JP2016102775A

JP2016102775A - 電気機器の動作状態同定方法及びシステム

Info

Publication number: JP2016102775A
Application number: JP2015001720A
Authority: JP
Inventors: 洋思井上; Hiroshi Inoue; 孝大山; Takashi Oyama; 敏雄渡辺; Toshio Watanabe; 文彦石山; Fumihiko Ishiyama
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2014-11-12
Filing date: 2015-01-07
Publication date: 2016-06-02

Abstract

【課題】同定する動作状態毎に適用する特徴量を使い分ける、複数の単純ベイズ分類機を用いた電気機器の動作状態同定方法及びシステムを提供すること。【解決手段】総電力時系列データとエアコン電力時系列データを取得し、それらを電力時系列記憶部１０２に記憶する。エアコンの動作状態毎に、その動作状態の判定に用いる特徴量を決定し、電力時系列データから算出するための特徴量演算式を決定し、各動作状態時の特徴量を算出する。各動作状態に対応する特徴量演算式を単純ベイズ分類器に組み込んで判定式を作成し、判定式記憶部１０３に記憶させる。電力時系列データを判定式記憶部１０３に記憶されている判定式に入力してエアコンの動作状態を同定する。エアコンの動作状態同定の推定結果を推定結果出力部１０６よる出力する。【選択図】図３

Description

本発明は、分電盤で計測した電力値、電流値を分析することで電気機器個別の動作状態を同定する電気機器の動作状態同定方法及びシステムに関する。

現在、節電への関心から家庭内の電気機械器具の電力消費状況を詳細に把握する試みがなされており、その１つとして、電力時系列データを用いて家電機器個別の動作状態を同定する技術が提案されている（非特許文献１参照）。

図４（ａ）に、ヒートポンプコンプレッサの電力時系列データを示し、図４（ｂ）に、食洗機の電力時系列データを示す。従来の家電機器の動作状態同定方法では、図４（ａ）、（ｂ）に示すような電力時系列データから特徴抽出するため、家電の設定値の変更や家電自体の電力の制御に伴う時系列の電力変動に対して安定して高精度に動作状態を同定できるというメリットを持つ。

しかし、このような家電機器の動作状態同定方法は、電力時系列データの変動パターンに対するパターンマッチングを行うため、予め機器毎の変動パターンの取得と登録が必要である。そのため、全ての機器について個別に行う変動パターンの取得と登録には多大な作業を要するというデメリットがある。

一方、他の機器同定方法として、単純ベイズ分類機を利用し、過去の消費電力データの一部を訓練データとすることで、容易に機器毎の最適な判定式を算出する方法も提案されている（非特許文献２参照）。しかし、この方法では、特徴量を抽出する元となるデータは電力時系列データではなく、瞬時的な消費電力データであるため、機器の再現性のない電力変動のゆらぎに対して、安定して高精度に同定を行うことは困難である。

前述した２つの手法のデメリットを解消するため、これらの手法を組み合わせ、電力時系列データから特徴量を抽出し、単純ベイズ分類機を判定器として用いる手法が考えられる。

Cole A.I., Albicki A, "Data extraction for effective non-intrusive identification of residential power loads," IEEE Instrumentation and Measurement Technology Conference, 1998, pp.812-815 Marchiori A., Hakkarinen D., Han Q., Earle L., "Circuit-level load monitoring for household energy management," IEEE Pervasive Computing, 2011, pp.40-48

しかしながら、計測した全期間のデータに対して、一律に同じ特徴量を適用し、単一の単純ベイズ分類機を用いて家電機器の動作状態を同定するといった手法では、高い同定精度を得るのは困難である。

単純に上述の２つの手法を組み合わせただけでは高い同定精度を得るのが困難な理由として、以下の２点を指摘することができる。

（課題１）：単純ベイズ分類器では複数の特徴量が用いられる場合、特徴量間の独立性が仮定されることから特徴量間の共起性は考慮されない。また、家電機器は設定や家電が自律的に行う電力制御に伴い電力時系列データは複数の状態を持つ。

図５に、エアコンの電力時系列データを示す。このエアコンの例では、電力時系列データは、エアコン動作時では大きく「立上り/立下り状態」と「高電力状態」の２つの状態に区別される。しかし、従来の単純ベイズ分類器では、「立上り/立下り状態」と「高電力状態」の２状態を区別せず、「エアコン動作」という１状態として扱わず、特徴量間の共起性が考慮されない。その結果、抽出される特徴量から「立上り/立下り状態」なのか、「高電力状態」なのかという状態を区別する情報が欠落する。実際のエアコンの動作時では異なる２つの状態の特徴が混在することはないが、抽出した特徴量に状態を区別する情報がないため、２つの状態の区別無しに特徴量を処理せざるを得ず、状態を区別した場合に比べ同定精度は低下する。

（課題２）：「立上り/立下り状態」と「高電力状態」では電力時系列の特徴が大きく異なる。特徴量の性質によっては「高電力状態」を特徴付けるには有利だが、「立上り/立下り状態」を特徴付けるには不利、もしくは特徴付けの精度が低くなる場合がある。また逆に、「立上り/立下り状態」を特徴付けるには有利だが、「高電力状態」を特徴付けるには不利、もしくは特徴付けの精度が低くなる場合がある。例えば、電力の大きさを特徴付ける特徴量の利用において、「立上り/立下り状態」における消費電力が低い条件で、エアコン動作を同定するのは困難であり、もしくは同定精度を低下させる。

このように計測した全期間のデータに対して一律に同じ特徴量を適用することは、同定精度向上に効果が小さい、もしくは逆効果となる条件も含めて、機器同定の演算に利用することになるため、同定精度劣化の原因となり得る。

本発明は、このような課題に鑑みてなされたもので、その目的とするところは、同定する動作状態毎に適用する特徴量を使い分ける、複数の単純ベイズ分類機を用いた電気機器の動作状態同定方法及びシステムを提供することにある。

上記の課題を解決するために、本発明は、電気機器の動作状態同定方法であって、第１の電気機器が消費した電力を示す第１の電力時系列データ、および前記第１の電気機器を含む電気機器群が消費した電力を示す第２の電力時系列データを取得して電力時系列データ記憶部に記憶するステップと、前記第１の電気機器の複数の動作状態を特徴付ける電気時系列データ上の特徴量を決定し、前記第１および第２の電力時系列データから動作状態毎の前記特徴量の値を算出するステップと、前記第１および第２の電力時系列データから算出された前記特徴量の値に基づく前記特徴量に関する尤度関数を含む単純ベイズ分類器からなる判定式であって、前記動作状態毎に適用する前記特徴量又は前記特徴量の組み合わせが異なる判定式を作成し、作成した前記判定式を判定式記憶部に記憶するステップと、前記電力時系列データ記憶部前記第２の電力時系列データの内、前記第１の電気機器の動作状態を判定する時点より前の所定時間幅のデータを、前記動作状態毎の判定式にそれぞれ代入して複数の判定結果を算出し、前記複数の判定結果の論理和から前記第１の電気機器の動作状態を同定するステップと、を有することを特徴とする。

請求項２に記載の発明は、請求項１に記載の電気機器の動作状態同定方法において、前記動作状態は、前記第１の電気機器の起動／停止時を含む立上り／立下がり状態と、前記第１の電気機器が起動中の高電力状態とを含むことを特徴とする。

請求項３に記載の発明は、請求項２に記載の電気機器の動作状態同定方法において、前記第１の電気機器は、エアコンであることを特徴とする。

請求項４に記載の発明は、請求項１乃至３に記載の電気機器の動作状態同定方法において、前記特徴量は、前記所定期間幅における、前記第１および第２の電力時系列データの平均、階差の平均、ならびに、標準偏差、分散、階差の絶対値の和、および階差の絶対値の平均のいずれかを含むことを特徴とする。

請求項５に記載の発明は、請求項１乃至４に記載の電気機器の動作状態同定方法において、前記特徴量は、高電力状態の連続継続時間を含むことを特徴とする。

請求項６に記載の発明は、電気機器の動作状態同定システムであって、第１の電気機器が消費した電力を示す第１の電力時系列データ、および前記第１の電気機器を含む電気機器群が消費した電力を示す第２の電力時系列データを受信する電力時系列入力部と、前記第１および第２の電力時系列データを記憶する電力時系列データ記憶部と、前記第１の電気機器の複数の動作状態を特徴付ける電気時系列データ上の特徴量を決定し、前記第１および第２の電力時系列データから動作状態毎の前記特徴量の値を算出し、前記第１および第２の電力時系列データから算出された前記特徴量の値に基づく前記特徴量に関する尤度関数を含む単純ベイズ分類器からなる判定式であって、前記動作状態毎に適用する前記特徴量又は前記特徴量の組み合わせが異なる判定式を作成する判定式作成部と、作成した前記判定式を記憶する判定式記憶部と、前記電力時系列データ記憶部に記憶された前記第２の電力時系列データの内、前記第１の電気機器の動作状態を判定する時点より前の所定時間幅のデータを、前記動作状態毎の判定式にそれぞれ代入して算出した複数の判定結果の論理和から前記第１の電気機器の動作状態を同定する動作状態同定部と、を備えたことを特徴とする。

請求項７に記載の発明は、請求項６に記載の電気機器の動作状態同定システムにおいて、前記動作状態は、前記第１の電気機器の起動／停止時を含む立上り／立下がり状態と、前記第１の電気機器が起動中の高電力状態とを含むことを特徴とする。

請求項８に記載の発明は、請求項７に記載の電気機器の動作状態同定システムにおいて、前記第１の電気機器は、エアコンであることを特徴とする。

請求項９に記載の発明は、請求項６乃至８に記載の電気機器の動作状態同定システムにおいて、前記特徴量は、前記所定期間幅における、前記第１および第２の電力時系列データの平均、階差の平均、ならびに、標準偏差、分散、階差の絶対値の和、および階差の絶対値の平均のいずれかを含むことを特徴とする。

請求項１０に記載の発明は、請求項６乃至９に記載の電気機器の動作状態同定システムにおいて、前記特徴量は、高電力状態の連続継続時間を含むことを特徴とする。

本発明は、電力時系列データ全体に一律に同じ特徴量を適用し、単一の単純ベイズ分類機を用いる電気機器の動作状態同定方法に比べ、同定精度が向上する。

（ａ）は電力時系列の平均、（ｂ）は電力時系列の階差に対する平均、（ｃ）は電力時系列の標準偏差の各値（ラベル）の出現率を示す図であり、Ａがエアコン起動後の電力が安定している時間帯、Ｂがエアコン起動／停止の電力過渡時、ＣがエアコンＯＦＦの時間帯の各値（ラベル）の出現率を示す図である。本発明の一実施形態に係る電気機器の動作状態同定システムの構成を示す図である。本願発明の一実施形態に係る電気機器の動作状態同定方法を説明するフローチャートである。（ａ）はヒートポンプコンプレッサの電力時系列データを示す図であり、（ｂ）は食洗機の電力時系列データを示す図である。エアコンの電力時系列データを示す図である。エアコンの電力時系列データの例を示す図である（ａ）〜（ｆ）は、高電力を消費する電気機器の電力時系列データを示す図である。（ａ）〜（ｆ）は、高電力を消費する電気機器の電力時系列データを示す図である。

従来技術の問題点を解消し、同定精度を向上するため、本発明では主に下記のような手法を導入する。

（１）電気機器の動作状態を複数状態規定し、状態毎に各状態を同定する判定式を作成し、それらを併用して電気機器の動作状態を同定する。エアコンを例にすると、エアコンの動作状態を「立上り/立下り状態」と「高電力状態」に分離し、「立上り/立下り状態」を同定する判定式と「高電力状態」を同定する判定式の２つの判定式を併用し、エアコンの動作状態を同定する。

（２）上記のように、状態毎に各状態を同定する判定式を用いて電気機器の動作状態を同定する際に、電気機器動作中の複数状態の同定において判定式毎にそれぞれ別の特徴量を利用する。エアコンを例にすると、「立上り/立下り状態」の同定において、大きな電力変化を特徴づける特徴量を利用し、電力の大きさを特徴づける特徴量は利用せず、一方、「高電力状態」の同定において、電力の大きさを特徴づける特徴量を利用し、大きな電力変化を特徴づける特徴量は利用しない。

これらの手法を用いることで、従来の一律に同じ特徴量を適用し、単一の単純ベイズ分類機を用いるエアコンの動作状態同定方法に比べ、同定精度が向上する。

以下、判定式の作成手段について述べる。

まず、電力時系列から抽出した特徴量を用いた単純ベイズ分類器による単純な判定式について述べる。ベイズの定理により、エアコンがＯＮ、ＯＦＦのいずれの状態にあるかを示す事後確率Ｃ_MLは、事前確率ｐ（Ｃ＝ｃ）に尤度ｐ（Ｆ_i＝ｆ_i│Ｃ＝ｃ）を掛けて得られ、下式（１）のようにかける。

但し、

Ｆ_iは特徴量、ｆ_iは特徴量の値、ｎは特徴量数、Ｃはエアコンの状態、ｃはエアコンの具体的な１状態である。

判定式は式（１）により定義され、判定式を構成する事前確率ｐ（Ｃ＝ｃ）は総電力時系列データとエアコン電力時系列データを用いて算出する。なお、エアコンの動作状態であるｃは、所定の電力閾値を設け、エアコン電力がその閾値以上となる場合にエアコンＯＮ、閾値未満となる場合にエアコンＯＦＦとする。

次に、特徴量について述べる。特徴量を設定するために電力時系列に対して、窓を設定する。この窓は着目する時点より前の一定時間幅であり、特徴量はこの窓内の電力時系列から算出する。本発明の一実施形態では、窓幅を１０分として下記特徴量を判定式に適用する。なお、ここでは窓幅を１０分としたが、窓幅はこれに限るものではなく、任意に設定可能である。

＜１＞電力の大きさを特徴づける特徴量
具体的な演算例：窓内の電力時系列における平均

＜２＞電力の大きな電力変化を特徴づける特徴量
具体的な演算例：窓内の電力時系列の階差に対する平均

＜３＞電力の変動量を特徴付ける特徴量
具体的な演算例：窓内の電力時系列の階差に対する標準偏差

ただし、＜１＞〜＜３＞の具体的な演算式（２）〜（４）は一例であり、本発明はこの具体的な演算に限るものではない。例えば、＜３＞については標準偏差でなく分散でも構わないし、階差の絶対値の和や平均でも構わない。なお、＜１＞〜＜３＞の式（２）〜（４）は、得られる電力時系列データが離散値であるため、離散化しておくのが好ましい。

図１（ａ）〜（ｃ）に、各特徴量のヒストグラムを示す。各特徴量を、ｅを底とする自然対数に変換し、正の値のみ持つ特徴量は０からｅ、正負の値を持つ特徴量は−ｅからｅまでを「ラベル０」とする。ｅから特徴量の最大値を５等分し、小さい方から順に「ラベル１」、「ラベル２」、・・・「ラベル５」とする。負の値を持つ特徴量については、正の値と同様に５等分して大きい方から順に「ラベル−１」、「ラベル−２」、・・・「ラベル−５」とする。

図１（ａ）〜（ｃ）において、Ａはエアコン起動後の電力が安定している時間帯、Ｂはエアコン起動／停止の電力過渡時、ＣはエアコンＯＦＦの時間帯の各ラベルに対応する特徴量の出現率を示す。

図１（ａ）の電力時系列の平均は、ＡとＢの重なり面積はほとんど無く、ＢとＣの出現は概ね分離されている。よって、この特徴量はエアコンの起動後の電力が安定している「高電力状態」に有効である。

図１（ｂ）の電力時系列の階差に対する平均は、ＡとＣの重なり面積は大きく、ＢとＣの重なり面積は小さい。よって、この特徴量はエアコン起動／停止の電力過渡時の「立上り／立下がり状態」に有効である。

図１（ｃ）の電力時系列の標準偏差は、ＣとＡおよびＢとでは分布が大きく異なることから、エアコンの起動後の電力が安定している「高電力状態」、エアコン起動／停止の電力過渡時の「立上り／立下がり状態」のどちらにおいても一定程度有効である。

本発明の一実施形態では、このような各特徴量の各動作状態に対する有効性に基づき、エアコンの動作状態を推定するための判定式として、２つの状態、すなわち、「高電力状態」と「立上り／立下がり状態」とに対応した異なる特徴量の組み合わせを適用した２つの判定式を作成する。

「高電力状態」の判定式には、電力の大きさを特徴づける特徴量Ｆ₁と電力の変動量を特徴付ける特徴量Ｆ₃とを式（１）に適用した下式（５）を用いる。

但し、

「立上り／立下がり状態」の判定式には、電力の大きな電力変化を特徴づける特徴量Ｆ₂と電力の変動量を特徴付ける特徴量Ｆ₃とを式（１）に適用した下式（６）を用いる。

但し、

これら判定式を構成する各事前確率は、前述の方法と同様に総電力時系列データとエアコン電力時系列データから算出する。なお、本発明では判定式が複数あるため、判定式毎に判定結果が演算されるが、総合的な判定結果として、各判定結果の論理和を用いる。

図２に、本発明の一実施形態に係る電気機器の動作状態同定システムの構成を示す。システムは以下の機能を持つ部品、もしくはプログラムにより構成される。

電力時系列入力部１０１は、電力センサ等から得られた電力時系列データを数値情報としてシステムに入力するインタフェースである。本システムで利用する電力時系列データのサンプリング間隔は２０秒程度が好ましいが、これに限るものではなく、任意に設定可能である。電力時系列入力部１０１において、エアコンの電力時系列データと分電盤で取得する家全体の総電力の電力時系列データを取得する。

電力時系列記憶部１０２は、記憶装置内に設けられ、電力時系列入力部１０１により取得した電力時系列データを任意の期間内で記憶する。

判定式作成部１０４は、電力時系列記憶部１０２に記憶されているエアコンの電力時系列データと分電盤で取得する家全体の総電力の電力時系列データを用いて、上述した方法で、エアコンの複数の動作状態を同定する複数の判定式を作成する。複数の判定式は、それぞれ各動作状況を特徴付ける異なる特徴量の組み合わせを含み、同定する動作状態毎に異なる。

判定式記憶部１０３は、判定式作成部１０４により作成された判定式を記憶する。

動作状態同定部１０５は、電力時系列記憶部１０２に記憶されているエアコンの電力時系列データと分電盤で取得する家全体の総電力の電力時系列データを判定式記憶部１０３に記憶されている各状態に対応した複数の判定式に代入して状態の真偽を算出する。各判定式の演算結果の理論和に従ってエアコンの動作状態を同定する。

推定結果出力部１０６は、エアコンの動作状態の推定結果をモニタ等の外部装置に出力する出力インタフェースである。

図３に、本願発明の一実施形態に係る電気機器の動作状態同定方法を説明するフローチャートを示す。

電力時系列入力部１０１より総電力時系列データとエアコン電力時系列データを取得し、それらを電力時系列記憶部１０２に記憶する（ステップ２０１）。エアコンの動作状態毎に、その動作状態の判定に用いる特徴量を決定し、電力時系列データから算出するための特徴量演算式を決定し、各動作状態時の特徴量を算出する（ステップ２０２）。各動作状態に対応する特徴量演算式を単純ベイズ分類器に組み込んで判定式を作成し、判定式記憶部１０３に記憶させる（ステップ２０３）。電力時系列データを判定式記憶部１０３に記憶されている判定式に入力してエアコンの動作状態を同定する（ステップ２０４）。エアコンの動作状態同定の推定結果を推定結果出力部１０６よる出力する（ステップ２０５）。

ここでは電気機器としてエアコンを例に説明したが、エアコン以外の電気機器についても、動作状態毎に適用する特徴量を設定し、動作状態別に複数の判定式を用いることで、エアコンの場合と同様に、動作状態同定の精度を向上させることができる。

ここまでの判定に用いた特徴量Ｆ₁〜Ｆ₃は電気機器全般の特徴を捉えるものであるが、特にエアコンの同定を行う際には、その他のエアコンと同様に高電力を消費する電気機器が動作する場合に推定の誤りが多くなるという課題があった。

図６に、エアコンの電力時系列データの例を示す。エアコン動作時の電力時系列の特徴は、消費電力が大きく、かつ、大きな消費電力が長時間（およそ３０分以上、図６の例では９０分）連続的に継続する。

図７（ａ）〜（ｆ）、図８（ａ）〜（ｆ）に、エアコンと同様に高電力を消費する電気機器の電力時系列データを示す。図７（ａ）は掃除機、（ｂ）はアイロン、（ｃ）は炊飯器Ａ（炊き込み時）、（ｄ）は布団乾燥機、（ｅ）は食器洗い乾燥機、（ｆ）は炊飯器Ｂの典型的な電力時系列データである。また図８（ａ）は洗濯機、（ｂ）はファンヒータ、（ｃ）は電子レンジ、（ｄ）はトースター、（ｅ）は食洗機、（ｆ）はヘアドライヤの典型的な電力時系列データである。

エアコン以外の高電力機器動作時の電力時系列の特徴は、例えば、トースターでは多くの場合１０分以内に動作が完了し、また、炊飯器や食器洗い乾燥機では機器の自動制御機能により電力変動が生じ、３０分以上連続的に高電力状態が継続するはことほとんどない。よって、「高電力状態の連続継続時間」を特徴量として適用することで、エアコンとエアコン以外の高電力機器の区別が容易となる。
＜４＞高電力状態の連続継続時間
具体的な演算例：

ここでｔ₀は特徴量を抽出する時刻であり、ｐ（ｔ₀）は時刻ｔ₀における電力値である。また、ｔｈは高電力か否かを決める電力閾値である。ｄｕｒはｔ₀を含む連続した時系列において電力がｔｈ以上となる継続時間であり、τ₁．．．τ₅はｄｕｒの上限と下限を示す時間である。例えばτ₁を１０分、τ₂を２０分とした場合、（τ₁≦ｄｕｒ＜τ₂）はｔ₀を含む連続した時系列において電力がｔｈ以上となる継続時間が１０以上２０分未満であることを表す。

なお、Ｆ₄の式において経験的に、τ₁、τ₂、τ₃、τ₄、τ₅をそれぞれ、１０分、２０分、３０分、４０分、５０分とし、ｔｈを４００Ｗとするのが好ましいが、この値に限定するのもではない。また、Ｆ₄の実現値の分割数を０から５までの６分割としているが、分割数も６分割に限定するものではない。

エアコンの動作状態の判定式には高電力状態の連続継続時間を特徴づける特徴量Ｆ₄を式（１）に適用した下式（７）を用いるのが特に有効である。

但し、

１０１電力時系列入力部
１０２電力時系列記憶部
１０３判定式記憶部
１０４判定式作成部
１０５動作状態同定部
１０６推定結果出力部

Claims

第１の電気機器が消費した電力を示す第１の電力時系列データ、および前記第１の電気機器を含む電気機器群が消費した電力を示す第２の電力時系列データを取得して電力時系列データ記憶部に記憶するステップと、
前記第１の電気機器の複数の動作状態を特徴付ける電気時系列データ上の特徴量を決定し、前記第１および第２の電力時系列データから動作状態毎の前記特徴量の値を算出するステップと、
前記第１および第２の電力時系列データから算出された前記特徴量の値に基づく前記特徴量に関する尤度関数を含む単純ベイズ分類器からなる判定式であって、前記動作状態毎に適用する前記特徴量又は前記特徴量の組み合わせが異なる判定式を作成し、作成した前記判定式を判定式記憶部に記憶するステップと、
前記電力時系列データ記憶部前記第２の電力時系列データの内、前記第１の電気機器の動作状態を判定する時点より前の所定時間幅のデータを、前記動作状態毎の判定式にそれぞれ代入して複数の判定結果を算出し、前記複数の判定結果の論理和から前記第１の電気機器の動作状態を同定するステップと、
を有することを特徴とする電気機器の動作状態同定方法。
前記動作状態は、前記第１の電気機器の起動／停止時を含む立上り／立下がり状態と、前記第１の電気機器が起動中の高電力状態とを含むことを特徴とする請求項１に記載の電気機器の動作状態同定方法。
前記第１の電気機器は、エアコンであることを特徴とする請求項２に記載の電気機器の動作状態同定方法。
前記特徴量は、前記所定期間幅における、前記第１および第２の電力時系列データの平均、階差の平均、ならびに、標準偏差、分散、階差の絶対値の和、および階差の絶対値の平均のいずれかを含むことを特徴とする請求項１乃至３に記載の電気機器の動作状態同定方法。
前記特徴量は、高電力状態の連続継続時間を含むことを特徴とする請求項１乃至４に記載の電気機器の動作状態同定方法。
第１の電気機器が消費した電力を示す第１の電力時系列データ、および前記第１の電気機器を含む電気機器群が消費した電力を示す第２の電力時系列データを受信する電力時系列入力部と、
前記第１および第２の電力時系列データを記憶する電力時系列データ記憶部と、
前記第１の電気機器の複数の動作状態を特徴付ける電気時系列データ上の特徴量を決定し、前記第１および第２の電力時系列データから動作状態毎の前記特徴量の値を算出し、前記第１および第２の電力時系列データから算出された前記特徴量の値に基づく前記特徴量に関する尤度関数を含む単純ベイズ分類器からなる判定式であって、前記動作状態毎に適用する前記特徴量又は前記特徴量の組み合わせが異なる判定式を作成する判定式作成部と、
作成した前記判定式を記憶する判定式記憶部と、
前記電力時系列データ記憶部に記憶された前記第２の電力時系列データの内、前記第１の電気機器の動作状態を判定する時点より前の所定時間幅のデータを、前記動作状態毎の判定式にそれぞれ代入して算出した複数の判定結果の論理和から前記第１の電気機器の動作状態を同定する動作状態同定部と、
を備えたことを特徴とする電気機器の動作状態同定システム。
前記動作状態は、前記第１の電気機器の起動／停止時を含む立上り／立下がり状態と、前記第１の電気機器が起動中の高電力状態とを含むことを特徴とする請求項６に記載の電気機器の動作状態同定システム。
前記第１の電気機器は、エアコンであることを特徴とする請求項７に記載の電気機器の動作状態同定システム。
前記特徴量は、前記所定期間幅における、前記第１および第２の電力時系列データの平均、階差の平均、ならびに、標準偏差、分散、階差の絶対値の和、および階差の絶対値の平均のいずれかを含むことを特徴とする請求項６乃至８に記載の電気機器の動作状態同定システム。
前記特徴量は、高電力状態の連続継続時間を含むことを特徴とする請求項６乃至９に記載の電気機器の動作状態同定システム。