JP2023071112A - 消費電力予測装置、消費電力予測方法及び消費電力予測プログラム - Google Patents

Abstract

【課題】対象エリアにおける電力消費量を的確に予測することができるようにする。【解決手段】消費電力予測装置は、所定の対象エリアにおける電力消費量を予測する。消費電力予測装置は、所定の対象エリア内にいる人の属性を特定する属性特定部３３２と、特定された属性に基づいて、前記対象エリアにおける予測電力消費量を算出する予測部３３３と、を有する。予測部は、人の属性が異なると対象エリアにおける予測電力消費量が異なるように、予測電力消費量を算出する。【選択図】図４

Description

本開示は、消費電力予測装置、消費電力予測方法及び消費電力予測プログラムに関する。

スマートシティにおいて、そのコミュニティ内の複数の主体からデータを収集することが提案されている。特に、特許文献１では、異なる事業主体の情報システムから得られるデータには不確かさがあることから、斯かる不確かさを解消すべく、得られたデータを補正したデータを収集することが提案されている。

特開２０１３－０６９０８４号公報

スマートシティ等の対象エリアでは、例えば対象エリア内に駐車されている車両等、様々な蓄電装置が用いられる。そして、対象エリア全体の電力消費量が少ないときにはこれら蓄電装置に充電すると共に、対象エリア全体の電力消費量が多いときには蓄電装置から放電される。対象エリアにおけるこのような電力を適切に制御するためには、対象エリアにおける電力消費量を的確に予測することが必要である。

上記課題に鑑みて、本開示の目的は、対象エリアにおける電力消費量を的確に予測することができるようにすることにある。

本開示の要旨は以下のとおりである。

（１）所定の対象エリアにおける電力消費量を予測する消費電力予測装置であって、
所定の対象エリア内にいる人の属性を特定する属性特定部と、
特定された属性に基づいて、前記対象エリアにおける予測電力消費量を算出する予測部と、を有し、
前記予測部は、前記人の属性が異なると前記対象エリアにおける予測電力消費量が異なるように、前記予測電力消費量を算出する、消費電力予測装置。
（２）前記人の属性は、前記人が前記対象エリア内に滞在する予測滞在期間によって区別される、上記（１）に記載の消費電力予測装置。
（３）前記人の属性は、前記予測滞在期間が所定の基準期間未満である短期滞在者と、前記予測滞在期間が前記所定の基準期間以上である長期滞在者との何れに属するかを含む、上記（２）に記載の消費電力予測装置。
（４）前記予測部は、前記人の属性に関するパラメータを入力パラメータとし且つ該人による電力消費量又は前記対象エリアにおける電力消費量を出力パラメータとする機械学習モデルを用いて、前記対象エリアにおける予測電力消費量を算出する、上記（１）～（３）のいずれか１つに記載の消費電力予測装置。
（５）前記予測部は、各人について機械学習モデルを用いて各人の予測個人電力消費量を算出し且つ前記対象エリア内にいる人全員分の予測個人電力消費量を合計した値に基づいて前記対象エリアの予測電力消費量を算出し、前記予測個人電力消費量を算出するときには人の属性毎に異なる機械学習モデルを用いる、上記（１）～（３）のいずれか１つに記載の消費電力予測装置。
（６）所定の対象エリアにおける電力消費量を予測する消費電力予測方法であって、
所定の対象エリア内にいる人の属性を特定することと、
特定された属性に基づいて、前記対象エリアにおける予測電力消費量を算出することと、を含み、
前記予測電力消費量は、前記人の属性が異なると前記対象エリア内における予測電力消費量が異なるように算出される、消費電力予測方法。
（７）所定の対象エリアにおける電力消費量を予測する消費電力予測プログラムであって、
所定の対象エリア内にいる人の属性を特定することと、
特定された属性に基づいて、前記対象エリアにおける予測電力消費量を算出することと、をコンピュータに実行させ、
前記予測電力消費量は、前記人の属性が異なると前記対象エリアにおける予測電力消費量が異なるように算出される、消費電力予測プログラム。

本開示によれば、対象エリアにおける電力消費量を的確に予測することができるようになる。

図１は、消費電力予測システムの概略的な構成図である。 図２は、サーバのハードウェア構成を概略的に示す図である。 図３は、サーバのプロセッサの機能ブロック図である。 図４は、消費電力予測処理の流れを示すフローチャートである。 図５は、予測部によって用いられる機械学習モデルを概略的に示す図である。 図６は、予測部によって用いられる機械学習モデルを概略的に示す図である。 図７は、消費電力予測処理の流れを示すフローチャートである。 図８は、予測部によって用いられる機械学習モデルを概略的に示す図である。

以下、図面を参照して実施形態について詳細に説明する。なお、以下の説明では、同様な構成要素には同一の参照番号を付す。

・第一実施形態
＜消費電力予測システムの構成＞
図１～図３を参照して、第一実施形態に係る消費電力予測システム１の構成について説明する。図１は、消費電力予測システム１の概略的な構成図である。消費電力予測システム１は、サーバにおいて機械学習モデルを用いて対象エリアにおける消費電力を予測する。

図１に示したように、消費電力予測システム１は、複数の移動型の端末機器１０と、複数の作動機器（図示した例では、車両）２０と、端末機器１０及び作動機器２０と通信可能なサーバ３０とを有する。複数の端末機器１０及び作動機器２０のそれぞれとサーバ３０とは、光通信回線などで構成される通信ネットワーク４と、通信ネットワーク４にゲートウェイ（図示せず）を介して接続される無線基地局５とを介して、相互に通信可能に構成される。端末機器１０と無線基地局５との通信としては、通信距離が長い種々の広域無線通信を用いることができ、例えば、３ＧＰＰ、ＩＥＥＥによって策定された４Ｇ、ＬＴＥ、５Ｇ、ＷｉＭＡＸ等の任意の通信規格に準拠した通信が用いられる。また、作動機器２０は、無線ではなく、有線により通信ネットワーク４に接続されてもよい。

特に、本実施形態では、サーバ３０は、所定の対象エリア内に位置する端末機器１０及び作動機器２０と通信する。対象エリアは、予め定められた境界によって囲まれた範囲であり、例えば、「ＩＣＴ等の新技術を活用しつつ、マネジメント(計画、整備、管理・運営等）の高度化により、都市や地域の抱える諸課題の解決を行い、また新たな価値を創出し続ける、持続可能な都市や地域」として定義されるスマートシティである。サーバ３０は、対象エリア外に位置する端末機器１０及び作動機器２０と通信可能であってもよい。

端末機器１０は、それぞれ個人に保持されて、端末機器１０を保持している個人のデータを取得する機器である。特に、本実施形態では、端末機器１０は、所定の対象エリア内又はその周辺のエリア内の個人のデータを取得する移動型データ取得装置として機能する。したがって、本実施形態では、端末機器１０は、端末機器１０を保持する個人の移動に伴って移動する。このため端末機器１０を保持する個人が対象エリア内に移動すると、その個人によって保持された端末機器１０も対象エリア内に移動することなる。逆に、端末機器１０を保持する個人が対象エリア外へ移動すると、その個人によって保持された端末機器１０も対象エリア外に移動することなる。

具体的には、本実施形態では、端末機器１０は、例えば、時計型端末（スマートウォッチ）、リストバンド型端末、クリップ型端末、及びメガネ型端末（スマートグラス）などのウェアラブル端末、及び携帯端末を含む。斯かる端末機器１０は、例えば、その端末機器１０を保持している人の個人情報（ＩＤ等の識別情報、性別、年齢、等）、及びその端末機器１０を保持している人の位置情報（端末機器１０の位置情報）を含む個人データを取得する。端末機器１０は、このようにした取得した個人データを、サーバ３０へ送信する。

作動機器２０は、サーバ３０からの指令に従って作動する機器である。特に、作動機器２０は、対象エリア内に位置する様々な機器を含む。具体的には、作動機器２０は、例えば、対象エリア内の電動車両、発電装置、蓄電装置など、蓄電、発電及び放電に関する機器を含む。

サーバ３０は、通信ネットワーク４を介して、複数の端末機器１０及び作動機器２０と接続される。本実施形態では、サーバ３０は、機械学習モデルを用いた処理を実行する。サーバ３０は、対象エリアにおける電力消費量を予測する。

図２は、サーバ３０のハードウェア構成を概略的に示す図である。サーバ３０は、図２に示したように、通信モジュール３１と、ストレージ装置３２と、プロセッサ３３とを備える。また、サーバ３０は、キーボード及びマウスといった入力装置、及び、ディスプレイ及びスピーカといった出力装置を有していてもよい。

通信モジュール３１は、サーバ３０外の機器と通信を行う通信装置の一例である。通信モジュール３１は、サーバ３０を通信ネットワーク４に接続するためのインターフェース回路を備える。通信モジュール３１は、通信ネットワーク４及び無線基地局５を介して、複数の端末機器１０及び作動機器２０それぞれと通信可能に構成される。

ストレージ装置３２は、データを記憶する記憶装置の一例である。ストレージ装置３２は、例えば、ハードディスクドライブ（ＨＤＤ）、ソリッドステートドライブ（ＳＳＤ）又は光記録媒体を有する。また、ストレージ装置３２は、揮発性の半導体メモリ（例えば、ＲＡＭ）、不揮発性の半導体メモリ（例えば、ＲＯＭ）等を有していてもよい。ストレージ装置３２は、プロセッサ３３によって各種処理を実行するためのコンピュータプログラム、及びプロセッサ３３によって各種処理が実行されるときに使用される各種データを記憶する。特に、ストレージ装置３２は、端末機器１０から受信したデータ、機械学習モデルに関するデータ（例えば、機械学習モデルの構成及び学習パラメータ（例えば、重みやバイアスなど））、及び機械学習モデルを用いた処理に使用されるデータを記憶する。

プロセッサ３３は、一つ又は複数のＣＰＵ及びその周辺回路を有する。プロセッサ３３は、更にＧＰＵ、又は論理演算ユニット若しくは数値演算ユニットのような演算回路を有していてもよい。プロセッサ３３は、ストレージ装置３２に記憶されたコンピュータプログラムに基づいて、各種処理を実行する。特に、本実施形態では、プロセッサ３３は、対象エリアにおける電力消費量を予測する消費電力予測装置として機能する。

図３は、サーバ３０のプロセッサ３３の機能ブロック図である。図３に示したように、プロセッサ３３は、対象エリア内の人の属性に関するデータを含む様々なデータを取得するデータ取得部３３１と、対象エリア内にいる人の属性を特定する属性特定部３３２と、特定された属性に基づいて対象エリアにおける予測電力消費量を算出する予測部３３３と、算出された予測電力消費量に基づいて作動機器２０を制御する機器制御部３３４と、を有する。サーバ３０のプロセッサ３３が有するこれら機能ブロックは、例えば、プロセッサ３３上で動作するコンピュータプログラムにより実現される機能モジュールである。或いは、プロセッサ３３が有するこれら機能ブロックは、プロセッサ３３に設けられる専用の演算回路であってもよい。なお、これら各機能ブロックの詳細については、後述する。

＜消費電力予測の概要＞
次に、消費電力予測システム１における消費電力予測の概要について説明する。スマートシティ等の対象エリアにおいては、対象エリア内の様々な機器が通信によりつながることによって、対象エリア内における既存の様々な課題を解決することが見込まれている。その一方で、様々な機器を電子的につなげるために、また、様々な機器において情報を取得するために電力が消費される。

また、一般に、電力消費量は夜間に比べて昼間の方が多いが、必ずしも発電施設における電力発電量を電力消費量に合わせて制御することはできない。したがって、発電施設における電力発電量と電力消費量とは必ずしも一致しない。このため、対象エリアにおける電力の需給を管理するためには、将来の予測電力消費量に基づいて、対象エリア内の、蓄電、発電及び放電に関する機器を適切に制御することが必要である。そこで、本実施形態では、対象エリアにおける電力消費量が予測される。

ここで、対象エリアにおける電力には、対象エリア内にいる人とは無関係に消費される電力（例えば、街灯や信号機などで用いられる電力）と、対象エリア内にいる人と関連して消費される電力（例えば、家庭内の照明、テレビなどで用いられる電力）と、を含む。このうち、対象エリア内にいる人とは無関係に消費される電力は、電力が消費される期間や量が予め決まっているため、予測し易い。一方で、対象エリア内にいる人と関連して消費される電力は、人の行動に応じて決まるため、予測しにくい。このため、本実施形態では、消費電力予測システム１は、特に、対象エリア内にいる人と関連して消費される電力の消費量を機械学習モデルを用いて予測する。

対象エリア内にいる人によって消費される電力は、様々な要因によって変化する。具体的には、対象エリア内にいる人によって消費される電力は、例えば、対象エリアにおける気温、湿度、イベントの有無やその種類、対象エリア内にいる人の属性などに応じて変化する。例えば、対象エリアにおける気温や湿度が高いときには、対象エリア内にいる人が空調機器を使用する確率が高くなり、よって各人によって消費される電力量が多くなる。また、対象エリア内においてイベントが開催されると、そのイベントにおいて電力が消費され、よってイベントに参加した人によって消費される電力量が多くなる。

また、人の属性は、例えば、対象エリア内に滞在する予測滞在期間が所定の基準期間（例えば夜を跨いだ期間）未満である短期滞在者と、予測滞在期間が基準期間以上である長期滞在者とのいずれに属するかを含む。短期滞在者は、具体的には、対象エリア内に定住していない来訪者であって宿泊予定の無い者を含む。一方、長期滞在者は、具体的には、例えば、対象エリア内に定住していない来訪者であって宿泊予定のある者、及び対象エリア内に定住している定住者を含む。短期滞在者と長期滞在者とでは、対象エリア内での行動の傾向が大きく異なるため、対象エリア内で消費する電力量も異なる。例えば、短期滞在者は、夜を跨いで対象エリア内に滞在する確率が低く、よって長期滞在者に比べて少なくとも夜間における電力消費量が少ない。人の属性は、その他にもその人の性別、年齢、勤務先等、様々なパラメータを含んでもよい。

なお、本実施形態では、人の属性は、短期滞在者か長期滞在者かに基づいて区別される。しかしながら、人の属性は、対象エリアへの予測滞在期間によって区別されれば他の態様で区別されてもよい。具体的には、人の属性は、例えば、予測滞在期間が、６時間、半日、１日、複数日のそれぞれ以上であるか否かに基づいて区別されてもよい。

そこで、本実施形態では、対象エリアにおける気温、湿度、イベントの有無やその種類、対象エリア内にいる人の属性を含む様々なパラメータに基づいて、対象エリア内にいる人によって消費される電力を推定する。対象エリア内にいる人の属性は、短期滞在者であるか長期滞在者であるか、性別、年齢、勤務先等を含む。

本実施形態では、消費電力予測システムは、対象エリア内にいる人の属性などに基づいて、対象エリアに内にいる人によって消費されると予測される予測電力消費量を算出し、算出された予測電量消費量に基づいて対象エリア全体における電力消費量を予測する。これにより、対象エリア全体における電力消費量を的確に予測することができるようになる。

＜消費電力予測処理及び機器制御処理＞
以下、図４を参照して、対象エリアにおける電力消費量を予測する消費電力予測処理と、予測された電力消費量に基づいて作動機器を制御する機器制御処理について説明する。図４は、消費電力予測処理の流れを示すフローチャートである。消費電力予測処理は、サーバ３０のプロセッサ３３によって実行される。

図４に示したように、まず、プロセッサ３３のデータ取得部３３１が各端末機器１０から送信されたデータを含む各種のデータを取得する（ステップＳ１１）。ここで、端末機器１０は、定期的に、端末機器１０に記憶されているデータや端末機器１０において取得された個人データをサーバ３０に送信する。具体的には、端末機器１０は、例えば、端末機器１０に保持されている人の個人情報（識別情報、性別、年齢、等）、及び端末機器１０の位置情報（すなわち、端末機器１０を保持している人の位置情報）をサーバ３０に送信する。このようにして端末機器１０から送信された個人データはサーバ３０のストレージ装置３２に記憶される。

また、サーバ３０には、上述した移動側の端末機器１０以外の機器から、上述した個人データ以外の様々なデータが送信される。サーバ３０には、例えば、気温及び湿度を予測する予測機関の機器から、対象エリアにおける予測された気温及び湿度に関するデータが送信される。或いは、サーバ３０には、対象エリア内に配置された監視カメラによって撮影された画像又は動画に関するデータが送信される。このようにして様々な端末から送信された様々なデータもサーバ３０のストレージ装置３２に記憶される。

プロセッサ３３のデータ取得部３３１は、このようにしてサーバ３０のストレージ装置３２に記憶されているデータのうち、対象エリアの電力消費量を算出するのに必要なデータのみをストレージ装置３２から取得する。

次いで、プロセッサ３３の属性特定部３３２が、データ取得部３３１によって取得されたデータに基づいて、対象エリア内にいる人の属性を特定する（ステップＳ１２）。本実施形態では、対象エリア内に定住している人及び対象エリア内に宿泊する予定の人（すなわち、長期滞在者）の識別情報が予め登録されており、斯かる識別情報がサーバ３０のストレージ装置３２に記憶されている。したがって、属性特定部３３２は、各端末機器１０から送信されたデータに含まれる識別情報をサーバ３０のストレージ装置３２に記憶された予め登録された識別情報と照合して、その端末機器１０を保持する人が長期滞在者であるか否かを特定する。具体的には、属性特定部３３２は、各端末機器１０から送信されたデータに含まれる識別情報が予め登録された識別情報に含まれている場合には、その端末機器１０を保持する人は長期滞在者であると特定する。一方、属性特定部３３２は、各端末機器１０から送信されたデータに含まれる識別情報が予め登録された識別情報に含まれていない場合には、その端末機器１０を保持する人は短期滞在者であると特定する。

なお、本実施形態では、属性特定部３３２は、端末機器１０から送信されたデータに含まれる識別情報に基づいて、対象エリア内の各人が長期滞在者であるか短期滞在者であるかを特定している。しかしながら、属性特定部３３２は、他の方法によって対象エリア内の各人が長期滞在者であるか短期滞在者であるかを特定してもよい。

例えば、対象エリア内に滞在する人には滞在期間に応じたバッジを取り付けることが義務づけられている場合には、属性特定部３３２は、監視カメラによって撮影された画像に表された人及びバッジの種類を画像認識処理によって認識し、認識された人が長期滞在者であるか短期滞在者であるかを認識したバッジの種類に基づいて特定する。また、この場合、認識された人の性別や年齢などの個人データは、画像認識処理によって特定される。したがって、この場合、各端末機器１０から個人データが送信されなくてもよい。

その後、プロセッサ３３の予測部３３３が、属性特定部３３２によって特定された、対象エリア内の各人の属性を含むデータに基づいて、その人が今後消費すると予測される予測個人電力消費量を算出する（ステップＳ１３）。本実施形態では、機械学習モデルによって、対象エリア内の各人の予測個人電力消費量が算出される。

図５は、予測部３３３によって用いられる機械学習モデルを概略的に示す図である。図５に示したように、本実施形態では、機械学習モデルは、Ｎ層のニューラルネットワークにより構成されている。図５に示した機械学習モデルでは、人の種別（長期滞在者であるか短期滞在者であるか）、人の性別、人の年齢、対象エリアの予想気温、及び対象エリアの予想湿度等を含む入力パラメータの値が入力されると、その人の予測個人電力消費量Ｐｉが出力される。予測個人電力消費量Ｐｉは、現在から所定時間後までにその人によって消費されると予測される電力量であってもよいし、所定時間毎（例えば１時間毎）にその人によって消費されると予測される電力量（所定時間毎の電力量）であってもよい。なお、図５において、Ｌ＝１は入力層、Ｌ＝２、Ｌ＝Ｎ－２及びＬ＝Ｎ－１は隠れ層、Ｌ＝Ｎは出力層をそれぞれ示している。

機械学習モデルのモデルパラメータ（ハイパーパラメータ、重みやバイアスなど）は、予め学習によって算出されている。機械学習モデルのモデルパラメータの学習は、機械学習モデルの入力パラメータの実測値と機械学習モデルの出力パラメータの実測値とを含む教師データに基づいて、誤差逆伝播法等の公知の手法を用いて行われる。

なお、本実施形態では、機械学習モデルは、全結合層のみを備えたニューラルネットワーク（ＮＮ）を用いているが、畳み込み層を有するコンボリューションニューラルネットワーク（ＣＮＮ）や、再帰層を有するリカレントニューラルネットワーク（ＲＮＮ）を用いてもよい。また、本実施形態では、機械学習モデルは、ニューラルネットワークを用いているが、サポートベクトルマシン（ＳＶＭ）、決定木（ＤＴ）といった、他の教師あり学習アルゴリズムを用いてもよい。

また、本実施形態では、機械学習モデルの入力パラメータは、人の種別、性別、年齢、予想気温及び予想湿度を含んでいるが、入力パラメータは、人の種別を含んでいれば、その他の任意のパラメータを含むことができる。したがって、入力パラメータは、現在時刻や日にち、天気、イベントの有無やその種類、人の勤務先などの様々なパラメータを含み得る。

次いで、プロセッサ３３の予測部３３３が、予測個人電力消費量に基づいて、対象エリアにおける予測電量消費量を算出する（ステップＳ１４）。具体的には、予測部３３３は、以下の式（１）に基づいて、対象エリア内にいる人全員分の予測個人電力消費量Ｐｉを合計することで、対象エリアにおける予測電力消費量Ｔを算出する。

上記式（１）において、Ｐｉは対象エリア内にいるｉ番目の人（ｉ＝１，２，…，Ｍ）の予測個人消費電力量を、Ｍは対象エリア内にいる人の数を表している。予測電力消費量Ｔは、現在から所定時間後までに対象エリアにおいて消費されると予測される電力量であってもよいし、所定時間毎（例えば１時間毎）に対象エリアにおいて消費されると予測される電力量（所定時間毎の電力量）であってもよい。

なお、上記実施形態では、予測部３３３は、予測個人電力消費量Ｐｉを合計した値を対象エリアにおける予測電力消費量Ｔとして算出している。しかしながら、予測個人電力消費量Ｐｉを合計した値は対象エリア内にいる人と関連して消費される電力を表しており、対象エリア内にいる人とは無関係に消費される電力は含まれていない。したがって、予測部３３３は、このようにして算出された合計値に、対象エリア内にいる人とは無関係に消費される電力の予測値を加えた値を、対象エリアにおける予測電力消費量Ｔとして算出してもよい。

以上より、本実施形態では、予測部３３３は、各人の属性に関するパラメータを入力パラメータとし且つその人による予測個人電力消費量Ｐｉを出力パラメータとする機械学習モデルを用いて、対象エリアにおける予測電力消費量Ｔを算出している。この結果、人の属性が異なると予測個人電力消費量が異なることになり、よって対象エリアにおける予測電力消費量が異なることになる。特に、本実施形態では、予測部３３３は、各人について機械学習モデルを用いて各人の予測個人電力消費量を算出し、算出された個人電量消費量を対象エリア内にいる人全員分を合計した値に基づいて予測電力消費量を算出する。

このようにして対象エリアにおける予測電力消費量が算出されると、プロセッサ３３の機器制御部３３４は、算出された予測電力消費量に基づいて、対象エリア内の作動機器２０を制御する。具体的には、機器制御部３３４は、対象エリア内の発電装置における発電量の制御や、対象エリア内の蓄電装置における蓄電量の制御を行う。また、対象エリア内の電動車両のバッテリに蓄えられた電力をその電動車両以外に供給することができる場合には、機器制御部３３４は、対象エリア内の電動車両の蓄電量の制御を行ってもよい。

具体的には、例えば、予測電力消費量Ｔが多い場合には、機器制御部３３４は、蓄電装置や電動車両に比較的多くの電力を蓄電させるように、蓄電装置及び電動車両の蓄電量を制御する。また、この場合、蓄電装置や電動車両に蓄電させるべく、発電機器の発電量が多くなるように発電機器を制御する。

・第二実施形態
次に、図６を参照して、第二実施形態に係る消費電力予測システム１について説明する。第二実施形態に係る消費電力予測システムの構成及び動作は基本的に第一実施形態に係る消費電力予測システムの構成及び動作と同様である。以下では、第一実施形態に係る消費電力予測システムと異なる部分を中心に説明する。

上記第一実施形態では、機械学習モデルへの入力パラメータとして、人の種別（長期滞在者であるか短期滞在者であるか）が用いられていた。これに対して、本実施形態では、人の種別は、機械学習モデルへの入力パラメータとしては用いられない。代わりに、本実施形態では、人の種別毎に異なる機械学習モデルが用いられる。

図６は、第二実施形態において、予測部３３３によって用いられる機械学習モデルを概略的に示す図である。本実施形態では、予測部３３３は、人の種別毎に異なる複数の機械学習モデルを用いる。図６に示した例では、予測部３３３は、長期滞在者用の第１モデルと、短期滞在者ようの第２モデルとの２つの機械学習モデルを用いる。なお、人の種別を３つ以上に区分けする場合には、予測部３３３は区分けされた数に対応する数の機械学習モデルを用いる。

図６に示したように、本実施形態においても、機械学習モデルは、Ｎ層のニューラルネットワークにより構成されている。ただし、いずれの機械学習モデルについても人の種別は入力パラメータとしては用いられない。したがって、図６に示した各機械学習モデルでは、人の性別、人の年齢、対象エリアの予想気温、対象エリアの予想湿度等を含む入力パラメータの値が入力されると、その人の予測個人電力消費量Ｐｉが出力される。

以上より、本実施形態では、予測部３３３は、各人について機械学習モデルを用いて各人の予測個人電力消費量を算出し、算出された個人電量消費量を対象エリア内にいる人全員分を合計した値に基づいて予測電力消費量を算出する。そして、予測部３３３は、予測個人電力消費量を算出するときには人の属性毎に異なる機械学習モデルを用いる。これにより、本実施形態によれば、より高い精度で予測個人電力消費量Ｐｉを推定することででき、ひいてはより高い精度で対象エリアにおける予測電力消費量Ｔを推定することができる。

・第三実施形態
次に、図７を参照して、第三実施形態に係る消費電力予測システム１について説明する。第二実施形態に係る消費電力予測システムの構成及び動作は基本的に第一実施形態及び第二実施形態に係る消費電力予測システムの構成及び動作と同様である。以下では、第一実施形態及び第二実施形態に係る消費電力予測システムと異なる部分を中心に説明する。

上記第一実施形態及び第二実施形態では、機械学習モデルを用いて対象エリア内にいる各人の予測個人電力消費量を算出し、算出した予測個人電力消費量を合計した値に基づいて対象エリアにおける予測電力消費量を算出している。これに対して、本実施形態では、機械学習モデルを用いて、対象エリアにおける予測電力消費量を直接算出している。

図７は、第三実施形態における消費電力予測処理の流れを示すフローチャートである。図７におけるステップＳ２１、Ｓ２２は、図４におけるステップＳ１１、Ｓ１２と同様であるため説明を省略する。

ステップＳ２２において対象エリア内にいる人の属性が特定されると、予測部３３３は、機械学習モデルの入力パラメータの値を算出する（ステップＳ２３）。ここで、本実施形態では、機械学習モデルには、対象エリア内にいる各人の個人データをそのまま入力するのではなく、これら個人データのそれぞれのパラメータの集計値等が用いられる。具体的には、本実施形態では、図８に示したように、対象エリア内の長期滞在者の人数、対象エリア内の短期滞在者の人数、対象エリア内の男性又は女性の割合、対象エリア内の人の平均年齢等が、機械学習モデルに入力パラメータとして入力される。したがって、予測部３３３は、データ取得部３３１によって取得されたデータ及び属性特定部３３２によって特定された属性（人の種類）に基づいて、これら入力パラメータの値を算出する。

ステップＳ２３において機械学習モデルの入力パラメータの値が算出されると、予測部３３３は、算出された入力パラメータの値に基づいて、対象エリアにおける予測電力消費量を算出する（ステップＳ２４）。本実施形態では、機械学習モデルによって、対象エリアにおける予測電力消費量が算出される。

図８は、予測部３３３によって用いられる機械学習モデルを概略的に示す図である。図８に示したように、本実施形態でも、機械学習モデルは、Ｎ層のニューラルネットワークにより構成されている。図８に示した機械学習モデルでは、対象エリア内の長期滞在者の人数、対象エリア内の短期滞在者の人数、対象エリア内の男性又は女性の割合、対象エリア内の人の平均年齢、対象エリアの予想気温、及び対象エリアの予想湿度等を含む入力パラメータの値が入力されると、対象エリアにおける予測電力消費量Ｔが出力される。

以上より、本実施形態では、予測部３３３は、各人の属性に関するパラメータ（長期滞在者の人数及び短期滞在者の人数等）を入力パラメータとし且つ対象エリアにおける電力消費量を出力パラメータとする機械学習モデルを用いて対象エリア内における予測電力消費量を算出している。この結果、人の属性が異なると対象エリアにおける予測電力消費量が異なることになる。これにより、機械学習モデルを用いた計算を対象エリア内にいる人の人数分行う必要がなくなり、よってサーバ３０における計算負荷を低減することができる。

以上、本発明に係る好適な実施形態を説明したが、本発明はこれら実施形態に限定されるものではなく、特許請求の範囲の記載内で様々な修正及び変更を施すことができる。

１ 消費電力予測システム
４ 通信ネットワーク
５ 無線基地局
１０ 端末機器
２０ 作動機器
３０ サーバ

Claims (7)

1. 所定の対象エリアにおける電力消費量を予測する消費電力予測装置であって、
   所定の対象エリア内にいる人の属性を特定する属性特定部と、
   特定された属性に基づいて、前記対象エリアにおける予測電力消費量を算出する予測部と、を有し、
   前記予測部は、前記人の属性が異なると前記対象エリアにおける予測電力消費量が異なるように、前記予測電力消費量を算出する、消費電力予測装置。
2. 前記人の属性は、前記人が前記対象エリア内に滞在する予測滞在期間によって区別される、請求項１に記載の消費電力予測装置。
3. 前記人の属性は、前記予測滞在期間が所定の基準期間未満である短期滞在者と、前記予測滞在期間が前記所定の基準期間以上である長期滞在者との何れに属するかを含む、請求項２に記載の消費電力予測装置。
4. 前記予測部は、前記人の属性に関するパラメータを入力パラメータとし且つ該人による電力消費量又は前記対象エリアにおける電力消費量を出力パラメータとする機械学習モデルを用いて、前記対象エリアにおける予測電力消費量を算出する、請求項１～３のいずれか１項に記載の消費電力予測装置。
5. 前記予測部は、各人について機械学習モデルを用いて各人の予測個人電力消費量を算出し且つ前記対象エリア内にいる人全員分の予測個人電力消費量を合計した値に基づいて前記対象エリアの予測電力消費量を算出し、前記予測個人電力消費量を算出するときには人の属性毎に異なる機械学習モデルを用いる、請求項１～３のいずれか１項に記載の消費電力予測装置。
6. 所定の対象エリアにおける電力消費量を予測する消費電力予測方法であって、
   所定の対象エリア内にいる人の属性を特定することと、
   特定された属性に基づいて、前記対象エリアにおける予測電力消費量を算出することと、を含み、
   前記予測電力消費量は、前記人の属性が異なると前記対象エリア内における予測電力消費量が異なるように算出される、消費電力予測方法。
7. 所定の対象エリアにおける電力消費量を予測する消費電力予測プログラムであって、
   所定の対象エリア内にいる人の属性を特定することと、
   特定された属性に基づいて、前記対象エリアにおける予測電力消費量を算出することと、をコンピュータに実行させ、
   前記予測電力消費量は、前記人の属性が異なると前記対象エリアにおける予測電力消費量が異なるように算出される、消費電力予測プログラム。

Images