监视器具使用情况的方法和系统与流程

本发明涉及一种对建筑物内的器具使用情况进行监视的方法和系统。

背景技术：

在住宅中有许多设备或器具，从各个灯具配件、电视机到主要的能量使用设备，诸如锅炉和烘干机。将来，这些设备中的一些可能是智能的，使得它们可声明它们的存在并且它们的状态可以被读取，包括控制的可能性(诸如开关灯以劝阻窃贼、当电力便宜时调度烘干等等)。一些设备会已经具备了这种能力(诸如智能tv和加热系统)，尽管大多数没有。了解住宅中的占用、器具使用情况和公用服务(utility)消费的模式目前需要无法承担的仪器水平。尽管传感器最终可以被嵌入到包括照明设备的所有设备中，但是对于在家庭环境中找到这种级别的嵌入式传感器的正常时间尺度可能会显著地超过十五年。建筑环境管理是未来公用服务供应和使用的关键要素，无论是在能量效率、成本预算还是改进用户控制和体验方面。

建筑物内的器具的存在和使用情况可以通过根据它们的公用服务使用情况识别标志(signature)进行推断而识别出。针对其的原理已在us4,858,141中描述，并且现在包括在非侵入式器具负载测量(nialm)的实践者社区内，例如在“isdisaggregationtheholygrailofenergyefficiency？thecaseofelectricity”(k.carriearmel，abhaygupta、gireeshshrimali和adrianalbert，energypolicy，2013，vol.52，issuec，pp213-234)中进行了描述。虽然这种技术的概念被认识到已有一段时间，但在实践中其应用受到未能成功将各种要素有效地集成到实际解决方案中的限制。在us4,858,141和其他后续出版物中，从电功率使用情况测量中收集数据。使用来自电力以外的其他公用服务的数据(且考虑到附加因素/数据)已被各种来源所触及，其中一些位于us4,858,141中。然而，现有技术既没有教导这些概念应该如何单独地并且以有效地组合而实现，也没有教导其应如何形成有效的整体建筑物环境管理系统(bems)的一部分。

因此，本发明考虑到前述内容而设计。

技术实现要素：

对器具使用情况进行监视是建筑环境管理系统(bems)的中心。它不仅提供关于能量使用情况的数据，而且更重要地是它提供与居民针对建筑物的活动和使用情况的模式有关的信息，这可以使bems能够更好地管理建筑物环境以适应这些占用模式。没有什么比家庭环境管理系统(hems)这样更真实的了。人们在家里比在任何其他建筑物中花费更多的时间；他们在家里展示了最广范围的活动模式；并且他们期望对其家庭环境有最大的控制。自行实现器具的监视将提供关于公用服务使用情况的模式的信息。将其集成到hems中将使得能够例如在调度加热系统时使用关于占用模式的信息。hems还可以将附加信息提供给器具使用情况模块，例如，起居室中的温度升高与正操作中的煤气取暖器一致。现有技术没有清晰地讨论或教导这些功能的实现。

为了简洁起见，说明书趋向于仅指hems。应当理解，本发明也可以被应用于任何bems，而不只是hems。

根据本发明的第一方面，限定了如权利要求1所限定的操作建筑物内的环境管理系统的方法。所述方法包括：通过监视两个或更多个公用服务并测量与每个所述公用服务有关的一个或多个特性以提供表示所述一个或多个特性的输出信号，监视所述建筑物内的器具使用情况；以预定时间间隔来监视每个所述输出信号的状态的变化；对来自每个公用服务的输出信号的数据进行组合，以识别器具使用情况的一个或多个模式；将识别出的器具使用情况的模式与所存储的与所述建筑物的各个居民相关联的器具使用情况的模式进行比较，以识别未来器具使用情况的预期模式；以及根据识别出的未来器具使用情况的预期模式操作所述环境管理系统，以对所述建筑物中的环境进行控制。

本发明使得能够使用公用服务使用情况的复杂模式来提取与建筑物内存在什么电器以及当正在使用这些公用服务时人们在建筑物内的活动有关的信息。有利地，该方法使得能够以相对廉价的方式来推导出器具使用情况的模式、并且识别器具或器具的状态。这是因为在建筑物入口点处的关于公用服务的低成本测量集合可以替代或增强原本在建筑物及其器具和系统周围分布的数据大得多的传感器。这进而在帮助消费者有效地管理他们的能量使用时将价值增加给了消费者。

使用根据监视公用服务获得的更多信息可以允许确定关于建筑物中的占用模式的更多细节(即，单独识别灯开关识别标志将不会允许在不考虑其他因素的情况下确定灯的位置-例如水龙头早上很早便在浴室中打开，所以灯可能在浴室中被打开)。因此，监视多于一个的公用服务(例如电力和水以及可能还有燃气)有助于基于器具使用情况的预期或可能模式来确定正在使用哪些器具。

器具使用情况的模式可以包括：识别出特定的器具在每日/每周的特定时间处使用(例如，洗衣机始终在星期一工作，或者用户始终在他们工作后到家时向水壶加水并烧水)。

如果公用服务使用情况的单个实例被认为是孤立的(如现有技术的情况)，则并不始终可确定出所讨论的器具。例如，在冲马桶时和在洗手时可以使用类似的水量。在这种情况下，现有技术的方法将不能够区分这两种活动。相比之下，本发明可以使用附加信息(例如，噪声信号)来区分水龙头阀打开的声音和冲洗阀打开的声音，以确定出正在使用哪个器具。

有可能识别电动机的动作，这是因为它将具有与其使用相关联的相位角。

由于仅在洗碗机中存在烘干循环(包括在不使用水的情况下的加热)和/或仅在洗衣机中存在旋转循环(包括在不使用水的情况下的电动机)，可以将洗碗机的操作与洗衣机区别开来。

该两个或更多个公用服务可以包括水和电力。可以监测燃气，而不是电力或除电力之外。还可以监视其它公用服务。

对所述器具使用情况的模式进行识别的步骤可包括：使用先验概率，且首先将被确定为最可能的器具使用情况的参考模式与所述数据进行比较。例如，如果在泵运行的同时作为早晨的第一件事水正在流动，则系统可以假设居民正在淋浴。

所述建筑物中的器具可构成系统，且所述系统可被表示为有限状态机，且每个输出信号可表示在特定时间处所述系统的特性的状态。

根据本发明的第二方面，定义了如权利要求4所述的操作建筑物内的环境管理系统的方法。该方法包括：监视建筑物内的器具使用情况，其中，所述建筑物中的器具构成系统，且所述系统被表示为有限状态机；监视两个或更多个公用服务并测量与每个所述公用服务有关的一个或多个特性以提供输出信号，每个输出信号表示在特定时间处所述系统的特性的状态；以预定时间间隔来监视每个所述输出信号的状态的变化；对来自每个公用服务的输出信号的数据进行组合，以识别器具使用情况的一个或多个模式；以及根据识别出的模式操作所述环境管理系统，以对所述建筑物中的环境进行控制。

在第一方面或第二方面的实施例中，系统可以表示为马尔可夫链。

所述一个或多个特性的测量可以被记录在预定尺寸的测量容器(bin)内，所述容器位于预定测量范围内。

该方法还可以包括基于随时间推移的器具的输入模式来定义工作过程。

该方法可包括基于跨一个或多个器具的可识别的工作过程序列来定义工作流程。

对器具使用情况的一个或多个模式进行识别的步骤包括：基于对所述输出信号的处理和对识别出的工作过程和工作流程的分析来确定器具的公用服务使用情况的模式。

该方法可以包括将所述器具使用情况的模式中的一个或多个与一个或多个参考模式进行比较，以识别与所述输出信号相关联的器具。

该方法可以包括基于所述比较来评估器具存在于建筑物内的概率。

该方法可以包括将所述器具使用情况的模式中的一个或多个与一个或多个参考模式进行比较，以推断对一个或多个器具在所述建筑物内的存在、位置和/或使用情况的指示。

先验概率可以包括工作流程的频率分布。

先验概率可以包括关于建筑物的占用状态的外因(exogenousfactor)和假设。

该方法还可以包括通过参考所存储的与历史器具使用情况有关的数据，来修改与与假设性地根据工作流程、工作过程、器具和/或器具的组件产生的器具使用情况的模式相关联的先验概率。

历史器具使用情况与一个或多个其他建筑物中的一个或多个器具有关，并且取决于另一建筑物相对于所述建筑物的地理距离来确定所述先验概率。

该方法还可以包括以计算机语言来表示一个或多个参考器具，由此根据在器具内的已定义组件上操作的已定义过程推导出器具使用情况的模式。

所述语言可使得能够通过类继承来创建器具、过程和组件的具体实例。

所述参考器具模式可以是从被呈现在所述器具上或与所述器具有关的电子签名、条形码或qcode获得的。

所述概率可以是根据对中央数据的分析和用户输入的组合推导出的。

特性可以包括流变量、噪声变量和质量变量中的一个或多个。

特性可以包括：电压、rms电压、热量值、相位角、功率、有功功率、无功功率和颜色中的一个或多个。

根据本发明的第三方面，提供了用于操作建筑物内的环境管理系统的装置，包括：用于监视所述建筑物内的器具使用情况的装置，包括多个测量设备，每个测量设备被配置为测量与两个或更多个公用服务中的特定一个有关的一个或多个特性并提供表示所述一个或多个特性的输出信号；以及处理设备，被配置为响应于来自每个公用服务的所述输出信号的组合：以预定时间间隔来监视每个所述输出信号的状态的变化，并对来自多个输出信号的信息进行组合，以识别器具使用情况的一个或多个模式；将识别出的器具使用情况的模式与所存储的与所述建筑物中的各个居民相关联的器具使用情况的模式进行比较，以识别未来器具使用情况的预期模式；以及根据识别出的未来器具使用情况的预期模式操作所述环境管理系统，以对所述建筑物中的环境进行控制。

根据本发明的第四方面，提供了用于操作建筑物内的环境管理系统的装置，包括：用于监视所述建筑物内的器具使用情况的装置，包括多个测量设备，每个测量设备被配置为测量与两个或更多个公用服务中的特定一个有关的一个或多个特性并提供表示所述一个或多个特性的输出信号；以及处理设备，被配置为响应于来自每个公用服务的所述输出信号的组合：以预定时间间隔来监视每个所述输出信号的状态的变化，并对来自多个输出信号的信息进行组合，以识别器具使用情况的一个或多个模式，其中，所述建筑物中的器具构成系统，且所述系统被表示为有限状态机，每个输出信号表示在特定时间处所述系统的特性的状态；以及根据识别出的模式操作所述环境管理系统，以对所述建筑物中的环境进行控制。

有利地，本发明的各方面使得能够基于将与不同公用服务有关的以及更具体地与不同公用服务的不同组件或特性有关的多个信号进行组合来推断建筑物内的器具存在情况/使用情况。

理想上，器具的组件将被制造成使得其公用服务使用情况识别标志的概率分布将会足够大并且足够好地分布，以将由hems消除歧义的机会增大到最大限度。如果该分布是已知的并由制造商提供，则在组件参数值被测量并与范围一起提供的情况下，或在将范围单独与组件一起提供的情况下，其可以被hems用作歧义消除过程的输入以用来识别器具。此外，在工作过程的参数(例如洗涤周期中的步骤的精确持续时间)区别足够明显的情况下，使用组件来理想地组装器具以通过与上述类似的方式来提升歧义消除。

实际上，本发明的各个方面涉及hems，其在定期的时间点处及时地评估整个系统的状态并尝试确定发生了什么。这可能包括确定正在使用的组件、正在使用的器具、正在使用的工作过程以及正在操作的工作流程。换句话说，该系统使用公用服务数据来在任何时刻及时准确地建立建筑物中正在进行的活动的实时图片，并且可以使用这来预测工作流程，使得可以供应可能的能量使用情况。这与现有技术相反，现有技术依赖于来自单个公用服务测量的良好干净的步骤变化来识别各个器具。

此外，hems可以进行历史检查(或校准过程)以考虑未识别出的组件、器具、工作过程或工作流程的公用服务使用情况识别标志并且对它们可能是什么进行假设。历史检查可以被编程为以定期间隔和/或每当遇到新的组件、器具、工作过程或工作流程时来运行。历史检查可以将数据与来自其他hems(特别是来自地理上靠近有关建筑物的建筑物)的数据进行比较。

附图说明

现在将仅借由示例通过参考附图的图来描述本发明的实施例，在附图中：

图1示出与hems一起使用的器具识别单元的示意图；

图2示出公用服务测量的示意图；

图3是公用服务信号通道的有限状态分析的示意图；

图4是器具识别单元与hems中的其他模块之间的通信的示意图；

图5是器具操作层次结构的概述；

图6示出通用洗碗机中的工作过程和组件；

图7a是按月的卧室中的日常操作的图示；

图7b是按月的安全灯的日常操作的图示；

图8a是室温下冰柜的日常操作的图示；

图8b示出冰柜的三种不同的操作模式；

图9a示出说明在hems中减去已知器具使用情况信号的流程图；

图9b示出从测量出的电信号中减去已知的电器使用情况信号；

图10示出说明未识别出工作流程歧义消除的流程图；

图11示出根据本发明的实施例的hems的系统环境；

图12a示出根据本发明实施例的hems的物理层系统图；

图12b示出根据本发明实施例的hems的功能层系统图；以及

图13示出根据本发明的实施例的主要歧义消除示例。

具体实施方式

因此，本发明的方面和实施例提供了对建筑物内的器具使用情况的模式的识别。这是通过将公用服务信号(诸如与电力、燃气和水使用有关的那些信号)与任何其他有关的能量相关流以及来自其他传感器(诸如智能设备和作为例如加热/安全系统的一部分的那些设备)的可能信息组合在一起而实现的。可以通过以下方式来识别每个器具或设备的公用服务使用模式：(a)信号的主要处理(例如，设备的组件组合的信号输出的典型高频噪声和形状)，(b)工作过程(随着时间的推移的设备的输入模式，例如洗碗机上的洗涤和干燥循环)和(c)工作流程(人们以组合方式使用设备-在洗衣机中洗涤衣服然后滚动干燥它们，或打开灯，然后打开电视，然后打开电淋浴器)。本发明的方面和实施例利用对能量使用模式的歧义消除来提供与正在进行的实例有关的统计学假设，该能量使用模式经受了对许多重复样本进行的假设测试。

未对hems的系统架构进行详细描述，其本身在本领域中是已知。在高级别处，这可以被描述为以下各项的适当组合：(a)在位于特定建筑物中的硬件(包括传感器和效应器)上运行的过程，(b)互联网连接，(c)在个人设备(诸如手机或平板电脑)上运行的应用，(d)共享中央服务器中(例如在云中)的附加数据和处理能力，以及(e)在任何互联网连接的设备上使用的基于网络的客户端。

hems被预见为集成系统的一部分。虽然原则上其将有可能实现担当独立系统的精简版本，但这会不能够提供完整概念的全部价值，并且本地hems硬件会需要强大(且昂贵)很多。

在特定实施例中，云服务会是由特定hems服务提供商提供的专用服务。用于提供这的it硬件和系统架构设计成为系统设计优化的问题。出于各种原因，选定的架构可能随着供应商而改变，并且随着it不断发展，主导设计将必定随时间推移而变化。除了有效地且以可接受的成本来递送所需服务的优化成功之外，这些细节对于本发明都不是重要的。

因此，我们考虑将所有服务都从概念性的或虚拟的中央服务器(具有备份)提供的抽象概念。系统弹性、容量优化和可扩展性等将会在架构的细节中解决。

该中央服务器会被hems服务提供商操作或控制，并且还会链接到更广泛的商业服务，诸如支付系统(用于对客户开账单)、天气数据和预报、能量市场操作等。这些更广泛的服务将被集成到由hems服务提供商提供给hems用户的服务中。这些服务中的一些对用户所看到的(诸如天气数据或输入账单信息)具有明显且直接的影响；它们中的一些通常对用户不是直接可见的，诸如批发能量市场交易。

中央服务器可以被用于跨hems的群体中提供一系列服务类别，该hems群体支持：

1)it系统服务：诸如高功率处理、数据备份和存储、故障检测、软件更新和恢复；这些服务对每个hems是不可或缺的，并且会需要在没有中央服务器的情况下在本地提供；

2)商业服务：诸如能量购买和供应、信息购买和整合、维护支持和保险；

3)统计和分析服务，诸如实施本发明的实施例所需的那些统计和分析服务。

统计和分析服务的主要客户是个体hems用户，然而还有其他可能的用户：

·出于社会目的，政府将想要以与其他国家统计局数据系列类似的方式来访问聚合的统计数据。

·出于产品设计和营销目的，hems服务提供商的供应商和共同供应商将想要访问聚合数据。例如，洗碗机制造商会看重对客户如何使用他们的产品，新推出的产品实际上如何在服务中执行以及旧产品的性能和组件如何随时间而退化进行确切地了解。

·hems服务提供商将需要以类似的方式使用聚合数据来理解其产品。

·政府还可能想要通过hems提供社会服务，但在递送方面这是个体服务提供而不是聚合服务提供。例如，它可以对能量服务提供者设置义务以提供最低级别的舒适度和清洁度并且还监视健康。这然后将是服务提供商的生意的一部分，属于上面服务级别2。

需要确定个体用户的数据是否完全可由服务提供商访问。例如，一些手机运营商的卖点就是他们的设备提供了强大的加密功能，使得运营商不能访问电子邮件和联系人细节等。在不对服务提供造成损害的情况下可以向hems的用户提供多少保护是不清楚的并将是针对于详细设计的问题。

原则上，个体用户数据只可以在有必要提供用户服务的地方被解密。例如，针对每个用户的数据备份可能不与用户帐户相关联，而是与仅为关联于该特定用户的hems所知的代码相关联。因此，hems可以访问和解密数据，但其他人不可以。hems的系统备份包含代码但已加密，使得只有hems中的硬件密钥可以访问备份。个体用户数据可以被未加密地存储，但只在不能与用户相关联的地方存储。

这些在技术上不是微不足道的问题。众所周知，可以通过使个体数据片匿名来为用户提供隐私，但是然后可以通过解锁匿名数据的方式将匿名数据集合与识别出的数据放在一起。例如，如果有一千万来自hems但没有链接到个体用户的详细数据集合，则可能会识别出拥有其帐单地址、每月能量使用情况和详细的当地天气历史的许多个体用户。

消费者保护措施的实现在本申请中没有进一步被解决，但是存在以下假定，对已经将分析任务委托给计算机程序的“中央工程师”可用的所有数据的原始模型不是所期望的模型。

与消费者保护有关的最困难的领域可能是地理上的接近。一些hems分析在估计先验概率时使用地理信息，例如，紧密地生活在一起的人更有可能具有相似的行为模式，或者由于商店中的库存模式和口头推荐，新器具最初将会成群出现。(还会需要将经由社交媒体的全民推出和推荐的反事实(counterfactual)考虑为是违反实际推出数据)。

有利地，所收集的公用服务数据可被用于：

1)使用诸如洗衣机、浴器、淋浴器、烘干机、加热器等器具来识别主要高峰公用服务的使用模式；

2)识别长时间操作诸如能量消耗量很大的冰箱、泛光灯、喷水灭火系统等(即使峰值能量使用量不那么大)的主要公用服务用户；

3)识别不受hems控制的自主系统，诸如自动通风设备、浇水系统吧、黄昏照明系统等；以及

4)将输入提供给使得能够检测到占用和活动模式的hems。

这些目的在现有技术中没有被明确标识，现有技术将电力过度强调为单一公用服务，并且将对主要能量使用情况的识别与对人类和自主活动模式的识别相混淆。而且，在现有技术中还不知道将器具识别与hems的控制功能相集成。因此，本发明的实施例认识到hems所需的一些输入对其是自动获知的，或者其可以直接获得它们。例如，hems可以知道(燃气)锅炉或空调系统的状态，或者安全系统的移动传感器是否被触发。考虑到hems被要求在这些系统中的一些上递送控制的程度，该信息可能相当复杂。例如，来自加热系统的数据可以包括系统不同部分的水温和室温、锅炉点火数据和储水箱温度。远程控制的燃气取暖器可以能够共享关于温度设置点和智能电视机监视器环境光照水平的数据，并可以控制显示亮度以作为响应等。

因此，本发明的方面和实施例可用于管理和监视家庭/建筑物环境，包括正在使用不同类型的公用服务的地方以及当正使用这些公用服务时家庭/建筑物中的居民正在做什么。

如果每次使用公用服务时都要搜索所有可能的活动，那么计算的大小将过大而不能实现实用的系统。本发明的实施例通过使用先验贝叶斯统计(bayesianstatistics)来克服这个限制，使得首先比较最可能的活动以减少计算的大小并加快分析。

图1是示出根据本发明的实施例和方面的器具识别模块/单元2如何与hems4交互的简化视图。当然，例如向hems4提供其他输入的其他单元6(诸如预算管理或调度模块)也可以与hems4进行通信，但这些将不在本文详细讨论。提供了多个测量设备10、12、14、16，这样的测量设备10、12、14、16是目前可用的或将来可能变得可用的任何合适的测量设备。测量设备10、12、14、16与hems4进行电子通信，如下面将更详细地讨论的。一个或多个器具7也与hems4进行电子通信。诸如存储器设备的存储设备8也与hems4进行通信以用于存储数据，这也将在下面更详细地讨论。器具识别单元2、hems4、任何其他单元6、存储设备8和器具7通常位于诸如居民住宅或其他地产的建筑物中。测量设备10、12、14、16也可以位于建筑物中，或者可以位于外部，这取决于公用服务如何进入建筑物及在哪进入建筑物。还远离建筑物在不同建筑物中为多个hems提供服务的服务器上提供中央数据库8′。

应该理解，图1中的图主要是概念性的。在实践中，器具识别单元2可以与hems4本身集成并且与其不可区分(在本文中有时简称为“系统”)。类似地，存储设备8可以与器具识别单元2或hems4中的一个或两者集成并且与其不可区分。此外，数据的实际位置对于本发明不是关键的，并且可以被存储在存储设备8和/或中央数据库8′中。

图2以简单的形式描绘了如何进行公用服务测量。可能期望选择有成本效益和/或适于环境/周围事物的测量设备10、12、14、16，例如，其可以与现有的财务计量表(fiscalmeter)集成等。在图2的实施例中，提供了水测量设备10、燃气测量设备12和电力测量设备14。可选地，还可以提供一个或多个其它测量设备16以例如用于测量蒸汽、热/冷水等。然而，应当理解，可以根据向建筑物正在提供的公用服务来选择一个或多个测量设备，并且图2仅仅是典型安装的示例。由图2中的箭头表示向建筑物提供每个公用服务。水经由入口20从建筑物外部的源18提供给建筑物，燃气经由入口24从建筑物外部的源22提供给建筑物，电力经由入口26从建筑物外部的源16提供给建筑物，以及任何其他公用服务经由入口28从建筑物外部的源30提供给建筑物。相应测量设备10、12、14、16位于建筑物内的或者在适当和/或方便的外部位置的供应线沿线。表示每个公用服务(分别为水、燃气、电力以及其他)的至少一个“性质”的电信号34、36、38、40由每个测量设备10、12、14、16产生并被提供给hems4。

针对每个公用服务的测量可以包括以下中的一个或多个：

1)每单位流量(电力是电压，水是恒定密度、燃气是热量值(但在每个房屋处对其进行测量太昂贵，且数据可从中央点提供))的值的量。

2)流速(电力是电流，水是每秒立方米、燃气是标称每秒立方米)(对于水和燃气而言，当下一个量已经流过时，仪表提供“脉冲”)。

3)噪声(即被包含在非常快的流速变化中的信息)。人们可以听到房屋中水的噪声，如咕咚声、嘶嘶声和嗖嗖声。使用声卡，人们可以针对电力同样听到声音。燃气是可压缩的，因此在此类别中没有有用的数据。应该注意的是，供应可能已经包含来自外部(例如沿着管道和线路行进)的一些噪声。

电力是不寻常的，因为电压随时间变化(50hz标称市电频率)。因此，“相位角”中存在关于负载的额外信息，这是电流领先或滞后电压的量。图9b示出了相位角phi如何被用于计算有功功率和无功功率。这些功率分别是加性的，并允许设备识别。

为了获得可管理的数学结果，噪声被认为是在频率范围或频率段(bin)中的“声音”电平。

值得注意的是，在测量设备中的信号处理能力方面以及随后还关于在确定正在发生的事件时数学问题的大小，所采用的比特和芯片组的数量将基于成本效益分析而被确定。如果使用标准的十六位芯片组，则它们可以以合理的成本而被获得。更长字长的成本将显著变大，但这样的字长可能会生成更多的信息。在这种情况下，其会使hems花费更长的时间来求解所需的方程式，并因此存在成本和复杂性之间的权衡。在一些实施例中，可以采用小于16比特的全分辨能力。在其他实施例中，可以采用24位芯片组。

关于信号被针对每个公用服务来均分的时长，值得注意的是，通常，我们试图辨别发生得相当快的事件(比如开灯、到水槽并打开水龙头)。数据压缩将允许在没有太多事情发生的情况下存储数据，并且因此，目标将是在较小的足够时间帧内测量信号以获得真实数据(即注意到一些变化)。期望像接通器具或打开阀门(如水龙头)之类的事件会在大约一秒钟的时间尺度中生成足够有价值的信息。燃气是可压缩的，所以与燃气有关的信号被平滑化，而且可能不值得比每十秒一次更频繁地来对燃气信号进行采样。如果采样频率少于每十秒一次，则其不可能确定出用户进入厨房后打开燃气灶花费的时长。此外，十秒可以比可能的时长或比所需的时长更短，但以这样的采样率采集的数据量不会过多。

应当理解，将通过物理学和it(即处理硬件)的数学两者来量化所有的测量。例如，可以将pi计算为任意小数位数，但是16比特的字只会给予十进制数有限的精度。即使使用较长的字，传感器和模拟数字转换器的潜在信噪特性以及设备的漂移或再现性将限制对于报告测量有用的准确性。问题是可以测量多小的变化。在概念上，我们可以将系统表示为有限状态马尔可夫链(markovchain)，即它在一个时间点处只可以具有有限数量的测量值集合(尽管非常大)，并且系统在测量时间步长处从一个状态移动到下一个状态(我们马尔可夫链中的所定义的转换)。这会允许将器具使用情况模式识别为一段时间内的加性状态的集合(例如点灯，然后洗碗机启动)。为了防止系统的过大尺寸(就数据而言)，应该限制状态数量。

关于温度测量，低成本数字传感器(例如ds18b20)可以将温度报告成以最多十二比特的中等精度。这允许传感器以0.0625摄氏度的步长(精度)来报告温度。操作范围为-55至+125摄氏度。在范围为-10至+85摄氏度中，准确度为0.5摄氏度，并且再现性被估计为与精度值大致具有相同的值。因此，如果传感器今天报告了与昨天的21.1摄氏度相类似的21.1摄氏度，但如果一个传感器报告21.1度，另一个传感器报告21.6度(尽管它们可以进一步被校准)，则该两个传感器也被认为读数相同。处于建筑物理的目的，温度精度约为0.1摄氏度，再现性结果约为0.2-0.5摄氏度并且准确度约为1摄氏度将是令人期望的，因此上述类型的传感器会是合适的。

不同的公用服务将由不同的公用服务“性质”来表征，“性质”可以被测量以在公用服务进入或被提供给建筑物时提供关于公用服务的信息。信号34、36、38、40可以包括多个“信号通道”或“测量通道”，每个与公用服务性质的个体或预定组合有关。也就是说，表征消耗的水量的性质将不同于有关燃气、电力或其他公用服务的性质。

例如，描述水的性质会包括体积流数据和基本上从60hz到44khz的频率范围内的色谱。(本上下文中的颜色被用作速记以描述关于60hz至44khz频率范围内的信号电平的噪声数据集合，即频率曲线(profile)。)该范围表示从正好在市电频率以上到如在测量设备10中将会发现的十六位芯片组的典型极限的频率。不排除以44khz以上的频率来监视信号，但这会增加成本。水流颜色可以有利地从“麦克风”型传感器而不是通过分析主要流信号得到，以降低传感器成本。所收集的数据通常将在大约一秒内被进行平均，即流事件可以及时地定位到一秒的准确度。然而应当理解，如果需要，可以使用不同的准确度，例如，约0.5s、1.5s、2.0s。

燃气只需要大约十秒分辨率的能量流数据，因此可以通过该时间分辨率来将公用服务事件在所有公用服务中校准。再次地，可以采用不同的分辨率，例如5s、6s、7s、8s、8.5s、9s、9.5s、10.5s、11s、11.5s、12s、13s、14s、15s等。

电力具有最复杂的信号输出，包括rms电压、有功功率，无功功率以及一秒分辨率的颜色。此外应当理解，如果需要，可以使用不同的准确度，例如，约0.5s、1.5s、2.0s。

对于正被测量的每个公用服务，测量设备10、12、14、16产生表示该公用服务的性质的一个或多个数字化信号。优选地，使进入的电力和水流具有高时间分辨率(例如1s)，以在瞬态变化发生时捕获到信息。然而，燃气(或油)流仅需要较低分辨率(例如10s)，这是因为这足以检测到使用事件。

其他公用服务电可以在其对建筑物内的能量使用造成影响的地方被测量。最可能的附加或备选公用服务是蒸汽、热水和冷水。考虑到处理这些公用服务的大多数系统的显著热质量，颜色不可能提供有价值的信号集合，并且大约十秒的分辨率可能就足够了。入口温度、出口温度和能量流是用于测量热水和冷水的最可能有价值的参数。入口蒸汽流、温度和压力以及冷凝水温度是针对蒸汽供应的最可能有价值的参数。

根据它们的标准操作模式，“主要”测量设备10、12、14将产生对应的测量信号34、36、38以作为在采样持续时间(例如针对电力或水大约一秒钟，而针对其他“次要”公用服务则更少)内被平均的瞬时值。(尽管本文中没有进一步具体讨论由测量设备16测量以产生信号40的“次要”公用服务，但是可以通过与如描述的燃气、水和电力数据的处理类似的方式来收集和处理从其推导出的数据。)将测量作为频率段(frequencybin)中的信号电平来提供，其宽度可以被选择以提供在数学上逻辑性的信噪比。

在接收到信号34、36、38时，hems4将：

1)对与每个测量所位于的频率段相对应的数据块执行时间戳；

2)将所有原始数据推送到其工作存储器中(存储单元8或中央数据库8′之一或两者中)，例如一天的数据；以及

3)对数据执行无损压缩并将其存储(在存储单元8或中央数据库8′之一或两者中)。

本发明的第一方面的重要特征是以预定的时间间隔来监视每个输出信号34、36、38的“状态”的变化。也就是说，对每个信号34、36、38执行有限状态分析。在实施例中，公用服务数据被概念化为系统的连续状态的马尔可夫链。也就是说，系统(即，包括器具识别模块2的hems4)随时间推移来监视每个个体测量通道，以确定其是否保持在与前一时间周期相同的状态中或其是否变化。如上所讨论的，时间周期由为每个公用服务选择或预定义的分辨率来支配。系统通过将检测到的信号34、36、28看作各个测量通道的测量范围和时间分辨率内的量化状态集合来检测这些变化。这在图3中被举例说明。

在本文中，在时间步长n处(即，沿着水平轴描绘的tn处)，信号通道34、36、38是在由阴影方框示出的垂直轴的范围中。这位于rmin至rmax的整个信号范围内，该范围被划分为一系列测量状态。这些方框(即数据块)的每个的大小大于：

1)由信号数字化的分辨率、准确度或容限所隐含的范围；

2)通过设计和校准结果建立的测量系统的再现性；以及

3)足以给出预定义的信噪比的大小(如下所解释的)。

测量设备10、12、14、16不可能在其测量全范围内具有完美的线性响应，并且因此，用于任何一个通道的方框可能具有不同的大小。然而，为了简单起见，图3的示例示出了相等大小的方框。

上面列出的前两个标准在初始阶段(例如，在建筑物内的安装时)被编程到系统中，并且第三个标准是基于正在进行的系统学习在初始学习期间之后估计并随后随着时间推移进行再校准。对于在测量通道上建立背景噪声有各种方法。一种方法是在例如两到三天的训练周期内分割每个信道上的状态转换，并将根据预定义阈值最小的50％的转换(包括空转换)代表噪声，且另50％代表信号(包括空转换)。所有公用服务测量设备都可能产生多于一个信号通道(除了燃气，其中噪声不可能成为问题)，所以通道中的信号和噪声被比较，使得一个通道上的任何假设信号都伴随有至少一个其他通道上的假设信号。在不是这种情况下，则最初假设的非空转换的最小90％被重新分类为噪声。在每个测量设备10、12、14、16的通道之间递归地调整方框的边界，直到满足上述规则为止。在任何通道的有限状态明显较少(例如，少于根据测量设备的固有特性预期的数量的85％)的情况下，在hems4日志中生成报告。有噪通道的潜在原因是：(a)测量设备10、12、14、16的故障，(b)在恒定操作中的器具7的有噪分量，以及(c)来自公用服务供应的噪声注入。这些情况中的每个表示对本发明的实施例的挑战，并且还表示需要维护注意的潜在故障，维护注意开始于诊断步骤，诊断步骤可以基于在一段时间内从许多安装的hems4采集的识别标志分析而被自动化，但是最初需要人力诊断。该系统周期性地执行该噪声分析，名义上例如一个星期一次。

在时间步长n+1处(即在图3中的tn+1处)，状态已经发生变化，并且通道信号已经改变了四个步长。其所暗示的假设是信号34、38或28已经从位于第一方框(具有由方框的高度示出的再现性范围)的中央改变为位于第二方框的中央。

水平轴的时间步长优选地是预定义的相等的时间步长，例如1s、10s，如上所述。图3中由rmin至rmax描绘的信号范围表示信号通道，例如，电功率。

以这种方式收集的最近数据(例如马尔可夫链数据的最后24小时)可以被保留在工作存储器(例如存储单元8)中，并且较旧的数据可以被发送到数据存储器(例如中央存储单元8′)中。备选地，hems4可将历史数据保留在工作存储器中，并将增量数据发送到数据存储器8′。

一些(如果不是所有的)器具以所定义的模式或公用服务/能量使用情况识别标志的形式来使用水和电力。例如，洗碗机可以具有用户可以选择的多个设置，但是对于每个设置，其以预定温度经历预定次数(洗涤、漂洗等)的周期在每次选择设置时是相同的。能量使用模式可能在器具型号之间改变并且在制造商等之间改变，但是可以知道针对特定器具/型号的期望公用服务(水、燃气)识别标志模式。在此基础上，在基本层面上，并不是所有的器具都使用水，并且所以寻找对水使用情况和/或电使用情况以及此外是否还有燃气使用情况和这些使用情况是否符合各种器具的已知模式的指示可以使得能够进行器具的识别/识别。另一个关键模式是与照明相关联的模式。灯的能量识别标志是可识别的，并且对正使用的灯的识别将识别出建筑物中正在使用器具的房间。该信息可以被用于帮助消除可能的备选解释之间的歧义(即，可以将水、电力和燃气使用信号的测量的组合与各种器具的公用服务使用组合特性的已知识别标志进行比较，以便测试或假设哪些器具可能产生测量出的信号)。

从监视建筑物内的能量/器具使用情况获取的认识也可被用于推断建筑物的居民如何使用各种器具7，并且hems4/器具识别模块2可以定义且测试假设以理解测量出的数据的含义。

例如，如果每天一早知道灯被打开，在那个房间中使用水和电力，然后灯被关掉，然后在另一个房间中使用电力，则可以假设一个人已经进入浴室并且洗澡，然后进入卧室来用吹风机吹干头发。不同能量识别标志在不同地点中和在不同时间处的组合提供了对正在使用什么样的一个或多个器具和使用这些器具时人的活动的指示。这使得能够识别出建筑物内的器具和器具使用情况。如果在每个早晨进行上述过程后不久就检测到以前未知的电能信号，则可以进一步假设该人已经购买了一些直发器并对其头发进行拉直。来自其他源的信息也可被用于形成假设，例如检测到湿度相对上升且随后下降的传感器将进一步支持对浴室中器具使用情况的假设。

器具识别模块2从hems4接收关于以下各项的输入：

1)关于谁在建筑物和房间中的假设，其中，该人上次被检测到在该建筑物和房间中；

2)访问居民的个人细节及其历史工作流程模式(如稍后详细描述)；

3)访问建筑物布局信息和来自系统设置过程的经分析的建筑物测量数据；以及

4)关于连接器具7的hems及其控制状态的信息。

这在图4中举例说明，其中总结了如何对于建筑物内的公用服务使用情况来创建假设。工作流程(由器具7本身执行的公用服务处理和人类行为的顺序，即，如何以及何时使用器具)以及这些活动的频率是建筑物或家庭或家庭内个体的特性。器具识别模块2实质上正在监视当前公用服务使用活动，以针对先前在建筑物中识别出的器具或设备7的特定模式来进行分析。

还有历史检查的过程，特别是关于未识别出的模式。这生成关于公用服务使用模式的因果关系的备选假设，并且测试使用与公用服务使用重复模式有关的信息来匹配参考器具/设备的概率，直到测试的组合提供了统计学上显著的歧义消除为止。还可以使用诸如地理信息的其他信息或者来自建筑物内所采用的其他传感器的其他信息来帮助识别器具7。因此，与从工作流程、工作过程、器具和/或器具的组件假设地引起的器具使用情况模式相关联的“先验概率”(例如，先验贝叶斯概率)可以通过参考这些项目的中央历史数据库而被修改，该中央历史数据库来自与正被监视的具体建筑物在相同地理区域中的其他建筑物。可以通过研究保持在远程存储设备8′中的中央数据库内的空间关系来确定先验概率，假设更接近正在考虑的建筑物的建筑物比离的较远的建筑物更有可能对其进行表示。选择足够的数据以基于与距离的相关性来提供强有力的假设(例如假定伪二维平面中的不均匀性)。在实施例中，例如由系统的安装工程师或系统的用户进行的用户输入可以在确定先验概率时与中央数据组合。在另一实施例中，通过hems4的安装、设置和操作所采集的其他信息有助于先验概率输入。

此外，通过器具监视而创建的信息可以被用作hems4的其他模块/单元6的输入，包括但不限于：二次加热和冷却器具及其用于环境控制的目的识别；对建筑物内的公用服务使用情况及其向器具7的分配的计算；出于预算和资源优化目的的工作过程和工作流程；出于控制优化目的对占用模式的识别；出于识别出居民的状态和健康的隐马尔可夫变化的目的对行为模式的识别等。采集关于建筑物中器具7的使用情况和性能的数据还可以向器具制造商、标准制定者以及其可靠性、使用模式、实现效率等的监管者提供有价值的通用信息。

因此，本发明的方面和实施例依赖于表示典型设备模式的预先(存储的)输入数据、个体建筑内的对抗工作流程的歧义消除、以及跨工作过程的许多建筑物的歧义消除的组合。由于拥有所安装hems的足够大的群体，中央服务器(或链接到其的监督模块)可以能够识别新设备进入市场的情况，并使得能够对关于附加调查的价值进行中央决策(例如使用从每个hems采集的数据，系统可能会寻找新设备的外部证据，例如使用互联网)。使用公用服务的大型设备/器具的识别标志很有可能是独特的。例如，燃气取暖器和风扇加热器发射出不明原因的热量，烘干机和淋浴器使用大量的电力，但只有一个使用水等。除了能够认识到在建筑物中新的设备、工作过程和工作流程处于使用中之外，模式识别具有识别出发展中的故障和性能退化的潜力。因此，中央服务器可以与制造商共享此信息。

通过图5中作为示例的层次结构描述器具使用。建筑物中的每个器具7由与本发明相关的多个组件组成。例如，冰箱除了别的之外还具有对内部灯进行操作的门开关和对压缩机进行操作的恒温器。hems4配备有器具的数据库，器具还由可以经历一系列“工作过程”的一系列组件组成。在示例冰箱的情况下，有两个工作过程：打开门和冷却物质。因此，本实施例中的“组件操作”是门开关、内部灯、恒温器或压缩机的操作。由人发起的整个过程(例如打开冰箱门)被指示为“工作流程”。因此，本发明的方面和实施例就器具使用和人类活动两者而言都利用了检测和识别“隐藏状态”。

由hems服务提供商(经由中央服务器)操作的许多hems集合的每个个体hems利用特定建筑物中的器具的数据而进行工作，如上面关于图5所述。这些器具可以如下被识别并被分组：

1)通过其网络连接来宣称自己的智能器具，或从由oem供应给hems供应商的器具描述识别出的并且由个体hems使用的器具。

2)作为来自个体hems的确认数据的结果由中央服务器识别出的器具。

3)不能被确认为中央服务器数据库中的器具但适合于器具类(例如洗衣机)的未知器具。

4)不能被明确指派给器具类的未知器具。此类别还包括(器具的)不能被指派给器具类的未知组件。

不能由个体hems或中央服务器指派给器具的已知组件可能会被记录在中央数据库中，但这样做的附加价值和其风险尚不清楚，并且主要焦点是在hems已经识别出的器具上。针对其而言这可能是重要的唯一组件类是灯具的个体元件-“灯泡”。

每个hems还会具有无法明确指派给器具或组件类的公用服务使用情况-例如主电源烟雾检测器和无线路由器将很难从系统可以收集的非常有限的数据中检测到。考虑到hems的主要目的(捕获人类占用模式并分析和控制公用服务使用情况)，消除背景电力使用情况的歧义不是那么重要。如果有人真的感兴趣，他们可以依次断开每个公用服务以看见其功率消耗。然而，预计不到5％的用户会想要这样做，而且易于创建实现其的方案。

个体hems和中央服务器一起工作以识别和收集器具的数据。中央数据库记录并跟踪上述组(3)的所有实例，并尝试将其转换为组(2)：

·通过将多维相位空间中已知类的所有未知器具(跨所有hems)的特性进行聚类(选择维度以通过最简约和最稳健的方式来表示实例之间的差异，使用本领域技术人员将会熟悉的数学技术)。使用相同类中已知器具的特性，该类器具的实例关于该特性参数的典型分散可以被用于对个体实例聚类表示唯一器具的假设进行测试。

·在实例在地理位置中被聚类并全部被新安装的情况下，则器具被标记为可能新出现市场上并被报告给(人)系统主管。

·在大多数情况下发现实例已经被安装的情况下，器具被注册为相关类的已知但不明的器具，并被标记给系统主管。

当然某些会留在组(3)中。

本文详细描述了个体hems使用中央数据库来识别组(1)和(2)中的器具的过程。基本上，以与上述聚类类似的方式将器具的特性与已知的器具进行比较以获得良好的适合性。其他提示，诸如在设置时收集的数据和来自hems用户的响应也可被用于改进概率。为了做到这一点，中央数据库将在设置过程中和从用户输入收集与器具错误识别的错误率有关的频率数据(例如由错误键入产品代码中的字符而引起的)。

对于组(1)和组(2)中的器具，中央服务器会收集关于被分组在器具类下的每个器具的数据。该数据会包括关于故障率和退化率的数据。这种状态监视数据可以支持：

·向器具制造商提供服务。

·向hems用户提供维护服务，包括处理终身更换的服务。

·在器具运行不正常的新的hems中识别已安装的器具。

聚类的级别会取决于相位空间的差异程度。在器具具有相同型号但不同组件(例如不同的电动机)的情况下，则实例仅会被显示为单独的，其中差异在器具级别处产生两个聚类。类似地，在器具具有多于一个型号但只有一个聚类的情况下，则不同的型号或版本号会被显示为相同的器具。就人类行为、公用服务使用情况和工作过程而言，具有不同插头或不同颜色面板不改变器具的本质特性。

在hems首次被安装时或在检测到新的器具时，个体hems可以使用中央服务器数据来识别器具。每个器具类的参数都围绕着该类器具已知的组件和工作流程而被结构化，其中通过类继承推导出每个器具的具体细节，并向其填充有关于参数值分布的实际数据。

在先前识别出的器具进行漂移或跳到统计学异常参数值的情况下，则潜在的故障状况被标记。随着时间的推移，来自维修技术人员的反馈可被用于识别常见的故障状况，使得可以根据参数值识别它们。这对于初始故障会特别有价值，其中在故障之前的模式是可识别的。

在新的器具没被识别出但有证据表明应该已经存在的情况下，则系统也可以能够进行故障诊断。例如用户购买新的洗衣机。hems识别新的洗衣机，而不是型号。特定用户与hems保持高级别的对话，并提供型号。此后的概率现在可以肯定的是其是具有已知故障状况的型号。用户可以被告知它是错误的。在没有型号的情况下，这是不可能进行的，因为较小的型号升级具有表现为较旧型号的超规格示例的明显潜力。器具制造商可能需要在分配版本号或型号或在提供器具数据时被规范，以避免来自用户的故障报告。

除了允许识别出器具的特性参数之外，hems和中央服务器还收集器具使用情况数据。原则上，hems还了解了关于居民的情况，并且可以将使用模式与居民特性关联。这可以添加到消除歧义的先验概率，但明显地对于使用位置数据具有一些消费者保护的风险。器具使用情况数据可被用于：

·向消费者提供关于其使用情况的基准数据，与像该消费者的其他消费者相比。

·向制造商提供关于其器具使用情况的数据，例如洗衣机清洁周期使用频率的分布以及其与其他使用参数的关系。

·向政策制定者提供不同器具类的总体使用情况的数据，例如在洗涤和干燥时使用多少能量以及其与器具设计的关系。这样的示例是，相对于固有的效率，冰柜的位置在多大程度上确定了其能量使用情况。

hems还使得能够将器具使用情况数据集成到服务产品的设计和递送中。我们早些时候给出了在服务期间发现的故障被反馈到中央数据库的示例，并且初始故障使得能够安排预防性维护访问。与现代汽车中的设施类似的设施也会是可能的，其中维护可以基于使用情况而不只是基于时间流逝来安排，并且所有这些数据都可以馈送到器具的设计以及像保险和维护合同之类的服务产品中。

关于创建表示典型设备/器具的存储数据，可以用计算机元语言来描述和写入器具或这些器具的组件。类继承可被用于减少创建表示器具的数据的任务。器具由采用组件操作的工作过程集合组成，这些组件操作按照时间序列模式集合来使用公用服务，该模式的特性可以通过实例化元语言中的类来描述。

对于洗碗机的示例，如图6所示，希望供应其产品描述的制造商会创建元语言的定义，该定义会针对特定的型号和版本来定义其采用了哪些组件50。个体洗涤程序周期将是工作过程52，并且诸如加热器、泵等的元件将是组件50。应当理解，将需要用户动作58来用脏盘子填充器具，打开电源，选择并启动程序(例如工作过程52)，并且随后关闭电源并清空盘子，尽管这些步骤中的许多步骤是在顺序上独立的。当然，实际的电使用情况54和水使用情况56的识别标志将取决于所选择的工作过程52(即程序)。

可以通过下述方式得到特定型号版本：将由hems开发者公布的洗碗机的通用类实例化为具有特定公用服务使用情况特性(例如，电使用情况54和水使用情况56)的一系列洗碗机，然后实例化为具有所定义的程序和组件集合的特定型号，并且最后实例化为具有所使用的组件的确切定义的特定版本；利用特定值来重写组件中的一些默认参数。

在这种方法的优选版本中，使用被制造出的器具的组件的识别标志和工作过程以及随着时间推移的老化功能，制造商将器具与公用服务参数的分布一起供应。制造商还可以通过测量被制造出的每个器具的识别标志并将其与器具一起供应来增加价值。对于一些组件(诸如灯泡)，在故意使用制造工艺来在识别标志中产生已定义的和良好分布的改变时，将增加价值，使得可以通过功率的轻微变化、启动时间等的组合来区分建筑物中的每个灯泡，这是因为两个灯泡具有不可区分特性的概率是先验低到足以忽略的。即使没有这种方法，中央数据库也将包含关于组件分布的信息，该信息可被用于改进器具识别。

就编译和操作两者而言，元语言应该能够使用公式和条件子句来实例化。该语言可以表示参数和算法关系两者。元语言的规则提供了丰富的潜在描述集合(使得可以描述复杂的操作)以及可扩展性(以允许当前不存在的未来组件和过程特征)。类描述的顶层描述了表示器具的工作流程、工作过程、组件以及工作过程和组件的绑定的超级类。存在可被用于实现这样的描述集合的许多现有的计算机语言。

工作流程表示工作过程的时间序列，其具有确定其以下特性的个体居民输入：自然语言描述(在相关的情况下)、每个工作过程的参数以及工作流程中的每个步骤之间的时间分布。器具识别模块2不向个体居民分配工作流程，但是hems4的其他模块6可以将工作流程的实例标记为个体居民的特性或未指派池的一部分。

除了居民引导工作流程外，还有自主工作流程，诸如冰箱压缩机接通、喷水灭火系统操作或夜间安全照明操作。这些工作流程可以被附接到作为用于隐藏状态变量(例如冰箱内部温度)的传感器的组件或可由hems4潜在地估计的(例如，外部光线级别或一天中的时间)组件。

以适当的细节级别来描述器具7将需要值得考虑的技巧和经验。例如，示例洗碗机可能具有开关，如果门被打开，则该开关中断程序。在实施例中，hems4可以检测这个事件并将这个事件与正常操作区分开来。如果在门被关闭时洗碗机重新启动，则对应的识别标志将以元语言来描述。使用传感器来监视其负载的洗衣机或微波炉的工作过程参数将比遵循组件动作和参数值的定义时间顺序的工作过程参数具有更广泛的变化。

可由hems4操作的器具7(诸如锅炉及其相关联的组件)可在安装时进行配置，并且hems4将通知器具识别模块2其控制输入的当前状态。此外，hems4可以被连接到可以向hems4识别自身及其状态的智能器具(未示出)。除了检测用户输入的可能性之外，可以以与hems4受控器具7相同的方式来对待这些设备7。

图12a示出了根据本发明的实施例的hems4的物理层系统图。因此，设想hems4将具有多个本地通信接口60(例如，蓝牙、z、insteon、rs485、zigbee、canbus、opentherm等)并且将在家域网(han)62上被操作，家域网还具有多个han网关64(例如，无线、智能电表、rs485、sms、3g/4g毫微微小区等)。调制解调器/路由器66然后将han62连接到广域网(wan)68。

图12b示出了根据本发明的实施例的hems4的功能层系统图。如上所述，hems4被连接到wan68，通过wan68其可以与中央数据库服务器(即存储设备)8′和其他第三方服务70进行通信。在本地级别上，hems4被连接到公用服务测量设备72并且还可以被连接到智能器具74、外部传感器76(例如针对温度、风、辐射等)、效应器78(例如以散热器阀、泵、风扇、锅炉控制、热泵控制、热量存储等的形式)和内部传感器80(例如，针对室温、湿度、光、加热系统监视等)。

对公用服务输入数据进行处理具有前台和后台要素。因此，器具识别模块2可以被认为包括前台处理模块和后台处理模块。在实施例中，在前台处理中，hems4基于在当前步骤处被假设活跃的工作过程来构建关于每个测量通道的短期(通常例如60至120s，通常为100s)预期前向马尔可夫链的假设。在最慢的测量通道更新时，将关于假设的预测来检查系统状态。如果匹配，则器具识别模块2捕获并跨工作流程、器具和工作流程层级分配公用服务使用情况数据(图5)。前向链被重新预报，并且器具识别模块2继续如上所述的数据管理。

如果系统状态偏离预测(即超出容限)，则hems4首先测试对工作过程已经完成的假设。在这种情况下，系统如上所述更新，但其也将该工作流程的使用情况数据发送给(分配给特定器具的)hems4以供将来使用。由hems4控制的器具和任何智能器具的变化将自动并入到前向链预测中，以避免不必要的计算，但使用情况数据被捕获到。

在工作过程的预期/假设的正常完成不能解决公用服务或公用服务通道的实际当前状态的情况下，系统进入尝试识别偏差原因的不同循环。系统开始缓冲关于信号34、36、38、40的进入的测量信道数据以进行分析。第一步是在所有器具7上搜索潜在的用户输入，这些用户输入可以解释在缓冲器(即在本地存储单元8中)中积累的马尔可夫链。第二步是搜索可以解释马尔可夫链的自主变化。根据该工作过程精简集合，将对包括这些工作过程的工作流程执行搜索以指派最可能的原因。

所测试的潜在原因假设是：

1)从最近的工作过程开始，新的工作过程已经被发起为活跃工作流程的一部分，例如进行淋浴并且现在吹风机正在使用中，或洗衣机循环被完成并且滚筒烘干机正在使用；或者

2)新的工作流程已经被发起为一个或多个已知工作流程(包括单个处理流程，例如正在开灯)中的第一个工作流程。

根据定义，所有以前已知的工作过程是至少包括该工作过程的工作流程的一部分。

器具识别模块2维护关于每个已知组件、工作过程、器具和工作流程的先前使用情况的统计数据。这些统计数据除其他外可以包括以下任何一项或多项：

1)按一天的绝对时间的频率分布；

2)季节频率分布；

3)相对于估计的外部光线级别的频率分布；

4)相对于由至少一位居民假定的占用的频率分布；

5)加权老化统计数据：上次已知使用的时间、历史使用情况中的中位时间和按上个月的一天中的时间的频率分布；以及

6)工作流程中的工作过程之间的时间间隙的分布。

因此，先验概率包括诸如一天中的时间、一年中的时间、白天时间、外部温度和基于其他输入的关于建筑物中的占用状态的假设的外部因素以及其他因素，针对该其他因素可能进行状态估计，并且该其他因素显然可能通过自主手段(诸如日光开关)或人为因素(诸如睡眠或热舒适度)而与器具使用情况模式相关。

可能存在可以符合观测数据的多于一个的器具使用情况的假设。通过检查器具组件的公用服务使用情况模式，可以对这种备选解释进行主要歧义消除。值得注意的是，在消除歧义过程中，水是重要且有用的，这是因为它仅被用于一些工作流程和工作过程中，然后以特定和经常可预测的方式被使用。如果这个“过滤器”有不只一个解释存在，则上面提到的统计数据被用于将可能性指派给备选解释。

图13示出了主要歧义消除示例，其包括以下步骤：

100.初始化新工作过程检查

102.是否涉及用水？如果是，则进行到步骤104，如果否，则进行到步骤106。

104.是否涉及电力？如果是，则进行到步骤108，如果否，则进行到步骤110。

106.hems是否操作燃具？如果是，则进行到步骤112，如果否，则进行到步骤114。

108.在此类别中搜索与已知/通用器具(例如淋浴器、洗衣机、洗碗机等)的匹配

110.在此类别中搜索与已知/通用器具(如水龙头、卫生间、浴缸、其他)的匹配

112.搜索与已知hems器具(例如燃气锅炉)的匹配

114.是否涉及燃气使用？如果是，则进行到步骤116，如果否，则进行到步骤118。

116.在类别中搜索与已知/通用器具(例如炊具、燃气取暖器、其他)的匹配

118.在此类别中搜索与已知/通用器具/组件(例如电气组件)的匹配。

“其他”器具的引用意味着搜索完整列表，例如包括对加热系统重新加压或使散热器放水。如图7a、7b和8a所示，频率分布根据它们的加权解释力而被用在该分析中。

例如，图7a示出了卧室灯的频率分布示例，以及图7b示出了安全灯的频率分布示例。根据季节，可以在一天的不同时间中区分不同照明的切换开/关。即使在黄昏地带，切换的概率在不同月份期间也是不同的。然而，这些概率可以通过日光传感器而被加强。由于安全灯是自主的，所以在一年中的所有时间，一夜之间其接通的概率是1(即100％)，但是其操作的持续时间取决于一年的时间而是不同的。相比之下，在冬季月份的早晨，卧室灯接通的概率只有约50％，并且在晚上卧室灯进行操作的概率明显更低(0-15％)。

图8a示出了冰柜压缩机的频率分布示例，其示出了操作不是时间依赖性的而是室温依赖性的，其中操作的最大可能性(25％)是在室温最高时。因此，可以通过估计它们所在的房间(例如车库相比于杂物间)的温度来消除两个类似的冰箱/冷柜系统的歧义。此外，任何不同的开门模式将有助于适度但可见的提示，像晚上碰撞，其中门在准备晚餐期间被打开。图8b示出了冰柜的三种不同的操作模式。对于恒定室温下的个体设备，您将看到像seqa一样的操作模式，其中单元加热直到压缩机以定期间隔接通、冷却以及切断。seqa*示出了点o，其中门被打开并且食物被添加，这导致了压缩机比预期更早接通并且更长时间的接通。在这种情况下，正常操作的中断可能会影响一个以上的周期。seqb*示出了类似于seqa*的场景，其中门在o′处被打开，但是针对于较低的室温(即，较不频繁的操作)。

概率加权的确切细节是经验性微调问题，但一般原则是：基于较大数量的样本的统计数据具有更大的权重，具有较少分散(多模式方差)的分布具有更大的权重，以及老化统计数据被用于根据以下所示的真值表来检查歧义消除以作为备选假设：

在该示例中，组件a、b或c中的任何一个可以匹配公用服务信号的模式，即组件a、b和c中的任一个可以被匹配到已经获得的最近数据。查看使用情况的上下文统计数据(“所有数据”)，组件a似乎是最可能的负责组件，然而最近使用情况的模式与此不一致，并且因此该使用情况被标记为引起歧义的。

在将组件被识别为已知组件的情况下，存在对被附接到器具的未知工作过程的假设。前台处理可以针对器具收集数据，但是其使数据序列位置的记录及时地作为未知工作过程的实例。它还针对包含新器具使用情况模式的器具定义来创建新的工作过程。假定在例如最多该器具的已知工作过程的持续时间的二或三倍的时间段内激活与该器具相关联的任何组件是此新工作流程的一部分，则工作过程数据捕获继续。

在正常操作中，当出现以下任何情况时，发动后台处理：

1)在组件识别中存在歧义；

2)识别新的工作过程；

3)达到当后台处理的先前操作请求其重新启动的时间(通常，后台处理在没有其他驱动器的情况下将请求例如每月运行)；或者

4)由hems4的另一个模块6请求进行检查。

后台处理可以在其被发动的点处访问hems4的整个历史数据集和当前状态。这个数据是被冻结的，就它在后台处理正在运行时没有被更新而言。这是通过获取当前数据的完整副本，并将该副本的最后一个时间步长作为任何历史数据检查的即将开始点(horizon)来实现的。

而前台处理将其搜索限制在已经被假定存在于建筑物中的组件、工作过程、器具和工作流程，后台处理具有以下任务：处理歧义，更新且检查组件、工作过程、器具和工作流程数据，并且管理器具识别模块2和其他hems模块6之间的正在进行的校准。

后台模块首先作为hems4的工程师设置和安装的一部分而运行。在此“设置模式”中，hems4：

1)接收识别建筑物中器具7的存在的输入。这可以包括：

a.智能设备通过家域网(han)声明其存在；

b.通过工程师或引导用户扫描与器具7有关的或在器具7上提供的qcode、条形码或其他电子签名来识别器具7；

c.根据器具7上或其文档上的其他信息(即，型号)来识别器具7；

d.建筑物中观察到的器具7的列表，诸如两个冰箱、四个电视机、热泵、pv板等；

2)在器具7声明其存在的情况下，hems4将使用其内置的数据表(不一定位于家中单元4中)来发现如何访问特定的器具描述(根据图4)。该描述可以是在中央数据库8′中，中央数据库8′在hems用户之间共享，可从器具7本身获得，或可从由器具原始设备制造商(oem)或代表其的另一方操作的服务器获得。后台处理将尝试安装所有可访问的器具描述并分析它们之间的任何差异，以便为工程师提供选择一个来作为建议的已知器具的选项。任何实质上不同的描述将被保留为备份假设，其中概率权重取决于差异的具体特性，通常没有比领先候选低很多的权重；

3)在使用qcode的情况下，应用类似的进程，而不是器具7不作为其描述的潜在来源；

4)当从其他信息识别出器具7时，hems4尝试在其中央数据库8′搜索与产品代码匹配或接近匹配的其他器具。这些都被视为器具7的候选。工程师被邀请根据合理性来对选择加权；

5)在仅提供通用器具类型的情况下，hems4从符合描述的所有器具的长列表开始，以其在新hems安装的地理区域内的已知流行度来加权。在器具7被描述为新的或近期购买的情况下，hems基于其在该地理区域中检测到的新器具7实例来使用数据；

6)hems还采用空假设，即这是一种适合在通用父器具类之一中的新的和以前未知的器具。例如，灯具(lumiere)可以具有范围广泛的灯泡类型、额定值和数量。只要知道每个房间中有多少个灯具，以及它们是固定的还是即插即用的，都会留下大量可能的会落在每个灯泡下面的组件描述；

7)设置过程还会对初始器具假设的收集添加错误率和类型分析。这是基于来自以前安装的统计数据。这可以考虑哪些电器可能存在，但是经常没有被报告，或者哪些电器通常在其特性方面被错误地识别等。例如，发生率大于20分之一的事件将被包括作为足够可能的值得考虑的事件；

8)从过程的组合来看，hems4从具有其呈现在建筑物中的先验概率的潜在的器具集合开始。除了器具的特定实例之外，hems4对于每个器具类都有空假设，每个器具类基本上表示数据库中已知被包括在该器具类的所有实例中的所有组件，以及已知被用于该器具类中的父组件类中的所有组件类。先验概率反映了安装hems4的区域中的器具实例的地理体验以及安装hems的地区中的组件实例的地理体验。区域或地区的规模将由通过对本领域技术人员显而易见的方式保存在中央数据库内的地理概率分布来确定。在英国的先例中，“区域”可能类似于tv广播覆盖，以及“地区”可能是uk。随着数据规模的增加，然后两者都有可能缩减，这取决于销售和广告以及行为分布因素；

9)在实施例中，用于对特定器具实例的包括的概率截止可以是百分之一，基于任何一类器具的如此许多型号，任何更高的栏(bar)通常会排除许多类器具的所有特定的实例。可以使用其他值。在任何情况下，很可能对于某些类诸如照明，常常只有父类被包括在初始候选清单中；

10)设置过程还可能涉及工程师输入关于建筑物布局的信息，具体来说主要器具的位置，以及家庭的居民，如果只是几个成年人和孩子的话。用户的输入可以通过提供关于谁使用哪个卧室和谁对哪个房间中的温度设置感受强烈的提示来丰富这一点。在其他hems模块6能够提供关于位置的输入的情况下，器具识别模块2可以在构建工作流程假设时来使用它，例如，淋浴发生在浴室和淋浴间中，头发经常在浴室和卧室中被烘干；

11)hems4还应能够提供与主要加热系统和任何连接的安全设备(诸如移动传感器、烟雾和co报警等)有关的重要器具和组件数据。

在设置之后，器具识别模块2将进入学习或训练的时段。在此时段，它以前台模式收集数据，但不尝试识别设备/器具7。噪声校准例程被执行以清理正在写入历史文件的数据。器具识别模块2仅能够向hems4提供总体公用服务使用情况数据，尽管hems4将能够稍后重新访问器具识别模块2，这是因为所有数据都被存储。该训练时段应持续足够长的时间，以便收集关于用于识别器具使用情况模式的工作流程的充分信息。在某种程度上这是统计学测试，如果器具识别模块2无法得出足够强的结论，则需要更多的时间。例如，连续占用建筑物的一个月将是在尝试执行第一次器具识别之前采集数据的合理时段，因为在该时间段内应该已经发生了各种器具的常规和模式使用。

存在从公用服务数据中识别器具活动的许多已知的算法方法。通过利用有限状态分析以及先验概率分析，并且还通过应用作为工作过程的集合的工作流程并使用共享数据库来设置初始概率估计的概念，本发明的方面和实施例对它们进行区分。此外，本发明的方面和实施例不尝试从纯无知的状态中识别建筑物中存在哪些设备。该方法不仅认识到在大多数住宅中可能会有一个冰箱(除非相距一些距离的所有周边住宅都没有)，还具有来自安装工程师的关于主要可见器具、房间数量和因此很可能的照明数量等的输入。

最佳解决方案将是从先验概率开始的算法的组合。由于在本发明的方面和实施例的任何应用中将会有务实的权衡，因此尤其在保真度和成本之间，对于任何应用的最合适的方法不能被提前精确地确定。

为了进一步帮助理解，hems4可以被认为是一个经验丰富的工程师，其使用计算机和数学算法的选择来辩论地分析数据以使用不同方法的组合来有效地搜索大空间。

第一步是识别hems4已经从被连接到hems4的智能器具和其他器具7中知道的模式。公用服务使用情况模式已经删除了这些器具的估计的识别标志。这不是一个微不足道的过程；在图9a中概括地描述了它，其示出了说明在hems4中减去已知器具使用情况信号的流程图。本质上，总公用服务信号120与已知的智能设备公用服务使用情况124和hems控制的设备公用服务使用情况126一起被输入到减法处理器122中，使得可以提取剩余的(未识别出的)公用服务使用情况128。

图9b示出了从测量出的电力信号中减去已知的器具使用情况信号。在这种情况下，电力测量设备14测量(频率段中的)rms电压、rms电流、相位角和噪声幅度。rms电压、rms电流和相位角被用在总功率计算130中以提取有功功率分量和无功功率分量。如图所示，减去每个频率段中的有功功率分量和无功功率分量和噪声幅度(可以由已知的hems连接设备解释)，以留下要由hems分析解释的分量。(请注意，取决于设备的电容和阻抗，要被减去的值可随电源电压而变化，并且无功功率可以为负值。)

下一个阶段是寻找公用服务使用情况的解释。如上所述，以水使用情况的实例开始是方便的，这是因为这些比电力使用情况更少。其阶段是：

1)从hems4请求水加热工作过程数据。这里最简单的版本是用于加热热水的燃气组合锅炉火。查询hems4以提供关于水加热的数据。数据的形式将取决于加热系统。在燃气组合锅炉的简单情况下，然后数据将与水的使用情况完全相关，这是因为组合锅炉立即直接从市电来加热水。在具有燃气锅炉和浸入式加热器的热水存储箱的情况下，hems4需要提供相关的控制输入数据、关于箱体状态的测量和箱体的器具型号。然后，器具识别模块2可以从水、燃气和电力的数据历史中分离出两个工作过程(一个针对锅炉，一个针对浸入式加热器)的要素；

2)识别来自建筑物的器具7中存在的电动机的组件信号。电动机生成与众不同的电力使用模式，其可以与电力信号通道分离。应该从识别出的电动机事件删除掉与连接到hems4的加热、通风和水子系统相关联的任何泵、风扇等；

3)然后关于包含可能在建筑物中的电动机的器具7的通用类数据来测试这些电动机事件。其应该识别主要负载，诸如洗衣机、滚筒式烘干机、洗碗机等，留下一些较小的不太清楚地识别出的电动机，诸如风扇、冰箱&冷柜、吹风机等。

4)然后在这些剩余的电动机事件中搜索冰箱和冰柜模式。假定的型号是以定期间隔接通的那些型号，这取决于由hems提供的其位置的温度。在其位置不清楚的情况下，该搜索对其在厨房区域或车库中的假设进行测试。除了这些例行后台事件之外，序列也被冰箱和冰柜门打开所中断，这些门打开涉及低功率灯，且因而涉及增加的冷却负载的时间段，这取决于非线性方式的打开时间段但是是正相关的。这也应该识别冰箱/冰柜中任何灯的识别标志；

5)然后从公用服务数据记录清除与这些较大电动机有关的器具7的电力和水工作过程数据；

6)剩余器具7然后应包括(a)二次燃气和电加热器，(b)照明设备，(c)小型电动机设备，(d)it和娱乐设备，(e)水龙头和浇水系统；以及(f)后台负载诸如未连接到hems4的安全系统、应急手电筒等；

7)器具识别模块2然后将扫描水和电力参考记录，寻找在通过一天中的时间、一周中的时间、白天时间、外部温度等来驱动的模式中操作的自主设备；

8)器具识别模块2将向hems4而不是来自hems4链接的器具7请求关于二次加热输入的数据，即与燃气或电力使用情况相关的检测到的房间的热输入。这些还可以包括小型电动机(风扇)，或可不包括。应在燃气和电力数据中明确地识别这些器具的识别标志。器具识别模块2需要消除厨房中的烹饪活动与空间加热之间的歧义；

9)现在应该通过寻找包括照明设备、抽风扇、水壶、烤面包机、微波炉、烤箱和烤架、水槽使用情况等的工作流程模式来区分其他厨房活动；

10)使用通过变化的电源电压提供的自然实验来扫描测量出的电力数据，以寻找伪恒定功率的器具以及伪固定电阻的器具；

11)使用似乎被居民激活的公用服务使用模式的数据，时间线被分为以下时间段：当建筑物被积极占用时、居民都睡着了以及建筑物似乎没有居民。虽然这些从未能够被明确地被确定，但目的是开发出强有力的假设。例如，在窃贼报警器被附接到hems4的情况下，则设置和取消设置报警提供了与建筑物内的特定缺失或存在有关的强有力假设。然而不设置报警并不是决定性的；

12)然后关于“泄漏”假设来检查测量数据，以寻找看起来没有居民或每个人都睡着了的时间段，来确定对燃气、电力和水的明显恒定的较小后台使用长时间超过哪个值，如果它在测量设备10、12、14、16的信噪能力内是可被解析的；

13)然后从测量数据清除该后台消耗，留下未识别出的工作过程；

14)器具识别模块2然后尝试通过考虑在设置阶段期间在建筑物中被构造为合理的器具集合7来将电力模式数据解析为照明和其他事件。这是组合数学搜索相对较小的负载器具中的练习；

15)器具识别模块2构建已识别出的和未识别出的工作过程的记录或文件，然后基于先验贝叶斯概率来搜索工作流程。这应该识别房间有关的活动，诸如在浴室或wc中使用厕所和洗手，在厨房中烹饪和使用器具等。该分析将在使用照明时黑暗中的工作流程与相似的白天工作流程区分开。这两个工作流程是有联系的但被区别开，以使得能够分别收集统计数据，并避免由于一天中的时间的影响而产生的微妙差异；

16)夜间工作流程的模式被检查以尝试将具体灯具定位到房间。使用诸如烹饪、洗澡、接通器具7(诸如洗衣机)、打开冰箱门等的提示来开发假设。例如，工作流程的一部分中的被怀疑是在车库里的冰柜似乎没有使用厨房照明而是使用只是很少使用的灯，这是一个非常具有建议性的模式。还请求hems4定位其他交互，诸如运动传感器、湿度测量、固定控制面板和恒温散热器阀(trv)上的“接触”等；

17)器具识别模块2现在具有关于工作流程和工作过程的后验概率数据集合，包括自主工作过程和工作流程，其可能由在单个工作过程中操作的单个器具组成。根据位置提示和来自与hems4的交互的其他居民的提示，还将有以下后验假设：一些工作流程表示特定居民的活动以及其他工作流程是几个居民或团队活动的典型。例如，淋浴和烘干头发趋向于是比烹饪和吃饭更单独的活动。识别居民行为模式的变化对于hems4的其他方面将是重要的。例如，在一天的不寻常的时间进入家庭并且遵循先前未知的工作流程的居民可能预示着闯入者，并且可以由hems4触发消息给业主。异常活动模式与对hems4的非典型请求的混合可以生成关于例如疾病或影响居民的其他因素的假设，这对于hems4如何与他们进行交互将是重要的。图4所示的工作流程识别反馈可以实现这些。

在正常的前台操作期间，器具识别模块2将其来自参考数据的已知组件的库存与可从测量设备10、12、14、16获得的详细信号进行匹配，使用器具工作过程和居民工作流程的层级(图5)来使歧义消除更快且更可靠。换句话说，首先测试最可能的解释/假设(即具有最高概率的解释/假设)，并且如果它们比备选方案更可能(即，高因子20)，则其被接受。如果有备选解释，则可能存在歧义，每个备选解释例如具有大于5％的概率(尽管在其他实施例中阈值可以被设置在另一个级别，例如3％或10％)。在某些实施例中，系统可以寻找至少75％、至少80％或至少90％的概率，并且在这种情况下，可以基本上忽略具有低得多概率的剩余假设。

后台处理在需要时被启动：

1)第一步是使用以前的历史数据(例如，过去六个月的历史数据)来重新运行针对学习时段的结束描述的过程。(尽管这可能有所不同，例如被扩展到允许建筑物未被占用的时段)。后台处理尝试识别其统计数据与历史数据有显著改变的工作流程、工作流程和组件模式的实例。这个假设将会是事情发生了改变，使得历史数据不再是可靠的；

2)如果过程由于组件歧义而被启动，并且如果历史数据(例如最后六个月的数据)无法识别组件，则：在近似歧义的情况下(即两个或更多个组件，每个组件都可以解释数据模式，没有一个组件比其他组件可能性大很多)，那么动作将取决于器具7和所涉及的能量使用情况。在灯光或其他小量使用的情况下，然后暂时将接受歧义，并将创建器具池以保存歧义组件以用于报告和其他目的。在较大的器具或能量用户的情况下，动作将适用于器具类型以及用户与他们的hems4的接合级别二者。例如，如果组件是冰箱上的开关/灯组合，并且两台冰箱可以通过其压缩机的能量识别标志而被区分，则器具和工作过程不是歧义的，但是其由前台处理的歧义消除比识别开关/灯组合更为复杂。如果家庭有两个相同的冰箱，则消除这些冰箱歧义的唯一方法就是通过其他提示，这可能是不值得努力的。在至少有一个用户与hems4高度接合的少数情况下，可以在解决这些问题时寻求用户输入。原则上其是对居民很重要的工作流程；非常具体地识别电器不太可能是重要的；

3)在组件根本不能被识别为器具的一部分的情况下，存在可被其通用类识别的组件(例如，电动机)，但是没有可被识别为工作过程的模式，或者存在显然在类中不合适的组件。hems4将针对组件收集数据，并会标记该事件发生以使监督跨多个hems4共享的中央数据库的技术人员注意到。后台处理可以被标记为在预定时间段(例如，一个月)之后重新运行；

4)在因为工作过程无法被识别而触发了后台处理的情况下，hems4首先尝试找到包括器具7的其他已知组件的模式，该器具被假定为包含此组件。如果这成功，潜在的新工作过程就被标记。后台处理尝试关于中央数据库来确认这个过程的实例。可以定义描述各种可能性的歧义消除的过程树，例如，如图10所示，器具7被识别，但是工作过程是不合理地相关联的140、142；器具7被识别并且工作过程是有关的，但是在参数容限范围之外144；器具7不被识别，但是该过程可以被确认为对应于该器具所属的器具类的过程146；器具7已经被标记为中央的相对较新的器具148，并且因此可以是罕见过程的实例，例如清洁/除霜循环。一旦树被绘制和描述，本部分以用于后台处理的标志结束，后台处理要在预定时间段(例如，一个月)内运行；

5)在除了例行更新之外的其他原因而启动后台处理的情况下，后台处理运行完整的新鲜培训启动，使用建筑物的先前信息作为基本假设集，但假设在住宅中存在新的居民和/或器具，使用位置相关的居民和器具数据(如前所述)来调节先验概率。在这与以前的数据有显著差异的情况下，所构建的数据被用于新工作流程、工作过程和组件。度过此过程的对象被保留，但其数据将必要最近一段时间所更新；

6)通过查找其中在训练期间其发生的先前数据的概率小于预定级别(例如，95％)的工作过程的示例来完成该数据清理练习，即在最近的时间段内他们根本就没有发生这种不平凡的机会。后台处理检查器具是否还没有被删除(即从前台处理的视图中移除)，其中它们可以在该时间段内根本不操作。后台处理保留这些已删除的项目，以防其重新出现并需要被恢复。后台处理测试对新器具已经替换已删除的器具的假设。如果这看起来是正确的，它会在hems数据日志中标记这种关系，使得稍后可以从历史数据中得出结论。在hems4与用户具有适当关系并且该器具在能量使用方面(即，不照明、手持设备等)是主要器具的情况下，则其可以查询用户以确认替换；

7)如果在检查中改变了器具或工作流程的公用服务使用情况的显著比例，则该过程标记自身以在预定的时间段内(例如，一个月)重新运行。

为了通过与许多不同器具和型号的预期能量识别标志简档进行比较来识别一个或多个器具，上述过程将使得能够检测和分析“关键”能量识别标志。这些“关键”器具将是洗衣机、洗碗机、tv、冰箱、冰柜、灯等。这将留下更难区分的能量识别标志的组合，其可能来源于较小的器具，诸如设备充电器和对后台识别标志不断做出贡献的器具/设备，诸如防盗报警器、hems4本身等。一旦识别出或认识到“关键”器具，就可以分析剩余的数据以根据相同的过程识别剩余的器具。目的是识别建筑物中的所有器具。通过与建筑物/周围地理区域等的参考数据和历史/典型使用情况数据进行比较，某些器具的识别将能够快速发生。其他器具可能需要在较长时间内进行监视，例如如果器具很少被使用。

例如，在家庭里可能有250个器具/组件。器具识别模块2/hems4旨在知道他们在特定时刻处于什么状态。这包括基于贝叶斯概率的假设。首先考虑最可能的解释，这将导致许多器具被识别出。然后分析剩余的能量识别标志并将其与假设进行比较，目的是识别电器和/或那些器具的状态。通过使得最可能的假设能够首先被搜索，这有利地增加了成功消除歧义的机会并减少了计算需求。

本发明的方面和实施例有利地提供将来自关于公用服务流量的传感器的信息更全面地集成到住宅和内部传感器中，以提供比以前可能的更好的基本数据集。这使得能够理解建筑物内的器具和公用服务使用情况的占用模式，这有助于消费者更有效地管理其公用服务。

此外，与已知的系统不同，本发明的方面和实施例在使用个体器具时包含人类行为的模式以及在识别像洗涤、烹饪、洗澡/淋浴等的工作流程时包括器具的组合，这便于器具识别。

根据本发明的实施例的hems4的系统环境的概述在图11中被示出。这概括了hems4的一些输入(及其相互关联的性质)，包括关于建筑物理学150的细节、外部环境152(包括天气预报和能量价目表)、内部环境154(包括电器的位置、微环境)和居民体验156(包括关系、占用/使用情况模式、成本和预算)。

本发明的方面和实施例还通过复杂的算法来构建和测试对在许多住宅内的和跨许多住宅的假设来采用歧义消除。这些过程在现在之前还是不可能的。

本领域技术人员将理解，在不脱离由权利要求限定的本发明的范围的情况下，可以对上述实施例进行各种修改。例如，来自一个实施例的特征可以与来自其他实施例的特征混合并匹配。