JP2017153333A - 電力需要予測装置およびこれを備えた電力需要予測システムならびに電力需要予測方法 - Google Patents

Abstract

【課題】電力需要施設の電力需要の正確な予測を可能とする。【解決手段】電力需要予測装置１３が、電力需要施設であるオフィスビル２の所在地の気象情報を取得する気象情報取得部２１と、オフィスビル２の使用電力量を取得する使用電力量取得部２２と、オフィスビル２の正面近傍に設定された人流計測領域Ｒにおいて測定された人流情報を取得する人流情報取得部２３と、気象情報、使用電力量、および人流情報に基づき、オフィスビル２の電力需要を予測する電力需要予測部２６と備えた構成とする。【選択図】図３

Description

本発明は、電力需要施設の電力需要を予測する電力需要予測装置およびこれを備えた電力需要予測システムならびに電力需要予測方法に関する。

水力、火力、原子力等の各発電所で発電された電気は、送電線、変電所、配電線等の電力設備を含む電力網を介して、電力会社、発電事業者等の電力供給者から、オフィスビル、公共施設、商業施設、工場、家庭等の電力需要施設または電力需要者に供給される。電力供給者から電力需要施設や電力需要者に電力を安定して供給するためには、電力の需要と供給とのバランスを適切に保つ必要がある。電力の需要と供給とのバランスが崩れると、周波数や電圧が不安定になり電気の質が低下する恐れがある。更には、大規模な停電が発生する恐れもある。このような理由により、電力需要の正確な予測が求められている。

また、近年では、地球温暖化防止、エネルギ資源節約、効率的な都市インフラの構築等の観点により、オフィスビル、公共施設、商業施設等の電力需要施設の電力需要の正確な予測が求められている。予測された電力需要に基づき電力需要施設で使用する電力を管理および制御することにより、電力需要施設の利用者の利便性や快適性を損なうことなく、省エネルギ化やエネルギ利用の効率化が可能となる。

そこで、従来は、気温、湿度、日射量等の気象情報や過去の使用電力量に基づき、電力需要の予測を行っていた（例えば、特許文献１参照）。

特開２００２−２０９３３５号公報

例えば、オフィスビル、公共施設、商業施設等の不特定多数の利用者が出入りする電力需要施設では、利用者数により電力需要（使用電力量）が大きく変化する。しかし、上記特許文献１のような従来技術では、電力需要施設の利用者数を考慮していないため、電力需要の予測は正確ではなかった。もし、電力需要の予測を、電力需要施設の利用者数を考慮して行うことができれば、その電力需要施設の電力需要の正確な予測が可能となるので有益である。

本発明は、このような従来技術の課題を鑑みて案出されたものであり、電力需要施設の電力需要の正確な予測が可能な電力需要予測装置および電力需要予測方法を提供することを目的とする。

本発明の電力需要予測装置は、電力需要施設の電力需要を予測する電力需要予測装置であって、前記電力需要施設の所在地の気象情報を取得する気象情報取得部と、前記電力需要施設の使用電力量を取得する使用電力量取得部と、前記電力需要施設内または外の所定位置に設定された人流計測領域において計測された人流情報を取得する人流情報取得部と、前記気象情報、前記使用電力量、および前記人流情報に基づき、前記電力需要施設の電力需要を予測する電力需要予測部とを備えたことを特徴とする。

本発明によれば、電力需要施設の電力需要の正確な予測が可能となる。

本発明に係る電力需要予測システム１の概略構成図 人流計測装置１１としてのレーザレンジファインダによる人流計測を概略的に示す図 本発明に係る電力需要予測装置１３の構成を示すブロック図 人流計測装置１１の計測結果に基づく混雑度推定部２４での混雑度推定処理の概要を示す図 混雑度推定部で算出された混雑度を示すグラフ ベクトル自己回帰モデルに用いるパラメータを決定するための実験の結果を示す図であり、パラメータに混雑度を含む場合の実験結果を示す ベクトル自己回帰モデルに用いるパラメータを決定するための実験の結果を示す図であり、パラメータに混雑度を含まない場合の実験結果を示す 本発明に係る電力需要予測装置１３での処理の流れを示すフロー図 電力需要施設が複数の場合の電力需要予測システム１の概略構成図

上記課題を解決するためになされた第１の発明は、電力需要施設の電力需要を予測する電力需要予測装置であって、前記電力需要施設の所在地の気象情報を取得する気象情報取得部と、前記電力需要施設の使用電力量を取得する使用電力量取得部と、前記電力需要施設内または外の所定位置に設定された人流計測領域において計測された人流情報を取得する人流情報取得部と、前記気象情報、前記使用電力量、および前記人流情報に基づき、前記電力需要施設の電力需要を予測する電力需要予測部とを備えたことを特徴とする。

この第１の発明に係る電力需要予測装置によれば、気象情報と使用電力量に加えて人流情報を用いて電力需要を予測するので、電力需要施設の電力需要の従来よりも正確な予測が可能となる。

また、第２の発明では、上記第１の発明において、前記人流情報に基づき前記人流計測領域の混雑度を推定する混雑度推定部をさらに備え、前記電力需要予測部は、前記気象情報、前記使用電力量、および前記混雑度に基づき、前記電力需要を予測することを特徴とする。

この第２の発明に係る電力需要予測装置によれば、人流情報に基づき推定した混雑度を用いることにより、電力需要施設の利用者数を精度良く推定することができる。これにより、人流計測領域が電力需要施設の外部に設定された場合でも、その電力需要施設の利用者数を精度良く推定することが可能となる。

また、第３の発明では、上記第１の発明または第２の発明において、前記電力需要予測部は、前記気象情報、前記使用電力量、および前記人流情報または前記混雑度の各時系列データを用いた時系列分析により、前記電力需要を予測することを特徴とする。

この第３の発明に係る電力需要予測装置によれば、気象情報、使用電力量、および人流情報または混雑度の各時系列データを用いた時系列分析を行うことにより、電力需要を精度良く予測することが可能となる。

また、第４の発明では、上記第３の発明において、前記時系列分析が、ベクトル自己回帰分析であることを特徴とする。

この第４の発明に係る電力需要予測装置によれば、時系列分析としてベクトル自己回帰分析を行うことにより、電力需要をさらに精度良く予測することが可能となる。

また、第５の発明では、上記第４の発明において、前記気象情報が、気温および日射量を含むことを特徴とする。

この第５の発明に係る電力需要予測装置によれば、気象情報として気温および日射量を用いることにより、電力需要をさらに精度良く予測することが可能となる。

また、第６の発明は、上記第１の発明ないし第５の発明のいずれかに記載の電力需要予測装置と、前記人流計測領域の人流情報を計測する人流計測装置と、前記電力需要予測装置により予測された電力需要に基づき、前記電力需要施設で使用する電力を制御する電力制御装置とを備えた電力需要予測システムである。

また、第７の発明は、電力需要施設の電力需要を予測する電力需要予測方法であって、前記電力需要施設の所在地の気象情報を取得するステップと、前記電力需要施設の使用電力量を取得するステップと、前記電力需要施設内または外の所定位置に設定された人流計測領域において計測された人流情報を取得するステップと、前記気象情報、前記使用電力量、および前記人流情報に基づき、前記電力需要施設の電力需要を予測するステップとを有することを特徴とする。

以下、本発明の実施形態について、図面を参照しながら説明する。

まず、本発明に係る電力需要予測システム１について、図１〜７を参照して説明する。この電力需要予測システム１は、電力需要施設の所在地の気象情報、電力需要施設の使用電力量、および電力需要施設内または外の所定位置に設定された人流計測領域Ｒにおいて計測された人流情報を用いて、電力需要施設の将来の電力需要を予測するシステムであり、特に、オフィスビル、公共施設、商業施設等の不特定多数の利用者が出入りする電力需要施設等に好適に適用可能である。以下では、本発明に係る電力需要予測システム１を、電力需要施設（以降、オフィスビル２と例示する）の電力需要の予測に適用した場合について説明する。

図１は、本発明に係る電力需要予測システム１の概略構成図である。図１に示すように、電力需要予測システム１は、オフィスビル２の外部に設置された人流計測装置１１と、オフィスビル２内に設置されたビルオートメーションシステム（ＢＡＳ）１２と、電力需要予測装置１３と、電力制御装置１４とを備えて構成されている。オフィスビル２には、送電線、変電所、配電線等の電力設備を含む電力網（電力グリッド）３を介して、図示しない電力供給者から電力が供給される。

電力需要予測装置１３および電力制御装置１４は、オフィスビル２の外部の適所に配置される。なお、電力需要予測装置１３および電力制御装置１４の設置位置は特に限定されるものではない。電力需要予測装置１３は、人流計測装置１１、ＢＡＳ１２および電力制御装置１４の各装置と、ＬＡＮ（Local Area Network）等の有線または無線通信（例えば、Ｗｉ−Ｆｉ（登録商標）等）を介して接続されている。なお、電力需要予測装置１３と、上記各装置との接続形態は特に限定されるものではなく、例えば、インターネット等のネットワークを介した接続であってよいし、汎用のインターフェース（例えばＵＳＢ（Universal Serial Bus）インターフェース）を用いて通信ケーブルで互いに接続してもよい。また、電力需要予測装置１３、電力制御装置１４は、装置として一体に構成されている必要はなくクラウドに分散する複数の機器やコンピュータシステムによって構成されていてもよい。

人流計測装置１１は、オフィスビル２の入口２ａの正面に、歩道４を挟んで配置され、オフィスビル２の前の歩道４上に設定された扇状の人流計測領域Ｒを通る歩行者Ｈの流れ（人流）を計測する。具体的には、人流計測領域Ｒ内を通る歩行者Ｈをリアルタイムで検出する。図１の例では、人流計測領域Ｒ内に、Ｈ１〜Ｈ４の４人の歩行者Ｈが検出されている。

本実施形態では、人流計測装置１１としてレーザレンジファインダを用いる。レーザレンジファインダは赤外線のレーザ光を用いて人流計測領域Ｒを略水平に走査し（図２を参照）、対象物（ここでは歩行者Ｈ）までの距離、方向、およその大きさを計測可能であり、歩行者Ｈのプライバシに考慮しつつ人流を昼夜問わず計測できるので便利である。また、レーザレンジファインダは広い計測領域を有するので、人流計測領域Ｒがオフィスビル２の外部に設定される場合に好適である。図１の例では、オフィスビル２の入口２ａの正面の歩道４を挟んだ位置に、センサポール５が設置されており、センサポール５にレーザレンジファインダが設置されている。レーザレンジファインダは、人間の腰の高さの位置に設置することで小動物等を歩行者Ｈとして誤検出することが回避される。

図２は、人流計測装置１１としてのレーザレンジファインダによる人流計測を概略的に示す図であり、図１に示した電力需要予測システム１を上方から見た図である。図示するように、レーザレンジファインダは、オフィスビル２の入口２ａを含む人流計測領域Ｒを赤外線光で扇状に走査するとともに、その照射光が歩行者Ｈに当たって反射された反射光を受光し、照射光と反射光との位相差に基づいて人流計測領域Ｒ内の歩行者Ｈをリアルタイムで検出する。レーザレンジファインダで計測された人流情報、すなわち歩行者Ｈ１〜Ｈ４の検出結果は、電力需要予測装置１３に入力される。

なお、人流計測装置１１は、レーザレンジファインダに限定されるものではなく、他の様々な装置を用いることができる。例えば、ビデオカメラ（夜間の撮影を考慮すると、近赤外領域に感度を有するカメラが望ましい）を用いてもよい。この場合は、ビデオカメラで人流計測領域Ｒを撮像し、撮像画像から公知の画像認識処理技術を用いて歩行者Ｈを検出する。撮像範囲を考慮してビデオカメラはセンサポール５の頂部に設置するとよい。また、人流計測領域Ｒ内の歩行者Ｈの人数を検出できる限り、他の様々な光学式センサ、電波式センサ、Ｗｉ−Ｆｉ（登録商標）パケットセンサ、ＢＬＥ（Bluetooth Low Energy）（Bluetoothは登録商標）等を用いることも可能である。

パケットセンサやＢＬＥはオフィスビル２の外部を移動する者が所有する情報端末に特定のアプリケーションをインストールする必要があり、歩行者Ｈの全数を把握することはできないが、所定の確率でアプリケーションをインストールしている歩行者Ｈが存在すると仮定することで人流計測装置１１として機能する。特にＢＬＥを用いる場合は人流計測装置１１としてBeacon発信機を設置するだけでよく、この発信機は小型、長期動作かつ低コスト化が進んでおり、システムを導入するコストの低廉化が可能となる。

なお、人流計測装置１１の配置位置は特に限定されるものではなく、所望する人流計測領域Ｒに応じて配置位置は適宜設定される。本実施形態では、人流計測領域Ｒは、オフィスビル２の外部に設定したが、オフィスビル２の内部に設定することも可能である。オフィスビル２内に人流計測領域Ｒを設定する場合、人流計測領域Ｒはオフィスビル２内の入口２ａ付近あるいは入口２ａと連結する廊下等、電力需要施設の利用者の大部分が通過する箇所に設定するとよい。また、この場合は、人流計測装置１１としては光遮断式の光学式センサを入口２ａの近傍に配置してもよく、また感圧式や静電容量式のいわゆるプレゼンスセンサを用いてもよい。これにより、オフィスビル２の利用者数を正確に把握することが可能となる。また、オフィスビル２の入口２ａの天井に下方を撮像するビデオカメラを設けて人流計測装置１１としてもよい。

ビルオートメーションシステム（ＢＡＳ）１２は、オフィスビル２の照明、空調、エレベータ、セキュリティ、防災等の各設備の動作を総合的に制御するとともに、上記各設備の使用電力量（消費電力量）を測定および制御する公知の装置である。本実施形態では、ＢＡＳ１２は、オフィスビル２全体の所定の測定期間毎の使用電力量を測定する。本実施形態では、測定期間は１時間に設定され、ＢＡＳ１２はオフィスビル２の使用電力量を１時間の周期で出力する。なお、測定期間は特に限定されるものではなく、例えば３０分や２時間等であってもよい。ＢＡＳ１２で測定された使用電力量のデータは、電力需要予測装置１３に入力される。また、ＢＡＳ１２は、電力制御装置１４から受信したリコメンド情報を利用者に発信するとともに、受信した制御命令に基づき、利用者の快適性を損なわない範囲でオフィスビル２の空調や照明等が使用する電力を制御する。

なお、ＢＡＳ１２は少なくともオフィスビル２の使用電力量の計測および、設備や機器が使用する電力の制御が可能であればよいことから、ＢＡＳ１２のような包括的なシステムに替えて、使用電力量をスマートメータ（図示せず）によって計測してもよく、また、ＢＥＭＳ（Building Energy Management System）を構築することで、使用電力量を計測し、また電力を使用する機器を制御してもよい。

電力需要予測装置１３は、一般的なコンピュータ装置であり、詳細は図示しないが、所定の制御プログラムに基づき各種情報処理や周辺機器の制御等を統括的に実行するＣＰＵ（Central Processing Unit）、ＣＰＵのワークエリア等として機能するＲＡＭ（Random Access Memory）、ＣＰＵが実行する制御プログラムやデータを格納するＲＯＭ（Read Only Memory）、ネットワークを介した通信処理を実行するネットワークインターフェース等を含んで構成されている。後に詳述する電力需要予測装置１３の各種機能（例えば、混雑度の算出処理や電力需要予測値の算出処理）は、ＣＰＵが所定の制御プログラム（例えば、混雑度算出プログラムや電力需要予測値算出プログラム）を実行することによって実現可能である。なお、電力需要予測装置１３としては、コンピュータ装置に限らず、同様の機能を果たすことが可能な他の情報処理装置（サーバ等）を用いることもできる。また、電力需要予測装置１３の機能の少なくとも一部を他の公知のハードウェアによる処理によって代替してもよい。

図３は、本発明に係る電力需要予測装置１３の構成を示すブロック図である。図３に示すように、電力需要予測装置１３は、気象情報取得部２１と、使用電力量取得部２２と、人流情報取得部２３と、混雑度推定部２４と、時系列データ記憶部２５と、電力需要予測部２６とを備えている。各部は、図示しない制御部によって制御される。

気象情報取得部２１は、気象庁や民間の気象情報サービス機関（以下、「気象庁等」と称する。）が提供するオフィスビル２の所在地の気象情報を、インターネット等を介して定期的に取得する。本実施形態では、気象情報として気温と日射量とを用い、これらを気象庁等から１時間毎に取得する。なお、気象情報の取得方法は特に限定されるものではなく、例えば、気温計と日射計を用いて現地（オフィスビル２の所在地）で測定してもよい。また、気象情報として、気温と日射量以外の情報、例えば湿度等を取得してもよい。さらに、気象情報の取得間隔は、１時間毎以外の時間間隔、例えば２時間毎であってもよい。気象情報取得部２１が取得した気象情報は、時系列データ記憶部２５に記憶される。

使用電力量取得部２２は、オフィスビル２に設置されたＢＡＳ１２から、オフィスビル２全体の１時間の使用電力量（以降、単に「オフィスビル２の使用電力量」と称する。）を取得する。本実施形態では、オフィスビル２の使用電力量を、ＢＡＳ１２から１時間毎に定期的に取得する。使用電力量取得部２２が取得したオフィスビル２の使用電力量は、時系列データ記憶部２５に記憶される。

人流情報取得部２３は、人流計測装置１１から人流情報を取得し、一時的に記憶する。人流情報は、上述したように、人流計測装置１１で測定された、人流計測領域Ｒ内の歩行者Ｈ１〜Ｈ４の検出結果である。ただし、人流計測装置１１としてレーザレンジファインダを用いた場合、ここでいう検出結果（人流情報）とは、人流計測領域Ｒに存在する物体までの距離、方向および当該物体のおよその大きさに関する情報、即ち、レーザレンジファインダの一回の走査で得られた情報を意味しており、厳密には歩行者Ｈとして特定されたものではない（人流情報から歩行者Ｈを特定する過程については後述する）。なお、人流情報取得部２３が取得した人流情報を時系列データ記憶部２５に記憶してもよい。このようにすると、後で人流情報に基づいて様々な統計学的処理・解析を行うことが可能となる。

混雑度推定部２４は、人流情報取得部２３から人流情報を取得し、人流情報に基づき混雑度を算出する。本実施形態では、混雑度は、所定の計測期間における人流計測領域Ｒ内を通った歩行者Ｈの人数とする。本実施形態では、計測期間は１時間に設定され、歩行者Ｈの延べ人数が１時間毎に出力される。なお、計測期間は特に限定されるものではなく、例えば３０分や２時間等であってもよい。

ある建物の周囲の混雑度と、その建物の利用者数との間には統計的な相関があると考えられる。特に、例えば大学のキャンパスの生活支援施設（例えば、食堂、図書館、売店）等の、利用者の行動様式を特定し易い建物では、その建物の周囲の混雑度と、その建物の利用者数との相関はより高くなると考えられる。したがって、電力需要施設の外部に設置された人流計測装置１１によって、電力需要施設の外部の所定位置に設定された人流計測領域Ｒ内の歩行者Ｈの人数を計測することにより、電力需要施設から該施設の利用者数に関する情報提供を直接的に受けることなく、電力需要施設の利用者数（即ち、電力需要施設内の混雑度）を推定すること、あるいは電力需要施設の利用者数・混雑度と相関が高いパラメータを取得することが可能となる。

図４は、人流計測装置１１（ここでは、レーザレンジファインダ）での計測結果に基づく混雑度推定部２４での混雑度推定処理の概要を示す図である。図４のゼロ座標は、レーザレンジファインダの設置位置に対応し、縦軸および横軸は、レーザレンジファインダの計測範囲に対応し、Ｌ１〜Ｌ４は、レーザレンジファインダの複数回の走査によって検出された歩行者Ｈの位置を結んだものである。図４に示すように、混雑度推定部２４において、歩行者Ｈ１〜Ｈ４は、各計測時点での検出位置を示す点を時系列的に結んだ線（動線）として抽出される。なお、レーザレンジファインダによる計測時には、いわゆるオクルージョンが生じることが知られているが、本実施形態ではオクルージョン等により検出が途切れても、所定期間（例えば２秒）以内かつ最後に計測された位置から所定距離の範囲（例えば１ｍ）に物体（ここでは歩行者Ｈ）が再検出されれば、同じ物体であると見做してトラッキングを継続している。

上述したように、レーザレンジファインダは走査範囲に存在する物体の存する方向、物体までの距離、物体のおよその大きさを計測するため、１回の走査のみでは検出された物体が歩行者Ｈか否かを特定することはできない。しかしながら複数回の走査で、物体が移動する動線を抽出し、この動線の本数を計数することで歩行者Ｈの人数を算出することができる。レーザレンジファインダの性能にもよるが、人流計測領域Ｒは有限の面積を持つから人流計測領域Ｒを所定の計測期間に通過する歩行者Ｈの数は混雑度の指標となる。また、レーザレンジファインダは物体のおよその大きさや移動速度も検出できるから、仮に人流計測領域Ｒを通過する車両等があったとしても、歩行者Ｈを車両等と分離して検出することができる。図４の例では、４本の線Ｌ１〜Ｌ４が検出されているので、歩行者Ｈの人数は４名と算出される。

図５は、人流計測領域Ｒ内に検出された歩行者Ｈの人数の例を示すグラフである。この図５のグラフは、１分毎の歩行者Ｈの人数を示している。例えば、時刻が３：００の時点（計測期間は時刻２：５９〜時刻３：００）では、人流計測領域Ｒ内に４人の歩行者Ｈが検出されている。混雑度推定部２４は、所定の計測期間（本実施形態では１時間）における人流計測領域Ｒ内を通った歩行者Ｈの延べ人数を混雑度として算出する。混雑度推定部２４で算出された混雑度は、時系列データ記憶部２５に記憶される。

以降、図３に戻って説明を続ける。時系列データ記憶部２５は、一般的なデータベースサーバであって、気象情報取得部２１、使用電力量取得部２２、および混雑度推定部２４から入力された、気温、日射量、オフィスビル２の使用電力量、および混雑度の各時系列データを記憶する。

電力需要予測部２６は、時系列データ記憶部２５に記憶された、気象情報（気温、日射量）、オフィスビル２の使用電力量、および混雑度の各時系列データ（いずれも、過去から現在に至るデータで構成される）を用いて、オフィスビル２の将来の電力需要量を予測する。本実施形態では、オフィスビル２の所定時間後の電力需要量を予測する。本実施形態では、所定時間は１時間に設定される。なお、所定時間は特に限定されるものではなく、例えば３０分や２時間等であってもよい。具体的には、電力需要予測部２６は、下記の［数２］に示す式（ベクトル自己回帰モデルを示す）を統計モデルとして用いて、電力需要の予測値（以降、「電力需要予測値」と称する。）を算出する。式中、Ａ_ｍは自己回帰係数（重み）であり、Ｍは次数（サンプル数）であり、ε_ｔは誤差項である。また、下記の［数１］は、［数２］のベクトル自己回帰による分析に用いられる、ｋ次元の時系列データである。本実施形態では、時系列データとして、気温、日射量、オフィスビル２の使用電力量、および混雑度の４次元のパラメータが用いられる（したがって、ｋ＝４である）。

発明者らは、ベクトル自己回帰モデルに用いるパラメータを決定するための実験を行った。図６は、パラメータに混雑度を含まない場合の実験結果を示す図であり、図７はパラメータに混雑度を含む場合の実験結果を示す図である。図６および図７中の「情報量規準」は統計モデルの良さを評価するための指標であり、本実験では情報量規準としてＡＩＣ（Akaike's Information Criterion）を採用した。ＡＩＣの値が小さいほど良い統計モデルである。「モデル構築に用いるサンプル数」は、ベクトル自己回帰モデルの構築に用いるサンプルの個数である。サンプル間隔は、１時間である。なお、情報量規準としては、ＡＩＣに替えて、例えばＰＤＩＯ（Predictive Divergence for Indirect Observation）を用いることも可能である。

実験においては、時点Ａ、時点Ｂ、時点Ｃ（いずれも過去の時点。時間の経過は時点Ａ→Ｂ→Ｃの順であり、時点Ｃが最も現在に近い）を設定し、時点Ａ〜時点Ｂに蓄積された時系列データに基づき、上述した［数１］、［数２］によって時点Ｃの電力需要量を予測し、これを時点Ｃにおいて実測した使用電力量と比較してＡＩＣを求めた。

図６に示すように、パラメータに混雑度を含まない場合は、「使用電力量」、「気温」、「日射量」の３つパラメータを用いた場合のＡＩＣは「２４１３．６」であり、他の場合と比べて一番小さかった。したがって、パラメータに混雑度を含まない場合は、「使用電力量」、「気温」、「日射量」の３つのパラメータを用いるのが好適であることが分かる。また、「モデル構築に用いるサンプル数」は、２６個（すなわち、ここでは過去２６時間分の時系列データ）が適切であることも分かる。なお、図６によれば、「湿度」をパラメータとして用いない方が良い統計モデルが得られることが分かったので、パラメータに混雑度を含む場合の実験（図７）では、「湿度」はパラメータから除外した。

図７に示すように、パラメータに混雑度を含む場合は、「使用電力量」、「気温」、「日射量」の３つのパラメータを用いた場合のＡＩＣが「２３６０．０」であり、他の場合と比べて一番小さかった。したがって、パラメータに混雑度を含む場合は、混雑度以外のパラメータとして「使用電力量」、「気温」、「日射量」の３つのパラメータを用いるのが好適であることが分かる。また、「モデル構築に用いるサンプル数」は、２７個が適切であることも分かる。

図６に示す実験結果と、図７に示す実験結果と比較すると、パラメータに混雑度を含む場合の最良の実験結果の情報量規準は「２３６０．０」であり、パラメータに混雑度を含まない場合の最良の実験結果の情報量規準は「２４１３．６」であったので、パラメータに混雑度を含む場合の方が、より良い統計モデルが得られることが分かった。すなわち、気象情報（気温および日射量）と使用電力量に加えて、混雑度（人流情報）を用いることにより、電力需要のより正確な予測が可能となることが分かった。

以上のようにして、電力需要予測部２６は、「混雑度」、「使用電力量」、「気温」、「日射量」の４次元のパラメータを入力としてベクトル自己回帰分析を行い、オフィスビル２の例えば１時間後の電力需要予測値を算出する。電力需要予測部２６で算出された電力需要予測値は、電力制御装置１４に入力される。なお、電力需要予測部２６で算出された電力需要予測値を時系列データ記憶部２５に記憶してもよい。このようにすると、後で電力需要予測値に基づいて様々な統計学的処理・解析を行うことが可能となる。

なお、本実施形態では、統計モデルとしてベクトル自己回帰モデルを用いて電力需要予測値の算出を行っているが、人流情報または混雑度をパラメータとして用いる限り、統計モデルとして他の時系列情報を持つ統計モデルまたは時系列情報を持たない統計モデルを用いてもよい。なお、以降、ＡＩＣを最小化する統計モデルを「最適電力需要予測モデル」と称する。

図３に戻って説明を続ける。電力制御装置１４は、電力制御部３１を備えている。電力制御部３１は、電力需要予測装置１３の電力需要予測部２６から入力された電力需要予測値に基づいて、オフィスビル２の全体または各設備の使用電力量に関するリコメンド情報または制御命令を生成し、生成したリコメンド情報または機器制御命令をオフィスビル２のＢＡＳ１２に送信する。ＢＡＳ１２は、電力制御装置１４から受信したリコメンド情報または制御命令に基づいて、オフィスビル２の全体または各設備で使用される電力を制御する。なお、電力制御部３１が出力するリコメンド情報や制御命令は電力需要予測装置１３の時系列データ記憶部２５に蓄積される。

次に、電力需要予測システム１の電力需要予測装置１３での処理の流れを、図３および図８のフロー図を参照して説明する。

まず、気象情報取得部２１が、気象庁等から、オフィスビル２の所在地の気温および日射量を１時間毎に取得する（ステップＳＴ１０１）。気象情報取得部２１が取得した気温および日射量は、時系列データ記憶部２５に記憶される。続いて、使用電力量取得部２２が、オフィスビル２に設置されたＢＡＳ１２から、オフィスビル２の使用電力量（オフィスビル２全体の１時間の使用電力量）を１時間毎に取得する（ステップＳＴ１０２）。使用電力量取得部２２が取得したオフィスビル２の使用電力量は、時系列データ記憶部２５に記憶される。

次のステップＳＴ１０３では、人流情報取得部２３が、人流計測装置１１から人流情報を取得し、一時的に記憶する。続くステップＳＴ１０４では、混雑度推定部２４が、人流情報取得部２３に一時的に記憶された人流情報を収集し、上述した歩行者Ｈの動線を計数し混雑度を算出する。上述したように、混雑度は、所定の計測期間（本実施形態では１時間）における人流計測領域Ｒを通った歩行者Ｈの延べ人数である。混雑度推定部２４で算出された混雑度（歩行者Ｈの人数）は、時系列データ記憶部２５に記憶される。なお、図３において、人流情報取得部２３が取得した人流情報を、時系列データ記憶部２５に記憶し、混雑度推定部２４が時系列データ記憶部２５から人流情報を取得して混雑度を算出するように構成してもよい。

そして、ステップＳＴ１０５では、電力需要予測部２６が、時系列データ記憶部２５に記憶された、気温、日射量、使用電力量、混雑度の各時系列データを用いて、オフィスビル２の電力需要（電力消費量）の予測値を算出する。具体的には、気温、日射量、使用電力量、混雑度の４次元の時系列データを入力として、ベクトル自己回帰分析により、オフィスビル２の例えば現時点の１時間後の電力需要予測値を算出する。電力需要予測部２６で算出された電力需要予測値は、電力制御装置１４に出力される（ステップＳＴ１０６）。なお、電力需要予測値を時系列データ記憶部２５に時系列データの一つとして記憶するようにしてもよい。

さて、上述したステップＳＴ１０１、ステップＳＴ１０２、ステップＳＴ１０４の処理順序は便宜上シーケンシャルに記載されているが、理想的にはこれらの処理は同期をとって同時に実行されることが望ましい。これは各ステップで得られる時系列データ（気象情報、使用電力量、混雑度。以降、まとめて「各事象」と呼称することがある。）のそれぞれの取得タイミング（同期）がずれると、電力需要予測に影響を与えることが想定されるからである。逆に、各事象が個々に所定の遅延をもって電力需要予測の精度に影響を与えることが分かっている場合は、各事象を取得するタイミングを意図的にずらしてもよい。この「タイミングのずらし」は、各事象の計測周期が１時間の場合、各事象の取得タイミングを相対的に１時間未満（即ち、計測周期未満）の範囲でシフトすることで実現できる。また、１時間以上ずらした時系列データを用いる場合は、時系列データ記憶部２５へのデータアクセスを制御（ポインタのシフト等）することで実現できる。

以上のように、本発明によれば、気象情報（気温および日射量）とオフィスビル２の使用電力量に加えて混雑度（人流情報）を用いて電力需要を予測するので、電力需要の従来よりも正確な予測が可能となる。また、予測された電力需要に基づき、オフィスビル２で使用される電力を適切に制御することも可能となる。

なお、本実施形態では、混雑度は、人流計測領域Ｒ内の歩行者Ｈの人数として求めたが、歩行者Ｈの移動方向や人流計測領域Ｒ内での滞留時間を加味すれば、混雑度のより高精度の推定が可能となる。

さて、電力需要予測装置１３は、オフィスビル２の使用電力量、混雑度等の時系列データを全て蓄積しているから、電力需要予測装置１３は現在使用している統計モデルの妥当性をＡＩＣの値に基づき常に評価することができる。この場合、電力需要予測装置１３は過去の時系列データを用いて、当該時系列データよりも現在に近い過去の使用電力量を予測し、これを現実に計測された使用電力量と比較することで統計モデルの妥当性を評価する（即ち、図６，図７で説明した実験で用いた手法を援用する）ことができる。そして、この評価結果に基づいて、電力需要予測装置１３は「モデル構築に用いるサンプル数」を含め、「最適電力需要予測モデル」を自律的に修正することが可能となる。

この自律的な「最適電力需要予測モデル」の修正は、例えば電力制御装置１４が出力したリコメンド情報に従ってオフィスビル２の利用者が機器の利用を控えたような場合や、受信した制御命令に従ってＢＡＳ１２がオフィスビル２の各設備に供給する電力を部分的にカットしたような場合に有効に機能する。このような状況での使用電力量の変化はＢＡＳ１２によって計測され、電力需要予測装置１３（使用電力量取得部２２）にフィードバックされる。更に、電力需要予測装置１３には、電力制御装置１４が出力したリコメンド情報や制御命令もフィードバックされる（図３の電力制御部３１から時系列データ記憶部２５に向かうパスを参照）。

そして、電力需要予測部２６は、これらを新たに［数１］の時系列データとして追加し（次元数ｋを増加させる）、［数２］を用いて電力需要予測値を算出し、これを現実の使用電力量と比較することで「最適電力需要予測モデル」を再構築する。このように、本実施形態では、電力需要予測で使用する統計モデルが、電力需要予測部２６にフィードバックされるデータによって修正されていく、いわゆるデータ駆動システムが実現される。

また、上記の実施形態では、説明を簡略化するために、電力需要施設が１つの建物（オフィスビル２）である場合について説明したが、電力需要施設は複数の建物であってもよい。

図９は、電力需要施設が３つのオフィスビル２Ａ、２Ｂ、２Ｃである場合の電力需要予測システム１の概略構成図である。オフィスビル２Ａ、２Ｂ、２Ｃは、電力網３を介して、図示しない電力供給者から電力が供給される。また、オフィスビル２Ａ、２Ｂ、２Ｃには、ＢＡＳ１２がそれぞれ設置されている。

オフィスビル２Ａの正面には歩道４を挟んで人流計測装置１１Ａが設置されており、オフィスビル２Ａの前の歩道４上に設定された扇状の人流計測領域Ｒ１の人流を測定する。また、オフィスビル２Ｂおよび２Ｃの間の正面には歩道４を挟んで人流計測装置１１Ｂが設置されており、オフィスビル２Ｂおよび２Ｃの正面の前の歩道４上にそれぞれ設定された人流計測領域Ｒ２、Ｒ３の人流を測定する。このように、１つの人流計測装置１１Ｂで複数の人流計測領域Ｒ２、Ｒ３の人流を測定することも可能である。

人流計測装置１１Ａおよび人流計測装置１１Ｂでの計測結果は、電力需要予測装置１３に入力される。また、各オフィスビル２Ａ〜２Ｃの使用電力量も、各オフィスビル２Ａ〜２ＣのＢＡＳ１２から電力需要予測装置１３に入力される。電力需要予測装置１３は、上述したようにして、各人流計測領域Ｒ１〜Ｒ３の混雑度を算出し、算出された混雑度、気象情報（気温、日射量）、使用電力量に基づき、各オフィスビル２Ａ〜２Ｃの電力需要予測値を算出する。電力需要予測装置１３で算出された各オフィスビル２Ａ〜２Ｃの電力需要予測値は電力制御装置１４に出力される。

電力制御装置１４は、電力需要予測装置１３から入力された各オフィスビル２Ａ〜２Ｃの電力需要予測値に基づいて、各オフィスビル２Ａ〜２Ｃの全体または各設備の使用電力量に関するリコメンド情報または制御命令を生成し、生成したリコメンド情報または制御命令を各オフィスビル２Ａ〜２ＣのＢＡＳ１２に送信する。そして、各オフィスビル２Ａ〜２ＣのＢＡＳ１２は、電力制御装置１４から受信したリコメンド情報または制御命令に基づいて、各オフィスビル２Ａ〜２Ｃの全体または各設備で使用する電力を管理および制御する。このようにして、電力需要施設が複数の建物である場合でも、各建物の電力需要を予測し、その予測された電力需要に基づいて各建物で使用される電力を制御することが可能である。

なお、図９に示す電力需要予測システム１は、例えばオフィスビル２Ａ〜２Ｃ毎に３つの「最適電力需要予測モデル」を構築してもよいし、オフィスビル２Ａとオフィスビル２Ｂおよび２Ｃのオフィス群について２つの「最適電力需要予測モデル」を構築してもよい。更には、電力需要予測システム１は、単一あるいは数個の施設に対する電力需要予測に限らず、例えば街の１区画、街全体、都市全体へと拡張させることも可能であり、本発明は、出願人らが構築を目指す都市ＯＳ（都市オペレーティングシステム）の一つの適用例と言えるものである。

以上、本発明を特定の実施形態に基づいて説明したが、これらの実施形態はあくまでも例示であって、本発明はこれらの実施形態によって限定されるものではない。なお、上記実施形態に示した本発明に係る電力需要予測装置およびこれを備えた電力需要予測システムならびに電力需要予測方法の各構成要素は、必ずしも全てが必須ではなく、少なくとも本開示の範囲を逸脱しない限りにおいて適宜取捨選択することが可能である。

本発明に係る電力需要予測装置およびこれを備えた電力需要予測システムならびに電力需要予測方法は、電力需要施設の電力需要の正確な予測が可能な電力需要予測装置およびこれを備えた電力需要予測システムならびに電力需要予測方法として有用である。

１ 電力需要予測システム
２ オフィスビル
３ 電力網
４ 歩道
１１ 人流計測装置
１２ ビルオートメーションシステム（ＢＡＳ）
１３ 電力需要予測装置
１４ 電力制御装置
２１ 気象情報取得部
２２ 使用電力量取得部
２３ 人流情報取得部
２４ 混雑度推定部
２５ 時系列データ記憶部
２６ 電力需要予測部
３１ 電力制御部
Ｈ 歩行者
Ｒ 人流計測領域

Claims (7)

1. 電力需要施設の電力需要を予測する電力需要予測装置であって、
   前記電力需要施設の所在地の気象情報を取得する気象情報取得部と、
   前記電力需要施設の使用電力量を取得する使用電力量取得部と、
   前記電力需要施設内または外の所定位置に設定された人流計測領域において計測された人流情報を取得する人流情報取得部と、
   前記気象情報、前記使用電力量、および前記人流情報に基づき、前記電力需要施設の電力需要を予測する電力需要予測部と
   を備えたことを特徴とする電力需要予測装置。
2. 前記人流情報に基づき前記人流計測領域の混雑度を推定する混雑度推定部をさらに備え、
   前記電力需要予測部は、前記気象情報、前記使用電力量、および前記混雑度に基づき、前記電力需要を予測することを特徴とする請求項１に記載の電力需要予測装置。
3. 前記電力需要予測部は、前記気象情報、前記使用電力量、および前記人流情報または前記混雑度の各時系列データを用いた時系列分析により、前記電力需要を予測することを特徴とする請求項２に記載の電力需要予測装置。
4. 前記時系列分析が、ベクトル自己回帰分析であることを特徴とする請求項３に記載の電力需要予測装置。
5. 前記気象情報が、気温および日射量を含むことを特徴とする請求項４に記載の電力需要予測装置。
6. 請求項１ないし請求項５のいずれかに記載の電力需要予測装置と、
   前記人流計測領域の人流情報を計測する人流計測装置と、
   前記電力需要予測装置により予測された電力需要に基づき、前記電力需要施設で使用する電力を制御する電力制御装置と
   を備えた電力需要予測システム。
7. 電力需要施設の電力需要を予測する電力需要予測方法であって、
   前記電力需要施設の所在地の気象情報を取得するステップと、
   前記電力需要施設の使用電力量を取得するステップと、
   前記電力需要施設内または外の所定位置に設定された人流計測領域において計測された人流情報を取得するステップと、
   前記気象情報、前記使用電力量、および前記人流情報に基づき、前記電力需要施設の電力需要を予測するステップと
   を有することを特徴とする電力需要予測方法。

Images