盖任何这样的替代，修改，改变或等同形式。旨在由以下权利要求书限定本发明的范围，并且由此涵盖这些权利要求书范围内的方法和结构及其等同物。

Claims (33)

1.一种计算机实现的事件分配方法，包括：

映射包括多个岛的网络，所述多个岛能够通过分裂和/或合并一个或多个岛而动态改变，其中所述多个岛包括多个单个部件；以及

使用解聚模型在单个部件级以及岛级预测和/或检测并且定位一个或多个本地事件。

2.根据权利要求1所述的方法，其中所述多个单个部件包括多个节点和分支。

3.根据权利要求1所述的方法，其中所述解聚模型被配置为在所述单个部件级而不是在岛级检测所述一个或多个本地事件。

4.根据权利要求1所述的方法，其中所述解聚模型被配置为在所述单个部件级定位或隔离所述一个或多个本地事件。

5.根据权利要求1所述的方法，其中所述解聚模型被配置为当所述岛中的所述一个或多个动态改变时，在所述单个部件级检测所述一个或多个本地事件。

6.根据权利要求1所述的方法，其中所述岛的所述动态改变包括所述一个或多个岛的分裂、合并和/或重新合并的多个实例。

7.根据权利要求2所述的方法，其中所述岛的所述动态改变包括连接和/或分裂所述多个节点和分支中的两个或更多个。

8.根据权利要求1所述的方法，其中所述岛的所述动态改变包括所述单个部件的子集的分裂和/或合并。

9.根据权利要求8所述的方法，其中所述单个部件的所述子集具有相同的大小。

10.根据权利要求8所述的方法，其中所述单个部件的所述子集具有可变的大小。

11.根据权利要求1所述的方法，其中所述解聚模型是机器学习潜变量模型。

12.根据权利要求11所述的方法，其中所述机器学习潜变量模型在所述单个部件的级处实现。

13.根据权利要求11所述的方法，其中所述机器学习潜变量模型包括多个潜变量，所述多个潜变量对应于所述单个部件中的每个处的一个或多个本地事件。

14.根据权利要求13所述的方法，其中在所述单个部件级发生的所述一个或多个本地事件与在岛级发生的一个或多个岛事件相关联。

15.根据权利要求14所述的方法，其中所述机器学习潜变量模型被配置为接收在对应的选定岛上发生的选定岛事件的观察，并且基于所述多个潜变量中的一个已经导致所述选定岛事件发生的假设来处理所述观察。

16.根据权利要求15所述的方法，其中所述选定岛事件是由在对应的选定的岛中或与所述对应的选定的岛相关联的所述单个部件中的一个导致的。

17.根据权利要求15所述的方法，其中所述机器学习潜变量模型包括导致所述一个或多个本地事件中的每一个的每个单个部件的先验概率。

18.根据权利要求17所述的方法，其中所述机器学习潜变量模型被配置为基于所述先验概率执行精确的后验推断，以将所述一个或多个本地事件分配给所述单个部件。

19.根据权利要求18所述的方法，其中所述一个或多个本地事件到所述单个部件的所述分配包括确定在所述对应部件中的每个处发生的每个本地事件的概率估计。

20.根据权利要求19所述的方法，其中所述机器学习潜变量模型被配置为使用所述概率估计来迭代地更新所述先前或先验概率，直到收敛。

21.根据权利要求17所述的方法，其中所述先验概率包括基于先验事件数据的初始已知的、实际的或估计的概率。

22.根据权利要求20所述的方法，其中使用期望最大化(EM)算法迭代地更新所述先前或先验概率。

23.根据权利要求1所述的方法，还包括：

基于检测到的所述一个或多个本地事件在所述单个部件级执行预测性维护。

24.根据权利要求2所述的方法，其中所述网络包括配电网络。

25.根据权利要求24所述的方法，其中所述配电网络包括多个配电馈线。

26.根据权利要求25所述的方法，其中所述多个节点和分支与所述多个配电馈线以及每个馈线内的所述连接的节点和分支相关联。

27.根据权利要求24所述的方法，其中所述一个或多个事件包括所述配电网络内的一个或多个断路器开关的断开或闭合，其中所述一个或多个断路器开关与所述节点和/或分支中的一个或多个相关联。

28.根据权利要求1所述的方法，其中所述网络中的所述多个单个部件被布置成从由以下组成的组中选定的几何配置：一维配置、二维配置和不规则配置。

29.根据权利要求1所述的方法，其中所述网络中的所述多个单个部件以二维配置布置，并且其中所述二维配置是矩形配置、径向配置或轮辐式配置。

30.根据权利要求24所述的方法，其中所述一个或多个本地事件包括与所述多个单个部件中的一个或多个相关联的非技术损失。

31.根据权利要求24所述的方法，其中映射所述网络包括识别所述网络的单个部件中的意外电压水平。

32.一种用于事件分配的系统，包括：

服务器，所述服务器与包括多个岛的网络通信；以及

存储器，所述存储器存储指令，所述指令当由所述服务器执行时，使得所述服务器执行包括以下的操作：

映射所述网络，其中所述多个岛能够通过分裂和/或合并一个或多个岛而动态改变，其中所述多个岛包括多个单个部件；以及

使用解聚模型在单个部件级以及岛级预测和/或检测并且定位一个或多个本地事件。

33.一种存储指令的非暂时性计算机可读介质，当指令被一个或多个处理器执行时，使得所述一个或多个处理器执行事件分配方法，所述方法包括：

映射包括多个岛的网络，所述多个岛能够通过分裂和/或合并一个或多个岛而动态改变，其中所述多个岛包括多个单个部件；以及

使用解聚模型在单个部件级以及岛级预测和/或检测并且定位一个或多个本地事件。

Images