JP6734265B2 - ノンテクニカルロスを同定するための機械学習の利用 - Google Patents

Description

本技術は、エネルギー管理の分野に関する。より詳細には、本技術は、ノンテクニカルロス（ＮＴＬ）を同定するために機械学習を利用するための技術を提供する。

従来のエネルギー管理ツールは、企業のエネルギー利用の追跡を支援することを意図される。例えば、このようなツールは、請求書およびエネルギーメータの読みとりを含む、ある種のエネルギー関連情報を収集することができる。収集された情報は、エネルギー利用を理解または解析するために用いられることがある。このようなツールは、また、エネルギー関連情報および利用を詳述する報告を作成することもできる。

ある場合には、エネルギー提供者（例えば、公益事業会社）は、テクニカルロスおよびノンテクニカルロス（ＮＴＬ）など、提供されるエネルギーの損失に関連付けられる課題に直面することがある。テクニカルロスは、ケーブル、ワイヤ、送電線などにおける抵抗による電力の損失など、予測されるか、または自然な制限による通常利用中のエネルギーの損失を含むことができる。ノンテクニカルロスは、このような制限によるものではない一つ以上の損失を含むことができる。ノンテクニカルロスは、例えば、エネルギー窃盗の形態における損失、またはエネルギー供給システムにおける機能不良など、不規則的（もしくは望ましくない）エネルギー利用に関連付けられることができる。

ノンテクニカルロスは、エネルギー提供者に対してコストの高いものに成り得る。ノンテクニカルロスを検出するための従来のアプローチは、しばしば、かなりの人手による労力を必要とする。さらに、従来のアプローチは、不正確、非効率的または有効でないこともあり得る。このように、ノンテクニカルロスの場合は、しばしば、見落とされ、検出されず、誤診され、または不十分に対処される。これらのおよび他の懸念事項は、エネルギー提供者に対してと同様、その顧客に対しても課題を生じることがある。

本開示の様々な実施形態は、複数のエネルギー利用状態に関する信号の集合を選択するように構成されたシステム、方法および非一時的コンピュータ可読媒体を含むことができる。信号の集合に対する信号値は、決定されることができる。機械学習は、ノンテクニカルロスに関連付けられるエネルギー利用状態を同定するために、信号値に対して適用されることができる。

一実施形態においては、複数のＮ次元表現は、複数のエネルギー利用状態に対して生成されることができる。複数のＮ次元表現は、信号値に基づいて生成されることができる。機械学習の適用は、ノンテクニカルロスを同定するための分類モデルを作成するために、複数のＮ次元表現に少なくとも一つの機械学習アルゴリズムを適用することを含むことができる。

一実施形態においては、複数のＮ次元表現のうちの少なくとも第一部分は、ノンテクニカルロスに対応するものとして予め認識されることができる。複数のＮ次元表現のうちの少なくとも第二部分は、通常のエネルギー利用に対応するものとして、予め認識されることができる。

一実施形態においては、少なくとも一つの機械学習アルゴリズムは、第一部分から許容可能なＮ次元の近接範囲内の複数のＮ次元表現の少なくとも第三部分を、ノンテクニカルロスに対応するものとして分類する監視下プロセスを含むことができる。監視下プロセスは、また、第二部分から許容可能なＮ次元の近接範囲内の複数のＮ次元の少なくとも第四部分を、通常のエネルギー利用に対応するものとして、分類することもできる。

一実施形態においては、信号の組に対する新規の信号値が、受信されることができる。新規の信号値は、特定のエネルギー利用状態に関連付けられることができる。新規のＮ次元表現は、新規の信号値に基づいて、特定のエネルギー利用状態に対して生成されることができる。新規のＮ次元表現は、分類モデルに基づいて、分類されることができる。

一実施形態においては、少なくとも一つの機械学習アルゴリズムは、分類モデルを改変するために、新規のＮ次元表現に適用されることができる。

一実施形態においては、新規のＮ次元表現は、ノンテクニカルロスに対応するものとして同定されることができる。ノンテクニカルロスは、特定のエネルギー利用状態に関連付けられるエネルギー提供者に対して報告されることができる。

一実施形態においては、特定のエネルギー利用状態がノンテクニカルロスと関連付けられることの確認または未確認のうちの少なくとも一つは、一つ以上のエンティティから取得されることができる。

一実施形態においては、分類モデルは、確認または未確認のうちの少なくとも一つに基づいて改変されることができる。

一実施形態においては、少なくとも一つの機械学習アルゴリズムは、サポートベクターマシン、ブーステッド決定木、分類木、回帰木、バギング木、ランダム森、ニューラルネットワーク、回帰森のうちの少なくとも一つに関連付けられることができる。

一実施形態においては、ノンテクニカルロスに関連付けられる尤度を有する複数の公共料金メータが同定されることができる。複数の公共料金メータは、ノンテクニカルロスに関連付けられる尤度に基づいてランク付けされることができる。

一実施形態においては、複数のメータのうちの少なくとも幾つかが特定のランキング限界基準を満たすことが判定されることができる。複数のメータのうちの少なくとも幾つかは、調査用の候補として同定されることができる。

一実施形態においては、信号の組における一つ以上の信号は、アカウント属性信号カテゴリ、異常負荷信号カテゴリ、計算状態信号カテゴリ、現在の解析信号カテゴリ、欠測データ信号カテゴリ、切断信号カテゴリ、メータイベント信号カテゴリ、毎月メータ異常負荷信号カテゴリ、非アクティブにおける毎月メータ消費信号カテゴリ、供給停止信号カテゴリ、窃盗メータ信号カテゴリ、異常生成信号カテゴリ、作業命令信号カテゴリ、またはゼロ読みとり信号カテゴリのうちの少なくとも一つと関連付けられることができる。

一実施形態においては、信号の集合に対する式の集合が取得されることができる。式の集合における各式は、信号の集合における其々の信号に対応することができる。信号の集合に対する信号値は、式の集合に基づいて計算されることができる。

一実施形態においては、少なくとも幾つかの信号値は、複数のエネルギー利用状態に関連付けられた複数のメータから取得されたデータから導出されることができる。

一実施形態においては、信号の集合における第一の信号は、信号の集合における第二の信号に対する改変に基づいて生成されることができる。

一実施形態においては、信号の集合には含まれていない、エネルギー利用状態に関する少なくとも一つの信号は、ノンテクニカルロスを同定するためにエネルギー提供者から受信されることができる。

一実施形態においては、少なくとも一つの機械学習アルゴリズムは、非監視下プロセスを含むことができる。幾つかの例においては、非監視下プロセスは、ノンテクニカルロスを同定するための非分類データを使用することができる。

開示された技術の多くの他の特徴および実施形態は、添付の図面および以下の詳細な説明から明らかになるであろう。
本発明は、例えば、以下を提供する。
（項目１）
コンピューティングシステムによって、複数のエネルギー利用状態に関連する信号の集合を選択することと、
前記コンピューティングシステムによって、前記信号の集合に対する信号値を決定することと、
前記コンピューティングシステムによって、ノンテクニカルロスに関連付けられたエネルギー利用状態を同定するために、前記信号値に機械学習を適用することと、
を含む、
コンピュータ実装された方法。
（項目２）
前記複数のエネルギー利用状態に対して複数のＮ次元表現を生成することであって、前記複数のＮ次元表現は、前記信号値に基づいて生成される、ことをさらに含み、
機械学習を前記適用することは、ノンテクニカルロスを同定するために、分類モデルを作成するために、前記複数のＮ次元表現に少なくとも一つの機械学習アルゴリズムを適用することを含む、
項目１に記載のコンピュータ実装された方法。
（項目３）
前記複数のＮ次元表現の少なくとも第一部分は、ノンテクニカルロスに対応するものとして予め認識され、前記複数のＮ次元表現の少なくとも第二部分は、通常のエネルギー利用に対応するものとして予め認識される、
項目２に記載のコンピュータ実装された方法。
（項目４）
前記少なくとも一つの機械学習アルゴリズムは、前記第一部分から許容可能なＮ次元の近接範囲内の前記複数のＮ次元表現の少なくとも第三部分を、ノンテクニカルロスに対応するものとして分類し、前記第二部分から前記許容可能なＮ次元の近接範囲内の前記複数のＮ次元表現の少なくとも第四部分を、通常のエネルギー利用に対応するものとして分類する、監視下プロセスを含む、
項目３に記載のコンピュータ実装された方法。
（項目５）
前記信号の集合に対して新規の信号値を受信することであって、前記新規の信号値は、特定のエネルギー利用状態に関連付けられる、ことと、
前記新規の信号値に基づいて、前記特定のエネルギー利用状態に対して、新規のＮ次元表現を生成することと、
前記分類モデルに基づいて、前記新規のＮ次元表現を分類することと、
をさらに含む、
項目２に記載のコンピュータ実装された方法。
（項目６）
前記分類モデルを改変するために、前記新規のＮ次元表現に前記少なくとも一つの機械学習アルゴリズムを適用することをさらに含む、
項目５に記載のコンピュータ実装された方法。
（項目７）
ノンテクニカルロスに対応するものとして、前記新規のＮ次元表現を同定することと、
前記特定のエネルギー利用状態と関連付けられるエネルギー提供者に、前記ノンテクニカルロスを報告することと、
をさらに含む、
項目６に記載のコンピュータ実装された方法。
（項目８）
前記エネルギー提供者から、前記ノンテクニカルロスに前記特定のエネルギー利用状態が関連付けられることの確認または未確認の内の少なくとも一つを取得することをさらに含む、
項目７に記載のコンピュータ実装された方法。
（項目９）
前記確認または前記未確認のうちの前記少なくとも一つに基づいて、前記分類モデルを改変することをさらに含む、
項目８に記載のコンピュータ実装された方法。
（項目１０）
前記少なくとも一つの機械学習アルゴリズムは、サポートベクターマシン、ブーステッド決定木、分類木、回帰木、バギング木、ランダム森、ニューラルネットワーク、または回帰森のうちの少なくとも一つに関連付けられる、
項目２に記載のコンピュータ実装された方法。
（項目１１）
前記ノンテクニカルロスに関連付けられる尤度を有する複数のメータを同定することと、
前記ノンテクニカルロスに関連付けられる前記尤度に基づいて、前記複数のメータをランク付けすることと、
をさらに含む、
項目２に記載のコンピュータ実装された方法。
（項目１２）
前記複数のメータのうちの少なくとも幾つかが、特定のランキング限界基準を満たすことを判定することと、
前記複数の公共料金メータのうちの前記少なくとも幾つかを、調査用の候補として同定することと、
をさらに含む、
項目１１に記載のコンピュータ実装された方法。
（項目１３）
前記信号の集合における一つ以上の信号は、アカウント属性信号カテゴリ、異常負荷信号カテゴリ、計算状態信号カテゴリ、現在の解析信号カテゴリ、欠測データ信号カテゴリ、切断信号カテゴリ、メータイベント信号カテゴリ、毎月メータ異常負荷信号カテゴリ、非アクティブにおける毎月メータ消費信号カテゴリ、供給停止信号カテゴリ、窃盗メータ信号カテゴリ、異常生成信号カテゴリ、作業命令信号カテゴリ、またはゼロ読みとり信号カテゴリのうちの少なくとも一つと関連付けられる、
項目２に記載のコンピュータ実装された方法。
（項目１４）
前記信号の集合に対して式の集合を取得することであって、前記式の集合における各式は、前記信号の集合における其々の信号に対応する、ことと、
前記式の集合に基づいて、前記信号の集合に対して前記信号値を計算することと、
をさらに含む、
項目２に記載のコンピュータ実装された方法。
（項目１５）
少なくとも幾つかの信号値は、前記複数のエネルギー利用状態に関連付けられた複数のメータから取得されたデータから導出される、
項目２に記載のコンピュータ実装された方法。
（項目１６）
前記信号の集合における第一の信号は、前記信号の集合における第二の信号に対する改変に基づいて生成される、
項目２に記載のコンピュータ実装された方法。
（項目１７）
前記信号の集合に含まれず、ノンテクニカルロスを同定するためにエネルギー利用状態に関連する少なくとも一つの信号をエネルギー提供者から受信することをさらに含む、
項目１に記載のコンピュータ実装された方法。
（項目１８）
前記少なくとも一つの機械学習アルゴリズムは、非監視下プロセスを含み、前記非監視下プロセスは、ノンテクニカルロスを同定するための非分類データを利用する、
項目２に記載のコンピュータ実装された方法。
（項目１９）
少なくとも一つのプロセッサと、
前記少なくとも一つのプロセッサによって実行されると、
複数のエネルギー利用状態に関する信号の集合を選択することと、
前記信号の集合に対して信号値を決定することと、
ノンテクニカルロスに関連付けられるエネルギー利用状態を同定するために、前記信号値に機械学習を適用することと、
をシステムに実施させる命令を格納するメモリと、
を含む、
システム。
（項目２０）
コンピューティングシステムの少なくとも一つのプロセッサによって実行されると、
複数のエネルギー利用状態に関する信号の集合を選択することと、
前記信号の集合に対して信号値を決定することと、
ノンテクニカルロスに関連づけられるエネルギー利用状態を同定するために、前記信号値に基づいて機械学習を適用することと、
を前記コンピューティングシステムに実施させる命令を含む、
非一時的コンピュータ可読記憶媒体。

本開示の一実施形態による、エネルギー管理プラットフォームの例示的環境を示す。 本開示の一実施形態による、例示的なエネルギー管理プラットフォームを示す。 本開示の一実施形態による、エネルギー管理プラットフォームの例示的なアプリケーションサーバを示す。 本開示の一実施形態による、ノンテクニカルロスを同定するために機械学習を利用するように構成された例示的なノンテクニカルロス（ＮＴＬ）同定モジュールを示す。 本開示の一実施形態による、例示的な信号の集合に対する例示的な信号値を含む例示的な表を示す。 本開示の一実施形態による、例示的な信号値に基づいて生成される例示的なＮ次元表現を含む例示的なグラフを示す。 本開示の一実施形態による、ノンテクニカルロスを同定するために機械学習を利用するための例示的方法を示す。 本開示の一実施形態による、本明細書で記述された実施形態のうちの一つ以上をマシンに実施させるための命令の集合が実行され得る例示的マシンを示す。

図面は、例示の目的のためだけに、本開示の様々な実施形態を示し、図面は、類似の要素を識別するために類似の参照番号を用いる。本明細書で記述された開示技術の原則から逸脱することなく、図面に示された構造および方法の代替的な実施形態が使用され得ることを、以下の議論から、当業者は容易に認識するだろう。

エネルギーは、様々な目的で、日々消費され、利用されている。一例においては、消費者は、自宅で様々な機器に動力を供給するためにガスを利用することがあり、企業は、様々な機械を動作させるためにガスを利用することがある。別の例においては、消費者および企業は、様々な電子製品および他の電気デバイスおよび素子に電力を供給するために、電気を利用することがある。エネルギー消費は、需要に見合うようにエネルギーを供給するエネルギー提供者によって容易にされる。

公益事業会社などのエネルギー提供者は、ガスおよび電気などの一つ以上の形態のエネルギーを提供することができる。エネルギー提供者は、その対象となる顧客またはユーザにエネルギーを提供または送達するためにエネルギー供給システムを利用することができる。ある場合には、送達中にエネルギーの損失が起こり得る。例えば、通常の利用においてさえも、送電線、ケーブルおよび／またはワイヤ内の抵抗が存在し得るので、電気エネルギーはこれらのチャネルを通る送達中に失われる。このようなエネルギー損失は、予測されるか、または自然の原因に起因し、テクニカルロスと呼ばれることがある。しかしながら、ある場合には、テクニカルロス以外のエネルギーの損失が存在し得る。エネルギーは、不規則または望ましくないエネルギー利用によって失われることがある。例えば、エネルギーは、エネルギー供給システムおよびその分配ノードにおける窃盗および／または機能不良（例えば、公共料金メータの機能不良）によって失われることがある。このようなエネルギー損失は、ノンテクニカルロス（ＮＴＬ）と呼ばれることがある。

ノンテクニカルロス（ＮＴＬ）などのエネルギー損失は、エネルギー提供者にとってコストの高いものであり得る。しかしながら、ノンテクニカルロスを検出し、防止し、軽減しようとする従来のアプローチは、問題がある。しばしば、従来のアプローチは、窃盗または公共料金メータの機能不良などによるノンテクニカルロスを検出しようとして、情報を解析するためにかなりの人手による労力を必要とする。さらに、従来のアプローチは、一般的に限定された量の情報を考慮に入れるだけである。なお悪いことに、従来のアプローチは、手動の概算および見積もりにしばしば依存し、それによって、不正確性および計算間違いにつながることがある。したがって、ノンテクニカルロスを検出し、防止し、軽減するための改善されたアプローチは有利であり得る。

本開示の様々な実施形態は、エネルギー提供者、エネルギー顧客、公共料金メータ、およびエネルギー供給または管理システムの他のコンポーネントに関連付けられた情報などの、全ての種類の包括的な情報を構成するように設計される。情報は、機械学習技術を利用することなどによって解析されることができ、ノンテクニカルロスに関連付けられそうな特性または特徴を判定する。類似の特性または特徴を有するエネルギー利用の例は、ノンテクニカルロスに対応しそうなものとして分類されることができる。このようなエネルギー利用の例は、さらなるノンテクニカルロスを回避または軽減するのに役立つように同定され、報告されることができる。多くの変形が可能であることがさらに予測される。

図１は、本開示の一実施形態によるエネルギー管理のための例示的環境１００を示す。環境１００は、エネルギー管理プラットフォーム１０２と、外部データソース１０４_１−ｎと、企業１０６と、ネットワーク１０８とを含む。エネルギー管理プラットフォーム１０２は、本明細書でより詳細に議論されるが、企業１０６が企業１０６のエネルギー利用を追跡し、解析し、最適化することを可能とするための機能を提供する。エネルギー管理プラットフォーム１０２は、解析プラットフォームを構成してもよい。解析プラットフォームは、エネルギー管理プラットフォーム１０２の全ての用途に対するデータ管理、マルチレイヤー解析およびデータ可視化性能を扱うことができる。解析プラットフォームは、高い性能レベルを維持しながら、頻繁に更新される大量のデータを処理して解析するように特別に設計されることができる。

エネルギー管理プラットフォーム１０２は、企業１０６に対してエネルギー管理プラットフォーム１０２によって提示されるユーザインターフェイス（ＵＩ）を介して、企業１０６と通信することができる。ＵＩは、企業１０６に情報を提供して、企業１０６から情報を受信することができる。エネルギー管理プラットフォーム１０２は、ＡＰＩおよび他の通信インターフェイスを介して、外部データソース１０４_１−ｎと通信することができる。エネルギー管理プラットフォーム１０２、外部データソース１０４_１−ｎ、企業１０６を含む通信は、本明細書でより詳細に議論される。

エネルギー管理プラットフォーム１０２は、サーバまたは一連のサーバおよび他のハードウェア（例えば、アプリケーションサーバ、解析計算サーバ、データベースサーバ、データインテグレータサーバ、ネットワークインフラストラクチャ（例えば、ファイアウォール、ルータ、通信ノード））などの、コンピュータシステムとして実装されることができる。サーバは、サーバファームまたはクラスタとして配置されることができる。本開示の実施形態は、サーバ側上、クライアント側上、または双方の組み合わせで実装されることができる。例えば、本開示の実施形態は、エネルギー管理プラットフォーム１０２の一つ以上のサーバによって実装されることができる。別の例として、本開示の実施形態は、エネルギー管理プラットフォーム１０２のサーバと、企業１０６のコンピュータシステムとの組み合わせによって実装されることができる。

外部データソース１０４_１−ｎは、エネルギー管理解析に関するデータの多数の可能なソースを表すことができる。外部データソース１０４_１−ｎは、例えば、送電系統および公益事業操作システム、メータデータ管理（ＭＤＭ）システム、顧客情報システム（ＣＩＳ）、請求システム、公益事業顧客システム、公益事業企業システム、公益事業エネルギー省エネルギー対策およびリベートデータベースを含むことができる。外部データソース１０４_１−ｎは、また、例えば、建造物特徴システム、気象データソース、第三者特性管理システムおよび業界標準ベンチマークデータベースを含むことができる。

企業１０６は、エネルギー管理プラットフォーム１０２のユーザ（例えば、顧客）を表すことができる。企業１０６は、大企業、中小企業、世帯、個人、自治機関、政府機関、非政府組織、非営利組織などの任意の民間または公的機関を含むことができる。企業１０６は、エネルギー提供者および供給者（例えば、公益事業）、エネルギーサービス会社（ＥＳＣＯ）およびエネルギー消費者を含むことができる。企業１０６は、多くの地理的位置にわたって分布した一つまたは多数の設備と関連付けられることができる。企業１０６は、任意の目的、産業または他の種類のプロファイルと関連付けられることができる。

ネットワーク１０８は、標準的な通信技術およびプロトコルを使用することができる。したがって、ネットワーク１０８は、イーサネット、８０２．１１、ワールドワイド・ インターオペラビリティ・フォー・マイクロウェーブ・アクセス（ＷｉＭＡＸ）、３Ｇ、４Ｇ、ＣＤＭＡ、ＧＳＭ、ＬＴＥ、デジタル加入者線（ＤＳＬ）などの技術を利用したリンクを含むことができる。同様に、ネットワーク１０８上で利用されるネットワーキングプロトコルは、マルチプロトコルラベルスイッチング（ＭＰＬＳ）、トランスミッションコントロールプロトコル／インターネットプロトコル（ＴＣＰ／ＩＰ）、ユーザデータグラムプロトコル（ＵＤＰ）、ハイパーテキストトランスポートプロトコル（ＨＴＴＰ）、シンプルメールトランスファープロトコル（ＳＭＴＰ）、ファイルトランスファープロトコル（ＦＴＰ）などを含むことができる。ネットワーク１０８を介してやりとりされるデータは、ハイパーテキストマークアップ言語（ＨＴＭＬ）および拡張マークアップ言語（ＸＭＬ）を含む技術および／またはフォーマットを用いて表されることができる。さらに、全てまたは幾つかのリンクは、セキュアソケットレイヤー（ＳＳＬ）、トランスポートレイヤーセキュリティ（ＴＬＳ）およびインターネットプロトコルセキュリティ（ＩＰｓｅｃ）などの従来の暗号化技術を利用して暗号化されることができる。

一実施形態においては、エネルギー管理プラットフォーム１０２、外部データソース１０４_１−ｎおよび企業１０６の各々は、コンピュータシステムとして実装されることができる。コンピュータシステムは、一つ以上のマシンを含むことができ、一つ以上のマシンの各々は、図８のマシン８００として実装されることができ、本明細書でさらに詳細に記述される。

図２は、本開示の一実施形態による例示的なエネルギー管理プラットフォーム２０２を示す。幾つかの実施形態においては、例示的なエネルギー管理プラットフォーム２０２は、図１のエネルギー管理プラットフォーム１０２として実装されることができる。一実施形態においては、エネルギー管理プラットフォーム２０２は、データ管理モジュール２１０と、アプリケーションサーバ２１２と、リレーショナルデータベース２１４と、キー／値ストア２１６とを含むことができる。

データ管理モジュール２１０は、エネルギー管理プラットフォーム２０２における需要に従って、エネルギー管理プラットフォーム２０２に対するコンピューティングリソースのネットワークを自動的かつ動的にスケーリングするための性能をサポートすることができる。データ管理モジュール２１０によってサポートされる動的なスケーリングは、コンピューティング需要の増加に適合するために、さらなるコンピューティングリソース（またはノード）を供給する性能を含むことができる。同様に、データ管理モジュール２１０は、コンピューティング需要の減少に適合するために、コンピューティングリソースを解放する性能を含むことができる。データ管理モジュール２１０は、一つ以上のアクション２１８、待ち行列２２０、ディスパッチャ２２２、リソースマネージャ２２４およびクラスタマネージャ２２６を含むことができる。

アクション２１８は、エネルギー管理プラットフォーム２０２に提供される要求に応じて、実施されるべきタスクを表すことができる。アクション２１８の各々は、アプリケーションサーバ２１２によって実施されるべき作業の単位を表すことができる。アクション２１８は、データの種類に関連付けられ、エンジン（またはモジュール）に結びつけられることができる。要求は、エネルギー管理プラットフォーム２０２によってサポートされる任意のタスクに関連することがある。例えば、要求は、例えば、解析処理すること、エネルギー関連データをロードすること、エネルギースター読みとりを取得すること、ベンチマークデータを取得することなどに関連することができる。アクション２１８は、アクション待ち行列２２０に提供される。

アクション待ち行列２２０は、アクション２１８の各々を受信することができる。アクション待ち行列２２０は、分散型タスク待ち行列とすることができ、適切なコンピューティングリソースにルーティングされてその後実施されるべき作業を表す。

ディスパッチャ２２２は、アクションを実行するだろうエンジンに対して、待ち行列型アクションを関連付け、引き継ぐことができる。ディスパッチャ２２２は、負荷のバランスおよび他の最適化の考慮に基づいて、アプリケーションサーバ２１２のうちの特定の一つに対して、各待ち行列型アクションのルーティングを制御することができる。ディスパッチャ２２２は、現在のコンピューティングリソースが閾値の容量以上であるとき、新規ノードを供給するように、リソースマネージャ２２４から命令を受信することができる。ディスパッチャ２２２は、また、現在のコンピューティングリソースが閾値の容量以下であるとき、ノードを解放するように、リソースマネージャから命令を受信することができる。ディスパッチャ２２２は、このように、クラスタマネージャ２２６に対して、コンピューティングリソースに対する需要に基づいて、動的に、新規ノードを供給し、既存ノードを解放するように命令することができる。ノードは、アプリケーションサーバ２１２、リレーショナルデータベース２１４、キー／値ストア２１６と関連するコンピューティングノードまたはストレージノードとすることができる。

リソースマネージャ２２４は、アクション待ち行列２２０を監視することができる。リソースマネージャ２２４は、また、アプリケーションサーバ２１２に対する現在の負荷を監視し、待ち行列型アクションを実行するためのリソースの使用可能性を判定することができる。監視に基づいて、リソースマネージャは、ディスパッチャ２２２を通じて、クラスタマネージャ２２６と通信し、ノードの動的な割り当ておよび割り当て解除を要求することができる。

クラスタマネージャ２２６は、アプリケーションサーバ２１２のノードの全てを管理する分散型エンティティとすることができる。クラスタマネージャ２２６は、コンピューティングリソースに対する需要に基づいて動的に、新規ノードを供給するか、または既存のノードを解放することができる。クラスタマネージャ２２６は、グループメンバーシップサービスプロトコルを実装することができる。クラスタマネージャ２２６は、また、タスク監視機能を実施することができる。タスク監視機能は、ＣＰＵ利用、データ読み出し／書き込みの量、ストレージサイズなどのリソース利用を追跡することを含むことができる。

アプリケーションサーバ２１２は、解析サーバ実行、データ要求などを管理するか、またはホストする処理を実施することができる。データサービス、バッチ処理、ストリームサービスを実施するエンジンなどの、エネルギー管理プラットフォーム２０２によって提供されるエンジンは、アプリケーションサーバ２１２内でホストされることができる。エンジンは、本明細書でより詳細に議論される。

一実施形態においては、アプリケーションサーバ２１２は、エネルギー管理プラットフォーム２０２のサービスおよびアプリケーションを実施するうえでのシステムとして作動するように調整される複数の緩くまたはしっかりと接続されたコンピュータのコンピュータクラスタの一部とすることができる。クラスタのノード（例えば、サーバ）は、高速ローカルエリアネットワーク（“ＬＡＮ”）を通じて相互に接続されることができ、各ノードは、オペレーティングシステムのそれ自体のインスタンスを実行する。アプリケーションサーバ２１２は、単一のコンピュータの性能および有用性に対して、性能および有用性を改良するためにコンピュータクラスタとして実装されることができ、典型的には、同等な速度または有用性の単一のコンピュータよりもさらに対費用効果が高い。アプリケーションサーバ２１２は、ソフトウェア、ハードウェア、または双方の組み合わせとすることができる。

リレーショナルデータベース２１４は、エネルギー管理プラットフォーム２０２をサポートする様々なデータを保持することができる。一実施形態においては、非時系列データは、本明細書でより詳細に議論されるようにリレーショナルデータベース２１４内に格納されることができる。

キー／値ストア２１６は、エネルギー管理プラットフォーム２０２をサポートする様々なデータを保持することができる。一実施形態においては、時系列データ（例えば、メータ読みとり、メータイベントなど）は、本明細書でより詳細に議論されるように、キー／値ストア内に格納されることができる。一実施形態においては、キー／値ストア２１６は、多数のコモディティサーバにわたって大量のデータを扱うように設計されたオープンソース分散型データベース管理システムであるＡｐａｃｈｅ Ｃａｓｓａｎｄｒａで実装されることができる。一実施形態においては、キー／値ストア用に他のデータベース管理システムが利用されてもよい。

一実施形態においては、アプリケーションサーバ２１２、リレーショナルデータベース２１４、キー／値ストア２１６のうちの一つ以上は、エネルギー管理プラットフォーム２０２を所有し、保持し、または制御するエンティティによって実装されることができる。

一実施形態においては、アプリケーションサーバ２１２、リレーショナルデータベース２１４、キー／値ストア２１６のうちの一つ以上は、エネルギー管理プラットフォーム２０２を所有し、保持し、または制御するエンティティに賃貸するためのコンピューティング環境を提供することができる第三者によって実装されることができる。一実施形態においては、第三者によって実装されるアプリケーションサーバ２１２、リレーショナルデータベース２１４、キー／値ストア２１６は、ネットワーク２０８などのネットワークを通じてエネルギー管理プラットフォーム２０２と通信することができる。

エネルギー管理プラットフォーム２０２を所有し、保持し、または制御するエンティティに対して第三者によって提供されるコンピューティング環境は、エネルギー管理プラットフォーム２０２を所有し、保持し、または制御するエンティティが、それ自体のコンピュータアプリケーションを実行するために仮想コンピュータを賃借することを可能とするクラウドコンピューティングプラットフォームとすることができる。このようなアプリケーションは、本明細書でより詳細に議論されるように、例えば、アプリケーションサーバ２００によって実施されるアプリケーションを含むことができる。一実施形態においては、コンピューティング環境は、エネルギー管理プラットフォーム２０２を所有し、保持し、または制御するエンティティが任意の所望のソフトウェアを含む仮想マシンを作成するために用いられる仮想機器を起動することができるウェブサービスを提供することによって、アプリケーションの拡張可能な展開を可能とすることができる。一実施形態においては、エネルギー管理プラットフォーム２０２を所有し、保持し、または制御するエンティティは、時間、利用時間、データ利用、またはこれらもしくは他の要因の任意の組み合わせに基づいて支払って、サーバインスタンスを必要に応じて作成し、起動し、終了することができる。このようにコンピューティングリソースを供給、解放する性能は、エネルギー管理プラットフォーム２０２の性能をサポートし、エネルギー管理プラットフォーム２０２における需要に従って動的にスケーリングする。

図３は、本開示の一実施形態による、エネルギー管理プラットフォームの例示的アプリケーションサーバ３００を示す。一実施形態においては、図２のアプリケーションサーバ２１２の一つ以上は、図３のアプリケーションサーバ３００で実装されることができる。アプリケーションサーバ３００は、データインテグレータ（データローディング）モジュール３０２と、インテグレーションサービスモジュール３０４と、データサービスモジュール３０６と、コンピューテーショナルサービスモジュール３０８と、ストリーム解析サービスモジュール３１０と、バッチパラレル処理解析サービスモジュール３１２と、正規化モジュール３１４と、解析コンテナ３１６と、データモデル３１８と、ユーザインターフェイス（ＵＩ）サービスモジュール３２４とを含む。幾つかの実施形態においては、アプリケーションサーバ３００は、また、ノンテクニカルロス（ＮＴＬ）同定モジュール３３０を含むことができる。

アプリケーションサーバ３００によってサポートされる解析プラットフォームは、特定のデータ管理または解析性能を各々扱う複数のサービスを含む。サービスは、データインテグレータモジュール３０２と、インテグレーションサービスモジュール３０４と、データサービスモジュール３０６と、コンピューテーショナルサービスモジュール３０８と、ストリーム解析サービスモジュール３１０と、バッチパラレル処理解析サービスモジュール３１２と、ＵＩサービスモジュール３２４とを含む。解析プラットフォーム内の全てまたは幾つかのサービスは、モジュール式であり、大きなデータ量に対して高速で其々の性能を実行するために、このように特別に設計されることができる。サービスは、アプリケーションサーバ２１２を含むコンピュータクラスタ上で、高性能の分散型コンピューティング用のソフトウェアで最適化されることができる。

図３および本明細書の全ての図面におけるアプリケーションサーバ３００のモジュールおよびコンポーネントは、単なる例示に過ぎず、より少数のモジュールおよびコンポーネントに様々に組み合わせられることができ、または、さらなるモジュールおよびコンポーネントに分離されることができる。モジュールおよびコンポーネントの記述された機能は、他のモジュールおよびコンポーネントによって実施されることができる。

データインテグレータモジュール３０２は、図１のエネルギー管理プラットフォーム１０２に、外部データソース１０４_１−ｎのソフトウェアシステムまたはデータベース内に保持されたデータを自動的にインポートするためのツールである。インポートされたデータは、エネルギー管理プラットフォーム１０２またはアプリケーションサーバ３００の様々なアプリケーションに対して用いられることができる。データインテグレータモジュール３０２は、気象データベース、建造物データベース（例えば、都市計画審議会データベース）、第三者特性管理システムおよび外部ベンチマークデータベースなどの第三者データソースと同様に、ＭＤＭ、ＣＩＳおよび請求システムなどの送電系統およびオペレーショナルシステムを含む広範囲のデータソースからのデータを受け入れる。インポートされたデータは、例えば、最小の毎日または他の時間間隔（例えば、１５分間隔）で提供されるメータデータ（例えば、電気消費、水消費、天然ガス消費）、毎日または他の時間間隔（例えば、一時間間隔）での気象データ（例えば、温度、湿度）、建造物データ（例えば、面積、占有率、築年数、建造物の種類、階数、エアコンの面積）、密集度（階層）（例えば、建造物に対するメータ、シティブロックに対する建造物、建造物の地域識別）、および資産データ（例えば、ＨＶＡＣ資産の数と種類、生産単位の数と種類（プラント用））を含むことができる。

データインテグレータモジュール３０２は、また、Ｅｘｃｅｌのスプレッドシートなどの単層ファイルから情報をインポートする性能を有し、エネルギー管理プラットフォーム１０２のアプリケーションに直接入力された情報を捕捉する性能を有する。広範囲のソースからデータを組み込むことによって、アプリケーションサーバ３００は、複雑かつ詳細な解析を実施することが可能となり、より優れたビジネスでの洞察が可能となる。

データインテグレータモジュール３０２は、アプリケーションサーバ３００のアプリケーションにデータをロードするために利用されることができる標準的正準オブジェクト定義（標準インターフェイス定義）の集合を提供する。データインテグレータモジュール３０２の正準オブジェクトは、共通情報モデル（ＣＩＭ）、グリーンボタンおよび公開自動データ交換などの現在または新規の公益事業業界標準または、アプリケーションサーバ３００の仕様に基づくことができる。アプリケーションサーバ３００は、広範囲の公益事業データソースがエネルギー管理プラットフォーム１０２に容易に接続可能となることを確実にするように、これらのおよび他の標準をサポートすることができる。正準オブジェクトは、例えば、以下を含むことができる。

正準形式でデータが受信されると、データが、格納、処理及び解析されるように、データベーススキームにロードされることができるように、データインテグレータモジュール３０２は、データモデル３１８に従って、個々のデータエンティティにデータを変換することができる。

データインテグレータモジュール３０２は、非常に大量のデータ（例えば、“ビッグデータ”）を扱うことが可能である。例えば、データインテグレータモジュール３０２は、無数のデジタルメータからの間隔データを頻繁に処理することができる。データを受信するために、アプリケーションサーバ３００は、一貫したセキュリティのウェブサービスＡＰＩ（例えば、ＲＥＳＴ）を提供することができる。インテグレーションは、非同期式バッチまたはリアルタイムモードで実行されることができる。データインテグレータモジュール３０２は、例えば、公益事業顧客システム、建造物特徴システム、業界標準ベンチマークシステム、公益事業省エネルギー対策およびリベートデータベース、公益事業企業システム、ＭＤＭおよび公益事業オペレーショナルシステムからのリアルタイムのバッチデータを組み込むことができる。外部データソースが、データを抽出するためのＡＰＩまたはコンピュータ制御手段を所有しないとき、アプリケーションサーバ３００は、（例えば、ウェブスクラッピングを利用することによって）外部データソースと関連付けられたウェブページから直接データを取得することができる。

データインテグレータモジュール３０２は、また、最初のデータ検証を実施することができる。データインテグレータモジュール３０２は、必要とされるフィールドが存在し、データが正しいデータ種類のものであることを保証するために、入ってくるデータの構造を検査することができる。例えば、データインテグレータモジュール３０２は、提供されたデータのフォーマットが予測されたフォーマットと一致しない（例えば、数値がテキストとして誤って提供される）せず、不一致のデータがロードされるのを回避し、点検および調査用に問題を記録する時を認識することができる。このように、データインテグレータモジュール３０２は、入ってくるデータが正確な解析用の要件を確実に満たすうえでの、防御の最前線として役立つことができる。

インテグレーションサービスモジュール３０４は、データベースまたはストアにロードされる前に、データにエラーがないことを保証するデータ検証又は試験の第二層として役立つ。インテグレーションサービスモジュール３０４は、データインテグレータモジュール３０２からデータを受信し、それが流れるにつれてデータを監視し、データチェックの第二ラウンドを実施し、格納されるべきデータサービスモジュール３０６にデータを受け渡す。

インテグレーションサービスモジュール３０４は、様々なデータ管理機能を提供することができる。インテグレーションサービスモジュール３０４は、複製の取り扱いを実施することができる。インテグレーションサービスモジュール３０４は、一つのデータセットに対して解析が正確に実施されることを保証するように、データ複製のインスタンスを同定することができる。インテグレーションサービスモジュール３０４は、ユーザによって特定されるビジネス要件に従って、複製を処理する（例えば、同一または平均の複製記録として二つの複製記録を扱う）ように構成されることができる。この柔軟性によって、データ取り扱いのために、顧客標準にアプリケーションサーバ３００が適合することを可能とする。

インテグレーションサービスモジュール３０４は、データ検証を実施することができる。インテグレーションサービスモジュール３０４は、データギャップおよびデータ異常（例えば、統計学的異常）を検出し、異常値を同定し、参照整合性チェックを実施することができる。参照整合性チェックは、ロードされたメータのデータが設備と関連付けられること、またはその逆に設備が関連付けられたメータを有することを保証するなど、データが接続の正確なネットワークを有することを保証し、解析および集約を可能とする。インテグレーションサービスモジュール３０４は、ユーザによって特定されるビジネス要件に従って、データ検証問題を解決する。例えば、データギャップが存在する場合、線形補間は、欠測データを埋めるために用いられるか、またはギャップはそのまま残されることがある。

インテグレーションサービスモジュール３０４は、データ監視を実施することができる。インテグレーションサービスモジュール３０４は、データローディングプロセス全体にわたって、エンドツーエンドの可視性を提供することができる。ユーザは、複製検出からデータストレージに進行するにつれて、データインテグレーションプロセスを監視することができる。このような監視は、データが適切にロードされ、複製および検証エラーがないことを保証するのに役立つ。

データサービスモジュール３０６は、大量かつ増量したデータを持続（格納）することを担い、また、データを解析計算用に容易利用可能とする。データサービスモジュール３０６は、リレーショナルおよび非リレーショナル（キー／値ストア）データベースへとデータを分割し、また、格納されたデータに対する動作を実施する。これらの動作は、データを生成すること、読み出すこと、更新することおよび消去することを含む。データサービスモジュール３０６のデータエンジンは、ストリーム処理用のデータを持続することができる。データサービスモジュール３０６のデータエンジンは、また、バッチパラレル処理用のバッチジョブと関連して処理されるべきデータセットを同定することもできる。

データサービスモジュール３０６は、データ分割を実施することができる。データサービスモジュール３０６は、図２のリレーショナルデータベース２１４およびキー／値ストア１６などのリレーショナルおよび非リレーショナルデータストアを利用する。データを二つの個別のデータストア、リレーショナルデータベース２１４およびキー／値ストア２１６、に“分割すること”によって、アプリケーションサーバ３００は、そのアプリケーションが、メータおよび送電系統センサから発生する間隔データなどの大量のデータを効率的に処理、解析することを保証する。リレーショナルデータベース２１４およびキー／値ストア２１６内のデータは、エネルギー管理プラットフォーム１０２のデータモデル３１８に従って格納される。

リレーショナルデータベース２１４は、構造化されたおよびゆっくりと変化するデータを管理するように設計される。このようなデータの例は、組織（例えば顧客）および設備データを含む。リレーショナルデータベース２１４などのリレーショナルデータベースは、ランダムアクセス更新用に設計される。

キー／値ストア２１６は、メータおよび送電系統センサデータなどの非常に大量の間隔（時系列）データを管理するように設計される。キー／値ストア２１６などのキー／値ストアは、特定の順序で読みだされる“アペンド専用”データの大量のストリーム用に設計される。“アペンド専用”とは、関連付けられたファイルの終端に単純に追加される新しいデータのことを指す。間隔データ用に専用のキー／値ストア２１６を利用することによって、アプリケーションサーバ３００は、この種のデータが効率的に格納され、迅速にアクセスできることを保証する。

データサービスモジュール３０６は、分散型データ管理を実施することができる。データサービスモジュール３０６は、ストリーム処理およびバッチパラレル処理を実施するために、通知の供給をスケジューリングするイベント待ち行列を含むことができる。バッチパラレル処理に関して、スケジューリングは、エネルギー管理プラットフォーム１０２内の関連するクラスタ内の処理リソースの利用可能性を説明する規則に基づくことができる。データ量が増えると、データサービスモジュール３０６は、新規データに適合する（例えば、格納して処理する）ために、クラスタに自動的にノードを追加する。ノードが追加されると、データサービスモジュール３０６は、全ノードにわたってデータを自動的に再びバランスをとって分割し、高性能および高信頼性での継続を保証する。

コンピューテーショナルサービスモジュール３０８は、ビジネス解析を実施するために、ストリーム解析サービスモジュール３１０およびバッチパラレル処理解析サービスモジュール３１２によって呼び出される解析機能のライブラリである。機能は、個々に実行されることができるか、または複雑な解析を形成するために組み合わせられることができる。コンピューテーショナルサービスモジュール３０８によって提供されるサービスは、モジュール式（即ち、単一のタスク専用）であることができ、コンピューテーショナルサービスモジュール３０８が、同時かつ迅速に多数の計算をパラレルに処理することができ、それによって、著しいコンピューテーショナルスケーラビリティを可能とすることができる。

コンピューテーショナルサービスモジュール３０８は、また、さらに大きいスケーラビリティを生成するために、分散型処理を利用することもできる。例えば、ユーザが、何十万ものメータに対する平均の年次電気利用を計算することに関心がある場合、エネルギー管理プラットフォーム１０２は、複数のサーバにわたって要求を分散させることによって、迅速に応答することが可能である。

ストリーム解析サービスモジュール３１０は、データのリアルタイムおよび近リアルタイムストリームの高度な解析を実施する。ストリームは、例えば、メータ、サブメータ、または送電系統センサからの大量のデータのフィードを表すことができる。一実施形態においては、ストリームは、Ｓｕｐｅｒｖｉｓｏｒｙ Ｃｏｎｔｒｏｌ ａｎｄ Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ（ＳＣＡＤＡ）フィードのデータとすることができる。ストリーム解析サービスモジュール３１０は、データが生成された後すぐに解析が実施される必要があるときに、このデータを解析するために呼び出されることができる。

ストリーム解析サービスモジュール３１０は、データモデル３１８に従って、データにストリームを変換するためにストリームプロセッサを含むことができる。ストリーム解析サービスモジュール３１０は、また、ストリーム処理論理を含むことができ、ストリーム処理論理は、エネルギー管理プラットフォーム１０２のユーザによって提供されることができる。ストリーム処理論理は、その後の解析用に持続され、用いられることができる計算結果を提供することができる。ストリーム処理論理は、また、計算結果に基づいて警告を提供することもできる。例えば、予測されていない、顕著な下落またはスパイクが負荷に存在するときに、公益事業は、警告および臨機応変の解析の受信を望むことがある。この負荷変動は、設備の機能不良部分または設備に対する突然の損傷によって引き起こされることがあり、供給システムまたは最終顧客に対してより大きいリスクを表す可能性がある。予測されない負荷変動についてのデータは、迅速に認識され、解析され、必要な警告を送信するために使用されることができる。ストリーム処理論理は、また、元のストリームの処理後に、エネルギー管理プラットフォーム１０２の別の目的または用途のために、処理された元のストリームに基づいて、新規ストリームを提供することもできる。

ストリーム解析サービスモジュール３１０は、近リアルタイムで継続する処理を実施することができる。ストリーム解析サービスモジュール３１０による処理は、データが到達した後、非常に迅速に生じるので、エネルギー管理プラットフォーム１０２によって提供される一刻を争うような優先度の高い解析が、問題であり、すぐに実施可能である。

ストリーム解析サービスモジュール３１０は、水平方向のスケーラビリティを提供することができる。大量のデータを同時に管理するために、ストリーム解析サービスモジュール３１０による処理は、サーバクラスタ中に分散されることができ、一組のコンピュータが協働する。

ストリーム解析サービスモジュール３１０は、フォールトトレランスを提供することができる。ストリームは、持続することができる。あるノード（例えば、クラスタ内のコンピュータ）で処理の不具合が生じると、負荷は、データの損失のなしに、クラスタ内の他のノードに分散されるだろう。ストリームに実施される処理が完了した後で、ストリームは、廃棄されることができる。

限定しない例は、ストリーム解析サービスモジュール３１０の性能を図示するために提供される。最近生成された電気消費および需要データのストリームを仮定する。ストリームは、データサービスモジュール３０６に関連付けられたイベント待ち行列に提供されることができる。データがイベント待ち行列に到達すると、自動解析プロセスが始動する。複数の解析プロセスまたは解析は、同一のデータセットに対して実行されることができる。解析プロセスは、パラレルに実施されることができる。同一データセットに対するパラレル処理は、複数の解析のより迅速な処理を可能とする。これらの解析プロセスの出力は、その後データベース内に格納され、指定されたエンドユーザに対して解析結果として利用可能となる警告および計算とすることができる。解析プロセスおよび処理タスクは、ストリーム解析サービスモジュール３１０をサポートする複数のサーバにわたって分散されることができる。このように、大量のデータは、ストリーム解析サービスモジュール３１０によって迅速に処理されることができる。

バッチパラレル処理解析サービスモジュール３１２は、エネルギー管理プラットフォーム１０２のユーザによって必要とされる解析の実質的な部分を実施することができる。バッチパラレル処理解析サービスモジュール３１２は、周期的キーパフォーマンスインジケータ（ＫＰＩ）報告、履歴電気利用解析、予報、異常値解析、エネルギー効率プロジェクト経済的影響解析などの報告および解析を作成するために、現在および履歴データから成る大きなデータセットを解析することができる。一実施形態においては、バッチパラレル処理解析サービスモジュール３１２は、コンピュータの一つ以上のクラスタにおいて大きなデータセットを処理し、計算を分散するためのプログラミングモデルであるＭａｐＲｅｄｕｃｅに基づくことができる。バッチパラレル処理解析サービスモジュール３１２は、並列化、フォールトトレランス、負荷バランスのタスクを自動的に実施し、それによって、処理集中タスクの性能と信頼性を改善する。

限定しない例は、バッチパラレル処理解析サービスモジュール３１２の性能を図示するために提供される。例として、エネルギー強度のベンチマーク解析、キー性能インジケータに対する性能の概要およびノンテクニカルロスによる未請求エネルギーの解析が、バッチパラレル処理解析サービスモジュール３１２によって扱われるジョブとすることができる。バッチ処理のジョブがエネルギー管理プラットフォーム１０２に呼び出されると、バッチパラレル処理解析サービスモジュール３１２に関連付けられた入力リーダが、処理ジョブを複数のより小さいバッチへと分解する。この分解は、ジョブの複雑性および処理時間を縮小する。各バッチは、その後、その割り当てられたタスク（例えば、計算または評価）を実施するためにワーカープロセスに担当される。この結果は、その後、“シャッフル”され、シャッフルとは、データセットの再配置のことを呼び、ワーカープロセスの次のセットが計算（または評価）を効率的に完了し、出力ライタを通じてデータベースに結果を迅速に書き込むことができるようにする。

バッチパラレル処理解析サービスモジュール３１２は、ワーカープロセスを複数のサーバに分散することができる。このように分散された処理は、クラスタの計算能力を十分に利用し、計算を迅速かつ効率的に完了することを保証するために使用される。このように、バッチパラレル処理解析サービスモジュール３１２は、スケーラビリティおよび高性能を提供する。

正規化モジュール３１４は、キー／値ストア２１６内に保持されるべきメータデータを正規化することができる。例えば、メータデータの正規化は、データ内のギャップを埋めることと、データ内の異常値に対処することとを含むことができる。例えば、メータデータが一貫した間隔で予測されるが、エネルギー管理プラットフォーム１０２に実際に提供されるデータがある間隔でメータデータを有さない場合、正規化モジュール３１４は、あるアルゴリズム（例えば、補間）を適用して、欠測データを提供することができる。別の例として、エネルギー利用の異常値は、正規化モジュール３１４によって検出され、対処されることができる。一実施形態においては、正規化モジュール３１４によって実施される正規化は、構成可能とすることができる。例えば、正規化モジュール３１４によって用いられるアルゴリズム（例えば、線形、非線形）は、エネルギー管理プラットフォーム１０２の管理者またはユーザによって特定されることができる。正規化されたデータは、キー／値ストア２１６に提供されることができる。

ＵＩサービスモジュール３２４は、エネルギー管理プラットフォーム１０２の全てのアプリケーションに対してグラフィカルフレームワークを提供する。ＵＩサービスモジュールは解析結果の視覚化を提供し、エンドユーザが、明確かつ利用可能な見識を受け取ることができるようにする。ストリーム解析サービスモジュール３１０またはバッチパラレル処理解析サービスモジュール３１２によって解析が完了された後、それらは、ＵＩサービスモジュール３２４によって図表示され、エネルギー管理プラットフォーム１０２の適切なアプリケーションに提供され、ユーザのコンピュータシステム（例えばマシン）上で最終的に提示されることができる。これにより、直観的かつ理解しやすいフォーマットでユーザに対するデータ見識を提供する。

ＵＩサービスモジュール３２４は、多くの特徴を提供する。ＵＩサービスモジュール３２４は、チャート型のライブラリと、ページレイアウトのライブラリとを提供することができる。チャート型およびページレイアウトにおける全てのバリエーションは、ＵＩサービスモジュール３２４によって維持される。ＵＩサービスモジュール３２４は、また、ページレイアウトカスタマイズも提供することができる。管理者などのユーザは、フィールドを追加、名前変更、グループ化することができる。例えば、エネルギー管理プラットフォーム１０２は、より容易な表示のために、エネルギー強度、エネルギー消費およびエネルギー需要をページ上に公益事業管理者が共にグループ化することを可能にする。ＵＩサービスモジュール３２４は、ロールベースのアクセス制御を提供することができる。管理者は、ある種類のユーザに対してアプリケーションのどの部分を見えるようにするかを決定することができる。これらの特徴を利用して、ＵＩサービスモジュール３２４は、エンドユーザが一貫性のある視覚的経験を楽しみ、その役割に関連する性能およびデータにアクセスし、明確なビジネス見識を提供するチャートおよび報告と相互作用することができることを保証する。

さらに、幾つかの実装においては、アプリケーションサーバ３００は、図３に示されるように、ノンテクニカルロス（ＮＴＬ）同定モジュール３３０を含む。ノンテクニカルロス同定モジュール３３０は、ノンテクニカルロスを同定するために機械学習を利用することを容易にするように構成されることができる。幾つかの実施形態においては、ノンテクニカルロス同定モジュール３３０は、ハードウェア、ソフトウェア、および／またはその組み合わせとして実装されることができる。幾つかの例においては、ノンテクニカルロス同定モジュール３３０の一つ以上の部分またはコンポーネントは、図１のエネルギー管理プラットフォーム１０２の一つ以上の他のモジュール、エンジンおよび／またはコンポーネントで実装されることができることも予測される。

一例においては、ノンテクニカルロス同定モジュール３３０は、ノンテクニカルロス（ＮＴＬ）の存在を示す信号の集合に対する信号値を取得するか、又は決定するように構成されることができる。ノンテクニカルロスの存在を示す信号の集合は、エネルギー利用の様々な状態を直接的または間接的に反映することができる。このようなエネルギー利用状態は、例えば、エネルギー利用の種類、エネルギー利用の状態、エネルギー利用量、メータからのエネルギー利用の読みとり、メータの動作状態、エネルギー提供者での顧客アカウントの状態、エネルギー供給、利用、使用可能性および支払いを直接的または間接的に反映する任意の他の事項に関連することがある。信号の集合由来の各信号は、特定のエネルギー利用状態を反映することができる。信号の集合由来の信号に対する信号値は、信号に関連付けられるエネルギー利用状態の大きさ、種類または存在（もしくは不在）を記述する数値、ブール値、二進値、または定性値とすることができる。例えば、エネルギー利用状態は、ゼロ消費または不使用の例を含む、エネルギーが利用されるか、又は消費される間の様々な例に対して言及することができる。ある場合には、エネルギー利用状態は、エネルギー又は公共料金メータ（例えば、ガスメータ、電気メータ、水道メータなど）によって測定されるようなエネルギー利用の状態（例えば、現状）を表すことができる。ある場合には、特定のエネルギー利用状態は、特定の時間もしくは間隔で、特定の場所で、特定の地理的位置で、特定のエネルギー消費者もしくは顧客による、特定の種類のエネルギーの利用に関連付けられることができる。このように、エネルギー利用状態は、利用を測定するメータにのみならず、顧客情報、位置情報、場所の種類、日付、時刻などにも関連付けられることができる。

信号の集合は、図１の外部データソース１０４_１−ｎから受信されたデータなどの取得されたデータに基づいて生成される解析または特徴の選択された集合に対応することができる。幾つかの実施形態においては、信号の集合は、研究、開発、観察、機械学習および／または実験などに基づいて、選択され、選ばれ、または決定されることができる。例えば、経験的解析に基づいて、ある信号がノンテクニカルロス（ＮＴＬ）を示すためにより有用であることを決定されえ、ノンテクニカルロスを示すことができないか、またはあまり示しそうもない他の信号に対して、これらの信号が選択されるか、または優先されることができる。データソースから受信されたデータは、ＡＭＩシステムデータ（メータデータ管理およびヘッドエンドデータ）、顧客情報データ、顧客消費データ、請求情報、契約情報、メータイベント情報、供給停止管理システム（ＯＭＳ）データ、生成器による生成、作業命令管理（ＷＯＭ）データ、検証された盗難および機能不良データ、天候、地理的位置特定を含むことができるが、そのいずれにも限定はされない。データソースは、送電系統および公益事業オペレーショナルシステム、メータデータ管理（ＭＤＭ）システム、顧客情報システム（ＣＩＳ）、請求システム、公益事業顧客システム、公益事業企業システム、公益事業省エネルギー対策、リベートデータベース、建造物特徴システム、天候データソース、第三者特性管理システム、業界標準ベンチマークデータベースなどを含むことができるが、そのいずれにも限定はされない。

多数の信号カテゴリにおける様々な大量の信号と、これらの信号の其々の信号値によって、エネルギー利用のより十分な理解が達成されることができる。様々な信号カテゴリのうちの一カテゴリ由来の各信号が生成されることができ、その其々の信号値は、取得されたデータの少なくとも一部に基づいて計算される。ある場合には、数十もの信号カテゴリが存在することがあり、各信号カテゴリ内に数百以上の信号が存在することがある。本開示は、幾つかの例のみを議論する。本明細書で明確に議論される以外の多くの信号カテゴリと、その信号が同様に利用されることができることが理解されるだろう。幾つかの実装においては、信号値は、０から１の間の値、二進値などの数値とすることができる。

例示的な信号カテゴリは、“アカウント属性（Ａｃｃｏｕｎｔ Ａｔｔｒｉｂｕｔｅ）”信号カテゴリである。“アカウント信号（Ａｃｃｏｕｎｔ Ｓｉｇｎａｌ）”カテゴリは、様々な信号を含むことができる。例えば、“アカウント信号”カテゴリの第一の信号は、“季節的メータ（Ｓｅａｓｏｎａｌ Ｍｅｔｅｒ）”信号と呼ばれることがある。“季節的メータ”信号は、建物（または顧客）が別荘など、季節的なものとして記録されるか否かを示すことができる。顧客情報および顧客消費データなどのＣＩＳ由来のデータは、その建物が季節的であることを示すことができ、信号値は、その建物が季節的であることを表すために“季節的メータ”信号に対して設定されることができる。

別の例として、“アカウント属性”信号カテゴリの第二の信号は、“サービス切断（Ｓｅｒｖｉｃｅ Ｄｉｓｃｏｎｎｅｃｔｅｄ）”信号と呼ばれることがある。“サービス切断”信号は、建物が解析に関連する時間（例えば、データ取得時）に、終了したか、または切断したサービスポイントを有するか否かを示すことができる。サービスポイントが切断された場合には、“サービス切断”信号に対する信号値は、サービスポイントが切断されたことを示すだろう。サービスポイントが切断されていない場合、信号値は、サービスポイントが切断されていないことを示すだろう。

さらなる例の信号カテゴリは、“異常負荷（Ａｎｏｍａｌｏｕｓ Ｌｏａｄ）”信号カテゴリである。“異常負荷”信号カテゴリは、“有効電力対無効電力曲線解析（Ａｃｔｉｖｅ Ｐｏｗｅｒ ｖｓ． Ｒｅａｃｔｉｖｅ Ｐｏｗｅｒ Ｃｕｒｖｅ Ａｎａｌｙｓｉｓ）”信号を含むことができ、これは、有効および無効電力データの解析に関し、窃盗および／または機能不良を示す異常パターンを同定する。例えば、“有効電力対無効電力曲線解析”信号は、所定の顧客に対する前年比の消費パターンにおける不規則な変動を特徴づけることができ、これは、窃盗および／または機能不良の尤度を示すことがある。“異常負荷”信号カテゴリは、また、“前年比消費下落の日数（Ｃｏｕｎｔ ｏｆ Ｄａｙｓ ｗｉｔｈ Ｙｅａｒ−ｏｖｅｒ−Ｙｅａｒ Ｃｏｎｓｕｍｐｔｉｏｎ Ｄｒｏｐ）”信号も含むことができ、これは、前年比利用が減少する日数の記録に関する。さらに、“異常負荷”信号カテゴリは、“前年比変動（１５分ごと）（Ｙｅａｒ−ｏｖｅｒ−Ｙｅａｒ Ｖａｒｉａｔｉｏｎ（Ｑｕａｒｔｅｒ Ｈｏｕｒｌｙ））”信号を含むことができ、これは、ある年から前年までの一ヶ月間の消費の最大差を計算することに関する。さらに、“異常負荷”信号カテゴリは、“消費下落（Ｃｏｎｓｕｍｐｔｉｏｎ Ｄｒｏｐ）”信号を含むことができ、消費下落信号は、メータに対する１５日間の起伏がある平均消費が２０％を超えて下落するときの消費プロファイルおよび記録の追跡に関する。

さらなる例示的な信号カテゴリは、“計算された状態（Ｃａｌｃｕｌａｔｅ Ｓｔａｔｕｓ）”信号カテゴリであり、これは、メータ状態がアクティブに設定されているか否か、またはメータが通信問題を報告しているか否かをチェックすることなどによって、メータの状態を相互にチェックすることを容易にする信号を含むことができる。このカテゴリ内の“メータ位置インドア（Ｍｅｔｅｒ Ｌｏｃａｔｉｏｎ Ｉｎｄｏｏｒ）”信号は、メータが室内にあることを示すことができる。このカテゴリ内の“メータ位置アウトドア（Ｍｅｔｅｒ Ｌｏｃａｔｉｏｎ Ｏｕｔｄｏｏｒ）”信号は、メータが屋外にあることを示すことができる。このカテゴリにおける“非アクティブサービス（電気）における消費（Ｃｏｎｓｕｍｐｔｉｏｎ ｏｎ ＳｅｒｖｉｃｅＩｎａｃｔｉｖｅ（Ｅｌｅｃｔｒｉｃ））”信号は、サービスがアクティブではないが、それにもかかわらず、メータ上に電気消費が存在することを示すことができる。

さらなる例示的な信号カテゴリは、“非アクティブにおける消費（Ｃｏｎｓｕｍｐｔｉｏｎ ｏｎ Ｉｎａｃｔｉｖｅ）”信号カテゴリである。“非アクティブにおける消費”信号カテゴリは、“非アクティブにおける消費（Ｃｏｎｓｕｍｐｔｉｏｎ ｏｎ Ｉｎａｃｔｉｖｅ）”信号を含むことができ、これは、公益事業会社によって切断されたサービスアカウントを有する非ゼロ消費の顧客を検出することに関する。“非アクティブにおける消費”信号カテゴリは、また、“非アクティブにおける消費（ガス）”信号も含むことができ、これは、サービス契約が何もアクティブではないが、メータにおけるガス消費が存在する状況に関する。

さらなる例示的信号カテゴリは、“現在の解析（Ｃｕｒｒｅｎｔ Ａｎａｌｓｉｓ）”信号カテゴリである。このカテゴリにおける信号は、負荷調和におけるあらゆる矛盾、有効電力対無効電力の測定、潜在的な遮断を評価するための履歴の電流（アンペア）プロファイルを解析することに関連付けられることができる。このカテゴリは、変流器（ＣＴ）が０．５アンペアより大きい間隔を示す、“ＣＴ＞０．５アンペア”信号を含むことができ、変流器（ＣＴ）が０．０５アンペアより小さい間隔を示す“ＣＴ＜０．０５アンペア”信号を含むことができる。

さらなる例示的信号カテゴリは、“欠測データ（Ｍｉｓｓｉｎｇ Ｄａｔａ）”信号カテゴリであり、欠測データに関する信号を含む。この信号カテゴリにおける“欠測データ（Ｍｉｓｓｉｎｇ Ｄａｔａ）”信号は、メータが消費データを欠測しているか否かを同定することに関する。

さらなる例示的信号カテゴリは、“切断（Ｄｉｓｃｏｎｎｅｃｔｅｄ）”信号カテゴリであり、これは、メータが通信ネットワークから切断されたか否かを評価することに関連付けられる信号を含む。このカテゴリにおける“電気的切断到達不能（Ｅｌｅｃｔｒｉｃ Ｄｉｓｃｏｎｎｅｃｔｅｄ Ｕｎｒｅａｃｈａｂｌｅ）”信号は、遠隔で切断されたアドバンスドメータリングインフラストラクチャ（ＡＭＩ）メータが到達不能になってからの日数を示すことができる。このカテゴリにおける“確実な切断後の通信（Ｃｏｍｍｕｎｉｃａｔｉｏｎ ａｆｔｅｒ Ｈａｒｄ Ｄｉｓｃｏｎｎｅｃｔ）”信号は、ポールまたはサービスヘッドでサービスポイントが切断された後で、ネットワークインターフェイスコントローラ（ＮＩＣ）電力復旧イベントが検出されたことを示すことができる。このカテゴリにおける“到達不能前に切断された日（Ｄａｙｓ Ｄｉｓｃｏｎｎｅｃｔｅｄ Ｂｅｆｏｒｅ Ｕｎｒｅａｃｈａｂｌｅ）” 信号は、到達不能になる前にメータが切断された日数を示すことができる。

さらなる例示的信号カテゴリは、“メータイベント（Ｍｅｔｅｒ Ｅｖｅｎｔｓ）”信号カテゴリであり、これは、様々なメータイベント（例えば、メータ不正イベント、メータ機能不良イベント、メータ最終動作イベントなど）を追跡し、（例えば、メータによって報告され、その多くがフォールスポジティブである大量のメータイベントによって）あらゆるノイズをフィルタ処理する信号を含む。このカテゴリにおける“機能不良イベント（Ｍａｌｆｕｎｃｔｉｏｎ Ｅｖｅｎｔ）”信号は、機能不良イベントのあったメータを同定することができ、機能不良イベントが何回引き起こされたかをカウントすることができる。このカテゴリにおける“機能不良およびオフイベントカウント（Ｍａｌｆｕｎｃｔｉｏｎ ａｎｄ Ｏｆｆ Ｅｖｅｎｔ Ｃｏｕｎｔ）”信号は、機能不良イベントのあったメータを同定することができ、機能不良の読みとりおよびオフイベントが何回かをカウントすることができる。このカテゴリにおける“不正イベントカウント（Ｔａｍｐｅｒ Ｅｖｅｎｔ Ｃｏｕｎｔ）”信号は、記録されたメータ不正イベントの数を評価することができる。この信号カテゴリにおける“不正、機能不良、オフ複合メータイベント（Ｔａｍｐｅｒ Ｃｏｍｂｉｎｅｄ ｗｉｔｈ Ｍａｌｆｕｎｃｔｉｏｎ Ｃｏｍｂｉｎｅｄ ｗｉｔｈ Ｏｆｆ Ｍｅｔｅｒ Ｅｖｅｎｔｓ）”は、不正イベント、機能不良イベント、およびオフイベントを含む複合メータイベントを有するメータを同定することができる。

さらなる例示的信号カテゴリは、“毎月メータ（Ｍｏｎｔｈｌｙ Ｍｅｔｅｒ）”カテゴリであり、これは、一か月間隔でデータを報告するメータに関連付けられる信号を含む。これらの信号は、毎月報告するメータに見識を提供することができ、またはより一般的には、それほど使用可能ではないデータを有するパターンの予測を容易にすることができる。この信号カテゴリにおける“最大月消費下落（Ｍａｘｉｍｕｍ Ｍｏｎｔｈｌｙ Ｃｏｎｓｕｍｐｔｉｏｎ Ｄｒｏｐ）”信号は、最大の前月比消費下落を記録することができる。このカテゴリにおける“前年比変動（月毎、季節毎）（Ｙｅａｒ−ｏｖｅｒ−Ｙｅａｒ Ｖａｒｉａｔｉｏｎ（Ｍｏｎｔｈｌｙ，Ｓｅａｓｏｎａｌ））”信号は、季節的ではないメータに対してある年から前年までの間の消費の最大差を計算することができる。“非アクティブメータにおける消費（月毎）（Ｃｏｎｓｕｍｐｔｉｏｎ ｏｎ Ｉｎａｃｔｉｖｅ Ｍｅｔｅｒ（Ｍｏｎｔｈｌｙ））”信号は、メータ契約が終了し、契約終了日後に非ゼロ（月毎）消費が記録されたことを同定することができる。

さらなる例示的信号カテゴリは、“供給停止（Ｏｕｔａｇｅ）”信号カテゴリであり、これは、供給停止、遮断を追跡することができ、メータに不正が行われたか否か、またはメータが供給停止を経験したか否かについてのより多くの見識を提供するために、消費プロファイルと相関づけることができる。このカテゴリにおける“ライン供給停止イベント（Ｌｉｎｅ Ｏｕｔａｇｅ Ｅｖｅｎｔ）”信号は、ライン供給停止イベントがメータに対して記録されたか否かを同定することができる。このカテゴリにおける“消費下落関連供給停止（Ｏｕｔａｇｅ Ｃｏｒｒｅｌａｔｅｄ ｗｉｔｈ Ｃｏｎｓｕｍｐｔｉｏｎ Ｄｒｏｐ）”信号は、供給停止データを追跡することができ、消費プロファイルにおける減少に相関づけられる供給停止が存在するときにフラグを設定することができる。このカテゴリにおける“部分的ライン供給停止イベント（Ｐａｒｔｉａｌ Ｌｉｎｅ Ｏｕｔａｇｅ Ｅｖｅｎｔ）”信号は、部分的ライン供給停止イベントが検出されたか否かを追跡することができる。

さらなる例示的信号カテゴリは、“盗難メータ（Ｓｔｏｌｅｎ Ｍｅｔｅｒ）”カテゴリである。このカテゴリにおける“供給停止および盗難メータであるか（ＩｓＯｕｔａｇｅＡｎｄＳｔｏｌｅｎＭｅｔｅｒ）”信号は、メータが盗難されたか否か、それは短い供給停止内で生じたか否かに関する。このカテゴリにおける“盗難メータ距離（Ｓｔｏｌｅｎ Ｍｅｔｅｒ Ｄｉｓｔａｎｃｅ）”信号は、メータが、予想される据え付け位置から３００フィートを超える位置にあるか否かに関連する。

さらなる例示的信号カテゴリは、“異常生成（Ｕｎｕｓｕａｌ Ｐｒｏｄｕｃｔｉｏｎ）”信号カテゴリであり、これは、電気（例えば、太陽電気）を生成するネットメータリング顧客を追跡することができ、生成データが異常であることを検出することができる信号を含む。このカテゴリにおける“日暮れ後生成（Ｐｒｏｄｕｃｔｉｏｎ Ａｆｔｅｒ Ｄａｒｋ）”信号は、夜中の生成（逆消費）が検出されるか否かを同定することができる。このカテゴリにおける“日暮れ後発電（Ｅｌｅｃｔｒｉｃｉｔｙ Ｐｒｏｄｕｃｔｉｏｎ Ａｆｔｅｒ Ｄａｒｋ）”信号は、電気が夜中に生成されていることを示すことができる。

さらなる例示的信号カテゴリは、“作業命令（Ｗｏｒｋ Ｏｒｄｅｒ）”信号カテゴリであり、これは、顧客が盗難を報告したか否か、または顧客のアカウントに対する未払いの履歴を有したか否かなどについての見識を導くための作業命令を追跡する信号を含む。“作業命令”カテゴリにおける信号は、消費パターンおよび窃盗のモードと相関する見識を導くうえで有用であり得る。このカテゴリにおける“作業命令キャンセル（Ｃａｎｃｅｌｌａｔｉｏｎ ｏｆ Ｗｏｒｋ Ｏｒｄｅｒ）”信号は、支払いをしなかった顧客に対するサービスのキャンセルを同定することができる。このカテゴリにおける“契約変更（Ｃｈａｎｇｅ ｏｆ Ｃｏｎｔｒａｃｔ）”信号は、契約のサービス変更が登録されたか否かを同定することができる。このカテゴリにおける“メータ変更（Ｃｈａｎｇｅ ｏｆ Ｍｅｔｅｒ）”信号は、メータの変更に対応する各作業命令に対する結果を生成することができる。

さらなる例示的信号カテゴリは、“ゼロ読みとり（Ｚｅｒｏ Ｒｅａｄｓ）”信号カテゴリであり、これは、最も近い隣人またはピアアカウントのクラスタと一致しないゼロ消費のパターンを検出するために、メータに対するゼロ読みとりを追跡する信号を含む。このカテゴリにおける“断続的ゼロ読みとり（Ｉｎｔｅｒｍｉｔｔｅｎｔ Ｚｅｒｏ Ｒｅａｄｉｎｇ）”信号は、（例えば、特定の期間内の）連続的なメータ読みとりのうちの特定数に対して継続されたメータゼロ読みとりを同定することができる。このカテゴリにおける“（非季節的）供給停止と相関づけられる継続的ゼロ読みとり（Ｓｕｓｔａｉｎｅｄ Ｚｅｒｏ Ｒｅａｄｉｎｇｓ Ｃｏｒｒｅｌａｔｅｄ ｗｉｔｈ Ｏｕｔａｇｅ（Ｎｏｎ−Ｓｅａｓｏｎａｌ））”信号は、（非季節的）供給停止メータに相関づけられる継続的（例えば、７日を超える）ゼロ読みとりを追跡することができる。このカテゴリにおける“断続的ゼロ（Ｉｎｔｅｒｍｉｔｔｅｎｔ Ｚｅｒｏ）”信号は、特定の期間（例えば、少なくとも６時間）続くゼロ読みとり期間を同定することができる。

再度、本明細書に記述される信号および信号カテゴリは、例であって、例示を目的とするものである。他の適切な信号および信号カテゴリが、追加的または代替的に使用されることができる。多数の変形が可能であることがさらに予測される。ある場合には、本明細書に記述されたものよりも多数（または少数）の信号が存在することがある。幾つかの実施形態においては、信号の集合における第一の信号は、信号の集合における第二の信号に対する改変に基づいて生成されることができる。一例においては、第一の信号は、第二の信号の置換に基づいて生成されることができる。別の例においては、第一の信号は、第二の信号および第三の信号の組み合わせに基づいて生成されることができる。

ある例においては、本明細書で記述されたものよりも多数（または少数）の信号カテゴリが存在することがある。例えば、幾つかの実施形態においては、信号の集合における一つ以上の信号は、アカウント属性信号カテゴリ、異常負荷信号カテゴリ、計算された状態信号カテゴリ、非アクティブにおける消費信号カテゴリ、現在の解析信号カテゴリ、欠測データ信号カテゴリ、切断信号カテゴリ、メータイベント信号カテゴリ、毎月メータ異常負荷信号カテゴリ、非アクティブにおける毎月メータ消費信号カテゴリ、供給停止信号カテゴリ、盗難メータ信号カテゴリ、異常生成信号カテゴリ、作業命令信号カテゴリまたはゼロ読みとり信号カテゴリのうちの少なくとも一つに関連付けられることができる。

選択された信号カテゴリからの選択された信号の集合の決定後、信号に対する信号値は、データソースから受信されたデータに基づいて決定されることができる。幾つかの実装においては、信号値を決定することは、信号の集合に対する式の集合を決定することを含むことができる。式の集合における各式は、信号の集合における其々の信号に対応することができる。その後、信号の集合に対する信号値は、式の集合に基づいて計算されることができる。例示として、“消費下落”信号に対する信号値は、メータの平均消費と比較した、メータの消費下落量に対応することができる。多数の他の式が様々な他の信号に対して取得されるか、展開されることができることが理解される。さらに、幾つかの実装においては、信号値は、信号の集合にわたって正規化されることができる。

信号の集合に対する信号値の決定後、ノンテクニカルロス同定モジュール３３０は、信号値に基づいて、複数のエネルギー利用状態に対して複数のＮ次元表現（例えば、Ｎ次元空間における点）を生成することができ、ここで、Ｎは、ノンテクニカルロスの存在を示す信号の集合における信号の数（即ち、信号量）を表す。例えば、１５０個の信号が存在する場合、Ｎ次元表現は、１５０次元を有することができる。各次元は、其々の信号に対応することができる。複数のエネルギー利用状態における特定のエネルギー利用状態は、信号値に基づいた座標を有するＮ次元空間における点として表されることができる。

ノンテクニカルロス同定モジュール３３０は、ノンテクニカルロスを同定するための分類モデルを作成するために、複数のＮ次元表現に少なくとも一つの機械学習アルゴリズムをさらに適用することができる。分類モデルは、窃盗または機能不良の形式など、ノンテクニカルロスを含みそうなエネルギー利用状態を同定するために用いられることができる。

図４は、本開示の一実施形態による、ノンテクニカルロスを同定するために機械学習を用いるように構成された例示的なノンテクニカルロス（ＮＴＬ）同定モジュール４００を示す。例示的なノンテクニカルロス同定モジュール４００は、図３のノンテクニカルロス同定モジュール３３０として実装されることができる。上述されたように、幾つかの実施形態においては、ノンテクニカルロス同定モジュール４００の様々な部分は、図２のエネルギー管理プラットフォーム２０２の一つ以上のコンポーネントとして実装されることができる。例えば、幾つかの実施形態においては、ノンテクニカルロス同定モジュール４００の少なくとも幾つかの部分は、図３のアプリケーションサーバ３００の一つ以上のコンポーネントとして実装されることができる。

図４に示されるように、ノンテクニカルロス同定モジュール４００は、信号データ取得モジュール４０２と、Ｎ次元表現モジュール４０４と、機械学習モジュール４０６と、結果処理モジュール４０８とを含むことができる。信号データ取得モジュール４０２は、信号の集合と、信号の集合に対して関連付けられた信号値とを決定するように構成されることができる。信号値は、複数のエネルギー利用状態に関連付けられることができる。幾つかの実施形態においては、信号データ取得モジュール４０２は、図３のデータインテグレータモジュール３０２として実装されることができ、データインテグレータモジュール３０２内に常駐することができ、および／またはデータインテグレータモジュール３０２と協働することができる。外部データソース１０４_１−ｎからのデータが受信されることができ、信号の集合は、このように受信されたデータに基づいて生成されることができる。信号データ取得モジュール４０２は、信号の集合に対して式の集合を適用することなどによって、信号の集合に対して信号値を決定することができる。式の集合における各式は、信号の集合における其々の信号に対応することができる。ある場合には、式の集合は、研究、解析、観察、実験などから導出または展開されることができる。信号データ取得モジュール４０２は、式の集合に基づいて、信号の集合に対して信号値を計算するように構成されることができる。ある場合には、エネルギー利用の各状態は、一つ以上の其々の信号値によって表されることができる。例えば、信号値の特定の集合は、特定の位置および場所における、特定の顧客に対する特定の公共料金メータの現在の状態に関連付けられることができる。

Ｎ次元表現モジュール４０４は、複数のエネルギー利用状態に対する複数のＮ次元表現を生成するように構成されることができる。複数のＮ次元表現は、信号値に基づいて生成されることができる。各Ｎ次元表現は、エネルギー利用の其々の状態に関連付けられた信号値に基づいて、生成されることができる。各Ｎ次元表現は、信号の集合の信号量に対応するＮ次元を有することができる。一例においては、各エネルギー利用状態は、Ｎ次元空間における点として表されることができ、その其々の信号値に対応する座標を有することができる。別の例においては、各エネルギー利用状態は、その其々の信号値に対応するベクトル値を有するＮ次元ベクトルとして表されることができる。他のＮ次元表現もまた使用されることができる。

機械学習モジュール４０６は、複数のＮ次元表現に少なくとも一つの機械学習アルゴリズムを適用するように構成されることができる。ノンテクニカルロスを同定するための分類モデルは、複数のＮ次元表現に対する少なくとも一つの機械学習アルゴリズムの適用に基づいて、作成され、展開され、または生成されることができる。

幾つかの実施形態においては、少なくとも一つの機械学習アルゴリズムは、監視下プロセスと関連付けられることができる。一例においては、複数のＮ次元表現の少なくとも第一部分は、ノンテクニカルロスに対応するものとして予め認識されるか、検証されたものとすることができる。複数のＮ次元表現の少なくとも第二部分は、通常のエネルギー利用に対応するものとして予め認識されるか、検証されたものとすることができる。機会学習モジュール４０６は、通常またはＮＴＬに関連付けられるものとして検証されたＮ次元表現に対する近接性に基づいて、通常またはＮＴＬに関連付けられるものとして、新規のエネルギー利用状態に関連付けられる新規の信号値を分類することができる。機械学習モジュール４０６は、第一部分に近いかまたはクラスタにされる一つ以上のＮ次元表現を判定するように構成されることができる。機械学習モジュール４０６は、ノンテクニカルロスに対応するものとして第一部分に近いか、またはクラスタにされる一つ以上のＮ次元表現を分類することができる。なぜなら、それらは、第一部分の特性に類似の特性（例えば、信号値）を有するからである。ある場合には、第一の表現は、相互から許容可能な（または閾値の）Ｎ次元の近接範囲内にあるときに、第二の表現に近い（またはクラスタにされる、近接するなど）。例えば、機械学習モジュール４０６は、ノンテクニカルロスに対応するものとして、第一部分から許容可能なＮ次元の近接範囲内にある複数のＮ次元表現のうちの少なくとも第三部分を分類することができる。

同様に、機械学習モジュール４０６は、通常のエネルギー利用に対応するものとして第二部分に近いか、またはクラスタにされる一つ以上のＮ次元表現を分類することができる。なぜなら、それらは、第二部分の特性に類似の特性（例えば、信号値）を有するからである。例えば、機械学習モジュール４０６は、通常のエネルギー利用に対応するものとして、第二部分から許容可能なＮ次元の近接範囲内にある、複数のＮ次元表現のうちの少なくとも第四部分を分類することができる。

さらに、機械学習モジュール４０６は、信号の集合に対して新規の信号値を受信または取得するように構成されることができる。新規の信号値は、新規のエネルギー利用状態に関して、変更された状況に関連付けられることができる。例えば、新規データは、特定の公共料金メータから受信されることができ、新規信号値は、受信された新規データに基づいて、計算されることができる。機械学習モジュール４０６は、新規信号値に基づいて、新規のエネルギー利用状態に対して、新規のＮ次元表現を生成することができる。例えば、新規信号値は、Ｎ次元空間に新しい点を生成するために用いられることができる。信号値およびＮ次元表現が新しいため、それらは、まだ分類されていない。機械学習モジュール４０６は、分類モデルに基づいて新規Ｎ次元表現を分類することができる。例えば、新規Ｎ次元表現がノンテクニカルロスに対応するものとして既に分類された別の表現と類似（または、Ｎ次元の近接性において十分に近い、近接、クラスタにされる、など）することを分類モデルが示す場合、新規Ｎ次元表現は、同様にノンテクニカルロスに対応するものとして分類されることができる。このように、少なくとも一つの機械学習アルゴリズムは、信号値に基づいて、ノンテクニカルロスに対して少なくとも幾つかのＮ次元表現をマッピングすることを容易にすることができる。一方、新規表現が通常のエネルギー利用として分類された別の表現に類似することを分類モデルが判定する場合、新規表現は、通常のエネルギー利用として分類されることができる。

ある例においては、少なくとも一つの機械学習アルゴリズムは、非監視下プロセスを含む。このように、分類されていないデータ（例えば、新規信号値）は、ノンテクニカルロスを同定するために有用な新規パターン、傾向、特性および／または特徴を検出するために用いられることができる。例えば、高密度にクラスタにされたＮ次元表現は、通常の利用に対応するものと仮定されることができる。非監視下プロセスは、高密度クラスタの外側または高密度クラスタから実質的に分離されたＮ次元表現の小さいクラスタの分類を試みることがある。小クラスタ内のある表現がノンテクニカルロスに対応するものとして検証される場合、小クラスタ全体は、ノンテクニカルロスに対応するものとして分類されることができる。ある場合には、手動の吟味または確認が、非監視下プロセスを容易にすることができる。

ある場合には、新規エネルギー利用状態に関連付けられた一つ以上の信号値が、継続的または周期的に分類モデルを養成するために取得され、解析されることができる。監視下プロセスか非監視下プロセスのいずれかであっても、新規信号値は、ノンテクニカルロス対通常に関連付けられそうなエネルギー利用状態をより正確に同定するための理解を改善するために解析されることができる。ノンテクニカルロスを示す新規信号値および通常エネルギー利用を示す新規信号値は、機械学習モジュール４０６によって受信されると、少なくとも一つの機械学習アルゴリズムは、新規信号値を説明するために分類モデルを改変することができる。したがって、分類モデルは、時間がたつにつれて、学習、変化および改善することができる。幾つかの実施形態においては、分類モデルは、その信号値に基づいて、エネルギー利用状態を分類するための幾つかの信号がノンテクニカルロスの判定に特に関連しない、または重要ではないことを判定することができる。したがって、エネルギー利用同定モジュール４００は、ノンテクニカルロスを同定するうえで、幾つかの信号の考慮を選択的に排除することができる。

幾つかの実施形態においては、信号は、収率を最大化するために選択されることができる。本文脈においては、収率は、ノンテクニカルロスの可能性のある例に関連する合計リードに対して、正確に同定されたリードの数を指すことができる。信号は、また、フォールスポジティブを最小化するように選択されることもできる。フォールスポジティブとは、ノンテクニカルロスの不正確に同定された例を指すことができ、この結果、関連付けられたコストおよび遅延を生じることがある。

幾つかの実施形態においては、少なくとも一つの機械学習アルゴリズムは、サポートベクターマシン、ブーステッド決定木、分類木、回帰木、バギング木、ランダム森、ニューラルネットワーク、または回帰森のうちの少なくとも一つに関連付けられることができる。多くの他の変形、アプローチ、技術および／またはプロセスが用いられることができることが理解される。

結果処理モジュール４０８は、複数のＮ次元表現に少なくとも一つの機械学習アルゴリズムを適用した結果生じるデータなどの、データの処理を容易にするように構成されることができる。幾つかの実施形態においては、結果処理モジュール４０８は、ノンテクニカルロスに関連付けられる尤度を有する、ガスメータ、電力メータおよび水道メータなどの複数の公共料金メータを同定するように構成されることができる。例えば、同定されたメータは、ノンテクニカルロスに対応するものとして分類されたあるＮ次元表現によって表されるエネルギー利用状態に関連付けられることができる。

さらに、結果処理モジュール４０８は、ノンテクニカルロスに関連付けられる尤度に基づいて、複数の同定された公共料金メータをランク付けすることができる。例えば、結果処理モジュール４０８は、ノンテクニカルロスに関連付けられる其々の尤度に基づいて、同定されたメータに対するランキングまたはスコアを作成することができる。幾つかの実装においては、特定のエネルギー利用状態に関連付けられる、同定されたメータに対する尤度は、エネルギー利用状態に関連付けられる表現と、ノンテクニカルロスに対応するものとして検証された別の表現との間で、Ｎ次元の近接性に依存することがある。より小さいＮ次元の近接性は、より高い尤度を示すことができる。

結果処理モジュール４０８は、複数のメータのうちの少なくとも幾つかが、特定されたランキング限界基準を満たすことをさらに判定することができ、可能性のあるノンテクニカルロスについての調査に対する候補として、複数の公共料金メータのうちの少なくとも幾つかを提供することができる。一例においては、ランキング限界基準は、最小の尤度パーセンテージ量を特定することができる。別の例においては、ランキング限界基準は、最大の尤度を有する量を特定することができる。ランキング限界基準を満足するランク付けされたメータは、窃盗または機能不良などのノンテクニカルロスに最も遭遇したと思われるメータであり得る。

さらに、前述されたように、新規のＮ次元表現は、ノンテクニカルロスに対応するものとして同定されることができる。結果処理モジュール４０８は、特定のエネルギー利用状態に関連付けられる一つ以上のエンティティに対して、ノンテクニカルロスを報告することができる。例えば、ノンテクニカルロスに最も遭遇したと思われると判定されたメータは、一つ以上のエネルギー提供者または供給者（例えば、公益事業会社）に提示されることができる。エネルギー提供者または供給者は、今度は、任意の問題を調査して解決することができる。

ある場合には、結果処理モジュール４０８は、特定のエネルギー利用状態がノンテクニカルロスに関連付けられることの確認または未確認のうちの少なくとも一つを、エネルギー提供者などの一つ以上のエンティティから取得することができる。例えば、一つ以上のエンティティは、ノンテクニカルロスまたはノンテクニカルロスの不在を確認するために、フィールド調査または他のプロセスを実施することができる。エンティティは、ノンテクニカルロス同定モジュール４００に対して、その知見を報告することができる。さらに、ある例においては、分類モデルは、確認または未確認の少なくとも一つに基づいて、改変され、改良されまたは改善されることができる。

図５は、本開示の一実施形態による例示的な信号の集合に対する例示的な信号値を含む例示的な表５００を示す。図５に示されるように、例示的な表５００は、３つの信号である信号Ａ、信号Ｂ、信号Ｎの例示的な集合を示すことができる。このように、この例示的な信号の集合に対する信号量は、３つである。多数の変形が可能であることが予測される。

図５の例においては、信号Ａは、“消費下落（Ｃｏｎｓｕｍｐｔｉｏｎ Ｄｒｏｐ）”信号である。信号Ａに対する信号値は、例えば、０．８２であると計算される。信号Ｂは、“ライン供給停止イベント（Ｌｉｎｅ Ｏｕｔａｇｅ Ｅｖｅｎｔ）”信号であり、この例においては、０．７４の信号値を有することができる。信号Ｎは、“作業命令キャンセル（Ｃａｎｃｅｌｌａｔｉｏｎ ｏｆ Ｗｏｒｋ Ｏｒｄｅｒ）”信号であり、信号値は、例えば、０．９１である。これらの信号値は、特定のエネルギー利用状態に関連付けられることができる。例えば、これらの信号値は、特定の時間に特定の公共料金メータと関連付けられることができる。これらの信号値に基づいて、Ｎ次元表現が作成されることができるが、それは、図６を参照してより詳細に議論されるだろう。

図６は、本開示の一実施形態による、例示的信号値に基づいて生成された例示的Ｎ次元表現を含む例示的グラフ６００を示す。例示的グラフ６００は、図５の例示的表５００に示された信号の集合に対する信号値に基づいて生成されたＮ次元表現（例えば、点）６１０を示すことができる。

図５における信号の集合に対する信号量は３であるので、例示的グラフ６００における次元数は３（Ｎ＝３）である。図６のＮ次元空間における各次元は、軸に関連付けられ、図５における其々の信号に対応することができる。従って、次元Ａ６０２は、図５の信号Ａに対応することができ、次元Ｂ６０４は、信号Ｂに対応することができ、次元Ｎ６０６は、信号Ｎに対応することができるということになる。このように、Ｎ次元表現６１０は、座標（Ａ＝０．８２、Ｂ＝０.７４、Ｎ＝０．９１）を有し、例示的グラフ６００においてこのように表示される。

図６の例に示されるように、表現６１０は、他のＮ次元表現を含むクラスタ６１２内にあり、これは、例えば、他のメータを含む他のエネルギー利用状態を表すことができる。一例においては、表現６１０がクラスタ６１２から許容可能な距離内にある場合、表現は、クラスタ６１２に従って、分類されることができる。例えば、クラスタ６１２がＮＴＬ（または代替的には、通常のエネルギー利用）に関連付けられるものとして検証された場合、クラスタ６１２から許容可能な距離内に配置されるときの表現６１０は、ＮＴＬ（または代替的には、通常のエネルギー利用）に関連付けられるものとして分類される。

別の例においては、表現６１０は、ノンテクニカルロスに対応することが検証される場合、表現６１０が属する全体のクラスタ６１２は、ノンテクニカルロス（および、逆に、通常のエネルギー利用）に対応するものとして分類されることができる。クラスタ６１２内の別の表現がノンテクニカルロスに対応するものとして検証され、かつ、表現６１０がまだ分類されていない場合、表現６１０（および全体のクラスタ６１２）は、ノンテクニカルロス（および逆に通常のエネルギー利用）に対応するものとして分類されることができる。例示的グラフ６００における他のクラスタは、同様な方法で分類されることができる。

さらに、図６の例示的グラフ６００は、例示として提供されることが理解されるべきである。幾つかの実装においては、Ｎ次元表現は、図または視覚的な形式で表示される必要はない。

図７は、本開示の一実施形態による、ノンテクニカルロスを同定するための機械学習を利用するための例示的方法７００を示す。そうでないと言及されない限りは、様々な実施形態の範囲内で、類似もしくは代替的な順序で、またはパラレルに実施される、追加、より少ないまたは代替的なステップが存在し得ることが理解されるべきである。

ブロック７０２において、例示的方法７００は、複数のエネルギー利用状態に関する信号の集合を選択することができる。ある場合には、信号の集合は、複数のエネルギー利用状態に関連付けられることができる。幾つかの実装においては、信号の集合は、エネルギー管理プラットフォーム１０２のオペレータによって、全体としてまたは部分的に決定されることができる。信号の集合は、エネルギー管理プラットフォーム１０２内またはエネルギー管理プラットフォーム１０２外にあるライブラリに格納されることができる。ある例においては、信号の集合は、時間が経過すると成長、収縮および／または変化することがある。例えば、信号の集合の信号量は、エネルギー利用状態を分類するための機械学習アルゴリズムに基づいて改変されることができる。幾つかの実施形態においては、公益事業会社などのエネルギー提供者は、それ自体の信号を生成することができ、エネルギー管理プラットフォーム１０２のオペレータによって決定された信号の集合に加えて、またはその信号の集合の代わりに使用されるように、エネルギー管理プラットフォーム１０２にこれらの信号を提供することができる。

ブロック７０４において、例示的方法７００は、信号の集合に対する信号値を決定することができる。ある例においては、複数のエネルギー利用状態に対する複数のＮ次元表現は、信号値に基づいて生成されることができる。さらに、各Ｎ次元表現は、信号の集合の信号量に対応するＮ次元を有することができる。

ブロック７０６において、例示的方法７００は、ノンテクニカルロスに関連付けられるエネルギー利用状態を同定するために、信号値に対して機械学習を適用することができる。ある例においては、信号値に対する機械学習の適用は、ノンテクニカルロスを同定するための分類モデルを作成するために、複数のＮ次元表現に少なくとも一つの機械学習アルゴリズムを適用することを含むことができる。幾つかの実施形態においては、分類モデルは、時間が経過するにつれて改変され、改善され、および／または改良されることができる。例示的方法７００のさらなる詳細は、上述されたもので、ここでは繰り返さない。

本開示の様々な実施形態に関連する、多くの他の利用、用途および／または変形が存在し得ることがさらに予測される。

図８は、本開示の一実施形態により、本明細書に記述された一つ以上の実施形態をマシンに実施させるための命令の集合が実行され得る例示的マシン８００を示す。マシンは、他のマシンに接続（例えば、ネットワーク接続）されることができる。ネットワーク展開においては、マシンは、クライアント・サーバネットワーク環境におけるサーバまたはクライアントマシンまたはピアツーピア（もしくは分散）ネットワーク環境におけるピアマシンとしての機能で動作することができる。

マシン８００は、プロセッサ８０２（例えば、中央処理装置（ＣＰＵ）、グラフィクス処理ユニット（ＧＰＵ）またはその双方）と、メインメモリ８０４と、不揮発性メモリ８０６（例えば、揮発性ＲＡＭおよび不揮発性ＲＡＭ）と、を含み、これは、バス８０８を介して相互に通信する。幾つかの実施形態においては、マシン８００は、例えば、デスクトップコンピュータ、ラップトップコンピュータ、パーソナルデジタルアシスタント（ＰＤＡ）または携帯電話とすることができる。一実施形態においては、マシン８００は、また、ビデオディスプレイ８１０と、英数字入力デバイス８１２（例えば、キーボード）と、カーソル制御デバイス８１４（例えば、マウス）と、ドライブユニット８１６と、信号生成デバイス８１８（例えば、スピーカ）と、ネットワークインターフェイスデバイス８２０と、を含む。

一実施形態においては、ビデオディスプレイ８１０は、ユーザ入力に対してタッチ感知型スクリーンを含む。一実施形態においては、タッチ感知型スクリーンは、キーボードおよびマウスの代わりに用いられる。ディスクドライブユニット８１６は、本明細書に記述された方法または機能のうちの任意の一つ以上を具現化する命令８２４（例えば、ソフトウェア）の一つ以上の集合が格納されたマシン可読媒体８２２を含む。命令８２４は、また、コンピュータシステム８００によるその実行中に、メインメモリ８０４および／またはプロセッサ８０２内に、完全にまたは少なくとも部分的に常駐することもできる。命令８２４は、ネットワークインターフェイスデバイス８２０を介してネットワーク８４０を介してさらに送受信されることができる。幾つかの実施形態においては、マシン可読媒体８２２は、また、データベース８２５も含む。

揮発性ＲＡＭは、ダイナミックＲＡＭ（ＤＲＡＭ）として実装されることができ、これは、メモリ内でデータをリフレッシュまたは保持するために継続的に電力を必要とする。不揮発性メモリは、典型的には、磁気ハードドライブ、磁気光ドライブ、光ドライブ（例えば、ＤＶＤ ＲＡＭ）または電力がシステムから除去された後でもデータを保持する他の種類のメモリシステムである。不揮発性メモリは、また、ランダムアクセスメモリであってもよい。不揮発性メモリは、データ処理システム内のコンポーネントの残りに直接結合されたローカルデバイスとすることができる。モデムまたはイーサネットインターフェイスなどのネットワークインターフェイスを介して、本明細書に記述されたコンピュータシステムのうちの任意のシステムに結合されたネットワークストレージデバイスなど、システムから遠隔にある不揮発性メモリも、また使用されることができる。

マシン可読媒体８２２は、単一の媒体であるものとして例示的実施形態に示されているが、“マシン可読媒体”という語は、一つ以上の命令の集合を格納する単一の媒体又は複数の媒体（例えば、集中型もしくは分散型データベースおよび／または関連するキャッシュおよびサーバ）を含むものとして解釈されるべきである。“マシン可読媒体”という語は、マシンによる実行するための命令の集合を格納し、エンコードしまたは保持することが可能であって、本開示の方法のうちの任意の一つ以上をマシンに実施させる、任意の媒体を含むものしても解釈されるべきである。したがって、“マシン可読媒体”という語は、ソリッドステートメモリ、光学および磁気媒体およびキャリア波信号を含むが、そのいずれにも限定はされないものとして解釈されるべきである。本明細書で用いられるような“ストレージモジュール”という語は、マシン可読媒体を用いて実装されることができる。

一般的に、本開示の実施形態を実装するために実行されるルーティンは、オペレーティングシステムまたは特定のアプリケーション、コンポーネント、プログラム、オブジェクト、モジュールまたは“プログラム”もしくは“アプリケーション”と呼ばれる一連の命令の一部として実装されることができる。例えば、一つ以上のプログラムまたはアプリケーションは、本明細書に記述された特定のプロセスを実行するために用いられることができる。プログラムまたはアプリケーションは、典型的には、マシン内の様々なメモリおよびストレージデバイスに、様々な時間に設定され、一つ以上のプロセッサによって読み込まれて実行されると、本明細書に記述された実施形態の様々な態様を含む要素を実行するための動作をマシンに実行させる一つ以上の命令を含む。

実行可能なルーティンおよびデータは、例えば、ＲＯＭ、揮発性ＲＡＭ、不揮発性メモリおよび／またはキャッシュを含む様々な場所に格納されることができる。これらのルーティンおよび／またはデータの一部は、これらのストレージデバイスのうちの任意のデバイスに格納されることができる。さらに、ルーティンおよびデータは、集中型サーバまたはピアツーピアネットワークから取得されることができる。ルーティンおよびデータの異なる部分は、異なる時刻に、異なる通信セッションで、または同一の通信セッションで、異なる集中型サーバおよび／またはピアツーピアネットワークから取得されることができる。ルーティンおよびデータは、アプリケーションの実行前に全体が取得されることができる。あるいは、ルーティンおよびデータの一部は、実行用に必要とされるちょうどその時に、動的に取得されることができる。したがって、特定の時刻に全体として、ルーティンおよびデータがマシン可読媒体上にある必要はない。

実施形態は、マシンの文脈で全体として記述されてきたが、様々な実施形態は、様々な形式でプログラム製品として分散されることができ、本明細書に記述された実施形態は、配布を実際に達成するために用いられる特定の種類のマシンまたはコンピュータ可読媒体とは関係なく、等価に適用することを当業者は理解するだろう。マシン可読媒体の例は、とりわけ、揮発性および不揮発性メモリデバイス、フロッピーおよび他のリムーバブルディスク、ハードディスクドライブ、光ディスク（例えば、コンパクトディスクリードオンリーメモリ（ＣＤＲＯＭ））、デジタルバーサタイルディスク（ＤＶＤ）など）などの記録可能型媒体、ならびに、デジタルおよびアナログ通信リンクなどの伝送型媒体を含むが、そのいずれにも限定はされない。

代替的に、または、組み合わせて、本明細書に記述される実施形態は、特定用途向け集積回路（ＡＳＩＣ）またはフィールドプログラマブルゲートアレイ（ＦＰＧＡ）などの専用回路を用いて、ソフトウェア命令と、もしくはソフトウェア命令なしで実装されることができる。実施形態は、ソフトウェア命令なしで、またはソフトウェア命令と組み合わせてハードワイヤード回路を用いて実装されることができる。したがって、本技術は、ハードウェア回路とソフトウェアの如何なる特定の組み合わせにも限定されることはなく、データ処理システムによって実行される命令用の如何なる特定のソースにも限定されることはない。

例示の目的のために、記述の十分な理解を提供するために、多くの特定の詳細事項が説明される。しかしながら、本開示の実施形態は、これらの特定の詳細事項がなくても実施されることができることは当業者に明らかであろう。ある例においては、モジュール、構造、プロセス、特徴、およびデバイスは、記述を不明瞭にすることを回避するために、ブロック図の形式で示されている。他の例においては、データおよび論理フローを表すために、機能的ブロック図およびフロー図が示される。ブロック図およびフロー図のコンポーネント（例えば、モジュール、エンジン、ブロック、構造、デバイス、特徴など）は、本明細書に明確に記述され、図示された以外の方法で、様々に組み合わせられ、分離され、除去され、再整理され、置換されることができる。

“一実施形態”“ある実施形態”“他の実施形態”“別の実施形態”などに対する本明細書における言及は、実施形態に関連して記述される特定の形体、設計、構造または特徴が本開示の少なくとも一実施形態に含まれることを意味する。例えば、本明細書内の様々な位置における“ある実施形態により”“一実施形態において”“ある実施形態において”または“別の実施形態において”という語句は、必ずしも全て同一の実施形態に対して言及するものではなく、他の実施形態に対して相互に排他的な個別のまたは代替の実施形態に対して言及するものでもない。さらに、“実施形態”などに対する明確な言及が存在するか否かにかかわらず、様々な特徴が記述され、それは、様々に組み合わせられても、幾つかの実施形態に含まれてもよいが、他の実施形態では様々な形で省略されてもよい。同様に、様々な特徴は、幾つかの実施形態に対しては、優先または必要条件であってもよいが、他の実施形態に対してはそうでなくてもよい。

特定の例示的実施形態を参照して実施形態が記述されてきたが、様々な改変および変更がこれらの実施形態に対して行われることができることは明らかであろう。したがって、本明細書および図面は、限定的な意味ではなく例示的な意味でみなされるべきである。前述の明細書は、特定の例示的実施形態を参照して記述を提供する。以下の請求項で説明されるようにより広い趣旨および範囲から逸脱することなく、様々な改変が、そこに行われることができることが明らかであろう。したがって、明細書および図面は、限定的な意味ではなく、例示的な意味でみなされるべきである。

図面のうちの幾つかは、動作の数、または特定の順序における方法のステップを示しているが、順序に依存しないステップが再順序付けされてもよく、他のステップが組み合わせられても、省略されてもよい。幾つかの再順序付けまたは他のグルーピングが詳細に言及されているが、他のものは当業者に明らかであり、代替の包括的リストを提示しない。さらに、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でステージが実装されることができることが認識されるべきである。

本開示の本質から逸脱することなく、様々な変形が行われてもよいことも理解されたい。このような変形は、また、記述に黙示的に含まれている。それらは、本開示の範囲内に依然含まれる。本開示は、独立および全体のシステムの双方として、および方法と装置モードとの双方として、開示された技術の様々な態様を包含する特許を生じることを意図する、ことは理解されるべきである。

さらに、本開示および請求項の様々な要素の各々は、また、様々な方法で達成されることができる。本開示は、このような各変形を包含し、任意の装置の実施形態、方法もしくはプロセスの実施形態のうちの一実施形態の変形、またはこれらの任意の要素の単なる変形もまた包含すると理解されるべきである。

Claims (20)

1. 消費における不規則なパターンを同定するためのコンピュータ実装された方法であって、前記コンピュータ実装された方法は、
   複数のデータソースからデータを取得することであって、前記データは、消費データとユーザデータとを含む二つ以上の異なるデータタイプを備える、ことと、
   前記取得されたデータから選択される信号の集合に対する複数の信号値を取得することであって、前記信号の集合は、複数の利用状態に関連する、ことと、
   前記複数の信号値に基づいて、前記複数の利用状態に対する複数のＮ次元表現を生成することと、
   少なくとも一つの機械学習アルゴリズムを前記複数のＮ次元表現に適用することにより、不規則な消費パターンに関連付けられた一つ以上の利用状態を同定するために使用される分類モデルを作成することと、
   新規の利用状態に関連付けられた一つ以上の新規の信号値を前記分類モデルに提供することと、
   前記一つ以上の新規の信号値に基づいて前記不規則な消費パターンを同定するために前記信号の集合からの各信号の関連性または重要性を再評価することと、
   （１）前記不規則な消費パターンの同定においてより関連する新規の信号値および新規の利用状態を説明するために前記分類モデルを改変すること、または、（２）前記不規則な消費パターンの同定においてより関連しない一つ以上の信号を選択的に排除することのうちの少なくとも一方によって、前記分類モデルを養成することと
   を含む、コンピュータ実装された方法。
2. 前記消費データおよび前記複数の利用状態は、エネルギー消費に関連付けられている、請求項１に記載のコンピュータ実装された方法。
3. 前記不規則な消費パターンは、エネルギーのノンテクニカルロスに関連付けられている、請求項２に記載のコンピュータ実装された方法。
4. 前記少なくとも一つの機械学習アルゴリズムは、ブーステッド決定木、分類木、回帰木、バギング木、ランダム森、ニューラルネットワーク、回帰森から成る群から選択される、請求項１に記載のコンピュータ実装された方法。
5. 前記複数のＮ次元表現の少なくとも第一部分は、前記不規則な消費パターンに対応するものとして予め認識され、前記複数のＮ次元表現の少なくとも第二部分は、規則的な消費パターンに対応するものとして予め認識される、請求項１に記載のコンピュータ実装された方法。
6. 前記少なくとも一つの機械学習アルゴリズムは、監視下プロセスを含み、前記監視下プロセスは、（１）前記第一部分から許容可能なＮ次元の近接範囲内の前記複数のＮ次元表現の少なくとも第三部分を前記不規則な消費パターンに対応するものとして分類し、（２）前記第二部分から前記許容可能なＮ次元の近接範囲内の前記複数のＮ次元表現の少なくとも第四部分を前記規則的な消費パターンに対応するものとして分類する、請求項５に記載のコンピュータ実装された方法。
7. 前記信号の集合に対する新規の信号値を受信することであって、前記新規の信号値は、特定の利用状態に関連付けられている、ことと、
   前記新規の信号値に基づいて、前記特定の利用状態に対する新規のＮ次元表現を生成することと、
   前記分類モデルを使用して、前記新規のＮ次元表現を分類することと
   をさらに含む、請求項１に記載のコンピュータ実装された方法。
8. 前記分類モデルを改変または養成するために、前記新規のＮ次元表現に前記少なくとも一つの機械学習アルゴリズムを適用することをさらに含む、請求項７に記載のコンピュータ実装された方法。
9. 消費における不規則なパターンに対応するものとして、前記新規のＮ次元表現を同定することと、
   前記特定の利用状態および前記不規則な消費パターンをエンティティに報告することと
   をさらに含む、請求項８に記載のコンピュータ実装された方法。
10. 前記特定の利用状態が前記不規則な消費パターンをもたらしたという前記エンティティからの確認または未確認のうちの少なくとも一つに基づいて、前記分類モデルを改変することをさらに含む、請求項９に記載のコンピュータ実装された方法。
11. 前記複数のデータソースは、送電系統および公益事業操作システム、メータデータ管理（ＭＤＭ）システム、顧客情報システム（ＣＩＳ）、請求システム、公益事業顧客システム、公益事業企業システム、公益事業エネルギー省エネルギー対策、リベートデータベース、建造物特徴システム、気象データソース、第三者特性管理システム、または、業界標準ベンチマークデータベースのうちの一つ以上を含む、請求項１に記載のコンピュータ実装された方法。
12. 前記不規則な消費パターンに関連付けられている尤度を有する複数のセンサを同定することと、
    前記不規則な消費パターンに関連付けられている前記尤度に基づいて、前記複数のセンサをランク付けすることと
    をさらに含む、請求項１に記載のコンピュータ実装された方法。
13. 前記複数のセンサのうちの少なくとも幾つかが、特定のランキング限界基準を満たすことを判定することと、
    前記複数のセンサのうちの前記少なくとも幾つかを、エンティティによる更なる調査用の候補として同定することと
    をさらに含む、請求項１２に記載のコンピュータ実装された方法。
14. 前記信号の集合における一つ以上の信号は、アカウント属性信号カテゴリ、異常負荷信号カテゴリ、計算状態信号カテゴリ、現在の解析信号カテゴリ、欠測データ信号カテゴリ、切断信号カテゴリ、メータイベント信号カテゴリ、毎月メータ異常負荷信号カテゴリ、非アクティブにおける毎月メータ消費信号カテゴリ、供給停止信号カテゴリ、窃盗メータ信号カテゴリ、異常生成信号カテゴリ、作業命令信号カテゴリ、または、ゼロ読みとり信号カテゴリのうちの少なくとも一つに関連付けられている、請求項１に記載のコンピュータ実装された方法。
15. 前記信号の集合に対する式の集合を取得することであって、前記式の集合における各式は、前記信号の集合におけるそれぞれの信号に対応する、ことと、
    前記式の集合に基づいて、前記信号の集合に対する前記複数の信号値を計算することと
    をさらに含む、請求項１に記載のコンピュータ実装された方法。
16. 前記複数の信号値のうちの少なくとも幾つかは、前記複数の利用状態に関連付けられた複数のセンサから取得されたデータから導出される、請求項１に記載のコンピュータ実装された方法。
17. 前記信号の集合における第一の信号は、前記信号の集合内の第二の信号に対する改変に基づいて生成される、請求項１に記載のコンピュータ実装された方法。
18. 前記信号の集合に含まれない少なくとも一つの信号であって、前記不規則な消費パターンを同定するための利用状態に関連する少なくとも一つの信号をエンティティから受信することをさらに含む、請求項１に記載のコンピュータ実装された方法。
19. 前記少なくとも一つの機械学習アルゴリズムは、非監視下プロセスを含み、前記非監視下プロセスは、次元表現の高密度クラスタの外側または次元表現の高密度クラスタから実質的に分離されたＮ次元表現の外部クラスタを分類するように試み、前記次元表現の高密度クラスタは、規則的な消費パターンに関連付けられており、前記Ｎ次元表現の外部クラスタは、前記不規則な消費パターンに関連付けられている、請求項１に記載のコンピュータ実装された方法。
20. 消費における不規則なパターンを同定するためのシステムであって、前記システムは、
    複数のデータソースと通信するサーバと、
    命令を格納するメモリと
    を備え、
    前記命令は、前記サーバによって実行されると、
    前記複数のデータソースからデータを取得することであって、前記データは、消費データおよびユーザデータから成る群から選択される二つ以上の異なるデータタイプを備える、ことと、
    前記取得されたデータから選択される信号の集合に対する複数の信号値を取得することであって、前記信号の集合は、複数の利用状態に関連する、ことと、
    前記複数の信号値に基づいて、前記複数の利用状態に対する複数のＮ次元表現を生成することと、
    少なくとも一つの機械学習アルゴリズムを前記複数のＮ次元表現に適用することにより、不規則な消費パターンに関連付けられた一つ以上の利用状態を同定するために使用される分類モデルを作成することと、
    新規の利用状態に関連付けられた一つ以上の新規の信号値を前記分類モデルに提供することと、
    前記一つ以上の新規の信号値に基づいて前記不規則な消費パターンを同定するために前記信号の集合からの各信号の関連性または重要性を再評価することと、
    （１）前記不規則な消費パターンの同定においてより関連する新規の信号値および新規の利用状態を説明するために前記分類モデルを改変すること、または、（２）前記不規則な消費パターンの同定においてより関連しない一つ以上の信号を選択的に排除することのうちの少なくとも一方によって、前記分類モデルを養成することと
    を含む動作を前記サーバに実行させる、システム。