AWS IoT と 生成 AI を使って自宅の消費電力を測定・予測してみよう

• AWS IoT Core
• AWS IoT Greengrass
• Amazon Timestream
• AWS Secrets Manager
  
• Amazon Managed Grafana
• Amazon Bedrock

完成すると、Amazon Managed Grafana にこのような消費電力推移を可視化するグラフが出来上がります。

また、Amazon Bedrock で電力の使用傾向を説明させて、気象情報をから消費電力を予測します。

以上が完成イメージです。

この二つの情報があれば、B ルートを通じてスマートメーターのデータにアクセスできるようになります。これで準備完了です。次のステップから実際に構築していきましょう。
※B ルート申請や Wi-SUN USB アダプターの準備が困難な場合のために、ダミーデータを生成できるシミュレーションモードを用意しています。このモードを使えば、B ルート申請や Wi-SUN USB アダプター無しでのテストが可能です。シミュレーションモードの利用方法については、「4. RaspberryPi (AWS IoT Greengrass)」の項目をご参照ください。

ではさっそく作ってみましょう !

主に以下のデバイスを利用しています。その他、ラズパイを利用するための microSD カード、キーボード、マウス、microHDMI、USB Type-c の電源等が別途必要になります。

• Raspberry Pi 4 Model B メモリ 4 G

• Wi-SUN USBアダプター：RS-WSUHA-P

ラズベリーパイのセットアップから始めましょう。公式サイト から最新のイメージをダウンロードし、SD カードに書き込みます。ラズベリーパイのセットアップが初めての方は、公式ページ に掲載されている詳細な手順を参考にすることをお勧めします。以降の説明は、ラズベリーパイのセットアップが完了し、デスクトップにログインしている状態を前提としています。

次に AWS IoT Greengrass のインストーラーを取得します。

AWS コンソールで AWS IoT Greengrass の設定画面を開きます。

「一つのコアデバイスをセットアップ」ボタンを押下します。

以下のように設定します。

• コアデバイス名 : SmartMeter-RaspberryPi

• モノのグループ : グループなし

• オペレーティングシステム : Linux

こちらの画面のインストーラのダウンロードと、インストーラの実行のコマンドを RaspberryPi のターミナル上にコピーして実行します。

AWS コンソールの「コアデバイスを表示する」ボタンを押下して、Greengrass コアデバイスリストに作成したコアデバイスが表示されていることを確認します。

スマートメーターデータを収集・送信するカスタムコンポーネントの登録手順です。

Amazon S3 バケットの作成 :
まず、カスタムコンポーネントのアーティファクト (実行ファイル) を格納するための Amazon S3 バケットを作成します。このバケットは、Greengrass コアデバイスがアクセスできる場所に作成してください。

アーティファクトのアップロード :
スマートメータースクリプト (smart_meter_raspberrypi.py) を こちらのリンク からダウンロードし、作成した S3 バケットにアップロードします。このスクリプトがコンポーネントのアーティファクトとなります。

Greengrass コンポーネントの作成 :
AWS IoT コンソールの Greengrass コンポーネントページに移動し、「マイコンポーネント」セクションから「コンポーネントを作成」ボタンをクリックします。

コンソールから AWS Secrets Manager を開きます。

新しいシークレットを作成を押下します。

その他のシークレットのタイプを選択します。

以下の内容で作成し「次へ」ボタンを押下します。（取得方法は 2. 事前準備 (Bルート申し込み) の項をご参照ください。

• rbpwd : 実際のパスワードを入力してください。

• rbid : 実際の認証 ID を入力してください。

シークレットの名前 : RouteB_Secret と入力し、その他はデフォルトのまま「作成」を押下します。

このようにシークレットが生成されます。シークレットの ARN は後で必要になるのでメモしておきます。

AWS IoT Greengrass に AWS Secrets Manager へのアクセス権を付与します。

• コンソールから AWS Secrets Manager を開き、右側ペインからロールを選択します。

• 検索ウインドウに『GreengrassV2TokenExchangeRole』を入力します。

• GreengrassV2TokenExchangeRole が表示されたら選択します。

• 「許可を追加」→「ポリシーをアタッチ」を選択します。

• 検索ウインドウに『Secret』と入力し「SecretsManagerReadWrite」のチェックボックスにチェックを入れて「許可を追加」ボタンを押下します。

AWS Secrets Manager にクレデンシャル情報を保存

• コンソールから AWS Secrets Manager を開きます。

• 新しいシークレットを作成を押下します。

• その他のシークレットのタイプを選択します。

• キー名称には OpenWeatherMapAPIKey と入力します。

• OpenWeather Map API キー から取得して入力してください。(OpenWeatherMap の利用にあたっては 利用規約 をご確認ください。)

左側ペインの「Greengrass デバイス」→「デプロイ」を選択します

Greengrass デプロイ一覧の中から、前のステップで作成したデプロイ名称を選択します。

右上の「アクション」タブから「変更」を選択し、「デプロイの変更」ボタンを押下します。

ターゲットを指定画面はデフォルトで「次へ」ボタンを押下します。

マイコンポーネントに「com.example.myraspberrypi_smartmeter」にチェックを入れます。

パブリックコンポーネントに「aws.greengrass.SecretManager」にチェックを入れ、「次へ」ボタンを押下します。

コンポーネントを設定の画面で「aws.greengrass.SecretManager」にチェックを入れて、「コンポーネントを設定」ボタンを押下します。

「次へ」ボタンを押し、最後の画面まで行き、「デプロイ」ボタンを押下します。

下記のようにデプロイ画面の「デバイスのステータス」が正常、「デプロイのステータス」が完了となったら成功です。

データの格納先として、今回は Amazon Timesteam という時系列データベースを使用します。以下の手順で Amazon Timestream を設定しましょう。

コンソールから Amazon Timestream を開きます。

データベース作成を作成します。

• データベース名 : smart_meter_database

• その他はデフォルトで「データベースを作成」ボタンを押下します。

テーブルを作成します。

• データベース名は作成済みの smart_meter_database を選択します。

• テーブル名 : smart_meter_table

• パーティションキー設定は「デフォルトパーティショニング」を選択します。

• その他はデフォルトで「テーブルを作成」ボタンを押下します。

これでデータの格納先が出来上がりました。次に、この Timestream にデータを挿入するための AWS IoT Core ルールエンジンを設定します。

AWS IoT Core にはルールエンジンと呼ばれる機能があります。取得したデータを整形・追記、フィルタリングして、他の AWS サービスに対してデータの受け渡しができます。この機能を使って、ラズパイから送信されたデータを Amazon Timestream に受け渡すための設定をしていきましょう。

コンソールから AWS IoT Core を開きます。

ルールを以下の手順で作成します。

• 左側のペインからメッセージのルーティングを展開し、ルールを選択する。

• 「ルールを作成」を押下します。

• ルール名 : transfer_to_timestream

• SQLステートメント : SELECT power_consumption FROM 'power/consumption'

• 「次へ」ボタンを押下します。

ルールアクションを以下の手順で作成します。

• アクション 1 は「Timestream table」を選択します。

• データベース名：作成済みの「smart_meter_database」を選択します。

• テーブル名：作成済みの「smart_meter_table」を選択します。

• ディメンション名 : DeviceID

• ディメンション値 : ${clientid()}

• タイムスタンプ値 : ${timestamp()}

• タイムスタンプの単位 : MILLISECONDS

• IAM ロール : 「新しいロールを作成」から timestream_role という名前で作成します。

• 最後に「作成」ボタンを押下します。

もう一度 Timestream を開き、アクション→クエリテーブルからクエリを実行して、このようにデータが表示されたら成功です。

これでラズパイから上がってきた消費電力値をデータベースに蓄積できるようになりました。次は、それらを可視化するための設定をしていきましょう。

AWS には様々な可視化サービスがありますが、今回は Amazon Managed Grafana を使います。

AWS コンソールで Amazon Managed Grafana を開き、「ワークスペースを作成」を押下します。

AWS IAM ID センター (AWS SSO の後継) を選択。そのほかはデフォルトのまま「次へ」ボタンを押下します。

データソース一覧から「Amazon TimeStream」を選択します。

「新しいユーザーまたはグループの割り当て」を押下し、ユーザーを割り当てます。（事前に AWS IAM ID センターにユーザーを作成しておいてください。)

追加したユーザーのチェックボックスをチェックし、右上のアクションタブから「管理者を作成する」を選択します。

ワークスペース設定オプションタブからプラグイン管理の編集を有効化します。

Grafana ワークスペースにアクセスしてログインします。

左側ペインのメニューから Connections → Add new connection を選択し、検索ウインドウに Timestream と入力します。

Timestream のアイコンを選択して、「Install」ボタンを押下します。

左側ペインから Dashboards を選択し、「Create Dashboard」を押下します。

この画面のように Select Datasource に Timestream のデータソースが表示されるので、これを選択します。

クエリ領域に以下のクエリを入力して、グラフを更新します。(生データ表示)

SELECT time, measure_value::bigint
FROM "smart_meter_database"."smart_meter_table" 
WHERE $__timeFilter

同様に Visualization を追加し、クエリ領域に以下のクエリを入力してグラフを更新します。(1 日ごとの平均値)

SELECT 
    DATE_TRUNC('day', time) AS day,
    AVG(measure_value::bigint
    ) AS avg_power_consumption
FROM "smart_meter_database"."smart_meter_table"
WHERE $__timeFilter
GROUP BY DATE_TRUNC('day', time)
ORDER BY day

ここまでで可視化ダッシュボードができました。次は消費電力を Amazon Bedrock に投入する仕組みを作りましょう。次のステップで、Amazon Timestream から消費電力のデータを取得する AWS Lambda を設定します。

AWS Lambda は、イベントの発生に応じてプログラムを実行する環境を提供するサービスです。サーバー管理不要で、必要なタイミングのみコードを実行させることができます。ここに getTimestreamData と getForecastTemperature という二つの Lambda 関数を設定します。

Lambda : getTimestream_lambda の作成

Timestream から消費電力を取得するコードを AWS Lambda として定義します。Amazon Bedrock がこの AWS Lambda を経由して Timestream 内の消費電力データにアクセスできるようにします。

こちら から AWS Lambda のファンクションコードをダウンロードします。

AWS コンソールで AWS Lambda を開き、「関数の作成」ボタンを押下します。

関数名は getTimestream_lambda を入力します。

ランタイムは Python を選択し、その他はデフォルトのまま「関数の作成」ボタンを押下します。

アップロード元タブから、ステップ 1 でダウンロードした zip ファイルをアップロードします。

設定タブ→アクセス権限から、以下の権限をロールに割り付けます。

• AmazonTimestreamReadOnlyAccess

リソースベースのポリシーステートメントから「アクセス権限を追加」ボタンを押下します。

AWS のサービスを選択し、以下の項目を設定します。

• サービス : Other

• ステートメント ID : agentsInvokeFunction

• プリンシパル : bedrock.amazonaws.com

• ソース ARN : 実際の値を入力

• アクション : lambda:InvokeFunction

Lambda : getForecastTemperature_lambda の作成

OpenWheatherMap から予想気温を取得するコードを AWS Lambda として定義します。Amazon Bedrock がこの AWS Lambda を経由して OpenWheatherMap の気象データにアクセスできるようにします。コードの内の変数 CITY_NAME に設定された場所の気象データを取得します。サンプルコードは場所を変更したい場合は、CITY_NAME 変数を修正してください。

こちら から AWS Lambdaの ファンクションコードをダウンロードします。

AWS コンソールで AWS Lambda を開き、「関数の作成」ボタンを押下します。

関数名は getForecastTemperature_lambda を入力します。

ランタイムは Python を選択し、その他はデフォルトのまま「関数の作成」ボタンを押下します。

アップロード元タブから、ステップ 1 でダウンロードした zip ファイルをアップロードします。

設定タブ→アクセス権限から、以下の権限をロールに割り付けます。

• SecretsManagerReadWrite

リソースベースのポリシーステートメントから「アクセス権限を追加」ボタンを押下します。

AWS のサービスを選択し、以下の項目を設定します。

• サービス : Other

• ステートメントID : agentsInvokeFunction

• プリンシパル : bedrock.amazonaws.com

• ソース ARN : 実際の値を入力

• アクション : lambda:InvokeFunction

左側ペインからモデルアクセスを選択し、Claude 3.5 Sonnet のモデルアクセスをリクエストします。

AWS コンソールで Amazon Bedrock を開き、左側ペインから「エージェント」を選択します。

「エージェントを作成」ボタンを押下して任意の名前でエージェントを作成します。

「モデルを選択」では、先ほどアクセスリクエストで有効にした 「Anthopic」、「Claude 3.5 Sonnet」を選択します。

エージェント向けの指示に以下を入力します。

あなたは家庭の消費電力を監視するエージェントです。
今日の気温と平均消費電力、また、未来５日間の予測最高気温と予測最低気温の推移から、
間接的に未来５日間の消費電力を推測してください。時系列の消費電力データや本日の日付、
また現在の気温と予測気温についてはFunctionを呼び出して情報を取得してください。

アクショングループの箇所で追加ボタンを押下します。

アクショングループ名を入力の欄に action-group-timestream と入力します。

Action group invocation で Select an existing Lambda function を選択します。

Lambda 関数を選択で、作成済みの getTimestream_lambda を選択します。

Action group function に以下のファンクションを作成します。

• Action group function 1 :

  • Name : getCurrentDate

  • 説明 : 本日の日付を yyyymmdd 形式で返却します。

• Action group function 2 :

  • Name : getdayPowerConsumption

  • 説明 : 指定日の1日の平均消費電力を返却します。値と日時だけ返却します。

• Parameters 1
  

  • Name : from_date

  • Description : 取得期間の開始日を ISO 8601 形式 (例：2024-09-18 07:59:16.051000000) で指定します。

  • Type : string

  • Required : True

• Parameters 2
  

  • Name : to_data

  • Description : 取得期間の終了日を ISO 8601 形式 (例：2024-09-18 07:59:16.051000000) で指定します。

  • Type : string

  • Required : True

保存して「終了」ボタンを押下します。

再度、アクショングループの箇所で「追加」ボタンを押下します。

アクショングループ名を入力の欄に action-group-timestream と入力します。

「Action group invocation」で「Select an existing Lambda function」を選択します。

「Lambda 関数を選択」で、作成済みの「getForecastTemperature_lambda」を選択します。

Action group function に以下のファンクションを作成します。

• Action group function 1 :

  • Name : getCurrentTemperature

  • 説明 : 現在の気温を返却します。

• Action group function 2 :

  • Name : getForcastTemperature

  • 説明 : 5 日間の日ごとの予測最高気温と予測最低気温を返却します。範囲外の日にちの問い合わせには「回答できない」と返答すること。

保存して「終了」ボタンを押下します。

以上で設定完了です。それでは動作確認してみましょう。Bedrock のチャットボックスで「昨日の 1 日の消費電力は ?」と尋ねてみます。

295.85 との回答が返ってきました。Grafana で生データを見て答え合わせしてみます。

2024-09-29 の値は 296。正しく回答できています。

では 2 問目。Bedrock のチャットボックスで「明日の予想最低気温と予想最高気温は ?」と尋ねてみます。

こちらも確認したところ正しく回答できています。(ここでスロットリングに関するエラーが出た場合は、リージョンやモデルを変更して再度試してみてください)

次に画面のように、過去の消費電力データと気温データを合わせて、気温から間接的に消費電力を予測させてみました。

回答を見てみると、本日のデータから気温と消費電力の相関を見出し、今後 5 日間の予測気温に基づいて消費電力を推測しています。高温日には消費電力が上がり、平均的な気温の日には平均的な消費量を予測するなど、(もちろん気温だけが要因ではありませんが) 与えられた情報から仮説を立てています。

今後、曜日、季節、家族の在宅状況など、様々なデータソースを複合的に分析させれば、より精度が上がり、実用的なものになりそうな予感がします。