JP6143919B2

JP6143919B2 - 電気機器モニタリング装置およびその方法

Info

Publication number: JP6143919B2
Application number: JP2016117332A
Authority: JP
Inventors: 和人久保田
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 2015-08-20
Filing date: 2016-06-13
Publication date: 2017-06-07
Anticipated expiration: 2032-03-21
Also published as: JP2016192896A

Description

本発明の実施形態は、電気機器の消費電力を推定する電気機器モニタリング装置およびその方法に関する。

電力需要家の給電線引込口の電流/電圧を測定し、特徴量(高調波の強度など)を計算することで、インバーター機器を含んだ電気機器のON/OFFや、消費電力を推定する技術が知られている。この技術によれば、複数機器のON/OFF状態や消費電力が、一カ所の計測点で推定でき、機器ごとの電力計測アダプタが不要となる。このため、見える化を安価に実現する技術として普及が期待されている。

特開2001-292465号公報特開2001-330630号公報

上記技術において、機器のON/OFFや消費電力の推定には、あらかじめ電力計測アダプタを装着した状態で、機器を一定期間運転する必要がある。そして、個別機器の特徴量と消費電力をセットで計測して、推定モデルを構築する。このため、モデル構築のための負担が大きく、機器に経年変化が生じた場合は、推定モデルに誤差が生じる可能性がある。

本発明の一側面は、個別機器への消費電力計測装置の装着を行うことなく、ユーザが生活しながら、簡便に、消費電力を推定できるようにすることを目的とする。

本発明の一態様としての電気機器モニタリング装置は、消費電力算出部と、特徴量算出部と、検出部と、個別機器消費電力算出部とを備える。

特徴量算出部は、複数の機器に電力を供給する電力供給部の電流信号および電圧信号の少なくとも一方に基づき特徴量を計算する。

前記消費電力算出部は、前記複数の機器による消費電力を算出する。

前記検出部は、前記機器の操作の時刻を検出する。

前記個別機器消費電力算出部は、前記操作の時刻から第1の期間の間、前記消費電力算出部で算出された消費電力と前記操作の時刻の消費電力との差分である消費電力差分を取得し、前記特徴量算出部で算出される特徴量と前記操作の時刻の特徴量との差分である特徴量差分を取得し、前記特徴量差分と前記消費電力差分と前記特徴量算出部で計算される特徴量から、前記機器の消費電力を算出する。

本実施形態にかかる電気機器モニタリング装置を示す。モデル生成フェーズのフローを示す。機器操作・データ収集処理のフローを示す。消費電力・特徴量収集処理のフローを示す。モデルデータ生成処理のフローを示す。消費電力推定・可視化フェーズのフローを示す。モデル作成データの取得方法を説明する図。電気機器モニタリング装置のハードウェア構成例を示す。複数軒のデータを利用した電気機器モニタリングシステムを示す。モデル作成データの取得方法の他の例を説明する図。ニューラルネットモデルの例を示す。

以下、図面を参照しながら、本発明の実施形態を説明する。

（第1の実施の形態）
図1に、第1の実施の形態に係る電気機器モニタリング装置100の構成を示す。

電気機器モニタリング装置100は、入出力部200と、消費電力・特徴量算出部300と、個別機器消費電力算出部400と、機器操作手段（検出部）500を備える。

入出力部200は、入力手段210と出力手段220を備える。

消費電力・特徴量算出部300は、電流電圧計測部310と、消費電力算出部320と、特徴量算出部330と、タイマ（時刻算出部）340を備える。

個別機器消費電力算出部400は、データ格納部（消費電力格納部、特徴量格納部）410と、データ抽出部420と、モデル生成データ格納部430と、消費電力推定モデル生成部440と、モデル格納部450と、消費電力推定部460を備える。

本装置は、家庭内の電力情報から個別機器の消費電力を推定するモデルを生成するモデル生成フェーズと、作成したモデルを使って実際に消費電力を推定して可視化する消費電力推定・可視化フェーズを有する。モデル生成フェーズによりモデルが生成された後は、これらのフェーズは互いに並行して（独立して）動作することができる。

（モデル生成フェーズ）
図2に、モデル生成フェーズの処理の流れを示す。

モデル生成フェーズは、機器操作・データ収集処理（S101）、消費電力・特徴量収集処理（S102）、モデルデータ生成処理（S103）を有する。

図3に、ステップS101の機器操作・データ収集処理のフローを示す。

機器操作手段500が、ユーザから機器の操作を受け付ける（S1011）。たとえば機器のON/OFFを受け付ける。機器の設定温度等の設定情報を受け付けても良い。ユーザは、たとえば、本装置の動作を意識することなく、通常の日常生活における行動として、機器の操作を行うことができる。

機器操作手段500は、ステップS1012において、ユーザ操作に応じた制御命令を、該当する機器に送信する。また、その制御内容（ON/OFF等）の識別データに、当該機器の識別番号（個体識別番号）と、ユーザ操作を受け付けた時刻を付加して、入力手段210に送る。
制御命令を受けた家電機器は、その制御命令に従って動作を行う。

図4に、ステップS102の消費電力・特徴量収集処理のフローを示す。

ステップS101の機器操作・データ収集処理と並行して、電流電圧計測部310で、需要家給電線部分（電力供給部）の電流と電圧を計測する（S1021）。計測は、たとえば2KHz程度で行う。

消費電力算出部320で、電流と電圧を積分することで消費電力を計算する。また特徴量算出部330で、電流と電圧の少なくとも一方から、特徴量を算出する（S1022）。

たとえば、計測した電流信号に高速フーリエ変換（ＦＦＴ：Fast Fourier Transform）をかけて、周波数スペクトルや位相を算出する。あるいは、電圧と電流から力率を計算する。

消費電力算出部320で算出した消費電力の値に、タイマ（時刻算出部）340による時刻を付加して（S1023）、データ格納部410にデータを送信する。また、特徴量算出部330により算出した特徴量に、タイマ（時刻算出部）340による時刻を付加して（S1023）、データ格納部410にデータを送信する。データ格納部410は、これらのデータを格納する（S1024）。

図5に、ステップS103のモデルデータ生成処理のフローを示す。

データ抽出部420では、入力手段210から送付された個体識別番号と、機器の開始時刻および終了時刻を用いて、消費電力推定モデルを算出するためのモデル生成データ（第1および第２のモデル生成データ）を生成する（S1031）。

モデル生成用データの生成は、データ格納部410に格納されている消費電力データと特徴量データを利用することで行う。なお、消費電力データは、家全体の消費電力（つまり家庭内の複数の機器の合計消費電力）を示す。

図7の上は、消費電力データから、第1のモデル生成データを生成する場合を示す。時刻と家全体の消費電力とからなる座標系に、消費電力の値をプロットしてつなげたグラフが示されている。ここから、モデル生成に利用するデータを切り出す様子を示している。

機器の動作開始時刻の消費電力Ptsと終了時刻の消費電力Pteを、データ格納部410から抽出する。開始時刻からTDs時間（第1の期間）内のデータ生成時間毎の消費電力P1(P1はベクトル)から、消費電力Ptsを引くことで、差分を求める。ここでデータ生成時間とは、特徴量を計算する周期のことであり計測周期とは異なることに注意されたい。また、終了時刻前のTDe時間(第２の期間)内のデータ生成時間毎の消費電力P2(P2はベクトル)から、消費電力Pteを引くことで、差分を求める。これらの差分データを、第1のモデル生成データとして、モデル生成データ格納部430に格納する。つまり、開始時刻からTDsの間は、短時間と想定し、この間は、他の機器が新たにオンされないとみなすことで、TDｓの期間におけるPtsとの差分は、当該機器による消費電力として扱うことができる。同様に、終了時刻では当該機器がオフになり、その前のTDeの期間の間は他の機器がオフにされないと見なすことで、TDeの期間におけるPteとの差分は、当該機器による消費電力として扱うことができる。

図7の下は、特徴量データから、第2のモデル生成データを生成する場合を示す。時刻と特徴量とからなる座標系に、特徴量の値をプロットしてつなげたグラフ（3次、5次、7次の高調波のグラフ）が示されている。これら3次、5次、7次の高調波から、モデル推定に利用するデータを切り出す様子を示している。

特徴量データとして、FFTの結果を用いている。FFTの結果のうち、3次高調波データH3、5次高調波データH5、7次の高調波データH7が示されている。FFTの結果から、3次、5次、7次の高調波の値のみを取り出し、時間方向につなげることで、図のグラフが得られる。つまり、消費電力データに対し、所定幅のウィンドウを消費電力データの最初から最後まで、時間方向に一定幅（データ生成時間）で移動させながらデータ生成時間間隔の幅でFFTを行う。そして、3次、5次、7次の高調波の値のみを取り出し、それぞれ時間方向につなげることで、3次、5次、7次の高調波のグラフが得られる。これらのグラフに対しても、図7の上と同様に、処理する。

すなわち、3次の高調波データにおいて、開始時刻からTDs時間内のデータ生成時間毎の強度から、開始時刻の強度を引くことで、差分を求める。また、終了時刻前のTDe時間内のデータ生成時間毎の強度から、終了時刻の強度を引くことで、差分を求める。これらの差分データを、第2のモデル生成データとして、モデル生成データ格納部430に格納する。
5次、7次の高調波データについても同様にして、第2のモデル生成データを作成し、モデル生成データ格納部430に格納する。

消費電力推定モデル生成部440では、モデル生成データ格納部430に格納されている機器毎のモデル生成データ（第1および第2のモデル生成データ）から、消費電力推定モデルを生成する。これは、後述するように、機器毎に生成する方法と、機器全体に対して1つを生成する方法がある。いずれも、既存の技術を利用する。

たとえば、特開2001-292465号公報の方法では、高調波データを入力、消費電力を出力としたニューラルネットで、モデルを学習する。この他、RBFやサポートベクタマシン、LMC(Large Margin Classfier)を使った方法 (特開2001-330630号公報)や、GAを使った方法(特開2011-17674号公報)などが提案されている。

生成したモデルは、モデル格納部450に格納する。機器毎の消費電力推定モデルの場合は、当該機器の識別情報も併せて格納する。

ここで、機器毎の消費電力推定モデルを生成する方法を示す。

図7に示したTDsの長さを10分とし、1分（データ生成時間）刻みで、11時刻分のデータセット（消費電力差分、および特徴量差分）が計算されているものとする。このデータセットは、それぞれの時刻の前の1秒間における2KHzで収集されたデータから計算される。
以下、このデータセット（学習データ）の取得過程の例を示す。

下記式は、ある時刻の高調波の組を生成する式である。

1秒間の2KHzデータは2000個ある。これをxiとする。iは2000個のデータのうちのi番目を表す。Xkは離散フーリエ変換後の値である。kは周波数成分を表し、k=150, 250, 350 がそれぞれ3次、5次、7次の高調波を表す。次数をmとおき、高調波を簡単のためHm（Hmはベクトル）で表すことにする。すなわちX150の系列は、H3の系列である。3次、5次、7次に相当するXk(k=150, 250, 350)を、ある時刻の高調波の組とする。ある時刻をt1とするとき、時刻t1の高調波の組は、H3(t1), H5(t1),H7(t1)で表される。また、ある時刻の消費電力は1秒間のiとvの積の平均とする。これをP(t1)で表す。

ここで、TDsの開始時刻をtsとする。10分間データを取得した場合、系列P(t), H3(t), H5(t), H7(t) が得られる。P(t)は、時刻tにおける消費電力であり、t∈{ts, ts+1, … , ts+10}である。高調波の次数はサンプリング周波数に応じて増やして良い。

そして、p(t) = P(t) - P(ts), h3(t) = H3(t) - H3(ts), h5(t) = H5(t) - H5(ts), h7(t) = H7(t) - H7(ts) を計算する。これにより、モデル生成のためのデータセット（学習データ）p(t), h3(t), h5(t), h7(t)を得る。

図7のTDeの区間についても、TDsと同様の処理を行うことで、データセット（学習データ）を取得する。

機器毎の消費電力推定モデルを生成する場合、機器毎に、pを|h3|,| h5|, |h7|で表すモデルを生成する。これは、例えば重回帰モデルで構築できる。すなわち、p’=a＊|h3|＋b＊|h5|+c＊|h7|+dの式に対して、p-p’（pとp’の差）の自乗和が最小となるように、a, b, c, dを決めれば良い。|h3|,| h5|, |h7|は、特徴量差分を表す第1変数、p’は消費電力差分を表す第２変数に対応する。

次に、機器全体で1つの消費電力推定モデルを生成する場合を説明する。

これは、家全体の消費電力iの高調波の強度（差分ではなく、図7の下のグラフの値そのもの）から、個別機器の消費電力を推定するモデルに相当する。

個別の機器jについて、消費電力と高調波の組のデータをpj, h3j, h5j, h7j とする。
これらは、前述した個別のモデルを作るときと同様にして得られる、消費電力差分および特徴量差分（高調波の強度差分）を表す。

jについて全ての機器の組み合わせをJとする。例えば機器が3台の場合、J={(1), (1,2), (1,3), (2,3), (1,2,3)}である。

それぞれの組み合わせについて、データセットから無作為に一つずつデータを取り出しh3, h5, h7同士を加算する。また、pはそのまま利用し、組み合わせに含まれない機器のpを0とする。このデータ集合dxを繰り返し作り、データセットDに入力する。繰り返し数が1000だとするとd1〜d1000のデータ集合が、Dに入力される。

例えば、該当機器の個体識別子を1,2とした場合、無作為に選んだp1, h31, h51, h71と無作為に選んだp2, h32, h52, h72についてh3, h5, h7をそれぞれ加算したものと、p1とp2と、組み合わせに含まれていない機器の消費電力p3を0としたデータセット{|h31+h32|, |h51+h52|, |h71+h72|, p1, p2, 0}がdxの一例である。このdxを{hh3x, hh5x, hh7x, p1x, p2x, p3x}とおく。

このデータセットD（学習データ）を用いて、図11に示すようにhh3, hh5, hh7からp1, p2, p3を計算するモデルを生成する。たとえばニューラルネットモデルを生成する。生成方法は、周知であるため、説明を省略する。hh3, hh5, hh7は、特徴量差分の合計を表す第1変数、p1, p2, p3は、各機器の消費電力差分を表す第2変数に対応する。

以上、モデル生成フェーズの一通りの流れを示したが、この処理が、繰り返し行われることで、モデルが洗練され、精度の高いモデルが得られる。

（消費電力推定・可視化フェーズ）
消費電力推定・可視化フェーズは、モデル格納部450に格納されているモデルを用いて、機器の消費電力を推定する。

図6に、消費電力推定・可視化フェーズのフローを示す。

データ格納部410には、家庭の電流、電圧情報から算出した特徴量データが格納されている。消費電力推定部460では、この特徴量から機器ごとの消費電力を推定する。推定は、たとえば1分毎など、リアルタイムに行う。推定方法は、機器別の消費電力推定モデル（前述の例では重回帰モデル）を使うか、機器全体で1つの消費電力推定モデル（前述のニューラルネットモデル）を使うかで異なる。

機器別の消費電力推定モデルを用いる場合は、機器別のオン・オフがとれる場合を前提とする。消費電力を推定する時刻tにおける家全体の特徴量を、稼働中の機器に応じて分割する。たとえば、機器ごとの特徴量パターン（上記例では3次、5次、7次の高調波の強度分布）を学習しておく。機器ごとに、過去の稼働期間における高周波の強度分布の代表パターン（平均など）を学習する。機器の動作設定・状態（エアコンであれば設定温度、電源ON指示から安定動作するまでの動作開始期間・通常稼働期間など）に応じて、パターンを学習してもよい。そして、消費電力を推定する時刻tにおける家全体の特徴量を、分割後の特徴量が、各機器の該当するパターンに最も近づくように、分割して、該当機器の特徴量（3次、5次、7次の高調波の強度）を決定する。決定した特徴量を、当該機器のモデル（重回帰モデル）に第1変数として入力することで、当該機器の消費電力を第２変数として求める。ただし、これはあくまで一例であり、任意の方法を用いることができる。

機器全体で1つの消費電力推定モデルを用いる場合は、時刻tにおける特徴量（家全体の3次、5次、7次の高調波の強度）を、第1変数として、ニューラルネットモデルに与える。
これにより、機器ごとの消費電力が、第２変数として、得られる。これによれば、機器ごとのオン・オフが測定できない環境でも、容易に個別機器の消費電力を推定できる。

出力手段220は、推定された消費電力を、ユーザに可視化されるように出力する。たとえば、家一軒分の消費電力の推移とともに、機器の消費電力が識別されるようにグラフで表示する。図1の右上では、エアコンの消費電力部分のみを、識別可能な状態で表示した例が示されている。

図1に示した電気機器モニタリング装置は、図8に示したパーソナルコンピュータ（ＰＣ）600と赤外線発信装置710、電流計測装置720、電圧計測装置730、表示装置700で構成される。赤外線発信装置710は、ユーザが機器を操作するためのリモコンの一例である。

需要家給電線の電圧、電流は電流計測装置720、電圧計測装置730で計測される。計測された値は、インタフェース部610でAD変換されて、ＰＣ上のメモリ640またはハードディスク650に格納される。消費電力算出部320および特徴量算出部330の処理は、メモリ640に格納されたプログラムをＣＰＵ630が読み出して実行することによって行われる。これらの算出部の計算結果が、メモリ640またはハードディスク650に格納される。個別機器消費電力算出部400の各処理もＰＣ600上で実行される。生活者に対する個別機器の消費電力の可視化情報は、ＰＣ600上で生成され、表示装置700を用いて生活者に提示される。

なお、本電気機器モニタリング装置は、複数台のＰＣで構成してもよい。消費電力・特徴量算出部300と、個別機器消費電力算出部400を異なるＰＣで実現された場合は、ＰＣの通信装置660を用いて、必要なデータが、やりとりされることとなる。

以上、本実施形態によれば、ユーザが生活しながら、簡便に、あるいは、自動的に消費電力推定モデルを構築できる。個別機器への消費電力計測装置の装着が不要なため、低コストで推定モデルの構築が可能となり、これにより安価で需要家負担の少ない見える化技術の実現が可能となる。

（第2の実施の形態）
図9に、本実施形態にかかる電気機器モニタリング装置の構成を示す。本実施形態では、複数の家庭の消費電力情報や機器情報から、機器毎の消費電力推定モデルを生成する方法について述べる。

図1に示した個別機器消費電力算出部400は、インターネット上に配置された遠隔サーバ内に、各家庭で共通に設ける。また、入出力部200、機器操作手段500、消費電力・特徴量算出部300からなる電気機器操作・モニタ部110を家庭ごとに設ける。図9では、2軒の家庭の例の場合が示されている。個別機器消費電力算出部400と、各家庭の電気機器操作・モニタ部110は、インターネット経由で接続される。

消費電力推定モデルは、以下のようにして作成する。家庭Ａ，Ｂにおいて第1の実施形態と同様の方法でデータを取得し、ともに個別機器消費電力算出部400に送信する。ここで、同一機器、同一型番の機器に関しては同一の特性を持つと考え、消費電力推定モデル生成部440（図1参照）では、両方の家庭からのデータを利用して当該機器のモデル（共通モデル）を生成する。消費電力推定は、共通モデルが生成された機器に関しては、共通モデルを利用して行う。ただし、家庭毎にデータが十分蓄積された暁には、個別家庭毎にモデルを作成し、それぞれのモデルを用いて消費電力推定を行ってもよい
またデータが集まっていない機器設置直後の状況でも、同一機器および同一型番の機器については、他の家庭のデータから作ったモデルで、設置直後から、消費電力推定を効率的に行うことができる。

（第3の実施の形態）
本実施形態では、消費電力推定モデルを生成するためのモデル生成データ（前述した第1モデル生成データおよび第2モデル生成データ）を生成する別の方法について示す。

図10は、ある家庭で取得された消費電力（上図）と、特徴量を示す（下図）。

データ抽出部420は、機器の動作開始時刻から終了時刻までの全てのデータを抽出する。

この際、データ抽出部420は、消費電力に関しては、機器の動作開始時刻tsと終了時刻teを補間する線分をベースラインとして引く。そして、家一軒分の消費電力から、ベースラインの値を引いた値を、当該機器の消費電力とみなし、これを第1モデル生成データとして、取得する。

特徴量に関しても同様に、ベースラインを引く。特徴量からベースラインの値を引いた値を機器の特徴量とみなし、これを第2モデル生成データとして取得する。

第1の実施形態では、図7に示したように、開始時刻におけるPtsとの差分、終了時刻におけるPTeとの差分を、消費電力（第1モデル生成データ）として取得した。第1の実施形態でも、本実施形態と同じようにベースラインを引き、開始期間TDs、終了期間TDeにおいて、消費電力からベースラインの値を引いた値を、当該機器の消費電力とみなし、第1モデル生成データとして取得してもよい。これは、特徴量についても同様である。

以上、本実施形態によれば、機器の全動作期間において、機器の消費電力および特徴量を、簡易な方法で取得することができる。

Claims

複数の機器に電力を供給する電力供給部の電流信号および電圧信号の少なくとも一方に基づき特徴量を計算する特徴量算出部と、
前記複数の機器による消費電力を算出する消費電力算出部と、
前記機器の操作の時刻を検出する検出部と、
前記操作の時刻から第1の期間の間、前記消費電力算出部で算出された消費電力と前記操作の時刻の消費電力との差分である消費電力差分を取得し、
前記特徴量算出部で算出される特徴量と前記操作の時刻の特徴量との差分である特徴量差分を取得し、
前記特徴量差分と前記消費電力差分と前記特徴量算出部で計算される特徴量から、前記機器の消費電力を算出する
個別機器消費電力算出部と、
を備えた電気機器モニタリング装置。
前記特徴量算出部は、前記特徴量として、前記電流信号または前記電圧信号をフーリエ変換することで周波数スペクトルを計算する
請求項1に記載の電気機器モニタリング装置。
複数の機器に電力を供給する電力供給部の電流信号および電圧信号の少なくとも一方に基づき特徴量を計算する特徴量算出ステップと、
前記複数の機器による消費電力を算出する消費電力算出ステップと、
前記機器の操作の時刻を検出する検出ステップと、
前記操作の時刻から第1の期間の間、前記消費電力算出ステップで算出された消費電力と前記操作の時刻の消費電力との差分である消費電力差分を取得するステップと、
前記特徴量算出ステップで算出される特徴量と前記操作の時刻の特徴量との差分である特徴量差分を取得するステップと、
前記特徴量差分と前記消費電力差分と前記特徴量算出ステップで計算される特徴量から、前記機器の消費電力を算出するステップと、
を備えた電気機器モニタリング方法。
前記特徴量として、前記電流信号または前記電圧信号をフーリエ変換することで周波数スペクトルを計算する
請求項３に記載の電気機器モニタリング方法。