JP2017208887A - デマンド要因分析システムおよびデマンド要因分析方法 - Google Patents

Abstract

【課題】計測対象ごとの使用電力データを計測し続ける必要がない低コストのデマンド要因分析システムおよびデマンド要因分析方法を提供する。【解決手段】分析対象設備の受電点１で計測される受電点電力データ、用途２、３、４別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習手段１２と、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定手段１４とを備えるようにする。【選択図】図１

Description

本発明は、ピーク電力（デマンド電力の最大値）の要因を特定するのに好適なデマンド要因分析システムおよびデマンド要因分析方法に関するものである。

需要家の電力契約の電力料金は、前年度のピーク電力（デマンド電力の最大値）に基づいて決定されるため、ピーク電力を抑制したいというニーズは高くなっており、従来より需要家の電力特性を調べる電力診断業務が行われている。この電力診断業務は診断者が使用電力データを見える化し分析することで行われてきたが、非常に手間がかかるため、例えば特許文献１に示されるような方法・システムを使って業務支援が行われている。しかし、特許文献１のような方法・システムでは、計測対象電気機器ごとに詳細な使用電力データを計測し続ける必要があり、数が多いと診断コストが高くなるおそれがある。

特開２００６−３４９５１９号公報

このため、計測対象ごとに使用電力データを計測し続ける必要がない低コストのデマンド要因分析技術が望まれていた。

本発明は、上記に鑑みてなされたものであって、計測対象ごとの使用電力データを計測し続ける必要がない低コストのデマンド要因分析システムおよびデマンド要因分析方法を提供することを目的とする。

上記した課題を解決し、目的を達成するために、本発明に係るデマンド要因分析システムは、分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習手段と、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定手段とを備えることを特徴とする。

また、本発明に係る他のデマンド要因分析システムは、上述した発明において、学習手段は、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、推定手段は、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定することを特徴とする。

また、本発明に係る他のデマンド要因分析システムは、上述した発明において、学習手段で作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化手段をさらに備えることを特徴とする。

また、本発明に係る他のデマンド要因分析システムは、上述した発明において、学習手段は、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成することを特徴とする。

また、本発明に係るデマンド要因分析方法は、分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習ステップと、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定ステップとを備えることを特徴とする。

また、本発明に係る他のデマンド要因分析方法は、上述した発明において、学習ステップは、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、推定ステップは、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定することを特徴とする。

また、本発明に係る他のデマンド要因分析方法は、上述した発明において、学習ステップで作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化ステップをさらに備えることを特徴とする。

また、本発明に係る他のデマンド要因分析方法は、上述した発明において、学習ステップは、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成することを特徴とする。

本発明に係るデマンド要因分析システムによれば、分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習手段と、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定手段とを備えるので、計測対象ごとに使用電力データを計測し続ける必要はなくなる。このため、計測箇所を削減することができ、低コストでデマンド要因分析を行うことができるという効果を奏する。

また、本発明に係る他のデマンド要因分析システムによれば、学習手段は、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、推定手段は、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定するので、用途ごとの使用電力データの計測を行わずに低コストでデマンド要因分析を行うことができるという効果を奏する。

また、本発明に係る他のデマンド要因分析システムによれば、学習手段で作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化手段をさらに備えるので、デマンド要因分析における使用電力データの計測箇所の最適化を図ることができるという効果を奏する。

また、本発明に係る他のデマンド要因分析システムによれば、学習手段は、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成するので、人間の感性に近いモデルを作成することができ、より高精度のデマンド要因分析を行うことができるという効果を奏する。

また、本発明に係るデマンド要因分析方法によれば、分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習ステップと、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定ステップとを備えるので、計測対象ごとに使用電力データを計測し続ける必要はなくなる。このため、計測箇所を削減することができ、低コストでデマンド要因分析を行うことができるという効果を奏する。

また、本発明に係る他のデマンド要因分析方法によれば、学習ステップは、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、推定ステップは、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定するので、用途ごとの使用電力データの計測を行わずに低コストでデマンド要因分析を行うことができるという効果を奏する。

また、本発明に係る他のデマンド要因分析方法によれば、学習ステップで作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化ステップをさらに備えるので、デマンド要因分析における使用電力データの計測箇所の最適化を図ることができるという効果を奏する。

また、本発明に係る他のデマンド要因分析方法によれば、学習ステップは、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成するので、人間の感性に近いモデルを作成することができ、より高精度のデマンド要因分析を行うことができるという効果を奏する。

図１は、本発明に係るデマンド要因分析システムおよびデマンド要因分析方法の実施の形態を示す概略構成図である。 図２は、本発明に係るデマンド要因分析システムおよびデマンド要因分析方法の実施の形態１を示す図であり、（１）は学習期、（２）は推定期である。 図３は、各分電盤電力を推定した例（入力：受電点）であり、（１）は推定データ、（２）は正解データである。 図４は、本発明に係るデマンド要因分析システムおよびデマンド要因分析方法の実施の形態２を示す図であり、計測箇所の最適化の例である。 図５は、各分電盤電力を推定した例（入力：受電点＋照明）であり、（１）は推定データ、（２）は正解データである。 図６は、各分電盤電力を推定した例（入力：受電点＋空調）であり、（１）は推定データ、（２）は正解データである。 図７は、各分電盤電力を推定した例（入力：受電点＋動力）であり、（１）は推定データ、（２）は正解データである。

以下に、本発明に係るデマンド要因分析システムおよびデマンド要因分析方法の実施の形態を図面に基づいて詳細に説明する。なお、この実施の形態によりこの発明が限定されるものではない。

（実施の形態１）
まず、本発明の実施の形態１について説明する。
図１に示すように、受電点１から、各分電盤を介して測定対象電気機器である照明２、空調３、動力４に電力が用途別に供給される分析対象設備を有する建物を考える。

本発明に係るデマンド要因分析システム１０は、この分析対象設備を対象とするものであり、学習手段１２と、推定手段１４と、最適化手段１６と、入力手段１８（例えばキーボード、データ入力端子）と、出力手段２０（例えばディスプレイ）と、これらの手段による各種の制御プログラムを実行するための図示しない演算処理装置（例えばＣＰＵ）と、制御プログラムをはじめ各種データを記憶するための記憶手段２２（例えば、ＲＯＭ、ＲＡＭ、ＨＤＤ、フラッシュメモリ）とを備えている。

デマンド要因分析システム１０は、図示しない計測手段を介して受電点１、照明２、空調３、動力４用の各分電盤における電力を継続して計測可能となっており、計測した電力値は入力手段１８のデータ入力端子を通じて記憶手段２２に記録され、学習手段１２、推定手段１４、最適化手段１６などによる処理に適宜利用されるようになっている。これらの手段による処理結果は、読み出し可能に記憶手段に記録されるとともに、出力手段に適宜出力可能である。

学習手段１２は、受電点１で計測される受電点データ（受電点電力データ）を入力データ、照明２・空調３・動力４などの用途別に計測される用途データ（用途別電力データ）を教師データとする機械学習を行い、この学習結果から受電点データを用途データに分配するモデルを作成するものである。機械学習にはニューラルネットワークを用いる。これにより、人間が直接作成したような人間の感性に近いモデルを作成することができ、デマンド要因分析の精度を向上することができる。なお、本発明はニューラルネットワーク以外の他の機械学習を適用することも可能であり、学習方法を限定するものではない。

推定手段１４は、学習手段１２で作成したモデルを使って、計測した受電点データから用途データを推定するものである。より具体的には、推定手段１４は、記憶手段２２から読み出した作成済のモデルに、計測した受電点データを入力し、この結果モデルから出力される照明２・空調３・動力４の各分電盤の値を、計測されるであろう用途データとして推定する。

最適化手段１６は、学習手段１２で作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化するためのものである。この最適化手段１６により、デマンド要因分析における使用電力データの計測箇所の最適化を図ることができる。なお、本実施の形態１では最適化手段１６は適用しない。最適化手段１６の適用例は後述の実施の形態２で説明する。

上記構成の動作および作用について説明する。
まず、学習期（学習ステップ）では、図２（１）に示すように、受電点１と照明２、空調３、動力４の各分電盤での電力計測値をデータとして取得する。学習手段１２は受電点１の受電点データを入力データ、照明２、空調３、動力４の用途データを教師データ（出力データ）とする機械学習を行い、この学習結果から受電点データを用途データに分配するモデルを作成する。作成したモデルは記憶手段２２に記憶される。

次に、推定期（推定ステップ）では、図２（２）に示すように、十分な学習を通じて作成したモデルを使って、推定手段１４が受電点１での電力計測値から照明２、空調３、動力４の各分電盤の電力値を推定する。このように、受電点１の電力計測値を入力として与えるだけで、照明２、空調３、動力４の各分電盤の電力値を推定することができる。

図３は、この推定例を示したものであり、（１）は受電点１の電力計測値から各分電盤の電力値を推定した推定データ、（２）は正解を表す正解データである。この図に示すように、本実施の形態によれば、十分に学習を行うと、各分電盤の電力値を良い精度で推定できることがわかる。

また、学習期には詳細なデータを使用する必要があるため計測箇所が多くなるが、それらはテンポラリーな装置でよく、十分なデータが取れたあとは撤去してよい。このため、学習期以降は、照明２、空調３、動力４といった用途ごとの電力データの計測を継続する必要がないので計測箇所数を削減することができ、低コストでデマンド要因分析を行うことができる。また、ピーク時に消費量の多い電力用途がわかるので、ピーク削減に活用でき、契約電力料金の低減に寄与することができる。

（実施の形態２）
次に、本発明の実施の形態２について説明する。
本実施の形態２は、上記の実施の形態１の学習手段１２と推定手段１４の処理内容を一部変更したものであり、その他の手段の構成、処理内容は上記の実施の形態１と同様である。また、本実施の形態２では、デマンド要因分析システム１０による効果を最大化するために、最適化手段１６を適用して計量箇所の中で最適な計量箇所を割り出している。

学習手段１２は、受電点１で計測される受電点データ、照明２、空調３、動力４の用途別に計測される用途データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する。

推定手段１４は、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する。

上記構成の動作および作用について説明する。
図４（１）は、学習期において、受電点データと照明データを入力データとして、空調データ、動力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成した後、推定期において、計測した受電点データと照明データから、空調データ、動力データを推定する例を示したものである。なお、照明データ、空調データ、動力データは、それぞれ照明２、空調３、動力３の各分電盤で計測される用途データである。

図５は、この推定例を示したものであり、（１）は受電点１と照明２の電力計測値から空調３、動力４の各分電盤の電力値を推定した推定データ、（２）は正解を表す正解データである。この図に示すように、十分に学習を行うと、各分電盤の電力値を良い精度で推定できることがわかる。

図４（２）は、学習期において、受電点データと空調データを入力データとして、照明データ、動力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成した後、推定期において、計測した受電点データと空調データから、照明データ、動力データを推定する例を示したものである。

図６は、この推定例を示したものであり、（１）は受電点１と空調３の電力計測値から照明２、動力４の各分電盤の電力値を推定した推定データ、（２）は正解を表す正解データである。この図に示すように、十分に学習を行うと、各分電盤の電力値を良い精度で推定できることがわかる。

図４（３）は、学習期において、受電点データと動力データを入力データとして、照明データ、空調データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成した後、推定期において、計測した受電点データと動力データから、照明データ、空調データを推定する例を示したものである。

図７は、この推定例を示したものであり、（１）は受電点１と動力４の電力計測値から照明２、空調３の各分電盤の電力値を推定した推定データ、（２）は正解を表す正解データである。この図に示すように、十分に学習を行うと、各分電盤の電力値を良い精度で推定できることがわかる。

本実施の形態においても、学習期には詳細なデータを使用する必要があるため計測箇所が多くなるが、それらはテンポラリーな装置でよく、十分なデータが取れたあとは撤去してよい。このため、学習期以降は、照明２、空調３、動力４といった用途ごとの電力データの計測を継続する必要がないので計測箇所数を削減することができ、低コストでデマンド要因分析を行うことができる。また、ピーク時に消費量の多い電力用途がわかるので、ピーク削減に活用でき、契約電力料金の低減に寄与することができる。

なお、図４の例では、左から順に受電点１に加え、照明２、空調３、動力４それぞれの電力計測値を入力データとして、入力データとして使っていない用途データを推定する様子を示した。この例では、受電点１に加えている用途データは１つずつとしているが、１つ以上であればいくつでもよい。また、受電点１の受電点データを入力データとしなくてもよい。

次に、計量箇所の最適化について説明する。
最適化手段１６は、図４に示したような複数パターンの推定モデルにおいて、それぞれの推定精度を算出し、その中で最も推定精度の良いものを最適計量箇所として決定する。ここで、各モデルに対応する図５〜図７を見ると、推定した用途データへの分解能にモデル間で差があることがわかる。これらの全ポイントデータにおいて誤差（例えば平均二乗誤差）を計算し、それぞれモデルの推定精度を算出する。この算出結果については、図４の各図の下部に表示している（それぞれ精度９０％、８０％、９５％）。この例では、学習期の入力データとして受電点に動力を加えた図４（３）の例が最も精度がよく（精度９５％）、計測箇所として受電点と動力が最適と判定することができる。

なお、この例では単に推定精度だけで判定しているが、本発明はこれに限るものではない。例えば、推定精度に計測にかかるコスト（機器コスト、設置コスト、ランニングコストなど）を加えた目的関数を設定し、それを最小化するように計測箇所を最適化し、決定するようにしてもよい。

このように、本実施の形態によれば、デマンド要因分析における使用電力データの計測箇所の最適化により、コストダウンを図ることができる。また、計測箇所数の削減と推定精度の両立を図ることのできるデマンド要因分析システムを提供可能である。

以上説明したように、本発明に係るデマンド要因分析システムによれば、分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習手段と、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定手段とを備えるので、計測対象ごとに使用電力データを計測し続ける必要はなくなる。このため、計測箇所を削減することができ、低コストでデマンド要因分析を行うことができる。

また、本発明に係る他のデマンド要因分析システムによれば、学習手段は、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、推定手段は、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定するので、用途ごとの使用電力データの計測を行わずに低コストでデマンド要因分析を行うことができる。

また、本発明に係る他のデマンド要因分析システムによれば、学習手段で作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化手段をさらに備えるので、デマンド要因分析における使用電力データの計測箇所の最適化を図ることができる。

また、本発明に係る他のデマンド要因分析システムによれば、学習手段は、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成するので、人間の感性に近いモデルを作成することができ、より高精度のデマンド要因分析を行うことができる。

また、本発明に係るデマンド要因分析方法によれば、分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習ステップと、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定ステップとを備えるので、計測対象ごとに使用電力データを計測し続ける必要はなくなる。このため、計測箇所を削減することができ、低コストでデマンド要因分析を行うことができる。

また、本発明に係る他のデマンド要因分析方法によれば、学習ステップは、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、推定ステップは、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定するので、用途ごとの使用電力データの計測を行わずに低コストでデマンド要因分析を行うことができる。

また、本発明に係る他のデマンド要因分析方法によれば、学習ステップで作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化ステップをさらに備えるので、デマンド要因分析における使用電力データの計測箇所の最適化を図ることができる。

また、本発明に係る他のデマンド要因分析方法によれば、学習ステップは、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成するので、人間の感性に近いモデルを作成することができ、より高精度のデマンド要因分析を行うことができる。

以上のように、本発明に係るデマンド要因分析システムおよびデマンド要因分析方法は、ピーク電力を特定するのに有用であり、特に、計測対象ごとの使用電力データを計測し続ける必要がないので、計測箇所数を削減するのに適している。

１ 受電点
２ 照明
３ 空調
４ 動力
１０ デマンド要因分析システム
１２ 学習手段
１４ 推定手段
１６ 最適化手段
１８ 入力手段
２０ 出力手段
２２ 記憶手段

Claims (8)

1. 分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習手段と、
   作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定手段とを備えることを特徴とするデマンド要因分析システム。
2. 学習手段は、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、
   推定手段は、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定することを特徴とする請求項１に記載のデマンド要因分析システム。
3. 学習手段で作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化手段をさらに備えることを特徴とする請求項１または２に記載のデマンド要因分析システム。
4. 学習手段は、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成することを特徴とする請求項１〜３のいずれか一つに記載のデマンド要因分析システム。
5. 分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習ステップと、
   作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定ステップとを備えることを特徴とするデマンド要因分析方法。
6. 学習ステップは、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、
   推定ステップは、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定することを特徴とする請求項５に記載のデマンド要因分析方法。
7. 学習ステップで作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化ステップをさらに備えることを特徴とする請求項５または６に記載のデマンド要因分析方法。
8. 学習ステップは、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成することを特徴とする請求項５〜７のいずれか一つに記載のデマンド要因分析方法。

Images