KR20140145637A

KR20140145637A - 상수도 네트워크의 자원 모니터링 시스템 및 방법

Info

Publication number: KR20140145637A
Application number: KR1020127025695A
Authority: KR
Inventors: 아미르 펠레그; 아미타이 아르몬; 하가이 스콜니코브; 샤이 거트너; 우리 바르카이
Original assignee: 타카두 엘티디.
Priority date: 2010-03-04
Filing date: 2011-03-03
Publication date: 2014-12-24
Also published as: GB2478432B; ES2420865T3; GB201301484D0; TWI391803B; FR2957097A1; ES2420865T1; ZA201207123B; US20110215945A1; GB201103783D0; GB2478432A; IE20120498A1; BRPI1101199A2; TW201140267A; EP2472467A1; IE86368B1; JP2013521558A; EP2472467B1; MX2012010254A; RU2012142174A; IE20110098A1

Abstract

상수도 네트워크를 모니터링하기 위한 컴퓨터화된 방법에 있어서, 상기 상수도 네트워크는 소비자들에게 물을 배분하는 파이프들의 네트워크 및 배수 네트워크를 가로질러 상기 파이프들 내에 위치하는 복수의 계측기들을 포함한다. 상기 방법은 상기 파이프들을 통해 분배되는 물의 압력, 염소 레벨, pH 및 탁도와 같은 상기 계측기들에 의해 측정된 변수들을 나타내는 데이터를 수신하는 단계를 포함한다. 상기 방법은 또한 상기 계측기들에 대해 외부의 소스들로부터 기상이나 휴일과 같이 상기 상수도 네트워크에 의해 서비스되는 지역 내의 물의 소비에 영향을 미치는 조건들을 나타내는 2차 데이터를 수신하는 단계를 구비한다. 상기 계측 및 2차 데이터는 누출 사건들 및 상기 상수 네트워크의 파이프들과 동작을 통해 흐르는 물의 양과 질에 관한 다른 사건들을 포함하는 상수 네트워크 사건들을 확인하도록 통계적인 기술들을 사용하여 분석된다. 상기 사건들은 사용자 인터페이스를 경유해 사용자들에게 보고 된다.

Description

상수도 네트워크의 자원 모니터링 시스템 및 방법{SYSTEM AND METHOD FOR MONITORING RESOURCES IN A WATER UTILITY NETWORK}

본 발명의 분야는 대체로 상수도 네트워크(water utility network)와 같은 모니터링 자원 배분 시스템들과 분배된 네트워크와 관련된 이상들을 검출하는 것에 관한 것이다.

지난 세기 동안 국제 연합은 물의 사용이 인구의 증가율의 두 배로 증가하는 점과 만성적으로 물이 부족한 지역들의 숫자가 증가하는 점에 대하여 주목해왔다. 2025년까지 세계 인구의 2/3 정도가 인구 증가의 결과에 따른 물로 인한 스트레스 상황을 경험할 것이다. 물, 특히 휴대할 수 있는 물은 모든 사회 경제적인 발전들과 건강한 인구 집단을 유지하는데 필수적이다. 전 세계적으로 인구가 증가함에 따라, 사람들은 사용을 위해 깨끗한 물에 대해 증가된 분배를 요구하며, 이에 따라 물 부족의 증가를 야기한다.

물 부족을 다루고 자원들을 보존하는 하나의 방법은 상수도 네트워크들에서 일어나는 누출과 다른 사건들을 점검하는 것이다. 일부 전문가들은 누출과 절도되는 양으로 인해 상수도 네트워크들을 통해 흐르는 물의 25-30% 정도가 손실되는 것으로 평가하고 있다. 따라서, 사람들에 의해 이미 제어되는 시스템들 내에서 물의 손실을 다루기만 하여도 충분한 양의 물이 보존될 수 있다.

오래되고 허술하게 구성된 파이프라인들, 불적절한 부식의 생성, 허술하게 관리되는 밸브들, 그리고 기계적인 손상들은 물의 손실을 가져오는 인자들의 일부이다. 또한, 물의 누출들은 상기 시스템 내의 공급 압력을 저하시키며, 그 결과로서 상기 상수도는 상기 손실들을 보상하도록 상기 시스템 내의 압력을 증가시켜야만 한다. 상기 시스템의 압력을 증가시키는 것은 펌핑되는 보다 많은 물을 초래하고, 상시 상수도의 에너지 소비를 증가시킨다. 실제로 배수 네트워크들은 단일로서 많은 국가들에서 에너지의 가장 큰 수요자들이다. 물의 누출과 다른 네트워크 문제들을 확인하고 수정함으로써, 상수도들은 미래의 사용을 위해 물을 보존할 수 있으며 에너지 소비를 현격하게 감소시킬 수 있다.

상기 어려움에 추가적인 것으로는 대부분의 상수도 네트워크들이 크고 복잡하며, 시간에 따라 증대되는 특정한 지리학적 요구들에 기여하도록 임의의 구성들로 많은 파이프들을 갖는 점진적인 증가를 통해 건설되고 있는 점이다. 또한, 대부분의 상수도 네트워크들은 정확도, 빈도, 실시간 수요자 소비 계측 등이 부족하며, 질량 유입 및 유출 계산의 이는 단순한 보존만을 가능하게 한다. 또한, 상수도 네트워크들은 개별적인 행동이 예측 불가능하고 많은 인자들에 의해 변화되는 수많은 소비자들에게 물을 분배하도록 설계된다. 이러한 인자들은, 예를 들면, 기상 변화들과 자연의 사건들(예를 들면, 가뭄도 그렇지만 소비를 증가시키는 더운 기후), 휴일들 및 이례적인 사회적 사건들(예를 들면, 소비자들을 집에 남아 있게 하여 물의 사용을 주거지의 네트워크들에서 증가시키고 상업 이웃 지역에서는 감소시키는), 그리고 시간에 대한 이웃들에서의 인구 통계학적인 변화들을 포함한다.

상수도 네트워크들에서 누출 검출을 위한 현재의 방법들은 이러한 문제들을 충분하게 다루지 못하고 있다. 예를 들면, 음향 센서들과 같은 필드 조사를 위한 사용되는 상업적으로 유용한 하드웨어 누출 검출 장치들은 주어진 지역 내에서 누출의 위치를 결정하는 데 효과적이지만, 설치 및 운용하기가 비싸며 신속한 발견과 전체 네트워크의 도달 범위를 제공하지 못한다. ABB로부터 입수 가능한 누수 보조 관리(Advise Water Leakage Management)와 같은 현재의 물 IT 시스템들은 계측 데이터의 일부의 사용을 시도하지만, 이러한 사용이 단순하며 이에 따른 결과들은 유용성에 제한이 있다. 예를 들면, 상기 시스템들은 누출들이다 다른 네트워크 사건들과 같은 특정한 개별적인 사건들에 대해 실시간으로 확인하거나 보고하지 못하며, 계측기 고장들이나 부정적인 수질 조건들을 확인하지 못하고, 일상적인 네트워크 운용을 정확하게 이해하도록 요구되는 통계적인 분석이 부족하며, 다른 결점들의 문제도 있다. 더욱이, 최근에 사용되는 시스템은 에너지 손실이나 물의 절도를 검출하는 능력이 없다. 대부분의 최근의 접근들의 중요한 실패는 상수 네트워크들의 많은 측정되지 않은 구성 요소들, 특히 서비스되는 소비자들에 의한 물 소비의 심화된 통계적인 모델링의 부족이며, 이는 흔히 다양한 기초적인 기술들에 의해 모델링되지만 아직까지 상기 네트워크의 분석에 심오한 영향을 미치지 않는다.

네트워크 내의 다양한 계측기들로부터 데이터를 수집하고 흐름이나 압력과 같은 양들을 측정하는 감시 제어 데이터 수집(Supervisory Control and Data Acquisition;"SCADA") 시스템들이 세계적으로 상수도들에 점차 유용하게 되고 있다. 그러나, 대부분의 상수도들에서, 진행 중인 작업적인 요구들로 인해 몇몇의 숙련된 운용자들에 의해 이러한 시스템들이 사용되어, 자동적으로(또는 다른 방식으로) 누출들과 다른 비정상적인 네트워크 사건들을 검출하는 이들 시스템 내에 축적되는 이력 데이터를 적게 이용하게 한다. 또한, 임의의 이상 검출이 통상적으로 단일-센서로 고정된 한계 경보들로 제한되어, 낮은 감도 또는 잘못된 경보들의 높은 비율을 야기한다.

상수도 네트워크 운용자들은 배수 시스템의 황동을 모니터하기 위해 심지어는 보다 많은 계측기들의 추가를 계속하고 있다. 이러한 점이 보다 많은 상기 네트워크에 관한 데이터의 양들 및 이에 따른 상기 네트워크 내의 사건들의 이해를 위한 보다 큰 잠재성을 제공하지만, 증가된 부피의 데이터는 자주 네트워크 운용자들을 혼란스럽게만 하며, 상수 네트워크 모니터링의 이미 어려운 "건초 더미에서 바늘 찾기(needle in a haystack)" 측면을 악화시킨다. 더욱이, 보다 많은 계측기들의 배치는 보다 나은 모니터링 목적들의 위해서는 전체적인 시스템으로부터 회수되는 데이터의 유용성을 개선하는 데 통상적인 최적의 것은 아니다. 그 결과, 네트워크의 활동을 설명하는 증가된 부피의 데이터는 비조직적이고 자주 혼란스러우며, 네트워크 운용자들이 상수도 네트워크의 상태에 대한 어떤 보다 나은 결정들을 내리기 어렵게 한다.

이와 같이, 상수도 네트워크로부터 회수된 데이터와 상기 상수도 네트워크 및 이러한 자원들의 개선된 관리를 용이하게 하도록 이의 자원들의 소비에 대한 데이터를 보다 잘 분석하는 개선된 시스템들 및 방법들에 대한 필요성이 있다.

종래 기술의 전술한 모든 또는 일부 및 다른 결점들은 배수 네트워크를 모니터링하여 물을 보존하기 위한 컴퓨터화된 방법에 의해 해결된다.

종래 기술의 전술한 모든 또는 일부 및 다른 결점들은 상수도 네트워크를 모니터링하기 위한 컴퓨터화된 시스템에 의해 해결된다.

종래 기술의 전술한 일부 또는 모든 및 다른 결점들은 상수도 네트워크를 관리하기 위한 컴퓨터화된 방법에 의해 해결된다.

종래 기술의 전술한 모든 또는 일부 및 다른 결점들은 배수 네트워크를 모니터링하여 물을 보존하기 위한 컴퓨터화된 방법에 의해 해결된다. 상기 배수 네트워크는 물을 소비자들에게 배분하기 위한 복수의 파이프들, 압력 감소 밸브들, 저장소들 또는 펌프들과 같은 네트워크 장치들, 그리고 배수 네트워크 내의 위치들에 배치되는 복수의 계측기들을 포함한다. 상기 계측기들은 상기 파이프들의 내부 혹은 외부, 상기 네트워크 장치들의 근처, 또는 다른 임의의 위치들에 배치될 수 있다. 일부 실시예들에 있어서, 상기 방법은 상기 계측기들로부터 계측 데이터를 수신하는 단계를 구비하며, 상기 데이터는 상기 계측기들에 의해 측정된 복수의 변수들을 나타내고, 상기 변수들은 적어도 상기 파이프들을 통한 상기 물의 흐름을 포함한다. 일부 실시예들에 있어서, 상기 계측 데이터는 감시 제어 데이터 수집(Supervisory Control and Data Acquisition; SCADA) 데이터이다. 일부 실시예들에 있어서, 상기 계측 데이터는 분석되기 전에 상기 계측 데이터로부터 노이즈를 선별해내고 네트워크 정보 데이터베이스에 저장을 위해 이를 포맷하는 것과 같이 처리된다.

일부 실시예들에 따르면, 상기 계측 데이터는 상수 네트워크 사건들을 확인하도록 분석되고, 상기 상수 네트워크 사건들은 누출 사건들 및 상기 상수 네트워크와 상기 네트워크 및 상기 계측기들의 운용에 대한 배분되는 물의 소비에 관한 정보적 사건들을 포함한다. 보고될 수 있는 상기 정보적 사건들은 소비 패턴의 예상치 않은 증가, 소비 패턴의 변화, 물의 절도, 지역 경계의 파괴(breach), 상수도 계측기 고장 및 네트워크 오작동을 포함한다. 일부 실시예들에 따른 방법은 시간에 대하여 상기 네트워크를 통해 배분되는 물의 탁도, 염소 및 pH를 나타내는 수질 데이터를 수신하는 단계, 그리고 통계적인, 비례하는 또는 일정한 값의 한계 값의 초과에서 시간에 대해 상기 수질 데이터의 변화를 검출함에 의해 네트워크 사건들을 확인하는 단계를 더 포함할 수 있다.

상기 하나 또는 그 이상의 네트워크 사건들은 인터페이스를 통해 사용자에게 보고된다. 일부 실시예들에 있어서, 상기 상수 네트워크 사건들은 데이터베이스에 저장되어, 이들은 사건 리스트들, 그래프들이나 추이 데이터 및 장애 처리 또는 다른 경보들을 포함하는 다른 방식들로 보고하는 다양한 인터페이스 모듈들에 접근 가능할 수 있다.

일부 실시예들에 있어서, 상기 방법은 상기 계측기들에 대한 외부의 하나 또는 그 이상의 소스들로부터 2차 데이터를 수신하는 단계를 포함하며, 상기 2차 데이터는 상기 상수도 네트워크에 의해 서비스되는 지역 내의 물의 소비에 영향을 미치는 하나 또는 그 이상의 조건들을 나타낸다. 상기 2차 데이터는, 예를 들면, 상기 상수도 네트워크의 지역 내의 기상 조건들을 나타내는 기상 데이터, 주어진 날짜에서 물의 소비에 영향을 미치는 하나 또는 그 이상의 인자들을 나타내는 달력 데이터, 상기 상수도 네트워크에 대해 수행되는 하나 또는 그 이상의 수리들을 나타내는 수리 데이터, 그리고 상기 상수도 네트워크의 구조를 나타내는 구조 데이터를 포함할 수 있다. 여기서 더 설명하는 바와 같이, 이러한 2차 데이터는 보다 우수하고 보다 정확한 결과들을 제공하고 잘못된 경보들을 감소시키도록 상기 계측 데이터와 함께 분석될 수 있다. 예를 들면, 상수도 네트워크의 주어진 지역 내의 물의 흐름이나 소비의 비정상적인 증가는 평균 열 또는 건조도 이상에 의해 또는 휴일이나 다른 사람들이 집에 있고 근무하러 가지 않게 하거나 그렇지 않으면 특정한 위치 또는 위치들에서 통상적인 소비 패턴의 변화를 야기하는 자연 또는 사람들의 사건에 의해 설명될 수 있다.

일부 실시예들에 있어서, 계측 데이터는 상기 제1 계측기를 위한 가능한 값들의 통계적인 분산을 계산함과 상기 제1 계측기를 위한 계측 데이터를 상기 제1 계측기를 위해 예측된 계측 데이터와 비교함에 의한 것과 같은 상기 상수도 네트워크로부터의 다른 계측 데이터를 기초로 하여 제1 계측기를 위한 계측 데이터를 통계적으로 예측함에 의해 분석된다. 예시적으로, 이력 데이터는 상기 제1 계측기의 값들이 제2 계측기에 의해 동시에 측정된 값들의 통상적으로 대략 2배 정도이고, 그러면 상기 제1 계측기가 상기 제2 계측기로부터 수득되는 최근의 독출의 대략 2배 정도의 현재의 독출을 가지는 것으로 예측된다. 상기 네트워크 사건들은, 상기 제1 계측기로부터 실제 수신된 계측 값이 상기 제1 계측기를 위해 예측된 계측 값을 미리 정해진 한계 값을 초과하는 기간 동안 미리 정해진 통계적 편차 보다 벗어날 경우에, 미리 정해진 시간의 창(window) 내에서 이들의 빈도 발생이 미리 정해진 한계 값을 초과한다면 이상을 검출함에 의해 또는 다른 수단들에 의해 확인될 수 있다. 계측 값들 내에서 통계적인 이상 검출은 상기 네트워크의 분석에 깊은 영향을 미치는 상수 네트워크들, 서비스되는 소비자들에 의한 대부분의 특정한 물 소비 등의 많은 계측되지 않은 구성 요소들 내의 고유한 어려움들을 극복하는 탄탄한 방식이다. 주기성에 대한 경향과 같은 이러한 소비에서 통계적 구조는 상기 네트워크를 통해 전파되고, 계측 값들에서 유사하거나 도출된 통계적 구조를 유도하며, 상기 네트워크(이상이 없는)의 일상적인 운용 동안 발생되었던 특정한 계측 값들이 가능성의 분석을 가능하게 한다. 또한, 네트워크의 보든 부분을 커버하지는 않는 계측 데이터를 제공하는 네트워크들을 구비하는 본 발명의 방법들과 시스템들을 위한 여기서 설명하는 바와 같은 통계적 이상 검출의 이용은 실시간 베이스로 제공되지 않거나, 또는 그렇지 않으면 불완전하거나 부족하다. 따라서, 예를 들면, 여기서 설명하는 이상 검출은 계측기들이 어떤 네트워크 접속점들 또는 위치들에만 존재하거나 계측기들이 한달 단위나 그렇지 않으면 날짜 정보에 대해 소비자의 주거지들에서 날짜 정보에 대한 제공의 실패를 기반으로 수행되는 상수도 네트워크들에 가장 유용하도록 설계된다. 실제로, 전술한 바와 같이, 통상적인 상수도 네트워크들은 상기 네트워크로부터 수집되는 계측 데이터 내의 하나 또는 그 이상의 이러한 유형들의 결점들, 질량 유입 및 유출 계산의 단순한 보존을 가능을 가능하게 할 수 있는 실시간의 소비자의 소비 계측의 빈번한 정확도의 부족 등으로 인한 어려움을 겪고 있으며, 개별적인 행동이 예측 불가능하고 많은 인자들에 의해 변화되는 수많은 수의 수요자들에게 물을 배분하도록 설계된다.

일부 실시예들에 있어서, 상기 상수도 네트워크로부터의 다른 계측 데이터들 기초로 하는 상기 제1 계측기를 위한 계측 데이터의 통계적인 예측하는 단계는, 하나 또는 그 이상의 대응되는 계측기들로서 하나 또는 그 이상의 제2 계측기들을 선택하는 단계 그리고 상기 제1 계측기로부터 수신된 계측 데이터를 상기 하나 또는 그 이상의 대응되는 계측기들로부터 수신된 계측 데이어와 연관시키는 단계를 포함한다. 상기 하나 또는 그 이상의 제2 계측기들은 상기 하나 또는 그 이상의 제2 계측기들을 위한 이력 계측 데이터를 상기 제1 계측기를 위한 이력 계측 데이터와 연관시킴에 의해 선택될 수 있다. 일부 실시예들에 있어서, 상기 하나 또는 그 이상의 제2 계측기들은 각기 이력적으로 상기 제1 계측기의 값들과 밀접한 상관관계를 갖는 계측기들이 될 수 있다. 대략적으로 말하면, 일상적인 네트워크 운용에 있어서, 상기 제1 계측기의 값들은 이러한 상관관계를 지속하도록 예측된다. 예시적으로, 이러한 상황은 몇몇의 계측기들이 유사한 인구 통계적 변수를 갖는 몇몇의 구분되는 이웃들에 의해 소비되고 이에 따라 유사한(또는 비례하는) 소비 패턴들에 의해 소비되는 물의 흐름을 측정할 때에 일어날 수 있다. 상기 하나 또는 그 이상의 제2 계측기들은 누출과 같이 네트워크 운용자가 관심을 가지는 종류인 상기 제1 계측기에 영향을 미치는 국부적인 이상들에 의해 영향을 받지 않기 위하여 상기 상수도 네트워크 내에 위치하는 하나들로서 더 선택될 수 있으며, 그러나 동일한 네트워크 및 일반적인 지역의 일부로서 상기 제2 계측기들은 더운 날에 증가되는 소비와 같은 동일한 세계적인 이상들에 의해 영향을 받는다. 이러한 방식에 있어서, 상기 제1 계측기로부터의 데이터에 영향을 미치는 국부적인 이상은 상기 제2 계측기들로부터의 데이터에 영향을 미치지 않으며, 이에 따라 비록 세계적인 이상이 잘못된 경보를 발생시키지 않고 심지어는 이들에 의한 야기가 알려지지 않더라도 상기 제2 계측기(들)로부터의 데이터에 대한 통계적인 비교에 의해 보다 용이하게 검출할 수 있다.

종래 기술의 전술한 일부 또는 모든 및 다른 결점들은 상수도 네트워크를 모니터링하기 위한 컴퓨터화된 시스템에 의해 해결된다. 상기 시스템은 상기 계측기들에 의해 측정된 복수의 변수들을 나타내는 계측 데이터를 저장하기 위한 네트워크 정보 데이터베이스를 구비하고, 상기 변수들은 상기 파이프들을 통한 적어도 상기 물의 흐름 또는 압력 및 상기 계측기들에 대해 외부의 하나 또는 그 이상의 소스들로부터의 2차 데이터를 포함하며, 상기 2차 데이터는 상기 상수도 네트워크에 의해 서비스되는 지역 내의 흐름 또는 물의 소비에 영향을 미치는 하나 또는 그 이상의 조건들을 나타낸다. 상기 시스템은 상기 상수도 네트워크 및 상기 2차 데이터로부터의 제2 계측 데이터에 기초하여 제1 계측기를 위한 계측 데이터를 통계적으로 예측함에 의해 상기 계측 데이터를 분석하도록 구성된 분석 엔진을 더 구비하며, 상기 상수 네트워크 사건들은 누출 사건들 및 상기 상수도 네트워크의 동작과 네트워크 장치들 및 상기 파이프들을 통해 흐르는 물의 양과 질에 관한 다른 사건들을 포함하고, 상기 사건 분류 엔진에 의해 확인된 상기 하나 또는 그 이상의 상수 네트워크 사건들을 나타내는 상수도 네트워크 데이터를 저장하기 위한 사건 데이터베이스를 구비한다. 상기 시스템은 상기 사건 데이터베이스로부터 상수 네트워크 사건 데이터를 회수하고 사용자들에게 이를 보고하는 인터페이스 모듈들의 세트를 더 포함할 수 있다.

일부 실시예들에 있어서, 상기 분석 엔진은 주어진 계측기를 위한 계측 데이터의 가능한 값들의 통계적인 분산을 생성하고 일상적인 동작과 이상 사건들이 없는 것을 가정하기 위한 복수의 예측기 모듈들 그리고 상기 계측 데이터 내의 이상들을 검출하도록 주어진 계측기를 위한 실제 계측 데이터를 가능한 값들의 분산과 비교하기 위한 복수의 이상 검출기 모듈들을 구비한다.

종래 기술의 전술한 일부 또는 모든 및 다른 결점들은 상수도 네트워크를 관리하기 위한 컴퓨터화된 방법에 의해 해결된다. 상기 방법은 계측 데이터를 분석 엔진으로 전송하는 단계, 상기 분석 엔진으로부터 상수도 네트워크 사건들을 회수하는 단계, 그리고 상기 회수된 상수도 네트워크 사건들을 컴퓨터화된 디스플레이 장치 상에서 사용자에게 표시하는 단계를 구비한다. 일부 실시예들에 따르면, 상기 상수 네트워크 사건들은 누출 사건들 및 상기 상수도 네트워크의 동작과 네트워크 장치들 및 상기 파이프들을 통해 흐르는 물의 양과 질에 관한 다른 사건들을 포함한다. 상기 상수도 네트워크 사건 데이터는 상기 계측 데이터 및 2차 데이터의 분석의 결과로서 확인될 수 있고, 상기 2차 데이터는 상기 상수도 네트워크에 의해 서비스되는 지역 내의 물의 소비에 영향을 미치는 하나 또는 그 이상의 조건들을 나타낸다.

본 발명을 예시적이지만 제한하지는 않는 첨부된 도면들의 수치들을 통해 예시하며, 첨부 도면들에서 동일한 참조 부호들은 동일하거나 대응되는 부분들을 언급하도록 사용된다.
도 1 및 도 2는 본 발명의 실시예들에 따른 상수 네트워크를 모니터링하기 위한 시스템을 설명하는 블록도들이다.
도 3은 본 발명의 일 실시예에 따른 상수네트워크를 모니터링하기 위한 방법을 나타내는 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 상수 네트워크를 모니터링하기 위한 방법을 더욱 나타내는 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 주어진 검출기를 위해 측정된 값들을 예측하기 위한 방법을 나타내는 흐름도이다.
도 6 및 도 7은 본 발명의 일 실시예에 따른 선택 속성(attribute selection)을 예시하는 흐름도이다.
도 8은 누수 사건을 검출하기 위한 방법을 나타내는 흐름도이다.
도 9 내지 도 11은 본 발명의 실시예들에 따른 특정 사건 형태들을 검출하기 위한 방법을 나타내는 흐름도이다.
도 12 내지 도 15는 본 발명의 일 실시예에 따른 분석 엔진에 의해 발생되는 사건 정보를 가리키는 웹 사용자 인터페이스를 나타내는 스크린 숏들이다.

하기 설명에 있어서, 참조 부호들은 본 명세서의 일부를 구성하는 참부 도면들에 대해 사용되며, 본 발명이 적용되는 특정한 실시예들을 예시하는 것으로 나타내어진다. 본 발명의 범주를 벗어나지 않고 다른 실시예들이 활용될 수 있으며, 구조적인 변화들도 가능함을 이해할 수 있을 것이다.

도 1은 배수(water distribution) 시스템 내의 자원들을 모니터링하기 위한 시스템의 일 실시예를 예시하는 블록도이다. 도 1에 도시한 바와 같이, 상기 시스템은 컴퓨터 하드웨어에 존재하고 후술하는 기능들을 수행하는 다양한 소프트웨어 모듈들과 데이터베이스들로 구성되는 상수 네트워크 분석 엔진(water network analysis engine)(100)을 구비한다. 상기 엔진(100)은 하나 또는 그 이상의 실행 가능한 지시들에 반응하여 후술하는 동작들을 수행하는 처리 장치들을 포함할 수 있다. 상기 상수 네트워크 분석 엔진(100)은 계측기들(meters), 센서들, 독취 장치들, 또는 배분 네트워크 존재하는 기타 데이터로부터 수신된 데이터를 분석한다. 해당 기술 분야에서 통상의 지식을 가진 자는, 본 내용에서 특히 명백하게 다르게 나타내지 않는 한, 여기서 사용되는 바와 같은 "계측기(meter)" 및 "센서(sensor)"라는 용어들은 통상적으로 네트워크 장치들의 동일한 등급을 언급하는 것이며, 임의의 계측기, 센서, 측정기, 또는 변수들이나 값들을 혹은 자극, 특히 배수(water distribution) 네트워크와 관련된 자극들을 측정할 수 있는 다른 장치를 포함하는 사실을 이해할 수 있을 것이다. 상기 시스템은 상기 데이터에 기초하여 이상들(anomalies)과 사건들을 확인하며, 상기 분석 엔진(100)에 의해 확인된 임의의 현상이나 사건들을 다루도록 적절하게 조치를 위할 수 있는 사용자에게 실시간 경보들 또는 오프-라인 데이터 보고들을 제공한다. 후술하는 바와 같이, 상기 분석 엔진(100)에 의해 확인된 상기 이상들과 사건들은 누출, 파열, 물의 예기치 않은 소모, 잘못된 계측들, 계측 교정 문제들, 수질 변화들, 상기 네트워크를 통해 배송되는 물의 양에 중요한 다른 문제들, 네트워크 장치들의 오작동들, 그리고 해당 기술 분야에서 통상의 지식을 가진 자에게 알려진 다른 문제들을 포함한다.

도 1에 도시한 바와 같이, 상기 상수 네트워크 분석 엔진(100)에 입력들로서 수신되는 상기 데이터는, 일부 실시예들에 있어서, GIS 데이터(101), 운용(operation) 데이터(102), 배수 시스템(103), 계측 데이터 1(103a), 계측 데이터 N(103b) 및 외부 데이터(104)를 포함한다.

상기 GIS 데이터(101)는 상기 상수 네트워크의 구조 및 레이아웃과 이를 가로지르는 상기 계측기들의 위치 결정을 설명하는 지리 정보 시스템(geographical information system; "GIS")으로부터의 데이터이며, 계측기 형태들, 계측기 위치들, 계측 양들, 직경들 및 제조 물질들과 같은 수도관들의 설명서들, 압력 영역들 및/또는 공급 영역들 내로의 상기 네트워크의 분할들, 도시 면적 지도, 그리고 해당 기술 분야에서 통상의 지식을 가진 자가 인식할 수 있는 추가적인 변화하는 데이터를 포함한다. 상기 배수 시스템의 지리학적 및 공학적인 임의의 다른 특성들도 활용될 수 있을 뿐만 아니라 해당 기술 분야에서 통상의 지식을 가진 자에 의존하는 임의의 다른 데이터도 활용될 수 있다. 이와 같은 데이터는, 예를 들면, 새로운 수도관들, 연결점들, 계측기들 등이 상기 시스템 내에 설치되거나 그렇지 않으면 변경될 때에 하위의 자원 시스템 자체의 변화와 부합되는 업 데이트들을 포함하는 변화하는 데이터가 될 수 있음에도 유의한다. 또한, 이러한 데이터는 상기 하위의 자원 시스템이 샘플링되거나 측정될 때, 예를 들면, 현재 파이프들이 재질의 피로를 위해서나 축적된 고상의 침적물들에 의한 내부 협착을 위해 검사될 때의 업 데이트들을 포함할 수 있다.

상기 운용 데이터(102)는 자산 관리 정보를 포함하며, 이상을 결정하거나 부정하는 계측기 독취 자료들과 밀접하게 관련될 수 있는 상기 네트워크 운용자에 의해 수행되는 동작들 상의 디지털 포맷의 임의의 정보가 될 수 있다. 예를 들면, 상기 운용 데이터(102)는 통상적이거나 계획된 상수 네트워크 동작들, 물 흐름에 영향을 미치는 밸브들의 개방 및 폐쇄, 펌프 동작들, 음파 조사들, 상기 상부 네트워크의 임의의 부분들에 대해 수행되는 수리나 개량, 상기 수리/개량의 데이터들과 시간들, 상기 수리/개량의 위치들, 상기 네트워크에 대해 수행되는 통상적인 유지 관리, 그리고 네트워크 기술 인력이 활성화될 수 있는 시가와 장소를 나타내는 접근 제어 정보와 같은 상수 네트워크 운용에 관한 정보를 포함할 수 있다. 일 실시예에 있어서, 상기 운용 데이터(102)는 상기 상수 네트워크를 관리하는 데 사용되는 상기 시스템에 의해 제공된다.

모니터된 배수 시스템들은, 제한되는 것은 아니지만, 흐름, 압력 및 저장소 레벨 등과 같은 유압 표시기들과 염소, 탁도(turbidity), pH 및 다른 것들과 같은 품질 표시기들과 같은 방대한 양의 시간 흐름에 의존적인 데이터를 생성한다. 이러한 데이터는 상기 네트워크 전체에 분산된 계측기들에 의해 생성될 수 있으며, 상기 배수 시스템(103)에 의해 나타내어질 수 있다. 또한, 상기 네트워크에 걸쳐 분산된 상기 계측기들은 임의의 위치들, 또는 전체 네트워크의 부분적인 대표만을 제공하는 위치들에 존재할 수 있다. 상기 계측 데이터 1(103a) 및 상기 계측 데이터 N(103b)은 배수 시스템(103) 내의 다양한 센서들과 계측기들에 의해 생성되는 데이터를 나타낸다. 네트워크 데이터(103a) 및 계측 데이터(103b)로 나타내어지는 바와 같은 네트워크 데이터의 수집에 사용되는 시스템의 하나의 예로서는 SCADA 시스템이 있다. SCADA 데이터는 물의 압력, 물의 유량, 물의 탁도, 물 내의 염소 레벨들, 물의 pH 그리고 저장소의 수위(water level)들과 같은 연속적인 시간 의존성 계측 데이터를 포함할 수 있다. 해당 기술 분야에서 통상의 지식을 가진 자라면 SCADA 데이터 시스템들에 친숙할 것이고, 분배 네트워크의 경우에 있어서 산업적 과정으로부터 데이터 수집의 개념을 나타내는 용어들을 이해할 수 있다.

상기 외부 데이터(104)는 물의 소비 및 네트워크 조건들에 관련된 추가적인 정보를 포함하지만, 엄밀하게는 기상 보고들, 휴일들 또는 상기 네트워크의 주어진 부분들 내의 물의 소비와 네트워크 행동에 영향을 미치는 다른 달력상의 사건들, 또는 상기 상수도 자체나 이의 소비자들이 상기 상수 네트워크의 기능에 영향을 미칠 수 있는 것에 의한 임의의 다른 사건과 같은 전술한 분류들은 아니다.

상기 상수 네트워크 분석 엔진(100)은 다양한 입력 데이터 스트림들(data streams)을 분석하고, 다음에서 보다 상세하게 설명하는 바와 같이 처리 동작들에 따라 사건 데이터로서 분류되고 표현된 출력을 돌려보낸다. 상기 상수 네트워크 분석 엔진(100)은 데이터를 데이터베이스(106) 내에 저장하며, 데이터베이스(106)로부터의 데이터는 사건 추적(event tracking) 인터페이스(108), 경보(alert) 인터페이스(109), 보고 인터페이스(110), 소유 시스템(proprietary system) 인터페이스(111) 및 기타 인터페이스들(112)과 같은 하나 또는 그 이상의 인터페이스 시스템들에 의해 검색된다. 상수 분석 엔진(100)은 또한 사건들의 보고의 연속성을 제공하도록, 예를 들면, 이전에 검출된 사건이 추가적인 별도의 사건으로 검출되기 보다는 여전히 진행 중인 것으로 업 데이트하도록 데이터베이스(106)로부터 이전에 저장된 데이터에 접근할 수 있다. 인터페이스 시스템들의 다른 형태들은 다른 방식들로 사용자들 또는 외부 시스템들에 사건들에 대한 정보를 제공하도록 사용된다. 예를 들면, 상기 사건 추적 인터페이스(108)는 사용자가 상기 네트워크 상에 검출된 모든 사건들을 통해 열람할 수 있게 하는 반면, 상기 경보 인터페이스(109)는 사용자들에게 경보들을 전송하거나(예를 들면, 이메일, SMS 또는 음성 메시지를 통해), 또는 보다 즉각적인 주의를 요구하도록 규정이나 정책에 의해 결정되는 외부 시스템들에 경보들을 전송한다. 상기 인터페이스들(108 내지 112)은 데스크톱 컴퓨터들 및 랩톱들, 휴대폰들, 블랙베리(blackberry) 장치들, 스마트폰들, 무선 호출기들 그리고 화면들, 고장 전표들(trouble tickets) 및 다른 형태들의 경보들을 수신하도록 프로그램된 다른 이동 통신 장치들과 같은 다양한 컴퓨터화된 장치들에 의해 접근될 수 있다. 상기 인터페이스들(108 내지 112)은, 제한되는 것은 아니지만 인터넷과 같은 임의의 적절한 네트워크를 통해 연결되는 서버들로부터 이들을 요구하는 컴퓨터화된 장치들에 의해 접근될 수 있으며, 사용자들이 볼 수 있도록 이러한 장치들로 보내질 수 있거나 고장 전표 시스템들과 같은 다른 시스템들로 입력될 수 있다. 상수 네트워크 분석 엔진(100)으로부터의 출력들은 데이터베이스(106) 내에, 전자 로그 파일 내에 또는 용지에 인쇄되어 저장될 수 있다.

비록 단일 시스템으로서 예시하였지만, 다양한 실시예들에서 예시된 시스템은 다중 하드웨어 장치들을 통해 통합 및/또는 분산될 수 있으며 논리적으로, 물리적으로 또는 지리적으로 분배될 수 있다. 상수 네트워크 분석 엔진(106)은 실행 가능한 지시들에 응하여 여기서 설명하는 처리 동작을 수행하는 임의의 적절한 물리적인 처리 장치가 될 수 있다. 상수 네트워크 분석 엔진(100)은 또한 전자적으로 저장된 데이터를 가동하는 적절한 형태의 저장 장치를 포함할 수 있다. 도 2는 본 발명의 어떤 실시예들에 따른 상수 네트워크 모니터링 시스템을 보다 상세하게 설명하는 블록도를 나타낸다. 일 실시예에 있어서, 구성 요소들(203 내지 207)은 도 1의 상기 상수 네트워크 분석 엔진(100)을 형성한다. 도 2는 상수 네트워크(200), 상수 네트워크(201), 데이터(202), 네트워크 정보 데이터베이스(203), 데이터 준비(data preparation) 엔진(204), 예측기들(205), 이상 검출기들(anomaly detectors)(206), 사건 판정 및 분류 엔진(207), 데이터베이스(208), 그리고 사건 추적 인터페이스(210), 경보 인터페이스(211), 보고 인터페이스(212), 소유 시스템 인터페이스(213) 및 기타 인터페이스들(214)을 구비하는 출력 인터페이스들(209)을 포함한다.

구성 요소들(200, 201)에 의해 나타내어지는 배수 시스템들은 하나 또는 그 이상의 연결된 배수 시스템들, 또는 이들 사이에 연결점이 몇몇 있거나 거의 없는 다른 지역들에 위치하는 배수 시스템들이다. 일 실시예에 있어서, 구성 요소들(200, 201)은 도시의, 시골의 혹은 도매업자의 상수도 네트워크, 공장이나 다른 빌딩들 내의 액체 분배 네트워크, 또는 해군 군함과 같은 자원 분배 네트워크가 될 수 있거나, 또는 하수도 시스템과 같은 임의의 적합한 자원 수집 네트워크가 될 수 있다. 해당 기술 분야에서 통상의 지식을 가진 자는 구성 요소들(200, 201)이 임의의 배수 시스템이나 수집 시스템이 될 수 있는 점을 이해할 수 있을 것이다. 상수 네트워크(200) 및 상수 네트워크(201)는 물 흐름, 압력, 탁도, 저장소 레벨, 염소 레벨 및 pH 레벨과 같은 상기 네트워크의 시간 의존성 데이터 대표를 전송한다. 예를 들면, 상기 네트워크는 SCADA 시스템을 이용하여 이러한 정보를 수득할 수 있다. 상수 네트워크(200) 또는 상수 네트워크(201)로부터의 데이터는 특정한 계측기들, 또는 계측기들의 수집들, 관련될 수 있는 일부로부터의 보고 데이터일 수 있다. 예를 들면, 계측기들은 해당 기술 분야에서 통상의 지식을 가진 자가 이해할 수 있는 바와 같이 영역에 의해 또는 DMA(District Metered Area)에 의해 지리적으로 그룹지어질 수 있다. 상기 데이터가 상기 네트워크 내의 상기 계측기들 또는 상기 계측기들의 수집들로부터 직접 보내질 수 있거나, 상기 데이터는 네트워크 인터페이스 데이터베이스(203)로부터 수신되며, 추가적으로 상기 데이터는, 예를 들면, 아침 및 저녁 소비 데이터와 같은 새로운 데이터 형태들을 추가 또는 계산하도록 상기 데이터 준비 엔진(204)에 의해 풍부해질 수 있다. 편의를 위하여, "계측 데이터(meter data)"라는 용어는 본 명세서에서 단일 계측기, 혹은 다중 계측기들로부터의 독취들의 미리 정해진 의미 있는 조합이나 DMA로 흘러가고 있는 전체 합계와 같은 하나 또는 그 이상의 시간 외의 계측기들로부터의 다중 독취들, 또는 상기 네트워크의 일부 측면들을 설명하는 시간 의존성 데이터의 의미 있는 세트를 생성하는 임의의 유사한 미리 정해진 계산으로부터의 실제 데이터를 언급하는 것으로 사용된다. 해당 기술 분야에서 통상의 지식을 가진 자라면 상기 네트워크 레이아웃과 개별적인 계측기들의 위치들에 기초하여 이러한 의미 있는 조합들을 쉽게 확인할 수 있을 것이다. 데이터(202)는 이상을 결정하거나 부정하는 계측기 독취들과 관련될 수 있는 디지털 형태의 임의의 정보가 될 수 있는 자산 관리 정보를 포함하는 다른 데이터를 나타낸다. 예를 들면, 이는 일상적이거나 계획된 상수 네트워크 동작들, 물 흐름에 영향을 미치는 밸브들의 개방이나 폐쇄, 상기 상수 네트워크의 임의의 부분에 대해 수행되는 수리나 개량, 상기 수리/개량의 날짜들과 시간들, 상기 수리/개량의 위치들, 상기 네트워크에 대해 수행되는 일상적인 유지 관리, 그리고 상기 네트워크 운용 인력들이 활동 가능한 시가나 장소를 나타내는 접근 제어 정보와 같은 상수 네트워크 운용들에 관련된 정보를 포함할 수 있다. 또한, 데이터(202)는 기상 보고들, 휴일들 또는 상기 네트워크의 주어진 부분들 내에서 물의 소비와 네트워크 행동에 영향을 미치는 다른 달력상의 사건들, 혹은 상기 상수도 자체 또는 상기 상수 네트워크의 기능에 영향을 미칠 수 있는 고객들에 의한 임의의 다른 사건들과 같은 물의 소비와 네트워크 조건들에 관련된 추가적인 정보를 포함한다.

네트워크 정보 데이터베이스(203)는 상수 네트워크들(200, 201) 내의 계측기들과 데이터(202)로부터 수집된 원자료(raw data)를 종합한다. 네트워크 정보 데이터베이스(203)로부터의 데이터는 데이터 준비 엔진(204)으로 보내진다. 데이터 준비 엔진(204)은 이후의 처리를 위하여 수신된 데이터를 조직화하고 포맷한다. 해당 기술 분야에서 통상의 지식을 가진 자에게 알려진 바와 같이, 다른 배수 시스템들에 의해 사용되는 데이터 형태들은 서로 다를 수 있다. 예를 들면, 런던시는 뉴욕시와는 완전히 다른 형태로 네트워크 데이터를 수집하고 저장할 수 있다. 또한, 데이터 준비 엔진(204)은 상기 네트워크의 실제 성능을 반영하지 않거나 시스템 설계자들이 다루지 않은 것으로 결정한 일시적인 현상을 반영하는 데이터를 제거하여 분석을 위한 데이터를 마련할 수 있으며, 해당 기술 분야에서 통상적으로 알려진 방법들이 상기 네트워크로부터 수집된 데이터를 "유효하게(smooth)"하도록 적용될 수 있다. 이러한 방법들 중의 일부는 주어진 상수 네트워크로부터 수신되는 특정한 데이터에 적용되는 바와 같은 LOWESS 및 경험적 소거(heuristic cleaning)이다. 데이터 준비 엔진(204)은 상기 네트워크 데이터로부터 데이터 구성 요소들을 추출하고, 이들을 일정한 형태로 포맷한다. 선별된 정보 중에는 계측기로부터의 노이지 데이터 전송의 예와 같은 자원의 측면들로부터의 데이터 전송과 관련된 노이즈가 있을 수 있거나, 데이터 측정, 전송 또는 수집과 관련된 오류들이 있을 수 있다. 데이터 준비 엔진(204)은 또한 상기 시스템이 그렇지 않으면 유효화하는 기술들 중에서 하나가 먼저 적용될 경우에는 버려지는 데이터를 분석하도록 선별이나 유효화가 작게 또는 없게 포맷한 후에 상수 네트워크들(200, 201)로부터 수신된 모든 데이터를 출력한다. 데이터 준비 엔진(204)은 전처리된(pre-processed) 데이터를 예측기들(205)과 이상 검출기들(206)로 전송한다. 해당 기술 분야에서 통상의 지식을 가진 자는 구성 요소들(203 내지 214)이 동일한 장치에 포함되거나 존재할 수 있거나, 또는 다중 장치들 사이에 분산될 수 있는 점을 이해할 수 있을 것이다.

일 실시예에 있어서, 예측기들(205)은 다양한 기술들을 이용하는 N 개의 개별적인 예측기들을 포함한다. 후술하는 바와 같이, 상기 예측기들(205)은 데이터의 세트를 분석하고 이례적인 사건들이 일어나지 않는 것으로 가정하여 예상되는 실제 계측 값들의 통계적인 분산의 예측을 제공한다. 해당 기술 분야에서 통상적으로 알려진 바와 같이, 예측기들은 상기 데이터를 통계적으로 분석하도록 기계 학습 기반(machine learning framework)을 이용하여 설계될 수 있다. 상기 기계 학습 기반의 예들은 여기에 참조로 포함된 Ethem Alpaydn의 "Introduction to Machine Learning (Adaptive Computation and Machine Learning)(MIT Press (2004), ISBN 0262012111)" 및 Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell 등의 "Machine Learning: An Artificial Intelligence Approach(Tioga Publishing Company (1983), ISBN 0-935382-05-4)" 등에 논의되어 있다. 일부 특별한 예측기들의 동작에 대한 보다 상세한 기재는 도 5 및 도 6과 그에 따른 설명들에서 찾아볼 수 있다.

M 개의 개별적인 검출기들을 포함할 수 있는 이상 검출기들(206)은 예측기들(205)로부터 통계적 예측 데이터와 데이터 준비 엔진(204)으로부터 전처리된 데이터를 수신한다. 도 5에서 설명하는 바와 같이, 상기 예측기들(205)로부터 수신된 데이터 세트는 예상되는 값, 분산 및 상기 값들의 다른 통계적 기술자를 갖는 편차를 포함한다. 해당 기술 분야에서 통상의 지식을 가진 자는 상기 데이터 세트가 분석되는 상기 계측기를 위한 다중의 예상되고 실제적인 값들을 포함할 수 있는 점을 인지할 수 있을 것이다. 이상 검출기들(206)은 상기 계측기를 위한 이상 없음에 대한 가능성을 시험하고 특정한 사건 유형들과 같은 대안적인 가설에 대한 가능성을 시험하기 위하여 이상 검출기들을 포함한다. 이상 검출기들(206)은 이상들을 사건 판정 및 분류 엔진(207)으로 전송한다. 이러한 이상들의 일부는 이들 자체 내에 및 이들 자체를 나타내며, 일부들은 사건의 시작, 사건의 종료, 사건 내의 실질적인 변화, 시간의 피크 및 이와 유사한 사건들의 부분들을 나타낸다.

이상 검출기들(206)은 상기 예측기들로부터 보내지는 예상 값의 세트의 임의의 편차의 중요성과 상기 네트워크로부터 회수되는 실제 값을 분석하도록 가동된다. 각각의 데이터 세트를 위하여, 각 이상 검출기는 상기 편차의 중요성을 분석함에 의해 주어진 시간 동안 주어진 상기 계측기 독출들과 관련된 이상이 일어나지 않는 통계적 가능성을 결정한다. 예를 들면, 상기 편차들의 계속되거나 빈번한 발생이 이러한 편차들의 중요성을 증가시키기 때문에, 상기 이상 검출기들(206)은 시간에 대해, 예를 들면, 분, 시각, 일 또는 보다 긴 시간에 대해 상기 편차들의 중요성을 분석한다. 해당 기술 분야에서 통상의 지식을 가진 자라면 알 수 있는 바와 같이, 시스템 설계자들은 상기 이상 검출기들(206)이 다른 것들 중에서 작은 시간 규모의 사건들을 위해 요구되는 민감도, 검출을 위해 보다 긴 시간에 대해 계속된 편차들을 요구하는 작은 규모의 사건들에 반대되는 바와 같은 이들이 큰 규모를 가질 때에 통상적으로 검출 가능한 최근에 시작된 사건들을 기초로 하여 시간에 대해 편차들을 분석하도록 설계하거나 조절할 수 있다. 이에 따라, 예를 들면, 한 번만 발생되거나 분 단위와 같은 짧은 시간 동안 일어나는 작은 편차는 이상으로서 검출되지 않을 수 있는 반면, 걸어진 시간 동안이나 이러한 기간 내에 빈번히 일어나는 작은 편차는 이상 검출기들(206)에 의해 통계적으로 중요한 것으로 확인될 수 있고 이상으로 검출될 수 있다.

편차들의 중요성에 대한 분석에 관하여, 예를 들면, 이력 통계 데이터와 비교할 때에 계측기 독출은 이력 통계 데이터의 관점에서 중요할 수 있다. 예를 들면, 3개의 표준 편차들의 차이 또는 상위 퍼센타일 내의 값이 중요한 편차가 될 수 있다. 다른 실시예들에 있어서, 상기 통계적인 편차는 변수의 함수로서 편차들의 분산에 의해 측정된다. 이러한 변수의 하나는 상기 편차의 중요도가 현재 시각에 따라 변화할 수 있는 편차들의 분산에 의존할 수 있는 것을 의미하는 현재 시각이 될 수 있다. 이러한 변수들의 다른 것들은 온도나 습도, 기상 경보들, 휴일들 또는 하루 또는 현재 시각에 대해 네트워크의 특성들을 변화시킬 수 있는 스포츠 사건들과 같은 기상 측정 사항들을 포함할 수 있다. 또한, 상기 값들의 편차의 중요한 한계 값(threshold)은 시스템 설계자, 사용자 또는 상수도 관리자에 의해 요구되는 통계적 신뢰성의 수준에 의해 변화될 수 있다. 다양한 실시예들에 있어서, 상기 한계 값은 (1) 특정한 다중의 표준 편차와 같은 이력 데이터와의 연관성의 분산에 기초하여 계산되는 통계적 신뢰 수준 또는 (2) 이상을 검출하는 시스템 보다 높은 상수이다. 일부 실시예들에 있어서, 예측된 값들과 실제 값 사이의 차이보다는 예측된 값들에 대한 실제 값 사이의 비율이 분석되며, "차이(difference)"라는 용어는 이러한 실시예들의 경우에서 이와 같은 비율에 대해 동일하게 언급되도록 사용된다.

일 실시예에 있어서, 이상 검출기는 주어진 기간에 대해 예상되는 값들로부터 일정한 통계적으로 큰 편차가 존재할 때에 이상을 발견한다. 통계적으로 크다는 것은 통계적으로 중요한 상대적 경계(N의 표준 편차들이나 K회의 사분위수(inter-quartile range)로서, 또는 특정한 수행들에 따른 상기 데이터의 실제 분배를 고려하는 다른 표준화들과 같은)를 의미한다. 또한, "순간적인(momentary)" 독출들을 상기 예상되는 값들과 비교할 때, 상기 비교가, 예를 들면, 높은 산포의 시각들이 낮은 산포의 시각들과 혼합될 수 있기 때문에 예상되는 값들로부터의 차이들의 전체적인 표준 편차(또는 다른 통계적인 서술자(descriptor))의 이용은 많은 숫자의 가긍정적 판단들(false positives)을 생성할 수 있다. 이에 따라, 이와 같은 오류(error)를 감소시키기 위해, 상기 시스템은, 예를 들면, 1주의 일자들에 대해 대략 하루의 시간에서의 이러한 차이의 표준 편차로 X(t)-P(t)를 나눔에 의해 상기 독출(X(t))을 상기 예측된 값(P(t))과 비교한다. 상대적 한계의 규모와 기간의 길이가 상기 방법의 변수들이 되며, 특별한 사례화들(instantiations)이 보다 짧거나 또는 보다 작은 사건들에 대해 택일적으로 선택적으로 초점을 맞추게 한다.

다른 실시예에 있어서, 이상 검출기는 특정의 고정된 기간들 동안 실제와 예측된 값들 사이의 차이(또는, 선택적으로 낮은 값들이 후속하는 높은 값들과 함께 삭제되거나 그렇지 않은 것에 영향을 미치는 차이의 절대 값의)의 AUC(the area under the curve)를 계산한다. 이러한 계산은, 예를 들면, 매 1/4일 마다의 방식으로 수행될 수 있다. 상기 AUC는 그 자체가 통계적인 양은 아니지만, 고정된 기간들이 존재하기 때문에 상기 분산이 경험적으로 측정될 수 있고, 주말의 한밤중과 오전 6시 사이의 계측기 X의 AUC 값들의 5% 정도만이 X0보다 커졌다면, 이후에 AUC 값이 대략 "5% 가능한" 것을 발견하게 된다. 상기 고정된 기간들(및 이들에 비교되는 기간들)의 길이는 상기 방법의 변수들이 되며, 특별한 사례화들이 보다 짧거나 또는 보다 작은 사건들에 대해 택일적으로 선택적으로 초점을 맞추게 한다.

시건 판정 및 분류 엔진(207)은 M 이상 검출기들(206)로부터의 통계적 분석들을 비교하도록 가동되어, 최근의 계측기 독출들로 주어진 비-이상 추정의 전체적인 통계적 가능성을 판단한다. 상기 엔진(207)은 동일하거나 다른 계측기들로부터 및 상기 사건의 발생을 모두 지속적으로 가리키는 동일한 시간에서 또는 주어진 기간에 대하여 다중 이상들의 검출을 기초로 하여 통계적 가능성을 증가시킬 수 있다. 예를 들면, 하나의 이상이 상기 사건의 시작을 나타낼 수 있고 다른 이상이 상기 사건 내의 변화 또는 상기 사건의 종료를 나타낼 수 있으며, 상기 분류 엔진(207)은 단일 사건에 관련되는 이러한 이상들을 인지한다. 다른 예로서, 유사한 시간 내 및 관련된 위치들로부터 증가된 흐름과 관련된 다른 계측기들로부터의 2개의 이상들이 동일한 사건을 나타낼 수 있다. 일 실시예에 있어서, 어림법(heuristics)이 시간의 통계 데이터로부터 독출의 통계적 가능성과 공간의 통계 데이터로부터 독출의 통계적 가능성을 결합을 기초로 하여 계측기 독출의 전체적인 통계적 가능성을 판단하는 데 사용된다. 예를 들면, 상기 이력 통계 데이터 비교가 상기 계측기의 현재 독출이 15%만이 높아질 가능성이 있는 것으로 나타낼 경우, 그러나 상기 공간 통계 데이터 비교는 상기 계측기의 현재 독출이 95%로 높아질 가능성이 있는 것으로 나타내고, 이후에 전제척인 독출 가능성이 75%로 높아질 가능성이 있다. 예를 들면, 여기서 참조로 포함된 Koziol, James 및 Tuckwell, Henry의 "A Bayesian Method for Combining Statistical Tests(Journal of Statistical Planning and Inference 1999: 78(1-2), 317-323)"을 참조하기 바란다.

상기 분석 엔진에 의해 검출되는 사건들의 예들로는 누수, 파열, 잘못된 계측, 물의 도난, 통신 오류, 수질 문제, 소비의 예상치 않은 증가, 소비 패턴의 변화, 비정상적인 저장소 레벨들 및 압력들과 같은 네트워크 오작동 및 기타의 것들이 있다. 사건들에 대한 보다 상세한 사항에는, 예로서 상기 사건의 시작 시간, 상기 사건의 종료 시간, 상기 사건의 규모, 상기 사건과 관련된 전체적인 물의 손실 등이 포함될 수 있다.

사건 판정 및 분류 엔진(207)은 또한 시작 시간, 종료 시간, 사건의 규모, 누출이 시작된 이래로 전체 물의 손실과 같은 누적된 사건의 규모, 유형, 상태 그리고 압력 단위들, pH 또는 염소의 농도와 같은 사건의 물리적인 단위들과 같은 각 사건에 관한 추가적인 데이터를 생성한다. 상기 사건의 규모는, 일부 실시예들에 있어서, 정상 조건들에 대한 여분의 흐름의 계산, 계측기 계산 착오, 또는 염소 변화와 같은 사건의 크기나 비율을 나타내는 값이다. 이러한 정보는 인터페이스들(209)로 더 보내지도록 데이터베이스(208) 내에 저장된다. 이상들의 어떤 출력들은 데이터베이스(208)에 저장되는 사건의 어떤 필드들에 매핑(mapping)된다. 사건들과 관련된 필드들의 예들로서는 사건의 유형(상기 사건 판정 및 분류 엔진(207)에 의해 결정되는 바와 같은), 시작 시간, 종료 시간, 규모 및 상기 사건 유형의 물리적 단위들이 있다.

해당 기술 분야에서 통상의 지식을 가진 자는 다중 예측기들 및 이상 검출기들을 이용하여 the M의 이상 검출기들(206)로부터의 통계적 가능성들의 비교가 검출된 사건이 이상인지에 대한 증가된 신뢰성 또는 검출된 사건이 이상인지에 대한 감소된 신뢰성 중에서 하나를 도출할 수 있음을 이해할 수 있을 것이다. 일 실시예에 있어서, 상기 사건 판정 및 분류 엔진(207)은 각 M의 이상 검출기로부터 동일하게 전송되는 사건들 또는 사건의 일부들에 가중치를 둘 수 있다. 다른 실시예에 있어서, 상기 사건 판정 및 분류 엔진(207)은 미리 정해진 구성을 기초로 하여 각 M의 이상 검출기로부터 보내지는 사건들 또는 사건의 일부들에 가중치들을 할당할 수 있다.

데이터베이스(208)는 데이터베이스(208) 내의 저장 및 출력 인터페이스들(209)에 의한 데이터베이스(208)로부터의 검색을 위하여 사건 판정 및 분류 엔진(207)으로부터 정보를 수신한다.

사건 추적 인터페이스(210)는 상기 시스템의 사용자들에 대해 사건의 리스트를 제공한다. 사용자들은 리스트된 사건들을 선택함으로써 개별적인 사건들과 이들의 관련된 데이터들을 볼 수 있다. 사건 추적 인터페이스(210)로 보내지는 사건들은 상기 시스템의 사용자에 의해 선별될 수 있다. 예를 들면, 누출을 수리하는 작업만 수행하는 사용자는 누출 사건들만을 볼 수 있는 반면, 상기 시스템의 관리자는 모든 유형의 사건과 사건 데이터 또는 사건의 전체적인 상황을 볼 수 있다. 다른 사용자들은 다른 유형의 사건들을 보며, 사용자의 필요들이나 책임들이 사용자가 보는 사건이 어떤 사건인지 명령할 수 있다. 예를 들면, 누출 관리자는 높은 신뢰성의 누출 사건들만 또는 어떤 정해진 한계 값 이상의 규모를 갖는 누출만을 보도록 선택할 수 있다. 다른 예에 있어서, 이웃의 하나를 모니터링하는 작업을 수행하는 사용자들은 상기 이웃에 위치하는 계측 데이터와 관련된 사건들을 보게 된다. 다른 예에 있어서, 상기 상수 네트워크(201)의 관리자들은 상수 네트워크(201)와 관련된 모든 사건들을 보는 반면, 상수 네트워크들(200, 201) 양자의 관리자들은 네트워크들 모두와 관련된 사건들을 보게 된다. 해당 기술 분야에서 통상의 지식을 가진 자는 시스템 관리자들에 의해 관리될 수 있는 표준 업무 기반의 사용자 인터페이스, 접근 제어 및 사용자 관리 방법들이 사건 데이터와 보고서들에 대한 접근의 입상도(granularity)를 제공하는 데 사용될 수 있음을 이해할 수 있을 것이다.

상기 사건 추적 인터페이스(210)에 표시되는 사건 데이터는 사건 시작 시간, 유형, 위치, 규모 및 상태를 포함할 수 있다. 또한, 상기 사건을 선택하는 사용자에게는 후술하는 바와 같이 지도들, 그래프들, 상기 선택된 사건과 관련된 사용자들이 게시한 설명들, 그리고 상기 엔진이나 사용자들에 의해 만들어진 선택된 사건들, 지도들, 그래프들 및 이와 유사한 것들에 대한 주석들이 더 제시될 수 있다. 보다 상세한 예로서, 사건 추적 인터페이스의 사용자들은 사건들에 주석을 달거나, 다른 사건들이나 사용자 인터페이스 대상들에 하이퍼링크들을 포함할 수 있다. 상기 주석들은, 예를 들면, 웹상에서 통신하고 상기 시스템의 다른 사용자들에 의해 보여지는 관련된 사건 기록들 내의 데이터베이스(208)에 저장되는 HTML 형태의 필드들로서 상기 사건 추적 인터페이스로부터 통신한다.

사용자들은 또한 상기 사건과 관련된 사건이나 과제의 소유권이나 책임을 상기 시스템의 다른 사용자들에게 할당할 수 있다. 예를 들면, 누출 분석가는 특정한 의심되는 누출을 최근의 유지 관리가 흐름 이상을 설명하는 지를 문의하도록 인접하는 지역의 물 관리 엔지니어, 또는 조사와 수리를 추천하거나 요구하도록 제어실 관리자에게 할당할 수 있다. 사용자에게 제시되는 상세한 사건 정보는 상기 사용자가 상기 사건에 대해 통지된 결정을 하는 데 보다 도움이 되고 이에 따라 이에 대해 작용하는 데이터를 포함한다. 예를 들면, 상기 시스템이 누출을 검출하고 누출 사건을 단계 210로 보낼 경우, 상기 시스템은 사건 기록과 지도들, 그래프들 및 이와 유사하게 보여지는 것들, 예를 들면, 예측되거나 과거의 값들에 대한 현재의 실제 값들의 비교를 통한 상기 데이터의 시각화로부터의 사건 데이터를 제공한다. 예를 들면, 상기 사건 데이터의 시각화의 하나는 상기 사용자가 상기 사건의 중요한 측면들에 집중하도록 도움을 주는 시간에 대한 유량과 누출을 나타내는 유량의 증가의 강조된 부분을 보여주는 형태가 될 수 있다. 사건 추적 인터페이스(210)를 위한 샘플 스크린 숏들은 도 11 내지 도 15에 도시되어 있다.

경보 인터페이스(211)는 미리 정해진 규정들이나 정책들에 따라 상기 사용자들에 의해 지정된 컴퓨터화된 장치들을 통해 특정한 사용자들에게 알려질 필요가 있는 어떤 사건들을 확인하도록 동작한다. 예를 들면, 사용자는 규정들이나 정책들을 통해 보다 시급하거나 보다 큰 특정한 규모들인 시간에 민감한 유형들의 다른 사건들이 텍스트, 페이징 또는 이와 유사한 것으로 그의 또는 그녀의 이동 전화기로 전송되는 반면에 특정한 규모의 어떤 사건들이 상기 사용자에게 이메일 메시지로 전송되게 특정할 수 있다. 상기 경보 인터페이스(211)에 의해 발생된 경보들은 상기 사용자가 상기 사건에 대해 통지된 결정을 내리는 데 도움이 되는 상기 경보에 대한 어떤 특정한 데이터를 포함한다. 상기 사용자는 상기 경보 인터페이스(211)를 메시지들 자체가 얼마나 상세한 지와 예를 들면, 상기 사건 추적 인터페이스(210)의 아이템에 대한 링크를 통해 회수되는 사용자를 위해 유용하도록 만들어지는 얼마나 많은 추가적인 데이터가 있는 지를 구성할 수 있다.

상기 보고 인터페이스(212)는 상기 데이터베이스(208)로부터 사건 데이터를 회수하고 다양한 보고들, 표들, 차트들, 그래프들 및 사건이나 사건의 축적들 예시하는 이와 유사한 것들을 생성하는 보고 시스템이다. 해당 기술 분야에서 통상의 지식을 가진 자라면 이해할 수 있는 바와 같이, 상기 보고 인터페이스(212)는 사용자들이 임의의 원하는 지리, 시간, 사건의 유형 및 이와 유사한 것들과 같은 필드(들)이나 변수(들)에 의해 사건들과 사건 데이터를 축적하게 한다. 상기 보고 인터페이스(212)를 통해 생성된 보고들은 상수 네트워크 관리자들과 같은 사용자들이 이들의 네트워크에 대한 향후의 수리 또는 개선 사항들, 상기 계측기들의 위치, 혹은 운용, 설계, 발전 및 기타 고려 사항들과 관련된 다른 결정들을 보다 잘 계획하게 한다.

소유 시스템 인터페이스(213)는 상기 배수 시스템의 운용자들에 의해 사용되는 다른 소프트웨어 프로그램과 인터페이스로 접속하는 시스템이다. 예를 들면, 소유 시스템 인터페이스(213)는 상기 데이터베이스(208)로부터 사건 데이터를 회수하고 이의 모든 또는 특정한 부분을 누출 또는 다른 사건들의 관리 인력에게 통지하도록 장애 처리 시스템(trouble ticket system)에 입력한다. 장애 처리 소프트웨어의 예로서는 Numara(등록상표)의 Track-It!(등록상표)이 있다. 다른 예로서, 상기 사건 데이터는 업무 흐름 시스템 또는 자산 관리 시스템(IBM사로부터 입수할 수 있는 Maximo^TM 시스템과 같은)으로 전송될 수 있으므로, 상기 사건이 보다 신속하게 처리될 수 있다. 사용자들에게 보고되는 사건을 위한 사건 데이터는 잘 분류되며 임의의 산업 표준 인터페이스에 의해 사용자를 위해 적용될 수 있다. 업무 흐름 시스템 인터페이스의 하나의 예로는 Handysoft의 Bizflow가 있다.

앞에서 설명한 실시예들 중에서 임의의 하나에 추가적으로, 구성 요소들(203 내지 209)이 웹 서버와 같은 서버 또는 서버들의 세트 상에 존재할 수 있으며, 웹 인터페이스를 통해 인터페이스들(209)의 사용자들에게 경보들과 보고들에 대한 접근을 제공하도록 응용 프로그램 서비스 제공자(ASP) 모델을 활용할 수 있다.

도 3은 본 발명의 실시예들에 따른 상수 네트워크를 모니터링 하는 방법을 설명하기 위한 흐름도를 나타낸다. 단계 301에 있어서, 상기 시스템은 상기 상수 네트워크로부터 또는 이에 대하여 네트워크 데이터(예를 들면, SCADA 데이터), GIS 데이터, 운용 데이터 및 배수 시스템과 다른 소스들로부터의 외부의 사건 데이터를 포함하는 데이터를 수신한다. 상기 시스템은 동일하거나 다른 소스들로부터 다른 유형들의 데이터를 수신하도록 가동되며, 이러한 데이터에 동일한 분석적인 접근을 제공하도록 변경될 수 있다. 단계 301은, 일 실시예에 있어서, 도 1의 구성 요소(100)에 의해 또는 보다 특별하게는 도 2의 구성 요소(203)에 의해 수행될 수 있다. 다음 단계 302에 있어서, 상기 시스템은 통계적 모델들과 여기서 설명하는 다른 알고리즘들을 이용하여 수신된 데이터를 분석한다. 단계 302는, 일 실시예에 있어서, 도 1의 구성 요소(100)에 의해 또는 보다 특별하게는 도 2의 구성 요소들(204 내지 208)의 임의의 조합에 의해 수행될 수 있다. 마지막으로, 단계 303에 있어서, 상기 시스템은 시건들, 경보들, 보고들 및 그래프들을 포함하는 출력을 생성하고 표시한다. 단계 303은, 일 실시예에 있어서, 도 1의 구성 요소들(106 내지 112)에 의해 또는 보다 특별하게는 도 2의 구성 요소들(210 내지 214)에 의해 수행될 수 있다.

도 4는 본 발명의 실시예들에 따른 상수 네트워크를 모니터링하는 방법을 보다 상세하게 설명하기 위한 흐름도를 나타낸다. 단계 401에 있어서, 상기 시스템은 분석되고 있는 상수 네트워크로부터 데이터를 수신하며, 상기 데이터는 상기 네트워크 내의 상기 계측기들의 인식 및 지리학적 위치들을 포함한다. 다음 단계 402에서, 상기 시스템은 적어도 하나의 분석되는 계측기를 선택한다. 다음에, 단계 403에서, 상기 시스템은 단계 401에서 수신된 데이터를 기초로 하여 값들의 가능한 분산을 예측한다. 값들의 가능한 분산을 예측하기 위한 실시예들은 도 5를 참조하여 설명된다. 다음에, 단계 404에서, 상기 시스템은 상기 예측된 값들과 실제 값들을 비교한 후에 값들의 통계적으로 중요한 편차들이 존재하는 지를 결정한다. 편차들의 중요도를 결정하기 위한 실시예들은 도 2를 참조하여 설명된다. 값들의 편차가 엇ㅂ거나 상기 편차가 중요하지 않을 경우, 상기 시스템은 단계 402로 진행하고, 분석되는 다른 타겟을 선택한다. 그러나, 상기 시스템이 값들의 편차를 중요한 것으로 결정할 경우, 상기 시스템은 단계 405로 진행하고 이상을 검출한다.

다음에, 단계 406에서, 상기 시스템은 상기 사건 또는 사건 일부들을 분류한다. 다음에, 단계 406a에서, 상기 시스템은 상기 사건이나 관련된 사건이 상기 데이터베이스 내에 존재하는 지를 결정한다. 상기 사건이나 관련된 사건이 상기 데이터베이스에 존재하지 않을 경우, 상기 시스템은 단계 406b로 진행하고, 상기 데이터베이스에 사건을 생성한다. 그러나, 상기 사건이나 관련된 사건이 상기 데이터베이스에 존재하지 않을 경우, 상기 시스템은 단계 407c에서 상기 데이터베이스 내의 이전에 저장된 사건을 업데이트한다. 상기 데이터베이스에 검출된 사건이 존재하는 지를 결정하기 위하여, 상기 시스템은 상기 검출된 사건을 상기 데이터베이스에 저장된 이전의 활성 사건들과 비교한다. 상기 활성 사건은 이전에 검출되었지만 아직 수리되지 않고 있는 누출과 같은 여전히 진행 중인 사건이 될 수 있다. 일 실시예에 있어서, 사건들이 여전히 활성인지를 결정하기 위하여, 상기 시스템은 누출과 같은 사건이 종료하였는지를 결정한다. 상기 시스템은 사건 유형들의 유사성, 상기 검출된 사건과 상기 이전에 저장된 사건의 시작 시간, 상기 이전에 저장된 사건이 종료되지 않은 지, 상기 검출된 사건과 상기 이전에 저장된 사건의 위치 또는 동일한 물리적인 실제 세상의 사건의 선택적 또는 부분적인 검출들로서 둘 또는 그 이상의 사건들과 관련될 수 있는 다른 데이터 필드들을 관찰함에 의해 검출된 사건이 이전에 저장된 사건과 관련이 있는 지를 결정한다. 일 실시예에 있어서, 상기 시스템이 단계 406c에서 상기 사건을 업 데이트할 때, 상기 사건 기록이 상기 데이터베이스에 남게 되어, 이전에 저장된 사건을 모니터링하는 사용자들이 상기 검출된 사건과 상기 이전에 저장된 사건의 상태에 이가 미치는 영향을 관찰하게 된다. 다음에, 단계 407에서, 상기 시스템은 상기 사건과 인터페이스 또는 상기 데이터를 보고하거나 저장할 수 있는 다른 시스템에 대한 관련된 데이터를 제공한다. 일 실시예에 있어서, 상기 사건과 함께 제공되는 관련된 데이터는 상기 사건의 검출과 관련된 데이터이다. 예를 들면, 상기 시스템이 누출을 검출하고 분류할 경우, 사용자 인터페이스에 제공되는 상기 관련된 데이터는 상기 누출을 나타내는 지도뿐만 아니라 상기 사건을 제기하는 상기 시스템을 촉발하는 시간에 대한 유량의 차이를 나타내는 그래프들이 될 수 있다.

단계 408에서, 상기 시스템은 모니터할 다음 타겟을 선택하며, 상기 시스템은 상기 네트워크 내의 다른 계측기들을 위한 이상들을 검출하는 것을 계속한다.

도 5는 도 4의 단계 403에서 값들의 예측을 위한 방법을 설명하기 위한 흐름도를 나타낸다. 도 5의 시스템은 단계 501에서 속성들을 먼저 선택함에 의해 예측을 수행한다. 속성들은 일반적으로 주어진 계측기로부터의 이력 데이터와 같은 데이터의 수집들이다. 이력 계측 데이터는 계측기 독출 및 상기 계측기 독출을 위한 시간에 대응되는 데이터를 포함할 수 있다. 일 실시예에 있어서, 선택된 속성들은 대응되는 계측기 또는 선택된 계측기들로부터의 이력 데이터와 함께 분석되는 상기 계측기로부터의 이력 데이터의 밀접한 관련성을 기초로 하는 대응되는 계측기 또는 계측기들을 위한 이력 계측 데이터이다. 도 6에는 분석되는 계측기로부터의 이력 데이터와 함께 밀접한 관련성을 기초로 하여 대응되는 계측기들을 결정하는 하나의 실시예가 설명된다.

다음 단계 502에서, 상기 시스템은, 예를 들면 선형 회귀(linear regression)와 RMSE(root mean squared error) 척도를 이용하여 오차 척도(error metric)에 따라 선택된 속성들의 가장 적합한 조합을 결정할 수 있다. 상기 가장 적합한 조합은 예측되는 데이터 세트의 근사치를 내는 상기 선택된 속성들의 함수를 생성한다.

다음 단계 503에서, 상기 시스템은 상기 선택된 속성들로부터의 데이터와 함께 단계 502에서 수득된 함수를 적용하여 상기 선택된 속성들의 가능한 값의 분산을 예측한다. 결과 데이터 세트는 상기 계측기의 가능한 값의 분산을 포함한다. 다음에, 결과 데이터 세트는 구성 요소(205)의 예측기들로부터 도 2의 구성 요소(206)의 대응되는 이상 검출기로 진행한다.

일반적으로, 예측은 계측 데이터 세트들과 같은 몇 개의 속성들을 선택하고 예측이 생성되는 것을 위한 데이터 세트의 근사치를 생성하도록 이들을 결합함에 의해 발생될 수 있다. 일 실시예에 있어서, "독립적인 선택 속성(independent attribute selection)"은 각기 분석되는 데이터 세트와 개별적으로 가장 적합한 N의 데이터 세트들을 선택함에 의해 진행하는 선택 속성이다. 예로서, 사용된 오차 척도가 RMSE이고 상기 속성들이 아핀으로 결합되는 경우, 그러면 선택된 상기 데이터 세트들은 가장 알맞은 아핀 변환(affine transformation) 하에서 RMSE에 관하여 각기 개별적으로 분석되는 데이터 세트에 가장 가까운 데이터 세트들이 될 것이다. 이를 위하여, 상기 시스템은 각 개별적인 데이터 세트(분석되는 근사치의 데이터 세트에 대하여)를 위한 가장 적합한 변수들을 발견하고, 최적의 변수들을 갖는 각 데이터 세트에 의해 구현된 근사 오차(approximation error)를 기록하며, 상기 시스템은 가장 낮은 오차들(가장 적합한)을 갖는 데이터 세트들을 선택한다. 해당 기술 분야에서 통상의 지식을 가진 자라면 알 수 있는 바와 같이, 가정 적합한 변수들의 발견은 선형 회귀와 같은 잘 알려진 방법들에 의해 이루어질 수 있다.

다른 실시예에 있어서, "과도한 선택 속성(exhaustive attribute selection)"은 예측을 위해 유용한 데이터 세트들의 모든 가능한 N-튜플들(tuples)을 탐구함에 의해 예측 오류를 최소화하는 N 데이터 세트들을 선택하여 진행하는 선택 속성이다. 각각의 N-튜플을 위하여, 상기 시스템은 가장 알맞은 변수들(RMSR와 같은 특정한 오차 척도에 대하여 분석되는 데이터 세트에 근접하는)을 발견하고, 구현된 상기 근사 오차를 기록하며, 가장 낮은 오차(가장 적합한)를 갖는 N-튜플을 선택한다.

일 실시예에 있어서, "증분의 선택 속성(incremental attribute selection)"은 새로운 데이터 세트와 함께 이미 선택된 데이터 세트들의 가장 적합한 조함이 생성될 때에 각각의 추가적인 데이터 세트가 근사 오차의 가강 큰 감소를 제공하는 것과 같은 하나의 시간에서 N 데이터 세트들을 선택함에 의해 진행하는 선택 속성이다. 단계 K＋1에서, K(K＜N) 데이터 세트들이 이미 선택되었을 때, 상기 시스템은 가장 알맞은 변수들을 발견하고 이미 선택된 K 데이터 세트들과 예측을 위해 유용한 다른 데이터 세트들로 구성된 K＋1 데이터 세트들의 모든 수집을 위한 근사 오차를 기록함에 의해 상기 K＋1 데이터 세트들을 이들에 추가하도록 결정하며, 상기 시스템은 가장 낮은 오차(가장 적합한)를 구현하는 추가적인 데이터 세트를 선택한다.

도 7에는 상기 "증분의 선택 속성"의 하나의 실시예를 위한 흐름도가 제공된다. 단계 701에서, 상기 시스템은 상기 선택된 속성들에 추가되도록 제1 데이터 세트 또는 계측 데이터를 선택한다. 상기 제1 데이터 세트는 분석되는 계측 데이터에 대한 높은 관련성을 갖는 점을 기초로 하여 선택될 수 있다. 다음 단계 702에서, 상기 시스템은 결합 내의 데이터 세트들의 숫자인 N이 설계자가 결합되는 것으로 허여한 데이터 세트들을 예측되는 숫자인 K보다 작은 지를 판단함에 의해 다른 데이터 수집이 상기 데이터 세트에 추가되어야 하는 지를 결정한다. 그렇지 않다면, 상기 시스템은 단계 708로 진행하고 분석을 수행한다. 상기 데이터 세트에 다른 데이터 수집이 추가될 경우, 상기 시스템은 단계 703으로 진행되고 상기 데이터 세트에 추가되는 제2 데이터 수집을 선택한다. 다음 단계 704에서, 상기 시스템은 상기 데이터 세트 내의 모든 데이터 수집을 위한 가장 적합한 변수들을 발견하고, 이후에 단계 705에서 상기 데이터 세트 내의 모든 데이터 수집들을 위한 근사 오차를 기록한다. 다음 단계 706에서, 상기 시스템은 가장 적합한 지를 결정함에 의해 상기 추가된 데이터가 가장 낮은 오차를 구현하는 지를 결정한다. 상기 추가된 데이터 세트가 상기 가장 낮은 오차를 구현하지 못할 경우, 상기 시스템은 단계 702로 진행한다. 그러나, 상기 제2 데이터 수집이 가장 낮은 오류를 달성할 경우, 상기 시스템은 단계 707로 진행되고 상기 제2 데이터 수집을 상기 데이터 세트에 추가한다. 상기 시스템은 이후에 단계 702를 진행한다.

선택 속성의 이러한 실시예들의 각각에 후속하여, 선형 회귀와 같이 해당 기술 분야에서 통상의 지식을 가진 자에게 익숙한 방법들 중에서 임의의 하나에 의해 사용되는 오차 척도(예를 들면, 상기 RMSE)와 관련되어 모든 상기 선택된 데이터 세트들을 위한 가장 적합한 아핀 결합을 생성하도록 이후에 변수 선택이 진행된다. 일 실시예에 있어서, 몇 가지의 다른 회귀들 또는 회구 분석법들이 유사하게 적용되며, 그 결과물은 개별적인 회구 결과들의 중간이나 평균 또는 유사한 결합이 된다.

해당 기술 분야에서 통상의 지식을 자진 자라면 알 수 있는 바와 같이, "독립적인 선택 속성"은 가장 빠르게 계산되지만, 세 실시예들 중에서 가장 덜 정확하다, "과도한 선택 속성"은 가장 느리게 계산되지만, 가장 정확하며, "증분의 선택 속성"은 중간의 정확도 수준과 중간의 속도를 제공할 수 있다.

일반적으로, 예측들을 생성하는 데 사용될 수 있는 상기 데이터 세트들은 독출되는 예측기의 모든 시간 계열들과 독출되는 계측기의 시간 계열들의 시간 이동들과 같은 이러한 데이터 세트들의 변형들과 같은 상기 시스템에 의해 수신된 상기 계측 데이터 세트들의 전부 또는 일부를 포함한다. 일 실시예에 있어서, 예측에 유용한 상기 데이터 세트들(선택 속성이 N 세트들을 선택해야 하는 속성들)은 분석 중인 계측기 보다는 계측기들을 위한 데이터 세트와 분석되는 계측기 및 다른 계측기들을 위한 데이터 세트의 어떤 시간 이동들이다. 상기 시간 이동들은 하루, 1주 또는 1년과 같은 데이터 내의 예상되는 다중의 사이클 기간들에 대응된다. 예를 들면, 다른 계측기들은 그 데이터 세트들이 유용한 계측기들의 전체적인 수집, 또는 동일한 양을 측정하는 계측기들(예를 들면, 분석 중인 계측기가 흐름 계측기 일 경우에는 흐름 계측기들)의 수집, 또는 분석되는 계측기로부터 멀리 떨어져 위치하는 계측기들만으로 간주될 수 있으므로, 분석 중인 계측기에 의해 등록되는 국부적인 사건은 상기 네트워크를 통해 멀리 떨어진 계측기들의 임의의 하나에 대해 수압으로서 진행되지 않을 가능성이 있다.

일부 실시예들에 있어서, 사용되는 상기 계측 데이터는 수신된 최초의 계측 데이터의 가공된 형태일 수 있으며, 전체 이력 데이터(historical data)로부터 시간에 맞게 보다 한정될 수 있다. 예를 들면, 전술한 분석을 위해 사용되는 데이터 세트들은 연이은 6시간의 기간들(매 6시간을 위한 각 계측의 하나의 평균값), 현재 시간 전의 시동 70일들 및 현재 시간 전의 종료 7일들에 대해 계산된 평균 계측 값들이 될 수 있다. 이는, 예를 들면, 검출되는 진행 중인 효과에 의해 야기되는 계측기들 사이의 최근의 상이점의 임의의 원하지 않은 효과, 오랜 시간(다른 계절 동안과 같은) 전에 존재할 수 있었던 임의의 관련이 없는 상이점들 및 짧은 예전의 차이점들을 제거할 수 있다.

도 6은 대응되는 계측기 예측들 위한 대응되는 데이터를 선택하는 방법을 설명하기 위한 흐름도를 나타낸다. 도 6은 앞에서 설정한 선택된 알고리즘들의 세트들의 간단한 하위 케이스들을 나타내며, 별도의 계측기로부터의 단일 데이터 세트가 대응되는 데이터 세트로서 선택된다. 이는 멀리 있는 계측기는 통상적으로 상기 계측기들 중에서 하나의 누출 하류와 같은 동일한 국부적인 사건들에 의해 영향을 받지 않을 수 있지만, 세계적인 소비 또는 네트워크 사건들(더운 날 또는 스포츠 사건과 같은)에 의해 유사하게 영향을 받을 수 있는 관찰을 이용함에 따라 많은 잠재적인 고장 경보들을 방지하는 것이다. 단계 601에서, 상기 시스템은 계측기로부터 이력 데이터(historical data)를 포함하는 제1 데이터 세트를 선택한다. 상기 이력 데이터는 압력과 유동 값들 및 독출되는 압력 및 유동과 관련된 시간을 포함한다. 다음에, 단계 602에서 상기 시스템은 제2 데이터 세트를 선택하며, 상기 제2 데이터 세트는 계측기로부터의 이력 데이터를 포함한다. 일 실시예에 있어서, 상기 제2 데이터 세트는 상기 제1 데이터 세트에 의해 나타내어지는 네트워크 장치에 대해 물리적으로 다르고 수압으로 강하게 연결되지 않은 네트워크 장치로부터의 이력 데이터이다. 예를 들면, 상기 제1 데이터 세트는 맨하탄(Manhattan)에 위치하는 계측기와 관련되고, 상기 제2 데이터 세트는 퀸즈(Queens)에 위치하는 계측기와 관련된다. 선택된 위치들은 상기 데이터 세트들이 수압으로 연결되지 않은 것으로 분석되는 계측기로부터 충분하게 멀리 떨어져있거나 그렇지 않으면 충분히 제거되며, 이에 따라 동일한 이상이나 사건에 의해 영향을 받지 않는다. 예를 들면, 이들의 물 흐름은 동일한 누출들, 다른 것에 영향을 주지 않는 하나의 수질의 변화 및 이와 유사한 것들에 의해 영향을 받지 않는다. 그러나, 비록 상기 제2 데이터 세트가 동일한 국부적인 수압 사건에 의해 영향을 받지 않을 지라도, 양자의 데이터 세트들은 여전히 더운 날 또는 시 규모의 스포츠 사건과 같은 동일한 지역적 또는 세계적인 사건에 영향을 받을 수 있다. 다른 실시예에 있어서, 상기 제2 데이터 세트는 상기 제1 데이터 세트에 의해 나타내어지는 동일한 계측기의 다른 시간으로부터의 데이터 세트이다. 예를 들면, 상기 제1 데이트 세트는 계측기 1로부터 얻어지고, 상기 제2 데이터 세트도 계측기 1로부터 얻어지지만 이전의 3일로부터의 데이터를 나타낸다.

다음에, 단계 603에서, 상기 시스템은 상기 2개의 계측기들 사이에 밀접한 관련성이 존재하는 지를 결정하도록 상기 제1 데이터 세트의 이력 데이터를 상기 제2 데이터 세트의 이력 데이터와 비교한다. 상관관계는 해당 기술 분야에서 알려진 표준 상관관계 기술들에 따라 결정될 수 있다. 해당 기술 분야에서 알려진 일부의 현재의 상관관계 기술들은 Miles, Jeremy 및 Shevlin, Mark의 "Applying Regression and Correlation: A Guide for Students and Researchers(Sage Publications Ltd. (2000), ISBN 0761962301)"에 기재되어 있다. 상관관계는 상관관계 값이 소정의 한계 값을 초과할 경우에는 밀접한 것으로 간주될 수 있으며, 이 경우에 상기 시스템은 단계 604로 진행한다. 예를 들면, 사용되는 상관관계 척도가 0으로부터 1 사이 범위의 결정 계수(R-squared)(또한 결정의 계수로 언급됨)일 경우, 그러면 상기 시스템은 계산된 결정 계수가 0.9와 같이 미리 정해진 값 이상인 경우의 대응되는 계측기들로서 상기 계측기들을 인지할 수 있다. 단계 604에 있어서, 상기 시스템은 다른 대응되는 데이터 세트가 요구될 수 있는 지를 결정한다. 일 실시예에 있어서, 보다 정확한 이상 검출이 용이해지도록 다른 대응되는 데이터 세트가 요구될 수 있으며, 상기 시스템은 단계 602로 진행한다. 대응되는 데이터 세트가 요구되지 않을 경우, 상기 시스템은 단계 605에서 도 5에 대해 설명한 바와 같이 분석한다.

그러나, 단계 603으로 돌아가고 다른 예에 있어서, 상기 상관관계 값이 상기 한계 값 보다 작을 경우, 상기 시스템은 상기 데이터 세트들이 밀접하게 연관되지 않은 것으로 인식할 수 있으며, 이 경우에는 상기 시스템은 단계 602로 진행하여 다른 데이터 세트를 선택한다.

일부 실시예들에 있어서, 예측기들에 의해 사용되는 데이터는, 전술한 바와 같이 운용 및 외부 데이터와 같은 네트워크 분석 엔진에 유용한 데이터의 다른 형태를 포함할 수 있다. 이러한 데이터는, 예를 들면, 상기 계측 데이터를 보다 제한, 강화 및 분류하도록 사용될 수 있다. 예시를 위하여, 예측기가 이러한 데이터를 사용할 수 있으므로, 이전의 휴일들(정규적인 근무일이 아닌)로부터의 하나의 데이터만이 현재의 휴일을 위한 값들의 예측, 또는 비계절적인 기상, 알려진 네트워크 사건들 혹은 일시적인 네트워크 변화들의 효과들을 제거하는데 사용된다.

도 8은 물 누출 사건을 검출하고 등록하기 위한 방법을 설명하는 흐름도를 나타낸다. 단계 801에서 상기 시스템은 상기 배수 시스템으로부터 전-처리된 데이터를 수득한다. 다음에, 단계 802에서, 상기 시스템은 N의 통계적 예측 모델들에 따른 N의 통계적 예측들을 수행한다. 다음에, 단계 803에서 및 각각의 예측기를 위하여, 상기 시스템은 통계적으로 중요한 편차가 존재하는 지를 판정하도록 예측 데이터를 실제 데이터와 비교한다. 특정한 예측기를 위한 통계적으로 중요한 편차가 존재하지 않을 경우, 상기 시스템은 단계 807로 진행하고 사건이 생성되지 않는다. 단계 807에서, 상기 시스템은 분석을 위한 상기 상수 네트워크로부터의 계측 데이터의 다른 세트를 선택하도록 단계 808로 진행한다. 그러나, 단계 803에서, 특정한 계측기를 위한 통계적으로 중요한 편차가 존재할 경우에는 상기 시스템은 단계 804로 진행하고 이상을 검출한다.

다음에, 단계 805에서, 상기 이상은 도 4에 대하여 제공된 예들의 설명에 따라 사건으로서 분류될 수 있다. 예를 들면, 다른 예측기 모듈들에 따라, 상기 시스템이 통계적으로 중요한 흐름의 지속적인 증가의 이상과 통계적으로 중요한 압력의 단기간의 감소(압력 교정에 의해 수반되는)의 이상을 제기할 경우, 상기 이상들은 누출 사건의 시작으로서 단계 805에서 분류된다. 시간 내의 나중의 시점에서, 상기 시스템이 유사한 규모의 대응되는 흐름의 감소 이상을 검출할 경우, 상기 이상은 상기 누출 사건의 종료로서 분류된다. 단계 805에서 편차들을 분류하는 다른 방법은 단계 804에서 검출된 상기 이상들을 부정하도록 외부 데이터를 이용하는 것이다. 예를 들면, 날자 분석이 휴일에 수행되었을 경우, 예를 들면, 주거지의 물의 사용이 상당히 변화될 수 있고, 그러면 예측된 데이터로부터 큰 통계적인 편차들이 누출 사건의 확인에 요구되는 통계적 한계 값을 증가시킬 수 있다. 다른 예로서, 스포츠 사건은 상기 네트워크의 하나의 지역에서 증가된 소비를 야기할 수 있고, 상기 시스템은 사건의 존재를 확인하거나 부정하도록 외부의 데이터로서 이러한 정보를 활용하도록 구비될 수 있다.

다른 실시예들에 있어서, 상기 시스템은 상기 이상을 생성하는 데이터에 추가적인 제한들을 적용하여 검출된 이상을 부정할 수 있다. 예를 들면, 상기 시스템, 또는 상기 네트워크 운용자들은 특정한 기간보다 길게 지속되는 예상되는 값들로부터의 편차를 갖거나 기간에 대해 어떤 빈도 이상으로 발생되는 어떤 규모의 한계 값을 넘는 누출들에만 대응되는 경보들을 생성하도록 결정할 수 있다. 누출들을 검출하는 상기 시스템의 민감도는 적어도 부분적으로 사용자가 결정한 규모의 한계 값 이상이거나 적어도 특정한 기간 동안 지속되는 누출에 의존할 수 있다.

다음에, 단계 806에서 상기 시스템은 누출과 같은 사건을 등록하고 검출된 누출의 특성들을 더 제공한다. 상기 특성들은 상기 누출의 규모, 상기 누출의 증가의 경향이나 속도 및 지금까지 누출된 물의 전체 양을 포함할 수 있다. 상기 누출 경보 및 상기 누출의 특성들은 도 2의 데이터베이스 형태의 구성 요소(208)에 저장될 수 있으며, 또한 도 2의 출력들(210 내지 214)의 임의의 하나 상에 재생성될 수 있다. 단계 806에서 사건을 등록한 후에, 상기 시스템은 분석을 위한 상기 네트워크로부터 상기 계측 데이터의 다른 세트들을 선택하도록 단계 808로 진행한다.

도 9는 고장 계측기 이상을 검출하기 위한 방법을 설명하는 흐름도를 나타낸다. 단계 901에서 상기 시스템은 분석되는 데이터 세트를 선택한다. 구성 요소들(902, 905 내지 909)은 실제 및 예측된 값들의 임의의 편차의 통계적인 중요성을 결정하는 다양한 예측기들 및 이상 검출기들을 나타낸다. 해당 기술 분야에서 통상의 지식을 가진 자는 각 구성 요소(902 및 905 내지 909) 또는 상기 구성 요소들의 임의의 조합이 가능한 값들을 결정하고 이상을 제기하는데 사용될 수 있는 점을 이해할 수 있을 것이다. 또한, 상기 시스템은 동시에 또는 임의의 순서로 순차적으로 상기 구성 요소들의 임의의 조합을 수행함에 의해 진행할 수 있다.

도 9의 흐름도에 의해 예시되는 실시예의 진행에 따라, 구성 요소(902)로 나타내어지는 상기 예측기 및 이상 검출기들은 누출과 같은 실제 네트워크 사건에 의해 설명되는 바를 넘는 전송된 값의 통계적으로 중요한 편차가가 존재하는 지 혹은 그렇지 않은 지를 판단한다.

구성 요소들(903 내지 905)로 나타내어지는 상기 예측기 및 이상 검출기들은 상기 제1 데이터 세트가 제2 데이터 세트와 관련될 때에 통계적으로 중요한 클록 표류 편차(clock drift deviation)가 존재하는 지 혹은 그렇지 않은 지를 판정한다. 상기 예측기 및 이상 검출기들은 단계 903에서 참조 데이터 세트 또는 다중 세트들을 선택함에 의해 진행하고, 이후에 단계 904에서 상기 제1 데이터 세트를 상기 참조 데이터 세트와 연관시킨다. 상기 참조 데이터 세트는 분석 중인 계측기와 밀접한 상관관계 값을 갖는 하나 또는 그 이상의 계측기들을 포함할 수 있다. 다음에 상기 시스템은 가장 양호한 상관관계를 생성하는 시간 이동을 위한 검색에 의해 상기 계측기가 통계적으로 중요한 클록 표류를 나타내는 지를 판정하도록 단계 905로 진행한다. 상기 계측기가 클록 표류를 나타내지 않을 경우(즉, 상기 가장 우수한 시간 이동이 0으로부터 상당히 다를 경우), 상기 시스템은 단계 910로 진행하고 고장 계측기 사건을 제기한다.

구성 요소(906)로 나타내어지는 상기 예측기 및 이상 검출기들은 고정된 값들이 전송되었는가를 판단한다. 상기 시스템은 단계 904에서 고정된 값 또는 시간에 대해 변하지 않는 데이터가 전송되었는지를 판단한다. 상기 계측기가 비정상적으로 긴 시간 동안 고정된, 거의 고정된 또는 빈번히 고정된 값을 전송하였을 경우, 상기 시스템은 단계 910으로 진행하고 고장 계측기 사건을 생성한다.

구성 요소(907)로 나타내어지는 상기 예측기 및 이상 검출기들은 상기 단기간의 변동성이 너무 높거나 또는 너무 낮은 지를 결정한다. 상기 단기간의 변동성이 너무 높거나 너무 낮을 경우, 상기 시스템은 단계 909로 진행하며 고장 계측기 경보를 발생시킨다.

구성 요소(908)로 나타내어지는 상기 예측기 및 이상 검출기들은 전송되는 통상적인 데이터의 양으로부터 통계적으로 중요한 편차가 존재하는 지 혹은 그렇지 않은 지를 판정한다. 전송되었던 통상의 데이터 보다 상당히 적거나 많을 경우, 그러면 상기 시스템은 이상을 생성한다. 예를 들면, 3일 동안 상기 계측기로부터 전송된 값이 없을 경우, 상기 시스템은 이상을 발생시킨다. 그러나, 전송되는 예측된 데이터와 전송되는 실제 데이터의 양 사이의 편차가 통계적으로 중요하지 않을 경우, 이상이 생성되지 않는다.

구성 요소(909)로 나타내어지는 상기 예측기 및 이상 검출기들은 상기 값들이 다른 네트워크 계측기들에 의해 지지되지 않는 지 혹은 그렇지 않은 지를 판정한다. 예를 들면, 질량의 보존은 제1 흐름 계측기에서의 독출이 그 하향의 제2 흐름 계측기에서의 독출 또는 몇몇의 다른 계측기 독출들의 합보다 커야하는 점을 나타낼 수 있다. 이러한 "불가능한(impossible)" 값들이 발견될 경우, 상기 시스템은 단계 910으로 진행하고 고장 계측기 사건을 제기한다.

단계 910에서 사건을 제공한 후에, 상기 시스템은 단계 911에서 분석되는 다음 타겟을 선택하고 다른 고장 계측기들을 위해 상기 네트워크의 분석을 계속한다.

도 10은 예상치 않은 소비 또는 절도 이상을 제공하기 위한 실시예를 설명하는 흐름도를 나타낸다. 구성 요소들(1003 내지 1005)은 실제 및 예측된 값들의 임의의 편차의 통계적인 중요도를 판정하는 다양한 예측기들과 이상 검출기들을 나타낸다. 해당 기술 분야에서 통상의 지식을 가진 자는 각 구성 요소(1003 내지 1005) 또는 상기 구성 요소들의 임의의 결합이 가능한 값들을 결정하고 이상을 제기하는 데 사용될 수 있는 점을 이해할 수 있을 것이다. 또한, 상기 시스템은 동시에 또는 임의의 순서로 순차적으로 상기 구성 요소들의 임의의 결합을 수행함에 의해 진행될 수 있다.

단계 1001에서 상기 시스템은 예상치 않은 물 소비나 물의 절도를 분석하도록 상수 네트워크의 계측기를 선택할 수 있다. 다른 실시예에 있어서, 상기 시스템은 예상치 않은 물의 소비나 물의 절도를 분석하도록 상수 네트워크의 일부, 또는 상수 네트워크의 전체를 선택한다. 다음에, 단계 1002에서 상기 시스템이 선택된 계측기나 네트워크의 일부의 흐름의 증가를 검출할 경우, 상기 시스템은 구성 요소들(1003 내지 1005)로 나타내어지는 이상을 더 분류하도록 진행된다. 일 실시예에 있어서, 상기 시스템은 이력 계측 데이터로 이상의 흐름을 검출할 수 있고, 도 2에 대해 개요가 설명된 통계적인 분석을 적용한다. 다른 실시예에 있어서, 상기 시스템은 상기 계측기로부터의 실제 시간 데이터를 분석함에 의해 흐름의 증가를 검출할 수 있다.

구성 요소(1003)로 나타내어지는 상기 예측기 및 이상 검출기들은 소비 패턴에 대한 통계적으로 중요한 흐름의 매치(match)가 존재하는 지 혹은 그렇지 않은 지를 판정한다. 단계 1003에서, 상기 시스템은 이전에 저장된 소비 패턴과 현재의 흐름의 증가를 분석할 수 있다. 상기 이전에 저장된 소비 패턴은 소비 패턴을 판단하는 분석을 용이하게 하는 과거 동안 또는 다른 임의의 시간 간격의 계측기 또는 네트워크 데이터를 포함할 수 있다. 상기 흐름의 증가가 상기 소비 패턴과 부합될 경우, 상기 시스템은 사건이 다른 인자들에 의해 설명될 수 있는 지를 판단하도록 단계 1005로 진행한다.

구성 요소(1004)로 나타내어지는 상기 예측기 및 이상 검출기들은 유사한 시간 내에서 통계적으로 중요한 흐름의 재발생의 증가가 존재하는 지 혹은 그렇지 않은 지를 판정한다. 예를 들면, 상기 시스템은 상기 소비 패턴의 주기성을 판단하도록 상기 계측기 또는 시스템을 위한 이력 데이터를 분석한다. 상기 흐름 증가의 재발생이 존재하고 이가 과거에는 더 일어나지 않았을 경우, 상기 시스템은 상기 사건이 다른 인자에 의해 설명될 수 있는 지를 결정하도록 단계 1006으로 진행한다.

구성 요소(1005)로 나타내어지는 상기 예측기 및 이상 검출기들은 각 시간에서 유사한 규모를 갖는 통계적으로 중요한 재발생되는 흐름이 존재하는 지 혹은 그렇지 않은 지를 판단한다. 일 실시예에 있어서, 상기 시스템은 재발생되는 기간들 동안 흐름의 규모의 증가가 거의 일정한 지를 판단하도록 증가된 흐름의 기간들을 상기 계측기 또는 네트워크의 다른 이력 흐름 데이터와 비교한다. 상기 시스템이 각 시간에 유사한 규모들을 검출하고 이러한 점이 과거에는 더 일어나지 않았을 경우, 상기 시스템은 상기 사건이 다른 인자들에 의해 설명될 수 있는 지를 결정하도록 단계 1006으로 진행한다.

단계 1006에서 상기 시스템은 검출된 사건이 외부 또는 운용 데이터에 의해 부정될 수 있는 지를 판정한다. 하나의 예에 있어서, 상기 시스템은 분석 중인 사이트에 승인된 입장이 존재하였는지를 판정하도록 운용 데이터를 분석한다. 다른 예에 있어서, 상기 시스템은 하나의 계측기에서의 흐름의 증가와 동일한 지역의 다른 계측기에서 유사한 규모의 대응되는 흐름의 감소가 흐름의 변화를 나타내지만, 이러한 지역에서 전체 소비의 변화가 아닌 경우에는 검출된 사건을 부정한다. 상기 시스템이 단계 1006에서 검출된 사건을 부정하지 않을 경우, 상기 시스템은 단계 1007에서 예상치 않은 또는 승인되지 않은 소비 혹은 절도 사건을 생성한다. 그러나, 상기 시스템이 상기 사건을 부정할 경우, 상기 시스템은 단계 1008로 진행한다. 다음에, 단계 1008에서, 상기 시스템은 분석되는 다음 타겟을 선택하고 다른 예상하지 않거나 승인되지 않은 소비 혹은 절도 사건들을 위하여 상기 네트워크의 분석을 계속한다.

도 11은 수질 이상 경보를 제공하는 실시예를 설명하기 위한 흐름도를 예시한다. 단계 1101에서 상기 시스템은 분석되는 제1 사이트로부터 데이터 세트들을 선택한다. 구성 요소들(1103, 1104, 1106)은 실제 및 예측된 값들의 임의의 편차의 통계적인 중요도를 판단하는 다양한 예측기들 및 이상 검출기들을 하나낸다. 해당 기술 분야에서 통상의 지식을 가진 자는 각 구성 요소(1103, 1104, 1106) 또는 이러한 구성 요소들의 임의의 결합이 가능한 값들을 판단하고 이상을 제기하는 데 사용될 수 있음을 이해할 수 있을 것이다. 또한, 상기 시스템은 동시에 또는 임의의 순서로 순차적으로 상기 구성 요소들의 임의의 결합을 수행함에 의해 진행될 수 있다.

구성 요소(1103)로 나타내어지는 상기 예측기 및 이상 검출기들은 단계 1102에서 선택된 적어도 2개의 사이트들 내의 염소, 탁도 또는 pH의 통계적으로 중요한 변화, 상기 상수 네트워크 관리자들에 의해 설정된 미리 정해진 한계 값을 초과하는 변화 등이 존재하는 지 혹은 그렇지 않은 지를 판단한다. 상기 시스템은 단계 1102에서 적어도 2개 또는 그 이상의 이웃하는 사이트들을 선택할 수 있다. 상기 선택된 사이트들의 숫자는 상기 시스템이 수질 이상을 보다 정확하게 예측하는 데 보다 도움이 될 수 있다. 상기 시스템이 단계 1103에서 변화를 검출할 경우, 상기 시스템은 상기 사건이 보고되어야 하는 지를 판정하도록 단계 1105로 진행한다.

구성 요소(1104)로 나타내어지는 상기 예측기 및 이상 검출기들은 통계적으로 중요한 탁도가 선택된 사이트로부터 선택된 계측기에서 증가하거나 그렇지 않은 지를 결정하며, 증가한다면 상기 시스템은 상기 사건을 보고해야 하는 지를 결정하도록 단계 1105로 진행한다.

구성 요소(1106)로 나타내어지는 상기 예측기 및 이상 검출기들은 동일한 사이트에서 통계적으로 중요한 염소의 감소가 존재하거나 그렇지 않은 지를 결정한다. 상기 사이트에서 염소의 감소가 존재할 경우, 상기 시스템은 상기 사건을 보고해야 하는 지를 결정하도록 단계 1105로 진행한다.

단계 1105에서 상기 시스템은 구성 요소들(1103, 1104, 1106)로부터 사건들을 수신하고 상기 사건들이 보고되어야 하는지 또는 실격되어야 하는 지를 판정한다. 상기 사건을 실격시키는 하나의 이유는 통계적으로 중요한 압력 강하, 흐름의 증가, 또는 단계 1101에서 선택된 사이트에 대한 승인된 입장이 존재하는 지를 판정하는 것이다. 일 실시예에 있어서, 상기 사이트에 대한 승인된 입장은 건설 노동자에 의한 상기 사이트에 대한 수리를 포함할 수 있으며, 이는 선택된 계측기에서 일시적인 탁도의 증가를 가져올 수 있다. 중요한 단기간의 압력 강하는, 예를 들면, 누출 사건 또는 네트워크 조정을 포함할 수 있고, 이는 그렇지 않으면 수질 이상으로 나타나기 때문에 근본 원인으로 취급되어야 한다. 그러나, 수리는 상대적으로 짧을 수 있기 때문에, 상기 시스템은 일시적인 수리로 인한 이상 경보를 발생하도록 원해지지는 않으며, 상기 시스템은 분석되는 다른 데이터 세트를 선택하도록 단계 1108로 진행한다. 상기 시스템이 압력 강하, 흐름 증가 또는 상기 사이트에 대해 승인된 입장을 검출하지 않을 경우, 상기 시스템은 단계 1107로 진행하고 수질 사건을 제공한다. 단계 1107에서 사건을 제공한 후에, 상기 시스템은 단계 1108에서 분석되는 다음 타겟을 선택하고, 다른 수질 사건들을 위해 상기 네트워크의 준석을 계속한다. 해당 기술 분야에서 통상의 지식을 가진 자는 다른 실시예들이 다른 변수들에 일시적으로 영향을 미칠 수 있는 상기 네트워크 사건들과 활동성들을 고려하여 다른 수질 변수들과 지시기들을 유사하게 처리할 수 있음을 이해할 수 있을 것이다.

도 12는 본 발명의 일 실시예에 따른 사건 추적 인터페이스에 의해 발생되는 사용자 인터페이스("UI")의 스크린 숏(screen shot)을 예시한 것이다. 도 12의 스크린은 검출된 사건들 및 이들과 관련된 정보를 사용자에게 표시한다. 상기 사용자는, 예를 들면, 상수도 네트워크에서 분석 중인 상수 네트워크를 모니터링하는 작업을 수행하는 작업자가 될 수 있다. 도 12는 사용자 인터페이스(UI) 스크린 숏(1201)을 구비하며, 이는 업 데이트 상태(1202), 사건 리스트 패널(1203), 그래프(1204), 사건 정보(1205), 그래프(1206) 및 지도(1207)를 포함한다.

일 실시예에 있어서, 사용자 인터페이스(UI)(1201)는 네트워크 또는 인터넷상에서 사용자가 볼 수 있는 웹 페이지이다. 또한, 업 데이트 상태(1202)는 사용자들에게 이상들을 위해 상기 시스템이 상수 네트워크를 모니터한 마지막 데이터 및 시간을 알려준다. 사건 리스트 패널(1203)은 상기 사용자에게 이전에 검출된 사건들, 날짜들, 위치들 및 상기 사건들의 상태들을 제공한다. 상술한 실시예에 추가적으로, 상기 사건 리스트 패널(1203)은 상기 사용자 인터페이스(1201)를 보는 사람이 상기 가건 리스트 패널(1203)의 사건을 선택하게 한다. 선택된 사건과 관련된 상세한 정보는 사건 정보(1205), 그래프들(1204, 1206) 및 지도(1207)로서 재생된다. 사건 정보(1205)는, 예를 들면, 상기 이상의 시작 시간, 상기 이상의 종료 시간, 상기 이상의 규모, 상기 이상과 관련된 전체적인 물 손실, 그리고 상기 시스템의 사용자들에 의해 제공되는 임의의 설명들을 포함한다. 사용자들이나 상기 시스템에 의해 제공되는 설명들은 또한 상기 시스템에 의해 저장되는 다른 사건들과 하이퍼링크들을 제공한다. 그래프들(1204, 1206)은 관련된 계측기에서 실제 및 예측된(일상적인) 물의 흐름의 시각적인 비교와 같은 사용자가 선택한 사건에 대한 상세한 정보를 포함한다. 또한, 상기 사용자 인터페이스(1201)는 지도(1207) 상에서 사건의 위치를 보여주도록 상기 선택된 사건과 관련된 GIS 데이터를 활용한다. 일 실시예에 있어서, 상기 사건은 특정한 계측기와 관련되며, 상기 계측기의 위치는 상기 지도(1207) 상에 생성된다. 상기 사건 지도(1207)는 또한 검출된 사건에 의해 영향을 받는 네트워크의 지역 또는 상기 추출 사건 위치가 통계적으로 포함될 가능성이 있는 추정된 지역을 디스플레이할 수 있다.

도 2로부터의 데이터베이스(208) 또는 사건 판정 및 분류 엔진(207)도 상기 시스템의 사용자가 물의 누출이나 다른 사건의 위치를 용이하게 식별하도록 계측 데이터, 경보들, 보고들, 통계적 분석 및 사용자 인터페이스와 함께 상수 네트워크의 지도과 관련되는 대화형 소프트웨어 어플리케이션을 진행할 수 있다. 사용자 인터페이스는 데이터베이스(208) 상에서 진행될 수 있으며, 구성 요소(209)에 의해 나타내어지는 임의의 숫자의 인터페이스들로 나타내어질 수 있다. 다른 실시예에 있어서, 사건 판정 및 분류 엔진(207)은 구성 요소들(210, 211, 212, 213, 214)에 직접 정보를 전송하도록 가동된다.

도 13은 본 발명의 일 실시예에 따른 사건 추적 인터페이스에 의해 생성된 사용자 인터페이스(UI)의 스크린 숏을 예시한다. 도 13의 스크린은 사용자에게 검출된 사건들 및 이들과 관련된 정보를 디스플레이한다. 상기 사용자는, 예를 들면, 분석 중인 상수 네트워크를 모니터링하는 작업을 하는 상수도 네트워크의 작업자 일 수 있다. 도 13은 사용자 인터페이스(UI)(1301)를 구비하며, 이는 사건 리스트 패널(1302), 그래프들(1303, 1304), 지도(1305) 및 사건 정보(1306)를 포함한다.

일 실시예에 있어서, 사용자 인터페이스(UI)(1301)는 네트워크 또는 인터넷상에서 사용자가 볼 수 있는 웹 페이지이다. 또한, 사건 리스트 패널(1302)은 사용자에게 이전에 검출된 사건들, 날짜들, 시간들, 계측기 위치들 , 그리고 사건들의 상태를 제공한다. 상기 실시예에 추가적으로, 상기 사건 리스트 패널(1302)은 또한 사용자 인터페이스(UI)(1301)를 보는 사람이 상기 사건 리스트 패널(1302)에서 사건을 선택하게 할 수 있다. 상기 선택된 사건과 관련된 상세한 정보는 사건 정보(1306), 그래프들(1303, 1304) 및 지도(1305)로서 재생된다. 상기 사용자 인터페이스(1301)는 지도(1305) 상에 상기 사건의 위치 또는 대략적인 위치를 나타내도록 상기 선택된 사건과 관련된 GIS 데이터를 활용한다. 일 실시예에 있어서, 지도(1305)는 사건을 등록하는 다중 계측기들의 위치를 디스플레이하도록 가동된다.

도 14는 본 발명의 일 실시예에 따른 사건 추적 인터페이스에 의해 생성된 다른 사용자 인터페이스(UI)의 스크린 숏을 예시한다. 도 14의 스크린은 검출된 사건이나 선택된 계측기 또는 상기 네트워크의 지역과 관련된 데이터를 표시한다. 상기 사용자는, 예를 들면, 분석 중인 상수 네트워크를 모니터링하는 작업을 하는 상수도 네트워크의 작업자일 수 있으며, 보다 상세하게는 도 14는 상기 시스템에 의해 수집된 데이터를 설명하고, 각 사건을 위해 상기 시스템에 의해 제공되는 그래프들을 변화시키거나 다양한 시각화를 통해 상기 데이터를 독립적으로 탐색하고 상기 시스템의 전-처리하는 능력들의 일부를 이용하도록 사용자가 더 탐색, 주문 제작 가능하게 하는 그래프 모듈을 나타낸다. 도 14는 사용자 인터페이스(1401), 계측기 리스트 및 그래프 제어 패널(1402), 그래프(1403) 및 업 데이트 상태(1404)를 포함한다. 일 실시예에 있어서, 사용자 인터페이스(1401)는 네트워크 또는 인터넷상에서 사용자가 볼 수 있는 웹 페이지이다. 사용자 인터페이스(1401)의 사용자는 하나 또는 그 이상의 계측기들과 계측기 리스트 및 그래프 제어 패널(1402)로부터의 다양한 그래프 형태들을 선택할 수 있다. 선택된 계측기(들)와 관련된 데이터는 그래프(1403)에 생성될 수 있다. 그래프(1403)에서 생성된 데이터는 상기 시스템에 의해 수득되는 임의의 정보일 수 있다. 업 데이트 상태(1402)는 사용자에게 이상들을 위해 상기 상수 네트워크를 모니터하는 상기 시스템의 최후의 날짜와 시간을 알려준다.

도 15는 본 발명의 일 실시예에 따른 보고 인터페이스에 의해 생성된 사용자 인터페이스(UI)의 스크린 숏을 예시한다. 도 15의 스크린은 사용자에게 검출된 사건들 및 이들과 관련된 정보의 전체 개관을 보여준다. 상기 사용자는, 예를 들면, 분석 중인 상수 네트워크를 모니터링하는 적업을 수행하는 상수도 네트워크의 작업자일 수 있다. 도 15는 사용자 인터페이스(1501), 개괄 선택 패널(1502), 사건 계수 패널들(1503, 1504), 지도(1505) 및 그래프들(1506)을 포함한다.

일 실시예에 있어서, 사용자 인터페이스(1501)는 네트워크나 인터넷상에서 사용자가 볼 수 있는 웹 페이지이다. 또한, 개괄 선택 패널(1502)은 상기 사용자에게 선택된 기간에 대한 사건들의 전체를 디스플레이하는 옵션을 제공한다. 상기 사용자는 계측기 값들, 사건들, 날짜들 및 상기 사건들의 상태를 기초로 하여 사건들의 표시를 선택할 수 있다. 개괄 선택 패널(1502)에서 사용자의 선택과 관련된 상세한 정보는 사건 계수 패널들(1503, 1504), 지도(1505) 및 그래프들(1506)로서 재생된다. 개괄 선택 패널(1502)은 사용자가 그 다양한 필드들 및 특성들에 의해, 예를 들면, 최근 및 해결되지 않은 사건들만을 보도록 그리고 사건 상태들과 다른 업무 흐름 특성들을 업 데이트하도록 사건들을 분류하고 선별하게 한다, 이에 따라 해당 기술 분야에서 통상의 지식을 가진 자에게 잘 알려진 소프트웨어 산업 표준이 수반된다.

사건 계수 패널들(1504, 1505)은 사건들의 숫자, 사건 유형들 및 기간에 따른 위치들을 표시한다. 일 실시예에 있어서, 사건 계수 패널들(1504, 1505)은 다른 기간들에 대응되는 사건들을 표시하며, 사용자가 시간에 대한 상기 네트워크의 행동을 비교하고 대조하게 한다. 지도(1505)는 지역 내에서 발생되거나 이전에 발생하였던 사건들의 위치와 다른 정보를 디스플레이한다. 일 실시예에 있어서, 상기 지도는 사건들 및 다중 사건들과 함께 강조 지역들을 묘사하며, 사건들이 거의 없는 위치들은 녹색이 될 수 있는 반면, 많은 사건들이 있는 위치들은 적색이 될 수 있다. 그래프(1506)는 사건들의 시간 주기에 대해 숫자들과 유형들의 전개를 표시하도록 동작한다. 일 실시예에 있어서, 그래프들(1506)은. 예를 들면, 상기 사용자가 최근의 사건들을 비교하고 분석하도록 연이은 두 달 동안 발생되는 사건들의 유형들과 숫자들을 묘사한다. 해당 기술 분야에서 통상의 지식을 가진 자는 상기 시스템에 의해 수집되는 임의의 정보가 배수 네트워크를 모니터링하는 작업의 사용자를 보다 편리하게 하도록 지도(1506) 상에 재생될 수 있음을 이해할 수 있을 것이다.

도 1 내지 도 15는 본 발명에 대한 설명을 위한 개념적인 예시들이다. 본 발명의 실시예들의 다양한 측면들이 하드웨어, 펌웨어, 소프트웨어 또는 이들의 결합에 구현될 수 있음을 이해할 수 있을 것이다. 이와 같은 실시예들에 있어서, 다양한 구성 요소들 및/또는 단계들이 본 발명의 기능들을 수행하도록 하드웨어, 펌웨어 및/또는 소프트웨어에 구현될 수 있다. 즉, 하드웨어, 펌웨어의 동일한 부분 또는 소프트웨어의 모듈이 예시된 블록들(예를 들면, 구성 요소들 또는 단계들)의 하나 또는 그 이상을 수행할 수 있다.

또한, 본 발명이 상수도 네트워크들뿐만 아니라 임의의 유형의 배수 시스템에 적용됨을 이해할 수 있을 것이다. 상기 배수 시스템의 다른 유형들은 오일, 폐수나 하수, 가스, 전기, 전화 통화 방식, 또는 유체나 하나의 지역으로부터 소비자들에게 흐르는 자원들을 수반하는 다른 에너지 배송 시스템이 될 수 있다. 실제로, 본 발명은 흐름, 압력, 품질 또는 데이터 자체의 흐름과 같은 분배 변수들을 측정하는 네트워크 내의 임의의 위치들에 계측기들이나 센서들을 포함하는 임의의 배분 또는 수집 시스템에 적용될 수 있다.

소프트웨어의 구현에 있어서, 컴퓨터 소프트웨어(예를 들면, 프로그램들이나 다른 지시들) 및/또는 데이터는 컴퓨터 프로그램 생성물의 일부로서 기계 판독 가능 매체 상에 저장되며, 제거 가능한 기억 구동 장치, 하드 구동 장치 또는 통신 인터페이스들을 통해 컴퓨터 시스템이나 다른 장치 혹은 기계 내로 로딩된다. 컴퓨터 프로그램들(또한 컴퓨터 제어 로직이나 컴퓨터 독출 가능한 프로그램 코드로 언급되는)은 메인 및/또는 2차 메모리에 저장되며, 여기서 설명하는 본 발명의 기능들을 수행하는 하나 또는 그 이상의 프로세서들을 야기하도록 하나 또는 그 이상의 프로세서들(컨트롤러들 또는 이와 유사한 것)에 의해 수행된다. 본 명세서에 있어서, "기계 판독 가능한 매체(machine readable medium)", "컴퓨터 프로그램 매체(computer program medium)" 및 "컴퓨터 사용 가능한 매체(computer usable medium)"라는 용어들은 일반적으로 RAM(random access memory), ROM(read only memory), 제거 가능한 기억 단위(예를 들면, 자기 또는 광학 디스크, 플래시 메모리 장치 또는 이와 유사한 것), 하드 디스크 또는 이와 유사한 것과 같은 매체를 언급하는 데 사용된다.

특히, 상술한 수치들과 예들이 본 발명의 범주를 단일 실시예로 제한하는 것을 의미하지는 않으며, 설명하고 예시한 구성 요소들의 일부 또는 전부를 교환하여 다른 실시예들도 가능하다. 또한, 본 발명의 어떤 구성 요소들이 알려진 구성 요소들을 이용하여 부분적으로 또는 완전히 구현되는 경우, 본 발명을 이해하는 데 필수적인 이와 같이 알려진 구성 요소들의 그러한 부분들만이 설명되고, 이와 같이 알려진 구성 요소들의 다른 부분들에 대한 상세한 설명은 본 발명이 불명확해지지 않도록 생략된다. 본 명세서에 있어서, 단일의 구성 요소를 나타내는 실시예가 복수의 동일한 구성 요소들을 포함하는 다른 실시예들에 필수적으로 한정되는 것은 아니며, 여기서 달리 명확하게 기재하지 않는 한 그 반대이다. 또한, 본 출원인들은 본 명세서 또는 특허 청구 범위 내의 임의의 용어가 이와 같은 명확성이 설정되지 않는 한 통상적이지 않거나 특별한 의미를 갖는 것으로 의도하는 것은 아니다. 더욱이, 본 발명은 예시를 통해 여기서 언급되는 알려진 구성 요소들에 대한 현재 및 미래의 알려진 균등물들을 포괄한다.

전술한 특정한 실시예들에 대한 설명은 해당 기술(들) 분야 내에의 지식(언급되고 여기에 참조로 포함된 문헌들을 포함하는)의 내용을 적용함으로써 다른 것들도 가능한 본 발명의 일반적인 특성을 완전히 드러내는 것이며, 용이한 변경 및/또는 다양한 응용들을 위한 적용도 과도한 실험들이 없이 본 발명의 일반적인 범주를 벗어나지 않고 이와 같은 특정한 실시예들이 수행될 수 있다. 이러한 적용들과 변경들은 이에 따라 여기서 제시된 기술과 안내를 기초로 하여 개시된 실시예들의 균등물의 범위와 의미에 속하도록 의도된다.

상술한 바에 있어서, 본 발명의 다양한 실시예들을 설명하였지만, 본 발명은 이에 한정되지 않으며 해당 기술 분야에서 통상의 지식을 가진 자라면 다음에 기재하는 특허 청구 범위의 개념과 범위를 벗어나지 않는 범위 내에서 다양한 변경 및 변형이 가능함을 이해할 수 있을 것이다

Claims

상수도 네트워크를 모니터링 하는 컴퓨터화된 방법에 있어서,
상기 상수도 네트워크는 적어도 물을 수요자들에게 배달하기 위한 파이프들의 네트워크 및 상기 상수도 네트워크 내에 위치하는 복수의 계측기들을 포함하고,
상기 방법은,
계측 데이터를 수신하는 단계를 구비하며, 상기 계측 데이터는 상기 계측기들에 의해 측정된 복수의 변수들을 나타내고, 상기 변수들은 적어도 상기 파이프들을 통한 상기 물의 흐름 또는 압력을 포함하며,
상기 계측기들에 대해 외부의 하나 또는 그 이상의 소스들로부터 2차 데이터를 수신하는 단계를 구비하고, 상기 2차 데이터는 상기 상수도 네트워크에 의해 서비스되는 지역 내의 물의 흐름 또는 소비에 영향을 미치는 하나 또는 그 이상의 조건들을 나타내며,
상기 상수도 네트워크 및 2차 데이터로부터의 제2 계측 데이터를 기초로 하여 제1 계측기를 위한 계측 데이터를 통계적으로 예측함에 의해 상기 계측 데이터를 분석하는 단계를 구비하고,
상기 제2 계측 데이터는 상기 수신된 제1 계측 데이터 보다는 계측 데이터를 포함하며, 상기 수신된 제1 계측 데이터를 상기 제1 계측기를 위한 상기 예측된 계측 데이터와 비교하여 하나 또는 그 이상의 누출 사건들을 포함하는 하나 또는 그 이상의 상수도 네트워크 사건들을 상기 수신된 제1 계측 데이터가 상기 제1 계측기를 위한 상기 예측된 계측 데이터로부터 통계적인 편차에 의해 벗어날 경우에 이상(anomaly)을 검출하여 확인하고,
상기 하나 또는 그 이상의 상수 네트워크 사건들을 사용자 인터페이스를 통해 사용자에게 보고하는 단계를 포함하는 것을 특징으로 하는 방법.
제 1 항에 있어서, 상기 상수 네트워크 사건들을 데이터베이스에 저장하는 단계를 포함하는 것을 특징으로 하는 방법.
제 1 항에 있어서, 상기 계측 데이터를 수신하는 단계는 감시 제어 데이터 수집(SCADA) 데이터를 수신하는 단계를 포함하는 것을 특징으로 하는 방법.
제 1 항에 있어서, 상기 이상을 누출 사건으로 분류하는 단계를 포함하는 것을 특징으로 하는 방법.
제 1 항에 있어서, 상기 이상을 검출하는 단계는 상기 이상의 지속이 미리 정해진 한계 값을 초과하는 지를 판정하는 단계를 포함하는 것을 특징으로 하는 방법.
제 1 항에 있어서, 상기 이상을 검출하는 단계는 상기 이상의 빈도가 미리 정해진 한계 값을 초과하는 시간의 미리 정해진 창의 범위 내에 있는 지를 판단하는 단계를 포함하는 것을 특징으로 하는 방법.
제 1 항에 있어서, 상기 수도 네트워크로부터의 제2 계측 데이터를 기초로 하여 상기 제1 계측기를 위한 계측 데이터를 통계적으로 예측하는 단계는, 하나 또는 그 이상의 제2 계측기들을 하나 또는 그 이상의 대응되는 계측기들로 선택하는 단계 및 상기 제1 계측기로부터 수신된 계측 데이터를 상기 하나 또는 그 이상의 대응되는 계측기들로부터 수신된 계측 데이터와 연관시키는 단계를 포함하는 것을 특징으로 하는 방법.
제 7 항에 있어서, 상기 하나 또는 그 이상의 제2 계측기들을 상기 하나 또는 그 이상의 대응되는 계측기들로 선택하는 단계는, 상기 하나 또는 그 이상의 제2 계측기들을 위한 이력 계측 데이터를 상기 제1 계측기를 위한 이력 계측 데이터와 상관시키는 단계; 및 상기 제1 계측기들과의 상관관계가 존재하도록 상기 하나 또는 그 이상의 제2 계측기들을 선택하는 단계를 포함하는 것을 특징으로 하는 방법.
제 7 항에 있어서, 상기 하나 또는 그 이상의 제2 계측기들을 상기 하나 또는 그 이상의 대응되는 계측기들로 선택하는 단계는 상기 제1 계측기에 영향을 미치는 이상들에 의해 영향을 받지 않도록 상기 상수도 네트워크 내에 위치하는 상기 상수도 네트워크 내의 상기 하나 또는 그 이상의 제2 계측기들을 확인하는 단계를 포함하는 것을 특징으로 하는 방법.
제 1 항에 있어서, 상기 상수도 네트워크로부터의 제2 계측 데이터를 기초로 하여 상기 제1 계측기를 위한 계측 데이터를 통계적으로 예측하는 단계는 상기 제1 계측기로부터의 계측 데이터를 적어도 상기 제1 계측기를 위한 저장된 이력 계측 데이터와 연관시키는 단계를 포함하는 것을 특징으로 하는 방법.
제 1 항에 있어서, 상기 제1 계측기를 위해 계측 데이터를 통계적으로 예측하는 단계는 상기 제1 계측기를 위한 가능한 값들의 통계적 분산을 계산하는 단계를 포함하는 것을 특징으로 하는 방법.
제 20 항에 있어서, 상기 계측 데이터를 수신하는 단계는 상기 네트워크를 통해 배분되는 물의 탁도, 염소 및 pH를 나타내는 수질 데이터를 시간에 대해 수신하는 단계를 포함하며, 상기 하나 또는 그 이상의 네트워크 사건들을 확인하는 단계는 시간에 대해 한계 값의 초과에서 상기 수질 데이터의 변화를 검출하는 단계를 포함하는 것을 특징으로 하는 방법.
제 1 항에 있어서, 상기 2차 데이터를 수신하는 단계는,
상기 상수도 네트워크의 지역 내의 기상 조건들을 나타내는 기상 데이터;
주어진 날짜에 물의 소비에 영향을 미치는 하나 또는 그 이상의 인자들을 나타내는 달력 데이터;
상기 상수도 네트워크에 대해 수행되는 하나 또는 그 이상의 수리들을 나타내는 수리 데이터 수도 네트워크; 및
상기 상수도 네트워크의 구조를 나타내는 구조 데이터 중에서 적어도 하나를 수신하는 단계를 포함하는 것을 특징으로 하는 방법.
제 20 항에 있어서, 상기 하나 또는 그 이상의 정보의 사건들은 소비 패턴의 예상치 않은 증가, 소비 패턴의 변화, 물의 절도, 지역적 경계의 위반(breach), 상수도 계측기 고장 및 네트워크 장치의 오작동 중에서 적어도 하나를 포함하는 것을 특징으로 하는 방법.
제 1 항에 있어서, 상기 계측 데이터를 이를 분석하기 전에 처리하는 단계를 포함하고, 상기 계측 데이터로부터 노이즈를 선별하는 단계를 포함하는 것을 특징으로 하는 방법.
상수도 네트워크를 모니터링하기 위한 컴퓨터화된 시스템에 있어서,
상기 상수도 네트워크는 물을 소비자에게 배분하는 네트워크 파이프들 및 상기 상수도 네트워크 내에 위치하는 복수의 계측기들을 포함하고,
상기 시스템은,
상기 계측기들에 의해 측정된 복수의 변수들을 나타내는 계측 데이터를 저장하기 위한 네트워크 정보 데이터베이스를 구비하며, 상기 변수들은 상기 파이프들을 통한 적어도 상기 물의 흐름 또는 압력 및 상기 계측기들에 대해 외부의 하나 또는 그 이상의 소스들로부터의 2차 데이터를 포함하고, 상기 2차 데이터는 상기 상수도 네트워크에 의해 서비스되는 지역 내의 흐름 또는 물의 소비에 영향을 미치는 하나 또는 그 이상의 조건들을 나타내며,
상기 상수도 네트워크 및 상기 2차 데이터로부터의 제2 계측 데이터에 기초하여 제1 계측기를 위한 계측 데이터를 통계적으로 예측함에 의해 상기 계측 데이터를 분석하도록 구성된 분석 엔진을 구비하고,
상기 제2 계측 데이터는 상기 수신된 제1 계측 데이터보다 계측 데이터를 포함하며, 상기 수신된 제1 계측 데이터와 상기 제1 계측기를 위한 상기 예측된 계측 데이터를 비교하여 이상들을 확인하고,
상기 이상들을 기초로 하여 상기 상수 네트워크 사건들을 확인하도록 구성된 사건 분류 엔진을 구비하며, 상기 상수 네트워크 사건들은 누출 사건들을 포함하고,
상기 사건 분류 엔진에 의해 확인된 상기 하나 또는 그 이상의 상수 네트워크 사건들을 나타내는 상수도 네트워크 데이터를 저장하기 위한 사건 데이터베이스를 구비하는 것을 특징으로 하는 시스템.
제 16 항에 있어서, 상기 분석 엔진은 주어진 계측기를 위한 계측 데이터의 가능한 값들의 통계적 분산을 발생시키기 위한 복수의 예측기 모듈들 및 상기 주어진 계측기를 위한 상기 계측 데이터를 상기 계측 데이터 내의 이상들을 검출하도록 상기 가능한 값들의 부산과 비교하기 위한 복수의 이상 검출기 모듈들을 포함하는 것을 특징으로 하는 시스템.
제 16 항에 있어서, 상기 사건 데이터베이스로부터 상수도 네트워크 사건 데이터를 회수하고 이를 사용자들에 보고하기 위한 복수의 인터페이스 모듈들을 포함하는 것을 특징으로 하는 시스템.
상수도 네트워크를 관리하기 위한 컴퓨터화된 방법에 있어서,
상기 상수도 네트워크는 물을 소비자들에게 분배하기 위한 네트워크 파이프들 및 상기 상수도 네트워크 내에 위치하는 복수의 계측기들을 포함하고,
상기 방법은,
계측 데이터를 분석 엔진으로 전송하는 단계를 구비하며, 상기 계측 데이터는 상기 계측기들에 의해 측정된 복수의 변수들을 나타내고, 상기 변수들은 상기 파이프들을 통한 적어도 상기 물의 흐름을 포함하며,
상기 분석 엔진으로부터 상수도 네트워크 사건들을 나타내는 데이터를 수신하는 단계를 구비하고, 상기 상수 네트워크 사건들은 누출 사건들을 포함하며, 상기 상수도 네트워크 사건 데이터는 상기 상수도 네트워크 및 2차 데이터로부터의 제2 계측 데이터를 기초로 하여 제1 계측기를 위한 계측 데이터를 통계적으로 예측함에 의한 상기 계측 데이터의 분석의 결과로서 확인되며, 상기 2차 데이터는 상기 상수도 네트워크에 의해 서비스되는 지역 내의 물의 소비 또는 흐름에 영향을 미치는 하나 또는 그 이상의 조건들을 나타내고, 상기 제2 계측 데이터는 상기 수신된 제1 계측 데이터 보다 계측 데이터를 포함하며, 상기 수신된 제1 계측 데이터와 상기 제1 계측기를 위한 예측된 계측 데이터를 비교하여 이상들을 확인하고,
컴퓨터화된 디스플레이 장치 상에서 상기 수신된 상수도 네트워크 사건들을 사용자에게 표시하는 단계를 포함하는 것을 특징으로 하는 방법.
제 1 항에 있어서, 상기 상수 네트워크 사건들은 상기 상수도 네트워크의 파이프들 및 동작을 통해 흐르는 물의 양과 질에 관한 하나 또는 그 이상의 정보적 사건들의 확인을 더 포함하는 것을 특징으로 하는 방법.