WO2001077696A1

WO2001077696A1 - Systeme et procede permettant d'estimer la consommation en energie d'un appareil electrique, et dispositif d'alarme faisant appel auxdits systeme et procede

Info

Publication number: WO2001077696A1
Application number: PCT/JP2001/003168
Authority: WO
Inventors: Takashi Onoda; Yukio Nakano; Katsuhisa Yoshimoto
Original assignee: Central Research Institute Of Electric Power Industry
Priority date: 2000-04-12
Filing date: 2001-04-12
Publication date: 2001-10-18
Also published as: EP1296147A4; US20030093390A1; DE60129437T2; JP3602825B2; ATE367584T1; EP1296147A1; US6816078B2; EP1296147B1; ES2290121T3; DE60129437D1

Description

明細書

電気機器の消費電力推定システム並びに方法及び

これを利用した異常警告システム

技丁分野

本発明は、電力需要家（電気の使用者）が使用している複数の電気機器の個別の消費電力を推定できる電気機器の消費電力推定システム並びに方法及びこれを利用した電気機器の動作異常警告システムに関するものである。さらに詳述すると、本発明は、複数の電気機器の個別の消費電力を非侵入的な手法で推定するようにした電気機器の消費電力推定システム並びに方法及ぴこれを利用した電気機器の動作異常警告システムに関するものである。

技 T用語

本明細書において、「非侵入的」とは、給電線引込口付近一箇所に測定センサ一を設置するもので、給電線下流の分岐回路毎に測定センサーを取り付けたり、回路に接続されている電気機器毎に測定センサーを取り付けたりしない状態のことをいう。また、インバータ機器とはインパータを搭載し、機器の動作を低出力から高出力まで連続的に変化させ得るものをいう。このインパータ機器の消費電力は出力に応じて小さい値から大きい値まで連続的に変化する。更に、ノンインバータ機器とは、ィンバータを搭載せず機器の動作が単にオンとオフのように限られた状態をとるものをいう。このノンインパータ機器の消費電力は、オンオフ動作に対応して限定された値をとる。

背景技術

従来、電気機器の動作状態を非侵入的に推定するモニタリングシステムとしては、 M I T (Massachusetts Institute of Technology；米国）で開発されたアルゴリスムを用いて E P R I (Electric Power Research Institute;米国）が装置化しているものがある。このモニタリングシステムは、電気機器のオン ·オフ動作を電力需要家の総電力負荷カーブのステップ状の時間変化として捉え、電気機器の定格消費電力及ぴカ率に基づいてオンあるいはオフとなった電気機器の特定と動作状態の推定を行うものである。したがって、単純なオン ·オフ動作を行う電気機器についてはその特定と動作状態の推定をおこなうことができる。しかしながら、最近では、一般家庭にも、冷暖房装置等のようなインパータ機器が普及しており、ノンィンバータ機器とインバータ機器とが混在した状態で使用されていることが多くなつている。インパータ機器は、負荷の状態に応じて出力を制御するため、消費電力もそれに応じて変化する。したがって、消費電力の時間的推移が必ずしもステツプ状ではなく、緩やかに変動したりあるいは不規則に変動したりする。

したがって、インパータ機器やノンインパータ機器が混在する状況下では、上述した従来の E P R I開発のモニタリングシステムによっては個別の電気機器毎の消費電力の推定が困難であるばかり力電気機器の動作状態の推定さえも困難である。

本発明は、ノンィンバータ機器及ぴィンバータ機器等が混在する状況下において、電力需要家が使用している複数の電気機器の個別の消費電力を非侵入的に推定可能とする電気機器の消費電力推定システム並びに方法を提供することを目的としている。また、本発明は電力需要家内での使用電気機器に起因する異常を警告するシステムを提供することを目的とする。

発明の開示

かかる目的を達成するため、本発明者等は、電力需要家において設置されている電気機器が発生する高調波電流のパターンに着目し、給電線引込口付近で測定される総負荷電流と電圧から、総負荷電流の基本波並びに高調波の電流及ぴ電圧に対するそれらの位相差を求め、そのパターンから屋内で使用されている電気機器と電気機器個別の消費電力を推定すること、例えばラージ ·マージン ·クラスファイアあるいは二ユーラルネットワークなどの推定アルゴリズムを用いたパターン認識手法を応用することにより推定することを考えた。

インバータ回路並びに整流回路を内蔵する電気機器からはそれ固有の高調波を出しているのは周知である。また、単純な抵抗回路以外なら、インバータ回路並ぴに整流回路以外の回路を有していてもその多くはその電気機器固有の高調波を出している。電気機器の運転状態が同じであれば、電気機器から流れ出る高調波は変わらない。そこで、外部から電力需要家に侵入してくる高調波が同一であれば、電力需要家の総負荷電流の基本波並びに高調波の電流及び電圧に対するそれらの位相差を調べることで電力需要家内にある電気機器の稼働状況を推定できることを着想するに至った。

本発明は、かかる着想に基づくものであり、電力需要家が使用している複数の電気機器の個別の消費電力を推定する方法において、電力需要家の給電線引込口付近で検出した総負荷電流及ぴ電圧から当該総負荷電流の基本波並びに高調波の電流及び電圧に対するそれらの位相差を求め、それを用いてそのときの使用電気機器の組み合わせとそれらの電気機器の個別の消費電力を推定するようにしている。また、本発明は、電力需要家が使用している複数の電気機器の個別の消費電力を推定するシステムにおいて、電力需要家の給電線引込口付近に設置した測定センサーと、測定センサーで検出した総負荷電流と電圧から当該総負荷電流の基本波並びに高調波の電流及び電圧に対するそれらの位相差に関するデータを取り出すデータ抽出手段と、総負荷電流の基本波並びに高調波の電流及び電圧に対するそれらの位相差に関するデータからそのときの使用電気機器の組み合わせとそれらの電気機器の個別の消費電力を推定する推定手段とを備えるようにしている。この場合、電力需要家の総負荷電流の基本波並びに高調波の電流及ぴ電圧に対するそれらの位相差に関するデータを取得すれば、代表的な電気機器あるいはそれらを任意に組み合わせて動作させたときに得られる基本波並びに高調波の電流及び電圧に対するそれらの位相差とそのとき使用していた電気機器の個別の消費電力とを関係づけるようにあらかじめ構築したモデルを利用して、当該電力需要家が使用している複数の電気機器の個別の消費電力を推定することができる。この発明によれば、屋外の給電線引込口付近に測定センサーを設置するだけで済み、被測定電気機器毎に測定センサーを取り付ける必要がないため、本システムを電力需要家に設置するときにプライバシ一等を侵害したり、追加の配線等を施す度合、が少なレ、利点がある。

また、本発明の電気機器の消費電力推定システムにおいて、推定手段は、標準的な各種電気機器の種々の組み合わせと、それらの電気機器の種々の動作状態における個別の消費電力の組み合わせについて、当該総負荷電流の基本波並びに高調波の電流及び電圧に対するそれらの位相差に関するデータと、そのときの解答である電気機器の個別の消費電力データとからなる教師データを推定アルゴリズムに与えてあらかじめ学習して得られたものであることが好ましい。

この場合の教師データとしては、例えば代表的な電気機器あるいはそれらの電気機器の任意の組み合わせ並びにそれぞれに対する動作状態の任意の組み合わせと、それに対する解答である電気機器の個別の消費電力との対の中からいくつかを選ぶ。そして、この教師データを推定アルゴリズムに与えて学習させることにより推定手段として利用可能な状態におく。即ち、予め代表的な電気機器あるいはそれらの電気機器を任意に組み合わせて動作させたときに得られる総負荷電流の基本波並びに高調波の電流及び電圧に対するそれらの位相差に関するデータとそのとき使用している複数の電気機器の消費電力データを教師データとして推定アルゴリズムに与えて学習させ、複数の電気機器のさまざまな使用状況の組合せ力 ^得られる高調波パターンデータとそのときの使用している複数の電気機器の消費電力のデータとの関係から個々の電気機器の消費電力を近似するモデルを作成しておけば、未知の測定データが入力されてもパターン認識により近似したモデル中で最も近い状況を探索して動作状態にある個別の電気機器毎の消費電力を推定することができる。そこで、実際に電力需要家の引込口付近に設けた測定センサ一で測定して求めた総負荷電流の基本波並びに高調波の電流及ぴ電圧に対するそれらの位相差に関するデータを取り出し、これらデータを、上述したように学習が終了して利用可能な状態になった推定手段に与えると、推定手段は動作状態にある電気機器の個別の消費電力を推定することができる。

したがって、測定センサーからデータ抽出手段を介して得た総負荷電流の基本波並びに高調波の電流及び電圧に対するそれらの位相差に関するデータを入力として、推定手段によって当該電力需要家が使用している複数の電気機器の個別の消費電力を推定することができる。

ここで、推定手段としては、ラージ 'マージン 'クラスファイアの推定アルゴリズムあるいはニューラルネットワークの推定アルゴリズムを用いることが好ましい。特に、ラージ .マージン 'クラスファイアの使用は、ノンインパータ機器を含む電気機器の組み合わせについてより推定精度を上げることができる。更に、上述した電気機器の消費電力推定システムを電気機器の動作の異常を警告する異常警告システムに利用することもできる。この異常警告システムは、上述した電気機器の消費電力推定システムで得られた電気機器の個別の電気機器の消費電力から、電気機器や電化システムの異常の有無等を判定するようにしている。この場合、火災などに繋がる電力機器の異常動作、特定の電気機器の使われ方から推測される電力需要家在室者の安否、電力需要家内の安全などの情報を非侵入的な方法で判定して外部へ発信することができる。

図面の簡単な説明

図 1は本発明の電気機器の消費電力推定システムが適用された電力需要家の電気系を示す図である。図 2は本発明の電気機器の消費電力推定システムの一実施形態を示す構成図である。図 3は図 2の電気機器の消費電力推定システムに教師データを与える学習回路を示す回路図である。図 4は高調波パターンの一例を示す図である。図 5は高調波パターンの他の例を示す図である。図 6は高調波パターンの一例を示す図である。図 7は本願発明の電気機器の消費電力推定システムに使用する LMCを実現する手法の一例を説明するフローチャートである。

発明を実施するための最良の形態

以下、本発明の構成を最良の実施形態に基づいて詳細に説明する。

本発明の電力需要家が使用している複数の電気機器の個別の消費電力を推定する方法は、電力需要家の給電線引込口付近で測定した総負荷電流及び電圧から当該総負荷電流の基本波並びに高調波の電流及び電圧に対するそれらの位相差を求め、総負荷電流の基本波並びに高調波の電流及び電圧に対するそれらの位相差からそのときの使用電気機器の組み合わせとそれらの電気機器の個別の消費電力を推定するようにしたものであり、それは例えば電力需要家の給電線引込口付近に設置した測定センサーと、この測定センサ一で検出した総負荷電流及び電圧から当該総負荷電流の基本波並びに高調波の電流及び電圧に対するそれらの位相差に関するデータを取り出すデータ抽出手段と、総負荷電流の基本波並びに高調波の電流及ぴ電圧に対するそれらの位相差からそのときの使用電気機器の組み合わせとそれらの電気機器の個別の消費電力を推定する推定手段とを備える消費電力推定システムによって実現される。

かかる電気機器の消費電力推定システムの第 1の実施形態が適用された配電系統の模式図を図 1に、電気機器の消費電力推定システムの具体的構成例を図 2にそれぞれ示す。この電気機器の消費電力推定システム 1は、電力需要家 2の給電線引込口 6付近に設置され、電気機器 3の個別の消費電力を非侵入的な方法で推定する装置であり、引込線 4及び電柱 5に架設された電線（図示省略）を介して電気事業者等の電力系統に接続される。尚、この電気系統には、例えば、テレビジョン受像機 3 a、冷蔵庫 3 b、インバータエアコンデショナー 3 c、白熱灯からなる照明機器 3 d及び蛍光灯からなる照明機器 3 eなど、インパータ機器とノンィンパータ機器とが接続されて混在した状況で使用される場合を前提にしている。

この電気機器の消費電力推定システム 1は、基本的には、測定センサー 1 1と、データ抽出手段 1 2と、学習を完了したラージ 'マージン 'クラスファイア（以下 LMCと略称する）あるいはニューラルネットワーク（以下 NNと略称する）などの推定手段 1 3からなる。 LMCあるいは NNは、推定アルゴリズムに学習を与えることにより、推定手段となる。

測定センサー 1 1は、非侵入的なシステムにするために、電力需要家 2の引込線 4の引込口 6の付近に一箇所のみ設置されている。測定センサー 1 1は、電圧と電流とを得るもので例えば変成器と変流器とで構成されている。本実施形態においては、単相三線式引き込み線 4を使用する日本国内における一般電力需要家について実施する場合を例に挙げているので、 A相用の計器用変成器（PT_A) 1 1 1 a並びに B相用の計器用変成器（PT_B) 1 1 1 bと、 A相用の計器用変流器（CTA) 1 1 2 a並びに B相用の計器用変流器 (CT_B) 1 12 bとから構成されている。

具体的には、図 2に示すように、 A相用の計器用変成器 1 1 1 aは、一次側が A相 4 aと中性線 4 nとの間に接続され、二次側から A相 4 aの電圧と相似の電圧 V_A が出力される。 B相用の計器用変成器 1 1 1 bは、一次側が B相 4 bと中や生線 4 nとの間に接続され、二次側から B相 4 bの電圧と相似の電圧 VB が出力される。 A相用並びに B相用の計器用変流器 1 1 2 a, 1 1 2 bには貫通型を使用するものとすると、計器用変流器 1 12 aは A相 4 aに流れる電流を一次側で測定して二次側から A相の電流と相似の電流 I A を出力し、また計器用変流器 1 12 bは B相 4 bに流れる電流を一次側で測定して二次側から B相の電流と相似の電流 I B を出力する。ここで、電圧 V_Aと電流 I Aの位相関係は A相電圧と A相電流の位相関係に原理的に等しく、また、 V_Bと I Bの位相関係も B相電圧と B相電流の位相関係に原理的に等しく保たれている。これら電圧 V_A , VB と、電流 I A , I B は、データ抽出手段 1 2に入力される。因みに、 A相 4 aと中性線 4 nとの間には、電流 I _A1， I AS, ■··, I_A6を流し、 A相電圧との位相差 φ_Α1， φ Α2, ···, ψ_Α6を持つような電気機器 3が接続されると共に、 Β相 4 bと中性線 4 nとの間には電流 I _B1, I B2, ···, I _Beを流し、 B相電圧との位相差 φ_Β1， φ_Β2, …， _Β6を持つような電気機器 3がそれぞれ接続されているものとする。

データ抽出手段 1 2は、測定センサー 1 1で検出した総負荷電流及び電圧から総負荷電流の基本波並びに高調波の電流と電圧に対するそれらの位相差に関するデータを取り出すものである。具体的には、データ抽出手段 1 2は、例えば図 2 に示すように、アナログ/デジタル (AZD) 変換器 1 2 1と、高速フーリエ変換器 1 22とから構成され、測定センサー 1 1から入力された電圧 VA ， VB と電流 I A , I B とを A/D変換器 1 2 1でデジタルデータに変換してから、高速フーリエ変換器 1 2 2で高調波電流データ I _{A (1}- ₁₃)， I B ₍₁- ₁₃₎、位相差データ

Φ A (1-13) ， ψ_Β U-_{1 3)}を得るようにされている。ここで、電流データ I _A1、 I B

1 , 位相差データ φ_Α1、 φ_Β1はそれぞれ総負荷電流の基本波の電流並びに電圧に対する位相差を示し、電流データ I A (²- ₁₃₎、 I B (2- 13), 位相差データ φ_{Α (} ² - i

₃₎、 φ_{Β (2}- ₁₃)は添字（2_ 1 3) が高調波の次数 2次から 1 3次を表す高調波の電流とそれらの電圧に対する位相差とをそれぞれ示し、給電線に供給される交流電力の基本周波数にその次数の数値を乗ずることでその高調波のもつ周波数を表す。例えば、基本周波数が 5 0H zの場合、 3次高調波電流とは 1 50Hzの周波数成分のみをもつ電流成分のことを指す。高調波は一般に奇数次のものが卓越して現れ、偶数次のものは小さいため、ここでは奇数次のデータを高調波データとして推定手段 1 3に入力として与えている。このデータ抽出手段 1 2から出力された総負荷電流データと、基本波並びに高調波の電流と電圧に対するそれらの位相差データとは、上述した推定手段 1 3に与えられる。尚、総負荷電流データ（I _A， I a ) もこのデータ抽出手段 1 2から出力される。

推定手段 1 3は、教師データを与えてあらかじめ学習した推定アルゴリズムであり、総負荷電流データと総負荷電流の基本波並びに高調波の電流と電圧に対するそれらの位相差に関するデータとを入力して動作状態にある電気機器 3の個別の消費電力を推定する。本実施形態の場合、推定手段 13としては LMCが採用され、予め複数の電気機器の各種の動作状態の組み合わせにおける電気機器個別の消費電力に関する教師データを与えて学習させておくことにより、複数の電気機器のさまざまな使用状況の組合せから得られる高調波パターンデータとそのときの使用している複数の電気機器の消費電力のデータとの関係から個々の電気機器の消費電力を近似するモデルが作成されている。そして、実際に電力需要家の引込口 6付近に設けた測定センサー 1 1で測定される未知の総負荷電流データと当該総負荷電流の基本波並びに高調波の電流と電圧に対するそれらの位相差に関するデータが入力されたときにパタ一ン認識により近似したモデル中で最も近！/ヽ状況を探索して電力需要家が使用している複数の電気機器個別の消費電力を推定するようにしている。

LMC 1 3における個別の電気機器毎の消費電力の推定は、基本波並びに高調波の電流データ I A " - ₁₃₎、 I B (1- _{1 3)} 、位相差データ φ A _{( 1}- _{1 3)}， Φ B u- )の各データを正規化し、それら正規化したデータを基に、あらかじめ教師データによって学習を完了している推定アルゴリズムにより行われる。

この LMC 1 3の推定手段は、例えば図 7に示すようなブースティングやサボート .ベタトル.マシーンなどの手法を用いた学習によって実現することができる。

例えば、図 7に示すように、まず、 LMC 13に入力として与えられる基本波並びに奇数次の高調波の電流及び電圧に対するそれらの位相差に関するデータは、各々の値の範囲が異なるので情報の持つ重みを均等化するために正規化することが好ましい。この正規化は、例えば電流データに関しては [一 1〜十 1] に、位相データに関してはサイン関数のような周期関数により [_ 1〜+ 1] に変換する正規化を行う（S 701)。ついで、正規化したデータと、そのときの解答である動作している電気機器の組み合わせ並びにそれら動作状態にある電気機器の個別の消費電力のデータからなる教師データが入力装置を介して LMC 1 3に与えられ、 LMC 1 3を学習させる。即ち、各高調波データに対する各電気機器の消費電力を 0から 1の範囲に正規化して各電気機器毎の消費電力を推定する（消費電力曲線を推定する）問題に変換する（S 7 0 2 )。

これは例えば、ブースティング手法あるいはサポート ·ベタトル ·マシーン手法を用いて、高調波データに対する各電気機器毎の消費電力曲線を推定することにより行われる。

(A) ブースティングの場合

(0 測定データの分類に適すると考えられるラジアル ·ペイシス ·関数ネットワークを基本アルゴリズムとして採用する（S 7 0 3 )。更に、ラージ .マージンを形成できるパラメータとして、「中間層ユニット数」、「正則化パラメ一タ」及ぴ「最適化のための繰り返し回数」を採用する。

(ii) ついで、ブースティングを単純に行うと、測定データ中の特異データや誤ったデータにも適合したハード ·マージンを形成してしまい、未知のデータに対する推定能力が悪化してしまうので、特異データや誤ったデータへの適合をさけるため（学習を避けるため）、正規化されたデータに適したラジアル ·べィシス '関数ネットワークの重要なパラメータである「中間層ユニット数」、「正則化パラメータ」、「最適化のための繰り返し回数」を交差妥当化で推定する（S 7 0 4 )。即ち、ハード ·マージンではテストデータに対する認識能力を低下させるので、ハード ·マージンをラージ ·マージンにする「ゆとり（正則化項）」を推定する。

(iii) さらに、インパータ機器に重要度を付加した平均二乗誤差を誤差関数としてパラメータを学習し、消費電力曲線を近似するモデルを生成する（S 7 0 5 )。

(iv) 学習後、うまく適合できないデータに注目してデータの存在確率を更新する（S 7 0 6 )。

(V) 更新された存在確率を用いて、 S 7 0 4と、 S 7 0 5とを繰り返し処理を行なう（S 7 0 7 )。

(vi) 正規化されたパラメータに基づき「学習する必要のないデータの率」と、「S 7 0 4と S 7 0 5とを繰り返す回数」を交差妥当化で推定する（S 7 0 8 )。

(vii) そして、高調波データを入力とする各電気機器の消費電力を推定するモデルを生成する (S 709)。

(B) サポート ·ベタトル ·マシーンの場合

(i) ラジアルべイシスフアンクシヨン核関数（例えば、正規分布関数）を用いて、測定データを観測空間から線形判別が可能となる高次元空間に表現する (S 71 1)。この高次元空間上で線形判別を行い、測定データ空間上でラージ 'マージンを形成するパラメータとして、「学習する必要のないデータの率」と「ラジアルべイシスフアンクシヨンの幅」とを採用する。

(ii) 正規化されたデータに適したサポートべクトルマシーンの重要なパラメータである「学習する必要のないデータの率」と、「ラジアル 'ベイシス 'ファンクシヨンの幅」とを、交差妥当化で推定する（S 712)。サポートベクトルマシーンを単純に行うと測定データ中の特異データや誤つたデータにも適合したハードマ一ジンを形成して未知の（テスト）データに対する認識能力を低下させる。そこで、交差妥当化で、ハード'マージンをラージ'マージンにする「ゆとり」を推定する。

(iii) インパータ機器に重要度を付加した線形計画問題を解いてパラメータを学習し、消費電力曲線を近似するモデルを生成する（S 713)。

(iv) そして、高調波データを入力とする各電気機器の消費電力を推定するモデルを生成する（S 709)。

このようにして LMCによる推定手段 13が学習により形成される。

更に、この LMC 1 3の具体的な学習について図 3から図 6に示す学習回路と高調波パターン等に基づいて説明する。

まず、図 3に LMCを学習させるための学習回路の一例を示す。この学習回路は、図 3に示すように、正弦波電源装置（50Hz, 100 V， 2KVA) 51 と、開閉器 52と、総負荷電流を測定するための計器用変流器 53と、個別負荷の電流を測定するための計器用変流器 54と、電圧を測定するための計器用変成器 55と、個別負荷毎に動作状態を切り替えるオンオフスィッチ 56， 57， ···, 61と、負荷， B, ···, Fと、高周波分析器 62及ぴ LMC 1 3とからなる。 LMC 13には、入力装置（図示せず）を介して入力と教師データが与えられるように設けられている。ここで、負荷 A， B, ···, Fとして、電力需要家において一般に使用される表 1に示す代表的なィンパータ機器とノンィンパータ機器の組み合わせを採用した。そして、スィッチ 5 6 , 5 7， 6 1のオン 'オフにより、更にはインバータ機器の電流（例えば、インバータエアコンなら室内設定温度や設定風速を変化させることで電流を変えることができる。）やノンィンバータ機器の電流（例えば、白熱灯ならば点灯する個数を増減することで電流を変えることができる。）を任意に設定することにより、負荷 A〜Fのさまざまな使用状況の組合せが LMC 1 3に与えられるようにしている。

ここで、複数の電気機器の使用状態とその時の総負荷電流の基本波並びに高調波の電流パターンと電圧に対するそれらの位相差パターンについて説明すると次のように表される。例えば、負荷 Dの白熱灯バンクの点灯個数を 6個（6 0 0 W)、負荷 Fのカラーテレビをオン ( 8 0 W) として、インパータエアコンを 9 5 %稼働 ( 9 5 0 W) したときの基本波並びに高調波の電流パターンと電圧に対するそれらの位相差パターンは例えば図 4に示すようなものとして得られる。この図 4において、位相差は、基本波が一番大きく、第 3次高調波、第 7次高調波、第 1 1次高調波が概ね同じ値で、これらの次数より第 5次及び第 9次は小さく、更に第 1 3次が最も小さくなるパターンを形成する。また、高調波電流は、第 3 次成分が第 5次以降の高調波成分によりも相対的に大きな値を示すパターンを形成している。

また、例えば負荷 Dが 6 0 0 W、負荷 Fが 8 0 W、負荷 Bのインバータ冷蔵庫が 9 5 %稼働 ( 2 0 9 Wの使用）のときには、図 5に示すような基本波並びに高調波の電流パターンと位相差パターンが得られる。この図 5において、位相差は、基本波が一番大きく、次に第 5次高調波、第 1 1次高調波と少しずつ小さくなり、更に第 5次高調波と第 7次高調波、第 9次高調波、第 1 3次高調波の位相差が半減して尚かつ順次小さな値となるパターンを形成している。そして、高調波電流については、第 3次高調波電流並びに第 5次高調波電流が他の高調波成分に比較して大きく、かつ次数が高くなるに従って順次小さな値を示すパターンを形成している。

また、例えば負荷 Dが 6 0 0 W、負荷 Eが 1 8 0 W、負荷 Aが 1 0 0 O Wの使用のときには、図 6に示すような高調波パターンと位相差パターンが得られる。この図 6において、位相差は、基本波と第 1 3次高調波とがほぼ同じで一番大きく、それ以外の高調波では比較的小さくなって概ね U字状の形状になるパターンが得られた。また、高調波電流については、第 3次高調波成分のものを含めて全体に相当小さな値を示すパターンを形成している。

このように複数の電気機器が組み合わされてさまざまな動作状態で使用される場合には、その組み合わせや動作状態に応じて固有の電流パターンと位相差パターンを伴う。そこで、代表的な複数の電気機器（ノンインパータ機器とインバータ機器とを含む）の種々の組み合わせとそれらの電気機器の種々の動作状態における個別の消費電力の組み合わせについて、そのときの総負荷電流データと当該総負荷電流の基本波並びに高調波の電流及び電圧に対するそれらの位相差に関するデータとそのときの解答である電気機器の個別の消費電力データとからなる教師データを推定アルゴリズムに与えてあらかじめ学習させれば推定手段を取得できる。

尚、学習のための教師データとしては、この例で示したものに限られるものではなく、適当な電気機器の組み合わせ、適当な動作状態の組み合わせのときのデータをいくつか用意すればよい。

この L M C 1 3における消費電力の推定は、総負荷電流データと、当該総負荷電流の基本波並びに高調波の電流およぴ電圧に対するそれらの位相差に関するデ一タの組み合わせと、電気機器の消費電力との相関から得られる消費電力曲線を近似するモデルに従って最も条件の近いデータから使用している機器毎の消費電力を推定する。

尚、データベースに蓄積されていない電気機器の消費電力については不明の電気機器のものとして表示する。

以上のように構成された電気機器の消費電力推定システム 1によると、以下のようにして電力需要家 2で実際に使用されている電気機器 3の個別の消費電力を非侵入的に測定できる。

即ち、代表的な電気機器の組み合わせ使用に関して予め学習して判別面を形成した LMC 1 3に、給電線引込口付近に設置された測定センサー 1 1からの未知の測定データ（電圧 V A ， V B 、電流 I A , I B ) をデータ抽出手段 1 2から取り出して高速フーリエ変換器 1 2 2により高調波電流データ I _{A (1} - _{1 3} I B ( ! - ! 3)、及ぴ位相差データ ψ A (卜 L 3) , Β ( ! - ! 3) 並びに総負荷電流データを得て L MC 1 3に入力すれば、パターン認識され、動作している電気機器 3 (ノンインパータ機器、インパータ機器）の個別の消費電力を推定して出力することができる。

この推定された動作状態にある電気機器の消費電力データは、電力需要家 2自身が利用できる以外に、通信回線を経由して電力会社等の電気事業者が利用したり、更には電気機器の異常等の情報として使用できる。

例えば、 2 1世紀初頭には、多様な情報サービスが電力需要家 2へ提供されると同時に、電力需要家 2の側の情報もネットワークを通して収集され、これらの情報は電気事業者等の経営にも反映されてゆくものと期待される。例えば、電気事業者にとつて電力需要家 2の側の重要な情報の一つに電力需要家 2が保有する電気機器の構成や使用実態に関する情報があるが、これらは D S M (Demand Side Management) の効果の評価、潜在需要の予測、負荷率低下の要因分析、きめ細かな季時別料金システムの構築、電力需要家 2への各種サービスの提供等を行う上で必要不可欠である。この電気機器の消費電力推定システム 1は、上述したニーズに応えることができる有力なシステムの一つといえる。

また、本実施形態では主に非侵入的な電力機器の個別の消費電力の推定について述べたが、特に利用方法は限定されず、電気機器の動作異常を警告することにも利用できる。即ち、電気機器の消費電力推定システムで得られた電力消費に関する情報から、例えば日常の電力消費との比較において異常と判断される場合に、電力需要家在室者の安否、電力需要家内の安全、電気機器や電化システムの異常の有無等を判定し、その情報を外部へ発信することができる。例えば、本システムにより、在室者が毎日オンオフされるはずの照明、テレビ、電気ポット、温水便座等の動作状態から「電力需要家在室者の安否」を判定することができるとともに、火災等の原因となる電気アイロン、電気ストーブ、電化厨房等の長時間使用（つけっぱなし）等から「電力需要家内の安全」を判定することができる。「これらの情報の外部発信」については、既存の電話回線、 PHS、ポケベル、ィンターネット等の利用が可能であり、「通報対象者」は居室者本人、居室者の縁者、消防署、地方自治体等の福祉医療担当者等を想定できる。

なお、上述の実施形態は本発明の好適な実施の一例ではあるがこれに限定されるものではなく本発明の要旨を逸脱しない範囲において種々変形実施可能である。例えば、上述の実施形態では推定手段 1 3として LMCなどの推定アルゴリズムを採用した場合について主に説明したが、これに特に限定されるものではなく、例えば代表的な電気機器あるいは任意の電気機器の組み合わせとそれぞれに対する動作状態の組み合わせを設定して得られた多数のデータを用いたテープルルックアップ方式によるパターンマッチングなどによることも可能である。更に、場合によっては、推定手段そのものも必要とされないこともあり、この場合には測定によつて得られた高調波パターンの特徴から使用電気機器の組み合わせとその個別の消費電力を推定することも可能である。また、推定手段 1 3として推定ァルゴリズムを利用する場合にも、 LMCを採用した場合について主に説明したが、これに特に限定されるものではなく、その他の推定手段、例えばニューラルネットワークを利用することも可能である。を利用した推定手段としては、特に学習を通してパターン認識が可能になるという特徴を有する階層型ニューラルネットワークの使用が好ましい。尚、この実施形態の電気機器の消費電力推定システムは、推定手段 1 3として NNを使用する点を除けば第 1の実施の形態と全く同一構成である。因みに、階層型-ユーラルネットワークによる学習は、誤差逆伝搬法と呼ばれ、ある入力パターンが与えられたときにそれに対する出力パターンが目標出力（教師データ）と一致するように、 N 間の結合係数を修正することである。

このニューラルネットワークによる推定は特にィンパータ機器の推定に効果を発揮するが、ノンィンバータ機器との混在下での個別の動作機器の電力消費を推定することもできる。そして、第 1の実施の形態と同様に、教師データにより学習させて入力パターンと出力パターンとを関連付ける推定手段を構築し、この推定手段によって電力需要家に設置されている電気機器 3の個別の消費電力を非侵入的な方法で推定できる。

このような第 2の実施の形態によっても、ィンパータ機器とノンィンパータ機器の混在する使用状況下での動作している個別の機器の電力消費を推定することができるなどの第 1の実施の形態と同様な作用効果を奏する。

また、本発明の電気機器の消費電力推定システム 1は、通常電話回線や光ファィパー専用回線等を利用して、 LM C 1 3 (あるいはニューラルネットワーク）の推定精度を向上させる学習を電力需要家 2の外部から行うこともできる。

Claims

請求の範囲

1 . 電力需要家が使用している複数の電気機器の個別の消費電力を推定する方法において、前記電力需要家の給電線引込口付近で測定した総負荷電流及ぴ電圧から当該総負荷電流の基本波並びに高調波の電流及び電圧に対するそれらの位相差を求め、前記総負荷電流の基本波並びに高調波の電流及び電圧に対するそれらの位相差からそのときの使用電気機器の組み合わせとそれらの電気機器の個別の消費電力を推定することを特徴とする電気機器の消費電力推定方法。

2 . 電力需要家が使用している複数の電気機器の個別の消費電力を推定する電気機器の消費電力推定システムにおいて、前記電力需要家の給電線引込口付近に設置した測定センサーと、前記測定センサーで検出した総負荷電流及び電圧から当該総負荷電流の基本波並びに高調波の電流及ぴ電圧に対するそれらの位相差に関するデータを取り出すデータ抽出手段と、前記総負荷電流の基本波並びに高調波の電流及び電圧に対するそれらの位相差からそのときの使用電気機器の組み合わせとそれらの電気機器の個別の消費電力を推定する推定手段とを備えることを特徴とする電気機器の消費電力推定システム。

3 . 前記推定手段は、標準的な各種電気機器の種々の組み合わせと、それらの電気機器の種々の動作状態における個別の消費電力の組み合わせについて、当該総負荷電流の基本波並びに高調波の電流及び電圧に対するそれらの位相差に関するデータと、そのときの解答である電気機器の個別の消費電力データとからなる教師データを推定アルゴリズムに与えてあらかじめ学習して得られたものであることを特徴とする請求の範囲第 2項記載の電気機器の消費電力推定システム。

4 . 前記推定手段は、ラージ 'マージン ' クラスファイアの推定アルゴリズムを用いることを特徴とする請求の範囲第 3項記載の電気機器の消費電力推定システム。

5 . 前記推定手段は、ニューラルネットワークの推定アルゴリズムを用いることを特徴とする請求の範囲第 3項記載の電気機器の消費電力推定システム。

6 . 請求の範囲第 2項から第 5項記載の電気機器の消費電力推定システムで得られた電気機器の動作状況から、電力需要家在室者の安否、電力需要家内の安全、電気機器や電化システムの異常の有無等を判定し、その情報を外部へ発信する異常警告システム。