[3P3-GS-2] 機械学習：（遠隔）応用

[3P3-GS-2-05] 家庭向け電力の非侵入型負荷モニタリングにおける電力分離モデルの別季節・場所への転用可能性の検討

〇露木 雅文¹、小牧 大輔¹ (1. 株式会社 日立製作所)

[[オンライン]]

キーワード：電力データ、非侵入型負荷モニタリング、転用可能性、階乗隠れマルコフモデル、畳み込みニューラルネットワーク

家庭向け電力の非侵入型負荷モニタリングでは主幹電力のみ測定し、そこに含まれる各家電の電力を分離モデルで推定することで必要な電力センサ数を削減する。分離モデルの転用可能性が高く、必要な訓練データ数が少ないほどセンサ数削減効果は大きくなるが、先行研究は日本とは気候や家電の種類・用途が異なる欧米のデータによる検討にとどまっていた。そこで本研究では日本の一般家庭で家電の電力を10ヶ月に渡って新たに測定し、分離モデルの学習時とは別の季節や場所への転用可能性を評価した。別季節への転用については、季節変化の大きい家電でも畳み込みニューラルネットワークによるSeq2Pointならば常に新しい訓練データを追加した再学習で誤差を最小化できることがわかった。一方、階乗隠れマルコフモデルはモデルパラメータ数が少ないため転用先と電力波形が類似した月のみ学習したモデルが高精度であった。また、学習時とは別の測定場所(家庭)へ分離モデルを転用すると、家電の組み合わせや使い方が異なることで、分離誤差は増大した。特に複数の運転モードがある家電は、家庭によって使い方が異なる傾向が強く、分離モデルの転用が難しいといえる。