JP2022089658A - バーチャルパワープラントの形成制御システムおよびその形成制御方法 - Google Patents

Abstract

【課題】都市エリアや周辺エリアに関わらず、様々なエネルギーリソースを効率的に活用してバーチャルパワープラントを形成し、電力の需給量のバランスをより一層確実なものとする。【解決手段】各地に分散している複数のエネルギーリソースをネットワークを介して統合制御しあたかも１つの発電所として機能させるバーチャルパワープラントの形成制御システムであって、複数の需要家の電力使用状況を示す情報を含む属性情報が記憶される属性記憶部と、説明変数である属性情報と目的変数である属性情報の分類結果との相関関係を学習する学習モデルが記憶される学習モデル記憶部と、学習モデルを用いて属性情報に対する分類結果を予測する学習部と、複数のエネルギーリソースの中から学習部による予測結果に基づいてエネルギーリソースを選択的に統合しデマンドレスポンスに応じて統合したエネルギーリソースを制御する統合制御部とを備える。【選択図】図２

Description

本発明は、バーチャルパワープラントの形成制御システムおよびその形成制御方法に関する。

近年、より安定的で無駄の少ない電力システムを実現するために、需要家が保有する分散型電源や蓄電設備などの様々なエネルギーリソースを統合制御し、あたかも一つの発電所であるかのように機能させるバーチャルパワープラント（Virtual Power Plant、ＶＰＰ）の開発が進められている（特許文献１を参照）。
バーチャルパワープラントを形成することにより、電力の需給バランスの調整を、従来のように火力発電所等の大規模発電所の出力を調整することで行う代わりに、上げＤＲ（Demand Response）や下げＤＲ等のデマンドレスポンスによって行うことが可能になる。

特開２０２０－１０８３０１号公報

ここで、都市エリアでバーチャルパワープラントを形成する場合と、都市エリアの周辺となる周辺エリアでバーチャルパワープラントを形成する場合と、を比べると、都市エリアでは、発電設備や蓄電設備などの様々な種類のエネルギーリソースが豊富に集まっているため、効率的にバーチャルパワープラントが形成できる場合が多いのに対し、周辺エリアでは特定の種類のエネルギーリソース（例えば太陽光発電設備など）に偏っていることが多いため、バーチャルパワープラントが形成しにくいことが多い。
そのため、周辺エリアに設けられているエネルギーリソースは、バーチャルパワープラントの対象として有効に活用されていないのが現状である。

そこで、本発明は、都市エリアや周辺エリアに関わらず、遍在する様々なエネルギーリソースを効率的に活用してバーチャルパワープラントを形成し、電力の需給量のバランスをより一層確実なものとするバーチャルパワープラントの形成制御システムおよびその形成制御方法を提供することを目的とする。

前述した課題を解決する主たる本発明は、複数の需要家が所有する、各地に分散している複数のエネルギーリソースをネットワークを介して統合制御し、あたかも１つの発電所として機能させるバーチャルパワープラントの形成制御システムであって、前記複数の需要家の電力使用状況を示す情報を含む属性情報が記憶される属性記憶部と、説明変数である前記属性情報と、目的変数である前記属性情報の分類結果との相関関係を学習する学習モデルが記憶される学習モデル記憶部と、前記学習モデルを用いて、前記属性情報に対する前記分類結果を予測する学習部と、前記複数のエネルギーリソースの中から、前記学習部による予測結果に基づいてエネルギーリソースを選択的に統合し、デマンドレスポンスに応じて、統合した前記エネルギーリソースを制御する統合制御部と、を備える。
本発明の他の特徴については、添付図面及び本明細書の記載により明らかとなる。

本発明によれば、都市エリアや周辺エリアに関わらず、遍在する様々なエネルギーリソースを効率的に活用してバーチャルパワープラントを形成し、電力の需給量のバランスをより一層確実なものとすることが可能となる。

本実施形態に係るバーチャルパワープラントの形成を説明する全体図である。 アグリゲータサーバの機能を示すブロック図である。 属性記憶部に記憶される属性情報Ａのテーブルデータの一例を示す図である。 属性記憶部に記憶される属性情報Ｂのテーブルデータの一例を示す図である。 属性記憶部に記憶される属性情報Ｃのテーブルデータの一例を示す図である。 電力系統の一例を示す図である。 バーチャルパワープラントを形成する際の統合制御部の動作の一例を示すフローチャートである。 デマンドレスポンスの応答の流れを自動化した際の一例を示すフローチャートである。

本明細書および添付図面の記載により、少なくとも以下の事項が明らかとなる。

図１は、本実施形態に係るバーチャルパワープラントの形成を説明する全体図である。バーチャルパワープラントはアグリゲータによって事業運営が行われる。本実施形態では、アグリゲータは、リソースアグリゲータ及びアグリゲーションコーディネータを総称しており、リソースアグリゲータ及びアグリゲーションコーディネータのいずれか一方、あるいは両方を指す場合がある。リソースアグリゲータは、エネルギーリソースを保有する各需要家との契約に基づき、エネルギーリソースの制御を行う。アグリゲーションコーディネータは、各リソースアグリゲータが制御した電力量を束ね、一般送配電事業者や小売電気事業者と電力取引を行う。また本実施形態では、一般送配電事業者及び小売電気事業者を電気事業者と総称する。そのため、電気事業者は、一般送配電事業者及び小売電気事業者のいずれか一方、あるいは両方を指す場合がある。
本実施形態では、例えば、アグリゲータによって、バーチャルパワープラントを形成する対象となる管理エリア１０が決定されていることとする。この管理エリア１０には、複数の需要家が所有する創エネルギー、蓄エネルギー、省エネルギー等の様々な複数のエネルギーリソースが分散して設置されている。また、管理エリア１０の規模は、市区町村程度の比較的小規模のものであってもよいし、都道府県を跨ぐような比較的大規模のものであってもよい。

本実施形態では、管理エリア１０は、例えば、都市エリア１０Ａおよび当該都市エリア１０Ａの周辺のエリアである周辺エリア１０Ｂとに大別されていることとする。都市エリア１０Ａには、経済活動を行うための商業施設や工業施設等が密集しており、多くのエネルギーリソース２０が集中的に設置されている。一方、周辺エリア１０Ｂには、経済活動を行うための施設に比べて住宅が多い傾向になっており、エネルギーリソース２０は都市エリア１０Ａに比べて少ない数ではあるがまばらに設置されていることとする。尚、都市エリア１０Ａに分散している複数のエネルギーリソースを２０Ａとし、周辺エリア１０Ｂに分散している複数のエネルギーリソースを２０Ｂとする。これらのエネルギーリソース２０Ａ、２０Ｂは、電力網（不図示）に連系されているが、後述するアグリゲータサーバ５０からの指示に従って、ＩｏＴ等のネットワーク３０を介して通信可能に選択的に統合されることとなる。

バーチャルパワープラントは、都市エリア１０Ａや周辺エリア１０Ｂに関わらず、管理エリア１０内のエネルギーリソース２０Ａ、２０Ｂの中から、複数の需要家やエネルギーリソース２０Ａ、２０Ｂについての属性情報に応じた情報に該当するエネルギーリソース２０Ａ、２０Ｂ（例えば図１においてＶＰＰと記載した太枠内）を、ネットワーク３０を介して統合することによって形成される。このようにして形成されたバーチャルパワープラントは、電力の供給量に対して需要家による電力の需要量がバランスすることに貢献するように、その時点の電力の供給量に応じて発生する上げＤＲ、下げＤＲ等のデマンドレスポンスに応じて、電力の需要量を意図的に増加または減少させる動作を行う。つまり、バーチャルパワープラントは、仮想的な発電所として機能する。ここで、本実施形態では、上記の属性情報を説明変数とし、上記の属性情報の分類結果を目的変数とし、これらの属性情報と分類結果との相関関係を学習した学習モデルを用意し、この学習モデルを用いて予測された属性情報の分類結果（属性情報に応じた情報）に従って、エネルギーリソース２０Ａ、２０Ｂを選択的に統合してバーチャルパワープラントを形成する。

エネルギーリソース２０Ａ、２０Ｂは、ネットワーク３０を通してバーチャルパワープラントを形成することができるように、ＧＷ（ゲートウェイ：gateway）、ＨＥＭＳ（Home Energy Management System）、ＢＥＭＳ（Building Energy Management System）、ＦＥＭＳ（Factory Energy Management System）等の通信を中継する中継システム４０（電力マネジメントシステムとも言う）と接続され、更に、この中継システム４０およびネットワーク３０を介して、エネルギーリソース２０Ａ、２０Ｂの統合ひいてはバーチャルパワープラントの形成を行うためのアグリゲータサーバ５０と通信可能に接続されている。

デマンドレスポンスとは、電力の供給量と需要家による電力の需要量とがバランスするように、バーチャルパワープラントを形成する複数のエネルギーリソース２０Ａ、２０Ｂによる電力の需要量を制御して電力需要パターンを変化させるための需要応答指令のことである。デマンドレスポンスには、上げＤＲと下げＤＲがある。上げＤＲとは、電力の供給量よりも電力の需要量が少ないときに、バーチャルパワープラント内の複数のエネルギーリソース２０Ａ、２０Ｂによる電力の需要量（消費量）を増加させるための指令のことである。例えば、電力系統に連系されている太陽光発電システムによる電力の供給量が晴天の影響を受けて供給過多になる虞がある場合、上げＤＲを発生し、例えば、バーチャルパワープラントを形成するエネルギーリソース２０Ａ、２０Ｂに蓄電池（蓄エネルギーリソース）が含まれている場合、蓄電池の需要を増加させることによって、供給過多となる電力量を蓄電池に充電させる。一方、下げＤＲとは、電力の供給量よりも電力の需要量が多いときに、バーチャルパワープラント内の複数のエネルギーリソース２０Ａ、２０Ｂによる電力の需要量を減少させる指令のことである。例えば、猛暑でエアコン等の稼働の需要が多く、電力の供給量が不足する虞がある場合、下げＤＲを発生し、バーチャルパワープラント内の何れかのエネルギーリソース２０Ａ、２０Ｂの需要量を減少させる。このように、バーチャルパワープラント内の複数のエネルギーリソース２０Ａ、２０Ｂの需要パターンを変化させることによって、電力の需給量をバランスさせることに貢献することが可能となる。

エネルギーリソース２０Ａ、２０Ｂの１つの種類である創エネルギーリソースとは、電気を創出するリソースのことであり、例えば、太陽光発電システム、コジェネレーションシステム、再生可能エネルギー熱（地中熱・太陽熱・雪氷熱等）利用システム、燃料電池自動車等が一例として挙げられる。また、エネルギーリソース２０Ａ、２０Ｂの他の１つの種類である蓄エネルギーリソースとは、電気エネルギーを蓄えるリソースのことであり、例えば、家庭用蓄電池、系統用蓄電池、ヒートポンプ給湯器等が一例として挙げられる。また、エネルギーリソース２０Ａ、２０Ｂの他の１つの種類である省エネルギーリソースとは、電気の節電を行うリソースのことであり、例えば、業務・産業用ＥＭＳ（Energy Management System）、ＩｏＴ化された照明器具、空調設備、冷凍機器等が一例として挙げられる。バーチャルパワープラントは、これらの複数のエネルギーリソース２０Ａ、２０Ｂに含まれる創エネルギーリソース、蓄エネルギーリソース、省エネルギーリソースを、複数の需要家や複数のエネルギーリソース２０Ａ、２０Ｂの属性に基づいて選択的に統合することによって形成される。

アグリゲータサーバ５０は、アグリゲータによって管理されるサーバである。上述したように、アグリゲータは、リソースアグリゲータとアグリゲーションコーディネータとを総称しているため、リソースアグリゲータによって管理されるサーバ（リソースアグリゲータサーバとも記す）と、アグリゲーションコーディネータによって管理されるサーバ（アグリゲーションコーディネータサーバとも記す）と、が存在するが、本実施形態では、リソースアグリゲータサーバとアグリゲーションコーディネータサーバとを総称してアグリゲータサーバ５０としている。アグリゲータサーバ５０は、ハードウエアとしてはコンピュータによって構成され、当該コンピュータのソフトウエア処理によってアグリゲータサーバ５０としての各種機能を実現する。

電気事業者サーバ６０は、電気事業者によって管理されるサーバである。上述したように、電気事業者は一般送配電事業者及び小売電気事業者を総称しているため、一般送配電事業者によって管理されるサーバ（一般送配電事業者サーバとも記す）と、小売電気事業者によって管理されるサーバ（小売電気事業者サーバとも記す）と、が含まれるが、本実施形態では一般送配電事業者サーバと小売電気事業者サーバとを総称して電気事業者サーバ６０としている。電気事業者サーバ６０は、アグリゲータサーバ５０にデマンドレスポンスを発生したり、アグリゲータサーバ５０からデマンドレスポンスに従ってエネルギーリソース２０Ａ、２０Ｂの動作を制御した結果を受け取ったりする。電気事業者サーバ６０は、ハードウエアとしてはコンピュータによって構成され、当該コンピュータのソフトウエア処理によって電気事業者サーバ６０としての各種機能を実現する。

アグリゲータサーバ５０は、エネルギーリソース２０Ａ、２０Ｂを所有する複数の需要家や、エネルギーリソース２０Ａ、２０Ｂに関して予め定められた属性から学習モデルによって分類された予測結果に基づいて、都市エリア１０Ａや周辺エリア１０Ｂに関わらず、管理エリア１０内に設置されている複数のエネルギーリソース２０Ａ、２０Ｂを、ネットワーク３０を介して選択的に統合し、これによってバーチャルパワープラントを形成させる。

図２は、アグリゲータサーバ５０の機能を示すブロック図である。
アグリゲータサーバ５０は、バーチャルパワープラントを形成するための手段として、属性記憶部５１０、学習モデル記憶部５２０、学習部５３０、統合制御部５４０を含んで構成されている。アグリゲータサーバ５０は、ハードウエアとしては電気事業者サーバ６０と同様にコンピュータによって構成され、当該コンピュータのソフトウエア処理によって、上記の属性記憶部５１０、学習モデル記憶部５２０、学習部５３０、統合制御部５４０の機能を実現する。

属性記憶部５１０には、学習部５３０が学習モデル記憶部５２０に記憶されている学習モデルを用いて所定の分類結果を得る際に必要となる属性情報が予め記憶されている。属性情報は、例えば、管理エリア１０に分散して設置されている複数のエネルギーリソース２０Ａ、２０Ｂに関して、これらのエネルギーリソース２０Ａ、２０Ｂを所有する複数の需要家の電力使用状況を示す属性情報Ａ、複数のエネルギーリソース２０Ａ、２０Ｂが接続されている電力系統を示す属性情報Ｂ、複数のエネルギーリソース２０Ａ、２０Ｂの地理的な位置を示す属性情報Ｃを含んでいる。尚、属性記憶部５１０は、例えば、ハードディスクや半導体不揮発性メモリ等のハードウエアを用いて構成され、ソフトウエア処理によって属性情報の参照や更新等の機能が可能となっている。

図３Ａは属性記憶部５１０に記憶される属性情報Ａのテーブルデータの一例を示している。図３Ｂは属性記憶部５１０に記憶される属性情報Ｂのテーブルデータの一例を示している。図３Ｃは属性記憶部５１０に記憶される属性情報Ｃのテーブルデータの一例を示している。

属性情報Ａは、例えば、エネルギーリソース２０Ａ、２０Ｂを所有する複数の需要家それぞれの、１日における所定時間毎の電力消費量（電力消費カーブ）を電力使用状況として捉えた情報である。所定時間は、例えば１５分単位でも１時間単位でもよい。また、この１日は、例えば平日と休日・祝日とに分けてもよく、この場合、平日における所定時間毎の電力消費量は、例えば月曜～金曜までの電力消費量を所定時間ごとに平均した値とすることができ、一方、休日・祝日における所定時間毎の電力消費量は、例えば土曜、日曜、祝日の電力需要量を所定時間毎に平均した値とすることができる。１日の所定時間毎の電力消費量を平日と休日・祝日とで分ける場合、この情報を例えば１週間単位で更新して属性記憶部５１０に記憶させればよい。これにより、複数の需要家の最新の電力使用状況を示す情報を、バーチャルパワープラントの統合に効果的に用いることが可能となる。例えば、複数の需要家をＸ１～Ｘｎとし、各需要家Ｘ１～Ｘｎの平日の電力使用状況を示す情報をＷ１１～Ｗ１ｎとし、各需要家Ｘ１～Ｘｎの休日・祝日の電力使用状況を示す情報をＷ２１～Ｗ２ｎとする。

図４は電力系統の一例を示す図であり、例えば、図４に記載された全エリアが管理エリア１０に相当するものとする。図４には、例えば、２つの変電所Ｈ１、Ｈ２、変電所Ｈ１、Ｈ２にそれぞれ接続された母線Ｋ１、Ｋ２、母線Ｋ１から分岐する配電線Ｆ１、Ｆ２、母線Ｋ２から分岐する配電線Ｆ３、Ｆ４が示されている。例えば、配電線Ｆ１、Ｆ２には都市エリア１０Ａが跨るように形成され、この都市エリア１０Ａ内では複数のエネルギーリソース２０Ａ（白丸印）が分散し且つ密集して設置されていることとする。更に、配電線Ｆ３、Ｆ４には周辺エリア１０Ｂが跨るように形成され、この周辺エリア１０Ｂ内では複数のエネルギーリソース２０Ｂ（白三角印）が分散して設置されていることとする。

属性情報Ｂは、例えば、複数のエネルギーリソース２０Ａ、２０Ｂが接続されている配電線Ｆ１～Ｆ４を示す情報である。例えば、配電線Ｆ１、Ｆ２に跨る都市エリア１０Ａ内に分散している複数のエネルギーリソースを２０Ａ１～２０Ａｎとすると、複数のエネルギーリソース２０Ａ１～２０Ａｎは、接続される配電線Ｆ１、Ｆ２の情報および該当するエネルギーリソース２０Ａ１～２０Ａｎを所有する需要家Ｘ１～Ｘｎを示す情報とともに対応付けられて、属性情報Ｂとして属性記憶部５１０に記憶される。また、配電線Ｆ２～Ｆ４に跨る周辺エリア１０Ｂ内に分散している複数のエネルギーリソースを２０Ｂ１～２０Ｂｎとすると、複数のエネルギーリソース２０Ｂ１～２０Ｂｎは、接続される配電線Ｆ２～Ｆ４の情報および該当するエネルギーリソース２０Ｂ１～２０Ｂｎを所有する需要家Ｘ１～Ｘｎを示す情報とともに対応付けられて、属性情報Ｂとして属性記憶部５１０に記憶される。ここで、需要家Ｘ１～Ｘｎを示す情報は、属性情報Ａにおける需要家Ｘ１～Ｘｎと同一の情報でもよいし、属性情報Ａにおける需要家Ｘ１～Ｘｎに対応する情報でもよい。つまり、属性情報Ａ、Ｂにおける需要家Ｘ１～Ｘｎが一致する情報であれば如何なる情報を用いてもよい。

属性情報Ｃは、複数のエネルギーリソース２０Ａ、２０Ｂがそれぞれ都市エリア１０Ａおよび周辺エリア１０Ｂに設置されている地理的な位置を示す情報である。図４の都市エリア１０Ａ内で分散している複数のエネルギーリソース２０Ａ１～２０Ａｎは、当該複数のエネルギーリソース２０Ａ１～２０Ａｎの地理的な位置を示す情報および該当する複数のエネルギーリソース２０Ａ１～２０Ａｎを所有する需要家Ｘ１～Ｘｎを示す情報とともに対応付けられて、属性情報Ｃとして属性記憶部５１０に記憶される。同様に、図４の周辺エリア１０Ｂ内で分散している複数のエネルギーリソース２０Ｂ１～２０Ｂｎは、当該複数のエネルギーリソース２０Ｂ１～２０Ｂｎの地理的な位置を示す情報および該当する複数のエネルギーリソース２０Ｂ１～２０Ｂｎを所有する需要家Ｘ１～Ｘｎを示す情報とともに対応付けられて、属性情報Ｃとして属性記憶部５１０に記憶される。ここで、需要家Ｘ１～Ｘｎを示す情報は、属性情報Ａにおける需要家Ｘ１～Ｘｎと同一の情報でもよいし、属性情報Ａにおける需要家Ｘ１～Ｘｎに対応する情報でもよい。つまり、属性情報Ａ、Ｃにおける需要家Ｘ１～Ｘｎが一致する情報であれば如何なる情報を用いてもよい。また、複数のエネルギーリソース２０Ａ、２０Ｂの地理的な位置を示す情報は、例えば、該当するエネルギーリソース２０Ａ、２０Ｂの設置位置を示す住所情報や経度緯度情報とすることができるが、本実施形態では住所情報であることとする。例えば、エネルギーリソース２０Ａ１～２０Ａｎの住所情報をＡＤ１１～ＡＤ１ｎとし、エネルギーリソース２０Ｂ１～２０Ｂｎの住所情報をＡＤ２１～ＡＤ２ｎとする。

学習モデル記憶部５２０には、属性情報Ａ～Ｃを説明変数とし、様々な分類結果を目的変数として、属性情報Ａ～Ｃと様々な分類結果との間の相関関係を、特徴量を抽出することによって機械学習した学習モデルが予め記憶されている。学習モデルとしては、属性情報Ａ～Ｃのそれぞれから様々な分類結果を得るモデルであってもよいし、属性情報Ａ～Ｃの２つ以上の組み合わせから様々な分類結果を得るモデルであってもよい。

学習部５３０は、学習モデル記憶部５２０に記憶されている学習モデルを用いて、入力される属性情報Ａ～Ｃが該当すべき分類を予測する。例えば、管理エリア１０内において、平日の１２時から１５時までの電力消費量を低減させる分類を考えた場合、学習部５３０は、学習モデルを用いて、例えば属性情報Ａから上記の分類に該当するエネルギーリソース２０Ａ、２０Ｂを予測する。また、学習部５３０は、分類の予測結果の精度を高めるために、学習モデルを用いて、例えば属性情報Ａ、Ｂから上記の分類に該当するエネルギーリソース２０Ａ、２０Ｂを予測するようにしてもよい。更に、学習部５３０は、エネルギーリソース２０Ａ、２０Ｂの地理的な条件を加味する場合、学習モデルを用いて、例えば属性情報Ｃよりも属性情報Ａ、Ｂを優先する形で、上記の分類に該当するエネルギーリソース２０Ａ、２０Ｂを予測するようにしてもよい。

統合制御部５４０は、都市エリア１０Ａ内に分散する複数のエネルギーリソース２０Ａおよび周辺エリア１０Ｂに分散する複数のエネルギーリソース２０Ｂの中から、学習部５３０の予測結果に従って、デマンドレスポンスに応答する場合に最適と判断される複数のエネルギーリソース２０Ａ、２０Ｂを、ネットワーク３０を介して選択的に統合し、バーチャルパワープラントを形成させる。

統合制御部５４０は、上記のように属性情報Ｃよりも属性情報Ａ、Ｂの方を優先した学習部５３０の予測結果に従って、複数のエネルギーリソース２０Ａ、２０Ｂを選択的に統合する。

ここで、属性情報Ａには、各需要家Ｘ１～Ｘｎの１日における所定時間毎の電力消費量を示す情報が含まれている。そこで、統合制御部５４０は、属性情報Ａを用いた学習部５３０の予測結果に従って、類似した電力消費を行う需要家Ｘ１～Ｘｎを選択して、選択された需要家Ｘ１～Ｘｎが所有するエネルギーリソース２０Ａ、２０Ｂをネットワーク３０を介して統合する。一例として、下げＤＲによって、例えば平日の１２時から１５時までの電力の需要量を下げる必要がある場合、統合制御部５４０は、属性情報Ａを用いた学習部５３０の予測結果に従って、平日の１２時から１５時までの間の電力の消費量が一定以上に大きくなる電力使用状況を示す分類に含まれる情報Ｗ１１～Ｗ１ｎのみを選択し、この選択された電力使用状況を示す情報Ｗ１１～Ｗ１ｎに該当する需要家Ｘ１～Ｘｎが所有するエネルギーリソース２０Ａ、２０Ｂをネットワーク３０を介して統合する。そして、統合制御部５４０は、統合して形成されたバーチャルパワープラント内で、平日の１２時から１５時の間、下げＤＲに従って、エネルギーリソース２０Ａ、２０Ｂによる電力消費量を効率的に低減させることができる。このように、属性情報Ａは、デマンドレスポンスに応じてバーチャルパワープラントを構成するエネルギーリソース２０Ａ、２０Ｂの需要をどのように制御するのかに関して、その需要を予測するための有益な情報となる。また、属性情報Ａを用いた学習部５３０の予測結果から選択された需要家Ｘ１～Ｘｎは類似した電力使用状況にあることから、バーチャルパワープラントが１回のデマンドレスポンスで効率的に動作するために用いる情報としては、優先度が高い情報となる。

属性情報Ｂは、複数のエネルギーリソース２０Ａ、２０Ｂが配電線Ｆ１～Ｆ４のうちどの配電線に接続されているのかを示す情報である。配電線Ｆ１、Ｆ２は、共通の母線Ｋ１から分岐する電力線であることから、相関が強く、また、配電線Ｆ１、Ｆ２の系統間距離は、他の電力系統（例えば配電線Ｆ３、Ｆ４）と比べて比較的短い。同様に、配電線Ｆ３、Ｆ４は、共通の母線Ｋ２から分岐する電力線であることから、相関が強く、また、配電線Ｆ３、Ｆ４の系統間距離は、他の電力系統（例えば配電線Ｆ１、Ｆ２）と比べて比較的短い。このことから、配電線Ｆ１、Ｆ２（または配電線Ｆ３、Ｆ４）に接続された複数のエネルギーリソース２０Ａ、２０Ｂは、同様の自然環境（天候や災害等）の影響を受ける可能性が高い。また、配電線Ｆ１～Ｆ４のうち何れか１つの配電線に共通に接続されるエネルギーリソース２０Ａ、２０Ｂについても同様のことが言える。よって、配電線Ｆ１、Ｆ２の少なくとも一方や、配電線Ｆ３、Ｆ４の少なくとも一方に接続されたエネルギーリソース２０Ａ、２０Ｂは、類似した電力使用状況を呈する可能性が高くなることから、バーチャルパワープラントが１回のデマンドレスポンスで効率的に動作するために用いる情報としては、優先度が高い情報となる。

属性情報Ｃは、複数のエネルギーリソース２０Ａ、２０Ｂの地理的な位置を示す情報であって、デマンドレスポンスの条件によっては、地理的に近い位置に分散しているエネルギーリソース２０Ａ、２０Ｂ（例えば配電線Ｆ１、Ｆ２に接続されているエネルギーリソース２０Ａ、２０Ｂ）や、地理的に遠い位置に分散しているエネルギーリソース２０Ａ、２０Ｂ（例えば配電線Ｆ１、Ｆ４に接続されているエネルギーリソース２０Ａ、２０Ｂ）を、バーチャルパワープラントを形成するための情報として用いることができる。電力の供給量に対して需要家が消費する電力の需要量をバランスさせることを目的として、少ない回数のデマンドレスポンスでバーチャルパワープラントを効率的に動作させる場合、本実施形態では、属性情報Ｃよりも属性情報Ａ、Ｂを優先的に用いることとする。

尚、本実施形態では、説明変数として学習部５３０に入力される情報として属性情報Ａ～Ｃを用いているが、属性情報はこれに限定されるものではない。属性情報Ａ～Ｃのほかに、例えば、エネルギーリソース２０Ａ、２０Ｂが分際している地域の気象予測情報やイベント情報、ハザード情報等を、複数のエネルギーリソース２０Ａ、２０Ｂを統合するための情報として適宜使用するようにしてもよい。

図５は、バーチャルパワープラントを形成する際の統合制御部５４０の動作の一例を示すフローチャートである。尚、説明の便宜上、バーチャルパワープラントの形成に際して、属性記憶部５１０に記憶されている属性情報Ａ、Ｂが学習部５３０に入力されることとする。また、デマンドレスポンスは例えば下げＤＲであって、上記のように平日の１２時から１５時までの電力消費量を一定量下げる指令であることとする。

先ず、統合制御部５４０は、電気事業者サーバ６０からデマンドレスポンスを受信したか否かを判定する（ステップＳ１０）。統合制御部５４０は、デマンドレスポンスを受信していない場合（ステップＳ１０：ＮＯ）、デマンドレスポンスを受信するまで、ステップＳ１０の判定動作を繰り返し実行する。一方、統合制御部５４０は、デマンドレスポンスを受信した場合（ステップＳ１０：ＹＥＳ）、学習部５３０が学習モデル記憶部５２０に記憶されている学習モデルを用いて得られた分類結果の中から、上記の下げＤＲに応答可能とされる分類結果に該当する複数のエネルギーリソース２０Ａ、２０Ｂを選択する（ステップＳ２０）。

次に、統合制御部５４０は、選択されたエネルギーリソース２０Ａ、２０Ｂを、ネットワーク３０を介して統合して、バーチャルパワープラントを形成させる。例えば、図４に示すように、配電線Ｆ２に接続されたエネルギーリソース２０Ａ、２０Ｂの中で、太線で囲まれたエリア内のエネルギーリソース２０Ａ、２０Ｂが、統合制御部５４０によって統合されてバーチャルパワープラントとなる。このバーチャルパワープラントは、都市エリア１０Ａに含まれるエネルギーリソース２０Ａと、周辺エリア１０Ｂに含まれるエネルギーリソース２０Ｂとを選択的に統合して形成されている（ステップＳ５０）。

図６は、デマンドレスポンスの応答の流れを自動化した際の一例を示すフローチャートである。

先ず、電気事業者サーバ６０から、上記の下げＤＲを示すデマンドレスポンスが発生する（ステップＳ１００）。

次に、アグリゲータサーバ５０では、平日にこの下げＤＲを受信すると（ステップＳ１１０）、図５に示す手順で、属性情報Ａ、Ｂに基づいて、下げＤＲに応じることが可能なエネルギーリソース２０Ａ、２０Ｂをネットワーク３０を介して統合してバーチャルパワープラントを形成する（ステップＳ１２０）。ここで、図５では、バーチャルパワープラントの形成に際して属性情報Ａ、Ｂに基づく学習部５３０の分類結果を用いた手順を示したが、下げＤＲの条件によっては、下げＤＲにより確実に応じるために属性情報Ａ～Ｃに基づく学習部５３０の分類結果を用いてもよい。例えば、バーチャルパワープラントを更に地理的に絞り込んで形成したい場合など、属性情報Ｃは有益な情報となる。このように、アグリゲータサーバ５０は、属性情報Ａ、Ｂ、Ｃの少なくともいずれかを用いてバーチャルパワープラントを形成する。例えば、アグリゲータサーバ５０は、ＤＲの条件によっては、属性情報Ｂを用いずに、属性情報Ａのみを用いてバーチャルパワープラントを形成してもよいし、属性情報ＡとＣを用いてバーチャルパワープラントを形成してもよい。

バーチャルパワープラントの形成が完了すると、統合制御部５４０では、下げＤＲに従って、平日の１２時から１５時までの間、バーチャルパワープラントを形成する複数のエネルギーリソース２０Ａ、２０Ｂに対して、電力消費量を一定量削減するための指示を行う。この指示は、エネルギーリソース２０Ａ、２０Ｂに接続されている中継システム４０に与えられ、これによってエネルギーリソース２０Ａ、２０Ｂによる電力消費量の削減量が一定量に達するように制御される（ステップＳ１３０）。例えば、エネルギーリソース２０Ａ、２０Ｂが照明機器や空調機器の場合、これらの機器の出力を抑えるための制御が自動で行われる。

バーチャルパワープラント内での電力消費量を削減する期間（平日の１２時～１５時）が経過すると、統合制御部５４０は、バーチャルパワープラント内で電力消費量の削減を行ったエネルギーリソース２０Ａ、２０Ｂに接続されている中継システム４０から、電力消費に係る削減量を示す実績データを取得して集計し、この集計データを電気事業者サーバ６０に送信する（ステップＳ１４０）。

電気事業者サーバ６０では、統合制御部５４０から集計データを取得すると、アグリゲータサーバ５０に対して、この集計データが示す電力消費の削減量に応じた報酬を支払うための処理を行う（ステップＳ１５０）。尚、アグリゲータは、アグリゲータサーバ５０を通して、電力消費の削減量に応じた報酬の受け取り処理が完了したことを確認した後、バーチャルパワープラント内のエネルギーリソース２０Ａ、２０Ｂを所有する需要家に上記の報酬を支払うことで、一連のネガワット取引を終了する。もちろん、デマンドレスポンスに応じた場合に需要家に報酬が支払われるかどうかは需要家の契約内容によって変わるものであり、本実施形態は一例に過ぎない。

以上説明したように、複数の需要家Ｘ１～Ｘｎが所有する、各地に分散している複数のエネルギーリソース２０Ａ、２０Ｂをネットワーク３０を介して統合制御し、あたかも１つの発電所として機能させるバーチャルパワープラントの形成制御システムであって、複数の需要家Ｘ１～Ｘｎの電力使用状況を示す情報Ａを含む属性情報が記憶される属性記憶部５１０と、説明変数である属性情報と、目的変数である当該属性情報の分類結果との相関関係を学習する学習モデルが記憶される学習モデル記憶部５２０と、学習モデルを用いて、属性情報に対する分類結果を予測する学習部５３０と、複数のエネルギーリソース２０Ａ、２０Ｂの中から、学習部５３０による予測結果に基づいて複数のエネルギーリソース２０Ａ、２０Ｂを選択的に統合し、デマンドレスポンスに応じて、統合した複数のエネルギーリソース２０Ａ、２０Ｂを制御する統合制御部５４０と、を備える。

また、上記の属性情報は、複数のエネルギーリソース２０Ａ、２０Ｂが接続されている電力系統を示す情報を更に含む。

また、上記の属性情報は、複数のエネルギーリソース２０Ａ、２０Ｂの地理的な位置を示す情報を更に含む。

また、統合制御部５４０は、学習部５３０による予測結果の中で、複数のエネルギーリソース２０Ａ、２０Ｂの地理的な位置を示す情報に関する予測結果よりも、複数の需要家Ｘ１～Ｘｎの電力使用状況を示す情報および複数のエネルギーリソース２０Ａ、２０Ｂが接続されている電力系統を示す情報に関する予測結果を優先して、複数のエネルギーリソース２０Ａ、２０Ｂを選択的に統合する。

また、複数のエネルギーリソース２０Ａ、２０Ｂは、創エネルギーリソース、蓄エネルギーリソース、省エネルギーリソースを含み、統合制御部５４０は、学習部５３０の予測結果に基づいて、複数のエネルギーリソース２０Ａ、２０Ｂの中から、創エネルギーリソース、蓄エネルギーリソース、省エネルギーリソースの何れかを選択的に統合する。

そして、本実施形態によれば、学習部５３０によって例えば人工知能（Artificial Intelligence）のような機械学習機能によって、属性情報Ａ～Ｃをデマンドレスポンスに応答可能な複数のグループに精度よく分類することができ、都市エリア１０Ａや周辺エリア１０Ｂに関わらず、遍在する様々なエネルギーリソース２０Ａ、２０Ｂを効率的に活用してバーチャルパワープラントを形成し、電力の需給量のバランスをより一層確実なものとすることが可能となる。

尚、上記の実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。本発明は、その趣旨を逸脱することなく、変更、改良され得るとともに、本発明にはその等価物も含まれる。本実施形態では、バーチャルパワープラントが下げＤＲに従って消費電力量を削減するように動作したが、これに限定されない。バーチャルパワープラントは、上げＤＲに従って消費電力量を増加させるように動作することも可能である。つまり、アグリゲータサーバ５０における統合制御部５４０は、上げＤＲおよび下げＤＲの何れにも効率的に対応できるように、バーチャルパワープラントを形成して制御することが可能である。

１０ 管理エリア
１０Ａ 都市エリア
１０Ｂ 周辺エリア
２０Ａ、２０Ｂ エネルギーリソース
３０ ネットワーク
４０ 中継システム
５０ アグリゲータサーバ
６０ 電気事業者サーバ
５１０ 属性記憶部
５２０ 学習モデル記憶部
５３０ 学習部
５４０ 統合制御部

Claims (10)

1. 複数の需要家が所有する、各地に分散している複数のエネルギーリソースをネットワークを介して統合制御し、あたかも１つの発電所として機能させるバーチャルパワープラントの形成制御システムであって、
   前記複数の需要家の電力使用状況を示す情報を含む属性情報が記憶される属性記憶部と、
   説明変数である前記属性情報と、目的変数である前記属性情報の分類結果との相関関係を学習する学習モデルが記憶される学習モデル記憶部と、
   前記学習モデルを用いて、前記属性情報に対する前記分類結果を予測する学習部と、
   前記複数のエネルギーリソースの中から、前記学習部による予測結果に基づいてエネルギーリソースを選択的に統合し、デマンドレスポンスに応じて、統合した前記エネルギーリソースを制御する統合制御部と、
   を備えたバーチャルパワープラントの形成制御システム。
2. 前記属性情報は、前記複数のエネルギーリソースが接続されている電力系統を示す情報を更に含む
   請求項１に記載のバーチャルパワープラントの形成制御システム。
3. 前記属性情報は、前記複数のエネルギーリソースの地理的な位置を示す情報を更に含む
   請求項２に記載のバーチャルパワープラントの形成制御システム。
4. 前記統合制御部は、前記学習部による予測結果の中で、前記複数のエネルギーリソースの地理的な位置を示す情報に関する予測結果よりも、前記複数の需要家の電力使用状況を示す情報および前記複数のエネルギーリソースが接続されている電力系統を示す情報に関する予測結果を優先して、前記エネルギーリソースを選択的に統合する
   請求項３に記載のバーチャルパワープラントの形成制御システム。
5. 前記複数のエネルギーリソースは、創エネルギーリソース、蓄エネルギーリソース、省エネルギーリソースを含み、
   前記統合制御部は、前記学習部の予測結果に基づいて、前記複数のエネルギーリソースの中から、前記創エネルギーリソース、前記蓄エネルギーリソース、前記省エネルギーリソースの何れかを選択的に統合する
   請求項１～４の何れか一項に記載のバーチャルパワープラントの形成制御システム。
6. 複数の需要家が所有する、各地に分散している複数のエネルギーリソースをネットワークを介して統合制御し、あたかも１つの発電所として機能させるバーチャルパワープラントの形成制御方法であって、
   説明変数である、前記複数の需要家の電力使用状況を示す情報を含む属性情報と、目的変数である前記属性情報の分類結果との相関関係を学習する学習モデルを用いて、前記属性情報に対する前記分類結果を予測し、
   前記複数のエネルギーリソースの中から、前記学習モデルによる予測結果に基づいてエネルギーリソースを選択的に統合し、デマンドレスポンスに応じて、統合した前記エネルギーリソースを制御する
   バーチャルパワープラントの形成制御方法。
7. 前記属性情報は、前記複数のエネルギーリソースが接続されている電力系統を示す情報を更に含む
   請求項６に記載のバーチャルパワープラントの形成制御方法。
8. 前記属性情報は、前記複数のエネルギーリソースの地理的な位置を示す情報を更に含む
   請求項７に記載のバーチャルパワープラントの形成制御方法。
9. 前記学習部による予測結果の中で、前記複数のエネルギーリソースの地理的な位置を示す情報に関する予測結果よりも、前記複数の需要家の電力使用状況を示す情報および前記複数のエネルギーリソースが接続されている電力系統を示す情報に関する予測結果を優先して、前記エネルギーリソースを選択的に統合する
   請求項８に記載のバーチャルパワープラントの形成制御方法。
10. 前記複数のエネルギーリソースは、創エネルギーリソース、蓄エネルギーリソース、省エネルギーリソースを含み、
    前記学習部の予測結果に基づいて、前記複数のエネルギーリソースの中から、前記創エネルギーリソース、前記蓄エネルギーリソース、前記省エネルギーリソースの何れかを選択的に統合する
    請求項６～９の何れか一項に記載のバーチャルパワープラントの形成制御方法。

Images