JP2017099237A - 電気機器識別システムおよび電気機器識別方法 - Google Patents

Abstract

【課題】 電気機器の識別をグループ単位で行う場合において電気機器を容易にグループ化することができる電気機器識別システムを提供する。【解決手段】 一実施形態に係る電気機器識別システムは、複数の電気機器に接続される電源線を流れる電流波形を測定する測定手段と、前記複数の電気機器それぞれに対応する複数の教師電流波形に対してクラスタリングを行うことによって、前記複数の電気機器を複数の電気機器グループに分けるグループ化手段と、前記複数の電気機器グループそれぞれを代表する複数の教師電流波形である複数の代表教師電流波形を生成する代表教師電流波形生成手段と、測定された前記電流波形と前記複数の代表教師電流波形とに基づいて、前記複数の電気機器グループの動作状態を推定する推定手段と、を備える。【選択図】図２

Description

本発明は、電気機器の動作状態を識別する電気機器識別システムおよび方法に関する。

近年、一般家庭やオフィスなどの電力需要家の宅内に電力センサを設置し、電力の効率的利用や電気機器の遠隔制御を図るＨＥＭＳ（Home Energy Management System）技術に関する検討および開発が進んでいる。

一般に、ＨＥＭＳは、家電製品などの電気機器の各々に取り付けられた電力センサからの情報を、有線または無線の通信手段を用いて集約し転送することにより、必要な情報を収集することができる。

一方で、ユーザに電力を供給する電源線の引き込み線または分電盤に設置した１台のセンサで消費電力や電流波形をモニタし、その特徴に基づいて各電気機器の種別や動作状態、消費電力などを識別、把握する方法が提案されている（例えば非特許文献１を参照）。

このような方式は、必要なセンサが１台で済むことから経済性が高く、また既存の電気機器にセンサを追加したり、新しい電気機器に規格の統一されたセンサを埋め込んだりしておく必要が無いことから、導入への障壁が少なく経済的な実現手段である。しかしながら、センサから得られる情報は、センサの取り付けられた主幹電源線を流れる電流値であり、これは全ての電気機器を流れる電流値を合算したものであるため、この情報をもとに直接個々の電気機器の電力消費の状態を把握することはできない。そのため、何らかの方法で、合算された電流値のデータから個々の電気機器の電力消費状況を推定する必要がある。

そのための方法としては、事前に個々の電気機器の電力消費や電流波形などのデータを様々な動作状態に於いて測定してデータベースを構築し、そのデータベースと実測値とを比較して電気機器の種別の識別や、動作状態の推定を行う方法が考えられている（例えば非特許文献２および非特許文献３を参照）。

このような方法では、事前に測定した電気機器の電流波形データベースと実測値とを比較するために、パターン認識や機械学習などの手法が用いられる。このときの各電気機器の電流波形データは、教師データと呼ばれることが多いが、この教師データとなる電流波形が似ている電気機器同士についてはそれらの識別が難しく、電気機器の推定精度の低下を招くことが多い。一方で、このような電流波形が似ている電気機器は、同じ種別の電気機器であったり、同じカテゴリに属する電気機器、例えば同じ加熱系調理機器に属する業務用の電気クッカーと電気フライヤーや、同じ暖房機器である電気ストーブと電気カーペットなどであることが多く、これらの電気機器は、同じ種別または同じカテゴリの電気機器をひとまとめのグループとし、このグループを１つの電気機器とみなして識別を行うことができる。この場合、全ての電気機器を対象に識別を行う場合と比べて、グループに対する推定精度が向上するというメリットがある。

しかしながら、教師データである電流波形は電気機器によってさまざまに異なり、同じ種別または同じカテゴリに属する電気機器であっても、波形が全く異なる場合もある。そのため、事前に種別やカテゴリをグループ化して一機器とみなすことは難しく、実際には電気機器の電流波形を測定してから、どの電気機器の電流波形同士が似ているかを目視で観察して判断する必要がある。このような作業は、電流波形をモニタする手段を用意した上で習熟した作業者によって行われる必要があり、作業にコストおよび時間が掛かるため、このことが上記のようなグループ化による推定精度の向上方法が容易に実現できない要因となっている。

Katsukura et al. "Life Pattern Sensor with Non-intrusive Appliance Monitoring," ICCE '09 pp.1-2, Jan.2009. 高谷和宏、鈴木康直、石山文彦、香西将樹、岩崎登、田島公博、"家電機器が発する伝導妨害波の特徴を活用した家電機器の動作状況推定に関する検討"、電子情報通信学会 信学技報, vol. 112, no. 73, EMCJ2012-14, pp. 29-34, 2012年5月 香西将樹、鈴木康直、石山文彦、秋山佳春、"ノーマルモード電流の周波数特性に基づく家電機器の識別"、電子情報通信学会2011総合大会講演論文集B-4-25

上記のように、電気機器の動作状態を識別する従来の方法においては、事前に電気機器をグループ化することは、作業者の目視による手動の判断が必要であり、初期設定にかかわる人的作業が多く特別な技能も要求される。

本発明は、上記事情に着目してなされたものであり、その目的は、電気機器の識別をグループ単位で行う場合において電気機器を容易にグループ化することができる電気機器識別システムおよび方法を提供することにある。

上記目的を達成するため、本発明の一態様に係る電気機器識別システムは、複数の電気機器に接続される電源線を流れる電流波形を測定する測定手段と、前記複数の電気機器それぞれに対応する複数の教師電流波形に対してクラスタリングを行うことによって、前記複数の電気機器を複数の電気機器グループに分けるグループ化手段と、前記複数の電気機器グループそれぞれを代表する複数の教師電流波形である複数の代表教師電流波形を生成する代表教師電流波形生成手段と、測定された前記電流波形と前記複数の代表教師電流波形とに基づいて、前記複数の電気機器グループの動作状態を推定する推定手段と、を備える。

本発明によれば、電気機器の識別をグループ単位で行う場合において電気機器を容易にグループ化することができる。

実施形態に係る電気機器識別システムの使用例を説明する図。 図１に示した電気機器識別システムの機能構成例を示すブロック図。 実施形態に係るクラスタリング手法を説明する図。 実施形態に係る電気機器のグループ化手順を示すフローチャート。

以下、図面を参照しながら本発明の実施形態を説明する。一実施形態に係る電気機器識別システムは、一般家庭や事務所などにおいて、電力を供給する電源線の引き込み線や分電盤内の電力線などに設置され、その位置で測定した消費電力量や電流、電圧などのデータをもとに、ユーザが使用している電気機器の種別や動作状況、消費電力などを把握するモニタ装置として使用される。モニタの結果得られた情報を通信ネットワークを介して転送することにより、遠隔での情報の監視や利用、またその情報に基づく電力制御などを行うことが可能となる。

このようなモニタ装置により、家庭内消費電力を効果的に節減するための情報提供サービスや、機器故障の把握、通知サービス、独居老人や要介護者の見守りサービスなどを、ユーザに提供することが可能となる。

図１は、一実施形態に係る電気機器識別システムの使用形態の一例を示している。電気機器識別システムは、図１に示されるように、電源線を流れる電流波形を測定する測定装置（センサ）１０１と、測定装置１０１によって測定された電流波形（以下、測定電流波形とも称する）に基づいて電気機器１０３の動作状態（ＯＮ、ＯＦＦなど）を推定する推定装置１０４と、を備える。図１に示される例では、測定装置１０１は、住宅、事業所、店舗などの建屋内に設けられ、推定装置１０４は、インターネットなどの通信ネットワーク上のサーバに設けられている。測定装置１０１は、通信ネットワークを介して推定装置１０４とデータ交換をすることができる。

測定装置１０１は、建屋に引き込まれる電源線、建屋内の分電盤１０２、分電盤１０２に接続される電源線など、ユーザが使用する複数の電気機器１０３が消費する総電力量を測定可能な位置に設置され、その位置での電源線の電流波形および電圧波形を逐次測定する。測定装置１０１は、測定した電流波形および電圧波形から消費電力量および力率などを算出することができる。

図１には、電気機器１０３の例として、照明１０３−１、エアコン１０３−２、パーソナルコンピュータ（ＰＣ）１０３−３、通信端末１０３−４、電話／ＦＡＸ１０３−５、テレビ（ＴＶ）１０３−６が示されている。個々の電気機器１０３は、それぞれ電源回路や電力消費形態が異なるため、それらの電源線を流れる電流波形も一般的に異なるものとなる。測定電流波形は、これらの電気機器１０３の電源線の電流波形の総和である。測定電流波形を含むデータは、推定装置１０４に遂次送信され、推定装置１０４において記憶、蓄積され、電気機器１０３の識別に使用される。

個々の電気機器１０３の電流波形は、動作状態が変化しない限りほぼ一定である。このことを電気機器１０３の推定に利用するため、事前に特定の動作状態で各電気機器１０３の電流波形が測定され、教師電流波形（教師データ）として電気機器名および動作状態とともに推定装置１０４に記憶されている。

測定装置１０１によって測定される電流波形は、電気機器１０３それぞれがその時点で消費している電流の波形を全て足し合わせたものとなる。推定装置１０４は、測定装置１０１で逐次測定された電流波形がどの電気機器１０３のどの動作状態の電流波形の組み合わせとなっているかについて、各電気機器１０３の教師電流波形をもとに推定することで、その時点で動作している電気機器１０３の種別および動作状態を識別することができる。

具体的には、推定装置１０４は、パターン認識の手法を利用して、測定電流波形がどの電気機器１０３の教師電流波形の和に最も近いのかを識別することにより、動作している電気機器１０３の種別および動作状態を推定することができる。例えば、教師ありの機械学習の仕組みのひとつであるＳＶＭ（Support Vector Machine）を利用し、教師データを事前に学習することで識別器を作成し、測定電流波形からその時の動作機器を推定することができる（例えば非特許文献２を参照）。

上述した機器推定の仕組みにおいては、電気機器ごと、もしくは電気機器の動作状態が複数存在する場合にはその動作状態ごとに教師データを取得し、それらをもとに識別を行うことになる。このとき、動作状態の違いに応じて、教師データを細かく多数取得すれば、それに従って推定精度は向上する傾向があるが、あまり多くの教師データを用いると、推定装置１０４で学習するデータの数が指数的に増加し、計算に必要なメモリ容量や計算時間が非現実的な値まで増大する。また、類似している電流波形が存在すると、本質的にそれらの識別は難しく、推定精度が低下することがある。そのため、メモリ容量や計算時間が実用的な範囲に収まる程度に、教師データの総数を抑える必要がある。このような最適化の作業は従来、習熟した操作者の判断をもとに手動で行われている。

一方で、電流波形が類似している電気機器は、同じ種別の機器同士（例えば電球照明同士、蛍光灯同士など）である場合や、同じカテゴリに属する機器同士（例えば、同じ暖房器具に属する電気ストーブと電気カーペットなど）である場合が多い。電力見える化の結果をもとに、適切な省エネ対策を行うことによる電力消費の削減を行うサービスなどでは、同一の種別の電気機器や同じカテゴリの電気機器を、例えば“照明機器類”や“電気暖房機器”などのようにひとまとめにして取り扱っても、同じ省エネ効果が上げられる場合が多い。このようにグループ化した電気機器群を１つの機器とみなして識別推定を行う方法は、教師データの総数を削減でき、また類似波形の識別誤りが減ることから、推定精度を向上させる点でも有効である。

上記の機器のグループ化にあたっては、従来は、事前の測定で得られた教師データの電流波形を操作者が自身の目で確認した上で、波形として類似したものについて選択し、その種別名と共に整理分類し、ユーザの要望とも照らし合わせてグループ化の可否を判断している。このような作業には時間が掛かり、操作者にも特別な技能が必要である。

本実施形態に係る電気機器識別システムでは、クラスタリング手法を用いて同じ種別または同じカテゴリの電気機器をひとまとめのグループとし、このグループを１つの電気機器とみなして識別を行う。これにより、電気機器のグループ化が容易になり、さらに、計算の試行回数や計算時間を削減することができるとともに、推定精度を向上することもできる。

なお、推定装置１０４は、本実施形態では通信ネットワーク上のサーバに実装されているが、これに限定されない。例えば、推定装置１０４の機能は、測定装置１０１の内部に実装されてもよい。この場合は、測定電流波形を含むデータを通信ネットワーク上に送信する必要がなくなる。

図２は、本実施形態に係る電気機器識別システムの機能構成の一例を示している。図２に示されるように、測定装置１０１は、建屋内の総電流が測定可能となるように、分電盤などの商用電源２５１と屋内電気配線２５２との間の主幹配線に設けられている。測定装置１０１は、電流センサ２０１、電圧センサ２０２、電流波形測定部２０３、タイミング検出部２０４、アナログ／ディジタル（Ａ／Ｄ）変換部２０５、およびデータ送信部２０６を備える。

電流センサ２０１は、電源線の電流値を検出する（モニタする）。電流センサとしては、ソレノイドコイルとの電磁誘導を利用したカレントトランス（ＣＴ；Current Transformer）などを利用することができる。電圧センサ２０２は、電源線の電圧値を検出する（モニタする）。電圧センサとしては、電源線に接触して電圧波形を直接計測する電圧計、静電誘導を利用して電源線に非接触で電圧波形を計測する非接触型センサなどを利用することができる（例えば、鈴木康直、香西将樹、丸山雅人、大山孝、高谷和宏、“機器毎の電力を総電流に基づき推定するシステム（２）−センサの開発−”、電子情報通信学会2014ソサイエティ大会講演論文集B-9-2、Sept. 2014.を参照）。

電源線の電流波形は、一般的に供給交流電力の電圧波形と同期した形で周期的に変化する。そのため、電流波形については、電圧波形の特定のタイミング、例えば、電圧がマイナスからプラスに切り替わる零クロスタイミングなどを基準として、電圧に同期した形で周期波形を取得する必要がある。電圧センサ２０２は、このような同期タイミングを設定するために用いられる。

タイミング検出部２０４は、電圧センサ２０２によって検出された電圧値に基づいて同期タイミングを検出し、同期タイミングを示すトリガ信号を生成する。電流波形測定部２０３は、タイミング検出部２０４によって生成されたトリガ信号を契機として、電流センサ２０１によって検出された電流値から電流波形を測定する。

Ａ／Ｄ変換部２０５は、電流波形測定部２０３から出力される測定電流波形をディジタル信号に変換する。データ送信部２０６は、ディジタル信号に変換された測定電流波形を、通信ネットワーク上に転送するための信号フォーマットにインタフェース変換し、通信ネットワークを介して推定装置１０４に送信する。通信ネットワークでのデータ伝送は、有線通信で実施してもよく、無線通信で実施してもよい。

推定装置１０４は、データ受信部２０７、電流波形識別器２０８、電気機器グループデータベース（ＤＢ）２０９、教師電流波形データベース（ＤＢ）２１０、およびグループ化部２１５を備える。測定装置１０１により送信されたデータは、データ受信部２０７によって受信され、元の測定電流波形のデータへと復調される。なお、推定装置１０４が測定装置１０１内に設けられる場合には、測定装置１０１のデータ送信部２０６および推定装置１０４のデータ受信部２０７は省略される。

教師電流波形データベース２１０は、複数の電気機器それぞれに対応する複数の教師電流波形のデータ（教師データ）を格納する。事前に特定の動作状態で各電気機器の電流波形が測定され、その電流波形が教師電流波形として教師電流波形データベース２１０に記憶されている。教師電流波形データベース２１０では、教師電流波形は、電気機器名および動作状態に対応付けられている。

グループ化部２１５は、複数の教師電流波形に対してクラスタリングを行うことによって、複数の電気機器を複数の電気機器グループに分ける。例えば、グループ化部２１５は、クラスタリング部２１１およびグループ化判定部２１２を備える。

クラスタリング部２１１は、教師電流波形をクラスタリングすることによって、複数の電気機器を複数のクラスタに分ける。具体的には、クラスタリング部２１１は、クラスタリングの手法を用いて、教師電流波形が類似している電気機器を判別してクラスタを生成する。クラスタリング部２１１は、クラスタごとに、当該クラスタを構成する電気機器の教師電流波形がどの程度類似しているかを示す類似度を算出することができる。

グループ化判定部２１２は、クラスタリング部２１１によって生成されたクラスタから電気機器グループを生成する。具体的には、グループ化判定部２１２は、クラスタリングの結果を操作者に表示し、操作者から各クラスタを採用するか否かを示す指示およびグループ名（クラスタ名）の入力を受け付けるインタフェース機能を有する（２１３）。例えば、操作者によって採用されたクラスタは電気機器グループに設定され、操作者によって非採用と判断されたクラスタを構成する電気機器それぞれは単独で電気機器グループに設定される。さらに、グループ化判定部２１２は、電気機器グループごとに、電気機器グループを代表する教師電流波形（以下、代表教師電流波形と称する。）を生成する。代表教師電流波形としては、その電気機器グループを構成する電気機器のうちのいずれか１つの教師電流波形、これらの電気機器の教師電流波形の平均値などを用いることができる。

電気機器グループデータベース２０９は、電気機器をグループ化した結果が格納される。例えば、電気機器グループデータベース２０９では、代表教師電流波形が電気機器グループのグループ名および電気機器グループを構成する電気機器名に対応付けられて記憶されている。

電流波形識別器２０８は、電気機器グループデータベース２０９内の代表教師電流波形と測定電流波形とを比較することによって、その時点で動作している電気機器グループを推定し、グループ名を識別結果として出力する（２１４）。電流波形識別器２０８での機器推定を行うときには、電流の重ね合わせの原理（キルヒホッフの第一法則）から、測定電流波形がその分電盤に接続された電気機器のうち、その時点で動作している機器の電流波形の総和になることを利用している。具体的な推定手法としては、全ての代表教師電流波形の組み合わせについて波形の和（合成波形）を作っておき、それらと総電流波形を比較対照して最も類似した波形、例えば両者のユークリッド距離が最小となる波形を選び出す方法が利用できる。また、機械学習の手法を用いて、例えばＳＶＭ（Support Vector Machine）の仕組みを利用し、教師データを組み合わせた合成波形を全て学習させて識別器を生成し、それらの識別器によりどの教師波形データの組み合わせであるかを判定する方法もある。あるいは同様に、パターン認識やニューラルネットワークの推定アルゴリズムなどの手法を用いて推定を行う方法が報告されている。この方法は、例えば、K. Yoshimoto, Y. Nakano, Y. Amano, and B. Kermanshahi, "Non-Intrusive Appliances Load Monitoring System Using Neural Networks," 2000 ACEEE Summer Study on Energy Efficiency in Buildings, Pacific Grove, CA, USA, August 20-25, 2000.に記載されている。機器推定には、これらのいずれの方法を用いてもよい。

あらかじめ個々の電気機器でいくつかの動作状態に於いて計測した電流波形データを用いて、その組み合わせパターンを作成して識別する場合、電気機器の数や動作状態が増えると、その組み合わせの数は等比級数的に増加し、比較する参照波形の数は膨大な数となるため、計算の試行回数や計算時間が著しく増加し、また識別の精度も低下してしまう。そのため前述のように、同じ種別または同じカテゴリの電気機器をあらかじめひとまとめのグループとし、このグループを１つの機器とみなして識別を行うことにより、従来の全ての機器を対象に識別を行う場合と比べて、計算の試行回数や計算時間が削減でき、推定精度の向上が望める。

本実施形態では、クラスタに含まれる電気機器に関する情報を操作者に提示し、操作者がグループ化する電気機器を選択するプロセスを設けることにより、サービスを利用するユーザの要望に合った適切な電気機器の識別を行うことができる。

また、電流波形識別器２０８は、電気機器グループごとに、時系列での電力消費状況や、一定期間（例えば、１時間、１日など）の統計電力量を表示してもよい。これにより、ユーザにわかりやすく推定結果を伝えることが可能になる。

次に、図３を参照して、本実施形態に係るクラスタリング手法を説明する。本実施形態では、階層型のクラスタリング手法を用いる例を説明するが、階層型でないクラスタリング手法を用いてもよい。

図３において、最下段に、ユーザが使用している電気機器が示されている。この例では、電気機器の数は８台であり、括弧内に電気機器の種別を例として記載している。これらの電気機器の教師データをクラスタリングした結果が中段から上段にわたって樹形図（デンドログラム）で示されている。この例では、８台の電気機器が６つのクラスタに分けられている。図３において、下側に位置するほど類似度が高いクラスタである。これらのクラスタは、類似度が高い方から順にクラスタ１、クラスタ２、クラスタ３、クラスタ４、クラスタ５、クラスタ６とラベル付けされている。

このような波形データのクラスタリングに用いる手法は、階層型クラスタリング手法と非階層型クラスタリング手法に大別される。階層型クラスタリング手法としては、ウォード法（Ward's method）、最短距離法（nearest neighbor method）、最長距離法 （furthest neighbor method）、群平均法（group average method）などが知られている。また、非階層型クラスタリング手法（分割最適化手法）としては、Ｋ平均法（k-means clustering）、Ｘ平均法（x-means clustering）などが知られている。非階層型クラスタリング手法の例は、例えば、神嶌敏弘、“データマイニング分野のクラスタリング手法（1）”、人工知能学会誌18巻1号、ｐｐ.59-65、（2003年1月）、神嶌敏弘、“データマイニング分野のクラスタリング手法（2）”、人工知能学会誌18巻2号、ｐｐ.59-177、（2003年3月）に記載されている。本発明における波形データのクラスタリングにおいては、これらのどの手法を用いても良く、自動的にクラスタリングができるものであれば、上記以外の手法を用いても構わない。

グループ化判定部２１２は、図３に示される８つの電気機器の教師データに対してクラスタリングを行うことにより、これらの電気機器を６つのクラスタに分類する。続いて、グループ化判定部２１２は、類似度が高い順に（デンドログラムの高さが低い順に）各クラスタを電気機器グループとして採用するかどうかの判定を行う。このとき、グループ化判定部２１２は、まず当該クラスタに含まれる電気機器名を全て表示し、操作者は、表示された電気機器名をもとに、それらの電気機器を１つのグループとして採用して良いかどうかを判断する。例えば、クラスタ１については、その構成要素である機器３と機器４が共に白熱電球であることから、操作者は、機器３および機器４を電気機器グループとして採用できると判断し、このクラスタ１に「白熱電球」と命名している。同様に、クラスタ２やクラスタ３についても、電気機器グループとして採用し、それぞれ「蛍光灯」、「暖房機器」と命名する。一方で、クラスタ４については、その構成要素である機器５のエアコンと機器６の冷蔵庫が関係性の薄い機器であることから、電気機器グループとしては採用できないと判断している。このとき、このクラスタ４に属する電気機器（この場合は機器５および機器６）についてはグループ化をせずに、それぞれ機器ごとの教師波形データを用いて識別を行うこととなる。また、階層化のクラスタリングを採用している場合には、こうして非採用と判断したクラスタの上位のクラスタ（この場合、クラスタ４に対するクラスタ６）は、自動的に非採用とする。ここで、クラスタ全体では電気機器のグループ化に適さないと判断した場合においても、その構成要素であるいくつかの電気機器については、種別が同じなど、グループ化が可能な場合がある。このときには、それらの電気機器のみグループ化を行い、クラスタ内でグループ化できなかった他の電気機器については、電気機器毎に識別を行うことも可能である。

一方で、上位のクラスタについても、例えばクラスタ５のように、いくつかのクラスタの上位クラスタレベルで電気機器のグループ化が可能と判断すれば、そのクラスタを採用することができる。この時、下位のクラスタ（この場合クラスタ１とクラスタ２）はクラスタ５に包含されるため、以降は使用しないこととする。

以上のような手順で採用／非採用の判定を行うことで、図３の例では機器５（エアコン）、機器６（冷蔵庫）、クラスタ３（暖房器具類）、およびクラスタ５（照明器具類）のという４つの電気機器グループが最終的に採用されている。こうして採用された電気機器グループのグループ名やそのグループに含まれる電気機器名、および電気機器グループを代表する教師データが、電気機器グループデータベース２０９に格納される。このとき、電気機器グループを代表する教師データは、当該の電気機器グループに属する電気機器のいずれか１つの電気機器の教師データを採用してもよく、また、当該電気機器グループに属する全ての機器の教師データの電流波形の平均値を採用してもよく、当該電気機器グループ内の教師データは互いに類似しているため、これらと類似する波形であれば上記以外の計算手法で算出した波形を採用してもよい。

電流波形識別器２０８は、このようにして生成された電気機器グループデータベース２０９の教師データを学習することにより、機器の識別を行う。このようなグループ化の結果、図３の例では、当初の電気機器数である８台に比べて、４つの電気機器グループでの推定を行うことができることから、計算時間が短縮され、推定精度の向上が見込まれる。

図４は、本実施形態に係る電気機器グループ化の手順例を示している。図４のステップＳ４０１では、クラスタリング部２１１は、教師電流波形をクラスタリングする。その結果、ｍ個のクラスタが生成される（ステップＳ４０２）。さらに、ステップＳ４０１において、クラスタごとに類似度が算出される。

ステップＳ４０３では、変数ｎが１に初期化される。ステップＳ４０４では、ｍ個のクラスタの中から類似度がｎ番目に高いクラスタが抽出される。ステップＳ４０５では、抽出されたクラスタが既に非採用と分類されたクラスタであるか否かが判定される。抽出されたクラスタが既に非採用と分類されたクラスタである場合、ステップＳ４１２に進み、そうでなければ、ステップＳ４０６に進む。

ステップＳ４０６では、グループ化判定部２１２は、クラスタを構成する機器種別を表示する。ステップＳ４０７では、操作者によってクラスタを採用するか否かが判別される。例えば、操作者（またはユーザ）は、表示された電気機器が同じ種類のものまたは同様のカテゴリに属するものであれば、そのクラスタを採用する判断をし、その結果およびグループ名を推定装置１０４に入力する。そうでない場合は、操作者は、そのクラスタを採用しないと判断し、その判断結果を入力する。操作者が不採用を示す指示を入力した場合、処理はステップＳ４０９に進む。

ステップＳ４０９では、グループ化判定部２１２は、ステップＳ４０７で不採用と判定されたクラスタとその上位のクラスタを非採用に分類する。例えば、図３に関して説明した例において、クラスタ４が不採用と判定されると、クラスタ４の上位であるクラスタ６が不採用に分類される。その後に、ステップＳ４０４でクラスタ６が抽出されると、ステップＳ４０５において、クラスタ６は非採用に分類されたクラスタであると判定される。このように、既に非採用となったクラスタを含む上位階層のクラスタは全て採用しないこととし、クラスタに関する情報の表示や採用／非採用の判断、グループ名の入力は行わない。

さらに、不採用と判定されたクラスタより下位にクラスタがない場合、そのクラスタを構成する電気機器それぞれが単独で電気機器グループに設定され、各電気機器の教師電流波形がそのまま代表電流波形として電気機器グループデータベースに登録される。例えば、図３に示されるクラスタ４が不採用と判定された場合に、機器５（エアコン）が単独で電気機器グループに設定され、機器５の教師電流波形が代表電流波形として登録され、さらに、機器６（冷蔵庫）が単独で電気機器グループに設定され、機器６の教師電流波形が代表電流波形として登録される。その後に処理はステップＳ４１２に進む。

ステップＳ４０７において操作者が採用を示す指示を入力した場合、ステップＳ４０８に進む。ステップＳ４０８では、グループ名が入力される。例えば、グループ化判定部２１２がグループ（クラスタ）の名前を入力する画面を表示し、操作者がグループ名を入力する。

ステップＳ４１０では、グループ化判定部２１２は、クラスタを代表する教師電流波形を算出する。ステップＳ４１１では、グループ名、グループ構成機器、代表教師電流波形が対応付けられて電気機器グループデータベース２０９に登録される。その後に処理はステップＳ４１２に進む。

ステップＳ４１２では、変数ｎがクラスタ数ｍより小さいか否かが判定される。変数ｎがクラスタ数ｍより小さい場合、ステップＳ４１３に進む。ステップＳ４１３では、変数ｎが１だけインクリメントされ、ステップＳ４０４に戻る。

ステップＳ４１２において変数ｎがクラスタ数ｍ以上である場合、グループ化処理が終了となる。

このようにして、全てのクラスタについて、電気機器グループとして採用するか非採用とするかを決定する。このようにクラスタリング手法を用いて、教師データのグループ化を行うことで、従来目視で判断していた類似波形のグルーピングが自動化され、その類似度も定量的に評価することができる。このことにより、操作者の負担は大幅に軽減され、特別な技能も必要なく、ユーザの要望に合った適切な初期設定が簡単に行えるようになる。

以上のように、本実施形態に係る電気機器識別システムにおいては、クラスタリングの手法を用いて電流波形の似通った電気機器を自動で判別することで、操作者による電気機器のグループ化作業を大幅に軽減することができる。また、各電気機器グループの波形の類似度が定量的に把握することができるので、操作者によるグループ化の客観性や合理性も向上する。さらに、電気機器のグループ化を簡易に行えることで、電気機器推定の計算時間を大幅に削減することができ、また、推定精度を向上させることができる。

なお、上述の実施形態の中で示した処理手順に示された指示は、ソフトウェアであるプログラムに基づいて実行されることが可能である。
本発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。

１０１…測定装置、１０２…分電盤、１０３…電気機器、１０４…推定装置、２０１…電流センサ、２０２…電圧センサ、２０３…電流波形測定部、２０４…タイミング検出部、２０５…Ａ／Ｄ変換部、２０６…データ送信部、２０７…データ受信部、２０８…電流波形識別器、２０９…電気機器グループデータベース、２１０…教師電流波形データベース、２１１…クラスタリング部、２１２…グループ化判定部、２１５…グループ化部、２５１…商用電源、２５２…屋内電気配線。

Claims (6)

1. 複数の電気機器に接続される電源線を流れる電流波形を測定する測定手段と、
   前記複数の電気機器それぞれに対応する複数の教師電流波形に対してクラスタリングを行うことによって、前記複数の電気機器を複数の電気機器グループに分けるグループ化手段と、
   前記複数の電気機器グループそれぞれを代表する複数の教師電流波形である複数の代表教師電流波形を生成する代表教師電流波形生成手段と、
   測定された前記電流波形と前記複数の代表教師電流波形とに基づいて、前記複数の電気機器グループの動作状態を推定する推定手段と、
   を具備する電気機器識別システム。
2. 前記グループ化手段は、
   教師電流波形が類似している電気機器から構成される複数のクラスタを生成するクラスタリング手段と、
   前記複数のクラスタに関する情報を操作者に提示し、前記操作者から前記複数のクラスタを採用するか否かを示す指示を受け付け、前記指示に応じて前記複数のクラスタから複数の電気機器グループを生成する電気機器グループ生成手段と、
   を含む、請求項１に記載の電気機器識別システム。
3. 前記クラスタリング手段は、前記複数のクラスタの各々について、当該クラスタを構成する電気機器の教師電流波形がどの程度類似しているかを示す類似度を算出し、
   前記電気機器グループ生成手段は、前記類似度が高い順に前記複数のクラスタに関する情報を前記操作者に提示する、請求項２に記載の電気機器識別システム。
4. 複数の電気機器に接続される電源線を流れる電流波形を測定することと、
   前記複数の電気機器それぞれに対応する複数の教師電流波形に対してクラスタリングを行うことによって、前記複数の電気機器を複数の電気機器グループに分けることと、
   前記複数の電気機器グループそれぞれを代表する複数の教師電流波形である複数の代表教師電流波形を生成することと、
   測定された前記電流波形と前記複数の代表教師電流波形とに基づいて、前記複数の電気機器グループの動作状態を推定することと、
   を具備する電気機器識別方法。
5. 前記複数の電気機器を前記複数の電気機器グループに分けることは、
   教師電流波形が類似している電気機器から構成される複数のクラスタを生成することと、
   前記複数のクラスタに関する情報を操作者に提示し、前記操作者から前記複数のクラスタを採用するか否かを示す指示を受け付け、前記指示に応じて前記複数のクラスタから前記複数の電気機器グループを生成することと、
   を含む、請求項４に記載の電気機器識別方法。
6. 前記複数の電気機器を前記複数の電気機器グループに分けることは、
   前記複数のクラスタの各々について、当該クラスタを構成する電気機器の教師電流波形がどの程度類似しているかを示す類似度を算出することと、
   前記類似度が高い順に前記複数のクラスタに関する情報を前記操作者に提示することと、
   をさらに含む、請求項５に記載の電気機器識別方法。