KR20170125878A - 어플라이언스 사용을 모니터링하는 방법 및 시스템 - Google Patents

Abstract

빌딩 내의 환경 관리 시스템을 동작시키는 방법이 제공되며, 상기 방법은 2개 이상의 유틸리티들을 모니터링하고 2개 이상의 유틸리티들 각각에 관련된 하나 이상의 특성들을 측정하여 이를 나타내는 출력 신호를 제공함으로써 빌딩 내에서의 어플라이언스 사용을 모니터링하는 단계; 사전에 정의된 시간 간격들에서 상기 출력 신호들 각각의 상태 변화를 모니터링하는 단계; 각각의 유틸리티로부터의 출력 신호들로부터의 데이터를 조합하여 하나 이상의 어플라이언스 사용 패턴들을 식별하는 단계; 상기 식별된 어플라이언스 사용 패턴을 빌딩의 개별 거주자들에 연관된 어플라이언스 사용의 저장된 패턴들과 비교하여 미래의 어플라이언스 사용의 예상 패턴을 식별하는 단계; 및 상기 환경 관리 시스템을 동작시켜 미래 어플라이언스 사용의 식별 및 예상된 패턴에 따라 빌딩 내의 환경을 통제하는 단계를 포함한다.

Description

어플라이언스 사용을 모니터링하는 방법 및 시스템

본 발명은 빌딩 내에서의 어플라이언스 사용을 모니터링하는 방법 및 시스템에 관한 것이다.

주거지에는 개인 조명기구들에서부터 TV들을 포함하여, 보일러들 및 회전식 건조기들과 같은 주요 에너지 유저들에 이르기까지 기기 또는 어플라이언스가 많이 존재한다. 앞으로, 이러한 기기들 중 일부는 스마트한 것일 수 있고, 그럼으로써 상기 일부 기기들은 조명을 턴-온 및 턴-오프 하여 강도를 막는다거나, 전력이 저렴해질 때 건조 스케줄을 잡는 등등과 같은 통제의 가능성을 포함하여, 상기 일부 기기들의 존재를 알려주고 상기 일부 기기들의 상태가 판독되어질 수 있게 한다. 일부 기기들은(스마트 TV들 및 난방 시스템들과 같이) 이러한 기능을 이미 갖추고 있지만, 대부분의 기기들은 그러하지 못하다. 주거지에서 주거 패턴들, 어플라이언스 사용 및 유틸리티 소비를 이해하는데에는 현재 감당할 수 없는 수준의 계측이 필요하다. 센서들이 결국 조명을 포함해 모든 기기들에 내장될 수 있지만 주거지 내 환경에서 이러한 수준의 내장 센서들을 발견하는 데 보통 걸리는 시간적 척도는 15년을 상당히 초과할 가능성이 있다. 빌딩 환경 관리는 에너지 효율, 비용 예산 및 유저 통제 및 경험 개선 측면 모두에서 향후 유틸리티 공급 및 사용에 있어서의 핵심 요소이다.

빌딩 내에서의 어플라이언스의 존재 및 사용은 상기 어플라이언스들의 유틸리티 사용 특징들로부터 추론으로 인식될 수 있다. 이에 대한 원리들은 미국 특허 제4,858,141호에 개시되어 있으며, 예를 들면「"Is Disaggregation The Holy Grail Of Energy Efficiency? The Case Of Electricity”, K. Carrie Armel, Abhay Gupta, Gireesh Shrimali and Adrian Albert, Energy Policy, 2013, vol. 52, issue C, pp 213-234」에 개시된 바와 같이 NIALM(Non-Intrusive Appliance Load Measurement)의 실무자 커뮤니티 내에 포함되어 있다. 이러한 기술의 개념들은 얼마 동안 인식되어 왔지만 다양한 요소들을 효과적으로 실용적인 해결수법에 통합하지 못함으로써 실제로는 그의 적용이 제한되었다. 미국 특허 제4,858,141호 및 다른 후속 공보들에서, 데이터는 전력 사용량 측정치들로부터 수집된다. 전기 이외의 유틸리티들로부터의 데이터를 사용하고 추가 요인들/데이터를 고려하여 여러 소스에 의해서 다루어졌으며 그들 중 일부는 US 4,858,141에서 다루어졌다. 그러나 선행기술은 이러한 개념들이 개별적으로 그리고 효과적인 조합으로 어떻게 구현되어야 하는지, 또는 그들이 어떻게 효과적인 전체 '빌딩 환경 관리 시스템(Building Environment Management System; BEMS)의 일부를 형성해야 하는지를 교시하고 있지 않다.

그러므로 본 발명은 위의 내용을 염두에 두고 설계되었다.

어플라이언스 사용을 모니터링하는 것은 빌딩 환경 관리 시스템(Building Environment Management System; BEMS)을 효과적으로 운영하는데 가장 중요하다. 이는 에너지 사용에 관한 데이터를 제공할 뿐만 아니라 더 중요한 점으로는 BEMS가 주거 패턴들에 부합하도록 빌딩 환경을 보다 잘 관리할 수 있게 하는 거주자들에 의한 빌딩의 사용 및 활동 패턴들에 대한 정보를 제공한다. 이는 주거지 환경 관리 시스템(Home Environment Management System; HEMS)의 경우에 대해 더 적용된다. 사람들은 다른 어떤 빌딩에서보다 주거지에서 더 많은 시간을 보내고, 주거지에서 가장 폭넓은 활동 패턴들을 보여주며, 그리고 자신들의 주거지 내 환경에 대한 통제를 가장 많이 기대한다. 자체적으로 어플라이언스의 모니터링을 구현하면 유틸리티 사용 패턴에 대한 정보가 제공된다. 이를 HEMS에 통합하면 주거 패턴들에 대한 정보가 예를 들면 난방 시스템을 스케줄링하는데 사용될 수 있다. 또한, HEMS는 어플라이언스 사용 모듈에 추가 정보를 제공할 수 있는데, 예를 들어 거실의 온도 상승은 작동중인 가스히터에 맞춰 제공된다. 선행기술은 이러한 기능의 구현에 대해 어떠한 일관된 방식으로 논의하거나 교시하고 있지 않다.

간결함을 위해, 본원 명세서는 HEMS만을 언급하려는 경향이 있다. 여기서 유념할 점은 본 발명이 단지 HEMS가 아닌 모든 BEMS에도 적용될 수 있다는 점이다.

본 발명의 제1 실시 형태에 의하면, 청구항 제1항에서 정의된 바와 같은 빌딩 내의 환경 관리 시스템을 동작시키는 방법이 정의된다. 상기 방법은 2개 이상의 유틸리티들을 모니터링하고 2개 이상의 유틸리티들 각각에 관련된 하나 이상의 특성들을 측정하여 이를 나타내는 출력 신호를 제공함으로써 어플라이언스 사용을 모니터링하는 단계; 사전에 정의된 시간 간격들에서 상기 출력 신호들 각각의 상태 변화를 모니터링하는 단계; 각각의 유틸리티로부터의 출력 신호들로부터의 데이터를 조합하여 하나 이상의 어플라이언스 사용 패턴들을 식별하는 단계; 상기 식별된 어플라이언스 사용 패턴들을 빌딩의 개별 거주자들에 연관된 어플라이언스 사용의 저장된 패턴들과 비교하여 미래의 어플라이언스 사용의 예상 패턴을 식별하는 단계; 및 상기 환경 관리 시스템을 동작시켜 미래 어플라이언스 사용의 식별 및 예상된 패턴에 따라 빌딩 내의 환경을 통제하는 단계를 포함한다.

본 발명은 빌딩 내에 어떤 어플라이언스들이 존재하는지에 대한 정보 및 유틸리티들이 이용되고 있는 동안 빌딩 내의 사람 또는 사람들의 활동들에 대한 정보를 추출하기 위해 복합 유틸리티 패턴들이 사용될 수 있게 한다. 바람직하게는, 상기 방법은 어플라이언스 사용 패턴들의 감산, 및 어플라이언스 또는 어플라이언스들의 상태의 식별 또는 인식을 비교적 저렴한 방식으로 가능하게 한다. 이는 빌딩 내로의 진입 시점에서의 유틸리티들에 대한 저렴한 비용의 측정 세트가 이와는 달리 발딩 및 빌딩의 어플라이언스 및 시스템 주위에 센서가 더 많이 분산되어 있는 것을 대체시켜 주거나 향상시켜 주기 때문이다. 이는 또 소비자들의 에너지 사용을 효과적으로 관리할 수 있도록 소비자들에게 도움을 주는데 가치를 소비자들에게 부여한다.

유틸리티들의 모니터링으로부터 얻은 정보를 더 많이 사용하면 빌딩 내의 주거 패턴들에 대해 더 많은 세부사항이 결정될 수 있다(다시 말하면, 조명 스위치 특징만을 식별하면 다른 요인들을 고려하지 않고 조명의 위치가 결정될 수 없는데, 예컨대, 아침 일찍 욕실에서 탭(tap)이 작동되고 있고, 그럼으로써 조명이 욕실에 있을 가능성이 있다). 그러므로 2가지 이상의 유틸리티들(예컨대, 전기 및 물 아마도 가스)을 모니터링하면 어플라이언스 사용의 예상 또는 확률 패턴들을 기반으로 어떤 어플라이언스들이 사용되고 있는지를 결정하는 데 도움이 된다.

어플라이언스 사용 패턴들은 특정 어플라이언스가 하루 중 특정 시간에 사용됨을 인식하는 것을 포함할 수 있다(예컨대, 세탁기는 항상 월요일에 작동되거나 유저는 항상 일을 마치고 주거지에 도착했을 때 주전자를 물을 채워 끓인다).

유틸리티 사용의 단일 인스턴스가(선행기술에서와같이) 해당 어플라이언스를 결정하는 것이 항상 가능하지 않다. 예를 들어 화장실의 물을 내릴 때 그리고 손을 씻을 때 비슷한 양의 물이 사용될 수 있다. 이 경우, 선행기술의 방법들은 이러한 2가지 활동을 구별할 수 없게 된다. 이와는 대조적으로, 본 발명은 어떤 어플라이언스가 사용되고 있는지를 결정하기 위해 탭 밸브 개방 소리와 플러시 밸브 개방 소리를 구별하기 위해 추가 정보(예컨대, 잡음 신호)를 사용할 수 있다.

모터가 모터의 사용에 연관된 위상 각을 갖기 때문에 모터의 작동을 식별하는 것이 가능하다.

식기 세척기에서만 존재하는 건조 사이클(물의 사용이 없는 가열을 포함함)의 존재 및/또는 식기 세척기에서만 존재하는 스핀 사이클(물 사용이 없는 모터를 포함함)의 존재로 인해 세탁기와 구별될 수 있다.

2가지 이상의 유틸리티들은 물과 전기를 포함할 수 있다. 가스는 전기 대신에 또는 전기에 더하여 모니터링될 수 있다. 다른 유틸리티들도 모니터링될 수 있다.

어플라이언스 사용 패턴들을 식별하는 단계는 선험적 확률들을 사용하고, 가장 가능성이 있다고 결정된 어플라이언스 사용의 참조 패턴을 먼저 상기 데이터와 비교하는 단계를 포함할 수 있다. 예를 들면, 펌프가 작동되는 것과 동시에 아침 일찍 물이 흐른다면, 시스템은 거주자가 샤워를 하고 있다는 가설을 세울 수 있다.

빌딩 내의 어플라이언스들은 시스템을 구성할 수 있고 상기 시스템은 유한 상태 기계로 표현될 수 있으며 각각의 출력 신호는 특정 시간에 상기 시스템의 특성 상태를 나타낼 수 있다.

본 발명의 제2 실시 형태에 의하면, 청구항 제4항에서 정의된 바와 같은 빌딩 내의 환경 관리 시스템을 동작시키는 방법이 정의된다. 상기 방법은, 빌딩 내에서의 어플라이언스 사용을 모니터링하는 단계로서, 상기 빌딩 내의 어플라이언스들이 시스템을 구성하고, 상기 시스템은 유한 상태 기계로 표현되는, 단계; 2가지 이상의 유틸리티들을 모니터링하고 상기 유틸리티들 각각에 관련된 하나 이상의 특성들을 측정하여 출력 신호를 제공하는 단계로서, 각각의 출력 신호는 특정 시간에 상기 시스템의 특성의 상태를 나타내는, 단계; 사전에 정의된 시간 간격들에서 상기 출력신호들 각각의 상태 변화를 모니터링하는 단계; 각각의 유틸리티로부터의 출력 신호들로부터의 데이터를 조합하여 하나 이상의 어플라이언스 사용 패턴들을 식별하는 단계; 및 상기 환경 관리 시스템을 동작시켜 상기 식별된 패턴들에 따라 상기 빌딩 내의 환경을 통제하는 단계;를 포함한다.

상기 제1 또는 제2 실시 형태들의 실시 예들에서는, 상기 시스템이 마르코프 체인(Markov chain)으로서 표현될 수 있다.

상기 하나 이상의 특성들의 측정은 사전에 결정된 크기의 측정 빈(measurement bin) 내에 레코드 될 수 있으며, 상기 빈은 사전에 결정된 측정 범위 내에 있다.

상기 방법은 시간 경과에 따른 어플라이언스에 대한 입력 패턴을 기반으로 하여 작업 프로세스를 정의하는 단계를 더 포함할 수 있다.

상기 방법은 하나 이상의 어플라이언스들에 걸쳐 식별 가능한 작업 프로세스 시퀀스들을 기반으로 하여 작업 흐름을 정의하는 단계를 포함할 수 있다.

상기 하나 이상의 어플라이언스 사용 패턴들을 식별하는 단계는 상기 출력 신호들의 프로세싱 및 식별된 작업 프로세스들 및 작업 흐름들의 분석을 기반으로 하여 어플라이언스에 대한 유틸리티 사용 패턴을 결정하는 단계를 포함한다.

상기 방법은 상기 하나 이상의 어플라이언스 사용 패턴들을 하나 이상의 참조 패턴들과 비교하여 상기 출력 신호들에 연관되는 어플라이언스를 식별하는 단계를 포함할 수 있다.

상기 방법은 상기 비교를 기반으로 하여 어플라이언스가 빌딩 내에 존재할 확률을 평가하는 단계를 포함할 수 있다.

상기 방법은 하나 이상의 어플라이언스 사용 패턴들을 하나 이상의 참조 패턴들과 비교하여 상기 빌딩 내의 하나 이상의 어플라이언스들의 존재, 위치 및/또는 사용의 표시를 추론하는 단계를 포함할 수 있다.

선험적 확률들은 작업 흐름들의 빈도 분포들을 포함할 수 있다.

선험적 확률들은 빌딩의 주거 상태에 대한 외인성 요인(exogenous factor)들 및 가설들을 포함할 수 있다.

상기 방법은, 작업 흐름(들), 작업 프로세스(들), 어플라이언스(들) 및/또는 어플라이언스(들)의 구성요소(들)로부터 가설적으로 발생하는 어플라이언스 사용 패턴들에 연관된 선험적 확률들을 과거 어플라이언스 사용에 대한 저장된 데이터를 참조하여 수정하는 단계를 더 포함할 수 있다.

상기 과거 어플라이언스 사용은 하나 이상의 다른 빌딩들 내의 하나 이상의 어플라이언스들에 관련될 수 있고 상기 선험적 확률들은 상기 빌딩과는 다른 한 빌딩의 지리적 거리에 따라 결정될 수 있다.

상기 방법은 하나 이상의 참조 어플라이언스들을 컴퓨터 언어로 표현하고 그럼으로써 상기 어플라이언스 사용 패턴이 상기 어플라이언스 내에서 정의된 구성요소들 상에서 동작하는 정의된 프로세스들로부터 유도되게 하는 단계를 더 포함할 수 있다.

상기 언어를 사용하면 클래스 상속에 의해 어플라이언스들, 프로세스들 및 구성요소들의 특정 인스턴스들이 만들어질 수 있다.

상기 참조 어플라이언스 패턴은 상기 어플라이언스 상에 존재하거나 상기 어플라이언스에 관련되는 전자 서명, 바코드 또는 Q 코드(Qcode)로부터 획득될 수 있다.

확률들은 중앙 데이터 및 유저 입력의 분석의 조합으로부터 도출될 수 있다.

특성들은 흐름 변수들, 잡음 변수들 또는 품질 변수들 중의 하나 이상을 포함할 수 있다.

상기 특성들은 전압, RMS 전압, 발열량, 위상 각, 전력, 실제 전력, 무효 전력 및 컬러 중의 하나 이상을 포함할 수 있다.

본 발명의 제3 실시 형태에 의하면, 빌딩 내의 환경 관리 시스템을 동작시키는 장치가 제공되며, 상기 장치는 빌딩 내에서의 어플라이언스 사용을 모니터링하는 장치로서, 각각의 측정 기기가 2가지 이상의 유틸리티들 중의 특정한 유틸리티에 관련된 하나 이상의 특성들을 측정하고 이를 나타내는 출력 신호를 제공하도록 구성된 복수 개의 측정 기기들을 포함하는, 모니터링 장치; 및 프로세싱 기기;를 포함하며, 상기 프로세싱 기기는, 각각의 유틸리티로부터의 상기 출력 신호들의 조합에 응답하여, 사전에 정의된 시간 간격들에서 상기 출력 신호들 각각의 상태 변화를 모니터링하고 복수 개의 출력 신호들로부터의 정보를 조합하여 하나 이상의 어플라이언스 사용 패턴들을 식별하는 동작; 상기 식별된 어플라이언스 사용 패턴을 빌딩의 개별 거주자들에 연관된 어플라이언스 사용의 저장된 패턴들과 비교하여 미래의 어플라이언스 사용의 예상 패턴을 식별하는 동작; 및 상기 환경 관리 시스템을 동작시켜 미래 어플라이언스 사용의 식별 및 예상된 패턴에 따라 빌딩 내의 환경을 통제하는 동작;을 수행하도록 구성된다.

본 발명의 제4 실시 형태에 의하면, 빌딩 내의 환경 관리 시스템을 동작시키는 장치가 제공되며, 상기 장치는, 빌딩 내에서의 어플라이언스 사용을 모니터링하기 위한 장치로서, 각각의 측정 기기가 2가지 이상의 유틸리티들 중의 특정한 유틸리티에 관련된 하나 이상의 특성들을 측정하고 이를 나타내는 출력 신호를 제공하도록 구성된 복수 개의 측정 기기들을 포함하는, 모니터링 장치; 및 프로세싱 기기;를 포함하며, 상기 프로세싱 기기는, 각각의 유틸리티로부터의 상기 출력 신호들의 조합에 응답하여, 사전에 정의된 시간 간격들에서 상기 출력 신호들 각각의 상태 변화를 모니터링하고 복수 개의 출력 신호들로부터의 정보를 조합하여 하나 이상의 어플라이언스 사용 패턴들을 식별하는 동작으로서, 상기 빌딩 내의 어플라이언스들이 시스템을 구성하고 상기 시스템이 유한 상태 기계로 표현되고 각각의 출력 신호가 특정 시간에 상기 시스템의 특성 상태를 나타내는, 동작; 및 상기 환경 관리 시스템을 작동시켜 상기 식별된 패턴들에 따라 빌딩 내의 환경을 통제하는 동작;을 수행하도록 구성된다.

유리한 점으로는, 본 발명의 실시 형태들이 서로 다른 유틸리티들에 관련된 다수의 신호, 보다 상세하게는 서로 다른 유틸리티들의 서로 다른 구성요소들 또는 특성들에 관련된 다수의 신호의 조합을 기반으로 하여 빌딩 내에서의 어플라이언스 존재/사용의 추론을 가능하게 한다.

이상적으로는, 어플라이언스들의 구성요소들이 유틸리티 사용 특징들의 확률 분포가 충분히 커지고 HEMS에 의한 모호성 제거의 기회를 최대화하기에 충분히 잘 분산되도록 제조된다. 상기 분산이 제조자에 의해 알려지고 공급된다면 이는 구성요소 매개변수 값들이 측정되고 그 범위와 함께 공급되는 경우에, 또는 상기 범위만이 상기 구성요소에 공급되는 경우에 어플라이언스들을 식별하기 위한 모호성 제거 프로세스에 대한 입력으로서 HEMS에 의해 사용될 수 있다. 더욱이, 어플라이언스들은 작업 프로세스들의 매개변수(예를 들면, 세탁 사이클 스텝의 정확한 기간)가 위와 비슷한 방식으로 명확성을 높이기에 충분하도록 구별되는 구성요소들을 사용하여 이상적으로 조립된다.

사실상, 본 발명의 실시 형태들은 일정한 시점에서 전체 시스템의 상태를 평가하고 어떤 일이 일어나고 있는지를 결정하려고 하는 HEMS에 관한 것이다. 여기에는 사용중인 구성요소들, 사용중인 어플라이언스들, 사용중인 작업 프로세스 및 작동중인 작업 흐름들을 결정하는 것이 포함될 수 있다. 다시 말해, 상기 시스템은 유틸리티 데이터를 사용하여 어느 시점에서든 빌딩에서 수행중인 활동의 실시간 픽처를 정확하게 작성하고 이를 사용하여 가능한 에너지 사용량을 공급될 수 있도록 작업 흐름을 예측할 수 있다. 이는 개별 어플라이언스들을 식별하기 위해 단일 유틸리티 측정으로부터의 양호한 스텝 변경들에 의존하는 선행기술과는 정반대이다.

또한, HEMS는 미확인된 구성요소들, 어플라이언스들, 작업 프로세스들 또는 작업 흐름들에 대한 유틸리티 사용 특징들을 고려하고 이들이 무엇인지에 대한 가설을 세우기 위해 과거의 검토(또는 교정 프로세스)를 수행할 수 있다. 상기 과거의 검토는 정기적인 간격으로 실행되거나 새 구성요소, 어플라이언스, 작업 프로세스 또는 작업 흐름이 발생할 때마다 실행되도록 프로그램될 수 있다. 상기 과거의 검토는 다른 HEMS, 특히 해당 빌딩과 지리적으로 가까운 빌딩들로부터의 다른 HEMS로부터의 데이터와 데이터를 비교할 수 있다.

지금부터 본 발명의 실시 예들이 단지 예로써 첨부도면의 도면들을 참조하여 설명될 것이다.

도 1은 HEMS와 함께 사용되는 어플라이언스 인식 유닛의 개략도이다.
도 2는 유틸리티 측정의 개략도이다.
도 3은 유틸리티 신호 채널의 유한 상태 분석의 개략도이다.
도 4는 HEMS에서 어플라이언스 인식 유닛과 다른 모듈들 간의 통신의 개략도이다.
도 5는 어플라이언스 동작의 계층 구조의 개요를 보여주는 도면이다.
도 6은 일반 식기 세척기의 작업 프로세스 및 구성요소들 보여주는 도면이다.
도 7a는 월별 침실 조명의 일일 동작을 그래픽 방식으로 보여주는 도면이다.
도 7b는 월별 보안 조명의 일일 동작을 그래픽 방식으로 보여주는 도면이다.
도 8a는 실내 온도에 의한 냉동고의 일일 동작을 그래픽 방식으로 보여주는도면이다.
도 8b는 냉동고의 3가지의 서로 다른 동작 모드들을 보여준다.
도 9a는 HEMS에서 공지된 어플라이언스 사용 신호들의 감산을 보여주는 흐름도이다.
도 9b는 측정된 전기 신호들로부터 공지된 어플라이언스 사용 신호들의 감산을 보여주는 도면이다.
도 10은 인식할 수 없는 작업 프로세스의 모호성 제거를 보여주는 흐름도이다
도 11은 본 발명의 한 실시 예에 따른 HEMS에 대한 시스템 콘텍스트를 보여주는 도면이다.
도 12a는 본 발명의 한 실시 예에 따른 HEMS에 대한 물리 계층 시스템을 보여주는 도면이다.
도 12b는 본 발명의 한 실시 예에 따른 HEMS에 대한 기능 계층 시스템을 보여주는 도면이다.
도 13은 본 발명의 한 실시 예에 따른 주요한 모호성 제거의 예를 보여주는 도면이다.

따라서, 본 발명의 실시 형태들 및 실시 예들은 건물 내의 어플라이언스 사용 패턴의 인식을 제공한다. 이는 전기, 가스 및 물 사용에 관련된 것들과 같은 유틸리티 신호들을, 다른 어떤 관련 있는 에너지 관련 흐름, 및 아마도(예를 들면, 스마트 기기들 및 난방/보안 시스템들의 일부인 것들과 같은) 다른 센서들로부터의 정보와 함께 조합함으로써 획득될 수 있다. 각각의 어플라이언스 또는 기기의 유틸리티 사용 패턴은(a) 신호들의 1차적인 프로세싱(예컨대, 기기들의 구성요소들의 조합의 신호 출력의 전형적인 고주파 잡음 및 형상),(b) 작업 프로세스(시간경과에 따른 기기에 대한 입력들의 패턴, 예를 들면 식기 세척기의 세척 및 건조 사이클) 및(c) 작업 흐름(세탁기에서 의류를 세탁하고 텀블 건조하거나 조명을 턴온한 다음에 TV, 그리고 나서 전기 샤워기를 턴온하는 것을 조합하여 사람이 기기들을 사용하는 것)에 의해 인식될 수 있다. 본 발명의 실시 형태들 및 실시 예들은 진행중인 인스턴스들에 관련된 통계적 가설을 제공하기 위해 많은 반복 샘플에 대한 가설 테스트를 받는 에너지 사용 패턴들의 모호성 제거(즉, 명확성)를 이용한다.

HEMS의 시스템 아키텍처는 당해 기술 분야에 공지되어 있으므로 상세하게 설명되지는 않는다. 높은 수준에서 이는(a)(센서들 및 이펙터(effector)들을 포함하는) 특정 빌딩에 있는 하드웨어 상에서 실행되는 프로세스들,(b) 인터넷 접속,(c)(모바일폰 또는 태블릿과 같은) 개인용 기기상에서 실행되는 애플리케이션,(d) 공유 중앙 서버(예를 들면, 클라우드)에서의 추가 데이터 및 프로세싱 기능 및(e) 임의의 인터넷 접속 기기상에서 사용하기 위한 웹 기반 클라이언트의 적합한 ㅈ조합으로서 설명될 수 있다.

HEMS는 통합 시스템의 일부로 예측된다. 비록 원칙적으로는 독립실행형 시스템으로서의 역할을 하는 컷-다운 버전을 구현하는 것이 가능하겠지만 이는 전체 개념의 모든 가치를 제공할 수 없고 로컬 HEMS 하드웨어는 훨씬 더 강력해야(그리고 값 비싸야) 한다.

한 특정 실시 예에서, 클라우드 서비스는 특정 HEMS 서비스 제공자에 의해 제공되는 사설 서비스일 것이다. 이를 제공하기 위한 IT 하드웨어 및 시스템 아키텍처의 설계는 시스템 설계 최적화 문제이다. 선택된 아키텍처는 다양한 이유로 제공자마다 다를 수 있으며 IT가 계속 개발됨에 따라 지배적인 설계가 확실히 시간에 따라 변하게 된다. 이러한 세부사항 중 어느 것도 본 발명에 중요하지 않지만, 최적화로 필요한 서비스들을 효과적으로 그리고 수용 가능한 비용으로 전달하는 경우는 예외로 한다.

그러므로 모든 서비스가(백업 기능을 지니는) 개념상 또는 가상 중앙 서버에서 제공되는 추상적 개념이 고려된다. 시스템 복원력, 용량 최적화, 확장성 등등은 아키텍처의 세부사항에서 다루어질 것이다.

이러한 중앙 서버는 HEMS 서비스 제공자에 의해 운영되거나 통제되며 또한,(고객에게 청구하기 위한) 결제 시스템들, 기상 데이터 및 예보들, 에너지 시장 운영 등등과 같은 더 넓은 비즈니스 서비스들로 링크된다. 이러한 광범위한 서비스들은 HEMS 서비스 제공자에 의해 HEMS 유저에게 제공되는 서비스에 통합되게 된다. 이러한 서비스들 중 일부는 기상 데이터 또는 결제 정보 입력과 같이 유저가 보는 것에 명백하고 직접적인 영향을 미친다. 그들 중 일부는 보통 도매 에너지 시장 거래들과 같이 유저가 직접 볼 수 없다.

상기 중앙 서버는 이하의 사항들을 지원하는 HEMS의 인구 전체에 대해 다양한 서비스 클래스를 제공하는 데 사용될 수 있다:

1) IT 시스템 서비스들: 고 전력 프로세싱, 데이터 백업 및 저장, 오류 검출, 소프트웨어 업데이트 및 복구와 같음; 이러한 서비스들은 각각의 HEMS에 일체화되며 중앙 서버가 없는 경우 로컬 방식으로 제공되어야 함;

2) 비즈니스 서비스: 에너지 구매 및 공급, 정보 구매 및 통합, 유지보수 지원 및 보험;

3) 본 발명의 실시 예들을 구현하는데 필요한 것들과 같은 통계 및 분석 서비스들

상기 통계적 및 분석적 서비스들의 주요 고객들은 개별 HEMS 유저들이지만 다른 가능한 유저들이 있다:

·정부는 다른 국가 통계국 데이터 시리즈와 유사한 방식으로 소셜 목적을 위해 집계 된 통계 데이터에 액세스하려고 함.

·HEMS 서비스 제공자의 공급자 및 및 공동 공급자는 제품 설계 및 마케팅 목적을 위해 집계된 데이터에 액세스하기를 원함. 예를 들면, 식기 세척기 제조자는 고객들이 제품을 사용하는 방식, 새로 출시된 제품이 실제로 어떻게 작동하는지, 오래된 제품의 성능과 구성요소들이 시간이 지남에 따라 어떻게 저하되는지를 정확하게 알아야 할 필요가 있음.

·HEMS 서비스 제공자는 비슷한 방식으로 제품들을 이해하기 위해 집계된 데이터를 사용해야 함.

·정부는 또한 HEMS를 통해 소셜 서비스를 제공하기를 원할 수도 있지만 이는 개별 서비스 제공이며 전달 시점에서 집계되는 것이 아님. 예를 들면, 이는 에너지 서비스 제공자가 최저 수준의 쾌적함과 청결을 제공하고 또한 웰빙을 모니터링해야 하는 의무를 설정할 수 있음. 이러한 것은 상기 서비스 제공자의 비즈니스의 일부가 되며 위의 서비스 등급 2에 해당하게 됨.

개별 유저들 상의 데이터를 서비스 제공자가 완전히 액세스할 수 있는 지가 결정되어야 한다. 예를 들면, 일부 모바일폰 운영자들의 판매시점은 그들의 기기들이 강력한 암호화를 제공하는 것이며, 그럼으로써 운영자가 전자 메일들 및 연락처 정보들에 액세스할 수 없게 한다. 서비스 제공을 손상시키지 않고서 HEMS 유저들에게 제공할 수 있는 보호 수준은 명확하지 않고 세부 설계 문제가 될 것이다.

원칙적으로, 개별 유저 데이터는 단지 유저 서비스를 제공하는 데 필요한 경우에만 암호화되지 않은 상태에 있을 수 있다. 예를 들면, 각각의 유저의 데이터 백업은 유저 계정에 연관되어 있지 않지만 단지 특정 유저에 연관되어 있는 HEMS에만 알려진 코드에 연관되어 있을 수 있다. 그러므로 HEMS는 데이터에 액세스하고 데이터의 암호화를 해제할 수 있지만 이외 그 누구도 데이터에 액세스하고 데이터의 암호화를 해제할 수 없다. HEMS의 시스템 백업에는 코드가 있지만 암호화되어 있으므로 HEMS의 하드웨어 키만이 백업에 액세스할 수가 있다. 개별 유저 데이터는 암호화되지 않은 상태로 저장될 수 있지만 유저에 연관될 수 없는 경우에만 암호화되지 않은 상태로 저장될 수 있다.

이들은 기술적으로 사소한 문제가 아니다. 개별 데이터 일부를 익명화하여 유저들에게 프라이버시를 제공하는 것이 가능하지만, 이때 익명화된 데이터 세트를 식별된 데이터와 결합하여 익명화된 데이터를 잠금 해제하는 것이 가능함이 공지되어 있다. 예를 들면, HEMS로부터의 세부 데이터 세트가 천만 개 있지만 개별 유저에 링크되어있지 않는 경우 그들의 청구지 주소, 매달 에너지 사용량 및 자세한 로컬 기상 히스토리들을 구비한 다수의 개별 유저를 식별하는 것이 가능할 수 있다.

소비자 보호 조치의 구현은 이러한 애플리케이션에서 더는 이상 다루어지지 않지만 컴퓨터 프로그램에 분석 태스크를 위임한 "중앙 엔지니어"가 사용할 수 있는 모든 데이터의 나이브 모델(naive model)이 의도된 것이 아니라는 가정이 존재한다.

소비자 보호와 관련하여 가장 어려운 영역은 지리적 근접일 가능성이 크다. HEMS 분석들 중 일부는 선험적 확률들, 예를 들면 가까이에 사는 사람들이 유사한 거동 패턴들을 보일 가능성이 크고 상점들에서의 스토킹 패턴들 및 입소문 추천으로 인해 새로운 어플라이언스들이 처음에는 클러스터를 이루어 나타나는 선험적 확률들을 추정하는데 지리적 정보를 사용한다(국영 출시(national launch)의 사후 가정(counterfactual)들 및 소셜 미디어를 통한 권장사항들은 또한 실제 출시 데이터에 대해 고려되어야 한다).

유리한 점으로는, 수집된 유틸리티 데이터는 이하 목적들로 사용될 수 있다:

1) 세탁기들, 욕조들, 샤워기들, 건조기들, 히터들 등등과 같은 어플라이언스들을 사용하여 주요 피크 유틸리티의 사용 패턴을 식별함;

2) 피크 에너지 사용량이 그렇게 많지 않더라도 에너지 소비가 중요한 냉장고들, 투광 조명기들, 스프링클러 시스템들 등등과 같은 장시간 동안 작동하는 주요 유틸리티 유저들을 식별함;

3) 자동 환기, 급수 시스템, 황혼 조명 시스템 등과 같이 HEMS에 의해 제어되지 않는 자율 시스템을 식별함; 그리고

4) 주거 및 활동 패턴들이 검출될 수 있게 하는 HEMS에 입력을 제공함.

이러한 목적들은 선행기술에서 분명하게 식별되지 않는데, 이는 전기를 하나의 유틸리티로 과장하고 주요 전력 사용의 식별을 인간 및 자율 활동 패턴들의 식별과 혼동하게 하기 때문이다. 또한, 선행기술에서는 어플라이언스 인식을 HEMS의 통제 기능과 통합하는 것이 공지되어 있지 않다. 따라서, 본 발명의 실시 예들은 HEMS에 의해 요구되는 입력들 중의 일부가 그에 자동으로 알려지게 되거나 이들을 직접 얻을 수 있음을 인식한다. 예를 들면, HEMS는(가스) 보일러 또는 에어컨 시스템의 상태를 알 수도 있고 보안 시스템의 움직임 센서가 트리거되는지도 알 수가 있다. HEMS가 이러한 시스템들 중 일부를 통해 전달되어야 하는 통제의 정도를 고려해 볼 때, 이러한 정보는 매우 복합적일 수 있을 것이다. 예를 들어, 난방 시스템은 상기 시스템의 서로 다른 부분들에서의 수온들 및 실내 온도들, 보일러 연소 데이터 및 물 저장 탱크 온도를 포함할 수 있을 것이다. 원격 통제 가스 연소는 온도 설정치에 관한 데이터를 공유할 수 있고 스마트 TV는 환경 조명 레벨을 모니터링하고 응답시 디스플레이 밝기를 통제할 수 있으며 기타 등등이 존재할 수 있다.

따라서, 본 발명의 실시 형태들 및 실시 예들은 서로 다른 타입들의 유틸리티들이 사용되는 장소 및 그러한 유틸리티들이 사용될 때 주거지/빌딩의 거주자들이 수행하는 활동을 포함하여 주거지/빌딩을 관리 및 모니터링하는 데 유용하다.

유틸리티가 사용될 때마다 가능한 모든 활동이 검색되어야 하는 경우 실제 시스템을 구현하는 데 계산량이 엄두도 못 낼 정도로 크게 될 것이다. 본 발명의 실시 예들은 가장 가능성 있는 활동들이 먼저 비교되어 계산의 크기가 줄어들게 하고 분석 속도가 향상되게 하는 선험적 베이지안 통계(priori Bayesian Statistics)의 사용을 통해 이러한 제한을 극복한다.

도 1은 본 발명의 실시 예들 및 실시 형태들에 따른 어플라이언스 인식 모듈/유닛(2)이 HEMS(4)와 어떻게 상호작용하는지를 간략하게 보여주는 도면이다. 물론, (예산 관리 또는 스케줄링 모듈과 같은) 다른 유닛들(6), 예컨대 HEMS(4)에 추가 입력들을 제공하는 다른 유닛들(6)은 또한 HEMS(4)와 통신할 수 있지만, 이들은 본원 명세서에서 상세하게 논의되지 않을 것이다. 현재 이용 가능하거나 미래에 이용 가능하게 될 수 있는 임의의 적합한 측정 기기인 복수의 측정 기기들(10, 12, 14, 16)이 제공된다. 상기 측정 기기들(10, 12, 14, 16)은 이하에서 구체적으로 논의되겠지만 HEMS(4)와 전기적으로 통신한다. 하나 이상의 어플라이언스(7)들은 또한 HEMS(4)와 전기적으로 통신한다. 메모리 기기와 같은 저장 기기(8)는 또한 이하에 더 구체적으로 논의되겠지만 데이터를 저장하기 위해 HEMS(4)와 통신한다. 상기 어플라이언스 유닛(2), 상기 HEMS(4), 임의의 다른 유닛(6), 저장 기기(8) 및 어플라이언스(7)들은 전형적으로 주택 또는 다른 건물과 같은 빌딩 내에 위치한다. 상기 측정 기기들(10, 12, 14, 16)은 또한 상기 빌딩 내에 위치할 수도 있고, 유틸리티들이 상기 빌딩에 어떻게 그리고 어디에 진입되는지에 따라 외부에 위치할 수도 있다. 중앙 데이터베이스(8')는 또한 서로 다른 건물들 내의 복수의 HEMS들에 서비스를 제공하는 서버상에 상기 빌딩으로부터 원격으로 제공된다.

여기서 이해하여야 할 점은 도 1의 도면이 주로 개념적이라는 점이다. 실제로, 어플라이언스 인식 유닛(2)은 (때로는 본원 명세서에서 간단히 '시스템'으로서 언급되는) HEMS(4) 자체와 통합될 수 있고 상기 HEMS(4) 자체와 구별하기 어려울 수 있다. 마찬가지로, 저장 기기(8)는 어플라이언스 인식 유닛(2) 또는 HEMS(4) 중 하나 또는 둘 모두와 통합될 수 있고 어플라이언스 인식 유닛(2) 또는 HEMS(4) 중 하나 또는 둘 모두와 구별하기 어려울 수 있다. 또한, 실제 데이터의 위치는 본 발명에 중요하지 않으며 저장 기기(8) 및/또는 중앙 데이터베이스(8')에 저장될 수 있다.

도 2는 유틸리티 측정이 이루어지는 방법을 간단한 형태로 보여주는 도면이다. 비용-효과적이고 그리고/또는 환경/주변 환경에 적합할 수 있는, 예컨대 기존의 회계 계측기(fiscal meter)들 등등과 통합될 수 있는 측정 기기들(10, 12, 14, 16)을 선택하는 것이 바람직할 수 있다. 도 2의 실시 예에서, 물 측정 기기(10), 가스 측정 기기(12) 및 전기 측정 기기(14)가 제공된다. 옵션으로, 하나 이상의 다른 측정 기기들(16)은 또한 예컨대, 증기, 온/냉수 등등에 제공될 수 있다. 그러나 통상의 기술자라면 이해하겠지만, 하나 이상의 측정 기기들이 어떤 유틸리티들이 빌딩에 제공되어 있는지에 따라 선택될 수 있으며, 도 2에서는 단지 전형적인 설치 예일 뿐이다. 빌딩에 대한 각각의 유틸리티의 제공은 도 2의 화살표들로 표현되어 있다. 빌딩 외부의 소스(18)로부터 입구(20)를 통해 빌딩으로 물이 제공되고, 가스는 빌딩 외부의 소스(22)로부터 입구(24)를 통해 건물에 제공되며, 전기는 빌딩 외부의 소스(16)로부터 입구(26)를 통해 빌딩으로 공급되고 그리고, 어느 다른 유틸리티는 빌딩 외부의 소스(30)로부터 입구(28)를 통해 빌딩에 제공된다. 개별 측정 기기들(10, 12, 14, 16)은 공급 라인들을 따라, 건물 내에 또는 적절하게 그리고/또는 편리하게 외부에 배치된다. 각각의 유틸리티(물, 가스, 전기 및 기타에 대응함)의 적어도 하나의 "특성"을 나타내는 전기 신호(34, 36, 38, 40)가 각각의 측정 기기(10, 12, 14, 16)에 의해 생성되고 HEMS(4)D에 제공된다.

각각의 유틸리티에 대한 측정치들은 이하의 것들 중의 하나 이상을 포함할 수 있다:

1) 유량 단위당 가치 금액(전기는 전압이고, 물은 일정한 밀도이며, 가스는 발열량이지만 각각의 주거지에서 측정하기에는 너무 비싸고 중앙 지점에서 데이터가 공급될 수 있음).

2) 유속(전기는 전류이고, 물은 입방 미터/초이며, 가스는 명목상 초당 명목 입방 미터임(물 및 가스에 대해 상기 계측기는 다음 양이 흘렀을 때 "펄스"를 생성함).

3) 잡음(다시 말하면, 매우 빠른 유속 변화들에 포함된 정보). 이러한 잡음은 주거지의 물에 대해 쿵 소리, 쉬익 소리 및 쉭 소리로 들을 수 있다. 사운드 카드를 사용하면 동일한 것이 전기에 대해 동일한 소리로 들을 수 있다. 가스는 압축 가능하므로 이러한 카테고리에서 유용한 데이터가 없다. 여기서 유념해야 할 점은 공급에는 외부(예컨대, 파이프 및 전선을 따른 이동)로부터 약간의 잡음이 이미 포함되어 있을 수 있다는 점이다.

전압이 시간에 따라 변한다는 점(50Hz 공칭 메인 주파수)에서는 전기가 특이하다. 그러므로 "위상 각"에서 부하에 대한 가외의 정보, 즉 전류가 전압보다 앞서게 하거나 뒤지게 하는 위상 각의 양이 존재한다. 도 9b는 위상 각 φ가 실제 및 무효 전력을 계산하는 데 사용되는 방법을 보여주는 도면이다. 이러한 전력들은 별개로 가해지고 기기의 식별을 허용한다.

계산을 감당하기 쉽게 하기 위해, 잡음이 주파수 범위들 또는 빈들에서 "사운드" 레벨로 간주 된다.

채용되는 비트들 및 칩셋들의 수는 측정 기기의 신호 프로세싱 용량 면에서 그리고 또 나중에 일어나는 현상을 결정할 때 수학적 문제의 크기와 관련하여 양자 모두 비용 중심 분석을 기반으로 하여 결정된다는 점에 유념할 필요가 있다. 표준 16비트 칩셋들이 사용되면 그들은 합리적인 가격으로 획득될 수 있다. 더 긴 단어 길이에 대한 비용은 상당히 크게 되겠지만 그러한 단어 길이는 더 긴 정보를 생성할 수 있을 것이다. 그런 경우에는 HEMS가 필요한 방정식을 풀 때 훨씬 더 오래 걸릴 것이고 그래서 비용과 복잡도 사이에는 트레이드-오프가 존재한다. 일부 실시 예들에서, 16비트의 완전한 분해능 미만이 채용될 수 있다. 다른 실시 예들에서, 24비트 칩셋들이 채용될 수 있다.

신호가 각각의 유틸리티에 대해 평균화될 수 있는 시간의 길이에 관련해서는, 일반적으로, 상당히 신속하게 이루어지는 (조명을 스위치 온하며, 싱크대로 가고 그리고 탭을 턴온하는 것과 같은) 이벤트들을 차별하려는 시도가 이루어진다는 점에 유념할 필요가 있다. 데이터 압축은 그다지 이루어지지 않는 데이터의 저장을 허용하게 하고, 그래서 실제 데이터(다시 말하면, 약간의 변화를 느낄 수 있음)를 갖기 위해 신호들이 충분히 작은 시간 프레임에 걸쳐 측정되는 것이 그 목적이게 된다. 어플라이언스를 스위치 온하거나 또는 밸브(탭)를 여는 것과 같은 이벤트들이 밸브(예컨대, 탭)를 여는 것과 같은 이벤트가 약 1초 기간에 가치있는 충분한 정보를 생성할 것으로 예상된다. 가스는 압축 가능하고, 그래서 가스에 관련된 신호들이 평활화(smooth out)되고 매 10초 마다 가스 신호를 한 번 이상 샘플링하는 것은 아마도 가치가 없을 것이다. 샘플링이 매 10초보다 적으면 부엌에 들어간 후 유저가 가스 링을 턴온하는 데 걸리는 시간을 결정하는 것이 가능하지 않을 수 있다. 또, 다시 말하지만, 10초는 가능하거나 필요 이상으로 짧을 수 있지만 그러한 샘플링 레이트에서 수집된 데이터의 양은 과도하지 않게 된다.

여기서 이해하여야 할 점은 모든 측정값이 IT(다시 말하면, 프로세싱 하드웨어)의 수학 및 물리학 양자 모두 양자화될 것이라는 점이다. 예를 들면, pi를 임의의 소수 자릿수로 계산하는 것이 가능하지만 16비트 워드는 단지 제한된 정밀도로만 십진수를 제공하게 된다. 비록 더 긴 단어가 있더라도, 센서 및 아날로그-디지털 변환기의 기본 신호 대 잡음 특성, 및 기기의 드리프트 또는 재현성으로 인해 측정 결과를 보고하는 데 유용한 정확도가 제한하게 된다. 문제는 변화가 얼마나 작은 지를 측정할 수 있느냐에 있는 것이다. 개념적으로, 유한 상태 마르코프 체인(finite state Markov Chain)으로 상기 시스템이 표현될 수 있는데, 다시 말하면 이는 단지 하나의 시간 지점에서 (비록 매우 크지만) 유한 개수의 측정값 세트만을 가질 수 있으며 상기 시스템은 측정 시간 스텝들(상기 마르코프 체인에서 정의된 전이들)로 한 상태로부터 다른 한 상태로 이동한다. 이렇게 하면 일정기간 동안 어플라이언스 사용 패턴들이 한 세트의 추가 상태들(예컨대, 조명 온, 그리고 나서, 식기 세척기 시동)로 인식될 수 있을 것이다. (데이터 면에서의) 상기 시스템(시스템)의 과도한 크기를 방지하기 위해, 상태들의 수가 그에 따라 제한되어야 한다.

온도 측정에 관련해서는, 저-비용 디지털 센서(예컨대, DS18B20)는 최대 12비트의 중간 정도의 정밀도로 온도를 보고 할 수 있다. 이를 통해 센서는 0.0625℃(정밀도) 스텝들로 온도를 보고할 수 있다. 동작 범위는 -55℃ ~ +125℃이다. 정확도는 -10℃ ~ +85℃ 범위에서 0.5℃이며 재현성은 정밀도와 거의 같은 값으로 추정된다. 따라서 비록 상기 센서가 어제 21.1℃와 유사한 오늘 21.1℃를 보고하지만, 2개의 센서는 또한 하나가 21.1℃를 보고하고 나머지 하나가 21.6℃를 보고하면 같은 것을 판독하는 것으로 간주 된다(하지만 이들은 부가적으로 교정될 수 있을 것이다). 빌딩 피직스를 목적으로 해서, 약 0.1℃의 온도 정밀도 및 약 0.2-0.5℃의 재현성 및 약 1℃의 정확도가 바람직하게 되며 위에서 설명한 타입의 센서가 적합하게 된다.

서로 다른 유틸리티들은 상이한 유틸리티 "속성들"로 특징지어지며 이는 유틸리티가 빌딩에 진입되어 있거나 빌딩에 제공될 때 유틸리티에 대한 정보를 제공하도록 측정될 수 있다. 신호들(34, 36, 38, 40)은 각각의 신호가 유틸리티 속성들의 개별적이거나 또는 사전에 정의된 조합들에 관련된 복수 개의 "신호 채널들" 또는 "측정 채널들"을 포함 할 수 있다. 다시 말하면, 소비되는 물의 양을 특징화하는 속성들은 가스, 전기 또는 기타 유틸리티들에 관련된 속성들과 다르게 된다.

예를 들면, 물을 나타내는 속성들에는 체적 유량 데이터, 및 실질적으로 60Hz 내지 44kHz의 주파수 범위의 컬러 스펙트럼이 포함된다(이러한 문맥에서의 컬러는 주파수 범위 60Hz 내지 44kHz의 신호 레벨에 대한 잡음 데이터 세트를 나타내는데 속기, 즉, 주파수 프로파일로 사용된다). 이러한 범위는 메인 주파수 바로 위에서부터 상기 측정 기기(10)에서 찾아 볼 수 있는 16비트 칩셋의 일반 한도에 이르기까지의 주파수를 나타낸다. 44kHz 이상의 주파수들에서 신호들을 모니터링하는 것은 배제되지 않지만 이에는 비용이 추가된다. 물 흐름 색은 유리하게는 센서의 비용을 줄이기 위해 1차 흐름 신호의 분석보다는 "마이크"유형의 센서로부터 얻을 수 있습니다.

주파수에서 모니터링 신호가 제외되지는 않지만 비용이 추가됩니다. 물 유속 컬러는 유리하게는 센서의 비용을 줄이기 위해 1차 유속 신호의 분석에 의해서 보다는 "마이크폰" 타입의 센서로부터 얻을 수 있다. 수집된 데이터는 전형적으로 약 1초에 걸쳐 평균화되는데, 다시 말하면 유속 이벤트들은 1초의 정확도로 제 위치에 위치할 수 있다. 그러나 통상의 기술자라면 필요할 경우에 상이한 정확도, 예컨대 대략 0.5s, 1.5s, 2.0s가 사용될 수 있음을 이해할 것이다.

가스는 단지 약 10초의 분해능으로만 에너지 유속 데이터를 요구하고, 그럼으로써 유틸리티 이벤트들은 이러한 시간 분해능에서 모든 유틸리티에 걸쳐 정렬될 수 있게 한다. 또, 상이한 분해능, 예컨대 5s, 6s, 7s, 8s, 8.5s, 9s, 9.5s, 10.5s, 11s, 11.5s, 12s, 13s, 14s, 15s 등등이 채용될 수 있다.

전기는 1초 분해능에서 RMS 전압, 실제 전력, 무효 전력 및 컬러를 포함하는, 가장 복합적인 신호 출력을 제공한다. 또 통상의 기술자라면 필요할 경우 다른 정확도, 예컨대 대략 0.5s, 1.5s, 2.0s가 사용될 수 있음을 이해할 것이다.

측정되는 각각의 유틸리티에 대해, 측정 기기들(10, 12, 14, 16)은 유틸리티의 속성을 나타내는 하나 이상의 디지털 신호들을 생성한다. 유입되는 전기 및 물의 유출은 과도 변화들이 이루어질 때 정보를 캡처하기 위해 높은 시간 분해능(예컨대, 1s)을 갖는 것이 바람직하다. 그러나 가스(또는 오일) 유속들은 단지 낮은 분해능(예컨대, 10s)에서만 요구되는데, 그 이유는 이러한 것이 사용 이벤트들을 검출하는데 충분하기 때문이다.

다른 유틸리티들은 빌딩 내에서의 에너지 사용에 영향을 미치는 경우에 측정될 수 있다. 가장 가능성 있는 추가 또는 대체 유틸리티들은 증기, 온수 및 냉각수이다. 이러한 유틸리티를 처리하는 대부분의 시스템의 중요한 열식 질량(thermal mass)을 고려해 볼 때, 컬러가 유용한 신호 세트를 제공할 개연성은 낮고 약 10초의 분해능이 충분할 것이다. 흡기 온도, 배기 온도 및 에너지 유속은 온수 및 냉수를 측정하는 데 가장 공산이 큰 중요한 매개변수들이다. 흡기 증기 유속, 온도 및 압력 및 응축 온도는 증기 공급에 가장 공산이 큰 중요한 매개변수들이다.

그들의 표준 동작 모드들에 의하면, "1차" 측정 기기들(10, 12, 14)은 샘플 지속시간 동안, 예를 들면 전기 또는 물에 대해서는 약 1초 동안, 그리고 다른 "보조" 유틸리티들에 대해서는 그 미만 동안 평균화된 순시 값으로서 상응하는 측정 신호들(34, 36, 38)을 생성하게 된다(비록 신호(들)(40)을 생성하기 위한 (측정 기기(들)(16)에 의해 측정된) "보조" 유틸리티들이 본원 명세서에서 더 구체적으로 논의되지는 않더라도, 이로부터 얻어지는 데이터는 (설명되겠지만) 가스, 물 및 전기의 프로세싱과 유사한 방식으로 수집 및 프로세싱될 수 있다). 상기 측정치들은 주파수 빈들의 신호 레벨들로서 제공되며, 그의 폭은 수학적으로 논리적인 신호 대 잡음비를 제공하도록 선택될 수 있다.

상기 신호들(34, 36, 38)을 수신하면, HEMS(4)는 이하의 동작을 수행할 것이다:

1) 각각의 측정치가 구비된 주파수 빈에 상응하는 데이터 블록들에 타임 스탬핑을 하는 동작;

2) 모든 원시 데이터(raw data)를 예컨대, 하루의 데이터의 (저장 유닛(8) 또는 중앙 프로세서(8') 중의 하나 또는 양자 모두의) 작업 메모리로 푸시(push)하는 동작; 및

3) 상기 데이터에 대한 무손실 압축을 수행하고 이를 (저장 유닛(8) 또는 중앙 프로세서(8') 중의 하나 또는 양자 모두에) 저장하는 동작.

본 발명의 제1 실시형태의 중요한 특징은 사전에 정해진 시간 간격들에서 출력 신호들(34, 36, 38) 각각의 "상태"의 변화를 모니터링하는 것이다. 다시 말하면, 유한 상태 분석이 상기 신호들(34, 36, 38) 각각에 대해 수행된다. 한 실시 예에서, 유틸리티 데이터는 상기 시스템의 순차 상태들의 마르코프 체인으로서 개념화된다. 다시 말하면, 상기 시스템(다시 말하면, 어플라이언스 인식 모듈(2)을 포함하는 HEMS(4))은 이전의 시간주기와 동일한 상태로 남아 있는지 또는 변화가 있는지를 결정하기 위해 시간에 따라 각각의 개별 측정 채널을 모니터링한다. 시간주기들은 위에서 검토한 바와 같이 각각의 유틸리티에 대해 선택되거나 사전에 정해진 분해능에 의해 지정된다. 상기 시스템은 검출된 신호들(34, 36, 38)을 개별 측정 채널의 측정 범위 및 시간 분해능 내에서 양자화된 상태들의 세트로서 처리함으로써 이러한 변화들을 검출한다. 이는 도 3에 예시되어 있다.

여기서, 시간 스텝 n에서(다시 말하면, 수평축을 따라 도시된 t_n에서) 신호 채널(34, 36, 28)은 음영 박스로 도시된 수직축의 범위 내에 있다. 이는 R_min 내지 R_max의 전체 신호 범위 내에 있으며 일련의 측정 상태로 나뉘게 된다. 이러한 박스들(다시 말하면, 데이터 블록들) 각각각의 크기는 다음 중에서 상대적으로 큰 것이다:

1) 신호 디지털화의 분해능, 정확도 또는 허용오차에 의해 암시된 범위;

2) 설계 및 교정 결과들에 의해 확립된 측정 시스템의 재현성; 및

3) (이하에서 설명되는 바와 같은) 사전에 정의된 신호 대 잡음비를 제공하기에 충분한 것.

측정 기기들(10, 12, 14, 16)은 측정 전체 범위에 걸쳐 완벽한 선형 응답을 가질 개연성이 적으며, 이 때문에 어느 하나의 채널에 대한 박스들은 서로 다른 크기들을 가질 수 있을 것이다. 그러나 단순화를 위해, 도 3의 예는 동일한 크기의 박스들을 보여준다.

위에 나열된 처음 2가지 기준들은 초기 단계에서 예컨대 빌딩 내의 설치시 상기 시스템 내에 프로그래밍되고 제3 기준은 초기 확습 기간 후에 추정되며 그 다음으로 진행되는 시스템 학습을 기반으로 하여 시간에 따라 다시 교정된다. 측정 채널 상에 배경 잡음을 확립하기 위한 방법은 다양하다. 한가지 수법은 훈련 기간, 예컨대 2 내지 3일의 훈련 기간에 걸쳐 각각의 채널의 상태 전이들을 분할하고 사전에 정해진 임계값에 따라 잡음을 나타내는 것으로 (널(null) 전이들을 포함하는) 가장 작은 전이들의 50%를 취하고 (널 신호를 포함하는) 신호를 나타내는 것으로 나머지 50%를 취하는 것이다. 모든 유틸리티 측정 기기들은 둘 이상의 신호 채널들(잡음이 이슈가 될 개연성이 낮은 경우, 가스는 제외함)을 생성할 수 있을 것이고, 그래서 채널들의 신호 및 잡음이 비교됨으로써 한 채널 상의 임의의 추정된 신호가 적어도 하나의 다른 채널 상의 추정된 신호와 함께 나타나게 된다. 이것이 사실이 아닌 경우에, 초기에 추정된 널(0)이 아닌 전이들의 최소 90%가 잡음으로서 재분류된다. 상기 박스들의 경계들은 위의 규칙들이 충족될 때까지 각각의 측정 기기들(10, 12, 14, 16)의 채널들에 걸쳐 재귀적으로 조정된다. 임의의 채널의 유한 상태들이 현저히 적은 (예컨대, 상기 측정 기기의 고유 특성들로부터 예상되는 수의 85% 미만인) 경우 HEMS 4 로그에서 보고서가 생성된다. 잡음 채널의 잠재적인 원인은 (a) 측정 기기(10, 12, 14, 16)의 고장, (b) 일정한 작동에서의 기기(7)의 잡음 성분 및 (c) 유틸리티 공급으로부터의 잡음 주입이다. 이러한 상황들 각각은 본 발명의 실시 예들에 대한 도전들, 및 일정기간 동안 다수의 설치된 HEMS(4)로부터 수집된 특징 분석을 기반으로 하여 자동화될 수 있지만 초기에 인간의 진단을 요구하는 진단 단계에서부터 시작하는 유지보수 주의(maintenance attention)를 필요로 하는 잠재적 고장들을 나타낸다. 상기 시스템은 주기적으로, 명목상으로 일주일에 한 번 이러한 잡음 분석을 수행한다.

시간 스텝 n+1에서, 다시 말하면 도 3의 t_{n + 1}에서, 상태의 변화가 있었고 채널 신호는 4개의 스텝만큼 변경되었다. 이것에 의해 암시되는 가설은 신호(34, 38 또는 28)가 첫 번째 상자의 중앙에 있음(상자의 높이로 표시되는 재현성 범위를 가짐)이 두 번째 상자의 중앙에 있음으로 변경되었다는 것이다.

수평축의 시간 스텝들은 위에서 검토한 바와 같이 바람직하게는 사전에 정의되고, 동일한 시간 스텝들, 1s, 10s이다. 도 3에서 R_min 내지 R_max로 나타낸 신호 범위는 신호 채널, 예컨대 전력을 나타낸다.

이러한 방식으로 수집된 최근 데이터, 예컨대 마지막 24시간의 마르코프 체인 데이터는 작업 메모리(예컨대, 저장 유닛(8))에 보유될 수 있고 오래된 데이터는 데이터 저장소(예컨대, 중앙 저장 유닛(8'))로 전송될 수 있다. 변형적으로, HEMS(4)는 작업 메모리에 과거 데이터를 보유하고 증분 데이터를 데이터 저장소(8')에 전송할 수 있다.

전부는 아니지만 일부 어플라이언스들은 정의된 패턴들 또는 유틸리티/에너지 사용 특징에서 물과 전기를 사용한다. 예를 들면, 식기 세척기는 유저가 선택할 수 있는 다수의 설정을 가질 수 있지만 각각의 설정에 대하여는 사전에 정해진 시간 동안 사전에 결정된 온도에서 (세척, 헹굼 등등을) 거치는 사이클들은 설정이 선택될 때마다 동일하다. 에너지 사용 패턴들은 어플라이언스 모델 간에 그리고 제조자들 간에 차이가 있을 수 있겠지만 특정한 어플라이언스/모델에 대한 예상 유틸리티(물, 가스) 특징 패턴을 아는 것이 가능하다. 이를 기반으로 하여, 기본 레벨에서, 모든 어플라이언스들이 물을 사용하는 것은 아니고, 그래서 물 사용량 및/또는 전기 사용량을 구하고 또한 가스 사용량이 있는 경우 및 이러한 사용량이 다양한 어플라이언스에 대해 공지된 패턴들에 적합한지가 한 어플라이언스의 인식/식별을 가능하게 할 수 있다. 또 다른 주요 패턴은 조명에 연관된 것이다. 빛에 대한 에너지 특징은 인식 가능하며, 사용되는 조명을 식별하면 어플라이언스가 사용되고 있는 빌딩의 방이 식별된다. 이러한 정보는 가능한 대체설명들 간의 모호성 제거를 돕는데 사용될 수 있다(다시 말하면, 물, 전기 및/또는 가스 사용 신호들의 측정된 조합이 다양한 어플라이언스의 유틸리티 사용 조합 특성의 공지된 특징들에 대해 비교되어 어떤 어플라이언스가 측정된 신호들을 생성할 수 있을 것인지가 테스트되게 하거나 그에 대한 가설이 세워질 수 있게 한다).

빌딩 내에서의 에너지/어플라이언스 사용을 모니터링함으로부터 얻게 되는 지식은 또한, 빌딩의 거주자들이 다양한 어플라이언스(7)를 사용하는 방법을 추론하는데 사용될 수 있으며, HEMS(4)/어플라이언스 인식 모듈(2)은 측정된 데이터의 의미를 이해하도록 가설들을 정의하고 테스트할 수 있다.

예를 들면, 매일 아침 일찍 조명이 턴온되고 그 방에서 물과 전기가 사용되며, 그리고 나서 조명이 턴오프된 다음에 다른 방에서 전기가 사용된다면, 사람이 욕실에 들어가 샤워를 한 다음에 헤어드라이어로 머리카락을 말렸다는 가설이 세워질 수 있다. 서로 다른 위치들 및 서로 다른 시간에서의 서로 다른 에너지 특징들의 조합은 사용되는 어플라이언스(들) 및 해당 어플라이언스들의 사용에 있어서의 사람의 활동들의 표시를 제공한다. 이를 통해 어플라이언스들이 식별될 수 있고 빌딩 내에서 어플라이언스들이 사용될 수 있다. 위의 프로세스가 매일 아침에 수행된 직후에 사전에 알려지지 않은 전기 에너지 신호가 검출되면 사람이 헤어 스트레이트너들을 구입하여 자신의 머리카락을 교정하였다는 가설이 부가적으로 세워질 수 있을 것이다. 다른 소스들로부터의 정보는 또한 가설들을 전개하는데 사용될 수 있을 것인데, 예컨대, 습도가 상대적으로 상승한 다음에 강하함을 검출하는 센서는 욕실에서의 어플라이언스 사용의 가설을 부가적으로 뒷받침하게 될 것이다.

상기 어플라이언스 인식 모듈(2)은 이하의 사항에 관한 HEMS(4)로부터의 입력들을 수신한다:

1) 누가 빌딩에 있고 마지막으로 검출된 방에 대한 가설;

2) 거주자들의 개인적인 세부사항들 및 그들의 과거 작업 흐름 패턴들에 대한 액세스(차후에 구체적으로 설명됨);

3) 빌딩 레이아웃 정보 및 시스템 셋업 프로세스로부터 분석된 빌딩 측정 데이터에 대한 액세스; 및

4) HEMS 접속 어플라이언스(7)들 및 이들의 상태에 관한 정보.

이는 도 4에 예시되어 있으며, 도 4에는 빌딩 내에서의 유틸리티 사용들에 대한 가설이 어떻게 만들어지는지가 요약되어 있다. 작업 흐름들(어플라이언스(7)들 자체 및 인간 거동 시퀀스들에 의해 수행되는 유틸리티 프로세스들, 즉 어플라이언스들이 언제 그리고 어떻게 사용되는지), 및 이러한 활동들의 빈도는 빌딩 또는 주거지의 특성, 또는 주거지 내의 개인들의 특성이다. 어플라이언스 인식 모듈(2)은 본질적으로 빌딩 내에서 사전에 식별된 어플라이언스들 또는 기기들(7)의 특정 패턴들에 대해 분석하기 위해 현재의 유틸리티 사용 활동을 모니터링하는 것이다.

특히 미확인 패턴들과 관련하여 과거 검토 프로세스가 또한 존재한다. 이는 유틸리티 사용 패턴들의 원인에 대한 대체 가설들을 생성하고 테스트들의 조합이 통계적으로 상당한 모호성 제거를 제공할 때까지 유틸리티 사용 반복 패턴들에 관련된 정보를 사용하여 참조 어플라이언스/기기를 매치시킬 상기 가설들의 확률을 테스트한다. 지리적 정보와 같은 다른 정보, 또는 빌딩 내에서 채용된 다른 센서들로부터의 부가적인 정보가 또한 어플라이언스들(7)을 식별하는데 도움이 되도록 이용될 수 있다. 따라서, 작업 흐름(들), 작업 프로세스(들), 어플라이언스(들) 및/또는 어플라이언스(들)의 구성요소(들)로부터 가설적으로 발생하는 어플라이언스 사용 패턴에 관련된 "선험적 확률들", 예컨대 선험적 베이지안 확률들은 모니터링되고 있는 특정 빌딩과 동일한 지리적 지역에 있는 다른 빌딩들로부터의 이러한 항목들에 대한 중앙 히스토리 데이터베이스를 참조하여 수정될 수 있다. 상기 선험적 확률들은 해당 빌딩에 더 가까운 빌딩들이 더 멀리 떨어져 있는 빌딩들보다 나타낼 가능성이 큰 가설에 대해 원격 저장 기기(8')에 보유된 중앙 데이터베이스 내에서의 공간 관계를 연구함으로써 결정될 수 있다. 거리와의 상관관계들을 기반으로 하는 강력한 가설을 제공하기에 충분한 데이터가 선택된다(예컨대, 를 들어, 의사 2-차원 평면에서의 비균질성을 가정함). 한 실시 예에서, 유저 입력, 예컨대, 시스템에 대한 설치 엔지니어 또는 시스템의 유저에 의한 유저 입력은 상기 선험적 확률들을 결정할 때 중앙 데이터와 조합될 수 있다. 다른 한 실시 예에서, HEMS(4)의 설치, 셋업 및 동작을 통해 수집된 다른 정보는 선험적 확률 입력들에 기여한다.

더군다나, 어플라이언스 모니터링에 의해 생성된 정보는, 보조 난방 및 냉방 어플라이언스들의 식별 및 환경 제어 목적을 위한 그들의 사용, 빌딩 내에서의 유틸리티 사용량의 계산 및 어플라이언스들(7)에 대한 할당, 예산 및 자원 최적화 목적을 위한 작업 프로세스들 및 작업 흐름들, 통제 최적화 목적을 위한 주거 패턴들의 식별, 거주자들의 상태 및 웰빙에 있어서의 숩겨진 마르코프 변화들을 식별할 목적을 위한 거동 패턴들의 식별 등등을 포함하지만, 이들에 국한되지 않는 HEMS(4)의 다른 모듈들/유닛들(6)에 대한 입력으로서 사용될 수 있다. 빌딩들 내에서의 어플라이언스들(7)의 사용 및 성능에 대한 데이터 수집은 또한, 어플라이언스 제조자들, 표준 설정자들 및 규제자들에게 그들의 신뢰성, 사용 패턴, 달성된 효율성 등들에 관한 귀중한 일반 정보를 제공할 수 있다.

따라서, 본 발명의 실시형태들 및 실시 예들은 전형적인 기기 패턴을 나타내는 선행 (저장된) 입력 데이터, 작업 흐름들에 대한 개별 빌딩 내에서의 모호성 제거(disambiguation), 및 작업 프로세스들의 여러 빌딩에 걸친 모호성 제거의 조합에 의존한다. 설치된 HEMS의 인구가 충분히 많으면 중앙 서버(또는 이에 링크된 감시 모듈)는 새로운 기기들의 시장 진입을 식별하고 추가 조사의 가치에 대한 중앙 결정을 가능하게 할 수 있다(예컨대, 각각의 HEMS 시스템으로부터 수집된 데이터를 사용하여, 상기 시스템은 예를 들면 인터넷을 통해, 새로운 기기들의 외부 증거를 찾을 수 있다). 대규모 유틸리티 사용 기기들/어플라이언스들의 특징들은 특유할 가능성이 높다. 예를 들면, 가스난로들 및 팬 히터들은 설명할 수 없는 열을 방출하고 회전식 건조기들 및 샤워기들은 많은 양의 전기를 사용하지만 단지 하나는 물을 사용하고 기타 등등의 특유할 가능성이 있다. 새로운 기기들, 작업 프로세스들 및 작업 흐름들이 빌딩 내에서 사용되고 있음을 인식할 수 있는 것 외에도, 상기 패턴 인식은 전개 결함들 및 성능 저하를 인식할 잠재력을 지니고 있다. 그러므로 상기 중앙 서버는 이러한 정보를 제조자들과 공유할 수 있다.

어플라이언스 사용은 도 5에 예시된 바와 같은 계층에 의해 설명된다. 빌딩 내에서의 각각의 어플라이언스(7)는 본 발명에 관련된 다수의 구성요소로 구성된다. 예를 들면, 냉장고는 그 중에서도 내부 조명을 작동시키는 도어 스위치, 및 압축기를 작동시키는 온도 조절기를 지닌다. HEMS(4)에는 일련의 "작업 프로세스들"을 수행할 수 있는 일련의 구성요소들로 또한 구성된 어플라이언스들의 데이터베이스가 구비되어 있다. 대표적인 냉장고의 경우, 문을 열고 내용물들을 차게 하는 2가지 작업 프로세스가 존재한다. 따라서, 본 실시 예에서의 "구성요소 작동"은 도어 스위치, 내부 조명, 온도 조절기 또는 압축기의 작동이다. 한 사람에 의해 개시되는 완전한 프로세스, 예컨대 냉장고의 문을 여는 프로세스는 하나의 "작업 흐름"으로 표시된다. 따라서, 본 발명의 실시형태들 및 실시 예들은 어플라이언스 사용 및 인간 활동 면에서 양자 모두 "숨은 상태들"을 검출 및 인식하는 것을 이용한다.

(중앙 서버를 통해) HEMS 서비스 제공자에 의해 운영되는 한 세트의 다수의 HEMS 내의 각각의 개별 HEMS는 도 5와 관련하여 위에서 설명한 바와 같이 특정 빌딩 내의 어플라이언스들에 대한 데이터를 가지고 작동한다. 이러한 어플라이언스들은 다음과 같이 인식되고 그룹화될 수 있다:

1) OEM에 의해 HEMS 제공자에게 공급되고 개별 HEMS에 의해 사용되는 어플라이언스 설명으로부터 인식되는 어플라이언스 또는 자신의 네트워크 접속을 통해 자기 자신을 선언하는 스마트 어플라이언스.

2) 개별 HEMS로부터의 데이터를 승인한 결과로서 중앙 서버에 의해 인식되는 어플라이언스.

3) 중앙 서버 데이터베이스에서 어플라이언스로 승인될 수 없지만 어플라이언스 클래스(예컨대, 세탁기)에 적합한 알 수 없는 어플라이언스.

4) 어플라이언스 클래스에 명확하게 할당될 수 없는 알 수 없는 어플라이언스. 이러한 카테고리에는 또한 어플라이언스 클래스에 할당될 수 없는 (어플라이언스의) 알 수 없는 구성요소들이 포함된다.

개별 HEMS에 의해서나 또는 중앙 서버에 의해 어플라이언스에 할당될 수 없는 알려진 구성요소들은 중앙 데이터베이스에 로그될 수 있지만 이를 수행하는 부가 가치 및 이에 대한 위험들은 분명하지 않으며 주된 초점은 HEMS가 식별한 어플라이언스들에 맞춰진다. 이것이 중요할 가능성이 있는 유일한 구성요소 클래스는 루미에르(lumiere)들 - "백열 전구(lightbulb)들"의 개별 요소들이다.

각각의 HEMS는 또한 어플라이언스 또는 구성요소 클래스들에 명확하게 할당할 수 없는 유틸리티 사용을 지니게 되는데, 예를 들면 주전원 연기 검출기 및 무선 라우터는 시스템이 그들에 관해 수집할 수 있는 매우 한정된 데이터로부터 검출하기 어렵게 된다. (사람 주거 패턴들을 캡처하고 유틸리티 사용을 분석 및 통제하도록 하는) HEMS의 주된 목적들을 고려해 볼 때, 배경 전기 사용의 모호성 제거는 그다지 중요하지 않다. 누군가가 정말로 관심이 있다면, 그들은 차례대로 각각의 어플라이언스를 접속해제하여 각각의 전력 소비를 확인할 수 있다. 그러나 유저들 중 5% 미만이 이를 원할 것이고 이를 가능하게 하는 스킴을 만들어 내는 것이 용이할 것으로 예상된다.

개별 HEMS 및 중앙 서버는 함께 작동하여 어플라이언스들에 대한 데이터를 인식 및 수집한다. 중앙 데이터베이스는 위의 그룹(3)의 모든 인스턴스들을 로그 및 추적하여 그들을 그룹(2)으로 변환하려고 시도한다:

·다차원 위상 공간에서 알려진 클래스의 (모든 HEMS에 걸친) 모든 알 수 없는 어플라이언스들의 특성들을 클러스터링함으로써(상기 차원들은 통상의 기술자에게 잘 알려진 수학적 기법들을 사용하여 가장 간결하고 견고한 방식으로 인스턴스들 간의 차이들을 표현하도록 선택됨). 동일한 클래스에서 알려진 어플라이언스들의 특성들을 사용하여, 특성 매개변수들에 대한 그러한 클래스의 어플라이언스들의 인스턴스들의 전형적인 분산은 개별 인스턴스들의 클러스터가 고유 어플라이언스를 나타낸다는 가설을 테스트하는데 사용될 수 있음.

·상기 인스턴스들이 지리적 위치들에서 클러스터링되고 모두 새로이 설치되는 경우에, 상기 어플라이언스는 시장에서 아마도 새로운 것으로 플래그되고 (인간) 시스템 감시자에게 보고됨.

·대부분의 경우에 상기 인스턴스들이 이미 설치되어있는 경우 상기 어플라이언스는 알 수 있지만 식별할 수 없는 관련 클래스의 어플라이언스로서 등록되고 시스템 감시자에게 플래그됨.

물론 일부는 그룹(3)에 남아있게 된다.

개별 HEMS가 중앙 데이터베이스를 사용하여 그룹들 (1) 및 (2)에서의 어플라이언스들을 식별하는 프로세스는 본원 명세서에서 상세히 설명될 것이다. 본질적으로 상기 어플라이언스의 특성들은 위에서 설명한 클러스터링과 유사한 방식으로 적합도(goodness of fit)를 위한 알려진 어플라이언스들과 비교된다. HEMS 유저로부터의 셋업 및 응답시에 수집된 데이터와 같은 다른 단서들은 또한 확률들을 개선하는데 사용될 수 있다. 이를 수행하기 위해 중앙 데이터베이스는 셋업 프로세스에서 그리고 (예를 들면, 제품 코드의 문자들을 잘못 타이핑함으로 인한) 유저 입력으로부터 어플라이언스들의 오인의 오류률에 대한 빈도 데이터를 수집하게 된다.

그룹(1) 및 그룹(2)에서의 어플라이언스들의 경우 중앙 서버는 어플라이언스 클래스 하에서 그룹화된 각각의 어플라이언스에 대한 데이터를 수집하게 된다. 이러한 데이터에는 오기능 및 열화 레이트들에 대한 데이터가 포함된다. 이러한 상태 모니터링 데이터는 이하의 사항을 지원할 수 있다:

·어플라이언스 제조자들에 대한 서비스들의 제공.

·수명 종료 대체와 관련이 있는 서비스들을 포함한, HEMS 유저에 대한 유지보수 서비스들의 제공.

·상기 어플라이언스가 올바르게 기능 하지 않는 새로운 HEMS에서의 이미 설치된 어플라이언스들의 인식.

클러스터링 레벨은 위상 공간의 차이 정도에 따라 다르게 된다. 어플라이언스들이 동일한 모델 번호들을 가지지만 서로 다른 구성요소들(예를 들면, 서로 다른 모터들)을 가지는 경우 상기 인스턴스들은 어플라이언스 레벨에서 차이들이 2개의 클러스터를 만드는 경우에만 개별적인 것으로 보이게 된다. 마찬가지로 어플라이언스에 모델 번호가 2개 이상 있지만 클러스터가 단지 하나만 있는 경우 상이한 모델 또는 빌드 번호들이 동일한 어플라이언스로 보이게 된다. 서로 다른 플러그들 또는 서로 다른 색상의 패널들을 가지고 있어도 사람의 거동, 유틸리티 사용 및 작업 프로세스들과 관련하여 어플라이언스의 본질적인 특성들이 변하지 않게 된다.

개별 HEMS는 HEMS가 처음 설치되거나 새로운 어플라이언스가 검출될 때 중앙 서버 데이터를 사용하여 어플라이언스들을 인식할 수 있다. 각각의 어플라이언스 클래스의 매개변수들은 클래스 상속에 의해 획득되고 매개변수 값들의 분포에 대한 실제 데이터로 채워진 각각의 어플라이언스의 세부사항을 가지고, 해당 어플라이언스 클래스에 대해 알려진 구성요소들 및 작업 프로세스들을 중심으로 구조화된다.

이전에 식별된 어플라이언스가 통계적으로 특이한 매개변수 값으로 드리프트하거나 점프하는 경우 잠재적인 오류 상태가 플래그된다. 시간경과에 따라 유지보수 기술자들로부터의 피드백은 일반적인 결함 상태들을 식별하는데 사용될 수 있고, 그럼으로써 그들은 매개변수 값들로부터 인식될 수 있게 한다. 이는 고장 이전의 패턴이 인식 가능할 경우 초기 결함에 특히 유용하다.

새로운 어플라이언스가 인식되지 않지만 그것이 있어야만 한다는 증거가 있는 경우, 시스템은 또한 결함 진단을 수행할 수도 있다. 예를 들면 유저는 새로운 세탁기를 구입한다. HEMS는 새로운 세탁기를 인식하지만 모델은 인식하지 못한다. 특정 유저는 HEMS와 높은 수준의 대화를 유지하고 모델 번호를 제공한다. 사후(post hoc) 확률은 현재 알려진 결함 상태를 가진 모델임을 인식할 수 있게 해주는 것이다. 유저에게 결함이 있음을 알릴 수 있다. 이는 모델 번호가 없으면 수행될 수 없는데, 그 이유는 이전 모델의 허용오차를 벗어난 예로 사소한 모델 업그레이드가 나타날 수 있는 확실한 잠재력이 있기 때문이다. 어플라이언스 제조자는 빌드 번호 또는 모델 번호를 할당하거나 유저들로부터의 결함 보고들을 피하기 위해 어플라이언스 데이터를 제공할 때 훈련을 받을 필요가 있을 수 있다.

어플라이언스가 인식될 수 있게 하는 특성 매개변수들 외에도, HEMS 및 중앙 서버는 또한, 어플라이언스 사용 데이터를 수집한다. 원칙적으로, HEMS는 또한, 거주자들에 대해 알고 있으며 사용 패턴들을 거주자 특성들과 연관지을 수 있다. 이는 모호성 제거에 대한 선험적 확률들을 증가시킬 수 있지만, 위치 데이터의 사용에 대한 소비자 보호 위험들을 분명히 가지고 있다. 어플라이언스 사용 데이터는 이하의 목적을 위해 사용될 수 있다:

·벤치마크 데이터를 소비자들에게 그들과는 다른 사람들과 비교한 그들의 사용에 대한 벤치마크 데이터를 제공하는 목적.

·제조자들에게 그들의 어플라이언스들의 사용 - 예를 들면 세탁기 세척 주기들의 사용 빈도 분포 및 다른 사용 매개변수들과의 관계 - 에 대한 데이터를 제공하는 목적.

·폴리시 결정자들에게 서로 다른 어플라이언스 클래스들의 총 사용량 - 예를 들면 세척 및 건조에 사용되는 에너지의 양 및 어플라이언스 설계와의 관계 - 에 대한 데이터를 제공하는 목적. 이의 예는 냉동기의 위치가 고유 효율과 대비되는 에너지 사용을 결정하는 범위일 것이다.

HEMS는 또한, 어플라이언스 사용 데이터를 서비스 제품들의 설계 및 전달에 통합하는 것을 가능하게 한다. 이전에 서비스 동안 발견된 결함이 중앙 데이터베이스에 피드백되고 초기 고장들로 인해 예방 유지보수 방문이 스케줄링되는 것이 허용되는 예들이 제공되었다. 최신 자동차들에서의 그에 유사한 설비가 또한 가능하며, 이 경우 유지보수는 단지 경과시간만을 기반으로 하는 것이 아니고 사용을 기반으로 하여 스케줄링될 수 있으며 이러한 데이터 모두는 어플라이언스들 및 또한 보험 및 유지보수 계약들과 같은 서비스 제품들의 설계에 반영될 수 있다,

전형적인 기기들/어플라이언스들을 대표하는 저장된 데이터를 생성하는 것과 관련하여, 상기 어플라이언스들, 또는 이러한 어플라이언스들의 구성요소들이 컴퓨터 메타-언어로 설명 및 작성될 수 있다. 클래스 상속은 어플라이언스들을 나타내는 데이터를 생성하는 태스크를 줄이는 데 사용될 수 있다. 어플라이언스는 상기 메타 언어로 클래스들을 인스턴스화함으로써 설명될 수 있는 특성들을 구비한 일련의 시계열 패턴들로 유틸리티들을 사용하는 구성요소 동작들을 채용하는 일련의 작업 프로세스로 이루어진다.

도 6에 예시된 바와 같은 식기 세척기의 예의 경우, 자신의 제품의 설명을 제공하고자 하는 제조자는 특정 모델 및 빌드에 대해 채용된 구성요소들(50)을 정의하게 되는 메타 언어의 정의를 작성한다. 개별 세척 프로그램 사이클들은 작업 프로세스들(52)일 것이고 히터들, 펌프들 등과 같은 요소들은 구성요소들(50)이 될 것이다. 통상의 기술자라면 유저 액션들(58)은 더러운 접시로 어플라이언스를 채우고, 전원을 턴온하며, 프로그램(예컨대, 작업 프로세스(52))을 선택 및 시동하고 그 후에 전원을 턴오프하며 접시들을 비우도록 요구되지만, 이러한 단계 중 많은 부분이 독립적인 시퀀스로 이루어짐을 이해할 것이다. 물론, 실제 전기 사용량(54) 및 물 사용량(56)의 특징들은 선택된 작업 프로세스(52)(즉, 프로그램)에 의존하게 된다.

특정 모델 빌드는 HEMS 개발자에 의해 발행된 식기 세척기의 일반 클래스를 특정 유틸리티 사용 특성들(예컨대, 전기 사용량(54) 및 물 사용량(56))을 가진 일련의 식기 세척기들로 그리고 나서 정의된 세트의 프로그램들 및 구성요소들을 가진 특정 모델로 그리고 마지막으로 사용된 구성요소들의 정확한 정의를 가진 특정 빌드로 인스턴트화하여, 특정 값들을 가지고 상기 구성요소들의 디폴트 매개변수들 중 일부를 중복기재함으로써 획득될 수 있게 된다.

이러한 수법의 바람직한 버전에서, 제조자는 구성요소들의 특징들, 제조된 바와 같은 어플라이언스들의 작업 프로세스들 및 시간경과에 따른 노화 기능들을 사용한 유틸리티의 매개변수들의 분포와 함께 어플라이언스들을 제공한다. 제조자는 또한, 제조된 바와 같은 각각의 어플라이언스의 특징들을 측정하고 이를 상기 어플라이언스에 제공함으로써 가치를 부가할 수 있게 된다. 백열전구들과 같은 일부 구성요소들의 경우, 제조 프로세스들을 사용해 정의되고 잘 분산된 특징들의 변형들을 생성하여 가치가 부가되게 하고, 그럼으로써 빌딩 내의 각각의 백열전구가 약간 변형된 전원, 시동 시간 등등의 조합들을 통해 구별될 수 있게 하는데, 그 이유는 구별할 수 없는 특징들을 가진 2개의 전구를 지닐 확률이 선험적인 면에서 무시할 정도로 낮기 때문이다. 비록 이러한 수법을 사용하지 않더라도, 중앙 데이터베이스에는 어플라이언스 인식을 개선하는데 사용될 수 있는 구성요소 분산들에 대한 정보가 포함된다.

상기 메타 언어는 컴파일과 동작 면 양자 모두에서 수식들과 조건절들을 사용하여 인스턴스화할 수 있어야 한다. 상기 언어는 매개변수 및 알고리즘 관계 양자 모두를 나타낼 수 있다. 상기 메타언어의 규칙들은 복합 동작들이 설명될 수 있게 하기 위해) 품부한 세트의 잠재적인 설명들 및 (현재 존재하지 않은 미래의 구성요소 및 프로세스 특징들을 고려하도록 하는) 확장성을 제공한다. 클래스 설명의 최상위 레벨에는 작업 흐름, 작업 프로세스, 구성요소 및 작업 프로세스들과 구성요소들이 함께 어플라이언스를 나타내는 바인딩의 수퍼 클래스들이 설명된다. 이러한 일련의 설명들을 구현하는 데 사용될 수 있는 기존의 컴퓨터 언어들이 많이 있다.

작업 흐름들은 자연 언어 설명(관련성이 있는 경우), 각각의 작업 프로세스의 매개변수들 및 작업 흐름에서의 각각 단계 사이의 시간 분포 등등과 같은 특성들을 결정하는 개별 거주자 입력과 함께 시계열의 작업 프로세스들을 나타낸다. 어플라이언스 인식 모듈(2)은 개별 거주자들에게 작업 흐름들을 할당하지 않지만, HEMS(4)의 다른 모듈들(6)은 작업 흐름의 인스턴스들을 개별 거주자의 특징 또는 할당되지 않은 풀의 일부로서 태그(tag)할 수 있다.

거주자가 주도하는 작업 흐름들 외에도 냉장고 압축기 스위치 온, 스프링클러 시스템 작동 또는 야간 보안 조명 작동과 같은 자율적인 작업 흐름들도 있다. 이러한 작업 흐름들은 숨겨진 상태 변수들(예컨대, 냉장고 내부 온도)을 위한 센서들이거나 잠재적으로는 HEMS(4)에 의해 잠재적으로 추정 가능한(예컨대, 외부 조명 레벨 또는 하루 중의 시간) 구성요소에 부착될 수 있다.

적절한 세부 레벨로 어플라이언스(7)를 설명하려면 상당한 스킬과 경험이 필요하다. 예를 들면, 대표적인 식기 세척기는 문이 개방되면 프로그램을 중단시키는 스위치를 가질 수 있을 것이다. 한 실시 예에서, HEMS(4)는 정상적인 동작으로부터 이러한 이벤트를 검출 및 구별할 수 있다. 문이 닫히게 될 때 상기 식기 세척기가 다시 시동되는 경우 해당 특징이 메타언어로 설명된다. 센서들을 사용하여 부하를 모니터링하는 세탁기 또는 전자레인지는 정의된 구성요소 액션들 및 매개변수 값들의 시간 시퀀스를 따르는 것보다 다양한 작업 프로세스 매개변수의 변형을 지니게 된다.

보일러들 및 이들에 연관된 구성요소들과 같은, HEMS(4)에 의해 동작될 수 있는 기기(7)는 설치시에 구성될 수 있고 HEMS(4)는 어플라이언스 인식 모듈(2)에 그의 제어 입력의 현재 상태를 통지하게 된다. 또한, HEMS(4)는 자신들 및 자신들의 상태를 HEMS(4)에 확인시켜 줄 수 있는 스마트 어플라이언스들(도시되지 않음)에 연결될 수 있다. 이러한 어플라이언스들(7)은 사용자 입력을 검출할할 수 있는 가능성은 별개로 HEMS(4)에 의해 통제되는 어플라이언스들(7)과 동일한 방식으로 처리될 수 있다.

도 12a는 본 발명의 일 실시 예에 따른 HEMS(4)에 대한 물리 계층 시스템을 도시한 도면이다. 따라서, HEMS(4)는 다수의 로컬 통신 인터페이스(60)(예컨대, 블루투스, Z-파, 인스티온(Insteon), RS485, 지그비(Zigbee), CANBUS, OpenTherm 등등)를 가지게 되며 다수의 주거지 영역 네트워크(Home Area Network; HAN) 게이트웨이들(64)(예컨대, 무선, 스마트 미터들, RS485, SMS, 3G/4G 펨토셀들 등등)을 또한 가지는 HAN(62) 상에서 동작되게 될 것으로 예상된다. 그리고 나서, 모뎀/라우터(66)는 HAN(62)을 광역 네트워크(wide area network; WAN)(68)에 연결하게 된다.

도 12b는 본 발명의 한 실시 예에 따른 HEMS(4)를 위한 기능 계층 시스템을 보여주는 도면이다. 위에서 언급한 바와 같이, HEMS(4)는 중앙 데이터베이스 서버(다시 말하면, 저장 기기)(8') 및 다른 제3자 서비스들(70)과 통신할 수 있는 WAN(68)에 접속된다. 로컬 레벨 상에서 HEMS(4)는 유틸리티 측정 기기들(72)에 연결되어 있으며, 스마트 어플라이언스들(74), (예컨대, 온도, 풍향, 방사선 등등을 위한) 외부 센서들(76), (예컨대, 라디에이터 밸브들, 펌프들, 팬들, 보일러 제어 기기들, 열 펌프 제어 기기들, 열 저장 기기 등등의 형태를 이루는) 이펙터들(78) 및 (예컨대, 실온, 습도, 조명, 난방 시스템 모니터링 등등을 위한) 내부 센서(80)에 또한 연결될 수 있다.

프로세싱 유틸리티 입력 데이터에는 전경 및 배경 요소들이 있다. 따라서, 어플라이언스 인식 모듈(2)은 전경 프로세싱 모듈 및 배경 프로세싱 모듈을 포함하는 것으로 고려될 수 있다. 한 실시 예에서, 전경 프로세싱에서, HEMS(4)는 현재 스텝에서 활성 상태인 것으로 가정된 작업 프로세스들을 기반으로 하여, 각각의 측정 채널의 단기간(전형적으로는 예컨대 60 내지 120s, 전형적으로는 100s) 예상된 포워드 마르코프 체인에 대한 가설을 세운다. 가장 느린 측정 채널이 업데이트됨에 따라, 시스템 상태는 가설로 세워진 예측에 대해 체크된다. 이것이 매치하게 되면, 어플라이언스 인식 모듈(2)은 작업 프로세스, 어플라이언스 및 작업 흐름 계층(도 5)에 걸쳐 유틸리티 사용 데이터를 캡처 및 할당한다. 상기 포워드 마르코프 체인은 다시 예측되며, 어플라이언스 인식 모듈(2)은 위에서 설명한 한 바와 같은 데이터 관리를 계속한다.

시스템 상태가 예측(다시 말하면, 외부 허용오차)에서 벗어나는 경우, HEMS(4)는 먼저 작업 프로세스가 완료되었다는 가설을 테스트한다. 이 경우, 시스템은 상기와 같이 업데이트되지만, 이는 또한 차후의 사용을 위해 (특정 어플라이언스에 할당되는) 그러한 작업 프로세스에 대한 사용 데이터를 HEMS(4)로 전송한다. HEMS(4)로 통제되는 어플라이언스들 및 임의의 스마트 어플라이언스들에 대한 변화들은 불필요한 계산을 피하기 위해 자동으로 상기 포워드 마르코프 체인 예측에 통합되지만 상기 사용 데이터가 캡처된다.

작업 프로세스의 예상된/가설로 세워진 정상 완료가 유틸리티 또는 유틸리티 채널의 실제 현재 상태를 설명하지 못하는 경우, 상기 시스템은 편차의 원인을 확인하려고 시도하는 상이한 루프에 진입한다. 상기 시스템은 분석을 위해 신호들(34, 36, 38, 40) 상에 진입되는 측정 채널 데이터를 버퍼링하기 시작한다. 제1 단계는 버퍼(다시 말하면, 로컬 저장 유닛(8))에 축적하게 되는 마르코프 체인을 설명할 수 있게 되는 잠재적인 유저 입력들을 모든 어플라이언스들(7)에서 검색하는 것이다. 제2 단계는 마르코프 체인을 설명할 수 있게 되는 자율적인 변화들을 찾는 것이다. 이러한 축소된 세트의 작업 프로세스들로부터 가장 가능성 있는 원인을 할당하기 위해 이러한 작업 프로세스들을 포함하는 작업 흐름에 대한 검색이 수행된다.

테스트되는 잠재적인 인과관계 가설들은 다음과 같다:

1) 새로운 작업 프로세스가 최근 작업 프로세스에서 발생한 활성 작업 흐름의 일부로서 개시됨. 예를 들면, 샤워가 실시되었고 이제는 헤어드라이어가 사용 중이거나 세탁기 사이클이 완료되었고 회전식 건조기가 사용중임; 또는

2) 조명이 스위치 온되는 것과 같은 단일 프로세스 흐름을 포함하여 하나 이상의 알려진 작업 흐름들에서 새로운 작업 프로세스가 제1 작업 프로세스로 개시됨.

이전에 알려진 모든 작업 프로세스들은 정의에 따라 적어도 해당 작업 프로세스를 포함하는 작업 흐름의 일부이다.

상기 어플라이언스 인식 모듈(2)은 각각의 알려진 구성요소, 작업 프로세스, 어플라이언스 및 작업 흐름의 이전 사용에 대한 통계들을 유지한다. 이러한 통계들은 그 중에서도 이하의 사항들 중 어느 하나를 포함할 수 있다:

1) 하루 중의 절대 시간대 별 빈도 분포;

2) 계절별 빈도 분포;

3) 추정된 외부 조명 레벨들에 관련된 빈도 분포;

4) 적어도 하나의 거주자에 의한 가정된 주거에 대한 빈도 분포;

5) 가중된 노화 통계들 - 최근의 알려진 사용 시간, 과거 사용에 있어서의 중간 시간 및 전월의 하루 중의 시간별 빈도 분포; 및

6) 작업 흐름에서의 작업 프로세스들 간의 시간 간격 분포.

이 때문에, 선험적 확률들은 하루 중의 시간, 연중의 시간, 일광 시간, 외부 온도 및 다른 입력들을 기반으로 한 빌딩의 주거 상태에 대한 가설과 같은 외인성 요인들 및 상태 평가가 가능하며 (일광 스위치들과 같은) 자율적인 수단 또는 (수면 또는 온도 쾌적과 같은) 인간 요인들을 통해, 어플라이언스 사용 패턴들과 확실히 잠재적으로 상관관계가 있는 다른 요인들을 포함한다.

관측된 데이터에 적합할 수 있게 되는 어플라이언스 사용에 대한 2 이상의 가설이 있을 수 있다. 그러한 대체 설명들에 대한 일차적인 모호성 제거는 어플라이언스 구성요소들의 유틸리티 사용 패턴을 조사함으로써 이루어질 수 있다. 여기서 유념할 점은 물이 모호성 제거 프로세스에서 중요하고 유용하다는 점인데, 그 이유는 일부 작업 흐름들 및 작업 프로세스들에서만 사용되며 이후 특정적이고 종종 예측 가능한 방식으로 이용되기 때문이다. 2가지 이상의 설명이 이러한 "필터"에서 견뎌내면, 위에서 언급한 통계들이 다른 설명들에 확률들을 할당하는 데 사용된다.

도 13은 이하의 단계들을 포함하는 1차적인 모호성 제거의 예를 보여주는 도면이다:

100. 새로운 작업 프로세스 검토의 초기화

102. 물 사용이 관련되어 있는가? "예"인 경우에 단계 104로 진행하고, "아니오"인 경우에 단계 106으로 진행한다.

104. 전기 사용이 관련되어 있는가? "예"인 경우에 단계 108로 진행하고, "아니오"인 경우에 단계 110으로 진행한다.

106. HEMS는 가스 어플라이언스를 작동시켰는가? "예"인 경우에 단계 112로 진행하고, "아니오"인 경우에 단계 114로 진행한다.

108. 이러한 카테고리에서의 알려진/일반적인 어플라이언스들(예컨대, 샤워기, 세탁기, 식기 세척기 등등)와의 매치 검색

110. 이러한 카테고리에서의 열려진/일반적인 어플라이언스들(예컨대, 탭, 화장실, 욕실-탭 등등)과의 매치 검색

112. 알려진 HEMS 어플라이언스들(예컨대, 가스 보일러)과의 매치 검색

114. 가스 사용이 관련되어 있는가? "예"인 경우에 단계 116으로 진행하고, "아니오"인 경우에 단계 118로 진행한다.

116. 이러한 카테고리에서의 알려진/일반적인 어플라이언스들(예컨대, 밥솥, 가스난로 등등)과의 매치 검색

118. 이러한 카테고리에서의 알려진/일반적인 어플라이언스들/구성요소들(예컨대, 전기 구성요소들)과의 매치 검색

"다른" 어플라이언스들에 대한 참조는 예를 들면 난방 시스템을 승압하거나 라디에이터를 블리딩하는 것을 포함하여 전체 리스트를 검색하는 것을 의미한다. 도 7a, 도 7b 및 도 8a에 예시된 바와 같이, 가중된 설명력에 따라 이러한 분석에서 빈도 분포가 사용된다.

예를 들면, 도 7a는 침실 조명에 대한 빈도 분포 예를 보여주는 도면이고 도 7b는 보안 조명에 대한 빈도 분포 예를 보여주는 도면이다. 서로 다른 조명의 스위치 온/오프는 계절에 따라 하루 중의 여러 시간대로 구분될 수 있다. 황혼 대역에서도 스위칭 확률이 서로 다른 달들 동안 다르다. 그러나 이러한 확률들은 일광 센서에 의해 향상될 수 있게 된다. 보안 조명은 자율적이기 때문에, 하룻밤 동안 이를 스위치 온시켜 놓을 확률은 연중 항상 1(다시 말하면, 100%)이지만, 보안 조명의 작동 시간은 연중의 시간대에 따라 다르다. 대조적으로, 겨울철 여러 달 동안 침실 조명이 아침에 스위치 온될 확률은 약 50%에 불과하며 저녁에 침실 조명이 동작하게 될 확률은 상당히 낮다(0-15%).

도 8a는 냉동기 압축기의 빈도 분포 예를 보여주는 도면으로서, 동작이 시간에 따라 다르지는 않지만 실내 온도에 따라 다르며 최대 동작 확률(25%)은 실내 온도가 가장 높을 때임을 보여주는 도면이다. 따라서, 2개의 유사한 냉장고/냉동고 시스템은 이들이 내재하는 방들(예컨대, 차고 대 유틸리티 방)의 온도들을 추정함으로써 명확해질 수 있다. 또한, 문을 여는 패턴이 다르면 저녁 식사 준비 중에 문이 열리게 되는 저녁 범프(evening bump) 처럼 겸손하지만 눈에 띄는 단서들의 기여가 된다. 도 8b는 냉동기의 3가지 서로 다른 동작 모드를 보여주는 도면이다. 실내 온도가 일정한 개별 유닛의 경우, SeqA와 같은 동작 패턴이 확인될 것이며, 이러한 패터에서는 압축기가 스위치 온될 때까지 상기 유닛이 가열되고, 일정 시간 간격으로 냉각되고 스위치 오프된다. SeqA^*는 문이 열리게 되고 음식이 추가되는 지점 O를 보여 주고 이로 인해 압축기가 예상보다 빨리 그리고 긴 시간 동안 스위치 온하게 된다. 이 경우, 정상 작동의 중단은 2개 이상의 사이클에 영향을 미칠 수 있게 된다. SeqB^*는 SeqA^*와 유사한 시나리오를 나타내고 이 경우 문이 O'에서 열리게 되지만 낮은 실내 온도(다시 말하면, 빈도가 낮은 동작)를 나타낸다.

확률 가중치들의 정확한 세부사항은 숙련된 미세 조정의 문제이지만 일반적인 원칙은 더 많은 수의 샘플을 기반으로 한 통계들이 더 많은 가중치를 가지며 분산이 적은 분포(다중 모달 분산)가 더 많은 가중치를 가지고 그리고 노화 통계는 다음과 같은 대표적인 진리표에 따라 대안 가설로서 모호성 제거를 체크하는 데 사용된다는 것이다.

본 예에서, 구성요소들(A, B 또는 C) 중 어느 하나는 유틸리티 신호들의 패턴과 매치할 수 있게 되는데, 다시 말하면, 구성요소들(A, B 및 C) 중 어느 하나는 획득된 최근 데이터와 매치될 수 있게 된다. 사용 컨텍스트 통계("모든 데이터")를 살펴보면, 구성요소 A는 가장 유력한 책임 구성요소인 것으로 나타나 있지만 최근 사용 패턴은 이 패턴과 일치하지 않고 그럼으로써 모호함으로 플래그된다.

구성요소가 알려진 구성요소로서 인식되는 경우, 어플라이언스에 연관되는 알 수 없는 작업 프로세스에 대한 가설이 있다. 전경(foreground) 프로세스는 어플라이언스에 대해 데이터를 수집할 수 있지만 알 수 없는 작업 프로세스의 인스턴스로서 제시간에 데이터 시퀀스 위치를 레코드한다. 또한, 이는 새로운 유틸리티 사용 패턴을 포함하는 어플라이언스 정의에 대한 새로운 작업 프로세스를 생성한다. 작업 프로세스 데이터 캡처는 일정시간, 예컨대 이러한 어플라이언스의 알려진 작업 프로세스들의 기간의 최대 2 또는 3배인 일정시간 내에 그러한 어플라어언트에 연관된 임의의 구성요소들의 활성화가 이러한 새로운 작업 프로세스의 일부이라는 가정하에 계속 이루어진다.

정상 동작에서는 다음 상황들 중 어느 하나의 상황이 발생할 때 배경 프로세스가 출시된다:

1) 구성요소 식별에 모호함이 있음;

2) 새로운 작업 프로세스가 식별됨;

3) 배경 프로세스의 이전 동작이 다시 시작되도록 요청한 시간에 도달됨(전형적으로는, 배경 프로세스는 다른 원동력들이 없는 경우에 매달 실행되도록 요청하게 됨); 또는

4) 검토는 HEMS(4)의 다른 한 모듈(6)에 의해 요청됨.

배경 프로세스는 전체 히스토리 데이터세트 및 배경 프로세스가 출시되는 시점에서의 HEMS(4)의 현재 상태에 액세스한다. 이러한 데이터는 배경 프로세스가 실행되는 동안 업데이트되지 않는다는 의미에서 고정되어 있다. 이는 현재 데이터의 전체 복사본을 취함으로써 그리고 해당 복사본의 마지막 시간 스텝을 과거 데이터 검토의 수평선으로 사용함으로써 달성된다.

전경 프로세스는 이미 빌딩에 있는 것으로 가정되어 있는 구성요소들, 작업 프로세스들, 어플라이언스들 및 작업 흐름들에 대한 전경 프로세스의 검색을 제한하지만, 배경 프로세스는 모호성을 처리하고 구성요소, 작업 프로세스, 어플라이언스 및 작업 흐름을 업데이트 및 검토하며 어플라이언스 인식 모듈(2)과 다른 HEMS 모듈(6) 간의 진행중인 정렬을 관리하는 태스크들을 지닌다.

배경 모듈은 먼저 HEMS(4)의 엔지니어 셋업 및 설치의 일부로서 실행된다. 이러한 "셋업 모드"에서 HEMS(4)는 이하의 액션들을 수행한다:

1) 빌딩 내의 어플라이언스들(7)의 존재를 식별하는 입력을 수신하는 액션. 이는,

a. 스마트 기기가 HAN(Home Area Network)을 통해 자신의 존재를 선언함;

b. 어플라이언스(7) 상에나 또는 그에 관련하여 제공된 Qcode, 바코드 또는 다른 전자 특징을 스캐닝하는 엔지니어 또는 리드 유저를 통해 어플라이언스(7)를 식별함;

c. 어플라이언스(7) 상의 다른 정보 또는 그의 문서(다시 말하면, 모델 번호)로부터 어플리케이션(7)을 식별함;

d. 예를 들면 2대의 냉장고, 4대의 텔레비전, 히트 펌프, PV 패널들 등등과 같은 빌딩 내에서 관찰되는 어플라이언스들(7)을 리스트화함;

2) 어플라이언스(7)가 자신의 존재를 선언하는 경우, HEMS(4)는 (도 4에 따라) 특정 어플라이언스 설명에 액세스하는 방법을 발견하기 위해 (주거지 내 유닛(4) 상에 반드시 위치해 있지 않은) HEMS(4)의 내장 데이터 테이블들을 사용하게 됨. 이러한 설명은 HEMS 유저들 간에 공유되거나, 어플라이언스(7) 자체로부터 이용 가능하거나, 어플라이언스 원래 장비 제조자(OEM) 또는 이를 대신하는 다른 당사자에 의해 운영되는 서버로부터 이용 가능한 중앙 데이터베이스(8')에 있을 수 있게 됨. 배경 프로세스는 엔지니어에게 제안된 바와 같은 하나의 알려진 어플라이언스를 선택하는 옵션을 제공하기 위해 접근 가능한 모든 어플라이언스 설명들을 설치하고 이들 간의 차이점을 분석하려고 시도하게 된다. 물질적으로 서로 다른 설명들은 차이들의 특정 특성들에 의존하는 확률 가중치들 -전형적으로 리드 후보보다 가중치가 그다지 적지 않음 - 을 가지고, 백업 가설로서 유지되게 됨;

3) 어플라이언스(7)와는 다르고 자신의 설명에 대한 잠재적 소스가 아닌 Qcode가 사용되는 경우에 유사한 프로세스가 적용되게 됨;

4) 다른 정보로부터 어플라이언스(7)가 식별되면, HEMS(4)는 제품 코드들에 대한 매치들 또는 근접한 매치들인 다른 어플라이언스들을 HEMS(4)의 중앙 데이터베이스(8')에서 검색하려고 시도함. 이들은 모두 어플라이언스(7)의 후보자로서 취급됨. 엔지니어는 개연성(plausibility)에 따라 선택사항을 가중하도록 초대됨.

5) 일반 어플라이언스 타입들만이 제공되는 경우 HEMS(4)는 새로운 HEMS 설치의 지리적 영역 내에서 알려진 보급도(prevalence)에 의해 가중치가 부여되는, 설명에 맞는 모든 어플라이언스들의 후보자 리스트로부터 시동됨. 어플라이언스(7)가 신규 또는 최근 구입으로서 설명되는 경우, HEMS는 그러한 지리적 영역에서 검출한 새로운 어플라이언스(7) 인스턴스들을 기반으로 한 데이터를 사용함;

6) HEMS는 또한 이것이 일반 부모 어플라이언스 클래스들 중 하나 내에 맞는 새롭고 이전에 알려지지 않은 어플라이언스라는 널 가설(null hypothesis)을 채택함. 예를 들면, 조명 피팅(루미에르(lumiere)은 광범위한 전구 타입들, 등급들 및 개수들을 가질 수 있게 됨. 각각의 방에 조명 피팅이 몇 개 있고 그들이 고정되어 있거나 플러그-인되어 있는지를 아는 것만으로 각각의 루미에르에 해당할 수 있게 되는 엄청난 범위의 가능한 구성요소 설명들이 보류됨.

7) 셋업 프로세스는 또한, 초기 어플라이언스 가설 수집에 오류율 및 타입 분석을 추가함. 이것은 이전 설치들로부터의 통계들을 기반으로 하여 이루어짐. 어떤 어플라이언스가 아마도 존재할 수 있지만 빈번하게 보고되지 않는지를 고려할 수도 있고 어떤 어플라이언스가 전형적으로 자신의 특성 등등 면에서 오인되는지를 고려할 수 있다. 예를 들면, 20중의 1보다 큰 발생률을 갖는 이벤트들은 고려할 만한 가치가 있을 만큼 충분히 가능성이 있는 것으로 포함될 것임;

8) 프로세스들의 조합으로부터, HEMS(4)는 빌딩 내에 선험적으로 존재할 가능성이 있는 한 세트의 잠재적인 어플라이언스들로부터 시동됨. 특정 어플라이언스 인스턴스들 외에도, HEMS(4)는 어플라이언스 클래스의 모든 인스턴스들에 포함된 것으로 알려진 데이터베이스 내의 모든 구성요소와, 어플라이언스 클래스에서 사용되는 것으로 알려진 구성요소 클래스들의 부모 구성요소 클래스를 더한 것을 기본적으로 나타내는 각각의 어플라이언스 클래스에 대한 널 가설을 지님. 상기 선험적 확률들은 HEMS(4)가 설치된 지역 내의 어플라이언스들의 인스턴스들의 지리적 경험과 상기 HEMS가 설치된 영역 내의 구성요소들의 인스턴스들의 지리적 경험을 반영함. 상기 지역 또는 영역의 스케일은 통상의 기술자에게 자명하게 되는 수단으로 중앙 데이터베이스 내에 유지되는 지리적 확률 분포들에 의해 결정되게 됨. 영국에서는 선험적으로 "지역"은 TV 방송 적용범위와 유사할 가능성이 있으며 "영역"은 영국이 될 가능성이 큼. 데이터의 스케일이 커지면 판매 및 광고 그리고 거동적 분포 요인(behavioural distributional factor)들에 따라 양자 모두가 축소될 수 있을 것임.

9) 특정 어플라이언스 인스턴스를 포함하기 위한 확률 컷오프는 한 실시 예에서 어떤 상위 바가 많은 어플라이언스 클래스의 모든 특정 인스턴스들을 배제하게 될 정도로 어느 한 어플라이언스 클래스의 모델이 많이 존재함. 다른 값들이 사용될 수 있음. 어쨌든 조명과 같은 일부 클래스의 경우 초기 최종 후보자 리스트 상에 부모 클래스만이 빈번하게 포함될 가능성이 많이 있음.

10) 셋업 프로세스에는 빌딩 레이아웃, 특히 주요 어플라이언스들의 위치, 및 또한 몇 명의 성인과 어린이만 있는 경우 주거지의 거주자들에 대한 정보를 엔지니어가 입력하는 것이 포함될 수 있음. 유저들에 의한 입력들은 어떤 침실을 누가 사용하는지 그리고 어느 방의 온도 설정들에 대해 누가 강하게 느끼는지에 대한 단서를 제공함으로써 이를 풍부하게 할 수 있을 것이다. 다른 HEMS 모듈들(6)이 위치에 관한 입력을 제공할 수 있는 범위에서, 어플라이언스 인식 모듈(2)은 작업 흐름 가설을 구성하는데 이를 사용하며, 예컨대 샤워들은 욕실과 샤워실에서 이루어지며, 머리카락은 종종 욕실과 침실에서 건조됨.

11) HEMS(4)는 1차 난방 시스템과 움직임 센서, 연기 및 CO 알람 등등과 같은 임의의 접속형 보안 기기들에 대한 중요한 어플라이언스 및 구성요소 데이터를 제공할 수 있어야 함.

셋업 후에, 어플라이언스 인식 모듈(2)은 학습 또는 훈련의 기간을 입력하게 된다. 이 기간 동안 이는 전경 모드에서 데이터를 수집하지만 기기들/어플라이언스들(7)을 식별하려고 하지 않는다. 잡음 교정 루틴들은 히스토리 파일에 기록되어 있는 데이터를 정리하도록 수행된다. 어플라이언스 인식 모듈(2)은 단지 HEMS(4)에 총 유틸리티 사용 데이터를 제공할 수 있지만, 모든 데이터가 저장되기 때문에 이는 나중에 다시 방문할 수 있게 된다. 이러한 훈련 기간은 어플라이언스 사용 패턴들을 식별하기 위해 충분한 정보가 상기 작업 흐름들 상에서 수집될 정도로 충분히 오래 지속 되어야 한다. 이는 통계 테스트일 정도로, 어플라이언스 인식 모듈(2)이 충분히 강한 결론들을 내릴 수 없는 경우에, 더 많은 시간이 필요하다. 예를 들면 빌딩에 연속 주거하는 1개월은 제1 어플라이언스 식별을 수행하려고 하기 전에 데이터를 수집하는 데 적정한 기간인데, 그 이유는 이러한 기간 내에 다양한 어플라이언스들의 규칙적인 패턴 사용이 이루어졌어야 하기 때문이다.

유틸리티 데이터로부터 어플라이언스 활동을 인식하는 알려진 알고리즘 수법이 많이 있다. 본 발명의 실시형태들 및 실시 예들은 유한 상태 분석, 및 또는 선험적 확률 분석을 이용함으로써, 그리고 부가적으로는 작업 흐름들의 개념들을 한 세트의 작업 프로세스들로서 적용하고 공유 데이터베이스를 사용하여 초기 확률 추정값들을 설정함으로써 그들과 구별된다. 그 외에도, 본 발명의 실시형태들 및 실시 예들은 순수한 무지의 상태로부터 어떤 기기들이 빌딩 내에 존재하는지를 식별하려고 하지 않는다. 상기 방법은 (어느 정도의 거리를 두고 주변에 있는 모든 주거지들이 냉장고들을 지니는 한은) 대부분의 주거지에 냉장고가 있을 가능성이 있음을 인식할 뿐만 아니라, 이는 또한 설치 엔지니어가 눈에 띄는 주요 어플라이언스들, 방들의 수 그리고 결과적으로는 유사한 루미에르들의 수에 대한 입력들을 지닌다.

최적의 해결수법은 선험적 확률들로부터 시작되는 알고리즘들의 조합이게 된다. 적어도 충실도와 비용 간이 아니고, 본 발명의 실시형태들 및 실시 예들의 임의의 적용에 있어서의 실용적인 트레이드-오프가 존재하게 되기 때문에, 임의의 적용에 대한 가장 적합한 수법이 미리 정확하게 결정될 수 없다.

이해를 더 돕기 위해, HEMS(4)는 서로 다른 수법들의 조합을 사용하여 큰 공간을 효과적으로 검색하기 위해 컴퓨터 및 수학적 알고리즘의 선택을 사용하여 포렌식으로 데이터를 분석하는 경험 있는 엔지니어로 간주될 수 있다.

바로 그 제1 단계는 HEMS(4)가 HEMS(4)에 연결된 스마트 어플라이언스들 및 다른 어플라이언스들(7)로부터 이미 알고 있는 패턴들을 식별하는 것이다. 유틸리티 사용 패턴들은 제거된 이러한 어플라이언스들의 추정된 특징들을 지닌다. 이는 사소한 프로세스가 아니며 도 9a에 개략적으로 나타나 있고, 도 9a는 HEMS(4)에서 아려진 어플라이언스 사용 신호들의 감산을 보여주는 흐름도이다. 본질적으로, 총 유틸리티 신호들(120)은 알려진 스마트 기기 유틸리티 사용(124) 및 HEMS 통제 기기 유틸리티 사용(126)과 함께 감산 프로세서(122)에 입력되며 그럼으로써 나머지(미확인) 유틸리티 사용(128)이 추출될 수 있게 한다.

도 9b는 측정된 전기 신호로부터 알려진 어플라이언스 사용 신호들의 감산을 보여주는 도면이다. 이 경우, 전기 측정 기기(14)는 RMS 전압, RMS 전류, 위상 각 및 노이즈 진폭을 (주파수 빈들에서) 측정한다. RMS 전압, RMS 전류 및 위상 각은 실제 및 무효 전력 성분들을 추출하기 위해 총 전력 계산에서 사용된다(130). 알려진 HEMS 연결 기기들에 의해 설명될 수 있는 각각의 주파수 빈에서의 실제 및 무효 전력 성분들 및 잡음 진폭은 도시된 바와 같이 감산되고, 그럼으로써 HEMS 분석에 의해 설명될 수 있는 성분들이 남게 된다 (여기서 유념할 점은 감산되는 값들이 공급 전압에 따라 달라질 수 있으며 기기의 커패시턴스 및 임피던스에 따라 무효 전력들이 음수가 될 수 있다는 점이다).

다음 단계는 유틸리티 사용에 대한 설명을 찾는 것이다. 위에서 언급한 바와 같이, 전기 사용보다 적은 양의 물 사용으로 물 사용의 인스턴스들로부터 시작되는 것이 편리하다. 이 단계들은 다음과 같다:

1) HEMS(4)로부터의 온수식 난방 작업 프로세스 데이터를 요청함. 이에 대한 가장 간단한 버전은 온수를 가열하기 위한 가스 콤비 보일러(gas combi-boiler) 연소일 것임. HEMS(4)는 온수식 난방에 대한 데이터를 제공하기 위해 질의를 받는다. 데이터의 형태는 난방 시스템에 따라 이루어지게 됨. 가스 콤비-보일러의 간단한 경우에, 데이터는 콤비-보일러가 본관으로부터 직접 그리고 즉시 물을 가열하기 때문에 데이터는 물 사용과 정확히 상관관계가 있게 됨. 가스 보일러 및 침적식 히터 양자 모두를 구비한 온수 저장 탱크의 경우, HEMS(4)는 관련 통제 입력 데이터, 탱크 상태에 대한 측정치들 및 탱크에 대한 어플라이언스 모델을 공급할 필요가 있음. 그 다음에, 어플라이언스 인식 모듈(2)은 물, 가스 및 전기에 대한 데이터 히스토리들로부터 2가지의 작업 프로세스(하나는 보일러에 대한 것이고 다른 하나는 침적식 히터에 대한 것임)의 요소들을 분리할 수 있음;

2) 빌딩의 어플라이언스들(7)에 있는 모터들로부터의 구성요소 신호들을 식별함. 모터들은 전기 신호 채널들로부터 절연될 수 있는 독특한 전기 사용 패턴들을 생성함. 확인된 모터 이벤트들은 HEMS(4)에 연결된 난방, 환기 및 물 서브-시스템에 연관된 임의의 펌프들, 팬들 등등으로 정리되어야 함;

3) 그리고 나서, 이러한 모터 이벤트들은 빌딩에 있을 가능성이 있는 모터들을 포함하는 어플라이언스들(7)에 대한 일반적인 클래스 데이터에 대해 테스트됨. 이는 세탁기들, 회전식 건조기들, 식기 세척기들 등과 같은 주요 부하를 식별하고 팬들, 냉장고들 및 냉동고들, 헤어드라이어들 등등과 같은 일부 소형 모터들이 덜 명확하게 식별되게 해야 함;

4) 그리고 나서, 이러한 나머지 모터 이벤트들은 냉장고 및 냉동실 패턴들에 대해 검색됨. 가정된 모델은 HEMS에 의해 공급된 위치의 온도에 의존하는 일정한 간격들로 이들이 스위치 온되는 것임. 그들의 위치가 불명확한 경우에 상기 검색은 그들이 주방 구역이나 차고에 있다는 가설을 테스트함. 이러한 루틴 배경 이벤트들 외에도, 시퀀스는 또한, 저전력 램프를 포함하는 냉장고 및 냉동고 문 개구부들에 의해 중단되고, 그리고 나서 비선형 방식으로 개방 기간에 의존하지만 양(+)의 상관관계가 있는 냉각 부하의 기간은 증가하게 된다. 이것은 또한, 임의의 냉장고/냉동고에 있는 램프들의 특징을 확인해야 함;

5) 그런 다음에, 유틸리티 데이터 레코드들은 이러한 대형 모터들에 관련된 어플라이언스들(7)에 대한 전기 및 물 작업 프로세스 데이터로부터 정리됨;

6) 그리고 나서, 나머지 어플라이언스들(7)은 (a) 보조 가스 및 전기 난방, (b) 조명, (c) 소형 모터 기기들, (d) IT 및 오락 기기들, (e) 탭 및 급수 시스템 및 (f) HEMS(4)에 연결되지 않은 보안 시스템들, 비상 토치들 등등과 같은 배경 부하들;로 이루어져야 함;

7) 그리고 나서, 어플라이언스 인식 모듈(2)은 하루 중의 시간, 주 중의 시간, 일광 시간, 외부 온도 등등에 의해 추진되는 패턴들로 동작하는 자율 기기들을 찾는 물 및 전기 참조 레코드들을 스캔하게 됨;

8) 어플라이언스 인식 모듈(2)은 보조 난방 입력들, 다시 말하면 가스 또는 전기 사용과 상관관계가 있는 방들에 대한 검출된 난방 입력들에 대한 데이터를 HEMS(4)로부터 요청하게 되지만 HEMS(4)에 링크된 어플라이언스(7)로부터 데이터를 요청하는 것이 아님. 이들은 또한, 소형 모터들(팬들)을 포함할 수도 있고 소형 모터들(팬들)을 포함하지 않을 수도 있음. 이들의 특징들은 가스 및 전기 데이터에서 명확하게 식별되어야 함. 어플라이언스 인식 모듈(2)은 공간 난방으로 주방에서 요리 활동들을 명확하게 해야 함;

9) 조명, 추출 팬들, 주전자들, 토스터들, 전자레인지들, 오븐들 및 그릴들, 싱크대 사용 등등을 포함한 작업 흐름 패턴들을 찾음으로써 현재 다른 주방 활동들이 구별됨;

10) 측정된 전기 데이터는 가변 전원 전압에 의해 제공되는 자연적 실험을 사용하여 의사(擬似) 고정 전력인 어플라이언스들 및 의사 고유 저항인 어플라이언스들에 대해 스캐닝됨;

11) 거주자들에 의해 활성화되는 것으로 보이는 유틸리티 사용 패턴들에 대한 데이터를 사용하여, 타임 라인은 빌딩이 활성 상태로 주거 되고, 거주자들이 모두 잠들어 있으며 그리고 빌딩에 거주자가 없는 것으로 보이는 기간으로 구분됨. 이것들이 명확하게 결정될 수는 없지만, 그 목적은 강력한 가설을 전개하는 것임. 예를 들면, 도난 경보가 HEMS(4)에 부착된 경우, 경보를 설정 및 설정해제하면 빌딩 내의 특정 부재 또는 존재에 대한 강력한 가설이 제공됨. 그러나 알람을 설정하지 않으면 결정적이지 않음.

12) 그리고 나서, 측정 데이터는 측정 기기들(10, 12, 14, 16)의 신호 대 잡음 성능 내에서 분해 가능한 경우에 가스, 전기 및 물의 명백하고 일정하며 작은 배경 사용이 장시간에 걸쳐 무엇인지 결정하기 위해 "누출(leakage)" 가설에 대해 거주자가 없는 것으로 보이는 기간 동안이나 모든 사람들이 잠들어 있는 기간 동안 체크됨;

13) 그리고 나서, 측정 데이터는 이러한 배경 소비로부터 정리되어 미확인된 작업 프로세스들을 남겨 둠;

14) 그리고 나서, 어플라이언스 인식 모듈(2)은 셋업 단계 동안 빌딩 내에 그럴듯하게 구성된 어플라이언스들(7)의 세트를 고려함으로써 전기 패턴 데이터를 조명 및 다른 이벤트들로 분해하려고 함. 이는 상대적으로 작은 부하 어플라이언스들에 대한 조합 수학 검색에서의 연습임.

15) 어플라이언스 인식 모듈(2)은 확인 및 미확인된 작업 프로세스들의 레코드 또는 파일을 구성한 다음, 선험적 베이지안 확률에 기반으로 하여 작업 흐름들 검색함. 이는 화장실을 사용하고 욕실 또는 WC에서 손을 씻고, 주방에서 조리하고 어플라이언스를 사용하는 등등과 같은 방 관련 활동들을 식별해야 함. 그러한 분석을 사용하면 조명이 사용되는 어두운 작업 흐름들이 비슷한 낮 동안의 작업 흐름들과 구별될 수 있음. 이러한 2가지의 작업 흐름은 개별 통계 수집을 가능하게 하고 하루 중의 시간 효과로 인한 미묘한 차이들을 피하기 위해 연결되지만 구별됨;

16) 야간 작업 흐름의 패턴은 방들에 대한 특정 루미에르들을 배치하려고 하도록 검사됨. 요리, 목욕, 세탁기들과 같은 어플라이언스들(7)의 스위칭 온, 냉장고 문의 개방과 같은 단서들이 가설을 전개하는 데 사용된다. 예를 들면, 부엌 조명을 사용하지 않는 것으로 보이지만 단지 그다지 빈번하게 사용되지 않은 조명을 사용하는 작업 흐름의 일부인 차고에 있는 것으로 의심되는 냉장고는 매우 의미심장한 암시적인 패턴임. HEMS(4)는 움직임 센서, 습도 측정, 고정 통제 패드들 및 온도 ㅈ조절 라디에이터 밸브(thermostatic radiator valve; TRV)들 상의 "접촉들" 등등과 같은 다른 상호작용들을 찾아내도록 요청됨.

17) 현재 어플라이언스 인식 모듈(2)은 아마도 단일 작업 프로세스에서 동작하는 단일 어플라이언스로 이루어진 작업 흐름들 및 자동 작업 프로세스들을 포함하여, 작업 흐름들 및 작업 프로세스에 대한 사후 확률 데이터 집합을 갖음. 또한, HEMS(4)와의 다른 주거지 상호작용으로부터의 단서들 및 위치 단서들을 기반으로 한 사후 가정(posteriori hypotheses)이 있는데, 일부 작업 흐름들은 특정 거주자의 활동들을 나타내며 다른 것들은 몇몇 거주자들 또는 팀 노력 중 하나를 대표함. 예를 들면, 샤워를 하고 및 머리카락을 건조하는 것은 식사를 요리하고 먹는 것보다 더 단독적인 활동인 경향이 있음. 거주자들의 거통 패턴들의 변화를 인식하는 것은 HEMS(4)의 다른 실시형태들에 중요하게 됨. 예를 들면, 하루 중의 보통과는 다른 시간대에 주거지에 들어가고 이전에 알려지지 않은 작업 흐름을 따르는 거주자는 침입자임을 시사하고 HEMS(4)에 의해 소유자에게 메시지를 유발할 수 있음. HEMS(4)에 대한 비정형 요청을 갖는 보통과는 다른 활동 패턴들의 혼합은 예컨대, 질병 또는 HEMS(4)가 거주자들과 어떻게 상호작용하는지에 중요하게 되는, 거주자들에게 영향을 미치는 다른 요인들에 영향을 미친다. 그림 4에 표시된 작업 흐름 인식 피드백은 이를 가능하게 한다.

통상의 전경 작동 중에, 어플라이언스 인식 모듈(2)은 어플라이언스 작업 프로세스들 및 거주자 작업 흐름들(도 5)의 계층을 사용하여, 측정 기기들(10, 12, 14, 16)로부터 이용 가능한 상세 신호에 대한 참조 데이터로부터 알려진 성분의 스톡을 매칭하여 모호성 제거를 신속하고 신뢰성 있게 제공하게 된다. 다시 말하면, 가장 가능성 있는 설명들/가설들(즉, 가장 높은 확률을 갖는 것들)이 먼저 테스트되고 대안보다 훨씬 더 많은 (다시 말하면, 20의 인자만큼) 가능성이 있는 경우에 받아들여진다. 모호성은 다른 설명들이 있는 경우에 존재할 수 있으며, 각각의 설명은 예컨대. 5% 이상의 확률(다른 실시 예들에서는 임계치가 다른 레벨, 예컨대 3% 또는 10%로 설정될 수 있음)을 지닌다. 특정 실시 예들에서, 시스템은 적어도 75%, 적어도 80% 또는 적어도 90%의 확률들을 찾고, 이 경우 훨씬 낮은 확률들을 가진 나머지 가설을 본질적으로 무시할 수있다

필요한 경우 배경 프로세스가 시작됨:

1) 제1 단계는 학습 기간이 끝날 때 설명된 프로세스를 이전의 과거 데이터 예컨대, 이전 6개월 동안의 과거 데이터(이는 변경, 예컨대 빌딩에 주거 되지 않는 기간을 고려하도록 연장되더라도)를 사용하여 재실행하는 것임. 배경 프로세스는 작업 흐름들, 작업 프로세스들 및 과거 데이터와 통계 면에서 상당히 다른 구성요소 패턴들의 인스턴스들을 식별하려고 함. 가설은 무언가가 변경되어 과거 데이터가 더 이상 신뢰할 수 없게 되는 것임.

2) 구성요소 모호성의 결과로서 프로세스가 시작된 경우 그리고 과거 데이터 예컨대, 지난 6개월 동안 데이터가 구성요소를 식별하지 못하면 거의 모호한 경우(다시 말하면, 2개 이상의 구성요소, 각각의 구성요소가 데이터 패턴을 설명할 수 있게 되고 다른 구성요소보다 훨씬 가능성이 없는 경우) 관련된 어플라이언스들(7) 및 에너지 사용량에 의존하게 됨. 조명 또는 기타 작은 용도의 경우에는 당분간 모호성이 인정되며 보고 및 기타 목적을 위해 모호한 구성요소들을 보유하도록 어플라이언스 풀이 만들어지게 됨. 큰 어플라이언스 또는 에너지 유저의 경우, 그러한 액션은 유저들이 HEMS(4)에 대해 가지는 참여 수준 및 어플라이언스 타입 양자 모두에 적합함. 예를 들면, 구성요소가 냉장고에 대한 스위치/조명 조합이고 2대의 냉장고가 상기 냉장고들의 압축기들의 에너지 특징에 의해 구별될 수 있는 경우에, 상기 어플라이언스들 및 작업 프로세스들은 모호하지 않지만 전경 프로세스에 의한 이들의 명확성은 스위치/램프 조합을 인식하는 것보다 더 복합적임. 주거지에 동일한 냉장고가 2대 있는 경우에는 그들의 모호성을 제거하는 유일한 방법은 노력할 만한 가치가 없을 수 있는 다른 단서들을 통해 수행하는 것뿐임. 적어도 한 유저가 HEMS(4)에 적극적으로 참여하는 소수의 경우, 유저 입력은 이러한 이슈들을 해결할 수 있음. 원칙적으로 거주자들에게 중요한 것은 작업 흐름들이며, 어플라이언스들의 매우 구체적인 인식은 중요하지 않을 수 있음.

3) 구성요소가 어플라이언스의 일부로서 인식될 수 없는 경우, 일반적인 클래스(예컨대, 모터)에 의해 인식 가능하지만 작업 프로세스로서 인식 가능한 패턴이 없는 구성요소가 있을 수도 있고, 클래스에 들어맞는 구성요소가 분명히 있을 수도 있음. HEMS(4)는 구성요소에 대한 데이터를 수집하고, 다수의 HEMS(4)에 걸쳐 공유되는 중앙 데이터베이스를 감시하는 기술자에 의한 주의에 대한 발생률을 플래그하게 된다. 배경 프로세스는 사전에 결정된 기간, 예컨대 한 달 후에 재실행되도록 플래그될 수 있음;

4) 작업 프로세스가 인식되지 않기 때문에 배경 프로세스가 트리거되는 경우, HEMS(4)는 먼저 이러한 구성요소를 포함한다고 가정된 어플라이언스(7)의 다른 알려진 구성요소들을 포함하는 패턴을 찾으려고 함. 이것이 성공하면 잠재적인 새로운 작업 프로세스가 플래그됨. 배경 프로세스는 중앙 데이터베이스에 대해 프로세스의 이러한 인스턴스를 승인하려고 함. 다양한 확률들의 모호성을 설명하는 프로세스 트리가 예를 들면 도 10에 도시된 바와 같이 정의될 수 있으며, 도 10에서는 어플라이언스(7)가 인식되지만 작업 프로세스는 그럴듯하게 연관되지 않고(140, 142); 어플라이언스(7)는 인식되고 작업 프로세스는 관련되지만 매개변수 공차들은 외적이며(144); 어플라이언스(7)는 인식되지 않지만 프로세스는 어플라이언스가 속하는 어플라이언스 클래스에 상응하는 프로세스와 일치될 수 있고(146); 어플라이언스(7)는 상대적으로 새로운 어플라이언스로서 중심부에 태깅되었고(148), 그럼으로써 희귀한 프로세스의 인스턴스, 예컨대 세정/제상(cleaning/defrost) 사이클일 수 있음. 일단 상기 트리가 묘사되고 설명되면, 이러한 섹션은 배경 프로세스가 사전에 결정된 시간주기, 예컨대 한 달 내에서 실행되도록 하기 위한 플래그로 끝남;

5) 루틴 업데이트와는 다른 이유로 배경 프로세스가 시작된 경우 배경 프로세스는 기본 가정 세트로서 빌딩에 대한 이전 정보를 사용하지만 주거지(들)에는 새로운 거주자들 및/또는 어플라이언스들이 있다는 가설을 가지고, 선험적 확률들을 조절하도록 (앞서 설명한 바와 같이) 위치 관련 거주자 및 어플라이언스 데이터를 사용하여 완전 새로운 교육 시작을 실행함. 이로 인해 이전 데이터와 상당한 차이가 나는 경우, 구성된 데이터는 새로운 작업 흐름들, 작업 프로세스들 및 구성요소들에 사용됨. 이 프로세스에서 생존하는 객체는 유지되지만 가장 최근의 기간에 의해 데이터가 업데이트됨;

6) 이러한 데이터 세정 연습은 훈련 기간에 발생하는 이전 데이터로부터의 확률이 소정 레벨, 예컨대 95% 미만인 작업 프로세스들의 예들을 찾는 것으로 완료되는데, 다시 말하면, 최근 기간에는 단순히 발생하지 않았을 가능성이 적음. 배경 프로세스는 어플라이언스들이 삭제되지 않았음(다시 말하면, 전경 프로세스의 뷰에서 제거되었음)을 체크하고 이 경우에는 단순히 기간 내에 동작하지 않을 가능성이 있음. 배경 프로세스는 이러한 삭제된 항목들이 다시 나타나고 재설치해야 할 경우를 대비하여 상기 삭제된 항목들을 유지한다. 배경 프로세스는 새로운 어플라이언스가 삭제된 어플라이언스를 대체했다는 가설을 테스트한다. 이것이 올바른 것으로 나타나는 경우 이는 HEMS 데이터 로그에 이 관계를 플래그하고, 그럼으로써 나중에 과거 데이터에서 결론을 이끌어 낼 수 있게 된다. HEMS(4)가 유저와 적절한 관계를 갖고 어플라이언스가 에너지 사용(즉, 조명, 핸드헬드 기기 등들이 아님) 면에서 주요한 것일 경우, 그것은 대체를 확인하기 위해 유저에게 질의할 수 있음;

7) 어플라이언스 또는 작업 흐름에 의한 유틸리티 사용의 상당한 비율이 검토에서 변경되는 경우, 프로세스는 사전에 결정된 시간주기, 예컨대 한 달 내에 재실행되도록 자체적으로 플래그함.

위에서 설명한 프로세스들은 다수의 서로 다른 어플라이언스 및 모델의 예상되는 에너지 특징 프로파일들과의 비교를 통해 하나 이상의 어플라이언스들을 식별하기 위해 '핵심' 에너지 특징들이 검출 및 분석되는 것을 가능하게 한다. 이러한 '핵심' 어플라이언스들은 세탁기들, 식기 세척기들, TV들, 냉장고들, 냉동고들, 조명들 등들이 될 것이다. 이렇게 하면 기기 충전기들와 같은 소형 어플라이언스에서 비롯될 수 있는 것과, 도난 경보기, HEMS(4) 자체 등등과 같은 배경 특징에 지속적으로 기여하는 어플라이언스들/기기들을 구별하기 어려운 에너지 특징들의 조합이 남게 된다. 일단 '키' 어플라이언스들이 식별되거나 인식되면 나머지 데이터는 동일한 프로세스에 따라 나머지 어플라이언스들을 식별하도록 분석될 수 있다. 그 목적은 빌딩 내의 모든 어플라이언스들을 식별하는 것이다. 일부 어플라이언스들의 식별은 빌딩/주변 지리적 지역 등등에 대한 참조 데이터 및 과거/대표 사용 데이터와 비교하여 신속하게 이루어질 수 있게 한다. 다른 것들은 예컨대 어플라이언스가 자주 사용되지 않는 경우, 긴 시간 동안의 모니터링을 요구할 수 있게 된다.

예를 들면 주거지에 250개의 어플라이언스/ 부품이 있을 수 있다. 어플라이언스 인식 모듈(2)/HEMS(4)는 특정 순간에 그들이 어떤 상태에 있는지 파악하는 것을 목표로 한다. 이는 베이지안 확률들을 기반으로 한 가설을 포함한다. 가장 가능성 있는 설명들이 먼저 고려되며, 이는 다수의 어플라이언스가 인식되게 한다. 그리고 나서, 나머지 에너지 특징들은 분석되고 어플라이언스들 및/또는 이러한 어플라이언스들의 상태를 식별하기 위한 목적으로 가설과 비교된다. 가장 가능성 있는 가설이 우선 검색될 수 있게 함으로써, 이는 유리하게 모호성 제거의 성공 확률을 증가시키고 계산 요건들을 감소시킨다.

본 발명의 실시형태들 및 실시 예들은 유리하게 이전에 가능했던 것보다 나은 베이스 데이터세트를 제공하기 위해 주거지 및 내부 센서들로의 유틸리티 흐름 상의 센서들로부터의 정보의 더 포괄적인 통합을 제공한다. 이를 통해 빌딩 내에서의 거주 패턴, 어플라이언스 및 유틸리티 사용에 대한 이해가 가능하게 되며, 이는 소비자들이 자신들의 유틸리티를 더 효과적으로 관리할 수 있게 해준다.

또한, 알려진 시스템과 달리, 본 발명의 실시형태들 및 실시 예들은 개별 어플라이언스들을 사용하는데 인간 거동의 패턴들을, 그리고 어플라이언스 인식을 용이하게 하는, 세탁, 요리, 목욕/샤워 등등과 같은 작업 흐름을 인식하는데 어플라이언스들의 조합들을 포함한다.

본 발명의 한 실시 예에 따른 HEMS(4)에 대한 시스템 콘텍스트의 개관이 도 11에 도시되어 있다. 이는 빌딩 피직스(150), (일기 예보 및 에너지 요금을 포함하는) 외부 환경(152), (어플라이언스들의 위치, 미세 환경들을 포함하는) 내부 환경(154) 및 (관계들, 주거/사용의 패턴들, 비용 및 예산을 포함하는) 거주자 경험들(156)에 대한 세부사항들을 포함하는 HEMS(4)에 대한 입력들 중 일부(및 이들의 상호관련된 특성)을 개괄적으로 나타낸 것이다.

본 발명의 실시형태들 및 실시 예들은 또한 정교한 알고리즘들을 통해 많은 주거지 내에서의 그리고 많은 주거지를 통해서의 가설들에 대한 구성 및 테스트에 의한 명확성(disambiguation)을 채용한다. 이러한 프로세스는 지금까지는 불가능하였다.

청구항들에 의해 정의된 본 발명의 범위를 벗어나지 않으면서 상기 실시 예들에 대해 다양한 변형이 이루어질 수 있음은 통상의 기술자에 의해 이해될 것이다. 예를 들면, 한 실시 예로부터의 특징들은 다른 실시 예들의 특징들과 혼합 및 매칭될 수 있다.

Claims (24)

1. 빌딩 내의 환경 관리 시스템을 동작시키는 방법에 있어서,
   상기 방법은,
   2개 이상의 유틸리티들을 모니터링하고 2개 이상의 유틸리티들 각각에 관련된 하나 이상의 특성들을 측정하여 이를 나타내는 출력 신호를 제공함으로써 빌딩 내에서의 어플라이언스 사용을 모니터링하는 단계;
   사전에 정의된 시간 간격들에서 상기 출력 신호들 각각의 상태 변화를 모니터링하는 단계;
   각각의 유틸리티로부터의 출력 신호들로부터의 데이터를 조합하여 하나 이상의 어플라이언스 사용 패턴들을 식별하는 단계;
   상기 식별된 어플라이언스 사용 패턴들을 빌딩의 개별 거주자들에 연관된 어플라이언스 사용의 저장된 패턴들과 비교하여 미래의 어플라이언스 사용의 예상 패턴을 식별하는 단계; 및
   상기 환경 관리 시스템을 동작시켜 미래 어플라이언스 사용의 식별 및 예상된 패턴에 따라 빌딩 내의 환경을 통제하는 단계;
   를 포함하는, 빌딩 내의 환경 관리 시스템의 동작 방법.
2. 제1항에 있어서,
   빌딩 내의 어플라이언스들은 시스템을 구성하고 상기 시스템은 유한 상태 기계로 표현되며 각각의 출력 신호는 특정 시간에 상기 시스템의 특성 상태를 나타내는, 빌딩 내의 환경 관리 시스템의 동작 방법.
3. 빌딩 내의 환경 관리 시스템을 동작시키는 방법에 있어서,
   상기 방법은,
   빌딩 내에서의 어플라이언스 사용을 모니터링하는 단계로서, 상기 빌딩 내의 어플라이언스들이 시스템을 구성하고, 상기 시스템은 유한 상태 기계로 표현되는, 단계;
   2가지 이상의 유틸리티들을 모니터링하고 상기 유틸리티들 각각에 관련된 하나 이상의 특성들을 측정하여 출력 신호를 제공하는 단계로서, 각각의 출력 신호는 특정 시간에 상기 시스템의 특성의 상태를 나타내는, 단계;
   사전에 정의된 시간 간격들에서 상기 출력신호들 각각의 상태 변화를 모니터링하는 단계;
   각각의 유틸리티로부터의 출력 신호들로부터의 데이터를 조합하여 하나 이상의 어플라이언스 사용 패턴들을 식별하는 단계; 및
   상기 환경 관리 시스템을 동작시켜 상기 식별된 패턴들에 따라 상기 빌딩 내의 환경을 통제하는 단계;
   를 포함하는, 빌딩 내의 환경 관리 시스템의 동작 방법.
4. 제3항 또는 제4항에 있어서,
   상기 시스템은이 마르코프 체인(Markov chain)으로서 표현되는, 빌딩 내의 환경 관리 시스템의 동작 방법.
5. 제1항 내지 제4항 중 어느 한 항에 있어서,
   상기 어플라이언스 사용 패턴들을 식별하는 단계는 선험적 확률들을 사용하고, 가장 가능성이 있다고 결정된 어플라이언스 사용의 참조 패턴을 먼저 상기 데이터와 비교하는 단계를 포함하는, 빌딩 내의 환경 관리 시스템의 동작 방법.
6. 제1항 내지 제5항 중 어느 한 항에 있어서,
   상기 하나 이상의 특성들의 측정은 사전에 결정된 크기의 측정 빈(measurement bin) 내에 레코드되며, 상기 빈은 사전에 결정된 측정 범위 내에 있는, 빌딩 내의 환경 관리 시스템의 동작 방법.
7. 제1항 내지 제6항 중 어느 한 항에 있어서,
   상기 방법은 시간 경과에 따른 어플라이언스에 대한 입력 패턴을 기반으로 하여 작업 프로세스를 정의하는 단계를 더 포함하는, 빌딩 내의 환경 관리 시스템의 동작 방법.
8. 제7항에 있어서,
   상기 방법은 하나 이상의 어플라이언스들에 걸쳐 식별 가능한 작업 프로세스 시퀀스들을 기반으로 하여 작업 흐름을 정의하는 단계를 더 포함하는, 빌딩 내의 환경 관리 시스템의 동작 방법.
9. 제8항에 있어서,
   상기 하나 이상의 어플라이언스 사용 패턴들을 식별하는 단계는 상기 출력 신호들의 프로세싱 및 식별된 작업 프로세스들 및 작업 흐름들의 분석을 기반으로 하여 어플라이언스에 대한 유틸리티 사용 패턴을 결정하는 단계를 포함하는, 빌딩 내의 환경 관리 시스템의 동작 방법.
10. 제1항 내지 제9항 중 어느 한 항에 있어서,
    상기 방법은 상기 하나 이상의 어플라이언스 사용 패턴들을 하나 이상의 참조 패턴들과 비교하여 상기 출력 신호들에 연관되는 어플라이언스를 식별하는 단계를 포함하는, 빌딩 내의 환경 관리 시스템의 동작 방법.
11. 제10항에 있어서,
    상기 방법은 상기 비교를 기반으로 하여 어플라이언스가 빌딩 내에 존재할 확률을 평가하는 단계를 포함하는, 빌딩 내의 환경 관리 시스템의 동작 방법.
12. 제1항 내지 제11항 중 어느 한 항에 있어서,
    상기 방법은 하나 이상의 어플라이언스 사용 패턴들을 하나 이상의 참조 패턴들과 비교하여 상기 빌딩 내의 하나 이상의 어플라이언스들의 존재, 위치 및/또는 사용의 표시를 추론하는 단계를 포함하는, 빌딩 내의 환경 관리 시스템의 동작 방법.
13. 제5항에 있어서,
    선험적 확률들은 작업 흐름들의 빈도 분포들을 포함하는, 빌딩 내의 환경 관리 시스템의 동작 방법.
14. 제13항에 있어서,
    선험적 확률들은 빌딩의 주거 상태에 대한 외인성 요인(exogenous factor)들 및 가설들을 포함하는, 빌딩 내의 환경 관리 시스템의 동작 방법.
15. 제13항 또는 제14항에 있어서,
    상기 방법은, 작업 흐름(들), 작업 프로세스(들), 어플라이언스(들) 및/또는 어플라이언스(들)의 구성요소(들)로부터 가설적으로 발생하는 어플라이언스 사용 패턴들에 연관된 선험적 확률들을 과거 어플라이언스 사용에 대한 저장된 데이터를 참조하여 수정하는 단계를 더 포함하는, 빌딩 내의 환경 관리 시스템의 동작 방법.
16. 제15항에 있어서,
    상기 과거 어플라이언스 사용은 하나 이상의 다른 빌딩들 내의 하나 이상의 어플라이언스들에 관련되고 상기 선험적 확률들은 상기 빌딩과는 다른 한 빌딩의 지리적 거리에 따라 결정되는, 빌딩 내의 환경 관리 시스템의 동작 방법.
17. 제1항 내지 제16항 중 어느 한 항에 있어서,
    상기 방법은 하나 이상의 참조 어플라이언스들을 컴퓨터 언어로 표현하고 그럼으로써 상기 어플라이언스 사용 패턴이 상기 어플라이언스 내에서 정의된 구성요소들 상에서 동작하는 정의된 프로세스들로부터 유도되게 하는 단계를 더 포함하는, 빌딩 내의 환경 관리 시스템의 동작 방법.
18. 제17항에 있어서,
    상기 언어를 사용하면 클래스 상속에 의해 어플라이언스들, 프로세스들 및 구성요소들의 특정 인스턴스들이 만들어지는, 빌딩 내의 환경 관리 시스템의 동작 방법.
19. 제12항에 있어서,
    상기 참조 어플라이언스 패턴은 상기 어플라이언스 상에 존재하거나 상기 어플라이언스에 관련되는 전자 서명, 바코드 또는 Q 코드(Qcode)로부터 획득되는, 빌딩 내의 환경 관리 시스템의 동작 방법.
20. 제11항, 제12항 또는 제19항 중 어느 항에 있어서,
    상기 확률은 중앙 데이터 및 유저 입력의 분석의 조합으로부터 도출되는, 빌딩 내의 환경 관리 시스템의 동작 방법.
21. 제1항 내지 제20항 중 어느 한 항에 있어서,
    상기 특성들은 흐름 변수들, 잡음 변수들 및 품질 변수들 중의 하나 이상을 포함하는, 빌딩 내의 환경 관리 시스템의 동작 방법.
22. 제20항에 있어서,
    상기 특성들은 전압, RMS 전압, 발열량, 위상 각, 전력, 실제 전력, 무효 전력 및 컬러 중의 하나 이상을 포함하는, 빌딩 내의 환경 관리 시스템의 동작 방법.
23. 빌딩 내의 환경 관리 시스템을 동작시키는 장치에 있어서,
    상기 장치는,
    빌딩 내에서의 어플라이언스 사용을 모니터링하는 장치로서, 각각의 측정 기기가 2가지 이상의 유틸리티들 중의 특정한 유틸리티에 관련된 하나 이상의 특성들을 측정하고 이를 나타내는 출력 신호를 제공하도록 구성된 복수 개의 측정 기기들을 포함하는, 모니터링 장치; 및
    프로세싱 기기;
    를 포함하며,
    상기 프로세싱 기기는, 각각의 유틸리티로부터의 상기 출력 신호들의 조합에 응답하여,
    사전에 정의된 시간 간격들에서 상기 출력 신호들 각각의 상태 변화를 모니터링하고 복수 개의 출력 신호들로부터의 정보를 조합하여 하나 이상의 어플라이언스 사용 패턴들을 식별하는 동작;
    상기 식별된 어플라이언스 사용 패턴을 빌딩의 개별 거주자들에 연관된 어플라이언스 사용의 저장된 패턴들과 비교하여 미래의 어플라이언스 사용의 예상 패턴을 식별하는 동작; 및
    상기 환경 관리 시스템을 동작시켜 미래 어플라이언스 사용의 식별 및 예상된 패턴에 따라 빌딩 내의 환경을 통제하는 동작;
    을 수행하도록 구성되는, 빌딩 내의 환경 관리 시스템의 동작 장치.
24. 빌딩 내의 환경 관리 시스템을 동작시키는 장치에 있어서,
    상기 장치는,
    빌딩 내에서의 어플라이언스 사용을 모니터링하기 위한 장치로서, 각각의 측정 기기가 2가지 이상의 유틸리티들 중의 특정한 유틸리티에 관련된 하나 이상의 특성들을 측정하고 이를 나타내는 출력 신호를 제공하도록 구성된 복수 개의 측정 기기들을 포함하는, 모니터링 장치; 및
    프로세싱 기기;
    를 포함하며,
    상기 프로세싱 기기는, 각각의 유틸리티로부터의 상기 출력 신호들의 조합에 응답하여,
    사전에 정의된 시간 간격들에서 상기 출력 신호들 각각의 상태 변화를 모니터링하고 복수 개의 출력 신호들로부터의 정보를 조합하여 하나 이상의 어플라이언스 사용 패턴들을 식별하는 동작으로서, 상기 빌딩 내의 어플라이언스들이 시스템을 구성하고 상기 시스템이 유한 상태 기계로 표현되고 각각의 출력 신호가 특정 시간에 상기 시스템의 특성 상태를 나타내는, 동작; 및
    상기 환경 관리 시스템을 작동시켜 상기 식별된 패턴들에 따라 빌딩 내의 환경을 통제하는 동작;
    을 수행하도록 구성되는, 빌딩 내의 환경 관리 시스템을 동작시키는 장치.

Images