JP2015069642A - 需要フレキシビリティ推定 - Google Patents

需要フレキシビリティ推定 Download PDF

Info

Publication number
JP2015069642A
JP2015069642A JP2014161156A JP2014161156A JP2015069642A JP 2015069642 A JP2015069642 A JP 2015069642A JP 2014161156 A JP2014161156 A JP 2014161156A JP 2014161156 A JP2014161156 A JP 2014161156A JP 2015069642 A JP2015069642 A JP 2015069642A
Authority
JP
Japan
Prior art keywords
participation
site
weighting factor
event
load
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
JP2014161156A
Other languages
English (en)
Other versions
JP6327050B2 (ja
Inventor
ジー ジェットチーヴァ・ジョージェタ
G Jetcheva Jorjeta
ジー ジェットチーヴァ・ジョージェタ
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.)
Fujitsu Ltd
Original Assignee
Fujitsu 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 Fujitsu Ltd filed Critical Fujitsu Ltd
Publication of JP2015069642A publication Critical patent/JP2015069642A/ja
Application granted granted Critical
Publication of JP6327050B2 publication Critical patent/JP6327050B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

【課題】 例示的な実施形態は、サイトの需要フレキシビリティを推定する方法を提供する。
【解決手段】 当該方法は、サイトのエネルギ使用パラメータを定量化するステップと、係数を決定するステップと、を有しても良い。前記係数の各々は、前記エネルギ使用パラメータのうちの１つに基づく値を有しても良い。方法は、前記係数の各々を前記係数の各々に関連する重み付け係数で乗算するステップを更に有しても良い。方法は、前記係数と前記関連する重み付け係数との積を加算するステップを更に有しても良い。方法は、エネルギ使用削減を含むＤＲイベントについて、前記サイトの需要フレキシビリティを推定するステップを更に有しても良い。需要フレキシビリティは、少なくとも部分的に、係数と関連する重み付け係数との積の和に基づいても良い。
【選択図】 図４

Description

本願明細書で議論される実施形態は、需要フレキシビリティの推定に関する。
電力会社は、より高い需要を満たすよう電力会社の能力を向上させるために又は生産コストを最小化するために、特定の高負荷期間中のエネルギ使用の削減を奨励する。例えば、夏期には、ピークエネルギ使用は、暑い日の午後の遅い時間に生じ得る。電力会社は、午後の遅い時間中にエネルギ使用を削減するために、工場に報償を提供し得る。それに応じて、工場は、夕方の遅い時間まで高負荷生産を遅らせ、工場の空調を弱め、又はエネルギ使用を削減しても良い。このように、電力会社は、ピークエネルギ使用中のエネルギ需要を満たすために自身の能力を増大し、及び／又はエネルギ需要を満たすために追加エネルギを生産若しくは購入することを回避できる。
ピーク又は高負荷期間中のエネルギ使用の削減は、需要反応（demand response：ＤＲ）と表されても良い。指定時間期間中のエネルギ使用の削減は、ＤＲイベントと表されても良い。ＤＲイベントは、通常、電力会社が高需要を期待し、顧客にエネルギ使用を削減若しくは抑えるよう依頼するときに生じる。顧客が自身のエネルギ使用を契約量だけ削減するとき、電力会社は顧客に報償を提供しても良い。
幾つかのＤＲシステムでは、ＤＲアグリゲータは、電力会社と顧客との間の通信を調停する。ＤＲアグリゲータは、通常、顧客と調整し及びＤＲイベントを実施するために電力会社と合意している。具体的には、ＤＲアグリゲータは、ＤＲイベントに参加し得る顧客を識別する。次に、ＤＲアグリゲータは、顧客に通知し、顧客がＤＲイベントのエネルギ削減に従っているか否かを評価し、相応して報奨を分配する。
本願明細書で請求される主題は、上述のような欠点を解決する実施形態や上述のような環境でのみ機能する実施形態に限定されない。むしろ、この背景技術は、単に、本願明細書に記載される複数の実施形態が実施される技術分野の一例を説明するために提供される。
開示の実施形態は、需要フレキシビリティの推定を提供する。
一実施形態の一態様によると、サイトの需要フレキシビリティを推定する方法は、前記サイトのエネルギ使用パラメータを定量化するステップを有しても良い。方法は、係数を決定するステップを有しても良い。前記係数の各々は、前記エネルギ使用パラメータのうちの１つに基づく値を有しても良い。方法は、前記係数の各々を前記係数の各々に関連する重み付け係数で乗算するステップと、前記係数と前記関連する重み付け係数との積を加算するステップと、を有しても良い。方法は、エネルギ使用削減を含むＤＲイベントについて、前記サイトの需要フレキシビリティを推定するステップを更に有しても良い。需要フレキシビリティは、少なくとも部分的に、係数と関連する重み付け係数との積の和に基づいても良い。
実施形態の目的及び利点が理解され、少なくとも特に特許請求の範囲で指摘された要素、特徴及び組合せを用いて達成されるだろう。
上述の全体的説明及び以下の詳細な説明の両方は、例示及び説明のためであり、本発明の範囲を限定しないことが理解される。
例示的な実施形態は、添付の図面を用いて、更なる特異性及び詳細事項と共に記載され説明される。
例示的な需要反応（ＤＲ）システムのブロック図である。 需要フレキシビリティ推定に含まれ得る幾つかの例示的な詳細を含む、図１のＤＲシステムのブロック図である。 図１、２のＤＲシステムで実装され得る例示的なシステムのブロック図を示す。 サイトの需要フレキシビリティを推定する例示的な方法のフロー図である。
需要反応（demand response：ＤＲ）は、高負荷期間中にエネルギのようなリソースが分配される１又は複数のサイトによる調整されたリソース使用の削減を有しても良い。指定時間期間中のリソース使用の削減は、ＤＲイベントと表されても良い。参加サイト間のＤＲイベントの調整、ＤＲシステムの確立、ＤＲ顧客の勧誘、及びＤＲイベントに参加すべきか否かの決定は、サイトの需要フレキシビリティを分析的に推定することの利益を享受し得る。需要フレキシビリティは、サイトが指定時間期間注にリソース使用を抑えるか否か、及びどの程度抑えるかを含んでも良い。
現在のＤＲシステムでは、ＤＲアグリゲータ、公共施設、及びサイト管理者は、需要フレキシビリティを推定するために直感に頼っている。需要フレキシビリティの分析的推定の欠如は、非効率をもたらし得る。例えば、ＤＲアグリゲータは、サイトがＤＲイベントに含まれるリソース使用の削減に従うために十分な需要フレキシビリティを有しないとき、ＤＲイベントに感化するようサイトを説得するのに時間を浪費し得る。同様に、サイト管理者は、サイト管理者がサイトはＤＲイベントの要件に従うために十分なリソース使用量を抑えることができると感じるか否かに基づき、ＤＲイベントに参加することを誤って決定し得る。ＤＲイベントに従うのに失敗すると、ペナルティ又は生産の無駄な損失を生じ得る。
したがって＜本願明細書に開示の幾つかの実施形態は、需要フレキシビリティの分析的推定に関連する。需要フレキシビリティは、１又は複数のリソース使用パラメータ（以後、「パラメータ」）に基づき推定されても良い。パラメータは、負荷データ及び／又は周囲条件データから定量化されても良い。パラメータのうちの１又は複数に基づく係数は、重み付けされても良い。需要フレキシビリティは、少なくとも部分的に、係数の各々に関連する要因を重み付けすることにより乗算された係数の和に基づき推定されても良い。推定された需要フレキシビリティは、サイトについて計算された生産性メトリック、ＤＲイベント情報、サイトのうちの１又は複数の以前の参加、又はそれらの特定の組合せに更に基づいても良い。
推定された需要フレキシビリティから、サイトは、自身がＤＲイベントに含まれるリソース使用の削減に従うか否かを決定しても良い。例えば、サイト管理者は、サイトがＤＲイベントに従うために適切なリソース使用量を抑えるために十分な需要フレキシビリティを有すると示し得る需要フレキシビリティを推定しても良い。したがって、サイト管理者は、ＤＲイベントに参加することを選んでも良い。
さらに、推定された需要フレキシビリティから、ＤＲアグリゲータは、１又は複数のサイトについて参加可能性を推定しても良い。ＤＲアグリゲータは、参加可能性を用いて、どのサイトがＤＲ顧客としてすべきかを決定しても良い。例えば、高い需要フレキシビリティを有するサイトはＤＲイベントに参加する可能性が高いので、ＤＲアグリゲータは高い需要フレキシビリティを有するサイトにＤＲ顧客になるよう依頼しても良い。さらに、ＤＲアグリゲータは、参加可能性を用いて、自身のＤＲ顧客のうちのどれに来るＤＲイベントのために勧誘するかを決定しても良い。例えば、ＤＲ顧客であるサイトは、以前に高い需要フレキシビリティを有していた。しかしながら、来るＤＲイベントでは、このサイトは低い需要フレキシビリティを有しても良い。したがって、ＤＲアグリゲータは、来るＤＲイベントに参加するよう、別のサイトを勧誘しても良い。さらに、パラメータ及びサイトの最終的参加決定を分析的に追跡することにより、ＤＲアグリゲータは、推定プロセスに含まれても良い。例えば、ＤＲアグリゲータは、特定のサイトがＤＲイベントへの参加を選ぶことになる報奨量を決定しても良い。しかしながら、推定した需要フレキシビリティ及び／又はそれに基づく参加可能性は、ＤＲアグリゲータに、どのサイトが参加する可能性が高いかを含むＤＲイベントのスケジュールを生成できるようにしても良い。本発明の例示的な実施形態は、添付の図面を参照して以下に説明する。
図１は、本願明細書に記載の少なくとも１つの実施形態により配置される例示的なＤＲシステム１００のブロック図を示す。ＤＲシステム１００は、ＤＲイベントについて、１又は複数のサイト１０４Ａ−１０４Ｄ（通常、サイト１０４又は複数のサイト１０４）の需要フレキシビリティ及び／又は参加可能性の推定を可能にするよう構成されても良い。需要フレキシビリティは、サイト１０４がエネルギ使用を抑えるか否か、及びその程度を含んでも良い。サイト１０４の需要フレキシビリティを推定することにより、サイト１０４がＤＲイベントに参加する及び／又はそれに従う可能性も推定されても良い。需要フレキシビリティ及び／又は参加可能性は、ＤＲイベントに参加するか否かを決定するためにサイト１０４により用いられても良い。追加又は代替で、ＤＲシステム１００において推定された需要フレキシビリティ及び／又は参加可能性は、サイト１０４のうちの、ＤＲ顧客として管理する又はＤＲシステム１００に含まれる１又は複数のサイト１０４を識別するために用いられても良い。さらに、幾つかの実施形態では、需要フレキシビリティ及び／又は参加可能性は、サイト１０４のうちの１又は複数がＤＲイベントに参加する可能性が高いか否かを予測するために用いられても良い。
ＤＲシステム１００は、公共施設１０６、ＤＲアグリゲータ１０８、及びサイト１０４を有しても良い。ＤＲシステム１００では、公共施設１０６は、電気、ガス、水、又は特定の他のリソースのようなリソースをサイト１０４に分配しても良い。サイト１０４へのリソースの分配は、参照符号１０７により示される線により、図１に示される。ＤＲシステム１００は、公共施設１０６がサイト１０４にリソースを提供するという詳細事項を有し本願明細書に記載される。
ＤＲシステム１００は、ＤＲイベントの実施を可能にするのを助け得る。ＤＲイベントは、サイト１０４のうちの１又は複数がリソース使用を抑える指定時間期間を有しても良い。幾つかのＤＲイベントは、複数のサイト１０４によるエネルギ使用削減の調整を有しても良い。ＤＲイベントは、例えば、高需要の期間中にスケジューリングされても良い。高需要の期間中、リソース使用を削減することにより、公共施設１０６は、追加リソースを購入し又は生成し若しくは探すことなく、高需要に適合できる。公共施設１０６は、ＤＲイベントに参加するために報奨を提供しても良い。
公共施設１０６は、リソースの生産、伝送、及び／又は分配に関与する任意のエンティティを有しても良い。公共施設１０６は、公有でも私有でも良い。公共施設１０６の幾つかの例は、発電所、エネルギ共同組合、及び独立システム事業者（independent system operator：ＩＳＯ）を含み得る。公共施設１０６は、ＤＲイベントを識別し、報奨、時間期間及び全体的なリソース使用削減のようなＤＲイベントの条件を定めるよう構成されても良い。
通常、サイト１０４は、ビル、建造物、設備、又は公共施設１０６により生成されるリソースを消費する他のオブジェクトであっても良い。サイト１０４は、民家から大規模産業用工場又はオフィスビルに渡る複数種類の建造物等を有しても良い。サイト１０４内には、関連する１又は複数のサイト１０４が存在しても良い。例えば、サイト１０４の１又は複数の部分集合は、共通の経済的目的のために関連しても良く、類似の大きさを有しても良く、定められた領域内に位置しても良く、又は別の関連する特徴により関連付けられても良い。公共施設１０６及び／又はＤＲアグリゲータ１０８は、１又は複数の特徴に従ってサイト１０４をグループ化しても良い。さらに、次に、公共施設１０６及び／又はＤＲアグリゲータ１０８は、サイト１０４のリソース使用を取得し、及び／又は１又は複数のサイト１０４若しくはその部分集合に渡りリソース使用行動を比較しても良い。
上述及び他の実施形態では、ＤＲシステム１００は、ＤＲアグリゲータ１０８を有しても良い。ＤＲアグリゲータ１０８は、公共施設１０６とサイト１０４との間の仲介として動作し、１又は複数のＤＲイベントの実施を調整しても良い。特に、ＤＲアグリゲータ１０８は、ＤＲイベントを調整し、サイト１０４の累積リソース使用削減がＤＲイベントの全体的リソース使用削減を満たすのに十分になるようにしても良い。幾つかの実施形態では、公共施設１０６により提供される報奨は、ＤＲアグリゲータ１０８により受け取られても良い。ＤＲアグリゲータ１０８は、ＤＲイベントに参加する見返りに、サイト１０４に報奨の一部を代わって提供しても良い。ＤＲアグリゲータ１０８は、容量入札プログラム（capacity bidding program：ＣＢＰ）又は需要入札プログラム（demand bidding program：ＤＢＰ）を含むがこれらに限定されない任意のＤＲ報奨プログラムを実施しても良い。
サイト１０４又はその特定の部分集合は、ＤＲアグリゲータ１０８により管理されても良い。ＤＲアグリゲータ１０８は、自身が管理するサイト１０４によるＤＲイベントの実施を具体的に調整しても良い。したがって、ＤＲアグリゲータ１０８は、どのサイト１０４が高い需要フレキシビリティを有するか及び／又は来るＤＲイベントに参加する可能性が高いかを識別することに関心があっても良い。
ＤＲアグリゲータ１０８は、公共施設１０６及びサイト１０４に通信可能に結合されても良い。図１で、ＤＲアグリゲータ１０８、公共施設１０６、及びサイト１０４の間の通信可能な結合は、破線矢印により表される。第４のサイト１０４ＤとＤＲアグリゲータ１０８との間の破線矢印は、参照符号１０９を付されている。公共施設１０６、ＤＲアグリゲータ１０８、及びサイト１０４は、１又は複数の有線若しくは無線ネットワークを介して通信可能に結合されても良い。例えば、ネットワークは、インターネット、モバイル通信ネットワーク、１又は複数のローカルエリア若しくはワイドエリアネットワーク（LAN又はＷＡＮ）、それらの任意の組合せ、又は任意の同様のネットワーク技術を有しても良い。
図示の実施形態では、ＤＲアグリゲータ１０８は、仲介人として動作する。しかしながら、ＤＲアグリゲータ１０８を含むことは限定を意味しない。幾つかの実施形態では、公共施設１０６は、サイト１０４の１又は複数と直接通信しても良い。上述及び他の実施形態では、公共施設１０６は、１又は複数のサイト１０４と直接通信しても良く、ＤＲアグリゲータ１０８は１又は複数の他のサイト１０４と通信しても良い。例えば、サイト１０４のうちの１つが相当量のエネルギを使用するとき、公共施設１０６はサイト１０４と直接通信しても良い。この例では、ＤＲアグリゲータ１０８は、サイト１０４のうちの他のものと更に通信しても良い。
ＤＲシステム１００では、ＤＲイベントの調整、ＤＲシステム１００に含むべきサイト１０４の識別、及びサイト１０４がＤＲイベントに参加するか否かを決定することは、サイト１０４の需要フレキシビリティを推定することを含んでも良い。例えば、サイト１０４の推定された需要フレキシビリティは、サイト１０４に関連する管理者に、ＤＲイベントに参加するか否かを決定させ得る。追加又は代替で、推定された需要フレキシビリティは、公共施設１０６及び／又はＤＲアグリゲータ１０８に、サイト１０４の参加可能性を更に推定させ得る。公共施設１０６及び／又はＤＲアグリゲータ１０８は、推定参加可能性に基づき来るＤＲイベントへのサイト１０４のうちの１又は複数の参加を予測し、及び／又はサイト１０４がＤＲシステム１００に有利に含まれ得る見込みＤＲ顧客であるか否かを識別しても良い。
本開示の範囲から逸脱することなくＤＲシステム１００に対し変更、追加又は省略が行われても良い。例えば、図１は第１、第２、第３及び第４のサイト１０４Ａ−１０４Ｄを示すが、本開示は、１又は複数のサイト１０４を有するＤＲシステムアーキテクチャに適用可能である。さらに、図１は１つのＤＲアグリゲータ１０８及び１つの公共施設１０６を含むが、ＤＲシステム１００は、複数のＤＲアグリゲータ及び／又は複数の公共施設を含んでも良い。さらに、幾つかの実施形態では、サイト１０４のうちの１又は複数は、複数のＤＲアグリゲータ及び／又は複数の公共施設によりサービスを提供されても良い。
図２は、本願明細書に記載の少なくとも１つの実施形態による、需要フレキシビリティ推定に含まれ得る幾つかの例示的な詳細を含む、図１のＤＲシステム１００のブロック図である。ＤＲシステム１００は、需要フレキシビリティアルゴリズムモジュール２０２（以後、図２及び３で「アルゴリズムモジュール２０２」と称する）を有しても良い。具体的には、アルゴリズムモジュール２０２は、図１を参照して記載した公共施設１０６、ＤＲアグリゲータ１０８、及びサイト１０４のうちの１又は複数に含まれても良い。アルゴリズムモジュール２０２は、サイト１０４のうちの１つ及び／又は来るＤＲイベントに関連する情報に関するデータ（図示しない）を入力しても良い。アルゴリズムモジュール２０２は、推定した需要フレキシビリティ及び／又はサイト１０４がＤＲイベントに参加する可能性を返しても良い。
参加可能性は、例えばパーセンテージの形式で返されても良い。例えば、サイト１０４のうちの１つは、ＤＲイベント中、最大占有で動作しても良く、最大占有で動作している間、サイト１０４は、リソースの予測可能な量を使用しても良い。したがって、ＤＲイベント中のサイト１０４の需要フレキシビリティは、低くても良い。したがって、サイト１０４はリソースを使用しているので、サイト１０４がリソース使用の削減を含むＤＲイベントに参加する可能性は低くても良い。この状況では、アルゴリズムモジュール２０２は、例えば１０％を返しても良い。他方で、サイト１０４がＤＲイベント中に低い占有である場合、ＤＲイベント中のサイトの需要フレキシビリティは高くても良い。したがって、サイト１０４はリソースを使用していないので、サイト１０４はＤＲイベントに参加する可能性が高くても良い。この状況では、アルゴリズムモジュール２０２は、８０％を返しても良い。
公共施設１０６、ＤＲアグリゲータ１０８、及びサイト１０４の各々は、アルゴリズムモジュール２０２を使用して、参加可能性を推定し及び／又はＤＲイベントについてサイト１０４の需要フレキシビリティを推定しても良い。サイト１０４は、推定された需要フレキシビリティを用いて、ＤＲイベントに参加するか否かを決定しても良い。上述及び他の実施形態では、サイト１０４は、それ自身の参加可能性を推定しても良い。アルゴリズムモジュール２０２において推定された需要フレキシビリティがサイト１０４について高いとき、サイト１０４又はその管理者は、ＤＲイベントへの参加を決定しても良い。アルゴリズムモジュール２０２において推定された需要フレキシビリティがサイト１０４について低いとき、サイト１０４又はその管理者は、ＤＲイベントへの不参加を決定しても良い。したがって、アルゴリズムモジュール２０２は、サイト管理者又は別の同様のエンティティに、サイト１０４のＤＲイベントへの参加に関して、詳細な情報を得た上での判断を可能にし得る。
さらに、公共施設１０６及び／又はＤＲアグリゲータ１０８は、推定参加可能性を用いて、ＤＲ顧客として管理されるサイト１０４を識別しても良い。例えば、サイト１０４は、公共施設１０６がリソースを提供するサイトのうちの全部又はほぼ全部を含んでも良い。サイト１０４のうちの幾つかは、常に低い需要フレキシビリティを有しても良く、したがって、それらのＤＲイベントへの参加の可能性が低いことに起因して、ＤＲ顧客の不適切な候補であっても良い。反対に、サイト１０４のうちの幾つかは、高い需要フレキシビリティを有しても良い。高い需要フレキシビリティを有するサイト１０４は、それらのＤＲイベントへの参加の可能性が高いことに起因して、ＤＲ顧客の適切な候補になっても良い。アルゴリズムモジュール２０２は、公共施設１０６及び／又はＤＲアグリゲータ１０８若しくは別の同様のエンティティに、見込みＤＲ顧客を識別するための情報を提供しても良い。見込みＤＲ顧客を識別した後に、公共施設１０６及び／又はＤＲアグリゲータ１０８は、広告又は勧誘を識別された見込みＤＲ顧客に集中させても良い。常に低い需要フレキシビリティを有するサイト１０４の一例は、比較的一定レベルのリソース使用を有する２４時間自動処理の工場を含み得る。工場は、処理を停止することなくリソース使用を削減できなくても良く、したがって、ＤＲイベントに参加しなくても良い。対照的に、高い需要フレキシビリティを有するサイト１０４の一例は、常に生産工程を実行するシフト作業員を有する工場を含み得る。
追加又は代替で、公共施設１０６及び／又はＤＲアグリゲータ１０８は、推定参加可能性を用いて、どのサイト１０４がＤＲイベントに参加するかを予測しても良い。予測は、例えば、特定の来るＤＲイベント又は特定種類のＤＲイベントに関して行われても良い。サイト１０４のうちのどれがＤＲイベントに参加するかを予測することにより、公共施設１０６及び／又はＤＲアグリゲータ１０８は、サイト１０４からの参加を求めるために、リソースを適正に割り当てることができる。
幾つかの実施形態では、アルゴリズムモジュール２０２は、予測に誤差範囲を含めることができる。誤差範囲は、ＤＲアグリゲータ１０８及び／又は公共施設１０６が、安全係数を含みながら、サイト１０４の参加を予測できるようにし得る。さらに、サイト１０４のうちのどれがＤＲイベントに参加するかを予測することにより、公共施設１０６及び／又はＤＲアグリゲータ１０８は、ＤＲイベントのスケジュールを生成しても良い。スケジュールは、例えば、ＤＲイベント及びＤＲイベントに参加する可能性のあるサイト１０４の長期予想を含んでも良い。
幾つかの実施形態では、サイト１０４のうちの１又は複数がＤＲイベントに参加するか否かを予測することは、少なくとも部分的に、サイト１０４のうちの他のものの推定参加可能性に基づいても良い。通常、予測が他のサイト１０４に基づくとき、他のサイト１０４と参加可能性が推定されているサイト１０４との間に特定の関係が存在し得る。参加可能性が推定されているサイト１０４は、以下の議論で「関心サイト１０４」として表される。
上述のように、公共施設１０６及び／又はＤＲアグリゲータ１０８は、サイト１０４の特徴に基づき、サイト１０４のうちの１又は複数をグループ化しても良い。上述及び他の実施形態では、公共施設１０６及び／又はＤＲアグリゲータ１０８は、サイト１０４と共にグループ化されたサイト１０４のうちの他のものについて計算された推定参加可能性に基づき、関心サイト１０４がＤＲイベントに参加するか否かを予測しても良い。
例えば、予測は、次の例示的な予測式により記述され得る。
ＤＲｓｉｔｅ＝ｑ１ｘＤＲｓｉｔｅ＿ｐａｒｔｉｃｉｐａｔｉｏｎ＋ｑ２ｘＤＲａｖｅｒａｇｅ＿ｇｒｏｕｐ＿ｐａｒｔｉｃｉｐａｔｉｏｎ
例示的な予測式では、変数ＤＲｓｉｔｅは、関心サイト１０４について推定された精密参加可能性を表す。精密参加可能性は、少なくとも部分的に、他のサイト１０４のうちの１又は複数の推定参加可能性に基づく参加可能性の２次推定であっても良い。変数ＤＲｓｉｔｅ＿ｐａｒｔｉｃｉｐａｔｉｏｎは、アルゴリズムモジュール２０２を用いて計算された関心サイト１０４の推定参加可能性を表す。変数ＤＲａｖｅｒａｇｅ＿ｇｒｏｕｐ＿ｐａｒｔｉｃｉｐａｔｉｏｎは、サイト１０４と共にグループ化された他のサイト１０４のうちの１又は複数についてのＤＲイベントへの平均参加可能性を表す。平均参加可能性は、他のサイト１０４のうちの１又は複数について、アルゴリズムモジュール２０２を用いて計算された推定参加可能性の平均であっても良い。変数ｑ１は、サイト参加重み付け係数を表し得る。変数ｑ２は、グループ参加重み付け係数を表し得る。例示的な予測式によると、精密参加可能性は、グループ参加重み付け係数を平均参加可能性に乗じたものとサイト参加重み付け係数をサイト参加可能性に乗じたものとの積の和に基づき、関心サイト１０４について推定され得る。
上述のように、アルゴリズムモジュール２０２は、サイト１０４の参加可能性の基礎をサイト１０４に関連するデータにおいても良い。このデータは、サイト１０４、公共施設１０６、ＤＲアグリゲータ１０８、又は１又は複数のデータソースのうちの１又は複数において生成されても良い。次に、このデータは、サイト１０４、公共施設１０６、及びＤＲアグリゲータ１０８を通信可能に結合するネットワークを介して、ＤＲシステム１００全体に通信されても良い。追加又は代替で、このデータは、アルゴリズムモジュール２０２内でローカルに用いられても良い。
データソース２１０は、アルゴリズムモジュール２０２により計算されるような参加可能性及び／又は需要フレキシビリティに関連し得る利用可能なデータを取得し及び／又は生成する任意のエンティティを有しても良い。例えば、データソース２１０は、気象組織を有しても良い。気象組織は、周囲条件データ（後述する）をアルゴリズムモジュール２０２に伝達しても良い。データの幾つかの例は、図３を参照して記載される。
図３は、本願明細書に記載の少なくとも１つの実施形態により配置される、図１及び２のＤＲシステム１００で実装され得る例示的なシステム３４０のブロック図３００を示す。システ３４０は、公共施設１０６、ＤＲアグリゲータ１０８、及び／又は図１及び２のサイト１０４のうちの１又は複数、のうちの１又は複数を表し得る。
図示のように、システム３４０は、プロセッサ３４２、通信インタフェース３４６、及びメモリ３４４を有しても良い。プロセッサ３４２、通信インタフェース３４６及びメモリ３４４は、通信バス３４８を介して通信可能に結合されても良い。通信バス３４８は、メモリバス、記憶装置インタフェースバス、バス／インタフェース制御部、インタフェースバス、等、又はそれらの任意の組み合わせを含み得るが、これらに限定されない。
概して、通信インタフェース３４６は、ネットワークを介した通信を実現し得る。通信インタフェース３４６は、ネットワークインタフェースカード、ネットワークアダプタ、ＬＡＮアダプタ、又は他の適切な通信インタフェースを有しても良いが、これらに限定されない。データ３２６は、例えば通信インタフェースを介してシステム３４０と通信しても良い。
プロセッサ３４２は、システム３４０に本願明細書に記載した機能及び動作を実行させるコンピュータ命令を実行するよう構成されても良い。プロセッサ３４２は、プロセッサ、マイクロプロセッサ（μＰ）、制御部、マイクロコントローラ（μＣ）、中央演算装置（ＣＰＵ）、デジタル信号プロセッサ（ＤＳＰ）、これらの任意の組み合わせ、又は他の適切なプロセッサを有しても良いが、これらに限定されない。
コンピュータ命令は、プロセッサ３４２による実行のために、メモリ３４４にロ―ドされても良い。例えば、コンピュータ命令は、１又は複数のモジュール（例えば、モジュール３０２、３０４、３０６、３０８、３１０、３１２、３１４、３１６、３１８、３２０、３２２、３２４）の形式であっても良い。幾つかの実施形態では、本願明細書に記載の関数及び動作の実行中に生成され、受信され及び／又は操作されたデータは、少なくとも一時的にメモリ３４４に格納されても良い。さらに、メモリ３４４は、ＲＡＭのような揮発性記憶装置を有しても良い。より一般的には、システム３４０は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ若しくは他のメモリ技術、ＣＤ−ＲＯＭ、ＤＶＤ（digital versatile disk）若しくは他の光学記憶装置、時期カセット、時期テープ、磁気ディスク記憶装置若しくは他の磁気記憶装置のような非一時的コンピュータ可読媒体、又は任意の他の非一時的コンピュータ可読媒体を有しても良い。
図３に示した例示的なシステム３４０は、アルゴリズムモジュール２０２の例示的な実施形態を含み、データ３２６を受信している。しす３４０により受信されたデータ３２６に基づき、アルゴリズムモジュール２０２は、図１及び２のサイト１０４のうちの１つのようなサイトの参加可能性及び／又は需要フレキシビリティを推定しても良い。
データ３２６は、図３に示したデータ３２６と同様に、図２を参照して記載されたようなデータを有しても良い。例えば、データ３２６は、生産性情報３２８、ＤＲイベント情報３３０、周囲条件データ３３２、負荷データ３３４、ローカル生成データ３３６、及び占有データ３３８を有しても良いが、これらに限定されない。生産性情報３２８は、リソース使用削減がサイトの生産性に及ぼす影響に関連する情報であっても良い。ＤＲイベント情報３３０は、報奨情報、ＤＲイベントの期間、最小ＤＲイベント要件のような、来るＤＲイベントに関する情報を有しても良い。さらに、ＤＲイベント情報３３０は、サイトが１又は複数の過去のＤＲイベントに参加したか否か、及び該１又は複数の過去のＤＲイベントに関する情報を有しても良い。周囲条件データ３３２は、温度、風条件、雲量、時間、降水、又はアルゴリズムモジュール２０２により使用できる任意の他のデータを有しても良い。負荷データ３３４は、１又は複数の所定の時間期間中のリソース使用量を有しても良い。負荷データ３３４は、図１及び２のサイト１０４のうちの１つのようなサイトに固有であっても良い。ローカル生成データ３３６は、ローカルに生成された又はサイトにおいて利用可能なリソース、及び／又は別の公共施設により提供されるリソースを有しても良い。ローカル生成データ３３６は、太陽電池、風力タービン、又は任意の他のローカルリソース生成システムから生じても良い。占有データ３３８は、サイトが動作している容量を有しても良い。例えば、占有データ３３８は、働くようスケジューリングされた又は現在作業中の従業員数、屋内に居ることがスケジューリングされた又は現在屋内に居る動物の数、等を有しても良い。
アルゴリズムモジュール２０２は、フレキシビリティ／参加推定モジュール３２４（図３では「推定モジュール３２４」）を有しても良い。フレキシビリティ／参加推定モジュール３２４は、データ３２６の一部を受信し、推定アルゴリズムに含まれる動作を実行し得る複数のモジュールを有しても良い。モジュールは、互いに通信しても良い。例えば、モジュールのうちの１つで生成された結果は、１又は複数の他のモジュールに伝達されても良い。同様に、結果は、モジュールのうちの１又は複数に格納され、追加動作のために後に読み出されても良い。
フレキシビリティ／参加推定モジュール３２４内に示すモジュールは、限定を意味しない。例えば、フレキシビリティ／参加推定モジュール３２４内で実行される動作は、モジュールのサブセットを有しても良い。さらに、幾つかの実施形態では、フレキシビリティ／参加推定モジュール３２４は、他の動作を実行する追加モジュールを有しても良い。
幾つかの実施形態では、フレキシビリティ／推定モジュール３２４は、データ３２６の分析を実行しても良い。データ３２６の分析に基づき、フレキシビリティ／推定モジュール３２４は、及び特にパラメータ定量化モジュール３０２は、推定モジュール３２４により使用できる１又は複数のリソース使用パラメータ（以後「パラメータ」と称する）を定量化しても良い。パラメータは、特定サイトのリソース使用、サイトグループのリソース使用、又はそれらの特定の組合せに関連しても良い。
上述及び他の実施形態では、パラメータは、歴史的負荷情報、負荷／周囲条件関係、期待負荷情報、現実負荷情報、又はそれらの特定の組合せのうちの１又は複数に基づき定量化されても良い。歴史的負荷情報を計算するために、パラメータ定量化モジュール３０２は、歴史的負荷モジュール３０４を有しても良い。負荷／周囲条件関係を計算するために、パラメータ定量化モジュール３０２は、負荷／周囲条件関係モジュール３０８を有しても良い。期待負荷情報を計算するために、パラメータ定量化モジュール３０２は、期待負荷モジュール３０６を有しても良い。現実負荷情報を計算するために、パラメータ定量化モジュール３０２は、現実負荷モジュール３１０を有しても良い。次に、パラメータ定量化モジュール３０２は、歴史的負荷情報、負荷／周囲条件関係、期待負荷情報、現実負荷情報のうちの１又は複数にアクセスし、それらから１又は複数のパラメータを定量化しても良い。
歴史的負荷情報モジュール３０４、期待負荷情報モジュール３０６、負荷／周囲条件関係モジュール３０８、現実負荷情報のモジュール３１０の各々は、データ３２６の一部を受信し、それに対して１又は複数の動作を実行しても良い。動作は、データ３２６を分析するために選択され、パラメータがデータ３２６に基づくようにしても良い。歴史的負荷情報モジュール３０４、期待負荷情報モジュール３０６、負荷／周囲条件関係モジュール３０８、現実負荷情報のモジュール３１０のいずれかにより実行される動作は、データ３２６のサブセットの時間平均、データ３２６のサブセットの最大値及び／又は最小値の発見、過去の情報に基づく将来の情報の予測、データ３２６のサブセットの粒度設定、データ３２６のサブセットの平均二乗誤差（ＭＳＥ）の発見、を有しても良いが、これらに限定されない。
例えば、幾つかの実施形態では、歴史的負荷モジュール３０４は、第１の所定時間期間に渡るサイトの負荷データ３３４、ローカル生成データ３３６、及び／又は占有データ３３８を受信しても良い。第１の所定時間期間は、例えば、ＤＲイベントの時間期間の代表的なエネルギ使用データを有しても良い。第１の所定時間期間は、幾つかの実施形態では複数の日にちであっても良い。次に、歴史的負荷モジュール３０４は、負荷データ３３４、ローカル生成データ３３６、及び／又は占有データ３３８に対して１又は複数の動作を実行しても良い。上述及び他の実施形態では、歴史的負荷モジュール３０４は、ピーク時間におけるピーク負荷の変動を含む歴史的負荷情報を計算しても良い。ピーク時間におけるピーク負荷の変動は、変数Ｖｐｅａｋにより表すことができる。歴史的負荷情報は、１又は複数の別個のときに、計算され又は決定されても良い。
追加で、期待負荷モジュール３０６は、第１の所定時間期間に渡るサイトの負荷データ３３４、ローカル生成データ３３６、及び／又は占有データ３３８を受信しても良い。期待負荷モジュール３０６は、第１の所定時間期間の負荷データ３３４、ローカル生成データ３３６、及び／又は占有データ３３８に対して１又は複数の動作を実行して、期待負荷情報を計算しても良い。期待負荷情報は、ＤＲイベントの日の間の期待リソース負荷、ＤＲイベントの日の間の期待負荷リソース生成、ＤＲイベントの日の間の期待占有、又はそれらの任意の組合せを有しても良い。ＤＲイベントの日の間の期待リソース負荷は、変数Ｌｐにより表すことができる。ＤＲイベントの日の間の期待ローカルリソース生成は、変数Ｇｐにより表すことができる。ＤＲイベントの日の間の期待占有は、変数Ｏｐにより表すことができる。期待負荷情報は、１又は複数の別個のときに、計算され又は決定されても良い。
追加で、現実負荷モジュール３１０は、第２の所定時間期間に渡るサイトの負荷データ３３４、ローカル生成データ３３６、及び／又は占有データ３３８を受信しても良い。第２の所定時間期間は、例えば、ＤＲイベントの前の複数分又は時間であっても良い。実際負荷モジュール３１０は、第２の所定時間期間の負荷データ３３４、ローカル生成データ３３６、及び／又は占有データ３３８に対して１又は複数の動作を実行して、実際負荷情報を計算しても良い。実際負荷情報は、実際リソース負荷、実際ローカルリソース生成、実際占有、又はそれらの任意の組合せを有しても良い。実際リソース負荷は、変数Ｌｔｏｄａｙにより表すことができる。実際ローカルリソース生成は、変数Ｇｔｏｄａｙにより表すことができる。実際占有は、変数Ｏｔｏｄａｙにより表すことができる。実際負荷情報は、１又は複数の別個のときに、計算され又は決定されても良い。
負荷／周囲条件関係モジュール３０８は、第１の所定時間期間の周囲条件データ３３２（つまり、過去の周囲条件データ）、及び第２の所定時間期間の周囲条件データ３３２（つまり、現実の周囲条件データ）を受信しても良い。負荷／周囲条件関係モジュール３０８は、周囲条件データ３３２と、歴史的負荷情報、期待負荷情報、及び実際付加情報のうちの任意のものとを用いて１又は複数の動作を実行し、サイトのリソース使用と１又は複数の周囲条件との間の関係を見出しても良い。例えば、負荷／周囲条件関係モジュール３０８は、ピーク負荷と温度との間の相関、１日の負荷と温度との間の相関、実際リソース負荷と温度との間の関係、又はそれらの任意の組合せを計算しても良い。ピーク負荷と温度との間の相関は、変数ＴＣｐｅａｋにより表すことができる。１日の負荷と温度との間の相関は、変数ＴＣｄａｉｌｙにより表すことができる。実際リソース負荷と温度との間の相関は、変数ＴＣｔｏｄａｙにより表すことができる。負荷／周囲条件関係は、１又は複数の別個のときに、計算され又は決定されても良い。
幾つかの実施形態では、第１の所定時間期間及び／又は第２の所定時間期間からのデータ３２６は、単一の粒度を有しても良い。例えば、粒度は、約１５分であっても良い。粒度は、幾つかの環境では調整可能であっても良く、これは、データ３２６にサイトの条件をより正確に表現させ及び処理オーバヘッドを削減し得る。粒度は、処理オーバヘッドを削減するために調整されても良く、これは、サイトの条件をあまり正確に表現できない。
上述のように、歴史的負荷情報、負荷／周囲条件関係、期待負荷情報、及び実際負荷情報が計算された後、パラメータ定量化モジュール３０２は、それらに基づき１又は複数のパラメータを定量化しても良い。幾つかの環境では、パラメータのうちの１又は複数は、歴史的負荷情報、負荷／周囲条件関係、期待負荷情報、又は実際負荷情報のうちの１又は複数と等価であっても良い。代替で、パラメータのうちの１又は複数は、歴史的負荷情報、負荷／周囲条件関係、期待負荷情報、又は実際負荷情報に基づいても良い。例えば、パラメータ定量化モジュール３０２は、歴史的負荷情報、負荷／周囲条件関係、期待負荷情報、及び／又は実際負荷情報に対して１又は複数の動作を実行しても良い。
上述及び他の実施形態では、パラメータは、ピーク時間におけるピーク負荷の変動「Ｖｐｅａｋ」、ピーク負荷と温度との間の相関「ＴＣｐｅａｋ」、負荷誤差「Ｌｅｒｒｏｒ」、ピーク負荷対温度誤差「ＴＣｅｒｒｏｒ」、ローカル生成誤差「Ｇｅｒｒｏｒ」、占有誤差「Ｏｅｒｒｏｒ」及び誤差パラメータを有しても良い。
負荷誤差は、幾つかの実施形態では、次の例示的な負荷誤差式により計算されても良い。
Ｌｅｒｒｏｒ＝ＭＳＥ（（Ｌｐ（ｔｉ．．．ｔｊ），Ｌｔｏｄａｙ（ｔｉ．．．ｔｊ）））
負荷誤差式で、Ｌｅｒｒｏｒは負荷誤差を表す。演算子ＭＳＥは、平均二乗誤差を表す。変数Ｌｐは、期待リソース負荷を表す。変数Ｌｔｏｄａｙは、実際リソース負荷を表す。変数ｔｉ．．．ｔｊは、期待リソース負荷及び実際リソース負荷が計算又は決定される別個のときを表す。
ピーク負荷対温度誤差は、幾つかの実施形態では、次の例示的なピーク負荷対温度誤差式により計算されても良い。
ＴＣｅｒｒｏｒ＝ＭＳＥ（｜ＴＣｄａｉｌｙ（ｔｉ．．．ｔｊ），ＴＣｔｏｄａｙ（ｔｉ．．．ｔｊ）｜）
ピーク負荷対温度誤差式で、ＴＣｅｒｒｏｒはピーク負荷対温度誤差を表す。演算子ＭＳＥは、平均二乗誤差を表す。変数ＴＣｄａｉｌｙは、１日の負荷と温度との間の相関を表す。変数ＴＣｔｏｄａｙは、実際リソース負荷と温度との間の関係を表す。変数ｔｉ．．．ｔｊは、１日の負荷と温度との間の相関及び実際リソース負荷と温度との間の関係が計算又は決定される別個のときを表す。
ローカル生成誤差は、幾つかの実施形態では、次の例示的なローカル生成誤差式により計算されても良い。
Ｇｅｒｒｏｒ＝ＭＳＥ（｜Ｇｐ（ｔｉ．．．ｔｊ），Ｇｔｏｄａｙ（ｔｉ．．．ｔｊ）｜）
ローカル生成誤差式で、Ｇｅｒｒｏｒはローカル生成誤差を表す。演算子ＭＳＥは、平均二乗誤差を表す。変数Ｇｐは、ＤＲイベントの日の間の期待ローカルリソース生成を表す。変数Ｇｔｏｄａｙは、実際ローカルリソース生成を表す。変数ｔｉ．．．ｔｊは、期待ローカルリソース生成及び実際ローカルリソース生成が計算又は決定される別個のときを表す。
占有誤差は、幾つかの実施形態では、次の例示的な占有誤差式により計算されても良い。
Ｏｅｒｒｏｒ＝ＭＳＥ（｜Ｏｐ（ｔｉ．．．ｔｊ），Ｏｔｏｄａｙ（ｔｉ．．．ｔｊ）｜）
占有誤差式で、Ｏｅｒｒｏｒは占有誤差を表す。演算子ＭＳＥは、平均二乗誤差を表す。変数Ｏｐは、ＤＲイベントの日の間の期待占有を表す。変数Ｏｔｏｄａｙは、実際占有を表す。変数ｔｉ．．．ｔｊは、期待占有及び実際占有が計算又は決定される別個のときを表す。
参加推定モジュール３２４は、ＤＲイベントモジュール３１２、係数決定モジュール３１４、重み付け係数決定モジュール３１６、比較モジュール３１８、計算モジュール３２０、及び調整モジュール３２２（集合的に、非パラメータモジュール）を有しても良い。サイトの需要フレキシビリティ及び／又は参加可能性を推定するために、非パラメータモジュールは、パラメータ及び／又はデータ３２６に基づき１又は複数の動作を実行しても良い。
具体的には、比較モジュール３１８及び計算モジュール３２０は、サイトの参加可能性及び／又は需要フレキシビリティを推定するために用いられても良い。上述及び他の実施形態では、需要フレキシビリティ及び／又は参加可能性は、少なくとも部分的に、パラメータに基づく係数と重み付け係数の各々に割り当てられる重み付け係数との積の和に基づき推定されても良い。幾つかの実施形態では、推定は、次の例示的な推定式に基づいても良い。
ＤＦ＝（ω１ｘα＋ω２ｘβ＋ω３ｘγ＋ω４ｘδ＋ω５ｘθ＋ω６ｘλ＋ω７ｘμ＋ω８ｘφ）
推定式で、ＤＦは推定需要フレキシビリティ又はその指標を表す。変数α、β、γ、δ、θ、λ、μ及びφは、係数を表す。変数ω１、ω２、ω３、ω４、ω５、ω６、ω７及びω８は、係数に割り当てられた重み付け係数を示す。
係数決定モジュール３１４は、係数の各々の値を決定しても良い。通常、係数は、パラメータに基づく数学的定数（つまり、非変数）であっても良い。幾つかの実施形態では、係数の値は、パラメータと有意性閾との間の比較に基づいても良い。有意性閾は、サイト又はサイトのグループに関連するパラメータの決定的と考えられる値であっても良い。幾つかの実施形態では、係数は、次の例示的な係数決定式により決定されても良い。
ｉｆ：Ｐ＞Ｘ
ｔｈｅｎ：ａｄｊｕｓｔ＿ｃｏｅｆｆｉｃｉｅｎｔ
係数決定式で、Ｐはパラメータを表す。変数Ｘは、有意性閾を表す。演算子「ａｄｊｕｓｔ＿ｃｏｅｆｆｉｃｉｅｎｔ」は、パラメータＰに基づく係数に対する調整を表す。
上述及び他の実施形態では、Ｐは、上述のように定められる任意のパラメータを有しても良い。具体的には、Ｐは、ピーク時間におけるピーク負荷の変動「Ｖｐｅａｋ」、ピーク負荷と温度との間の相関「ＴＣｐｅａｋ」、負荷誤差「Ｌｅｒｒｏｒ」、ピーク負荷対温度誤差「ＴＣｅｒｒｏｒ」、ローカル生成誤差「Ｇｅｒｒｏｒ」、占有誤差「Ｏｅｒｒｏｒ」及び誤差パラメータを有しても良い。各パラメータは、他のパラメータの幾つか又は全部の有意性閾と独立であっても良い有意性閾（Ｘ）を有しても良い。
例えば、係数αは、ピーク時間におけるピーク負荷の変動Ｖｐｅａｋに基づいても良い。ピーク時間におけるピーク負荷の変動Ｖｐｅａｋの有意性閾は、電気を供給するＤＲシステムでは１０キロワット（ｋＷ）であっても良い。ピーク時間におけるピーク負荷の変動Ｖｐｅａｋが１０ｋＷより大きいとき、係数の値は、調整され又は決定されても良い。
有意性閾及び／又は係数の初期値は、問題となっているサイトと類似する他のサイトの分析を通じて決定されても良く、試行錯誤を通じて決定されても良く、及び／又は後述するサイト行動及び機械学習に基づき調整モジュール３２２により調整されても良い。
上述及び他の実施形態では、比較モジュール３１８は、パラメータと有意性閾との間の関係を決定しても良い。パラメータと有意性閾との間の関係に基づき、係数は決定され及び／又は調整されても良い。幾つかの実施形態では、１つの係数は、パラメータの各々について決定されても良い。追加又は代替で、１つの係数は、複数のパラメータについて決定されても良い。
重み付け係数決定モジュール３１６は、係数の重み付け係数を割り当てても良い。重み付け係数は、重み付け係数が割り当てられる係数の相対的重要性を反映する分数、小数、又はパーセンテージであっても良い。幾つかの実施形態では、ω１、ω２、ω３、ω４、ω５、ω６、ω７及びω８の和は１に等しくても良い。したがって、１つの係数に関連する重み付け係数が増大すると、少なくとも１つの他の係数に関連する重み付け係数は減少し得る。
有意性閾及び係数と同様に、重み付け係数は、問題となっているサイトと類似する他のサイトの分析を通じて最初に決定されても良く、試行錯誤を通じて決定されても良く、及び後述するサイト行動及び／又は機械学習に基づき調整モジュール３２２により調整されても良い。
さらに、幾つかの実施形態では、計算モジュール３２０は、サイトの需要フレキシビリティ又はその指標（ＤＦ）と歴史的行動に基づき、参加可能性を推定しても良い。例えば、計算モジュール３２０は、次の参加可能性推定式に基づきサイトの参加可能性を推定しても良い。
ＤＲ＝（Ｗ１ｘＣ）＋（Ｗ２ｘ（ＤＦ））
参加可能性推定式で、ＤＲは、推定参加可能性を表す。変数Ｗ１は、過去の重み付け係数を表す。変数Ｃは、サイトが参加した過去のＤＲイベントの一部分（以後、「一部分」）を表す。変数Ｗ２は、予測重み付け係数を表す。変数ＤＦは、需要フレキシビリティ又はその指標を表す。
重み付け係数決定モジュール３１６は、過去の重み付け係数（Ｗ１）と予測重み付け係数（Ｗ２）とを、それぞれ一部分（Ｃ）と需要フレキシビリティ（ＤＦ）とに割り当てても良い。過去の重み付け係数（Ｗ１）及び予測重み付け係数（Ｗ２）は、管理エンティティにより、問題となっているサイトと類似する他のサイトの分析を通じて選択されても良く、試行錯誤を通じて決定されても良く、及び／又は後述するサイト行動及び機械学習に基づき調整モジュール３２２により調整されても良い。
過去の重み付け係数（Ｗ１）及び予測重み付け係数（Ｗ２）は、一部分（Ｃ）の想定的重要性並びに需要フレキシビリティ及びその指標を反映する分数、小数、又はパーセンテージであっても良い。幾つかの実施形態では、過去の重み付け係数（Ｗ１）及び予測重み付け係数（Ｗ２）の和は、１に等しくても良い。したがって、予測重み付け係数（Ｗ２）が増大すると、過去の重み付け係数（Ｗ１）が減少し得る。
参加可能性推定式によると、参加可能性の推定は、各係数を、各係数に関連する重み付け係数で乗算することを含んでも良い。係数と関連する重み付け係数との積は、加算される。予測重み付け係数は、係数と関連する重み付け係数との積の和により乗算される。過去の重み付け係数は、過去のＤＲイベントの一部分により乗算される。推定参加可能性は、予測重み付け係数を係数及び関連する重み付け係数の積の和で乗算したものと、過去の重み付け係数を過去のＤＲイベントの一部分で乗算したものとの和であっても良い。
ＤＲイベントモジュール３１２は、来るＤＲイベント及び／又は過去のＤＲイベントに関連する情報を含み得るＤＲイベント情報３３０を受信するよう構成されても良い。ＤＲイベントに関連するＤＲイベント情報３３０の一部は、例えば、ＤＲイベントの報奨情報及び／又はＤＲ参加要件を有しても良い。報奨情報は、ＤＲイベントの順守に対して公共施設（例えば、図１の公共施設１０６）により提供される経済的又はリソースクレジットのような報奨を有しても良い。さらに、報奨情報は、非順守に対してサイトが受け得るペナルティ（例えば、経済的ペナルティ）を有しても良い。ＤＲ参加要件は、指定時間期間に渡る特定のリソース使用削減を有しても良い。例えば、ＤＲ参加要件は、２：００ＰＭから５：００ＰＭまでの間の１０キロワット削減を有しても良い。
さらに、ＤＲイベントモジュール３１２は、ＤＲイベントに関連する１又は複数の値を計算しても良い。幾つかの実施形態では、ＤＲイベントモジュール３１２は、生産性情報３２８を受信しても良い。ＤＲイベント情報３３０及び／又は生産性情報３２８から、ＤＲイベントモジュール３１２は、サイトが参加した過去のＤＲイベントの一部分、ＤＲイベントが生じるＤＲイベント日の生産性メトリック、及び最大ＤＲレベルを計算しても良い。過去のＤＲイベントの一部分は、分数又はパーセンテージとして計算されても良い。生産性メトリックは、ＤＲイベントに含まれるエネルギ使用削減に起因し得る経済的又は生産性損失の決定を有しても良い。例えば、平日の間の工場の内部の温度を増大すると、合計＄２５０００の生産性損失を生じ得る。最大ＤＲレベルは、通常、生産性メトリック及び／又は報奨情報に応じる実際的なエネルギ使用削減に関連し得る。
幾つかの実施形態では、ＤＲイベント日の生産性メトリックは、外部で計算され、ＤＲイベントモジュール３１２に伝達されても良い。上述及び他の実施形態では、生産性情報３２８は、生産性メトリック、及び／又はリソース使用削減がサイトの生産性に与える影響に関連する情報を含んでも良い。
追加又は代替で、幾つかの実施形態では、比較モジュール３１８は、最大ＤＲレベルが最小ＤＲ参加要件より小さいか否かを決定しても良い。最大ＤＲレベルが最小ＤＲ参加要件より小さいとき、参加可能性及び／又は需要フレキシビリティはゼロであっても良い。
追加又は代替で、比較モジュール３１８は、報奨情報内の報奨が生産性メトリックより低いか否かを決定しても良い。報奨が生産性メトリックより低いとき、参加可能性及び／又は需要フレキシビリティはゼロであっても良い。
非パラメータモジュールは、調整モジュール３２２を有しても良い。調整モジュール３２２は、重み付け係数、係数、及びサイトの有意性閾のうちの１又は複数を調整しても良い。調整は、パラメータ、その変化、サイトの行動（つまり、ＤＲイベントへの参加及び不参加）、及びサイトの行動とパラメータの変化との間の関係に基づいても良い。重み付け係数、係数、及びサイトの有意性閾の調整を通じて、重み付け係数、係数、及びサイトの有意性閾の各々の最適値が発見されても良い。
例えば、第１のＤＲイベントで、第１の係数は、第１の値（例えば、α＝５）に設定されても良い。第１の重み付け係数は、第１の係数に割り当てられても良い（例えば、ω１＝０．２）。サイトの第１のＤＲイベントへの推定参加可能性は、８０％であっても良い。しかしながら、サイトは、第１のＤＲイベントに参加しない。第２のＤＲイベントで、第１の係数は第２の値（例えば、α＝６）に変化しても良いが、他の係数及び第１の重み付け係数は同じままでも良い。サイトの第２のＤＲイベントへの推定参加可能性は、７５％であっても良い。サイトは、第２のＤＲイベントに参加しても良い。調整モジュール３２２は、第１の係数が不適切に重み付けされていること、及び／又は有意性閾が具適切に設定されていることを認識し得る。したがって、調整モジュール３２２は、第１の係数に関連する重み付け係数（例えば、ω１＝０．２５）及び／又は有意性閾を調整しても良い。幾つかの実施形態では、第１の重み付け係数が増大すると、他の係数の重み付け係数は相応して減少しても良い。第３のＤＲイベントがスケジューリングされると、サイトの推定参加可能性は、より正確に予測され得る。
幾つかの実施形態では、調整モジュールは、機械学習技術を有しても良い。重み付け係数、係数、及び有意性閾のうちの１又は複数の調整は、機械学習技術を用いて調整されても良い。例示的な機械学習技術は、ニューラルネットワーク又は別の適切な機械学習技術を有しても良い。
さらに、幾つかの実施形態では、調整モジュール３２２は、学習レートを有しても良い。学習レートは、調整モジュール３２２が調整を実行する間隔を有しても良い。学習レートは可変であっても良い。例えば、調整が行われるレートを増大するために、学習レートが増大されても良い。
図４は、本願明細書に記載した少なくとも１つの実施形態に従って構成された、サイトの需要フレキシビリティを推定する例示的な方法のフロー図である。方法４００は、公共施設１０６がサイト１０４に電気を供給する図１のＤＲシステム１００のようなＤＲシステム内で実行されても良い。公共施設１０６がサイト１０４に任意の他の適切なリソースを提供するＤＲシステムにおける需要フレキシビリティを推定するために同様の方法が実施されても良いことが、本開示の利点とともに理解される。
方法４００は、幾つかの実施形態では図３を参照して記載したシステム３４０、及び／又は図１及び２の公共施設１０６、ＤＲアグリゲータ１０８及びサイト１０４のうちの１又は複数によりプログラム制御可能に実行されても良い。幾つかの実施形態では、システム３４０は、コンピューティング装置に方法４００を実行させるコンピューティング装置により実行可能なプログラムコード又は命令を格納している非一時的コンピュータ可読媒体を含み又はそれに通信可能に結合されても良い（例えば、図３のメモリ３４４）。追加又は代替で、システム３４０は、コンピューティングシステムに方法４００を実行させるコンピュータ命令を実行するよう構成される上述のプロセッサ３４２を有しても良い。別個のブロックとして示したが、所望の実装に依存して、種々のブロックは、更なるブロックに分割され、少ないブロックに結合され、又は除去されても良い。
ブロック４０２で、サイトのエネルギ使用パラメータは、定量化されても良い。幾つかの実施形態では、パラメータは、歴史的負荷情報、負荷／周囲条件関係、期待負荷情報、実際サイト負荷、誤差パラメータ、それらの任意の組合せ、又は他の適切な情報のうちの１又は複数に基づいても良い。
歴史的負荷情報は、第１の所定時間期間中に取得される負荷データを用いて計算されても良い。幾つかの実施形態では、第１の所定時間期間は、ＤＲイベント日より前であっても良い。歴史的負荷情報は、例えば、ピーク負荷の変動を有しても良い。負荷／周囲条件関係は、過去の周囲条件データ及び負荷データに基づいても良い。幾つかの実施形態では、過去の周囲条件データ及び負荷データは、第１の所定時間期間中に取得されても良い。負荷／周囲条件関係は、追加又は代替で、第２の所定時間期間中に取得された周囲条件データ及び負荷データに基づいても良い。負荷／周囲条件関係は、例えば、歴史的サイト負荷情報と周囲条件との間の相関であっても良い。サイトの期待負荷は、ＤＲイベント日について予測された負荷を有しても良い。実際負荷は、第２の所定時間期間中に取得された負荷データに基づいても良い。幾つかの実施形態では、第２の所定時間期間は、ＤＲイベントの前の複数分又は時間であっても良い。
ブロック４０４で、係数が決定されても良い。各係数の値は、パラメータのうちの１つに基づいても良い。幾つかの実施形態では、係数の決定は、パラメータが有意性閾より大きいか否かを決定するために、パラメータのうちの１つをパラメータの有意性閾と比較することを含んでも良い。パラメータが有意性閾より大きいとき、係数の値は調整されても良い。
ブロック４０６で、各係数は、各係数に関連する重み付け係数により乗算されても良い。ブロック４０８で、係数と関連する重み付け係数との積は加算されても良い。ブロック４１０で、エネルギ使用削減を含むＤＲイベントについてのサイトの需要フレキシビリティが推定されても良い。需要フレキシビリティは、少なくとも部分的に、係数と関連する重み付け係数との積の和に基づいても良い。
当業者は、上述の及び本願明細書に開示した他の手順及び方法において、その処理及び方法で実行される機能が異なる順序で実施されても良いことを理解するだろう。さらに、概略のステップ及び動作は、単に例として提供され、幾つかのステップ及び動作は、開示の実施形態から逸脱することなく、任意であり、より少ないステップ及び動作に組み合わされ、又は追加ステップ及び動作に拡張されても良い。
例えば、方法４００は、サイトが参加した過去のＤＲイベントの一部分（以後、「一部分」）を計算すること、及び該一部分に過去の重み付け係数を割り当てることを含んでも良い。さらに、方法４００は、予測重み付け係数を、係数と関連する重み付け係数との積の和（以後「和」）に割り当てることを含んでも良い。幾つかの実施形態では、過去の重み付け係数は一部分により乗算されても良く、予測重み付け係数は和により乗算されても良い。一部分を乗算された過去の重み付け係数と、和を乗算された予測重み付け係数との積は、更に加算されても良い。サイトの参加可能性は、一部分を乗算された過去の重み付け係数と、和を乗算された予測重み付け係数との積に基づき推定されても良い。
追加又は代替で、方法４００は、１又は複数の係数に関連する重み付け係数のうちの１又は複数を調整し及び１又は複数の係数を調整すること、及びパラメータのうちの１又は複数の有意性閾又はその任意の組合せのついの１つを調整すること、を有しても良い。
追加又は代替で、方法４００は、ＤＲイベントが生じるＤＲイベント日の生産性メトリックを計算し及び／又は受信すること、及びＤＲイベントの報奨情報を得ることを含んでも良い。生産性メトリックは、報奨情報に含まれる報奨と比較されても良い。報奨が生産性メトリックより小さいとき、需要フレキシビリティはゼロであると決定されても良い。
追加又は代替で、方法４００は、ＤＲイベントの最小ＤＲ参加要件を得ることを含んでも良い。最大ＤＲレベルは、生産性メトリック及び報奨情報に基づき計算されても良い。最大ＤＲレベルは、最小ＤＲ参加要件と比較されても良い。最大ＤＲレベルが最小ＤＲ参加要件より小さいとき、需要フレキシビリティはゼロであると決定されても良い。
追加又は代替で、方法４００は、需要フレキシビリティに基づく参加可能性を推定することを含んでも良い。参加可能性に基づき、方法４００は、サイトが見込みＤＲ顧客であることを識別することを含んでも良い。
追加又は代替で、方法４００は、需要フレキシビリティに基づく参加可能性を推定することを含んでも良い。参加可能性に基づき、方法４００は、ＤＲイベントへのサイトの参加を予測することを含んでも良い。
幾つかの実施形態では、サイトの参加を予測することは、該サイトを含む複数のサイトのＤＲイベントへの平均参加可能性を計算することを含んでも良い。平均参加可能性は、サイトの推定需要フレキシビリティに基づいても良い。さらに、上述及び他の実施形態では、方法４００は、グループ参加重み付け係数を平均参加可能性に割り当てること、及びサイト参加重み付け係数をサイト参加可能性に割り当てることを含んでも良い。幾つかの実施形態では、グループ参加重み付け係数は、平均参加可能性で乗算されても良く、サイト参加重み付け係数は、参加可能性で乗算されても良い。平均参加可能性を乗算されたグループ参加重み付け係数と、参加可能性を乗算されたサイト参加重み付け係数とは、加算されても良い。サイトのＤＲイベントへの精密参加可能性は、平均参加可能性を乗算されたグループ参加重み付け係数と参加可能性を乗算された参加可能性重み付け係数との積の和に基づき推定されても良い。
追加又は代替で、方法４００は、需要フレキシビリティに基づき、ＤＲイベントに参加するか否かを決定することを含んでも良い。例えば、サイト管理者は、需要フレキシビリティに基づき、サイトがＤＲイベントに参加すべきであると決定しても良い。
本願明細書に記載した実施形態は、以下に更に詳細に議論するように、種々のコンピュータハードウェア又はソフトウェアモジュールを備えた特定用途又は汎用コンピュータの使用を含み得る。
本願明細書に記載した実施形態は、コンピュータにより実行可能な命令又はデータ構造を伝える又は格納しているコンピュータ可読媒体を用いて実施され得る。このようなコンピュータ可読媒体は、汎用又は特定目的コンピュータによりアクセスできる利用可能な媒体であり得る。例として且つ限定ではなく、このようなコンピュータ可読媒体は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、ＣＤ−ＲＯＭ又は他の光ディスク記憶装置、磁気ディスク記憶装置又は他の磁気記憶装置を含むコンピュータ可読記憶媒体、又はコンピュータにより実行可能な命令若しくはデータ構造の形式で所望のプログラムコード手段を伝える若しくは格納するために用いられ汎用若しくは特定目的コンピュータによりアクセス可能な他の媒体を有し得る。上述の組合せも、コンピュータ可読媒体の範囲に包含され得る。
コンピュータにより実行可能な命令は、例えば、汎用コンピュータ、特定目的コンピュータ又は特定目的処理装置に特定の機能又は機能グループを実行させる命令及びデータを有する。本発明の主題は構造的特徴及び／又は方法論的動作に特有の言葉で記載されたが、本発明の主題は、特許請求の範囲に定められる上述の特定の特徴又は動作に限定されないことが理解されるべきである。むしろ、上述の特定の特徴及び動作は、特許請求の範囲の実施の例示的携帯として開示されたものである。
本願明細書で用いられるように、用語「モジュール」又は「コンポーネント」は、コンピューティングシステムで実行されるソフトウェアオブジェクト又はルーチンを表し得る。本願明細書に記載されたのと異なるコンポーネント、モジュール、エンジン及びサービスは、（例えば、別個のスレッドとして）コンピューティングシステムで実行されるオブジェクト又は処理として実施されても良い。本願明細書に記載されたシステム及び方法はソフトウェアで実施されることが望ましいが、ハードウェアによる実装又はソフトウェアとハードウェアの組合せも、可能であり想定される。この説明では、「コンピュータエンティティ」は、本願明細書で先に定められたようにコンピューティングシステム、又はコンピューティングシステムで実行されるモジュール若しくはモジュールの組合せであっても良い。
本願明細書に記載された全ての例及び条件文は、教育上の目的で、読者が本発明の原理及び発明者により考案された概念を理解するのを助け、技術を促進させるためであり、これらの特に記載された例及び条件に限定されないものと考えられるべきである。本発明の実施形態が詳細に記載されたが、種々の変更、置換及び修正が本発明の精神及び範囲から逸脱することなく行われうることが理解されるべきである。
１０４ サイト
１０６ 公共施設
１０８ ＤＲアグリゲータ
２０２ アルゴリズムモジュール
２１０ データソース
３０２ パラメータ定量化モジュール
３０４ 歴史的負荷モジュール
３０６ 期待負荷モジュール
３０８ 負荷／周囲条件関係モジュール
３１０ 実際負荷モジュール
３１２ ＤＲイベントモジュール
３１４ 係数決定モジュール
３１６ 重み付け係数決定モジュール
３１８ 比較モジュール
３２０ 計算モジュール
３２２ 調整モジュール
３２４ 推定モジュール
３２６ データ
３２８ 生産性情報
３３０ ＤＲイベント情報
３３２ 周囲条件データ
３３４ 負荷データ
３３６ ローカル生成データ
３３８ 占有データ
３４０ システム
３４２ プロセッサ
３４４ メモリ
３４６ 通信インタフェース
３４８ 通信バス

Claims (20)

  1. サイトのエネルギ使用パラメータを定量化するステップと、
    係数を決定するステップであって、前記係数の各々の値は、前記エネルギ使用パラメータのうちの１つに基づく、ステップと、
    前記係数の各々を、前記係数の各々に関連する重み付け係数で乗算するステップと、
    前記係数と前記関連する重み付け係数との積を加算するステップと、
    前記係数と前記関連する重み付け係数との前記積の和に少なくとも部分的に基づき、エネルギ使用削減を含む需要反応（ＤＲ）イベントについて、前記サイトの需要フレキシビリティを推定するステップと、
    を有する方法。
  2. 前記サイトが参加した過去のＤＲイベントの一部分を計算するステップと、
    前記一部分に過去の重み付け係数を割り当てるステップと、
    前記係数と前記関連する重み付け係数との前記積の前記和に予測重み付け係数を割り当てるステップと、
    前記過去の重み付け係数に前記一部分を乗算し、前記予測重み付け係数に前記係数と前記関連する重み付け係数との前記積の前記和を乗算するステップと、
    前記一部分を乗算した前記過去の重み付け係数と、前記係数と前記関連する重み付け係数との前記積の前記和を乗算した前記予測重み付け係数との積の第２の和に基づき、参加可能性を更に推定するステップと、
    を更に有する請求項１に記載の方法。
  3. 前記係数のうちの１又は複数に関連する前記重み付け係数のうちの１又は複数、
    前記係数のうちの１又は複数、及び
    前記エネルギ使用パラメータのうちの１又は複数の有意性閾、
    のうちの１又は複数を調整するステップ、
    を更に有する請求項１に記載の方法。
  4. ＤＲイベントの報奨情報を得るステップと、
    前記報奨情報に含まれる報奨が、前記ＤＲイベントが生じるＤＲイベント日の生産性メトリックより低いか否かを決定するステップと、
    前記報奨が前記生産性メトリックより低いとき、前記参加可能性はゼロであると決定するステップと、
    を更に有する請求項１に記載の方法。
  5. 前記ＤＲイベントの最小ＤＲ参加要件を得るステップと、
    前記生産性メトリック及び前記報奨情報に基づき最大ＤＲレベルを計算するステップと、
    前記最大ＤＲレベルが前記最小ＤＲ参加要件より小さいか否かを決定するステップと、
    前記最大ＤＲレベルが前記最小ＤＲ参加要件より小さいとき、前記需要フレキシビリティはゼロであると決定するステップと、
    を更に有する請求項４に記載の方法。
  6. 前記エネルギ使用パラメータは、
    第１の所定時間期間中に取得された負荷データに基づく歴史的負荷情報、
    前記第１の所定時間期間中に取得された周囲条件データ及び前記第１の所定時間期間中に取得された前記負荷データに基づく負荷／周囲条件関係、
    第２の所定時間期間中に取得された周囲条件データ及び前記第２の所定時間期間中に取得された負荷データに基づく負荷／周囲条件関係、
    前記ＤＲイベント日における前記サイトの期待負荷情報、
    前記第２の所定時間期間中に取得された負荷データに基づく実際負荷情報、
    のうちの１又は複数に基づく、請求項１に記載の方法。
  7. 前記係数を決定するステップは、
    前記エネルギ使用パラメータのうちの前記１つが、該エネルギ使用パラメータの有意性閾より大きいか否かを決定するステップと、
    前記エネルギ使用パラメータが該エネルギ使用パラメータの前記有意性閾より大きいとき、前記エネルギ使用パラメータに基づき前記係数を調整するステップと、
    を有する、請求項１に記載の方法。
  8. 前記需要フレキシビリティに基づき前記サイトの参加可能性を更に推定するステップと、
    前記参加可能性に基づき、前記サイトが見込みＤＲ顧客であることを識別するステップと、
    を更に有する請求項１に記載の方法。
  9. 前記需要フレキシビリティに基づき前記サイトの参加可能性を更に推定するステップと、
    前記参加可能性に基づき、前記サイトの前記ＤＲイベントへの参加を予測するステップと、
    を更に有する請求項１に記載の方法。
  10. 前記予測するステップは、
    共通の特徴に基づき一緒にグループ化されたサイトの前記ＤＲイベントへの平均参加可能性を計算するステップであって、前記平均参加可能性は前記サイトの推定需要フレキシビリティに基づく、ステップと、
    前記平均参加可能性にグループ参加重み付け係数を割り当てるステップと、
    前記参加可能性にサイト参加重み付け係数を割り当てるステップと、
    前記グループ参加重み付け係数を乗算した前記平均参加可能性とサイト参加重み付け係数を乗算した前記参加可能性との積を加算するステップと、
    前記グループ参加重み付け係数を乗算した前記平均参加可能性とサイト参加重み付け係数を乗算した前記参加可能性との前記積の和に基づき、前記サイトの前記ＤＲイベントへの精密参加可能性を計算するステップと、
    を有する、請求項９に記載の方法。
  11. 前記需要フレキシビリティに基づき、ＤＲイベントに参加するか否かを決定するステップ、
    を更に有する請求項１に記載の方法。
  12. 動作を実行するためにプロセッサにより実行可能な符号化されたプログラムコードを有する非一時的コンピュータ可読媒体であって、前記動作は、
    サイトのエネルギ使用パラメータを定量化するステップと、
    係数を決定するステップであって、前記係数の各々の値は、前記エネルギ使用パラメータのうちの１つに基づく、ステップと、
    前記係数の各々を、前記係数の各々に関連する重み付け係数で乗算するステップと、
    前記係数と前記関連する重み付け係数との積を加算するステップと、
    前記係数と前記関連する重み付け係数との積に少なくとも部分的に基づき、エネルギ使用削減を含む需要反応（ＤＲ）イベントについて、前記サイトの需要フレキシビリティを推定するステップと、
    を有する、非一時的コンピュータ可読媒体。
  13. 前記動作は、
    前記サイトが参加した過去のＤＲイベントの一部分を計算するステップと、
    前記一部分に過去の重み付け係数を割り当てるステップと、
    前記係数と前記関連する重み付け係数との前記積の前記和に予測重み付け係数を割り当てるステップと、
    前記過去の重み付け係数に前記一部分を乗算し、前記予測重み付け係数に前記係数と前記関連する重み付け係数との前記積の前記和を乗算するステップと、
    前記一部分を乗算した前記過去の重み付け係数と、前記係数と前記関連する重み付け係数との前記積の前記和を乗算した前記予測重み付け係数との積の第２の和に基づき、参加可能性を更に推定するステップと、
    を更に有する、請求項１２に記載の非一時的コンピュータ可読媒体。
  14. 前記動作は、
    前記係数のうちの１又は複数に関連する前記重み付け係数のうちの１又は複数、
    前記係数のうちの１又は複数、及び
    前記エネルギ使用パラメータのうちの１又は複数の有意性閾、
    のうちの１又は複数を調整するステップ、
    を更に有する、請求項１２に記載の非一時的コンピュータ可読媒体。
  15. 前記動作は、
    前記ＤＲイベントが生じるＤＲイベント日の生産性メトリックを受信するステップと、
    前記ＤＲイベントの報奨情報及び前記ＤＲイベントの最小ＤＲ参加要件を得るステップと、
    前記生産性メトリック及び前記報奨情報に基づき、最大ＤＲレベルを計算するステップと、
    前記生産性メトリックが前記報奨情報に含まれる報奨より大きいか否か、及び前記最大ＤＲレベルが前記最小ＤＲ参加要件より小さいか否かを決定するステップと、
    前記最大ＤＲレベルが前記最小ＤＲ参加要件より小さいとき又は前記生産性メトリックが前記報奨より大きいとき、前記需要フレキシビリティはゼロであると決定するステップと、
    を更に有する、請求項１２に記載の非一時的コンピュータ可読媒体。
  16. 前記エネルギ使用パラメータは、
    第１の所定時間期間中に取得された負荷データに基づく歴史的負荷情報、
    前記第１の所定時間期間中に取得された周囲条件データ及び前記第１の所定時間期間中に取得された前記負荷データに基づく負荷／周囲条件関係、
    第２の所定時間期間中に取得された周囲条件データ及び前記第２の所定時間期間中に取得された負荷データに基づく負荷／周囲条件関係、
    前記ＤＲイベント日における前記サイトの期待負荷情報、
    前記第２の所定時間期間中に取得された負荷データに基づく実際負荷情報、
    のうちの１又は複数に基づく、請求項１２に記載の非一時的コンピュータ可読媒体。
  17. 前記動作は、
    前記需要フレキシビリティに基づき前記サイトの参加可能性を更に推定するステップと、
    前記参加可能性に基づき、前記サイトが見込みＤＲ顧客であることを識別するステップと、
    を更に有する、請求項１２に記載の非一時的コンピュータ可読媒体。
  18. 前記動作は、
    前記需要フレキシビリティに基づき前記サイトの参加可能性を更に推定するステップと、
    前記参加可能性に基づき、前記サイトの前記ＤＲイベントへの参加を予測するステップと、
    を更に有する、請求項１２に記載の非一時的コンピュータ可読媒体。
  19. 前記予測するステップは、
    共通の特徴に基づき一緒にグループ化されたサイトの前記ＤＲイベントへの平均参加可能性を計算するステップであって、前記平均参加可能性は前記サイトの推定需要フレキシビリティに基づく、ステップと、
    前記平均参加可能性にグループ参加重み付け係数を割り当てるステップと、
    前記参加可能性にサイト参加重み付け係数を割り当てるステップと、
    前記グループ参加重み付け係数を乗算した前記平均参加可能性とサイト参加重み付け係数を乗算した前記参加可能性との積を加算するステップと、
    前記グループ参加重み付け係数を乗算した前記平均参加可能性とサイト参加重み付け係数を乗算した前記参加可能性との前記積の和に基づき、前記サイトの前記ＤＲイベントへの精密参加可能性を計算するステップと、
    を有する、請求項１８に記載の非一時的コンピュータ可読媒体。
  20. 前記動作は、
    前記需要フレキシビリティに基づき、ＤＲイベントに参加するか否かを決定するステップ、
    を更に有する、請求項１２に記載の非一時的コンピュータ可読媒体。
JP2014161156A 2013-09-30 2014-08-07 需要フレキシビリティ推定 Active JP6327050B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/042,388 2013-09-30
US14/042,388 US20150095276A1 (en) 2013-09-30 2013-09-30 Demand flexibility estimation

Publications (2)

Publication Number Publication Date
JP2015069642A true JP2015069642A (ja) 2015-04-13
JP6327050B2 JP6327050B2 (ja) 2018-05-23

Family

ID=52741130

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014161156A Active JP6327050B2 (ja) 2013-09-30 2014-08-07 需要フレキシビリティ推定

Country Status (2)

Country Link
US (1) US20150095276A1 (ja)
JP (1) JP6327050B2 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010093345A1 (en) * 2009-02-11 2010-08-19 Accenture Global Services Gmbh Method and system for reducing feeder circuit loss using demand response
JP2012065407A (ja) * 2010-09-14 2012-03-29 Toshiba Corp 電力制御装置、電力制御システム及び方法
WO2013088229A2 (en) * 2011-12-15 2013-06-20 Restore Nv Automated demand response energy management system

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110231320A1 (en) * 2009-12-22 2011-09-22 Irving Gary W Energy management systems and methods
WO2012082173A1 (en) * 2010-12-17 2012-06-21 Abb Research Ltd. Systems and methods for predicting customer compliance with demand response requests
US9807099B2 (en) * 2013-03-15 2017-10-31 Google Inc. Utility portals for managing demand-response events
US20150019275A1 (en) * 2013-07-11 2015-01-15 Honeywell International Inc. Optimizing a selection of demand response resources

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010093345A1 (en) * 2009-02-11 2010-08-19 Accenture Global Services Gmbh Method and system for reducing feeder circuit loss using demand response
JP2012065407A (ja) * 2010-09-14 2012-03-29 Toshiba Corp 電力制御装置、電力制御システム及び方法
WO2013088229A2 (en) * 2011-12-15 2013-06-20 Restore Nv Automated demand response energy management system

Also Published As

Publication number Publication date
JP6327050B2 (ja) 2018-05-23
US20150095276A1 (en) 2015-04-02

Similar Documents

Publication Publication Date Title
JP6819197B2 (ja) 危機ピーク価格付けデマンドレスポンス参加者評価
EP2907211B1 (en) Method and system for distributing and/or controlling an energy flow taking into account constraints relating to the electricity network
US10115120B2 (en) Dynamic demand response event assessment
US20150213466A1 (en) Demand response aggregation optimization
US10152683B2 (en) Demand response event assessment
JP2020501491A (ja) 動的エネルギーストレージシステム制御のためのシステムおよび方法
US20160055507A1 (en) Forecasting market prices for management of grid-scale energy storage systems
Fan et al. Customer directrix load-based large-scale demand response for integrating renewable energy sources
US11068820B2 (en) Avoiding peak energy demand times by managing consumer energy consumption
Munir et al. Risk-aware energy scheduling for edge computing with microgrid: A multi-agent deep reinforcement learning approach
US20160077538A1 (en) Load forecasting for residential sector demand response
Babar et al. The evaluation of agile demand response: An applied methodology
CN107046505B (zh) 一种业务控制方法以及业务控制装置
Pedersen et al. Modeling and managing energy flexibility using flexoffers
US9870569B2 (en) Flexible energy use offers
Yu et al. An intelligent energy management system for large-scale charging of electric vehicles
Yang et al. Quantifying the benefits to consumers for demand response with a statistical elasticity model
Chen et al. EnergyQARE: QoS-aware data center participation in smart grid regulation service reserve provision
Hosking et al. Short‐term forecasting of the daily load curve for residential electricity usage in the Smart Grid
De Ridder et al. Applying an activity based model to explore the potential of electrical vehicles in the smart grid
Van den Bossche et al. Optimizing IaaS reserved contract procurement using load prediction
US10637240B2 (en) Energy curtailment event implementation based on uncertainty of demand flexibility
Walraven et al. Planning under uncertainty for aggregated electric vehicle charging with renewable energy supply
Islam et al. A carbon-aware incentive mechanism for greening colocation data centers
JP6327050B2 (ja) 需要フレキシビリティ推定

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20170511

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180123

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180226

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20180320

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20180402

R150 Certificate of patent or registration of utility model

Ref document number: 6327050

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150