Устройство обработки данных, способ обработки данных и программа



Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа
Устройство обработки данных, способ обработки данных и программа

 


Владельцы патента RU 2598601:

СОНИ КОРПОРЕЙШН (JP)

Группа изобретений относится к области вычислительной техники и может быть использована для определения потребления электроэнергии. Техническим результатом является повышение точности расчета потребления электроэнергии каждым электрическим бытовым прибором. Устройство содержит модуль получения данных, выполненный с возможностью получения данных, представляющих смешанный сигнал двух или более последовательных по времени сигналов; модуль оценки состояния, выполненный с возможностью оценки параметра для моделирования сигнала, последовательного по времени, с факториальной скрытой моделью Маркова (FHMM); при этом модуль оценки состояния выполнен с возможностью оценки параметра при определенном ограничении посредством вычисления вариации данных, представляющих смешанный сигнал двух или более сигналов временной последовательности; и использования вычисленной вариации, в качестве параметра FHMM. 6 з.п. ф-лы, 30 ил.

 

Область техники, к которой относится изобретение

Настоящая технология относится к устройству обработки данных, способу обработки данных и программе и, в частности, к устройству обработки данных, способу обработки данных и программе, позволяющим легко и точно определять потребление электроэнергии и т.п., например, каждого из множества электрических бытовых устройств в домашних хозяйствах.

Уровень техники

В качестве способа представления потребления электроэнергии или потребления тока, например, каждого из электрических бытовых устройств, таких как электрические бытовые устройства в домашнем хозяйстве (электрические бытовые устройства для домашнего хозяйства) в домашнем хозяйстве и т.п. для пользователя в домашнем хозяйстве и реализации, так называемой, "визуализации" потребления электроэнергии и т.п., существует способ, например, установки интеллектуального переходника в каждую розетку.

Интеллектуальный переходник имеет функцию измерения, состоящую в измерении электроэнергии, которая потребляется из розетки (к которой подключено электрическое бытовое устройство домашнего хозяйства), в которую установлен интеллектуальный переходник, и функцию обмена данными с внешним устройством.

В интеллектуальном переходнике электроэнергию (потребление), измеряемую с помощью функции измерения, передают в устройство отображения и т.п., используя функцию связи, и устройство отображения отображает потребление энергии через интеллектуальный переходник, реализуя, таким образом "визуализацию" потребления энергии каждым электрическим бытовым устройством в домашнем хозяйстве.

Однако, установка интеллектуальных переходников во все розетки в домашнем хозяйстве является непростой с точки зрения затрат.

Кроме того, электрические устройства в домашнем хозяйстве, стационарно установленные дома, такие как, так называемый, встроенный кондиционер воздуха, в некоторых случаях, могут быть непосредственно соединены с линией электропитания, без использования розеток, и, таким образом, трудно использовать интеллектуальные переходники для таких электрических бытовых устройств в домашнем хозяйстве.

Поэтому, внимание привлекает технология, называемая NILM (неинтрузивный мониторинг нагрузки), в которой, например, в домашнем хозяйстве и т.п., по информации о токе, измеряемом в распределительном щите (щит распределения энергии), потребление энергии и т.п. каждым электрическим бытовым прибором в домашнем хозяйстве, подключенном перед ним.

В NILM, например, используя ток, измеренный в определенном местоположении, получают потребление энергии в каждом бытовом электрическом устройстве в домашнем хозяйстве (нагрузку), подключенном перед ним, без индивидуальных измерений.

Например, в PTL 1 раскрыта технология NILM, в которой рассчитывают активную мощность и реактивную мощность по току и напряжению, измеренным в определенном местоположении, и электрическое бытовое устройство идентифицируют путем кластеризации соответствующих величин вариации.

В технологии, раскрытой в PTL 1, поскольку используют вариации активной мощности и реактивной мощности при включении и выключении электрического бытового устройства в домашнем хозяйстве, обнаруживают точки вариации активной мощности и реактивной мощности. По этой причине, если обнаружение точек вариации будет неудачным, трудно точно идентифицировать электрическое бытовое устройство домашнего хозяйства.

Кроме того, в современных электрических бытовых устройствах домашнего хозяйства трудно представлять рабочие состояния, как два состояния включено и выключено, и, таким образом, трудно точно идентифицировать электрические бытовые устройства домашнего хозяйства, просто используя вариации активной мощности и реактивной мощности в состоянии включено и в состоянии выключено.

Поэтому, например, в PTL 2 и в PTL 3 раскрыта технология NILM, в которой используется LMC (классификатор большого зазора), такой как SVM (устройство вектора поддержки), в качестве модели идентификации (дискриминационной модели, классификации) в электрических бытовых устройствах в домашнем хозяйстве.

Однако, в NILM, в котором используется идентификационная модель, в отличие от генеративной модели, такой как НММ (скрытая модель Маркова), существующие данные обучения подготавливают для каждого электрического бытового устройства в домашнем хозяйстве, и запрашивают, чтобы обучение идентификационной модели с использованием данных обучения, было выполнено заранее.

По этой причине, в NILM, в котором используется идентификационная модель, трудно обрабатывать данные электрического бытового устройства домашнего хозяйства, где обучение идентификационной модели не выполняют, используя известные данные обучения.

Поэтому, например, в NPL 1 и 2 раскрыта технология NILM, в которой НММ, которая представляет собой генеративную модель, используется вместо идентификационной модели, в которой требуется заранее выполнить обучение, используя известные данные обучения.

Список литературы

Патентная литература

[PTL 1] Описание патента США №4858141

[PTL 2] Публикация находящейся на экспертизе заявки на патент Японии №2001-330630

[PTL 3] Брошюра международной публикации WO 01/077696

Непатентная литература

[NPL 1] Bons М., Deville Y., Schang D. 1994. Non-intrusive electrical load monitoring using Hidden Markov Models. Third international Energy Efficiency and DSM Conference, October 31, Vancouver, Canada., p.7

[NPL 2] Hisahide NAKAMURA, Koichi ITO, Tatsuya SUZUKI, "Load Monitoring System of Electric Appliances Based on Hidden Markov Model", IEEJ Transactions B, Vol.126, No. 12, pp.12231229, 2006

Раскрытие изобретения

Техническая задача

Однако в NILM, в котором используется простая НММ, если количество электрических бытовых устройств в домашнем хозяйстве увеличивается, количество состояний НММ становится чрезмерным, и, таким образом, ее воплощение затрудняется.

В частности, например, в случае, когда каждое электрическое бытовое устройство в домашнем хозяйстве имеет два состояния включено и выключено, количество состояний НММ, необходимых для представления (комбинации) рабочих состояний М электрических бытовых устройств домашнего хозяйства становится 2M, и количество вероятностей перехода состояний составляет (2M)2, что представляет собой квадрат количества состояний.

Поэтому, даже если количество М электрических бытовых устройств в домашнем хозяйстве составляет, например, 20, хотя нельзя сказать, что в последнее время существует множество электрических бытовых устройства в домашнем хозяйстве, количество состояний НММ, составит 220=1 048 576, и количество вероятностей перехода составит 1 099 511 627 776, что соответствует квадрату этого числа, что представляет собой гигантское число тера-порядка.

В настоящее время существует потребность в предложении технологии NILM, позволяющей просто и точно получать потребление энергии и т.п. электрического бытового устройства в домашнем хозяйстве, рабочее состояние которого представляет собой не только два состояния включено и выключено, то есть, каждое электрическое бытовое устройство, такое как электрическое бытовое устройстве в домашнем хозяйстве (электрическое бытовое устройство в домашнем хозяйстве с переменной нагрузкой), например, кондиционер воздуха, потребление энергии (тока) которого меняется в зависимости от режимов, установок и т.п.

Настоящая технология была разработана с учетом этих обстоятельств и позволяет легко и точно получать потребление электроэнергии каждым электрическим бытовым устройством.

Решение задачи

В соответствии с аспектом настоящего раскрытия, предложен способ оценки потребления тока электрическим устройством, включающий в себя этапы, на которых: получают данные, представляющие сумму электрических сигналов двух или больше электрических устройств, при этом указанные два или больше электрические устройства включают в себя первое электрическое устройство; обрабатывают данные, используя факториальную скрытую модель Маркова (FHMM) для формирования оценки электрического сигнала первого электрического устройства; и выводят оценку электрического сигнала первого электрического устройства, в котором FHMM имеет фактор, соответствующий первому электрическому устройству, и этот фактор имеет три или больше состояния.

В некоторых вариантах осуществления три или более состояния фактора соответствуют трем или более соответствующим электрическим сигналам первого электрического устройства в трех или более соответствующих рабочих состояниях первого электрического устройства.

В некоторых вариантах осуществления способ дополнительно включает в себя этапы, на которых: ограничивают FHMM так, что количество факторов FHMM, которые выполняют переход состояния в одной и той же точке времени, меньше, чем пороговое число.

В соответствии с другим аспектом настоящего раскрытия, предложено устройство мониторинга, включающее в себя: модуль получения данных для получения данных, представляющих сумму электрических сигналов двух или больше электрических устройств, два или более электрических устройств, включающих в себя первое электрическое устройство; модуль оценки состояния для обработки данных, с использованием факториальной скрытой модели Маркова (FHMM) для получения оценки рабочего состояния первого электрического устройства, FHMM, имеющая фактор, соответствующий первому электрическому устройству, фактор, имеющий три или более состояний; и модуль вывода данных для вывода оценки электрического сигнала первого электрического устройства, при этом оценка электрического сигнала основана по меньшей мере частично, на оценке рабочего состояния первого электрического устройства.

В соответствии с другим аспектом настоящего раскрытия, предложено устройство мониторинга, включающее в себя: модуль получения данных, предназначенный для получения данных, представляющих сумму электрических сигналов двух или более электрических устройств, два или более электрических устройства, включающие в себя первое электрическое устройство; модуль оценки состояния для обработки данных, с использованием факториальной скрытой модели Маркова (FHMM) для получения оценки рабочего состояния первого электрического устройства, FHMM, имеющую фактор, соответствующий первому электрическому устройству, при этом фактор имеет три или более состояния; модуль изучения модели для обновления одного или более параметров FHMM, при этом обновление одного или более параметров FHMM содержит выполнение изучения ограниченного разделения формы колебаний; и модуль вывода данных для вывода оценки электрического сигнала первого электрического устройства, при этом оценка электрического сигнала основана по меньшей мере частично, на оценке рабочего состояния первого электрического устройства.

Предпочтительные эффекты изобретения

В соответствии с аспектом настоящей технологией, возможно легко и точно получать потребление энергии каждого из электрических бытовых устройств.

Краткое описание чертежей

На фиг. 1 представлена схема, иллюстрирующая, в общих чертах, вариант осуществления системы мониторинга, в которой применено устройство обработки данных в соответствии с настоящей технологией.

На фиг. 2 представлена схема, иллюстрирующая, в общих чертах, изучение формы колебаний, выполняемого при разделении электрического бытового устройства домашнего хозяйства.

На фиг. 3 показана блок-схема, поясняющая пример конфигурации первого варианта осуществления системы мониторинга, в которой применена настоящая технология.

На фиг. 4 представлена схема, иллюстрирующая FHMM.

На фиг. 5 представлена схема, иллюстрирующая, в общих чертах, формулирование разделения электрического бытового устройства домашнего хозяйства, используя FHMM.

На фиг. 6 показана блок-схема последовательности операций, поясняющая процесс изучения (процесс изучения) FHMM в соответствии с алгоритмом ЕМ, выполняемым системой мониторинга.

На фиг. 7 показана блок-схема последовательности операций, поясняющая процесс этапа Е, выполняемого на этапе S13 системой мониторинга.

На фиг. 8 представлена схема, иллюстрирующая взаимосвязи между прямой вероятностью ALPHAt,z и обратной вероятностью BETAt,z FHMM, и прямой вероятностью ALPHAt,i и обратной вероятностью BETAt,j НММ.

На фиг. 9 показана блок-схема последовательности операций, поясняющая процесс этапа М, выполняемого на этапе S14 системой мониторинга.

На фиг. 10 показана блок-схема последовательности операций, поясняющая процесс представления информации, состоящий в представлении информации об электрическом бытовом устройстве №m домашнего хозяйства, выполняемый системой мониторинга.

На фиг. 11 представлена схема, иллюстрирующая пример отображения потребления энергии U(m) выполняемого в процессе представления информации.

На фиг. 12 показана блок-схема, поясняющая пример конфигурации второго варианта осуществления системы мониторинга, в которой применена настоящая технология.

На фиг. 13 показана блок-схема последовательности операций, поясняющая процесс этапа Е, выполняемого на этапе S13 системой мониторинга.

На фиг. 14 показана блок-схема последовательности операций, поясняющая процесс этапа М, выполняемого на этапе S14 системой мониторинга.

На фиг. 15 показана блок-схема, поясняющая пример конфигурации третьего варианта осуществления системы мониторинга, в которой применена настоящая технология.

На фиг. 16 представлена схема, иллюстрирующая способ получения прямой вероятности ALPHAt,p, применяя фильтр частиц к комбинации z состояний FHMM.

На фиг. 17 представлена схема, иллюстрирующая способ получения обратной вероятности BETAt,р, применяя фильтр частиц к комбинации z состояний FHMM.

На фиг. 18 представлена схема, иллюстрирующая способ получения последующей вероятности GAMMAt,p, применяя фильтр частиц к комбинации z состояний FHMM.

На фиг. 19 показана блок-схема последовательности операций, поясняющая процесс этапа Е, выполняемого на этапе S13 системой мониторинга.

На фиг. 20 показана блок-схема последовательности операций, поясняющая процесс этапа Е, выполняемого на этапе S13 системой мониторинга.

На фиг. 21 показана блок-схема, поясняющая пример конфигурации четвертого варианта осуществления системы мониторинга, в которой применена настоящая технология.

На фиг. 22 показана блок-схема последовательности операций, поясняющая процесс этапа М, выполняемого на этапе S14, выполняемого системой мониторинга, вводящей ограничение нагрузки.

На фиг. 23 представлена схема, иллюстрирующая ограничение нагрузки.

На фиг. 24 представлена схема, иллюстрирующая ограничение основной формы колебаний.

На фиг. 25 показана блок-схема последовательности операций, поясняющая процесс этапа М, выполняемого на этапе S14, выполняемого системой мониторинга, вводящей ограничение основной формы колебаний.

На фиг. 26 показана блок-схема, поясняющая пример конфигурации пятого варианта осуществления системы мониторинга, в которой применена настоящая технология.

На фиг. 27 представлена схема, иллюстрирующая, в общих чертах, разделение источника сообщения системой мониторинга, которая выполняет изучение FHMM.

На фиг. 28 показана блок-схема, поясняющая пример конфигурации шестого варианта осуществления системы мониторинга, в которой применена настоящая технология.

На фиг. 29 показана блок-схема последовательности операций, поясняющая процесс обучения модели (процесс обучения), выполняемый системой мониторинга.

На фиг. 30 показана блок-схема, поясняющая пример конфигурации варианта осуществления компьютера, в котором применена настоящая технология.

Осуществление изобретения

Общий обзор существующей технологии

На фиг. 1 показана схема, иллюстрирующая общий обзор варианта осуществления системы мониторинга, в которой применяется устройство обработки данных, в соответствии с настоящей технологией. В некоторых вариантах осуществления система мониторинга может называться интеллектуальным измерителем.

В каждом домашнем хозяйстве электроэнергию, предоставляемую электрогенерирующей компанией, подают на распределительный щит (щит распределения электроэнергии) и подают к электрическим бытовым устройствам, таким как электрические бытовые устройства домашнего хозяйства (подключенные к розеткам) в домашнем хозяйстве.

Система мониторинга, в которой применяется настоящая технология, измеряет общую сумму тока, которая потребляется одним или более электрическими бытовыми устройствами в домашнем хозяйстве, в местоположении, таком как распределительный щит, то есть, в источнике, через который подают энергию в домашнем хозяйстве, и выполняет разделение электрических бытовых устройств в домашнем хозяйстве, где определяют мощность (ток), потребляемая отдельными электрическими бытовыми устройствами в домашнем устройстве, такими как, например, кондиционер воздуха или пылесос в домашнем хозяйстве, из последовательности общей суммы тока (форм колебаний тока).

Кроме того, в качестве входных данных, которые вводят в систему мониторинга, в дополнение к общей сумме тока, потребляемого каждым из электрических бытовых устройств в домашнем хозяйстве, могут использоваться общие суммарные данные, относящиеся к общей сумме тока, потребляемого каждым электрическим бытовым устройством в домашнем хозяйстве.

В качестве данных общей суммы могут использоваться общие значения, которые могут быть просуммированы. В частности, в качестве данных общей суммы, в дополнение к общей сумме тока, потребляемого самими каждым из электрических бытовых устройств в домашнем хозяйстве, например, можно использовать общую сумму мощности, потребляемой каждым электрическим бытовым устройством в домашнем хозяйстве, или общую сумму частотных компонентов, получаемых в результате выполнения FFT (быстрое преобразование Фурье) для форм колебаний тока, потребляемого каждым электрическим бытовым устройством в домашнем хозяйстве.

Кроме того, при разделении электрических бытовых устройств в домашнем хозяйстве, информация, относящаяся к току, потребляемому каждым электрическим бытовым устройством в домашнем хозяйстве, может быть отделена от данных общей суммы, в дополнение к мощности, потребляемой каждым электрическим бытовым устройством в домашнем хозяйстве. В частности, при разделении электрических бытовых устройств в домашнем хозяйстве ток, потребляемый каждым электрическим бытовым устройством в домашнем хозяйстве или его частотные компоненты могут быть отделены от данных общей суммы.

В следующем описании, в качестве общих суммарных данных, например, используется общая сумма тока, потребляемого каждым электрическим бытовым устройством в домашнем хозяйстве, и, например, форму колебаний тока, потребляемого каждым электрическим бытовым устройством в домашнем хозяйстве, отделяют от форм колебаний общей суммы тока, которая представляет собой общие суммарные данные.

На фиг. 2 показана схема, иллюстрирующая в общих чертах обучение разделению форм колебаний, выполняемому при разделении электрического бытового устройства в домашнем хозяйстве.

При обучении разделению формы колебаний форму колебаний Yt тока, которая представляет собой данные общей суммы в момент времени t, устанавливают, как дополнительное значение (общая сумма) для формы W(m) колебаний тока для тока, потребляемого каждым электрическим бытовым устройством №m в домашнем хозяйстве, и форму W(m) колебаний тока, потребляемую каждым электрическим бытовым устройством №m в домашнем хозяйстве, получают из формы Yt колебаний тока.

На фиг. 2 показаны пять электрических бытовых устройств №1-№5 в домашнем хозяйстве, и среди пяти электрических бытовых устройств №1-№5 домашнего хозяйства, электрические бытовые устройства №1, №2, №4 и №5 домашнего хозяйства находятся в состоянии включено (состояние потребления энергии), и электрическое бытовое устройство №3 домашнего хозяйства находится в состоянии выключено (состояние, в котором энергия не потребляется).

По этой причине на фиг. 2 форма Yt колебаний тока, когда общие суммарные данные становятся суммарным значением (общая сумма) потребления W(1), W(2), W(4) и W(5) тока соответствующих электрических бытовых устройств №1, №2, №4 и №5 домашнего хозяйства.

Первый вариант осуществления системы мониторинга, в которой применяется настоящая технология

На фиг. 3 показана блок-схема, иллюстрирующая пример конфигурации первого варианта осуществления системы мониторинга, в которой применяется настоящая технология.

На фиг. 3 система мониторинга включает в себя модуль 11 получения данных, модуль 12 оценки состояния, модуль 13 хранения модели, модуль 14 изучения модели, модуль 15 получения метки и модуль 16 вывода данных.

Модуль 11 получения данных получает временную последовательность форм Y колебаний тока (временную последовательность тока), как общие суммарные данные, и временную последовательность форм колебаний напряжения (временную последовательность напряжения) V, соответствующую формам Y колебаний тока, для их подачи в модуль 12 оценки состояния, модуль 14 изучения модели и модуль 16 вывода данных.

Другими словами, модуль 11 получения данных состоит из устройства измерений (датчика), который измеряет, например, ток и напряжение.

Модуль 11 получения данных измеряет форму Y колебаний тока, как общую сумму тока, потребляемого каждым электрическим бытовым устройством в домашнем хозяйстве, в котором установлена система мониторинга в домашнем хозяйстве, например, на распределительном щите и т.п., и измеряет соответствующую форму V колебаний напряжения для подачи в модуль 12 оценки состояния, модуль 14 изучения модели и модуль 16 вывода данных.

Модуль 12 оценки состояния выполняет оценку состояния для оценки рабочего состояния каждого электрического бытового устройства в домашнем хозяйстве, используя форму Y колебаний тока из модуля 11 получения данных, и общие модели (параметры его модели) Ф, которые сохранены в модуле 13 хранения модели и представляют собой модели всех электрических бытовых устройств в домашнем хозяйстве, в которых установлена система мониторинга в домашнем хозяйстве. Кроме того, модуль 12 оценки состояния подает рабочее состояние Г каждого электрического бытового устройства в домашнем хозяйстве, которое представляет собой результат оценки при оценке состояния, в модуль 14 изучения модели, модуль 15 получения метки и модуль 16 вывода данных.

Другими словами, на фиг. 3, модуль 12 оценки состояния 12 имеет участок 21 оценки и участок 22 оценки.

Участок 21 оценки получает значение Е оценки, где форму Y колебаний тока, подаваемую (в модуль 12 оценки состояния) из модуля 11 получения данных, наблюдают в каждой комбинации состояний множества моделей №1 - №М электрических бытовых устройств в домашнем хозяйстве, формирующих общие модели ϕ, сохраняемые в модуле 13 хранения модели, для подачи в участок 22 оценки.

Участок 22 оценки выполняет оценку состояния каждого из множества электрических бытовых устройств №1 - №М в домашнем хозяйстве, формируя общие модели ϕ, сохраняемые в модуле 13 хранения модели, то есть, рабочее состояние Г электрического бытового устройства в домашнем хозяйстве, обозначенное, как модель №m электрического бытового устройства в домашнем хозяйстве (электрическое бытовое устройство в домашнем хозяйстве, смоделированное моделью №m электрического бытового устройства в домашнем хозяйстве), используя значение Е оценки, передаваемое из участка 21 оценки, с тем подавать в модуль 14 изучения модели, модуль 15 получения метки и модуль 16 вывода данных.

Модуль 13 хранения модели сохраняет все модели (параметры модели φ) ϕ, которые составляют множество среди всех моделей.

[Все модели ϕ включают в себя модели №1 - №М электрических бытовых устройств в домашнем хозяйстве, которые представляют собой М моделей (представляющих потребление тока) среди множества электрических бытовых устройств в домашнем хозяйстве.

Все параметры ϕ моделей включают в себя параметр формы колебаний тока, обозначающий потребление тока для каждого рабочего состояния электрического бытового устройства домашнего хозяйства, которое обозначено моделью №m электрического бытового устройства домашнего хозяйства.

Параметры ϕ всех моделей включают в себя, например, параметр вариации состояния, обозначающий переход (вариацию) рабочего состояния электрического бытового устройства в домашнем хозяйстве, обозначенного моделью №m электрического бытового устройства домашнего хозяйства, параметр исходного состояния, обозначающий исходное состояние для рабочего состояния электрического бытового устройства домашнего хозяйства, обозначенного моделью №m электрического бытового устройства домашнего хозяйства, и параметр вариации, относящийся к вариации наблюдаемых значений формы Y колебаний тока, которые наблюдают (генерируют) у всех моделей.

Ссылку на параметры ϕ модели всех моделей, сохраненных в модуле 13 хранения модели, выполняет участок 21 оценки и участок 22 оценки модуля 12 оценки состояния, модуля 15 получения метки и модуля 16 вывода данных, и их обновляют в участке 31 изучения разделения форм колебаний, участке 32 изучения вариации и участке 33 изучения состояния вариации модуля 14 изучения модели, которые будут описаны ниже.

Модуль 14 изучения модели выполняет изучение модели для обновления параметров ϕ модели всех моделей, сохраненных в модуле 13 хранения модели, используя форму Y колебаний тока, подаваемую из модуля 11 получения данных, и результат оценки (рабочего состояния каждого электрического бытового устройства в домашнем хозяйстве) Г для оценки состояния, передаваемый из (участка 22 оценки) модуля 12 оценки состояния.

Другими словами, на фиг. 3, модуль 14 изучения модели включает в себя участок 31 изучения разделения формы колебаний, участок 32 изучения вариации и участок 33 изучения вариации состояния.

Участок 31 изучения разделения формы колебаний выполняет изучение разделения формы колебаний, для получения (обновления) параметра формы колебаний тока, который представляет собой параметр ϕ модели, используя форму Y колебаний тока, подаваемую (в модуль 14 изучения модели) из модуля 11 получения данных и рабочего состояния Г каждого электрического бытового устройства в домашнем хозяйстве, подаваемого из (участка 22 оценки) модуля 12 оценки состояния, и обновляет параметр формы колебаний тока, сохраненный в модуле 13 хранения модели, до параметра формы колебаний тока, полученного при изучении разделения формы колебаний.

Участок 32 изучения вариации выполняет изучение вариации для получения (обновления) параметра вариации, который представляет собой параметр ϕ модели, используя форму Y колебаний тока, подаваемую (в модуль 14 изучения модели) из модуля 11 получения данных, и рабочее состояние Г каждого электрического бытового устройства домашнего хозяйства, подаваемого из (участка 22 оценки) модуля 12 оценки состояния, и обновляет параметр вариации, сохраненный в модуле 13 хранения модели, до параметра вариации, полученного при изучении вариации.

Участок 33 изучения вариации состояния выполняет изучение вариации состояния, для получения (обновления) параметра исходного состояния и параметра вариации состояния, которые представляют собой параметры ϕ модели, используя рабочее состояние Г каждого электрического бытового устройства домашнего хозяйства, подаваемого из (участка 22 оценки) модуля 12 оценки состояния, и обновляет параметр исходного состояния и параметр вариации состояния, сохраненный в модуле 13 хранения модели, до параметра исходного состояния и параметра вариации состояния, полученного путем изучения вариации.

Модуль 15 получения метки получает метку L(m) электрического бытового устройства домашнего хозяйства, для идентификации электрического бытового устройства в домашнем хозяйстве, обозначенного каждой моделью №m электрического бытового устройства домашнего хозяйства, используя рабочее состояние Г каждого электрического бытового устройства в домашнем хозяйстве, подаваемого из (участка 22 оценки) модуля 12 оценки состояния, всех моделей ϕ, сохраненных в модуле 13 хранения модели, и потребление U(m) энергии электрическим бытовым устройством домашнего хозяйства каждой модели №m электрического бытового устройства домашнего хозяйства, которое получают с помощью модуля 16 вывода данных, в соответствии с необходимостью, для подачи в модуль 16 вывода данных.

Модуль 16 вывода данных получает потребление U(m) энергии электрического бытового устройства домашнего хозяйства, обозначенное каждой моделью №m электрического бытового устройства домашнего хозяйства, используя форму V колебаний напряжения, передаваемую из модуля 11 получения данных, рабочего состояния Гϕ каждого электрического бытового устройства домашнего хозяйства, передаваемого из (участка 22 оценки) модуля 12 оценки состояния, и всех модели, сохраненные в модуле 13 хранения модели для отображения на устройстве отображения (не показан) и для представления пользователю.

Кроме того, в модуле 16 вывода данных, потребление U(m) энергии электрическим бытовым устройством домашнего хозяйства, обозначенное для каждой модели №m электрического бытового устройства домашнего хозяйства, может быть представлено для пользователя вместе с меткой L(m) электрического бытового устройства домашнего хозяйства, передаваемой из модуля 15 получения метки.

В системе мониторинга, выполненной, как описано выше, в качестве всех моделей, сохраненных в модуле 13 хранения модели, например, можно использовать FHMM (факториальную скрытую модель Маркова).

На фиг. 4 показана схема, иллюстрирующая FHMM.

Другими словами, в позиции А на фиг. 4 показана графическая модель нормальной НММ, и позиции В на фиг. 4 показана графическая модель FHMM.

В нормальной НММ, в момент времени t, наблюдают одиночное значение Yt наблюдения в одиночном состоянии St, которое расположено в момент t времени.

С другой стороны, в FHMM, в момент времени t наблюдают одиночное значение Yt наблюдения в комбинации с множеством состояний S(1)t, S(2)t… и S(М)t, которые находятся в точке времени t.

FHMM представляет собой модель генерирования вероятности, предложенную авторами Zoubin Ghahramani и др., и ее детали раскрыты, например, в публикации Zoubin Ghahramani and Michael I. Jordan, Factorial Hidden Markov Models′, Machine Learning Volume 29, Issue 2-3, Nov./Dec. 1997 (ниже также называется документом А).

На фиг. 5 показана схема, иллюстрирующая, в общих чертах, формулировку разделения электрического бытового устройство домашнего хозяйства, используя FHMM.

Здесь FHMM включает в себя множество НММ. Каждая НММ, включенная в FHMM, также называется фактором, и m-ый фактор обозначен, как коэффициент №m.

В FHMM, комбинации множества состояний от S t ( 1 ) , до S t ( M ) , которые находятся в точке времени t представляет собой комбинацию состояний фактора №m (набор из состояния фактора №1, состояния фактора №2… и состояния фактора №М).

На фиг. 5 показана FHMM, где число М факторов равно трем.

При разделении электрического бытового устройства домашнего хозяйства, например, один фактор соответствует одному электрическому бытовому устройству домашнего хозяйства (один фактор коррелируют с одним электрическим бытовым устройством домашнего хозяйства). На фиг. 5 фактор №m соответствует электрическому бытовому устройству №m домашнего хозяйства.

В FHMM количество состояний, формирующих фактор, является произвольным для каждого фактора, и, на фиг. 5, количество состояний каждого из трех факторов №1, №2 и №3 равно четырем.

На фиг. 5, в момент времени t=t0, фактор №1 находится в состоянии №14 (обозначено кругом из толстой линии) среди четырех состояний №11, №12, №13 и №14, и фактор №2 находится в состоянии №21 (обозначено кругом из толстой линии) среди четырех состояний №21, №22, №23 и №24. Кроме того, в момент времени t=t0, фактор №3 находится в состоянии №33 (обозначено кругом из толстой линии) среди четырех состояний №31, №32, №33 и №34.

При разделении электрического бытового устройства домашнего хозяйства состояние фактора №m соответствует рабочему состоянию электрического бытового устройства №m домашнего хозяйства, которое соответствует фактору №m.

Например, в факторе №1, соответствующем электрическому бытовому устройству №1 домашнего хозяйства, состояние №11 соответствует состоянию выключено электрического бытового устройства №1 домашнего хозяйства, и состояние №14 соответствует состоянию включено в, так называемом, нормальном режиме электрического бытового устройства №1 домашнего хозяйства. Кроме того, в факторе №1, соответствующем электрическому бытовому устройству №1 домашнего хозяйства, состояние №12 соответствует состоянию включено в, так называемом, режиме ожидания электрического бытового устройства №1 домашнего хозяйства, и состояние №13 соответствует состоянию включено в, так называемом, режиме экономии энергии электрического бытового устройства №1 домашнего хозяйства.

В FHMM, в состоянии №mi фактора №m, наблюдают (генерируют) уникальную форму W m i ( m ) колебаний, которая представляет собой уникальную форму колебаний для каждого состояния фактора.

На фиг. 5, при факторе №1, наблюдают уникальную форму W 14 ( 1 ) колебаний в состоянии №14, которое появляется в точке времени t=t0, и, при факторе №2, уникальную форму W 21 ( 2 ) колебаний наблюдают в состоянии №21, которое появляется в момент времени t=t0. Кроме того, в факторе №3, уникальную форму W 33 ( 3 ) колебаний наблюдают в состоянии №33, которое появляется в момент времени t=t0.

В FHMM генерируют синтезированную форму колебаний, получаемую в результате синтеза уникальных форм колебаний, наблюдаемых в состояниях соответствующих факторов, как величину наблюдения, которую наблюдают в FHMM.

Здесь, в качестве синтеза уникальных форм колебаний, например, может использоваться общая сумма (суммирование) уникальных форм колебаний. Кроме того, в качестве синтеза уникальных форм колебаний, например, можно использовать суммирование весов уникальных форм колебаний или логическую сумму (случай, когда значение уникальных форм колебаний равно 0 и 1) уникальных форм колебаний, и при разделении электрических бытовых устройств в домашнем хозяйстве используется общая сумма уникальных форм колебаний.

При изучении FHMM параметры модели FHMM получают (обнуляют) таким образом, что наблюдают формы Yt0, Yt0+1, … колебаний тока, которые представляют собой суммарные данные в соответствующих точках времени t=…, t0, t1… в FHMM.

В случае использования описанной выше FHMM, в качестве общих моделей ϕ, сохраненных в модуле 13 хранения модели (фиг. 3), модель №m электрического бытового устройства домашнего хозяйства, формирующего общие модели ϕ, соответствует фактору №m.

Кроме того, в качестве количества М факторов FHMM, используется значение, большее, чем максимальное количество электрических бытовых устройств домашнего хозяйства, ожидаемых в домашнем хозяйстве, на заданную величину, которая представляет собой зазор.

Кроме того, FHMM, как общие модели ϕ, использует FHMM, где каждый фактор имеет три или больше состояния.

Это связано с тем, что, в случае, когда фактор имеет только два состояния, только два состояния, например, состояние выключено и состояние включено представлены, как рабочие состояния электрического бытового устройства домашнего хозяйства, соответствующего фактору, и при этом трудно получить точное потребление энергии в отношении электрического бытового устройства домашнего хозяйства (ниже также называется электрическим бытовым устройством домашнего хозяйства с переменной нагрузкой), такого как кондиционер воздуха, потребление мощности (тока) которого меняется в зависимости от режимов или установок.

То есть, если FHMM, как общие модели ϕ, использует FHMM, где используется каждый фактор, имеющий три или больше состояния, становится возможным получить потребление энергии и т.п. со ссылкой на электрическое бытовое устройство домашнего хозяйства с переменной нагрузкой.

В случае, когда FHMM используется, как общие модели ϕ, одновременное распределение P({St, Yt}) последовательности форм Yt колебаний тока наблюдается в FHMM и комбинации St состояния S t ( m ) для фактора №m рассчитывают, используя уравнение (1), предполагая Марковское свойство.

[Уравнение 1]

Здесь, одновременное расстояние P({St, Yt}) обозначает вероятность того, что форма Yt колебаний тока наблюдается в комбинации (комбинация состояний М факторов) St состояния S t ( m ) фактора №m в момент t времени.

P(S1) обозначает вероятность исходного состояния, которое представляет собой комбинацию S1 состояния S t ( m ) фактора №m и находится в исходной точке t=1 времени.

P(St|St-1) обозначает вероятность перехода, когда фактор находится в комбинации St-1 состояний в момент t-1 времени и переходит к комбинации St состояний в момент t времени.

P(Yt|St) обозначает вероятность наблюдения того, что форма Yt колебаний тока наблюдается в комбинации St состояний в момент t времени.

Комбинация St состояний в момент t времени представляет собой комбинацию состояний S t ( 1 ) , S t ( 2 ) , … и S t ( M ) в момент t времени для М факторов №1 - №М, и представлена уравнением S t = { S t ( 1 ) , S t ( 2 ) , и S t ( M ) } .

Кроме того, предполагается, что рабочее состояние электрического бытового устройства №m домашнего хозяйства изменяется независимо от другого электрического бытового устройства №m′ домашнего хозяйства, и состояние S t ( m ) фактора №m выполняет переход независимо от состояния S t ( m ' ) другого фактора №m′.

Кроме того, количество K(m) состояний НММ, которое представляет собой фактор №m в FHMM, может использовать это количество независимо от числа K(m′) состояний НММ, которое представляет собой другой фактор №m′. Однако, здесь, для простоты описания, числа от K(1) до K(M) факторов №1 - №М представляют собой такое же число K, как обозначено в уравнении K(1)=K(2)=…=K(М)=K.

В FHMM вероятность P(S1) исходного состояния, вероятность P(St|St-1) перехода и вероятность P(Yt|St) наблюдения, которые необходимы для расчета одновременного расстояния P({St,Yt}) могут быть рассчитаны в уравнении (1) следующим образом.

То есть, вероятность P(S1) исходного состояния может быть рассчитана в соответствии с уравнением (2).

[Уравнение 2]

Здесь P(S(m)1) обозначает вероятность исходного состояния того, что состояние S 1 ( m ) фактора №m представляет собой состояние (исходное состояние), которое находится в исходной точке t=1 времени.

Вероятность P ( S 1 ( m ) ) исходного состояния представляет собой, например, вектор столбца из K рядов (матрица из K рядов и одного столбца), которая имеет вероятность исходного состояния в k-ом (где k=1, 2… и K) состоянии фактора №m, как компонент k-ого ряда.

Вероятность P(St|St-1) перехода может быть рассчитана в соответствии с уравнением (3).

[Уравнение 3]

Здесь P ( S t ( m ) | S t 1 ( m ) ) обозначает вероятность перехода того, что фактор №m находится в состоянии S t 1 ( m ) в момент t-1 времени и переходит в состояние S t ( m ) в момент t времени.

Вероятность P ( S t ( m ) | S t 1 ( m ) ) перехода представляет собой, например, матрицу (квадратную матрицу) из K рядов и K столбцов, которая имеет вероятность перехода, что фактор №m переходит из k-ого состояния №k в k′-ое (где k′=1, 2… и K) состояние №k′, как компонент k-ого ряда и k′-ого столбца.

Вероятность P(Yt|St) наблюдения может быть рассчитана в соответствии с уравнением (4).

[Уравнение 4]

Здесь штрих (′) обозначает транспонирование, и верхний индекс -1 обозначает обратное число (обратную матрицу). Кроме того, |С| обозначает абсолютное значение (детерминанту) (расчет детерминанты) С.

Далее, D обозначает размер величины Yt наблюдения.

Например, модуль 11 получения данных на фиг. 3 делает выборки тока, в соответствии с одним циклом (1/50 секунды или 1/60 секунды) с заданным интервалом выборки, используя момент времени пересечения нуля, когда напряжение меняется с отрицательного значения на положительное значение, в моменты времени, когда фаза тока равна 0, и выводит вектор столбца, который имеет значения выборок, в качестве компонентов, как форму Yt колебаний тока, соответствующую одной точке времени.

Если количество выборок, где модуль 11 получения данных делает выборку тока, в соответствии с циклом, равно D, форма Yt колебаний тока представляет собой вектор столбца для D рядов.

В соответствии с вероятностью P(Yt|St) наблюдения, по уравнению (4), значение Yt наблюдения соответствует нормальному распределению, где вариация (ковариационная матрица) равна С, когда среднее значение (средний вектор) равно µt.

Среднее значение µt представляет собой, например, вектор столбца из D рядов, который является таким же, как форма Yt колебаний тока, и вариация С представляет собой, например, матрицу (матрицу, диагональные компоненты которой представляют собой вариацию) D рядов и D столбцов.

Среднее значение µt представлено Уравнением (5.1), в котором используется уникальная форма W(m) колебаний, описанная со ссылкой на фиг. 5.

[Уравнение 5.1]

[Уравнение 5.2]

Вероятность P(Yt|St) наблюдения также может быть рассчитана в соответствии с Уравнением (5.2), где [St≠0] представляет собой количество ненулевых состояний (состояний с ненулевыми выходными данными) во всех факторах, и лямбда представляет собой положительный вычет за ошибку при наблюдении. Такой дополнительный элемент выполняет управление для минимизации количества ненулевых состояний.

Здесь, если уникальная форма колебаний состояния №k фактора №m обозначена уникальной формой W k ( m ) колебаний, уникальная форма W k ( m ) колебаний состояния №k фактора №m представляет собой, например, вектор столбца для D рядов, которые являются такими же, как и форма Yt колебаний тока.

Кроме того, уникальная форма W(m) колебаний представляет собой подборку уникальных форм W 1 ( m ) , W 2 ( m ) … и W K ( m ) колебаний соответствующих состояний №1, №2 № … и №K фактора №m, и представляет собой матрицу из D рядов и K столбцов, которая имеет вектор столбца, который представляет собой уникальную форму W k ( m ) колебаний состояния №k фактора №m, как k-й компонент.

Кроме того, S t ( m ) обозначает состояние фактора №m, который находится в точке t времени и далее, S t ( m ) также относится к текущему состоянию фактора №m в момент t времени. Текущее состояние S t ( m ) фактора №m в момент времени t представляет собой, например, такой, как показано в Уравнении (6), вектор столбца K рядов, где компонент только одного ряда K столбцов равен 0, и компоненты других рядов равны 0.

[Уравнение 6]

В случае, когда состояние фактора №m в момент t времени представляет собой состояние №k, в векторе S t ( m ) столбца K рядов, которое представляет собой текущее состояние S t ( m ) в момент t времени, только компонент k-го ряда равен 1, и другие компоненты равны 0.

В соответствии с Уравнением (5.1), общую сумму уникальной формы W k ( m ) колебаний состояния №k каждого фактора №m в момент времени t получают, как среднее значение µt формы Yt колебаний тока в момент времени t.

Параметры ϕ модели FHMM представляют собой вероятность P ( S 1 ( m ) ) исходного состояния по уравнению (2), вероятность P ( S t ( m ) | S t 1 ( m ) ) перехода по уравнению (3), вариацию С по уравнению (4), и уникальную форму W(m) колебаний W ( m ) ( = W 1 ( m ) , W 2 ( m ) , и W K ( m ) ) по уравнению (5.1), и параметры ϕ модели FHMM получают в модуле 14 изучения модели по фиг. 3.

Другими словами, участок 31 изучения разделения формы колебаний получает уникальную форму W(m) колебаний, как параметр формы колебаний тока, используя изучение разделения формы колебаний. На участке 32 изучения вариации, вариацию С получают, как параметр вариации путем изучения вариации. Участок 33 изучения вариации состояния получает вероятность P ( S 1 ( m ) ) исходного состояния и вероятность P ( S t ( m ) | S t 1 ( m ) ) перехода, как вероятность исходного состояния и параметр вариации состояния в результате изучения вариации состояния.

Здесь, как описано выше, например, даже если рабочие состояния каждого электрического бытового устройства домашнего хозяйства представляет собой два состояния включено и выключено, в случае представления (комбинации) рабочих состояний двадцати электрических бытовых устройств домашнего хозяйства, используя нормальную НММ, количество состояний НММ составляет 220=1 048 576, и количество вероятностей перехода составляет число 1 099 511 627 776, которое представляет собой его квадрат.

С другой стороны, в соответствии с FHMM, М электрических бытовых устройств домашнего хозяйства, рабочие состояния которых представляют собой только два состояния включено и выключено, могут быть представлены М факторами, каждый фактор которых имеет два состояния. Поэтому, поскольку, в каждом факторе, количество состояний равно двум, и количество вероятностей перехода равно четырем, что представляет собой его квадрат, в случае представления рабочих состояний электрических бытовых устройств домашнего хозяйства (факторов) М=20, используя FHMM, количество (общее количество) состояний FHMM равно 40=2×20, что является малым числом, и количество вероятностей перехода равно 80=4×20, что также является малым числом.

Изучение FHMM, то есть, обновление вероятности P ( S 1 ( m ) ) исходного состояния вероятности P ( S t ( m ) | S t 1 ( m ) ) перехода вариации С и уникальной формы W(m) колебаний, которая представляет собой параметры ϕ модели FHMM, может быть выполнено, например, в соответствии с алгоритмом ЕМ (ожидание - максимизация), как раскрыто в документе А.

При изучении FHMM, используя алгоритм ЕМ, поочередно повторяется процесс на этапа Е и процесса на этапе М, для максимизации ожидаемого значения Q(ϕnew|ϕ) условной законченной логарифмической вероятности данных по уравнению (7).

[Уравнение 7]

Здесь ожидаемое значение Q(ϕnew|ϕ) условной законченной логарифмической вероятности данных означает ожидаемое значение логарифмической вероятности log(P({St,Yt}|ϕnew)) того, что законченные данные {St, Yt} наблюдают при новых параметрах ϕnew модели в случае, когда законченные данные {St, Yt} наблюдают при параметрах ϕ модели.

В процессе на этапе Е алгоритма ЕМ (значение, соответствующее) ожидаемому значению Q(ϕnew|ϕ) условной законченной логарифмической вероятности данных по уравнению (7) получают при обработке на этапе М алгоритма ЕМ, получают новые параметры ϕnew, модели для дальнейшего увеличения ожидаемого значения Q(ϕnew|ϕ), которое получают в результате обработки на этапе Е, и параметры ϕ модели обновляют до новых параметров модели (для дальнейшего увеличения ожидаемого значения) Q(ϕnew|ϕ)

На фиг. 6 показана блок-схема последовательности операций, иллюстрирующая обработку изучения (процесс изучения) FHMM, в соответствии с алгоритмом ЕМ, выполняемым системой мониторинга (фиг. 3).

На этапе S11, модуль 14 изучения модели инициализирует вероятность P ( S 1 ( m ) ) исходного состояния, вероятность P ( S t ( m ) | S t 1 ( m ) ) перехода, вариацию С и уникальную форму W(m) колебаний, которая представляет собой параметры ϕ модели для FHMM, сохраненные в модуле 13 хранения модели, и обработка переходит на этап S12.

Здесь компонент k-ого ряда вектора столбца из К рядов, который представляет собой вероятность P ( S 1 ( m ) ) исходного состояния, то есть вероятность π(m)k k-ого исходного состояния фактора №m инициализируют, например, как 1/K.

Инициализируют компонент i-го ряда и j-ого столбца (где i и j=1, 2… и K) матрицы из K рядов и K столбцов, которая представляет вероятность P ( S t ( m ) | S t 1 ( m ) ) перехода, то есть вероятность P i , j ( m ) перехода, когда фактор №m переходит из i-го состояния №i в j-e состояние №j, используя случайные числа, чтобы удовлетворялось Уравнение P i ,1 ( m ) + P i ,2 ( m ) + P i , K ( m ) = 1 .

Матрицу из D рядов и D столбцов, которая представляет собой вариацию С, инициализируют, например, как диагональную матрицу из D рядов и D столбцов, где диагональные компоненты установлены, используя случайные числа, и другие компоненты равны 0.

Вектор K-ого столбца матрицы из D рядов и К столбцов, который представляет собой уникальную форму W(m) колебаний, то есть, каждый компонент вектора столбца для D рядов, который представляет собой уникальную форму W k ( m ) колебаний состояния №k фактора №m, инициализируют, используя, например, случайные числа.

На этапе S12, модуль 11 получения данных получает формы колебаний тока, соответствующие заданному времени Т, и подает формы колебаний тока в соответствующих точках времени t=1, 2… и Т в модуль 12 оценки состояния и модуль 14 изучения модели, как измеренные формы Y1, Y2… и YT колебаний, и процесс переходит на этап S13.

Здесь модуль 11 получения данных также получает формы колебаний напряжения вместе с формами тока в моменты t=1, 2… и Т времени. Модуль 11 получения данных передает формы колебаний напряжения в моменты t=1, 2… и Т времени в модуль 16 вывода данных.

В модуле 16 вывода данных формы колебаний напряжения из модуля 11 получения данных используют для расчета потребления энергии.

На этапе S13 модуль 12 оценки состояния выполняет обработку на этапе Е, используя измеренные формы Y1 - Yt колебаний из модуля 11 получения данных, и обработка переходит на этап S14.

Другими словами, на этапе S13, модуль 12 оценки состояния выполняет оценку состояния для получения вероятности состояния и т.п., которая представляет собой каждое состояние каждого фактора №m FHMM, сохраненного в модуле 13 хранения модели путем использования измеренных форм Y1 - Yt колебаний из модуля 11 получения данных, и подает результат оценки при оценке состояния в модуль 14 изучения модели и в модуль 16 вывода данных.

Здесь, как описано со ссылкой на фиг. 5, при разделении электрического бытового устройства домашнего хозяйства, состояние фактора №m соответствует рабочему состоянию электрического бытового устройства №m домашнего хозяйства, соответствующего фактору №m. Поэтому, вероятность состояния в состояния №k фактора №m FHMM обозначает степень, в которой рабочее состояние электрического бытового устройства №m домашнего хозяйства представляет собой состояние №k, и, таким образом, можно сказать, что оценка состояния для получения такой вероятности состояния состоит в том, чтобы получить (оценить) рабочее состояние электрического бытового устройства домашнего хозяйства.

На этапе S14, модуль 14 изучения модели выполняет обработку этапа М, используя измеренные формы Y1 - Yt колебаний из модуля 11 получения данных и результат оценки состояния из модуля 14 оценки состояния, и обработка переходит на этап S15.

Другими словами, на этапе S14, модуль 14 изучения модели выполняет изучение FHMM, в котором каждый фактор имеет три или больше состояния, сохраненных в модуле 13 хранения модели, используя измеренные формы Y1 - Yt колебаний из модуля 11 получения данных и результат оценки при оценке состояния из модуля 12 оценки состояния, в результате чего, обновляют вероятность π(m)k исходного состояния, вероятность P i , j ( m ) , перехода и вариацию С, и уникальную форму W(m) колебаний, которая представляет собой параметры ϕ модели FHMM, сохраненные в модуле 13 хранения модели.

На этапе S15, модуль 14 изучения модели определяет, удовлетворяется или нет условие схождения параметров ϕ модели.

Здесь, в качестве условия схождения параметров ϕ модели, например, можно использовать состояние, в котором процессы на этапе Е и на этапе М многократно выполняются заданное количество раз, установленное заранее, или условие, когда величина вариации в вероятности того, что измеренные формы Y1 - Yt колебаний наблюдались перед обновлением параметров ϕ модели и после их обновления в FHMM, находится в пределах порогового значения, установленного заранее.

На этапе S15, если определяют, что условие схождения параметров ϕ модели не удовлетворяется, обработка возвращается на этап S13, и, после этого, повторно выполняется та же обработка.

Далее, если определяют, что условие схождения параметров ϕ модели удовлетворяется, на этапе S15, процесс обучения заканчивается.

На фиг. 7 показана блок-схема последовательности операций, иллюстрирующая обработку на этапе Е, выполняемом на этапе S13 по фиг. 6 системой мониторинга по фиг. 3.

На этапе S21, участок 21 оценки получает вероятность P(Yt|St) наблюдения по уравнению (4), как значение Е оценки в отношении каждой комбинации St состоянии в моменты t={1, 2… и Т} времени, используя вариации С FHMM, как общие модели ϕ сохраненные в модуле 13 хранения модели, уникальную форму W(m) колебаний и измеренные формы Yt={Y1, Y2… и YT} колебаний из модуля 11 получения данных, таким образом, что их передают в участок 22 оценки, и обработка переходит на этап S22.

На этапе S22, участок 22 оценки получает прямую вероятность αt,z(ALPHAt,z) того, что измеренные формы, Y1, Y2… и YT колебаний были измерены, и которые представляют собой комбинацию (комбинация состояния фактора №1, состояния фактора №2… и состояния фактора №М в момент t времени) для z состояний в момент t времени, используя вероятность P(Yt|St) наблюдения из участка 21 оценки, и вероятность P i , j ( m ) перехода (и вероятность π(m)) исходного состояния для FHMM, в качестве общих моделей ϕ, сохраненных в модуле 13 хранения модели, и обработка переходит на этап S23.

Здесь способ получения прямой вероятности НММ раскрыт, например, на стр. 336 в публикации. М. Bishop "Pattern Recognition And Machine Learning (II): Statistical Inference based on Bayes Theory", Springer Japan, 2008 (ниже также называется документом В).

Прямая вероятность αt,z может быть получена в соответствии, например, в рекуррентной формулой α t , z = α r 1, w P ( z | w ) P ( Y t | z ) , используя прямую вероятность αt-1,w с опережением на один момент времени.

В рекуррентной формуле α t , z = α r 1, w P ( z | w ) P ( Y t | z ) , ∑ обозначает суммирование, выполняемое в результате замены w на все комбинации состояний FHMM.

Кроме того, в рекуррентной формуле α t , z = α r 1, w P ( z | w ) P ( Y t | z ) , w обозначает комбинацию состояний в момент времени t-1 с опережением на один момент времени. P(z|w) обозначает вероятность перехода, что фактор представляет собой комбинацию w состояний в момент t-1 времени и переходит в комбинацию z состояний в момент t времени. P(Yt|z) обозначает вероятность наблюдения того, что измеренная форма Y колебаний наблюдается в комбинации z состояний в момент t времени.

Кроме того, в качестве исходного значения прямой вероятности αt,z то есть, прямой вероятности α1,z α1,z в момент t=1 времени, используют произведение вероятности π(m)k исходного состояния для состояния №k каждого фактора №m, формирующего комбинацию z состояний.

На этапе S23, участок 22 оценки получает обратную вероятность βt,z(BETAt,z), которая находится в комбинации с z состояниями в момент t времени и, после этого, в связи с тем, что наблюдаются измеренные формы Yt, Yt+1… и YT колебаний, используя вероятность P(Yt|St) наблюдения из участка 21 оценки, и вероятность P i , j ( m ) перехода FHMM, как общие модели ϕ, сохраненные в модуле 13 хранения модели, и обработка переходит на этап S24.

Здесь способ получения обратной вероятности НММ раскрыт, например, на странице 336 упомянутого выше документа В.

Обратная вероятность βt,z может быть получена в соответствии с рекуррентной формулой β t , z = P ( Y t | z ) P ( z | w ) β t + 1, w , используя прямую вероятность βt+l,w, один момент времени спустя.

В рекуррентной формуле β t , z = P ( Y t | z ) P ( z | w ) β t + 1, w , ∑ обозначает суммирование, выполняемое путем замены w на все комбинации состояний FHMM.

Далее, в рекуррентной формуле β t , z = P ( Y t | z ) P ( m | z ) β t + 1, w , w обозначает комбинацию состояний в момент времени t+1 один момент времени спустя. P(z|w) обозначает вероятность перехода, что фактор представляет собой комбинацию z состояний в момент t времени и переходит к комбинации w состояний в момент t+1 времени. P(Yt|z) обозначает вероятность наблюдения того, что измеренная форма Yt колебаний наблюдается в комбинации z состояний в момент t времени.

Кроме того, в качестве исходного значения обратной вероятности βt,z, то есть, обратной вероятности βT,z в момент t=T времени, задана 1.

На этапе S24, участок 22 оценки получает последующую вероятность γt,z, которая находится в комбинации z состояний в момент t времени в FHMM, как общие модели ϕ, в соответствии с Уравнением (8), используя прямую вероятность αt,z и обратную вероятность βt,z, и обработка переходит на этап S25.

[Уравнение 8]

Здесь ∑ в знаменателе с правой стороны в Уравнении (8) обозначает суммирование, выполняемое путем замены w на все комбинации St состояний, которые могут быть установлены в момент t времени.

В соответствии с Уравнением (8), получают последующую вероятность γt,z путем нормализации произведения αt,zβt,z прямой вероятности αt,z и обратной вероятности βt,z с общей суммой α t , w β t , w произведения αt,wβt,w для комбинаций w∈St состояний, которые могут быть установлены с помощью FHMM.

На этапе S25, участок 22 оценки получает последующую вероятность < S t ( m ) > того, что фактор №m находится в состоянии S t ( m ) в момент t времени и последующую вероятность <S(m)tS(n)t′> того, что фактор №m находится в состоянии S t ( m ) , и другой фактор №n находится в состоянии S t ( n ) в момент t времени, используя последующую вероятность γt,z и обработка переходит на этап S26.

Здесь последующая вероятность < S t ( m ) > может быть получена в соответствии с Уравнением (9).

[Уравнение 9]

В соответствии с Уравнением (9), последующая вероятность < S t ( m ) > того, что фактор №m находится в состоянии S t ( m ) в момент t времени, получают путем обособления последующей вероятности γt,z в комбинации z состояния в момент t времени в отношении комбинации z состояний, которая не включает в себя состояния фактора №m.

Кроме того, последующая вероятность < S t ( m ) > представляет собой, например, вектор столбца из К рядов, который имеет вероятность состояния (последующая вероятность) того, что фактор №m находится в k-ом состоянии среди его К состояний в момент t времени, как компонент k-ого ряда.

Следующая вероятность < S t ( m ) S t ( n ) ' > может быть получена в соответствии с Уравнением (10).

[Уравнение 10]

В соответствии с Уравнением (10), последующая вероятность <S(m)tS(n)t′> того, что фактор №m находится в состоянии S t ( m ) и другой фактор №n находится в состоянии S t ( m ) в момент времени t получают путем обособления последующей вероятности γt,z в комбинации z состояний в момент t времени в отношении комбинации z состояния, которое не включает в себя ни одно из состояний фактора №m и состояний фактора №n.

Кроме того, последующая вероятность < S t ( m ) S t ( n ) ' > представляет собой, например, матрицу из K рядов и K столбцов, которая имеет вероятность состояния (последующая вероятность) в состоянии №k фактора №m и в состоянии №k′ другого фактора №n, в качестве компонента k-го ряда и k′-го столбца.

На этапе S26, участок 22 оценки получает последующую вероятность < S t 1 ( m ) S t ( m ) ' > , что фактор №m находится в состоянии S t 1 ( m ) в момент t-1 времени и находится в состоянии S t ( m ) в следующий момент t времени, используя прямую вероятность αt,z обратную вероятность βt,z, вероятность P(z|w) перехода и вероятность P(Yt|St) наблюдения из участка 21 оценки.

Кроме того, участок 22 оценки передает последующие вероятности < S t ( m ) > , < S t ( m ) S t ( n ) ' > и < S t 1 ( m ) S t ( m ) ' > в модуль 14 изучения модели, модуль 15 получения метки, и в модуль 16 вывода данных, в качестве результата оценки, для оценки состояния, и возвращается с обработки на этапе Е.

Здесь последующая вероятность < S t 1 ( m ) S t ( m ) ' > может быть получена в соответствии с Уравнением (11).

[Уравнение 11]

При расчете последующей вероятности < S t 1 ( m ) S t ( m ) ' > по Уравнению (11), вероятность P(z|w) перехода, что произойдет переход фактора из комбинации w состояний в комбинации z состояний получают, как произведение P i ( 1, j ( 1 ) ) ( 1 ) × P i ( 2 ) , j ( 2 ) ( 2 ) × P i ( M ) , j ( M ) ( M ) вероятности P i ( 1 ) , j ( 1 ) ( 1 ) перехода из состояния №i(1) фактора №1, формирующего комбинации w состояний, в состояние №j(1) фактора №1, формирующего комбинацию z состояний, вероятности P i ( 2 ) , j ( 2 ) ( 2 ) перехода из состояния №i(2) фактора №2, формирующего комбинацию w состояний, в состояние №j(2) фактора №2, формирующего комбинацию z состояний, …, и вероятность P i ( M ) , j ( M ) ( M ) перехода из состояния №i(М)фактора №М, формирующего комбинацию w состояний, в состояние №j(M) фактора №М, формирующего комбинацию z состояний, в соответствии с Уравнением (3).

Кроме того, последующая вероятность < S t 1 ( m ) S t ( m ) ' > представляет собой, например, матрицу из K рядов и K столбцов, которая имеет такую вероятность состояния (последующую вероятность), что фактор №m находится в состоянии №i в момент t-1 времени, и находится в состоянии j в следующий момент t времени, как компонент i-ого ряда и j-ого столбца.

На фиг. 8 показана схема, иллюстрирующую взаимосвязь между прямой вероятностью αt,z и обратной вероятностью βt,z FHMM, и прямой вероятностью αt,i(ALPHAt,i) и обратной вероятностью βt,j(BETAt,j) (нормальной) НММ.

Что касается FHMM, может быть сконфигурирован эквивалент НММ для FHMM.

Эквивалент НММ для определенной FHMM имеет состояния, соответствующие комбинации z состояний соответствующих факторов FHMM.

Кроме того, прямая вероятность αt,z и обратная вероятность βt,z FHMM соответствуют прямой вероятности αt,i и обратной вероятности βt,j НММ эквивалентной для FHMM.

На фиг. 8 показана FHMM, включающая в себя факторы №1 и №2, каждый из которых имеет два состояния №1 и №2.

В FHMM по фиг. 8, в качестве комбинации z=[k, k′] состояния №k фактора №1 и состояния №k′ фактора №2, присутствуют четыре комбинации, комбинация [1,1] состояния №1 фактора №1, и состояния №1 фактора №2, комбинация [1,2] состояния №1 фактора №1, и состояния №2 фактора №2, комбинация [2,1] состояния №2 фактора №1, и состояния №1 фактора №2, и комбинация [2,2] состояния №2 фактора №1 и состояния №2 фактора №2.

В позиции В на фиг. 8 показан эквивалент FHMM для НММ на фиг. 8.

НММ в позиции В на фиг. 8 имеет четыре состояния №(1,1), №(1,2) №(2,1) №(2,2), которые, соответственно, соответствуют четырем комбинациям [1,1], [1,2], [2,1] и [2,2] состояний FHMM в позиции А на фиг. 8.

Кроме того, прямая вероятность αt,z={αt,[1,1], αt,[1,2], αt[2,1], αt[2,2]}, FHMM в позиции А на фиг. 8 соответствует прямой вероятности αt,i={αt,[1,1], αt,[1,2], αt[2,1], αt[2,2]} HMM в позиции в на фиг. 8.

Аналогично, обратная вероятность βt,z={βt,[1,1], βt,[1,2], βt[2,1], βt[2,2]} FHMM в позиции А на фиг. 8 соответствует прямой вероятности βt,i={βt,[1,1], βt,[1,2], βt[2,1], βt[2,2]} НММ позиции В на фиг. 8.

Например, знаменатель с правой стороны описанного выше Уравнения (8), то есть, общая сумма α t , w β t , w произведения αt,wβt,w для комбинаций w∈St состояний, которые могут быть приняты FHMM, обозначена с помощью Уравнения α t , w β t , w = α t , [ 1,1 ] β t , [ 1,1 ] + α t , [ 1,2 ] β t , [ 1,2 ] + α t , [ 2,1 ] β t , [ 2,1 ] + α t , [ 2,2 ] β t , [ 2,2 ] для FHMM в позиции А на фиг. 8.

На фиг. 9 показана блок-схема последовательности операций, иллюстрирующая обработку на этапе М, выполняемую на этапе S14 на фиг. 6 с помощью системы мониторинга по фиг. 3.

На этапе S31, участок 31 изучения разделения формы колебаний выполняет изучение разделения формы колебаний, используя измеренную форму Yt колебаний из модуля 11 получения данных, и последующие вероятности < S t ( m ) > и < S t ( m ) S t ( n ) ' > из участка 22 оценки, для получения значения W(m) обновления уникальной формы W(m) колебаний, и обновляет уникальную форму W(m) колебаний, сохраненную в модуле 13 накопителя модели для обновления значения W(m)new, и обработка переходит на этап S32.

Другими словами, участок 31 изучения разделения формы колебаний рассчитывает Уравнение (12), как изучение разделения формы колебаний, получая, таким образом, значение W(m) обновления уникальной формы W(m)new колебаний.

[Уравнение 12]

Здесь Wnew представляет собой матрицу из D рядов и K×М столбцов, в которой значение W(m)new обновления уникальной формы W(m) колебаний с фактором №m, которая представляет собой матрицу из D рядом и K столбцов, размещают в порядке фактора (его индекса) №m слева направо. Вектор столбца для (m-1)K+k столбцов уникальной формы колебаний (его значение обновления) Wnew, которое представляет собой матрицу из D рядов и K×М столбцов, представляет собой уникальную форму W k ( m ) колебаний (ее значение обновления) для состояния №k фактора №m.

< S t ' > представляет собой вектор в ряду K×М столбцов, полученных путем транспонирования вектора столбца из K×М рядов, в котором последующая вероятность < S t ( m ) > , которая представляет собой вектор столбца из K рядов, размещена в порядке фактора №m сверху донизу. Компонент A((m-1)K+k)-го столбца последующей вероятности < S t ' > , которая представляет собой вектор ряда k×M столбцов, представляет собой вероятность состояния, которая представляет собой состояние №k фактора №m в момент t времени.

< S t S t ' > представляет собой матрицу K×M рядов и K×M столбцов, в которой последующую вероятность < S t ( m ) S t ( n ) ' > , которая представляет собой матрицу из K рядов и K столбцов размещают в порядке фактора №m сверху до донизу и размещают в порядке фактора №n слева направо. Компонент ((m-1)K+k)-ого ряда и ((n-1)K+k′)-го столбца последующей вероятности < S t S t ' > , которая представляет собой матрицу K×М рядов и K×М столбцов, представляет собой вероятность состояния, которая находится в состоянии №k фактора №m и находится в состоянии №k′ другого фактора №n в момент t времени.

Верхняя звездочка (*) обозначает обратную матрицу или псевдоинверсную матрицу.

В соответствии с изучением разделения формы колебаний, для расчета Уравнения (12), измеренную форму Yt колебаний разделяют на уникальную форму W(m) колебаний таким образом, что ошибка между измеренной формой Yt колебаний и средним значением μ t = W ( m ) S ( m ) t по Уравнению (5.1) становится настолько малой, насколько это возможно.

На этапе S32, участок 32 изучения вариации выполняет изучение вариации, используя измеренную форму Yt колебаний из модуля 11 получения данных, последующую вероятность < S t ( m ) > из участка 22 оценки и уникальную форму W(m) колебаний, сохраненную в модуле 13 хранения модели, для получения обновленного значения Cnew вариации С, и обновляет вариацию С, сохраненную в модуле 13 хранения модели, и обработка переходит на этап S33.

Другими словами, участок 32 изучения вариации рассчитывает Уравнение (13), как изучение вариации, получая, таким образом, значение Cnew обновления вариации С.

[Уравнение 13]

На этапе S33, участок 33 изучения вариации состояния выполняет изучение вариации состоянии, используя последующие вероятности < S t ( m ) > и < S t ( m ) S t ( m ) ' > из участка 22 оценки, для получения значения P i , j ( m ) n e w обновления вероятности P i j ( m ) перехода и значения π(m)new обновления вероятности π(m) исходного состояния и обновляет вероятность P(m)i,j перехода и вероятность π(m) исходного состояния, сохраненную в модуле 13 хранения модели до значения P i , j ( m ) n e w обновления значения π(m)new обновления, и обработка возвращается к обработке на этапе М.

Другими словами, участок 33 изучения вариации состояния рассчитывает Уравнение (14) и (15), как изучение вариации, получая, таким образом, значение P i , j ( m ) n e w обновления, вероятности P i j ( m ) перехода и значение π(m)new обновления вероятности π(m) исходного состояния.

[Уравнение 14]

[Уравнение 15]

Здесь < S t 1, i ( m ) S t , j ( m ) > представляет собой компонент i-го ряда и j-го столбца последующей вероятности < S t 1 ( m ) S t ( m ) ' > , которая представляет собой матрицу из K рядов и K столбцов, и обозначает вероятность состояния того, что фактор №m находится в состоянии №i в момент t-1 времени и находится в состоянии №j в следующий момент t времени.

< S t 1, i ( m ) > представляет собой компонент i-го ряда последующей вероятности < S t 1 ( m ) > , которая представляет собой вектор столбца K ряда, и обозначает вероятность состояния того, что фактор №m находится в состоянии №i в момент времени t-1.

π(m)(m)new) представляет собой вектор столбца K рядов, который имеет (значение π k ( m ) n e w of) обновления вероятности π k ( m ) исходного состояния для состояния №k фактора №m, как компонент k-го ряда.

На фиг. 10 показана блок-схема последовательности операций, иллюстрирующая процесс представления информации, состоящий в представлении информации об электрическом бытовом устройстве №m домашнего хозяйства, выполняемый системой мониторинга (фиг. 3).

На этапе S41, модуль 16 вывода данных получает потребление U(m) энергии для каждого фактора №m, используя форму колебаний напряжения (форму колебаний напряжения, соответствующую измеренной форме Yt колебаний, которая представляет собой форму колебаний тока), Vt из модуля 11 получения данных, последующую вероятность < S t ( m ) > , которая представляет собой результат оценки для оценки состояния из модуля 12 оценки состояния, и уникальную форму колебаний W(m), сохраненную в модуле 13 хранения модели, и обработка переходит на этап S42.

Здесь модуль 16 вывода данных получает потребление U(m) энергии электрического бытового устройства №m домашнего хозяйства, соответствующего фактору №m в момент t времени, используя форму Vt колебаний напряжения в момент t времени и потребление At тока электрического бытового устройства №m домашнего хозяйства, соответствующего фактору №m в момент t времени.

В модуле 16 вывода данных потребление At тока электрическим бытовым устройством №m домашнего хозяйства, соответствующим фактору №m в момент t времени может быть получено следующим образом.

То есть, например, в факторе №m, модуль 16 вывода данных 16 получает уникальную форму W(m) колебаний состояния №k, где последующая вероятность < S t ( m ) > представляет собой максимум, поскольку потребление At тока электрического бытового устройства №m домашнего хозяйства, соответствует фактору №m в момент t времени.

Кроме того, модуль 16 вывода данных получает взвешенные значения суммирования уникальных форм W 1 ( m ) , W 2 ( m ) , , и W K (m) колебаний для каждого состояния фактора №m, используя вероятности состояния каждого состояния фактора №m в момент t времени, который представляет собой компонент последующей вероятности < S t ( m ) > , которая представляет собой вектор столбца среди К столбцов, в качестве веса, как потребление At тока электрического бытового устройства №m домашнего хозяйства, соответствующего фактору №m в момент t времени.

Кроме того, если изучение FHMM продолжается, и фактор №m становятся моделью электрического бытового устройства домашнего хозяйства, которая соответствующим образом представляет электрическое бытовое устройство №m домашнего хозяйства, в отношении вероятности состояния каждого состояния фактора №m в момент t времени, вероятность состояния для состояния, соответствующего рабочему состоянию электрического бытового устройства №m домашнего хозяйства в момент t времени становится близкой к 1, и вероятности состояния остающихся состояний (K-1) становятся близкими к 0.

В результате, в факторе №m, уникальная форма W(m) колебаний состояния №k, где последующая вероятность < S t ( m ) > представляет собой максимум, является, по существу, такой же, как и взвешенные значения суммирования уникальных форм W 1 ( m ) , W 2 ( m ) , , и W K (m) колебаний каждого состояний фактора №m, используя вероятности состояния каждого состояния фактора №m в момент t времени в качестве веса.

На этапе S42, модуль 15 получения метки получает метку L(m) электрического бытового устройства домашнего устройства для идентификации электрического бытового устройства №m домашнего хозяйства, обозначенного каждой моделью №m электрического бытового устройства домашнего хозяйства, то есть, электрического бытового устройства №m, соответствующего каждому фактору №m FHMM, для подачи в модуль 16 вывода данных, и обработка переходит на этап S43.

Здесь модуль 15 получения метки может отображать, например, потребление At тока или потребление U(m) электроэнергии электрическим бытовым устройством №m домашнего хозяйства, соответствующим каждому фактору №m, полученному в модуле 16 вывода данных, и использовать временной интервал электрического бытового устройства №m домашнего хозяйства, распознанного по потреблению U(m) электроэнергии, принимать наименование электрического бытового устройства домашнего хозяйства, соответствующего потреблению At тока или потреблению U(m) электроэнергии, и использовать временной интервал от пользователя, и получать наименование электрического бытового устройства домашнего хозяйства, введенное пользователем, как метку L(m) электрического бытового устройства домашнего хозяйства.

Далее, модуль 15 получения метки может подготовить базу данных, в которой, в отношении различных электрических бытовых устройств домашнего хозяйства, атрибуты, такие как их потребление энергии, форма колебаний тока (потребляемый ток) и интервал времени использования, заранее зарегистрированы в корреляции с названиями электрических бытовых устройств домашнего хозяйства, и получать наименование электрического бытового устройства домашнего хозяйства, в корреляции с потреблением At тока или потреблением U(m) энергии электрического бытового устройства №m домашнего хозяйства, соответствующего каждому фактору №m, полученному в модуле 16 вывода данных, и использовать временной интервал электрического бытового устройства №m домашнего хозяйства, распознанного по потреблению U(m) электроэнергии, как электрическое бытовое устройство домашнего хозяйства с меткой L(m).

Кроме того, в модуле 15 получения метки, в отношении фактора №m, соответствующего электрическому бытовому устройству №m домашнего хозяйства, для которого метка L(m) электрического бытового устройства домашнего хозяйства уже была получена и подана в модуль 16 вывода данных, обработка на этапе S42 может быть пропущена.

На этапе S43, модуль 16 вывода данных отображает потребление U(m) энергии каждого фактора №m на дисплее (не показан) вместе с меткой L(m) электрического бытового устройства домашнего хозяйства для каждого фактора №m, для представления пользователю, и обработка представления информации на этом заканчивается.

На фиг. 11 показана схема, иллюстрирующая пример отображения потребления U(m) электроэнергии, получаемый при обработке представления информации на фиг. 10.

Модуль 16 вывода данных отображает, например, как показано на фиг. 11, временную последовательность потребления U(m) электроэнергии электрическим бытовым устройством №m домашнего хозяйства, соответствующим каждому фактору №m, на дисплее (не показан), вместе с меткой L(m) электрического бытового устройства домашнего хозяйства, такой как наименование электрического бытового устройства №m в домашнем хозяйстве.

Как описано выше, система мониторинга выполняет изучение FHMM для моделирования рабочего состояния каждого электрического бытового устройства в домашнем хозяйстве, используя FHMM, каждый фактор которого имеет три или больше состояния, и, таким образом, становится возможным получить точное потребление энергии и т.п. в отношении электрического бытового устройства домашнего хозяйства с переменной нагрузкой, такого как кондиционер воздуха, потребление электроэнергии (ток) которого меняется, в зависимости от режимов, установок и т.п.

Кроме того, поскольку, в системе мониторинга, общую сумму тока, потребляемого каждым домашним электрическим бытовым устройством в домашнем хозяйстве, измеряют в местоположении, таком как распределительный щит, и, таким образом, может быть получено потребление энергии каждым электрическим бытовым устройством в домашнем хозяйстве, становится возможным легко реализовать "визуализацию" потребления энергии каждым электрическим бытовым устройством в домашнем хозяйстве в отношении, как стоимости, так и усилий по сравнению со случаем установки интеллектуального переходника в каждую розетку.

Кроме того, путем "визуализации" потребления энергии каждым электрическим бытовым устройством в домашнем хозяйстве, например, становится возможным информировать о возможностях экономии электроэнергии в домашнем хозяйстве.

Далее, потребление электроэнергии каждым электрическим бытовым устройством в домашнем хозяйстве для домашнего хозяйства, полученное системой мониторинга, собирают с помощью, например, сервера, и временной интервал использования электрического бытового устройства домашнего хозяйства, и, кроме того, структуру жизненного цикла можно оценить по потреблению электроэнергии электрическим бытовым устройством в каждом домашнем хозяйстве, что может быть полезным для маркетинга и т.п.

Второй вариант осуществления системы мониторинга, в которой применяется настоящая технология

На фиг. 12 показана блок-схема, иллюстрирующая пример конфигурации второго варианта осуществления системы мониторинга, в которой применяется настоящая технология.

Кроме того, на чертеже, участки, соответствующие случаю на фиг. 3, обозначены теми же номерами ссылочных позиций, и далее их описание, соответственно, исключено.

Система мониторинга по фиг. 12 является общей для системы мониторинга по фиг. 3 в том, что предусмотрены от модуля 11 получения данных до модуля 16 вывода данных.

Однако система мониторинга по фиг. 12 отличается от системы мониторинга по фиг. 3 тем, что отдельные участка 52 изучения вариации предусмотрены вместо участка 32 изучения вариации модуля 14 изучения модели.

В участка 32 изучения вариации по фиг. 3, получают одну вариацию С для FHMM, как общие модели при изучении вариации, но, в участка 52 изучения индивидуальной вариации по фиг. 12 получают индивидуальную вариацию σ(m) для FHMM, как общие модели при изучении вариации для каждого фактора №m или для каждого состояния №k каждого фактора №m.

Здесь, в случае, когда индивидуальная вариация σ(m) представляет собой индивидуальную вариацию для каждого состояния №k каждого фактора №m, индивидуальная вариация σ(m) представляет собой, например, вектор ряда среди K столбцов, которые имеют вариацию σ k ( m ) состояния №k фактора №m, как компонент k-ого столбца.

Кроме того, ниже, для простоты описания, в случае, когда индивидуальная вариация σ(m) представляет собой индивидуальную вариацию для каждого фактора №m, все компоненты σ 1 ( m ) , σ 2 ( m ) , , and  σ K (m) для вектора рада среди K столбцов, которые представляют собой индивидуальную вариацию σ(m), устанавливают, как одинаковое значение (такая же скалярная величина, как и вариация для фактора №m, или (ковариационная) матрица), общее для фактора №m, и, таким образом, индивидуальную вариацию σ(m), которая является отдельной для каждого фактора №m, рассматривают, как такую же, как индивидуальная вариация σ(m), которая является отдельной для каждого состояния №k каждого фактора №m.

Вариация σ k ( m ) состояния №k фактора №m, который представляет собой компонент k-ого столбца вектора ряда из K столбцов, которые представляют собой индивидуальную вариацию σ(m) представляет собой скалярную величину, которая представляет собой вариацию, или матрицу из D рядов и D столбцов, которые представляют собой ковариационную матрицу.

В случае, когда индивидуальную вариацию σ(m) получают в участка 52 изучения индивидуальной вариации, участок 21 оценки получает вероятность P(Yt|St) наблюдения в соответствии с Уравнением (16), вместо Уравнения (4), используя индивидуальную вариацию σ(m)

[Уравнение 16]

Здесь сумма ∑t в Уравнении (16) может быть получена в соответствии с Уравнением (17).

[Уравнение 17]

S t ( m ) обозначает состояние фактора №m в момент t времени, как показано в Уравнении (6), и представляет собой вектор столбца из К рядов, где компонент только одного ряда из К рядов равен 0, и компоненты других компонентов равны 0.

В участка 52 изучения индивидуальной вариации, индивидуальная вариация σ(m) может быть получена следующим образом.

То есть, ожидаемое значение <σ> вариации σ FHMM, как общие модели ϕ для измеренных формы Yt колебаний, которые фактически были измерены (наблюдались), является таким же, как и ожидаемое значение < | Y t Y t | 2 > квадрата ошибки | Y t Y t | 2 формы колебаний тока, которая представляет собой измеренную форму Yt колебаний, и форма колебаний тока, которая представляет собой форму генерируемую колебаний Y t , сгенерированную (наблюдаемую) в FHMM, как общие модели ϕ как обозначено в Уравнении (18).

[Уравнение 18]

Ожидаемое значение <σ> вариации σ эквивалентно общей сумме σ ( 1 ) < S t ( 1 ) > + σ ( 2 ) < S t ( 2 ) > + + σ ( M ) < S t ( M ) > для фактора №m ожидаемого значения σ ( m ) < S t ( m ) > индивидуальной вариации σ(m), которая является отдельной для каждого состояния №k каждого фактора №m.

Кроме того, ожидаемое значение < | Y t Y t | 2 > квадрата ошибки | Y t Y t | 2 измеренной формы Yt формы колебаний и генерируемой формы Y t колебаний эквивалентно квадрату ошибки | Y t ( W ( 1 ) < S t ( 1 ) > + W ( 2 ) < S t ( 2 ) > + + W ( M ) < S t ( M ) > ) | 2 измеренной формы Yt колебаний и общей суммы W ( 1 ) < S t ( 1 ) > + W ( 2 ) < S t ( 2 ) > + + W ( M ) < S t ( M ) > ожидаемого значения W ( m ) < S t ( m ) > индивидуальной формы W(m) колебаний для фактора №m.

Поэтому, Уравнение (18) эквивалентно Уравнению (19).

[Уравнение 19]

Индивидуальная вариация σ(m)(m)new, удовлетворяющая Уравнению (19), может быть получена в соответствии с Уравнением (20), используя ограниченное квадратичное программирование с ограничением, где индивидуальная вариация σ(m) не является отрицательной.

[Уравнение 20]

Участок 52 изучения индивидуальной вариации получает обновленное значение σ(m)new индивидуальной вариации σ(m), в соответствии с Уравнением (20), и обновляет индивидуальную вариацию σ(m), сохраненную в модуле 13 хранения модели до обновленного значения σ(m)new.

Как описано выше, в участке 52 изучения индивидуальной вариации, в случае, когда индивидуальную вариацию σ(m) получают для каждого фактора №m или для каждого состояния №k каждого фактора №m, характеристика представления, где FHMM, как общие модели ϕ, представляет электрическое бытовое устройство домашнего хозяйства, улучшается по сравнению со случаем использования одиночной вариации С, точность оценки состояния участка 22 оценки также улучшается, и, таким образом, становится возможным более точно получить потребление энергии и т.п.

В частности, например, в отношении электрического бытового устройства домашнего хозяйства с переменной нагрузкой, такого как пылесос, потребление тока которого изменяется в зависимости от состояния всасывания, становится возможным более точно определить потребление электроэнергии, используя индивидуальную вариацию σ(m).

Система мониторинга по фиг. 12 выполняет ту же обработку (обработка обучения по фиг. 6 или обработка представления информации по фиг. 10), что и система мониторинга по фиг. 3, за исключением того, что вместо вариации С используется индивидуальная вариация σ(m).

На фиг. 13 показана блок-схема последовательности операций, иллюстрирующая обработку этапа Е, выполняемую на этапе S13 по фиг. 6 системой мониторинга по фиг. 12.

На этапе S61, участок 21 оценки получает вероятность P(Yt|St) наблюдения, как значение Е оценки в каждой комбинации St состояний в моменты t={1, 2… и Т} времени, в соответствии с Уравнениями (16) и (17) (вместо Уравнения (4)), используя индивидуальную вариацию σ(m) для FHMM, в качестве общих моделей ϕ, сохраненных в модуле 13 хранения модели, уникальную форму W(m) колебаний и измеренные формы Yt={Y1, Y2… и YT} колебаний из модуля 11 получения данных, которые должны быть переданы в участок 22 оценки, и обработка переходит на этап S62.

Далее, на этапах S62 - S66, соответственно, выполняют те же процессы, что и на этапах S22 - S26 по фиг. 7.

На фиг. 14 показана блок-схема последовательности операций, иллюстрирующая процесс этапа М, выполняемого на этапе S14 по фиг. 6 системой мониторинга по фиг. 12.

На этапе S71, таким же образом, как и на этапе S31 по фиг. 9, участок 31 изучения разделения формы колебаний выполняет изучение разделения формы колебаний для получения обновленного значения W(m)new уникальной формы W(m) колебаний и обновляет уникальную форму W(m) колебаний, сохраненную в модуле 13 хранения модели до обновленного значения W(m)new, и обработка переходит на этап S72.

На этапе S72, участок 52 изучения индивидуальной вариации выполняет изучение вариации, в соответствии с Уравнением (20), используя измеренную форму Yt колебаний из модуля 11 получения данных, последующую вероятность < S t ( m ) > из участка 22 оценки и уникальную форму W(m) колебаний, сохраненную в модуле 13 хранения модели, для получения обновленного значения σ(m)new индивидуальной вариации σ(m).

Кроме того, участок 52 изучения индивидуальной вариации обновляет индивидуальную вариацию σ(m), сохраненную в модуле 13 хранения модели, до обновленного значения σ(m)new индивидуальной вариации σ(m), и обработка переходит на этап S73 с этапа S72.

На этапе S73, таким же образом, как и на этапе, S33 на фиг. 9, участок 33 изучения вариации состояния выполняет изучение вариации состояния для получения обновленного значения P i , j ( m ) n e w вероятности P i , j ( m ) перехода и обновленного значения π(m)new вероятности π(m) исходного состояния и обновляет вероятность P i , j ( m ) перехода и вероятность π(m) исходного состояния, сохраненные в модуле 13 хранения модели до обновления значения P ( m ) i , j n e w обновленного значения π(m)new, и обработка возвращается с обработки на этапе М.

Третий вариант осуществления системы мониторинга, в которой применяется настоящая технология

На фиг. 15 показана блок-схема, иллюстрирующая пример конфигурации третьего варианта осуществления системы мониторинга, в которой применяется настоящая технология.

Кроме того, на фигуре, участка, соответствующим случаю, представленному на фиг. 3, обозначены теми же номерами ссылочных позиций, и далее их описание будет соответствующим образом исключено.

Система мониторинга по фиг. 15 является общей для системы мониторинга по фиг. 3 в том, что предусмотрены от модуля 11 получения данных до модуля 16 вывода данных.

Однако система мониторинга по фиг. 15 отличается от системы мониторинга по фиг. 3 тем, что участок 42 приблизительной оценки предусмотрена вместо участка 22 оценки модуля 12 оценки состояния.

Участок 42 приблизительный оценки получает последующую вероятность (вероятность состояния) < S t ( m ) > в соответствии с ограничением перехода состояния, где ограничено количество факторов, для которых состояние выполняет переход в один момент времени.

Здесь, например, получают последующую вероятность < S t ( m ) > путем обособления последующей вероятности γt,z в соответствии с Уравнением (9).

Последующая вероятность γt,z может быть получена в отношении всех комбинаций z состояний соответствующих факторов FHMM, используя прямую вероятность αt,z и обратную вероятность βt,z, в соответствии с Уравнением (8).

Однако, количество комбинаций z состояний соответствующих факторов FHMM равно KM и, таким образом, увеличивается в экспоненциально степени, если количество М факторов увеличивается.

Поэтому, в случае, когда FHMM имеет множество факторов, если прямая вероятность αt,z, обратная вероятность βt,z, и последующая вероятность γt,z строго рассчитаны для всех комбинаций z состояний соответствующих факторов, как раскрыто в документе А, объем расчетов становится чрезмерно большим.

Поэтому, в отношении оценки состояния FHMM в документе А предложен, например, способ приблизительной оценки, такой как Gibbs Sampling, Completely Factorized Variational Approximation, or Structured Variational Approximation. Однако в способе приблизительной оценки, возникают случаи, когда количество расчетов все еще велико, или точность существенно уменьшается из-за аппроксимации.

Однако, вероятность того, что рабочие состояния всех бытовых электрических устройств домашнего хозяйства в домашнем хозяйстве изменяются (являются переменными) в каждый момент времени, существенно мала, за исключением ненормального случая, такого как отказы в системе электропитания.

Поэтому, участок 42 приблизительной оценки получает последующую вероятность < S t ( m ) > при ограничении состояния перехода, где количество факторов, для которых переходы состояния в один момент времени.

Ограничение перехода состояния может использовать ограничение, при котором количество факторов, переходы состояния которых в один момент времени ограничены до одного или нескольких, или меньше.

В соответствии с ограничением перехода состояния, количество комбинаций z состояний, для которых требуется строгий расчет последующей вероятности γt,z, и, кроме того, прямой вероятности αt,z и обратной вероятности βt,z используемых для получения последующей вероятности < S t ( m ) > , существенно уменьшается, и, уменьшенное количество комбинаций состояний представляют собой комбинации, которые имеют гораздо более низкую вероятность проявления, что, таким образом, существенно уменьшает объем расчетов, без значительного ухудшения точности последующей вероятности (вероятности состояния) < S t ( m ) > и т.п.

В участка 43 приблизительной оценки, в качестве способов получения последующей вероятности < S t ( m ) > , при ограничении перехода состояния, для ограничения количества факторов, состояние перехода которых, для одного момента времени, используется способ применения фильтра частиц для обработки этапа Е, то есть, применение фильтра частиц для комбинации z состояний FHMM.

Здесь фильтр частиц раскрыт, например, на странице 364 описанного выше документа В.

Кроме того, в настоящем варианте осуществления, для ограничения перехода состояния, используется ограничение, где количество факторов, переходы состояния которых для одного момента времени ограничено, например, до одного или меньше.

В случае применения фильтра частиц для комбинации z состояний FHMM, р-ая частица SP фильтра частиц представляет определенную комбинацию состояний FHMM.

Здесь частица SP представляет собой комбинацию состояния S p ( 1 ) фактора №1, состояние S p ( 2 ) фактора №2… и состояние S p ( M ) фактора №М, представленных частиц Sp, и выражается уравнением частиц S p = { S p ( 1 ) , S p ( 2 ) , ,  и  S p ( M ) } .

Кроме того, в случае применения фильтра частиц для комбинации z состояний FHMM, вместо вероятности P(Yt|St) наблюдения по Уравнению (4), когда выполняют наблюдение измеренной формы Yt колебаний, в комбинации St состояний используется вероятность P(Yt|Sp) наблюдения того, что измеренная форма Yt колебаний наблюдается в частице Sp (комбинация представленных, таким образом, состояний).

Вероятность P(Yt|Sp) наблюдения может быть рассчитана, например, в соответствии с Уравнением (21).

[Уравнение 21]

Вероятность наблюдения P(Yt|St), в соответствии с Уравнением (21), отличается от вероятности P(Yt|Sp) наблюдений по Уравнению (4) тем, что среднее значение (средний вектор) не является µt, но представляет собой µp.

Таким же образом, как среднее значение µt, среднее значение µp представляет собой, например, вектор столбца D рядов, который является таким же, как и форма Yt колебаний тока, и выражается Уравнением (22), используя уникальную форму W(m) колебаний.

[Уравнение 22]

Здесь S p ( m ) обозначает состояние фактора №m состояний, формирующих комбинацию состояний, которая является частицей Sp, и ниже также называется состоянием S p ( m ) фактора №m частицы Sp. Состояние S p ( m ) фактора №m частицы Sp, является таким, как показано, например, в Уравнении (23), вектор столбца из K рядов, где компонент только одного ряда из К рядов равен 0, и компоненты других рядов равны 0.

[Уравнение 23]

В случае, когда состояние фактора №m, формирующего комбинации состояний, как частица Sp, представляет собой состояние №k, в векторе S p ( m ) столбца из K рядов, которое представляет собой состояние S p ( m ) фактора №m частицы Sp, только компонент k-ого ряда равен 1, и другие компоненты равны 0.

В соответствии с Уравнением (22), общую сумму уникальной формы W k ( m ) колебаний состояния №k каждого фактора №m, формирующего комбинацию состояний, как частицу Sp, получают, как среднее значение µр формы Yt колебаний тока в момент t времени.

На фиг. 16 показана схема, иллюстрирующая способ получения прямой вероятности αt,p (ALPHAt,p) путем применения фильтра частиц в комбинации z состояний FHMM.

На фиг. 16 (так же, как и на фиг. 17 и 18, описанных ниже), например, количество факторов FHMM равно четырем, и каждый фактор имеет два состояния, представляющие состояние включено и состояние выключено, как рабочие состояния.

Участок 21 оценки получает вероятность P(Yt|Sp) наблюдения, в соответствии с Уравнением (21), в комбинации состояний, как каждую частицу particle Sp={S1, S2, …, и SR} в моменты t {1, 2… и T} времени, используя вариацию С FHMM, как общие модели ϕ, сохраненные в модуле 13 хранения модели, уникальную форму W(m) колебаний, и измеренные формы Yt={Y1, Y2… и YT} колебаний из каждого модуля 11 получения данных, которые должны быть переданы в участок 42 приблизительной оценки.

Участок 42 приблизительной оценки получает прямую вероятность αt,p того, что измеренные формы, Y1, Y2… и Yt колебаний были измерены и которые в комбинации представляют собой частицу Sp в моменты времени t, используя вероятности P(Yt|Sp) наблюдения из участка 21 оценки, и вероятность P i , j ( m ) перехода (и вероятность π(m) исходного состояния FHMM), в качестве общих моделей ϕ, сохраненных в модуле 13 хранения модели.

Прямая вероятность αt,p может быть получена в соответствии, например, с рекуррентной формулой α t , p = α t 1, r P ( S p | r ) P ( Y t | s p ) , используя прямую вероятность αt-1,r с опережением на один момент времени.

В рекуррентной формуле α t , p = α t 1, r P ( S p | r ) P ( Y t | s p ) , r обозначает комбинацию r состояний, как частицу в момент t-1 времени, которая может выполнить переход в комбинацию состояний, как частица Sp, в момент t времени, при ограничениях перехода состояния, когда множество факторов, переход состояний которых для одного момента времени ограничен одним состоянием или меньше.

Поэтому, комбинация состояний, где комбинация состояний равна комбинации состояний, как частица Sp, отличается от комбинации состояний, как частица Sp только тем, что одно состояние может стать комбинацией r состояний.

В рекуррентной формуле α t , p = α t 1, r P ( S p | r ) P ( Y t | s p ) , ∑ обозначает суммирование, выполняемое для всех комбинаций r состояний.

Кроме того, в рекуррентной формуле α t , p = α t 1, r P ( S p | r ) P ( Y t | s p ) , P(Sp|r) обозначает вероятность перехода, что фактор находится в комбинации г состояний, как частица SP в момент t-1 времени, и переходов к комбинации состояний, как частица SP в момент времени t, и может быть получена в соответствии с Уравнением (3), используя вероятность P i , j ( m ) перехода FHMM, как общие модели ϕ.

Кроме того, в качестве исходного значения прямой вероятности αt,p например, можно использовать прямую вероятность αl,z в момент t=1 времени, произведение вероятности π k ( m ) исходного состояния для состояния №k каждого фактора №m, формирующего комбинации состояний, которая случайно выбрана, как частица SP, из всех комбинаций состояний.

Участок 42 приблизительной оценки получает прямую вероятность αt,p в отношении не всех комбинаций состояний, которые могут быть приняты FHMM, но только для комбинаций состояний, как частица SP.

Если количество частиц Sp, которые существуют в момент t времени, равно R, получают R прямых вероятностей αt,p.

Если прямую вероятность получают в отношении R частиц Sp={S1, S2, …, и SR} в момент времени t, участок 42 приблизительной оценки делает выборки частиц из R частиц Sp={S1, S2, …, и SR}} на основе прямой вероятности αt,p.

Другими словами, участок 42 приблизительной оценки выполняет выборку заданных Р частиц Sp={S1, S2, …, и SP} в порядке убывания прямой вероятности αt,p из R частиц Sp={S1, S2, …, и SR}, и оставляет только Р частиц Sp, как частицы в момент времени t

Кроме того, если Р≥R, делают выборку всех частиц R Sp.

Кроме того, количество Р частиц, Sp, выборку которых требуется получить, представляет собой значение, меньшее, чем количество комбинаций состояний, которые могут быть приняты FHMM, и его устанавливают, например, на основе допустимой стоимости расчетов, для системы мониторинга.

Если делают выборку Р частиц Sp={S1, S2, …, и SP} в момент времени t, участок 42 приблизительной оценки прогнозирует частицы в момент t+1 времени в один момент времени спустя в каждой из Р частиц Sp={S1, S2, …, и SP} при ограничении переходов состояния.

При ограничении перехода состояния, когда количество факторов, переход состояния которых для одного момента времени ограничен одним состоянием или меньше, как для частицы Sq в момент времени t+1, прогнозируется комбинация состояний, где комбинация состояний, равная комбинации состояний, как частица Sp, отличается от комбинации состояний, как частица Sp, только одним состоянием.

Как описано выше, в случае, когда количество факторов FHMM равно четырем, и каждый фактор имеет два состояния, представляющие состояние включено и состояние выключено, как рабочие состояния, относительно частицы Sp в момент t времени, в сумме пять комбинаций с комбинацией состояний, равных комбинации состояний, как частица Sp в момент t времени, и четыре комбинации, которые отличаются от комбинацией состояний, как частица Sp в момент t времени, только на одно состояние, прогнозируют, как частицы Sq, в момент t+1 времени.

Участок 42 приблизительной оценки прогнозирует частицы, Sq={S1, S2, …, SQ} в момент времени t+1, затем получает прямую вероятность αt+1,q относительно частиц Sq в момент времени t+1 таким же образом, как частиц Sp в момент времени t, и после этого таким же образом получает прямые вероятности в моменты t=1, 2… и Т времени.

Как описано выше, участок 42 приблизительной оценки получает прямую вероятность αt,z комбинации z состояний, как частицу для каждого момента времени путем использования комбинации состояний каждого фактора №m, как частицы, при многократном прогнозировании частицы один момент времени спустя, при ограничении перехода состояния и делая выборку заданного количества частиц на основе прямой вероятности αt,z.

На фиг. 17 показана схема, иллюстрирующая способ получения обратной вероятности βt,p (BETAt,р), путем применения фильтра частиц к комбинации z состояний FHMM.

Участок 42 приблизительной оценки получает обратную вероятность βt,p, которая находится в комбинации состояний, как частица Sp, в момент t времени, и после этого наблюдают измеренные формы Yt, Yt+1… и YT колебаний, используя вероятности P(Yt|St) наблюдения из участка 21 оценки, и вероятность P i , j ( m ) перехода FHMM, как общие модели ϕ, сохраненные в модуле 13 хранения модели.

Обратная вероятность βt,p может быть получена в соответствии с рекуррентной формулой β t , p = P ( Y t | S p ) P ( r | S p ) β t + 1, r , используя прямую вероятность βt+1,r, один момент времени спустя.

В рекуррентной формуле β t , p = P ( Y t | S p ) P ( r | S p ) β t + 1, r , r обозначает комбинацию г состояний, как частицу в момент времени t+1, которая может переходить в комбинации состояний, как частица Sp, в момент t времени при ограничении перехода состояния, где количество факторов, состояния которых выполняют переход для одного момента времени, ограничено одним состоянием или меньше.

Поэтому, комбинация состояний, где комбинация состояний, равная комбинации состояний, как частица Sp, отличается от комбинации состояний, как частица Sp, только на одно состояние, может стать комбинацией r состояний.

В рекуррентной формуле β t , p = P ( Y t | S p ) P ( r | S p ) β t + 1, r , ∑ означает сумму всех комбинаций r состояний.

В рекуррентной формуле β t , p = P ( Y t | S p ) P ( r | S p ) β t + 1, r P(r|Sp) обозначает вероятность перехода, что фактор находится в комбинации r состояний, как частица Sp, в момент t времени и переходит в комбинацию состояний, как частица Sp, в момент t+1 времени, и может быть получен в соответствии с Уравнением (3), используя вероятность перехода P i , j ( m ) FHMM, как общие модели ϕ.

Кроме того, в качестве исходного значения βt,р обратной вероятности βt,p используется 1.

Таким же образом, как и прямую вероятность αt,p участок 42 приблизительной оценки получает обратную вероятность βt,p в отношении не всех комбинации состояний, которые могут быть приняты FHMM, но только в отношении комбинации состояний, как частицы Sp.

Если количество частиц Sp, которое существует в момент t времени, равно R, получают R обратных вероятностей βt,p.

Если обратную вероятность βt,p получают в отношении R частиц Sp={S1, S2, …, и SR} в момент t времени, участок 42 приблизительной оценки выполняет выборку частиц из R частиц Sp={S1, S2, …, и SR} на основе обратной вероятности βt,p.

Другими словами, таким же образом, как и в случае прямой вероятности αt,p, участок 42 приблизительной оценки выполняет выборку заданных Р из частиц Sp={S1, S2, …, и SP} в порядке убывания обратной вероятности βt,p из R частиц particles Sp={S1, S2, …, и SR}, и оставляет только Р частиц Sp, как частицы в момент времени t.

Если делают выборку Р из частиц Sp={S1, S2, …, и SP} в момент t времени, участок 42 приблизительный оценки прогнозирует частицы в момент t-1 времени с опережением на один момент времени в каждой из Р частиц Sp={S1, S2, …, и SP} при ограничении перехода состояния.

При ограничении перехода состояния, где количество факторов, переходы состояния которых для одного момента времени ограничено одним состоянием или меньше, в качестве частицы Sq в момент t-1 времени, прогнозируют комбинацию состояний, где комбинация состояний, равная комбинации состояний, как частица Sp, отличается от комбинации состояний, как частица Sp в момент t времени, только на одно состояние.

Как описано выше, в случае, когда количество факторов FHMM равно четырем, и каждый фактор имеет два состояния, представляющие состояние включено и состояние выключено, как рабочие состояния, в отношении частицы Sp в момент t времени, в общей сложности пять комбинаций с комбинацией состояний, равных комбинации состояний, как частица Sp в момент t времени, и четыре комбинации, которые отличаются от комбинации состояний, как частица Sp в момент времени t только на одно состояние, прогнозируют как частицы Sq в момент t-1 времени.

Участок 42 приблизительной оценки прогнозирует частицы Sq={S1, S2, …, и SQ} в момент t-1 времени, затем получает обратную вероятность βt+1,q таким же образом, как частицы Sp в момент t времени, и, после этого, получает прямые вероятности в моменты t=T, Т-1… и 1 времени таким же образом.

Как описано выше, участок 42 приблизительной оценки получает обратную вероятность βt,z комбинации z состояний, как частицы, для каждого момента времени, используя комбинации состояний каждого фактора №m, в качестве частицы, при многократном прогнозировании частиц на один момент времени перед этим при ограничении перехода состояния и выполняя выборку заданного количества частиц на основе обратной вероятности βt,z.

На фиг. 18 представлена схема, иллюстрирующая способ получения последующей вероятности Yt,p(GAMMAt,p), путем применения фильтра частиц к комбинации z состояний FHMM.

В случае, когда комбинация состояний, в качестве частиц (ниже также называется прямой частицей) Sp, прямая вероятность αt,p которых была получена в каждые моменты t времени, и комбинация состояний, как частица (ниже называется обратной частицей) Sp′, обратная вероятность βt,p′ которой была получена, являются одинаковыми комбинациями z состояний, участок 42 приблизительный оценки получает последующую вероятность γt,z в комбинации z состояний в момент t времени, в FHMM, в качестве общих моделей ϕ, в соответствии с Уравнением (23), используя прямую вероятность αt,z и обратную вероятность βt,z в отношении комбинации z состояний. [Уравнение 24]

Здесь ∑ в знаменателе с правой стороны Уравнения (24) обозначает суммирование, выполняемое путем замены w на все комбинации Sp∩Sp состояний, которые обычно оставляют, как в прямой частице Sp, так и в обратной частице Sp′ в момент t времени.

Кроме того, как прямая вероятность αt,z комбинации z состояний, которую не оставляют, как прямую частицу Sp в момент t времени, так и обратная вероятность βt,z комбинации z состояний, которую не оставляют, как обратную частицу Sp′ в момент t времени, равна, например, 0.

Поэтому, последующая вероятность γt,z комбинаций состояний, других, чем комбинации Sp∩Sp′ состояний, которые обычно оставляют, как в прямой частице Sp, так и в обратной частице Sp′, в момент t времени, равна 0.

Система мониторинга по фиг. 15 выполняет ту же обработку, как и система мониторинга по фиг. 3, за исключением того, что последующую вероятность < S t ( m ) > и т.п. получают при ограничении перехода состояния путем применения фильтра частиц к комбинации z состояний FHMM.

На фиг. 19 и 20 показаны блок-схемы последовательности операций, иллюстрирующие процесс этапа Е, выполняемого на этапе S13 на фиг. 6 системой мониторинга по фиг. 15.

Кроме того, на фиг. 20 показана блок-схема последовательности операций, следующая после фиг. 19.

На этапе S81, участок 42 приблизительный оценки инициализирует (переменную, обозначающую) момент t времени, устанавливая его в 1, как исходное значение для прямой вероятности, и обработка переходит на этап S82.

На этапе S82, участок 42 приблизительной оценки выбирает (делает выборку) заданного количества комбинаций состояний, например, случайно, среди комбинаций состояний, которые могут быть приняты FHMM, как частицы Sp. Кроме того, на этапе S82, все комбинации состояний, которые могут быть приняты FHMM, могут быть выбраны, как частицы Sp.

Участок 42 приблизительной оценки получает исходное значение α1,P прямой вероятности αt,p в отношении комбинаций состояний, как частицы Sp, и обработка переходит с этапа S82 на этап S83.

На этапе S83 определяют, является или момент t времени тем же, что и последний момент Т времени (длина последовательности) измеренной формы Yt={Y1, Y2… и YT} колебаний.

Если определяют, что момент времени t не является таким же, как последний момент Т времени последовательности измеренной формы Yt колебаний на этапе S83, то есть, момент t времени меньше, чем момент Т времени, обработка переходит на этап S84, где участок 42 приблизительный оценки прогнозирует частицу в момент t+1 времени, в следующий момент времени, в отношении комбинаций состояний, как частицу Sp, при ограничении изменения состояния, которое представляет собой заданное условие, и обработка переходит на этап S85.

На этапе S85, участок 42 приблизительный оценки последовательно увеличивает момент t времени на 1, и обработка переходит на этап S86.

На этапе S86, участок 21 оценки получает вероятность P(Yt|Sp) наблюдения Уравнения (21) в отношении комбинаций состояний, как частицы Sp={S1, S2… и SR}, в момент t времени, используя вариацию С FHMM, как общие модели ϕ, сохраненные в модуле 13 хранения модели, уникальную форму W(m) колебаний и измеренную форму Yt={Y1, Y2… и YT} колебаний из модуля 11 получения данных. Участок 21 оценки подает вероятность P(Yt|Sp) наблюдения в участок 42 приблизительной оценки, и обработка переходит с этапа S86 на этап S87.

На этапе S87, участок 42 приблизительной оценки выполняет измерение измеренных форм Y1, Y2… и YT колебаний, используя вероятность P(Yt|Sp) наблюдений из участка 21 оценки, и вероятность P i , j ( m ) перехода (и вероятность π(m) исходного состояния FHMM), как общие модели ϕ, сохраненные в модуле 13 хранения модели, и получает прямую вероятность αt,p в комбинации, как частицу Sp в момент t времени, и обработка переходит на этап S88.

На этапе S88, участок 42 приблизительный оценки выполняет выборку заданного количества частиц в порядке убывания прямой вероятности αt,p из частиц Sp, чтобы они остались, как частицы в момент t времени на основе прямой вероятности αt,p.

После этого, обработка возвращается на этап S83 с этапа S88, и далее, многократно выполняется та же обработка.

Кроме того, определяют, что момент t времени является таким же, как и последний момент Т времени последовательности измеренных форм Yt колебаний на этапе S83, обработка переходит на этап S91 на фиг. 20.

На этапе S91, участок 42 приблизительной оценки инициализирует момент t времени в Т, как исходное значение для обратной вероятности, и обработка переходит на этап S92.

На этапе S92, участок 42 приблизительной оценки выбирает (делает выборку) заданного количества комбинаций состояний, например, в случайно, из комбинаций состояний, которые могут быть приняты FHMM, как частицы Sp. Кроме того, на этапе S92, все комбинации состояний, которые могут быть приняты FHMM, могут быть выбраны, как частицы Sp.

Участок 42 приблизительной оценки получает исходное значение α T , P обратной вероятности βt,P в отношении комбинаций состояний, как частицы Sp, и обработка переходит с этапа S92 на этап S93.

На этапе S93 определяют, является или нет момент t времени тем же, что и исходный момент 1 времени измеренных форм Yt={Y1, Y2… и YT} колебаний.

Если определяют, что момент t времени не является таким же, как исходный момент 1 времени последовательности измеренных форм Yt колебаний на этапе S93, то есть, момент t времени больше, чем момент 1 времени, обработка переходит на этап S94, где участок 42 приблизительный оценки прогнозирует частицу в момент t-1 времени с опережением на один момент времени в отношении комбинаций состояний, как частицы Sp, при ограничении перехода состояний, которое представляет собой заданное условие, и обработка переходит на этап S95.

На этапе S95, участок 42 приблизительной оценки уменьшает момент t времени на 1, и обработка переходит на этап S96.

На этапе S96, участок 21 оценки получает вероятность P(Yt|Sp) наблюдения по Уравнению (21) в отношении комбинаций состояний, как частицы Sp={S1, S2, … и SR} в момент t времени, используя вариацию С FHMM, как общие модели ϕ, сохраненные в модуле 13 хранения модели, уникальную форму W(m) колебаний и измеренную форму Yt={Y1, Y2… и YT} колебаний из модуля 11 получения данных. Участок 21 приблизительной оценки подает вероятность P(Yt|Sp) наблюдений в участок 42 приблизительной оценки, и обработка переходит с этапа S96 на этап S97.

На этапе S97, участок 42 приблизительной оценки получает обратную вероятность βt,P, которая находится в комбинациях состояний, как частицы Sp, в момент t времени, и, после этого, эти измеренные формы Yt, Yt+1… и YT колебаний измеряют, используя вероятность P(Yt|Sp) наблюдения из участка 21 оценки и вероятность P i , j ( m ) перехода (и вероятность π(m) исходного состояния FHMM), как общие модели ϕ, сохраненные в модуле 13 хранения модели, и обработка переходит на этап S98.

На этапе S98, участок 42 приблизительной оценки выполняет выборку заданного количества частиц в порядке убывания обратной вероятности βt,p из частиц Sp, таким образом, которые остаются, как частицы в момент t на основе обратной вероятности βt,p.

После этого, обработка возвращается с этап S93 на этап S98, и дальше повторно выполняется та же обработка.

Кроме того, определяют, что момент t времени является таким же, как исходный момент 1 времени последовательности измеренной формы Yt колебаний на этапе S93, обработка переходит на этап S99.

На этапе S99, участок 42 приблизительный оценки получает последующую вероятность γt,z в комбинации z состояний в момент t времени в FHMM, как общие модели ϕ в соответствии с Уравнением (24), используя прямую вероятность αt,z(=αt,p) и обратную вероятность βt,z(=βt,p)и обработка переходит на этап S100.

После этого, на этапах S100 и S101, выполняют те же процессы, что и на этапах S25 и S26 на фиг. 7, и, таким образом, получают последующие вероятности < S t ( m ) > , < S t ( m ) S t ( n ) ' > и < S t 1 ( m ) S t ( m ) > .

Как описано выше, в участке 42 приблизительной оценки, применяя фильтр частиц к комбинации z состояний FHMM, получают последующую вероятность < S t ( m ) > и т.п. при ограничении изменения состояния, и, поэтому, расчет комбинации, вероятность которой является низкой, исключают, улучшая, таким образом, эффективность расчета последующей вероятности < S t ( m ) > и т.п.

Четвертый вариант осуществления системы мониторинга, в которой применяется настоящая технология

На фиг. 21 показана блок-схема, иллюстрирующая пример конфигурации четвертого варианта осуществления системы мониторинга, в которой применяется настоящая технология.

Кроме того, на чертеже, участки, соответствующие случаю по фиг. 3, обозначены теми же номерами ссылочных позиций, и дальше их описание будет, соответственно, исключено.

Система мониторинга по фиг. 21 является общей для системы мониторинга по фиг. 3 в том, что предусмотрены от модуля 11 получения данных до модуля 16 вывода данных.

Однако, система мониторинга по фиг. 21 отличается от системы мониторинга на фиг. 3 тем, что участок 51 изучения ограниченного разделения предусмотрена вместо участка 31 изучения разделения в модуле 14 изучения модели.

Участок 31 изучения разделения по фиг. 3 получает уникальную форму W(m) колебаний без определенного ограничения, но участок 51 изучения ограниченного разделения формы колебаний получает уникальную форму W(m) колебаний при заданном ограничении, характерном для электрического бытового устройства домашнего хозяйства (разделение электрического бытового устройства домашнего хозяйства).

Здесь, в участке 31 изучения разделения по фиг. 3, конкретное ограничение не наложено на расчет уникальной формы W(m) колебаний на этапе М.

Поэтому, в участке 31 изучения разделения по фиг. 3, уникальную форму W(m) колебаний рассчитывают, используя изучение разделения формы колебаний, только с учетом измеренной формы Yt колебаний, которая представляет собой форму колебаний, полученную путем наложения множества форм колебаний тока.

Другими словами, при изучении разделения формы колебаний участка 31 изучения разделения по фиг. 3, измеренную форму Yt колебаний рассматривают, как форму колебаний, где множество форм колебаний тока наложено друг на друга, и выделяют уникальную форму W(m) колебаний, как множество форм колебаний тока.

В случае, когда отсутствует ограничение в расчете уникальной формы W(m) колебаний, степень свободы (избыточность) решений изучения разделения формы колебаний, то есть, степень свободы множества форм колебаний тока, которые могут быть отделены из измеренной формы Yt колебаний, очень высока, и, таким образом, может быть получена уникальная форма W(m) колебаний, как форма колебаний тока, которая не соответствует форме колебаний тока электрического бытового устройства домашнего хозяйства.

Поэтому, участок 51 изучения ограниченного разделения формы колебаний выполняет изучение разделения формы колебаний при заданном ограничении, которое является отличительным для электрического бытового устройства домашнего хозяйства, для предотвращения получения уникальной формы W(m) колебаний, в качестве формы колебаний тока электрического бытового устройства домашнего хозяйства, которая не соответствует форме колебаний тока, и получает уникальную форму W(m) колебаний, как точную форму колебаний тока электрического бытового устройства домашнего хозяйства.

Здесь изучение разделения формы колебаний, выполняемое при заданном ограничении, также называется изучением ограниченного разделения формы колебаний.

Система мониторинга по фиг. 21 выполняет ту же обработку, что и система мониторинга по фиг. 3, за исключением того, что выполняют изучение ограниченного разделения формы колебаний.

При изучении ограниченного разделения формы колебаний, в качестве ограничения, отличительного для электрического бытового устройства домашнего хозяйства, существует, например, ограничение по нагрузке или ограничение основной формы колебаний.

Ограничение по нагрузке представляет собой ограничение, где потребление энергии U(m) электрическим бытовым устройством домашнего хозяйства, которое получают путем умножения уникальной формы W(m) колебаний, как формы колебаний тока электрического бытового устройства №m домашнего хозяйства, и формы колебаний напряжения для напряжения, подаваемого в электрическое бытовое устройство №m домашнего хозяйства, то есть, форма Vt колебаний напряжения, соответствующая измеренной форме Yt колебаний, которая представляет собой форму колебаний тока, не имеет отрицательного значения (электрическое бытовое устройство №m домашнего хозяйства не генерирует энергию).

Ограничение основной формы колебаний представляет собой ограничение, при котором уникальная форма W(m) колебаний, которая представляет собой форму колебаний тока для тока, потребляемого в каждом рабочем состоянии электрического бытового устройства №m домашнего хозяйства, представлена одной или больше комбинациями множества форм колебаний, подготовленными заранее, как основные формы колебаний для электрического бытового устройства №m домашнего хозяйства.

На фиг. 22 показана блок-схема последовательности операций, иллюстрирующая обработку на этапе М этапа S14 на фиг. 6, выполняемую системой мониторинга по фиг. 21, накладывающей ограничения по нагрузке.

На этапе S121 участок 51 изучения ограниченного разделения формы колебаний выполняет изучение разделения формы колебаний при ограничении нагрузки, используя измеренную форму Yt колебаний для модуля 11 получения данных, и последующих вероятностей < S t ( m ) > и < S t ( m ) S t ( n ) ' > из участка 22 оценки, для получения обновленного значения W(m)new, уникальной формы W(m) колебаний, и обновляет уникальную форму W(m) колебаний, сохраненную в модуле 13 хранения модели до значения W(m)new обновления, и обработка переходит на этап S122.

Другими словами, участок 51 изучения ограниченного разделения формы колебаний решает Уравнение (25), как изучение разделения колебаний при ограничении нагрузки, путем использования квадратичного программирования с ограничением, получая, таким образом, обновленное значение W(m)new уникальной формы W(m) колебаний.

[Уравнение 25]

Здесь, в Уравнении (25), накладывается ограничение, удовлетворяющее Уравнению 0≤V′W на уникальную форму W колебаний, которое представляет собой значение W(m)new обновления уникальной формы W(m) колебаний.

V представляет собой вектор столбца из D рядов, обозначающий форму Vt колебаний напряжения, соответствующую форме тока, как измеренную форму Yt колебаний, и V′ представляет собой вектор ряда, полученный путем транспонирования вектора V столбца.

Кроме того, значение Wnew обновления уникальной формы колебаний по Уравнению (25), и последующие вероятности < S t ' > и < S t S t ' > являются такими же, как описано в Уравнении (12).

Другими словами, значение Wnew обновления уникальной формы колебаний представляет собой матрицу из D рядов и K×М столбцов, и вектор столбца его (m-1)K+k столбцов представляет собой значение обновления уникальной формы W k ( m ) колебаний состояния №k фактора №m.

Следующая вероятность < S t ' > представляет собой вектор ряда столбцов K×M, и его компонент ((m-1)K+k)-ого столбца представляет собой вероятность состояния того, что фактор №m находится в состоянии №k в момент t времени.

Последующая вероятность < S t S t ' > представляет собой матрицу из K×M рядов и K×M столбцов, и ее ((m-1)K+k)-ый ряд и ((n-1)K+k′)-ый компонент столбца находится в состоянии вероятности, что фактор №m находится в состоянии №k, и другой фактор №n находится в состоянии №k′ в момент t времени.

Кроме того, уникальная форма W колебаний в Уравнении (25) представляет собой матрицу из D рядов и K×M столбцов, которая является такой же, как значение Wnew обновления уникальной формы колебаний, и уникальную форму W колебаний, которая минимизирует X для argmin{X} с правой стороны Уравнения (25), получают, как значение Wnew обновления уникальной формы колебаний, используя квадратичное программирование.

На этапах S122 и S123, выполняют ту же обработку, что и на этапах S32 и S33 по фиг. 9.

На фиг. 23 показана схема, иллюстрирующая ограничение нагрузки.

Другими словами, в позиции А на фиг. 23 показана уникальная форма W(m) колебаний, как форма колебаний тока, полученная в результате изучения разделения формы колебаний без ограничения, и позиции В на фиг. 23 показана уникальная форма W(m) колебаний, как форма колебаний тока, полученная в результате изучения разделения формы колебаний при ограничении нагрузки.

Кроме того, на фиг. 23, количество М факторов равно двум, и показаны уникальная форма W k ( 1 ) колебаний состояния №k, в котором присутствует фактор №1, и уникальная форма W k ' ( 2 ) колебаний состояния №k′, в котором присутствует фактор №2.

В позиции А на фиг. 23 и в позиции В на фиг. 23 формы колебаний тока, которые представляют собой уникальную форму W k ( 1 ) колебаний фактора №1, являются все не в фазе с формой Vt колебаний напряжения.

Однако в позиции А на фиг. 23, поскольку ограничение нагрузки не наложено, форма колебаний тока, которая представляет собой уникальную форму W k ' ( 2 ) колебаний фактора №2 находится в обратной фазе к форме Vt колебаний напряжения.

С другой стороны, в позиции В на фиг. 23, как результат наложения ограничения нагрузки, форма колебаний тока, которая представляет собой уникальную форму W k ' ( 2 ) колебаний фактора №2, находится в фазе с формой Vt колебаний напряжения.

Измерительная форма Yt колебаний может быть разделена на уникальную форму W k ( 1 ) колебаний фактора №1 и уникальную форму W k ' ( 2 ) колебаний фактора №2, показанную в позиции А на фиг. 23, и может быть разделена на уникальную форму W k ( 1 ) колебаний фактора №1 и уникальную форму W k ' ( 2 ) колебаний фактора №2, показанную в позиции В на фиг. 23.

Однако в случае, когда измеренную форму Yt колебаний разделяют на уникальную форму W k ( 1 ) колебаний фактора №1 и уникальную форму W k ' ( 2 ) колебаний фактора №2, показанных в позиции А на фиг. 23, электрическое бытовое устройство №2 домашнего хозяйства, соответствующее фактору №2, уникальная форма W k ' ( 2 ) колебаний которого находится в обратной фазе к форме Vt колебаний напряжения, генерирует энергию, и, таким образом, возникает опасение, состоящее в том, что трудно выполнить соответствующее разделение электрического бытового устройства домашнего хозяйства.

С другой стороны, когда введено ограничение по нагрузке, измеренную форма Yt колебаний разделяют на уникальную форму W k ( 1 ) колебаний фактора №1 и уникальную форму W k ' ( 2 ) колебаний фактора №2, показанные в позиции В на фиг. 23.

Уникальная форма W k ( 1 ) колебаний и уникальная форма W k ' ( 2 ) колебаний в позиции В на фиг. 23 все находятся в фазе с формой Vt колебаний напряжения, и, таким образом, в соответствии с ограничением нагрузки, поскольку электрическое бытовое устройство №1 домашнего хозяйства, соответствующее фактору №1, и электрическое бытовое устройство №2 домашнего хозяйства, соответствующее фактору №2, все представляют собой нагрузки, потребляющие электроэнергию, становится возможным выполнить соответствующее разделение электрического бытового устройства домашнего хозяйства.

На фиг. 24 показана схема, иллюстрирующая ограничение основной формы колебаний.

На фиг. 24 Y представляет собой матрицу из D рядов и Т столбцов, где измеренная форма Yt колебаний, которая представляет собой вектор столбца из D рядов, размещена слева направо в порядке моментов t времени, t-ый вектор столбца измеренной формы Y колебаний, которая представляет собой матрицу из D рядов и Т столбцов, представляет собой измерительную форму Yt колебаний в момент t времени.

На фиг. 24, W представляет собой матрицу из D рядов и K×M столбцов, в которой уникальная форма W(m) колебаний фактора №m, которая представляет собой матрицу из D рядов и K столбцов, размещается в порядке фактора №m слева направо. Вектор столбца (m-1)K+k столбцов уникальной формы W колебаний, которая представляет собой матрицу из D рядов и K×M столбцов, представляет собой уникальную форму W k ( m ) колебаний состояния №k фактора №m.

На фиг. 24 F обозначает K×M.

На фиг. 24, <St> представляет собой матрицу из K×M строк и Т столбцов, полученных путем размещения вектора столбца F=K×M рядов, в которой последующая вероятность < S t ( m ) > в момент t времени, которая представляет собой вектор столбца из K рядов, размещена в порядке фактора №m сверху вниз, в порядке момента t времени слева направо. Компонент ((m-1)K+k)-го ряда и t-го столбца последующей вероятности <St>, которая представляет собой матрицу K×M рядов и Т столбцов, представляет собой вероятность состояния того, что фактор №m находится в состоянии №k в момент t времени.

При изучении разделения формы колебаний, в FHMM, как показано на фиг. 24, произведение W×<St> уникальной формы W колебаний и последующей вероятности <St> наблюдают, как измеренную форму Y колебаний, и, таким образом, получают уникальную форму W колебаний.

Как описано выше, поскольку ограничение основной формы колебаний представляет собой ограничение, где уникальная форма W(m) колебаний, которая представляет собой форму колебаний тока для тока, потребляемого в каждом рабочем состоянии электрического бытового устройства №m домашнего хозяйства, представлена только одной или больше комбинациями из множества форм колебаний, подготовленных заранее, как основные формы колебаний, для электрического бытового устройства №m домашнего хозяйства, как показано на фиг. 24, уникальная форма W колебаний обозначена, как произведение B×A заданного количества N основных форм В колебаний и заданного коэффициента А, и, таким образом, получают уникальную форму W колебаний.

Здесь, когда n-я основная форма В колебаний обозначена, как Bn, среди заданного числа N основных форм В колебаний, Bn представляет собой вектор столбца из D рядов, который имеет, например, значение выборки формы колебаний, как компонент, и основная форма В колебаний представляет собой матрицу из D рядов и N столбцов, в которой основная форма Bn колебаний, которая представляет собой вектор столбца из D рядов, расположена в порядке индекса n слева направо.

Коэффициент А представляет собой матрицу из N рядов и K×M столбцов, и, n-й ряд и компонент ((m-1)K+k)-го столбца представляет собой коэффициента, который умножается на n-ю основную Bn колебаний при представлении уникальной формы W(m) k колебаний, как комбинацию (наложение) N основных форм B1, В2… и BN колебаний.

Здесь, когда уникальная форма W k ( m ) колебаний представлена, как комбинация N основных форм B1-BN колебаний, например, если вектор столбца из N рядов, который представляет собой коэффициент, умноженный на N основных форм B1-BN колебаний, обозначен, как коэффициент A k ( m ) , и матрица из N рядов и К столбцов, в которой коэффициент A k ( m ) , расположен в порядке K состояний №1 - №K фактора №m, слева направо обозначен коэффициентом А(m), коэффициент А представляет собой матрицу, в которой коэффициент А(m) размещен в порядке фактора №m слева направо.

Основная форма В колебаний может быть подготовлена (получена) путем выполнения выделения основания, такой как, например, ICA (независимый анализ компонента) или NMF (неотрицательная факторизация матрицы), используемая для обработки изображения, для измеренной формы Y колебаний.

Измеренная форма колебаний может включать в себя сумму электрических сигналов электрического устройства в доме, или может включать в себя группу электрических сигналов электрического устройства, присутствующего в доме (например, группу электрических сигналов каждого электрического устройства, присутствующего в доме).

Кроме того, в случае, когда изготовитель и т.п. разрешает открыть для общественности основную форму колебаний электрического бытового устройства домашнего хозяйства на домашней странице и т.п., основная форма В колебаний может быть подготовлена путем обращения к домашней странице.

На фиг. 25 показана блок-схема последовательности операций, иллюстрирующая обработку на этапе М этапа S14 на фиг. 6, выполняемую системой мониторинга по фиг. 21, накладывая ограничения на основную форму колебаний.

На этапе S131 участок 51 изучения ограниченного разделения формы колебаний выполняет изучение разделения формы колебаний при ограничении основной формы колебаний, используя измеренную форму Yt колебаний из модуля 11 получения данных, и последующие вероятности < S t ( m ) > и < S t ( m ) S t ( n ) ' > из участка 22 оценки, для получения значения W(m)new обновления уникальной формы W(m) колебаний, и обновляет уникальную форму W(m) колебаний, сохраненную в модуле 13 хранения модели, до обновленного значение W(m)new, и обработка переходит на этап S132.

Другими словами, участок 51 изучения ограниченного разделения формы колебаний решает Уравнение (26), как изучение разделения формы колебаний при ограничении основной формы колебаний, используя квадратичное программирование с ограничением, получая, таким образом, коэффициент Anew, представления уникальной формы W колебаний по комбинации основных форм В колебаний.

[Уравнение 26]

Здесь, в Уравнении (26), для обозначения уникальной формы W колебаний по произведению B×A заданного числа N основных форм В колебаний и заданного коэффициента А, и для минимизации коэффициента (minA) накладывают, как ограничение основной формы колебаний.

Минимизация коэффициента (minA) означает, что минимизируют значение (магнитуду) каждого компонента матрицы N рядов и K×M столбцов, которая представляет собой коэффициент А, и что матрица из N рядов и K×M столбцов, которая представляет собой коэффициент А, становится настолько разреженной, насколько это возможно.

Матрица из N рядов и K×M столбцов, которая представляет собой коэффициент А, становится настолько разреженной, насколько возможно, и, таким образом, уникальная форма W k ( m ) колебаний обозначена комбинацией основных форм Bn колебаний, количество которых настолько мало, насколько это возможно.

Если коэффициент Anew получают в соответствии с Уравнением (26), участок 51 ограниченного изучения разделения получает значение W(m)new обновления уникальной формы W(m) колебаний, в соответствии с Уравнением (27), используя коэффициент AneW и основную форму В колебаний.

[Уравнение 27]

На этапах S132 и S133, выполняют ту же обработку, что и на этапах S32 и S33 по фиг. 9.

В случае, когда ток, потребляемый электрическим бытовым устройство домашнего хозяйства формирует формы колебаний одной или больше комбинаций основных форм колебаний, предотвращают получение формы колебаний тока, потребляемой электрическим бытовым устройство домашнего хозяйства, в виде уникальной формы колебаний, накладывая ограничение основной формы колебаний, и, таким образом, становится возможным получить уникальную форму колебаний, соответствующую электрическому бытовому устройству домашнего хозяйства.

Кроме того, в представленном выше описании, ограничение нагрузки и ограничение основной формы колебаний накладывают отдельно, но ограничение по нагрузке и ограничение основной формы колебаний могут быть наложены вместе.

В случае совместного наложения ограничения нагрузки и ограничения основной формы колебаний, на этапе М, участок 51 изучения ограниченного разделения решает Уравнение (28) как изучение разделения формы колебаний в условиях ограничения нагрузки и ограничения основной формы колебаний, используя квадратичное программирование с ограничением, получая, таким образом, коэффициент Anew, для представления уникальной формы W колебаний с помощью комбинации основных форм В колебаний и коэффициент Anew, для того, чтобы потребление энергии электрического бытового устройства домашнего хозяйства было получено, используя эту уникальную форму W колебаний не становилось отрицательным значением.

[Уравнение 28]

Кроме того, участок 51 изучения ограниченного разделения формы колебаний получает значение W(m) обновления уникальной формы W(m)new колебаний, используя коэффициент AneW, полученный в соответствии с Уравнением (28) и основную форму В колебаний, полученную в соответствии с Уравнением (29).

[Уравнение 29]

Пятый вариант осуществления системы мониторинга, в которой применяется настоящая технология

На фиг. 26 показана блок-схема, иллюстрирующая пример конфигурации пятого варианта осуществления системы мониторинга, в которой применяется настоящая технология.

Кроме того, на чертеже, участки, соответствующие случаю по фиг. 3, обозначают теми же номерами ссылочных позиций, и ниже их описание будет, соответственно, исключено.

Система мониторинга по фиг. 26 является общей для системы мониторинга на фиг. 3 тем, что предусмотрен модуль 11 получения в модуле вывода 16 данных.

Однако, во-первых, система мониторинга по фиг. 26 отличается от системы мониторинга на фиг. 3 тем, что участок 52 изучения отдельной вариации по фиг. 12 предусмотрена вместо участка 32 изучения вариации в модуле 14 изучения модели.

Во-вторых, система мониторинга по фиг. 26 отличается от системы мониторинга на фиг. 3 тем, что участок 42 приблизительный оценки на фиг. 15 предусмотрена вместо участка 22 оценки модуля 12 оценки состояния.

В-третьих, система мониторинга на фиг. 26 отличается от системы мониторинга на фиг. 3 тем, что участок 51 изучения ограниченного разделения на фиг. 21 предусмотрена вместо участка 31 изучения разделения формы колебаний модуля 14 изучения модели.

Поэтому, система мониторинга на фиг. 26 выполняет изучение индивидуальной вариации для получения индивидуальной вариации σ(m) для каждого фактора №m или для каждого состояния №k каждого фактора №m.

Кроме того, система мониторинга по фиг. 26 выполняет приблизительную оценку, для получения последующей вероятности (вероятности состояния) < S t ( m ) > при ограничении состояния перехода, где ограничено количество факторов, для которых состояние выполняет переход в один момент времени.

Кроме того, система мониторинга на фиг. 26 получает уникальную форму W(m) колебаний, используя изучение ограниченного разделения формы колебаний.

Далее, система мониторинга может независимо выполнять изучение индивидуальной вариации, приблизительную оценку и изучение ограниченного разделения формы колебаний, может совместно выполнять изучение индивидуальной вариации, приблизительную оценку и изучение ограниченного разделения формы колебаний, или может выполнять любые два из изучения индивидуальной вариации, приблизительной оценки и изучения ограниченного разделения формы колебаний.

Использование системы мониторинга в других случаях, кроме разделения электрического бытового устройства домашнего хозяйства

Как указано выше, хотя был описан случай, когда система мониторинга, выполняющая изучение FHMM, отслеживает форму тока, как данные общей суммы, и выполняет разделение электрического бытового устройства домашнего хозяйства, система мониторинга, выполняющая изучение FHMM, может применяться в любом варианте применения, где отслеживают сигнал наложения, на который наложен один или больше сигналов, и отделяют сигнал, наложенный на сигнал наложения.

На фиг. 27 показана схема, иллюстрирующая общее содержание разделения говорящего человека системой мониторинга, которая выполняет изучение FHMM.

В соответствии с системой мониторинга, которая выполняет изучение FHMM, вместо формы колебаний тока, используемой, как измеренная форма Yt колебаний при разделении электрического бытового устройства домашнего хозяйства, при использовании аудиосигнала, где речь множества говорящих людей наложена друг на друга, становится возможным выполнить разделение говорящего человека для отделения речи каждого говорящего человека от аудиосигнала, где речь множества говорящих людей наложена друг на друга.

В случае, когда система мониторинга, выполняющая изучение FHMM, также выполняет разделение говорящих людей, таким же образом, как и в случае разделения электрического бытового устройства домашнего хозяйства, могут быть выполнены индивидуальное изучение вариации, приблизительная оценка и изучение ограниченного разделения формы колебаний.

В случае использования индивидуальной вариации σ(m) для каждого фактора №m, или для каждого состояния №k каждого фактора №m при разделении речи говорящих людей, характеристики представления FHMM дополнительно улучшаются, по сравнению со случаем использования вариации С сигнала, и, таким образом, становится возможным повысить точность разделения речи говорящего.

Кроме того, поскольку вероятность того, что все состояния разговорной речи множества говорящих людей меняются в каждый момент времени, очень низка, даже если количество говорящих людей, состояние разговорной речи которых меняется, будет ограничено одним или несколькими людьми, или меньше для одного момента времени, это незначительно повлияет на точность разделения речи говорящего.

Поэтому, при разделении речи говорящего, при ограничении вариации состояния, когда количество факторов перехода состояния которых для одного момента времени ограничено, например, одним или меньше (говорящий человек, состояние разговорной речи которого меняется, ограничено одним человеком или меньше), может быть выполнена приблизительная оценка для получения последующей вероятности < S t ( m ) > . Кроме того, в соответствии с приблизительной оценкой для получения последующей вероятности < S t ( m ) > при ограничении перехода состояния, количество комбинаций z состояний, в которых последующая вероятность γt,z, используемая для получения последующей вероятности < S t ( m ) > , должна быть строго рассчитана, существенно уменьшается, и, таким образом, объем расчетов может быть существенно уменьшен.

Кроме того, при разделении речи говорящих людей, индивидуальная форма W(m) колебаний представляет собой форму колебаний голоса человека, и, таким образом, компонент частоты существует в полосе частот, которую можно принять для голоса человека. Поэтому, при изучении ограниченного разделения формы колебаний, выполняемом при разделении речи говорящего человека, может использоваться ограничение, характерное для голоса человека, в котором частотный компонент индивидуальной формы W(m) колебаний ограничен до компонента частоты в пределах полосы частот, которую можно принять для голоса человека. В этом случае, может быть получена уникальная форма W(m) колебаний, которая соответствует форме колебаний голоса человека.

Далее, при разделении речи говорящих людей, в качестве ограничения, наложенного на изучение ограниченного разделения формы колебаний, например, может использоваться ограничение основной формы колебаний так же, как и в случае разделения электрического бытового устройства домашнего хозяйства.

Шестой вариант осуществления системы мониторинга, в которой применяется настоящая технология

На фиг. 28 показана блок-схема, иллюстрирующая пример конфигурации шестого варианта осуществления системы мониторинга, в которой применяется настоящая технология.

Кроме того, на чертеже, участка, соответствующие случаю на фиг. 3, обозначены теми же номерами ссылочных позиций, и ниже их описание будет, соответственно, исключено.

Система мониторинга на фиг. 28 является общей с системой мониторинга на фиг. 3 в том, что модуль 11 получения данных предусмотрен в модуле 16 вывода данных.

Однако, во-первых, система мониторинга на фиг.28 отличается от системы мониторинга по фиг. 3 тем, что участок 71 оценки и участок 72 оценки, соответственно, представлены вместо участка 21 оценки и участка 22 оценки в модуле 12 оценки состояния.

Во-вторых, система мониторинга на фиг. 28 отличается от системы мониторинга на фиг. 3 тем, что участок 81 изучения ограниченного разделения предусмотрена вместо участка 31 изучения разделения формы колебаний, и участок 32 изучения вариаций и участок 33 изучения вариаций состояний не предусмотрены в модуле 14 изучения модели.

Система мониторинга на фиг. 3 выполняет разделение электрического бытового устройства домашнего хозяйства, используя FHMM, в качестве общих моделей ϕ, но система мониторинга по фиг. 28 выполняет разделение электрического бытового устройства домашнего хозяйства, используя, например, модель (ниже также называется режимом формы колебаний), которая имеет только уникальную форму W(m) колебаний, в качестве параметра модели, как общие модели ϕ вместо FHMM.

Поэтому, на фиг. 28, режим формы колебаний сохранен, как общие модели ϕ, в модуле 13 хранения модели. Здесь модель формы колебаний имеет уникальную форму W(m) колебаний, как параметр модели, и в этой модели формы колебаний, одиночная уникальная форма колебаний соответствует модели электрического бытового устройства №m домашнего хозяйства.

Модуль 12 оценки состояния имеет участок 71 оценки и участок 72 оценки, и выполняет оценку состояния для рабочих состояний оценки множества из М электрических бытовых устройств №1, №2… и №m домашнего хозяйства, используя измеренную форму Yt колебаний из модуля 11 получения данных, и модель формы колебаний, сохраненную в модуле 13 хранения модели.

Другими словами, участок 71 оценки получает значение Е оценки, где степень, в которой наблюдают форму Y тока, подаваемого из модуля 111 получения данных, оценивают с тем, чтобы передать ее в участок 72 оценки, в каждой модели №m электрического бытового устройства домашнего хозяйства, формирующей модель формы колебаний, как общие модели ϕ, сохраненные в модуле 13 хранения модели.

Участок 72 оценки оценивает рабочее состояние C t , k ( m ) в момент t времени каждого электрического бытового устройства домашнего хозяйства, обозначенного каждой моделью №m электрического бытового устройства домашнего устройства, используя значение Е оценки, подаваемое из участка 71 оценки, например, в соответствии с целочисленным программированием, для передачи в модуль 14 изучения модели, модуль 15 получения метки и модуль 16 вывода данных.

Здесь участок 72 оценки решает программу целочисленного программирования по Уравнению (30) в соответствии с целочисленным программированием, и выполняет оценку рабочего состояния C t , k ( m ) электрического бытового устройства №m домашнего хозяйства.

[Уравнение 30]

Здесь, в Уравнении (30), Е обозначает ошибку измеренной формы Yt колебаний и формы W k ( m ) C t , k ( m ) тока, которая представляет собой данные общей суммы, наблюдаемой в модели формы колебаний, в качестве общих моделей ϕ, и участок 72 оценки получает рабочее состояние C t , k ( m ) , которое минимизирует ошибку Е.

Кроме того, в Уравнении (30), уникальная форма W k ( m ) колебаний обозначает уникальную форму колебаний, которая представляет собой форму колебаний тока, уникальную для рабочего состояния C t , k ( m ) фактора №m, и представляет собой вектор столбца D рядов таким же образом, как и измеренная форма Yt колебаний.

Кроме того, в Уравнении (30), K(m) обозначает количество (количество видов) рабочего состояния C t , k ( m ) электрического бытового устройства №m домашнего хозяйства.

Рабочее состояние C t , k ( m ) представляет собой целое число, равное 0 или больше, и представляет собой скалярную величину, и обозначает рабочее состояние электрического бытового устройства №m домашнего хозяйства в момент t времени. Рабочее состояние C t , k ( m ) соответствует, например, режиму (установке) электрического бытового устройства №m домашнего хозяйства, и предполагается, что режим, в котором электрическое бытовое устройство №m домашнего хозяйства находится в состоянии включено, ограничен до одного или меньше.

В Уравнении (31) обозначено, что режим, в котором электрическое бытовое устройство №m домашнего хозяйства находится в состоянии включено, ограничен до одного или меньше.

[Уравнение 31]

В соответствии с Уравнением (31), значение, которое может принимать рабочее состояние C t , k ( m ) , которое представляет собой целое число 0 или больше, может составлять 0 или 1.

Кроме того, способ оценки рабочего состояния электрического бытового устройства домашнего хозяйства в соответствии с целочисленным программированием, раскрыт, например, в публикации "Nonintrusive Appliance Load Monitoring System", Shinkichi Inagaki, Tsukasa Egami, Tatsuya Suzuki (Nagoya University), Hisahide Nakamura, Koichi Ito (TOENEC CORP.), The 42nd Workshop on Discrete Event Systems of the Society of Instrument and Control Engineers, pp.33-38, Dec 20,2008, Osaka University.

Как описано выше, в случае, когда участок 72 оценки выполняет оценку рабочего состояния C t , k ( m ) электрического бытового устройства №m домашнего хозяйства, решая Уравнение (30), участок 71 оценки получает ошибку Е Уравнения (30), используя измеренную форму Yt колебаний, передаваемую из модуля 11 получения данных и уникальную форму W k ( m ) колебаний модели формы колебаний, сохраненной в модуле 13 хранения модели, для передачи в участок 72 оценки, как значение Е оценки.

В модуле 14 изучения модели, таким же образом, как и в участка 51 изучения ограниченного разделения формы колебаний на фиг. 21, участок 81 изучения ограниченного разделения формы колебаний выполняет изучения разделения формы колебаний в условиях заданного ограничения (изучение разделения формы колебаний с ограничением), отличительным для электрического бытового устройства домашнего хозяйства, для предотвращения получения уникальной формы W k ( m ) колебаний, в качестве формы тока, которая является несоответствующей форме колебаний тока электрического бытового устройства домашнего хозяйства, и получает уникальную форму W k ( m ) колебаний, как точную форму колебаний тока электрического бытового устройства домашнего хозяйства.

То есть участок 81 изучения ограниченного разделения формы колебаний выполняет изучение разделения формы колебаний, например, в условиях ограничения нагрузки, используя измеренную форму Yt колебаний из модуля 11 получения данных, и по рабочему состоянию C t , k ( m ) электрического бытового устройства №m домашнего хозяйства из участка 72 оценки, для получения значения W k ( m ) n e w обновления уникальной формы W k ( m ) колебаний, и обновляет уникальную форму W k ( m ) колебаний, сохраненную в модуле 13 хранения модели, для обновления значения W k ( m ) n e w .

Другими словами, участок 81 изучения ограниченного разделения формы колебаний решает задачу квадратичного программирования Уравнения (32), как изучение разделения формы колебаний при ограничении нагрузки в соответствии с квадратичным программированием, получая, таким образом, значение W k ( m ) n e w обновления уникальной формы W(m)k колебаний.

[Уравнение 32]

Здесь, в Уравнении (32), ограничение, удовлетворяющее уравнению 0≤V′W, как ограничение нагрузки, накладывается на уникальную форму W колебаний, которая представляет собой значение W k ( m ) n e w обновления уникальной формы W k ( m ) колебаний.

В Уравнении (32), V представляет собой вектор столбца из D рядов, обозначающих форму Vt колебаний напряжения, соответствующую форме колебаний тока, как измеренной форме колебаний, Yt, и V′ представляет собой вектор ряда, полученный в результате транспонирования вектора V столбца.

Кроме того, если режим электрического бытового устройства №m домашнего хозяйства, в котором рабочее состояние C t , k ( m ) обозначает включено и выключено, представляет собой режим №k, в Уравнении (32), W представляет собой вектор столбца для (m-1)K+k столбцов и представляет собой матрицу из D рядов и K×M столбцов, которая представляет собой уникальную форму колебаний режима №k электрического бытового устройства №m домашнего хозяйства (включено). Кроме того, здесь K обозначает максимальное значение, например, K(1), K(2)… и K(М).

Значение Wnew обновления уникальной формы колебаний представляет собой матрицу из D рядов и K×M столбцов, и ее вектор столбца из (m-1)K+k столбцов представляет собой значение обновления уникальной формы W k ( m ) колебаний состояния №k фактора №m.

Далее, в Уравнении (32), Ct представляет собой вектор столбца для K×M рядов, в котором компонент (m-1)K+k ряда находится в рабочем состоянии C t , k ( m ) .

Далее, участок 81 изучения ограниченного разделения формы колебаний может накладывать другие ограничения. Другими словами, например, таким же образом, как и участок 51 изучения ограниченного разделения формы колебаний на фиг. 21, участок 81 изучения ограниченного разделения формы колебаний может накладывать ограничение на основную форму колебаний вместо ограничения по нагрузке или может одновременно накладывать как ограничение по нагрузке, так и ограничение по основной форме колебаний.

На фиг. 29 показана блок-схема последовательности операций, иллюстрирующая обработку обучения (обработка обучения) модели формы колебаний, выполняемой системой мониторинга по фиг. 28.

На этапе S151, модуль 14 изучения модели инициализирует уникальную форму W(m)k колебаний, как параметр ϕ модели для всех моделей, сохраненных в модуле 13 хранения модели, и обработка переходит на этап S152.

Здесь соответствующие компоненты вектора столбца для D рядов, которые представляют собой уникальную форму W k ( m ) колебаний, инициализируют, используя, например, случайные числа.

На этапе S152, модуль 11 получения данных получает формы колебаний тока, соответствующие заданному времени Т, и подает формы колебаний тока в соответствующие моменты t=1, 2… и Т времени в модуль 12 оценки состояния и модуль 14 изучения модели, как измеренные формы Y1, Y2… и YT колебаний, и обработка переходит на этап S153.

Здесь модуль 11 получения данных также получает формы колебаний напряжения вместе с формами колебаний тока в моменты t=1, 2… и Т времени. Модуль 11 получения данных подает формы колебаний напряжения в моменты t=1, 2… и Т времени в модуль 16 вывода данных.

В модуле 16 вывода данных форму колебаний напряжения из модуля 11 получения данных 11 используют для расчета потребления энергии в процессе представления информации (фиг. 10).

На этапе S153, участок 71 оценки модуля 12 оценки состояния получает ошибку Е, которая представляет собой значение Е оценки Уравнения (30), для получения рабочего состояния C t , k ( m ) каждого электрического бытового устройства №m домашнего хозяйства, используя измеренные формы Y1-Yt колебаний из модуля 11 получения данных, и уникальную форму W k ( m ) колебаний модели формы колебаний, сохраненной в модуле 13 хранения модели.

Кроме того, участок 71 оценки подает ошибку Е в участок 72 оценки, и обработка переходит с этапа S153 на этап S154.

На этапе S154, участок 72 оценки выполняет оценку рабочего состояния C t , k ( m ) каждого электрического бытового устройства №m домашнего хозяйства, сводя к минимуму ошибку Е Уравнения (30) из участка 71 оценки, с последующей передачей в модуль 14 изучения модели, модуль 15 получения метки и в модуль 16 вывода данных, и обработка переходит на этап S155.

На этапе S155, участок 81 изучения ограниченного разделения формы колебаний модуля 14 изучения модели выполняет изучение разделения формы колебаний, при заданных ограничениях, таких как ограничение нагрузки, используя измеренную форму Yt колебаний, поданную из модуля 11 получения данных, и рабочее состояние C t , k ( m ) электрического бытового устройства №m домашнего хозяйства, переданное из участка 72 оценки, получая, таким образом, значение W k ( m ) n e w обновления уникальной формы W k ( m ) колебаний.

Другими словами, участок 81 изучения ограниченного разделения формы колебаний решает Уравнение (32), как изучение разделения формы колебаний, например, при ограничении нагрузки, получая, таким образом, обновленное значение W k ( m ) n e w уникальной формы W k ( m ) колебаний.

Кроме того, участок 81 изучения ограниченного разделения формы колебаний обновляет уникальную форму W k ( m ) колебаний, сохраненную в модуле 13 хранения модели, до значения W k ( m ) n e w обновления уникальной формы W k ( m ) колебаний, и обработка переходит с этапа S155 на этап S156.

На этапе S156, модуль 14 изучения модели определяет, удовлетворяется или нет условие схождения параметра ϕ модели.

Здесь, как условие схождения параметра ϕ модели, может использоваться, например, условие, в котором оценка рабочего состояния C t , k ( m ) на этапе S154 и обновление уникальной формы W k ( m ) колебаний через изучение ограниченного разделения формы колебаний, на этапе S155, многократно выполняются заданное количество раз, установленное заранее, или условие, что величина вариаций ошибки Е Уравнения (30) перед обновлением параметра ϕ модели и после его обновления находится в пределах заранее установленного порогового значения.

На этапе S156, если определяют, что условие схождения параметра ϕ модели не удовлетворяется, обработка возвращается на этап S153, и после этого многократно выполняются процессы на этапах S153-S156.

Обработка на этапах S153-S156 многократно выполняется, таким образом, повторяются, поочередно, оценка рабочего состояния C t , k ( m ) на этапе S154 и обновление уникальной формы W k ( m ) колебаний через изучение ограниченного разделения формы колебаний на этапе S155, и, таким образом, повышается точность рабочего состояния C t , k ( m ) полученная на этапе S154 и (значение обновления) уникальной формы W k ( m ) колебаний, полученной на этапе S155.

Далее, если определяют, что условие схождения параметра ϕ модели удовлетворяется, на этапе S156, процесс изучения заканчивается.

Кроме того, модуль 12 оценки состояния может выполнять оценку рабочего состояние электрического бытового устройства в домашнем хозяйстве, используя любые другие способы вместо целочисленного программирования или FHMM.

Описание компьютера, в котором применяется настоящая технология

В то же время, описанная выше последовательность обработки может быть выполнена с использованием аппаратных или программных средств. Когда последовательность обработки выполняется с помощью программных средств, программу, составляющую программное средство, устанавливают в компьютере общего назначения и т.п.

Поэтому, на фиг. 30 представлен пример конфигурации варианта осуществления компьютера, в котором установлена программа для исполнения описанной выше последовательности обработки.

Программа может быть записана на жесткий диск 105 или в ROM 103, который представляет собой носитель записи, встроенный в компьютер.

В качестве альтернативы, программа может быть сохранена на съемном носителе 111 записи. Съемный носитель 111 записи может быть предусмотрен, как, так называемое, пакетное программное обеспечение. Здесь съемный носитель 111 записи включает в себя, например, гибкий диск, CD-ROM (постоянное запоминающее устройство на компакт диске), диск МО (магнитооптический диск), DVD (цифровой универсальный диск), магнитный диск, полупроводниковое запоминающее устройство и т.п.

Кроме того, программа может быть установлена в компьютер со съемного носителя 111 записи, как описано выше, и, кроме того, может быть загружена в компьютер через систему передачи данных или сеть широковещательной передачи данных и установлена на жесткий диск 105. То есть, программа может быть передана в компьютер, например, по беспроводному каналу, с сайта загрузки через искусственный спутник Земли для цифровой спутниковой широковещательной передачи или может быть передана в компьютер по проводам через сеть, такую как LAN (локальная вычислительная сеть) или Интернет.

В компьютер встроено CPU (центральное процессорное устройство) 102, и CPU 102 подключено к интерфейсу 110 ввода и вывода через шину 101.

Когда пользователь вводит команду через интерфейс 110 ввода и вывода, используя операцию с модулем 107 ввода и т.п., CPU 102, в ответ на это, исполняет программу, сохраненную в ROM (постоянное запоминающее устройство) 103. В качестве альтернативы, CPU 102 загружает программу, сохраненную на жестком диске 105, в RAM (оперативное запоминающее устройство) 104 для исполнения.

Таким образом, CPU 102 выполняет обработку, в соответствии с описанной выше блок-схемой последовательности операций, или обработку, выполняемую описанной выше конфигурацией блок-схемы. Кроме того, CPU 102 выводит или передает обработанный результат из выходного модуля 106 или модуля 108 передачи данных через, например, интерфейс 110 ввода и вывода, или записывают результат на жесткий диск 105, в соответствии с необходимостью.

Кроме того, модуль 107 ввода включает в себя клавиатуру, мышь, микрофон и т.п. Далее, модуль 106 вывода включает в себя LCD (жидкокристаллический дисплей), громкоговоритель и т.п.

Здесь, в настоящем описании, обработка, выполняемая компьютером, в соответствии с программой, не обязательно исполняется во временной последовательности, в соответствии с порядком, описанным, как блок-схема последовательности операций. Другими словами, обработка, выполняемая компьютером в соответствии с программой, также включает в себя обработку (например, параллельную обработку или обработку с использованием объектов), выполняемую параллельно или отдельно.

Кроме того, программа может быть обработана одним компьютером (процессором) или может быть обработана с распределением по множеству компьютеров. Кроме того, программа может быть передана в удаленный компьютер и может быть выполнена.

Кроме того, в настоящем описании, система обозначает узел из множества составляющих элементов (устройств, модулей (компонентов), и т.п.), и при этом не важно, находятся или нет все составляющие элементы в одном и том же корпуса. Поэтому, как множество устройств, которые размещены в отдельных корпусах и соединены друг с другом через сеть, так и одно устройство, где множество модулей размещены в одном корпусе, представляют собой систему.

Кроме того, варианты осуществления настоящей технологии не ограничены описанными выше вариантами осуществления, но могут иметь различные модификации, без выхода за пределы объема настоящей технологии.

Например, в настоящей технологии могут использоваться облачные вычисления, где одна функция распределяется по множеству устройств через сеть и обрабатывается во взаимодействии.

Кроме того, каждый этап, описанный в представленной выше блок-схеме последовательности операций, может быть выполнен не только, как одно устройство, но также может быть распределен по множеству устройств и может быть выполнен.

Кроме того, в случае, когда один этап включает в себя множество процессов, множество процессов, включенных в этот этап, может быть не только выполнено одним устройством, но также может быть распределено по множеству устройств и выполнено.

Кроме того, настоящая технология может иметь следующие конфигурации.

(А1) Способ мониторинга потребления тока электрическим устройством включает в себя этапы, на которых: получают данные, представляющие сумму электрических сигналов двух или более электрических устройств, при этом два или больше электрические устройства включают в себя первое электрическое устройство; обрабатывают данные, с использованием факториальной скрытой модели Маркова (FHMM) для формирования оценки электрического сигнала первого электрического устройства; и выводят оценку электрического сигнала первого электрического устройства, причем FHMM имеет фактор, соответствующий первому электрическому устройству, а указанный фактор имеет три или более состояний.

(А2) Способ по (А1), в котором: три или более состояний фактора соответствуют трем или более соответствующим электрическим сигналам первого электрического устройства в трех или более соответствующих рабочих состояниях первого электрического устройства.

(A3) Способ по любому из (А1), дополнительно содержащий этап, на котором: получают один или более параметров FHMM из модуля хранения модели.

(А4) Способ по любому из (А1), в котором данные содержат временную последовательность значений тока и/или временную последовательность значений напряжения.

(А5) Способ по любому из (А1), в котором электрический сигнал представляет собой сигнал тока или сигнал мощности.

(А6) Способ по любому из (А1), дополнительно содержащий этап, на котором вычисляют вариацию данных, представляющих сумму электрических сигналов; и используют вычисленные вариации, в качестве параметра FHMM.

(А7) Способ по любому из (А1), в котором: FHMM имеет второй фактор, соответствующий второму электрическому устройству из двух или более электрических устройств; а способ дополнительно содержит этапы, на которых: обрабатывают данные с FHMM для получения второй оценки второго электрического сигнала второго электрического устройства; вычисляют первую индивидуальную вариацию оценки электрического сигнала первого электрического устройства, и используют первую индивидуальную вариацию в качестве параметра фактора, соответствующего первому электрическому устройству; и вычисляют вторую индивидуальную вариацию второй оценки второго электрического сигнала второго электрического устройства, и используют вторую индивидуальную вариацию, в качестве параметра второго фактора, соответствующего второму электрическому устройству.

(А8) Способ по любому из (А1), дополнительно содержащий этап, на котором ограничивают FHMM так, что количество факторов FHMM, для которых выполняется переход состояния в один и тот же момент времени, менее порогового значения.

(А9) Способ по любому из (А1), дополнительно содержащий этап, на котором накладывают ограничения на оценку электрического сигнала первого электрического устройства.

(А10) Способ (А9), в котором: электрический сигнал представляет собой сигнал мощности; а этап накладывания ограничения содержит подэтап, на котором ограничивают оценку сигнала мощности первого электрического устройства так, что он не имеет отрицательного значения.

(А11) Способ (А9), в котором этап наложения ограничения содержит подэтап, на котором ограничивают электрический сигнал для соответствия одной или более комбинациям из множества заданных основных электрических сигналов.

(А12) Способ по любому из (А1), в котором этап обработки данных с использованием факториальной скрытой модели Маркова (FHMM), содержит подэтап, на котором используют облачные вычисления для обработки по меньшей мере участка данных.

(А13) Способ по любому из (А1), в котором этап вывода оценки электрического сигнала содержит подэтап, на котором отображают оценку электрического сигнала.

(А14) Способ по любому из (А1), в котором этап вывода оценки электрического сигнала содержит подэтап, на котором передают оценку электрического сигнала на удаленный компьютер.

(А15) Способ по (А1), в котором оценка электрического сигнала представляет собой оценку сигнала напряжения.

(А16) Способ по любому из (А1), в котором способ выполняется интеллектуальным измерителем.

(В1) Устройство мониторинга, содержащее: модуль получения данных для получения данных, представляющих сумму электрических сигналов двух или более электрических устройств, при этом два или более электрических устройств, включающих в себя первое электрическое устройство; модуль оценки состояния для обработки данных, используя факториальную скрытую модель Маркова (FHMM) для получения оценки рабочего состояния первого электрического устройства, FHMM, имеющая фактор, соответствующий первому электрическому устройству, при этом фактор имеет три или более состояний; и модуль вывода данных для вывода оценки электрического сигнала первого электрического устройства, причем оценка электрического сигнала основана по меньшей мере частично, на оценке рабочего состояния первого электрического устройства.

(B2) Устройство мониторинга по (В1), дополнительно содержащее: модуль хранения модели для сохранения фактора FHMM, в котором: три или больше состояния фактора соответствуют трем или более соответствующим электрическим сигналам первого электрического устройства в трех или больше соответствующих рабочих состояниях первого электрического устройства.

(B3) Устройство мониторинга по любому из (В1), дополнительно содержащее модуль сохранения модели для сохранения одного или более параметров FHMM.

(B4) Устройство мониторинга по любому из (В1), в котором данные содержат временную последовательность значений тока и/или временную последовательность значений напряжения.

(B5) Устройство мониторинга по любому из (В1), в котором оценка электрического сигнала представляет собой оценку сигнала тока или сигнала мощности.

(B6) Устройство мониторинга по любому из (В1), дополнительно содержащее модуль изучения модели для обновления параметра FHMM, при этом обновление параметра FHMM, включает в себя этапы, на которых вычисляют вариацию данных, представляющих сумму электрических сигналов; и используют вычисленные вариации в качестве параметра.

(B7) Устройство мониторинга по любому из (В1), дополнительно содержащее модуль изучения модели для обновления одного или более параметров FHMM, при этом: модуль оценки состояния выполнен с возможностью обработки данных с FHMM для получения второй оценки второго электрического сигнала второго из двух или более электрических устройств; при этом FHMM имеет второй фактор, соответствующий второму электрическому устройству; а обновление одного или более параметров FHMM включает в себя этапы, на которых: вычисляют первую индивидуальную вариацию оценки электрического сигнала первого электрического устройства, и используют первую индивидуальную вариацию в качестве параметра фактора, соответствующего первому электрическому устройству; и вычисляют вторую индивидуальную вариацию второй оценки второго электрического сигнала второго электрического устройства, и используют вторую индивидуальную вариацию, в качестве параметра второго фактора, соответствующего второму электрическому устройству.

(B8) Устройство мониторинга по любому из (В1), в котором обработка данных содержит этапы, на которых: ограничивают FHMM так, что количество факторов FHMM, для которых выполняется переход состояния в один и тот же момент времени менее порогового значения.

(В9) Устройство мониторинга по (В1), в котором обработка данных содержит этапы, на которых накладывают ограничения на оценку электрического сигнала первого электрического устройства.

(В10) Устройство мониторинга по (В9), в котором: электрический сигнал представляет собой сигнал мощности; а этап накладывания ограничения содержит подэтап, на котором осуществляют ограничение оценки сигнала мощности первого электрического устройства так, что он не имеет отрицательного значения.

(В11) Устройство мониторинга по (В9), в котором этап наложения ограничения содержит подэтап, на котором осуществляют ограничение электрического сигнала так, чтобы он соответствует одной или более комбинациям из множества заданных основных электрических сигналов.

(В12) Устройство мониторинга по любому из (В1), в котором этап обработки данных, с использованием факториальной скрытой модели Маркова (FHMM), содержит подэтап, на котором используют облачные вычисления для обработки по меньшей мере части данных.

(В13) Устройство мониторинга по любому из (В1), в котором этап вывода оценки электрического сигнала содержит подэтап, на котором отображают оценку электрического сигнала.

(В14) Устройство мониторинга по любому из (В1), дополнительно содержащее модуль связи, в котором этап вывода оценки электрического сигнала содержит подэтап, на котором передают оценку электрического сигнала в удаленный компьютер.

(В15) Устройство мониторинга (В1), в котором оценка электрического сигнала представляет собой оценку сигнала напряжения.

(В16) Устройство мониторинга по любому из (В1), в котором устройство мониторинга представляет собой интеллектуальный измеритель.

(С1) Устройство мониторинга, содержащее: модуль получения данных для получения данных, представляющих сумму электрических сигналов двух или более электрических устройств, два или более электрических устройства, включающие в себя первое электрическое устройство; модуль оценки состояния для обработки данных, с использованием факториальной скрытой модели Маркова (FHMM) для получения оценки рабочего состояния первого электрического устройства, при этом FHMM имеет фактор, соответствующий первому электрическому устройству, причем фактор имеет три или более состояния; модуль изучения модели для обновления одного или более параметров FHMM, в котором обновление одного или более параметров FHMM содержит выполнение изучения ограниченного разделения формы колебаний; и модуль вывода данных для вывода оценки электрического сигнала первого электрического устройства, при этом оценка электрического сигнала основана по меньшей мере частично, на оценке рабочего состояния первого электрического устройства.

(С2) Устройство мониторинга по (С1), в котором выполнение обучения ограниченного разделения содержит ограничения, характерные для первого электрического устройства по значению соответствующего параметра FHMM.

(С3) Устройство мониторинга по (С2), в котором ограничение содержит ограничение нагрузки.

(С4) Устройство мониторинга по любому из (С2), в котором ограничение содержит ограничение основной формы колебаний.

(D1) Устройство обработки данных, содержащее:

модуль получения данных, выполненный с возможностью получения данных, представляющих смешанный сигнал двух или более последовательных по времени сигналов;

модуль оценки состояния, выполненный с возможностью оценки параметра для моделирования сигнала последовательного по времени со стохастической динамической моделью; при этом

модуль оценки состояния выполнен с возможностью оценки параметра при определенном ограничении.

(D2) Устройство обработки данных по (D1),

в котором стохастическая динамическая модель представляет собой FHMM (факториальная скрытая модель Маркова).

(D3) Устройство обработки данных по (D1),

в котором модуль оценки состояния выполнен с возможностью оценки параметра при определенном ограничении, посредством управления данными, представляющими собой суммарные данные положительных факторов.

(D4) Устройство обработки данных по (D1),

в котором модуль оценки состояния выполнен с возможностью оценки параметра при определенном ограничении, управляющем по меньшей мере одним состоянием факторов для вывода нулевых сигналов.

(D5) Устройство обработки данных по (D2),

в котором модуль оценки состояния выполнен с возможностью оценки параметра при определенном ограничении, выполняющем управление для минимизации вероятности выбора ненулевого состояния факторов.

(D6) Устройство обработки данных по (D1),

в котором модуль оценки состояния выполнен с возможностью оценки параметра при определенном ограничении, посредством ограничения FHMM так, что количество факторов FHMM (факториальная скрытая модель Маркова), которые могут выполнять переход состояния в один и тот же момент времени, меньше порогового значения.

(D7). Устройство обработки данных по (D1),

в котором модуль оценки состояния выполнен с возможностью оценки параметра при определенном ограничении, посредством ограничения оцениваемого параметра одной или более комбинациями из множества заданных параметров.

(D8) Устройство обработки данных по (D1),

в котором модуль оценки состояния выполнен с возможностью оценки параметра при определенном ограничении, посредством ограничения оцениваемого параметра одной или более комбинациями из множества сигналов, последовательных по времени.

(D9) Устройство обработки данных по (D2), в котором модуль оценки состояния выполнен с возможностью оценки параметра при определенном ограничении посредством:

вычисления вариации данных, представляющих смешанный сигнал двух или более сигналов временной последовательности; и

использования вычисленной вариации, в качестве параметра FHMM (факториальной скрытой модели Маркова).

(Е1) Устройство обработки данных, включающее в себя модуль оценки состояния, выполненный с возможностью оценки состояния для получения вероятности состояния, представляющей собой состояние каждого фактора FHMM (факториальной скрытой модели Маркова), с использованием данных общей суммы, в отношении общей суммы тока, потребляемого множеством электрических бытовых устройств; и модуль изучения модели, выполненный с возможностью изучения FHMM, в которой каждый фактор имеет три или более состояний, с использованием вероятности состояния.

(Е2) Устройство обработки данных по (Е1), в котором FHMM включает в себя, в качестве параметров модели,

уникальную форму колебаний, уникальную для каждого состояния каждого фактора, используемого для получения среднего значения для значений наблюдения данных общей суммы, наблюдаемых в комбинациях состояний соответствующих факторов; вариацию значений наблюдения данных общей суммы, наблюдаемых в комбинациях состояний соответствующих факторов; вероятность исходного состояния, что состояние каждого фактора представляет собой исходное состояние; и вероятность перехода, что состояние каждого фактора выполняет переход, и в котором модуль изучения модели включает в себя участок изучения разделения формы колебаний, выполняющий изучение разделения формы колебаний для получения уникальной формы колебаний; участок изучения вариации, выполняющий изучение вариации, для получения вариации; и участок изучения вариации состояния, выполняющий изучение вариации состояния для получения вероятности исходного состояния и вероятности перехода.

(Е3) Устройство обработки данных по (Е2), … в котором участок изучения вариации получает индивидуальную вариацию для каждого фактора или индивидуальную вариацию для каждого состояния каждого фактора.

(Е4) Устройство обработки данных по (Е2) или (Е3), в котором модуль оценки состояния получает вероятность состояния при ограничении перехода состояния, где ограничено количество факторов, для которых состояние выполняет переход в один момент времени.

(Е5) Устройство обработки данных по (Е4), в котором модуль оценки состояния получает вероятность наблюдения, что данные общей суммы наблюдаются в комбинациях состояний соответствующих факторов, используя среднее значение и вариацию; прямую вероятность αt,z, что данные Y1, Y2, …, and Yt общей суммы наблюдаются, и которые находятся в комбинации z состояний соответствующих факторов в момент t времени, и обратную вероятность βt,z, которая представляет собой комбинацию z состояний соответствующих факторов в момент t времени, и после, что данные Yt, Yt+1, …, and YT общей суммы наблюдаются, в отношении последовательности Y1, Y2, …, and YT данных общей суммы, используя вероятность наблюдения и вероятность перехода; последующую вероятность γt,z, которая представляет собой комбинацию z состояний соответствующих факторов в момент t времени, используя прямую вероятность αt,z и обратную вероятность βt,z; и вероятность состояния, путем обособления последующей вероятности γt,z и в которой модуль оценки состояния, используя комбинацию состояний соответствующих факторов, как частицу, прогнозирует частицу один момент времени спустя, при ограничении перехода состояния, и получает прямую вероятность αt,z комбинации z состояний, как частицу, при повторении выборки заданного количества частиц на основе прямой вероятности αt,z; и прогнозирует частицу с опережением на один момент времени, при ограничении перехода состояния, и получает обратную вероятность βt,z комбинации z состояний, как частицу, при повторении выборки заданного количества частиц на основе обратной вероятности βt,z.

(Е6) Устройство обработки данных по любому из (Е2) - (Е5), в котором - участок изучения разделения формы колебаний получает уникальную форму колебаний при ограничении, характерном для электрического бытового устройства.

(Е7) Устройство обработки данных по (Е6), в котором участок изучения разделения формы колебаний получает уникальную форму колебаний при ограничениях нагрузки, когда потребление энергии электрическим бытовым устройством, полученное путем использования уникальной формы колебаний не имеет отрицательного значения.

(Е8) Устройство обработки данных по (Е6), в котором участок изучения разделения формы колебаний получает уникальную форму колебаний при ограничении основной формы колебаний, где уникальная форма колебаний представлена одной или больше комбинациями множества основных форм колебаний, подготовленных для электрических бытовых устройств.

(Е9) Способ обработки данных, включающий в себя этапы выполнения оценки состояния для получения вероятности состояния, представляющей собой состояние каждого фактора FHMM (факториальная скрытая модель Маркова), с использованием данных общей суммы в отношении общей суммы тока, потребляемого множеством электрических бытовых устройств; и выполнения изучения FHMM, каждый фактор которой имеет три или более состояний, с использованием вероятности состояний.

(Е10) Программа, вызывающая выполнение компьютером модуля оценки состояния для оценки состояния для получения вероятности состояния, представляющей собой состояние каждого фактора FHMM (факториальной скрытой модели Маркова), с использованием данных общей суммы, относящихся к общей сумме тока, потребляемого множеством электрических бытовых устройств; и модуля изучения модели для изучения FHMM, каждый фактор которой имеет три или более состояний, с использованием вероятности состояния.

Список номеров ссылочных позиций

11 МОДУЛЬ ПОЛУЧЕНИЯ ДАННЫХ

12 МОДУЛЬ ОЦЕНКИ СОСТОЯНИЯ

13 МОДУЛЬ ХРАНЕНИЯ МОДЕЛИ

14 МОДУЛЬ ИЗУЧЕНИЯ МОДЕЛИ

15 МОДУЛЬ ПОЛУЧЕНИЯ МЕТКИ

16 МОДУЛЬ ВЫВОДА ДАННЫХ

21 УЧАСТОК ОЦЕНКИ

22 УЧАСТОК ОЦЕНКИ

31 УЧАСТОК ИЗУЧЕНИЯ РАЗДЕЛЕНИЯ ФОРМЫ КОЛЕБАНИЙ

32 УЧАСТОК ИЗУЧЕНИЯ ВАРИАЦИИ

33 УЧАСТОК ИЗУЧЕНИЯ ВАРИАЦИИ СОСТОЯНИЯ

42 УЧАСТОК ОЦЕНКИ

51 УЧАСТОК ИЗУЧЕНИЯ ОГРАНИЧЕННОГО РАЗДЕЛЕНИЯ ФОРМЫ КОЛЕБАНИЙ

52 УЧАСТОК ИЗУЧЕНИЯ ИНДИВИДУАЛЬНОЙ ВАРИАЦИИ

71 УЧАСТОК ОЦЕНКИ

72 УЧАСТОК ОЦЕНКИ

81 УЧАСТОК ИЗУЧЕНИЯ ОГРАНИЧЕННОГО РАЗДЕЛЕНИЯ ФОРМЫ КОЛЕБАНИЙ

101 ШИНА

102 CPU

103 ROM

104 RAM

105 ЖЕСТКИЙ ДИСК

106 МОДУЛЬ ВЫВОДА

107 МОДУЛЬ ВВОДА

108 МОДУЛЬ СВЯЗИ

109 ПРИВОД

110 ИНТЕРФЕЙС ВВОДА И ВЫВОДА

111 СЪЕМНЫЙ НОСИТЕЛЬ ЗАПИСИ

1. Устройство обработки данных, содержащее:
модуль получения данных, выполненный с возможностью получения данных, представляющих смешанный сигнал двух или более последовательных по времени сигналов;
модуль оценки состояния, выполненный с возможностью оценки параметра для моделирования сигнала, последовательного по времени, с факториальной скрытой моделью Маркова (FHMM); при этом
модуль оценки состояния выполнен с возможностью оценки параметра при определенном ограничении посредством:
вычисления вариации данных, представляющих смешанный сигнал двух или более сигналов временной последовательности; и
использования вычисленной вариации, в качестве параметра FHMM.

2. Устройство обработки данных по п. 1, в котором модуль оценки состояния выполнен с возможностью оценки параметра при определенном ограничении, посредством управления данными, которые должны представлять собой суммарные данные положительных факторов.

3. Устройство обработки данных по п. 1, в котором модуль оценки состояния выполнен с возможностью оценки параметра при определенном ограничении, управляющем по меньшей мере одним состоянием факторов для вывода нулевых сигналов.

4. Устройство обработки данных по п. 1, в котором модуль оценки состояния выполнен с возможностью оценки параметра при определенном ограничении, осуществляющем управление для минимизации вероятности выбора ненулевых состояний факторов.

5. Устройство обработки данных по п. 1, в котором модуль оценки состояния выполнен с возможностью оценки параметра при определенном ограничении, посредством ограничения FHMM так, что количество факторов FHMM (факториальная скрытая модель Маркова), выполненных с возможностью осуществления перехода состояния в один и тот же период времени, меньше, чем пороговое значение.

6. Устройство обработки данных по п. 1, в котором модуль оценки состояния выполнен с возможностью оценки параметра при определенном ограничении, посредством ограничения оцениваемого параметра одной или более комбинациями из множества заданных параметров.

7. Устройство обработки данных по п. 1, в котором модуль оценки состояния выполнен с возможностью оценки параметра при определенном ограничении, посредством ограничения оцениваемого параметра одной или более комбинациями из множества сигналов, последовательных по времени.



 

Похожие патенты:

Изобретение относится к системам и способу вознаграждений на кассовых терминалах (POS). Технический результат заключается в расширении функциональных возможностей устройства POS-терминала.

Изобретение относится к области вычислительной техники. Техническим результатом является повышение достоверности данных об уровне заболеваемости населения.

Изобретение относится к способам сбора данных при помощи радиосвязи и последующего анализа полученной информации и может быть использовано для построения информационно-аналитических систем учета потребления энергоресурсов.

Изобретение относится к технологиям сетевой связи. Технический результат заключается в повышении скорости выбора приложений.

Изобретение относится к средствам авторизации платежей. Техническим результатом является повышение безопасности при проведении платежной транзакции.

Изобретение относится к способу и шлюзовому компьютеру для интеграции множества транзакционных услуг. Технический результат заключается в повышении эффективности проведения транзакций за счет преобразования данных в форматы данных для обмена данными с поставщиками и эквайерами.

Изобретение относится к области поиска желаемых товаров в местах хранения. Технический результат - эффективное обнаружение присутствия товара в месте хранения.
Настоящее изобретение относится к способу связывания биологической пробы с информацией о доноре этой биологической пробы. Техническим результатом является обеспечение анонимности донора за счет связывания информации о доноре с биологической пробой и/или информацией, относящейся к биологической пробе.

Изобретения относятся к средствам выполнения транзакции. Техническим результатом является повышение быстродействия при проведении электронных транзакций.

Изобретение относится к автоматизированным информационным системам, в частности к системам электронной коммерции. Технический результат заключается в повышении достоверности информации о выбранном товаре за счет обеспечения представления выбранного товара в виде двухмерного или трехмерного объекта с возможностью его пространственного вращения, удаления или приближения.

Изобретение относится к средствам анализа данных. Техническим результатом является увеличение точности прогнозирования событий в скважине.

Изобретение относится к информационной безопасности. Технический результат заключается в снижении нагрузки на вычислительные ресурсы при определении категории сетевого ресурса.

Группа изобретений относится к области полигонных испытаний и может быть использована для определения характеристик пролета снарядов относительно центра мишени.

Изобретение относится к области исследований, в ходе которых оценивается работоспособность армированных и подвергающихся воздействию нагрузки изделий при их проектировании, а также в процессе эксплуатации.

Изобретение относится к области медицины. Техническим результатом является повышение точности эпидемиологического районирования.

Изобретение относится к вычислительной технике и может быть использовано для управления равновесным случайным процессом (РСП). Техническим результатом является оптимизация режима управления.

Изобретение относится к области вычислительной техники и может быть использовано для оценки надежности и качества функционирования сложных автоматизированных и гибких производственных и телекоммуникационных систем произвольной структуры, в которых используется циклический характер производства, предоставления телекоммуникационных услуг и временное резервирование.

Изобретение относится к устройству для моделирования каталога разведки разнотипных подвижных объектов. Технический результат заключается в расширении функциональных возможностей путем обеспечения моделирования каталога разведки разнотипных подвижных объектов.

Изобретение относится к области информационно-измерительной и вычислительной техники, в частности к интеллектуальной микропроцессорной системе контроля и регистрации потерь электроэнергии в присоединениях распределительного устройства.

Изобретение относится к мониторингу объектов атомной энергетики. Технический результат - определение оценки риска объекта атомной энергетики.

Изобретение относится к области вычислительной техники, применяемой в нефтяной промышленности, а именно, к информационным системам автоматизации управления нефтедобывающего предприятия. Технический результат - создание системы статистической обработки, агрегирования и визуализации данных, полученных с систем телеметрии, с целью получения информации, пригодной для решения задач регулирования технологических процессов. Заявленная система содержит: блок выбора данных, базу данных хранения телеметрической информации, блок настройки списков пользователей, блок обработки запросов параметров, блок построения отчетов, блок нейросетевого анализа, блок расчета математического ожидания, блок расчета среднеквадратического отклонения, блок расчета асимметрии, блок расчета корреляции, блок отображения графиков, блок отображения векторов взаимовлияния, блок отображения матрицы Мериленда, блок отображения тепловой карты, базу данных справочной информации, блок обработки картографических параметров, блок подготовки необработанных данных, блок подготовки нормированных данных, блок подготовки данных в логарифмических координатах, блок подготовки данных для математических расчетов, блок редактирования параметров расчета, блок расчета параметров нефтедобычи. 1 ил.
Наверх