• 专利附录
  • 专利说明
  • 权利要求
  • 类似技术
  • 同族专利
  • 引用文献
  • 法律状态
  • 优先权
    • 专利摘要:
    為根據電器之特徵量及電力消耗模式而推斷家庭內之人物之行動，本發明之隨選型電力控制系統之特徵在於具備：人為概率之初始值推斷機構，其推斷電器之狀態，並基於該推斷之電器之狀態，推斷電器之人為概率之初始值；人物位置推斷機構，其自記憶體調出電器之人為概率之初始值與該機器之似然映像，參照自該似然映像選擇之樣本之人物位置，對全部之樣本進行將該人物位置與該機器之人為概率相乘而計算該機器之權重之處理，而推斷在各時刻之人物位置之概率，直到時刻到達最終時刻為止；及人為概率之再推斷機構，其根據人為概率及人物位置概率進行該人為概率之再計算，進行上述人為概率之再計算直到該再計算之值收斂為止，在該值收斂時輸出人為概率及人物位置概率。
    公开号:TW201319970A
    申请号:TW101125492
    申请日:2012-07-13
    公开日:2013-05-16
    发明作者:Takashi Matsuyama；Takekazu Kato；Yusuke Yamada
    申请人:Nitto Denko Corp；
    IPC主号:G06N5-00
    专利说明:
    隨選型電力控制系統、隨選型電力控制系統程式及記錄其程式之電腦可讀取記錄媒體
    本發明係關於一種隨選型電力控制系統、隨選型電力控制系統程式及記錄其程式之電腦可讀取記錄媒體，詳細而言，本發明係關於一種解析藉由智慧型分接頭收集之各電器之固有特徵量與電力消耗模式，從而可推斷家庭內之人物行動之隨選型電力控制系統、隨選型電力控制系統程式及記錄其程式之電腦可讀取記錄媒體。
    隨選型電力控制系統為用於實現家庭或辦公之能源管理者，該系統係將供給者主體之「推進型」電力網路180度轉換成用戶、消費者主導型之「牽引型」者。該系統係對來自家庭中各種機器之電力要求，例如空調或照明等之要求，以根據用戶之利用形態，類推本地伺服器「機器之哪個要求最重要」，由優先度高之重要之電器供給電力的方式進行控制，即隨選型控制之系統。以下，將該隨選型電力控制即Energy on Demand控制稱為「EoD控制」)，將該系統稱為「EoD控制系統」。該EoD控制系統係京都大學之松山隆司教授提倡。
    使用上述系統之最大優點係自需求方面節能，可實現CO2排放之削減。例如，若利用者預先於本地伺服器設定將電費減少20%之指示，則藉由EoD控制，利用者本體可達成僅流動減少了20%之電力，係可實現節能、CO2排放之削減之系統。
    作為上述EoD控制系統，已知有具備推斷運轉中之電器之功能、居民及電器之位置關係，且基於電器之運轉狀態，推斷家庭內之居民之人數及居民之行動之推斷機構之家庭網路(參照專利文獻1)。詳細而言，上述家庭網路係具備配置於家庭內之n個電器；n個模組，自插座對該n個電器供給電力，且檢測該電器之電力使用狀況及配置位置；檢測機構，基於自該模組發送之n個電器之電力使用狀況，檢測實際運轉之m個電器之運轉狀況，並基於自上述n個模組發送之n個配置位置，檢測運轉中之m個電器相互之位置關係；及推斷機構，基於所檢測之相互之位置關係，與運轉中之m個電器之運轉狀況，判斷遠轉中之m個電器之運轉狀況之實現性，推斷家庭內之居民之人數者。
    再者，上述模組目前被稱為「智慧型分接頭(smart tap)」(以下，稱為「ST」)，該ST包含進行電力之測定之電壓、電流感測器、用於控制電力之半導體繼電器、用於通信之ZigBee模組及進行該等整體之控制或內部處理之DSP內建之微電腦。藉由20 kHz之高速資料取樣，可詳細地測量電流、電壓波形(參照專利文獻1)。
    專利文獻1之推斷機構係為事前向上述模組輸入各電器為何種電器，需要繁瑣之輸入操作，又，在設置於牆壁之插座安裝IC標籤，上模組具備IC標籤讀取器，從而測定電器相互之位置關係，推斷家庭內之居民之人數及居民之行動者。因此，由於上述推斷機構相當於人物行動推斷機構，故以下稱為人物行動推斷機構。
    該人物推斷機構指出儘管需進行電器之輸入操作、IC標籤之安裝、IC標籤讀取器之設置等繁瑣之作業，但仍僅能得到所獲得之資訊根據電器相互之位置關係，確定家庭內之居民之人數及居民之行動的經限定之資訊之問題。
    因此，為解決上述問題，提案有識別使用ST測量之電器是什麼之方法(參照專利文獻2)。該方法係在ST內擷取表示電流波形之特徵之少數特徵量發送至伺服器，使用在該伺服器上獲得之特徵量識別電器。家庭用之商用電源為交流，如圖7之電吹風與吸塵器之電壓、電流之波形所示，由於使用電器期間之電流、電壓之波形其值或極性經常產生變化，故上述方法可根據電器之種類，比較電流與電壓之相位差或波形形狀，從而識別電器。 先前技術文獻專利文獻
    專利文獻1：國際公開第2008/152798號 非專利文獻
    非專利文獻1：「能源之資訊化與Smart Grid」、京都大學大學院教授松山隆司著、21頁、2009年7月29日發行
    非專利文獻2：加藤丈和、ChoHyunSang、LeeDongwook、豐村鐵男、山崎達也、來自用於資訊、能源整合網路之電力傳感資訊之電器識別與其應用(行動p2p、全域網路、特定網路、感測器網路、一般)電力資訊通訊學會技術研究報告、USN、全域、感測器網路、Vol.108.NO、399(2009)、pp、133-138
    如上所述，專利文獻1之人物行動推斷機構指出僅能得到所獲得之資訊根據電器相互之位置關係，推斷家庭內之居民之人數及居民之行動的經限定之資訊之問題。然而，因2011年3月之東日本大地震造成之福島第1核電站之損壞，政府針對電力不足對策之關鍵即東京電力與東北電力管內之夏季峰值時之節電目標，指示有比前年削減15%左右之方針。隨之，用戶不損害用戶之生活品質(Quality of Life)(以下，稱為「QoL」)，盡可能節省電器之電力之勢頭高漲。為不損害該QoL而節省電器之電力，重要的是在保持QoL下能削減消耗電力至何種程度，因此，若可根據各電器固有之特徵量與電力消耗模式，推斷家庭內之利用電器之人物之行動，則可熄滅忘記關之照明，停止忘記關之電器等。又，亦可特定使用上述特徵量與電力消耗模式使用之電器，若根據該經特定之電器之動作狀態(開關之ON、OFF或強、中、弱等)可推斷家庭內之人物之行動，則能一面擔保QoL一面進行節電。
    因此，本發明係鑑於上述先前之問題，其目的在於提供一種不以電器相互之位置關係推斷人數，而是根據電器之特徵量及電力消耗模式，可推斷家庭內之人物之行動之EoD控制系統、EoD控制系統程式及記錄其程式之電腦可讀取之記錄媒體。
    本發明者等為解決上述問題，反復潛心研究，結果終完成本發明。
    本發明之技術方案1之發明之人物行動推斷機構之特徵為其係具備：至少包含商用電源之電力源；複數個電器；連接於該電器之智慧型分接頭；具備記憶體之推斷生活空間內之人物之行動的人物行動推斷裝置；及該人物行動推斷裝置經由上述智慧型分接頭而連接之網路之隨選型電力控制系統，且上述人物行動推斷裝置具備：人為概率之初始值推斷機構，其係將根據電器之電力消耗模式獲得之特徵量，與事前於每個電器獲得之學習資料之特徵量進行比較，推斷上述電器之狀態，基於該推斷之電器之狀態，推斷上述電器之人為概率之初始值；人物位置推斷機構，其自上述記憶體調出上述電器之人為概率之初始值與該機器之似然映像，參照自該似然映像選擇之樣本之人物位置，對全部之樣本進行將該人物位置與該機器之人為概率相乘而計算該機器之權重之處理，而推斷在各時刻之人物位置之概率，直到時刻到達最終時刻為止；及人為概率之再推斷機構，其根據上述人為概率及人物位置概率進行該人為概率之再計算，進行上述人為概率之再計算直到該再計算之值收斂為止，在該值收斂時輸出人為概率及人物位置概率。
    本發明之技術方案2之發明之人物行動推斷裝置，其中上述人物行動推斷裝置係根據人物對機器進行人為操作之概率即人為概率，與人物相對於位置所存在之概率即人物位置概率，而推斷人物之行動。
    本發明之技術方案3之發明之人物行動推斷裝置，其中上述人物行動推斷裝置僅根據各電器之電力消耗模式，求得作動狀態之特徵量資料，將根據該資料而得之人為概率作為初始值，並藉由重複計算而求得人物位置與人為概率，從而推斷該等兩者。
    本發明之技術方案4之發明之人物行動推斷裝置，其中上述作動狀態之特徵量資料包含電器之id、該機器之作動狀態及該機器之特徵量。
    本發明之技術方案5之發明之人物行動推斷裝置，其中上述電器之電力消耗模式係以移動或停留之人物狀態之定序進行機器之操作，而由電器之狀態、運轉模式之變化而產生。
    本發明之技術方案6之發明之人物行動推斷裝置，其中上述電器之特徵量為消耗電力之平均與分散。
    本發明之技術方案7之發明之人物行動推斷裝置，其中上述人為概率之初始值推斷機構預先賦予上述電器之某狀態轉變為人為操作之概率，而可根據電器之狀態之概率推斷人為概率之初始值。
    本發明之技術方案8之發明之人物行動推斷裝置，其中上述人物位置推斷機構根據將時刻t之人物之二維位置藉由前一次之時刻t-1之重複計算而得之人為概率，推斷人物之移動位置。
    本發明之技術方案9之發明之人物行動推斷裝置，其中上述人物位置推斷機構係使用時序濾波器而推斷人物位置概率。
    本發明之技術方案10之發明之人物行動推斷裝置，其中上述時序濾波器為粒子濾波器、卡爾曼濾波器或移動平均濾波器。
    本發明之技術方案11之發明之人物行動推斷裝置，其中上述人物位置推斷機構係使用基於電器之位置與人物位置之關係之似然映像，運算上述人為概率。
    本發明之技術方案12之發明之人物行動推斷裝置，其中上述似然映像係以實際之居住空間為對象，以像素值表示能夠按下電器之電源開關之人物之存在概率者。
    本發明之技術方案13之發明之人物行動推斷裝置，其中上述似然映像在有障礙物之情形，將人之手觸及不到之範圍內之像素值作為0進行計算。
    本發明之技術方案14之發明之人物行動推斷裝置，其中上述似然映像在可以遙控器操作上述電器之情形時，以小像素值分配廣泛範圍。
    本發明之技術方案15之發明之人物行動推斷裝置，其中上述似然映像在可自複數個處所操作上述電器之情形時，以大像素值分配該可操作之複數個狹窄範圍。
    本發明之技術方案16之發明之人物行動推斷裝置，其中上述似然映像係基於房間之隔間、上述障礙物與電源開關之位置、距離及電器之位置而表示上述像素值。
    本發明之技術方案17之發明之人物行動推斷裝置，其中上述人物推斷裝置在人物為複數之情形時，以複數人份之混合正規分佈進行運算。
    本發明之技術方案18之發明之程式，其特徵在於，其係使電腦作為具備至少包含商用電源之電力源、複數個電器、連接於該電器之智慧型分接頭、具備記憶體之推斷生活空間內之人物之行動之人物行動推斷裝置、及該人物行動推斷裝置經由上述智慧型分接頭而連接之網路的隨選型電力控制系統中之上述人物行動推斷裝置而動作者，上述人物行動推斷裝置具備人為概率之初始推斷值設定機構、人物位置推斷機構、及人物概率之再推斷機構，且上述程式使電腦執行如下處理：由上述人為概率之初始推斷值設定機構將根據電器之電力消耗模式獲得之特徵量，與事前於每個電器獲得之學習資料之特徵量進行比較，推斷上述電器之狀態，並基於該推斷之電器之狀態，運算上述電器之人為概率之初始值之推斷；由上述人物位置推斷機構自上述記憶體調出上述電器之人為概率之初始值與該機器之似然映像，參照自該似然映像選擇之樣本之人物位置，對全部之樣本進行將該人物位置與該機器之人為概率相乘而計算該機器之權重之處理，運算在各時刻之人物位置之概率之推斷，直到時刻到達最終時刻；及由上述人物概率之再推斷機構根據上述人為概率及人物位置概率進行該人為概率之再計算，進行上述人為概率之再計算直到該再計算之值收斂為止，在該值收斂時輸出人為概率及人物位置概率。
    本發明之技術方案19之發明之程式，其係使電腦作為如技術方案1之人物行動推斷裝置而動作者，且使電腦執行如下處理：由上述人物行動推斷裝置根據人物對機器進行人為操作之概率即人為概率，與人物相對於位置所存在之概率即人物位置概率，而推斷人物之行動。
    本發明之技術方案20之發明之程式，其係使電腦作為如技術方案1之人物行動推斷裝置而動作者，且使電腦執行如下處理：由上述人物行動推斷裝置僅根據各電器之電力消耗模式，求得作動狀態之特徵量資料，將根據該資料而得之人為概率設為初始值，並藉由重複計算而求得人物位置與人為概率，從而推斷該等兩者。
    本發明之技術方案21之發明之記錄媒體，其特徵在於其係記錄有如技術方案18之程式之電腦可讀取之媒體。
    本發明之技術方案22之發明之記錄媒體，其特徵在於其係記錄有如技術方案19之程式之電腦可讀取之媒體。
    本發明之技術方案23之發明之記錄媒體，其特徵在於其係記錄有如技術方案20之程式之電腦可讀取之媒體。
    由於本發明之隨選型電力控制系統之人物行動推斷裝置係用戶通過使用電器之日常生活，可推斷家庭內之人物之行動，故可制定電力之使用計劃，預測接下來可能使用之電器，藉此對所需之電器優先供給電力，或熄滅不需要浪費之電器等。例如，由於可對用戶所需之電器優先進行電力供給，熄滅忘記關之照明，停止忘記關之電器，故為對電力之節省起到大作用之裝置。
    在智慧型大廈房間內，進行測試者實際生活之生活實驗之結果，驗證上述人物行動推斷裝置可推斷家庭內之人物之行動。
    參照圖1，說明本發明之EoD控制系統之通訊網路之構成。
    圖1係顯示本發明之EoD控制系統之通訊網路之構成的概略圖。本發明之EoD控制系統50設置於一般家庭內，包含人物行動推斷裝置、ST11、電器(以下，僅稱為「機器」)及電力控制裝置30。上述人物行動推斷裝置經由Local Area Network(局域網)(以下，稱為「LAN」)以有線或無線LAN連接於ST11。LAN為本發明之一例，並不限定於此，且本發明亦可經由WiFi、PLC、ZigBee、特定小電力無線等之網路連接於ST。該ST經由各機器之電源插座連接。因此，上述ST可經由LAN與上述人物行動推斷裝置通訊。
    再者，於人物行動推斷裝置中，知識資料庫(指示DB)10亦可使用直接連接或內建之記憶體而構築於人物行動推斷裝置之內部。來自商用電源之電力經由電力控制裝置30供給至人物行動推斷裝置及各機器。
    再者，作為本發明之EoD控制系統之電力源，雖說明為商用電源，但並不限定於此，亦可使用太陽光發電及燃料電池作為電力源。又，作為本發明之EoD控制系統50之設置場所，雖說明為一般家庭，但並不限定於此，只要為辦公室等之可設置ST之場所，任何場所均可。且，作為本發明之EoD控制系統之ST，雖說明連接於電源插座之外接型，但並不限定於此，亦可為嵌入電源插座之內建型。
    圖2係顯示圖1所示之EoD控制系統50之電力系統網路之構成的概略圖。
    如參照圖1所說明，EoD控制系統50包含電力控制裝置30，於該電力控制裝置30連接有商用電源32。又，電力控制裝置30係由例如複數個斷路器(未圖示)構成，包含1個主斷路器與複數個子斷路器。來自商用電源32之電力(交流電壓)被賦予至主斷路器之一次側，自主斷路器之二次側分配給複數個子斷路器。其中，商用電源32係經由用於供給/停止商用電流之開關(未圖示)而連接於主斷路器之一次側。該開關根據人物行動推斷裝置之切換信號而On/Off(導通/斷開)。
    又，上述之人物行動推斷裝置及複數個機器連接於電力控制裝置30之輸出側即子斷路器之二次側。圖式雖省略，但人物行動推斷裝置係藉由將設置於自身之插入插頭插入牆壁插座等，而可供需地連接來自電力控制裝置30之電力，而複數個機器具備上述ST為插入插頭之輸入插座與輸出插座，由該輸入插座輸送商用電源32之電力，且經由連接於上述輸出插座之複數個機器之插座，可對複數個機器供需電力地連接。
    如上所述，本發明之EoD控制系統不僅是圖2所示之電力網路，亦構築有圖1所示之通訊網路。
    圖3係說明連接於商用電源，配置於牆壁之插座、ST及機器之連接關係之說明圖。參照圖3，機器冰箱201包含具有插入插頭之插座202，與配線203，冰箱201之插座202裝卸於上述ST之輸出插座114。將插座41配置於牆壁40，該插座41之插入口411經由房間內之電力系統供給商用之電力。插入插頭即輸入插座113裝卸於上述插入口411。
    關於ST之結構，係使用如上所述，包含進行電力之測定之電壓、電壓感測器、用於電力控制之半導體繼電器、用於通訊ZigBee模組(以下，稱為「通訊構件」)及進行該等整體之控制或內部處理之微電腦之眾所周知者。ST即時測定經由輸入插座113供給之機器之消耗電力，並經由上述通訊構件將該消耗電力發送至人物行動推斷裝置。
    圖4係顯示配置有用於在樣板房設置各電器之ST之位置之隔間圖。
    隔間圖之尺寸為538 cm×605 cm大約33 m2之面積。如圖4所示，具備TV、空調、熱水器、咖啡機、電鍋、冰箱、微波爐、洗衣機、吸塵器、吹風機等一般家庭中使用之機器。ST之位置在圖4中作為「ST」表示，於各機器設置有ST。其中具有遙控器之機器為TV、空調、起居室照明與2個廚房照明、寢室照明及攝像機。使用移動之機器時使用之ST採用5個空插座。移動之機器為吹風機、吸塵器、移動充電器、筆記型電腦、空氣清淨機、電動牙刷、夜燈。圖4所示之數字為表1中所示之id欄之編號，表示名稱欄之機器之名稱。
    表1係顯示各機器可能之作動狀態(0~3)之表。
    然而，通常「人物之行動」係作為連續之複數個動作，與該人物之停留或移動等之人物狀態之順序(sequence)而被定義。本發明在日常之生活空間內，著眼於大多數動作伴隨著機器之操作，將動作作為機器之人為操作之系列，而人物狀態作為人物進行動作之位置定義動作。
    即，本發明應該解決之問題為以下二點。
    (1)對機器之人為操作之檢測
    (2)人為位置之推斷
    圖5係顯示人物之狀態與機器之操作之關係的關係圖。
    圖6係顯示機器之狀態與電力消耗模式之關係之關係圖。
    如圖5所示，人物以移動或停留等之人物狀態之定序進行機器之操作。若操作機器，則如圖6所示，機器之狀態、運轉模式產生變化，作為顯示某機器在何時、何處消耗了多少電力之一天內機器之電力消耗模式觀測。將該一天內電力消耗模式定義為機器之「電力消耗模式」於以下使用。
    再者，以下所述之人物行動推斷裝置進行之處理係在離線狀態下進行，人物行動推斷裝置係離線進行顯示將由ST發送之電力消耗模式進行處理，將人物位置z之概率分佈
    與機器操作之概率之集合
    作為推斷結果輸出之人物之行動路徑之處理。
    圖7係顯示電吹風與吸塵器之電壓、電流之波形之波形圖，其左圖係電吹風之波形，而其右圖係吸塵器之波形。
    如圖7所示，由於每個機器之電壓波形(粗線)及電流波形(細線)根據機器而不同，故可藉由根據該等之波形分析電力之平均與分散，而特定機器。
    第2係表示各機器與其作動狀態0~3(開關之ON、OFF或強、中、弱等)、及消耗電力之平均與分散(以下，將該平均與分散稱為「特徵量」)之值，該特徵量作為學習資料在後述之人為概率之初始值推斷之處理中使用。表1之狀態0、狀態1、狀態2、狀態3與表2之機器之作動狀態0~3相同之意思，表示機器可能之作動狀態。自表2可知，作動狀態之變化導致特徵量產生變化，且每個機器特徵量之值不同。將表示該機器(id)之作動狀態與特徵之表2定義為「作動狀態之特徵量資料」使用。
    給予機器之位置資訊時，若知道某人物對各機器人為進行操作時機，則可知此時人物靠近該機器逗留，以時間序列連接該等，從而推斷人物之移動軌跡。但，由於機器不僅有人為操作產生之狀態變化，亦存在自動之狀態變化或連續之負荷變動等，故難以僅根據電力消耗模式識別人為操作。此時，若可推斷人物之位置資訊，則可知若人物逗留於距離機器近之位置則可進行人為操作，若逗留於較遠之位置則無法操作，從而識別人為操作與非人為操作之狀態變化。為識別其，必須理解人物對機器於時刻t進行人為操作之概率即「人為概率p m (s a,t =1)」與能根據人物存在之位置Zt操作機器之概率即「人物位置概率p h (z t )」。以下說明「人為概率p m (s a,t =1)」與「人物位置概率p h (z t )」。將是否對某機器α於時刻t進行人為操作表示為s a,t 。
    又，將時刻t之人物位置設為z t ，時刻t之前之電力消耗模式設為W a,t 時，人物對α進行人為操作之概率(以下，稱為「人為概率」)p m (s a,t =1)如下述公式表示。
    p m (s a,t =1)=ʃp m (s a,t =1 | W a,t ,z t )p h (z t )d z t =ʃp m (W a,t | s a,t =1)P m (s a,t =1 | z t )p h (z t )d z t (2)
    p m (W a,t | s a,t =1)係人物操作機器α時，電力消耗模式W a,t 所獲得之概率，p h (z t )係人物位置之概率分佈(以下，稱為「人物位置概率」)，p m (s a,t =1 | z t )係可根據人物存在之位置z t 操作α之概率。根據該公式，發現若可知人物位置概率p h (z t )，則可推斷人為概率p m (s a,t =1)。
    另一方面，將機器之量設為N，以集合s t ={s a1,t ,s a2,t ,…,s aN,t }表示全部之機器是否於時刻t進行人為操作，並將時刻t之前之人為操作系列設為S t ={s 0,s 1,…,s t }時，人物位置可根據貝葉斯定理如下述公式求得。
    其中，p h (s t | S t-1)與概率變量z t 無關係，故將設置成正規化常數k t ，表示為k t p h (s t | z t )p h (z t | S t-1)。此處，p h (s t | z t )為根據人物位置z t 對各機器之人為概率，可如下述公式計算。
    此處，由於對未進行人為操作之機器之影響與人物位置無關係，故作為均勻分佈給予一定之概率α。又，公式(3)之p h (z t | S t-1)係根據時刻t-1之前之觀測推斷之人物位置，若假定人物之移動軌跡具有馬爾可夫性，則可如下公式進行變形。
    p h (z t | S t-1)=ʃP h (z t | z t-1)p h (z t-1 | S t-1)d z t-1(5)
    此處，p h (z t | z t-1)為人物之移動模型，p h (z t-1 | S t-1)係一時刻前之人物位置概率。公式(3)、公式(5)係時序濾波器之公式，若給予公式(4)所示之人為操作之概率與移動模型，則可藉由時序濾波器即粒子濾波器、卡爾曼濾波器或移動平均濾波器有效地解決。可以說例如，藉由粒子濾波器，只要知道人為操作p m (S t )，則可求得人物位置p h (z t )。
    根據該等，可知該問題係具有只要知道人為操作p m (S t )，則可求得人物位置p h (z t )，且只要知道人物位置p h (z t )，則可求得人為操作p m (S t )之相互依存性。
    本發明之人物行動推斷裝置僅根據各機器之電力消耗模式，求得上述作動狀態之特徵量資料，將根據該資料獲得之人為操作之特徵量作為初始值，藉由重複計算求得人物位置與人為概率，從而可推斷該等兩者。
    圖8係顯示圖1所示之人物行動推斷裝置具備之功能之功能方塊圖。
    人物行動推斷裝置包含人為概率之初始值推斷機構120、人物位置推斷機構122及人為概率之再推斷機構124。
    該人物行動推斷裝置1係(1)人為概率之初始值推斷機構120具備將自ST接收之機器之電力消耗模式，與儲存於記憶體之機器之特徵量進行操作概率，從而設定該機器之人為概率之初始值之功能；(2)人物位置推斷機構122具備基於上述初始值，與儲存於記憶體之隔間圖、機器之配置、在各位置之機器操作概率、人物移動模型，使用時序濾波器推斷人物位置；(3)人為概率之再推斷機構124具備基於上述經推斷之人物位置，推斷該機器操作之人為概率，並將該經推斷之人為概率輸入至上述人物位置推斷機構122，而該經推斷之人物位置輸入至人為概率之再推斷機構124，在上述之人物位置之推斷處理與人為概率之再推斷處理收斂之前進行處理，將人物位置與人為概率輸出之功能。
    以下，說明圖8之(1)人為概率之初始值推斷機構120、(2)人物位置推斷機構122及(3)人為概率之再推斷機構124進行之概率之運算處理。
    (1)人為概率之初始值推斷機構
    說明人為概率之初始值推斷機構120之概率之運算處理。
    在初始推斷中，僅使用各機器a 1,a 2,…,a N 之電力消耗模式W a,t ，基於公式(6)推斷人為操作之概率(人為概率)。
    各機器具有機器固有之動作模式，該動作模式根據人為操作或自動控制轉變。即，可根據每個如此之狀態轉變，定義人為操作與動作。自時刻t-1至時刻t，自狀態δ轉變至狀態δ'時，將其為人為操作引起之轉變之概率設為p o (s a,t =1 | d t-1=δ,d t =δ')。又，時刻t時，若將家電之狀態為δ之概率設為p o (d t =δ | W a,t )，則該家電之人為概率如下述公式給予。
    若預先給予某狀態轉變為人為操作之概率p o (s a,t =1 | d t-1,d t )，則根據家電之狀態之概率p o (d t | W a,t )，可推斷人為概率之初始值。
    以各智慧型分接頭觀測之電力消耗模式與哪種家電對應係事前以非專利文獻2記載之技術進行識別。此時，機器之狀態之推斷係使用一定時間區間之消耗電力之平均與分散進行。就全部之機器，預先將各狀態之消耗電力之平均值與分散值，作為相對於各狀態之採樣數據勤加學習。家電α為狀態δ時之消耗電力之平均值設為μ a,δ ，而分散值設為σ a,δ ，將經正規化者設為,σ a,δ ，以使該等平均為0，分散為1。每個狀態選擇m個資料作為學習資料，且將與其不同之隨機擷取之m'個資料作為未知資料，以近鄰法推斷未知資料之狀態，進行精度評估。若藉此將機器α之狀態設為δ i (i=1,2,…,D)，則可獲得相對於所推斷之狀態δ k 真實之狀態δ i 之概率p o (δ t | δ k )(i,k=1,…,D)。測量機器α之電力消耗模式W a,t 時，將其後消耗電力正規化之平均值及分散值與學習資料進行比較推斷狀態δ a,t 。此時，若將近鄰法產生之推斷結果設為δ a,t ，則於時刻t狀態δ a,t 之概率為p o (d t =δ a,t | W a,t )=p o (δ a,t | δ a,t )。
    根據公式(6)推斷人為概率，必須對全部狀態之組合推斷p o (d t =δ a,t | W a,t )，但實際上為簡單化，僅需計算概率最高之狀態。
    又，進而人為概率小於臨限值T o 之情形為使人物位置推斷簡單化，以將人為概率視為0的方式進行過濾。
    此處，將成為之家電與時刻之組合(a,t)，設為事件系列，表示有進行人為操作之可能性之時刻與機器之組合。
    (2)人為位置推斷機構
    說明人為位置推斷機構122之概率之運算處理。
    根據公式(3)、(4)、(5)，就根據所推斷之人為概率推斷人物位置之方法進行說明。應該求得之內部狀態為時刻t之人物之二維位置z t =(x t ,y t )，根據將其藉由上一個時刻(t-1)之重複計算獲得之人為概率，推斷人物之移動位置。
    根據公式(3)，若將k t 設為正規化常數，則時刻t之人物位置概率可如下述公式推斷。
    又，根據公式(4)、公式(5)，
    此處，系統模型p h (z t | z t-1)為人物之移動模型，在本發明之人物行動推斷裝置中採用二維正規分佈N(0,Σ2)。又，觀測模型係根據如公式(11)所示推斷之人為概率，與能否根據位置z操作家電之概率p m (s a,t =1|Z)推斷。p m (s a =1 | z)根據對與家電α之位置x a 之距離之正規分佈，給予。其中，由牆壁等遮蔽之位置以為0的方式，預先作為似然映像給予。
    為根據公式(10)、(11)、(12)推斷人物位置概率，使用粒子濾波器。粒子濾波器係使用伴隨其產生之複數個樣本(粒子)近似推斷某概率分佈之方法。將伴隨著事前分佈之樣本集合設為，而伴隨著事後分佈之樣本集合設為。
    作為[初始化]初始值，生成隨機之樣本集合Q 0|0。採用t：=1。
    根據[預測]系統模型，生成時刻t之預測樣本。其中，R(N(0,Σ2))係採用根據二維正規分佈N(0,Σ2)之隨機數。
    [濾波器]各預測樣本，係根據觀測模型，如下述公式計算權重。
    此處，係根據公式(11)計算。根據Q t|t-1，以與各個權重成比例之比例復原擷取M個，作為Q t|t 。再者，由於s t ={0,0,…,0}時，根據上一時刻之分佈預測之事前分佈原狀成為事後分佈，故作為Q t|t =Q t|t-1可省略該處理。該Q t|t 為近似事後分佈之樣本集合。若t>t and ，則作為t：=t+1，根據預測之程序重複。
    此處，參照圖9~圖13說明上述似然映像之具體之事例。
    上述似然映像係以實際之居住空間為對象，以像素值表示能夠按下電器之電源開關之人物之存在概率者。
    圖9係顯示電磁爐之似然映像之圖，圖10係顯示電視之似然映像之圖，圖11係顯示起居室照明之似然映像之圖，圖12係顯示盥洗室之似然映像之圖，圖13係顯示走廊照明之似然映像之圖。該等之似然映像之像素值為基於開關之位置、隔間圖、機器之配置、人手之長度計算者。畫面越白(像素值越大)表示人物在該位置之概率越大，越黑表示人物在該位置之概率越小。一面參照顯示圖4之機器之配置位置之隔間圖，一面說明圖9至圖13之各機器之似然映像。圖9之電磁爐(參照圖4之「44」)之似然映像可知能夠以手操作之人物位置之狹小範圍為白色，隨著與其脫離變化成黑色，且，有牆壁之位置為黑色。圖10之電視(參照圖4之「1」)之似然映像可知為藉由遙控器進行操作，如電磁爐般在狹小範圍內無白色，在廣泛範圍內灰色之圓形隨著遠離電視而變成全黑。圖11之起居室照明(參照圖4之「11」)之似然映像由於可在起居室內操作，故可知人物可操作之範圍為灰色，而有牆壁之位置變黑色。圖12之盥洗室照明(參照圖4之「16」)之似然映像與圖9之電磁爐類似，可知能夠以手操作之人物位置之狹小範圍為白色，隨著自其離開而變成黑色，且有牆壁之場所為黑色。圖13之走廊照明之似然映像由於在玄關口(參照圖4之「15」)與起居室口(參照圖4之「15」)兩處設置有雙閘開關，故可知玄關口與起居室口兩處為白色，而有牆壁、架子等之障礙物之場所為漆黑。如起居室口之開關之例所見，作為即使有障礙物但人之手仍觸及得到之範圍，只要使人物之手之長度在例如65 cm以內，則作為手觸及得到之範圍進行像素值之計算。
    自以上之說明可知，似然映像之像素值係以在有牆壁、架子等不會移動之障礙物之情形為黑色，遙控器之情形在廣泛之範圍內為灰色，而在雙閘開關之情形兩處為白色的方式，基於實際之居住空間內機器之使用狀況而計算。
    (3)人為概率之再推斷機構
    說明人為概率之再推斷機構124之概率之運算處理。
    說明根據公式(2)，使用各時刻之人物位置概率進行人為概率之再推斷之方法。在公式(2)中，必須以積分推斷有可能性之所有人物位置，但此處為使處理簡單化，求取概率最高之最佳人物位置，藉此除去關於概率低之位置之計算而進行再推斷。作為求得之方法，使用利用似然度之加權平均作為各時刻之期待值而求取之方法，在上述即時追蹤等方面雖常用，但由於本次想要求得的是人物之移動軌跡，故考慮時刻間之關聯，將路徑上之概率之積為最大之人物位置之路徑作為最佳通路進行推斷。其可將粒子濾波器中之樣本之個數設為M個而如以下所示公式化。
    即，只要求得滿足其之即可。具有該等之編號之樣本行為應該求得之狀態之推斷值。具體而言，係於各樣本具有自上一個時刻之某一個樣本衍生之樣本之歷程，若於t amd 追蹤權重最重之樣本之歷程，則其為。使用該最佳通路，根據下述公式更新人為概率。
    對人為概率再度為臨限值T o 以下之家電、時刻，與公式(9)同樣地進行過濾，且根據事件系列E (i)，除去臨限值T o 以下之組合進行更新。
    此處，由於可推斷人為概率，故作為t：=t+1，在收斂之前重複人物位置推斷與人為概率之再推斷。若將收斂時之重複次數設為i=i f ，則此時獲得之事件系列可稱為根據S t 獲得之人為操作之系列。又，根據最終之概率分佈求得之最佳通路為人物之移動軌跡。
    圖14係顯示本發明之人物行動推斷裝置之整體處理之流程圖。在步驟S1中係進行人為概率之初始值推斷之處理，步驟S3(人物為1人)或步驟S7(人為為複數人)中係進行人物位置推斷之處理，步驟S11中係進行人為概率之再推斷之處理。
    圖15係顯示上述之步驟S1之人為概率之初始值推斷的處理之流程圖。
    如圖15所示，步驟S11中，係將測量機器之電力消耗模式獲得之消耗電力之平均值與分散值，與事前於各機器之每個狀態獲得之消耗電力之平均值與分散值之學習資料進行比較，並推斷該機器之狀態。步驟S13中，係將上述機器之已推斷之狀態輸入公式(7)，推斷人為概率之初始值，將該初始值作為人為概率儲存於記憶體。
    圖16係上述之步驟S3之人物位置推斷處理(人物為1人)之流程圖。
    如圖16所示，步驟S31中，係生成隨機之人物位置之N個樣本作為初始值，將其作為初始之事後樣本集合(將時刻設為初始時刻(t：=1))。步驟S33中，使時刻(t-1)之事後樣本之各個樣本隨著人物移動模型移動，生成時刻t之預測樣本集合。步驟S35中，(1)自上述預測樣本集合選擇一個樣本j。步驟S37中，(2a)選擇一個機器，步驟S39中，(2b)自記憶體調出該機器之似然映像，與該機器之時刻t之人為概率，步驟S41中，(2c)參照自該機器之似然映像選擇之樣本之人物位置，乘以該人物位置與該機器之人為概率計算該機器之權重，進入(1)。
    如圖17所示，步驟S43中，(3)一面改變選擇之機器，一面對全部之機器進行上述(2a)、(2b)、(2c)之處理，全部加上已計算之權重，計算選擇樣本j之權重。步驟S45中，係一面改變選擇之樣本，一面對全部之樣本進行上述(1)~(3)之處理。步驟S47中，對預測樣本集合之各樣本，複製NX樣本之權重比之個數之樣本，生成時刻t之事後樣本集合。步驟S49中，判斷時刻t是否為最終時刻，步驟S51中，若判斷為Yes則結束處理。步驟S51中，判斷為No則在步驟S53中，將時刻設為t+1返回至步驟S33。
    圖18係上述之步驟S11之人為概率之再推斷處理之流程圖。
    如圖18所示，步驟S111中，求得滿足公式(14)之人物之路徑上之位置j，根據公式(15)更新人為概率。步驟S113中，基於公式(16)，根據事件系列E(i)除去人為概率為臨限值T0以下之組合，更新事件系列。步驟S115中，判斷是否以與上一次之人為概率之結果值相同之值收斂，若為Yes則結束處理，若為No則返回至S31。
    圖19係上述之步驟S7之人物位置推斷處理(人物為複數)之流程圖。
    如圖19所示，步驟S71中，生成隨機之人物位置之N個樣本作為初始值，將其設為初始之事後樣本集合，將該時刻設為初始時刻(t：=1)。步驟S73中，使時刻(t-1)之事後樣本之各個樣本隨著人物移動模型移動，生成時刻t之預測樣本集合。步驟S75中，(1)自上述預測樣本集合選擇一個樣本j。步驟S77中，(2a)選擇一個機器，步驟S79中，(2b)自記憶體調出該機器之似然映像，與該機器之時刻t之人為概率。步驟S81中，(2c)參照自該機器之似然映像選擇之樣本之人物位置，乘以該人物位置與該機器之人為概率而計算該機器之權重，進入(3)。
    如圖20所示，步驟S83中，(3)一面改變選擇之機器，一面對全部之機器進行上述(2a)、(2b)、(2c)之處理，全部加上已計算之權重，計算選擇樣本j之權重。步驟S85中，係一面改變選擇之樣本，一面對全部之樣本進行上述(1)~(3)之處理。步驟S87中，對預測樣本集合之各樣本，複製NX樣本之權重比之個數之樣本，生成時刻t之事後樣本集合進入(4)。
    如圖21所示，步驟S95中，求得各樣本之初始關聯概率與上一幀之關聯概率，步驟S97中，推斷M人份之混合正規分佈，步驟S99中，判斷該推斷值是否收斂，步驟S101中，若為YeS則結束處理，若為No，則更新各樣本之關聯概率返回至步驟S97，重複相同之處理直至推斷值收斂為止。
    (生活實驗)
    本發明之人物位置推斷裝置1為驗證在智慧型大廈房間內可根據電力消耗模式推斷家庭內人物之行動，進行以下之生活實驗。
    居住人數一個一個輪流共3人，ST設置有26個。其中，21個固定機器，設為不自ST抽出裝入機器之插座者。機器配置於圖4所示之位置。
    作為生活節奏係採用白天外出，夜晚至早晨在家者。除此以外並未特別設置制約。其係每一個人3天，對3個測試者進行。將3人在室內進行怎樣之行動，使用哪種機器等記錄下來。3天有連續之情形與非連續之情形。將3個測試者分別設為測試者A、B、C。各自之基本資訊如下所示。
    ˙測試者A：年過20歲之男性、學生、2天+1天
    ˙測試者B：年過20歲之女性、學生、1天×3
    ˙測試者C：年過20歲之男性、學生、3天
    根據各測試者之電力消耗模式，向測試者分別採取每一天大約之消耗電力。根據該電力消耗模式(未圖示)，發現測試者A係22時左右回家，3時左右就寢，外出為12點左右，測試者B係睡眠時間整7個小時之天數較多，而測試者C相較於早晨夜晚長時間大量地使用電力等之生活傾向。
    (人物位置推斷結果)
    圖22係顯示藉由人物位置推斷機構獲得之人物位置之概率分佈之圖。圖22左上表示(a)、右上表示(b)、左下表示(c)、右下表示(b)。圖22(a)係電器之事件發生之時刻。由於電器被操作之可能性高，故分佈聚集於其周圍。圖22(b)係其後經過少許時間之時刻。基於人物之移動模型，可知分佈朝全方向略微擴展之情形。圖22(c)係其後未進一步發生事件，經過充分之時間後之分佈之情形。又，圖22(d)係在電器中產生了事件，但由於電器8周邊之分佈密度較低，故不僅電器之周圍，整體均有分佈殘留之情形。其係解析測試者B之第1天之結果之一部份。
    其次，作為人物位置推斷之結果，於圖23顯示對測試者C自第3天之晚上回家至早晨外出之推斷結果。其係依序描繪根據進行1次位置推斷之概率分佈而求得之最佳路徑者。較小之黑色圓圈係每20幀之人物之推斷位置。合併描繪之書寫數字較大之黑色圓圈係用於進行該推斷之事件系列E(0)所含之事件發生之電器與其位置。以該較大之黑色圓圈與實粗線之箭頭連接的是該事件之時刻之推斷位置。
    為觀察作為整體之分佈之情形，於圖24顯示橫軸設為時間，縱軸設為分佈之分散之圖表。圖24係顯示分佈之分散與事件發生之時刻之粒子的位置分散圖。分佈之分散採用簡易，且x方向之分散與y方向之分散大者。其係解析測試者B之第1天之結果之一部份。
    圖25係顯示人物概率通信機構123藉由重複計算獲得之行動之路徑之行動路徑圖。圖25(a)係初始事件集合E(0)與產生之路徑，圖25(b)係在相同時刻之E(1)與產生之人物行動路徑。
    該圖25(b)係顯示人物行動推斷裝置將人物位置z之概率分佈與電器操作之概率之集合作為推斷結果輸出而輸出之人物之行動路徑，人物行動推斷裝置驗證了可推斷在家庭內之人物之行動。
    1‧‧‧人物行動推斷裝置
    10‧‧‧知識DB
    11‧‧‧ST
    20‧‧‧電器
    30‧‧‧電力控制裝置
    120‧‧‧人為概率之初始值推斷機構
    122‧‧‧人物位置推斷機構
    123‧‧‧人物概率通信機構
    124‧‧‧人為概率之再推斷機構
    圖1係顯示EoD控制系統之通訊網路之構成之概略圖。
    圖2係顯示本發明之EoD控制系統之電力系統網路之構成的概略圖。
    圖3係顯示插座、ST及電器之連接關係之說明圖。
    圖4係顯示配置有用於在樣板房設置各電器之ST之位置之隔間圖。
    圖5係顯示人物之狀態與機器之操作之關係的關係圖。
    圖6係顯示機器之狀態與電力消耗模式之關係之關係圖。
    圖7係顯示電吹風與吸塵器之電壓、電流之波形之波形圖。
    圖8係顯示人物行動推斷裝置具備之功能之功能方塊圖。
    圖9係顯示電磁爐之似然映像之圖。
    圖10係顯示電視之似然映像之圖。
    圖11係顯示起居室照明之似然映像之圖。
    圖12係顯示盥洗室照明之似然映像之圖。
    圖13係顯示走廊照明之似然映像之圖。
    圖14之顯示人物行動推斷裝置之整體處理之流程圖。
    圖15係顯示人為概率之初始值推斷之處理之流程圖。
    圖16係顯示人物位置推斷處理(人物為1人)之流程圖。
    圖17係顯示人物位置推斷處理(人物為1人)之繼續處理之流程圖。
    圖18係顯示人為概率之再推斷處理之流程圖。
    圖19係顯示人物位置推斷處理(人物為複數)之流程圖。
    圖20係顯示人物位置推斷處理(人物為複數)之繼續處理之流程圖。
    圖21係顯示人物位置推斷處理(人物為複數)之繼續處理之流程圖。
    圖22係顯示顯示藉由人物位置推斷機構獲得之人物位置之概率分佈之圖。
    圖23係顯示藉由人物位置推斷機構獲得之採樣點之概率分佈之概率分佈圖。
    圖24係顯示人物位置推斷機構推斷獲得之結果之人物行動之路徑的行動路徑圖。
    圖25係顯示分佈之分散與event產生之時刻之粒子的位置之分散圖。
    10‧‧‧記憶體
    11‧‧‧ST
    120‧‧‧人為概率之初始值推斷機構
    122‧‧‧人物位置推斷機構
    124‧‧‧人為概率之再推斷機構
    权利要求:
    Claims (23)
    [1] 一種隨選型電力控制系統，其特徵在於具備：至少包含商用電源之電力源；複數個電器；連接於該電器之智慧型分接頭；具備記憶體之推斷生活空間內之人物之行動的人物行動推斷裝置；及經由上述智慧型分接頭而連接該人物行動推斷裝置之網路，且上述人物行動推斷裝置具備：人為概率之初始值推斷機構，其係將根據電器之電力消耗模式獲得之特徵量，與事前於每個電器獲得之學習資料之特徵量進行比較，推斷上述電器之狀態，並基於該推斷之電器之狀態，推斷上述電器之人為概率之初始值；人物位置推斷機構，其自上述記憶體調出上述電器之人為概率之初始值與該機器之似然映像，參照自該似然映像選擇之樣本之人物位置，對全部之樣本進行將該人物位置與該機器之人為概率相乘而計算該機器之權重之處理，而推斷在各時刻之人物位置之概率，直到時刻到達最終時刻為止；及人為概率之再推斷機構，其根據上述人為概率及人物位置概率進行該人為概率之再計算，進行上述人為概率之再計算直到該再計算之值收斂為止，在該值收斂時輸出人為概率及人物位置概率。
    [2] 如請求項1之隨選型電力控制系統，其中上述人物行動推斷裝置係根據人物對機器進行人為操作之概率即人為概率，與人物相對於位置所存在之概率即人物位置概率，而推斷人物之行動。
    [3] 如請求項2之隨選型電力控制系統，其中上述人物行動推斷裝置僅根據各電器之電力消耗模式，求得作動狀態之特徵量資料，將根據該資料而得之人為概率作為初始值，並藉由重複計算而求得人物位置與人為概率，從而推斷該等兩者。
    [4] 如請求項3之隨選型電力控制系統，其中上述作動狀態之特徵量資料包含電器之id、該機器之作動狀態及該機器之特徵量。
    [5] 如請求項4之隨選型電力控制系統，其中上述電器之電力消耗模式係以移動或停留之人物狀態之定序進行機器之操作，而由電器之狀態、運轉模式之變化而產生。
    [6] 如請求項4之隨選型電力控制系統，其中上述電器之特徵量為消耗電力之平均與分散。
    [7] 如請求項1之隨選型電力控制系統，其中上述人為概率之初始值推斷機構預先賦予上述電器之某狀態轉變為人為操作之概率，而可根據電器之狀態之概率推斷人為概率之初始值。
    [8] 如請求項1之隨選型電力控制系統，其中上述人物位置推斷機構根據將時刻t之人物之二維位置藉由前一次之時刻t-1之重複計算而得之人為概率，推斷人物之移動位置。
    [9] 如請求項8之隨選型電力控制系統，其中上述人物位置推斷機構係使用時序濾波器而推斷人物位置概率。
    [10] 如請求項9之隨選型電力控制系統，其中上述時序濾波器為粒子濾波器、卡爾曼濾波器或移動平均濾波器。
    [11] 如請求項8至10中任一項之隨選型電力控制系統，其中上述人物位置推斷機構係使用基於電器之位置與人物位置之關係之似然映像，運算上述人為概率。
    [12] 如請求項11之隨選型電力控制系統，其中上述似然映像係基於實際之居住空間之電器之使用狀況，以像素值表示能夠按下電器之電源開關之人物之存在概率者。
    [13] 如請求項12之隨選型電力控制系統，其中上述似然映像在有障礙物之情形，將人之手觸及不到之範圍內之像素值作為0進行計算。
    [14] 如請求項12之隨選型電力控制系統，其中上述似然映像在可以遙控器操作上述電器之情形時，以小像素值分配廣泛範圍。
    [15] 如請求項12之隨選型電力控制系統，其中上述似然映像在可自複數個處所操作上述電器之情形時，以大像素值分配該可操作之複數個狹窄範圍。
    [16] 如請求項12之隨選型電力控制系統，其中上述似然映像係基於房間之隔間、上述障礙物與電源開關之位置、距離及電器之位置而表示上述像素值。
    [17] 如請求項16之隨選型電力控制系統，其中上述人物推斷裝置在人物為複數之情形時，以複數人份之混合正規分佈進行運算。
    [18] 一種程式，其特徵在於，其係使電腦作為具備至少包含商用電源之電力源、複數個電器、連接於該電器之智慧型分接頭、具備記憶體之推斷生活空間內之人物之行動之人物行動推斷裝置、及經由上述智慧型分接頭而連接該人物行動推斷裝置之網路的隨選型電力控制系統之上述人物行動推斷裝置而動作者，上述人物行動推斷裝置具備人為概率之初始推斷值設定機構、人物位置推斷機構、及人物概率之再推斷機構；且上述程式使電腦執行如下處理：由上述人為概率之初始推斷值設定機構將根據電器之電力消耗模式獲得之特徵量，與事前於每個電器獲得之學習資料之特徵量進行比較，推斷上述電器之狀態，並基於該推斷之電器之狀態，運算上述電器之人為概率之初始值之推斷；由上述人物位置推斷機構自上述記憶體調出上述電器之人為概率之初始值與該機器之似然映像，參照自該似然映像選擇之樣本之人物位置，對全部之樣本進行將該人物位置與該機器之人為概率相乘而計算該機器之權重之處理，運算在各時刻之人物位置之概率之推斷，直到時刻到達最終時刻為止；及由上述人物概率之再推斷機構根據上述人為概率及人物位置概率進行該人為概率之再計算，進行上述人為概率之再計算直到該再計算之值收斂為止，在該值收斂時輸出人為概率及人物位置概率。
    [19] 一種程式，其係使電腦作為如請求項1之人物行動推斷裝置而動作者，且使電腦執行如下處理：由上述人物行動推斷裝置根據人物對機器進行人為操作之概率即人為概率，與人物相對於位置所存在之概率即人物位置概率，而推斷人物之行動。
    [20] 一種程式，其特徵在於其係使電腦作為如請求項1之人物行動推斷裝置而動作者，且使電腦執行如下處理：由上述人物行動推斷裝置僅根據各電器之電力消耗模式，求得作動狀態之特徵量資料，將根據該資料而得之人為概率設為初始值，並藉由重複計算而求得人物位置與人為概率，從而推斷該等兩者。
    [21] 一種電腦可讀取記錄媒體，其記錄有如請求項18之程式。
    [22] 一種電腦可讀取記錄媒體，其記錄有如請求項19之程式。
    [23] 一種電腦可讀取記錄媒體，其記錄有如請求項20之程式。
    类似技术:
    公开号 | 公开日 | 专利标题
    TWI520079B|2016-02-01|隨選型電力控制系統、隨選型電力控制系統程式及記錄其程式之電腦可讀取記錄媒體
    Javed et al.2016|Design and implementation of a cloud enabled random neural network-based decentralized smart controller with intelligent sensor nodes for HVAC
    Naylor et al.2018|A review of occupant-centric building control strategies to reduce building energy use
    Truong et al.2013|Forecasting multi-appliance usage for smart home energy management
    CN106899468A|2017-06-27|基于物联网的智能家居系统
    CN102142062A|2011-08-03|基于关于装置的耗电信息控制装置的操作的方法和设备
    KR20150123253A|2015-11-03|생활 행동 추정 시스템, 생활 행동 추정 장치, 생활 행동 추정 프로그램, 및 기록 매체
    Ekwevugbe et al.2013|Realt-time building occupancy sensing for supporting demand driven hvac operations
    KR20120028503A|2012-03-23|공간분할 기반 지능자율 에너지절감 방법 및 시스템
    CN108964276B|2021-07-27|支持自动需求响应的用电管控终端和系统及负荷辨识方法
    Clement et al.2014|Detecting activities of daily living with smart meters
    Weng et al.2012|Context-aware home energy saving based on energy-prone context
    Javed et al.2015|Experimental testing of a random neural network smart controller using a single zone test chamber
    EP3279839A1|2018-02-07|Control device for controlling home energy management system and gateway
    Baker et al.2016|Frequency regulation services from connected residential devices: Short paper
    CN107430149A|2017-12-01|具有电源管理器的传感器集线器
    Gariba et al.2016|Modelling human behaviour in smart home energy management systems via machine learning techniques
    Iwayemi et al.2011|Energy management for intelligent buildings
    JP2015139066A|2015-07-30|在不在判定装置
    Aqilah et al.2019|Time series data measurement on electricity consumption for selected domestic appliances in typical terrace house of Malaysia
    Si et al.2010|A ubiquitous power management system to balance energy savings and response time based on device-level usage prediction
    Nagar et al.2016|SMOME: A framework for evaluating the costs and benefits of instrumentation in smart home systems
    Lee et al.2016|Applications of support vector machines to standby power reduction
    Imahara et al.2010|Counting people with a motion sensor network for a smart home
    Moayedi et al.2020|Energy Optimization Technologies in Smart Homes
    同族专利:
    公开号 | 公开日
    KR20140034812A|2014-03-20|
    US20140143189A1|2014-05-22|
    EP2733647A1|2014-05-21|
    CN103688284A|2014-03-26|
    JPWO2013008935A1|2015-02-23|
    EP2733647B1|2016-11-02|
    EP2733647A4|2015-03-11|
    JP6017421B2|2016-11-02|
    WO2013008935A1|2013-01-17|
    TWI520079B|2016-02-01|
    引用文献:
    公开号 | 申请日 | 公开日 | 申请人 | 专利标题
    US8334771B2|2007-06-13|2012-12-18|National Institute Of Information And Communications Technology|Home network, area network using the same, program for computer to execute operation in home network, and computer-readable recording medium storing the program|
    CN101952812B|2008-02-26|2013-05-01|松下电器产业株式会社|操作支援装置以及操作支援方法|
    WO2012046392A1|2010-10-08|2012-04-12|パナソニック株式会社|姿勢推定装置及び姿勢推定方法|
    JP5837508B2|2010-12-09|2015-12-24|パナソニック株式会社|姿勢状態推定装置および姿勢状態推定方法|
    WO2013147862A1|2012-03-30|2013-10-03|Intel Corporation|Wireless network connectivity prediction based on user patterns and behavior|
    JPWO2014126131A1|2013-02-13|2017-02-02|株式会社構造計画研究所|生活行動推定システム、生活行動推定装置、生活行動推定プログラム、及び記録媒体|EP3005376B1|2013-05-27|2020-04-08|Merck Patent GmbH|Improved electron transfer composition for use in an electron injection layer for organic electronic devices|
    JP6395086B2|2013-09-25|2018-09-26|パナソニックＩｐマネジメント株式会社|帰宅判定装置、帰宅通知装置、帰宅判定方法|
    TWI481881B|2013-11-22|2015-04-21|Inst Information Industry|耗電預測裝置、方法及其電腦程式產品|
    WO2017038354A1|2015-09-03|2017-03-09|日本電気株式会社|情報提供装置、情報提供方法、及び、プログラム|
    US11025713B2|2019-04-15|2021-06-01|Adobe Inc.|Dynamic allocation of execution resources|
    法律状态:
    2018-11-01| MM4A| Annulment or lapse of patent due to non-payment of fees|
    优先权:
    申请号 | 申请日 | 专利标题
    JP2011154494||2011-07-13||
    [返回顶部]