JP2019513001A - 電流消費モニタリングおよびその機械学習に基づくデバイス状態の決定のためのシステムおよびその方法 - Google Patents

Abstract

電流消費体動作状態の決定ためのシステムは、電流消費体の対応するデータの２つのセットに関して動作する。データの第１のセットは、周期的に測定された電流消費の過去のデータである。システムのトレーニングモジュールは、電流消費体の複数の別々の動作状態を過去のデータに基づいて決定する。トレーニングはモデルの選択を含み、そして状態パラメータをモデルに基づいて決定する。一度十分なトレーニングが行われると、システムは、抽出された状態パラメータに基づいて、新たな受信される電流測定または複数の測定を複数の別々の動作状態から電流消費体の別々の動作モードに分類するために、その分類モジュールを使用する。トレーニング位相は、周期的に繰り返され、より新しいデータを過去のデータに追加し、さらに、より新しいデータが利用可能にされた際により古いデータを破棄して、状態および関連付けられたパラメータを更新してもよい。

Description

関連出願の相互参照
本出願は、２０１６年３月５日付出願の米国仮特許出願第６２／３０４，１８３号の米国特許法第１１９条（ｅ）に基づく利益を主張するものであり、当該出願は、参照によりその全体がここに具体的に組み込まれる。本出願は、共通の譲受人に譲渡された、米国特許出願第１２／７６０，８６７号、米国特許出願第１４／５８６，６０５号、および米国特許出願第１４／６６２，０３９号を参照し、これらは、参照によりここに組み込まれる。

発明の背景
１． 発明の技術分野
本発明は、一般にデバイスによる電力消費のモニタリングに関し、より具体的には電力消費デバイスの動作状態の決定に関する。

２． 先行技術
エネルギ管理システムにおける近年の発展およびモノのインターネット（ＩｏＴ）は、メイン電力ラインだけでなく個々のデバイスのエネルギ消費のリアルタイムデータの容易かつ低コストの収集および可視性を可能とした。 エネルギ管理の当業者の誰にとっても、そのようなデータは、施設管理者がエネルギ消費サイトの動作およびエネルギ効率性を著しく増加させるのに役立てることができるという素晴らしい価値を含むことは、明らかである。しかし、分析的リソースの不足およびコストに起因して、大量のデータからそのような価値ある洞察を実用的かつ容易にもたらすことは常に大いなる課題である。より多くのデバイスがモニタされるにつれ、タスクは、少なくともリアルタイムで実行可能な情報を提供する方法で、手動で管理されることは実用的に不可能になる。

電流消費の簡単な例は、図１に図示される。１分間隔のある時間の期間にわたるアンペアでの電流消費は、チャート内に提示される。データは、たとえば、参照によってここに組み込まれ、共通の譲受人に譲渡された「Ａｐｐａｒａｔｕｓ ａｎｄ Ｍｅｔｈｏｄｓ Ｔｈｅｒｅｏｆ ｆｏｒ Ｐｏｗｅｒ Ｃｏｎｓｕｍｐｔｉｏｎ Ｍｅａｓｕｒｅｍｅｎｔｓ ａｔ Ｃｉｒｃｕｉｔ Ｂｒｅａｋｅｒ Ｐｏｉｎｔｓ」と題される米国特許第１２／７６０，８６７号で説明された、電流消費をモニタする従来技術のデバイスによって収集され得る。ただ大まかにチャートを見ることによって回路の動作状態を観察することは容易である。たとえば照明が午前１０：００直前にオンにされ、午前１１：４０にオフされたことは明らかである。そして、それは、再び午後１２：３０にオンにされ、午後４：００前にオフにされた。「オン」状態は、約１．５Ａの平均電流レベルによって特徴付けられ、「オフ」状態は、ゼロに近い電流によって特徴付けられる。 当業者は、「オフ」状態にあっても、あるデバイスが依然として動作可能であり同じ電流モニタデバイスによって検知され得るので、低い電流レベルが存在し得ることに気付くだろう。

これらの洞察は、予期されたまたは予め規定されたスケジュールにしたがって照明が朝にオンにされ夜にオフされることを知る必要があるエネルギ管理者にとって、大いなる価値を有することに気付くことは容易である。具体的には、管理者は、エネルギの浪費を避けるために、照明が想定されていないときにオンにされなかったことを確実にすることができる。さらに、間違った時間または予期されない時間に照明がオンまたはオフにされた場合、リアルタイムで通知を受信することは、非常に有益である。旧来、エネルギ管理者または分析者は、手動でデータを調べ、そのような異常を探しただろう。しかし、多数の回路または装置が関与する場合、このタスクは処理不可能になる。さらに、アラートがリアルタイムまたはほぼリアルタイムで必要とされる場合、回路の状態の検出は、照明回路の場合の「オン」または「オフ」と同じように、簡単に自動的に提供されることが好ましい。

図１に示すように、電流閾値は、この特定のケースで約１Ａに設定され得、閾値を超える電流が「オン」として分類され、閾値を下回る電流が「オフ」として分類される。次いで、ソフトウェアは、データ収集点において上記の閾値に基づいて状態をレポート処理し得る。これは、現在のいくつかの半自動解決策によって取られているアプローチである。このような解決策の欠点は、データ分析者が個々のデバイスレベルでデータを見て、回路ごとに閾値を設定する必要があることであり、これは明らかに非スケーラブルなアプローチである。このことは、異なる照明回路が類似の形態のパターンを有する可能性があるが、これらのパターンは異なる特性を有するという事実による。例えば、「オン」電流の周りのノイズレベル、電流変動等が異なる可能性があるため、平均の「オン」電流は、より高くまたは低くあり得る。「オフ」状態の電流は、ゼロまたは同じ照明回路に並列に接続された別の電力消費体から生じる他の何らかの低電流値であり得る。場合によっては、低電力電源出力は、便宜上または改造等の結果として、照明ラインに接続される。このことは、図１にも示されている。さらに、このような閾値は、動的であり、経時的に変化する。電球は追加または取り外され得、デバイス性能は経時的に悪化し得、装置の変更または回路に並列する多くのデバイスの追加などが行われ得、これらはすべて、そのような変化に寄与し得る。したがって、そのような半自動解決策は、十分にスケーラブルな解決策を提供しない。

他にも、より複雑な電流消費パターンが発生する可能性がある。そのような一例は、図２のコンベアベルトの経時的な電流消費を示す図に示される。この例では、石油化学設備における重質原料を搬送するコンベアベルトの消費が示される。この場合、図１ほど容易に観察することはできないが、例えば午前６時付近の、コンベアベルトが動作していないいずれのエネルギも消費していない「オフ」状態と、例えば午前７〜８時の間の、コンベアベルトが可変負荷を運び、電流が平均９Ａのあたりで変化している「オン」状態と、例えば午前９：００〜９：３０の間の、「オン」電流の平均よりも低い平均７Ａのあたりで変化する電流でコンベアベルトが動作している第３の状態と、の３つの潜在的に異なる動作状態が観察される。この第３の状態は、実際にはコンベアベルトが無負荷で動作している「アイドル」状態であり、「アイドル」状態とも称されてもよい。細心な観察者はまた、「オン」状態時の電流は、原料の量の変化の結果として、モータ負荷の変化に起因してノイズを含むのに対し、「アイドル」状態時の電流は、モータ負荷が一定であり、すなわち、負荷変動がないという事実のために、平坦な形状を呈することに気付くであろう。また、状態間の遷移位相がより緩やかであり、以前に示す図１の照明回路の例ほど明確ではないことが顕著である。この、より複雑かつ確かにより決定論的ではないパターンは、手動でデータを観察する分析者によって行われる単純な分析を良好に得られなくする。

多少異なるタイプの複雑さを有するさらに別の例は、２台のコンプレッサを含む空調ルーフトップユニット（ＲＴＵ）の経時的な電流消費のタイムチャートである、図３に示される。チャートは、ａ）「アイドル」状態とも称され得る、空気ハンドラまたはファンのみが動作している１０Ａ付近の低消費モード、ｂ）１台のコンプレッサが動作している、２５Ａ付近の中間「オン」状態、ｃ）２つのコンプレッサが共にオンにされる、５０Ａ付近の高「オン」状態、の３つの離散動作状態を示す。さらに、（コンプレッサが目標温度に達するとオフになり、温度が再び上昇するとオンになる）ユニットの温度制御機構の結果であるパターンの周期的な性質、すなわちオン状態とアイドル状態との間の周期的サイクルが観察されることができる。この「サイクル」状態は、より基本的なデバイスの状態の遷移のシーケンスである「スーパー状態」とも称されることができる。

上記の例を考慮しても、そのような状態およびスーパー状態を決定するために人間の介入を要する単純な半自動解決策は、非実用的で時間がかかり、継時的に非効率的で不正確である。分類の問題への効果的な解決策を提供する主要な課題の１つは、そのため、プロセスが、監督されないプロセス（すなわち、データがタグ付けされない）という事実である。したがって、電力管理のための実用的かつ効果的な解決策を提供するために、エネルギ消費量または電流の読込みに基づく動作状態の自動的かつ自律的な分類のための解決策を提供することは、先行技術の欠点を克服するために有利であろう。

図面の簡単な説明
ここで開示される主題は、明細書の終わりの特許請求の範囲において具体的に指摘され、明確に記載される。開示される実施形態の上記および他の目的、特徴、および利点は、添付の図面と併せて以下の詳細な説明から明らかになるであろう。

照明回路の時間に対する電流消費のタイムチャートである。 コンベアベルト回路の時間に対する電流消費のタイムチャートである。 空調ルーフトップユニット回路の時間に対する電流消費のタイムチャートである。 実施形態に係る動作状態のトレーニングおよびその分類を行うためのシステムの概略図である。 コンベアベルトのエネルギデータの確率密度を示す図である。 実施形態に係る複数の電力消費デバイスの時間に基づく表示動作状態を表示するチャートである。 実施形態に係るモニタデバイスの動作を示すフローチャートである。 実施形態に係るモニタデバイスに含まれる分類モジュールの動作を示すフローチャートである。

好ましい実施形態の詳細な説明
今回開示された実施の形態は、ここでの革新的な教示の多くの有利な使用の例にすぎないことに留意することが重要である。一般に、本出願の明細書においてなされた記述は、必ずしも様々な請求される実施形態のいずれかを限定するものではない。また、いくつかの記述は、いくつかの発明の特徴にではなく、他のものに適用されてもよい。一般的に、特に明記しない限り、一般性を失うことなく、単数形の要素は複数であってもよく、またはその逆であってもよい。図面において、符号は、いくつかの図を通して同様の部分を指す。

電流消費体の動作状態の決定のためのシステムは、それぞれの電流消費体の２つのデータセット上で動作する。第１のセットのデータは、周期的に測定された電流消費の過去のデータである。システムのトレーニングモジュールは、過去のデータに基づいて、電流消費体の複数の別々の動作状態を決定する。トレーニングは、モデルの選択を含み、そのモデルに基づいて状態パラメータを決定する。十分なトレーニングが行われると、システムは、複数の別々の動作状態から電流消費体の別々の動作モードに対して、抽出された状態パラメータに基づいて、新たに受信される電流測定または複数の測定を分類するための分類モジュールを使用する。トレーニングフェーズは、より新しいデータを過去のデータに周期的に追加することを繰り返してもよく、また、新しいデータが利用可能にされる際により古いデータを削除し、そして状態および関連づけられたパラメータを更新してもよい。

今度は、実施例に係る動作状態のトレーニングおよび分類のためのシステム４００の例示的かつ非限定的な概略図である、図４を参照する。ネットワーク４１０に通信可能に接続されているのは、１つまたは複数の自己電源式パワーセンサ（ＳＰＰＳ）４７０に無線で通信可能に接続された、通信ブリッジ４４０である。そのような構成の例示的な動作の詳細は、ともに「Ｓｙｓｔｅｍ ａｎｄ Ｍｅｔｈｏｄｓ Ｔｈｅｒｅｏｆ ｆｏｒ Ｍｏｎｉｔｏｒｉｎｇ ｏｆ Ｅｎｅｒｇｙ Ｃｏｎｓｕｍｐｔｉｏｎ Ｃｙｃｌｅｓ」と題され、すべて共通の譲受人に譲渡された米国特許出願第１２／７６０，８６７号および第１４／５８６，６０５号に詳細に提示され、その全体は、ここに参照により組み込まれる。ネットワーク４１０は、有線、無線、またはそれらの組み合わせであってもよく、それは、ローカルエリアネットワーク（ＬＡＮ）、ワイド・エリア・ネットワーク（ＬＡＮ）、セルラーネットワーク、およびその上のデータ転送に適したネットワークの任意の他のタイプであってもよい。ＳＰＰＳ４７０は、電力ライン４３０を流れる電流を検知する。電力ライン４３０へと、単位相電力消費デバイス（ＰＣＤ）４２０、たとえばＰＣＤ４２０−１が、接続されてもよい。そのような単位相ＰＣＤ４２０−１は、単一のＳＰＰＳ４７０−１によってモニタされる。さらに、電力ライン４３０へと、３位相ＰＣＤ４２０、たとえばＰＣＤ４２０−Ｎが、接続されてもよい。そのような３位相ＰＣＤ４２０−Ｎは、３つのＳＰＰＳ４７０、４７０−ｘ、４７０−ｙおよび４７０−ｚによって、すなわち、各位相に対して１つのＳＰＰＳ４７０によってモニタされてもよい。ここで説明される構成は、典型例であり、ＰＣＤ４２０による電力消費の他のモニタリング方法がまた使用されてもよいことが理解される。したがって、この特定の説明は、本発明の一般性を制限するように読まれるべきではない。

ネットワーク４１０へと、データベースユニット４６０がさらに接続されてもよく、データベースは、ＳＰＰＳ４７０から記録された過去のデータを格納する目的で使用される。これらのＳＰＰＳ４７０は、それらがモニタするラインからの電流消費の周期的読込みを提供し、これらは、無線で通信ブリッジ４４０に送信され、そしてプロセスの間またはその後に、ここでさらに説明されるように、データベース４６０内に格納される。加えて、モニタデバイス４５０は、ネットワークに通信可能に接続され、データをデータベース４６０からまたは通信ブリッジ４４０からのいずれかから受信するために適合される。

図４に示されるように、モニタデバイス４５０は、メモリ４５３、プロセッサ４５１、インタフェース４５５、トレーニングモジュール（ＴＭ）４５２および分類モジュール（ＣＭ）４５４を含む。インタフェース４５５は、それぞれのＰＣＤ４２０からネットワーク４１０を介して読込みを受信し、図４のユーザデバイス（ＵＤ）４８０＿１−４８０＿Ｍ（Ｍは１以上）のうちの少なくとも１つに、ＵＤ４８０＿１−４８０＿Ｍそれぞれに含まれる表示デバイス上に通知を表示するために信号を送信するための、ネットワーク４１０へのインタフェースであってもよい。プロセッサ４５１は、マイクロプロセッサ、マイクロコントローラ、デジタル信号プロセッサ、または中央処理装置といったプロセッサ、およびグルーロジックといったその他の必要な集積回路を含んでもよい。「プロセッサ」という用語は、たとえば複数のプロセスコアを有するＣＰＵといった、２つ以上のプロセスユニットまたは素子を有するデバイスを意味し得る。プロセッサ４５１は、メモリ４５３内に格納されたソフトウェア命令またはコードを実行することによって、モニタデバイス４５０の動作をコントロールするために使用されてもよい。メモリ４５３は、ハードディスクドライブストレージ、不揮発メモリ、およびダイナミックランダムアクセスメモリといった揮発メモリ等の、１つまたは複数の異なるタイプのストレージを含んでもよい。いくつかの場合、以下に説明される特定の機能は、プロセッサ４５１の異なるハードウェアユニットによって実行されるメモリ４５３内の２つ以上のピースのソフトウェアとして実装されてもよい。

図４に示されるように、モニタデバイス４５０は、トレーニングモジュール（ＴＭ）４５２および分類モジュール（ＣＭ）４５４をさらに備える。メモリ４５３は、プロセッサ４５１によって実行されたときに、プロセッサ４５１がＴＭ４５２およびＣＭ４５４の機能をコントロールすることをもたらす命令をその内部に格納していてもよい。プロセッサ４５１は、一定期間にわたって特定のデバイスから受信される電流測定に関連するデータを受信し、ＴＭ４５２をコントロールし得る適切なモデル、非限定的一例としてガウシアン混合モデル（ＧＭＭ）を使用し、そこからモニタされるＰＣＤ４２０の異なる動作状態の決定を可能にするパラメータを抽出するように適合される。ＴＭ４５２は、データベース４６０内に格納された過去のデータを入力として使用するか、一定期間にわたって通信ブリッジ４４０から受信されるライブデータを使用してもよい。一度適切なパラメータが確立されると、ＣＭ４５４は、モニタデバイス４５０によってモニタされるＰＣＤ４２０の電流状態を決定するために、通信ブリッジ４４０から受信されるライブデータ上のこれらのパラメータを使用する。実施形態では、１つまたは複数のユーザデバイス（ＵＤ）４８０は、ネットワーク４１０に通信可能に接続され、適切なユーザーインタフェース（ＵＩ）または適切なアプリケーションプログラミングインタフェース（ＡＰＩ）を用いて、モニタされるＰＣＤ４２０のそれぞれの動作状態または複数の動作状態情報を少なくとも表示することができる。本発明の１つの実施形態では、ＣＭ４５４によって決定される際に、状態情報は、データベーステーブルに部分的に保存されるかデータベース４６０から分離されて保存され、ＵＤ４８０は、実際の並びに上記のデータベースからの過去の、状態情報を用いる。他の分析ツール（図示しない）は、さらにシステム４００の一部であってもよく、それぞれの状態情報のより高度な分析を予め行ってもよい。例示的で非限定的な実施形態では、ルールエンジンを使用することができ、これらのルールに従って処理した後の結果は、ＵＤ４８０に送信される。これらの分析ツールは、ＣＭ４５４の出力を直接サブスクライブするかデータベース４６０から状態情報を読み出すことができる。

１つの実施形態では、モニタデバイス４５０は、それぞれのＵＤ４８０内に含まれる表示デバイス上に通知を表示するために、信号をユーザデバイス（ＵＤ）４８０のうちの少なくとも１つへと送信する。通知は、たとえば、電力消費デバイスの電流動作状態を含んでもよい。通知はまた、電力消費デバイス（ＰＣＤ）４２０の動作状態の時間に基づく表示を含んでもよい。通知はまた、複数の電力消費デバイス（ＰＣＤ）４２０の動作状態に関連してもよい。

モニタデバイス４５０は、したがってＰＣＤ４３０の動作状態を識別するように適合される学習マシンである。１つの実施形態では、ＰＣＤ４２０タイプは、前もって既知であると仮定される。各ＰＣＤ４２０タイプに対して、そのようなＰＣＤ４２０の特殊なエネルギ消費パターンに基づき異なるモデルが必要とされ得るため、この仮定は重要であり得る。しかし、ＰＣＤ４２０タイプを自動的に決定すること、すなわち動作状態の分類のはじまりでＰＣＤ４２０の分類を行うことも可能である。さらに、モニタデバイス４５０はまた、ＰＣＤ４２０に関連付けられた動作状態から、動作状態およびそれと共に関連付けられた状態パラメータを除去してもよい。当業者が追加の過度の負担なく行うはずであるので、また単純化のためにも、以下の説明は、ＰＣＤ４２０タイプの分類を含まないが、それは明らかに本発明の範囲にある。実施形態によれば、モニタデバイス４５０は、データベース４６０から提供されるトレーニングのためのいくらかの過去のデータを要する。トレーニングプロセスは、データベース４６０から抽出されたある期間の過去のデータにわたるＰＣＤ４２０タイプ特有のアルゴリズムに対して、ＴＭ４５２を用いて動作可能なオフラインプロセスであってもよい。このことは、照明回路、コンベアベルト、空調（Ａ／Ｃ）ルーフトップユニット（ＲＴＵ）等に対して、特有のアルゴリズムが使用されることを意味する。どのアルゴリズムを使用するかの選択は、データに基づいて自動的であってもよく、ＰＣＤ４２０タイプに基づいて自動であってもよく、またはＵＤ４８０のユーザーによって手動で提供されてもよい。

ＴＭ４５２によって動作可能なアルゴリズムは、個々のＰＣＤ４２０ごとの特徴的パラメータを、その動作状態をリアルタイムで決定するのに役立てるために出力する。たとえば図１に示された照明回路の単純なケースでは、それらのパラメータは、「オン」動作状態と「オフ」動作状態との間の遷移を表す電流レベルを含んでもよい。ＴＭ４５２は、周期的に動作し、それらのパラメータをＰＣＤ４２０の潜在的に変化する動作に合わせるために定期的に更新してもよい。ＰＣＤ４２０のさまざまな動作状態が正しく補足されることを確実にするための最少のトレーニング期間が適切である。たとえば、限定するものではないが、１週間の期間が使用されてもよく、これは、電力消費視点から全く異なる平日と週末の両方を含み、デバイスの動作状態からのデータを含む可能性が高いので、代表的エネルギデータプロファイルを得るのに十分であり得る。したがって、新たに取り付けられたＰＣＤ４２０は、いずれかの分類が十分に正確になされることができる前に、初期トレーニング期間を要するだろう。デバイスの動作状態の完全なセットを包含するために、特に暖房および冷却ＰＣＤ４２０を取り扱うときに、季節変動もまた考慮されてもよく、このためトレーニングは、異なる季節、特に冬季および夏季からの情報を含んでもよい。各ＰＣＤ４２０タイプにおける個々のＰＣＤ４２０各々に対する特徴的パラメータは、そして各ＰＣＤ４２０に対するＣＭ４５４への入力として提供される。ＣＭ４５４は、特定のＰＣＤ４２０に対するリアルタイムエネルギデータ、たとえばここで説明される電流読込み、を取得するオンラインプロセスとして行われ、ＰＣＤ４２０の動作状態をリアルタイムで決定するために、ＴＭ４５２から提供されるパラメータを使用する分類モデルを用いる。ＰＣＤ４２０の動作状態はそして、たとえば、データベース４６０に保存されることができ、そしてＵＤ４８０のセットと、並びにまた上述のＵＤ４８０によって使用されるさまざまな分析ツールとによって使用される。

実施形態によれば、分類は、上記のＰＣＤ４２０タイプの個々のＰＣＤ４２０ごとに決定される特徴的分類パラメータを有する、特定のＰＣＤ４２０タイプに合う特定モデルまたはアルゴリズムに基づく。一般的な手法は、時間ベースのエネルギデータ分布を、各々が平均付近に集中し特定の幅を有する正規ガウシアン分布の混合と見るものである。そのようなガウシアンは、ＰＣＤ４２０の離散的動作状態に関連付けられる。各ガウシアンの確率密度ｆ（ｘ、ｋ）は、数式（１）において説明され、ここで、ｘは、エネルギ値（たとえば、電力）であり、ｋは、状態インデックスであり、μ_kおよびσ_kはそれぞれ、そのような状態の平均および標準偏差である。

一度そのような離散的動作状態値分布の平均および標準偏差が過去のデータからトレーニングモジュールＴＭ４５２を用いて抽出されると、それらは、ＣＭ４５４がＰＣＤ４２０の状態をリアルタイムで決定するために使用されることができる。このモデルは、業界研究によって十分に説明され、一般的にガウシアン混合モデル（ＧＭＭ）とも称される。

図５は、コンベアベルトのエネルギデータの確率密度の例示的かつ非限定的ダイアグラムを示す。ダイアグラムは、ＴＭ４５２を用いてＧＭＭアルゴリズムを過去のバッチデータに適用した後の、図２に図示されるコンベアベルトデータに対するエネルギ分布に基づく。Ｘ軸は、電流読込みであり、Ｙ軸は、確率密度である。２つの状態が明らかであり、ａ）「アイドル」動作状態は、約７Ａの平均、および相対的に狭い分布によって特徴付けられ、ｂ）「オン」動作状態は、比較的広い分布を有しており、平均１０Ａを有する。このことは、図２のデータに対して提供される説明から予測される。この特定の例では、動作状態に対する平均および標準偏差の両方、並びに各動作状態の重みは、ＴＭ４５２の出力であり、ＣＭ４５４への入力として使用される。

この例は、図２のコンベアベルトの例に適用可能な、ＴＭ４５２によって抽出された２つの別々のガウシアン分布を説明するが、本発明の範囲から逸脱することなく任意の数の分布が可能である。照明回路といった単純なデバイスためのトレーニングは、単一の平均および標準偏差を有する単一のガウシアン分布をもたらすことができる。図３に説明されるＲＴＵといった他のデバイスためのトレーニングは、「アイドル」状態、「単一の」コンプレッサ状態および「デュアル」のコンプレッサ状態を説明する、３つのガウシアン分布をもたらすことができる。

いくつかのケースでは、ＧＭＭアルゴリズムはまた、所望の状態を説明しない、おそらくはデバイスが状態を変化されていた間に読み込まれた中間値である電流読込みなどから生じる遷移状態を説明する分布を出力し得る。そのような分布は、例示的に広い標準偏差および低い重みによって説明され、例示的には２つの明らかに規定された状態間、たとえば、ＲＴＵに対する「シングル」および「デュアル」コンプレッサ動作状態の間で明らかである。１つの実施形態では、トレーニングモジュールＴＭ４５２は、そのような状態パラメータを除外し、分類モジュールＣＭ４５４に所望の分類状態に関連付けられたパラメータのみを渡す。

時々、トレーニングモジュールＴＭ４５２は、別々の状態を定性的に決定できないかもしれない。たとえば、ＧＭＭアルゴリズム適用した後に、特定のＰＣＤ４２０タイプに対して予期された数のガウシアン分布を見つけられない、または、あまりにも明らかではなく広すぎる分布を見つけた、などである。１つの実施形態では、ＴＭ４５２は、ＴＭ４５２によって生成される複数の状態パラメータが予め規定された品質値を満たすかを決定する。予め規定された品質値は、分布、分布の重み、平均電流、および状態平均に基づいてもよい。別の実施形態では、ＴＭ４５２は、複数の状態パラメータが予め規定された閾値以上で予め規定された品質値とは異なるかどうかを決定してもよい。１つの実施形態では、パラメータが予め規定された品質値を満たさないか、予め規定された閾値以上で予め規定された品質値を下回るときに、トレーニングモジュールＴＭ４５２は、エラーメッセージを出力してもよい。別の実施形態では、トレーニングモジュールＴＭ４５２は、代替的なトレーニングモデルを使用し、ＰＣＤ４２０によりよく合うものを見つけることを試みてもよい。この実施形態では、トレーニングモジュール４５２は、複数の状態パラメータが予め規定された閾値以上で予め規定された品質値とは異なることが決定されるときに、異なるトレーニングモジュールを選択してもよい。

ＰＣＤ４２０、たとえば、ＰＣＤ４２０−１に対してＣＭ４５４に提供されるリアルタイム電流測定、さらにＰＣＤ４２０−１に対してＴＭ４５２によってＣＭ４５４に提供されるそれぞれのパラメータに応答して、ＣＭ４５４は、到来データの各点に対して、リアルタイムで、各動作状態に対する確率を決定するＰＣＤ４２０−１の電流動作状態についての決定を行う。動作状態ｊに関連づけられる点ｘの確率は、各状態の確率密度から導出されるスコア関数によって以下のように計算されることができる。

各点ｘが１つの動作状態に関連付けられるので、すべての動作状態に関する関数ｐの和は、１に等しいことは明らかであるだろう。１つの実施形態では、上記の関数の最大値が考慮されることができる。さらに別の実施形態では、動作状態間の遷移をより正確に決定し、ノイズの多い挙動を除外するためなどに、限定されない一例として、時間遅延またはヒステリシス状態といった洗練された機構は、本発明の範囲から逸脱することなく、ＣＭ４５４による確率計算のはじまりで使用されることができる。たとえば時間遅延を実装するＣＭ５４５の実施形態では、状態を決定するために、期間Ｔ内のすべての連続的な測定が特定の確率状態に属することが見いだされてもよい。ヒステリシス状態を実装するＣＭ４５４のさらに別の実施形態では、新しい状態へと切り替わることを決定するために、期間Ｔ内のすべての連続的な測定が、隣接状態の確率から少なくとも何らかの予め規定されたパーセントのデルタを有する特定の確率状態へと属するという、さらに強い状態が見いだされてもよい。そのような実施形態では、時間の期間および予め規定されたパーセンテージ、または他のパラメータは、特定モデルまたは消費体タイプに関連付けられたＣＭ４５４の内部パラメータである。別の実施形態では、これらは、消費体タイプまたは個々の消費体に基づいて、トレーニングモジュールＴＭ４５２によって自動的に決定されることができる。

いくつかの実施形態では、ＣＭ４５４は、上記のロジックを適用した後に、ＰＣＤ４２０の状態を決定することができないかもしれない。たとえば上述の時間遅延またはヒステリシスを参照して、予め規定された期間に対していずれの時間連続的な測定も確率状態を満たさない場合、たとえば２つの別々の状態の確率が互いに非常に近い値の付近で読込みが変動した結果として、ＣＭ４５４は、一定期間に対して「不明」状態を宣言してもよい。

多くの実施形態では、分類モジュールＣＭ４５４は、ＧＭＭトレーニング出力のための追加的ロジックを要する。単純な例を考えると、図５の分布を参照して、「オフ」状態が例示的にデータの無い状態として現れるので、２Ａ以下の電流値は、３番目の「オフ」状態に関連付けられ、「アイドル」状態には関連付けられないものとすべきことは明らかである。新たなロジックに関連付けられたパラメータは、特定モデル、ＰＣＤ４２０タイプに関連付けられたＣＭ４５４の内部パラメータである。別の実施形態では、これらは、ＰＣＤ４２０タイプについて個々のＰＣＤ４２０に基づいてＴＭ４５２によって自動的に決定されることができる。

時々、ＰＣＤ４２０は、３位相デバイスであって、すべての位相がモニタされ、トレーニングおよび分類がそれらの３位相の各々に対して別々に行われる。したがって、３位相状態は、ＰＣＤ４２０状態に関連付けられる。１つの実施形態では、ＣＭ４５４はそのため、３つの異なる位相の分類から得られた結果にわたって分類プロセスを適用することによって、ＰＣＤ４２０の動作状態を決定することができる。たとえば限定するものではないが、多数の状態、少数の状態または一致する状態は、特定の３位相ＰＣＤ４２０の動作状態を決定するために使用されてもよい。たとえば「多数」の状態では、ＰＣＤ４２０は、動作状態は、３位相のうちの少なくとも２つの動作状態にしたがって決定される。そのような決定は、ＰＣＤ４２０タイプ、その以前の動作状態および新たな動作状態、並びにデータの品質に応じて変化し得る。そのような３位相ＰＣＤ４２０分類の場合、ＴＭ４５２は、各位相に対して異なる分類パラメータまたは異なる動作状態のセットで終わってしまう可能性がある。１つの実施形態では、ＴＭ４５２は、ＣＭ４５４にすべての位相に対して等しく渡される、単一のセットのパラメータおよび／または動作状態を決定するためにロジックを適用してもよい。いくつかの場合では、３位相ＰＣＤ４２０は、その位相のうちの１つに対してのみモニタされることができ、ＰＣＤ４２０の動作状態は、単一位相の動作状態によって決定される。その方法は、モータといった、例示的にバランスされたＰＣＤ４２０に対して有用である。したがって、１つの実施形態では、読込みは、電力消費デバイスの複数の位相の各位相に基づく。１つの実施形態では、電力消費デバイスの複数の位相の動作状態は、多数の位相、少数の位相、または一致する位相のうちの１つに基づいてもよい。

さらに別の実施形態では、ＣＭ４５４は、基本的な動作状態のシーケンスからなる動作状態を決定するために使用されてもよい。たとえば「サイクル」状態は、予め規定された時間期間内の「オフ」または「アイドル」状態から「オン」状態間へのまたはその逆の、少なくとも２つの遷移として決定されることができる。そのような時間期間はまた、時間の最小期間以上かつ時間の最大期間未満となるようにルール化されてもよい。そのような動作状態はまた、デューティーサイクル、すなわち、１つの動作状態の時間の期間に対する他の動作状態の時間の期間によって規定されることができる。そのような「サイクル」動作状態は、暖房、換気および空調（ＨＶＡＣ）システム、圧縮空気システム、冷凍システム等のような、温度制御付きのＰＣＤ４２０に対して例示的であるかもしれない。

当業者は、ＧＭＭモデルが多くのＰＣＤ４２０タイプのための良好な基準を提供することを見いだすだろうが、他のアルゴリズムおよびモデルも本発明の範囲から逸脱することなく使用することができることを理解するであろう。これらは、ここで説明されたＧＭＭモデルのいずれかに追加、変形されることができ、またはそれとは全く異なるモデルにされることもできる。実施形態によれば、データモデリングは、最も高い成功率でエネルギデータからＰＣＤ４２０の動作状態を予測することができる最良のアルゴリズムを決定するために、各ＰＣＤ４２０に対して個別に行われるが、ここで提示された解決策の全体的な原理は変わらない。

動作状態の決定はさらに、１つまたは複数のデバイスの時間にわたる動作状態の容易な表示を提供するために、ここで説明されるシステム４００によって使用されてもよい。図６は、実施形態に係る複数のＰＣＤ４２の動作状態の表示を時間に基づいて表示している例示的かつ非限定的チャートを示す。ＵＤ４８０の例示的ユーザーにとって、そのような図は、図１〜３に示されたエネルギデータ図よりもかなり直観的である。チャートは、各ＰＣＤ４２０の実際の動作状態並びに過去の動作状態の迅速な認識を可能にする。「アイドル」動作状態および「オン」動作状態間でトグルされる乾燥機、午前８：００にオンにされた照明、午前６時からオンであるコンプレッサ、概ねサイクル状態ではあるが長い時間の期間（午前８：３０〜午前１０：００）は全くサイクル状態ではないエアコン、が例である。ＰＣＤ４２０間の相関もまた、非常に容易に検出される。たとえば、照明が「オン」動作状態にされたわずか後にストーブは「オン」動作状態にされ、２つのコンベアは同時に午前１１：００に約１５分間「オフ」動作状態にされた。

今度は、実施形態に係るモニタリングユニットのトレーニングプロセスの動作の例示的かつ非限定的フローチャート７００である、図７を参照する。Ｓ７１０では、ＰＣＤ４２０は、ＴＭ４５２によるトレーニングセッションのために、手動でＵＩを介してまたはＡＰＩを介してか、または自動でモニタデバイス４５０によってか、のいずれかにより選択される。Ｓ７２０では、ＰＣＤ４２０タイプは、手動でＵＩを介してまたはＡＰＩを介してか、またはデータベース４６０内に格納され得る選択されたＰＣＤ４２０のタイプに対応する過去のデータを用いてか、または自動か、のいずれかにより決定される。Ｓ７３０では、過去のデータ、たとえば周期的電流測定は、ＴＭ４５２に、たとえばデータベース４６０から提供される。１つの実施形態では、ＴＭ４５２は、トレーニングの目的でリアルタイムデータを受信する。Ｓ７４０では、選択されたＰＣＤ４２０のための適切なデータモデルの選択が行われる。そのような選択は、手動でＵＩを用いてまたはＡＰＩを用いて、または選択されたＰＣＤ４２０に対して使用されたデータベース４６０内に格納された以前のトレーニングデータモデルを参照することによって、または自動的にＰＣＤ４２０タイプにしたがって行われるか、またはそうでなければ、１つまたは複数の可能なデータモデルのうちからどのモデルが選択されたＰＣＤ４２０に対して最良の結果を提供するかを決定することによって行われる。Ｓ７５０では、トレーニングセッションは、ＴＭ４５２によって行われ、さらにここに詳細に説明される。具体的に、データモデルのパラメータは、選択されたＰＣＤ４２０に対して抽出される。Ｓ７６０では、パラメータは選択されたＰＣＤ４２０の動作状態のリアルタイム分類の目的でＣＭ４５４に提供される。Ｓ７７０では、追加的ＰＣＤ４２０がトレーニングされるべきかどうかがチェックされ、そうであれば、Ｓ７１０を実行し、そうでなければ、実行を終了する。方法の１つの実施形態では、状態パラメータの品質をテストするためのステップが追加されてもよく、品質が予め規定された品質値以下であれば、エラーメッセージが送信され、パラメータ抽出の追加的サイクルがＣＭ４５４によるパラメータのデプロイメントの前に行われる。予め規定された品質値は、分布、分布の重み、平均電流、および状態平均に基づいてもよい。１つの実施形態では、ＴＭ４５２は、複数の状態パラメータが予め規定された閾値以上で予め規定された品質値とは異なるかどうかを決定してもよい。たとえば、ＴＭ４５２は、生成される状態パラメータが予め規定された品質値とは異なるかどうかを、分布が予め規定された閾値よりも広い、分布の重みが予め規定された閾値よりも低い、平均電流が予め規定された閾値よりも低い、平均電流が予め規定された閾値よりも高い、または、状態平均間の比がそれが予め規定された閾値を超えるために望ましくない、とＴＭ４５２が判断することにおいて決定する。この実施形態では、ＴＭ４５２は、たとえば、ＴＭ４５２が、分布が広すぎる、分布の重みが低すぎる、平均電流が低すぎる、平均電流が高すぎる、または状態平均間の比率が望ましくないこと等を決定するときに、エラーメッセージを生成し送信してもよい。いくつかの実施形態では、エラーメッセージは、表示されるべきユーザデバイス（ＵＤ）４８０のうちの１つに送信される。さらに別の実施形態では、パラメータをＴＭ４５２からＣＭ４５４に渡す前に、１つまたは複数の動作状態、たとえば、ＰＣＤ４２０に対して不要であり得る過渡的な動作状態特定を除外する（除去する）ステップが行われる。電流読込みが述べられたが、限定されない例としてエネルギまたは電力消費といった他の種の読込みが、本発明の範囲から逸脱することなく使用されてもよい。

今度は、実施形態に係る分類モジュールの動作の例示的かつ非限定的フローチャート８００を示す図８を参照する。Ｓ８１０では、ＰＣＤ４２０は、ＣＭ４５４による分類のために、手動でＵＩまたはＡＰＩを介して、または自動でモニタデバイス４５０によって、のいずれかにより選択される。Ｓ８２０では、これらのパラメータは、ＣＭ４５４にトレーニングモジュールＴＭ４５２から提供される。たとえば２つのガウシアン分布の場合に対するパラメータにおいては、パラメータμ_on，σ_on，μ_idle，σ_idleは、「オン」および「アイドル」動作状態それぞれの平均および標準偏差である。加えて、「オフ」動作状態に対するパラメータは、「オフ」動作状態を検出するために使用される若干低い電流閾値（すなわち、ゼロに近いが必ずしもゼロではない）を有してもよい。この例のパラメータは、図２および図５で説明されたコンベアベルトから導出されることができる。Ｓ８３０では、ＣＭ４５４は、電流読込みを受信する。Ｓ８４０では、ＣＭ４５４は、選択されたＰＣＤ４２０の動作状態を決定する。コンベアベルトの例示的なケースでは、「１」以上の自然数であるＮ回の連続的な読込みに対し、電流が低電流閾値以下を下回り、以前の状況が「オフ」動作状態とは異なっていた場合は、新たな状態は「オフ」動作状態と宣言される。Ｎ回の連続的な読込みに対し、「オン」動作状態に対して計算された確率が「アイドル」動作状態確率から少なくともΔ（たとえば、デルタ（Δ）は、変化または予め規定された閾値の変化である）よりも大きく、以前の動作状態が「オン」動作状態ではなかった場合は、「オン」動作状態が宣言される。「アイドル」動作状態は、逆の状態があてはまるときに宣言される。Ｎ回の連続的な読込み中に、読込みがΔの範囲内であり、「アイドル」および「オン」の可能性が高い場合は、不確実状態が宣言される。確率計算は、上記の数式２に従って行われることができるが、それに限定されない。当業者は、この特定の例がまた、遅延状態（Ｎ回の連続的な読込み）、ヒステリシス（Δ値）、並びにここに説明されるようにＧＭＭ分布を超える動作状態を発見したことの識別（オフ閾値）を含むことに容易に気付くだろう。別の実施形態では、Ｎ回の読込みは、必ずしも連続的である必要はないが、予め定められた時間期間内に起こる。Ｎ回の読込みに対して、たとえば、限定するものではなく、期間内の読込みの多数に対して、決定を行うための追加的方法が本発明の範囲から逸脱することなく使用されてもよいことを当業者は今容易に理解するだろう。Ｓ８５０では、通知は、新たに決定された動作状態とともに送信されてもよい。通知情報は、データベース４６０に保存されることができ、１つまたは複数のＵＤ４８０に直接、またはルールエンジンといった他のサブスクライバに送信されることができる。Ｓ８６０では、追加的読込みがモニタされるべきかがチェックされ、そうであれば、実行はＳ８３０へと続き、そうでなければ、実行は終了する。

ここに開示されたさまざまな実施形態は、ハードウェア、ファームウェア、ソフトウェア、またはその任意の組み合わせとして実装されることができる。また、ソフトウェアは、好ましくは、有形部からなるプログラム記憶ユニットまたはコンピュータ可読媒体上で、または特定のデバイスおよび／または複数のデバイスの組み合わせから具体化されるアプリケーションプログラムとして実装される。アプリケーションプログラムは、任意の適切なアーキテクチャを有するマシンにアップロードされ、実行されることができる。好ましくは、マシンは、１つのまたは複数の中央処理装置（「ＣＰＵ」）、メモリ、および入力／出力インタフェースなどのハードウェアを有するコンピュータプラットフォーム上で実施される。コンピュータプラットフォームはまた、オペレーティングシステムおよびマイクロ命令コードを含んでいてもよい。ここで説明される様々なプロセスおよび機能は、マイクロ命令コードの一部またはアプリケーションプログラムの一部、またはその任意の組み合わせであってもよく、それらは、そのようなコンピュータまたはプロセッサが明示的に示されるか否かにかかわらず、ＣＰＵによって実行され得る。加えて、様々な他の周辺装置は、追加のデータ記憶ユニットおよび印刷ユニットのようなコンピュータプラットフォームに接続されることができる。また、非一時的なコンピュータ可読媒体は、一時的な伝搬信号を除く、任意のコンピュータ読み取り可能な媒体である。

説明では、特定の用語は、本発明の特徴を記述するために使用される。例えば、特定の状況において、「コンポーネント」、「ユニット」、「モジュール」および「ロジック」という用語は、１つ以上の機能を実行するように構成されたハードウェアおよび／またはソフトウェアを表す。例えば、「ハードウェア」の例としては、限定または制限されるものではないが、例えばプロセッサといった集積回路（例えば、デジタル信号プロセッサ、マイクロプロセッサ、特定用途向け集積回路、マイクロコントローラ、等）を含む。当然に、ハードウェアは、代替的に、有限ステートマシン、または組み合わせロジックとして実装されてもよい。「ソフトウェア」の例は、アプリケーション、アプレット、ルーチン、またはさらに一連の命令、形態で実行可能なコードを含む。ソフトウェアは、任意のタイプの機械可読媒体に格納されてもよい。

全ての例および本明細書に記載の条件付きの記載は、技術を進歩させるために発明者が貢献した開示される実施形態の原理および概念を理解する上で読者を支援する教育的な目的のために意図されており、そのように具体的に記載された例および条件に限定されないものと解釈されるべきである。また、本明細書に開示される実施形態の原理、態様、および実施形態ならびにその特定の例について述べる本明細書のすべての記述は、その構造的均等物および機能的均等物の両方を包含することが意図される。また、そのような均等物は、現在知られる均等物、および、将来開発される均等物、の両方、すなわち、構造に関わらず、同じ機能を実行する開発される要素を含むことが意図される。

Claims (35)

1. 電気エネルギを消費する電力消費デバイスの動作状態を決定するための方法であって、前記方法は、
   モニタデバイスによって、前記電力消費デバイスに対する第１の複数の読込みをセンサから受信することと、
   前記モニタデバイスによって、前記第１の複数の読込みに対して適用されるべき少なくとも１つの分類モデルを選択することと、
   前記モニタデバイスによって、前記電力消費デバイスの複数の動作状態に関連付けられた複数の状態パラメータを決定するために、前記少なくとも１つの分類モデルおよび前記第１の複数の読込みを用いトレーニングプロセスを行うことと、
   前記モニタデバイスによって、少なくとも１つの第２の読込みを前記センサから受信することと、
   前記モニタデバイスによって、前記電力消費デバイスを分類することとを備え、分類は、前記少なくとも１つの第２の読込みおよび前記複数の状態パラメータに基づいて前記電力消費デバイスの電流動作状態を決定することを含み、前記電力消費デバイスの前記電流動作状態は、前記電力消費デバイスの前記複数の動作状態のうちの１つであり、前記方法はさらに、
   前記モニタデバイスによって、通知を表示するためのユーザデバイスに信号を送信することを備え、前記通知は、前記電力消費デバイスの前記電流動作状態を含む、方法。
2. 前記第１の複数の読込みは、エネルギ、電流、電力のうちの少なくとも１つに基づく、請求項１に記載の方法。
3. 前記少なくとも１つの第２の読込みは、エネルギ、電流、電力のうちの少なくとも１つに基づく、請求項１に記載の方法。
4. 前記少なくとも１つの分類モデルは、ガウシアン混合モデルを含み、前記複数の状態パラメータを決定するために前記トレーニングプロセスを行うことは、前記ガウシアン混合モデルの状態パラメータを決定することを含む、請求項１に記載の方法。
5. 前記ガウシアン混合モデルの前記状態パラメータは、前記電力消費デバイスの少なくとも１つの動作状態を代表するガウシアン分布の平均および標準偏差の少なくとも１つの組を含む、請求項４に記載の方法。
6. 前記モニタデバイスによって、前記電力消費デバイスの前記動作状態から、前記複数の動作状態のうちの少なくとも１つおよび前記複数の動作状態のうちの除去されるものに関連付けられた状態パラメータを除去することをさらに備える、請求項１に記載の方法。
7. 前記モニタデバイス内に含まれるトレーニングモジュールによって生成される前記複数の状態パラメータが予め規定された品質値を満たすかどうかを決定することと、
   前記複数の状態パラメータが予め規定された閾値以上で前記予め規定された品質値とは異なることを決定した際に、前記トレーニングモジュールによってエラーメッセージを生成し送信することとをさらに備える、請求項１に記載の方法。
8. 前記トレーニングモジュールが、分布が広すぎること、分布の重みが低すぎること、平均電流が低すぎること、平均電流が高すぎること、状態平均間の比率が望ましくないこと、のうちの少なくとも１つを決定したときに、前記複数の状態パラメータは、予め規定された閾値以上で前記予め規定された品質値とは異なることが決定される、請求項７に記載の方法。
9. 前記複数の状態パラメータが予め規定された閾値以上で前記予め規定された品質値とは異なることが決定されたときに、異なるトレーニングモジュールを選択することをさらに備える、請求項７に記載の方法。
10. 前記少なくとも１つの第２の読込みは、複数の第２の読込みを含む、請求項４に記載の方法。
11. 前記複数の状態パラメータを決定するために前記トレーニングプロセスを行うことは、
    複数のガウシアン分布のうちの１つに関連付けられた前記複数の第２の読込みの確率を計算し、最大の確率を有する分布を決定することと、
    前記分布を前記電力消費デバイスの前記動作状態のうちの１つに関連付けることとをさらに含む、請求項１０に記載の方法。
12. 予め規定された数の前記第２の読込みの後に動作状態の変化を決定することをさらに備える、請求項１１に記載の方法。
13. 前記予め規定された数の前記第２の読込みは、予め規定された期間または動作状態が変化されないままである期間内に含まれる第２の読込みの数である、請求項１２に記載の方法。
14. 前記動作状態の変化を決定することは、隣接する分布に関連付けられた前記動作状態の確率からの予め規定された閾値の変化よりも大きい、前記ガウシアン分布のうちの１つに関連付けられた確率を有することを含む、請求項１２に記載の方法。
15. 前記モニタデバイスによって、前記電力消費デバイスの複数の動作状態に関連付けられた前記複数の状態パラメータを決定し更新するために、前記少なくとも１つの第２の読込みおよび少なくとも１つの分類モデルを用いて、前記トレーニングプロセス行うことをさらに備える、請求項２に記載の方法。
16. 前記モニタデバイスによって、前記複数の状態パラメータを決定し更新するために、前記少なくとも１つの分類モデルおよび前記少なくとも１つの第２の読込みを用いて、前記トレーニングプロセスを行うことは、周期的に行われる、請求項１５に記載の方法。
17. 少なくとも１つの分類モデルを選択することは、前記電力消費デバイスのデバイスタイプに基づいて行われる、請求項１に記載の方法。
18. 別々の前記複数の動作状態は、オン、オフ、アイドル、のうちの少なくとも１つを含む、請求項１に記載の方法。
19. 前記第１の複数の読込みおよび前記少なくとも１つの第２の読込みは、前記電力消費デバイスの複数の位相の各位相に基づく、請求項１に記載の方法。
20. 前記電力消費デバイスの前記複数の位相に関連付けられた動作状態は、多数の位相、少数の位相、一致する位相、のうちの１つに基づく、請求項１９に記載の方法。
21. 少なくとも２つの前記複数の動作状態の前記複数の状態パラメータの組み合わせである追加的動作状態に関連付けられた複数の状態パラメータを決定することをさらに備える、請求項１に記載の方法。
22. 前記通知は、時間に基づく前記電力消費デバイスの動作状態の表示をさらに含む、請求項１に記載の方法。
23. 電気エネルギを消費する電力消費デバイスの複数の動作状態の決定のためのモニタデバイスであって、前記モニタデバイスは、
    前記ネットワークにわたってそれぞれの前記電力消費デバイスの第１の複数の読込みを受信し、通知を表示するためのユーザデバイスに信号を送信するための、ネットワークへのインタフェースと、
    前記インタフェースに結合されたプロセッサと、
    前記プロセッサによって実行されるとプロセッサに、
    トレーニングモジュールを用いて、前記電力消費デバイスの複数の動作状態に関連付けられた複数のパラメータを決定するために、少なくとも１つの分類モデルを前記第１の複数の読込みに適用することと、
    分類モジュールを介して前記トレーニングモジュールから、前記電力消費デバイスの前記複数の動作状態に関連付けられた前記複数のパラメータを受信することと、
    前記分類モジュールを介して前記インタフェースから、前記電力消費デバイスからの少なくとも１つの第２の読込みを受信することと、
    前記分類モジュールを用いて、前記少なくとも１つの第２の読込みおよび前記複数の状態パラメータに基づいて前記電力消費デバイスの電流動作状態を決定することによって、前記電力消費デバイスを分類することと、を行わせる命令をその内部に格納したメモリとを備え、前記電力消費デバイスの前記電流動作状態は、前記電力消費デバイスの前記複数の動作状態のうちの１つであり、前記通知は、前記電力消費デバイスの前記電流動作状態を含む、モニタデバイス。
24. 前記第１の複数の読込みは、エネルギ、電流、電力のうちの少なくとも１つに基づく、請求項２３に記載のシステム。
25. 前記少なくとも１つの第２の読込みは、エネルギ、電流、電力のうちの少なくとも１つに基づく、請求項２３に記載のシステム。
26. 前記プロセッサは、ガウシアン混合モデルのパラメータを前記トレーニングモジュールを用いて決定するためにさらに適合される、請求項２３に記載のシステム。
27. 前記プロセッサは、前記分類モジュールを介して前記インタフェースから前記電力消費デバイスからの複数の第２の読込みをさらに受信し、前記ガウシアン混合モデルの前記パラメータは、前記電力消費デバイスの少なくとも１つの動作状態を代表するガウシアン分布の平均および標準偏差のうちの少なくとも１つの組を含む、請求項２６に記載のシステム。
28. 電気エネルギを消費する電力消費デバイスの動作状態を決定するための方法であって、前記方法は、
    前記モニタデバイスによって、前記第１の複数の読込みに対して適用されるべき少なくとも１つの分類モデルを選択することと、
    前記モニタデバイスによって、前記電力消費デバイスの複数の動作状態に関連付けられた複数の状態パラメータを決定するために、前記少なくとも１つの分類モデルおよび前記第１の複数の読込みを用いトレーニングプロセスを行うことと、
    前記モニタデバイスによって、複数の第２の読込みを前記センサから受信することと、
    前記モニタデバイスによって、前記電力消費デバイスを分類することとを備え、分類は、前記複数の第２の読込みおよび前記複数の状態パラメータに基づいて前記電力消費デバイスの電流動作状態を決定することを含み、前記電力消費デバイスの前記電流動作状態は、前記電力消費デバイスの前記複数の動作状態のうちの１つであり、前記方法はさらに、
    前記モニタデバイスによって、通知を表示するためのユーザデバイスに信号を送信することを備え、前記通知は、前記電力消費デバイスの前記電流動作状態を含む、方法。
29. 前記少なくとも１つの分類モデルは、ガウシアン混合モデルを含み、前記複数の状態パラメータを決定するために前記トレーニングプロセスを行うことは、前記ガウシアン混合モデルの状態パラメータを決定することを含む、請求項２８に記載の方法。
30. 前記ガウシアン混合モデルの前記状態パラメータは、前記電力消費デバイスの少なくとも１つの動作状態を代表する、ガウシアン分布の平均および標準偏差の少なくとも１つの組を含む、請求項２９に記載の方法。
31. 前記モニタデバイス内に含まれるトレーニングモジュールによって生成される前記複数の状態パラメータが予め規定された品質値を満たすかどうかを決定することと、
    前記複数の状態パラメータが予め規定された閾値以上で前記予め規定された品質値とは異なると決定した際に、前記トレーニングモジュールによってエラーメッセージを生成し送信することをさらに備える、請求項２８に記載の方法。
32. 前記複数の状態パラメータが予め規定された閾値以上で前記予め規定された品質値とは異なることが決定されたときに、異なるトレーニングモジュールを選択することをさらに備える、請求項２８に記載の方法。
33. 前記第１の複数の読込みおよび第２の複数の読込みは、前記電力消費デバイスの複数の位相の各位相に基づく、請求項２８に記載の方法。
34. 前記電力消費デバイスの前記複数の位相の動作状態は、多数の位相、少数の位相、一致する位相のうちの１つに基づく、請求項３３に記載の方法。
35. 少なくとも２つの前記複数の動作状態の前記複数の状態パラメータの組み合わせである追加的な動作状態に関連付けられた複数の状態パラメータを決定することをさらに備える、請求項２８に記載の方法。