ホーム > 特許ランキング > 関西エアポート株式会社
▶ 関西エアポート株式会社の特許一覧 ▶ 国立大学法人 東京大学の特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2023055136
(43)【公開日】2023-04-17
(54)【発明の名称】異常検知システム、異常検知方法、及びプログラム
(51)【国際特許分類】
G05B 23/02 20060101AFI20230410BHJP
【ＦＩ】
G05B23/02 302R
G05B23/02 R
G05B23/02 T
【審査請求】有
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2021164286
(22)【出願日】2021-10-05
(71)【出願人】
【識別番号】516046776
【氏名又は名称】関西エアポート株式会社
(71)【出願人】
【識別番号】504137912
【氏名又は名称】国立大学法人 東京大学
(74)【代理人】
【識別番号】110002527
【氏名又は名称】弁理士法人北斗特許事務所
(72)【発明者】
【氏名】佐川 大志
(72)【発明者】
【氏名】田中 謙司
(72)【発明者】
【氏名】平田 勝巳
(72)【発明者】
【氏名】伊藤 利加
【テーマコード（参考）】
3C223
【Ｆターム（参考）】
3C223AA21
3C223AA23
3C223BA03
3C223CC02
3C223DD03
3C223EB03
3C223FF02
3C223FF04
3C223FF05
3C223FF12
3C223FF22
3C223FF24
3C223FF26
3C223FF35
3C223FF42
3C223FF52
3C223GG01
3C223HH03
3C223HH08
3C223HH29
(57)【要約】
【課題】設備機器の消費エネルギーの異常な変動を検出すること。
【解決手段】第１推定部２１は、第１期間の第１情報と第２情報とを用いて機械学習を行うことで生成された第１学習モデルに、推定対象時点の第２情報を入力して消費エネルギーの第１確率分布を推定する。第１情報は設備機器Ｅ１の消費エネルギーの測定値であり、第２情報は消費エネルギーの変動要因となる情報である。第２推定部２２は、第２期間の第１情報と第２情報とを用いて機械学習を行うことで生成された第２学習モデルに、推定対象時点の第２情報を入力して消費エネルギーの第２確率分布を推定する。第１算出部３１は、推定対象時点の消費エネルギーの測定値が第１確率分布の期待値から離れている度合いを示す第１異常スコアを求める。第２算出部３２は、推定対象時点の消費エネルギーの測定値が第２確率分布の期待値から離れている度合いを示す第２異常スコアを求める。
【選択図】図１
【解決手段】第１推定部２１は、第１期間の第１情報と第２情報とを用いて機械学習を行うことで生成された第１学習モデルに、推定対象時点の第２情報を入力して消費エネルギーの第１確率分布を推定する。第１情報は設備機器Ｅ１の消費エネルギーの測定値であり、第２情報は消費エネルギーの変動要因となる情報である。第２推定部２２は、第２期間の第１情報と第２情報とを用いて機械学習を行うことで生成された第２学習モデルに、推定対象時点の第２情報を入力して消費エネルギーの第２確率分布を推定する。第１算出部３１は、推定対象時点の消費エネルギーの測定値が第１確率分布の期待値から離れている度合いを示す第１異常スコアを求める。第２算出部３２は、推定対象時点の消費エネルギーの測定値が第２確率分布の期待値から離れている度合いを示す第２異常スコアを求める。
【選択図】図１
【特許請求の範囲】
【請求項1】
施設に設けられた設備機器の消費エネルギーの測定値である第１情報を取得する第１取得部と、
前記設備機器の消費エネルギーの変動要因となる第２情報を取得する第２取得部と、
第１期間の前記第１情報と前記第２情報とを用いて機械学習を行うことで生成された第１学習モデルに、推定対象時点における前記第２情報を入力して前記推定対象時点における前記設備機器の消費エネルギーの第１確率分布を推定する第１推定部と、
前記第１期間とは異なる第２期間の前記第１情報と前記第２情報とを用いて機械学習を行うことで生成された第２学習モデルに、前記推定対象時点における前記第２情報を入力して前記推定対象時点における前記設備機器の消費エネルギーの第２確率分布を推定する第２推定部と、
前記第１確率分布と、前記推定対象時点における前記第１情報とに基づいて、前記推定対象時点における前記設備機器の消費エネルギーの測定値が前記第１確率分布の期待値から離れている度合いを示す第１異常スコアを求める第１算出部と、
前記第２確率分布と、前記推定対象時点における前記第１情報とに基づいて、前記推定対象時点における前記設備機器の消費エネルギーの測定値が前記第２確率分布の期待値から離れている度合いを示す第２異常スコアを求める第２算出部と、
前記第１異常スコア及び前記第２異常スコアを出力する出力部と、を備える、
異常検知システム。
前記設備機器の消費エネルギーの変動要因となる第２情報を取得する第２取得部と、
第１期間の前記第１情報と前記第２情報とを用いて機械学習を行うことで生成された第１学習モデルに、推定対象時点における前記第２情報を入力して前記推定対象時点における前記設備機器の消費エネルギーの第１確率分布を推定する第１推定部と、
前記第１期間とは異なる第２期間の前記第１情報と前記第２情報とを用いて機械学習を行うことで生成された第２学習モデルに、前記推定対象時点における前記第２情報を入力して前記推定対象時点における前記設備機器の消費エネルギーの第２確率分布を推定する第２推定部と、
前記第１確率分布と、前記推定対象時点における前記第１情報とに基づいて、前記推定対象時点における前記設備機器の消費エネルギーの測定値が前記第１確率分布の期待値から離れている度合いを示す第１異常スコアを求める第１算出部と、
前記第２確率分布と、前記推定対象時点における前記第１情報とに基づいて、前記推定対象時点における前記設備機器の消費エネルギーの測定値が前記第２確率分布の期待値から離れている度合いを示す第２異常スコアを求める第２算出部と、
前記第１異常スコア及び前記第２異常スコアを出力する出力部と、を備える、
異常検知システム。
【請求項2】
前記第１期間が前記第２期間よりも長い、
請求項１に記載の異常検知システム。
請求項１に記載の異常検知システム。
【請求項3】
前記第１期間と前記第２期間の長さが同じで、
前記第１期間と前記第２期間の時期が互いに異なる、
請求項１に記載の異常検知システム。
前記第１期間と前記第２期間の時期が互いに異なる、
請求項１に記載の異常検知システム。
【請求項4】
前記第２情報が、前記施設における気象に関連する気象関連情報と、時刻に関する時間情報と、暦に関連するカレンダー情報と、前記施設の稼働状況に関連する施設関連情報とのうち少なくとも１つを含む、
請求項１～３のいずれか１項に記載の異常検知システム。
請求項１～３のいずれか１項に記載の異常検知システム。
【請求項5】
前記第１算出部は、前記第１確率分布の期待値及び分散と、前記推定対象時点における前記第１情報とに基づいて、前記第１異常スコアを求め、
前記第２算出部は、前記第２確率分布の期待値及び分散と、前記推定対象時点における前記第１情報とに基づいて、前記第２異常スコアを求める、
請求項１～４のいずれか１項に記載の異常検知システム。
前記第２算出部は、前記第２確率分布の期待値及び分散と、前記推定対象時点における前記第１情報とに基づいて、前記第２異常スコアを求める、
請求項１～４のいずれか１項に記載の異常検知システム。
【請求項6】
前記設備機器は、複数の設備機器の一つであり、
前記第１推定部は、前記複数の設備機器の各々について、前記第１確率分布を推定し、
前記第２推定部は、前記複数の設備機器の各々について、前記第２確率分布を推定し、
前記第１算出部は、前記複数の設備機器の各々について、前記第１異常スコアを求め、
前記第２算出部は、前記複数の設備機器の各々について、前記第２異常スコアを求め、
前記出力部は、表示部の画面に、前記第１異常スコア又は前記第２異常スコアの値の大きい順番に所定個数の前記設備機器の名称を並べて表示する、
請求項１～５のいずれか１項に記載の異常検知システム。
前記第１推定部は、前記複数の設備機器の各々について、前記第１確率分布を推定し、
前記第２推定部は、前記複数の設備機器の各々について、前記第２確率分布を推定し、
前記第１算出部は、前記複数の設備機器の各々について、前記第１異常スコアを求め、
前記第２算出部は、前記複数の設備機器の各々について、前記第２異常スコアを求め、
前記出力部は、表示部の画面に、前記第１異常スコア又は前記第２異常スコアの値の大きい順番に所定個数の前記設備機器の名称を並べて表示する、
請求項１～５のいずれか１項に記載の異常検知システム。
【請求項7】
前記複数の設備機器の各々に対応して複数の管理部門が設定されており、
前記複数の管理部門の各々は、前記複数の設備機器のうち対応する設備機器の管理業務を行い、
前記出力部は、前記表示部の画面に、前記所定個数の設備機器の名称と、前記所定個数の設備機器の各々を管理する管理部門の情報とを対応付けて表示する、
請求項６に記載の異常検知システム。
前記複数の管理部門の各々は、前記複数の設備機器のうち対応する設備機器の管理業務を行い、
前記出力部は、前記表示部の画面に、前記所定個数の設備機器の名称と、前記所定個数の設備機器の各々を管理する管理部門の情報とを対応付けて表示する、
請求項６に記載の異常検知システム。
【請求項8】
前記複数の設備機器の中から表示対象の設備機器を示す選択情報を受け付ける受付部を更に備え、
前記出力部は、前記選択情報に基づいて、前記表示対象の設備機器の前記第１情報と、前記表示対象の設備機器について求めた前記第１異常スコア及び前記第２異常スコアとを時系列で表示するグラフを、前記表示部の画面に表示する、
請求項６又は７に記載の異常検知システム。
前記出力部は、前記選択情報に基づいて、前記表示対象の設備機器の前記第１情報と、前記表示対象の設備機器について求めた前記第１異常スコア及び前記第２異常スコアとを時系列で表示するグラフを、前記表示部の画面に表示する、
請求項６又は７に記載の異常検知システム。
【請求項9】
前記第１期間の前記第１情報と前記第２情報とを用いて機械学習を行って前記第１学習モデルを生成する第１学習部と、
前記第２期間の前記第１情報と前記第２情報とを用いて機械学習を行って前記第２学習モデルを生成する第２学習部と、を更に備える、
請求項１～８のいずれか１項に記載の異常検知システム。
前記第２期間の前記第１情報と前記第２情報とを用いて機械学習を行って前記第２学習モデルを生成する第２学習部と、を更に備える、
請求項１～８のいずれか１項に記載の異常検知システム。
【請求項10】
施設に設けられた設備機器の消費エネルギーの測定値である第１情報を取得する第１取得ステップと、
前記設備機器の消費エネルギーの変動要因となる第２情報を取得する第２取得ステップと、
第１期間の前記第１情報と前記第２情報とを用いて機械学習を行うことで生成された第１学習モデルに、推定対象時点における前記第２情報を入力して前記推定対象時点における前記設備機器の消費エネルギーの第１確率分布を推定する第１推定ステップと、
前記第１期間とは異なる第２期間の前記第１情報と前記第２情報とを用いて機械学習を行うことで生成された第２学習モデルに、前記推定対象時点における前記第２情報を入力して前記推定対象時点における前記設備機器の消費エネルギーの第２確率分布を推定する第２推定ステップと、
前記第１確率分布と、前記推定対象時点における前記第１情報とに基づいて、前記推定対象時点における前記設備機器の消費エネルギーの測定値が前記第１確率分布の期待値から離れている度合いを示す第１異常スコアを求める第１算出ステップと、
前記第２確率分布と、前記推定対象時点における前記第１情報とに基づいて、前記推定対象時点における前記設備機器の消費エネルギーの測定値が前記第２確率分布の期待値から離れている度合いを示す第２異常スコアを求める第２算出ステップと、
前記第１異常スコア及び前記第２異常スコアを出力する出力ステップと、を含む、
異常検知方法。
前記設備機器の消費エネルギーの変動要因となる第２情報を取得する第２取得ステップと、
第１期間の前記第１情報と前記第２情報とを用いて機械学習を行うことで生成された第１学習モデルに、推定対象時点における前記第２情報を入力して前記推定対象時点における前記設備機器の消費エネルギーの第１確率分布を推定する第１推定ステップと、
前記第１期間とは異なる第２期間の前記第１情報と前記第２情報とを用いて機械学習を行うことで生成された第２学習モデルに、前記推定対象時点における前記第２情報を入力して前記推定対象時点における前記設備機器の消費エネルギーの第２確率分布を推定する第２推定ステップと、
前記第１確率分布と、前記推定対象時点における前記第１情報とに基づいて、前記推定対象時点における前記設備機器の消費エネルギーの測定値が前記第１確率分布の期待値から離れている度合いを示す第１異常スコアを求める第１算出ステップと、
前記第２確率分布と、前記推定対象時点における前記第１情報とに基づいて、前記推定対象時点における前記設備機器の消費エネルギーの測定値が前記第２確率分布の期待値から離れている度合いを示す第２異常スコアを求める第２算出ステップと、
前記第１異常スコア及び前記第２異常スコアを出力する出力ステップと、を含む、
異常検知方法。
【請求項11】
コンピュータシステムに、請求項１０に記載の異常検知方法を実行させるための、
プログラム。
プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、異常検知システム、異常検知方法、及びプログラムに関する。より詳細には、本開示は、施設における設備機器の消費エネルギーを検知する異常検知システム、異常検知方法、及びプログラムに関する。
【背景技術】
【0002】
特許文献１は、建物の一部区域又は全区域を対象に、エネルギー管理を行うエネルギー管理システムを開示する。エネルギー管理システムは、基準時の空調スケジュールと、省エネルギー制御内容である空調スケジュールとから、省エネ率を算出する。エネルギー管理システムは、省エネルギー制御実施時の空調エネルギー消費量と、省エネ率とから基準時に想定される空調エネルギー消費量を算出する。また、エネルギー管理システムは、制御期間において空調機での空調消費エネルギー量が上限値以内に収まるように、以後の空調スケジュールを作成する。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１４－６０１１号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
特許文献１のエネルギー管理システムが管理する空調機（設備機器）の空調消費エネルギー量（消費エネルギー）は、周期性や季節性などの時間的要因、又は、気温などの気象的要因によって変動する。また、空調消費エネルギー量は、ユーザが空調機を使うときの使い方によっても変動する。例えば、空調機の温度設定を適正温度に比べて過剰に低くする過剰冷房、又は、空調機の温度設定を適正温度に比べて過剰に高くする過剰暖房が行われると、空調消費エネルギー量は増加する。
【0005】
特許文献１のエネルギー管理システムでは、空調消費エネルギー量の変動は検出可能であるが、空調消費エネルギー量の変動が時間的要因又は気象要因により発生する妥当なレベルであるか、妥当なレベルを超えた異常な変動であるかを検出することはできなかった。
【0006】
本開示の目的は、設備機器の消費エネルギーの異常な変動を検出可能な異常検知システム、異常検知方法、及びプログラムを提供することにある。
【課題を解決するための手段】
【0007】
本開示の一態様の異常検知システムは、第１取得部と、第２取得部と、第１推定部と、第２推定部と、第１算出部と、第２算出部と、出力部と、を備える。前記第１取得部は、施設に設けられた設備機器の消費エネルギーの測定値である第１情報を取得する。前記第２取得部は、前記設備機器の消費エネルギーの変動要因となる第２情報を取得する。前記第１推定部は、第１学習モデルに推定対象時点における前記第２情報を入力して前記推定対象時点における前記設備機器の消費エネルギーの第１確率分布を推定する。前記第１学習モデルは、第１期間の前記第１情報と前記第２情報とを用いて機械学習を行うことで生成された学習モデルである。前記第２推定部は、第２学習モデルに前記推定対象時点における前記第２情報を入力して前記推定対象時点における前記設備機器の消費エネルギーの第２確率分布を推定する。前記第２学習モデルは、前記第１期間とは異なる第２期間の前記第１情報と前記第２情報とを用いて機械学習を行うことで生成された学習モデルである。前記第１算出部は、前記第１確率分布と、前記推定対象時点における前記第１情報とに基づいて、前記推定対象時点における前記設備機器の消費エネルギーの測定値が前記第１確率分布の期待値から離れている度合いを示す第１異常スコアを求める。前記第２算出部は、前記第２確率分布と、前記推定対象時点における前記第１情報とに基づいて、前記推定対象時点における前記設備機器の消費エネルギーの測定値が前記第２確率分布の期待値から離れている度合いを示す第２異常スコアを求める。前記出力部は、前記第１異常スコア及び前記第２異常スコアを出力する。
【0008】
本開示の一態様の異常検知方法は、第１取得ステップと、第２取得ステップと、第１推定ステップと、第２推定ステップと、第１算出ステップと、第２算出ステップと、出力ステップと、を含む。前記第１取得ステップでは、施設に設けられた設備機器の消費エネルギーの測定値である第１情報を取得する。前記第２取得ステップでは、前記設備機器の消費エネルギーの変動要因となる第２情報を取得する。前記第１推定ステップでは、第１学習モデルに推定対象時点における前記第２情報を入力して前記推定対象時点における前記設備機器の消費エネルギーの第１確率分布を推定する。前記第１学習モデルは、第１期間の前記第１情報と前記第２情報とを用いて機械学習を行うことで生成された学習モデルである。前記第２推定ステップでは、第２学習モデルに前記推定対象時点における前記第２情報を入力して前記推定対象時点における前記設備機器の消費エネルギーの第２確率分布を推定する。前記第２学習モデルは、前記第１期間とは異なる第２期間の前記第１情報と前記第２情報とを用いて機械学習を行うことで生成された学習モデルである。第１算出ステップでは、前記第１確率分布と、前記推定対象時点における前記第１情報とに基づいて、前記推定対象時点における前記設備機器の消費エネルギーの測定値が前記第１確率分布の期待値から離れている度合いを示す第１異常スコアを求める。前記第２算出ステップでは、前記第２確率分布と、前記推定対象時点における前記第１情報とに基づいて、前記推定対象時点における前記設備機器の消費エネルギーの測定値が前記第２確率分布の期待値から離れている度合いを示す第２異常スコアを求める。前記出力ステップでは、前記第１異常スコア及び前記第２異常スコアを出力する。
【0009】
本開示の一態様のプログラムは、コンピュータシステムに、前記異常検知方法を実行させるためのプログラムである。
【発明の効果】
【0010】
本開示によれば、設備機器の消費エネルギーの異常な変動を検出することができる。
【図面の簡単な説明】
【0011】
【発明を実施するための形態】
【0012】
（実施形態）
（１）概要
以下の実施形態において説明する各図は、模式的な図であり、各図中の各構成要素の大きさ及び厚さそれぞれの比が、必ずしも実際の寸法比を反映しているとは限らない。
（１）概要
以下の実施形態において説明する各図は、模式的な図であり、各図中の各構成要素の大きさ及び厚さそれぞれの比が、必ずしも実際の寸法比を反映しているとは限らない。
【0013】
本開示の異常検知システム１は、図１に示すように、第１取得部１１と、第２取得部１２と、第１推定部２１と、第２推定部２２と、第１算出部３１と、第２算出部３２と、出力部４０と、を備える。
【0014】
第１取得部１１は、施設（Facility）Ｆ１に設けられた設備機器Ｅ１の消費エネルギーの測定値である第１情報を取得する。
【0015】
第２取得部１２は、設備機器Ｅ１の消費エネルギーの変動要因となる第２情報を取得する。
【0016】
第１推定部２１は、第１学習モデルに推定対象時点における第２情報を入力して、推定対象時点における設備機器Ｅ１の消費エネルギーの第１確率分布を推定する。第１学習モデルは、第１期間の第１情報と第２情報とを用いて機械学習を行うことで生成されたモデルである。第１学習モデルは、第２情報が入力されると、第１情報（つまり設備機器Ｅ１の消費エネルギー）の推定値又は推定値の第１確率分布を出力するようなモデルであり、第１期間における第１情報と第２情報とを用いて機械学習を行うことによって生成される。
【0017】
第２推定部２２は、第２学習モデルに推定対象時点における第２情報を入力して、推定対象時点における設備機器Ｅ１の消費エネルギーの第２確率分布を推定する。第２学習モデルは、第１期間とは異なる第２期間の第１情報と第２情報とを用いて機械学習を行うことで生成された学習モデルである。第２学習モデルは、第２情報が入力されると、第１情報（つまり設備機器Ｅ１の消費エネルギー）の推定値又は推定値の第２確率分布を出力するようなモデルであり、第２期間における第１情報と第２情報とを用いて機械学習を行うことによって生成される。
【0018】
第１算出部３１は、第１確率分布と、推定対象時点における第１情報とに基づいて、推定対象時点における設備機器Ｅ１の消費エネルギーの測定値が第１確率分布の期待値から離れている度合いを示す第１異常スコアを求める。
【0019】
第２算出部３２は、第２確率分布と、推定対象時点における第１情報とに基づいて、推定対象時点における設備機器Ｅ１の消費エネルギーの測定値が第２確率分布の期待値から離れている度合いを示す第２異常スコアを求める。
【0020】
出力部４０は、第１異常スコア及び第２異常スコアを出力する。
【0021】
ここにおいて、施設Ｆ１は、エネルギーを消費する設備機器Ｅ１が設けられた建物である。施設Ｆ１は、例えば、空港、鉄道、フェリー港のような交通機関のターミナル施設、ショッピングモール、百貨店、スーパーマーケット等の商業施設、オフィスビル、工場、病院等の建物を含み得る。なお、以下の実施形態では、異常検知システム１を、空港のターミナル施設のような施設Ｆ１に適用した場合を例に説明する。
【0022】
施設Ｆ１に設けられる設備機器Ｅ１は、電気エネルギー又は熱エネルギー等のエネルギーを消費して所定の機能を実行する機器である。施設Ｆ１には複数の設備機器Ｅ１が設けられている。複数の設備機器Ｅ１は、例えば、施設Ｆ１の環境を制御する機器を含み得る。この種の設備機器Ｅ１としては、例えば、空調機器、照明機器、給湯機器等がある。設備機器Ｅ１が電気機器の場合、設備機器Ｅ１の消費エネルギー量は、設備機器Ｅ１が消費した電力量で評価される。設備機器Ｅ１が、温水又は冷水を利用して空気の温度を調整する空調機器である場合、設備機器Ｅ１の消費エネルギー量は、温水又は冷水を作るために使用される電力又はガスの使用量、或いは、電力又はガス等を使用して作られた温水又は冷水の使用量で評価される。なお、施設Ｆ１が空港のターミナル施設のような大規模な施設である場合、施設Ｆ１には数十～数百の設備機器Ｅ１が設置される。施設Ｆ１に設置される複数の設備機器Ｅ１は、複数種類の機器を含んでいてもよいし、同一種類の機器でもよい。
【0023】
第１情報は、設備機器Ｅ１の消費エネルギーの測定値であり、例えば、電力又はガスの使用量、或いは、空調機器用の温水又は冷水の使用量のうち少なくとも１つの消費量の測定値を含むことが好ましい。施設Ｆ１に複数の設備機器Ｅ１が設置されている場合、第１情報は、個々の設備機器Ｅ１の消費エネルギーの測定値でもよいし、施設Ｆ１全体の消費エネルギーの測定値でもよい。また、施設Ｆ１に設置された複数の設備機器Ｅ１が、複数のグループに分けられている場合、第１情報は、グループごとに測定された消費エネルギーの測定値でもよい。なお、複数の設備機器Ｅ１は、例えば、設備機器Ｅ１が設置されている場所（例えば設備機器Ｅ１が設置されている建物又は建物の階など）でグループ分けされてもよいし、用途（例えば施設Ｆ１の１階部分の空調系統、２階部分の空調系統など）でグループ分けされてもよい。
【0024】
なお、第１情報は、電力、ガス、空調機器用の温水又は冷水の使用量に限定されず、それ以外の消費エネルギーの測定値でもよい。第１取得部１１が第１情報を「取得」するとは、例えば、第１情報の時系列データを記憶するデータベースから第１情報を取得する態様のほか、第１情報を測定するセンサ等から第１情報を直接取得する態様を含み得る。
【0025】
第２情報は、設備機器Ｅ１の消費エネルギーの変動要因となる事象に関連する情報を含む。設備機器Ｅ１の消費エネルギーは、周期性や季節性などの時間的要因、及び、天候などの要因によって変動（増加又は減少）する可能性がある。したがって、第２情報は、例えば、施設Ｆ１における気象に関連する気象関連情報と、時刻に関する時間情報と、曜日及び祝日等の暦に関連するカレンダー情報と、施設Ｆ１の稼働状況に関連する施設関連情報とのうち少なくとも１つを含むことが好ましい。このような第２情報と第１情報とを用いて機械学習を行って第１学習モデル及び第２学習モデルを生成しているので、気象関連情報、時間情報、カレンダー情報、及び施設関連情報のうちの少なくとも１つに関連する消費エネルギーの変動を考慮して、推定対象時点における消費エネルギーを推定することができる。
【0026】
気象関連情報は、例えば、施設Ｆ１が存在する場所の気温、湿度、降水量、日射量、風向、風速などの気象データのうち少なくとも一つを含む。
【0027】
時間情報は、設備機器Ｅ１の消費エネルギーを測定した時刻、第２情報を測定した時刻などの情報を含む。
【0028】
施設関連情報は、施設Ｆ１の稼働状況に関連する情報である。施設Ｆ１が空港のターミナル施設である場合、施設関連情報は、空港を離発着する飛行機のフライトスケジュールに関するフライト情報、及び、飛行機に搭乗する搭乗客数に関する情報のうち少なくとも１つを含むことが好ましい。施設Ｆ１がショッピングモールなどの商業施設である場合、施設関連情報は、商業施設の営業時間、来客数の情報のうちの少なくとも１つを含むことが好ましい。
【0029】
なお、第２情報が、気象関連情報、時間情報、カレンダー情報、及び施設関連情報の全てを含むことは必須ではない。第２情報は、気象関連情報、時間情報、カレンダー情報、及び施設関連情報の少なくとも１つを含んでいればよく、以下の実施形態では第２情報が、気象関連情報としての気温の情報と、時間情報と、カレンダー情報とを含む場合を例に説明する。なお、第２取得部１２が第２情報を「取得」するとは、例えば、第２情報の時系列データを記憶するデータベースから第２情報を取得する態様のほか、第２情報を測定するセンサ等から第２情報を直接取得する態様を含み得る。
【0030】
本実施形態では、推定対象時点における設備機器Ｅ１の消費エネルギーの異常スコアを求めるために、第１期間の第１情報と第２情報とを用いて機械学習を行うことで生成した第１学習モデルと、第２期間の第１情報と第２情報とを用いて機械学習を行うことで生成した第２学習モデルとを用いている。第１推定部２１は、推定対象時点における第２情報を第１学習モデルに入力して推定対象時点における消費エネルギーの第１確率分布を推定する。第２推定部２２は、推定対象時点における第２情報を第２学習モデルに入力して推定対象時点における消費エネルギーの第２確率分布を推定する。そして、第１算出部３１は、測定対象時点における消費エネルギーの測定値が第１確率分布の期待値から離れている度合いを示す第１異常スコアを求め、第２算出部３２は、測定対象時点における消費エネルギーの測定値が第２確率分布の期待値から離れている度合いを示す第２異常スコアを求めている。
【0031】
ここにおいて、第１学習モデルは、第１期間において第２情報に起因して変動する消費エネルギーをもとに生成された学習モデルである。第１推定部２１は、推定対象時点における第２情報を第１学習モデルに入力することで、第１期間での消費エネルギーの変動傾向を考慮して推定対象時点における消費エネルギーを推定している。そして、第１算出部３１は、推定対象時点における消費エネルギーの推定値（第１確率分布の期待値）と測定値との乖離度合いを示す第１異常スコアを求めている。推定対象時点における消費エネルギーの測定値が、第１期間において第２情報に起因して変動する消費エネルギーの傾向と一致していれば、第１異常スコアは小さくなるが、一致していなければ大きな値となる。
【0032】
また、第２学習モデルは、第２期間において第２情報に起因して変動する消費エネルギーをもとに生成された学習モデルである。第２推定部２２は、推定対象時点における第２情報を第２学習モデルに入力することで、第２期間での消費エネルギーの変動傾向を考慮して推定対象時点における消費エネルギーを推定している。そして、第２算出部３２は、推定対象時点における消費エネルギーの推定値（第２確率分布の期待値）と測定値との乖離度合いを示す第２異常スコアを求めている。推定対象時点における消費エネルギーの測定値が、第２期間において第２情報に起因して変動する消費エネルギーの傾向と一致していれば、第２異常スコアは小さくなるが、一致していなければ大きな値となる。
【0033】
ここで、第１期間と第２期間とは互いに異なる期間である。第１異常スコアは、第１期間において第２情報に起因して変動する消費エネルギーの傾向に基づいて算出された異常スコアとなり、第２異常スコアは、第２期間において第２情報に起因して変動する消費エネルギーの傾向に基づいて算出された異常スコアとなる。したがって、第１異常スコア及び第２異常スコアの値をもとに、第２情報に含まれる変動要因を考慮した上で、消費エネルギーが異常に変動しているか否かを判断することができる。
【0034】
また、異常検知システム１は、第１期間での消費エネルギーの傾向に基づいて推定した推定値との乖離度合いを示す第１異常スコアと、第２期間での消費エネルギーの傾向に基づいて推定した推定値との乖離度合いを示す第２異常スコアとを出力している。よって、施設Ｆ１の管理者は、第１異常スコアに基づいて第１期間での消費エネルギーの傾向から逸脱した消費エネルギーの異常な変動を把握でき、第２異常スコアに基づいて第２期間での消費エネルギーの傾向から逸脱した消費エネルギーの異常な変動を把握できる。例えば第１期間と第２期間とで消費エネルギーの傾向が変化した場合、測定対象時点における消費エネルギーが、第１期間での消費エネルギーの傾向から外れていても、第２期間での消費エネルギーの傾向に一致していれば、第１異常スコアに比べて第２異常スコアは低い値となる。この場合、第１異常スコアのみでは設備機器Ｅ１の消費エネルギーが異常に変動したと判断される可能性があるが、第１異常スコアに加えて第２異常スコアを求めることで、施設Ｆ１の管理者は消費エネルギーの変動が異常ではないと判断できる。したがって、設備機器Ｅ１の消費エネルギーの異常な変動を検出可能な異常検知システム１を提供することができる。
【0035】
なお、設備機器Ｅ１の消費エネルギーの異常な変動は、第２情報に含まれる変動要因以外の外的要因によって発生すると考えられる。
【0036】
外的要因には種々の要因があり、外的要因としては、例えば、設備機器Ｅ１の変則的な使い方がある。設備機器Ｅ１が例えば空調機器である場合、外的要因は、冷房時の設定温度を適正温度よりも低めに設定すること、暖房時の設定温度を適正温度よりも高めに設定すること、運転時間を必要以上に長くすること、風量を通常よりも大きくすること、等がある。
【0037】
また、施設Ｆ１が空港のターミナル施設である場合、消費エネルギーを増加させる外的要因としては、空港を離発着する便数の増加、又は、離発着便の遅延及び欠航などによるターミナル施設の利用時間の増加などがある。ターミナル施設の利用時間が増加すると、設備機器Ｅ１の使用時間が長くなり、消費エネルギーが増加する。また、離発着便の欠航によって、ターミナル施設に滞留者がいる場合、照明器具及び空調機器などの設備機器Ｅ１の使用時間が長くなり、消費エネルギーが増加する。
【0038】
また、消費エネルギーを増加させる外的要因としては、設備機器Ｅ１の不具合も含まれる。例えば、設備機器Ｅ１が冷温水を利用して空調を行う空調機器である場合、冷温水バルブの故障（例えば冷温水バルブが全開状態でロックされるような故障）によって冷温水が無駄に消費されたり、ポンプの制御装置に不具合が発生したりすることで、消費エネルギーが増加する。
【0039】
また、消費エネルギーを増加させる外的要因には、第１期間又は第２期間における気象の状況とは異なる異常な気象状況も含まれる。例えば、設備機器Ｅ１が空調機器である場合、冷房時では第１期間又は第２期間に比べて気温が異常に上昇すること、暖房時では第１期間又は第２期間に比べて気温が異常に低下することによって消費エネルギーの増加が発生する。また、第１期間又は第２期間に比べて湿度が異常に増加したり、第１期間又は第２期間に比べて日射量が異常に増加したりすることでも、空調機器の消費エネルギーが増加する可能性がある。
【0040】
また、消費エネルギーを増加させる外的要因には、施設Ｆ１の運用時間又は運用方法の変更も含まれる。例えば、新型コロナウィルスなどの感染症対策として、施設Ｆ１の一部エリアの運用方法を変更した場合、例えば搭乗待合エリアをウィルス検査場に変更した場合、空調機器及び照明器具などの使用時間が長くなり、消費エネルギーが増加することになる。
【0041】
以上のような外的要因によって消費エネルギーが増加した場合、第１異常スコア及び第２異常スコアの少なくとも一方が大きな値となるので、施設Ｆ１の管理者は、第１異常スコア及び第２異常スコアの値をもとに、消費エネルギーの異常な変動を把握できる。このとき、施設Ｆ１の管理者は、消費エネルギーの異常な変動が発生した要因を検討することで、設備機器Ｅ１の消費エネルギーの変動が設備機器Ｅ１の無駄な使用によって発生したものか否かを把握でき、設備機器Ｅ１の無駄な使用と判明した場合には設備機器Ｅ１の使い方等を見直すことで省エネルギーを実現することができる。
【0042】
例えば、設備機器Ｅ１が過剰に使用されるなどして、設備機器Ｅ１の消費エネルギーが第１期間又は第２期間における消費エネルギーの傾向から外れると、第１異常スコア又は第２異常スコアの値が大きくなる。よって、第１異常スコア及び第２異常スコアの値から設備機器Ｅ１の異常（非効率）な使われ方を検出することができ、設備機器Ｅ１のエネルギーコストの低減を図ることができる。
【0043】
なお、第２期間は第１期間と異なる期間であるが、第２期間は、第１期間と時間的に異なる期間でもよいし、第１期間とは異なる特定の事象が発生している期間でもよい。第１期間と時間的に異なる期間とは、例えば第１期間よりも短い期間である。また、特定の事象が発生している期間とは、例えば、特異な気象現象が発生している期間、スポーツの国際大会や万博等の大規模イベントの開催により空港の発着便が増加する期間などである。ここで、特異な気象現象が発生している期間とは、例えば、台風が発生した期間、熱波などで気温が異常に上昇している異常高温期間、寒波などで気温が異常に低下している異常冷温期間などである。なお、以下の実施形態では、第１期間が第２期間よりも長く、例えば、第１期間が１年～数年程度の長期の期間、第２期間が直近の数週間から数か月の短期の期間である場合について説明を行う。
【0044】
（２）詳細
以下、本実施形態に係る異常検知システム１について図面を参照して詳しく説明する。
以下、本実施形態に係る異常検知システム１について図面を参照して詳しく説明する。
【0045】
（２．１）構成
図１は、異常検知システム１の概略的なシステム構成図である。
図１は、異常検知システム１の概略的なシステム構成図である。
【0046】
異常検知システム１は、上述のように、第１取得部１１と、第２取得部１２と、第１推定部２１と、第２推定部２２と、第１算出部３１と、第２算出部３２と、出力部４０と、を備える。また、本実施形態の異常検知システム１は、第１学習部５１と、第２学習部５２と、受付部４１とを、更に備えている。
【0047】
ここで、異常検知システム１は、例えば、１以上のプロセッサ及びメモリを有するコンピュータシステムを主構成とする。コンピュータシステムのメモリに記録されたプログラムを、コンピュータシステムのプロセッサが実行することにより、異常検知システム１の機能（第１取得部１１、第２取得部１２、第１推定部２１、第２推定部２２、第１算出部３１、第２算出部３２、出力部４０、受付部４１、第１学習部５１、及び第２学習部５２など）が実現される。したがって、第１取得部１１、第２取得部１２、第１推定部２１、第２推定部２２、第１算出部３１、第２算出部３２、出力部４０、受付部４１、第１学習部５１、及び第２学習部５２は、コンピュータシステムによって実現される機能ブロックを示しているに過ぎず、必ずしも実体のある構成を示しているわけではない。異常検知システム１が実行するプログラムは、メモリに記録されていてもよいし、インターネット等の電気通信回線を通して提供されてもよく、メモリカード等の非一時的記録媒体に記録されて提供されてもよい。また、異常検知システム１が備える一部又は全部の機能がクラウド（クラウドコンピューティング）等によって実現されてもよい。
【0048】
第１取得部１１は、施設Ｆ１に設けられた複数の設備機器Ｅ１の消費エネルギーの測定値（第１情報）を取得する。本実施形態では、施設Ｆ１に、複数の設備機器Ｅ１の消費エネルギーを管理するＢＥＭＳ（Building Energy Management System）１００が導入されている場合を想定する。ＢＥＭＳ１００は、複数の設備機器Ｅ１の各々について消費エネルギーの時系列データを蓄積しており、第１取得部１１は、インターネット等の通信ネットワークを介して、ＢＥＭＳ１００から複数の設備機器Ｅ１の消費エネルギーの測定値を取得する。第１取得部１１は、例えば所定のサンプリング周期で（例えば１時間ごとに）ＢＥＭＳ１００から複数の設備機器Ｅ１の消費エネルギーの測定値を取得する。
【0049】
第２取得部１２は、設備機器Ｅ１の消費エネルギーの変動要因となる第２情報を取得する。施設Ｆ１には、施設Ｆ１が存在する場所の気温を計測する温度センサが設けられ、温度センサが計測した気温の時系列データはデータサーバ１１０に蓄積されている。また、データサーバ１１０は、曜日及び祝日等のカレンダー情報を記憶している。第２取得部１２は、インターネット等の通信ネットワークを介して、データサーバ１１０から第２情報として気温の測定値と、カレンダー情報とを取得するとともに、タイマーなどから時間情報を取得する。第２取得部１２は、例えば、第１取得部１１が第１情報を取得するタイミングで、第２情報を定期的に取得する。
【0050】
第１学習部５１は、例えば複数の設備機器Ｅ１の各々について第１学習モデルを作成する。第１学習部５１は、複数の設備機器Ｅ１の各々について、第１取得部１１が取得した第１期間（例えば推定対象時点から過去１年間）における第１情報、第２取得部１２が取得した第１期間における第２情報を用いて機械学習（例えば、深層学習）を行い、第１学習モデルを作成する。なお、第１学習部５１は、第１取得部１１及び第２取得部１２がそれぞれ第１情報及び第２情報を取得するごとに、第１期間における第１情報及び第２情報を用いて第１学習モデルを再学習しており、第１学習モデルを逐次更新している。
【0051】
第２学習部５２は、例えば複数の設備機器Ｅ１の各々について第２学習モデルを作成する。第２学習部５２は、複数の設備機器Ｅ１の各々について、第１取得部１１が取得した第２期間（例えば推定対象時点から過去１ヶ月間）における第１情報、第２取得部１２が取得した第２期間における第２情報を用いて機械学習を行い、第２学習モデルを作成する。なお、第２学習部５２は、第１取得部１１及び第２取得部１２がそれぞれ第１情報及び第２情報を取得するごとに、第２期間における第１情報及び第２情報を用いて第２学習モデルを再学習しており、第２学習モデルを逐次更新している。
【0052】
なお、第１学習部５１及び第２学習部５２による第１学習モデル及び第２学習モデルの学習方法については「（２．３）学習モデルの学習方法」で説明する。
【0053】
第１推定部２１は、第１学習モデルに推定対象時点における第２情報を入力して、推定対象時点における設備機器Ｅ１の消費エネルギーの第１確率分布を推定する。従来、推論中のニューラルネットワークにドロップアウト層を適用することで、推論結果が正規分布に従ってばらつくとの研究が報告されている。本実施形態ではこの原理を利用し、第１推定部２１が、第１学習モデルを用いて推定対象時点における設備機器Ｅ１の消費エネルギーの推論を複数回行う。そして、第１推定部２１は、複数回の推定結果の期待値（平均値）及び分散を計算することで、第１確率分布の期待値及び分散を求める。
【0054】
第２推定部２２は、第２学習モデルに推定対象時点における第２情報を入力して、推定対象時点における設備機器Ｅ１の消費エネルギーの第２確率分布を推定する。第２推定部２２は、第１推定部２１と同様に、第２学習モデルを用いて推定対象時点における設備機器Ｅ１の消費エネルギーの推論を複数回行う。そして、第２推定部２２は、複数回の推定結果の期待値（平均値）及び分散を計算することで、第２確率分布の期待値及び分散を求める。
【0055】
第１算出部３１は、第１確率分布（期待値及び分散の情報）と、推定対象時点における第１情報とに基づいて、推定対象時点における設備機器Ｅ１の消費エネルギーの測定値が発生する確率を求める。そして、第１算出部３１は、この確率に基づいて、消費エネルギーの測定値が第１確率分布の期待値から離れている度合いを示す第１異常スコアを求める。
【0056】
第２算出部３２は、第２確率分布（期待値及び分散の情報）と、推定対象時点における第１情報とに基づいて、推定対象時点における設備機器Ｅ１の消費エネルギーの測定値が発生する確率を求める。そして、第２算出部３２は、この確率に基づいて、消費エネルギーの測定値が第２確率分布の期待値から離れている度合いを示す第２異常スコアを求める。
【0057】
なお、第１算出部３１及び第２算出部３２による第１異常スコア及び第２異常スコアの算出方法については「（２．４）異常スコアの算出方法」において説明する。
【0058】
出力部４０は、第１異常スコア及び第２異常スコアを出力する。異常検知システム１は、インターネット等のネットワークを介して端末装置２００と通信可能に構成されている。出力部４０は、第１異常スコア及び第２異常スコアの算出結果を含む出力データを端末装置２００に出力することによって、端末装置２００の表示部２０１に第１異常スコア及び第２異常スコアの算出結果などを表示させる。
【0059】
本実施形態の異常検知システム１は、複数の設備機器Ｅ１が設けられる施設Ｆ１に適用されるので、第１推定部２１は、複数の設備機器Ｅ１の各々について、第１確率分布を推定する。第２推定部２２は、複数の設備機器Ｅ１の各々について、第２確率分布を推定する。第１算出部３１は、複数の設備機器Ｅ１の各々について、第１異常スコアを求める。第２算出部３２は、複数の設備機器Ｅ１の各々について、第２異常スコアを求める。
【0060】
ここで、端末装置２００は、例えば施設Ｆ１の管理者が使用するコンピュータ端末である。端末装置２００は、通信機能を有するコンピュータ端末であり、ノート型のパーソナルコンピュータ、タブレット型のコンピュータ端末、スマートフォンなどを含み得る。端末装置２００は、液晶ディスプレイ等の薄型のディスプレイ装置からなる表示部２０１と、ユーザの操作を受け付ける操作部２０２とを有している。端末装置２００は、異常検知システム１から受信した出力データをもとに、第１異常スコア及び第２異常スコアの算出結果などを表示部２０１に表示する。
【0061】
（２．２）動作説明
本実施形態の異常検知システム１の動作を図２～図５等に基づいて説明する。なお、図２に示すフローチャートは、本実施形態に係る異常検知方法の一例に過ぎず、処理の順序が適宜変更されてもよいし、処理が適宜追加又は省略されてもよい。
本実施形態の異常検知システム１の動作を図２～図５等に基づいて説明する。なお、図２に示すフローチャートは、本実施形態に係る異常検知方法の一例に過ぎず、処理の順序が適宜変更されてもよいし、処理が適宜追加又は省略されてもよい。
【0062】
異常検知システム１は、複数の設備機器Ｅ１の各々について、推定対象時点における消費エネルギーの測定値をもとに第１異常スコア及び第２異常スコアを算出する処理を実行する。以下では、複数の設備機器Ｅ１のうちの１つについて第１異常スコア及び第２異常スコアを算出する処理を説明する。
【0063】
第１取得部１１は定期的（例えば１時間ごと）に第１情報を取得する第１取得ステップを実行し、第２取得部１２は、第１取得部１１が第１情報を取得するタイミングで第２情報を取得する第２取得ステップを実行する（ステップＳ１）。なお、第１取得部１１が取得した第１情報、第２取得部１２が取得した第２情報は異常検知システム１が備える記憶部に記憶される。
【0064】
第１学習部５１は、新たに取得した第１情報及び第２情報を含む、第１期間における第１情報及び第２情報を用いて第１学習モデルの再学習を行う。これにより、第１学習部５１は、第１期間（例えば過去の数年間）における第１情報と第２情報とを用いて機械学習を行うことで、第１学習モデルを生成する（ステップＳ２）。また、第２学習部５２は、新たに取得した第１情報及び第２情報を含む、第２期間における第１情報及び第２情報を用いて第２学習モデルの再学習を行う。これにより、第２学習部５２は、第２期間（例えば直近の１ヶ月間）における第１情報と第２情報とを用いて機械学習を行うことで、第２学習モデルを生成する（ステップＳ３）。なお、第１学習モデル及び第２学習モデルの生成方法については「（２．３）学習モデルの生成方法」において詳細に説明する。
【0065】
次に、第１推定部２１は、推定対象時点における第２情報を第１学習モデルに入力することによって、推定対象時点における消費エネルギーの第１確率分布を求める第１推定ステップを実行する（ステップＳ４）。これにより、第１推定部２１は、第１期間において、同じような気象関連情報、時間情報、カレンダー情報のもとで発生した消費エネルギーの値をもとに、推定対象時点における消費エネルギーを推定し、消費エネルギーの第１確率分布を推定することができる。なお、第１推定ステップで推定された消費エネルギーの推定値（第１確率分布の期待値）は異常検知システム１の記憶部に記憶される。
【0066】
また、第２推定部２２は、推定対象時点における第２情報を第２学習モデルに入力することによって、推定対象時点における消費エネルギーの第２確率分布を求める第２推定ステップを実行する（ステップＳ５）。これにより、第２推定部２２は、第２期間において、同じような気象関連情報、時間情報、カレンダー情報のもとで発生した消費エネルギーの値をもとに、推定対象時点における消費エネルギーを推定し、消費エネルギーの第２確率分布を推定することができる。なお、第２推定ステップで推定された消費エネルギーの推定値（第２確率分布の期待値）は異常検知システム１の記憶部に記憶される。
【0067】
次に、第１算出部３１は、第１確率分布と、推定対象時点における消費エネルギーの測定値（第１情報）とに基づいて、消費エネルギーの測定値が推定値から離れている度合いを示す第１異常スコアを求める第１算出ステップを実行する（ステップＳ６）。
【0068】
また、第２算出部３２は、第２確率分布と、推定対象時点における第１情報（消費エネルギーの測定値）とに基づいて、消費エネルギーの測定値が推定値から離れている度合いを示す第２異常スコアを求める第２算出ステップを実行する（ステップＳ７）。
【0069】
なお、第１算出部３１が求めた第１異常スコア、及び第２算出部３２が求めた第２異常スコアは異常検知システム１の記憶部に記憶される。第１異常スコア及び第２異常スコアの算出方法については「（２．４）異常スコアの算出方法」で詳細に説明する。
【0070】
異常検知システム１は、複数の設備機器Ｅ１の各々について、上記のステップＳ１～Ｓ７の処理を実行し、推定対象時点における消費エネルギーの測定値をもとに第１異常スコア及び第２異常スコアを算出する。
【0071】
第１異常スコア及び第２異常スコアが算出されると、出力部４０は、第１異常スコア及び第２異常スコアを含む出力データを端末装置２００に送信する。端末装置２００は、異常検知システム１から受信した出力データをもとに、第１異常スコア及び第２異常スコアなどを表示する表示画面を表示部２０１に表示させる出力ステップを実行する（ステップＳ８）。なお、出力部４０が表示部２０１に表示させる表示画面については「（２．５）表示画面の説明」で詳細に説明する。
【0072】
異常検知システム１は、ＢＥＭＳ１００から取得した第１情報を用いて、複数の設備機器Ｅ１の各々について、第１異常スコア及び第２異常スコアを算出しているので、ＢＥＭＳ１００で収集・蓄積された第１情報を有効に活用して消費エネルギーの異常な変動を検出できる。したがって、施設Ｆ１の管理者は、異常検知システム１が出力する第１異常スコア及び第２異常スコアの値に基づいて、設備機器Ｅ１の過剰な使用や、無駄な使用によって消費エネルギーの異常な増加がないかを検証することが可能になる。また、施設Ｆ１で建物の断熱化や設備機器Ｅ１の高効率化などの省エネ対策を行ったり、空調機器の設定温度を見直すなどして、消費エネルギーが減少した場合でも、異常検知システム１は、第１異常スコア及び第２異常スコアの値に基づいて、消費エネルギーの異常な減少（この事例では省エネ対策による減少）を検知できる。また、異常検知システム１は、機械学習によって生成された第１学習モデル及び第２学習モデルを用いて消費エネルギーの第１確率分布及び第２確率分布をそれぞれ推定する。そして、異常検知システム１は、消費エネルギーの第１確率分布及び第２確率分布をもとに第１異常スコア及び第２異常スコアを求め、第１異常スコア及び第２異常スコアの値を出力するので、施設Ｆ１の管理者が各設備機器Ｅ１の消費エネルギーの測定値を一つ一つチェックする場合に比べて、人的な作業コストを低減でき、また消費エネルギーの異常な変動を短時間で検知することもできる。
【0073】
なお、上記の説明では、異常検知システム１が、例えば１時間ごとに、各設備機器Ｅ１の消費エネルギーを取得して第１異常スコア及び第２異常スコアを算出しているが、第１異常スコア及び第２異常スコアを算出する周期は適宜変更可能である。異常検知システム１は、例えば１日ごと、１週間ごと、或いは１ヶ月ごとに、各設備機器Ｅ１の消費エネルギーを取得して第１異常スコア及び第２異常スコアを算出してもよい。異常検知システム１が、１日ごとに第１異常スコア及び第２異常スコアを算出する場合、第１取得部１１は、１日に１回、各設備機器の１日分の消費エネルギーを第１情報として取得し、第２取得部１２は、例えば当日の温度の平均値を第２情報として取得すればよい。そして、第１学習部５１は、第１期間の第１情報と第２情報とを用いて第１学習モデルを学習するとともに、第２学習部５２は、第２期間の第１情報と第２情報とを用いて第２学習モデルを学習する。第１推定部２１は、当日の第２情報を第１学習モデルに入力して当日の消費エネルギーの第１確率分布を推定し、第２推定部２２は、当日の第２情報を第２学習モデルに入力して当日の消費エネルギーの第２確率分布を推定する。そして、第１算出部３１が、第１確率分布と推定対象時点の消費エネルギーの測定値とを用いて第１異常スコアを算出し、第２算出部３２が、第２確率分布と推定対象時点の消費エネルギーの測定値とを用いて第２異常スコアを算出すればよい。
【0074】
（２．３）学習モデルの生成方法
上述のように第１学習部５１は、複数の設備機器Ｅ１の各々について、第１期間における第１情報及び第２情報を用いて機械学習を行い、第１学習モデルを作成する。また、第２学習部５２は、複数の設備機器Ｅ１の各々について、第２期間における第１情報及び第２情報を用いて機械学習を行い、第２学習モデルを作成する。
上述のように第１学習部５１は、複数の設備機器Ｅ１の各々について、第１期間における第１情報及び第２情報を用いて機械学習を行い、第１学習モデルを作成する。また、第２学習部５２は、複数の設備機器Ｅ１の各々について、第２期間における第１情報及び第２情報を用いて機械学習を行い、第２学習モデルを作成する。
【0075】
ここで、消費エネルギーの異常検知には、異常ラベルが付与された複数の測定値を教師データとして学習したモデルを用いて異常を検知するアプローチと、過去の測定データを用いて学習したモデルから算出される推定値と測定値の差を利用して異常スコアを算出するアプローチがある。前者のアプローチでは複数の消費エネルギーの測定値に異常ラベルをそれぞれ付与する手間がかかる。
【0076】
そこで、第１学習部５１では、第１期間の複数の第１情報に異常ラベルを付与することなく、第１期間の複数の第１情報と複数の第２情報とを用いて機械学習を行うことで、第１学習モデルを作成する。
【0077】
すなわち、第１学習部５１は、第１期間における複数の第１情報と複数の第２情報とを用いて機械学習を行うことで、第１期間における時間的要因及び気象的要因による変動を考慮した第１学習モデルを作成する。第１学習モデルに、推定対象時点における第２情報を入力すると、第１学習モデルは、時間情報、カレンダー情報、及び気温が同様の条件であった場合に発生すると予測される消費エネルギーの推定値を出力する。
【0078】
同様に、第２学習部５２では、第２期間の複数の第１情報に異常ラベルを付与することなく、第２期間の複数の第１情報と複数の第２情報とを用いて機械学習を行うことで、第２学習モデルを作成する。
【0079】
すなわち、第２学習部５２は、第２期間における複数の第１情報と複数の第２情報とを用いて機械学習を行うことで、第２期間における時間的要因及び気象的要因による変動を考慮した第２学習モデルを作成する。第２学習モデルに、推定対象時点における第２情報を入力すると、第２学習モデルは、時間情報、カレンダー情報、及び気温が同様の条件であった場合に発生すると予測される消費エネルギーの推定値を出力する。
【0080】
（２．４）異常スコアの算出方法
第１算出部３１及び第２算出部３２は、それぞれ、第１異常スコア及び第２異常スコアの算出を行う。第１算出部３１による第１異常スコアの算出方法と、第２算出部３２による第２異常スコアの算出方法とは同様であるので、以下では第１算出部３１が第１異常スコアを算出する算出方法を例に説明を行う。
第１算出部３１及び第２算出部３２は、それぞれ、第１異常スコア及び第２異常スコアの算出を行う。第１算出部３１による第１異常スコアの算出方法と、第２算出部３２による第２異常スコアの算出方法とは同様であるので、以下では第１算出部３１が第１異常スコアを算出する算出方法を例に説明を行う。
【0081】
第１推定部２１は、推定対象時点における第２情報を第１学習モデルに入力することによって、推定対象時点における消費エネルギーの推定を複数回行い、複数回の推定値の平均値（期待値）及び分散を求めることで、第１確率分布の期待値及び分散を求める。ここで、図３は、消費エネルギーの第１確率分布の算出結果の一例を示す。
【0082】
消費エネルギーの第１確率分布が求まると、第１算出部３１は、推定対象時点における消費エネルギーの測定値（第１情報）と、第１確率分布とを用いて、第１異常スコアＳＣ１を求めるのであるが、以下の式（１）を用いて第１異常スコアＳＣ１を求めている。ここで、式（１）中のＸｔは、推定対象時点における第２情報、ｙｔは、推定対象時点における消費エネルギーの測定値である。また、ｐ（ｙｔ｜Ｘｔ）は、推定対象時点における第２情報Ｘｔに対して、消費エネルギーの測定値ｙｔが出力される条件付き確率を示しており、ｐ（ｙｔ｜Ｘｔ）は式（２）で表される。
【0083】
【数1】
【0084】
【数2】
【0085】
第１算出部３１は、式（１）及び式（２）に、推定対象時点における消費エネルギーの測定値と、推定対象時点における消費エネルギーの期待値及び分散とを入力することで、第１異常スコアＳＣ１を演算により求めている。言い換えると、第１算出部３１は、第１確率分布の期待値及び分散と、推定対象時点における第１情報（消費エネルギー）とに基づいて、第１異常スコアＳＣ１を求めている。
【0086】
第１異常スコアＳＣ１は、推定対象時点における消費エネルギーの測定値ｙｔが第１確率分布の期待値μから離れている度合いを示す値である。例えば、図３に示す第１確率分布において、消費エネルギーの測定値ｙｔが値ｙ１である場合は、測定値ｙｔが値ｙ２である場合に比べ、期待値μから離れている度合いが大きいので、第１異常スコアＳＣ１の値は大きくなる。
【0087】
異常検知システム１では、第１情報及び第２情報を取得するごとに第１異常スコア及び第２異常スコアを算出しており、第１異常スコア及び第２異常スコアの算出結果は時系列データとして記憶部に記憶されている。
【0088】
ここで、図４は、ある設備機器Ｅ１の消費エネルギーの測定値、推定値、及び第１異常スコアの時間変化の一例を示すグラフである。図４において、Ｃ１は設備機器Ｅ１の消費エネルギーの測定値、Ｃ２は第１推定部２１によって推定された推定値、Ｃ３は第１異常スコアである。なお、図４の例では、異常検知システム１は、１日ごとに第１情報及び第２情報を取得して、第１異常スコアの算出を行っている。ここで、異常検知システム１では、第１異常スコアの値に閾値Ｔｈ１を設定してもよく、第１異常スコアの値が閾値Ｔｈ１を超えると、消費エネルギーが異常に増加又は減少したと判断してもよい。
【0089】
なお、第２算出部３２は、第１算出部３１と同様の方法で第２異常スコアを求めており、第２算出部３２は、第２確率分布の期待値及び分散と、推定対象時点における第１情報（消費エネルギーの測定値）とに基づいて、第２異常スコアを求めている。
【0090】
（２．５）表示画面の説明
出力部４０は出力データを端末装置２００に出力することによって端末装置２００の表示部２０１に表示画面を表示させており、この表示画面について図５を参照して説明する。図５は、表示部２０１に表示される表示画面Ｇ１の一例を示している。なお、異常検知システム１は、複数の設備機器Ｅ１の各々について、１日ごとに第１異常スコア及び第２異常スコアを算出しているものとする。
出力部４０は出力データを端末装置２００に出力することによって端末装置２００の表示部２０１に表示画面を表示させており、この表示画面について図５を参照して説明する。図５は、表示部２０１に表示される表示画面Ｇ１の一例を示している。なお、異常検知システム１は、複数の設備機器Ｅ１の各々について、１日ごとに第１異常スコア及び第２異常スコアを算出しているものとする。
【0091】
表示画面Ｇ１の上部には、表示対象とする設備機器Ｅ１を入力するための入力ボックスＡ１と、異常度スコア（第１異常スコア及び第２異常スコア）のランキング表示を行う対象日を入力するための入力ボックスＡ２と、が表示されている。
【0092】
端末装置２００を使用する管理者が、操作部２０２を用いて、入力ボックスＡ１の右端に表示されたプルダウンボタンＢ１を選択する操作を行うと、設備機器Ｅ１の選択肢を表示するプルダウンメニューが現れる。図５の例では、設備機器Ｅ１の選択肢として熱源と空調とがあり、管理者は操作部２０２を用いて熱源を選択している。
【0093】
また、端末装置２００を使用する管理者が、操作部２０２を用いて、入力ボックスＡ２の右端に表示されたプルダウンボタンＢ２を選択する操作を行うと、対象日の選択肢を表示するプルダウンメニューが現れる。図５の例では、管理者は操作部２０２を用いて、２０２１年１月９日を対象日として選択している。
【0094】
端末装置２００を使用する管理者が、表示対象とする設備機器Ｅ１及び対象日を選択すると、選択内容を示す選択情報が異常検知システム１に送信される。異常検知システム１の受付部４１が端末装置２００から選択情報を受け付けると、出力部４０は選択情報に基づいて、熱源に対応する複数の設備機器Ｅ１のうち、対象日の異常スコア（第１異常スコア又は第２異常スコア）が大きい順に所定個数（例えば３つ）の設備機器Ｅ１の名称などを表示するランキング表示部Ａ３を入力ボックスＡ１，Ａ２の下側に表示する。すなわち、出力部４０は、表示部２０１の画面（具体的にはランキング表示部Ａ３）に、複数の設備機器Ｅ１のうち、第１異常スコア又は第２異常スコアの値の大きい順番に所定個数の設備機器Ｅ１の名称を並べて表示させている。したがって、端末装置２００を使用する管理者は、ランキング表示部Ａ３の表示内容から、第１異常スコア又は第２異常スコアの値が大きかった設備機器Ｅ１、つまり消費エネルギーが異常に変動したと判断される設備機器Ｅ１を把握することができる。また、複数の設備機器Ｅ１の種類や規模が異なる場合でも、第１異常スコア又は第２異常スコアの値を用いることで相互に比較することができるという利点もある。
【0095】
また、本実施形態では、第１期間が第２期間よりも長い期間に設定されている。したがって、第１期間での消費エネルギーの傾向に基づく第１異常スコアと、第１期間よりも短い第２期間での消費エネルギーの傾向に基づく第２異常スコアとを求めることができる。例えば、最近起こった事象（例えばパンデミック等）の影響で消費エネルギーが変動した場合、長期的な観点で評価した値である第１異常スコアは大きな値となるが、短期的な観点で評価した値である第２異常スコアは小さい値となる。また、短期的な事象の影響が収束した（例えばパンデミックが収束した）場合、長期的な観点で評価した値である第１異常スコアは小さな値となり、短期的な観点で評価した値である第２異常スコアも大きな値となるので、短期的な事象の影響が収束し、消費エネルギーが事象の発生前の傾向に戻りつつあることを確認できる。したがって、異常検知システム１は、第１異常スコアと第２異常スコアの両方を求めることで、推定対象時点における消費エネルギーの測定値が異常な値であるか否かをより正確に判断できる。
【0096】
ここで、ランキング表示部Ａ３には、所定個数の設備機器Ｅ１の各々について、複数の項目の情報が表示されている。図５の例では、所定個数の設備機器Ｅ１の各々について、「ＩＤ」、「Building」、「場所」、「担当」、「デバイス」の５つの項目の情報が表示されている。ここで、「ＩＤ」は、例えば設備機器Ｅ１の固有の識別情報である。「Building」は、例えば設備機器Ｅ１が設置されている建物の名称である。「場所」は、例えば建物内で設備機器Ｅ１が設置されている場所の名称である。「担当」は、例えば設備機器Ｅ１を管理する管理部門の名称である。「デバイス」は、例えば設備機器Ｅ１の型番などの情報である。なお、各設備機器Ｅ１について表示する項目は上記のものに限定されず、適宜、追加、変更、削除が可能である。
【0097】
図５の例では、ランキング表示部Ａ３には、第２異常スコアの値が大きい順番に３つの設備機器Ｅ１の情報が表示されている。ランキング表示部Ａ３の右側には、各設備機器Ｅ１の第１異常スコアの値を棒グラフで表示するスコア表示部Ａ４と、各設備機器Ｅ１の第２異常スコアの値を棒グラフで表示するスコア表示部Ａ５と、が並べて表示されている。なお、ランキング表示部Ａ３に表示する設備機器Ｅ１の数は３つに限定されず、２つでもよいし、４つ以上でもよい。
【0098】
施設Ｆ１を管理する事業を行う事業体では、複数の設備機器Ｅ１の各々に対応して複数の管理部門が設定されており、複数の管理部門の各々が、複数の設備機器Ｅ１のうち対応する設備機器Ｅ１の管理業務を行っている。そして、出力部４０は、表示部２０１の画面（図５の例ではランキング表示部Ａ３）に、所定個数（例えば３つ）の設備機器Ｅ１の名称と、所定個数の設備機器Ｅ１の各々を管理する管理部門の情報とを対応付けて表示している。
【0099】
ランキング表示部Ａ３には、第２異常スコアの上位３つの設備機器Ｅ１をそれぞれ管理する管理部門が明示されているので、上位３つの設備機器Ｅ１の各々を管理する責任がある管理部門が明確になる。したがって、上位３つの設備機器Ｅ１の各々を管理する管理部門に対して、管理対象の設備機器Ｅ１の消費エネルギーの変動が、設備機器Ｅ１の異常な使用によるものか否かをチェックするように促すことができる。
【0100】
なお、端末装置２００を使用する管理者が、操作部２０２を用いてスコア表示部Ａ４を選択する操作を行うと、第１異常スコアでのランキング表示を選択する選択情報が異常検知システム１に送信される。受付部４１が端末装置２００から選択情報を受け付けると、出力部４０は選択情報に基づいて、熱源に対応する複数の設備機器Ｅ１のうち、対象日の第１異常スコアが大きい順に所定個数（例えば３つ）の設備機器Ｅ１の名称などを表示するランキング表示部Ａ３を表示させる。また、出力部４０は、ランキング表示部Ａ３の横に、第１異常スコアを表示するスコア表示部Ａ４と、第２異常スコアを表示するスコア表示部Ａ５と、を並べて表示させる。
【0101】
また、端末装置２００を使用する管理者が、操作部２０２を用いて、ランキング表示部Ａ３において時系列データを表示させたい表示対象の設備機器Ｅ１の情報が表示された行を選択する操作を行うと、表示対象の設備機器Ｅ１を示す選択情報が異常検知システム１に送信される。受付部４１が端末装置２００から選択情報を受け付けると、出力部４０は選択情報に基づいて、表示対象の設備機器Ｅ１の第１情報（消費エネルギーの測定値）と、表示対象の設備機器Ｅ１について求めた第１異常スコアと第２異常スコアとを時系列で表示するグラフを、表示部２０１の画面に表示する。図５の例では、出力部４０は、表示対象の設備機器Ｅ１について消費エネルギーの測定値と第１異常スコアとを時系列で表示するグラフ表示部Ａ６と、表示対象の設備機器Ｅ１について消費エネルギーの測定値と第２異常スコアとを時系列で表示するグラフ表示部Ａ７とを上下に並べて表示している。なお、出力部４０は、グラフ表示部Ａ６に、消費エネルギーの測定値（Ｃ１１）と、第１学習モデルを用いて推定した消費エネルギーの推定値（Ｃ２１）と、第１異常スコア（Ｃ３１）とを表示している。また、出力部４０は、グラフ表示部Ａ７に、消費エネルギーの測定値（Ｃ１２）と、第２学習モデルを用いて推定した消費エネルギーの推定値（Ｃ２２）と、第２異常スコア（Ｃ３２）とを表示している。また、グラフ表示部Ａ６，Ａ７には、対象日を示す縦線が表示されており、対象日以降には網掛け表示が施されている。
【0102】
なお、端末装置２００を使用する管理者が、操作部２０２を用いて、表示対象の設備機器Ｅ１を選択する操作を行っていない場合、グラフ表示部Ａ６，Ａ７には、例えば、第１異常スコア又は第２異常スコアの値が最も大きい設備機器Ｅ１のグラフが表示されている。
【0103】
このように、グラフ表示部Ａ６には、第１異常スコアに加えて、消費エネルギーの測定値と、第１学習モデルを用いて推定した消費エネルギーの推定値とが表示され、グラフ表示部Ａ７には、第２異常スコアに加えて、消費エネルギーの測定値と、第２学習モデルを用いて推定した消費エネルギーの推定値とが表示されている。端末装置２００を使用する管理者は、グラフ表示部Ａ６，Ａ７の表示内容を見ることで、表示対象の設備機器Ｅ１の消費エネルギーと、第１異常スコア及び第２異常スコアの時間変化を視覚的に把握しやすくなる。したがって、管理者は、設備機器Ｅ１の消費エネルギーの変動が異常であるか否か、つまり設備機器Ｅ１の使用が適切か否かを判断しやすくなる。
【0104】
なお、出力部４０が表示部２０１に表示させる表示画面Ｇ１は図５に示す表示形態に限定されず、適宜変更が可能である。
【0105】
（３）変形例
上記実施形態は、本開示の様々な実施形態の一つに過ぎない。上記実施形態は、本開示の目的を達成できれば、設計等に応じて種々の変更が可能である。また、異常検知システム１と同様の機能は、異常検知方法、コンピュータプログラム、又はプログラムを記録した非一時的な記録媒体等で具現化されてもよい。一態様に係る異常検知方法は、第１取得ステップと、第２取得ステップと、第１推定ステップと、第２推定ステップと、第１算出ステップと、第２算出ステップと、出力ステップと、を含む。第１取得ステップでは、施設Ｆ１に設けられた設備機器Ｅ１の消費エネルギーの測定値である第１情報を取得する。第２取得ステップでは、設備機器Ｅ１の消費エネルギーの変動要因となる第２情報を取得する。第１推定ステップでは、第１学習モデルに推定対象時点における第２情報を入力して、推定対象時点における設備機器Ｅ１の消費エネルギーの第１確率分布を推定する。第１学習モデルは、第１期間の第１情報と第２情報とを用いて機械学習を行うことで生成されたモデルである。第２推定ステップでは、第２学習モデルに推定対象時点における第２情報を入力して、推定対象時点における設備機器Ｅ１の消費エネルギーの第２確率分布を推定する。第２学習モデルは、第１期間とは異なる第２期間の第１情報と第２情報とを用いて機械学習を行うことで生成されたモデルである。第１算出ステップでは、第１確率分布と、推定対象時点における第１情報とに基づいて、推定対象時点における設備機器の消費エネルギーの測定値が第１確率分布の期待値から離れている度合いを示す第１異常スコアを求める。第２算出ステップでは、第２確率分布と、推定対象時点における第１情報とに基づいて、推定対象時点における設備機器Ｅ１の消費エネルギーの測定値が第２確率分布の期待値から離れている度合いを示す第２異常スコアを求める。出力ステップでは、第１異常スコア及び第２異常スコアを出力する。一態様に係る（コンピュータ）プログラムは、コンピュータシステムに、異常検知方法を実行させるためのプログラムである。
上記実施形態は、本開示の様々な実施形態の一つに過ぎない。上記実施形態は、本開示の目的を達成できれば、設計等に応じて種々の変更が可能である。また、異常検知システム１と同様の機能は、異常検知方法、コンピュータプログラム、又はプログラムを記録した非一時的な記録媒体等で具現化されてもよい。一態様に係る異常検知方法は、第１取得ステップと、第２取得ステップと、第１推定ステップと、第２推定ステップと、第１算出ステップと、第２算出ステップと、出力ステップと、を含む。第１取得ステップでは、施設Ｆ１に設けられた設備機器Ｅ１の消費エネルギーの測定値である第１情報を取得する。第２取得ステップでは、設備機器Ｅ１の消費エネルギーの変動要因となる第２情報を取得する。第１推定ステップでは、第１学習モデルに推定対象時点における第２情報を入力して、推定対象時点における設備機器Ｅ１の消費エネルギーの第１確率分布を推定する。第１学習モデルは、第１期間の第１情報と第２情報とを用いて機械学習を行うことで生成されたモデルである。第２推定ステップでは、第２学習モデルに推定対象時点における第２情報を入力して、推定対象時点における設備機器Ｅ１の消費エネルギーの第２確率分布を推定する。第２学習モデルは、第１期間とは異なる第２期間の第１情報と第２情報とを用いて機械学習を行うことで生成されたモデルである。第１算出ステップでは、第１確率分布と、推定対象時点における第１情報とに基づいて、推定対象時点における設備機器の消費エネルギーの測定値が第１確率分布の期待値から離れている度合いを示す第１異常スコアを求める。第２算出ステップでは、第２確率分布と、推定対象時点における第１情報とに基づいて、推定対象時点における設備機器Ｅ１の消費エネルギーの測定値が第２確率分布の期待値から離れている度合いを示す第２異常スコアを求める。出力ステップでは、第１異常スコア及び第２異常スコアを出力する。一態様に係る（コンピュータ）プログラムは、コンピュータシステムに、異常検知方法を実行させるためのプログラムである。
【0106】
以下、上記の実施形態の変形例を列挙する。以下に説明する変形例は、適宜組み合わせて適用可能である。
【0107】
本開示における異常検知システム１は、コンピュータシステムを含んでいる。コンピュータシステムは、ハードウェアとしてのプロセッサ及びメモリを主構成とする。コンピュータシステムのメモリに記録されたプログラムをプロセッサが実行することによって、本開示における異常検知システム１としての機能が実現される。プログラムは、コンピュータシステムのメモリに予め記録されてもよく、電気通信回線を通じて提供されてもよく、コンピュータシステムで読み取り可能なメモリカード、光学ディスク、ハードディスクドライブ等の非一時的記録媒体に記録されて提供されてもよい。コンピュータシステムのプロセッサは、半導体集積回路（ＩＣ）又は大規模集積回路（ＬＳＩ）を含む１ないし複数の電子回路で構成される。ここでいうＩＣ又はＬＳＩ等の集積回路は、集積の度合いによって呼び方が異なっており、システムＬＳＩ、ＶＬＳＩ（Very Large Scale Integration）、又はＵＬＳＩ（Ultra Large Scale Integration）と呼ばれる集積回路を含む。さらに、ＬＳＩの製造後にプログラムされる、ＦＰＧＡ（Field-Programmable Gate Array）、又はＬＳＩ内部の接合関係の再構成若しくはＬＳＩ内部の回路区画の再構成が可能な論理デバイスについても、プロセッサとして採用することができる。複数の電子回路は、１つのチップに集約されていてもよいし、複数のチップに分散して設けられていてもよい。複数のチップは、１つの装置に集約されていてもよいし、複数の装置に分散して設けられていてもよい。ここでいうコンピュータシステムは、１以上のプロセッサ及び１以上のメモリを有するマイクロコントローラを含む。したがって、マイクロコントローラについても、半導体集積回路又は大規模集積回路を含む１ないし複数の電子回路で構成される。
【0108】
また、異常検知システム１における複数の機能が、１つの筐体内に集約されていることは異常検知システム１に必須の構成ではなく、異常検知システム１の構成要素は、複数の筐体に分散して設けられていてもよい。さらに、異常検知システム１の少なくとも一部の機能がクラウド（クラウドコンピューティング）等によって実現されてもよい。
【0109】
上記の実施形態では、第１推定部２１が、推論時の第１学習モデルにドロップアウト層を適用し、推論を複数回行うことで、第１確率分布の期待値及び分散を求めているが、第１学習モデルが、１回の推論で第１確率分布の期待値及び分散を直接出力してもよい。同様に、第２学習モデルが、１回の推論で第２確率分布の期待値及び分散を直接出力してもよい。
【0110】
例えば、第１学習部５１が第１学習モデルを学習する際の損失関数として正規分布の負の対数尤度を下記の式（３）のように定義する。なお、式（３）において、ｙは予測対象である設備機器Ｅ１の消費エネルギー、変数βはβ＝１／σ２、σは消費エネルギーの確率分布の標準偏差、μは消費エネルギーの確率分布の期待値である。
【0111】
【数3】
【0112】
第１学習部５１は、この損失関数を用い、第１確率分布の期待値μと変数βの２つの出力を持つ第１学習モデルを機械学習により生成する。ニューラルネットワークは、損失関数を最小化するように学習を行うので、式（１）の第１項によりβがなるべく大きくなるように（つまりσがなるべく小さくなるように）学習が進む。また、式（１）の第２項によりμがなるべくｙに近づき、かつ、βがなるべく小さくなる（つまりσがなるべく大きくなる）ように学習が進む。したがって、σは、第１項による小さくなる方向と、第２項による大きくなる方向との両方に引っ張られ、両者がバランスした値に落ち着くことになり、その値が第１確率分布の標準偏差として求められる。これにより、第１学習部５１は、第２情報が入力されると、消費エネルギーの第１確率分布の期待値と分散とを直接出力するような第１学習モデルを生成することができる。この場合、第１推定部２１は、推定対象時点の第２情報を第１学習モデルに入力することで、推定対象時点の消費エネルギーの第１確率分布の期待値と分散とを直接出力することができる。
【0113】
上記実施形態の異常検知システム１は、第１期間を第２期間よりも長い期間に設定しているが、第１期間と第２期間の長さが同じで、第１期間と第２期間の時期が互いに異なるように設定してもよい。ここで、第１期間と第２期間の時期が互いに異なるとは、期間の始まりと終わりが第１期間と第２期間とで互いに異なっていればよく、第１期間の一部が、第２期間に含まれていてもよい。例えば、第１期間が２０１８年の１月１日から２０１９年の１２月３１日までの２年間、第２期間が２０１９年の１月１日から２０２０年の１２月３１日までの２年間のように部分的に期間が重なっていてもよい。
【0114】
例えば、異常検知システム１は、第１期間を一昨年の１年間、第２期間を昨年の１年間のように、長さは同じであるが時期が異なる時期に設定してもよい。これにより、異常検知システム１では、一昨年の１年間の第１情報と第２情報とを用いて第１学習モデルを作成し、昨年の１年間の第１情報と第２情報とを用いて第２学習モデルを作成する。ここで、一昨年と昨年とで設備機器Ｅ１の消費エネルギーの傾向が変化している場合に、推定対象時点での消費エネルギーが、一昨年の消費エネルギーの傾向から外れていても、昨年の消費エネルギーの傾向に一致していれば、第１異常スコアに比べて第２異常スコアは低い値となる。この場合、第１異常スコアのみでは設備機器Ｅ１の消費エネルギーが異常に変動したと判断される可能性があるが、第１異常スコアに加えて第２異常スコアを求めることで、消費エネルギーの変動が異常ではないと判断できる。したがって、設備機器Ｅ１の消費エネルギーの異常な変動を検出可能な異常検知システム１を提供することができる。
【0115】
また、異常検知システム１の第１取得部１１は、施設全体の消費エネルギーを第１情報として取得してもよく、施設全体の消費エネルギーの異常な変動を検出することができる。また、施設Ｆ１に設置された複数の設備機器Ｅ１が、設置場所又は用途などで複数のグループに分けられている場合、第１取得部１１は、各グループの消費エネルギーを第１情報として取得してもよく、グループごとに消費エネルギーの異常な変動を検出することができる。
【0116】
また、異常検知システム１は、３つ以上の期間での第１情報と第２情報とを用いて機械学習を行うことでそれぞれ生成された３つ以上の学習モデルを用いて３つ以上の異常スコアを求めてもよい。これにより、推定対象時点における消費エネルギーの測定値が異常な値であるか否かをより正確に判断することができる。
【0117】
また、上記の実施形態において２値の比較において、「超える」としているところは「以上」であってもよい。つまり、２値の比較において、２値が等しい場合を含むか否かは、基準値等の設定次第で任意に変更できるので、「超える」か「以上」かに技術上の差異はない。同様に、「以下」としているところは「未満」であってもよい。
【0118】
（まとめ）
以上説明したように、第１の態様の異常検知システム（１）は、第１取得部（１１）と、第２取得部（１２）と、第１推定部（２１）と、第２推定部（２２）と、第１算出部（３１）と、第２算出部（３２）と、出力部（４０）と、を備える。第１取得部（１１）は、施設（Ｆ１）に設けられた設備機器（Ｅ１）の消費エネルギーの測定値である第１情報を取得する。第２取得部（１２）は、設備機器（Ｅ１）の消費エネルギーの変動要因となる第２情報を取得する。第１推定部（２１）は、第１学習モデルに推定対象時点における第２情報を入力して推定対象時点における設備機器（Ｅ１）の消費エネルギーの第１確率分布を推定する。第１学習モデルは、第１期間の第１情報と第２情報とを用いて機械学習を行うことで生成された学習モデルである。第２推定部（２２）は、第２学習モデルに推定対象時点における第２情報を入力して推定対象時点における設備機器（Ｅ１）の消費エネルギーの第２確率分布を推定する。第２学習モデルは、第１期間とは異なる第２期間の第１情報と第２情報とを用いて機械学習を行うことで生成された学習モデルである。第１算出部（３１）は、第１確率分布と、推定対象時点における第１情報とに基づいて、推定対象時点における設備機器（Ｅ１）の消費エネルギーの測定値が第１確率分布の期待値から離れている度合いを示す第１異常スコアを求める。第２算出部（３２）は、第２確率分布と、推定対象時点における第１情報とに基づいて、推定対象時点における設備機器（Ｅ１）の消費エネルギーの測定値が第２確率分布の期待値から離れている度合いを示す第２異常スコアを求める。出力部（４０）は、第１異常スコア及び第２異常スコアを出力する。
以上説明したように、第１の態様の異常検知システム（１）は、第１取得部（１１）と、第２取得部（１２）と、第１推定部（２１）と、第２推定部（２２）と、第１算出部（３１）と、第２算出部（３２）と、出力部（４０）と、を備える。第１取得部（１１）は、施設（Ｆ１）に設けられた設備機器（Ｅ１）の消費エネルギーの測定値である第１情報を取得する。第２取得部（１２）は、設備機器（Ｅ１）の消費エネルギーの変動要因となる第２情報を取得する。第１推定部（２１）は、第１学習モデルに推定対象時点における第２情報を入力して推定対象時点における設備機器（Ｅ１）の消費エネルギーの第１確率分布を推定する。第１学習モデルは、第１期間の第１情報と第２情報とを用いて機械学習を行うことで生成された学習モデルである。第２推定部（２２）は、第２学習モデルに推定対象時点における第２情報を入力して推定対象時点における設備機器（Ｅ１）の消費エネルギーの第２確率分布を推定する。第２学習モデルは、第１期間とは異なる第２期間の第１情報と第２情報とを用いて機械学習を行うことで生成された学習モデルである。第１算出部（３１）は、第１確率分布と、推定対象時点における第１情報とに基づいて、推定対象時点における設備機器（Ｅ１）の消費エネルギーの測定値が第１確率分布の期待値から離れている度合いを示す第１異常スコアを求める。第２算出部（３２）は、第２確率分布と、推定対象時点における第１情報とに基づいて、推定対象時点における設備機器（Ｅ１）の消費エネルギーの測定値が第２確率分布の期待値から離れている度合いを示す第２異常スコアを求める。出力部（４０）は、第１異常スコア及び第２異常スコアを出力する。
【0119】
この態様によれば、設備機器（Ｅ１）の消費エネルギーの異常な変動を検出可能な異常検知システム（１）を実現できる。
【0120】
第２の態様の異常検知システム（１）では、第１の態様において、第１期間が第２期間よりも長い。
【0121】
この態様によれば、第１期間での消費エネルギーの傾向に基づく第１異常スコアと、第１期間よりも短い第２期間での消費エネルギーの傾向に基づく第２異常スコアとを求めることができる。例えば、最近起こった事象（例えばパンデミック等）の影響で消費エネルギーが変動した場合、長期的な観点で評価した値である第１異常スコアは大きな値となるが、短期的な観点で評価した値である第２異常スコアは小さい値となる。したがって、第１異常スコアと第２異常スコアの両方を求めることで、推定対象時点における消費エネルギーの測定値が異常な値であるか否かをより正確に判断できる。
【0122】
第３の態様の異常検知システム（１）では、第１の態様において、第１期間と第２期間の長さが同じで、第１期間と第２期間の時期が互いに異なる。
【0123】
この態様によれば、第１期間での消費エネルギーの傾向に基づく第１異常スコアと、第１期間よりも短い第２期間での消費エネルギーの傾向に基づく第２異常スコアとを求めることができる。したがって、第１異常スコアと第２異常スコアの両方を求めることで、推定対象時点における消費エネルギーの測定値が異常な値であるか否かをより正確に判断できる。
【0124】
第４の態様の異常検知システム（１）では、第１～第３のいずれかの態様において、第２情報が、施設（Ｆ１）における気象に関連する気象関連情報と、時刻に関する時間情報と、暦に関連するカレンダー情報と、施設（Ｆ１）の稼働状況に関連する施設関連情報とのうち少なくとも１つを含む。
【0125】
この態様によれば、気象関連情報、時間情報、カレンダー情報、及び施設関連情報のうちの少なくとも１つに関連する消費エネルギーの変動を考慮して、測定対象時点における消費エネルギーの測定値が異常な値であるか否かを判断できる。
【0126】
第５の態様の異常検知システム（１）では、第１～第４のいずれかの態様において、第１算出部（３１）は、第１確率分布の期待値及び分散と、推定対象時点における第１情報とに基づいて、第１異常スコアを求める。第２算出部（３２）は、第２確率分布の期待値及び分散と、推定対象時点における第１情報とに基づいて、第２異常スコアを求める。
【0127】
この態様によれば、設備機器（Ｅ１）の消費エネルギーの異常な変動を検出可能な異常検知システム（１）を実現できる。
【0128】
第６の態様の異常検知システム（１）では、第１～第５のいずれかの態様において、設備機器（Ｅ１）は、複数の設備機器（Ｅ１）の一つである。第１推定部（２１）は、複数の設備機器（Ｅ１）の各々について、第１確率分布を推定する。第２推定部（２２）は、複数の設備機器（Ｅ１）の各々について、第２確率分布を推定する。第１算出部（３１）は、複数の設備機器（Ｅ１）の各々について、第１異常スコアを求める。第２算出部（３２）は、複数の設備機器（Ｅ１）の各々について、第２異常スコアを求める。出力部（４０）は、表示部（２０１）の画面に、第１異常スコア又は第２異常スコアの値の大きい順番に所定個数の設備機器（Ｅ１）の名称を並べて表示する。
【0129】
この態様によれば、複数の設備機器（Ｅ１）の種類や規模が異なる場合でも、第１異常スコア又は第２異常スコアの値を用いることで相互に比較することが可能になる。
【0130】
第７の態様の異常検知システム（１）では、第６の態様において、複数の設備機器（Ｅ１）の各々に対応して複数の管理部門が設定されている。複数の管理部門の各々は、複数の設備機器（Ｅ１）のうち対応する設備機器（Ｅ１）の管理業務を行う。出力部（４０）は、表示部（２０１）の画面に、所定個数の設備機器（Ｅ１）の名称と、所定個数の設備機器（Ｅ１）の各々を管理する管理部門の情報とを対応付けて表示する。
【0131】
この態様によれば、消費エネルギーの測定値が異常と判断された設備機器（Ｅ１）の管理部門を視覚的に把握しやすくなるという利点がある。
【0132】
第８の態様の異常検知システム（１）は、第６又は第７のいずれかの態様において、複数の設備機器（Ｅ１）の中から表示対象の設備機器（Ｅ１）を示す選択情報を受け付ける受付部（４１）を更に備える。出力部（４０）は、選択情報に基づいて、表示対象の設備機器（Ｅ１）の第１情報と、表示対象の設備機器（Ｅ１）について求めた第１異常スコア及び第２異常スコアとを時系列で表示するグラフを、表示部（２０１）の画面に表示する。
【0133】
この態様によれば、表示部（２０１）の画面に表示されたグラフから、表示対象の設備機器（Ｅ１）の消費エネルギーと、第１異常スコア及び第２異常スコアの時間変化を視覚的に把握しやすくなるという利点がある。
【0134】
第９の態様の異常検知システム（１）は、第１～第８のいずれかの態様において、第１学習部（５１）と、第２学習部（５２）と、を更に備える。第１学習部（５１）は、第１期間の第１情報と第２情報とを用いて機械学習を行って第１学習モデルを生成する。第２学習部（５２）は、第２期間の第１情報と第２情報とを用いて機械学習を行って第２学習モデルを生成する。
【0135】
この態様によれば、第１学習部（５１）及び第２学習部（５２）が第１学習モデル及び第２学習モデルの再学習を行うことで、第１学習モデル及び第２学習モデルを更新することができる。
【0136】
第１０の態様の異常検知方法は、第１取得ステップと、第２取得ステップと、第１推定ステップと、第２推定ステップと、第１算出ステップと、第２算出ステップと、出力ステップと、を含む。第１取得ステップでは、施設（Ｆ１）に設けられた設備機器（Ｅ１）の消費エネルギーの測定値である第１情報を取得する。第２取得ステップでは、設備機器（Ｅ１）の消費エネルギーの変動要因となる第２情報を取得する。第１推定ステップでは、第１学習モデルに推定対象時点における第２情報を入力して推定対象時点における設備機器（Ｅ１）の消費エネルギーの第１確率分布を推定する。第１学習モデルは、第１期間の第１情報と第２情報とを用いて機械学習を行うことで生成された学習モデルである。第２推定ステップでは、第２学習モデルに推定対象時点における第２情報を入力して推定対象時点における設備機器（Ｅ１）の消費エネルギーの第２確率分布を推定する。第２学習モデルは、第１期間とは異なる第２期間の第１情報と第２情報とを用いて機械学習を行うことで生成された学習モデルである。第１算出ステップでは、第１確率分布と、推定対象時点における第１情報とに基づいて、推定対象時点における設備機器（Ｅ１）の消費エネルギーの測定値が第１確率分布の期待値から離れている度合いを示す第１異常スコアを求める。第２算出ステップでは、第２確率分布と、推定対象時点における第１情報とに基づいて、推定対象時点における設備機器（Ｅ１）の消費エネルギーの測定値が第２確率分布の期待値から離れている度合いを示す第２異常スコアを求める。出力ステップでは、第１異常スコア及び第２異常スコアを出力する。
【0137】
この態様によれば、設備機器（Ｅ１）の消費エネルギーの異常な変動を検出することができる。
【0138】
第１１の態様のプログラムは、コンピュータシステムに、第１０の態様の異常検知方法を実行させるためのプログラムである。
【0139】
この態様によれば、設備機器（Ｅ１）の消費エネルギーの異常な変動を検出することができる。
【0140】
上記態様に限らず、上記実施形態に係る異常検知システム（１）の種々の構成（変形例を含む）は、異常検知方法、（コンピュータ）プログラム、又はプログラムを記録した非一時的記録媒体等で具現化可能である。
【0141】
第２～第９の態様に係る構成については、異常検知システム（１）に必須の構成ではなく、適宜省略可能である。
【符号の説明】
【0142】
１ 異常検知システム
１１ 第１取得部
１２ 第２取得部
２１ 第１推定部
２２ 第２推定部
３１ 第１算出部
３２ 第２算出部
４０ 出力部
４１ 受付部
５１ 第１学習部
５２ 第２学習部
２０１ 表示部
Ｅ１ 設備機器
Ｆ１ 施設
１１ 第１取得部
１２ 第２取得部
２１ 第１推定部
２２ 第２推定部
３１ 第１算出部
３２ 第２算出部
４０ 出力部
４１ 受付部
５１ 第１学習部
５２ 第２学習部
２０１ 表示部
Ｅ１ 設備機器
Ｆ１ 施設
【図1】
【図2】
【図3】
【図4】
【図5】