JP7214283B1 - ニューラルネットワーク基盤の負荷推定モデルを含む積算電力装置で負荷を推定する方法及びこれを利用した積算電力装置 - Google Patents

ニューラルネットワーク基盤の負荷推定モデルを含む積算電力装置で負荷を推定する方法及びこれを利用した積算電力装置 Download PDF

Info

Publication number
JP7214283B1
JP7214283B1 JP2022144147A JP2022144147A JP7214283B1 JP 7214283 B1 JP7214283 B1 JP 7214283B1 JP 2022144147 A JP2022144147 A JP 2022144147A JP 2022144147 A JP2022144147 A JP 2022144147A JP 7214283 B1 JP7214283 B1 JP 7214283B1
Authority
JP
Japan
Prior art keywords
information
learning
power
load
estimation model
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.)
Active
Application number
JP2022144147A
Other languages
English (en)
Other versions
JP2023059826A (ja
Inventor
安鉉權
安泰孝
李動勳
金洪模
Original Assignee
スタコフ カンパニー リミテッド
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 スタコフ カンパニー リミテッド filed Critical スタコフ カンパニー リミテッド
Application granted granted Critical
Publication of JP7214283B1 publication Critical patent/JP7214283B1/ja
Publication of JP2023059826A publication Critical patent/JP2023059826A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/133—Arrangements for measuring electric power or power factor by using digital technique
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/133—Arrangements for measuring electric power or power factor by using digital technique
    • G01R21/1333—Arrangements for measuring electric power or power factor by using digital technique adapted for special tariff measuring
    • G01R21/1338—Measuring maximum demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H02J13/00007—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using the power network as support for the transmission
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/70—Load identification
    • 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
    • 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
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S706/00—Data processing: artificial intelligence
    • Y10S706/902—Application using ai with detail of the ai system

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

【課題】ニューラルネットワーク基盤の負荷推定モデルを含む積算電力装置で負荷を推定する方法を提供する。【解決手段】本発明は、分電盤の引込線を通じて需要家に供給される電力を予め設定されたサンプリングレートに応じてサンプリングすることでサンプリング供給電力情報を順次に生成する段階；サンプリング供給電力情報を負荷推定モデルに順次に入力することで、前記負荷推定モデルをもって順次に獲得されるサンプリング供給電力情報のうち、第ｔ－ｋ時点乃至第ｔ時点の間の時区間に対応する第ｔ－ｋサンプリング供給電力情報乃至第ｔサンプリング供給電力情報を参照することで、第ｔ時点に需要家内で動作中の負荷を判別した負荷情報を出力させる段階；及び引込線を通じて需要家に供給される電力量を積算した積算電力量情報と負荷情報とをデータ管理サーバに伝送することで、データ管理サーバをもって積算電力量情報と負荷情報とを利用して需要家で消耗される電力情報をモニタリングするように支援する段階；を含む。【選択図】図２

Description

本発明は、積算電力装置に関し、より詳細には、ニューラルネットワーク基盤の負荷推定モデルを活用することで需要家内で動作する電気負荷を推定することができるようにする方法及びこれを利用した積算電力装置に関する。
需要家に設置された積算電力装置を通じて需要家に供給される電力量を計量した積算電力量を確認するために、従来には、検針員がそれぞれの需要家を訪問してそれぞれの需要家に設置された積算電力装置を確認しなければならなかったが、最近は、電力供給者が遠隔で積算電力量を確認するＡＭＲ（Automatic Meter readings）、ＡＭＩ（Advanced Metering Infrastructure）技術が台頭している。
上記のような状況で、電力供給者は、電力需要の変化などを予測することによって効率的に電気エネルギーが利用され得るようにするために、それぞれの需要家内のそれぞれの負荷を識別し、識別されたそれぞれの負荷の動作による電力量の変化を分析するための試みをしている。
このように、それぞれの負荷を識別するためには、それぞれの需要家から大量の電力情報がリアルタイムに、十分に速い速度で獲得されなければならない。
このように、それぞれの需要家からリアルタイムに大量の情報を獲得するためには、それぞれの需要家に十分なバンド幅（ＢＷ）が保障される通信装備を設置しなければならない。
しかし、現実的に全ての需要家にこのような十分なバンド幅が保障される通信装備を設置することは難しいため、電力供給者は、ＰＬＣ（power line communication）などの制限されたバンド幅を提供する通信方式を通じてそれぞれの需要家から一定の周期で積算された電力量情報を獲得している。
しかし、ＰＬＣ方式に従う場合、電力供給者のデータ管理サーバと積算電力装置とを連結する通信網の少なくとも一部区間におけるバンド幅が非常に狭いので、積算電力装置から電力供給者が管理するデータ管理サーバに伝送され得る情報の量が非常に制限される。
従って、個別負荷を推定することができる程度の膨大な量の時系列詳細電力情報をデータ管理サーバに送信することができなくなり、一定の周期の間リアルタイム電力情報を累積することによって獲得される累積電力量情報、即ち、積算電力値をデータ管理サーバ（Meter Data Management Server,ＭＤＭＳ）に伝送することになる。
これにより、積算電力装置から周期的に積算電力値のみを獲得する電力供給者は、十分な時系列詳細電力情報を獲得することができないため、それぞれの需要家内のそれぞれの負荷を識別することができないという問題点が存在した。
従って、前記問題点を解決するための改善方案が要求される実情である。
本発明は、上述した問題点をすべて解決することをその目的とする。
また、本発明は、積算電力装置でニューラルネットワークに基づいて負荷を識別することを他の目的とする。
また、本発明は、積算電力装置が積算電力量情報と負荷情報とを電力供給者に伝送することを他の目的とする。
また、本発明は、電力供給者をもって通信網のバンド幅に関係なく負荷情報を獲得することができるように支援することを他の目的とする。
また、本発明は、電力供給者をもって負荷情報を利用して電力需要の変化を正確に予測することができるように支援することを他の目的とする。
本発明の一実施例によると、ニューラルネットワーク基盤の負荷推定モデルを含む積算電力装置で負荷を推定する方法において、（ａ）前記積算電力装置が、分電盤の引込線を通じて需要家に供給される電力を予め設定されたサンプリングレートに応じてサンプリングすることでサンプリング供給電力情報を順次に生成する段階；（ｂ）前記積算電力装置が、前記サンプリング供給電力情報を前記負荷推定モデルに順次に入力することで、前記負荷推定モデルをもって順次に獲得される前記サンプリング供給電力情報のうち、第ｔ－ｋ時点乃至第ｔ時点の間の時区間に対応する第ｔ－ｋサンプリング供給電力情報乃至第ｔサンプリング供給電力情報を参照することで、前記第ｔ時点に前記需要家内で動作中の負荷を判別した負荷情報を出力させる段階；及び（ｃ）前記積算電力装置が、前記引込線を通じて前記需要家に供給される電力量を積算した積算電力量情報と前記負荷情報とをデータ管理サーバに伝送することで、前記データ管理サーバをもって前記積算電力量情報と前記負荷情報とを利用して前記需要家で消耗される電力情報をモニタリングするように支援する段階；を含み、前記データ管理サーバに伝送される前記負荷情報は、前記電力の使用または管理を制御するために、前記需要家に供給される前記電力の供給者及び前記需要家のうち少なくとも一部により使用されることを特徴とする、方法が提供される。
前記（ｂ）段階で、前記積算電力装置が、前記第ｔ－ｋ時点乃至前記第ｔ時点のそれぞれに対応する前記負荷推定モデルの第１入力レイヤ乃至第ｋ＋１入力レイヤのそれぞれに前記第ｔ－ｋサンプリング供給電力情報乃至前記第ｔサンプリング供給電力情報を入力することで、前記負荷推定モデルをもって（ｉ）前記第１入力レイヤ乃至前記第ｋ＋１入力レイヤのそれぞれに対応する第１ヒドゥンレイヤ乃至第ｋ＋１ヒドゥンレイヤのそれぞれを通じて（ｉ－１）前記第１入力レイヤ乃至前記第ｋ＋１入力レイヤから獲得される前記第ｔ－ｋサンプリング供給電力情報乃至前記第ｔサンプリング供給電力情報のそれぞれ及び（ｉ－２）直前のヒドゥンレイヤのそれぞれから獲得される第ｔ－ｋ直前入力情報乃至第ｔ直前入力情報のそれぞれを参照することで、第ｔ－ｋヒドゥン状態情報乃至第ｔヒドゥン状態情報を出力させ、（ｉｉ）前記第ｋ＋１ヒドゥンレイヤに対応する出力レイヤを通じて前記第ｔヒドゥン状態情報を参照することで、前記第ｔ時点に前記需要家内で動作中の前記負荷を判別した前記負荷情報を出力させることを特徴とする。
前記（ａ）段階以前に、（ａ０）負荷推定モデル学習装置により学習用負荷推定モデルが学習されることによって前記学習用負荷推定モデルの最適化パラメータが生成された状態で、前記負荷推定モデル学習装置から前記最適化パラメータが獲得されると、前記積算電力装置が、前記負荷推定モデルの現在のパラメータを前記最適化パラメータにアップデートすることを特徴とする。
前記（ａ）段階以前に、（ａ０１）前記負荷推定モデル学習装置が、学習用第ｔ－ｋ時点乃至学習用第ｔ時点に対応する電力パターンをサンプリングすることで生成される学習用第１サンプリング供給電力情報乃至学習用第ｋ＋１サンプリング供給電力情報を学習データとして前記学習用負荷推定モデルの学習用第１入力レイヤ乃至学習用第ｋ＋１入力レイヤに入力することで、前記学習用負荷推定モデルをもって（ｉ）前記学習用第１入力レイヤ乃至前記学習用第ｋ＋１入力レイヤのそれぞれに対応する学習用第１ヒドゥンレイヤ乃至学習用第ｋ＋１ヒドゥンレイヤのそれぞれを通じて（ｉ－１）前記学習用第１入力レイヤ乃至前記学習用第ｋ＋１入力レイヤから獲得される前記学習用第１サンプリング供給電力情報乃至前記学習用第ｋ＋１サンプリング供給電力情報のそれぞれ及び（ｉ－２）直前の学習用ヒドゥンレイヤのそれぞれから獲得される学習用第１直前入力情報乃至学習用第ｋ＋１直前入力情報のそれぞれを参照することで学習用第１ヒドゥン状態情報乃至学習用第ｋ＋１ヒドゥン状態情報を出力させ、（ｉｉ）前記学習用第ｋ＋１ヒドゥンレイヤに対応する学習用出力レイヤを通じて前記学習用第ｋ＋１ヒドゥン状態情報を参照することで、前記学習用第ｔ時点に前記学習用需要家内で動作中の学習用負荷を判別した学習用負荷情報を出力させ、前記学習用負荷情報及び前記学習用負荷情報に対応する原本正解（ＧＴ）負荷情報を参照することでクラシフィケーションロスを獲得し、前記クラシフィケーションロスをバックプロパゲーションすることによって前記学習用負荷推定モデルを学習する段階；をさらに含むことを特徴とする。
前記（ｃ）段階で、前記積算電力装置がＰＬＣ（Ｐｏｗｅｒ Ｌｉｎｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ）方式を利用して前記積算電力量情報及び前記負荷情報を前記データ管理サーバに伝送することを特徴とする。
前記積算電力装置が、前記需要家内で動作中の負荷に対応する有効電力情報、無効電力情報及びサンプリング時点情報を含む前記積算電力量情報及び前記負荷情報を前記データ管理サーバに伝送することを特徴とする。
また、本発明の他の実施例によると、ニューラルネットワーク基盤の負荷推定モデルを含む積算電力装置において、インストラクションを格納する少なくとも一つのメモリ；及び前記インストラクションを実行するために構成された少なくとも一つのプロセッサを含み、前記プロセッサは、（１）分電盤の引込線を通じて需要家に供給される電力を予め設定されたサンプリングレートに応じてサンプリングすることでサンプリング供給電力情報を順次に生成するプロセス、（２）前記サンプリング供給電力情報を前記負荷推定モデルに順次に入力することで、前記負荷推定モデルをもって順次に獲得される前記サンプリング供給電力情報のうち、第ｔ－ｋ時点乃至第ｔ時点の間の時区間に対応する第ｔ－ｋサンプリング供給電力情報乃至第ｔサンプリング供給電力情報を参照することで、前記第ｔ時点に前記需要家内で動作中の負荷を判別した負荷情報を出力させるプロセス及び（３）前記引込線を通じて前記需要家に供給される電力量を積算した積算電力量情報と前記負荷情報とをデータ管理サーバに伝送することで、前記データ管理サーバをもって前記積算電力量情報と前記負荷情報とを利用して前記需要家で消耗される電力情報をモニタリングするように支援するプロセスを遂行し、前記データ管理サーバに伝送される前記負荷情報は、前記電力の使用または管理を制御するために、前記需要家に供給される前記電力の供給者及び前記需要家のうち少なくとも一部により使用されることを特徴とする積算電力装置が提供される。
前記プロセッサは、前記（２）プロセスで、前記第ｔ－ｋ時点乃至前記第ｔ時点のそれぞれに対応する前記負荷推定モデルの第１入力レイヤ乃至第ｋ＋１入力レイヤのそれぞれに前記第ｔ－ｋサンプリング供給電力情報乃至前記第ｔサンプリング供給電力情報を入力することで、前記負荷推定モデルをもって（ｉ）前記第１入力レイヤ乃至前記第ｋ＋１入力レイヤのそれぞれに対応する第１ヒドゥンレイヤ乃至第ｋ＋１ヒドゥンレイヤのそれぞれを通じて（ｉ－１）前記第１入力レイヤ乃至前記第ｋ＋１入力レイヤから獲得される前記第ｔ－ｋサンプリング供給電力情報乃至前記第ｔサンプリング供給電力情報のそれぞれ及び（ｉ－２）直前のヒドゥンレイヤのそれぞれから獲得される第ｔ－ｋ直前入力情報乃至第ｔ直前入力情報のそれぞれを参照することで、第ｔ－ｋヒドゥン状態情報乃至第ｔヒドゥン状態情報を出力させ、（ｉｉ）前記第ｋ＋１ヒドゥンレイヤに対応する出力レイヤを通じて前記第ｔヒドゥン状態情報を参照することで、前記第ｔ時点に前記需要家内で動作中の前記負荷を判別した前記負荷情報を出力させることを特徴とする。
前記（１）プロセス以前に、前記プロセッサは、負荷推定モデル学習装置により学習用負荷推定モデルが学習されることによって前記学習用負荷推定モデルの最適化パラメータが生成された状態で、前記負荷推定モデル学習装置から前記最適化パラメータが獲得されると、前記負荷推定モデルの現在のパラメータを前記最適化パラメータにアップデートすることを特徴とする。
前記（１）プロセス以前に、前記負荷推定モデル学習装置が、学習用第ｔ－ｋ時点乃至学習用第ｔ時点に対応する電力パターンをサンプリングすることで生成される学習用第１サンプリング供給電力情報乃至学習用第ｋ＋１サンプリング供給電力情報を学習データとして前記学習用負荷推定モデルの学習用第１入力レイヤ乃至学習用第ｋ＋１入力レイヤに入力することで、前記学習用負荷推定モデルをもって（ｉ）前記学習用第１入力レイヤ乃至前記学習用第ｋ＋１入力レイヤのそれぞれに対応する学習用第１ヒドゥンレイヤ乃至学習用第ｋ＋１ヒドゥンレイヤのそれぞれを通じて（ｉ－１）前記学習用第１入力レイヤ乃至前記学習用第ｋ＋１入力レイヤから獲得される前記学習用第１サンプリング供給電力情報乃至前記学習用第ｋ＋１サンプリング供給電力情報のそれぞれ及び（ｉ－２）直前の学習用ヒドゥンレイヤのそれぞれから獲得される学習用第１直前入力情報乃至学習用第ｋ＋１直前入力情報のそれぞれを参照することで学習用第１ヒドゥン状態情報乃至学習用第ｋ＋１ヒドゥン状態情報を出力させ、（ｉｉ）前記学習用第ｋ＋１ヒドゥンレイヤに対応する学習用出力レイヤを通じて前記学習用第ｋ＋１ヒドゥン状態情報を参照することで、前記学習用第ｔ時点に前記学習用需要家内で動作中の学習用負荷を判別した学習用負荷情報を出力させ、前記学習用負荷情報及び前記学習用負荷情報に対応する原本正解（ＧＴ）負荷情報を参照することでクラシフィケーションロスを獲得し、前記クラシフィケーションロスをバックプロパゲーションすることによって前記学習用負荷推定モデルを学習するプロセスをさらに遂行することを特徴とする。
前記プロセッサは、前記（３）プロセスで、ＰＬＣ（Ｐｏｗｅｒ Ｌｉｎｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ）方式を利用して前記積算電力量情報及び前記負荷情報を前記データ管理サーバに伝送することを特徴とする。
前記需要家内で動作中の負荷に対応する有効電力情報、無効電力情報及びサンプリング時点情報を含む前記積算電力量情報及び前記負荷情報を前記データ管理サーバに伝送することを特徴とする。
前記負荷情報の分析結果を参照して前記需要家に料金を異なるように賦課するために、前記データ管理サーバに伝送される前記負荷情報が前記電力の前記供給者により使用されることを特徴とする。
前記データ管理サーバに伝送される前記負荷情報は、前記需要家のためのサービスを提供するために、前記電力の前記供給者により使用されることを特徴とする。
前記データ管理サーバに伝送される前記負荷情報は、前記電力の使用を管理するために前記需要家により使用されることを特徴とする。
前記負荷情報の分析結果を参照して前記需要家に料金を異なるように賦課するために、前記データ管理サーバに伝送される前記負荷情報が前記電力の前記供給者により使用されることを特徴とする。
前記データ管理サーバに伝送される前記負荷情報は、前記需要家のためのサービスを提供するために、前記電力の前記供給者により使用されることを特徴とする。
前記データ管理サーバに伝送される前記負荷情報は、前記電力の使用を管理するために前記需要家により使用されることを特徴とする。
本発明は、積算電力装置でニューラルネットワークに基づいて負荷を識別する効果がある。
また、本発明は、積算電力装置が積算電力量情報と負荷情報とを電力供給者に伝送する効果がある。
また、本発明は、電力供給者をもって通信網のバンド幅に関係なく負荷情報を獲得することができるように支援する効果がある。
また、本発明は、電力供給者をもって負荷情報を利用して電力需要の変化を正確に予測することができるように支援する効果がある。
本発明の実施例の説明に利用されるために添付された以下の各図面は、本発明の実施例のうち単に一部であるに過ぎず、本発明の属する技術分野において通常の知識を有する者（以下「通常の技術者」）にとっては、発明的作業が行われずにこれらの図面に基づいて他の各図面が得られ得る。
本発明の一実施例において、需要家内で動作中の負荷を推定する積算電力装置を簡略に示した図面である。 本発明の一実施例において、需要家内で動作中の負荷を推定する積算電力装置を簡略に示した図面である。 本発明の一実施例において、ニューラルネットワーク基盤の負荷推定モデルを含む積算電力装置、負荷推定モデル学習装置及びデータ管理サーバを簡略に示した図面である。 本発明の一実施例において、ニューラルネットワーク基盤の負荷推定モデルを含む積算電力装置、負荷推定モデル学習装置及びデータ管理サーバを簡略に示した図面である。 本発明の一実施例において、負荷推定モデル学習装置２０００が複数の学習用需要家に設置された複数の学習用積算電力装置から学習用サンプリング供給電力情報を獲得する過程を簡略に示した図面である。 データ管理サーバが積算電力量情報と負荷情報とを利用して需要家で消耗される電力情報を分析した結果を例として示した図面である。
後述する本発明に関する詳細な説明は、本発明の各目的、各技術的解法、及び各長所を明らかにするために本発明が実施され得る特定の実施例を例示として示す添付図面を参照する。これらの実施例は、通常の技術者が本発明を実施することができるように十分詳細に説明される。
また、本発明の詳細な説明及び各請求項にわたって、「含む」という単語及びそれらの変形は、他の技術的各特徴各付加物、構成要素又は段階を除外することを意図したものではない。通常の技術者にとって本発明の他の各目的、長所及び各特性が、一部は本説明書から、また一部は本発明の実施から明らかになるであろう。以下の例示及び図面は実例として提供され、本発明を限定することを意図したものではない。
さらに、本発明は、本明細書に示された実施例のすべての可能な組合せを網羅する。本発明の多様な実施例は互いに異なるが、相互に排他的である必要はないことが理解されるべきである。例えば、ここに記載されている特定の形状、構造及び特性は、一実施例に関連して本発明の精神及び範囲を逸脱せず、かつ他の実施例で具現され得る。また、それぞれの開示された実施例内の個別の構成要素の位置又は配置は、本発明の精神及び範囲を逸脱せず、かつ変更され得ることが理解されるべきである。従って、後述の詳細な説明は、限定的な意味として受け取ろうとするものではなく、本発明の範囲は適切に説明されるのであれば、その請求項が主張することと均等な全ての範囲とともに添付された請求項によってのみ限定される。図面において類似の参照符号は、様々な側面にわたって同一であるか、又は類似の機能を指す。
ここに提供される本発明の題名や要約は単に便宜のために提供されるもので、この実施形態の範囲または意味を制限したり解釈しない。
参考として、以下でそれぞれの構成要素が単数で記載されたとしても、複数の可能性を排除するわけではない。
以下、本発明の属する技術分野において通常の知識を有する者が本発明を容易に実施し得るようにするために、本発明の好ましい実施例について、添付された図面を参照して詳細に説明することにする。
図１は、積算電力装置１０００を簡略に示した図面であり、積算電力装置１０００は、ニューラルネットワーク基盤の負荷推定モデルをもって負荷を推定させるためのインストラクションを格納するメモリ１００１と、メモリ１００１に格納されたインストラクションに対応してニューラルネットワーク基盤の負荷推定モデルをもって負荷を推定させる動作を遂行するプロセッサ１００２とを含むことができる。
具体的に、積算電力装置１０００は、典型的にコンピューティング装置（例えば、コンピュータプロセッサ、メモリ、ストレージ、入力装置及び出力装置、その他既存のコンピューティング装置の構成要素を含むことができる装置；ルータ、スイッチなどのような電子通信装置；ネットワーク接続ストレージ（ＮＡＳ）及びストレージ領域ネットワーク（ＳＡＮ）のような電子情報ストレージシステム）及びコンピュータソフトウェア（即ち、コンピューティング装置をもって特定の方式で機能させる各インストラクション）の組合せを利用して所望のシステム性能を達成するものであり得る。
また、コンピューティング装置のプロセッサはＭＰＵ（Micro Processing Unit）またはＣＰＵ（Central Processing Unit）、キャッシュメモリ（Cache Memory）、データバス（Data Bus）などのハードウェア構成を含むことができる。また、コンピューティング装置はオペレーティングシステム、特定の目的を遂行するアプリケーションのソフトウェア構成をさらに含むことができる。
しかし、コンピューティング装置が本発明を実施するためのミディアム、プロセッサ及びメモリが統合された形態である統合プロセッサを含む場合を排除するわけではない。
一方、積算電力装置１０００のメモリは、積算電力装置の様々な動作に関するインストラクションをさらに格納することができ、積算電力装置のプロセッサは、メモリに格納されたインストラクションに対応して様々な動作を遂行することができる。
これについて、図２を参照して具体的に説明する。
図２は、本発明の一実施例において、積算電力装置１０００をさらに具体的に示した図面である。
一例として、積算電力装置１０００のプロセッサは、需要家に供給される電力を電力検出部を通じて予め設定されたサンプリングレートに応じてサンプリングすることでサンプリング供給電力情報を順次に生成することができる。
また、積算電力装置１０００のプロセッサは、（ｉ）電力検出部を通じて獲得されるサンプリング供給電力情報及びＭＰＵ ＲＴＣ Ｔｉｍｅｒｓを通じて獲得される時間情報を参照することで積算電力量情報を生成し、（ｉｉ）負荷推定モデルをもってサンプリング供給電力情報を参照することで負荷情報を生成させ、（ｉｉｉ）温度センサを通じて積算電力装置の温度情報を生成することができる。
一例として、積算電力装置１０００のプロセッサは、現在の日時、定期検針日、前月の累積有効電力量、前月の累積遅相無効電力量、前月の累積進相無効電力量、前月の最大需要電力、前月の最大需要電力の発生日時、前月の平均力率、現在の累積有効電力量、現在の累積遅相無効電力量、現在の累積進相無効電力量、現在の最大需要電力、現在の最大需要電力の発生日時、現在の平均力率及び負荷情報のうち少なくとも一部に対する情報を生成することができる。
参考までに、積算電力装置１０００のプロセッサが生成する前記情報は一例に過ぎず、これに限定されるわけではない。
そして、積算電力装置１０００のプロセッサは、ディスプレイモジュールを通じて前記情報のうち少なくとも一部をディスプレイし、通信部を通じて他の装置（例えば、後述するデータ管理サーバ）に前記情報のうち少なくとも一部を送受信することができる。
また、積算電力装置１０００の電源部は、積算電力装置１０００に動作電源を供給することができる。
このように構成された積算電力装置１０００を利用して負荷を推定する方法について説明すると以下の通りである。
図３を参照すると、負荷推定モデル学習装置２０００により学習用負荷推定モデルが学習されることによって学習用負荷推定モデルの最適化パラメータが生成された状態で、負荷推定モデル学習装置から最適化パラメータが獲得されると、積算電力装置１０００は、（ｉ）負荷推定モデルの現在のパラメータを最適化パラメータにアップデートした後、（ｉｉ）負荷推定モデルをもって需要家内で動作中の負荷を判別した負荷情報を出力させ、（ｉｉｉ）積算電力量情報及び負荷情報をデータ管理サーバに伝送することで、データ管理サーバをもって需要家で消耗される電力に関する情報をモニタリングするように支援することができる。
参考までに、負荷推定モデル学習装置２０００は、学習用負荷推定モデルを学習するためのインストラクションを格納するメモリ２００１と、メモリ２００１に格納されたインストラクションに対応して学習用負荷推定モデルを学習する動作を遂行するプロセッサ２００２とを含むことができる。
また、データ管理サーバ３０００は、積算電力量情報と負荷情報とを利用して需要家で消耗される電力情報をモニタリングするためのインストラクションを格納するメモリ３００１と、メモリに格納されたインストラクションに対応して積算電力量情報と負荷情報とを利用して需要家で消耗される電力情報をモニタリングする動作を遂行するプロセッサ３００２とを含むことができる。
図４を参照すると、本発明の一実施例において、積算電力装置１０００は、需要家に供給される電力に対応する積算電力量情報及び負荷情報をＰＬＣモデムを通じてＤＣＵ（data concentration unit）に伝送することによって、ＤＣＵをもってデータ管理サーバ３０００に積算電力量情報及び負荷情報を伝送するように支援することができる。
参考までに、図４では負荷推定モデル学習装置２０００がＤＣＵを通じてＰＬＣ方式を利用して積算電力装置と通信するものとして示されているが、これに限定されるわけではなく、負荷推定モデル学習装置２０００は、様々な有無線通信方式のうち少なくとも一部を利用して積算電力装置と通信することができる。
ここまで積算電力装置１０００、負荷推定モデル学習装置２０００及びデータ管理サーバ３０００について簡略に説明しており、以下では負荷推定モデル学習装置２０００が学習用負荷推定モデルを学習する方法について具体的に説明した後、積算電力装置１０００が負荷推定モデルをもって負荷情報を出力させる方法について具体的に説明する。
まず、複数の負荷が動作する学習用需要家に学習用積算電力装置が設置された状態で、学習用積算電力装置が、学習用需要家に供給される電力を予め設定されたサンプリングレートに応じてサンプリングすることで学習用サンプリング供給電力情報を生成することができる。
参考までに、負荷推定モデル学習装置２０００は、学習用負荷推定モデルを学習するための装置であって、後述するデータ管理サーバ３０００とは別個の装置であるが、これに限定されるわけではなく、負荷推定モデル学習装置２０００がデータ管理サーバ３０００に含まれることもできる。そして、負荷推定モデル学習装置２０００は、学習用積算電力装置から学習用サンプリング供給電力情報を獲得することができる。
図５を参照すると、本発明の一実施例において、負荷推定モデル学習装置２０００が、複数の学習用需要家に設置された複数の学習用積算電力装置から学習用サンプリング供給電力情報を獲得することを確認することができる。
参考までに、後述するデータ管理サーバ３０００が狭いバンド幅のために積算電力装置１０００から少ない量の情報しか獲得することができないのとは異なり、負荷推定モデル学習装置２０００は、様々な有無線通信方式のうち少なくとも一部を利用して学習用積算電力装置から大量の学習用サンプリング供給電力情報を獲得することができる。
そして、負荷推定モデル学習装置２０００は、学習用サンプリング供給電力情報のうち、学習用第ｔ－ｋ時点乃至学習用第ｔ時点の間の時区間に対応する学習用第１サンプリング供給電力情報乃至学習用第ｋ＋１サンプリング供給電力情報を学習データとして学習用負荷推定モデルの入力レイヤに入力することができる。
この際、学習用負荷推定モデルは、ニューラルネットワーク基盤の負荷推定モデルであり得る。一例として、学習用負荷推定モデルは、recurrent neural network（例えば、long short term memory network）であり得る。
そして、負荷推定モデル学習装置２０００は、学習用負荷推定モデルをもって入力レイヤである学習用第１入力レイヤ乃至学習用第ｋ＋１入力レイヤのそれぞれに対応する学習用第１ヒドゥンレイヤ乃至学習用第ｋ＋１ヒドゥンレイヤのそれぞれを通じて（ｉ）学習用第１入力レイヤ乃至学習用第ｋ＋１入力レイヤから獲得される学習用第１サンプリング供給電力情報乃至学習用第ｋ＋１サンプリング供給電力情報のそれぞれ及び（ｉｉ）直前の学習用ヒドゥンレイヤのそれぞれから獲得される学習用第１直前入力情報乃至学習用第ｋ＋１直前入力情報のそれぞれを参照することで学習用第１ヒドゥン状態情報乃至学習用第ｋ＋１ヒドゥン状態情報を出力させることができる。
一例として、学習用負荷推定モデルは、学習用第ｉヒドゥンレイヤを通じて、（ｉ）学習用第ｉ入力レイヤから獲得される学習用第ｉサンプリング供給電力情報に加重値Ｗｘを適用した結果及び（ｉｉ）学習用第ｉヒドゥンレイヤの直前の学習用ヒドゥンレイヤである学習用第ｉ－１ヒドゥンレイヤから獲得される学習用第ｉ直前入力情報に加重値Ｗｈを適用した結果にｔａｎｈ演算を適用することで、第ｉヒドゥン状態情報を出力することができる。この際、学習用第ｉヒドゥンレイヤから出力される第ｉヒドゥン状態情報は、学習用第ｉ＋１ヒドゥンレイヤに入力され得る。
参考までに、学習用第１ヒドゥンレイヤの場合、学習用第１ヒドゥンレイヤの直前の学習用ヒドゥンレイヤは存在しないため、学習用負荷推定モデルは、学習用第１ヒドゥンレイヤを通じて学習用第１入力レイヤから獲得される学習用第１サンプリング供給電力情報に加重値Ｗｘを適用した結果にｔａｎｈ演算を適用することで、第１ヒドゥン状態情報を出力することができる。
そして、負荷推定モデル学習装置２０００は、学習用負荷推定モデルをもって学習用第ｋ＋１ヒドゥンレイヤに対応する学習用出力レイヤを通じて学習用第ｋ＋１ヒドゥン状態情報を参照することで学習用第ｔ時点に学習用需要家内で動作中の学習用負荷を判別した学習用負荷情報を出力させることができる。
一例として、学習用負荷推定モデルは、学習用出力レイヤを通じて、学習用第ｋ＋１ヒドゥン状態情報に加重値Ｗｙを適用することによって学習用第ｔ時点に学習用需要家内で動作中の学習用負荷を判別した学習用負荷情報を出力することができる。
この際、学習用負荷情報は、学習用第ｔ時点に学習用需要家内で動作中の負荷がどのような負荷なのかがクラシフィケーションされた結果として、ベクターで表現され得る。
そして、負荷推定モデル学習装置２０００は、学習用負荷情報及び学習用負荷情報に対応する原本正解（ground truth）負荷情報を参照することで、クラシフィケーションロスを獲得することができる。
例えば、学習用需要家内で動作中の負荷が冷蔵庫、ＴＶ、電気ストーブ、エアコン、洗濯機の５種類の負荷のうちいずれか一つとする場合、学習用負荷推定モデルが、学習用第ｔ－ｋ時点乃至学習用第ｔ時点に対応する電力パターンをサンプリングすることで生成される学習用第１サンプリング供給電力情報乃至学習用第ｋ＋１サンプリング供給電力情報を利用して、現在動作中の負荷がエアコンであるとクラシフィケーションした結果として出力した学習用負荷情報は、次のような形態に表現され得る。
［０．０５，０．０５，０．１，０．７，０．１］
また、学習用第ｔ－ｋ時点乃至学習用第ｔ時点に学習用需要家内で実際に動作中の負荷がエアコンである場合、原本正解負荷情報は次のような形態に表現され得る。
［０，０，０，１，０］
参考までに、説明の便宜上、５種類の負荷を例に挙げて説明したが、これに限定されるわけではない。
また、負荷推定モデル学習装置２０００は、学習用負荷推定モデルをもって個別負荷のそれぞれを推定させることができるが、これに限定されるわけではない。
例えば、電熱機器に含まれるアイロン、ヘアドライヤー、ヒーターなどは、互いに類似の電力特性を有することができる。
このような場合、負荷推定モデル学習装置２０００は、学習用負荷推定モデルをもって（ｉ）アイロン、ヘアドライヤー、ヒーターのそれぞれを区分して負荷情報を出力させるか、（ｉｉ）アイロン、ヘアドライヤー、ヒーターに対して全て「電熱機器」という同一の負荷情報を出力させることができる。
そして、負荷推定モデル学習装置２０００は、クラシフィケーションロスをバックプロパゲーションすることによって学習用負荷推定モデルを学習することができる。
一例として、負荷推定モデル学習装置２０００は、学習用負荷推定モデルのパラメータであるＷｘ、Ｗｈ及びＷｙの値を学習することができる。
このように、負荷推定モデル学習装置２０００により学習用需要家内で動作中の学習用負荷を判別するための学習用負荷推定モデルが学習されることによって学習用負荷推定モデルの最適化パラメータが生成された状態で、実際に需要家に設置された積算電力装置１０００が、負荷推定モデル学習装置２０００から最適化パラメータを獲得することができる。
そして、積算電力装置１０００は、分電盤の引込線を通じて需要家に供給される電力を予め設定されたサンプリングレートに応じてサンプリングすることで、サンプリング供給電力情報を順次に生成することができる。
参考までに、サンプリングレートは１／６０秒であり得るが、これに限定されるわけではなく、１／２０秒など、負荷を識別するために適切なサンプリングレートが設定され得る。
そして、積算電力装置１０００は、サンプリング供給電力情報を負荷推定モデルに順次に入力することで、負荷推定モデルをもって順次に獲得されるサンプリング供給電力情報のうち、第ｔ－ｋ時点乃至第ｔ時点の間の時区間に対応する第ｔ－ｋサンプリング供給電力情報乃至第ｔサンプリング供給電力情報を参照することで、第ｔ時点に需要家内で動作中の負荷を判別した負荷情報を出力させることができる。
参考までに、第ｔ－ｋ時点乃至第ｔ時点の間の時区間は６０秒であり得るが、これに限定されるわけではなく、６０秒よりも短い、または長い時区間であり得る。
一例として、積算電力装置１０００は、第ｔ－ｋ時点乃至第ｔ時点のそれぞれに対応する負荷推定モデルの第１入力レイヤ乃至第ｋ＋１入力レイヤのそれぞれに第ｔ－ｋサンプリング供給電力情報乃至第ｔサンプリング供給電力情報を入力することができる。
そして、積算電力装置１０００は、負荷推定モデルをもって第１入力レイヤ乃至第ｋ＋１入力レイヤのそれぞれに対応する第１ヒドゥンレイヤ乃至第ｋ＋１ヒドゥンレイヤのそれぞれを通じて（ｉ）第１入力レイヤ乃至第ｋ＋１入力レイヤから獲得される第ｔ－ｋサンプリング供給電力情報乃至第ｔサンプリング供給電力情報のそれぞれ及び（ｉｉ）直前のヒドゥンレイヤのそれぞれから獲得される第ｔ－ｋ直前入力情報乃至第ｔ直前入力情報のそれぞれを参照することで、第ｔ－ｋヒドゥン状態情報乃至第ｔヒドゥン状態情報を出力させることができる。
そして、積算電力装置１０００は、負荷推定モデルをもって第ｋ＋１ヒドゥンレイヤに対応する出力レイヤを通じて第ｔヒドゥン状態情報を参照することで、第ｔ時点に需要家内で動作中の負荷を判別した負荷情報を出力させることができる。
本発明の一実施例において、積算電力装置１０００は、短いサンプリング周期（例えば、１／６０秒）に応じて電力をサンプリングすることで生成されたサンプリング供給電力情報を利用して正確に負荷情報を出力し、予め設定された伝送周期（例えば、１０分）の間に出力された負荷情報と伝送周期の間の積算電力量情報とをデータ管理サーバ３０００に伝送することになる。
この際、伝送周期の間の積算電力量情報は、直前の伝送周期まで累積された電力量及び現在伝送周期の間に累積された電力量が合算された値に対する情報であり得る。しかし、本発明がこれに限定されるわけではなく、伝送周期の間の積算電力量情報は、現在の伝送周期の間に累積された電力量に対する情報であり得、これをデータ管理サーバ３０００に伝送することでデータ管理サーバ３０００をもって需要家の全体の積算電力量を演算させることができる。
即ち、積算電力装置１０００はサンプリング供給電力情報を利用してそれぞれのサンプリング周期における使用電力量を演算して、これを順次に積算することによって現在の伝送周期の間に需要家で使用された電力量を積算することができる。そして、積算電力装置１０００は、現在の伝送周期の間に積算された電力量を以前に積算されて累積された全体の電力量に合算して需要家の全体の積算電力量を演算することができる。
一例として、伝送周期が１０分に設定され、直前に伝送された積算電力量情報が１０ｋＷｈを示し、現在の周期でサンプリング電力情報を利用して積算された積算電力量は０．１ｋＷｈだとする場合、積算電力装置が、データ管理サーバに伝送することになる積算電力量情報は、現在まで累積された電力量の合計である１０．１ｋＷｈであり得る。しかし、本発明がこれに限定されるわけではなく、積算電力装置が（ｉ）現在の伝送周期の間に累積された電力量である０．１ｋＷｈに対する情報をデータ管理サーバ３０００に伝送することで、データ管理サーバ３０００をもって、需要家の以前の積算電力量１０ｋＷｈに、受信された０．１ｋＷｈを合算して需要家の積算電力量を１０．１ｋＷｈにアップデートして管理させることができる。
参考までに、積算電力量情報は、需要家内で動作中の負荷に対応する有効電力情報、無効電力情報及びサンプリング時点情報のうち少なくとも一部を含むことができる。
これに加えて、積算電力量情報には、積算電力装置１０００の状態に関する情報または力率情報がさらに含まれ得る。
この際、積算電力装置１０００は、ＰＬＣ方式を利用して積算電力量情報及び負荷情報をデータ管理サーバ３０００に伝送することができる。
例えば、積算電力装置１０００は、ＰＬＣ方式を利用して積算電力量情報及び負荷情報をデータ集中装置（ＤＣＵ）に伝送することで、データ集中装置をもって有／無線通信を通じて積算電力量情報及び負荷情報をデータ管理サーバ３０００に伝送するように支援することができる。
下記の表１は、積算電力装置１０００がＰＬＣ方式を利用して伝送する積算電力量情報及び負荷情報の例示である。
Figure 0007214283000002
そして、データ管理サーバ３０００は、積算電力量情報と負荷情報とを利用して需要家で消耗される電力情報をモニタリングすることができる。
図６は、データ管理サーバ３０００が積算電力量情報と負荷情報とを利用して需要家で消耗される電力情報を分析した結果を例として示した図面である。
図６を参照すると、（ｉ）需要家に供給される全体電力値（上から１番目のグラフ）及び（ｉｉ）全体電力値のうち需要家内の負荷に対応する個別電力値（上から２番目及び３番目のグラフ）を確認することができる。
従来には、電力供給者（データ管理サーバ）が負荷情報を得るために膨大な電力量情報を獲得し、獲得した電力量情報を分析する過程を経なければならなかったのに対し、本発明によると、電力供給者が膨大な電力量情報を獲得しなくても、負荷情報を獲得することができるという点で、本発明の負荷推定プロセスは、電力量情報を非常に効率的に圧縮するプロセスであると言える。
これにより、電力供給者は、積算電力装置１０００から莫大な量の電力量情報を獲得するための別途の通信ネットワークを構築しなくても、積算電力装置１０００に負荷推定モデルを含ませることによって、需要家内の負荷情報を獲得することができるようになる。
また、電力供給者は、獲得した負荷情報を分析して電力消費者のための様々なサービスを提供することができるようになる。
一例として、電力供給者は、獲得した負荷情報を分析して特定の需要家に対する負荷別エネルギー消費量情報を獲得し、該当情報を特定の需要家に提供することによって、特定の需要家をもって効率的に電気エネルギーを消費するように支援することができる。
他の例として、電力供給者は、獲得した負荷情報を参照することで課金をすることができる。
例えば、特定の需要家の負荷情報として、農業に利用される農業用負荷に関する第１負荷情報及び日常生活に利用される日常負荷に関する第２負荷情報が獲得されると、電力供給者は、農業用負荷によって発生する第１電力量及び日常負荷によって発生する第２電力量のそれぞれに対して、課金を異なるように適用することができる。
または、電力供給者は、特定の期間（例えば、夏）に使用頻度が高くなる負荷（例えば、エアコン）に関し、特定の期間に発生する第１電力量及び特定の期間以外の期間に発生する第２電力量のそれぞれに対して、課金を異なるように適用することができる。
他の例として、データ管理サーバ３０００は、獲得された負荷情報及び積算電力量情報を参照することで、特定の需要家の特定の負荷の故障による異常動作を判断し、特定の負荷に対する情報を特定の需要家の特定の使用者に伝達することができる。
このように、データ管理サーバ３０００は、積算電力量情報と負荷情報とを利用して需要家で消耗される電力情報をモニタリングすることで、電力消費者のための様々なサービスを提供することができるようになる。
さらに、電気エネルギーが無駄に消費されないようにして、電気エネルギーを生産するために必須的に排出される炭素の排出量を減少させることにより、地球温暖化を緩和することができるようになる。
また、以上にて説明された本発明による実施例は、多様なコンピュータの構成要素を通じて遂行することができるプログラム命令語の形態で具現されて、コンピュータ読取り可能な記録媒体に格納され得る。前記コンピュータ読取り可能な記録媒体はプログラム命令語、データファイル、データ構造などを単独で又は組み合わせて含むことができる。前記コンピュータ読取り可能な記録媒体に格納されるプログラム命令語は、本発明のために特別に設計され、構成されたものであるか、コンピュータソフトウェア分野の当業者に公知にされて使用可能なものであり得る。コンピュータ読取り可能な記録媒体の例には、ハードディスク、フロッピー（登録商標）ディスク及び磁気テープのような磁気媒体、ＣＤ－ＲＯＭ、ＤＶＤのような光記録媒体、フロプティカル・ディスク（Floptical Disk）のような磁気－光メディア（Magneto-Optical Media）、及びＲＯＭ、ＲＡＭ、フラッシュメモリなどのようなプログラム命令語を格納して遂行するように特別に構成されたハードウェア装置が含まれる。プログラム命令語の例には、コンパイラによって作られるもののような機械語コードだけでなく、インタープリターなどを使用してコンピュータによって実行される高級言語コードも含まれる。前記ハードウェア装置は、本発明による処理を実行するために一つ以上のソフトウェアモジュールとして作動するように構成され得、その反対も同様である。
以上にて本発明が具体的な構成要素などのような特定事項と限定された実施例及び図面によって説明されたが、これは本発明のより全般的な理解の一助とするために提供されたものであるに過ぎず、本発明が前記実施例に限られるものではなく、本発明が属する技術分野において通常の知識を有する者であれば、かかる記載から多様な修正及び変形が行われ得る。
従って、本発明の思想は、前記説明された実施例に限定されて定められてはならず、後述する特許請求の範囲だけでなく、本特許請求の範囲と均等または等価的に変形されたものすべては、本発明の思想の範囲に属するといえる。

Claims (18)

  1. ニューラルネットワーク基盤の負荷推定モデルを含む積算電力装置で負荷を推定する方法において、
    （ａ）前記積算電力装置が、分電盤の引込線を通じて需要家に供給される電力を予め設定されたサンプリングレートに応じてサンプリングすることでサンプリング供給電力情報を順次に生成する段階；
    （ｂ）前記積算電力装置が、前記サンプリング供給電力情報を前記負荷推定モデルに順次に入力することで、前記負荷推定モデルをもって順次に獲得される前記サンプリング供給電力情報のうち、第ｔ－ｋ時点乃至第ｔ時点の間の時区間に対応する第ｔ－ｋサンプリング供給電力情報乃至第ｔサンプリング供給電力情報を参照することで、前記第ｔ時点に前記需要家内で動作中の負荷を判別した負荷情報を出力させる段階；及び
    （ｃ）前記積算電力装置が、前記引込線を通じて前記需要家に供給される電力量を積算した積算電力量情報と前記負荷情報とをデータ管理サーバに伝送することで、前記データ管理サーバをもって前記積算電力量情報と前記負荷情報とを利用して前記需要家で消耗される電力情報をモニタリングするように支援する段階；
    を含み、
    前記データ管理サーバに伝送される前記負荷情報は、前記電力の使用または管理を制御するために、前記需要家に供給される前記電力の供給者及び前記需要家のうち少なくとも一部により使用されることを特徴とする、方法。
  2. 前記（ｂ）段階で、
    前記積算電力装置が、前記第ｔ－ｋ時点乃至前記第ｔ時点のそれぞれに対応する前記負荷推定モデルの第１入力レイヤ乃至第ｋ＋１入力レイヤのそれぞれに前記第ｔ－ｋサンプリング供給電力情報乃至前記第ｔサンプリング供給電力情報を入力することで、前記負荷推定モデルをもって（ｉ）前記第１入力レイヤ乃至前記第ｋ＋１入力レイヤのそれぞれに対応する第１ヒドゥンレイヤ乃至第ｋ＋１ヒドゥンレイヤのそれぞれを通じて（ｉ－１）前記第１入力レイヤ乃至前記第ｋ＋１入力レイヤから獲得される前記第ｔ－ｋサンプリング供給電力情報乃至前記第ｔサンプリング供給電力情報のそれぞれ及び（ｉ－２）直前のヒドゥンレイヤのそれぞれから獲得される第ｔ－ｋ直前入力情報乃至第ｔ直前入力情報のそれぞれを参照することで、第ｔ－ｋヒドゥン状態情報乃至第ｔヒドゥン状態情報を出力させ、（ｉｉ）前記第ｋ＋１ヒドゥンレイヤに対応する出力レイヤを通じて前記第ｔヒドゥン状態情報を参照することで、前記第ｔ時点に前記需要家内で動作中の前記負荷を判別した前記負荷情報を出力させることを特徴とする、請求項１に記載の方法。
  3. 前記（ａ）段階以前に、
    （ａ０）負荷推定モデル学習装置により学習用負荷推定モデルが学習されることによって前記学習用負荷推定モデルの最適化パラメータが生成された状態で、前記負荷推定モデル学習装置から前記最適化パラメータが獲得されると、前記積算電力装置が、前記負荷推定モデルの現在のパラメータを前記最適化パラメータにアップデートすることを特徴とする、請求項１に記載の方法。
  4. 前記（ａ）段階以前に、
    （ａ０１）前記負荷推定モデル学習装置が、学習用第ｔ－ｋ時点乃至学習用第ｔ時点に対応する電力パターンをサンプリングすることで生成される学習用第１サンプリング供給電力情報乃至学習用第ｋ＋１サンプリング供給電力情報を学習データとして前記学習用負荷推定モデルの学習用第１入力レイヤ乃至学習用第ｋ＋１入力レイヤに入力することで、前記学習用負荷推定モデルをもって（ｉ）前記学習用第１入力レイヤ乃至前記学習用第ｋ＋１入力レイヤのそれぞれに対応する学習用第１ヒドゥンレイヤ乃至学習用第ｋ＋１ヒドゥンレイヤのそれぞれを通じて（ｉ－１）前記学習用第１入力レイヤ乃至前記学習用第ｋ＋１入力レイヤから獲得される前記学習用第１サンプリング供給電力情報乃至前記学習用第ｋ＋１サンプリング供給電力情報のそれぞれ及び（ｉ－２）直前の学習用ヒドゥンレイヤのそれぞれから獲得される学習用第１直前入力情報乃至学習用第ｋ＋１直前入力情報のそれぞれを参照することで学習用第１ヒドゥン状態情報乃至学習用第ｋ＋１ヒドゥン状態情報を出力させ、（ｉｉ）前記学習用第ｋ＋１ヒドゥンレイヤに対応する学習用出力レイヤを通じて前記学習用第ｋ＋１ヒドゥン状態情報を参照することで、前記学習用第ｔ時点に学習用需要家内で動作中の学習用負荷を判別した学習用負荷情報を出力させ、前記学習用負荷情報及び前記学習用負荷情報に対応する原本正解（ＧＴ）負荷情報を参照することでクラシフィケーションロスを獲得し、前記クラシフィケーションロスをバックプロパゲーションすることによって前記学習用負荷推定モデルを学習する段階；
    をさらに含むことを特徴とする、請求項３に記載の方法。
  5. 前記（ｃ）段階で、
    前記積算電力装置がＰＬＣ（Power Line Communication）方式を利用して前記積算電力量情報及び前記負荷情報を前記データ管理サーバに伝送することを特徴とする、請求項１に記載の方法。
  6. 前記積算電力装置が、前記需要家内で動作中の負荷に対応する有効電力情報、無効電力情報及びサンプリング時点情報を含む前記積算電力量情報及び前記負荷情報を前記データ管理サーバに伝送することを特徴とする、請求項１に記載の方法。
  7. ニューラルネットワーク基盤の負荷推定モデルを含む積算電力装置において、
    インストラクションを格納する少なくとも一つのメモリ；及び
    前記インストラクションを実行するために構成された少なくとも一つのプロセッサを含み、
    前記プロセッサは、（１）分電盤の引込線を通じて需要家に供給される電力を予め設定されたサンプリングレートに応じてサンプリングすることでサンプリング供給電力情報を順次に生成するプロセス、（２）前記サンプリング供給電力情報を前記負荷推定モデルに順次に入力することで、前記負荷推定モデルをもって順次に獲得される前記サンプリング供給電力情報のうち、第ｔ－ｋ時点乃至第ｔ時点の間の時区間に対応する第ｔ－ｋサンプリング供給電力情報乃至第ｔサンプリング供給電力情報を参照することで、前記第ｔ時点に前記需要家内で動作中の負荷を判別した負荷情報を出力させるプロセス及び（３）前記引込線を通じて前記需要家に供給される電力量を積算した積算電力量情報と前記負荷情報とをデータ管理サーバに伝送することで、前記データ管理サーバをもって前記積算電力量情報と前記負荷情報とを利用して前記需要家で消耗される電力情報をモニタリングするように支援するプロセスを遂行し、
    前記データ管理サーバに伝送される前記負荷情報は、前記電力の使用または管理を制御するために、前記需要家に供給される前記電力の供給者及び前記需要家のうち少なくとも一部により使用されることを特徴とする積算電力装置。
  8. 前記プロセッサは、
    前記（２）プロセスで、
    前記第ｔ－ｋ時点乃至前記第ｔ時点のそれぞれに対応する前記負荷推定モデルの第１入力レイヤ乃至第ｋ＋１入力レイヤのそれぞれに前記第ｔ－ｋサンプリング供給電力情報乃至前記第ｔサンプリング供給電力情報を入力することで、前記負荷推定モデルをもって（ｉ）前記第１入力レイヤ乃至前記第ｋ＋１入力レイヤのそれぞれに対応する第１ヒドゥンレイヤ乃至第ｋ＋１ヒドゥンレイヤのそれぞれを通じて（ｉ－１）前記第１入力レイヤ乃至前記第ｋ＋１入力レイヤから獲得される前記第ｔ－ｋサンプリング供給電力情報乃至前記第ｔサンプリング供給電力情報のそれぞれ及び（ｉ－２）直前のヒドゥンレイヤのそれぞれから獲得される第ｔ－ｋ直前入力情報乃至第ｔ直前入力情報のそれぞれを参照することで、第ｔ－ｋヒドゥン状態情報乃至第ｔヒドゥン状態情報を出力させ、（ｉｉ）前記第ｋ＋１ヒドゥンレイヤに対応する出力レイヤを通じて前記第ｔヒドゥン状態情報を参照することで、前記第ｔ時点に前記需要家内で動作中の前記負荷を判別した前記負荷情報を出力させることを特徴とする、請求項７に記載の積算電力装置。
  9. 前記（１）プロセス以前に、
    前記プロセッサは、負荷推定モデル学習装置により学習用負荷推定モデルが学習されることによって前記学習用負荷推定モデルの最適化パラメータが生成された状態で、前記負荷推定モデル学習装置から前記最適化パラメータが獲得されると、前記負荷推定モデルの現在のパラメータを前記最適化パラメータにアップデートすることを特徴とする、請求項７に記載の積算電力装置。
  10. 前記（１）プロセス以前に、
    前記負荷推定モデル学習装置が、学習用第ｔ－ｋ時点乃至学習用第ｔ時点に対応する電力パターンをサンプリングすることで生成される学習用第１サンプリング供給電力情報乃至学習用第ｋ＋１サンプリング供給電力情報を学習データとして前記学習用負荷推定モデルの学習用第１入力レイヤ乃至学習用第ｋ＋１入力レイヤに入力することで、前記学習用負荷推定モデルをもって（ｉ）前記学習用第１入力レイヤ乃至前記学習用第ｋ＋１入力レイヤのそれぞれに対応する学習用第１ヒドゥンレイヤ乃至学習用第ｋ＋１ヒドゥンレイヤのそれぞれを通じて（ｉ－１）前記学習用第１入力レイヤ乃至前記学習用第ｋ＋１入力レイヤから獲得される前記学習用第１サンプリング供給電力情報乃至前記学習用第ｋ＋１サンプリング供給電力情報のそれぞれ及び（ｉ－２）直前の学習用ヒドゥンレイヤのそれぞれから獲得される学習用第１直前入力情報乃至学習用第ｋ＋１直前入力情報のそれぞれを参照することで学習用第１ヒドゥン状態情報乃至学習用第ｋ＋１ヒドゥン状態情報を出力させ、（ｉｉ）前記学習用第ｋ＋１ヒドゥンレイヤに対応する学習用出力レイヤを通じて前記学習用第ｋ＋１ヒドゥン状態情報を参照することで、前記学習用第ｔ時点に学習用需要家内で動作中の学習用負荷を判別した学習用負荷情報を出力させ、前記学習用負荷情報及び前記学習用負荷情報に対応する原本正解（ＧＴ）負荷情報を参照することでクラシフィケーションロスを獲得し、前記クラシフィケーションロスをバックプロパゲーションすることによって前記学習用負荷推定モデルを学習するプロセスをさらに遂行することを特徴とする、請求項９に記載の積算電力装置。
  11. 前記プロセッサは、
    前記（３）プロセスで、
    ＰＬＣ（Power Line Communication）方式を利用して前記積算電力量情報及び前記負荷情報を前記データ管理サーバに伝送することを特徴とする、請求項７に記載の積算電力装置。
  12. 前記需要家内で動作中の負荷に対応する有効電力情報、無効電力情報及びサンプリング時点情報を含む前記積算電力量情報及び前記負荷情報を前記データ管理サーバに伝送することを特徴とする、請求項７に記載の積算電力装置。
  13. 前記負荷情報の分析結果を参照して前記需要家に料金を異なるように賦課するために、前記データ管理サーバに伝送される前記負荷情報が前記電力の前記供給者により使用されることを特徴とする、請求項１に記載の方法。
  14. 前記データ管理サーバに伝送される前記負荷情報は、前記需要家のためのサービスを提供するために、前記電力の前記供給者により使用されることを特徴とする、請求項１に記載の方法。
  15. 前記データ管理サーバに伝送される前記負荷情報は、前記電力の使用を管理するために前記需要家により使用されることを特徴とする、請求項１に記載の方法。
  16. 前記負荷情報の分析結果を参照して前記需要家に料金を異なるように賦課するために、前記データ管理サーバに伝送される前記負荷情報が前記電力の前記供給者により使用されることを特徴とする、請求項７に記載の積算電力装置。
  17. 前記データ管理サーバに伝送される前記負荷情報は、前記需要家のためのサービスを提供するために、前記電力の前記供給者により使用されることを特徴とする、請求項７に記載の積算電力装置。
  18. 前記データ管理サーバに伝送される前記負荷情報は、前記電力の使用を管理するために前記需要家により使用されることを特徴とする、請求項７に記載の積算電力装置。
JP2022144147A 2021-10-15 2022-09-09 ニューラルネットワーク基盤の負荷推定モデルを含む積算電力装置で負荷を推定する方法及びこれを利用した積算電力装置 Active JP7214283B1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/502,879 2021-10-15
US17/502,879 US11403508B1 (en) 2021-10-15 2021-10-15 Method for estimating load by energy meter including load estimation model based on neural network and energy meter using the same

Publications (2)

Publication Number Publication Date
JP7214283B1 true JP7214283B1 (ja) 2023-01-30
JP2023059826A JP2023059826A (ja) 2023-04-27

Family

ID=82608496

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022144147A Active JP7214283B1 (ja) 2021-10-15 2022-09-09 ニューラルネットワーク基盤の負荷推定モデルを含む積算電力装置で負荷を推定する方法及びこれを利用した積算電力装置

Country Status (5)

Country Link
US (1) US11403508B1 (ja)
EP (1) EP4166951A1 (ja)
JP (1) JP7214283B1 (ja)
CN (1) CN115994606B (ja)
CA (1) CA3167167C (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702168B (zh) * 2023-05-19 2024-01-12 国网物资有限公司 供应端信息检测方法、装置、电子设备和计算机可读介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000292465A (ja) 1999-02-01 2000-10-20 Central Res Inst Of Electric Power Ind 電気機器モニタリングシステム及び動作異常警報システム
US20070185823A1 (en) 2005-07-28 2007-08-09 Dingguo Chen Load prediction based on-line and off-line training of neural networks
JP2018205953A (ja) 2017-06-01 2018-12-27 三菱電機株式会社 負荷推定装置及び負荷推定方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4084966B2 (ja) * 2002-07-05 2008-04-30 財団法人電力中央研究所 特定電気機器の動作状態推定方法及びシステム並びに電力需要家在室者の安否確認方法及びシステム
US9286582B2 (en) * 2009-06-22 2016-03-15 Johnson Controls Technology Company Systems and methods for detecting changes in energy usage in a building
US8983669B2 (en) * 2012-07-31 2015-03-17 Causam Energy, Inc. System, method, and data packets for messaging for electric power grid elements over a secure internet protocol network
CN105046327B (zh) * 2015-06-03 2017-07-18 王宝会 一种基于机器学习技术的智能电网信息系统及方法
US11144021B2 (en) * 2016-05-10 2021-10-12 Conectric, Llc Method and system for intelligently recommending control schemes optimizing peak energy consumption of built environment
US11159022B2 (en) * 2018-08-28 2021-10-26 Johnson Controls Tyco IP Holdings LLP Building energy optimization system with a dynamically trained load prediction model
CN110391662B (zh) * 2019-07-05 2023-03-24 Weri有限公司 电力系统负载侧调控装置、方法和负载调控系统
US11544632B2 (en) * 2019-11-27 2023-01-03 Oracle International Corporation Non-intrusive load monitoring using ensemble machine learning techniques
KR102272573B1 (ko) * 2019-11-28 2021-07-05 한국전자기술연구원 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법
CN112819307B (zh) * 2021-01-23 2023-08-18 西安交通大学 智能电网中基于负载监督的需求响应方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000292465A (ja) 1999-02-01 2000-10-20 Central Res Inst Of Electric Power Ind 電気機器モニタリングシステム及び動作異常警報システム
US20070185823A1 (en) 2005-07-28 2007-08-09 Dingguo Chen Load prediction based on-line and off-line training of neural networks
JP2018205953A (ja) 2017-06-01 2018-12-27 三菱電機株式会社 負荷推定装置及び負荷推定方法

Also Published As

Publication number Publication date
CA3167167C (en) 2023-10-03
CN115994606A (zh) 2023-04-21
US11403508B1 (en) 2022-08-02
CN115994606B (zh) 2024-01-09
CA3167167A1 (en) 2022-11-08
EP4166951A1 (en) 2023-04-19
JP2023059826A (ja) 2023-04-27

Similar Documents

Publication Publication Date Title
US11959653B2 (en) Cloud and edge integrated energy optimizer
AU2012344680B2 (en) Method and system for forecasting power requirements using granular metrics
US9577435B2 (en) Method and apparatus for managing demand response resources in a power distribution network
Scott et al. Residential demand response under uncertainty
Wang et al. A novel traversal-and-pruning algorithm for household load scheduling
Ruan et al. Time-varying price elasticity of demand estimation for demand-side smart dynamic pricing
Liu et al. Distribution system state estimation with high penetration of demand response enabled loads
Tang et al. A load control method for small data centers participating in demand response programs
US11293812B2 (en) Adaptive filter bank for modeling a thermal system
JP7214283B1 (ja) ニューラルネットワーク基盤の負荷推定モデルを含む積算電力装置で負荷を推定する方法及びこれを利用した積算電力装置
US20210025611A1 (en) Detecting diagnostic events in a thermal system
KR102350728B1 (ko) 뉴럴 네트워크 기반의 부하 추정부를 포함하는 적산 전력 장치
Song et al. Dynamic thermal line rating model of conductor based on prediction of meteorological parameters
Nematirad et al. Optimization of Residential Demand Response Program Cost with Consideration for Occupants Thermal Comfort and Privacy
US20240144004A1 (en) Trained Models for Discovering Target Device Presence
Liu et al. Learning task-aware energy disaggregation: a federated approach
Roozbehani et al. Robust and optimal consumption policies for deadline-constrained deferrable loads
Klaassen et al. Experimental validation of the demand response potential of residential heating systems
US20230206355A1 (en) Energy efficiency data collection service
Ledva et al. Disaggregating load by type from distribution system measurements in real time
KR20200053379A (ko) 스마트그리드를 위한 통신 방식 채택 방법 및 이를 수행하는 통신 정책 서버
US20240054322A1 (en) Targeted Energy Usage Device Presence Detection Using Multiple Trained Machine Learning Models
KR20190025144A (ko) 사용자의 전력 관리를 최적화하기 위한 시뮬레이션의 방법 및 이를 이용한 장치
Bajic et al. Local Cold Load Pick-up Estimation Using Customer Energy Consumption Measurements
Kianpoor et al. Home Energy Management System for a Residential Building in Arctic Climate of Norway Using Non-Intrusive Load Monitoring and Deep Learning

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220912

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20220912

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: 20221213

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230111

R150 Certificate of patent or registration of utility model

Ref document number: 7214283

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150