JP2018510600A - 機器使用を監視する、方法およびシステム - Google Patents
機器使用を監視する、方法およびシステム Download PDFInfo
- Publication number
- JP2018510600A JP2018510600A JP2017545406A JP2017545406A JP2018510600A JP 2018510600 A JP2018510600 A JP 2018510600A JP 2017545406 A JP2017545406 A JP 2017545406A JP 2017545406 A JP2017545406 A JP 2017545406A JP 2018510600 A JP2018510600 A JP 2018510600A
- Authority
- JP
- Japan
- Prior art keywords
- building
- equipment
- usage
- hems
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 176
- 238000012544 monitoring process Methods 0.000 title claims description 29
- 230000007613 environmental effect Effects 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims description 133
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 12
- 230000003466 anti-cipated effect Effects 0.000 abstract 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 55
- 239000007789 gas Substances 0.000 description 38
- 238000005259 measurement Methods 0.000 description 36
- 230000005611 electricity Effects 0.000 description 32
- 230000000694 effects Effects 0.000 description 22
- 238000005406 washing Methods 0.000 description 20
- 238000007726 management method Methods 0.000 description 19
- 238000005352 clarification Methods 0.000 description 17
- 238000003860 storage Methods 0.000 description 15
- 238000010438 heat treatment Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000013461 design Methods 0.000 description 9
- 238000012552 review Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 230000007704 transition Effects 0.000 description 7
- 238000013459 approach Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 238000010411 cooking Methods 0.000 description 5
- 238000001035 drying Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000003936 working memory Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000003287 bathing Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000012636 effector Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007727 cost benefit analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/2803—Home automation networks
- H04L12/2823—Reporting information sensed by appliance or service execution status of appliance services in a home automation network
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/026—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system using a predictor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/021—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a variable is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/448—Execution paradigms, e.g. implementations of programming paradigms
- G06F9/4498—Finite state machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Automation & Control Theory (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
建物内の環境管理システムを動作させる方法であって、2以上のユーティリティを監視することによって、前記建物内の機器使用を監視し、それらを代表する出力信号を提供するために、各ユーティリティに関する1以上の特性を測定することと、所定の時間間隔で各出力信号の状態の変化を監視することと、1以上の機器使用のパターンを特定するために、各ユーティリティからの前記出力信号に由来するデータを結合させることと、将来の機器使用の予測されるパターンを特定するために、機器使用の特定されたパターンを、建物の個々の居住者に関連した機器使用の保存されたパターンと比較することと、将来の機器使用の特定された予測されるパターンに従って、建物内の環境を制御するように、前記環境管理システムを動作させることとを含む方法。
Description
本発明は、建物内の機器使用を監視する、方法およびシステムに関する。
住居内には、個々の照明器具から、テレビ、ボイラおよび回転式乾燥機などの主要なエネルギーユーザまで多くの装置または機器が存在する。将来的には、これらの装置のいくつかは高知能とすることができ、したがって、それらは、その存在を言明して、その状態を読み取らせて、電灯をオン、オフして、押し込み強盗を思いとどまらせたり、電気料金が安いときに洗濯物の乾燥を予定するなどの制御が可能である。いくつかの装置は、この機能を既に搭載している(スマートテレビおよび暖房システムなど)が、ほとんどの場合、搭載していない。住居における、利用率、機器使用、およびユーティリティ消費のパターンを理解することは、現在、非常に高価な計器を必要とする。センサは、最終的に照明を含む全ての装置に埋め込まれてもよいが、このレベルの埋込センサを家庭環境において見出すことが普通になるための時間は、15年を大幅に超える可能性がある。建物の環境管理は、エネルギー効率、コスト予算管理、ならびにユーザ制御およびユーザ経験の向上という点において、将来のユーティリティ供給および使用の重要な要素である。
建物内の機器の存在および使用は、それらのユーティリティ使用シグネチャからの推論によって認識することができる。このことに関する原理は、米国特許第4,858,141号明細書に記載されており、たとえば、「Is Disaggregation The Holy Grail Of Energy Efficiency? The Case Of Electricity」,K. Carrie Armel, Abhay Gupta, Gireesh Shrimali and Adrian Albert, Energy Policy, 2013, vol. 52, issue C, pp 213-234に記載されているように、非分解性機器負荷測定(NIALM)の実務家コミュニティ内に包含されている。この技術の概念はしばらくの間認識されてきたが、さまざまな要素を効果的に実用的ソリューションに統合することができなかったために実際の用途は制限されていた。米国特許第4,858,141号明細書および他の後続の刊行物において、データは電力使用測定値から収集される。電気以外のユーティリティからのデータを使用することと、追加の要因/データを考慮に入れることとは、米国特許第4,858,141号明細書などの様々な情報源によって取り扱われてきた。しかし、従来技術は、これらの概念を個々におよび効果的な組み合わせでどのように実装するべきかも、どのようにして効果的な総合ビル管理システム(BEMS)の一部を形成するべきかも教示していない。
本発明は、したがって、上述の記載を考慮して設計された。
機器使用を監視することは、ビル環境管理システム(BEMS)の効果的な運用の中心をなす。それは、エネルギー使用に関するデータを提供するだけでなく、さらに重要には、利用率のこれらのパターンに合うように、BEMSが建物環境をより良好に管理することを可能にすることができる居住者による、活動パターン、および建物の使用パターンに関する情報を提供する。このことがどこよりもあてはまるのは、家庭環境管理システム(HEMS)である。人々は、他のどの建物よりも自宅で多くの時間を過ごし、自宅で最も幅広い活動パターンを示し、自宅内環境を最も支配することを予測している。独自の機器モニタリングを実装することによって、ユーティリティ使用パターンに関する情報が提供される。それをHEMSに統合することによって、たとえば暖房システムの予定において、利用率パターンに関する情報を使用することが可能になる。また、HEMSは、たとえば、リビングルームの温度上昇が進行中のガス火災と一致するなど、追加の情報を機器使用モジュールに提供することができる。先行技術は、これらの機能の実装について、論理的に議論または教示していない。
簡潔さのために、本明細書は、HEMSのみに言及する傾向がある。本発明は、HEMSだけでなく、どのBEMSにも適用可能であることを理解されたい。
本発明の第1態様によれば、請求項1に記載されたように、建物内の環境管理システムを動作させる方法が規定される。本方法は、2以上のユーティリティを監視し、各ユーティリティに関する1以上の特性を測定し、それらの代表的な出力信号を提供することによって機器使用を監視することと、所定の時間間隔で各出力信号の状態の変化を監視することと、機器使用の1以上のパターンを特定するために、各ユーティリティからの出力信号に由来するデータを組み合わせることと、機器使用の特定されたパターンを、将来の機器使用の予測されるパターンを特定するために、建物の個々の居住者に関連した機器使用の保存されたパターンと比較することと、将来の機器使用の特定された予測されるパターンに従って、建物内の環境を制御するように、前記環境管理システムを動作させることとを含む。
本発明は、ユーティリティ使用の複雑なパターンを使用し、建物内にどのような機器が存在するかの情報と、それらのユーティリティが利用されている間における建物内の人または人々の活動に関する情報とを抽出することを可能にする。有利には、本方法は、機器使用パターンの差引き、および機器の特定もしくは認識、または機器の状態の特定もしくは認識を、比較的安価な方法で可能にする。これは、建物に入る点におけるユーティリティの低コストの測定セットが、建物の周囲に分布する非常に多数のセンサであるものを置き換える、または増強することができるからである。これは、消費者のエネルギー使用を効果的に管理するために、消費者を補助する際に消費者に付加価値を与える。
ユーティリティを監視することから得られたより多くの情報を使用することは、建物内の利用率パターンをより詳細に測定することを可能にする(すなわち、照明スイッチシグネチャのみを特定することは、他の要因を考慮することなく、照明の位置を決定することを可能にすることはないであろう。たとえば、早朝に浴室内で水道の水が流されているので、照明は、浴室内にある可能性があるなど)。1以上のユーティリティ(たとえば、電気および水道、場合によってはガスも)を監視することは、したがって、どの機器が、予期される、または予想される機器使用パターンに基づいて使用されるかを判断することに役立つ。
機器使用パターンは、特定の機器が、ある特定の日/週において使用される(たとえば、洗濯機は、いつも月曜日に稼働するか、または使用者は、いつも仕事の後に帰宅するとケトルを満たし、沸騰させる)ことを認識することを含んでもよい。
ユーティリティ使用の単一のインスタンスが、単独で考慮される場合(従来技術の場合のように)、問題の機器を決定することは必ず可能であるわけではない。たとえば、トイレを洗い流すときと、手を洗うときとは、同じ量の水を使用してもよい。この場合、従来技術の方法は、これらの2つの活動を区別することができない。対照的に、本発明は、どの機器が使用されているかを決定するために、蛇口バルブ開口部の音と、洗浄バルブ開口部の音とを区別するための付加的な情報(たとえば、ノイズ信号)を使用することができる。
モータの動作を特定することが可能である。なぜなら、その使用に関連した位相角を有するからである。
食洗機の運転は、食洗機のみの乾燥サイクル(水の使用なしでの加熱を含む)の存在、および/または洗濯機のみの脱水サイクル(水の使用なしでのモータを含む)の存在によって、洗濯機と区別することができる。
2つ以上のユーティリティは、水道および電気を含んでもよい。ガスは、電気の代わりに、または電気に加えて監視されてもよい。他のユーティリティも監視されてもよい。
機器使用パターンを特定する工程は、先験的確率を使用し、最初に、最も可能性が高いと判断された参照の機器使用パターンをデータと比較することを含んでもよい。たとえば、朝に水が最初に流れ、同時にポンプが作動している場合、システムは、居住者がシャワーを浴びていると仮定することができる。
建物内の機器は、システムを構成することができ、システムは有限状態機械として表され、各出力信号は特定の時間にシステムの特性の状態を表すことができる。
本発明の第2態様によれば、請求項4に記載された建物内の環境管理システムを操作する方法が規定される。本方法は、建物内の機器使用を監視することであって、建物内の機器がシステムを構成し、該システムは有限状態機械として表されることと、2以上のユーティリティを監視し、出力シグナルを提供するために、各ユーティリティに関する1以上の特性を測定することであって、各出力信号が、所定の時間においてシステムの特性の状態を表すことと、所定の時間間隔において各出力信号の状態の変化を監視することと、1以上の機器使用のパターンを特定するために、各ユーティリティからの出力信号に由来するデータを結合することと、特定されたパターンに従って建物内の環境を制御するように、環境管理システムを動作させることとを含む。
第1態様の実施形態または第2態様の実施形態では、システムはマルコフ連鎖として表されてもよい。
前記1以上の特性の測定は、所定のサイズの測定値域内に記録されてもよく、当該測定値域は、所定の測定範囲内にある。
本方法は、時間の経過とともに、機器への入力パターンに基づいてワークプロセスを規定することをさらに含んでもよい。
本方法は、1つ以上の機器の特定可能な一連のワークプロセスに基づいてワークフローを規定することを含んでもよい。
1以上の機器使用パターンを特定する工程は、前記出力シグナルの処理と特定されたワークプロセスおよびワークフローの分析とに基づいて、機器についてのユーティリティ使用パターンを決定することを含む。
本方法は、出力信号が関連付けられている機器を特定するために、1以上の機器使用パターンを1以上の参照パターンと比較する工程を含んでもよい。
本方法は、前記比較に基づいて、機器が、建物内に存在する確率を評価することを含んでもよい。
本方法は、前記建物内の1以上の機器の、存在、位置、および/または使用の徴候を推測するために、1以上の機器使用パターンを1以上の参照パターンと比較することを含んでもよい。
先験的確率は、ワークフローの頻度分布を含んでもよい。
先験的確率は、建物の占有状態に関する外因性因子および仮説を含んでもよい。
本方法は、ワークフロー、ワークプロセス、機器および/または機器の構成要素から仮想的に生じる機器使用パターンに関連する先験的確率を、過去の機器使用に関する保存データを参照することによって修飾することをさらに含んでもよい。
過去の機器使用は、1以上の他の建物における1以上の機器に関連してもよく、先験的確率は、前記建物に対する別の建物の地理的距離に応じて決定されてもよい。
本方法は、1以上の参照機器をコンピュータ言語で表し、それによって機器使用パターンが、機器内の規定された構成要素上で作動する規定プロセスから導出されることをさらに含んでもよい。
この言語は、機器、プロセス、および構成要素の特定のインスタンスをクラス継承によって作ることを可能にし得る。
参照機器パターンは、当該機器に存在する、または当該機器に関連する、電子シグネチャ、バーコードまたはQcodeから取得されてもよい。
確率は、中央データおよびユーザ入力の分析の組み合わせから導出されてもよい。
特性は、フロー変数、ノイズ変数または品質変数のうちの1つ以上を含んでもよい。
特性は、電圧、RMS電圧、発熱量、位相角、電力、有効電力、無効電力および色のうちの1つ以上を含んでもよい。
本発明の第3態様によれば、
建物内の機器使用を監視するための複数の装置であって、各装置が、2以上のユーティリティのうち特定の1つに関する1以上の特性を測定し、それらの表す出力信号を提供するように構成される、建物内の機器使用を監視するための複数の測定装置と、
処理装置であって、各ユーティリティからの前記複数の出力信号の組み合わせに応じて、
所定の時間間隔において、前記出力信号のそれぞれの状態における変化を監視し、複数の出力信号からの情報を組み合わせるように構成され、1以上の機器使用のパターンを特定し、
特定された機器使用のパターンを、建物の個々の居住者に関連した、記憶された機器使用のパターンと比較し、将来の機器使用の予測されるパターンを特定し、
将来の機器使用の特定された予測されるパターンに従って、建物内において環境を制御するために、環境管理システムを動作させる処理装置とを含む、装置が提供される。
建物内の機器使用を監視するための複数の装置であって、各装置が、2以上のユーティリティのうち特定の1つに関する1以上の特性を測定し、それらの表す出力信号を提供するように構成される、建物内の機器使用を監視するための複数の測定装置と、
処理装置であって、各ユーティリティからの前記複数の出力信号の組み合わせに応じて、
所定の時間間隔において、前記出力信号のそれぞれの状態における変化を監視し、複数の出力信号からの情報を組み合わせるように構成され、1以上の機器使用のパターンを特定し、
特定された機器使用のパターンを、建物の個々の居住者に関連した、記憶された機器使用のパターンと比較し、将来の機器使用の予測されるパターンを特定し、
将来の機器使用の特定された予測されるパターンに従って、建物内において環境を制御するために、環境管理システムを動作させる処理装置とを含む、装置が提供される。
本発明の第4態様によれば、
建物内の機器使用を監視するための複数の装置であって、
2以上のユーティリティのうち特定の1つに関する1以上の特性を測定し、それらの表す出力信号を提供するように構成された複数の測定装置と、
処理装置であって、各ユーティリティからの前記複数の出力信号の組み合わせに応じて、
所定の時間間隔で前記出力信号のそれぞれの状態の変化を監視し、複数の出力信号からの情報を組み合わせ、1以上の機器使用パターンを特定し、
建物内の機器がシステムを構成し、該システムが有限状態機械として表わされ、各出力信号が、特定の時間におけるシステムの特性の状態を表し、
特定されたパターンに従って、建物内の環境を制御するように、環境管理システムを動作させるように構成された処理装置とを含む装置が提供される。
建物内の機器使用を監視するための複数の装置であって、
2以上のユーティリティのうち特定の1つに関する1以上の特性を測定し、それらの表す出力信号を提供するように構成された複数の測定装置と、
処理装置であって、各ユーティリティからの前記複数の出力信号の組み合わせに応じて、
所定の時間間隔で前記出力信号のそれぞれの状態の変化を監視し、複数の出力信号からの情報を組み合わせ、1以上の機器使用パターンを特定し、
建物内の機器がシステムを構成し、該システムが有限状態機械として表わされ、各出力信号が、特定の時間におけるシステムの特性の状態を表し、
特定されたパターンに従って、建物内の環境を制御するように、環境管理システムを動作させるように構成された処理装置とを含む装置が提供される。
有利には、本発明の態様は、異なるユーティリティ、より具体的には、異なる構成要素または異なるユーティリティの特性に関する複数の信号の組み合わせに基づいて、建物内における機器の存在/使用を推定することを可能にする。
理想的には、機器の構成要素は、それらのユーティリティ使用シグネチャの確率分布が十分に大きく、HEMSによる明確化の機会を最大化するために十分に分散されるように製造される。その分布が既知であり、製造業者によって供給される場合、それは、構成要素パラメータ値が測定され、範囲と共に供給されるか、または構成要素と共に範囲のみが供給される、機器を特定するための明確化プロセスへの入力としてHEMSによって使用されてもよい。さらに、機器は、理想的には、ワークプロセスのパラメータ(たとえば、洗濯サイクルにおける工程の正確な持続時間)が、上記と同様の方法で明確化を増加させるために十分に異なる構成要素を用いてアセンブルされる。
実質的に、本発明の態様は、通常の時点でシステム全体の状態を評価し、何が起こっているのかを判断することを試みるHEMSに関する。これには、どの構成要素が使用されているか、どの機器が使用されているか、どのワークプロセスが使用されているか、およびどのワークフローが作動中であるのかを判断することが含まれてもよい。換言すれば、システムは、ユーティリティデータを使用して、建物内で行われている活動のリアルタイムピクチャを正確に構築し、これを使用してワークフローを予測するので、適当なエネルギー使用量を供給することができる。このことは、個々の機器を特定するために、単一のユーティリティ測定からの見事なステップ変更に依存する先行技術とは対照的である。
また、HEMSは、未特定の構成要素、機器、ワークプロセス、またはワークフローのユーティリティ使用シグネチャを考慮し、およびこれらが何であるかについての仮説を立てるために、履歴レビュー(または較正プロセス)を実施してもよい。履歴レビューは、定期的に実行されるように、および/または新規構成要素、機器、ワークプロセスまたはワークフローに遭遇するたびに実行されるようにプログラムされてもよい。履歴レビューは、データを、他のHEMSからのデータ、特に、関連する建物に地理的に近い建物からのデータと比較してもよい。
本発明の実施形態を、添付の図面を参照して、単なる例として以下に説明する。
HEMSと共に使用される機器認識ユニットの概略図を示す。
ユーティリティ測定の概略図を示す。
ユーティリティ信号チャネルの有限状態分析の概略図である。
HEMS内の機器認識ユニットと他のモジュールとの間の通信の概略図である。
機器動作の階層の概要である。
一般的な食洗機における、ワークプロセスおよび構成要素を示す。
毎月の寝室照明の日常動作のグラフ表示である。
毎月のセキュリティ照明の日常動作のグラフ表示である。
室温による冷凍庫の毎日の動作のグラフ表示である。
冷凍庫の3つの異なる動作モードを示す。
HEMSにおける既知の機器使用信号の減算を示す流れ図である。
測定された電気信号から既知の機器使用信号の減算を示す。
認識されていないワークプロセスの明確化を示すフロー図を示す。
本発明の一実施形態によるHEMSのシステムコンテキストを示す。
本発明の一実施形態によるHEMSの物理層システム図を示す。
本発明の一実施形態によるHEMSの物理層システム図を示す。
本発明の一実施形態による主な明確化の例を示す。
本発明の態様および実施形態は、したがって、建物内における機器使用パターンの認識を提供する。これは、他の関連のあるエネルギー関連フローとともに、電気、ガスおよび水道の使用に関連するものなどのユーティリティ信号と、可能であれば、他のセンサからの情報(スマートデバイス、および暖房システム/セキュリティシステムの一部のものなど)とを組み合わせることによってもたらされる。各機器または装置のユーティリティ使用パターンは、(a)信号の一次的処理(たとえば、装置の構成要素の組み合わせの典型的な高周波ノイズおよび信号出力の形状)、(b)ワークプロセス(装置への経時的な入力パターン、たとえば食洗機の洗浄および乾燥サイクル)、ならびに(c)ワークフロー(組み合わせた人の装置使用、すなわち洗濯機で衣服を洗濯した後、それらを回転乾燥する、または照明を点灯し、次にTV、次に電気シャワーをつける)によって認識することが可能である。本発明の態様および実施形態は、多くの繰り返し試料における仮説テストにさらされたエネルギー使用パターンの明確化を利用して、進行中のインスタンスに関する統計的仮説を提供する。
HEMSのシステムアーキテクチャは、当該技術分野で知られているように詳細には記載されていない。高レベルにおいて、このことは、(a)特定の建物に位置するハードウェア(センサおよびエフェクタを含む)を実行する処理、(b)インターネット接続、(c)パーソナルデバイス(携帯電話またはタブレットなど)上で動作するアプリケーション、(d)共有中央サーバー(たとえばクラウド)での追加データおよび処理性能、ならびに(e)任意のインターネット接続装置で使用するためのwebベースクライアントの好適な組み合わせとして記載可能である。
HEMSは、統合システムの一部として想定される。原則として、スタンドアロンシステムとして機能するカットダウンバージョンを実装することは可能であるが、これは、全ての概念の全ての値を提供することができず、ローカルHEMSハードウェアは、非常に強力(かつ高価)である必要があるであろう。
特定の実施形態では、クラウドサービスは、特定のHEMSサービスプロバイダによって提供されるプライベートサービスである。これを提供するためのITハードウェアおよびシステムアーキテクチャの設計は、システム設計最適化の問題である。選択されたアーキテクチャは、様々な理由によってプロバイダごとに異なってもよく、ITが発展し続けるにつれて、支配的設計は確実に時間とともに変化する。この詳細は、最適化が、効果的かつ許容可能な費用で必要なサービスを実現させることに成功する限りでなければ、本発明にとって重要ではない。
我々は、したがって、全てのサービスが概念的または仮想的な中央サーバ(バックアップあり)から提供される抽象化を検討する。システムの復元力、容量の最適化、拡張性などについては、アーキテクチャの詳細で説明する。
この中央サーバは、HEMSサービスプロバイダによって、作動または制御され、支払システム(顧客に請求するための)、気象データおよび天気予報、エネルギーマーケット動向などの広いビジネスサービスにもつながるであろう。これらのサービスは、HEMSサービスプロバイダによって、HEMSユーザに提供されるサービスに統合されるであろう。これらのサービスのいくつかは、気象データまたは課金情報の入力など、ユーザが何を見ているかについて明確かつ直接に影響を与えるものがあり、卸売エネルギー市場取引など、それらのいくつかは、通常、ユーザに直接見えることはない。
中央サーバは、以下の1)〜3)をサポートするHEMS全体にサービスの様々なクラスを提供するために使用可能である。
1)ITシステムサービス:ハイパワー処理、データバクアップおよびストレージ、誤った検出、ソフトウェアアップデート、および回復など;これらのサービスは、各HEMSに統合され、中央サーバの非存在下で局所的に提供される必要がある。
2)ビジネスサービス:エネルギー購入および供給、情報購入および統合、メンテナンスサポートおよび保険。
3)本発明の実装実施形態を必要とするものなどの統計的および分析的サービス。
1)ITシステムサービス:ハイパワー処理、データバクアップおよびストレージ、誤った検出、ソフトウェアアップデート、および回復など;これらのサービスは、各HEMSに統合され、中央サーバの非存在下で局所的に提供される必要がある。
2)ビジネスサービス:エネルギー購入および供給、情報購入および統合、メンテナンスサポートおよび保険。
3)本発明の実装実施形態を必要とするものなどの統計的および分析的サービス。
統計的および分析的サービスの主な顧客は、個人のHEMSユーザであるが、以下のような他の潜在的ユーザが存在する。
・政府は、他の国家統計局のデータシリーズと同様の方法で、社会的目的のために集計された統計データにアクセスすることを欲するであろう。
・HEMSサービスプロバイダの供給者および共同供給者は、製品設計およびマーケティング目的のために集計データにアクセスすることを欲するであろう。たとえば、食洗機製造業者は、顧客がそれらの製品をどのように使用しているのか、新製品がサービス中に実際にどのように稼働しているのか、および古い製品の性能および構成要素が時間経過に伴ってどのように悪化するのかを正確知ることを重視するであろう。
・HEMSサービスプロバイダは、同様の方法でそれらの製品を理解するために、集計データを使用する必要があるであろう。
・政府は、HEMSを通じて社会的サービスを提供することを欲するかもしれないが、このことは、個々のサービスの提供であり、提供時点に集められたものではない。たとえば、最低限の快適さと清潔さとを提供し、幸福度を監視するための義務をエネルギサービスプロバイダに課すことができる。このことは、したがって、上述のサービスクラス2に該当するサービスプロバイダのビジネスの一部となるであろう。
・政府は、他の国家統計局のデータシリーズと同様の方法で、社会的目的のために集計された統計データにアクセスすることを欲するであろう。
・HEMSサービスプロバイダの供給者および共同供給者は、製品設計およびマーケティング目的のために集計データにアクセスすることを欲するであろう。たとえば、食洗機製造業者は、顧客がそれらの製品をどのように使用しているのか、新製品がサービス中に実際にどのように稼働しているのか、および古い製品の性能および構成要素が時間経過に伴ってどのように悪化するのかを正確知ることを重視するであろう。
・HEMSサービスプロバイダは、同様の方法でそれらの製品を理解するために、集計データを使用する必要があるであろう。
・政府は、HEMSを通じて社会的サービスを提供することを欲するかもしれないが、このことは、個々のサービスの提供であり、提供時点に集められたものではない。たとえば、最低限の快適さと清潔さとを提供し、幸福度を監視するための義務をエネルギサービスプロバイダに課すことができる。このことは、したがって、上述のサービスクラス2に該当するサービスプロバイダのビジネスの一部となるであろう。
個人ユーザのデータが、サービスプロバイダに完全にアクセス可能であるか否かを決定する必要がある。たとえば、ある携帯電話事業者にとってのセールスポイントは、それらのデバイスが強力な暗号化を提供しているという点であるので、事業者は、電子メールおよび連絡先の詳細などにアクセスすることができない。サービス供給を損なうことなく、どれくらいの保護をHEMSユーザに提供することができるかは、不明であり、詳細な設計の問題となるであろう。
原則として、個人ユーザデータは、ユーザサービスを提供する必要がある場合にのみ、暗号化されていなくてもよい。たとえば、各ユーザのデータバックアップは、ユーザアカウントに関連付けられるのではなく、その特定のユーザに関連付けられたHEMSにのみ知られているコードで関連付けられてもよい。したがって、HEMSは、データにアクセスして、暗号化を解除できるが、他の誰もそれを行うことはできない。HEMSのためのシステムバックアップは、コードを含むが、暗号化されているので、HEMSのハードウェアのみがバックアップにアクセスすることができる。個々のユーザデータは、暗号化されていないが、ユーザに関連付けることができない場所にのみ格納することができる。
これらは、技術的に些細な問題ではない。データの個々の部分を匿名化することによってユーザにプライバシーを提供することは可能であるが、それによって匿名化データセットを、匿名化データのロックを解除する方法で、特定データと共にまとめることが可能であることは周知である。たとえば、仮にHEMSからのデータセットが1000万件あるが、個々のユーザにリンクしていない場合、請求先住所、月間のエネルギー使用量、詳細な地域気象履歴を備えた多くの個人ユーザを特定することができるかもしれない。
消費者保護措置の実施は、この出願ではさらに議論されていないが、コンピュータプログラムに分析タスクを委任した「主要エンジニア」に利用可能である全てのデータのナイーブモデルが、意図されたものではないとの前提が存在する。
消費者保護に関連する最も困難な領域は、地理的近接度である可能性が高い。HEMS分析のいくらかは、たとえば、接近して一緒に住んでいる人々は行動パターンが類似している可能性が高い、または新規の機器は、店舗での貯蔵パターン、および口頭での勧誘によって、集合体において初期に現れるとの先験的確率の評価における地理的情報を用いる。(全国的な新発売、および社会的メディアを通じた推奨の反動は、実際の新発売データに対して考慮される必要があるであろう)。
有利には、収集されたユーティリティデータは、
1)洗濯機、浴槽、シャワー、乾燥器、ヒータなどの機器を用いる、主要ピークユーティリティの使用パターンを特定し、
2)ピークエネルギー使用量がそれほど大きくなくてもエネルギー消費量が大きい、冷蔵庫、投光照明器、スプリンクラーシステムなど長時間稼働する主なユーティリティユーザを特定し、
3)自動換気、給水システム、夕暮れ照明システムなど、HEMSによって管理されない自律システムを特定し、
4)利用率および活動パターンを検出することができるHEMSへの入力を提供するために使用可能である。
1)洗濯機、浴槽、シャワー、乾燥器、ヒータなどの機器を用いる、主要ピークユーティリティの使用パターンを特定し、
2)ピークエネルギー使用量がそれほど大きくなくてもエネルギー消費量が大きい、冷蔵庫、投光照明器、スプリンクラーシステムなど長時間稼働する主なユーティリティユーザを特定し、
3)自動換気、給水システム、夕暮れ照明システムなど、HEMSによって管理されない自律システムを特定し、
4)利用率および活動パターンを検出することができるHEMSへの入力を提供するために使用可能である。
これらの目的は、電気を単一のユーティリティとして過度に強調し、主要なエネルギー使用の特定を、人および自律活動パターンと混同する先行技術において明確に特定されていない。また、従来技術において、機器認識をHEMSの管理機能と統合することは知られていない。したがって、本発明の実施形態は、HEMSによって要求される入力のいくらかが、それに自律的に知られているか、またはこれらを直接に得ることができることを認識する。たとえば、HEMSは、(ガス)ボイラ、また空調システムの状態を知ることができ、またはセキュリティシステムの動きセンサが起動されるか否かを知ることができる。HEMSが、これらのシステムの一部を介して送達することが必要である管理をもたらす場合、この情報は非常に複雑になる可能性がある。たとえば、加熱システムからのデータは、システムの異なる部分における、水温および室温、ボイラ点火データ、ならびに水貯蔵タンク温度を含んでもよい。遠隔制御ガス点火は、温度設定点のデータを共有することができ、スマートテレビは、環境の光レベルを監視し、応答時などにディスプレイの輝度を制御することができる。
本発明の態様および実施形態は、したがって、異なる種類のユーティリティが使用される場所、および住宅/建物の居住者が、それらのユーティリティが使用されているときに何をしているのかを含む、住宅/建物環境の管理および監視に有用である。
ユーティリティが使用されたときはいつでも全ての潜在的活動を検索する場合、実際のシステムを実装するためには計算量が非常に大きくなるであろう。本発明の実施形態は、最も好ましい活動が計算量を減少させ、分析の速度を向上するために最初に比較されるように、先験的ベイズ統計学の使用を通じてこの制限を克服する。
図1は、機器が、HEMS4と相互作用する本発明の実施形態および態様に従ってモジュール/ユニット2をどのように認識するかを示す簡略図である。もちろん、たとえばHEMS4にさらなる入力(予算管理または予定管理モジュールなど)をもたらす他のユニット6は、HEMS4とも通信してもよいが、これらは本明細書において詳細に述べられていない。複数の測定装置10,12,14,16が提供され、このような測定装置10,12,14,16は、現在利用可能な任意の好適な測定装置であるか、または将来利用可能になる可能性がある測定装置である。測定装置10,12,14,16は、以下により詳細に説明するように、HEMS4と電子的に通信する。1以上の機器7も、HEMS4と電子的に通信する。メモリ装置などの記憶装置8も、以下にさらに詳細に説明するように、HEMS4と通信してデータを記憶する。機器認識ユニット2、HEMS4、任意の他のユニット6、記憶装置8、および機器7は、典型的には、住居などの建物または他の建物内に配置される。測定装置10,12,14,16も、ユーティリティが建物にどのように、どこに入るかに応じて、建物内に配置されてもよく、または外部に配置されてもよい。中央データベース8’は、異なる建物における複数のHEMSにサービスを提供するサーバのある建物から離れて提供される。
図1の図は、もっぱら概念的であることを理解されたい。実際には、機器認識ユニット2は、HEMS4自体と統合され、区別できなくともよい(本明細書において単に「システム」と称されることもある)。同様に、記憶装置8は、機器認識ユニット2またはHEMS4のいずれか、または両方と統合され、区別できなくてもよい。さらに、データの実際の配置は、本発明にとって重要ではなく、記憶装置8、および/または中央データベース8’に記憶されてもよい。
図2は、ユーティリティの測定がどのように行われるのかを簡単な形態で示している。費用効率および/または環境/周囲に好適である、たとえば、存在する会計メータなどと統合することができる、測定装置10,12,14,16を選択することが望ましくてもよい。図2の実施形態において、水道測定装置10、ガス測定装置12、および電気測定装置14が提供される。任意に、1以上の他の測定装置16も、たとえば、蒸気、温水/冷水などを測定するために提供されてもよい。しかし、1以上の測定装置は、建物にどのようなユーティリティが提供されるかに応じて選択することができ、図2は、単に典型的な設備の例示である。建物への各ユーティリティの供給は、図2において矢印で表わされる。水は、建物の外部の供給源18から入口20を通って建物に供給され、ガスは、建物の外部の供給源22から入口24を通って建物に供給され、電気は、建物の外部の供給源16から入口26を通って建物に供給され、任意の他のユーティリティは、建物の外部の供給源30から入口28を通って建物に供給される。それぞれの測定装置10,12,14,16は、供給ラインに沿って、建物内に、または適切および/もしくは便利なように外部に配置される。各ユーティリティ(それぞれ水道、ガス、電気など)の少なくとも1つの「特性」を表す電気信号34,36,38,40は、各測定装置10,12,14,16によって提供され、HEMS4に供給される。
各ユーティリティの測定値は、以下の1以上を含んでもよい。
1)単位流量あたりの量(電気は電圧であり、水は一定密度であり、ガスは発熱量であるが、各住宅で測定するには高価すぎ、データは中心点から供給することができる)。
2)流速(電気は電流であり、水は立方メートル/秒であり、ガスは公称立方メートル/秒である)(水およびガスについて、メータは、後続の量が流れたとき、「パルス」を提供する)
3)ノイズ(すなわち、流速の非常に速い変化に含まれる情報)これは、水について屋内でドン、シュー、およびヒューとして聞くことができる。サウンドカードを用いて、電気について同じことをすることができる。ガスは、圧縮することができるので、このカテゴリにおいて有用なデータは存在しない。供給は、外部からのいくらかのノイズを既に含んでいる可能性があることに留意すべきである(たとえば、パイプおよびワイヤの下を移動する)。
1)単位流量あたりの量(電気は電圧であり、水は一定密度であり、ガスは発熱量であるが、各住宅で測定するには高価すぎ、データは中心点から供給することができる)。
2)流速(電気は電流であり、水は立方メートル/秒であり、ガスは公称立方メートル/秒である)(水およびガスについて、メータは、後続の量が流れたとき、「パルス」を提供する)
3)ノイズ(すなわち、流速の非常に速い変化に含まれる情報)これは、水について屋内でドン、シュー、およびヒューとして聞くことができる。サウンドカードを用いて、電気について同じことをすることができる。ガスは、圧縮することができるので、このカテゴリにおいて有用なデータは存在しない。供給は、外部からのいくらかのノイズを既に含んでいる可能性があることに留意すべきである(たとえば、パイプおよびワイヤの下を移動する)。
電気は、時間とともに電圧が変化する点で普通ではない(50Hz公称主電源周波数)。したがって、「位相角」における負荷に関する追加の情報が存在し、その量だけ、電流は、電圧に先行または遅れる。図9bは、有効電力および無効電力を計算するためにどのように位相角ファイが使用されるかを示す。これらの電力は、別々に加算され、装置を特定することを可能にする。
管理可能な数字を得るために、ノイズは、周波数範囲または周波数値域で「音」レベルとして扱われる。
使用されるビットおよびチップセットの数は、両者とも測定装置における信号処理能力の点、後者は何が起こっているかを決定する際の数学的問題のサイズに関して、費用便益分析に基づいて決定されることは注目に値する。標準的な16ビットチップセットが使用される場合、それらは妥当な費用で得ることができる。より長いワード長の費用は非常に高いが、そのようなワード長は、さらなる情報を生み出す可能性がある。この場合、HEMSが必要な問題を解決するために非常に長い時間がかかるので、費用と複雑さとの間にトレードオフ関係が存在する。いくつかの実施形態において、16ビットの全分解能未満が採用されてもよい。他の実施形態において、24ビットチップセットが採用されてもよい。
信号が各ユーティリティについて平均されてもよい時間の長さに関して、一般的に、我々は、かなり速く起こる事象(照明の切換え、流しへの移動、蛇口をひねって水を出すなど)を識別することを試みた。データ圧縮は、あまり生じていないデータを保存することを可能にするので、実際のデータを有するために(すなわち、何らかの変化に気付くために)十分に短い時間間隔にわたって信号を測定することが目的である。機器のスイッチ切換え、またはバルブ(たとえば、蛇口)の開閉などの事象が、約1秒間のタイムスケールで価値のある十分な情報を生じることが予測される。ガスは圧縮可能であるので、ガスに関連する信号は、平滑化され、10秒毎に1回よりも高頻度でガス信号をサンプリングする価値はないであろう。サンプリングが10秒ごとよりも低頻度である場合、ユーザが、キッチンに入った後にガスこんろを作動させるためにどれくらいの時間がかかるかを決定することができないかもしれない。また、10秒は、可能であるよりも短くてもよく、または必要とされるよりも短くてもよいが、このようなサンプリング割合で収集されたデータの量は、過剰ではないであろう。
全ての測定値は、IT(すなわち、処理ハードウェア)の数学と、物理学との両方によって量子化されることを理解されたい。たとえば、パイを小数点以下の任意の桁数で計算することは可能であるが、16ビットワードは、十進数を限られた精度でしかもたらさない。より長いワードであっても、センサおよびデジタル変換器の類似物のノイズ特性に対する信号の強調、ならびに装置のドリフトまたは再現性は、測定値を報告するために有益である正確性を制限するであろう。問題は、どれくらい小さな変化を測定することができるかである。概念的には、我々は、システムを有限状態マルコフ連鎖として表わすことができる。すなわち、システムは、ある時点における測定値の有限個の測定値のセットのみ(非常に大きい)を有し、システムは、測定時ステップにおいてある状態から次の状態に移行する(我々のマルコフ連鎖において定義された遷移)。このことは、ある期間にわたる追加状態のセットとして機器使用パターンの認識を可能にする(たとえば、点灯し、続いて食洗機が始動する)。システムの過剰なサイズ(データの観点から)を防ぐために、状態の数は、したがって、制限されるべきである。
温度測定に関して、低コストデジタルセンサ(たとえば、DS18B20)は、12ビットまでの中程度の精度まで温度を報告することができる。これは、センサが、0.0625℃ずつ温度を報告することを可能にする(精度)。作動範囲は、−55〜+125℃までである。精度は、−10〜+85℃の範囲内において0.5℃であり、再現性は、精度とほぼ同じ値であると推定される。したがって、今日、センサが、昨日の21.1℃と同じ21.1℃を報告した場合、2つのセンサは、片方が21.1℃を報告し、他方が21.6℃を報告した場合と同じであるとみなされる(それらは、さらに較正されてもよいが)。建物の物理的特性のために、約0.1℃の温度精度、約0.2〜0.5℃の再現性、および約1℃の精度が望ましいので、上述の種類のセンサが適しているであろう。
様々なユーティリティは、ユーティリティが建物に入ったり、または提供されたりする際に情報を提供するために測定することができる様々なユーティリティ「特性」によって特徴付けられる。信号34,36,38,40は、複数の「信号チャネル」または「測定チャネル」を含んでもよく、それぞれは、個々の、または予め定められたユーティリティ特性の組み合わせに関する。すなわち、消費される水量を特徴付ける特性は、ガス、電気、または他のユーティリティに関するものとは異なるであろう。
たとえば、水を表す特性は、体積流量データと、実質的に60Hz〜44kHzの範囲の周波数範囲のカラースペクトルとを含む。(本明細書における色は、60Hz〜44kHzの範囲内の信号レベルに関するノイズデータのセット、すなわち周波数プロファイルを記載するための省略表現として使用される。)この範囲は、測定装置10において見出されるように、主周波数をわずかに超える周波数から16ビットチップセットの通常の限界までの周波数を表す。44kHzを超える周波数における信号を監視することは排除されないが、このことは、費用を増大させる。水流の色は、センサ費用を減少させるために、主流信号の分析によるよりも、有利には、「マイクロホン」型のセンサに由来してもよい。収集されたデータは、典型的には、約1秒間にわたって平均される。すなわち、フローイベントは、1秒の精度で時間的に特定することができる。しかし、必要に応じて、たとえば、約0.5秒、1.5秒、2.0秒の異なる精度を使用することができることが理解されるであろう。
ガスは、約10秒の分解能でエネルギー流量データのみを必要とするので、ユーティリティ事象は、この時間分解能で全てのユーティリティについて整合可能である。また、たとえば、5秒、6秒、7秒、8、8.5秒、9秒、9.5秒、10.5秒、11秒、11.5秒、12秒、13秒、14秒、15秒などの様々な分解能が採用されてもよい。
電気は、1秒の分解能で、RMS電圧、有効電力、無効電力、および色など、最も複雑な信号出力を有している。必要であれば、たとえば、約0.5秒、1.5秒、2.0秒の異なる精度を使用することができることを理解されたい。
測定される各ユーティリティについて、測定装置10,12,14,16は、ユーティリティの特性を表す1以上のデジタル化された信号を生じる。電気および水流の流入は、一過性の変化が生じるときに情報を取得するために、高い時間分解能(たとえば、1秒)を有することが好ましい。ガス(または油)流量は、しかし、低い分解能(たとえば、10秒)においてのみ必要とされる。なぜなら、これは、使用イベントを検出するために十分であるからである。
他のユーティリティは、それらが建物内のエネルギー使用に影響を与える場所を測定することもできる。最も可能性のある追加ユーティリティ、または代替ユーティリティは、蒸気、温水、および冷水である。これらのユーティリティを扱う大部分のシステムの熱量が大きいと、色は、信号の可視可能なセットを提供しないようであり、約10秒の分解能で十分であるようである。入口温度、出口温度、およびエネルギー流量は、熱水および冷水を測定するために最も有益なパラメータであってもよい。入口蒸気流量、温度、および圧力、ならびに凝縮液温度は、蒸気供給のための最も重要なパラメータであってもよい。
それらの標準的な作動モードに従って、「一次」測定装置10,12,14は、瞬時値として、対応する測定信号34,36,38を生じ、採取期間にわたって平均され、たとえば、電気、または水道について約1秒であり、他の「二次」ユーティリティについてよりも少ない。(信号40を生じるために測定装置16によって測定された「二次」ユーティリティは、本明細書においてさらに具体的に説明されないが、それらに由来するデータは、記載されたような、ガス、水および電気データの処理に類似する方法で収集し、処理することができる。)測定値は、周波数値域において信号レベルとして提供され、その幅は、数学的に論理的な信号対雑音比を提供するように選択することができる。
信号34,36,38を受けると、HEMS4は、
1)各測定が依拠する周波数値域に対応するスタンプデータブロックを計り、
2)全ての生データを、たとえば、1日のデータのその作業記憶に移し(記憶ユニット8、または中央データベース8’のいずれか、または両方)、
3)データの無損失圧縮を実行し、それを記憶する(記憶ユニット8または中央データベース8’のいずれか、または両方)。
1)各測定が依拠する周波数値域に対応するスタンプデータブロックを計り、
2)全ての生データを、たとえば、1日のデータのその作業記憶に移し(記憶ユニット8、または中央データベース8’のいずれか、または両方)、
3)データの無損失圧縮を実行し、それを記憶する(記憶ユニット8または中央データベース8’のいずれか、または両方)。
本発明の第一態様の重要な特徴は、所定の時間間隔で出力信号34,36,38のそれぞれの「状態」における変化を監視することである。言い換えれば、有限状態分析が、各信号34,36,38に実行される。一実施形態において、ユーティリティデータは、システムの連続状態のマルコフ連鎖として概念化される。言い換えれば、システム(すなわち、機器認識モジュール2を含むHEMS4)は、以前の各期間における状態と同じままであるか否か、またはそれが変化するか否かを決定するために、個別の測定チャネルを経時的に監視する。期間は、上述のように各ユーティリティのために、選択された、または予め定められた分解能によって検出される。システムは、検出された信号34,36,28を、測定範囲内の量子化状態と個々の測定チャネルの時間分解能とのセットとして処理することによって、これらの変化を検出する。このことは、図3に例示されている。
本明細書において、時間ステップn(すなわち、水平軸に沿って記載されたtn)において、信号チャネル34,36,38は、影付きボックスによって示される縦軸の範囲内にある。これは、RminからRmaxの信号範囲内にあり、一連の測定状態に分割される。これらのボックス(すなわち、データブロック)のそれぞれのサイズは、
1)信号デジタル化の、分解能、精度、または許容誤差によって示される範囲、
2)設計および較正結果によって確立された測定システムの再現性、および
3)所定の信号対雑音比(以下に説明される)をもたらすために十分なもののうちのより大きなものである。
1)信号デジタル化の、分解能、精度、または許容誤差によって示される範囲、
2)設計および較正結果によって確立された測定システムの再現性、および
3)所定の信号対雑音比(以下に説明される)をもたらすために十分なもののうちのより大きなものである。
測定装置10,12,14,16は、それらの全測定範囲にわたって完全な線形応答を有する可能性は低く、それ自体で、任意の1つのチャネルボックスは、異なるサイズである可能性が高い。しかしながら、簡略化のために、図3の例は、等しいサイズのボックスを示す。
上記に列挙された最初の2つの基準は、初期段階、たとえば建物内の設置時にシステムにプログラムされ、3つめは、初期の学習期間後に評価され、その後、継続的なシステム学習に基づいて、時間とともに再較正される。測定チャネルにバックグラウンドノイズを設定するには、様々な方法が存在する。1つのアプローチは、たとえば2〜3日の試行期間にわたって各チャネルの状態遷移を分割し、所定の閾値に従って、最小遷移の50%(ヌル遷移を含む)をノイズを表すとして、他の50%を信号を表す(ヌル遷移を含む)として取得することである。全てのユーティリティ測定装置は、(ノイズが問題となる可能性が低いガスを除いて)1以上の信号チャネルを生じる可能性があるので、チャネルの信号およびノイズは、1つのチャネルにおける任意の推定信号が、少なくとも1つの他のチャネルの推定信号に付随するように比較される。これが当てはまらない場合、最初に推定された非ヌル遷移の最少90%は、ノイズとして再分類される。ボックスの境界は、上記の規則が満たされるまで、各測定装置10,12,14,16のチャネルにわたって再帰的に調整される。任意のチャネルの有限状態が著しく少ない(たとえば、測定装置の固有の特性から予期される数の85%未満である)場合、HEMS4ログにレポートが作成される。ノイズの多いチャネルの潜在的原因は、(a)測定装置10,12,14,16の故障、(b)一定動作における機器7のノイズ構成要素、および(c)ユーティリティ供給源からのノイズ注入である。これらの状況のそれぞれは、本発明の実施形態に対する課題と、維持管理を必要とする潜在的欠陥とを表し、ある期間にわたって多くのインストールされたHEMS4から収集されたシグネチャ分析に基づいて自動化可能である分析工程から始まるが、初めに人間の分析を必要とする。システムは、このノイズ分析を、定期的に、名目上、たとえば週一回実施する。
時間ステップn+1において、すなわち図3のtn+1において、状態変化が存在し、チャネル信号は4つの工程に変化した。このことによって示される仮説は、信号34,38,または28が、第1ボックスの中央(ボックスの高さによって示される再現性範囲を有する)から第2ボックスの中央まで変化したというものである。
水平軸の時間ステップは、好ましくは、上述されたように予め定められた等しい時間ステップ、たとえば、1秒、10秒である。図3においてRminからRmaxによって示される信号範囲は、単一チャネル、たとえば電力を表す。
この方法で集められた最近のデータ、たとえば、マルコフ連鎖の最後の24時間は、作業記憶(たとえば、記憶ユニット8)に保存されてもよく、古いデータは、データストアに送られてもよい(たとえば、中央記憶ユニット8’)。その代わりに、HEMS4は、作業記憶における履歴データを保持してもよく、追加データをデータストア8’に送ってもよい。
いくつかの、全てではなくても、機器は、所定のパターン、またはユーティリティ/エネルギー使用シグネチャで水道および電気を使用する。たとえば、食洗機は、ユーザが選択可能な多くの設定を有しているであろうが、所定の時間に所定の温度でそれが行われるそれぞれのサイクル(洗浄、すすぎなど)は、設定が選択されるたびに同じである。エネルギー使用パターンは、機器モデルの間、および製造業者などの間で変化するかもしれないが、特定の機器/モデルについて予期されるユーティリティ(水、ガス)シグネチャを知ることは可能である。これを基礎にして、全ての機器が水を使用するわけではなく、水道の使用および/または電気の使用の指標、ならびにガスの使用があればガスの指標を探し、これらの使用が様々な機器について既知のパターンに適合するか否かは、機器の認識/特定を可能にする。別の重要なパターンは、照明に関するパターンである。照明についてのエネルギーシグネチャは認識可能であり、使用される照明の特定は、機器が使用されている建物の部屋を特定する。この情報は、可能な代替説明の間の明確化を補助するために使用することができる(すなわち、どの機器が測定された信号を生じる可能性があるか調べるか、または仮説を立てるために、水、電気、および/またはガス使用信号の測定された組み合わせを、様々な機器のユーティリティ使用の組み合わせ特性の既知のシグネチャと比較することができる)。
建物内のエネルギー/機器使用の監視から得られる情報は、建物の居住者がどのように様々な機器7を使用するかについて推測するために使用することができ、HEMS4/機器認識モジュール2は、測定されたデータが何を意味するか理解するために、仮説を規定し、検討することができる。
たとえば、毎朝早くに、照明が点灯され、その部屋で水道および電気が使用され、続いて照明が消灯され、電気が別の部屋で使用されることが知られている場合、人が、浴室に移動してシャワーを浴び、続いて寝室に移動し、髪をヘアドライヤで乾かしたと仮説を立てることができる。様々な場所および様々な時間における様々なエネルギーシグネチャの組み合わせは、どの機器が使用されているかの指標、およびそれらの機器の使用における人の活動の指標が提供される。このことは、機器と建物内の機器の使用との特定を可能にする。毎朝、上述の処理が実行された直後に、以前に未知の電気エネルギ信号が検出された場合、人がヘアーストレートナーを購入し、髪をまっすぐにしたとさらに仮説を立てることができるであろう。また、他の情報源からの情報は、仮説の発展に使用することができ、たとえば、湿度の相対的上昇に続いて低下を検出したセンサは、浴室における機器使用の仮説をさらに支持するであろう。
機器認識モジュール2は、
1)建物内に誰がいるか、および彼らが最後に検出された部屋についての仮説、
2)居住者の個人的詳細と、彼らの過去のワークフローパターンとへのアクセス(詳細は後述する)、
3)建物レイアウト情報と、システム設定プロセスからの分析された建物測定データとへのアクセス、ならびに
4)機器7に接続されたHEMSと、それらの制御状態とについての情報についてHEMS4から入力を受ける。
1)建物内に誰がいるか、および彼らが最後に検出された部屋についての仮説、
2)居住者の個人的詳細と、彼らの過去のワークフローパターンとへのアクセス(詳細は後述する)、
3)建物レイアウト情報と、システム設定プロセスからの分析された建物測定データとへのアクセス、ならびに
4)機器7に接続されたHEMSと、それらの制御状態とについての情報についてHEMS4から入力を受ける。
これは、図4に例示されており、建物内のユーティリティ使用について仮説がどのように立てられるかを要約している。ワークフロー(機器7自体によって実行されるユーティリティ処理、および一連の人の挙動、すなわちどのように、いつ機器が使用されるか)、およびこれらの活動の頻度は、建物もしくは世帯の特性、または世帯内の個人の特性である。機器認識モジュール2は、建物内で以前に特定された、機器または装置7の特定パターンを分析するために、本質的に、ユーティリティ使用活動を監視している。
特に、未特定パターンに関して、過去の検討プロセスが存在する。これは、ユーティリティ使用パターンの因果関係に関する代替的仮説を立て、ユーティリティ使用繰り返しパターンに関する情報を使用して、参照機器/装置に合うそれらの可能性を、試験の組み合わせが統計的に重要な明確化を提供するまで調べる。地理的情報などの他の情報、または建物内で使用される他のセンサからのさらなる情報は、機器7を特定することを補助するために利用されてもよい。したがって、ワークフロー、ワークプロセス、機器、および/または機器の構成要素から仮説的に生じる機器使用パターンに関連した「先験的確率」、たとえば先験的ベイズ確率は、監視される特定の建物と同一の地理的領域にある他の建物からこれらの項目の中央履歴データベースを参照することによって修飾することができる。先験的確率は、問題の建物に密接した建物がさらに離れている建物よりもそれを表す傾向があるとの仮説に基づいて、遠隔記憶装置8’に保持された中央データベース内の特定の関係を調べることによって決定することができる。十分なデータは、距離との関係に基づいて確実な仮説を提供するために選択される(たとえば、疑似2次元平面における不均一性を仮定する)。一実施形態において、たとえば、システムの導入エンジニア、またはシステムのユーザによるユーザ入力は、先験的確率の決定において中央データに組み合わせることができる。別の実施形態において、HEMS4の、導入、設定および作動を通じて収集された他の情報は、先験的確率入力に寄与する。
さらに、機器の監視によってもたらされた情報は、限定されるものではないが、二次加熱機器および二次冷却機器、ならびに環境管理の目的でのそれらの使用の特定と、建物内のユーティリティ使用の計算および機器7へのその割り当てと、予算編成および資源最適化のためのワークプロセスおよびワークフローと、管理最適化の目的のための利用率パターンの特定と、居住者の快適さおよび状態における隠れマルコフ変更を特定する目的のための挙動パターンの特定とを含む、HEMS4の他のモジュール/ユニット6への入力として使用することができる。また、建物内における機器7の使用および性能のデータを収集することは、それらの信頼性、使用パターン、達成効率などについて、価値のある一般情報を、機器製造業者、基準設定者、および監視者に提供することを可能にする。
本発明の態様および実施形態は、したがって、典型的な装置パターンを表す先行(記憶された)入力データの組み合わせと、ワークフローに対する個々の建物内の明確化と、ワークプロセスの多くの建物の明確化とに依存する。導入されたHEMSの十分な大きさの集団によって、中央サーバ(またはそこにリンクされた管理モジュール)が、市場への新規装置の参入を特定することを可能にし、追加調査の価値について重要な決定を可能にする(たとえば、各HEMSから収集されたデータを用いて、システムは、たとえばインターネットを使用して、新規装置の外的証拠を探してもよい)。大規模なユーティリティ使用装置/機器のシグネチャは、区別可能である可能性が高い。たとえば、ガスストーブおよびファンヒータは、説明できない熱を放出し、回転乾燥器およびシャワーは、大量の電気を使用するが、一方のみが水道などを使用する。新規装置、ワークプロセス、およびワークフローは、建物内で使用中であることを認識可能であることに加えて、パターン認識は、故障の発生、および性能の劣化を認識する可能性がある。中央サーバは、したがって、この情報を製造業者と共有することができる。
機器使用は、図5に例示されるような階層によって記載される。建物内の各機器7は、本発明に関連する多くの構成要素から構成される。たとえば、冷蔵庫は、特に、内部照明を作動させるドアスイッチと、コンプレッサを作動させるサーモスタットとを有する。HEMS4は、一連の「ワークプロセス」を実行可能である一連の構成要素からなる機器のデータベースに供給される。例示的な冷蔵庫の場合、ドアを開き、内容物を冷却するという2つのワークプロセスが存在する。この実施形態において「構成要素動作」は、したがって、ドアスイッチ、内部照明、サーモスタット、またはコンプレッサの動作である。人によって開始される全ての工程、たとえば冷蔵庫のドアの開放は、「ワークフロー」として示される。本発明の態様および実施形態は、したがって、機器使用、および人の活動の両方の点で、「隠れた状態」を検出し、認識すること利用する。
HEMSのサービスプロバイダによって(中央サーバを介して)操作される多くのHEMSのセットにおける各個々のHEMSは、図5に関して上述されたように、特定の建物内の機器のデータによって作動する。これらの機器は、以下のように、認識され、グループ化されてもよい。
1)そのネットワーク接続によってそれ自体を申告するスマート機器、またはOEMによってHEMSプロバイダに供給され、個々のHEMSによって使用される機器ディスクリプションから認識される機器。
2)個々のHEMSに由来するデータの一致の結果として中央サーバによって認識される機器。
3)中央サーバデータベースにおける機器に一致させることができないが、機器のクラス(たとえば、洗濯機)に適合する未知の機器。
4)機器のクラスに明白に指定することができない未知の機器。このカテゴリは、機器のクラスに指定することができない(機器の)未知の構成要素も含む。個々のHEMSによって、または中央サーバによって機器に指定することができない既知の構成要素は、中央データベースに記録されてもよいが、これを行う追加価値およびリスクは不明であり、主な焦点は、HEMSが特定した機器である。このことが重要であると思われる唯一の構成要素クラスは、照明の個々の要素、すなわち「電球」である。
1)そのネットワーク接続によってそれ自体を申告するスマート機器、またはOEMによってHEMSプロバイダに供給され、個々のHEMSによって使用される機器ディスクリプションから認識される機器。
2)個々のHEMSに由来するデータの一致の結果として中央サーバによって認識される機器。
3)中央サーバデータベースにおける機器に一致させることができないが、機器のクラス(たとえば、洗濯機)に適合する未知の機器。
4)機器のクラスに明白に指定することができない未知の機器。このカテゴリは、機器のクラスに指定することができない(機器の)未知の構成要素も含む。個々のHEMSによって、または中央サーバによって機器に指定することができない既知の構成要素は、中央データベースに記録されてもよいが、これを行う追加価値およびリスクは不明であり、主な焦点は、HEMSが特定した機器である。このことが重要であると思われる唯一の構成要素クラスは、照明の個々の要素、すなわち「電球」である。
各HEMSは、機器または構成要素クラスに明白に指定することができないユーティリティ使用を有してもよく、たとえば、主電源式煙感知器と無線ルータとは、システムがそれらについて収集することができる非常に限られたデータから検出することは困難であろう。HEMSの主な目的(人間の占有パターンを捕捉し、ユーティリティ使用を分析および制御するため)を考慮すると、バックグラウンドの電気使用の明確化は、重要ではない。仮にある人が実際に興味をもっている場合、順番に各機器の接続を切断し、その電力消費を確認することができる。しかし、ユーザの5%未満が、それを実行することを望んでいると予想され、それを可能にするために計画を立てることは容易である。
個々のHEMSおよび中央サーバは、連携して機器のデータを認識および収集する。中央データベースは、上述のグループ(3)の全てのインスタンスを記録および追跡し、それらをグループ(2)に変換することを試みる。
・多次元位相空間における既知のクラスの全ての未知の(全てのHEMSにわたる)機器の特性をクラスタ化することによって(次元は、当業者に親しみのある数学的手法を用いて、最も簡潔でロバストな方法でインスタンス間の相違を表すように選択される)。
・同じクラスにおける既知の機器の特性を用いて、特性パラメータのそのクラスの機器のインスタンスの典型的な分散は、個々のインスタンスのクラスタが固有の機器を表すとの仮説を試験するために使用することができる。
・インスタンスが地理的な場所にクラスタ化され、全て新しく導入されている場合、機器は、市場においておそらく新規であるとフラグを付され、システム管理者(人間)に報告される。
・インスタンスが既に導入されていることが見出された大部分の場合、機器は、既知であるが、関連クラスの未特定機器として登録され、システム管理者にフラグ付けされる。もちろん、いくつかは、グループ(3)のままである。
・多次元位相空間における既知のクラスの全ての未知の(全てのHEMSにわたる)機器の特性をクラスタ化することによって(次元は、当業者に親しみのある数学的手法を用いて、最も簡潔でロバストな方法でインスタンス間の相違を表すように選択される)。
・同じクラスにおける既知の機器の特性を用いて、特性パラメータのそのクラスの機器のインスタンスの典型的な分散は、個々のインスタンスのクラスタが固有の機器を表すとの仮説を試験するために使用することができる。
・インスタンスが地理的な場所にクラスタ化され、全て新しく導入されている場合、機器は、市場においておそらく新規であるとフラグを付され、システム管理者(人間)に報告される。
・インスタンスが既に導入されていることが見出された大部分の場合、機器は、既知であるが、関連クラスの未特定機器として登録され、システム管理者にフラグ付けされる。もちろん、いくつかは、グループ(3)のままである。
グループ(1)および(2)における機器を特定するために、個々のHEMSが中央データベースを使用することによるプロセスは、本明細書に詳細に記載されている。本質的に、機器の特性は、上述のクラスタ化と同様の方法で、適合の良好性について既知の機器に比較される。HEMSユーザからの設定および応答において収集されるデータなどの他の手掛かりは、確率を向上させるために使用することができる。このことを実施するために、中央データベースは、設定工程において、およびユーザ入力(たとえば、製品コードの文字ミスタイピングによってもたらされる)から機器の誤認識のエラー率に関する頻度データを収集する。
グループ(1)および(2)における機器について、中央サーバは、各機器のデータを収集し、機器のクラスに基づいてグループ化する。このデータは、誤作動および悪化の割合に関するデータを含む。この状況監視データは、以下を支援する。
・ 機器製造業者へのサービスの提供。
・ 最終置換を行うためのサービスを含む、HEMSユーザへのメンテナンスサービスの提供。
・ 機器が正しく機能していない新しいHEMSに既に導入された機器の認識。
・ 機器製造業者へのサービスの提供。
・ 最終置換を行うためのサービスを含む、HEMSユーザへのメンテナンスサービスの提供。
・ 機器が正しく機能していない新しいHEMSに既に導入された機器の認識。
クラスタ化のレベルは、位相空間の相違の程度に依存する。機器は、同一のモデル番号を有するが、構成要素が異なり(たとえばモータが異なる)、インスタンスは、相違が、機器レベルで2つのクラスタを生じる場合にのみ、別々に表示される。同様に、機器が1以上のモデル番号を有するが1つのクラスタのみである場合、異なるモデル、またはビルド番号は、同一の機器として示される。異なるプラグ、または異なる色のパネルを有することは、人間の挙動、ユーティリティ使用およびワークプロセスの点で機器の必須の特性を変化させない。
HEMSが最初に導入されたとき、または新しい機器が検出されたときのいずれかにおいて、個々のHEMSは、機器を認識するために中央サーバデータを使用することができる。各機器のクラスのパラメータは、クラス継承によって導出され、パラメータ値の分布における実際のデータを用いて集められた各機器の特性をとともに、その機器のクラスについて既知の構成要素およびワークプロセスを中心に構成される。
以前に特定された機器が、パラメータの統計的に異常な値に移る、または急変する場合、潜在的な故障状態がフラグ化される。時間の経過に伴って、メンテナンス技術者からのフィードバックは、一般的な故障状態を特定するために使用することができるので、それらをパラメータ値から認識することができる。これは、故障前のパターンを認識可能である場合、初期の故障について特に有用である。
新しい機器が認識されないが、それが存在したという証拠が存在する場合、システムは、故障診断をすることもできる。たとえば、ユーザが、新しい洗濯機を購入する。HEMSは、新しい洗濯機を認識するが、型式を認識しない。特定のユーザは、HEMSとの高レベルのダイアログを維持し、型式番号を提供する。ポストホック確率は、既知の故障状態のそのモデルを認識可能である。ユーザにそれが故障していることを伝えることができる。このことは、型式番号なしでは実施することができない。なぜなら、明らかに、旧モデルの許容差はずれの例として現れるマイナーモデルアップグレードの可能性があるからである。機器の製造業者は、ユーザからの故障報告を避けるために、ビルド番号もしくはモデル番号を指定し、または機器データの提供をトレーニングする必要があり得る。
機器を認識することができる特性パラメータに加えて、HEMSおよび中央サーバは、機器使用データも収集する。原則として、HEMSは、居住者についても知っており、使用パターンを居住者特性と相関させることも可能である。これは、明確化のための先験的確率に追加することができるが、位置データを使用することについていくらかの消費者保護リスクを明らかに有する。機器使用データは、以下のために使用することができる。
・同様の他人と比較された消費者の使用について、ベンチマークデータを消費者に提供する。
・それらの機器の使用について、製造業者にデータを提供する。たとえば、洗濯機の洗浄サイクルの使用頻度の分布が何であるか、およびそれが他の使用パラメータにどのように関連するか。
・異なる機器クラスの総使用について、政策立案者にデータを提供する。たとえば、どれくらいのエネルギーが洗浄および乾燥に使用されるか、このことが機器設計にどのように関連するか。
・この一例は、冷凍庫の位置が、固有の効率とは対照的にそのエネルギ使用をどの程度決定するのかということである。
また、HEMSは、機器使用データを、サービス製品の設計および送達に統合することができる。我々は、サービスの間に見出された故障が中央データベースにフィードバックされ、初期の故障が、予防メンテナンス訪問を計画することを可能にする例を以前に示した。経過した時間だけでなく、使用に基づいてメンテナンスを計画することができる、近代的自動車のものと同様の設備も実現可能であり、このデータの全ては、機器の設計に提供することができ、保険およびメンテナンス契約などのサービス製品にも提供することができる。
・同様の他人と比較された消費者の使用について、ベンチマークデータを消費者に提供する。
・それらの機器の使用について、製造業者にデータを提供する。たとえば、洗濯機の洗浄サイクルの使用頻度の分布が何であるか、およびそれが他の使用パラメータにどのように関連するか。
・異なる機器クラスの総使用について、政策立案者にデータを提供する。たとえば、どれくらいのエネルギーが洗浄および乾燥に使用されるか、このことが機器設計にどのように関連するか。
・この一例は、冷凍庫の位置が、固有の効率とは対照的にそのエネルギ使用をどの程度決定するのかということである。
また、HEMSは、機器使用データを、サービス製品の設計および送達に統合することができる。我々は、サービスの間に見出された故障が中央データベースにフィードバックされ、初期の故障が、予防メンテナンス訪問を計画することを可能にする例を以前に示した。経過した時間だけでなく、使用に基づいてメンテナンスを計画することができる、近代的自動車のものと同様の設備も実現可能であり、このデータの全ては、機器の設計に提供することができ、保険およびメンテナンス契約などのサービス製品にも提供することができる。
典型的な装置/機器を表す記憶されたデータの生成に関して、機器、またはこれらの機器の構成要素は、コンピュータメタ言語で記載および記述することができる。クラス継承は、機器を表すデータを生成するタスクを減らすために使用することができる。ある機器は、クラスをメタ言語でインスタンスを作ることによって特性を記載することができる時系列パターンのセットにおけるユーティリティを使用する構成要素動作を利用するワークプロセスのセットからなる。
図6に示されるように、食洗機の例について、製品のディスクリプションを供給することを望む製造業者は、特定のモデルおよびビルドについて、どの構成要素50を利用するかを定義するメタ言語で定義を作成するであろう。個々の洗浄プログラムサイクルは、ワークプロセス52であり、ヒータ、ポンプなどの要素は、構成要素50である。ユーザ活動58は、汚れた皿で機器を満たし、電源をオンにし、プログラムを選択して開始し(たとえば、ワークプロセス52)、続いて電源をオフにし、皿を移すことを必要とするが、これらの工程の多くは、順番に依存しないことが理解される。もちろん、実際の、電気使用54シグネチャおよび水道使用56シグネチャは、選択されたワークプロセス52(すなわち、プログラム)に依存する。
特定モデルビルドは、HEMS開発者によって発表された食洗機の一般的なクラスを、特定のユーティリティ用途特性(たとえば、電気使用54および水道使用56)を有する多様な食洗機にインスタンス化し、次にプログラムおよび構成要素の規定されたセットを有する特定モデルにインスタンス化し、最後に使用される構成要素の正確な定義を有する特定のビルドにインスタンス化し、構成要素におけるデフォルトパラメータのいくつかを特定の値で上書きすることによって導入することができた。
このアプローチの好ましい例では、製造業者は、構成要素のシグネチャを用いるユーティリティのパラメータ分布、製造された機器のワークプロセス、および経時的なエージング機能とともに機器を供給する。製造業者は、製造された各機器のシグネチャを測定し、機器にそれを供給することによって価値を追加することができる。ある構成要素、電球などでは、定義され、良好に分散した変化をシグネチャに生み出すために、製造プロセスを意図的に使用することに付加価値が存在するので、建物内の各電球は、電力のわずかな変動の組み合わせによって区別することができる。なぜなら、区別できない特性を有する2つのバルブを有する可能性は、無視することができるほど先験的に低いからである。このアプローチがなくても、中央データベースは、機器の認識を向上させるために使用することができる構成要素分布の情報が含まれる。
メタ言語は、コンパイルおよび演算の両方の点で、式および条件節を用いてインスタンスを作ることが可能であるべきである。言語は、パラメトリック的関係およびアルゴリズム的関係の両方を表してもよい。メタ言語の規則は、(複雑な演算を記載することができるように)多くの潜在的ディスクリプションと、(現在には存在しない将来の構成要素と、プロセスの将来を見越すために)拡張性とを提供する。クラスディスクリプションの最上位は、ワークフロー、ワークプロセス、構成要素、ならびに機器を表す、ワークプロセスと構成要素との結合を記載する。ディスクリプションのセットなどを実装するために使用することができる多くの既存のコンピュータ言語が存在する。
ワークフローは、それらの特性、つまり、自然言語ディスクリプション(関連する場合)、各ワークプロセスのパラメータ、およびワークフローの各工程の間の時間分布を決定する個々の居住者の入力を伴うワークプロセスの時系列を表す。機器認識モジュール2は、個々の居住者にワークフローを割り当てることはないが、HEMS4の他のモジュール6は、個々の居住者の特性、または割り当てられていないプールの一部としてワークフローのインスタンスにタグを付してもよい。
居住者主導型のワークフローに加えて、冷蔵庫コンプレッサのスイッチを入れる、スプリンクラーシステムの作動、または夜間のセキュリティ照明の作動などの、自律的なワークフローも存在する。これらのワークフローは、隠れ状態変数(たとえば、冷蔵庫の内部温度)のためのセンサであるか、またはHEMS4によって潜在的に推定可能(たとえば、屋外の光レベル、または時刻)な構成要素に結び付けることができる。
適切なレベルで詳細に機器7を記載することは、相当なスキルと経験とが必要である。たとえば、例示的な食洗機は、ドアが開かれた場合に、プログラムを中断するスイッチを有する可能性が高い。一実施形態において、HEMS4は、この事象を検出し、通常の運転から区別することができる。ドアが閉められたときに食洗機が再始動する場合、続いて、対応するシグネチャは、メタ言語で記載される。負荷を監視するためのセンサを使用する、洗濯機または電子レンジは、構成要素動作およびパラメータ値の所定の時系列に従うものよりもワークプロセスパラメータのより広い変化を有する。
HEMS4によって操作可能である、ボイラおよびその関連構成要素などの機器7は、導入時に構成することが可能であり、HEMS4は、その制御入力の現在の状態を機器認識モジュール2に通知する。また、HEMS4は、スマート機器(図に示されていない)に接続されてもよく、当該スマート機器は、HEMS4に対して、それら自身とそれらの状況とを特定することが可能である。これらの機器7は、ユーザ入力を検出する可能性とは別に、HEMS4制御機器7と同様に扱うことが可能である。
図12aは、本発明の実施形態に係るHEMS4の物理層システム図を示す。したがって、HEMS4は、多くのローカル通信インターフェース60(Bluetooth,Z-wave,Insteon,RS485,Zigbee,CANBUS,OpenThermなど)を有し、多くのHANゲートウェイ64(たとえば、無線、スマートメータ、RS485、SMS、3G/4Gフェムトセルなど)も有するホームエリアネットワーク(HAN)62上で動作する。モデム/ルータ66は、次に、HAN62を広域ネットワーク(WAN)68に接続する。
図12bは、本発明の一実施形態によるHEMS4の機能層システム図を示す。上述のように、HEMS4は、中央データベースサーバ(すなわち、ストレージ)8’と、他の第三者サービス70と通信することができるWAN68に接続されている。ローカルレベルにおいて、HEMS4は、ユーティリティ測定装置72に接続され、スマート機器74、外部センサ76(たとえば、温度、風、放射線用など)、エフェクタ78(たとえば、ラジエータバルブ、ポンプ、ファン、ボイラ制御装置、ヒートポンプ制御装置、熱貯蔵装置などの形態で)、および内部センサ80(たとえば、室温、湿度、光、加熱システムの監視用など)に接続されてもよい。
処理ユーティリティ入力データは、フォアグラウンド要素とバックグラウンド要素とを有する。したがって、機器認識モジュール2は、フォアグラウンド処理モジュールと、バックグラウンド処理モジュールとを含むとみなされてもよい。一実施形態において、フォアグラウンド処理にて、HEMS4は、現段階でアクティブであると仮定されたワークプロセスに基づいて、短期間の(典型的には、たとえば、60〜120秒間、典型的には100秒間の)予測フォワードマルコフ連鎖についての仮説を構築する。最も遅い測定チャネルが更新されると、システム状態は、仮定された予測と照合される。これが一致する場合、次に、機器認識モジュール2は、ワークプロセス、機器、およびワークフロー階層にわたってユーティリティ使用データを取得し、割り当てる(図5)。フォーワード連鎖は、再度予測され、機器認識モジュール2は、上述のようにデータ管理を継続する。
システム状態が予測から逸脱する場合(すなわち、交差外れ)、続いてHEMS4は、ワークプロセスが完了したという仮説を最初に検討する。この場合において、システムは、上述のように更新されるが、そのワークプロセスの使用データをさらなる使用のために、(特定の機器に割り当てられた)HEMS4に送信する。機器およびHEMS4によって制御された任意のスマート機器への変更は、不要な計算を避けるためにフォーワード連鎖予測に自動的に組み込まれるが、使用データは取得される。
予想/仮定されたワークプロセスの正常な終了が、ユーティリティまたはユーティリティチャネルの実際の現状を説明していない場合、システムは、逸脱の原因を特定することを試みる異なるループに入る。システムは、分析のために信号34,36,38,40に入ってくる測定チャネルデータをバッファリングし始める。第1工程は、バッファ(すなわち、ローカルストレージユニット8)に蓄積しているマルコフ連鎖を説明することができるであろう潜在的ユーザ入力のために全ての機器7を検索することである。第2工程は、マルコフ連鎖を説明することができる自律変化を検索することである。この削減されたワークプロセスのセットから、最も可能性の高い原因を指定するために、これらのワークプロセスを含むワークフローについて検索が実行される。
検討された潜在的な因果関係の仮説は、以下の通りである。
1)新しいワークプロセスが、最近のワークプロセスに続くアクティブワークフローの一部として開始し、たとえば、シャワーが使用された後、ヘアドライヤーが使用中であるか、もしくは洗濯機サイクルが完了し、回転乾燥機を使用中であるか、または、
2)新しいワークプロセスが、照明が点灯されるなどの単一のプロセスフローを含む、1以上の既知のワークフローにおける第1ワークプロセスとして開始した。
1)新しいワークプロセスが、最近のワークプロセスに続くアクティブワークフローの一部として開始し、たとえば、シャワーが使用された後、ヘアドライヤーが使用中であるか、もしくは洗濯機サイクルが完了し、回転乾燥機を使用中であるか、または、
2)新しいワークプロセスが、照明が点灯されるなどの単一のプロセスフローを含む、1以上の既知のワークフローにおける第1ワークプロセスとして開始した。
全ての既知のワークプロセスは、定義上、少なくともそのワークプロセスを含むワークフローの一部である。
機器認識モジュール2は、各既知の、構成要素、ワークプロセス、機器、およびワークフローの以前の使用における統計を維持する。これらの統計は、特に、以下のうちの1以上を含んでもよい。
1)絶対時間による頻度分布、
2)季節的な頻度分布、
3)推定外光レベルに関する頻度分布、
4)少なくとも一人の居住者による想定利用率に関する頻度分布、
5)加重エージング統計 − 最後に知られた使用の時間、過去の使用の平均時間、および前月の時刻による頻度分布、ならびに
6)ワークフローにおけるワークプロセス間の時間間隔の分布。
1)絶対時間による頻度分布、
2)季節的な頻度分布、
3)推定外光レベルに関する頻度分布、
4)少なくとも一人の居住者による想定利用率に関する頻度分布、
5)加重エージング統計 − 最後に知られた使用の時間、過去の使用の平均時間、および前月の時刻による頻度分布、ならびに
6)ワークフローにおけるワークプロセス間の時間間隔の分布。
このように、先験的確率は、時刻、日時、昼光時間、外部温度などの外因性因子、ならびに状態推定が可能であり、自律的手段(昼光スイッチなど)、または人的要因(睡眠、または熱的快適性など)によって機器使用パターンと明白に潜在的に相関する、他の入力および他の要因に基づく建物の利用状態に関する仮説を含む。
観察されたデータに適合可能である、1以上の機器使用の仮説が存在してもよい。そのような代替説明の初期の明確化は、機器構成要素のユーティリティ使用パターンを調べることによって行うことができる。注目すべきことに、水は、明確化プロセスにおいて重要であり、有用である。なぜなら、水は、いくつかのワークフローおよびワークプロセスにおいて特定かつ高頻度の予測可能な方法でしか利用されないからである。複数の説明が、この「フィルタ」に残っている場合、続いて、代替説明に確率を指定するために上述の統計が使用される。
図13は、以下の工程を含む、主な明確化の例を示す。
100.新しいワークプロセスの再検討を開始する。
102.水道の使用を伴うか?はい、であれば、工程104に進み、いいえ、であれば工程106に進む。
104.電気の使用を伴うか?はい、であれば、工程108に進み、いいえ、であれば工程110に進む。
106.HEMSがガス機器を操作しているのか?はい、であれば工程112に進み、いいえ、であれば工程114に進む。
108.このカテゴリ(たとえば、シャワー、洗濯機、食洗機など)における既知/一般的な機器との一致について検索する。
110.このカテゴリ(たとえば、水道、トイレ、浴槽など)における既知/一般的な機器との一致について検索する。
112.既知のHEMS機器(たとえば、ガスボイラ)との一致について検索する。
114.ガスの使用を伴うか?はい、であれば工程116に進み、いいえ、であれば工程118に進む。
116.このカテゴリ(たとえば、調理器、ガス点火など)における既知/一般的な機器との一致について検索する。
118.このカテゴリ(たとえば、電気的構成要素)における既知/一般的な機器/構成要素との一致について検索する。「他の」機器の参照は、たとえば、暖房システムの再加圧またはラジエータの排水などの全体のリストを検索することを意味する。頻度分布は、図7a、7b、および8aに例示されるような、それらの加重説明力(weighted explanatory power)に従って、この分析において使用される。
100.新しいワークプロセスの再検討を開始する。
102.水道の使用を伴うか?はい、であれば、工程104に進み、いいえ、であれば工程106に進む。
104.電気の使用を伴うか?はい、であれば、工程108に進み、いいえ、であれば工程110に進む。
106.HEMSがガス機器を操作しているのか?はい、であれば工程112に進み、いいえ、であれば工程114に進む。
108.このカテゴリ(たとえば、シャワー、洗濯機、食洗機など)における既知/一般的な機器との一致について検索する。
110.このカテゴリ(たとえば、水道、トイレ、浴槽など)における既知/一般的な機器との一致について検索する。
112.既知のHEMS機器(たとえば、ガスボイラ)との一致について検索する。
114.ガスの使用を伴うか?はい、であれば工程116に進み、いいえ、であれば工程118に進む。
116.このカテゴリ(たとえば、調理器、ガス点火など)における既知/一般的な機器との一致について検索する。
118.このカテゴリ(たとえば、電気的構成要素)における既知/一般的な機器/構成要素との一致について検索する。「他の」機器の参照は、たとえば、暖房システムの再加圧またはラジエータの排水などの全体のリストを検索することを意味する。頻度分布は、図7a、7b、および8aに例示されるような、それらの加重説明力(weighted explanatory power)に従って、この分析において使用される。
たとえば、図7aは、たとえば寝室照明の頻度分布を示し、図7bは、たとえばセキュリティ照明の頻度分布を示す。異なる照明のオン/オフのスイッチ切換えは、季節によって、日中の様々な時間において区別することができる。トワイライトゾーンにおいてさえ、スイッチ切換えの確率は、異なる月で異なる。しかし、これらの確率は、日照センサによって向上させることができる。セキュリティ照明は自律性であるので、一晩でそれがスイッチ切換えする確率は、一年中1(すなわち、100%)であるが、その動作の持続時間は1年の時期によって異なる。これに対して、冬季の朝にスイッチ切換えされる寝室の照明の確率は約50%のみであり、夜に操作される寝室の照明の確率は顕著に低い(0〜15%)。
図8aは、たとえば冷凍庫コンプレッサの頻度分布を示し、動作が時間依存性でなく、室温依存性であり、室温が最も高いとき、動作の最大確率(25%)であることを示す。したがって、2つの同様の冷蔵庫/冷凍庫システムは、それらが存在する部屋の温度を評価することによって明確化することができる(たとえば、ガレージ対ユーティリティルーム)。ドア開放の様々なパターンも、ドアが夕食の準備の間に開放されているイーブニングバンプ(evening bump)などの、大きくないが可視の手掛かりに寄与するであろう。図8bは、冷凍庫の3つの異なる動作モードを示す。一定の室温における個々のユニットについて、ユニットが、通常の間隔で、コンプレッサのスイッチが入れられるまで加熱され、冷却され、スイッチを切られるSeqAなどの操作パターンが分かるであろう。SeqA*は、ドアが開放され、食物が加えられる点0を示し、コンプレッサを予期されるよりも早く、より長い間スイッチをいれる。この場合、通常の動作の分布は、1以上のサイクルに影響を及ぼし得る。SeqB*は、ドアが0’において開放されるSeqA*と同様のシナリオを示すが、低い室温(すなわち、低頻度動作)である。
潜在的加重の正確な詳細は、経験されたファインチューニング事項であるが、一般的な原則は、以下に示される表に従って、多数の試料に基づく統計がさらに加重を保持し、保持する低い分散(多型変換)の分布がさらに加重を保持し、エイジング統計が代替的仮説として明確化を確認するために使用されるものである。
この実施例において、構成要素A,B,またはCのいずれか1つは、ユーティリティシグナルのパターンに一致してもよい。すなわち、構成要素A,BおよびCは、得られた最新のデータに一致してもよい。 使用状況統計(「全データ」)を探索することで、構成要素Aは、最も信頼のある構成要素であるべきであるが、最新の使用パターンは、このことにあまり一致せず、この使用は、したがって、不明瞭としてフラグ付けされる。
構成要素が既知の構成要素として認識される場合、機器に付随する未知ワークプロセスの仮説が存在する。フォアグランドプロセスは、機器に対するデータを収集することができるが、未知のワークプロセスのインスタンスとして時間内のデータシークエンス位置を記録する。また、新規のユーティリティ使用パターンを含む機器の定義に対する新規のワークプロセスを生じる。ワークプロセスデータ収集は、その機器の既知のワークプロセスの遅延、たとえば2または3回までの期間内におけるこの機器に関連する任意の構成要素の活性化が、この新規のワークプロセスの一部であるとの前提で継続する。
通常の動作において、バックグラウンドプロセスは、以下の状況のいずれかが生じたときに始まる。
1)構成要素特定において不明瞭な点が存在する。
2)新規のワークプロセスが特定される。
3)以前のバックグラウンドプロセス動作が再始動を要求したとき、時間に達する(典型的には、バックグラウンドプロセスが、それを実施することを要求し、たとえば、毎月、他のドライバの不在下において)。
4)HEMS4の別のモジュール6によって再検討が要求される。
1)構成要素特定において不明瞭な点が存在する。
2)新規のワークプロセスが特定される。
3)以前のバックグラウンドプロセス動作が再始動を要求したとき、時間に達する(典型的には、バックグラウンドプロセスが、それを実施することを要求し、たとえば、毎月、他のドライバの不在下において)。
4)HEMS4の別のモジュール6によって再検討が要求される。
バックグラウンドプロセスは、過去のデータセット全体と、それが開始される点におけるHEMS4の現在の状態とにアクセスした。このデータは凍結され、バックグラウンドプロセスが行われている間に更新されないことを意味する。このことは、現行データの全コピーを取得することによって、過去のデータの任意の再検討の範囲としてそのコピーの最終工程を用いることによって達成される。
フォアグラウンドプロセスは、建物内に存在すると既に想定された、構成要素、ワークプロセス、機器、およびワークフローにその検索を制限するが、一方、バックグラウンドプロセスは、不明瞭性を取り扱うタスク、構成要素、ワークプロセス、機器、およびワークフローデータを更新および再検討するタスク、ならびに機器認識モジュール2と他のHEMSモジュール6との間の進行中のアライメントを調整するタスクを有する。
バックグラウンドモジュールは、エンジニア設定とHEMS4の実装の一部としての最初の運転である。この「セットアップモード」において、HEMS4は、
1)建物内の機器7の存在を特定する入力を受ける。このことは、
a.ホームエリアネットワーク(HAN)を通じてその存在を申告するスマート装置、
b.機器7に与えられた、または関連した、Qcode、バーコード、または他の電子シグネチャをスキャンした、エンジニアまたは主要ユーザによる機器7の特定、
c.機器7における他の情報、またはそのドキュメント化(すなわち、モデル番号)から機器7の特定、
d.建物内で観察された機器7のリスト、たとえば、2つの冷蔵庫、4つのテレビ、ヒートポンプ、PVパネルなどを含み得る。
2)機器7がその存在を申告する場所において、HEMS4は、そのインビルトデータテーブル(ホーム内ユニット4に位置する必要はない)を使用し、特定の機器ディスクリプションにどのようにアクセスするかを見出す(図4)。このディスクリプションは、HEMSユーザに共有され、機器7自体から利用可能であるか、または機器に基づく設備製造業者(OEM)、もしくはそれらが属する他の当事者によって操作されるサーバから利用可能である中央データベース8’にあってもよい。バックグラウンドプロセスは、提案された既知の機器としてあるものを選択する選択枝をエンジニアに提供するために、全てのアクセス可能な機器ディスクリプションをインストールし、それらの間の任意の相違を分析することを試みる。任意の実質的に異なるディスクリプションは、相違点の具体的特性に依存する確率加重を伴うバックアップ仮説として保持され、典型的には、最有力候補よりもはるかに低い加重ではない。
3)Qcodeが使用される場合、同様のプロセスが適用され、機器7以外は、そのディスクリプションについて潜在的な供給源ではない。
4)機器7が他の情報から特定されるとき、HEMS4は、製品コードが一致する、またはほぼ一致する他の機器についてその中央データベース8’を検索することを試みる。これらは、全て機器7の候補として処理される。エンジニアは、妥当性に応じて選択を重み付けするように求められる。
5)一般的な機器タイプのみが提供される場合、HEMS4は、新規のHEMSインストレーションの地理的領域内においてそれらの既知の普及率によって重み付けされたディスクリプションに適合する全ての機器の長いリストから始まる。機器7が、新規購入または最近の購入として記載される場合、HEMSは、その地理的領域において検出された、新規の機器7のインスタンスに基づくデータを使用する。
6)また、HEMSは、これが、一般的な親の機器クラスの1つに適合する、新規で、以前に未知の機器である帰無仮説を採用する。たとえば、照明器具(ルミエール)は、バルブ型、定格、および数の広い範囲を有してもよい。各部屋に設置されている照明器具の数と、それらが固定されているか、またはプラグインされているのかを知るだけで、各ルミエールに該当し得る可能な構成要素ディスクリプション。
7)また、セットアッププロセスは、エラー率、およびタイプ分析を初期の機器仮説の集合に追加する。このことは、以前の導入からの統計に基づく。このことは、どの機器が存在する可能性があるが、たびたび報告されないか、または機器が、それらの特性などの点で典型的に誤認識されているかを検討してもよい。20分の1よりも高い発生率の事象が、たとえば、含まれてもよい。なぜなら、検討すべき価値が十分にあるからである。
8)プロセスの組み合わせから、HEMS4は、建物内のそれらの存在の先験的確率を有する潜在的機器のセットから開始する。機器の特定インスタンスに加えて、HEMS4は、機器のそのクラスに使用されることが知られている構成要素の全てのクラスの親構成要素クラスに加えて、機器のそのクラスに含まれることが知られているデータベースにおける全ての構成要素を実質的に表す各機器クラスについてのヌル仮説を有する。先験的確率は、HEMSが導入された領域における、構成要素のインスタンスの地理的経験と、HEMS4が導入されたエリアにおける、機器のインスタンスの地理的経験とを反映する。エリアまたは領域の大きさは、当業者に自明である手段における中央データベース内に保持された地理的確率分布によって測定される。英国では先験的に、「エリア」が、テレビ放送のカバレッジに類似している可能性が高く、「領域」は、英国である可能性が高い。データの大きさが増えるにつれて、売上と広告と行動分布要因に応じてどちらも縮小する可能性がある。
9)特定の機器インスタンスの包含のための確率カットオフは、一実施形態において、任意のより高いバーが、通常、機器の多くのクラスの全ての特定のインスタンスを排除する、機器の任意の1つのクラスの非常に多くのモデルが存在することに基づいて、100分の1であってもよい。他の値が使用されてもよい。どのような場合でも、照明などのようないくつかのクラスでは、初期の短いリストに親クラスのみ含まれることが多い。
10)セットアッププロセスは、エンジニアが入力する建物のレイアウト、具体的には、主な機器の位置と、何人かの大人と子供とがいる場合、世帯の居住者とに関する情報を含んでもよい。ユーザによる入力は、誰がどの寝室を使用するか、および誰がどの部屋の温度設定について強く感じるかについての手掛かりを提供することによって、これを増やすことができる。他のHEMSモジュール6が位置に関する入力を提供可能である範囲内で、機器認識モジュール2は、ワークフロー仮説の構築においてそれを使用可能であり、たとえば、シャワーは、浴室およびシャワールームで行われ、髪は、多くの場合、浴室および寝室において乾燥される。
11)HEMS4は、主要加熱システム、ならびに移動センサ、煙、およびCOアラームなどの任意の接続されたセキュリティデバイスに関する重要な機器および構成要素データを提供することができなければならない。
1)建物内の機器7の存在を特定する入力を受ける。このことは、
a.ホームエリアネットワーク(HAN)を通じてその存在を申告するスマート装置、
b.機器7に与えられた、または関連した、Qcode、バーコード、または他の電子シグネチャをスキャンした、エンジニアまたは主要ユーザによる機器7の特定、
c.機器7における他の情報、またはそのドキュメント化(すなわち、モデル番号)から機器7の特定、
d.建物内で観察された機器7のリスト、たとえば、2つの冷蔵庫、4つのテレビ、ヒートポンプ、PVパネルなどを含み得る。
2)機器7がその存在を申告する場所において、HEMS4は、そのインビルトデータテーブル(ホーム内ユニット4に位置する必要はない)を使用し、特定の機器ディスクリプションにどのようにアクセスするかを見出す(図4)。このディスクリプションは、HEMSユーザに共有され、機器7自体から利用可能であるか、または機器に基づく設備製造業者(OEM)、もしくはそれらが属する他の当事者によって操作されるサーバから利用可能である中央データベース8’にあってもよい。バックグラウンドプロセスは、提案された既知の機器としてあるものを選択する選択枝をエンジニアに提供するために、全てのアクセス可能な機器ディスクリプションをインストールし、それらの間の任意の相違を分析することを試みる。任意の実質的に異なるディスクリプションは、相違点の具体的特性に依存する確率加重を伴うバックアップ仮説として保持され、典型的には、最有力候補よりもはるかに低い加重ではない。
3)Qcodeが使用される場合、同様のプロセスが適用され、機器7以外は、そのディスクリプションについて潜在的な供給源ではない。
4)機器7が他の情報から特定されるとき、HEMS4は、製品コードが一致する、またはほぼ一致する他の機器についてその中央データベース8’を検索することを試みる。これらは、全て機器7の候補として処理される。エンジニアは、妥当性に応じて選択を重み付けするように求められる。
5)一般的な機器タイプのみが提供される場合、HEMS4は、新規のHEMSインストレーションの地理的領域内においてそれらの既知の普及率によって重み付けされたディスクリプションに適合する全ての機器の長いリストから始まる。機器7が、新規購入または最近の購入として記載される場合、HEMSは、その地理的領域において検出された、新規の機器7のインスタンスに基づくデータを使用する。
6)また、HEMSは、これが、一般的な親の機器クラスの1つに適合する、新規で、以前に未知の機器である帰無仮説を採用する。たとえば、照明器具(ルミエール)は、バルブ型、定格、および数の広い範囲を有してもよい。各部屋に設置されている照明器具の数と、それらが固定されているか、またはプラグインされているのかを知るだけで、各ルミエールに該当し得る可能な構成要素ディスクリプション。
7)また、セットアッププロセスは、エラー率、およびタイプ分析を初期の機器仮説の集合に追加する。このことは、以前の導入からの統計に基づく。このことは、どの機器が存在する可能性があるが、たびたび報告されないか、または機器が、それらの特性などの点で典型的に誤認識されているかを検討してもよい。20分の1よりも高い発生率の事象が、たとえば、含まれてもよい。なぜなら、検討すべき価値が十分にあるからである。
8)プロセスの組み合わせから、HEMS4は、建物内のそれらの存在の先験的確率を有する潜在的機器のセットから開始する。機器の特定インスタンスに加えて、HEMS4は、機器のそのクラスに使用されることが知られている構成要素の全てのクラスの親構成要素クラスに加えて、機器のそのクラスに含まれることが知られているデータベースにおける全ての構成要素を実質的に表す各機器クラスについてのヌル仮説を有する。先験的確率は、HEMSが導入された領域における、構成要素のインスタンスの地理的経験と、HEMS4が導入されたエリアにおける、機器のインスタンスの地理的経験とを反映する。エリアまたは領域の大きさは、当業者に自明である手段における中央データベース内に保持された地理的確率分布によって測定される。英国では先験的に、「エリア」が、テレビ放送のカバレッジに類似している可能性が高く、「領域」は、英国である可能性が高い。データの大きさが増えるにつれて、売上と広告と行動分布要因に応じてどちらも縮小する可能性がある。
9)特定の機器インスタンスの包含のための確率カットオフは、一実施形態において、任意のより高いバーが、通常、機器の多くのクラスの全ての特定のインスタンスを排除する、機器の任意の1つのクラスの非常に多くのモデルが存在することに基づいて、100分の1であってもよい。他の値が使用されてもよい。どのような場合でも、照明などのようないくつかのクラスでは、初期の短いリストに親クラスのみ含まれることが多い。
10)セットアッププロセスは、エンジニアが入力する建物のレイアウト、具体的には、主な機器の位置と、何人かの大人と子供とがいる場合、世帯の居住者とに関する情報を含んでもよい。ユーザによる入力は、誰がどの寝室を使用するか、および誰がどの部屋の温度設定について強く感じるかについての手掛かりを提供することによって、これを増やすことができる。他のHEMSモジュール6が位置に関する入力を提供可能である範囲内で、機器認識モジュール2は、ワークフロー仮説の構築においてそれを使用可能であり、たとえば、シャワーは、浴室およびシャワールームで行われ、髪は、多くの場合、浴室および寝室において乾燥される。
11)HEMS4は、主要加熱システム、ならびに移動センサ、煙、およびCOアラームなどの任意の接続されたセキュリティデバイスに関する重要な機器および構成要素データを提供することができなければならない。
セットアップに続いて、機器認識モジュール2は、学習またはトレーニングの期間に入る。この期間中、データはフォアグラウンドモードで収集されるが、装置/機器7を特定することを試みない。ノイズキャリブレーションルーチンは、履歴ファイルに記述されているデータをクリーンアップするために実施される。機器認識モジュール2は、全ユーティリティ使用データをHEMS4に提供することしかできないが、後にこれを再訪することができる。なぜなら、全てのデータが記憶されているからである。このトレーニング期間は、機器使用パターンを特定するためのワークフローに十分な情報を集めるために十分な長さであるべきである。これは、統計的試験の範囲内である。機器認識モジュール2が、十分に確実な結論に達することができない場合、より多くの時間が必要である。たとえば、建物を1ヶ月間連続して占有することは、この期間内に、様々な機器の規則的なパターン使用が生じるはずであるので、第1機器の特定を行うことを試みる前にデータを収集する妥当な期間であろう。
ユーティリティデータから機器のアクティビティを認識するための多くの既知のアルゴリズム的手法が存在する。本発明の態様および実施形態は、有限状態分析と先験的確率分析とを利用することによって、およびさらにワークフローの概念をワークプロセスのセットとして適用することによって、初期の可能性推定を設定するために共有データベースを使用してそれらから区別される。また、本発明の態様および形態は、純粋に無知の状態から、どのような装置が建物内に存在するのかを特定することを試みない。本方法は、ほとんどの住居に冷蔵庫がある可能性が高いことを認識するだけではなく(いくらかの距離についての周囲のものの全てがそれらを有さない場合を除いて)、主要な可視の機器、部屋の数、したがって可能なルミエールの数などに導入エンジニアからの入力をも有する。
好適な解決策は、先験的確率から始まるアルゴリズムの組み合わせである。本発明の態様および実施形態の任意の用途において実用的なトレードオフが存在するので、少なくとも正確さと費用との間ではなく、任意用途の最も好適なアプローチは、事前に正確に決定することはできない。
さらなる理解を助けるために、HEMS4は、コンピュータおよび数学的アルゴリズムの選択を使用して、異なるアプローチの組み合わせを効率的に用いて大きな空間を検索する経験豊富なエンジニアであるとみなすことができる。
これは、簡単なプロセスではない。概して、HEMS4における既知の機器使用シグナルの減算を示すフロー図を示す図9aに記載されている。本質的に、総ユーティリティシグナル120は、残りの(未特定の)ユーティリティ使用128が予期可能であるように、既知のスマートデバイスユーティリティ使用124、およびHEMS制御装置ユーティリティ使用126とともに減算プロセッサ122に入力される。
図9bは、測定された電気信号から既知の機器使用信号の減算を示す。この場合、電気測定装置14は、RMS電圧、RMS電流、位相角、およびノイズ振幅(周波数値域内)を測定する。RMS電圧、RMS電流、および位相角は、有効電力成分および無効電力成分を抽出するために、総電力計算130において使用される。既知のHEMS接続装置によって説明可能である、有効電力成分および無効電力成分と、各周波数値域におけるノイズ振幅とは、HEMS分析によって説明される成分を残すために、図示されるように減算される。(減算される値は、電源電圧によって変化してもよく、装置の容量およびインピーダンスに応じて、無効電力が負になってもよいことに留意すべきである)。
次の段階は、ユーティリティ使用の説明を検索することである。上述のように、水道使用の例から始めることが好都合である。なぜなら、電気使用よりも少ないからである。この段階は、
1)HEMS4からの水加熱ワークプロセスデータを要求する。この最も簡単なバージョンは、温水を加熱するためのガスコンビボイラ燃焼である。HEMS4は、水の加熱に関するデータを提供するためにクエリーを作成される。データの形成は、加熱システムに依存する。ガスコンビボイラの簡単な事例において、データは、水の使用に直接関連する。なぜなら、コンビボイラは、直接にメインから水を直接に加熱するからである。ガスボイラと浸漬ヒータとの両方を備える温水貯蔵タンクの場合、続いてHEMS4は、関連する制御入力データと、タンク状態の測定値と、タンクの機器モデルとを供給することが必要である。機器認識モジュール2は、続いて、水道、ガスおよび電気のデータ履歴から2つのワークプロセスの要素(1つはボイラ用であり、1つは浸漬ヒータ用である)を単離することが可能である。
2)建物の機器7に存在するモータからの構成要素信号を特定する。モータは、電気信号チャネルから単離することができる電気使用の区別可能なパターンを生じる。特定されたモータ事象は、HEMS4に接続した、加熱、換気および水サブシステムに関連した、任意のポンプ、ファンなどを取り除く必要がある。
3)これらのモータ事象は、続いて建物内にある可能性のあるモータを含む機器7の一般的なクラスデータに対して検討される。このことは、洗濯機、回転式乾燥機、食洗機などの主な負荷を特定すべきであり、ファン、冷蔵庫および冷凍庫、ヘアドライヤなどの小型モータは、ほとんど特定されない。
4)これらの残りのモータ事象は、続いて冷蔵庫と冷凍庫とのパターンを検索される。想定モデルは、HEMSによって供給されるそれらの場所の温度に依存する、通常の間隔でこれらのスイッチをオンにするものである。それらの位置が不明な場合、それらが、キッチンエリア、またはガレージのいずれかにあるという仮説を検索する。これらの日常的なバックグラウンド事象に加えて、順番は、低出力ランプを含む、冷蔵庫および冷凍庫のドアの開放によって中断され、非直線的な態様で開放する期間に依存するが、正に相関する冷却負荷が増加する期間に続く。このことは、冷蔵庫/冷凍庫内の任意のランプのシグネチャを特定する必要がある。
5)ユーティリティデータ記録は、次にこれらの大きいモータに関連する機器7のための、電気および水道のワークプロセスデータを削除する。
6)残る機器7は、続いて、(a)第2ガスおよび電気暖房装置、(b)照明、(c)小型モータデバイス、(d)ITおよびエンターテイメントデバイス、(e)水道および給水システム、ならびに(f)HEMS4に接続されていないセキュリティシステム、緊急トーチなどのバックグラウンド負荷からなることが必要である。
7)機器認識モジュール2は、続いて、日時、曜日、昼光時間、外気温などによって駆動される、パターンで動作する自律型装置を検索して、水道および電気参照記録を走査する。
8)機器認識モジュール2は、二次熱入力におけるHEMS4からのデータ、すなわち、ガス使用または電気使用に相関するが、機器7に結合されたHEMS4からではない、部屋への熱入力の検出を必要とする。これらは、小型モータ(ファン)を含んでもよく、含まなくてもよい。これらのシグネチャは、ガスデータおよび電気データにおいて明確に特定されるべきである。機器認識モジュール2は、キッチン内の調理活動を空間加熱から区別する必要がある。
9)他のキッチン活動は、照明、抽出ファン、ケトル、トースター、電子レンジ、オーブン、およびグリル、流し台の使用などのワークフローパターンを探して区別するべきである。
10)測定された電気データは、変動する供給電圧によって供給される自然実験を用いて、疑似一定電力である機器と疑似固定抵抗である機器とについて走査される。
11)居住者によって活性化されたように見えるユーティリティ使用パターンにおけるデータを使用することによって、タイムラインは、建物が活動的に占有されている期間、居住者が全て眠っている期間、および建物に居住者がいないように見える期間に分割される。これらは、明確に決めることはできないが、目的は、確実な仮説を立てることである。たとえば、盗難アラームがHEMS4に取り付けられている場合、続いて、アラームを設定し、解除することは、建物内における特定の不在または存在についての確実な仮説を提供する。アラームを設定しないことは決定的ではない。
12)測定データは、続いて、測定装置10,12,14,16の信号対雑音能力内で分解可能である場合、ガス、電気および水道の一定の小さなバックグラウンド使用が長期間にわたってどのようなものであるかを調べるために、「漏れ(leakage)」仮説に対して居住者がいないと思われるか、または全員が眠っていると思われる期間に調べられる。
13)測定データは、続いて、このバックグラウンド消費から除去され、未特定のワークプロセスが残される。
14)機器認識モジュール2は、続いて、セットアップ段階中に建物内に妥当に構築された機器7のセットを考慮することによって、電気パターンデータを照明および他の事象に分解することを試みる。このことは、相対的に小さな負荷機器のための組み合わせ数学的探索における実施である。
15)機器認識モジュール2は、特定されたワークプロセスおよび未特定のワークプロセスの、記録またはファイルを構築し、続いて、先験的ベイズ確率に基づいて、ワークフローを検索する。このことは、トイレの使用、および浴室またはトイレで手を洗うこと、料理、ならびに台所などにおける機器の使用などの活動に関連する部屋を特定すべきである。分析は、照明が使用されている夜間のワークフローを、同様の昼間のワークフローから区別する。これらの2つのワークフローは連結されているが、区別されており、統計情報を別々に収集し、時刻の影響による微妙な相違を回避することができる。
16)夜間のワークフローのパターンは、特定のルミエールを部屋に位置させることを試みるように審査される。料理、入浴、洗濯機などの機器7のスイッチオン、冷蔵庫のドアの開放などの手掛かりは、仮説を立てるために使用される。たとえば、キッチン照明を使用するようには見えないが、非常にまれにしか使用されない光を使用するワークフローの一部であるガレージ内にあると推定される冷凍庫は、非常に示唆的なパターンである。HEMS4は、モーションセンサ、湿度測定、固定制御パッドの「手触り」、サーモスタットラジエータバルブ(TRV)などの他の相互作用を探し出すことも求められる。
17)機器認識モジュール2は、おそらく単一のワークプロセスで動作する単一の機器からなる、自律的なワークプロセス、およびワークフローを含む、ワークフローおよびワークプロセスの先験的確率データのセットを有する。位置的手掛かり、およびHEMS4と相互作用する他の居住者からの手掛かりに基づいて、いくつかのワークフローが、特定の居住者の活動を表し、他のものが、数人の居住者、またはチームの活動である先験的仮説が存在する。たとえば、シャワーを浴びることと、髪を乾かすこととは、食事を調理して食べるよりもさらに孤独な活動である傾向がある。居住者の行動パターンの変化を認識することは、HEMS4の他の態様にとって重要である。たとえば、日中の珍しい時間帯に家に入り、続いて以前に知られていないワークフローを送る居住者は、侵入者の信号を送り、HEMS4によって所有者にメッセージを送ってもよい。HEMS4への非定型要求を伴う異常な活動パターンの混在は、たとえば、居住者に影響を及ぼす、たとえば病気または他の因子に関する仮説を生じてもよく、HEMS4がそれらとどのように相互作用するかについて重要である。図4に示されるワークフロー認識のフィードバックは、このことを可能にする。
1)HEMS4からの水加熱ワークプロセスデータを要求する。この最も簡単なバージョンは、温水を加熱するためのガスコンビボイラ燃焼である。HEMS4は、水の加熱に関するデータを提供するためにクエリーを作成される。データの形成は、加熱システムに依存する。ガスコンビボイラの簡単な事例において、データは、水の使用に直接関連する。なぜなら、コンビボイラは、直接にメインから水を直接に加熱するからである。ガスボイラと浸漬ヒータとの両方を備える温水貯蔵タンクの場合、続いてHEMS4は、関連する制御入力データと、タンク状態の測定値と、タンクの機器モデルとを供給することが必要である。機器認識モジュール2は、続いて、水道、ガスおよび電気のデータ履歴から2つのワークプロセスの要素(1つはボイラ用であり、1つは浸漬ヒータ用である)を単離することが可能である。
2)建物の機器7に存在するモータからの構成要素信号を特定する。モータは、電気信号チャネルから単離することができる電気使用の区別可能なパターンを生じる。特定されたモータ事象は、HEMS4に接続した、加熱、換気および水サブシステムに関連した、任意のポンプ、ファンなどを取り除く必要がある。
3)これらのモータ事象は、続いて建物内にある可能性のあるモータを含む機器7の一般的なクラスデータに対して検討される。このことは、洗濯機、回転式乾燥機、食洗機などの主な負荷を特定すべきであり、ファン、冷蔵庫および冷凍庫、ヘアドライヤなどの小型モータは、ほとんど特定されない。
4)これらの残りのモータ事象は、続いて冷蔵庫と冷凍庫とのパターンを検索される。想定モデルは、HEMSによって供給されるそれらの場所の温度に依存する、通常の間隔でこれらのスイッチをオンにするものである。それらの位置が不明な場合、それらが、キッチンエリア、またはガレージのいずれかにあるという仮説を検索する。これらの日常的なバックグラウンド事象に加えて、順番は、低出力ランプを含む、冷蔵庫および冷凍庫のドアの開放によって中断され、非直線的な態様で開放する期間に依存するが、正に相関する冷却負荷が増加する期間に続く。このことは、冷蔵庫/冷凍庫内の任意のランプのシグネチャを特定する必要がある。
5)ユーティリティデータ記録は、次にこれらの大きいモータに関連する機器7のための、電気および水道のワークプロセスデータを削除する。
6)残る機器7は、続いて、(a)第2ガスおよび電気暖房装置、(b)照明、(c)小型モータデバイス、(d)ITおよびエンターテイメントデバイス、(e)水道および給水システム、ならびに(f)HEMS4に接続されていないセキュリティシステム、緊急トーチなどのバックグラウンド負荷からなることが必要である。
7)機器認識モジュール2は、続いて、日時、曜日、昼光時間、外気温などによって駆動される、パターンで動作する自律型装置を検索して、水道および電気参照記録を走査する。
8)機器認識モジュール2は、二次熱入力におけるHEMS4からのデータ、すなわち、ガス使用または電気使用に相関するが、機器7に結合されたHEMS4からではない、部屋への熱入力の検出を必要とする。これらは、小型モータ(ファン)を含んでもよく、含まなくてもよい。これらのシグネチャは、ガスデータおよび電気データにおいて明確に特定されるべきである。機器認識モジュール2は、キッチン内の調理活動を空間加熱から区別する必要がある。
9)他のキッチン活動は、照明、抽出ファン、ケトル、トースター、電子レンジ、オーブン、およびグリル、流し台の使用などのワークフローパターンを探して区別するべきである。
10)測定された電気データは、変動する供給電圧によって供給される自然実験を用いて、疑似一定電力である機器と疑似固定抵抗である機器とについて走査される。
11)居住者によって活性化されたように見えるユーティリティ使用パターンにおけるデータを使用することによって、タイムラインは、建物が活動的に占有されている期間、居住者が全て眠っている期間、および建物に居住者がいないように見える期間に分割される。これらは、明確に決めることはできないが、目的は、確実な仮説を立てることである。たとえば、盗難アラームがHEMS4に取り付けられている場合、続いて、アラームを設定し、解除することは、建物内における特定の不在または存在についての確実な仮説を提供する。アラームを設定しないことは決定的ではない。
12)測定データは、続いて、測定装置10,12,14,16の信号対雑音能力内で分解可能である場合、ガス、電気および水道の一定の小さなバックグラウンド使用が長期間にわたってどのようなものであるかを調べるために、「漏れ(leakage)」仮説に対して居住者がいないと思われるか、または全員が眠っていると思われる期間に調べられる。
13)測定データは、続いて、このバックグラウンド消費から除去され、未特定のワークプロセスが残される。
14)機器認識モジュール2は、続いて、セットアップ段階中に建物内に妥当に構築された機器7のセットを考慮することによって、電気パターンデータを照明および他の事象に分解することを試みる。このことは、相対的に小さな負荷機器のための組み合わせ数学的探索における実施である。
15)機器認識モジュール2は、特定されたワークプロセスおよび未特定のワークプロセスの、記録またはファイルを構築し、続いて、先験的ベイズ確率に基づいて、ワークフローを検索する。このことは、トイレの使用、および浴室またはトイレで手を洗うこと、料理、ならびに台所などにおける機器の使用などの活動に関連する部屋を特定すべきである。分析は、照明が使用されている夜間のワークフローを、同様の昼間のワークフローから区別する。これらの2つのワークフローは連結されているが、区別されており、統計情報を別々に収集し、時刻の影響による微妙な相違を回避することができる。
16)夜間のワークフローのパターンは、特定のルミエールを部屋に位置させることを試みるように審査される。料理、入浴、洗濯機などの機器7のスイッチオン、冷蔵庫のドアの開放などの手掛かりは、仮説を立てるために使用される。たとえば、キッチン照明を使用するようには見えないが、非常にまれにしか使用されない光を使用するワークフローの一部であるガレージ内にあると推定される冷凍庫は、非常に示唆的なパターンである。HEMS4は、モーションセンサ、湿度測定、固定制御パッドの「手触り」、サーモスタットラジエータバルブ(TRV)などの他の相互作用を探し出すことも求められる。
17)機器認識モジュール2は、おそらく単一のワークプロセスで動作する単一の機器からなる、自律的なワークプロセス、およびワークフローを含む、ワークフローおよびワークプロセスの先験的確率データのセットを有する。位置的手掛かり、およびHEMS4と相互作用する他の居住者からの手掛かりに基づいて、いくつかのワークフローが、特定の居住者の活動を表し、他のものが、数人の居住者、またはチームの活動である先験的仮説が存在する。たとえば、シャワーを浴びることと、髪を乾かすこととは、食事を調理して食べるよりもさらに孤独な活動である傾向がある。居住者の行動パターンの変化を認識することは、HEMS4の他の態様にとって重要である。たとえば、日中の珍しい時間帯に家に入り、続いて以前に知られていないワークフローを送る居住者は、侵入者の信号を送り、HEMS4によって所有者にメッセージを送ってもよい。HEMS4への非定型要求を伴う異常な活動パターンの混在は、たとえば、居住者に影響を及ぼす、たとえば病気または他の因子に関する仮説を生じてもよく、HEMS4がそれらとどのように相互作用するかについて重要である。図4に示されるワークフロー認識のフィードバックは、このことを可能にする。
通常のフォアグラウンド動作の間、機器認識モジュール2は、明確化をより高速かつより信頼のあるものにするために、測定装置10,12,14,16からの利用可能な詳細信号への既知の構成要素のその蓄積に一致している。言い換えれば、最も可能性が高い説明/仮説(すなわち、最も高い確率を有するもの)が、最初に調べられ、それらが代替案よりもはるかに可能性が高い(すなわち、20倍)場合に受け入れられる。それぞれが、たとえば5%を超える可能性を有する別の説明がある場合には不明瞭性が存在してもよい(しかし、他の実施形態では閾値が、たとえば3%または10%の別のレベルに設定することができる)。特定の実施形態において、システムは、少なくとも75%、少なくとも80%、または少なくとも90%の確率を探し、その場合、はるかに低い確率を有する残りの仮説を本質的に無視してもよい。
必要に応じてバックグラウンドプロセスが開始される。
1)第1工程は、たとえば、過去6カ月の履歴データなどの以前の履歴データを用いて、学習期間の最後に記載されたプロセスを再実行することである(しかし、このことは変更可能である。たとえば、建物が占有されていない期間にわたって延長されるなど)。バックグラウンドプロセスは、ワークフロー、ワークプロセス、および構成要素パターンのインスタンスであって、履歴データからそれらの統計を顕著に変更するインスタンスを特定することを試みる。仮説が何か変わったので、履歴データは、もはや信頼できなくなる。
2)プロセスが構成要素の不明瞭の結果として開始した場合、履歴データ、たとえば、最後の6カ月のデータが、構成要素を特定することに失敗した場合、続いて不明瞭に近い場合(つまり、2以上の構成要素、それぞれが、データパターンを説明することができ、他のものである可能性がない)、続いて活動は、関連する機器7およびエネルギー使用に依存する。照明、または他の少量の使用の場合、続いて曖昧さが認容され、報告および他の目的のために曖昧な構成要素を保持するために機器プールが作成される。より大きな機器またはエネルギーユーザの場合、活動は、機器の種類と、ユーザがそれらのHEMS4を有するエンゲージメントレベルとの両方に適切である。たとえば、構成要素が、1つの冷蔵庫におけるスイッチ/照明の組み合わせである場合、2つの冷蔵庫は、それらのコンプレッサのエネルギーシグネチャによって区別可能であるので、機器およびワークプロセスは不明瞭ではない。しかし、フォアグラウンドプロセスによるそれらの明確化は、スイッチ/ランプの組み合わせを認識するよりもさらに複雑である。世帯に2つの同じ冷蔵庫がある場合、続いてそれらを明確化するただ1つの方法は、その努力に値しないかもしれない他の手掛かりによるものである。少なくとも1人のユーザがHEMS4に強く関わっている少数の事例において、続いて、これらの問題の対処においてユーザ入力を求めることができる。基本的には、居住者にとって重要なのはワークフローであり、機器の非常に明確な認識は、重要である可能性が低い。
3)構成要素が機器の一部として全く認識できない場合、その一般的クラスによって認識可能である構成要素(たとえば、モータ)が存在するが、ワークプロセスとして認識することができるパターンを有さないか、またはクラスに適合しない構成要素がおそらく存在する。HEMS4は、構成要素に対するデータを収集し、多くのHEMS4に共有された中央データベースを管理している技術者に注目させるために発生をフラグ付けする。バックグラウンドプロセスは、たとえば1ヶ月などの所定期間後に再実行されるようにフラグ付けすることができる。
4)バックグラウンドプロセスが開始される。なぜなら、ワークプロセスが認識されず、続いてHEMS4が、最初に、この構成要素を含むと想定される機器7の他の既知の構成要素を含むパターンを見出すことを試みるからである。このことが成功すると、潜在的な新規ワークプロセスがフラグ付けされる。バックグラウンドプロセスは、中央データベースに対するプロセスのインスタンスを確認することを試みる。 プロセスツリーは、たとえば、図10に示されるように、様々な可能性の明確化を記載することを定義することができる。機器7が認識されるが、ワークプロセスがもっともらしく関連していない140,142。機器7が認識され、ワークプロセスが関連しているが、外部パラメータ耐性である144。機器7が認識されないが、プロセスが146に属する機器のクラスに対応するプロセスに一致可能である。機器7が比較的新規の機器中央148としてタグ付されたので、稀なプロセス、たとえば、洗浄/除霜サイクルのインスタンスであり得る。ツリーが描画および記載されると、このセクションは、たとえば1ヶ月などの所定期間内に実行すべきバックグラウンドプロセスのためのフラグで終了する。
5)バックグラウンドプロセスが日常的な更新の他の理由で開始され、続いてバックグラウンドプロセスは、基本の前提セットとして建物についての以前の情報を用いて、新たな居住者および/または機器が住居内に存在するとの仮説によって、居住者に関する位置および機器データ(以前に記載された)を使用して、先験的確率を調整するだけではなく、全く新たなトレーニング開始を実行する。このことが以前のデータから顕著な相違を生じる場合、続いて構築されたデータは、新規の、ワークフロー、ワークプロセス、および構成要素について使用される。このプロセスに耐えた物体は残るが、データは、最も近い期間によって更新された。
6)このデータ削除行為は、ワークプロセスの例を探すことによって完了する。トレーニング期間に生じる、それらの以前のデータからの確率は、たとえば95%の所定のレベル未満であり、すなわち、最近の期間に単に生じていない些細な出来事である。バックグラウンドプロセスは、それらが単に期間内に操作されていない可能性がある場合、機器が削除されていない(すなわち、フォアグラウンドプロセスの目的から除かれていない)かを検討する。バックグラウンドプロセスは、これらの削除された事項が再登場し、再導入される必要がある場合、これらを保持する必要がある。バックグラウンドプロセスは、新たな機器が削除されたものを置換したとの仮説を検証する。このことが正しいようであれば、履歴データから後に結論に達することができるように、HEMSデータログにおけるこの関係にフラグを付ける。HEMS4が、ユーザとの好適な関係を有し、機器がエネルギー使用の点で主要なものであれば(たとえば、照明、携帯端末でない)、ユーザに交換を確認するために質問することができる。
7)機器によるユーティリティ使用の重要な確率、またはワークフローが、再検討において変更される場合、次にプロセスは、たとえば1ヶ月などの所定の期間で再実行するために、それ自体にフラグ付けする。
1)第1工程は、たとえば、過去6カ月の履歴データなどの以前の履歴データを用いて、学習期間の最後に記載されたプロセスを再実行することである(しかし、このことは変更可能である。たとえば、建物が占有されていない期間にわたって延長されるなど)。バックグラウンドプロセスは、ワークフロー、ワークプロセス、および構成要素パターンのインスタンスであって、履歴データからそれらの統計を顕著に変更するインスタンスを特定することを試みる。仮説が何か変わったので、履歴データは、もはや信頼できなくなる。
2)プロセスが構成要素の不明瞭の結果として開始した場合、履歴データ、たとえば、最後の6カ月のデータが、構成要素を特定することに失敗した場合、続いて不明瞭に近い場合(つまり、2以上の構成要素、それぞれが、データパターンを説明することができ、他のものである可能性がない)、続いて活動は、関連する機器7およびエネルギー使用に依存する。照明、または他の少量の使用の場合、続いて曖昧さが認容され、報告および他の目的のために曖昧な構成要素を保持するために機器プールが作成される。より大きな機器またはエネルギーユーザの場合、活動は、機器の種類と、ユーザがそれらのHEMS4を有するエンゲージメントレベルとの両方に適切である。たとえば、構成要素が、1つの冷蔵庫におけるスイッチ/照明の組み合わせである場合、2つの冷蔵庫は、それらのコンプレッサのエネルギーシグネチャによって区別可能であるので、機器およびワークプロセスは不明瞭ではない。しかし、フォアグラウンドプロセスによるそれらの明確化は、スイッチ/ランプの組み合わせを認識するよりもさらに複雑である。世帯に2つの同じ冷蔵庫がある場合、続いてそれらを明確化するただ1つの方法は、その努力に値しないかもしれない他の手掛かりによるものである。少なくとも1人のユーザがHEMS4に強く関わっている少数の事例において、続いて、これらの問題の対処においてユーザ入力を求めることができる。基本的には、居住者にとって重要なのはワークフローであり、機器の非常に明確な認識は、重要である可能性が低い。
3)構成要素が機器の一部として全く認識できない場合、その一般的クラスによって認識可能である構成要素(たとえば、モータ)が存在するが、ワークプロセスとして認識することができるパターンを有さないか、またはクラスに適合しない構成要素がおそらく存在する。HEMS4は、構成要素に対するデータを収集し、多くのHEMS4に共有された中央データベースを管理している技術者に注目させるために発生をフラグ付けする。バックグラウンドプロセスは、たとえば1ヶ月などの所定期間後に再実行されるようにフラグ付けすることができる。
4)バックグラウンドプロセスが開始される。なぜなら、ワークプロセスが認識されず、続いてHEMS4が、最初に、この構成要素を含むと想定される機器7の他の既知の構成要素を含むパターンを見出すことを試みるからである。このことが成功すると、潜在的な新規ワークプロセスがフラグ付けされる。バックグラウンドプロセスは、中央データベースに対するプロセスのインスタンスを確認することを試みる。 プロセスツリーは、たとえば、図10に示されるように、様々な可能性の明確化を記載することを定義することができる。機器7が認識されるが、ワークプロセスがもっともらしく関連していない140,142。機器7が認識され、ワークプロセスが関連しているが、外部パラメータ耐性である144。機器7が認識されないが、プロセスが146に属する機器のクラスに対応するプロセスに一致可能である。機器7が比較的新規の機器中央148としてタグ付されたので、稀なプロセス、たとえば、洗浄/除霜サイクルのインスタンスであり得る。ツリーが描画および記載されると、このセクションは、たとえば1ヶ月などの所定期間内に実行すべきバックグラウンドプロセスのためのフラグで終了する。
5)バックグラウンドプロセスが日常的な更新の他の理由で開始され、続いてバックグラウンドプロセスは、基本の前提セットとして建物についての以前の情報を用いて、新たな居住者および/または機器が住居内に存在するとの仮説によって、居住者に関する位置および機器データ(以前に記載された)を使用して、先験的確率を調整するだけではなく、全く新たなトレーニング開始を実行する。このことが以前のデータから顕著な相違を生じる場合、続いて構築されたデータは、新規の、ワークフロー、ワークプロセス、および構成要素について使用される。このプロセスに耐えた物体は残るが、データは、最も近い期間によって更新された。
6)このデータ削除行為は、ワークプロセスの例を探すことによって完了する。トレーニング期間に生じる、それらの以前のデータからの確率は、たとえば95%の所定のレベル未満であり、すなわち、最近の期間に単に生じていない些細な出来事である。バックグラウンドプロセスは、それらが単に期間内に操作されていない可能性がある場合、機器が削除されていない(すなわち、フォアグラウンドプロセスの目的から除かれていない)かを検討する。バックグラウンドプロセスは、これらの削除された事項が再登場し、再導入される必要がある場合、これらを保持する必要がある。バックグラウンドプロセスは、新たな機器が削除されたものを置換したとの仮説を検証する。このことが正しいようであれば、履歴データから後に結論に達することができるように、HEMSデータログにおけるこの関係にフラグを付ける。HEMS4が、ユーザとの好適な関係を有し、機器がエネルギー使用の点で主要なものであれば(たとえば、照明、携帯端末でない)、ユーザに交換を確認するために質問することができる。
7)機器によるユーティリティ使用の重要な確率、またはワークフローが、再検討において変更される場合、次にプロセスは、たとえば1ヶ月などの所定の期間で再実行するために、それ自体にフラグ付けする。
上述のプロセスは、多数の異なる機器およびモデルの予期されるエネルギーシグネチャプロファイルと比較することによって1以上の機器を特定するために、「主要な」エネルギーシグネチャを検出し、分析することを可能にする。これらの「主要な」機器は、洗濯機、食洗機、TV、冷蔵庫、冷凍庫、照明などである。これは、区別することがさらに困難であるエネルギーシグネチャの組み合わせであって、デバイスチェンジャーなどの小さな機器と、緊急アラーム、HEMS4自体などのバックグラウンドシグネチャに継続的に寄与する機器/装置とから生じ得る、エネルギーシグネチャの組み合わせを残す。「主要な」機器が特定または認識されると、残っているデータを、同一プロセスに従って、残っている機器を特定するために分析可能である。目的は、建物内の全ての機器を特定することである。いくつかの機器の特定は、参照データと建物/周囲の地理的エリアなどの履歴/典型的使用データとの比較によって、迅速に生じてもよい。それ以外には、たとえば、機器がまれに使用される場合、より長い時間にわたって監視することを要求してもよい。
たとえば、家の中には250機器/構成要素が存在し得る。機器認識モジュール2/HEMS4は、時間経過とともに特定の動きをするそれらがどのような状態であるかを知ることを目的としている。このことは、ベイズ確率に基づく仮説を含む。最も可能性のある説明が最初に検討され、多くの認識される機器をもたらす。残っているエネルギーシグネチャは、続いて、分析され、機器および/またはこれらの機器の状態を特定する目的で仮説と比較される。最も可能性が高い仮説を第1に検索することを可能にすることによって、このことは、明確化の機会を有利に増加させ、コンピュータの要求を減少させる。
本発明の態様および実施形態は、以前に可能であったよりもよい基礎データセットを提供するために、住居に流入するユーティリティのセンサと、内部センサとからの情報のより広範囲の統合を有利に提供する。このことは、消費者がそれらのユーティリティをより効果的に調整することを補助する、建物内の居住者のパターン、機器およびユーティリティ使用のパターンを理解することを可能にする。
さらに、本発明の、非類似の既知のシステム、態様、および実施形態は、個々の機器を用いる人の挙動パターンと、洗浄、料理、入浴/シャワーなどの認識されるワークフローにおける機器の組み合わせとを組み込み、このことは、機器の認識を促進する。
本発明の実施形態にかかるHEMS4についてのシステム環境の概要は、図11に説明される。これは、建物の物理的性質150、外部環境152(天気予報、およびエネルギー料率)、内部環境154(機器の位置、微環境など)、ならびに居住者の経験156(関係、稼働率/使用、費用、および予算)の詳細を含む、HEMS4(およびそれらの相互関係のある性質)へのいくらかの入力を概説する。
本発明の態様および実施形態は、精巧化されたアルゴリズムによって多くの住宅内、およびにわたって、仮説の構築および検証による明確化を採用する。そのようなプロセスは、これまで可能ではなかった。
特許請求の範囲によって規定されたような本発明の範囲から逸脱しなければ、上述の実施形態に様々な修飾がなされてもよいことは当業者に理解される。たとえば、一実施形態の特徴は、他の実施形態の特徴と組み合わされ、調和されてもよい。
Claims (24)
- 建物内の環境管理システムを動作させる方法であって、
2以上のユーティリティを監視することによって、前記建物内の機器使用を監視し、それらを代表する出力信号を提供するために、各ユーティリティに関する1以上の特性を測定することと、
所定の時間間隔で各出力信号の状態の変化を監視することと、
1以上の機器使用のパターンを特定するために、各ユーティリティからの前記出力信号に由来するデータを結合させることと、
将来の機器使用の予測されるパターンを特定するために、機器使用の特定されたパターンを、建物の個々の居住者に関連した機器使用の保存されたパターンと比較することと、
将来の機器使用の特定された予測されるパターンに従って、建物内の環境を制御するように、前記環境管理システムを動作させることとを含むことを特徴とする方法。 - 前記建物内の機器は、システムを構成し、当該システムは、有限状態機械として表わされ、各出力信号は、特定の時間におけるシステムの特性の状態を表すことを特徴とする請求項1に記載の方法。
- 建物内の環境管理システムを動作させる方法であって、
建物内の機器使用を監視することであって、建物内の機器がシステムを構成し、当該システムは、有限状態機械として表わされることと、
2以上のユーティリティを監視し、出力信号を提供するために、各ユーティリティに関する1以上の特性を測定することであって、各出力信号が、所定の時間においてシステムの特性の状態を表すことと、
所定の時間間隔において各出力信号の状態の変化を監視することと、
1以上の機器使用のパターンを特定するために、各ユーティリティからの出力信号に由来するデータを結合することと、
特定されたパターンに従って建物内の環境を制御するように、前記環境管理システムを動作させることとを含むことを特徴とする方法。 - 前記システムは、マルコフ連鎖として表わされることを特徴とする請求項3または請求項4に記載の方法。
- 前記機器使用のパターンを特定する工程は、先験的確率を用い、第1に、最も可能性が高いと決定された機器使用の参照パターンとデータとを比較することを含むことを特徴とする請求項1〜4のいずれか1項に記載の方法。
- 前記1以上の特性の測定値は、所定の大きさの測定値域内に記録され、該値域は、所定の測定範囲内にあることを特徴とする請求項1〜5のいずれか1項に記載の方法。
- 機器への入力パターンに基づいてワークプロセスを経時的に規定することをさらに含むことを特徴とする請求項1〜6のいずれか1項に記載の方法。
- 1以上の機器にわたるワークプロセスの特定可能な順番に基づいてワークフローを規定することをさらに含むことを特徴とする請求項7に記載の方法。
- 1以上の機器使用のパターンを特定する工程は、前記出力信号の処理と、特定された、ワークプロセスおよびワークフローの分析とに基づいて、機器についてユーティリティ使用パターンを決定することを含むことを特徴とする請求項8に記載の方法。
- 出力信号が関連付けられた機器を特定するために、1以上の前記機器使用のパターンを、1以上の参照パターンと比較することを含むことを特徴とする請求項1〜9のいずれか1項に記載の方法。
- 前記比較に基づいて、機器が建物内に存在する可能性を評価することを含むことを特徴とする請求項10に記載の方法。
- 前記建物内の1以上の機器の、存在、位置、および/または使用の徴候を推測するために、1以上の前記機器使用のパターンを1以上の参照パターンと比較することを含むことを特徴とする請求項1〜11のいずれか1項に記載の方法。
- 先験的確率は、ワークフローの頻度分布を含むことを含むことを特徴とする請求項5に記載の方法。
- 先験的確率は、建物の利用状態についての、外因性因子および仮説を含むことを特徴とする請求項13に記載の方法。
- 過去の機器使用における保存データを参照することによって、機器のワークフロー、ワークプロセス、機器、および/または構成要素から仮説上に生じる、機器使用のパターンに関連した先験的確率を修正することをさらに含むことを特徴とする請求項13または14に記載の方法。
- 前記過去の機器使用は、1以上の他の建物内の1以上の機器に関し、先験的確率は、前記建物に関係する別の建物の地理的距離に依存して決定されることを特徴とする請求項15に記載の方法。
- 1以上の参照機器をコンピュータ言語で表わし、それによって、機器使用のパターンが機器内の規定された構成要素上で動作する規定プロセスに由来することをさらに含むことを特徴とする請求項1〜16のいずれか1項に記載の方法。
- 前記言語は、機器、プロセス、および構成要素の固有のインスタンスを、クラス継承によって作成することを特徴とする請求項17に記載の方法。
- 前記参照機器パターンは、前記機器に存在するか、または関連する、電気的シグネチャ、バーコード、またはQcodeから取得されることを特徴とする請求項12に記載の方法。
- 前記確率は、中央データと、ユーザ入力との分析の組み合わせに由来することを特徴とする請求項11、12、または19に記載の方法。
- 前記特性は、1つ以上の、フロー変数、ノイズ変数、および品質変数を含むことを特徴とする請求項1〜20のいずれか1項に記載の方法。
- 前記特性は、電圧、RMS電圧、カロリー値、位相角、電力、有効電力、無効電力、および色のうち1つ以上を含むことを特徴とする請求項20に記載の方法。
- 建物内の環境管理システムを動作させるための装置であって、
建物内の機器使用を監視するための装置であって、複数の測定装置を含み、各測定装置が、2以上のユーティリティのうちの特定の1つに関する1以上の特性を測定し、それらを表す出力信号を提供するように構成された、建物内の機器使用を監視するための装置と、
処理装置であって、各ユーティリティからの前記出力信号の組み合わせに応じて、
所定の時間間隔において、前記出力信号のそれぞれの状態における変化を監視し、複数の出力信号からの情報を組み合わせるように構成され、1以上の機器使用のパターンを特定し、
特定された機器使用のパターンを、建物の個々の居住者に関連した、記憶された機器使用のパターンと比較し、将来の機器使用の予測されるパターンを特定し、
将来の機器使用の特定された予測されるパターンに従って、建物内の環境を制御するために、環境管理システムを動作させる処理装置とを含むことを特徴とする装置。 - 建物内の環境管理システムを動作させるための装置であって、
建物内の機器使用を監視するための装置であって、複数の測定装置を含み、各測定装置が、2つ以上のユーティリティうちの特定の1つに関する1以上の特性を測定し、それらを表す出力信号を提供するように構成された、建物内の機器使用を監視するための装置と、
処理装置であって、各ユーティリティからの前記出力信号の組み合わせに応じて、
所定の時間間隔で前記出力信号のそれぞれの状態の変化を監視し、複数の出力信号からの情報を組み合わせ、1以上の機器使用のパターンを特定し、
建物内の機器が、システムを構成し、該システムが、有限状態機械として表わされ、各出力信号が、特定の時間におけるシステムの特性の状態を表し、
特定されたパターンに従って、建物内の環境を制御するように、前記環境管理システムを動作させるように構成された処理装置とを含むことを特徴とする装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB1503042.2A GB2535712A (en) | 2015-02-24 | 2015-02-24 | Method and system of monitoring appliance usage |
GB1503042.2 | 2015-02-24 | ||
PCT/GB2016/050460 WO2016135476A1 (en) | 2015-02-24 | 2016-02-24 | Method and system of monitoring appliance usage |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2018510600A true JP2018510600A (ja) | 2018-04-12 |
Family
ID=52822074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017545406A Pending JP2018510600A (ja) | 2015-02-24 | 2016-02-24 | 機器使用を監視する、方法およびシステム |
Country Status (7)
Country | Link |
---|---|
US (1) | US20180034657A1 (ja) |
EP (1) | EP3262576A1 (ja) |
JP (1) | JP2018510600A (ja) |
KR (1) | KR20170125878A (ja) |
CN (1) | CN107257984A (ja) |
GB (1) | GB2535712A (ja) |
WO (1) | WO2016135476A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019140861A (ja) * | 2018-02-15 | 2019-08-22 | 中電技術コンサルタント株式会社 | 電力データ処理システム及び電力データ処理システムを用いて電力データを処理する方法 |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11553320B1 (en) * | 2016-04-05 | 2023-01-10 | Alarm.Com Incorporated | Detection and handling of home owner moving by a home monitoring system |
TWI592774B (zh) * | 2016-08-08 | 2017-07-21 | 明基能源技術股份有限公司 | 電器設備的操作識別方法及應用其的操作識別系統 |
GB2553514B (en) * | 2016-08-31 | 2022-01-26 | Green Running Ltd | A utility consumption signal processing system and a method of processing a utility consumption signal |
US11451043B1 (en) | 2016-10-27 | 2022-09-20 | State Farm Mutual Automobile Insurance Company | Systems and methods for utilizing electricity monitoring devices to mitigate or prevent structural damage |
DE102016125572A1 (de) | 2016-12-23 | 2018-06-28 | Frima International Ag | Verfahren zum Betreiben von mehreren Geräten mit elektrischen Verbrauchern oder Gasverbrauchern und System mit mehreren solchen Geräten |
US11023984B1 (en) * | 2017-04-20 | 2021-06-01 | Wells Fargo Bank, N.A. | Virtual property appraisals and/or inspections |
US10935405B1 (en) * | 2017-05-12 | 2021-03-02 | Alarm.Com Incorporated | Disaggregation of water consumption data |
US11144987B2 (en) | 2017-12-07 | 2021-10-12 | International Business Machines Corporation | Dynamically normalizing product reviews |
DE102017223226A1 (de) * | 2017-12-19 | 2019-06-19 | Henkel Ag & Co. Kgaa | Verwendung von externen Informationen beim Betreiben einer Haushaltsvorrichtung |
US11941114B1 (en) | 2018-01-31 | 2024-03-26 | Vivint, Inc. | Deterrence techniques for security and automation systems |
US11488077B1 (en) * | 2018-01-31 | 2022-11-01 | Vivint, Inc. | Smart sensing techniques |
US11372033B1 (en) * | 2018-05-09 | 2022-06-28 | Alarm.Com Incorporated | Electric power monitoring system |
US20200143235A1 (en) * | 2018-11-01 | 2020-05-07 | Honda Motor Co., Ltd. | System and method for providing smart objects virtual communication |
KR101980328B1 (ko) * | 2018-11-16 | 2019-05-21 | (주)휴빌론 | 측위를 위한 실내외 판단 방법 및 장치 |
KR20200084268A (ko) | 2019-01-02 | 2020-07-10 | 삼성전자주식회사 | 홈 네트워크에서 사용자의 활동 상태를 추정하는 사용자 단말 및 그 제어 방법 |
US11334035B2 (en) * | 2019-12-04 | 2022-05-17 | Budderfly, Inc. | Machine learning application to predictive energy management |
US11816112B1 (en) | 2020-04-03 | 2023-11-14 | Soroco India Private Limited | Systems and methods for automated process discovery |
CN111881419B (zh) * | 2020-07-28 | 2023-07-25 | 重庆长安汽车股份有限公司 | 一种车辆冷启动评价方法 |
US11557007B2 (en) * | 2020-09-30 | 2023-01-17 | PowerX Technology Inc. | Utility monitoring and utility usage determination, control and optimization |
US11656145B2 (en) | 2020-10-26 | 2023-05-23 | Alarm.Com Incorporated | Consumable gas leak detection |
US11991490B2 (en) * | 2021-09-20 | 2024-05-21 | Vutility, Inc. | Relative adaptive encoding |
CN115018212B (zh) * | 2022-08-08 | 2022-10-28 | 水利部珠江水利委员会珠江水利综合技术中心 | 发电用水量预测分析方法、系统及云平台 |
CN116149235B (zh) * | 2023-04-03 | 2023-07-18 | 艾欧史密斯(中国)热水器有限公司 | 家电系统的数据处理方法、控制器及家电系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7885917B2 (en) * | 2006-05-26 | 2011-02-08 | Board Of Regents Of The Nevada System Of Higher Education, On Behalf Of The Desert Research Institute | Utility monitoring and disaggregation systems and methods of use |
GB2464634B (en) * | 2008-07-17 | 2010-12-01 | Isis Innovation | Utility meter |
WO2010007369A2 (en) * | 2008-07-17 | 2010-01-21 | Isis Innovation Limited | Utility metering |
GB2476927B (en) * | 2009-11-12 | 2012-01-11 | Onzo Ltd | Event identification |
CN102822639B (zh) * | 2010-01-25 | 2016-01-13 | 吉尼瓦洁净技术公司 | 器具的自动检测 |
US20120053472A1 (en) * | 2010-08-30 | 2012-03-01 | Bao Tran | Inexpensive non-invasive safety monitoring apparatus |
-
2015
- 2015-02-24 GB GB1503042.2A patent/GB2535712A/en not_active Withdrawn
-
2016
- 2016-02-24 JP JP2017545406A patent/JP2018510600A/ja active Pending
- 2016-02-24 CN CN201680012012.3A patent/CN107257984A/zh active Pending
- 2016-02-24 WO PCT/GB2016/050460 patent/WO2016135476A1/en active Application Filing
- 2016-02-24 EP EP16707519.1A patent/EP3262576A1/en not_active Withdrawn
- 2016-02-24 US US15/552,087 patent/US20180034657A1/en not_active Abandoned
- 2016-02-24 KR KR1020177027122A patent/KR20170125878A/ko unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019140861A (ja) * | 2018-02-15 | 2019-08-22 | 中電技術コンサルタント株式会社 | 電力データ処理システム及び電力データ処理システムを用いて電力データを処理する方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2016135476A1 (en) | 2016-09-01 |
US20180034657A1 (en) | 2018-02-01 |
EP3262576A1 (en) | 2018-01-03 |
CN107257984A (zh) | 2017-10-17 |
GB2535712A (en) | 2016-08-31 |
KR20170125878A (ko) | 2017-11-15 |
GB201503042D0 (en) | 2015-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2018510600A (ja) | 機器使用を監視する、方法およびシステム | |
US20210293863A1 (en) | Electrical meter for determining information about devices using different sets of features | |
JP6776316B2 (ja) | 需要応答イベント中におけるhvacシステムの制御 | |
US9691030B2 (en) | Assisted labeling of devices with disaggregation | |
US9739813B2 (en) | Determining information about devices in a building using different sets of features | |
CN108052015B (zh) | 使用不同的特征集确定关于建筑中的设备的信息 | |
US10416643B2 (en) | Smart home system and method | |
CA2822804C (en) | Automation and security application store suggestions based on usage data | |
US9057746B1 (en) | Determining information about devices in a building using different sets of features | |
US9172623B1 (en) | Communication of historical and real-time information about devices in a building | |
CN107408273B (zh) | 关于建筑物中的设备的历史和实时信息的通信 | |
JP2013518556A (ja) | 家電機器の自動検出 | |
US20230358588A1 (en) | Disaggregation of water consumption data | |
JP2020514931A (ja) | 低頻度エネルギー分解技法の改善 | |
Tan et al. | Unsupervised residential power usage monitoring using a wireless sensor network | |
Cammaert | Anomaly detection on power signals to monitor behavior |