JP2015122826A - 配電系統の負荷予測装置および配電系統の負荷予測方法 - Google Patents

Abstract

【課題】配電系統の任意の配電区間内の電力負荷を精度よく予測すること。
【解決手段】保有率モデル記憶部１１０は第１の住宅情報区分毎に負荷機器の機種別の保有率モデルを記憶する。稼働確率モデル記憶部１２０は第２の住宅情報区分毎に負荷機器の機種別かつ時刻別の稼働確率モデルを記憶する。消費電力モデル記憶部１３０は稼働中の負荷機器の１台当たりの消費電力モデルを機種別に記憶する。機器台数推定部２１０は、保有率モデルと第１の住宅情報区分毎の住宅数関連情報とに基づいて、第１の住宅情報区分毎に機種別台数を推定する。稼働台数予測部２２０は、機種別台数および稼働確率モデルを用いて稼働台数期待値を予測する。
【選択図】図１

Description

本発明は、配電系統の負荷予測装置、および配電系統の負荷予測方法に関し、特に、複数の配電区間がなす配電系統の負荷予測装置、および複数の配電区間がなす配電系統の負荷予測方法に関するものである。

近年、需要家の家電製品などの負荷機器に電力供給を行う配電系統について、当該配電系統の電力負荷を予測する電力負荷予測装置が提案されている。たとえば、特許文献１には、過去の電力負荷実績および気象情報に基づいて、所定の配電区間内の配電系統の電力負荷を予測する電力負荷予測装置が開示されている。特許文献２には、建物のエネルギー消費量の計測値とその建物の属性情報とを関連付けて記憶させる計測値データベースから、新建物におけるエネルギー消費量を推定することが開示されている。特許文献３には、過去の電力負荷実績と気象情報とから、気象情報に基づく人行動および機器稼動パターンとその発生確率とを求めて、電力負荷予測を行うことが開示されている。特許文献４には、住宅が備える機器のそれぞれについて、住宅または居住者に関する条件に応じて、消費電力量を推定するための基準データを補正することが開示されている。

特開２０１０−１９３６０５号公報 特開２０１１−１２８９３０号公報 特開２０１１−２３２９０３号公報 特開２０１３−３３４０１号公報

しかしながら、上記の電力負荷予測装置では、過去の負荷実績を計測した配電区間や需要家について将来の負荷を予測することはできても、それとは別の任意の配電区間や任意の需要家について負荷予測をすることができない。過去に計測した配電区間や需要家であっても、機器普及率および機器利用時刻を考慮した負荷予測を行うことができず、その結果として、電気料金プラン変更などによる機器利用時刻の変更や省エネ機器の普及拡大に伴う将来の負荷の変化を予測できない。

また、配電区間内の機器台数や機器稼働率は配電区間内に含まれる需要家の属性に依存するが、配電区間内の需要家の属性の割合や偏りを考慮した負荷予測を行うことができない。

さらに、上記の電力負荷予測装置を用いて配電区間の電力負荷を予測するためには、配電区間内に含まれる各需要家の保有する設備・機器などの詳細な情報を個々の需要家毎に入手する必要があるが、配電区間の電力負荷を予測したい電力会社などではそのような需要家の詳細な情報を入手することは困難である。このため、配電区間に属する各需要家の負荷を１軒１軒予測して合計することにより配電区間全体の負荷を予測する、という方法は困難である。

具体的には、特許文献１では、過去の負荷実績として機種別に負荷が計測されるものではない。そのため、気象情報による負荷の変化は予測可能であっても、各機種の普及率の変化および各機種の性能の変化に伴う負荷の変化を予測できない。

特許文献２では、類似の建物属性の過去実績から新規に建築する建物の消費電力量を予測しているが、建物全体の消費電力量の予測であり、機器種別毎の電力消費電力予測は行うことができない。また、推定処理において、機器の稼働確率や機器種別毎の消費電力などを分けたモデルを利用していないため、将来的に稼働確率・消費電力が個別に変化した場合などの長期的な予測が行えない。さらに、建物の属性の類似性の判断として、エネルギー消費量に与える影響が大きな因子のみを選択して比較する記載があるが、どの因子が大きな影響を与えているかは必ずしも自明ではない。もし影響の小さい因子を間違って選択してしまうと、類似する過去実績を用いることができないため、予測精度が低下する。

特許文献３では、過去実績と気象情報とに基づき、需要家単位で機器稼働パターンや人の行動パターン（在・不在）の分析を行い、パターンとその確率とをモデル化している。このパターンは、過去実績を計測した需要家特有のものであり、需要家一般へのモデル化がなされたものではない。このため任意の需要家のパターンを推定することは不可能である。また、特許文献３には、計測需要家とは別の需要家について負荷予測を行う場合に、建物の設備情報（家族構成や保有機器の種類・延べ床面積など）が類似する計測需要家の過去実績を検索し、当該検索された過去実績に基づいて別の需要家の負荷を予測するという方法も記載されている。類似の需要家を検索する際には、特許文献２と同様に、各需要家の個々の設備情報の詳細が必要である。しかしながら、負荷予測を行う配電区間内の個々の需要家全ての設備情報の詳細を入手するのは困難である。

特許文献４の技術は、個別の住宅のエネルギー消費量を予測することを目的としたものであって、多くの住宅に対して電力を供給する配電系統の電力負荷を予測することができるものではない。

本発明は、上記のような問題点を鑑みてなされたものであり、配電系統の任意の配電区間内の電力負荷を精度よく予測することが可能な技術を提供することを目的とする。

本発明の配電系統の負荷予測装置は、複数の配電区間を有し負荷機器に電力供給を行う配電系統の電力負荷を予測するものである。配電系統の負荷予測装置は、保有率モデル記憶部と、稼働確率モデル記憶部と、消費電力モデル記憶部と、機器台数推定部と、稼働台数予測部と、消費電力推定部と、負荷合計部とを有する。保有率モデル記憶部は配電区間別に第１の住宅情報区分毎に負荷機器の機種別の保有率モデルを記憶する。稼働確率モデル記憶部は配電区間別に第２の住宅情報区分毎に負荷機器の機種別かつ時刻別の稼働確率モデルを記憶する。消費電力モデル記憶部は稼働中の負荷機器の１台当たりの消費電力モデルを機種別に記憶する。機器台数推定部は、保有率モデル記憶部に第１の住宅情報区分毎に記憶された保有率モデルと、一の配電区間に関する第１の住宅情報区分毎の住宅数関連情報と、に基づいて、一の配電区間に関して第１の住宅情報区分毎に機種別台数を推定する。稼働台数予測部は、機器台数推定部によって第１の住宅情報区分毎に推定された機種別台数と、稼働確率モデル記憶部に第２の住宅情報区分毎に記憶された稼働確率モデルと、を用いて、機種別かつ時刻別の稼働台数期待値を予測する。消費電力推定部は、稼働台数予測部によって予測された機種別かつ時刻別の稼働台数期待値と、消費電力モデル記憶部に機種別に記憶された１台当たりの消費電力モデルと、に基づいて、機種別かつ時刻別の消費電力期待値を推定する。負荷合計部は、消費電力推定部によって推定された機種別かつ時刻別の消費電力期待値を時刻別に合計することによって、時刻別の電力負荷を計算する。

本発明の配電系統の負荷予測方法は、複数の配電区間を有し負荷機器に電力供給を行う配電系統の電力負荷を予測するものであって、次のステップを有する。保有率モデル記憶部に配電区間別に第１の住宅情報区分毎に記憶された負荷機器の機種別の保有率モデルと、一の配電区間に関する第１の住宅情報区分毎の住宅数関連情報と、に基づいて、機器台数推定部が一の配電区間に関して第１の住宅情報区分毎に機種別台数を推定する。機器台数推定部によって第１の住宅情報区分毎に推定された機種別台数と、稼働確率モデル記憶部に配電区間別に第２の住宅情報区分毎に記憶された稼働確率モデルと、に基づいて、稼働台数予測部が機種別かつ時刻別の稼働台数期待値を予測する。稼働台数予測部によって予測された機種別かつ時刻別の稼働台数期待値と、消費電力モデル記憶部に機種別に記憶された、稼働中の負荷機器の１台当たりの消費電力モデルと、に基づいて、消費電力推定部が機種別かつ時刻別の消費電力期待値を推定する。消費電力推定部によって推定された機種別かつ時刻別の消費電力期待値を時刻別に合計することによって、負荷合計部が時刻別の電力負荷を計算する。

なお上記における「第１の住宅情報区分」および「第２の住宅情報区分」は共通の区分であってもよい。

本発明によれば、配電系統の負荷機器の総消費電力が、任意の配電区間について負荷機器の機種および住宅情報区分への依存性を考慮しつつ予測される。これにより配電系統の任意の配電区間内の電力負荷を精度よく予測することができる。

本発明の実施の形態１における負荷予測装置の構成を概略的に示すブロック図である。 図１の保有率モデル記憶部に記憶されるモデルの一例を示す図である。 図１の保有率モデル記憶部に記憶されるモデルの一例を示すグラフ図である。 図１の稼働確率モデル記憶部に記憶されるモデルの一例を示すグラフ図である。 図４の稼働確率の時刻ｔ₁における稼働確率分布の一例を示すグラフ図である。 図１の稼働確率モデル記憶部に記憶されるモデルに適用される補正関数の一例を示すグラフ図である。 エアコンの暖房利用の利用率のアンケート調査結果の一例を示すグラフ図である。 図１の稼働確率モデル記憶部に記憶されるモデルの一例を示すグラフ図である。 図１の消費電力モデル記憶部に記憶されるモデルの一例を示すグラフ図である。 図１の消費電力モデル記憶部に記憶される、気温をパラメータとして用いたモデルの一例を示すグラフ図である。 図１の消費電力推定部において行われる計算結果の一例を示すグラフ図である。 図１の負荷合計部において行われる計算結果の一例を示すグラフ図である。 図１の負荷合計部において行われる計算結果の一例を示すグラフ図である。 本発明の実施の形態１における負荷予測方法の構成を概略的に示すフロー図である。 本発明の実施の形態２における負荷予測装置の構成を概略的に示すブロック図である。 本発明の実施の形態２における負荷予測方法の構成を概略的に示すフロー図である。 本発明の実施の形態３における負荷予測装置の構成を概略的に示すブロック図である。 本発明の実施の形態４における負荷予測装置の構成を概略的に示すブロック図である。 本発明の実施の形態４の変形例における負荷予測システムの構成を概略的に示すブロック図である。

以下、図面に基づいて本発明の実施の形態について説明する。なお、以下の図面において同一または相当する部分には同一の参照番号を付しその説明は繰返さない。

＜実施の形態１＞
（全体構成について）
図１は、本実施の形態における負荷予測装置９０１の構成を概略的に示す。負荷予測装置９０１は、複数の配電区間を有し負荷機器に電力供給を行う配電系統の電力負荷を予測するものである。電力負荷の予測は、後述するように、配電系統のおける任意の配電区間に対して可能である。電力供給が行われる負荷機器は、たとえば、ＩＨ(Induction Heating)クッキングヒータ、食器洗い機、給湯機、リビングコンセント、エアコンなどである。なお以下において、これら各機種を「機種ｎ」と総称することもあり、また数式において「ｎ」で表すことがある。また、任意の同一配電区間から電力供給を受ける負荷機器を「同一配電区間機器」と呼ぶことがある。

負荷予測装置９０１は、情報記憶部１０１と、制御部２０１と、入力部３００と、出力部４００とを有する。情報記憶部１０１は、保有率モデル記憶部１１０と、稼働確率モデル記憶部１２０と、消費電力モデル記憶部１３０と、住宅数関連情報記憶部１７０とを有する。制御部２０１は、機器台数推定部２１０と、稼働台数予測部２２０と、消費電力推定部２３０と、負荷合計部２４０とを有する。

情報記憶部１０１は、たとえば、ＲＡＭ、ＲＯＭおよびハードディスクの少なくともいずれかから構成されている。制御部２０１は、たとえば、ＣＰＵなどから構成されている。入力部３００は、たとえば、キーボードなどから構成されている。出力部４００は、たとえば、ディスプレイなどから構成されている。このようなハードウェア構成は、他の実施の形態においても同様である。

（住宅数関連情報記憶部１７０について）
住宅数関連情報記憶部１７０は、予測の対象となる配電区間内の住宅情報区分毎の住宅数関連情報を記憶するためのものである。この情報は、負荷予測装置９０１が使用される際に情報記憶部１０１に格納されてもよく、あるいは情報記憶部１０１にあらかじめ記憶されていてもよい。前者の場合、情報は入力部３００によって受け付けられてもよく、たとえば、ユーザにより手入力されてもよい。後者の場合には、情報が複数の配電区間について記憶されていてもよい。この場合、負荷予測装置９０１が使用される際に、予測の対象となる配電区間の指定が入力部３００によって受け付けられてもよい。

配電区間内の住宅情報区分毎の住宅数関連情報とは、典型的には、住宅情報区分毎の住宅数の情報、または、全住宅数およびその住宅情報区分毎の割合の情報である。この情報は、アンケート、市の人口比率や全国消費実態調査などの統計調査、または配電の営業情報などを元に、ユーザによって入力部３００を用いて手入力されてもよいし、配電営業システムなどの他システムと連携して自動で入力されてもよい。また、現時点での値またはその予測値の代わりに、将来の想定値やニュータウン建設前の想定値などが入力されてもよい。この場合、長期的なシミュレーションやニュータウン建設前の予測が可能となる。なお「住宅情報区分」については後述する。

（保有率モデル記憶部１１０について）
図２を参照して、保有率モデル記憶部１１０は、配電区間別（たとえば配電区間Ａ〜Ｃの各々）に住宅情報区分ｋ（第１の住宅情報区分）毎に負荷機器の機種ｎ別の保有率モデルを記憶するものである。「住宅情報区分」とは、それによって配電区間内の住宅を分類することができるものである。１組の住宅情報区分（たとえば住宅情報区分ｋ）は、それによって特定の配電区間（たとえば配電区間Ａ）内の全住宅が分類される際に、各住宅が該当する区分がちょうど１つ存在するように構成される。

図２に示す例では、住宅情報区分ｋとして、地域、戸建住宅か集合住宅か、電力契約種別、および築年数が示されている。たとえば、住宅情報区分ｋ＝「戸建」かつ「オール電化」、「戸建」かつ「従来電灯Ａ」、「集合」かつ「オール電化」、・・・のような区分が可能である。「地域」の欄は、より細分化されてもよく、たとえば変電所単位などで表されてもよい。「電力契約」の欄は、電力会社と住宅との間の契約の種別を表し、たとえば、「従来電灯Ａ」、「時間帯別」、「オール電化」などがある。

なお、保有率モデルは、図２に示すような表に限ったものではなく、たとえば、図３のように保有率と住宅情報区分（図３では築年数）とが対応付けられた関数（式）が適用されてもよい。また、保有率モデルに適用される関数（式）や表は、全国消費実態調査などやアンケート調査などを元にユーザにより手入力されて上述の保有率モデル記憶部１１０に記憶されたものであってもよいし、他システムが自動生成するものであってもよい。

保有率モデル記憶部１１０により、住宅情報区分ｋ毎の機種ｎの保有率を表すことが可能となる。太陽光発電、給湯器、暖房機器（エアコン・蓄熱式暖房器具・床暖房）、および調理機器などの機種ｎ別の保有率は、戸建住宅か集合住宅か、オール電化住宅か否か、寒い地域か温かい地域か、といった住宅情報区分との相関が大きい。保有率モデル記憶部１１０が保有率モデルを住宅情報区分ｋ毎に記憶することで、配電区間内の保有率を適切に表すことが可能となる。

なお住宅数関連情報と同様に保有率モデルについても、現時点でのモデルの代わりに、将来想定されるモデルが用いられてもよい。この場合、たとえば、新たな機器が普及した時の電力負荷の予測シミュレーションを行うことが可能である。

（機器台数推定部２１０について）
機器台数推定部２１０は、保有率モデル記憶部１１０に機種ｎ別かつ住宅情報区分ｋ毎に記憶された保有率モデルと、一の配電区間（たとえば図２の配電区間Ａ）に関する住宅情報区分ｋ毎の住宅数関連情報と、に基づいて、一の配電区間に関して住宅情報区分ｋ毎に機種別台数を推定するものである。具体的には、機器台数推定部２１０（図１）は、配電区間内の住宅情報区分ｋ毎の住宅数関連情報記憶部１７０に記憶される住宅数関連情報と、機種ｎ別に住宅情報区分ｋ毎に保有率モデル記憶部１１０に記憶された保有率モデルとに基づいて、同一配電区間機器について、機種ｎ別かつ住宅情報区分ｋ別の機器台数Ｎ_{n, k}を計算する。

Ｎ_{n, k} ＝ 配電区間Ａにおける住宅情報区分ｋの住宅数
× 住宅情報区分ｋでの機種ｎの保有率

たとえば、ｋ＝「従来電灯Ａ」かつｎ＝「太陽光発電機器」とした場合の機器台数Ｎ_{n, k}は、住宅数関連情報が住宅情報区分毎の住宅数の情報を有する場合は、次式で算出され得る。

配電区間Ａの「従来電灯Ａ」契約の住宅数×「従来電灯Ａ」契約の太陽光発電保有率

また住宅数関連情報が住宅情報区分毎の住宅割合の情報を有する場合は、次式で算出され得る。

配電区間Ａの全住宅数×「従来電灯Ａ」契約の住宅が配電区間Ａ内に占める割合×「従来電灯Ａ」契約の太陽光発電保有率

（稼働確率モデル記憶部１２０について）
稼働確率モデル記憶部１２０（図１）は配電区間別に住宅情報区分ｋ（第１の住宅情報区分と共通の第２の住宅情報区分）毎に負荷機器の機種別かつ時刻別の稼働確率モデルを記憶するものである。稼働確率モデルは、負荷機器の稼働確率（稼動割合）を示すモデルである。

図４は、稼働確率モデル記憶部１２０に記憶される稼働確率モデルの例を示す。この例では稼働確率モデルとして、住宅情報区分ｋ別に機種ｎが、時刻ｔのときに起動（稼動）している確率（割合）（％）を示す確率式である関数ｆ_{n, k}（ｔ）が適用されている。関数ｆ_{n, k}（ｔ）には、たとえばｍ次式などの近似式が用いられる。

なお、稼働確率モデル記憶部１２０には、図４に示すような関数（式）に限ったものではなく、たとえば、稼働確率（稼動割合）と時刻とが対応付けられた表（図示しない）が適用されてもよい。また、稼働確率モデル記憶部１２０に適用される関数（式）や表は、ユーザにより手入力されて上述の記憶部に記憶されたものであってもよいし、他システムが自動生成するものであってもよい。

以上のような稼働確率モデル記憶部１２０により、ＩＨクッキングヒータや食器洗い機の稼働確率のように、生活パターンによって異なる負荷機器の稼働確率（稼動割合）を、機種別および時刻別に表現することが可能となる。そして、平日昼間に稼働されないことが多い場合には稼働確率モデル記憶部１２０の昼間の稼働確率を下げる、あるいは、料金プラン設定やタイマー付き機器（食器洗い機）の普及が高くなった場合にはその稼働確率モデルの稼働確率のピークを夜中にシフトさせるなど、機種別および時刻別の稼働確率を適宜変更するシミュレーションを実施することが可能となる。

なお、モデルの変更および入力の少なくともいずれかにはグラフィカルユーザインターフェース（ＧＵＩ）が用いられてもよい。たとえば、現在入力されている関数（式）や表の内容が出力部４００にグラフで表示され、入力部３００のマウスが受け付けるユーザのドラッグアンドドロップ操作などで稼働確率が部分的に変更されてもよい。その際、特定の１つの時間を選択して数値を移動させた場合に、グラフの滑らかさが保たれるように、時間的に近い周囲の数値が自動で調整されるような補間がなされてもよい。補間は、グラフの凸および凹を利用することで、グラフが凹凸単位で滑らかに変化するようになされてもよい。たとえば、時刻ｔ₁の点を選択し、数値を少し下げた場合、山の頂点(ｔ₁,ｆ_{n, k}(ｔ₁))のみの数値が下がることで山の頂点に凹みができるのではなく、ｆ１_{n, k}(ｔ)のように(ｔ₁,ｆ_{n, k}(ｔ₁))を頂点とする山の高さが全体的になだらかに下がる。また、夕方の時間帯の山の頂点であるピーク時刻を選択し、遅い時間にシフトした例をｆ２_{n, k}(ｔ)に示す。グラフの上方に凸である頂点を選択して操作するだけでなく、グラフの下方に凸部分の頂点を選択して操作してもよい。また、グラフ全体や部分を指定して、上下に並行移動させたり、各時刻で元の値からｘ％増加・減少させたりするなどの操作をしてもよく、上方または下方に凸の頂点の増減をさせてもよい。その際、１００％を超える変形がなされた場合には１００％以下になるように、０％を下回る変形がなされた場合には０％以上となるような補正が行われる。以上、マウスのドラッグアンドドロップ操作によりグラフの凸または凹グラフを変更することで稼働確率モデルを変更する例を示したが、マウスのドラッグアンドドロップ操作ではなく、変更したいグラフの部分を選択（選択の際、自動でグラフを凹凸で領域分割し、選択できるようにしてもよい）し、頂点の追加（頂点時刻と値を指定）や、ピーク値の変更（ピーク値を指定）、ピーク時刻の変更（時刻を指定）、上下に並行移動させる（並行移動値を指定）、各時刻で元の値からｘ％増加・減少させる、などのメニューを選択してもよい。ＧＵＩにより、直感的に容易に確率モデルを変更することができる。特に、グラフの凸または凹部分を考慮した変形を行うことで、ピークを考慮したシミュレーションが容易となる。

図４における稼働確率モデルは各時刻における機種ｎが稼働している確率の平均値であるが、稼働確率モデルは、平均値のような時刻毎に単一の値ではなく、確率分布を有するものであってもよい。図５は、機種ｎの時刻ｔ₁における起動確率ｆ_{n, k}（ｔ₁）の確率分布が標準偏差σ_nの正規分布である例を示している。稼働確率モデル記憶部１２０が稼働確率モデルをこのような確率分布で持つことにより、たとえば２×σ_nを誤差（所定誤差）として見積もって、稼働確率を平均値からその誤差（２×σ_n）だけ増加方向に変更するといったことが可能となる（図４の２点鎖線のグラフｆ_{n, k}（ｔ）＋２σｎを参照）。所定誤差は入力部３００によってユーザから受け付けられてもよい。

なお、以上の説明では、稼働確率の誤差（所定誤差）は２×σ_nであり、機種ｎ毎に設定されるものの、時刻に関しては一定であった。しかし、起動確率の誤差（所定誤差）は、これに限ったものではなく、たとえばσ_n（ｔ）のように時刻ｔおよび機種ｎ毎に設定されてもよい。また、機種ｎの起動確率の誤差（所定誤差）は、増加方向の誤差（たとえば標準偏差σ_n+）と減少方向の誤差（たとえば標準偏差σ_n-）とに分けて設定されてもよい。さらに、機種ｎの起動確率の誤差（所定誤差）は、関数（式）の形式であってもよいし、表の形式であってもよい。また、誤差（所定誤差）に適用される関数（式）や表は、ユーザにより手入力されて上述の記憶部に記憶されたものであってもよいし、他システムが自動生成するものであってもよい。

稼働確率モデル記憶部１２０に記憶される稼働確率モデルは気温や季節毎に異なるモデルを記憶してもよい。具体的には、稼働確率モデル記憶部１２０にさらに補正モデルが記憶されてもよい。たとえば、図６に示すような、気温Ｔをパラメータとする補正比率を示す補正関数Ｃ１_ｎ（Ｔ）を図４の稼働確率ｆ_{n, k}(ｔ)に乗じることにより、稼働確率モデルが補正される。すなわち、稼働確率ｆ_{n, k}（ｔ，Ｔ）が、次式のように求められる。

ｆ_{n, k}（ｔ，Ｔ） ＝ ｆ_{n, k}（ｔ） × Ｃ１_ｎ（Ｔ）
ただしｆ_{n, k}（ｔ，Ｔ）＞１００％のときはｆ_{n, k}（ｔ，Ｔ）＝１００％とみなす。以下においても同様である。

なおここでは、補正関数の一例として、乗算によって稼働確率モデル（関数ｆ_{n, k}（ｔ））を補正する補正関数Ｃ１_ｎ（Ｔ）を説明したが、補正関数はこれに限ったものではない。次式に示すように、加算によって起動確率モデル（関数ｆ_{n, k}（ｔ））を補正する補正関数Ｃ２_ｎ（Ｔ）が適用されてもよい。

ｆ_{n, k}（ｔ，Ｔ） ＝ ｆ_{n, k}（ｔ） ＋ Ｃ２_ｎ（Ｔ）
ただしｆ_{n, k}（ｔ，Ｔ）＜０％のときはｆ_{n, k}（ｔ，Ｔ）＝０％とみなす。以下においても同様である。

また、以上では、補正関数として、気温Ｔをパラメータとする関数Ｃ１_ｎ（Ｔ）またはＣ２_ｎ（Ｔ）を適用する構成について説明したが、補正関数はこれに限ったものではない。たとえば、さらに時刻ｔへの依存性を有する補正関数Ｃ１_ｎ（ｔ，Ｔ）またはＣ２_ｎ（ｔ，Ｔ）が適用されてもよい。

ｆ_{n, k}（ｔ，Ｔ） ＝ ｆ_{n, k}（ｔ） × Ｃ１_ｎ（ｔ，Ｔ）
ｆ_{n, k}（ｔ，Ｔ） ＝ ｆ_{n, k}（ｔ） ＋ Ｃ２_ｎ（ｔ，Ｔ）

また、稼働確率モデルおよび補正関数は、上述したように関数（式）によって規定されるものに限定されるわけではない。たとえば、稼働確率モデルとして、稼働確率と時刻とが対応付けられた表が適用されてもよく、また、補正値と気温とが対応付けられた表（あるいは補正値と気温と時刻とが対応付けられた表）が適応されてもよい。また、稼働確率モデルを稼働確率と補正関数とで表してもよいし、起動確率および補正関数の関数や表を計算・展開してｆ_{n, k}（ｔ，Ｔ）の形式で表してもよい。

また、補正モデルに適用される関数や表は、ユーザにより手入力されて上述の記憶部に記憶されたものであってもよいし、他システムが自動生成するものであってもよい。

上記のように、機種ｎ別の稼働確率モデルが住宅情報区分ｋ毎に記憶されることで、稼働確率のより精確なモデル化が可能となる。このような例について、以下に説明する。

たとえば、暖房機器の稼働確率は東北・関東などの地域、オール電化住宅か否かなどにより、大きく異なっている。図７は、暖房利用のエアコン利用率のアンケート調査結果である。寒い地域では、蓄熱式暖房器具や石油ファンヒータなどを暖房機器として主に利用するため、エアコンの稼働確率は温かい地域に比べて低い。また、オール電化住宅では、オール電化でない住宅に比べて、暖房機器としてエアコンを利用する割合が高いため、エアコンの稼働確率が高くなる傾向がある。このような傾向は、稼働確率モデル記憶部１２０が、地域や、オール電化住宅か否かという住宅情報区分毎に稼働確率モデルを記憶することにより、適切に扱われ得る。

また、シニア世代（定年退職者など）を含む家族構成では、シニア世代を含まない家族構成に比べて、平日昼間の在宅率が高い。平日昼間の在宅率が高い住宅では、平日昼間の機器稼働率が高い傾向がある。そこで、図８に示すＩＨクッキングヒータの稼働確率モデルの関数は、住宅情報区分としてシニア世帯か否かを用いつつ、時刻ｔのパラメータだけでなく平日（月〜金）かまたは休日（土・日・祝）かのパラメータも有する。

（消費電力モデル記憶部１３０について）
消費電力モデル記憶部１３０（図１）は稼働中の負荷機器の１台当たりの消費電力モデルを機種別に記憶するものである。

図９は、消費電力モデル記憶部１３０が記憶する機器電力特性モデルの例を示す。機器電力特性モデルは、１台の負荷機器が起動中（稼動中）に消費する消費電力を機種別に示すモデルである。この例では、消費電力モデルとして、１台の機種ｎが起動中（稼動中）に消費する消費電力の確率分布が、平均Ｐ_n、標準偏差σ_nの正規規分布である例を示している。

なお、消費電力モデルは、正規分布に限ったものではなく、他の確率分布であってもよく、たとえばｍ次式などの近似式であってもよい。また、図９に示すような関数（式）に限ったものではなく、たとえば、平均消費電力や最大・最小値、第1四分位点、第３四分位点など（たとえば算術平均、中央値、最頻値など）と時刻とが対応付けられた表（図示しない）が適用されてもよい。また、消費電力モデルに適用される関数（式）や表は、ユーザにより手入力されて記憶されたものであってもよいし、他システムが自動生成するものであってもよい。

以上のような機器電力特性モデルにより、ＩＨクッキングヒータや食器洗い機などの機種ｎによって異なる消費電力特性を表現することが可能となる。そして、将来、省エネ機器が開発され、機種ｎの消費電力が変化する場合には、機器電力特性モデルの機種ｎの消費電力を変化させるなど、機種別の平均消費電力を適宜変更するミュレーションを実施することが可能となる。

消費電力モデル記憶部１３０で記憶される機器電力特性モデルは、気温や季節毎に異なるモデルでもよい。図１０は、機種ｎの平均消費電力Ｐ_nを、気温Ｔをパラメータとした関数Ｐ_n（Ｔ）で表す消費電力モデルの例を示す。図１０に示すような消費電力モデルは、たとえば、図９に示した関数（式）に、気温Ｔの関数を乗算または加算することにより得られる。

なお、消費電力モデルは、図１０に示すような関数（式）に限ったものではなく、たとえば、機種ｎの１台の平均消費電力と気温Ｔとが対応付けられた表（図示しない）が適用されてもよい。また、消費電力モデルに適用される関数（式）や表は、ユーザにより手入力されて上述の記憶部に記憶されたものであってもよいし、他システムが自動生成するものであってもよい。

消費電力モデル記憶部１３０に記憶される消費電力モデルを用いると、機種ｎの消費電力の平均値Ｐ_nを得ることが可能である。また、たとえばσ_nを誤差（所定誤差）として見積もって、消費電力モデルの平均消費電力Ｐ_nの代わりに、（Ｐ_n＋σ_n）を用いることも可能であるし、最大値や第1四分位点を用いることも可能となる。

なお、以上の説明では、消費電力の誤差（所定誤差）はσ_nであり、機種ｎ毎に設定されるものの、気温に関して一定であった。しかし、消費電力の誤差（所定誤差）は、これに限ったものではなく、たとえばσ_n（Ｔ）のように気温Ｔおよび機種ｎ毎に設定されてもよい。図１０に、消費電力モデルの平均消費電力Ｐ_nを実線で示すとともに、それを誤差（σ_n（Ｔ））だけ増加方向に変更したものを破線で示す。

また、機種ｎの消費電力Ｐ_nの誤差（所定誤差）は、増加方向の誤差（たとえば標準偏差σ_n+）と減少方向の誤差（たとえば標準偏差σ_n-）とに分けて設定されてもよい。さらに、機種ｎの消費電力Ｐ_nの誤差（所定誤差）は、関数（式）の形式であってもよいし、表の形式であってもよい。また、誤差（所定誤差）に適用される関数（式）や表は、ユーザにより手入力されて上述の記憶部に記憶されたものであってもよいし、機種別および気温別に計測された稼動電力の計測データに基づいて上述の制御部が自動生成するものであってもよい。

（稼働台数予測部２２０について）
稼働台数予測部２２０（図１）は、機器台数推定部２１０によって住宅情報区分（第１の情報区分）毎に推定された機種別台数と、稼働確率モデル記憶部１２０に住宅情報区分（第１の情報区分と共通の第２の住宅情報区分）毎に記憶された稼働確率モデルと、を用いて、機種別かつ時刻別の稼働台数期待値を予測する。具体的には、稼働台数予測部２２０は機種別台数と稼働確率モデルとの共通の住宅情報区分毎の積を積算する。この処理について、以下に説明する。

稼働台数予測部２２０は、稼働確率モデル記憶部１２０に機種ｎ別かつ住宅情報区分ｋ別に記憶された稼働確率モデル（ｆ_{n, k}（ｔ））に、上述した機器台数推定部２１０（図１）で推定した、同一配電区間機器の住宅情報区分ｋ別・機種ｎ別の機器台数Ｎ_{n, k}を乗じ、さらに住宅情報区分ｋについて積算することにより、同一配電区間機器の機種別および時刻別の起動台数の期待値ｇ_n（ｔ）を計算するものである。たとえば、稼働台数予測部２２０は、次式により、同一配電区間機器の時刻ｔおよび機種ｎ毎の起動台数の期待値ｇ_n（ｔ）を計算する。

なお後述する実施の形態２と異なり本実施の形態においては、機器台数推定部２１０で機器台数を推定する際に用いる保有率モデル記憶部１１０の住宅情報区分と、稼働確率モデル記憶部１２０に記憶される稼働確率モデルの住宅情報区分とが共通の住宅情報区分ｋである（たとえば、ｋ⊇オール電化住宅、オール電化住宅以外）。このように、保有率モデル記憶部１１０の住宅情報区分と、稼働確率モデル記憶部１２０に記憶される稼働確率モデルの住宅情報区分とが共通の場合は、上記の式でｇ_n（ｔ）が計算され得る。

（消費電力推定部２３０について）
消費電力推定部２３０（図１）は、稼働台数予測部２２０によって予測された機種別かつ時刻別の稼働台数期待値ｇ_n（ｔ）と、消費電力モデル記憶部１３０に機種ｎ別に記憶された１台当たりの消費電力モデルとに基づいて、同一配電区間機器の機種ｎ別かつ時刻ｔ別の消費電力期待値ｈ_n（ｔ）を推定するものである。具体的には、次式の計算が行われる。

ｈ_n（ｔ）＝ｇ_n（ｔ）×消費電力モデルから求められる機種ｎの消費電力
図１１は、消費電力推定部２３０により上式で計算された機種ｎの消費電力の期待値ｈ_n（ｔ）の例を示す。この例では、ｎ＝電気式給湯器の期待値ｈ_n（ｔ）が示されている。すなわち、同一配電区間の配電系統から電力供給を受ける全ての電気式給湯器が時刻ｔにて消費する消費電力の期待値ｈ_n（ｔ）が示されている。

（負荷合計部２４０について）
負荷合計部２４０（図１）は、消費電力推定部２３０によって推定された機種別かつ時刻別の消費電力の期待値を、機種について時刻別に合計することによって、時刻別の電力負荷を計算するものである。すなわち負荷合計部２４０は、消費電力の期待値ｈ_n（ｔ）を時刻ｔ別に合計する（ここでは機種ｎのすべてについて合計する）ことにより、任意の同一配電区間から電力供給を受ける全ての負荷機器（全ての同一配電区間機器）の時刻ｔ別の消費電力総和Ｅ（ｔ）を計算する。たとえば、負荷合計部２４０は、次式により、同一配電区間機器全体の時刻ｔの消費電力総和Ｅ（ｔ）を計算する。

図１２は、負荷合計部２４０により上式で計算された消費電力総和Ｅ（ｔ）の例を示す。図１３は、図１２に示した消費電力総和Ｅ（ｔ）が得られた状態から、配電区間情報に含まれる配電区間に占める住宅情報区分のオール電化住宅の割合を３０％増加させたシミュレーションを行った場合と、配電区間情報に含まれる築浅住宅（図２の築１０年未満の住宅）の割合を元の５０％にした場合のシミュレーション結果を示す。

（負荷予測方法のまとめ）
以上、機能ブロック（図１）の各々について説明しつつ、負荷機器に電力供給を行う配電系統の電力負荷を予測する負荷予測方法の詳細についても合わせて説明した。図１４を参照して、まとめると、配電系統の負荷予測方法は、複数の配電区間を有し負荷機器に電力供給を行う配電系統の電力負荷を予測するものであって、次のステップを有する。

ステップＳ１０にて、保有率モデル記憶部１１０に配電区間別に住宅情報区分ｋ毎に記憶された負荷機器の機種ｎ別の保有率モデルと、一の配電区間（たとえば配電区間Ａ）に関する住宅情報区分ｋ（第１の住宅情報区分）毎の住宅数関連情報と、に基づいて、機器台数推定部２１０が一の配電区間に関して住宅情報区分ｋ毎に機種ｎ別台数Ｎ_{n, k}を推定する。

ステップＳ２０にて、機器台数推定部２１０によって住宅情報区分ｋ毎に推定された機種ｎ別の機器台数Ｎ_{n, k}と、稼働確率モデル記憶部１２０に配電区間別に住宅情報区分ｋ毎に記憶された稼働確率モデル（たとえばｆ_{n, k}（ｔ））と、に基づいて、稼働台数予測部２２０が機種ｎ別かつ時刻ｔ別の稼働台数期待値ｇ_n（ｔ）を予測する。

ステップＳ３０にて、稼働台数予測部２２０によって予測された機種ｎ別かつ時刻ｔ別の稼働台数期待値ｇ_n（ｔ）と、消費電力モデル記憶部１３０に機種別に記憶された、稼働中の負荷機器の１台当たりの消費電力モデルと、に基づいて、消費電力推定部２３０が機種ｎ別かつ時刻ｔ別の消費電力期待値ｈ_n（ｔ）を推定する。

ステップＳ４０にて、消費電力推定部２３０によって推定された機種ｎ別かつ時刻ｔ別の消費電力期待値ｈ_n（ｔ）を時刻ｔ別に合計することによって、負荷合計部２４０が時刻ｔ別の電力負荷Ｅ（ｔ）を計算する。

（作用効果）
本実施の形態によれば、任意の配電区間内の住宅数関連情報と、保有率モデル記憶部１１０のモデルとに基づいて、同一配電区間機器の時刻別および住宅情報区分別の機器台数Ｎ_{n, k}が求められる。このＮ_{n, k}と、稼働確率モデル記憶部１２０のモデル（たとえばｆ_{n, k}（ｔ））とに基づいて、同一配電区間機器の機種別および時刻別の消費電力の期待値ｈ_n（ｔ）が求められる。この構成により、任意の配電区間について、負荷機器に起因する電力負荷を機種別および時刻別に、住宅情報区分の差異を考慮しつつ予測することができる。よって配電系統の電力負荷を精度よく予測することができる。

また保有率モデル記憶部１１０および稼働確率モデル記憶部１２０の各々のモデルが住宅情報区分毎に設定されるため、住宅情報区分毎に異なる保有率または稼働確率を持つような負荷機器についても精確な予測が可能である。

時間帯別電気料金メニューの変更または機器の電力効率の改善などに起因して、負荷機器の機種別の機器普及率、機器稼動時間帯、および負荷機器の消費電力は将来変化すると考えられる。機器普及率の変化には、保有率モデル記憶部１１０に記憶されるモデルの調整によって対応することができる。機器稼動時間帯の変化には、稼働確率モデル記憶部１２０のモデルの調整によって対応することができる。負荷機器の消費電力の変化には、消費電力モデル記憶部１３０のモデルの調整によって対応することができる。よって本実施の形態によれば、電力負荷の将来の変化も精度よく予測することができる。さらに、配電区間の負荷はその配電区間に含まれる住宅の属性にも関係するため、住宅数関連情報記憶部１７０に記憶される情報を変化させたり、さらに住宅情報区分も変更したりすることにより、将来の配電区間（ニュータウンなど）の予測や高齢者世帯の増加などの将来シミュレーションを行うことが可能となる。

＜実施の形態２＞
（全体構成について）
図１５は、本実施の形態における負荷予測装置９０２の構成を概略的に示す。実施の形態１の負荷予測装置９０１と同一または類似する構成については同じ符号を付し、異なる構成を中心に説明する。負荷予測装置９０２は情報記憶部１０２および制御部２０２を有する。情報記憶部１０２は住宅数関連情報記憶部１７０Ｖおよび稼働確率モデル記憶部１２０Ｖを有する。制御部２０２は稼働台数予測部２２０Ｖを有する。

（保有率モデル記憶部１１０について）
保有率モデル記憶部１１０は、実施の形態１と同様に、配電区間別に住宅情報区分毎に負荷機器の機種別の保有率モデルを記憶するものである。この住宅情報区分を、本実施の形態においては、第１の情報区分ｋ１と称する。

（稼働確率モデル記憶部１２０Ｖについて）
稼働確率モデル記憶部１２０は、配電区間別に第２の住宅情報区分ｋ２毎に負荷機器の機種別かつ時刻別の稼働確率モデルを記憶する。第２の住宅情報区分ｋ２は、保有率モデル記憶部１１０が用いる第１の情報区分ｋ１とは異なるものである。

（住宅数関連情報記憶部１７０Ｖについて）
住宅数関連情報記憶部１７０Ｖは第１および第２の住宅情報区分毎の記憶部１７１，１７２を有する。第１および第２の住宅情報区分毎の記憶部１７１，１７２のそれぞれは、予測の対象となる配電区間内の、住宅情報区分ｋ１毎およびｋ２毎の住宅数関連情報を記憶するためのものである。なお実施の形態１と同様に、この情報は、負荷予測装置９０２が使用される際に情報記憶部１０２に格納されてもよく、あるいは情報記憶部１０２にあらかじめ記憶されていてもよい。

（機器台数推定部２１０について）
機器台数推定部２１０は、実施の形態１と同様のものであり、本実施の形態においては、保有率モデル記憶部１１０に第１の住宅情報区分ｋ１毎に記憶された保有率モデルと、一の配電区間に関する第１の住宅情報区分ｋ１毎の住宅数関連情報と、に基づいて、一の配電区間に関して第１の住宅情報区分ｋ１毎に機種別台数を推定する。なお第１の住宅情報区分ｋ１毎の住宅数関連情報としては、第１の住宅情報区分毎の記憶部１７１に記憶されたものが用いられ得る。

（稼働台数予測部２２０Ｖについて）
稼働台数予測部２２０Ｖは、機器台数推定部２１０によって第１の住宅情報区分ｋ１毎に推定された機種別台数と、稼働確率モデル記憶部１２０に第２の住宅情報区分ｋ２毎に記憶された稼働確率モデルと、一の配電区間に関する第２の住宅情報区分ｋ２毎の住宅数関連情報とを用いて、機種別かつ時刻別の稼働台数期待値を予測するものである。なお第２の住宅情報区分ｋ２毎の住宅数関連情報としては、第２の住宅情報区分毎の記憶部１７２に記憶されたものが用いられ得る。

たとえば、第１の住宅情報区分ｋ１＝｛オール電化住宅、非オール電化住宅｝、第２の住宅情報区分ｋ２＝｛シニア世帯、非シニア世帯｝とする。機器台数推定部２１０は、第１の情報区分ｋ１毎の住宅数情報と、保有率モデル記憶部１１０のモデルとを用いることで、オール電化住宅の食器洗い機の台数がＸ台であり、非オール電化住宅の食器洗い機の台数がＹ台であることを推定する。稼働台数予測部２２０Ｖは、第２の住宅情報区分ｋ２毎の住宅情報として、たとえば、シニア世帯＝３０％かつ非シニア世帯＝７０％という情報を参照する。そして稼働台数予測部２２０Ｖは、以下の演算を行う。

オール電化住宅かつシニア世帯の食器洗い機の稼働機器数
＝ Ｘ台×３０％×シニア世帯の食器洗い機の稼働率
非オール電化住宅かつシニア世帯の食器洗い機の稼働機器数
＝ Ｙ台×３０％×シニア世帯の食器洗い機の稼働率
オール電化住宅かつ非シニア世帯の食器洗い機の稼働機器数
＝ Ｘ台×７０％×非シニア世帯の食器洗い機の稼働率
非オール電化住宅かつ非シニア世帯の食器洗い機の稼働機器数
＝ Ｙ台×７０％×非シニア世帯の食器洗い機の稼働率
そして稼働台数予測部２２０Ｖは、上記４つの組み合わせの全てを合計することで、食器洗い機の稼働台数を予測する。すなわち、住宅情報区分ｋ１およびｋ２の全組み合わせについて、稼働機器数の積算を行う。

上記の例は、言い換えると、以下のようにも説明することができる。

第１および第２の住宅情報区分ｋ１，ｋ２の全組み合わせを持つ住宅情報区分ｋ１２を作成し、この住宅情報区分ｋ１２を用いて保有率モデル記憶部１１０がモデルを記憶する。機器台数推定部２１０で住宅情報区分ｋ１２毎に機器台数を求める。この際、住宅情報区分ｋ１２（ｋ１２＝ｍ１×ｍ２、ｋ１⊇ｍ１かつｋ２⊇ｍ２）に属する機種ｎの台数には、保有確率モデルｆ_{n, k2}（ｔ）（ｋ２＝ｍ２）を用いて、次式により計算する。

（ここでＮ_{n, k12}は、同一配電区間機器の住宅情報区分k１２に属する住宅が保有する機種nの台数）。

住宅情報区分ｋ１２の作成方法としては、第１および第２の住宅情報区分ｋ１，ｋ２の割合を乗じることで求める方法がある。たとえば、区分ｋ１＝｛オール電化住宅、非オール電化住宅｝、区分ｋ２＝｛シニア世帯、非シニア世帯｝とし、それぞれ、オール電化住宅２０％、非オール電化住宅８０％、シニア世帯＝３０％、非シニア世帯＝７０％とする。オール電化住宅かつシニア世帯の割合は２０％×３０％＝６％となる。機種ｎ毎の機器保有率はオール電化住宅と同じであるとし稼働確率モデルはシニア世帯のものを用いて稼働機器数が計算される。

なお住宅数情報としてのシニア世帯の割合は、電力会社にとって直接的には入手不可能であるが、配電区間の存在する地域の人口比率（６５歳以上の割合など）などを利用して見積もることができる。

（まとめ）
以上、機能ブロック（図１５）の各々について、実施の形態１のもの（図１）と異なる点について特に説明した。図１６を参照して、まとめると、配電系統の負荷予測方法は、複数の配電区間を有し負荷機器に電力供給を行う配電系統の電力負荷を予測するものであって、次のステップを有する。

ステップＳ１０Ｖにて、保有率モデル記憶部１１０に配電区間別に第１の住宅情報区分ｋ１毎に記憶された負荷機器の機種ｎ別の保有率モデルと、一の配電区間（たとえば配電区間Ａ）に関する第１の住宅情報区分ｋ１毎の住宅数関連情報と、に基づいて、機器台数推定部２１０が一の配電区間に関して第１の住宅情報区分ｋ１毎に機種ｎ別の機器台数Ｎ_{n, k1}を推定する。

ステップＳ２０Ｖにて、機器台数推定部２１０によって第１の住宅情報区分ｋ１毎に推定された機種ｎ別の機器台数Ｎ_{n, k1}と、稼働確率モデル記憶部１２０Ｖに配電区間別に（第１の住宅情報区分ｋ１とは異なる）第２の住宅情報区分ｋ２毎に記憶された稼働確率モデル（たとえばｆ_{n, k}（ｔ））と、に基づいて、稼働台数予測部２２０Ｖが機種ｎ別かつ時刻ｔ別の稼働台数期待値ｇ_n（ｔ）を予測する。

なおこれ以降は実施の形態１のステップと同様にステップＳ３０およびＳ４０が行われる。

本実施の形態によれば、保有率モデル記憶部１１０および稼働確率モデル記憶部１２０が、互いに異なる住宅情報区分を用いることができる。

＜実施の形態３＞
（全体構成）
図１７は、本実施の形態における負荷予測装置９０３の構成を概略的に示す。実施の形態１の負荷予測装置９０１と同一または類似する構成については同じ符号を付し、異なる構成を中心に説明する。負荷予測装置９０３は情報記憶部１０３および制御部２０３を有する。情報記憶部１０３は住宅情報推定モデル記憶部１５０および配電区間情報記憶部１８０を有する。制御部２０３は住宅情報推定部２５０を有する。

（配電区間情報記憶部１８０について）
配電区間情報記憶部１８０は配電区間情報を記憶するものである。配電区間情報は、負荷予測装置９０３が使用される際に情報記憶部１０３に格納されてもよく、あるいは情報記憶部１０３にあらかじめ記憶されていてもよい。配電区間情報とは、たとえば、配電区間内の住宅数や電気契約情報などの電力会社が知り得る情報や、配電区間の存在する地域（市町村など）の人口比率などの統計情報などである。

（住宅情報推定モデル記憶部１５０について）
住宅情報推定モデル記憶部１５０は、配電区間情報記憶部１８０に記憶された配電区間情報から、住宅数関連情報記憶部１７０に記憶されることになる住宅数関連情報を導くモデルを記憶するものである。導かれる住宅数関連情報は、電力会社が直接は知りえない情報であってもよく、たとえば、生活パターン、家族構成、家族人数、住宅の床面積、詳細な築年数、屋根の向き、主要採光面の向きなどを利用した区分毎のものである。たとえば、オール電化住宅率と、配電区間地域の存在する人口比率統計情報とから、オール電化住宅かつシニア世帯＝５％、オール電化住宅かつシニア世帯以外＝２０％、非オール電化住宅かつシニア世帯＝２０％、非オール電化住宅かつ非シニア世帯＝５５％、といった住宅数関連情報が推定される。

（住宅情報推定部２５０について）
住宅情報推定部は、配電区間情報記憶部１８０に記憶された配電区間情報と、住宅情報推定モデル記憶部１５０に記憶された導出モデルとに基づいて、住宅情報区分毎の住宅数関連情報を生成するものである。

（変形例）
上述した本実施の形態は、住宅情報推定モデル記憶部１５０、配電区間情報記憶部１８０および住宅情報推定部２５０の構成が、実施の形態１の負荷予測装置９０１に適用されたものに相当する。上記構成は、負荷予測装置９０１の代わりに、実施の形態２の負荷予測装置９０２（図１５）に適用されてもよい。この場合、住宅情報推定モデル記憶部１５０は、第１および第２の住宅情報区分ｋ１，ｋ２毎の住宅数関連情報を配電区間情報から導く導出モデルを記憶する。また住宅情報推定部２５０は、配電区間情報記憶部１８０に記憶された配電区間情報と、住宅情報推定モデル記憶部１５０に記憶された導出モデルとに基づいて、第１および第２の住宅情報区分ｋ１，ｋ２毎の住宅数関連情報を生成する。

（作用効果）
実施の形態２で説明した、第１および第２の住宅情報区分ｋ１，ｋ２から住宅情報区分ｋ１２を作成する方法のように、単にオール電化住宅率と配電区間地域の存在する人口比率統計情報とを組み合わせて均等案分しただけでは、非オール電化住宅ではオール電化住宅に比べてシニア世帯の割合が低いといった偏りが推定できない。本実施の形態のように住宅情報推定モデル記憶部１５０を設けることにより、このような偏りや、電力会社が知り得ないような住宅数関連情報を推定可能となる。たとえば、平日昼間の在宅住宅および平日昼間不在住宅の割合などが推定可能となる。

＜実施の形態４＞
（全体構成）
図１８は、本実施の形態における負荷予測装置９０４の構成を概略的に示す。実施の形態１の負荷予測装置９０１と同一または類似する構成については同じ符号を付し、異なる構成を中心に説明する。負荷予測装置９０４は情報記憶部１０４および制御部２０４を有する。情報記憶部１０４は計測データベース１６０を有する。制御部２０３はモデル生成部２６０を有する。好ましくはモデル生成部２６０は相関計算部２６１を含む。

（計測データベース１６０について）
計測データベース１６０は、計測対象住宅の各々において計測された機種別かつ時刻別の消費電力データと、計測対象住宅の各々が有する住宅情報区分を示す住宅情報区分データと、を記憶するものである。計測対象住宅は、データを取得するためにサンプルとされた住宅である。計測データベース１６０が記憶する住宅情報区分データは、たとえば、図２に記載の配電区間（Ａ〜Ｃ）、地域、戸建／集合、電力契約、築年数などである。

（モデル生成部２６０について）
モデル生成部２６０は、計測データベース１６０に基づいて、保有率モデル記憶部１１０に記憶される保有率モデルと稼働確率モデル記憶部１２０に記憶される稼働確率モデルとを生成するものである。モデル生成部２６０は、図１８に示すように、計測データベース１６０に基づいてさらに、消費電力モデル記憶部１３０に記憶される消費電力モデルを生成してもよい。具体的には、以下のような処理が行われる。

第１に、保有率モデル記憶部１１０に記憶される保有率モデルを生成する方法について説明する。モデル生成部２６０は計測データベース１６０から、計測対象住宅のうち同じ住宅情報区分に属するもののデータを抽出する（たとえば、住宅情報区分ｋ＝東北地域の、オール電化住宅の、家族人数４人の住宅データなど）。抽出した住宅情報区分毎の計測電力データを用いて、下記式によって住宅情報区分ｋの機種ｎの機器保有率を算出する。

｛住宅情報区分ｋに属する計測対象住宅のうち機種ｎのデータを保有する住宅数／住宅情報区分ｋの全計測住宅数｝×１００

第２に、稼働確率モデル記憶部１２０に記憶される稼働確率モデルを生成する方法について説明する。まずモデル生成部２６０は、上述したように、計測データベース１６０から、計測対象住宅のうち同じ住宅情報区分に属するもののデータを抽出する。抽出した住宅情報区分毎の計測電力データから、時間区間Δｔ（＝［ｔａ，ｔｂ））における機種ｎの計測データが抽出される。次式により稼働確率ｆ_{n, k}（ｔ）が計算される。

ｆ_{n, k}｛（ｔ_a＋ｔ_b）／２｝
＝１００×（抽出された計測データのうち稼働電力閾値Ｐ_Th以上の計測データの数）
／（抽出された計測データの全数）

ここで上式の右辺の分子における稼働電力閾値Ｐ_Th（Ｗ）には、たとえば、機種ｎ毎に異なる稼動時の最低電力（Ｗ）などが設定されている。したがって、当該分子に示される計測データの数は、稼働中の機種ｎの計測データ数に対応している。よって、たとえば、機種ｎがΔｔ（＝［ｔａ，ｔｂ））の間稼動し続けている（すなわちΔｔの間、稼動電力が稼動電力閾値Ｐ_Th以上であり続ける）場合には、分子の計測データ数と、分母の計測データ数とが同数となり、時間区間Δｔ（＝［ｔａ，ｔｂ））における機種ｎの起動確率は１００（％）となる。

なお、計測データが、稼動電力だけでなく、機種ｎが稼動しているか否かを示す稼動状態も含んでいる場合には、次式が用いられ得る。

ｆ_{n, k}｛（ｔ_a＋ｔ_b）／２｝
＝１００×（抽出された計測データのうち稼働状態の計測データの数）
／（抽出された計測データの全数）

上記では、稼働確率モデルを機種ｎ別に時間区間Δｔ毎に求める例について説明したが、さらに、気温区間ΔＴ（＝［Ｔ_a，Ｔ_b））における機種ｎの計測データを抽出し、上記の方法と同様の方法で、気温Ｔをパラメータとして稼働確率を示す関数ｆ_{n, k}（ΔＴ）を求めてもよい。また、稼働確率の計算試行を２回以上、たとえば数回、繰り返すことにより、稼働確率の確率分布を求めてもよく、当該確率分布から平均値や標準偏差値σ_nを求めてもよい。計算試行の繰り返し方法としては、稼働確率の計算に用いる一定数の計測データを、そのデータサンプルを変えながらデータベースから抽出して起動確率を計算し、かつ当該起動確率のばらつきから標準偏差を計算する方法や、日毎に起動確率を計算し、かつ当該起動確率のばらつきから標準偏差を計算する方法などがある。

第３に、消費電力モデル記憶部１３０に記憶される消費電力モデルを生成する方法について説明する。計測データベース１６０から、稼働中の機種ｎの計測データ（たとえば、稼動電力閾値Ｐ_Th（Ｗ）以上の計測データ）が抽出される。そして当該計測データが示す稼動電力の平均値や電力分布の近似式などが求められる。住宅情報区分毎に消費電力モデルを求めてもよい。

（相関計算部２６１について）
相関計算部２６１は、計測データベース１６０に記憶された住宅情報区分データが有する各住宅情報区分と消費電力データとの関連度を計算するものである。相関計算部２６１が設けられ得る場合、モデル生成部２６０は、相関計算部２６１の計算結果に基づいて、上記モデルが用いるべき住宅情報区分を判定する。そして関連度の高い住宅情報区分を用いて、上述した各モデルを生成する。

相関度を計算する方法としては、機種ｎの計測データと住宅情報との相関係数や、住宅情報区分毎の計測データ間の平均距離などを用い得る。あらかじめ決められた住宅情報区分を用いて関連度を計算し、閾値を用いて住宅情報区分を統合するか分けるかを判定してもよい。クラスタリングの手法を用いて計測データ間の距離などから計測データをグルーピングし、自動的に最適な住宅情報区分を生成してもよい。クラスタリングの閾値は負荷予測精度から求める。たとえば、５％の精度で負荷予測を行いたいときには、５％の差異が生じた時点で住宅情報区分を分ける。またたとえば、主成分分析や因子分析により計測データを２次元空間に投影し、投影したデータ間の距離の近さからデータ間のクラスタリングを行ってもよい。さらに、気温区分や時間区分、平日・休日の区分などとも合わせて関連度を計算し、最適な区分を自動判定してもよい。

（作用効果）
本実施の形態によれば、計測データベース１６０およびモデル生成部２６０を用いることで、保有率モデル、稼働確率モデルおよび消費電力モデルを自動的に生成することができる。また計測データベース１６０を更新することで、最新のデータを反映した各モデルを自動生成することが可能となる。

また相関計算部７０１が設けられる場合は、各モデルに影響度の大きい住宅情報区分を自動で抽出することができる。このため、各モデル記憶部に不必要にたくさんのモデルを記憶する必要がなくなる。よって情報記憶部１０４のデータ容量の削減につながる。また負荷予測時やシミュレーション時に不必要に多くの情報を入力する必要がなくなる。また制御部２０４において不必要に多くのパターン計算を行う必要がなくなる。

（変形例１）
計測データベース１６０に記憶された消費電力データおよび住宅情報区分データに基づいてモデル生成部２６０はさらに、住宅数関連情報記憶部１７０に記憶される住宅数関連情報を生成してもよい。モデル生成部２６０によって、たとえば、以下のような処理が行われる。

計測データベース１６０から、たとえば、住宅情報区分ｋ＝「平日昼間不在住宅」などの区分が抽出される。なお計測対象住宅の各々が「平日昼間不在住宅」であるか否かの計測データベース１６０への記録は、計測対象住宅への調査に基づいてなされてもよく、あるいは計測対象住宅の計測電力データを用いた推測に基づいてなされてもよい。

そして住宅数関連情報が、計測データベース１６０を参照して、以下のように算出される。

｛計測対象住宅のうち住宅情報区分ｋに属する住宅数／計測対象住宅の全数｝
×１００

なお上記の算出に代わって、計測対象住宅のうち特定の条件Ｘを満たすものだけを用いた算出が、以下のように行われてもよい。

｛条件Ｘを満たす計測対象住宅のうち住宅情報区分ｋに属する住宅数
／条件Ｘを満たす計測対象住宅の数｝×１００

なお条件Ｘは、たとえば「オール電化住宅」のように、１種の住宅情報区分に含まれるものであってもよい。また、機械学習やニューラルネットなどを用いて、計測データベース１６０のデータと住宅数関連情報との関連を正解データとして与え学習させた上でモデルが生成されてもよい。

本変形例においては、相関計算部２６１は計測データベース１６０と住宅数関連情報との関連度を計算する。モデル生成部２６０は、相関計算部２６１の計算結果に基づいて、住宅数関連情報が用いるべき住宅情報区分を判定する。そして関連度の高い住宅情報区分を用いて、上述した住宅数関連情報を生成する。

なお住宅数関連情報記憶部１７０の代わりに住宅数関連情報記憶部１７０Ｖ（図１５）を適用しつつモデル生成部２６０がさらに、住宅数関連情報記憶部１７０Ｖに記憶される住宅数関連情報を生成してもよい。この場合、第１および第２の住宅情報区分毎の住宅数関連情報が生成される。

本変形例によれば、住宅数関連情報も自動的に生成することができる。また計測データベース１６０を更新することで、最新のデータを反映した住宅数関連情報を自動生成することが可能となる。

（変形例２）
図１９を参照して、本変形例においては、負荷予測装置単体に代わって負荷予測装置を有するシステムが用いられる。具体的には、負荷予測システム９０４Ｓは、負荷予測装置９０４Ｄと、それにネットワーク９９９を介して接続されたデータベースサーバ９９０とを有する。負荷予測装置９０４Ｄは、ネットワーク９９９に接続されるための通信部２９０を有する。負荷予測装置９０４Ｄは、負荷予測装置９０４（図１８）と異なり、計測データベース１６０を有しない。代わりにデータベースサーバ９９０が計測データベース１６０を有する。本変形例によれば、負荷予測を行う際に、計測データベース１６０を負荷予測装置自体が有する必要がない。

なお、本発明は、その発明の範囲内において、各実施の形態を自由に組み合わせたり、各実施の形態を適宜、変形、省略することが可能である。

１０１〜１０４ 情報記憶部、１１０ 保有率モデル記憶部、１２０，１２０Ｖ 稼働確率モデル記憶部、１３０ 消費電力モデル記憶部、１５０ 住宅情報推定モデル記憶部、１６０ 計測データベース、１７０，１７０Ｖ 住宅数関連情報記憶部、１７１，１７２ 第１および第２の住宅情報区分毎の記憶部、１８０ 配電区間情報記憶部、２０１〜２０４ 制御部、２１０ 機器台数推定部、２２０，２２０Ｖ 稼働台数予測部、２３０ 消費電力推定部、２４０ 負荷合計部、２５０ 住宅情報推定部、２６０ モデル生成部、２６１ 相関計算部、２９０ 通信部、３００ 入力部、４００ 出力部、７０１ 相関計算部、９０１〜９０４，９０４Ｄ 負荷予測装置、９０４Ｓ 負荷予測システム、９９０ データベースサーバ、９９９ ネットワーク。

Claims (8)

1. 複数の配電区間を有し負荷機器に電力供給を行う配電系統の電力負荷を予測する、配電系統の負荷予測装置であって、
   配電区間別に第１の住宅情報区分毎に前記負荷機器の機種別の保有率モデルを記憶する保有率モデル記憶部と、
   配電区間別に第２の住宅情報区分毎に前記負荷機器の機種別かつ時刻別の稼働確率モデルを記憶する稼働確率モデル記憶部と、
   稼働中の前記負荷機器の１台当たりの消費電力モデルを機種別に記憶する消費電力モデル記憶部と、
   前記保有率モデル記憶部に前記第１の住宅情報区分毎に記憶された前記保有率モデルと、一の配電区間に関する前記第１の住宅情報区分毎の住宅数関連情報と、に基づいて、前記一の配電区間に関して前記第１の住宅情報区分毎に機種別台数を推定する機器台数推定部と、
   前記機器台数推定部によって前記第１の住宅情報区分毎に推定された前記機種別台数と、前記稼働確率モデル記憶部に前記第２の住宅情報区分毎に記憶された前記稼働確率モデルと、を用いて、機種別かつ時刻別の稼働台数期待値を予測する稼働台数予測部と、
   前記稼働台数予測部によって予測された機種別かつ時刻別の前記稼働台数期待値と、前記消費電力モデル記憶部に機種別に記憶された１台当たりの前記消費電力モデルと、に基づいて、機種別かつ時刻別の消費電力期待値を推定する消費電力推定部と、
   前記消費電力推定部によって推定された機種別かつ時刻別の前記消費電力期待値を時刻別に合計することによって、時刻別の電力負荷を計算する負荷合計部と
   を備える、配電系統の負荷予測装置。
2. 前記第１および第２の住宅情報区分は共通の住宅情報区分であり、
   前記稼働台数予測部は前記機種別台数と前記稼働確率モデルとの前記共通の住宅情報区分毎の積を積算する、
   請求項１に記載の配電系統の負荷予測装置。
3. 前記第１および第２の住宅情報区分は互いに異なる住宅情報区分であり、
   前記稼働台数予測部は前記一の配電区間に関する前記第２の住宅情報区分毎の住宅数関連情報を用いる、
   請求項１に記載の配電系統の負荷予測装置。
4. 前記第１および第２の住宅情報区分毎の住宅数関連情報を配電区間情報から導く導出モデルを記憶する住宅情報推定モデル記憶部と、
   前記配電区間情報と、前記住宅情報推定モデル記憶部に記憶された前記導出モデルとに基づいて、前記第１および第２の住宅情報区分毎の住宅数関連情報を生成する住宅情報推定部と
   をさらに備える、請求項１から３のいずれか１項に記載の配電系統の負荷予測装置。
5. 計測対象住宅の各々において計測された機種別かつ時刻別の消費電力データと、前記計測対象住宅の各々が有する住宅情報区分を示す住宅情報区分データと、を記憶する計測データベースに基づいて、前記保有率モデル記憶部に記憶される保有率モデルと前記稼働確率モデル記憶部に記憶される稼働確率モデルとを生成するモデル生成部
   をさらに備える、請求項１から４のいずれか１項に記載の配電系統の負荷予測装置。
6. 前記モデル生成部は、前記計測データベースに記憶された前記住宅情報区分データが有する各住宅情報区分と前記消費電力データとの関連度を計算する相関計算部を含む、
   請求項５に記載の配電系統の負荷予測装置。
7. 前記モデル生成部は、前記計測データベースに記憶された前記消費電力データおよび前記住宅情報区分データに基づいて、前記第１および第２の住宅情報区分毎の住宅数関連情報を生成する、
   請求項５または６に記載の配電系統の負荷予測装置。
8. 複数の配電区間を有し負荷機器に電力供給を行う配電系統の電力負荷を予測する、配電系統の負荷予測方法であって、
   保有率モデル記憶部に配電区間別に第１の住宅情報区分毎に記憶された前記負荷機器の機種別の保有率モデルと、一の配電区間に関する前記第１の住宅情報区分毎の住宅数関連情報と、に基づいて、機器台数推定部が前記一の配電区間に関して前記第１の住宅情報区分毎に機種別台数を推定するステップと、
   前記機器台数推定部によって前記第１の住宅情報区分毎に推定された前記機種別台数と、稼働確率モデル記憶部に配電区間別に前記第２の住宅情報区分毎に記憶された稼働確率モデルと、に基づいて、稼働台数予測部が機種別かつ時刻別の稼働台数期待値を予測するステップと、
   前記稼働台数予測部によって予測された機種別かつ時刻別の稼働台数期待値と、消費電力モデル記憶部に機種別に記憶された、稼働中の前記負荷機器の１台当たりの消費電力モデルと、に基づいて、消費電力推定部が機種別かつ時刻別の消費電力期待値を推定するステップと、
   前記消費電力推定部によって推定された機種別かつ時刻別の前記消費電力期待値を時刻別に合計することによって、負荷合計部が時刻別の電力負荷を計算するステップと
   を備える、配電系統の負荷予測方法。

Images