數據處理設備、數據處理方法及程序的制作方法
【專利摘要】用于對用于使用隨機動態(tài)模型對時間序列信號進行建模的參數進行估計的設備、方法以及程序。方法用于：獲得表示兩個或更多個時間序列信號的混合信號的數據；對用于使用隨機動態(tài)模型對時間序列信號進行建模的參數進行估計。本技術涉及數據處理設備、數據處理方法以及程序。
【專利說明】數據處理設備、數據處理方法及程序

【技術領域】
[0001]〈相關申請〉
[0002]本申請要求于2012年3月30日提交至日本專利局的日本在先專利申請JP2012-079579的優(yōu)先權權益以及于2012年3月30日提交至日本專利局的日本在先專利申請JP 2012-079580的優(yōu)先權權益，在此這些申請通過引用以其全部內容合并到本文中。
[0003]本技術涉及數據處理設備、數據處理方法及程序，具體地，涉及能夠容易且精確地獲得例如家庭中的多個電器中每個的功率消耗等的數據處理設備、數據處理方法及程序。

【背景技術】
[0004]作為向家庭中的用戶呈現該家庭等中的每個電器如家用電器(用于家庭的電器)的功率消耗或電流消耗并且實現功率消耗等的所謂的“可視化”的方法，存在例如在每個插座中安裝智能抽頭(smart tap)的方法。
[0005]智能抽頭具有對由安裝有智能抽頭的插座(家用電器連接至此)消耗的功率進行測量的測量功能以及與外部裝置通信的通信功能。
[0006]在智能抽頭中，使用通信功能將使用測量功能所測量的功率(消耗)發(fā)送至顯示器等，并且在顯示器中顯示來自智能抽頭的功率消耗，由此實現每個家用電器的功率消耗的“可視化”。
[0007]然而，就成本而言，在家庭中的所有插座中安裝智能抽頭并不容易。
[0008]另外，在一些情況下，固定在房子中的家用電器如所謂的內置空調可以不使用插座而直接連接至電力線，因而，對于這樣的家用電器難以使用智能抽頭。
[0009]因此，稱作NILM(非侵入式負載監(jiān)測)的技術引起了關注，在該技術中，在例如家庭等中，根據關于配電板(電力配電板)中所測量的電流的信息獲得家庭中的在此之前連接的每個家用電器的功率消耗等。
[0010]在NILM中，例如使用在一個位置中所測量的電流，獲得在此之前連接的每個家用電器(負載)的功率消耗而無需進行單獨測量。
[0011]例如，PTLl公開了以下NILM技術:根據在一個位置中所測量的電流和電壓計算有功功率和無功功率，并且通過對相應的變化量進行聚類來識別電器。
[0012]在PTLl中公開的技術中，由于使用當接通或關斷家用電器時有功功率和無功功率中的變化，所以對有功功率和無功功率的變化點進行檢測。為此，如果變化點的檢測失敗，則難以精確地識別家用電器。
[0013]此外，在現代家用電器中，難以將操作狀態(tài)表示為接通和關斷兩種狀態(tài)，因此，難以僅通過使用接通狀態(tài)和關斷狀態(tài)下的有功功率和無功功率中的變化來精確地識別家用電器。
[0014]因此，例如，PTL2和PTL3公開了以下NILM技術:使用LMC(大間距分類器)如SVM(支持向量機)作為家用電器的識別模型(判別模型，分類)。
[0015]然而，在使用識別模型的NILM中，與生成模型如HMM(隱式馬爾可夫模型)不同，為每個家用電器準備現有學習數據，并且需要提前完成使用學習數據的識別模型的學習。
[0016]為此，在使用識別模型的NILM中，難以應對未使用已知的學習數據進行識別模型的學習的家用電器。
[0017]因此，例如，NPLl和NPL2公開了以下NILM技術:使用作為生成模型的HMM代替需要提前使用已知的學習數據進行其學習的識別模型。引用列表
[0018]專利文獻
[0019]PTLl:美國專利N0.4858141的說明書
[0020]PTL2:日本未審查專利申請公報N0.2001-330630
[0021]PTL3:國際公布手冊 TO01/077696
[0022]非專利文獻
[0023]NPLl:Bons M.，Deville Y.，Schang D.1994.Non-1ntrusive electrical loadmonitoring using Hidden Markov Models.Third internat1nal Energy Efficiency andDSM Conference, October 31，Vancouver, Canada.，p.7。
[0024]NPL2:Hisahide NAKAMURA,Koichi ITOj Tatsuya SUZUKI，"Load MonitoringSystem of Electric Appliances Based on Hidden Markov Model"，IEEJ Transact1nsBj Vol.126，N0.12，pp.12231229，2006。


【發(fā)明內容】

[0025]技術問題
[0026]然而，在使用簡單的HMM的NILM中，如果家用電器的數量增加，則HMM的狀態(tài)的數量變得巨大，因此其實現困難。
[0027]具體地，例如，在每個家用電器的操作狀態(tài)為接通和關斷兩種狀態(tài)的情況下，表示M個家用電器的操作狀態(tài)(的組合)所需要的HMM的狀態(tài)的數量為2M，并且狀態(tài)的轉移概率的數量為(2M)2，即狀態(tài)的數量的平方。
[0028]因此，即使家庭中的家用電器的數量M例如為20，盡管近來不能說具有很多家用電器，但是HMM的狀態(tài)的數量為22° = I, 048，576，并且轉移概率的數量為更大的在兆兆級中的對應于其平方的I, 099，511，627，776。
[0029]目前，要求提出以下NILM技術:能夠容易且精確地獲得其操作狀態(tài)不僅為接通和關斷兩種狀態(tài)的家用電器，即，每個電器如家用電器(可變負載家用電器)例如其功率(電流)消耗根據模式、設置等變化的空調的功率消耗等。
[0030]考慮到這些情況做出本技術，并且本技術使得能夠容易且精確地獲得每個家用電器的功率消耗。
[0031]問題的解決方案
[0032]根據本公開的一個方面，提供了一種用于估計電氣裝置的電流消耗的方法，包括:獲得表示兩個或更多個電氣裝置的電信號的和的數據，所述兩個或更多個電氣裝置包括第一電氣裝置；使用因子隱式馬爾可夫模型(FHMM)處理數據以產生第一電氣裝置的電信號的估計；以及輸出第一電氣裝置的電信號的估計，其中，該FHMM具有對應于第一電氣裝置的因子，該因子具有三種或更多種狀態(tài)。
[0033]在一些實施例中，因子的三種或更多種狀態(tài)對應于在該第一電氣裝置的三種或更多種相應的操作狀態(tài)下的第一電氣裝置的三個或更多個相應的電信號。
[0034]在一些實施例中，該方法還包括:限制FHMM，使得在同一時間點經歷狀態(tài)轉移的FHMM的因子的數量小于閾值數量。
[0035]根據本公開的另一方面，提供了一種監(jiān)測設備，包括:數據獲取單元，其用于獲得表示兩個或更多個電氣裝置的電信號的和的數據，所述兩個或更多個電氣裝置包括第一電氣裝置；狀態(tài)估計單元，其用于使用因子隱式馬爾可夫模型(FHMM)處理數據以產生第一電氣裝置的操作狀態(tài)的估計，該FHMM具有對應于第一電氣裝置的因子，該因子具有三種或更多種狀態(tài)；以及數據輸出單元，其用于輸出第一電氣裝置的電信號的估計，電信號的估計至少部分地基于第一電氣裝置的操作狀態(tài)的估計。
[0036]根據本公開的另一方面，提供了一種監(jiān)測設備，包括:數據獲取單元，其用于獲得表示兩個或更多個電氣裝置的電信號的和的數據，所述兩個或更多個電氣裝置包括第一電氣裝置；狀態(tài)估計單元，其用于使用因子隱藏馬爾可夫模型(FHMM)處理數據以產生第一電氣裝置的操作狀態(tài)的估計，該FHMM具有對應于第一電氣裝置的因子，該因子具有三種或更多種狀態(tài)；模型學習單元，其用于更新FHMM的一個或更多個參數，其中，更新FHMM的一個或更多個參數包括執(zhí)行受限的波形分離學習；以及數據輸出單元，其用于輸出第一電氣裝置的電信號的估計，該電信號的估計至少部分地基于第一電氣裝置的操作狀態(tài)的估計。
[0037]發(fā)明的有利效果
[0038]根據本技術的方面，可以容易且精確地獲得每個電器的功率消耗。

【專利附圖】

【附圖說明】
[0039]圖1是示出了應用了本技術的數據處理設備的監(jiān)測系統(tǒng)的實施例的概要的圖。
[0040]圖2是示出了家用電器分離中執(zhí)行的波形分離學習的概要的圖。
[0041]圖3是示出了應用了本技術的監(jiān)測系統(tǒng)的第一實施例的配置示例的框圖。
[0042]圖4是示出了 FHMM的圖。
[0043]圖5是示出了使用FHMM的家用電器分離的公式化的概要的圖。
[0044]圖6是示出了由監(jiān)測系統(tǒng)執(zhí)行的根據EM算法的FHMM的學習的處理(學習處理)的流程圖。
[0045]圖7是示出了由監(jiān)測系統(tǒng)在步驟S13中執(zhí)行的E步驟的處理的流程圖。
[0046]圖8是示出了 FHMM的前向概率ALPHAt，z與后向概率BETAt，z之間的關系以及HMM的前向概率ALPHAm和后向概率BETA,，」之間的關系的圖。
[0047]圖9是示出了由監(jiān)測系統(tǒng)在步驟S14中執(zhí)行的M步驟的處理的流程圖。
[0048]圖10是示出了由監(jiān)測系統(tǒng)執(zhí)行的在家用電器#m上呈現信息的信息呈現處理的流程圖。
[0049]圖11是示出了在信息呈現處理中執(zhí)行的功率消耗Uw的顯示示例的圖。
[0050]圖12是示出了應用了本技術的監(jiān)測系統(tǒng)的第二實施例的配置示例的框圖。
[0051]圖13是示出了由監(jiān)測系統(tǒng)在步驟S13中執(zhí)行的E步驟的處理的流程圖。
[0052]圖14是示出了由監(jiān)測系統(tǒng)在步驟S14中執(zhí)行的M步驟的處理的流程圖。
[0053]圖15是示出了應用了本技術的監(jiān)測系統(tǒng)的第三實施例的配置示例的框圖。
[0054]圖16是示出了通過對FHMM的狀態(tài)的組合z應用粒子濾波器來獲得前向概率ALPHAt；p的方法的圖。
[0055]圖17是示出了通過對FHMM的狀態(tài)的組合z應用粒子濾波器來獲得后向概率BETAt；p的方法的圖。
[0056]圖18是示出了通過對FHMM的狀態(tài)的組合z應用粒子濾波器來獲得后驗概率GAMMAt；p的方法的圖。
[0057]圖19是示出了由監(jiān)測系統(tǒng)在步驟S13中執(zhí)行的E步驟的處理的流程圖。
[0058]圖20是示出了由監(jiān)測系統(tǒng)在步驟S13中執(zhí)行的E步驟的處理的流程圖。
[0059]圖21是示出了應用了本技術的監(jiān)測系統(tǒng)的第四實施例的配置示例的框圖。
[0060]圖22是示出了由施加負載限制的監(jiān)測系統(tǒng)執(zhí)行的步驟S14的M步驟的處理的流程圖。
[0061]圖23是示出了負載限制的圖。
[0062]圖24是示出了基本波形限制的圖。
[0063]圖25是示出了由施加基本波形限制的監(jiān)測系統(tǒng)執(zhí)行的步驟S14的M步驟的處理的流程圖。
[0064]圖26是示出了應用了本技術的監(jiān)測系統(tǒng)的第五實施例的配置示例的框圖。
[0065]圖27是示出了由執(zhí)行FHMM的學習的監(jiān)測系統(tǒng)進行的講話人分離的概要的圖。
[0066]圖28是示出了應用了本技術的監(jiān)測系統(tǒng)的第六實施例的配置示例的框圖。
[0067]圖29是示出了由監(jiān)測系統(tǒng)執(zhí)行的模型學習的處理(學習處理)的流程圖。
[0068]圖30是示出了應用了本技術的計算機的實施例的配置示例的框圖。

【具體實施方式】
[0069]<本技術的概要>
[0070]圖1是示出了應用了本技術的數據處理設備的監(jiān)測系統(tǒng)的實施例的概要的圖。在一些實施例中，可以將監(jiān)測系統(tǒng)稱為智能電表。
[0071]在每個家庭中，由電力公司提供的電力被引導至配電板(電力配電板)，并且被提供給電器如家庭中的家用電器(連接至插座)。
[0072]應用了本技術的監(jiān)測系統(tǒng)對由家庭中的一個位置如配電板即給家庭供電的源中的一個或更多個電器消耗的電流的總和進行測量，并且根據一系列電流(電流波形)的總和執(zhí)行家用電器分離，在家用電器分離中獲得由各個家用電器諸如例如家庭中的空調或吸塵器消耗的功率(電流)。
[0073]另外，作為被輸入至監(jiān)測系統(tǒng)的輸入數據，除了由每個家用電器消耗的電流本身的總和以外，還可以利用與由每個家用電器消耗的電流的總和有關的總和數據。
[0074]作為總和數據，可以利用能夠被相加的值的總和。具體地，作為總和數據，除了由每個家用電器消耗的電流本身的總和以外，還可以利用例如由每個家用電器消耗的功率的總和或通過對于由每個家用電器消耗的電流的波形執(zhí)行FFT (快速傅里葉變換)所獲得的頻率分量的總和。
[0075]另外，在家用電器分離中，除了由每個家用電器消耗的功率以外，可以將關于由每個家用電器消耗的電流的信息與總和數據分離。具體地，在家用電器分離中，可以將由每個家用電器消耗的電流或其頻率分量與總和數據分離。
[0076]在下面的描述中，利用例如由每個家用電器消耗的電流的總和作為總和數據，并且例如，將由每個家用電器消耗的電流的波形與作為總和數據的電流的總和的波形分離。
[0077]圖2是示出了執(zhí)行家用電器分離的波形分離學習的概要的圖。
[0078]在波形分離學習中，將作為時間點t處的總和數據的電流波形Yt設置為由每個家用電器#m消耗的電流的電流波形Ww的相加數據(總和)，并且從電流波形Yt獲得由每個家用電器#m消耗的電流波形Ww。
[0079]在圖2中，在家庭中具有5個家用電器#1至#5，并且5個家用電器#1至#5中的家用電器#1、#2、#4和#5處于接通狀態(tài)(消耗功率的狀態(tài))，而家用電器#3處于關斷狀態(tài)(不消耗功率的狀態(tài))。
[0080]為此，在圖2中，作為總和數據的電流波形Yt變成相應的家用電器#1、#2、#4和#5的電流消耗w(1)、ff(2)、ff(4)和W⑸的相加值(總和)。
[0081]<應用了本技術的監(jiān)測系統(tǒng)的第一實施例>
[0082]圖3是示出了應用了本技術的監(jiān)測系統(tǒng)的第一實施例的配置示例的框圖。
[0083]在圖3中，監(jiān)測系統(tǒng)包括數據獲取單元11、狀態(tài)估計單元12、模型存儲單元13、模型學習單元14、標簽獲取單元15和數據輸出單元16。
[0084]數據獲取單元11獲取作為總和數據的電流波形Y的時間序列(電流時間序列)，以及與電流波形Y對應的電壓波形的時間序列(電壓時間序列)V，以將其提供至狀態(tài)估計單元12、模型學習單元14和數據輸出單元16。
[0085]換言之，數據獲取單元11由測量例如電流和電壓的測量裝置(傳感器)構成。
[0086]數據獲取單元11測量電流波形Y作為由家庭例如配電板等中的安裝有監(jiān)測系統(tǒng)的每個家用電器消耗的電流的總和，并且測量相應的電壓波形V，以將其提供至狀態(tài)估計單元12、模型學習單元14和數據輸出單元16。
[0087]狀態(tài)估計單元12執(zhí)行用于通過使用來自數據獲取單元11的電流波形Y以及存儲在模型存儲單元13中并且作為家庭中安裝有監(jiān)測系統(tǒng)的全部家用電器的模型的整體模型(其模型參數)Φ來對每個家用電器的操作狀態(tài)進行估計的狀態(tài)估計。另外，狀態(tài)估計單元12將作為狀態(tài)估計的估計結果的每個家用電器的操作狀態(tài)Γ提供至模型學習單元14、標簽獲取單元15和數據輸出單元16。
[0088]換言之，在圖3中，狀態(tài)估計單元12具有評價部分21和估計部分22。
[0089]評價部分21獲得在形成存儲在模型存儲單元13中的整體模型Φ的多個家用電器模型#1至#M的狀態(tài)的每個組合下觀察到由數據獲取單元11提供(至狀態(tài)估計單元12)的電流波形Y的評價值E，以將其提供至估計部分22。
[0090]估計部分22通過使用由評價部分21提供的評價值E對形成存儲在模型存儲單元13中的整體模型Φ的多個家用電器模型#1至#M*每個的狀態(tài)，S卩，由家用電器模型#m(由家用電器模型#m建模的家用電器)表示的家用電器的操作狀態(tài)Γ進行估計，以將其提供至模型學習單元14、標簽獲取單元15和數據輸出單元16。
[0091]模型存儲單元13存儲作為多個整體模型的整體模型(模型參數)Φ。
[0092]整體模型Φ包括作為多個家用電器的M個模型(表不電流消耗)的家用電器模型#1至#M。
[0093]整體模型的參數Φ包括表示由家用電器模型#m表示的家用電器的每種操作狀態(tài)的電流消耗的電流波形參數。
[0094]整體模型的參數Φ可以包括例如表不由家用電器模型#m表不的家用電器的操作狀態(tài)的轉移(變化)的狀態(tài)變化參數、表示由家用電器模型#m表示的家用電器的操作狀態(tài)的初始狀態(tài)的初始狀態(tài)參數、以及與在整體模型下觀察到的(生成的)電流波形Y的觀察值的方差有關的方差參數。
[0095]存儲在模型存儲單元13中的整體模型的模型參數Φ由狀態(tài)估計單元12的評價部分21和估計部分22、標簽獲取單元15和數據輸出單元16引用，并且由模型學習單元14的波形分離學習部分31、方差學習部分32和狀態(tài)變化學習部分33更新，這將在下文中描述。
[0096]模型學習單元14執(zhí)行用于使用由數據獲取單元11提供的電流波形Y和由狀態(tài)估計單元12 (的估計部分22)提供的狀態(tài)估計的估計結果(每個家用電器的操作狀態(tài))Γ來更新存儲在模型存儲單元13中的整體模型的模型參數Φ的模型學習。
[0097]換言之，在圖3中，模型學習單元14包括波形分離學習部分31、方差學習部分32和狀態(tài)變化學習部分33。
[0098]波形分離學習部分31執(zhí)行用于通過使用由數據獲取單元11提供(至模型學習單元14)的電流波形Y和由狀態(tài)估計單元12 (的估計部分22)提供的每個家用電器的操作狀態(tài)Γ來獲得(更新)作為模型參數Φ的電流波形參數的波形分離學習，并且將存儲在模型存儲單元13中的電流波形參數更新成通過波形分離學習所獲得的電流波形參數。
[0099]方差學習部分32執(zhí)行用于通過使用由數據獲取單元11提供(至模型學習單元14)的電流波形Y和由狀態(tài)估計單元12 (的估計部分22)提供的每個家用電器的操作狀態(tài)Γ來獲得(更新)作為模型參數Φ的方差參數的方差學習，并且將存儲在模型存儲單元13中的方差參數更新成通過方差學習所獲得的方差參數。
[0100]狀態(tài)變化學習部分33執(zhí)行用于通過使用由狀態(tài)估計單元12 (的估計部分22)提供的每個家用電器的操作狀態(tài)Γ來獲得(更新)作為模型參數Φ的初始狀態(tài)參數和狀態(tài)變化參數的狀態(tài)變化學習，并且將存儲在模型存儲單元13中的初始狀態(tài)參數和狀態(tài)變化參數更新成通過方差學習所獲得的初始狀態(tài)參數和狀態(tài)變化參數。
[0101]標簽獲取單元15獲取用于通過使用由狀態(tài)估計單元12 (的估計部分22)提供的每個家用電器的操作狀態(tài)Γ、存儲在模型存儲單元13中的整體模型Φ和由數據輸出單元16獲得的每個家用電器模型#m的家用電器的功率消耗Uw來識別由每個家用電器模型#m表示的家用電器的家用電器標簽Lw，以根據需要將其提供至數據輸出單元16。
[0102]數據輸出單元16通過使用由數據獲取單元11提供的電壓波形V、由狀態(tài)估計單元12 (的估計部分22)提供的每個家用電器的操作狀態(tài)Γ φ和存儲在模型存儲單元13中的整體模型來獲得由每個家用電器模型#m表示的家用電器的功率消耗Uw，以將其顯示在顯示器(未示出)上和呈現給用戶。
[0103]另外，在數據輸出單元16中，由每個家用電器模型#m表示的家用電器的功率消耗Uw可以連同由標簽獲取單元15提供的家用電器標簽Lw —起呈現給用戶。
[0104]在以上述方式配置的監(jiān)測系統(tǒng)中，可以利用例如FHMM(因子隱式馬爾可夫模型)作為存儲在模型存儲單元13中的整體模型。
[0105]圖4是示出了 FHMM的圖。
[0106]換言之，圖4的A示出了普通HMM的圖形模型，而圖4的B示出了 FHMM的圖形模型。
[0107]在普通HMM中，在時間點t處，在時間點t處的單個狀態(tài)St下觀察到單個觀察值
YtO
[0108]另一方面，在FHMM下，在時間點t處，在時間點t處的多個狀態(tài)S(1)t、S(2)t、…、S(M)t的組合下觀察到單個觀察值Yt。
[0109]該FHMM為由Zoubin Ghahramani等人提出的概率生成模型，并且其細節(jié)公開在例如 Zoubin Ghahramani et al., and details thereof are disclosed in, forexample, Zoubin Ghahramani, and Michael 1.Jordan, Factorial Hidden MarkovModels’，Machine Learning Volume 29，Issue2_3, Nov./Dec.1997 (在下文中，也稱為文檔A)中。
[0110]圖5是示出了使用FHMM的家用電器分離的公式化的概要的圖。
[0111]在此，FHMM包括多個HMM。包括在FHMM中的每個HMM也稱為因子，并且第m個因子由因子#m表不。
[0112]在FHMM中，時間點t處的多個狀態(tài)S(1)t至Swt的組合為因子#m的狀態(tài)的組合(因子#1的狀態(tài)、因子#2的狀態(tài)、…、因子#M的狀態(tài)的集合)。
[0113]圖5示出了在因子的數量M為3的情況下的FHMM。
[0114]在家用電器分離中，例如，單個因子對應于單個家用電器(單個因子與單個家用電器相關)。在圖5中，因子#m對應于家用電器#m。
[0115]在FHMM中，形成因子的狀態(tài)的數量對于每個因子而言是任意的，而在圖5中，3個因子#1、#2和#3中每個的狀態(tài)的數量為4。
[0116]在圖5中，在時間點t = tO處，因子#1處于四種狀態(tài)#11、#12、#13和#14中的狀態(tài)#14(由粗線圈表示)下，而因子#2處于四種狀態(tài)#21、#22、#23和#24中的狀態(tài)#21(由粗線圈表示)下。另外，在時間點t = tO處，因子#3處于四種狀態(tài)#31、#32、#33和#34中的狀態(tài)#33 (由粗線圈表示)下。
[0117]在家用電器分離中，因子#m的狀態(tài)對應于與因子#m對應的家用電器#m的操作狀態(tài)。
[0118]例如，在對應于家用電器#1的因子#1中，狀態(tài)#11對應于家用電器#1的關斷狀態(tài)，而狀態(tài)#14對應于家用電器#1的所謂的普通模式下的接通狀態(tài)。另外，在對應于家用電器#1的因子#1中，狀態(tài)#12對應于家用電器#1的所謂的睡眠模式下的接通狀態(tài)，而狀態(tài)#13對應于家用電器#1的所謂的省電模式下的接通狀態(tài)。
[0119]在FHMM下，在因子#m的狀態(tài)#mi下，觀察到(生成)作為因子的每種狀態(tài)的獨特波形的獨特波形W(m)#mi。
[0120]在圖5中，在因子#1下，在時間點t = tO處的狀態(tài)#14下觀察到獨特波形W(1)#14，而在因子#2下，在時間點t = tO處的狀態(tài)#21下觀察到獨特波形W(2)#21。此外，在因子#3下，在時間點t = tO處的狀態(tài)#33下觀察到獨特波形W(3)#33。
[0121]在FHMM中，生成通過對在各個因子的狀態(tài)下所觀察到的獨特波形進行合成所得到的合成波形作為在FHMM中所觀察到的觀察值。
[0122]在此，可以利用例如獨特波形的總和(相加)作為獨特波形的合成。另外，可以利用例如獨特波形的加權相加或獨特波形的邏輯和(獨特波形的值為O或I的情況下)作為獨特波形的合成，并且在家用電器分離中，利用獨特波形的總和。
[0123]在FHMM的學習中，獲得(更新)FHMM的模型參數，使得觀察到作為FHMM中的各個時間點t =…、to、tl、…處的總和數據的電流波形Yt(l、Yt(l+1、…。
[0124]在利用上述FHMM作為存儲在模型存儲單元13 (圖3)中的整體模型Φ的情況下，形成整體模型Φ的家用電器模型#m對應于因子#m。
[0125]另外，可以利用比期望家庭中存在的家用電器的最大數量大作為余量的預定量的值作為FHMM的因子的數量M。
[0126]另外，作為整體模型Φ的FHMM可以利用其中每個因子具有三種或更多種狀態(tài)的FHMM0
[0127]這是因為:在因子具有僅兩種狀態(tài)的情況下，將例如僅關斷狀態(tài)和接通狀態(tài)兩種狀態(tài)表示為對應于因子的家用電器的操作狀態(tài)，并且難以獲得關于家用電器(在下文中，也稱為可變負載家用電器)如其功率(電流)消耗根據模式或設置而變化的空調的精確的功率消耗。
[0128]也就是說，如果作為整體模型Φ的FHMM利用其中每個因子具有三種或更多種狀態(tài)的FHMM，則可以參照可變負載家用電器來獲得功率消耗等。
[0129]在利用FHMM作為總體模式Φ的情況下，使用假定馬爾可夫性質的數學式(I)來計算在FHMM下所觀察到的電流波形Yt的序列與因子#m的狀態(tài)Swt的組合St的聯合分布P({St, Yt})。
[0130][數學式I]
[0131]P(ISt, YtD =P(S1)P(YtIS1)ITP(StISt^l)P(YtISt)
[0132]…(I)
[0133]在此，聯合距離P ({St，YJ)表示在時間點t處的因子#m的狀態(tài)Swt的組合(M個因子的狀態(tài)的組合)St下觀察到電流波形Yt的概率。
[0134]P(S1)表示處于因子#m在初始時間點t = I處的狀態(tài)Sw1的組合S1下的初始狀態(tài)概率。
[0135]P(SjSw)表示因子在時間點t-Ι處于狀態(tài)的組合Sw下并且在時間點t處轉移成狀態(tài)的組合St的轉移概率。
[0136]P(YjSt)表示在時間點t處的狀態(tài)的組合St下觀察到電流波形Yt的觀察概率。
[0137]時間點t處的狀態(tài)的組合St為M個因子#1至#M的時間點t處的狀態(tài)S(1)t、S(2)t、…、和S(M)t的組合，并且由數學式St= {S(1)t，S(2)t，…，S(M)J表示。
[0138]另外，將家用電器#m的操作狀態(tài)假定成獨立于另一家用電器#m’而變化，并且因子#m的狀態(tài)Swt獨立于另一因子#m’的狀態(tài)S(m’)t而轉移。
[0139]此外，作為FHMM的因子#m的HMM的狀態(tài)的數量Kw可以利用獨立于作為另一因子#m’的HMM的狀態(tài)的數量K(m’)的數量。然而，在此為了描述簡便，因子#1至#1的數量K(1)至K?為由數學式Κω =K⑵=…=K? =K表示的相同數量K。
[0140]在FHMM中，可以如下計算在數學式⑴中計算聯合距離P ({St，YJ)所需要的初始狀態(tài)概率P (S1)、轉移概率P (St I St_i)和觀察概率P (Yt I St)。
[0141]也就是說，可以根據數學式(2)來計算初始狀態(tài)概率P (S)。
[0142][數學式2]

【權利要求】
1.一種數據處理設備，包括: 數據獲取單元，被配置成:獲得代表兩個或更多個時間序列信號的混合信號的數據； 狀態(tài)估計單元，被配置成:對用于使用隨機動態(tài)模型對時間序列信號進行建模的參數進行估計； 其中，所述狀態(tài)估計單元被配置成:在具體限制下對所述參數進行估計。
2.根據權利要求1所述的數據處理設備，其中，所述隨機動態(tài)模型為FHMM(因子隱式馬爾可夫模型)。
3.根據權利要求1所述的數據處理設備，其中，所述狀態(tài)估計單元被配置成:通過控制所述數據成為正因子的相加數據來在具體限制下對所述參數進行估計。
4.根據權利要求1所述的數據處理設備，其中，所述狀態(tài)估計單元被配置成:在控制因子的至少一種狀態(tài)以輸出零信號的所述具體約束下對所述參數進行估計。
5.根據權利要求1所述的數據處理設備，其中，所述狀態(tài)估計單元被配置成:在控制以將選擇因子的非零狀態(tài)的概率最小化的所述具體約束下對所述參數進行估計。
6.根據權利要求2所述的數據處理設備，其中，所述狀態(tài)估計單元被配置成:通過限制所述FHMM使得所述FHMM(因子隱式馬爾可夫模型)的能夠在同一時間點經歷狀態(tài)轉移的因子的數量小于閾值數量來在具體限制下對所述參數進行估計。
7.根據權利要求1所述的數據處理設備，其中，所述狀態(tài)估計單元被配置成:通過將所估計的參數限制成多個預定參數的一種或更多種組合來在具體限制下對所述參數進行估計。
8.根據權利要求1所述的數據處理設備，其中，所述狀態(tài)估計單元被配置成:通過將所估計的參數限制成多個時間序列信號的一種或更多種組合來在具體限制下對所述參數進行估計。
9.根據權利要求2所述的數據處理設備，其中，所述狀態(tài)估計單元被配置成:通過計算代表兩個或更多個時間序列信號的混合信號的所述數據的方差以及使用所計算的方差作為所述FHMM(因子隱式馬爾可夫模型)的參數來在具體限制下對所述參數進行估計。
【文檔編號】G01R21/133GK104205090SQ201380016155
【公開日】2014年12月10日 申請日期:2013年3月29日 優(yōu)先權日:2012年3月30日
【發(fā)明者】伊藤真人, 佐部浩太郎 申請人:索尼公司