JP5395923B2 - 行動モデル生成装置およびその方法 - Google Patents

Description

本発明の実施形態は、行動モデル生成装置およびその方法に関する。

電力インフラのIT化が進められており、スマートメータ設置による各戸のリアルタイムな消費電力量の計測が現実的なものとなりつつある。また、このインフラを利用した新たなサービスとして需要家にインセンティブを払って需要の削減をしてもらうデマンドレスポンスが注目されている。支払うインセンティブに対する需要削減量を事前に予測するため、需要家の行動や機器利用に関するモデルの構築が重要となる。

従来、需要家の行動モデルから消費電力を算出する方法として、行動のシーケンスから機器の操作シーケンスを生成し、機器の操作シーケンスから消費電力を計算するものが知られている。

特開２０１０−１６６６３６号公報

上述の行動モデルから消費電力を計算する方法では、計算結果が実際の消費電力データと乖離する可能性があり、精度向上のためにはアンケートなどで需要家の行動に関する情報収集が必要であった。

本発明の一側面は、上記事情に着目してなされたもので、需要家の行動パターンを高精度に生成することを目的とする。

本発明の一態様としての行動モデル生成装置は、行動モデル格納部と、行動パターン生成部と、機器操作パターン生成部と、消費電力計算部と、消費電力履歴格納部と、行動パターン評価選択部と、行動モデル更新部とを備える。

前記行動モデル格納部は、需要家の行動を時間に沿って配置した複数の行動パターンを含む複数の行動パターン群と、前記行動パターン群に設定された重み係数とを格納する。

前記行動パターン生成部は、前記複数の行動パターン群に含まれるすべての行動パターンから、前記行動パターン群の重み係数に従って、重複サンプリングを行うことで、複数の行動パターンを選択し、選択した複数の行動パターンにそれぞれ変更を加えて、複数の第１の行動パターンを生成する。

前記機器操作パターン生成部は、前記第１の行動パターンから、行動と機器の動作との対応を定義した機器操作モデルに従って、機器の動作を時間に沿って配置した機器操作パターンを生成する。

前記消費電力計算部は、前記機器操作パターンから、機器の動作と消費電力との対応を定義した機器消費電力モデルにしたがって、消費電力の時間推移を表した消費電力データを計算する。

前記消費電力履歴格納部は、需要家宅内の複数の機器による消費電力の時間推移を表した実測消費電力データを記憶する。

前記行動パターン評価選択部は、前記消費電力計算部により計算された消費電力データについて、前記実測消費電力データとの尤度を計算し、前記尤度に従って前記複数の第１の行動パターンから重複サンプリングにより複数の行動パターンを選択する。

前記行動モデル更新部は、前記行動パターン選択評価部により選択された複数の行動パターンを含む第１の行動パターン群と、前記行動モデル格納部に格納された前記複数の行動パターン群とのすべての行動パターン群の中から、最も類似する行動パターン群の組を選択し、選択した組に含まれるすべての行動パターンの一部を選択し、前記一部の複数の行動パターンを含む第２の行動パターン群によって、前記最も類似する行動パターン群の組を更新し、前記最も類似する行動パターン群の組の各重み係数の合計値を、前記第２の行動パターン群の重み係数に設定する。

第１の実施形態に係る行動モデル生成装置（需要家消費電力算出装置）を示す。 需要家消費電力算出装置における各要素が相互に連携して動作する際の動作手順の一例を示す。 行動パターン生成部の処理手順の一例を示す。 行動モデルの例を示す。 行動パターン生成部で生成したＳ個の行動パターンの例を示す。 機器操作パターン生成部の処理手順の一例を示す。 機器操作モデルの例を示す。 消費電力計算部の処理手順の一例を示す。 機器消費電力モデルの例を示す。 各行動パターンについて計算した消費電力の例を示す。 行動パターン評価選択部の処理手順の一例を示す。 尤度関数の例を示す。 行動パターン評価部により生成された行動パターン群の例を示す。 行動モデル更新部の処理手順の一例を示す。 行動モデルに行動パターン群を追加してＧ＋１個の行動パターン群となった状態を示す。 時間帯ごとの行動発生確率の例を示す。 更新後の行動モデルの例を示す。 需要家消費電力算出装置のハードウェア構成例を示す。 第２の実施形態に係る需要家消費電力算出装置を示す。 機器消費電力モデル更新部の構成例を示す。 機器種別の例を示す。 機器消費電力履歴の例を示す。 機器タイプ変換テーブルの例を示す。 モード型パラメータ推定部の処理手順の一例を示す。 利用時間分布の例、および機器消費電力履歴の例を示す。 モード型の機器の場合の機器消費電力モデルとして連続時間マルコフモデルの例を示す。 空調型パラメータ推定部の処理手順の一例を示す。 空調型の機器の場合の機器消費電力モデルとして消費電力計算モデルの例を示す。 空調型の機器の場合の機器消費電力モデルとして室温変化モデルの例を示す。 機器操作モデル更新部の処理手順の一例を示す。 機器操作モデルの計算例を示す。 尤度関数の他の例を示す。 図１９の需要家消費電力算出装置のハードウェア構成の他の例を示す。

以下、本発明の実施形態について、図面を参照して説明する。

図１に、第１の実施形態に係る需要家消費電力算出装置（行動モデル生成装置）を示す。

需要家消費電力算出装置は、初期パターン入力部１０１、行動モデル格納部１０２、行動パターン生成部１０３、機器操作モデル格納部１０４、機器操作パターン生成部１０５、機器消費電力モデル格納部１０６、消費電力計算部１０７、需要家消費電力格納部１０８、消費電力履歴格納部１０９、行動パターン評価選択部１１０、および行動モデル更新部１１１を備える。本装置は、各家庭に配置されることや、クラウドサーバ上に実装されることが可能である
まず、各部の概要を説明し、その後、詳細な動作を説明する。

初期パターン入力部１０１は、行動モデルの初期パターンを入力する。初期パターンとして、居住者より取得したアンケートを入力としても良いし、NHK国民生活時間調査などの統計情報を入力としても良い。

行動モデル格納部１０２は、複数の行動パターンの分布を含む行動パターン群と、行動パターン群の発生頻度を表す重複度数（重み係数）との組をG個格納している。これらが、行動モデルに相当する。各行動パターン群はそれぞれ、過去の行動パターンの分布をP個の行動パターンの実現値の集合として保持している。１つの行動パターン群には、互いに行動が類似するパターンが含まれる。行動モデルは、行動パターン生成部１０３で使用される。行動パターンは、１つ以上の行動を時間軸（たとえば２４時間）に沿って配置したものである。

図４に行動モデル格納部１０２に格納された行動モデルの例を示す。１つの行動パターンの長さは、たとえば２４時間に対応する。ここでは簡単のために、１つの行動パターンの中に、「料理」行動のみが配置されているが、実際には、TV視聴、選択、読書など複数の行動が配置される。

なお、行動パターン群は、最初は、必ずしもG個格納されていなくてもよく、少なくとも１つの行動パターン群が含まれていればよい。後述するように、更新によって行動パターン群がGまで増え、その後は、統合処理により、G個が維持される。なお、このGは、メモリ制約等に基づき決定される。

行動パターン生成部１０３は、行動モデル格納部１０２に格納された行動モデルを読み出し、各群に付与されている重複度数を重みとして、各群から全体で、Ｓ（≧Ｐ）個の行動パターンを重複サンプリングする。そして、サンプリングした各行動パターンにノイズを加えて、新たな行動パターン（第１の行動パターン）を生成する。ノイズを加える例としては、たとえば行動パターンに含まれる行動の位置または時間長を変更することや、行動を追加・変更・削除することなどが考えられる。生成した行動パターンは、機器操作パターン生成部１０５と、行動パターン評価選択部１１０で使用される。

機器操作モデル格納部１０４は、行動パターン生成部１０３で生成した行動パターンから、各機器のON/OFFなどの機器操作パターンを生成するための機器操作モデルを格納している。機器操作モデルは、機器操作パターン生成部１０５で使用される。

図７に機器操作モデル１０４に格納された機器操作モデルの例を示す。ここでは料理行動に対する機器操作モデルの例が示される。料理の時間帯が昼については、IHの使用時間は０分、電子レンジの使用時間は１０分となる。

機器操作パターン生成部１０５は、行動パターン生成部１０３で生成した行動パターンと機器操作モデルとから、機器操作パターンを生成する。つまり、時間軸に沿って行動を配置した行動パターンを、時間軸に沿って機器動作（機器操作）を配置した機器操作パターン（図示せず）に変換する。生成した機器操作パターンは、消費電力計算部１０７で使用される。機器操作モデルの使用方法は後述する。

機器消費電力モデル格納部１０６は、機器操作パターンから各機器の消費電力を計算するための機器消費電力モデルを格納している。機器消費電力モデル１０６は、消費電力計算部１０７で使用される。図９、図２６、図２８および図２９に機器消費電力モデル格納部１０６に格納された機器消費電力モデルの例を示す。詳細は後述する。

消費電力計算部１０７は、機器操作パターン生成部１０５で生成した機器操作パターンと機器消費電力モデルとから、消費電力の推移を計算する。計算した消費電力のデータは、需要家消費電力ＤＢ１０８に格納されるとともに、行動パターン評価選択部１１０に送られる。

需要家消費電力格納部１０８は、消費電力計算部１０７で計算された消費電力のデータを蓄積する。蓄積された消費電力のデータは、消費電力予測や機器制御計画などに利用されることができる。具体的な利用方法は、本発明の本質ではないため、説明を省略する。なお、行動モデル１０２の利用方法の一形態として、行動パターン生成部１０３で重複サンプリングした行動パターンにノイズを与えることなく、機器操作パターンを生成、消費電力計算を行って、需要家消費電力格納部１０８に格納することも可能である。

消費電力履歴格納部１０９は、電力センサなどで計測した住宅全体の実際の消費電力のデータを蓄積する。測定された消費電力のデータは、行動パターン評価選択部１１０で使用される。

行動パターン評価選択部１１０は、消費電力計算部１０７で計算した消費電力のデータと、消費電力履歴１０９に蓄積された実際の消費電力のデータとが類似する度合いにより、行動パターン生成部１０３で生成された行動パターンから重複サンプリングによりP個の行動パターンを選択して行動パターン群を生成する。生成した行動パターン群は、行動モデル更新部１１１で使用される。

行動モデル更新部１１１は、行動パターン評価選択部１１０で生成した行動パターン群と、行動モデル格納部１０２に含まれる各行動パターン群とを合計した行動パターン群数がＧ＋１個の場合は、これらの行動パターン群の中から、最も類似する行動パターン群の組を選択し、融合して、行動パターン群の個数をＧ個に維持する。重複度数は、融合された行動パターン群のそれぞれの値の加算値とする。行動パターン評価選択部１１０で生成した行動パターン群の重複度数は１とする。このようにして行動モデル格納部１０２にはＧ個の行動パターン群が維持される。上記合計した行動パターン群数がＧ個以下のときは、融合することなく、行動パターン評価選択部１１０で生成した行動パターン群を行動モデル格納部１０２に追加する。このとき重複度数は１である。

図１８は需要家消費電力算出装置のハードウェア構成例を示している。需要家消費電力算出装置は内蔵したコンピュータ装置を基本ハードウェアとして使用することで実現することができる。内蔵コンピュータ装置は、図１８に示されるように、ＣＰＵ１８０３、入力部１８０４、表示部１８０５、通信部１８０６、主記憶部１８０７、外部記憶部１８０８により構成され、これらはバス１８０２により相互に通信可能に接続される。

入力部１８０４は、キーボード、マウス等の入力デバイスを備え、入力デバイスの操作による操作信号をＣＰＵ１５０８に出力する。

表示部１８０５は、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）等の表示ディスプレイからなる。

通信部１８０６は、Ｅｔｈｅｒｎｅｔ（登録商標）、無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＺｉｇＢｅｅ（登録商標）等の通信手段を有し、電力センサ１８０９との間で通信を行う。

外部記憶部１８０８は、例えば、ハードディスク、若しくはＣＤ−Ｒ、ＣＤ−ＲＷ、ＤＶＤ−ＲＡＭ、ＤＶＤ−Ｒ等の記憶媒体等から構成され、前述の初期パターン入力１０１、行動パターン生成部１０３、機器操作パターン生成部１０５、消費電力計算部１０７、行動パターン評価選択部１１０、行動モデル更新部１１１による処理をＣＰＵ１８０３に実行させるための制御プログラムを記憶している。また、行動モデル、機器操作モデル、機器消費電力モデル、需要家消費電力ＤＢ、消費電力履歴などのデータを記憶している。

主記憶部１８０７は、メモリ等により構成され、ＣＰＵ１８０３による制御の下で、外部記憶部１８０８に記憶された制御プログラムを展開し、当該プログラムの実行時に必要なデータ、当該プログラムの実行により生じたデータ等を記憶する。上記制御プログラムはコンピュータ装置にあらかじめインストールすることで実現してもよいし、ＣＤ−ＲＯＭ等の記憶媒体に記憶して、或いはネットワークを介して上記のプログラムを配布して、このプログラムをコンピュータ装置に適宜インストールすることで実現してもよい。

図２は、需要家消費電力算出装置において、行動パターン生成部２０１、機器操作パターン生成部２０２、消費電力計算部２０３、行動パターン評価選択部２０４、行動モデル更新部２０５が相互に連携して動作する際の通信手順の一例を示している。

ステップＳ２０１では、定期的に（例えば1日1回）行動パターン生成処理が開始され、行動パターン生成部２０１が、行動モデル格納部１０２からＳ個の行動パターンを重複サンプリングして、機器操作パターン生成部１０５に送信する。

ステップＳ２０２では、機器操作パターン生成部１０５が、機器操作モデルと行動パターンに基づいて機器操作パターンを生成し、生成した機器操作パターンを行動パターンとともに消費電力計算部１０７に送信する。

ステップＳ２０３では、消費電力計算部１０７が機器操作パターンと機器消費電力モデルに基づき、消費電力の推移を計算し、計算した消費電力のデータを行動パターンとともに行動パターン評価選択部１１０に送信する。なお、計算した消費電力のデータは、需要家消費電力格納部１０８に格納してもよい。

ステップＳ２０４では、行動パターン評価選択部２０４が、実際の消費電力の推移と、計算した消費電力の推移との類似度（尤度）に基づき、Ｐ個の行動パターンを重複サンプリングして、行動パターン群（第１の行動パターン群）とし、行動モデル更新部２０５に送信する。

ステップＳ２０５では、行動モデル更新部２０５が、ステップＳ２０４で生成された行動パターン群に基づき、行動モデル格納部１０２内の行動モデルを更新し、行動パターン生成部２０１に制御を戻す。

以上に述べた一連の流れを定期的に繰り返す。上記手順により、需要家消費電力算出装置の需要家消費電力算出処理が実施される。

図３は、図１の行動パターン生成部１０３の処理手順の一例を示している。

図２のステップＳ２０１が実行されると、図３のステップＳ３０１が実行される。行動モデル格納部１０２にはG個の行動パターン群が格納されているとすると、ステップＳ３０１では、まず行動モデル格納部１０２に蓄積されているG×P個の行動パターンから1個をサンプリングする。サンプリングの際には、重複度数を重みとして重複サンプリングを行う。重複度数が大きいほど、選択される確率が高い。

ステップＳ３０２では、ステップＳ３０１で生成した行動パターンにノイズを加えて、新たな行動パターンを生成する。

ステップＳ３０３では、行動パターンが所定個数（Ｓ個）になるまで、ステップＳ３０１に戻って、重複サンプリングとノイズの追加により、行動パターンの生成を継続する。

以上の重複サンプリングにより得られるＳ個の行動パターンは、各行動パターン群からそれぞれの重複度数の大きさに応じて選択した行動パターンの集合である。図５に、生成したＳ個の行動パターンの例を示す。簡略化のため、図５に示した例では、料理行動のみ記載しているが、実際には、1つの行動パターンには、料理行動以外の行動も含まれる。

図６は、図１の機器操作パターン生成部１０５の処理手順の一例を示している。

図２のステップＳ２０２が実行されると、図６のステップＳ６０１が実行される。ステップＳ６０１では、１つの機器について、行動パターン生成部１０３で生成した行動パターンと、当該機器に対応する機器操作モデルに基づき、機器操作パターンを生成する。

ステップＳ６０２では、全ての機器について、機器操作パターンを生成するまでステップＳ６０１に戻って繰り返す。

ステップＳ６０３では、全ての行動パターン（Ｓ個）分、機器操作パターンを計算するまでステップＳ６０１に戻って繰り返す。

図７は、料理行動の機器操作モデルの例を示している。この図では、料理行動時に使用する各機器の時間長が、時間帯ごとに格納されている。機器操作パターン生成部１０５では、例えばこの時間長を平均とする正規分布に従った乱数（正規乱数）を生成して、機器の使用時間長を決定し、機器のON/OFFを生成する。なお乱数の値が、料理行動の長さよりも大きいときは、乱数を振り直せばよい。

機器の使用開始時刻は、事前に与えた確率分布から乱数で決定する。この開始時刻に使用時間長を加算した時刻が、料理行動の終了時刻を越える場合は、乱数を振り直しても良いし、あるいは、料理行動の終了時刻に、機器の使用終了時刻を合わせてもよい。

ここではON/OFFのみの単純な場合を例としたが、空調などの場合は機器操作パターンにON/OFFだけではなく、設定温度設定温度の情報が追加される。

図８は、図１の消費電力計算部１０７の処理手順の一例を示している。

図２のステップＳ２０３が実行されると図８のステップＳ８０１が実行される。ステップＳ８０１では、機器操作パターン生成部１０５で生成した機器操作パターンと、機器消費電力モデルに基づき、各機器の消費電力を計算する。

図９、図２６、図２８および図２９に機器消費電力モデルの例を示す。

図９に示すように、各機器はその特徴により空調型とモード型にわけられる。

機器消費電力モデルは、モード型の機器については、図２６の情報を保持する。モード型は機器がONになったら、状態1からスタートし、連続時間マルコフモデルの計算に従って、状態２→状態３→状態１→・・・と、機器の使用時間の間、消費電力計算を続ける。状態ごとに、あらかじめ消費電力が定められている。また各状態について平均滞在時間が定められており、平均時間滞在後、状態遷移確率に従って次の状態に遷移する。

また、機器消費電力モデルは、空調型の機器については、図２８及び図２９の情報を保持する。空調型の機器については、図２８の情報より消費電力を計算し、図２９の情報で室温の変化を計算することを繰り返すことで、消費電力を計算する。

図２８における室温および温度設定は、ネットワーク対応エアコンの場合は、ネットワークを介して当該エアコンから、それらの値を取得する。室温はセンサ測定した値でもよい。これにより、室温と設定温度の差を決定する。また図２８における「室温と設定温度の差の変化量」は、１時刻前との差分であり、時間的な差分である。以上により、図２８の情報から消費電力が求まる。求まった消費電力と、センサにより実測した外気温と室温の差とから、室温がどのくらい温度変化するかを、図２９の情報から求める。なお、空調型の機器などの機器消費電力モデルを考慮する場合は、消費電力計算部の入力に外気温の追加が必要となる。求まった室温変化から、室温の更新し、図２８の情報に基づく消費電力計算にフィードバックする。

ステップＳ８０２では、全ての機器の消費電力を計算するまで、ステップＳ８０１に戻って繰り返す。

ステップＳ８０３では、ステップＳ８０１で計算した全機器の消費電力の総和を計算し、消費電力の推移を計算する。

ステップＳ８０４では、全ての行動パターン分の消費電力の推移を計算するまでステップＳ８０１に戻って繰り返す。

図１０に、各行動パターンについて計算した消費電力の例を示す。

図１１は、図１の行動パターン評価選択部１１０の処理手順の一例を示している。

図２のステップＳ２０４が実行されると、図１１のステップＳ１１０１が実行される。

ステップＳ１１０１では、消費電力計算部１０７で計算した消費電力の値と、消費電力履歴格納部１０９に蓄積した実際の消費電力の値を尤度関数に与えて、消費電力の類似性を表す尤度を計算する。これをＳ個の行動パターン毎に行う。図１２に尤度関数の例を示す。計算した消費電力と、実際に計測した消費電力の差分に応じた確率を、正規分布等の確率分布から時刻毎に求める。そして、時刻毎に得た確率を乗算することで、尤度Ｌを計算している。正規分布等の確率分布のパラメータ（正規分布の平均値等）は、事前にチューニングした値を、図示しないデータベースに与えておくとする。

ステップＳ１１０２では、行動パターンの数（Ｓ個）だけ尤度を計算するまでステップＳ１１０１に戻って計算を繰り返す。

ステップＳ１１０３では、行動パターン毎に計算した尤度を、全尤度の総和で割ることで、尤度比を計算する。たとえばＳ個の行動パターンを行動パターン１〜Ｓとし、行動パターン１〜Ｓの尤度をＬ１〜ＬＳとする。このとき行動パターン１の尤度比は、Ｌ１／（Ｌ１＋Ｌ２＋・・・；ＬＳ）となり、行動パターンＳの尤度比は、ＬＳ／（Ｌ１＋Ｌ２＋・・・；ＬＳ）となる。

そして、求めた尤度比を重み（確率）とみなして、Ｓ個の行動パターンからP個重複サンプリングし、これにより１つの行動パターン群を得る。つまり、各行動パターンが選択される確率が、それぞれ求められた尤度比とみなして、Ｐ回、行動パターンの重複サンプリングを行う。図１３に、生成した行動パターン群の例を示す。前述したように、実際には、料理行動以外にも、複数の行動が配置されている。

図１４は、図１の行動モデル更新部１１１の処理手順の一例を示している。

図２のステップＳ２０５が実行されると、図１４のステップＳ１４０１が実行される。ステップＳ１４０１では、行動モデル格納部１０２に格納されている行動パターン群がG個未満の場合はステップＳ１４０２に、G個の場合はＳ１４０３に分岐する。

ステップＳ１４０２では、行動モデル格納部１０２に記憶している行動パターン群の個数に余裕があるので、行動パターン評価選択部１１０で生成した行動パターン群に重複度数1を設定して、行動モデル格納部１０２に追加する。

ステップＳ１４０３では、まず行動パターン評価選択部１１０で生成した行動パターン群を、いったん行動モデル格納部１０２に追加する。図１５に、行動モデル格納部１０２に行動パターン群を追加した状態を示す。

次に、行動モデル格納部１０２に格納されているG+1個の行動パターン群を、時刻ごと（時間帯ごと）の行動発生確率に変換する。たとえば１つの行動パターン群について変換例を示すと、ある時刻について、１つの行動パターン群の中に料理行動が行われている行動パターンの個数を求め、求めた個数を、当該１つの行動パターン群に含まれる行動パターン数で除算することで、行動発生確率が求まる。これをすべての時刻について行う。料理行動以外の行動があれば、その行動についても行う。他の行動パターン群についても同様にして行う。図１６に、計算された時刻ごと（時間帯ごと）の行動発生確率の例を示す。

次に、G+1個の行動パターン群において、行動発生確率の分布が最も類似する行動パターン群の組を選択する。分布間の類似度としては、たとえばユークリッド距離などを使用する。実際には、複数の行動が配置されているため、行動ごとにユークリッド距離を計算し、合計することで、類似度を計算する。

ステップＳ１４０４では、選択した行動パターン群の組に含まれる全部で2P個の行動パターンを対象にサンプリングして、P個の行動パターンを選択する。つまり、これにより、上記選択した行動パターン群の組の融合が実現される。サンプリングの方法は、任意の方法でよいが、以下に一例を示す。

第１に、ランダムにＰ個の行動パターンを選択する。

第２に、各行動パターン群の重複度数に応じてサンプリングしてもよい。この場合、２つの行動パターン群のそれぞれ重複度数を行動パターンの重みとして、重みの比率に応じた個数（確率）で選択されるように、行動パターンを選択してもよい。サンプリングは、同じ行動パターンの選択を許さないサンプリングでも、同じ行動パターンの選択を許す重複サンプリングでもよい。

第３に、両行動パターン群のうち、新しい行動パターン群に属する行動パターンほど、選択される確率が高くなるように行動パターンを選択してもよい。

ステップＳ１４０５では、サンプリングしたP個の行動パターンを、新たな行動パターン群（第２の行動パターン群）とし、その重複度数を、上記選択された行動パターン群の組の各重複度数の和とする。そして、当該新たな行動パターン群をその重複度数とともに、行動モデル格納部１０２に追加する。行動モデル格納部１０２に格納されていた融合前の２つの行動パターン群は、行動モデル格納部１０２から削除する。図１７に、更新後の行動モデルの例を示す。

このように実際に計測した消費電力と近い行動パターンを行動モデルとして取得するため、信頼性の高い行動モデルが得られる。従来のように、精度向上のためにはアンケートなどで需要家の行動に関する情報収集が必要はない。アンケートによる情報収集等を行わずとも、実際に需要家がとっているまたはそれに近い行動パターンを取得できる。アンケートなどのコストのかかる方法ではなく日々計測される消費電力情報を用いて行動モデルを改善し、消費電力の計算精度向上を実現できる。

また、上記の方法で行動モデルを繰り返し更新していくことで、行動モデルの各群はそれぞれ同じ行動傾向のパターンが格納される。たとえば群の個数が２個であり、１人住まいの会社員を想定すると、１つの群は、平日の行動パターンが、別の群は休日の行動パターンになる傾向となることが考えられる。休日の群の行動パターンを解析することで、休日の需要家の行動予測および消費電力対策に役立てることができる。

また、需要家宅の１日の平均的な消費電力を知りたいときは、行動パターン生成部を使って行動モデルから複数の行動パターンを重複サンプリングし、機器操作パターン生成部で機器操作パターンを生成し、消費電力計算部で消費電力を計算し、これらの平均を計算すればよい。また、午前１０時までの消費電力が実測されており、以降の消費電力および行動を予測したいときは、当該重複サンプリングした行動パターンとその計算した消費電力に基づき、午前１０時までの消費電力の推移に最も類似する行動パターンとその消費電力を採用すればよい。

また行動モデルの各群につき、需要家がラベル付けをしてもよい。たとえば平日、休日といったラベルを付けても良い。このような行動モデルを各需要家からネットワークを介して収集することで、アンケートを採ることなく、行動調査を容易に行うことができる。

以上の他にも、様々な行動モデルの活用方法が可能であり、上記の例に限定されない。

図１９に、本発明の第２の実施の形態に係る需要家消費電力算出装置を示す。図１９に示すように、第１の実施の形態と比較して、機器消費電力モデル更新部１９１２、機器操作モデル更新部１９１３、環境計測履歴格納部１９１４、機器操作履歴を格納する機器操作履歴格納部１９１５が追加されている。その他のブロックについては第１の実施の形態と同様であるため、参照番号を新たに振り直すとともに、重複する説明を省略する。

環境計測履歴格納部１９１４は、外気温、室内温度など、屋外、屋内のセンシング情報の履歴である環境計測履歴を格納する。環境計測履歴は、機器消費電力モデル更新部１９１２で使用される。

機器操作履歴格納部１９１５は、機器のON/OFF操作や、機器の冷房温度操作など、機器の操作または機器の状態を表す情報の履歴である機器操作履歴を格納する。機器操作履歴は、機器消費電力モデル更新部１９１２、機器操作モデル更新部１９１３で使用される。

消費電力履歴格納部１９０９は、需要家宅内の全体消費電力（複数の機器の消費電力）の推移データに加え、スマートコンセント等により測定可能な機器については、機器個別の消費電力の推移データを、消費電力履歴として、格納する。

機器消費電力モデル更新部１９１２は、消費電力履歴格納部１９０９内の消費電力履歴、および上記の環境計測履歴と機器操作履歴を用いて、機器消費電力モデル１０６内の機器消費電力モデルを更新する。

機器操作モデル更新部１９１３は、行動パターン生成部１９０３で生成された行動パターンと上記機器操作履歴を用いて機器操作モデル１９０４内の機器操作モデルを更新する。

機器消費電力モデル更新部１９１２は、図２０に示すように、機器種別格納部２００１、機器消費電力履歴格納部２００２、機器消費電力波形型判断部２００３、機器タイプ変換テーブル２００４、モード型パラメータ推定部２００５、空調型パラメータ推定部２００６、機器消費電力モデル格納部２００７、外気温・室温・設定温度履歴２００８を備える。機器消費電力モデル格納部２００７は、図１９の機器消費電力モデル１９０６に対応し、ここでは、機器消費電力モデル更新部１９１２内に設けられているとする。

外気温・室温・設定温度履歴格納部２００８は、図１９に示した環境計測履歴格納部１９１４および機器操作履歴格納部１９１５に格納された情報のうち、外気温情報、室温情報および設定温度情報を表す。外気温・室温・設定温度履歴格納部２００８は、これらの情報を、当該格納部１９１４、１９１５から読み出して格納してもよいし、外気温・室温・設定温度履歴格納部２００８が、当該格納部１９１４、１９１５の一部であってもよい。

機器種別格納部２００１は、空調、TVなど各機器の種類を表す情報を格納する。図２１に機器種別の例を示す。機器ごとに、洗濯乾燥機、冷蔵庫、空調機などの機器種別が定義されている。機器種別２００１は、機器消費電力波形型判断部２００３で使用される。

機器消費電力履歴格納部２００２は、各機器の消費電力の履歴を格納するもので、消費電力履歴１９０９の一部に相当する。機器消費電力履歴２００２は、モード型パラメータ推定部２００５、空調型パラメータ推定部２００６で使用される。図２２に機器消費電力履歴の例を示す。各機器の消費電力を計測するセンサからデータを収集すればよい。

機器タイプ変換テーブル２００４は、機器種別と、モード型や空調型などの機器タイプ（波形型）との関係を格納している。図２３に機器タイプ変換テーブル２００４の例を示す。機器タイプ変換テーブル２００４は、機器消費電力波形型判断部２００３で使用する。図２３に機器タイプ変換テーブル２００４の例を示す。

機器消費電力波形型判断部２００３は、機器種別と機器タイプ変換テーブル２００４を使用して、各機器の機器タイプ（モード型、空調型など）を、その機器種別から特定する。機器消費電力波形判断部２００３は、各機器の機器タイプ（波形型）に応じて、各機器の機器消費モデルパラメータ推定を、モード型パラメータ推定部２００５と空調型パラメータ推定部２００６のどちらで行うか判断する。

モード型の機器の場合は、モード型パラメータ推定部２００５で当該機器のパラメータ推定を行うことを決定する。空調型の場合は、空調型パラメータ推定部２００６で当該機器のパラメータ推定を行うことを決定する。

モード型の機器は、たとえば、冷蔵庫のような常時ONの機器（常時ON機器）や、乾燥洗濯機のようにON/OFFが切り換えられる機器（ON/OFF型機器）がある。さらに、ON/OFF型機器では、ONの間でも、消費電力が異なる複数のモードを含み得る。たとえば機器乾燥洗濯機では、洗いモード、ゆすぎモード、乾燥モードなど、ONの間に消費電力が異なる複数のモードを含む。

モード型パラメータ推定部２００５は、機器消費電力履歴を用いて、モード型機器のモデルパラメータを推定し、機器消費モデル格納部２００７（１９０６）内の当該機器の機器消費電力モデルを更新する。

空調型パラメータ推定部２００６は、機器消費電力履歴、および外気温・室温・設定温度履歴を用いて、空調型機器のモデルパラメータを推定し、推定したパラメータによって、機器消費モデル格納部２００７（１９０６）内の当該機器の機器消費電力モデルを更新する。

図２４は、図２０のモード型パラメータ推定部２００５の処理手順の一例を示している。

ステップＳ２４０１では、該当機器について、機器消費電力履歴を用いて最大消費電力と最小消費電力間をN段階に区分し、各消費電力区分における利用時間の分布を作成する。図２５の左に利用時間分布の例、図２５の右に機器消費電力履歴の例を示す。

ステップＳ２４０２では、ステップＳ２４０１で作成したＮ段階の区分のうち、利用時間が多い上位M個の区分の各消費電力値を状態として有する連続マルコフモデルを作成する。区分の消費電力値は、たとえば区分の平均値中心値など、区分の代表値を用いれば良い。連続マルコフモデルは、状態間の遷移確率Pijと、各状態での平均滞在時間Tiとを含み、区分の消費電力値を含んでも良い。連続マルコフモデルの例は、上述したように図２６に示される。なお、M個の選択は、例えば、10個などの固定値でも良いし、N/2個などの比でも良いし、利用時間が0でない区分全てなどとしても良い。

ステップＳ２４０３では、常時ONの機器（冷蔵庫等）の場合は全ての状態をONに、ON/OFFされる機器（乾燥洗濯機など）の場合はM個の状態のうち、消費電力の一番小さい状態をOFF、それ以外をONとする。このようにすることで、機器の消費電力を計算する際に必要な初期状態を決定することができる。たとえばON/OFFの場合、OFFを初期状態とし、常時ONの機器の場合、状態１を初期状態にしてもよいし、ランダムに決定してもよい。

ステップＳ２４０４では、モード型機器が全て終了するまで、Ｓ２４０１に戻って繰り返す。

図２７は、図２０の空調型パラメータ推定部２００６の処理手順の一例を示している。

ステップＳ２７０１では、該当機器について、過去の設定温度履歴、室温履歴、消費電力履歴から、設定温度と室温の差、及び当該差の変化量（すなわち１時刻前との差分）をそれぞれ一定区間ごとに区切り、各区間の組み合わせごとに、消費電力の平均値を計算することで、消費電力計算モデルを推定する。図２８に消費電力計算モデルの例を示す。

ステップＳ２７０２では、過去の消費電力履歴と、外気温と室温の差とについて、それぞれ一定区間ごとに、室温の変化量の平均値を計算することで、室温変化計算モデルを推定する。図２９に室温変化計算モデルの例を示す。

ステップＳ２７０３では、空調型機器が全て終了するまでＳ２７０１に戻って繰り返す。

図３０は、図１９の機器操作モデル更新部１９１３の処理手順の一例を示している。

ステップＳ３００１では、行動パターンに基づき、各行動時間中の機器の稼働時間を、行動ごと、時間帯ごとに計算する。各時間帯の値は、たとえば平均値を用いれば良い。図３１に計算結果の例を示す。行動パターンは、第１の実施形態における図３の動作で生成されたものを流用すればよい。ただし、第１の実施形態と別の独立した動作により行動パターンを生成してもよい。機器操作履歴と行動パターンが同じ時刻に取得したデータであれば問題ない。

ステップＳ３００２では、全ての行動が終了するまでＳ３００１に戻って繰り返す。

図３２および下記式は、機器消費電力モデルの更新、および機器操作モデルの更新を行った場合に図１１のステップＳ１１０１で使用する尤度関数の例を示している。第1の実施形態の尤度関数と比べて、各機器の消費電力が取得できる場合のその機器の評価方法が変更点となっている。

は、機器消費電力モデル更新部によりモデル更新される機器について計算された消費電力Q_itと当該機器について計測された消費電力V_itとの差分の確率を、当該差分と確率を対応づけた確率分布（ここでは正規分布）から求めて、当該機器間で乗算した第１値に対応する。

は、需要家宅について計算された消費電力から当該モデル更新される機器の計算された消費電力を引いた値S_tと、実測消費電力から当該モデル更新される機器の計測された消費電力を引いた値W_tとの差分の確率を、前記差分と確率とを対応づけた確率分布（ここでは正規分布）から求めた第２値に対応する。

これら第1値および第２値の乗算を、時刻毎に求め、さらに時刻間で乗算することにより尤度Lを計算する。

図３３は、機器消費電力モデルの更新および機器操作モデルの更新を行う場合の需要家消費電力算出装置のハードウェア構成例を示しており、第１の実施の形態と比較して、家電・住設機器３３１０、環境計測センサ３３１１が追加されている。その他の要素は、図１９と同様であるため、番号を新たに振り直すとともに、重複する説明を省略する。

需要家消費電力算出装置は、家電・住設機器３３１０と、ネットワークで接続される。通信部３３０６において、家電・住設機器３３１０から、冷房温度など各機器の操作情報を取得する。取得した操作情報は、機器消費電力モデル更新部１９１２や機器操作モデル更新部１９１１で使用される。

需要家消費電力算出装置は、環境計測センサ３３１１と、ネットワークで接続される。環境計測センサ３３１１では、外気温や室温など屋内、屋外の環境情報を計測する。計測された環境情報は、通信部３３０６で受信され、機器消費電力モデル更新部１９１２で使用される。モデルで必要な場合は、人体検知情報などの居住者に関する情報を計測しても良い。

Claims (12)

1. 需要家の行動を時間に沿って配置した複数の行動パターンを含む複数の行動パターン群と、前記行動パターン群に設定された重み係数とを格納する行動モデル格納部と、
   前記複数の行動パターン群に含まれるすべての行動パターンから、前記行動パターン群の重み係数に従って、重複サンプリングを行うことで、複数の行動パターンを選択し、選択した複数の行動パターンにそれぞれ変更を加えて、複数の第１の行動パターンを生成する行動パターン生成部と、
   前記第１の行動パターンから、行動と機器の動作との対応を定義した機器操作モデルに従って、機器の動作を時間に沿って配置した機器操作パターンを生成する機器操作パターン生成部と、
   前記機器操作パターンから、機器の動作と消費電力との対応を定義した機器消費電力モデルにしたがって、消費電力の時間推移を表した消費電力データを計算する消費電力計算部と、
   需要家宅内の複数の機器による消費電力の時間推移を表した実測消費電力データを記憶する消費電力履歴格納部と、
   前記消費電力計算部により計算された消費電力データについて、前記実測消費電力データとの尤度を計算し、前記尤度に従って前記複数の第１の行動パターンから重複サンプリングにより複数の行動パターンを選択する行動パターン評価選択部と、
   前記行動パターン評価選択部により選択された複数の行動パターンを含む第１の行動パターン群と、前記行動モデル格納部に格納された前記複数の行動パターン群とのすべての行動パターン群の中から、最も類似する行動パターン群の組を選択し、選択した組に含まれるすべての行動パターンの一部を選択し、前記一部の複数の行動パターンを含む第２の行動パターン群によって、前記最も類似する行動パターン群の組を更新し、前記最も類似する行動パターン群の組の各重み係数の合計値を、前記第２の行動パターン群の重み係数に設定する行動モデル更新部と
   を備えた行動モデル生成装置。
2. 前記行動モデル更新部は、前記すべての行動パターン群のそれぞれ毎に、各行動の発生確率分布を計算し、２つの行動パターン群間で、発生確率分布間の距離の合計を各行動について計算し、前記距離の合計が最も小さい２つの行動パターン群を、前記最も類似する行動パターン群の組として選択する
   請求項１に記載の行動モデル生成装置。
3. 前記行動パターン評価選択部は、前記消費電力データと前記実測消費電力データとの時刻毎の差分の確率を、前記差分と確率を対応づけた確率分布から求めて、乗算することにより尤度を計算する
   請求項１または２に記載の行動モデル生成装置。
4. 前記行動パターン生成部は、前記行動パターンに含まれる行動の位置または時間を変更し、あるいは行動を追加または削除または変更することにより、前記第1の行動パターンを生成する
   請求項１ないし３のいずれか一項に記載の行動モデル生成装置。
5. 前記消費電力計算部により計算された消費電力データを格納する需要家消費電力格納部
   をさらに備えた請求項１ないし４のいずれか一項に記載の行動モデル生成装置。
6. 前記機器の操作履歴を格納する機器操作履歴格納部と、
   前記第１の行動パターンと、前記機器の操作履歴とから、前記機器操作モデルを生成し、生成した機器操作モデルによって、前記機器に対応する機器操作モデルを更新する機器操作モデル更新部
   をさらに備えた請求項１ないし５のいずれか一項に記載の行動モデル生成装置。
7. 前記機器操作モデル更新部は、前記第1の行動パターンに配置された行動と、前記行動が行われている間の前記行動に対応する機器の動作時間とに基づき、前記行動と前記機器の動作時間との対応を定義した前記機器操作モデルを生成する
   請求項６に記載の行動モデル生成装置。
8. 前記機器について計測した消費電力の時間推移データの履歴を格納した機器消費電力履歴格納部と、
   前記機器消費電力履歴格納部に記憶された履歴に基づき、前記機器の機器消費電力モデルを生成し、生成した機器消費電力モデルによって、前記機器に対応する機器消費電力モデルを更新する機器消費電力モデル更新部
   をさらに備えた請求項１ないし７のいずれか一項に記載の行動モデル生成装置。
9. 前記機器消費電力モデル更新部は、前記機器について計測された消費電力の最大値と最小値間を複数に区分して、各区分の滞在時間の分布を作成し、前記区分の代表消費電力と、前記区分に対応する状態間の遷移確率と、前記状態での平均滞在時間とを含む連続マルコフモデルを、前記機器消費電力モデルとして、生成する
   請求項８に記載の行動モデル生成装置。
10. 前記機器の設定温度履歴、前記機器の設置された部屋の室温履歴、および前記需要家宅の外気温履歴を格納した外気温・室温・設定温度履歴格納部をさらに備え、
    前記機器消費電力モデル更新部は、設定温度と室温の差、および前記差の１時刻前との差分をそれぞれ一定区間ごとに区分し、各区間の組み合わせごとに、消費電力の平均を計算することで、消費電力計算モデルを推定し、前記機器の消費電力の時間推移データの履歴と、外気温と室温との差とについて、それぞれ一定区間ごとに、室温の変化量の平均値を計算することで、室温変化計算モデルを計算し、前記消費電力計算モデルおよび前記室温変化計算モデルの組は、前記機器消費電力モデルに対応する
    請求項８または９に記載の行動モデル生成装置。
11. 前記行動パターン評価選択部は、前記機器消費電力モデル更新部によりモデル更新される機器について計算された消費電力と当該機器について計測された消費電力の差分の確率を、前記差分と確率を対応づけた確率分布から求め、機器間で乗算した第１値と、
    前記消費電力データから当該機器の計算された消費電力を引いた値と、前記実測消費電力データから当該機器の計測された消費電力を引いた値との差分の確率であり、前記差分と確率とを対応づけた確率分布から求められる第２値と
    の乗算値を、時刻毎に計算し、前記時刻間で乗算することにより尤度を計算する
    請求項８ないし１０のいずれか一項に記載の行動モデル生成装置。
12. 需要家の行動を時間に沿って配置した複数の行動パターンを含む複数の行動パターン群と、前記行動パターン群に設定された重み係数とを格納する行動モデル格納部にアクセスするステップと、
    前記複数の行動パターン群に含まれるすべての行動パターンから、前記行動パターン群の重み係数に従って、重複サンプリングを行うことで、複数の行動パターンを選択し、選択した複数の行動パターンにそれぞれ変更を加えて、複数の第１の行動パターンを生成する行動パターン生成ステップと、
    前記第１の行動パターンから、行動と機器の動作との対応を定義した機器操作モデルに従って、機器の動作を時間に沿って配置した機器操作パターンを生成する機器操作パターン生成ステップと、
    前記機器操作パターンから、機器の動作と消費電力との対応を定義した機器消費電力モデルにしたがって、消費電力の時間推移を表した消費電力データを計算する消費電力計算ステップと、
    需要家宅内の複数の機器による消費電力の時間推移を表した実測消費電力データを記憶する消費電力履歴格納部にアクセスするステップと、
    前記消費電力計算ステップにより計算された消費電力データについて、前記実測消費電力データとの尤度を計算し、前記尤度に従って前記複数の第１の行動パターンから重複サンプリングにより複数の行動パターンを選択する行動パターン評価選択ステップと、
    前記行動パターン評価選択ステップにより選択された複数の行動パターンを含む第１の行動パターン群と、前記行動モデル格納部に格納された前記複数の行動パターン群とのすべての行動パターン群の中から、最も類似する行動パターン群の組を選択し、選択した組に含まれるすべての行動パターンの一部を選択し、前記一部の複数の行動パターンを含む第２の行動パターン群によって、前記最も類似する行動パターン群の組を更新し、前記最も類似する行動パターン群の組の各重み係数の合計値を、前記第２の行動パターン群の重み係数に設定する行動モデル更新ステップと
    をコンピュータが実行する需要家消費電力算出方法。

Images