KR20170060031A - 머신 러닝을 이용한 비-기술적인 손실의 식별 - Google Patents
머신 러닝을 이용한 비-기술적인 손실의 식별 Download PDFInfo
- Publication number
- KR20170060031A KR20170060031A KR1020177008973A KR20177008973A KR20170060031A KR 20170060031 A KR20170060031 A KR 20170060031A KR 1020177008973 A KR1020177008973 A KR 1020177008973A KR 20177008973 A KR20177008973 A KR 20177008973A KR 20170060031 A KR20170060031 A KR 20170060031A
- Authority
- KR
- South Korea
- Prior art keywords
- signal
- data
- category
- energy
- energy usage
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 76
- 238000004458 analytical method Methods 0.000 claims description 70
- 230000008569 process Effects 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 14
- 230000002547 anomalous effect Effects 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 description 72
- 238000012545 processing Methods 0.000 description 48
- 230000000875 corresponding effect Effects 0.000 description 22
- 230000007257 malfunction Effects 0.000 description 15
- 230000014509 gene expression Effects 0.000 description 13
- 238000013523 data management Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 230000005611 electricity Effects 0.000 description 9
- 230000001932 seasonal effect Effects 0.000 description 9
- 238000013459 approach Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 239000007789 gas Substances 0.000 description 7
- 238000012790 confirmation Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013499 data model Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013502 data validation Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/34—Graphical or visual programming
-
- G06N99/005—
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/06—Arrangements for measuring electric power or power factor by measuring current and voltage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Electromagnetism (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Electric Motors In General (AREA)
- Operation Control Of Excavators (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
본 발명의 다양한 실시 예는 복수의 에너지 사용 상태에 관한 신호 세트를 선택하도록 구성된 시스템, 방법 및 비-일시적인 컴퓨터 판독 가능한 매체를 포함할 수 있다. 상기 신호 세트에 대한 신호 값이 결정될 수 있다. 머신 러닝을 신호 값에 적용하여 비-기술적인 손실과 관련된 에너지 사용 상태를 식별할 수 있다.
Description
본 기술은 에너지 관리 분야에 관한 것이다. 보다 구체적으로, 본 기술은 머신 러닝을 이용하여 비-기술적인 손실(non-technical loss: NTL)을 식별하는 기술을 제공한다.
종래의 에너지 관리 도구는 기업이 에너지 사용을 추적하는 것을 돕도록 의도되어 있다. 예를 들어, 이러한 도구는 청구 명세서(billing statement)와 에너지 계량기 판독값(energy meter reading)을 포함하는 특정 유형의 에너지 관련 정보를 수집할 수 있다. 수집된 정보는 에너지 사용을 이해하거나 분석하는 데 사용될 수 있다. 이러한 도구는 또한 에너지 관련 정보와 사용 상태를 상세하게 보여주는 보고서를 생성할 수 있다.
일부 경우, 에너지 제공자(예를 들어, 유틸리티 회사)는 기술적인 손실과 비-기술적인 손실(NTL)과 같은 제공된 에너지 손실과 관련된 문제점에 직면할 수 있다. 기술적인 손실에는 케이블, 전선, 전력선 등의 저항으로 인한 전력 손실과 같은 예상되는 한계 또는 자연적인 한계로 인해 정상적인 사용 동안 에너지 손실이 포함될 수 있다. 비-기술적인 손실에는 이러한 한계로 인한 것이 아닌 하나 이상의 손실이 포함될 수 있다. 비-기술적인 손실은 예를 들어 에너지 분배 시스템의 에너지 절도(theft) 또는 오작동(malfunction) 형태의 손실과 같은 불규칙적인 (또는 원하지 않는) 에너지 사용과 관련될 수 있다.
비-기술적인 손실은 에너지 제공자에게 타격이 크다. 비-기술적인 손실을 검출하기 위한 종래의 접근법은 종종 상당한 수작업을 필요로 한다. 나아가, 종래의 접근법은 또한 부정확하거나, 비효율적이거나, 비효과적일 수 있다. 그리하여 비-기술적인 손실의 경우는 종종 간과되거나, 검출되지 않거나, 오진단되거나, 또는 그 밖에 충분히 처리되지 않는다. 이러한 우려와 다른 우려는 고객에 뿐만 아니라 에너지 제공자에게도 문제를 야기할 수 있다.
본 발명의 여러 실시 예는 복수의 에너지 사용 상태와 관련된 신호 세트를 선택하도록 구성된 시스템, 방법 및 비-일시적인 컴퓨터 판독 가능한 매체를 포함할 수 있다. 상기 신호 세트에 대한 신호 값을 결정할 수 있다. 상기 신호 값에 머신 러닝을 적용하여 비-기술적인 손실과 관련된 에너지 사용 상태를 식별할 수 있다.
일 실시 예에서, 상기 복수의 에너지 사용 상태에 대해 복수의 N-차원 표현이 생성될 수 있다. 상기 복수의 N-차원 표현은 상기 신호 값에 기초하여 생성될 수 있다. 상기 머신 러닝을 적용하는 것은 적어도 하나의 머신 러닝 알고리즘을 상기 복수의 N-차원 표현에 적용하여 비-기술적인 손실을 식별하기 위한 분류기 모델(classifier model)을 생성하는 것을 포함할 수 있다.
일 실시 예에서, 상기 복수의 N-차원 표현 중 적어도 제1 부분은 비-기술적인 손실에 대응하는 것으로 이전에 인식되었을 수 있다. 상기 복수의 N-차원 표현 중 적어도 제2 부분은 정상적인 에너지 사용에 대응하는 것으로 이전에 인식되었을 수 있다.
일 실시 예에서, 적어도 하나의 머신 러닝 알고리즘은 상기 제1 부분으로부터 허용가능한 N-차원 근접도(proximity) 내에 있는 상기 복수의 N-차원 표현의 적어도 제3 부분을 비-기술적인 손실에 대응하는 것으로 분류하는 감독된 프로세스(supervised process)를 포함할 수 있다. 상기 감독된 프로세스는 또한 상기 제2 부분으로부터 허용가능한 N-차원 근접도 내에 있는 상기 복수의 N-차원 표현 중 적어도 제4 부분을 정상적인 에너지 사용에 대응하는 것으로 분류할 수 있다.
일 실시 예에서, 상기 신호 세트에 대한 새로운 신호 값이 수신될 수 있다. 상기 새로운 신호 값은 특정 에너지 사용 상태와 연관될 수 있다. 상기 새로운 신호 값에 기초하여 상기 특정 에너지 사용 상태에 대해 새로운 N-차원 표현을 생성할 수 있다. 상기 새로운 N-차원 표현은 상기 분류기 모델에 기초하여 분류될 수 있다.
일 실시 예에서, 상기 적어도 하나의 머신 러닝 알고리즘은 상기 새로운 N-차원 표현에 적용되어 상기 분류기 모델을 수정할 수 있다.
일 실시 예에서, 상기 새로운 N-차원 표현은 비-기술적인 손실에 대응하는 것으로 식별될 수 있다. 상기 비-기술적인 손실은 상기 특정 에너지 사용 상태와 관련된 에너지 제공자에게 보고될 수 있다.
일 실시 예에서, 상기 특정 에너지 사용 상태가 상기 비-기술적인 손실과 관련되어 있는지의 확인(confirmation) 또는 비-확인 중 적어도 하나가 하나 이상의 개체(entity)로부터 획득될 수 있다.
일 실시 예에서, 상기 분류기 모델은 상기 확인 또는 상기 비-확인 중 적어도 하나에 기초하여 수정될 수 있다.
일 실시 예에서, 상기 적어도 하나의 머신 러닝 알고리즘은 지원 벡터 머신(support vector machine), 부스팅된 결정 트리(boosted decision tree), 분류 트리(classification tree), 회귀 트리(regression tree), 백 트리(bagging tree), 랜덤 포레스트(random forest), 신경 네트워크 또는 순환 포레스트(rotational forest) 중 적어도 하나와 관련될 수 있다.
일 실시 예에서, 상기 비-기술적인 손실과 관련될 가능성을 갖는 복수의 유틸리티 계량기(utility meter)가 식별될 수 있다. 상기 복수의 유틸리티 계량기는 상기 비-기술적인 손실과 관련될 가능성에 기초하여 랭킹이 매겨질 수 있다.
일 실시 예에서, 상기 복수의 계량기 중 적어도 일부가 지정된 랭킹 임계 기준을 만족시키는 것으로 결정될 수 있다. 상기 복수의 계량기 중 적어도 일부는 조사를 위한 후보로 식별될 수 있다.
일 실시 예에서, 상기 신호 세트 내의 하나 이상의 신호는 계좌 속성(account attribute) 신호 카테고리, 변칙 부하(anomalous load) 신호 카테고리, 계산된 상태 신호 카테고리, 전류 분석 신호 카테고리, 누락 데이터 신호 카테고리, 단절된(disconnected) 신호 카테고리, 계량기 이벤트 신호 카테고리, 월간 계량기 변칙 부하 신호 카테고리, 비활성 상태에서의 월간 계량기 소비 신호 카테고리, 정전(outage) 신호 카테고리, 도난(stolen) 계량기 신호 카테고리, 비정상적인(unusual) 생산 신호 카테고리, 작업 지시(work order) 신호 카테고리 또는 제로 판독 신호 카테고리 중 적어도 하나와 관련될 수 있다.
일 실시 예에서, 상기 신호 세트에 대한 수식(formula) 세트가 획득될 수 있다. 상기 수식 세트의 각 수식은 상기 신호 세트의 각 신호에 대응할 수 있다. 상기 신호 세트에 대한 신호 값은 상기 수식 세트에 기초하여 계산할 수 있다.
일 실시 예에서, 적어도 일부 신호 값은 상기 복수의 에너지 사용 상태와 관련된 복수의 계량기로부터 획득된 데이터로부터 도출될 수 있다.
일 실시 예에서, 상기 신호 세트 내의 제1 신호는 상기 신호 세트 내의 제2 신호에 대한 수정에 기초하여 생성될 수 있다.
일 실시 예에서, 에너지 사용 상태와 관련된 상기 신호 세트에 포함되지 않은 적어도 하나의 신호는 비-기술적인 손실을 식별하기 위해 에너지 제공자로부터 수신될 수 있다.
일 실시 예에서, 상기 적어도 하나의 머신 러닝 알고리즘은 감독되지 않은 프로세스(unsupervised process)를 포함할 수 있다. 일부 경우에 상기 감독되지 않은 프로세스는 비-기술적인 손실을 식별하기 위해 분류되지 않은 데이터를 사용할 수 있다.
개시된 기술의 많은 다른 특징 및 실시 예는 첨부 도면 및 다음의 상세한 설명으로부터 명백해질 것이다.
도 1은 본 발명의 일 실시 예에 따른 에너지 관리 플랫폼의 예시적인 환경을 도시한다.
도 2는 본 발명의 일 실시 예에 따른 예시적인 에너지 관리 플랫폼을 도시한다.
도 3은 본 발명의 일 실시 예에 따른 에너지 관리 플랫폼의 예시적인 애플리케이션 서버를 도시한다.
도 4는 본 발명의 일 실시 예에 따른 머신 러닝을 이용하여 비-기술적인 손실을 식별하도록 구성된 예시적인 비-기술적인 손실(NTL) 식별 모듈을 도시한다.
도 5는 본 발명의 일 실시 예에 따른 예시적인 신호 세트에 대한 예시적인 신호 값들을 포함하는 예시적인 표를 도시한다.
도 6은 본 발명의 실시 예에 따라 예시적인 신호 값에 기초하여 생성된 예시적인 N-차원 표현을 포함하는 예시적인 그래프를 도시한다.
도 7은 본 발명의 일 실시 예에 따른 머신 러닝을 이용하여 비-기술적인 손실을 식별하는 예시적인 방법을 도시한다.
도 8은 머신으로 하여금 본 명세서에 설명된 실시 예들 중 하나 이상을 수행하게 하는 명령 세트가 본 발명의 실시 예에 따라 실행될 수 있는 예시적인 머신을 도시한다.
본 도면은 단지 예시의 목적으로 본 발명의 다양한 실시 예를 나타내며, 본 도면에서는 동일한 참조 번호를 사용하여 동일한 요소를 식별한다. 이 기술 분야에 통상의 지식을 가진 자라면 도면에 도시된 구조 및 방법의 대안적인 실시 예가 본 명세서에 기재된 개시된 기술의 원리를 벗어나지 않고 사용될 수 있다는 것을 다음의 설명으로부터 용이하게 인식할 수 있을 것이다.
도 2는 본 발명의 일 실시 예에 따른 예시적인 에너지 관리 플랫폼을 도시한다.
도 3은 본 발명의 일 실시 예에 따른 에너지 관리 플랫폼의 예시적인 애플리케이션 서버를 도시한다.
도 4는 본 발명의 일 실시 예에 따른 머신 러닝을 이용하여 비-기술적인 손실을 식별하도록 구성된 예시적인 비-기술적인 손실(NTL) 식별 모듈을 도시한다.
도 5는 본 발명의 일 실시 예에 따른 예시적인 신호 세트에 대한 예시적인 신호 값들을 포함하는 예시적인 표를 도시한다.
도 6은 본 발명의 실시 예에 따라 예시적인 신호 값에 기초하여 생성된 예시적인 N-차원 표현을 포함하는 예시적인 그래프를 도시한다.
도 7은 본 발명의 일 실시 예에 따른 머신 러닝을 이용하여 비-기술적인 손실을 식별하는 예시적인 방법을 도시한다.
도 8은 머신으로 하여금 본 명세서에 설명된 실시 예들 중 하나 이상을 수행하게 하는 명령 세트가 본 발명의 실시 예에 따라 실행될 수 있는 예시적인 머신을 도시한다.
본 도면은 단지 예시의 목적으로 본 발명의 다양한 실시 예를 나타내며, 본 도면에서는 동일한 참조 번호를 사용하여 동일한 요소를 식별한다. 이 기술 분야에 통상의 지식을 가진 자라면 도면에 도시된 구조 및 방법의 대안적인 실시 예가 본 명세서에 기재된 개시된 기술의 원리를 벗어나지 않고 사용될 수 있다는 것을 다음의 설명으로부터 용이하게 인식할 수 있을 것이다.
에너지는 다양한 목적으로 매일 소비되거나 사용된다. 일 예로, 소비자는 가스를 사용하여 집에서 다양한 기기에 동력을 공급할 수 있으며 기업에서는 가스를 사용하여 다양한 기계를 동작시킬 수 있다. 다른 예로, 소비자와 기업은 전기를 사용하여 다양한 전자 제품과 기타 전기 기기 및 구성 요소에 전력을 공급할 수 있다. 에너지 소비는 수요를 충족시키기 위해 에너지를 공급하는 에너지 제공자에 의해 제공된다.
유틸리티 회사와 같은 에너지 제공자는 가스 및 전기와 같은 하나 이상의 형태의 에너지를 제공할 수 있다. 에너지 제공자는 에너지 분배 시스템을 이용하여 의도된 고객 또는 사용자에게 에너지를 제공하거나 전달할 수 있다. 일부 경우에는 전달 동안 에너지가 손실될 수 있다. 예를 들어 정상적인 사용에서도 전력선, 케이블 및/또는 전선 등에 저항이 있어 이러한 채널을 통해 전달되는 동안 전기 에너지가 손실될 수 있다. 이러한 에너지 손실은 예상된 원인 또는 자연적인 원인에 기인하며 기술적인 손실이라고 말할 수 있다. 그러나 일부 경우에는 기술적인 손실 이외의 에너지 손실이 있을 수 있다. 불규칙적이거나 원치 않는 에너지 사용으로 인해 에너지가 손실될 수 있다. 예를 들어, 에너지 분배 시스템 및 그 분배 노드(예를 들어, 오작동 유틸리티 계량기)의 절도 및/또는 오작동으로 인해 에너지가 손실될 수 있다. 이러한 에너지 손실은 비-기술적인 손실(NTL)이라고 말할 수 있다.
비-기술적인 손실(NTL)과 같은 에너지 손실은 에너지 제공자에게 타격이 크다. 그러나 비-기술적인 손실을 검출, 방지 및 감소시키려는 종래의 접근 방식에는 문제가 있다. 종종, 종래의 접근법은 절도 또는 유틸리티 계량기 오작동으로 인한 것과 같은 비-기술적인 손실을 검출하기 위한 시도로 정보를 분석하는데 상당한 수작업을 요구한다. 더욱이, 종래의 접근법은 일반적으로 제한된 양의 정보만을 고려한다. 더욱 심각한 것은 종래의 접근법은 종종 부정확하고 오계산을 야기할 수 있는 수작업 추정 및 근사값에 의존한다는 것이다. 따라서, 비-기술적인 손실을 검출, 방지 및 감소시키기 위한 개선된 접근법이 유리할 수 있다.
본 발명의 다양한 실시 예는 에너지 제공자, 에너지 고객, 유틸리티 계량기, 및 에너지 분배 또는 관리 시스템의 다른 구성 요소와 관련된 정보와 같은 모든 유형의 포괄적인 정보를 고려하도록 설계된다. 이 정보는 예를 들어 머신 러닝 기술을 이용하는 것에 의해 분석되어 비-기술적인 손실과 관련될 수 있는 특성 또는 특성들을 결정할 수 있다. 유사한 특성 또는 특성들을 갖는 에너지 사용의 사례는 비-기술적인 손실에 대응할 수 있는 것으로 분류될 수 있다. 이러한 에너지 사용 사례는 식별되고 보고되어 추가적인 비-기술적인 손실을 방지하거나 감소시키는 데 도움을 줄 수 있다. 또한 많은 변형이 가능한 것으로 고려된다.
도 1은 본 발명의 일 실시 예에 따라 에너지를 관리하는 예시적인 환경(100)을 도시한다. 환경(100)은 에너지 관리 플랫폼(102), 외부 데이터 소스(1041-n), 기업(106) 및 네트워크(108)를 포함한다. 본 명세서에서 보다 상세히 논의되는 에너지 관리 플랫폼(102)은 기업(106)이 기업(106)의 에너지 사용을 추적, 분석 및 최적화할 수 있게 하는 기능을 제공한다. 에너지 관리 플랫폼(102)은 분석 플랫폼(analytics platform)을 구성할 수 있다. 분석 플랫폼은 에너지 관리 플랫폼(102)의 모든 애플리케이션에 대해 데이터 관리, 다층 분석 및 데이터 시각화 기능을 처리할 수 있다. 분석 플랫폼은 고성능 레벨을 유지하면서 자주 업데이트되는 상당한 양의 데이터를 처리 및 분석하도록 구체적으로 설계될 수 있다.
에너지 관리 플랫폼(102)은 기업(106)에 대한 에너지 관리 플랫폼(102)에 의해 제시되는 사용자 인터페이스(user interface: UI)를 통해 기업(106)과 통신할 수 있다. UI는 기업(106)에 정보를 제공하고 기업(106)으로부터 정보를 수신할 수 있다. 에너지 관리 플랫폼(102)은 API 및 다른 통신 인터페이스를 통해 외부 데이터 소스(1041-n)와 통신할 수 있다. 에너지 관리 플랫폼(102), 외부 데이터 소스(1041-n) 및 기업(106)을 수반하는 통신은 본 명세서에서 보다 상세히 논의된다.
에너지 관리 플랫폼(102)은 서버 또는 일련의 서버 및 다른 하드웨어(예를 들어, 애플리케이션 서버, 분석 연산 서버, 데이터베이스 서버, 데이터 통합기 서버(data integrator server), 네트워크 인프라(예를 들어, 방화벽, 라우터, 통신 노드))와 같은 컴퓨터 시스템으로 구현될 수 있다. 서버는 서버 팜(server farm) 또는 클러스터(cluster)로 배열될 수 있다. 본 발명의 실시 예는 서버 측, 클라이언트 측 또는 이들의 조합으로 구현될 수 있다. 예를 들어, 본 발명의 실시 예는 에너지 관리 플랫폼(102)의 하나 이상의 서버에 의해 구현될 수 있다. 다른 예로서, 본 발명의 실시 예는 에너지 관리 플랫폼(102)의 서버와 기업(106)의 컴퓨터 시스템의 조합에 의해 구현될 수 있다.
외부 데이터 소스(1041-n)는 에너지 관리 분석과 관련된 다수의 가능한 데이터 소스를 나타낼 수 있다. 외부 데이터 소스(1041-n)는 예를 들어 그리드 및 유틸리티 운영 시스템(grid and utility operational system), 계량기 데이터 관리(meter data management: MDM) 시스템, 고객 정보 시스템(customer information system: CIS), 청구 시스템(billing system), 유틸리티 고객 시스템, 유틸리티 기업 시스템, 유틸리티 에너지 보존 조치(conservation measure), 리베이트(rebate) 데이터베이스를 포함할 수 있다. 외부 데이터 소스(1041-n)는 또한 예를 들어 건물 특성 시스템, 날씨 데이터 소스, 제3자 재산 관리 시스템(property management system), 및 산업 표준 벤치마크 데이터베이스를 포함할 수 있다.
기업(106)은 에너지 관리 플랫폼(102)의 사용자(예를 들어, 고객)를 나타낼 수 있다. 기업(106)은 대기업, 중소기업, 가정, 개인, 이사회(governing body), 정부 기관, 비정부 기구, 비영리 단체 등을 포함할 수 있다. 기업(106)은 에너지 제공자와 공급자(예를 들어, 유틸리티), 에너지 서비스 회사(energy service company: ESCO), 및 에너지 소비자를 포함할 수 있다. 기업(106)은 많은 지리적 위치에 분산된 하나의 또는 많은 시설(facility)과 관련될 수 있다. 기업(106)은 임의의 목적, 산업 또는 다른 유형의 프로파일과 연관될 수 있다.
네트워크(108)는 표준 통신 기술과 프로토콜을 사용할 수 있다. 따라서, 네트워크(108)는 이더넷, 802.11, WiMAX(worldwide interoperability for microwave access), 3G, 4G, CDMA, GSM, LTE, DSL(digital subscriber line) 등과 같은 기술을 사용하는 링크를 포함할 수 있다. 유사하게, 네트워크(108)에 사용된 네트워킹 프로토콜은 MPLS(multiprotocol label switching), TCP/IP(transmission control protocol/Internet protocol), UDP(User Datagram Protocol), HTTP(hypertext transport protocol), SMTP(simple mail transfer protocol), FTP(file transfer protocol) 등을 포함할 수 있다. 네트워크(108)를 통해 교환되는 데이터는 HTML(hypertext markup language) 및 XML(extensible markup language)을 포함하는 기술 및/또는 포맷을 사용하여 표현될 수 있다. 또한 SSL(Secure Sockets Layer), TLS(transport layer security) 및 IPsec(Internet Protocol security)와 같은 종래의 암호화 기술을 사용하여 모든 또는 일부 링크를 암호화할 수 있다.
일 실시 예에서, 에너지 관리 플랫폼(102), 외부 데이터 소스(1041-n) 및 기업(106) 각각은 컴퓨터 시스템으로 구현될 수 있다. 컴퓨터 시스템은 하나 이상의 머신을 포함할 수 있으며, 각각의 머신은 도 8의 머신(800)으로 구현될 수 있으며, 이는 본 명세서에서 보다 상세히 설명된다.
도 2는 본 발명의 일 실시 예에 따른 예시적인 에너지 관리 플랫폼(202)을 도시한다. 일부 실시 예에서, 예시적인 에너지 관리 플랫폼(202)은 도 1의 에너지 관리 플랫폼(102)으로 구현될 수 있다. 실시 예에서, 에너지 관리 플랫폼(202)은 데이터 관리 모듈(210), 애플리케이션 서버(212), 관계형 데이터베이스(214), 및 키/값 저장소(key/value store)(216)를 포함할 수 있다.
데이터 관리 모듈(210)은 에너지 관리 플랫폼(202)에 대한 요구에 따라 에너지 관리 플랫폼(202)에 대한 컴퓨팅 자원의 네트워크를 자동적으로 및 동적으로 스케일링(scale)하는 능력을 지원할 수 있다. 데이터 관리 모듈(210)에 의해 지원되는 동적 스케일링은 증가하는 컴퓨팅 요구를 수용하기 위해 추가적인 컴퓨팅 자원(또는 노드)을 제공할 수 있는 기능을 포함할 수 있다. 마찬가지로, 데이터 관리 모듈(210)은 감소하는 컴퓨팅 요구를 수용하기 위해 컴퓨팅 자원을 해제하는 기능을 포함할 수 있다. 데이터 관리 모듈(210)은 하나 이상의 동작(action)(들)(218), 큐(queue)(220), 디스패처(dispatcher)(222), 자원 관리자(224) 및 클러스터 관리자(226)를 포함할 수 있다.
동작(218)들은 에너지 관리 플랫폼(202)에 제공되는 요청에 응답하여 수행되어야 하는 작업(task)을 나타낼 수 있다. 동작들(218) 각각은 애플리케이션 서버(212)에 의해 수행될 작업 단위를 나타낼 수 있다. 동작(218)들은 데이터 유형과 연관될 수 있고 엔진(또는 모듈)에 구속될 수 있다. 요청은 에너지 관리 플랫폼(202)에 의해 지원되는 임의의 작업과 관련될 수 있다. 예를 들어, 요청은 예를 들어 분석 처리, 에너지 관련 데이터 로딩, 에너지 시작 판독값 검색, 벤치마크 데이터 검색 등과 관련될 수 있다. 동작(218)들은 동작 큐(220)에 제공된다.
동작 큐(220)는 각각의 동작(218)을 수신할 수 있다. 동작 큐(220)는 분산 작업 큐일 수 있고, 적절한 컴퓨팅 자원으로 라우팅되고 나서 수행되어야 하는 작업을 나타낸다.
디스패처(222)는 큐잉된 동작(queued action)을 이 동작을 실행할 엔진에 연관시키고 핸드-오프(hand-off)할 수 있다. 디스패처(222)는 부하 밸런싱 및 다른 최적화 고려 사항들에 기초하여 각 큐잉된 동작을 애플리케이션 서버들(212) 중 특정 애플리케이션으로 라우팅하는 것을 제어할 수 있다. 디스패처(222)는 현재 컴퓨팅 자원이 임계 용량 이상인 경우에 새로운 노드를 제공하기 위해 자원 관리자(224)로부터 명령을 수신할 수 있다. 디스패처(222)는 또한 현재 컴퓨팅 자원이 임계 용량 이하인 경우 노드를 해제하기 위해 자원 관리자로부터 명령을 수신할 수 있다. 따라서, 디스패처(222)는 컴퓨팅 자원에 대한 요구에 기초하여 새로운 노드를 동적으로 제공하거나 기존 노드를 해제하도록 클러스터 관리자(226)에 지시할 수 있다. 노드는 애플리케이션 서버(212), 관계형 데이터베이스(214) 및 키/값 저장소(216)와 관련된 컴퓨팅 노드 또는 저장 노드일 수 있다.
자원 관리자(224)는 동작 큐(220)를 모니터링할 수 있다. 자원 관리자(224)는 큐잉된 동작을 실행하기 위해 자원의 이용 가능성을 결정하기 위해 애플리케이션 서버(212) 상의 현재 부하를 모니터링할 수도 있다. 이 모니터링에 기초하여, 자원 관리자는 디스패처(222)를 통해 클러스터 관리자(226)와 통신하여 노드의 동적 할당 및 할당 해제를 요청할 수 있다.
클러스터 관리자(226)는 애플리케이션 서버(212)의 모든 노드를 관리하는 분산된 개체일 수 있다. 클러스터 관리자(226)는 컴퓨팅 자원에 대한 요구에 기초하여 새로운 노드를 동적으로 제공하거나 기존의 노드를 해제할 수 있다. 클러스터 관리자(226)는 그룹 멤버쉽 서비스 프로토콜을 구현할 수 있다. 클러스터 매니저(226)는 또한 작업 모니터링 기능을 수행할 수 있다. 작업 모니터링 기능에는 CPU 사용률, 데이터 판독/기록의 양, 저장소 크기 등과 같은 자원 사용량을 추적하는 기능이 포함될 수 있다.
애플리케이션 서버(212)는 분석 서버 실행, 데이터 요청 등을 관리 또는 호스팅하는 프로세스를 수행할 수 있다. 데이터 서비스, 배치(batch) 처리, 스트림 서비스를 수행하는 엔진과 같은 에너지 관리 플랫폼(202)에 의해 제공되는 엔진은 애플리케이션 서버(212) 내에서 호스팅될 수 있다. 엔진은 본 명세서에서 보다 상세히 설명된다.
일 실시 예에서, 애플리케이션 서버(212)는 에너지 관리 플랫폼(202)의 서비스 및 애플리케이션을 수행하는 시스템으로 동작하도록 협력되는 복수의 느슨하게 또는 밀접히 연결된 컴퓨터의 컴퓨터 클러스터의 일부일 수 있다. 클러스터의 노드(예를 들어, 서버)는 고속 LAN(local area network)을 통해 서로 연결될 수 있으며 각 노드는 자체 운영 체제 인스턴스를 실행한다. 애플리케이션 서버(212)는 단일 컴퓨터의 것보다 성능 및 이용 가능성을 향상시키는 컴퓨터 클러스터로 구현될 수 있지만, 일반적으로 필적하는 속도 또는 이용 가능성의 단일 컴퓨터보다 더 비용-효과적이다. 애플리케이션 서버(212)는 소프트웨어, 하드웨어, 또는 이들의 조합일 수 있다.
관계형 데이터베이스(214)는 에너지 관리 플랫폼(202)을 지원하는 다양한 데이터를 유지할 수 있다. 일 실시 예에서, 비-시계열 데이터는 본 명세서에서 보다 상세히 논의되는 바와 같이 관계형 데이터베이스(214)에 저장될 수 있다.
키/값 저장소(216)는 에너지 관리 플랫폼(202)을 지원하는 다양한 데이터를 유지할 수 있다. 일 실시 예에서, 시계열 데이터(예를 들어, 계량기 판독 값, 계량기 이벤트 등)는 본 명세서에서 보다 상세히 논의된 바와 같이 키/값 저장소에 저장될 수 있다. 일 실시 예에서, 키/값 저장소(216)는 다수의 일반 서버(commodity server)를 통해 대량의 데이터를 처리하도록 설계된 오픈 소스 분산 데이터베이스 관리 시스템인 아파치 칸사드라(Apache Cassandra)로 구현될 수 있다. 일 실시 예에서, 키/값 저장소를 위해 다른 데이터베이스 관리 시스템이 사용될 수 있다.
일 실시 예에서, 애플리케이션 서버(212), 관계형 데이터베이스(214) 및 키/값 저장소(216) 중 하나 이상은 에너지 관리 플랫폼(202)을 소유, 유지 또는 제어하는 개체에 의해 구현될 수 있다.
일 실시 예에서, 애플리케이션 서버(212), 관계형 데이터베이스(214) 및 키/값 저장소(216) 중 하나 이상은 에너지 관리 플랫폼(202)을 소유하고 유지하고, 또는 제어하는 개체에 임대하기 위한 컴퓨팅 환경을 제공할 수 있는 제3자에 의해 구현될 수 있다. 일 실시 예에서, 제3자에 의해 구현된 애플리케이션 서버(212), 관계형 데이터베이스(214) 및 키/값 저장소(216)는 네트워크(208)와 같은, 네트워크를 통해 에너지 관리 플랫폼(202)과 통신할 수 있다.
에너지 관리 플랫폼(202)을 소유, 유지 또는 제어하는 개체에 대해 제3자가 제공하는 컴퓨팅 환경은 에너지 관리 플랫폼(202)을 소유, 유지 또는 제어하는 개체가 자체 컴퓨터 애플리케이션을 실행하는 가상 컴퓨터를 임대할 수 있게 하는 클라우드 컴퓨팅 플랫폼일 수 있다. 이러한 애플리케이션은 예를 들어 본 명세서에서 보다 상세히 설명된 바와 같이 애플리케이션 서버(200)에 의해 수행되는 애플리케이션을 포함할 수 있다. 일 실시 예에서, 컴퓨팅 환경은 에너지 관리 플랫폼(202)을 소유, 유지 또는 제어하는 개체가 원하는 임의의 소프트웨어를 포함하는 가상 머신을 생성하는데 사용되는 가상 기기를 부팅할 수 있는 웹 서비스를 제공함으로써 애플리케이션의 스케일링 가능한 전개를 허용할 수 있다. 일 실시 예에서, 에너지 관리 플랫폼(202)을 소유, 유지 또는 제어하는 개체는 시간 사용 시간, 데이터 사용량, 또는 이들 또는 다른 팩터의 임의의 조합에 기초하여 지불하는, 필요에 따라 서버 인스턴스를 생성, 개시 및 종료할 수 있다. 이러한 방식으로 컴퓨팅 자원을 제공하고 해제하는 능력은 에너지 관리 플랫폼(202)의 요구에 따라 동적으로 스케일링하도록 에너지 관리 플랫폼(202)의 능력을 지원한다.
도 3은 본 발명의 일 실시 예에 따른 에너지 관리 플랫폼의 예시적인 애플리케이션 서버(300)를 도시한다. 일 실시 예에서, 도 2의 하나 이상의 애플리케이션 서버(212)는 도 3의 애플리케이션 서버(300)로 구현될 수 있다. 애플리케이션 서버(300)는 데이터 통합기 (데이터 로딩) 모듈(302), 통합 서비스 모듈(304), 데이터 서비스 모듈(306), 연산 서비스 모듈(308), 스트림 분석 서비스 모듈(310), 배치 병렬 처리 분석 서비스 모듈(312), 정규화 모듈(314), 분석 컨테이너(316), 데이터 모델(318) 및 사용자 인터페이스(UI) 서비스 모듈(324)을 포함한다. 일부 실시 예에서, 애플리케이션 서버(300)는 또한 비-기술적인 손실(NTL) 식별 모듈(330)을 포함할 수 있다.
애플리케이션 서버(300)에 의해 지원되는 분석 플랫폼은 특정 데이터 관리 또는 분석 기능을 각각 처리하는 다수의 서비스를 포함한다. 이 서비스는 데이터 통합기 모듈(302), 통합 서비스 모듈(304), 데이터 서비스 모듈(306), 연산 서비스 모듈(308), 스트림 분석 서비스 모듈(310), 배치 병렬 처리 분석 서비스 모듈(312) 및 UI 서비스 모듈을 포함한다. 분석 플랫폼 내의 모든 또는 일부 서비스는 대량의 데이터에 대해 고속으로 각 기능을 실행하도록 모듈화되고 그에 따라 구체적으로 구성될 수 있다. 이 서비스는 애플리케이션 서버(212)를 포함하는 컴퓨터 클러스터를 통한 고성능 분산 컴퓨팅을 위한 소프트웨어로 최적화될 수 있다.
도 3 및 본 명세서의 모든 도면에 있는 애플리케이션 서버(300)의 모듈 및 구성 요소는 단지 예시적인 것이며, 더 적은 수의 모듈 및 구성 요소로 다양하게 결합되거나 추가적인 모듈 및 구성 요소로 분리될 수 있다. 이 모듈 및 구성 요소의 설명된 기능은 다른 모듈 및 구성 요소에 의해 수행될 수 있다.
데이터 통합기 모듈(302)은 외부 데이터 소스(1041-n)의 소프트웨어 시스템 또는 데이터베이스에 유지된 데이터를 도 1의 에너지 관리 플랫폼(102)으로 자동적으로 가져오기 위한 도구이다. 가져온 데이터는 에너지 관리 플랫폼(102) 또는 애플리케이션 서버(300)의 여러 애플리케이션에 사용될 수 있다. 데이터 통합기 모듈(302)은 MDM, CIS 및 청구 시스템과 같은 그리드 및 운영 시스템은 물론, 날씨 데이터베이스, 건물 데이터베이스(예를 들어, 도시 계획 협의회 데이터베이스), 제3자 재산 관리 시스템 및 외부 벤치마크 데이터베이스와 같은 제3자 데이터 소스를 포함하는 폭넓은 범위의 데이터 소스로부터 데이터를 수신한다. 가져온 데이터에는, 예를 들어, 최소 일일 또는 다른 시간 간격(예를 들어, 15 분 간격)으로 제공되는 계량기 데이터(예를 들어, 전기 소비량, 물 소비량, 천연 가스 소비량), 일일 또는 다른 시간 간격(예를 들어, 1시간 간격)으로 제공되는 날씨 데이터(예를 들어, 온도, 습도), 건물 데이터(예를 들어, 평방 피트(square footage), 점유 상태, 년수(age), 건물 유형, 층수, 에어컨이 장착된 평방 피트), 집합체 정의(aggregation definition)(계층 구조)(예를 들어, 계량기에서 건물까지, 건물에서 도시 블록까지, 건물의 지역 식별) 및 자산 데이터(asset data)(예를 들어, HVAC 자산의 수와 유형, (공장의 경우) 생산 유닛(production unit)의 수와 유형)가 포함될 수 있다.
데이터 통합기 모듈(302)은 또한 엑셀 스프레드시트(Excel spreadsheet)와 같은 플랫 파일(flat file)로부터 정보를 가져오는 능력을 가지며, 에너지 관리 플랫폼(102)의 애플리케이션에 직접 입력된 정보를 캡처하는 능력을 갖는다. 소스의 넓은 어레이로부터 데이터를 병합하는 것에 의해 애플리케이션 서버(300)는 복잡하고 상세한 분석을 수행할 수 있어, 보다 우수한 비즈니스 통찰력을 가능하게 한다.
데이터 통합기 모듈(302)은 애플리케이션 서버(300)의 애플리케이션으로 데이터를 로딩하는데 사용될 수 있는 표준화된 정규 객체 정의(canonical object definition)(표준화된 인터페이스 정의) 세트를 제공한다. 데이터 통합기 모듈(302)의 정규 객체는 현재 CIM(Common Information Model), 그린 버튼(Green Button) 및 개방형 자동 데이터 교환(Open Automatic Data Exchange)과 같은 현재 또는 새로운 유틸리티 산업 표준에 따라 또는 애플리케이션 서버(300)의 사양에 따라 기초할 수 있다. 애플리케이션 서버(300)는 폭넓은 범위의 유틸리티 데이터 소스가 에너지 관리 플랫폼(102)에 쉽게 연결될 수 있는 것을 보장하기 위해 이들 표준 및 다른 표준을 지원할 수 있다. 정규 객체는 예를 들어 다음 사항을 포함할 수 있다:
정규 형태의 데이터가 수신되면, 데이터 통합기 모듈(302)은, 데이터 모델(318)에 따라 데이터를 개별 데이터 개체로 변환하여, 데이터가 저장, 처리, 분석될 수 있는 데이터베이스 방식으로 로딩될 수 있도록 할 수 있다.
데이터 통합기 모듈(302)은 매우 많은 양의 데이터(예를 들어, "빅 데이터")를 처리할 수 있다. 예를 들어, 데이터 통합기 모듈(302)은 수 백만 개의 디지털 계량기들로부터 간격 데이터를 빈번히 처리할 수 있다. 데이터를 수신하기 위해, 애플리케이션 서버(300)는 일관된 보안 웹 서비스 API(예를 들어, REST)를 제공할 수 있다. 통합은 비동기 배치(batch) 또는 실시간 모드에서 수행될 수 있다. 데이터 통합기 모듈(302)은 예를 들어, 유틸리티 고객 시스템, 건물 특성 시스템, 산업 표준 벤치마크 시스템, 유틸리티 에너지 보존 조치 및 리베이트 데이터베이스, 유틸리티 기업 시스템, MDM 및 유틸리티 운영 시스템으로부터 실시간 및 배치 데이터를 병합할 수 있다. 외부 데이터 소스가 데이터를 추출하는 API 또는 컴퓨터화된 수단을 소유하지 않을 때, 애플리케이션 서버(300)는 (예를 들어, 웹 스크래핑(web scraping)을 사용함으로써) 외부 데이터 소스와 연관된 웹 페이지로부터 데이터를 직접 끌어낼 수 있다.
데이터 통합기 모듈(302)은 또한 초기 데이터 검증(data validation)을 수행할 수 있다. 데이터 통합기 모듈(302)은 입력 데이터의 구조를 조사하여, 요구되는 필드가 존재하고, 데이터가 올바른 데이터 유형이라는 것을 보장할 수 있다. 예를 들어, 데이터 통합기 모듈(302)은 제공된 데이터의 포맷이 예상 포맷과 일치하지 않을 때(예를 들어, 숫자 값이 텍스트로서 잘못 제공될 때)를 인식하고, 불일치된 데이터가 로딩되는 것을 방지하고, 리뷰와 조사를 위해 문제를 기록할 수 있다. 이런 방식으로, 데이터 통합기 모듈(302)은 입력 데이터가 정확한 분석을 위한 요구 사항을 충족시키는 것을 보장하는 제1 방어선으로 기능할 수 있다.
통합 서비스 모듈(304)은 데이터를 검증 또는 검수(proofing)하는 제2 계층으로 기능하여, 데이터가 데이터베이스 또는 저장소에 로딩되기 전에 데이터에 에러가 없는 것을 보장한다. 통합 서비스 모듈(304)은 데이터 통합기 모듈(302)로부터 데이터를 수신하고, 데이터가 유입될 때 이 데이터를 모니터링하고, 제2 라운드의 데이터 체크를 수행하고, 데이터 서비스 모듈(306)에 데이터를 전달하여 저장되도록 한다.
통합 서비스 모듈(304)은 다양한 데이터 관리 기능을 제공할 수 있다. 통합 서비스 모듈(304)은 중복 처리(duplicate handling)를 수행할 수 있다. 통합 서비스 모듈(304)은 데이터 중복(data duplication) 인스턴스를 식별하여, 분석이 단일 데이터 세트 상에서 정확히 수행되는 것을 보장할 수 있다. 통합 서비스 모듈(304)은 사용자에 의해 지정된 비즈니스 요구 사항에 따라 중복을 처리(예를 들어, 2개의 중복 레코드를 동일하거나 평균 중복 레코드로 처리)하도록 구성될 수 있다. 이러한 유연성에 의해 애플리케이션 서버(300)는 데이터 처리를 위한 고객 표준에 따를 수 있다.
통합 서비스 모듈(304)은 데이터 검증을 수행할 수 있다. 통합 서비스 모듈(304)은 데이터 갭 및 데이터 이상(data anomalies)(예를 들어, 통계적 이상)을 검출하고, 이상치(outlier)를 식별하고, 참조 무결성 검사(referential integrity check)를 수행할 수 있다. 참조 무결성 검사는 분석 및 집계를 가능하게 하는 올바른 연관 네트워크를 가지는 것을 보장하여, 예를 들어, 데이터가 로딩된 계량기 데이터가 시설과 연관되는 것이나 또는 역으로 해당 시설이 계량기와 관련된 것을 보장한다. 통합 서비스 모듈(304)은 사용자에 의해 지정된 비즈니스 요구 사항에 따라 데이터 검증 문제를 해결한다. 예를 들어, 데이터 갭이 있는 경우 선형 보간을 사용하여 누락된 데이터를 채우거나 또는 이 갭을 그대로 둘 수 있다.
통합 서비스 모듈(304)은 데이터 모니터링을 수행할 수 있다. 통합 서비스 모듈(304)은 전체 데이터 로딩 프로세스 동안 종단간 가시성(end-to-end visibility)을 제공할 수 있다. 사용자는 중복 검출로부터 데이터 저장에 이르기까지 진행되는 데이터 통합 프로세스를 모니터링할 수 있다. 이러한 모니터링은, 데이터가 적절히 로딩되고 중복 및 검증에 에러가 없는 것을 보장하는 것을 도와준다.
데이터 서비스 모듈(306)은 크고 증가하는 양의 데이터를 지속(저장)하는 한편, 데이터를 분석 계산에 용이하게 이용가능하게 하는 일을 담당한다. 데이터 서비스 모듈(306)은 데이터를 관계형 데이터베이스와 비 관계형(키/값 저장소) 데이터베이스로 분할하고 저장된 데이터에 동작을 수행한다. 이러한 동작은 데이터를 생성하는 것, 판독하는 것, 업데이트하는 것, 및 삭제하는 것을 포함한다. 데이터 서비스 모듈(306)의 데이터 엔진은 스트림 처리를 위해 데이터를 지속할 수 있다. 데이터 서비스 모듈(306)의 데이터 엔진은 또한 배치 병렬 처리를 위해 배치 작업과 관련하여 처리될 데이터 세트를 식별할 수 있다.
데이터 서비스 모듈(306)은 데이터 분할을 수행할 수 있다. 데이터 서비스 모듈(306)은 도 2의 관계형 데이터베이스(214) 및 키/값 저장소(216)와 같은 관계형 및 비-관계형 데이터 저장소를 이용한다. 데이터를 2개의 별개의 데이터 저장소, 즉 관계형 데이터베이스(214)와 키/값 저장소(216)로 "분할"함으로써 애플리케이션 서버(300)는 그 애플리케이션이 계량기 및 그리드 센서로부터 유래된 간격 데이터와 같은 대량의 데이터를 효율적으로 처리 및 분석할 수 있는 것을 보장한다. 관계형 데이터베이스(214) 및 키/값 저장소(216)의 데이터는 에너지 관리 플랫폼(102)의 데이터 모델(318)에 따라 저장된다.
관계형 데이터베이스(214)는 구조화되어 느리게 변하는 데이터를 관리하도록 설계된다. 이러한 데이터의 예는 조직(예를 들어, 고객) 및 시설 데이터를 포함한다. 관계형 데이터베이스(214)와 같은 관계형 데이터베이스는 랜덤 액세스 업데이트를 위해 설계된다.
키/값 저장소(216)는 계량기 및 그리드 센서 데이터와 같은 매우 많은 양의 간격(시계열) 데이터를 관리하도록 설계된다. 키/값 저장소(216)와 같은 키/값 저장소는 특정 순서로 판독되는 큰 "추가 전용(append only)" 데이터 스트림을 위해 설계된다. "추가 전용"은 연관된 파일의 끝에 단순히 추가되는 새로운 데이터를 나타낸다. 간격 데이터에 대해 전용 키/값 저장소(216)를 사용함으로써, 애플리케이션 서버(300)는 이러한 유형의 데이터가 효율적으로 저장되고 신속하게 액세스될 수 있는 것을 보장한다.
데이터 서비스 모듈(306)은 분산 데이터 관리를 수행할 수 있다. 데이터 서비스 모듈(306)은 스트림 처리 및 배치 병렬 처리를 수행하기 위한 통지(notification)의 제공을 스케줄링하는 이벤트 큐(event queue)를 포함할 수 있다. 배치 병렬 처리와 관련하여, 스케줄링은 에너지 관리 플랫폼(102) 내 관련된 클러스터에서 처리 자원의 이용 가능성을 설명하는 규칙에 기초할 수 있다. 데이터 양이 증가함에 따라, 데이터 서비스 모듈(306)은 노드를 클러스터에 자동적으로 추가하여, 새 데이터를 수용(예를 들어, 저장 및 처리)한다. 노드가 추가될 때, 데이터 서비스 모듈(306)은 모든 노드에 걸쳐 데이터를 자동적으로 다시 밸런싱 맞추고(rebalance) 분할함으로써, 계속 높은 성능 및 신뢰성을 보장한다.
연산 서비스 모듈(308)은 스트림 분석 서비스 모듈(310)과 배치 병렬 처리 분석 서비스 모듈(312)에 의해 호출되어 비즈니스 분석을 수행하는 분석 함수의 라이브러리(library)이다. 기능을 개별적으로 실행하거나 결합하여 실행하여 복잡한 분석을 수행할 수 있다. 연산 서비스 모듈(308)에 의해 제공되는 서비스는 모듈형(즉, 단일 작업 전용)이어서, 연산 서비스 모듈(308)은 다수의 연산을 동시에 그리고 신속히 병렬 처리할 수 있어서, 이에 의해 상당한 연산 스케일링 가능성(scalability)을 제공할 수 있다.
또한, 연산 서비스 모듈(308)은 분산 처리를 이용하여 훨씬 더 큰 스케일링 가능성을 생성할 수 있다. 예를 들어, 사용자가 수 십만 개의 계량기의 평균 연간 전력 사용량을 계산하는 데 관심이 있는 경우, 에너지 관리 플랫폼(102)은 요청을 다수의 서버에 분산시킴으로써 신속하게 응답할 수 있다.
스트림 분석 서비스 모듈(310)은 실시간 및 근 실시간 데이터 스트림에 정교한 분석을 수행한다. 스트림은 예를 들어 계량기, 하위 계량기 또는 그리드 센서로부터의 대량의 데이터의 공급을 나타낼 수 있다. 일 실시 예에서, 스트림은 데이터의 SCADA(Supervisory Control and Data Acquisition) 공급일 수 있다. 스트림 분석 서비스 모듈(310)은 데이터가 생성된 직후 분석이 수행될 필요가 있을 때 이 데이터를 분석하도록 호출될 수 있다.
스트림 분석 서비스 모듈(310)은 스트림을 데이터 모델(318)에 따른 데이터로 변환하기 위한 스트림 프로세서를 포함할 수 있다. 스트림 분석 서비스 모듈(310)은 에너지 관리 플랫폼(102)의 사용자에 의해 제공될 수 있는 스트림 처리 로직을 더 포함할 수 있다. 스트림 처리 로직은 계산된 결과를 제공할 수 있고, 이는 후속 분석을 위해 지속되고 사용될 수 있다. 스트림 처리 로직은 또한 계산된 결과에 기초하여 경보(alert)를 제공할 수 있다. 예를 들어, 유틸리티가 예상치 못한 상당한 부하의 저하 또는 부하의 스파이크가 있는 경우 경보 및 진행 중(on-the-fly) 분석을 수신하기를 원할 수 있다. 이러한 부하 변동은 장비의 오작동 부분이나 장비에 갑작스러운 손상으로 인해 야기될 수 있으며 분배 시스템이나 최종 고객에 큰 위험을 초래할 수 있다. 예기치 못한 부하 변경에 대한 데이터를 신속하게 인식, 분석하여 필요한 경보를 보내는 데 사용할 수 있다. 스트림 처리 로직은 또한 원래의 스트림을 처리한 후에, 에너지 관리 플랫폼(102)의 또 다른 목적 또는 응용을 위해 처리된 원래의 스트림에 기초하여 새로운 스트림을 제공할 수 있다.
스트림 분석 서비스 모듈(310)은 근 실시간으로 연속 처리를 수행할 수 있다. 데이터가 도착한 후에 매우 신속히 스트림 분석 서비스 모듈(310)에 의한 처리가 수행되기 때문에, 에너지 관리 플랫폼(102)에 의해 제공되는 시간에 민감하고 우선 순위가 높은 분석이 적절히 실행 가능하다.
스트림 분석 서비스 모듈(310)은 수평 스케일링 가능성을 제공할 수 있다. 대용량의 데이터를 동시에 관리하기 위해, 스트림 분석 서비스 모듈(310)에 의한 처리는 함께 작동하는 컴퓨터 세트인 서버 클러스터에 걸쳐 분산될 수 있다.
스트림 분석 서비스 모듈(310)은 내결함성을 제공할 수 있다. 스트림이 지속될 수 있다. 하나의 노드(예를 들어, 클러스터 내 컴퓨터)에서 처리 오류가 일어나면, 데이터 손실 없이 클러스터 내의 다른 노드에 작업 부하가 분산된다. 스트림에 수행된 처리가 완료된 후 스트림은 폐기될 수 있다.
비-제한적인 예가 스트림 분석 서비스 모듈(310)의 성능을 설명하기 위해 제공된다. 최근 생성된 전기 소비 및 수요 데이터의 스트림을 가정한다. 이 스트림은 데이터 서비스 모듈(306)과 연관된 이벤트 큐에 제공될 수 있다. 데이터가 이벤트 큐에 도착하면, 자동 분석 프로세스가 트리거된다. 다수의 분석 프로세스 또는 분석을 동일한 데이터 세트에서 실행할 수 있다. 분석 프로세스는 병렬로 수행될 수 있다. 동일한 데이터 세트에 대한 병렬 처리에 의해 다수의 분석을 보다 신속하게 처리할 수 있다. 이러한 분석 프로세스의 출력은 경보 및 계산일 수 있으며, 이는 이후 데이터베이스에 저장되고 나서 지정된 최종 사용자에 분석 결과로 이용가능하게 된다. 분석 프로세스 및 처리 작업은 스트림 분석 서비스 모듈(310)을 지원하는 다수의 서버에 걸쳐 분산될 수 있다. 이러한 방식으로, 대량의 데이터가 스트림 분석 서비스 모듈(310)에 의해 신속히 처리될 수 있다.
배치 병렬 처리 분석 서비스 모듈(312)은 에너지 관리 플랫폼(102)의 사용자에 의해 요구되는 분석의 상당한 부분을 수행할 수 있다. 배치 병렬 처리 분석 서비스 모듈(312)은 현재 및 이력(historical) 데이터로 구성된 큰 데이터 세트를 분석하여, 주기적인 주요 성능 지표(Key Performance Indicator: KPI) 보고, 이력 전기 사용 분석, 예측, 이상치 분석, 에너지 효율 프로젝트 재정 영향 분석 등과 같은 보고서 및 분석을 생성할 수 있다. 일 실시 예에서, 배치 병렬 처리 분석 서비스 모듈(312)은 대량의 데이터 세트를 처리하고 하나 이상의 컴퓨터 클러스터에 연산을 분산시키는 프로그래밍 모델인 맵리듀스(MapReduce)에 기초할 수 있다. 배치 병렬 처리 분석 서비스 모듈(312)은 병렬화, 내결함성 및 부하 밸런싱의 작업을 자동적으로 수행함으로써 처리 집약적인 작업의 성능 및 신뢰성을 향상시킨다.
비-제한적인 예가 배치 병렬 처리 분석 서비스 모듈(312)의 성능을 예시하기 위해 제공된다. 일례로서, 에너지 강도의 벤치마크 분석, 주요 성능 지표에 대한 성능 요약, 및 비-기술적인 손실에 의한 비-청구된 에너지의 분석이 배치 병렬 처리 분석 서비스 모듈(312)에 의해 처리되는 작업일 수 있다. 배치 처리 작업이 에너지 관리 플랫폼(102)에서 호출될 때, 배치 처리 분석 서비스 모듈(312)과 연관된 입력 판독기는 처리 작업을 다수의 더 작은 배치 작업으로 분해한다. 이렇게 분해하면 작업의 복잡성과 처리 시간을 감소시킬 수 있다. 이후, 각 배치 작업은 작업자 프로세스로 전달되어 할당된 작업(예를 들어, 계산 또는 평가)이 수행된다. 그후 결과들은 데이터 세트를 재배열하는 것을 말하는 "셔플(shuffled)"되고 나서, 작업자 프로세스의 그 다음 세트가 계산(또는 평가)을 효율적으로 완료하고 출력 라이터(writer)를 통해 결과를 데이터베이스에 신속하게 기록할 수 있다.
배치 병렬 처리 분석 서비스 모듈(312)은 다수의 서버에 걸쳐 작업자 프로세스를 분산할 수 있다. 이러한 분산 처리는 클러스터의 연산 능력을 최대한 활용하고 계산이 신속하고 효율적으로 완료되는 것을 보장하기 위해 사용된다. 이러한 방식으로, 배치 병렬 처리 분석 서비스 모듈(312)은 스케일 가능성 및 고 성능을 제공한다.
정규화 모듈(314)은 키/값 저장소(216)에서 유지되어야 하는 계량기 데이터를 정규화할 수 있다. 예를 들어, 계량기 데이터의 정규화는 데이터의 갭을 채우고 데이터의 이상치를 처리하는 것을 수반할 수 있다. 예를 들어, 계량기 데이터가 일정한 간격으로 예상되지만 에너지 관리 플랫폼(102)에 실제로 제공된 데이터가 특정 간격으로 계량기 데이터를 갖지 않으면, 정규화 모듈(314)은 특정 알고리즘(예를 들어, 보간법)을 적용하여 누락된 데이터를 제공할 수 있다. 또 다른 예로서, 에너지 사용의 수차 값은 정규화 모듈(314)에 의해 검출되고 처리될 수 있다. 일 실시 예에서, 정규화 모듈(314)에 의해 수행되는 정규화는 구성 가능할 수 있다. 예를 들어, 정규화 모듈(314)에 의해 사용되는 알고리즘(예를 들어, 선형, 비선형)은 에너지 관리 플랫폼(102)의 관리자 또는 사용자에 의해 지정될 수 있다. 정규화된 데이터가 키/값 저장소(216)에 제공될 수 있다.
UI 서비스 모듈(324)은 에너지 관리 플랫폼(102)의 모든 애플리케이션에 대한 그래픽 프레임워크를 제공한다. UI 서비스 모듈은 분석 결과의 시각화를 제공하여 최종 사용자가 명확하고 실행 가능한 통찰력을 수신할 수 있도록 한다. 스트림 분석 서비스 모듈(310) 또는 배치 병렬 처리 분석 서비스 모듈(312)에 의해 분석이 완료된 후에, 이 분석은 UI 서비스 모듈(324)에 의해 그래픽으로 렌더링되고, 에너지 관리 플랫폼(102)의 적절한 애플리케이션에 제공되고, 궁극적으로 사용자의 컴퓨터 시스템(예를 들어, 머신)에 제시될 수 있다. 이것은 직관적이고 이해하기 쉬운 형식으로 사용자에게 데이터 통찰력을 제공한다.
UI 서비스 모듈(324)은 많은 특징을 제공한다. UI 서비스 모듈(324)은 차트 유형의 라이브러리 및 페이지 레이아웃의 라이브러리를 제공할 수 있다. 차트 유형 및 페이지 레이아웃의 모든 변형은 UI 서비스 모듈(324)에 의해 유지된다. UI 서비스 모듈(324)은 또한 페이지 레이아웃 맞춤(page layout customization)을 제공할 수 있다. 관리자와 같은 사용자는 필드를 추가하고, 필드의 이름을 바꾸고 필드를 그룹화할 수 있다. 예를 들어, 에너지 관리 플랫폼(102)은 유틸리티 관리자가 에너지 강도, 에너지 소비 및 에너지 수요를 한 페이지에 그룹화하여 보다 보기 쉽게 할 수 있다. UI 서비스 모듈(324)은 역할-기반 액세스 제어를 제공할 수 있다. 관리자는 특정 유형의 사용자가 볼 수 있는 애플리케이션 부분을 결정할 수 있다. 이들 기능을 사용하여 UI 서비스 모듈(324)은 최종 사용자가 일관된 시각적 경험을 즐기고 자신의 역할과 관련된 기능 및 데이터에 액세스할 수 있게 하며 명확한 비즈니스 통찰력을 제공하는 차트 및 보고서와 상호작용할 수 있는 것을 보장한다.
또한, 일부 구현 예에서, 애플리케이션 서버(300)는 도 3에 도시된 바와 같이 비-기술적인 손실(NTL) 식별 모듈(330)을 포함한다. 비-기술적인 손실 식별 모듈(330)은 머신 러닝을 이용하여 비-기술적인 손실을 식별하도록 구성될 수 있다. 일부 실시 예에서, 비-기술적인 손실 식별 모듈(330)은 하드웨어, 소프트웨어 및/또는 이들의 조합으로 구현될 수 있다. 또한, 일부 경우에 비-기술적인 손실 식별 모듈(330)의 하나 이상의 부분 또는 구성 요소가 도 1의 에너지 관리 플랫폼(102)의 하나 이상의 다른 모듈, 엔진 및/또는 구성 요소로 구현될 수 있는 것도 고려된다.
일 실시 예에서, 비-기술적인 손실 식별 모듈(330)은 비-기술적인 손실(예를 들어, NTL)의 존재를 나타내는 신호 세트에 대한 신호 값을 획득 또는 결정하도록 구성될 수 있다. 비-기술적인 손실의 존재를 나타내는 신호 세트는 다양한 에너지 사용 상태를 직접 또는 간접적으로 반영할 수 있다. 이러한 에너지 사용 상태는 예를 들어 에너지 사용 유형, 에너지 사용 상태, 에너지 사용량, 계량기로부터의 에너지 사용량 판독, 계량기 작동 상태, 에너지 제공자와의 고객 계정 상태, 및 에너지 제공, 사용, 이용가능성 및 지불을 직접 또는 간접적으로 반영하는 기타 고려 사항과 관련될 수 있다. 신호 세트로부터 각 신호는 특정 에너지 사용 상태를 반영할 수 있다. 신호 세트로부터 신호에 대한 신호 값은 신호와 관련된 에너지 사용 상태의 크기, 유형 또는 존재(또는 비-존재)를 기술하는 수치 값, 부울리안 값, 이진 값 또는 정성적 값일 수 있다. 예를 들어, 에너지 사용 상태는 소비량이 0이거나 사용이 없는 경우를 포함하여 에너지가 사용되고 있거나 소비되고 있는 여러 가지 경우를 나타낼 수 있다. 일부 경우에, 에너지 사용 상태는 에너지 또는 유틸리티 계량기(예를 들어, 가스 계량기, 전기 계량기, 수도 계량기 등)에 의해 측정된 에너지 사용 상태(예를 들어, 현재 상태)를 나타낼 수 있다. 일부 경우에 특정 에너지 사용 상태는 특정 시간 또는 간격에 특정 장소의 특정 지리적 위치에 있는 특정 에너지 소비자 또는 고객이 특정 유형의 에너지를 사용하는 것과 관련될 수 있다. 그리하여 에너지 사용 상태는 사용량을 측정하는 계량기와 관련될 뿐만 아니라 고객 정보, 위치 정보, 장소 유형, 날짜 및 시간 등과도 관련될 수 있다.
신호 세트는 도 1의 외부 데이터 소스(1041-n)로부터 수신된 데이터와 같이, 획득된 데이터에 기초하여 생성된 선택된 분석 또는 특징 세트에 대응할 수 있다. 일부 실시 예들에서, 신호 세트는, 연구, 개발, 관찰, 머신 러닝 및/또는 실험 등에 기초하여 선택되거나 선정되거나 결정될 수 있다. 예를 들어, 경험적 분석에 기초하여, 특정 신호는 비-기술적인 손실(NTL)을 나타내는 데 보다 유용한 것으로 결정될 수 있고, 그리하여 이들 신호는 비-기술적인 손실을 나타낼 수 없거나 이 비-기술적인 손실을 덜 나타낼 것 같은 다른 신호보다 우선적으로 선택되거나 우선 순위가 부여된다. 데이터 소스로부터 수신된 데이터는 AMI 시스템 데이터(계량기 데이터 관리 및 헤드엔드 데이터), 고객 정보 데이터, 고객 소비 데이터, 청구서 정보(billing information), 계약 정보, 계량기 이벤트 정보, 정전 관리 시스템(outage management system: OMS) 데이터, 생산자 생성, 작업 지시 관리(workorder management: WOM) 데이터, 확인된 절도 및 오작동 데이터, 날씨 및 지리적 위치를 포함할 수 있으나 이들로 국한되지 않는다. 데이터 소스에는 그리드 및 유틸리티 운영 시스템, 계량기 데이터 관리(meter data management: MDM) 시스템, 고객 정보 시스템(customer information system: CIS), 청구 시스템, 유틸리티 고객 시스템, 유틸리티 기업 시스템, 유틸리티 에너지 절약 조치, 리베이트 데이터베이스, 건물 특성 시스템, 날씨 데이터 소스, 제3자 재산 관리 시스템, 업계 표준 벤치마크 데이터베이스 등이 포함될 수 있다.
디수의 신호 카테고리에서 많은 양의 여러 신호들 및 이들 신호들의 각 신호 값들을 사용하여, 에너지 사용에 관해 더 나은 이해를 달성할 수 있다. 여러 신호 카테고리의 카테고리로부터 각 신호가 생성될 수 있고 그 각 신호 값은 획득된 데이터의 적어도 일부에 기초하여 계산될 수 있다. 일부 경우에는 수 십 개의 신호 카테고리가 있을 수 있고 각 신호 카테고리 내에는 수 백 개 이상의 신호가 있을 수 있다. 본 개시는 단지 일부 예를 논의할 것이다. 본 명세서에서 명시적으로 논의된 것 이외의 많은 신호 카테고리 및 신호들이 또한 이용될 수 있는 것으로 이해된다. 일부 구현 예에서, 신호 값은 수치 값, 0과 1 사이의 값, 이진 값 등일 수 있다.
예시적인 신호 카테고리는 "계정 속성" 신호 카테고리이다. "계정 신호" 카테고리에는 다양한 신호가 포함될 수 있다. 예를 들어, "계정 신호" 카테고리의 제1 신호는 "계절적 계량기" 신호로 언급될 수 있다. "계절적 계량기" 신호는 구내(premise)(또는 고객)가 예를 들어 휴가철 집의 경우 계절적인 것으로 기록될지 여부를 나타낼 수 있다. 고객 정보 및 고객 소비 데이터와 같은 CIS로부터의 데이터는 구내가 계절적인 것임을 나타낼 수 있으며 신호 값은 구내가 계절적인 것임을 나타내기 위해 "계절 계량기" 신호에 대한 것으로 설정될 수 있다.
또 다른 예로서, "계정 속성" 신호 카테고리의 제2 신호는 "서비스 단절된(Service Disconnected)" 신호로 언급될 수 있다. "서비스 단절된" 신호는 구내가 관련 분석 시간(예를 들어, 데이터 획득 시간)에 종료되거나 단절된 서비스 지점(service point)을 갖는지 여부를 나타낼 수 있다. 서비스 지점이 단절된 경우, "서비스 단절된" 신호의 신호 값은 서비스 지점이 단절된 것을 나타낸다. 서비스 지점이 단절되지 않은 경우 신호 값은 서비스 지점이 단절되지 않은 것을 나타낸다.
또 다른 예시적인 신호 카테고리는 "변칙 부하(Anomalous Load)" 신호 카테고리이다. "변칙 부하" 신호 카테고리는 유효 전력(Active Power) 및 무효 전력(Reactive Power) 데이터를 분석하고 절도 및/또는 오작동을 나타내는 변칙 패턴을 식별하는 것과 관련된 "유효 전력 대 무효 전력 곡선 분석" 신호를 포함할 수 있다. 예를 들어 "유효 전력 대 무효 전력 곡선 분석" 신호에 대한 신호 값은 주어진 고객의 전년 대비 소비 패턴의 불규칙한 변동을 특성화할 수 있으며 이는 절도 및/또는 오작동의 가능성을 나타낼 수 있다. "변칙 부하" 신호 카테고리는 전년 대비 감소하는 사용량을 갖는 날 수의 기록과 관련된 "전년 대비 소비 저하를 갖는 날 수" 신호를 또한 포함할 수 있다. 또한 "변칙 부하" 신호 카테고리는 전년 대비 한 달 동안 최대 소비 차이를 계산하는 것과 관련된 "전년 대비 변동(분기별)" 신호를 포함할 수 있다. 또한 "변칙 부하" 신호 카테고리는 소비 프로파일을 추적하고 계량기의 15일 롤링 평균(rolling average) 소비가 20%를 초과하는 만큼 저하할 때를 기록하는 것과 관련된 "소비 저하" 신호를 포함할 수 있다.
또 다른 예시적인 신호 카테고리는, 예를 들어 계량기 상태가 활성으로 설정되었는지 또는 계량기가 통신 문제를 보고하고 있는지 여부를 체크하는 것에 의해 계량기의 상태를 상호 점검하는 것을 제공하는 신호를 포함할 수 있는 "계산된 상태" 신호 카테고리이다. 이 카테고리에서 "계량기 위치 실내" 신호는 계량기가 실내에 있음을 나타낼 수 있다. 이 카테고리에서 "계량기 위치 실외" 신호는 계량기가 실외에 있음을 나타낼 수 있다. 이 카테고리에서 "서비스 비활성 상태에서의 (전기) 소비" 신호는 서비스가 활성화되지 않았음에도 불구하고 계량기에 전기 소비가 있다는 것을 나타낼 수 있다.
또 다른 예시적인 신호 카테고리는 "비활성 상태에서의 소비" 신호 카테고리이다. "비활성 상태에서의 소비" 신호 카테고리는 유틸리티 회사에 의해 단절된 서비스 계정을 가진 0이 아닌 소비를 갖는 고객을 검출하는 것과 관련된 "비활성 상태에서의 소비" 신호를 포함할 수 있다. "비활성 상태에서의 소비" 신호 카테고리는 서비스 계약이 유효하지 않지만 계량기에 가스 소비가 있는 상황과 관련된 "비활성 상태에서의 (가스) 소비" 신호를 또한 포함할 수 있다.
또 다른 예시적인 신호 카테고리는 "전류 분석" 신호 카테고리이다. 이 카테고리에서 신호는 이력 전류(암페어) 프로파일을 분석하여 부하의 조화, 실제 전력 대 무효 전력의 측정 및 잠재적인 중단(interruption)의 불일치(inconsistency)를 평가하는 것과 관련될 수 있다. 이 카테고리는 전류 트랜스포머(current transformer: CT)가 0.5 암페어보다 큰 간격을 나타내는 "CT > 0.5 amps" 신호, 및 전류 트랜스포머(CT)가 0.05 암페어보다 작은 간격을 나타내는 "CT < 0.05 amps" 신호를 포함할 수 있다.
또 다른 예시적인 신호 카테고리는 누락된 데이터와 관련된 신호를 포함하는 "누락 데이터" 신호 카테고리이다. 이 신호 카테고리에서 "누락 데이터" 신호는 계량기에서 소비 데이터가 누락되고 있는지 여부를 식별하는 것과 관련이 있다.
또 다른 예시적인 신호 카테고리는 계량기가 통신 네트워크로부터 단절되었는지 여부를 평가하는 것과 관련된 신호를 포함하는 "단절된" 신호 카테고리이다. 이 카테고리에서 "전기적으로 단절되어 도달할 수 없는" 신호는 원격으로 단절된 AMI(Advanced Metering Infrastructure) 계량기에 도달할 수 없게 된 이후의 날 수를 나타낼 수 있다. 이 카테고리에서 "명확히 단절된 후 통신" 신호는 서비스 지점이 극이나 서비스 헤드에서 단절된 후 NIC(Network Interface Controller) 전력 복원 이벤트가 감지되었음을 나타낼 수 있다. 이 카테고리에서 "도달할 수 없기 전에 단절된 날 수" 신호는 계량기가 도달할 수 없기 전에 단절된 날 수를 나타낼 수 있다.
추가적인 예시적인 신호 카테고리는 다양한 계량기 이벤트(예를 들어, 계량기 조작(tamper) 이벤트, 계량기 오작동 이벤트, 계량기 마지막 멈춤 이벤트(meter last gasp event) 등)를 추적하고 (예를 들어 계량기에 의해 보고되는 다량의 계량기 이벤트(많은 것이 거짓-양성(false-positive)이다)이기 때문에) 임의의 잡음을 필터링하는 신호를 포함하는 "계량기 이벤트" 신호 카테고리이다. 이 카테고리에서 "오작동 이벤트" 신호는 오작동 이벤트가 있는 계량기를 식별할 수 있으며 오작동 이벤트가 트리거된 횟수를 카운트할 수 있다. 이 카테고리에서 "오작동 및 오프 이벤트 카운트" 신호는 오작동 이벤트를 갖는 계량기를 식별할 수 있으며 오작동 및 오프 이벤트의 판독 수를 카운트할 수 있다. 이 카테고리에서 "조작 이벤트 카운트(Tamper Event Count)" 신호는 기록된 계량기 조작 이벤트의 수를 평가할 수 있다. 이 신호 카테고리에서 "오프 계량기 이벤트와 결합된 오작동과 결합된 조작"은 조작 이벤트, 오작동 이벤트 및 오프 이벤트를 포함하는 결합된 계량기 이벤트를 갖는 계량기를 식별할 수 있다.
또 다른 예시적인 신호 카테고리는 월간 간격으로 데이터를 보고하는 계량기와 관련된 신호를 포함하는 "월간 계량기" 신호 카테고리이다. 이러한 신호는 월간 보고 계량기에 대한 통찰력을 제공할 수 있으며, 또는 보다 일반적으로 이용가능성이 낮은 데이터로 패턴을 예측할 수 있다. 이 신호 카테고리에서 "최대 월간 소비 저하" 신호는 최대 전월 대비 소비 저하를 기록할 수 있다. 이 카테고리에서 "전년 대비 변동(월별, 계절별)" 신호는 계절적이 아닌 계량기에 대해 전년 대비 월간 최대 소비 차이를 계산할 수 있다. "비활성 계량기에서의 (월간) 소비" 신호는 계량기 계약이 종료되었으며 계약 종료일 후에 0이 아닌 (월간) 소비가 기록되었음을 나타낼 수 있다.
추가적인 예시적인 신호 카테고리는, 정전, 중단을 추적할 수 있고, 계량기가 조작되었는지 또는 계량기가 정전을 나타내었는지 여부에 대한 더 많은 통찰을 제공하기 위해 소비 프로파일과 관련될 수 있는 신호를 포함하는 "정전"신호 카테고리이다. 이 카테고리에서 "회선 정전 이벤트(Line Outage Event)" 신호는 회선 정전 이벤트가 계량기에서 기록되었는지 여부를 식별할 수 있다. 이 카테고리에서 "소비 저하와 상관된 정전" 신호는 정전 데이터를 추적하고, 소비 프로파일의 감소와 상관된 정전이 있을 때 플래그를 설정할 수 있다. 이 카테고리에서 "부분적인 회선 정전 이벤트" 신호는 부분적인 회선 정전 이벤트가 검출되었는지 여부를 추적할 수 있다.
추가적인 예시적인 신호 카테고리는 "도난 계량기" 신호 카테고리이다. 이 카테고리에서 "정전과 도난된 계량기인가" 신호는 계량기가 도난되었는지 여부와 잠시 동안 정전이 일어났는지 여부와 관련된다. 이 카테고리에서 "도난 계량기 거리" 신호는 계량기가 예상된 설치 위치로부터 300 피트를 초과하여 떨어져 있는지 여부와 관련이 있다.
추가적인 예시적인 신호 카테고리는 전기(예를 들어, 태양 전기)를 생산하는 순-계량 고객(net-metering customer)을 추적할 수 있고 생산 데이터가 변칙적이라는 것을 검출할 수 있는 신호를 포함 "비정상적인 생산" 신호 카테고리이다. 이 카테고리에서 "어두운 후(After Dark) 전기 생산" 신호는 어두운 시간 동안의 생산(역 소비)이 검출되는지 여부를 식별할 수 있다. 이 카테고리에서 "어두운 후 전기 생산" 신호는 어두운 시간 동안 전기가 생산되고 있음을 나타낼 수 있다.
추가적인 예시적인 신호 카테고리는 고객이 도난 사실을 알게 되었는지 또는 자신의 계좌에서 미납 이력 등을 가지고 있는지에 관한 통찰력을 도출하기 위해 작업 지시(work order)를 추적하는 신호를 포함하는 "작업 지시" 신호 카테고리이다. "작업 지시" 카테고리에서 신호는 소비 패턴 및 절도 모드와의 상관 관계로 통찰력을 작성할 때 강력할 수 있다. 이 카테고리에서 "작업 지시 취소" 신호는 지불을 놓친 고객에 대한 서비스 취소를 식별할 수 있다. 이 카테고리에서 "계약 변경" 신호는 계약의 서비스 변경이 등록되었는지 여부를 식별할 수 있다. 이 카테고리에서 "계량기 변경" 신호는 계량기 변경에 대응하는 각 작업 지시에 대한 결과를 생성할 수 있다.
추가적인 예시적인 신호 카테고리는 가장 가까운 이웃(neighbor)들 또는 피어 계정(peer account)들의 클러스터와 일치하지 않는 0의 소비 패턴들을 검출하기 위해 계량기에서 0의 판독을 추적하는 신호를 포함하는 "제로 판독" 신호 카테고리이다. 이 카테고리에서 "간헐적인 제로 판독" 신호는 지정된 횟수의순차적인 계량기 판독 동안 (예를 들어, 지정된 시간 기간 동안) 지속되는 계량기의 제로 판독을 식별할 수 있다. 이 카테고리에서 "정전(비-계절적) 신호와 상관된 지속된 제로 판독" 신호는 정전(비-계절적) 계량기와 상관 관계가 있는 (예를 들어, 7 일을 넘어) 지속된 제로 판독을 추적할 수 있다. 이 카테고리에서 "간헐적인 제로" 신호는 지정된 시간 기간(예를 들어, 적어도 6 시간) 동안 지속되는 0 판독 기간을 나타낼 수 있다.
다시, 본 명세서에 설명된 신호 및 신호 카테고리는 예시적인 것이고 예시적인 위한 목적으로 제시된 것이다. 다른 적절한 신호들 및 신호 카테고리들이 추가적으로 또는 대안적으로 사용될 수 있다. 다양한 변형이 가능하다는 것이 또한 고려된다. 일부 경우에 본 명세서에 설명된 것보다 더 많은 (또는 더 적은) 수의 신호가 있을 수 있다. 일부 실시 예에서, 신호 세트 내의 제1 신호는 신호 세트 내의 제2 신호에 대한 수정에 기초하여 생성될 수 있다. 일 예시에서, 제1 신호는 제2 신호의 순열(permutation)에 기초하여 생성될 수 있다. 다른 예에서, 제1 신호는 제2 신호와 제3 신호의 조합에 기초하여 생성될 수 있다.
일부 경우에, 본 명세서에 설명된 것보다 더 많은 (또는 더 적은) 수의 신호 카테고리가 있을 수 있다. 예를 들어, 일부 실시 예들에서, 신호 세트 내의 하나 이상의 신호는 계좌 속성 신호 카테고리, 변칙 부하 신호 카테고리, 계산된 상태 신호 카테고리, 비활성 상태에서의 소비 카테고리, 전류 분석 신호 카테고리, 누락 데이터 신호 카테고리, 단절된 신호 카테고리, 계량기 이벤트 신호 카테고리, 월간 계량기 변칙 부하 신호 카테고리, 비활성 상태에서의 월간 계량기 소비 카테고리, 정전 신호 카테고리, 도난 계량기 신호 카테고리, 비정상적인 생산 신호 카테고리, 작업 지시 신호 카테고리 또는 제로 판독 신호 카테고리 중 적어도 하나와 관련될 수 있다.
선택된 신호 카테고리들로부터 선택된 신호들의 세트를 결정한 후, 신호들에 대한 신호 값들이 데이터 소스로부터 수신된 데이터에 기초하여 결정될 수 있다. 일부 구현 예에서, 신호 값을 결정하는 단계는 신호 세트에 대한 수식 세트를 결정하는 단계를 포함할 수 있다. 수식 세트 내 각 수식은 신호 세트 내 각 신호에 대응할 수 있다. 이후 신호 세트에 대한 신호 값이 수식 세트에 기초하여 계산될 수 있다. 예시로서, "소비 저하" 신호에 대한 신호 값은 계량기의 평균 소비와 비교하여 계량기의 수치적 소비 저하량에 대응할 수 있다. 다양한 다른 신호에 대해 다수의 다른 수식이 획득되거나 발생될 수 있는 것으로 이해된다. 나아가, 일부 구현 예에서, 신호 값은 신호 세트에 걸쳐 정규화될 수 있다.
비-기술적인 손실 식별 모듈(330)은, 신호 세트에 대한 신호 값을 결정한 후, 이 신호 값에 기초하여, 복수의 에너지 사용 상태에 대한 복수의 N-차원 표현(예를 들어, N-차원 공간에서의 포인트)을 생성할 수 있고, 여기서, N은 비-기술적인 손실의 존재를 나타내는 신호 세트의 신호 수(즉, 신호량)를 나타낸다. 예를 들어, 150개의 신호가 있는 경우, N-차원 표현은 150개의 차원을 가질 수 있다. 각 차원은 각 신호에 대응할 수 있다. 복수의 에너지 사용 상태에서 특정 에너지 사용 상태는 신호 값에 기초한 좌표를 갖는 N-차원 공간 내의 포인트로 표현될 수 있다.
비-기술적인 손실 식별 모듈(330)은 나아가 적어도 하나의 머신 러닝 알고리즘을 복수의 N-차원 표현에 더 적용하여 비-기술적인 손실을 식별하기 위한 분류기 모델을 생성할 수 있다. 분류기 모델은 절도 또는 오작동 형태와 같은 비-기술적인 손실을 수반할 가능성이 있는 에너지 사용 상태를 식별하는 데 사용될 수 있다.
도 4는 본 발명의 일 실시 예에 따라 머신 러닝을 이용하여 비-기술적인 손실을 식별하도록 구성된 예시적인 비-기술적인 손실(NTL) 식별 모듈(400)을 도시한다. 예시적인 비-기술적인 손실 식별 모듈(400)은 도 3의 비-기술적인 손실 식별 모듈(330)로 구현될 수 있다. 전술된 바와 같이, 일부 실시 예들에서, 비-기술적인 손실 식별 모듈(400)의 다양한 부분들은 도 2의 에너지 관리 플랫폼(202)의 하나 이상의 구성 요소로 구현될 수 있다. 예를 들어, 일부 실시 예에서, 비-기술적인 손실 식별 모듈(400)의 적어도 일부 부분은 도 3의 애플리케이션 서버(300)의 하나 이상의 구성 요소로 구현될 수 있다.
도 4에 도시된 바와 같이, 비-기술적인 손실 식별 모듈(400)은 신호 데이터 획득 모듈(402), N-차원 표현 모듈(404), 머신 러닝 모듈(406) 및 결과 처리 모듈(408)을 포함할 수 있다. 신호 데이터 획득 모듈(402)은 신호 세트 및 신호 세트에 대한 관련 신호 값을 결정하도록 구성될 수 있다. 신호 값은 복수의 에너지 사용 상태와 관련될 수 있다. 일부 실시 예들에서, 신호 데이터 획득 모듈(402)은 도 3의 데이터 통합기 모듈(302)로 구현되거나, 그 내에 존재하거나, 및/또는 이 데이터 통합기 모듈과 함께 동작할 수 있다. 외부 데이터 소스(1041-n)로부터 데이터가 수신될 수 있고, 신호 세트는 이러한 수신된 데이터에 기초하여 생성될 수 있다. 신호 데이터 획득 모듈(402)은 신호 세트에 대한 수식 세트를 적용하는 것에 의해 신호 세트에 대한 신호 값을 결정할 수 있다. 수식 세트 내 각 수식은 신호 세트 내 각 신호에 대응할 수 있다. 일부 경우에, 수식 세트는 연구, 분석, 관찰, 실험 등으로부터 유도되거나 발생될 수 있다. 신호 데이터 획득 모듈(402)은 수식 세트에 기초하여 신호 세트에 대한 신호 값을 계산하도록 구성될 수 있다. 일부 경우에, 에너지 사용의 각 상태는 하나 이상의 각 신호 값으로 표현될 수 있다. 예를 들어 특정 신호 값 세트는 특정 위치 및 장소에서 특정 고객에 대한 특정 유틸리티 계량기의 현재 상태와 연관시킬 수 있다.
N-차원 표현 모듈(404)은 복수의 에너지 사용 상태에 대한 복수의 N-차원 표현을 생성하도록 구성될 수 있다. 복수의 N-차원 표현은 신호 값에 기초하여 생성될 수 있다. 각각의 N-차원 표현은 에너지 사용의 각 상태와 관련된 신호 값에 기초하여 생성될 수 있다. 각각의 N-차원 표현은 신호 세트의 신호 량에 대응하는 N-차원을 가질 수 있다. 일 예에서, 각 에너지 사용 상태는 N-차원 공간의 한 점으로 표현될 수 있고, 각 신호 값에 대응하는 좌표를 가질 수 있다. 다른 예에서, 각 에너지 사용 상태는 각 신호 값에 대응하는 벡터 값을 갖는 N-차원 벡터로 표현될 수 있다. 다른 N-차원 표현도 사용될 수 있다.
머신 러닝 모듈(406)은 적어도 하나의 머신 러닝 알고리즘을 복수의 N-차원 표현에 적용하도록 구성될 수 있다. 비-기술적인 손실을 식별하기 위한 분류기 모델은 적어도 하나의 머신 러닝 알고리즘을 복수의 N-차원 표현에 적용한 것에 기초하여 생산, 발생 또는 생성될 수 있다.
일부 실시 예에서, 적어도 하나의 머신 러닝 알고리즘은 감독된 프로세스와 연관될 수 있다. 일 실시 예에서, 복수의 N-차원 표현 중 적어도 제1 부분은 비-기술적인 손실에 대응하는 것으로 이전에 인식되었거나 검증되었을 수 있다. 복수의 N-차원 표현 중 적어도 제2 부분은 정상적인 에너지 사용에 대응하는 것으로 이전에 인식되었거나 검증되었을 수 있다. 머신 러닝 모듈(406)은 정상적인 것으로 또는 NTL과 관련된 것으로 검증된 N-차원 표현에 대한 근접도에 기초하여 새로운 에너지 사용 상태와 관련된 새로운 신호 값을 정상적인 것으로 또는 NTL과 관련된 것으로 분류할 수 있다. 머신 러닝 모듈(406)은 제1 부분 부근에 있거나 또는 이 제1 부분과 클러스터링된 하나 이상의 N-차원 표현을 결정하도록 구성될 수 있다. 머신 러닝 모듈(406)은 제1 부분 부근에 있거나 또는 이 제1 부분과 클러스터링된 하나 이상의 N-차원 표현이 제1 부분의 특성들과 유사한 특성(예를 들어, 신호 값)을 갖기 때문에 제1 부분 부근에 있거나 또는 이 제1 부분과 클러스터링된 하나 이상의 N-차원 표현을 비-기술적인 손실에 대응하는 것으로 분류할 수 있다. 일부 경우에는, 제1 표현과 제2 표현은 서로 허용가능한 (또는 임계) N-차원 근접도 내에 있을 때 제1 표현은 제2 표현 부근에 있다(또는 이와 클러스터링된다, 이에 가까이 있다 등). 예를 들어, 머신 러닝 모듈(406)은 제1 부분으로부터 허용가능한 N-차원 근접도 내에 있는 복수의 N-차원 표현 중 적어도 제3 부분을 비-기술적인 손실에 대응하는 것으로 분류할 수 있다.
유사하게, 머신 러닝 모듈(406)은 제2 부분 부근에 있거나 이 제2 부분과 클러스터링된 하나 이상의 N-차원 표현이 이 제2 부분의 특성과 유사한 특성(예를 들어, 신호 값)을 가지기 때문에 이 제2 부분에 부근에 있거나 이 제2 부분과 클러스터링된 하나 이상의 N-차원 표현을 정상적인 에너지 사용에 대응하는 것으로 분류할 수 있다. 예를 들어, 머신 러닝 모듈(406)은, 제2 부분으로부터의 허용가능한 N-차원 근접도 내에 있는 복수의 N-차원 표현 중 적어도 제4 부분을 정상적인 에너지 사용에 대응하는 것으로 분류할 수 있다.
나아가, 머신 러닝 모듈(406)은 신호 세트에 대한 새로운 신호 값을 수신하거나 또는 획득하도록 구성될 수 있다. 새로운 신호 값은 새로운 에너지 사용 상태에 관한 변화된 상황과 연관될 수 있다. 예를 들어, 새로운 데이터는 특정 유틸리티 계량기로부터 수신될 수 있으며 새로운 신호 값은 수신된 새로운 데이터에 기초하여 계산될 수 있다. 머신 러닝 모듈(406)은 새로운 신호 값에 기초하여 새로운 에너지 사용 상태에 대한 새로운 N-차원 표현을 생성할 수 있다. 예를 들어, 새로운 신호 값을 사용하여 N-차원 공간에서 새로운 점을 생성할 수 있다. 신호 값과 N-차원 표현은 새로운 것이므로 이들은 아직 분류되지 않았다. 머신 러닝 모듈(406)은 분류기 모델에 기초하여 새로운 N-차원 표현을 분류할 수 있다. 예를 들어, 분류기 모델이 새로운 N-차원 표현이 비-기술적인 손실에 대응하는 것으로 이미 분류된 다른 표현과 유사하거나 (또는 이 다른 표현과 N-차원 근접도 내에 있거나, 이 다른 표현 부근에 있거나, 이 다른 표현과 클러스터링되거나 등으로 충분히 가까이 있는) 것을 나타내는 경우, 새로운 N-차원 표현은 비-기술적인 손실에 대응하는 것으로 또한 분류될 수 있다. 따라서, 적어도 하나의 머신 러닝 알고리즘은 신호 값에 기초하여 적어도 일부 N-차원 표현을 비-기술적인 손실로 매핑하는 것을 제공할 수 있다. 한편, 분류기 모델이 새로운 표현이 정상적인 에너지 사용으로 분류된 다른 표현과 유사하다고 결정하면, 이 새로운 표현은 정상적인 에너지 사용으로 분류될 수 있다.
일부 예에서, 적어도 하나의 머신 러닝 알고리즘은 감독되지 않은 프로세스를 포함한다. 그리하여, 비-분류된 데이터(예를 들어, 새로운 신호 값)는 비-기술적인 손실을 식별하는데 유용한 새로운 패턴, 경향, 특성 및/또는 특성을 검출하는데 이용될 수 있다. 예를 들어, 고밀도 클러스터링된 N-차원 표현은 정상적인 사용에 대응한다고 가정할 수 있다. 감독되지 않은 프로세스는 고밀도 클러스터의 외부에 있거나 또는 이 고밀도 클러스터로부터 실질적으로 분리된 N-차원 표현의 작은 클러스터를 분류하려고 시도할 수 있다. 소규모 클러스터의 한 표현이 비-기술적인 손실에 해당하는 것으로 확인되면, 전체 소규모 클러스터가 비-기술적인 손실에 대응하는 것으로 분류될 수 있다. 일부 경우에 수작업 검토 또는 확인을 통해 감독되지 않은 프로세스를 제공할 수 있다.
일부 경우에, 새로운 에너지 사용 상태와 관련된 하나 이상의 새로운 신호 값을 획득하고 분석하여 분류기 모델을 연속적으로 또는 주기적으로 트레이닝할 수 있다. 감독 프로세스 또는 감독되지 않은 프로세스를 통해 새로운 신호 값을 분석하여 비-기술적인 손실과 관련이 있을 가능성이 있는 에너지 사용 상태 대 정상적인 가능성이 있는 에너지 사용 상태를 보다 정확하게 식별할 수 있는 향상된 이해를 제공할 수 있다. 비-기술적인 손실을 나타내는 새로운 신호 값 및 정상적인 에너지 사용을 나타내는 새로운 신호 값이 머신 러닝 모듈(406)에 의해 수신될 때, 적어도 하나의 머신 러닝 알고리즘은 새로운 신호 값을 고려하여 분류기 모델을 수정할 수 있다. 따라서, 분류기 모델은 시간에 따라 학습, 변화 및 개선될 수 있다. 일부 실시 예에서, 분류기 모델은, 그 신호 값에 기초하여, 에너지 사용 상태를 분류하기 위한 일부 신호가 비-기술적인 손실을 결정하는 데에 특히 관련이 없거나 중요하지 않을 수 있다고 결정할 수 있다. 따라서, 에너지 사용 식별 모듈(400)은 비-기술적인 손실을 식별할 때 일부 신호를 고려하는 것을 선택적으로 제거할 수 있다.
일부 실시 예에서, 신호는 수율을 최대화하기 위해 선택될 수 있다. 이러한 맥락에서, 수율은 비-기술적인 손실의 잠재적 경우와 관련한 총 리드(lead)에 대한 올바르게 식별된 리드의 수를 나타낼 수 있다. 거짓 양성을 최소화하도록 신호를 선택할 수도 있다. 거짓 양성은 잘못 식별된 비-기술적인 손실의 경우를 말할 수 있으며 이로 인해 관련 비용과 지연이 초래될 수 있다.
일부 실시 예에서, 적어도 하나의 머신 러닝 알고리즘은 지원 벡터 머신, 부스팅된 결정 트리, 분류 트리, 회귀 트리, 백 트리, 랜덤 포레스트, 신경 네트워크 또는 순환 포레스트 중 적어도 하나와 관련될 수 있다. 많은 다른 변형, 접근법, 기술 및/또는 프로세스가 사용될 수 있는 것으로 이해된다.
결과 처리 모듈(408)은 복수의 N-차원 표현에 적어도 하나의 머신 러닝 알고리즘을 적용한 것으로부터 초래되는 데이터와 같은 데이터를 처리하도록 구성될 수 있다. 일부 실시 예에서, 결과 처리 모듈(408)은 비-기술적인 손실과 관련될 가능성을 갖는 가스 계량기, 전력 계량기 및 수도 계량기와 같은 복수의 유틸리티 계량기를 식별하도록 구성될 수 있다. 예를 들어, 식별된 계량기는 비-기술적인 손실에 대응하는 것으로 분류된 특정 N-차원 표현으로 표현되는 에너지 사용 상태와 연관될 수 있다.
나아가, 결과 처리 모듈(408)은 비-기술적인 손실과 관련될 가능성에 기초하여 식별된 복수의 유틸리티 계량기를 랭킹 매길 수 있다. 예를 들어, 결과 처리 모듈(408)은 비-기술적인 손실과 관련된 각 가능성에 기초하여 식별된 계량기에 대한 랭킹 또는 스코어를 생성할 수 있다. 일부 구현 예에서, 특정 에너지 사용 상태와 관련된 식별된 계량기에 대한 가능성은 하나의 에너지 사용 상태와 관련된 표현과 비-기술적인 손실에 대응하는 것으로 확인된 다른 표현 사이의 N-차원 근접도에 의존할 수 있다. N-차원 근접도가 낮을수록 더 높은 가능성을 나타낼 수 있다.
결과 처리 모듈(408)은 또한 복수의 계량기 중 적어도 일부 계량기가 특정 랭킹 임계 기준을 만족시키고 잠재적인 비-기술적인 손실에 대한 조사를 위한 후보로서 복수의 유틸리티 계량기 중 적어도 일부를 제공할 수 있다고 결정할 수 있다. 하나의 예에서, 랭킹 임계 기준은 최소 가능성 퍼센트 양을 지정할 수 있다. 다른 예에서, 랭킹 임계 기준은 최고 가능성을 갖는 양을 지정할 수 있다. 랭킹 임계 기준을 만족하는 랭킹이 매겨진 계량기는 절도 또는 오작동과 같은 비-기술적인 손실이 일어날 가능성이 큰 계량기일 수 있다.
또한, 전술된 바와 같이, 새로운 N-차원 표현은 비-기술적인 손실에 대응하는 것으로 식별될 수 있다. 결과 처리 모듈(408)은 비-기술적인 손실을 특정 에너지 사용 상태와 관련된 하나 이상의 개체에 보고할 수 있다. 예를 들어, 비-기술적인 손실이 일어날 가능성이 큰 것으로 결정된 계량기는 하나 이상의 에너지 제공자 또는 공급자(예를 들어, 유틸리티 회사)에 제시될 수 있다. 에너지 제공자 또는 공급자는 이에 따라 임의의 문제를 조사하고 해결할 수 있다.
일부 경우에, 결과 처리 모듈(408)은 에너지 제공자와 같은 하나 이상의 개체로부터, 특정 에너지 사용 상태가 비-기술적인 손실과 관련되어 있는지의 확인 또는 비-확인 중 적어도 하나를 획득할 수 있다. 예를 들어, 하나 이상의 개체는 비-기술적인 손실 또는 비-기술적인 손실이 없음을 확인하기 위해 현장 조사 또는 기타 프로세스를 수행할 수 있다. 개체는 그 결과를 비-기술적인 손실 식별 모듈(400)에 다시 보고할 수 있다. 추가적으로, 일부 경우에, 분류기 모델은 확인 또는 비-확인 중 적어도 하나에 기초하여 수정, 개선 또는 정제될 수 있다.
도 5는 본 발명의 일 실시 예에 따라 예시적인 신호 세트에 대한 예시적인 신호 값들을 포함하는 예시적인 테이블(500)을 도시한다. 도 5에 도시된 바와 같이, 예시적인 표(500)는 신호(A), 신호(B), 및 신호(N)의 예시적인 3개 신호의 세트를 나타낼 수 있다. 그리하여, 이 예시적인 신호 세트에 대한 신호 량은 3이다. 다수의 변형이 가능한 것으로 고려된다.
도 5의 예에서, 신호(A)는 "소비 저하" 신호이다. 신호(A)에 대한 신호 값은 예를 들어 0.82로 계산된다. 신호(B)는 "회선 정전 이벤트" 신호에 대응할 수 있으며 이 예에서 0.74의 신호 값을 가질 수 있다. 신호(N)는 예를 들어 신호 값이 0.91인 "작업 지시 취소" 신호일 수 있다. 이러한 신호 값은 특정 에너지 사용 상태와 관련될 수 있다. 예를 들어, 이러한 신호 값은 특정 시간에 특정 유틸리티 계량기와 연관될 수 있다. 이러한 신호 값에 기초하여, N-차원 표현이 생성될 수 있으며, 이는 도 6을 참조하여 보다 상세히 논의될 것이다.
도 6은 본 발명의 실시 예에 따라 예시적인 신호 값에 기초하여 생성된 예시적인 N-차원 표현을 포함하는 예시적인 그래프(600)를 도시한다. 예시적인 그래프(600)는 도 5의 예시적인 표(500)에 도시된 신호 세트에 대한 신호 값에 기초하여 생성된 N-차원 표현(예를 들어, 포인트)(610)을 나타낼 수 있다.
도 5에서 신호 세트에 대한 신호 량은 3이기 때문에, 예시적인 그래프(600)에서 차원의 수는 3이다(예를 들어, N = 3). 도 6의 N-차원 공간에서 각 차원은 축과 관련되고 도 5의 각 신호에 대응할 수 있다. 차원(A)(602)은 도 5의 신호(A)에 대응할 수 있고, 차원(B)(604)은 신호(B)에 대응할 수 있고 차원(N)(606)은 신호(N)에 대응할 수 있는 것으로 나타난다. 그리하여 N-차원 표현(610)은 좌표(A = 0.82, B = 0.74, N = 0.91)를 가지고, 그에 따라 예시적인 그래프(600)에 제시된다.
도 6의 예에 도시된 바와 같이, 표현(61O)은 예를 들어 다른 계량기를 수반하는 다른 에너지 사용 상태를 나타낼 수 있는 다른 N-차원 표현을 포함하는 클러스터(612) 내에 있다. 일 예에서, 표현(610)이 클러스터(612)로부터 허용 가능한 거리 내에 있으면, 이 표현은 클러스터(612)에 따라 분류될 수 있다. 예를 들어, 클러스터(612)가 NTL(또는, 대안적으로, 정상적인 에너지 사용)과 관련된 것으로 확인되었다면, 표현(610)은 클러스터(612)로부터 허용가능한 거리 내에 위치될 때 또한 NTL(또는, 대안적으로, 정상적인 에너지 사용)과 관련된 것으로 분류될 것이다.
또 다른 예에서, 표현(610)이 비-기술적인 손실에 대응하는 것으로 확인되면, 표현(610)이 속하는 전체 클러스터(612)는 비-기술적인 손실에 대응하는 것으로 분류될 수 있다(그리고 정상적인 에너지 사용에 대해서는 그 역으로 분류될 수 있다). 클러스터(612) 내의 다른 표현이 비-기술적인 손실에 대응하는 것으로 확인된 경우 그리고 표현(610)이 아직 분류되지 않은 경우, 표현(610)(및 전체 클러스터(612))은 비-기술적인 손실에 대응하는 것으로 분류될 수 있다(정상적인 에너지 사용의 경우에는 그 역으로 분류될 수 있다). 예시적인 그래프(600)에서 다른 클러스터들은 유사한 방식으로 분류될 수 있다.
나아가, 도 6의 예시적인 그래프(600)는 설명을 위한 목적으로 제공된 것임을 이해해야 한다. 일부 구현 예에서, N-차원 표현은 그래픽 또는 시각적 형태로 표현될 필요는 없다.
도 7은 본 발명의 일 실시 예에 따라 머신 러닝을 이용하여 비-기술적인 손실을 식별하는 예시적인 방법(700)을 도시한다. 달리 언급되지 않는 한, 다양한 실시 예의 범위 내에서 유사하거나 대안적인 순서로 또는 병렬로 수행되는 추가적인, 더 적은 수의 또는 대안적인 단계들이 있을 수 있음을 이해해야 한다.
블록(702)에서, 예시적인 방법(700)은 복수의 에너지 사용 상태에 관한 신호 세트를 선택할 수 있다. 일부 경우에, 신호 세트는 복수의 에너지 사용 상태와 연관될 수 있다. 일부 구현 예에서, 신호 세트는 에너지 관리 플랫폼(102)의 운영자에 의해 전체적으로 또는 부분적으로 결정될 수 있다. 신호 세트는 에너지 관리 플랫폼(102) 내부 또는 외부의 라이브러리에 저장될 수 있다. 일부 경우에, 신호 세트는 시간에 따라 증가, 축소 및/또는 변경될 수 있다. 예를 들어, 신호 세트의 신호 량은 에너지 사용 상태를 분류하기 위한 머신 러닝 알고리즘에 기초하여 변경될 수 있다. 일부 실시 예에서, 유틸리티 회사와 같은 에너지 제공자는 자체 신호를 생성하고 이들 신호를 에너지 관리 플랫폼(102)에 제공하여 에너지 관리 플랫폼(102)의 운영자에 의해 결정된 신호 세트에 추가적으로 또는 대안적으로 사용되도록 할 수 있다.
블록(704)에서, 예시적인 방법(700)은 신호 세트에 대한 신호 값을 결정할 수 있다. 일부 예에서, 복수의 에너지 사용 상태에 대한 복수의 N-차원 표현이 신호 값에 기초하여 생성될 수 있다. 또한, 각각의 N-차원 표현은 신호 세트의 신호 량에 대응하는 N-차원을 가질 수 있다.
블록(706)에서, 예시적인 방법(700)은 신호 값에 머신 러닝을 적용하여 비-기술적인 손실과 관련된 에너지 사용 상태를 식별할 수 있다. 일부 예에서, 신호 값에 머신 러닝을 적용하는 것은 비-기술적인 손실을 식별하기 위한 분류기 모델을 생성하기 위해 복수의 N-차원 표현에 적어도 하나의 머신 러닝 알고리즘을 적용하는 것을 수반할 수 있다. 일부 실시 예에서, 분류기 모델은 시간에 따라 수정, 정제 및/또는 개선될 수 있다. 예시적인 방법(700)의 추가적인 상세는 상기 논의되고 여기에서 반복되지 않는다.
본 개시의 다양한 실시 예와 관련된 많은 다른 용도, 응용 및/또는 변형이 있을 수 있는 것으로 또한 고려된다.
도 8은 머신으로 하여금 본 명세서에 설명된 실시 예들 중 하나 이상을 수행하게 하는 명령 세트가 본 개시의 실시 예에 따라 실행될 수 있는 예시적인 머신(800)을 도시한다. 이 머신은 다른 머신들에 연결될 수 있다(예를 들어, 네트워크로 연결될 수 있다). 네트워크 연결된 전개에서, 머신은 클라이언트-서버 네트워크 환경에서 서버 또는 클라이언트 머신의 능력으로 작동하거나 또는 피어 투 피어(또는 분산) 네트워크 환경에서 피어 머신으로 작동할 수 있다.
머신(800)은, 버스(808)를 통해 서로 통신하는, 프로세서(802)(예를 들어, 중앙 처리 장치(CPU), 그래픽 처리 장치(GPU) 또는 둘 모두), 주 메모리(804) 및 비 휘발성 메모리(예를 들어, 휘발성 RAM 및 비-휘발성 RAM)를 포함한다. 일부 실시 예에서, 머신(800)은 예를 들어 데스크탑 컴퓨터, 랩탑 컴퓨터, PDA(personal digital assistant) 또는 모바일 폰일 수 있다. 일 실시 예에서, 머신(800)은 또한 비디오 디스플레이(810), 영숫자 입력 장치(812)(예를 들어, 키보드), 커서 제어 장치(814)(예를 들어, 마우스), 드라이브 유닛(816), 신호 생성 장치(818)(예를 들어, 스피커) 및 네트워크 인터페이스 장치(820)를 포함한다.
일 실시 예에서, 비디오 디스플레이(810)는 사용자 입력을 위한 터치 감지 스크린을 포함한다. 일 실시 예에서, 터치 감지 스크린은 키보드 및 마우스 대신에 사용된다. 디스크 드라이브 유닛(816)은 본 명세서에 설명된 방법 또는 기능 중 임의의 하나 이상을 구현하는 하나 이상의 명령 세트(824)(예를 들어, 소프트웨어)가 저장된 머신-판독가능한 매체(822)를 포함한다. 명령(824)은 또한 컴퓨터 시스템(800)에 의해 실행되는 동안 주 메모리(804) 및/또는 프로세서(802) 내에 완전히 또는 적어도 부분적으로 상주할 수 있다. 명령(824)은 나아가 네트워크 인터페이스 장치(820)를 통해 네트워크(840)를 통해 전송되거나 수신될 수 있다. 일부 실시 예에서, 머신-판독가능한 매체(822)는 또한 데이터베이스(825)를 포함한다.
휘발성 RAM은 메모리 내의 데이터를 리프레시하거나 유지하기 위해 지속적으로 전력을 요구하는 동적 RAM(DRAM)으로 구현될 수 있다. 비휘발성 메모리는 일반적으로 자기 하드 드라이브, 자기 광학 드라이브, 광학 드라이브(예를 들어, DVD RAM) 또는 시스템에서 전력이 제거된 후에도 데이터를 유지하는 다른 유형의 메모리 시스템이다. 비-휘발성 메모리는 또한 랜덤 액세스 메모리일 수 있다. 비-휘발성 메모리는 데이터 처리 시스템 내의 나머지 구성 요소에 직접 결합된 로컬 장치일 수 있다. 모뎀 또는 이더넷 인터페이스와 같은 네트워크 인터페이스를 통해 본 명세서에 설명된 컴퓨터 시스템 중 임의의 것에 결합된 네트워크 저장 장치와 같이, 시스템으로부터 멀리 떨어져 있는 비-휘발성 메모리가 또한 사용될 수 있다.
머신 판독 가능한 매체(822)는 예시적인 실시 예에서 단일 매체인 것으로 도시되어 있지만, "머신-판독가능한 매체"라는 용어는 단일 매체 또는 다중 매체(예를 들어, 중앙 집중식 또는 분산형 데이터베이스, 및/또는 관련 캐시 및 서버)를 포함하는 것으로 해석되어야 한다. "머신-판독가능한 매체"라는 용어는, 머신에 의해 실행되고, 머신으로 하여금 본 명세서에 개시된 방법 중 임의의 하나 이상을 수행하게 하는 명령 세트를 저장, 인코딩 또는 운반할 수 있는 임의의 매체를 포함하는 것으로 해석되어야 한다. 따라서 "머신-판독가능한 매체"라는 용어는 솔리드 스테이트 메모리, 광학 매체 및 자기 매체 및 반송파 신호를 포함하지만 이에 국한되지는 않는 것으로 해석되어야 한다. 본 명세서에서 사용되는 "저장 모듈"이라는 용어는 머신-판독가능한 매체를 사용하여 구현될 수 있다.
일반적으로, 본 개시의 실시 예를 구현하기 위해 실행되는 루틴은 "프로그램" 또는 "애플리케이션"으로 지칭되는 운영 체제 또는 특정 애플리케이션, 컴포넌트, 프로그램, 객체, 모듈 또는 명령 시퀀스의 일부로 구현될 수 있다. 예를 들어, 본 명세서에 설명된 특정 프로세스를 실행하기 위해 하나 이상의 프로그램 또는 애플리케이션이 사용될 수 있다. 프로그램 또는 애플리케이션은, 일반적으로 머신 내 다양한 메모리 및 저장 장치에 다양한 시간에 설정되고, 하나 이상의 프로세서에 의해 판독되고 실행될 때, 머신으로 하여금 본 명세서에 설명된 실시예의 여러 측면을 수반하는 요소를 실행하게 하는 하나 이상의 명령을 포함한다.
실행 가능한 루틴 및 데이터는 예를 들어 ROM, 휘발성 RAM, 비-휘발성 메모리 및/또는 캐시를 포함하는 다양한 장소에 저장될 수 있다. 이러한 루틴 및/또는 데이터의 일부는 이들 저장 장치 중 어느 하나에 저장될 수 있다. 또한, 루틴 및 데이터는 중앙 집중식 서버 또는 피어-투-피어 네트워크에서 획득될 수 있다. 루틴 및 데이터의 상이한 부분은 상이한 시간 및 상이한 통신 세션 또는 동일한 통신 세션에서 상이한 중앙 집중화된 서버 및/또는 피어-투-피어 네트워크로부터 획득될 수 있다. 루틴 및 데이터는 애플리케이션을 실행하기 전에 전체적으로 획득될 수 있다. 대안적으로, 루틴과 데이터의 일부는, 실행에 필요할 때, 동적으로 제 시간에 획득될 수 있다. 따라서 루틴 및 데이터가 특정 시간에 시스템 전체에서 머신-판독가능한 매체에 있어야 할 필요는 없다.
실시 예가 머신의 맥락에서 완전히 설명되었지만, 이 기술 분야에 통상의 지식을 가진 자라면, 다양한 실시 예가 다양한 형태로 프로그램 제품으로 배포될 수 있고, 본 명세서에 설명된 실시 예는 실제로 배포를 수행하는데 사용되는 특정 유형의 머신- 또는 컴퓨터-판독가능한 매체에 상관없이 동일하게 적용될 수 있는 것을 이해할 수 있을 것이다. 머신-판독가능한 매체의 예로는 휘발성 및 비-휘발성 메모리 장치, 플로피 및 기타 이동식 디스크, 하드 디스크 드라이브, 광 디스크(예를 들어, CD ROMS(Compact Disk Read-Only Memory), DVD(Digital Versatile Disk, 등)와 같은 기록가능한 유형의 매체 등과 디지털 및 아날로그 통신 링크와 같은 전송 유형 매체를 포함하지만 이에 국한되지는 않는다.
대안적으로 또는 조합하여, 본 명세서에 설명된 실시 예는 ASIC(Application-Specific Integrated Circuit) 또는 FPGA(Field-Programmable Gate Array)를 사용하는 것과 같은 소프트웨어 명령을 포함하거나 포함하지 않는 특수 목적 회로를 사용하여 구현될 수 있다. 실시 예는 소프트웨어 명령이 없는 하드 와이어드 회로를 사용하여 또는 소프트웨어 명령과 조합하여 구현될 수 있다. 따라서, 이 기술은 하드웨어 회로 및 소프트웨어의 임의의 특정 조합으로 제한되지 않을 뿐만아니라 데이터 처리 시스템에 의해 실행되는 명령의 특정 소스로 제한되지 않는다.
설명의 목적 상, 본 상세한 설명의 완전한 이해를 제공하기 위해 다수의 특정 상세들이 제시되었다. 그러나, 본 개시의 실시 예는 이러한 특정 상세 없이 실시될 수 있음은 이 기술 분야에 통상의 지식을 가진 자에게 명백할 것이다. 일부 경우에는 모듈, 구조, 프로세스, 특징 및 장치가 본 설명을 모호하게 하지 않기 위하여 블록도 형태로 도시된다. 다른 예로, 기능 블록도 및 흐름도는 데이터 및 논리 흐름을 나타내기 위해 도시된다. 블록도 및 흐름도(예를 들어, 모듈, 엔진, 블록, 구조, 장치, 특징 등)의 구성 요소는 본 명세서에 명시적으로 설명되고 도시된 것과 다른 방식으로 다양하게 결합, 분리, 제거, 재정렬 및 교체될 수 있다.
본 명세서에서 "일 실시 예", "실시 예", "다른 실시 예", "또 다른 실시 예" 등의 언급은 이 실시 예와 관련하여 설명된 특정 특징, 디자인, 구조 또는 특성이 본 개시의 적어도 하나의 실시 예에 포함되는 것을 의미한다. 예를 들어 명세서의 다양한 곳에서 "실시 예에 따른", "일 실시 예에서", "실시 예에서" 또는 "다른 실시 예에서" 라는 어구의 표현은 반드시 동일한 실시 예를 모두 지칭하는 것은 아니며, 또한 다른 실시 예와 상호 배타적인 별개의 또는 대안적인 실시 예라는 것도 아니다. 또한, "실시 예" 등에 대한 명시적인 언급이 있든 없든, 여러 특징들이 설명되어 있으나 이들 특징은 일부 실시 예에서는 다양하게 조합되거나 포함될 수 있고 다른 실시 예에서는 다양하게 생략될 수 있다. 유사하게, 여러 특징들이 설명되어 있으나 이들 특징은 일부 실시 예에서는 선호 사항이거나 또는 요구 사항일 수 있지만 다른 실시 예에서는 아닐 수 있다.
실시 예들이 특정 예시적인 실시 예를 참조하여 설명되었지만, 다양한 수정 및 변경이 이들 실시 예에 대해 행해질 수 있음이 명백할 것이다. 따라서, 본 명세서 및 도면은 제한적인 의미가 아니라 예시적인 의미로 간주되어야한다. 전술한 명세서는 특정 예시적인 실시 예에 관한 설명을 제공한다. 다음의 청구 범위에 제시된 더 넓은 사상 및 범위를 벗어나지 않으면서 다양한 변형이 이루어질 수 있다는 것이 명백할 것이다. 따라서, 본 명세서 및 도면은 발명을 제한하는 의미라기보다는 발명을 예시하는 의미로 간주되어야 한다.
일부 도면은 특정 순서로 다수의 동작 또는 방법 단계를 도시하지만, 순서에 의존하지 않은 단계는 재배열될 수 있고 다른 단계는 결합되거나 생략될 수 있다. 일부 재정렬 또는 다른 그룹화가 구체적으로 언급되었지만, 다른 것들은 이 기술 분야에 통상의 지식을 가진 자에게 명백할 것이고 대안적인 리스트들이 모두 제공된 것은 아니다. 또한, 단계들은 하드웨어, 펌웨어, 소프트웨어 또는 이들의 임의의 조합으로 구현될 수 있음을 인식해야 한다.
또한 본 발명의 요지를 벗어나지 않고 다양한 변화가 이루어질 수 있음을 이해해야 한다. 이러한 변경 사항은 또한 본 설명에 암시적으로 포함된다. 이들은 여전히 본 개시의 범위 내에 있다. 본 개시는, 독립적으로 그리고 전체 시스템으로, 그리고 방법 및 장치 모드에서, 개시된 기술의 다수의 측면을 포함하는 특허를 형성하기 위한 것으로 이해되어야 한다.
또한, 본 개시 및 청구 범위의 다양한 요소들 각각은 다양한 방식으로 달성될 수 있다. 이 개시는 임의의 장치 실시 예의 일 실시 예, 방법 또는 공정 실시 예, 또는 심지어 이들 중 임의의 요소의 단지 변형일 수도 있는 각 변형을 포함하는 것으로 이해되어야 한다.
Claims (20)
- 컴퓨터로 구현되는 방법으로서,
컴퓨팅 시스템에 의해, 복수의 에너지 사용 상태들에 관한 신호 세트를 선택하는 단계;
상기 컴퓨팅 시스템에 의해, 상기 신호 세트에 대한 신호 값들을 결정하는 단계; 및
상기 컴퓨팅 시스템에 의해, 비-기술적인 손실과 관련된 에너지 사용 상태를 식별하기 위해 상기 신호 값에 머신 러닝을 적용하는 단계를 포함하는 것을 특징으로 하는 컴퓨터로 구현되는 방법. - 제1항에 있어서,
상기 복수의 에너지 사용 상태에 대한 복수의 N-차원 표현을 생성하는 단계를 더 포함하고, 상기 복수의 N-차원 표현은 상기 신호 값에 기초하여 생성되고;
상기 머신 러닝을 적용하는 단계는 비-기술적인 손실을 식별하기 위한 분류기 모델을 생성하기 위해 상기 복수의 N-차원 표현에 적어도 하나의 머신 러닝 알고리즘을 적용하는 단계를 포함하는 것을 특징으로 하는 컴퓨터로 구현되는 방법. - 제2항에 있어서, 상기 복수의 N-차원 표현 중 적어도 제1 부분은 비-기술적인 손실에 대응하는 것으로 이전에 인식되었고, 상기 복수의 N-차원 표현 중 적어도 제2 부분은 정상적인 에너지 사용에 대응하는 것으로 이전에 인식된 것을 특징으로 하는 컴퓨터로 구현되는 방법.
- 제3항에 있어서, 상기 적어도 하나의 머신 러닝 알고리즘은, 상기 제1 부분으로부터 허용가능한 N-차원 근접도 내에 있는 상기 복수의 N-차원 표현 중 적어도 제3부분을 비-기술적인 손실에 대응하는 것으로 분류하고, 상기 제2 부분으로부터 허용가능한 N-차원 근접도 내에 있는 상기 복수의 N-차원 표현 중 적어도 제 4 부분을 정상적인 에너지 사용에 대응하는 것으로 분류하는 감독된 프로세스(supervised process)를 포함하는 것을 특징으로 하는 컴퓨터로 구현되는 방법.
- 제2항에 있어서,
상기 신호 세트에 대한 새로운 신호 값들을 수신하는 단계로서, 상기 새로운 신호 값들은 특정 에너지 사용 상태와 관련된, 상기 수신하는 단계;
상기 새로운 신호 값에 기초하여 상기 특정 에너지 사용 상태에 대한 새로운 N-차원 표현을 생성하는 단계; 및
상기 분류기 모델에 기초하여 상기 새로운 N-차원 표현을 분류하는 단계를 더 포함하는 것을 특징으로 하는 컴퓨터로 구현되는 방법. - 제5항에 있어서,
상기 적어도 하나의 머신 러닝 알고리즘을 상기 새로운 N-차원 표현에 적용하여 상기 분류기 모델을 수정하는 단계를 더 포함하는 것을 특징으로 하는 컴퓨터로 구현되는 방법. - 제6항에 있어서,
상기 새로운 N-차원 표현을 비-기술적인 손실에 대응하는 것으로 식별하는 단계;
상기 비-기술적인 손실을 상기 특정 에너지 사용 상태와 관련된 에너지 제공자에게 보고하는 단계를 더 포함하는 것을 특징으로 하는 컴퓨터로 구현되는 방법. - 제7항에 있어서,
상기 특정 에너지 사용 상태가 상기 비-기술적인 손실과 관련되어 있다는 확인 또는 비-확인 중 적어도 하나를 상기 에너지 제공자로부터 취득하는 단계를 더 포함하는 것을 특징으로 하는 컴퓨터로 구현되는 방법. - 제8항에 있어서,
상기 확인 또는 상기 비-확인 중 적어도 하나에 기초하여 상기 분류기 모델을 수정하는 단계를 더 포함하는 것을 특징으로 하는 컴퓨터로 구현되는 방법. - 제2항에 있어서, 상기 적어도 하나의 머신 러닝 알고리즘은 지원 벡터 머신, 부스팅된 결정 트리, 분류 트리, 회귀 트리, 백 트리(bagging tree), 랜덤 포레스트, 신경 네트워크 또는 순환 포레스트 중 적어도 하나와 연관된 것을 특징으로 하는 컴퓨터로 구현되는 방법.
- 제2항에 있어서,
상기 비-기술적인 손실과 관련될 가능성이 있는 복수의 계량기를 식별하는 단계; 및
상기 비-기술 손실과 관련된 가능성에 기초하여 상기 복수의 계량기를 랭킹 매기는 단계를 더 포함하는 것을 특징으로 하는 컴퓨터로 구현되는 방법. - 제11항에 있어서,
상기 복수의 계량기 중 적어도 일부가 지정된 랭킹 임계 기준을 만족시키는 것으로 결정하는 단계; 및
상기 복수의 유틸리티 계량기 중 상기 적어도 일부를 조사용 후보로 식별하는 단계를 더 포함하는 것을 특징으로 하는 컴퓨터로 구현되는 방법. - 제2항에 있어서, 상기 신호 세트 내의 하나 이상의 신호는 계좌 속성 신호 카테고리, 변칙 부하 신호 카테고리, 계산 상태 신호 카테고리, 전류 분석 신호 카테고리, 누락 데이터 신호 카테고리, 단절된 신호 카테고리, 계량기 이벤트 신호 카테고리, 월간 계량기 변칙 부하 신호 카테고리, 비활성 상태에서의 월간 계량기 소비량 신호 카테고리, 정전 신호 카테고리, 도난 계량기 신호 카테고리, 비정상적인 생산 신호 카테고리, 작업 지시 신호 카테고리 또는 제로 판독 신호 카테고리 중 적어도 하나와 관련된 것을 특징으로 하는 컴퓨터로 구현되는 방법.
- 제2항에 있어서,
상기 신호 세트에 대한 수식 세트를 획득하는 단계로서, 상기 수식 세트 내 각 수식은 상기 신호 세트 내 각 신호에 대응하는, 상기 획득하는 단계; 및
상기 수식 세트에 기초하여 상기 신호 세트에 대한 신호 값을 계산하는 단계를 더 포함하는 것을 특징으로 하는 컴퓨터로 구현되는 방법. - 제2항에 있어서, 적어도 일부 신호 값은 상기 복수의 에너지 사용 상태와 관련된 복수의 계량기로부터 획득된 데이터로부터 도출되는 것을 특징으로 하는 컴퓨터로 구현되는 방법.
- 제2항에 있어서, 상기 신호 세트 내 제1 신호는 상기 신호 세트 내 제2 신호에 대한 수정에 기초하여 생성되는 것을 특징으로 하는 컴퓨터로 구현되는 방법.
- 제1항에 있어서, 비-기술적인 손실을 식별하기 위해 에너지 사용 상태와 관련하여 상기 신호 세트에 포함되지 않는 적어도 하나의 신호를 에너지 제공자로부터 수신하는 단계를 더 포함하는 것을 특징으로 하는 컴퓨터로 구현되는 방법.
- 제2항에 있어서, 상기 적어도 하나의 머신 러닝 알고리즘은 감독되지 않는 프로세스(unsupervised process)를 포함하고, 상기 감독되지 않은 프로세스는 분류되지 않은 데이터를 사용하여 비-기술적인 손실을 식별하는 것을 특징으로 하는 컴퓨터로 구현되는 방법.
- 시스템으로서,
적어도 하나의 프로세서; 및
명령을 저장하는 메모리를 포함하고, 상기 명령은, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 시스템으로 하여금,
복수의 에너지 사용 상태에 관한 신호 세트를 선택하는 동작;
상기 신호 세트에 대한 신호 값들을 결정하는 동작; 및
상기 신호 값에 머신 러닝을 적용하여 비-기술적인 손실과 관련된 에너지 사용 상태를 식별하는 동작을 수행하게 하는 것을 특징으로 하는 시스템. - 명령을 포함하는 비-일시적인 컴퓨터 판독 가능한 저장 매체로서,
상기 명령은, 컴퓨팅 시스템의 적어도 하나의 프로세서에 의해 실행될 때, 상기 컴퓨팅 시스템으로 하여금,
복수의 에너지 사용 상태에 관한 신호 세트를 선택하는 동작;
상기 신호 세트에 대한 신호 값들을 결정하는 동작; 및
상기 신호 값에 머신 러닝을 적용하여 비-기술적인 손실과 관련된 에너지 사용 상태를 식별하는 동작을 수행하게 하는 것을 특징으로 하는 비-일시적인 컴퓨터 판독가능한 저장 매체.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US14/495,848 US10296843B2 (en) | 2014-09-24 | 2014-09-24 | Systems and methods for utilizing machine learning to identify non-technical loss |
| US14/495,848 | 2014-09-24 | ||
| PCT/US2015/052048 WO2016049369A1 (en) | 2014-09-24 | 2015-09-24 | Utilizing machine learning to identify non-technical loss |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20170060031A true KR20170060031A (ko) | 2017-05-31 |
Family
ID=55582024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020177008973A KR20170060031A (ko) | 2014-09-24 | 2015-09-24 | 머신 러닝을 이용한 비-기술적인 손실의 식별 |
Country Status (9)
| Country | Link |
|---|---|
| US (4) | US10296843B2 (ko) |
| EP (1) | EP3198529A4 (ko) |
| JP (1) | JP6734265B2 (ko) |
| KR (1) | KR20170060031A (ko) |
| CN (2) | CN113918139A (ko) |
| AU (1) | AU2015320559A1 (ko) |
| CA (1) | CA2962226A1 (ko) |
| MX (1) | MX2017003142A (ko) |
| WO (1) | WO2016049369A1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102126577B1 (ko) * | 2019-10-29 | 2020-06-25 | (주)대은 | 다채널 모듈센서를 이용한 태양광발전 모니터링 시스템 |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10296843B2 (en) | 2014-09-24 | 2019-05-21 | C3 Iot, Inc. | Systems and methods for utilizing machine learning to identify non-technical loss |
| US10592564B2 (en) * | 2016-01-22 | 2020-03-17 | Aerinet Solutions, L.L.C. | Real-time outage analytics and reliability benchmarking system |
| US20170301044A1 (en) * | 2016-04-15 | 2017-10-19 | Oracle International Corporation | Systems and methods for managing outages in utility systems |
| CA2936212A1 (fr) | 2016-07-14 | 2018-01-14 | Hydro-Quebec | Detection de non-conformites electriques par observation d'ecarts a une modelisation de reseau |
| US10212024B2 (en) * | 2017-06-02 | 2019-02-19 | Sas Institute Inc. | Techniques for multi-stage analysis of measurement data with event stream processing |
| US11067618B2 (en) * | 2017-07-20 | 2021-07-20 | The Southern Company | Systems and methods of diagnosing root causes of anomalous AMI information |
| WO2019075434A1 (en) | 2017-10-13 | 2019-04-18 | Honeywell International, Inc. | DEVICE, SYSTEM AND METHOD FOR MONITORING UTILITY NETWORK |
| US10969413B2 (en) | 2017-10-13 | 2021-04-06 | Honeywell International Inc. | Energy theft detection device |
| EP3518152A1 (en) * | 2018-01-29 | 2019-07-31 | Panasonic Intellectual Property Corporation of America | Information processing method and information processing system |
| US11062036B2 (en) * | 2018-05-11 | 2021-07-13 | Paypal, Inc. | System and method for generating privacy data containment and reporting |
| US11562315B2 (en) | 2018-08-31 | 2023-01-24 | Accenture Global Solutions Limited | Detecting an issue related to a report |
| US10713143B1 (en) * | 2019-06-24 | 2020-07-14 | Accenture Global Solutions Limited | Calibratable log projection and error remediation system |
| US11294929B1 (en) | 2021-06-09 | 2022-04-05 | Aeec | Smart water data analytics |
Family Cites Families (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8271807B2 (en) * | 2008-04-21 | 2012-09-18 | Adaptive Computing Enterprises, Inc. | System and method for managing energy consumption in a compute environment |
| US8156055B2 (en) | 2009-05-04 | 2012-04-10 | ThinkEco, Inc. | System and method for utility usage, monitoring and management |
| US8924033B2 (en) * | 2010-05-12 | 2014-12-30 | Alstom Grid Inc. | Generalized grid security framework |
| FR2968145B1 (fr) * | 2010-11-25 | 2012-11-23 | Schneider Electric Ind Sas | Procede et dispositif de determination de la structure d'un reseau de distribution d'electricite |
| US9013283B1 (en) * | 2010-12-10 | 2015-04-21 | Tackaberry Electronics, LLC | Smart electrical outlet, and smart grid electrical management system |
| US9200591B2 (en) * | 2011-07-06 | 2015-12-01 | Honeywell International Inc. | Automatic identification of operating parameters for power plants |
| US9207735B2 (en) * | 2011-08-02 | 2015-12-08 | Gram Power, Inc. | Power management device and system |
| US20130124436A1 (en) | 2011-11-15 | 2013-05-16 | Fujitsu Limited | Profiling Energy Consumption |
| CN102866321B (zh) * | 2012-08-13 | 2014-10-22 | 广东电网公司电力科学研究院 | 一种自适应的防窃漏电诊断方法 |
| US8768795B2 (en) * | 2012-09-12 | 2014-07-01 | General Electric Company | Methods and systems for estimating recoverable utility revenue |
| US20150196002A1 (en) * | 2014-01-12 | 2015-07-16 | Kevin Friesth | Automated hybrid aquaponics and bioreactor system including product processing and storage facilities with integrated robotics, control system, and renewable energy system cross-reference to related applications |
| WO2014080515A1 (ja) * | 2012-11-26 | 2014-05-30 | 三菱電機株式会社 | データ分析装置及びプログラム |
| US9945889B2 (en) | 2013-02-19 | 2018-04-17 | Mitsubishi Electric Research Laboratories, Inc. | Method for detecting power theft in a power distribution system |
| US9098553B2 (en) | 2013-03-15 | 2015-08-04 | Gridglo Llc | System and method for remote activity detection |
| US9595006B2 (en) * | 2013-06-04 | 2017-03-14 | International Business Machines Corporation | Detecting electricity theft via meter tampering using statistical methods |
| WO2015021322A2 (en) * | 2013-08-09 | 2015-02-12 | Utilidata, Inc. | Systems and methods for estimating conservation allocation with partial ami |
| US9092741B1 (en) * | 2014-04-21 | 2015-07-28 | Amber Flux Private Limited | Cognitive platform and method for energy management for enterprises |
| CN103942453A (zh) * | 2014-05-07 | 2014-07-23 | 华北电力大学 | 一种针对非技术性损失的智能用电异常检测方法 |
| US10296843B2 (en) | 2014-09-24 | 2019-05-21 | C3 Iot, Inc. | Systems and methods for utilizing machine learning to identify non-technical loss |
| US10379146B2 (en) * | 2015-09-23 | 2019-08-13 | International Business Machines Corporation | Detecting non-technical losses in electrical networks based on multi-layered statistical techniques from smart meter data |
| CN111366889B (zh) * | 2020-04-29 | 2022-01-25 | 云南电网有限责任公司电力科学研究院 | 一种智能电表异常用电检测方法 |
-
2014
- 2014-09-24 US US14/495,848 patent/US10296843B2/en active Active
-
2015
- 2015-09-24 CA CA2962226A patent/CA2962226A1/en active Pending
- 2015-09-24 EP EP15843835.8A patent/EP3198529A4/en active Pending
- 2015-09-24 JP JP2017516510A patent/JP6734265B2/ja active Active
- 2015-09-24 MX MX2017003142A patent/MX2017003142A/es unknown
- 2015-09-24 CN CN202110829239.XA patent/CN113918139A/zh active Pending
- 2015-09-24 CN CN201580050923.0A patent/CN106716454B/zh active Active
- 2015-09-24 WO PCT/US2015/052048 patent/WO2016049369A1/en active Application Filing
- 2015-09-24 AU AU2015320559A patent/AU2015320559A1/en not_active Abandoned
- 2015-09-24 KR KR1020177008973A patent/KR20170060031A/ko unknown
-
2019
- 2019-04-05 US US16/376,976 patent/US11449315B2/en active Active
-
2022
- 2022-08-01 US US17/816,520 patent/US11886843B2/en active Active
-
2023
- 2023-10-23 US US18/491,875 patent/US20240045659A1/en active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102126577B1 (ko) * | 2019-10-29 | 2020-06-25 | (주)대은 | 다채널 모듈센서를 이용한 태양광발전 모니터링 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| CA2962226A1 (en) | 2016-03-31 |
| WO2016049369A1 (en) | 2016-03-31 |
| AU2015320559A1 (en) | 2017-03-23 |
| EP3198529A1 (en) | 2017-08-02 |
| US11886843B2 (en) | 2024-01-30 |
| US20240045659A1 (en) | 2024-02-08 |
| CN113918139A (zh) | 2022-01-11 |
| US11449315B2 (en) | 2022-09-20 |
| MX2017003142A (es) | 2017-09-12 |
| CN106716454B (zh) | 2021-08-17 |
| US20230027296A1 (en) | 2023-01-26 |
| JP6734265B2 (ja) | 2020-08-05 |
| US20190340535A1 (en) | 2019-11-07 |
| CN106716454A (zh) | 2017-05-24 |
| EP3198529A4 (en) | 2018-05-02 |
| US10296843B2 (en) | 2019-05-21 |
| US20180107941A1 (en) | 2018-04-19 |
| JP2017536604A (ja) | 2017-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11886843B2 (en) | Systems and methods for utilizing machine learning to identify non-technical loss | |
| US20220283208A1 (en) | Systems and methods for processing different data types | |
| Zidi et al. | Theft detection dataset for benchmarking and machine learning based classification in a smart grid environment | |
| US9595006B2 (en) | Detecting electricity theft via meter tampering using statistical methods | |
| US11403164B2 (en) | Method and device for determining a performance indicator value for predicting anomalies in a computing infrastructure from values of performance indicators | |
| US20200067789A1 (en) | Systems and methods for distributed systemic anticipatory industrial asset intelligence | |
| US9652723B2 (en) | Electrical transformer failure prediction | |
| US11307916B2 (en) | Method and device for determining an estimated time before a technical incident in a computing infrastructure from values of performance indicators | |
| US9269062B2 (en) | Methods for optimizing energy consumption and devices thereof | |
| US11675643B2 (en) | Method and device for determining a technical incident risk value in a computing infrastructure from performance indicator values | |
| Lai et al. | Application of big data in smart grid | |
| Mohamed et al. | A review on big data management and decision-making in smart grid | |
| Zafar et al. | Step towards secure and reliable smart grids in Industry 5.0: A federated learning assisted hybrid deep learning model for electricity theft detection using smart meters | |
| El Mokhtari et al. | Development of a cognitive digital twin for building management and operations | |
| Tang et al. | [Retracted] Time Series Anomaly Detection Model Based on Multi‐Features | |
| Chircu et al. | Visualization and machine learning for data center management | |
| Zayas et al. | Getting ready for data analytics of electric power distribution systems | |
| Siebel et al. | WITHDRAWN APPLICATION AS PER THE LATEST USPTO WITHDRAWN LIST | |
| Alloghani | Anomaly Detection of Energy Consumption in Cloud Computing and Buildings Using Artificial Intelligence as a Tool of Sustainability: A Systematic Review of Current Trends, Applications, and Challenges | |
| Maitra | A Data Mining-Based Dynamical Anomaly Detection Method for Integrating with an Advance Metering System | |
| Gupta et al. | A Review of Big Data role in Smart Grid | |
| Luciano | A Data Warehouse for Energy Management |