KR20240006085A - 센서-구동, 동적-조절식 피드백 루프를 이용하여 자산별 에너지 데이터 사용 레벨에 대한 장비 기반 위험을 관리하기 위한 컴퓨터 시스템 및 컴퓨터로 구현되는 방법 - Google Patents
센서-구동, 동적-조절식 피드백 루프를 이용하여 자산별 에너지 데이터 사용 레벨에 대한 장비 기반 위험을 관리하기 위한 컴퓨터 시스템 및 컴퓨터로 구현되는 방법 Download PDFInfo
- Publication number
- KR20240006085A KR20240006085A KR1020237044919A KR20237044919A KR20240006085A KR 20240006085 A KR20240006085 A KR 20240006085A KR 1020237044919 A KR1020237044919 A KR 1020237044919A KR 20237044919 A KR20237044919 A KR 20237044919A KR 20240006085 A KR20240006085 A KR 20240006085A
- Authority
- KR
- South Korea
- Prior art keywords
- asset
- energy consumption
- physical
- data
- energy
- Prior art date
Links
- 238000005265 energy consumption Methods 0.000 claims abstract description 106
- 230000015556 catabolic process Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 53
- 230000007613 environmental effect Effects 0.000 claims description 18
- 230000003287 optical effect Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 239000007788 liquid Substances 0.000 claims description 10
- 230000033001 locomotion Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000007726 management method Methods 0.000 description 47
- 230000006870 function Effects 0.000 description 27
- 238000004891 communication Methods 0.000 description 20
- 230000015654 memory Effects 0.000 description 18
- 238000003062 neural network model Methods 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 14
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 238000003860 storage Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 6
- 239000007789 gas Substances 0.000 description 6
- 239000003345 natural gas Substances 0.000 description 6
- 230000001953 sensory effect Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000009428 plumbing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 231100000279 safety data Toxicity 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
Abstract
일부 실시예에서, 본 발명은 실행 가능한 프로그램 코드 및 컴퓨터 프로세서를 포함할 수 있는 예시적인 발명 시스템을 제공하며, 상기 컴퓨터 프로세서는, 특정 프로그램 코드를 실행할 때, 유틸리티 미터(들), 센서(들) 또는 둘 다로부터 자산별 과거 데이터 및 자산별 현재 에너지 소비 데이터를 에너지 소비 물리적 자산 집단에 대해 수신하는 단계; 각각의 각각의 물리적 자산 카테고리에 대해, 각각의 고장 빈도 및 각각의 고장의 각각의 평균 심각도를 결정하는 단계; 각각의 물리적 자산 카테고리에 대한 각각의 물리적 자산마다 조정된 고장 손실 값을 결정하는 단계; 각각의 물리적 자산 카테고리에 대한 각각의 물리적 자산 당 각각의 평균 현재 에너지 소비 값을 결정하는 단계; 각각의 에너지 소비 위치를 특정 물리적 자산 카테고리에 연관시키는 단계; 각각의 에너지 소비 위치의 사용-기반 고장 보험료 값에 기초하여, 하나 이상의 에너지 소비 물리적 자산의 위치별 에너지 사용 레벨에 영향을 주도록 구성된 전자 경보를 생성하는 단계를 수행하도록 구성된다.
Description
관련 출원에 대한 상호 참조
본 출원은 2017년 7월 27일 출원된 미국특허가출원 제62/537,684호의 이점을 주장하며, 그 전문은 본 발명에 모든 용도로 포함된다.
현재 컴퓨팅 시대에는 다양한 특정 기능을 수행하는 소형 장치들의 배열이 도입되었다. 예를 들어, 센서 또는 센서 장치는 구조 및 저전력 기술에서 상당한 진보를 나타내고 있다. 일부 응용에서, 센서는 마이크로전자기계 시스템(MEMS) 기술을 이용할 수 있다. 센서는 내장 프로세서, 디지털 스토리지, 전원, 트랜시버 및 센서 어레이, 환경 검출기 및/또는 액추에이터와 같은 하나보다 많은 구성요소를 포함할 수 있다. 경우에 따라 센서는 소형 배터리, 태양 전지 또는 전력용 주변 에너지에 의존하여, 유지 보수없이 오랜 시간 동안 작동할 수 있다. 일부 응용에서, 센서는 하나 이상의 장비 유닛 내에 있거나 부착될 수 있고, 관련 장비의 하나 이상의 작동 및/또는 환경 조건에 관한 데이터를 수집하는 작업을 수행할 수 있다.
일부 실시예에서, 본 발명은 자산별 레벨의 에너지 사용에 기초하여 장비 작동을 관리하기 위해 센서 구동식 동적으로 조정 가능한 피드백 루프를 이용하는 컴퓨터 시스템 및 컴퓨터 구현 방법에 관한 것이다.
일부 실시예들에서, 그리고 선택적으로, 위에서 또는 아래에서 설명되는 임의의 실시예의 조합으로, 본 발명은 발명의 예시적인 컴퓨터-구현 방법을 제공하며, 상기 방법은, 1) 자산별 과거 에너지 소비 데이터, 2) 적어도 하나의 제 1 자산별 과거 운영 특성, 3) 적어도 하나의 제 1 자산별 과거 환경 특성, 및 4) 제 1 자산별 과거 고장 손실 데이터를 포함하는, i) 자산별 과거 데이터와, ii) 하나 이상의 유틸리티 미터, 하나 이상의 센서 또는 둘 다로부터의 자산별 현재 에너지 소비 데이터를, 적어도 에너지 소비 물리적 자산 집단에 대해, 기결정된 기간 동안 적어도 하나의 프로세서에 의해 수신하는 단계; 자산별 과거 데이터에 적어도 부분적으로 기초하여, 각각의 물리적 자산 카테고리마다, 각각의 고장 빈도, 및 각각의 고장의 각각의 평균 심각도를 적어도 하나의 프로세서에 의해 결정하는 단계; 각각의 고장 빈도 및 각각의 고장의 각각의 평균 심각도에 적어도 부분적으로 기초하여, 각각의 물리적 자산 카테고리에 대한 각각의 물리적 자산마다 조정된 고장 손실 값을 적어도 하나의 프로세서에 의해 결정하는 단계; 자산별 현재 에너지 소비 데이터에 적어도 부분적으로 기초하여, 각각의 물리적 자산 카테고리에 대한 각각의 물리적 자산 당 각각의 평균 현재 에너지 소비 값을 적어도 하나의 프로세서에 의해 결정하는 단계; 에너지 소비 물리적 자산 집단의 적어도 하나의 에너지 소비 물리적 자산을 나타내는 각각의 에너지 소비 위치를 특정 물리적 자산 카테고리에 적어도 하나의 프로세서에 의해 연관시키는 단계; i) 각각의 에너지 소비 위치와 관련된 각각의 물리적 자산 카테고리 내 에너지 소비 물리적 자산 집단의 적어도 하나의 에너지 소비 물리적 자산의 수, 및 ii) 각각의 물리적 자산 카테고리에 대한 각각의 물리적 자산 당 각자의 평균 현재 에너지 소비 값에 적어도 부분적으로 기초하여 특정 사용-기반 고장 보험료 값을 각자의 에너지 소비 위치에 대해 적어도 하나의 프로세서에 의해 결정하는 단계; i) 적어도 하나의 에너지 소비 물리적 자산에 서비스하는 적어도 하나의 서비스 제공자, ii) 적어도 하나의 에너지 소비 물리적 자산과 연계된 적어도 하나의 실체의 적어도 하나의 전자 장치, iii) 적어도 하나의 센서, 또는 iv) 적어도 하나의 에너지 소비 물리적 자산 중 적어도 하나에 적어도 하나의 경보를, 각자의 에너지 소비 위치의 특정 사용-기반 고장 보험료 값에 적어도 부분적으로 기초하여, 적어도 하나의 프로세서에 의해 발생시키는 단계를 포함하며, 상기 적어도 하나의 전자 경보는 i) 새로운 사용-기반 고장 보험료 값 또는 사용-기반 고장 보험료 값의 변화를 요구하는 과정, ii) 적어도 하나의 에너지 소비 물리적 자산과 연계된 적어도 하나의 사용자로 하여금, 적어도 하나의 에너지 소비 물리적 자산의 에너지 이용 레벨을 변경시키게 하는 과정, iii) 적어도 하나의 에너지 소비 물리적 자산의 적어도 하나의 동작 특성을 조정하도록 적어도 하나의 사용자에게 지시하는 과정, iv) 적어도 하나의 에너지 소비 물리적 자산의 적어도 하나의 환경 특성을 조정하도록 적어도 하나의 사용자에게 지시하는 과정, 및 v) 적어도 하나의 센서의 적어도 센서 동작 파라미터를 조정하도록 적어도 하나의 사용자에게 지시하는 과정 중 적어도 하나에 의해 적어도 하나의 에너지 소비 물리적 자산의 위치별 에너지 이용 레벨에 영향을 미치도록 구성된다.
일부 실시예에서, 그리고 선택적으로, 앞서 또는 아래에서 기재된 임의의 실시예와 조합하여, 적어도 하나의 에너지 소비 물리적 자산은 하나 이상의 장비 유닛(UOE)을 포함하는 물리적 구성이다. 일부 실시예에서, 그리고 선택적으로, 위에 또는 아래에 기술된 임의의 실시예와 조합하여, 적어도 하나의 과거 환경 특성은 적어도 하나의 광학 파라미터, 적어도 하나의 음향 파라미터, 적어도 하나의 압력 파라미터, 적어도 하나의 온도 파라미터, 적어도 하나의 가속 파라미터, 적어도 하나의 자기 파라미터, 적어도 하나의 생물학적 파라미터, 적어도 하나의 화학적 파라미터, 또는 적어도 하나의 모션 파라미터 중 적어도 하나이다. 일부 실시예에서, 그리고 선택적으로, 위에 또는 아래에 기재된 임의의 실시예의 조합에서, 적어도 하나의 광학 파라미터는 적외선 파라미터, 가시광 파라미터 및 자외선 파라미터로 이루어진 군으로부터 선택된다. 일부 실시예들에서, 각각의 에너지 소비 위치는 적어도 하나의 에너지 소비 물리 자산의 물리적 위치를 식별하는 GPS(Global Positioning System) 데이터에 기초하여 정의된다. 일부 실시예에서, 적어도 하나의 센서는 i) 액체 압력 센서, ii) 액체 유량 센서, iii) 온도 센서, iv) 가스 유량 센서, v) 가스 압력 센서, 또는 vi) 전기 시스템 센서 중 하나이다.
일부 실시예에서, 그리고 선택적으로, 위에 또는 아래에 기재된 임의의 실시예의 조합에서, 각각의 에너지 소비 위치를 특정 물리적 자산 카테고리에 적어도 하나의 프로세서에 의해 연관시키는 단계는: 특정 물리적 자산 카테고리로의 각각의 에너지 소비 위치의 하나 이상의 UOE를 적어도 하나의 프로세서에 의해 분류하는 단계를 더 포함한다. 일부 실시예들에서, 그리고 선택적으로, 위에서 또는 아래에서 설명되는 임의의 실시예의 조합으로, 각각의 에너지 소비 위치의 하나 이상의 UOE를 특정 물리적 자산 카테고리로 분류하는 단계는: SIC(Standard Industrial Classification) 코드에 적어도 부분적으로 기초하여 물리적 자산을 분류하도록 훈련된 적어도 하나의 머신 러닝 기술을 적어도 하나의 프로세서에 의해 적용하는 단계를 포함한다.
일부 실시예에서, 그리고 선택적으로, 위에 또는 아래에 기재된 임의의 실시예의 조합에서, 자산별 과거 에너지 소비 데이터 및 자산별 현재 에너지 소비 데이터는 킬로와트아우어(kwh) 단위이다. 일부 실시예들에서, 그리고 선택적으로, 위에 또는 아래에 설명된 임의의 실시예의 조합으로, 적어도 하나의 프로세서에 의해 자산별 과거 에너지 소비 데이터 및 자산별 현재 에너지 소비 데이터가 각각의 kwh 양으로 변환된다.
일부 실시예들에서, 그리고 선택적으로, 위에서 또는 아래에서 설명되는 임의의 실시예의 조합으로, 본 발명은 적어도 다음의 구성요소들, 즉, 적어도 하나의 특수 목적 컴퓨터를 포함할 수 있는 예시적인 본 발명의 시스템을 제공하며, 상기 컴퓨터는: 특정 컴퓨터 실행 가능 프로그램 코드를 저장하는 비일시적 컴퓨터 메모리와, 특정 프로그램 코드를 실행할 때 적어도 다음의 동작들을 수행하도록 구성된 적어도 하나의 컴퓨터 프로세서를 포함하며, 상기 동작들은, 1) 자산별 과거 에너지 소비 데이터, 2) 적어도 하나의 제 1 자산별 과거 운영 특성, 3) 적어도 하나의 제 1 자산별 과거 환경 특성, 및 4) 제 1 자산별 과거 고장 손실 데이터를 포함하는, i) 자산별 과거 데이터와, ii) 적어도 하나의 유틸리티 미터, 하나 이상의 센서 또는 둘 다로부터의 자산별 현재 에너지 소비 데이터를, 적어도 에너지 소비 물리적 자산 집단에 대해, 기결정된 기간 동안 수신하는 단계; 자산별 과거 데이터에 적어도 부분적으로 기초하여, 각각의 물리적 자산 카테고리마다, 각각의 고장 빈도, 및 각각의 고장의 각각의 평균 심각도를 결정하는 단계; 각각의 고장 빈도 및 각각의 고장의 각각의 평균 심각도에 적어도 부분적으로 기초하여, 각각의 물리적 자산 카테고리에 대한 각각의 물리적 자산마다 조정된 고장 손실 값을 결정하는 단계; 자산별 현재 에너지 소비 데이터에 적어도 부분적으로 기초하여, 각각의 물리적 자산 카테고리에 대한 각각의 물리적 자산 당 각각의 평균 현재 에너지 소비 값을 결정하는 단계; 에너지 소비 물리적 자산 집단의 적어도 하나의 에너지 소비 물리적 자산을 나타내는 각각의 에너지 소비 위치를 특정 물리적 자산 카테고리에 연관시키는 단계; i) 각각의 에너지 소비 위치와 관련된 각각의 물리적 자산 카테고리 내 에너지 소비 물리적 자산 집단의 적어도 하나의 에너지 소비 물리적 자산의 수, 및 ii) 각각의 물리적 자산 카테고리에 대한 각각의 물리적 자산 당 각자의 평균 현재 에너지 소비 값에 적어도 부분적으로 기초하여 특정 사용-기반 고장 보험료 값을 각자의 에너지 소비 위치에 대해 결정하는 단계; i) 적어도 하나의 에너지 소비 물리적 자산에 서비스하는 적어도 하나의 서비스 제공자, ii) 적어도 하나의 에너지 소비 물리적 자산과 연계된 적어도 하나의 실체의 적어도 하나의 전자 장치, iii) 적어도 하나의 센서, 또는 iv) 적어도 하나의 에너지 소비 물리적 자산 중 적어도 하나에 적어도 하나의 경보를, 각자의 에너지 소비 위치의 특정 사용-기반 고장 보험료 값에 적어도 부분적으로 기초하여, 발생시키는 단계를 포함하며, 상기 적어도 하나의 전자 경보는 i) 새로운 사용-기반 고장 보험료 값 또는 사용-기반 고장 보험료 값의 변화를 요구하는 과정, ii) 적어도 하나의 에너지 소비 물리적 자산과 연계된 적어도 하나의 사용자로 하여금, 적어도 하나의 에너지 소비 물리적 자산의 에너지 이용 레벨을 변경시키게 하는 과정, iii) 적어도 하나의 에너지 소비 물리적 자산의 적어도 하나의 동작 특성을 조정하도록 적어도 하나의 사용자에게 지시하는 과정, iv) 적어도 하나의 에너지 소비 물리적 자산의 적어도 하나의 환경 특성을 조정하도록 적어도 하나의 사용자에게 지시하는 과정, 및 v) 적어도 하나의 센서의 적어도 센서 동작 파라미터를 조정하도록 적어도 하나의 사용자에게 지시하는 과정 중 적어도 하나에 의해 적어도 하나의 에너지 소비 물리적 자산의 위치별 에너지 이용 레벨에 영향을 미치도록 구성된다.
이들 및 추가의 특징은 다음의 설명 및 도면을 참조하여 명백할 것이며, 여기서 유사한 구조는 여러 도면에 걸쳐 유사한 숫자로 지칭된다. 도시된 도면은 반드시 일정한 축척에 맞을 필요는 없으며, 대신 본 발명의 원리를 설명하기 위해 대체로 강조된다. 또한, 일부 구성요소는 특정 구성요소의 세부 사항을 나타 내기 위해 과장될 수 있다. 그러므로, 본 명세서에 개시된 특정 구조적 및 기능적 세부 사항은 제한적인 것으로 해석되어서는 안되며, 단지 본 발명을 다양하게 채용하도록 당업자에게 교시하기 위한 대표적인 기초로 해석되어야한다.
도 1-7은 본 발명의 적어도 일부 실시예에 따른 본 발명의 특정 측면을 도시한다.
도 1-7은 본 발명의 적어도 일부 실시예에 따른 본 발명의 특정 측면을 도시한다.
본 발명의 상세한 실시예가 여기에 개시된다; 그러나, 개시된 실시예는 다양한 형태로 구현될 수 있는 본 발명의 예시 일 뿐이라는 것을 이해해야한다. 또한, 본 발명의 다양한 실시예와 관련하여 주어진 각각의 예는 예시적인 것이며 제한적인 것은 아니다. 본 개시의 내용을 소유하는 관련 기술 분야의 통상의 기술자에게 일반적으로 발생할 수 있는, 본 명세서에 예시된 본 발명의 특징 및 본 명세서에 예시된 바와 같은 본 발명의 원리의 임의의 추가 적용은, 본 발명의 범위 내에 있는 것으로 간주되어야 한다.
명세서 및 청구 범위 전체에서, 문맥이 달리 지시하지 않는 한, 다음의 용어는 본 명세서에서 명시 적으로 연관된 의미를 취한다. 본 명세서에서 사용되는 "일 실시예에서" 및 "일부 실시예에서"라는 문구는 반드시 동일한 실시예(들)를 지칭할 필요는 없지만, 그렇지 않을 수도 있다. 또한, 본 명세서에서 사용되는 "다른 실시예에서" 및 "일부 다른 실시예에서"라는 문구는 반드시 다른 실시예를 지칭할 필요는 없지만, 그럴 수 있다. 따라서, 후술되는 바와 같이, 본 발명의 범위 또는 사상을 벗어나지 않고 본 발명의 다양한 실시예가 용이하게 조합될 수 있다.
"기반으로 하는"이라는 용어는 배타적이지 않으며, 문맥 상 명백하게 달리 지시하지 않는 한, 설명되지 않은 추가 요소에 기초할 수 있다. 또한, 명세서 전체에 걸쳐, "하나", "일" 및 "그"의 의미는 복수 참조를 포함한다. "내에"의 의미는 "내부에" 및 "상에"을 포함한다.
본 명세서에 설명된 다양한 실시예들의 적어도 하나의 양상/기능은 실시간으로 및/또는 동적으로 수행될 수 있는 것으로 이해된다. 본 명세서에서 사용되는 용어 "실시간"은 다른 이벤트/액션이 발생했을 때 즉시 또는 거의 순간적으로 발생할 수 있는 이벤트/액션에 관한 것이다. 예를 들어, "실시간 처리", "실시간 계산" 및 "실시간 실행"은 계산 결과가 물리적 프로세스를 안내하는 데 사용될 수 있도록 관련 물리적 프로세스(가령, 사용자가 모바일 장치 상의 응용프로그램과 상호작용)가 발생하는 실제 시간 동안 연산의 수행에 관련된다.
본원에 사용된 용어 "런타임"은 소프트웨어 애플리케이션 또는 소프트웨어 애플리케이션의 적어도 일부의 실행 동안 동적으로 결정되는 임의의 행동에 대응한다.
본원에 사용된 용어 "동적(으로)"은 이벤트 및/또는 동작이 인간의 개입없이 유발될 수 있고/있거나 발생할 수 있음을 의미한다. 일부 실시예에서, 본 발명에 따른 이벤트 및/또는 작용(actions)은 실시간으로 및/또는 나노초, 수 나노초, 밀리 초, 수 밀리 초, 초, 수 초, 분, 몇 분, 매시간, 몇 시간, 매일, 며칠, 주별, 월간 등 중 적어도 하나의 미리 결정된 주기성을 기초로할 수 있다.
일부 실시예에서, 본 발명의 전자 시스템은 분산 네트워크 환경에서 전자 모바일 장치(예를 들어, 스마트 폰, 센서 등) 및 서버(들)와 관련되어, 적절한 데이터 통신 네트워크(예를 들어, 인터넷 등)를 통해 통신하고, 적어도 하나의 적합한 데이터 통신 프로토콜(예를 들어, IPX/SPX, X.25, AX.25, AppleTalk ™, TCP/IP(예를 들어, HTTP) 등)을 이용한다. 일부 실시예에서, 복수의 동시 네트워크 참여자(예를 들어, 센서, 서버, 장비 유닛 등)는 적어도 100(예를 들어, 100-999, 하지만 이에 제한되지는 않음), 1,000 이상(예: 1,000-9,999, 하지만 이에 제한되지 않음), 10,000 이상(예: 10,000-99,999, 하지만 이에 제한되지 않음), 100,000 이상(예: 100,000-999,999, 하지만 이에 제한되지 않음), 1,000,000 이상(예: 1,000,000-9,999,999, 하지만 이에 제한되지 않음), 10,000,000 이상(예: 10,000,000-99,999,999, 하지만 이에 제한되지 않음), 100,000,000 이상(예: 100,000,000-999,999,999, 하지만 이에 제한되지 않음), 1,000,000,000 이상(예: 1,000,000,000-10,000,000,000, 하지만 이에 제한되지 않음)일 수 있다.
일부 실시예에서, 관련 장치를 갖는 본 발명의 특별히 프로그래밍된 컴퓨팅 시스템은 분산 네트워크 환경에서 동작하도록 구성되어, 적합한 데이터 통신 네트워크(예를 들어, 인터넷 등)를 통해 통신하고 적어도 하나의 적합한 데이터 통신 프로토콜(예를 들어, IPX/SPX, X.25, AX.25, AppleTalk(TM, TCP/IP(예: HTTP) 등)을 이용한다. 물론, 여기에 설명된 실시예는 임의의 적절한 하드웨어 및/또는 컴퓨팅 소프트웨어 언어를 사용하여 구현될 수 있다. 이와 관련하여, 당업자는 사용될 수 있는 컴퓨터 하드웨어의 유형, 사용될 수 있는 컴퓨터 프로그래밍 기술의 유형(예를 들어, 객체 지향 프로그래밍) 및 사용될 수 있는 컴퓨터 프로그래밍 언어의 유형(가령, C ++, Objective-C, Swift, Java, Javascript, Python, Perl)에 정통하다. 전술한 예는 물론 예시적이며 제한적이지 않다.
본 명세서에 개시된 재료는 소프트웨어 또는 펌웨어 또는 이들의 조합으로 또는 기계 판독 가능 매체 상에 저장된 명령으로서 구현될 수 있으며, 이는 하나 이상의 프로세서에 의해 판독 및 실행될 수 있다. 기계 판독 가능 매체는 기계(예를 들어, 컴퓨팅 장치)에 의해 판독 가능한 형태로 정보를 저장 또는 전송하기 위한 임의의 매체 및/또는 메커니즘을 포함할 수 있다. 예를 들어, 기계 판독 가능 매체는 판독 전용 메모리(ROM); 랜덤 액세스 메모리(RAM); 자기 디스크 저장 매체; 광 저장 매체; 플래시 메모리 장치; 전기, 광학, 음향 또는 다른 형태의 전파 신호(예를 들어, 반송파, 적외선 신호, 디지털 신호 등), 등을 포함할 수 있다.
다른 형태에서, 비일시적 컴퓨터 판독 가능 매체와 같은 비 일시적 물품은 상기 언급된 예 또는 그 자체가 일시적 신호를 포함하지 않는 것을 제외하고는 다른 예와 함께 사용될 수 있다. 여기에는 RAM 등과 같은 "일시적인" 방식으로 데이터를 일시적으로 보유할 수 있는 신호 자체 이외의 요소가 포함된다.
본원에 사용된 용어 "컴퓨터 엔진" 및 "엔진"은 다른 소프트웨어 및/또는 하드웨어 구성요소(가령, 라이브러리, 소프트웨어 개발 키트(SDK), 객체 등)를 관리/제어하도록 설계/프로그래밍/구성된 하나 이상의 소프트웨어 구성요소, 및/또는 하나 이상의 소프트웨어 구성요소 및 하나 이상의 하드웨어 구성요소의 조합을 식별한다.
하드웨어 요소의 예는 프로세서, 마이크로프로세서, 회로, 회로 요소(예를 들어, 트랜지스터, 저항기, 커패시터, 인덕터 등), 집적 회로, 주문형 집적 회로(ASIC), 프로그래머블 로직 장치(PLD), 디지털 신호 프로세서(DSP), FPGA(Field Programmable Gate Array), 로직 게이트, 레지스터, 반도체 장치, 칩, 마이크로 칩, 칩셋 등을 포함할 수 있다. 일부 실시예들에서, 하나 이상의 프로세서는 복합 명령어 세트 컴퓨터(CISC) 또는 감소 명령어 세트 컴퓨터(RISC) 프로세서; x86 명령어 세트 호환 프로세서, 멀티 코어 또는 기타 마이크로프로세서 또는 중앙 처리 장치(CPU)로 구현될 수 있다. 다양한 구현에서, 하나 이상의 프로세서는 듀얼 코어 프로세서(들), 듀얼 코어 모바일 프로세서(들) 등일 수 있다.
소프트웨어의 예로는 소프트웨어 구성요소, 프로그램, 응용 프로그램, 컴퓨터 프로그램, 응용 프로그램, 시스템 프로그램, 기계 프로그램, 운영 체제 소프트웨어, 미들웨어, 펌웨어, 소프트웨어 모듈, 루틴, 서브 루틴, 함수, 방법, 절차, 소프트웨어 인터페이스, 응용 프로그램 인터페이스(API), 명령어 세트, 컴퓨팅 코드, 컴퓨터 코드, 코드 세그먼트, 컴퓨터 코드 세그먼트, 워드, 값, 기호 또는 이들의 조합을 포함할 수 있다. 하드웨어 요소 및/또는 소프트웨어 요소를 사용하여 실시예가 구현되는지를 결정하는 것은 원하는 계산 속도, 전력 레벨, 열 공차, 처리주기 예산, 입력 데이터 속도, 출력 데이터 속도, 메모리 리소스, 데이터 버스 속도 및 기타 설계 또는 성능 제약과 같은 임의의 개수의 요인들에 따라 다를 수 있다.
하나의 예시적인 구현에서, 멀티-프로세서 시스템은 복수의 프로세서 칩을 포함할 수 있으며, 각각의 프로세서 칩은 적어도 하나의 I/O 디바이스에 연결하기 위해 광자 구성요소에 직접 연결되도록 설계된 적어도 하나의 I/O 구성요소를 포함한다. 일부 실시예에서, I/O 장치는 PCI(Peripheral Component Interconnect Express), USB(Universal Serial Bus), 이더넷, Infiniband 등과 같은 표준 인터페이스일 수 있다. 일부 실시예들에서, I/O 장치는 저장 장치를 포함할 수 있다.
하나의 예시적인 구현에서, 멀티-프로세서 시스템은 복수의 광자 구성요소 및 오프-칩 메모리를 포함할 수 있다. 오프-칩 메모리는 하나보다 많은 프로세서 칩에 의해 공유될 수 있다. 오프-칩 메모리는 단일 프로세서 칩에 직접 연결될 수 있고, 프로세서-프로세서 접근 방식을 사용하여 구현된 전역 메모리 아키텍처를 사용하여 다른 프로세서 칩과 공유될 수 있다. 멀티-프로세서 시스템은 또한 하나 이상의 다른 프로세서 칩과 통신하기 위해 광자 구성요소에 직접 연결되도록 설계된 적어도 하나의 I/O 구성요소를 각각 포함하는 복수의 프로세서 칩 및 캐시를 포함할 수 있다. 프로세서 칩들 중 적어도 하나의 적어도 하나의 I/O 구성요소는 디렉토리-기반 캐시-일관성 프로토콜을 사용하도록 구성될 수 있다. 일부 실시예들에서, 프로세서 칩들 중 적어도 하나의 캐시는 디렉토리 정보를 저장하도록 구성될 수 있다. 일부 실시예들에서, 오프-칩 메모리는 DRAM을 포함할 수 있다. 일부 실시예들에서, 디렉토리 정보는 프로세서 칩들 중 적어도 하나의 오프-칩 메모리 및 온-칩 캐시에 저장될 수 있다. 일부 실시예에서, 멀티-프로세서 시스템은 오프-칩 메모리 데이터 및 디렉토리 정보를 2 개의 상이한 오프-칩 메모리로 분리하도록 구성된 디렉토리 서브시스템을 더 포함할 수 있다.
일부 실시예들에서, 멀티-프로세서 시스템은 3D DRAM 메모리 스택의 일부인 고성능 칩 상에 구현된 서브시스템의 일부로 구성된 디렉토리 서브시스템을 더 포함할 수 있다. 일부 실시예에서, 멀티-프로세서 시스템은 메모리 블록 당 다양한 수의 공유기를 지원하도록 구성된 디렉토리 서브시스템을 더 포함할 수 있다. 일부 실시예에서, 멀티-프로세서 시스템은 캐싱을 사용하여 메모리 블록 당 다양한 수의 공유기를 지원하도록 구성된 디렉토리 서브시스템을 더 포함할 수 있다. 일부 실시예들에서, 멀티-프로세서 시스템은 공유기들에 대한 상이한 개수의 포인터들에 대한 스토리지와 함께 엔트리들에 대한 해싱(hashing)을 사용하여 메모리 블록 당 다양한 수의 공유자들을 지원하도록 구성된 디렉토리 서브시스템을 더 포함할 수 있다. 일부 실시예들에서, 멀티-프로세서 시스템은 제로 공유기를 갖는 메모리 블록들에 할당된 스토리지를 감소시키기 위해 해싱을 사용하도록 구성된 디렉토리 서브시스템을 더 포함할 수 있다.
적어도 하나의 실시예의 하나 이상의 양태는 프로세서 내의 다양한 로직을 나타내는 머신 판독 가능 매체에 저장된 대표 명령에 의해 구현될 수 있으며, 이는 머신에 의해 판독될 때 머신이 로직을 제조하여 본 명세서에 설명된 기술을 수행하게한다. "IP 코어"로 알려진 이러한 표현은 유형의 기계 판독 가능 매체에 저장될 수 있고, 실제로 논리 또는 프로세서를 만드는 제조 기계에 로딩하기 위해 다양한 고객 또는 제조 시설에 공급될 수 있다.
도 1은 예시적인 센서(20)를 도시하며, 이들 중 다수는 예시적인 센서 네트워크를 형성하기 위해 결합될 수 있다. 일부 실시예들에서, 예시적인 센서(20)는 다양한 크기일 수 있고, 센서 크기가 이제 밀리미터 범위에 있으므로 쿼터 동전(a quarter coin)만큼 작거나 그보다 작을 수 있다. 일부 실시예에서, 센서(20)는 전원(22), 논리 회로/마이크로프로세서(24), 저장 장치(25), 송신기(또는 트랜시버)(26), 송신기(26)에 연결된 통신 커플러(28) 및 센서 요소(30)를 포함할 수 있다. 일부 실시예에서, 센서는 전원이 공급되지 않거나 수동형이어서, 판독기 또는 다른 소스로부터 전력을 끌어올 수 있다.
일부 실시예에서, 전원(22)은 센서(20)에 전력을 제공할 수 있다. 예를 들어, 전원(22)은 배터리, 태양 전지 및/또는 외부 전원, 예를 들어 외부 전원에 전력을 공급받는 연속 전력 공급원(가령, 전력선에 대한 연결)을 포함할 수 있다. 예로서, 저장 장치(25)는 컴퓨터 데이터를 영구 또는 반영구적 형태로 저장하기 위한 휘발성 및/또는 비휘발성 매체, 이동식 및/또는 비이동식 매체와 같은 임의의 컴퓨터 판독 가능 매체를 포함할 수 있고, 임의의 데이터 저장 기술로 구현될 수 있다. 일부 실시예에서, 저장 장치(25)는 샘플링될 수 있는 형태로, 또는, 달리 컴퓨터 판독 가능 매체에 저장 가능한 형태로 변환될 수 있는 형태로, 데이터를 저장할 수 있다.
일부 실시예들에서, 예시적인 송신기(26)는 데이터 신호를 송신만 하도록 구성될 수 있다. 일부 실시예들에서, 송신기(26)는 데이터 신호를 수신 및 송신하도록 구성될 수 있다(트랜시버). 일부 실시예들에서, 본 명세서에서 참조된 바와 같이, "데이터 신호"는 예를 들어, 제한없이, 전류 신호, 전압 신호, 자기 신호 및/또는 광학 신호를 저장, 전달, 결합, 비교, 및/또는 기타 조작할 수 있는 포맷으로 포함할 수 있다. 일부 실시예에서, 송신기(26)는 중앙 컴퓨팅 장치 또는 중앙 스테이션, 하나 이상의 장비 유닛 및/또는 선택적으로 다른 센서와의 통신을 위해, 통신 커플러(28)를 이용하여, 무선, 유선, 적외선, 광학 및/또는 다른 통신 기술을 포함할 수 있다.일부 실시예들에서, 통신 커플러(28)는 무선 통신을 위한 안테나, 유선 연결을 위한 연결 및/또는 광 통신을 위한 광학 포트를 포함할 수 있다.
일부 실시예들에서, 예시적인 센서(20)는 하드웨어 로직 회로, 예를 들어 주문형 집적 회로(ASIC) 및 프로그램 가능 로직과 같은 하드웨어 로직 회로, 또는 컴퓨팅 장치, 예를 들어, 프로그래머블 마이크로프로세서를 포함하는 마이크로컨트롤러 또는 마이크로컴퓨터와 같은 임의의 유형의 데이터 처리 용량을 포함할 수 있다. 일부 실시예에서, 도 1에 도시된 센서(20)의 실시예는 마이크로프로세서(2)에 의해 제공되는 데이터 처리 용량을 포함할 수 있다. 일부 실시예에서, 마이크로프로세서(24)는 메모리, 프로세싱, 인터페이스 리소스, 컨트롤러 및 카운터를 포함할 수 있다. 일부 실시예에서, 마이크로프로세서(24)는 또한 센서(20)를 동작시키기 위해 메모리에 저장된 하나 이상의 프로그램을 포함할 수 있다. 실시예가 하드웨어 논리 회로를 사용하는 경우, 논리 회로는 일반적으로 센서(20)를 동작시키는 논리 구조를 포함한다.
일부 실시예에서, 센서(20)는 하나 이상의 장비 유닛과 관련된 센서가 위치하는 환경의 파라미터 및 하나 이상의 관련 장비 유닛의 적어도 하나의 동작 특성 중 적어도 하나를 검출하도록 구성될 수 있는 하나 이상의 센서 요소(30)를 포함할 수 있다. 일부 실시예에서, 예를 들어, 임의의 제한없이, 예시적인 센서 요소(30)는 광학, 음향, 압력, 온도, 열, 가속도, 자기, 생물학적, 화학 및 운동 파라미터의 그룹으로부터 적어도 하나의 파라미터를 검출할 수 있다. 일부 실시예들에서, 광학 파라미터는 적외선, 가시광 및 자외선 파라미터로 구성된 그룹으로부터 적어도 하나를 포함할 수 있다. 예를 들어 그리고 제한없이, 센서 요소(30)는 광의 레벨 또는 레벨의 변화를 검출하기 위한 포토 센서, 온도를 검출하기 위한 온도 센서, 소리를 검출하기 위한 오디오 센서 및/또는 움직임을 검출하기 위한 모션 센서를 포함할 수 있다. 일부 실시예에서, 센서 요소(30)는 적외선, 가시광 및/또는 자외선 이미지와 관련된 데이터를 캡처하는 CCD 또는 CMOS 이미저와 같은 디지털 이미지 캡처 장치를 포함할 수 있지만, 이에 제한되지는 않는다.
일부 실시예에서, 예시적인 센서 요소(30)는 적어도 하나의 검출된 상태를 나타내는 데이터 신호를 출력하도록 구성될 수 있다. 일부 실시예들에서, 센서(20)는 센서 환경의 파라미터와 관련된 데이터를 자동으로 획득하고, 데이터를 중앙 컴퓨팅 장치로 전송할 수 있다. 예를 들어, 음향 센서 형태의 센서 요소(30)는 사운드 레벨 및 주파수를 획득하고, 송신기(26) 및 통신 커플러(28)를 사용하여 타임 트랙과 함께 상기 레벨 및 주파수와 관련된 데이터를 전송할 수 있다. 일부 실시예에서, 이러한 획득은 실시간, 연속적, 간헐적, 산발적, 때때로, 그리고 요청에 따라와 같이, 임의의 시간에 기초할 수 있다. 일부 실시예에서, 타임 트랙은 센서 데이터를 수신하는 장치와 같이, 다른 어떤 곳에서도 제공될 수 있다.
추가의 예로서 그리고 제한없이, 센서 요소(30)는 예를 들어 매 초마다와 같이, 시각적 이미지를 주기적으로 획득하고 시각적 이미지와 관련된 데이터를 타임 트랙과 함께 전송할 수 있는 광학 디지털 카메라의 형태일 수 있다. 일부 실시예에서, 센서 요소(30)는 온도 센서의 형태로, 미리 결정된 온도 구간(예를 들어, 2 초, 5 초, 10 초 등)으로 온도 변화를 검출하고, 발생된 시간과 함께 각각의 투-디그리(two-degree) 온도 변화를 전송할 수 있다. 위의 각 예는 음향 감지를 위한 연속적인 것에서부터 투-디그리 온도 변화를 위한 발생 당 기준에 이르기까지의 순서를 보여준다.
일부 실시예들에서, 센서 요소(30)는 또한 배터리/전력 레벨 또는 무선 신호 강도와 같은, 그러나 이에 제한되지 않는, 센서(20) 자체의 동작 파라미터들을 감지할 수 있다. 일부 실시예들에서, 감지된 파라미터와 관련된 데이터를 포함하는 센서 데이터는 송신기(26) 및 통신 커플러(28)를 통해 임의의 신호 형태로 센서(20)로부터 수신기로 전송된다. 수신기는 예를 들어 다른 센서(20), 중앙 컴퓨팅 장치 또는 임의의 다른 데이터 수신기일 수 있다. 센서 데이터는 파라미터와 관련된 데이터가 획득된 시간 및/또는 날짜를 포함할 수 있다.
일부 실시예들에서, 센서(20)는 고유 식별자와 관련될 수 있고, 감지된 파라미터와 관련하여 고유 식별자를 통신하도록 동작 가능하다. 일부 실시예에서, 센서(20)는, 예를 들어, GPS(Global Positioning System)에 의해, 알려진 지점에 대한 삼각 측량에 의해, 또는 다른 센서와의 통신에 의해, 그 위치를 결정하는 구성을 포함할 수 있다. 일부 실시예들에서, 센서(20)의 위치는 이전에 설정된 알려진 파라미터일 수 있다. 유사하게, 위치 식별은 센서에 의해 발신 및/또는 전달되는 데이터와 관련될 수 있다.
일부 실시예에서, 예시적인 센서(20)는 그 자체로 및/또는 유사하게 적합한 센서 그룹으로, 높은 수준의 작업을 포함하여 다양한 작업을 수행하도록 구성될 수 있다. 일부 실시예에서, 예시적인 작업은 일반적인 정보 수집, 보안 모니터링, 산업 모니터링, 생체 의학 모니터링 및 다른 유사한 작업과 같은 동작을 포함할 수 있다. 본 명세서에서 언급된 바와 같이, 용어 "모니터링" 및 "제어" 및 이들의 대체어 및 동의어는 제한없이, 하나 이상의 관련 장비 유닛의 동작 거동을 조정하기 위한 명령어를 전송하는 것과 같은 작업들을 포함한다.
일부 실시예에서, 예시적인 센서(20) 및 유사하게 적합한 센서는 건물(예를 들어, 가정, 사무실, 산업 플랜트 등) 내에 위치될 수 있다. 예를 들어, 예시적인 센서(20) 및 유사하게 적합한 센서에 의해 생성된 위치별 감각 데이터는 관련 건물 및/또는 건물들의 내부 및/또는 외부에 위치한 하나 이상의 UOE의 작동과 관련된 특정 동작 및/또는 환경 조건을 나타낼 수 있다. 예를 들어, 위치별 감각 데이터는 다양한 조명이 켜지는 시간, 조명의 강도 설정, 일반 전력 소비, UOE 당 전기 소비, 일반 물 소비, UOE 당 물 소비, 일반적인 천연 가스 소비, UOE 당 천연 가스 소비, 등과 관련된 데이터를 제한없이 포함할 수 있다. 예를 들어, 예시적인 센서(20) 및 유사하게 적합한 센서는 다음 유형 중 하나 이상일 수 있다(그러나 이들로 제한되지는 않음):
i) 액체(예를 들어, 물) 압력 센서 - 구조물 내의 다양한 위치에서 액체 압력(예를 들어, 수압)을 검출함; 예를 들어, 수압 센서는 구조물의 내부 또는 외부에 배치될 수 있으므로, 구조물의 배관 시스템(하수관, 수도관, HVAC 시스템, 기구 및 자동 화재 진압 시스템 포함)에 유도되는 응력과 관련된 정보를 제공할 수 있다;
ii) 액체(예: 물) 유량 센서 - 배관 시스템의 선택된 지점(하수관, 수도관, HVAC 시스템, 기구 및 자동 화재 진압 시스템 포함)을 통해 흐르는 액체(예: 물)의 양 및/또는 비율을 검출함; 예를 들어, 물 유량 센서는 구조물의 내부 또는 외부 어디에도 배치될 수 있으며, 따라서 구조물로 전달되는 물의 양, 보다 구체적으로, 구조물의 어느 부분이 정확하게(또는 대략) 얼마나 많은 물을 수용하는지에 관한 정보를 제공할 수 있다;
iii) 전기 시스템 센서 - 전기 시스템 센서는 구조물 전기 시스템의 작동 파라미터를 감지한다. 전기 시스템 센서로부터의 판독 값은 1) 전압이 (지속적으로) 너무 높거나 너무 낮은지 여부, 2) 전압이 자주 떨어지거나 및/또는 급상승하는지 여부, 3) 전기 시스템을 통해 흐르는 전류, 4) 에너지 사용 수준 및 하루 중 시간 등 중 적어도 하나를 제한없이 결정하는데 사용될 수 있다;
iv) 온도 센서;
v) 가스 유량 센서; 또는
vi) 가스 압력 센서.
도 2는 본 발명의 적어도 일부 실시예들을 구현하기에 적합한 예시적인 컴퓨팅 아키텍처(200)의 블록도이다. 예를 들어, 예시적인 네트워크 서버(201)는 적어도 하나의 중앙 처리 유닛(CPU)(202) 및 하나 이상의 데이터베이스 또는 데이터 저장 장치(203)를 포함할 수 있다. 네트워크 서버(201)는 많은 상이한 방식으로 구성될 수 있다. 일부 실시예에서, 예시적인 네트워크 서버(201)는 독립형 컴퓨터 일 수 있거나, 대안으로서, 예시적인 네트워크 서버(201)의 기능이 다수의 컴퓨팅 시스템 및 아키텍처에 걸쳐 분산될 수 있다. 예를 들어, 예시적인 네트워크 서버(201)는 분산 아키텍처로 구성될 수 있으며, 데이터베이스 및 프로세서는 개별 유닛 및/또는 위치에 수용된다.
일부 실시예에서, 예시적인 컴퓨팅 아키텍처(200)는 네트워크 환경에 통합된 임의의 유선 및 무선 유형을 이용하여 적어도 다양한 센서 1-n(204), 장비 유닛( "UOE") 1-n(205), 다른 서버/컴퓨터 시스템(209) 및/또는 사용자 장치(208)(예를 들어, 컴퓨터, 랩탑, 스마트 폰 등) 간에 데이터를 교환하도록 구성될 수 있다. 일부 실시예들에서, 예시적인 네트워크 서버(201)는 적어도 하나의 통신 프로토콜들(206 및 207)을 이용하여, 적어도 다양한 센서들 1-n(204), 장비 유닛들("UOE") 1-n(205), 다른 서버/컴퓨터 시스템(209) 및/또는 사용자 장치(208)(예를 들어, 컴퓨터, 랩탑, 스마트 폰 등) 간에 데이터를 교환하도록 구성/프로그래밍될 수 있다. 일부 실시예들에서, 예시적인 통신 프로토콜은 이더넷, SAP, SAS™, ATP, BLUETOOTH ™, GSM, TCP/IP, LAN, WAN, Wi-Fi, 802.11X, 3G, LTE, 근거리 통신(NFC) 및 기타 유사하게 적합한 통신 프로토콜일 수 있으나 이에 제한되지 않는다. 일부 실시예에서, 예시적인 컴퓨팅 아키텍처(200)의 각 멤버 장치는 또한 관련 IP 주소를 가질 수 있다.
일부 실시예에서, 적어도 하나의 데이터 저장 장치(203)는 자기, 광 및/또는 반도체 메모리의 적절한 조합을 포함할 수 있고, 예를 들어, RAM, ROM, 플래시 드라이브, 컴팩트 디스크와 같은 광 디스크 및 하드 디스크 또는 드라이브를 포함할 수 있다. 일부 실시예들에서, CPU(202) 및 데이터 저장 장치(203) 각각은 예를 들어 단일 컴퓨터 또는 다른 컴퓨팅 장치 내에 완전히 위치될 수 있고; 또는 USB 포트, 직렬 포트 케이블, 동축 케이블, 이더넷 타입 케이블, 전화선, 무선 주파수 송수신기 또는 다른 유사한 무선 또는 유선 매체 또는 전술한 것의 조합과 같은 통신 매체에 의해 서로 연결될 수 있다.
일부 실시예에서, 데이터 저장 장치(203)는 예를 들어, (i) 본 발명에 따라, 특히, CPU(202)와 관련하여 이하에서 상세히 설명되는 프로세스에 따라, CPU(202)에 지시하도록 구성된 프로그램(예를 들어, 컴퓨터 프로그램 코드 및/또는 컴퓨터 프로그램 제품); (ii) 프로그램에 의해 요구되는 정보를 저장하는데 이용될 수 있는 정보를 저장하도록 구성된 데이터베이스를 저장할 수 있다. 일부 실시예들에서, 프로그램은 예를 들어 압축된, 컴파일되지 않은, 및/또는 암호화된 형식으로 저장될 수 있고, 컴퓨터 프로그램 코드를 포함할 수 있다. 프로그램에서 명령 시퀀스의 실행으로 프로세서(202)가 본 명세서에 설명된 프로세스 단계를 수행하게 되지만, 본 발명의 프로세스를 구현하기 위한 소프트웨어 명령 대신에 또는 소프트웨어 명령과 함께 하드 와이어드 회로가 사용될 수 있다. 따라서, 본 발명의 실시예는 하드웨어 및 소프트웨어의 임의의 특정 조합으로 제한되지 않는다. 일부 실시예에서, 네트워크 서버(201)에 의해 실행될 수 있는 적절한 컴퓨터 프로그램 코드는 네트워크 서버(201)가 안전 데이터 처리 및/또는 보험 정책 관리 기능과 같은 수많은 기능을 수행하도록 프로그램될 수 있다.
일부 실시예에서, 도 2에 도시된 바와 같이, 예시적인 보험 정책 관리 애플리케이션을 실행할 때, 예시적인 네트워크 서버(201)는 위치별 에너지 사용 레벨에 기초하여 에너지 장비(예를 들어, UOE 1-n(205))를 관리하기 위해 하나 이상의 센서-구동식, 동적 조절식 피드백 루프의 일부일 수 있다. 예를 들어, 도 2에 도시된 바와 같이, 예시적인 센서 1-n(204)는 적어도 예시적인 UOE 1-n(205)와 관련된 다양한 환경 및/또는 동작 파라미터를 수집하고, 수집된 감각 데이터를 하나 이상의 통신 매체/프로토콜(206)을 통해 예시적인 네트워크 서버(201)에 전송할 수 있다. 일부 실시예에서, 감각 데이터의 예시적인 환경 및/또는 동작 파라미터는 예시적인 UOE 1-n(205)에 의한 위치별 에너지 사용 레벨과 관련된다. 일부 실시예에서, 예시적인 보험 정책 관리 애플리케이션을 실행할 때, 예시적인 네트워크 서버(201)는 예시적인 UOE 1-n(205)에 의한 위치별 에너지 사용 레벨을 포함하는 예시적인 감각 데이터를 이용하여, 자산 고장(변동) 추정에 관련된 하나 이상의 데이터 값(자산 고장 추정 값)을 결정할 수 있다(특정 사용 관련 고장 값을 설명).
일부 실시예들에서, 적어도 하나의 특정 UOE에 대한 적어도 하나의 장비 고장 추정 값에 적어도 부분적으로 기초하여, 예시적인 보험 정책 관리 애플리케이션을 실행할 때, 예시적인 네트워크 서버(201)는 동일 실체에 의해 제어될 수도 있고 제어되지 않을 수도 있는 하나 이상의 UOE 및/또는 적어도 하나의 특정 UOE를 보증하기 위한 보험 데이터를 결정하도록 프로그램될 수 있다. 일부 실시예들에서, 보험 데이터는 현재 위치별 보험료(insurance premium), 및/또는 기존 보험료에 대한 위치별 보험료의 변화와 같은 위치별정 보험료 데이터를 포함할 수 있다. 일부 실시예들에서, 예시적인 네트워크 서버(201)는 다음 중 적어도 하나에 대한 적어도 하나의 전자 경보를 생성하도록 프로그래밍될 수 있다:
i) 하나 이상의 다른 서버/컴퓨터 시스템(209)(예를 들어, 하나 이상의 UOE 1-n(205)에 서비스하는 서비스 제공자의 서버/컴퓨터 시스템);
ii) 하나 이상의 다양한 사용자의 전자 장치(208)(예를 들어, 피보험자의 전자 장치);
iii) 하나 이상의 센서 1-n(204);
iv) 하나 이상의 예시적인 UOE 1-n(205); 또는
v) 이들의 임의의 조합.
일부 실시예들에서, 적어도 하나의 전자 경보는 적어도 새 보험료 및/또는 보험료의 변경에 관한 정보를 제공하도록 구성될 수 있다. 일부 실시예들에서, 적어도 하나의 전자 경보는 적어도 하나의 전자 경보와 관련된 하나 이상의 UOE와 관련된 적어도 하나의 보험자가 하나 이상의 UOE의 위치별 에너지 사용 레벨에 영향을 미치도록 구성될 수 있다. 일부 실시예들에서, 적어도 하나의 전자 경보는 하나 이상의 센서들 1-n(204)의 적어도 하나의 동작 파라미터 및 하나 이상의 예시 UOE 1-n(205)의 하나 이상의 동작 파라미터 중 적어도 하나를 조정하기 위한 적어도 하나의 명령을 포함하도록 구성되어, 하나 이상의 UOE의 위치별 에너지 사용 레벨 및 하나 이상의 UOE의 적어도 하나의 동작 모드에 관한 감각 데이터를 수집하는 것 중 적어도 하나에 영향을 미칠 수 있다..
일부 실시예들에서, 그 다음 예시적인 본 발명의 보험 정책 관리 애플리케이션을 실행할 때, 예시적인 네트워크 서버(201)가 하나 이상의 센서 1-n(204)로부터 데이터 수신을 중단했음을 식별하는 전자 동작 경보를 실시간으로 발생시키도록 예시적인 네트워크 서버(201)가 구성될 수 있다.
일부 실시예에서, 예시적인 본 발명의 보험 정책 관리 애플리케이션을 실행할 때, 예시적인 네트워크 서버(201)는 예를 들어, 제한없이, 경보의 실시간 예측정 발생, 장비 고장 가능성 감소, 사용-기반 고장 보험료 감소, 등 중 하나 이상을 실현하도록 수신된 데이터(예를 들어, 자산별 과거 데이터, 현재 에너지 소비 데이터, 고장 빈도, 등)에 본 명세서에 상세히 설명된 바와 같이 하나 이상의 기계 학습 기술을 실시간으로 적용하도록 구성될 수 있다.
도 3a 및 3b는 본 발명의 적어도 일부 실시예에 따라 도 2에 도시된 바와 같이, 예시적인 보험 정책 관리 애플리케이션이 예시적인 네트워크 서버(201)에서 실행되는 예시적인 본 발명의 프로세스의 예시적인 흐름도이다. 일부 실시예들에서, 예시적인 본 발명의 프로세스는 소정의 장비 또는 시스템이 고장 또는 장애를 일으키는지 여부, 그리고, 고장 및/또는 장애가 일어나기 쉬운 시기 중 적어도 하나를 결정함에 있어서와 같이, 그러나 이에 제한없이, 장비(예를 들어, UOE 1-n(205))를 관리하기 위해 예시적인 센서 구동식, 동적 조절식 피드백 루프에서 이용될 수 있는 에너지 사용 기반 보험료 데이터를 결정하는 것에 관한 것이다. 일부 실시예에서, 예시적인 본 발명의 프로세스는 에너지 소비 측정 또는 센서 기록을 갖는 임의의 레벨 또는 하나 이상의 물리적 위치에 적용될 수 있다. 일부 실시예들에서, 예시적인 보험 정책 관리 애플리케이션은 에너지 사용 기반 보험료 데이터를 이용하여 위치, 시스템 및/또는 장비(예를 들어, UOE 1-n(205))에 대한 사용 기반 보험료를 결정하도록 구성/프로그래밍될 수 있다.
도 3a 및 3b에서, 단계(301)는 에너지 소비 물리적 구성이 보험료에 대해 평가될 수 있는 에너지 소비 물리적 자산에 관한 것이다(예를 들어, 하나 이상의 UOE). 일부 실시예에서, 예시적인 물리적 구성은 공통 기능을 가진 지리적 위치(들)(예를 들어, 아파트), 일 위치 내부의 물리적 시스템(예를 들어, HVAC)(물리적 구성의 예) 및/또는 개별 장비(가령, MRI 기계)(장비 유닛(UOE)의 예)일 수 있다. 예를 들어, 각 자산의 에너지 사용량은 에너지 사용 데이터를 측정하기 위해 하나 이상의 유틸리티 미터 및/또는 자산에 설치된 센서에서 얻을 수 있다. 일부 실시예들에서, 자산-레벨 에너지 사용량 데이터는 의미있는 통계를 계산하기에 충분한 모집단을 수집하기에 적합한, 그리고 미래 노출을 나타내기에 충분히 짧은, 특정 이력 기간 동안 컴파일된다. 예를 들어, 제한없이, 본 논의를 위해, 제한없이, 5 년의 기간이 사용된다. 에너지 소비에 추가하여, 단계(301)는 각 자산 환경에 대한 표준 자산 특성을 수집한다. 예를 들어, 규모, 상업 비즈니스의 유형, 주소 및/또는 자산의 크기 및/또는 운영 특성과 관련된 기타 데이터가 있다. 단계(302)에서, 단계(301)에서와 동일한 데이터 요소를 포함하는 청구(claims) 데이터가 수집되지만, 또한 실패한 위치, 장비 및/또는 시스템에 대한 자산별 손실 데이터, 손실 요인, 및 손실양을 포함하지만 이에 제한되지는 않는다. 단계(303)에서, 단계(301 및 302)에서 개발된 데이터 소스들이 청구 빈도(예를 들어, 고장/결함의 빈도) 및 청구 심각도(예를 들어, 고장/결함의 심각도)를 계산하기 위해 결합된다. 예를 들어, 이것은 다음의 식(1) 및(2)를 적용함으로써 달성될 수 있다:
청구 빈도: f =(청구 횟수)/(피 보험 자산 수)
(1)
청구 심각도: S =(∑ 자산 손실액)/(청구 수)
(2)
이러한 계산은 노출 및 손실 데이터 기반의 이전에 지정된 데이터 서브 세트에 대해 수행되어, 각 서브 세트에 대한 청구 빈도 및 심각도를 계산한다. 일부 실시예에서, 이러한 데이터 분류는 수집된 데이터에서 상업 비즈니스의 특성에 적어도 부분적으로 기초한다. 다른 실시예는 물리적 시스템, 예를 들어 HVAC, 냉장, 조명, 가열, 냉각 등에 기초한다. 다른 실시예는 예를 들어, 냉각기, 보일러, 모터, 엔진 등과 같은 특정 장비에 기초할 수 있다. 지역, 사업 유형, 규모, 운영 일에 대한 서브세트가 정의될 수 있다. 일부 실시예에서, 청구 빈도 f 및 심각도 S는 다음 식(3)에 도시된 바와 같이 자산 보험에 대한 각각의 서브 세트의 기본 손실 비용 R을 계산하기 위해 곱해진다.
R 〈(손실 금액)/(보험 자산)〉 = f 〈(청구 수)/(보험 자산 수)〉 * S〈(손실 금액)/(청구 수)〉
(3)
도 3a 및 도 3b에서, 단계(304)에서, 예시적인 보험 정책 관리 애플리케이션은 오버 헤드, 클레임 관리, 커미션 및/또는재보험을 제한없이 포함하는 표준 보험 관련 사업 비용을 포함하도록 기본 손실 비용을 조정하도록 구성/프로그램될 수 있다. 재보험. 일부 실시예들에서, 예시적인 보험 정책 관리 애플리케이션은 표준 회계 절차를 통해 이러한 비용을 계산하도록, 그리고, 실행 가능한 비즈니스 활동을 보장하기 위해 기본 보험료 손실 비용에 이를 추가하도록 구성/프로그래밍될 수 있다. 일부 실시예들에서, 적용된 비용 요금은 단계 303에서 정의된 바와 같이 서브 세트 그룹에 따라 다를 수 있다.
일부 실시예들에서, 예시적인 보험 정책 관리 애플리케이션은 단계 305에서 시작하여 병렬 프로세스 경로를 실행하도록 구성/프로그래밍될 수 있고, 에너지 사용 데이터가 자산에서 생성된다. 도 3a에서, 에너지 사용 데이터(305)는 실시간으로, 지속적으로, 간헐적으로, 산발적으로, 때때로, 및 요청에 따라와 같이, 임의의 시간에 기초하여 생성된다. 도 3b에서, 에너지 사용 데이터(305)는 실시간으로 생성된다. 예를 들어, 자산의 실제/현재 에너지 사용량은 에너지 및/또는 사용량을 측정하기 위해 하나 이상의 유틸리티 미터 또는 자산에 설치된 센서에서 얻을 수 있다. 일부 실시예에서, 이 에너지 사용량은 디젤 연료 갤런, 입방 피트의 천연 가스, 킬로와트아우어, 킬로와트 및/또는 다른 에너지 사용 단위를 취할 수 있으나 이에 제한되지 않는다. 단계(306)에서, 예시적인 보험 정책 관리 애플리케이션은 예를 들어 예시적인 센서 1-n(204)(가령, 고객 설치 에너지 계측기), 예시적인 UOE 1-n(205)(예를 들어, 유틸리티 자체), 및 하나 이상의 제 3 자와 관련된 하나 이상의 전자 소스 중 적어도 하나로부터 수신될 수 있는 특정 기간 동안 사용된 에너지에 관한 에너지 사용 데이터를 저장하도록 구성/프로그램될 수 있다. 일부 실시예들에서, 예시적인 보험 정책 관리 애플리케이션은 위치, 시스템 또는 개별 장비의 총 사용량을 나타내도록 에너지 사용 데이터를 그룹화하도록 구성/프로그램될 수 있다. 단계(307)에서, 일 집단 내의 각 사이트에 대해, 예시적인 보험 정책 관리 애플리케이션은 에너지 사용 데이터를 획득하고 에너지 사용 데이터를 집단 레벨 데이터베이스로서 저장하도록 구성/프로그램될 수 있다. 에너지 사용 데이터와 함께, 사이트의 위치, 규모, 및/또는 사업 활동에 관한 데이터를 제한없이 포함하는 사이트의 속성을 얻도록 구성/프로그램될 수 있다. 단계(308)에서, 예시적인 보험 정책 관리 애플리케이션은, 단계(301-304)에서 수행된 것과 동일한 서브세트 기준으로 에너지 사용 데이터를 매핑/분류할 수 있도록, 수집된 사이트 및 고객 레벨 데이터를, 단계(301-304)에서 사용된 자산 보험 위험을 기술하는데 사용될 수 있는 예시적인 자산-레벨 코드로 변환 또는 매핑하도록 구성/프로그램될 수 있다. 이 매핑은 단계 307로부터의 집단 레벨 에너지 데이터 및 단계 309에서의 가격 책정을 위한 고객 에너지 데이터 모두를 변환하는데 사용된다. 예를 들어, 사이트 주소 및 우편 번호는 자산 위험을 모델링하기 위해 사전 정의된 지리적 영역에 매핑될 수 있다. 또한, SIC(Standard Industrial Classification) 코드로 일상적으로 설명되는 사업 활동에는 자산 위험 점유 코드의 매핑이 필요할 수 있다. 이 단계는 에너지 데이터가 단계 301 내지 304에서 수행된 것과 동일한 서브 세트 기준으로 매핑/분류될 수 있게 한다.
단계 309에서, 예시적인 보험 정책 관리 애플리케이션은 자산 고장 보험에 대한 에너지 사용-기반 보험료를 결정하기 위해 에너지 소비 데이터 및 자산-레벨 클래스 변수(단계(308)의 결과 이용)에 매핑된 특정 고객 데이터 세트를 컴파일하도록 구성/프로그램될 수 있다. 다수의 에너지 원이 한 사이트에서 소비되는 경우, 예시적인 보험 정책 관리 애플리케이션은 모든 에너지 소비를 킬로와트아우어로 변환하기 위해 적어도 하나의 표준 에너지 변환 계수를 이용하도록 구성/프로그램될 수 있다.
단계(310)에서, 단계(304, 308)로부터의 데이터 결과는 단계(309)에서 입력된 고객 데이터에 적용된다. 예시적인 보험 정책 관리 애플리케이션은 단계(309)에 나열된 각각의 자산 클래스-기반 고객에 대해 아래 식(4)으로부터 사용 기반 보험료를 계산하도록 구성/프로그램될 수 있다. 일부 실시예에서, 예시적인 보험 정책 관리 애플리케이션은 다른 적합한 기준을 이용하도록 구성/프로그램될 수 있다. 그 후, 예시적인 보험 정책 관리 애플리케이션은 식별된 각각의 서브 세트 기준(예를 들어, 지역 규모 비즈니스)에 대한 합산 및 총계를 결정하도록 구성/프로그램될 수 있다.
단계 310에서, 각 자산의 보험료 Pi는 자산 클래스의 평균 에너지 소비에 대한 특정 자산의 에너지 소비 Ei의 몫의 지수함수 값과 조정된 기본 비용의 곱으로부터 계산된다:
(4)
여기서 = 자산 집단에 대해 계산된 평균 에너지 소비:
=(∑ 에너지 소비(kwh))/(총 자산 수)
α는 보험사가 결정한 자산 클래스 에너지 스케일 팩터이고,
m은 단계 304에서 계산되며,
K는 동일한 전체 집단 보험료를 산출하기 위해 요율을 정규화하기 위해 일정하고,
R은 단계 303에서 계산된 기본 손실 비용이다.
주어진 비즈니스 카테고리 또는 자산 클래스에 대한 총 보험료가 α와 관련하여 일정하게 유지됨을 보장하기 위해 상수 K가 포함된다. 주어진 금액의 보험료를 산출하기 위해 지정된 비즈니스 장부가 보증(underwritten)되는 경우, 스케일링 계수의 선택이이 금액을 변경해서는 안된다. 또한, 보험 규제의 관점에서, 주정부 규제 기관이 표준 요율을 승인하면 사업 장부 보험료는 일정한 비율로, 즉, 스케일링 팩터에 관계없이, 유지되어야한다. 총 비즈니스 카테고리 또는 자산 클래스 보험료를 일정하게 유지하면서 K는 다음과 같이 계산될 수 있다.
(5)
여기서 N은 모집단 크기이다.
스케일 팩터 α는 보험 회사가 선택한다. 그 값은 보험 데이터, 엔지니어링 데이터 및 보험이 적용되는 특정 자산 클래스에 대한 경험을 기반으로한다. 이는 광범위한 이유로 달라질 수 있다. 예를 들어, α = 1 인 경우 자산의 에너지 사용량을 두 배로 늘리면 보험료가 두 배가된다. 이 선형성은 에너지 사용량의 변화가 장비 수 또는 운영 시간의 변화와 직접적으로 관련된 보험 노출을 설명할 수 있다. 그러나 다른 경우 보험 위험이 반드시 에너지 사용과 선형일 필요는 없다. 예를 들어, α = ½ 인 경우 에너지 사용량을 두 배로 늘리면 보험료가 약 40 % 만 증가한다(). 이 방법은 여러 운영 단위를 더 크고 에너지 효율적인 품목으로 교체하는 고객에게 유효할 수 있다. 다른 실시예에서, 다른 값이 사용될 수 있고 실제로 α> 1 값이 일부 자산 클래스에 적합할 수 있다. 예를 들어, 고가의 장비는 그 고유한 기술로 인해 보다 높은 비용을 반영할 수 있고, 보다 높은 사업 중단 값을 갖는다. 선택된 α의 가치는 에너지 소비에 따라 자산 클래스 위험이 어떻게 변하는 지에 대한 보험사의 데이터 및 경험을 반영한다.
도 3a 및 도 3b에 설명된 예시적인 본 발명의 방법의 예로서, 도 4 내지 7은 예시적인 보험 정책 관리 애플리케이션이 예를 들어 3개의 예시적인 자산 클래스에 속한 고객들의 주어진 지리적 위치에 대한 에너지 사용 기반 보험료를 실시간으로 계산하도록 구성/프로그래밍될 수 있는 방법을 도시한다.
도 4에서, 단계(410)에서, 예시적인 보험 정책 관리 애플리케이션은 특정 자산 클래스 예(소매점, 공조 시스템, 및 장비 자산 클래스: 자기 공명 영상(MRI))에 따라 과거 노출 데이터를 전자적으로 획득한다. 단계 420에서, 예시적인 보험 정책 관리 애플리케이션은 피보험자에 대한 과거 자산 청구 데이터에 관한 이력 데이터를 전자적으로 획득한다. 단계 430에서, 예시적인 보험 정책 관리 애플리케이션은 단계 410 및 420으로부터의 손실 및 노출 데이터를 동적으로 결합하여 기본 손실 비용을 계산한다. 단계(440)에서, 예시적인 보험 정책 관리 애플리케이션은 자산 클래스 특성, 비용, 재보험, 이윤, 등과 같은, 그러나 이에 제한되지 않는, 다양한 추가 항목을 나타내기 위해 적어도 부분적으로 이력 데이터에 기초하여 결정 또는 연산될 수 있는 기결정된 멀티플라이어에 의해 기본 손실 비용을 동적으로 조정한다.
도 5에서, 단계(510)에서, 예시적인 보험 정책 관리 애플리케이션은 예를 들어, (1) 하나 이상의 유틸리티 미터,(2) 하나 이상의 센서, 또는 (3) 가격 책정된 피보험 자산 집단의 에너지 소비 데이터를 생성하기 위한 하나 이상의 전자 데이터베이스 중 적어도 하나로부터, 그러나 이에 제한없이, 에너지 데이터를 전자적으로 획득한다. 예를 들어, 단계(520)에서, 예시적인 보험 정책 관리 애플리케이션은 3 개의 자산 클래스 각각에 대해 4 개의 피보험자에 대한 에너지 소비 데이터를 전자적으로 결정한다. 이 데이터는 일반 보험 상품 가격 책정을 위한 충분한 노출 및 손실 데이터를 결정하기 위해 일반적으로 수행되는 것과 유사한, 해당 기간 동안 수집된다. 단계(530)에서, 예시적인 보험 정책 관리 애플리케이션은 특정 피보험자에 대한, 즉, 모든 피 보험 자산 클래스에 걸쳐 각각의 자산 클래스에 대한, 평균 에너지 소비 통계()를 생성한다.
도 6에서, 단계(610)에서, 예시적인 보험 정책 관리 애플리케이션은 가격 책정 고객의 ID(예를 들어, 소매점 # 1234)를 자산 클래스에 매핑한다. 단계(620)에서, 예시적인 보험 정책 관리 애플리케이션은 각각의 가격 책정 고객의 ID를 단계(440)에서 계산된 에너지 소비 및 자산 클래스 조정 기본 손실 비용과 연동한다. 단계(630)에서, 예시적인 보험 정책 관리 애플리케이션은 보험료 계산에 사용되는 자산 클래스에 대해 스케일 팩터를 포함하는 보험사 공급 표를 이용한다.
도 7에서, 단계(710)에서, 예시적인 보험 정책 관리 애플리케이션은 도표화된 데이터 및 수식(4) 및(5)를 사용하여 고객 보험료를 계산한다.
일부 실시예들에서, 예시적인 보험 정책 관리 애플리케이션은 모든 위치 및 모든 연료에 대한 대표 고객의 에너지 소비에 대한 총계를 결정하도록 구성/프로그램될 수 있다. 예를 들어, 기업은 전기 소비 외에도 난방을 위해 천연 가스를 사용할 수 있다. 그러한 경우에, 예시적인 보험 정책 관리 애플리케이션은, 예를 들어, Kwh와 동등한 천연 가스 사용량을 전기 소비에 추가하기 위해 100ft3의 천연 가스를 29.21kwh에 대응시키는 특정 변환을 이용하도록 구성/프로그램될 수 있다.
일부 실시예에서, 예시적인 보험 정책 관리 애플리케이션은 상이한 연료에 대한 다른 kwh 등가 변환 계수를 이용하도록 구성/프로그램될 수 있다. 일부 실시예들에서, 예시적인 보험 정책 관리 애플리케이션은 고객의 완전한 에너지 데이터 모집단에 걸쳐 에너지 변환 계산을 적용하도록, 그리고 생성된 에너지 변환 데이터를 여기서 상세히 논의되는 하나 이상의 다른 데이터베이스와 일체형 또는 분리형일 수 있는 데이터베이스로 컴파일하도록 구성/프로그래밍될 수 있다. 일부 실시예들에서, 예시적인 보험 정책 관리 애플리케이션은, 자산별 에너지 사용 레벨에 기초하여 장비(예를 들어, UOE 1-n(205))를 관리하기 위한 예시적인 본 발명의 센서-구동식, 동적-조정식 피드백 루프를 지원함에 있어서, 새 보험 고객의 에너지 소비 데이터에 조정된 장비 보험 가격 책정 모델을 적용하도록 구성/프로그램될 수 있다. 예를 들어, 예시적인 보험 정책 관리 애플리케이션은 신규 고객(들)의 이름(들) 및 총 에너지 소비(kwh로 측정)를 보험 비즈니스 카테고리에 매핑하도록 구성/프로그램될 수 있다. 그런 다음, 예시적인 보험 정책 관리 애플리케이션은 대응하는 등급 정보 및 고객의 에너지 사용량의 조합에 적어도 부분적으로 기초하여 개별 정책에 대한 신규 고객의 자산 고장 보험료를 결정하도록 구성/프로그램될 수 있다.
일부 실시예들에서, 그리고 선택적으로, 위에서 또는 아래에서 설명되는 임의의 실시예의 조합으로, 예시적인 보험 정책 관리 애플리케이션은, 예를 들어, 제한없이, 자산별 과거 데이터 또는 자사별 현재 에너지 소비 데이터 중 적어도 하나로부터, 학습되거나 학습되도록 훈련될 수 있는(즉, 선택적으로, 여기서 상세히 논의되는 예시적 분석없이) 장소, 시스템, 장비, 또는 하나 이상의 다른 적절한 자산 분류 기준/카테고리 중 적어도 하나에 기초하여 자산을 분류하도록, 하나 이상의 기계 학습 기술(예를 들어, 신경망, 지원 벡터 기계, 의사 결정 트리, 임의 포레스트, 부스팅, 최인접 알고리즘, 나이브 베이(Naive Bayes), 배깅(bagging), 등)을 실시간으로 적용하도록 구성/프로그램될 수 있다 ,
일부 실시예들에서, 그리고 선택적으로, 위 또는 아래에 설명된 임의의 실시예의 조합에서, 예시적인 신경망 기술은 피드포워드 신경망, 방사형 기본 기능 네트워크, 재발성 신경망, 컨볼루션 네트워크(예를 들어, U-네트) 또는 다른 적절한 네트워크 중 하나일 수 있고, 이에 제한되지 않는다. 일부 실시예들에서, 그리고 선택적으로, 위에서 또는 아래에서 설명되는 임의의 실시예의 조합으로, 신경망의 예시적인 구현이 다음과 같이 실행될 수 있다:
i) 신경망 아키텍처/모델 정의
ii) 센서 데이터를 예시적인 신경망 모델로 전송
iii) 예시적 모델을 증분형으로 훈련.
iv) 특정 수의 시간 간격에 대한 정확도 결정
v) 새로 수신된 센서 데이터를 처리하기 위해 예시적인 훈련된 모델을 적용
vi) 선택적으로 그리고 병렬로, 기결정된 주기로 예시적인 훈련된 모델을 계속 훈련.
일부 실시예들에서, 그리고 선택적으로, 위에서 또는 아래에 설명된 임의의 실시예의 조합으로, 예시적인 훈련된 신경망 모델은 적어도 신경망 토폴로지, 일련의 활성화 함수 및 연결 가중치에 의해 신경망을 특정할 수 있다. 예를 들어, 신경망의 토폴로지는 신경망의 노드 구성 및 이러한 노드 사이의 연결을 포함할 수 있다. 일부 실시예들에서, 그리고 선택적으로, 위에서 또는 아래에서 설명되는 임의의 실시예의 조합으로, 예시적인 훈련된 신경망 모델은 바이어스 값/함수 및/또는 집계 함수(aggregation function)를 포함하지만 이에 제한되지 않는 다른 파라미터를 포함하도록 또한 특정될 수 있다. 예를 들어, 노드의 활성화 함수는 단계 함수, 사인 함수, 연속 또는 개별식 함수(piecewise function), 시그모이드 함수(sigmoid function), 쌍곡선 탄젠트 함수, 또는 노드가 활성화되는 임계 값을 나타내는 다른 유형의 수학 함수일 수 있다. 일부 실시예들에서, 그리고 선택적으로, 위에서 또는 아래에서 설명되는 임의의 실시예의 조합에서, 예시적인 집계 함수는 입력 신호들을 노드에 결합하는(예를 들어, 합, 곱 등) 수학적 함수일 수 있다. 일부 실시예들에서, 그리고 선택적으로, 위에서 또는 아래에서 설명되는 임의의 실시예의 조합으로, 예시적인 집계 함수의 출력이 예시적인 활성화 함수에 대한 입력으로서 사용될 수 있다. 일부 실시예들에서, 그리고 선택적으로, 위에 또는 아래에 기술된 임의의 실시예의 조합에서, 바이어스는 노드를 대략 활성화시키는 활성화 함수 및/또는 집계 합수에 의해 사용될 수 있는 일정 값 또는 함수일 수 있다.
일부 실시예들에서, 그리고 선택적으로, 위에서 또는 아래에서 설명되는 임의의 실시예의 조합으로, 예시적인 신경망에서의 각각의 연결에 대한 예시적인 연결 데이터는 노드 쌍 또는 연결 가중치 중 적어도 하나를 포함할 수 있다. 예를 들어, 예시적인 신경망이 노드 N1로부터 노드 N2 로의 연결을 포함한다면, 그 연결에 대한 예시적인 연결 데이터는 노드 쌍 <N1, N2>를 포함할 수 있다. 일부 실시예들에서, 그리고 선택적으로, 위 또는 아래에 설명된 임의의 실시예의 조합에서, 연결 가중치는 N1의 출력이 N2에 입력되기 전에 수정되는지 및/또는 어떻게 수정되는지에 영향을 미치는 수치 값일 수 있다. 반복 네트워크의 예에서, 노드는 자신과의 연결을 가질 수 있다(예를 들어, 연결 데이터는 노드 쌍 <N1, N1>을 포함할 수 있다).
일부 실시예들에서, 그리고 선택적으로, 위 또는 아래에 설명된 임의의 실시예의 조합으로, 예시적인 훈련된 신경망 모델은 또한 종 식별자(ID) 및 피트니스 데이터를 포함할 수 있다. 예를 들어, 각각의 종 ID는 예시 모델이 복수의 종(예를 들어, 자산 분류 카테고리) 중 어디에 소속된 것인지를 나타낼 수 있다. 예를 들어, 피트니스 데이터는 예시적인 훈련된 신경망 모델이 입력 자산 에너지 소비 세트 및/또는 자산 고장 손실 데이터 세트를 얼마나 잘 모델링 하는지를 나타낼 수 있다. 예를 들어, 피트니스 데이터는 모델에 대한 피트니스 기능의 평가에 기초하여 결정된 피트니스 값을 포함할 수 있다. 예를 들어, 예시적인 피트니스 기능은 입력된 자산 에너지 소비 데이터 세트 및/또는 자산 고장 손실 데이터 세트에 대해 예시적인 훈련된 신경망 모델을 테스트함으로써 생성된 에러의 빈도 및/또는 크기에 기초한 목적 함수일 수 있다. 간단한 예로서, 입력 자산 에너지 소비 데이터 세트 및/또는 자산 고장 손실 데이터 세트 각각이 10 개의 행을 포함하고, 입력 자산 에너지 소비 데이터 세트 및/또는 자산 고장 손실 데이터 세트가 각각 A 및 B로 표시된 2 개의 열을 포함하며, 예시적인 훈련된 신경망 모델은 A의 입력 값이 주어졌을 때 B의 예측된 값을 출력한다고 가정해보자.이 예에서, 예시적인 훈련된 신경망 모델을 테스트하는 것은 입력 자산 에너지 데이터 세트 및/또는 자산 고장 손실 데이터 세트 각각으로부터 A의 10 개의 값 각각을 입력하고, B의 예측된 값을, 각각의 입력 자산 에너지 소비 데이터 세트 및/또는 자산 고장 손실 데이터 세트로부터의 B의 대응하는 실제 값에 비교하고, B의 두 예측값과 실제 값이 다른지, 및/또는 얼마나 다른지를 결정하는 과정을 포함할 수 있다. 예를 들어, 특정 신경망이 열 행 중 9 개의 행에 대한 B의 값을 정확하게 예측한 경우, 예시적인 피트니스 함수는 해당 모델에 9/10 = 0.9의 피트니스 값을 할당할 수 있다. 이전의 예는 단지 예시를 위한 것이며 제한적인 것으로 간주되지 않아야한다는 것이 이해되어야한다. 일부 양상들에서, 예시적인 피트니스 함수는 입력 노드들의 수, 노드 계층들, 숨겨진 계층들, 연결들, 계산 복잡도 등과 같이, 에러 빈도 또는 에러율과 관련없는 요소들에 기초할 수 있다.
일부 실시예들에서, 그리고 선택적으로, 위 또는 아래에 설명된 임의의 실시예의 조합으로, 예시적인 신경망 모델은 입력 계층에서 입력 자산 에너지 소비 및/또는 자산 고장 손실 값을 수신한다. 일부 실시예들에서, 그리고 선택적으로, 위 또는 아래에 설명된 임의의 실시예의 조합으로, 예시적인 훈련된 신경망 모델은 특정 계층으로의 연결을 통해 이들 값을 전파한다. 일부 실시예들에서, 그리고 선택적으로, 위에서 또는 아래에 설명된 임의의 실시예의 조합으로, 각각의 연결들은 원래 값을 수정하는데 사용되는 수치 가중 값(예를 들어, -1과 1 사이의 값)을 포함할 수 있다(예를 들어, 전파되는 값 = 원래 값 * 가중치). 일부 실시예들에서, 그리고 선택적으로, 위에서 또는 아래에서 설명되는 임의의 실시예의 조합으로, 특정 계층의 노드들은 이러한 전파된 값들을 입력으로서 수신한다. 일부 실시예들에서 그리고 선택적으로, 위에서 또는 아래에 설명된 임의의 실시예의 조합으로, 특정 계층의 각 노드는 수신된 입력 값들을 결합하는 함수(예를 들어, 모든 수신된 입력을 합산)을 포함할 수 있다. 예를 들어, 각각의 노드는 하나의 값이 후속 계층에 대한 연결들 중 일 연결에서 출력될 시기를 결정하는 하나 이상의 활성화 함수를 더 포함할 수 있다(예를 들어, 입력들의 결합된 값이 > 0인 경우 +1을 출력하고, 입력들의 결합된 값이 < 0일 경우 -1을 출력하며, 입력들의 조합된 값이 0일 경우 0을 출력). 예시적인 출력 계층의 각 노드는 입력 센서 값에 대한 미리 정의된 카테고리에 대응할 수 있다. 예를 들어, 출력 계층의 각 노드에 대한 결합된 입력 센서 값은 입력에 대해 결정된 카테고리(예를 들어, 가장 큰 결합된 입력 값을 갖는 출력 노드에 대한 카테고리)를 결정할 수 있다. 일부 실시예들에서, 그리고 선택적으로, 위 또는 아래에 설명된 임의의 실시예의 조합으로, 이러한 방식으로, 예시적인 신경망 구조는, 예를 들어, 입력 자산 에너지 소비 데이터 세트 및/또는 자산 고장 손실 데이터 세트에 대한 하나 이상의 자산 분류 카테고리를 결정하는데 사용될 수 있다.
일부 실시예들에서, 그리고 선택적으로, 위에서 또는 아래에 설명된 임의의 실시예의 조합으로, 연결 가중치는 시작할 때 디폴트 및/또는 랜덤 값으로 제공될 수 있다. 일부 실시예들에서, 그리고 선택적으로, 위에서 또는 아래에 설명된 임의의 실시예의 조합으로, 센서 입력들은 그 후 입력 계층을 통해 예시적인 신경망 모델에 제공되고, (예를 들어, 출력 계층의 노드에서 가장 높은 조합된 입력 값에 기초하여) 자산 에너지 소비 및/또는 자산 고장 손실 입력 값에 대한 결정된 카테고리가 관찰되어, 이전에 라벨링된 바와 같은 올바른 카테고리와 비교될 수 있다. 일부 실시예들에서, 그리고 선택적으로, 위에서 또는 아래에 설명된 임의의 실시예의 조합으로, 예시적인 신경망 모델이 모든 입력들에 대해, 또는, 모든 입력 중 적어도 수용가능한 부분에 대해, 정확한 카테고리들을 정확하게 결정하여 예시적인 훈련된 신경망 모델에 도달할 때까지, 연결 가중치들이 반복적으로 수정될 수 있다. 예를 들어, 이전에 결정된 정확한 카테고리없이 새로운 입력이 수신될 때, 본 발명의 예시적인 컴퓨터 기반 시스템은 그 입력에 대한 가장 가능성있는 카테고리를 결정하기 위해 그 입력을 예시적인 훈련된 신경망 모델에 제출하도록 구성될 수 있다.
일부 실시예들에서, 그리고 선택적으로, 위 또는 아래에 설명된 임의의 실시예의 조합으로, 예시적인 신경망 모델은 예를 들어, 이에 제한되지 않지만 노드의 수 감소, 연결의 수 감소, 신경망 모델을 규정하는 파라미터를 저장하는 파일의 파일 크기 감소, 또는 이들의 임의의 조합에 의해 실시간으로 더욱 최적화될 수 있다.
일부 실시예들에서, 그리고 선택적으로, 위에서 또는 아래에서 설명되는 임의의 실시예의 조합으로, 본 발명은 발명의 예시적인 컴퓨터-구현 방법을 제공하며, 상기 방법은, 1) 자산별 과거 에너지 소비 데이터, 2) 적어도 하나의 제 1 자산별 과거 운영 특성, 3) 적어도 하나의 제 1 자산별 과거 환경 특성, 및 4) 제 1 자산별 과거 고장 손실 데이터를 포함하는, i) 자산별 과거 데이터와, ii) 하나 이상의 유틸리티 미터, 하나 이상의 센서 또는 둘 다로부터의 자산별 현재 에너지 소비 데이터를, 적어도 에너지 소비 물리적 자산 집단에 대해, 기결정된 기간 동안 적어도 하나의 프로세서에 의해 수신하는 단계; 자산별 과거 데이터에 적어도 부분적으로 기초하여, 각각의 물리적 자산 카테고리마다, 각각의 고장 빈도, 및 각각의 고장의 각각의 평균 심각도를 적어도 하나의 프로세서에 의해 결정하는 단계; 각각의 고장 빈도 및 각각의 고장의 각각의 평균 심각도에 적어도 부분적으로 기초하여, 각각의 물리적 자산 카테고리에 대한 각각의 물리적 자산 당 조정된 고장 손실 값을 적어도 하나의 프로세서에 의해 결정하는 단계; 자산별 현재 에너지 소비 데이터에 적어도 부분적으로 기초하여, 각각의 물리적 자산 카테고리에 대한 각각의 물리적 자산 당 각각의 평균 현재 에너지 소비 값을 적어도 하나의 프로세서에 의해 결정하는 단계; 에너지 소비 물리적 자산 집단의 적어도 하나의 에너지 소비 물리적 자산을 나타내는 각각의 에너지 소비 위치를 특정 물리적 자산 카테고리에 적어도 하나의 프로세서에 의해 연관시키는 단계; i) 각각의 에너지 소비 위치와 관련된 각각의 물리적 자산 카테고리 내 에너지 소비 물리적 자산 집단의 적어도 하나의 에너지 소비 물리적 자산의 수, 및 ii) 각각의 물리적 자산 카테고리에 대한 각각의 물리적 자산 당 각자의 평균 현재 에너지 소비 값에 적어도 부분적으로 기초하여 특정 사용-기반 고장 보험료 값을 각자의 에너지 소비 위치에 대해 적어도 하나의 프로세서에 의해 결정하는 단계; i) 적어도 하나의 에너지 소비 물리적 자산에 서비스하는 적어도 하나의 서비스 제공자, ii) 적어도 하나의 에너지 소비 물리적 자산과 연계된 적어도 하나의 실체의 적어도 하나의 전자 장치, iii) 적어도 하나의 센서, 또는 iv) 적어도 하나의 에너지 소비 물리적 자산 중 적어도 하나에 적어도 하나의 경보를, 각자의 에너지 소비 위치의 특정 사용-기반 고장 보험료 값에 적어도 부분적으로 기초하여, 적어도 하나의 프로세서에 의해 발생시키는 단계를 포함하며, 상기 적어도 하나의 전자 경보는 i) 새로운 사용-기반 고장 보험료 값 또는 사용-기반 고장 보험료 값의 변화를 요구하는 과정, ii) 적어도 하나의 에너지 소비 물리적 자산과 연계된 적어도 하나의 사용자로 하여금, 적어도 하나의 에너지 소비 물리적 자산의 에너지 이용 레벨을 변경시키게 하는 과정, iii) 적어도 하나의 에너지 소비 물리적 자산의 적어도 하나의 동작 특성을 조정하도록 적어도 하나의 사용자에게 지시하는 과정, iv) 적어도 하나의 에너지 소비 물리적 자산의 적어도 하나의 환경 특성을 조정하도록 적어도 하나의 사용자에게 지시하는 과정, 및 v) 적어도 하나의 센서의 적어도 센서 동작 파라미터를 조정하도록 적어도 하나의 사용자에게 지시하는 과정 중 적어도 하나에 의해 적어도 하나의 에너지 소비 물리적 자산의 위치별 에너지 이용 레벨에 영향을 미치도록 구성된다.
일부 실시예에서, 그리고 선택적으로, 앞서 또는 아래에서 기재된 임의의 실시예와 조합하여, 적어도 하나의 에너지 소비 물리적 자산은 하나 이상의 장비 유닛(UOE)을 포함하는 물리적 구성이다. 일부 실시예에서, 그리고 선택적으로, 위에 또는 아래에 기술된 임의의 실시예와 조합하여, 적어도 하나의 과거 환경 특성은 적어도 하나의 광학 파라미터, 적어도 하나의 음향 파라미터, 적어도 하나의 압력 파라미터, 적어도 하나의 온도 파라미터, 적어도 하나의 가속 파라미터, 적어도 하나의 자기 파라미터, 적어도 하나의 생물학적 파라미터, 적어도 하나의 화학적 파라미터, 또는 적어도 하나의 모션 파라미터 중 적어도 하나이다. 일부 실시예에서, 그리고 선택적으로, 위에 또는 아래에 기재된 임의의 실시예의 조합에서, 적어도 하나의 광학 파라미터는 적외선 파라미터, 가시광 파라미터 및 자외선 파라미터로 이루어진 군으로부터 선택된다. 일부 실시예들에서, 각각의 에너지 소비 위치는 적어도 하나의 에너지 소비 물리 자산의 물리적 위치를 식별하는 GPS(Global Positioning System) 데이터에 기초하여 정의된다. 일부 실시예에서, 적어도 하나의 센서는 i) 액체 압력 센서, ii) 액체 유량 센서, iii) 온도 센서, iv) 가스 유량 센서, v) 가스 압력 센서, 또는 vi) 전기 시스템 센서 중 하나이다.
일부 실시예에서, 그리고 선택적으로, 위에 또는 아래에 기재된 임의의 실시예의 조합에서, 각각의 에너지 소비 위치를 특정 물리적 자산 카테고리에 적어도 하나의 프로세서에 의해 연관시키는 단계는: 각각의 에너지 소비 위치의 하나 이상의 UOE를 특정 물리적 자산 카테고리로 적어도 하나의 프로세서에 의해 분류하는 단계를 더 포함한다. 일부 실시예들에서, 그리고 선택적으로, 위에서 또는 아래에서 설명되는 임의의 실시예의 조합으로, 각각의 에너지 소비 위치의 하나 이상의 UOE를 특정 물리적 자산 카테고리로 분류하는 단계는: SIC(Standard Industrial Classification) 코드에 적어도 부분적으로 기초하여 물리적 자산을 분류하도록 훈련된 적어도 하나의 머신 러닝 기술을 적어도 하나의 프로세서에 의해 적용하는 단계를 포함한다.
일부 실시예에서, 그리고 선택적으로, 위에 또는 아래에 기재된 임의의 실시예의 조합에서, 자산별 과거 에너지 소비 데이터 및 자산별 현재 에너지 소비 데이터는 킬로와트아우어(kwh) 단위이다. 일부 실시예들에서, 그리고 선택적으로, 위에 또는 아래에 설명된 임의의 실시예의 조합으로, 적어도 하나의 프로세서에 의해 자산별 과거 에너지 소비 데이터 및 자산별 현재 에너지 소비 데이터가 각자 kwh 양으로 변환된다.
일부 실시예들에서, 그리고 선택적으로, 위에서 또는 아래에서 설명되는 임의의 실시예의 조합으로, 본 발명은 적어도 다음의 구성요소들, 즉, 적어도 하나의 특수 목적 컴퓨터를 포함할 수 있는 예시적인 본 발명의 시스템을 제공하며, 상기 컴퓨터는: 특정 컴퓨터 실행 가능 프로그램 코드를 저장하는 비일시적 컴퓨터 메모리와, 특정 프로그램 코드를 실행할 때 적어도 다음의 동작들을 수행하도록 구성된 적어도 하나의 컴퓨터 프로세서를 포함하며, 상기 동작들은, 1) 자산별 과거 에너지 소비 데이터, 2) 적어도 하나의 제 1 자산별 과거 운영 특성, 3) 적어도 하나의 제 1 자산별 과거 환경 특성, 및 4) 제 1 자산별 과거 고장 손실 데이터를 포함하는, i) 자산별 과거 데이터와, ii) 적어도 하나의 유틸리티 미터, 하나 이상의 센서 또는 둘 다로부터의 자산별 현재 에너지 소비 데이터를, 적어도 에너지 소비 물리적 자산 집단에 대해, 기결정된 기간 동안 수신하는 단계; 자산별 과거 데이터에 적어도 부분적으로 기초하여, 각각의 물리적 자산 카테고리마다, 각각의 고장 빈도, 및 각각의 고장의 각각의 평균 심각도를 결정하는 단계; 각각의 고장 빈도 및 각각의 고장의 각각의 평균 심각도에 적어도 부분적으로 기초하여, 각각의 물리적 자산 카테고리에 대한 각각의 물리적 자산 당 조정된 고장 손실 값을 결정하는 단계; 자산별 현재 에너지 소비 데이터에 적어도 부분적으로 기초하여, 각각의 물리적 자산 카테고리에 대한 각각의 물리적 자산 당 각각의 평균 현재 에너지 소비 값을 결정하는 단계; 에너지 소비 물리적 자산 집단의 적어도 하나의 에너지 소비 물리적 자산을 나타내는 각각의 에너지 소비 위치를 특정 물리적 자산 카테고리에 연관시키는 단계; i) 각각의 에너지 소비 위치와 관련된 각각의 물리적 자산 카테고리 내 에너지 소비 물리적 자산 집단의 적어도 하나의 에너지 소비 물리적 자산의 수, 및 ii) 각각의 물리적 자산 카테고리에 대한 각각의 물리적 자산 당 각자의 평균 현재 에너지 소비 값에 적어도 부분적으로 기초하여 특정 사용-기반 고장 보험료 값을 각자의 에너지 소비 위치에 대해 결정하는 단계; i) 적어도 하나의 에너지 소비 물리적 자산에 서비스하는 적어도 하나의 서비스 제공자, ii) 적어도 하나의 에너지 소비 물리적 자산과 연계된 적어도 하나의 실체의 적어도 하나의 전자 장치, iii) 적어도 하나의 센서, 또는 iv) 적어도 하나의 에너지 소비 물리적 자산 중 적어도 하나에 적어도 하나의 경보를, 각자의 에너지 소비 위치의 특정 사용-기반 고장 보험료 값에 적어도 부분적으로 기초하여, 발생시키는 단계를 포함하며, 상기 적어도 하나의 전자 경보는 i) 새로운 사용-기반 고장 보험료 값 또는 사용-기반 고장 보험료 값의 변화를 요구하는 과정, ii) 적어도 하나의 에너지 소비 물리적 자산과 연계된 적어도 하나의 사용자로 하여금, 적어도 하나의 에너지 소비 물리적 자산의 에너지 이용 레벨을 변경시키게 하는 과정, iii) 적어도 하나의 에너지 소비 물리적 자산의 적어도 하나의 동작 특성을 조정하도록 적어도 하나의 사용자에게 지시하는 과정, iv) 적어도 하나의 에너지 소비 물리적 자산의 적어도 하나의 환경 특성을 조정하도록 적어도 하나의 사용자에게 지시하는 과정, 및 v) 적어도 하나의 센서의 적어도 센서 동작 파라미터를 조정하도록 적어도 하나의 사용자에게 지시하는 과정 중 적어도 하나에 의해 적어도 하나의 에너지 소비 물리적 자산의 위치별 에너지 이용 레벨에 영향을 미치도록 구성된다.
일부 실시예에서, 본 발명은 컴퓨터로 구현되는 방법을 제공하며, 상기 방법은 적어도, (1) 적어도 하나의 장비 유닛(UOE)에 관련된 구체적 데이터에 관한 파라미터, 즉, 점유, 활동, 영역 집계, 공간 집계, 시설 크기, 시스템 유형, 장비 모델, 및 이들의 임의의 조합 중 적어도 하나를 식별하는 위치, 시스템, 또는 장비 파라미터, (2) 적어도 하나의 센서로부터 에너지 사용 데이터, 및 (3) 자산 손실 데이터를 기결정된 기간 동안, 보험 정책 관리 애플리케이션을 실행하는 서버에 의해 수신하는 단계; 에너지 사용에 기초하여, 적어도 부분적으로 에너지 사용 및 손실 데이터에서 식별된 위치 및/또는 자산의 수에 기초하여, 보험료를 보험 정책 관리 애플리케이션을 실행하는 서버에 의해 계산하는 단계; 집단 평균 에너지 사용 및 에너지 사용 데이터에 기초하여 적어도 하나의 시설에 대한 에너지 사용-기반 자산 고장 보험료를 보험 정책 관리 애플리케이션을 실행하는 서버에 의해 결정하는 단계; 에너지 사용-기반 자산 공장 보험료에 기초하여, i) 적어도 하나의 UOE에 서비스하는 적어도 하나의 서비스 제공자, ii) 적어도 하나의 UOE와 관련된 적어도 하나의 피보험 실체의 적어도 하나의 전자 장치, iii) 적어도 하나의 센서, iv) 적어도 하나의 UOE, 및 v) 이들의 임의의 조합 중 적어도 하나에, 적어도 하나의 경보를, 보험 정책 관리 애플리케이션을 실행하는 서버에 의해, 생성하는 단계를 포함하며, 상기 적어도 하나의 전자 경보는 i) 새로운 보험료 또는 보험료 변화에 관한 정보를 제공하도록 구성되고, ii) 적어도 하나의 UOE와 연계된 적어도 하나의 보험사로 하여금, 적어도 하나의 UOE의 위치별 에너지 이용 레벨에 영향을 미치도록 구성되며, iii) 적어도 하나의 UOE의 적어도 하나의 동작 파라미터 중 적어도 하나를 조정하기 위한 적어도 하나의 명령을 포함시키도록 구성되고, iv) 적어도 하나의 센서의 적어도 하나의 동작 파라미터 중 적어도 하나를 조정하기 위한 적어도 하나의 명령을 포함시키도록 구성된다.
일부 실시예에서, 본 발명은 보험 정책 관리 애플리케이션의 컴퓨터 실행가능 프로그램 코드를 전자적으로 저장하는 비일시적 메모리와, 보험 정책 관리 애플리케이션의 프로그램 코드를 실행할 때, 적어도 다음의 동작을 수행하도록 구성되는 특별히 프로그램된 컴퓨터 프로세서가 되는 적어도 하나의 컴퓨터 프로세서를 적어도 포함하는 컴퓨터 시스템을 제공하며, 상기 동작은, (1) 적어도 하나의 장비 유닛(UOE)에 관련된 구체적 위치에 관한 파라미터, 즉, 장비 모델, 시스템, 점유, 활동, 영역 집계, 공간 집계, 시설 크기, 및 이들의 임의의 조합 중 적어도 하나를 식별하는 위치 파라미터, (2) 적어도 하나의 센서로부터 에너지 사용 데이터, 및 (3) 자산 손실 데이터를, 기결정된 기간 동안 수신하는 단계; 에너지 사용 및 손실 데이터에서 식별되는 위치 및/또는 설비의 수에 적어도 부분적으로 기초하여 기본 손실 비용을 계산하는 단계; 에너지 사용 데이터에 기초하여 적어도 하나의 시설에 대한 에너지 사용-기반 자산 고장 보험료를 결정하는 단계; 및 에너지 사용-기반 자산 고장 보험료에 적어도 부분적으로 기초하여, i) 적어도 하나의 UOE에 서비스하는 적어도 하나의 서비스 제공자, ii) 적어도 하나의 UOE와 관련된 적어도 하나의 피보험 실체의 적어도 하나의 전자 장치, iii) 적어도 하나의 센서, iv) 적어도 하나의 UOE, 및 v) 이들의 임의의 조합 중 적어도 하나에, 적어도 하나의 경보를, 생성하는 단계를 포함하며, 상기 적어도 하나의 전자 경보는 i) 새로운 보험료 또는 보험료 변화에 관한 정보를 제공하도록 구성되고, ii) 적어도 하나의 UOE와 연계된 적어도 하나의 보험사로 하여금, 적어도 하나의 UOE의 위치별 에너지 이용 레벨에 영향을 미치도록 구성되며, iii) 적어도 하나의 UOE의 적어도 하나의 동작 파라미터 중 적어도 하나를 조정하기 위한 적어도 하나의 명령을 포함시키도록 구성되고, iv) 적어도 하나의 센서의 적어도 하나의 동작 파라미터 중 적어도 하나를 조정하기 위한 적어도 하나의 명령을 포함시키도록 구성된다.
본 발명의 다수의 실시예가 설명되었지만, 이들 실시예는 단지 예시적이고 제한적이지 않으며, 본 발명의 다양한 실시예를 포함하여 많은 변형이 당업자에게 명백해질 수 있음이 이해된다. 본 명세서에 기술된 방법론, 본 발명의 시스템 및 본 발명의 장치는 서로의 임의의 조합으로 이용될 수 있다. 또한, 다양한 단계들이 임의의 원하는 순서로 수행될 수 있다(및 특정 실시예에 대해 임의의 원하는 단계가 추가될 수 있고/있거나 원치 않는 단계가 제거될 수 있다).
Claims (10)
- 장비 동작을 관리하기 위한 컴퓨터로 구현되는 방법으로서, 상기 방법은,
1) 자산별 과거 에너지 소비 데이터,
2) 적어도 하나의 제1 자산별 과거 동작 특성,
3) 적어도 하나의 제1 자산별 과거 환경 특성, 및
4) 제1 자산별 과거 고장 데이터를 포함하는,
i) 복수의 에너지 소비 물리적 자산의 적어도 하나의 에너지 소비 물리적 자산과 관련된 자산별 과거 데이터와,
ii) 적어도 하나의 유틸리티 미터, 또는, 적어도 하나의 센서, 또는, 적어도 하나의 유틸리티 미터 및 적어도 하나의 센서로부터 상기 적어도 하나의 에너지 소비 물리적 자산과 관련된 현재 에너지 소비 데이터
를, 복수의 물리적 자산 카테고리 중 적어도 하나의 물리적 자산 카테고리와 관련된 복수의 에너지 소비 물리적 자산에 대해, 기결정된 기간 동안 적어도 하나의 프로세서에 의해 수신하는 단계 - 각각의 에너지 소비 물리적 자산은 하나 이상의 기계 장비 유닛의 물리적 구성을 포함함;
특정 자산 관련 적어도 하나의 과거 데이터에 기초하여, 각각의 물리적 자산 카테고리마다, 각각의 고장 데이터 빈도, 및 각각의 평균 심각도를 적어도 하나의 프로세서에 의해 결정하는 단계;
고장 데이터 빈도 및 평균 심각도에 기초하여, 각각의 물리적 자산에 대해 조정된 고장 데이터 값을 적어도 하나의 프로세서에 의해 결정하는 단계;
현재 에너지 소비 데이터에 기초하여, 각각의 물리적 자산 카테고리에 대한 각각의 물리적 자산 당 각각의 평균 에너지 소비 값을 적어도 하나의 프로세서에 의해 결정하는 단계;
복수의 에너지 소비 물리적 자산의 적어도 하나의 에너지 소비 위치에 각각의 물리적 자산 카테고리를 적어도 하나의 프로세서에 의해 연관시키는 단계 - 상기 적어도 하나의 에너지 소비 위치는 물리적 자산을 나타내기 위해 복수의 에너지 소비 물리적 자산 중 적어도 하나의 에너지 소비 물리적 자산의 에너지 소비 위치를 나타냄;
각각의 물리적 자산 카테고리에 대한 각각의 물리적 자산 당 각자의 평균 현재 에너지 소비 값에 기초하여, 각각의 에너지 소비 위치에 대해, 특정 사용 기반 장비 고장 추정 값을 적어도 하나의 프로세서에 의해 결정하는 단계; 그리고,
i) 적어도 하나의 에너지 소비 물리적 자산에 서비스하는 적어도 하나의 서비스 제공자,
ii) 적어도 하나의 실체와 연관된 적어도 하나의 전자 장치,
iii) 적어도 하나의 센서에 적어도 부분적으로 기초하여,
각자의 에너지 소비 위치의 특정 사용 기반 고장 추정 값에 근거하여, 적어도 하나의 에너지 소비 물리적 자산에 대한 전자 경보를 적어도 하나의 프로세서에 의해 발생시키는 단계를 포함하며,
상기 전자 경보는
i) 특정 사용에 대한 고장 값의 변화 또는 상이한 사용에 대한 새 고장 값을 요구하는 과정,
ii) 에너지 소비 물리적 자산의 에너지 사용 레벨을 변화시키는 과정,
iii) 에너지 소비 물리적 자산의 적어도 하나의 동작 특성을 조정하도록 사용자에게 지시하는 과정,
iv) 에너지 소비 물리적 자산의 적어도 하나의 환경 특성을 조정하도록 사용자에게 지시하는 과정, 또는,
v) 센서의 센서 동작 파라미터를 조정하도록 사용자에게 지시하는 과정
을 포함하는 적어도 하나의 에너지 소비 물리적 자산의 위치별 에너지 이용 레벨에 영향을 미치도록 구성되는, 컴퓨터로 구현되는 방법. - 제 1 항에 있어서, 각각의 에너지 소비 물리적 자산은 하나 이상의 장비 유닛(UOE)을 포함하는 물리적 구성이고,
하나 이상의 장비 유닛은 특정 시설의 특정 위치와 관련된 하나 이상의 장치를 포함하는, 컴퓨터로 구현되는 방법. - 제 1 항 또는 제 2 항에 있어서, 적어도 하나의 과거 환경 특성은 광학 파라미터, 음향 파라미터, 압력 파라미터, 온도 파라미터, 가속 파라미터, 자기 파라미터, 생물학적 파라미터, 화학적 파라미터, 및 모션 파라미터 중 적어도 하나인, 컴퓨터로 구현되는 방법.
- 제 3 항에 있어서, 적어도 하나의 광학 파라미터는 적외선 파라미터, 가시광 파라미터 및 자외선 파라미터로 이루어진 군으로부터 선택되는, 컴퓨터로 구현되는 방법.
- 제 1 항 또는 제 2 항에 있어서, 적어도 하나의 에너지 소비 위치는 복수의 에너지 소비 물리 자산의 적어도 하나의 에너지 소비 물리적 자산의 물리적 위치를 식별할 수 있는 GPS(Global Positioning System) 데이터에 기초하여 규정되는, 컴퓨터로 구현되는 방법.
- 제 1 항 또는 제 2 항에 있어서, 적어도 하나의 센서는
i) 액체 압력 센서,
ii) 액체 유량 센서,
iii) 온도 센서,
iv) 가스 유량 센서,
v) 가스 압력 센서, 및
vi) 전기 시스템 센서 중 하나인, 컴퓨터로 구현되는 방법. - 제 2 항에 있어서, 각각의 에너지 소비 위치를 특정 물리적 자산 카테고리에 적어도 하나의 프로세서에 의해 연관시키는 단계는: 각각의 에너지 소비 위치의 하나 이상의 장비 유닛을 특정 물리적 자산 카테고리로 적어도 하나의 프로세서에 의해 분류하는 단계를 더 포함하는, 컴퓨터로 구현되는 방법.
- 제 7 항에 있어서, 적어도 하나의 에너지 소비 위치의 하나 이상의 장비 유닛을 물리적 자산 카테고리로 분류하는 단계는: SIC(Standard Industrial Classification) 코드에 기초하여 물리적 자산을 분류하도록 훈련된 적어도 하나의 분류 기계를 적어도 하나의 프로세서에 의해 적용하는 단계를 포함하는, 컴퓨터로 구현되는 방법.
- 제 1 항 또는 제 2 항에 있어서, 과거 에너지 소비 데이터 및 특정 자산 관련 적어도 하나의 에너지 소비 데이터는 킬로와트아우어(kwh) 단위인, 컴퓨터로 구현되는 방법.
- 제 9 항에 있어서, 적어도 하나의 프로세서에 의해, 과거 에너지 소비 데이터 및 특정 자산 관련 적어도 하나의 에너지 소비 데이터를 적어도 하나의 kwh 양으로 변환하는 단계를 더 포함하는, 컴퓨터로 구현되는 방법.
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201762537684P | 2017-07-27 | 2017-07-27 | |
| US62/537,684 | 2017-07-27 | ||
| PCT/US2018/043988 WO2019023520A1 (en) | 2017-07-27 | 2018-07-26 | MANAGING A EQUIPMENT-BASED RISK ON THE USE OF ASSET-BASED ENERGY DATA USING DYNAMICALLY ADJUSTABLE AND SENSOR-CONTROLLED FEEDBACK LOOPS |
| KR1020227043578A KR20230003603A (ko) | 2017-07-27 | 2018-07-26 | 센서-구동, 동적-조절식 피드백 루프를 이용하여 자산별 에너지 데이터 사용 레벨에 대한 장비 기반 위험을 관리하기 위한 컴퓨터 시스템 및 컴퓨터로 구현되는 방법 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020227043578A Division KR20230003603A (ko) | 2017-07-27 | 2018-07-26 | 센서-구동, 동적-조절식 피드백 루프를 이용하여 자산별 에너지 데이터 사용 레벨에 대한 장비 기반 위험을 관리하기 위한 컴퓨터 시스템 및 컴퓨터로 구현되는 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240006085A true KR20240006085A (ko) | 2024-01-12 |
Family
ID=65041424
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237044919A KR20240006085A (ko) | 2017-07-27 | 2018-07-26 | 센서-구동, 동적-조절식 피드백 루프를 이용하여 자산별 에너지 데이터 사용 레벨에 대한 장비 기반 위험을 관리하기 위한 컴퓨터 시스템 및 컴퓨터로 구현되는 방법 |
| KR1020227043578A KR20230003603A (ko) | 2017-07-27 | 2018-07-26 | 센서-구동, 동적-조절식 피드백 루프를 이용하여 자산별 에너지 데이터 사용 레벨에 대한 장비 기반 위험을 관리하기 위한 컴퓨터 시스템 및 컴퓨터로 구현되는 방법 |
| KR1020207005626A KR20200037310A (ko) | 2017-07-27 | 2018-07-26 | 센서-구동, 동적-조절식 피드백 루프를 이용하여 자산별 에너지 데이터 사용 레벨에 대한 장비 기반 위험을 관리하기 위한 컴퓨터 시스템 및 컴퓨터로 구현되는 방법 |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020227043578A KR20230003603A (ko) | 2017-07-27 | 2018-07-26 | 센서-구동, 동적-조절식 피드백 루프를 이용하여 자산별 에너지 데이터 사용 레벨에 대한 장비 기반 위험을 관리하기 위한 컴퓨터 시스템 및 컴퓨터로 구현되는 방법 |
| KR1020207005626A KR20200037310A (ko) | 2017-07-27 | 2018-07-26 | 센서-구동, 동적-조절식 피드백 루프를 이용하여 자산별 에너지 데이터 사용 레벨에 대한 장비 기반 위험을 관리하기 위한 컴퓨터 시스템 및 컴퓨터로 구현되는 방법 |
Country Status (7)
| Country | Link |
|---|---|
| US (2) | US11514527B2 (ko) |
| EP (1) | EP3659101A4 (ko) |
| JP (3) | JP6942239B2 (ko) |
| KR (3) | KR20240006085A (ko) |
| CN (2) | CN111328405B (ko) |
| CA (1) | CA3071274A1 (ko) |
| WO (1) | WO2019023520A1 (ko) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3265647B1 (en) | 2015-03-06 | 2021-02-24 | Hartford Steam Boiler Inspection and Insurance Company | Risk assessment for drilling and well completion operations |
| US11861716B1 (en) | 2016-10-27 | 2024-01-02 | State Farm Mutual Automobile Insurance Company | Systems and methods for utilizing electricity monitoring devices to reconstruct an electrical event |
| CN111328405B (zh) | 2017-07-27 | 2023-08-29 | 哈佛蒸汽锅炉检验和保险公司 | 利用传感器驱动的动态可调整反馈回路来管理基于特定于资产的能量数据使用水平的装备风险 |
| US10810543B2 (en) * | 2018-07-30 | 2020-10-20 | Maplebear, Inc. | Populating catalog data with item properties based on segmentation and classification models |
| US11897690B1 (en) | 2019-11-25 | 2024-02-13 | State Farm Mutual Automobile Insurance Company | Systems and methods for enhancing waste disposal and energy efficiency using sensor and alternative power technologies |
| US11232873B1 (en) | 2020-07-27 | 2022-01-25 | The Toronto-Dominion Bank | Integrated home scoring system |
| US11469999B1 (en) * | 2021-07-30 | 2022-10-11 | Cisco Technology, Inc. | Systems and methods for determining energy efficiency quotients |
Family Cites Families (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IE910209A1 (en) | 1990-02-28 | 1991-09-11 | Union Oil Co | Drag analysis method |
| US5303561A (en) * | 1992-10-14 | 1994-04-19 | Copeland Corporation | Control system for heat pump having humidity responsive variable speed fan |
| JP2002288435A (ja) * | 2001-03-27 | 2002-10-04 | Mitsubishi Heavy Ind Ltd | 機械設備保守料設定システム及び機械設備保険料設定システム |
| JP2004005371A (ja) * | 2002-03-29 | 2004-01-08 | Hitachi Ltd | 家電機器監視装置及び家電保守サービスシステム |
| US7548873B2 (en) | 2004-03-17 | 2009-06-16 | Schlumberger Technology Corporation | Method system and program storage device for automatically calculating and displaying time and cost data in a well planning system using a Monte Carlo simulation software |
| US7653563B2 (en) | 2004-03-17 | 2010-01-26 | Schlumberger Technology Corporation | Method and apparatus and program storage device adapted for automatic qualitative and quantitative risk assessment based on technical wellbore design and earth properties |
| US7630914B2 (en) | 2004-03-17 | 2009-12-08 | Schlumberger Technology Corporation | Method and apparatus and program storage device adapted for visualization of qualitative and quantitative risk assessment based on technical wellbore design and earth properties |
| US8538865B2 (en) | 2005-08-19 | 2013-09-17 | The Hartford Steam Boiler Inspection And Insurance Co. | Method of determining prior net benefit of obtaining additional risk data for insurance purposes via survey or other procedure |
| US8812334B2 (en) | 2006-02-27 | 2014-08-19 | Schlumberger Technology Corporation | Well planning system and method |
| US8193860B2 (en) * | 2006-11-21 | 2012-06-05 | Qualcomm, Incorporated | Method and apparatus for automatically controlling an XNN® enhancement circuitry feeding a power amplifier |
| US20110161133A1 (en) | 2007-09-29 | 2011-06-30 | Schlumberger Technology Corporation | Planning and Performing Drilling Operations |
| US7660673B2 (en) | 2007-10-12 | 2010-02-09 | Schlumberger Technology Corporation | Coarse wellsite analysis for field development planning |
| US8600556B2 (en) * | 2009-06-22 | 2013-12-03 | Johnson Controls Technology Company | Smart building manager |
| US8731724B2 (en) * | 2009-06-22 | 2014-05-20 | Johnson Controls Technology Company | Automated fault detection and diagnostics in a building management system |
| EP2547965B1 (en) * | 2010-03-15 | 2020-11-04 | Klatu Networks | Systems and methods for monitoring, inferring state of health, and optimizing efficiency of refrigeration systems |
| US9285802B2 (en) * | 2011-02-28 | 2016-03-15 | Emerson Electric Co. | Residential solutions HVAC monitoring and diagnosis |
| US9045967B2 (en) | 2011-07-26 | 2015-06-02 | Schlumberger Technology Corporation | System and method for controlling and monitoring a drilling operation using refined solutions from a panistic inversion |
| US20150178865A1 (en) * | 2011-09-20 | 2015-06-25 | The Trustees Of Columbia University In The City Of New York | Total property optimization system for energy efficiency and smart buildings |
| GB201204815D0 (en) | 2012-03-19 | 2012-05-02 | Halliburton Energy Serv Inc | Drilling system failure risk analysis method |
| US8812331B2 (en) * | 2012-04-27 | 2014-08-19 | Richard B. Jones | Insurance product, rating and credit enhancement system and method for insuring project savings |
| US9501799B2 (en) * | 2012-11-08 | 2016-11-22 | Hartford Fire Insurance Company | System and method for determination of insurance classification of entities |
| US20140358592A1 (en) | 2013-05-31 | 2014-12-04 | OneEvent Technologies, LLC | Sensors for usage-based property insurance |
| US10247458B2 (en) * | 2013-08-21 | 2019-04-02 | Carrier Corporation | Chilled water system efficiency improvement |
| EP3053000A4 (en) * | 2013-09-30 | 2017-05-03 | Schneider Electric USA, Inc. | Systems and methods of data acquisition |
| BR112016006470A2 (pt) | 2013-10-25 | 2017-08-01 | Landmark Graphics Corp | método para predizer um risco durante operações de perfuração de um poço, e, dispositivo portador de programa não transitório |
| US10067482B2 (en) * | 2014-05-16 | 2018-09-04 | Emerson Climate Technologies Retail Solutions, Inc. | Menu and firmware management for equipment |
| CA2950420C (en) * | 2014-05-28 | 2020-06-02 | Siemens Schweiz Ag | System and method for fault analysis and prioritization |
| EP3265647B1 (en) | 2015-03-06 | 2021-02-24 | Hartford Steam Boiler Inspection and Insurance Company | Risk assessment for drilling and well completion operations |
| CN104820630B (zh) * | 2015-05-22 | 2017-07-07 | 上海新炬网络信息技术有限公司 | 基于业务变化量的系统资源监控装置 |
| US20170011318A1 (en) * | 2015-07-09 | 2017-01-12 | Johnson Controls Technology Company | Automated monitoring and service provider recommendation platform for hvac equipment |
| US10410300B2 (en) * | 2015-09-11 | 2019-09-10 | Johnson Controls Technology Company | Thermostat with occupancy detection based on social media event data |
| US11151654B2 (en) * | 2015-09-30 | 2021-10-19 | Johnson Controls Tyco IP Holdings LLP | System and method for determining risk profile, adjusting insurance premiums and automatically collecting premiums based on sensor data |
| US10337753B2 (en) * | 2016-12-23 | 2019-07-02 | Abb Ag | Adaptive modeling method and system for MPC-based building energy control |
| US20180330250A1 (en) * | 2017-05-09 | 2018-11-15 | Nec Laboratories America, Inc. | Energy management system with intelligent anomaly detection and prediction |
| CN111328405B (zh) | 2017-07-27 | 2023-08-29 | 哈佛蒸汽锅炉检验和保险公司 | 利用传感器驱动的动态可调整反馈回路来管理基于特定于资产的能量数据使用水平的装备风险 |
| US11605036B2 (en) * | 2017-08-09 | 2023-03-14 | Verdigris Technologies, Inc. | System and methods for power system forecasting using deep neural networks |
-
2018
- 2018-07-26 CN CN201880058792.4A patent/CN111328405B/zh active Active
- 2018-07-26 KR KR1020237044919A patent/KR20240006085A/ko not_active Application Discontinuation
- 2018-07-26 CN CN202310997667.2A patent/CN116977121A/zh active Pending
- 2018-07-26 KR KR1020227043578A patent/KR20230003603A/ko not_active Application Discontinuation
- 2018-07-26 CA CA3071274A patent/CA3071274A1/en active Pending
- 2018-07-26 US US16/046,976 patent/US11514527B2/en active Active
- 2018-07-26 KR KR1020207005626A patent/KR20200037310A/ko not_active Application Discontinuation
- 2018-07-26 JP JP2020503989A patent/JP6942239B2/ja active Active
- 2018-07-26 WO PCT/US2018/043988 patent/WO2019023520A1/en active Application Filing
- 2018-07-26 EP EP18838202.2A patent/EP3659101A4/en active Pending
-
2021
- 2021-09-07 JP JP2021145087A patent/JP7252291B2/ja active Active
-
2022
- 2022-11-29 US US18/071,582 patent/US20230177614A1/en active Pending
-
2023
- 2023-03-23 JP JP2023046473A patent/JP2023089004A/ja active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20190035028A1 (en) | 2019-01-31 |
| CN111328405B (zh) | 2023-08-29 |
| JP2020529075A (ja) | 2020-10-01 |
| JP7252291B2 (ja) | 2023-04-04 |
| CN111328405A (zh) | 2020-06-23 |
| EP3659101A4 (en) | 2020-12-09 |
| US20230177614A1 (en) | 2023-06-08 |
| JP2023089004A (ja) | 2023-06-27 |
| CN116977121A (zh) | 2023-10-31 |
| KR20230003603A (ko) | 2023-01-06 |
| CA3071274A1 (en) | 2019-01-31 |
| WO2019023520A1 (en) | 2019-01-31 |
| US11514527B2 (en) | 2022-11-29 |
| JP6942239B2 (ja) | 2021-09-29 |
| EP3659101A1 (en) | 2020-06-03 |
| KR20200037310A (ko) | 2020-04-08 |
| JP2021192292A (ja) | 2021-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7252291B2 (ja) | エネルギーデータ使用の資産固有レベルへの機器ベースのリスクを管理するべくセンサ駆動動的調整可能フィードバックループを利用するコンピュータシステム及びコンピュータ実装方法 | |
| CN110494811B (zh) | 具有时间序列数据的声明性视图的建筑物管理系统 | |
| US10762475B2 (en) | Digital twins for energy efficient asset maintenance | |
| US11839184B2 (en) | Artificially intelligent irrigation system | |
| Roth et al. | Grid-interactive efficient buildings technical report series: Whole-building controls, sensors, modeling, and analytics | |
| Cheng et al. | Impact of internet of things paradigm towards energy consumption prediction: A systematic literature review | |
| CN104731756A (zh) | 在网络中做出基于策略的决策的方法和系统 | |
| Karthikeyan et al. | IoT based real-time residential energy meter monitoring system | |
| US20160071125A1 (en) | Real time provisional evaluation of utility program performance | |
| Boubaker | Identification of monthly municipal water demand system based on autoregressive integrated moving average model tuned by particle swarm optimization | |
| KR102618570B1 (ko) | 복수의 수용가를 포함하는 블록에 대한 상수도 누수 검출 시스템 | |
| Ashwini Kumari et al. | Artificial neural network-based smart energy meter monitoring and control using global system for mobile communication module | |
| Patsakos et al. | A survey on deep learning for building load forecasting | |
| Chandra et al. | Intelligent data systems for building energy workflow: Data pipelines, LSTM efficiency prediction and more | |
| Taborda et al. | Towards a web-based energy consumption forecasting platform | |
| US11200989B1 (en) | Aperiodic data driven cognitive control system | |
| Escobar-Jiménez et al. | Monitoring and Prediction of Drinking Water Consumption | |
| Sousa et al. | Prediction of electrical energy consumption for Internet of Things in disaggregated databases | |
| Staiano et al. | An RBF neural network-based system for home smart metering | |
| Miroshnyk et al. | Short-Term Load Forecasting in Electrical Networks and Systems with Artificial Neural Networks and Taking into Account Additional Factors | |
| Sivakumar et al. | An IoT-Based Energy Meter for Energy Level Monitoring, Predicting, and Optimization | |
| Janjua et al. | Enhancing smart grid electricity prediction with the fusion of intelligent modeling and XAI integration | |
| Stringham | Principles for Using Remote Data Collection Devices and Deep Learning in Evaluating Social Impact Indicators of Engineered Products for Global Development | |
| CN113902195A (zh) | 电力销售金额预测方法和系统 | |
| Perez | Spatial-temporal statistical modeling of treated drinking water usage |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal |