JP3877269B2

JP3877269B2 - 電気機器モニタリングシステム及びこれを利用した異常警告システム

Info

Publication number: JP3877269B2
Application number: JP2000147005A
Authority: JP
Inventors: 崇小野田; 幸夫中野; 勝久由本; レチグナ; ロバートミュラークラウス
Original assignee: Central Research Institute of Electric Power Industry
Current assignee: Central Research Institute of Electric Power Industry
Priority date: 2000-05-18
Filing date: 2000-05-18
Publication date: 2007-02-07
Anticipated expiration: 2020-05-18
Also published as: JP2001330630A

Description

【０００１】
【発明の属する技術分野】
本発明は、電力需要家が使用している複数の電気機器のオン状態かオフ状態かの動作状態を推定できる電気機器モニタリングシステム及びこれを利用した異常警告システムに関するものである。さらに詳述すると、本発明は、複数の電気機器の個別の動作状態を非侵入的（Non-Intrusive ）な手法で推定するようにした電気機器モニタリングシステム及びこれを利用した異常警告システムに関するものである。本明細書において、「非侵入的」とは、給電線引込口付近一箇所に測定センサーを設置するもので、給電線下流の分岐回路毎に測定センサーを取り付けたり、回路に接続されている電気機器毎に測定センサーを取り付けたりしない状態のことをいう。
【０００２】
【従来の技術】
従来、電気機器の動作状態を非侵入的に推定するモニタリングシステムとしては、ＭＩＴ（Massachusetts Institute of Technology ; 米国) で開発されたアルゴリスムを用いてＥＰＲＩ(Electric Power Research Institute; 米国) が装置化しているものがある。このモニタリングシステムは、電気機器のオン・オフ動作を需要家の総電力負荷カーブのステップ状の時間変化として捉え、電気機器の定格消費電力及び力率に基づいてオンあるいはオフとなった電気機器の特定と動作状態の推定を行うものである。
【０００３】
【発明が解決しようとする課題】
しかしながら、最近では、一般家庭にも、冷暖房装置等のようなインバータを搭載した機器（インバータ機器）が普及しており、インバータを搭載しない機器（ノンインバータ機器）と混在した状態で使用されることが多くなっている。インバータ機器は、負荷の状態に応じて消費電力量を無段階的に制御するため、消費電力の時間的推移は必ずしもステップ状ではなく、緩やかに変動したりあるいは不規則に変動したりする。尚、本明細書において、ノンインバータ機器は、単にオンまたはオフする機器のことをいう。
【０００４】
したがって、インバータ機器やノンインバータ機器が混在する状況下では、上述した従来のＥＰＲＩ開発のモニタリングシステムによっては電気機器の動作状態を推定することが困難である。
【０００５】
また、本発明者らが１９９８年８月６日の電気学会において提唱した電気機器モニタリング手法においても、インバータ機器のオン・オフ状態は推定できるとしても、ノンインバータ機器が混在する状態においての電気機器毎の個別の動作状態を非侵入的に推定することが困難であった。
【０００６】
本発明は、ノンインバータ機器及びインバータ機器等が混在する状況下において、電力需要家が使用している複数の電気機器の動作状態を非侵入的に推定可能とする電気機器モニタリングシステム及びこれを利用した異常警報システムを提供することを目的としている。
【０００７】
【課題を解決するための手段】
かかる目的を達成するため、請求項１記載の発明は、電力需要家が使用している複数の電気機器の動作状態を推定する電気機器モニタリングシステムにおいて、電力需要家の給電線引込口付近に設置した測定センサーと、測定センサーで検出した総負荷電流及び電圧のデータから当該総負荷電流の基本波並びに高調波の電流値及び電圧に対するそれらの位相差に関するデータを取り出すデータ抽出手段と、標準的な各種電気機器の種々の組み合わせと、それらの電気機器の種々の動作状態の組み合わせについて、各種の電気機器の動作時の総負荷電流の基本波並びに高調波の電流値及び電圧に対するそれらの位相差に関するデータと、そのときの解答である電気機器の動作状態を教師データとしてあらかじめ学習して推定アルゴリズムを予め取得し、測定センサーからデータ抽出手段を介して得た総負荷電流の基本波並びに高調波の電流値及び電圧に対するそれらの位相差に関するデータを入力として、学習した推定アルゴリズムによるパターン認識によって当該電力需要家が使用している複数の電気機器毎のオンオフ動作状態を推定するラージ・マージン・クラスファイアとを備えるようにしている。
【０００８】
インバータ回路並びに整流回路を内蔵する機器からはそれ固有の高調波を出しているのは周知である。また、単純な抵抗回路以外なら、インバータ回路並びに整流回路以外の回路を有していてもその機器固有の高調波を出している。したがって、同じ運転状態と外部から侵入してくる高調波が同一であれば、電気機器から流れ出る高調波は変わらない。そこで、次数ごとの高調波電流とその位相差の値を入力パターンとし、出力パターンとしてそのときの家電製品の稼働状況を出力するように学習を行えば、家庭から流れ出る高調波を調べることで現在の家電製品の稼働状況を推定できる。そこで、予め代表的な機器を組み合わせて動作させたときに得られる基本波並びに高調波の電流値と電圧に対するそれらの位相差を測定してそれを教師データとしてＬＭＣに与えて学習させてオンオフ動作に関する判定基準を決定しておけば、未知の測定データが入力されてもこの判定基準を使って個別の電気機器毎のオンオフ動作を推定することができる。
【００１０】
この場合、教師データとしては、電気機器の組み合わせとそれぞれに対する動作状態の組み合わせから、解答となる電気機器の動作状態をいくつかを選び、ラージ・マージン・クラスファイアに与えて学習させて推定アルゴリズムを取得させておく。そして、実際に電力需要家の引込口付近に設けた測定センサーで測定した総負荷電流の波形と電圧の波形から高調波電流とその位相に関するデータを取り出し、これらデータを、上述したように学習が終了して推定アルゴリズムを取得した推定手段に与えると、推定手段は電気機器のオンオフ動作状態を推定することができる。
【００１１】
ここで、推定手段としてのラージ・マージン・クラスファイアのアルゴリズムの使用は、オンオフ動作時の相違が明瞭でないノンインバータ機器を含む電気機器の組み合わせについて弁別精度を上げることができる。
【００１２】
更に、請求項２記載の発明にかかる異常警告システムは、請求項１記載の電気機器モニタリングシステムで得られた電気機器の動作状態に関する情報から、電気機器や電化システムの漏電や異常の有無等を判定するようにしている。この場合、火災などに繋がる電力機器の異常動作や更にそれに基づいて需要家在室者の安否、需要家内の安全、その情報を非侵入的な方法でモニタリングして外部へ発信することができる。
【００１３】
【発明の実施の形態】
以下、本発明の構成を図面に示す実施の一形態に基づいて詳細に説明する。
図１に本発明の第１の実施の形態に係る電気機器モニタリングシステムが適用された系統の模式図を、図２に電気機器モニタリングシステムの具体的構成例をそれぞれ示す。この電気機器モニタリングシステム１は、電力需要家２の給電線引き込み口付近に設置され、電気機器３の個別の動作状態を非侵入的な方法で推定する装置であり、引込線４及び電柱５に架設された電線を介して電気事業者等の電力系統に接続される。尚、この電気系統には、例えば、テレビジョン受像機３ａ、冷蔵庫３ｂ、インバータエアコンデショナー３ｃ、白熱灯からなる照明機器３ｄ及び蛍光灯からなる照明機器３ｅなど、インバータ機器とノンインバータ機器とが混在した状況で接続されて使用される場合を前提にしている。
【００１４】
この電気機器モニタリングシステム１は、基本的には、測定センサー１１と、データ抽出手段１２と、ラージ・マージン・クラスファイア（Large Margin Classifier；以下ＬＭＣと略称する)１３からなる。
【００１５】
測定センサー１１は、非侵入的なシステムにするために、電力需要家２の引込線４の引込口６の付近に一箇所のみ設置されている。測定センサー１１は、電圧と電流波形とを得るもので例えば変成器と変流器とで構成されている。本実施形態においては、単相三線式引き込み線４を使用する日本国内における一般電力需要家について実施する場合を例に挙げているので、Ａ相用の計器用変成器（ＰＴ_Ａ）１１１ａ並びにＢ相用の計器用変成器（ＰＴ_Ｂ）１１１ｂと、Ａ相用の計器用変流器（ＣＴ_Ａ）１１２ａ並びにＢ相用の計器用変流器（ＣＴ_Ｂ）１１２ｂとから構成されている。
【００１６】
具体的には、図２に示すように、Ａ相用の計器用変成器１１１ａは、一次側がＡ相４ａと中性線４ｎとの間に接続され、二次側からＡ相４ａの電圧と相似の電圧Ｖ_Aが出力される。Ｂ相用の計器用変成器１１１ｂは、一次側がＢ相４ｂと中性線４ｎとの間に接続され、二次側からＢ相４ｂの電圧と相似の電圧Ｖ_B が出力される。Ａ相用並びにＢ相用の計器用変流器１１２ａ，１１２ｂには貫通型を使用するものとすると、計器用変流器１１２ａはＡ相４ａに流れる電流を一次側で測定して二次側からＡ相の電流と相似の電流Ｉ_A を出力し、また計器用変流器１１２ｂはＢ相４ｂに流れる電流を一次側で測定して二次側からＢ相の電流と相似の電流Ｉ_B を出力する。ここで、電圧Ｖ_Ａと電流Ｉ_Ａの位相関係はＡ相電圧とＡ相電流の位相関係に原理的に等しく、また、Ｖ_ＢとＩ_Ｂの位相関係もＢ相電圧とＢ相電流の位相関係に原理的に等しく保たれている。これら電圧Ｖ_A，Ｖ_B と、電流Ｉ_A ，Ｉ_B は、データ抽出手段１２に入力される。因みに、Ａ相４ａと中性線４ｎとの間には、電流Ｉ_A1，Ｉ_A2，…，Ｉ_A6を流し、電圧・電流の位相差φ_A1，φ_A2，…，φ_A6を持つ電気機器３が接続されると共に、Ｂ相４ｂと中性線４ｎとの間には電流Ｉ_B1，Ｉ_B2，…，Ｉ_B6を流し、電圧・電流の位相差φ_B1，φ_B2，…，φ_B6を持つ電気機器３がそれぞれ接続されているものとする。
【００１７】
データ抽出手段１２は、前記測定センサー１１で検出した総負荷電流及び電圧から基本波並びに高調波の電流値と電圧に対するそれらの位相差に関するデータを取り出すものである。具体的には、データ抽出手段１２は、例えば図２に示すように、アナログ／デジタル（Ａ／Ｄ）変換器１２１と、高速フーリエ変換器１２２とから構成され、測定センサー１１から入力された電圧Ｖ_A ，Ｖ_Bと電流Ｉ_A，Ｉ_BとをＡ／Ｄ変換器１２１でデジタルデータに変換してから、高速フーリエ変換器１２２で高調波電流データＩ_{Ａ（１−１３）}，Ｉ_{Ｂ（１−１３）}、位相差データφ_{Ａ（１−１３）} ，φ_{Ｂ（１−１３）}を得るようにされている。ここで、電流データＩ_Ａ１、Ｉ_Ｂ１、位相差データφ_Ａ１、φ_Ｂ１はそれぞれ基本波の電流並びに位相差を示し、電流データＩ_{Ａ（２−１３）}、Ｉ_{Ｂ（２−１３）}、位相差データφ_{Ａ（２−１３）}、φ_{Ｂ（２−１３）}は添字（２−１３）が高調波の次数２次から１３次を表す高調波の電流と位相差とをそれぞれ示し、給電線に供給される交流電力の基本周波数にその次数の数値を乗ずることでその高調波のもつ周波数を表す。例えば、基本周波数が５０Ｈｚの場合、３次高調波電流とは１５０Ｈｚの周波数成分のみをもつ電流成分のことを指す。高調波は一般に奇数次のものが卓越して現れ、偶数次のものは小さいため、ここでは奇数次のデータを高調波データとしてＬＭＣ１３に入力として与えている。このデータ抽出手段１２から出力された総負荷電流の基本波並びに高調波の電流値と電圧に対するそれらの位相差データとは、上述したＬＭＣ１３に与えられる。
【００１８】
ＬＭＣ１３は、あらかじめ学習した推定アルゴリズム１３１を基に、総負荷電流の基本波並びに高調波の電流値と電圧に対するそれらの位相差に関するデータを入力して電気機器３のオンオフ状態を個別に推定する。本実施形態の場合、推定手段としてのＬＭＣは予め複数の電気機器の各種の動作状態の組み合わせにおける電気機器個別の動作状態に関する教師データを与えて学習させておくことにより、電気機器毎のオンオフ動作の判定基準を生成し、実際に電力需要家の引込口付近に設けた測定センサーで測定される未知の総負荷電流及び電圧から基本波並びに高調波の電流値と電圧に対するそれらの位相差に関するデータを求め、それらが入力されたときに、パターン認識により電力需要家が使用している複数の電気機器の動作状態即ちオンオフ状態を推定するようにしている。
【００１９】
ＬＭＣ１３における電気機器毎のオンオフ状態の推定は、基本波並びに高調波の電流データＩ_{Ａ（１−１３）}、Ｉ_{Ｂ（１−１３）} 、位相差データφ_{Ａ（１−１３）}，φ_{Ｂ（１−１３）}の各データを正規化し、それら正規化したデータを基に、あらかじめ教師データによって学習されている推定アルゴリズム１３１により行われる。
【００２０】
このＬＭＣ１３の推定アルゴリズムは、例えば図８に示すようなブースティング（Boosting）やサポート・ベクトル・マシーン(Support Vector Machine)などの手法を用いた学習によって取得することができる。
【００２１】
例えば、ＬＭＣ１３に入力として与えられる基本波並びに奇数次の高調波の電流値及び電圧に対する位相差に関するデータは、各々の値の範囲が異なるので情報の持つ重みを均等化するために正規化することが好ましい。この正規化は、例えば電流データに関しては［−１〜＋１］に、位相データに関してはサイン関数のような周期関数により［−１〜＋１］に変換する正規化を行う（Ｓ８０１）。ついで、正規化したデータと、そのときの解答である電気機器の動作状態を教師データとして入力装置を介してＬＭＣ１３に与え、ＬＭＣ１３を学習させる。また、同様に、各電気機器の稼働状態もオンまたはオフ、つまり+1または-1の２値問題に問題を変換される（Ｓ８０２）。
【００２２】
ブースティング手法あるいはサポート・ベクトル・マシーン手法を用いて、高調波データに対する各電気機器ごとの稼働状態を推定するモデルを作成する。
（Ａ）ブースティングの場合
(i) 測定器による観測データの分類に適すると考えられるラジアルベイシス関数（Radial Basis Function ) ネットワークを基本アルゴリズムとして採用する（Ｓ８０３）。更に、ラージ・マージン（Large Margin）を形成できるパラメータとして、「中間層ユニット数」、「正則化パラメータ」及び「最適化のための繰り返し回数」を採用する。
(ii) ついで、ブースティングを単純に行うと測定データの特異データや誤ったデータにも適合したハード・マージン（Hard Margin）を形成してしまい、未知のデータに対する推定能力が悪化してしまうので、特異データや誤ったデータへの適合をさけるため(学習を避けるため)、正規化されたデータに適したラジアルベイシス関数ネットワークの重要なパラメータである「中間層ユニット数」、「正則化パラメータ」、「最適化のための繰り返し回数」を交差妥当化（Cross Validation)で推定する（Ｓ８０４）。
ハード・マージンでは、テストデータに対する認識能力を低下させるので、ハード・マージンをラージ・マージンにする「ゆとり（正則化項）」を推定する。
(iii) さらに、インバータ機器に重要度を付加した平均二乗誤差を誤差関数としてパラメータをチューニングする（Ｓ８０５）。
(iv) チューニング後、うまく識別できないデータに注目してデータの存在確率を更新する（Ｓ８０６）。
(v) 更新された存在確率を用いて、Ｓ８０４と、Ｓ８０５とを繰り返し処理を行なう（Ｓ８０７）。
(vi) 正規化されたパラメータに基づき「学習する必要のないデータの率」と、Ｓ８０４とＳ８０５とを繰り返す回数を交差妥当化で推定する（Ｓ８０８）。
(vii) そして、電気機器の稼働状態のパターンを推定するモデルを得る（Ｓ８０９）。
（Ｂ）サポート・ベクトル・マシーンの場合
(i) ラジアルベイシスファンクション核関数（例えば、正規分布関数）を用いて、測定データを観測空間から線形判別が可能となる高次元空間に表現する（Ｓ８１１）。この高次元空間上で、線形判別を行い、測定データ空間上でラージ・マージンを形成するパラメータとして、「学習する必要のないデータの率」と「ラジアルベイシスファンクションの幅」とを採用する。
(ii) 正規化されたデータに適したサポートベクトルマシーンの重要なパラメータである「学習する必要のないデータの率」と「ラジアルベイシスファンクションの幅」とを、交差妥当化で推定する（Ｓ８１２）。サポートベクトルマシーンを単純に行うと測定データ中の特異データや誤ったデータにも適合したハードマージンを形成してテストデータに対する認識能力を低下させる。そこで、交差妥当化で、ハード・マージンをラージ・マージンにする「ゆとり」を推定する。 (iii) インバータ機器に重要度を付加した線形計画問題を解いてパラメータを学習する（Ｓ８１３）。
(iv) そして、高調波データに対する電気機器の稼働状態のパターンを推定するモデルを得る（Ｓ８０９）。このようにしてＬＭＣ１３の推定アルゴリズムは学習により生成される。
【００２３】
更に、このＬＭＣ１３の具体的な学習について図３から図７に示す学習回路と高調波パターン等に基づいて詳細に説明する。
【００２４】
まず、図３にＬＭＣを学習させるための学習回路の一例を示す。この学習回路は、図３に示すように、正弦波電源装置５１と、開閉器５２と、総負荷電流を測定するための計器用変流器５３と、計器用変成器５５と、個別負荷毎に動作状態を切り換えるオンオフスイッチ５６，５７，…，６１と、負荷Ａ，Ｂ，…，Ｆと、高調波分析器６２及びＬＭＣ１３とからなる。ＬＭＣ１３には、入力装置（図示せず）を介して入力と教師データが与えられるように設けられている。ここで、負荷Ａ，Ｂ，…，Ｆとして、電力需要家において一般に使用される表１に示す代表的なインバータ機器とノンインバータ機器の組み合わせを採用した。そして、スイッチ５６，５７，…，６１をオン・オフしたり、更には、インバータ機器の電流レベル（稼働率の変化）や、ノンインバータ機器の電流レベル（例えば総個数に対するオン状態の割合の切り換え）を任意に設定することにより、代表的な動作状態を作り出すようにしている。
【００２５】
【表１】

【００２６】
ここで、複数の電気機器の動作状態とその時の総負荷電流の基本波並びに高調波の電流値パターンと電圧に対するそれらの位相差パターンについて説明すると次のように表される。例えば、白熱灯バンクのオンオフ状態について着目した場合には、ノンインバータ機器の動作条件を表２に示す条件にしたときには、図５に示すような高調波パターンと位相差パターンが得られる。この図５において、位相差は、基本波と第１３次高調波とがほぼ同じで一番大きく、それ以外の高調波では比較的小さくなって概ねＵ字状の形状になるパターンが得られた。また、高調波電流値については、第３次高調波成分のものを含めて全体に相当小さな値を示すパターンを形成している。
【００２７】
【表２】

【００２８】
また、例えば、表３の条件にしたときは、図７に示すような基本波並びに高調波の電流値パターンと電圧に対するそれらの位相差パターンが得られる。この図７において、位相差は、基本波が一番大きく、第３次高調波、第７次高調波、第１１次高調波が概ね同じ値で、これら次数より第５次及び第９次は小さく、更に第１３次が最も小さくなるパターンを形成する。また、高調波電流値は、第３次成分が第５次以降の高調波成分によりも相対的に大きな値を示すパターンを形成している。
【００２９】
【表３】

【００３０】
また、例えば表４の条件にしたときには、図６に示すような基本波並びに高調波の電流値パターンと位相差パターンが得られる。この図６において、位相差は、基本波が一番大きく、次に第５次高調波、第１１次高調波と順次少しずつ小さくなり、更に第３次高調波と第７次高調波の位相差は第５次高調波のそれと比べて半減し、かつ第９次高調波、第１３次高調波の位相差は更に大幅に小さな値となるパターンを形成している。そして、高調波電流値については、第３次高調波電流並びに第５次高調波電流が他の高調波成分に比較して大きく、かつ次数が高くなるに従って順次小さな値を示すパターンを形成している。
【００３１】
【表４】

【００３２】
このように複数の電気機器が組み合わされて使用される場合には、その動作状況に応じて固有の電流値パターンと位相差パターンを伴う。そこで、代表的な複数の電気機器（ノンインバータ機器とインバータ機器とを含む）の動作状態を種々に組み合わせたときの総負荷電流の基本波並びに高調波の電流値及び電圧に対するそれらの位相差に関するデータとそのときの解答である電気機器のオンオフ動作状態を示す教師データであらかじめ学習させれば推定アルゴリズムを取得できる。
【００３３】
尚、学習のための教師データとしては、この例で示したものに限られるものではなく、適当な電気機器の組み合わせ、適当な動作状態の組み合わせのときのデータをいくつか用意すればよい。
【００３４】
このＬＭＣ１３におけるパターン認識による電気機器のオンオフ動作の判別の原理を図４に示す模式図（説明の便宜上二次元で示している）を挙げて説明する。
【００３５】
図４は１つの電気機器の判別即ちパターン分類についてのオン状態とオフ状態を示したもので、ここではこの電気機器を例えば白熱灯とする。ＬＭＣ１３では様々の高調波パターン（電流値と位相差のパターン）が入力されると共にその時の解答である電気機器のオンオフ状況が教師データとして与えられると、他の電気機器がオン状態であるかオフ状態であるかに関係なく白熱灯がオン状態である場合には「星印」のように分布し、その反面他の電気機器がオン状態であるかオフ状態であるかに関係なく白熱灯がオフ状態である場合には「丸印」のように分布したとする。
【００３６】
そこで、このＬＭＣ１３では、電機機器オン状態の分布で一番オフ側に近い値と、電機機器オフ状態の分布で一番オン側に近い値に判断幅Ｊ，Ｌを最大化し、その判断幅Ｊ，Ｌの中央に判別線Ｋを形成し、これによって電気機器のオンオフ状態を分類する。尚、判別面は電力需要家が使用していると思われる代表的な複数の電気機器の幾つかの組合せ毎にあらかじめ作成され、それを個別の電力需要家毎に選択してセットすることが考えられる。また、場合によっては電力需要家の要請に基づいて個別の電力需要家における個別の使用電気機器を用いて学習させることも可能である。
【００３７】
したがって、新規データ（この場合、電機機器がオン）Ｑが当該ＬＭＣ１３を使用した推定アルゴリズムに入力されると、推定アルゴリズムは、この場合、新規データが判断線Ｋよりオン側にあるとして電気機器がオン状態にあると正しく判断できることになる。すなわち、ＬＭＣ１３は、新規データ（電機機器がオン）Ｑがオフ側に近い状態で入力されたとしても、新規データＱが判別線Ｋよりオン側にあるため、この新規データＱがオン状態のものであると正しく推定（パターン分類）できる。
【００３８】
以上のように構成された電気機器モニタリングシステム１によると、以下のようにして電力需要家２で実際に使用されている電気機器３の動作状態を非侵入的に測定できる。
【００３９】
即ち、代表的な電気機器の組み合わせ使用に関して予め学習して判断基準を形成したＬＭＣ１３に、給電線引込口付近に設置された測定センサー１１からの未知の測定データ（電圧Ｖ_A ，Ｖ_B、電流Ｉ_A，Ｉ_B ）をデータ抽出手段１２から取り出して高速フーリエ変換器１２２により高調波電流データＩ_{Ａ（１−１３）}、Ｉ_{Ｂ（１−１３）}、及び位相差データφ_{Ａ（１−１３）} ，φ_{Ｂ（１−１３）}を得てＬＭＣ１３に入力すれば、推定アルゴリズムによってパターン認識され、使用している電気機器３（ノンインバータ機器、インバータ機器に関わらず）の動作状態を推定することができる。
【００４０】
この推定された電気機器の動作状態に関するデータは、電力需要家２自身が利用できる以外に、通信回線を経由して電力会社等の電力事業者が利用したり、更には電気機器の異常等の情報として使用できる。
【００４１】
例えば、２１世紀初頭には、需要家情報ネットワークが整備され、多用な情報サービスが需要家へ提供されると同時に、電力需要家２の側の情報もネットワークを通して収集され、これらの情報は電気事業者等の経営にも反映されてゆくものと期待される。例えば、電気事業者にとって電力需要家２の側の重要な情報の一つに電力需要家２が保有する電気機器の構成や使用実態に関する情報があるが、これらはＤＳＭ（Demand Side Management）の効果評価、潜在需要の予測、負荷率低下の要因分析、きわめて細かな季時別料金システムの構築、需要家への各種サービスの提供等を行う上で必要不可欠である。この電気機器モニタリングシステム１は、上述したニーズに応えることができる有力なシステムの一つといえる。
【００４２】
また、本実施形態では主に非侵入的な電力機器の個別のオン・オフ状態の推定について述べたが、これに特に利用方法は限定されず、電気機器の動作異常を警告することにも利用できる。即ち、電気機器モニタリングシステムで得られた電気機器のオン・オフ状態に関する情報から、例えば日常の電気機器の使用状態との比較において異常と判断される場合に、需要家在室者の安否、需要家内の安全、電気機器や電化システムの異常の有無等を判定し、その情報を外部へ発信することができる。例えば、本システムにより、在室者が毎日オンオフするはずの照明、テレビ、電気ポット、温水便座等の動作状態から「需要家在室者の安否」を判定することができるとともに、火災等の原因となる電気アイロン、電気ストーブ、電化厨房等の長時間使用（つけっぱなし）等から「需要家内の安全」を判定することができる。「これらの情報の外部発信」については、既存の電話回線、PHS、ポケベル、インターネット等の利用が可能であり、「通報対象者」は居室者本人、居室者の縁者、消防署、地方自治体等の福祉医療担当者等を想定できる。
【００４３】
なお、上述の実施形態は本発明の好適な実施の一例ではあるがこれに限定されるものではなく本発明の要旨を逸脱しない範囲において種々変形実施可能である。例えば、本発明の電気機器モニタリングシステム１は、通常電話回線や光ファイバー専用回線等を利用して、電力需要家２が使用しているＬＭＣ１３の推定精度を向上させるよう新たな学習を電力需要家２の外部から行うこともできる。
【００４４】
また、本実施形態では高調波については、１３次までの奇数次を例に挙げて説明しているが、特にこれに限定されず、１３次を超える高調波までも含んでも良いし、あるいは１３次を超える高調波のみを対象とすることも場合によってはあり得る。更には、３〜７次程度の次数の低い領域の高調波だけを対象とすることもある。
【００４５】
【発明の効果】
以上説明したように本発明によれば、電力需要家に設置されている電気機器が発生する高調波のパターンに着目し、ＬＭＣによるパターン認識を応用することにより、ノンインバータ機器を含む電気機器の組み合わせについてオンオフ動作の判断基準を精度良く形成して、給電線引込口付近での総負荷電流と電圧の測定結果から電気機器のオンオフ動作状態を推定することができる。
【００４６】
また、本発明によれば、ＬＭＣに与える教師データの変更を外部からすることができるため、測定精度を外部から変更したり、あるいは、電力需要家の電気機器の動作状態に関するデータを外部に送出することが可能である。
【００４７】
また、本発明によれば、被測定電気機器毎に測定センサーを取り付ける必要がないため、本システムを需要家に設置するときにプライバシー等を侵害したり、追加の配線等を施す度合いが少ない利点がある。
【００４８】
更に、請求項２記載の発明の電気機器の動作異常警告システムによると、火災などに繋がる電力機器の異常動作や需要家在室者の安否・安全を非侵入的な方法でモニタリングできる。
【図面の簡単な説明】
【図１】本発明の電気機器モニタリングシステムが適用された電力需要家の電気系を示す図である。
【図２】本発明の電気機器モニタリングシステムの一実施形態を示す構成図である。
【図３】ＬＭＣを学習させるための学習回路の一例を示す回路図である。
【図４】ＬＭＣ１３におけるパターン認識によるオンオフ動作の判別の原理を説明の便宜上二次元で示している模式図である。
【図５】高調波パターンの一例を示す図である。
【図６】高調波パターンの他の例を示す図である。
【図７】高調波パターンの一例を示す図である。
【図８】ＬＭＣを実現する手法を説明するフローチャートである。
【符号の説明】
１電気機器モニタリングシステム
２電力需要家
３電気機器
４引込線
４ａＡ相
４ｂＢ相
４ｎ中性線
６引込口
１１測定センサー
１２データ抽出手段
１３ＬＭＣ
１１１、１１１ａ、１１１ｂ計器用変成器
１１２、１１２ａ、１１２ｂ計器用変流器
１２１Ａ／Ｄ変換器
１２２高速フーリエ変換器

Claims

電力需要家が使用している複数の電気機器の動作状態を推定する電気機器モニタリングシステムにおいて、前記電力需要家の給電線引込口付近に設置した測定センサーと、前記測定センサーで検出した総負荷電流及び電圧のデータから当該総負荷電流の基本波並びに高調波の電流値及び電圧に対するそれらの位相差に関するデータを取り出すデータ抽出手段と、標準的な各種電気機器の種々の組み合わせと、それらの電気機器の種々の動作状態の組み合わせについて、各種の電気機器の動作時の総負荷電流の基本波並びに高調波の電流値及び電圧に対するそれらの位相差に関するデータと、そのときの解答である電気機器の動作状態を教師データとしてあらかじめ学習して推定アルゴリズムを予め取得し、前記測定センサーから前記データ抽出手段を介して得た前記総負荷電流の基本波並びに高調波の電流値及び電圧に対するそれらの位相差に関するデータを入力として、前記学習した推定アルゴリズムによるパターン認識によって当該電力需要家が使用している複数の電気機器毎のオンオフ動作状態を推定するラージ・マージン・クラスファイア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。
請求項１記載の電気機器モニタリングシステムで得られた電気機器の動作状況に関する情報から、需要家在室者の安否、需要家内の安全、電気機器や電化システムの異常の有無等を判定し、その情報を外部へ発信する異常警告システム。