专利名称：对公用监控系统的分级结构的鲁棒的自动确定的制作方法
技术领域：
本公开一般涉及用于自动地确定监控设备如何在公用监控系统中链接在一起的方法和系统。背景自动地确定公用监控系统的分级结构的能力对于下一代能源解决方案是重要的。不仅对于产生监控设备如何在公用监控系统中按照 分级结构布置在空间上相关的单线图有用，而且这些单线图提供了从所有可能的监控设备获取的数据的空间背景。第7,272,518 号题为 “Automated Hierarchy Classifcation In UtilityMonitoring Systems”的美国专利公开了 “自动学习的分级结构算法”，其自动地确定监控设备在公用监控系统中如何布置。自动学习的分级结构算法适合用于公用监控系统，其中全部的或大部分的负载由监控设备监控，并且在公用监控系统中被监控的负载经历被监控的特征(如功率)中的变化范围。这是因为自动学习的分级结构算法利用了用于使有关任何给定监控设备对的监控数据集相关的相关算法。被监控设备的数据中所见的变化范围越大，就越容易确定设备对是否彼此相关并且被确定要在监控系统中链接。然而，ー些公用监控系统配置可以包括在其被监控的特征(比如当公用监控系统是功率监控系统时的能量消耗率)上不会经历显著变化的负载，或包括分级结构中对关联的父设备(若有的话)有显著影响的大量不用表计量的负载。将监控设备放入这样的系统配置的分级结构布局一般更具挑战性。此外，可以是不同类型并由不同制造者生产的监控设备本身的变化使分级结构的确定更复杂，因为不同设备可有不同水平的測量精度。例如，假设负载消耗功率1000KW，但该功率中仅有IOKW由功率监控系统中的功率计监控。负载消耗的990kW的功率不受监控。功率计监控的该负载和其父设备之间的功率数据是弱相关的，因为IOKW功率的贡献相对于大量不用表计量的990kW负载是相形见绌的。简要概述本文所公开的分级结构分类算法是精确的并提供鲁棒的性能和效率。第7，272，518号美国专利中所公开的自动学习的分级结构算法和本公开中所公开的分级结构分类算法都是基于表示了由公用监控系统中的监控设备所测量的公用物特征的相关数据；然而，经验数据已经显示各种趋势可以同时存在于相同的数据集内。在“开放式”监控系统(即具有大量不受监控的负载的系统)中，这些并发趋势可能很难測定(spot)。本文所公开的算法以过滤掉额外的趋势而使感兴趣的主要趋势变明显的方式来对设备数据分段。有待分析的设备的序列还基于它们的实际功率值被修改，从而导致算法执行的改善。最后，在设备数据上应用模糊逻辑模块以提供有关分级结构解决方案内的离散节点的置信水平!,confidence level)。第7，272，518号美国专利中所公开的自动学习的分级结构算法(下文的“原始”算法)和本公开中的分级结构分类算法之间的差别包括其中构造了分级结构的序列。原始算法选择父设备作为參考设备并捜索其子设备。本文所公开的分级结构分类算法(其包括如下所述的分段和批量方法)与范例相反，这通过首先选择子设备作为參考设备然后捜索其父设备。过滤器也被应用于使用本文公开的分级结构分类算法来剔除ー些监控设备，这些监控设备的负载没有充分波动或没有经历被测量的特征的足够令人满意的变化水平，以准确地放置在分级结构内。通过剔除具有相对重要的静态特征的设备，算法的鲁棒性得以改善，因为分级结构中可能的错误链接的数量減少。在搜索链接之前，将设备根据其设备数据的平方和以有序的方式来排名。平方和赋予负值权重，这些负值可与由被链接的监控设备所测量的同一相应负值显著地相关。通过在搜索设备对的组合之间的链接之前给设备排名，通过从排名最高的子设备开始并且层层链接每个子设备和其父设备，算法可以快速地建立分级结构，父设备总是具有比所考虑的子设备更高的排名。没有必要使具有比參考设备低的排名的任何设备相关，因为算法搜索子设备的父设备，并且假定父设备具有与较低分级结构的被链接的子设备相比更高的排名(例如，具有在功率监控系统中的更高的能量消耗率)。此外，本文所公开的分级结构分类算法将设备对中的每个设备的时序设备数据分段成相应的多个数据段，并且根据逐个数据段计算多个段相关系数，以便产生出与存在的 数据段一祥多的段相关系数。这些段相关性在一起求平均值以产生整体的段相关系数。这种方法被称为分段方法。最后，本文仍然利用原始算法的ー些方面来确定解决方案，但当由原始算法提供的解决方案和由本文公开的分段方法提供的解决方案不一致时，模糊逻辑模块确定哪ー个冲突的父设备候选者链接到所考虑的參考子设备。考虑到參考附图所进行的对不同实施方式和/或方面的详细描述，本公开前述的 以及另外的方面和实现对于本领域的普通技术人员来说将是明显的，下面将提供附图的简要描述。附图简述当阅读下面的详细描述且參考附图时，本发明的前述和其他的优势将变得明显。图I是根据本公开的实现的、包括自动的分级结构分类系统的示例公用系统的功能框图；图2A是用于自动确定监控设备在图I的公用监控系统中如何链接在一起的示例性分段算法的流程图；图2B是用于根据监控设备各自的设备数据的平方和来为监控设备进行排名的示例性算法的流程图；图2C是用于通过计算与所考虑的设备对相关联的相应数据段的段相关系数的平均值来确定相关系数的示例算法的流程图；图2D是用于确定准则是否满足得出所考虑的给定设备对在分级结构中被链接的结论的示例性算法的流程图；图3是根据本文公开的方面的另ー实现的、用于自动地确定监控设备在公用监控系统中如何链接在一起的分级结构分类算法的流程图；以及图4是图I所示的模糊逻辑模块的功能框图。虽然本发明可容许各种修改和替换方式，但是已经通过举例的方式在附图中显示了具体的实施方式，并将在本文中详细地描述这些具体的实施方式。然而，应理解，本发明无意于被限制在所公开的特定形式。相反，本发明将涵盖落在由所附权利要求所限定的本发明的精神和范围内的所有修改、等同物以及替换方案。详述现參考
图1，其示出示例性公用系统100的功能框图。公用系统是接收或提供公用物的系统，公用物可以是由首字母縮写WAGES所指代的任何公用物水、空气、天然气、电カ或蒸汽。为了本公开的目的，将假设公用物是电，但是应理解本文所讨论的本公开的方面同样适用于任何其他公用物。每个公用物具有一个或多个特征，以电举例，公用物包括以下特征如功率、电压、电流、电流畸变、电压畸变、电压不平衡、或能量，仅举几例。特征的值可以量化，如在电流、电压、功率或能量的情况下，分别用安培、伏特、瓦特，或瓦时来表达。公用系统100包括公用监控系统102，其为通过ー个或多个监控设备104a、b、c、n监控上面提及的任何WAGES公用物的可測量和可量化的特征的系统，其中监控设备104η代表包括总量为N个的监控设备的监控系统中的第N个监控设备，对于大型公用监控系统而言，监控设备可以是数百个或者甚至数千个。在本文讨论的例子中，公用监控系统102是功率监控系统，但 是公用监控系统102可以是监控上面提及的任何WAGES公用物的任何其他监控系统。监控设备104a、b、C、η中的每ー个关于ー预定时段(比如一小时或其他时段)测量、感应或检测公用物(在此例中，电)的可量化的特征(如功率、电压、电流、电流畸变、电压畸变、电压或电流的不平衡、或能量)，并且在监控设备(未显示)上的常规存储设备中存储设备数据，该设备数据包括表示由监控设备104测量的电流或电压的值(如安培或伏特值)和顺序的表示(例如，时间戳或计数器)，其中设备数据由相应的监控设备捕获。监控设备可以包括例如仪表、智能电子设备(IED)或能够量化和存储所测量的公用物特征或參数的其他设备。整个设备数据集被称为“批量”数据，并且此设备数据可以被分解或划分成更小的数据段(例如，一小时价值的设备数据可以被分段成包含I分钟的测量数据的60个数据段)。如本文所使用的，參考编号104涉及任何监控设备104a、b、C、η。如图I所示，每个监控设备104包括常规的通信接ロ(未显示)，用于将它们各自的设备数据传达到一个或多个网络106，网络106通信联络地和操作性地耦合自动分级结构分类系统108。一种示例性的自动分级结构分类系统在被共同转让的第7，272，518号题为“Automated HierarchyClassification In Utility Monitoring Systems”的美国专利中有所公开。这项专利涉及“自动学习的分级结构算法”，而本公开中的该术语涉及与本发明公开的相同的算法。本公开的自动学习的分级结构算法相比于第7，272，518号美国专利中所公开的分级结构算法的差别是，本公开的自动学习的分级结构算法选择參考监控设备并捜索其父监控设备，而不是其子设备。这种方法学结合下面的分段方法进行描述。自动的分级结构分类系统108包括耦合到ー个或多个电子存储设备112的ー个或多个电子控制器110。一个或多个控制器110通过ー个或多个网络106接收来自每个监控设备104的各自的设备时序数据，并在ー个或多个存储设备112中储存设备数据。ー个或多个控制器可以是微处理器、微控制器或类似物，并可以分布在多个设备或系统中并通信联络地和操作性地相互耦合。同样，ー个或多个存储设备可以是RAM、闪存、VRM、大容量储存设备(诸如硬盘驱动器、闪存驱动器)或类似物，并可以分布在多个设备或系统中并操作性地相互耦合。ー个或多个存储设备112包括在其上储存的以下信息来自监控设备104的设备数据114 ;基于第7，272，518号美国专利中公开的自动学习的分级结构算法的、使用批量设备数据的自动学习的分级结构算法116 ;如本公开中所公开的、使用分段设备数据的分级结构算法118 ;可选的模糊逻辑模块120、以及公用监控系统102中监控设备104的分级结构122的代表。分级结构122是公用监控系统102内的监控设备104的连接布局的多层次代表，以及监控设备104在空间背景内如何彼此互连，该互连是直接的、间接的或完全没有链接的。在分级结构的最高层中，最顶端的监控设备不具有任何父设备，因此被称为孤立的设备。没有父设备的或其父设备不能确定的任何监控设备在本公开中被称为孤立的设备。分级结构中具有父监控设备的每一其他监控设备被称为非孤立的监控设备。任何给定监控设备可以具有父监控设备，并且任何给定的父监控设备可以具有ー个以上的子监控设备。基于父子关系确定分级结构中的关系，其中直接关系由分级结构中的直接的父子连接建立。具有相同父设备在同一水平上的监控设备被称为兄弟姐妹。监控设备在常规上还包括用于执行监控设备的测量、储存和通信功能的ー个或多个电子控制器。本文讨论两个不同的分级结构分类方案。如图I所示，第一方案被称为自动学习的分级结构算法116，其使用“批量”设备数据。这种算法116基于第7，272，518号美国专利中公开的自动学习的分级结构算法(如上所述，算法116不同于该算法，因为算法116搜索方法涉及确定子设备的父设备，而不是父设备的子设备)。关于“批量”数据，它是指相关函数在关于给定设备对的选定的样本周期在整个时序数据集上执行。另ー算法，被称为使用分段设备数据的分级结构算法118，其将设备数据划分成更小的块或段，并在根据和所考虑的任何给定设备对相关的各自的逐个段应用相关函数。因此，如果分级结构算法118将设备数据分段成100段，则将计算出100个相关系数，即为关于给定设备对的每ー个数据段计算ー个相关系数。为了区分清楚起见，算法116可以被不同地称为“批量算法116”或更一般地称为“批量方法”，而算法118可以被不同地称为“分段算法118”或者更一般地称为“分段方法”。结合流程图在下面描述有关分段算法118的更多细节。已经发现的是，分段方法可以产生有关数据的更好的相关性结果，其中例如在设备数据内小的采样周期期间观察电压、电流或功率的短期变化数据。分段方法也有助于过滤可能的长期相关性，这些可能的长期相关性可能对通过自动分级结构分类系统108进行确定产生不利影响。使用批量方法，这种短期变化的重要性可能被围绕短期变化的大量其他数据所屏蔽。使用分段方法，任意发生的变化可产生关于特定数据段的更重要的相关系数，并且随后，产生整体的相关系数。如下所述，有关每个数据段的所有相关系数的平均值可用于产生整体的相关系数。使用批量方法，观察设备数据中的短期变化，即使当强相关时，相关系数的值倾向于更低。使用分段方法，设备数据中的短期变化将对整体的相关系数具有更大影响カ的影响。这两种方法可以用在如本文所公开的自动的分级结构分类系统108中，作为针对被推荐的父设备的置信度核对。当算法116、118产生冲突的解决方案时，模糊逻辑模块120可以被调用以提供在置信度范围内的単一解决方案。再次，应当强调的是，本文公开的批量和分段方法或算法捜索任何给定參考监控设备的父监控设备，而不是搜索其子监控设备。图2A是用于自动地确定监控设备104在公用监控系统102中如何链接在一起的示例性分段算法200的流程图。一个或多个控制器110接收来自监控系统100中每个监控设备104的设备数据114 (202)。有关每个监控设备的各自的设备数据114储存在一个或多个存储设备112中。对于每个监控设备104，一个或多个控制器110计算有关监控设备、104的设备数据的值的方差(204)。这些值表示由相应监控设备104所测量的公用物的特征。所计算的方差量化了在设备数据中存在多大改变。由本文的分级结构分类算法提供的解决方案的置信度，其根据所监控的特征(如电力)中的更大数量的和更多的变化或改变得以改善。变化越重要(在数量上和幅度上)，确定监控系统102中的监控设备104的空间关系的机会就越好。一个或多个控制器110确定方差是否满足方差准则(206)。方差准则可以包括方差是否超过预定的方差阈值。例如，对于监控功率的公用监控系统102而言，预定的方差阈值可以是大约2. 4kW2。预定的方差也可以由有关公用监控系统102的最大计算方差的百分比来确定，如例如5%。预定的方差阈值基于公用监控系统中所监控的特征的所期望的波动量来确定。在方差阈值提高时，分级结构中的置信水平提高，但是可能的代价是标记更多设备为孤立的设备。如果方差阈值不满足方差准则，则ー个或多个控制器110将作为孤立的设备的对象监控设备104添加到孤立集(208)。作为孤立的设备，这样的监控设备被视为或者没有·父设备，或者它们的设备数据中没有经历足够的多样性以有把握地确定其在公用监控系统102的分级结构内的空间关系。如果方差阈值满足方差准则，则所考虑的监控设备在其设备数据中具有足够的多祥性，以尝试将其放在分级结构内，并且将其添加到监控设备的非孤立集中(210)。重复块204-206直到所有的监控设备已放置进孤立集或非孤立集中。一旦所有的监控设备完成被归类为孤立的或非孤立的，则ー个或多个控制器110将非孤立的设备按照预定顺序排名，例如从最高到最低。图2B示出用于执行排名的示例性算法的流程图。ー个或多个控制器110计算有关每个非孤立的监控设备的设备数据的平方和(即将设备数据中每个值的平方相加)(240)。平方和允许所考虑的设备数据中负值的贡献，以确定正在讨论的监控设备是否是公用系统100内功率或能量的重要消耗者。一个或多个控制器110根据它们各自的平方和值的大小来对非孤立的监控设备排序，例如从最高到最低(242)。回到图2A，排名最高的设备被标记为孤立的(212)并放置在分级结构的顶端，因为相比于公用监控系统102中的所有其他的监控设备，它测量了所监控的公用物的最大消耗量(或产量)。因此，排名最高的设备将不会有任何父设备，因此它被标记为孤立的并被移除以便不由分段算法200进ー步考虑。一个或多个控制器110将非孤立集中排名最高的设备指定为參考设备，用于将其父设备定位在公用监控系统102的分级结构中(214)。作为參考设备，算法200捜索其在公用系统的分级结构中更高水平处的可能的父设备。由这种分段算法200顾名思义，即该算法将有关非孤立集中的每个设备的相关设备数据划分或分段成多个数据段，如例如为整个数据集划分或分段100个数据段(216)。一个或多个控制器110计算相关系数，该相关系数有关參考设备的每个数据段，并且有关在块212处由预定顺序确定的排名比參考监控设备高的监控设备的每个相应数据段(218)。图2C是用于计算每个离散相关系数的算法的示例流程图，其中数据已被分段。一个或多个控制器110计算有关每个数据段的段相关系数，该段相关系数的计算是基于有关參考设备的相应数据段和有关所考虑的第二设备的相应数据段(250)。第二设备是具有比块212处确定的參考设备更高排名的监控设备。在存在有关设备对的数据段时，这种计算产生许多的段相关系数(在此例中，有100个段相关系数)。一个或多个控制器110计算所有的段相关系数的平均值以产生有关所考虑的设备对(即參考设备和根据预定顺序在块212处确定的排名较高的第二设备)的整体的相关系数。可以采用任何适当的相关算法来计算两个数据集之间的相关系数。应当注意，术语“第二”设备仅仅是将该设备区别于第一监控设备。这并不表示在本文中其使用的任何相対的重要性、顺序(时间、空间或其他方式)或排名。參考设备可称为设备X，而第二设备可以称为设备Y，或反之亦然。一个或多个控制器110确定是否满足至少ー个准则(220)。确定块220可以确定是否也满足附加的ー个或多个准则。图2D是ー算法的示例性流程图，该算法用于确定是否已经满足ー个或多个准则以得出所考虑的两个设备(设备对)在公用监控系统102中被链接的结论。一个或多个控制器110确定相关系数是否超过预定的相关阈值，如例如O. 5，该阈值可以由終端用户调整(260)。如果不是，则算法220确定相关系数不满足准则，并且分段算法200确定所考虑的设备在公用监控系统102中未被链接(264)。算法220还可以确定是否满足附加的准则。例如，如果相关系数超过预定的相关阈值，则ー个或多个控制器可确 定将第二设备与參考设备链接是否违反能量守恒定律或应用于任何其他WAGES公用物的其他原则(262)。可以假设在径向馈送的公用系统中，父设备消耗的公用物将比其任何子设备消耗的更多。因此，例如，如果參考设备(此处，子设备)消耗比第二设备(其可能的父设备)更多的功率，则这样的链接会违反能量守恒定律，因为在功率监控系统中子设备不可能消耗比其父设备更多的功率。如果将所考虑的设备对进行链接违反了能量守恒定律或应用于任何其他WAGES公用物的其他原则，则ー个或多个控制器110确定相关系数不满足准则并得出在设备对中的设备未被链接的结论(264)。如果在块218产生的相关系数超过预定的相关阈值(260)，并且将所考虑的设备对链接不违反公用物的守恒定律(262)，则ー个或多个控制器110确定由批量算法提供的解决方案是否与由分段算法200提供的解决方案一致(266)。在上面，批量算法被描述为自动学习的分级结构算法，并且搜索链接到所考虑的參考监控设备的父监控设备。一个或多个控制器110可以并行运行这两种算法，以搜索參考设备的最强相关的父设备(可选地，这两种算法可以顺序运行)，但是由各个分级结构分类算法所产生的解决方案相互不一致将是有可能的。例如，分段方法可以确定第二设备链接到參考设备，但批量解决方案可以确定第三设备也链接到參考设备。再次，术语“第二”和“第三”并不_在暗示设备的顺序或重要性，而是为了讨论的方便和清楚而将它们相互区别开。有不同解决方案的ー个原因是，分段方法可以产生相互强相关的段，并且这些强相关性将被平均到最后的相关系数中，并对最終的相关系数有较强的影响力，所述最終的相关系数由关于每个数据段计算出的所有相关系数的平均值产生。如果由批量和分段方法所提供的两个解决方案不一致，则使用模糊逻辑算法120来解决冲突(268)，比如图4所示的ー个模糊逻辑算法。如果解决方案一致，则ー个或多个控制器110确定满足准则(例如，相关系数超过相关阈值，将设备对链接不违反公用物的守恒定律，以及批量和分段方法产生相同的解决方案)(270)。如上所述，可以执行图2D所示的准则的任意組合。例如，一旦一个或多个控制器110确定满足相关系数，该准则就被视为已得到满足，并且算法200不着手检查是否违反能量守恒定律或者批量和分段方法是否产生相同的解决方案。同样，算法200可以检查是否违反能量守恒定律，但不能确定由批量和分段方法所产生的解决方案是否相互一致。这些替代准则确定的实现在图2D中由虚线代表。
如果满足图2D所示的一个或多个准则，则算法200将參考设备和第二设备在分级结构中被链接的表示储存在ー个或多个存储设备112中(222)。所述參考设备和第二设备链接在一起使得第二设备是參考设备的父设备。在公用监控系统分级结构中，參考设备可以具有至多ー个父设备。如果不满足图2D所示的任何准则，则ー个或多个控制器110确定是否存在具有比仍有待评估的參考监控设备更高排名的额外的监控设备(226)。换句话说，算法200确定參考监控设备是否存在 另ー可能的父监控设备。如果存在更多的设备要迭代(226)，则ー个或多个控制器可以选择性地将第二设备从有待评估的非孤立集中删除(228)。例如，如果公用物是电，并且被监控的特征是功率，则由參考(子)设备测量的功率可以选择性地从第二(父)设备去除。分段方法和原始的自动学习的分级结构算法之间的差别在于，第7，272，518号美国专利中描述的原始算法可被视为“子捜索”方法，即分级结构以从最顶端的馈送器水平向下到达较低水平的馈送器并最后到达在公用监控系统中监控负载的设备的方式来构建。因此，对于任何给定的參考监控设备，自动学习的分级结构算法试图找到其各自的子设备。相比之下，批量和分段方法可以被视为“父搜索”方法，即公用监控系统的分级结构以将任何给定參考设备的父设备定位在任何给定馈送器水平或在分级结构中的任何水平上，并且着手寻找被定位在任何给定的馈送器或水平上的任何给定设备的父设备的方式来构建。本文公开的分段和批量方法仍然通过自排名最高的设备出发来开始建立分级结构，但是通过搜索给定參考监控设备的父设备而不是其子设备来建立分级结构。如果第二监控设备被发现链接到參考监控设备，则第二监控设备从非孤立集中被删除并被表示为链接到參考监控设备(222)。应当强调，本文的批量方法不同于在第7，272，518号美国专利中公开的自动学习的分级结构算法，原因在于本文的批量方法(图I的块118、图2D的块266以及图3的块316)搜索给定參考监控设备的父设备，而不是如第7，272，518号美国专利中公开的搜索其子设备。一旦由所考虑的迭代的參考监控设备所监控的特征选择性地从由第二监控设备监控的特征去除，则算法200就继续评估比目前所考虑的參考监控设备排名更高的下ー个排名最高的设备。如果不存在这样的排名较高的设备要迭代，则算法200基于在块212产生的预定顺序以及在非孤立集中的下一个余下的设备来着手评估在分级结构中的下ー个參考监控设备(214)。回到块226，如果没有找到所考虑的參考监控设备的父设备，则ー个或多个控制器110将參考设备标记为孤立的(224)。将设备标记为孤立的并不一定意味着该设备缺乏父设备。它只是意味着，算法200无法根据置信度将所考虑的设备放在分级结构中。为方便起见，这些设备在本文被称为孤立的设备，以将它们与非孤立的设备(被发现有父设备链接到其上的设备)加以区分。这样的未加说明的设备可通过用户手动放置，如下所述。一旦有关给定馈送器或分级结构的水平的所有设备已被放置或以其他方式进行评估，则ー个或多个控制器110就确定在有待评估的非孤立集中是否存在额外的监控设备(230)。如果仍然存在有待放进分级结构的、额外的监控设备，则ー个或多个控制器110从有待评估的非孤立集中删除任何被放置的设备(228)，并指定在非孤立集中的下一个排名最高的设备作为下ー个參考监控设备(214)，并且迭代以找到有关该參考监控设备的父设备。一旦在非孤立集中的所有设备都已进行了评估并且被放置或未被放置在分级结构中，分级结构被视为完成(232)。分级结构122的代表被储存在ー个或多个存储设备112中，其中代表指示在公用监控系统102中监控设备在空间上是如何彼此关联的。图3是根据本文公开的方面的另ー实现的、用于自动地确定在公用监控系统102中监控设备104在空间上是如何相关联的分级结构分类算法300的流程图。算法300利用分段和批量方法这两者来提供鲁棒的解决方案。一个或多个控制器110从每个监控设备104接收各自的设备数据114，这些设备数据包括每个指示了由相应的监控设备所測量的公用物的特征的值(302)。对于每个监控设备104，一个或多个控制器110计算相应设备数据值的方差，如上所述(304)。如果为给定监控设备所计算的方差不满足方差准则，比如超过预定的方差阈值(306)，则所有这些监控设备被添加到孤立集(308)。再次，本文中将监控设备识别为孤立的并不一定意味着它缺乏父设备。在此例中，方差太低以致无法提供有意义的結果，因此将该设备从所考虑的设备中删除。该设备在分 级结构中可能具有父设备，但是该设备的特征设备数据中的值没有足够的多祥性来根据所期望的置信度自动将该设备放在分级结构中。可选地，由所考虑的设备测量的其他特征可用于确定设备是否可以被放置在分级结构中。例如，监控设备的当前数据中的数据可能不具有足够的多祥性，但是电压失真数据可能具有足够的多祥性以允许有意义的相关性。如果为所考虑的监控设备计算的方差满足方差准则，则ー个或多个控制器110将所有这样的设备添加到非孤立集(310)。一个或多个控制器110基于非孤立的设备的各自的特征设备数据的平方和来排名非孤立的设备，如上所述，并将排名最高的设备放置在分级结构的顶层，并将其标记为孤立的(312)。对于每个特征设备数据集，一个或多个控制器110计算设备数据的平方和以产生指示设备数据中的值的量的平方和值。在根据非孤立的设备的平方和值从最高到最低排列非孤立的设备后，一个或多个控制器110选择參考设备并尝试使用如上所述的分段(314)和批量(316)方法来找出该參考设备的父设备。第一參考监控设备基于排名顺序被选中(注意，排名最高的设备被标记为孤立的，但是根据第一參考监控设备进行评估以查明被孤立的设备是否是參考监控设备的父设备)。在流程图左側，一个或多个控制器110确定哪一个父设备被链接到參考监控设备(314)，这是通过基于有关參考监控设备和具有比块312确定的參考监控设备排名更高的另ー监控设备的设备数据的相应数据段计算相关系数来实现的。这种分段算法产生第一解决方案318，该第一解决方案指示參考监控设备链接到哪ー个其他的监控设备(为了用语上的便利称为第二监控设备，以使其区别于參考监控设备)，这通过计算关于设备对的每个数据段所计算的所有段相关系数的平均值来确定。在此例中，第二可能的父设备将被称为“父设备A”。在流程图右侦牝ー个或多个控制器110确定哪ー个父设备链接到參考设备(316)，这通过基于有关具有比參考监控设备排名更高的另ー监控设备的整个(批量)设备数据和有关參考监控设备的设备数据计算相关系数来实现。这些排名较高的监控设备可能已被视为是孤立的，但它们仍被评估以确定它们是否是所考虑的任何參考设备的父设备。批量算法产生第二解决方案320，其为将被称作“父设备B”的可能的父设备。父设备A和父设备B可能涉及相同的监控设备。标签A和B简单区分由不同的算法(A情况下的分段算法和B情况下的批量算法)产生的父设备，但不是说它们一定是不同的。事实上，这两个解决方案可能会一致(322)，并且若如此，来自解决方案的父设备(父设备A或父设备B)被标记为链接到參考监控设备并从有待评估的非孤立集中删除。被链接的设备对在分级结构330中有所指示，分级结构330被构建并被储存在ー个或多个存储设备122中作为公用监控系统分级结构112。块314和316中所反映的两个确定可通过ー个或多个控制器110并行执行或相继执行。如果第一和第二解决方案318、320不一致(322)，则使用下面结合图4描述的模糊逻辑算法120选择这些解决方案中的ー个(324)。由模糊逻辑算法120输出的父设备(父设备A或父设备B)被标记为链接到參考监控设备，并且将被链接的对指示在分级结构330中并储存在分级结构122中。由于批量和分段算法不一致，一个或多个控制器110可显示出此解决方案的置信度较低的指示。終端用户可以验证解决方案并接受该解决方案，或者如果解决方案不正确则对其进行修改。一个或多个控制器确定是否存在更多的參考设备要迭代(332)。如果是这样的话，则算法300循环回到点A，并且使用下一个參考设备来尝试在公用监控系统102中找到其父设备。当非孤立集中所有參考设备已进行了评估并且被放置或未被放置在分级结构330中(332)时，一个或多个控制器110提示用户将孤立的设备手动放置到分级结构330中(334)。此提示通常可在视频显示器上显示，并且来自手动放置的用户指示的输入可由任何常规输 入设备接收，如鼠标、键盘、触摸屏等等。可选地，一个或多个控制器110可以推荐可能的放置，这基于除了被用于确定孤立的设备是否可以被放置在分级结构中的一个特征之外的另ー特征。在所有孤立的和非孤立的设备被放置进分级结构中时，已构建成公用监控系统102的完整的分级结构(336)，并且该完整的分级结构被储存在ー个或多个存储设备122中作为分级结构112，供以后进行检索并通过耦合到一个或多个控制器110的视频显示器显示给用户。图4是示出图I所示的以及块268 (图2D)和326 (图3)中涉及的模糊逻辑模块或算法120的功能框图。模糊逻辑模块120常规上包括输入402、404、406、408、隶属函数410和规则集412。存在可能出现在确定现实世界的公用监控系统的分级结构中的若干问题，其中包括可以掩盖期望的负载波动相关性的进程(日期和工作模式)相关性。如上所述，本文公开的分级结构分类算法最适合根据受监控的特征中的波动或变化的多祥性来工作。由于不同的模型和/或不同的制造商，第二问题由监控设备104的从ー个设备到另ー设备的准确度的变化引起。又一个问题是由于通过监控设备104在公用监控系统102中监控的负载大小的不同差异性。一些负载相比其他负载可略有不同，并且与小负载相关的负载变化可能被父设备的数据掩盖。将固定的阈值进行量化并附加到许多变量上是非常具有挑战性的，这是由于从ー个公用监控系统到另ー个的条件上的差异很大。为解决这些有歧义的和多祥化的条件的一种推荐的方法是使用模糊逻辑。在此实现中所采用的模糊逻辑，该模糊逻辑在其他的非模糊逻辑方法已被用来在分级结构中放置尽可能多的设备之后，从两种可能性来确定子设备的最可能的父设备。模糊逻辑模块120基本上打破了使用关于全部或批量设备集的相关性相比于使用关于给定设备对的分段数据的平均相关性的冲突结果之间的束缚。在本示例实现中，如下组织该问题。两个可能的父设备被标记为A和B，如上所述。来自这两个父设备候选者的设备数据被用来推导到达模糊逻辑模块120的四个输入。这四个输入被用于形成八个规则412的集合和模糊化过程以挑选A或B作为最有可能的父设备。这些输入被标记 APwrRatio 402,BPwrRatio 404,APR-BPR 406 以及 A-BSegCorr 408。这些输入如下所述，使用功率作为由监控设备104监控的示例特征
APwrRatio 402=ChildPavg/ParentAPavg,其中 ChildPavg 代表有关子监控设备的设备数据的平均功率，此处要考虑參考监控设备，并且其中ParentAPavg代表有关父设备A的设备数据的平均功率。平均功率可以例如通过将设备数据中的功率值相加并除以采样总数来计算。因此，APwrRatio代表子设备的平均功率和与候选父设备A相关的平均功率之间的比率。BPwrRatio 404=ChildPavg/ParentBPavg,其中 ChildPavg 代表有关子监控设备的设备数据的平均功率，此处要考虑參考监控设备，并且其中ParentBPavg代表有关父设备B的设备数据的平均功率。因此，BPwrRatio代表子设备的平均功率和与候选父设备B相关的平均功率之间的比率。APR-BPR 406 = APwrRatio 402 — BPwrRatio 404。A-BSegCor 408 = SegCorrChiId:ParentA — SegCorrChiId:ParentB,其中SegCorrChiId:ParentA代表有关子设备_父设备A的设备对组合的段相关系数的平均值。SegCorrChild:ParentA是通过将有关子设备(此例中的參考监控设备)的设备数据 和有关父设备A的设备数据分段成数目相等的数据段；并计算有关每个数据段的段相关系数；将有关所有数据段的段相关系数相加；再除以数据段的数量来计算的。同样地，SegCorrChiId:ParentB代表有关子设备_父设备B的设备对组合的段相关系数的平均值。A-BSegCor 是 SegCorrChiId:ParentA 和 SegCorrChiId:ParentB 之间的数学差。输入402、404可被归ー化，使得它们的值介于_1到I之间或O到I之间。A-BSegCorr 408输入具有从-100%到100%的范围。八个规则412如下(低、高、不低以及不高定义在隶属函数410中)I.如果(APwrRatio为低)且(BPwrRatio为高),则输出414=父设备A2.如果(APwrRatio为高)且(BPwrRatio为低),则输出414=父设备B3.如果(A-BSegCor 为 A>B)且(APwrRatio 为不高)且(BPwrRatio 为不低)，则输出414=父设备A4.如果(A-BSegCor 为 A〈B)且(APwrRatio 为不低)且(BPwrRatio 为不高)，则输出414=父设备B5.如果(APwrRatio 为低)且(BPwrRatio 为低)且(APR-BPR 为 APR〈BPR)，则输出414=父设备A6.如果(APwrRatio 为低)且(BPwrRatio 为低)且(APR-BPR 为 APR>BPR)，则输出414=父设备B7.如果(A-BSegCor 为 A>B)且(APwrRatio 为高)且(BPwrRatio 为高)，则输出 414=父设备A8.如果(A-BSegCor 为 A〈B)且(APwrRatio 为高)且(BPwrRatio 为高)，则输出 414=父设备B如果输出大于O. 5,则父设备被判定为父设备B,并且如果输出小于O. 5,则父设备被判定为父设备A。O. 5的值表示不能作出确定，即父设备A和B双方同等地可能是所考虑的子设备的父设备。如果发生这种情況，则可以告知用户不能放置所考虑的子參考设备，并可以提示用户将子设备手动放置到分级结构中。还告知用户两个候选父设备父设备A和B，以方便用户放置子设备。
隶属函数410常规上将输入402、404、406、408映射到输出414，并定义规则412中的术语，例如定义什么是低、高、不低以及不高。要强调的是，输入和规则可以按各种方式改变。本文所公开的例子是许多实现中的ー个，该实现可以被设计成选择两个冲突的候选父设备中的ー个。当分级结构显示给用户以提醒用户这些设备被放置带有在批量和分段方法之间的不一致时，可以突出使用了模糊逻辑模块120放置的设备。尽管本公开的特定实现及应用已经被示出和描述，然而应理解的是，本公开并不限于本文公开的确切结构以及构成，并且各种修改、变更以及变化从以上描述中可能是明 显的，而不偏离所附权利要求中限定的本公开的精神和范围。
权利要求
1.一种自动地确定多个监控设备在公用监控系统中如何链接在一起的方法，所述方法包括 从每个所述监控设备接收各自的设备数据，所述各自的设备数据包括多个值，所述多个值指示由相应的监控设备测量的公用物的特征并储存在所述相应的监控设备上； 使用一个或多个控制器来计算从所述监控设备的參考监控设备接收的值的第一方差; 使用所述ー个或多个控制器来计算从所述监控设备的第二监控设备接收的值的第二方差; 响应于所述第一方差或所述第二方差不满足方差准则，将所述相应的监控设备是孤立的设备的指示储存在一个或多个存储设备上； 响应于所述第一方差或所述第二方差满足所述方差准则，使所述相应的监控设备包括在非孤立的监控设备集中； 响应于所述參考监控设备和所述第二监控设备在所述非孤立的监控设备集中，使用所述ー个或多个控制器将有关所述參考监控设备和有关所述第二监控设备的所述各自的设备数据分段成相应的多个数据段； 使用所述ー个或多个控制器，基干与所述參考监控设备相关联的所述数据段并且基于与所述第二监控设备相关联的相应数据段计算相关系数；以及 响应于所述相关系数满足相关准则，将在所述公用监控系统中所述參考监控设备链接到所述第二监控设备的指示储存在所述ー个或多个存储设备上。
2.如权利要求I所述的方法，还包括 使用所述ー个或多个控制器、按照预定顺序从最高排名到最低排名、从所述非孤立的监控设备的排名最高的非孤立的监控设备开始对每个所述非孤立的监控设备进行排名；以及 使用所述ー个或多个控制器、基于由所述监控设备测量的值来确定所述非孤立的监控设备的排名最高的设备。
3.如权利要求2所述的方法，其中，对所述非孤立的监控设备进行排名包括 使用所述ー个或多个控制器来计算每个所述非孤立的监控设备的设备数据的平方和；以及 基于所述平方和、从最高到最低排列所述非孤立的监控设备以产生所述预定的顺序。
4.如权利要求I所述的方法，其中，对所述相关系数进行计算包括 针对每个所述数据段，基干与所述參考监控设备相关联的每个所述数据段和与所述第ニ监控设备相关联的每个所述相应数据段来计算段相关系数，以便产生多个段相关系数；以及 计算所述段相关系数的平均值以产生所述相关系数。
5.如权利要求I所述的方法，其中，所述相关准则包括所述相关系数是否超过预定的相关阈值。
6.如权利要求I所述的方法，其中，对所述指示的储存响应于所述相关系数满足所述相关准则和响应于确定将所述參考监控设备与所述第二监控设备链接不违反能量守恒定律来执行。
7.如权利要求6所述的方法，其中，对是否违反能量守恒定律的确定包括响应于所述參考设备比所述第二设备消耗更多能量来确定违反了能量守恒定律。
8.如权利要求I所述的方法，其中，对所述指示的储存响应于所述相关系数满足所述相关准则和响应于解决在所述第二监控设备和第三监控设备之间的冲突来执行，所述第三监控设备通过下列操作被确定为也链接到所述參考监控设备 基干与所述參考设备相关联的设备数据和与所述第三监控设备相关联的设备数据来计算第二相关系数； 响应于所述第二相关系数超过第二预定阈值，储存所述參考监控设备和所述第三监控设备被链接的指示。
9.如权利要求8所述的方法，其中，对所述冲突的解决通过包括了输入集和规则集的模糊逻辑算法来执行。
10.如权利要求9所述的方法，其中，所述规则集包括与所述參考监控设备的段数据和所述第二监控设备的段数据相关联的第一段相关系数、与所述參考监控设备的段数据和所述第三监控设备的段数据相关联的第二段相关系数、所述參考监控设备的设备数据的值的平均值、所述第二监控设备的设备数据的值的平均值以及所述第三监控设备的设备数据的值的平均值。
11.如权利要求10所述的方法，其中，所述规则集包括所述參考监控设备的设备数据的值的平均值与所述第二监控设备的设备数据的值的平均值之间的第一比率，所述规则集还包括所述參考监控设备的设备数据的值的平均值与所述第三监控设备的设备数据的值的平均值之间的第二比率。
12.如权利要求11所述的方法，其中，所述规则集包括所述第一比率和所述第二比率之间的差。
13.如权利要求10所述的方法，其中，所述规则集包括所述第一段相关系数和所述第ニ段相关系数之间的差。
14.如权利要求9所述的方法，其中，所述输入集包括基于所述第一段相关系数和所述第二段相关系数的第一输入、基于所述參考监控设备的设备数据的值的平均值和所述第二监控设备的设备数据的值的平均值的第二输入、基于所述參考监控设备的设备数据的值的平均值和所述第三监控设备的设备数据的值的平均值的第三输入。
15.如权利要求I所述的方法，其中，所述指示包括在所述公用监控系统中所述參考监控设备作为子设备链接到所述第二监控设备的指示。
16.如权利要求I所述的方法，其中，所述方差准则包括所述第一方差或所述第二方差是否超过预定的方差阈值。
17.如权利要求I所述的方法，响应于所述第一方差或所述第二方差不满足所述方差准则，在视频显示器上显示提示以指示在所述公用监控系统中所述孤立设备链接到哪ー个或哪ー些所述监控设备。
18.如权利要求I所述的方法，其中，所述公用物是电，并且所述公用监控系统是功率监控系统，并且其中，所述特征包括电流、电压或功率。
19.一种自动地确定多个监控设备在公用监控系统中如何链接在一起的方法，所述方法包括从每个所述监控设备接收各自的设备数据，所述各自的设备数据包括多个值，所述多个值中的每ー个都指示由相应的监控设备测量的公用物的特征并储存在所述相应的监控设备上； 对于每个所述设备数据，使用一个或多个控制器计算从所述相应的监控设备接收的值的方差； 响应于所述方差不满足方差准则，使所述相应的监控设备作为孤立的设备被包括在孤立的监控设备集中； 响应于所述方差满足所述方差准则，使所述相应的监控设备包括在非孤立的监控设备集中； 使用所述ー个或多个控制器、按照预定顺序从最高排名到最低排名、从所述非孤立的监控设备的排名最高的非孤立的监控设备开始对每个所述非孤立的监控设备进行排名；对于所述非孤立的监控设备的參考监控设备，通过下列操作确定所述监控设备中的第ニ监控设备是否链接到所述參考监控设备 将所述參考监控设备的设备数据分段成第一多个数据段， 将所述第二监控设备的设备数据分段成第二多个数据段， 基于所述第一数据段和所述第二数据段计算第一相关系数， 响应于所述第一相关系数满足第一准则，作为第一解决方案，指 示所述參考监控设备和所述第二监控设备被链接； 对于所述參考监控设备，通过下列操作确定所述第二监控设备是否链接到所述參考监控设备 基于所述參考监控设备的设备数据和所述第二监控设备的设备 数据计算第二相关系数，以及 响应于所述第二相关系数满足第二准则，作为第二解决方案，指 示所述參考监控设备和所述第二监控设备被链接； 响应于所述第一解决方案不同于所述第二解决方案，使用模糊逻辑算法选择所述解决方案中的ー个；以及 响应于所述选择，储存关于在所述公用监控系统中所述參考监控设备链接到所述监控设备中的哪ー个的指示。
20.如权利要求19所述的方法，其中，所述公用物是电，并且所述公用监控系统是功率监控系统，并且其中，所述特征包括电流、电压或功率。
全文摘要
一种自动的分级结构分类算法(300)，其通过将给定设备对所测量的设备数据分段并计算有关每个数据段的段相关系数在公用监控系统(102)中搜索子监控设备的父设备。要放置在分级结构中的设备通过计算它们的设备数据的方差(304)并消除具有低方差的设备(306、308)来过滤。通过计算设备的设备数据的平方和并根据从最高到最低排列设备来对所述设备进行排名。设备数据被分段并且段相关系数被平均以产生整体相关系数。准则被评估以确定设备对是否被链接。使用设备对的完整数据系列来计算相关系数(316)，并且将通过此方法产生的解决方案与通过分段设备数据产生的解决方案(314)进行比较(322)。如果解决方案不一致，则模糊逻辑模块(120)确定可能的候选者(324)。
文档编号G01R22/06GK102725611SQ201180007271
公开日2012年10月10日 申请日期2011年1月26日 优先权日2010年1月28日
发明者乔恩·A·比克尔, 罗纳德·W·卡特, 阿姆贾德·哈桑 申请人:施耐德电气美国股份有限公司