JP2020160932A - 電力予測方法及び電力予測システム - Google Patents

Abstract

【課題】将来の突発的に増減する消費電力データの予測精度を向上する電力予測方法及び電力予測システムを提供する。【解決手段】電力予測システムにおいて、電力予測方法は、需要家の家電（負荷機器）２０３ａの過去の消費電力の推移情報に基づいて家電２０３ａの所定期間における消費電力値分布を算出する工程と、家電２０３ａと他の家電２０３ｂと間の稼働状態の関係性を算出する工程と、消費電力値分布と関係性と予測対象期間の所定時刻までの家電２０３ａの消費電力の推移情報とに基づいて需要家の所定時刻以降の消費電力の推移情報を予測する工程とを有する。【選択図】図２

Description

本発明は、電力予測方法及び電力予測システムに関する。

従来、各需要家において所定時刻までに消費する電力の積算電力を予測する技術が知られている（例えば、特許文献１参照）。

特開２０１５-１０３２４１号公報

しかしながら、上述の従来技術では、将来の突発的に増減する消費電力データの予測が困難であるという問題点があった。

そこで、本発明は、上述の課題に鑑みてなされたものであり、将来の突発的に増減する消費電力データの予測精度を向上させることができる電力予測方法及び電力予測システムを提供することを目的とする。

本発明の実施形態の第１の特徴は、電力予測方法であって、需要家の負荷機器の過去の消費電力の推移情報に基づいて、前記負荷機器の所定期間における消費電力値分布を算出する工程Ａと、前記負荷機器と他の負荷機器と間の稼働状態の関係性を算出する工程Ｂと、前記消費電力値分布と前記関係性と予測対象期間の所定時刻までの前記負荷機器の消費電力の推移情報とに基づいて、前記需要家の前記所定時刻以降の消費電力の推移情報を予測する工程Ｃとを有することを要旨とする。

本発明の実施形態の第２の特徴は、電力予測システムであって、需要家の負荷機器の過去の消費電力の推移情報に基づいて、前記負荷機器の所定期間における消費電力値分布を算出する電力値分布を算出する電力値分布計算部と、前記負荷機器と他の負荷機器と間の稼働状態の関係性を算出する稼働関係性計算部と、前記消費電力値分布と前記関係性と予測対象期間の所定時刻までの前記負荷機器の消費電力の推移情報とに基づいて、前記需要家の前記所定時刻以降の消費電力の推移情報を予測する予測計算部とを有することを要旨とする。

本発明の実施形態によれば、将来の突発的に増減する消費電力データの予測精度を向上させることができる電力予測方法及び電力予測システムを提供することができる。

図１は、一実施形態に係る電力システム１の全体構成の一例を示す図である。 図２は、一実施形態に係る電力予測システム１００におけるデータフローの一例を説明するための図である。 図３は、一実施形態に係る電力予測システム１００の家電別電力値分布計算部１０３２の動作を説明するための図である。 図４は、一実施形態に係る電力予測システム１００の家電別稼働情報変換部１０３３の動作を説明するための図である。 図５は、一実施形態に係る電力予測システム１００の家電別稼働関係性計算部１０３４の動作を説明するための図である。 図６は、一実施形態に係る電力予測システム１００の予測計算部１０３５の動作を説明するための図である。 図７は、一実施形態に係る電力予測システム１００の動作の一例を示すフローチャートである。 図８は、一実施形態に係る電力予測システム１００について説明するための図である。 図９は、一実施形態に係る電力予測システム１００について説明するための図である。

以下、本発明の実施形態に係る制御システムについて図面を参照しながら説明する。なお、以下の図面の記載において、同一又は類似の部分には、同一又は類似の符号を付している。

（第１実施形態）
以下、図１〜図７を参照して、本発明の第１実施形態について説明する。図１は、本実施形態に係る電力システム１の構成の一例を示す図である。

図１に示すように、電力システム１は、電力予測システム１００と、需要家２００とを有する。

電力予測システム１００は、１つのサーバ装置によって構成されていてもよいし、複数のサーバ装置によって構成されていてもよい。なお、電力予測システム１００は、発電事業者、送配電事業者或いは小売事業者、リソースアグリゲータ等の電力事業者によって管理されていてもよい。リソースアグリゲータは、ＶＰＰ（Ｖｉｒｔｕａｌ Ｐｏｗｅｒ Ｐｌａｎｔ）において発電事業者、送配電事業者及び小売事業者などに逆潮流の電力を提供する電力事業者である。

図１では、需要家２００として、１つの需要家２００が例示されているが、通常、かかる電力システム１には、複数の需要家２００が設けられている。各需要家は、電力系統（図示せず）接続される施設３００に対応する。

需要家２００は、通信部２０１と、電力計２０２と、家電（負荷機器）２０３（２０３ａ/２０３ｂ）とを有している。図１では、家電２０３として、２つの家電２０３ａ/２０３が例示されているが、家電２０３の数は、任意の数であってもよい。

通信部２０１は、通信モジュールによって構成されており、電力予測システム１００の通信部１０１と通信を行うように構成されている。

電力計２０２は、家電２０３（２０３ａ/２０３）の消費電力を測定するように構成されている。

家電２０３（２０３ａ/２０３）は、電力を消費する負荷機器である。例えば、家電２０３ａ/２０３は、空調機器、照明機器、給湯機器、ＡＶ（Ａｕｄｉｏ Ｖｉｓｕａｌ）機器、電気自動車及び充放電器等である。

電力予測システム１００は、通信部１０１と、記憶部１０２と、個宅需要予測部１０３とを有している。

通信部１０１は、通信モジュールによって構成されており、各需要家２００の通信部２０１と通信を行うように構成されている。

記憶部１０２は、不揮発性メモリ又は/及びＨＤＤ等の記憶媒体によって構成されており、収集データ記憶部１０２１と、予測値記憶部１０２２とを有している。

収集データ記憶部１０２１は、通信部１０１を介して各需要家から収集した各需要家２００の過去の消費電力の時系列データ（推移情報）を記憶するように構成されている。

予測値記憶部１０２２は、後述する予測計算部１０３５によって算出された各需要家２００の所定時刻以降の消費電力の時系列データ（推移情報）の予測値を記憶するように構成されている。

個宅需要予測部１０３は、メモリ及びＣＰＵ等を含む制御回路によって実現されるものであり、家電単位データ分離部１０３１と、家電別電力値分布計算部１０３２と、家電別稼働情報変換部１０３３と、家電間稼働関係性計算部１０３４と、予測計算部１０３５とを有する。

家電単位データ分離部１０３１は、図２に示すように、収集データ記憶部１０２１によって記憶されている各需要家２００の過去の消費電力の時系列データから、各需要家２００の各家電２０３の過去の消費電力の時系列データを分離するように構成されている。

例えば、家電単位データ分離部１０３１は、ディスアグリゲーション（ｄｉｓａｇｇｒｅｇａｔｉｏｎ）技術を用いて、各需要家２００の各家電２０３の過去の消費電力の時系列データを分離するように構成されていてもよい。かかるディスアグリゲーション技術とは、需要家２００全体の消費電力量に基づいて、どのような家電でどのくらいの電力が使われているかを推定する手法である。かかるディスアグリゲーション技術には、ディープラーニングやニューラルネットワークといった手法が用いられる。

家電別電力値分布計算部１０３２は、図２に示すように、家電単位データ分離部１０３１によって分離された各需要家２００の各家電２０３の過去の消費電力の時系列データに基づいて、各需要家２００の家電２０３の所定期間における消費電力値分布を算出するように構成されている。

例えば、家電別電力値分布計算部１０３２は、図３Ａに示す家電Ａの過去の消費電力の時系列データ（図３Ａの例では、２０１９年１月１日の家電Ａの消費電力の時系列データ及び２０１９年１月２日の家電Ａの消費電力の時系列データ）を用いて、ガウス過程（Ｇａｕｓｓｉａｎ ｐｒｏｃｅｓｓ）やカーネル密度推定（ＫＤＥ：Ｋｅｒｎｅｌ Ｄｅｎｓｉｔｙ Ｅｓｔｉｍａｔｉｏｎ）等のノンパラメトリックな手法によって、図３(ｂ)に示すように、家電Ａの所定期間における消費電力値分布（図３Ｂの例では、２４時間の消費電力パターンの確率密度分布ｆ_Ａ（Ｅ,ｔ））を算出するように構成されていてもよい。ここで、Ｅは、Ｎ日分の時系列データにおける消費電力値を示し、ｔは、Ｎ日分の時系列データにおける時刻を示す。

ここで、家電別電力値分布計算部１０３２は、例えば、ガウス過程を用いて、図３Ｃに示すように、家電Ａの所定期間における消費電力値分布において、各時刻の平均値及び９５％信頼区間を算出するように構成されている。ここで、９５％信頼区間は、９５％の確率で各時刻の消費電力値の母平均が含まれる範囲を示す予測範囲（予測区間）である。

家電別稼働情報変換部１０３３は、図２に示すように、家電単位データ分離部１０３１によって分離された各需要家２００の各家電２０３の過去の消費電力の時系列データを、各需要家２００の各家電２０３の稼働情報（離散状態）の時系列データに変換するように構成されている。

例えば、家電別稼働情報変換部１０３３は、図４Ａに示す家電Ａの所定期間における消費電力値分布ｆ_Ａ（Ｅ,ｔ））において、図４Ｂに示すように、

となる時刻と、

となる時刻との中間に境界Ｘを設定するように構成されていてもよい。

ここで、家電別稼働情報変換部１０３３は、かかる境界Ｘに基づいて、図４Ｃに示すように、「０：００〜１０：００」の時間帯を稼働時間帯αに設定し、「１０：００〜１７：００」の時間帯を稼働時間帯βに設定し、「１７：００〜２４：００」の時間帯を稼働時間帯γに設定するように構成されていてもよい。

そして、家電別稼働情報変換部１０３３は、図４Ｄに示す家電Ａの過去の消費電力の時系列データ（図４Ｄの例では、２０１９年１月１日の家電Ａの消費電力の時系列データ及び２０１９年１月２日の家電Ａの消費電力の時系列データ）に基づいて、各需要家２００の家電Ａの稼働情報（離散状態）の時系列データとして、図４Ｅに示すように、稼働時間帯別の稼働状態Ｓ_ｉｊを算出するように構成されていてもよい。ここで、「ｉ」は、家電の識別情報に対応するインデックスであり、「ｊ」は、稼働時間帯の識別情報に対応するインデックスである。なお、図４Ｅにおいて、「１」は、稼働時間帯ｊにおいて家電ｉが稼働中であることを示し、「０」は、稼働時間帯ｊにおいて家電ｉが非稼働であることを示す。

家電間稼働関係性計算部１０３４は、複数の家電２０３の間、例えば、家電２０３ａと他の家電２０３ｂと間の稼働状態の関係性を算出するように構成されている。具体的には、家電間稼働関係性計算部１０３４は、図２に示すように、家電別稼働情報変換部１０３３によって算出された各需要家２００の各家電２０３の稼働情報（離散状態）の時系列データに基づいて、複数の家電２０３間の稼働状態の関係性を算出するように構成されている。

以下、図５を参照して、家電間稼働関係性計算部１０３４の動作の一例について説明する。

図５Ａに示すように、ステップＳ１０３３ａにおいて、家電間稼働関係性計算部１０３４は、家電Ａの稼働情報の時系列データ（稼働時間帯ｊにおける家電Ａの稼働状態）Ｓ_Ａｊに基づいて、稼働時間帯ｊにおける家電Ａの稼動確率Ｐ（Ｓ_Ａｊ）を算出する。すなわち、家電間稼働関係性計算部１０３４は、日毎に、例えば、図５Ｂに示す「Ｐ（Ｓ_Ａα）＝２/３」及び「Ｐ（Ｓ_Ａβ）＝２/３」を算出する。

ステップＳ１０３３ｂにおいて、家電間稼働関係性計算部１０３４は、稼働時間帯ｊにおける家電Ａの稼働状態Ｓ_Ａｊとの間の関係性が算出されていない家電の稼働状態が存在するか否かについて判定する。

存在する場合、本動作は、ステップＳ１０３３ｃに進み、存在しない場合、本動作は、終了する。

ステップＳ１０３３ｃにおいて、家電間稼働関係性計算部１０３４は、稼働時間帯ｊにおける家電Ａの稼働状態Ｓ_Ａｊとの間の関係性が算出されていない家電ｉの稼働状態Ｓ_ｉｋを選出する。

ステップＳ１０３３ｄにおいて、家電間稼働関係性計算部１０３４は、稼働時間帯ｊにおける家電Ａの稼働状態Ｓ_Ａｊに基づいて、ステップＳ１０３３ｃにおいて選出した家電ｉと家電Ａとの間の稼働状態の関係性として、稼動確率Ｐ（Ｓ_ｉｋ，Ｓ_Ａｊ）を算出する。なお、稼動確率Ｐ（Ｓ_ｉｋ，Ｓ_Ａｊ）は、稼働時間帯ｋにおいて家電ｉが稼働中であり且つ稼働時間帯ｊにおいて家電Ａが稼働中である確率を示す。

すなわち、ステップＳ１０３３ｄにおいて、家電間稼働関係性計算部１０３４は、日毎に、例えば、図５Ｂに示す「Ｐ（Ｓ_Ａα，Ｓ_Ｂα）＝１/３」や「Ｐ（Ｓ_Ａβ，Ｓ_Ｂα）＝２/３」や「Ｐ（Ｓ_Ａβ，Ｓ_Ｂα）＝２/３」や「Ｐ（Ｓ_Ａα，Ｓ_Ｂβ）＝１/３」等を算出する。

予測計算部１０３５は、図２に示すように、家電別電力値分布計算部１０３２によって算出された家電Ａの消費電力値分布と、家電間稼働関係性計算部１０３４によって算出された関係性（すなわち、稼動確率Ｐ（Ｓ_ｉｋ，Ｓ_Ａｊ））と、家電単位データ分離部１０３１によって分離された予測対象期間の所定時刻までの家電Ａの消費電力の時系列データとに基づいて、需要家２００の所定時刻以降の消費電力の時系列データを予測するように構成されている。

ここで、予測対象期間としては、例えば、「日」単位の予測対象日や、「週」単位の予測対象週や、「月」単位の予測対象月や、「年」単位の予測対象年等、任意の期間を予測単位とする期間を用いることができる。

具体的には、第１に、図６Ａに示すように、予測計算部１０３５は、確定情報Ｓ_０に基づいて、事後確率Ｐ（Ｓ_ｉｊ｜Ｓ_０）を算出するように構成されている。

ここで、確定情報Ｓ_０は、予測対象日の所定時刻までの家電ｉの消費電力の時系列データ（稼働時間帯ｊにおける家電ｉの稼働状態）Ｓ_ｉｊを示し、事後確率Ｐ（Ｓ_ｉｋ｜Ｓ_０）は、稼働時間帯ｊにおける家電ｉの稼働状態を考慮した上での予測対象日の所定時刻以降（例えば、稼働時間帯ｋ）に家電ｉが稼働中である確率を示す。

例えば、図６Ａの例では、確定情報Ｓ_０として「Ｓ_Ａα＝１」及び「Ｓ_Ａα＝１」が記憶されている場合、予測計算部１０３５は、図６Ａに示す（式１）によって事後確率Ｐ（Ｓ_Ａβ｜Ｓ_０）を算出し、図６Ａに示す（式２）によって事後確率Ｐ（Ｓ_Ｂβ｜Ｓ_０）を算出するように構成されている。

すなわち、予測計算部１０３５は、図６Ｂに示すように、確定情報Ｓ_０としての稼働時間帯αにおける家電Ａの稼働状態Ｓ_Ａα及び家電Ｂの稼働状態Ｓ_Ｂαに基づいて、稼働時間帯βにおける家電Ａの稼働状態Ｓ_Ａβ及び家電Ｂの稼働状態Ｓ_Ｂβを算出するように構成されている。

第２に、図６Ｃに示すように、予測計算部１０３５は、家電Ａ及び家電Ｂの消費電力値分布に基づいて、すなわち、（式３）を用いて、所定時刻以降の消費電力の時系列データを予測するように構成されている。

ここで、図６Ｃに示すように、予測計算部１０３５は、上述の消費電力値分布に基づいて、所定時刻以降の消費電力の推移情報の精度としての予測範囲（９５％信頼区間）を算出するように構成されていてもよい。

なお、予測計算部１０３５は、予測対象日の属性に応じて、上述の所定時刻以降の消費電力の時系列データを予測するように構成されていてもよい。例えば、平日と休日とで使用される家電の種類や消費電力が異なるため、予測計算部１０３５は、予測対象日の属性（休日か平日か）に応じて、上述の所定時刻以降の消費電力の時系列データを予測するように構成されていてもよい。

以下、図７を参照して、本実施形態に係る電力予測システム１００の動作の一例について説明する。

ステップＳ１０１において、電力予測システム１００は、予測対象日に合わせて、訓練データ（すなわち、各需要家２００の消費電力の時系列データ）を休日用データ及び平日用データに分ける。

ステップＳ１０２において、電力予測システム１００は、家電単位の訓練データ（すなわち、各需要家２００の各家電の２０３の消費電力の時系列データ）に分離する。

ステップＳ１０３において、電力予測システム１００は、予測対象日の確定情報（予測対象日の所定時刻までの家電２０３の消費電力の時系列データ）が存在するか否かについて判定する。存在する場合、本動作は、ステップＳ１０６に進み、存在しない場合、本動作は、ステップＳ１０４に進む。

ステップＳ１０４において、電力予測システム１００は、ステップＳ１０２において分離された訓練データに基づいて、各需要家２００の各家電２０３の消費電力値分布を推定する。

ステップＳ１０５において、電力予測システム１００は、ステップＳ１０４において推定された各家電２０３の消費電力値分布における所定時刻以降の消費電力の時系列データを、各需要家２００の各家電２０３の所定時刻以降の消費電力の時系列データとする。

ステップＳ１０６において、電力予測システム１００は、ステップＳ１０２において分離された訓練データに基づいて、各需要家２００の各家電２０３の消費電力値分布を推定する。

ステップＳ１０７において、電力予測システム１００は、複数の家電２０３の稼働状態に基づいて、複数の家電２０３の間の稼働状態の関係性として、稼動確率Ｐ（Ｓ_ｉｋ，Ｓ_Ａｊ）を算出する。

ステップＳ１０８において、電力予測システム１００は、複数の家電２０３の間の稼働状態の関係性に基づいて、各需要家２００の各家電２０３の稼動確率を算出する。

ステップＳ１０９において、電力予測システム１００は、各需要家２００の各家電２０３の稼動確率及び消費電力値分布に基づいて、各需要家２００の各家電２０３の所定時刻以降の消費電力の時系列データを予測する。

ステップＳ１１０において、電力予測システム１００は、各需要家２００の各家電２０３の所定時刻以降の消費電力の時系列データを合計する。

ここで、ステップＳ１０３、Ｓ１０４、Ｓ１０６及びＳ１０７は、学習パートであり、ステップＳ１０５、Ｓ１０８、Ｓ１０９及びＳ１１０は、予測パートである。

本実施形態に係る電力システム１によれば、各需要家２００の各家電２０３の所定時刻以降の消費電力の時系列データを正確に予測することができるため、将来の突発的に増減する消費電力データの予測精度を向上させることができる。

また、本実施形態に係る電力システム１によれば、各需要家２００の各家電２０３の所定時刻以降の消費電力の時系列データについての予測幅を算出することによって、かかる消費電力の時系列データの予測精度をより向上させることができる。

さらに、本実施形態に係る電力システム１によれば、ディスアグリゲーション技術を採用することで、各家電２０３にセンサを取り付けることなく、各需要家２００の各家電２０３の所定時刻以降の消費電力の時系列データを予測することができる。
（第２実施形態）
以下、本発明の第２実施形態について、上述の第１実施形態との相違点に着目して説明する。

ｎ個の家電２０３が存在し、ｍ個の稼働時間帯が存在する場合、上述の複数の家電２０３の間の稼働状態の関係性の組み合わせ総数Ｎは、以下の（式３）によって算出される。

したがって、「ｎ」及び「ｍ」の増加に伴い、電力予測システム１００において、上述の関係性を算出するためのコストが指数関数的に増加することになる。

本実施形態では、かかる不都合を解決するために、家電間稼働関係性計算部１０３４は、消費電力が所定閾値を超える家電（すなわち、消費電力が大きい家電）を優先して、上述の複数の家電２０３の間の稼働状態の関係性を算出するように構成されていてもよい。

かかる場合、家電間稼働関係性計算部１０３４は、消費電力が所定閾値を下回る家電については、上述の予測値への影響が小さいものとして、上述の複数の家電２０３の間の稼働状態の関係性を算出しないように構成されていてもよい。

本実施形態に係る電力システム１によれば、複数の家電２０３の間の稼働状態の関係性の算出コストの指数関数的な増加を抑制しつつ、消費電力の時系列データの予測精度を向上させることができる。
（第３実施形態）
以下、図８及び図９を参照して、本発明の第３実施形態について、上述の第１実施形態及び第２実施形態との相違点に着目して説明する。

図８に示すように、複数の操作状態（例えば、エアコンにおける「切」「強」「弱」等）が存在する家電２０３の場合、消費電力値分布（図８に示す確率密度分布ｆ_Ａ（Ｅ,ｔ））が広がってしまうため、予測対象日の所定時刻以降の消費電力の時系列データの予測幅が広がり、かかる消費電力の時系列データの精度が下がってしまう可能性がある。

したがって、本実施形態に係る電力予測システム１００は、家電２０３の操作状態毎に、予測対象日の所定時刻以降の消費電力の時系列データを算出するように構成されていてもよい。

例えば、家電別電力値分布計算部１０３２は、図９に示すように、家電２０３の操作状態１〜３毎に、所定期間における消費電力値分布を算出するように構成されていてもよい。

また、家電間稼働関係性計算部１０３４は、家電２０３の操作状態１〜３毎に、上述の操作状態の関係性を算出するように構成されていてもよい。

さらに、予測計算部１０３５は、家電２３の操作状態１〜３毎に、上述の所定時刻以降の消費電力の時系列データを予測するように構成されている。

本実施形態に係る電力システム１によれば、複数の操作状態が存在する家電２０３についても、適切に消費電力の時系列データを予測することができる。

１…電力システム
１００…電力予測システム
１０１、２０１…通信部
１０２…記憶部
１０２１…収集データ記憶部
１０２２…予測値記憶部
１０３…個宅需要予測部
１０３１…家電単位データ分離部
１０３２…家電別電力値分布計算部
１０３３…家電別稼働情報変換部
１０３４…家電間稼働関係性計算部
１０３５…予測計算部
２００…需要家
２０２…家電

Claims (6)

1. 需要家の負荷機器の過去の消費電力の推移情報に基づいて、前記負荷機器の所定期間における消費電力値分布を算出する工程Ａと、
   前記負荷機器と他の負荷機器と間の稼働状態の関係性を算出する工程Ｂと、
   前記消費電力値分布と前記関係性と予測対象期間日の所定時刻までの前記負荷機器の消費電力の推移情報とに基づいて、前記需要家の前記所定時刻以降の消費電力の推移情報を予測する工程Ｃとを有する、電力予測方法。
2. 前記消費電力値分布に基づいて、前記所定時刻以降の消費電力の推移情報の精度を算出する工程Ｄとを更に有する、請求項１に記載の電力予測方法。
3. 前記工程Ｃにおいて、前記予測対象期間の属性に応じて、前記所定時刻以降の消費電力の推移情報を予測する、請求項１又は２に記載の電力予測方法。
4. 前記工程Ｂにおいて、消費電力が所定閾値を超える前記負荷機器に係る前記関係性を優先して算出する、請求項１〜３のいずれか一項に記載の電力予測方法。
5. 前記工程Ａにおいて、前記負荷機器の操作状態毎に、前記消費電力値分布を算出し、
   前記工程Ｂにおいて、前記負荷機器の操作状態毎に、前記関係性を算出し、
   前記工程Ｃにおいて、前記負荷機器の操作状態毎に、前記所定時刻以降の消費電力の推移情報を予測する、請求項１〜４のいずれか一項に記載の電力予測方法。
6. 需要家の負荷機器の過去の消費電力の推移情報に基づいて、前記負荷機器の所定期間における消費電力値分布を算出する電力値分布を算出する電力値分布計算部と、
   前記負荷機器と他の負荷機器と間の稼働状態の関係性を算出する稼働関係性計算部と、
   前記消費電力値分布と前記関係性と予測対象期間の所定時刻までの前記負荷機器の消費電力の推移情報とに基づいて、前記需要家の前記所定時刻以降の消費電力の推移情報を予測する予測計算部とを有する、電力予測システム。

Images