電力データと機械学習センサ１つでおうちの様子を簡単に見える化

Slide 1

Slide 1 text

Slide 2

Slide 2 text

Copyright 2017, Informetis Co., Ltd All Rights Reserved Machine Learning 15 Minutes! ⾃自⼰己紹介 • 蓮尾⾼高志(Takashi Hasuo) • インフォメティス株式会社 • 東京、英国ケンブリッジ • リサーチエンジニア • １才児の育児真っ盛り… 2013 2011 2010 2009 1999 SONY⼈人⼯工知能搭載ペット型ロボット AIBO 発売エネルギー分野の研究開発が活発化⼈人⼯工知能技術から機器分離離技術が派⽣生 USでの⼤大規模実証参加 SONYから機器分離離技術を譲り受けてカーブアウト創業 2/22

Slide 3

Slide 3 text

Slide 4

Slide 4 text

Slide 5

Slide 5 text

Copyright 2017, Informetis Co., Ltd All Rights Reserved Machine Learning 15 Minutes! 電⼒力力需要（発電）予測 • 電⼒力力消費の履履歴や気象データより、将来の需要（発電）を予測する技術 • スマートメータの普及に伴い、近年年国内でも活発に取り組まれている ※今回深くは取り上げない？ kWh time now 過去の電⼒力力消費気象データ etc 予測モデル将来の電⼒力力需要関連ニュースも多い 5/22

Slide 6

Slide 6 text

Copyright 2017, Informetis Co., Ltd All Rights Reserved Machine Learning 15 Minutes! 機器（家電）分離離 / NIALM • ⼀一箇所で計測されている電⼒力力データから、その先で電⼒力力消費している各家電の稼働パターンを分離離する技術リアルタイムな電⼒力力データ推定モデル各家電ごとの稼働状況 ※今回のメイントピックエアコンエアコンエアコン電⼦子レンジ電⼦子レンジ洗濯機 24時 kWh 0時１つだけ！個別のセンサは不不要

Slide 7

Slide 7 text

Slide 8

Slide 8 text

Slide 9

Slide 9 text

Slide 10

Slide 10 text

Slide 11

Slide 11 text

Slide 12

Slide 12 text

Copyright 2017, Informetis Co., Ltd All Rights Reserved Machine Learning 15 Minutes! 実システムとビジネスモデル写真：⼀一般家庭の分電盤（化粧板を外した状態） L1、L2配線それぞれに CTクランプを取り付け１秒毎のデータセンサからはWiFi経由でデータアップロード数百軒規模のデプロイ実績各種事業者様との業務提携クラウド分離離DB サービス事業者様スマートメーター製造メーカー対象家庭アプリ・API

Slide 13

Slide 13 text

Copyright 2017, Informetis Co., Ltd All Rights Reserved Machine Learning 15 Minutes! NIALM界隈におけるポジション低解像度度（分単位）⾼高解像度度（MHz単位）専⽤用センサローカル処理理スマートメータクラウド処理理（参考）http://wiki.nilm.eu/index.php?title=Companies_̲offering_̲NILM_̲products_̲and_̲services 韓国某社ベルギー某社⽶米国某社フランス某社⽶米国某社英国某社その他多くその他多数ウクライナ某社⾼高精度度の分離離を可能としながらスマートメータとの相性も良良い ←トレードオフ→

Slide 14

Slide 14 text

Copyright 2017, Informetis Co., Ltd All Rights Reserved Machine Learning 15 Minutes! 弊社のNIALM技術が⽬目指すところ全ての家庭でAIの恩恵を受けられる未来の実現 Living Data Symphony スマートメーター普及とスマートハウス需要の⾼高まりスマートメーターのデータを⽤用いた機器分離離技術機械学習技術スマートメーターインフラの⼀一部としての役割への⼤大きな期待

Slide 15

Slide 15 text

Copyright 2017, Informetis Co., Ltd All Rights Reserved Machine Learning 15 Minutes! • 家電毎の特徴 • Event Based • 家電のON/OFF • State Based • 家電稼働中の遷移や変動パターン • 学習アプローチ • Supervised • 分電盤の主センサとは別に、家電個別測定センサを設置してデータ収集 • Unsupervised • ユーザ⾃自⾝身が家電名などをラベル付け • 学習モデルの例例 • Random Forest • Factorial HMM • Deep Learning • etc… NIALMにおける機械学習技術について利利⽤用データ ✕ 家電毎の特徴 ✕ ユースケースを考慮して適材適所に機械学習技術が適⽤用されることが多い（学術研究が活発にならない要因でもある） ≒ チャレンジングな領領域 15/22

Slide 16

Slide 16 text

Copyright 2017, Informetis Co., Ltd All Rights Reserved Machine Learning 15 Minutes! NIALM技術開発の特徴と課題タスク・仮説の設定開発⽤用データの整備評価尺度度の定義特徴抽出の検討モデルの構築モデルの評価結果の解釈システム統合・評価新発売の家電が登場（未知データ・共変量量シフト）アプリ次第では誤検出が致命的（評価尺度度の整合性）ロングテールに分布する家庭データ（データ不不⾜足・偏在）【技術開発のワークフロー】省省エネ家電の台頭（特徴量量やセンサ⾃自体の陳腐化）常に改善の繰り返し …

Slide 17

Slide 17 text

Copyright 2017, Informetis Co., Ltd All Rights Reserved Machine Learning 15 Minutes! 弊社のアプローチ • 偏りが⼤大きかったり、⼩小規模なデータであっても、頑健に学習することが可能な機械学習理理論論をベースに研究開発 • ⼀一般家庭における電⼒力力データの特性を強く意識識 • 機械学習技術分野で著名な２名をアドバイザとして招聘 UK側：ベイジアンアプローチ東京側：不不完全情報学習（ラベル無しデータの活⽤用や⾮非定常環境下での学習理理論論）相互連携

Slide 18

Slide 18 text

Copyright 2017, Informetis Co., Ltd All Rights Reserved Machine Learning 15 Minutes! 不不完全情報学習の例例共変量量シフト適応 x y 学習対象の関数訓練データ評価データ共変量量シフト適応学習通常の学習新しい家電の増加⽣生活スタイルの変化 PU学習 x1 x2 P P P U U U U U U U U U U U U U U UnlabeledをNegativeとして学習 Positive-‐‑‒Unlabeled学習ラベル付けのコストが⾼高いそもそもラベル付け困難

Slide 19

Slide 19 text

Copyright 2017, Informetis Co., Ltd All Rights Reserved Machine Learning 15 Minutes! 各家電毎に固有なパラメータに関する事前知識識の統合ベイジアンアプローチ観測データ ON OFF ON ON OFF OFF ON ON OFF 電⼒力力時系列列 Factorial Hidden Markov Models エアコンの波形と変動はこんな感じ…

Slide 20

Slide 20 text

Copyright 2017, Informetis Co., Ltd All Rights Reserved Machine Learning 15 Minutes! まとめ • 電⼒力力データを活⽤用した機器分離離技術（NIALM）とその実応⽤用例例について紹介した • 機械学習技術の果たす役割は⼤大きい⼀一⽅方、課題も多く、各国が凌凌ぎを削って研究開発している分野であることを説明した • 弊社の位置づけと技術戦略略について紹介した 20/22