JP2017049221A - 電力使用状態推定方法、電力使用状態推定装置およびプログラム - Google Patents

電力使用状態推定方法、電力使用状態推定装置およびプログラム Download PDF

Info

Publication number
JP2017049221A
JP2017049221A JP2015175191A JP2015175191A JP2017049221A JP 2017049221 A JP2017049221 A JP 2017049221A JP 2015175191 A JP2015175191 A JP 2015175191A JP 2015175191 A JP2015175191 A JP 2015175191A JP 2017049221 A JP2017049221 A JP 2017049221A
Authority
JP
Japan
Prior art keywords
model
parameter
probability
likelihood
power
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.)
Granted
Application number
JP2015175191A
Other languages
English (en)
Other versions
JP6602609B2 (ja
Inventor
幸恵 庄田
Yukie Shoda
幸恵 庄田
郁 大濱
Iku Ohama
郁 大濱
亮太 藤村
Ryota Fujimura
亮太 藤村
英生 梅谷
Hideo Umetani
英生 梅谷
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.)
Panasonic Intellectual Property Corp of America
Original Assignee
Panasonic Intellectual Property Corp of America
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 Panasonic Intellectual Property Corp of America filed Critical Panasonic Intellectual Property Corp of America
Priority to JP2015175191A priority Critical patent/JP6602609B2/ja
Priority to US15/251,794 priority patent/US20170068760A1/en
Publication of JP2017049221A publication Critical patent/JP2017049221A/ja
Application granted granted Critical
Publication of JP6602609B2 publication Critical patent/JP6602609B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Circuit Arrangement For Electric Light Sources In General (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】FHMMの学習結果の精度を向上することのできる電力使用状態推定方法、電力使用状態推定装置およびプログラムを提供する。【解決手段】分電盤に接続されている複数の電気機器による消費電力の合計値を用いて、複数の電気機器の稼働状態を確率モデルによりモデル化したときのモデルパラメータを推定するパラメータ推定ステップ（Ｓ１３，Ｓ１４）を含む。パラメータ推定ステップ（Ｓ１３，Ｓ１４）では、複数の電気機器それぞれの動作傾向から事前知識として予め定めることのできる電力データの特徴に基づいて、尤度関数によって算出される尤度が最大になるようなモデルパラメータを推定し、確率モデルは、FHMM（Factorial Hidden Markov Model）であり、尤度は、FHMMによってモデル化された複数の電気機器による消費電力の合計値のパターンの、実測した前記消費電力の合計値に対する確からしさを示す値である。【選択図】図３Ａ

Description

本発明は、電力使用状態推定方法、電力使用状態推定装置およびプログラムに関する。
近年、家庭等において設置されている分電盤で消費電力が計測できるようになっており、家庭内の電力の消費状況を表示して省エネを促すサービスが行われつつある。
しかし、分電盤に接続されている個々の電気機器の消費電力を計測できるまでには至っていない。個々の電気機器にスマートタップなどを取り付けことで、個々の機器の消費電力を計測することができるが、スマートタップを取り付けることはコスト面において、現実的でない。
それに対して、スマートタップを取り付けることなく、分電盤で計測した消費電力の情報から家庭内の電気機器の消費電力等を推定する技術も提案されている（例えば、特許文献１）。特許文献１によれば、Factorial HMM（Factorial Hidden Markov Model、以下FHMMと称する）を利用することで各電気機器についての既知の学習データを必要とせずに電気機器の消費電力等を推定することができる。なお、上記の既知の学習データとは、電気機器が使用されるときの特徴的な電力使用量のパターンデータである。
特許第５６６８２０４号公報
ZoubinGhahramani, and Michael I. Jordan, Factorial Hidden Markov Models’, Machine Learning Volume 29, Issue 2-3 ,Nov./Dec. 1997 谷口忠大 (立命館大)、濱畑慶太 (立命館大)、岩橋直人 (情報通信研究機構)，「階層ディリクレ過程隠れマルコフモデルを用いた非分節動作模倣学習手法」，計測自動制御学会システム・情報部門学術講演会講演論文集(CD-ROM)巻：2010ページ：ROMBUNNO.1A1-5 李 東姫，クリッチダナ，中村 仁彦，「Factorial Hidden Markov Modelsを用いた部分観測データからの全身運動復元」，ロボティクス・メカトロニクス講演会講演概要集 2008, "1P1-G20(1)"-"1P1-G20(4)", 2008-06-06 C.M. ビショップ，「パターン認識と機械学習 下」，１３章p.347
しかしながら、上記の従来技術では、推定される電気機器の使用状態が現実的な電気機器の使用状態でない場合がある。つまり、上記の従来技術では、FHMMの学習結果の精度が低い場合があるという問題がある。
本発明は、上記の問題点に着目したものであり、FHMMの学習結果の精度を向上することのできる電力使用状態推定方法、電力使用状態推定装置およびプログラムを提供することを目的とする。
上記目的を達成するために、本発明の一形態に係る電力使用状態推定方法は、分電盤に接続されている複数の電気機器による消費電力の合計値を用いて、前記複数の電気機器の稼働状態を確率モデルによりモデル化したときのモデルパラメータを推定するパラメータ推定ステップを含み、前記パラメータ推定ステップでは、前記複数の電気機器それぞれの動作傾向から事前知識として予め定めることのできる電力データの特徴に基づいて、尤度関数によって算出される尤度が最大になるようなモデルパラメータを推定し、前記確率モデルは、Factorial HMM（Hidden Markov Model）であり、前記尤度は、前記Factorial HMMによってモデル化された前記消費電力の合計値のパターンの、実測した前記消費電力の合計値に対する確からしさを示す値である。
なお、これらの全般的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたはコンピュータで読み取り可能なＣＤ−ＲＯＭ等の記録媒体で実現されてもよく、システム、方法、集積回路、コンピュータプログラムおよび記録媒体の任意な組み合わせで実現されてもよい。
本発明の電力使用状態推定方法等によれば、FHMMの学習結果の精度を向上することができる。
図１は、実施の形態１におけるシステム１の構成を示す図である。 図２Ａは、実施の形態１における電力使用状態推定装置の構成の一例を示すブロック図である。 図２Ｂは、パラメータ推定部の詳細構成の一例を示すブロック図である。 図３Ａは、実施の形態１における電力使用状態推定装置におけるFHMMのモデルパラメータ推定処理を示すフローチャートである。 図３Ｂは、Ｓ１４におけるＭステップ処理の詳細を説明するためのフローチャートである。 図４Ａは、実施の形態１の効果を説明するための図である。 図４Ｂは、実施の形態１の効果を説明するための図である。 図４Ｃは、実施の形態１の効果を説明するための図である。 図５は、実施の形態１の変形例に係るパラメータ推定部の構成の一例を示すブロック図である。 図６Ａは、実施の形態２における電力使用状態推定装置の構成の一例を示すブロック図である。 図６Ｂは、図６Ａのパラメータ推定部の詳細構成の一例を示すブロック図である。 図７は、実施の形態２における電力使用状態推定装置におけるFHMMのモデルパラメータ推定処理を示すフローチャートである。 図８Ａは、実施の形態３における電力使用状態推定装置の構成の一例を示すブロック図である。 図８Ｂは、図８Ａのパラメータ推定部の詳細構成の一例を示すブロック図である。 図９は、実施の形態３における電力使用状態推定装置の構成の別の一例を示すブロック図である。 図１０は、実施の形態３における電力使用状態推定装置におけるFHMMのモデルパラメータ推定処理を示すフローチャートである。 図１１は、viterbiアルゴリズムの処理を示すフローチャートである。 図１２Ａは、Ｓ３４の処理の一例について説明するための図である。 図１２Ｂは、Ｓ３４の処理の一例について説明するための図である。 図１３は、特許文献１の電気機器推定装置を説明するための図である。 図１４は、特許文献１の電気機器推定装置の機能構成を示すブロック図である。 図１５Ａは、HMMをグラフィカルモデルで表現した図である。 図１５Ｂは、FHMMをグラフィカルモデルで表現した図である。 図１６は、FHMMと電気機器との関係を説明するための図である。 図１７は、特許文献１の電気機器推定装置におけるFHMMのモデルパラメータ推定処理を示すフローチャートである。 図１８は、Ｓ９３の詳細を説明するためのフローチャートである。
（本発明の一態様を得るに至った経緯）
本発明者（ら）は、「背景技術」の欄において記載した特許文献１に関し、以下の問題が生じることを見出した。
図１３は、特許文献１の電気機器推定装置を説明するための図である。図１４は、図１３に示す電気機器推定装置の機能構成を示すブロック図である。
電力会社から住宅等に供給される電気は、まず分電盤９１に引き込まれ、分電盤９１から、図１３に示すように、住宅内の各場所に設置された電気機器９３〜電気機器９５に供給される。図１３に示す例では、電気機器９３は例えば電球などの照明装置であり、電気機器９３はエアコン（エアコンディショナ）であり、電気機器９５は洗濯機である。
電気機器推定装置９２は、分電盤９１が測定した住宅内の各場所に設置された複数の電気機器（電気機器９３〜電気機器９５）の消費電力の合計を取得する。取得された消費電力は、住宅内の各場所に設置された電気機器９３〜電気機器９５の使用状態の組み合わせからなる消費電流の合計値に相当する。電気機器推定装置９２は、取得した消費電流の合計値から電気機器９３〜電気機器９５の稼働状態を推定する。また、電気機器推定装置９２は、推定結果に基づいて、電気機器９３〜電気機器９５それぞれの現在の稼働状態を表示したり、現在より所定時間経過後の未来の電気機器９３〜電気機器９５の稼働状態を予測したりする。
ここで、FHMMを用いて複数の電気機器それぞれの消費電力等を推定する方法について説明する。分電盤で計測した電流の情報から、その先につながっている電気機器の状態を推定する技術は、Non-intrusive load monitoring (以下、NILMという。)と称され、1980年代から研究されている。NILMを用いると、個々の電気機器（負荷）それぞれにスマートタップなどの測定機器を必要とせず、分電盤での計測結果すなわち一箇所の計測結果だけに基づいて、その分電盤から先につながっている電気機器全ての状態を把握できるという大きな利点がある。
電気機器推定装置９２では、NILMの解析手段としてFHMMを用いて、電気機器９３〜電気機器９５それぞれの稼働状態を推定する。換言すれば、電気機器推定装置９２は、電気機器９３〜電気機器９５それぞれの稼働状態を推定するために、FHMMによりモデル化したモデルパラメータを算出（推定）し、推定したモデルパラメータを用いてそれら稼働状態を推定する。
［FHMM］
以下、FHMMについて簡単に説明する。図１５ＡはHMM(Hidden Markov Model）をグラフィカルモデルで表現した図であり、図１５ＢはFHMMをグラフィカルモデルで表現した図である。
HMMでは、図１５Ａに示すように、時刻tの観測データYtに対して、１つの状態変数Stが対応する。一方、FHMMでは、図１５Ｂに示すように、St (１)，St (２)，St (３)，・・・St (m)，・・・St (M)で示されるように状態変数Stが複数（図１５ＢではＭ個）存在する。そして、それらの複数の状態変数St (１)〜St (M)から、１つの観測データYtが生成される。
図１６は、図１５Ｂに示すFHMMと図１３に示す電気機器９３〜電気機器９５との関係を説明するための図である。図１６には、図１５Ｂに示すFHMMのグラフィカルモデルに、図１３に示す電気機器９３〜電気機器９５を対応させて示されている。つまり、FHMMのＭ個の状態変数S(1)〜S(M)のそれぞれが電気機器９３〜電気機器９５に対応する。また、状態変数S(m)の状態値は、電気機器９３〜電気機器９５の状態（例えば、オン、オフの２状態）に対応する。
より具体的には、Ｍ個の状態変数S(1)〜S(M)のうち、２番目の状態変数S(2)の時間経過に応じた状態値S1 (2)〜St (2)が電気機器９５（洗濯機）の状態に対応する。また、ｍ番目の状態変数S(m)の時間経過に応じた状態値S1 (m)〜St (m)が電気機器９４（エアコン）の状態に対応する。同様に、Ｍ番目の状態変数S(M)の時間経過に応じた状態値S1 (M)~St (M)が電気機器９３（照明装置）の状態に対応する。また、住宅内の各場所に設置された複数の電気機器（電気機器９３〜電気機器９５）の使用状態の組み合わせでなる消費電力の合計値は、観測データY1〜Ytとして得られる。
なお、以下では、Ｍ個の状態変数S(1)〜S(M)のうちの、ｍ番目の状態変数S(m)を、ｍ番目のファクタ、または、ファクタｍとも記述する。FHMMの詳細は、非特許文献１に、記載されているため、ここでの詳細な説明は省略する。
次に、FHMMにおけるモデルパラメータの推定方法（算出方法）について説明する。
観測データ｛Y1,Y2,Y3,・・・,Yt,・・・,YT｝に対する隠れ状態を｛S1,S2,S3,・・・,St,・・・ST｝とすると、隠れ状態Stと観測データYtの同時確率は、以下の式（１）で与えられる。
Figure 2017049221
ここで、式（１）中の、P(S1)は初期確率、P(St｜St-1)は状態遷移確率、P(Yt｜St)は観測確率を表す。これらは、以下の式（２）、式（３）および式（４）で計算することができる。
Figure 2017049221
Figure 2017049221
Figure 2017049221
ただし、
Figure 2017049221
以下、１つのファクタが１つの電気機器に対応するものとして、FHMMにおけるモデルパラメータの推定について説明する。なお、１つのファクタが１つの電気機器に対応するとした場合、ファクタｍに対応する電気機器を、ｍ番目の電気機器とも称する。
式（２）〜式（４）中のSt (m)は、時刻tにおけるｍ番目の電気機器の状態（オン、オフ、強運転、弱運転など）を表す。ｍ番目の電気機器の状態数がＫであるとすると、Ｓｔ （ｍ）は、Ｋ次元の縦ベクトル（Ｋ行１列のベクトル）で構成される。なお、ｍ番目の電気機器の状態が例えばオン、オフ、強運転または弱運転であるとするとその状態数は４となる。
初期確率P(S1)は、式（２）に示されるように、Ｍ個のπ(m)の掛け算で計算することができる。式（２）において、π(m)は、ｍ番目の電気機器の初期状態確率を表し、Ｋ次元の縦ベクトルである。
状態遷移確率P(St｜St-1)は、式（３）に示されるように、Ｍ個のA(m)の掛け算で計算することができる。式（３）において、A(m)は、ｍ番目の電気機器の状態遷移確率を表し、Ｋ行Ｋ列（K×K）の正方行列で構成される。A(m)は、例えばオンからオフへの切り替わりやすさなどに対応する。
観測確率P(Yt｜St)は、式（４）に示されるように、観測平均μt、共分散行列Cの多変量正規分布で計算することができる。
W(m)は、式（４）に示されるように、観測確率P(Yt｜St)のパラメータであり、ｍ番目の電気機器が消費する電流波形のパターンに対応する。電気機器の状態ごとに電流波形のパターンは異なるため、W(m)は、観測データの次元数Ｄを行数、状態数Ｋを列数としたＤ行Ｋ列（D×K）の行列となる。μtは、時刻tにおける観測平均（観測確率平均、確率平均）を表し、行列W(m)の状態St (m)に対応する列要素をＭ個足し合わせたものとなる。換言すれば、観測平均μtは、全ての電気機器の状態に応じた電流値を足し合わせたものに相当する。従って、観測平均μtが時刻tにおける観測データYtに近ければ、モデルパラメータが尤もらしいということになる。共分散行列Cは、電流パターンに乗るノイズの強度に対応し、全時刻、全ての電気機器で共通とされる。
次に、図１４を用いて、電気機器推定装置９２の機能構成について説明する。図１４に示すように、電気機器推定装置９２は、センサ部９２１、パラメータ推定部９２２、データベース９２３、同一機器判定部９２４および状態予測部９２５を備える。
センサ部９２１は、観測データYt（t＝１，２，・・・，Ｔ）としての、住宅内の各場所に設置された複数の電気機器（電気機器９３〜電気機器９５）の使用状態の組み合わせでなる消費電流の合計値を測定（取得）し、パラメータ推定部９２２に供給する。
パラメータ推定部９２２は、電気機器９３〜電気機器９５の消費電流の合計値の時系列データである観測データ｛Y1,Y2,Y3,・・・Yt,・・YT｝に基づいて、電気機器９３〜電気機器９５それぞれの稼働状態をFHMMによりモデル化したモデルパラメータを算出する。FHMMの学習処理により得られたモデルパラメータは、データベース９２３に保存される。
同一機器判定部９２４は、Ｍ個のファクタのうち、同一の電気機器９３〜電気機器９５をモデル化した複数のファクタを検出し、検出結果をデータベース９２３に記憶させる。換言すれば、同一機器判定部９２４は、Ｍ個のファクタのうち、第１のファクタｍ１と第２のファクタｍ２（m１≠m２）が同一の電気機器９３〜電気機器９５を表現したものであるかを判定し、判定結果をデータベース９２３に登録する。
ここで、FHMM自体は、汎用の時系列データのモデル化手法であり、NILM以外の様々な問題に適用可能なものである。そのため、FHMMを用いた従来の推定手法では、NILMにうまく適用できないという問題がある。その問題の１つが、電気機器９３〜電気機器９５のうちの１つが複数のファクタでモデル化されている場合があることである。そのため、同一機器判定部９２４は、１つの電気機器が複数のファクタで表現されている場合、その複数のファクタが同一の電気機器に対応するものであることを検出する。
状態予測部９２５は、データベース９２３に記憶されているモデルパラメータを用いて、現在時刻から所定時間経過後の未来のファクタｍ（電気機器９３〜電気機器９５）の状態を予測する。FHMMは、言うまでもなくHMMをベースとした確率モデルであるため、未来の時刻の状態確率を確率的に予測することができる。
以上より、パラメータ推定部９２２によるFHMMのモデルパラメータの推定とは、具体的には、ｍ番目の電気機器の初期状態確率π(m)、状態遷移確率A(m)、観測確率（観測平均確率）のパラメータW(m)、及び共分散行列Cを算出することに該当する。
図１７は、電気機器推定装置９２におけるFHMMのモデルパラメータ推定処理を示すフローチャートである。
まず、パラメータ推定部９２２は、パラメータ推定処理における作業用変数などを初期化する初期化処理を行う（Ｓ９１）。具体的には、パラメータ推定部９２２は、全ての時刻ｔ及びファクタｍ（ｔ＝１，・・・，Ｔ、ｍ＝１，・・・，Ｍ）について、変分パラメータθt (m)、ファクタｍの観測確率のパラメータW(m)、共分散行列C、及び、状態遷移確率Ai,j (m)を初期化する。変分パラメータθt (m)と状態遷移確率Ai,j (m)には、初期値として1/Kが代入される。ファクタｍの観測確率のパラメータW(m)には、初期値として所定の乱数が代入される。共分散行列Cの初期値には、C=aI（aは任意の実数、IはＤ行Ｄ列（D×D）の単位行列）が設定される。
次に、パラメータ推定部９２２は、状態遷移確率の推定を行うＥステップ処理を実行する（Ｓ９２）。ここで、Ｅステップ処理は、隠れ変数を含むモデルの学習に使われるアルゴリズムであるＥＭ（Expectation Maximization）アルゴリズムのＥステップを行う処理である。より具体的には、ＥＭアルゴリズムは、隠れ変数とパラメータがあって、片方が決まればもう一方が決まるとき、交互に推定を繰り返しながら最適解を求めるアルゴリズムである。つまり、ＥＭアルゴリズムでは、Ｅ(expectation、期待値)ステップとＭ(maximization、最大化)ステップを交互に繰りかえすことで計算が進行する。そして、Ｅステップ処理は、変分パラメータθを固定して各時刻における状態の状態遷移確率を求める処理である。
次に、パラメータ推定部９２２は、モデルパラメータを推定するＭステップ処理を実行する（Ｓ９３）。ここで、Ｍステップ処理は、ＥＭアルゴリズムのＭステップであり、状態の状態遷移確率を固定してモデルパラメータを算出する処理である。Ｍステップで算出されたモデルパラメータは、Ｅステップで使われる。なお、Ｍステップ処理の詳細は後述する。
そして、パラメータ推定部９２２は、モデルパラメータの収束条件を満たしたかを判定する（Ｓ９３）。パラメータ推定部９２２は、モデルパラメータの収束条件を満たしていると判定した場合には（Ｓ９３でＹｅｓ）、パラメータ推定処理を終了し、そうでない場合（Ｓ９３でＮｏ）にはＳ９２に戻って処理を繰り返す。例えば、パラメータ推定部９２２は、Ｓ９２〜Ｓ９４の処理の繰り返し回数が予め設定した所定の回数に到達した場合、または、モデルパラメータの更新による状態尤度の変化量が所定値以内である場合に、モデルパラメータの収束条件を満たしたと判定する。
次に、図１８を用いて、Ｓ９３のＭステップ処理の詳細について説明する。
図１８は、図１７のＳ９３におけるＭステップ処理の詳細を説明するためのフローチャートである。
Ｓ９３のＭステップ処理では、まず、パラメータ推定部９２２は、初期状態確率π(m)を求める（Ｓ９３１）。より具体的には、パラメータ推定部９２２は、全てのファクタｍ＝１〜Ｍについて、初期状態確率π(m)を、次の式（５）により求める。
Figure 2017049221
次に、パラメータ推定部９２２は、状態遷移確率Ai,j (m)を求める（Ｓ９３２）。より具体的には、パラメータ推定部９２２は、全てのファクタｍについて、状態Sj (m)から状態Si (m)への状態遷移確率Ai,j (m)を、次の式（６）により求める。
Figure 2017049221
ここで、St-1,j (m)は、遷移前の状態Sj (m)が時刻t−１の状態変数St-1 (m)であり、St,i (m)は、遷移後の状態Si (m)が時刻ｔの状態変数St (m)であることを表す。
次に、パラメータ推定部９２２は、ファクタｍの観測確率のパラメータW(m)を求める（Ｓ９３３）。より具体的には、パラメータ推定部９２２は、観測確率のパラメータWを、次の式（７）により求める。
Figure 2017049221
式（７）において、観測確率のパラメータWは、Ｄ行Ｋ列（D×K）のパラメータW(m)を、列方向に全てのファクタｍについてＭ個連結した、Ｄ行ＭＫ列（D×MK，MKはMとKの積）の行列を表す。従って、ファクタｍの観測確率のパラメータW(m)は、観測確率のパラメータWを列方向に分解することで得られる。また、式（７）におけるpinv(・)は、疑似逆行列を求める関数である。
次に、パラメータ推定部９２２は、共分散行列Cを、次式（８）により求める（Ｓ９３２）。
Figure 2017049221
このように、Ｓ９３１〜Ｓ９３４を行うことにより、FHMMのモデルパラメータφが求められ（更新され）、Ｍステップ処理を終了する。
しかしながら、上述した従来の方法では、FHMMを用いることから、初期値の与え方によっては、得られるモデルパラメータの値が、大域最適解とは異なる局所解しか得られない場合がある。FHMMを用いて算出した局所解は複数存在するため、算出した１つの局所解のモデルパラメータから推定した状態遷移列からは、現実的な電気機器の使用状態を表す結果が得られない場合がある。つまり、算出した１つの局所解から電気機器の使用状態を推定しても、真に電気機器の使用状態でない場合がある。さらに、上述した従来方法では、モデルパラメータの値を算出するごとに異なる場合もある。このように、上記の従来技術では、FHMMの学習結果の精度が低い場合があるという問題がある。そのため、現実的な電気機器の使用状態を表す結果が得られない場合がある。
そこで、本発明者（ら）は、対象としている電気機器の電力データの特徴を事前情報として与え、対象としている電力情報の特徴を考慮した条件を満たすようなモデルパラメータを推定することにより、電気機器の使用状態を推定する場合に最も適したFHMMの学習方法でモデルパラメータを算出できることを見出した。
本発明の一態様に係る電力使用状態推定方法は、分電盤に接続されている複数の電気機器による消費電力の合計値を用いて、前記複数の電気機器の稼働状態を確率モデルによりモデル化したときのモデルパラメータを推定するパラメータ推定ステップを含み、前記パラメータ推定ステップでは、前記複数の電気機器それぞれの動作傾向から事前知識として予め定めることのできる電力データの特徴に基づいて、尤度関数によって算出される尤度が最大になるようなモデルパラメータを推定し、前記確率モデルは、Factorial HMM（Hidden Markov Model）であり、前記尤度は、前記Factorial HMMによってモデル化された前記消費電力の合計値のパターンの、実測した前記消費電力の合計値に対する確からしさを示す値である。
これにより、FHMMの学習結果の精度を向上することのできる電力使用状態推定方法を実現できる。
また、例えば、前記モデルパラメータは、初期確率と、潜在系列の状態遷移確率と、観測平均と共分散で表される観測確率と、を含むとしてもよい。
ここで、前記尤度関数は、予め記憶部に保持されており、前記パラメータ推定ステップは、前記電力データの特徴を前記尤度関数に取り込むことで前記尤度関数を更新する式更新ステップと、前記式更新ステップにおいて更新された前記尤度関数によって算出される前記尤度が最大になるようなモデルパラメータを算出することで当該モデルパラメータを推定する算出ステップとを含む。
また、例えば、前記算出ステップは、複数の初期値が与えられることで、前記式更新ステップにおいて更新された前記尤度関数によって算出される前記尤度が最大になるようなモデルパラメータであって２つ以上のモデルパラメータを算出し、前記パラメータ推定ステップは、さらに、前記算出ステップにおいて算出された前記２つ以上のモデルパラメータのうち、自己遷移確率が最も高いモデルパラメータを選択することで当該モデルパラメータを推定する選択ステップを含むとしてもよい。
また、例えば、前記電力データの特徴は、前記電力データの観測値が前記複数の電気機器から出力される電力量の合計値となることであり、前記パラメータ推定ステップは、複数の初期値が与えられることで、前記尤度が最大になるようなモデルパラメータであって２つ以上のモデルパラメータを算出する算出ステップと、前記電力データの特徴に基づいて、前記算出ステップにおいて算出された前記２つ以上のモデルパラメータのうち、前記観測平均の合計が電力データの観測値となるようなモデルパラメータを選択することで当該モデルパラメータを推定する選択ステップとを含むとしてもよい。
また、例えば、前記電力データの特徴は、前記複数の電気機器が同時に使用される傾向を示すことであり、前記パラメータ推定ステップは、複数の初期値が与えられることで、前記尤度が最大になるようなモデルパラメータであって２つ以上のモデルパラメータを算出する算出ステップと、前記算出ステップにおいて算出された前記２つ以上のモデルパラメータと観測データから２つ以上の状態遷移列を推定する状態遷移列推定ステップと、前記電力データの特徴に基づいて、前記状態遷移列推定ステップにおいて推定された前記２つ以上の状態遷移列のうち、前記複数の電気機器が同時に使用される時間が最も多い状態遷移列を推定したモデルパラメータを選択することで当該モデルパラメータを推定する選択ステップとを含むとしてもよい。
また、本発明の一態様に係る電力使用状態推定装置は、分電盤に接続されている複数の電気機器による消費電力の合計値を用いて、前記複数の電気機器の稼働状態を確率モデルによりモデル化したときのモデルパラメータを推定するパラメータ推定部を備え、前記確率モデルは、Factorial HMMであり、前記パラメータ推定部は、前記複数の電気機器それぞれの動作傾向から事前知識として予め定めることのできる電力データの特徴に基づいて、尤度関数によって算出される尤度が最大になるようなモデルパラメータを推定し、前記尤度は、前記Factorial HMMによってモデル化された前記消費電力の合計値のパターンの、実測した前記消費電力の合計値に対する確からしさを示す値である。
なお、これらの全般的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたはコンピュータで読み取り可能なＣＤ−ＲＯＭ等の記録媒体で実現されてもよく、システム、方法、集積回路、コンピュータプログラムまたは記録媒体の任意な組み合わせで実現されてもよい。
以下、本発明の一態様に係る電力使用状態推定装置等について、図面を参照しながら具体的に説明する。
なお、以下で説明する実施の形態は、いずれも本発明の一具体例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置などは、一例であり、本発明を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、最上位概念を示す独立請求項に記載されていない構成要素については、任意の構成要素として説明される。
以下、本発明の実施の形態について、図面を参照しながら説明する。
（実施の形態１）
［システムの全体構成］
図１は、実施の形態１におけるシステム１の構成を示す図である。
図１に示すシステム１は、分電盤１０と、センサ１１と、電力使用状態推定装置１２と、電気機器１３と、電気機器１４と、電気機器１５とを備える。
分電盤１０は、外部の電力供給業者より供給された電力を、分電盤１０に接続されている電気機器１３〜電気機器１５や電力使用状態推定装置１２等に電力を供給する。
電気機器１３〜電気機器１５は、分電盤１０に接続されている複数の電気機器であり、照明装置やエアコン、洗濯機などである。
センサ１１は、分電盤１０の大元において、住宅内の各場所に設置された電気機器１３〜電気機器１５の消費電力の合計値を測定する。ここで、電気機器１３〜電気機器１５の消費電力の合計値は、電気機器１３〜電気機器１５の使用状態の組み合わせからなる消費電力の合計値に相当する。センサ１１は、測定した消費電力の合計値（電力データ）を、時系列データとして蓄積するとともに、電力使用状態推定装置１２に供給する。
電力使用状態推定装置１２は、電気機器１３〜１５それぞれの電力使用状態を推定する。本実施の形態では、電力使用状態推定装置１２は、センサ１１から供給された電力データから、FHMMのモデルパラメータを学習する。また、電力使用状態推定装置１２は、電気機器１３〜１５等が新たに電力を使用した場合には、学習済みのモデルパラメータにより、未来の電力使用状態を推定する。
以下、図２Ａおよび図２Ｂを用いて、電力使用状態推定装置１２の詳細について説明する。
［電力使用状態推定装置の構成］
図２Ａは、実施の形態１における電力使用状態推定装置１２の構成の一例を示すブロック図である。図２Ｂは、図２Ａのパラメータ推定部１２１の詳細構成の一例を示すブロック図である。
図２Ａに示すように、電力使用状態推定装置１２は、パラメータ推定部１２１、記憶部１２２、状態遷移列推定部１２３および状態予測部１２４を備える。
取得部１１ａは、分電盤１０に接続されている複数の電気機器による消費電力の合計値（電力データ）を取得する。本実施の形態では、取得部１１ａは、センサ１１が測定した複数の電気機器（電気機器１３〜電気機器１５）の消費電力の合計値の時系列の電力データである観測データ｛Y1,Y2,Y3,・・・Yt,・・YT｝を取得する。なお、取得部１１ａは、センサ１１と同一であってもよいし、別体であってもよい。センサ１１と同一の場合には、センサ１１が測定した観測データをパラメータ推定部１２１に供給すればよい。また、電力使用状態推定装置１２は、取得部１１ａを備えるとしてもよい。
パラメータ推定部１２１は、分電盤１０に接続されている複数の電気機器による消費電力の合計値を用いて、複数の電気機器の稼働状態を確率モデルによりモデル化したときのモデルパラメータを推定する。パラメータ推定部１２１は、複数の電気機器それぞれの動作傾向から事前知識として予め定めることのできる電力データの特徴に基づいて、尤度関数によって算出される尤度が最大になるようなモデルパラメータを推定する。ここで、確率モデルは、FHMM（Factorial Hidden Markov Model）であり、尤度は、FHMMによってモデル化された複数の電気機器による消費電力の合計値のパターンの、実測した消費電力の合計値に対する確からしさを示す値である。モデルパラメータは、初期確率と、潜在系列の状態遷移確率と、観測平均と共分散で表される観測確率と、を含む。
本実施の形態では、パラメータ推定部１２１は、取得部１１ａが取得した観測データ｛Y1，Y２，Y３，・・・Yt，・・YT｝に基づいて、複数の電気機器（電気機器１３〜電気機器１５）の稼働状態をFHMMによりモデル化したモデルパラメータを推定する。パラメータ推定部１２１は、推定したモデルパラメータすなわちFHMMの学習処理により得られたモデルパラメータを、記憶部１２２に保存する。より具体的には、パラメータ推定部１２１は、図２Ｂに示すように、式更新部１２１１と、算出部１２１２とを備える。
式更新部１２１１は、電力データの特徴を尤度関数に取り込むことで尤度関数を更新する。ここで、尤度関数は、予め保持されており、例えば記憶部１２２に予め記憶されている。詳細は後述するが、式更新部１２１１は、複数の電気機器（電気機器１３〜電気機器１５）は連続的に使用されて、ＯＮ／ＯＦＦの状態遷移は頻繁には発生しないという電力データの特徴を事前情報として利用し、自己遷移確率が高くなるような尤度関数となるように予め記憶部１２２に保持されている尤度関数を更新する。
算出部１２１２は、式更新部１２１１により更新された尤度関数によって算出される尤度が最大になるようなモデルパラメータを算出することで当該モデルパラメータを推定する。
記憶部１２２は、尤度関数を予め記憶している。また、記憶部１２２は、パラメータ推定部１２１で推定されたモデルパラメータを記憶する。
状態遷移列推定部１２３は、記憶部１２２で記憶しているモデルパラメータと、取得部１１ａが取得した観測データ{Y1,Y2,Y3,・・・Yt,・・YT}から、viterbiアルゴリズムにより、Ｍ個のファクタからなる状態遷移列を推定する。Ｍ個のファクタは、たとえば、個々の電気機器のＯＮ／ＯＦＦの使用状態を表している。
状態予測部１２４は、状態遷移列推定部１２３の推定結果に基づいて、電気機器１３〜電気機器１５それぞれの現在の稼働状態を表示したり、現在より所定時間経過後の未来の電気機器１３〜１５の稼働状態を予測したりする。
［電力使用状態推定装置の動作］
次に、以上のように構成された電力使用状態推定装置１２の動作について説明する。
図３Ａは、実施の形態１における電力使用状態推定装置１２におけるFHMMのモデルパラメータ推定処理を示すフローチャートである。図３Ｂは、図３ＡのＳ１４におけるＭステップ処理の詳細を説明するためのフローチャートである。
まず、パラメータ推定部１２１は、事前情報を用いて式更新処理を行う（Ｓ１１）。本実施の形態では、パラメータ推定部１２１は、電力データの特徴を尤度関数に取り込むことで尤度関数を更新する。より具体的には、パラメータ推定部１２１は、複数の電気機器それぞれの動作傾向から事前知識として予め定めることのできる電力データの特徴を尤度関数に取り込むことで自己遷移確率が高くなるような尤度関数に更新する。
次に、パラメータ推定部１２１は、パラメータ推定処理における作業用変数などを初期化する初期化処理を行う（Ｓ１３）。具体的な処理は、Ｓ９１で説明した通りであるのでここでの説明は省略する。
次に、パラメータ推定部１２１は、状態遷移確率の推定を行うＥステップ処理を実行する（Ｓ１３）。具体的な処理は、Ｓ９２で説明した通りであるのでここでの説明は省略する。
次に、パラメータ推定部１２１は、モデルパラメータを推定するＭステップ処理を実行する（Ｓ１４）。Ｓ１４の処理は、Ｓ９３に対して、更新された尤度関数を用いてＭステップ処理を行う点で異なるので、図３Ｂを用いて説明する。なお、図３Ｂに示すＳ１４１、Ｓ１４３およびＳ１４４の処理は、上述したＳ９３１、Ｓ９３３およびＳ９３４の処理と同じであるため説明は省略する。
Ｓ１４２において、パラメータ推定部１２１は、同じ状態に遷移する確率（自己遷移確率）を優先するように状態遷移確率Ai,j (m)を求める。具体的には、パラメータ推定部１２１は全てのファクタｍについて、状態Sj (m)から状態Si (m)への状態遷移確率Ai,j (m)を、次の式（９）により求める。
Figure 2017049221
数式（９）を用いることにより、Ｍステップ処理において状態遷移確率を求める際に、同じ状態に遷移する確率が高くなるように計算することができる。具体的には、例えば状態数が２の場合、ＯＮからＯＮ、ＯＦＦからＯＦＦへの状態遷移の確率が高くなるように尤度関数が更新される。式（９）では、i=jの場合の分子分母とi≠jの場合の分母とにαを加算した尤度関数に更新されている。なお、このようなStickyHMMの詳細は、非特許文献２に記載されている。
以上のように更新された尤度関数を用いて尤度が最大になるようなモデルパラメータを算出する。換言すると、Ｓ１４２において、パラメータ推定部１２１は、同じ状態に遷移する確率を他の状態に遷移する確率よりも高くするように更新された尤度関数を用いて尤度が最大になるようなモデルパラメータを算出する。これにより、ＯＮ／ＯＦＦ状態が頻繁に起こりにくい状態遷移列を推定することができ、現実の電気機器の使用状況により近い結果を得ることができる。
［効果等］
本実施の形態の電力使用状態推定方法等によれば、FHMMの学習結果の精度を向上することができる。
より具体的には、電気機器は連続的に使用され、ＯＮ／ＯＦＦの状態遷移は頻繁には発生しないという電気機器の電力データの特徴を事前情報として与え、電力情報の特徴を考慮した条件を満たすようなモデルパラメータを推定する。これにより、現実的な（真の）電気機器の使用状態を推定する場合に最も適したFHMMの学習方法でモデルパラメータを算出できるので、FHMMの学習結果の精度を向上することができる。
したがって、本実施の形態の電力使用状態推定方法によれば、事前に電気機器のデータベース登録を要しないで、取得した電気機器の時系列の電力データ（電流または電圧などのデータ）をもとに、電気機器の稼働状態やそれに伴う動作パターンを推定したり、未来の状態を予測したりするためのモデルパラメータの算出を精度よく行える。
図４Ａ〜図４Ｃは、実施の形態１の効果を説明するための図である。図４Ａは、センサ１１で測定され、取得部１１ａで取得された電力データの一例を示している。図４Ｂおよび図４Ｃは、図４Ａに示す電力データから、ファクタ数M＝３のFHMMで３つの電気機器の電力使用状態を推定した時の推定結果の例を表している。系統１〜系統３はそれぞれ３つの電気機器のいずれかを表している。
図４Ｂに示す推定結果１では、観測確率のパラメータW(m)が、５KWh、１０KWh、２０KWhであると推定されている。図４Ｃに示す推定結果２では、観測確率のパラメータW(m)が、１０KWh、３０KWh、３５KWhであると推定されている。どちらのモデルパラメータで求めた状態遷移列でも、図４Ａに示す電力データを表すことができる。このように、FHMMでは、ＥＭアルゴリズムの初期設定時に使用した乱数によって、現実には対応しないが、高い尤度を持つ局所解を求めてしまうことがある。正解がわからない場合、どのモデルパラメータが、現実的な解として最適な解であるかがわからない。つまり、従来技術では初期値の与え方によっては、得られるモデルパラメータの値が、大域最適解であるか、大域最適解と異なる局所解であるかわからない。
しかし、一般に電気機器の使用方法として、冷蔵庫のように１日中電源ＯＮになっているもの、照明器具やエアコンのように、夜間、在宅時などの一定期間は電源ＯＮになっているもの、炊飯器やＴＶのように数十分間、使用を継続するもの、電子レンジやドライヤーのように数分間、使用するものがある。いずれの電気機器も、ＯＮとＯＦＦの切り替えは、１日の間に１〜数回程度である。つまり、電気機器の電力データの特徴として、電気機器は連続的に使用され、ＯＮ／ＯＦＦの状態遷移は頻繁には発生しないと言える。
このような電力データの特徴から、FHMMで推定したモデルパラメータのうち、状態遷移が起こりやすい状態遷移確率を持つ場合、観測列の値が観測確率のパラメータW(m)の各列の成分の組み合わせあるいは全ての和として表現されない場合、各ファクタが同時にONになることが少ない場合は、現実的な解としては適さない（大域最適解ではない）と考えられる。
そのため、本実施の形態の電力使用状態推定装置１２等では、電気機器の電力データの特徴を事前情報として取り込んだ尤度関数を用いてFHMMのモデルパラメータを算出する。それにより、ＯＮ／ＯＦＦの状態遷移は頻繁には発生しない、図４Ｂに示す推定結果１の観測確率のパラメータを推定することができる。
なお、本実施の形態の電力使用状態推定装置１２等では、例えば図３ＢのＳ１４２で説明したように、自己遷移確率が高くなるように更新された尤度関数を用いて状態遷移確率を計算するとして説明したが、それに限らない。自己遷移確率を求める代わりに、確率変数のパラメータW(m)を求める式を観測列の値が観測変数のパラメータW(m)の各列の成分の組み合わせあるいは全ての和となるような式を用いて状態遷移確率を計算するとしてもよい。
（変形例）
実施の形態１の電力使用状態推定装置１２等では、電気機器の電力データの特徴を事前情報として取り込んだ尤度関数を用いてFHMMのモデルパラメータを一つ算出することで当該モデルパラメータを推定するとして説明したが、それに限らない。FHMMのモデルパラメータの算出過程において、２つ以上の解（モデルパラメータ）を算出してしまう場合がある。その場合を変形例として説明する。
図５は、実施の形態１の変形例に係るパラメータ推定部１２１aの構成の一例を示すブロック図である。図２Ｂと同じ構成要素については同じ符号を用い、説明を省略する。
図５に示すパラメータ推定部１２１ａは、式更新部１２１１、算出部１２１２ａ、選択部１２１３を備える。図５に示すパラメータ推定部１２１ａは、実施の形態１に係るパラメータ推定部１２１に対して、算出部１２１２ａの構成が異なり、選択部１２１３が追加されている。
算出部１２１２ａは、複数の初期値が与えられることで、式更新部１２１１により更新された尤度関数によって算出される尤度が最大になるようなモデルパラメータであって２つ以上のモデルパラメータを算出する。
選択部１２１３は、算出部１２１２ａで算出された２つ以上のモデルパラメータのうち、自己遷移確率がもっとも高いモデルパラメータを選択することで当該モデルパラメータを推定する。
このようにして、実施の形態１の変形例に係る電力使用状態推定装置１２等では、FHMMのモデルパラメータの算出過程において２つ以上のモデルパラメータを算出しても、事前情報として与えられた電気機器の電力データの特徴に基づいて、一つのモデルパラメータを選択することができるので、当該モデルパラメータを推定することができる。
（実施の形態２）
実施の形態１では、電気機器の電力データの特徴を事前情報として取り込んだ尤度関数を用いてFHMMのモデルパラメータを推定することについて説明したが、それに限らない。実施の形態２では、実施の形態１とは異なる方法で、電気機器の電力データの特徴を示す事前情報に基づいて、FHMMのモデルパラメータを推定する方法等について説明する。
［電力使用状態推定装置の構成］
図６Ａは、実施の形態２における電力使用状態推定装置１２ｂの構成の一例を示すブロック図である。図６Ｂは、図６Ａのパラメータ推定部１２１ｂの詳細構成の一例を示すブロック図である。図６Ａおよび図６Ｂにおいて、図２Ａおよび図２Ｂと同じ構成要素については同じ符号を用い、説明を省略する。
図６Ａに示すように、電力使用状態推定装置１２ｂは、パラメータ推定部１２１ｂ、記憶部１２２ｂ、状態遷移列推定部１２３および状態予測部１２４を備える。
図６Ａに示す電力使用状態推定装置１２ｂは、実施の形態１に係る電力使用状態推定装置１２に対して、パラメータ推定部１２１ｂおよび記憶部１２２ｂの構成が異なる。
パラメータ推定部１２１ｂは、分電盤１０に接続されている複数の電気機器による消費電力の合計値を用いて、複数の電気機器の稼働状態を確率モデルによりモデル化したときのモデルパラメータを推定する。パラメータ推定部１２１ｂは、複数の電気機器それぞれの動作傾向から事前知識として予め定めることのできる電力データの特徴に基づいて、尤度関数によって算出される尤度が最大になるようなモデルパラメータを推定する。
本実施の形態では、パラメータ推定部１２１ｂは、取得部１１ａが取得した観測データに基づいて、複数の電気機器（電気機器１３〜電気機器１５）の稼働状態をFHMMによりモデル化したモデルパラメータを推定する。パラメータ推定部１２１ｂは、推定したモデルパラメータすなわちFHMMの学習処理により得られたモデルパラメータを、記憶部１２２ｂに保存する。より具体的には、パラメータ推定部１２１ｂは、図６Ｂに示すように、算出部１２１２ｂと、選択部１２１３ｂとを備える。
算出部１２１２ｂは、複数の初期値が与えられることで、尤度が最大になるようなモデルパラメータであって２つ以上のモデルパラメータを算出する。本実施の形態では、算出部１２１２ｂは、算出した２つ以上のモデルパラメータを記憶部１２２ｂに一時的に保存する。
選択部１２１３ｂは、電力データの特徴に基づいて、算出部１２１２ｂで算出された２つ以上のモデルパラメータのうち、観測平均の合計が電力データの観測値となるようなモデルパラメータを選択することで当該モデルパラメータを推定する。ここで、電力データの特徴は、例えば、電力データの観測値が複数の電気機器から出力される電力量の合計値となることである。本実施の形態では、選択部１２１３ｂは、記憶部１２２ｂに保存されている複数の初期値から得られる２つ以上のモデルパラメータから、最も電力データの特徴に適したモデルパラメータを１つ選択する。選択部１２１３ｂは、記憶部１２２ｂに保存されている２つ以上のモデルパラメータのうち選択したモデルパラメータ以外のものを削除する。
記憶部１２２ｂは、算出部１２１２ｂで算出された２つモデルパラメータを一時的に記憶する。また、記憶部１２２ｂは、選択部１２１３ｂにより選択されたモデルパラメータを記憶する。
［電力使用状態推定装置の動作］
次に、以上のように構成された電力使用状態推定装置１２ｂの動作について説明する。
図７は、実施の形態２における電力使用状態推定装置１２ｂにおけるFHMMのモデルパラメータ推定処理を示すフローチャートである。
まず、パラメータ推定部１２１ｂは、パラメータ算出処理を実行する（Ｓ２１）。具体的には、図３Ａで説明したＳ１２〜Ｓ１５の処理を行うが、Ｓ１２において初期化処理を異なる乱数（初期値）を使って複数回実施する。つまり、Ｓ１３〜Ｓ１５の処理を、Ｓ１２において初期化処理を実施する毎に繰り返すことになる。その結果、パラメータ推定部１２１ｂは２つ以上のモデルパラメータを算出する。
次に、記憶部１２２ｂは、指定個数までモデルパラメータを一時記憶する（Ｓ２２）。具体的には、パラメータ推定部１２１ｂは、Ｓ２１で算出した２つ以上のモデルパラメータを記憶部１２２ｂに記憶させる。初期化処理で異なる乱数を使った結果、算出されるモデルパラメータが２つ以上になる場合があり、本実施の形態では、２つ以上になるとして説明している。
次に、パラメータ推定部１２１ｂは、電力データの特徴に基づいて、Ｓ２１で算出された２つ以上のモデルパラメータのうちから１つのモデルパラメータを選択する（Ｓ２３）。本実施の形態では、パラメータ推定部１２１ｂは、記憶部１２２ｂで記憶している２つ以上のモデルパラメータから、１つを選択する。例えば、パラメータ推定部１２１ｂは、電力データの特徴に基づき、確率平均（観測確率平均）の合計が電力データの観測値となるようなモデルパラメータを選択する。具体的には、パラメータ推定部１２１ｂは、記憶部１２２ｂで記憶している２つ以上のモデルパラメータのうち、（１）確率平均（観測確率平均）のパラメータW(m)の各要素が０より大きく、かつ、（２）全ての確率平均（観測確率平均）のパラメータW(m)の和が、観測列の最大値より小さいものの中から、全てのW(m)の和がもっとも大きいものを選択する。なお、この選択方法の一例は、電気機器の電力データの特徴に基づき、電気機器のＯＮとＯＦＦの切り替えが最も小さくなる解となるモデルパラメータを選択することを意味する。（１）の条件は、すべての電気機器がＯＦＦになる解となるモデルパラメータ、（２）の条件はすべての電気機器がＯＮになる解となるモデルパラメータを排除するためのものである。
なお、初期化処理で異なる乱数を使った結果、算出されるモデルパラメータが１パターンであり、記憶部１２２ｂで記憶しているモデルパラメータが１パターンの場合は、それを選択することは言うまでもない。
［効果等］
本実施の形態の電力使用状態推定方法等によれば、FHMMの学習結果の精度を向上することができる。
より具体的には、本実施の形態の電力使用状態推定方法等によれば、初期化処理において、複数の乱数を用いて算出された２つ以上のモデルパラメータから最も適した１つの解を選択することができる。それにより、ＯＮ／ＯＦＦ状態が頻繁に起こりにくい状態遷移列を推定することができ、現実の電気機器の使用状況により近い結果を得ることができる。
（実施の形態３）
実施の形態３では、実施の形態２とは異なる方法で、電気機器の電力データの特徴を事前情報に基づいて、FHMMのモデルパラメータを推定する方法等について説明する。
［電力使用状態推定装置の構成］
図８Ａは、実施の形態３における電力使用状態推定装置１２ｃの構成の一例を示すブロック図である。図８Ｂは、図８Ａのパラメータ推定部１２１ｃの詳細構成の一例を示すブロック図である。図２Ａ、および図２Ｂおよび図６Ｂと同じ構成要素については同じ符号を用い、説明を省略する。
図８Ａに示すように、電力使用状態推定装置１２ｃは、パラメータ推定部１２１ｃ、記憶部１２２ｃ、状態遷移列推定部１２３ｃおよび状態予測部１２４を備える。
図８Ａに示す電力使用状態推定装置１２ｃは、実施の形態１に係る電力使用状態推定装置１２に対して、パラメータ推定部１２１ｃ、記憶部１２２ｃおよび状態遷移列推定部１２３ｃの構成が異なる。
状態遷移列推定部１２３ｃは、パラメータ推定部１２１ｃにおいて算出された２つ以上のモデルパラメータと観測データとから、２つ以上の状態遷移列を推定する。本実施の形態では、状態遷移列推定部１２３ｃは、記憶部１２２ｃで記憶している２つ以上のモデルパラメータと、取得部１１ａが取得した観測データとから、viterbiアルゴリズムにより、複数の状態遷移列を推定する。状態遷移列推定部１２３ｃは、推定した複数の状態遷移列を記憶部１２２ｃに記憶する。また、状態遷移列推定部１２３ｃは、推定した複数の状態遷移列のうち、パラメータ推定部１２１ｃにより選択された状態遷移列を状態予測部１２４に供給する。
パラメータ推定部１２１ｃは、分電盤１０に接続されている複数の電気機器による消費電力の合計値を用いて、複数の電気機器の稼働状態を確率モデルによりモデル化したときのモデルパラメータを推定する。パラメータ推定部１２１ｃは、複数の電気機器それぞれの動作傾向から事前知識として予め定めることのできる電力データの特徴に基づいて、尤度関数によって算出される尤度が最大になるようなモデルパラメータを推定する。
本実施の形態では、パラメータ推定部１２１ｃは、取得部１１ａが取得した観測データに基づいて、複数の電気機器（電気機器１３〜電気機器１５）の稼働状態をFHMMによりモデル化したモデルパラメータを推定する。パラメータ推定部１２１ｃは、推定したモデルパラメータすなわちFHMMの学習処理により得られたモデルパラメータを、記憶部１２２ｃに保存する。より具体的には、パラメータ推定部１２１ｃは、図８Ｂに示すように、算出部１２１２ｂと、選択部１２１３ｃとを備える。
算出部１２１２ｂは、複数の初期値が与えられることで、尤度が最大になるようなモデルパラメータであって２つ以上のモデルパラメータを算出する。本実施の形態では、算出部１２１２ｂは、算出した２つ以上のモデルパラメータを記憶部１２２ｃに一時的に保存する。
選択部１２１３ｃは、電力データの特徴に基づいて、状態遷移列推定部１２３ｃで推定された２つ以上の状態遷移列のうち、複数の電気機器が同時に使用される時間が最も多い状態遷移列を推定したモデルパラメータを選択することで当該モデルパラメータを推定する。本実施の形態では、選択部１２１３ｃは、記憶部１２２ｃで記憶している複数の状態遷移列のうち、同時にＯＮ状態になっている状態系列が最も多いモデルパラメータを選択する。
記憶部１２２ｃは、算出部１２１２ｂで算出された２つモデルパラメータを一時的に記憶し、状態遷移列推定部１２３ｃで推定された複数の状態遷移列を一時的に記憶する。記憶部１２２ｃは、選択部１２１３ｃにより選択された状態遷移列とそのモデルパラメータとを記憶する。
なお、パラメータ推定部１２１ｃと状態遷移列推定部１２３ｃとの構成例は、図８Ａに示すものに限らない。例えば、図９に示すような構成でもよい。図９は、実施の形態３における電力使用状態推定装置１２ｃの構成の別の一例を示すブロック図である。図８Ａ、および図８Ｂと同じ構成要素については同じ符号を用い、説明を省略する。すなわち、図９に示すパラメータ推定部１２１ｄのように、算出部１２１２ｂ、状態遷移列推定部１２３ｃおよび選択部１２１３ｃを備えるとしてもよい。
［電力使用状態推定装置の動作］
次に、以上のように構成された電力使用状態推定装置１２ｃの動作について説明する。
図１０は、実施の形態３における電力使用状態推定装置１２ｃにおけるFHMMのモデルパラメータ推定処理を示すフローチャートである。図１１は、viterbiアルゴリズムの処理を示すフローチャートである。
まず、Ｓ３１およびＳ３２における処理は、図７で説明したＳ２１とＳ２２と同様の処理であるので説明を省略する。
次に、Ｓ３３において、状態遷移列推定部１２３ｃは、viterbiアルゴリズムにより状態遷移列を推定する。より具体的には、状態遷移列推定部１２３ｃは、記憶部１２２ｃで記憶している各モデルパラメータについて、図１１で示されるviterbiアルゴリズムにより状態遷移列を推定する。状態遷移列推定部１２３ｃは、推定した２つ以上の状態遷移列を記憶部１２２ｃに記憶する。
ここで、viterbiアルゴリズムについて説明する。すなわち、状態遷移列推定部１２３ｃは、図１１に示すように、まず、FHMMの初期化処理において設定した値をHMMの初期値へ展開する（Ｓ３３１）。状態遷移列推定部１２３ｃは、例えばファクタ数Ｍ個、各ファクタの状態数Ｋ個のFHMMの場合、KM（ＫのＭ乗）の状態を持つHMMに展開する。次いで、状態遷移列推定部１２３ｃは、従来のHMMのviterbiアルゴリズムによって、状態系列を求める（Ｓ３３２）。なお、具体的な算出方法は、非特許文献４に記載されているのでここでの説明は省略する。次いで、状態遷移列推定部１２３ｃは、Ｓ３３２で求めたHMMの状態系列を、FHMMのＭ個の状態系列に変換する（Ｓ３３３）。なお、具体的な算出方法は、非特許文献３に記載されているのでここでの説明は省略する。
次に、Ｓ３４において、パラメータ推定部１２１ｃは、記憶部１２２ｃに記憶されている２つ以上の状態遷移列のうち、同時にＯＮ状態になっている状態系列が最も多い状態遷移列を選択し、選択した状態遷移列を推定するために用いたモデルパラメータを選択する。
ここで、図１２Ａおよび図１２Ｂを用いて、Ｓ３４の処理の一例について説明する。
図１２Ａおよび図１２Ｂは、図１１に示すＳ３４の処理の一例について説明するための図である。図１２Ａは、例えば図４Ｂに示された推定結果１のモデルパラメータ１から、状態遷移列推定部１２３ｃにより推定された状態遷移列を示しているとする。また、図１２Ｂは、例えば図４Ｃに示された推定結果２のモデルパラメータ２から、状態遷移列推定部１２３ｃにより推定された状態遷移列を示しているとする。ここで、電気機器が３すなわちファクタの数がM＝３の場合、ファクタを２つずつ組み合わせる組み合わせは３通りである。図１２Ａおよび図１２Ｂでは、このような３通りの状態遷移列の組み合わせが示されている。
この場合において、Ｓ３４では、パラメータ推定部１２１ｃは、２つ組の各時刻におけるＯＮ／ＯＦＦ状態のうち、両方ともＯＮになっている時刻の回数を数え上げる。そして、パラメータ推定部１２１ｃは、３通りの回数の合計値が最大となる状態遷移列を選択し、選択した状態遷移列を推定するために用いたモデルパラメータを選択する。図１２Ａおよび図１２Ｂに示す例では、モデルパラメータ１の状態遷移列では合計値が７回、モデルパラメータ２の状態遷移列では合計値は０回となっている。したがって、パラメータ推定部１２１ｃは、合計値が７回の状態遷移列を推定するために用いたモデルパラメータ１を選択する。
［効果等］
本実施の形態の電力使用状態推定方法等によれば、FHMMの学習結果の精度を向上することができる。
より具体的には、本実施の形態の電力使用状態推定方法等によれば、初期化処理において、複数の乱数を用いて算出された２つ以上のモデルパラメータから、状態遷移列のＯＮ状態が重なっている回数が最も多いものに決定する。これにより、ＯＮ／ＯＦＦ状態が頻繁に起こりにくいという電気機器の電力データの特徴を示す状態遷移列を推定することができるので、現実の電気機器の使用状況により近い結果を得ることができる。
以上のように、本発明の電力使用状態推定方法等によれば、FHMMの学習結果の精度を向上することのできるので、現実の電気機器の使用状態を推定する場合に最も適した１つのモデルパラメータを推定することができる。
以上、一つまたは複数の態様に係る電力使用状態推定方法、電力使用状態推定装置およびプログラムについて、実施の形態に基づいて説明したが、本発明は、この実施の形態に限定されるものではない。本発明の趣旨を逸脱しない限り、当業者が思い付く各種変形を本実施の形態に施したものや、異なる実施の形態における構成要素を組み合わせて構築される形態も、一つまたは複数の態様の範囲内に含まれてもよい。
例えば、上記各実施の形態では、電気機器が一般家庭等で使用される家電機器等である場合について説明したが、それに限らない。分電盤とそれに接続する電気機器であれば、例えば、工場等で使用される工作機器等の産業用機器であってもよい。
なお、上記各実施の形態において、電気機器の消費電力の合計値である電力データから、電力データの特徴に基づいて、FHMMのモデルパラメータを精度よく学習することで電気機器の電力使用状態を推定する方法等について説明したが、それに限らない。本発明は、時系列データに対してFHMMをモデルとして用いて分析を行う際に、複数の局所解の中から時系列データの特徴を考慮した方法で、最も現実的なモデルパラメータを求めることができる方法である。そのため、例えば、電力を使用する電気機器が複数接続されている状態で測定できる電力データ等の使用状態を分析する方法だけでなく、複数の発生源から発生する信号（出力値）を、１つに合成した時系列データを分析する時系列データ状態推定方法にも応用できる。
具体的には、時系列データ状態推定方法は、複数の出力値の合計からなる時系列データを用いて、出力値を与える複数の潜在状態を確率モデルによりモデル化したときのモデルパラメータを推定するパラメータ推定ステップを含み、前記パラメータ推定ステップでは、事前知識として予め定めることのできる前記時系列データの特徴に基づいて、尤度関数によって算出される尤度が最大になるようなモデルパラメータを推定し、前記確率モデルはFHMMであり、前記尤度は前記FHMMによってモデル化された前記時系列データが示す前記複数の出力値の合計値のパターンの、実測した前記複数の出力値の合計値に対する確からしさを示す値である。なお、時系列データの特徴を事前知識として利用する方法は上述したのと同様であるため説明は省略する。
また、上記各実施の形態において、各構成要素は、専用のハードウェアで構成されるか、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵまたはプロセッサ等のプログラム実行部が、ハードディスクまたは半導体メモリ等の記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。ここで、上記各実施の形態の電力使用状態推定方法を実現するソフトウェアは、次のようなプログラムである。
すなわち、電力使用状態を推定するためのプログラムは、電力使用状態を推定するためのプログラムであって、分電盤に接続されている複数の電気機器による消費電力の合計値を用いて、前記複数の電気機器の稼働状態を確率モデルによりモデル化したときのモデルパラメータを推定するパラメータ推定ステップを含み、前記パラメータ推定ステップでは、前記複数の電気機器それぞれの動作傾向から事前知識として予め定めることのできる電力データの特徴に基づいて、尤度関数によって算出される尤度が最大になるようなモデルパラメータを推定し、前記確率モデルは、Factorial HMMであり、前記尤度は、前記Factorial HMMによってモデル化された前記消費電力の合計値のパターンの、実測した前記消費電力の合計値に対する確からしさを示す値である。
また、この推定ステップはＣＰＵまたはプロセッサ等のプログラム実行部により行ってもよい。また上記ステップのうち、ＣＰＵまたはプロセッサ等のプログラム実行部により行われないステップは、専用のハードウェアで行っても良い。
本発明は、例えば、電力を使用する電気機器が複数接続されている状態で測定できる電力データから、それら電気機器の使用状態を推定するなどの電力使用状態推定方法、電力使用状態推定装置およびプログラムに利用できる。
１ システム
１０、９１ 分電盤
１１ センサ
１１ａ 取得部
１２、１２ｂ、１２ｃ 電力使用状態推定装置
１３、１４、１５、９３、９４、９５ 電気機器
９２ 電気機器推定装置
１２１、１２１ａ、１２１ｂ、１２１ｃ、１２１ｄ、９２２ パラメータ推定部
１２２、１２２ｂ、１２２ｃ 記憶部
１２３、１２３ｃ 状態遷移列推定部
１２４、９２５ 状態予測部
９２１ センサ部
９２３ データベース
９２４ 同一機器判定部
１２１１ 式更新部
１２１２、１２１２ａ、１２１２ｂ 算出部
１２１３、１２１３ｂ、１２１３ｃ 選択部

Claims (8)

  1. 分電盤に接続されている複数の電気機器による消費電力の合計値を用いて、前記複数の電気機器の稼働状態を確率モデルによりモデル化したときのモデルパラメータを推定するパラメータ推定ステップを含み、
    前記パラメータ推定ステップでは、前記複数の電気機器それぞれの動作傾向から事前知識として予め定めることのできる電力データの特徴に基づいて、尤度関数によって算出される尤度が最大になるようなモデルパラメータを推定し、
    前記確率モデルは、Factorial HMM（Hidden Markov Model）であり、
    前記尤度は、前記Factorial HMMによってモデル化された前記消費電力の合計値のパターンの、実測した前記消費電力の合計値に対する確からしさを示す値である、
    電力使用状態推定方法。
  2. 前記モデルパラメータは、初期確率と、潜在系列の状態遷移確率と、観測平均と共分散で表される観測確率と、を含む、
    請求項１に記載の電力使用状態推定方法。
  3. 前記尤度関数は、予め記憶部に保持されており、
    前記パラメータ推定ステップは、
    前記電力データの特徴を前記尤度関数に取り込むことで前記尤度関数を更新する式更新ステップと、
    前記式更新ステップにおいて更新された前記尤度関数によって算出される前記尤度が最大になるようなモデルパラメータを算出することで当該モデルパラメータを推定する算出ステップとを含む、
    請求項２に記載の電力使用状態推定方法。
  4. 前記算出ステップは、複数の初期値が与えられることで、前記式更新ステップにおいて更新された前記尤度関数によって算出される前記尤度が最大になるようなモデルパラメータであって２つ以上のモデルパラメータを算出し、
    前記パラメータ推定ステップは、さらに、
    前記算出ステップにおいて算出された前記２つ以上のモデルパラメータのうち、自己遷移確率が最も高いモデルパラメータを選択することで当該モデルパラメータを推定する選択ステップを含む、
    請求項３に記載の電力使用状態推定方法。
  5. 前記電力データの特徴は、前記電力データの観測値が前記複数の電気機器から出力される電力量の合計値となることであり、
    前記パラメータ推定ステップは、
    複数の初期値が与えられることで、前記尤度が最大になるようなモデルパラメータであって２つ以上のモデルパラメータを算出する算出ステップと、
    前記電力データの特徴に基づいて、前記算出ステップにおいて算出された前記２つ以上のモデルパラメータのうち、前記観測平均の合計が電力データの観測値となるようなモデルパラメータを選択することで当該モデルパラメータを推定する選択ステップとを含む、
    請求項２に記載の電力使用状態推定方法。
  6. 前記電力データの特徴は、前記複数の電気機器が同時に使用される傾向を示すことであり、
    前記パラメータ推定ステップは、
    複数の初期値が与えられることで、前記尤度が最大になるようなモデルパラメータであって２つ以上のモデルパラメータを算出する算出ステップと、
    前記算出ステップにおいて算出された前記２つ以上のモデルパラメータと観測データから２つ以上の状態遷移列を推定する状態遷移列推定ステップと、
    前記電力データの特徴に基づいて、前記状態遷移列推定ステップにおいて推定された前記２つ以上の状態遷移列のうち、前記複数の電気機器が同時に使用される時間が最も多い状態遷移列を推定したモデルパラメータを選択することで当該モデルパラメータを推定する選択ステップとを含む、
    請求項２に記載の電力使用状態推定方法。
  7. 分電盤に接続されている複数の電気機器による消費電力の合計値を用いて、前記複数の電気機器の稼働状態を確率モデルによりモデル化したときのモデルパラメータを推定するパラメータ推定部を備え、
    前記確率モデルは、Factorial HMMであり、
    前記パラメータ推定部は、前記複数の電気機器それぞれの動作傾向から事前知識として予め定めることのできる電力データの特徴に基づいて、尤度関数によって算出される尤度が最大になるようなモデルパラメータを推定し、
    前記尤度は、前記Factorial HMMによってモデル化された前記消費電力の合計値のパターンの、実測した前記消費電力の合計値に対する確からしさを示す値である、
    電力使用状態推定装置。
  8. 電力使用状態を推定することをコンピュータに実行させるためのプログラムであって、
    分電盤に接続されている複数の電気機器による消費電力の合計値を用いて、前記複数の電気機器の稼働状態を確率モデルによりモデル化したときのモデルパラメータを推定するパラメータ推定ステップを含み、
    前記パラメータ推定ステップでは、前記複数の電気機器それぞれの動作傾向から事前知識として予め定めることのできる電力データの特徴に基づいて、尤度関数によって算出される尤度が最大になるようなモデルパラメータを推定し、
    前記確率モデルは、Factorial HMMであり、
    前記尤度は、前記Factorial HMMによってモデル化された前記消費電力の合計値のパターンの、実測した前記消費電力の合計値に対する確からしさを示す値である、
    プログラム。
JP2015175191A 2015-09-04 2015-09-04 電力使用状態推定方法 Active JP6602609B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2015175191A JP6602609B2 (ja) 2015-09-04 2015-09-04 電力使用状態推定方法
US15/251,794 US20170068760A1 (en) 2015-09-04 2016-08-30 Method for estimating use state of power of electric devices

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2015175191A JP6602609B2 (ja) 2015-09-04 2015-09-04 電力使用状態推定方法

Publications (2)

Publication Number Publication Date
JP2017049221A true JP2017049221A (ja) 2017-03-09
JP6602609B2 JP6602609B2 (ja) 2019-11-06

Family

ID=58189508

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2015175191A Active JP6602609B2 (ja) 2015-09-04 2015-09-04 電力使用状態推定方法

Country Status (2)

Country Link
US (1) US20170068760A1 (ja)
JP (1) JP6602609B2 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110888013A (zh) * 2018-09-10 2020-03-17 比亚迪股份有限公司 电力设备的故障预测方法、装置和电力监控系统
JP2020205684A (ja) * 2019-06-14 2020-12-24 大成建設株式会社 消費電力推定装置および消費電力推定方法
JP2021036752A (ja) * 2019-08-30 2021-03-04 株式会社日立製作所 分散リソースの調整力管理装置および調整力管理方法
CN112528481A (zh) * 2020-12-02 2021-03-19 清华大学 极寒灾害下热电耦合系统随机动态过程的建模与分析方法
CN112580875A (zh) * 2020-12-21 2021-03-30 泉州装备制造研究所 一种配电装置的故障预测方法及系统
WO2023228298A1 (ja) * 2022-05-25 2023-11-30 三菱電機株式会社 消費電力推定装置、プログラム及び消費電力推定方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6713937B2 (ja) * 2017-01-30 2020-06-24 株式会社日立製作所 系統運用意思決定支援装置および方法
WO2019119413A1 (zh) * 2017-12-22 2019-06-27 大连理工大学 一种耦合相对目标接近度和边际分析原理的梯级水电站多目标优化调度方法
CN111428816B (zh) * 2020-04-17 2023-01-20 贵州电网有限责任公司 一种非侵入式负荷分解方法
CN112101673B (zh) * 2020-09-22 2024-01-16 华北电力大学 一种基于隐马尔可夫模型的电网发展趋势预测方法及系统
FR3118216A1 (fr) * 2020-12-18 2022-06-24 Electricite De France Programmation conjointe de flexibilités de production et de consommation
WO2023028842A1 (zh) * 2021-08-31 2023-03-09 西门子股份公司 工厂运营的预测方法、装置及计算机可读存储介质
TWI783826B (zh) * 2021-12-14 2022-11-11 國立中山大學 電力系統狀態的分析方法
CN117200184B (zh) * 2023-08-10 2024-04-09 国网浙江省电力有限公司金华供电公司 一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012064023A (ja) * 2010-09-16 2012-03-29 Sony Corp データ処理装置、データ処理方法、およびプログラム
JP2013210755A (ja) * 2012-03-30 2013-10-10 Sony Corp データ処理装置、データ処理方法、及び、プログラム
US20150134279A1 (en) * 2013-11-13 2015-05-14 Kt Corporation Estimating operation state of individual load

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012064023A (ja) * 2010-09-16 2012-03-29 Sony Corp データ処理装置、データ処理方法、およびプログラム
JP2013210755A (ja) * 2012-03-30 2013-10-10 Sony Corp データ処理装置、データ処理方法、及び、プログラム
US20150134279A1 (en) * 2013-11-13 2015-05-14 Kt Corporation Estimating operation state of individual load

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110888013A (zh) * 2018-09-10 2020-03-17 比亚迪股份有限公司 电力设备的故障预测方法、装置和电力监控系统
JP2020205684A (ja) * 2019-06-14 2020-12-24 大成建設株式会社 消費電力推定装置および消費電力推定方法
JP7285480B2 (ja) 2019-06-14 2023-06-02 大成建設株式会社 消費電力推定装置および消費電力推定方法
JP2021036752A (ja) * 2019-08-30 2021-03-04 株式会社日立製作所 分散リソースの調整力管理装置および調整力管理方法
JP7184716B2 (ja) 2019-08-30 2022-12-06 株式会社日立製作所 分散リソースの調整力管理装置および調整力管理方法
CN112528481A (zh) * 2020-12-02 2021-03-19 清华大学 极寒灾害下热电耦合系统随机动态过程的建模与分析方法
CN112528481B (zh) * 2020-12-02 2024-04-19 清华大学 极寒灾害下热电耦合系统随机动态过程的建模与分析方法
CN112580875A (zh) * 2020-12-21 2021-03-30 泉州装备制造研究所 一种配电装置的故障预测方法及系统
CN112580875B (zh) * 2020-12-21 2022-06-24 泉州装备制造研究所 一种配电装置的故障预测方法及系统
WO2023228298A1 (ja) * 2022-05-25 2023-11-30 三菱電機株式会社 消費電力推定装置、プログラム及び消費電力推定方法
WO2023228816A1 (ja) * 2022-05-25 2023-11-30 三菱電機株式会社 消費電力推定装置、プログラム及び消費電力推定方法

Also Published As

Publication number Publication date
US20170068760A1 (en) 2017-03-09
JP6602609B2 (ja) 2019-11-06

Similar Documents

Publication Publication Date Title
JP6602609B2 (ja) 電力使用状態推定方法
JP5668204B2 (ja) 電気機器推定装置並びにその方法およびプログラム
Najafi et al. Data analytics for energy disaggregation: Methods and applications
Kong et al. Improving nonintrusive load monitoring efficiency via a hybrid programing method
US8744818B2 (en) Thermal-fluid-simulation analyzing apparatus
JP6290255B2 (ja) 機器状態推定装置、機器消費電力推定装置、およびプログラム
Albert et al. Thermal profiling of residential energy use
US20130262190A1 (en) Apparatus and a method for determining a maintenance plan
JP6342700B2 (ja) 電力消費行動推定装置
JP7067234B2 (ja) データ判別プログラム、データ判別装置およびデータ判別方法
Li et al. A novel dynamic multiobjective optimization algorithm with hierarchical response system
KR101724328B1 (ko) 소비전력 총량과 복합센서를 이용한 에너지 가전기기의 비접촉 식별 방법 및 시스템
CN111476298B (zh) 一种居家办公环境下的用电负荷状态识别方法
US20160266182A1 (en) Operation apparatus
JP6431283B2 (ja) 電力需要シミュレータ、電力需要シミュレーション方法、及びプログラム
JP2019020779A (ja) 運用ルール抽出装置、運用ルール抽出システムおよび運用ルール抽出方法
WO2020003624A1 (ja) 消費電力推定装置
Henao et al. Active power load modeling based on uncertainties for non intrusive load monitoring
KR101867222B1 (ko) 복합 센서의 기기상태 영향도 기반 비접촉 가전기기 식별방법 및 장치
JP2015231328A (ja) 予測装置、予測方法及び予測プログラム
Karijadi et al. Electricity Load Prediction using Fuzzy c-means Clustering EMD based Support Vector Regression for University Building
Wang et al. A hierarchical probabilistic model for low sample rate home-use energy disaggregation
Dang et al. Electric Load Disaggregation Using Non-intrusive Load Monitoring Algorithm for Home Energy Management: Case-Study for an Apartment in Hanoi
Jihin et al. Health state assessment and lifetime prediction based on unsupervised state estimation
Talib et al. Optimizing Energy Consumption in Buildings: Intelligent Power Management Through Machine Learning.

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180807

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20190704

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190716

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190822

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20191001

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20191009

R150 Certificate of patent or registration of utility model

Ref document number: 6602609

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150