JP7672986B2 - 動的に変化する島のイベント割当のためのシステムおよび方法 - Google Patents

Description

（関連出願の相互参照）
本願は、参照することによってその全体として本明細書に組み込まれる、２０１９年３月２２日に出願された、米国仮特許出願第６２／８２２，３００号の優先権を主張する。

（背景）
ネットワークは、相互接続されたデバイスまたはコンポーネントの一般的なシステムである。ネットワーク化システムの動作および制御は、ネットワーク機能が、同期的に、順次、またはより複雑なパターンにおいてあるタスクの実施を要求し得るため、理想的な状況下であっても非常に複雑であり得る。複雑なネットワーク化システムの実施例は、配電ネットワークである。電気グリッドの制御および保守は、絶えず変化する供給および需要レベルを前提として、特に複雑な問題である。再生可能エネルギー源および大規模バッテリシステムの現在の急増は、それらが、ネットワークに対するさらなる回復力をもたらし得るが、それらがまた、その電力出力において断続性を有する傾向があるため、配電ネットワークの制御に関する一意の機会および課題を課す。電力線の障害等の計画外のイベントが、起こると、電気ネットワーク制御システムは、適切に応答し、グリッドの他の部分への障害の伝搬を最小限にすることが課題となる。

電気グリッド等のネットワークに関する予測保守アプリケーションの必要性が、存在する。現在、殆どの予測保守アプリケーションは、中断を引き起こした具体的コンポーネントではなく、グリッドの特定の領域に中断イベントを割り当てることしかできない。グリッドのある領域の残りの部分からの切断等のある中断イベントは、比較的に単純な論理を使用して予測されることができる。しかしながら、ネットワークの複雑性が、増加するにつれて、予測保守の論理は、はるかに困難になる。したがって、ネットワーク構成における予期せぬ変化に応答する制御システムおよびシステムオペレータの能力を強化する、複雑なネットワークのための改良された予測保守アプリケーションの必要性が、存在する。

中断および再接続イベントを記述する複雑な論理を取り扱うことが可能である、ネットワーク化システムのための予測保守アプリケーションの必要性が、存在する。具体的には、ネットワーク中断を検出し、ネットワーク内の具体的コンポーネントまたはノードに帰し得るネットワーク保守アプリケーションの必要性が、存在する。また、個々のネットワーク中断イベントから学習し、入手されたデータを使用し、将来の中断イベントを予測し、それに応答し得る予測保守アプリケーションの必要性が、存在する。

本開示は、少なくとも、機械学習潜在変数モデルを利用することによって、ネットワーク化システムの強化された予測保守アプリケーションの必要性に対処する。いくつかの側面では、本開示は、電気グリッドまたは電気通信ネットワーク等のネットワーク化システムの予測保守に適用され得る、離散モデルを説明する。離散モデルは、ネットワーク記述の精緻化の増加をもたらし得、中断イベントは、より広範な領域ではなく、具体的ノードまたはコンポーネントまで追跡されることができる。説明される潜在変数モデルは、グリッド区分の島化およびネットワークに戻るような島の再併合等のより複雑な論理問題を取り扱うことが可能であり得る。予測保守アプリケーションは、確率モデル化を使用して、中断イベントを具体的コンポーネントに割り当て、収束した確率セットを使用し、後続ネットワーク挙動を予測することが可能であり得る。

いくつかの側面では、本開示は、複数の島が、複数の個々のコンポーネントを備えるように、１つ以上の島を分割および／または併合することによって、動的に変化することが可能である複数の島を備える、ネットワークをマッピングするステップと、離散モデルを利用し得る、個々のコンポーネントレベルにおいて、および島レベルにおいて１つ以上の局所イベントを予測および／または検出および局所化するステップとを含む、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、ノードと、ブランチとを備える、複数の個々のコンポーネントを有する、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、その中で、離散モデルが、島レベルにおける代わりに、個々のコンポーネントレベルにおいて１つ以上の局所イベントを検出するように構成される、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、個々のコンポーネントレベルにおいて１つ以上の局所イベントを局所化または分離するように構成される、離散モデルを利用する、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、島のうちの１つ以上のものが、動的に変化している際、個々のコンポーネントレベルにおいて１つ以上の局所イベントを検出するように構成される、離散モデルを利用する、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、その中で、島の動的変化が、１つ以上の島の分割、併合、および／または再併合の複数の事例を含む、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、その中で、島の動的変化が、複数のノードおよびブランチのうちの２つ以上のものを継合および／または分割するステップを含む、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、その中で、島の動的変化が、個々のコンポーネントのサブセットの分割および／または併合を含む、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、その中で、個々のコンポーネントのサブセットが、同一のサイズである、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、その中で、個々のコンポーネントのサブセットが、可変サイズである、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、機械学習潜在変数モデルである、離散モデルを利用する、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、個々のコンポーネントのレベルにおいて実装される、機械学習潜在変数モデルを利用する、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、その中で、機械学習潜在変数モデルが、個々のコンポーネントのそれぞれにおける１つ以上の局所イベントに対応する、複数の潜在変数を備える、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、その中で、個々のコンポーネントレベルにおいて起こる１つ以上の局所イベントが、島レベルにおいて起こる１つ以上の島イベントと関連付けられる、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、その中で、機械学習潜在変数モデルが、対応する選択された島上で起こる選択された島イベントの観察を受信し、複数の潜在変数のうちの１つが、選択された島イベントを起こさせたという仮定に基づいて、観察を処理するように構成される、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、その中で、選択された島イベントが、対応する選択された島にある、またはそれと関連付けられる個々のコンポーネントによって引き起こされる、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、その中で、機械学習潜在変数モデルが、各個々のコンポーネントが１つ以上の局所イベントのそれぞれを引き起こす事前確率を備える、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、その中で、機械学習潜在変数モデルが、事前確率に基づいて、厳密な事後推論を実施し、１つ以上の局所イベントを個々のコンポーネントに割り当てるように構成される、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、その中で、個々のコンポーネントへの１つ以上の局所イベントの割当が、各局所イベントが対応するコンポーネントのそれぞれにおいて起こる確率推定値を決定するステップを含む、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、その中で、機械学習潜在変数モデルが、確率推定値を使用し、収束まで先行または事前確率を反復的に更新するように構成される、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、その中で、事前確率が、以前のイベントデータに基づく、最初に既知の、実際の、または推定された確率を備える、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、その中で、先行または事前確率が、期待値最大化（ＥＭ）アルゴリズムを使用して、反復的に更新される、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、１つ以上の検出された局所イベントに基づいて、個々のコンポーネントレベルにおいて予測保守を実施するステップをさらに含む、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、その中で、ネットワークが、配電ネットワークを備える、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、その中で、配電ネットワークが、複数の配電フィーダを備える、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、その中で、複数のノードおよびブランチが、複数の配電フィーダおよび各フィーダ内の接続されたノードおよびブランチと関連付けられる、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、ネットワーク内の複数の個々のコンポーネントは、１次元構成、２次元構成、および不規則な構成から成る群から選択される、幾何学的構成において配列される。

いくつかの側面では、ネットワーク内の複数の個々のコンポーネントは、２次元構成において配列され、２次元構成は、長方形構成、半径方向構成、またはスポークおよびハブ構成である。

いくつかの側面では、１つ以上の局所イベントは、複数の個々のコンポーネントのうちの１つ以上のものと関連付けられる、非技術的損失を備える。

いくつかの側面では、ネットワークをマッピングするステップは、ネットワークの個々のコンポーネントにおける予期せぬ電圧レベルを識別するステップを含む。

いくつかの側面では、本開示は、その中で、１つ以上のイベントが、配電ネットワーク内の１つ以上のブレーカスイッチを開または閉にするステップを含み、１つ以上のブレーカスイッチは、ノードおよび／またはブランチのうちの１つ以上のものと関連付けられる、コンピュータ実装イベント割当方法を説明してもよい。

いくつかの側面では、本開示は、複数の島を備えるネットワークと通信する、サーバと、サーバによって実行されると、サーバに、複数の島が、１つ以上の島を分割および／または併合することによって、動的に変化することが可能であり、複数の島が、複数の個々のコンポーネントを備えるように、ネットワークをマッピングするステップと、離散モデルを使用して、個々のコンポーネントレベルにおいて、および島レベルにおいて１つ以上の局所イベントを検出および局所化するステップとを含む、動作を実施させる、命令を記憶する、メモリとを備える、イベント割当のためのシステムを説明してもよい。

いくつかの側面では、本開示は、１つ以上のプロセッサによって実行されると、１つ以上のプロセッサに、複数の島が、複数の個々のコンポーネントを備えるように、１つ以上の島の分割および／または併合によって、動的に変化することが可能である複数の島を備える、ネットワークをマッピングするステップと、離散モデルを使用して、個々のコンポーネントレベルにおいて、および島レベルにおいて１つ以上の局所イベントを検出および局所化するステップとを含む、イベント割当方法を実施させる、命令を記憶する、非一過性コンピュータ可読媒体を説明してもよい。
本明細書は、例えば、以下も提供する。
（項目１）
コンピュータ実装イベント割当方法であって、
１つ以上の島の分割および／または併合によって、動的に変化することが可能である複数の島を備えるネットワークをマッピングすることであって、前記複数の島は、複数の個々のコンポーネントを備える、ことと、
離散モデルを使用して、個々のコンポーネントレベルにおいて、および島レベルにおいて、１つ以上の局所イベントを予測および／または検出および局所化することと
を含む、方法。
（項目２）
前記複数の個々のコンポーネントは、複数のノードおよびブランチを備える、項目１に記載の方法。
（項目３）
前記離散モデルは、島レベルにおける代わりに、前記個々のコンポーネントレベルにおいて前記１つ以上の局所イベントを検出するように構成される、項目１に記載の方法。
（項目４）
前記離散モデルは、前記個々のコンポーネントレベルにおいて前記１つ以上の局所イベントを局所化または分離するように構成される、項目１に記載の方法。
（項目５）
前記離散モデルは、前記島のうちの１つ以上のものが、動的に変化している際、前記個々のコンポーネントレベルにおいて前記１つ以上の局所イベントを検出するように構成される、項目１に記載の方法。
（項目６）
前記島の動的変化は、前記１つ以上の島の分割、併合、および／または再併合の複数の事例を含む、項目１に記載の方法。
（項目７）
前記島の動的変化は、前記複数のノードおよびブランチのうちの２つ以上のものを継合および／または分割することを含む、項目２に記載の方法。
（項目８）
前記島の動的変化は、前記個々のコンポーネントのサブセットの分割および／または併合を含む、項目１に記載の方法。
（項目９）
前記個々のコンポーネントのサブセットは、同一のサイズである、項目８に記載の方法。
（項目１０）
前記個々のコンポーネントのサブセットは、可変サイズである、項目８に記載の方法。
（項目１１）
前記離散モデルは、機械学習潜在変数モデルである、項目１に記載の方法。
（項目１２）
前記機械学習潜在変数モデルは、前記個々のコンポーネントのレベルにおいて実装される、項目１１に記載の方法。
（項目１３）
前記機械学習潜在変数モデルは、前記個々のコンポーネントのそれぞれにおける前記１つ以上の局所イベントに対応する複数の潜在変数を備える、項目１１に記載の方法。
（項目１４）
前記個々のコンポーネントレベルにおいて起こる前記１つ以上の局所イベントは、島レベルにおいて起こる１つ以上の島イベントと関連付けられる、項目１３に記載の方法。
（項目１５）
前記機械学習潜在変数モデルは、対応する選択された島上で起こる選択された島イベントの観察を受信し、前記複数の潜在変数のうちの１つが、前記選択された島イベントを起こさせたという仮定に基づいて、前記観察を処理するように構成される、項目１４に記載の方法。
（項目１６）
前記選択された島イベントは、前記対応する選択された島にあるかまたはそれと関連付けられる前記個々のコンポーネントのうちの１つによって引き起こされる、項目１５に記載の方法。
（項目１７）
前記機械学習潜在変数モデルは、各個々のコンポーネントが前記１つ以上の局所イベントのそれぞれを引き起こす事前確率を備える、項目１５に記載の方法。
（項目１８）
前記機械学習潜在変数モデルは、前記事前確率に基づいて、厳密な事後推論を実施し、前記１つ以上の局所イベントを前記個々のコンポーネントに割り当てるように構成される、項目１７に記載の方法。
（項目１９）
前記個々のコンポーネントへの前記１つ以上の局所イベントの割当は、各局所イベントが対応するコンポーネントのそれぞれにおいて起こる確率推定値を決定することを含む、項目１８に記載の方法。
（項目２０）
前記機械学習潜在変数モデルは、前記確率推定値を使用し、収束まで先行または事前確率を反復的に更新するように構成される、項目１９に記載の方法。
（項目２１）
前記事前確率は、以前のイベントデータに基づく、最初に既知の、実際の、または推定された確率を備える、項目１７に記載の方法。
（項目２２）
前記先行または事前確率は、期待値最大化（ＥＭ）アルゴリズムを使用して、反復的に更新される、項目２０に記載の方法。
（項目２３）
前記１つ以上の検出された局所イベントに基づいて、前記個々のコンポーネントレベルにおいて予測保守を実施することをさらに含む、項目１に記載の方法。
（項目２４）
前記ネットワークは、配電ネットワークを備える、項目２に記載の方法。
（項目２５）
前記配電ネットワークは、複数の配電フィーダを備える、項目２４に記載の方法。
（項目２６）
前記複数のノードおよびブランチは、前記複数の配電フィーダおよび各フィーダ内の接続されたノードおよびブランチと関連付けられる、項目２５に記載の方法。
（項目２７）
前記１つ以上のイベントは、前記配電ネットワーク内の１つ以上のブレーカスイッチの開または閉を備え、前記１つ以上のブレーカスイッチは、前記ノードおよび／またはブランチのうちの１つ以上のものと関連付けられる、項目２４に記載の方法。
（項目２８）
前記ネットワーク内の前記複数の個々のコンポーネントは、１次元構成、２次元構成、および不規則な構成から成る群から選択される幾何学的構成において配列される、項目１に記載の方法。
（項目２９）
前記ネットワーク内の前記複数の個々のコンポーネントは、２次元構成において配列され、前記２次元構成は、長方形構成、半径方向構成、またはスポークおよびハブ構成である、項目１に記載の方法。
（項目３０）
前記１つ以上の局所イベントは、前記複数の個々のコンポーネントのうちの１つ以上のものと関連付けられる非技術的損失を備える、項目２４に記載の方法。
（項目３１）
前記ネットワークをマッピングすることは、前記ネットワークの個々のコンポーネントにおける予期せぬ電圧レベルを識別することを含む、項目２４に記載の方法。
（項目３２）
イベント割当のためのシステムであって、
複数の島を備えるネットワークと通信するサーバと、
命令を記憶するメモリであって、前記命令は、前記サーバによって実行されると、前記サーバに、
前記ネットワークをマッピングすることであって、前記複数の島は、１つ以上の島の分割および／または併合によって、動的に変化することが可能であり、前記複数の島は、複数の個々のコンポーネントを備える、ことと、
離散モデルを使用して、個々のコンポーネントレベルにおいて、および島レベルにおいて１つ以上の局所イベントを予測および／または検出および局所化することと
を含む動作を実施させる、メモリと
を備える、システム。
（項目３３）
非一過性コンピュータ可読媒体であって、前記非一過性コンピュータ可読媒体は、命令を記憶しており、前記命令は、１つ以上のプロセッサによって実行されると、前記１つ以上のプロセッサに、イベント割当方法を実施させ、前記方法は、
１つ以上の島の分割および／または併合によって、動的に変化することが可能である複数の島を備えるネットワークをマッピングすることであって、前記複数の島は、複数の個々のコンポーネントを備える、ことと、
離散モデルを使用して、個々のコンポーネントレベルにおいて、および島レベルにおいて１つ以上の局所イベントを予測および／または検出および局所化することと
を含む、非一過性コンピュータ可読媒体。

（参照による組み込み）
本明細書に言及される全ての刊行物、特許、および特許出願は、各個々の刊行物、特許、または特許出願が具体的かつ個々に参照することによって組み込まれることが示される場合と同程度に、参照することによって本明細書に組み込まれる。参照することによって組み込まれる刊行物および特許または特許出願が、本明細書に含有される開示と矛盾する範囲で、本明細書は、任意のそのような矛盾する資料に優先および／または先行することを意図している。

図１は、例示的予測保守システムの略図である。

図２は、例示的配電ネットワークの略図である。

図３は、離散モデルを使用して分散システムにおいて起こるイベントを検出および局所化するための例示的プロセスのフローチャートである。

図４は、潜在変数モデルを訓練するための例示的プロセスのフローチャートである。

図５ａは、１次元分散システムにおけるノードの分割、併合、および再併合を描写する。

図５ｂは、イベントが図５ａにおける各ノードにおいて起こる仮説確率のチャートである。

図６は、本明細書に提供される方法を実装するようにプログラムまたは別様に構成される、コンピュータシステムの略図である。

本開示は、ネットワーク化システムの分割および併合の間のイベント割当のためのシステムおよび方法を説明する。電気グリッド等のネットワークは、適切な機能を維持するために等しく複雑な制御システムを要求する、非常に複雑な動的システムであり得る。システムの制御は、通常の動作の間は、比較的に簡単であり得るが、コンポーネントの除去または接続の障害等の予期せぬ変化が、起こると、ネットワークを制御する論理は、より複雑になり得る。本開示は、電気グリッド、電気通信ネットワーク、サプライチェーン流通ネットワーク、コンピュータネットワーク、ソーシャルネットワーク、石油およびガス生産ネットワーク、および同等物の制御に適用され得る、動的に変化するネットワークの制御を改良するためのシステムおよび方法を提供する。

電気グリッド等のネットワークは、多数の構成における多くのコンポーネントから構成されることができる。例えば、電気グリッドでは、ネットワークは、発電所、送電線、変圧器、変電所、および屋上太陽光パネル等の局所エネルギー源から成り得る。ネットワークは、都市エリアにおける電気グリッド等、高度に接続される、または地方エリアにおける電気グリッド等、高度に単線状になり、あまり相互接続されない場合がある。一般に、ネットワーク化システム内のより分離したコンポーネントは、別の接続が、失敗する場合、フォールバック接続の欠如に起因して、より脆弱である。逆に、高度に接続されたネットワークは、コンポーネントが、相互に複雑に連結される場合、カスケード効果、例えば、停電と関連付けられる電力サージが生じやすくあり得る。ネットワーク化システムの制御における現在の課題および機会は、ネットワークの過去の挙動を理解することと、ネットワークの将来の挙動を予測するためにその理解を適用することとの両方のための方法を開発することにある。

電気グリッド等の複雑なネットワークでは、限定された接続性を伴うネットワークの具体的エリアは、１つ以上の接続が、失敗する場合、分離した状態になり得る。そのようなイベントは、ネットワークコンポーネントのサブセットのネットワークの残りの部分からの分離に起因して、「島化」と称され得る。高度に複雑なネットワークでは、島は、頻繁に形成され、次いで、接続が復旧される際、ネットワークと再併合し得る。拡張された実施例として、暴風が、倒れた電力線に起因する多数のグリッド障害を引き起こし、停電した顧客の多数の分離した島の形成につながり得る。電力線が、復旧される際、島は、再併合し、電力が分配されなければならない方法を偏移させるであろう。いくつかの事例では、電力線障害は、ランダムであり得るが、いくつかの事例では、障害は、特に脆弱なグリッドコンポーネントに予測可能に結び付けられ得る。可能性の高い障害を正確に予測し、島／コンポーネントレベルにおいて障害を局所化し、グリッドが復旧される際の電力需要の偏移を予応的に予想する能力は、信頼性を強化し、グリッド動作の費用を削減することに役立つことができる。

本開示は、島化イベントの間の複雑なネットワークの挙動を分析し、島が形成され、ネットワークと再併合する際にネットワークが反応するであろう方法を予測するための１つ以上の機械学習アルゴリズムの使用を説明する。機械学習アルゴリズムは、経時的にデータセットを用いて訓練されることができる。機械学習アルゴリズムが、より良好に訓練された状態になるにつれて、これは、障害が発生している場合がある島化システム内の具体的コンポーネントを予測する改良された能力を得る。予測結果を使用して、ネットワークの残りの部分の制御が、それに応じて調節され、過去の性能に基づいて、島の最終的な再併合を考慮することができる。本開示は、複雑なネットワークの制御を取り扱うための従来のネットワーク制御システムに対してより高速かつより効率的な方法を提供する。

図１は、島レベルイベントをネットワーク内の特定のコンポーネントに割り当て、将来のコンポーネントレベルイベントを予測するように構成される、例示的予測保守システム１００の略図である。システム１００は、ネットワーク１１０を含む。ネットワーク１１０は、ノード、例えば、ノード１－１０と、ノードを相互に接続するブランチ、例えば、それぞれ、ノード１をノード２、６、および７に接続する、ブランチ２１、２２、および２３とを含む。便宜上、ネットワーク１１０内のいくつかのブランチのみが、識別される。また、ネットワーク１１０内に描写されるノードおよびブランチは、例証的にすぎない。一般に、ネットワークは、任意の有用な組み合わせおよび任意の有用な数のノードおよびブランチを有することができる。例えば、ネットワークは、以下の段落において説明される性質、特性、または特徴のうちのいずれかを有することができる。

本明細書に説明されるようなネットワークは、複数の相互接続されたコンポーネントのシステムを備えてもよい。いくつかの側面では、ネットワークは、少なくとも２個のコンポーネント、少なくとも３個のコンポーネント、少なくとも４個のコンポーネント、少なくとも５個のコンポーネント、少なくとも１０個のコンポーネント、少なくとも２５個のコンポーネント、少なくとも５０個のコンポーネント、少なくとも１００個のコンポーネント、少なくとも１５０個のコンポーネント、少なくとも２００個のコンポーネント、少なくとも２５０個のコンポーネント、少なくとも５００個のコンポーネント、少なくとも１，０００個のコンポーネント、少なくとも５，０００個のコンポーネント、少なくとも１０，０００個のコンポーネント、少なくとも２５，０００個のコンポーネント、少なくとも５０，０００個のコンポーネント、少なくとも１００，０００個のコンポーネント、少なくとも５００，０００個のコンポーネント、少なくとも１，０００，０００個のコンポーネント、またはそれを上回るものを備えてもよい。いくつかの側面では、各コンポーネントは、源、デバイス、コネクタ、接合部、スイッチ、またはシンクを備えてもよい。いくつかの側面では、ネットワーク化システム内のコンポーネントは、これが、ネットワークの挙動に能動的に影響を及ぼすように、動的コンポーネント、例えば、発電所を備えてもよい、またはこれは、ネットワークの挙動に反応する、受動的コンポーネント、例えば、電球であってもよい。ネットワークは、類似するサイズまたは挙動の相互接続されたコンポーネント、例えば、コンピュータネットワークを備えてもよい、またはこれは、高度に可変サイズの相互接続されたコンポーネント、例えば、家庭用電化製品を備えてもよい。

本明細書に説明されるようなネットワークは、直接または間接的に接続されてもよい。いくつかの側面では、ネットワークは、コンポーネントの間の有形の連結を備えるネットワーク接続、例えば、電気グリッドにおける電力線を含んでもよい。他の側面では、ネットワークは、コンポーネントの間の遠隔通信連結、例えば、無線コンピュータネットワークを備えてもよい。いくつかの側面では、ネットワーク接続は、一定、静的、または恒久的であってもよい。他の側面では、ネットワーク接続は、可変、変更可能、または再構成可能であってもよい。いくつかの側面では、ネットワーク接続は、ネットワークの挙動に影響を及ぼす物理的または他の性質を有してもよい。いくつかの側面では、ネットワーク接続は、ネットワークコンポーネント、例えば、電力線、変圧器、または無線ルータを備えてもよい。

本明細書に言及されるようなネットワークはまた、複数の相互接続されたノードのシステムとして説明されてもよい。いくつかの側面では、ネットワークは、少なくとも２個のノード、少なくとも３個のノード、少なくとも４個のノード、少なくとも５個のノード、少なくとも１０個のノード、少なくとも２５個のノード、少なくとも５０個のノード、少なくとも１００個のノード、少なくとも１５０個のノード、少なくとも２００個のノード、少なくとも２５０個のノード、少なくとも５００個のノード、少なくとも１，０００個のノード、少なくとも５，０００個のノード、少なくとも１０，０００個のノード、少なくとも２５，０００個のノード、少なくとも５０，０００個のノード、少なくとも１００，０００個のノード、少なくとも５００，０００個のノード、少なくとも１，０００，０００個のノード、またはそれを上回るものを備えてもよい。ノードは、１つ以上のコンポーネントを備えてもよい。いくつかの側面では、ノードは、単一のデバイス、コネクタ、接合部、スイッチ、またはシンクであってもよい。いくつかの側面では、ノードは、ともに群化される複数のコンポーネント、例えば、多数の電化製品および他の電気シンクを備える家屋を備えてもよい。いくつかの側面では、ネットワーク内のノードは、他のノードへの１つ以上の接続を有してもよい。いくつかの側面では、ノードは、他のノードへのいかなる接続も有していない場合がある。

本明細書に説明されるようなネットワークは、多数の幾何学的構成において配列されてもよい。いくつかの側面では、ネットワークは、ノードの１次元接続を備えてもよく、例えば、ノードは、端末として、すなわち、１つの他のノードへの接続のみを有し得る端末ノード、他のノードへの２つの接続を有し得る中心ノード、または他のノードへのいかなる接続も有していない分離したノードとして分類されてもよい。いくつかの側面では、２つのノードの間の接続は、切断されてもよく、中心ノードは、端末ノードになってもよく、または端末ノードは、分離したノードになってもよい。

いくつかの側面では、ネットワークは、２次元ネットワークを備えてもよい。いくつかの側面では、２次元ネットワーク内のノードは、他のノードへの１つ以上の接続を備えてもよい。他の側面では、２次元ネットワーク内の分離したノードは、他のノードへのいかなる接続も有していない場合がある。いくつかの側面では、２次元ネットワーク内の接続は、選定された接続の端部における２つのノードの間の経路を可能にする、いかなる他の接続も存在しない場合、ボトルネックを備え得る。

いくつかの側面では、ネットワークは、長方形方式で空間的に表され得る、２次元グリッドを備えてもよい。いくつかの側面では、長方形グリッドは、それらの最近傍の近隣物への動作的接続のみを有するノードを備えてもよい。いくつかの側面では、ネットワークは、半径方向方式において空間的に表され得る、２次元グリッドを備えてもよい。いくつかの側面では、半径方向グリッドは、１つ以上の中心ノードから外向きに放射状に広がる、複数の線形の一連のノードを備えてもよい。いくつかの側面では、ネットワークは、接続が、中心ノードから衛星ノードに外向きに放射状に広がる、スポークおよびハブ幾何学形状を備えてもよい。いくつかの側面では、スポークおよびハブネットワークの衛星ノードは、動作的接続を有してもよい。いくつかの側面では、スポークおよびハブモデルは、衛星ノードのいくつかのネスト化層を備えてもよく、それによって、同心状に接続された衛星リングが、ハブノードの周囲に形成されてもよい。

いくつかの側面では、ネットワークは、線形に相互接続された、長方形に相互接続された、または半径方向に相互接続されたノードのハイブリッド幾何学形状を備えてもよい。いくつかの側面では、ネットワークは、複合または非対称パターンにおける接続性を伴う不規則な幾何学形状を備えてもよい。いくつかの側面では、ネットワークは、２つを上回る次元のネットワークを備えてもよく、それによって、付加的次元は、ネットワークの側面を区別する異なる特性または物理的性質、例えば、多相電気グリッドと接続する単相電気グリッドを備えてもよい。

本明細書に説明されるようなネットワークは、多数のタイプの動的システムを備えてもよい。本開示の方法は、上記に説明されるもの等のネットワークの基本的説明を満たす任意のシステムに適用されてもよい。続けて説明されるシステムは、イベント割当アルゴリズムが有益であり得るシステムのタイプを説明することに役立つための例示である。

ネットワークは、その物理的接続性によって定義されてもよい。いくつかの側面では、ネットワークは、電気グリッドシステムを備えてもよく、それによって、電気が、種々の発生源から種々のシンクに分配されてもよい。

本明細書に説明されるようなネットワークは、そのデータ接続性によって定義されてもよい。いくつかの側面では、ネットワークは、コンピュータネットワークを備えてもよい。コンピュータネットワークは、プロセッサ、ハードドライブ、イーサネット（登録商標）カード、イーサネット（登録商標）ケーブル、無線受信機、または無線ルータ等のコンポーネントを備えてもよい。いくつかの側面では、コンピュータネットワークは、メインフレームコンピュータまたはサーバシステムを備えてもよい。

本明細書に説明されるようなネットワークは、空間的接続性によって定義されてもよい。いくつかの側面では、ネットワークは、航空交通制御システムを備えてもよく、それによって、個々の飛行機が、特定の制御ステーションと動作的に関連付けられ、それらが異なるステーションの制御領域に進入すると、関連付けを切り替える。

本明細書に説明されるようなネットワークは、接続性の複数のモードによって定義されてもよい。いくつかの側面では、ネットワークは、製造のシステムを備えてもよい。製造のシステムは、電気コンポーネント、コンピュータコンポーネント、運搬デバイス、材料給送システム、部品取扱システム、ロボットデバイス、または他の相互接続されたデバイスを備えてもよい。

本明細書に説明されるようなネットワークは、ネットワークの制御のための１つ以上のコンピュータを備えてもよい。いくつかの側面では、コンピュータ制御システムは、ネットワークの１つ以上のコンポーネントの機能を自動的に制御してもよい。いくつかの側面では、コンピュータ制御システムは、その意思決定プロセスの一部としてユーザ入力を要求してもよい。いくつかの側面では、コンピュータ制御システムは、変化が起こる際、ネットワークタスクまたは挙動を再分配し、平衡させる、反応性システムを備えてもよい。いくつかの側面では、コンピュータ制御システムは、変化が起こる前に、タスクまたは挙動を予想し、予防的に再分配し、平衡させる、予測システムを備えてもよい。いくつかの側面では、予測制御システムは、機械学習アルゴリズムを備えてもよい。

本明細書に説明されるようなネットワークは、ネットワークの挙動または特性を改変するイベントを被り得る。イベントは、ネットワーク内の１つ以上のコンポーネントまたはノードの改変、削除、アップグレード、障害、または他の変化を備え得る。いくつかの側面では、イベントは、ネットワーク内の障害を備え得る。障害は、切断されたリンク、ハードウェア障害、データ転送の途絶、またはネットワークの性能を阻害する任意の他のイベントを備え得る。イベントは、新しいコンポーネントまたはノードの追加等のシステムのアップグレード、または可変動作を伴うコンポーネントまたはノードからの出力の過渡変動を備え得る。いくつかの側面では、イベントは、２つのコンポーネントまたはノードの間のフローが、接続の欠如によって抑制された状態になるとき、ボトルネックを作成し得る。いくつかの側面では、ネットワーク内のボトルネックの切断は、島化を構成し得る。島は、２つのエンティティの間の接続の再確立によって、主要ネットワークと再併合し得る。

図１に再び目を向けると、ネットワーク１１０はまた、センサ１１２、１１４、および１１６を含む。センサ１１２は、ノード１においてデータを収集し、センサ１１４および１１６は、それぞれ、ブランチ２４および２５においてデータを収集する。センサ１１２－１１６は、ネットワーク１１０のネットワークのタイプに応じて、異なるデータを収集することができる。例えば、ネットワーク１１０が、配電システムである場合、センサ１１２－１１６は、電圧データを収集する、電圧センサであり得る。ネットワーク１１０が、代わりに、サプライチェーンネットワークである場合、センサ１１２－１１６は、例えば、車両センサまたは交通センサであってもよい。センサ１１２－１１６は、有線または無線ネットワーク１３０を経由して、イベント割当サーバ１２０と通信することができる。

システム１００はまた、離散モデル１２５を実装する、イベント割当サーバ１２０を含む。イベント割当サーバ１２０は、ネットワーク１１０の任意のノードまたはブランチまたはその近傍に位置することができる、またはこれは、遠隔で位置することができる。本開示では、単数のサーバとして言及されるが、イベント割当サーバ１２０は、実際には、複数の場所における複数のサーバであり得る。

離散モデル１２５は、ソフトウェア、ハードウェア、または２つの組み合わせにおいてイベント割当サーバ１２０上で実装されることができる。離散モデル１２５は、センサ１１２－１１６からのデータを使用し、ネットワーク１１０内で起こる島レベルイベントを検出、分離、および局所化するように構成される、すなわち、訓練される。すなわち、離散モデル１２５は、イベントに関与する、またはその源であるネットワーク１１０内のノードまたはブランチを決定するように構成される。例えば、センサ１１２－１１６によって収集されたデータを使用して、訓練された離散モデル１２５は、イベント１４０の源が、ネットワーク１１０のノード３であると決定することができる。離散モデル１２５は、加えて、または代替として、イベントの源を決定するために、外部源からのデータ（例えば、気象データ）を使用することができる。イベントは、後でより詳細に説明されるであろう。

離散モデル１２５を伴わないと、イベント割当サーバ１２０は、イベントをネットワーク１１０内の特定のノードまたはブランチに局所化することが可能ではないであろう。これは、センサデータが、全てのノードおよびブランチにおいて利用可能であるわけではないためである。離散モデル１２５は、図３および図４を参照してより詳細に説明されるであろう。

イベント割当サーバ１２５はまた、離散モデル１２５を訓練することを支援する、訓練モジュール１２７を含む。訓練モジュール１２７は、離散モデル１２５のための訓練プロセスを実装する、コンピュータプログラムであり得る。離散モデル１２５の訓練は、図４を参照してより詳細に説明されるであろう。

図２は、例示的配電ネットワーク２００の略図である。配電ネットワーク２００は、発電所２１０と、送電変電所２２０と、高電圧送電線２３０と、スイッチ２４０ａ－ｃと、受電変電所２５０と、配電線２６０と、変圧器２７０ａ－ｄと、消費者２８０ａ－ｄとを含む。発電所２１０は、電気を発生させることができる。送電変電所２２０は、発電所２１０によって発生された電気を高電圧電気に変換することができる。高電圧送電線２３０は、長い距離にわたって高電圧電気を伝送することができる。スイッチ２４０ａ－ｃは、配電ネットワークの部分を分離することができる。受電変電所２５０は、高電圧電力線２３０からの高電圧電気を、配電線２６０が安全に搬送し得る電気に変換することができる。また、変圧器２７０ａ－ｄは、配電線からの電気を、消費者のために適切な電圧を有する電気に変換することができる。描写されないが、配電ネットワークは、配電フィーダを含むことができる。配電フィーダは、受電変電所２５０の出力端子と配電線２６０の入力端子との間の接続である。本明細書に説明されるネットワーク内のノードおよびブランチは、配電フィーダおよび各配電フィーダ内の接続されるノードおよびブランチと関連付けられることができる。上記に説明されるコンポーネントのうちのいずれかは、コンポーネントについてのデータを収集するセンサを装備する、またはそれと統合されることができる。そのようなデータは、本明細書に説明されるアルゴリズムによって使用されることができる。配電ネットワークは、以下の段落においてより詳細に説明される。

本明細書に説明されるような配電ネットワークは、源からシンクに電気エネルギーを伝える任意のシステムを備えてもよい。配電ネットワークは、グリッドシステムを備えてもよい。いくつかの側面では、配電ネットワークは、電気的に接続されたコンポーネントの相互接続されたシステムを備えてもよく、それによって、電気流動が、複数のコンポーネント、例えば、工場組立ラインを駆動または作動させるために使用される。配電ネットワークは、電源、送電線、接合部、スイッチ、および電力シンクの相互接続されたシステムを備えてもよい。配電ネットワークは、制御、監視、保守、最適化、または任意の他の必要なネットワーク機能等の目的のための１つ以上のコンピュータを備えてもよい。

本明細書に説明されるような配電ネットワークは、１つ以上の電源を備えてもよい。電源は、電気エネルギーを分配ネットワークに給送する任意のデバイス、コンポーネント、源、または設備を備えてもよい。電源は、燃焼駆動型発電所、ガス化発電所、原子力発電所、水力発電所、地熱発電所、太陽熱発電所、太陽光発電所、風力発電所、または潮力発電機複合体等の大型発電施設を備えてもよい。大規模電源は、ベース負荷、ピーク負荷、または負荷追従源をであってもよい。大規模燃焼およびガス化システムは、石炭、石油、バイオマス、オイルシェール、および公共固形廃棄物を含む、種々の燃料を利用してもよい。電源は、屋上光起電力パネル、マイクロタービン、ガス発電機、ディーゼル発電機、または風車等の小規模発電源を備えてもよい。電源は、水素燃料電池、固体燃料電池、またはバッテリ等の電気化学デバイスを備えてもよい。バッテリシステムは、アルカリバッテリ、アルミニウム空気バッテリ、リチウム金属バッテリ、溶融塩バッテリ、ニッケル系一次バッテリ、固体バッテリ、アルミニウムイオンバッテリ、鉛酸バッテリ、ニッケル金属水素化物バッテリ、リチウムコバルトバッテリ、リチウムマンガンバッテリ、リチウムイオンポリマーバッテリ、リン酸リチウムバッテリ、リチウム硫黄バッテリ、マグネシウムイオンバッテリ、およびニッケルカドミウムバッテリを備えてもよい。

電源は、種々の方式で電気を給送してもよい。電源は、直流源を備えてもよい。電力デバイスは、交流源を備えてもよい。いくつかの側面では、交流源は、単相または三相源を備えてもよい。電源は、特定の電圧を備えてもよい。直流電源は、７２Ｖ以上の値、４８Ｖ以上の値、３６Ｖ以上の値、２４Ｖ以上の値、１８Ｖ以上の値、１２Ｖ以上の値、５Ｖ以上の値、１．５Ｖ以上の値、１Ｖ以上の値、０．１Ｖ以上の値、または０．０１Ｖ以上の値を備えてもよい。代替として、直流電源は、最大７２Ｖ、最大４８Ｖ、最大３６Ｖ、最大２４Ｖ、最大１８Ｖ、最大１２Ｖ、最大５Ｖ、最大１．５Ｖ、最大１Ｖ、最大０．１Ｖ、または最大０．０１Ｖを備えてもよい。交流電源は、特定の電圧を備えてもよい。交流電源は、７６５ｋＶ以上の値、５００ｋＶ以上の値、２３０ｋＶ以上の値、１１５ｋＶ以上の値、６９ｋＶ以上の値、２４０Ｖ以上の値、２３０Ｖ以上の値、２２０Ｖ以上の値、１２０Ｖ以上の値、１１０Ｖ以上の値、１０Ｖ以上の値、１Ｖ以上の値、または０．０１Ｖ以上の値を備えてもよい。他の場合では、交流電源は、最大７６５ｋＶ、最大５００ｋＶ、最大２３０ｋＶ、最大１１５ｋＶ、最大６９ｋＶ、最大２４０Ｖ、最大２３０Ｖ、最大２２０Ｖ、最大１２０Ｖ、最大１１０Ｖ、最大１０Ｖ、最大１Ｖ、または最大０．０１Ｖを備えてもよい。いくつかの側面では、交流電源は、５０ヘルツまたは６０ヘルツにおいて動作してもよい。

本明細書に説明されるような配電ネットワークは、ネットワーク内のコンポーネントまたはノードを動作的に接続する、複数の伝送要素を備えてもよい。伝送要素は、ネットワークの挙動に影響を及ぼし得る性質を有する、コンポーネントまたはノードを備えてもよい。伝送要素は、電荷を伝送することが可能な任意の物体またはデバイスを備えてもよい。伝送要素は、ワイヤ、ケーブル、導管、またはコードを備えてもよい。伝送要素は、複数の個々のワイヤまたはケーブルの束または集合を備えてもよい。伝送要素は、金属導体、超伝導体、または半導体を備えてもよい。いくつかの側面では、伝送要素は、電力線を備えてもよい。いくつかの側面では、電力線は、高張力電力線を備えてもよい。他の側面では、伝送要素は、副伝送電力線、フィーダ線、または配電線を備えてもよい。いくつかの側面では、伝送要素は、地面の上方にあってもよい。他の側面では、伝送要素は、埋設される、または水中にあってもよい。いくつかの側面では、伝送要素は、恒久的に添着されてもよい。他の側面では、伝送要素は、取外可能または分離可能であってもよい。

本明細書に説明されるような配電ネットワークは、複数の接合部またはスイッチを備えてもよい。接合部は、２つ以上の伝送要素の間の接続の点を備えてもよい。接合部は、２つ以上の伝送要素に分割される１つの伝送要素を備えてもよい。接合部は、より少ない数の伝送要素をもたらすように併合する、２つ以上の伝送要素を備えてもよい。いくつかの側面では、接合部は、変圧器を備えてもよい。いくつかの側面では、接合部は、変電所を備えてもよい。いくつかの側面では、接合部は、端子または接続板を備えてもよい。配電ネットワークは、複数のスイッチまたは開路を備えてもよい。スイッチは、伝送要素上から異なる伝送要素への電気流動を中断する、または電気流動を切り替え得る、任意の要素を備えてもよい。スイッチは、手動で、または機械的に制御されるデバイスを備えてもよい。スイッチは、電子的に制御されてもよい。スイッチは、コンピュータのアクションによって制御されてもよい。スイッチは、機械的リレーまたはソリッドステートリレー等のリレーを備えてもよい。配電システムは、複数の開路を備えてもよい。開路は、電気流動を一時的または恒久的に途絶させる、任意のデバイスまたはコンポーネントを備えてもよい。開路は、ヒューズまたは開スイッチを備えてもよい。開路は、配電システムにおける受動的または能動的要素であってもよい。

電気エネルギーは、種々のシンクにおいて消費または放散されてもよい。電気シンクは、電気エネルギーを機械的、熱的、または電磁的エネルギーに変換する、任意のデバイスを備えてもよい。電気シンクは、限定ではないが、コンピュータ、照明、洗濯機、乾燥機、冷蔵庫、ポンプ、コンプレッサ、電子レンジ、電気炉、コンロ、ファン、ウィンチ、モータ、ツール、および電気放散水加熱器を含む、一般的なデバイスを備えてもよい。いくつかの側面では、バッテリシステムは、放電の間に源として挙動し、充電の間にシンクとして挙動してもよい。いくつかの側面では、シンクは、接地または中性接続を備えてもよい。

本明細書に説明されるような配電ネットワークは、他のコンポーネントを備えてもよい。電気コンポーネントは、受動的または能動的であってもよい。電気コンポーネントは、抵抗器、ダイオード、整流器、トランジスタ、発光ダイオード、増幅器、インダクタ、ヒューズ、電位差計、コンデンサ、またはソレノイドを備えてもよい。

本明細書に説明されるような配電ネットワークは、ネットワークの制御のための１つ以上のコンピュータを備えてもよい。いくつかの側面では、コンピュータ制御システムが、配電ネットワークの機能を自動的に制御してもよい。いくつかの側面では、コンピュータ制御システムは、その意思決定プロセスの一部としてユーザ入力を要求してもよい。いくつかの側面では、コンピュータ制御システムは、変化が起こる際、電気負荷を再分配し、平衡させる、反応性システムを備えてもよい。いくつかの側面では、コンピュータ制御システムは、変化が起こる前に、電気負荷を予想し、予防的に再分配し、平衡させる、予測システムを備えてもよい。いくつかの側面では、予測制御システムは、機械学習アルゴリズムを備えてもよい。

本明細書に説明されるような配電ネットワークは、従来の電力グリッドシステムを備えてもよい。電気グリッドは、局所地域、領域、国における、または国際的なグリッドにおける電源、伝送デバイス、および電力シンクの相互接続を備えてもよい。グリッドは、連続的ベース負荷を提供する、１つ以上の大規模電源を備えてもよい。いくつかの側面では、グリッドは、電気エネルギーを規則的または不規則なパターンにおいてグリッドに給送する、小規模デバイス、例えば、光起電力電池のネットワークを備えてもよい。グリッドは、同期的グリッドを備えてもよく、それによって、交流は、グリッド全体を通して同一の位相および周波数で起こる。電気グリッドは、変圧器等のデバイスによって仲介される変化を伴う１つを上回る電圧を備えてもよい。

本明細書に説明されるような配電ネットワークは、マイクログリッドを備えてもよい。マイクログリッドは、小規模または分離したグリッドを備えてもよい。マイクログリッドは、ガス発電機等の従来のエネルギー源を備えてもよい。マイクログリッドは、風力タービン等の再生可能エネルギー源を備えてもよい。いくつかの側面では、マイクログリッドは、従来の電力グリッドから独立して動作してもよい。他の側面では、マイクログリッドは、大規模グリッドに接続されてもよい。マイクログリッドは、マイクログリッドの機能を制御する、１つ以上のコンピュータを備えてもよい。マイクログリッドと従来のグリッドとの間の１つ以上の接続が、切断される場合では、マイクログリッドは、主要グリッドシステムからの供給または制御を伴わずに、自立動作が可能であってもよい。

本明細書に説明されるような電気グリッドは、いくつかの幾何学形状において配列されてもよい。配電ネットワークは、半径方向ネットワークを備えてもよい。半径方向ネットワークは、ツリー状ネットワークを備えてもよく、それによって、個々の半径方向ブランチは、より小さいブランチに細分化され、これは、順に、またより小さいブランチに細分化されてもよい。配電ネットワークは、メッシュネットワークを備えてもよい。メッシュネットワークは、ループシステムまたはタイドリングシステムを備えてもよい。配電ネットワークは、半径方向およびメッシュネットワークの側面を混成させる、より複雑な幾何学形状を備えてもよい。

本明細書に説明されるような配電ネットワークは、電気エネルギーの分配および流動を改変するイベントを被り得る。イベントは、電気ネットワーク内の１つ以上のコンポーネントまたはノードの改変、削除、アップグレード、障害、または他の変化を備え得る。いくつかの側面では、イベントは、ネットワーク内の障害を備え得る。障害は、切断された送電線、停電、発電所の緊急事態、またはカスケード障害を備え得る。イベントは、新しい電源の追加等のシステムのアップグレード、または風力タービンまたは光起電力電池等の電源からの電力出力の過渡変動を備え得る。いくつかの側面では、イベントは、２つのコンポーネントまたはノードの間のフローが、接続の欠如によって抑制された状態になるとき、ボトルネックを作成し得る。いくつかの側面では、配電ネットワーク内のボトルネックの切断は、島化を構成し得る。電気的島は、２つの領域の間の接続の再確立によって、主要電力グリッドと再併合し得る。

配電ネットワークにおけるイベントは、損失イベントを備え得る。損失イベントは、電気グリッドの１つ以上の領域内の電気負荷の予想される、または予想外の低下を備え得る。損失イベントは、技術的損失を備え得る。技術的損失は、送電線における抵抗損失または変圧器損失等の一定の損失の源を備え得る。いくつかの側面では、電気グリッド制御システムは、そのアルゴリズムにおいて技術的損失を考慮してもよい。損失イベントは、非技術的損失（ＮＴＬ）を備え得る。ＮＴＬは、任意の予想外の損失の源を備え得る。いくつかの側面では、ＮＴＬは、電気サービスの窃盗、電気メータの改竄、メータ誤動作、制御システムエラー、または電気機器への妨害行為を備え得る。いくつかの側面では、ＮＴＬは、電気グリッド制御システムにおいて考慮されない、または不十分に考慮され得る。他の側面では、ＮＴＬは、予想外の損失を検出するために、機械学習アルゴリズムを適用するグリッド制御システムによって考慮されてもよい。

ある場合には、本明細書に説明されるコンポーネントは、電力感知メータを含んでもよい。電力感知メータは、建物内の電気幹線ユニットに取り付けられてもよい。いくつかの事例では、電力感知メータは、変電所に、建物にサービス提供する電柱上に、または建物に隣接する、またはその中のメータボックス内に位置してもよい。建物は、住宅用建物または商業用建物であってもよい。建物は、家屋または電気を生産および／または消費し得る任意のタイプの構造であってもよい。

本明細書に説明されるような電力感知メータは、電気スマートメータおよび／または太陽エネルギーモニタを備えてもよい。本明細書に説明される分配ネットワークは、電力監視モジュールを備えてもよい。

スマートメータは、リアルタイムまたはほぼリアルタイムで建物の電気消費を測定および記録するように構成される、１つ以上のセンサを備えてもよい。建物内の電化製品および備品が、電気を消費し得、それらの電気消費は、スマートメータによって測定および記録されてもよい。例えば、スマートメータは、時間間隔において電気エネルギー消費を記録し、データを所定の頻度において電力監視モジュールに提供するように構成されてもよい。所定の頻度は、１分毎、５分毎、１０分毎、１５分毎、３０分毎、１時間毎、１２時間毎、または２４時間毎に及んでもよい。任意の範囲の頻度が、想定されてもよい。いくつかの事例では、所定の頻度は、１時間毎、３０分毎、１分毎、４５秒毎、３０秒毎、または１５秒毎未満に及んでもよい。故に、電気消費データは、時間の関数としての電気消費の測定値を備えてもよい。例えば、測定された電気消費は、タイムスタンピングされてもよい。いくつかの事例では、電気消費データは、遠隔データベースまたはサーバにおいて記録および記憶されてもよい。

いくつかの事例では、スマートメータは、公共事業提供者への遠隔報告のために、公共事業提供者による監視および／または請求のために、電気消費データを収集するように構成されてもよい。スマートメータはまた、機能停止通知を公共事業提供者に送信し、建物に送達される電力の品質（例えば、送電率、電力連続性、電圧ピーク等）を監視するように構成されてもよい。スマートメータは、電気グリッドに接続されてもよく、グリッド上の建物の電力負荷を決定するために使用されてもよい。

スマートメータの任意の説明はまた、電気消費を測定するために使用される任意のタイプのデバイスに適用されてもよい。例えば、これは、電気消費データを公共事業体に送信する、建物における内蔵電気メータを含んでもよい。スマートメータの任意の説明は、メータと公共事業体との間の双方向のリアルタイムまたはほぼリアルタイムの信号通信等の「スマート」機能性を含むメータに適用されてもよい。

本明細書に説明されるような太陽エネルギーモニタは、リアルタイムで、ほぼリアルタイムで、または断続的周期において太陽光ベースの電気発生を測定および記録するように構成される、１つ以上のセンサを備えてもよい。電気は、建物に位置する太陽電力システムを使用して発生されてもよい。太陽電力ステムは、日光を電気に変換するように構成される、１つ以上の太陽光パネルを備えてもよい。いくつかの実施形態では、太陽電力システムは、光起電力システム（太陽光ＰＶ電力システムまたはＰＶシステムとしても公知である）であってもよい。ＰＶシステムは、光起電力を用いて使用可能な太陽電力を供給するように設計される、電力システムである。ＰＶシステムは、日光を吸収し、電気に変換するための太陽光パネル、電流をＤＣからＡＣに変化させるための太陽光インバータ、および作業システムを設定するための台、ケーブル類、および他の電気付属品を含む、いくつかの部分の配列を備えてもよい。ＰＶシステムは、概して、３つの明確に異なる市場区画、すなわち、住宅用屋上、商業用屋上、および地面搭載実用規模システムにカテゴリ化され得る。それらの能力は、数キロワットから数百メガワットに及び得る。典型的な住宅用システムは、約１０キロワットであり、傾斜した屋根上に搭載され得る一方、商業用システムは、メガワット規模に到達し得、概して、緩斜面またはさらには平坦な屋根上に配設される。

本明細書に説明される太陽エネルギーモニタは、時間間隔において電気エネルギー発生を記録し、データを所定の頻度において電力監視モジュールに提供するように構成されてもよい。所定の頻度は、１分毎、５分毎、１０分毎、１５分毎、３０分毎、１時間毎、１２時間毎、または２４時間毎に及んでもよい。任意の範囲の頻度が、想定されてもよい。いくつかの事例では、所定の頻度は、１時間毎、３０分毎、１分毎、４５秒毎、３０秒毎、または１５秒毎未満に及んでもよい。故に、電気発生データは、時間の関数としての電気発生の測定値を備えてもよい。

いくつかの事例では、太陽エネルギーモニタは、太陽電力生産データを収集するように構成されてもよい。太陽エネルギーモニタは、太陽光生産データを監視することが可能である、任意のデバイスまたはシステムを含んでもよい。太陽電力生産データは、建物に位置する太陽電力システムにおける１つ以上のインバータを通して取得されてもよい。インバータは、通常のＡＣ給電機器に給電するために、太陽電力システムにおける光起電力（ＰＶ）太陽光パネルの可変直流（ＤＣ）出力を商用電源周波数交流（ＡＣ）に変換することができる。変換された電流の測定値は、太陽電力生産データを示してもよい。太陽電力生産データは、太陽光監視システムに送信されてもよい。太陽光監視システムは、太陽光生産データを記憶、更新、および監視するように構成されてもよい。

本明細書に説明される予測保守システムは、配電ネットワーク以外のネットワークにおけるコンポーネントレベルイベントを予測するために使用されることができる。例えば、予測保守システムは、電気通信ネットワーク、サプライチェーンネットワーク、コンピュータネットワーク、石油およびガス生産ネットワーク、またはソーシャルネットワークにおけるイベントを予測するために使用されることができる。

本明細書に説明されるような電気通信ネットワークは、ネットワーク内でデータを伝送するための複数のデバイスを備えてもよい。電気通信ネットワークは、電話ネットワーク、コンピュータネットワーク、金融取引ネットワーク、衛星ネットワーク、およびデータ伝送に基づく任意の他の相互連結されたネットワークを含んでもよい。電気通信ネットワークは、相互と直接または間接的に動作的に通信する、複数のデータ転送およびデータ入手デバイスを備えてもよい。電気通信ネットワークはまた、データ処理および制御のためのデバイスを備えてもよい。いくつかの側面では、電気通信ネットワークは、データを送信および受信することが可能な相互連結された一連のコンポーネント、例えば、航空機と地上制御ステーションとの間の通信のための航空機通信アドレス指定および報告システム（ＡＣＡＲＳ）システムを備えてもよい。いくつかの側面では、電気通信ネットワークは、データを中央入手ハブにのみ伝送する相互連結された一連のデバイス、例えば、遠隔気象感知のためのネットワークを備えてもよい。

電気通信ネットワーク内のコンポーネントまたはノードは、データ転送または入手デバイスを備えてもよい。電気通信ネットワーク内のコンポーネントまたはノードは、ネットワーク内のデバイスの場所を識別するアドレスと関連付けられてもよい。いくつかの側面では、データ転送または入手デバイスは、固定されたアドレスと関連付けられてもよい。他の側面では、データ転送または入手デバイスは、ランダムまたは規則的な間隔において再構成する、可変アドレスを有してもよい。コンポーネントまたはノードは、センサまたは無線送信機等のデータ伝送デバイスを備えてもよい。コンポーネントまたはノードは、ページャ、テレビ、ラジオ、プリンタ、または留守番電話等のデータ受信デバイスを備えてもよい。コンポーネントまたはノードは、ファックス機、交換台、イーサネット（登録商標）ハブ、無線ルータ、コンピュータ、固定電話、無線電話、通信衛星、またはモデム等のデータを送信および受信することが可能なデバイスを備えてもよい。

電気通信ネットワークは、電気または電磁シグナリングを介して、データ伝送のための動作的接続性を達成してもよい。いくつかの側面では、電気通信ネットワークにおける接続性は、イーサネット（登録商標）ケーブル、同軸ケーブル、光ファイバケーブル、または電話線等の有線接続を介して達成されてもよい。いくつかの側面では、電気通信ネットワークにおける接続性は、送信機、受信機、衛星テレビ受信用アンテナ、導波管、アンテナ、および中継器等のデータ転送のための電磁伝送機器を利用してもよい。いくつかの側面では、データ伝送は、パケットの伝送を介して行われてもよい。他の側面では、データは、ストリーミングまたは連続的方式で伝送されてもよい。いくつかの側面では、データ伝送は、ＴＣＰ／ＩＰ、ＩＰＸ／ＳＰＸ、Ｘ．２５、またはＡＸ．２５等の通信プロトコルによって統御されてもよい。

電気通信ネットワークは、ネットワーク内のコンポーネントまたはノードおよび接続のトポロジカルな再配列を作成するイベントを被り得る。いくつかの側面では、イベントは、ネットワークへの、またはそれからのデバイスの追加または除去を備え得る。他の側面では、イベントは、ネットワークのコンポーネントのアドレスの改変または再割当を備え得る。いくつかの側面では、イベントは、ネットワーク内の物理的または非物理的障害を備え得る。物理的障害は、送電線の途絶または太陽嵐の電磁効果に起因する機能停止を含み得る。非物理的障害は、誤った、または失敗した伝送を含み得る。電気通信ネットワークにおけるイベントは、機能停止等、一時的である、またはネットワークからのデバイスの除去等、恒久的であり得る。

電気通信ネットワークは、メッシュネットワークであり得る。メッシュネットワークは、ネットワークのノードが、ネットワーク内の他のノードに直接、動的に、かつ非階層的に接続するネットワークである。ノードの非階層的配列は、１つのノードの障害が、ネットワークの大部分に影響を及ぼさないように防止し、ノードが相互と協働し、効率的にデータをクライアントに、またはそれからルーティングすることを可能にする。メッシュネットワークは、それらが、特定のノードが故障するとき、例えば、イベントがそのノードにおいて起こるとき、そのノードを通してデータを伝送しないように回避するように自動的に再構成し得る点において、「自己修復」メッシュネットワークであり得る。自己修復メッシュネットワークがそれ自体を自動的に再構成した方法についてのデータが、イベントを局所化するために使用されることができる。

いくつかの電気通信ネットワークは、コンピュータネットワークを備えてもよい。コンピュータネットワークは、複数のコンピュータデバイスおよび１つ以上のコンピュータの制御下のデバイスを備えてもよい。コンピュータネットワークは、クローズドシステムまたはオープンシステムであってもよい。オープンコンピュータネットワークは、他のコンピュータネットワークへの１つ以上の接続を備えてもよい。コンピュータネットワークシステムは、パーソナルエリアネットワーク、ローカルエリアネットワーク、無線ローカルエリアネットワーク、広域ネットワーク、システムエリアネットワーク、事業者私設ネットワーク、および仮想私設ネットワークを含んでもよい。

コンピュータネットワークは、相互連結されたデバイスを備える、複数のコンピュータまたはノードを備えてもよい。コンピュータネットワークは、デスクトップコンピュータ、ラップトップコンピュータ、ハンドヘルドまたはタブレットコンピュータ、無線電話デバイス、モデム、ルータ、ハブ、サーバ、プリンタ、モニタ、タッチスクリーン、および走査装置等のコンポーネントを含んでもよい。コンピュータネットワークはまた、ネットワークの制御下でタスクを実施する、ロボットまたはプログラマブル論理コントローラ（ＰＬＣ）コントローラ等のハードウェアコンポーネントを備えてもよい。コンピュータネットワークのコンポーネントは、データ転送、データ入手、制御、シグナリング、算出、処理、および表示を含む、種々のタスクに関与してもよい。ディスプレイ画面等のコンピュータネットワーク内のコンポーネントは、受動的役割を果たしてもよい。プロセスコントローラ等のコンピュータシステム内のコンポーネントは、能動的役割を果たしてもよい。

コンピュータネットワークは、有線または無線接続を介して動作的接続性を有してもよい。有線は、イーサネット（登録商標）ケーブル、ＵＳＢケーブル、フラッシュドライブ、ピンコネクタ、およびコンピュータネットワークのコンポーネントの間のデータの転送を可能にする、任意の他の形態の接続を含んでもよい。コンピュータネットワークは、無線ネットワークによって接続されてもよい。無線接続性は、ハブ、ルータ、およびコンピュータデバイスの間の電磁シグナリングの伝送のために必要な任意の他のデバイスを含んでもよい。

コンピュータネットワークは、ネットワーク内のコンポーネントまたはノードおよび接続のトポロジカルな再配列を作成するイベントを被り得る。いくつかの側面では、イベントは、ネットワークへの、またはそれからのコンピュータデバイスの追加または除去を備え得る。他の側面では、イベントは、ネットワーク内のコンポーネントのアドレスの改変または再割当を備え得る。いくつかの側面では、イベントは、ネットワーク内の物理的または非物理的障害を備え得る。物理的障害は、プリンタの詰まり等のハードウェア途絶または切断に関連する任意のイベントを含み得る。非物理的障害は、データ伝送、入手、処理、または出力における障害に関連する任意のイベントを含み得る。非物理的障害は、サーバまたはルータにおける機能停止等のデータの伝送の失敗を含み得る。非物理的障害はまた、ランサムウェアによるネットワーク化コンピュータの除去、悪意のあるコードに感染したコンピュータデバイスの強制的隔離、または分散型サービス妨害攻撃の間の大量データ伝送による１つ以上のコンポーネントの過負荷等の悪意のあるアクティビティに関連するイベントを含み得る。電気通信ネットワークにおけるイベントは、機能停止等、一時的である、またはネットワークからのデバイスの除去等、恒久的であり得る。

本明細書に説明されるようなソーシャルネットワークは、関係フレームワークを介して接続される、複数のユーザを備えてもよい。ソーシャルネットワークは、地理、職業、国籍、政治的選好、家族関係、友人関係、またはネットワークのコンポーネントを区別する任意の他の因子等の多数の因子に基づいて、関係フレームワークを構築してもよい。ソーシャルネットワークは、団体、家族、個人、またはそれらの組み合わせを含む、種々のレベルの分類法を含む、分類システムを有してもよい。

いくつかの側面では、ソーシャルネットワークのコンポーネントは、ソーシャルネットワークの個々のユーザを備えてもよい。他の側面では、ソーシャルネットワークのコンポーネントは、共通の雇用主、同窓生ステータス、家族、趣味、または分類のための任意の他の根拠等の統一的分類内でともにグループ化される、個々のユーザの集合を備えてもよい。いくつかの側面では、ソーシャルネットワーク内の個々のユーザは、複数の形態の分類を介して他のユーザに接続されてもよい。

ソーシャルネットワークにおける接続性は、自己定義またはシステム定義されてもよい。いくつかの側面では、ソーシャルネットワークプラットフォームのユーザは、自身が分類される方法を選定してもよく、それに応じて、ネットワーク内の他のユーザへの接続性を確立してもよい。他の側面では、コンピュータアルゴリズムが、入手されたデータまたはユーザ供給データに基づいて、個々のユーザまたはコンポーネントの間の接続を形成してもよい。ソーシャルネットワークにおけるコンポーネントの間の接続性は、ユーザまたは統御するコンピュータアルゴリズムのいずれかによって、恒久的または切断可能であってもよい。

ソーシャルネットワークにおけるイベントは、ネットワーク内の接続性の任意の変化を含み得る。個々のユーザに関して、イベントは、出生、結婚、死亡、離婚、入学、卒業、雇用、昇進、解雇または一時解雇、病気、またはソーシャルネットワーク内の個々のユーザの間の関係を改変する任意の他の個人的イベント等のライフイベントに結び付けられ得る。団体レベルにおいて、接続性は、合併、買収、分割または子会社関係、離職、指導者層の変更、再編成、または処理能力、例えば、学校におけるクラス替え等のイベントによって改変され得る。ソーシャルネットワークにおけるイベント発生は、新しい友人関係の形成等、非常にランダムである、またはスケジューリングされた従業員の作業可用性等、非常に予測可能であり得る。

本明細書に説明されるような石油およびガス生産ネットワークは、掘削資産と、精製資産と、パイプライン資産とを含んでもよい。掘削資産は、プラットフォーム、掘削リグ、掘削ビット、ケーシング、ポンプ、および同等物を含んでもよい。掘削資産は、陸上または沖合の資産であってもよい。精製資産は、蒸留ユニット（例えば、原油蒸留ユニットおよび減圧蒸留ユニット）、接触改質装置、水素化分解装置、処理装置（例えば、アミン処理装置、メロックス処理装置、水素化処理装置、および同等物）、および同等物を含む、精製プラントにおいて典型的に見出される、任意の機械または機器を含んでもよい。パイプライン資産は、パイプライン、ポンプ、コンプレッサ、熱交換器、弁、および同等物を含んでもよい。

石油およびガス生産ネットワーク内のノードは、掘削および精製資産であってもよい。ノードは、パイプライン資産および他のサプライチェーンインフラストラクチャ、例えば、道路、鉄道、航路、およびそのような道路、鉄道、および航路を使用する車両によって接続されてもよい。石油およびガス生産ネットワークにおけるイベントは、機械的または電気的障害であり得る。例えば、イベントは、掘削、精製、またはパイプライン資産の障害であり得る。加えて、または代替として、イベントは、気象イベント、例えば、掘削を妨げる、またはサプライチェーンにおける中断を引き起こす気象であり得る。

掘削、精製、およびパイプライン資産は、そのような資産についてのデータを収集するセンサを装備してもよい。センサは、温度計、圧力計、流量計、加速度計、磁気計、および同等物であり得る。そのようなセンサによって収集されたデータは、石油およびガス生産ネットワークにおけるイベントを予測および局所化するために、本明細書に説明されるアルゴリズムによって使用されることができる。

本明細書に説明されるようなサプライチェーンネットワークは、複数の物理的場所と、物理的場所の間のルートと、ルートをナビゲートする車両と、物理的場所において作業し、車両を動作させる人員とを含む。サプライチェーンネットワークは、多くの場合、数千または数百万平方マイルにわたる多くの国で動作する、複数のエンティティ、例えば、企業組織の間の協調に依拠する。サプライチェーンネットワークは、商品を１つ以上の源から複数の目的地に効率的に輸送するように構成される。

サプライチェーンネットワーク内のノードは、供給者製造工場と、組立工場と、地方の流通センターと、地域の流通センターと、目的地、例えば、住宅地の、または商業的顧客とを含むことができる。サプライチェーンネットワーク内のブランチは、サプライチェーンネットワーク内のノードをともに接続する、道路、鉄道、航路、および飛行経路を含むことができる。

サプライチェーンネットワークはまた、サプライチェーンネットワークのルート上で商品を搬送する車両と、車両を動作させ、工場および流通センターにおいて作業する人々とを含む。サプライチェーンネットワーク内の車両は、トラック、列車、船舶、飛行機、および同等物を含むことができる。概して、１人以上の人々が、各車両を動作させる。製造工場および流通センターはまた、概して、製造プロセス、商品の編成、および車両への商品の積み込みを促進するために、かなりの人々を雇用する。

サプライチェーンネットワークのオペレータは、種々のソースからサプライチェーンネットワークについてのデータを収集することができる。例えば、オペレータは、ドップラレーダセンサまたは公的に利用可能なソースからの気象データ、サプライチェーンネットワーク内の車両から、またはＧｏｏｇｌｅ ＭａｐｓまたはＷａｚｅのような公的に利用可能なソースからの交通データ、車両データ、例えば、チェーンネットワーク内の車両の走行距離または保守記録、および製造機器データを収集することができる。サプライチェーンネットワークは、数百または数千マイルおよび複数の国にまたがり得るため、概して、サプライチェーンネットワーク内の全てのノード、ブランチ、および車両についてのデータを収集することは、実現可能ではない。

サプライチェーンネットワークにおけるイベント、すなわち、障害は、サプライチェーンネットワークを途絶させ、費用のかかる出荷遅延を引き起こし得る。例えば、商業的顧客に関して、サプライチェーンネットワークにおける途絶は、例えば、製品のコンポーネント部品が、入手可能ではないため、生産の減少を引き起こし得る。この理由から、それらが起こる前にイベントを予測および防止することが、有益であり得る。

サプライチェーンネットワークにおけるイベントは、気象イベントまたは類似する自然災害、例えば、ハリケーン、暴風雪、洪水、森林火災、および同等物を含み得る。気象イベントは、ルートを通行不能にし、サプライチェーンネットワークを分離した島に断絶し得る。しかしながら、サプライチェーンのオペレータは、通行不能な道路の精密な場所を把握し得ない。例えば、オペレータは、暴風雪が特定の都市または領域に影響を及ぼしたことを把握し得るが、通行不能である特定の道路を把握し得ない。オペレータはまた、過去に暴風雪によって影響を受けた道路を把握し得る。本限定されたデータに基づいて、かつ本明細書に開示されるアルゴリズムを使用して、オペレータは、通行不能になるであろう特定の道路を予測し、それに応じて出荷ルートを調節する、または除雪機器をそれらの道路に送ることができる。

サプライチェーンネットワークにおけるイベントはまた、車両誤動作を含み得る。例えば、トラックが、故障する、または燃料切れになり得る。限定された以前のデータ、例えば、車両保守データおよび過去に誤動作した車両についてのデータを使用して、かつ本明細書に説明されるアルゴリズムを使用して、サプライチェーンネットワークのオペレータは、誤動作するであろう車両を予測し、そのような車両に対して予防保守を実施することができる。同様に、サプライチェーンオペレータは、製造工場における機器誤動作を予測することができる。

サプライチェーンネットワークにおけるイベントはまた、交通事象を含み得る。ある場合には、事象が、道路全体を通行不能にし得る。他の場合では、事故が、特定の車両にのみ影響を及ぼし得る。交通事象の実施例は、車両事故、工事、および大規模な公共イベントを含む。交通事象は、出荷時間を増加させ、その結果、源から目的地への商品の輸送を遅延させ得る。

サプライチェーンネットワークにおけるイベントはまた、作業者不足またはストライキを含み得る。作業者の欠如は、出荷時間の増加につながり得る。

サプライチェーンネットワークにおけるイベントは、特定のブランチ、例えば、道路、航路、鉄道、または飛行経路、特定の車両、特定の工場または流通センター、または特定の供給者に局所化されることができる。

サプライチェーンネットワークにおけるイベントは、配電ネットワークにおけるイベントと同様に、サプライチェーンネットワークの一部を相互から分離した状態にさせ得る。そのような分離した部分は、本明細書では、「島」と称される。ルートが、復旧される際、島は、再結合する。サプライチェーンネットワークにおける可能性の高い障害を正確に予測し、ノード／ルートレベルにおいて障害を局所化する能力は、サプライチェーンネットワークの信頼性および適時性を強化することに役立つことができる。

図３は、離散モデルを使用してネットワークにおいて起こるイベントを検出および局所化するための例示的プロセス３００のフローチャートである。プロセス３００は、ネットワークについてのデータ、すなわち、イベントデータを収集するように構成される、１つ以上の適切にプログラムされたコンピュータによって実施されることができる。例えば、プロセス３００は、図１に描写されるイベント割当サーバ１２０によって実施されることができる。便宜上、プロセス３００は、単一のサーバによって実施されるものとして説明されるであろう。プロセス３００は、配電ネットワーク、電気通信ネットワーク、コンピュータネットワーク、サプライチェーン流通ネットワーク、ソーシャルネットワーク、石油およびガス生産ネットワーク、および同等物を含む、上記に議論されるネットワークタイプのうちのいずれかにおいてイベントを検出および局所化する際の使用のために適合または修正されることができる。

サーバは、ネットワークにおける島レベルイベントを観察する（３１０）。ネットワークは、配電ネットワーク、電気通信ネットワーク、コンピューティングネットワーク、サプライチェーンネットワーク、ソーシャルネットワーク、石油およびガス生産ネットワーク、または任意の他のタイプのネットワークであり得る。

島レベルイベントは、島まで直接追跡可能であるが、島内のコンポーネントまでは直接追跡可能ではない、ネットワーク内で起こるイベントである。島は、ネットワークの分離したパーティションである。島は、ネットワーク内の接続が、断絶するとき、例えば、配電ネットワーク内の配電線が、倒れる、電気通信ネットワークまたはコンピューティングネットワーク内のコンポーネントが、故障する、またはサプライチェーンネットワーク内のルートが、通行不能になるときに形成され得る。同様に、２つ以上の島は、ネットワーク内の接続が、復旧されると、例えば、電気公共事業体が、配電ネットワーク内の倒れた配電線を修繕すると、電気通信ネットワークまたはコンピューティングネットワーク内の故障したコンポーネントが、修理されると、または通行不能なルートが、解消されると、併合し得る。したがって、ネットワークを構成する島は、相互に分割または併合することによって、動的に変化することが可能である。

島の動的変化は、島の分割、併合、または再併合の複数の事例を伴い得る。一般に、島の分割は、その島内の２つ以上のノードまたはブランチを分割するステップを伴う一方、２つ以上の島を併合するステップは、それらの２つ以上の島のそれぞれからのノードまたはブランチを併合するステップを伴う。別の言い方をすると、島の動的変化は、島の個々のコンポーネントのサブセットの分割および／または併合を伴い得る。個々のコンポーネントのサブセットは、同一のサイズであり得る、または個々のコンポーネントのサブセットは、可変サイズであり得る。

各島は、１つ以上の個々のコンポーネントを含むことができる。一般に、島内の個々のコンポーネントは、ノードおよびそれらのノードへの、またはそれからの１つ以上のブランチとして表されることができる。より具体的には、例えば、配電ネットワーク内の島は、以下のもの、すなわち、発電所、送電変電所、高電圧送電線、スイッチ、回路ブレーカ、受電変電所、フィーダ線または配電線、局所変圧器、および消費者のうちの１つ以上のものを含むことができる。コンピューティングネットワーク内の島は、分散コンピューティングネットワーク内のサーバ、プロセッサ、相互接続、無線ルータ、および無線受信機のサブセットを含むことができる。また、製造工場における自動化機器のシステム内の島は、そのような自動化機器のサブセットを含むことができる。いくつかの実施形態では、島は、より小さいパーティション、例えば、上記に列挙されるコンポーネントのサブコンポーネントのみを含むパーティションである。例えば、配電ネットワーク内の島は、発電所における発電機のサブセットまたは送電変電所における変圧器のサブセットのみを含んでもよい。任意のレベルの抽象化が、可能性として考えられる。

一般に、イベントは、ネットワーク内の１つ以上の個々のコンポーネントの動作状態における変化である。例えば、イベントは、コンポーネントの障害、削除、アップグレード、改変、または他の類似する変化であり得る。障害の実施例は、切断されたブランチ、ハードウェア障害、データ転送経路の途絶、およびネットワークの性能を阻害する他の類似するイベントを含む。削除は、ネットワークからのコンポーネントの一時的または恒久的のいずれかの意図的な除去、例えば、保守のためのコンポーネントの一時的除去を伴い得る。アップグレードは、ネットワークへの新しいコンポーネントの追加または可変動作を伴う自然に起こるコンポーネントからの出力の過渡変動であり得る。また、改変は、１つ以上のコンポーネントを１つ以上の他のコンポーネントに関して代用することを伴い得る。いくつかの実施形態では、イベントは、２つのコンポーネントまたはノードの間のフローが、接続の欠如によって抑制された状態になるとき、ボトルネックを作成し得る。

配電ネットワークにおけるイベントの一実施例は、配電ネットワーク内のブレーカスイッチの開または閉であり、ブレーカスイッチは、配電ネットワークのノードおよび／またはブランチのうちの１つ以上のものと関連付けられる。配電ネットワークにおけるイベントの他の実施例は、破損した発電機、倒れた送電線および配電線、変圧器障害、回路ブレーカ過負荷、および同等物を含む。分散コンピューティングシステムにおけるイベントの実施例は、ハードドライブ障害、メモリ過負荷、競合条件、および同等物を含む。

イベントは、他のイベント、またはさらにはカスケードする一連のイベントを引き起こし得る。例えば、配電ネットワーク内の倒れた送電線は、配電ネットワークの別の部分における回路ブレーカを過負荷状態にさせ得る。いくつかの事例では、イベントは、島全体または分配ネットワーク全体を故障させ得る。

サーバは、イベントを定義するデータを収集することによってイベントを「観察」することができる。概して、サーバは、イベントを引き起こした、またはその源であったネットワーク内の特定のコンポーネントを直ちに識別することができない。これは、サーバが、ネットワーク内の全てのノードおよびブランチからデータを受信するわけではないためである。例えば、数千台の電気機器、数百マイルの送電線および配電線、および数千人の消費者を含み得る配電ネットワーク全体に必要なセンサを装備することは、非実践的かつ高価であろう。同様に、複数の国にまたがる、数千または数百万平方マイルの陸、海、および空域を網羅し得るサプライチェーンネットワーク全体にセンサを装備することは、非実践的であろう。しかしながら、サーバは、ネットワーク内のノードのサブセットにおいて収集されたデータに基づいて、イベントが起こったネットワーク内の大体の領域を決定することができる。例えば、サーバは、送電線および配電線のサブセットから送電線および配電線データを受信することができる。データは、線の温度および振動、瞬間的および平均的な電流および電圧測定値、および同等物を含むことができる。同様に、配電ネットワーク内の変圧器、スイッチ、回路ブレーカ、および電気メータのサブセットは、データをサーバに伝送するセンサを装備することができる。センサは、有線または無線ネットワークを経由して、サーバと通信することができる。

ネットワークを横断する異なるノードからのデータを比較することによって、サーバは、概して、イベントを特定の島に帰すると見なす、または割り当てることができる。サーバはまた、特に、サーバが、ネットワークの既存のマップを有していないとき、またはイベントが、ネットワークの構成を変化させるとき、ネットワークをマッピングするためにデータを使用することができる。ネットワークをマッピングするステップは、ネットワークの分離したパーティション、すなわち、島およびそれらの境界を識別するステップを伴うことができる。島は、サーバが受信するデータの１つ以上の特性または性質に基づいて、相互から識別可能かつ区別可能であり得る。例えば、配電ネットワークの文脈では、島は、ネットワークの特定の部分における予期せぬ電圧レベルに基づいて、相互から識別可能かつ区別可能であり得る。

サーバは、島レベルイベントを記述するデータを離散モデルに提供する（２２０）。一般に、離散モデルは、システムをいくつかの部分に分化するモデルである。本開示の文脈では、それらの部分は、島を構成する個々のコンポーネントである。

離散モデルは、データを使用し、個々のコンポーネントレベルにおいてイベントを検出、分離、および局所化するように構成される、すなわち、訓練される。すなわち、離散モデルは、イベントに関与する、またはその源である島内の個々のコンポーネントを決定するように構成される。例えば、配電ネットワーク内の特定の配電線が、その送電線が、故障する、例えば、暴風雪の間に大雪の重量下で座屈する場合、イベントの源であり得る。イベントを記述する島レベルデータを使用して、離散モデルは、配電線をイベントの源として識別するように構成される。別の実施例として、分散コンピューティングネットワーク内のサーバメモリが、メモリが、容量を超え、分散コンピューティングネットワーク内のデータ経路を途絶させる場合、イベントの源であり得る。イベントを記述する島レベルデータ、例えば、分散コンピューティングシステム内で途絶されるデータ経路を識別するデータを使用して、離散モデルは、メモリをイベントの源として識別するように構成される。離散の訓練は、図４を参照してより詳細に説明されるであろう。

離散モデルは、島のうちの１つ以上のものが、動的に変化している際、個々のコンポーネントレベルにおいて１つ以上の局所イベントを検出するように構成される。イベントを個々のコンポーネントに割り当てる、または帰すると見なすことは、まさにこの理由から、すなわち、島が分割、併合、および再併合し得るため、イベントが属する島を追跡することが困難であり得ることから、重要である。

いくつかの実施形態では、離散モデルは、機械学習潜在変数モデルである。潜在変数は、直接観察されないが、代わりに、観察される他の変数から推論される変数である。潜在変数の古典的な実施例は、一般的な知能である。一般的な知能は、直接観察および測定されることができないが、これは、標準化された試験スコア、高校または大学の成績評価点平均、主観的評価、またはそれらの組み合わせのような他の観察される変数によって知ることができる。潜在変数の別の実施例は、一般的な健康である。再び、一般的な健康は、直接測定されることができないが、これは、肥満度指数、安静時心拍数、血圧、コレステロールレベル、および同等物を含む、いくつかの他の観察される変数によって知ることができる。

本明細書に説明されるネットワークの文脈では、特定のイベントに関与する、またはその源であるコンポーネントは、概して、観察不可能であり、したがって、モデル化され得る潜在変数である。イベントを引き起こす個々のコンポーネントを観察することは、理論的に可能であるが、前述に説明される理由から、行うことは、実践的ではない。しかしながら、（ｉ）特定のイベントに関与するコンポーネントおよび（ｉｉ）特定のコンポーネントが所与のイベントの源である確率の両方は、潜在変数モデルに編成される他の観察可能なデータから推論されることができる。

機械学習潜在変数モデルは、（ｉ）上記に説明されるもののような潜在変数をモデル化し、（ｉｉ）概して、教師なし学習環境における訓練を通して経時的に精緻化される、統計モデルである。本開示に説明されるネットワークの文脈では、機械学習潜在変数モデルは、コンポーネントレベルにおいて実装されることができる。すなわち、機械学習潜在変数モデルは、それぞれ、局所イベントが個々のコンポーネントのそれぞれにおいて起こる確率に対応する潜在変数を含むことができる。

便宜上、機械学習潜在変数モデルは、単純に、潜在変数モデルと称されるであろう。潜在変数モデルの訓練は、図４を参照してより詳細に説明されるであろう。

潜在変数モデルは、概して、観察可能な変数が、単に、潜在変数上のそれらの位置の結果であり、観察可能な変数が、潜在変数を制御した後にいかなる共通点も有していないという仮定の下で動作する。これは、局所独立性として公知である。例えば、配電ネットワークの潜在変数モデルは、電圧不均衡が、単に、イベントを引き起こしたコンポーネントが位置する特定の島の結果であるという仮定の下で動作してもよい。

潜在変数モデルの一実施例は、混合モデルである。混合モデルは、より大きい母集団内の部分母集団の存在を表すための確率的モデルである。すなわち、混合モデルは、部分母集団識別情報を伴わずに、母集団全体についての観察のみを前提として、部分母集団の性質についての統計的推論を行うために使用されることができる。モデルは、観察されるデータが、それに個々の観察が属する部分母集団を識別することを要求しない。本明細書に説明されるネットワークの文脈では、観察される島レベルイベントは、混合モデルの大きい母集団であり得、イベントに関与する個々のコンポーネントは、存在するが、観察されない部分母集団であり得る。

古典的な実施例では、混合モデルは、住宅価格をモデル化するために使用される。一般に、異なる区域における異なるタイプの住宅は、大きく異なる価格を有するが、例えば、特定の区域における特定のタイプの住宅の価格は、クラスタ化する傾向がある。そのような価格の１つの可能性として考えられるモデルは、（ｉ）価格が、ｋ個の異なるコンポーネントを伴う混合モデルによって正確に記述され、（ｉｉ）各コンポーネントが、正規分布を有し、（ｉｉｉ）各コンポーネントが、住宅タイプ／区域の特定の組み合わせを規定することを仮定するモデルである。例えば、期待値最大化アルゴリズムを使用することによって、本モデルを観察された価格に適合させることは、住宅タイプ／区域に従って価格をクラスタ化し、各住宅タイプ／地区における価格の広がりを露見させる傾向があるであろう。

本同一のアプローチは、本明細書に説明されるネットワークに適用可能である。ネットワークにおけるイベントの１つの可能性として考えられるモデルは、（ｉ）島レベルイベントが、島内のｋ個の異なるコンポーネントのうちの１つまで追跡され得、（ｉｉ）各コンポーネントが、正規分布を有し、（ｉｉｉ）モデルの各コンポーネントが、島内の物理的コンポーネントを規定することを仮定するモデルである。例えば、期待値最大化アルゴリズムを使用することによって、本モデルを観察された島レベルイベントに適合させることは、イベントに関与するコンポーネントによる観察されたイベントをクラスタ化し、所与のイベントが特定のコンポーネントを起点とする尤度を露見させる傾向があるであろう。

潜在変数モデルの別の実施例は、ベイズモデルである。一般に、ベイズモデルは、変数または特徴のセットおよびそれらの条件付き依存関係を表す、確率的グラフィカルモデルである。ベイズモデルは、変数または特徴を表すために、有向非巡回グラフ（ＤＡＧ）を利用することができる。各変数または特徴は、ベイズモデルにおけるノードによって表されることができる。一実施例では、一方のノードが、他方によって影響を受ける、またはそれに依存する場合、第１のノードと第２のノードとの間に、接続、リンク、またはエッジが、存在することができる。第１のノードが、第２のノードによって影響を受ける、またはそれに依存する場合、接続は、第２のノードから第１のノードに指向されることができる。第２のノードが、第１のノードによって影響を受ける、またはそれに依存する場合、接続は、第１のノードから第２のノードに指向されることができる。

ベイズモデルは、島レベルイベント間の確率的関係を表すことができる。一実施例では、島レベルイベントについての限定されたデータが、利用可能であるとき、ベイズモデルは、島レベルイベントに関与する個々のコンポーネントを決定する、推論する、または予測するために使用されることができる。

イベントに関与する個々のコンポーネントの推論は、ベイズモデルに提供される少なくともいくつかのデータに基づくことができる。例えば、いくつかの島レベルイベントデータは、ベイズに提供されることができる。いくつかの実装では、イベントに関与する島内の個々のコンポーネントを推論するステップは、最大事後推定プロセスをベイズモデルに適用し、ユーザと関連付けられる複数のエネルギー消費源に関する複数のエネルギー消費値を入手するステップを含む。一般に、ベイズネットワークモデルに関して、最大事後推定プロセスは、事後分布の最頻値に対応することができる。最大事後推定プロセスは、経験的データ、例えば、以前のイベントからの島レベルデータに基づいて、観察されない数量の点推定値、例えば、特定のコンポーネントがイベントに関与する確率を入手するために利用されることができる。一実施例では、個々のコンポーネントが島内の所与のイベントを引き起こす確率のうちの１つ以上のものは、未知である。最大事後推定プロセスは、島イベントデータの限定されたデータ等の利用可能な情報に基づいて、１つ以上の未知の確率に関して最も可能性の高い値を決定する、推論する、または推定することができる。したがって、離散された確率が、最大事後推定プロセスを使用して、決定される、推論される、または推定されることができる。多くの変形例が、可能性として考えられることを理解されたい。また、いくつかの実施形態では、複数の個々のコンポーネント確率の推論は、分配ネットワーク内に付加的センサを配設することなく実施されることができる。

再び図３を参照すると、サーバは、上記に説明されるモデルのうちのいずれかであり得る、離散モデルから、コンポーネントレベルおよび島レベルにおける局所イベントの検出を受信する（３３０）。検出は、コンポーネントに対して予測保守を実施するために使用されることができる。いくつかの実装では、プロセス３００は、それらが起こる前にコンポーネントレベルイベントを予測し、対応するコンポーネントに対して保守を実施するために使用される。

図４は、潜在変数モデル、例えば、図３を参照して説明される潜在変数モデルのうちの１つ以上のものを訓練するための例示的プロセス４００のフローチャートである。具体的には、プロセス４００は、期待値最大化アルゴリズムに対応する。期待値最大化アルゴリズムは、訓練実施例が、標識化される必要がない点において、教師なし学習アルゴリズムである。実際に、潜在変数モデルは、観察されない変数をモデル化するため、多くの場合、訓練実施例のために標識を提供することは、非実践的または不可能である。プロセス４００は、図１に描写される訓練モジュール１２７によって実施されることができる。

予備知識として、期待値最大化アルゴリズムは、統計モデルにおけるパラメータの最大尤度または最大事後推定値を求めるための反復的方法であり、モデルは、観察されない潜在変数に依存する。本明細書に説明されるネットワークの文脈では、観察されない潜在変数は、島レベルイベントを引き起こす個々のコンポーネントであり、パラメータは、個々のコンポーネントが所与の島レベルイベントの源である確率である。

最大事後確率推定値は、未知の数量の事後分布の最頻値に等しい、その未知の数量の推定値である。最大事後確率は、経験的データ、例えば、島レベルデータに基づいて、観測されない数量の点推定値を取得するために使用されることができる。これは、最大尤度推定の方法に密接に関連するが、推定することを所望する数量にわたる事前分布（関連するイベントの事前知識を通して利用可能な付加的情報を定量化する）を組み込む、拡張された最適化目的を採用する。最大事後推定は、したがって、最大尤度推定の正則化として見なされることができる。

期待値最大化反復は、パラメータに関する現在の推定値、例えば、コンポーネント確率を使用して評価された対数尤度の期待値に関する関数を作成する、期待値ステップと、期待値ステップ上で求められた予期される対数尤度を最大化するパラメータを算出する、最大化ステップとを交互に実施する。これらのパラメータ推定値は、次いで、次の期待値ステップにおいて潜在変数の分布を決定するために使用される。

言い換えると、関連するイベントの事前知識を使用し、将来のイベントが起こるであろう確率分布をモデル化する。本明細書に説明されるネットワークの文脈では、これは、島内の各コンポーネントが島レベルイベントに関与する、またはその源である確率が、事前算出または事前推定されることを意味する。事前算出された確率は、実際には、確率分布である。イベントが、観察されると、モデルは、特定のコンポーネントがイベントを引き起こした確率を推論し、事前算出された確率分布は、推論および新しいイベントに基づいて、更新される。

訓練モジュールは、島上の各コンポーネントがイベントを引き起こす事前確率を推定する（４１０）。概して、事前確率は、観察された変数にわたる確率分布である。事前確率は、以前のイベントデータに基づく、最初から既知の、実際の、または推定された確率であり得る。

サーバ上に実装される、訓練モジュールは、島上のイベントを観察する（４２０）。前述に言及されるように、イベントを観察するステップは、イベントを定義する島レベルデータを収集するステップを伴う。しかしながら、そのデータは、モデル化される潜在変数である、それにイベントが割り当てられるべきであるコンポーネントを含んでいない。

利用可能である島レベルイベントデータおよび事前確率分布を使用して、訓練モジュールは、厳密な事後分析を実施し、観察されたイベントが島上の各コンポーネントによって引き起こされた確率を決定する（４３０）。事後推論は、事後分布の最頻値に等しい未知の数量の推定値であり、これは、関連する証拠または背景が考慮された後、潜在変数、例えば、島レベルイベントに関与する島内の個々のコンポーネントに割り当てられる条件付き確率である。

訓練モジュールは、新しいイベントデータおよび推論に基づいて、事前確率を更新する（４４０）。

ステップ４２０－４４０は、収束まで、すなわち、潜在変数分布が、新しいイベントが観察されるときにある閾値量未満で変化するまで、繰り返される（４５０）。

図５ａは、ネットワークにおける島分割および併合の１次元実施例を描写する。時間Ｔ＝１において、ネットワークは、３つの島、すなわち、Ａ、Ｂ、およびＣを有する。島Ａは、ノード１および２から構成され、島Ｂは、ノード３から構成され、島Ｃは、ノード４および５から構成される。

時間Ｔ＝２において、時間Ｔ＝１におけるノード１と２との間のイベントに起因して、ノード２は、ノード１から分割され、ノード３と併合する。結果として、新しい島Ｄが、ノード１のみから作製され、新しい島Ｅが、ノード２および３から作製される。ノードＣは、同一のままであった。

時間Ｔ＝３において、時間Ｔ＝２におけるノード２と３との間のイベントに起因して、ノード２は、ノード１と再併合し、ノード３は、ノード４および５と併合する。結果として、島Ａが、再形成され、ノード３、４、および５は、島Ｆを構成し、これは、新しい。

時間Ｔ＝４において、時間Ｔ＝３におけるノード４におけるイベントに起因して、ノード３は、ノード４から分割され、元の島Ａ、Ｂ、およびＣの全てが再形成されることをもたらす。

図５ｂは、イベントが各時間に各ノードにおいて起こる仮説確率を描写する。

本開示は、本開示の方法を実装するようにプログラムされる、コンピュータシステムを提供する。

図６は、本明細書に提供される方法を実装するようにプログラムまたは別様に構成される、コンピュータシステム６０１を示す。

コンピュータシステム６０１は、例えば、複数の在庫変数を備える在庫データセットを取得するステップ、訓練されたアルゴリズムを在庫データセットに適用し、将来の不確実性を有する変数の予測を発生させるステップ、および最適化アルゴリズムを在庫データセットに適用し、複数の在庫変数を最適化するステップ等の本開示の種々の側面を調整することができる。コンピュータシステム６０１は、ユーザの電子デバイスまたは電子デバイスに対して遠隔で位置するコンピュータシステムであり得る。電子デバイスは、モバイル電子デバイスであり得る。

コンピュータシステム６０１は、シングルコアまたはマルチコアプロセッサ、または並列処理のための複数のプロセッサであり得る、中央処理ユニット（ＣＰＵ、また、本明細書では、「プロセッサ」および「コンピュータプロセッサ」）６０５を含む。コンピュータシステム６０１はまた、メモリまたはメモリ場所６１０（例えば、ランダムアクセスメモリ、読取専用メモリ、フラッシュメモリ）と、電子記憶ユニット６１５（例えば、ハードディスク）と、１つ以上の他のシステムと通信するための通信インターフェース６２０（例えば、ネットワークアダプタ）と、キャッシュ、他のメモリ、データ記憶装置、および／または電子ディスプレイアダプタ等の周辺デバイス６２５とを含む。メモリ６１０、記憶ユニット６１５、インターフェース６２０、および周辺デバイス６２５は、マザーボード等の通信バス（実線）を通してＣＰＵ６０５と通信する。記憶ユニット６１５は、データを記憶するためのデータ記憶ユニット（またはデータリポジトリ）であり得る。コンピュータシステム６０１は、通信インターフェース６２０を用いてコンピュータネットワーク（「ネットワーク」）６３０に動作的に結合されることができる。ネットワーク６３０は、インターネット、イントラネットおよび／またはエクストラネット、またはインターネットと通信するイントラネットおよび／またはエクストラネットであり得る。

ネットワーク６３０は、ある場合には、電気通信および／またはデータネットワークである。ネットワーク６３０は、クラウドコンピューティング等の分散コンピューティングを可能にし得る、１つ以上のコンピュータサーバを含むことができる。例えば、１つ以上のコンピュータサーバは、ネットワーク６３０（「クラウド」）を経由するクラウドコンピューティングが、例えば、複数の在庫変数を備える在庫データセットを取得するステップ、訓練されたアルゴリズムを在庫データセットに適用し、将来の不確実性を有する変数の予測を発生させるステップ、および最適化アルゴリズムを在庫データセットに適用し、複数の在庫変数を最適化するステップ等の本開示の分析、計算、および発生の種々の側面を実施することを可能にし得る。そのようなクラウドコンピューティングは、例えば、Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ（ＡＷＳ）、Ｍｉｃｒｏｓｏｆｔ Ａｚｕｒｅ、Ｇｏｏｇｌｅ Ｃｌｏｕｄ Ｐｌａｔｆｏｒｍ、およびＩＢＭクラウド等のクラウドコンピューティングプラットフォームによって提供されてもよい。ネットワーク６３０は、ある場合には、コンピュータシステム６０１を用いて、コンピュータシステム６０１に結合されるデバイスが、クライアントまたはサーバとして挙動することを可能にし得る、ピアツーピアネットワークを実装することができる。

ＣＰＵ６０５は、プログラムまたはソフトウェア内に具現化され得る、機械可読命令のシーケンスを実行することができる。命令は、メモリ６１０等のメモリ場所内に記憶されてもよい。命令は、ＣＰＵ６０５にダイレクトされることができ、これは、続けて、本開示の方法を実装するようにＣＰＵ６０５をプログラムまたは別様に構成することができる。ＣＰＵ６０５によって実施される動作の実施例は、フェッチ、デコード、実行、およびライトバックを含むことができる。

ＣＰＵ６０５は、集積回路等の回路の一部であり得る。システム６０１の１つ以上の他のコンポーネントが、回路内に含まれることができる。ある場合には、回路は、特定用途向け集積回路（ＡＳＩＣ）である。

記憶ユニット６１５は、ドライバ、ライブラリ、および保存されたプログラム等のファイルを記憶することができる。記憶ユニット６１５は、ユーザデータ、例えば、ユーザ選好およびユーザプログラムを記憶することができる。コンピュータシステム６０１は、ある場合には、イントラネットまたはインターネットを通してコンピュータシステム６０１と通信する遠隔サーバ上に位置する等、コンピュータシステム６０１の外部にある１つ以上の付加的データ記憶ユニットを含むことができる。

コンピュータシステム６０１は、ネットワーク６３０を通して１つ以上の遠隔コンピュータシステムと通信することができる。例えば、コンピュータシステム６０１は、ユーザの遠隔コンピュータシステムと通信することができる。遠隔コンピュータシステムの実施例は、パーソナルコンピュータ（例えば、ポータブルＰＣ）、スレートまたはタブレットＰＣ（例えば、Ａｐｐｌｅ（登録商標） ｉＰａｄ（登録商標）、Ｓａｍｓｕｎｇ（登録商標） Ｇａｌａｘｙ Ｔａｂ）、電話、スマートフォン（例えば、Ａｐｐｌｅ（登録商標） ｉＰｈｏｎｅ（登録商標）、Ａｎｄｒｏｉｄ対応デバイス、Ｂｌａｃｋｂｅｒｒｙ（登録商標））、または携帯情報端末を含む。ユーザは、ネットワーク６３０を介してコンピュータシステム６０１にアクセスすることができる。

本明細書に説明されるような方法は、例えば、メモリ６１０または電子記憶ユニット６１５上等、コンピュータシステム６０１の電子記憶場所上に記憶される機械（例えば、コンピュータプロセッサ）実行可能コードを用いて実装されることができる。機械実行可能または機械可読コードは、ソフトウェアの形態において提供されることができる。使用の間、コードは、プロセッサ６０５によって実行されることができる。ある場合には、コードは、記憶ユニット６１５から読み出され、プロセッサ６０５による迅速なアクセスのためにメモリ６１０上に記憶されることができる。いくつかの状況では、電子記憶ユニット６１５は、除外されることができ、機械実行可能命令は、メモリ６１０上に記憶される。

コードは、事前コンパイルされ、コードを実行するように適合されるプロセッサを有する機械との併用のために構成されることができる、またはランタイムの間にコンパイルされることができる。コードは、コードが事前コンパイルまたはアズコンパイルされた方式で実行されることを可能にするように選択され得る、プログラミング言語で供給されることができる。

コンピュータシステム６０１等の本明細書に提供されるシステムおよび方法の側面は、プログラミングにおいて具現化されることができる。本技術の種々の側面は、典型的には、あるタイプの機械可読媒体上で搬送される、またはそれにおいて具現化される機械（またはプロセッサ）実行可能コードおよび／または関連付けられるデータの形態における「製品」または「製造品」と考えられ得る。機械実行可能コードは、メモリ（例えば、読取専用メモリ、ランダムアクセスメモリ、フラッシュメモリ）またはハードディスク等の電子記憶ユニット上に記憶されることができる。「記憶」タイプ媒体は、ソフトウェアプログラミングのために任意の時点で非一過性記憶を提供し得る、コンピュータ、プロセッサ、または同等物の有形メモリ、または種々の半導体メモリ、テープドライブ、ディスクドライブ、および同等物等のその関連付けられるモジュールのうちのいずれかまたは全てを含むことができる。ソフトウェアの全てまたは一部は、随時、インターネットまたは種々の他の電気通信ネットワークを通して通信されてもよい。そのような通信は、例えば、１つのコンピュータまたはプロセッサから別のものへの、例えば、管理サーバまたはホストコンピュータからアプリケーションサーバのコンピュータプラットフォームへのソフトウェアのロードを可能にし得る。したがって、ソフトウェア要素を搭載し得る別のタイプの媒体は、ローカルデバイスの間の物理的インターフェースを横断して、有線および光学固定ネットワークを通して、および種々のエアリンクを経由して使用される等、光学、電気、および電磁波を含む。有線または無線リンク、光学リンク、または同等物等のそのような波を搬送する物理的要素はまた、ソフトウェアを搭載する媒体と見なされてもよい。本明細書に使用されるように、非一過性有形「記憶」媒体に制限されない限り、コンピュータまたは機械「可読媒体」等の用語は、実行のためにプロセッサに命令を提供することに関与する任意の媒体を指す。

したがって、コンピュータ実行可能コード等の機械可読媒体は、限定ではないが、有形記憶媒体、搬送波媒体、または物理的伝送媒体を含む、多くの形態をとってもよい。不揮発性記憶媒体は、例えば、図面に示されるデータベース等を実装するために使用され得る等、任意のコンピュータまたは同等物内の記憶デバイスのうちのいずれか等の光学または磁気ディスクを含む。揮発性記憶媒体は、そのようなコンピュータプラットフォームの主要メモリ等のダイナミックメモリを含む。有形伝送媒体は、同軸ケーブル、すなわち、コンピュータシステム内のバスを構成するワイヤを含む、銅ワイヤおよび光ファイバを含む。搬送波伝送媒体は、電気または電磁信号、または無線周波数（ＲＦ）および赤外線（ＩＲ）データ通信の間に発生されるもの等の音響または光波の形態をとってもよい。コンピュータ可読媒体の一般的な形態は、したがって、例えば、フロッピーディスク、フレキシブルディスク、ハードディスク、磁気テープ、任意の他の磁気媒体、ＣＤ－ＲＯＭ、ＤＶＤまたはＤＶＤ－ＲＯＭ、任意の他の光学媒体、パンチカード、紙テープ、孔のパターンを伴う任意の他の物理的記憶媒体、ＲＡＭ、ＲＯＭ、ＰＲＯＭおよびＥＰＲＯＭ、ＦＬＡＳＨ－ＥＰＲＯＭ、任意の他のメモリチップまたはカートリッジ、データまたは命令を転送する搬送波、そのような搬送波を転送するケーブルまたはリンク、またはそれからコンピュータがプログラミングコードおよび／またはデータを読み取り得る任意の他の媒体を含む。コンピュータ可読媒体のこれらの形態のうちの多くは、１つ以上の命令の１つ以上のシーケンスを実行のためにプロセッサに搬送することに関与してもよい。

コンピュータシステム６０１は、ユーザインターフェース（ＵＩ）６４０を備える電子ディスプレイ６３５を含む、またはそれと通信することができる。ユーザインターフェース（ＵＩ）の実施例は、限定ではないが、グラフィカルユーザインターフェース（ＧＵＩ）およびウェブベースのユーザインターフェースを含む。例えば、コンピュータシステムは、例えば、ＢＯＭをユーザに表示するように構成される、ウェブベースのダッシュボード（例えば、ＧＵＩ）を含むことができる。

本開示の方法およびシステムは、１つ以上のアルゴリズムを用いて実装されることができる。アルゴリズムは、中央処理ユニット６０５による実行に応じて、ソフトウェアを用いて実装されることができる。アルゴリズムは、例えば、複数の在庫変数を備える在庫データセットを取得し、訓練されたアルゴリズムを在庫データセットに適用し、将来の不確実性を有する変数の予測を発生させ、最適化アルゴリズムを在庫データセットに適用し、複数の在庫変数を最適化することができる。

説明は、その特定の実施形態に関して説明されているが、これらの特定の実施形態は、単に、例証的であり、制限的ではない。実施例において例証される概念は、他の実施例および実装に適用されてもよい。

本発明の好ましい実施形態が、本明細書に示され、説明されているが、そのような実施形態が、実施例としてのみ提供されることが当業者に明白であろう。本発明は、本明細書内に提供される具体的実施例によって限定されることを意図していない。本発明は、前述の本明細書を参照して説明されているが、本明細書の実施形態の説明および例証は、限定的意味で解釈されることを意味していない。多数の変形例、変更、および代用が、ここで、本発明から逸脱することなく、当業者に想起されるであろう。さらに、本発明の全ての側面が、種々の条件および変数に依存する、本明細書に記載される具体的描写、構成、または相対的割合に限定されないことを理解されたい。本明細書に説明される本発明の実施形態の種々の代替が、本発明を実践する際に採用され得ることを理解されたい。したがって、本発明はまた、任意のそのような代替、修正、変形例、または均等物を網羅することとすることが想定される。以下の請求項は、本発明の範囲を定義し、これらの請求項の範囲内の方法および構造およびそれらの均等物が、それによって網羅されることを意図している。

Claims (27)

1. コンピュータ実装イベント割当方法であって、
   複数の島を備えるネットワークをマッピングすることであって、前記複数の島は、前記複数の島のうちの１つ以上の島の分割または併合によって、動的に変化することが可能であり、前記ネットワークは、配電ネットワークを備え、前記複数の島のそれぞれは、１つ以上のコンポーネントを備える、ことと、
   離散モデルを使用して、前記島における島イベントの原因である前記島の前記１つ以上のコンポーネントのうちのコンポーネントを予測および／または検出および局所化することと
   を含み、
   前記島イベントは、コンポーネントイベントと関連付けられ、前記コンポーネントイベントは、（ｉ）前記コンポーネントにおいて起こり、かつ（ｉｉ）前記１つ以上の島の前記分割または併合の原因であり、
   前記離散モデルは、機械学習潜在変数モデルであり、
   前記機械学習潜在変数モデルは、前記コンポーネントにおける前記コンポーネントイベントに対応する潜在変数を備え、
   前記機械学習潜在変数モデルは、前記コンポーネントイベントと関連付けられる前記島イベントを記述するイベントデータを受信することと、前記コンポーネントイベントに対応する前記潜在変数が前記島イベントを起こさせたという仮定に基づいて、前記イベントデータを処理することとを行うように構成される、方法。
2. 前記機械学習潜在変数モデルは、前記コンポーネントが前記コンポーネントイベントを引き起こす事前確率を備える、請求項１に記載の方法。
3. 前記島の動的変化は、前記１つ以上の島の分割、併合、または再併合の複数の事例を含む、請求項１に記載の方法。
4. 前記１つ以上のコンポーネントは、複数のコンポーネントを含み、前記島の動的変化は、前記複数のコンポーネントのサブセットの分割または併合を含む、請求項１に記載の方法。
5. 前記複数のコンポーネントのサブセットは、同一のサイズである、請求項４に記載の方法。
6. 前記複数のコンポーネントのサブセットは、可変サイズである、請求項４に記載の方法。
7. 前記事前確率は、期待値最大化（ＥＭ）アルゴリズムを使用して、反復的に更新される、請求項２に記載の方法。
8. 前記島イベントの原因である前記コンポーネントを前記予測および／または検出および局所化することに基づいて、個々のコンポーネントレベルにおいて予測保守を実施することをさらに含む、請求項１に記載の方法。
9. 前記複数の島は、複数の配電フィーダに対応する、請求項１に記載の方法。
10. 前記島の前記１つ以上のコンポーネントは、前記複数の配電フィーダのうちの配電フィーダの１つ以上のブレーカスイッチに対応し、
    前記コンポーネントイベントは、前記配電ネットワーク内の前記１つ以上のブレーカスイッチの開または閉を備える、請求項９に記載の方法。
11. 前記ネットワーク内のコンポーネントは、１次元構成、２次元構成、および不規則な構成から成る群から選択される幾何学的構成において配列される、請求項１に記載の方法。
12. 前記ネットワーク内のコンポーネントは、２次元構成において配列され、前記２次元構成は、長方形構成、半径方向構成、またはスポークおよびハブ構成である、請求項１に記載の方法。
13. 前記ネットワークをマッピングすることにより、前記イベントデータに基づいて前記ネットワークの前記複数の島を識別することをさらに含む、請求項１に記載の方法。
14. 前記機械学習潜在変数モデルは、前記事前確率に基づいて、厳密な事後推論を実施し、前記１つ以上の局所イベントを前記個々のコンポーネントに割り当てるように構成される、請求項２に記載の方法。
15. 前記個々のコンポーネントへの前記１つ以上の局所イベントの割当は、各局所イベントが対応するコンポーネントのそれぞれにおいて起こる確率推定値を決定することを含む、請求項１４に記載の方法。
16. 前記機械学習潜在変数モデルは、前記確率推定値を使用し、収束まで先行または事前確率を反復的に更新するように構成される、請求項１５に記載の方法。
17. 前記事前確率は、以前のイベントデータに基づく、最初に既知の、実際の、または推定された確率を備える、請求項２に記載の方法。
18. 前記先行または事前確率は、期待値最大化（ＥＭ）アルゴリズムを使用して、反復的に更新される、請求項１６に記載の方法。
19. 前記１つ以上の検出された局所イベントに基づいて、前記個々のコンポーネントレベルにおいて予測保守を実施することをさらに含む、請求項１に記載の方法。
20. 前記配電ネットワークは、複数の配電フィーダを備える、請求項１に記載の方法。
21. 複数のノードが、前記複数の配電フィーダと関連付けられ、前記複数のノードは、各フィーダと関連付けられる接続に対応する複数のブランチを介して接続される、請求項２０に記載の方法。
22. 前記１つ以上のイベントは、前記配電ネットワーク内の１つ以上のブレーカスイッチの開または閉を備え、前記１つ以上のブレーカスイッチは、前記複数のノードおよび／または前記複数のブランチのうちの１つ以上と関連付けられる、請求項２１に記載の方法。
23. 前記ネットワーク内のコンポーネントは、１次元構成、２次元構成、および不規則な構成から成る群から選択される幾何学的構成において配列される、請求項１に記載の方法。
24. 前記ネットワーク内のコンポーネントは、２次元構成において配列され、前記２次元構成は、長方形構成、半径方向構成、またはスポークおよびハブ構成である、請求項１に記載の方法。
25. 前記ネットワークをマッピングすることは、前記ネットワークの個々のコンポーネントにおける予期せぬ電圧レベルを識別することを含む、請求項１３に記載の方法。
26. イベント割当のためのシステムであって、
    複数の島を備えるネットワークと通信するサーバのプロセッサであって、前記ネットワークは、配電ネットワークを備える、プロセッサと、
    前記プロセッサと通信するメモリであって、前記メモリは、命令を記憶しており、前記命令は、前記プロセッサによって実行されると、前記プロセッサに、
    複数の島を含む前記ネットワークをマッピングすることであって、前記複数の島は、前記複数の島のうちの１つ以上の島の分割または併合によって、動的に変化することが可能であり、前記複数の島のそれぞれは、１つ以上のコンポーネントを備える、ことと、
    ネットワークの島において起こる島イベントを記述するイベントデータを離散モデルに提供することと、
    前記離散モデルを使用して、前記島イベントの原因である前記島の前記１つ以上のコンポーネントのうちの個々のコンポーネントにおける１つ以上の局所イベントを予測および／または検出および局所化することと
    を含む動作を実施させる、メモリと
    を備え、
    前記島イベントは、コンポーネントイベントと関連付けられ、前記コンポーネントイベントは、（ｉ）前記コンポーネントにおいて起こり、かつ（ｉｉ）前記複数の島のうちの前記１つ以上の島の前記分割または併合の原因であり、
    前記離散モデルは、機械学習潜在変数モデルであり、
    前記機械学習潜在変数モデルは、前記コンポーネントにおける前記コンポーネントイベントに対応する潜在変数を備え、
    前記機械学習潜在変数モデルは、前記コンポーネントイベントと関連付けられる前記島イベントを記述する前記イベントデータを受信することと、前記コンポーネントイベントに対応する前記潜在変数が前記島イベントを起こさせたという仮定に基づいて、前記イベントデータを処理することとを行うように構成される、システム。
27. 非一過性コンピュータ可読媒体であって、前記非一過性コンピュータ可読媒体は、命令を記憶しており、前記命令は、１つ以上のプロセッサによって実行されると、前記１つ以上のプロセッサに、イベント割当方法を実施させ、前記方法は、
    １つ以上の島の分割または併合によって、動的に変化することが可能である複数の島を備えるネットワークをマッピングすることであって、前記ネットワークは、配電ネットワークを備え、前記複数の島のそれぞれは、１つ以上のコンポーネントを備える、ことと、
    ネットワークの島において起こる島イベントを記述するイベントデータを離散モデルに提供することと、
    前記離散モデルを使用して、前記島イベントの原因である前記島の前記１つ以上のコンポーネントのうちのコンポーネントを予測および／または検出および局所化することと
    を含み、
    前記島イベントは、コンポーネントイベントと関連付けられ、前記コンポーネントイベントは、（ｉ）前記コンポーネントにおいて起こり、かつ（ｉｉ）前記複数の島のうちの前記１つ以上の島の前記分割または併合の原因であり、
    前記離散モデルは、機械学習潜在変数モデルであり、
    前記機械学習潜在変数モデルは、前記コンポーネントにおける前記コンポーネントイベントに対応する潜在変数を備え、
    前記機械学習潜在変数モデルは、前記コンポーネントイベントと関連付けられる前記島イベントを記述する前記イベントデータを受信することと、前記コンポーネントイベントに対応する前記潜在変数が前記島イベントを起こさせたという仮定に基づいて、前記イベントデータを処理することとを行うように構成される、非一過性コンピュータ可読媒体。

Images