JP7170913B2 - 機器状態判定システム、電力量計、および機器状態判定方法 - Google Patents

Description

本発明は、電源線に接続された複数の電気機器の動作状態を判定する機器状態判定システム、電力量計、および機器状態判定方法に関する。

従来、同一の電源線に接続された複数の電気機器の各々の動作状態を電源線に流れる電流に基づいて判定する技術が知られている。例えば、特許文献１には、電源線に取り付けられたセンサによって得られる電流波形に基づいて、各電気機器の動作状態を判定する技術が提案されている。

特許文献１に記載の技術では、各電気機器が単独で動作しているときの電源線の電流波形の情報を参照波形の情報として取得し、電流波形が変化した場合の変化前と変化後の電流波形の差である差波形に最も類似する参照波形に対応する電気機器を動作状態が変化した電気機器として判定する。

特開２０１３－１５０５０８号公報

しかしながら、特許文献１に記載の技術は、電流波形と参照波形とのパターンマッチングによって電気機器の動作状態を判定する。そのため、特許文献１に記載の技術では、同一の参照波形とマッチングする電流波形を有する電気機器が複数ある場合、これら複数の電気機器のうちどれが動作状態になったかを判定することが難しい。

本発明は、上記に鑑みてなされたものであって、同一の電源線に接続された複数の電気機器の動作状態の判定を精度よく行うことができる機器状態判定システムを得ることを目的とする。

上述した課題を解決し、目的を達成するために、本発明の機器状態判定システムは、取得部と、演算処理部と、機器状態判定部と、を備える。取得部は、複数の電気機器が接続された電源線に流れる電流の瞬時値を検出する電流センサの検出結果を取得する。演算処理部は、取得部によって取得された検出結果に基づいて、商用周波数１サイクルごとの時刻の各々において電源線に流れる電流の実効値および周波数スペクトルを算出する。機器状態判定部は、商用周波数１サイクルごとの時刻の各々において電源線に流れる電流の実効値および周波数スペクトルの情報と商用周波数１サイクルごとの時刻の情報を入力とし、複数の電気機器の動作状態を出力とする機械学習によって生成される学習済の計算モデルに演算処理部の算出結果と商用周波数１サイクルごとの時刻の情報とを入力して複数の電気機器の動作状態を判定する。

本発明によれば、同一の電源線に接続された複数の電気機器の動作状態の判定を精度よく行うことができる、という効果を奏する。

本発明の実施の形態１にかかる機器状態判定システムの構成の一例を示す図 実施の形態１にかかるＨＥＭＳで収集されるデータを説明するための図 実施の形態１にかかる機器状態判定システムにおいて算出される電流の周波数スペクトルを説明するための図 実施の形態１にかかる実効値の情報の一例を説明するための図 実施の形態１にかかる機器状態判定システムにおける処理の一例を説明するための図 実施の形態１にかかる機器状態判定装置の構成の一例を示す図 実施の形態１にかかるディープニューラルネットワークの一例を示す図 実施の形態１にかかるディープニューラルネットワークへ入力される電流実効値の情報の他の例を説明するための図 実施の形態１にかかるディープニューラルネットワークへ入力される周波数スペクトルの情報の他の例を説明するための図 実施の形態１にかかる機器状態判定装置の処理部による処理の一例を示すフローチャート 実施の形態１にかかる機器状態判定装置のハードウェア構成の一例を示す図 本発明の実施の形態２にかかる機器状態判定システムの構成の一例を示す図 実施の形態２にかかるＨＥＭＳで収集されるデータを説明するための図 実施の形態２にかかる機器状態判定装置の構成の一例を示す図 本発明の実施の形態３にかかる機器状態判定システムの構成の一例を示す図 実施の形態３にかかるクラウドサーバの構成の一例を示す図 実施の形態３にかかる電力量計の構成の一例を示す図 実施の形態３にかかる機器状態判定システムの構成の他の例を示す図

以下に、本発明の実施の形態にかかる機器状態判定システム、電力量計、および機器状態判定方法を図面に基づいて詳細に説明する。なお、この実施の形態によりこの発明が限定されるものではない。

実施の形態１．
図１は、本発明の実施の形態１にかかる機器状態判定システムの構成の一例を示す図である。図１に示す機器状態判定システム１００は、機械学習によって生成された学習済の計算モデルを有しており、電源線８に接続された複数の電気機器４_１，４_２，４_３，・・・，４_ｍの動作状態を学習済の計算モデルを用いて判定する。ｍは、例えば、４以上の整数である。複数の電気機器４_１，４_２，４_３，・・・，４_ｍは、互いに種類が異なる電気機器であるが、同じ電気機器を複数含んでいてもよい。以下、複数の電気機器４_１，４_２，４_３，・・・，４_ｍの各々を区別せずに個別に示す場合、電気機器４と記載する場合がある。複数の電気機器４は、複数の第１電気機器の一例である。電源線８は、第１電源線の一例である。

電源装置２からの電力は、電力量計３およびブレーカ６を介して、複数の電気機器４_１，４_２，４_３，・・・，４_ｍへ供給される。電力量計３は、電源線８を介して複数の電気機器４_１，４_２，４_３，・・・，４_ｍを含む負荷へ供給される電力の量である電力量を計測する。電気機器４は、例えば、照明機器、エアコンディショナ、電子レンジ、冷蔵庫、洗濯機、ファンヒータ、またはテレビ受像機などである。

機器状態判定システム１００は、機器状態判定装置１と、計測機器５と、ＨＥＭＳ（Home Energy Management System）７_１～７_ｋとを備える。計測機器５は、予め定められたサンプリング周期Ｔ１で、電源線８に流れる電流の瞬時値である電流瞬時値を繰り返し計測する。計測機器５は、計測した電流瞬時値と電流瞬時値を計測した時刻の情報とを含む計測データを機器状態判定装置１へネットワーク８０を介して送信する。

なお、機器状態判定装置１が時計機能を備えている場合、計測機器５は時計機能を備えていなくてもよい。この場合、計測機器５から送信される計測データには時刻の情報が含まれていない。機器状態判定装置１は、計測機器５が時計機能を備えていない場合、計測機器５から電流瞬時値を含む計測データを受信する際に、計測データに含まれる電流瞬時値に機器状態判定装置１で計時される時刻の情報を紐付けた計測データを生成する。

機器状態判定装置１は、ネットワーク８０を介して計測機器５から繰り返し送信される計測データを受信する。機器状態判定装置１は、例えば、不図示のデータセンタ内に構築されたクラウドシステムを構成する１以上のサーバおよび１以上のストレージで構成されるクラウドサーバである。また、機器状態判定装置１は、ネットワーク８０を介してＨＥＭＳ７_１～７_ｋから種々のデータを受信する。ＨＥＭＳ７_１～７_ｋから送信されるデータは、上述した計算モデルを学習するための学習用データを含む。かかる学習用データについては後で詳述する。以下、ＨＥＭＳ７_１～７_ｋの各々を区別せずに個別に示す場合、ＨＥＭＳ７と記載する場合がある。

図２は、実施の形態１にかかるＨＥＭＳで収集されるデータを説明するための図である。図２に示すように、ＨＥＭＳ７は、計測機器４１および複数の電気機器４０_１，４０_２，４０_３，・・・，４０_ｍと通信可能に接続されている。複数の電気機器４０_１，４０_２，４０_３，・・・，４０_ｍは、同一の電源線４３に接続されており、電源装置２から電源線４３を介して電力が供給される。

複数の電気機器４０_１，４０_２，４０_３，・・・，４０_ｍは、各ＨＥＭＳ７に対応して配置される。複数の電気機器４０_１，４０_２，４０_３，・・・，４０_ｍは、例えば、複数の電気機器４_１，４_２，４_３，・・・，４_ｍと同じであるが、一部が異なっていてもよい。以下、複数の電気機器４０_１，４０_２，４０_３，・・・，４０_ｍの各々を個別に区別せずに示す場合、電気機器４０と記載する場合がある。電源線４３は、第２電源線の一例であり、複数の電気機器４０は、複数の第２電気機器である。電源線４３に流れる電流は、第２電流の一例である。

計測機器４１は、予め定められたサンプリング周期Ｔ１で、電源線４３に流れる電流の瞬時値である電流瞬時値を繰り返し計測し、計測した電流瞬時値と電流瞬時値を計測した時刻の情報とを含む計測データをＨＥＭＳ７へ送信する。

ＨＥＭＳ７は、計測機器４１から複数の電流瞬時値を取得する。ＨＥＭＳ７は、取得した複数の電流瞬時値に基づいて、電源線４３に流れる電流の実効値である電流実効値を算出する。ＨＥＭＳ７は、例えば、計測機器４１から電流瞬時値を取得する毎に、複数の電流瞬時値を２乗した値の移動平均をとり、かかる移動平均の結果の平方根を算出することによって、サンプリング周期Ｔ１毎の電流実効値を得ることができる。

また、ＨＥＭＳ７は、取得した複数の電流瞬時値に基づいて、予め定められた周期Ｔ２で、電源線４３に流れる電流の周波数スペクトルを算出する。電流の周波数スペクトルは、電源線４３に流れる電流の周波数成分のパワー分布である。周期Ｔ２は、周期Ｔ１よりも長い。

図３は、実施の形態１にかかる機器状態判定システムにおいて算出される電流の周波数スペクトルを説明するための図である。ＨＥＭＳ７は、図３に示すように、計測機器４１から取得した期間ＴＡ分の複数の電流瞬時値に基づいて、ＦＦＴ（Fast Fourier Transform）処理によって電源線４３に流れる電流の周波数スペクトルを算出する。

期間ＴＡは、電源装置２から電気機器４０へ印加される交流電圧の１サイクルの期間である。期間ＴＡは、例えば、交流電圧の周波数が６０Ｈｚである場合、１／６０［ｓ］であり、交流電圧の周波数が５０Ｈｚである場合、１／５０＝０．０２［ｓ］である。なお、ＴＡ＝Ｔ２である。

また、ＨＥＭＳ７は、予め定められた周期Ｔ２で、複数の電気機器４０の動作状態を判定する。ＨＥＭＳ７で判定される電気機器４０の動作状態は、例えば、電気機器４０がオンである状態または電気機器４０がオフである状態である。ＨＥＭＳ７は、例えば、複数の電気機器４０から出力される情報に基づいて、各電気機器４０がオン状態であるかオフ状態であるかを判定する。

ＨＥＭＳ７は、学習用データを生成し、生成した学習用データを機器状態判定装置１へ送信する。学習用データは、電源線４３に流れる電流の実効値の情報と、電源線４３に流れる電流の周波数スペクトルの情報と、複数の電気機器４０の動作状態の情報と、時刻の情報とを時刻毎に含む。

図４は、実施の形態１にかかる実効値の情報の一例を説明するための図である。図４に示すように、実効値の情報は、期間ＴＡ分の複数の電流実効値を含む。例えば、実効値の情報は、期間ＴＡ分のサンプリング周期Ｔ１毎の電流実効値を含む。

学習用データに含まれる時刻情報は、予め定められた周期Ｔ２毎の時刻であり、時分秒で示される情報である。学習用データは、期間ＴＢにおける複数の時刻の各々の情報が実効値の情報と周波数スペクトルの情報と複数の電気機器４０の動作状態の情報とに関連付けられた情報を含む。期間ＴＢは、例えば、１日の期間である。

時刻ｔ_ｉにおける電源線４３に流れる電流の実効値をＩｒ２（ｔ_ｉ）とし、時刻ｔ_ｉにおける電源線４３に流れる電流の周波数スペクトルをＩｓ２（ｔ_ｉ）とし、時刻ｔ_ｉにおける複数の電気機器４０の動作状態をＤｏ２（ｔ_ｉ）とする。また、期間ＴＢにおける周期Ｔ２毎の時刻を時刻ｔ_１～ｔ_ｍとする。ｍは、ＴＢ／Ｔ２である。この場合、学習用データは、Ｉｒ２（ｔ_１）～Ｉｒ２（ｔ_ｍ）の情報とＩｓ２（ｔ_１）～Ｉｓ２（ｔ_ｍ）の情報とを含む電流データ、ｔ_１～ｔ_ｍの情報を含む時刻データ、Ｄｏ２（ｔ_１）～Ｄｏ２（ｔ_ｍ）の情報を含む動作データを含む時系列データである。学習用データのうち、電流データおよび時刻データが入力データであり、動作データが結果データである。なお、結果データは、正解データとも呼ばれる。

Ｄｏ２（ｔ_ｉ）に含まれる各電気機器４０の動作状態は、例えば、「１」または「０」で表される。例えば、時刻ｔ_ｉにおいて、電気機器４０_１の動作状態がオン状態であり、電気機器４０_２の動作状態がオフ状態であり、電気機器４０_３の動作状態がオン状態であり、電気機器４０_ｍの動作状態がオフ状態であるとする。この場合、Ｄｏ２（ｔ_ｉ）＝｛１，０，１，・・・，０｝と表される。

各電気機器４０の動作状態は、オン状態およびオフ状態に限定されず、例えば、スタンバイ状態を含んでいてもよい。この場合、各電気機器４０の動作状態は、複数ビットにより表される。例えば、オン状態は「１１」、オフ状態は「００」、スタンバイ状態は「０１」と定義され、時刻ｔ_ｉにおいて、電気機器４０_１の状態がスタンバイ状態であり、電気機器４０_２がオフ状態であり、電気機器４０_３がオン状態であり、電気機器４０_ｍがオフ状態であるとする。この場合、Ｄｏ２（ｔ_ｉ）＝｛［０１］，［００］，［１１］，・・・，［００］｝と表される。なお、スタンバイ状態は、オン状態よりも電気機器４０が消費する電力が小さく、オフ状態に比べて、短い時間でオン状態へ移行することができる状態である。

図５は、実施の形態１にかかる機器状態判定システムにおける処理の一例を説明するための図である。図５に示すように、機器状態判定システム１００は、学習フェーズでの処理と判定フェーズでの処理を行う。学習フェーズにおいて、機器状態判定システム１００は、上述した学習用データを用いた機械学習によって学習済の計算モデルを生成する。

また、判定フェーズにおいて、機器状態判定システム１００は、計測機器５から送信される計測データを判定用データとし、かかる判定用データに対して前処理を行う。前処理は、判定用データを学習済の計算モデルへ入力する前に判定用データに対して行う処理であり、具体的には、機器状態判定システム１００は、判定用データに含まれる複数の電流瞬時値に基づいて、電源線８に流れる電流の実効値と電源線８に流れる電流の周波数スペクトルとを算出する。

そして、機器状態判定システム１００は、電源線８に流れる電流の実効値の情報と、電源線８に流れる電流の周波数スペクトルの情報と、時刻の情報とを時刻毎に含むデータを前処理済データとして生成する。機器状態判定システム１００は、学習フェーズでの処理で生成した学習済の計算モデルへ前処理済データを入力し、かかる計算モデルの出力に基づいて、複数の電気機器４_１，４_２，４_３，・・・，４_ｍの動作状態を判定する。

電源線８に流れる電流の実効値および周波数スペクトルは、複数の電気機器４の各々の動作状態によって異なる。また、電気機器４に供給される電流の実効値および周波数スペクトルは、異なる種類の電気機器４間で互いに異なる。また、複数の電気機器４の動作状態は、時刻によって異なる。

機器状態判定システム１００は、上述した学習用データを用いた機械学習によって生成される計算モデルによって、複数の電気機器４の動作状態を判定することから、同一の電源線８に接続された複数の電気機器４の動作状態の判定を精度よく行うことができる。例えば、同じ種類の電気機器４が２つ以上である場合でも、これら２つ以上の電気機器４は、時刻によって動作状態が異なる。機器状態判定システム１００では、時刻の情報を入力データに含むため、同じ種類の２つ以上の電気機器４の各々の動作状態の判定を精度よく行うことができる。

また、機器状態判定システム１００は、学習用データを各ＨＥＭＳ７から収集するため、期間ＴＡにおける複数の電気機器４０の動作状態の様々なパターンに対応した計算モデルを生成することができ、複数の電気機器４の動作状態の判定を精度よく行うことができる。なお、機器状態判定システム１００は、ＨＥＭＳ７以外から学習用データを収集することもできる。

また、時刻ｔ_ｉにおける電流の実効値であるＩｒ２（ｔ_ｉ）は、期間ＴＡにおける周期Ｔ１毎の時刻における電流の実効値を含んでいる。そのため、機器状態判定システム１００は、Ｉｒ２（ｔ_ｉ）が１つの実効値のみを含む場合に比べて、複数の電気機器４の動作状態の判定を精度よく行うことができる。なお、Ｉｒ２（ｔ_ｉ）は、期間ＴＡにおける１つの実効値のみを含むようにしてもよい。

図６は、実施の形態１にかかる機器状態判定装置の構成の一例を示す図である。図６に示すように、機器状態判定装置１は、通信部１０と、記憶部１１と、処理部１２とを含む。通信部１０は、ネットワーク８０に通信可能に接続され、ネットワーク８０を介してＨＥＭＳ７から送信される学習用データと計測機器５から送信される計測データとを受信する。

記憶部１１は、学習用データ２１と、判定用データ２２とを含む。学習用データ２１は、例えば、ＨＥＭＳ７_１～７_ｋから各々送信される複数の学習用データを含む。学習用データ２１に含まれる複数の学習用データの各々は、期間ＴＢ毎のデータであり、電流データと時刻データと動作データとを含むデータセットである。判定用データ２２は、計測機器５からネットワーク８０を介して機器状態判定装置１へ送信された計測データである。

処理部１２は、取得部３１と、学習処理部３２と、演算処理部３３と、機器状態判定部３４とを備える。取得部３１は、通信部１０で受信されたＨＥＭＳ７からの学習用データを通信部１０から取得し、取得した学習用データを記憶部１１に記憶させる。これにより、記憶部１１に記憶された学習用データ２１が更新される。

また、取得部３１は、通信部１０で受信された計測機器５からの計測データを通信部１０から取得し、取得した計測データを判定用データとして記憶部１１に記憶させる。これにより、記憶部１１に記憶された判定用データ２２が更新される。

学習処理部３２は、記憶部１１から学習用データ２１を取得し、取得した学習用データ２１に基づく機械学習によって学習済の計算モデルを生成する。学習処理部３２は、生成した学習済の計算モデルを機器状態判定部３４に設定する。かかる学習済の計算モデルは、学習用データ２１に含まれる入力データと結果データのデータセットから機械学習によって生成される計算モデルである。入力データは、電流データと時刻データとを含む時系列データである。結果データは、動作データを含む時系列データである。

学習処理部３２は、例えば、ディープニューラルネットワークモデルに従って、いわゆる教師あり学習により、学習処理を行い、ディープニューラルネットワークで構成される計算モデルを生成する。ここで、教師あり学習とは、ある入力と結果のデータセットを大量に学習装置に与えることで、それらのデータセットにある特徴を学習し、入力から結果を推定する計算モデルを機械学習によって生成する手法である。ディープニューラルネットワークは、複数のニューロンからなる入力層、複数のニューロンからなる中間層、および複数のニューロンからなる出力層で構成される。中間層は、隠れ層とも呼ばれる。

図７は、実施の形態１にかかるディープニューラルネットワークの一例を示す図である。図７に示す例では、学習処理部３２によって用いられるディープニューラルネットワークの入力層は、１８個のニューロンを含む。各ニューロンは、８ビット相当の分解能を有している。

図７に示す例では、入力層における６つのニューロンのうち、８つのニューロンに電流実効値の情報が入力され、他の８つのニューロンに周波数スペクトルの情報が入力され、残りの２つニューロンに時刻の情報が入力される。周期Ｔ２毎の電流実効値の情報は、図４に示すように時間軸方向に８分割され、分割された時間Ｔ２_１～Ｔ２_８の電流実効値の各々が８つのニューロンのうち対応するニューロンへ入力される。周期Ｔ２毎の周波数スペクトルの情報は、図３に示すように周波数軸方向に８分割され、分割された周波数帯ｆａ_１～ｆａ_８の周波数スペクトルの各々が８つのニューロンのうち対応するニューロンへ入力される。交流電圧の周波数が６０Ｈｚである場合、学習モデルに含まれる時刻の情報の数は、６０［サイクル／秒］×３６０［秒］×２４［時間］＝５１８４００であり、ｌｏｇ_２（５１８４００）＝１５．５である。そのため、周期Ｔ２毎の時刻は、１６ビットで表すことができ、図７に示すように、２つのニューロンに時刻の情報が入力される。

なお、上述した例では、電流実効値の情報を周期Ｔ２毎に時間軸方向に分割して８つのニューロンへ入力し、周波数スペクトルの情報を周期Ｔ２毎に周波数軸方向に８分割して８つのニューロンへ入力する方法を示したが、かかる例に限定されない。図８は、実施の形態１にかかるディープニューラルネットワークへ入力される電流実効値の情報の他の例を説明するための図である。図９は、実施の形態１にかかるディープニューラルネットワークへ入力される周波数スペクトルの情報の他の例を説明するための図である。

図８に示すように、周期Ｔ２毎の電流実効値の波形が画像データとして複数の領域ＡＲ_１１～ＡＲ_１９に分割されてもよい。この場合、各領域ＡＲ_１１～ＡＲ_１９の画像データは、例えば８ビット階調で表され、９つのニューロンのうち対応するニューロンに入力される。同様に、周期Ｔ２毎の周波数スペクトルの波形が画像データとして複数の領域ＡＲ_２１～ＡＲ_２９に分割されてもよい。この場合、各領域ＡＲ_２１～ＡＲ_２９の画像データは、例えば８ビット階調で表され、９つのニューロンのうち対応するニューロンに入力される。

また、図７に示すディープニューラルネットワークは、例えば、電気機器４が４つの場合のディープニューラルネットワークであり、出力層のニューロンは、例えば、４つである。この場合、出力層における各ニューロンは、複数の電気機器４のうち対応する電気機器４の動作状態のスコアである動作状態スコアを出力する。動作状態スコアは、例えば、０から１までの値であり、動作状態スコアが閾値以上の場合に電気機器４がオン状態であると判定される。図７に示す例では、中間層のニューロンの数は、５つであるが、４つ以下または６つ以上であってもよい。同様に、入力層のニューロンの数および出力層のニューロンの数の各々も図７に示す例に限定されない。

例えば、機器状態判定システム１００において、電気機器４の動作状態として、電気機器４のスタンバイ状態が判定される場合、出力層は、電気機器４の動作状態の種類毎のニューロンを含んでいてもよい。例えば、出力層は、オン状態を判定するためのニューロン、オフ状態を判定するためのニューロン、およびスタンバイ状態を判定するためのニューロンを電気機器４毎に含んでいてもよい。この場合、オン状態を判定するためのニューロン、オフ状態を判定するためのニューロン、およびスタンバイ状態を判定するためのニューロンから出力される値のうち最も値が高いニューロンに対応する動作状態が電気機器４の動作状態として判定される。

なお、計算モデルに用いられる学習アルゴリズムとして、ディープニューラルネットワークの中でも、特に、リカレントニューラルネットワークまたはＬＳＴＭ（Long Short Term Memory）などのように時系列情報を学習、判定可能なディープニューラルネットワークを用いることによって、各電気機器４の動作の前後関係に一定の傾向がある場合は、その情報を学習することで、電気機器４の動作状態の判定が可能となる。

また、上述した例では、計算モデルに用いられる学習アルゴリズムに教師あり学習を適用した場合について説明したが、計算モデルに用いられる学習アルゴリズムは、教師あり学習に限られるものではない。例えば、計算モデルに用いられる学習アルゴリズムに教師なし学習を適用することも可能であり、この場合、機器状態判定システム１００は、教師なし学習によってクラスタリングし、その結果に対して後からラベリングすることにより計算モデルを生成可能である。

なお、計算モデルに用いられる学習アルゴリズムとして、ニューラルネットワークに代えて、他の公知の方法、例えば遺伝的プログラミング、機能論理プログラミング、サポートベクターマシンなどに従って機械学習を実行してもよい。

図６に戻って、処理部１２の説明を続ける。処理部１２の演算処理部３３は、記憶部１１から判定用データ２２を取得し、取得した判定用データ２２に対して前処理を行うことによって、前処理済データを生成する。

具体的には、演算処理部３３は、判定用データ２２に含まれる複数の電流瞬時値に基づいて、電源線８に流れる電流の実効値と電源線８に流れる電流の周波数スペクトルとを算出する。演算処理部３３による実効値および周波数スペクトルの算出処理は、ＨＥＭＳ７による実効値および周波数スペクトルの算出処理と同じである。

そして、演算処理部３３は、電源線８に流れる電流の実効値の情報と、電源線８に流れる電流の周波数スペクトルの情報と、時刻の情報とを時刻毎に含む時系列データを前処理済データとして生成し、生成した前処理済データを機器状態判定部３４へ出力する。

また、演算処理部３３は、取得部３１で最新の時刻で計測された電流瞬時値が取得される毎に、最新の時刻から期間ＴＡ前までの電流瞬時値に基づいて、電流の実効値を算出することもできる。また、演算処理部３３は、周期Ｔ２毎に、新たな時刻から期間ＴＡ前までの電流瞬時値に基づいて、電流の周波数スペクトルを算出することもできる。

機器状態判定部３４は、学習処理部３２によって設定された学習済の計算モデルへ前処理済データを入力し、かかる学習済の計算モデルの出力に基づいて、複数の電気機器４_１，４_２，４_３，・・・，４_ｍの動作状態を判定する。これにより、機器状態判定装置１は、例えば、電気機器４がいくつ存在し、複数の電気機器４の各々がどのタイミングで動作しているかを判別することができる。

例えば、機器状態判定部３４は、予め定められた時刻になった場合に、期間ＴＢで得られる電流瞬時値に基づいて算出された前処理済データを学習済の計算モデルに入力することで、期間ＴＢにおける複数の電気機器４の動作状態を判定することができる。また、機器状態判定部３４は、例えば、周期Ｔ２毎に、最新の時刻から期間ＴＡ前までの電流瞬時値に基づいて算出された前処理済データを学習済の計算モデルに繰り返し入力することで、最新の時刻における複数の電気機器４の動作状態を判定することができる。

ここで、時刻ｔ_ｉにおける電源線８に流れる電流の実効値をＩｒ１（ｔ_ｉ）とし、時刻ｔ_ｉにおける電源線８に流れる電流の周波数スペクトルをＩｓ１（ｔ_ｉ）とする。また、期間ＴＢにおける周期Ｔ２間隔の時刻を時刻ｔ_１～ｔ_ｍとする。ｍは、ＴＢ／Ｔ２である。この場合、前処理済データは、Ｉｒ１（ｔ_１）～Ｉｒ１（ｔ_ｍ）の情報とＩｓ１（ｔ_１）～Ｉｓ１（ｔ_ｍ）の情報とを含む電流データと、ｔ_１～ｔ_ｍの情報を含む時刻データとを含む時系列データである。

機器状態判定部３４は、かかる前処理済データを学習済の計算モデルへ入力することで、時刻ｔ_１～ｔ_ｍにおける複数の電気機器４の動作状態を判定する。その後、新たな時刻ｔ_ｍ＋１のＩｒ１（ｔ_ｍ＋１）の情報とＩｓ１（ｔ_ｍ＋１）の情報とｔ_ｍ＋１の情報とを含む計測データが取得部３１で取得されたとする。この場合、機器状態判定部３４は、Ｉｒ１（ｔ_ｍ＋１）の情報とＩｓ１（ｔ_ｍ＋１）の情報とｔ_ｍ＋１の情報とを含む前処理済データを学習済の計算モデルへ入力することで、新たな時刻ｔ_ｍ＋１における複数の電気機器４の動作状態を判定する。機器状態判定部３４は、新たな時刻の計測データが取得部３１で取得される毎に、かかる処理を繰り返すことで、新たな時刻における複数の電気機器４の動作状態を判定することができる。

機器状態判定部３４は、学習済の計算モデルが図７に示すディープニューラルネットワークである場合、例えば、出力層から出力される動作状態スコアが閾値以上である場合に電気機器４がオン状態であると判定し、動作状態スコアが閾値未満である場合に電気機器４がオフ状態であると判定する。

機器状態判定部３４は、判定した複数の電気機器４_１，４_２，４_３，・・・，４_ｍの動作状態を示す情報を通信部１０からネットワーク８０を介して外部の装置へ送信する。

つづいて、機器状態判定装置１の処理部１２による処理をフローチャートを用いて説明する。図１０は、実施の形態１にかかる機器状態判定装置の処理部による処理の一例を示すフローチャートである。図１０に示す処理は、機器状態判定装置１の処理部１２によって繰り返し実行される。

図１０に示すように、機器状態判定装置１の処理部１２は、学習用データが通信部１０で受信されたか否かを判定する（ステップＳ１０）。処理部１２は、学習用データが通信部１０で受信されたと判定した場合（ステップＳ１０：Ｙｅｓ）、通信部１０で受信された学習用データを記憶部１１に記憶させる（ステップＳ１１）。

処理部１２は、ステップＳ１１の処理が終了した場合、または学習用データが通信部１０で受信されていないと判定した場合（ステップＳ１０：Ｎｏ）、判定用データが通信部１０で受信されたか否かを判定する（ステップＳ１２）。処理部１２は、判定用データが通信部１０で受信されたと判定した場合（ステップＳ１２：Ｙｅｓ）、通信部１０で受信された判定用データを記憶部１１に記憶させる（ステップＳ１３）。

処理部１２は、ステップＳ１３の処理が終了した場合、または判定用データが通信部１０で受信されていないと判定した場合（ステップＳ１２：Ｎｏ）、判定タイミングになったか否かを判定する（ステップＳ１４）。ステップＳ１４において、処理部１２は、予め定められた時刻になった場合、または取得部３１で最新の時刻で計測された電流瞬時値が取得された場合に、判定タイミングになったと判定する。

処理部１２は、判定タイミングになったと判定した場合（ステップＳ１４：Ｙｅｓ）、記憶部１１から判定用データ２２を取得し、取得した判定用データ２２から前処理データを生成する（ステップＳ１５）。そして、処理部１２は、前処理データを学習済の計算モデルへ入力し、学習済の計算モデルの出力に基づいて、複数の電気機器４の動作状態を判定する（ステップＳ１６）。処理部１２は、ステップＳ１６の処理が終了した場合、判定タイミングになっていないと判定した場合（ステップＳ１４：Ｎｏ）、図１０に示す処理を終了する。

図１１は、実施の形態１にかかる機器状態判定装置のハードウェア構成の一例を示す図である。図１１に示すように、機器状態判定装置１は、プロセッサ１０１と、メモリ１０２と、通信装置１０３と、インタフェース回路１０４とを備えるコンピュータを含む。

プロセッサ１０１、メモリ１０２、通信装置１０３、およびインタフェース回路１０４は、例えば、バス１０５によって互いに情報の送受信が可能である。記憶部１１は、メモリ１０２によって実現される。通信部１０は、通信装置１０３で実現される。プロセッサ１０１は、メモリ１０２に記憶されたプログラムを読み出して実行することによって、取得部３１、学習処理部３２、演算処理部３３、および機器状態判定部３４などの機能を実行する。プロセッサ１０１は、例えば、処理回路の一例であり、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＧＰＵ（Graphical Processing Unit）、およびシステムＬＳＩ（Large Scale Integration）のうち一つ以上を含む。

メモリ１０２は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＥＰＲＯＭ（Erasable Programmable Read Only Memory）、およびＥＥＰＲＯＭ（登録商標）（Electrically Erasable Programmable Read Only Memory）のうち一つ以上を含む。また、メモリ１０２は、コンピュータが読み取り可能なプログラムが記録された記録媒体を含む。かかる記録媒体は、不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルメモリ、光ディスク、コンパクトディスク、およびＤＶＤ（Digital Versatile Disc）のうち一つ以上を含む。なお、機器状態判定装置１は、ＡＳＩＣ（Application Specific Integrated Circuit）およびＦＰＧＡ（Field Programmable Gate Array）などの集積回路を含んでいてもよい。

以上のように、実施の形態１にかかる機器状態判定システム１００は、取得部３１と、演算処理部３３と、機器状態判定部３４とを備える。取得部３１は、複数の電気機器４が接続された電源線８に流れる電流の瞬時値を検出する電流センサの検出結果を取得する。演算処理部３３は、取得部３１によって取得された検出結果に基づいて、複数の時刻の各々において電源線８に流れる電流の実効値および周波数スペクトルを算出する。機器状態判定部３４は、複数の時刻の各々において電源線８に流れる電流の実効値および周波数スペクトルの情報と複数の時刻の情報を入力とし、複数の電気機器４の動作状態を出力とする機械学習によって生成される学習済の計算モデルに演算処理部３３の算出結果と複数の時刻の情報とを入力して複数の電気機器４の動作状態を判定する。これにより、機器状態判定システム１００は、複数の電気機器４の動作状態の判定を精度よく行うことができる。機器状態判定システム１００による動作状態の判定は、例えば、電気機器４の管理などに役立てることができる。

また、機器状態判定システム１００は、記憶部１１および学習処理部３２を備える。記憶部１１は、予め定められた期間ＴＢにおける複数の時刻の各々において複数の電気機器４０が接続される電源線４３に流れる電流の実効値および周波数スペクトルを示す情報を含むデータと、予め定められた期間ＴＢにおける複数の時刻の各々を示す情報を含むデータと、複数の時刻の各々における複数の電気機器４０の動作状態を示す情報を含むデータとを含む学習用データを記憶する。学習処理部３２は、記憶部１１に記憶された学習用データに基づいて、学習済の計算モデルを機械学習によって生成する。これにより、機器状態判定システム１００は、複数の電気機器４の動作状態の判定を精度よく行うことができる学習済の計算モデルを生成することができる。

実施の形態２．
実施の形態２にかかる機器状態判定システムは、電流の実効値の情報、電流の周波数スペクトルの情報、および時刻の情報に加え、複数の電気機器の温度および振動の情報を用いる点で、実施の形態１にかかる機器状態判定システム１００と異なる。以下においては、実施の形態１と同様の機能を有する構成要素については同一符号を付して説明を省略し、実施の形態１の機器状態判定システム１００と異なる点を中心に説明する。

図１２は、本発明の実施の形態２にかかる機器状態判定システムの構成の一例を示す図である。図１３は、実施の形態２にかかるＨＥＭＳで収集されるデータを説明するための図である。図１４は、実施の形態２にかかる機器状態判定装置の構成の一例を示す図である。

図１２に示すように、実施の形態２にかかる機器状態判定システム１００Ａは、機器状態判定装置１Ａと、計測機器５Ａと、ＨＥＭＳ７Ａ_１～７Ａ_ｋとを備える。以下、ＨＥＭＳ７Ａ_１～７Ａ_ｋの各々を区別せずに個別に示す場合、ＨＥＭＳ７Ａと記載する場合がある。

計測機器５Ａは、計測機器５の機能に加え、予め定められた周期Ｔ２で、複数の電気機器４の温度および振動を計測し、計測した複数の電気機器４の温度および振動の情報を含む計測データを機器状態判定装置１Ａへネットワーク８０を介して送信する。計測機器５Ａで計測される温度は、例えば、電気機器４の内部温度であり、計測機器５Ａで計測される振動は、電気機器４の筐体の振動である。計測機器５Ａは、複数の計測機器から構成されていてもよい。

また、図１３に示すＨＥＭＳ７Ａは、ＨＥＭＳ７の機能に加え、予め定められた周期Ｔ２で、複数の電気機器４０の温度および振動を計測する。ＨＥＭＳ７Ａは、複数の電気機器４０の温度および振動の情報を入力データに含む学習用データを生成し、生成した学習用データを機器状態判定装置１Ａへ送信する。ＨＥＭＳ７で計測される温度は、例えば、電気機器４０の内部温度であり、ＨＥＭＳ７で計測される振動は、電気機器４０の筐体の振動である。

ＨＥＭＳ７Ａによって生成される学習用データは、ＨＥＭＳ７によって生成される学習用データに含まれる情報に加え、複数の電気機器４の温度の情報と複数の電気機器４の振動の情報とを時刻毎に含む。

図１４に示すように、機器状態判定装置１Ａは、通信部１０と、記憶部１１Ａと、処理部１２Ａとを備える。記憶部１１Ａは、学習用データ２１Ａと判定用データ２２Ａとを記憶する。学習用データ２１Ａに含まれる複数の学習用データの各々は、期間ＴＢ毎のデータであり、学習用データ２１に含まれる電流データ、時刻データ、および動作データに加えて、温度データおよび振動データを含むデータセットである。温度データは、期間ＴＢにおける周期Ｔ２毎の複数の電気機器４の温度の情報を含む。振動データは、期間ＴＢにおける周期Ｔ２毎の複数の電気機器４の振動の情報を含む。

処理部１２Ａは、取得部３１と、学習処理部３２Ａと、演算処理部３３Ａと、機器状態判定部３４Ａとを備える。取得部３１は、通信部１０で受信された学習用データを記憶部１１Ａに記憶し、記憶部１１Ａに記憶された学習用データ２１Ａを更新する。また、取得部３１は、通信部１０で受信された計測データを判定用データとして記憶部１１Ａに記憶させる。これにより、記憶部１１Ａに記憶された判定用データ２２Ａが更新される。

学習処理部３２Ａは、記憶部１１Ａから学習用データ２１Ａを取得し、取得した学習用データ２１Ａに含まれる入力データと結果データのデータセットを用いた機械学習によって学習済の計算モデルを生成する。学習処理部３２Ａは、生成した学習済の計算モデルを機器状態判定部３４Ａに設定する。入力データは、電流データ、時刻データ、動作データ、温度データ、および振動データを含む時系列データである。結果データは、複数の電気機器４０の動作状態を示す情報を時刻毎に含む時系列データである。温度データおよび振動データは、付加情報の一例である。

演算処理部３３Ａは、判定用データ２２Ａに含まれる複数の電流瞬時値に基づいて、予め定められた周期Ｔ２で電源線８に流れる電流の実効値と電源線８に流れる電流の周波数スペクトルとを算出する。そして、演算処理部３３Ａは、電源線８に流れる電流の実効値の情報と、電源線８に流れる電流の周波数スペクトルの情報と、複数の電気機器４の温度の情報と、複数の電気機器４の振動の情報と、時刻の情報とを時刻毎に含む時系列データを前処理済データとして生成し、生成した前処理済データを機器状態判定部３４Ａへ出力する。

機器状態判定部３４Ａは、学習処理部３２Ａによって設定された学習済の計算モデルへ前処理済データを入力し、かかる学習済の計算モデルの出力に基づいて、複数の電気機器４の動作状態を判定する。

実施の形態２にかかる機器状態判定装置１Ａのハードウェア構成例は、図１１に示す機器状態判定装置１のハードウェア構成と同じである。プロセッサ１０１は、メモリ１０２に記憶されたプログラムを読み出して実行することによって、取得部３１、学習処理部３２Ａ、演算処理部３３Ａ、および機器状態判定部３４Ａなどの機能を実行する。

以上のように、実施の形態２にかかる機器状態判定システム１００Ａにおいて、学習済の計算モデルは、複数の時刻の各々における複数の電気機器４の温度および振動を示す情報を入力とする。取得部３１は、複数の時刻の各々における複数の電気機器４の温度および振動を示す情報である付加情報を取得する。機器状態判定部３４Ａは、学習済の計算モデルに演算処理部３３Ａの算出結果と付加情報と複数の時刻の情報とを入力して複数の電気機器４０の動作状態を判定する。これにより、機器状態判定システム１００Ａは、複数の電気機器４の動作状態の判定をさらに精度よく行うことができる。

実施の形態３．
実施の形態３にかかる機器状態判定システムは、複数の電気機器の動作状態を電力量計で行う点で、実施の形態１にかかる機器状態判定システム１００と異なる。以下においては、実施の形態１と同様の機能を有する構成要素については同一符号を付して説明を省略し、実施の形態１の機器状態判定システム１００と異なる点を中心に説明する。

図１５は、本発明の実施の形態３にかかる機器状態判定システムの構成の一例を示す図である。図１６は、実施の形態３にかかるクラウドサーバの構成の一例を示す図である。図１７は、実施の形態３にかかる電力量計の構成の一例を示す図である。

図１５に示すように、実施の形態３にかかる機器状態判定システム１００Ｂは、クラウドサーバ８１と、電力量計３Ｂと、計測機器５と、ＨＥＭＳ７_１～７_ｋとを備える。クラウドサーバ８１は、機器状態判定装置１の一部の機能と同じ機能を有しており、機器状態判定装置１と同様の機能を有する構成要素については同一符号を付しており、機器状態判定装置１と同様の機能を有する構成要素についての説明を省略する場合がある。

クラウドサーバ８１は、例えば、不図示のデータセンタ内に構築されたクラウドシステムを構成する１以上のサーバおよび１以上のストレージで構成される。クラウドサーバ８１は、図１６に示すように、処理部１２に代えて、処理部１２Ｂを備える点で機器状態判定装置１と異なる。処理部１２Ｂは、演算処理部３３および機器状態判定部３４に代えて出力処理部３５を備える点で、機器状態判定装置１の処理部１２と異なる。

出力処理部３５は、学習処理部３２で生成された学習済の計算モデルを電力量計３Ｂに設定するための計算モデル設定用データを通信部１０にネットワーク８０を介して電力量計３Ｂへ送信させる。

図１７に示すように、電力量計３Ｂは、通信部５０と、処理部５１と、記憶部５２とを含む。通信部５０は、ネットワーク８０に接続され、ネットワーク８０を介してクラウドサーバ８１から計算モデル設定用データを受信することができる。処理部５１は、取得部７１と、演算処理部７２と、機器状態判定部７３とを備える。

取得部７１は、取得部３１と同様に、通信部５０で受信された計測機器５からの計測データを通信部５０から取得し、取得した計測データを判定用データとして記憶部５２に記憶させる。これにより、記憶部５２に記憶された判定用データ６１が更新される。

また、取得部７１は、通信部５０で受信されたクラウドサーバ８１からの計算モデル設定用データを通信部５０から取得し、取得した計算モデル設定用データを記憶部５２に記憶させる。これにより、記憶部５２に記憶された計算モデル設定用データ６２が更新される。

演算処理部７２は、演算処理部３３と同様に、判定用データ６１に含まれる複数の電流瞬時値に基づいて、電源線８に流れる電流の実効値と電源線８に流れる電流の周波数スペクトルとを算出する。そして、演算処理部７２は、演算処理部３３と同様に、前処理済データを生成し、生成した前処理済データを機器状態判定部７３へ出力する。

機器状態判定部７３は、記憶部５２に記憶された計算モデル設定用データ６２を取得し、取得した計算モデル設定用データ６２に基づいて学習済の計算モデルを更新する。機器状態判定部７３は、機器状態判定部３４と同様に、学習済の計算モデルへ前処理済データを入力し、かかる学習済の計算モデルの出力に基づいて、複数の電気機器４の動作状態を判定する。機器状態判定部７３は、判定した複数の電気機器４の動作状態を示す情報を通信部５０からネットワーク８０を介して外部の装置へ送信する。

上述した例では、電力量計３Ｂが複数の電気機器４の動作状態を判定するが、電力量計３Ｂと異なる装置が複数の電気機器４の動作状態を判定することもできる。図１８は、実施の形態３にかかる機器状態判定システムの構成の他の例を示す図である。図１８に示す機器状態判定システム１００Ｂでは、複数の電気機器４の動作状態を判定するエッジコンピュータ９を有する。

図１８に示すエッジコンピュータ９は、図１７に示す電力量計３Ｂの構成と同じである。なお、エッジコンピュータ９は、電気機器４と無線または有線で接続され、電気機器４から計測データを取得するが、ネットワーク８０を介して電気機器４から計測データを取得することもできる。

上述した機器状態判定システム１００Ｂでは、膨大な計算機資源を必要とする学習機能はクラウドサーバ８１上に実装され、より高速な実行を必要とする判定機能はエッジコンピュータ９上に実装されている。これにより、機器状態判定システム１００Ｂは、複数の電気機器４の動作状態の判定を迅速に行うことができる。

なお、機器状態判定システム１００Ｂは、機器状態判定システム１００Ａと同様に、電流の実効値の情報、電流の周波数スペクトルの情報、および時刻の情報に加え、複数の電気機器４の温度および振動の情報を用いる構成であってもよい。この場合、クラウドサーバ８１は、学習処理部３２に代えて学習処理部３２Ａを有する。出力処理部３５は、学習処理部３２Ａによって生成された学習済の計算モデルを電力量計３Ｂに設定するための計算モデル設定用データを通信部１０にネットワーク８０を介して電力量計３Ｂへ送信させる。この場合、機器状態判定システム１００Ｂは、計測機器５に代えて計測機器５Ａを含む。クラウドサーバ８１は、計測機器５Ａから計測データを取得する。電力量計３Ｂの機器状態判定部７３は、機器状態判定部３４と同様に計測機器５Ａから送信された計測データに基づいて、複数の電気機器４の動作状態を判定する。なお、電力量計３Ｂは、計測機器５または計測機器５Ａを内蔵する構成であってもよい。

実施の形態３にかかるクラウドサーバ８１、電力量計３Ｂ、およびエッジコンピュータ９のハードウェア構成例は、図１１に示す機器状態判定装置１のハードウェア構成と同じである。プロセッサ１０１は、メモリ１０２に記憶されたプログラムを読み出して実行することによって、取得部３１、学習処理部３２、および出力処理部３５などの機能を実行する。また、プロセッサ１０１は、メモリ１０２に記憶されたプログラムを読み出して実行することによって、取得部７１、演算処理部７２、および機器状態判定部７３などの機能を実行する。

以上のように、実施の形態３にかかる電力量計３Ｂは、取得部７１と、演算処理部７２と、機器状態判定部７３とを備える。取得部７１は、複数の電気機器４が接続された電源線８に流れる電流の瞬時値を検出する電流センサの検出結果を取得する。演算処理部７２は、取得部３１によって取得された検出結果に基づいて、複数の時刻の各々において電源線８に流れる電流の実効値および周波数スペクトルを算出する。機器状態判定部７３は、複数の時刻の各々において電源線８に流れる電流の実効値および周波数スペクトルの情報と複数の時刻の情報を入力とし、複数の電気機器４の動作状態を出力とする機械学習によって生成される学習済の計算モデルに演算処理部７２の算出結果と複数の時刻の情報とを入力して複数の電気機器４の動作状態を判定する。これにより、電力量計３Ｂは、複数の電気機器４の動作状態の判定を精度よく行うことができる。

上述した実施の形態１～３では、ＨＥＭＳ７を備える例を示したが、使用環境によってＨＥＭＳ７以外のＥＭＳ（Energy Management System）であるＦＥＭＳ（Factory Energy Management System）またはＢＥＭＳ（Building Energy Management System）を備える構成であってもよい。また、機器状態判定システム１００，１００Ａ，１００Ｂは、ＨＥＭＳ７およびＥＭＳ以外から学習用データを収集することもできる。この場合、機器状態判定システム１００，１００Ａ，１００Ｂは、ＨＥＭＳ７およびＥＭＳを有しない構成であってもよい。

また、実施の形態１～３では、機器状態判定システム１００，１００Ａ，１００Ｂの各々が複数の機器から構成される例を説明したが必ずしもこれに限られるわけではない。機器状態判定システム１００，１００Ａ，１００Ｂの各々は、複数の電気機器４の動作状態の判定を精度よく行うために必要な構成を有していればよく、係る必要な構成を装置単体が有している場合は、装置単体であってもよい。

以上の実施の形態に示した構成は、本発明の内容の一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、本発明の要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。

１，１Ａ 機器状態判定装置、２ 電源装置、３，３Ｂ 電力量計、４，４_１，４_２，４_３，・・・，４_ｍ，４０，４０_１，４０_２，４０_３，・・・，４０_ｍ 電気機器、５，５Ａ，４１ 計測機器、６ ブレーカ、７，７_１～７_ｋ，７Ａ，７Ａ_１～７Ａ_ｋ ＨＥＭＳ、８，４３ 電源線、９ エッジコンピュータ、１０，５０ 通信部、１１，１１Ａ，５２ 記憶部、１２，１２Ａ，１２Ｂ，５１ 処理部、２１，２１Ａ 学習用データ、２２，２２Ａ，６１ 判定用データ、３１，７１ 取得部、３２，３２Ａ 学習処理部、３３，３３Ａ，７２ 演算処理部、３４，３４Ａ，７３ 機器状態判定部、３５ 出力処理部、６２ 計算モデル設定用データ、８０ ネットワーク、８１ クラウドサーバ、１００，１００Ａ，１００Ｂ 機器状態判定システム。

Claims (6)

1. 複数の同一の電気機器を含む複数の電気機器が接続された電源線に流れる電流の瞬時値を検出する電流センサの検出結果を取得する取得部と、
   前記取得部によって取得された前記検出結果に基づいて、商用周波数１サイクルごとの時刻の各々において前記電源線に流れる電流の実効値および周波数スペクトルを算出する演算処理部と、
   前記商用周波数１サイクルごとの時刻の各々において前記電源線に流れる電流の実効値および周波数スペクトルの情報と前記商用周波数１サイクルごとの時刻の情報を入力とし、前記複数の電気機器の動作状態を出力とする機械学習によって生成される学習済の計算モデルに前記演算処理部の算出結果と前記商用周波数１サイクルごとの時刻の情報とを入力して前記複数の電気機器の動作状態を判定する機器状態判定部と、を備える
   ことを特徴とする機器状態判定システム。
2. 前記機器状態判定部が判定する前記複数の電気機器の動作状態は、前記複数の電気機器がオン状態であるかオフ状態であるかである
   ことを特徴とする請求項１に記載の機器状態判定システム。
3. 前記計算モデルは、
   前記商用周波数１サイクルごとの時刻の各々における前記複数の電気機器の温度および振動の少なくともいずれかを入力とし、
   前記取得部は、前記商用周波数１サイクルごとの時刻の各々における前記複数の電気機器の温度および振動の少なくともいずれかを示す情報である付加情報を取得し、
   前記機器状態判定部は、
   前記演算処理部の算出結果と前記付加情報と前記商用周波数１サイクルごとの時刻の情報とを前記計算モデルへ入力して前記複数の電気機器の動作状態を判定する
   ことを特徴とする請求項１または２に記載の機器状態判定システム。
4. 前記複数の電気機器を複数の第１電気機器とし、前記電源線を第１電源線とした場合に、予め定められた期間における商用周波数１サイクルごとの時刻の各々において前記複数の第１電気機器と同じ電気機器である複数の第２電気機器が接続される前記第１電源線とは異なる第２電源線に流れる電流の実効値および周波数スペクトルを示す情報を含むデータと、前記予め定められた期間における前記商用周波数１サイクルごとの時刻の各々を示す情報を含むデータと、前記商用周波数１サイクルごとの時刻の各々における前記複数の第２電気機器の動作状態を示す情報を含むデータとを含む学習用データを記憶する記憶部と、
   前記学習用データに基づいて、前記計算モデルを前記機械学習によって生成する学習処理部と、を備える
   ことを特徴とする請求項１から３の何れか一つに記載の機器状態判定システム。
5. 複数の電気機器が接続された電源線に流れる電流の瞬時値を検出する電流センサの検出結果を取得する取得部と、
   前記取得部によって取得された前記検出結果に基づいて、商用周波数１サイクルごとの時刻の各々において前記電源線に流れる電流の実効値および周波数スペクトルを算出する演算処理部と、
   前記商用周波数１サイクルごとの時刻の各々において前記電源線に流れる電流の実効値および周波数スペクトルの情報と前記商用周波数１サイクルごとの時刻の情報を入力とし、前記複数の電気機器の動作状態を出力とする機械学習によって生成される学習済の計算モデルに対して、前記演算処理部の算出結果と前記商用周波数１サイクルごとの時刻の情報とを前記計算モデルへ入力して前記複数の電気機器の動作状態を判定する機器状態判定部と、を備える
   ことを特徴とする電力量計。
6. コンピュータが実行する機器状態判定方法であって、
   複数の電気機器が接続された電源線に流れる電流の瞬時値を検出する電流センサの検出結果を取得する第１ステップと、
   前記第１ステップによって取得された前記検出結果に基づいて、商用周波数１サイクルごとの時刻の各々において前記電源線に流れる電流の実効値および周波数スペクトルを算出する第２ステップと、
   前記商用周波数１サイクルごとの時刻の各々において前記電源線に流れる電流の実効値および周波数スペクトルの情報と前記商用周波数１サイクルごとの時刻の情報を入力とし、前記複数の電気機器の動作状態を出力とする機械学習によって生成される学習済の計算モデルに前記第１ステップの算出結果と前記商用周波数１サイクルごとの時刻の情報とを入力して前記複数の電気機器の動作状態を判定する第３ステップと、を含む
   ことを特徴とする機器状態判定方法。

Images