CN104995654A - 生活行动估计系统、生活行动估计装置、生活行动估计程序及记录介质 - Google Patents
生活行动估计系统、生活行动估计装置、生活行动估计程序及记录介质 Download PDFInfo
- Publication number
- CN104995654A CN104995654A CN201480008765.8A CN201480008765A CN104995654A CN 104995654 A CN104995654 A CN 104995654A CN 201480008765 A CN201480008765 A CN 201480008765A CN 104995654 A CN104995654 A CN 104995654A
- Authority
- CN
- China
- Prior art keywords
- electronic equipment
- utilization state
- action
- life
- life action
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005585 lifestyle behavior Effects 0.000 title abstract 11
- 230000009471 action Effects 0.000 claims description 458
- 230000007704 transition Effects 0.000 claims description 75
- 238000009826 distribution Methods 0.000 claims description 50
- 238000001514 detection method Methods 0.000 claims description 22
- 230000002688 persistence Effects 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 abstract description 8
- 238000000034 method Methods 0.000 description 86
- 238000010586 diagram Methods 0.000 description 37
- 238000010411 cooking Methods 0.000 description 35
- 230000008569 process Effects 0.000 description 28
- 230000006870 function Effects 0.000 description 25
- 238000005406 washing Methods 0.000 description 22
- 238000005286 illumination Methods 0.000 description 16
- ZKUKMWMSYCIYRD-ZXFNITATSA-N lenampicillin Chemical compound O1C(=O)OC(COC(=O)[C@H]2C(S[C@H]3N2C([C@H]3NC(=O)[C@H](N)C=2C=CC=CC=2)=O)(C)C)=C1C ZKUKMWMSYCIYRD-ZXFNITATSA-N 0.000 description 14
- 238000004088 simulation Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 230000008676 import Effects 0.000 description 7
- 239000000047 product Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000003203 everyday effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 241001262617 Japonica Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 235000021152 breakfast Nutrition 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 108091064702 1 family Proteins 0.000 description 2
- 241000345998 Calamus manan Species 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000013256 coordination polymer Substances 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 235000012950 rattan cane Nutrition 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002516 radical scavenger Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
-
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/10—Office automation; Time management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
能够考虑到个人的生活行动而使能源按需控制系统的导入变得容易。从智能抽头(11)接收当前的功率值,从当前的功率值估计电子设备的利用状态(q)(A),在与前一时刻的利用状态(q’)不同的情况下将利用状态转变作为事件进行检测,并将事件的种类(e{q’→q})和发生时刻(et)存储于存储器(10)中。接下来,基于电子设备功能模型表(1)(12b)和从事件发生时刻(et)开始的经过时间计算出基于事件的种类(e)的生活行动的第1权重(P(q’→q|t,l)),并从电子设备功能模型表(2)(12c)取得针对与电子设备的当前的利用状态(q)相对应的各生活行动的第2权重(P(q|l)),然后,基于将第1权重乘以第2权重得到的积,按每个电子设备计算出该积的和(Wl),并将每个电子设备的积值的和(Wl)为最大值的生活行动标签估计为时刻(t)的生活行动标签(lt)。
Description
技术领域
本发明涉及不损害用户通过每天的生活所需要的生活的质量(Quality of Life:以下,称作“QoL”。),考虑到用户的生活行动而使能源按需控制系统的导入变得容易的最优的生活行动估计系统、生活行动估计装置、生活行动估计程序及记录介质。
背景技术
以往,已知用于实现家庭、办公室的能量消耗监控(Energy Management)的个性化按需型(on Demand型)功率控制系统。该系统是这样的系统:欲将供给者主体的“推型”的电力网络180度切换成用户、消费者主导型的“拉型”。
该系统是以下述方式进行控制即进行能源按需控制(以下,称作“EoD控制(Energy on Demand控制)”。)的系统:对于从家庭中接到的各种作为家庭用电子设备产品的电子设备的功率要求,例如对空调、照明等的要求,主服务器根据用户的利用形态来类推“设备的哪个要求最重要”,并从优先度高且重要的电子设备开始供给电力。以下,将该系统称作“EoD控制系统”。该EoD控制系统由京都大学的松山隆司教授所提倡。
通过采用上述系统实现的最大的优点是能够从需要侧面实现节能、减少Co2的排出。例如,当使用者预先在主服务器中设置好将电子设备使用费削减20%这样的指示时,利用EoD控制能够进行仅使削减20%后的电力流动这样的使用者主体的配合,由此能够实现节能和减少Co2的排出。
另一方面,已知作为电子设备的管理手法的主能量管理系统(HEMS)。该主能量管理系统是这样的系统:例如如果是冷气设备,则设定了在外部气温较低的情况下自动停止运转等的电子设备的控制规则而进行自动控制。这是通过使电子设备的利用方法最优化来达到节能的系统,是根据电子设备的使用方法。
由于这样的以往的主能量管理系统中的关注于电子设备的使用方法,因此,没有考虑到通过变更各电子设备的使用法,能够减少多少功率,另外,也无法保证能够满足省电要求的功率削减率。
作为涉及上述能源按需控制的专利文献,已知以下所示的“个性化按需型(Demand型)功率控制系统”(参照专利文献1)。
该个性化按需型功率控制系统具备:商用电源;多个电子设备;智能抽头(ST:smart tap),其与该电子设备连接;动态优先度控制装置,其进行具备存储器的电子设备的电力供给控制;以及网络,其由该活动优先度控制装置经由上述智能抽头连接而成,其中,动态优先度控制装置将初始目标值的瞬时功率与实际的瞬时功率的差分分配至之后的初始目标值的瞬时功率,由此来计算更新初始目标值,并将该更新初始目标值与最大瞬时功率相比较,如果该更新初始目标值为小,则将之后的初始目标值的瞬时功率,作为更新初始目标值进行更新,如果为大,则将上述初始目标值的瞬时功率更新为最大瞬时功率作为更新初始目标值。接下来,在从智能抽头接收到功率要求消息的时刻,计算发送了该功率要求消息的电子设备和工作中的电子设备的消耗功率的合计值,并基于以针对电子设备的电力供给方法的特性进行了分级的电子设备特性的级别数据来计算两者的电子设备的优先度,将上述消耗功率合计值与上述更新初始目标值相比较,如果该消耗功率合计值为小,则对上述进行了发送的电子设备供给电力,如果为大,则从所述存储器调出上述优先度,选择其值为最小的电子设备,并且,参照上述电子设备特性的等级数据,判断该电子设备属于上述特性的哪一个,然后根据该电子设备所属的特性,基于电子设备之间的优先度进行协调。
由此,能够根据用户通过每天的生活所需要的电子设备以及该电子设备的使用状态来变更电子设备之间的优先度,因此,具有能够在需要的时刻使用所需要的电子设备这样的优点。
另外,在作为功率的管理手法这一点上具有特征,因此,对于电子设备的分类方法,也进行基于功率调整方法的分类,或者,导入保证使用功率的上限这样的功率协调装置,由此,能够保证省电率和峰值削减率。因此,如果利用个性化按需型功率控制系统代替以往的主能量管理系统,则具有能够应对当前的电力供求的窘迫这一问题这样的优点。
在先技术文献
专利文献
专利文献1:国际公开第2013/008934号
发明内容
发明要解决的课题
如上述那样,在专利文献1所公开的“个性化按需型功率控制系统”中,由于能够根据电子设备的使用状态来变更电子设备之间的优先度,因此,能够在需要的时刻使用所需要的电子设备。另外,通过导入保证使用功率的上限这样的功率协调装置,能够保证省电率和峰值削减率,还能够应对当前的电力供求的窘迫这一问题。
可是,在专利文献1所公开的“个性化按需型功率控制系统”中,仅在用户导入系统使用之后才知道省电效果,因此,存在导入系统之前不知道省电效果这样的问题。
另外,存在难以考虑到用户的生活行动来导入系统这样的问题。
因此,殷切期望从电子设备的消耗功率能够估计生活行动,另外,通过模拟电子设备的消耗功率能够事前验证效果,进而,能够考虑到个人的生活行动,使导入EoD系统变得容易。
本发明是鉴于上述课题而完成的,其目的在于提供一种能够考虑到个人的生活行动,使导入EoD系统变得容易的生活行动估计系统、生活行动估计装置、生活行动估计程序及记录介质。
用于解决课题的手段
用于解决上述课题的技术方案1所述的发明为一种生活行动估计系统,其具备:至少1个电子设备,其设置于规定的空间内;智能抽头,其对所述电子设备供给电力;生活行动估计装置,其估计所述空间内的生活者的生活行动中的涉及电子设备的事件;以及网络,其经由所述智能抽头将所述电子设备与所述生活行动估计装置连接起来,所述生活行动估计系统的特征在于,所述生活行动估计装置具备:电子设备利用状态估计单元,其基于从所述电子设备接收的功率值,估计电子设备的利用状态;事件信息检测单元,其基于某个时刻的电子设备的利用状态及其之前的时刻的电子设备的利用状态来检测所述空间内的事件信息;第1权重取得单元,其基于从事件发生时刻开始的经过时间,从保持第1权重的第1电子设备功能模型表取得基于所述事件信息的每个生活行动的第1权重,该第1权重示出电子设备的利用状态的转变与生活行动之间的关系;第2权重取得单元,其基于所述电子设备的利用状态,从保持第2权重的第2电子设备功能模型表取得每个生活行动的第2权重,该第2权重示出电子设备的利用状态与生活行动之间的关系;电子设备权重乘法运算单元,其基于将所述第1权重乘以所述第2权重得到的积,按每个所述电子设备计算出该积的和;以及生活行动估计单元,其将每个所述电子设备的积的和为最大值的生活行动估计为所述生活者的实际的生活行动。
发明效果
根据本发明,生活行动估计装置基于从电子设备接收的功率值来估计电子设备的利用状态,并且,基于某个时刻的电子设备的利用状态及其之前的时刻的电子设备的利用状态来检测空间内的事件信息,并且,基于从事件发生时刻开始的经过时间,从用于保持示出电子设备的利用状态的转变与生活行动的关系的第1权重的第1电子设备功能模型表,取得基于所述事件信息的每个生活行动的第1权重,并且,基于电子设备的利用状态,从用于保持示出电子设备的利用状态与生活行动的关系的第2权重的第2电子设备功能模型表,取得每个生活行动的第2权重,并且,基于将第1权重乘以第2权重得到的积,按每个电子设备计算出该积的和,并且,将每个电子设备的积的和为最大值的生活行动估计为生活者的实际的生活行动,因此,能够根据电子设备的消耗功率来估计生活行动,并能够考虑到个人的生活行动,使EoD系统的导入变得容易。
附图说明
图1是示出能够应用本发明的第1实施方式的生活行动估计装置的EoD控制系统的通信网络的结构的概要图。
图2是示出图1所示的EoD控制系统50的电力系统网络的结构的概要图。
图3是根据与家庭内的插座连接的智能抽头,对设备的配置位置进行说明的说明图。
图4是对与商用电源连接并配置在墙壁上的插座、智能抽头11以及设备的连接关系进行说明的说明图。
图5是示出后述的EoD控制系统的信息处理的实施例以及在实证实验中使用的样品住宅的平面布置的平面布置图。
图6是示出某个房屋中的设备所使用的消耗功率的曲线图。
图7是示出累计了电子设备所使用的消耗功率后的消耗功率量的曲线图。
图8是示出用于对本发明的原理进行说明的生活模型的概要的图。
图9是示出本发明的原理中的处理概要的图。
图10是用于对本发明的原理中的生活行动模型进行说明的图。
图11的(a)是以往的问卷调查内容,(b)是示出本实施方式中采用的问卷的项目的图。
图12是用于对电子设备的功率模式进行说明的图。
图13是用于对个人模型的取得方法进行说明的图。
图14是用于对电子设备功能模型进行说明的图。
图15是用于对本发明的第1实施方式的生活行动估计装置1的结构进行说明的框图。
图16是用于对本发明的第1实施方式的生活行动估计装置1的动作进行说明的流程图(其1)。
图17是用于对电子设备功能模型表(1)的结构进行说明的图。
图18是用于对电子设备功能模型表(2)的结构进行说明的图。
图19是示出基于电子设备功能模型表的生活行动估计处理的概要的图。
图20是用于对本发明的第1实施方式的生活行动估计装置1的结构进行说明的框图。
图21是用于对本发明的第1实施方式的生活行动估计装置1的动作进行说明的流程图(其2)。
图22是示出电子设备的状态转变的图。
图23的(a)、(b)是用于对电子设备状态转变概率表的结构进行说明的图。
图24的(a)、(b)是用于对状态持续长度概率表的结构进行说明的图。
图25的(a)、(b)是用于对电子设备使用频度表的结构进行说明的图。
图26的(a)~(d)是用于对电子设备使用频度表的结构进行说明的图。
图27是示出生活行动估计处理的结果例的图。
图28是示出生活行动估计处理的结果例的图。
图29是用于对消耗功率模拟进行说明的处理概要图。
图30是用于对电子设备使用模型进行说明的概要图。
图31是用于对本发明的第2实施方式的生活行动估计装置的结构进行说明的框图。
图32是用于对本发明的第2实施方式的生活行动估计装置1的动作进行说明的流程图。
图33是示出模拟的结果例的图。
图34是示出模拟的结果例的图。
图35是示出模拟的结果例的图。
图36是示出模拟的结果例的图。
图37是示出LAPC模型的结构的框图。
图38是示出平坦(变化较少)的描绘的示例的示意图。
图39是为了各个电子设备,采用LAPC模型而在各个时刻(秒)产生功率消耗模式的流程图。
图40是示出由于各个电子设备状态的结束而切断期间的图。
图41是示出存在于连续的2个持续时间之间的依赖关系的图。
图42是用于对本发明的第3实施方式的生活行动估计装置的结构进行说明的框图。
图43是示出为了对以电子设备函数为基础的概率和合作者A的1天进行评价而掌握的概率的图。
图44是示出配置有电子设备的房屋的配置图的图。
图45的(a)~(c)是示出合作者A的1天的生活行动的顺序的示意图。
图46是示出关于所估计的生活行动的再现率、适合率以及F值的图。
图47的(a)~(c)是示出合作者A的第1天的实际以及所生成的功率消耗模式的图。
具体实施方式
下面,参照附图对本发明的实施方式进行说明。
参照图1,对能够应用于本发明的实施方式的生活行动估计系统的EoD控制系统的通信网络的结构进行说明。
图1是示出能够应用本发明的第1实施方式的生活行动估计装置的EoD控制系统的通信网络的结构的概要图。EoD控制系统50设置于办公室或家庭中,由生活行动估计装置1、智能抽头11、作为家庭用或办公室用电子设备产品的电子设备20(以下,仅称作“设备”。)以及电力控制装置30构成。智能抽头11(以下,称作“ST”。)经由LAN(Local Area Network)与上述生活行动估计装置1通过有线或无线LAN连接。LAN是本发明的一个示例,并不限定于此,本发明也可以经由WiFi、PLC(可编程逻辑控制器)、ZigBee(紫峰)、特定小功率无线等网络与ST连接。该ST经由各设备的电源插座进行连接。因此,上述ST能够经由LAN与上述生活行动估计装置1进行通信。
上述生活行动估计装置1是通用的服务器,并包含CPU1a。该生活行动估计装置1的内部具备存储器10(以下,仅称作“存储器”。),是能够直接读写的硬盘、RAM等的半导体存储装置。
来自商用电源的功率经由功率控制装置30被供给至生活行动估计装置1和各设备20。
并且,作为EoD控制系统50的设置场所虽然对一般家庭进行说明,但并不限定于此,只要是办公室等能够设置ST的场所,也可以是任何场所。并且,作为本发明的EoD控制系统的ST虽然对与电源插座连接的外置型进行说明,但并不限定于此,也可以是埋入电源插座中的内置型。
图2是示出图1所示的EoD控制系统50的电力系统网络的结构的概要图。
如参照图1进行说明的那样,EoD控制系统50包括功率控制装置30,该功率控制装置30与商用电源32连接。另外,功率控制装置30例如由多个断路器(未图示)构成,包括1个主断路器和多个副断路器。来自商用电源32的电力(交流电压)被供给至主断路器的1次侧,然后从主断路器的2次侧被分配至多个副断路器。其中,商用电源32经由用于供给商用电流或停止供给商用电流的开关(未图示)与主断路器的1次侧连接。该开关基于生活行动估计装置的切换信号被接通或断开。
另外,上述的生活行动估计装置1和多个设备20与功率控制装置30的输出侧即副断路器的2次侧连接。虽然省略图示,生活行动估计装置1以通过将自身上所设置的插销插入墙壁插座等中从而能够供需来自功率控制装置30的功率的方式进行连接,多个设备具备上述ST为插销的输入插座和输出插座。从该输入插座输送商用电源32的功率,并以能够经由与上述输出插座连接的多个设备的插座对多个设备供需功率的方式进行连接。
如上述那样,在EoD控制系统中,不只是图2所示的功率网络,还构筑起图1所示的通信网络。
图3是根据与家庭内的插座连接的ST,对设备的配置位置进行说明的说明图。
参照图3,房屋200例如由客厅200A、日本式房间200B、西式房间200C、200D构成。客厅200A和日本式房间200B配置在1层,西式房间200C、200D配置在2层。如图3所示,设置于墙壁上的插座与各个ST连接。例如,设置于客厅200A的墙壁上的插座与5个ST连接,设置于日本式房间200B的墙壁上的插座与2个ST连接,设置于西式房间200C的墙壁上的插座与2个ST连接,设置于西式房间200D的墙壁上的插座与2个ST连接。如以上那样,所有的设备经由ST与电源连接。
图4是对与商用电源连接并配置在墙壁上的插座、智能抽头11以及设备的连接关系进行说明的说明图。参照图4,作为设备的冰箱201由插座202和配线203构成,所述插座202具备插销,冰箱201的插座202相对于上述ST的输出插座114被装卸。在墙壁40上配置有插座41,该插座41的插入口411用于经由家庭内的功率系统供给商用的功率。作为插销的输入插座113相对于上述插入口411被装卸。
图5是示出后述的EoD控制系统的信息处理的实施例以及在实证实验中使用的样品住宅的平面布置的平面布置图。
上述样品住宅是1LDK式,附图中所述的标号表示表1所示的设备的名称和该设备的开关所设置的场所,附图中所述的ST表示智能抽头11所配置的场所。配置有5个ST。
[表1]
关于ST的结构,如已经叙述的那样,由个人用电脑构成,所述个人用电脑进行电压/电流传感器、半导体继电器、ZigBee模块以及这些整体的控制以及内部处理。该个人用电脑根据利用上述电压/电流传感器计测的电流/电压波形来进行消耗功率的计算,并且,根据表示电压/电流波形的特征的少数的特征量来确定电子设备。并且,EoD控制系统所接收的数据是消耗功率和功率要求消息这2个数据,所述消耗功率是将上述ST利用个人用电脑以0.5秒的间隔计算出的消耗功率作为每个周期(1次/60秒)的数据来保持在设置于智能抽头的内部的存储器中,并分割成多个信息包发送至服务器的消耗功率,所述功率要求消息是各设备20要求功率时从ST发送的功率要求消息。
虽然没有进行图示,但生活行动估计装置1具备程序存储区域和数据存储区域的存储器。在程序存储区域存储有通信处理程序、生活行动估计程序等程序。在数据存储区域存储有设备特性等级数据、消息数据等。
图6是示出某个房屋中的设备所使用的消耗功率的曲线的图。
在图6中,纵轴表示功率(W),横轴表示时间,该曲线图示出了1天中的以10分钟为间隔所消耗的消耗功率。并且,从前,虽然将该功率称作消耗功率,但由于是与通常的“消耗功率”不同的意思,因此,下面使用“瞬时功率”这一被定义了的用语。该瞬时功率意味着,以最小控制间隔τ(5~10分钟)的间隔,对将上述消耗功率加起来之后的合计值进行平均之后的消耗功率。
关于上述曲线图可知,在白天的时间带不使用功率,在从下午8点至上午1点的时间内使用功率,该期间的瞬时功率的值较高,为1900W。
图7中,纵轴表示消耗功率量(KWh),横轴表示时间,该曲线图示出了1天中的以10分钟为间隔的瞬时功率的累计量即消耗功率量,该值为10.0KWh。
日本的1个家庭的每1个月的消耗功率量为300KWh,每1天大约为10.0KWh,图7的消耗功率量示出与1个家庭的每1个月的消耗功率量相同的情况。并且,从前,虽然将该功率的累计量称作消耗功率量,但由于上述瞬时功率以与通常的“消耗功率”不同的意思被使用,因此,该消耗功率量成为与通常不同的意思,由于下面以“累计功率量”这一被定义了的用语来使用,请注意。
对用于说明本发明的原理的整体的模型进行说明。
首先,参照图8对整体的模型概要进行说明。
关于生活行动估计装置,在第1、第2实施方式中详细地进行说明。
首先,对图9所示的处理概要图进行说明。
图9中示出了关于基于电子设备的消耗功率而从生活行动估计处理至消耗功率预测处理的概要的处理流程。
在个人的生活中,例如进行烹调这样的生活行动。
在第1实施方式中,通过利用生活行动估计装置联机实时取得个人(生活者)正在使用的电子设备的功率消耗模式,来估计电子设备的状态系列(接通/断开状态、强/弱状态等),接下来,估计下面像是要使用的电子设备。
在第2实施方式中,利用生活行动估计装置,并使用用于估计生活空间内的生活者的生活行动的问卷信息,来生成按照下一利用状态的概率分布来示出功率值的功率消耗模式。
接下来,参照图10对生活行动模型进行说明。
在个人的生活行动中,在作为个人的意识被赋予意义这样的生活上的行动的种类中,例如存在“烹调”、“洗涤”、“电视/录像欣赏”等,对于这些种类附带“何时”、“多长”这样的时间参数。因此,如果将“烹调”、“洗涤”、“电视/录像欣赏”等生活行动名称设为生活行动标签li,将开始时刻设为ti start,将结束时刻设为ti end时,则第i个生活行动Ii L为:
接下来,参照图11对生活行动模型进行说明。
图11的(a)是关于日本广播协会NHK进行的国民生活时间调查的问卷调查内容,其中的项目中还包括有从居住地周围环境离开后的外出中的事项。
对此,在本实施方式中所采用的问卷中,如图11的(b)所示,作为问卷项目,设为“睡眠”、“进餐”、“烹调”等居住地周围环境中的基本的个人的行动,并且,将从居住地周围环境离开的情况作为外出来处理。
下面,参照图12对电子设备的功率模式进行说明。
在电子设备的功率变动模型中,将电子设备的功率数据作为多个离散状态来处理,并且,由于在某个期间内连续使用电子设备,因此作为连续时间系统来处理。
详细而言,将在某个电子设备的动作状态qi上加上持续时间τ后的时间区间表示为<qi,τi>。
<qi,τi>→<qj,τj>
下面,对电子设备关系模型进行说明。
在表示现实生活中的个人的生活行动与电子设备的关系的电子设备关系模型中,作为一般的特征表现,考虑电子设备功能模型。在该电子设备功能模型中,作为电子设备的功能,需要与什么样的生活行动有关系这样的事前知识。因此,个人的生活行动识别是不可或缺的。
作为个人性的表现,在电子设备使用模型中,通过学习赋予个人的生活行动的特征的、个人的生活行动和电子设备的使用方法的处理,生成功率模式,并预测所使用的电子设备。
下面,参照图13对个人模型(除电子设备功能模型外的表)的取得方法进行说明。
将电子设备的使用概率P定义为:
P(Ua=1|l)
在此,在使用电子设备a的情况下将Ua定义为1,在未使用电子设备a的情况下将Ua定义为0。在生活行动标签为l时,以概率来表示以什么程度的频度来使用电子设备a。
(第1实施方式)
对本发明的第1实施方式的生活行动估计系统进行说明。
下面,对图14所示的电子设备功能模型进行说明。
电子设备功能模型示出了根据电子设备的功能性所确定的、对于个人的生活行动能够如何使用电子设备,作为事前知识预先持有。
在此,如果将生活行动标签组l、电子设备组a、电子设备状态组qa分别设为:
则概率P0为:
如图14所示,在电子设备功能模型中示出了,在个人的生活中,哪个电子设备处于工作状态时进行什么样的生活行动。例如,在打开电视的电源的情况下,爱好娱乐电视的概率为1,休息的概率为0.5,烹调的概率为0.5,扫除的概率为0.5等。
下面,对电子设备使用模型进行说明。
将电子设备使用模型中的电子设备的使用概率P定义为:
P(Ua=1|l)
在此,在使用电子设备a的情况下将Ua定义为1,在未使用电子设备a的情况下将Ua定义为0。在生活行动标签为l时,将以什么程度的频度来使用电子设备a表示为使用概率P。
另一方面,电子设备的作用度C(a|li)示出了,对于个人的生活行动来说,该电子设备a是什么程度的特征性,表示为:
C(a|li)=P(Ua=1|l=li)/P(Ua=1|l≠li)
参照图15所示的功能框图,对本发明的第1实施方式的生活行动估计装置1的结构进行说明。
生活行动估计装置1由电子设备利用状态估计部1b、第1权重取得部1d、第2权重取得部1e、电子设备权重乘法运算部1f、1g构成,所述电子设备利用状态估计部1b、第1权重取得部1d、第2权重取得部1e、电子设备权重乘法运算部1f、加权总和计算部1g由作为由CPU1a执行的程序的软件模块构成。各部在工作时将存储器10作为工作区域进行数据的读写。
另外,数据库12例如由存储于硬盘HDD上的电子设备功能模型表(1)12b、电子设备功能模型表(2)12c构成。
电子设备利用状态估计部1b基于由多个电子设备经由智能抽头11、网络接收的功率值来估计每个电子设备的利用状态。电子设备事件检测部1c基于每个当前的电子设备的利用状态和每个前一时刻的电子设备的利用状态来检测出表示生活空间内的生活行动的事件种类(事件信息)。
第1权重取得1d基于用于保持示出电子设备的利用状态的转变与生活行动的关系的第1权重的电子设备功能模型表(1)12b和从事件发生时刻开始的经过时间,计算出基于事件种类的每个生活行动的第1权重。
第2权重取得部1e基于每个电子设备的当前的利用状态,从电子设备功能模型表(2)12c取得每个生活行动的第2权重,所述电子设备功能模型表(2)12c用于保持示出电子设备的利用状态与生活行动的关系的第2权重。
电子设备权重乘法运算部1f基于将第1权重乘以第2权重得到的积,按每个电子设备计算出该积的和。生活行动估计部1g将每个电子设备的积的和为最大值的生活行动估计为生活者的实际的生活行动。
下面,参照图16所示的流程图,对图15所示的生活行动估计装置1的动作(其1)进行说明。
首先,在步骤S5中,电子设备利用状态估计部1b从智能抽头11接收当前的功率值,存储于存储器10中。
接下来,在步骤S10中,电子设备利用状态估计部1b从当前的功率值估计电子设备的利用状态q(A),存储于存储器10中。
接下来,在步骤S15中,电子设备事件检测部1c判断是否与从存储器10读出的前一时刻的利用状态q’不同。在与前一时刻的利用状态q’不同的情况下,前进至步骤S20,另一方面,在与前一时刻的利用状态q’相同的情况下,前进至步骤S25。
接下来,在步骤S20中,电子设备事件检测部1c将利用状态转变作为事件进行检测,并将事件的种类e{q’→q}和发生时刻et存储于存储器10中。
接下来,参照图17对电子设备功能模型表(1)的结构进行说明。
电子设备功能模型表(1)12b表示电子设备的利用状态的转变(例如,接通电源开关等)与生活行动的关系,例如将第1权重“0”表示为没有关系,将权重“1”表示为关系大。
详细而言,在电子设备功能模型表(1)12b中,作为项目记载了电子设备、前一状态→下一状态、烹调、洗涤、娱乐、学习等生活行动。例如,在客厅照明从断开到接通的情况下,将娱乐和学习等生活行动的权重值设定为0.5。另一方面,在客厅照明从接通到断开的情况下,将烹调的生活行动的权重值设定为0.5。
在步骤S25中,第1权重取得1d基于从事件发生时刻et开始的经过时间,从电子设备功能模型表(1)12b取得基于事件的种类e的生活行动的第1权重P(q’→q|t,l),并存储于存储器10中。
具体而言,在与前一时刻的利用状态q’不同的情况下,第1权重取得1d基于从事件发生时刻et开始的经过时间,例如,在客厅照明从断开到接通的情况下,将烹调、洗涤、娱乐、学习等生活行动的权重值分别作为0、0、0.5、0.5、…取得,并存储于存储器10中。
接下来,参照图18对电子设备功能模型表(2)的结构进行说明。
在电子设备功能模型表(2)12c中,表示电子设备的利用状态(弱、中、强)与生活行动的关系,例如将第2权重“0”表示为没有关系,将第2权重“1”表示为关系大。这样,在电子设备功能模型表(2)12c中示出了,在个人的生活中,哪个电子设备处于工作利用状态时进行什么样的生活行动。
详细而言,在电子设备功能模型表(2)12c中,作为项目记载了电子设备、前一状态→下一状态、烹调、洗涤、娱乐、学习等生活行动。例如,在客厅照明明亮的情况下的各个权重被设定为烹调:0.2、洗涤:0.2、娱乐:0.8、学习:0.8等。
在步骤S30中,第2权重取得部1e从电子设备功能模型表(2)12c取得与电子设备的当前的利用状态q相对应的针对各生活行动的第2权重P(q|l),并存储于存储器10中。
具体而言,第2权重取得部1e基于电子设备的当前的利用状态q,例如,在客厅照明明亮的情况下,将烹调、洗涤、娱乐、学习等生活行动的权重值分别作为0.2、0.2、0.8、0.8、…取得,并存储于存储器10中。
对基于图19所示的电子设备功能模型表12b的生活行动估计处理的概要图进行说明。
在对生活行动进行识别的情况下,对每个事件电子设备的操作,从电子设备功能模型,极大似然估计与生活行动相关的概率。例如,设置从1分钟至几分钟的时间宽度τ,按每个进入该时间宽度τ内的生活行动标签l,对处于工作中的电子设备a预先赋予权重P,并将具有这些权重的和的最大值的生活行动确定为生活行动。
在步骤S35中,电子设备权重乘法运算部1f基于将第1权重乘以第2权重得到的积,对所有的电子设备计算出相对于生活行动l的积的和Wl。
Wl=ΣP(q|l)×P(q’→q|t,l)
根据上式计算出Wl,并存储于存储器10中。
即,电子设备权重乘法运算部1f从存储器10读出针对与在步骤S30中取得的电子设备的当前的利用状态q相对应的各生活行动的第2权重P(q|l)。例如,在客厅照明明亮的情况下,将烹调、洗涤、娱乐、学习等生活行动的权重值分别作为0.2、0.2、0.8、0.8、…从存储器10读出。
接下来,电子设备权重乘法运算部1f从存储器10读出基于在步骤S25中计算出的事件的种类e的生活行动的第1权重p(q’→q|t,l)。例如,在客厅照明从断开到接通的情况下,将烹调、洗涤、娱乐、学习等生活行动的权重值分别作为0、0、0.5、0.5、…从存储器10读出。
接下来,电子设备权重乘法运算部1f分别按每个电力设备进行乘法运算,基于得到的积值,按每个电子设备计算出该积的和Wl,并存储于存储器10中。
具体而言,在客厅照明从断开到接通的情况下,第1权重在烹调、洗涤、娱乐、学习等生活行动中分别为0、0、0.5、0.5、…,在客厅照明明亮的情况下,第2权重在烹调、洗涤、娱乐、学习等生活行动中分别为0.2、0.2、0.8、0.8、…,因此,通过电子设备权重乘法运算部1f进行乘法运算得出的积值,对于客厅照明,在烹调、洗涤、娱乐、学习等生活行动中分别为0、0、0.4、0.4、…。
接下来,电子设备权重乘法运算部1f与关于上述客厅照明的乘法运算相同地关于洗衣机、电视、吹风机等电子设备,也对烹调、洗涤、娱乐、学习等生活行动得到乘法运算结果。具体而言,将洗衣机的乘法运算结果例如设为0、0、0、0、…,将电视的乘法运算结果例如设为0、0、0.9、0.2、…,将吹风机的乘法运算结果例如设为0、0、0、0、…。
接下来,电子设备权重乘法运算部1f对于每个电子设备的积,按每个生活行动计算出和。具体而言,关于烹调、洗涤、娱乐、学习等生活行动,和值分别为0、0、1.3、0.6。
接下来,在步骤S40中,生活行动估计部1g将每个电子设备的积值的和Wl为最大值的生活行动标签作为时刻t的生活行动标签lt,存储于存储器10中。
lt=arg max Wl
电子设备权重乘法运算部1f将和值为最大值的生活行动估计为生活者的实际的生活行动。具体而言,以和值从大到小的顺序,依次为娱乐:1.3、学习:0.6、…,因此,估计为娱乐是生活者的实际的生活行动。
接下来,在步骤S45中,生活行动估计部1g以q’=q为条件把时间拨快,返回(t=t+1)步骤S5,重复上述步骤S5~S45所示的处理。
其结果是,从由智能抽头得到的功率值能够估计当前的生活行动。
这样,生活行动估计装置1基于从电子设备接收的功率值来估计电子设备的利用状态,并基于某时刻的电子设备的利用状态和那之前的时刻的电子设备的利用状态,预先检测出空间内的事件信息。接下来,基于从事件发生时刻开始的经过时间,从用于保持示出电子设备的利用状态的转变和生活行动的关系的第1权重的第1电子设备功能模型表,预先取得基于所述事件信息的每个生活行动的第1权重,并且,基于电子设备的利用状态,从用于保持示出电子设备的利用状态和生活行动的关系的第2权重的第2电子设备功能模型表,预先取得每个生活行动的第2权重。接下来,基于将第1权重乘以第2权重得到的积,按每个电子设备计算出该积的和,将每个电子设备的积的和为最大值的生活行动估计为生活者的实际的生活行动。由此,能够根据电子设备的消耗功率来估计生活行动,并能够考虑到个人的生活行动,使EoD系统的导入变得容易。
参照图20所示的功能框图,对本发明的第1实施方式的生活行动估计装置1的结构进行说明。
生活行动估计装置1由电子设备利用状态估计部1i、电子设备事件检测部1j、下一利用状态概率估计部1k等构成,所述电子设备利用状态估计部1i、电子设备事件检测部1j、下一利用状态概率估计部1k等由作为由CPU1a执行的程序的软件模块构成,各部在工作时将存储器10作为工作区域进行数据的读写。
电子设备利用状态估计部1i基于从多个电子设备接收的功率值来估计每个电子设备的利用状态。电子设备事件检测部1j基于每个当前的电子设备的利用状态和每个前一时刻的电子设备的利用状态来检测出示出生活空间内的生活行动的事件种类。
下一利用状态概率估计部1k从示出电子设备的利用状态转变为其他利用状态的概率的利用状态转变概率表取得下一利用状态的转变概率,并基于下一利用状态的转变概率,从示出该利用状态持续的时间概率的利用状态持续长度概率表取得与事件发生后的经过时间相对应的转变概率,并且,基于下一利用状态转变概率和与经过时间相对应的转变概率,计算在下一利用状态下工作的电子设备的概率分布。
在电子设备不在使用中的情况下,下一利用状态概率估计部1k按每个生活行动,从示出使用电子设备的概率的电子设备使用频度表取得与生活行动标签对应的电子设备使用频度,并从示出电子设备的利用状态转变为其他利用状态的概率的电子设备利用状态转变概率表取得初始利用状态分布。
另外,数据库12例如由存储于硬盘驱动器上的生活行动12d、利用状态转变概率表12e、利用状态持续长度概率表12f、电子设备使用频度表12g构成。
下面,参照图21所示的流程图,对图20所示的生活行动估计装置1的动作(其2)进行说明。
首先,在图22中,以概率时间自动机械逻辑模型示出以多长时间、什么顺序使电子设备a工作。如图22所示,在概率时间自动机械逻辑模型中,例如,设想了电子设备a在断开状态、弱状态、强状态这3个利用状态的期间内伴随着时间的经过发生转变的情况。
将生活行动标签为l的时间区间τ中的电子设备的工作模式例如相对于强状态表示为:
P(τ︳强,l)
状态转变概率P表示为:
状态持续长度分布P表示为:
初始状态分布Ps表示为:
首先,在步骤S105中,电子设备利用状态估计部1i从智能抽头11接收当前的功率值,存储于存储器10中。
接下来,在步骤S110中,电子设备利用状态估计部1i从当前的功率值估计电子设备的利用状态q(A),存储于存储器10中。
接下来,在步骤S115中,电子设备事件检测部1j判断当前电子设备是否在使用中。在此,在当前电子设备在使用中的情况下,前进至步骤S120,另一方面,在当前电子设备不在使用中的情况下,前进至步骤S150。
接下来,在步骤S120中,电子设备事件检测部1j判断是否与从存储器10读出的前一时刻的利用状态q’不同。在与前一时刻的利用状态q’不同的情况下,前进至步骤S125,另一方面,在与前一时刻的利用状态q’相同的情况下,前进至步骤S130。
在步骤S125中,电子设备事件检测部1j将利用状态转变作为事件进行检测,并将事件的种类e{q’→q}和发生时刻et存储于存储器10中。
在此,参照图23对电子设备利用状态转变概率表12e进行说明。
电子设备利用状态转变概率表12e表示电子设备的利用状态从某个利用状态转变为另外的某个利用状态的概率。图23的(a)示出设置于客厅里的照明的状态转变概率,例如将从前一利用状态“断开”转变为下一利用状态“弱”的概率设为“0.1”。图23的(b)示出吸尘器的状态转变概率。
下面,参照图24对利用状态持续长度概率表12f进行说明。
利用状态持续长度概率表12f表示各电子设备中的、每个利用状态中该利用状态所持续的时间概率。图24的(a)示出吸尘器的“强”状态的持续长度概率的分布。图24的(b)示出吸尘器的状态为“弱”、“中”、“强”状态下的持续长度时间。
下面,参照图25对电子设备使用频度表12g进行说明。
电子设备使用频度表12g表示每个生活行动中使用某个电子设备的概率。图25的(a)中,IH的使用概率中,仅在生活行动为“烹调”时示出为“0.67”,与此相对,“电视”的使用概率中,示出“早餐”、“午餐”、“爱好娱乐”等中被使用的概率较高。
接下来,在步骤S130中,下一利用状态概率估计部1k基于事件的种类,从电子设备的利用状态转变概率表12e取得下一利用状态的转变概率P(q”|q),并存储于存储器10中。
接下来,在步骤S135中,下一利用状态概率估计部1k从利用状态持续长度概率表12f取得与从事件发生开始的经过时间相对应的转变概率P(τ|q),并存储于存储器10中。
接下来,在步骤S140中,下一利用状态概率估计部1k将下一利用状态转变概率p(q”|q)乘以转变概率p(τ|q),并将其积值作为下一利用状态的概率分布Pq”=p(q”|q)×p(τ|q)来进行计算,并存储于存储器10中。
其结果是,作为下一利用状态的概率分布Pq”,能够估计接下来要工作的电子设备的概率。
接下来,在步骤S145中,下一利用状态概率估计部1k以q’=q为条件,把时间拨快(t=t+1),返回(t=t+1)步骤S105,重复上述步骤S105~S155所示的处理。
另一方面,当前,在电子设备不在使用中的情况下,在步骤S150中,下一利用状态概率估计部1k从电子设备使用频度表12g取得与生活行动标签对应的电子设备使用频度P(a|l),并存储于存储器10中。
在此,对图26所示的电子设备使用频度表12g进行说明。
图26是表示电子设备的使用概率P和作用度C的表。图26的(a)是示出IH烹调设备的使用概率的表,仅“烹调”中的使用概率有效。对此,图26的(b)是示出电视的使用概率的表,在“早餐”、“午餐”、“日常生活”等项目中有效。
图26的(c)是示出电视的作用度的表,在“早餐”、“午餐”、“日常生活”等项目中有效。
图26的(d)是示出对于烹调的作用度的表,示出了“厨房”、“壶”、“微波炉”、“IH烹调设备”等的作用度居上位。
接下来,在步骤S155中,下一利用状态概率估计部1k从电子设备a的电子设备利用状态转变概率表12e取得初始利用状态分布P(q’|OFF),并存储于存储器10中。
在图27所示的生活行动估计处理的结果例中,在个人的生活行动的时间带(例如,从18点开始至第二天的12点)内,与“睡眠”、“烹调”、“洗涤”等项目相对应地赋予个别的颜色进行显示。
在图28所示的生活行动估计处理的结果例中,在个人的生活行动的时间带内,赋予个别的颜色进行显示。
这样,从示出电子设备的利用状态转变的概率的利用状态转变概率表取得下一利用状态的转变概率,并且,基于下一利用状态的转变概率,从示出下一利用状态所持续的时间概率的利用状态持续长度概率表预先取得与事件发生后的经过时间相对应的转变概率。接下来,通过基于下一利用状态转变概率和与所述经过时间相对应的转变概率来计算在下一利用状态下要工作的电子设备的概率分布,能够考虑到个人的生活行动,使EoD系统的导入变得容易。
这样,在电子设备不在使用中的情况下,从示出在每个生活行动中使用电子设备的概率的电子设备使用频度表预先取得与生活行动标签对应的电子设备使用频度。接下来,从示出电子设备的利用状态转变为其他利用状态的概率的电子设备状态转变概率表取得初始利用状态分布。由此,即使在电子设备不在使用中的情况下,也能够取得电子设备的初始利用状态分布,并且能够考虑到个人的生活行动使EoD系统的导入变得容易。
(第2实施方式)
对本发明的第2实施方式的生活行动估计装置101进行说明。
首先,参照图29所示的处理概要图,对消耗功率模拟进行说明。
在本实施方式中,利用问卷来从个人收集关于成为在图11的(b)所示那样的处理中使用的标签的“睡眠”、“进餐”、“烹调”等居住地周围环境中的基本的事项的活动时间,例如以EXCEL(注册商标)这样的表的形式,将由生活行动(例如,烹调)及其时间带构成的数据输入到生活行动估计装置101中。
预先存储表示用于估计规定的空间内的生活者的生活行动的问卷信息的各时刻的生活行动标签,并从存储内容中取得电子设备的某个时刻的利用状态和前一利用状态。然后,基于所取得的电子设备的利用状态和前一利用状态来检测出表示生活空间内的生活行动的事件种类信息。进而,取得下一利用状态的转变概率,基于下一利用状态的转变概率,取得与事件发生后的经过时间相对应的转变概率,并且,基于下一利用状态转变概率和与经过时间相对应的转变概率来计算下一利用状态的概率分布,并根据下一利用状态的概率分布,生成示出功率值的功率消耗模式。
最终,生成功率消耗模式,因此,能够对填写问卷的生活者进行环保咨询。
下面,对图30所示的电子设备使用模型的概要图进行说明。
学习与生活行动对应的个人的电子设备的使用方法的特征。
(1)掌握使用多长时间、经常使用的电子设备很重要以及与生活行动的关系的大小。
(2)掌握怎么使用、多少长度、利用状态的顺序。
(3)掌握什么样的次序、多个电子设备之间的顺序性、时刻。
首先,对电子设备使用模型进行说明。在此,(1)掌握使用多长时间、经常使用的电子设备很重要以及与生活行动的关系的大小。
将电子设备使用模型中的电子设备的使用概率P定义为:
P(Ua=1|l)
在此,在使用电子设备a的情况下,将Ua定义为1,在未使用电子设备a的情况下将Ua定义为0。在生活行动标签为l时,将以什么程度的频度来使用电子设备a表示为使用概率P。
另一方面,电子设备的作用度C(a|li)示出了,对于个人的生活行动来说,该电子设备a是什么程度的特征性,表示为:
C(a|li)=P(Ua=1|l=li)/P(Ua=1|l≠li)
下面,对作为图22所示的生活行动-电子设备关系模型的电子设备使用模型进行说明。在此,(2)掌握怎么使用、多少长度、利用状态的顺序。
为了掌握以多长时间、什么顺序来使用电子设备,适用概率时间自动机械逻辑模型。在生活行动标签为l的时间区间中的电子设备的工作模式中,
分别将利用状态转变概率P、利用状态持续长度分布P、初始利用状态分布Ps表示为:
下面,对作为生活行动-电子设备关系模型的个人模型进行说明。在此,(3)掌握什么样的次序、多个电子设备之间的顺序性、时刻。
电子设备之间的共现性是这样求得的:从生活行动为l的时间区间中的电子设备被同时使用的概率、或当任意一个电子设备已被使用时另一个电子设备被使用的概率求得。
在电子设备之间的时刻结构中,关于状态转变的时刻、电子设备之间的状态转变的时刻差的分布,如果分布的统一性较好,则使用方法同步。
并且,在本实施方式中,关于(3),之后省略说明。
参照图31所示的功能框图,对本发明的第2实施方式的生活行动估计装置101的结构进行说明。
生活行动估计装置101由电子设备利用状态估计部101m、电子设备事件检测部101n、下一利用状态概率估计部101o、功率消耗模式生成部101p构成,所述电子设备利用状态估计部101m、电子设备事件检测部101n、下一利用状态概率估计部101o、功率消耗模式生成部101p由作为由CPU101a执行的程序的软件模块构成,各部在工作时将存储器10作为工作区域进行数据的读写。
电子设备利用状态取得部101m从存储有示出用于估计规定的空间内的生活者的生活行动的问卷信息的各时刻的生活行动标签的生活行动存储部12h取得电子设备的某个时刻的利用状态和前一利用状态。
电子设备事件检测部101n基于通过利用状态取得单元取得的电子设备的利用状态和前一利用状态来检测出示出生活空间内的生活行动的事件种类信息。
下一利用状态概率估计部101o从示出电子设备的利用状态转变为其他利用状态的概率的利用状态转变概率表12e预先取得下一利用状态的转变概率。接下来,基于下一利用状态的转变概率,从示出该利用状态所持续的时间概率的状态持续长度概率表12f取得与事件发生后的经过时间相对应的转变概率,并且,基于下一利用状态转变概率和与经过时间相对应的转变概率来计算下一利用状态的概率分布。
在电子设备不在使用中的情况下,下一利用状态概率估计部101o从示出在生活行动中使用电子设备的概率的电子设备使用频度表12g预先取得与生活行动标签对应的电子设备使用频度。接下来,从示出电子设备的利用状态转变为其他利用状态的概率的电子设备利用状态转变概率表12e取得初始利用状态分布。
功率消耗模式生成部101p根据下一利用状态的概率分布生成示出功率值的功率消耗模式。
另外,数据库12例如由存储于硬盘驱动器上的生活行动存储部12h、利用状态转变概率表12e、利用状态持续长度概率表12f、电子设备使用频度表12g构成。
下面,参照图32所示的流程图,对图31所示的生活行动估计装置101的动作进行说明。
首先,在步骤S205中,电子设备利用状态估计部101m从存储有问卷结果的生活行动存储部12h取得时刻t的生活行动标签,存储于存储器10中。
接下来,在步骤S210中,电子设备利用状态估计部101m从存储器10取得电子设备a的当前利用状态q和前一利用状态q’,存储于存储器10中。
接下来,在步骤S215中,电子设备事件检测部101n判断当前电子设备是否在使用中。在此,在当前电子设备在使用中的情况下,前进至步骤S220,另一方面,在当前电子设备不在使用中的情况下,前进至步骤S255。
接下来,在步骤S220中,电子设备事件检测部101n判断是否与从存储器10读出的前一时刻的利用状态q’不同。在与前一时刻的利用状态q’不同的情况下,前进至步骤S225,另一方面,在与前一时刻的利用状态q’相同的情况下,前进至步骤S230。
接下来,在步骤S225中,电子设备事件检测部101n将利用状态转变作为事件,并将事件的种类e{q’→q}和发生时刻et存储于存储器10中。
接下来,在步骤S230中,下一利用状态概率估计部101o从电子设备利用状态转变概率表12e取得下一利用状态的转变概率P(q”|q),并存储于存储器10中。
接下来,在步骤S235中,下一利用状态概率估计部101o从利用状态持续长度概率表12f取得与从事件发生开始的经过时间相对应的转变概率P(τ|q),并存储于存储器10中。
接下来,在步骤S240中,下一利用状态概率估计部101o利用下一利用状态转变概率和转变概率来计算下一利用状态的概率分布Pq”=p(q”|q)×p(τ|q),并存储于存储器10中。
接下来,在步骤S260中,下一利用状态概率估计部101o从电子设备使用频度表12g取得对于生活行动的电子设备使用频度p(a|l),并存储于存储器10中。
接下来,在步骤S265中,下一利用状态概率估计部101o从电子设备a的电子设备利用状态转变概率表12e取得初始利用状态分布p(q’|OFF),并将电子设备使用频度p(a|l)乘以初始利用状态分布p(q’|OFF)得到的积值作为下一利用状态的概率分布:
Pq”=p(a|l)×p(q’|OFF)
接下来,前进至步骤S245。
接下来,在步骤S245中,功率消耗模式生成部101p设为q’=q,将根据Pq”的概率分布随机地确定下一利用状态的q、q’存储于存储器10中。
接下来,在步骤S250中,下一利用状态概率估计部101o根据利用状态q下的功率分布(W|q)随机地生成功率值,并生成功率消耗模式而输出。
接下来,在步骤S255中,功率消耗模式生成部101p把时间拨快(t=t+1),返回步骤S205,重复上述步骤S205~S265所示的处理。
其结果是,能够通过模拟从包含在问卷信息中的生活行动来生成个人的功率消耗模式。
参照图33所示的结果例、图34所示的结果例、图35所示的结果例、图36所示的结果例等进行说明。
这样,预先存储示出用于估计规定的空间内的生活者的生活行动的问卷信息的各时刻的生活行动标签,并从存储内容中预先取得电子设备的规定时刻的利用状态和前一利用状态。接下来,基于所取得的电子设备的利用状态和前一利用状态,检测出示出生活空间内的生活行动的事件种类信息,并从示出电子设备的利用状态转变为其他利用状态的概率的利用状态转变概率表预先取得下一利用状态的转变概率。接下来,基于下一利用状态的转变概率,从示出该利用状态所持续的时间概率的状态持续长度概率表取得与事件发生后的经过时间相对应的转变概率,并且,基于下一利用状态转变概率和与所述经过时间相对应的转变概率来计算下一利用状态的概率分布。接下来,通过根据下一利用状态的概率分布生成示出功率值的功率消耗模式,能够在EoD系统的导入之前,通过模拟来事前验证电子设备的消耗功率,由此能够考虑到个人的生活行动,使EoD系统的导入变得容易。
这样,在电子设备不在使用中的情况下,从示出在生活行动中使用电子设备的概率的电子设备使用频度表预先取得与生活行动标签对应的电子设备使用频度。接下来,从示出电子设备的利用状态转变为其他利用状态的概率的电子设备状态转变概率表取得初始利用状态分布。由此,即使在电子设备不在使用中的情况下,也能够取得电子设备的初始利用状态分布,并且,能够在EoD系统的导入之前,通过模拟来事前验证电子设备的消耗功率,由此能够考虑到个人的生活行动,使EoD系统的导入变得容易。
(第3实施方式)
对能够应用于本发明的第3实施方式的生活行动估计装置的生活行动-功率消耗模型进行说明。并且,对作为意味着从生活行动至电子设备的功率消耗模式的关系的生成模型的功率消耗模型(LAPC模型)进行说明。
首先,参照图37所示的框图,对LAPC模型的结构进行说明。
为了执行生活行动l,个人移动至位置r后,操作电子设备的集合A而进行使用。将Q设为电子设备的集合A中的各个电子设备的动作状态(利用状态)。电子设备的集合A中的各个电子设备的电子设备功率消耗模式的集合W按照各个电子设备的动作状态Q而产生。
后面详述,在LAPC模型中,通过学习概率P(Q|l)、P(W|Q)和P(r|l),来表现从生活行动l至集合电子设备功率消耗模式W的关系。该模型对于假想地从生活行动l预测并生成各个电子设备的电子设备功率消耗模式的集合W有效。在后述的第3.1节中,根据能够在模型中利用的P(Q|l)和P(W|Q)来执行从生活行动l产生W的方法。
另外,模型对于使用贝叶斯推理从各个电子设备的电子设备功率消耗模式的集合W估计生活行动l同样有效。在第3.2节中,提出基于贝叶斯推理从所学习的概率P(Q|l)、P(W|Q)预测事后概率P(Q|W)和P(l|Q),并从各个电子设备的电子设备功率消耗模式的集合W估计生活行动l的方法。利用这2个方法,对于LAPC模型在生活行动l与各个电子设备的电子设备功率消耗模式的集合W之间进行双向转换有效。
通过制作以下的生活行动模型来表现个人的生活行动。在第2.1节中,对用于表现包括同时发生的行动的生活行动的个人的生活行动模型进行说明。
在第2.2节中,对用于意味着生活行动和电子设备使用的关系的个人的电子设备使用模型进行说明。在第2.3节中,对用于表现从电子设备动作状态至电子设备功率消耗模式的关系的电子设备动作状态模型进行说明。在第2.4节中,为了预测基于个人的位置r与电子设备接触的个人的操作的情况而导入人物位置模型[4]。
以下,对各个副模型的详细情况进行说明。
<2.1个人的生活行动模型>
生活行动例如能够通过这样的标签来表现,该标签表现出基于示出了烹饪、洗涤、看电视这样的行动何时发生的持续时间的行动的种类。
在<li、bi、ei>中,生活行动li是Ii的标签,bi和ei示出生活行动Ii的开始时间和结束时间。
生活行动例如在个人吃晚餐、看电视、洗淋浴还有睡觉这样的每天的生活中连续地发生。另外,在多个行动中,存在例如在他或她吃晚餐的期间,同时发生个人看电视这样的情况的可能性。
即,存在生活行动一边重复一边改变的可能性。使用平面模型来表现这样的生活行动。
参照图38所示的示意图,对平面模型进行说明。
在平面模型IL中存在多个行动的重复部分和时间的空白,从而难以估计这样的一系列的生活行动。为了解决上述的问题,限制重复部分和时间的空白,而导入作为估计更加简单的另一个生活行动的表现方法的主-副行动模型。
在主-副行动模型中,通过使用单一的主行动顺序与1个以上的副行动顺序的组合来表现一系列的生活行动。
在此,图38示出上述的平面模型与主-副行动模型之间的关系。
主行动意味着主要某种程度上取决于个人的位置而执行的行动,在主行动中,赋予这样的限制条件:在某个行动与另外1个行动之间不存在空白时间。另一方面,副行动表示与主行动同时进行的行动,其不取决于个人的位置。
例如,个人在主行动中,在存在洗衣机的场所开始“洗涤”。然后,在“洗涤”持续的期间,个人移动至厨房,执行“烹饪”这一主行动。此时,“洗涤”相对于作为主行动的“烹饪”(厨房)成为副行动。
由于副行动不会持续发生,因此,存在时间的空白在ISj内的可能性。
如图38所示,平面模型IL能够容易地和主-副行动模型的IM、ISj相互转换。
在本实施方式中,为了对生活行动进行估计,将与主行动同时并行发生的副行动限制为最多1个。但是,该限制能够简单地扩大为多个副行动顺序。
个人在自家的期间总是以某种程度的顺序性来连续地相继执行某些行动。例如,个人通常会在烹饪之后吃食粮,在洗淋浴之后吹干头发。另外,作为派生的行动,个人通常例如会在吃食粮的期间内同时进行看电视这样的行动。
另一方面,例如,洗淋浴和烹饪这样的行动很少会同时发生。因此,为了表现转变与行动的共现关系,使用以下的2个概率。
将Ii-1=<li-1、bi-1、ei-1>和Ii=<li、bi、ei>作为2个连续行动示出。该情况下,P(li=lf|li-1=lg)为从行动lg转变为行动lf的转变概率。
在Ii=<li、bi、ei>发生的情况下,如果将[bi、ei]作为时间持续时间,则该情况下,P(li=lg、lj=lf|[bi、ei]∩[bj、ej]≠0)为行动lg和行动lf的行动之间的共现概率。
一系列的行动的持续时间是同样重要的属性。为了表现该属性,确定持续时间的分布P(τi|li=lg)(lg的行动的τi=ei-bi)。
<2.2个人的电子设备使用模型>
通常,电子设备ac具有各种各样的动作状态。
在此,作为个人的电子设备使用模型,在某个生活行动lg中,定义为使用电子设备ac的(动作中的)概率:
在此,示出正在使用的家电的动作状态。
由于在各个行动中所使用的电子设备根据各个个人会发生转变,因此,P(ac|lg)通过学习按每个个人来取得。
在此,对学习P(ac|lg)的方法进行论述。
P(ac|lg)在后述的第3.2节中提出的估计生活行动的方法中使用。电子设备伴随着从1个动作状态向另外1个动作状态的转变来工作。转变由于个人的手动操作或电子设备的自动控制而发生。
在本实施方式中,概率性地表现出生活行动与电子设备的动作状态的关系。
如在后述的第3.1节中说明的那样,电子设备根据各动作状态产生功率消耗。另外,在行动lk持续的期间,电子设备ac从动作状态向另外1个动作状态按照以下的概率发生转变。
这是,在生活行动lk中,能够通过计算家电的动作状态从转变为的次数,并除以的次数来进行计算。
这表示行动lk下的电子设备ac的的持续时间的分布。表现为被区分为持续时间的各个长度的状态的持续时间的比率的柱状图。另外,能够将柱状图表示为分布函数(例如,归一化分布函数)。
初始状态(行动lk中的的ac)的分布通过利用行动lk的总数除以初始状态为的某个lk的行动的数目来进行计算。
在为了特定的个人而预先提供足够的学习数据的情况下,通过每个个人的学习来取得P(ac|lg)。但是,难以事前充分地进行每个个人的学习。由于上述情况,可以基于电子设备的功能来确定P(ac|lg)来代替每个个人的学习。电子设备ac中,将能够在与该功能一致的行动lg中使用的上述概率设为Pf(lg|ac)。
Pf(lg|ac)是预先根据电子设备具有的功能,手动确定的。该情况下,使用以下的公式(1)来计算P(ac|lg)。
通过将P(ac)和P(lg)设为同样的分布,由此,将C作为成为∫P(ac|lg)d ac=1这样的归一化常数来取得P(ac|lg)=C·Pf(lg|ac)。
在学习每个个人的家电的使用方法的数据有效的情况下,利用公式(2)学习数据。在此,如果将lg设为行动的总数,将使用电子设备ac进行过标签lg的行动的比率设为f(c、g),则每个个人的P(ac|lg)能够如以下那样学习。
在此,是存在于正在学习的数据中的生活行动的集合。
基本上,如果电子设备ac在lg的生活行动中被频繁使用的话,则假设P(ac|lg)较高。即,利用f(c、g)能够定义P(ac|lg)。但是,几乎所有的在生活行动中所使用的电子设备(例如“空气自动调节器”、“换气扇”及其他)对确定生活行动不起作用。
另一方面,仅在特定的生活行动中使用而在其他行动中不使用的电子设备(例如在“烹调”中使用的“IH烹饪用具”)能够对确定生活行动起作用。因此,对f(c、g)提供表示该家电对生活行动的确定起多少作用的权重系数0<λ(c)≤1。在ac用于许多的生活行动中的情况下设定为小的值,仅在用于特定的生活行动中的情况下设定为大的值。
另外,作为电子设备自身具有的功能,存在对生活行动的某个种类有用的可能性,这由P(lg|ac)来表现。最后,如公式(2)中所示,根据f(c、g)和P(lg|ac)来确定P(ac|lg)。将学会的P(ac|lg)与电子设备函数进行比较,该电子设备函数是在第4节中论述的实验中依据代入P(ac|lg)的函数。
<2.3电子设备行动状态模型>
使用混合式/动态系统来定义将电子设备的动作状态与电子设备的功率消耗模式进行对应的模型。具有电子设备ac(包括“电力切断”的状态)的各个动作状态各个动作状态产生功率消耗模式
此时,与电子设备ac的动作状态相对应的功率消耗的变动模式使用每个动作状态的动态系统来表现。
在本实施方式中,如下述那样,假设各个动态系统(功率消耗的变动模式)能够由归一化分布模型来表现。
虽然也能够利用更加详细的模型(例如卡尔曼滤波器)来更加正确地表现动态系统,但大部分的电子设备能够利用如(3)那样的归一化分布来表现。通过预先学习这样的动作状态和各动作状态的动态系统,来取得电子设备的功率消耗模式与动作状态的对应。
<2.4人物位置模型>
如图37所示,生活行动l与电子设备功率消耗模式W的关系受个人的位置r的影响。如在第2节的最前面说明的那样,事前根据平面布置手动分配生活行动与个人的位置的关系P(r|l)。在该节中,为了从电子设备的功率消耗模式W估计个人的位置r而导入“状态空间模型的人物位置模型”(作者:山田祐辅、加藤丈和、松山隆司)。关于上述模型的基本技术思想在后面进行叙述。
个人在使用某个电子设备时,移动至该电子设备的附近的位置,操作电子设备而进行使用。通过这样的人为的操作来变更电子设备的动作状态,电子设备的功率消耗模式随之发生转变。然后,个人移动至另一个电子设备的附近的位置,重复操作电子设备。
如在第2.3节的最前面说明的那样,能够根据电子设备ac的功率消耗模式来估计电子设备ac的动作状态,并且,能够根据所操作的电子设备ac的被操作的位置来估计个人的位置。rt表现时刻t的个人的位置。通过利用上述模型来应用粒子滤波运算法则[6],从而取得个人的位置的概率分布P(rt)。该情况下,将时刻t处的作为个人的位置产生最大的P(rt)的位置rt作为个人的位置进行确定。
<3.LAPC模型上的双向转换>
在该节中,对在以LAPC模型为基础的个人的生活行动与功率消耗模式之间进行双向转换的方法进行说明。
<3.1根据个人的生活行动产生功率消耗模式>
假设利用平面模型表现的行动顺序 关于利用LAPC模型,为了各个电子设备,在各个时刻(秒)产生功率消耗模式的方法,参照图39所示的流程图的步骤S305~S350进行说明。
首先,在步骤S305中,对每个电子设备(在此,为了清楚性,删除电子设备ac的标签c)指定重复各要素的变量。
接下来,在步骤S310中,设成:中的示出a的动作状态的指数为m∈Z>0。随机地,根据成为的条件来确定初始状态qk,m=1、,并确定用于开始时间qk,m=1、的
接下来,在步骤S315中,根据持续时间τk,m状态qk,m、随机地确定m,并确定用于成为结束时间ek,m=Sk,m+τk,m的状态qk,m。
接下来,在步骤S320中,如果持续时间τk,m=0,则前进至步骤S345。
另一方面,在步骤S325中,如果结束时间ek,m为则前进至步骤S330,确定为然后前进至步骤S345。
在步骤S335中,设为m=m+1。
接下来,在步骤S340中,根据这一条件随机地确定下一状态qk,m、,确定为Sk,m=ek,m-1+1秒,然后前进至步骤S315。
接下来,步骤S345中,如果为则前进至步骤S350,输出由动作状态(从qk,j,l≤j≤m至)构成的所产生的顺序Ik。
输出:I={I1,I2,...,IQ}
由此,能够得到输出:I={I1,I2,...,IQ}。
上述方法中,为了构成顺序Ik,1≤k≤Q,而分别随机地选择动作状态和上述状态的持续时间。
在上述步骤S345中,计算初始的动作状态的概率分布的结果和顺序Ik中的动作状态的状态转变概率。在此,在状态转变概率的计算结果比阀值β大的情况下,上述方法输出顺序,在其他情况下,将上述顺序看作不恰当,而再次产生上述顺序。
存在IL中同时发生多个行动的可能性。存在为了不同的行动而产生电子设备的不同的动作状态的可能性。因此,在上述部分中输出的i中,存在电子设备的多个不同的动作状态不延误地重合的可能性。但是,为了1个电子设备,可以仅1个动作状态存在1次。
在上述方法中,只不过是在平均功率消耗为i的状态下,保持各个电子设备在各个时刻的最大的上述动作状态。各个电子设备的各个动作状态的上述平均功率消耗在第2.3节中说明的上述动态系统中有效。
最后,上述方法中,对于各个电子设备独立地输出动作状态顺序。
在取得电子设备的动作状态顺序之后,上述方法中,利用第2.3节中说明的动态系统来为了电子设备产生功率消耗模式。
为了上述所取得的顺序的电子设备ac的各个动作状态上述方法中,利用相对于分布的随机采样在各个时刻更加正确地取得上述功率消耗模式
其结果是,通过合计每个电子设备的功率消耗量,能够利用家庭全体成员的功率消耗模式。
<3.2根据功率消耗模式估计个人的生活行动状态>
示出了根据基于上述LAPC模型的电子设备功率消耗模式来估计生活行动的上述方法。
<3.2.1估计电子设备动作状态>
在估计期间<0、T>内的生活行动时,上述方法首先根据用于各个电子设备的上述期间内的上述功率消耗模式来估计上述动作状态。将各个时刻0≤t≤T的电子设备ac的功率消耗模式的上述顺序设为
在上述方法中,通过从时刻t-J至t+J为止,找到与上述功率消耗模式一致的具有最大限度的确率的动作状态,从而在时刻t,为了将动作状态估计为
在第4节中说明的上述实验中,设定为J=5秒。
如在第2.3节中说明的那样,动态系统在LAPC模型中有效。
如下述那样,基于使用贝叶斯推理的动态系统,来计算
在此,将和假设为同样的分布。并且,D是形成下式的归一化常数。
为了在取得各个时刻t的动作状态之后,取得各个动作状态的持续时间,同时积聚连续的相同的动作状态。最后,能够取得动作状态的一系列的连续的持续时间。
<3.2.2估计生活行动状态>
根据每个电子设备的动作状态的顺序对生活行动的估计进行说明。
如图40所示,在各个电子设备的各个动作状态的结束时间,对几次的持续时间{I1、I2、…、IK}中的期间<0、T>开始取样。
在各个持续时间IK、1≤k≤K,为了各个电子设备而仅存在1个动作状态。假设1个主行动在各个IK处发生。并且,存在最多1个副行动与主行动同时发生的可能性。
将在IK处出现的{a1、a2、…、aO}中的、各个电子设备的上述动作状态的集合设为
将个人在IK的期间逗留最长时间的房间设为rk。如在该节中后述的那样,无需获知在上述方法中在各个时刻的个人的正确的位置。
在以下内容中,首先,对估计个人的生活行动的问题进行形式上的定义。
问题1:作为输入,
(1)预先定义的生活行动候补(例如“烹调”、“扫除”、“洗澡”及其他)的集合L
(2)持续时间{I1、I2、…、IK}的顺序
(3)如果给出了各个电子设备的动作状态的与各个持续时间IK、1≤k≤K,的期间的个人的位置rk的集合,则如下述的公式(6)那样,估计一个主行动lm与一个副行动lS的组合适应于各个持续时间IK而产生。
在此,Lnull示出不发生生活行动的情况。
为了估计公式(6),使用基于采用贝叶斯推理的LAPC模型的以下的规则。
并且,如在第2.1节说明的那样,假设副行动相对于个人的位置是独立的。P(rk|lm)根据主行动lm和平面布置被预先给出。
例如,由于在“厨房”执行“烹调”,因此,分配P(厨房|烹调)=1。P(lS|lm)为存在与被给出副行动的主行动同时发生的可能性的概率,能够根据各个行动的内容手动给出。例如,由于不存在扫除发生在洗澡过程中的可能性,因此,分配P(扫除|洗澡)。
P(Qk,rk)为已经观察了Qk和rk的概率,其与主行动lm和副行动lS无关。将概率P(Qk,rk)与形成下式的归一化常数γ互换。
∫P(lm、ls|Qk、rk)d lmd ls=1
P(lm)是主行动的过去的分布,在此假设为是同样的分布。因此,估计中仅具有P((Q)k|lm、lS)。
通过假设各个电子设备的使用概率彼此独立,来计算使用了以下的公式(8)的P((Q)k|lm、lS)。
在本实施方式中,讨论按每个电子设备ac计算的方法。
在电子设备的电源被切断的情况下,任何生活行动都没有意义。设为示出电子设备ac在时间持续时间Ik的期间内电源被切断的状态,该情况下,确定:
如以下的公式那样,为了电子设备ac的其他动作状态,通过从1减去电子设备ac无论是在主行动lm还是在lf都不被使用的概率,来计算
对于P(ac|lg),能够特意为了各个个人而通过学习来确定、或者能够为了任何一个个人(参照第2.2节)基于电子设备函数来确定。在公式(7)中,在连续的2个持续时间内不考虑生活行动的关系。但是,在生活行动的期间内,应该同样考虑转变概率。
图41示出了存在于连续的2个持续时间之间的依赖关系。
在使用被扩大至公式(7)的以下的公式(11)的lk,2≤k≤K,中,估计生活行动。
公式(11)能够与公式(7)同样地进行计算。其中,需要估计:
概率应该根据生活行动之间的转变概率、Ik-1和Ik的长度以及各个生活行动的持续时间分布来进行分配以便成为最好的结果。
在本实施方式中,为了清楚而在生活行动之间根据转变概率仅确定2个概率。
估计存在“烹调”之后的行动为“进餐”的倾向。
<3.2.3估计手法的概要>
在以下内容中,对根据电子设备功率消耗模式来估计个人的生活行动的方法进行概括。
确定生活行动候补的集合L。
确定与房屋的配置图相对应的P(rk|lm)。确定与各个行动的内容相对应的P(lS|lm)。使用在第2.2节中提出的模型,确定关于基于学习或电子设备函数的各个行动ac和各个生活行动lg的P(ac|lg)。
关于持续时间Ik,
(1)使用在第2.3节中提出的动态系统,根据电子设备的功率消耗模式取得{a1、a2、…、aO}中的各个电子设备的动作状态的集合
(2)使用在第2.4节中被导入的、将电子设备的操作和生活者的位置关联起来的人物位置模型来取得个人的位置rk。
(3)与使用公式(11)的副行动lS∈L一同估计主行动lm∈L。
作为在一个期间内估计生活行动的脱机的方法,在上述部分中对本实施方式的方法进行说明。
实际上,本实施方式的方法可以在联机和脱机的双方中使用。
在分别在上述部分进行说明的步骤(1)和步骤(2)中,本实施方式的方法能够根据各个电子设备的实时功率消耗模式直接取得下式和rk。
因此,本实施方式的方法能够进行生活行动的实时估计。
在第2实施方式的生活行动估计装置101的结构中,构成为,利用问卷来从个人收集关于成为在图11的(b)所示那样的处理中使用的标签的“睡眠”、“进餐”、“烹调”等居住地周围环境中的基本的事项的活动时间带,例如以EXCEL(注册商标)这样的表的形式,将由生活行动(例如,烹调)及其时间带构成的数据预先输入生活行动估计装置101中,并且,在图31所示的生活行动估计装置101中,最终生成功率消耗模式。
图42是示出本发明的第3实施方式的生活行动估计装置201的结构的框图。
参照图42所示的功能框图,对本发明的第3实施方式的生活行动估计装置201的结构进行说明。
本发明的第3实施方式的生活行动估计装置201的特征在于,除第2实施方式的生活行动估计装置101外,还具有生活行动估计部201g。
生活行动估计部201g基于由功率消耗模式生成部101p生成的功率消耗模式取得各个电子设备的动作状态的集合,并使用将电子设备的操作和生活者的位置关联起来的人物位置模型,取得生活者的位置,由此来估计取决于位置的主行动和不取决于位置的副行动。
这样,能够根据功率消耗模式来估计个人的主行动和副行动,能够在EoD系统的导入之前,通过模拟来事前验证涉及到电子设备的个人的主行动和副行动,由此能够考虑到个人的生活行动,使EoD系统的导入变得容易。
在本实施方式的方法中,电子设备(生活行动候补的一览表和基于电子设备函数的概率P(ac|lg)的一览表能够在不同的配置图的房屋中共有。
但是,在本实施方式的方法中,对各个电子设备的平面布置和位置同样要求取得个人的位置。为了估计主行动,个人的位置是必需的。难以在这样的一个严格的先决条件下为了实用化而应用本实施方式的方法。
<4.实验>
在第4.2节中,首先,对根据电子设备功率消耗模式来估计个人的生活行动的方法进行评价。
如在第2.4节说明的那样,为了利用本实施方式的方法来取得1个人的位置,可以使用人物位置模型(作者:山田祐辅、加藤丈和、松山隆司)。在USN、vol.111、no.134、pp.25-30、2011,通过能够以较高的适用率来估计个人的位置的实验,确认了上述模型。
在该节所示出的实验中,为了不伴随上述模型的干扰地对估计个人的生活行动的方法进行评价,手动指出个人所在的房间。
在第4.3节中,对根据利用事例研究指出的生活行动来产生功率消耗模式的上述方法进行评价。
<4.1数据集合和设定>
在电子设备通过智能抽头与供给电力连接的智慧型房屋中进行实验。
图44是示出配置有电子设备的房屋的配置图的图。以厘米为单位来示出房间的位置。房间的面积为538×605cm2。在图43中示出的第1行和第1列,分别在一览中示出了生活行动的所有14个标签和34个电子设备的一部分。在本实施方式中,考虑1个人生活的个人的事例。使由合作者A、B和C表示的3个个人分别在房屋中生活4天、2天、5天的期间,然后提问。为了每15分钟记录他们的生活行动,向他们提问。
<4.2生活行动估计的评价>
如在第3.2节中说明的那样,电子设备ac在生活行动lg中被使用的概率P(ac|lg)可以利用2个方法来确定。
第1,根据电子设备的函数,分配P(ac|lg)=C·Pf(lg|ac)。从每个Pf(lg|ac)的得分中选择{0.5,1.0,1.5,2.0,2.5,3.0}。
ac的函数说明了通过执行生活行动lg而最高记录更加有用。例如,“电视”显然能够用于“看电视”,因此,分配成Pf(电视|看电视)=3.0。
“电视”能够用于“娱乐”,因此,分配成Pf(娱乐|电视)=1.0。各个照明存在对“个人卫生意识”有用的可能性,因此,分配成Pf(个人卫生|起居室/照明)=Pf(个人卫生|卧室/照明)=...=0.5。
以电子设备函数为基础的概率能够应用于估计任何一个个人的生活行动。
第2,使用公式(2)的每个合作者能够学习P(ac|lg)。为了对于各个合作者评价合作者的1天的数据,一边学习数据一边使用合作者的另一天的数据。
图43示出了为了对以电子设备函数为基础的概率和合作者A的1天进行评价而学会的概率。
2种概率分别利用Σac∈AP(ac|lg)=1被归一化。如在公式(2)中被定义的那样,右端的列示出各个电子设备的λ(c)值。
由于合作者A总是长时间接通空气自动调节器的开关,因此,“空气自动调节器”的λ(c)值为最小值。
“电视”、“客厅室内灯”、“冰箱”的λ(c)值同样为较小的值。相反地,“清扫器”、“吹风机”的λ(c)值为最大值。λ(c)值与在第2.2节叙述的研究一致。各个单元中的“/”的前后的值分别为基于电子设备函数的概率和学会的概率。
学会的概率与基于电子设备函数的概率完全不同。例如,在进餐的期间内,合作者A接通了电视的开关。结果是,学会的为P(电视|进餐)=0.10,可是,电子设备函数是基于P(电视|进餐)=0。作为另一个示例,根据情况,在洗澡的期间内,合作者A接通电视、空气自动调节器、洗衣机、客厅室内灯、厨房照明的开关。
同样,其他合作者进一步学习P(ac|lg)。注意到各个合作者学会的概率P(ac|lg)不同。例如,在洗澡的期间内,虽然C不接通电视的开关,但合作者A和B接通电视的开关。
在本实施方式中,由于空间限制,在此,省略关于其他合作者学会的P(ac|lg)的说明。该情况下,分别使用基于电子设备函数的P(ac|lg)和学会的P(ac|lg)来估计使用在第3.2节提出的方法的合作者A的4天的各生活行动。同样,估计各个合作者B、C的每天的生活行动。例如,图45示出了合作者A的从00:00:00至23:59:59的1天中的实际的生活行动顺序(a)和所估计的生活行动顺序(b)。
在图45的(c)中,各颜色表示生活行动的种类在右边上方被举例证明的情况。乍一看,使用学会的P(ac|lg)所估计的顺序(图45的(c))与实际的1个顺序完全一致。
在本实施方式的方法中,例如,进一步高效地估计合作者A在进行烹调的期间内看电视、或合作者A在洗澡的期间内洗衣服这样的同时发生的生活行动。在将使用学会的P(ac|lg)所估计的顺序与使用基于P(ac|lg)的电子设备函数所估计的顺序进行比较的情况下,无法估计“洗澡”发生在00:30前后,并且,无法估计“洗澡”发生在23:00前后。如图42所示,基于“洗澡”过程中的空气自动调节器、客厅室内灯的概率的电子设备函数是0。
基于“个人卫生”中的这些电子设备的概率的电子设备函数不是0。在洗澡的期间内,合作者A接通了这些电子设备的开关。
因此,在使用基于概率的电子设备函数的本实施方式的方法中,错误地将“个人卫生”看作“洗澡”。但是,通过从关于合作者A的各个生活行动中学习这些电子设备的使用概率,能够在本实施方式的方法中,正确地估计“洗澡”。
通过行使再现率和适用率来在量上评价本实施方式的方法。
如果假设给出了实际的生活行动la,则对在与生活行动la相同的持续时间内出现的被估计的生活行动的集合Le进行调查。集合Le包括主行动和副行动。在此,主行动不会从副行动分离。在存在与集合Le中的生活行动la相同种类的生活行动的情况下,看作生活行动la被正常地估计出来。该情况下,作为在实际的生活行动顺序中被正确地估计的行动的比率,计算再现率。
相反地,如果假设给出了被估计的生活行动,则对在与作为生活行动Le的持续时间相同的时间内出现的实际的生活行动的集合la进行调查。在存在与集合la中的生活行动Le相同种类的生活行动的情况下,看作被估计的行动Le是正确的。该情况下,作为被估计的生活行动顺序的正确的行动的比率,计算适用率。
图46是按合作者A、B和C的每天分别示出再现率、适用率和F值的图。
“再现率”的各个单元的“/”的前后的值分别为被正确地估计出来的行动的数目和实际的行动的总数。“适用率”的各个单元的“/”的前后的值分别为被正确地估计出来的行动的数目和被估计出来的行动的总数。
在本实施方式的方法中,开始,使用学习11天的7个个人的电子设备的使用概率的P(ac|lg),产生更高的F值。
进行了学习的情况下的再现率、适用率和F值的平均值为0.771、0.786和0.773,可以说,进行了学习的这一方实验结果优异。另一方面,即使在不进行学习的情况下也能够得到充分的再现率、适用率。
下面,对各个合作者的各天的结果进行调查。
合作者A的各天的F值类似。合作者B的第1天的结果因为学习而稍差。为了评价合作者B的第1天,学习B的第2天。在合作者B的第1天发生的一部分行动在B的第2天不发生。由于学习数据不充分,因此,关于合作者B,无法正确地学习P(ac|lg)。应该考虑到,如果更进一步具有所学习的数据的话,能够关于合作者B取得更好的结果。在合作者C的5天的结果中,第1天的结果差。在第1天,合作者C执行了“谈话”和“休息”。在上述2种行动中,不特别使用电子设备。
结果是,在本实施方式的方法中,用于检测上述2种行动不起作用。其中,研究的最终的目标是在各个行动中估计各个电子设备的优先度。
在行动中不特别使用电子设备的情况下,为了最终的目标可以忽视上述行动。
由于通过学习个人的电子设备使用概率P(ac|lg)来估计生活行动,因此,证实了本实施方式的方法有效。但是,难以为了进行上述学习而收集根据各个用户进行分类的数据。
另一方面,在本实施方式的方法中,即使在采用了基于能够应对任何用户的电子设备的功能的家电使用概率P(ac|lg)的情况下,也能够以充分的适用率来估计出生活行动。
作为今后的研究,作为能够对所有的用户进行应用的一般的模型,首先构成具有基于概率P(ac|lg)的电子设备函数的LAPC模型,该情况下,在通常的模型上估计生活行动的期间内,按每个用户联机地学习个人的电子设备使用概率P(ac|lg)。逐渐,按每个用户将上述通常的模型更新为个人的模型。
<4.3产生功率消耗模式的评价>
对为了通过事例研究根据生活行动来产生功率消耗模式而在第3.1节提出的上述方法进行评价。
图47的(a)是示出合作者A的第1天的实际的功率消耗模式的图。
第1,根据合作者A的另外3天,学习在第2.2节说明的概率分布
以及
该情况下,以学会的概率分布,根据上述的天的实际的生活行动来产生使用本实施方式的方法的功率消耗模式。
图47的(b)(c)示出了由于本实施方式的方法具有随机性而在不同的或相同的实验条件下取得的2个产生模式。2个产生模式双方与实际的产生模式(图47的(a))完全类似。用产生模式适当地对上述实际的功率消耗模式的大部分的峰值进行模拟。可以说,利用LAPC模型构成的本实施方式的方法对根据生活行动来模拟电子设备功率消耗模式有用。
另一方面,在本实施方式的方法中,无法生成一部分功率消耗峰值的模式。
应考虑的问题是:
(1)在本实施方式的方法中,关于电子设备的共现或排他性没有考虑到的点、
(2)一部分电子设备的功率消耗(例如,空气自动调节器、戏剧性的转变)。
特别是,在本实施方式的方法中,无法模拟通过起动设置于图47的(a)所示的“冰箱”中的压缩机而产生的峰值功率211。
这些峰值由于冰箱的压缩机的激活而产生。
原因是,采用归一化分布被模型化的动态系统在动作状态的期间内,生成在极短时间内产生的该类峰值的可能性极小。
标号说明
1:生活行动估计装置;10:存储器;11:智能抽头;12:数据库;12b:电子设备功能模型表;12d:生活行动;2e:状态变化概率表格;12e:电子设备状态转变概率表;12f:状态持续长度概率表;12g:电子设备使用频度表;12h:生活行动存储部;1a:CPU;1b:电子设备状态估计部;1c:电子设备事件检测部;1d:第1权重取得部;1e:第2权重取得部;1f:电子设备权重乘法运算部;1g:生活行动估计部;1i:电子设备状态估计部;1j:电子设备事件检测部;1k:下一状态概率估计部;20:电子设备;30:功率控制装置;32:商用电源;50:EoD控制系统;101:生活行动估计装置;101a:CPU;101m:电子设备状态估计部;101n:电子设备事件检测部;101o:下一状态概率估计部;101p:功率消耗模式生成部。
Claims (11)
1.一种生活行动估计系统,所述生活行动估计系统具备:至少1个电子设备,其设置于规定的空间内;智能抽头,其对所述电子设备供给电力;生活行动估计装置,其估计所述空间内的生活者的生活行动中的涉及电子设备的事件;以及网络,其经由所述智能抽头将所述电子设备与所述生活行动估计装置连接起来,所述生活行动估计系统的特征在于,
所述生活行动估计装置具备:
电子设备利用状态估计单元,其基于从所述电子设备接收的功率值来估计电子设备的利用状态;
事件信息检测单元,其基于某个时刻的电子设备的利用状态及其之前的时刻的电子设备的利用状态,检测所述空间内的事件信息;
第1权重取得单元,其基于从事件发生时刻开始的经过时间,从保持第1权重的第1电子设备功能模型表取得基于所述事件信息的每个生活行动的第1权重,该第1权重示出电子设备的利用状态的转变与生活行动之间的关系;
第2权重取得单元,其基于所述电子设备的利用状态,从保持第2权重的第2电子设备功能模型表取得每个生活行动的第2权重,该第2权重示出电子设备的利用状态与生活行动之间的关系;
电子设备权重乘法运算单元,其基于将所述第1权重乘以所述第2权重得到的积,按每个所述电子设备计算出该积的和;以及
生活行动估计单元,其将每个所述电子设备的积的和为最大值的生活行动估计为所述生活者的实际的生活行动。
2.根据权利要求1所述的生活行动估计系统,其特征在于,
所述生活行动估计系统具备下一利用状态概率估计单元,所述下一利用状态概率估计单元从示出所述电子设备的利用状态转变的概率的利用状态转变概率表取得下一利用状态的转变概率,并基于下一利用状态的转变概率,从示出下一利用状态持续的时间概率的利用状态持续长度概率表取得与事件发生后的经过时间相对应的转变概率,并且,基于所述下一利用状态转变概率和与所述经过时间相对应的转变概率,计算在下一利用状态下工作的电子设备的概率分布。
3.根据权利要求2所述的生活行动估计系统,其特征在于,
在所述电子设备不在使用中的情况下,所述下一利用状态概率估计单元按每个生活行动,从示出使用电子设备的概率的电子设备使用频度表取得与生活行动标签对应的电子设备使用频度,并从示出电子设备的利用状态转变为其他利用状态的概率的电子设备状态转变概率表取得初始利用状态分布。
4.一种生活行动估计装置,其估计规定的空间内的生活者的生活行动,其特征在于,
所述生活行动估计装置具备:
存储单元,其存储示出问卷信息的各时刻的生活行动标签,其中所述问卷信息用于估计规定的空间内的生活者的生活行动;
利用状态取得单元,其从所述存储单元取得电子设备的规定时刻的利用状态和前一利用状态;
电子设备事件检测单元,其基于由所述利用状态取得单元取得的电子设备的利用状态和前一利用状态,检测示出所述生活空间内的生活行动的事件种类信息;
下一利用状态概率估计单元,其从示出电子设备的利用状态转变为其他利用状态的概率的利用状态转变概率表取得下一利用状态的转变概率,并且,基于下一利用状态的转变概率,从示出该利用状态所持续的时间概率的状态持续长度概率表取得与事件发生后的经过时间相对应的转变概率,并且,基于所述下一利用状态转变概率和与所述经过时间相对应的转变概率,计算下一利用状态的概率分布;以及
功率消耗模式生成单元,其根据所述下一利用状态的概率分布,生成示出功率值的功率消耗模式。
5.根据权利要求4所述的生活行动估计装置,其特征在于,
在所述电子设备不在使用中的情况下,所述下一利用状态概率估计单元从示出生活行动中使用电子设备的概率的电子设备使用频度表取得与生活行动标签对应的电子设备使用频度,并从示出电子设备的利用状态转变为其他利用状态的概率的电子设备利用状态转变概率表取得初始利用状态分布。
6.一种生活行动估计程序,所述生活行动估计程序具备:至少1个电子设备,其设置于规定的空间内;智能抽头,其对所述电子设备供给电力;生活行动估计装置,其估计所述空间内的生活者的生活行动中的涉及电子设备的事件;以及网络,其经由所述智能抽头将所述电子设备与所述生活行动估计装置连接起来,并且由设置于所述生活行动估计装置中的处理器执行该生活行动估计程序,所述生活行动估计程序的特征在于,
所述生活行动估计装置通过处理器执行以下步骤:
电子设备利用状态估计步骤,基于从所述电子设备接收的功率值,估计电子设备的利用状态;
电子设备事件检测步骤,基于某个时刻的电子设备的利用状态及其之前的时刻的电子设备的利用状态,检测表示所述空间内的生活行动的事件种类信息;
第1权重取得步骤,基于从事件发生时刻开始的经过时间,从保持第1权重的第1电子设备功能模型表取得基于所述事件信息的每个生活行动的第1权重,该第1权重示出电子设备的利用状态的转变与生活行动之间的关系;
第2权重取得步骤,基于所述电子设备的利用状态,从保持第2权重的第2电子设备功能模型表取得生活行动的第2权重,该第2权重示出电子设备的利用状态与生活行动之间的关系;
电子设备权重乘法运算步骤,基于将所述第1权重乘以所述第2权重得到的积,按每个所述电子设备计算出该积的和;以及
生活行动估计步骤,将每个所述电子设备的积的和为最大值的生活行动估计为所述生活者的实际的生活行动。
7.一种记录有权利要求6所述的程序的计算机可读记录介质。
8.一种生活行动估计程序,所述生活行动估计程序是由设置于生活行动估计装置的处理器执行的程序,该生活行动估计装置估计规定的空间内的生活者的生活行动中的涉及电子设备的事件,其特征在于,
所述生活行动估计程序使处理器执行以下步骤:
存储步骤,存储示出问卷信息的各时刻的生活行动标签,其中所述问卷信息用于估计规定的空间内的生活者的生活行动;
利用状态取得步骤,根据电子设备的某个时刻的电子设备的利用状态及其之前的时刻的电子设备的利用状态,从所述存储单元取得所述空间内的利用状态和前一利用状态;
电子设备事件检测步骤,基于通过所述利用状态取得步骤取得的电子设备的利用状态和前一利用状态来检测示出所述生活空间内的生活行动的事件种类信息;
下一利用状态概率估计步骤,从示出电子设备的利用状态转变为其他利用状态的概率的利用状态转变概率表取得下一利用状态的转变概率,并且,基于下一利用状态的转变概率,从示出该利用状态所持续的时间概率的利用状态持续长度概率表取得与事件发生后的经过时间相对应的转变概率,并且,基于所述下一利用状态转变概率和与所述经过时间相对应的转变概率来计算下一利用状态的概率分布;以及
功率消耗模式生成步骤,根据所述下一利用状态的概率分布,生成示出功率值的功率消耗模式。
9.一种记录有权利要求8所述的程序的计算机可读记录介质。
10.根据权利要求4所述的生活行动估计装置,其特征在于,
所述生活行动估计装置具有生活行动估计单元,该生活行动估计单元基于由所述功率消耗模式生成单元生成的所述功率消耗模式,取得各个电子设备的动作形式的集合,并使用将所述电子设备的操作与生活者的位置关联起来的人物位置模型,取得生活者的位置,估计取决于所述位置的主行动和不取决于所述位置的副行动。
11.根据权利要求8所述的生活行动估计程序,其特征在于,
所述生活行动估计程序使处理器执行生活行动估计步骤,即基于通过所述功率消耗模式生成步骤生成的所述功率消耗模式取得各个电子设备的动作形式的集合,并使用将所述电子设备的操作与生活者的位置关联起来的人物位置模型,取得生活者的位置,估计取决于所述位置的主行动和不取决于所述位置的副行动。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013025732 | 2013-02-13 | ||
JP2013-025732 | 2013-02-13 | ||
PCT/JP2014/053278 WO2014126131A1 (ja) | 2013-02-13 | 2014-02-13 | 生活行動推定システム、生活行動推定装置、生活行動推定プログラム、及び記録媒体 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104995654A true CN104995654A (zh) | 2015-10-21 |
Family
ID=51354129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480008765.8A Pending CN104995654A (zh) | 2013-02-13 | 2014-02-13 | 生活行动估计系统、生活行动估计装置、生活行动估计程序及记录介质 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20160003876A1 (zh) |
EP (1) | EP2958072A4 (zh) |
JP (1) | JPWO2014126131A1 (zh) |
KR (1) | KR20150123253A (zh) |
CN (1) | CN104995654A (zh) |
SG (1) | SG11201505467XA (zh) |
WO (1) | WO2014126131A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013008935A1 (ja) * | 2011-07-13 | 2013-01-17 | 日東電工株式会社 | オンデマンド型電力制御システム、オンデマンド型電力制御システムプログラム及びそのプログラムを記録したコンピュータ読み取り可能な記録媒体 |
EP3082096A4 (en) * | 2013-12-10 | 2016-10-26 | Panasonic Ip Man Co Ltd | DEMAND PRESENCE DEVICE AND PROGRAM |
JP6076242B2 (ja) * | 2013-12-20 | 2017-02-08 | 三菱電機株式会社 | 配電系統の負荷予測装置および配電系統の負荷予測方法 |
JP6338984B2 (ja) * | 2014-09-12 | 2018-06-06 | 株式会社東芝 | 行動分析装置、行動分析方法、及びプログラム |
JP6425553B2 (ja) * | 2015-01-20 | 2018-11-21 | Kddi株式会社 | 階層的な状態遷移モデルを用いて活動関連量を予測する装置、プログラム及び方法 |
JP6158859B2 (ja) * | 2015-05-13 | 2017-07-05 | ヤフー株式会社 | 予測装置、端末、予測方法及び予測プログラム |
US9898024B2 (en) * | 2015-06-08 | 2018-02-20 | Honeywell International Inc. | Energy consumption modeling |
JP7052291B2 (ja) * | 2017-10-30 | 2022-04-12 | 株式会社豊田中央研究所 | 系列生成装置及びプログラム |
JP7265847B2 (ja) * | 2018-08-18 | 2023-04-27 | 中電技術コンサルタント株式会社 | 電力データ処理システム及び電力データ処理システムを用いて電力データを処理する方法 |
CN113645638B (zh) * | 2021-07-27 | 2023-10-31 | 常州大学 | 一种智能手机合并转发延迟时间评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1428963A (zh) * | 2001-12-25 | 2003-07-09 | 松下电器产业株式会社 | 异常检测装置及异常检测系统 |
JP2005332165A (ja) * | 2004-05-19 | 2005-12-02 | Sekisui Chem Co Ltd | 光熱費予測装置、光熱費予測方法及び光熱費予測プログラム |
CN101989127A (zh) * | 2009-08-03 | 2011-03-23 | 索尼公司 | 数据处理装置、数据处理方法以及程序 |
JP2012174030A (ja) * | 2011-02-22 | 2012-09-10 | Panasonic Corp | エネルギーマネジメントシステム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6539336B1 (en) * | 1996-12-12 | 2003-03-25 | Phatrat Technologies, Inc. | Sport monitoring system for determining airtime, speed, power absorbed and other factors such as drop distance |
JP5178325B2 (ja) * | 2008-05-28 | 2013-04-10 | 株式会社東芝 | 機器制御装置、機器制御方法及びプログラム |
KR101420583B1 (ko) * | 2011-07-13 | 2014-07-16 | 닛토덴코 가부시키가이샤 | 온디맨드형 전력 제어 시스템, 온디맨드형 전력 제어 시스템 프로그램 및 그 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체 |
-
2014
- 2014-02-13 SG SG11201505467XA patent/SG11201505467XA/en unknown
- 2014-02-13 EP EP14751494.7A patent/EP2958072A4/en not_active Withdrawn
- 2014-02-13 WO PCT/JP2014/053278 patent/WO2014126131A1/ja active Application Filing
- 2014-02-13 US US14/767,906 patent/US20160003876A1/en not_active Abandoned
- 2014-02-13 KR KR1020157024853A patent/KR20150123253A/ko not_active Application Discontinuation
- 2014-02-13 CN CN201480008765.8A patent/CN104995654A/zh active Pending
- 2014-02-13 JP JP2015500274A patent/JPWO2014126131A1/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1428963A (zh) * | 2001-12-25 | 2003-07-09 | 松下电器产业株式会社 | 异常检测装置及异常检测系统 |
JP2005332165A (ja) * | 2004-05-19 | 2005-12-02 | Sekisui Chem Co Ltd | 光熱費予測装置、光熱費予測方法及び光熱費予測プログラム |
CN101989127A (zh) * | 2009-08-03 | 2011-03-23 | 索尼公司 | 数据处理装置、数据处理方法以及程序 |
JP2012174030A (ja) * | 2011-02-22 | 2012-09-10 | Panasonic Corp | エネルギーマネジメントシステム |
Also Published As
Publication number | Publication date |
---|---|
JPWO2014126131A1 (ja) | 2017-02-02 |
WO2014126131A1 (ja) | 2014-08-21 |
EP2958072A4 (en) | 2016-09-14 |
EP2958072A1 (en) | 2015-12-23 |
SG11201505467XA (en) | 2015-08-28 |
US20160003876A1 (en) | 2016-01-07 |
KR20150123253A (ko) | 2015-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104995654A (zh) | 生活行动估计系统、生活行动估计装置、生活行动估计程序及记录介质 | |
Li et al. | User-expected price-based demand response algorithm for a home-to-grid system | |
Boudet et al. | Clustering household energy-saving behaviours by behavioural attribute | |
Viegas et al. | Classification of new electricity customers based on surveys and smart metering data | |
Pothitou et al. | ICT entertainment appliances’ impact on domestic electricity consumption | |
Truong et al. | Forecasting multi-appliance usage for smart home energy management | |
Schweizer et al. | Using consumer behavior data to reduce energy consumption in smart homes: Applying machine learning to save energy without lowering comfort of inhabitants | |
Basu et al. | A prediction system for home appliance usage | |
Luo et al. | Non‐intrusive energy saving appliance recommender system for smart grid residential users | |
Labeeuw et al. | Potential of active demand reduction with residential wet appliances: A case study for Belgium | |
Llanos et al. | Load estimation for microgrid planning based on a self-organizing map methodology | |
Clement et al. | Detecting activities of daily living with smart meters | |
Zhu et al. | Scheduling optimization of smart homes based on demand response | |
Weng et al. | Context-aware home energy saving based on energy-prone context | |
CN104680339A (zh) | 一种基于实时电价的家用电器调度方法 | |
Zhang et al. | Learning a context-aware personal model of appliance usage patterns in smart home | |
Eskander et al. | A complementary unsupervised load disaggregation method for residential loads at very low sampling rate data | |
Zhang et al. | Modelling office energy consumption: An agent based approach | |
Costa et al. | Inferring daily routines from electricity meter data | |
Liu et al. | Non-intrusive energy estimation using random forest based multi-label classification and integer linear programming | |
Talwariya et al. | Stackelberg game theory based energy management systems in the presence of renewable energy sources | |
EP2733647B1 (en) | On-demand power control system, on-demand power control system program, and computer-readable recording medium recorded with said program | |
Osman et al. | Stochastic bottom-up load profile generator for Canadian households’ electricity demand | |
Kleidaras et al. | Human in the loop heterogeneous modelling of thermostatically controlled loads for demand side management studies | |
Gotts et al. | Experiments with a model of domestic energy demand |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151021 |