CN109314392A - 电力管理系统 - Google Patents

电力管理系统 Download PDF

Info

Publication number
CN109314392A
CN109314392A CN201780036722.4A CN201780036722A CN109314392A CN 109314392 A CN109314392 A CN 109314392A CN 201780036722 A CN201780036722 A CN 201780036722A CN 109314392 A CN109314392 A CN 109314392A
Authority
CN
China
Prior art keywords
mentioned
power
electric power
prediction
prediction model
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.)
Granted
Application number
CN201780036722.4A
Other languages
English (en)
Other versions
CN109314392B (zh
Inventor
岭岸瞳
加纳润
加纳润一
武田宪明
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.)
Panasonic Intellectual Property Management Co Ltd
Original Assignee
Panasonic Intellectual Property Management Co 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 Panasonic Intellectual Property Management Co Ltd filed Critical Panasonic Intellectual Property Management Co Ltd
Publication of CN109314392A publication Critical patent/CN109314392A/zh
Application granted granted Critical
Publication of CN109314392B publication Critical patent/CN109314392B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/1012—Server selection for load balancing based on compliance of requirements or conditions with available server resources
    • 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
    • B60L2240/80—Time limits
    • 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

Abstract

长期预测电路(23)使用表示与时刻相应的需求方(1)的消耗电力的时间上的变化的长期预测模型，预测需求方(1)的消耗电力的时间上的变化，作为长期预测电力。短期预测电路(25)使用表示各负载装置(15)的消耗电力变化的前后的时间期间中的需求方(1)的消耗电力的时间上的变化的短期预测模型，基于紧挨着当前时刻之前的时间期间中的需求方(1)的消耗电力的时间上的变化，预测紧挨着当前时刻之后的时间期间中的需求方(1)的消耗电力的时间上的变化，作为短期预测电力。控制电路(21)以基于长期预测电力来设定规定的充电电力或规定的放电电力的方式控制蓄电装置(13)的充电及放电，并且以基于短期预测电力来设定规定的放电电力的方式控制蓄电装置(13)的放电。

Description

电力管理系统
技术领域
本发明涉及连接于电力系统并且具备多个负载装置及至少1个蓄电装置的需求方中的蓄电装置的控制装置。本发明还涉及用于这样的需求方的电力管理系统、用于包括这样的多个需求方的电力网格的电力网格管理系统、以及用于包括这样的多个电力网格的电力网的电力网管理系统。
背景技术
已知有在连接于电力系统、并且具备多个负载装置及至少1个蓄电装置的需求方中设置的电力管理系统(参照专利文献1～3)。电力管理系统有时还具备需求方的发电装置(太阳能电池等)。
现有技术文献
专利文献
专利文献1：日本特开2016－015857号公报
专利文献2：日本特许第5402566号公报
专利文献3：国际公开第2014/175374号
发明内容
发明要解决的课题
当需求方的某一个负载装置的消耗电力变化时，需求方的整体的消耗电力也变化。例如，当需求方的某一个负载装置的电源被接通时，需求方的整体的消耗电力急剧地变化。如果来自电力系统的受电电力的峰值超过基于与电力公司的合同的阈值，则电费的单价增大。此外，如果需求方的整体的消耗电力的急剧的变化对电力系统造成影响，则经由电力系统传送的电力的品质下降。因而，要求决定蓄电装置的充电电力及放电电力的大小，以抑制来自电力系统的受电电力的急剧的变化。
本发明提供一种在连接于电力系统且具备多个负载装置及至少1个蓄电装置的需求方中，决定蓄电装置的充电电力及放电电力的大小，以抑制来自电力系统的受电电力的急剧的变化的蓄电装置的控制装置。
本发明还提供一种用于这样的需求方的电力管理系统、用于包括这样的多个需求方的电力网格的电力网格管理系统、以及用于包括这样的多个电力网格的电力网的电力网管理系统。
用来解决课题的手段
根据有关本发明的一技术方案的蓄电装置的控制装置，其是连接于电力系统并具备多个负载装置及至少1个蓄电装置的需求方的上述蓄电装置的控制装置；上述控制装置具备：第1预测电路，使用第1预测模型，预测上述需求方的整体的消耗电力的时间上的变化，作为第1预测电力，上述第1预测模型表示与时刻相应的上述需求方的整体的消耗电力的时间上的变化；第2预测电路，使用第2预测模型，基于紧挨着当前时刻之前的第2时间期间中的上述需求方的整体的消耗电力的时间上的变化，预测紧挨着上述当前时刻之后的第3时间期间中的上述需求方的整体的消耗电力的时间上的变化，作为第2预测电力，上述第2预测模型表示上述多个负载装置各自的消耗电力变化的前后的第1时间期间中的上述需求方的整体的消耗电力的时间上的变化；以及控制电路，以基于上述第1预测电力、按每个规定的第4时间期间来设定规定的充电电力或规定的放电电力的方式，控制上述蓄电装置的充电及放电，并且以基于上述第2预测电力、按每个比上述第4时间期间短的第5时间期间来设定规定的放电电力的方式，控制上述蓄电装置的放电。
发明效果
根据本发明，在具备连接于电力系统且具备多个负载装置及至少1个蓄电装置的需求方中，能够决定蓄电装置的充电电力及放电电力的大小，以抑制来自电力系统的受电电力的急剧的变化。
附图说明
图1是表示有关实施方式1的需求方1的电力管理系统的结构的框图。
图2是表示图1的短期预测模型生成电路24及短期预测电路25的结构的框图。
图3是表示图2的在学习器31、32及判定电路33中使用的神经网络的例子的图。
图4是表示在图1的短期预测电路25中使用的第1例示性的短期预测模型的图。
图5是表示在图1的短期预测电路25中使用的第2例示性的短期预测模型的图。
图6是表示在图1的短期预测电路25中使用的第3例示性的短期预测模型的图。
图7是表示图1的需求方1的整体的消耗电力的时间上的变化的曲线图。
图8是表示图1的需求方1的整体的消耗电力和蓄电装置13的放电电力的时间上的变化的曲线图。
图9是表示图1的需求方1从电力系统2接受的电力的时间上的变化的曲线图。
图10是表示有关实施方式2的需求方1A的电力管理系统的结构的框图。
图11是表示有关实施方式3的需求方1B的电力管理系统的结构的框图。
图12是表示有关实施方式4的需求方1C的电力管理系统的结构的框图。
图13是表示有关实施方式5的需求方1D的电力管理系统的结构的框图。
图14是表示有关实施方式6的电力网格100的结构的框图。
图15是表示有关实施方式7的电力网的结构的框图。
具体实施方式
<达成本发明的经过>
首先，说明本申请发明人达成本发明的经过。
计划着2019年结束可再生能源的固定价格收购制度(FIT)。随之，可以预想具备太阳能电池的需求方自身的发电电力的消耗会增加，并且为了将发电电力没有浪费地消耗而蓄电装置的需求会增加。
以往的电力管理系统进行被动的反馈控制以达成例如30分钟同时同量，此外，根据发电装置的发电电力来决定蓄电装置的充电电力及放电电力的大小。以往的电力管理系统不能以比30分钟短的周期高速地控制蓄电装置的充电电力及放电电力的大小，此外，除了夜间充电以外，不能考虑未来的消耗电力而主动地进行控制。
蓄电装置的初始投资费用昂贵，投资费用的回收困难或要花费非常长的时间。因而，希望通过蓄电装置的导入来使削减电费的效果最大化。
例如根据专利文献1，为了通过蓄电装置的导入来使削减电费的效果最大化，抑制从系统供给的电力来抑制基于合同电力决定的基本费用。具体而言，基于消耗电力的预测数据事先控制蓄电装置的充放电并抑制系统电力的峰值，以使来自系统的电力成为上限值以下。关于消耗电力达到某个上限值的时间段或预测达到的时间段，在预想从蓄电装置放电的消耗电力超过某个上限值的时间段之前，将消耗电力与上限值的差分蓄电到蓄电装置，确保所需要的放电量。
为了追随于消耗电力的急剧的变化来控制放电电力，需要预测消耗电力的短期的时间上的变化。专利文献1的发明只是具有每个时间段的消耗电力的预测值，所以不能追随于消耗电力的短期的急剧的变化。
因而，要求控制蓄电装置的充电及放电，以抑制来自电力系统的受电电力的急剧的变化。
根据以上的认识及考察，本申请发明人们想到了以下的发明的各形态。
以下，参照附图对有关本发明的实施方式进行说明。另外，在以下的各实施方式中，对于同样的构成要素赋予相同的标号。
<实施方式1>
图1是表示有关实施方式1的需求方1的电力管理系统的结构的框图。需求方1具备分电盘11、电力计12、蓄电装置13、发电装置14、负载装置15－1、15－2及控制装置16。需求方1连接于电力系统2及服务器装置3。
分电盘11在控制装置16的控制下，在电力系统2、蓄电装置13、发电装置14及负载装置15－1、15－2之间传送电力。分电盘11在某情况下，将从电力系统2接受到的电力向蓄电装置13及/或负载装置15－1、15－2输送。分电盘11在其他情况下，将从蓄电装置13接受到的电力向负载装置15－1、15－2及/或电力系统2输送。分电盘11在其他情况下，将从发电装置14接受到的电力向蓄电装置13、负载装置15－1、15－2及/或电力系统2输送。
电力计12测定需求方1的整体的消耗电力(即，负载装置15－1、15－2的合计的消耗电力)，并向控制装置16通知。
蓄电装置13将由发电装置14发电的电力或从电力系统2接受到的电力进行充电，将充电的电力放电而向负载装置15－1、15－2或电力系统2输送。蓄电装置13具备电池、从交流向直流的电力变换电路和从直流向交流的电力变换电路。蓄电装置13也可以包括电动汽车。
发电装置14例如是太阳能电池，但也可以是其他电源。发电装置14具备从直流向交流的电力变换电路。
负载装置15－1、15－2是照明器具、制冷制暖装置、调理器具、电视装置、个人计算机、电动汽车等任意的电气设备。以下，将负载装置15－1、15－2也统称为负载装置15。在图1等中，仅表示了2个负载装置15－1、15－2，但需求方1具备任意个数的负载装置。
控制装置16具备控制电路21、长期预测模型生成电路22、长期预测电路23、短期预测模型生成电路24及短期预测电路25。
控制电路21控制蓄电装置13的充电及放电。
长期预测模型生成电路22生成长期预测模型，该长期预测模型表示与时刻相应的需求方1的整体的消耗电力的时间上的变化。长期预测模型生成电路22基于由电力计12测定的需求方1的整体的消耗电力的时间上的变化，生成长期预测模型。长期预测模型生成电路22当生成长期预测模型时，也可以可选地参照从服务器装置3取得的其他信息(其他需求方的消耗电力的时间上的变化等)。例如，通过针对1天的各时刻或各时间段(例如每30分钟或每1小时)计算需求方1的整体的消耗电力的几天中的平均值来取得长期预测模型。长期预测模型中，例如以20％以下的误差来预测每1小时的1天量的平均电力。长期预测模型也可以按每个星期、每个月及/或每个季节来取得。
长期预测电路23使用长期预测模型，预测需求方1的整体的消耗电力的时间上的变化作为长期预测电力。
在本说明书中，将长期预测模型也称作“第1预测模型”，将长期预测电力也称作“第1预测电力”，将长期预测模型生成电路22也称作“第1预测模型生成电路”，将长期预测电路23也称作“第1预测电路”。
短期预测模型生成电路24生成短期预测模型，该短期预测模型表示多个负载装置15各自的消耗电力变化的前后的第1时间期间中的需求方1的整体的消耗电力的时间上的变化。短期预测模型例如表示将多个负载装置15各自的电源接通前后的第1时间期间中的需求方1的整体的消耗电力的时间上的变化。此外，短期预测模型例如在负载装置15有具有不同的消耗电力的多个动作模式的情况下，也可以表示切换动作模式时的前后的第1时间期间中的需求方1的整体的消耗电力的时间上的变化。例如在负载装置15是制冷制暖装置及调理器具等的情况下，多个动作模式对应于其多个不同的设定温度。多个负载装置15各自的消耗电力也可以通过用户操作、通过定时器动作或通过预先决定的次序而变化。对于短期预测模型，通过消耗电力的峰值的大小、消耗电力的峰值或平均值超过规定的阈值的时间长、负载装置15的电源被接通的时间段等来赋予特征。短期预测模型生成电路24基于由电力计12测定的需求方1的整体的消耗电力的时间上的变化来生成短期预测模型。
短期预测模型生成电路24在生成短期预测模型时，也可以可选地参照从服务器装置3取得的其他信息(其他需求方的消耗电力的时间上的变化等)。
短期预测电路25使用短期预测模型，基于紧挨着当前时刻之前的第2时间期间中的需求方1的整体的消耗电力的时间上的变化，预测紧挨着当前时刻之后的第3时间期间中的需求方1的整体的消耗电力的时间上的变化，作为短期预测电力。
在本说明书中，将短期预测模型也称作“第2预测模型”，将短期预测电力也称作“第2预测电力”，将短期预测模型生成电路24也称作“第2预测模型生成电路”，将短期预测电路25也称作“第2预测电路”。
控制电路21以基于由长期预测电路23预测的需求方1的长期预测电力、按每个规定的第4时间期间来设定规定的充电电力或规定的放电电力的方式，控制蓄电装置13的充电及放电。第4时间期间例如是30分钟或1小时等。控制电路21还以基于由短期预测电路25预测的需求方1的短期预测电力、按每个比第4时间期间短的第5时间期间来设定规定的放电电力的方式，控制蓄电装置13的放电。第5时间期间例如是1分钟。
图2是表示图1的短期预测模型生成电路24及短期预测电路25的结构的框图。
短期预测模型生成电路24具备学习器31及学习器32。学习器31基于由电力计12测定的需求方1的整体的消耗电力的时间上的变化和从服务器装置3取得的其他需求方的消耗电力的时间上的变化，学习需求方1的整体的消耗电力模型。学习器32基于由电力计12测定的需求方1的整体的消耗电力的时间上的变化，学习单独的负载装置15的消耗电力的短期预测模型。
学习器31基于各种各样的需求方的消耗电力的时间上的变化的信息及其他信息(例如其他需求方的负载装置的信息)，将各种各样的负载装置的消耗电力的时间上的变化的模式(pattern)进行分类。学习器31基于需求方1的整体的消耗电力，判断需求方1是否具备与其他需求方的负载装置相同的负载装置。在需求方1具备具有已知的消耗电力的时间上的变化的模式的负载装置的情况下，通过考虑学习器31的判断结果，提高学习器32的学习效率及学习精度。学习器31基于各种各样的需求方的消耗电力的时间上的变化的信息及其他信息，将包括住宅、店铺及工厂等的需求方的种类进行分类。学习器31基于需求方1的整体的消耗电力，判断需求方1属于哪个种类。在需求方1属于已知的种类的情况下，通过考虑学习器31的判断结果，减轻由学习器32进行的详细的学习的负担，提高学习器32的学习效率及学习精度。学习器32基于需求方1的整体的消耗电力的时间上的变化，详细地学习需求方1所固有的消耗电力的时间上的变化的模式，生成与单独的负载装置15对应的短期预测模型。此外，当学习器31通过考虑学习器32的判断结果来将各种各样的负载装置的消耗电力的时间上的变化的模式进行分类时、以及将需求方的种类进行分类时，学习器31的学习效率及学习精度提高。
短期预测电路25具备判定电路33及模式识别电路34。对于判定电路33设定由学习器32生成的短期预测模型。判定电路33在模式识别电路34的控制下，判定由电力计12测定的需求方1的整体的消耗电力的时间上的变化是否与由学习器32生成的短期预测模型一致。当需求方1的整体的消耗电力的时间上的变化与某个短期预测模型的开头部分一致时，模式识别电路34将由相同的短期预测模型的后续部分表示的需求方1的整体的消耗电力的时间上的变化通知给控制电路21。
图2的学习器31、32及判定电路33也可以具备神经网络。
图3是表示在图2的学习器31、32及判定电路33中使用的神经网络的例子的图。神经网络具备输入层41的节点N1－1～N1－P、至少1层的中间层42的节点N2－1～N2－Q，…，N(M－1)－1～N(M－1)－R、以及输出层43的节点NM－1～NM－S。对于学习器32的神经网络的输入层41，设定表示比所生成的短期预测模型的时间长更短的时间长(第2时间期间)中的需求方1的整体的消耗电力的时间上的变化的时间序列数据。对于学习器32的神经网络的输出层43，设定表示所生成的短期预测模型的时间长(第1时间期间)中的需求方1的整体的消耗电力的时间上的变化的时间序列数据。将由学习器32学习的短期预测模型即中间层42的权重系数设定到判定电路33的神经网络的中间层42。对于判定电路33的神经网络的输入层41，输入表示与输入到学习器32的神经网络的输入层41中的时间序列数据相同的时间长(第2时间期间)中的需求方1的整体的消耗电力的时间上的变化的时间序列数据。从判定电路33的神经网络的输出层43输出表示短期预测模型的时间长(第1时间期间)中的需求方1的整体的消耗电力的时间上的变化的时间序列数据。在判定电路33的神经网络中，在输入到输入层41中的时间序列数据与某个短期预测模型的开头部分一致的情况下，从其输出层43输出表示由相同的短期预测模型的整体表示的需求方1的整体的消耗电力的时间上的变化的时间序列数据。
也可以从例如服务器装置3或控制电路21对图2的学习器32及判定电路33的神经网络的输入层41还输入以下这样的其他数据。
对于输入层41，也可以还输入包括住宅、店铺及工厂等的表示需求方1的种类的数据。通过参照该数据，能够推测各负载装置15的机种及消耗电力、使各负载装置15动作的时间段等，使学习及预测的精度提高。
对于输入层41，也可以还输入表示需求方1的用户的人数或家族构成的数据。通过参照该数据，能够推测使各负载装置15动作的时间段等，使学习及预测的精度提高。
对于输入层41，也可以还输入表示各负载装置15的机种或型号的数据。通过参照该数据，能够推测各负载装置15的消耗电力等，使学习及预测的精度提高。
对于输入层41，也可以还输入表示各负载装置15的通电状态或消耗电力的数据(参照后述的实施方式2)。
对于输入层41，也可以还输入表示需求方1的用户的行为的数据。通过参照该数据，能够推测使各负载装置15动作的时间段等，使学习及预测的精度提高。例如，为了取得表示需求方1的用户的行为的数据，服务器装置3也可以关于用户何时怎样使用哪个负载装置15，从向社会网络服务的用户的写入等中提取。
对于输入层41，也可以还输入表示天气的数据。通过参照该数据，能够推测使例如用于制冷制暖的负载装置15动作的时间段、消耗电力等，使学习及预测的精度提高。
对于输入层41，也可以还输入表示日期时间或星期数的数据。通过参照该数据，能够基于按每个星期或每个季节进行的事件等的信息来推测使各负载装置15动作的时间段等，使学习及预测的精度提高。
参照图4～图6，表示在图1的短期预测电路25中使用的例示性的短期预测模型。
图4是表示在图1的短期预测电路25中使用的第1例示性的短期预测模型的图。例如，当作为平日的夜间的回家时的行为而最先将照明等点亮后将电视装置(TV)的电源接通的情况较多时，通过检测照明等的点亮，能够预测出其后电视装置的电源被接通。在此情况下，控制电路21以匹配于电视装置的消耗电力来设定放电电力的方式控制蓄电装置13的放电。
图5是表示在图1的短期预测电路25中使用的第2例示性的短期预测模型的图。例如当作为沐浴后的行为而将浴室的照明及热水器等的电源断开后将干燥机的电源接通的情况较多时，通过检测浴室的照明及热水器的电源断开，能够预测出其后干燥机的电源被接通。在此情况下，控制电路21以匹配于干燥机的消耗电力来设定放电电力的方式控制蓄电装置13的放电。
图6是表示在图1的短期预测电路25中使用的第3例示性的短期预测模型的图。例如在作为个人计算机(PC)的启动时的行为而在将电源接通后紧接着执行消耗电力比较低的引导处理后成为消耗电力更高的启动状态的情况下，通过检测将电源接通后的紧接着的引导处理，能够预测其后的消耗电力。在此情况下，控制电路21以匹配于预测的消耗电力而设定放电电力的方式控制蓄电装置13的放电。
接着，参照图7～图9对实施方式1的电力管理系统的效果进行说明。
图7是表示图1的需求方1的整体的消耗电力的时间上的变化的曲线图。图7还表示基于长期预测模型的蓄电装置13的充电及放电的控制。当预测为需求方1的整体的消耗电力小于图7的阈值时，控制装置16一边将由发电装置14发电的电力及/或从电力系统2接受到的电力向负载装置15供给，一边还向蓄电装置13充电。当预测为需求方1的整体的消耗电力为图7的阈值以上时，控制装置16一边将由发电装置14发电的电力及/或从电力系统2接受到的电力向负载装置15供给，一边还将从蓄电装置13放电的电力向负载装置15供给。控制装置16在预测需求方1的整体的消耗电力成为图7的阈值以上的时间期间到来之前，预测要放电的电力量并向蓄电装置13预先充电。通过这样使用长期预测模型，能够将充电量和放电量优化。
图8是表示图1的需求方1的整体的消耗电力和蓄电装置13的放电电力的时间上的变化的曲线图。图9是表示图1的需求方1从电力系统2受电的电力的时间上的变化的曲线图。需求方1从电力系统2受电的电力是从需求方1的整体的消耗电力减去蓄电装置13的放电电力及发电装置14的发电电力后的剩余电力。图8及图9对应于图7的时间区间T1。控制装置16基于长期预测模型来控制蓄电装置13的充电及放电，以使得达成例如30分钟同时同量(在图8及图9中表示为“每30分钟的控制”)。由此，例如在图8的时间区间T2中，匹配于消耗电力的暂时性的增大而使放电电力增大。在仅使用每30分钟的控制的情况下，不能使放电电力的大小追随于比30分钟短的时间期间中的消耗电力的时间上的变化。此时，如图9所示，从电力系统2来看，需求方1的整体的消耗电力的急剧的变化对电力系统2造成影响，经由电力系统2传送的电力的品质下降。另一方面，在除了长期预测模型以外还基于短期预测模型来控制蓄电装置13的充电及放电的情况下(在图8及图9中表示为“每1分钟的控制”)，能够使放电电力的大小追随于需求方1的整体的消耗电力的急剧的变化。因而，此时如图9所示，需求方1的整体的消耗电力的急剧的变化不易对电力系统2造成影响，能够使电力系统2的电力稳定化。
根据实施方式1的电力管理系统，能够决定蓄电装置13的充电电力及放电电力的大小，以使得抑制来自电力系统2的受电电力的急剧的变化。
根据实施方式1的电力管理系统，通过使用长期预测模型及短期预测模型双方，能够有效地降低消耗电力的峰值。通过使用长期预测模型，能够预测为了抑制消耗电力的峰值而需要的电力量，从而将所需要的电力量有计划地向蓄电装置13充电。因而，能够抑制不需要的充电(剩余的电力)和过度的放电(电力不足)。此外，通过使用短期预测模型，能够预测消耗电力的急剧的变化，以追随于该变化的方式高速地控制放电。因而，能够高精度地抑制消耗电力的峰值。
根据实施方式1的电力管理系统，通过使用短期预测模型，追随于消耗电力的变化而从蓄电装置13将电力放电，所以结果从电力系统2接受到的电力量减少而能够降低电费。
根据实施方式1的电力管理系统，能够由需求方1抑制来自电力系统2的受电电力的急剧的变化，所以不需要电力系统2的需求响应等的复杂的处理。
根据实施方式1的电力管理系统，能够有效地利用由发电装置14发电而充电到蓄电装置13的电力，所以需求方1的电力的自产自消的效果增大。
为了以追随于消耗电力的急剧的变化的方式控制蓄电装置13的放电，需要进行捕捉消耗电力的短期的变动的短期的预测及控制，所以为了确保峰值的抑制所需要的充电量，需要进行1天等的长期的预测及控制。如果将短期的预测及控制和长期的预测及控制以相同的预测周期及相同的控制周期进行，则数据量变得庞大。但是，根据实施方式1的电力管理系统，根据目的而使用长期预测模型及短期预测模型，能够抑制所需要的数据量的增大。
接着，对实施方式1的电力管理系统的变形例进行说明。
短期预测模型也可以比长期预测模型更频繁地被更新。由此，能够更好地追随于居住者的替换等需求方1的环境的变化，短期预测模型的学习精度提高。
控制电路21在基于由短期预测电路25预测出的短期预测电力来设定规定的放电电力时，也可以基于由长期预测电路23预测出的长期预测电力来设定放电电力的上限。即使充电量不够在负载装置15被接通的时间期间的整体中将消耗电力的增大完全抵消的情况下，也进行放电，以使得在该时间期间的整体中将电力的峰值多少降低一些。换言之，将来的充电及放电计划作为当前的放电量的制约发挥作用，因由此，能够考虑最近及将来而最优地控制蓄电装置13的充电及放电。
控制电路21也可以与外部的服务器装置3进行通信而从服务器装置3取得电费的数据。在此情况下，当电费超过第1阈值时，控制电路21为了对负载装置15供给电力而使蓄电装置13比电力系统2优先，以规定的放电电力使蓄电装置13放电；并且，当电费变成小于第2阈值时，控制电路21以规定的充电电力使蓄电装置13充电。第2阈值既可以比第1阈值高也可以低。由此，能够削减电费。
需求方1也可以不具备发电装置14而仅从电力系统2接受电力。此外，需求方1也可以不连接于电力系统2，而仅从发电装置14接受电力。
负载装置15及蓄电装置13的至少一方也可以包括电动汽车。
需求方1也可以具备多个蓄电装置。由此，能够减少每1个蓄电装置的充电容量，增加可控制的最大电流。
短期预测模型生成电路24也可以具备3个以上的学习器。
例如，在如在实施方式6中说明那样在多个需求方之间送电及受电的情况下，某个需求方可以考虑其他需求方的消耗电力，考虑从哪个需求方向哪个需求方送电及受电多少电力，来生成长期预测模型。此外，在以与短期预测模型相同的方法生成长期预测模型的情况下，也可以与短期预测模型同样地，基于各种各样的需求方的消耗电力的时间上的变化的信息及其他信息，将包括住宅、店铺及工厂等的需求方的种类进行分类。长期预测模型生成电路22基于需求方1的整体的消耗电力，判断需求方1属于哪个种类，基于其判断结果生成长期预测模型。这样，通过在生成长期预测模型时也使用其他需求方的数据，学习效率及学习精度提高。
<实施方式2>
图10是表示有关实施方式2的需求方1A的电力管理系统的结构的框图。图10的需求方1A代替图1的需求方1的控制装置16而具备控制装置16A，还具备电力计17－1、17－2。
电力计17－1、17－2分别测定负载装置15－1、15－2的消耗电力，并向控制装置16A通知。
图10的控制装置16A代替图1的控制装置16的长期预测模型生成电路22、短期预测模型生成电路24及短期预测电路25而具备长期预测模型生成电路22A、短期预测模型生成电路24A及短期预测电路25A。长期预测模型生成电路22A在生成长期预测模型时，除了由电力计12测定的需求方1的整体的消耗电力的时间上的变化以外，还参照由电力计17－1、17－2测定的各负载装置15－1、15－2的消耗电力的时间上的变化。短期预测模型生成电路24A在生成短期预测模型时，除了由电力计12测定的需求方1的整体的消耗电力的时间上的变化以外，还参照由电力计17－1、17－2测定的各负载装置15－1、15－2的消耗电力的时间上的变化。短期预测电路25A除了由电力计12测定的需求方1的整体的消耗电力的时间上的变化以外，还参照由电力计17－1、17－2测定的各负载装置15－1、15－2的消耗电力的时间上的变化。
根据实施方式2的电力管理系统，通过参照由电力计17－1、17－2测定的各负载装置15－1、15－2的消耗电力的时间上的变化，能够提高预测需求方1的整体的消耗电力的时间上的变化的精度。
<实施方式3>
图11是表示有关实施方式3的需求方1B的电力管理系统的结构的框图。图11的需求方1A代替图1的需求方1的控制装置16而具备控制装置16B，还具备传感器18。
传感器18监视最大充电电力量、当前的充电电力量及劣化状态等蓄电装置13的状态。传感器18将蓄电装置13的状态向控制装置16B通知。
图11的控制装置16B代替图1的控制装置16的控制电路21、长期预测模型生成电路22、短期预测模型生成电路24及短期预测电路25而具备控制电路21B、长期预测模型生成电路22B、短期预测模型生成电路24B及短期预测电路25B。长期预测模型生成电路22B在生成长期预测模型时，还参照从传感器18得到的蓄电装置13的状态。短期预测模型生成电路24B在生成短期预测模型时，还参照从传感器18得到的蓄电装置13的状态。短期预测电路25B还参照从传感器18得到的蓄电装置13的状态。
控制电路21B也在控制蓄电装置13的充电及放电时，也可以还参照从传感器18得到的蓄电装置13的状态。
根据实施方式3的电力管理系统，通过参照从传感器18得到的蓄电装置13的状态，能够更正确地掌握放电电力的大小及放电量。
<实施方式4>
图12是表示有关实施方式4的需求方1C的电力管理系统的结构的框图。图12的需求方1C代替图1的需求方1的控制装置16而具备控制装置16C。
在发电装置14是太阳能电池的情况下，控制装置16C也可以预测太阳能电池的发电电力的时间上的变化。图12的控制装置16C代替图1的控制电路21而具备控制电路21C，还具备发电电力预测模型生成电路26及发电电力预测电路27。发电电力预测模型生成电路26与外部的服务器装置3C进行通信而从服务器装置3C取得天气的数据，基于天气的数据来生成发电电力预测模型。发电电力预测电路27基于发电电力预测模型，预测太阳能电池的发电电力的时间上的变化。
根据实施方式4的电力管理系统，通过预测发电装置14的发电电力，能够更高精度地控制蓄电装置13的充电及放电。
<实施方式5>
图13是表示有关实施方式5的需求方1D的电力管理系统的结构的框图。图13的需求方1D代替图1的需求方1的控制装置16而具备控制装置16D。
图13的控制装置16D不具有图1的控制装置16的长期预测模型生成电路22及短期预测模型生成电路24。长期预测模型生成电路22及短期预测模型生成电路24设置在外部的服务器装置3D中。控制装置16D与外部的服务器装置3D进行通信，从服务器装置3D取得长期预测模型及短期预测模型。
根据实施方式5的电力管理系统，通过由服务器装置3D生成长期预测模型及短期预测模型，能够使控制装置16D的结构及处理简单化。通过将服务器装置3D的规模扩展，能够简单地应对用来生成长期预测模型及短期预测模型的数据量的增大。
另一方面，在如实施方式1等的电力管理系统那样由需求方1的控制装置16生成长期预测模型及短期预测模型的情况下，控制装置16自立地动作，即使服务器装置3宕机也能够继续动作。此外，能够降低与服务器装置3的通信费用。在需求方1中设有短期预测模型生成电路24及短期预测电路25的情况下，能够迅速地应对短期预测模型的变化。
控制装置16D的长期预测电路23及短期预测电路25也可以设置在服务器装置3D中。由此，能够使控制装置16D的结构及处理更简单化。
<实施方式6>
图14是表示有关实施方式6的电力网格(grid)100的结构的框图。图14的电力网格100具备连接于电力系统2的多个需求方1－1～1－4和服务器装置3。多个需求方1－1～1－4分别与实施方式1等的需求方1等同样地构成。服务器装置3通过控制各需求方1－1～1－4的控制装置16，控制各需求方1－1～1－4之间的送电及受电。在实施方式6及7中，将电力网格100的服务器装置3还称作“第1服务器装置”。此外，将实施方式6还称作“电力网格的电力管理系统”或“电力网格管理系统”。
服务器装置3基于各需求方1－1～1－4的长期预测模型，生成电力网格100的长期预测模型，该电力网格100的长期预测模型表示与时刻相应的电力网格100的整体的消耗电力的时间上的变化。服务器装置3使用电力网格100的长期预测模型，预测电力网格100的整体的消耗电力的时间上的变化，作为电力网格100的长期预测电力。在本说明书中，将电力网格100的长期预测模型还称作“第3预测模型”，将电力网格100的长期预测电力还称作“第3预测电力”。
服务器装置3基于各需求方1－1～1－4的长期预测模型及短期预测模型，生成电力网格100的短期预测模型，该电力网格100的短期预测模型表示在各需求方1－1～1－4中消耗电力变化的第6时间期间中的电力网格100的整体的消耗电力的时间上的变化。服务器装置3使用短期预测模型，基于紧挨着当前时刻之前的第7时间期间中的电力网格100的整体的消耗电力的时间上的变化，预测紧挨着当前时刻之后的第8时间期间中的电力网格100的整体的消耗电力的时间上的变化，作为短期预测电力。在本说明书中，将电力网格100的短期预测模型还称作“第4预测模型”，将电力网格100的短期预测电力还称作“第4预测电力”。
服务器装置3以基于长期预测电力、按每个规定的第9时间期间来设定规定的送电电力及规定的受电电力的方式，控制各需求方1－1～1－4之间的送电及受电。服务器装置3以基于短期预测电力、按每个比第9时间期间短的第10时间期间来设定规定的送电电力及规定的受电电力的方式，控制各需求方1－1～1－4之间的送电及受电。
根据实施方式6的电力网格管理系统，能够预测电力网格的整体中的消耗电力的时间上的变化，稳定地控制电力网格的整体。
<实施方式7>
图15是表示有关实施方式7的电力网的结构的框图。图15的电力网具备连接于电力系统2的多个电力网格100－1～100－4和服务器装置3E，多个电力网格100－1～100－4分别与实施方式6的电力网格100同样地构成。服务器装置3E通过控制各电力网格100－1～100－4的第1服务器装置3，控制各电力网格100～100－4之间的送电及受电。在实施方式7中，将电力网的服务器装置3E还称作“第2服务器装置”。此外，将实施方式7还称作“电力网的电力管理系统”或“电力网管理系统”。
服务器装置3E基于各电力网格100－1～100－4的长期预测模型，生成电力网的长期预测模型，该电力网的长期预测模型表示与时刻相应的电力网的整体的消耗电力的时间上的变化。服务器装置3E使用电力网的长期预测模型，预测电力网的整体的消耗电力的时间上的变化，作为电力网的长期预测电力。在本说明书中，将电力网的长期预测模型还称作“第5预测模型”，将电力网的长期预测电力还称作“第5预测电力”。
服务器装置3E基于各电力网格100－1～100－4的长期预测模型及短期预测模型，生成电力网的短期预测模型，该电力网的短期预测模型表示在各电力网格100－1～100－4中消耗电力变化的第11时间期间中的电力网的整体的消耗电力的时间上的变化。服务器装置3E使用电力网的短期预测模型，基于紧挨着当前时刻之前的第12时间期间中的电力网的整体的消耗电力的时间上的变化，预测紧挨着当前时刻之后的第13时间期间中的电力网的整体的消耗电力的时间上的变化，作为电力网的短期预测电力。在本说明书中，将电力网的短期预测模型还称作“第6预测模型”，将电力网的短期预测电力还称作“第6预测电力”。
服务器装置3E以基于电力网的长期预测电力、按每个规定的第14时间期间来设定规定的送电电力及规定的受电电力的方式，控制各电力网格100－1～100－4之间的送电及受电。服务器装置3E以基于电力网的短期预测电力、按每个比第14时间期间短的第15时间期间来设定规定的送电电力及规定的受电电力的方式，控制各电力网格100－1～100－4之间的送电及受电。
根据实施方式7的电力网管理系统，能够预测电力网的整体中的消耗电力的时间上的变化，稳定地控制电力网的整体。
此外，也可以构成具备与实施方式7的电力网同样地构成的多个电力网的更上级的电力管理系统。
下级的电力管理系统中的蓄电装置的充电及放电也可以受到上级的电力管理系统的制约。在此情况下，例如在电力网格中，为了取得电力网格的整体的供需平衡，需求方之间的送电及受电等受到制约，下级的需求方还考虑该制约来控制蓄电装置的充电及放电。
本发明的蓄电装置的控制装置、电力管理系统、电力网格管理系统及电力网管理系统具备以下的结构。
根据有关本发明的一技术方案的蓄电装置的控制装置，其是需求方的蓄电装置的控制装置，上述需求方连接于电力系统，并且具备多个负载装置及至少1个上述蓄电装置，上述控制装置具备：第1预测电路，使用第1预测模型，预测上述需求方的整体的消耗电力的时间上的变化作为第1预测电力，上述第1预测模型表示与时刻相应的上述需求方的整体的消耗电力的时间上的变化；第2预测电路，使用第2预测模型，基于紧挨着当前时刻之前的第2时间期间中的上述需求方的整体的消耗电力的时间上的变化，预测紧挨着上述当前时刻之后的第3时间期间中的上述需求方的整体的消耗电力的时间上的变化作为第2预测电力，上述第2预测模型表示上述多个负载装置各自的消耗电力变化的前后的第1时间期间中的上述需求方的整体的消耗电力的时间上的变化；以及控制电路，以基于上述第1预测电力、按每个规定的第4时间期间来设定规定的充电电力或规定的放电电力的方式，控制上述蓄电装置的充电及放电，并且以基于上述第2预测电力、按每个比上述第4时间期间短的第5时间期间来设定规定的放电电力的方式，控制上述蓄电装置的放电。
根据有关第2技术方案的蓄电装置的控制装置，在有关第1技术方案的蓄电装置的控制装置中，上述第2预测电路具备神经网络，该神经网络具有：输入层，被输入表示上述第2时间期间中的上述需求方的整体的消耗电力的时间上的变化的时间序列数据；至少1层的中间层；以及输出层，输出表示上述第1时间期间中的上述需求方的整体的消耗电力的时间上的变化的时间序列数据；上述神经网络进行了学习，以表示上述第2预测模型。
根据有关第3技术方案的蓄电装置的控制装置，在有关第2技术方案的蓄电装置的控制装置中，上述输入层还被输入表示上述需求方的种类的数据，上述需求方的种类包括住宅、店铺及工厂。
根据有关第4技术方案的蓄电装置的控制装置，在有关第2或第3技术方案的蓄电装置的控制装置中，上述输入层还被输入表示上述需求方的用户的人数或家族构成的数据。
根据有关第5技术方案的蓄电装置的控制装置，在有关第2～第4中的1个技术方案的蓄电装置的控制装置中，上述输入层还被输入表示上述负载装置的机种或型号的数据。
根据有关第6技术方案的蓄电装置的控制装置，在有关第2～第5中的1个技术方案的蓄电装置的控制装置中，上述输入层还被输入表示上述负载装置的通电状态或消耗电力的数据。
根据有关第7技术方案的蓄电装置的控制装置，在有关第2～第6中的1个技术方案的蓄电装置的控制装置中，上述输入层还被输入表示上述蓄电装置的状态的数据。
根据有关第8技术方案的蓄电装置的控制装置，在有关第2～第7中的1个技术方案的蓄电装置的控制装置中，上述输入层还被输入表示上述需求方的用户的行为的数据。
根据有关第9技术方案的蓄电装置的控制装置，在有关第2～第8中的1个技术方案的蓄电装置的控制装置中，上述输入层还被输入表示天气的数据。
根据有关第10技术方案的蓄电装置的控制装置，在有关第2～第9中的1个技术方案的蓄电装置的控制装置中，上述输入层还被输入表示日期时间或星期数的数据。
根据有关第11技术方案的蓄电装置的控制装置，在有关第1～第10中的1个技术方案的蓄电装置的控制装置中，上述第2预测模型表示将上述多个负载装置各自的电源接通的前后的上述第1时间期间中的上述需求方的整体的消耗电力的时间上的变化。
根据有关第12技术方案的蓄电装置的控制装置，在有关第1～第11中的1个技术方案的蓄电装置的控制装置中，上述控制装置还具备：第1预测模型生成电路，生成上述第1预测模型；以及第2预测模型生成电路，生成上述第2预测模型。
根据有关第13技术方案的蓄电装置的控制装置，在有关第1～第11中的1个技术方案的蓄电装置的控制装置中，上述控制装置与外部的服务器装置进行通信，从上述服务器装置取得上述第1及第2预测模型。
根据有关第14技术方案的蓄电装置的控制装置，在有关第12或第13技术方案的蓄电装置的控制装置中，上述第1及第2预测模型被参照其他需求方的消耗电力来生成。
根据有关第15技术方案的蓄电装置的控制装置，在有关第12～第14中的1个技术方案的蓄电装置的控制装置中，上述第2预测模型比上述第1预测模型更频繁地被更新。
根据有关第16技术方案的蓄电装置的控制装置，在有关第1～第15中的1个技术方案的蓄电装置的控制装置中，上述控制电路在基于上述第2预测电力来设定规定的放电电力时，基于上述第1预测电力来设定放电电力的上限。
根据有关第17技术方案的蓄电装置的控制装置，在有关第1～第16中的1个技术方案的蓄电装置的控制装置中，上述控制电路与外部的服务器装置进行通信，从上述服务器装置取得电费的数据；当上述电费超过第1阈值时，以规定的放电电力使上述蓄电装置放电；当上述电费小于第2阈值时，以规定的充电电力使上述蓄电装置充电。
根据有关第18技术方案的蓄电装置的控制装置，在有关第1～第17中的1个技术方案的蓄电装置的控制装置中，上述需求方具备发电装置。
根据有关第19技术方案的蓄电装置的控制装置，在有关第18技术方案的蓄电装置的控制装置中，上述发电装置是太阳能电池；上述控制装置具备第3预测电路，该第3预测电路与外部的服务器装置进行通信而从上述服务器装置取得天气的数据，并基于上述天气的数据，预测上述太阳能电池的发电电力的时间上的变化。
根据有关第20技术方案的蓄电装置的控制装置，在有关第1～第19中的1个技术方案的蓄电装置的控制装置中，上述负载装置包括电动汽车。
根据有关第21技术方案的电力管理系统，其是用于连接于电力系统的需求方的电力管理系统；上述需求方具备：多个负载装置；至少1个蓄电装置；以及有关第1～第20中的1个技术方案的控制装置。
根据有关第22技术方案的电力网格管理系统，其是用于具备连接于电力系统的多个需求方的电力网格的电力网格管理系统；上述多个需求方分别具备有关第21技术方案的电力管理系统；上述电力网格还具备通过控制上述各需求方的控制装置来控制上述各需求方之间的送电及受电的第1服务器装置。
根据有关第23技术方案的电力网格管理系统，在有关第22技术方案的电力网格管理系统中，上述第1服务器装置进行以下处理：基于上述各需求方的第1预测模型，生成第3预测模型，该第3预测模型表示与时刻相应的上述电力网格的整体的消耗电力的时间上的变化；使用上述第3预测模型，预测上述电力网格的整体的消耗电力的时间上的变化作为第3预测电力；基于上述各需求方的第1及第2预测模型，生成第4预测模型，该第4预测模型表示在上述各需求方中消耗电力变化的第6时间期间中的上述电力网格的整体的消耗电力的时间上的变化；使用上述第4预测模型，基于紧挨着当前时刻之前的第7时间期间中的上述电力网格的整体的消耗电力的时间上的变化，预测紧挨着上述当前时刻之后的第8时间期间中的上述电力网格的整体的消耗电力的时间上的变化，作为第4预测电力；以基于上述第3预测电力、按每个规定的第9时间期间来设定规定的送电电力及规定的受电电力的方式，控制上述各需求方之间的送电及受电；以基于上述第4预测电力、按每个比上述第9时间期间短的第10时间期间来设定规定的送电电力及规定的受电电力的方式，控制上述各需求方之间的送电及受电。
根据有关第24技术方案的电力网管理系统，其是用于具备连接于电力系统的多个电力网格的电力网的电力网管理系统；上述多个电力网格分别具备有关第23技术方案的电力网格管理系统；上述电力网还具备通过控制上述各电力网格的第1服务器装置来控制上述各电力网格之间的送电及受电的第2服务器装置。
根据有关第25的技术方案的电力网管理系统，在有关第24技术方案的电力网管理系统中，上述第2服务器装置进行以下处理，基于上述各电力网格的第3预测模型，生成第5预测模型，该第5预测模型表示与时刻相应的上述电力网的整体的消耗电力的时间上的变化；使用上述第5预测模型，预测上述电力网的整体的消耗电力的时间上的变化，作为第5预测电力；基于上述各电力网格的第3及第4预测模型，生成第6预测模型，该第6预测模型表示在上述各电力网格中消耗电力变化的第11时间期间中的上述电力网的整体的消耗电力的时间上的变化；使用上述第6预测模型，基于紧挨着当前时刻之前的第12时间期间中的上述电力网的整体的消耗电力的时间上的变化，预测紧挨着上述当前时刻之后的第13时间期间中的上述电力网的整体的消耗电力的时间上的变化，作为第6预测电力；以基于上述第5预测电力、按每个规定的第14时间期间来设定规定的送电电力及规定的受电电力的方式，控制上述各电力网格之间的送电及受电；以基于上述第6预测电力、按每个比上述第14时间期间短的第15时间期间来设定规定的送电电力及规定的受电电力的方式，控制上述各电力网格之间的送电及受电。
产业上的可利用性
根据本发明，在连接于电力系统并具备多个负载装置及至少1个蓄电装置的需求方中，能够决定蓄电装置的充电电力及放电电力的大小以抑制来自电力系统的受电电力的急剧的变化。
标号说明
1、1A～1D、1－1～1－4 需求方
2 电力系统
3、3C～3E 服务器装置
11 分电盘
12 电力计
13 蓄电装置
14 发电装置
15－1、15－2 负载装置
16、16A～16D 控制装置
17－1、17－2 电力计
18 传感器
21、21A～21C 控制电路
22、22A、22B 长期预测模型生成电路
23 长期预测电路
24、24A、24B 短期预测模型生成电路
25、25A、25B 短期预测电路
26 发电电力预测模型生成电路
27 发电电力预测电路
31 学习器(需求方1的整体)
32 学习器(单独的负载装置15)
33 判定电路
34 模式识别电路
41 输入层
42 中间层
43 输出层
100、100－1～100－4 电力网格
N1－1～N1－P 输入层的节点
N2－1～N2－Q、N(M－1)－1～N(M－1)－R 中间层的节点
NM－1～NM－S 输出层的节点

Claims (25)

1.一种控制装置，其是需求方的蓄电装置的控制装置，上述需求方连接于电力系统，并且具备多个负载装置及至少1个上述蓄电装置，
上述控制装置具备：
第1预测电路，使用第1预测模型，预测上述需求方的整体的消耗电力的时间上的变化作为第1预测电力，上述第1预测模型表示与时刻相应的上述需求方的整体的消耗电力的时间上的变化；
第2预测电路，使用第2预测模型，基于紧挨着当前时刻之前的第2时间期间中的上述需求方的整体的消耗电力的时间上的变化，预测紧挨着上述当前时刻之后的第3时间期间中的上述需求方的整体的消耗电力的时间上的变化作为第2预测电力，上述第2预测模型表示上述多个负载装置各自的消耗电力变化的前后的第1时间期间中的上述需求方的整体的消耗电力的时间上的变化；以及
控制电路，以基于上述第1预测电力、按每个规定的第4时间期间来设定规定的充电电力或规定的放电电力的方式，控制上述蓄电装置的充电及放电，并且以基于上述第2预测电力、按每个比上述第4时间期间短的第5时间期间来设定规定的放电电力的方式，控制上述蓄电装置的放电。
2.如权利要求1所述的控制装置，
上述第2预测电路具备神经网络，该神经网络具有：输入层，被输入表示上述第2时间期间中的上述需求方的整体的消耗电力的时间上的变化的时间序列数据；至少1层的中间层；以及输出层，输出表示上述第1时间期间中的上述需求方的整体的消耗电力的时间上的变化的时间序列数据；上述神经网络进行了学习，以使得表示上述第2预测模型。
3.如权利要求2所述的控制装置，
上述输入层还被输入表示上述需求方的种类的数据，上述需求方的种类包括住宅、店铺及工厂。
4.如权利要求2或3所述的控制装置，
上述输入层还被输入表示上述需求方的用户的人数或家族构成的数据。
5.如权利要求2～4中任一项所述的控制装置，
上述输入层还被输入表示上述负载装置的机种或型号的数据。
6.如权利要求2～5中任一项所述的控制装置，
上述输入层还被输入表示上述负载装置的通电状态或消耗电力的数据。
7.如权利要求2～6中任一项所述的控制装置，
上述输入层还被输入表示上述蓄电装置的状态的数据。
8.如权利要求2～7中任一项所述的控制装置，
上述输入层还被输入表示上述需求方的用户的行为的数据。
9.如权利要求2～8中任一项所述的控制装置，
上述输入层还被输入表示天气的数据。
10.如权利要求2～9中任一项所述的控制装置，
上述输入层还被输入表示日期时间或星期数的数据。
11.如权利要求1～10中任一项所述的控制装置，
上述第2预测模型表示将上述多个负载装置各自的电源接通的前后的上述第1时间期间中的上述需求方的整体的消耗电力的时间上的变化。
12.如权利要求1～11中任一项所述的控制装置，
上述控制装置还具备：
第1预测模型生成电路，生成上述第1预测模型；以及
第2预测模型生成电路，生成上述第2预测模型。
13.如权利要求1～11中任一项所述的控制装置，
上述控制装置与外部的服务器装置进行通信，从上述服务器装置取得上述第1预测模型及上述第2预测模型。
14.如权利要求12或13所述的控制装置，
上述第1预测模型及上述第2预测模型被参照其他需求方的消耗电力来生成。
15.如权利要求12～14中任一项所述的控制装置，
上述第2预测模型比上述第1预测模型更频繁地被更新。
16.如权利要求1～15中任一项所述的控制装置，
上述控制电路在基于上述第2预测电力来设定规定的放电电力时，基于上述第1预测电力来设定放电电力的上限。
17.如权利要求1～16中任一项所述的控制装置，
上述控制电路进行以下处理：
与外部的服务器装置进行通信，从上述服务器装置取得电费的数据；
当上述电费超过第1阈值时，以规定的放电电力使上述蓄电装置放电；
当上述电费小于第2阈值时，以规定的充电电力使上述蓄电装置充电。
18.如权利要求1～17中任一项所述的控制装置，
上述需求方具备发电装置。
19.如权利要求18所述的控制装置，
上述发电装置是太阳能电池；
上述控制装置具备第3预测电路，该第3预测电路与外部的服务器装置进行通信而从上述服务器装置取得天气的数据，并基于上述天气的数据，预测上述太阳能电池的发电电力的时间上的变化。
20.如权利要求1～19中任一项所述的控制装置，
上述负载装置包括电动汽车。
21.一种电力管理系统，其是用于需求方的电力管理系统，上述需求方连接于电力系统，
上述需求方具备：
多个负载装置；
至少1个蓄电装置；以及
权利要求1～20中任一项所述的控制装置。
22.一种电力网格管理系统，其是用于电力网格的电力网格管理系统，电力网格具备连接于电力系统的多个需求方，
上述多个需求方分别具备权利要求21所述的电力管理系统；
上述电力网格还具备第1服务器装置，该第1服务器装置通过控制各个上述需求方的控制装置来控制各个上述需求方之间的送电及受电。
23.如权利要求22所述的电力网格管理系统，
上述第1服务器装置进行以下处理：
基于各个上述需求方的第1预测模型，生成第3预测模型，该第3预测模型表示与时刻相应的上述电力网格的整体的消耗电力的时间上的变化；
使用上述第3预测模型，预测上述电力网格的整体的消耗电力的时间上的变化，作为第3预测电力；
基于各个上述需求方的第1预测模型及第2预测模型，生成第4预测模型，该第4预测模型表示在各个上述需求方中消耗电力变化的第6时间期间中的上述电力网格的整体的消耗电力的时间上的变化；
使用上述第4预测模型，基于紧挨着当前时刻之前的第7时间期间中的上述电力网格的整体的消耗电力的时间上的变化，预测紧挨着上述当前时刻之后的第8时间期间中的上述电力网格的整体的消耗电力的时间上的变化，作为第4预测电力；
以基于上述第3预测电力、按每个规定的第9时间期间来设定规定的送电电力及规定的受电电力的方式，控制各个上述需求方之间的送电及受电；
以基于上述第4预测电力、按每个比上述第9时间期间短的第10时间期间来设定规定的送电电力及规定的受电电力的方式，控制各个上述需求方之间的送电及受电。
24.一种电力网管理系统，其是用于电力网的电力网管理系统，上述电力网具备连接于电力系统的多个电力网格，
上述多个电力网格分别具备权利要求23所述的电力网格管理系统；
上述电力网还具备第2服务器装置，该第2服务器装置通过控制各个上述电力网格的第1服务器装置来控制各个上述电力网格之间的送电及受电。
25.如权利要求24所述的电力网管理系统，
上述第2服务器装置进行以下处理：
基于各个上述电力网格的第3预测模型，生成第5预测模型，该第5预测模型表示与时刻相应的上述电力网的整体的消耗电力的时间上的变化；
使用上述第5预测模型，预测上述电力网的整体的消耗电力的时间上的变化，作为第5预测电力；
基于各个上述电力网格的第3预测模型及第4预测模型，生成第6预测模型，该第6预测模型表示在各个上述电力网格中消耗电力变化的第11时间期间中的上述电力网的整体的消耗电力的时间上的变化；
使用上述第6预测模型，基于紧挨着当前时刻之前的第12时间期间中的上述电力网的整体的消耗电力的时间上的变化，预测紧挨着上述当前时刻之后的第13时间期间中的上述电力网的整体的消耗电力的时间上的变化，作为第6预测电力；
以基于上述第5预测电力、按每个规定的第14时间期间来设定规定的送电电力及规定的受电电力的方式，控制各个上述电力网格之间的送电及受电；
以基于上述第6预测电力、按每个比上述第14时间期间短的第15时间期间来设定规定的送电电力及规定的受电电力的方式，控制各个上述电力网格之间的送电及受电。
CN201780036722.4A 2016-06-17 2017-06-14 电力管理系统 Active CN109314392B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2016-120809 2016-06-17
JP2016120809 2016-06-17
PCT/JP2017/021997 WO2017217466A1 (ja) 2016-06-17 2017-06-14 電力管理システム

Publications (2)

Publication Number Publication Date
CN109314392A true CN109314392A (zh) 2019-02-05
CN109314392B CN109314392B (zh) 2022-05-13

Family

ID=60664425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780036722.4A Active CN109314392B (zh) 2016-06-17 2017-06-14 电力管理系统

Country Status (5)

Country Link
US (1) US11164111B2 (zh)
JP (1) JP6920658B2 (zh)
CN (1) CN109314392B (zh)
DE (1) DE112017003022T5 (zh)
WO (1) WO2017217466A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112700069A (zh) * 2021-01-15 2021-04-23 国家电网有限公司 一种含储能的区域配电网短期负荷预测方法
TWI745907B (zh) * 2019-03-29 2021-11-11 日商三菱重工業股份有限公司 發電量預測裝置、發電量預測方法、及程式
CN113826294A (zh) * 2019-05-22 2021-12-21 西门子（中国）有限公司 电力管理方法、装置、计算设备、介质以及产品

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11816465B2 (en) 2013-03-15 2023-11-14 Ei Electronics Llc Devices, systems and methods for tracking and upgrading firmware in intelligent electronic devices
US11734396B2 (en) 2014-06-17 2023-08-22 El Electronics Llc Security through layers in an intelligent electronic device
US10958435B2 (en) 2015-12-21 2021-03-23 Electro Industries/ Gauge Tech Providing security in an intelligent electronic device
WO2017201125A1 (en) * 2016-05-18 2017-11-23 The Regents Of The University Of California Battery energy storage control systems and methods
DE102017120946A1 (de) * 2017-09-11 2019-03-14 Innogy Se Steuerung und/oder Regelung von Stromerzeugungsanlagen
US11342751B2 (en) 2017-12-15 2022-05-24 Panasonic Intellectual Property Management Co., Ltd. Power management system for customer connected to power network and having load apparatus and power storage apparatus
US11686594B2 (en) 2018-02-17 2023-06-27 Ei Electronics Llc Devices, systems and methods for a cloud-based meter management system
US11734704B2 (en) 2018-02-17 2023-08-22 Ei Electronics Llc Devices, systems and methods for the collection of meter data in a common, globally accessible, group of servers, to provide simpler configuration, collection, viewing, and analysis of the meter data
US11754997B2 (en) * 2018-02-17 2023-09-12 Ei Electronics Llc Devices, systems and methods for predicting future consumption values of load(s) in power distribution systems
GB2577853B (en) * 2018-06-22 2021-03-24 Moixa Energy Holdings Ltd Systems for machine learning, optimising and managing local multi-asset flexibility of distributed energy storage resources
JP7177350B2 (ja) * 2019-02-12 2022-11-24 富士通株式会社 ジョブ電力予測プログラム、ジョブ電力予測方法、およびジョブ電力予測装置
US11863589B2 (en) 2019-06-07 2024-01-02 Ei Electronics Llc Enterprise security in meters
JP7286428B2 (ja) * 2019-06-17 2023-06-05 大和ハウス工業株式会社 電力需要予測システム
JP7404751B2 (ja) 2019-10-08 2023-12-26 株式会社Ｇｓユアサ エネルギー管理装置、エネルギー管理方法
JP7335128B2 (ja) * 2019-10-23 2023-08-29 株式会社東芝 配電システムおよび配電方法
KR102485496B1 (ko) * 2019-12-20 2023-01-06 한국전자통신연구원 단기 전력 소비량을 이용해 에너지 저장 장치를 제어하는 전력 충·방전 제어 방법 및 장치
JP7474623B2 (ja) * 2020-03-27 2024-04-25 本田技研工業株式会社 電力算出装置
KR102299698B1 (ko) * 2020-09-25 2021-09-08 주식회사 아이티맨 장기 및 단기 예측방법을 연동시킨 전력소비 예측시스템
CN112562386B (zh) * 2020-10-26 2021-11-30 四川华体照明科技股份有限公司 一种用于智慧停车系统的检测系统
CN116148700B (zh) * 2023-01-10 2024-04-12 中国第一汽车股份有限公司 电池的状态预测方法及存储介质
CN115954909B (zh) * 2023-03-01 2023-05-30 合肥华思系统有限公司 一种新能源电站的功率预测偏差补偿方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103106541A (zh) * 2011-11-10 2013-05-15 索尼公司 电力管理装置、电力管理方法和要求通知装置
WO2015159388A1 (ja) * 2014-04-16 2015-10-22 三菱電機株式会社 制御装置、制御システム、制御方法及びプログラム
CN105279571A (zh) * 2014-07-10 2016-01-27 株式会社理光 能源管理系统和电力控制方法
WO2016067469A1 (ja) * 2014-10-31 2016-05-06 三菱電機株式会社 電気機器管理装置、電気機器管理方法、電気機器管理システム及びプログラム

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ZA200604302B (en) * 2003-10-27 2007-12-27 Ben M Enis Storing and using energy to reduce the end-user cost
US7076350B2 (en) * 2003-12-19 2006-07-11 Lear Corporation Vehicle energy management system using prognostics
EP2136450A4 (en) 2007-03-26 2013-06-19 Vpec Inc FEEDING SYSTEM
US8872379B2 (en) * 2007-11-30 2014-10-28 Johnson Controls Technology Company Efficient usage, storage, and sharing of energy in buildings, vehicles, and equipment
EP2190097B1 (en) * 2008-11-25 2012-05-16 ABB Research Ltd. Method for operating an energy storage system
JP5402566B2 (ja) 2009-11-25 2014-01-29 富士電機株式会社 マイクログリッドの需給制御装置およびマイクログリッドの需給制御方法
US8751054B2 (en) * 2011-09-02 2014-06-10 Sharp Laboratories Of America, Inc. Energy prediction system
US9153965B2 (en) * 2012-04-13 2015-10-06 Sharp Laboratories Of America, Inc. System and method for energy storage management
US9568901B2 (en) * 2012-08-27 2017-02-14 Nec Corporation Multi-objective energy management methods for micro-grids
JP6109631B2 (ja) * 2013-04-22 2017-04-05 一般社団法人仙台グリーン・コミュニティ推進協議会 情報処理システム
JP5624172B1 (ja) 2013-04-26 2014-11-12 三菱電機株式会社 電気機器管理装置及びプログラム
JP6145722B2 (ja) * 2013-07-09 2017-06-14 パナソニックＩｐマネジメント株式会社 電力制御方法、電力制御装置、電力制御システム
WO2015031331A1 (en) * 2013-08-26 2015-03-05 Robert Bosch Gmbh Dispatch controller for an energy system
WO2015061360A1 (en) * 2013-10-21 2015-04-30 Stc. Unm Systems and methods for distributing power using photovoltaic resources and a shifting battery system
US9927471B2 (en) * 2013-12-03 2018-03-27 Solarcity Corporation Peak shaving using energy storage
US10033210B2 (en) * 2014-01-30 2018-07-24 Micrsoft Technology Licensing, LLC Power supply for use with a slow-response power source
JP6208614B2 (ja) * 2014-04-14 2017-10-04 京セラ株式会社 エネルギー管理装置、エネルギー管理方法及びエネルギー管理システム
JP2016001987A (ja) * 2014-05-22 2016-01-07 パナソニックＩｐマネジメント株式会社 デマンドレスポンス制御方法、および、デマンドレスポンス制御装置
JP2016015857A (ja) 2014-07-03 2016-01-28 シャープ株式会社 電力制御システム及び電力制御装置
JP6249895B2 (ja) * 2014-07-03 2017-12-20 シャープ株式会社 電力制御システム、方法及び電力制御装置
US10033220B1 (en) * 2014-08-19 2018-07-24 Amazon Technologies, Inc. High-voltage energy storage system
JP2016086519A (ja) * 2014-10-24 2016-05-19 日本電信電話株式会社 消費電力の非線形予測方法および装置
US10063053B2 (en) * 2015-05-04 2018-08-28 Solarcity Corporation Peak shaving using energy storage
US10389165B2 (en) * 2014-11-25 2019-08-20 Nec Corporation Energy management apparatus, energy management method and program recording medium
WO2016084282A1 (ja) * 2014-11-27 2016-06-02 日本電気株式会社 電力調整装置、電力流通システム、電力調整方法及びプログラムが格納された非一時的なコンピュータ可読媒体
EP3238313A4 (en) * 2014-12-22 2018-08-08 Robert Bosch GmbH Method for adaptive demand charge reduction
US9812866B2 (en) * 2015-02-19 2017-11-07 Cummins Power Generation Ip, Inc. Energy storage system
NO338463B1 (en) * 2015-03-20 2016-08-22 Kongsberg Maritime As Dynamic hybrid control
US10355517B2 (en) * 2015-06-22 2019-07-16 Mitsubishi Electric Corporation Storage-battery control device, storage-battery charge/discharge system, photovoltaic power generation system, and storage-battery control method
US10333306B2 (en) * 2016-12-14 2019-06-25 Nec Corporation Data-driven demand charge management solution
US10680455B2 (en) * 2017-11-06 2020-06-09 Nec Corporation Demand charge minimization in behind-the-meter energy management systems

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103106541A (zh) * 2011-11-10 2013-05-15 索尼公司 电力管理装置、电力管理方法和要求通知装置
WO2015159388A1 (ja) * 2014-04-16 2015-10-22 三菱電機株式会社 制御装置、制御システム、制御方法及びプログラム
CN105279571A (zh) * 2014-07-10 2016-01-27 株式会社理光 能源管理系统和电力控制方法
WO2016067469A1 (ja) * 2014-10-31 2016-05-06 三菱電機株式会社 電気機器管理装置、電気機器管理方法、電気機器管理システム及びプログラム

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI745907B (zh) * 2019-03-29 2021-11-11 日商三菱重工業股份有限公司 發電量預測裝置、發電量預測方法、及程式
CN113826294A (zh) * 2019-05-22 2021-12-21 西门子（中国）有限公司 电力管理方法、装置、计算设备、介质以及产品
CN113826294B (zh) * 2019-05-22 2023-08-29 西门子（中国）有限公司 电力管理方法、装置、计算设备、介质以及产品
CN112700069A (zh) * 2021-01-15 2021-04-23 国家电网有限公司 一种含储能的区域配电网短期负荷预测方法
CN112700069B (zh) * 2021-01-15 2024-04-19 国网湖北省电力有限公司经济技术研究院 一种含储能的区域配电网短期负荷预测方法

Also Published As

Publication number Publication date
JP6920658B2 (ja) 2021-08-18
DE112017003022T5 (de) 2019-03-07
US20190340545A1 (en) 2019-11-07
CN109314392B (zh) 2022-05-13
US11164111B2 (en) 2021-11-02
JPWO2017217466A1 (ja) 2019-04-04
WO2017217466A1 (ja) 2017-12-21

Similar Documents

Publication Publication Date Title
CN109314392A (zh) 电力管理系统
US8571720B2 (en) Supply-demand balance controller
Zhang et al. Components sizing of hybrid energy systems via the optimization of power dispatch simulations
US11271400B2 (en) Power control device, operation plan planning method, and recording medium
JP6590029B1 (ja) 行動生成装置、蓄電素子評価装置、コンピュータプログラム、学習方法及び評価方法
JP2007295717A (ja) 電気供給制御システムおよび電気供給制御方法
KR20130133093A (ko) 전력 제어 시스템
JP7033750B2 (ja) 電力管理システム
KR101784641B1 (ko) 축전 장치의 방전 개시 시각 결정 시스템 및 축전 장치의 방전 개시 시각의 결정 방법
CN107851994A (zh) 电力供需预测系统、电力供需预测方法及电力供需预测程序
JP2016015846A (ja) 電力システム、御装置及び充放電制御方法
JP6069738B2 (ja) 充放電制御システム、充放電制御方法、および充放電制御プログラム
JP2012092579A (ja) 中水利用管理システム
JP5509004B2 (ja) 売電調整サーバ及び方法
CN104380556A (zh) 电力管理设备及电力管理方法
EP3116081B1 (en) Received electrical power control method, received electrical power control device, and electrical instrument
JP5969365B2 (ja) 電力制御システム
El Kafazi et al. Multiobjective optimization-based energy management system considering renewable energy, energy storage systems, and electric vehicles
JP7335128B2 (ja) 配電システムおよび配電方法
Schulte et al. Forecast-based charging strategy to prolong the lifetime of lithium-ion batteries in standalone PV battery systems in Sub-Saharan Africa
EP3024105A1 (en) Method and system for controlling reactive power in an electric distribution network
JP5502112B2 (ja) 負荷管理システムおよび負荷管理方法
JP2017131028A (ja) 料金設定システム、料金設定方法および料金設定プログラム
KR20220031359A (ko) 화재예방 및 최대수익을 위한 전력저장 시스템 및 그 운영 방법
Li et al. Real-Time Optimal Economic Dispatch of Active Distribution Network Considering Energy Storage and Distributed Generation Integration

Legal Events

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