JP2007003296A

JP2007003296A - 電気機器モニタリングシステム

Info

Publication number: JP2007003296A
Application number: JP2005182385A
Authority: JP
Inventors: Hisae Nakamura; 久栄中村; Koichi Ito; 伊藤　　公一
Original assignee: Toenec Corp
Current assignee: Toenec Corp
Priority date: 2005-06-22
Filing date: 2005-06-22
Publication date: 2007-01-11

Abstract

【課題】電力需要家の電気機器に電力を供給する電源幹線にノイズが重畳されていても確率統計的なパターン認識手法を用いることにより、ノイズに影響されることが少なく、且つ電力需要家に新たな電気機器が追加されたり、電気機器が変更された場合でも多大な変更作業をすることなく、複数の電気機器の稼動状態を正確にモニタリングするシステムを提供する。
【解決手段】電気機器モニタリングシステム１は、高圧電圧から低圧電圧に降圧された電力を構内の電気機器に分電するそれぞれの分電盤の幹線等を総称した電源幹線２にセットされたセンサ３により検出された特徴量（例えば電源幹線２に流れる電流）のパターンを、隠れマルコフモデルに基づいた確率統計的なパターン認識手法により認識することによって、電力需要家が使用する複数の電気機器４の稼働状態をモニタリングし、複数の電気機器４の、どの電気機器が稼働状態にあるか判定する。
【選択図】図２

Description

本発明は、一般家庭や工場、ビルディング等で使用される複数の電気機器の稼動状態を確率統計的なパターン認識手法を用いてモニタリングするための電気機器モニタリングシステムに関する。

従来、一般家庭や工場、ビルディング等で使用される複数の電気機器の稼動状態をモニタリングする手法として、例えば、電力需要家に引き込まれている給電線の引込口付近に測定センサを設置し、この測定センサにより検出された測定データから基本波並びに高調波の電流とそれらの電圧に対する位相に関するデータを取り出すことによって、電力需要家が使用している電気機器の稼動状態を、ニューラルネットワークに基づいて推定する電気機器モニタリングシステム（特許文献１参照）がある。

しかしながら、上記従来の電気機器モニタリングシステムの場合、データとして基本波並びに高調波の電流成分を用いているため、電力需要家に引き込まれた給電線に重畳されているノイズ成分により各電流成分の大きさが頻繁に変わることがある。そのため、複数の電気機器の稼動状態を正確にモニタリングすることができない場合がある。また、電力需要家に新たな電気機器が追加された場合、新たな電気機器の稼動時のデータを教師データとして学習させるためには、既にある教師データと一緒に、もう一度はじめからニューラルネットワークの構築をしなおす必要がある。そのため、電力需要家に新たな電気機器が追加された場合のニューラルネットワークの再構築に多大な時間がかかるという問題がある。
特許第３４０３３６８号

そこで本発明では、電力需要家の電気機器に電力を供給する電源幹線にノイズが重畳されていても、確率統計的なパターン認識手法を用いることにより、ノイズに影響されることが少なく、且つ電力需要家に新たな電気機器が追加されたり、電気機器が変更されたような場合でも多大な変更作業をすることなく複数の電気機器の稼動状態を正確にモニタリングすることができる電気機器モニタリングシステムを提供することを解決すべき課題とするものである。

上記課題は、特許請求の範囲の欄に記載した電気機器モニタリングシステムにより解決することができる。
請求項１及び請求項２に記載の電気機器モニタリングシステムによれば、電力需要家が使用する複数の電気機器を予め設定された様々な稼動状態にすると、電源幹線部にセットされたセンサは上記各設定稼動状態での特徴量を検出するため、学習手段は、それぞれの特徴量のパターンを隠れマルコフモデルに基づいてパラメータ化したそれぞれのパラメータを記憶する。これにより、学習手段に記憶されたそれぞれのパラメータは、電力需要家が使用する複数の電気機器の様々な稼動状態に対応したものとなる。次に、電力需要家の複数の電気機器がランダムに稼動している状態で、センサが特徴量を検出すると、判定手段は、そのときの特徴量のパターンの生成確率を、学習手段に記憶されたそれぞれのパラメータに基づいて演算したうえ当該生成確率が最大となるパラメータに基づいて、どの電気機器が稼動状態にあるかを判定する。
このように、請求項１及び請求項２に記載の電気機器モニタリングシステムによれば、隠れマルコフモデルに基づく確率統計的なパターン認識手法を用いたことにより、電源幹線部にノイズが重畳されていてもノイズに影響されることが少なく、且つ電力需要家に新たな電気機器が追加されたり、電気機器が変更されたような場合でも、追加、変更された電気機器の特徴量を学習すればよいために多大な時間を要する変更作業をすることなく、複数の電気機器の稼動状態を正確にモニタリングすることができる。

請求項３に記載の電気機器モニタリングシステムによれば、学習手段に記憶されているパラメータを更新もしくは交換することができるため、電気機器モニタリングシステムの汎用性を高めることができる。

ここで、隠れマルコフモデルの概念について、図１に示した模式図を参照しながら説明する。
図１において、ａ１１，ａ１２，ａ２２，ａ２３，ａ３３，ａ３４は、状態遷移確率を示すもので、ａｉｊは状態Ｓｉから状態Ｓｊに遷移する確率である。また、ｂｉ（ｘ）は状態Ｓｉにおいて特徴量ｘを出力する確率を示す。尚、Ｓ１は初期状態、Ｓ４は最終状態を示している。このように、隠れマルコフモデルは状態遷移確率、出力確率、及び初期状態確率πｉ（初期状態がＳｉである確率）をパラメータとして持ち、それぞれのパラメータを、各設定稼動状態毎に記憶しておくものであり、前述の学習手段の機能に相当する。このように、本発明では、特徴量のパターンを状態遷移確率と出力確率という確率パラメータを用いて表現することから、ノイズによる揺らぎ等を統計的にモデル化することができるため、ノイズに影響されることが少なく、複数の電気機器の稼動状態を正確にモニタリングすることができる。

本発明によれば、電力需要家の電気機器に電力を供給する電源幹線にノイズが重畳されていても、確率統計的なパターン認識手法を用いることにより、ノイズに影響されることが少なく、且つ電力需要家に新たな電気機器が追加されたり、電気機器が変更されたような場合でも多大な変更作業をすることなく複数の電気機器の稼動状態を正確にモニタリングすることができる。

次に、本発明の実施の形態について説明する。
図２は、電気機器モニタリングシステム１の全体的な構成を示したブロック図である。この電気機器モニタリングシステム１は、電力需要家が一般家庭であれば、その家屋に引き込まれた給電線や分電盤、工場やビルディングであれば、高圧電圧から低圧電圧に降圧された電力を構内の電気機器に分電するそれぞれの分電盤の幹線等を総称した電源幹線２にセットされたセンサ３により検出された特徴量（例えば電源幹線２に流れる電流）のパターンを、隠れマルコフモデルに基づいた確率統計的なパターン認識手法により認識することによって、電力需要家が使用する複数の電気機器４の稼動状態をモニタリングし、複数の電気機器４の、どの電気機器が稼動状態にあるかを判定するシステムである。

尚、上記センサ３により検出された特徴量の検出信号は一般にアナログ信号であるため、それぞれのアナログ信号はＡ／Ｄ変換回路５でデジタル信号に変換される。Ａ／Ｄ変換回路５から出力されたデジタル信号は、以下に説明する学習段階では学習部６に入力され、複数の電気機器４の稼動状態を判定する場合は判定部７に入力されるようになっている。

上記学習段階とは、電力需要家が使用する複数の電気機器４を予め設定された様々な状態で稼動させている場合に、センサ３により検出されたそれぞれの特徴量のパターンを隠れマルコフモデルに基づいてパラメータ化したそれぞれのパラメータを稼動判定情報として学習部６に記憶する過程をいう。尚、学習部６に記憶されているパラメータは、更新もしくは交換することができるようになっているため、電気機器モニタリングシステム１の汎用性を高めることができる。
また、一般的に、電力需要家が使用する電気機器は、追加されたり変更されるようなことがある。そのような場合、上記学習段階において、追加もしくは変更された電気機器に対するパラメータのみを追加、更新すればよいため、多大な変更作業をすることがない。

次に、判定部７は、複数の電気機器４をランダムに稼動させている状態でセンサ３により検出された特徴量のパターンを生成する確率（尤度）を、上記学習部６に予め記憶されているそれぞれのパラメータに基づいて演算し、当該生成確率（尤度）が最大となるパラメータを決定したうえ、そのパラメータに対応した稼動判定情報に基づいて、現在、複数の電気機器４の、どの電気機器が稼動しているかを判定する。

上記稼動状態の判定に用いる特徴量としては、電源幹線２で検出された電流や電力、あるいは電源幹線２の電圧に対する電流の位相などが採用される。また、これら特徴量に対して周波数解析した周波数スペクトルや周波数スペクトルの時系列も特徴量として含む。また、電源幹線２を流れる電流の基本波や高調波電流成分のパターンを特徴量としてもよい。更に、センサ３で直接的に検出される量や、センサ３で直接的に検出された量を基にコンピュータなどで作成される量を特徴量としてもよい。また、多種センサから得られたいくつかの特徴量を組み合わせたものを特徴量としてもよい。あるいは、多種の特徴量から作られる多次元分布、または多次元分布の時系列などを特徴量としてもよい。更に、多特徴量（多次元）に対して、主成分分析や自己組織化マップなどを用いて、多特徴量を１次元などに低次元化したものを特徴量としてもよい。

また、全ての電気機器の稼動状態における特徴量を検出することが困難な場合がある。そのような場合は、各電気機器の稼動状態における特徴量のパターンをコンピュータのシミュレーション等で作成したものを用いてもよい。

尚、前記学習部６において、特徴量のパターンをパラメータ化するとき、前向きアルゴリズム（Forward Algorithm）や後向きアルゴリズム(Backward Algorithm)などを含む計算アルゴリズム適用して計算する。また、判定部７においては、特徴量のパターンを生成する確率（尤度）を、前述の学習部６に記憶されているパラメータを用いて計算する場合、前向きアルゴリズムもしくは後向きアルゴリズムなどを含む計算アルゴリズムを適用して計算する。

表示部８は、上記判定部７で判定された複数の電気機器４の稼動状態を表示するものであり、学習部６、判定部７を構成するコンピュータのディスプレイ部である。尚、判定部７で判定された複数の電気機器４の稼動状態は、上記のようにコンピュータのディスプレイに表示されるとともに、通信部９により通信回線１１を介して、例えば電力会社、あるいは工場やビルディングの中央監視装置や、電力需要家が一般家庭であれば、警備会社や親類縁者宅に送信することができる。

尚、以上説明したＡ／Ｄ変換回路５、学習部６、判定部７をまとめて隠れマルコフモデル部（ＨＭＭ部）１０として、以後の説明に用いる。

次に、電気機器モニタリングシステム１の具体的な使用例について説明する。
図３は、電気機器モニタリングシステム１の具体的な使用例を図示した系統図であり、この場合の電気機器モニタリングシステム１は、単相三線式の電源幹線２に接続された複数の電気機器４の稼動状態をモニタリングするものである。但し、電源幹線２は二線で示しているが、各電気機器４に供給される電圧は、電気機器の電源特性により１００Ｖ系（中性線とＡ相間もしくは中性線とＢ相間）と２００Ｖ系（Ａ相―Ｂ相間）がある。

一般家庭で使用される電気機器を考えた場合には、例えばテレビ、冷蔵庫、エアコン、照明器具、洗濯機、パソコン、掃除機などがあり、ビルディングや工場等で使用される電気機器は、例えば工作機械、溶接機、ロボット、コンベヤ、パソコン、照明器具、大型コンピュータ、大型空調機などがある。これらの電気機器に流れる電流は、各電気機器それぞれに応じて特徴的な波形となる。例えば、１００Ｖ電源に接続されたパソコンの電源電流波形は図４のようになり、照明器具の蛍光灯の電源電流波形は図５のようになる。

上記のように、各電気機器の電源電流は、それぞれ特徴的な波形を示すため、複数の電気機器４が稼動している状態で、電源幹線２にセットされたＣＴ（電流変成器をセンサとする）３により検出した電流を特徴量とし、その特徴量を隠れマルコフモデル部１０に送る。

図３において、上記のように複数の電気機器４が稼動している状態で、電源幹線２にセットされたＣＴ（センサ）３により電流が検出されると、それぞれのアナログ信号は前述のＡ／Ｄ変換回路５でデジタル信号に変換されたあと、判定部７に入力される。
尚、図３における複数の電気機器４を予め設定された様々な稼動状態で稼動させた場合に、センサ３により検出されたそれぞれの特徴量のパターンを隠れマルコフモデルに基づいてパラメータ化したそれぞれのパラメータを稼動判定情報として学習部６に記憶するという前述の学習段階は既に実行されている。

Ａ／Ｄ変換回路５でデジタル信号に変換された信号が判定部７に入力されると、判定部７は、複数の電気機器４のランダムな稼動状態でセンサ３により検出された特徴量のパターンを生成する確率（尤度）を、前述の学習部６に予め記憶されているそれぞれのパラメータに基づいて演算し、当該生成確率（尤度）が最大となるパラメータを決定したうえ、そのパラメータに対応した稼動判定情報に基づいて、現在、複数の電気機器４の、どの電気機器が稼動しているかを判定する。

上記のように判定部７により現在稼動中の電気機器が判定されると、表示部８は稼働中の電気機器を表示する。また、通信部９は、通信回線１１を介し、現在稼動中の電気機器を、電力会社あるいは工場やビルディングの中央監視装置等や、電力需要家が一般家庭であれば、警備会社や親類縁者宅に設けられた管理装置に送信する。

以上の使用例の場合は、単相三線式電源で使用される複数の電気機器４の稼動状態をモニタリングする例について説明したが、３相電源で使用される複数の電気機器４の稼動状態をモニタリングする場合でも同様である。即ち、三相電源幹線における特徴量をセンサで検出し、その特徴量のパターンに対して隠れマルコフモデルに基づいた確率統計的なパターン認識手法を適用すれば、三相電源で使用される複数の電気機器４の稼動状態をモニタリングすることができる。

尚、センサをセットする位置は、電力需要家が一般家庭であれば、給電線の引込口付近や、分電盤に設けられたブレーカの幹線部などであり、工場やビルディングの場合は、各分電盤の幹線部などが考えられる。

隠れマルコフモデルの概念説明図である。電気機器モニタリングシステムの系統図である。電気機器モニタリングシステムの一使用例を示した系統図である。電気機器の電源電流の波形図である。電気機器の電源電流の波形図である。

符号の説明

１電気機器モニタリングシステム
２電源幹線
３センサ
４複数の電気機器
５Ａ／Ｄ変換回路
６学習部
７判定部
８表示部
９通信部
１０隠れマルコフモデル部

Claims

電力需要家が使用する複数の電気機器の稼動状態をモニタリングする電気機器モニタリングシステムであって、
前記複数の電気機器を予め設定された様々な状態で稼動させた場合の特徴量と前記複数の電気機器がランダムに稼動している状態での特徴量とを前記複数の電気機器に電力を供給する電源幹線部において検出するセンサと、前記複数の電気機器の設定稼動状態で前記センサにより検出された様々な特徴量のパターンを隠れマルコフモデルに基づいてパラメータ化したそれぞれのパラメータを記憶する学習手段と、前記複数の電気機器のランダム稼動状態で前記センサにより検出された特徴量のパターンの生成確率を前記学習手段に記憶されたそれぞれのパラメータに基づいて演算したうえ当該生成確率が最大となるパラメータに基づいて前記複数の電気機器のどの電気機器が稼動しているかを判定する判定手段と、を備えたことを特徴とする電気機器モニタリングシステム。
請求項１に記載の電気機器モニタリングシステムであって、前記複数の電気機器の設定稼動状態で前記センサにより検出されたそれぞれの特徴量のパターンを前記学習手段においてパラメータ化する際に、少なくとも前向きアルゴリズムや後向きアルゴリズムを含む計算アルゴリズムを用い、また、前記複数の電気機器のランダム稼動状態で前記判定手段が前記センサにより検出された特徴量のパターンの生成確率を前記学習手段に記憶されたそれぞれのパラメータに基づいて演算する場合は、少なくとも前向きアルゴリズムもしくは後向きアルゴリズムを含む計算アルゴリズムを用いることを特徴とする電気機器モニタリングシステム。
請求項１又は請求項２に記載の電気機器モニタリングシステムであって、前記学習手段に記憶されているパラメータを更新もしくは交換することができることを特徴とする電気機器モニタリングシステム。