JP2007003296A - Electric appliance monitoring system - Google Patents

Electric appliance monitoring system Download PDF

Info

Publication number
JP2007003296A
JP2007003296A JP2005182385A JP2005182385A JP2007003296A JP 2007003296 A JP2007003296 A JP 2007003296A JP 2005182385 A JP2005182385 A JP 2005182385A JP 2005182385 A JP2005182385 A JP 2005182385A JP 2007003296 A JP2007003296 A JP 2007003296A
Authority
JP
Japan
Prior art keywords
monitoring system
electric
power
electrical equipment
electrical
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
Application number
JP2005182385A
Other languages
Japanese (ja)
Inventor
Hisae Nakamura
久栄 中村
Koichi Ito
伊藤　　公一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toenec Corp
Original Assignee
Toenec Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Toenec Corp filed Critical Toenec Corp
Priority to JP2005182385A priority Critical patent/JP2007003296A/en
Publication of JP2007003296A publication Critical patent/JP2007003296A/en
Pending legal-status Critical Current

Links

Images

Landscapes

  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

<P>PROBLEM TO BE SOLVED: To provide a system for accurately monitoring the operating conditions of a plurality of electric appliances with less influence of noise and without requiring a large number of change operations even when a new electric appliance is added to a power consumer or when an electric appliance is changed by using a stochastic pattern recognition method even when noise is superimposed on a power trunk line which supplies the electric appliances of the power consumer with power. <P>SOLUTION: The electric appliance monitoring system 1 recognizes the pattern of characteristic quantities (for example, a current passing through the power trunk line 2) detected by a sensor 3 set on the power trunk line 2 which is a general term for the trunk line of each distribution switch board which distributes power which has been reduced from high voltage to low voltage to the electric appliances on the premises by the stochastic pattern recognition method on the basis of a hidden Markov model, thereby monitoring the operating conditions of the plurality of electric appliances 4 used by the power consumer and deciding which electric appliance is in an operating condition out of the plurality of electric appliances 4. <P>COPYRIGHT: (C)2007,JPO&INPIT

Description

本発明は、一般家庭や工場、ビルディング等で使用される複数の電気機器の稼動状態を確率統計的なパターン認識手法を用いてモニタリングするための電気機器モニタリングシステムに関する。   The present invention relates to an electrical equipment monitoring system for monitoring the operating states of a plurality of electrical equipments used in general households, factories, buildings, and the like using a stochastic statistical pattern recognition technique.

従来、一般家庭や工場、ビルディング等で使用される複数の電気機器の稼動状態をモニタリングする手法として、例えば、電力需要家に引き込まれている給電線の引込口付近に測定センサを設置し、この測定センサにより検出された測定データから基本波並びに高調波の電流とそれらの電圧に対する位相に関するデータを取り出すことによって、電力需要家が使用している電気機器の稼動状態を、ニューラルネットワークに基づいて推定する電気機器モニタリングシステム（特許文献１参照）がある。   Conventionally, as a method for monitoring the operating state of a plurality of electric devices used in general households, factories, buildings, etc., for example, a measurement sensor is installed near the inlet of a power supply line drawn into a power consumer. Estimate the operating status of electrical equipment used by electricity consumers based on neural networks by extracting data on the fundamental and harmonic currents and their phase relative to the voltage from the measurement data detected by the measurement sensor. There is an electrical equipment monitoring system (see Patent Document 1).

しかしながら、上記従来の電気機器モニタリングシステムの場合、データとして基本波並びに高調波の電流成分を用いているため、電力需要家に引き込まれた給電線に重畳されているノイズ成分により各電流成分の大きさが頻繁に変わることがある。そのため、複数の電気機器の稼動状態を正確にモニタリングすることができない場合がある。また、電力需要家に新たな電気機器が追加された場合、新たな電気機器の稼動時のデータを教師データとして学習させるためには、既にある教師データと一緒に、もう一度はじめからニューラルネットワークの構築をしなおす必要がある。そのため、電力需要家に新たな電気機器が追加された場合のニューラルネットワークの再構築に多大な時間がかかるという問題がある。
特許第３４０３３６８号 However, in the case of the conventional electrical equipment monitoring system described above, since the current components of the fundamental wave and the harmonic are used as data, the magnitude of each current component is caused by the noise component superimposed on the feeder line drawn into the power consumer. May change frequently. Therefore, there are cases where it is impossible to accurately monitor the operating states of a plurality of electrical devices. In addition, when a new electric device is added to a power consumer, in order to learn the data at the time of operation of the new electric device as teacher data, the neural network is constructed from the beginning again with the existing teacher data. It is necessary to redo. Therefore, there is a problem that it takes a lot of time to reconstruct a neural network when a new electric device is added to a power consumer.
Japanese Patent No. 3403368

そこで本発明では、電力需要家の電気機器に電力を供給する電源幹線にノイズが重畳されていても、確率統計的なパターン認識手法を用いることにより、ノイズに影響されることが少なく、且つ電力需要家に新たな電気機器が追加されたり、電気機器が変更されたような場合でも多大な変更作業をすることなく複数の電気機器の稼動状態を正確にモニタリングすることができる電気機器モニタリングシステムを提供することを解決すべき課題とするものである。   Therefore, in the present invention, even if noise is superimposed on the power supply main line that supplies power to the electric appliance of the power consumer, by using the stochastic statistical pattern recognition method, it is less affected by noise and power An electrical equipment monitoring system that can accurately monitor the operating status of multiple electrical equipment without significant changes even when new electrical equipment is added or changed by consumers Providing it is a problem to be solved.

上記課題は、特許請求の範囲の欄に記載した電気機器モニタリングシステムにより解決することができる。
請求項１及び請求項２に記載の電気機器モニタリングシステムによれば、電力需要家が使用する複数の電気機器を予め設定された様々な稼動状態にすると、電源幹線部にセットされたセンサは上記各設定稼動状態での特徴量を検出するため、学習手段は、それぞれの特徴量のパターンを隠れマルコフモデルに基づいてパラメータ化したそれぞれのパラメータを記憶する。これにより、学習手段に記憶されたそれぞれのパラメータは、電力需要家が使用する複数の電気機器の様々な稼動状態に対応したものとなる。次に、電力需要家の複数の電気機器がランダムに稼動している状態で、センサが特徴量を検出すると、判定手段は、そのときの特徴量のパターンの生成確率を、学習手段に記憶されたそれぞれのパラメータに基づいて演算したうえ当該生成確率が最大となるパラメータに基づいて、どの電気機器が稼動状態にあるかを判定する。
このように、請求項１及び請求項２に記載の電気機器モニタリングシステムによれば、隠れマルコフモデルに基づく確率統計的なパターン認識手法を用いたことにより、電源幹線部にノイズが重畳されていてもノイズに影響されることが少なく、且つ電力需要家に新たな電気機器が追加されたり、電気機器が変更されたような場合でも、追加、変更された電気機器の特徴量を学習すればよいために多大な時間を要する変更作業をすることなく、複数の電気機器の稼動状態を正確にモニタリングすることができる。 The above problems can be solved by the electrical equipment monitoring system described in the appended claims.
According to the electrical equipment monitoring system of Claim 1 and Claim 2, if the several electrical equipment which an electric power consumer uses is set to various preset operating states, the sensor set to the power supply trunk part will be described above. In order to detect the feature amount in each set operation state, the learning unit stores each parameter obtained by parameterizing each feature amount pattern based on the hidden Markov model. Thereby, each parameter memorize | stored in the learning means respond | corresponds to various operation states of the some electric equipment which an electric power consumer uses. Next, when a sensor detects a feature amount in a state where a plurality of electric appliances of power consumers are operating at random, the determination unit stores the generation probability of the feature amount pattern at that time in the learning unit. Further, based on the parameter that is calculated based on each parameter and has the maximum generation probability, it is determined which electrical device is in the operating state.
Thus, according to the electrical equipment monitoring system of Claim 1 and Claim 2, the noise is superimposed on the power supply trunk part by using the stochastic statistical pattern recognition method based on the hidden Markov model. However, it is less affected by noise, and even if a new electric device is added to an electric power consumer or an electric device is changed, the feature amount of the added or changed electric device can be learned. Therefore, it is possible to accurately monitor the operating states of a plurality of electric devices without performing a change operation that requires a great amount of time.

請求項３に記載の電気機器モニタリングシステムによれば、学習手段に記憶されているパラメータを更新もしくは交換することができるため、電気機器モニタリングシステムの汎用性を高めることができる。   According to the electrical equipment monitoring system of the third aspect, since the parameters stored in the learning means can be updated or exchanged, the versatility of the electrical equipment monitoring system can be enhanced.

ここで、隠れマルコフモデルの概念について、図１に示した模式図を参照しながら説明する。
図１において、ａ１１，ａ１２，ａ２２，ａ２３，ａ３３，ａ３４は、状態遷移確率を示すもので、ａｉｊは状態Ｓｉから状態Ｓｊに遷移する確率である。また、ｂｉ（ｘ）は状態Ｓｉにおいて特徴量ｘを出力する確率を示す。尚、Ｓ１は初期状態、Ｓ４は最終状態を示している。このように、隠れマルコフモデルは状態遷移確率、出力確率、及び初期状態確率πｉ（初期状態がＳｉである確率）をパラメータとして持ち、それぞれのパラメータを、各設定稼動状態毎に記憶しておくものであり、前述の学習手段の機能に相当する。このように、本発明では、特徴量のパターンを状態遷移確率と出力確率という確率パラメータを用いて表現することから、ノイズによる揺らぎ等を統計的にモデル化することができるため、ノイズに影響されることが少なく、複数の電気機器の稼動状態を正確にモニタリングすることができる。 Here, the concept of the hidden Markov model will be described with reference to the schematic diagram shown in FIG.
In FIG. 1, a11, a12, a22, a23, a33, a34 indicate state transition probabilities, and aij is the probability of transition from state Si to state Sj. Further, bi (x) indicates the probability of outputting the feature quantity x in the state Si. S1 indicates an initial state, and S4 indicates a final state. Thus, the hidden Markov model has the state transition probability, the output probability, and the initial state probability πi (probability that the initial state is Si) as parameters, and each parameter is stored for each set operating state. This corresponds to the function of the learning means described above. As described above, in the present invention, since the feature pattern is expressed using the probability parameters of the state transition probability and the output probability, fluctuations caused by noise can be statistically modeled, and therefore, it is affected by noise. Therefore, it is possible to accurately monitor the operating states of a plurality of electrical devices.

本発明によれば、電力需要家の電気機器に電力を供給する電源幹線にノイズが重畳されていても、確率統計的なパターン認識手法を用いることにより、ノイズに影響されることが少なく、且つ電力需要家に新たな電気機器が追加されたり、電気機器が変更されたような場合でも多大な変更作業をすることなく複数の電気機器の稼動状態を正確にモニタリングすることができる。   According to the present invention, even if noise is superimposed on a power supply trunk line that supplies power to an electric appliance of an electric power consumer, by using a stochastic statistical pattern recognition method, it is less affected by noise, and Even when a new electric device is added to an electric power consumer or an electric device is changed, the operating states of a plurality of electric devices can be accurately monitored without much change work.

次に、本発明の実施の形態について説明する。
図２は、電気機器モニタリングシステム１の全体的な構成を示したブロック図である。この電気機器モニタリングシステム１は、電力需要家が一般家庭であれば、その家屋に引き込まれた給電線や分電盤、工場やビルディングであれば、高圧電圧から低圧電圧に降圧された電力を構内の電気機器に分電するそれぞれの分電盤の幹線等を総称した電源幹線２にセットされたセンサ３により検出された特徴量（例えば電源幹線２に流れる電流）のパターンを、隠れマルコフモデルに基づいた確率統計的なパターン認識手法により認識することによって、電力需要家が使用する複数の電気機器４の稼動状態をモニタリングし、複数の電気機器４の、どの電気機器が稼動状態にあるかを判定するシステムである。 Next, an embodiment of the present invention will be described.
FIG. 2 is a block diagram showing the overall configuration of the electrical equipment monitoring system 1. This electrical equipment monitoring system 1 is configured to supply power that has been stepped down from a high voltage to a low voltage if the power consumer is a general household, and if it is a power supply line or distribution board drawn into the house, or a factory or building. A hidden Markov model is used to display the pattern of features detected by the sensor 3 set on the power supply trunk line 2 that collectively refers to the trunk lines of the distribution boards that distribute power to the electrical equipment (for example, the current flowing through the power supply trunk line 2). The operation status of the plurality of electric devices 4 used by the electric power consumer is monitored by recognizing by a probabilistic statistical pattern recognition method based on which one of the plurality of electric devices 4 is in the operation state. It is a system for judging.

尚、上記センサ３により検出された特徴量の検出信号は一般にアナログ信号であるため、それぞれのアナログ信号はＡ／Ｄ変換回路５でデジタル信号に変換される。Ａ／Ｄ変換回路５から出力されたデジタル信号は、以下に説明する学習段階では学習部６に入力され、複数の電気機器４の稼動状態を判定する場合は判定部７に入力されるようになっている。   In addition, since the detection signal of the feature amount detected by the sensor 3 is generally an analog signal, each analog signal is converted into a digital signal by the A / D conversion circuit 5. The digital signal output from the A / D conversion circuit 5 is input to the learning unit 6 in the learning stage described below, and is input to the determination unit 7 when determining the operating state of the plurality of electrical devices 4. It has become.

上記学習段階とは、電力需要家が使用する複数の電気機器４を予め設定された様々な状態で稼動させている場合に、センサ３により検出されたそれぞれの特徴量のパターンを隠れマルコフモデルに基づいてパラメータ化したそれぞれのパラメータを稼動判定情報として学習部６に記憶する過程をいう。尚、学習部６に記憶されているパラメータは、更新もしくは交換することができるようになっているため、電気機器モニタリングシステム１の汎用性を高めることができる。
また、一般的に、電力需要家が使用する電気機器は、追加されたり変更されるようなことがある。そのような場合、上記学習段階において、追加もしくは変更された電気機器に対するパラメータのみを追加、更新すればよいため、多大な変更作業をすることがない。 In the learning stage, when a plurality of electric devices 4 used by electric power consumers are operated in various preset states, the pattern of each feature amount detected by the sensor 3 is used as a hidden Markov model. This refers to the process of storing each parameter parameterized on the basis of the operation determination information in the learning unit 6. In addition, since the parameter memorize | stored in the learning part 6 can be updated or exchanged, the versatility of the electric equipment monitoring system 1 can be improved.
In general, electric devices used by electric power consumers may be added or changed. In such a case, since only the parameter for the added or changed electric device needs to be added or updated in the learning stage, a great change work is not performed.

次に、判定部７は、複数の電気機器４をランダムに稼動させている状態でセンサ３により検出された特徴量のパターンを生成する確率（尤度）を、上記学習部６に予め記憶されているそれぞれのパラメータに基づいて演算し、当該生成確率（尤度）が最大となるパラメータを決定したうえ、そのパラメータに対応した稼動判定情報に基づいて、現在、複数の電気機器４の、どの電気機器が稼動しているかを判定する。   Next, the determination unit 7 stores, in the learning unit 6 in advance, the probability (likelihood) of generating a feature amount pattern detected by the sensor 3 in a state where a plurality of electrical devices 4 are randomly operated. Is calculated based on each of the parameters, and the parameter that maximizes the generation probability (likelihood) is determined. Based on the operation determination information corresponding to the parameter, which of the plurality of electrical devices 4 is currently Determine if electrical equipment is in operation.

上記稼動状態の判定に用いる特徴量としては、電源幹線２で検出された電流や電力、あるいは電源幹線２の電圧に対する電流の位相などが採用される。また、これら特徴量に対して周波数解析した周波数スペクトルや周波数スペクトルの時系列も特徴量として含む。また、電源幹線２を流れる電流の基本波や高調波電流成分のパターンを特徴量としてもよい。更に、センサ３で直接的に検出される量や、センサ３で直接的に検出された量を基にコンピュータなどで作成される量を特徴量としてもよい。また、多種センサから得られたいくつかの特徴量を組み合わせたものを特徴量としてもよい。あるいは、多種の特徴量から作られる多次元分布、または多次元分布の時系列などを特徴量としてもよい。更に、多特徴量（多次元）に対して、主成分分析や自己組織化マップなどを用いて、多特徴量を１次元などに低次元化したものを特徴量としてもよい。   As the feature amount used for the determination of the operating state, a current or power detected in the power supply main line 2 or a phase of current with respect to the voltage of the power supply main line 2 is employed. Further, a frequency spectrum obtained by frequency analysis of these feature amounts and a time series of frequency spectra are also included as feature amounts. Further, a pattern of a fundamental wave or a harmonic current component of the current flowing through the power supply main line 2 may be used as the feature amount. Furthermore, an amount directly detected by the sensor 3 or an amount created by a computer or the like based on an amount directly detected by the sensor 3 may be used as the feature amount. Further, a combination of several feature amounts obtained from various sensors may be used as the feature amount. Alternatively, a feature quantity may be a multidimensional distribution created from various feature quantities or a time series of multidimensional distributions. Furthermore, a multi-feature quantity (multi-dimensional) may be obtained by reducing the multi-feature quantity to one dimension or the like using a principal component analysis or a self-organizing map.

また、全ての電気機器の稼動状態における特徴量を検出することが困難な場合がある。そのような場合は、各電気機器の稼動状態における特徴量のパターンをコンピュータのシミュレーション等で作成したものを用いてもよい。   In addition, it may be difficult to detect feature amounts in the operating state of all electrical devices. In such a case, a pattern of feature values in the operating state of each electrical device created by computer simulation or the like may be used.

尚、前記学習部６において、特徴量のパターンをパラメータ化するとき、前向きアルゴリズム（Forward Algorithm）や後向きアルゴリズム(Backward Algorithm)などを含む計算アルゴリズム適用して計算する。また、判定部７においては、特徴量のパターンを生成する確率（尤度）を、前述の学習部６に記憶されているパラメータを用いて計算する場合、前向きアルゴリズムもしくは後向きアルゴリズムなどを含む計算アルゴリズムを適用して計算する。   In the learning unit 6, when the feature amount pattern is parameterized, calculation is performed by applying a calculation algorithm including a forward algorithm and a backward algorithm. Further, in the determination unit 7, when calculating the probability (likelihood) of generating a feature quantity pattern using the parameters stored in the learning unit 6, a calculation algorithm including a forward algorithm or a backward algorithm Apply to calculate.

表示部８は、上記判定部７で判定された複数の電気機器４の稼動状態を表示するものであり、学習部６、判定部７を構成するコンピュータのディスプレイ部である。尚、判定部７で判定された複数の電気機器４の稼動状態は、上記のようにコンピュータのディスプレイに表示されるとともに、通信部９により通信回線１１を介して、例えば電力会社、あるいは工場やビルディングの中央監視装置や、電力需要家が一般家庭であれば、警備会社や親類縁者宅に送信することができる。   The display unit 8 displays the operating states of the plurality of electrical devices 4 determined by the determination unit 7, and is a computer display unit that constitutes the learning unit 6 and the determination unit 7. The operating states of the plurality of electrical devices 4 determined by the determination unit 7 are displayed on the computer display as described above, and the communication unit 9 via the communication line 11, for example, a power company, a factory, If the central monitoring device of the building or the electric power consumer is a general household, it can be transmitted to a security company or a relative's house.

尚、以上説明したＡ／Ｄ変換回路５、学習部６、判定部７をまとめて隠れマルコフモデル部（ＨＭＭ部）１０として、以後の説明に用いる。   The A / D conversion circuit 5, the learning unit 6, and the determination unit 7 described above are collectively used as a hidden Markov model unit (HMM unit) 10 in the following description.

次に、電気機器モニタリングシステム１の具体的な使用例について説明する。
図３は、電気機器モニタリングシステム１の具体的な使用例を図示した系統図であり、この場合の電気機器モニタリングシステム１は、単相三線式の電源幹線２に接続された複数の電気機器４の稼動状態をモニタリングするものである。但し、電源幹線２は二線で示しているが、各電気機器４に供給される電圧は、電気機器の電源特性により１００Ｖ系（中性線とＡ相間もしくは中性線とＢ相間）と２００Ｖ系（Ａ相―Ｂ相間）がある。 Next, a specific usage example of the electrical equipment monitoring system 1 will be described.
FIG. 3 is a system diagram illustrating a specific usage example of the electrical equipment monitoring system 1. The electrical equipment monitoring system 1 in this case includes a plurality of electrical equipments 4 connected to a single-phase three-wire power supply trunk line 2. It monitors the operating state of the. However, although the power supply trunk line 2 is shown by two lines, the voltage supplied to each electric device 4 is 100V system (between the neutral line and the A phase or between the neutral line and the B phase) and 200V depending on the power characteristic of the electric device. There is a system (between phase A and phase B).

一般家庭で使用される電気機器を考えた場合には、例えばテレビ、冷蔵庫、エアコン、照明器具、洗濯機、パソコン、掃除機などがあり、ビルディングや工場等で使用される電気機器は、例えば工作機械、溶接機、ロボット、コンベヤ、パソコン、照明器具、大型コンピュータ、大型空調機などがある。これらの電気機器に流れる電流は、各電気機器それぞれに応じて特徴的な波形となる。例えば、１００Ｖ電源に接続されたパソコンの電源電流波形は図４のようになり、照明器具の蛍光灯の電源電流波形は図５のようになる。   When considering electrical equipment used in general households, there are TVs, refrigerators, air conditioners, lighting equipment, washing machines, personal computers, vacuum cleaners, etc., and electrical equipment used in buildings, factories, etc. There are machines, welding machines, robots, conveyors, personal computers, lighting equipment, large computers, large air conditioners, etc. The current flowing through these electrical devices has a characteristic waveform according to each electrical device. For example, a power supply current waveform of a personal computer connected to a 100 V power supply is as shown in FIG. 4, and a power supply current waveform of a fluorescent lamp of a lighting fixture is as shown in FIG.

上記のように、各電気機器の電源電流は、それぞれ特徴的な波形を示すため、複数の電気機器４が稼動している状態で、電源幹線２にセットされたＣＴ（電流変成器をセンサとする）３により検出した電流を特徴量とし、その特徴量を隠れマルコフモデル部１０に送る。   As described above, since the power supply current of each electric device shows a characteristic waveform, the CT (current transformer as a sensor) set on the power supply main line 2 while a plurality of electric devices 4 are operating. The current detected in step 3 is used as a feature value, and the feature value is sent to the hidden Markov model unit 10.

図３において、上記のように複数の電気機器４が稼動している状態で、電源幹線２にセットされたＣＴ（センサ）３により電流が検出されると、それぞれのアナログ信号は前述のＡ／Ｄ変換回路５でデジタル信号に変換されたあと、判定部７に入力される。
尚、図３における複数の電気機器４を予め設定された様々な稼動状態で稼動させた場合に、センサ３により検出されたそれぞれの特徴量のパターンを隠れマルコフモデルに基づいてパラメータ化したそれぞれのパラメータを稼動判定情報として学習部６に記憶するという前述の学習段階は既に実行されている。 In FIG. 3, when a current is detected by a CT (sensor) 3 set on the power supply main line 2 in a state where a plurality of electrical devices 4 are operating as described above, each analog signal is represented by the A / A described above. After being converted to a digital signal by the D conversion circuit 5, it is input to the determination unit 7.
In addition, when the plurality of electric devices 4 in FIG. 3 are operated in various preset operating states, each feature amount pattern detected by the sensor 3 is parameterized based on a hidden Markov model. The aforementioned learning step of storing the parameter as operation determination information in the learning unit 6 has already been executed.

Ａ／Ｄ変換回路５でデジタル信号に変換された信号が判定部７に入力されると、判定部７は、複数の電気機器４のランダムな稼動状態でセンサ３により検出された特徴量のパターンを生成する確率（尤度）を、前述の学習部６に予め記憶されているそれぞれのパラメータに基づいて演算し、当該生成確率（尤度）が最大となるパラメータを決定したうえ、そのパラメータに対応した稼動判定情報に基づいて、現在、複数の電気機器４の、どの電気機器が稼動しているかを判定する。   When a signal converted into a digital signal by the A / D conversion circuit 5 is input to the determination unit 7, the determination unit 7 detects the feature amount pattern detected by the sensor 3 in a random operating state of the plurality of electrical devices 4. Is calculated based on the respective parameters stored in the learning unit 6 in advance, and a parameter that maximizes the generation probability (likelihood) is determined. Based on the corresponding operation determination information, it is determined which of the plurality of electrical devices 4 is currently operating.

上記のように判定部７により現在稼動中の電気機器が判定されると、表示部８は稼働中の電気機器を表示する。また、通信部９は、通信回線１１を介し、現在稼動中の電気機器を、電力会社あるいは工場やビルディングの中央監視装置等や、電力需要家が一般家庭であれば、警備会社や親類縁者宅に設けられた管理装置に送信する。   As described above, when the determination unit 7 determines the currently operating electrical device, the display unit 8 displays the currently operating electrical device. In addition, the communication unit 9 can connect the currently operating electrical equipment via a communication line 11 to a power company or a central monitoring device of a factory or building, or a security company or a relative's home if the power consumer is a general household. To the management device provided in

以上の使用例の場合は、単相三線式電源で使用される複数の電気機器４の稼動状態をモニタリングする例について説明したが、３相電源で使用される複数の電気機器４の稼動状態をモニタリングする場合でも同様である。即ち、三相電源幹線における特徴量をセンサで検出し、その特徴量のパターンに対して隠れマルコフモデルに基づいた確率統計的なパターン認識手法を適用すれば、三相電源で使用される複数の電気機器４の稼動状態をモニタリングすることができる。   In the case of the above use example, although the example which monitors the operation state of the some electric equipment 4 used with a single phase three-wire power supply was demonstrated, the operation state of the some electric equipment 4 used with a three-phase power supply is demonstrated. The same applies to monitoring. In other words, if a feature quantity in a three-phase power supply main line is detected by a sensor and a probability statistical pattern recognition method based on a hidden Markov model is applied to the pattern of the feature quantity, a plurality of patterns used in the three-phase power supply The operating state of the electric device 4 can be monitored.

尚、センサをセットする位置は、電力需要家が一般家庭であれば、給電線の引込口付近や、分電盤に設けられたブレーカの幹線部などであり、工場やビルディングの場合は、各分電盤の幹線部などが考えられる。   In addition, if the electric power consumer is a general household, the position where the sensor is set is the vicinity of the feeder inlet, the trunk part of the breaker provided in the distribution board, etc. The trunk part of the distribution board can be considered.

隠れマルコフモデルの概念説明図である。It is a conceptual explanatory view of a hidden Markov model. 電気機器モニタリングシステムの系統図である。It is a systematic diagram of an electric equipment monitoring system. 電気機器モニタリングシステムの一使用例を示した系統図である。It is the systematic diagram which showed one usage example of the electric equipment monitoring system. 電気機器の電源電流の波形図である。It is a wave form diagram of the power supply current of an electric equipment. 電気機器の電源電流の波形図である。It is a wave form diagram of the power supply current of an electric equipment.

符号の説明Explanation of symbols

１ 電気機器モニタリングシステム
２ 電源幹線
３ センサ
４ 複数の電気機器
５ Ａ／Ｄ変換回路
６ 学習部
７ 判定部
８ 表示部
９ 通信部
１０ 隠れマルコフモデル部 DESCRIPTION OF SYMBOLS 1 Electrical equipment monitoring system 2 Power supply trunk line 3 Sensor 4 Multiple electrical equipment 5 A / D conversion circuit 6 Learning part 7 Judgment part 8 Display part 9 Communication part 10 Hidden Markov model part

Claims (3)

電力需要家が使用する複数の電気機器の稼動状態をモニタリングする電気機器モニタリングシステムであって、
前記複数の電気機器を予め設定された様々な状態で稼動させた場合の特徴量と前記複数の電気機器がランダムに稼動している状態での特徴量とを前記複数の電気機器に電力を供給する電源幹線部において検出するセンサと、前記複数の電気機器の設定稼動状態で前記センサにより検出された様々な特徴量のパターンを隠れマルコフモデルに基づいてパラメータ化したそれぞれのパラメータを記憶する学習手段と、前記複数の電気機器のランダム稼動状態で前記センサにより検出された特徴量のパターンの生成確率を前記学習手段に記憶されたそれぞれのパラメータに基づいて演算したうえ当該生成確率が最大となるパラメータに基づいて前記複数の電気機器のどの電気機器が稼動しているかを判定する判定手段と、を備えたことを特徴とする電気機器モニタリングシステム。 An electrical equipment monitoring system for monitoring the operating state of a plurality of electrical equipment used by electric power consumers,
Supply power to the plurality of electrical devices with the feature amount when the plurality of electrical devices are operated in various preset states and the feature amount when the plurality of electrical devices are operating randomly. And a learning means for storing each parameter obtained by parameterizing a pattern of various feature amounts detected by the sensor in a set operation state of the plurality of electric devices based on a hidden Markov model. And a parameter that maximizes the generation probability after calculating the generation probability of the pattern of the feature amount detected by the sensor in the random operation state of the plurality of electrical devices based on the respective parameters stored in the learning means And determining means for determining which one of the plurality of electric devices is operating based on Electrical equipment monitoring system. 請求項１に記載の電気機器モニタリングシステムであって、前記複数の電気機器の設定稼動状態で前記センサにより検出されたそれぞれの特徴量のパターンを前記学習手段においてパラメータ化する際に、少なくとも前向きアルゴリズムや後向きアルゴリズムを含む計算アルゴリズムを用い、また、前記複数の電気機器のランダム稼動状態で前記判定手段が前記センサにより検出された特徴量のパターンの生成確率を前記学習手段に記憶されたそれぞれのパラメータに基づいて演算する場合は、少なくとも前向きアルゴリズムもしくは後向きアルゴリズムを含む計算アルゴリズムを用いることを特徴とする電気機器モニタリングシステム。   2. The electrical equipment monitoring system according to claim 1, wherein at least a forward algorithm is used when the learning unit parameterizes each feature amount pattern detected by the sensor in a set operation state of the plurality of electrical equipments. And a calculation algorithm including a backward algorithm, and each of the parameters stored in the learning unit is a pattern generation probability of the feature amount detected by the sensor by the determination unit in a random operation state of the plurality of electrical devices. When calculating based on the above, an electrical equipment monitoring system using a calculation algorithm including at least a forward algorithm or a backward algorithm. 請求項１又は請求項２に記載の電気機器モニタリングシステムであって、前記学習手段に記憶されているパラメータを更新もしくは交換することができることを特徴とする電気機器モニタリングシステム。   The electrical equipment monitoring system according to claim 1 or 2, wherein the parameters stored in the learning means can be updated or exchanged.
JP2005182385A 2005-06-22 2005-06-22 Electric appliance monitoring system Pending JP2007003296A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2005182385A JP2007003296A (en) 2005-06-22 2005-06-22 Electric appliance monitoring system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2005182385A JP2007003296A (en) 2005-06-22 2005-06-22 Electric appliance monitoring system

Publications (1)

Publication Number Publication Date
JP2007003296A true JP2007003296A (en) 2007-01-11

Family

ID=37689083

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2005182385A Pending JP2007003296A (en) 2005-06-22 2005-06-22 Electric appliance monitoring system

Country Status (1)

Country Link
JP (1) JP2007003296A (en)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009303415A (en) * 2008-06-16 2009-12-24 Nec System Technologies Ltd Equipment discriminator, program and method
GB2464927A (en) * 2008-10-28 2010-05-05 Isis Innovation Apparatus and method for metering the use of electricity
WO2011084390A1 (en) * 2009-12-16 2011-07-14 Robert Bosch Gmbh Method for non-intrusive load monitoring using a hybrid systems state estimation approach
JP2012064023A (en) * 2010-09-16 2012-03-29 Sony Corp Data processor, data processing method and program
WO2013030552A1 (en) * 2011-08-26 2013-03-07 Intelligent Sustainable Energy Limited Utility consumption identification
JP2013109742A (en) * 2011-11-21 2013-06-06 Jiaotong Univ Method and system for detecting electrical appliances based on user feedback information
JP2013120478A (en) * 2011-12-07 2013-06-17 Mitsubishi Electric Corp Operating apparatus identification device, monitoring device and operating apparatus identification method and program
WO2013141094A1 (en) * 2012-03-22 2013-09-26 Kabushiki Kaisha Toshiba Behavioral model generating device and method therefor
JP2013213825A (en) * 2012-03-30 2013-10-17 Infometis Co Ltd Method of monitoring electric instrument, and monitoring device
JP2014511096A (en) * 2011-01-28 2014-05-01 ザ ボード オブ リージェンツ オブ ザ ネバダ システム オブ ハイヤー エデュケーション オン ビハーフ オブ ザ デザート リサーチ インスティテュート Method and system for signal identification
US8818774B2 (en) 2012-03-22 2014-08-26 Kabushiki Kaisha Toshiba Behavioral model generating device and method therefor
US8843334B2 (en) 2008-07-17 2014-09-23 Isis Innovation Limited Utility metering
JP2015212848A (en) * 2014-05-01 2015-11-26 トヨタ自動車株式会社 Power consumption behavior estimation apparatus
JP2016102775A (en) * 2014-11-12 2016-06-02 日本電信電話株式会社 Electrical apparatus operating state identification method and system
JP2017041988A (en) * 2015-08-20 2017-02-23 パナソニックＩｐマネジメント株式会社 Measuring system, distribution board, and construction method for measuring system
JP2019513001A (en) * 2016-03-05 2019-05-16 パノラミック・パワー・リミテッドＰａｎｏｒａｍｉｃ Ｐｏｗｅｒ Ｌｔｄ． System and method for current consumption monitoring and device state determination based on its machine learning
JPWO2018047966A1 (en) * 2016-09-12 2019-06-27 日本電気株式会社 Waveform separation apparatus, method, program
WO2021130869A1 (en) * 2019-12-24 2021-07-01 三菱電機株式会社 Apparatus state assessment system, electricity meter, and method for assessing state of apparatus
US11255888B2 (en) 2018-03-20 2022-02-22 Honda Motor Co., Ltd. Load estimating device and power supply device
US11454658B2 (en) 2018-03-20 2022-09-27 Honda Motor Co., Ltd. Load estimating device and power generator
US11821955B2 (en) 2018-03-20 2023-11-21 Honda Motor Co., Ltd. Load estimation device and portable power-supplying device

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009303415A (en) * 2008-06-16 2009-12-24 Nec System Technologies Ltd Equipment discriminator, program and method
US8843334B2 (en) 2008-07-17 2014-09-23 Isis Innovation Limited Utility metering
GB2464927A (en) * 2008-10-28 2010-05-05 Isis Innovation Apparatus and method for metering the use of electricity
GB2464927B (en) * 2008-10-28 2010-12-01 Isis Innovation Apparatus and method for metering the use of electricity
WO2011084390A1 (en) * 2009-12-16 2011-07-14 Robert Bosch Gmbh Method for non-intrusive load monitoring using a hybrid systems state estimation approach
US8209062B2 (en) 2009-12-16 2012-06-26 Robert Bosch Gmbh Method for non-intrusive load monitoring using a hybrid systems state estimation approach
US9898442B2 (en) 2010-09-16 2018-02-20 Sony Corporation Data processing device, data processing method, and program
JP2012064023A (en) * 2010-09-16 2012-03-29 Sony Corp Data processor, data processing method and program
JP2014221005A (en) * 2010-09-16 2014-11-20 ソニー株式会社 Data processor, data processing method and program
US8892376B2 (en) 2010-09-16 2014-11-18 Sony Corporation Data processing device, data processing method, and program
JP2013218715A (en) * 2010-09-16 2013-10-24 Infometis Co Ltd Electrical apparatus estimation device, method of the same, and program
JP2014511096A (en) * 2011-01-28 2014-05-01 ザ ボード オブ リージェンツ オブ ザ ネバダ システム オブ ハイヤー エデュケーション オン ビハーフ オブ ザ デザート リサーチ インスティテュート Method and system for signal identification
WO2013030552A1 (en) * 2011-08-26 2013-03-07 Intelligent Sustainable Energy Limited Utility consumption identification
JP2013109742A (en) * 2011-11-21 2013-06-06 Jiaotong Univ Method and system for detecting electrical appliances based on user feedback information
JP2013120478A (en) * 2011-12-07 2013-06-17 Mitsubishi Electric Corp Operating apparatus identification device, monitoring device and operating apparatus identification method and program
US8818774B2 (en) 2012-03-22 2014-08-26 Kabushiki Kaisha Toshiba Behavioral model generating device and method therefor
JP2013196631A (en) * 2012-03-22 2013-09-30 Toshiba Corp Action model generator and method of the same
WO2013141094A1 (en) * 2012-03-22 2013-09-26 Kabushiki Kaisha Toshiba Behavioral model generating device and method therefor
JP2013213825A (en) * 2012-03-30 2013-10-17 Infometis Co Ltd Method of monitoring electric instrument, and monitoring device
JP2015212848A (en) * 2014-05-01 2015-11-26 トヨタ自動車株式会社 Power consumption behavior estimation apparatus
JP2016102775A (en) * 2014-11-12 2016-06-02 日本電信電話株式会社 Electrical apparatus operating state identification method and system
JP2017041988A (en) * 2015-08-20 2017-02-23 パナソニックＩｐマネジメント株式会社 Measuring system, distribution board, and construction method for measuring system
JP2019513001A (en) * 2016-03-05 2019-05-16 パノラミック・パワー・リミテッドＰａｎｏｒａｍｉｃ Ｐｏｗｅｒ Ｌｔｄ． System and method for current consumption monitoring and device state determination based on its machine learning
JPWO2018047966A1 (en) * 2016-09-12 2019-06-27 日本電気株式会社 Waveform separation apparatus, method, program
JP7156029B2 (en) 2016-09-12 2022-10-19 日本電気株式会社 WAVEFORM SEPARATOR, METHOD AND PROGRAM
US11255888B2 (en) 2018-03-20 2022-02-22 Honda Motor Co., Ltd. Load estimating device and power supply device
US11454658B2 (en) 2018-03-20 2022-09-27 Honda Motor Co., Ltd. Load estimating device and power generator
US11821955B2 (en) 2018-03-20 2023-11-21 Honda Motor Co., Ltd. Load estimation device and portable power-supplying device
WO2021130869A1 (en) * 2019-12-24 2021-07-01 三菱電機株式会社 Apparatus state assessment system, electricity meter, and method for assessing state of apparatus
JPWO2021130869A1 (en) * 2019-12-24 2021-07-01
CN114829953A (en) * 2019-12-24 2022-07-29 三菱电机株式会社 Device state determination system, electricity meter, and device state determination method
JP7170913B2 (en) 2019-12-24 2022-11-14 三菱電機株式会社 Device state determination system, electricity meter, and device state determination method

Similar Documents

Publication Publication Date Title
JP2007003296A (en) Electric appliance monitoring system
JP4565511B2 (en) Electrical equipment operating state estimation system
CN105652739B (en) Load power supply device and system for real-time execution of hierarchical load identification algorithms
AU2009238183B2 (en) Electrical anomaly detection method and system
US12062921B2 (en) Smart power system
CN105866526A (en) Monitoring method and system for diagnosing electrical device abnormities by use of power consumption fluctuation
CN102713772A (en) Method and system for engineering a substation automation system
JP2011017674A (en) System and program for estimation of electrical apparatus operation state
CN102565622A (en) Electric device and method to detect arc fault in the same
CN103869181B (en) Monitoring device and method for identifying electric device thereof
CN102193551A (en) Method for carrying out optimal management on intelligent household electricity tide based on Internet of things
JP5665250B2 (en) Power quality evaluation system
KR101652109B1 (en) Power monitoring device
Liu et al. A Dual-spine Approach to Load Error Repair in a HEMS Sensor Network
CN106200449B (en) Information processing method and information processing apparatus
WO2015115137A1 (en) Monitoring device, monitoring system, monitoring method, correction information creation device, correction information creation method, and program
KR102221051B1 (en) Intelligent Smart Motor Diagnosis/Control System Based on Dual Communication Network
JP2009261226A (en) Method, device, and program for detecting operation status of distributed power supply
WO2008076586A1 (en) Methods and apparatus to monitor system health
Yilmaz Implementation of programmable logic controller-based home automation
CN109313228A (en) Electrical network check device
CN109416381A (en) Identify and determine the state of frozen products insulated container
CN103823970A (en) Abnormity alarming identification method for doubling relay protecting device on basis of algorithm model
WO2015182217A1 (en) Monitoring system, monitoring device, server, method for operating monitoring device, method for operating server, and program
KR101110677B1 (en) Appliance control device and method thereof

Legal Events

Date Code Title Description
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20070925

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20071002

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20071127

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20090428