KR20150123253A - 생활 행동 추정 시스템, 생활 행동 추정 장치, 생활 행동 추정 프로그램, 및 기록 매체 - Google Patents

Abstract

개인의 생활 행동을 고려해서 EoD 시스템의 도입을 용이하게 할 수가 있다. 스마트 탭(11)으로부터 현재의 전력치를 수신하고, 현재의 전력치로부터 전기 기기의 이용 상태(q)를 추정(A)하며, 전 시각의 이용 상태(q)'와 다른 경우에는 이용 상태 변화를 이벤트로서 검출하고, 이벤트의 종류 e{q'→q}와 발생시각 et를 메모리(10)에 기억시킨다. 다음에, 전기 기기 기능 모델 테이블(1)(12b)과 이벤트 발생시각 et로부터의 경과 시간을 기초로 이벤트의 종류 e에 의한 생활 행동의 제1 중량 p(q'→q｜t, l)를 산출하고, 전기 기기 기능 모델 테이블(2)(12c)로부터 전기 기기의 현재의 이용 상태(q)에 대응하는 각 생활 행동에 대한 제2 중량 p(q｜l)을 취득하고, 제1 중량과 제2 중량을 곱셈한 적을 기초로, 전기 기기마다 해당 적의 합Wl을 산출하고, 전기 기기 마다의 적의 값의 합 Wl이 최대치로 되는 생활 행동 라벨을 시각 t의 생활 행동 라벨 lt로서 추정한다.

Description

생활 행동 추정 시스템, 생활 행동 추정 장치, 생활 행동 추정 프로그램, 및 기록 매체{LIFESTYLE BEHAVIOR ESTIMATION SYSTEM, LIFESTYLE BEHAVIOR ESTIMATION DEVICE, LIFESTYLE BEHAVIOR ESTIMATION PROGRAM, AND RECORDING MEDIUM}

본 발명은 유저가 하루하루의 생활을 통해 필요로 하는 생활의 질(Quality of Life: 이하, 「QoL」이라 함)을 손상시키지 않고서, 유저의 생활 행동을 고려해서 EoD 시스템의 도입을 용이하게 하는데 적합한 생활 행동 추정 시스템, 생활 행동 추정 장치, 생활 행동 추정 프로그램, 및 기록 매체에 관한 것이다.

종래, 가정이나 사무실의 에너지 관리를 실현하기 위한 온디맨드(On Demand)형 전력 제어 시스템이 알려져 있다. 이 시스템은, 공급자 주체의 "푸쉬형(push type)"의 전력 네트워크를 유저, 소비자 주도형의 "풀형(pull-type)"으로 180도 바꾸고자 하는 것이다.

이 시스템은 가정에서의 다양한 가정용 전기 기기 제품인 전기 기기의 전력 요구, 예컨대 에어콘이나 조명 등의 요구에 따라, 홈ㆍ서버(home server)가 「기기의 어느 요구가 가장 중요한가」라고 하는 것을, 유저의 이용 형태로부터 유추해서, 우선도가 높은 중요한 전기 기기로부터 전력을 공급하도록 제어, 즉 에너지 온 디맨드(Energy-on-Demand 제어)(이하, 「EoD 제어」라고 함)를 수행하는 시스템이다. 이하, 이 시스템을 「EoD 제어 시스템」이라고 칭한다. 이 EoD 제어 시스템은 쿄토 대학(Kyoto University)의 마츠야마 타카시(Takashi MATSUYAMA) 교수가 제창하고 있다.

상기 시스템을 이용하는 것에 의한 최대의 장점은 수요 측으로부터 에너지 절약, CO₂ 배출 삭감이 실현 가능하게 되는 것이다. 예컨대, 이용자가 미리 전기 기기 요금을 20% 삭감(cut)한다고 하는 지시를 홈ㆍ서버에 설정하면, EoD 제어에 의해 20% 삭감한 전력 밖에 흘리지 않는다고 하는 이용자 주체의 대응이 가능하게 되어, 에너지 절약, CO₂ 배출의 삭감이 실현될 수 있는 시스템이다.

한편, 전기 기기의 관리 방법인 홈ㆍ에너지ㆍ매니지먼트ㆍ시스템(HEMS)이 알려져 있다. 이 HEMS는, 예컨대 쿨러이면 바깥 기온이 낮은 경우에는 자동적으로 운전을 정지하는 등의 전기 기기의 제어 규칙을 설정해서 자동 제어를 수행하는 것이다. 이는 전기 기기의 이용 방법을 최적화하는 것에 의해 에너지 절약을 달성하는 것으로, 전기 기기의 사용 방법을 기초로 하고 있다.

이와 같은 종래 형태의 HEMS에서는 전기 기기의 사용 방법에 주목하고 있기 때문에, 각 전기 기기의 사용법의 변경에 의해 어느 만큼의 전력을 삭감할 수 있는가 하는 것은 고려하고 있지 않고, 또한 절전 요청을 만족할 수 있는 전력 삭감율을 보증하는 것도 불가능하다.

상기 EoD 제어에 관한 특허 문헌으로서 이하에 나타내는 「온 디맨드(On- Demand)형 전력 제어 시스템」(특허 문헌 1 참조)이 알려져 있다.

이 온 디맨드형 전력 제어 시스템은 상용 전원과, 복수의 전기 기기, 그 전기 기기에 접속되어 있는 스마트 탭, 메모리를 갖는 전기 기기의 전력의 공급 제어를 수행하는 동적 우선도 제어 장치, 및 해당 동적 우선도 제어 장치가 상기 스마트 탭을 매개로 접속하는 네트워크를 구비하여 구성되는 온 디맨드형 전력 제어 시스템으로, 동적 우선도 제어 장치가, 초기 목표치의 순시 전력과 실제의 순시 전력의 차이분을, 그 후의 초기 목표치의 순시 전력에 배분해서 갱신 초기 목표치를 계산하고, 그 갱신 초기 목표치를 최대 순시 전력과 비교하여, 해당 갱신 초기 목표치가 작다면, 그 후의 초기 목표치의 순시 전력을 갱신 초기 목표치로서 갱신하고, 크다면 상기 초기 목표치의 순시 전력을 최대 순시 전력으로 갱신해서 갱신 초기 목표치로 한다. 다음에, 스마트 탭으로부터 전력 요구 메시지를 수신한 시각에서, 해당 전력 요구 메시지를 송신한 전기 기기, 및 동작 중의 전기 기기의 소비 전력의 합계치를 계산하고, 전기 기기에 대한 전력의 공급 방법의 특성에 따라 분류한 전기 기기 특성 클래스 데이터(appliance characteristic class data)를 기초로 양자의 전기 기기의 우선도를 계산하고, 상기 소비 전력 합계치를 상기 갱신 초기 목표치와 비교하여, 해당 소비 전력 합계치가 작다면 상기 송신한 전기 기기에 전력을 공급하고, 크다면 상기 메모리로부터 상기 우선도를 호출해서 그 값이 최소인 전기 기기를 선택하고, 상기 전기 기기 특성 클래스 데이터를 참조해서, 해당 전기 기기가 상기 특성의 어느 쪽에 해당하는가를 판단해서, 해당 전기 기기의 해당하는 특성에 따라 전기 기기 간의 우선도를 기초로 조정한다.

이에 의해, 유저가 하루하루의 생활을 통해 필요로 하는 전기 기기나, 그 전기 기기의 사용 상태에 따라 전기 기기 간의 우선도를 변경할 수 있기 때문에, 필요한 타이밍에서 필요로 하는 전기 기기를 사용할 수 있다고 하는 이점을 가지고 있다.

또한, 전력의 관리 방법이라는 점에 특징이 있고, 그 때문에 전기 기기의 분류 방법도 전력 조정 방법에 기초한 분류를 수행하고, 또한 사용 전력의 상한을 보증하는 것과 같은 전력 조정 수단을 도입하는 것으로, 절전율이나 피크 삭감율을 보증할 수가 있다. 그 때문에 종래형의 HEMS 대신 온 디맨드형 전력 제어 시스템을 이용하면, 현재의 전력 수급이 엄격하다고 하는 문제에도 대처할 수 있다고 하는 이점을 가지고 있다.

선행 기술 문헌

특허 문헌

특허 문헌 1 : 국제 공개 제2013/008934호

상기한 바와 같이, 특허 문헌 1에 개시되어 있는 「온 디맨드형 전력 제어 시스템」에 있어서는, 전기 기기의 사용 상태에 따라 전기 기기 간의 우선도를 변경할 수 있기 때문에, 필요한 타이밍에서 필요로 하는 전기 기기를 사용할 수 있다. 또한, 사용 전력의 상한을 보증하는 것과 같은 전력 조정 수단을 도입하는 것으로, 절전율이나 피크 삭감율을 보증할 수가 있어 현재의 전력 수급이 엄격하다는 문제에도 대처할 수 있다.

그러나, 특허 문헌 1에 개시되어 있는 「온 디맨드형 전력 제어 시스템」에 있어서는, 유저가 시스템을 도입해서 사용한 후에만 절전 효과를 알기 때문에, 시스템의 도입에 앞서 절전 효과를 알 수 없다는 문제가 있었다.

또한, 유저의 생활 행동을 고려해서 시스템을 도입하는 것이 어렵다는 문제가 있었다.

여기서, 전기 기기의 소비 전력으로부터 생활 행동을 추정할 수 있고, 또한 전기 기기의 소비 전력을 시뮬레이션하는 것에 의해 사전에 효과를 검증할 수 있으며, 더욱이 개인의 생활 행동을 고려해서 EoD 시스템의 도입을 용이하게 하는 것이 갈망되고 있다.

본 발명은 상기한 점을 감안하여 발명된 것으로, 개인의 생활 행동을 고려해서 EoD 시스템의 도입을 용이하게 할 수 있는 생활 행동 추정 시스템, 생활 행동 추정 장치, 생활 행동 추정 프로그램, 및 기록 매체를 제공함에 그 목적이 있다.

상기 과제를 해결하기 위한 청구항 제1항에 기재된 발명은, 소정의 공간에 설치된 적어도 하나의 전기 기기와, 상기 전기 기기에 전력을 공급하는 스마트 탭, 상기 공간 내에 생활자의 생활 행동 중 전기 기기와 관련되는 이벤트를 추정하는 생활 행동 추정 장치, 및 상기 전기 기기와 상기 생활 행동 추정 장치를 상기 스마트 탭을 매개로 접속하는 네트워크를 구비하는 생활 행동 추정 시스템으로, 상기 생활 행동 추정 장치가, 상기 전기 기기로부터 수신한 전력치를 기초로 전기 기기의 이용 상태를 추정하는 전기 기기 이용 상태 추정 수단과, 어느 시점에서의 전기 기기의 이용 상태와 그 이전의 시점에서의 전기 기기의 이용 상태를 기초로 상기 공간 내의 이벤트 정보를 검출하는 이벤트 정보 검출 수단, 이벤트 발생시점으로부터의 경과 시간을 기초로, 전기 기기의 이용 상태의 변화와 생활 행동의 관계를 나타내는 제1 중량을 보유하는 제1 전기 기기 기능 모델 테이블로부터, 상기 이벤트 정보에 의한 생활 행동 마다의 제1 중량을 취득하는 제1 중량 취득 수단, 상기 전기 기기의 이용 상태를 기초로, 전기 기기의 이용 상태와 생활 행동의 관계를 나타내는 제2 중량을 보유하는 제2 전기 기기 기능 모델 테이블로부터 생활 행동 마다의 제2 중량을 취득하는 제2 중량 취득 수단, 상기 제 1 중량과 상기 제 2 중량을 곱셈한 적을 기초로 상기 전기 기기마다 해당 적의 합을 산출하는 전기 기기 중량 곱셈 수단, 및 상기 전기 기기 마다의 적의 합이 최대치로 되는 생활 행동을 상기 생활자의 실제의 생활 행동으로서 추정하는 생활 행동 추정 수단을 구비하여 구성되는 것을 특징으로 한다.

본 발명에 의하면, 생활 행동 추정 장치는, 전기 기기로부터 수신한 전력치를 기초로 전기 기기의 이용 상태를 추정하고, 어느 시점에 있어서의 전기 기기의 이용 상태와 그 이전의 시점에 있어서의 전기 기기의 이용 상태를 기초로 공간 내의 이벤트 정보를 검출하고, 이벤트 발생시점으로부터의 경과시간을 기초로 전기 기기의 이용 상태의 변화와 생활 행동의 관계를 나타내는 제1 중량(first weight)을 보유하는 제1 전기 기기 기능 모델 테이블로부터 상기 이벤트 정보에 의한 생활 행동 마다의 제1 중량을 취득하고, 전기 기기의 이용 상태를 기초로 전기 기기의 이용 상태와 생활 행동의 관계를 나타내는 제2 중량을 보유하는 제2 전기 기기 기능 모델 테이블로부터 생활 행동 마다의 제2 중량을 취득하고, 제1 중량과 제2 중량을 곱셈(勝算)한 적(積)을 기초로 전기 기기마다 해당 적의 합(sum of the products)을 산출하고, 전기 기기 마다의 적의 합이 최대치로 되는 생활 행동을 생활자의 실제의 생활 행동으로서 추정하므로, 전기 기기의 소비 전력으로부터의 생활 행동을 추정할 수 있어, 개인의 생활 행동을 고려해서 EoD 시스템의 도입을 용이하게 할 수가 있다.

도 1은 본 발명의 제1 실시 형태와 관계되는 생활 행동 추정 장치를 적용 가능한 EoD 제어 시스템의 통신 네트워크의 구성을 나타내는 개략도이다.
도 2는 도 1에 나타낸 EoD 제어 시스템(50)의 전력계 네트워크의 구성을 나타내는 개략도이다.
도 3은 가정 내의 콘센트에 접속된 ST로부터 기기의 배치 위치를 설명하는 설명도이다.
도 4는 상용 전원에 접속되어 벽에 배치된 콘센트, 스마트 탭(11) 및 기기의 접속 관계를 설명하는 설명도이다.
도 5는 후술하는 EoD 제어 시스템의 정보처리의 수행예, 및 실증 실험에서 사용된 모델 하우스의 방 배치(floor plan)를 나타내는 방 배치도이다.
도 6은 어느 집에에서 기기에 의해 사용된 소비 전력을 나타내는 그래프도이다.
도 7은 전기 기기에 의해 사용된 소비 전력을 적산(積算)한 소비 전력량을 나타내는 그래프도이다.
도 8은 본 발명의 원리를 설명하기 위한 생활 모델의 개요를 나타내는 도먼이다.
도 9는 본 발명의 원리에서 처리 개요를 나타내는 도면이다.
도 10은 본 발명의 원리에서 생활 행동 모델에 대해 설명하기 위한 도면이다.
도 11의 (a)는 종래의 앙케이트 조사 내용이고, (b)는 본 실시 형태에서 채용되는 앙케이트의 항목을 나타내는 도면이다.
도 12는 전기 기기의 전력 패턴에 대해 설명하기 위한 도면이다.
도 13은 개인 모델의 취득 방법에 대해 설명하기 위한 도면이다.
도 14는 전기 기기 기능 모델에 대해 설명하기 위한 도면이다.
도 15는 본 발명의 제1 실시 형태와 관련되는 생활 행동 추정 장치(1)의 구성에 대해 설명하기 위한 블럭도이다.
도 16은 본 발명의 제1 실시 형태와 관련되는 생활 행동 추정 장치(1)의 동작에 대해 설명하기 위한 플로우차트(플로우차트의 1)이다.
도 17은 전기 기기 기능 모델 테이블(1)의 구성에 대해 설명하기 위한 도면이다.
도 18은 전기 기기 기능 모델 테이블(2)의 구성에 대해 설명하기 위한 도면이다.
도 19는 전기 기기 기능 모델 테이블에 의한 생활 행동 추정 처리의 개요를 나타내는 도면이다.
도 20은 본 발명의 제1 실시 형태와 관련되는 생활 행동 추정 장치(1)의 구성에 대해 설명하기 위한 블럭도이다.
도 21은 본 발명의 제1 실시 형태와 관련되는 생활 행동 추정 장치(1)의 동작에 대해 설명하기 위한 플로우차트(플로우차트의 2)이다.
도 22는 전기 기기의 상태 천이를 나타내는 도면이다.
도 23의 (a) 및 (b)는 전기 기기 이용 상태 천이 확률 테이블(appliance use state transition probability tables)의 구성에 대해 설명하기 위한 도면이다.
도 24의 (a) 및 (b)는 이용 상태 지속 길이 확률 테이블(use state persistence length probability tables)의 구성에 대해 설명하기 위한 도면이다.
도 25의 (a) 및 (b)는 전기 기기 사용 빈도 테이블(appliance use frequency tables)의 구성에 대해 설명하기 위한 도면이다.
도 26의 (a) 내지 (d)는 전기 기기 사용 빈도 테이블의 구성에 대해 설명하기 위한 도면이다.
도 27은 생활 행동 추정 처리의 결과예를 나타내는 도면이다.
도 28은 생활 행동 추정 처리의 결과예를 나타내는 도면이다.
도 29는 소비 전력 시뮬레이션에 대해 설명하기 위한 처리 개요도이다.
도 30은 전기 기기 사용 모델에 대해 설명하기 위한 개요도이다.
도 31은 본 발명의 제2 실시 형태와 관련되는 생활 행동 추정 장치의 구성에 대해 설명하기 위한 블럭도이다.
도 32는 본 발명의 제2 실시 형태와 관련되는 생활 행동 추정 장치(1)의 동작에 대해 설명하기 위한 플로우차트이다.
도 33은 시뮬레이션에 의한 결과예를 나타내는 도면이다.
도 34는 시뮬레이션에 의한 결과예를 나타내는 도면이다.
도 35는 시뮬레이션에 의한 결과예를 나타내는 도면이다.
도 36은 시뮬레이션에 의한 결과예를 나타내는 도면이다.
도 37은 LAPC 모델의 구조를 나타내는 블럭도이다.
도 38은 평탄한(변화가 적은) 묘사의 예를 나타내는 모식도이다.
도 39는 LAPC 모델을 이용해서 각각의 전기 기기에 대해 각각의 시각(초)에서 전력 소비 패턴을 발생시키기 위한 플로우차트이다.
도 40은 각각의 전기 기기 상태의 종료에 의해 기간(period)을 절단(cut)하는 것을 나타내는 도면이다.
도 41은 연속하는 2개의 계속 시간의 사이에 존재하고 있는 의존 관계(dependent relationship)를 나타내는 도면이다.
도 42는 본 발명의 제3 실시 형태와 관련되는 생활 행동 추정 장치의 구성에 대해 설명하기 위한 블럭도이다.
도 43은 전기 기기 함수를 기초로 한 확률과 협력자(A)의 1일을 평가하기 위해 습득한 확률을 나타내는 도면이다.
도 44는 전기 기기가 배치된 집의 배치도를 나타내는 도면이다.
도 45의 (a) 내지 (c)는 협력자(A)의 1일의 생활 행동의 시퀀스를 나타내는 모식도이다.
도 46은 추정된 생활 행동에 대한 재현율(recall, 再現率), 적합율(precision, 適合率) 및 F치(F-measure, Ｆ値)를 나타내는 도면이다.
도 47의 (a) 내지 (c)는 협력자(A)의 제1 일의 실제 및 생성된 전력 소비 패턴을 나타내는 도면이다.

이하, 본 발명의 실시 형태에 대해 예시도면을 참조해서 설명한다.

도 1을 참조해서 본 발명의 실시 형태와 관계되는 생활 행동 추정 시스템에 적용 가능한 EoD 제어 시스템의 통신 네트워크의 구성을 설명한다.

도 1은 본 발명의 제1 실시 형태와 관계되는 생활 행동 추정 장치를 적용 가능한 EoD 제어 시스템의 통신 네트워크의 구성을 나타내는 개략도이다. EoD 제어 시스템(50)은 사무실 및 가정에 설치되어 있고, 생활 행동 추정 장치(1), 스마트 탭(11), 가정용 또는 사무실용 전기 기기 제품인 전기 기기(20)(이하, 간단히 「기기」라고 함), 및 전력 제어 장치(30)로 구성되어 있다. 상기 생활 행동 추정 장치(1)에는 LAN(Local Area Network)을 매개로 스마트 탭(11)(이하, 「ST」라고 함)에 유선 또 무선 LAN으로 접속되어 있다. LAN는 본 발명의 일례로서, 이에 한정되는 것이 아니고, 본 발명은 WiFi, PLC, ZigBee, 특정 소전력 무선 등의 네트워크를 매개로 ST에 접속하여도 된다. 그 ST에는 각 기기의 전원 콘센트를 매개로 접속되어 있다. 따라서, 상기 ST는 LAN를 매개로 상기 생활 행동 추정 장치(1)와 통신이 가능하다.

상기 생활 행동 추정 장치(1)는 범용의 서버로서, CPU(1a)를 포함한다. 그 생활 행동 추정 장치(1)에는 내부에 메모리(10)(이하, 간단히 「메모리」라고 함)가 구비되어 있고, 직접 판독가능/기록가능(readable/writable)한 하드 디스크나 RAM 등의 반도체 기억장치이다.

상용 전원으로부터의 전력은 전력 제어 장치(30)를 매개로 생활 행동 추정 장치(1) 및 각 기기(20)에 공급된다.

또한, EoD 제어 시스템(50)의 설치 장소로서 일반 가정을 설명하지만, 이것으로 한정하는 것은 아니고 사무실 등의 ST을 설치할 수 있는 장소이면 어느 장소이어도 된다. 그리고, 본 발명의 EoD 제어 시스템의 ST로서 전원 콘센트에 접속하는 외부부착 타입을 설명하지만, 이것으로 한정하는 것은 아니고, 전원 콘센트에 매립 또는 내장 타입이어도 된다.

도 2는 도 1에 나타낸 EoD 제어 시스템(50)의 전력계 네트워크의 구성을 나타내는 개략도이다.

도 1을 참조하여 설명한 바와 같이, EoD 제어 시스템(50)은 전력 제어 장치(30)를 포함하고, 이 전력 제어 장치(30)에는 상용 전원(32)이 접속되어 있다. 또한, 전력 제어 장치(30)는, 예컨대 복수의 브레이커(breakers)(도시하지 않음)에 의해 구성되고, 하나의 메인 브레이커(main breaker)와 복수의 서브 브레이커(sub breakers)를 포함한다. 상용 전원(32)으로부터의 전력(교류 전압)은 메인 브레이커의 1차 측에 제공되고, 메인 브레이커의 2차측으로부터 복수의 서브 브레이커로 분배된다. 단. 상용 전원(32)은 상용 전류를 공급/정지하기 위한 스위치(도시하지 않음)를 매개로 메인 브레이커의 1차 측에 접속된다. 이 스위치는 생활 행동 추정 장치의 절환 신호(switch signal)로 온/오프(On/Off)된다.

또한, 상기한 생활 행동 추정 장치(1) 및 복수의 기기(20)은 전력 제어 장치(30)의 출력 측, 즉 서브 브레이커의 2차 측에 접속된다. 도시는 생략 하지만, 생활 행동 추정 장치(1)는 자신에게 설치되는 삽입 플러그(attachment plug)를 벽 소켓(wall socket) 등에 삽입하는 것에 의해 전력 제어 장치(30)로부터의 전력을 수급 가능하게 접속되고, 복수의 기기는 상기 ST가 삽입 플러그인 입력 콘센트와 출력 콘센트를 갖추고 있다. 해당 입력 콘센트로부터 상용 전원(32)의 전력이 보내져서 상기 출력 콘센트에 접속되는 복수의 기기의 콘센트를 매개로 복수의 기기에 전력이 수급 가능하게 접속되어 있다.

상기한 바와 같이, EoD 제어 시스템에는 도 2에 나타내는 전력 네트워크뿐만 아니라 도 1에 나타낸 통신 네트워크도 구축되어 있다.

도 3은 가정 내의 콘센트에 접속된 ST로부터 기기의 배치 위치를 설명하는 설명도이다.

도 3을 참조하면, 집(200)은, 예컨대 거실(200A), 일본식 방(200B), 서양식 방(200C, 200D)으로 구성되어 있다. 거실(200A) 및 일본식 방(200B)은 1층에 배치되어 있고, 서양식 방(200C, 200D)은 2층에 배치되어 있다. 도 3이 나타내는 바와 같이, 벽에 설치된 콘센트에는 각각 ST가 접속되어 있다. 예컨대, 거실(200A)의 벽에 설치된 콘센트에는 5개의 ST가, 일본식 방(200B)의 벽에 설치된 콘센트에는 2개의 ST가, 서양식 방(200C)의 벽에 설치된 콘센트에는 2개의 ST가, 서양식 방(200D)의 벽에 설치된 콘센트에는 2개의 ST가 접속되어 있다. 이상과 같이, 모든 기기는 ST를 매개로 전원과 연결되어 있다.

도 4는 상용 전원에 접속되어 벽에 배치된 콘센트, 스마트 탭(11) 및 기기의 접속 관계를 설명하는 설명도이다. 도 4를 참조하면, 기기인 냉장고(201)는 삽입 플러그를 구비하는 콘센트(202)와, 배선(203)으로 구성되어 있고, 냉장고(201)의 콘센트(202)가 상기 ST의 출력 콘센트(114)에서 착탈된다. 벽(40)에는 콘센트(41)가 배치되고 있고, 이 콘센트(41)의 삽입구(insertion port; 411)는 가정 내의 전력 계통을 매개로 상용의 전력이 공급된다. 삽입 플러그인 입력 콘센트(113)가 상기 삽입구(411)에서 착탈된다.

도 5는 후술하는 EoD 제어 시스템의 정보처리의 수행예, 및 실증 실험에서 사용된 모델 하우스의 방 배치를 나타내는 방 배치도이다.

상기 모델 하우스는 1LDK 타입(one-bedroom type house)으로, 도면에 기재된 번호는 표 1에 나타내는 기기의 명칭과 그 기기의 스위치가 설치되어 있는 장소를 나타내고 있고, 도면에 기재된 ST는 스마트 탭(11)이 배치되고 있는 장소를 나타내고 있다. 5개의 ST가 배치되어 있다.

id	name	id	name	id	name
1	TV	12	거실 조명	30	목욕탕 조명 및 팬
2	에어컨	13	부엌 조명 1	40	전기 카펫
4	포트	15	복도 조명	41	히터
5	커피 메이커	16	세면대 조명	42	라우터
6	나이트 스탠드	17	화장실 조명 및 팬	43	비디오
7	밥솥	18	워시렛(Washlet)	44	IH
8	냉장고	20	공기 청정기	45	배터리 충전기
9	전자레인지	21	진공 청소기	46	노트북 PC
10	세탁기	22	드라이어
11	거실 조명과 부엌 조명 2	24	전동 칫솔

ST의 구조에 관해서는, 기술한 바와 같이, 전압ㆍ전류 센서, 반도체 릴레이, 지그비(ZigBee) 모듈 및 이들 전체의 제어나 내부 처리를 수행하는 마이크로컴퓨터로 구성되어 있다. 이 마이크로컴퓨터는 상기 전압ㆍ전류 센서에 의해 계측한 전류ㆍ전압 파형으로부터, 소비 전력의 계산을 수행함과 더불어 전압ㆍ전류 파형의 특징을 나타내는 소수의 특징량으로부터 전기 기기를 특정하고 있다. 그리고, EoD 제어 시스템이 수신하는 데이터는, 상기 ST가 마이크로컴퓨터를 이용해서 0.5초 간격으로 계산한 소비 전력을 스마트 탭의 내부에 설치된 메모리에 매 주기(1회/60초)의 데이터로서 보유하고 복수의 패킷으로 분할해서 서버에 송신하는 소비 전력과, 각 기기(20)이 전력을 요구하는 경우에 ST로부터 송신되는 전력 요구 메시지인 2개의 데이터이다.

도시하지 않지만, 생활 행동 추정 장치(1)는 프로그램 기억 영역 및 데이터 기억 영역의 메모리를 갖추고 있다. 프로그램 기억 영역에는 통신 처리 프로그램, 생활 행동 추정 프로그램 등의 프로그램이 기억되어 있다. 데이터 기억 영역에는 기기 특성 클래스 데이터(device characteristic class data), 메시지 데이터(message data) 등이 기억되어 있다.

도 6은 어느 집에서 기기에 의해 사용된 소비 전력의 그래프를 나타내는 도면이다.

도 6에 있어서 종축이 전력(W)을, 횡축이 시간을 나타내고 있고, 이 그래프는 1일에 있어서 10분 간격으로 소비하는 소비 전력을 나타내고 있다. 또한, 지금까지 이 전력을 소비 전력으로 칭하고 있었지만, 일반적인 「소비 전력」과 다른 의미이므로, 이하에 「순시 전력(instantaneous power)」이라는 정의된 용어를 이용한다. 이 순시 전력은 최소 제어 간격 τ(5 내지 10분)의 간격에서 상기 소비 전력을 합산한 합계치를 평균한 소비 전력을 의미하고 있다.

상기 그래프는 낮 시간대에는 전력이 사용되지 않고, 오후 8시부터 오전 1시의 시간대에 전력이 사용되고 있고, 그 사이의 순시 전력의 값이 1900W로 높은 것을 알 수 있다.

도 7은 종축이 소비 전력량(KWh)을, 횡축이 시간을 나타내고 있고, 이 그래프는, 1일에 있어서 10분 간격으로 순시 전력의 적산량인 소비 전력량을 나타내고 있으며, 그 값은 10.0KWh이다.

일본의 1가구의 1개월 당 소비 전력량이 300KWh이고, 1일 당으로는 약 10.0KWh이며, 도 7의 소비 전력량은 1가구의 1개월 당의 소비 전력량과 같음을 나타내고 있다. 또한 지금까지, 이 전력의 적산량을 소비 전력량이라고 부르고 있었지만, 상기 순시 전력이 일반적인 「소비 전력」과 다른 의미로 이용되고 있으므로, 이 소비 전력량은 일반적인 것과는 다른 의미로 되어, 이하에서 「적산 전력량(積算電力量)」이라는 정의된 용어로 이용되므로 유의되어야 한다.

본 발명의 원리를 설명하기 위한 전체적인 모델에 대해 설명한다.

먼저, 도 8을 참조해서 전체의 모델 개요에 대해 설명한다.

생활 행동 추정 장치에 대해서는 제1 및 제2 실시 형태에서 상세하게 설명한다.

먼저, 도 9에 나타내는 처리 개요도에 대해 설명한다.

도 9에는 전기 기기의 소비 전력을 기초로 생활 행동 추정 처리로부터 소비 전력 예측 처리에 대한 개략적인 처리 플로우를 나타내고 있다.

개인의 생활에 대해서는, 예컨대 취사와 같은 생활 행동을 하고 있다.

제1 실시 형태에서는, 생활 행동 추정 장치에 의해, 온라인으로 개인(생활자)이 사용하고 있는 전기 기기의 전력 소비 패턴을 실시간으로 취득하는 것으로, 전기 기기 상태 계열(ON/OFF 상태, 강/약 상태 등)을 추정하고, 이어서, 다음에 사용할 것과 같은 전기 기기를 추정한다.

제2 실시 형태에서는 생활 행동 추정 장치에 의해 생활 공간 내에서의 생활자의 생활 행동을 추정하기 위한 앙케이트 정보를 이용하고, 다음 이용 상태의 확률 분포에 따라 전력치를 나타내는 전력 소비 패턴을 생성한다.

다음에, 도 10을 참조해서 생활 행동 모델에 대해 설명한다.

개인의 생활 행동에서는 개인의 의식으로서 의미를 부여할 수 있는 것과 같은 생활상의 행동의 종류에는, 예컨대, 「취사」, 「세탁」, 「텔레비젼ㆍ비디오 감상」등이 있고, 그것들에 대해 「언제」, 「어느 정도의 길이」라는 시간적인 파라미터가 부수한다.

여기서, 「취사」, 「세탁」, 「텔레비젼ㆍ비디오 감상」등의 생활 행동명을 생활 행동 라벨 I_i로 하고, 개시시각을 t_i ^start로 하며, 종료시각을 t_i ^end로 하면, i번째의 생활 행동 I_i ^L은,

로 된다.

다음에, 도 11을 참조해서 생활 행동 모델에 대해 설명한다.

도 11의 (a)는 일본 방송협회 NHK가 수행한 국민 생활 시간 조사에 대한 앙케이트 조사 내용으로, 이 중의 항목에는 생활 환경으로부터 멀어진 외출 중의 사항까지 포함되어 있다.

이에 대해, 본 실시 형태에서 채용되는 앙케이트에서는 도 11의 (b)에 나타낸 바와 같이, 앙케이트 항목으로서 「수면」, 「식사」, 「취사」 등의 생활 환경에서의 기본적인 개인의 행동으로 하고, 생활 환경으로부터 멀어진 경우를 외출로서 취급하는 것으로 하고 있다.

다음에, 도 12를 참조해서 전기 기기의 전력 패턴에 대해 설명한다.

전기 기기의 전력 변동 모델에 대해서는 전기 기기의 전력 데이터를 복수의 이산 상태로서 취급하면서 전기 기기가 있는 기간 내에서 연속해서 사용되기 때문에 연속시간 시스템으로서 취급한다.

상세하게는, 어느 전기 기기의 동작 모드 qi에 지속 시간 τ를 부가한 시간 구간 ＜qi,τi＞로서 나타낸다.

＜qi,τi＞→＜qj,τj＞

다음에, 전기 기기 관계 모델에 대해 설명한다.

실생활에 있어서 개인의 생활 행동과 전기 기기의 관계를 나타내는 전기 기기 관계 모델에서는, 일반적인 특징 표현으로서 전기 기기 기능 모델을 고려한다. 이 전기 기기 기능 모델에서는 전기 기기의 기능으로서 어떤 생활 행동과 관계가 있는가라는 사전 지식이 필요하게 된다. 이 때문에, 개인의 생활 행동 인식이 불가결하다.

개인성의 표현으로서, 전기 기기 사용 모델에 있어서, 개인의 생활 행동이 특징지우는 개인의 생활 행동과 전기 기기의 사용법의 대응을 학습하는 것으로, 전력 패턴을 생성하여 사용되는 전기 기기를 예측한다.

다음에, 도 13을 참조해서 개인 모델(전기 기기 기능 모델 이외의 테이블)의 취득 방법에 대해 설명한다.

전기 기기의 사용 확률 P를,

로 정의한다. 여기서, Ua는 전기 기기(a)를 사용하고 있는 경우를 1, 사용하고 있지 않는 경우를 0으로 정의한다. 생활 행동 라벨이 1인 경우에, 어느 정도의 빈도로 전기 기기(a)를 사용하는가를 확률로 나타낸다.

＜제1 실시 형태＞

본 발명의 제1 실시 형태와 관련되는 생활 행동 추정 시스템에 대해 설명한다.

다음에, 도 14에 나타내는 전기 기기 기능 모델에 대해 설명한다.

전기 기기 기능 모델은 전기 기기의 기능성으로부터 결정되는 개인의 생활 행동에 대해서 어떻게 전기 기기가 사용될 수 있는지를 나타내는 것으로, 사전 지식으로서 갖고 있는 것으로 한다.

여기서, 생활 행동 라벨 세트 l, 전기 기기 세트 a, 전기 기기 상태 세트 q^a를 각각,

로 하면, 확률 P₀는,

로 된다.

전기 기기 기능 모델에서는, 도 14에 나타낸 바와 같이, 개인의 생활에 대해 어느 전기 기기가 동작 상태에 있을 때 어떠한 생활 행동을 하고 있는지를 나타낸다. 예컨대, 텔레비젼의 전원을 ON 했을 경우, 취미 오락 TV의 확률이 1, 휴식의 확률이 0.5, 취사의 확률이 0.5, 청소의 확률이 0.5 등으로 된다.

다음에, 전기 기기 사용 모델에 대해 설명한다.

전기 기기 사용 모델에 있어서 전기 기기의 사용 확률 P는,

로 정의한다.

여기서, Ua는 전기 기기(a)를 사용하고 있는 경우를 1, 사용하고 있지 않는 경우를 0으로 정의한다. 생활 행동 라벨이 l인 경우에, 어느 정도의 빈도로 전기 기기(a)를 사용하는지를 사용 확률 P로서 나타낸다.

한편, 전기 기기의 공헌도 C(a｜l_i)는 개인의 생활 행동으로 취해서, 그 전기 기기(a)가 어느 정도 특징적인가를 나타내고 있고,

로 나타낸다.

도 15에 나타내는 기능 블럭도를 참조해서 본 발명의 제1 실시 형태와 관련되는 생활 행동 추정 장치(1)의 구성에 대해 설명한다.

생활 행동 추정 장치(1)는 CPU(1a)에 의해 실행되는 프로그램인 소프트웨어 모듈로 이루어지는 전기 기기 이용 상태 추정부(1b), 제1 중량 취득부(1d), 제2 중량 취득부(1e), 전기 기기 중량 곱셈부(1f), 생활 행동 추정부(1g)로 구성된다. 각 부는 동작 중에 메모리(10)를 작업 영역(work area)으로 하여 데이터의 판독/기록을 수행한다.

또한, 데이터베이스(12)는, 예컨대 하드 디스크(HDD) 상에 기억되어 있는 전기 기기 기능 모델 테이블(1)(12b), 전기 기기 기능 모델 테이블(2)(12c)로 구성되어 있다.

전기 기기 이용 상태 추정부(1b)는 스마트 탭(11) 및 네트워크를 매개로 복수의 전기 기기로부터 수신한 전력치를 기초로 전기 기기 마다의 이용 상태를 추정한다.

이벤트 정보 검출부(1c)는, 현재의 전기 기기 마다의 이용 상태와 전 시각의 전기 기기 마다의 이용 상태를 기초로, 생활 공간 내의 생활 행동을 나타내는 이벤트 종류(이벤트 정보)를 검출한다.

제1 중량 취득부(1d)는, 전기 기기의 이용 상태의 변화와 생활 행동의 관계를 나타내는 제1 중량을 보유하는 전기 기기 기능 모델 테이블(1)(12b)과 이벤트 발생시각으로부터의 경과 시간를 기초로, 이벤트 종류에 의한 생활 행동 마다의 제1 중량을 산출한다.

제2 중량 취득부(1e)는, 전기 기기 마다의 현재의 이용 상태를 기초로, 전기 기기의 이용 상태와 생활 행동의 관계를 나타내는 제2 중량을 보유하는 전기 기기 기능 모델 테이블(2)(12c)로부터 생활 행동 마다의 제2 중량을 취득한다.

전기 기기 중량 곱셈부(1f)는, 제1 중량과 제2 중량을 곱셈한 적을 기초로, 전기 기기마다 해당 적의 합을 산출한다. 생활 행동 추정부(1g)는 전기 기기 마다의 적의 합이 최대치로 되는 생활 행동을 생활자의 실제의 생활 행동으로서 추정한다.

다음에, 도 16에 나타내는 플로우차트를 참조해서 도 15에 나타내는 생활 행동 추정 장치(1)의 동작(그의 1)에 대해 설명한다.

먼저, 단계 S5에서는, 전기 기기 이용 상태 추정부(1b)가 스마트 탭(11)으로부터 현재의 전력치를 수신해서 메모리(10)에 기억시킨다.

다음에, 단계 S10에서는, 전기 기기 이용 상태 추정부(1b)가 현재의 전력치로부터 전기 기기의 이용 상태(q)를 추정(A)해서 메모리(10)에 기억시킨다.

다음에, 단계 S15에서는, 이벤트 정보 검출부(1c)가 메모리(10)로부터 판독한 전 시각의 이용 상태(q')와 다른지의 여부를 판단한다. 전 시각의 이용 상태(q')와 다른 경우에는 단계 S20으로 진행하고, 한편 전 시각의 이용 상태(q')와 같은 경우에는 단계 S25으로 진행한다.

다음에, 단계 S20에서는, 이벤트 정보 검출부(1c)가 이용 상태 변화를 이벤트로서 검출해서, 이벤트의 종류 e{q'→q}와 발생시각 et를 메모리(10)에 기억시킨다.

다음에, 도 17을 참조해서 전기 기기 기능 모델 테이블(1)의 구성에 대해 설명한다.

전기 기기 기능 모델 테이블(1)(12b)은 전기 기기의 이용 상태의 변화(예컨대, 전원 스위치를 투입하는 등)와 생활 행동의 관계를 나타내고 있고, 예컨대 제1 중량 「0」을 관계가 없는 것으로서 나타내고, 제1 중량 「1」을 관계가 강한 것으로서 나타낸다.

상세하게는, 전기 기기 기능 모델 테이블(1)(12b)에는 항목으로서 전기 기기, 전 상태→다음 상태, 취사, 세탁, 오락, 학습 등의 생활 행동이 기재되어 있다. 예컨대, 거실 조명이 오프→온으로 된 경우, 오락 및 학습 등의 생활 행동의 중량치를 0.5로서 설정하고 있다. 한편, 거실 조명이 온→오프로 된 경우, 취사의 생활 행동의 중량치를 0.5로서 설정하고 있다.

단계 S25에서는, 제1 중량 취득부(1d)가, 이벤트 발생시각 et로부터의 경과 시간을 기초로, 전기 기기 기능 모델 테이블(1)(12b)로부터 이벤트의 종류(e)에 의한 생활 행동의 제1 중량 p(q'→q｜t, l)를 취득해서 메모리(10)에 기억시킨다.

구체적으로는, 제1 중량 취득부(1d)는, 전 시각의 이용 상태(q')와 다른 경우에, 이벤트 발생시각 et로부터의 경과 시간을 기초로, 예컨대 거실 조명이 오프→온으로 된 경우, 취사, 세탁, 오락, 학습 등의 생활 행동의 중량치를 각각 0, 0, 0.5, 0.5,ㆍㆍㆍ로서 취득해서 메모리(10)에 기억시킨다.

다음에, 도 18을 참조해서 전기 기기 기능 모델 테이블(2)의 구성에 대해 설명한다.

전기 기기 기능 모델 테이블(2)(12c)에서는 전기 기기의 이용 상태(약, 중, 강)와 생활 행동의 관계를 나타내고 있고, 예컨대 제2 중량 「0」을 관계가 없는 것으로 나타내고, 제2 중량 「1」을 관계가 강한 것으로서 나타낸다. 이와 같이, 전기 기기 기능 모델 테이블(2)(12c)에서는 개인의 생활에 대해 어느 전기 기기가 동작 이용 상태에 있을 때 어떠한 생활 행동을 하고 있는지를 나타낸다.

상세하게는, 전기 기기 기능 모델 테이블(2)(12c)에는, 항목으로서 전기 기기, 전 상태→다음 상태, 취사, 세탁, 오락, 학습 등의 생활 행동이 기재되어 있다. 예컨대, 거실 조명이 밝은 경우의 각각의 중량은, 취사가 0.2, 세탁이 0.2, 오락이 0.8, 학습이 0.8 등으로 설정되어 있다.

단계 S30에서는, 제2 중량 취득부(1e)가 전기 기기 기능 모델 테이블(2)(12c)로부터 전기 기기의 현재의 이용 상태(q)에 대응하는 각 생활 행동에 대한 제2 중량 p(q｜l)를 취득해서 메모리(10)에 기억시킨다.

구체적으로는, 제2 중량 취득부(1e)는, 전기 기기의 현재의 이용 상태(q)를 기초로, 예컨대 거실 조명이 밝은 경우, 취사, 세탁, 오락, 학습 등의 생활 행동의 중량치를 각각 0.2, 0.2, 0.8, 0.8,ㆍㆍㆍ로 취득해서 메모리(10)에 기억시킨다.

도 19에 나타내는 전기 기기 기능 모델 테이블(12b)에 의한 생활 행동 추정 처리의 개요도에 대해 설명한다.

생활 행동을 인식하는 경우, 이벤트 전기 기기의 조작마다, 생활 행동에 관계하는 확률을 전기 기기 기능 모델로부터 최대우도법(maximum likelihood manner)으로 추정한다. 예컨대 1분부터 수 분의 시간폭 τ를 설정하고, 이 시간폭 τ 내에 들어가는 생활 행동 라벨 1마다 동작 중으로 되는 전기 기기(a)에 대해 중량(p)을 부여해 두고, 그들 합의 최대치를 갖는 생활 행동을 생활 행동으로 특정한다.

단계 S35에서는, 전기 기기 중량 곱셈부(1f)가, 제1 중량과 제2 중량을 곱셈한 적을 기초로, 모든 전기 기기에 대해서 생활 행동 1에 대한 적의 합(W1)을 산출한다.

W1=Σp(q｜1)×p(q'→q｜t, 1)

로부터 계산해서 메모리(10)에 기억시킨다.

즉, 전기 기기 중량 곱셈부(1f)는 단계 S30에서 취득한 전기 기기의 현재의 이용 상태(q)에 대응하는 각 생활 행동에 대한 제2 중량 p(q｜1)를 메모리(10)로부터 판독한다. 예컨대, 거실 조명이 밝은 경우, 취사, 세탁, 오락, 학습 등의 생활 행동의 중량치 0.2, 0.2, 0.8, 0.8,ㆍㆍㆍ를 각각 메모리(10)로부터 판독한다.

다음에, 전기 기기 중량 곱셈부(1f)는 단계 S25에서 산출한 이벤트의 종류(e)에 의한 생활 행동의 제1 중량 p(q'→q｜t, l)를 메모리(10)로부터 판독한다. 예컨대, 거실 조명이 오프→온으로 된 경우, 취사, 세탁, 오락, 학습 등의 생활 행동의 중량치 0, 0, 0.5, 0.5,ㆍㆍㆍ를 각각 메모리(10)로부터 판독한다.

다음에, 전기 기기 중량 곱셈부(1f)는 각각 전력 기기마다 곱셈하고, 얻어진 적의 값을 기초로, 전기 기기마다 해당 적의 합(W1)을 산출하여 메모리(10)에 기억시킨다.

구체적으로는, 거실 조명이 오프→온으로 된 경우, 제1 중량은 취사, 세탁, 오락, 학습 등의 생활 행동에 대해 각각 0, 0, 0.5, 0.5,ㆍㆍㆍ, 거실 조명이 밝은 경우, 제2 중량은 취사, 세탁, 오락, 학습 등의 생활 행동에 대해 각각 0.2, 0.2, 0.8, 0.8,ㆍㆍㆍ이므로, 전기 기기 중량 곱셈부(1f)에 의해 곱셈된 적의 값은 거실 조명에 대해, 취사, 세탁, 오락, 학습 등의 생활 행동에 있어서 각각 0, 0, 0.4, 0.4,ㆍㆍㆍ로 된다.

다음에, 전기 기기 중량 곱셈부(1f)는 상기 거실 조명에 대한 곱셈과 마찬가지로 세탁기, 텔레비젼, 드라이어 등의 전기 기기에 대해서도, 취사, 세탁, 오락, 학습 등의 생활 행동에 대해 곱셈 결과를 얻는다. 구체적으로는, 세탁기의 곱셈 결과를, 예컨대 0, 0, 0, 0,ㆍㆍㆍ, 텔레비젼의 곱셈 결과를, 예컨대 0, 0, 0.9, 0.2,ㆍㆍㆍ, 드라이어의 곱셈 결과를, 예컨대 0, 0, 0, 0,ㆍㆍㆍ으로 한다.

다음에, 전기 기기 중량 곱셈부(1f)는 전기 기기 마다의 적에 대해, 생활 행동마다 합을 산출한다. 구체적으로는, 취사, 세탁, 오락, 학습 등의 생활 행동에 대해 합의 값은 각각, 0, 0, 1.3, 0.6으로 된다.

다음에, 단계 S40에서는, 생활 행동 추정부(1g)가 전기 기기 마다의 적의 값의 합(W1)이 최대치로 되는 생활 행동 라벨을 시각 t의 생활 행동 라벨 1t로 해서 메모리(10)에 기억시킨다.

lt=arg max Wl

전기 기기 중량 곱셈부(1f)는 합의 값이 최대치로 되는 생활 행동을 생활자의 실제의 생활 행동으로서 추정한다. 구체적으로는, 합의 값이 큰 시퀀스로, 오락이 1.3, 학습이 0.6,ㆍㆍㆍ이므로, 오락이 생활자의 실제의 생활 행동인 것으로 하여 추정한다.

다음에, 단계 S45에서는, 생활 행동 추정부(1g)가 q'=q로서 시각을 진행시켜(t=t＋1), 단계 S5로 되돌와서, 상기 단계 S5 내지 S45에서 나타내는 처리를 반복한다.

이 결과, 스마트 탭으로부터 얻어진 전력치로부터 현재의 생활 행동을 추정할 수가 있다.

이와 같이, 생활 행동 추정 장치(1)는 전기 기기로부터 수신한 전력치를 기초로 전기 기기의 이용 상태를 추정하고, 어떤 시점에 있어서의 전기 기기의 이용 상태와 그 이전의 시점에 있어서의 전기 기기의 이용 상태를 기초로, 공간 내의 이벤트 정보를 검출하여 둔다. 다음에, 이벤트 발생시점으로부터의 경과 시간을 기초로, 전기 기기의 이용 상태의 변화와 생활 행동의 관계를 나타내는 제1 중량을 보유하는 제1 전기 기기 기능 모델 테이블로부터 상기 이벤트 정보에 의한 생활 행동 마다의 제1 중량을 취득하고, 전기 기기의 이용 상태를 기초로, 전기 기기의 이용 상태와 생활 행동의 관계를 나타내는 제2 중량을 보유하는 제2 전기 기기 기능 모델 테이블로부터 생활 행동 마다의 제2 중량을 취득하여 둔다. 다음에, 제1 중량과 제2 중량을 곱셈한 적을 기초로 전기 기기마다 해당 적의 합을 산출하고, 전기 기기 마다의 적의 합이 최대치로 되는 생활 행동을 생활자의 실제의 생활 행동으로서 추정한다. 이에 의해, 전기 기기의 소비 전력으로부터 생활 행동을 추정할 수 있어, 개인의 생활 행동을 고려해서 EoD 시스템의 도입을 용이하게 할 수가 있다.

도 20에 나타내는 기능 블럭도를 참조해서 본 발명의 제1 실시 형태와 관련되는 생활 행동 추정 장치(1)의 구성에 대해 설명한다.

생활 행동 추정 장치(1)는, CPU(1a)에 의해 실행되는 프로그램인 소프트웨어 모듈로 이루어지는 전기 기기 이용 상태 추정부(1i), 전기 기기 이벤트 검출부(1j), 다음 이용 상태 확률 추정부(1k)로 구성되고, 각 부는 동작 중에 메모리(10)를 작업 영역으로 하여 데이터의 판독/기록을 수행한다.

전기 기기 이용 상태 추정부(1i)는 복수의 전기 기기로부터 수신한 전력치를 기초로 전기 기기 마다의 이용 상태를 추정한다. 전기 기기 이벤트 검출부(1j)는, 현재의 전기 기기 마다의 이용 상태와 전 시각의 전기 기기 마다의 이용 상태를 기초로, 생활 공간 내의 생활 행동을 나타내는 이벤트 종류를 검출한다.

다음 이용 상태 확률 추정부(1k)는 전기 기기의 이용 상태가 다른 이용 상태로 천이하는 확률을 나타내는 전기 기기 이용 상태 천이 확률 테이블로부터 다음 이용 상태의 천이 확률을 취득하고, 다음 이용 상태의 천이 확률을 기초로, 해당 이용 상태가 지속하는 시간 확률을 나타내는 이용 상태 지속 길이 확률 테이블로부터 이벤트 발생 후의 경과시간에 대응하는 천이 확률을 취득하며, 다음 이용 상태 천이 확률과 경과시간에 대응하는 천이 확률을 기초로 다음 이용 상태에서 동작하는 전기 기기의 확률 분포를 계산한다.

다음 이용 상태 확률 추정부(1k)는 전기 기기가 사용 중이 아닌 경우에는, 생활 행동마다 전기 기기를 사용하는 확률을 나타내는 전기 기기 사용 빈도 테이블로부터 생활 행동 라벨에 대한 전기 기기 사용 빈도를 취득하고, 전기 기기의 이용 상태가 다른 이용 상태로 천이하는 확률을 나타내는 전기 기기 이용 상태 천이 확률 테이블로부터 초기 이용 상태 분포를 취득한다.

또한, 데이터베이스(12)는, 예컨대 하드 디스크(HDD) 상에 기억되어 있는 생활 행동(12d), 전기 기기 이용 상태 천이 확률 테이블(12e), 이용 상태 지속 길이 확률 테이블(12f), 전기 기기 사용 빈도 테이블(12g)로 구성되어 있다.

다음에, 도 21에 나타내는 플로우차트를 참조해서, 도 20에 나타내는 생활 행동 추정 장치(1)의 동작(그의 2)에 대해 설명한다.

먼저, 도 22에 있어서, 어느 정도의 시간, 어느 시퀀스로 전기 기기(a)를 동작시킬지를 확률 시간 오토 머신으로 나타낸다. 도 22에 나타낸 바와 같이, 확률 시간 오토 머신에서는, 예컨대 전기 기기(a)가 오프 상태(off state), 약 상태(weak state), 강 상태(strong state)의 3가지 이용 상태의 사이에서 시간의 경과와 함께 천이하는 경우를 상정하고 있다.

생활 행동 라벨이 l인 때 구간 τ 중에서의 전기 기기의 동작 패턴을, 예컨대 강 상태에 대해,

로 나타낸다.

상태 천이 확률 P는,

로 나타낸다.

상태 지속 길이 분포 P는,

로 나타낸다.

초기 상태 분포 Ps는,

로 나타낸다.

먼저, 단계 S105에서, 전기 기기 이용 상태 추정부(1i)가 스마트 탭(11)으로부터 현재의 전력치를 수신해서 메모리(10)에 기억시킨다.

다음에, 단계 S110에서, 전기 기기 이용 상태 추정부(1i)가 현재의 전력치로부터 전기 기기의 이용 상태(q)를 추정(A)해서 메모리(10)에 기억시킨다.

다음에, 단계 S115에서, 전기 기기 이벤트 검출부(1j)는 현재 전기 기기가 사용 중인가 아닌가를 판단한다. 여기서, 현재 전기 기기가 사용 중인 경우에는 단계 S120으로 진행하는 한편, 현재 전기 기기가 사용 중이 아닌 경우에는 단계 S150으로 진행한다.

다음에, 단계 S120에서, 전기 기기 이벤트 검출부(1j)는, 메모리(10)로부터 판독한 전 시각의 이용 상태(q')와 다른지 아닌지를 판단한다. 전 시각의 이용 상태(q')와 다른 경우에는 단계 S125로 진행하는 한편, 전 시각의 이용 상태(q')와 같은 경우에는 단계 S130으로 진행한다.

단계 S125에서, 전기 기기 이벤트 검출부(1j)는 이용 상태 변화를 이벤트로서 검출하고, 이벤트의 종류 e{q'→q}와 발생시각 et를 메모리(10)에 기억시킨다.

여기서, 도 23을 참조해서 전기 기기 이용 상태 천이 확률 테이블(12e)에 대해 설명한다.

전기 기기 이용 상태 천이 확률 테이블(12e)은 전기 기기의 이용 상태가 어느 이용 상태로부터 다른 어느 이용 상태로 천이하는 확률을 나타낸다. 도 23의 (a)는 거실에 설치된 조명 상태 천이 확률을 나타내고 있고, 예컨대 전 이용 상태 「오프」로부터 다음 이용 상태 「약」으로 변화하는 확률은 「0.1」로 한다. 도 23의 (b)는 청소기의 상태 천이 확률을 나타내고 있다.

다음에, 도 24를 참조해서 이용 상태 지속 길이 확률 테이블(12f)에 대해 설명한다.

이용 상태 지속 길이 확률 테이블(12f)은 각 전기 기기에 있어서의 이용 상태마다 해당 이용 상태가 지속하는 시간 확률을 나타낸다. 도 24의 (a)는 청소기의 「강」모드의 지속 길이 확률의 분포를 나타내고 있다. 도 24의 (b)는 청소기 상태 「약」, 「중」, 「강」 모드에서의 지속 길이 시간을 나타내고 있다.

다음에, 도 25를 참조해서 전기 기기 사용 빈도 테이블(12g)에 대해 설명한다.

전기 기기 사용 빈도 테이블(12g)은 생활 행동마다 어느 전기 기기를 사용하는 확률을 나타낸다. 도 25의 (a)는, IH의 사용 확률은 생활 행동이 「취사」인 때에만 「0.67」을 나타내고 있는데 대해, 「텔레비젼」의 사용 확률은 「아침 식사」, 「점심 식사」, 「취미 오락」 등에서 사용되는 확률이 높은 것을 나타내고 있다.

다음에, 단계 S130에서, 다음 이용 상태 확률 추정부(1k)는, 이벤트의 종류를 기초로, 전기 기기 이용 상태 천이 확률 테이블(12e)로부터 다음의 이용 상태의 천이 확률 p(q"|q)를 취득해서 메모리(10)에 기억시킨다.

다음에, 단계 S135에서, 다음 이용 상태 확률 추정부(1k)는 이용 상태 지속 길이 확률 테이블(12f)로부터 이벤트 발생으로부터의 경과시간에 대응하는 천이 확률 p(τ｜q)를 취득해서 메모리(10)에 기억시킨다.

다음에, 단계 S140에서, 다음 이용 상태 확률 추정부(1k)는 다음 이용 상태 천이 확률 p(q"｜q)와 천이 확률 p(τ｜q)를 곱셈하고, 그 적의 값을 다음 이용 상태의 확률 분포 Pq"=p(q"｜q)×p(τ｜q)로서 계산해서 메모리(10)에 기억시킨다.

이 결과, 다음 이용 상태의 확률 분포 Pq"로서, 다음에 동작하는 전기 기기의 확률을 추정할 수가 있다.

다음에, 단계 S145에서, 다음 이용 상태 확률 추정부(1k)는 q'=q로서 시각을 진행시키고(t=t＋1), 단계 S105로 되돌아가서, 상기 단계 S105 내지 S155에서 나타내는 처리를 반복한다.

한편, 현재, 전기 기기가 사용 중이 아닌 경우에는, 단계 S150에서, 다음 이용 상태 확률 추정부(1k)는 전기 기기 사용 빈도 테이블(12g)로부터 생활 행동 라벨에 대한 전기 기기 사용 빈도 p(a｜l)를 취득해서 메모리(10)에 기억시킨다.

여기서, 도 26에 나타내는 전기 기기 사용 빈도 테이블(12g)에 대해 설명한다.

도 26은 전기 기기의 사용 확률 P와 공헌도 C를 나타내는 표이다. 도 26의 (a)는 IH 조리기의 사용 확률을 나타내는 표로서, 「취사」에 있어서의 사용 확률만이 유효로 되어 있다. 이것에 대해, 도 26의 (b)는 텔레비젼의 사용 확률을 나타내는 표로서, 「아침 식사」, 「점심 식사」, 「개인 보살핌(personal care)」 등의 항목에서 유효로 되어 있다.

도 26의 (c)는 텔레비젼의 공헌도를 나타내는 표로서, 「아침 식사」, 「점심 식사」, 「개인 보살핌」 등의 항목에서 유효로 되어 있다.

도 26의 (d)는 취사에 대한 공헌도를 나타내는 표로서, 「부엌」, 「포트」, 「전자 렌지」, 「IH 조리기」 등의 공헌도가 상위를 나타내고 있다.

다음에, 단계 S155에서, 다음 이용 상태 확률 추정부(1k)는 전기 기기(a)의 전기 기기 이용 상태 천이 확률 테이블(12e)로부터 초기 이용 상태 분포 p(q'｜OFF)를 취득해서 메모리(10)에 기억시킨다.

도 27에 나타내는 생활 행동 추정 처리의 결과예에서는 개인의 생활 행동의 시간대(예컨대, 18시부터 다음날의 12시)에 있어서, 「수면」, 「취사」, 「세탁」 등의 항목에 대응해서 개별의 색이 부여되어 표시되어 있다.

도 28에 나타내는 생활 행동 추정 처리의 결과예에서는 개인의 생활 행동의 시간대에 있어서 개별의 색이 부여되어 표시되어 있다.

이와 같이, 전기 기기의 이용 상태가 천이하는 확률을 나타내는 전기 기기 이용 상태 천이 확률 테이블로부터 다음의 이용 상태의 천이 확률을 취득하고, 다음의 이용 상태의 천이 확률을 기초로, 다음의 이용 상태가 지속하는 시간 확률을 나타내는 이용 상태 지속 길이 확률 테이블로부터 이벤트 발생 후의 경과시간에 대응하는 천이 확률을 취득하여 둔다. 다음에, 다음 이용 상태 천이 확률과 상기 경과시간에 대응하는 천이 확률을 기초로 다음의 이용 상태에 있어서 동작하는 전기 기기의 확률 분포를 계산하는 것으로, 개인의 생활 행동을 고려하여 EoD 시스템의 도입을 용이하게 할 수가 있다.

이와 같이, 전기 기기가 사용 중이 아닌 경우에는, 생활 행동마다 전기 기기를 사용하는 확률을 나타내는 전기 기기 사용 빈도 테이블로부터 생활 행동 라벨에 대한 전기 기기 사용 빈도를 취득하여 둔다. 다음에, 전기 기기의 이용 상태가 다른 이용 상태로 천이하는 확률을 나타내는 전기 기기 이용 상태 천이 확률 테이블로부터 초기 이용 상태 분포를 취득한다. 이에 의해, 전기 기기가 사용 중이 아닌 경우에서도, 전기 기기의 초기 이용 상태 분포를 취득할 수가 있어, 개인의 생활 행동을 고려해서 EoD 시스템의 도입을 용이하게 할 수가 있다.

＜제2 실시 형태＞

본 발명의 제2 실시 형태와 관련되는 생활 행동 추정 장치(101)에 대해 설명한다.

먼저, 도 29에 나타내는 처리 개요도를 참조해서 소비 전력 시뮬레이션에 대해 설명한다.

본 실시 형태에서는 앙케이트를 이용해서 개인으로부터 도 11의 (b)에 나타낸 바와 같은 처리에 이용하는 라벨(labels)로 되는 「수면」, 「식사」, 「취사」 등의 생활 환경에 있어서의 기본적인 사항에 대한 활동시간대를 수집하여, 예컨대 엑셀(등록상표)과 같은 표 형식으로 생활 행동(예컨대, 취사)과 그 시간대로 구성되어 있는 데이터를 생활 행동 추정 장치(101)에 입력한다.

소정의 공간 내에 있어서의 생활자의 생활 행동을 추정하기 위한 앙케이트 정보를 나타내는 각 시점에 있어서의 생활 행동 라벨을 기억해 두고, 기억 내용으로부터 전기 기기의 어느 시점에 있어서의 이용 상태(use state) 및 전 이용 상태(previous use state)를 취득한다. 그리고, 취득된 전기 기기의 이용 상태 및 전 이용 상태를 기초로, 생활 공간 내의 생활 행동을 나타내는 이벤트 종류 정보를 검출한다. 더욱이, 다음 이용 상태의 천이 확률을 취득하고, 다음의 이용 상태의 천이 확률을 기초로, 이벤트 발생 후의 경과시간에 대응하는 천이 확률을 취득하며, 다음 이용 상태 천이 확률과 경과시간에 대응하는 천이 확률을 기초로 다음의 이용 상태의 확률 분포를 계산하고, 다음 이용 상태의 확률 분포에 따라 전력치를 나타내는 전력 소비 패턴을 생성한다.

최종적으로, 전력 소비 패턴이 생성되므로, 앙케이트에 기입한 생활자에게 에코 컨설팅(eco-consulting)을 수행할 수가 있다.

다음에, 도 30에 나타내는 전기 기기 사용 모델의 개요도에 대해 설명한다.

생활 행동에 대한 개인의 전기 기기의 사용법의 특징을 학습한다.

(1) 어느 정도 사용하는지, 잘 사용하는 전기 기기는 중요, 생활 행동과의 관계의 강도를 파악한다.

(2) 어떻게 사용하는지, 어느 정도의 길이, 이용 상태의 시퀀스를 파악한다.

(3) 어떤 시퀀스인지, 복수 전기 기기 간의 시퀀스성, 타이밍을 파악한다.

먼저, 전기 기기 사용 모델에 대해 설명한다. 여기서는, (1) 어느 정도 사용하는지, 잘 사용하는 전기 기기는 중요, 생활 행동과의 관계의 강도를 파악한다.

전기 기기 사용 모델에 있어서의 전기 기기의 사용 확률 P는,

로 정의한다. 여기서, Ua는 전기 기기(a)를 사용하고 있는 경우를 1, 사용하고 있지 않는 경우를 0으로 정의한다. 생활 행동 라벨이 l인 경우에, 어느 정도의 빈도로 전기 기기(a)를 사용하는지를 사용 확률 P로서 나타낸다.

한편, 전기 기기의 공헌도 C(a｜l_i)는, 개인의 생활 행동으로 취해져 그 전기 기기(a)가 어느 정도 특징적인가를 나타내고 있고,

로 나타낸다.

다음에, 도 22에 나타내는 생활 행동-전기 기기 관계 모델인 전기 기기 사용 모델에 대해 설명한다. 여기서는, (2) 어떻게 사용하는지, 어느 정도의 길이, 이용 상태의 시퀀스를 파악한다.

어느 정도의 시간, 어느 시퀀스로 전기 기기를 사용하는지 파악하는 데에는 확률 시간 오토 머신이 적합하다. 생활 행동 라벨이 l인 구간 중에 있어서의 전기 기기의 동작 패턴에서는,

이용 상태 천이 확률 P, 이용 상태 지속 길이 분포 P, 초기 이용 상태 분포 P_S를 각각,

,

,

.

로 나타낸다.

다음에, 생활 행동-전기 기기 관계 모델인 개인 모델에 대해 설명한다.

여기서는, (3) 어떤 시퀀스인가, 복수 전기 기기 간의 시퀀스성, 타이밍을 파악한다.

전기 기기 간의 동시발생성(co-occurrence characteristics)은 생활 행동이 l인 구간 중에서의 전기 기기가 동시에 사용되는 확률, 어느 쪽인지가 사용된 때에, 이미 한쪽이 사용되는 확률로부터 구해진다.

전기 기기 간의 타이밍 구조에서는 상태 천이의 시각(times of state transitions), 전기 기기(appliances) 간 상태 천이(state transitions)의 시각 차이의 분포(distribution of time differences), 분포의 구성이 좋다면, 사용법은 동기되고 있다.

또한, 본 실시 형태에서는, (3)에 대해서는 이후 그 설명을 생략한다.

도 31에 나타내는 기능 블럭도를 참조해서 본 발명의 제2 실시 형태와 관련되는 생활 행동 추정 장치(101)의 구성에 대해 설명한다.

생활 행동 추정 장치(101)는 CPU(101a)에 의해 실행되는 프로그램인 소프트웨어 모듈로 이루어지는 전기 기기 이용 상태 취득부(101m), 전기 기기 이벤트 검출부(101n), 다음 이용 상태 확률 추정부(101o), 전력 소비 패턴 생성부(101p)로 구성되고, 각부는 동작 중에 메모리(10)를 작업 영역(work area)으로 하여 데이터의 판독/기록을 수행한다.

전기 기기 이용 상태 취득부(101m)는 소정의 공간 내에서 생활자의 생활 행동을 추정하기 위한 앙케이트 정보를 나타내는 각 시점에서의 생활 행동 라벨을 기억하고 있는 생활 행동 기억부(12h)로부터 전기 기기의 어느 시점에서의 이용 상태 및 전 이용 상태를 취득한다.

전기 기기 이벤트 검출부(101n)는 전기 기기 이용 상태 취득부(101m)에 의해 취득된 전기 기기의 이용 상태 및 전 이용 상태를 기초로 생활 공간 내의 생활 행동을 나타내는 이벤트 종류 정보를 검출한다.

다음 이용 상태 확률 추정부(101o)는 전기 기기의 이용 상태가 다른 이용 상태로 천이하는 확률을 나타내는 전기 기기 이용 상태 천이 확률 테이블(12e)로부터 다음 이용 상태의 천이 확률을 취득하여 둔다. 다음에, 다음의 이용 상태의 천이 확률을 기초로, 해당 이용 상태가 지속하는 시간 확률을 나타내는 이용 상태 지속 길이 확률 테이블(12f)로부터 이벤트 발생 후의 경과시간에 대응하는 천이 확률을 취득하고, 다음 이용 상태 천이 확률과 경과시간에 대응하는 천이 확률을 기초로 다음의 이용 상태의 확률 분포를 계산한다.

다음 이용 상태 확률 추정부(101o)는 전기 기기가 사용 중이 아닌 경우에는 생활 행동에서 전기 기기를 사용하는 확률을 나타내는 전기 기기 사용 빈도 테이블(12g)로부터 생활 행동 라벨에 대한 전기 기기 사용 빈도를 취득하여 둔다. 다음에, 전기 기기의 이용 상태가 다른 이용 상태로 천이하는 확률을 나타내는 전기 기기 이용 상태 천이 확률 테이블(12e)로부터 초기 이용 상태 분포를 취득한다.

전력 소비 패턴 생성부(101p)는 다음 이용 상태의 확률 분포에 따라 전력치를 나타내는 전력 소비 패턴을 생성한다.

또한, 데이터베이스(12)는, 예컨대 하드 디스크(HDD) 상에 기억되어 있는 생활 행동 기억부(12h), 전기 기기 이용 상태 천이 확률 테이블(12e), 이용 상태 지속 길이 확률 테이블(12f), 전기 기기 사용 빈도 테이블(12g)로 구성되어 있다.

다음에, 도 32에 나타내는 플로우차트를 참조해서 도 31에 나타내는 생활 행동 추정 장치(101)의 동작에 대해 설명한다.

먼저, 단계 S205에서, 전기 기기 이용 상태 취득부(101m)는 앙케이트 결과를 기억하고 있는 생활 행동 기억부(12h)로부터 시각 t에서의 생활 행동 라벨을 취득하여 메모리(10)에 기억시킨다.

다음에, 단계 S210에서, 전기 기기 이용 상태 취득부(101m)는 메모리(10)로부터 전기 기기(a)의 현 이용 상태(q), 전 이용 상태(q')를 취득해서 메모리(10)에 기억시킨다.

다음에, 단계 S215에서, 전기 기기 이벤트 검출부(101n)는 현재 전기 기기가 사용 중인가 아닌가를 판단한다. 여기서, 현재 전기 기기는 사용 중인 경우에는 단계 S220으로 진행하는 한편, 현재 전기 기기가 사용 중이 아닌 경우에는 단계 S255로 진행된다.

다음에, 단계 S220에서, 전기 기기 이벤트 검출부(101n)는 메모리(10)로부터 판독한 전 시각의 이용 상태(q')와 다른지의 여부를 판단한다. 전 시각의 이용 상태(q')와 다른 경우에는 단계 S225로 진행하는 한편, 전 시각의 이용 상태(q')와 같은 경우에는 단계 S230으로 진행한다.

다음에, 단계 S225에서, 전기 기기 이벤트 검출부(101n)는 이용 상태 변화를 이벤트로 하여, 이벤트의 종류 e{q'→q}와 발생시각 et를 메모리(10)에 기억시킨다.

다음에, 단계 S230에서, 다음 이용 상태 확률 추정부(101o)는 전기 기기 이용 상태 천이 확률 테이블(12e)로부터 다음의 이용 상태의 천이 확률 p(q"｜q)를 취득하여 메모리(10)에 기억시킨다.

다음에, 단계 S235에서, 다음 이용 상태 확률 추정부(101o)는 이용 상태 지속 길이 확률 테이블(12f)로부터 이벤트 발생으로부터의 경과시간에 대응하는 천이 확률 p(τ｜q)를 취득하여 메모리(10)에 기억시킨다.

다음에, 단계 S240에서, 다음 이용 상태 확률 추정부(101o)는 다음 이용 상태 천이 확률과 천이 확률로부터 다음 이용 상태의 확률 분포 Pq"=p(q"｜q)×p(τ｜q)를 계산해서 메모리(10)에 기억시킨다.

다음에, 단계 S260에서, 다음 이용 상태 확률 추정부(101o)는 전기 기기 사용 빈도 테이블(12g)로부터 생활 행동에 대한 전기 기기 사용 빈도 p(a｜l)를 취득하여 메모리(10)에 기억시킨다.

다음에, 단계 S265에서, 다음 이용 상태 확률 추정부(101o)는 전기 기기(a)의 전기 기기 이용 상태 천이 확률 테이블(12e)로부터 초기 이용 상태 분포 p(q'｜OFF)를 취득하고, 전기 기기 사용 빈도 p(a｜l)와 초기 이용 상태 분포 p(q'｜OFF)를 곱셈해서 적의 값을 다음 이용 상태의 확률 분포,

Pq"=p(a｜l)×p(q'｜OFF)

로 한다. 다음에, 단계 S245로 진행한다.

다음에, 단계 S245에서, 전력 소비 패턴 생성부(101p)는 q'=q로 하고, 다음 이용 상태를 Pq"의 확률 분포에 따라 랜덤하게 결정하는 q 및 q'를 메모리(10)에 기억시킨다.

다음에, 단계 S250에서, 다음 이용 상태 확률 추정부(101o)는 이용 상태(q)에 있어서의 전력 분포 p(w｜q)에 따라 전력치를 랜덤에 생성하고, 전력 소비 패턴을 생성해서 출력한다.

다음에, 단계 S255에서, 전력 소비 패턴 생성부(101p)는 시각을 진행시키고(t=t＋1), 단계 S205로 되돌아가서 상기 단계 S205 내지 S265에 나타내는 처리를 반복한다.

이 결과, 시뮬레이션에 의해 앙케이트 정보에 포함되는 생활 행동으로부터 개인의 소비 전력 패턴을 생성할 수가 있다.

도 33에 나타내는 결과예, 도 34에 나타내는 결과예, 도 35에 나타내는 결과예, 도 36에 나타내는 결과예 등을 참조해서 설명한다.

이와 같이, 소정의 공간 내에서 생활자의 생활 행동을 추정하기 위한 앙케이트 정보를 나타내는 각 시점에서의 생활 행동 라벨을 기억해 두고, 기억 내용으로부터 전기 기기의 소정 시점에 있어서의 이용 상태 및 전 이용 상태를 취득하여 둔다. 다음에, 취득된 전기 기기의 이용 상태 및 전 이용 상태를 기초로, 생활 공간 내의 생활 행동을 나타내는 이벤트 종류 정보를 검출하고, 전기 기기의 이용 상태가 다른 이용 상태로 천이하는 확률을 나타내는 전기 기기 이용 상태 천이 확률 테이블로부터 다음 이용 상태의 천이 확률을 취득하여 둔다. 다음에, 다음의 이용 상태의 천이 확률을 기초로, 해당 이용 상태가 지속하는 시간 확률을 나타내는 이용 상태 지속 길이 확률 테이블로부터 이벤트 발생 후의 경과시간에 대응하는 천이 확률을 취득하고, 다음 이용 상태 천이 확률과 상기 경과시간에 대응하는 천이 확률을 기초로 다음의 이용 상태의 확률 분포를 계산한다. 다음에, 다음 이용 상태의 확률 분포에 따라 전력치를 나타내는 전력 소비 패턴을 생성하는 것으로, EoD 시스템의 도입에 앞서, 사전에 전기 기기의 소비 전력을 시뮬레이션에 의해 검증할 수가 있어 개인의 생활 행동을 고려해서 EoD 시스템의 도입을 용이하게 할 수가 있다.

이와 같이, 전기 기기가 사용 중이 아닌 경우에는, 생활 행동에서 전기 기기를 사용하는 확률을 나타내는 전기 기기 사용 빈도 테이블로부터 생활 행동 라벨에 대한 전기 기기 사용 빈도를 취득하여 둔다. 다음에, 전기 기기의 이용 상태가 다른 이용 상태로 천이하는 확률을 나타내는 전기 기기 이용 상태 천이 확률 테이블로부터 초기 이용 상태 분포를 취득한다. 이에 의해, 전기 기기가 사용 중이 아닌 경우에도, 전기 기기의 초기 이용 상태 분포를 취득할 수가 있어, EoD 시스템의 도입에 앞서, 사전에 전기 기기의 소비 전력을 시뮬레이션에 의해 검증할 수가 있어 개인의 생활 행동을 고려해서 EoD 시스템의 도입을 용이하게 할 수가 있다.

＜제3 실시 형태＞

본 발명의 제3 실시 형태와 관련되는 생활 행동 추정 장치에 적용 가능한 생활 행동-전력 소비 모델에 대해 설명한다. 또한, 생활 행동으로부터 전기 기기의 전력 소비 패턴까지의 관계를 의미하는 생성 모델로서의 전력 소비 모델(LAPC 모델)에 대해 설명한다.

먼저, 도 37에 나타내는 블럭도를 참조해서 LAPC 모델의 구조에 대해 설명한다.

생활 행동 l을 실행하기 위해 개인은 위치 r로 이동한 후에, 전기 기기의 집합 A를 조작해서 사용한다. Q를 전기 기기의 집합 A에 있어서의 각각의 전기 기기의 동작 모드(이용 상태)로 한다. 전기 기기의 집합 A에 있어서의 각각의 전기 기기의 전기 기기 전력 소비 패턴의 집합 W는 각각의 전기 기기의 동작 모드 Q에 따라 발생한다.

상세하게 후술하지만, LAPC 모델에서는 확률 P(Q｜l), P(W｜Q)와 P(r｜l)를 학습하는 것에 의해, 생활 행동 l로부터 전기 기기 소비 전력 패턴의 집합 W까지의 관계를 표현한다. 이 모델은, 가상적으로 생활 행동 l로부터 각각의 전기 기기의 전기 기기 전력 소비 패턴의 집합 W를 예측하고, 생성하기 위해 효과적이다. 후술하는 섹션 3.1에 있어서, 모델로 이용 가능한 P(Q｜l) 및 P(W｜Q)에 따라 생활 행동 l로부터 W를 발생시키는 방법을 실행한다.

또한, 베이지안 추론(Bayesian inference)을 이용해서 각각의 전기 기기의 전기 기기 전력 소비 패턴의 집합 W로부터 생활 행동 l를 추정하기 위해, 모델은 마찬가지로 효과적이다. 섹션 3.2에 있어서, 학습한 확률 P(Q｜l), P(W｜Q)로부터 베이지안 추론을 기초로 사후 확률 P(Q｜W) 및 P(l｜Q)를 예상해서, 각각의 전기 기기의 전기 기기 전력 소비 패턴의 집합 W로부터 생활 행동 l를 추정하는 방법을 제안한다. 이들 두 가지 방법에 의해 LAPC 모델은 생활 행동 l과 각각의 전기 기기의 전기 기기 전력 소비 패턴의 집합 W의 사이에서 쌍방향 변환을 위해 효과적이다.

이하의 생활 행동 모델을 작성하는 것에 의해, 개인의 생활 행동을 표현한다. 섹션 2.1에서는 동시에 일어나고 있는 행동을 포함한 생활 행동을 표현하기 위한 개인의 생활 행동 모델을 설명한다.

섹션 2.2에서는 생활 행동과 전기 기기 사용의 관계를 의미하기 위한 개인의 전기 기기 사용 모델을 설명한다. 섹션 2.3에서는 전기 기기 동작 모드로부터 전기 기기 전력 소비 패턴까지의 관계를 표현하기 위한 전기 기기 동작 모드 모델을 설명한다. 섹션 2.4에서는 개인의 위치 r이 전기 기기에 접한 개인의 조작에 기초한 것을 예상하기 위해 인물 위치 모델［4]를 도입한다.

이하, 각각의 부모델(sub model)의 상세에 대해 설명한다.

＜2.1 개인의 생활 행동 모델＞

생활 행동은, 예컨대 요리를 하는지, 세탁을 하는지, 텔레비젼을 보는지라는 행동이 언제 일어나는가에 대해 나타내고 있는 계속 시간에 의한 행동의 종류를 표현하고 있는 라벨에 의해 표현할 수가 있다.

＜l_i, b_i, e_i＞에 있어서, 생활 행동 l_i가 I_i의 라벨이고, b_i 및 e_i는 생활 행동 I_i의 개시 시간과 종료시간을 나타낸다.

생활 행동은, 예컨대 개인이 저녁식사를 하고, 텔레비젼을 보고, 샤워를 하고, 그리고 잔다고 하는 하루하루의 생활에서 연속해서 일어난다. 더욱이, 복수의 행동에서는, 예컨대, 그가/그녀가 저녁식사를 하는 동안, 개인은 텔레비젼을 본다는 것을 동시에 일으킬 가능성이 있다.

즉, 생활 행동이 중복되면서 전환될 가능성이 있다. 이와 같은 생활 행동을 플랫 모델(flat model)

을 사용해서 표현한다.

도 38에 나타내는 모식도를 참조해서 플랫 모델에 대해 설명한다.

플랫 모델 I^L에는 복수의 행동의 중복 부분과 시간의 공백이 존재하고, 그와 같은 일련의 생활 행동을 추정하는 것은 어렵다. 상기한 문제를 해결하기 위해 중복 부분과 시간의 공백을 제한해서, 추정하는 것이 더 간단한 또 하나의 생활 행동의 표현 방법인 주-부 행동 모델(main-sub activity model)을 도입한다.

주-부 행동 모델에서는 일련의 생활 행동을 단일의 주 행동 시퀀스(single main activity sequence)

와, 하나 이상의 부 행동 시퀀스(sub activity sequences)

의 조합을 사용하는 것으로 표현한다.

여기서, 도 38은 상기한 플랫 모델과 주-부 행동 모델 간의 관계를 나타내고 있다.

주 행동은 주로 어느 정도 개인의 위치에 의존해서 실행하는 행동을 의미하고 있고, 주 행동인 행동과 다른 행동의 사이에 공백 시간이 존재하지 않는다고 하는 제약 조건을 부여한다. 한편, 부 행동은 주 행동과 동시에 수행하는 행동을 나타내고, 이는 개인의 위치에 의존하지 않는다.

예컨대, 개인은 주 행동에 대해 세탁기가 있는 장소에서 「세탁」을 시작한다. 그 후, 「세탁」을 계속하는 동안, 개인이 부엌으로 이동해서 「요리」라고 하는 주 행동을 실행한다. 이때, 「세탁」은 주 행동인 「요리」(부엌)에 대해서 부 행동으로 된다.

부 행동은 계속해서 발생하지 않기 때문에, 시간의 공백이 I^Sj 내일 가능성이 있다.

도 38에 나타낸 바와 같이, 플랫 모델 I^L과 주-부 행동 모델의 I^M, I^Sj는 서로 용이하게 변환할 수가 있다.

본 실시 형태에서는 생활 행동에 대해 추정하기 위해, 주 행동과 동시 병행으로 일어나는 부 행동을 최대 1개까지 제한한다. 다만, 이 제한은 간단하게 복수의 부 행동 시퀀스로 넓힐 수가 있다.

개인이 자택에 있는 동안에는 항상 어느 정도의 시퀀스성을 가지고, 연속해 차례차례로 어떠한 행동을 실행한다. 예컨대, 개인은 보통, 요리 후에 음식을 먹고, 샤워를 한 후에, 두발을 건조시킨다. 또는 개인은 부차적인 행동으로서 통상, 예컨대 음식을 먹고 있는 동안에 텔레비젼을 본다고 하는 행동을 동시에 수행한다.

한편, 예컨대, 샤워를 하면서 요리를 한다고 하는 행동은 동시에 분별없이 발생하지는 않는다. 여기서, 천이와 행동의 동시발생 관계(co-occurrence relationship)를 표현하기 위해, 이하의 2개의 확률을 사용한다.

I_i－1=＜l_i－1, b_i－1, e_{i － 1}＞와 I_i=＜l_i, b_i, e_i＞를 2연속 행동으로서 나타낸다. 이 경우, P(l_i=l_f｜l_i－1=l_g)는 행동 l_g로부터 행동 l_f로의 천이 확률이다.

I_i=＜l_i, b_i, e_i＞가 발생하는 경우,［b_i, e_i］를 시간 계속 시간으로 하면, 이 경우, P(l_i=l_g, l_j=l_f｜［b_i, e_i］∩［b_j, e_j］≠0)는 행동 l_g와 행동 l_f의 행동 간의 동시발생 확률이다.

일련의 행동의 계속 시간은 마찬가지로 중요한 특성(property)이다. 이 특성을 표현하기 위해, 계속 시간의 분포 P(τi｜l_i=l_g)(l_g의 행동의 τ_i=e_i－b_i)를 결정한다.

＜2.2 개인의 전기 기기 사용 모델＞

통상, 전기 기기(a_c)는 다양한 동작 모드

를 갖는다.

여기서, 개인의 전기 기기 사용 모델로서 어느 생활 행동 l_g에 있어서, 전기 기기(a_c)를 사용하는(동작 중의), 확률

를 정의한다. 여기서

은 사용하고 있는 가전의 동작 모드를 나타낸다.

각각의 행동에 있어서 사용되는 전기 기기가 각각의 개인에 의해 변화하므로, P(a_c｜l_g)는 학습에 의해 개인마다 취득한다.

여기서, P(a_c｜l_g)를 학습하는 방법에 대해 논한다.

P(a_c｜l_g)는 후술하는 섹션 3.2에서 제시되는 생활 행동을 추정하는 방법으로 사용된다. 전기 기기는 하나의 동작 모드로부터 다른 동작 모드로의 천이를 수반한다. 천이는 개인의 수동 조작 또는 전기 기기의 자동 제어에 의해 발생한다.

본 실시 형태에서는 생활 행동과 전기 기기의 동작 모드와의 관계를 확률적으로 표현한다.

후술하는 섹션 3.1에서 설명하는 바와 같이, 전기 기기는 각 동작 모드에 따라 전력 소비를 발생시킨다. 또한, 행동 l_k를 계속하고 있는 동안, 전기 기기(a_c)는 동작 모드

로부터 다른 동작 모드

로 이하의 확률에 따라 변화하는 것으로 한다.

이는 생활 행동 l_k에 있어서, 가전의 동작 모드가

로부터

로 천이한 횟수를 카운트하고,

의 회수로 나누는 것으로 계산할 수 있다.

이는 행동 l_k 하의 전기 기기(a_c)의

의 계속 시간의 분포를 나타낸다. 계속 시간의 각각의 길이로 구분되는 상태의 계속 시간의 비율의 막대그래프로서 표현한다. 또한, 막대그래프를 분포 함수(예컨대, 정규 분포 함수)로서 나타낼 수도 있다.

초기 상태

(행동 l_k에 있어서

의 a_c)의 분포는 행동 l_k의 합계 수(total number)에 의해, 초기 상태가

인 l_k의 행동의 수를 나누는 것에 의해 계산한다.

충분한 학습 데이터가 특정의 개인을 위해 미리 제공되는 경우, 개인마다의 학습에 의해 P(a_c｜l_g)를 취득한다. 다만, 사전에 개인마다의 학습을 충분히 수행하는 것은 어렵다. 상기 상황을 위해, 개인마다의 학습 대신에, 전기 기기의 기능을 기초로 P(a_c｜l_g)를 결정할 수가 있다. 전기 기기(a_c)는 그 기능에 합치한 행동 l_g에서 사용할 수 있는 상기 확률을 나타내는 P_f(l_g｜a_c)로 한다.

P_f(l_g｜a_c)는 미리 전기 기기가 갖는 기능에 따라 수동으로 결정한다. 이 경우, 이하의 수식 (1)을 사용해서 P(a_c｜l_g)를 계산한다.

P(a_c)와 P(l_g)를 균일한 분포(uniform distribution)로 하는 것에 의해, C를

로 되는 것과 같은 정규화 정수(normalization constant)로서, P(a_c｜l_g)=CㆍP_f(l_g｜a_c)를 취득한다.

개인마다의 가전의 사용법의 데이터를 학습하는 것이 유효한 경우, 수식 (2)를 이용해서 데이터를 학습한다. 여기서, l_g를 행동의 합계 수, 전기 기기(a_c)를 사용해서 라벨 l_g의 행동을 수행한 비율을 f(c, g)로 하면, 개인마다의 P(a_c｜l_g)는 이하와 같이 학습할 수 있다.

여기서,

은 학습하고 있는 데이터 중에 존재하고 있는 생활 행동의 집합이다.

기본적으로, 전기 기기(a_c)가 l_g의 생활 행동에 있어서 빈번하게 사용된다면, P(a_c｜l_g)가 높은 것으로 가정한다. 즉, f(c, g)에 의해 P(a_c｜l_g)를 정의할 수 있다. 다만, 대부분의 생활 행동에서 사용되는 전기 기기(예컨대 「에어 컨디셔너(air conditioner)」, 「환기팬」, 그 외)는 생활 행동을 결정하는데 공헌하지 않는다.

한편, 특정의 생활 행동에서만 사용되는 다른 행동에서는 사용되지 않는 전기 기기(예컨대 「요리」에서 사용되는 「IH 조리 기구」)는 생활 행동을 결정하는데 공헌할 수 있다. 여기서, f(c, g)에 그 가전이 얼마나 생활 행동의 결정에 공헌하는지를 나타내는 중량 계수 0＜λ(c)≤1를 제공한다. a_c가 많은 생활 행동에 대해 사용되는 경우 작은 값, 특정의 생활 행동에 대해서만 사용되는 경우는 큰 값을 설정한다.

또한, 전기 기기 자체가 갖는 기능으로서는 생활 행동의 어느 종류에 도움이 될 가능성이 있고, 이는 P(l_g｜a_c)에 의해 표현된다. 마지막으로, 수식 (2)에서 나타내는 바와 같이 f(c, g)와 P(l_g｜a_c)에 따라 P(a_c｜l_g)를 결정한다. 습득한 P(a_c｜l_g)를 섹션 4에서 논의되는 실험에서 P(a_c｜l_g)에 근거를 두는 전기 기기 함수와 비교한다.

＜2.3 전기 기기 행동 상태 모델＞

전기 기기의 동작 모드와 전기 기기의 소비 전력 패턴을 대응시키는 모델을 하이브리드ㆍ동적 시스템(hybrid/dynamic system)을 이용해서 정의한다. 전기 기기(a_c)(「전력 오프」의 상태를 포함)의 각각의 동작 모드

를 갖고, 각각의 동작 모드는 전력 소비 패턴

을 발생시킨다.

이 때, 전기 기기(a_c)의 동작 모드

에 대응하는 전력 소비의 변동 패턴은 동작 모드마다의 동적 시스템

을 사용해서 표현한다.

본 실시 형태에서는, 아래와 같이, 각각의 동적 시스템(소비 전력의 변동 패턴)은 정규화 분포 모델로 표현하는 것으로 가정한다.

보다 상세한 모델(예컨대, 칼만 필터(Kalman filter))을 이용해서 보다 정확하게 동적 시스템을 표현하는 것도 가능하지만, 대부분의 전기 기기는 (3)과 같은 정규화 분포에 의해 표현할 수가 있다. 이와 같은 동작 모드와 각 동작 모드의 동적 시스템을 미리 학습하는 것에 의해, 전기 기기의 소비 전력 패턴과 동작 모드의 대응부를 취득한다.

＜2.4 인물 위치 모델＞

도 37에 나타낸 바와 같이, 생활 행동 l과 전기 기기 전력 소비 패턴 W의 관계는 개인의 위치 r에 영향을 받는다. 섹션 2의 선두에서 설명한 바와 같이, 사전에 방 배치에 따라 수동으로 생활 행동과 개인의 위치의 관계 P(r｜l)를 할당한다. 이 섹션에 있어서, 개인의 위치 r을 전기 기기의 소비 전력 패턴 W로부터 추정하기 위해, 「상태 공간 모델의 인물 위치 모델」(저자：야마다 유스케, 카토 다케카즈, 마츠야마 타카시)을 도입한다. 상기 모델에 대한 기본적인 기술 사상을 후술한다.

개인은 어느 전기 기기를 사용할 때, 그 전기 기기의 가까운 위치로 이동하고, 전기 기기를 조작해서 사용한다. 이와 같은 인위적인 조작에 의해, 전기 기기의 동작 모드가 변경되고, 그에 동반해서 전기 기기의 전력 소비 패턴이 변화한다. 그 후, 개인은 다른 전기 기기의 가까운 위치로 이동하고, 전기 기기를 반복해서 조작한다.

섹션 2.3에서 설명한 바와 같이, 전기 기기(a_c)의 전력 소비 패턴으로부터 전기 기기(a_c)의 동작 모드를 추정할 수가 있어, 조작한 전기 기기(a_c)의 조작된 위치에 따라 개인의 위치를 추정할 수가 있다. r_t는 시각 t에서의 개인의 위치를 표현한다. 상기 모델을 이용해서 파티클 필터 알고리즘(particle filter algorithm)[6]을 적용하는 것으로, 개인의 위치의 확률 분포 P(r_t)를 취득한다. 이 경우, 시각 t에서 개인의 위치로서 가장 큰 P(r_t)를 발생시키는 위치 r_t를 개인의 위치로서 결정한다.

＜3. LAPC 모델 상의 쌍방향 변환(Bi-directional Transformation)＞

이 섹션에 있어서, LAPC 모델에 기초를 두고 개인의 생활 행동과 전력 소비 패턴의 사이에서 쌍방향 변환을 위한 방법을 설명한다.

＜3.1 개인의 생활 행동으로부터 전력 소비 패턴을 발생시키는 것＞

플랫 모델에 의해 표현되는 행동 시퀀스

를 상정해서, LAPC 모델을 이용해서 각각의 전기 기기를 위해 각각의 시각(초)에서의 전력 소비 패턴을 발생시키기 위한 방법에 대해, 도 39에 나타내는 플로우차트의 단계 S305 내지 S350를 참조해서 설명한다.

먼저, 단계 S305에서, 전기 기기 마다(전기 기기(a_c)의 라벨 c는, 여기에서는 명료성을 위해 삭제한다) 각 요소를 반복하는 변수를 지정한다.

다음에, 단계 S310에서는,

에서의 a의 동작 모드의 인덱스를 나타내는 m∈Z_＞0으로 한다. 랜덤하게,

으로 되는 조건에 따라 초기 상태 q_{k , m= 1},을 결정하고, 개시 시간 q_{k , m=1}, 을 위한

를 확정한다.

다음에, 단계 S315에서, 계속 시간 τ_{k , m} 상태 q_{k , m},

에 따라 m을 랜덤하게 결정하고, 종료시간 e_{k , m}=s_{k, m}＋τ_{k , m}으로 되기 위한 상태 q_{k, m}을 확정한다.

다음에, 단계 S320에서, 계속 시간 τ_{k , m}=0이라면 단계 S345로 진행한다.

한편, 단계 S325에서는, 만약 종료시간 e_{k , m}이,

이라면 단계 S330으로 진행하고,

로 확정하고, 단계 S345로 진행한다.

단계 S335에서는, m=m＋1로 한다.

다음에, 단계 S340에서는,

라는 조건에 따라 다음의 상태 q_{k , m},를 랜덤하게 결정하고, s_{k, m}=e_{k , m－1}＋1초로 확정하고, 단계 S315로 진행한다.

다음에, 단계 S345는, 만약,

라면, 단계 S350으로 진행하고, 동작 모드

(

으로부터

)

로 구성되는 발생한 시퀀스 I_k를 출력한다.

출력：I={I₁, I₂,. . ., I_Q}

이에 의해, 출력： I={I₁, I₂,. . ., I_Q}를 얻을 수 있다.

상기 방법은 동작 모드와 상기 상태의 계속 시간을 각각 시퀀스 I_k, 1≤k≤Q,를 구성하기 위해 랜덤하게 선택한다.

상기 단계 S345에 있어서, 초기의 동작 모드의 확률 분포의 결과와 시퀀스 I_k에서의 동작 모드 상태 천이 확률을 계산한다. 여기서, 상태 천이 확률의 계산 결과가 임계치 β보다 큰 경우에는, 상기 방법은 시퀀스를 출력하고, 그 외의 경우에는 상기 시퀀스를 부적당한 것으로 보아서, 다시 상기 시퀀스를 발생시킨다.

복수의 행동은 I^L에 있어서 동시에 발생할 가능성이 있다. 다른 행동을 위해, 전기 기기의 다른 동작 모드가 발생할 가능성이 있다. 따라서, 전기 기기의 복수의 다른 동작 모드는 상기의 부분에서 출력되는 i에 있어서, 지연(delay)되지 않고서 겹쳐질(overlap) 가능성이 있다. 다만, 하나의 전기 기기를 위해, 하나의 동작 모드만이 일시에 존재할 수가 있다.

상기 방법에서는, 평균적 전력 소비가 i에 있어서 각각의 전기 기기에 대해 각각의 시각에서 가장 큰 상기 동작 모드인 채일 뿐이다. 각각의 전기 기기의 각각의 동작 모드의 상기 평균적 전력 소비는 섹션 2.3에서 설명되는 상기 동적 시스템에 있어서 유효하다.

마지막으로, 상기 방법은 각각의 전기 기기에 대해 독립적으로 동작 모드 시퀀스를 출력한다.

전기 기기의 동작 모드 시퀀스가 취득된 후에, 상기 방법은 섹션 2.3에서 설명하는 동적 시스템을 이용하여 전기 기기를 위해 전력 소비 패턴을 발생시킨다.

상기 취득된 시퀀스의 전기 기기(a_c)의 각각의 동작 모드

를 위해, 상기 방법은, 분포

에 대한 랜덤 샘플링(random sampling)에 의해 각각의 시각에서 상기 전력 소비 패턴

을 보다 정확하게 취득한다.

이 결과, 전기 기기마다의 전력 소비량을 합계하는 것에 의해, 가족 전원의 전력 소비 패턴을 이용할 수가 있다.

＜3.2 전력 소비 패턴으로부터 개인의 생활 행동 상태를 추정하는 것＞

상기 LAPC 모델을 기초로 전기 기기 전력 소비 패턴으로부터 생활 행동을 추정하는 상기 방법을 나타낸다.

＜3.2.1 전기 기기 동작 모드를 추정하는 것＞

기간＜0, T＞의 사이의 생활 행동을 추정할 경우, 상기 방법은 처음에 각각의 전기 기기를 위한 상기 기간의 사이의 상기 전력 소비 패턴으로부터 상기 동작 모드를 추정한다. 각각의 시각 0≤t≤T의 전기 기기(a_c)의 전력 소비 패턴

의 상기 시퀀스인

로 한다.

상기 방법은 시각 t-J로부터 t＋J까지 상기 전력 소비 패턴과 일치하는 최대 우도(maximum likelihood, 최대한의 확실도)를 갖고 있는 동작 모드를 찾아내는 것에 의해, 시각 t에 있어서

를 위해 동작 모드

를 추정한다.

섹션 4에서 설명하는 상기 실험에 있어서 J=5초를 설정한다.

섹션 2.3에서 설명하는 바와 같이, 동적 시스템

은 LAPC 모델에 있어서 유효하다.

하기와 같이 베이지안 추론을 사용하고 있는 동적 시스템을 기초로,

를 계산한다.

여기서,

와

는 균일한 분포로서 가정한다. 또한, D는

를 형성하고 있는 정규화 정수이다.

각각의 시각 t에서 동작 모드가 취득된 후에, 각각의 동작 모드의 계속 시간을 취득하기 위해, 연속적인 동일한 동작 모드가 동시에 집적된다. 마지막으로, 동작 모드의 일련의 연속적인 계속 시간을 취득할 수가 있다.

＜3.2.2 생활 행동 상태를 추정하는 것＞

전기 기기마다의 동작 모드의 시퀀스로부터 생활 행동의 추정에 대해 설명한다.

도 40에 나타낸 바와 같이, 각각의 전기 기기의 각각의 동작 모드의 종료시간에 있어서, 수 회의 계속 시간 {I₁, I₂, … , I_K} 중의 기간＜0, T＞에 대해 절취를 개시한다.

각각의 계속 시간 I_K, 1≤k≤K에 있어서, 하나의 동작 모드만이, 각각의 전기 기기를 위해 존재한다. 하나의 주 행동이 각각의 I_K에서 발생하는 것으로 가정한다. 그리고, 최고에서도 하나의 부 행동은 주 행동과 동시에 발생할 가능성이 있다.

I_k에 있어서 출현하는 {a₁, a₂, … , a_O}에 있어서 각각의 전기 기기의 상기 동작 모드의 집합을

으로 한다.

개인이 I_k의 동안, 가장 긴 시간의 동안에 체재하는 방을 r_k로 한다. 이 섹션에서 후술하는 바와 같이, 상기 방법에 있어서 각각의 시각에서 개인의 정확한 위치를 알고 있을 필요는 없다.

이하에 있어서, 개인의 생활 행동을 추정하는 문제를 최초로 형식적으로 정의한다.

문제 1 : 입력으로서

(1) 미리 정의된 생활 행동 후보(예컨대, 「요리」, 「청소」, 「입욕」, 그 외)의 집합 L

(2) 계속 시간{I₁, I₂, … , I_K}의 시퀀스

(3) 각각의 전기 기기의 동작 모드의

와 각각의 계속 시간 I_k, 1≤k≤K,의 사이의 개인의 위치 r_k의 집합,이 주어진 것으로 하면, 하기의 수식 (6)과 같이, 하나의 주 행동 l^m과 하나의 부 행동 l^s의 조합이 각각의 계속 시간 I_k에서 적절하게 발생하는 것을 추정한다.

여기서, L_null은 생활 행동이 발생하지 않는 것을 나타낸다.

수식 (6)을 추정하기 위해 베이지안 추론을 사용하고 있는 LAPC 모델을 기초로 이하의 규칙을 취급한다.

또한, 섹션 2.1에서 설명한 바와 같이, 부 행동이 개인의 위치에 대해 독립인 것으로 가정한다. P(r_k｜l^m)는 주 행동 l^m과 방 배치에 따라, 미리 주어진다.

예컨대, 「요리한다」라는 것은 「부엌」에서 실행되기 때문에, P(부엌｜요리)=1을 할당한다. P(l^s｜l^m)는 부 행동이 주어진 주 행동과 동시에 발생할 가능성이 있다는 확률이고, 각각의 행동의 내용에 따라 수동으로 부여할 수가 있다. 예컨대, 청소는 입욕 중에 발생할 가능성이 없기 때문에, P(청소｜입욕)=0을 할당한다.

P(Q_k, r_k)는 Q_k와 r_k가 관측할 수 있었다고 하는 확률이고, 이는 주 행동 l^m과 부 행동 l^s에 대해 무관계하다.

을 형성하고 있는 정규화 정수 γ와 확률 P(Q_k, r_k)를 교체한다.

P(l^m)는 주 행동의 과거의 분포이고, 여기서는 마찬가지 분포인 것으로 가정한다. 따라서, 추정에서 P((Q)_k｜l^m, l^s)를 가질 뿐이다.

각각의 전기 기기의 사용 확률이 서로 독립인 것으로 가정하는 것으로, 이하의 수식 (8)을 사용하고 있는 P((Q)_k｜l^m, l^s)를 계산한다.

본 실시 형태에서는 전기 기기(a_c) 마다

를 계산하는 방법을 검토한다.

전기 기기의 전원이 끊어져 있는(powered off) 경우, 어떠한 생활 행동에도 의미가 없다. 전기 기기(a_c)가 시간 계속 시간 I_k의 동안, 전원이 끊어져 있는 상태인 것을 나타내는

로 하고, 그 경우,

를 확정한다.

전기 기기(a_c)의 다른 동작 모드에 대해, 이하의 수식과 같이, 전기 기기(a_c)가 주 행동 l_m도 l_f에서도 사용되지 않는다는 확률을 1로부터 빼는 것에 의해,

를 계산한다.

P(a_c｜l_g)는 특히 각각의 개인을 위한 학습에 의해 결정하지만, 어느 개인(섹션 2.2, 참조)을 위해서도 전기 기기 함수를 기초로 결정할 수가 있다. 수식 (7)에 있어서, 연속하는 2개의 계속 시간에서 생활 행동의 관계를 고려하지 않는다. 다만, 생활 행동 동안에 천이 확률을 마찬가지로 고려해야 하는 것이다.

도 41은 연속하는 2개의 계속 시간의 사이에 존재하고 있는 의존관계(dependent relationship)를 나타낸다. 수식 (7)까지 확장되는 이하의 수식 (11)을 사용하고 있는 l_k, 2≤k≤K,에 있어서, 생활 행동을 추정한다.

수식 (11)은 수식 (7)과 마찬가지로 계산할 수가 있다. 다만,

를 추정할 필요가 있다.

최선의 결과로 되도록, 확률은 생활 행동 간의 천이 확률, I_{k －1} 및 I_k의 길이와 각각 생활 행동의 계속 시간 분포에 따라 할당해야 하는 것이다.

본 실시 형태에서는, 명료함을 위해 생활 행동의 동안에 천이 확률에 따라 2개의 확률만을 결정한다.

「요리」의 뒤의 행동이 「식사」인 경향이 있는 것을 추정한다.

＜3.2.3 추정 수법의 개요＞

이하에 있어서, 전기 기기 전력 소비 패턴으로부터 개인의 생활 행동을 추정하는 방법을 요약한다.

생활 행동 후보의 집합 L을 결정한다.

집의 배치도에 따른 P(r_k｜l^m)를 결정한다. 각각의 행동의 내용에 따른 P(l^s｜l^m)를 결정한다. 섹션 2.2에서 제안한 모델을 사용해서 학습 또는 전기 기기 함수를 기초로 각각의 행동 a_c와 각각의 생활 행동 l_g에 관한 P(a_c｜l_g)를 결정한다.

계속 시간 I_k에 관해서,

(1) 섹션 2.3에서 제안한 동적 시스템을 사용해서 전기 기기의 전력 소비 패턴으로부터, {a₁, a₂, … , a_O}에서의 각각의 전기 기기의 동작 모드의 집합

를 취득한다.

(2) 섹션 2.4에서 도입되는 전기 기기의 조작과 생활자의 위치를 관련짓는 인물 위치 모델을 사용해서 개인의 위치 r_k를 취득한다.

(3) 수식 (11)을 사용하고 있는 부 행동 l^s∈L과 함께, 주 행동 l^m∈L을 추정한다.

하나의 기간의 사이에 생활 행동을 추정하는 오프 라인의 방법으로서, 상기의 부분에 있어서 본 실시 형태의 방법을 설명한다.

실제로, 본 실시 형태의 방법은 온라인과 오프 라인의 양쪽 모두에 사용할 수가 있다.

각각 상기의 부분에 있어서 설명한 단계 (1)과 단계 (2)에 있어서, 본 실시 형태의 방법은 각각의 전기 기기의 실시간 전력 소비 패턴(real-time electric power consumption patterns)으로부터 직접

와 r_k를 취득할 수가 있다.

따라서, 본 실시 형태의 방법은 생활 행동의 실시간 추정을 수행할 수가 있다.

제2 실시 형태와 관련되는 생활 행동 추정 장치(101)의 구성에서는 앙케이트를 이용해서 개인으로부터 도 11의 (b)에 나타낸 바와 같은 처리에 이용하는 라벨로 되는 「수면」, 「식사」, 「취사」 등의 생활 환경(living environment)에서의 기본적인 사항에 대한 활동시간대를 수집하고, 예컨대 엑셀(등록상표)과 같은 표 형식으로, 생활 행동(예컨대, 취사)과 그 시간대로 구성되어 있는 데이터를 생활 행동 추정 장치(101)에 입력하여 두고, 도 31에 나타내는 생활 행동 추정 장치(101)에서 최종적으로 전력 소비 패턴을 생성하도록 구성되어 있었다.

도 42는 본 발명의 제3 실시 형태와 관련되는 생활 행동 추정 장치(201)의 구성을 나타내는 블럭도이다.

도 42에 나타내는 기능 블럭도를 참조해서 본 발명의 제3 실시 형태와 관련되는 생활 행동 추정 장치(201)의 구성에 대해 설명한다.

본 발명의 제3 실시 형태와 관련되는 생활 행동 추정 장치(201)에서는, 제2 실시 형태와 관련되는 생활 행동 추정 장치(101)에 더하여, 생활 행동 추정부(201g)를 갖는 것을 특징으로 한다.

생활 행동 추정부(201g)는, 전력 소비 패턴 생성부(101p)에 의해 생성된 전력 소비 패턴을 기초로, 각각의 전기 기기의 동작 모드의 집합을 취득하고, 전기 기기의 조작과 생활자의 위치를 관련짓는 인물 위치 모델을 사용해서 생활자의 위치를 취득하고, 위치에 의존하는 주 행동 및 위치에 의존하지 않는 부 행동을 추정한다.

이와 같이, 전력 소비 패턴으로부터 개인의 주 행동 및 부 행동을 추정할 수가 있고, 따라서 EoD 시스템의 도입에 앞서, 사전에 전기 기기에 관련되는 개인의 주 행동 및 부 행동을 시뮬레이션에 의해 검증할 수가 있어 개인의 생활 행동을 고려해서 EoD 시스템의 도입을 용이하게 할 수가 있다.

본 실시 형태의 방법에서는 전기 기기(생활 행동 후보의 리스트와 전기 기기 함수를 기초로 하는 확률 P(a_c｜l_g))의 리스트는 다른 배치도의 집에서 공유할 수가 있다.

다만, 본 실시 형태의 방법에서는 개인의 위치를 취득하는 것을 각각의 전기 기기의 방 배치와 위치에서 마찬가지로 요구한다. 개인의 위치는 주 행동을 추정하기 위해 필요하다. 이러한 하나의 엄격한 필요조건으로 실용화하기 위해 본 실시 형태의 방법을 적용하는 것은 어렵다.

＜4.실험＞

섹션 4.2에 있어서, 전기 기기 전력 소비 패턴으로부터 개인의 생활 행동을 추정하는 방법을 최초로 평가한다.

섹션 2.4에서 설명한 바와 같이, 본 실시 형태의 방법으로 1명의 위치를 취득하기 위해 인물 위치 모델(저자: 야마다 유스케, 카토 다케카즈, 마츠야마 타카시)을 사용할 수가 있다. USN, vol.111, no.134, pp.25-30, 2011에 있어서 높은 적합율(high precision)로 개인의 위치를 추정할 수 있는 실험을 통해 상기 모델은 확인되었다.

이 섹션에서 나타내는 실험에서는, 상기 모델의 간섭을 수반하지 않고서 개인의 생활 행동을 추정하는 방법을 평가하기 위해 개인이 있는 방을 수동으로 가리킨다.

섹션 4.3에 있어서, 사례 연구에 의해 가리켜진 생활 행동으로부터 전력 소비 패턴을 발생시키는 상기 방법을 평가한다.

＜4.1 데이터 집합과 설정＞

전기 기기가 스마트 탭을 통해 공급 전력에 접속되어 있는 스마트ㆍ하우스에서 실험을 수행한다.

도 44는 전기 기기가 배치된 집의 배치도를 나타내는 도면이다. 센티미터 단위로 방의 위치를 나타낸다. 방의 넓이는 538×605㎠이다. 각각 도 43에 나타내는 제1 행과 제1 열은 생활 행동이라고 하는 모든 14매의 라벨과 34의 전기 기기의 일부를 일람(list)으로 나타낸다. 본 실시 형태에서는 혼자서 생활하고 있는 개인의 사례를 고려한다. 협력자(A, B 및 C)에 의해 나타내는 3인의 개인에게 각각 4일간, 2일간, 5일간의 동안 집에서 생활시키고 질문한다. 15분 마다 그들의 생활 행동을 기록하기 위해 그들에게 질문한다.

＜4.2 생활 행동 추정의 평가＞

섹션 3.2에서 설명한 바와 같이, 전기 기기(a_c)가 생활 행동 l_g에서 사용되는 확률 P(a_c｜l_g)은 2가지 방법에 의해 결정할 수가 있다.

첫째로, P(a_c｜l_g)=CㆍP_f(l_g｜a_c)는 전기 기기의 함수에 따라 할당된다. P_f(l_g｜a_c) 마다 득점(score)으로부터 {0.5, 1.0, 1.5, 2.0, 2.5, 3.0}을 선택한다.

a_c의 함수가 생활 행동(l_g)을 실행하는 것으로, 하이 스코어(high score)가 보다 도움이 되는 것을 설명한다. 예컨대, 「텔레비젼」은 「텔레비젼을 본다」를 위해 명백하게 사용할 수 있고, 따라서, P_f(텔레비젼｜텔레비젼을 본다)=3.0을 할당한다.

「텔레비젼」은 「오락」을 위해 사용할 수 있고, 따라서, P_f(오락｜텔레비젼)=1.0을 할당한다. 각각의 라이트(light)는 「개인의 위생 의식」에 도움이 될 가능성이 있고, 따라서, P_f(개인 위생｜거실룸ㆍ라이트)=P_f(개인 위생｜침대 룸ㆍ라이트)=. . .=0.5를 할당한다.

전기 기기 함수를 기초로 한 확률은 어떠한 개인의 생활 행동도 추정하기 위해 적용할 수가 있다.

둘째로, P(a_c｜l_g)는 수식 (2)를 사용하고 있는 협력자 마다 학습할 수 있다. 각각의 협력자에 대해, 협력자의 1일의 데이터를 평가하기 위해, 데이터를 학습하면서 협력자의 다른 날의 데이터를 사용한다.

도 43은 전기 기기 함수를 기초로 한 확률과 협력자(A)의 1일을 평가하기 위해 습득한 확률을 나타낸다.

각각, 확률의 2가지의 종류는, Σ_{ac ∈A}P(a_c｜l_g)=1로 정규화된다. 수식 (2)에서 정의되는 바와 같이, 우단의 열은 각각의 전기 기기의 λ(c) 값을 나타낸다.

협력자(A)가 항상 오랫동안 에어 컨디셔너(air conditioner)의 스위치를 넣고 있었기 때문에, 「에어 컨디셔너」의 λ(c) 값은 가장 낮은 값이다.

「텔레비젼」, 「거실 실내등」, 「냉장고」의 λ(c) 값은 마찬가지로 낮은 값이다. 반대로, 「크리너」 및 「드라이어」의 λ(c) 값은 가장 높은 값이다. λ(c) 값은 섹션 2.2에서 설명한 고찰과 일치하고 있다. 각각, 각각의 셀 중의 「/」의 전후의 값은 전기 기기 함수를 기초로 하는 확률과 습득한 확률이다.

습득한 확률은 전기 기기 함수를 기초로 하는 확률과 전혀 다르다. 예컨대, 식사를 하고 있는 동안, 협력자(A)는 텔레비젼의 스위치를 넣고 있었다. 결과적으로, 습득한 P(텔레비젼｜식사한다)=0.10으로 되지만, 그러나, 전기 기기 함수는 P(텔레비젼｜식사한다)=0을 기초로 하고 있다. 다른 예로서, 경우에 따라서는 입욕 동안 협력자(A)는 텔레비젼, 에어 컨디셔너, 세탁기, 거실 실내등, 부엌ㆍ라이트의 스위치를 넣는다.

마찬가지로, P(a_c｜l_g)는 다른 협력자에 의해 보다 더 학습된다. 각각의 협력자로부터 습득한 확률 P(a_c｜l_g)는 다른 것임을 깨닫는다. 예컨대, 입욕 동안, C는 텔레비젼의 스위치를 넣지 않지만, 협력자(A와 B)는 텔레비젼의 스위치를 넣는다.

본 실시 형태에서는 공간 제한을 위해 여기서는 다른 협력자로부터 습득한 P(a_c｜l_g)에 대한 설명을 생략한다. 그 경우, 각각 전기 기기 함수를 기초로 하는 P(a_c｜l_g)와 습득한 P(a_c｜l_g)를 사용해서, 섹션 3.2에서 제안한 방법을 사용하고 있는 협력자(A)의 4일간의 각각의 생활 행동을 추정한다. 마찬가지로, 협력자(B, C) 각각의 매일의 생활 행동을 추정한다. 예컨대, 도 45는 협력자(A)의 00：00：00에서 23：59：59까지의 1일에 있어서의 실제의 생활 행동 시퀀스(a)와 추정된 생활 행동 시퀀스(b)를 나타낸다.

도 45의 (c)에 있어서, 각각의 색은 생활 행동의 종류가 우변의 위에서 예증되는 것을 나타낸다. 일견하여, 습득한 P(a_c｜l_g)를 사용하여 추정되는 시퀀스(도 45의 (c))는 실제의 하나와 완전히 일치한다.

본 실시 형태의 방법에서는, 예컨대 협력자(A)가 요리하고 있는 동안에 텔레비젼을 보거나, 또는 협력자(A)가 입욕 동안에 의복을 세탁하거나 하는 것과 같은, 동시에 일어나는 생활 행동을 더욱 효율 좋게 추정한다. 습득한 P(a_c｜l_g)를 사용하여 추정되는 시퀀스와 P(a_c｜l_g)를 기초로 하는 전기 기기 함수를 사용하여 추정되는 시퀀스를 비교한 경우, 「입욕」이 00：30경에 발생하면서「입욕」이 23：00경에 발생한 것을 추정할 수가 없다. 「입욕」중에 있어서 에어 컨디셔너, 거실 실내등의 확률을 기초로 전기 기기 함수는 도 42에 나타낸 바와 같이 0이다.

「개인의 위생」 중에 있어서 이들의 전기 기기의 확률을 기초로 하는 전기 기기 함수는 0은 아니다. 입욕하고 있는 동안, 협력자(A)는 이들 전기 기기의 스위치를 넣고 있었다.

따라서, 확률을 기초로 하는 전기 기기 함수를 사용한 본 실시 형태의 방법에서는 잘못해서 「개인의 위생」을 「입욕」으로 간주한다. 다만, 협력자(A)에 관한 각각의 생활 행동 중에서 이들 전기 기기의 사용 확률을 학습하는 것을 통해, 본 실시 형태의 방법에서는 「입욕」을 올바르게 추정할 수가 있다.

재현율(recall)과 적합율(precision)을 행사해서 본 실시 형태의 방법을 양적으로 평가한다.

실제의 생활 행동 l_a가 주어졌다고 가정하면, 생활 행동 l_a와 같은 계속 시간에서 출현하고 있는 추정된 생활 행동의 집합 L_e를 조사한다. 집합 L_e는 주 행동과 부 행동을 포함한다. 여기서는, 주 행동을 부 행동으로부터 분리하지 않는다. 집합 L_e에 있어서 생활 행동 l_a와 같은 종류의 생활 행동이 있는 경우, 생활 행동 l_a가 정상적으로 추정된 것으로 간주한다. 그 경우, 실제적인 생활 행동 시퀀스에서 올바르게 추정되는 행동의 비율로서 재현율을 계산한다.

반대로, 추정된 생활 행동이 주어졌다고 가정하면, 생활 행동 l_e로서의 계속 시간과 같은 시간에서 출현하고 있는 실제의 생활 행동의 집합 L_a를 조사한다. 집합 L_a 중의 생활 행동 l_e와 같은 종류의 생활 행동이 있는 경우, 추정된 행동 l_e가 올바른 것으로 간주한다. 그 경우, 추정된 생활 행동 시퀀스의 올바른 행동의 비율로서 적합율을 계산한다.

도 46은 협력자(A, B, 및 C)의 날마다, 각각 재현율, 적합율, 및 F치를 나타내는 도면이다.

「재현율」의 각각의 셀의 「/」의 전후의 값은, 각각 올바르게 추정된 행동의 수와, 실제적인 행동의 합계 수이다. 「적합율」의 각각의 셀의 「/」의 전후의 값은, 각각 올바르게 추정된 행동의 수와, 추정된 행동의 합계 수이다.

최초에서, 본 실시 형태의 방법에서는, 11일간의 7가지에서의 개인적인 전기 기기의 사용 확률을 학습하고 있는 P(a_c｜l_g)를 사용해서 보다 높은 F치를 발생시킨다.

학습을 수행한 경우의 재현율, 적합율 및 F치의 평균치는, 0.771, 0.786및 0.773이고, 학습을 수행한 쪽이 실험 결과가 우수하다고 할 수가 있다. 한편, 학습을 수행하지 않는 경우에서도 충분한 재현율, 적합율을 얻고 있다.

다음에, 각각의 협력자의 각 일(each day)의 결과를 조사한다.

협력자(A)의 각 일의 F치는 유사하다. 협력자 B의 제1 일의 결과는 학습하는 것에서 조금 뒤떨어지고 있다. 협력자 B의 제1 일을 평가하기 위해, B의 제2 일을 학습한다. 협력자 B의 제1 일에서 발생하고 있는 일부의 행동은 B의 제2 일에서 발생하지 않는다. 데이터를 학습하는 것이 충분하지 않기 때문에, 협력자 B에 관해서 P(a_c｜l_g)를 올바르게 학습할 수가 없다. 학습하고 있는 데이터를 더 갖는다면, 협력자 B에 관해서 보다 좋은 결과를 취득할 수가 있는 것을 고려해야 한다. 협력자 C의 5일간의 결과 중에 있어서, 제1 일의 결과는 뒤떨어지고 있다. 제1 일에서 협력자 C는 「담화」와「휴가를 취한다」를 실행했다. 행동의 상기 2가지의 종류에 있어서, 특히 전기 기기는 사용되지 않는다.

결과적으로, 본 실시 형태의 방법에서는, 행동의 상기 2가지의 종류를 검출하기 위해 기능하지 않는다. 다만, 연구의 궁극의 목표는 각각의 행동에 있어서 각각의 전기 기기의 우선도를 추정하는 것에 있다.

행동에 있어서 특히 전기 기기가 사용되지 않는 경우, 궁극의 목표를 위해 상기 행동을 무시할 수가 있다.

개인적인 전기 기기 사용 확률 P(a_c｜l_g)를 학습하는 것을 통해 생활 행동을 추정하기 위해, 본 실시 형태의 방법이 효과적인 것을 실증했다. 다만, 상기 학습을 하기 위해 각각의 유저로부터 분류된 데이터를 수집하는 것은 어렵다.

한편, 본 실시 형태의 방법에서는, 어떠한 유저에게도 대응할 수 있는 전기 기기의 기능을 기초로 하는 가전 사용 확률 P(a_c｜l_g)를 이용한 경우에도 충분한 적합율로 생활 행동을 추정할 수가 있다.

향후의 연구로서, 모든 유저에 대해서 적용하는 것이 가능한 일반적인 모델로서 확률 P(a_c｜l_g)를 기초로 하는 전기 기기 함수를 가지는 LAPC 모델을 최초로 구성하고, 그 경우, 일반적인 모델 상에서 생활 행동을 추정하고 있는 동안, 유저 마다 개인적인 전기 기기 사용 확률 P(a_c｜l_g)를 온라인에서 학습한다. 결국, 상기 일반적인 모델은 유저 마다 개인적인 모델에서 갱신된다.

＜4.3 전력 소비 패턴을 발생시키는 평가＞

사례 연구에 의해 생활 행동으로부터 전력 소비 패턴을 발생시키기 위해 섹션 3.1에 대해 제안된 상기 방법을 평가한다.

도 47의 (a)는 협력자(A)의 제1 일의 실제적인 전력 소비 패턴을 나타내는 도면이다.

첫째로, 협력자(A)의 다른 3일간으로부터, 섹션 2.2에서 설명한 확률 분포

및

를 학습한다.

그 경우, 습득한 확률 분포에서 상기한 날의 실제의 생활 행동으로부터 본 실시 형태의 방법을 사용하고 있는 전력 소비 패턴을 발생시킨다.

도 47의 (b) 및 (c)는 본 실시 형태에 의한 방법이 랜덤성을 갖기 때문에 달리되는, 동일한 실험 조건 하에서 취득되는 2개의 발생 패턴을 나타낸다. 양쪽의 2개의 발생 패턴은 실제의 발생 패턴(도 47의 (a))과 완전히 유사하게 되어 있다. 상기 실제의 전력 소비 패턴의 대부분의 피크는 발생 패턴에서 적절히 시뮬레이션 된다. LAPC 모델을 이용해서 구성되는 본 실시 형태의 방법이 생활 행동으로부터 전기 기기 전력 소비 패턴을 시뮬레이션하는 것에 도움이 된다고 할 수 있다.

한편, 본 실시 형태의 방법에서는 일부의 전력 소비 피크의 패턴을 생성할 수 없다.

고려해야 할 문제는,

(1) 본 실시 형태의 방법에 있어서는 전기 기기의 공동-발생(co-occurrence) 또는 배타성(exclusiveness)에 대해 고려하고 있지 않는 점,

(2) 일부의 전기 기기의 전력 소비(예컨대, 에어 컨디셔너, 극적인 변화)이다.

특히, 본 실시 형태의 방법에서는 도 47의 (a)에 나타내는 「냉장고」에 설치된 콤프레서(compressor)가 기동한 것에 의해 발생한 피크 전력(211)을 시뮬레이션하는 것이 불가능하다.

이들 피크는 냉장고의 콤프레서의 활성화(activation)에 의해 발생한다.

정규화 분포를 이용해서 모델화되는 동적 시스템

는 동작 모드의 동안, 매우 짧은 시간에 발생하는 이러한 종류의 피크를 생성할 가능성이 지극히 낮기 때문이다.

1 … 생활 행동 추정 장치
10 … 메모리
11 … 스마트 탭
12 … 데이타베이스
12b … 전기 기기 기능 모델 테이블
12d … 생활 행동,
12e … 전기 기기 이용 상태 천이 확률 테이블
12f … 이용 상태 지속 길이 확률 테이블
12g … 전기 기기 사용 빈도 테이블
12h … 생활 행동 기억부
1a … CPU
1b … 전기 기기 이용 상태 추정부
1c … 이벤트 정보 검출부
1d … 제1 중량 취득부
1e … 제2 중량 취득부
1f … 전기 기기 중량 곱셈부
1g … 생활 행동 추정부
1i … 전기 기기 이용 상태 추정부
1j … 전기 기기 이벤트 검출부
1k … 다음 이용 상태 확률 추정부
20 … 전기 기기
30 … 전력 제어 장치
32 … 상용 전원
50 … EoD 제어 시스템
101 … 생활 행동 추정 장치
101a … CPU
101m … 전기 기기 이용 상태 취득부
101n … 전기 기기 이벤트 검출부
101o … 다음 이용 상태 확률 추정부
101p … 전력 소비 패턴 생성부

Claims (11)

1. 소정의 공간에 설치된 적어도 하나의 전기 기기와, 상기 전기 기기에 전력을 공급하는 스마트 탭, 상기 공간 내에 생활자의 생활 행동 중 전기 기기와 관련되는 이벤트를 추정하는 생활 행동 추정 장치, 및 상기 전기 기기와 상기 생활 행동 추정 장치를 상기 스마트 탭을 매개로 접속하는 네트워크를 구비하는 생활 행동 추정 시스템으로, 상기 생활 행동 추정 장치가,
   상기 전기 기기로부터 수신한 전력치를 기초로 전기 기기의 이용 상태를 추정하는 전기 기기 이용 상태 추정 수단과,
   어느 시점에서의 전기 기기의 이용 상태와 그 이전의 시점에서의 전기 기기의 이용 상태를 기초로 상기 공간 내의 이벤트 정보를 검출하는 이벤트 정보 검출 수단,
   이벤트 발생시점으로부터의 경과 시간을 기초로, 전기 기기의 이용 상태의 변화와 생활 행동의 관계를 나타내는 제1 중량을 보유하는 제1 전기 기기 기능 모델 테이블로부터, 상기 이벤트 정보에 의한 생활 행동 마다의 제1 중량을 취득하는 제1 중량 취득 수단,
   상기 전기 기기의 이용 상태를 기초로, 전기 기기의 이용 상태와 생활 행동의 관계를 나타내는 제2 중량을 보유하는 제2 전기 기기 기능 모델 테이블로부터 생활 행동 마다의 제2 중량을 취득하는 제2 중량 취득 수단,
   상기 제 1 중량과 상기 제 2 중량을 곱셈한 적을 기초로 상기 전기 기기마다 해당 적의 합을 산출하는 전기 기기 중량 곱셈 수단, 및
   상기 전기 기기 마다의 적의 합이 최대치로 되는 생활 행동을 상기 생활자의 실제의 생활 행동으로서 추정하는 생활 행동 추정 수단을 구비하여 구성되는 것을 특징으로 하는 생활 행동 추정 시스템.
   
2. 제1항에 있어서,
   상기 전기 기기의 이용 상태가 천이하는 확률을 나타내는 전기 기기 이용 상태 천이 확률 테이블로부터 다음의 이용 상태의 천이 확률을 취득하고, 다음의 이용 상태의 천이 확률을 기초로, 다음의 이용 상태가 지속하는 시간 확률을 나타내는 이용 상태 지속 길이 확률 테이블로부터 이벤트 발생 후의 경과시간에 대응하는 천이 확률을 취득하며, 상기 다음 이용 상태 천이 확률과 상기 경과시간에 대응하는 천이 확률을 기초로 다음의 이용 상태에서 동작하는 전기 기기의 확률 분포를 계산하는 다음 이용 상태 확률 추정 수단을 구비하여 구성되는 것을 특징으로 하는 생활 행동 추정 시스템.
   
3. 제2항에 있어서,
   상기 전기 기기가 사용 중이 아닌 경우에는, 상기 다음 이용 상태 확률 추정 수단이, 생활 행동마다 전기 기기를 사용하는 확률을 나타내는 전기 기기 사용 빈도 테이블로부터 생활 행동 라벨에 대한 전기 기기 사용 빈도를 취득하고, 전기 기기의 이용 상태가 다른 이용 상태로 천이하는 확률을 나타내는 전기 기기 이용 상태 천이 확률 테이블로부터 초기 이용 상태 분포를 취득하는 것을 특징으로 하는 생활 행동 추정 시스템.
   
4. 소정의 공간 내에서 생활자의 생활 행동을 추정하는 생활 행동 추정 장치로서,
   소정의 공간 내에서의 생활자의 생활 행동을 추정하기 위한 앙케이트 정보를 나타내는 각 시점에서의 생활 행동 라벨을 기억하는 기억 수단과,
   상기 기억 수단으로부터 전기 기기의 소정 시점에서의 이용 상태 및 전 이용 상태를 취득하는 전기 기기 이용 상태 취득 수단,
   상기 전기 기기 이용 상태 취득 수단에 의해 취득된 전기 기기의 이용 상태 및 전 이용 상태를 기초로, 상기 생활 공간 내의 생활 행동을 나타내는 이벤트 종류 정보를 검출하는 전기 기기 이벤트 검출 수단,
   전기 기기의 이용 상태가 다른 이용 상태로 천이하는 확률을 나타내는 전기 기기 이용 상태 천이 확률 테이블로부터 다음 이용 상태의 천이 확률을 취득하고, 다음의 이용 상태의 천이 확률을 기초로, 해당 이용 상태가 지속하는 시간 확률을 나타내는 이용 상태 지속 길이 확률 테이블로부터 이벤트 발생 후의 경과시간에 대응하는 천이 확률을 취득하며, 상기 다음 이용 상태 천이 확률과 상기 경과시간에 대응하는 천이 확률을 기초로 다음의 이용 상태의 확률 분포를 계산하는 다음 이용 상태 확률 추정 수단, 및
   상기 다음 이용 상태의 확률 분포에 따라 전력치를 나타내는 전력 소비 패턴을 생성하는 전력 소비 패턴 생성 수단을 구비하여 구성되는 것을 특징으로 하는 생활 행동 추정 장치.
   
5. 제4항에 있어서,
   상기 전기 기기가 사용 중이 아닌 경우에는, 상기 다음 이용 상태 확률 추정 수단이, 생활 행동에서 전기 기기를 사용하는 확률을 나타내는 전기 기기 사용 빈도 테이블로부터 생활 행동 라벨에 대한 전기 기기 사용 빈도를 취득하고, 전기 기기의 이용 상태가 다른 이용 상태로 천이하는 확률을 나타내는 전기 기기 이용 상태 천이 확률 테이블로부터 초기 이용 상태 분포를 취득하는 것을 특징으로 하는 생활 행동 추정 장치.
   
6. 소정의 공간에 설치된 적어도 하나의 전기 기기와, 상기 전기 기기에 전력을 공급하는 스마트 탭, 상기 공간 내에서 생활자의 생활 행동 중 전기 기기와 관련되는 이벤트를 추정하는 생활 행동 추정 장치, 및 상기 전기 기기와 상기 생활 행동 추정 장치를 상기 스마트 탭을 매개로 접속하는 네트워크를 구비하는 상기 생활 행동 추정 장치에 설치된 프로세서에 의해 실행되는 생활 행동 추정 프로그램으로,
   상기 생활 행동 추정 장치가,
   상기 전기 기기로부터 수신한 전력치를 기초로 전기 기기의 이용 상태를 추정하는 전기 기기 이용 상태 추정 단계와,
   어느 시점에서의 전기 기기의 이용 상태와 그 이전의 시점에서의 전기 기기의 이용 상태를 기초로, 상기 공간 내의 생활 행동을 나타내는 이벤트 종류 정보를 검출하는 전기 기기 이벤트 검출 단계,
   이벤트 발생시점으로부터의 경과 시간을 기초로, 전기 기기의 이용 상태의 변화와 생활 행동의 관계를 나타내는 제1 중량을 보유하는 제1 전기 기기 기능 모델 테이블로부터, 상기 이벤트 정보에 의한 생활 행동 마다의 제1 중량을 취득하는 제1 중량 취득 단계,
   상기 전기 기기의 이용 상태를 기초로, 전기 기기의 이용 상태와 생활 행동의 관계를 나타내는 제2 중량을 보유하는 제2 전기 기기 기능 모델 테이블로부터 생활 행동의 제2 중량을 취득하는 제2 중량 취득 단계,
   상기 제 1 중량과 상기 제 2 중량을 곱셈한 적을 기초로 상기 전기 기기마다 해당 적의 합을 산출하는 전기 기기 중량 곱셈 단계, 및
   상기 전기 기기 마다의 적의 합이 최대치로 되는 생활 행동을 상기 생활자의 실제의 생활 행동으로서 추정하는 생활 행동 추정 단계를 프로세서에 의해 실행하는 것을 특징으로 하는 생활 행동 추정 프로그램.
   
7. 청구항 제6항에 기재된 프로그램을 기록한 컴퓨터 판독가능 기록 매체.
   
8. 소정의 공간 내에서 생활자의 생활 행동 중 전기 기기와 관련되는 이벤트를 추정하는 생활 행동 추정 장치에 설치된 프로세서에 의해 실행되는 생활 행동 추정 프로그램으로,
   소정의 공간 내에서 생활자의 생활 행동을 추정하기 위한 앙케이트 정보를 나타내는 각 시점에서의 생활 행동 라벨을 기억 수단에 기억하는 기억 단계와,
   상기 기억 수단으로부터 전기 기기의 어느 시점에서의 전기 기기의 이용 상태와 그 이전의 시점에서의 전기 기기의 이용 상태를 기초로, 상기 공간 내의 이용 상태 및 전 이용 상태를 취득하는 전기 기기 이용 상태 취득 단계,
   상기 전기 기기 이용 상태 취득 단계에 의해 취득된 전기 기기의 이용 상태 및 전 이용 상태를 기초로, 상기 생활 공간 내의 생활 행동을 나타내는 이벤트 종류 정보를 검출하는 전기 기기 이벤트 검출 단계,
   전기 기기의 이용 상태가 다른 이용 상태로 천이하는 확률을 나타내는 전기 기기 이용 상태 천이 확률 테이블로부터 다음 이용 상태의 천이 확률을 취득하고, 다음 이용 상태의 천이 확률을 기초로, 해당 이용 상태가 지속하는 시간 확률을 나타내는 이용 상태 지속 길이 확률 테이블로부터 이벤트 발생 후의 경과시간에 대응하는 천이 확률을 취득하며, 상기 다음 이용 상태 천이 확률과 상기 경과시간에 대응하는 천이 확률을 기초로 다음 이용 상태의 확률 분포를 계산하는 다음 이용 상태 확률 추정 단계, 및
   상기 다음 이용 상태의 확률 분포에 따라 전력치를 나타내는 전력 소비 패턴을 생성하는 전력 소비 패턴 생성 단계를 프로세서에 의해 실행하는 것을 특징으로 하는 생활 행동 추정 프로그램.
   
9. 청구항 제8항에 기재된 프로그램을 기록한 컴퓨터 판독가능 기록 매체.
   
10. 제4항에 있어서,
    상기 전력 소비 패턴 생성 수단에 의해 생성된 전기 전력 소비 패턴을 기초로, 각각의 전기 기기의 동작 모드의 집합을 취득하고, 상기 전기 기기의 조작과 생활자의 위치를 관련지우는 인물 위치 모델을 사용해서 생활자의 위치를 취득하며, 상기 위치에 의존하는 주 행동 및 상기 위치에 의존하지 않는 부 행동을 추정하는 생활 행동 추정 수단을 구비하는 것을 특징으로 하는 생활 행동 추정 장치.
    
11. 제8항에 있어서,
    상기 전력 소비 패턴 생성 단계에 의해 생성된 전기 전력 소비 패턴을 기초로, 각각의 전기 기기의 동작 모드의 집합을 취득하고, 상기 전기 기기의 조작과 생활자의 위치를 관련짓는 인물 위치 모델을 사용해서 생활자의 위치를 취득하고, 상기 위치에 의존하는 주 행동 및 상기 위치에 의존하지 않는 부 행동을 추정하는 생활 행동 추정 단계를 프로세서에 의해 실행하는 것을 특징으로 하는 생활 행동 추정 프로그램.

Images