JP2022096770A - 在不在推定システム、電力制御システム、在不在推定方法および在不在推定プログラム - Google Patents

在不在推定システム、電力制御システム、在不在推定方法および在不在推定プログラム Download PDF

Info

Publication number
JP2022096770A
JP2022096770A JP2020209935A JP2020209935A JP2022096770A JP 2022096770 A JP2022096770 A JP 2022096770A JP 2020209935 A JP2020209935 A JP 2020209935A JP 2020209935 A JP2020209935 A JP 2020209935A JP 2022096770 A JP2022096770 A JP 2022096770A
Authority
JP
Japan
Prior art keywords
absence
data
user
building
power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2020209935A
Other languages
English (en)
Other versions
JP7122714B2 (ja
Inventor
宏憲 青井
hironori Aoi
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Booost Technologies Inc
Original Assignee
Booost Technologies Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Booost Technologies Inc filed Critical Booost Technologies Inc
Priority to JP2020209935A priority Critical patent/JP7122714B2/ja
Publication of JP2022096770A publication Critical patent/JP2022096770A/ja
Priority to JP2022121268A priority patent/JP2022145761A/ja
Application granted granted Critical
Publication of JP7122714B2 publication Critical patent/JP7122714B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

【課題】在不在を推定する対象となるユーザの在不在を示す情報がなくても、ユーザの在不在を推定することができる在不在推定システムを提供する。【解決手段】サーバ装置１は、複数の建物Ｂ２～Ｂ４における電力使用量を示す第１データと、複数の建物Ｂ２～Ｂ４における人物の在不在を示す第２データとを教師データとして機械学習により生成された学習モデル１２１を記憶した記憶部１２１と、学習モデル１２１に対して、ユーザの建物Ｂ１の電力使用量を示す第３データを入力することで、当該ユーザの在不在を推定する在不在推定部１３２とを備える。【選択図】図１

Description

本開示は、在不在推定システム、電力制御システムおよび在不在推定方法に関する。
従来より、所定の場所における電力使用量のデータに基づいて、人物（ユーザ）の在不在を予測する在不在予測システムが知られている。特許文献１の在不在予測システムでは、第１の時刻よりも過去の建物の電力データと、人物が実際に建物にいたか否かを示す情報（在不在を示す情報）とに基づいて学習データ（学習モデル）が生成される。そして、第１の時刻のときの建物の電力データと学習データとに基づいて、人物が建物にいるか否かが予測される。
特開２０１７－６２７６５号公報
上述したように、特許文献１のような在不在予測システムでは、学習モデルを生成するために、在不在を推定する対象となるユーザの在不在を示す情報を取得する必要がある。このため、ユーザの在不在を示す情報を取得できない場合、ユーザの在不在を予測できないこととなる。
そこで、本発明は、在不在を推定する対象となるユーザの在不在を示す情報がなくても、ユーザの在不在を推定することができる在不在推定システムを提供することを目的とする。
前記課題を解決するために、本発明の一実施形態に係る在不在推定システムは、ユーザの在不在を推定する在不在推定システムであって、複数の建物における電力使用量を示す第１データと、前記複数の建物における人物の在不在を示す第２データとを教師データとして機械学習により生成された学習モデルを記憶する記憶部と、前記学習モデルに対して、前記ユーザの建物の電力使用量を示す第３データを入力することで、当該ユーザの在不在を推定する推定部とを備える。
この発明の実施形態によると、複数の建物における電力使用量を示す第１データと、複数の建物における人物の在不在を示す第２データとによって学習モデルが生成される。そして、ユーザの建物の電力使用量を示す第３データを学習モデルに入力することで、当該ユーザの在不在が推定される。これにより、学習モデルを生成する際に、ユーザの建物以外の建物を含む複数の建物における電力使用量および当該複数の建物における人物の在不在を示すデータが教師データとして用いられることから、在不在を推定する対象となるユーザの在不在を示すデータを教師データとして取得する必要がなくなる。したがって、在不在を推定する対象となるユーザの在不在を示す情報がなくても、ユーザの在不在を推定することができる。
また、前記複数の建物に前記ユーザの建物が含まれず、前記第３データは、現在時刻を含む第１期間における前記ユーザの建物の電力使用量を示すデータであり、前記推定部は、前記第１期間後の第２期間における前記ユーザの在不在を推定する、としてもよい。
この発明の実施形態によると、ユーザの建物を含まない複数の建物における電力使用量および当該複数の建物における人物の在不在を示すデータが教師データとして用いられることから、在不在を推定する対象となるユーザの在不在を示すデータを教師データとして取得しなくても、当該ユーザの在不在を推定することができる。また、推定部は、学習モデルに対して、現在時刻を含む第１期間におけるユーザの建物の電力使用量を示す第３データを入力することにより、第１期間後の第２期間におけるユーザの在不在を推定する。すなわち、現在時刻の直後の期間だけではなく、現在時刻よりも後の期間（第２期間）におけるユーザの在不在が推定されるため、ユーザの将来の在不在を推定することができる。
また、前記第１データは、第３期間における、前記複数の建物の電力使用量を示すデータであり、前記第２データは、前記第３期間と異なる第４期間における、前記複数の建物の人物の在不在を示すデータである、としてもよい。
この発明の実施形態によると、学習モデルの教師データとして用いられる第１および第２データのそれぞれの取得期間が、第３および第４期間であるため、第１および第２データの取得期間を対応させる必要がない。これにより、学習モデルの生成が容易になる。
また、前記第１データおよび前記第２データは、それぞれ各データが取得された暦に基づいた分類がなされており、前記学習モデルは、分類された前記第１データおよび前記第２データが前記教師データとして用いられる、としてもよい。
この発明の実施形態によると、暦に基づいて分類された第１データおよび第２データが学習モデルの教師データとして用いられる。一般的に、休日や平日、曜日や季節などの暦に応じて、建物間で共通の人物の在不在および電力使用量の変化のパターンが生じ得る。例えば建物が居宅の場合、平日においては一般的に人物が日中に不在になることから当該日中における建物の電力使用量が減少する。また、人物が建物に戻る夕方から夜の一定の時間帯には、人物が建物に接続された機器等を使用することから当該建物の電力使用量が増加する。一方、休日においては、一般的に人物の在不在の時間帯が平日と異なることから、上述のような平日における建物の電力使用量の変化のパターンとは異なるパターンで電力使用量が変化する。このため、第１データおよび第２データを暦に基づいて分類することにより、当該暦に応じた建物の電力使用量の変化のパターンに基づいてより正確にユーザの在不在を推定することができる。なお、暦に基づいた分類は、ユーザの建物を含む複数の建物全体における第１データに対して行ってよいが、予め当該複数の建物を、建物にいる人物の属性や人数、建物の種類、および建物に接続される機器等のうち１または複数の共通する特徴により１または複数の建物群に分類したうえで、各建物群における第１データに対してそれぞれ行ってもよい。かかる建物群の分類の例としては、居宅、店舗、共同住宅、事務所、工場、倉庫等の建物の種類に応じた分類に加えて、さらに居宅であれば世帯人数および世帯主の年齢層等、ならびに充電装置を有する車両の有無等により細分化した分類が挙げられる。本態様であれば、在不在を推定するユーザの建物と同一の建物群に分類される建物の電力使用量を示すデータのみを第１データとすることにより、ユーザの在不在は、ユーザの建物と共通の特徴を有する建物群の電力使用量および暦に基づいてさらに正確に推定され得る。
また、本発明の他の実施形態に係る電力制御システムは、ユーザの建物に接続される車両および機器の少なくとも１つに供給する電力量を管理する電力制御システムであって、サーバ装置と、前記サーバ装置と通信可能に接続された電力制御装置とを備え、前記サーバ装置は、複数の建物における電力使用量を示す第１データと、前記複数の建物における人物の在不在を示す第２データとを教師データとして機械学習により生成された学習モデルを記憶する記憶部と、前記学習モデルに対して、前記ユーザの建物の電力使用量を示す第３データを入力することで、当該ユーザの在不在を推定する推定部とを有し、前記電力制御装置は、前記推定部の推定結果に応じて、前記車両および前記機器の少なくとも１つに供給する電力量を制御する。
この発明の実施形態によると、電力制御装置は、推定部の推定結果に応じて、車両および機器の少なくとも１つに供給する電力量を制御する。推定部の推定結果に応じて、車両への充電および機器への電力供給の少なくとも１つが制御されるため、例えば、太陽光パネルなどで発電した電力を建物内で効率よく使用することができる。
また、本発明の他の実施形態に係る在不在推定方法は、ユーザの在不在を推定する在不在推定方法であって、複数の建物における電力使用量を示す第１データと、前記複数の建物における人物の在不在を示す第２データとを教師データとして機械学習により生成された学習モデルに対して、ユーザの建物の電力使用量を示す第３データを入力することで、当該ユーザの在不在を推定するステップを備える。
この発明の実施形態によると、複数の建物における電力使用量を示す第１データと、複数の建物における人物の在不在を示す第２データとによって学習モデルが生成される。そして、ユーザの建物の電力使用量を、学習モデルに入力することで、当該ユーザの在不在が推定される。これにより、学習モデルを生成する際に、在不在を推定する対象となるユーザの在不在を取得する必要がなくなる。したがって、在不在を推定する対象となるユーザの在不在を示す情報がなくても、ユーザの在不在を推定することができる。
本発明の実施形態によれば、ユーザの在不在を推定する在不在推定システムにおいて、ユーザの在不在を示す情報がなくても、ユーザの在不在を推定することができる。
本実施形態に係る電力制御システムの構成を示すブロック図。 本実施形態に係る学習モデルの教師データとして用いられる第１データの概念図。 本実施形態に係る学習モデルの教師データとして用いられる第２データの概念図。 本実施形態に係る学習モデルに対して入力される第３データの概念図。 本実施形態に係る在不在推定システムにおいて推定された在確率データの概念図。 本実施形態に係る在不在推定システムの動作を示すフローチャート。 本実施形態に係る電力制御装置の動作を示すフローチャート。 本実施形態に係る在不在推定システムの実験記録を示す図。
以下、本発明の実施形態を図面に基づいて詳細に説明する。以下の好ましい実施形態の説明は、本質的に例示に過ぎず、本発明、その適用物或いはその用途を制限することを意図するものではない。
図１は、本実施形態に係る電力制御システムの構成を示すブロック図である。図１に示すように、本実施形態に係る電力制御システムは、サーバ装置１と電力制御装置２１とを備える。サーバ装置１は、通信ネットワークＮを介して、電力制御装置２１と通信可能に構成されている。
なお、本実施形態に係る在不在推定システムは、電力制御システムの一部として構成されている。具体的に、在不在推定システム１００は、サーバ装置１を備える。
電力制御装置２１は、ユーザの建物Ｂ１の電力を制御するためのものである。具体的に、電力制御装置２１は、電力線を介して、太陽光パネル２２と、複数の機器２３と、車両２４と接続されている。また、電力制御装置２１は、通信ネットワークＮを介して、サーバ装置１と接続されている。なお、太陽光パネル２２は、太陽光発電に用いられる太陽光パネルである。機器２３は、建物Ｂ１に接続された電気機器などであって、電力制御装置２１により供給される電力量が制御される１または複数の機器である。例えば機器２３は、それぞれ有線および無線の少なくとも１つの通信手段により直接または間接に電力制御装置２１に接続されてよい。機器２３は、当該通信手段を介した電力制御装置２１による電源入力の切り替え、電力消費量の増減等の制御により、供給される電力量が制御されてよい。機器２３の例としては、人物が建物にいるときに特に使用されるもの、例えば空調機および照明器具等、人物が建物に不在のときに特に使用されるもの、例えば監視カメラなどの防犯装置および掃除ロボット等、ならびに人物の在不在にかかわらず使用されるもの、例えば冷蔵庫等が挙げられる。
また、車両２４は、電気自動車、ハイブリット車および燃料電池車など、充電装置を備える車両である。
電力制御装置２１は、建物Ｂ１に接続された各装置に供給される電力を制御するものである。具体的に、太陽光パネル２２で発電された直流の電力を交流の電力に変換して、機器２３および車両２４に電力を供給する。また、電力制御装置２１は、太陽光パネル２２の発電量が、機器２３および車両２４の電力使用量よりも多い場合、余剰電力を商用の電力系統（図示省略）に出力して、売電を行う。さらに、電力制御装置２１は、太陽光パネル２２の発電量が、機器２３および車両２４の電力使用量よりも少ない場合、電力系統から不足した電力の供給を受ける。
ここで、電力制御装置２１は、在確率データに基づいて、車両２４の充電を行ってよい。詳しくは後述するが、在確率データは、時間帯ごとの、ユーザが建物Ｂ１にいる確率を示すデータである（なお、以下の説明において、人物が建物にいる確率を在確率とする）。例えば、電力制御装置２１は、在確率が所定値以上となっている時間帯には、機器２３に供給する電力量を増加させ、車両２４に供給する電力量を抑える、供給処理を行う。一方で、電力制御装置２１は、在確率が所定値以下となっている時間帯には、車両２４に供給する電力量を増加させ、機器２３に供給する電力量を抑える、充電処理を行う。機器２３に供給する電力量の制御の例として、例えば電力制御装置２１は、在確率が所定値以上となっている時間帯においては空調機および照明器具等の機器２３に供給する電力量を増加させる一方、在確率が所定値以下となっている時間帯においては当該機器２３に供給する電力量を減少させてよい。この電力制御装置２１の機能により、太陽光パネル２２により得られた電力を効率よく建物Ｂ１内で使用することができる。
また、電力制御装置２１は、スマートメータ２１１を備える。スマートメータ２１１は、建物Ｂ１における電力使用量を計測する電力計である。この例では、スマートメータ２１１は、建物Ｂ１の電力使用量として、少なくとも、太陽光パネル２２の発電量と、機器２３および車両２４の電力使用量とを計測する。スマートメータ２１１は、所定時間ごと（一般的には、３０分ごと）に、建物Ｂ１における電力使用量を計測し、電力使用量の計測結果をサーバ装置１に送信する。
（サーバ装置１の構成について）
図１に示すように、サーバ装置１は、通信部１１、記憶部１２および制御部１３を備える。
通信部１１は、例えば、電気回路などで構成され、通信ネットワークＮを介して、電力制御システム２と通信を行う。
記憶部１２は、ＲＯＭ（Read Only Memory)、ＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）およびＳＳＤ(Solid State Drive)等によって構成される記憶媒体である。記憶部１２には、制御部１３によって実行される各種プログラムが記憶されている。
また、記憶部１２には、学習モデル１２１が格納されている。学習モデル１２１は、複数の建物における電力使用量を示す第１データと、複数の建物における人物の在不在（人物が建物にいるか否か）を示す第２データとを教師データとして機械学習により生成された学習モデルである。機械学習のモデルまたはアルゴリズムは、分類の問題を解決するものであって、例えばロジスティック回帰（リッジ正則化およびラッソ正則化を含む）、ランダムフォレスト、サポートベクタマシン、ニューラルネットワーク（多層パーセプトロンを含む）などを含む。本実施形態において機械学習により生成される学習モデルは、上述の機械学習のモデルまたはアルゴリズムのうち、分類予測の精度の評価によって精度が高いと評価されるものであってよい。分類予測の精度の評価は、推定された条件付き確率の平均二乗誤差、ＲＯＣ（Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）曲線下の面積として定量化されるＡＵＣ（Ａｒｅａ Ｕｎｄｅｒ ｔｈｅ Ｃｕｒｖｅ）、カルバック・ライブラーダイバージェンスの最小化問題における対数損失、および実測値と予測値とをプロットするキャリブレーションプロット等のうち１または複数により行われてよい。ここで、機械学習のアルゴリズムまたはモデルの分類予測の精度は、教師データの数および特徴量（例えば学習に用いられる電力使用量のデータの取得日数や付加する属性情報）等により変動する。したがって、学習モデルの選択は、予め定められた条件において各機械学習のアルゴリズムまたはモデルによる分類精度の評価結果を比較することにより行われてよい。また、学習モデルの選択においては、学習および分類に要する計算コストの低いものが優先されてよい。
図２は本実施形態に係る学習モデルの教師データとして用いられる第１データの概念図であり、図３は本実施形態に係る学習モデルの教師データとして用いられる第２データの概念図である。
図２および図３に示すように、第１データには建物Ｂ２～Ｂ４の３０分ごとの電力使用量を示すデータが含まれており、第２データには建物Ｂ２～Ｂ４の３０分ごとの人物の在不在を示すデータが含まれている。例えば、第１データは、建物Ｂ２～Ｂ４にそれぞれ設置されたスマートメータから所定時間ごと（例えば、３０分ごと）に自動的に送信される電力使用量を示すデータに基づいて生成される。また、第２データは、建物Ｂ２～Ｂ４の人物に対して、在不在のアンケートを実施し、その結果に基づいて生成される。
学習モデル１２１は、第１および第２データを教師データとして機械学習により生成され、ユーザの建物Ｂ１の電力使用量の入力を受けると、当該ユーザの在確率を出力する（詳しくは後述する）。
制御部１３は、例えば、ＣＰＵ（Central Processing Unit）および半導体メモリ等を含むマイクロコンピュータで構成される。制御部１３は、記憶部１２に記憶されたプログラムなどを実行することにより、サーバ装置１の各部を制御する。
また、制御部１３は、電力使用量取得部１３１、在不在推定部１３２および在確率データ配信部１３３を備える。
電力使用量取得部１３１は、ユーザの建物Ｂ１の電力使用量を示す第３データを取得する。具体的に、電力使用量取得部１３１は、建物Ｂ１に設置されたスマートメータ２１１から３０分ごとに送信される建物Ｂ１の電力使用量を示すデータを第３データとして取得する。
在不在推定部１３２は、電力使用量取得部１３１が取得した、建物Ｂ１の電力使用量を示す第３データを学習モデル１２１に入力して、ユーザの在確率を推定する。
図４は本実施形態に係る学習モデルに対して入力される第３データの概念図であり、図５は本実施形態に係る電力制御システムにおいて推定された在確率データの概念図である。
例えば、在不在推定部１３２は、第３データとして、第１期間（この例では、７日前（１／１）から当日（１／８）までの期間）における建物Ｂ１の電力使用量を示すデータを学習モデル１２１に入力する。そして、学習モデル１２１は、第２期間（この例では、当日（１／８）と翌日（１／９））の、ユーザの在確率を出力する。在不在推定部１３２は、学習モデル１２１から出力された、ユーザの在確率を、ユーザの在不在の推定結果とする。
在確率配信部１３３は、在不在推定部１３２の推定結果を在確率データとして、電力制御装置２１に送信（配信）する。電力制御装置２１は、受信した在確率データに基づいて、建物Ｂ１の電力制御（例えば、車両２４の充電など）を行う。
例えば、電力制御装置２１は、在確率が所定値以上（ここでは、５０％以上）となっている時間帯には、機器２３に供給する電力量を増加させ、車両２４に供給する電力量を抑える、供給処理を行う。一方で、電力制御装置２１は、在確率が所定値以下（ここでは、５０％未満）となっている時間帯には、車両２４に供給する電力量を増加させ、機器２３に供給する電力量を抑える、充電処理を行う。
（電力制御システムの動作について）
図６および図７は本実施形態に係る電力制御システムの動作を示すフローチャートである。具体的に、図６は在不在推定システム１００（サーバ装置１）の動作を示し、図７は、電力制御装置２１の動作を示す。
まず、サーバ装置１の動作を説明する。
サーバ装置１の電力使用量取得部１３１がスマートメータ２１１からユーザの建物Ｂ１の電力使用量を示すデータを取得（受信）する（ステップＳ１）。
在不在推定部１３２は、第１期間における、建物Ｂ１の電力使用量を示す第３データを、学習モデル１２１に入力する（ステップＳ２）。
学習モデル１２１は、第２期間の、ユーザの在確率を出力（算出）する（ステップＳ３）。在不在推定部１３２は、学習モデル１２１から出力された、ユーザの在確率を、ユーザの在確率の推定結果とする。
在確率配信部１３３は、在不在推定部１３２の推定結果を在確率データとして、電力制御装置２１に送信（配信）する。
次に、電力制御装置２１の動作を説明する。
電力制御装置２１は、サーバ装置１から在確率データを受信すると（ステップＳ１１）、在確率データから現在時刻のユーザの在不在を検出する。そして、電力制御装置２１は、現在時刻のユーザの在確率が所定値以上か否かを判定する（ステップＳ１２）。
電力制御装置２１は、現在時刻のユーザの在確率が所定以上である場合には（ステップＳ１２のＹｅｓ）、機器２３に供給する電力量を増加させ、車両２４に供給する電力量を抑える供給処理を行う（ステップＳ１３）。一方で、電力制御装置２１は、現在時刻のユーザの在確率が所定以下である場合には（ステップＳ１２のＮｏ）、車両２４に供給する電力量を増加させ、機器２３に供給する電力量を抑える充電処理を行う（ステップＳ１４）。
（在不在推定結果について）
図８は、本実施形態に係る在不在推定システムの実験記録を示す図である。図８では、８８０世帯に対して、平日および休日のそれぞれの所定の１日における、３０分ごとの電力使用量および在不在を調査した。そのうち、６１６世帯分を学習モデル１２１の教師データとして用い、２６４世帯分を学習モデル１２１のテストのために用いた。なお、図８の「記録数」は、３０分ごとの電力使用量および在不在を記録した数である。
図８に示すように、全記録数の正例率は７８．９％（０．７８９）であった。これは、本実験に用いられた全記録数のうち「在」の割合が７８．９％、「不在」の割合が２１．１％であったことを示す。また、図示されていないが、本実験では学習モデル１２１としてロジスティック回帰（リッジ正則化）、ロジスティック回帰（ラッソ正則化）、ランダムフォレスト、サポートベクタマシン、およびニューラルネットワークを用いた。また、本実験では特徴量として、当日および過去７日分の消費電力データ、ならびに当日および過去１４日分の消費電力データを用いて、上述の５つの学習モデル１２１をそれぞれ比較した。本実験によれば、各学習モデル１２１のテストの結果は以下のとおりであった。
二乗平均誤差（当日および過去７日分の消費電力データ）は、ロジスティック回帰（リッジ正則化）が０．１４５、ロジスティック回帰（ラッソ正則化）が０．１４３、ランダムフォレストが０．１３０、サポートベクタマシンが０．１３８、およびニューラルネットワークが０．１３７であった。当該結果によれば、学習モデル１２１の最も好適な例は、二乗平均誤差が最小となったランダムフォレストである。また、二乗平均誤差（当日および過去１４日分の消費電力データ）は、ロジスティック回帰（リッジ正則化）が０．１４０、ロジスティック回帰（ラッソ正則化）が０．１４８、ランダムフォレストが０．１３３、サポートベクタマシンが０．１４５、およびニューラルネットワークが０．１３３であった。当該結果によれば、学習モデル１２１の最も好適な例は、二乗平均誤差が最小となったランダムフォレストおよびニューラルネットワークである。
ＡＵＣ（当日および過去７日分の消費電力データ）は、ロジスティック回帰（リッジ正則化）が０．７７０、ロジスティック回帰（ラッソ正則化）が０．７７２、ランダムフォレストが０．８０２、サポートベクタマシンが０．７８６、およびニューラルネットワークが０．７９０であった。当該結果によれば、学習モデル１２１の最も好適な例は、ＡＵＣが最大となったランダムフォレストである。また、ＡＵＣ（当日および過去１４日分の消費電力データ）は、ロジスティック回帰（リッジ正則化）が０．７４９、ロジスティック回帰（ラッソ正則化）が０．７５８、ランダムフォレストが０．７７３、サポートベクタマシンが０．７６０、およびニューラルネットワークが０．７９０であった。当該結果によれば、学習モデル１２１の最も好適な例は、ＡＵＣが最大となったニューラルネットワークである。
対数損失（当日および過去７日分の消費電力データ）は、ロジスティック回帰（リッジ正則化）が０．４４７、ロジスティック回帰（ラッソ正則化）が０．４４９、ランダムフォレストが０．４１７、サポートベクタマシンが０．４３３、およびニューラルネットワークが０．４３１であった。当該結果によれば、学習モデル１２１の最も好適な例は、対数損失が最小となったランダムフォレストである。また、対数損失（当日および過去１４日分の消費電力データ）は、ロジスティック回帰（リッジ正則化）が０．４４６、ロジスティック回帰（ラッソ正則化）が０．４５９、ランダムフォレストが０．４４２、サポートベクタマシンが０．４５９、およびニューラルネットワークが０．４２３であった。当該結果によれば、学習モデル１２１の最も好適な例は、対数損失が最小となったニューラルネットワークである。
以上の実験結果によれば、本実施形態における学習モデル１２１の好適な例としてランダムフォレストまたはニューラルネットワークが選択されてよい。
以上のように、本実施形態に係る電力制御システムは、ユーザの在不在を推定する在不在推定システム１００を含む。本電力制御システムは、複数の建物Ｂ２～Ｂ４における電力使用量を示す第１データと、複数の建物Ｂ２～Ｂ４における人物の在不在を示す第２データとを教師データとして機械学習により生成された学習モデル１２１を記憶する記憶部１２と、学習モデル１２１に対して、ユーザの建物Ｂ１の電力使用量を示す第３データを入力することで、当該ユーザの在不在を推定する在不在推定部１３２を備える。
この構成では、複数の建物Ｂ２～Ｂ４における電力使用量を示す第１データと、複数の建物Ｂ２～Ｂ４における人物の在不在を示す第２データとによって学習モデル１２１が生成される。そして、ユーザの建物Ｂ１の電力使用量を示す第３データを学習モデル１２１に入力することで、当該ユーザの在不在が推定される。これにより、学習モデル１２１を生成する際に、ユーザの建物Ｂ１以外の建物Ｂ２～Ｂ４を含む複数の建物における電力使用量および当該複数の建物Ｂ２～Ｂ４における人物の在不在を示すデータが教師データとして用いられることから、在不在を推定する対象となるユーザの在不在を示すデータを教師データとして取得する必要がなくなる。したがって、在不在を推定する対象となるユーザの在不在を示す情報がなくても、ユーザの在宅確率在不在を推定することができる。
また、複数の建物Ｂ２～Ｂ４における電力使用量を示す第１データと、複数の建物Ｂ２～Ｂ４における人物の在不在を示す第２データとによって、学習モデル１２１が生成されるため、建物Ｂ１における人物の在不在を示すデータなど他のデータを収集する必要がない。これにより、学習モデル生成時の負担も軽減される。
また、第３データは、当日（現在時刻）を含む第１期間におけるユーザの建物Ｂ１の電力使用量を示すデータである。在不在推定部１３２は、第１期間後の第２期間におけるユーザの在不在を推定する。
この構成では、ユーザの建物Ｂ１を含まない複数の建物Ｂ２～Ｂ４における電力使用量および当該複数の建物Ｂ２～Ｂ４における人物の在不在を示すデータが教師データとして用いられることから、在不在を推定する対象となるユーザの在不在を示すデータを教師データとして取得しなくても、当該ユーザの在不在を推定することができる。また、在不在推定部１３２は、学習モデル１２１に対して、第１期間におけるユーザの建物Ｂ１の電力使用量を示す第３データを入力することにより、第１期間後の第２期間におけるユーザの在不在を推定する。すなわち、現在時刻の直後の期間だけではなく、現在時刻よりも後の期間（第２期間）におけるユーザの在不在が推定されるため、ユーザの将来の在不在を推定することができる。
また、サーバ装置１は在不在推定部１３２を備える。サーバ装置１は、ユーザの建物Ｂ１に接続される車両２４の充電状況を制御する電力制御システム２と通信可能に接続されている。電力制御装置２１は、在不在推定部１３２の推定結果に応じて、車両２４に供給する電力量を制御する。
この構成では、電力制御装置２１は、在不在推定部１３２の推定結果に応じて、車両２４に供給する電力量を制御する。在不在推定部１３２の推定結果に応じて、車両２４への充電状況が制御されるため、例えば、太陽光パネルなどで発電した電力を建物内で効率よく使用することができる。
（その他の実施形態）
以上のように、本出願において開示する技術の例示として、実施形態について説明した。しかしながら、本開示における技術は、これに限定されず、適宜、変更、置き換え、付加、省略などを行った実施形態にも適用可能である。
上記実施形態では、図２および図３に示すように、第１および第２データの取得期間が同じであるが、異なっていてもよい。すなわち、第１データは、第３期間における、複数の建物における電力使用量を示すデータであり、第２データは、前記第３期間と異なる第４期間における、複数の建物の人物の在不在を示すデータであってもよい。これにより、第１および第２データの取得期間を対応させる必要がないため、学習モデルの生成が容易になる。この場合、例えば、基準時間（同じ曜日の同じ時間など）を決定して、第１および第２データにおける基準時間を基準として、第１および第２データを対応付けることにより、学習モデル１２１を生成することができる。
また、上記実施形態では、第１および第２データが、同じ時間ごと（図２では３０分ごと）に取得されているが、これに限られない。例えば、第１および第２データが取得される時間は、３０分ごとではなくてもよい。また、第１および第２データは、互いに異なる時間ごとに取得されてもよい。
また、上記実施形態では、学習モデル２１１に入力される第３データは、７日前から当日までの、ユーザの建物Ｂ１の電気使用量を示すデータであるが、７日以上前から当日までの、ユーザの建物Ｂ１の電気使用量を示すデータであってもよい。
また、第１データおよび第２データを取得した暦（月、日、曜日、平日、休日、季節など）に基づいて分類を行い、分類された第１データおよび第２データを学習モデル１２１の教師データとして用いてもよい。一般的に、休日と平日、曜日などに応じて、建物における人物の在不在と電力使用量の変化とに建物間で共通のパターンが生じ得る。例えば建物が居宅の場合、平日においては一般的に人物が日中に不在になることから当該日中における建物の電力使用量が減少する。また、人物が建物に戻る夕方から夜の一定の時間帯には、人物が建物に接続された機器等を使用することから当該建物の電力使用量が増加する。一方、休日においては、一般的に人物の在不在の時間帯が平日と異なることから、上述のような平日における建物の電力使用量の変化のパターンとは異なるパターンで電力使用量が変化する。このため、第１データおよび第２データを暦に基づいて分類する（区別する）ことにより、当該暦に応じた建物の電力使用量の変化のパターンに基づいてより正確にユーザの在不在を推定することができる。なお、暦に基づいた分類は、ユーザの建物Ｂ１を含む複数の建物全体における第１データに対して行ってよいが、予め当該複数の建物を、建物にいる人物の属性や人数、建物の種類、および建物に接続される機器等のうち１または複数の共通する特徴により１または複数の建物群に分類したうえで、各建物群における第１データに対してそれぞれ行ってもよい。かかる建物群の分類の例としては、居宅、店舗、共同住宅、事務所、工場、倉庫等の建物の種類に応じた分類に加えて、さらに居宅であれば世帯人数および世帯主の年齢層等、ならびに充電装置を有する車両の有無等により細分化した分類が挙げられる。本態様であれば、在不在を推定するユーザの建物と同一の建物群に分類される建物の電力使用量を示すデータのみを第１データとすることにより、ユーザの在不在は、ユーザの建物と共通の特徴を有する建物群の電力使用量および暦に基づいてさらに正確に推定され得る。また、第１データおよび第２データを暦に基づいて分類せずに学習モデル１２１を生成してもよい。また、予め暦に基づいて分類されている第１データおよび第２データを学習モデル１２１の教師データとして用いてもよい。
また、上記実施形態では、電力制御装置２１が在確率データを用いて、車両２４および機器２３に供給する電力量を制御する場合を例にして説明したが、電力制御装置２１は、在確率データを用いて、車両２４および機器２３のいずれか一方に供給する電力量を制御してもよい。
上記実施形態では、在不在推定システム１００を構成するサーバ装置１が電力制御装置２１と連携して、車両２４の充電を制御するために、ユーザの在不在を用いることを例にして説明したが、サーバ装置１と連携される装置（またはシステム）は、電力制御装置２１に限られない。例えば、サーバ装置１を配送管理システムと連携させてもよい。この場合、配送管理システムは、ユーザの在不在を用いて、配送ルートを決定してもよい。また、サーバ装置１をユーザの見守りシステムと連携してもよい。この場合、見守りシステムは、ユーザの在不在が高い場合、ユーザの在宅が確認できないときに警告を発してもよい。また、サーバ装置１を広告配信システムと連携させてもよい。この場合、広告配信システムは、ユーザの在不在に応じて、配信する広告を決定してもよい。
また、サーバ装置１に、第１および第２データを逐次受信して、受信したデータに基づいて学習モデル１２１を更新する機能を備えてもよい。
また、学習モデル１２１の教師データとして、ユーザの建物Ｂ１の電力使用量および在不在を示すデータを用いてもよい。
なお、本実施形態に係る電力制御システムを、クレジットカード決済システムや口座振替システムなどと連携させてもよい。この場合、例えば、ユーザの通信端末（携帯電話やＰＣなど）によって、ユーザのクレジットカードの番号や口座番号などの決済情報を受け付けて、クレジットカード決済システムや口座振替システムに決済情報の登録をおこなってもよい。これにより、本在不在推定システムによって、ユーザの決済情報の管理を行うことができる。
また、本実施形態に係る電力制御システムのサーバ装置１に、クレジットカードを撮影した画像から、クレジットカードに関する情報を検出できる機能を備えてもよい。例えば、サーバ装置１をユーザの通信端末（携帯電話やＰＣなど）と、クレジットカードの決済システムとに通信可能に構成する。サーバ装置１は、ユーザの通信端末から、ユーザのクレジットカードの画像を受信し、受信した当該画像から、例えば、ＯＣＲ（Optical character recognition）などの文字読取技術により、ユーザのクレジットカードの番号などの情報を読み取り、クレジットカードの決済システムに当該情報を通知してもよい。これにより、決済情報の入力を行う手間を省くことができる。
また、本実施形態に係る電力制御システムを、ユーザの氏名、住所、電話番号および電力使用量など、ユーザの電力料金を請求するために用いられる各種情報を管理する顧客管理システムと連携させてもよい。これにより、例えば、ユーザに対して、電力使用量に応じた電気料金の請求を行うことができる。
また、サーバ装置１は、複数の装置であってもよいし、１台であってもよい。サーバ装置１の各機能に対して１つのサーバ装置が設けられてもよい。また、複数のサーバ装置が連携して、サーバ装置１の各機能を実現してもよい。
本実施形態に係る在不在推定システムは、ユーザの在不在を推定することができるため、例えば、車両の充電を制御する電力制御システムと連携することにより、ユーザの建物内において電力を効率的に使用することができる。
１００ 在不在推定システム
１ サーバ装置
１２ 記憶部
１２１ 学習モデル
１３ 制御部
１３１ 電力使用量取得部
１３２ 在不在推定部
１３３ 在確率配信部
２１ 電力制御装置
２１１ スマートメータ
２４ 車両
本開示は、在不在推定システム、電力制御システム、在不在推定方法および在不在推定プログラムに関する。
従来より、所定の場所における電力使用量のデータに基づいて、人物（ユーザ）の在不在を予測する在不在予測システムが知られている。特許文献１の在不在予測システムでは、第１の時刻よりも過去の建物の電力データと、人物が実際に建物にいたか否かを示す情報（在不在を示す情報）とに基づいて学習データ（学習モデル）が生成される。そして、第１の時刻のときの建物の電力データと学習データとに基づいて、人物が建物にいるか否かが予測される。
特開２０１７－６２７６５号公報
上述したように、特許文献１のような在不在予測システムでは、学習モデルを生成するために、在不在を推定する対象となるユーザの在不在を示す情報を取得する必要がある。このため、ユーザの在不在を示す情報を取得できない場合、ユーザの在不在を予測できないこととなる。
そこで、本発明は、在不在を推定する対象となるユーザの在不在を示す情報がなくても、ユーザの在不在を推定することができる在不在推定システムを提供することを目的とする。
前記課題を解決するために、本発明の一実施形態に係る在不在推定システムは、ユーザの在不在を推定する在不在推定システムであって、複数の建物における電力使用量を示す第１データと、前記複数の建物における人物の在不在を示す第２データとを教師データとして機械学習により生成された学習モデルを記憶する記憶部と、前記学習モデルに対して、前記ユーザの建物の電力使用量を示す第３データを入力することで、当該ユーザの在不在を推定する推定部とを備える。
この発明の実施形態によると、複数の建物における電力使用量を示す第１データと、複数の建物における人物の在不在を示す第２データとによって学習モデルが生成される。そして、ユーザの建物の電力使用量を示す第３データを学習モデルに入力することで、当該ユーザの在不在が推定される。これにより、学習モデルを生成する際に、ユーザの建物以外の建物を含む複数の建物における電力使用量および当該複数の建物における人物の在不在を示すデータが教師データとして用いられることから、在不在を推定する対象となるユーザの在不在を示すデータを教師データとして取得する必要がなくなる。したがって、在不在を推定する対象となるユーザの在不在を示す情報がなくても、ユーザの在不在を推定することができる。
また、前記複数の建物に前記ユーザの建物が含まれず、前記第３データは、現在時刻を含む第１期間における前記ユーザの建物の電力使用量を示すデータであり、前記推定部は、前記第１期間後の第２期間における前記ユーザの在不在を推定する、としてもよい。
この発明の実施形態によると、ユーザの建物を含まない複数の建物における電力使用量および当該複数の建物における人物の在不在を示すデータが教師データとして用いられることから、在不在を推定する対象となるユーザの在不在を示すデータを教師データとして取得しなくても、当該ユーザの在不在を推定することができる。また、推定部は、学習モデルに対して、現在時刻を含む第１期間におけるユーザの建物の電力使用量を示す第３データを入力することにより、第１期間後の第２期間におけるユーザの在不在を推定する。すなわち、現在時刻の直後の期間だけではなく、現在時刻よりも後の期間（第２期間）におけるユーザの在不在が推定されるため、ユーザの将来の在不在を推定することができる。
また、前記第１データは、第３期間における、前記複数の建物の電力使用量を示すデータであり、前記第２データは、前記第３期間と異なる第４期間における、前記複数の建物の人物の在不在を示すデータである、としてもよい。
この発明の実施形態によると、学習モデルの教師データとして用いられる第１および第２データのそれぞれの取得期間が、第３および第４期間であるため、第１および第２データの取得期間を対応させる必要がない。これにより、学習モデルの生成が容易になる。
また、前記第１データおよび前記第２データは、それぞれ各データが取得された暦に基づいた分類がなされており、前記学習モデルは、分類された前記第１データおよび前記第２データが前記教師データとして用いられる、としてもよい。
この発明の実施形態によると、暦に基づいて分類された第１データおよび第２データが学習モデルの教師データとして用いられる。一般的に、休日や平日、曜日や季節などの暦に応じて、建物間で共通の人物の在不在および電力使用量の変化のパターンが生じ得る。例えば建物が居宅の場合、平日においては一般的に人物が日中に不在になることから当該日中における建物の電力使用量が減少する。また、人物が建物に戻る夕方から夜の一定の時間帯には、人物が建物に接続された機器等を使用することから当該建物の電力使用量が増加する。一方、休日においては、一般的に人物の在不在の時間帯が平日と異なることから、上述のような平日における建物の電力使用量の変化のパターンとは異なるパターンで電力使用量が変化する。このため、第１データおよび第２データを暦に基づいて分類することにより、当該暦に応じた建物の電力使用量の変化のパターンに基づいてより正確にユーザの在不在を推定することができる。なお、暦に基づいた分類は、ユーザの建物を含む複数の建物全体における第１データに対して行ってよいが、予め当該複数の建物を、建物にいる人物の属性や人数、建物の種類、および建物に接続される機器等のうち１または複数の共通する特徴により１または複数の建物群に分類したうえで、各建物群における第１データに対してそれぞれ行ってもよい。かかる建物群の分類の例としては、居宅、店舗、共同住宅、事務所、工場、倉庫等の建物の種類に応じた分類に加えて、さらに居宅であれば世帯人数および世帯主の年齢層等、ならびに充電装置を有する車両の有無等により細分化した分類が挙げられる。本態様であれば、在不在を推定するユーザの建物と同一の建物群に分類される建物の電力使用量を示すデータのみを第１データとすることにより、ユーザの在不在は、ユーザの建物と共通の特徴を有する建物群の電力使用量および暦に基づいてさらに正確に推定され得る。
また、本発明の他の実施形態に係る電力制御システムは、ユーザの建物に接続される車両および機器の少なくとも１つに供給する電力量を管理する電力制御システムであって、サーバ装置と、前記サーバ装置と通信可能に接続された電力制御装置とを備え、前記サーバ装置は、複数の建物における電力使用量を示す第１データと、前記複数の建物における人物の在不在を示す第２データとを教師データとして機械学習により生成された学習モデルを記憶する記憶部と、前記学習モデルに対して、前記ユーザの建物の電力使用量を示す第３データを入力することで、当該ユーザの在不在を推定する推定部とを有し、前記電力制御装置は、前記推定部の推定結果に応じて、前記車両および前記機器の少なくとも１つに供給する電力量を制御する。
この発明の実施形態によると、電力制御装置は、推定部の推定結果に応じて、車両および機器の少なくとも１つに供給する電力量を制御する。推定部の推定結果に応じて、車両への充電および機器への電力供給の少なくとも１つが制御されるため、例えば、太陽光パネルなどで発電した電力を建物内で効率よく使用することができる。
また、本発明の他の実施形態に係る在不在推定方法は、ユーザの在不在を推定する在不在推定方法であって、複数の建物における電力使用量を示す第１データと、前記複数の建物における人物の在不在を示す第２データとを教師データとして機械学習により生成された学習モデルに対して、ユーザの建物の電力使用量を示す第３データを入力することで、当該ユーザの在不在を推定するステップを備える。
この発明の実施形態によると、複数の建物における電力使用量を示す第１データと、複数の建物における人物の在不在を示す第２データとによって学習モデルが生成される。そして、ユーザの建物の電力使用量を、学習モデルに入力することで、当該ユーザの在不在が推定される。これにより、学習モデルを生成する際に、在不在を推定する対象となるユーザの在不在を取得する必要がなくなる。したがって、在不在を推定する対象となるユーザの在不在を示す情報がなくても、ユーザの在不在を推定することができる。
本発明の実施形態によれば、ユーザの在不在を推定する在不在推定システムにおいて、ユーザの在不在を示す情報がなくても、ユーザの在不在を推定することができる。
本実施形態に係る電力制御システムの構成を示すブロック図。 本実施形態に係る学習モデルの教師データとして用いられる第１データの概念図。 本実施形態に係る学習モデルの教師データとして用いられる第２データの概念図。 本実施形態に係る学習モデルに対して入力される第３データの概念図。 本実施形態に係る在不在推定システムにおいて推定された在確率データの概念図。 本実施形態に係る在不在推定システムの動作を示すフローチャート。 本実施形態に係る電力制御装置の動作を示すフローチャート。 本実施形態に係る在不在推定システムの実験記録を示す図。
以下、本発明の実施形態を図面に基づいて詳細に説明する。以下の好ましい実施形態の説明は、本質的に例示に過ぎず、本発明、その適用物或いはその用途を制限することを意図するものではない。
図１は、本実施形態に係る電力制御システムの構成を示すブロック図である。図１に示すように、本実施形態に係る電力制御システムは、サーバ装置１と電力制御装置２１とを備える。サーバ装置１は、通信ネットワークＮを介して、電力制御装置２１と通信可能に構成されている。
なお、本実施形態に係る在不在推定システムは、電力制御システムの一部として構成されている。具体的に、在不在推定システム１００は、サーバ装置１を備える。
電力制御装置２１は、ユーザの建物Ｂ１の電力を制御するためのものである。具体的に、電力制御装置２１は、電力線を介して、太陽光パネル２２と、複数の機器２３と、車両２４と接続されている。また、電力制御装置２１は、通信ネットワークＮを介して、サーバ装置１と接続されている。なお、太陽光パネル２２は、太陽光発電に用いられる太陽光パネルである。機器２３は、建物Ｂ１に接続された電気機器などであって、電力制御装置２１により供給される電力量が制御される１または複数の機器である。例えば機器２３は、それぞれ有線および無線の少なくとも１つの通信手段により直接または間接に電力制御装置２１に接続されてよい。機器２３は、当該通信手段を介した電力制御装置２１による電源入力の切り替え、電力消費量の増減等の制御により、供給される電力量が制御されてよい。機器２３の例としては、人物が建物にいるときに特に使用されるもの、例えば空調機および照明器具等、人物が建物に不在のときに特に使用されるもの、例えば監視カメラなどの防犯装置および掃除ロボット等、ならびに人物の在不在にかかわらず使用されるもの、例えば冷蔵庫等が挙げられる。
また、車両２４は、電気自動車、ハイブリット車および燃料電池車など、充電装置を備える車両である。
電力制御装置２１は、建物Ｂ１に接続された各装置に供給される電力を制御するものである。具体的に、太陽光パネル２２で発電された直流の電力を交流の電力に変換して、機器２３および車両２４に電力を供給する。また、電力制御装置２１は、太陽光パネル２２の発電量が、機器２３および車両２４の電力使用量よりも多い場合、余剰電力を商用の電力系統（図示省略）に出力して、売電を行う。さらに、電力制御装置２１は、太陽光パネル２２の発電量が、機器２３および車両２４の電力使用量よりも少ない場合、電力系統から不足した電力の供給を受ける。
ここで、電力制御装置２１は、在確率データに基づいて、車両２４の充電を行ってよい。詳しくは後述するが、在確率データは、時間帯ごとの、ユーザが建物Ｂ１にいる確率を示すデータである（なお、以下の説明において、人物が建物にいる確率を在確率とする）。例えば、電力制御装置２１は、在確率が所定値以上となっている時間帯には、機器２３に供給する電力量を増加させ、車両２４に供給する電力量を抑える、供給処理を行う。一方で、電力制御装置２１は、在確率が所定値以下となっている時間帯には、車両２４に供給する電力量を増加させ、機器２３に供給する電力量を抑える、充電処理を行う。機器２３に供給する電力量の制御の例として、例えば電力制御装置２１は、在確率が所定値以上となっている時間帯においては空調機および照明器具等の機器２３に供給する電力量を増加させる一方、在確率が所定値以下となっている時間帯においては当該機器２３に供給する電力量を減少させてよい。この電力制御装置２１の機能により、太陽光パネル２２により得られた電力を効率よく建物Ｂ１内で使用することができる。
また、電力制御装置２１は、スマートメータ２１１を備える。スマートメータ２１１は、建物Ｂ１における電力使用量を計測する電力計である。この例では、スマートメータ２１１は、建物Ｂ１の電力使用量として、少なくとも、太陽光パネル２２の発電量と、機器２３および車両２４の電力使用量とを計測する。スマートメータ２１１は、所定時間ごと（一般的には、３０分ごと）に、建物Ｂ１における電力使用量を計測し、電力使用量の計測結果をサーバ装置１に送信する。
（サーバ装置１の構成について）
図１に示すように、サーバ装置１は、通信部１１、記憶部１２および制御部１３を備える。
通信部１１は、例えば、電気回路などで構成され、通信ネットワークＮを介して、電力制御システム２と通信を行う。
記憶部１２は、ＲＯＭ（Read Only Memory)、ＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）およびＳＳＤ(Solid State Drive)等によって構成される記憶媒体である。記憶部１２には、制御部１３によって実行される各種プログラムが記憶されている。
また、記憶部１２には、学習モデル１２１が格納されている。学習モデル１２１は、複数の建物における電力使用量を示す第１データと、複数の建物における人物の在不在（人物が建物にいるか否か）を示す第２データとを教師データとして機械学習により生成された学習モデルである。機械学習のモデルまたはアルゴリズムは、分類の問題を解決するものであって、例えばロジスティック回帰（リッジ正則化およびラッソ正則化を含む）、ランダムフォレスト、サポートベクタマシン、ニューラルネットワーク（多層パーセプトロンを含む）などを含む。本実施形態において機械学習により生成される学習モデルは、上述の機械学習のモデルまたはアルゴリズムのうち、分類予測の精度の評価によって精度が高いと評価されるものであってよい。分類予測の精度の評価は、推定された条件付き確率の平均二乗誤差、ＲＯＣ（Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）曲線下の面積として定量化されるＡＵＣ（Ａｒｅａ Ｕｎｄｅｒ ｔｈｅ Ｃｕｒｖｅ）、カルバック・ライブラーダイバージェンスの最小化問題における対数損失、および実測値と予測値とをプロットするキャリブレーションプロット等のうち１または複数により行われてよい。ここで、機械学習のアルゴリズムまたはモデルの分類予測の精度は、教師データの数および特徴量（例えば学習に用いられる電力使用量のデータの取得日数や付加する属性情報）等により変動する。したがって、学習モデルの選択は、予め定められた条件において各機械学習のアルゴリズムまたはモデルによる分類精度の評価結果を比較することにより行われてよい。また、学習モデルの選択においては、学習および分類に要する計算コストの低いものが優先されてよい。
図２は本実施形態に係る学習モデルの教師データとして用いられる第１データの概念図であり、図３は本実施形態に係る学習モデルの教師データとして用いられる第２データの概念図である。
図２および図３に示すように、第１データには建物Ｂ２～Ｂ４の３０分ごとの電力使用量を示すデータが含まれており、第２データには建物Ｂ２～Ｂ４の３０分ごとの人物の在不在を示すデータが含まれている。例えば、第１データは、建物Ｂ２～Ｂ４にそれぞれ設置されたスマートメータから所定時間ごと（例えば、３０分ごと）に自動的に送信される電力使用量を示すデータに基づいて生成される。また、第２データは、建物Ｂ２～Ｂ４の人物に対して、在不在のアンケートを実施し、その結果に基づいて生成される。
学習モデル１２１は、第１および第２データを教師データとして機械学習により生成され、ユーザの建物Ｂ１の電力使用量の入力を受けると、当該ユーザの在確率を出力する（詳しくは後述する）。
制御部１３は、例えば、ＣＰＵ（Central Processing Unit）および半導体メモリ等を含むマイクロコンピュータで構成される。制御部１３は、記憶部１２に記憶されたプログラムなどを実行することにより、サーバ装置１の各部を制御する。
また、制御部１３は、電力使用量取得部１３１、在不在推定部１３２および在確率データ配信部１３３を備える。
電力使用量取得部１３１は、ユーザの建物Ｂ１の電力使用量を示す第３データを取得する。具体的に、電力使用量取得部１３１は、建物Ｂ１に設置されたスマートメータ２１１から３０分ごとに送信される建物Ｂ１の電力使用量を示すデータを第３データとして取得する。
在不在推定部１３２は、電力使用量取得部１３１が取得した、建物Ｂ１の電力使用量を示す第３データを学習モデル１２１に入力して、ユーザの在確率を推定する。
図４は本実施形態に係る学習モデルに対して入力される第３データの概念図であり、図５は本実施形態に係る電力制御システムにおいて推定された在確率データの概念図である。
例えば、在不在推定部１３２は、第３データとして、第１期間（この例では、７日前（１／１）から当日（１／８）までの期間）における建物Ｂ１の電力使用量を示すデータを学習モデル１２１に入力する。そして、学習モデル１２１は、第２期間（この例では、当日（１／８）と翌日（１／９））の、ユーザの在確率を出力する。在不在推定部１３２は、学習モデル１２１から出力された、ユーザの在確率を、ユーザの在不在の推定結果とする。
在確率配信部１３３は、在不在推定部１３２の推定結果を在確率データとして、電力制御装置２１に送信（配信）する。電力制御装置２１は、受信した在確率データに基づいて、建物Ｂ１の電力制御（例えば、車両２４の充電など）を行う。
例えば、電力制御装置２１は、在確率が所定値以上（ここでは、５０％以上）となっている時間帯には、機器２３に供給する電力量を増加させ、車両２４に供給する電力量を抑える、供給処理を行う。一方で、電力制御装置２１は、在確率が所定値以下（ここでは、５０％未満）となっている時間帯には、車両２４に供給する電力量を増加させ、機器２３に供給する電力量を抑える、充電処理を行う。
（電力制御システムの動作について）
図６および図７は本実施形態に係る電力制御システムの動作を示すフローチャートである。具体的に、図６は在不在推定システム１００（サーバ装置１）の動作を示し、図７は、電力制御装置２１の動作を示す。
まず、サーバ装置１の動作を説明する。
サーバ装置１の電力使用量取得部１３１がスマートメータ２１１からユーザの建物Ｂ１の電力使用量を示すデータを取得（受信）する（ステップＳ１）。
在不在推定部１３２は、第１期間における、建物Ｂ１の電力使用量を示す第３データを、学習モデル１２１に入力する（ステップＳ２）。
学習モデル１２１は、第２期間の、ユーザの在確率を出力（算出）する（ステップＳ３）。在不在推定部１３２は、学習モデル１２１から出力された、ユーザの在確率を、ユーザの在確率の推定結果とする。
在確率配信部１３３は、在不在推定部１３２の推定結果を在確率データとして、電力制御装置２１に送信（配信）する。
次に、電力制御装置２１の動作を説明する。
電力制御装置２１は、サーバ装置１から在確率データを受信すると（ステップＳ１１）、在確率データから現在時刻のユーザの在不在を検出する。そして、電力制御装置２１は、現在時刻のユーザの在確率が所定値以上か否かを判定する（ステップＳ１２）。
電力制御装置２１は、現在時刻のユーザの在確率が所定以上である場合には（ステップＳ１２のＹｅｓ）、機器２３に供給する電力量を増加させ、車両２４に供給する電力量を抑える供給処理を行う（ステップＳ１３）。一方で、電力制御装置２１は、現在時刻のユーザの在確率が所定以下である場合には（ステップＳ１２のＮｏ）、車両２４に供給する電力量を増加させ、機器２３に供給する電力量を抑える充電処理を行う（ステップＳ１４）。
（在不在推定結果について）
図８は、本実施形態に係る在不在推定システムの実験記録を示す図である。図８では、８８０世帯に対して、平日および休日のそれぞれの所定の１日における、３０分ごとの電力使用量および在不在を調査した。そのうち、６１６世帯分を学習モデル１２１の教師データとして用い、２６４世帯分を学習モデル１２１のテストのために用いた。なお、図８の「記録数」は、３０分ごとの電力使用量および在不在を記録した数である。
図８に示すように、全記録数の正例率は７８．９％（０．７８９）であった。これは、本実験に用いられた全記録数のうち「在」の割合が７８．９％、「不在」の割合が２１．１％であったことを示す。また、図示されていないが、本実験では学習モデル１２１としてロジスティック回帰（リッジ正則化）、ロジスティック回帰（ラッソ正則化）、ランダムフォレスト、サポートベクタマシン、およびニューラルネットワークを用いた。また、本実験では特徴量として、当日および過去７日分の消費電力データ、ならびに当日および過去１４日分の消費電力データを用いて、上述の５つの学習モデル１２１をそれぞれ比較した。本実験によれば、各学習モデル１２１のテストの結果は以下のとおりであった。
二乗平均誤差（当日および過去７日分の消費電力データ）は、ロジスティック回帰（リッジ正則化）が０．１４５、ロジスティック回帰（ラッソ正則化）が０．１４３、ランダムフォレストが０．１３０、サポートベクタマシンが０．１３８、およびニューラルネットワークが０．１３７であった。当該結果によれば、学習モデル１２１の最も好適な例は、二乗平均誤差が最小となったランダムフォレストである。また、二乗平均誤差（当日および過去１４日分の消費電力データ）は、ロジスティック回帰（リッジ正則化）が０．１４０、ロジスティック回帰（ラッソ正則化）が０．１４８、ランダムフォレストが０．１３３、サポートベクタマシンが０．１４５、およびニューラルネットワークが０．１３３であった。当該結果によれば、学習モデル１２１の最も好適な例は、二乗平均誤差が最小となったランダムフォレストおよびニューラルネットワークである。
ＡＵＣ（当日および過去７日分の消費電力データ）は、ロジスティック回帰（リッジ正則化）が０．７７０、ロジスティック回帰（ラッソ正則化）が０．７７２、ランダムフォレストが０．８０２、サポートベクタマシンが０．７８６、およびニューラルネットワークが０．７９０であった。当該結果によれば、学習モデル１２１の最も好適な例は、ＡＵＣが最大となったランダムフォレストである。また、ＡＵＣ（当日および過去１４日分の消費電力データ）は、ロジスティック回帰（リッジ正則化）が０．７４９、ロジスティック回帰（ラッソ正則化）が０．７５８、ランダムフォレストが０．７７３、サポートベクタマシンが０．７６０、およびニューラルネットワークが０．７９０であった。当該結果によれば、学習モデル１２１の最も好適な例は、ＡＵＣが最大となったニューラルネットワークである。
対数損失（当日および過去７日分の消費電力データ）は、ロジスティック回帰（リッジ正則化）が０．４４７、ロジスティック回帰（ラッソ正則化）が０．４４９、ランダムフォレストが０．４１７、サポートベクタマシンが０．４３３、およびニューラルネットワークが０．４３１であった。当該結果によれば、学習モデル１２１の最も好適な例は、対数損失が最小となったランダムフォレストである。また、対数損失（当日および過去１４日分の消費電力データ）は、ロジスティック回帰（リッジ正則化）が０．４４６、ロジスティック回帰（ラッソ正則化）が０．４５９、ランダムフォレストが０．４４２、サポートベクタマシンが０．４５９、およびニューラルネットワークが０．４２３であった。当該結果によれば、学習モデル１２１の最も好適な例は、対数損失が最小となったニューラルネットワークである。
以上の実験結果によれば、本実施形態における学習モデル１２１の好適な例としてランダムフォレストまたはニューラルネットワークが選択されてよい。
以上のように、本実施形態に係る電力制御システムは、ユーザの在不在を推定する在不在推定システム１００を含む。本電力制御システムは、複数の建物Ｂ２～Ｂ４における電力使用量を示す第１データと、複数の建物Ｂ２～Ｂ４における人物の在不在を示す第２データとを教師データとして機械学習により生成された学習モデル１２１を記憶する記憶部１２と、学習モデル１２１に対して、ユーザの建物Ｂ１の電力使用量を示す第３データを入力することで、当該ユーザの在不在を推定する在不在推定部１３２を備える。
この構成では、複数の建物Ｂ２～Ｂ４における電力使用量を示す第１データと、複数の建物Ｂ２～Ｂ４における人物の在不在を示す第２データとによって学習モデル１２１が生成される。そして、ユーザの建物Ｂ１の電力使用量を示す第３データを学習モデル１２１に入力することで、当該ユーザの在不在が推定される。これにより、学習モデル１２１を生成する際に、ユーザの建物Ｂ１以外の建物Ｂ２～Ｂ４を含む複数の建物における電力使用量および当該複数の建物Ｂ２～Ｂ４における人物の在不在を示すデータが教師データとして用いられることから、在不在を推定する対象となるユーザの在不在を示すデータを教師データとして取得する必要がなくなる。したがって、在不在を推定する対象となるユーザの在不在を示す情報がなくても、ユーザの在宅確率在不在を推定することができる。
また、複数の建物Ｂ２～Ｂ４における電力使用量を示す第１データと、複数の建物Ｂ２～Ｂ４における人物の在不在を示す第２データとによって、学習モデル１２１が生成されるため、建物Ｂ１における人物の在不在を示すデータなど他のデータを収集する必要がない。これにより、学習モデル生成時の負担も軽減される。
また、第３データは、当日（現在時刻）を含む第１期間におけるユーザの建物Ｂ１の電力使用量を示すデータである。在不在推定部１３２は、第１期間後の第２期間におけるユーザの在不在を推定する。
この構成では、ユーザの建物Ｂ１を含まない複数の建物Ｂ２～Ｂ４における電力使用量および当該複数の建物Ｂ２～Ｂ４における人物の在不在を示すデータが教師データとして用いられることから、在不在を推定する対象となるユーザの在不在を示すデータを教師データとして取得しなくても、当該ユーザの在不在を推定することができる。また、在不在推定部１３２は、学習モデル１２１に対して、第１期間におけるユーザの建物Ｂ１の電力使用量を示す第３データを入力することにより、第１期間後の第２期間におけるユーザの在不在を推定する。すなわち、現在時刻の直後の期間だけではなく、現在時刻よりも後の期間（第２期間）におけるユーザの在不在が推定されるため、ユーザの将来の在不在を推定することができる。
また、サーバ装置１は在不在推定部１３２を備える。サーバ装置１は、ユーザの建物Ｂ１に接続される車両２４の充電状況を制御する電力制御システム２と通信可能に接続されている。電力制御装置２１は、在不在推定部１３２の推定結果に応じて、車両２４に供給する電力量を制御する。
この構成では、電力制御装置２１は、在不在推定部１３２の推定結果に応じて、車両２４に供給する電力量を制御する。在不在推定部１３２の推定結果に応じて、車両２４への充電状況が制御されるため、例えば、太陽光パネルなどで発電した電力を建物内で効率よく使用することができる。
（その他の実施形態）
以上のように、本出願において開示する技術の例示として、実施形態について説明した。しかしながら、本開示における技術は、これに限定されず、適宜、変更、置き換え、付加、省略などを行った実施形態にも適用可能である。
上記実施形態では、図２および図３に示すように、第１および第２データの取得期間が同じであるが、異なっていてもよい。すなわち、第１データは、第３期間における、複数の建物における電力使用量を示すデータであり、第２データは、前記第３期間と異なる第４期間における、複数の建物の人物の在不在を示すデータであってもよい。これにより、第１および第２データの取得期間を対応させる必要がないため、学習モデルの生成が容易になる。この場合、例えば、基準時間（同じ曜日の同じ時間など）を決定して、第１および第２データにおける基準時間を基準として、第１および第２データを対応付けることにより、学習モデル１２１を生成することができる。
また、上記実施形態では、第１および第２データが、同じ時間ごと（図２では３０分ごと）に取得されているが、これに限られない。例えば、第１および第２データが取得される時間は、３０分ごとではなくてもよい。また、第１および第２データは、互いに異なる時間ごとに取得されてもよい。
また、上記実施形態では、学習モデル２１１に入力される第３データは、７日前から当日までの、ユーザの建物Ｂ１の電気使用量を示すデータであるが、７日以上前から当日までの、ユーザの建物Ｂ１の電気使用量を示すデータであってもよい。
また、第１データおよび第２データを取得した暦（月、日、曜日、平日、休日、季節など）に基づいて分類を行い、分類された第１データおよび第２データを学習モデル１２１の教師データとして用いてもよい。一般的に、休日と平日、曜日などに応じて、建物における人物の在不在と電力使用量の変化とに建物間で共通のパターンが生じ得る。例えば建物が居宅の場合、平日においては一般的に人物が日中に不在になることから当該日中における建物の電力使用量が減少する。また、人物が建物に戻る夕方から夜の一定の時間帯には、人物が建物に接続された機器等を使用することから当該建物の電力使用量が増加する。一方、休日においては、一般的に人物の在不在の時間帯が平日と異なることから、上述のような平日における建物の電力使用量の変化のパターンとは異なるパターンで電力使用量が変化する。このため、第１データおよび第２データを暦に基づいて分類する（区別する）ことにより、当該暦に応じた建物の電力使用量の変化のパターンに基づいてより正確にユーザの在不在を推定することができる。なお、暦に基づいた分類は、ユーザの建物Ｂ１を含む複数の建物全体における第１データに対して行ってよいが、予め当該複数の建物を、建物にいる人物の属性や人数、建物の種類、および建物に接続される機器等のうち１または複数の共通する特徴により１または複数の建物群に分類したうえで、各建物群にお
ける第１データに対してそれぞれ行ってもよい。かかる建物群の分類の例としては、居宅、店舗、共同住宅、事務所、工場、倉庫等の建物の種類に応じた分類に加えて、さらに居宅であれば世帯人数および世帯主の年齢層等、ならびに充電装置を有する車両の有無等により細分化した分類が挙げられる。本態様であれば、在不在を推定するユーザの建物と同一の建物群に分類される建物の電力使用量を示すデータのみを第１データとすることにより、ユーザの在不在は、ユーザの建物と共通の特徴を有する建物群の電力使用量および暦に基づいてさらに正確に推定され得る。また、第１データおよび第２データを暦に基づいて分類せずに学習モデル１２１を生成してもよい。また、予め暦に基づいて分類されている第１データおよび第２データを学習モデル１２１の教師データとして用いてもよい。
また、上記実施形態では、電力制御装置２１が在確率データを用いて、車両２４および機器２３に供給する電力量を制御する場合を例にして説明したが、電力制御装置２１は、在確率データを用いて、車両２４および機器２３のいずれか一方に供給する電力量を制御してもよい。
上記実施形態では、在不在推定システム１００を構成するサーバ装置１が電力制御装置２１と連携して、車両２４の充電を制御するために、ユーザの在不在を用いることを例にして説明したが、サーバ装置１と連携される装置（またはシステム）は、電力制御装置２１に限られない。例えば、サーバ装置１を配送管理システムと連携させてもよい。この場合、配送管理システムは、ユーザの在不在を用いて、配送ルートを決定してもよい。また、サーバ装置１をユーザの見守りシステムと連携してもよい。この場合、見守りシステムは、ユーザの在不在が高い場合、ユーザの在宅が確認できないときに警告を発してもよい。また、サーバ装置１を広告配信システム（広告配信装置）と連携させてもよい。この場合、広告配信システムは、ユーザの在不在に応じて、配信する広告を決定してもよい。
また、サーバ装置１に、第１および第２データを逐次受信して、受信したデータに基づいて学習モデル１２１を更新する機能を備えてもよい。
また、学習モデル１２１の教師データとして、ユーザの建物Ｂ１の電力使用量および在不在を示すデータを用いてもよい。
なお、本実施形態に係る電力制御システムを、クレジットカード決済システムや口座振替システムなどと連携させてもよい。この場合、例えば、ユーザの通信端末（携帯電話やＰＣなど）によって、ユーザのクレジットカードの番号や口座番号などの決済情報を受け付けて、クレジットカード決済システムや口座振替システムに決済情報の登録をおこなってもよい。これにより、本在不在推定システムによって、ユーザの決済情報の管理を行うことができる。
また、本実施形態に係る電力制御システムのサーバ装置１に、クレジットカードを撮影した画像から、クレジットカードに関する情報を検出できる機能を備えてもよい。例えば、サーバ装置１をユーザの通信端末（携帯電話やＰＣなど）と、クレジットカードの決済システムとに通信可能に構成する。サーバ装置１は、ユーザの通信端末から、ユーザのクレジットカードの画像を受信し、受信した当該画像から、例えば、ＯＣＲ（Optical character recognition）などの文字読取技術により、ユーザのクレジットカードの番号などの情報を読み取り、クレジットカードの決済システムに当該情報を通知してもよい。これにより、決済情報の入力を行う手間を省くことができる。
また、本実施形態に係る電力制御システムを、ユーザの氏名、住所、電話番号および電力使用量など、ユーザの電力料金を請求するために用いられる各種情報を管理する顧客管理システムと連携させてもよい。これにより、例えば、ユーザに対して、電力使用量に応じた電気料金の請求を行うことができる。
また、サーバ装置１は、複数の装置であってもよいし、１台であってもよい。サーバ装置１の各機能に対して１つのサーバ装置が設けられてもよい。また、複数のサーバ装置が連携して、サーバ装置１の各機能を実現してもよい。
本実施形態に係る在不在推定システムは、ユーザの在不在を推定することができるため、例えば、車両の充電を制御する電力制御システムと連携することにより、ユーザの建物内において電力を効率的に使用することができる。
また、サーバ装置１および電力制御装置２１には、それぞれ、上記実施形態に係る機能を実現するための在不在推定プログラムがインストールされている。サーバ装置１および電力制御装置２１Ｐは、インストールされた在不在推定プログラムを実行することにより、上記実施形態に係る各種機能を実現する。
１００ 在不在推定システム
１ サーバ装置
１２ 記憶部
１２１ 学習モデル
１３ 制御部
１３１ 電力使用量取得部
１３２ 在不在推定部
１３３ 在確率配信部
２１ 電力制御装置
２１１ スマートメータ
２４ 車両

Claims (6)

  1. ユーザの在不在を推定する在不在推定システムであって、
    複数の建物における電力使用量を示す第１データと、前記複数の建物における人物の在不在を示す第２データとを教師データとして機械学習により生成された学習モデルを記憶する記憶部と、
    前記学習モデルに対して、前記ユーザの建物の電力使用量を示す第３データを入力することで、当該ユーザの在不在を推定する推定部とを備える、在不在推定システム。
  2. 請求項１記載の在不在推定システムにおいて、
    前記複数の建物に前記ユーザの建物が含まれず、
    前記第３データは、現在時刻を含む第１期間における前記ユーザの建物の電力使用量を示すデータであり、
    前記推定部は、前記第１期間後の第２期間における前記ユーザの在不在を推定する、在不在推定システム。
  3. 請求項１または２記載の在不在推定システムにおいて、
    前記第１データは、第３期間における、前記複数の建物の電力使用量を示すデータであり、
    前記第２データは、前記第３期間と異なる第４期間における、前記複数の建物の人物の在不在を示すデータである、在不在推定システム。
  4. 請求項１～３のいずれか１項記載の在不在推定システムにおいて、
    前記第１データおよび前記第２データは、それぞれ各データが取得された暦に基づいた分類がなされており、
    前記学習モデルは、分類された前記第１データおよび前記第２データが前記教師データとして用いられる、在不在推定システム。
  5. ユーザの建物に接続される車両および機器の少なくとも１つに供給する電力量を管理する電力制御システムであって、
    サーバ装置と、
    前記サーバ装置と通信可能に接続された電力制御装置と
    を備え、
    前記サーバ装置は、
    複数の建物における電力使用量を示す第１データと、前記複数の建物における人物の在不在を示す第２データとを教師データとして機械学習により生成された学習モデルを記憶する記憶部と、
    前記学習モデルに対して、前記ユーザの建物の電力使用量を示す第３データを入力することで、当該ユーザの在不在を推定する推定部とを有し、
    前記電力制御装置は、前記推定部の推定結果に応じて、前記車両および前記機器の少なくとも１つに供給する電力量を制御する、電力制御システム。
  6. ユーザの在不在を推定する在不在推定方法であって、
    複数の建物における電力使用量を示す第１データと、前記複数の建物における人物の在不在を示す第２データとを教師データとして機械学習により生成された学習モデルに対して、ユーザの建物の電力使用量を示す第３データを入力することで、当該ユーザの在不在を推定するステップを備える、在不在推定方法。
JP2020209935A 2020-12-18 2020-12-18 在不在推定システム、電力制御システム、在不在推定方法および在不在推定プログラム Active JP7122714B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2020209935A JP7122714B2 (ja) 2020-12-18 2020-12-18 在不在推定システム、電力制御システム、在不在推定方法および在不在推定プログラム
JP2022121268A JP2022145761A (ja) 2020-12-18 2022-07-29 在不在推定システム、電力制御システムおよび在不在推定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020209935A JP7122714B2 (ja) 2020-12-18 2020-12-18 在不在推定システム、電力制御システム、在不在推定方法および在不在推定プログラム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2022121268A Division JP2022145761A (ja) 2020-12-18 2022-07-29 在不在推定システム、電力制御システムおよび在不在推定方法

Publications (2)

Publication Number Publication Date
JP2022096770A true JP2022096770A (ja) 2022-06-30
JP7122714B2 JP7122714B2 (ja) 2022-08-22

Family

ID=82165369

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2020209935A Active JP7122714B2 (ja) 2020-12-18 2020-12-18 在不在推定システム、電力制御システム、在不在推定方法および在不在推定プログラム
JP2022121268A Pending JP2022145761A (ja) 2020-12-18 2022-07-29 在不在推定システム、電力制御システムおよび在不在推定方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2022121268A Pending JP2022145761A (ja) 2020-12-18 2022-07-29 在不在推定システム、電力制御システムおよび在不在推定方法

Country Status (1)

Country Link
JP (2) JP7122714B2 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004145661A (ja) * 2002-10-24 2004-05-20 Fujitsu Ltd コンテンツ配信システム及び方法
JP2016185039A (ja) * 2015-03-26 2016-10-20 Ｎｅｃプラットフォームズ株式会社 電力管理装置及び電力管理方法、宅内電力管理システム、並びにコンピュータ・プログラム
JP2017122572A (ja) * 2015-05-13 2017-07-13 一般財団法人電力中央研究所 居住者の在宅不在の判定方法、判定装置、及び判定プログラム、並びに、不在期間の確定方法
JP2020135483A (ja) * 2019-02-20 2020-08-31 慎平 大杉 人工知能システム、人工知能装置、表示制御装置、人工知能システムの制御方法、情報処理方法、人工知能プログラム、及びプログラム
JP2020166971A (ja) * 2019-03-28 2020-10-08 大阪瓦斯株式会社 制御システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004145661A (ja) * 2002-10-24 2004-05-20 Fujitsu Ltd コンテンツ配信システム及び方法
JP2016185039A (ja) * 2015-03-26 2016-10-20 Ｎｅｃプラットフォームズ株式会社 電力管理装置及び電力管理方法、宅内電力管理システム、並びにコンピュータ・プログラム
JP2017122572A (ja) * 2015-05-13 2017-07-13 一般財団法人電力中央研究所 居住者の在宅不在の判定方法、判定装置、及び判定プログラム、並びに、不在期間の確定方法
JP2020135483A (ja) * 2019-02-20 2020-08-31 慎平 大杉 人工知能システム、人工知能装置、表示制御装置、人工知能システムの制御方法、情報処理方法、人工知能プログラム、及びプログラム
JP2020166971A (ja) * 2019-03-28 2020-10-08 大阪瓦斯株式会社 制御システム

Also Published As

Publication number Publication date
JP2022145761A (ja) 2022-10-04
JP7122714B2 (ja) 2022-08-22

Similar Documents

Publication Publication Date Title
Correa-Florez et al. Stochastic operation of home energy management systems including battery cycling
EP4287439A2 (en) Systems for machine learning, optimising and managing local multi-asset flexibility of distributed energy storage resources
Meng et al. A profit maximization approach to demand response management with customers behavior learning in smart grid
JP7051856B2 (ja) 動的エネルギーストレージシステム制御のためのシステムおよび方法
US20170373500A1 (en) Method for Adaptive Demand Charge Reduction
US20160180220A1 (en) Systems and methods for adaptively updating equipment models
US11531919B2 (en) Building system with probabilistic forecasting using a recurrent neural network sequence to sequence model
US20130226320A1 (en) Policy-driven automated facilities management system
Schlund et al. Flexability-modeling and maximizing the bidirectional flexibility availability of unidirectional charging of large pools of electric vehicles
US20210216938A1 (en) Enterprise platform for enhancing operational performance
CN106575422A (zh) 能量管理系统和方法
US11243523B2 (en) Building system with adaptive fault detection
GB2597342A (en) Systems for machine learning, optimising and managing local multi-asset flexibility of distributed energy storage resources-divisional
Meng et al. A bilevel optimization approach to demand response management for the smart grid
Xiang et al. Smart Households' Available Aggregated Capacity Day-ahead Forecast Model for Load Aggregators under Incentive-based Demand Response Program
GB2598495A (en) Systems for machine learning, optimising and managing local multi-asset flexibility of distributed energy storage resources
WO2019152337A1 (en) Energy program communication control system and method based on load shape analysis
JP7122714B2 (ja) 在不在推定システム、電力制御システム、在不在推定方法および在不在推定プログラム
Wang et al. Learning-based energy management policy with battery depth-of-discharge considerations
Vanitha et al. A hybrid approach for optimal energy management system of internet of things enabled residential buildings in smart grid
Wu et al. On the Distributed Energy Storage Investment and Operations
Behera et al. SmartPeak: Peak shaving and ambient analysis for energy efficiency in electrical smart grid
Sun et al. An information-driven incentive scheme with consumer demand awareness for participatory sensing
Guo et al. Machine learning method for day classification to understand thermostatically controlled load demand
GB2598229A (en) Systems for machine learning, optimising and managing local multi-asset flexibility of distributed energy storage resources

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201221

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20201221

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20210309

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210406

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210604

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210831

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211101

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220201

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220404

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220705

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220729

R150 Certificate of patent or registration of utility model

Ref document number: 7122714

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350