JP7375005B2 - 構内における電気自動車充電の検出 - Google Patents

Description

背景
再充電可能バッテリの近年の進歩により、プラグイン電気自動車（electric vehicle：ＥＶ）およびハイブリッド自動車は、より多くの住民に利用可能となった。ＥＶの採用は大幅に増加しつつある。時間が経つにつれて使用される車両の多くがＥＶになるであろうことが予想される。これらの車両は、市街の電気グリッドおよび電源に対して著しい負荷となる。なぜなら、動作させるためにＥＶを定期的に充電する必要があるからである。この結果、現在の電気公益事業者にとって、電気自動車のこのような大幅な普及に関する計画を立案できるようになる必要があるといった課題が生じる。

たとえば、一般家庭では、それらの地域の電気公益事業者から平均して約１．０ｋＷｈの負荷を引出す。これは、洗濯機、乾燥機、オーブンなどの一般的な家電を含み得る。しかしながら、家庭用負荷は、天候に関連するＨＶＡＣの使用などのいくつかの変動要素に応じて変化する可能性がある。プール、スパ、および現地での太陽光発電などの大きな変動要素もあり得る。

対照的に、ＥＶは、毎時３ｋＷ～４ｋＷ以上を引出すことができる。この場合、１のＥＶオーナー（owner）だけが４家庭分の負荷をサービス変圧器に間接的に追加することができ、これにより、その変圧器が過負荷になるというリスクが生じる可能性があるので、問題となる。現代の変圧器は、ある程度の過負荷に耐えることができるが、ＥＶの人気および普及が高まるにつれて、単一の変圧器上で複数のＥＶをクラスタ化するリスクは、上述のリスクを増大させるだろう。さらに、次世代のＥＶについては、より高ｋＷｈの充電を必要とするより大型のバッテリを備えたものが市場に出回るよう準備されており、変圧器に対するリスクがさらに増大することとなる。

顧客が電気自動車および付随する充電インフラを購入する際、ＥＶが電気グリッドに対して高い負荷となることについて顧客が電気公益事業者に通知することは義務付けられていない。ＥＶの普及率が十分に高まることで負荷が増大すると、電気設備の故障およびグリッド上の停電を引起こす可能性がある。

公益事業者がグリッド上のＥＶを正確に識別することができれば、それらの発電設備、配電設備、電気グリッド設備および他の資産の健全性および信頼性を確実にするための対策を事前に講じることができるようになるだろう。グリッド上のＥＶを識別するための従来の技術は正確ではなかったか、または、ＥＶを全く識別できなかった。

電気自動車を充電するためにエネルギを消費するユーザアカウントを発見することは、電気公益事業者にとって重要である。電気自動車充電は電気グリッド上の著しい負荷となるので、電気自動車を所有する顧客の構内／位置を識別することに関心が向けられている。

概要
一実施形態においては、少なくとも１つのプロセッサを有するコンピューティングデバイスによって実行されるコンピュータ実装方法が開示される。当該方法は、既知の電気自動車オーナーのセットから電気消費データの第１のセットを取出すステップを含み、当該電気消費データは、各々の電気自動車オーナーについての、１期間にわたる使用値の時系列を含み、当該方法はさらに、各々の電気自動車オーナーについての当該使用値の時系列を、対応する使用値を含む複数の時間間隔のデータ構造に変換するステップと、当該複数の時間間隔における前記使用値の各々を、対応する時間間隔中の電気消費のレベルを表す一連の記号のうちの１つの記号で符号化するステップとを含み、当該符号化するステップで、各々の電気自動車オーナーについての複数の記号の符号化消費パターンを生成し、当該方法はさらに、非充電モチーフから区別されるＥＶ充電イベントを表す複数の記号の前記符号化消費パターンから複数の記号のシーケンスを含むＥＶ充電モチーフを識別し、電気消費データの追加のデータセットについて繰返すステップと、当該既知の電気自動車オーナーのセットから当該ＥＶ充電モチーフを識別し、当該非充電モチーフから区別するように、１つ以上の機械学習分類器を訓練するステップと、電気消費データの未知のデータセットがＥＶ充電イベントを含むかどうかを識別し、少なくとも当該ＥＶ充電モチーフに基づいて、前記未知のデータセットを、電気自動車充電を有するものとして、または電気自動車充電を有さないものとしてマーク付けするように、当該１つ以上の機械学習分類器を構成するステップとを含む。

別の実施形態においては、開示されるコンピューティングシステムは、少なくとも１つのメモリと、当該少なくとも１つのメモリに接続する少なくとも１つのプロセッサと、命令で構成された電気自動車検出モジュールが格納された非一時的なコンピュータ可読媒体とを含み、当該命令は、当該少なくとも１つのプロセッサによって実行されると、当該プロセッサに以下を実行させる。

当該命令は、当該少なくとも１つのプロセッサによって実行されると、当該プロセッサに、既知の電気自動車オーナーのセットから電気消費データの第１のセットを取出すことを実行させ、当該電気消費データは、各々の電気自動車オーナーについての、１期間にわたる使用値の時系列を含み、さらに、各々の電気自動車オーナーについての当該使用値の時系列を、対応する使用値を含む複数の時間間隔のデータ構造に変換することと、当該複数の時間間隔における当該使用値の各々を、対応する時間間隔中の電気消費のレベルを表す一連の記号のうちの１つの記号で符号化することとを実行させ、当該符号化することで、各々の電気自動車オーナーについての複数の記号の符号化消費パターンを生成し、さらに、非充電モチーフから区別されるＥＶ充電イベントを表す複数の記号の当該符号化消費パターンから複数の記号のシーケンスを含むＥＶ充電モチーフを識別し、電気消費データの追加のデータセットについて繰返すことと、当該既知の電気自動車オーナーのセットから当該ＥＶ充電モチーフを識別し、当該非充電モチーフから区別するように１つ以上の機械学習分類器を訓練することと、電気消費データの未知のデータセットがＥＶ充電イベントを含むかどうかを識別し、少なくとも当該ＥＶ充電モチーフに基づいて、当該未知のデータセットを、電気自動車充電を有するものとして、または電気自動車充電を有さないものとしてマーク付けするように当該１つ以上の機械学習分類器を構成することとを実行させる。

図面の簡単な説明
本明細書中に援用され、その一部を構成する添付の図面は、開示されているさまざまなシステム、方法および他の実施形態を示す。図に示される要素の境界（たとえば、箱、箱の群または他の形状）が、これら境界の一実施形態を表わすことが認識され得る。いくつかの実施形態においては、１つの要素が複数の要素として実現されてもよく、または、複数の要素が１つの要素として実現されてもよい。いくつかの実施形態においては、別の要素の内部構成要素として示される要素が外部構成要素として実現されてもよく、この逆であってもよい。さらに、要素は縮尺通りに図示されないこともある。

ＥＶ充電イベントを検出するように構成されたコンピューティングシステムの一実施形態を示す図である。 ＥＶ充電イベントを検出するとともに機械学習分類器を訓練するために、図１のシステムによって実行される方法の一実施形態を示す図である。 アカウントメータおよび対応するＥＶサブメータからのｋＷｈ充電値を重ね合わせた例示的なグラフである。 未知のデータセットからＥＶ充電イベントおよびＥＶオーナーを検出する方法の一実施形態を示す図である。 開示された例示的なシステムおよび／または方法で構成されたコンピューティングシステムの一実施形態を示す図である。

詳細な説明
本明細書中に記載されるシステムおよび方法は、一実施形態においては、エネルギを消費して電気自動車を充電する公益事業顧客アカウントから電気自動車（ＥＶ）充電イベントを識別するためにモチーフ発見および検出を用いる新規のシステムおよび方法を提供するものである。一実施形態においては、本システムおよび方法は、少なくともＥＶ充電モチーフ／パターンおよび充電特徴に基づいて電気自動車充電を識別するように機械学習分類器を訓練することを含む。

電気自動車を充電するためにエネルギを消費するユーザアカウントを発見することは、電気公益事業者にとって重要である。電気自動車充電は、電気グリッド上で著しい負荷となるので、これらの顧客を識別する（たとえば、アカウントおよび／または充電位置を識別する）ことは重要な関心事となっている。たとえば、複数のＥＶオーナーが同じ近所にいる場合、これらＥＶオーナーらは同じ電気変圧器を共有してもよい。この場合、過剰な電気が同時に引出されることで変圧器が過負荷状態になれば、変圧器に安全上の危険が生じる恐れがある。これにより、変圧器が物理的に破損したり、さらには機器が故障する可能性もある。発火のような公共の安全性に対する脅威は極端な状況をもたらす可能性がある。

したがって、複数のＥＶオーナーが本システムおよび方法を用いて事前に識別されていれば、グリッドおよび／または設備における潜在的な問題を軽減または排除するための対策を取ることもできる。たとえば、ＥＶ付きの住宅の電力線が異なる変圧器にルーティング変更されてもよく、変圧器がより高容量の変圧器と交換もしくはサイズ変更されてもよく、および／または、ＥＶオーナーに自身のＥＶ充電時間の変更を要求する警告または通知が送信されてもよい。

また、ＥＶによってもたらされるグリッド上の大きな負荷を正確に識別できるという、公益事業者に対するいくつかの追加の利点もあり得る。これらの利点は、結果として生じる１つ以上のアクションを実行することを可能にし得る。これら１つ以上のアクションは、たとえば、（１）ＥＶオーナーのアカウントをＥＶ充電のための別の（より良い）電気料金率に変更してより望ましい顧客契約を誘導するためのメッセージを生成し、生成したメッセージをこれらＥＶオーナーに送信するアクションと、（２）オンピーク時間帯中またはオフピーク時間帯中にＥＶオーナーが充電中であるかどうかを識別するとともに、充電負荷をオフピーク時間帯にシフトするために１以上のＥＶオーナーに「使用時間」レートへの変更を実行させる充電時間および／またはアカウント設定を修正するための命令を生成して送信するアクションと、（３）複数のＥＶオーナーが存在する特定のエリアにおける著しい負荷増加を表し得るグリッド内のＥＶ「ホットスポット」を識別するアクションと、（４）安全かつ適切な配電を確実にする（変圧器を調整またはサイズ変更する、電力線をルーティング変更する等）ために電気グリッド設備に補正アクションおよび修正を行うことができるように、ＥＶ電力取込みの傾向および速度をシステム全体レベルで、かつよりローカライズされたレベルで識別するアクションとを含む。

本開示全体を通じて、以下の用語は以下のとおりに用いられる。
ＥＶ：「電気自動車」の略称。

ＥＶオーナー：これは、電気自動車を所有および／または充電するアカウントの構内／位置を表す。

非ＥＶオーナー：これは、電気自動車を所有または充電しないアカウントの構内／位置を表す。

既知のＥＶオーナー：アカウント（およびそれに関連する時系列データ）が電気自動車を充電するための電気を消費することを示すとともに、電気公益事業供給者に知られているラベル。これにより、既知のＥＶオーナーからのアカウント時系列データがＥＶ充電イベントを有することが分かる。この情報は、アカウントデータからＥＶ充電イベントを識別および検出するために、本システムの１つ以上の機械学習分類器に提供される。

既知の非ＥＶオーナー：アカウントが電気自動車に充電するための電気を消費しないことを示すとともに、電気公益事業供給者に知られているラベル。このため、既知の非ＥＶオーナーのアカウント時系列データはＥＶ充電イベントを含まない。この情報は、ＥＶ充電イベントから区別するために用いられ得る非ＥＶ充電イベントを識別および検出するために１つ以上の機械学習分類器に提供される。

住宅メータ：これは、或る構内／位置における電気エネルギの消費を電気消費データとして記録する電子デバイスである。消費量は毎時キロワット（kilowatts per hour：ｋＷｈ）であるが、他の単位が用いられてもよい。構内／位置と、これにより、住宅メータとは、顧客アカウントに関連付けられている。簡潔にするために「住宅」という語を用いているが、メータを有し得るものであれば如何なるのタイプの構内も含む。住宅メータは、電気を引出す全ての機器および部品を含む（ＥＶが存在する場合は、ＥＶも含む）構内全体の電気消費を測定する。測定されたデータは、通常、規則的な時間間隔（たとえば、５分、１５分、１時間など）で収集される。間隔データのグループは時系列データと称される。一実施形態においては、住宅メータは、電気エネルギの消費を記録するとともに、監視および他の目的のためにネットワーク通信を介して電気供給者（公益事業会社）に情報を通信するスマートメータである。

ＥＶサブメータ：電気自動車のみの充電活動を直接監視して記録するための、既知のＥＶオーナーの構内に設置されるメータ。ＥＶサブメータは、住宅メータと同様の装置であるが、住宅メータに加えて別途設置される装置である。ＥＶサブメータは、電気自動車のみによって引出された電気をｋＷｈで記録し、ＥＶ充電のみに用いられる電気の充電データを時系列で測定する。ＥＶサブメータには他の電気消費構成要素は接続されない。

アカウント時系列データ：ある期間にわたって全体的に住宅メータから測定および収集される、対象のアカウントについての電気消費をｋＷｈ単位で示すデータ。測定されたデータは、典型的には、時間間隔ごとに収集される。本明細書中では１５分の時間間隔が記載されているが、他の間隔（たとえば、５分、３０分、１時間など）が用いられてもよい。

サブメータ時系列データ（ＥＶサブメータデータ）：電気自動車充電のみのための専用のＥＶサブメータから測定および収集される電気消費をｋＷｈ単位で表すデータ。当該データは、設定された時間間隔（たとえば、１５分間の時間間隔）で定期的に収集されるが、他の間隔（たとえば、５分、３０分、１時間など）を用いることもできる。

ＥＶ充電モチーフ／パターン：識別されたＥＶ充電イベントに対応する文字または記号の符号化列。符号化列は、特定のＥＶ充電イベントに基づいてさまざまな長さを有していてもよく、実装された符号化方式に基づいている。

図１を参照すると、コンピュータ実装ＥＶ検出システム１００の一実施形態が示される。ＥＶ検出システム１００は、コンピューティングシステムにおいて実行するように構成されているとともに、ＥＶ充電モチーフを識別および検出するための新規の技術で構成されている。ＥＶ充電モチーフは、アカウント時系列データ１１０から識別され得る電気自動車充電イベントに関連付けられた記号の電気消費パターンを表す。従来の方策は、ある予め定義されたｋＷｈ規模の電気消費イベントを探すものであるため、精度が低く、ノイズに対するロバスト性と、不正確な検出をもたらす恐れのある他のデータ関連作用に対するロバスト性とが低い。本方策は、よりロバストであり、商品ブランドや充電器に依存するものではなく、充電データによって直接通知されるとともに、新しいＥＶ充電モチーフが発見されてモチーフのライブラリに追加されるのに応じて時間とともに学習および適応させることができる。

ＥＶ検出システム１００全体は、３つの論理段階で構成されてもよく、各段階は、（１）前処理モジュール１２０、（２）検出モジュール１３０、および（３）検証モジュール１４０という実行可能なモジュールによって実装される。各モジュールのより詳細な構成および動作について添付の図面を参照して説明する。

一実施形態においては、前処理モジュール１２０は、１つ以上のアカウントから時系列データを受信および／または取出し、当該データを必要に応じて間隔フォーマットに変換し、間隔データを、ｋＷｈ値を量子化する文字列に符号化するように構成される。このモジュールについて図２を参照してより詳細に説明する。

一実施形態においては、検出モジュール１３０は、既知のＥＶオーナーの複数のアカウントからの時系列データおよび符号化列を分析して、複数列のＥＶ充電パターンに最もよく合致する指定された列（たとえば、単語／文字群）を検出するように構成される。サブメータ時系列上のＥＶ充電イベントの一部として記録された充電特徴が、アカウント時系列データから取出され、その特徴としてＥＶ充電イベントに関連付けられる。当該特徴について以下で説明する。検出モジュール１３０はまた、ＥＶ充電イベントではない充電パターンおよび特徴の種類を識別するために、既知の非ＥＶオーナーのセットからのアカウント時系列データに対して同様の処理を実行する。検出モジュール１３０について図２を参照してより詳細に説明する。

一実施形態においては、検証モジュール１４０は、少なくとも検出モジュール１３０によって発見されるパターンに基づいて、ＥＶ充電パターンがどのように見えるかを学習するために１つ以上の機械学習分類器を訓練するように構成される。当該訓練は、検出モジュール１３０によって発見される疑わしいＥＶ充電イベントの各々に関連付けられた充電特徴を入力することを含む。文字のＥＶ充電パターンとそれに対応する充電特徴との組合わせは、未知のアカウントから同様のＥＶ充電イベントを検出および識別するように１つ以上の機械学習分類器を訓練する。以下の説明では、１つ以上の機械学習分類器を分類器と称する。

分類器には、当該分類器からの判断を検証するための回答キーも入力される。回答キーは、分析されているラベル付きアカウントについてのサブメータ時系列データを含む。上述の通り、サブメータデータは、対応するアカウント時系列データがＥＶ充電イベントを有するか否かと、ＥＶ充電イベントがいつ起こるかとを識別する。次いで、分類器からの検出結果／予測１６０をサブメータデータと比較し、分類器の精度を検証し、結果１６０が不正確である場合には分類器をさらに訓練し得る。検証モジュール１４０について図２を参照してより詳細に説明する。

図２を参照すると、図１のＥＶ検出システム１００によって実装および実行されるＥＶ検出処理２００の一実施形態が示される。処理２００は、コンピューティングシステムによって実行されるコンピュータ実装処理である。説明される動作および機能は、少なくとも、メモリまたは記憶装置からデータにアクセスするとともに、メモリから読出されたデータおよび／またはメモリに書込まれたデータを生成するプロセッサによって実行される。

図２は、処理フローの３つのカラムを示しており、各カラムは、データ利用可能性に応じて処理されている異なるタイプのデータを表す。ブロック２１０（最も左側のカラム）において、既知のＥＶオーナーからのアカウント時系列データが処理される。ブロック２１０ａ（中央カラム）において、既知の非ＥＶオーナーからのアカウント時系列データが処理される。ブロック２１５（最も右側のカラム）において、ＥＶサブメータデータが処理される。３つの処理カラムは、互いに異なる時間に実行され得るので、必ずしも同時に実行されない。

図２の処理において、ブロック２１０、２２０、２３０および２４０は図１の前処理モジュール１２０に対応する。ブロック２５０および２６０は図１の検出モジュール１３０に対応し、ブロック２７０および２８０は検証モジュール１４０に対応する。前処理機能および検出機能は、既知のＥＶオーナー２１０からのアカウント時系列データと、既知の非ＥＶオーナー２１０ａからのアカウント時系列データとの両方のタイプのデータセットに対して実行されることに留意されたい。既知の非ＥＶオーナーからのデータに対して実行される対応する機能は、２２０ａ、２３０ａ、２４０ａなどの「ａ」で指定される。このため、ブロック２２０およびブロック２２０ａの機能は、処理されているデータセットを除いて同じである。

前処理段階（ブロック２２０、２３０、２４０）
図２を続けて参照すると、ブロック２１０において、既知のＥＶオーナーからの未処理のアカウント時系列データ１１０が取出されて、前処理モジュール１２０に入力されるという前処理が開始される。本処理は、複数の既知のＥＶオーナーに対して繰返されるものであって、時系列データのセットが利用可能である場合、各ＥＶオーナーアカウントからの各々の時系列が個々に処理される。既知のＥＶオーナーごとに、それらの対応するサブメータ時系列データも同時に、またはその後の時間に入力される（ブロック２１５）。アカウント時系列データ１１０は、データをデータ構造に格納する記憶装置またはメモリからコンピューティングシステムのプロセッサによって読出されて取出される。以下の例では、アカウント時系列データ１１０は１５分間隔でｋＷｈ充電値で記録される。

ブロック２２０において、既知のＥＶオーナーの住宅からの未処理の１５分間隔ｋＷｈデータは、長フォーマット時系列に変換される（すなわち、１５分間隔データの場合、１日に９６の間隔が存在する）。これにより、１行×９６列のデータベクトルが生じる。３０日分のデータが利用可能である場合、各住宅メータのベクトルは１行×（９６^＊３０）列となるだろう。一実施形態においては、未知のｋＷｈ値または利用不可能なｋＷｈ値が４未満である複数の日からの時系列データのみが考慮される。この機能はまた、ブロック２２０ａにおいて、既知の非ＥＶオーナーからの１５分間隔ｋＷｈデータに対して実行される。

対応するＥＶサブメータレベルデータがＥＶオーナーにとって利用可能である場合、ブロック２２５において、ＥＶが充電中であるときの時間間隔をラベル付けして識別する応答キーが生成される。次いで、識別された時間間隔を用いて、アカウント時系列データ内の対応する時間間隔を識別することで、ＥＶ充電が行われたかどうかとＥＶ充電がいつ行われたかとを検証することができる。これは処理の後半で行なわれる。

初めに、ＥＶサブメータデータを見ることなくアカウント時系列データが分析される。前処理モジュール１２０は、既知のＥＶオーナーからその日中にＥＶ充電活動があるか否かを検出するために、アカウント時系列データ１１０を分析する。上述したように、アカウント時系列データ１１０は、或る期間にわたる既知のＥＶオーナーからの住宅電気使用量（電気消費）をｋＷｈで示す。或る住宅のメータは、その住宅全体によって引出されて用いられる電気を記録するので、ＥＶ充電に用いられる電気を、もしある場合には、他のすべての充電と組合わせて含む。これは、本明細書中においてアカウント時系列データと称される。

一実施形態においては、ＥＶサブメータデータ２１５は、取出される時系列充電データの第２のセットであって、ＥＶサブメータから収集されたものである。たとえば、既知のＥＶオーナーは各々、電気自動車の充電活動を直接監視するためにそれらの構内に設置されたそれぞれのＥＶサブメータも含む。ＥＶサブメータは住宅メータに追加される。上述したように、ＥＶサブメータは、電気自動車によってのみ引出される電気を記録するので、ＥＶ充電に用いられる電気の充電データを時系列で含んでいる。これをサブメータ時系列データまたはＥＶサブメータデータと称する。こうして、サブメータデータを分析することにより、システムは、ＥＶ充電の開始と終了との時間間隔を容易に識別することができる。これらの時間間隔はマーク付けされて、ブロック２２５において生成された回答キーの一部となる。

２３０において、アカウント時系列データが正規化され得る。一日中の住宅電気使用量は、ｋＷｈ値に上昇スパイクおよび／または下降スパイクを含む極めて雑音の多いものとなり得る。一実施形態においては、前処理モジュール１２０は、時系列を、１日全体にわたる各メータの特定の規模および差異を表わすことができるシーケンスに換算するように構成される。これを実現するために、たとえば、１以上の既知のＥＶオーナーの各メータ毎のアカウント時系列におけるｋＷｈ値がそれ自体に正規化され、未処理のｋＷｈ値は各々、所与のアカウント時系列についての平均ｋＷｈ値から外れたいくつかの標準偏差の基準となるように変換される。これらの値を正規化するための他の技術を実行してもよい。

図２において、処理は、ブロック２２０および２３０から出て充電特徴を判断する判断ブロック２６０に入る矢印線を示す。これらの線は、以下に説明されるように、時系列からの充電データを抽出して用いることで充電特徴を生成することができるように、ブロック２２０および／または２３０からの時系列データが判断ブロック２６０に提供されることを表している。

２４０において、時系列データのｋＷｈ値が符号化方式で符号化される。一実施形態においては、符号化は、メータにおいて収集された電気使用量の１５分間隔ｋＷｈの各々を、一連の文字／記号のうちの１文字に符号化することを含む。したがって、一連の連続する時間間隔が一連の記号となる。たとえば、１タイプの符号化が、連続する文字のグループで実行されてもよい。

たとえば、一実施形態においては、低使用レベルから高使用レベルまでの使用レベル文字を表す連続した６つのアルファベット文字が選択されてもよい。６文字からなる１つのグループは、「ａ，ｂ，ｃ，ｄ，ｅ，ｆ」であってよく、「ａ」は最低使用レベルであり、「ｆ」は最高使用レベルである。したがって、１日の間に高使用レベルを有する時間間隔は「ｆ」として符号化され得る一方で、より低い中間範囲レベルは「ｃ」として符号化され得る。当然、使用レベルについてのより粗いまたはより微細な近似化および表現のために、より多くの文字またはより少ない文字を用いることができる。文字のシーケンスはまた、アルファベット順に連続している必要はない。たとえば、シーケンスは、文字をスキップしてもよく、ａ，ｃ，ｅ，ｇ，ｉ，ｋを含んでもよい。

さらに、「ａ，ｂ，ｃ，ｄ，ｅ，ｆ」に基づいた符号化方式の一例を図３に示す。この場合、アカウント時系列データ３００のｋＷｈ値が時間間隔のグラフに表示されている。各時間間隔における各ｋＷｈ値は、上述したように、使用レベルに基づいて符号化文字のうちの１つで符号化される。アカウントデータ３００に関する一連の時間間隔について結果として得られる符号化列３２５が図３のグラフの下側に示されている。符号化列３２５の符号化文字は各々、その対応するｋＷｈ値および時間間隔の下に、ほぼ一列に配置されている。図３について以下でより詳細に説明する。

一実施形態においては、（ａ）間隔長、（ｂ）符号化の際に従うべき確率分布関数、および／または、（ｃ）符号化の際に利用されるべきいくつかの文字、を含む符号化方式のパラメータが調整または修正され得る。

低－高使用レベルは、特定の時系列の使用レベル（たとえば、ある範囲）全体に対して相対的であり、このため、特定のｋＷｈ値に依存するものではない。たとえば、或る１日のアカウント時系列が０ｋＷｈ～３ｋＷｈのｋＷｈ値範囲を有していた場合、３ｋＷｈの値を有する時間間隔にはいずれも、最高使用レベルとして文字「ｆ」が割当てられる。同様に、より大きな家からの別の時系列が０ｋＷｈ～１０ｋＷｈの範囲を有していた場合、１０ｋＷｈの値を有する時間間隔にはいずれも、最高使用レベルとして文字「ｆ」が割当てられるだろう。この符号化は、９６個の時間間隔すべてに対して時系列で行われ、電気の消費パターンを表す符号化文字（記号）の列が生成される。符号化文字の列は、検出段階で用いるためにメモリに格納される。符号化はまた、ブロック２４０ａにおいて、既知の非ＥＶオーナーのセットからのアカウント時系列データに対して実行される。

したがって、任意の所与の時系列についての符号化文字の符号化された消費パターンは、識別され得るとともに他の充電パターンと合致され得る充電パターンを含む。符号化文字は、当該システムが、ｋＷｈ値を合致させようと試みるのではなく、異なる時系列データ（異なる消費者アカウント）間で同様の充電パターンを検出して合致させることを可能にする。上述の例では、第１のアカウントからの３ｋＷｈ－３ｋＷｈ－３ｋＷｈの３つの時間間隔値は、第２のアカウントからの１０ｋＷｈ－１０ｋＷｈ－１０ｋＷｈの他の３つの時間間隔値とは合致しない。しかしながら、符号化後、両方のデータセットのうち３つの時間間隔は、同じ符号化列パターンｆ－ｆ－ｆを有することによって合致することとなるだろう。なぜなら、それぞれのｋＷｈ値がそれぞれ対応する時系列データにおいて最高値となるからである。

したがって、時系列データを文字列に量子化することにより、（１）時系列の次元を１文字列に集約すること、および、（２）特定の文字列に基づいて異常をより容易に検出すること、といった少なくとも２つの利点が可能となる。

上述の第１の利点に関して、（住宅の大きさまたは住居における居住者の数によって容易に変化する可能性のある）ｋＷｈ使用時系列からの実際の大きさまたは値に依存するのではなく、文字を符号化して、各メータの時系列をそれ自体に既に正規化している。このため、特定のメータの高使用量は、「より高い」文字によって容易に認識される（すなわち、低使用量は「ａ」または「ｂ」に対応し、高使用量は「ｅ」または「ｆ」に対応し得る）。したがって、符号化は、メータの固有の特性を時系列で保持するだけではなく、異なるさまざまなメータ間での比較も可能にする。

列サーチアルゴリズムと組合わせると、列符号化は、必然的に、上述の第２の利点をもたらす。ｋＷｈ数によって異常を識別するよりも、特定のパターンについて文字列をサーチする（たとえば、「語」をサーチする）方が容易である。疑わしいイベントの検出が完了すると、分類器は、以下で説明するように、偽陽性から外れた真陽性を識別するために、疑わしいＥＶイベントに関連する充電特徴に対して容易に訓練され得る。

検出モジュール（ブロック２５０および２６０）
ブロック２４０でｋＷｈデータが文字に符号化された後、時系列中の符号化文字がメモリから読出されて分析されることで、ブロック２５０で、ＥＶ充電パターンが検出される。ＥＶサブメータデータが所与のアカウント時系列のために利用可能でない場合、検出モジュール１３０は、アカウント時系列データから符号化文字を分析するように構成されている。電気自動車充電が、典型的には、より高レベルのｋＷｈ使用量の何らかの持続期間によって特徴付けられるとすると、ＥＶ充電を示す時系列データのうち一部が連続した高使用文字の列となる可能性が非常に高い。

（低－高使用レベル文字「ａ」，「ｂ」，「ｃ」，「ｄ」，「ｅ」および「ｆ」を用いる）上述の符号化方式に基づいて、既知のＥＶオーナーアカウントは、ＥＶ充電を表す文字パターンを形成する高使用文字列を含む（たとえば、大部分がｆであり、いくつかがｅである）だろう。したがって、当該システムは、持続的な高使用レベル記号（たとえば、複数の連続するｆ、および、場合によってはいくつかのｅ）のシーケンスを表す記号の符号化消費パターンにおける一連の文字／記号を識別することによって電気自動車の疑わしい充電を識別するように符号化文字をサーチする。

持続期間にわたる高使用文字のこの文字パターンはモチーフとして格納され、ＥＶ使用パターンのモチーフライブラリに格納される。高使用文字パターンは、いくつかの異なるＥＶ充電パターン（モチーフ）を生成するために、複数の既知のＥＶオーナーアカウントにおいて見出される。次いで、ＥＶ充電パターンを用いて、ＥＶ充電が未知である他のアカウント時系列データセットから同様のＥＶ充電パターンを識別および検出することができる。

したがって、所与の時系列に対して、当該システムは、ある期間にわたる文字の全シーケンス中に、ほぼ連続して発生するさまざまな長さを持つ高使用文字をサーチするように構成されている。一実施形態においては、当該システムは、モチーフライブラリ内のモチーフとの列類似性についてサーチして、或るアカウントの符号化時系列全体にわたって高使用文字のうち潜在的に合致するものを戻す。当該サーチによって、１日の間に１つ以上の既知のＥＶ充電モチーフと潜在的に合致するものが戻される場合、当該システムは、その日をＥＶ充電活動を有するものとしてマーク付けする。一実施形態においては、サーチ機能は、システムの検出モジュール１３０のうち１つの構成要素である。

ある位置／構内からのアカウント時系列データが、同じ位置／構内において収集されたＥＶサブメータデータと比較される。アカウントデータにおける疑わしい充電がサブメータデータからの充電のいずれかと時間間隔が重複している場合、疑わしい充電はＥＶ充電を含んでいる。上述したように、ＥＶサブメータデータにおいて発生する充電はいずれもＥＶ充電であるはずである。次いで、当該システムは、疑わしい充電をＥＶ充電としてマーク付けする。一例を図３に示す。

図２のブロック２５０における一実施形態においては、当該システムは、持続的な一連または一続きの高使用符号化文字を識別することによって疑わしいＥＶ充電を検出する。次いで、疑わしいＥＶ充電は、そのアカウントの対応するＥＶサブメータデータ（たとえば、生成された回答キー）を用いることによって、正しく識別および検証され得る。既知のＥＶオーナーの場合、アカウント時系列データからの時間間隔を対応するＥＶサブメータ時系列データと合致させることによって、アカウント時系列データにおいて疑わしいＥＶ充電を識別して検証することができる。サブメータの１５分間隔ｋＷｈは、ＥＶオーナーが自身の電気自動車の充電の大体の開始時と、ＥＶ充電の停止時とを示すだろう。

ＥＶサブメータデータからの開始時間間隔および停止時間間隔が、疑わしいＥＶ充電と比較して、対応するアカウント時系列データ内でマーク付けされて発見され得る。時間間隔が合致する（互いに重なる）場合、アカウントデータにおける疑わしいＥＶ充電は真にＥＶ充電である。疑わしいＥＶ充電がＥＶサブメータからの充電時間間隔と重ならない場合、疑わしいＥＶ充電はＥＶ充電ではない。アカウント時系列データ３００が、その対応するＥＶサブメータ時系列データ３０５と照合された（たとえば、重ね合わされた）例が図３に示される。

図３において、ｘ軸は１５分の時間間隔であり、ｙ軸は対応する時間間隔で記録されたｋＷｈ値を示す。また、１日２４時間にわたって、時系列中に９６ｋＷｈの値がある（たとえば、１×９６ベクトルのｋＷｈ値）。図３は、１日分の時間間隔の一部のみを示す。概して、ＥＶ充電が行なわれるとき、ＥＶサブメータデータ３０５内のｋＷｈ値は０ｋＷｈからはるかに高い値に急激に増加する。これは「上昇スパイク」点で示されている。さらに、ｋＷｈレベルは持続期間にわたってその高レベルのままとなる（「持続されたレベル」エリアによって表されている）。ＥＶ充電が停止すると、ＥＶサブメータデータ３０５においてｋＷｈ値の大きさが急激に下がる（「下降スパイク」点で示される）。

上昇スパイクの時間間隔および下降スパイクの時間間隔において、システムは、これらがＥＶ充電イベント３１０を指定する開始時間間隔および停止時間間隔であることを認識する。ＥＶサブメータデータ３０５からのＥＶ充電がアカウントデータ３００内の充電と重なっている時間間隔は、アカウントデータ３００内のＥＶ充電を識別する。アカウントデータ３００中のｋＷｈ値が構内全体からのすべての電気充電を含んでおり、ＥＶ充電が充電の１構成要素であることに留意されたい。ＥＶサブメータデータからの開始時間間隔および停止時間間隔を用いることで、システムは、アカウント時系列データ３００のどこで実際のＥＶ充電イベントが発生しているかを識別することができる。これはＥＶ充電イベント３１０として識別される。

ＥＶ充電イベント３１０の開始時間間隔および停止時間間隔が発見されると、システムは、ＥＶ充電イベント３１０の同じ期間に割り当てられた対応する符号化文字を識別する。図３に示されるように、アカウントデータ３００についての符号化文字３２５は、ＥＶ充電イベント３１０中に列「ｆｆｆｆｆｆｅｆｆｆｆｆｅ」を含む。したがって、この符号化列は、既知のＥＶ充電イベントを表わしており、符号化文字のうち認識された１つのＥＶ充電パターン／モチーフとして格納される。列内の空間は不要であり、符号化文字を読み易くするために単純に示されている。

再び図２を参照すると、ブロック２６０において、ＥＶ充電イベントおよびその開始時間間隔および停止時間間隔が識別されると、検出モジュール１３０は、ＥＶ充電イベントに関連付けられた充電特徴を識別する。たとえば、疑わしいＥＶ充電イベントまたは識別されたＥＶ充電イベントの前、最中および終わりに発生するアカウント時系列データ３００に収集されたデータが読出される。充電特徴は、非ＥＶ充電からＥＶ充電を特徴付けるのに役立つＥＶ充電イベントから抽出および／または計算される。充電特徴は、ＥＶ充電を区別できるようにするために、ＥＶ充電が何に似ているのかと、何に似ていないのかとをシステムが学習するのに役立つだろう。

たとえば、システムは、ｋＷｈ値を抽出し、さまざまな充電特徴を計算することができる。さまざまな充電特徴とは、たとえば、ＥＶ充電イベント中の電気の平均消費、ＥＶ充電開始時のｋＷｈで示される最初の急激な増大の大きさ、ＥＶ充電終了時のｋＷｈで示される低下の大きさ、ＥＶ充電イベントの持続時間、ＥＶ充電中のｋＷｈ値の標準偏差、ＥＶ充電イベント中の総ｋＷｈ使用量、ＥＶ充電イベント中の最大ｋＷｈ値および／または最小ｋＷｈ値などである。これらの特徴の任意の組合わせが用いられてもよく、所与のデータセットに利用可能な充電データに基づいて他の特徴が計算されてもよい。符号化ＥＶ充電パターンと共に使用および格納される１つ以上の充電特徴は、関連付けられたＥＶ充電イベントの充電特性またはシグネチャとして機能する。

疑わしいＥＶ充電がＥＶサブメータデータからのＥＶ充電と重ならない場合、疑わしいＥＶ充電は実際のＥＶ充電ではない。システムは、上述のように、ｋＷｈ値を抽出し得るとともに、この非ＥＶ充電パターンについてのさまざまな充電特徴を計算し得る。しかしながら、これらの充電特徴および関連する符号化文字パターンは、後続の判断の際に充電イベントを区別するのに用いることができる非ＥＶ充電特性として格納される。

引き続き図２を参照すると、非ＥＶ充電イベントがなければ、検出モジュール１３０は、既知の非ＥＶデータのために、ブロック２５０ａおよび２６０ａにおいて同様の処理を実行する。システムは、上述したように、非ＥＶ充電であることが分かっている符号化文字パターンを識別し、それらの関連する充電特徴を判断する。非ＥＶ充電の符号化パターンおよびそれらの充電特徴は、非ＥＶ充電が何に似ているかを特徴付ける。したがって、非ＥＶ充電データは、疑わしいＥＶ充電が真にＥＶ充電であるかまたは非ＥＶ充電であるかを判断するのを支援するために用いることができる。

したがって、システムは、既知の非ＥＶオーナーからのアカウント時系列データを対照グループとして用いて、既知のＥＶオーナーと比較して「真の陰性」サンプルを作成する。対照グループのメンバーからのｋＷｈデータおよび時間間隔は、上述の既知のＥＶオーナーからの充電データおよび充電特徴と同じ方法または同様の方法で処理される。

検証ブロック２７０および２８０
ブロック２７０において、ＥＶ充電パターンおよびそれらの関連する充電特徴が、１つ以上の機械学習分類器（単に、分類器）に入力される。このデータは、未知のデータセットからＥＶ充電イベントを識別および検出するために、充電特徴から学習するように分類器を訓練する。同様に、非ＥＶ充電パターンおよびそれらの関連する充電特徴は、非ＥＶ充電パターンを識別して、それらをＥＶ充電イベントから区別するように分類器を訓練するために入力される。

分類器は、アカウント時系列データに対して何回でも訓練および実行させることができる。分類器は、既知のＥＶ充電パターン／モチーフおよび充電特徴に基づいて、分類器がＥＶ充電として識別した検出済みＥＶイベントのリストを生成するように構成される。ブロック２８０において、生成されたリストは、実際のＥＶサブメータデータからブロック２２５で生成された回答キーに対して比較および検証され得る。検証の結果を分類器にフィードバックして、不正確なＥＶ充電イベントまたはミスしたＥＶ充電イベントを訂正し、これにより分類器をさらに訓練し得る。

一実施形態においては、分類器は、分析されている電気充電が真のＥＶ充電である可能性がどの程度であるかを判断するように構成された機械学習アルゴリズムを含む。分類器は、検出モジュール１３０からの検出されたＥＶ充電パターンおよびＥＶ充電特徴を用いてＥＶ充電と非ＥＶ充電との差を学習するように訓練される。分類器はまた、既知の非ＥＶオーナーからの充電特徴を用いて、真のＥＶ充電と非ＥＶ充電とを区別する。ＥＶサブメータデータからブロック２２５で生成された回答キーは、システムが分類器の結果をテストすることを可能にする。応答キーはまた、どの充電がＥＶオーナーからのものであり、どの充電が非ＥＶオーナーからのものであるかを識別するように分類器を訓練するために用いられてもよい。

既知のＥＶオーナーからの検出されたＥＶ充電パターンおよび充電特徴と、既知の非ＥＶオーナーからの充電特徴とを用いて、機械学習分類器は、観察された経験に基づいて学習する。このようにして、機械学習分類器は、それが訓練される際に用いられる検出情報の提供によりプログラム可能であり、分類器は、高い確率でＥＶ充電の要素または特性を識別する能力を獲得する。

ＥＶ充電パターンを探すように分類器を訓練することは、教師あり学習プロセスの一部である。教師あり学習は、提供されたサンプルに基づいて要素を認識する能力をコンピュータに提供する。この場合、これらのサンプルは、関連するＥＶ充電イベントを特徴付けるＥＶ充電パターンおよび充電特徴を含む。コンピュータは、サンプルを研究し、提供されたデータに基づいて新しいデータを認識する能力を展開する。１つ以上の実施形態においては、教師あり学習アルゴリズムは、決定ツリー、サポートベクトルマシン、ナイーブベイズ分類器、ｋ最近傍および／または線形回帰を含み得る。

一実施形態においては、機械学習分類器は、ＸＧブーストで実装される。ＸＧブーストは、勾配ブーストフレームワークの下で機械学習アルゴリズムを実装する。ＸＧブーストは、高速かつ正確に多くのデータ科学問題を解決する並列ツリーブーストを提供する。分類器コードは、Ｈａｄｏｏｐ、ＳＧＥおよびＭＰＩなどのさまざまな分散環境上で実装および実行することができる。

一実施形態においては、勾配ブーストは、回帰問題および分類問題のための機械学習技術であり、弱い予測モデル、典型的には決定ツリーの集合の形式で予測モデルを生成する。予測モデリングは、結果を予測するためにモデルが生成される処理である。結果が分類的なものであれば分類と称され、結果が数値的なものであれば回帰と称される。

機械学習分類器が訓練されると、この機械学習分類器は、未知のアカウントが疑わしいＥＶ充電を有するかどうかを識別するために用いられ得る。検出処理は、多数（数千、数万など）の未知のアカウントに対して系統的に実行することができる。したがって、未知のアカウントのメータから収集されたアカウント時系列データは、疑わしいＥＶ充電の識別のために機械学習分類器に入力されてもよい。疑わしいＥＶ充電が所与の時系列データセット内に発見された場合、関連するアカウントが疑わしいＥＶオーナーとしてマーク付けおよびラベル付けされる。次いで、結果として生じる１つ以上のアクションが、識別されたＥＶオーナーに基づいて実行され得る。この処理の一例について図４を参照して説明する。追加の入力を用いる他の分類器は、性能を改善するために分類器にカスケード接続されてもよい。

本システムおよび方法によって実装される新規の技術は、ＥＶ検出についての質問に「はい／いいえ」で回答することで対応するものである。システムは、図２の処理から１つ以上のステップを用いて以下について解決することができる。

（１）既知の電気自動車オーナーについて、その日中に充電活動があるかどうかを検出する。

（２）既知の電気自動車オーナーについて、（アカウント時系列データで測定される）住宅の電気使用量に基づいて、電気自動車が充電のためにいつプラグインされたかを検出する。

（３）アカウントの時系列について、ＥＶが充電されているかどうか。
一実施形態においては、システムは、ＥＶ充電を識別するために、ロジスティック分類器および決定ツリーベースのアルゴリズム（たとえば、サポートベクトルマシン（Support Vector Machine：ＳＶＭ）を実装および使用する。ロジスティック分類器の場合、０．５よりも大きい確率が割当てられている疑わしいＥＶイベントは、ＥＶ充電として分類される。当然、他の値が用いられてもよい。

本検出システムに関して観察された、上記（１）を解決するための例示的な結果は以下の通りであった。

精度＝０．８５２５６４１０２５６４

上記の質問（３）について、アカウント時系列データの所与のセットに基づいて、ＳＶＭモデルで実装される機械学習分類器は以下の結果を生成した。

図４を参照すると、未知のアカウントのアカウントメータデータから疑わしいＥＶ充電を識別および検出するためのＥＶ検出処理４００の一実施形態が示されている。ここで、未知アカウントとは、ＥＶオーナーと、アカウントに関連付けられたＥＶ充電とが存在するか否かが未知であるアカウントを意味する。方法４００の検出処理は、未知のアカウントが電気自動車に関連付けられているかどうかを予測するために、訓練された上述の機械学習分類器を用いる。

検出処理は、選択されたアカウントに対して、または多数（数千、数万など）の未知のアカウントに対して系統的に実行することができる。このため、未知のアカウントのメータから収集されたアカウント時系列データは、疑わしいＥＶ充電の識別のために機械学習分類器に入力されてもよい。疑わしいＥＶ充電が所与の時系列データセットにおいて見つかった場合、関連付けられたアカウントは、疑わしいＥＶオーナーとしてマーク付けおよびラベル付けされる。次いで、結果として生じる１つ以上のアクションが、識別されたＥＶオーナーに基づいて実行され得る。

４１０において、未知のアカウントからのアカウント時系列データセットが、メモリまたはデータ記憶装置から読出されて、入力として提供される。４２０および４３０において、アカウント時系列データは、長フォーマット時系列（たとえば、データベクトル）に変換され、ｋＷｈ値は、図２のブロック２２０および２３０において実行されるように正規化される。４４０において、正規化されたｋＷｈ値は、図２のブロック２４０において実行されるように符号化文字方式で符号化される。上述したように、例示的な方式は、低－高使用レベルａ、ｂ、ｃ、ｄ、ｅ、ｆの６文字を用いる。

４５０において、データベクトルからの符号化文字が機械学習分類器に入力される。符号化文字は、持続期間にわたって、行内の「ｆ」文字の列などの高使用文字の文字パターンについてサーチされる。公知であるように、高使用文字の列はＥＶ充電を表し得る。このような列が見つからない場合、アカウントは非ＥＶオーナーとしてマーク付けされて、次のアカウント時系列が分析のために入力可能となる。高使用文字の列が見つかった場合、機械学習分類器は、対応する時間間隔およびｋＷｈ充電を疑わしいＥＶ充電として識別する。

４６０において、機械学習分類器は、図２のブロック２６０について上述した充電特徴と同様の態様で疑わしいＥＶ充電から充電特徴を判断する。たとえば、疑わしいＥＶ充電の前、最中および／または終わりに生じるアカウント時系列データにおいて収集されたｋＷｈデータが、メモリまたはストレージから読出される。１つ以上の充電特徴が生成される。１つ以上の充電特徴は、たとえば、疑わしいＥＶ充電中の電気の平均消費、疑わしいＥＶ充電開始時のｋＷｈで示される最初の急激な増大の大きさ、疑わしいＥＶ充電終了時のｋＷｈで示される低下の大きさ、疑わしいＥＶ充電イベントの持続時間、疑わしいＥＶ充電中のｋＷｈ値の標準偏差、疑わしいＥＶ充電中の総ｋＷｈ使用量、疑わしいＥＶ充電中の最大ｋＷｈ値および／または最小ｋＷｈ値などである。これらの充電特徴の任意の組合わせが生成されてもよく、それらは、関連する疑わしいＥＶ充電の充電特性（たとえばシグネチャ）を表す。

４７０において、機械学習分類器は、疑わしいＥＶ充電の充電特徴および符号化文字が、既知のＥＶ充電パターン／モチーフおよびそれらの対応する既知の充電特徴のいずれかと合致するかどうかを判断する。この合致は、対応する種類の充電特徴を比較すること、および、これらの値がある程度（たとえば、設定された閾値量）に合致するかどうかを判断することに基づいていてもよい。たとえば、分類器は、疑わしいＥＶ充電中に用いられた電気の平均消費が、合致するＥＶ充電パターン／モチーフからの既知のＥＶ充電イベント中に用いられた電気の平均消費と合致するかどうかを判断する。

この比較が他の異なる種類の充電特徴に対して実行され得るとともに、合致結果の合計スコアが生成され得る。充電特徴の種類ごとの合致の類似性の閾値量が分類アルゴリズムにおいて定義および設定され得る。一実施形態においては、この合致は、図２の処理から学習されるように、既知のＥＶ充電パターン／モチーフおよびそれらの対応する充電特徴から学習された観察を用いるパターン合致を含む。

４８０において、疑わしいＥＶ充電が１つ以上の既知のＥＶ充電パターンと合致し、関連するＥＶ充電特徴と指定された度合いで合致する場合、この疑わしいＥＶ充電がＥＶ充電としてマーク付けされ、そのアカウントが、可能性のあるＥＶオーナーアカウントとしてマーク付けされる。さらに、当該処理が追加のアカウントのために繰返されてもよい。電気自動車充電に関連付けられる可能性の高いアカウントを識別するリストまたは他のデータ出力が生成される。これらのアカウントはＥＶオーナーとしてマーク付けされる。

疑わしいＥＶ充電の充電特徴が既知のＥＶ充電特徴の閾値内で合致しない場合、疑わしい充電は非ＥＶ充電としてマーク付けされ、アカウント時系列データセット中の他のいずれの疑わしいＥＶ充電に対しても分析が繰返される。ＥＶ充電が識別されない場合、アカウントは非ＥＶオーナーとしてマーク付けされる。時系列データセットに対して方法４００の処理をさらに継続し、繰返してもよい。

次いで、４９０において、１つ以上の結果アクションが、識別されたＥＶオーナーに基づいて実行され得る。一実施形態においては、結果として生じる１つ以上のアクションは、たとえば、ＥＶオーナーのアカウントをＥＶ充電のための別の（より優れた）電気レートに変更する（より望ましい顧客契約を提供する）ためのメッセージを生成して、当該ＥＶオーナーのリモートデバイスに送信するアクションを含む。当該システムは、ＥＶオーナーがオンピーク時間帯中またはオフピーク時間帯中に充電しているかどうかを識別し得る。オンピーク時間帯である充電時間に基づいて、システムは、命令付き電子メッセージを生成し、ＥＶオーナーに関連付けられたリモートデバイスに送信し得る。電子メッセージは、充電時間をオフピーク時間帯に修正するための命令、および／または、ＥＶ充電負荷をオフピーク時間帯にシフトするために１以上のＥＶオーナーに「使用時間」レートへの変更を実行させるアカウント設定を修正するための命令を含み得る。

結果として生じる別のアクションは、電気グリッド内のＥＶオーナーの位置を識別することと、ＥＶオーナー同士の互いに対する位置を判断することとを含み得る。次いで、システムは、複数のＥＶオーナーを有する特定のエリアにおける著しい負荷増加を表し得るグリッド内のＥＶ「ホットスポット」を識別することができる。

本システムを用いてＥＶオーナーを定期的に監視および識別することに基づいて、当該システムは、ＥＶ電力取込みの傾向および速度をシステム全体レベルで、および／または、よりローカライズされたレベルで識別し得る。グリッド内の特定のエリアにおいて検出されたＥＶオーナーの数がある程度増加していれば、安全かつ適切な配電を確実にするために、電気グリッド設備に補正アクションおよび修正を行うことができる。これらのアクションは、変圧器の調整またはサイズ変更、電力線のルーティング変更などを含み得る。

一実施形態においては、命令を生成することは、検出されたＥＶ充電に関する情報および変化するＥＶ充電挙動（たとえば、充電時間をオフピーク時間帯に変更すること）に関する情報を含む電子メッセージを生成することを含む。充電挙動を変化させることによって、電気グリッドに対する負荷を特定の時間において減らすことができる。次いで、電子メール、テキストメッセージ、電子電話メッセージ、または他の電子形式などの生成されたメッセージは、ネットワーク通信を介して、検出されたＥＶオーナーに関連付けられるリモートデバイスに送信され得る。

別の実施形態においては、当該システムおよび方法は、検出されたＥＶオーナーに関連付けられた位置に物理的形式で配信されるべき生成メッセージのハードコピーを印刷するようにプリンタに命令するとともに当該プリンタを制御してもよい。

上述の記載に基づく電気自動車検出システムの別の実施形態においては、以下の処理を実行してもよい。検出システムは、電気自動車（ＥＶ）オーナーから電気消費データの第１の時系列を受信し、前述のとおり、（メモリにアクセスするプロセッサによって）当該時系列を、ＥＶ充電パターンを含む記号のＥＶ使用パターンに符号化し得る。次いで、検出システムは、プロセッサがメモリにアクセスすることによって、非電気自動車（非ＥＶ）オーナーからの電気消費データの第２の時系列を複数記号の非ＥＶ使用パターンに符号化し得る。次いで、検出システムは、電気消費データの未知の時系列から同様の電気自動車充電パターンを検出して識別するために、複数記号のＥＶ使用パターン（ＥＶ充電パターンを含む）および複数記号の非ＥＶ使用パターンを用いて機械学習分類器を構成および訓練し得る。

１巡以上の訓練を行なった後、機械分類器を用いて未知のデータセットを分析し得る。たとえば、電気消費データの第１の未知の時系列を受信したことに応答して、機械学習分類器は、分類器を訓練するのに用いられる情報に基づいて、電気消費データの第１の未知の時系列が同様の電気自動車充電パターンを含むかどうかを検出する。機械学習分類器は、検出結果に基づいて、第１の未知の時系列をＥＶオーナーまたは非ＥＶオーナーとして識別する出力を生成する。これは、任意の数の未知の時系列のデータに対して繰返されてもよい。

電気公益事業者は、精度が改善された本発明の電気自動車検出システムおよび方法を用いて、電気自動車を有するアカウントを識別することができる。上述したように、１以上のＥＶオーナーが識別された後にさまざまなアクションが実行され得る。識別されたＥＶオーナーの位置に基づいて、過負荷を受ける可能性のある電気グリッド上のネットワーク構成要素が識別され得る。過負荷は、複数のＥＶオーナーが同じ近隣の電気グリッド上で検出および発見される場合に起こる可能性がある。これは、電気グリッド上の負荷をより適切に制御すること、エネルギ効率プログラムを識別されたＥＶオーナーの対象とすること、需要応答プログラムを生成して識別されたＥＶオーナーの対象とすること、および／または、グリッド内のネットワーク構成要素への遅延アップグレード、もしくは、グリッドのネットワーク構成要素へのジャスト・イン・タイムのアップグレードを実行することに関して、公益事業者についての重要性を直接促進する。

クラウドまたはエンタープライズの実施形態
一実施形態においては、本電気自動車充電検出システムは、エンタープライズ組織のためのアプリケーションまたは分散アプリケーションの集合を含むコンピューティング／データ処理システムである。当該アプリケーションおよびコンピューティングシステムは、クラウドベースのネットワーキングシステム、ソフトウェア・アズ・ア・サービス（software-as-a-service：ＳａａＳ）アーキテクチャ、もしくは他のタイプのネットワーク化コンピューティングソリューションを用いて動作するように構成されてもよく、または、クラウドベースのネットワーキングシステム、ＳａａＳアーキテクチャ、もしくは他のタイプのネットワーク化コンピューティングソリューションとして実現されてもよい。一実施形態においては、検出システムは、少なくとも本明細書中に開示される機能を提供するとともに、コンピュータネットワーク上で（サーバとして機能する）コンピューティングシステム１００と通信するコンピューティングデバイス／端末を介して多くのユーザによってアクセスされる、集中型サーバ側アプリケーションの一部として実装される。

一実施形態においては、ＥＶ検出システム１００を含む本明細書で説明される構成要素のうちの１つ以上は、非一時的なコンピュータ可読媒体に格納されるプログラムモジュールとして構成される。プログラムモジュールは、少なくとも１つのプロセッサによって実行されたときにコンピューティングデバイスに本明細書中に記載の対応する機能を実行させる格納された命令で構成される。

コンピューティングデバイスの実施形態
一実施形態においては、図５は、本電気自動車検出システム１００の１つ以上の構成要素および本明細書中に記載される方法および／または同等例を用いる専用のコンピューティングデバイスとして構成および／またはプログラムされたコンピューティングデバイスを示す。

例示的なコンピューティングデバイスは、ハードウェアプロセッサ５１０と、メモリ５１５と、バス５２５によって動作可能に接続された入出力ポート５２０とを含むコンピュータ５０５であり得る。一例においては、コンピュータ５０５は、図１～図４を参照して図示および説明されるＥＶ検出システム１００で構成される。さまざまな例において、ＥＶ検出システム１００は、ハードウェア、命令が格納された非一時的なコンピュータ可読媒体、ファームウェア、および／またはそれらの組合わせで実現されてもよい。

一実施形態においては、ＥＶ検出システム１００および／またはコンピュータ５０５は、上述のアクションを実行するための手段（たとえば、構造：ハードウェア、非一時的なコンピュータ可読媒体、ファームウェア）である。いくつかの実施形態においては、コンピューティングデバイスは、クラウドコンピューティングシステム内で動作するサーバ、ソフトウェア・アズ・ア・サービス（ＳａａＳ）アーキテクチャにおいて構成されたサーバ、スマートフォン、ラップトップ、タブレットコンピューティングデバイスなどであってもよい。

ＥＶ検出システム１００はまた、メモリ５１５に一時的に格納されるとともにその後プロセッサ５１０によって実行されるデータ５４０としてコンピュータ５０５に提示される、格納されたコンピュータ実行可能命令として実装されてもよい。

コンピュータ５０５の例示的な構成を概略的に説明すると、プロセッサ５１０は、デュアルマイクロプロセッサおよび他のマルチプロセッサアーキテクチャを含む多種多様なプロセッサであってもよい。メモリ５１５は、揮発性メモリおよび／または不揮発性メモリを含み得る。不揮発性メモリは、たとえば、ＲＯＭ、ＰＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ等を含んでいてもよい。揮発性メモリは、たとえば、ＲＡＭ、ＳＲＡＭ、ＤＲＡＭ等を含んでいてもよい。

ストレージディスク５３５は、たとえば、入出力（input/output：Ｉ／Ｏ）インターフェイス（たとえば、カード、デバイス）５４５および入出力ポート１０２０を介してコンピュータ５０５に動作可能に接続され得る。ディスク５３５は、たとえば、磁気ディスクドライブ、ソリッドステートディスクドライブ、フロッピー（登録商標）ディスクドライブ、テープドライブ、Ｚｉｐドライブ、フラッシュメモリカード、メモリスティックなどであってもよい。さらに、ディスク５３５は、ＣＤ－ＲＯＭドライブ、ＣＤ－Ｒドライブ、ＣＤ－ＲＷドライブ、ＤＶＤ ＲＯＭ等であってもよい。メモリ５１５は、たとえば、処理５５０および／またはデータ５４０を記憶することができる。ディスク５３５および／またはメモリ５１５は、コンピュータ５０５のリソースを制御するとともに割当てるオペレーティングシステムを記憶することができる。

コンピュータ５０５は、Ｉ／Ｏインターフェイス５４５および入出力ポート５２０を介して入出力（Ｉ／Ｏ）デバイスと対話してもよい。プロセッサ５１０とＩ／Ｏインターフェイス５４５およびポート５２０との間の通信は、入出力コントローラ５４７によって管理される。入出力ポート５２０は、たとえば、シリアルポート、パラレルポートおよびＵＳＢポートを含んでいてもよい。

コンピュータ５０５は、ネットワーク環境において動作可能であり、このため、Ｉ／Ｏインターフェイス５４５および／またはＩ／Ｏポート５２０を介してネットワークデバイス５５５に接続され得る。コンピュータ５０５は、ネットワークデバイス５５５を介してネットワーク５６０と対話してもよい。コンピュータ５０５は、ネットワーク５６０を介してリモートコンピュータ５６５に論理的に接続されてもよい。コンピュータ５０５が対話し得るネットワークは、ＬＡＮ、ＷＡＮ、および他のネットワークを含むが、これらに限定されない。

コンピュータ５０５は、Ｉ／Ｏポート５２０を介して１つ以上の出力デバイスまたは入力デバイスから情報および信号を送信および受信することができる。出力デバイスは、１つ以上のディスプレイ５７０、プリンタ５７２（インクジェット、レーザまたは３Ｄプリンタなど）、およびオーディオ出力デバイス５７４（スピーカまたはヘッドフォンなど）を含む。入力デバイスは、１つ以上のテキスト入力デバイス５８０（キーボードなど）、カーソルコントローラ５８２（マウス、タッチパッド、またはタッチスクリーンなど）、オーディオ入力デバイス５８４（マイクロフォンなど）、ビデオ入力デバイス５８６（ビデオおよびスチルカメラなど）、またはスキャナ５８８などの他の入力デバイスを含む。入出力デバイスはさらに、ディスク５３５、ネットワークデバイス５５５などを含んでいてもよい。場合によっては、コンピュータ５０５は、テキスト入力デバイス５８０、カーソルコントローラ５８２、音声入力デバイス５８４、ディスク５３５、およびネットワークデバイス５５５などによって、入力デバイスまたは出力デバイスによって生成または提供される情報または信号によって制御され得る。

定義および他の実施形態
本明細書に記載または請求される機能はいずれも、人によって手動で実行されるものではなく、または精神意識により実行されるものではない。そのような解釈はいずれも本開示と矛盾する。

一実施形態においては、説明される方法および／またはそれらの同等例は、格納されたコンピュータ実行可能命令で実装される。したがって、一実施形態においては、非一時的なコンピュータ可読／記憶媒体は、マシンによって実行されると、マシン（および／または関連する構成要素）に当該方法を実行させるアルゴリズム／実行可能アプリケーションのための格納されたコンピュータ実行可能命令で構成される。例示的なマシンは、プロセッサ、コンピュータ、クラウドコンピューティングシステムにおいて動作するサーバ、ソフトウェア・アズ・ア・サービス（ＳａａＳ）アーキテクチャにおいて構成されるサーバ、スマートフォン等を含むが、これらに限定されない。一実施形態においては、コンピューティングデバイスは、開示された方法のいずれかを実行するように構成された１つ以上の実行可能アルゴリズムで実装される。

１つ以上の実施形態においては、開示された方法またはそれらの同等例は、方法を実行するように構成されたコンピュータハードウェア、または、非一時的なコンピュータ可読媒体もしくはメモリに格納されたモジュール内で具現化されるコンピュータ命令のうちいずれかによって実行される。当該命令は、コンピューティングデバイスの少なくともプロセッサによって実行されたときに当該方法を実行するように構成された実行可能アルゴリズムとして構成されている。

説明を簡潔にするために、図に示される例示的な方法は、アルゴリズムの一連のブロックとして図示および説明されるものであるが、当該方法がブロックの順序によって限定されないことを理解されたい。いくつかのブロックは、図示および説明されたものとは異なる順序で、および／または他のブロックと同時に発生し得る。さらに、例示的な方法を実現するために、例示されたすべてのブロックよりも少ないブロックが用いられてもよい。ブロックは、組合わされるか、または複数のアクション／構成要素に分離されてもよい。さらに、付加的および／または代替的な方法は、ブロックには示されない追加のアクションを用いることができる。

以下は、本明細書中で用いられる選択された用語の定義を含む。定義は、用語の範囲内にあるとともに実装のために用いられ得る構成要素のさまざまな例および／または形態を含む。これらの例は、限定するよう意図されたものではない。用語の単数形および複数形はともに、定義の範囲内であり得る。

「一実施形態」、「或る実施形態」、「一例」、「或る例」などと言及する場合、それらは、そのように記載される実施形態または例が、特定の特徴、構造、特性、性質、要素または限定を含み得るが、すべての実施形態または例が必ずしもその特定の特徴、構造、特性、性質、要素または限定を含むわけではないことを示している。さらに、「一実施形態においては」という表現を繰返し用いる場合、必ずしも同じ実施形態を指すわけではないが、同じ実施形態である可能性もある。

本明細書で用いられる「データ構造」は、メモリ、記憶装置、または他のコンピュータ化されたシステムに格納されるコンピューティングシステム内のデータの構成である。データ構造は、たとえば、データフィールド、データファイル、データ配列、データ記録、データベース、データテーブル、グラフ、ツリー、リンクされたリストなどのいずれか１つであってもよい。データ構造は、他の多くのデータ構造（たとえば、データベースは多くのデータ記録を含む）から形成され得るとともに、それらを含み得る。他の実施形態によれば、データ構造の他の例も同様に実現可能である。

本明細書中で用いられる「コンピュータ可読媒体」または「コンピュータ記憶媒体」は、実行されたときに、開示される機能のうちの１つ以上を実行するように構成された命令および／またはデータを記憶する非一時的な媒体を指す。データは、いくつかの実施形態においては、命令として機能し得る。コンピュータ可読媒体は、不揮発性媒体および揮発性媒体を含む形態をとり得るが、これらに限定されない。不揮発性媒体は、たとえば、光ディスク、磁気ディスクなどを含み得る。揮発性媒体は、たとえば、半導体メモリ、ダイナミックメモリなどを含み得る。コンピュータ可読媒体の一般的な形態は、フロッピー（登録商標）ディスク、フレキシブルディスク、ハードディスク、磁気テープ、他の磁気媒体、特定用途向け集積回路（application specific integrated circuit：ＡＳＩＣ）、プログラマブル論理デバイス、コンパクトディスク（compact disk：ＣＤ）、他の光媒体、ランダムアクセスメモリ（random access memory：ＲＡＭ）、読取り専用メモリ（read only memory：ＲＯＭ）、メモリチップまたはカード、メモリスティック、ソリッドステートストレージデバイス（solid state storage device：ＳＳＤ）、フラッシュドライブ、および、コンピュータ、プロセッサまたは他の電子デバイスが機能することができる他の媒体を含み得るが、これらに限定されない。一実施形態において実装のために選択される場合、媒体の各タイプは、開示されるおよび／または請求される機能のうちの１つ以上を実行するように構成されたアルゴリズムの命令が格納されていてもよい。

本明細書で用いられる「論理」は、本明細書で開示した機能もしくはアクションのいずれかを実行するために、ならびに／または、本明細書で開示した別の論理、方法および／もしくはシステムからの機能もしくはアクションを実行させるために、コンピュータもしくは電気ハードウェア、実行可能なアプリケーションもしくはプログラムモジュールの命令が格納された非一時的な媒体、および／または、これらの組合わせで実施される構成要素を表す。同等の論理は、ファームウェア、アルゴリズムでプログラムされたマイクロプロセッサ、ディスクリート論理（たとえばＡＳＩＣ）、少なくとも１つの回路、アナログ回路、デジタル回路、プログラムされた論理デバイス、アルゴリズムの命令を含むメモリデバイス等を含み得るが、これらのうちのいずれかは、開示された機能のうちの１つ以上を実行するように構成され得る。一実施形態においては、論理は、１つ以上のゲート、ゲートの組合わせ、または開示された機能のうちの１つ以上を実行するように構成された他の回路構成要素を含み得る。複数の論理が説明される場合、複数の論理を１つの論理に組み込むことが可能であり得る。同様に、単一の論理が説明される場合、その単一の論理を複数の論理間で分配することが可能であり得る。一実施形態においては、これらの論理のうちの１つ以上は、開示および／または請求される機能を実行することに関連する対応する構造である。どのタイプの論理を実装するかの選択は、所望のシステム条件または仕様に基づき得る。たとえば、より高い速度が考慮事項である場合、機能を実現するためにハードウェアが選択されることとなるだろう。より低いコストが考慮事項である場合、機能を実現するために、格納された命令／実行可能アプリケーションが選択されることとなるだろう。

「動作可能な接続」、またはエンティティが「動作可能に接続される」接続は、信号、物理的通信および／または論理通信が送信および／または受信され得る接続である。動作可能な接続は、物理的インターフェイス、電気的インターフェイスおよび／またはデータインターフェイスを含み得る。動作可能な接続は、動作可能な制御を可能にするのに十分なインターフェイスおよび／または接続のさまざまな組合わせを含み得る。たとえば、２つのエンティティは、信号を互いに直接または１つ以上の中間エンティティ（たとえば、プロセッサ、オペレーティングシステム、論理、非一時的なコンピュータ可読媒体）を介して通信するように動作可能に接続することができる。論理通信チャネルおよび／または物理通信チャネルを用いて、動作可能な接続を作成することができる。

本明細書で用いられる「ユーザ」は、１以上の人、コンピュータまたは他のデバイス、またはこれらの組合わせを含むが、これらに限定されない。

開示された実施形態をかなり詳細に図示および説明してきたが、添付の特許請求の範囲をそのような詳細に制限するかまたは何らかの形で限定することは意図していない。当然、主題のさまざまな態様を説明する目的で、構成要素または方法論の考えられ得るすべての組合わせを説明することは不可能である。したがって、本開示は、図示および説明される特定の詳細または具体的な例に限定されない。したがって、本開示は、法的主題要件を満たす、添付の特許請求の範囲内に収まる変更、修正および変形を包含するよう意図されたものである。

「含む（includes）」または「含んでいる（including）」という用語が詳細な説明または請求項で利用される限りにおいて、この用語が請求項の中で移行語として利用される場合に解釈されるように、「備えている（comprising）」という用語と同様に包括的であることが意図される。

「または」という用語が詳細な説明または請求項で使用される（たとえば、ＡまたはＢ）限りにおいて、「ＡまたはＢまたはそれら両方」を意味することが意図される。出願人が「ＡまたはＢのみであり、両方ではない」ことを示すことを意図する場合、「ＡまたはＢのみであり、両方ではない」という表現が使用されるだろう。したがって、本明細書における「または」という用語の使用は包括的な使用であり、排他的な使用ではない。

Claims (10)

1. 少なくとも１つのプロセッサを備えたコンピューティングデバイスによって実行されるコンピュータ実装方法であって、
   既知の電気自動車オーナーのセットから電気消費データの第１のセットを取出すステップを含み、前記電気消費データは、各々の電気自動車オーナーについての、１期間にわたる使用値の時系列を含み、前記コンピュータ実装方法はさらに、
   各々の電気自動車オーナーについての使用値の前記時系列を、対応する使用値を含む複数の時間間隔のデータ構造に変換するステップと、
   前記複数の時間間隔における前記使用値の各々を、対応する時間間隔中の電気消費のレベルを表す一連の記号のうちの１つの記号で符号化するステップとを含み、
   前記符号化するステップで、各々の電気自動車オーナーについての複数の記号の符号化消費パターンを生成し、前記コンピュータ実装方法はさらに、
   非充電モチーフから区別されるＥＶ充電イベントを表す複数の記号の前記符号化消費パターンから複数の記号のシーケンスを含むＥＶ充電モチーフを識別し、電気消費データの追加のデータセットについて繰返すステップと、
   前記既知の電気自動車オーナーのセットから前記ＥＶ充電モチーフを識別し、前記非充電モチーフから区別するように、１つ以上の機械学習分類器を訓練するステップと、
   電気消費データの未知のデータセットがＥＶ充電イベントを含むかどうかを識別し、少なくとも前記ＥＶ充電モチーフに基づいて、前記未知のデータセットを、電気自動車充電を有するものとして、または電気自動車充電を有さないものとしてマーク付けするように、前記１つ以上の機械学習分類器を構成するステップとを含む、コンピュータ実装方法。
2. 前記ＥＶ充電モチーフに対応する前記ＥＶ充電イベントに関して、前記ＥＶ充電イベント中に少なくとも電気消費値に基づいて前記ＥＶ充電イベントを特徴付ける１つ以上の充電特徴を生成するステップと、
   前記１つ以上の充電特徴を前記ＥＶ充電モチーフに関連付けるステップと、
   前記１つ以上の充電特徴を入力して、前記１つ以上の機械学習分類器をさらに訓練して、少なくとも前記１つ以上の充電特徴に基づいて非ＥＶ充電イベントから前記ＥＶ充電イベントを識別するステップとをさらに含む、請求項１に記載のコンピュータ実装方法。
3. 前記１つ以上の充電特徴を生成するステップは、前記ＥＶ充電イベント中の電気の平均
   消費、前記ＥＶ充電イベントの開始時の電気消費の最初の急増の大きさ、前記ＥＶ充電イベントの終了時の前記電気消費の低下の大きさ、または、前記ＥＶ充電イベントの持続期間、うちの１つ以上を生成するステップを含む、請求項２に記載のコンピュータ実装方法。
4. 電気自動車充電から測定されたサブメータデータの対応する時系列から、各々の電気自動車オーナーに関する使用値の前記時系列についての回答キーを生成するステップと、
   前記サブメータデータからの前記回答キーで、使用値の前記時系列における前記ＥＶ充電イベントを識別および検証するステップとをさらに含み、
   前記サブメータは、電気自動車のみによって引出される電気を記録し、
   前記回答キーは、前記電気自動車が充電中であるときの時間間隔をラベル付けして識別する、請求項１から３のいずれか１項に記載のコンピュータ実装方法。
5. 持続的な高使用レベル記号のシーケンスを表す複数の記号の前記符号化消費パターンにおける複数の記号のシーケンスを識別することによって、電気自動車の疑わしい充電を識別するステップをさらに含み、
   前記高使用レベル記号は、電気使用量のレベルが高いことを表す記号である、請求項１から４のいずれか１項に記載のコンピュータ実装方法。
6. 前記符号化するステップは、前記時系列における前記使用値の範囲に関して、低使用レベルから高使用レベルまでの電気消費のレベルを表す文字の符号化方式を適用するステップを含む、請求項１から５のいずれか１項に記載のコンピュータ実装方法。
7. 前記符号化するステップの前に、前記使用値を前記時系列で正規化する、請求項１から６のいずれか１項に記載のコンピュータ実装方法。
8. コンピューティングシステムであって、
   少なくとも１つのメモリと、
   前記少なくとも１つのメモリに接続する少なくとも１つのプロセッサと、
   命令が格納されたコンピュータ可読媒体とを含み、前記命令は、前記少なくとも１つのプロセッサによって実行されると、前記少なくとも１つのプロセッサに、
   既知の電気自動車オーナーのセットから電気消費データの第１のセットを取出すことを実行させ、前記電気消費データは、各々の電気自動車オーナーについての、１期間にわたる使用値の時系列を含み、さらに、
   各々の電気自動車オーナーについての使用値の前記時系列を、対応する使用値を含む複数の時間間隔のデータ構造に変換することと、
   前記複数の時間間隔における前記使用値の各々を、対応する時間間隔中の電気消費のレベルを表す一連の記号のうちの１つの記号で符号化することとを実行させ、
   前記符号化することで、各々の電気自動車オーナーについての複数の記号の符号化消費パターンを生成し、さらに、
   非充電モチーフから区別されるＥＶ充電イベントを表す複数の記号の前記符号化消費パターンから複数の記号のシーケンスを含むＥＶ充電モチーフを識別し、電気消費データの追加のデータセットについて繰返すことと、
   前記既知の電気自動車オーナーのセットから前記ＥＶ充電モチーフを識別し、前記非充電モチーフから区別するように、１つ以上の機械学習分類器を訓練することと、
   電気消費データの未知のデータセットがＥＶ充電イベントを含むかどうかを識別し、少なくとも前記ＥＶ充電モチーフに基づいて、前記未知のデータセットを、電気自動車充電を有するものとして、または電気自動車充電を有さないものとしてマーク付けするように、前記１つ以上の機械学習分類器を構成することと、を実行させる、コンピューティングシステム。
9. 前記命令はさらに、前記少なくとも１つのプロセッサに、
   電気グリッドにおけるＥＶオーナーの位置を識別することと、
   複数のＥＶオーナーを有するエリアにおける負荷増加を表す、前記電気グリッド内のＥＶホットスポットを識別することと、を実行させる命令を含む、請求項８に記載のコンピューティングシステム。
10. 前記命令はさらに、前記少なくとも１つのプロセッサに、
    電気自動車充電を有するものとしてマーク付けされたアカウントに関して、
    電子メッセージを生成し、前記アカウントに関連付けられたＥＶオーナーのリモートデバイスに前記電子メッセージを送信することを実行させる命令を含み、前記電子メッセージは、ＥＶ充電時間をオフピーク時間帯に変更する命令を含む、請求項８または９に記載のコンピューティングシステム。

Images