JP6784745B2 - リアルタイムデータ駆動型の電力測定およびコスト推定システム - Google Patents

リアルタイムデータ駆動型の電力測定およびコスト推定システム Download PDF

Info

Publication number
JP6784745B2
JP6784745B2 JP2018500608A JP2018500608A JP6784745B2 JP 6784745 B2 JP6784745 B2 JP 6784745B2 JP 2018500608 A JP2018500608 A JP 2018500608A JP 2018500608 A JP2018500608 A JP 2018500608A JP 6784745 B2 JP6784745 B2 JP 6784745B2
Authority
JP
Japan
Prior art keywords
load
power
site
time interval
during
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.)
Active
Application number
JP2018500608A
Other languages
English (en)
Other versions
JP2018522520A (ja
Inventor
ロンボウツ・ヤン−ウィレム
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Restore NV
Original Assignee
Restore NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Restore NV filed Critical Restore NV
Publication of JP2018522520A publication Critical patent/JP2018522520A/ja
Application granted granted Critical
Publication of JP6784745B2 publication Critical patent/JP6784745B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/14—Payment architectures specially adapted for billing systems
    • G06Q20/145—Payments according to the detected use or quantity
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Description

［関連出願の相互参照］
本願は、米国特許法第１１９条（ｅ）の下、２０１５年７月１４日出願の米国仮特許出願第６２／１９２，５２８号「Ｒｅａｌ−Ｔｉｍｅ Ｄａｔａ−Ｄｒｉｖｅｎ Ｉｎｄｕｓｔｒｉａｌ Ｐｏｗｅｒ Ｍｅｔｅｒｉｎｇ ａｎｄ Ｃｏｓｔ Ｅｓｔｉｍａｔｉｏｎ Ｓｙｓｔｅｍ」、および、２０１６年２月１２日出願の米国特許出願第１５／０４３，００６号「Ｒｅａｌ−Ｔｉｍｅ Ｄａｔａ−Ｄｒｉｖｅｎ Ｉｎｄｕｓｔｒｉａｌ Ｐｏｗｅｒ Ｍｅｔｅｒｉｎｇ ａｎｄ Ｃｏｓｔ Ｅｓｔｉｍａｔｉｏｎ Ｓｙｓｔｅｍ」の優先権および利益を主張し、これらは、参照によって本明細書に組み込まれる。
本発明は、一般に、エネルギ管理に関し、特に、サイト内での負荷の電力ディスアグリゲーション、および、各負荷に対するメータを利用しない電力利用の評価に関する。
産業および家庭電力消費者は、以下のニーズに対処するための方法をますます探している：電力消費の積極的な管理によるコスト節約へのニーズ（これは、通例、エネルギを消費する時間と方法を変えることによって費用を節約するための戦略を含む）；補助金を引き出すかまたは企業の社会的責任（ＣＳＲ）ポリシーに収まりうる業界規格または国家規格の順守へのニーズ；および、内部への財務報告の品質を高めるためのエネルギコストに関する高い透明性と、その作用因への（産業消費者にとっての）ニーズ。
家庭消費者または産業活動を伴う企業の上述のニーズに対処するための第一段階の１つは、しばしば、産業サイトまたは住宅に存在する様々な電力消費装置（「負荷」）のエネルギ消費を、消費者もしくは工場経営およびオペレータに対してより透明性の高いものにして、サイトレベルではなく、負荷または処理レベルで実際のコストを詳細に示すことである。これは、どの負荷が最もエネルギを利用しているか、および、それらの電力消費にどのような傾向が存在するのかを特定し、データに対して様々な解析を実行することを容易にする。
しかしながら、現在、多くの工場および住宅において、唯一の信頼できる測定データは、 （ｉ）産業サイト全体のレベルでのみ、多くの場合（ｉｉ）月ごと以下の頻度で、多くの場合（ｉｉｉ）１５分ごとまたは３０分ごとにのみ、電力供給事業者によって送られる。かかる限定された情報は、通例、産業電力消費者が、実用的な結果につながる負荷の電力消費に関する解析を実行するのに適してはいない。
上述のニーズにより良く対処するための従来のアプローチは、サイト上の１または複数の負荷にエネルギメータ（すなわち電力メータ）を設置し、データベースに測定値を記録し、さらに、様々な負荷のエネルギ消費の解析を可能にする可視化ツールにこれをリンクさせることである。しかしながら、かかる電力測定の設置は、必要なハードウェア、設置、および、可視化ソフトウェアのコストを考えると、費用がかかり、操作が複雑である可能性がある。
多くの従来技術が提案され、一部は様々なレベルで成功しているが、いずれも、各負荷に独自の電力メータを用いることなしに、サイト内の個々の負荷の電力利用をリアルタイムで正確に出力することはできない。
したがって、産業サイト内の負荷の電力消費に、より良好な透明性を提供するための技術および装置が求められている。
上記を達成するために、本発明の目的にしたがって、住居または産業サイトで電力を分離（ｄｉｓａｇｇｒｅｇａｔｅ）することを可能にする電力測定システムが開示されている。
サイトの所有者は、電力メータが提供しうる正確な電力利用ではなく、電力コストおよび利用の作用因が何であるかに、より関心を持ちうるので、個々の電力メータの利用は、しばしば不必要であるとわかる。実際、正確な利用データではなく、負荷の電力利用の概算が許容可能でありうる。例えば、エネルギ効率が低下して、同じ出力でより多くの電力を消費し始めるために、経時的にコスト増大の作用因になる所与のプロセスの１つのマシンを考える。ディスアグリゲーションを実行して、このマシンによって利用された電力を出力することにより、このマシンをコストの作用因として特定し、次いで、コスト削減のためにメンテナンスまたは交換を実行することができる。あるいは、時々しか稼働しない１セットの非常に高出力なマシンを考える。同時に稼働すると、最大電力消費が、その時に上昇する。送電運用者は、しばしば、このピークに基づいて料金を計算するので、大きいペナルティを課される場合がある。かかる場合に、本発明を用いて、サイトの電力消費を監視すると共に、これらのマシンが送電の料金（または、「ピークペナルティ」）を駆動することから、これらのマシンの消費を監視することができる。この監視は、「ピークシェービング」戦略（すなわち、それらのマシンを同時に稼働させない）ことにつながりうる。
そして、サイトの所有者は、月ごとのフィードバックではなく、電力消費のリアルタイムのフィードバックを必要としていることがわかる。本発明は、個々の負荷電力消費に関するリアルタイムのデータを提供するため、すべての個々の負荷に電力メータを設置して維持するコストの何分の１かのコストで、これらの負荷の透明性を提供し、住居または産業サイト内の電力消費の作用因を示す。提供されるデータは、主要な作用因を特定するのに十分に正確であり、内部センサデータ、外部センサデータ、および、業務計画データなど、負荷状態履歴およびセンサデータを用いて導出されうる。
すでに多数の電力メータが特定の負荷またはプロセスに設置されているサイトでも、本発明は利点を有する。メータを備えたそれらの負荷は、サイト内で測定された電力利用に関するデータを提供して、メータなしで負荷の未測定電力を分離する助けとなる。次に、本発明は、電力メータの追加でコスト効率が高くなり、センサが追加されることが好ましいメータなしの負荷を特定すると同時に、メータの設置に費用が掛かりすぎるそれらの負荷のリアルタイムの電力データを提供する。したがって、本発明は、対象負荷リスト全体を実質的に測定できるように、電力メータまたはセンサを最小限追加すべきサイト内の場所（そして、追加すべき時点）を特定する。
本発明は、そのさらなる利点と共に、添付の図面に関連して行う以下の説明から最もよく理解できる。
電力測定システムの一実施形態を示すブロック図。
本発明の一実施形態に従って、産業サイトの一例を示す図。
計算ユニットのデータベース内に格納されたグローバルモデルデータベースの一例を示す図。
所与の産業サイトについて経時的に状態ベクトルの例を示す図。
産業サイトおよびその負荷すべてに関する様々なデータがリアルタイムで記録される工場ベクトルの一例を示す図。
未測定電力が、特定の負荷の電力利用を正確に予測できるモデルを最初に特定することによって分離される第１技術を示すフローチャート。
オンである負荷が他にない時にオンである負荷を特定することによって、未測定電力をさらに分離する第２技術を記載したフローチャート。
グローバル負荷モデルが管理される方法を記載したフローチャート。
ディスアグリゲーション誤差に対処しうる方法を記載したフローチャート。
本発明の別の実施形態に従って、住宅サイトの一例を示す図。
本発明の実施形態を実施するのに適したコンピュータシステムを示す図。 本発明の実施形態を実施するのに適したコンピュータシステムを示す図。
本発明は、住宅または産業の環境で典型的に利用可能であるものではなく、リアルタイムに個々の負荷の電力／エネルギ消費およびコストについて、コスト効率のよい低閾値の透明性を提供する。これは、サイトで（オンラインおよびオフラインの両方で）利用可能なデータすべてを最適に利用して、対象の機械または処理の個々のエネルギ消費を推定することによってなされる。実際に、所与の負荷／処理レベルでの個々のエネルギ測定値は存在しえないが、多くの場合、対象の負荷の電力消費をインテリジェントに推定するために利用できる一連のセンサデータ（処理温度、圧力、電流など）、他の電力メータ（サイトのメータを含む）、および、外部センサデータ（例えば、外部温度）が豊富に存在する。
本発明は、（所望のディスアグリゲーション精度に従って）センサデータの関数として電力を予測するモデルを連続的に追加およびトレーニングすることによって、住宅または産業サイトでの電力消費を分離（ｄｉｓａｇｇｒｅｇａｔｅ）する。これらのモデルは、個々の負荷電力とセンサデータとの間の関係性を段階的に明らかにする反復アルゴリズムを通して、電力利用およびコストについてリアルタイムな透明性を与える。
例えば、１０台の機械（負荷）が稼働しているサイト（電力は測定されていない）を考える。ただし、機械が稼働する場合、各々が一定の電力レベルで稼働する（そして、このレベルは各機械について既知である）と仮定する。個々の負荷状態（オン／オフ）の頻繁（かつ正確）な記録がある場合、個々の負荷エネルギ測定値を取得すること、すなわち、各負荷の状態にその一定電力レベルを乗ずることによって取得することは、些細なことである。これは、利用されるエネルギがリアルタイムのセンサデータ（例えば、オン／オフ状態）から簡単に推定（または計算）できる場合には、コストのかかる測定装置を導入する必要がない最も簡単な実例を提供する。
別の例は、電力消費が一定ではないが、時間の関数としてよく知られている（すなわち、最大容量から減衰因子を備えた指数関数的減衰を引いたものなど、負荷がオンに切り替えられた時に、電力プロファイルが決定的でありうる）か、または、電力消費が、所与のセンサデータポイント（すなわち、抵抗内の電流、システム内の圧力）の確定関数である負荷のセットである。したがって、本発明は、リアルタイムのセンサデータを利用できる住宅または産業サイトへの一般的な適用性を有する。
電力消費に関するかかる関係性は、個別サイトレベルで負荷および処理について引き出されるので、これらの関係性は、同様の負荷または処理を有する他のサイトで再び利用できることに注意することが重要である。提供されている方法は、システムの全体的な自己学習能力を最大化するために、中央学習構成要素を有する。
電力測定システム
図１は、電力測定システム１４０の一実施形態を示すブロック図である。エネルギ管理者２１０および任意の数の産業サイト１８０〜１８６と通信する計算ユニット１６０が示されている。計算ユニット１６０は、ユーザインターフェースコンピュータ１６２、コンピュータサーバ１６４、および、データベース１６８を備えており、クラウドベースであることが好ましいが、共同設置データセンタ内のサーバ、専用サーバインフラストラクチャ、パーソナルコンピュータ、または、分散環境など、他のスキームも想到される。一実施形態において、計算ユニット１６０および電力測定サービスは、ベルギーのＲｅｓｔｏｒｅ Ｎ．Ｖ．社によって管理され、そのユニットは、共同設置データセンタ内の専用サーバのセットである。一実施形態において、（１または複数の）インターフェースコンピュータ１６２は：システム１４０を管理し、コンピュータ１６４およびサイト１８０〜１８６へのインターフェースを提供し；管理者２１０およびサイトとの通信を調整し；一般に、計算ユニットへのフロントエンドを提供する。エネルギ管理者２１０がそうでありうることから、ユニット１６０も、産業サイトの１サイト内に配置されてよい。実際に、典型的には管理者２１０が工場の１つにいることが想定される。管理者は、ウェブブラウザを介してＲＥｓｔｏｒｅの電力測定サービス（クラウドで実行中のユニット１６０として示されている）に接続し、同時に、対象の負荷は、管理者が位置するのと同じサイトにある。図に示すように、クラウドから管理者の周辺にある機械への接続も存在する。
産業サイト１８０〜１８６は、工場、データセンタ、揚水式発電所、食品加工場、醸造所、マイクロプロダクションユニットなど、各々が複数の電気負荷を備えるサイトであってよい。サイト１８６は、単一の電気負荷のみがあるサイトの一例であることに注意されたい。これらの産業サイトは、異なる地理的位置から電力供給網に接続することができ、通例は、別個の製造企業の一部である。さらに、サイトは、図９を参照して後述するように、住宅サイトであってもよい。エネルギ管理者２１０は、サイトの所有者（または住宅消費者）もしくは専門の工場エネルギ管理者など、サイト内でのエネルギ利用に責任がある個人であり、インターネットまたはその他のネットワークを介して計算ユニット１６０と通信しうる。
コンピュータ１６２は、システム１４０を管理するために個人によって用いられる任意の適切なコンピュータ（ラップトップまたはデスクトップコンピュータなど）である。任意のデータが、（１または複数の）データベース１６８内に格納されてよい。アルゴリズムエンジンが、本明細書に記載の技術を実行するために、コンピュータサーバ１６４上で動作する。計算ユニット１６０は、様々な産業サイトのすべてと通信する際に用いる通信ネットワーク１７０に接続する。通信は、安全なインターネット接続、専用通信ライン、または、安全な接続を可能にする任意の無線通信ネットワークを通してなされうる。
産業サイトの例
図２は、本発明の電力測定システムを実装する産業サイト１８４の一例を示す。この例のサイトには、任意の数の電気負荷、例えば、２つの電気負荷３０４および３０８と、１または複数のコンピュータ３２０が備えられる。電力３６０が、住宅、企業、および、産業の電気消費者に電力を供給するその地域の配電網から得られ（または、配電網に供給され）、その電力は、長距離にわたって電気を送る送電網から受信される。
図に示すように、コンピュータ３２０は、プロセス自動化システムまたはＳＣＡＤＡシステムなど、各負荷を制御する局所的な制御システム３３０に接続する。任意の数のセンサ３４０〜３４６が、サイト内の様々な負荷を含む産業プロセスに関する様々なデータ（例えば、温度、圧力、電流、生産量、在庫レベルなど）を検知する。サイト外部の多様なデータ（例えば、外部温度３４８、風速、光度など）も、コンピュータ３２０によって捕捉されてよい。局所的な制御システムは、しばしば、かかるセンサデータを格納するが、任意の外部データが、他の手段（例えば、公共の局所温度測定値）を通して取得されうる。さらに、センサデータの多くは、リアルタイムで記録され、標準プロトコル（例えば、工業用バス、デジタルＩ／Ｏ）でアクセス可能であり、これは、異なる工場のかかるデータの中央データベース１６８への収集を可能にする。重要なことに、制御システム３３０は、サイト内のほとんどすべての機械およびプロセスのオン／オフ状態も格納する。
電気負荷の例は：冷蔵倉庫、オーブンおよびその他の熱負荷、砕木機、磨石機、コンプレッサ、炉、工業電界装置、ＨＶＡＣ装置、紙処理装置、資材運搬装置、オイルおよびガスポンプシステム、電気自動車充電網、農業機械、などである。各負荷は、通例、産業サイト内の自立機械または機械のセットであり、しばしば、産業プロセスに関係があり、産業プロセスの一部である。実際に、特定の産業プロセスが、任意の数の負荷からなり、それ自体が負荷と呼ばれてもよい。
コンピュータ３２０は、データを格納および管理すると共に、ローカルインテリジェンスを可能にするソフトウェアを含む計算ユニット１６０との通信を容易にするローカルゲートウェイコンピュータ、産業用パーソナルコンピュータ、または、組み込みデバイスを含みうる。サイト電力メータ３７２が、住宅または産業サイト全体ならびに負荷すべてによって利用された電力を測定し、さらに、サイトによって生成された電力を測定してもよい。厳密には必須ではないが、サイト内の１または複数の負荷が、後述のディスアグリゲーション誤差を低減するために、局所的な電力メータ（電力メータ３７４など）を備えてもよい（または追加されてもよい）。本発明は、電気負荷に対するさらなる電力メータの必要性を排除し、局所的な電力メータを利用せずに、サイトで利用された電力を分離できることが好ましい。実際に、本発明は、サイトで記録された他のセンサに基づいて電力ディスアグリゲーションを提供するのに十分なモデルが存在する場合、負荷に対する電力メータが全くなくても機能できる。
グローバルモデルデータベース
図３は、例えば、計算ユニットのデータベース１６８内に格納されたグローバルモデルデータベース４００の一例を示す。上述のように、本発明は、特定の特徴領域内の特定の負荷の電力消費を正確に予測する特定のモデルを追跡する。いくつかのタイプの負荷が多くの産業サイトで用いられることが一般的であり、１つの特定のタイプの負荷は一般に同様の環境内では同じ量の電力を利用するので、本発明は、様々なサイトで電力を予測するために利用できる負荷タイプおよび関連モデルを中央データベースに格納することが有利である。例えば、中央計算ユニット１６０にこの情報を格納すれば、サイト１８０〜１８６のいずれもが電力の分離での利用に適切なモデルを利用することが可能になる。データベース４００は一例であり；その他の負荷タイプおよびモデルが最初に存在してもよく、その他の負荷タイプおよびモデルが追加されてもよく、特徴領域が変更されてもよい。
図に示すように、データベース４００は、列４１０に負荷タイプを備えており、各負荷タイプについて、負荷特性４２０（機械モデル、最大容量、効率評価、生産率、年数など）、および、システムパラメータ４３０（コンプレッサが接続された冷蔵倉庫の冷状態損失、冷蔵倉庫のサイズおよび典型的な内容物など）が格納される。各負荷タイプについて、これらの特性およびパラメータによっては、２以上のモデルが適用可能である場合もある。
モデルは、（ｉ）モデルパラメータに対する負荷特性のマップ、（ｉｉ）モデルによって用いられる特徴、および、（ｉｉｉ）モデルの性能が、住宅消費者、産業ユーザ、または、計算ユニット１６０のオペレータによって設定された性能要件を満たす特徴領域、と共に、列４４０内に規定される。具体的には、列４４２は、負荷タイプに適用できる特定の数理モデルをリストし、列４４４は、モデルによって用いられる特徴と、適用可能な領域とをリストする。特性のマップは、負荷の電力予測のためのモデルが存在する負荷のカタログである。カタログは、負荷の基本的な特性に基づいて、負荷をパラメータ化／ラベル付けする（例えば、「「ＸＸＸ」液化ガスを生成する２５０ＫＷのスクリューコンプレッサ」、「木のタイプＸ、Ｙ、および、Ｚ用のタイプＡＢＣの４ＭＷの砕木機」）。次いで、それらのラベルは、１セットのモデルパラメータにマッピングされる（例えば、線形回帰の係数「ａ，ｂ」：Ｐｏｗｅｒ＿ｌｏａｄ＝ａｘＰｒｅｓｓｕｒｅ＿ＳｅｎｓｏｒＡ１＋ｂｘＣｕｒｒｅｎｔ＿ＳｅｎｓｏｒＢ１）。
例えば、タイプＸのスクリューコンプレッサの電力消費を正確に予測する２つの数理モデルＡおよびＢがあることが知られているとする。この簡単な例において、モデルＡは、負荷の電流の特徴を用いて、特徴領域が１０，０００〜２０，０００アンペアの間である時に電力消費を正確に予測し、一方、モデルＢは、アンペアが２０，０００以上である時に電力を正確に予測するが、電流および温度の特徴を用いる。したがって、特定の負荷について領域が変化すると、別のモデルが必要になるだけでなく、おそらく電力レスポンスの非線形性により、異なる特徴が用られる可能性がある。
別の例では、タイプＹのアーク炉の電力消費を正確に予測する２つの数理モデルＣおよびＤがある。両方のモデルが、炉温の特徴を用いて電力を予測し、任意の温度範囲に適用可能である。この特定の炉の負荷特性は、具体的なモデルを示唆するが；モデルＣは、７０％の効率のアーク炉について電力を正確に予測し、一方、モデルＤは、９０％の効率のアーク炉について電力を正確に予測する。
システムパラメータ４３０が、さらに、どのモデルが最良であるのかを決定づけうることも可能である。例えば、共に同じ負荷特性を有するコンプレッサＡＡおよびＢＢを仮定する。コンプレッサＡＡは、野菜用の「冷却室」に接続されており、冷却室のドアは、野菜の取り出し／追加のために頻繁に開けられるので、温度測定値が非常に変動しやすい。コンプレッサＢＢは、物流会社の冷蔵倉庫に接続され、凍結温度で食品を保存する倉庫の周りに緩衝部屋があるので、温度の変動はずっと小さい。この場合、システム特性は、様々なモデルに有利になる：変動しやすいプロファイルに非常に良く適したモデルが、コンプレッサＡＡについては他のモデルよりも好ましい。
当業者に周知の通り、特徴とは、電力を予測するためにモデルによって用いられる工場ベクトル内の記録データ（後述する）のいずれかのことである。また、当業者に周知の通り、負荷の電力モデルが、負荷の動特性を摸倣するために負荷のシステムダイナミクスの数学的記述を提供し、コンピュータプログラムによって実装される。モデルは、パラメータ（すなわち特徴）およびそれらの可能値を入力として用いる。モデルは、「パラメータ値が変更された時に、負荷が用いる電力にどのように影響するか？」という基本的な疑問に答えるのに役立つ。モデルは、当業者に周知の様々な方法で作成されてよい。１つの技術は、負荷の履歴データに依存し、（例えば、ニューラルネットワーク技術などの自己学習を用いて）パラメータを入力値として受け取り、必要な電力を出力値として生成する「ブラックボックス」を開発する技術である。かかるブラックボックスモデルは、通例、様々なタイプの負荷に用いることができる。別の技術は、負荷の基礎物理（すなわち、第一原理）を調べ、モデルの出力を生成するために解くことができる微分方程式（例えば）を用いて公式を開発する技術である。特定の負荷タイプのためのモデルを選択するための好ましい技術について、以下で詳述する。
特定の産業サイトに適合する局所的に生成されたモデルと、アップロードされてデータベース４００に格納されたグローバルモデルまたはメタモデルとを区別することができる。すべてモデルであるが、すべての局所的モデルが、他の場所で用いられるようにデータベース４００にアップロードされるわけではない。それにもかかわらず、適合し、精度要件を満たすほとんどすべてのモデルがアップロードされ、グローバルモデルになることが想定される。後に詳述するように、中央計算ユニットは、産業サイトでの電力のディスアグリゲーション中に、同じまたは異なる産業サイトで後に同様の負荷タイプによる利用に向けてこれらのグローバルモデルを収集して格納する。特に、以下のフローチャートは、新しいモデル、または、現在のモデルのために拡大した特徴領域など、情報をデータベース４００に追加することにつながりうる。データベース４００内の情報の利用は、電力測定システムが、センサデータと負荷の電力消費との間のグローバルに適用可能な関係性を学習することを可能にする。
記録されたデータ、状態、および、センサデータベクトル
多様なデータが利用可能であり、センサを用いて住宅または産業サイトでリアルタイムに監視および記録される。好ましくは、すべての値が十分に同期して記録され、これらの値は、負荷またはプロセスに直接的または間接的に接続された負荷の電力消費に関連しうる。リアルタイムサイト電力（または、この電力の十分な代わりになるもの）が、電力メータ３７２を用いて記録される。状態信号（例えば、オン／オフ）または十分な代替物が、リアルタイムで、製造プロセスの一部である負荷について記録される。この状態情報は、以下で用いられ、負荷の数に等しい長さを有するベクトルΛｓｔａｔｕｓ（ｔ）によって示される。記録されたセンサデータおよび処理設定点データΛｓｅｎｓｏｒ（ｔ）、業務計画データΛｏｐｓ（ｔ）、ならびに、外部センサデータΛｅｘｔ（ｔ）が示され、これらのデータベクトルの連結は、「センサデータ」ベクトルΛ（ｔ）を構成する。記録されたセンサデータおよび処理設定点データに関して、多くのプロセスにおいて、プロセス自動化システムは、設定点（例えば、温度、圧力）を用いて、プロセスの内の個々の負荷の部分を制御する。フィードバックループが、しばしば、実際の測定データ（例えば、測定温度、圧力）に基づいて実装される。
図４は、所与の産業サイトについて経時的に状態ベクトルの例５００を示す図である。かかる状態ベクトルは、上述のように、サイトの制御システムおよびコンピュータを用いて決定および記録されてよい。この簡単な例では、サイトの負荷は６個であり、状態ベクトルは、サイトの連続操業から６つの時間間隔のみを示している。そして、後に詳述するように、同様に振る舞う個々の負荷が、グループ化されて、電力の状態ベクトルおよびディスアグリゲーションのために単一の負荷と見なされてよい。時間間隔は、数秒から数分ごとに測定されてよく、サイトとエネルギ管理者のニーズとに応じて、より長い期間を表してもよい。図に示すように、第１時間間隔５１０中に、負荷の内の２つが動作している。第２時間間隔５２０には、負荷４だけが動作しており、第３時間間隔５３０には、負荷２〜４が動作しているが他の負荷はオフである、など。各負荷の状態は、リアルタイムで記録され、後述するような解析中、本発明は、負荷によって消費（または生成）された電力が現在の未測定の電力から分離されたことを示すために、状態ベクトルの行において、負荷の状態をオンからオフへ切り替えてよい。
図５は、産業サイトおよびその負荷すべてに関する様々なデータがリアルタイムで記録される工場ベクトルの一例５７０である。上述のように、工場ベクトル５７０は、センサベクトル５８２、業務計画データベクトル５８４、および、外部センサベクトル５８６を含む。このデータは、状態ベクトル内で用いられるのと同じ時間間隔中に記録され、したがって、負荷がオンまたはオフである時のサイト（または特定の負荷）の特定の状態を反映する。センサＡ、Ｂ、Ｃ、および、Ｄは、（１または複数の）特定の負荷のデータを記録する内部センサである。通例、センサ５８２は、負荷の各々のデータを記録する様々なセンサを含む。例えば、センサＡおよびＢが、負荷１でデータを測定してよく、一方、センサＣおよびＤが、負荷２でデータを測定してよい。センサ５８２は、任意の所与の負荷に関連するものではなくプロセスの状況を全体として測定してもよい（例えば、４つのコンプレッサを備えた冷蔵倉庫内の温度）。任意の数の内部センサがあってよく、各負荷は、任意の数のセンサを有してよい。各負荷でセンサによって測定されるデータは、温度、圧力、電流、電圧、バッファタンクレベル（％）、製品品質指標、生産速度（毎分、毎時）などを含む。
業務計画データベクトル５８４は、工場内でのプロセスについて週／日／時間単位で生産される品物のトン数、品物のタイプなどを含む。外部センサ５８６は、外部気温、風速、雲量、光度など、産業サイトの外部のデータを測定する。
電力関係性およびディスアグリゲーション誤差
所与のサイトで、様々な電力消費者と発電側との間に以下の関係性が存在することがわかる：
Figure 0006784745
ＰｓｉｔｅおよびＰｍｅａｓｕｒｅｄの値は、特定のサイトによって消費された総電力と（１または複数の）特定の負荷によって消費された電力とをそれぞれ測定するために、例えば、図２のサイト電力メータ３７２および個々の負荷電力メータ３７４を用いてリアルタイムで測定される。負荷またはプロセスの電力の測定値は、特定の負荷にすでに設置されている任意の電力メータを用いて測定されるか、または、本発明を用いて（例えば、オフィスの冷却または照明のための周知のモデルを用いて）かかる負荷のための電力を計算する必要がないほど十分な精度で評価またはモデル化できる。上述のように、個々の負荷に電力メータを設置する必要はないが、いくつかのメータがすでに存在しうる。
例えば、特定の負荷（例えば、セメント工場の工業用粉砕機）については、速度が連続的かつ平坦であることがわかっており、これは、消費電力が経時的に一定であることを意味する。したがって、その負荷に高価な電力メータを導入する（そして、関連する接続ハードウェアおよびソフトウェアを導入する）必要なしに、導入された電力容量（または最大電力容量）と、負荷がオンである時間とを乗じることにより、経時的に使用された電力を十分正確にモデル化できる。
サイトの電力は、サイトが生産するよりも多くの電力を利用している場合には正であり、サイトが利用するよりも多くの電力を生産する場合には負である。いくつかの産業サイトが大量の電力を利用したとしても、大型のＣＨＰ設備を備えたサイト（ＣＨＢ）など、小規模発電センターであるために、利用量よりも発電量が実際に多いサイトもある。正味の電力を発電するサイトでも、それらの電力消費への透明性に関心があり、本発明から恩恵を受ける。
Ｐｍｅａｓｕｒｅｄは、電力生産も行うサイトについては、電力消費負荷（すなわち、サイトにあるすべての測定負荷の合計を含むＰ（ｄｅｍａｎｄ））と、電力生産装置（すなわち、すべての電力生産装置の合計を含むＰ（ｐｒｏｄｕｃｔｉｏｎ））との間で分けられうることに注意されたい。Ｐｕｎｍｅａｓｕｒｅｄは、（ｉ）対象負荷（本発明が電力消費を計算する負荷）の電力消費、および、（ｉｉ）サイトのオフィスビルによって消費される電力など、その他の未知および未測定の電力に分けられる。その他の未知の電力消費源は、コンピュータ、ローカルオフィスの照明、小規模加熱／冷却装置などを含む。Ｐｏｔｈｅｒは、（ｉ）ディスアグリゲーション誤差への寄与が無視できるほどであるか、または、（ｉｉ）（例えば、オフィス冷却の既知のモデルおよびカレンダーの適合を用いて）適切にモデル化されると仮定する。Ｐ（ｏｔｈｅｒ）の一部が適切にモデル化された場合、それは、上の段落で議論したＰ（ｍｅａｓｕｒｅｄ）の一部と見なされてよい。
以下で詳述するように、Ｐ（ｏｔｈｅｒ）が無視できるほどでもないし、適切にモデル化することもできないと判定された場合、これらの負荷の内の１または複数をＰｏｔｈｅｒからＰｍｅａｓｕｒｅｄへ効果的に移すために、Ｐ（ｏｔｈｅｒ）を構成する任意の負荷に測定が追加されてよい。測定は、Ｐ（ｏｔｈｅｒ）が無視できるようになるまで、Ｐ（ｏｔｈｅｒ）の個々の負荷に１つずつ追加されてよい。Ｐ（ｔａｒｇｅｔ ｌｏａｄ）は、産業サイトにおける個々の負荷またはプロセスの電力であり、その電力は、記載された発明を通して決定される。
したがって、Ｐ（ｕｎｍｅａｓｕｒｅｄ）の値が、特定のサイトで時間間隔ごとに決定されてよい。すなわち、（例えば）間隔５１０〜５６０の各々が、自身のＰ（ｕｎｍｅａｓｕｒｅｄ）の値を有し、以下のフローチャートで議論するように、各時間間隔に分離されるのは、この値である。
これらのまたは同様の測定によるアプローチの性能の標準的な定義を利用し、ここで、
ディスアグリゲーション誤差は、
Figure 0006784745
 であり、
ｙｔ ｉは、時間ｔでの個々の負荷ｉの実際の測定電力であり、
Figure 0006784745
 は、考慮中のモデルによる負荷ｉの予測電力であり（別の技術は、電力自体ではなく測定電力に基づいてコストを検討する）、
交差検証された予測誤差は、
Figure 0006784745
 であり、
ｌは、個々の負荷ｉの実際の測定電力であり、
Figure 0006784745
 は、Ｋ以外のすべてでトレーニングされた時に考慮中のモデルによる負荷ｉの予測電力であり、Ｋは、Ｎ個の相補的なテストフォールドΨの内の１つである。上述のように、その他の誤差測定および性能の定義が用いられてもよい。工程６４８および８０８の要件をチェックするためにこれらの誤差を決定する目的で、例えば、安価で一時的な電力メータを用いてよい。これらの電力メータは、後に取り除かれてよいため、高価なハードウェアおよびソフトウェアに接続する必要のある高価で永久的な電力メータの必要性はない。実際に、単一の一時的な電力メータが、これらの誤差を決定する目的で負荷の電力を測定するために用いられてよい。
様々な性能要件が、設定可能なデフォルト値を有するが、ディスアグリゲーション誤差への制限として産業サイトごとにシステムのユーザによって外から入力されてもよく、交差検証されたトレーニング誤差（すなわち、１セットの相補的なテストフォールドにわたる平均テスト誤差）への制限として負荷（および、後述するように、モデル）ごとに入力されてもよい。要件が、工場所有者、エネルギ管理者、または、電力測定システムのオペレータによって入力されてよい。ディスアグリゲーション誤差に関する要件が、各対象負荷について評価された電力が例えば５％を超える誤差を持ちえないことを述べてよく、各負荷に対して異なる要件が存在してもよい。交差検証された予測誤差に関する要件が、特定の負荷に対するモデルの誤差が特定の閾値未満であることを述べてよい。また、性能要件は、異なる期間にわたって規定されてよく、それらの期間にわたって、エネルギのディスアグリゲーションが正確であることが求められる。例えば、エネルギ管理者は、総エネルギが１日または１週間にわたって計算された時に、５％の精度内のディスアグリゲーションを有することを求めようと判断しうる。
電力アグリゲーションフローチャート
特定の産業サイトでの未測定電力が、個々の負荷の電力利用を決定および予測するために分離される。サイトで経時的に測定されたサイト電力、経時的な全負荷の状態、および、その他のセンサデータに基づいて、個々の負荷の電力利用を決定および予測するために、以下の図に示す技術を用いて、未測定電力をますます分離する。一般に、より正確で単純な技術が最初に用いられ、必要に応じて、より複雑な技術が続く。
図６Ａは、未測定電力が、特定の負荷の電力利用を正確に予測できるモデルを最初に特定することによって分離される第１技術を示すフローチャートである。工程６０４で、工場データベクトルが、モデルのいずれかで用いられる前に、前処理される。周知のように、外れ値および異常値の除去ならびにユーザ設定可能なルールの利用など、様々な前処理技術が用いられてよい。
工程６０８で、特徴生成が実行される。上述のように、入力特徴（パラメータおよび値）に基づいて応答（連続的または離散的な変数）を予測するために、数理モデルが用いられる。この文脈において、モデルは、入力特徴を用いて、特定の産業負荷の電力利用を予測する。上述のように、工場データベクトルは、様々な内部センサデータ、業務計画データ、および、外部センサデータを含む。モデルに特徴として入力される典型的なデータは、負荷またはプロセスによって用いられる電流、もしくは、プロセスの圧力または温度などである。一般に、特徴は、負荷またはプロセスに適用可能なこの工場データ（特にセンサデータ）のいずれかである。特徴生成は、どの特徴がモデル内で対象負荷タイプに最も関連するのかに基づいて、および、ユーザ入力（すなわち、どの工場データが特定の負荷の電力利用と関連しているかを理解する工場従業員）に基づいて実行されてよい。特徴生成は、よりよいモデル適合を実現するために、既存の特徴から新しい特徴を作り出す統計的学習における一般的な方法を指す。例えば、温度および圧力（２つの特徴）が記録されてよいが、実際に、利用するのによりよい特徴は、２つを掛けた「ｐｘＴ」でありうる。元々の特徴のかかる新しい特徴への任意の変型が、特徴生成と呼ばれる。
次に、産業サイト内の各対象負荷について、工程６１２〜６３６が実行される。反復が行われる時間の長さは、様々であってよい。通例、工場は、トレーニングセットとして用いられる何年分もの履歴データを有しうるが、利用のために非常にわずかなデータしか持たない工場もある。工程６１２および６１６で用いられるのは、この履歴データである。
工程６１２で、状態ベクトルを用いて、対象負荷が「オン」であるすべての時間間隔を特定するリストが負荷ごとに作成される。図４に示したように、負荷１のリストが時間間隔５１０および５６０を含み、負荷２のリストが間隔５３０〜５６０を含む、などである。次いで、工程６１６〜６３２が、これらの特定された時間間隔の各々に対して実行される。
次に、工程６１６で、モデルの特徴領域が対象負荷に関連する時間間隔中にセンサデータを含むようなモデルが、対象負荷（例えば、５１０での負荷１）に対してデータベース４００内に存在するか否かが判定される。例えば、対象負荷がタイプ「Ｘ」のスクリューコンプレッサであると仮定すると、方法は、データベース４００を参照し、行４６０を特定し、特定のモデルＡの特徴領域が１０，０００〜２０，０００アンペアの電流であると判定する。これは、スクリューコンプレッサへの入力電流が特定の領域内にある時に、モデルＡが、性能要件内で良好に機能して正確に電力を予測すると知られていることを意味する。したがって、その時間間隔中に、対象負荷のセンサデータが、１０，０００〜２０，０００アンペア内にある入力電流の値を含む場合、現在の時間間隔中の対象負荷の電力利用の正確な予測因子としてモデルＡを選択することが快適でありうる。入力電流が２０，０００アンペアよりも大きかったことをセンサデータが示す場合、モデルＢが選択される。さらに、モデルは、モデルの領域が関連センサデータを含む限りは、その負荷特性またはシステムパラメータに基づいて選択されてよい。
かかるモデルがデータベース４００内に存在する場合、工程６２０で、その特定のモデルは、その時間間隔中に工場データベクトルからの（１または複数の）必要な特徴（例えば、電流）を用いて実行され、その時間間隔中に対象負荷の予測負荷電力を生成する。ここで、正確な負荷電力が対象負荷に対して予測されたので、工程６２４でその負荷電力は、その時間間隔中のサイトの全未測定電力から減算（分離）される（すなわち、Ｐ（ｕｎｍｅａｓｕｒｅｄ）（ｔ）−＞Ｐ（ｕｎｍｅａｓｕｒｅｄ）（ｔ）−Ｐ（ｌｏａｄ）（ｔ））。最後に、工程６２８で、対象負荷の負荷状態は、その時間間隔中の対象負荷が分離されていることと、本発明の方法がその時間間隔中にその対象負荷をさらに分離しようとする必要がないこととを示すために、現在の時間間隔中に「オフ」に設定される。例えば、図４に示したように、第１時間間隔５１０中の負荷１の状態は、この負荷の電力が第１時間間隔中に分離されたことを示すために、「１」から「０」へ変更される。次いで、制御は、工程６３２へ移行する。
これが、工程６１２で特定された現在の負荷の最後の時間間隔ではない場合、制御は、現在の負荷の次の時間間隔を処理するために、工程６１６へ戻る。しかしながら、工程６１６で、その時間間隔に対する正しい特徴領域を備えたかかるモデルが存在しないと判定された場合、制御は、さらに、工程６３２へ移行し、これは、現在の負荷については、その時間間隔中に、その電力がこの第１技術を用いて未測定電力から分離されないことを意味する。もちろん、当業者は、方法がどのように実施されるかに応じて、工程６１６が、すべての特定された時間間隔に対して一度に実行されてもよいことがわかる。
工程６３２において、最後の特定された時間間隔が工程６１６で現在の対象負荷に対して処理されたと判定された場合、制御は、工程６３６へ移行して、サイトの最後の対象負荷が処理されたか否かを判定する。処理されていない場合、制御は、次の対象負荷を処理するために、工程６１２へ移行する。したがって、正確なモデルが特定の負荷タイプに対してデータベース４００内で特定されるので、各時間間隔中のサイトの未測定電力がますます分離され、未測定電力の値は特定の時間間隔についてますます小さくなり、より多くの負荷状態が、状態因子内で「オフ」に設定される。図６Ａの技術は、性能要件の範囲内で電力を予測することが知られているモデルを用いるので、対象負荷の電力の正確な予測を提供する。基本的に、図６Ａの技術は、状態ベクトルを通して反復して、動作している負荷と既知のモデルをマッチングしようとしたが；上述の通りに最初に負荷に関して反復するのではなく、１つずつ時間間隔に関して反復するなど、その他の反復技術が用いられてもよい。
サイトの最後の対象負荷が処理され、任意の動作する負荷に適用可能なモデルがもはやない場合、制御は、第２技術を用いて状態ベクトル内の任意の時間間隔中にまだ「オン」であると示された任意の残りの負荷を分離しようとするために、図６Ｂに移行する。すべての動作する対象負荷およびそれらの特徴について、第１技術を用いてデータベース４００内でマッチングが見いだされるわけではないので（すなわち、正確に電力を予測するモデルが見つからないので）、ここで、別の技術が、残りの未測定電力を分離するために用いられる。
図６Ｂは、オンである負荷が他にない時にオンである負荷を特定することによって、未測定電力をさらに分離する第２技術を記載したフローチャートである。１つの負荷がオンである時間間隔だけを特定することにより、記録されたセンサデータと、その時間中にサイトで利用されている電力との間の関係性を推定して、新たなモデルを適合させることができる。新たなモデルは、特定の特徴を有する１つの負荷の電力利用を表す。
それに応じて、産業サイト内の各対象負荷について、工程６４０〜６５６が実行される。工程６４０で、現在の状態ベクトルを用いて、対象負荷がサイト内で「オン」である唯一の負荷であるすべての時間間隔を特定するリストが、対象負荷に対して作成される。図４に示したように、例えば、負荷２は、間隔５４０中に動作している唯一の負荷であり、負荷４は、間隔５１０および５２０中に動作している唯一の負荷である（負荷１の電力が、前のフローチャートにおいて時間間隔５１０中に分離されたと仮定する）。したがって、その他電力利用を除けば、これらの特定された時間間隔中にサイトレベルで測定されたあらゆる電力利用が、対象負荷によって利用されている電力であるはずである。
次に、工程６４２で、これらの特定された時間間隔の各々の間に対象負荷によって利用された電力を推定するために、Ｐ（ｏｔｈｅｒ）をＰ（ｕｎｍｅａｓｕｒｅｄ）から減算して、各時間間隔中の対象負荷電力を得る（すなわち、Ｐ（ｌｏａｄ）（ｔ）＝Ｐ（ｕｎｍｅａｓｕｒｅｄ）（ｔ）−Ｐ（ｏｔｈｅｒ）（ｔ））。任意のグループの負荷の間で非常に強い相関が観察された場合には、主成分分析（または同様の技術）を用いて次元削減を実行してよく、そのグループの負荷を１つの負荷と見なしてもよい。通例、相関の閾値は、精度要件によって設定される。例えば、かかるグループ負荷に対しては、これらのディスアグリゲーション技術が用いられ、負荷のグループについて分離された電力量が得られた後に、比例配分が、各個別の負荷の相対的な容量に基づいた電力消費で形成される。
工程６４４で、対象負荷の電力利用が、特定された時間間隔の各々に対して得られると、特徴空間は、これらの特定された時間間隔の１つの間に記録されたセンサデータすべてであると決定される。例えば、間隔５１０および５２０中に動作する唯一の負荷である負荷４を考えると、サンプルが間隔５１０および５２０を用いて取られてよく、特徴空間は、図５に示したように、それらの間隔からのセンサデータすべてであると仮定される。好ましい実施形態において、すべての他の負荷が「オフ」である（すなわち、以前に分離されている）すべての時間間隔からのセンサデータが、サンプルとして選択される。１つだけの間隔からのセンサデータのみを用いることも可能であるが、正確な新しいモデルを適合させることが、より困難になりうる。これで、特徴空間が得られるので、適切なモデルを適合させることによって、既知の対象負荷電力（応答）を予測することを試みる。
工程６４６で、電力の予測に最も関連する特徴空間から選択された特徴に基づいて、新たなモデルを適合させる。新たなモデルは、様々な技術を用いて適合されてよい。１つの技術は、２つの別個の工程を用いて、最初に、特徴選択方法（回帰の場合には、Ｌａｓｓｏ、Ｌａｒｓ、または、その他の方法など）を利用し、次いで、トレーニングすべきモデルを選択する。別の技術は、（例えば、暗黙の特徴選択が実行されるランダムフォレスト法を用いて）新たなモデルを選択するためにこれら２つの工程を組み合わせる。新たなモデルが、標準的なモデル選択と、Ｍａｌｌｏｗ’ｓＣｐ、Ａｋａｉｋａ、または、ベイズ情報量基準、自由度調整済みＲ２、交差検証などの検証技術とを用いて選択されてよい。結果は、選択された特徴を用いて対象負荷の電力利用を正確に予測しうる新たなモデルである。
次に、工程６４８で、選択された新たなモデルが上述の精度要件を満たすか否かが判定される。一実施形態では、交差検証された予測誤差が計算され、次いで、精度要件と比較される。精度要件が満たされない場合、これは、決定された特徴空間では、特定された時間間隔中の対象負荷の電力利用を正確に予測する新たなモデルを選択できないことを示唆する。したがって、制御は、次に工程６５２へ移行し；モデルが選択されなかった場合でも、負荷電力は各間隔に対して既知であり、負荷電力は未測定電力からさらに減算（分離）され、負荷状態は、特定された時間間隔すべてに対して「オフ」に設定される（すなわち、Ｐ（ｕｎｍｅａｓｕｒｅｄ）（ｔ）−＞Ｐ（ｕｎｍｅａｓｕｒｅｄ）（ｔ）−Ｐ（ｌｏａｄ）（ｔ））。この状況において、電力は、分離されるが、適合したモデルが存在しない。
あるいは、異なる設計を用いて、精度要件が工程６４８で満たされない場合、制御は、工程６５６へすぐに移行する。負荷電力は減算されず、負荷状態は、特定された時間間隔に対して「オフ」に設定されない。次の負荷が処理されるが、工程６５６の後である。これは、最終的に図６Ｂのループが終結し、制御が再び図６Ａに戻ることを意味する。グローバルモデルがデータベース４００に追加され、精度要件を満たすモデルが見いだされうる可能性がある。また、次の図６Ｂの実行時に、（以前にモデルを適合できなかった）上述の特定された時間間隔に対して反復され、正確なモデルがこの回に適合される可能性がある。例えば、次の図６Ｂの実行時に、対象となる負荷が「オン」である時間間隔が延長されていた場合があり（その間隔の周りの他の負荷がアルゴリズムにおいて分離されたため）、これは、（ｉ）トレーニングセットの増加および（ｉｉ）精度の上昇を引き起こす。説明のため、線型モデルが特徴および電力の１分間の領域に適合され、精度要件が満たされていない場合を考える。その後、この領域が２分間に延長され、新たな線形回帰がなされ、モデルが要件を満たすと、電力を分離すると共に、このモデルをグローバルモデルとして追加できる。
図４の間隔ｔ１およびｔ２の元々の負荷を例として用いて、要件が満たされなかったために、ｔ２で負荷４を分離できないと仮定する。ここで、後の反復において、間隔ｔ１から負荷１を分離できると仮定する。それにより、負荷４のみが間隔ｔ１およびｔ２中に「オン」のまま残る。したがって、間隔（および領域）は、ｔ１およびｔ２の両方を含むように延長されることができ、要件を満たすモデルを見出すことが可能である。したがって、その電力を含めたままにしておくことが有用である特定の例がありうる。これらの例において、アルゴリズムの許容できるように迅速な収束時間を達成するために、終了基準が課せられてよい。
精度要件が工程６４８で満たされると、これは、選択されたモデルが、特徴空間の選択された特徴を用いて対象負荷の電力利用を正確に予測することを示す。したがって、工程６５０で、図７を参照して後に詳述するように、既存のモデルの特徴領域を拡大するか、または、モデルデータベースに新しいモデルを追加することが可能である。次いで、制御は、上述のように工程６５２へ移行する。
次に、工程６５４で、対象負荷の負荷状態は、特定された時間間隔中の対象負荷が分離されていることと、本発明の方法がそれらの時間間隔中にその対象負荷をさらに分離しようとする必要がないこととを示すために、特定された時間間隔中に「オフ」に設定される。図４に示したように、例えば、新たなモデルが、時間間隔５４０の負荷２に対して、時間間隔５１０および５２０の負荷４に対して見つかったと仮定すると、それらの時間のそれらの負荷の状態は、「オフ」に設定される。
対象負荷は、このフローチャート内で或る時間間隔中に動作する唯一の負荷であるため、その時間間隔中に未測定電力から対象負荷電力を厳密には減算する必要がない。減算の結果は、おそらくゼロ、または、Ｐ（ｏｔｈｅｒ）である。ただし、分離されたものを追跡すること、および、Ｐ（ｏｔｈｅｒ）を決定することが助けになりうる。
最後に、工程６５６で、サイトの最後の対象負荷が処理されたか否かが判定される。処理されていない場合、工程６４０で再び次の負荷の処理が始まる。サイトの最後の対象負荷が処理されていた場合、制御は、状態ベクトル内の任意の時間間隔中に「オン」であると示された任意の残りの負荷を分離しようとするために、図６Ａの工程６１２に戻る。工程６５０が、特定の負荷タイプについてデータベース４００に新たなモデルを追加した場合がある、または、特定の負荷タイプについて既存のモデルの特徴領域を拡大した場合があるので、ディスアグリゲーションのフローチャートを再びループすることが有利である。
例えば、特定の特徴領域において負荷タイプの電力利用の正確な予測因子であることが知られている新たなモデルが、特定の負荷タイプのために工程６５０で追加された場合があることを考えると、他の負荷も同じ時間にオンであったとしても、その新たなモデルは、他の時間間隔中にその特定の負荷タイプの電力を分離するために利用できる。特徴領域のみが、データベース４００にすでに存在する特定のモデルに対してすでに拡大された場合でも、特定の負荷の特徴が特定のモデルの新たに拡大された特徴領域とマッチするため、その特定の負荷を分離する可能でありうるので、フローチャートを再びループすることが有利である。
例えば、図６Ｂの技術を用いて分離されたばかりの特定の時間間隔において単独で動作しているコンプレッサを考える。新たなモデルがこのコンプレッサのためにデータベース４００に追加されたので、その他の負荷が動作中であっても、その他の時間間隔中にこのコンプレッサを分離することが可能である。例えば、負荷２および４を考えると、新たなモデルが上述のように見出されると、その間隔中に負荷３も動作中であったとしても、これらの負荷の両方が、図６Ａのフローを用いて間隔５３０で分離されうる。
したがって、制御は、図６Ａの工程６１２に戻り、フローは、各負荷およびすべての時間間隔にわたって再び繰り返し、その時間間隔中にこの特定の負荷のセンサデータとマッチする特徴領域を有するモデルをデータベース４００内で見つけようとする。そして、さらなる負荷がこのフロー中に分離され状態ベクトルから除去される可能性があるので、結果として得られる状態ベクトルは、特定の時間間隔中に、オンである負荷が１つだけ存在することを示唆しうる可能性がある。したがって、或る時間間隔に単独でオンである負荷をさらに分離するために、図６Ｂのフローを用いてすべての負荷にわたって反復することも有利である。例えば、負荷２および４が上述のように間隔５３０で分離されると、負荷３が、図６Ｂのフローを用いて分離されうる。
様々な効率が導入されてよく、これらのフローチャートは、それに従って変形されてよい。例えば、どのモデルがデータベース４００に追加されたか（または、どの特徴領域が拡大されたか）が工程６５０において正確にわかるので、図６Ａにおいてあらゆる負荷にわたって反復することは厳密には必要ない。例えば、負荷４に対してのみ新たなモデルが追加され、負荷５に対してのみ特徴領域が拡大されたことが、工程６５０においてわかっている場合、図６Ａの反復を実行する時にこれら２つの負荷を考慮するだけでよい。
したがって、図６Ａおよび図６Ｂのフローは、時間間隔においてさらなる電力削減を全く生じなくなるまで、反復を継続する。あるいは、反復は、工程６４０において、１つの負荷だけがオンである時間間隔が特定されなくなるまで、繰り返されてもよい。あるいは、図６Ｂのフローが完了した後に、データベース４００に新たなモデルが追加されておらず、特徴領域が拡大されていないと判定された場合、そのデータベースには新たなモデルも拡大された特徴領域もないので、図６Ａのフローを実行することが有用ではない。
未測定電力が各間隔で分離されている時、または、反復が終了した後、各時間間隔中に各負荷について予測された負荷電力は、エネルギ管理者による分析または行動のために、出力、印刷、表示、データベースへの格納などされてよい。この出力は、後述の図８の後に行われてもよい。
この時点で、サイトの各負荷について、全可能特徴空間内のいくつかの領域から精度要件に従って実行するためにテストされたモデルへのマッピングを取得している。特定の負荷に対するこれらの領域の和集合は、精度要件を満たす電力モデルがその負荷に利用可能であるとわかっている全データ領域である。各負荷のためのモデルもなく、負荷の全可能領域もモデル化されえないが、後述の図８で議論するように、精度を向上させると共に誤差を減らすために、さらなる工程が実行されてもよい。
グローバル負荷モデル
上述のように、負荷モデルが特定の産業サイトでテストおよびトレーニングされ、正確（または、少なくとも性能要件の範囲内）であると証明されると、これらの負荷モデルは、システムの全体的な自己学習能力を最大化するために、他の産業サイトでの利用に向けて、識別されて中央サイト１６０に格納されてよい。産業負荷モデルは、格納された負荷モデルの適用可能な特徴領域を拡大することによっても改善される。
図７は、これらのグローバル（または「メタ」）負荷モデルが管理される方法を記載したフローチャートである。最初に、工程７０４で、負荷および関連するグローバル負荷モデルの第１「シード」セットが、中央計算ユニットのデータベース１６８に追加される。これらは、特定の特徴領域内で特定の負荷の電力利用を正確に予測することが知られている負荷モデルである。この第１セットの負荷および関連負荷モデルは、すべての測定装置およびセンサデータにアクセス可能である（したがって、ディスアグリゲーションの必要がない）工場から得られうる。例えば、行４６０および４６２は、反復が始まる前にモデルデータベースに存在してよい。
新たなモデルならびに関連する負荷タイプおよび特徴領域が、上述のように工程６５０が実行される時に、データベース４００に追加されてもよい。そして、データベース４００内の既存モデルのための特徴領域が、工程６５０で拡大されてもよい。この新たな情報は、工程７０８および７１２でデータベース４００に追加されるので、後に、例えば、工程６１６で上記のフローチャートの実行中に利用可能である。
工程７０８で、工程６５０からの入力に基づいて、列４４４における既存の特徴領域が既存のモデルに対して拡大される。例えば、行４６０の負荷タイプスクリューコンプレッサを考える。入力が、５，０００〜１０，０００アンペアの範囲にある時に、既存モデルＡもそのコンプレッサの電力利用の正確な予測因子であることが図６Ｂの過程で決定された場合、モデルＡのための領域は、５，０００〜２０，０００アンペアに拡大される。
特徴領域は、工程６４６で見出された新たなモデルに基づいて拡大されてもよい。例えば、電流測定値に基づいてコンプレッサ電力を非常に良好に予測する新たなモデルが工程６４６で見つかり、１０〜５００アンペアの間の電流でモデルの精度が確信されていると仮定する（特定の負荷およびシステム特性を前提とする）。この負荷のための既存のモデルが、５００〜１０００アンペアの間の領域に対してのみ正確である場合、新たなモデルも格納および利用することによって、特徴領域を（Ｉ，［５００，１０００アンペア］）から（Ｉ，［１０，１０００アンペア］）に拡大してもよい。あるいは、（電流測定値ではなく）温度測定値（例えば、［−２０，−１５Ｃ］の範囲のＴ）を用いてこの負荷のための良好なモデルを見つけた場合、新たなモデルを用いることによって、特徴領域を、（Ｉ，［５００，１０００アンペア］）から（Ｉ，［５００，１０００アンペア］；Ｔ，［−２０，−１５Ｃ］）へ拡大できる。したがって、特徴領域の拡大は、現在利用されている特徴の範囲を拡大することに限定されず、その他の特徴が他のモデルで用いられてもよい。
工程７１２で、工程６５０からの入力に基づいて、新たなモデルがデータベース４００に追加されてよい。新たなモデルが工程６４６で選択され、工程６４８で認められると、そのモデルは、以下のものと共にデータベースに追加されてよい：新たなモデルが正確に電力を予測する負荷タイプ、そのモデルを選択するために工程６４６で用いた選択された特徴、特徴領域、ならびに、該当する場合、任意のその他の負荷特性またはシステムパラメータ。新たな産業サイトが電力測定システムに接続され、電力が上記のフローチャートによって分離されると、上述したように、新たなモデルがグローバルモデルデータベースに追加されてもよいし、特徴空間領域が拡大されてもよい。
このデータベースに新たなモデルを追加することには、異なる利点がある。例えば、入力電流と電力利用との間の関係性が既知であり、モデルＭを用いてモデル化されているサイトＡＢＣにあるコンプレッサＸＹＺを考える。これは、サイトＡＢＣで生成、トレーニング、および、改良されえたモデルであり、または、他の場所で開発されたモデルであってもよい。同じタイプのコンプレッサＸＹＺを有するサイトＤＥＦが存在するが、入力電流だけが既知である場合、サイトＤＥＦでの入力電流がモデルＭの特徴領域内にあると仮定して、サイトＤＥＦにあるコンプレッサを正確にモデル化して電力を予測するために、サイトＡＢＣからの関係性およびモデルＭが用いられてよい。一般に、コンプレッサＸＹＺがモデルＭによってレジーム（特定の特徴領域）内で良好にモデル化されることがわかっている場合、このモデルは、任意の他のサイトでそのレジームに対して任意の他のコンプレッサＸＹＺに用いられてよい。
ディスアグリゲーション誤差への対処
図８は、産業サイトの様々な負荷にわたって反復が完了した後にディスアグリゲーション誤差に対処できる方法を記載したフローチャートである。工程８０４で、最悪のケースのディスアグリゲーション誤差が、上記のディスアグリゲーションの式を用いてサイト全体について計算される。
工程８０８で、計算された誤差がサイトの制度要件の範囲内にあった場合には、フローは終了する。そうでなければ、制御は、工程８１２へ移行する。工程８１２で、サンプリング優先度が決定される。すべての負荷が、（ｉ）ディスアグリゲーション誤差への相対的な寄与、または、（ｉｉ）負荷が動作中であるが利用できるモデルがない「非モデル化」領域全体の長さ、のいずれかに基づいて、最悪から最良まで順位付けされる。次に、工程８１６で、ディスアグリゲーション誤差が精度要件の範囲内になるまで、サンプリングが負荷ごとに（最悪の負荷から開始して）繰り返し追加される。例えば、さらなる永久的な電力メータが、特定の負荷に設置されてもよいし、さらなるセンサが（センサデータを用いてグローバルモデルのいずれかの利用を可能にするために）設置されてもよい（最も経済的または実用的ないずれか）。さらなる電力メータは、ただ、精度要件内になるように誤差を削減するのに厳密に必要なもののみである。
工程８２０で、必要なさらなるサンプリングのリストが作成される。このフローからの結果に基づいて、どの新たなセンサまたはメータ（センサデータセンサまたは負荷電力メータ）が、要件に従って工場の電力を完全に分離するために必要であるのかを決定する。例えば、分離すべき負荷が１つだけ残っている場合、終了するためには、その１つの負荷の電力測定だけでよい。１つの冷蔵倉庫内に２つのコンプレッサがあるが、冷蔵倉庫内の温度データがない場合、温度センサデータだけでよい。一般的なアプローチは、グローバルモデルを調べて、それらのモデルを対象となる負荷／システムと比較し、負荷を分離するのにどの最小セットのセンサ／サンプリングが必要であるのかを決定するアプローチである。
求められたディスアグリゲーション誤差が満たされると、上記のディスアグリゲーション技術を用いて得られた各負荷の電力データは、負荷ごとのエネルギコストに関するリアルタイムの評価を提供するために、サイトエネルギ供給契約（または、場合によってはエネルギ生産契約）の知識と組み合わせられてよい。電力ディスアグリゲーションの精度は、電力自体ではなく電力コストの観点で定義されてもよいことに注意されたい。そして、上記の記載は、特定の負荷によって利用される電力に言及しているが、当業者は、電力が利用される時間間隔を知ることによって、利用エネルギを容易に決定できる。
住宅サイトの例
図９は、本発明の一実施形態に従って、住宅サイトの一例８５０を示す。このサイト内には、電気ボイラ８５４、洗濯／乾燥機８５６、掃除機８５８などの任意の数の家電製品、および、食洗機、冷蔵庫、キッチンロボット、テレビ、コンピュータ、バッテリ、ソーラーパネル、ヒートポンプ、加熱素子などのその他の家電製品（図示せず）が備えられており、各々が電力に接続されている。電力８６０が、地域の配電網から得られ（または、配電網へ供給され）、家庭用配電盤８６４に供給される。サイト電力メータ（またはヘッドメータ）８７２が、住宅全体およびその負荷すべてによって利用された電力を測定し、さらに、サイトによって生成された電力を測定してもよい。
各家電製品は、ショートメッセージおよび命令のやり取りを可能にする例えば８６８ＭＨｚ帯域の無線低周波数帯ネットワーク（ＳｉｇＦｏｘネットワークなど）を介して計算ユニット１６０に接続されてよい８８２〜８８６。電力メータ８７２（一時的なメータであってよい）も、主要な電力信号が測定されるように、計算ユニット１６０への接続８８８を有する。ネットワークは、家電製品の「オン／オフ」信号を記録し、さらに、家電製品からセンサデータを受信するため、産業サイトと同じタイプのデータが利用可能であり、したがって、上述の発明は、産業サイトと同様に機能しうる。サイト８５０で記録されるデータは、（内部サーモスタットの読み取り値および外部温度データによる）温度、（電力メータからの）電圧／電流、充電状態（ボイラ／バッテリ）などを含みうる。グローバルモデルが、上記と同様に構築されてよい。サイト８５０は、さらに、図２の例に示したようなインターネット接続を介して、各家電製品および計算ユニット１６０と通信するために、コンピュータ３２０（またはその他の適切なハードウェア）を備えてよい。
さらなる実施形態
本発明は、以下に示すさらなる実施形態を含む。
一実施形態は、サイトの電力を分離するための装置であり、その装置は：複数の時間間隔中にサイトで動作している複数の負荷と；時間間隔の内の少なくとも１つの間に負荷の１つによって利用された電力をそれぞれ予測するモデルのデータベースを有する第１コンピュータと；時間間隔の内の１つの間に負荷の１つによって利用された電力を予測するモデルをデータベース内で特定し、その時間間隔中にサイトによって利用された未測定電力の累計から予測電力を減算して、負荷の上記１つがその時間間隔中に動作していないことを示し、動作中であるかまたは動作中と示される他の負荷がない時間間隔の内の１つの間に負荷の１つによって利用される電力を決定し、決定された電力を用いて新たなモデルを適合させてデータベース内にその新たなモデルを格納し、予測電力および決定された電力を出力するよう構成された第２コンピュータと、を備える。
別の実施形態は、複数のサイトで電力を分離するための装置であり、その装置は：第１負荷のみが動作する第１時間間隔中に第１サイトで動作している第１負荷と；第１サイトとは異なる第２サイトで動作しており、第１サイトで動作している第１負荷と同じタイプである第２負荷と；第１負荷によって第１時間間隔中に利用された第１負荷電力を決定し、第１時間間隔中に第１サイトの選択されたセンサデータと、決定された第１負荷電力とを用いてモデルを適合させ、モデルを用いて、第２負荷によって第２時間間隔中に利用された第２負荷電力を決定し、決定された第２負荷電力を出力するよう構成されたコンピュータと、を備える。
コンピュータシステムの実施形態
図１０Ａおよび図１０Ｂは、本発明の実施形態を実施するのに適したコンピュータシステム９００を示す。図１０Ａは、コンピュータシステムの物理的形態の一例を示している。もちろん、コンピュータシステムは、集積回路、プリント回路基板、小型携帯デバイス（携帯電話またはＰＤＡなど）、パーソナルコンピュータ、または、スーパーコンピュータなど、多くの物理的形態を有しうる。コンピュータシステム９００は、モニタ９０２、ディスプレイ９０４、筐体９０６、ディスクドライブ９０８、キーボード９１０、および、マウス９１２を備える。ディスク９１４は、コンピュータシステム９００とデータをやり取りするために用いられるコンピュータ読み取り可能な媒体である。
図１０Ｂは、コンピュータシステム９００のブロック図の一例である。システムバス９２０には、様々なサブシステムが取り付けられている。１または複数のプロセッサ９２２（中央処理装置すなわちＣＰＵとも呼ぶ）が、メモリ９２４などの記憶装置に接続されている。メモリ９２４は、ランダムアクセスメモリ（ＲＡＭ）および読み出し専用メモリ（ＲＯＭ）を含む。当業者に周知のように、ＲＯＭは、ＣＰＵに対して単方向的にデータおよび命令を転送するよう機能し、ＲＡＭは、通例、双方向的にデータおよび命令を転送するために用いられる。これらのタイプのメモリは両方とも、後に示す任意の適切なコンピュータ読み取り可能媒体を含んでよい。ＣＰＵ９２２には、さらに、固定ディスク９２６が、双方向的に接続されており、さらなるデータ記憶容量を提供している。固定ディスク９２６は、後に示すコンピュータ読み取り可能媒体のいずれを含んでもよい。固定ディスク９２６は、プログラムやデータなどを格納するために用いられてよく、通例は、一次記憶装置よりも遅い二次記憶媒体（ハードディスクなど）である。固定ディスク９２６内に保持された情報は、必要に応じて、メモリ９２４内の仮想メモリとして標準的な方法で組み込まれてよいことを理解されたい。リムーバブルディスク９１４は、後に示すコンピュータ読み取り可能な媒体のいずれの形態を取ってもよい。
ＣＰＵ９２２は、さらに、ディスプレイ９０４、キーボード９１０、マウス９１２、および、スピーカ９３０など、様々な入力／出力装置に接続されている。一般に、入力／出力装置は、ビデオディスプレイ、トラックボール、マウス、キーボード、マイク、タッチセンサ式ディスプレイ、トランスデューサ式カードリーダ、磁気または紙テープリーダ、タブレット、スタイラス、音声または手書き認識装置、バイオメトリクスリーダ、もしくは、他のコンピュータ、のいずれであってもよい。ＣＰＵ９２２は、任意選択的に、ネットワークインターフェース９４０を用いて、他のコンピュータや電気通信ネットワークに接続されてもよい。かかるネットワークインターフェースを用いて、ＣＰＵは、上述の方法の工程を実行する際に、ネットワークから情報を受信、または、ネットワークに情報を出力してよい。さらに、本発明の方法の実施形態は、ＣＰＵ９２２単体で実行されてもよいし、インターネットなどのネットワークを介して、処理の一部を分担する遠隔ＣＰＵと協働で実行されてもよい。
さらに、本発明の実施形態は、コンピュータによって実現される様々な動作を実行するためのコンピュータコードを有するコンピュータ読み取り可能な媒体を備えたコンピュータストレージ製品に関する。媒体およびコンピュータコードは、本発明のために、特別に設計および構成されてもよいし、コンピュータソフトウェア分野における当業者にとって周知および利用可能なものであってもよい。コンピュータ読み取り可能な媒体の例としては、ハードディスク、フロッピーディスク、磁気テープなどの磁気媒体；ＣＤ−ＲＯＭ、ホログラフィック素子などの光学媒体；フロプティカルディスクなどの光磁気媒体；特定用途向け集積回路（ＡＳＩＣ）、プログラム可能論理回路（ＰＬＤ）、ＲＯＭおよびＲＡＭなど、プログラムコードを格納および実行するよう特別に構成されたハードウェア装置、が挙げられるが、それらに限定されない。コンピュータコードの例としては、コンパイラによって生成されたコードなどのマシンコードや、インタープリタを用いてコンピュータによって実行される高級言語コードを含むファイルが挙げられる。
理解を深めるために、上述の発明について、ある程度詳しく説明したが、添付の特許請求の範囲内で、ある程度の変更や変形を行ってもよいことは明らかである。したがって、上述の実施形態は、例示的なものであって、限定的なものではないとみなされ、本発明は、本明細書に示した詳細事項に限定されず、添付の特許請求の範囲およびその等価物の範囲によって規定される。本発明は以下の形態としても実現できる。
［形態１］
サイトにおける電力を分離する方法であって、
１つの第１負荷のみが前記サイトで動作している第１時間間隔を特定する工程と、
前記第１負荷によって前記第１時間間隔中に利用された第１負荷電力を決定する工程と、
前記第１時間間隔中の前記サイトの選択されたセンサデータと、前記決定された第１負荷電力とを用いて、モデルを適合させる工程と、
少なくとも１つの他の第２負荷が動作している第２時間間隔中に前記第１負荷によって利用された第２負荷電力を前記モデルを用いて決定する工程と、
前記第１および第２負荷電力を出力する工程と、
を備える、方法。
［形態２］
形態１に記載の方法であって、さらに、
前記第１時間間隔中の前記サイト全体の未測定電力から前記サイトのその他電力を減算することによって、前記第１負荷電力を決定する工程を備える、方法。
［形態３］
形態１に記載の方法であって、前記第１負荷および前記第２負荷のみが、前記第２時間間隔中に動作しており、前記方法は、さらに、
前記第２時間間隔中の前記サイトの未測定電力から前記第２負荷電力およびその他電力を減算して、前記第２時間間隔中に前記第２負荷によって利用された負荷電力を得る工程と、
前記第２時間間隔中に前記第２負荷によって利用された前記負荷電力を出力する工程と、
を備える、方法。
［形態４］
形態１に記載の方法であって、さらに、
少なくとも１つの他の負荷が動作している第３時間間隔中に前記サイトとは異なる別のサイトで第３負荷によって利用された負荷電力を前記モデルを用いて決定する工程と、
前記第３時間間隔中に前記第３負荷によって利用された前記負荷電力を出力する工程と、
を備える、方法。
［形態５］
形態４に記載の方法であって、さらに、
前記モデルと前記選択されたセンサデータの領域とをグローバルモデルデータベースにアップロードして、前記モデルおよび前記領域を前記サイトおよび前記別のサイトの両方によってアクセスできるようにする工程を備える、方法。
［形態６］
形態１に記載の方法であって、前記第１負荷は、独自の電力メータを備えない、方法。
［形態７］
形態４に記載の方法であって、前記第３負荷は、独自の電力メータを備えない、方法。
［形態８］
形態４に記載の方法であって、前記サイトおよび前記別のサイトは、異なるエンティティによって制御される、方法。
［形態９］
形態１に記載の方法であって、さらに、
前記サイトの電力ディスアグリゲーション誤差を計算して、前記ディスアグリゲーション誤差に最も寄与する前記サイトの複数の負荷の内の１つの負荷を特定する工程であって、前記１つの負荷は電力メータを備えない、工程と、
前記１つの負荷によって利用された負荷電力を測定するために、前記１つの負荷に電力メータを追加する工程と、
を備える、方法。
［形態１０］
形態１に記載の方法であって、さらに、
前記サイトの複数の負荷の内の１つの負荷を特定する工程であって、前記１つの負荷については、最も長い時間にわたって、前記１つの負荷の動作中にモデルを適合できておらず、前記１つの負荷は電力メータを備えない、工程と、
前記１つの負荷によって利用された負荷電力を測定するために、前記１つの負荷に電力メータを追加する工程と、
を備える、方法。
［形態１１］
サイトにおける電力を分離するための装置であって、
第１負荷であって、前記第１負荷のみが動作している第１時間間隔中に前記サイトで動作している、第１負荷と、
前記第１負荷も動作している第２時間間隔中に前記サイトで動作している第２負荷と、
コンピュータであって、
前記第１負荷によって前記第１時間間隔中に利用された第１負荷電力を決定し、
前記第１時間間隔中の前記サイトの選択されたセンサデータと、前記決定された第１負荷電力とを用いて、モデルを適合させ、
前記第２時間間隔中に前記第１負荷によって利用された第２負荷電力を前記モデルを用いて決定し、
前記第１および第２負荷電力を出力するよう構成された、コンピュータと、
を備える、装置。
［形態１２］
サイトの電力を分離する方法であって、
複数の時間間隔中に前記サイトで動作している複数の負荷から、前記時間間隔の１つの時間間隔中に前記負荷の内の１つの負荷によって利用された電力を予測するモデルをデータベース内で特定する工程と、
前記１つの時間間隔中に前記サイトによって利用された未測定電力の累計から前記予測された電力を減算して、前記負荷の内の前記１つの負荷が前記１つの時間間隔中に動作していないことを示す工程と、
動作中であるかまたは動作中と示される他の負荷がない前記時間間隔の内の１つの時間間隔中に前記負荷の内の１つの負荷によって利用された電力を決定する工程と、
前記決定された電力を用いて新たなモデルを適合させて、前記データベース内に前記新たなモデルを格納する工程と、
前記予測された電力および前記決定された電力を出力する工程と、
を備える、方法。
［形態１３］
形態１２に記載の方法であって、さらに、
もはや出力を実行できなくなるまで、形態１２の前記工程を繰り返す工程を備える、方法。
［形態１４］
形態１２に記載の方法であって、さらに、
動作中であるかまたは動作中と示される他の負荷がない前記時間間隔の内の１つの時間間隔中の前記サイト全体の未測定電力から前記サイトのその他電力を減算することによって、前記電力を決定する工程を備える、方法。
［形態１５］
形態１２に記載の方法であって、さらに、
少なくとも１つの他の負荷が動作している時間間隔中に前記サイトとは異なる別のサイトで第２負荷によって利用された負荷電力を、前記サイトで構築された前記モデルを用いて決定する工程と、
前記時間間隔中に前記第２負荷によって利用された前記負荷電力を出力する工程と、
を備える、方法。
［形態１６］
形態１５に記載の方法であって、さらに、
前記モデルと選択されたセンサデータの領域とをグローバルモデルデータベースにアップロードして、前記モデルおよび前記領域を前記サイトおよび前記別のサイトの両方によってアクセスできるようにする工程を備える、方法。
［形態１７］
形態１２に記載の方法であって、前記負荷の内の少なくとも一部は、独自の電力メータを備えない、方法。
［形態１８］
形態１７に記載の方法であって、前記負荷のいずれもが、独自の電力メータを備えない、方法。
［形態１９］
形態１２に記載の方法であって、さらに、
前記サイトの電力ディスアグリゲーション誤差を計算して、前記ディスアグリゲーション誤差に最も寄与する前記サイトの前記複数の負荷の内の１つの負荷を特定する工程であって、前記１つの負荷は電力メータを備えない、工程と、
前記１つの負荷によって利用された負荷電力を測定するために、前記１つの負荷に電力メータを追加する工程と、
を備える、方法。
［形態２０］
形態１２に記載の方法であって、さらに、
最も長い時間にわたって、動作中に適合できるモデルがない前記サイトの前記複数の負荷の内の１つの負荷を特定する工程であって、前記１つの負荷は電力メータを備えない、工程と、
前記１つの負荷によって利用された負荷電力を測定するために、前記１つの負荷に電力メータを追加する工程と、
を備える、方法。
［形態２１］
複数のサイトにおける電力を分離する方法であって、
１つの第１負荷のみが第１サイトで動作している第１時間間隔を特定する工程と、
前記第１負荷によって前記第１時間間隔中に利用された第１負荷電力を決定する工程と、
前記第１時間間隔中の前記第１サイトの選択されたセンサデータと、前記決定された第１負荷電力とを用いて、モデルを適合させる工程と、
前記第１サイトとは異なる第２サイトで動作しており、前記第１サイトで動作している前記第１負荷と同じタイプである第２負荷を特定する工程と、
前記第２負荷によって第２時間間隔中に利用された第２負荷電力を前記モデルを用いて決定する工程と、
前記決定された第２負荷電力を出力する工程と、
を備える、方法。
［形態２２］
形態２１に記載の方法であって、前記第１サイトおよび前記第２サイトは、異なるエンティティによって制御される、方法。
［形態２３］
形態２１に記載の方法であって、前記第２負荷以外の負荷も、前記第２サイトで前記第２時間間隔中に動作している、方法。
［形態２４］
形態２１に記載の方法であって、さらに、
前記モデルを前記第１サイトから中央データベースにアップロードする工程と、
前記中央データベース内の前記モデルを用いて前記第２負荷電力を決定する工程と、
を備える、方法。
［形態２５］
形態２１に記載の方法であって、さらに、
前記第２負荷の特徴値が、前記モデルを適合させるために用いられた前記選択されたセンサデータの特徴空間の範囲内にある場合に、前記第２負荷電力を決定する工程を備える、方法。
［形態２６］
形態２１に記載の方法であって、前記第１および第２負荷は、独自の電力メータを備えない、方法。
［形態２７］
形態２１に記載の方法であって、さらに、
前記第１サイトの電力ディスアグリゲーション誤差を計算して、前記ディスアグリゲーション誤差に最も寄与する前記第１サイトの複数の負荷の内の１つの負荷を特定する工程であって、前記１つの負荷は電力メータを備えない、工程と、
前記１つの負荷によって利用された負荷電力を測定するために、前記１つの負荷に電力メータを追加する工程と、
を備える、方法。
［形態２８］
形態２１に記載の方法であって、さらに、
最も長い時間にわたって、動作中に適合できるモデルがない前記第１サイトの複数の負荷の内の１つの負荷を特定する工程であって、前記１つの負荷は電力メータを備えない、工程と、
前記１つの負荷によって利用された負荷電力を測定するために、前記１つの負荷に電力メータを追加する工程と、
を備える、方法。

Claims (33)

  1. サイトにおける電力を分離する方法であって、
    １つの第１電気負荷のみが前記サイトで動作している第１時間間隔を特定する工程であって、前記第１電気負荷は、独自の電力メータを備えない、工程と、
    サイト電力メータで測定された電力利用を用いて、前記第１電気負荷によって前記第１時間間隔中に利用された第１負荷電力を決定する工程と、
    前記第１時間間隔中に前記サイトのセンサから得られた選択センサデータと、前記決定された第１負荷電力とを用いて、モデルを適合させる工程と、
    前記モデルと、第２時間間隔中に前記サイトのセンサから得られた選択センサデータとを用いて、少なくとも１つの他の第２電気負荷が動作している前記第２時間間隔中に前記第１電気負荷によって利用された第２負荷電力を決定する工程と、
    前記第１および第２負荷電力を出力する工程と、
    を備える、方法。
  2. 請求項１に記載の方法であって、さらに、
    前記第１時間間隔中の前記サイト全体の未測定電力から前記サイトのその他電力を減算することによって、前記第１負荷電力を決定する工程を備える、方法。
  3. 請求項１に記載の方法であって、前記第１電気負荷および前記第２電気負荷のみが、前記第２時間間隔中に動作しており、前記方法は、さらに、
    前記第２時間間隔中の前記サイトの未測定電力から前記第２負荷電力およびその他電力を減算して、前記第２時間間隔中に前記第２電気負荷によって利用された負荷電力を得る工程と、
    前記第２時間間隔中に前記第２電気負荷によって利用された前記負荷電力を出力する工程と、
    を備える、方法。
  4. 請求項１に記載の方法であって、さらに、
    少なくとも１つの他の電気負荷が動作している第３時間間隔中に前記サイトとは異なる別のサイトで第３電気負荷によって利用された負荷電力を前記モデルを用いて決定する工程と、
    前記第３時間間隔中に前記第３電気負荷によって利用された前記負荷電力を出力する工程と、
    を備える、方法。
  5. 請求項４に記載の方法であって、さらに、
    前記モデルと前記選択センサデータの領域とをグローバルモデルデータベースにアップロードして、前記モデルおよび前記領域を前記サイトおよび前記別のサイトの両方によってアクセスできるようにする工程を備える、方法。
  6. 請求項４に記載の方法であって、前記第３電気負荷は、独自の電力メータを備えない、方法。
  7. 請求項４に記載の方法であって、前記サイトおよび前記別のサイトは、異なるエンティティによって制御される、方法。
  8. 請求項１に記載の方法であって、さらに、
    前記サイトの電力ディスアグリゲーション誤差を計算して、前記ディスアグリゲーション誤差に最も寄与する前記サイトの複数の電気負荷の内の１つの電気負荷を特定する工程であって、前記１つの電気負荷は電力メータを備えない、工程と、
    前記１つの電気負荷によって利用された負荷電力を測定するために、前記１つの電気負荷に電力メータを追加する工程と、
    を備える、方法。
  9. 請求項１に記載の方法であって、さらに、
    前記サイトの複数の電気負荷の内の第２電気負荷を特定する工程であって、前記第２電気負荷については、前記複数の電気負荷の内の他の負荷よりも長い時間にわたって、前記第２電気負荷の動作中にモデルを適合できておらず、前記第２電気負荷は電力メータを備えない、工程と、
    前記第２電気負荷によって利用された負荷電力を測定するために、前記第２電気負荷に電力メータを追加する工程と、
    を備える、方法。
  10. サイトにおける電力を分離するための装置であって、
    第１時間間隔中に前記サイトで動作している第１電気負荷であって、前記第１時間間隔中には、前記第１電気負荷のみが動作しており、前記第１電気負荷は独自の電力メータを備えない、第１電気負荷と、
    前記第１電気負荷も動作している第２時間間隔中に前記サイトで動作している第２電気負荷と、
    コンピュータであって、
    サイト電力メータで測定された電力利用を用いて、前記第１電気負荷によって前記第１時間間隔中に利用された第１負荷電力を決定し、
    前記第１時間間隔中に前記サイトのセンサから得られた選択センサデータと、前記決定された第１負荷電力とを用いて、モデルを適合させ、
    前記第２時間間隔中に前記第１電気負荷によって利用された第２負荷電力を前記モデルを用いて決定し、
    前記第１および第２負荷電力を出力するよう構成された、コンピュータと、
    を備える、装置。
  11. サイトの電力を分離する方法であって、
    複数の時間間隔中に前記サイトで動作している複数の電気負荷から、前記時間間隔の１つの時間間隔中に前記電気負荷の内の第１電気負荷によって利用された電力を予測するモデルをデータベース内で特定する工程と、
    前記１つの時間間隔中に前記サイトによって利用された未測定電力の累計から前記予測された電力を減算して、前記第１電気負荷が前記１つの時間間隔中に動作していないことを示す工程と、
    サイト電力メータで測定された電力利用を用いて、動作中であるかまたは動作中と示される他の電気負荷がない前記時間間隔の内の１つの時間間隔中に前記電気負荷の内の第２電気負荷によって利用された電力を決定する工程であって、前記第２電気負荷は独自の電力メータを備えない、工程と、
    第１時間間隔中に前記サイトのセンサから得られた選択センサデータと、前記決定された電力とを用いて、新たなモデルを適合させ、前記データベース内に前記新たなモデルを格納する工程と、
    前記予測された電力および前記決定された電力を出力する工程と、
    を備える、方法。
  12. 請求項１１に記載の方法であって、さらに、
    もはや出力を実行できなくなるまで、請求項１１の前記工程を繰り返す工程を備える、方法。
  13. 請求項１１に記載の方法であって、さらに、
    動作中であるかまたは動作中と示される他の電気負荷がない前記時間間隔の内の１時間間隔中の前記サイト全体の未測定電力から前記サイトのその他電力を減算することによって、前記電力を決定する工程を備える、方法。
  14. 請求項１１に記載の方法であって、さらに、
    少なくとも１つの他の電気負荷が動作している時間間隔中に前記サイトとは異なる別のサイトで第３電気負荷によって利用された負荷電力を、第２選択センサデータを用いて前記サイトで構築されたモデルを用いて決定する工程と、
    前記時間間隔中に前記第３電気負荷によって利用された前記負荷電力を出力する工程と、
    を備える、方法。
  15. 請求項１４に記載の方法であって、さらに、
    前記モデルと前記第２選択センサデータの領域とをグローバルモデルデータベースにアップロードして、前記モデルおよび前記領域を前記サイトおよび前記別のサイトの両方によってアクセスできるようにする工程を備える、方法。
  16. 請求項１１に記載の方法であって、前記電気負荷の内の少なくとも一部は、独自の電力メータを備えない、方法。
  17. 請求項１６に記載の方法であって、前記電気負荷のいずれもが、独自の電力メータを備えない、方法。
  18. 請求項１１に記載の方法であって、さらに、
    前記サイトの電力ディスアグリゲーション誤差を計算して、前記ディスアグリゲーション誤差に最も寄与する前記サイトの前記複数の電気負荷の内の１つの電気負荷を特定する工程であって、前記特定された電気負荷は電力メータを備えない、工程と、
    前記特定された電気負荷によって利用された負荷電力を測定するために、前記特定された電気負荷に電力メータを追加する工程と、
    を備える、方法。
  19. 請求項１１に記載の方法であって、さらに、
    前記サイトの前記複数の電気負荷の内の第３電気負荷を特定する工程であって、前記第３電気負荷については、前記複数の電気負荷の内の他の負荷よりも長い時間にわたって、前記第３電気負荷の動作中にモデルを適合できておらず、前記第３電気負荷は電力メータを備えない、工程と、
    前記第３電気負荷によって利用された負荷電力を測定するために、前記第３電気負荷に電力メータを追加する工程と、
    を備える、方法。
  20. 複数のサイトにおける電力を分離する方法であって、
    １つの第１電気負荷のみが第１サイトで動作している第１時間間隔を特定する工程であって、前記第１電気負荷は独自の電力メータを備えない、工程と、
    サイト電力メータで測定された電力利用を用いて、前記第１電気負荷によって前記第１時間間隔中に利用された第１負荷電力を決定する工程と、
    前記第１時間間隔中に前記第１サイトのセンサから得られた選択センサデータと、前記決定された第１負荷電力とを用いて、モデルを適合させる工程と、
    前記第１サイトとは異なる第２サイトで動作しており、前記第１サイトで動作している前記第１電気負荷と同じタイプである第２電気負荷を特定する工程であって、前記第２電気負荷は独自の電力メータを備えない、工程と、
    前記第２電気負荷によって第２時間間隔中に利用された第２負荷電力を前記モデルを用いて決定する工程と、
    前記決定された第２負荷電力を出力する工程と、
    を備える、方法。
  21. 請求項２０に記載の方法であって、前記第１サイトおよび前記第２サイトは、異なるエンティティによって制御される、方法。
  22. 請求項２０に記載の方法であって、前記第２電気負荷以外の電気負荷も、前記第２サイトで前記第２時間間隔中に動作している、方法。
  23. 請求項２０に記載の方法であって、さらに、
    前記モデルを前記第１サイトから中央データベースにアップロードする工程と、
    前記中央データベース内の前記モデルを用いて前記第２負荷電力を決定する工程と、
    を備える、方法。
  24. 請求項２０に記載の方法であって、さらに、
    前記第２電気負荷の特徴値が、前記モデルを適合させるために用いられた前記選択センサデータの特徴空間の範囲内にある場合に、前記第２負荷電力を決定する工程を備える、方法。
  25. 請求項２０に記載の方法であって、さらに、
    前記第１サイトの電力ディスアグリゲーション誤差を計算して、前記ディスアグリゲーション誤差に最も寄与する前記第１サイトの複数の電気負荷の内の１つの電気負荷を特定する工程であって、前記１つの電気負荷は電力メータを備えない、工程と、
    前記１つの電気負荷によって利用された負荷電力を測定するために、前記１つの電気負荷に電力メータを追加する工程と、
    を備える、方法。
  26. 請求項２０に記載の方法であって、さらに、
    前記第１サイトの複数の電気負荷の内の１つの電気負荷を特定する工程であって、前記１つの電気負荷については、前記複数の電気負荷の内の他の負荷よりも長い時間にわたって、前記１つの電気負荷の動作中にモデルを適合できておらず、前記１つの電気負荷は電力メータを備えない、工程と、
    前記１つの電気負荷によって利用された負荷電力を測定するために、前記１つの電気負荷に電力メータを追加する工程と、を備える、方法。
  27. サイトの電力を分離するための装置であって、
    複数の時間間隔中に前記サイトで動作している複数の電気負荷と、
    前記時間間隔の内の少なくとも１つの時間間隔中に前記電気負荷の内の１つの電気負荷によって利用された電力をそれぞれ予測するモデルのデータベースを有する第１コンピュータと、
    前記時間間隔の内の１つの時間間隔中に前記負荷の内の１つの負荷によって利用された電力を予測するモデルを前記データベース内で特定し、前記１つの時間間隔中に前記サイトによって利用された未測定電力の累計から前記予測された電力を減算して、前記電気負荷の内の前記１つの電気負荷が前記１つの時間間隔中に動作していないことを示し、サイト電力メータで測定された電力利用を用いて、動作中であるかまたは動作中と示される他の電気負荷がない前記時間間隔の内の１つの時間間隔中に前記電気負荷の内の１つの電気負荷によって利用された電力を決定するよう構成された第２コンピュータであって、前記電気負荷の内の前記１つの電気負荷は独自の電力メータを備えない、第２コンピュータと、
    を備え、
    前記第２コンピュータは、さらに、第１時間間隔中に前記サイトのセンサから得られた選択センサデータと、前記決定された電力とを用いて、新たなモデルを適合させ、前記新たなモデルを前記データベース内に格納し、前記予測された電力および前記決定された電力を出力するよう構成されている、装置。
  28. 複数のサイトで電力を分離するための装置であって、
    第１時間間隔中に第１サイトで動作している第１負荷であって、前記第１時間間隔中には、前記第１負荷のみが動作しており、前記第１負荷は独自の電力メータを備えない、第１負荷と、
    前記第１サイトとは異なる第２サイトで動作しており、前記第１サイトで動作している前記第１負荷と同じタイプである第２負荷であって、前記第２負荷は独自の電力メータを備えない、第２負荷と、
    サイト電力メータで測定された電力利用を用いて、前記第１負荷によって前記第１時間間隔中に利用された第１負荷電力を決定し、前記第１時間間隔中に前記第１サイトのセンサから得られた選択センサデータと前記決定された第１負荷電力とを用いてモデルを適合させ、前記モデルを用いて、前記第２負荷によって第２時間間隔中に利用された第２負荷電力を決定し、前記決定された第２負荷電力を出力するよう構成されたコンピュータと、
    を備える、装置。
  29. サイトにおけるディスアグリゲーション誤差に対処する方法であって、
    前記サイトで複数の時間間隔にわたって複数の負荷のディスアグリゲーション誤差を計算する工程であって、前記計算は、前記負荷の測定電力と前記負荷の予測電力とを利用し、前記測定電力は、一時的な電力メータを用いて測定される、工程と、
    前記ディスアグリゲーション誤差が前記サイトの要件の範囲内にないことを決定する工程と、
    前記ディスアグリゲーション誤差への各負荷の寄与、または、前記負荷が動作中であり利用可能なモデルがない時間の長さに基づいて、前記負荷を順位付ける工程と、
    前記順位付けで最下位の負荷に電力メータまたはデータセンサを追加することで、前記ディスアグリゲーション誤差を低減する工程と、
    を備える、方法。
  30. 請求項２９に記載の方法であって、さらに、
    前記ディスアグリゲーション誤差が前記サイトの前記要件の範囲内に収まるまで、電力メータまたはデータセンサを追加する前記工程を負荷ごとに繰り返す工程を備える、方法。
  31. 請求項２９に記載の方法であって、さらに、
    前記時間間隔にわたって前記負荷の電力を予測するために、前記複数の負荷に対して反復し、前記サイトの電力を分離する工程であって、前記反復は、前記計算の前に実行される、工程と、を備える、方法。
  32. 請求項２９に記載の方法であって、前記負荷の測定電力は前記測定電力のエネルギコストであり、前記負荷の予測電力は前記予測電力のエネルギコストである、方法。
  33. 請求項２９に記載の方法であって、前記最下位の負荷への前記データセンサの追加により、モデルを用いて前記最下位の負荷の電力を予測することが可能になる、方法。
JP2018500608A 2015-07-14 2016-07-13 リアルタイムデータ駆動型の電力測定およびコスト推定システム Active JP6784745B2 (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201562192528P 2015-07-14 2015-07-14
US62/192,528 2015-07-14
US15/043,006 US9705327B2 (en) 2015-07-14 2016-02-12 Self-learning, real-time, data-driven power metering system
US15/043,006 2016-02-12
PCT/IB2016/054184 WO2017009789A1 (en) 2015-07-14 2016-07-13 Real-time data-driven power metering and cost estimation system

Publications (2)

Publication Number Publication Date
JP2018522520A JP2018522520A (ja) 2018-08-09
JP6784745B2 true JP6784745B2 (ja) 2020-11-11

Family

ID=56411839

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018500608A Active JP6784745B2 (ja) 2015-07-14 2016-07-13 リアルタイムデータ駆動型の電力測定およびコスト推定システム

Country Status (6)

Country Link
US (2) US9705327B2 (ja)
EP (1) EP3323093A1 (ja)
JP (1) JP6784745B2 (ja)
KR (1) KR20180040154A (ja)
AU (1) AU2016293486A1 (ja)
WO (1) WO2017009789A1 (ja)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105468823B (zh) * 2015-11-16 2019-01-25 广州广电运通金融电子股份有限公司 一种自助设备节能控制方法和装置
US10810508B1 (en) * 2016-03-22 2020-10-20 EMC IP Holding Company LLC Methods and apparatus for classifying and discovering historical and future operational states based on Boolean and numerical sensor data
ES2824553T3 (es) 2016-09-21 2021-05-12 Carrier Corp Conjunto de refrigeración para generar un área refrigerada
CN108150360A (zh) * 2016-12-05 2018-06-12 北京金风科创风电设备有限公司 检测风电机组的等效载荷的方法和设备
JP2018136870A (ja) * 2017-02-23 2018-08-30 清水建設株式会社 判定装置及び判定方法
WO2019084601A1 (en) * 2017-10-30 2019-05-09 Hivve Technology Pty Ltd Prefabricated building module
KR102089772B1 (ko) * 2017-12-18 2020-03-17 두산중공업 주식회사 전력 사용량 예측 시스템 및 방법
CN108510224A (zh) * 2018-03-14 2018-09-07 聊城大学 一种装配式建筑逆向物流选址方法
DE102018110044B4 (de) 2018-04-26 2024-01-25 Sma Solar Technology Ag Verfahren und Vorrichtung zum aufeinander abgestimmten Betreiben von elektrischen Einrichtungen
JP7169088B2 (ja) * 2018-04-27 2022-11-10 株式会社日立製作所 エネルギー運用支援システムおよびその方法
GB2574447B (en) * 2018-06-06 2020-06-03 Gridimp Ltd Electrical load monitoring system
US10963359B2 (en) * 2018-10-17 2021-03-30 Dell Products L.P. Battery management unit based runtime monitoring of power consumption
US11843271B2 (en) * 2019-03-22 2023-12-12 Nissan Motor Co., Ltd. Power reception control method for power storage element and power reception control device
EP3944453A4 (en) * 2019-03-22 2022-04-06 Nissan Motor Co., Ltd. METHOD FOR CONTROLLING POWER CONSUMPTION OF POWER CONSUMPTION ELEMENTS AND DEVICE FOR CONTROLLING POWER CONSUMPTION
CN110098638B (zh) * 2019-06-04 2020-10-27 西安交通大学 一种基于负荷状态转移曲线的快速机组组合方法
US11592891B2 (en) * 2019-10-15 2023-02-28 Dell Products L.P. System and method for diagnosing resistive shorts in an information handling system
FR3106672B1 (fr) * 2020-01-24 2022-01-07 Energy Pool Dev Système de commande de chambre froide
CN112330017A (zh) * 2020-11-04 2021-02-05 上海博辕信息技术服务有限公司 电力负荷预测方法、装置、电子设备和存储介质
US11959950B2 (en) * 2020-11-20 2024-04-16 Arm Limited Method and apparatus for power measurement in electronic circuit design and analysis
CN112882398B (zh) * 2021-01-26 2022-10-21 四川华能宝兴河水电有限责任公司 一种水电站总控自动化仿真模拟系统
EP4293605A4 (en) * 2021-02-10 2024-03-27 Nissan Motor CHARGE/DISCHARGE CONTROL METHOD AND CHARGE/DISCHARGE CONTROL DEVICE

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4858141A (en) 1986-04-14 1989-08-15 Massachusetts Institute Of Technology Non-intrusive appliance monitor apparatus
JP2002152971A (ja) * 2000-08-30 2002-05-24 Daihen Corp 負荷需要推定装置
US6937946B1 (en) 2001-12-04 2005-08-30 The Texas A&M University System System and method for remote identification of energy consumption systems and components
US8671294B2 (en) 2008-03-07 2014-03-11 Raritan Americas, Inc. Environmentally cognizant power management
JP5007310B2 (ja) * 2009-01-23 2012-08-22 日本電信電話株式会社 電力消費量推定装置および電力消費量推定方法
US8155900B1 (en) 2009-01-29 2012-04-10 Comverge, Inc. Method and system for calculating energy metrics of a building and one or more zones within the building
EP2290328B1 (en) * 2009-08-24 2015-03-04 Accenture Global Services Limited Utility management system
US9506963B2 (en) * 2010-04-15 2016-11-29 Yale University Consumption breakdown monitoring through power state sensing
AU2012211955A1 (en) * 2011-02-04 2013-09-12 Bidgely Inc. Systems and methods for improving the accuracy of appliance level disaggregation in non-intrusive appliance load monitoring techniques
WO2013011425A1 (en) 2011-07-19 2013-01-24 Koninklijke Philips Electronics N.V. Multi-modal data improvement for power disaggregation systems
JP5914891B2 (ja) * 2011-09-15 2016-05-11 パナソニックＩｐマネジメント株式会社 省エネ評価装置、省エネ評価方法、サーバ装置、プログラム
JP2014036390A (ja) * 2012-08-10 2014-02-24 Sharp Corp 家電機器制御システム及び家電機器制御方法

Also Published As

Publication number Publication date
AU2016293486A1 (en) 2018-02-15
US10396555B2 (en) 2019-08-27
EP3323093A1 (en) 2018-05-23
US20170264095A1 (en) 2017-09-14
US9705327B2 (en) 2017-07-11
US20170018923A1 (en) 2017-01-19
KR20180040154A (ko) 2018-04-19
JP2018522520A (ja) 2018-08-09
WO2017009789A1 (en) 2017-01-19

Similar Documents

Publication Publication Date Title
JP6784745B2 (ja) リアルタイムデータ駆動型の電力測定およびコスト推定システム
Ardakanian et al. Computing Electricity Consumption Profiles from Household Smart Meter Data.
Jain et al. Forecasting energy consumption of multi-family residential buildings using support vector regression: Investigating the impact of temporal and spatial monitoring granularity on performance accuracy
US8653968B2 (en) Systems and methods for predictive building energy monitoring
Tham et al. Sensing-driven energy purchasing in smart grid cyber-physical system
Gallagher et al. Development and application of a machine learning supported methodology for measurement and verification (M&V) 2.0
US20150317589A1 (en) Forecasting system using machine learning and ensemble methods
Lai et al. Vapnik's learning theory applied to energy consumption forecasts in residential buildings
US11429075B2 (en) System, apparatus and method for energy management, for usage by consumers of energy from electric utility service providers, and monitoring and management of same
Jahani et al. City-scale single family residential building energy consumption prediction using genetic algorithm-based numerical moment matching technique
Goudarzi et al. Predictive modelling of building energy consumption based on a hybrid nature-inspired optimization algorithm
Touretzky et al. Building-level power demand forecasting framework using building specific inputs: Development and applications
Opalic et al. ANN modelling of CO2 refrigerant cooling system COP in a smart warehouse
Ruan et al. Estimating demand flexibility using Siamese LSTM neural networks
Ahmed et al. Data communication and analytics for smart grid systems
Bâra et al. Electricity consumption and generation forecasting with artificial neural networks
van der Vegte et al. Simulations based on product-usage information from connected products to support redesign for improved performance: exploration of practical application to domestic fridge-freezers
Goodman et al. Load forecasting of food retail buildings with deep learning
Mörzinger et al. A modular, holistic optimization approach for industrial appliances
Owda et al. Using artificial neural network techniques for prediction of electric energy consumption
KR101954645B1 (ko) 성과검증을 위한 기반정보시스템
Ribault et al. Economic optimisation of cold production: a matheuristic with artificial neural network approach
Jiang et al. Development, implementation, and impact analysis of model predictive control-based optimal precooling using smart home thermostats
US20240104589A1 (en) Prediction of consumer demand for a supply in a geographic zone based on unreliable and non-stationary data
Divya et al. Energy Monitoring with Trend Analysis and Power Signature Interpretation

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180312

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190712

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200422

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200519

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200817

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200929

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20201023

R150 Certificate of patent or registration of utility model

Ref document number: 6784745

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250