CN116108951A - 消耗电力预测装置、消耗电力预测方法及存储介质 - Google Patents
消耗电力预测装置、消耗电力预测方法及存储介质 Download PDFInfo
- Publication number
- CN116108951A CN116108951A CN202211360646.1A CN202211360646A CN116108951A CN 116108951 A CN116108951 A CN 116108951A CN 202211360646 A CN202211360646 A CN 202211360646A CN 116108951 A CN116108951 A CN 116108951A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- target area
- predicted
- person
- consumption amount
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims description 52
- 230000007774 longterm Effects 0.000 claims description 19
- 230000014759 maintenance of location Effects 0.000 claims description 9
- 230000000717 retained effect Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 20
- 238000010248 power generation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
- G06F1/3215—Monitoring of peripheral devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
- G06F1/3209—Monitoring remote activity, e.g. over telephone lines or network connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
- G06F1/3231—Monitoring the presence, absence or movement of users
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种消耗电力预测装置、消耗电力预测方法及存储介质,使得能够准确地预测对象区域中的电力消耗量。消耗电力预测装置预测规定的对象区域中的电力消耗量。消耗电力预测装置具有:属性确定部(332),确定处于规定的对象区域内的人的属性;及预测部(333),基于确定出的属性来算出所述对象区域中的预测电力消耗量。预测部以若人的属性不同则对象区域中的预测电力消耗量不同的方式算出预测电力消耗量。
Description
技术领域
本公开涉及消耗电力预测装置、消耗电力预测方法及存储介质。
背景技术
提议了在智慧城市中从其社区内的多个主体收集数据。尤其是,在专利文献1中提议了:由于在从不同的事业主体的信息系统得到的数据中存在不可靠度,所以为了消除该不可靠度而收集将得到的数据修正后的数据。
现有技术文献
专利文献
专利文献1:日本特开2013-069084号公报
发明内容
发明所要解决的课题
在智慧城市等对象区域中,例如驻车于对象区域内的车辆等各种各样的蓄电装置被使用。并且,在对象区域整体的电力消耗量少时向这些蓄电装置充电,并且在对象区域整体的电力消耗量多时从蓄电装置放电。为了合适地控制对象区域中的这样的电力,需要准确地预测对象区域中的电力消耗量。
鉴于上述课题,本公开的目的在于使得能够准确地预测对象区域中的电力消耗量。
用于解决课题的手段
本公开的主旨如下。
(1)一种消耗电力预测装置,预测规定的对象区域中的电力消耗量,其中,具有:
属性确定部,确定处于规定的对象区域内的人的属性;及
预测部,基于确定出的属性来算出所述对象区域中的预测电力消耗量,
所述预测部以若所述人的属性不同则所述对象区域中的预测电力消耗量不同的方式算出所述预测电力消耗量。
(2)根据上述(1)所述的消耗电力预测装置,所述人的属性通过所述人滞留于所述对象区域内的预测滞留期间区分。
(3)根据上述(2)所述的消耗电力预测装置,所述人的属性包括属于所述预测滞留期间小于规定的基准期间的短期滞留者和所述预测滞留期间为所述规定的基准期间以上的长期滞留者的哪一个。
(4)根据上述(1)~(3)中任一项所述的消耗电力预测装置,所述预测部使用机器学习模型来算出所述对象区域中的预测电力消耗量,所述机器学习模型将与所述人的属性相关的参数设为输入参数且将该人的电力消耗量或所述对象区域中的电力消耗量设为输出参数。
(5)根据上述(1)~(3)中任一项所述的消耗电力预测装置,所述预测部关于各人使用机器学习模型来算出各人的预测个人电力消耗量,且基于对处于所述对象区域内的所有人的预测个人电力消耗量进行合计而得到的值来算出所述对象区域的预测电力消耗量,在算出所述预测个人电力消耗量时,使用针对人的每个属性而不同的机器学习模型。
(6)一种消耗电力预测方法,预测规定的对象区域中的电力消耗量,其中,包括以下步骤:
确定处于规定的对象区域内的人的属性;及
基于确定出的属性来算出所述对象区域中的预测电力消耗量,
所述预测电力消耗量以若所述人的属性不同则所述对象区域内的预测电力消耗量不同的方式算出。
(7)一种存储介质,存储有预测规定的对象区域中的电力消耗量的消耗电力预测程序,使计算机执行以下步骤:
确定处于规定的对象区域内的人的属性;
基于确定出的属性来算出所述对象区域中的预测电力消耗量,
所述预测电力消耗量以若所述人的属性不同则所述对象区域中的预测电力消耗量不同的方式算出。
发明效果
根据本公开,能够准确地预测对象区域中的电力消耗量。
附图说明
图1是消耗电力预测系统的概略性的结构图。
图2是概略性地示出服务器的硬件结构的图。
图3是服务器的处理器的功能框图。
图4是示出消耗电力预测处理的流程的流程图。
图5是概略性地示出由预测部使用的机器学习模型的图。
图6是概略性地示出由预测部使用的机器学习模型的图。
图7是示出消耗电力预测处理的流程的流程图。
图8是概略性地示出由预测部使用的机器学习模型的图。
具体实施方式
以下,参照附图来对实施方式进行详细说明。需要说明的是,在以下的说明中,对同样的构成要素标注相同的附图标记。
·第一实施方式
<消耗电力预测系统的结构>
参照图1~图3来对第一实施方式的消耗电力预测系统1的结构进行说明。图1是消耗电力预测系统1的概略性的结构图。消耗电力预测系统1在服务器中使用机器学习模型来预测对象区域中的消耗电力。
如图1所示,消耗电力预测系统1具有多个移动型的终端设备10、多个工作设备(在图示的例子中是车辆)20及能够与终端设备10及工作设备20通信的服务器30。多个终端设备10及工作设备20的各自和服务器30构成为能够经由通信网络4和无线基站5而相互通信,通信网络4由光通信线路等构成,无线基站5经由网关(未图示)而连接于通信网络4。作为终端设备10与无线基站5的通信,能够使用通信距离长的各种广域无线通信,例如使用遵循了由3GPP、IEEE制定的4G、LTE、5G、WiMAX等任意的通信标准的通信。另外,工作设备20也可以不是通过无线而是通过有线而连接于通信网络4。
尤其是,在本实施方式中,服务器30与位于规定的对象区域内的终端设备10及工作设备20通信。对象区域是由预先确定的边界包围的范围,例如是作为“一边活用ICT等新技术一边通过经营(计划、整备、管理/运营等)的高级化来进行都市、地域所拥有的诸课题的解决而且持续创造新的价值的可持续的都市、地域”而定义的智慧城市。服务器30也可以能够与位于对象区域外的终端设备10及工作设备20通信。
终端设备10是分别由个人保持且取得保持着终端设备10的个人的数据的设备。尤其是,在本实施方式中,终端设备10作为取得规定的对象区域内或其周边的区域内的个人的数据的移动型数据取得装置发挥功能。因此,在本实施方式中,终端设备10伴随于保持终端设备10的个人的移动而移动。因而,若保持终端设备10的个人向对象区域内移动,则由该个人保持的终端设备10也向对象区域内移动。相反,若保持终端设备10的个人向对象区域外移动,则由该个人保持的终端设备10也向对象区域外移动。
具体而言,在本实施方式中,终端设备10例如包括钟表型终端(智能手表)、腕带型终端、夹型终端及眼镜型终端(智能眼镜)等可穿戴终端及移动终端。该终端设备10例如取得包括保持着该终端设备10的人的个人信息(ID等识别信息、性别、年龄等)及保持着该终端设备10的人的位置信息(终端设备10的位置信息)的个人数据。终端设备10将这样取得的个人数据向服务器30发送。
工作设备20是按照来自服务器30的指令而工作的设备。尤其是,工作设备20包括位于对象区域内的各种各样的设备。具体而言,工作设备20例如包括对象区域内的电动车辆、发电装置、蓄电装置等与蓄电、发电及放电相关的设备。
服务器30经由通信网络4而与多个终端设备10及工作设备20连接。在本实施方式中,服务器30执行使用了机器学习模型的处理。服务器30预测对象区域中的电力消耗量。
图2是概略性地示出服务器30的硬件结构的图。如图2所示,服务器30具备通信模块31、存储装置32及处理器33。另外,服务器30也可以具有键盘及鼠标之类的输入装置以及显示器及扬声器之类的输出装置。
通信模块31是与服务器30外的设备进行通信的通信装置的一例。通信模块31具备用于将服务器30与通信网络4连接的接口电路。通信模块31构成为能够经由通信网络4及无线基站5而与多个终端设备10及工作设备20分别通信。
存储装置32是存储数据的存储装置的一例。存储装置32例如具有硬盘驱动器(HDD)、固态驱动器(SSD)或光记录介质。另外,存储装置32也可以具有易失性的半导体存储器(例如,RAM)、非易失性的半导体存储器(例如,ROM)等。存储装置32存储用于利用处理器33来执行各种处理的计算机程序及在由处理器33执行各种处理时使用的各种数据。尤其是,存储装置32存储从终端设备10接收到的数据、与机器学习模型相关的数据(例如,机器学习模型的结构及学习参数(例如,权重、偏置等))及在使用了机器学习模型的处理中使用的数据。
处理器33具有一个或多个CPU及其周边电路。处理器33也可以还具有GPU或者逻辑运算单元或数值运算单元这样的运算电路。处理器33基于存储于存储装置32的计算机程序来执行各种处理。尤其是,在本实施方式中,处理器33作为预测对象区域中的电力消耗量的消耗电力预测装置发挥功能。
图3是服务器30的处理器33的功能框图。如图3所示,处理器33具有:数据取得部331,取得包括与对象区域内的人的属性相关的数据在内的各种各样的数据;属性确定部332,确定处于对象区域内的人的属性;预测部333,基于确定出的属性来算出对象区域中的预测电力消耗量;及设备控制部334,基于算出的预测电力消耗量来控制工作设备20。服务器30的处理器33所具有的这些功能框例如是由在处理器33上进行动作的计算机程序实现的功能模块。或者,处理器33所具有的这些功能框也可以是设置于处理器33的专用的运算电路。需要说明的是,关于这些各功能框的详情后述。
<消耗电力预测的概要>
接着,对消耗电力预测系统1中的消耗电力预测的概要进行说明。在智慧城市等对象区域中,期望通过对象区域内的各种各样的设备利用通信而相连来解决对象区域内的现有的各种各样的课题。另一方面,为了将各种各样的设备电子地相连而且为了在各种各样的设备中取得信息而消耗电力。
另外,一般来说,电力消耗量在白天比在夜间多,但未必能够将发电设施中的电力发电量配合电力消耗量而进行控制。因此,发电设施中的电力发电量和电力消耗量未必一致。因而,为了管理对象区域中的电力的供需,需要基于将来的预测电力消耗量来合适地控制对象区域内的与蓄电、发电及放电相关的设备。于是,在本实施方式中,预测对象区域中的电力消耗量。
在此,对象区域中的电力包括与处于对象区域内的人无关地被消耗的电力(例如,由路灯、信号机等使用的电力)和与处于对象区域内的人相关联地被消耗的电力(例如,由家庭内的照明、电视等使用的电力)。其中,关于与处于对象区域内的人无关地被消耗的电力,由于电力被消耗的期间、量预先决定,所以容易预测。另一方面,关于与处于对象区域内的人相关联地被消耗的电力,由于根据人的行动而决定,所以不容易预测。因而,在本实施方式中,消耗电力预测系统1尤其将与处于对象区域内的人相关联地被消耗的电力的消耗量使用机器学习模型来预测。
由处于对象区域内的人消耗的电力因各种各样的要因而变化。具体而言,由处于对象区域内的人消耗的电力例如根据对象区域中的气温、湿度、活动的有无及其种类、处于对象区域内的人的属性等而变化。例如,在对象区域中的气温、湿度高时,处于对象区域内的人使用空调设备的概率变高,由此,由各人消耗的电力量变多。另外,若在对象区域内举办活动,则在该活动中消耗电力,由此,由参加了活动的人消耗的电力量变多。
另外,人的属性例如包括属于滞留于对象区域内的预测滞留期间小于规定的基准期间(例如跨夜的期间)的短期滞留者和预测滞留期间为基准期间以上的长期滞留者的哪一个。短期滞留者具体而言包括未定居于对象区域内的来访者且没有住宿计划的人。另一方面,长期滞留者具体而言例如包括未定居于对象区域内的来访者且有住宿计划的人及定居于对象区域内的定居者。短期滞留者和长期滞留者在对象区域内的行动的倾向大幅不同,因此在对象区域内消耗的电力量也不同。例如,短期滞留者跨夜而滞留于对象区域内的概率低,由此,与长期滞留者相比至少夜间的电力消耗量少。人的属性也可以除此之外还包括该人的性别、年龄、工作地等各种各样的参数。
需要说明的是,在本实施方式中,人的属性基于是短期滞留者还是长期滞留者而被区分。然而,人的属性只要通过向对象区域的预测滞留期间来区分即可,也可以以其他的方案区分。具体而言,人的属性例如也可以基于预测滞留期间是否是6小时、半天、1天、多天的各自以上而区分。
于是,在本实施方式中,基于包括对象区域中的气温、湿度、活动的有无及其种类、处于对象区域内的人的属性在内的各种各样的参数来推定由处于对象区域内的人消耗的电力。处于对象区域内的人的属性包括是短期滞留者还是长期滞留者、性别、年龄、工作地等。
在本实施方式中,消耗电力预测系统基于处于对象区域内的人的属性等来算出被预测为由处于对象区域内的人消耗的预测电力消耗量,基于算出的预测电量消耗量来预测对象区域整体的电力消耗量。由此,能够准确地预测对象区域整体的电力消耗量。
<消耗电力预测处理及设备控制处理>
以下,参照图4来对预测对象区域中的电力消耗量的消耗电力预测处理和基于预测出的电力消耗量来控制工作设备的设备控制处理进行说明。图4是示出消耗电力预测处理的流程的流程图。消耗电力预测处理由服务器30的处理器33执行。
如图4所示,首先,处理器33的数据取得部331取得包括从各终端设备10发送出的数据在内的各种数据(步骤S11)。在此,终端设备10定期地将存储于终端设备10的数据、在终端设备10中取得的个人数据向服务器30发送。具体而言,终端设备10例如将被保持于终端设备10的人的个人信息(识别信息、性别、年龄等)及终端设备10的位置信息(即,保持着终端设备10的人的位置信息)向服务器30发送。这样从终端设备10发送出的个人数据向服务器30的存储装置32存储。
另外,对于服务器30,从上述的移动侧的终端设备10以外的设备发送上述的个人数据以外的各种各样的数据。对于服务器30,例如从预测气温及湿度的预测单位的设备发送与对象区域中的预测出的气温及湿度相关的数据。或者,对于服务器30,发送与由配置于对象区域内的监视相机拍摄到的图像或视频相关的数据。这样从各种各样的终端发送出的各种各样的数据也向服务器30的存储装置32存储。
处理器33的数据取得部331仅将这样存储于服务器30的存储装置32的数据中的算出对象区域的电力消耗量所需的数据从存储装置32取得。
接着,处理器33的属性确定部332基于由数据取得部331取得的数据来确定处于对象区域内的人的属性(步骤S12)。在本实施方式中,定居于对象区域内的人及计划在对象区域内住宿的人(即,长期滞留者)的识别信息预先登记,该识别信息存储于服务器30的存储装置32。因此,属性确定部332将从各终端设备10发送出的数据中包含的识别信息与存储于服务器30的存储装置32的预先登记的识别信息进行对照,确定保持该终端设备10的人是否是长期滞留者。具体而言,属性确定部332在从各终端设备10发送出的数据中包含的识别信息包含于预先登记的识别信息的情况下,确定为保持该终端设备10的人是长期滞留者。另一方面,属性确定部332在从各终端设备10发送出的数据中包含的识别信息不包含于预先登记的识别信息的情况下,确定为保持该终端设备10的人是短期滞留者。
需要说明的是,在本实施方式中,属性确定部332基于从终端设备10发送出的数据中包含的识别信息来确定对象区域内的各人是长期滞留者还是短期滞留者。然而,属性确定部332也可以利用其他的方法来确定对象区域内的各人是长期滞留者还是短期滞留者。
例如,在滞留于对象区域内的人被赋予了安装与滞留期间对应的徽章的义务的情况下,属性确定部332通过图像识别处理而识别在由监视相机拍摄到的图像中显示的人及徽章的种类,基于识别出的徽章的种类来确定识别出的人是长期滞留者还是短期滞留者。另外,在该情况下,识别出的人的性别、年龄等个人数据通过图像识别处理而确定。因此,在该情况下,也可以不从各终端设备10发送个人数据。
之后,处理器33的预测部333基于包含由属性确定部332确定出的对象区域内的各人的属性的数据来算出被预测为该人今后会消耗的预测个人电力消耗量(步骤S13)。在本实施方式中,由机器学习模型算出对象区域内的各人的预测个人电力消耗量。
图5是概略性地示出由预测部333使用的机器学习模型的图。如图5所示,在本实施方式中,机器学习模型由N层的神经网络构成。在图5所示的机器学习模型中,若包括人的类别(是长期滞留者还是短期滞留者)、人的性别、人的年龄、对象区域的预想气温及对象区域的预想湿度等的输入参数的值被输入,则该人的预测个人电力消耗量Pi被输出。预测个人电力消耗量Pi可以是被预测为从当前到规定时间后为止由该人消耗的电力量,也可以是被预测为每规定时间(例如每1小时)由该人消耗的电力量(每规定时间的电力量)。需要说明的是,在图5中,L=1表示输入层,L=2、L=N-2及L=N-1表示隐藏层,L=N表示输出层。
机器学习模型的模型参数(超参数、权重、偏置等)预先通过学习而算出。机器学习模型的模型参数的学习基于包含机器学习模型的输入参数的实测值和机器学习模型的输出参数的实测值的训练数据,使用误差反向传播法等公知的手法而进行。
需要说明的是,在本实施方式中,机器学习模型使用仅具备全连接层的神经网络(NN),但也可以使用具有卷积层的卷积神经网络(CNN)、具有循环层的循环神经网络(RNN)。另外,在本实施方式中,机器学习模型使用神经网络,但也可以使用支持向量机(SVM)、决策树(DT)之类的其他的监督学习算法。
另外,在本实施方式中,机器学习模型的输入参数包括人的类别、性别、年龄、预想气温及预想湿度,但输入参数只要包括人的类别即可,能够包括其他的任意的参数。因此,输入参数能够包括当前时刻、日期、天气、活动的有无及其种类、人的工作地等各种各样的参数。
接着,处理器33的预测部333基于预测个人电力消耗量来算出对象区域中的预测电量消耗量(步骤S14)。具体而言,预测部333通过基于以下的式(1)对处于对象区域内的所有人的预测个人电力消耗量Pi进行合计来算出对象区域中的预测电力消耗量T。
在上述式(1)中,Pi表示处于对象区域内的第i个人(i=1,2,…,M)的预测个人消耗电力量,M表示处于对象区域内的人的数量。预测电力消耗量T可以是被预测为从当前到规定时间后为止在对象区域中消耗的电力量,也可以是被预测为每规定时间(例如每1小时)在对象区域中消耗的电力量(每规定时间的电力量)。
需要说明的是,在上述实施方式中,预测部333将对预测个人电力消耗量Pi进行合计而得到的值作为对象区域中的预测电力消耗量T而算出。然而,对预测个人电力消耗量Pi进行合计而得到的值表示与处于对象区域内的人相关联地被消耗的电力,不包括与处于对象区域内的人无关地被消耗的电力。因此,预测部333也可以将对这样算出的合计值加上与处于对象区域内的人无关地被消耗的电力的预测值而得到的值作为对象区域中的预测电力消耗量T而算出。
根据以上,在本实施方式中,预测部333使用将与各人的属性相关的参数设为输入参数且将该人的预测个人电力消耗量Pi设为输出参数的机器学习模型来算出对象区域中的预测电力消耗量T。其结果,若人的属性不同,则预测个人电力消耗量不同,由此,对象区域中的预测电力消耗量不同。尤其是,在本实施方式中,预测部333关于各人使用机器学习模型来算出各人的预测个人电力消耗量,基于对算出的个人电量消耗量关于处于对象区域内的所有人进行合计而得到的值来算出预测电力消耗量。
当这样算出对象区域中的预测电力消耗量后,处理器33的设备控制部334基于算出的预测电力消耗量来控制对象区域内的工作设备20。具体而言,设备控制部334进行对象区域内的发电装置中的发电量的控制、对象区域内的蓄电装置中的蓄电量的控制。另外,在能够将蓄积于对象区域内的电动车辆的蓄电池的电力向该电动车辆以外供给的情况下,设备控制部334也可以进行对象区域内的电动车辆的蓄电量的控制。
具体而言,例如,在预测电力消耗量T多的情况下,设备控制部334以使蓄电装置、电动车辆蓄积比较多的电力的方式控制蓄电装置及电动车辆的蓄电量。另外,在该情况下,为了使蓄电装置、电动车辆蓄电,以使发电设备的发电量变多的方式控制发电设备。
·第二实施方式
接着,参照图6来对第二实施方式的消耗电力预测系统1进行说明。第二实施方式的消耗电力预测系统的结构及动作基本上与第一实施方式的消耗电力预测系统的结构及动作是同样的。以下,以与第一实施方式的消耗电力预测系统不同的部分为中心进行说明。
在上述第一实施方式中,作为向机器学习模型的输入参数,使用了人的类别(是长期滞留者还是短期滞留者)。相对于此,在本实施方式中,人的类别不作为向机器学习模型的输入参数而使用。作为代替,在本实施方式中,使用针对人的每个类别而不同的机器学习模型。
图6是概略性地示出在第二实施方式中由预测部333使用的机器学习模型的图。在本实施方式中,预测部333使用针对人的每个类别而不同的多个机器学习模型。在图6所示的例子中,预测部333使用长期滞留者用的第一模型和短期滞留者用的第二模型这2个机器学习模型。需要说明的是,在将人的类别划分为3个以上的情况下,预测部333使用与划分的数量对应的数量的机器学习模型。
如图6所示,在本实施方式中,机器学习模型也由N层的神经网络构成。不过,关于所有机器学习模型,人的类别都不作为输入参数而使用。因此,在图6所示的各机器学习模型中,若包括人的性别、人的年龄、对象区域的预想气温、对象区域的预想湿度等的输入参数的值被输入,则该人的预测个人电力消耗量Pi被输出。
根据以上,在本实施方式中,预测部333关于各人使用机器学习模型来算出各人的预测个人电力消耗量,基于对算出的个人电量消耗量关于处于对象区域内的所有人进行合计而得到的值来算出预测电力消耗量。并且,预测部333在算出预测个人电力消耗量时使用针对人的每个属性而不同的机器学习模型。由此,根据本实施方式,能够以更高的精度推定预测个人电力消耗量Pi,进而能够以更高的精度推定对象区域中的预测电力消耗量T。
·第三实施方式
接着,参照图7来对第三实施方式的消耗电力预测系统1进行说明。第二实施方式的消耗电力预测系统的结构及动作基本上与第一实施方式及第二实施方式的消耗电力预测系统的结构及动作是同样的。以下,以与第一实施方式及第二实施方式的消耗电力预测系统不同的部分为中心进行说明。
在上述第一实施方式及第二实施方式中,使用机器学习模型来算出处于对象区域内的各人的预测个人电力消耗量,基于对算出的预测个人电力消耗量进行合计而得到的值来算出对象区域中的预测电力消耗量。相对于此,在本实施方式中,使用机器学习模型来直接算出对象区域中的预测电力消耗量。
图7是示出第三实施方式中的消耗电力预测处理的流程的流程图。图7中的步骤S21、S22与图4中的步骤S11、S12是同样的,因此省略说明。
当在步骤S22中确定处于对象区域内的人的属性后,预测部333算出机器学习模型的输入参数的值(步骤S23)。在此,在本实施方式中,对于机器学习模型,不是将处于对象区域内的各人的个人数据直接输入,而是使用这些个人数据各自的参数的总计值等。具体而言,在本实施方式中,如图8所示,对象区域内的长期滞留者的人数、对象区域内的短期滞留者的人数、对象区域内的男性或女性的比例、对象区域内的人的平均年龄等作为输入参数而向机器学习模型输入。因此,预测部333基于由数据取得部331取得的数据及由属性确定部332确定出的属性(人的种类)来算出这些输入参数的值。
当在步骤S23中算出机器学习模型的输入参数的值后,预测部333基于算出的输入参数的值来算出对象区域中的预测电力消耗量(步骤S24)。在本实施方式中,由机器学习模型算出对象区域中的预测电力消耗量。
图8是概略性地示出由预测部333使用的机器学习模型的图。如图8所示,在本实施方式中,机器学习模型也由N层的神经网络构成。在图8所示的机器学习模型中,若包括对象区域内的长期滞留者的人数、对象区域内的短期滞留者的人数、对象区域内的男性或女性的比例、对象区域内的人的平均年龄、对象区域的预想气温及对象区域的预想湿度等的输入参数的值被输入,则对象区域中的预测电力消耗量T被输出。
根据以上,在本实施方式中,预测部333使用将与各人的属性相关的参数(长期滞留者的人数及短期滞留者的人数等)设为输入参数且将对象区域中的电力消耗量设为输出参数的机器学习模型来算出对象区域内的预测电力消耗量。其结果,若人的属性不同,则对象区域中的预测电力消耗量不同。由此,无需将使用了机器学习模型的计算按照处于对象区域内的人的人数来进行,由此,能够降低服务器30中的计算负荷。
以上,说明了本发明的优选的实施方式,但本发明不限定于这些实施方式,能够在权利要求书的记载内实施各种各样的修正及变更。
附图标记说明
1消耗电力预测系统
4通信网络
5无线基站
10终端设备
20工作设备
30服务器。
Claims (7)
1.一种消耗电力预测装置,预测规定的对象区域中的电力消耗量,其中,具有:
属性确定部,确定处于规定的对象区域内的人的属性;及
预测部,基于确定出的属性来算出所述对象区域中的预测电力消耗量,
所述预测部以若所述人的属性不同则所述对象区域中的预测电力消耗量不同的方式算出所述预测电力消耗量。
2.根据权利要求1所述的消耗电力预测装置,
所述人的属性通过所述人滞留于所述对象区域内的预测滞留期间区分。
3.根据权利要求2所述的消耗电力预测装置,
所述人的属性包括属于所述预测滞留期间小于规定的基准期间的短期滞留者和所述预测滞留期间为所述规定的基准期间以上的长期滞留者的哪一个。
4.根据权利要求1~3中任一项所述的消耗电力预测装置,
所述预测部使用机器学习模型来算出所述对象区域中的预测电力消耗量,所述机器学习模型将与所述人的属性相关的参数设为输入参数且将该人的电力消耗量或所述对象区域中的电力消耗量设为输出参数。
5.根据权利要求1~3中任一项所述的消耗电力预测装置,
所述预测部关于各人使用机器学习模型来算出各人的预测个人电力消耗量,且基于对处于所述对象区域内的所有人的预测个人电力消耗量进行合计而得到的值来算出所述对象区域的预测电力消耗量,在算出所述预测个人电力消耗量时,使用针对人的每个属性而不同的机器学习模型。
6.一种消耗电力预测方法,预测规定的对象区域中的电力消耗量,其中,包括以下步骤:
确定处于规定的对象区域内的人的属性;及
基于确定出的属性来算出所述对象区域中的预测电力消耗量,
所述预测电力消耗量以若所述人的属性不同则所述对象区域内的预测电力消耗量不同的方式算出。
7.一种存储介质,存储有预测规定的对象区域中的电力消耗量的消耗电力预测程序,使计算机执行以下步骤:
确定处于规定的对象区域内的人的属性;及
基于确定出的属性来算出所述对象区域中的预测电力消耗量,
所述预测电力消耗量以若所述人的属性不同则所述对象区域中的预测电力消耗量不同的方式算出。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021-183727 | 2021-11-10 | ||
JP2021183727A JP7107423B1 (ja) | 2021-11-10 | 2021-11-10 | 消費電力予測装置、消費電力予測方法及び消費電力予測プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116108951A true CN116108951A (zh) | 2023-05-12 |
Family
ID=82607906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211360646.1A Pending CN116108951A (zh) | 2021-11-10 | 2022-11-02 | 消耗电力预测装置、消耗电力预测方法及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230145373A1 (zh) |
JP (1) | JP7107423B1 (zh) |
CN (1) | CN116108951A (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5537339B2 (ja) | 2010-08-26 | 2014-07-02 | パナソニック株式会社 | 電気量管理システムおよびセンタサーバ |
JP2017068765A (ja) | 2015-10-01 | 2017-04-06 | 株式会社Sassor | 情報処理方法、情報処理装置およびプログラム |
JP6845789B2 (ja) | 2017-11-29 | 2021-03-24 | Kddi株式会社 | 属性クラスタの重みを利用した使用量予測プログラム、装置及び方法 |
-
2021
- 2021-11-10 JP JP2021183727A patent/JP7107423B1/ja active Active
-
2022
- 2022-11-02 CN CN202211360646.1A patent/CN116108951A/zh active Pending
- 2022-11-07 US US17/981,790 patent/US20230145373A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
JP7107423B1 (ja) | 2022-07-27 |
JP2023071112A (ja) | 2023-05-22 |
US20230145373A1 (en) | 2023-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6820905B2 (ja) | 交換可能エネルギー貯蔵装置ステーションを管理するためのシステムおよび方法 | |
US11515705B2 (en) | Smart charging scheduling apparatus and method for electric vehicle | |
WO2019232693A1 (en) | System and method for ride order dispatching | |
JP6952957B2 (ja) | 交換可能エネルギー貯蔵装置に対する需要を予測するためのシステムおよび方法 | |
CN112789193B (zh) | 用于预测性地控制机动车辆的电能存储器的充电过程的方法和后端设备 | |
CN106878952B (zh) | 区域人员数量的预测方法及装置 | |
US20200364627A1 (en) | System and method for ride order dispatching | |
AU2018415763A1 (en) | System and method for determining passenger-seeking ride-sourcing vehicle navigation | |
CN112862546A (zh) | 用户流失预测方法、装置、计算机设备及存储介质 | |
CN116307236A (zh) | 故障预测方法、装置、设备及存储介质 | |
US20220188711A1 (en) | Systems and methods for managing dynamic transportation networks using simulated future scenarios | |
CN112101738A (zh) | 任务信息生成方法、装置、电子设备和可读存储介质 | |
CN116108951A (zh) | 消耗电力预测装置、消耗电力预测方法及存储介质 | |
CN117455195A (zh) | 一种基于用户信息的酒店客房的管理方法及设备 | |
KR20230092852A (ko) | 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법 | |
CN117077846A (zh) | 客流量预测方法、设备、存储介质及装置 | |
JP7040664B1 (ja) | データ収集装置、データ取得装置及びデータ収集方法 | |
CN113112795B (zh) | 一种路况预测方法、装置及设备 | |
US20230009568A1 (en) | Systems and methods for accelerated computations in data-driven energy management systems | |
CN110245835B (zh) | 运动规划方案的修正方法、装置、存储介质及计算机设备 | |
CN117896671B (zh) | 一种蓝牙aoa基站智能管理方法及系统 | |
WO2023074134A1 (ja) | 基地局管理装置 | |
Tiesyte et al. | Challenges in the tracking and prediction of scheduled-vehicle journeys | |
KR102537220B1 (ko) | Lng 통합 재고 관리를 위한 분석 방법 및 이를 위한 시스템 | |
KR102545304B1 (ko) | 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법 |
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 |