JP2016103133A - 計量メータの状態変化検出装置及びプログラム - Google Patents

Abstract

【課題】センサ等を追加せずにエネルギーの使用量の時系列変化から計量メータの交換、断線などの状態変化を検出する。【解決手段】計量メータから発信されるパルス信号に基づき、電気の使用量の単位時間あたりの増加量を正規化した特徴量を演算する特徴量演算手段１４と、特徴量が正常時に取りうる値の範囲を規定する閾値を、当該特徴量の標準偏差から演算する正常学習手段１５と、特徴量演算手段１４が演算した特徴量を前記閾値と比較することで計量メータの交換、断線などの状態変化を検出する異常検出手段１６と、を備える。【選択図】図１

Description

この発明は、電気、ガス、水道に代表されるエネルギーの計量メータの交換、断線などの状態変化を検出する装置に関するものである。

電気、ガス、水道などの使用量の検針には、アナログ式の計量メータが広く利用されている。計量メータは、単位使用量あたりに１パルスの電気信号を出力することができ、ビル管理システムなどが、そのパルス信号を受信する。これにより、計量メータ設置場所にてメータの指す値（以後、メータ値）を目視で確認せずとも、ビル管理システムなどでメータ値を監視することができる。単位使用量あたりのパルス数は、メータ毎にパルス単位、例えば電気の場合は、“pulse/ｋＷｈ”として定義されている。

本発明に関する先行例として、特許文献１では、計量されたガスの流量から、計量メータに接続されているガス器具を推定している。

また、特許文献２では、設備診断装置が設備の変更を検知する方法について示されている。

また、特許文献３，４では、過去の信号の中から、目的信号を検出する方法について示されている。

また、特許文献５では、データの中から、異常を検知する方法について示されている。

特開２００３−１４９０２７号公報 特開２０１４−４９０６７号公報 特開２００８−１４５５０５号公報 国際公開２００６／００９０３５号 国際公開２０１０／０４１４４７号

計量メータとビル管理システムなどの監視装置を結ぶ接続線が、経年劣化などにより断線あるいは接触不良を起こした場合、計量メータからビル管理システムに送信されるパルス信号が無くなる、もしくはパルス信号の数が減る。この場合、ビル管理システムにて正しいメータ値を監視することが不可能になる。その結果、電気、ガス、水道の使用量を正しく把握することが難しくなり、好適な省エネルギー、省資源の対策を計画することが難しくなる。また、ビル管理システムが監視しているメータ値を基に、ビル内の各テナントなどに対して、電気、ガス、水道などの使用料を課金している場合、誤った使用料を請求することにつながりかねない。そのため、断線等の不具合を早期に検出し、修理する必要がある。

また、計量メータがパルス単位の異なる別の計量メータに交換された場合、同一の電気、ガス、水道の使用量に対し、計量メータからビル管理システムに送信されるパルス信号の数が変化する。この場合、ビル管理システム側のパルス単位の設定を修正しないと、ビル管理システムにて正しいメータ値を監視することが不可能になる。その結果、電気、ガス、水道の使用量を正しく把握することが難しくなり、好適な省エネルギー、省資源の対策を計画することが難しくなる。また、ビル管理システムが監視しているメータ値を基に、ビル内の各テナントなどに対して電気、ガス、水道などの使用料を課金している場合、誤った使用料を請求することにつながりかねない。そのため、計量メータの交換を早期に検出し、ビル管理システムのパルス単位またはパルス定数（ｋＷｈ／ｐｕｌｓｅ）の設定を早期に修正する必要がある。

しかしながら、元々、計量メータのパルス信号の数は、電気、ガス、水道などを使用している設備の運転状況に依存する。例えば、設備が停止する、あるいは設備が増加するなどにより、計量メータからビル管理システムに送信されるパルス信号の数は変化する。したがって、パルス信号の数が増減する、あるいは電気、ガス、水道の使用量が増減したとしても、従来、ビル管理システムが計量メータの断線や変更を検出することは難しかった。

特許文献１では、ガスの流量からガスを使用しているガス器具を推定する技術が示されている。しかしながら、ガスの流量が正しく計量されていることが前提の技術であり、特許文献１の技術によって、計量メータの断線や変更を検出することはできない。

また、特許文献２では、設備診断装置が設備の変更を検出する技術が示されている。しかしながら、第１の実施の形態では、設備診断装置と設備管理装置の設備情報を比較することで設備の変更を検出しているため、設備管理装置が設備の変更を検出していないと、設備診断装置が設備の変更を検出することができない。設備管理装置が設備の変更を検出する方法については示されていない。また、第２の実施の形態では、「電力量＜定格電力量−しきい値」となった場合に、設備の変更を検出する方法が示されているが、定格電力量は設備毎に異なるため、計量メータが計量している電気を使用している設備毎に定格電力量を設定する必要が生じ、作業負担が大きい。また、上述のとおり、電力の使用量は、運転状況により変化するため、しきい値の設定次第で一時的な電力量の変化により設備の変更を誤検出する可能性がある。

また、特許文献３，４では、蓄積された信号の中から、目的信号と類似した信号を検出する技術が示されている。しかしながら、計量メータの変更によるパルス信号の数の増減、あるいは電気、ガス、水道の使用量の増減など、検出したい信号（目的信号）が不定の場合、特許文献３の技術をそのまま適用できない。仮に、検出したい信号が不定であるために、最新の信号が過去に蓄積された信号の中に存在しないことを検出するとした場合、上述のとおり、電力の使用量は、運転状況により変化するため、一時的に過去に蓄積された信号の中に存在しない信号を示す可能性がある。したがって、過去に蓄積された信号の中に存在せず、かつ運転状況の変化によるメータ値の一時的な変化ではないことを検出する方法が必要になるが、特許文献３は、当該方法について具体的に示されていない。

また、特許文献５では、予め正常時のデータ（参照データ）を生成する参照データ生成手段と、特徴量を自発的に生成する正規分布記憶手段を備え、前記正規分布記憶手段が生成した特徴量を、前記参照データと入力データとで各々比較し、参照データに近い確率を、入力データの参照データ（正常時のデータ）に対する非類似度とすることで、入力データの異常を検出する技術が示されている。しかしながら、予め参照データを用意する必要がある。

本発明は、上記問題点を解決するためになされたものであり、センサ等を追加せずにエネルギーの使用量の時系列変化から計量メータの交換、断線などの状態変化を検出することを目的とする。

本発明に係る計量メータの状態変化検出装置は、エネルギーの使用に応じて計量メータから発信されるパルス信号に基づき、エネルギーの使用量の単位時間あたりの増加量を正規化した特徴量を演算する特徴量演算手段と、前記特徴量が正常時に取りうる値の範囲を規定する閾値を、当該特徴量の標準偏差から演算する正常学習手段と、前記特徴量演算手段が演算した特徴量と前記正常学習手段が演算した閾値から前記計量メータの状態変化を検出する検出手段と、を備えるものである。

また、前記特徴量演算手段は、前記特徴量を、エネルギーの使用量の単位時間あたりの増加量のローパスフィルタ適用後の値から演算するものである。

また、前記特徴量演算手段が前記特徴量の演算に利用するエネルギーの使用量の期間を演算するデータ長学習手段を備え、前記データ長学習手段は、前記正常学習手段が演算する特徴量の標準偏差から前記期間を演算するものである。

また、前記状態変化検出装置と接続する複数の計量メータを一定の規則に基づき分類するグループ化手段を備え、前記正常学習手段は、前記グループ化手段によって分類された計量メータのグループ毎に、前記閾値を演算するものである。

本発明に係るプログラムは、コンピュータを、エネルギーの使用に応じて計量メータから発信されるパルス信号に基づき、エネルギーの使用量の単位時間あたりの増加量を正規化した特徴量を演算する特徴量演算手段、前記特徴量が正常時に取りうる値の範囲を規定する閾値を、当該特徴量の標準偏差から演算する正常学習手段、前記特徴量演算手段が演算した特徴量と前記正常学習手段が演算した閾値から前記計量メータの状態変化を検出する検出手段、として機能させるためのものである。

この発明によれば、センサなどを追加することなく、作業員が計量メータの確認作業を実施しなくとも、計量メータの交換や計量メータの断線等、計量メータの状態変化を検出することが可能になる。

また、エネルギーの使用量の単位時間あたりの増加量のローパスフィルタ適用後の値から上記特徴量を演算することで、計量メータの状態変化の誤検出の低減することができる。

また、データ長学習手段を備えることで、計量メータの状態変化の検出時間を短縮することができる。

本発明に係る状態変化検出装置の一実施の形態のブロック構成図である。 本実施の形態における記録手段に記憶されたデータ構成の一例を示す図である。 本実施の形態における状態変化検出装置の動作フローを説明するための図である。 本実施の形態における特徴量演算手段の動作を説明するための図である。 本実施の形態における正常学習手段の動作を説明するための図である。

図１は、本発明の実施の形態１にかかる計量メータの状態変化検出装置の構成図である。本実施の形態における状態変化検出装置１は、１又は複数の計量メータ２と電気的に接続し、パルス信号を受信する。状態変化検出装置１は、通信手段１１、使用量算出手段１２、グループ化手段１３、特徴量演算手段１４、正常学習手段１５、異常検出手段１６、データ長学習手段１７、出力手段１８、記録手段１００を備える。各構成要素１１〜１８，１００は、各々電気的に接続される。このうち、構成要素１１〜１８は、ＣＰＵ、ＲＯＭ、ＲＡＭ等を搭載するマイクロコンピュータ等のコンピュータと、コンピュータに搭載されたＣＰＵで動作するプログラムとの協調動作により実現される。記録手段１００は、コンピュータに搭載されたＲＡＭ、ＨＤＤ等の記憶手段、あるいはネットワークを介してアクセス可能な外部の記憶手段により実現される。

また、本実施の形態で用いるプログラムは、通信手段１１を介して提供することはもちろん、ＣＤ−ＲＯＭやＵＳＢメモリ等のコンピュータ読み取り可能な記録媒体に格納して提供することも可能である。通信手段や記録媒体から提供されたプログラムはコンピュータにインストールされ、コンピュータのＣＰＵがプログラムを順次実行することで各種処理が実現される。

記録手段１００には、図２のような項目が記録されているものとする。連番とは、計量メータの識別子であり、任意の数値とする。対象とは、計量メータの計測対象であり、本実施の形態の場合、電気、ガス、水道などのエネルギーが該当する。なお、“電気”、“ガス”、“水道”と記録するのではなく、Ａ，Ｂなどの該当する記号で記録してもよい。単位とは、計測対象の単位であり、例えば、電気であればｋＷｈ、ｋＷｓなど、ガスであればｍ³など、水道であればｍ³などが記録される。パルス単位とは、単位使用量あたりのパルス数を表し、数値で記録される。消費設備名称とは、計量メータの計測対象を消費している設備の名称であり、空調冷熱機器、照明などが記録される。なお、空調冷熱、照明と記録するのではなく、Ａ，Ｂなどの該当する記号で記録してもよい。現累積値とは、後述する使用量算出手段１２が算出する値であり、状態変化検出装置１が、計量メータから受信したパルスを基に演算した各計量メータのメータ値を表す。ｍ₁月ｄ₁日ｈ₁時累積値とは、過去のｍ₁月ｄ₁日ｈ₁時時点における累積値を表す。以下、ｍ₂月ｄ₂日ｈ₂時累積値もｍ₃月ｄ₃日ｈ₃時累積値も同様とする。

通信手段１１は、計量メータ２からのパルス信号を受信する。計量メータ２が計測する対象は、電気、ガス、水道のいずれであってもよいし、パルスを発信する計量メータであれば、電気、ガス、水道以外の計量メータであってもよい。

使用量算出手段１２は、通信手段１１からパルス信号を受信し、電気、ガス、水道などの使用量を算出する。例えば、パルス単位が１ｐｕｌｓｅ／ｋＷｈである電気メータから１パルスを受信した場合、１ｋＷｈが消費されたものとして算出する。また、使用量算出手段１２は、電気、ガス、水道の使用量の累積値を演算し、記録手段１００に記録する。例えば、パルス単位１ｐｕｌｓｅ／ｋＷｈの電気メータから過去に１０パルス受信したことで累積値として１０ｋＷｈが記録されていたものとすると、この状態で新たに１パルスを受信した場合、使用量算出手段１２は、累積値を１１ｋＷｈと更新する。また、使用量算出手段１２は、累積値の時系列変化を記録手段１００に記録してもよい。例えば、累積値を１時間毎に記録することとし、１２時時点における累積値を記録手段１００に記録しているとすると、現在時刻が１３時になった場合、使用量算出手段１２は、１３時時点における累積値として現累積値を記録手段１００に記録する。現在時刻は、図示していない計時手段より取得する。ここでは時系列変化の記録間隔を１時間として述べたが、任意の間隔でよい。記録間隔は、予め使用量算出手段１２にて保持されているものとする。

グループ化手段１３は、計量メータを一定の規則でグループ化する。例えば、電気メータ、ガスメータ、水道メータを、それぞれ別のグループとして分類する。また、電気メータであっても、空調冷熱機器の電気消費量を計測している電気メータ、ポンプなどの上下水装置の電気消費量を計測している電気メータ、照明機器の電気消費量を計測している電気メータなどと、電気、ガス、水道の消費設備の種類で各計量メータを分類してもよい。

特徴量演算手段１４は、使用量算出手段１２が算出した累積値の時系列変化から、計量メータ２の交換・断線を検出するための特徴量を演算する。

正常学習手段１５は、特徴量演算手段１４が演算した特徴量から、特徴量の値が示す正常範囲を演算する。

異常検出手段１６は、特徴量演算手段１４にて演算された最新の特徴量が、正常学習手段１５にて規定された正常範囲を超えたことを検出することで、特徴量の演算に用いられた計量メータ２の状態変化（断線・交換）を検出する。

データ長学習手段１７は、特徴量演算手段１４が、特徴量の演算に利用する時系列の累積値の期間を更新する。

出力手段１８は、異常検出手段１６が計量メータの状態変化を検出したときに、計量メータ２の状態変化が検出されたことと、状態が変化した推定時刻を、規定の方法で出力する。

次に、本発明による計量メータの状態変化検出装置１が持つ各手段の動作を、図３のフローチャートを利用して説明する。

ステップＳＴ１０１において、通信手段１１は計量メータ２からパルス信号を受信する。

ステップＳＴ１０２において、使用量算出手段１２は、通信手段１１がパルス信号を受信したことを受信すると、パルスを発信した計量メータ２のパルス単位と単位を記録手段１００から取得し、使用量を算出する。例えば、パルス単位が１０で、単位がｋＷｈである場合、パルスを受信したことで１０ｋＷｈの電力量が使用されたものとして算出する。算出した使用量を、記録手段１００に保存されている現累積値に加算し、現累積値を更新する。

ステップＳＴ１０３において、記録手段１００は、規定の時刻になった場合、保存されている現累積値を過去の履歴として保存する。例えば、１月１日の１０時であり、当該時刻が予め規定した時刻であった場合、現累積値を、１月１日１０時累積値として、別途保存する。

ステップＳＴ１０４において、グループ化手段１３は、計量メータを一定の規則に従い分類する。例えば、計測対象の種類により電気メータ、ガスメータ、水道メータをそれぞれ別のグループとして分類する。また、電気メータであっても、空調冷熱機器の電気消費量を計測している電気メータ、ポンプなどの上下水装置の電気消費量を計測している電気メータ、照明機器の電気消費量を計測している電気メータなどと、電気、ガス、水道を消費する設備の種類によって各計量メータを分類してもよい。あるいは、全ての計量メータを、同一のグループとしてもよい。

ステップＳＴ１０５において、特徴量演算手段１４は、記録手段１００に保存されている累積値の時系列変化から、状態変化を検出するための特徴量を演算する。例えば、累積値の増加量の比率を演算する。図４（ａ）に示すように、ある時刻ｉでの累積値の値をｆ（ｉ）とする。ｉからＮ（Ｎ≠０）個過去の累積値の値をｆ（ｉ−Ｎ）とする。この場合、図４（ｂ）に示すように、累積値の増加量ｇ（ｉ）は、ｇ（ｉ）＝ｆ（ｉ）−ｆ（ｉ−Ｎ）として演算できる。この場合、図４（ｄ）に示すように、累積値の増加量の比率ｙとは、ｙ（ｉ）＝ｇ（ｉ）／ｇ（ｉ−Ｎ）として演算できる。

直近の累積値の増加量ｇ（ｉ）と、過去の累積値の増加量ｇ（ｉ−Ｎ）の値が近い場合、比率ｙ（ｉ）は１に近い値を示す。逆に、直近の累積値の増加量ｇ（ｉ）と、過去の累積値の増加量ｇ（ｉ−Ｎ）の値が大きく異なる場合、比率ｙ（ｉ）は１から遠い値を示す。例えば、断線した場合、比率ｙ（ｉ）は０になる。また、３線式の計量メータで１線だけが断線した場合、計量メータから受信するパルス数が半分になるため、比率ｙ（ｉ）は０.５以下の値になる可能性が高い。また、計量メータのパルス単位は、多くの場合、整数倍、例えば１や１０などの数値で規定される。そのため、パルス単位の異なる別の計量メータに変更された場合、状態変化検出装置１が受信するパルス数が整数倍、例えば、１０倍以上になったり、１/１０以下になったりする。この場合、比率ｙ（ｉ）は、１０以上、あるいは０．１以下など、１から遠い値になる可能性が高い。したがって、比率ｙ（ｉ）が１から遠い値を示したことにより、計量メータの状態変化を検出することが可能になる。

直近の累積値の増加量ｇ（ｉ）と、過去の累積値の増加量ｇ（ｉ−Ｎ）の差（ｇ（ｉ）−ｇ（ｉ−Ｎ））が大きいことでも前記と同様の理由により、計量メータの状態変化を検出できる可能性がある。しかしながら、直近の累積値の増加量ｇ（ｉ）と、過去の累積値の増加量ｇ（ｉ−Ｎ）の差（ｇ（ｉ）−ｇ（ｉ−Ｎ））の大きさは、計量メータによって異なる。例えば、通常、累積値の増加量ｇ（ｉ）が１００程度である計量メータにて、累積値の増加量の差（ｇ（ｉ）−ｇ（ｉ−Ｎ））が１であった場合、その差が大きいとは言えない。しかしながら、通常、累積値の増加量ｇ（ｉ）が３程度である計量メータにて、累積値の増加量の差（ｇ（ｉ）−ｇ（ｉ−Ｎ））が１であった場合、その差は相対的に大きいと考えられる。したがって、直近の累積値の増加量ｇ（ｉ）と過去の累積値の増加量ｇ（ｉ−Ｎ）の差（ｇ（ｉ）−ｇ（ｉ−Ｎ））により計量メータの状態変化を検出する場合、差の値（ｇ（ｉ）−ｇ（ｉ−Ｎ））の大小の判断を複数の計量メータで同等に扱うことができないため、計量メータの状態変化の検出が複雑になるという課題がある。

本実施の形態のように、累積値の増加量の比率を演算するということは、計量メータの状態変化の検出に利用する値の平均値を１に正規化することになる。正規化することで、累積値の増加量ｇ（ｉ）の異なる複数の計量メータの状態変化を、同一の規則に基づき検出することが可能になる。

また、累積値ｆ（ｉ）の増加量ｇ（ｉ）を利用して比率ｙ（ｉ）を演算する代わりに、累積値ｆ（ｉ）の増加量ｇ（ｉ）の移動平均値ｈ（ｉ）の比率ｙ（ｉ）を演算してもよい。図４（ｃ）の移動平均値ｈ（ｉ）は、

として、ｇ（ｉ）から演算できる。したがって、累積値ｆ（ｉ）の増加量ｇ（ｉ）の移動平均値ｈ（ｉ）の比率ｙ（ｉ）は、

として、ｇ（ｉ）から演算できる。

電気、ガス、水道などは、一時的に使用量が急増・急減することがあるため、累積値の増加量（ｇ（ｉ）＝ｆ（ｉ）−ｆ（ｉ−Ｎ））も一時的に急増・急減することがある。その結果、累積値の増加量の比率（ｙ（ｉ）＝ｇ（ｉ）/ｇ（ｉ−Ｎ））も、一時的に１から遠い値を示し、計量メータの状態変化を誤検出する可能性がある。本実施の形態のように、累積値ｆ（ｉ）の増加量ｇ（ｉ）の移動平均値ｈ（ｉ）の比率ｙ（ｉ）とすることで、移動平均値がローパスフィルタとして機能し、電気、ガス、水道などの使用量が、一時的に急増・急減したとしても計量メータの状態変化の誤検出を低減できる。

なお、本実施の形態１では、ローパスフィルタとして、移動平均を例に説明したが、三角移動平均など、その他のローパスフィルタを利用してもよい。

ステップＳＴ１０６において、異常検出手段１６は、特徴量演算手段１４が演算した特徴量を利用して計量メータの状態変化を検出する。例えば、特徴量演算手段１４が演算した比率ｙ（ｉ）と規定の閾値αを比較し、

を満たすとき、計量メータが状態変化（断線、交換）したものとして検出する。

ステップＳＴ１０７において、正常学習手段１５は、異常検出手段１６が利用する閾値αを更新する。図５に示したように特徴量演算手段１４が演算する比率ｙ（ｉ）は、平均値１を中心にポアソン分布する。この場合、比率ｙ（ｉ）の標準偏差σは、

として演算できる。ここでＭとは、ｙ（ｉ）の総サンプル数である。ポアソン分布は、正規分布の優れた近似であることが知られている。正規分布の場合、平均値±σの範囲に全体の約６８％、平均値±２σの範囲に全体の約９５％、平均値±３σの範囲に全体の約９９％が含まれることが知られている。したがって、正常学習手段１５が、閾値α＝３σに更新することで、異常検出手段１６は、通常のポアソン分布の約９９％に収まらない比率ｙ（ｉ）を計量メータの状態変化として、適切に検出することが可能になる。なお、閾値αは、必ずしも３σである必要はなく、σの定数倍であればよい。

また、ポアソン分布を構成するサンプル数が多いほど、より正確な標準偏差を演算することが可能になるが、１つの計量メータで多量のサンプル数を蓄えるためには時間を要する。サンプル数を蓄える時間が長いと、その間、計量メータの状態変化を適切に検出することができない。そこで、グループ化手段１３が同じグループとした計量メータの各比率ｙ（ｉ）を用いて標準偏差σを演算し、閾値αを更新してもよい。

ステップＳＴ１０８において、データ長学習手段１７は、特徴量演算手段１４が特徴量を演算するために利用する累積値ｆ（ｉ）の期間を更新する。特徴量演算手段１４は、直近の累積値ｆ（ｉ）と、ｉからＮ（Ｎ≠０）個過去の累積値ｆ（ｉ−Ｎ）を利用して、特徴量として比率ｙ（ｉ）を演算する。この場合、累積値をＮ個蓄積しないと、特徴量を演算できない。また、より正確に状態変化を検出するために、特徴量演算手段１４が、累積値ｆ（ｉ）の増加量ｇ（ｉ）の移動平均値ｈ（ｉ）から特徴量ｙ（ｉ）を演算する場合、累積値を２Ｎ個蓄積しないと特徴量を演算できない。また、移動平均値ｈ（ｉ）から特徴量ｙ（ｉ）を演算する場合、ローパスフィルタが機能するため、ｙ（ｉ）が緩やかに時系列変化する。この場合、計量メータの状態が変化してからそれを検出するまでに最大Ｎ個分の時間を要することになる。そのため、状態変化の検出までに要する時間を短くするためには、Ｎは小さい値のほうが好ましいが、一方で、Ｎを小さくすると移動平均値ｈ（ｉ）を演算するためのデータ量が少なくなり、一時的な使用量の急増・急減によって状態変化を誤検出しやすくなる。そこで、特徴量演算手段１４が特徴量を演算するために利用する累積値ｆ（ｉ）の期間、すなわちＮを適切な値に更新する。

例えば、一時的な使用量の急増・急減によって状態変化を誤検出させないために、特徴量と比較する閾値αが大きく変化しない範囲でＮを最小化する。閾値αは、標準偏差σから演算される。σは、特徴量ｙ（ｉ）から演算される。特徴量ｙ（ｉ）は、変数ｉと定数Ｎから演算される。ここで、Ｎ＝Ｍ（Ｍは定数）に固定し、ｉを現在の時刻に固定したときのσを、βと定義する。また、ｉを現在の時刻に固定し、Ｎを変数とした場合のσの関数を、σ(Ｎ)とする。このとき、βとσ(Ｎ)の差の絶対値を、下式のように関数ｑ（Ｎ）と定義する。

閾値αは、標準偏差σから演算されるため、特徴量と比較する閾値αが大きく変化しない範囲でＮを最小化するということは、基準とする標準偏差βからの差ｑ（Ｎ）を最小化するＮを１〜Ｍの範囲で求めることになる。ｑ（Ｎ）を最小化するＮを１〜Ｍの範囲で求める方法は、勾配法など既知の方法を利用する。求めたｑ（Ｎ）の最小値が規定の値Ｈよりも大きい場合（ｑ（Ｎ）＞Ｈ）、Ｎ＝Ｍとしてもよい。これにより、状態変化の誤検出を低減しつつ状態変化を検出するまでに要する時間を短くすることが可能になる。

ステップＳＴ１０９において、出力手段１８は、異常検出手段１６が計量メータの状態変化を検出したとき、状態変化の検出を規定の方法で出力する。例えば、図示していないディスプレイなどの表示装置が、状態変化検出装置１に接続されている場合、表示装置に状態変化検出を表示する。具体的には、状態変化が検出された計量メータの連番を表示する。状態変化検出装置１が状態変化を検出し、表示装置に検出結果を表示していることを、状態変化検出装置１の管理者に気付かせるため、図示していないスピーカなどから音・アナウンスを発信してもよい。あるいは、状態変化検出装置１が、図示していない回線によって公衆回線網と接続している場合、出力手段１８は、予め設定されたメールアドレスへ状態変化の検出結果を送信してもよい。

また、出力手段１８は、計量メータの状態が変化したと推定される時刻を合わせて出力してもよい。計量メータの状態が変化したと推定される時刻は、異常検出手段１６が検出できるものとする。例えば、ステップＳＴ１０８の説明にて前述しているとおり、状態が変化してから検出するまでに最大Ｎ個分の時間を要する。そのため、状態変化が検出された時刻からＮ個分過去の時刻を、状態が変化したと推定される時刻として出力することができる。

ステップＳＴ１０９まで演算を終えたら、ステップＳＴ１０１へ戻り、次のパルス信号を受信し、以後、ステップＳＴ１０１からステップＳＴ１０９を繰り返す。

なお、本実施の形態１では、図１に示すように、１１〜１８、および１００の全手段が、状態変化検出装置１にあるものとして説明しているが、必ずしも、各手段が同一の装置にある必要はない。例えば、計量メータ２は、ビル管理システムに接続され、累積値が管理されていることがある。そのため、状態変化検出装置１の各手段の一部、もしくは全部がビル管理システムに適用されていてもよい。この場合、状態変化検出装置１は、ビル管理システムと電気的に接続しているものとする。あるいは、ビル管理システムのような累積値を管理している装置が、公衆回線網によって遠隔地にあるサーバと接続していることがある。この場合、サーバは、計量メータやビル管理システムと公衆回線網を通じて電気的に接続されていることになるため、状態変化検出装置１の各手段の一部、もしくは全部が、サーバに適用されていてもよい。この場合、サーバが状態変化検出装置１として機能する、あるいはサーバと状態変化検出装置１が電気的に接続されているものとする。

また、サーバは、複数のビルのビル管理システムと、公衆回線網を通じて電気的に接続することが可能になる。この場合、グループ化手段１３は、複数のビルの計量メータを、既定の規則に従い分類することも可能になる。これにより、正常学習手段１５が、より早く、より適切に閾値αを規定することが可能になる。

以上により、本実施の形態においては、センサなどを追加することなく、作業員が計量メータの確認作業を実施しなくとも、計量メータの状態変化（変更・断線）を検出することが可能になる。

１ 状態変化検出装置、２ 計量メータ、１１ 通信手段、１２ 使用量算出手段、１３ グループ化手段、１４ 特徴量演算手段、１５ 正常学習手段、１６ 異常検出手段、１７ データ長学習手段、１８ 出力手段、１００ 記録手段。

Claims (5)

1. エネルギーの使用に応じて計量メータから発信されるパルス信号に基づき、エネルギーの使用量の単位時間あたりの増加量を正規化した特徴量を演算する特徴量演算手段と、
   前記特徴量が正常時に取りうる値の範囲を規定する閾値を、当該特徴量の標準偏差から演算する正常学習手段と、
   前記特徴量演算手段が演算した特徴量と前記正常学習手段が演算した閾値から前記計量メータの状態変化を検出する検出手段と、
   を備えることを特徴とする状態変化検出装置。
2. 請求項１記載の状態変化検出装置であって、
   前記特徴量演算手段は、前記特徴量を、エネルギーの使用量の単位時間あたりの増加量のローパスフィルタ適用後の値から演算することを特徴とする状態変化検出装置。
3. 請求項１又は２に記載の状態変化検出装置であって、
   前記特徴量演算手段が前記特徴量の演算に利用するエネルギーの使用量の期間を演算するデータ長学習手段を備え、
   前記データ長学習手段は、前記正常学習手段が演算する特徴量の標準偏差から前記期間を演算することを特徴とする状態変化検出装置。
4. 請求項１乃至３のいずれか１項に記載の状態変化検出装置であって、
   前記状態変化検出装置と接続する複数の計量メータを一定の規則に基づき分類するグループ化手段を備え、
   前記正常学習手段は、前記グループ化手段によって分類された計量メータのグループ毎に、前記閾値を演算することを特徴とする状態変化検出装置。
5. コンピュータを、
   エネルギーの使用に応じて計量メータから発信されるパルス信号に基づき、エネルギーの使用量の単位時間あたりの増加量を正規化した特徴量を演算する特徴量演算手段、
   前記特徴量が正常時に取りうる値の範囲を規定する閾値を、当該特徴量の標準偏差から演算する正常学習手段、
   前記特徴量演算手段が演算した特徴量と前記正常学習手段が演算した閾値から前記計量メータの状態変化を検出する検出手段、
   として機能させるためのプログラム。

Images