CN105849998B - 电力需求预测装置及预测方法、供电系统及记录介质 - Google Patents

电力需求预测装置及预测方法、供电系统及记录介质 Download PDF

Info

Publication number
CN105849998B
CN105849998B CN201580003428.4A CN201580003428A CN105849998B CN 105849998 B CN105849998 B CN 105849998B CN 201580003428 A CN201580003428 A CN 201580003428A CN 105849998 B CN105849998 B CN 105849998B
Authority
CN
China
Prior art keywords
vehicle
charging equipment
individual models
characteristic value
electric power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201580003428.4A
Other languages
English (en)
Other versions
CN105849998A (zh
Inventor
山科勇辅
小柳容子
斋藤真由美
杉本喜
杉本喜一
矢野真也
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Heavy Industries Ltd
Original Assignee
Mitsubishi Heavy Industries Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Heavy Industries Ltd filed Critical Mitsubishi Heavy Industries Ltd
Publication of CN105849998A publication Critical patent/CN105849998A/zh
Application granted granted Critical
Publication of CN105849998B publication Critical patent/CN105849998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/63—Monitoring or controlling charging stations in response to network capacity
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/65—Monitoring or controlling charging stations involving identification of vehicles or their battery types
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/62—Vehicle position
    • B60L2240/622—Vehicle position by satellite navigation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/70—Interactions with external data bases, e.g. traffic centres
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • B60L2260/54—Energy consumption estimation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/40—The network being an on-board power network, i.e. within a vehicle
    • H02J2310/48—The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/14—Plug-in electric vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/12—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation
    • Y04S10/126—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation the energy generation units being or involving electric vehicles [EV] or hybrid vehicles [HEV], i.e. power aggregation of EV or HEV, vehicle to grid arrangements [V2G]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/14—Details associated with the interoperability, e.g. vehicle recognition, authentication, identification or billing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Transportation (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Mechanical Engineering (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Sustainable Development (AREA)
  • Educational Administration (AREA)
  • Sustainable Energy (AREA)
  • Game Theory and Decision Science (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)

Abstract

本发明提供一种电力需求预测装置、供电系统、电力需求预测方法及记录有程序的记录介质。本发明的电力需求预测装置(100)具备：区域特征值预测部(114)，输入有关车辆的实际测定数据，并预测被划分为多个的各划分区域中，表示有关属于该划分区域内的车辆的特征的区域特征值；个别模型获取部(112)，获取将区域特征值作为输入，将特定车辆在特定充电设备中的电力需求作为输出的该特定车辆各自的个别模型；以及需求预测运算部(113)，将预测到的区域特征值输入于个别模型，并计算与该个别模型对应的特定车辆在特定充电设备中的电力需求预测值。

Description

电力需求预测装置及预测方法、供电系统及记录介质
技术领域
本发明涉及一种预测充电设备中的电力需求量的电力需求预测装置、供电系统、电力需求预测方法及程序。
本申请根据2014年2月28日在日本申请的日本专利申请 2014-038748号主张优先权，并将其内容援用于此。
背景技术
近年来，搭载有电池的电动汽车或混合式汽车正在普及，充电设备中的电力需求增加。随之利用对应电力需求的预测结果来控制应生成的总电量及应按每一个地区、每一个时间段供给的配电量的配电计划技术。
为了预测电力需求，一般利用如下方法等：根据过去的实际电力需求及表示时刻信息、星期、假日等的月历信息等，利用统计方法构建预测模型，由此进行预测(例如，参考专利文献1)。
并且，当预测某个地区内的电力需求时，利用统计分析该地区的群体的行动倾向并将其模型化的方法。
以往技术文献
专利文献
专利文献1：日本特开2012-113546号公报
发明内容
发明要解决的技术课题
然而，例如，当统计分析地区的群体的行动倾向时，为了构建高精确度再现该地区的群体的行动倾向整体的特性，需要庞大量的实际数据(培训用数据)。相对于此，探测车(具备获取详细行驶数据的功能的车辆)的台数有限，因此无法获取相当量的实际数据。因此，难以高精确度再现地区的群体的行动倾向。
本发明是鉴于上述课题而完成的，其目的在于提供一种能够根据有限的实际数据来进行精确度更高的电力需求预测的电力需求预测装置、供电系统、电力需求预测方法及程序。
用于解决技术课题的手段
根据本发明的第1方式，电力需求预测装置(1)具备：区域特征值预测部(114)，输入有关车辆的实际测定数据(D1)，并按被划分为多个划分区域(A1、A2…)的每一个来预测表示有关属于该划分区域内的车辆的特征的区域特征值；个别模型获取部(112)，获取将所述区域特征值作为输入，将特定车辆在(201、202…)在特定充电设备(301、302…)中的电力需求作为输出的该特定车辆的各个别模型 (M1、M2…)；需求预测运算部(113)，将所述预测到的区域特征值输入于所述个别模型，并计算与该个别模型对应的特定车辆在所述特定充电设备中的电力需求的预测值。
根据这种电力需求预测装置，由于将从周期规律性较高的群体的行动倾向导出的区域特征值的预测值用作表示个人行动倾向的个别模型的因素，因此能够以高精确度预测到较远的未来的值。
并且，根据本发明的第2方式，在上述电力需求预测装置中，所述区域特征值预测部包含所述划分区域内的车辆密度、该划分区域内的所有车辆的平均速度、以及属于该划分区域内的所有车辆的电磁平均充电率中的至少一个来作为所述区域特征值。
根据这种电力需求预测装置，作为群体行动的倾向，将周期规律性较高的车辆密度、车辆平均速度，或将平均充电率用作预测值，由此能够根据精确度较高的预测值来预测电力需求。
并且，根据本发明的第3方式，在上述电力需求预测装置中，所述个别模型获取部根据有关所述车辆的实际测定数据来按每个特定车辆生成个别模型，该个别模型表示成为所述特定车辆在特定充电设备中进行充电的意思决定的主要原因的因素信息的实际值与表示该特定车辆在所述特定充电设备中的电力需求的实际值之间的相关关系。
根据这种电力需求预测装置，根据成为电动汽车的各利用者进行充电的意思决定的主要原因的因素信息的实际值来生成个别模型。从而，能够使用正确反映利用者的想法的个别模型。
并且，根据本发明的第4方式，在上述电力需求预测装置中，所述个别模型获取部获取个别模型，该个别模型表示所述特定车辆的当前位置与所述特定充电设备之间的距离和该特定充电设备中的电力需求之间的相关关系。
根据这种电力需求预测装置，通过将车辆与充电设备的距离和该充电设备中的电力需求之间的相关关系设为反映个人行动倾向的个别模型，能够削减生成个别模型的劳动力。
并且，根据本发明的第5方式，供电系统具备：上述电力需求预测装置；以及供电管理装置，根据所述电力需求预测装置的预测结果来调整所述充电设备各自的供给电力。
根据这种供电系统，供电管理装置根据由电力需求预测装置预测的精确度较高的预测结果，按每个充电设备调整供给电力，因此能够更加有效地提供供电服务。
并且，根据本发明的第6方式，电力需求预测方法具有：输入有关车辆的实际测定数据，并按被划分为多个划分区域的每一个来预测表示有关属于该划分区域内的车辆的特征的区域特征值的步骤；获取将所述区域特征值作为输入，将特定车辆在特定充电设备中的电力需求作为输出的该特定车辆的各个别模型的步骤；以及将所述预测到的区域特征值输入于所述个别模型，并计算与该个别模型对应的特定车辆在所述特定充电设备中的电力需求的预测值的步骤。
根据这种电力需求预测方法，由于将从周期规律性较高的群体的行动倾向导出的区域特征值的预测值用作表示个人行动倾向的个别模型的因素而使用，因此能够以高精确度预测到较远的未来的值。
并且，根据本发明的第7方式，程序使电力需求预测装置的计算机作为区域特征值预测机构、个别模型获取机构以及需求预测运算机构发挥功能，所述区域特征值预测机构输入有关车辆的实际测定数据，并按被划分为多个的划分区域的每一个来预测表示有关属于该划分区域内的车辆的特征的区域特征值，所述个别模型获取机构获取将所述区域特征值作为输入，将特定车辆在特定充电设备中的电力需求作为输出的该特定车辆的各个别模型，所述需求预测运算机构将所述预测到的区域特征值输入于所述个别模型，并计算与该个别模型对应的特定车辆在所述特定充电设备中的电力需求的预测值。
根据这种程序，由于将从周期规律性较高的群体的行动倾向导出的区域特征值的预测值用作表示个人行动倾向的个别模型的因素，因此能够以高精确度预测到较远的未来的值。
发明效果
根据上述电力需求预测装置、供电系统、电力需求预测方法及程序，能够根据有限的实际数据来进行精确度更高的电力需求预测。
附图说明
图1是表示第1实施方式所涉及的供电系统的概要的图。
图2是表示第1实施方式所涉及的电力需求预测装置的功能结构的图。
图3是表示第1实施方式所涉及的数据积累处理部所存储的车辆探测数据的详细内容的图。
图4是说明第1实施方式所涉及的个别模型获取部的功能的第1 图。
图5是说明第1实施方式所涉及的个别模型获取部的功能的第2 图。
图6是说明第1实施方式所涉及的个别模型获取部的功能的第3 图。
图7是说明第1实施方式所涉及的个别模型获取部的功能的第4 图。
图8是说明第1实施方式所涉及的个别模型的例子的图。
图9是说明第1实施方式所涉及的区域特征值预测部的功能的第 1图。
图10是说明第1实施方式所涉及的区域特征值预测部的功能的第 2图。
图11是说明第1实施方式所涉及的区域特征值预测部的功能的第 3图。
图12是说明第1实施方式所涉及的需求预测运算部的处理流程的流程图。
图13是说明第1实施方式所涉及的需求预测运算部的处理的第1 图。
图14是说明第1实施方式所涉及的需求预测运算部的处理的第2 图。
图15是说明第1实施方式所涉及的需求预测运算部的功能的第3 图。
图16是表示第1实施方式的变形例所涉及的区域特征值预测部的功能的图。
图17是说明第1实施方式的变形例所涉及的个别模型获取部的功能的图。
图18是说明第2实施方式所涉及的需求预测运算部的功能的图。
具体实施方式
＜第1实施方式＞
以下，对第1实施方式所涉及的供电系统进行说明。
第1实施方式所涉及的供电系统，将各充电设备的电力需求(本实施方式中，各充电设备的“利用率”)分为两个阶段进行预测，该两个阶段为按特定地域(例如，一城市)中的规定的划分区域的每一个预测特征值的步骤、并将该预测到的特征值输入于反映各个人的意思决定的特征的个别模型的步骤即。
(整体结构)
图1是表示第1实施方式所涉及的供电系统的概要的图。
第1实施方式所涉及的供电系统1具备电力需求预测装置100、多个探测车201、202…、多个充电设备301、302…及供电管理装置400。
供电系统1在特定地区(例如为城市T1)内提供电动汽车用的供电服务。具体而言，供电系统1经由设置于城市T1的各处的充电设备 301、302…对在城市T1内行驶的电动汽车供给电池充电用电力。
电力需求预测装置100从探测车201、202…每一个输入多个车辆探测数据D1(后述)，根据该车辆探测数据D1来预测充电设备301、 302…每一个中的电力需求(每个时间段的利用率)。
探测车201、202…为在属于城市T1的居民中特定利用者所利用的电动汽车。探测车201、202…上搭载有专用车载器(未图示)，通过该车载器能够按一定时间记录各探测车201、202…的行驶状态。例如，探测车201、202…能够按一定时间(例如，按每小时)记录表示各探测车201、202…是否正在驾驶的驾驶状态信息、确定各探测车201、 202…的位置的车辆位置信息(例如，由GPS(Global Positioning System) 得到的纬度/经度信息)、表示所搭载的电池的充电率[％](剩余容量) 的SOC(State Of Charge)信息来作为各自的行驶状态。
另外，探测车201、202…所能获取的行驶状态的内容并不限定于上述内容，除此以外，还可以记录行驶距离或通过所搭载的速度/加速度传感器获取的速度/加速度信息等、以及探测车201、202…正在停止中、充电中的各种信息。并且，探测车201、202…并不限定于“按一定时间”获取各自的行驶状态的方式，除此以外，还可以是每当发生任意规定的特定现象时进行记录的方式。具体而言，例如，探测车201、 202…可以按一定行驶距离、按一定的车辆状态的变化(由行驶状态过渡到停车状态时、主电源的开启和关闭、前照灯的开启和关闭)来记录该时刻的探测车201、202…的行驶状态。
充电设备301、302…设置于城市T1的各处。电动汽车的利用者前往设置于各处的充电设备301、302…对电动汽车进行充电。另外，本实施方式中，如图1所示，各充电设备301、302…设置于属于城市 T1的规定区域A1、A2、A3…的每一个。
供电管理装置400根据由电力需求预测装置100预测的电力需求 (针对充电设备301、302…每一个的每个时间段的利用率)的预测结果，反映到配电计划中，以能够从各充电设备301、302…供给充电所需的电力。
(电力需求预测装置的功能结构)
图2是表示第1实施方式所涉及的电力需求预测装置的功能结构的图。
如图2所示，本实施方式所涉及的电力需求预测装置100具备数据接收部101、数据输出部102、CPU(Central Processing Unit)110、探测数据存储部120、个别模型存储部121以及地图月历数据存储部 123。
数据接收部101为从探测车201、202…的每一个接收车辆探测数据D1的输入的通信模块。在此，探测车201、202…的各车载器经由规定的通信机构向数据接收部101自动输出所获取的车辆探测数据D1。另外，除了各车载器向数据接收部101自动发送车辆探测数据D1的方式以外，还可以由供电系统1的利用者(管理者)手动进行从各车载器向数据接收部101发送的处理。
数据输出部102为向供电管理装置400输出通过后述的CPU110 的计算处理而得到的利用率预测数据D20F的通信模块。
CPU110为管理电力需求预测装置100的整个处理的通用CPU。 CPU110按照被读入存储区域中的专用程序进行动作，由此实现作为数据积累处理部111、个别模型获取部112、需求预测运算部113，区域特征值预测部114的功能。关于各功能的详细内容将于后述。
探测数据存储部120为通过CPU110(后述的数据积累处理部111) 的处理而容纳所获取的车辆探测数据D1的存储区域。
个别模型存储部121为存储由CPU110(后述的个别模型获取部 112)生成的各探测车201、202…的个别模型的存储区域。
并且，地图月历数据存储部123中存储，表示记载有城市T1的道路网、划分(划分区域A1、A2…的范围)、充电设备301、302…的位置等的地图数据D4和平日、假日(节日)等月历的月历数据D5。
另外，上述探测数据存储部120、个别模型存储部121以及地图月历数据存储部123可以为存储于单一的存储装置的形态。
如上所述，本实施方式所涉及的CPU110具有作为数据积累处理部111、个别模型获取部112、需求预测运算部113以及区域特征值预测部114的功能。
数据积累处理部111将经由数据接收部101输入的车辆探测数据 D1逐次存储于探测数据存储部120。关于由数据积累处理部111积累的车辆探测数据D1的内容将于后述。
个别模型获取部112根据积累在探测数据存储部120的过去的车辆探测数据D1，进行生成与探测车201、202…(利用者P1、P2…) 的每一个对应的个别模型M1、M2…的处理。其中，“个别模型”为反映了各利用者利用探测车201、202…方面的特征(尤其是充电的意思决定的特征)的模拟模型。个别模型获取部112将所生成的个别模型M1、M2…存储于个别模型存储部121。
并且，如图2所示，个别模型获取部112根据内部所具备的因素信息提取部112a、电力需求信息提取部112b、模型构建处理部112c 的处理来生成个别模型。关于因素信息提取部112a、电力需求信息提取部112b及模型构建处理部112c的具体处理内容将于后述。
区域特征值预测部114根据积累在探测数据存储部120中的过去的车辆探测数据D1、及存储在地图月历数据存储部123中的地图数据D4和月历数据D5来获取各划分区域A1、A2…的区域特征值(后述) 的预测值即区域特征值预测数据D3F。
需求预测运算部113根据存储于个别模型存储部121的个别模型 M1、M2…和通过区域特征值预测部114获取的区域特征值预测数据 D3F来计算充电设备301、302…的每一个中的每个时间段的利用率的预测值(利用率预测数据D20F)。
(数据积累处理部的功能)
图3是表示第1实施方式所涉及的数据积累处理部所存储的车辆探测数据的详细内容的图。
如上所述，数据积累处理部111将各探测车201、202…所获取的车辆探测数据D1逐次存储、积累在探测数据存储部120。作为例子，数据积累处理部111以如图3所示的方式存储车辆探测数据D1。具体而言，如图3所示，在探测数据存储部120记录识别探测车201、202…的每一个的车辆ID、日期及时间段、表示车辆是否正在驾驶(是否正在运行)的驾驶状态信息、确定车辆位置的纬度/经度信息、以及表示所搭载的电池的充电量(剩余容量)的SOC信息。数据积累处理部111 例如提取每隔30分钟记录的驾驶状态信息、纬度/经度信息、SOC信息并存储于探测数据存储部120。
另外，在探测数据存储部120例如存储有各探测车201、202…过去所获取的一个以上的车辆探测数据D1。另外，作为车辆探测数据D1，优选存储、积累有例如多个过去几个月～几年间的各种信息。
并且，存储于探测数据存储部120的车辆探测数据D1的方式并不限定于图3所示的方式，也可以记录与探测车201、202…的行驶有关的其他项目(例如，行驶距离、速度/加速度信息等)。并且，也可以记录充电时所获取的充电设备ID以能够掌握究竟利用哪一充电设备 301、302…进行了充电。
(个别模型获取部的功能)
个别模型获取部112的因素信息提取部112a参考存储于探测数据存储部120的车辆探测数据D1(图3)来提取作为因素信息的实际值的因素实际数据D10。其中，“因素信息”为可成为各探测车201、202…的利用者P1、P2…在各充电设备301、302…中进行充电的意思决定的主要原因的各种信息。具体而言，因素信息提取部112a从车辆探测数据D1中提取以下说明的每个时间段活动区域数据D12或每个时间段 SOC数据D13等来作为因素信息的实际值(因素实际数据D10)。
(每个时间段活动区域数据)
图4是说明第1实施方式所涉及的个别模型获取部的功能的第1 图。
因素信息提取部112a从存储于探测数据存储部120的车辆探测数据D1提取因素实际数据D10的一个即每个时间段活动区域数据D12。其中，如图4所示，每个时间段活动区域数据D12为将利用者(探测车201、202…)所属的区域(划分区域A1、A2…)按一个星期的每个时间段进行划分来表示的信息。具体而言，因素信息提取部112a从积累于探测数据存储部120的过去的车辆探测数据D1，通过参考每个星期、每个时间段的维度、经度信息(图3)得到各星期、各时间段中利用者P1、P2…(探测车201、202…)在各划分区域A1、A2的每一个中的存在率已被确定的每个时间段活动区域数据D12(参考图4)。
(每个时间段SOC数据)
图5是说明第1实施方式所涉及的个别模型获取部的功能的第2 图。
因素信息提取部112a从存储于探测数据存储部120的车辆探测数据D1中还提取作为因素实际数据D10之一的每个时间段SOC数据D13 等。其中，每个时间段SOC数据D13为如图5所示经由规定的传感器记录利用者(探测车201、202…)的每个时间段的SOC[％]的信息。由此，如后述，个别模型获取部112能够获取SOC减少至何种程度时进行充电的各利用者的个人行动的倾向(充电的意思决定的特征)。
另外，虽未在图5中示出，但因素信息提取部112a还可以通过参考车辆探测数据D1的每个时间段SOC来提取从每单位时间段的SOC 上升量计算出的充电速度信息D14等。由此，能够掌握利用者P1、P2…是否青睐于充电设备301、302…中与快速充电对应的设备等。
如上，本实施方式所涉及的个别模型获取部112提取多个因素信息(“车辆位置”及“SOC”)的过去的实际值即因素实际数据D10 (每个时间段活动区域数据D12、每个时间段SOC数据D13)。另外，除上述以外，因素信息提取部112a还可以提取与利用者P1、P2…进行充电的意思决定之间的因果关系被认可的其他因素信息(例如，所使用的充电设备301、302…是否与快速充电相对应，在各充电设备301、 302…中所提供的其他服务的种类等)的实际值。
(利用率实际数据)
图6是说明第1实施方式所涉及的个别模型获取部的功能的第3 图。
接着，个别模型获取部112参考存储于探测数据存储部120的过去的车辆探测数据D1(图3)来提取各充电设备301、302…的电力需求的实际值(电力需求实际数据)。本实施方式中，具体而言，个别模型获取部112的电力需求信息提取部112b提取表示充电设备各自的每个时间段的利用率的实际值的利用率实际数据D20来作为充电设备 301、302…每一个中的电力需求的实际值。
具体而言，利用率实际数据D20为表示各利用者P1、P2…在每个星期、每个时间段的充电设备301、302…的利用频度(利用率)的统计数据(参考图6)。电力需求信息提取部112b根据记录于过去的车辆探测数据D1的车辆位置信息或每个时间段SOC信息(图3)来提取利用者P1、P2…是否按每个星期、每个时间段利用着充电设备301、 302…的每一个，并计算该每个时间段的利用频度来作为利用率。如此，电力需求信息提取部112b能够得到成为预测对象的信息(即，充电设备301、302…的每个时间段的利用率)的过去实际值的利用率实际数据D20。
例如，根据有关利用者P1的充电设备301的利用率实际数据D20 (图6)，利用者P1能够读取在整个平日中18个小时前后利用充电设备301的频度(率)较高。
(个别模型的构建)
图7是说明第1实施方式所涉及的个别模型获取部的功能的第4 图。
接着，参考图7对根据上述因素实际数据D10和利用率实际数据 D20生成各利用者P1、P2…的个别模型的模型构建处理部112c的功能进行说明。
模型构建处理部112c输入从积累在探测数据存储部120的探测车 201、202…的车辆探测数据D1的每一个中提取的因素实际数据D10 和利用率实际数据D20，按每个利用者P1、P2…(即，按每个探测车 201、202…)生成表示它们的相关关系的个别模型M1、M2…。
具体而言，模型构建处理部112c选择利用者P1(探测车201)所涉及的每个时间段活动区域数据D12(图4)、以及、每个时间段SOC 数据D13(图5)的每一个变量的“车辆位置”、“SOC”来作为个别模型M1的因素x1、x2。另外，模型构建处理部112c还可以将成为利用者P1、P2…进行充电的意思决定的主要原因的其他因素信息(例如，充电设备301、302…是否对应于快速充电，其他服务的种类等) 设为因素x3、x4…。
另一方面，模型构建处理部112c将作为探测车201所涉及的利用率实际数据D20(图6)而提取的各充电设备301、302…的利用率的实际值设为响应y1、y2…。响应y1、y2…为相对于个别模型M1中的因素x1、x2…的输入的响应。
模型构建处理部112c生成表示响应y1、y2…对因素x1、x2…的相关关系的个别模型M1。所生成的个别模型M1与利用者P1(探测车 201)对应。如图7所示，例如，表示利用者P1利用充电设备301的比率(利用率)y1与因素x1、x2…之间的相关关系如式(1)那样表示。
[数式1]
y1＝a11x1+b11x2+c11x3+d11x4+……(1)
其中，式(1)的与各因素x1、x2…有关的系数a11、b11…为因素 x1、x2…的因素负荷量。即，表示该因素负荷量越大的因素，与响应y1之间的相关关系越强，越小的因素，与响应y1之间的相关关系越弱。
例如，模型构建处理部112c根据每个时间段活动区域数据D12 与利用率实际数据D20来能够计算表示车辆位置(因素x1)与充电设备301的利用率(响应y1)之间的相关关系的强度的因素负荷量a11。
其中，因素负荷量a11的值较大时，利用者P1的充电设备301中的利用率(响应y1)表示与每个时间段的利用者P1(探测车201)的车辆位置(因素x1)具有较强因果关系。即，这说明如“利用者P1 重视是否接近充电设备的当前位置，并选择充电设备”的利用者P1的特征。
同样，模型构建处理部112c根据每个时间段SOC数据D13与利用率实际数据D20来能够计算表示SOC(因素x2)与充电设备301利用率(响应y1)之间的相关关系的强度的因素负荷量b11。
其中，例如因素负荷量b11的值较小，则表示利用者P1的充电设备301中的利用率(响应y1)与每个时间段的利用者P1(探测车201) 的SOC之间的相关关系较弱。即，这说明如“利用者P1利用充电设备301进行充电，而与当前的电磁剩余量无关”的利用者P1的特征。
如此，本实施方式所涉及的个别模型获取部112导出表示过去获取的已知的因素x1、x2…(因素实际数据D10)与已知的响应y1、y2… (利用率实际数据D20)之间的相关关系的式的格(lattice)来生成与利用者P1有关的反映了充电的意思决定的特征的个别模型M1。
另外，作为从已知的因素x1、x2…和已知的响应y1、y2…导出表示各自之间的相关关系的式(例如，上述式(1))的方法，例如可以使用基于已知的模型构建方法即SVM(Support vector machine)或NN (Neural network)等的模拟模型构建方法，更简单地，可以使用通常的最小平方法。并且，表示相关关系的式(1)为一例，除此以外，还可以有以表示更复杂的相关关系的式(二次函数、指数/对数函数等) 表现的情况。
如图7所示，模型构建处理部112c对利用者P2、P3…(探测车 202、203…)也进行同样的处理，生成反映了各自的特征的个别模型 M2、M3…。并且，将所生成的各个别模型M1、M2…存储于个别模型存储部121。
另外，以下说明中，作为表示与设置于划分区域A1的充电设备 301有关的响应y1和与利用者P1(探测车201)有关的因素x1、x2…之间的相关关系的函数，如式(2)那样进行记载(参考图7)。
[数式2]
y1＝fA1P1(x1，x2，x3，x4…)…(2)
图8是说明第1实施方式所涉及的个别模型的例子的图。
经过上述各处理，通过个别模型获取部112生成的个别模型M1 中反映有关利用者P1在进行充电的意思决定的特征。即，在现阶段，利用者P1(探测车201)的车辆位置为“x1”，另外SOC为“x2”时，个别模型M1能够赋予该利用者P1利用充电设备301、302…的比率(利用率)y1、y2…。
同样，个别模型M2、M3…反映利用者P2、P3…进行充电的意思决定的特征。
(区域特征值预测部的功能)
图9是说明第1实施方式所涉及的区域特征值预测部的功能的第 1图。
本实施方式所涉及的区域特征值预测部114输入积累于探测数据存储部120的车辆探测数据D1来作为有关车辆的实际测定数据，并预测被划分为多个的各划分区域A1、A2…的区域特征值。其中，“区域特征值”是指，有关属于划分区域A1、A2…内的车辆的特征。另外，在本实施方式中，具体而言将“区域特征值”作为“每个区域车辆密度”及“每个区域平均SOC”(每个区域平均充电率)来进行说明，但也可以包含其他值(例如，“每个区域平均车辆速度”、“每个区域平均电费”(行驶在对象区域时所需的平均耗电量)等)。
如图9所示，首先，区域特征值预测部114输入预先存储于地图月历数据存储部123的地图数据D4、月历数据D5及存储并积累于探测数据存储部120的各探测车201、202…的车辆探测数据D1。接着，区域特征值预测部114根据这些各种数据来计算表示各划分区域A1、A2…的“每个区域车辆密度”的未来的预测的“车辆密度分布预测数据D30F”、以及表示“每个区域平均SOC”的未来预测的“平均SOC 分布预测数据D31F”。另外，车辆密度分布预测数据D30F及平均SOC 分布预测数据D31F均相当于表示各划分区域A1、A2…的区域特征值的预测值的“区域特征值预测数据D3F”。
地图数据D4中记录城市T1的道路网、划分(划分区域A1、A2…的范围)、及充电设备301、302的位置等。另一方面，月历数据D5 中存储有在过去至未来的平日、假日(节日)等的月历。
图10、图11是说明第1实施方式所涉及的区域特征值预测部的功能的第2图、第3图。
具体而言，区域特征值预测部114参考多个探测车201、202…的车辆探测数据D1(图3)的日期，时刻信息及车辆位置信息等，按每个时间段确定探测车201、202…的每一个属于哪一个划分区域A1、 A2…。接着，区域特征值预测部114按每个时间段、每个划分区域A1、 A2…计算各探测车201、202…所存在的台数。区域特征值预测部114 以划分区域A1、A2…的每一个划分面积除以探测车201、202…的车辆台数，并使其近似于表示存在于各划分区域A1、A2…的每一个中的所有车辆的车辆密度(每个区域车辆密度)的数据来求出车辆密度分布实际数据D30。
另外，图10中，以该各划分区域A1、A2…的颜色浓度表现由区域特征值预测部114计算出的各划分区域A1、A2…的车辆密度的大小关系(参考图10左侧)。
并且，区域特征值预测部114通过参考车辆探测数据D1(图3) 的SOC信息来提取各时间段及属于各划分区域A1、A2…的各探测车 201、202…的SOC。而且，区域特征值预测部114通过与上述相同的方法求出表示按每个时间段、每个划分区域A1、A2…存在的电动汽车的平均SOC(每个区域平均SOC)的SOC分布实际数据D31(参考图 10左侧)。
相对于各划分区域A1、A2…的每个区域车辆密度或每个区域平均 SOC的时间变化的实际值(图10左侧)，区域特征值预测部114应用月历信息D5的月历(平日或假日、节日)来进行提取该周期规律性的处理(参考图10右侧)。例如，区域特征值预测部114按每一天提取“平日”中的每个区域车辆密度(每个区域平均SOC)得时间变化、以及“假日、节日”中的每个区域车辆密度(每个区域平均SOC)的时间变化的实际值，并按“平日”、“假日、节日”计算平均时间变化。由此，区域特征值预测部114得到所得到的每个区域车辆密度(每个区域平均SOC)的每个“平日”、“假日、节日”的平均时间变化。
另外，在本实施方式中，区域特征值预测部114将如此求出的车辆密度的每个“平日”、“假日、节日”的过去平均时间变化作为各划分区域A1、A2…的车辆密度的未来的预测值(车辆密度分布预测数据D30F)而使用(参考图11)。具体而言，区域特征值预测部114将未来的日期相当于“平日”、“假日、节日”中的哪一个的情况根据月历数据D5来确定，并且参考与“平日”、“假日、节日”的每一个对应的平均时间变化(图11左侧、右侧)，并将其设为未来的各划分区域A1、A2…的每个区域车辆密度的预测值。
同样，区域特征值预测部114将基于每个区域平均SOC的“平日”、“假日、节日”的过去平均时间变化作为各划分区域A1、A2…的平均 SOC预测值(平均SOC分布预测数据D31F)。
另外，上述例子中，区域特征值预测部114可以将区域特征值(每个区域车辆密度、每个区域平均SOC)的平均时间变化分类为“平日“或”假日、节日”中的任一，并且根据未来的日期是否相当于该任一(平日、假日、节日)的情况来预测区域特征值。并且，在其他实施方式并不限定于该方式，还可以增加分类项目。例如，区域特征值预测部114可以从外部获取能够接收的天气预报信息，并根据未来预测的天气是“晴天”还是“雨天”来预测区域特征值。
这种情况下，区域特征值预测部114具有可获取表示每个时间段的实际天气的天气实际信息、以及能够获取表示未来天气的预测的天气预报信息的天气信息获取部。并且，区域特征值预测部114相对于每个区域车辆密度或每个区域平均SOC的时间变化的实际值(图10 左侧)，应用通过该天气信息获取部获取的天气实际信息(该时间段中是“晴天”还是“雨天”)来进行提取每个区域车辆密度或每个区域平均SOC的时间变化与天气之间的规律性的处理。
通过这种方式，区域特征值预测部114能够根据是“平日”还是“假日、节日”、及另外获取的天气预报信息(是“晴天”还是“雨天”的未来的预测)来预测每个区域车辆密度及每个区域平均SOC。
图12为说明第1实施方式所涉及的需求预测运算部的处理流程的图。
接着，结合图12等依次对第1实施方式所涉及的需求预测运算部 113的处理流程进行说明。
图12所示，需求预测运算部113进行两个阶段的处理，该两个阶段的处理为获取由区域特征值预测部114计算出的每个区域的特征值预测数据D3的步骤(步骤S01)和将该每个区域的特征值预测数据 D3输入个别模型获取部112所生成的个别模型M1、M2…的每一个的步骤(步骤S02)。
步骤S01中，首先区域特征值预测部114通过执行利用图9～图 11来进行说明的处理来计算每个区域特征值预测数据D3(车辆密度分布预测数据D30F、平均SOC分布预测数据D31F)。需求预测运算部 113接收通过区域特征值预测部114计算出的每个区域特征值预测数据D3的输入。
在此，如以下说明，由区域特征值预测部114获取的车辆密度分布预测数据D30F、平均SOC分布预测数据D31F与个别模型M1、M2…的因素x1(车辆位置)、因素x2(SOC)的每一个对应。即，在步骤 S02中，需求预测运算部113将由所获取的车辆密度分布预测数据 D30F、平均SOC分布预测数据D31F各自表示的车辆位置的预测值及 SOC的预测值输入至个别模型M1、M2…各自的因素x1、x2(参考图 8)。
图13为说明第1实施方式所涉及的需求预测运算部的处理的第1 图。
以下，结合图13来说明区域特征值预测部114的步骤S02(图12) 中的具体处理。
如图13所示，需求预测运算部113对个别模型M1的车辆位置(因素x1)进行与各自划分区域A1、A2…的存在率相应的加权。具体而言，将根据车辆密度分布预测数据D30F来表示的各划分区域A1、A2…的车辆密度设为利用者P1的存在率的预测。其中，划分区域A1、A2…的车辆密度越高，则可视为利用者P1存在于该划分区域A1、A2…的比率成比例地增大。
需求预测运算部113将划分区域A1、A2…的每一个代入因素x1而得到的多个响应y1以基于各自的划分区域A1、A2…的存在率的值进行加权来进行加法运算。例如，通过所得到的车辆密度分布预测数据 D30F，设为在未来的某时刻，利用者P1(探测车201)存在于划分区域A1的比率的预测值为30％，存在于划分区域A2的比率的预测值为 5％。这种情况下，需求预测运算部113针对将“A1”代入因素x1而得到的响应(fA1P1(A1))和将“A2”代入因素x1而得到的响应(fA1P1 (A2))这两者分别进行与30％、5％相应的加权来进行加法运算，计算出充电设备301的利用率预测值y1。具体而言，充电设备301的利用率预测值y1如下计算，即y1＝fA1P1(A1)×30％+fA1P1(A2)×5％+…。
同样，通过平均SOC分布预测数据D31F，需求预测运算部113 计算将各划分区域A1、A2…的没一个中所表示的SOC预测值代入因素x2而得到的响应y1。例如，通过所得到的平均SOC分布预测数据 D31F，设为划分区域A1中的平均SOC为80％，划分区域A2中的平均SOC为25％。在这种情况下，将“A1”代入因素x1时，需求预测运算部113对因素x2代入SOC80％来计算fA1P1(A1、80％))。并且，将“A2”代入因素x1时，需求预测运算部113对因素x2代入SOC25％来计算fA1P1(A2、25％)。通过这种方式，需求预测运算部113计算表示有关利用者P1的各充电设备301、302…的利用率的预测结果的利用率预测数据D20f。
如此，本实施方式所涉及的需求预测运算部113在步骤S02(图 11)中，将容易掌握城市T1整体的群体的行动倾向的区域特征值(每个区域车辆密度、每个区域平均SOC)的预测值使用于与利用者P1对应的个别模型M1的输入(因素信息)中。通过这种方式，需求预测运算部113能够将可以以较高精确度进行预测的城市T1的群体的行动倾向作为个别模型的因素的一部分来采用，因此即使在更遥远的未来也能够得到精确度较高的预测结果。
图14为说明第1实施方式所涉及的需求预测运算部的处理的第2 图。
如图14所示，相对于与其他利用者P2、P3…对应的个别模型M2、 M3…，需求预测运算部113同样地代入车辆密度分布预测数据D30F、平均SOC分布预测数据D31F来计算各利用者P2、P3…的利用率预测数据D20f。
计算有关所有各利用者P1、P2…的个别利用率预测数据D20f，则需求预测运算部113通过将所有个别利用率预测数据D20f按每个充电设备301、302…进行统计来计算各充电设备301、302…的各时间段中的利用率的预测值。例如，预测到利用者P1、P2…各自在某个时间段利用充电设备301的比率为y11、y21…时，充电设备301的该时间段中的利用率的预测值Y1能够作为Y1＝y11+y21+y31+…而计算。同样，需求预测运算部113计算其他充电设备302、303…的相同时间段中的利用率的预测值Y2、Y3…(参考图14)。
图15是说明第1实施方式所涉及的需求预测运算部的处理的第3 图。
需求预测运算部113通过上述处理(参考图14)来获取预测出对充电设备301、302…每一个的近期(例如，当前至24小时以内)利用率的变化的利用率预测数据D20F(参考图15)。
需求预测运算部113经由数据输出部102向供电管理装置400输出如上获取的各充电设备301、302…的利用率预测数据D20F(电力需求预测数据)。供电管理装置400根据各充电设备301、302…的电力需求的预测结果(利用率预测数据D20F)，反映到对各充电设备301、 302…的电力的配电计划中。例如，在预测为充电设备301的利用率变高的时间段，供电管理装置400在该时间段生成配电计划，以进行能够应对其需要的供电。由此，供电系统1能够适当地生成与预先预测的各充电设备301、302…的电力需求相对应的必要量的电力并进行供给，因此能够实现供电服务运用的效率化。
(效果)
根据上述第1实施方式所涉及的供电系统1，电力需求预测装置 100首先执行预测反映特定区域(城市T1)中的群体的行动倾向的每个划分区域的特征值(区域特征值)的步骤(步骤S01(图12))。并且，电力需求预测装置100执行将该预测到的区域特征值输入反映各个人进行充电的意思决定的特征的个别模型的步骤(步骤S02(图 12))。如此，本实施方式所涉及的电力需求预测装置100将各充电设备的利用率的预测处理分为“基于群体的行动倾向的预测”和“基于个人行动的倾向的预测”两个阶段来进行。
充电时间或充电地点根据每一个行驶状况与驾驶者的嗜好而不同，因此，很难以高精确度预测电力需求。然而，根据本实施方式所涉及的供电系统1，通过表示基于个人行动的倾向的预测(步骤S02) 的处理，各个人的生活方式或价值观等反映于模拟分析，供电系统1 能够进行基于利用者的想法的精确度较高的电力需求预测。并且，电力需求预测装置100将反映各利用者的意思决定的多个个别模型的凝聚近似于城市整体的群体的意思决定来预测电力需求。从而，能够以比所有群体的行动倾向直接模型化时所需实际数据的数据量较少的数据量来构建精确度较高的模拟模型。
并且，在基于群体的行动倾向的预测(步骤S01)中，需求预测运算部113在输入于上述个别模型的因素的至少一部分采用作为群体的行动倾向而能够以高精确度预测的区域特征值。例如，在本实施方式，作为“区域特征值”而将每个区域车辆密度及每个区域平均SOC 设为预测对象。该每个区域车辆密度、每个区域平均SOC等均作为整个城市的群体的行动倾向而具有按恒定时间(例如按每一天、每一星期)的周期规律性较高的特征。即，每个区域车辆密度等在未来的各时间段也能够以高精确度再现过去所获取的实际值。从而，将从规律性较高的群体的行动倾向导出的预测值作为个别模型的因素来输入，由此直能够以高精确度预测遥远的未来(例如，一个星期后)的值。
并且，在以往的电力需求的预测中，不利用具有与需求之间的因果关系的信息则有可能无法确切地进行预算，且难以发现因果关系较强的因素。然而，如本实施方式，通过将进行充电行动的主要原因细分为“基于群体的行动倾向的预测”与“基于个人行动的倾向的预测”，能够轻易掌握进行预测的主要原因与可测量数据之间的因果关系。由此，变得容易进行利用需求响应等需求管理。
以上，根据第1实施方式所涉及的供电系统1，能够根据有限的实际数据来进行精确度更高的电力的需求预测。
(第1实施方式的变形例)
另外，在上述实施方式中，将区域特征值预测部114作为根据过去所积累的车辆探测数据D1来获取各划分区域A1、A2…的区域特征值的预测值即区域特征值预测数据D3F的机构来进行说明。然而，另一实施方式所涉及的区域特征值预测部114可以根据为了掌握整个城市T1的行动倾向而进行观测的信息来获取区域特征值预测数据D3F，而非过去车辆探测数据D1。具体而言，另一实施方式所涉及的区域特征值预测部114在划分区域A1、A2…内的道路网中具备获取利用流量计数器来进行观测的断面交通量实际数据的断面交通量信息获取部，并通过提取从所获取的断面交通量实际数据导出的每个区域车辆密度变化的规律性来预测每个区域车辆密度。
在此，在第1实施方式，探测车201、202…的台数有限时，由于车辆探测数据D1的总数据量较少因此有时无法以高精确度再现群体的行动倾向。然而，在上述变形例中，根据为了掌握群体的行动倾向而获取的实际测定数据(断面交通量等)预测每个区域特征值，因此能够进一步提高该预测精确度。
图16是说明第1实施方式的变形例所涉及的区域特征值预测部的功能的图。
在本变形例中，步骤S01(图12)中的“基于群体的行动倾向的预测”进一步分为包含汽油车的总车辆状况的“交通状况的预测”与依赖电动汽车的状况的“SOC分布的预测”来进行预测。
具体而言，首先，由上述断面交通量信息获取部获取经由流量计数器等而得到的断面交通量的实际数据(交通量实际数据D6)。并且，区域特征值预测部114一并输入存储于地图月历数据存储部123的地图数据D4、月历数据D5与交通量实际数据D6(步骤S010)，并获取车辆密度分布预测数据D30F(步骤S011)。另外，该处理通过利用图 9～图11进行说明的处理内容相同的处理而成。然而，在此所获取的车辆密度分布预测数据D30F为根据不仅电动汽车还包含汽油车等的所有车辆的行动倾向的预测数据，因此与第1实施方式相比预测精确度更高。
另一方面，区域特征值预测部114获取能够从在探测车201、202…中获取的各车辆探测数据D1中提取的每个时间段SOC数据D13(图5) (步骤S012)。该每个时间段SOC数据D13是指探测车201、202…的当前的SOC实际值。
区域特征值预测部114通过输入在步骤S011中获取的车辆密度分布预测数据D30F和表示探测车201、202…当前的SOC实际值的每个时间段SOC数据D13来获取平均SOC分布预测数据D31F。具体而言，区域特征值预测部114根据通过车辆密度分布预测数据D30F预测的所有车辆的交通流量和各电动汽车的当前的SOC来计算进行该预测的交通流量行驶的电动汽车的剩余容量(SOC)。由此，区域特征值预测部 114获取平均SOC分布预测数据D31F。与车辆密度分布预测数据D30F 相同，如此得到的平均SOC分布预测数据D31F成为基于电动汽车以外的所有车辆的行动倾向的预测数据，因此预测精确度变高。
区域特征值预测部114将在图16中分别求出的区域特征值的预测值(车辆密度分布预测数据D30F、平均SOC分布预测数据D31F)输入于预先生成的各个别模型M1、M2…，并计算各充电设备301、302…的利用率的预测值(参考图13～图15)。
以上，根据上述变形例所涉及的电力需求预测装置100，根据有关属于该城市T1的所有车辆的统计数据(断面交通量等)来预测整个城市T1的群体的行动倾向，由此能够进一步预测精确度。
另外，在上述例中，除了经由流量计数器获取的断面交通量的实际测定值以外，区域特征值预测部114还可以利用人次数据、土地利用数据或调查问卷等的交通需求数据。并且，在该些各种数据的基础上，还可以利用规定的交通流量模拟装置来预测各种区域特征值。
并且，可以通过将所测量的交通量等的信息适用于交通流量模拟装置，并再现整个城市T1的每个时间段的交通流量来获取更详细的区域特征值(例如，该划分区域内的所有车辆的平均速度或表示平均加速度的每个区域平均速度、加速度等)的预测值。而且，在这种情况下，不仅通过预测到的交通流量，区域特征值预测部114还可以通过加以考虑速度、加速度等的车辆行驶信息来预测平均SOC分布预测数据D31F。通过这种方式，用于预测的信息量增加，因此能够进一步提高基于群体的行动倾向的预测精确度。
(个别模型的变形例)
并且，个别模型M1、M2…的方式并不限定于上述方式(图8、图14)，例如能够如下进行变更。
图17是说明第1实施方式的变形例所涉及的个别模型获取部的功能的图。
第1实施方式所涉及的个别模型获取部112根据过去所积累的车辆探测数据D1来将因素实际数据D10(因素x1、x2…)与利用率实际数据D20(响应y1、y2…)之间的相关关系通过导出式(1)、(2) 等的函数的格来构建个别模型。
作为该变形例，例如，个别模型获取部112也可以生成基于决策树学习的各利用者P1、P2…的个别模型M1’、M2’…。例如，如图17 所示，模型构建处理部112c根据因素实际数据D10及利用率实际数据 D20，构建导出利用者P1对充电设备301的每一时间段的利用率的预测值的个别模型M1’(决策树模型)。
例如，图17所例示的决策树模型中，计算利用者P1针对“是否利用充电设备301？”的提问，探索当前是否满足“是否正在驾驶？”、“距离是否在○○km以内？”、“SOC是否小于△△％？”…的条件的路径，并计算是“利用充电设备301”还是“不利用充电设备301”的比例，由此导出利用率的预测值。并且，还可以反映“是否对应于快速充电？”、“是否能够利用其他服务？”等条件。
如此，将根据是否满足成为意思决定的主要原因的多个条件(相当于因素x1、x2…)而导出的意思决定的结果(相当于响应y1、y2…) 模型化。
通过如此进行，能够更清楚地描述每一个利用者P1、P2…进行充电的意思决定，能够更加明确每一个利用者P1、P2…究竟基于哪种因素，达到进行充电的意向。通过如此进行，例如，能够通过新充电设备的设置或服务的提供轻松地调整充电设备301、302…每一个的电力需求。
另外，上述的供电系统1中，说明了预测每个时间段的利用率来作为各充电设备301、302…的电力需求，但其他实施方式中，并不限定于该方式。例如，其他实施方式所涉及的供电系统中，作为成为预测对象的信息，可以将充电设备301、302…中的每个时间段的供电量 [kW]来作为预测对象。具体而言，个别模型获取部112的电力需求信息提取部112b针对成为预测对象的响应y1、y2…，选择每个充电设备 301、302…的“供电量”的实际数据(供给电力实际数据)，由此能够获取该供电量的预测结果即供电预测数据。
＜第2实施方式＞
第1实施方式所涉及的需求预测运算部113所进行的“基于个人行动倾向的预测”(图12、步骤S02)通过使用基于预先获取的实际数据即车辆探测数据D1生成的反映各个人进行充电的意思决定的特征的别模型M1、M2…来进行的处理来说明。
相对于此，第2实施方式中，通过利用个人靠近充电设备301、 302…为止的距离来分配需求的方法进行“基于个人行动倾向的预测”。
(需求预测运算部的功能)
图18是说明第2实施方式所涉及的需求预测运算部的功能的图。
本实施方式所涉及的需求预测运算部113通过与第1实施方式(或其变形例)相同的方法来进行“基于群体的行动倾向的预测”。具体而言，需求预测运算部113获取由区域特征值预测部114计算出的车辆密度分布预测数据D30F(图12、步骤S01)。需求预测运算部113根据在步骤S01中获取的车辆密度分布预测数据D30F，能够掌握利用者P1在每个划分区域A1、A2…中的存在率。
需求预测运算部113将该车辆密度分布预测数据D30F作为输入来进行“基于个人行动的预测”。
结合图18，将利用者P1(探测车201)存在于城市T1内的某个划分区域A1的情况作为一例来进行说明。需求预测运算部113基于由个别模型获取部112获取的个别模型来预测划分区域A1中的利用者 P1个人的行动倾向。
在此，本实施方式所涉及的个别模型获取部112具有仅反映符合所有利用者(个人)的意思决定的特征的个别模型。具体而言，例如个别模型获取部112具有反映如越接近与当前位置之间的距离(后述“广义距离”)，路过该充电设备301、302…的概率越高的个人的意思决定特征的个别模型。
首先，需求预测运算部113利用地图数据D4等计算利用者P1的当前位置至各充电设备301、302…为止的距离。其中，由需求预测运算部113计算的至各充电设备301、302…为止的距离为加以考虑存在于该行程中的交通堵塞或混杂度等的“广义距离”。具体而言，需求预测运算部113计算从当前位置(划分区域A1)至某个充电设备302 所存在的划分区域A2为止的广义距离L2、至另一充电设备303所存在的划分区域A3为止的广义距离L3等。
例如，如图18所示，在从划分区域A1至划分区域A3为止的行程途中发生交通堵塞Q，因此存在车辆密度较低的划分区域A5与车辆密度较高的划分区域A6。这种情况下，需求预测运算部113确定车辆密度超过规定阈值的划分区域(划分区域A6)，并且对通过该划分区域A6的行程长度与规定交通堵塞系数J(J＞1)进行乘法运算来计算广义距离L3。
另一方面，在划分区域A1至划分区域A2为止的行程途中(划分区域A4等)未发生交通堵塞。从而，需求预测运算部113将划分区域 A1至划分区域A2为止的实际距离设为广义距离L2。
如此，在行程的一部分存在交通堵塞时，需求预测运算部113计算比实际距离更长的广义距离。需求预测运算部113按每个充电设备 301、302…计算加以考虑有无交通堵塞情况的广义距离L1、L2…。
本实施方式所涉及的需求预测运算部113通过将广义距离L1、 L2…输入个别模型M来计算利用者P1路过各充电设备301、302…的概率(利用率)的预测值。例如，具体而言，该个别模型M为对广义距离L1、L2…与路过各充电设备301、302…的概率以具有负的相关关系的规定函数建立关联的模型。如此，需求预测运算部113能够在反映如关于广义距离L1、L2…，充电设备301、302…越小，越容易路过该充电设备301、302…的利用者P1的个人行动倾向的同时求出各充电设备301、302…的利用率的预测值。
另外，通过上述方式求出的各充电设备301、302…的利用率的预测值为假设利用者P1属于区域A1的情况下的利用率的预测值。利用者P1在另一划分区域A1、A2…时需求预测运算部113也进行同样的处理。需求预测运算部113将车辆密度分布预测数据D30F作为输入，并以利用者P1在划分区域A1、A2…中的存在率对在上述处理中求出的多个利用率的预测值进行加权来进行加法运算。
(效果)
如以上，本实施方式所涉及的需求预测运算部113通过计算基于各充电设备301、302…的“广义距离”的利用者的利用率预测值来进行“基于个人行动倾向的预测”。通过这种方式，能够简化“基于个人行动倾向的预测”处理，并能够通过获取车辆探测数据D1来削减生成个别模型M1、M2…的劳动力。
另外，在本实施方式中，除了车辆密度分布预测数据D30F以外，还可以使用，例如通过交通流量模拟装置(参考第1实施方式的变形例)来计算出的交通流量的预测(交通流量预测数据)。其中，交通流量预测数据是指表示城市T1的各道路网中的交通流量(行驶方向) 分布的信息。在这种情况下，需求预测运算部113进行与车辆的行驶方向对应的加权的同时，计算有关各充电设备301、302…的广义距离。具体而言，例如利用者P1(探测车201)为从划分区域A1朝向划分区域A3的车辆。在这种情况下，充电设备303由于在其前进方向，因此计算广义距离L3，而无需进行与行驶方向对应的加权。另一方面，对于从划分区域A1朝向划分区域A3的利用者P1而言，存在于划分区域A7的充电设备307位于相反方向。从而，需求预测运算部113通过对划分区域A7为止的实际距离与方向系数H(H＞1)进行乘法运算来求出广义距离L7。
通过这种方式，由于能够将车辆的行驶方向反映于个人行动倾向，因此能够以更高精确度进行电力需求预测。
并且，区域特征值预测部114还可以被设为根据各充电设备301、 302…中的混杂度的观察结果(实际值)，能够获取混杂度的(等待时间)的预测值。这种情况下，需求预测运算部113还可以在除了上述“有无交通堵塞”之外还加以考虑各充电设备301、302…中的“混杂度”的预测值来计算广义距离L1、L2…。通过这种方式，能够预测反映各充电设备301、302…混杂状况的个人行动倾向。
并且，需求预测运算部113可以仅根据实际的距离(实际空间上的距离)计算各充电设备301、302…的利用率的预测值来作为车辆的当前位置与充电设备301、302…之间的“距离”，而非如上述的“广义距离”。通过这种方式，能够简化需求预测运算部113的预测处理。
另外，关于上述各实施方式所涉及的供电系统，均设为如下来进行了说明，即，供电管理装置400根据电力需求预测装置100的预测结果反映到配电计划中，以供给与预测结果相对应的所需最小限度的电力来实现运用的效率化。但是，其他实施方式所涉及的供电系统也可以是具有要求通知装置的方式，所述要求通知装置根据接收到的预测结果，发送通知如下内容的邮件：要求属于城市T1的电动汽车的利用者限制在某个时间段利用规定的充电设备，并且根据需要促使在另一时间段利用规定充电设备。例如，该要求通知装置当接收到在某一天的下午6点的时间段充电设备301的电力需求显著增加的预测时，对该充电设备301的利用率较高的利用者发送限制在该时间段利用并要求在预测为电力需求较低的其他时间段利用的邮件。由此，各利用者按该要求进行利用，从而能够简单地进行电力需求的削峰(peak cut) (峰移位(peak shift))。
并且，此时，也可以构建考虑到有无收到如上所述的利用限制通知邮件作为每一个利用者P1、P2…的充电的意思决定的主要原因而产生何种程度的影响的个别模型。由此，能够有效地实施上述利用控制通知邮件的收件人的选定。
另外，也可以将用于实现上述各实施方式中的电力需求预测装置 100的功能的程序记录在计算机可读取的记录介质中，并使计算机系统读取并执行记录在该记录介质中的程序来进行工序。另外，在此所说的“计算机系统”视为包含OS或外围设备等硬件。并且，将“计算机系统”视为还包含具备网页提供环境(或显示环境)的WWW系统。并且，“计算机可读取的记录介质”是指柔性磁盘、光磁盘、ROM、 CD-ROM等移动介质、计算机系统中内置的硬盘等存储装置。另外，将“计算机可读取的记录介质”视为如经由因特网等网络或电话线路等通信线路发送程序时成为服务器或客户的计算机系统内部的易失性存储器(RAM)那样将程序保持一定时间的记录介质。
并且，上述程序可以从在存储装置等中存放有该程序的计算机系统经由传送介质或通过传送介质中的载波传送至其他计算机系统。其中，传送程序的“传送介质”是指如因特网等网络(通信网)或电话线路等通信线路(通信线)那样具有传送信息的功能的介质。并且，上述程序可以是用于实现前述功能的一部分的程序。另外，也可以是以与已记录在计算机系统中的程序的组合来实现前述功能的所谓的差分文件(差分程序)。
以上，对本发明的几个实施方式进行了说明，但这些实施方式是作为例子而提示的，并不意在限定发明的范围。这些实施方式能够以其他的各种方式实施，在不脱离发明宗旨的范围内可以进行各种省略、取代、变更。这些实施方式及其变形包含于发明的范围及宗旨，同样地，也包含于权利要求书中所记载的发明及其等同的范围内。
产业上的可利用性
根据上述的各实施方式，能够根据有限的实际数据来进行精确度更高的电力需求预测。
符号说明
1-供电系统，100-电力需求预测装置，101-数据接收部，102数据输出部，110-CPU，111-数据积累处理部，112-个别模型获取部，112a- 因素信息提取部，112b-电力需求信息提取部，112c-模型构建处理部， 113-需求预测运算部，114-区域特征值预测部，120-探测数据存储部， 121-个别模型存储部，123-地图月历数据存储部，201、202…-探测车， 301、302…-充电设备，400供电管理装置。

Claims (7)

1.一种电力需求预测装置，其具备：
区域特征值预测部，输入有关车辆的实际测定数据，并按被划分为多个划分区域的每一个来预测表示属于该划分区域内的车辆整体的群体行动的倾向的区域特征值；
个别模型获取部，将与所述车辆及充电设备相关的实测数据作为输入，获取针对特定车辆的各个表示所述特定车辆在特定充电设备中的电力需求的个别模型；以及
需求预测运算部，将所述预测到的区域特征值输入于所述个别模型，并计算与该个别模型对应的特定车辆在所述特定充电设备中的电力需求的预测值。
2.根据权利要求1所述的电力需求预测装置，其中，
所述区域特征值预测部包含所述划分区域内的车辆密度、该划分区域内的所有车辆的平均速度、以及属于该划分区域内的所有车辆的电磁平均充电率中的至少一个来作为所述区域特征值。
3.根据权利要求1或2所述的电力需求预测装置，其中，
所述个别模型获取部根据有关所述车辆的实际测定数据来按每个特定车辆生成个别模型，该个别模型表示因素信息的实际值与表示特定车辆在特定充电设备中的电力需求的实际值之间的相关关系，所述因素信息是成为所述特定车辆在所述特定充电设备中进行充电的意思决定的主要原因的信息。
4.根据权利要求1或2所述的电力需求预测装置，其中，
所述个别模型获取部获取个别模型，该个别模型表示所述特定车辆的当前位置与所述特定充电设备之间的距离和该特定充电设备中的电力需求之间的相关关系。
5.一种供电系统，其具备：
权利要求1至4中任一项所述的电力需求预测装置；以及
供电管理装置，根据所述电力需求预测装置的预测结果来调整所述充电设备各自的供给电力。
6.一种电力需求预测方法，其具有：
输入有关车辆的实际测定数据，并按被划分为多个划分区域的每一个来预测表示属于该划分区域内的车辆整体的群体行动的倾向的区域特征值的步骤；
将与所述车辆及充电设备相关的实测数据作为输入，获取针对特定车辆的各个表示所述特定车辆在特定充电设备中的电力需求的个别模型的步骤；以及
将所述预测到的区域特征值输入于所述个别模型，并计算与该个别模型对应的特定车辆在所述特定充电设备中的电力需求的预测值的步骤。
7.一种记录有程序的记录介质，所述程序使电力需求预测装置的计算机作为区域特征值预测机构、个别模型获取机构以及需求预测运算机构发挥功能，
所述区域特征值预测机构输入有关车辆的实际测定数据，并按被划分为多个的划分区域的每一个来预测表示属于该划分区域内的车辆整体的群体行动的倾向的区域特征值，
所述个别模型获取机构将与所述车辆及充电设备相关的实测数据作为输入，获取针对特定车辆的各个表示所述特定车辆在特定充电设备中的电力需求的个别模型，
所述需求预测运算机构将所述预测到的区域特征值输入于所述个别模型，并计算与该个别模型对应的特定车辆在所述特定充电设备中的电力需求的预测值。
CN201580003428.4A 2014-02-28 2015-02-20 电力需求预测装置及预测方法、供电系统及记录介质 Active CN105849998B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2014-038748 2014-02-28
JP2014038748A JP6081941B2 (ja) 2014-02-28 2014-02-28 電力需要予測装置、電力供給システム、電力需要予測方法及びプログラム
PCT/JP2015/054780 WO2015129575A1 (ja) 2014-02-28 2015-02-20 電力需要予測装置、電力供給システム、電力需要予測方法及びプログラム
JP2017007833A JP6414760B2 (ja) 2014-02-28 2017-01-19 電力需要予測装置、電力供給システム、及び電力需要予測方法

Publications (2)

Publication Number Publication Date
CN105849998A CN105849998A (zh) 2016-08-10
CN105849998B true CN105849998B (zh) 2019-04-12

Family

ID=60201699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580003428.4A Active CN105849998B (zh) 2014-02-28 2015-02-20 电力需求预测装置及预测方法、供电系统及记录介质

Country Status (7)

Country Link
US (1) US20160335377A1 (zh)
EP (1) EP3076512B1 (zh)
JP (2) JP6081941B2 (zh)
CN (1) CN105849998B (zh)
SG (1) SG11201605579WA (zh)
TW (1) TWI638328B (zh)
WO (1) WO2015129575A1 (zh)

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2973071B1 (en) * 2013-03-15 2020-05-06 Fluke Corporation Automatic recording and graphing of measurement data
JP6081941B2 (ja) * 2014-02-28 2017-02-15 三菱重工業株式会社 電力需要予測装置、電力供給システム、電力需要予測方法及びプログラム
WO2017022010A1 (ja) * 2015-07-31 2017-02-09 日産自動車株式会社 電動車両の充電支援方法及び充電支援装置
JP6279624B2 (ja) * 2016-01-12 2018-02-14 本田技研工業株式会社 交通渋滞予測装置及び交通渋滞予測方法
TWI614967B (zh) * 2016-08-16 2018-02-11 飛宏科技股份有限公司 雙槍充電系統之智慧型能量分配方法
EP3382843A1 (en) * 2017-03-29 2018-10-03 Siemens Aktiengesellschaft Charging control system
FR3073652A1 (fr) * 2017-11-13 2019-05-17 Suez Groupe Dispositif et procede de traitement de donnees heterogenes pour determiner des affluences spatio-temporelles
TWI835767B (zh) * 2017-12-27 2024-03-21 日商Ｆ Ｓ Ｒ股份有限公司 二次電池
TWI751396B (zh) * 2017-12-29 2022-01-01 英屬開曼群島商睿能創意公司 管理複數個裝置交換站的方法及伺服器系統
US10882411B2 (en) * 2018-01-18 2021-01-05 Ford Global Technologies, Llc Smart charging schedules for battery systems and associated methods for electrified vehicles
DE102018204500A1 (de) * 2018-03-23 2019-09-26 Continental Automotive Gmbh System zur Erzeugung von Konfidenzwerten im Backend
US11010503B2 (en) * 2018-05-15 2021-05-18 Tata Consultancy Services Limited Method and system providing temporal-spatial prediction of load demand
DE102018219388A1 (de) 2018-11-14 2020-05-14 Robert Bosch Gmbh Betriebsassistenzverfahren und Betriebssystem für ein elektrisch betreibbares Fahrzeug
JP2020119080A (ja) * 2019-01-21 2020-08-06 本田技研工業株式会社 管理装置、管理方法、及びプログラム
JP7204527B2 (ja) * 2019-02-27 2023-01-16 株式会社東芝 事故確率分析装置および事故確率分析方法
JP7210334B2 (ja) * 2019-03-07 2023-01-23 本田技研工業株式会社 車両制御装置、車両制御システム、車両制御方法、およびプログラム
JP7273570B2 (ja) * 2019-03-19 2023-05-15 本田技研工業株式会社 決定装置、決定方法およびプログラム
JP7057311B2 (ja) * 2019-03-25 2022-04-19 株式会社日立製作所 情報管理システム、情報管理方法、および情報管理装置
US10716089B1 (en) * 2019-06-03 2020-07-14 Mapsted Corp. Deployment of trained neural network based RSS fingerprint dataset
US12117498B2 (en) * 2019-08-14 2024-10-15 Honda Motor Co., Ltd. System and method for presenting electric vehicle charging options based on a predicted charging speed
US12018955B2 (en) 2019-08-14 2024-06-25 Honda Motor Co., Ltd. System and method for presenting electric vehicle charging options
JP7404917B2 (ja) * 2020-02-14 2023-12-26 トヨタ自動車株式会社 電力管理システム、電力管理方法および電力管理装置
CN112124135B (zh) * 2020-08-19 2021-12-28 国电南瑞科技股份有限公司 一种电动汽车共享充电需求分析方法及装置
CN113344297B (zh) * 2021-06-30 2022-10-21 广东电网有限责任公司 一种泥石流灾害的预测方法、系统、终端和存储介质
US20230342874A1 (en) * 2022-04-25 2023-10-26 Toyota Motor North America, Inc. Prioritizing access to shared vehicles based on need
US20230369857A1 (en) * 2022-05-12 2023-11-16 Chengdu Qinchuan Iot Technology Co., Ltd. Methods and systems for power-supply management in smart urban based on internet of things
WO2023218860A1 (ja) * 2022-05-13 2023-11-16 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 情報処理方法、情報処理装置及び情報処理プログラム
CN116359656B (zh) * 2023-05-30 2023-08-08 常州海乐瑞尔科技有限公司 一种基于人工智能的充电车道设备测试管理系统及方法
CN117261662B (zh) * 2023-09-22 2024-09-24 浙江大学海南研究院 一种电动汽车充电站内负荷预测与技术指标计算方法及系统
CN117436220B (zh) * 2023-12-20 2024-04-12 深圳永泰数能科技有限公司 一种基于物理模型结构的充换电柜布局方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012023564A1 (ja) * 2010-08-20 2012-02-23 三菱重工業株式会社 管理装置、管理方法、コンピュータプログラム、管理システム、及び管理方法
CN102859324A (zh) * 2010-04-19 2013-01-02 日产自动车株式会社 信息提供装置和信息提供方法
CN103814394A (zh) * 2011-08-16 2014-05-21 佳境有限公司 电动交通工具网络中的负载的估计和管理
WO2015129575A1 (ja) * 2014-02-28 2015-09-03 三菱重工業株式会社 電力需要予測装置、電力供給システム、電力需要予測方法及びプログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012012008A2 (en) * 2010-07-23 2012-01-26 Electric Transportation Engineering Corp. System for advertising and communicating at a vehicle charging station and method of using the same
US8639409B2 (en) * 2010-09-30 2014-01-28 Hitachi, Ltd System for managing electrical power distribution between infrastructure and electric vehicles
JP5327207B2 (ja) * 2010-11-25 2013-10-30 株式会社デンソー 充電システム
EP2465721A1 (en) * 2010-12-16 2012-06-20 Alcatel Lucent System and methods for predicting energy requirements of a plurality of electric energy vehicles
US9718371B2 (en) * 2011-06-30 2017-08-01 International Business Machines Corporation Recharging of battery electric vehicles on a smart electrical grid system
TWI489401B (zh) * 2012-03-02 2015-06-21 Ind Tech Res Inst 具加電規劃功能之電動車輛派遣方法及其系統

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102859324A (zh) * 2010-04-19 2013-01-02 日产自动车株式会社 信息提供装置和信息提供方法
WO2012023564A1 (ja) * 2010-08-20 2012-02-23 三菱重工業株式会社 管理装置、管理方法、コンピュータプログラム、管理システム、及び管理方法
CN103814394A (zh) * 2011-08-16 2014-05-21 佳境有限公司 电动交通工具网络中的负载的估计和管理
WO2015129575A1 (ja) * 2014-02-28 2015-09-03 三菱重工業株式会社 電力需要予測装置、電力供給システム、電力需要予測方法及びプログラム

Also Published As

Publication number Publication date
TWI638328B (zh) 2018-10-11
US20160335377A1 (en) 2016-11-17
EP3076512A1 (en) 2016-10-05
EP3076512A4 (en) 2016-11-30
JP6081941B2 (ja) 2017-02-15
SG11201605579WA (en) 2016-10-28
TW201606687A (zh) 2016-02-16
CN105849998A (zh) 2016-08-10
JP2015163027A (ja) 2015-09-07
JP2017112830A (ja) 2017-06-22
WO2015129575A1 (ja) 2015-09-03
EP3076512B1 (en) 2018-04-11
JP6414760B2 (ja) 2018-10-31

Similar Documents

Publication Publication Date Title
CN105849998B (zh) 电力需求预测装置及预测方法、供电系统及记录介质
CN106063067B (zh) 电力需求预测装置、供电系统、电力需求预测方法及介质
Wang et al. Electric vehicle drivers’ charging behavior analysis considering heterogeneity and satisfaction
CN107111794B (zh) 预测和利用地图服务中出行时间的可变性
KR20210149626A (ko) 배터리 서비스 제공 시스템 및 방법
Puylaert et al. Mobility impacts of early forms of automated driving–A system dynamic approach
Schoen et al. A machine learning model for average fuel consumption in heavy vehicles
Nocera et al. Micro and Macro modelling approaches for the evaluation of the carbon impacts of transportation
CN102968551B (zh) 一种电动汽车运行特性建模分析方法
CN111680382A (zh) 等级预测模型训练方法、等级预测方法、装置及电子设备
CN116011995A (zh) 车辆保养信息推送方法、装置、电子设备及存储介质
CN109978241B (zh) 一种电动汽车充电负荷的确定方法及装置
CN117698452B (zh) 一种车联网环境下电动汽车主动充电引导方法及相关装置
Straub et al. Forecasting the spatial and temporal charging demand of fully electrified urban private car transportation based on large-scale traffic simulation
Hüttel et al. Mind the gap: Modelling difference between censored and uncensored electric vehicle charging demand
ElGhanam et al. Machine learning-based electric vehicle charging demand prediction using origin-destination data: A uae case study
Helmus et al. A validated agent-based model for stress testing charging infrastructure utilization
Helmus et al. SEVA: A data driven model of electric vehicle charging behavior
JP2017077177A (ja) 供給電力管理装置、車載器、及び電気自動車
Feng et al. Large Language Model based Agent Framework for Electric Vehicle Charging Behavior Simulation
Moreira-Matias et al. An online learning framework for predicting the taxi stand's profitability
Cucu et al. Management of a public transportation service: carsharing service
CN113268709B (zh) 基于智能体仿真的城市电动汽车充电需求预测方法及系统
Kalila Big data fusion to estimate driving adoption behavior and urban fuel consumption
Han et al. Optimal Electrical Vehicle Charging Planning and Routing Using Real-Time Trained Energy Prediction With Physics-Based Powertrain Model

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant