JP5840090B2 - 消費電力量推定装置 - Google Patents

Description

本発明の実施形態は、電気自動車の走行消費電力量を推定する消費電力量推定装置に関する。

今後、電気自動車（Electric Vehicle：以下、「ＥＶ」と記すが、本願では必ずしも四輪車には限られず、二輪車・三輪車等も含まれ、外部からの充電が可能なプラグインハイブリッド車（Plug-in Hybrid Vehicle）も該当する）の普及が見込まれる。化石燃料を用いず二酸化炭素などの排気ガスを排出しないＥＶは、省エネルギーと地球温暖化対策の切り札の一つとして期待されている。また、電気自動車については、災害等による停電時に家庭や重要施設に電力を供給する蓄電池としての用途も検討されており、新しい社会インフラとしても注目されている。

ＥＶは走行する際に蓄電池に蓄積した電力を使うため、従来のガソリン車に対する給油の代わりに、ＥＶへの充電が必要となる。しかし、現在のＥＶでは、ガソリン車に対する給油するための時間と比べて、充電に要する時間は長く、しかも一回の充電で走行可能な距離が、ガソリン車に対する一回の給油で走行可能な距離と比較して短いという問題がある。

今後、街中を走るＥＶが増えると、多くのＥＶの充電による充電ステーションの混雑、充電ステーションなどのＥＶ充電施設への電力供給不足、路上でのＥＶの電池切れが懸念される。

特に、一般道路と異なり、高速道路では、充電ステーションを設置できる場所がサービスエリアやパーキングエリアなどに限定されるため、特定の充電ステーションへの集中緩和や、路上での電池切れ防止は重大な課題となる可能性がある。

また、一般道においても、例えばカーシェアリングやカーレンタルなどの共用車、バスやタクシーなど公共交通機関、宅配便などの商用車などの分野では、ＥＶが搭載する蓄電池の電気の残量に左右されるＥＶの走行予定距離、充電に要する時間、充電に使う電力供給量の変動などを考慮して運用計画を立てる必要が生じる。
そのため、ＥＶの搭載する蓄電池の残量で走行可能な距離や、目的地に到着するために必要な充電量などを高精度に推定する技術が望まれている。

そこで、自動車メーカーでは、自社製ＥＶの機能として、または自社製ＥＶのドライバ（運転手）向けサービスとして、蓄電池残量に基づく走行可能距離の推定値をドライバに提供している。
例えば、ＥＶの走行履歴から電力消費モデルのパラメータを定める技術である走行可能距離推定システムがある。この技術は、個別のＥＶの走行履歴を基に、そのＥＶ単体の電力消費モデルのパラメータを調整し、消費電力量の推定精度を向上させる技術である。

また、一部の情報をもとに走行可能距離を推定する技術であるナビゲーション装置および目的地到達可否判定方法がある。この技術では、走行可能距離を推定する装置自体はＥＶ車内に設置されるが、ＥＶ自身の持つ車内の情報だけでなく、ＥＶ外部の情報も取り込んで推定する。

特開２００６−１１５６２３号公報 特開２０１０−２１０２７１号公報

上述したように、今後、道路事業者は充電ステーションの負荷分散やＥＶの電池切れ防止のために、路上を走行しているＥＶを運転しているドライバの充電行動を予測する必要が生じる。
また、カーシェアリング、タクシー、宅配車などの商用車の運行管理でも、ＥＶの走行に必要な充電量や、それを充電するのに要する充電時間を把握する必要が生じる。

このようなビジネス用途では、特定の自動車メーカーや特定の車種だけでなく、様々な自動車メーカーの様々な車種のＥＶが混在している状況で、全てのＥＶを対象として運行や充電を管理しなければならない。しかし、現状の自動車メーカー各社によるＥＶの消費電力量や走行可能距離の推定には、以下に示す課題がある。

なお、本明細書での説明においては、「消費電力量」と「電力消費」という用語を用いる。ここで、「消費電力量」は「ＥＶが消費した電力の量」を表し、「消費電力量の推定」という表現などで用いる。また、「電力消費」は「ＥＶが電力を消費する現象」を表し、「電力消費モデル」という表現などで用いる。

第１の課題は、自動車メーカー各社によるＥＶの消費電力量や走行可能距離の推定値を高速道路事業者やＥＶ向けサービス提供業者などの他事業者が利用できるしくみが無いことである。
第２の課題は、自動車メーカー各社の推定値の定義や精度はメーカー間でばらつきがあることである。
第３の課題は、ＥＶの電力消費に影響する外部要因に関する知識をドライバが有効に獲得・利用できないことである。

以下で、これら３つの課題について順に説明する。
第１の課題に関して説明する。自動車メーカー各社は自社製ＥＶのみを対象として、そのＥＶのドライバ向けに蓄電池の電気の残量に基づく走行可能距離の推定値を提示している。この推定値は、例えば運転席のコンソールやカーナビゲーション機器などのユーザインタフェースを介してドライバに通知される。

しかし、自動車メーカー各社は、この推定値をコンピュータシステムから高速道路事業者やＥＶ向けサービス提供業者などの他事業者がアクセスできる形態では公開していない。そのため、例えば高速道路上を走行しているＥＶの消費電力量や走行可能距離を高速道路事業者が把握したいと考えたとしても、現状では自動車メーカー各社による消費電力量や走行可能距離の推定値を高速道路事業者が使うことはできない。

第２の課題に関して説明する。仮に自動車メーカー各社がＥＶの消費電力量や走行可能距離の推定値を他事業者向けに公開したとしても、高速道路事業者など、複数の自動車メーカーのＥＶを扱う事業者の用途には不十分である。

この理由は、自動車メーカーや車種ごとに、推定値の定義や推定精度にばらつきがあるため、同一の尺度で扱うことができないためである。例えば自動車メーカーＡの電気自動車のＥＶモデルＡ１では、走行可能距離の推定値に20%程度のマージンを見込んでいる可能性がある。なお、推定距離を走行して、推定通りに電力を消費したとしても、蓄電池には20%程度の電荷が余っているように推定値を提示する。

また、例えば自動車メーカーＢ社のＥＶモデルＢ２では消費電力量の推定値に±10%の誤差が見込まれ、自動車メーカーＣ社のＥＶモデルＣ３では消費電力量の推定値に＋5%、−30%の誤差が見込まれている可能性がある。

このように推定値の定義や推定精度が定まっていない状況では、たとえ自動車メーカー各社が推定値を公開したとしても、自動車メーカー各社のＥＶに跨った運行管理には不十分である。

第３の課題に関して説明する。ＥＶの電力消費には、ＥＶ自体のメカニカルな要因（モーター、バッテリー、ボディ形状など）だけでなく、ＥＶ外部の要因も影響する。
外部要因としては、例えば、気温や風などの天候、路面状態や勾配などの道路の形状、渋滞などの交通状況、急発進や急ブレーキなどドライバに依存するものなどが考えられる。これら外部要因は刻々と変化するため、外部要因に起因するデータをＥＶ車内に設置されている推定装置にあらかじめ組み込んでおけるとは限らない。

また、ＥＶの過去の走行履歴を基に、これら外部要因による電力消費への影響を推定する方法が考えられるが、各ＥＶの過去の走行履歴は、走行範囲が限定される。また走行中に遭遇した外部要因の状態も限定される。そのため、未知の外部要因への対応は困難となる。

本発明が解決しようとする課題は、特定の自動車メーカーや特定の車種に限定せずに、複数の自動車メーカーや複数の車種を対象として、さらにＥＶ自身の持つ車内の情報だけではなくＥＶ車外の外部要因の影響も反映して、消費電力量や走行可能距離を推定することが可能になる消費電力量推定装置を提供することにある。

実施形態によれば、消費電力量推定装置は、電気自動車の走行による電力消費に影響する情報を記憶する記憶装置と、前記記憶装置に記憶される情報から、電力消費の傾向が類似する複数の前記電気自動車のそれぞれの消費電力量情報を抽出する抽出手段と、前記抽出手段により抽出した情報に基づいて、前記電気自動車の走行による電力消費に影響する情報を用いて電気自動車の走行のための必要電力量を推定するためのパラメータを同定する同定手段と、前記同定手段による同定結果に基づいて、前記電気自動車の走行のための必要電力量を推定する推定手段とをもち、前記抽出手段は、電力消費に関わる特性が類似する車種に対応する所定の車両グループに属する複数の前記電気自動車のそれぞれの走行による電力消費に影響する情報である車両モデルパラメータ情報、通行車両による電力消費に関わる特性が類似する道路切片に対応する所定の道路切片グループに属する道路切片を通行する複数の前記電気自動車のそれぞれの走行による電力消費に影響する情報である道路モデルパラメータ情報、および、ドライバによる電力消費に関わる特性が類似する所定のドライバグループに属するドライバに固有かつこのドライバが運転する前記電気自動車の走行による電力消費に影響し、このドライバによる目的地を指定しない情報であるドライバモデルパラメータ情報のうち少なくとも１つを前記記憶装置に記憶される情報から抽出し、前記同定手段は、前記抽出手段により抽出した、前記電力消費に関わる特性が類似する所定の車両グループに属する複数の前記電気自動車のそれぞれの前記車両モデルパラメータ情報に基づいて、前記所定の車両グループに属する車両に関わる電気自動車の走行のための必要電力量を推定するためのパラメータであって前記車両の回生エネルギーを示す情報を含むパラメータ、前記抽出手段により抽出した、前記所定の道路切片グループに属する道路切片を通行する複数の前記電気自動車のそれぞれの前記道路モデルパラメータ情報に基づいて、前記所定の道路切片グループに属する道路切片に関わる電気自動車の走行のための必要電力量を推定するためのパラメータ、および、前記抽出手段により抽出した、前記所定のドライバグループに属するドライバに関わる前記電気自動車の前記ドライバモデルパラメータ情報に基づいて、前記所定のドライバグループに属するドライバに関わる電気自動車の走行のための必要電力量を推定するためのパラメータのうち少なくとも１つを同定する。

ＥＶ走行消費電力量推定装置の構成例を示すブロック図。 ＥＶ走行消費電力量推定装置の構成の変形例を示すブロック図。 ＥＶ走行消費電力量推定装置の知識抽出部における知識抽出の手順の一例を示すフローチャート。 第１の実施形態におけるＥＶ走行消費電力量推定装置のシステム構成の一例を示すブロック図。 分析用データ格納部に格納されるドライバ情報のデータ構造の一例を表形式で示した図。 分析用データ格納部に格納されるＥＶ走行電力消費情報のデータ構造の一例を表形式で示す図。 分析用データ格納部に格納される交通情報ログのデータ構造の一例を表形式で示す図。 分析用データ格納部に格納される気象情報ログのデータ構造の一例を表形式で示す図。 分析用データ格納部に格納される車両情報のデータ構造の一例を表形式で示す図。 分析用データ格納部に格納される道路情報のデータ構造の一例を表形式で示す図。 グルーピングとパラメータ同定の具体例を示す図。 本実施形態で適用されるグルーピングルール一覧を示す図。 道路モデルグルーピングルールの一例を示す図。 車両モデルグルーピングルールの一例を示す図。 ドライバモデルグルーピングルールの一例を示す図。 交通情報モデルグルーピングルールの一例を示す図。 道路モデルパラメータの一例を示す図。 車両モデルパラメータの一例を示す図。 ドライバモデルパラメータの一例を示す図。 交通情報モデルパラメータの一例を示す図。 消費電力量推定部における消費電力量推定の手順の一例を示すフローチャート。 第２の実施形態におけるＥＶ走行消費電力量推定装置のシステム構成の一例を示すブロック図。 予約申請情報の一例を示す図。

以下、実施の形態について、図面を参照して説明する。
（第１の実施形態）
まず、第１の実施形態について説明する。
ＥＶの電力消費に関連する過去の履歴データと、ＥＶの電力消費に関連する現在のデータを用いて、ＥＶの消費電力量を推定するしくみを提案する。
図１は、ＥＶ走行消費電力量推定装置の構成例を示すブロック図である。
このＥＶ走行消費電力量推定システムは、データ整形部１１、分析用データ格納部１２、知識抽出部１３、知識格納部１４、消費電力量推定部１５を有する。

データ整形部１１は、ＥＶの走行による電力消費に影響する情報である履歴データと固定データとを参照することで、分析用データを生成し、その分析用データを記憶装置としての分析用データ格納部１２に格納する。履歴データとしては、例えば、様々なＥＶの走行ログ、ドライバの行動に関するログ、気象情報のログ、交通情報のログなどがある。

ＥＶの走行ログは、特定の自動車メーカーや特定の車種の走行ログに限定されない。固定データとしては、例えば、ＥＶのカタログ情報（車重、空気抵抗係数など）データや地図情報データなどがある。

また、外部装置２０には、履歴データ格納部２０ａと固定データ格納部２０ｂが設けられる。ＥＶ電力消費に関連する履歴データと固定データとは、それぞれ、履歴データ格納部２０ａと固定データ格納部２０ｂに格納されていることを前提とする。

適用対象に応じて、ＥＶ走行消費電力量、言い換えると、電気自動車の以後の走行のための必要電力量の推定に利用できる履歴データや固定データの種類や数は変わる。本実施形態では、履歴データや固定データの種類や数は特に限定しない。また、上述した各種ログ以外の履歴データが履歴データ格納部２０ａに格納されている場合もある。また、ＥＶのカタログ情報や地図情報データ以外の固定データが固定データ格納部２０ｂに格納されている場合もある。

知識抽出部１３は、分析用データ格納部１２（記憶装置）に記憶される情報から、電力消費の傾向が類似する複数のＥＶのそれぞれの消費電力量情報を抽出する抽出手段として働くものであり、分析用データ格納部１２に格納された分析用データを参照して、ＥＶ電力消費に関連する知識を抽出して、知識格納部１４に格納する。ここで抽出される知識は、個々の知識を表現する枠組みとなるモデル知識と、このモデル知識に従って個々の具体的な知識を表現したパラメータ知識とから成る。

知識抽出部１３は、モデル知識として、分析用データ格納部１２に格納された分析用データからグルーピングルールを抽出する。グルーピングルールとは、ＥＶ走行電力消費に関して似たような影響を持つグループを特定するためのルールである。

例えばＥＶに関しては、同一の車種が同じような電力消費の傾向を持つ場合、車種がグループの単位となる。同一の車種であっても、年式によって電力消費の傾向が異なる場合、車種と年式の組でグループの単位となる。
知識格納部１４は、知識抽出部１３（抽出手段）により抽出した情報に基づいて、ＥＶの走行による電力消費に影響する情報を補うためのパラメータを同定する同定手段として働くものであり、知識抽出部１３から抽出されたモデル知識を知識格納部１４のモデル知識格納部１４ａに格納し、また、知識抽出部１３から抽出されたパラメータ知識をパラメータ知識格納部１４ｂに格納する。

消費電力量推定部１５は、分析用データ格納部１２（記憶装置）に記憶される情報および知識格納部１４（同定手段）による同定結果に基づいて、ＥＶの走行による電力消費の傾向が類似する、他のＥＶの走行のための必要電力量を推定する推定手段として働くものであり、知識格納部１４に格納された知識を用いて、ＥＶの走行に要する消費電力量を推定する。
この消費電力量推定部１５は、消費電力量推定機能を使う任意の外部システム３０により利用される。外部システムについては、特に限定されない。

知識抽出部１３と消費電力量推定部１５とは、互いに独立に非同期で実行することができる。図１に示した構成では知識抽出部１３と消費電力量推定部１５とが一つの知識格納部１４を共有しているが、知識抽出部１３と消費電力量推定部１５とは、必ずしも同一の知識格納部を共有しなくても構わない。具体例について以下に説明する。
図２は、ＥＶ走行消費電力量推定装置の構成の変形例を示すブロック図である。
この変形例では、ＥＶ走行消費電力量推定装置に知識反映部１６がさらに設けられる。また、この変形例では、前述した知識格納部１４が、知識抽出部１３用の抽出用知識格納部１４−１と、消費電力量推定部１５用の推定用知識格納部１４−２とに分けられている。

知識反映部１６は、何らかのタイミングで、抽出用知識格納部１４−１から推定用知識格納部１４−２へ知識を反映させる。この知識反映部１６は、システムとして自動化されても構わないし、人手で反映しても構わない。

図３は、ＥＶ走行消費電力量推定装置の知識抽出部１３における知識抽出の手順の一例を示すフローチャートである。
知識抽出部１３は、最初に、分析用データ格納部１２に格納されたデータを分割し、この分割したデータに基づいて、ＥＶの走行による電力消費の傾向が近いグループを生成する（ステップＳ１１）。この分割には人間の知見に基づくヒューリスティクス（heuristics：問題を解決するための、単純で、おおよそでしかない、規則、方法、手がかり、経験則）を用いてもよい。

次に、知識抽出部１３は、Ｓ１１で生成された各グループに対して、モデルのパラメータ推定を行なう（ステップＳ１２）。知識抽出部１３は、以前のパラメータ推定結果と比較して、推定誤差の精度の向上が認められるグループが発見でき（ステップＳ１３のＹＥＳ）、かつ、推定誤差の目標精度を満たすパラメータ推定が行なえる場合（ステップＳ１４のＹＥＳ）、このグループのグルーピングルールを分析用データ格納部１２に格納された分析用データから抽出して、モデル知識格納部１４ａに格納し、また、Ｓ１２で推定したパラメータをパラメータ知識格納部１４ｂに格納する（ステップＳ１５）。

知識抽出部１３は、データの今回の分割によって、データの前回の分割に対して推定誤差の精度の向上が認められない場合や（ステップＳ１３のＮＯ）、推定誤差の目標精度を満たすパラメータ推定が行えない場合で（ステップＳ１４のＮＯ）、分析回数が規定値を超えていない場合は（ステップＳ１６のＮＯ）、推定誤差に基づいて、グループの細分化やマージによってグループを生成し直し（ステップＳ１７）、Ｓ１２以降と同じ手続きを行なう。

また、知識抽出部１３は、データの今回の分割によって、データの前回の分割に対して推定誤差の精度の向上が認められない場合や（ステップＳ１３のＮＯ）、推定誤差の目標精度を満たすパラメータ推定が行えない場合であって（ステップＳ１４のＮＯ）、分析回数が規定値を超えている場合は（ステップＳ１６のＹＥＳ）、グルーピングルールをモデル知識格納部１４ａに格納し、パラメータをパラメータ知識格納部１４ｂに格納し、推定誤差の達成可能な精度の情報を知識格納部１４の所定の記憶領域に格納する（ステップＳ１８）。

次に、第１の実施形態について説明する。
本実施形態では、知識抽出部１３による知識の抽出と、その知識を用いた消費電力量推定の典型的な事例を示す。
図４は、第１の実施形態におけるＥＶ走行消費電力量推定装置のシステム構成の一例を示すブロック図である。
本実施形態では、図４で説明したように、ＥＶ走行消費電力量推定装置は、データ整形部１１、分析用データ格納部１２、知識抽出部１３、知識格納部１４、消費電力量推定部１５を有する。また、ＥＶ走行消費電力量推定装置とは別に、外部装置２０、消費電力量推定機能を使用する外部システム３０、気象情報提供システム４０が設けられる。

外部装置２０は、履歴データ格納部２０ａおよび固定データ格納部２０ｂを有する。履歴データ格納部２０ａには、ＥＶ走行ログデータ、交通情報ログデータおよび気象情報ログデータが格納され、固定データ格納部２０ｂには、ＥＶ車両情報データおよび道路情報データが格納される。
データ整形部１１は、外部装置２０の履歴データ格納部２０ａに格納される、ＥＶ走行ログ、交通情報ログ、気象情報ログを参照する。
ＥＶ走行ログは、例えば高速道路の路側装置を介して収集されているデータである。
交通情報ログは例えば交通管制局の履歴であり、気象情報ログは、例えば気象庁などの履歴である。本実施形態では、これら履歴データの収集方法、履歴データへのアクセス方法、それらのデータ形式については特に定めない。

また、データ整形部１１は、外部装置２０の固定データ格納部２０ｂに格納される、ＥＶ車両情報データと道路情報データとを参照する。ＥＶ車両情報データとは、自動車メーカーのカタログから入手可能なデータとする。また道路情報データは、地図データから入手可能なデータとする。本実施形態では、これらのデータ形式については特に定めない。

分析用データ格納部１２には、データ整形部１１が整形したデータが格納される。本実施形態では、データ整形部１１は、外部装置２０の履歴データ格納部２０ａに格納された各種ログデータを整形して、ドライバ情報とＥＶ走行電力消費量情報を作成して、分析用データ格納部１２に格納する。

分析用データ格納部１２に格納される交通情報ログデータと気象情報ログデータは、履歴データ格納部２０ａに格納された交通情報ログデータと気象情報ログデータをそのまま利用したものである。また、分析用データ格納部１２に格納されるＥＶ車両情報と道路情報も、固定データ格納部２０ｂに格納されたデータであるＥＶ車両情報と道路情報をそのまま利用したものである。
知識格納部１４のモデル知識格納部１４ａには、ドライバモデル、車両モデル、道路モデル、交通情報モデルのグルーピングルールである、ドライバモデルグルーピングルール、車両モデルグルーピングルール、道路モデルグルーピングルール、交通情報モデルグルーピングルールが格納される。これらはあくまで例であり、ここで説明するグルーピングルールが本実施形態で扱う全グルーピングルールというわけではない。例えば、あるドライバがある道路を走行するという組で走行の特性をグルーピングできる場合、そのドライバと道路の組のグルーピングルールを表すための走行モデルグルーピングルールを用意することもできる。

また、知識格納部１４のパラメータ知識格納部１４ｂには、ドライバモデル、車両モデル、道路モデル、交通情報モデルのパラメータである、ドライバモデルパラメータ、車両モデルパラメータ、道路モデルパラメータ、交通情報モデルパラメータがそれぞれ格納される。これらはあくまで例であり、ここで説明するパラメータが本実施形態で扱う全パラメータというわけではない。例えば、上述したように、あるドライバがある道路を走行するという組で走行の特性をグルーピングできる場合、そのドライバと道路の組のパラメータを表すための走行モデルパラメータを用意することもできる。

次に、分析用データ格納部１２に格納されているデータのデータ構造について説明する。図５から図１０に各データ構造を例示する。これらはあくまで例であり、ここで説明するデータが本実施形態で扱う全データというわけではない。

図５は、分析用データ格納部１２に格納されるドライバ情報のデータ構造の一例を表形式で示した図である。
ドライバ情報を構成する各種データは、外部装置２０の履歴データ格納部２０ａから入手したＥＶ走行ログデータを基に、データ整形部１１で計算して整形したものである。

ここでは、ドライバ情報には、ドライバごとに、ドライバに固有のドライバＩＤ、ドライバが運転するＥＶの平均速度（ｋｍ／ｈ）、ドライバがＥＶのアクセルペダルを踏む際のＥＶの平均加速度であるアクセル平均加速度（ｋｍ／ｓ＾２）、ドライバがＥＶのブレーキペダルを踏む際のＥＶの減速度である平均ブレーキ加速度（ｋｍ／ｓ＾２）、ドライバによるＥＶの加減速頻度（％）、ドライバが運転するＥＶ内のエアコン設定温度（℃）などの、ＥＶ電力消費に影響するデータがデータ整形部１１により計算されて格納されている。加減速頻度とは、ＥＶの走行時間全体のうち加減速している時間の割合である。

図６は、分析用データ格納部１２に格納されるＥＶ走行電力消費情報のデータ構造の一例を表形式で示す図である。
ＥＶ走行電力消費情報を構成するデータは、外部装置２０の履歴データ格納部２０ａから入手したＥＶ走行ログデータを基に、データ整形部１１で計算して整形したものである。

ＥＶ走行ログデータでは、ある時刻において、あるドライバがあるＥＶを運転して、このＥＶが、ある道路切片（経路切片）を通過した際のスナップショットのデータが列挙されている。道路切片とは、道路を適当な切片に分断したものである。

図６に示すように、ＥＶ走行電力消費情報には、ＥＶの走行日時ごとに、現在日時、道路切片に固有の道路切片ＩＤ、ＥＶ車体に固有のＥＶ車体ＩＤ、ＥＶ車種に固有のＥＶ車種ＩＤ、ドライバＩＤ、ＥＶが道路切片ＩＤに対応する道路切片を通過した際の平均速度（ｋｍ／ｈ）、道路切片ＩＤに対応する道路切片を通過するＥＶの加減速頻度（％）、道路切片ＩＤに対応する道路切片をＥＶ車体ＩＤに対応するＥＶが通過する間に要した消費電力量（ｋＷｈ）などの、ＥＶ電力消費に影響するデータがデータ整形部１１により計算されて格納されている。

図７は、分析用データ格納部１２に格納される交通情報ログのデータ構造の一例を表形式で示す図である。
交通情報ログを構成する各種データは、外部装置２０の履歴データ格納部２０ａから入手した交通情報ログデータを基に、データ整形部１１が整形したものである。

交通情報ログのデータでは、交通情報に固有の交通情報ＩＤ、交通情報の年月日、曜日、時刻、交通情報が対象とする道路切片ＩＤ、この道路切片ＩＤに対応する道路切片の制限速度（ｋｍ／ｈ）、この道路切片ＩＤに対応する道路切片を通過する車両の平均速度（ｋｍ／ｈ）、道路切片ＩＤに対応する道路切片についての単位時間当たりの通行台数などの、ＥＶ電力消費に影響するデータがデータ整形部１１により計算されて格納されている。

図８は、分析用データ格納部１２に格納される気象情報ログのデータ構造の一例を表形式で示す図である。
気象情報ログを構成する各種データは、外部装置２０の履歴データ格納部２０ａから入手した気象情報ログデータを基に、データ整形部１１が整形したものである。

気象情報ログのデータでは、気象情報に固有の気象情報ログＩＤ、気象情報の年月日、曜日、時刻、気象情報が対象とする場所情報、この場所情報が示す場所における気温（℃）、場所情報が示す場所における天気、場所情報が示す場所における風力（ｍ／ｓ）などの、ＥＶ電力消費に影響するデータがデータ整形部１１により計算されて格納されている。

図９は、分析用データ格納部１２に格納されるＥＶ車両情報のデータ構造の一例を表形式で示す図である。
ＥＶ車両情報を構成する各種データは、外部装置２０の履歴データ格納部２０ａから入手したＥＶ車両情報データ（自動車メーカーが公開しているカタログ情報）を基に、データ整形部１１が整形したものである。

ＥＶ車両情報では、ＥＶ車両ごとに、このＥＶ車両が属する車種に固有のＥＶ車種ＩＤ、ＥＶ車両の名称、ＥＶの蓄電池容量（ｋＷｈ）、車両重量（ｋｇ）、空気抵抗係数、投影面積（ｍ＾２）、走行効率、回生エネルギー効率などの、ＥＶ電力消費に影響するデータがデータ整形部１１により計算されて格納される。図９に示したＥＶ車両情報における、走行効率や回生エネルギー効率の列については、カタログ情報からは入手できず、空欄となっている。

これら空欄の列は、このＥＶ車両情報のデータ形式には不要だが、後で知識格納部１４のデータと対比する際に説明をわかりやすくするために、ここのＥＶ車両情報にも、これら空欄の列を記載している。

図１０は、分析用データ格納部１２に格納される道路情報のデータ構造の一例を表形式で示す図である。
道路情報を構成する各種データは、外部装置２０の履歴データ格納部２０ａから入手した道路情報データ（地図情報データを参照）を基に、データ整形部１１が整形したものである。

道路情報では、道路を適当な切片に分断した道路切片ごとに、この道路切片に固有の道路切片ＩＤ、この道路切片ＩＤに対応する道路切片の始点と終点、この道路切片の長さ、この道路切片における制限速度（ｋｍ／ｈ）、勾配（radian）、路面転がり抵抗係数などの、ＥＶ電力消費に影響するデータがデータ整形部１１により計算されて格納される。道路情報における勾配や路面転がり抵抗係数の列については、地図情報データからは入手できず、空欄となっている。

これら空欄の列は、この道路情報データのデータ形式には不要だが、後で知識格納部１４のデータと対比する際に説明をわかりやすくするために、ここの道路情報にもこれらの列を記載している。

次に、知識抽出部１３の振る舞いについて説明する。
知識抽出部１３は、図３に示した知識抽出の手順に従って、モデル知識とパラメータ知識とをそれぞれ生成する。
本実施形態における知識抽出の流れを説明する。最初に、知識抽出部１３は、分析用データ格納部１２に格納されるＥＶ走行電力消費情報のデータを適切なグループに分割する。そして知識抽出部１３は、各グループのパラメータを推定して、精度の向上が認められれば、新たなグルーピングルールを知識格納部１４のモデル知識格納部１４ａに格納し、各グループに対して同定するパラメータを知識格納部１４のパラメータ知識格納部１４ｂに格納する。

本実施形態では、グルーピングする際に、人によるヒューリスティクス（heuristics）を組み込んでいる。本実施形態におけるグルーピングの観点と、各グループで同定したいパラメータを以下に示す。また、このグルーピングとパラメータ同定の具体例について図１１に示す。

第一に、ＥＶの走行電力消費情報データが、同一の道路切片列を走行する多数のＥＶの走行電力消費情報データである場合、知識格納部１４は、このグループ分割では、道路切片列の特性（勾配や路面転がり抵抗係数など）を同定する。

第二に、ＥＶの走行電力消費情報データが、同一の車種に属する多数のＥＶの走行電力消費情報データである場合、知識格納部１４は、このグループ分割では、各ＥＶ車種の特性（走行効率、回生エネルギー効率など）を同定する。

第三に、ＥＶの走行電力消費情報データが、同一の道路切片列を走行する同一車種の多数のＥＶの走行電力消費情報データである場合、知識格納部１４は、このグループ分割では、道路とＥＶの相互作用による特性（路面転がり抵抗係数など）を同定する。

上記の第一乃至第三で述べたように、（１）知識抽出部１３により抽出した、所定の道路切片グループに属する道路切片を通行する複数のＥＶのそれぞれの消費電力量情報（例えばＥＶの走行電力消費情報データ）に基づいて、この所定の道路切片グループに属する道路切片に関わる道路情報を補うためのパラメータ、または、（２）知識抽出部１３により抽出した、電力消費に関わる特性（例えばＥＶの走行電力消費情報データ）が、類似する所定の車両グループ（図１４の説明として後述）に属する複数のＥＶそれぞれの消費電力量情報に基づいて、この所定の車両グループに属するＥＶに関わるＥＶ車両情報を補うためのパラメータについて、（１）と（２）の双方を同定している。しかし、（１）または（２）のいずれかだけを同定しても良い。また、上述した以外の、以下で説明する他のパラメータについても同様である。

これらの他にも、例えば同じような運転の仕方をするドライバをグルーピングすることも考えられるが、本実施形態ではグルーピングルールの説明のために、ドライバはグルーピングせずに個別に扱うこととする。

次に、知識抽出部１３によって抽出されるモデル知識について説明する。
モデル知識として、上述したグルーピングの観点で抽出されるグルーピングルールについて説明する。
図１２は、本実施形態で適用されるグルーピングルール一覧を示す図である。
図１２に示した例では、グルーピングルールごとに、このグルーピングルールに固有のルールＩＤ、グルーピングルールが対象とするモデルの種別に固有のモデルＩＤ、このモデルＩＤに対応するモデルに対するグルーピングの方法を示すルール項目が関連付けられる。具体的には、本実施形態では、ドライバモデルを個別にグルーピングし、車両モデルをＥＶ車種の属性指定よりグルーピングし、道路モデルを道路切片ＩＤの列挙によりグルーピングし、交通情報モデルを交通情報の属性指定によりグルーピングする。

本実施形態ではグルーピングの方法を図１２に示すグルーピングルール一覧で管理しているが、個々のグルーピングルール（次に説明する図１３乃至図１６）においてグルーピングの方法を認識することができれば、図１２のグルーピングルール一覧は特に用意しなくても構わない。

また、道路モデル、車両モデル、ドライバモデル、交通情報モデルのそれぞれのグルーピングルールを図１３から図１６に示す。
図１３は、道路モデルグルーピングルールの一例を示す図である。
道路モデルは、前述したように道路切片ＩＤの列挙によってグルーピングされる。本実施形態では、隣り合ういくつかの道路切片列が、ＥＶ電力消費に影響する同じ特性を持つとの前提でグルーピングされ、パラメータを同定する。

図１３に示した例では、隣り合う道路切片Ｒ１，Ｒ２，Ｒ３がグループＩＤ「１」に対応するグループにグルーピングされ、隣り合う道路切片Ｒ４，Ｒ５がグループＩＤ「２」に対応するグループにグルーピングされる。

図１４は、車両モデルグルーピングルールの一例を示す図である。
車両（ＥＶ）モデルは、前述したように属性を指定してグルーピングされている。本実施形態では、車両モデルは、ＥＶ車種ＩＤに対応する車種ごとにグルーピングされている。場合によっては、車種だけでなく、車種と年式の組にグルーピングすることで、より推定精度が向上することも考えられる。

図１５は、ドライバモデルグルーピングルールの一例を示す図である。
本実施形態では、ドライバモデルは特にグルーピングせず、各ドライバを個別に扱う。
図１６は、交通情報モデルグルーピングルールの一例を示す図である。
交通情報モデルは、属性を指定してグルーピングされている。本実施形態では、交通情報モデルは、曜日と時間帯でグルーピングされている。

次に、知識抽出部１３によって抽出されるパラメータ知識について説明する。
ここでは、上述したグルーピングにより同定される各モデルのパラメータについて説明する。道路モデル、車両モデル、ドライバモデル、交通情報モデルのそれぞれのパラメータを図１７から図２０に示す。
本実施形態では、知識抽出部１３によって抽出されるパラメータ知識格納部１４ｂのデータ構造（図１７乃至図２０）には、データ整形部１１が生成する分析用データ格納部１２のデータ構造（図５乃至図１０）に列を追加する形で表現されているものがある。しかし、これらはあくまで例であり、パラメータ知識格納部１４ｂのデータ構造と分析用データ格納部１２はそれぞれ、全く異なる形式でも構わない。

図１７は、道路モデルパラメータの一例を示す図である。
図１７に示した例では、道路モデルパラメータは、道路切片ごとに、道路切片ＩＤ、道路モデルグルーピングルールに基づいて定められる道路グループＩＤ、道路切片ＩＤに対応する道路切片の始点と終点、この道路切片の長さ、この道路切片における制限速度（ｋｍ／ｈ）、勾配、路面転がり抵抗係数などの、ＥＶ電力消費に影響するデータが関連付けられる。

前述したように、道路モデルパラメータは、隣り合う道路切片によりグルーピングされ、図１７に示した、ＥＶ電力消費に影響する類似した特性を有する道路切片に対応する行に同一の道路グループＩＤが知識抽出部１３により付与される。

この道路モデルパラメータは、図１０に示した道路情報と比較して、ＥＶグループＩＤが設定される点で異なる他、勾配や路面転がり抵抗係数の値などが新たにパラメータ値として推定されている。この理由は、ある道路グループＩＤに対応するグループに属する道路切片に対して多数のＥＶが走行した際の消費電力量を示す履歴データがＥＶ走行電力消費情報データに示されており、知識抽出部１３は、このＥＶ走行電力消費情報で示される平均速度、加減速速度、消費電力量などに基づいて、同じ道路グループＩＤに対応するグループに属する道路切片の特性を推定できるためである。

図１８は、車両モデルパラメータの一例を示す図である。
図１８に示した例では、車両モデルパラメータは、ＥＶ車種ごとに、ＥＶ車種ＩＤ、車両モデルグルーピングルールに基づいて定められるＥＶグループＩＤ、このＥＶグループＩＤに属するＥＶ車両の名称、蓄電池容量（ｋＷｈ）、重量（ｋｇ）、空気抵抗係数、投影面積（ｍ＾２）、走行効率、回生エネルギー効率などの、ＥＶ電力消費に影響するデータが関連付けられる。

前述したように、車両モデルパラメータは、ＥＶ車種によりグルーピングされ、図１８に示した、ＥＶ電力消費に影響する類似した特性を有する車種に対応する行に同一のＥＶグループＩＤが知識抽出部１３により付与される。

また、本実施形態では、車両モデルパラメータは、図９に示したＥＶ車両情報と比較して、ＥＶグループＩＤが設定される点で異なる他、走行効率や回生エネルギー効率の値などが新たにパラメータ値として推定されている。この理由は、図１７に示したように道路モデルパラメータ値が推定されると、同一ＥＶ車両グループに属する多数のＥＶが各道路グループに属する道路切片を走行した際の消費電力の履歴データがＥＶ走行電力消費情報データに示されており、知識抽出部１３は、このＥＶ走行電力消費情報で示される平均速度、加減速速度、消費電力量などに基づいて、同じ車両グループＩＤに対応するグループに属するＥＶ車両（本実施形態では個々のＥＶ車両に対応）の特性を推定できるためである。

図１９は、ドライバモデルパラメータの一例を示す図である。
図１９に示した例では、ドライバモデルパラメータは、ドライバごとに、ドライバＩＤ、ドライバモデルグルーピングルールに基づいて定められるドライバグループＩＤ、このドライバグループＩＤに属するドライバが運転するＥＶの平均速度（ｋｍ／ｈ）、平均アクセル加速度（ｋｍ／ｓ＾２）、平均ブレーキ加速度（ｋｍ／ｓ＾２）、加減速頻度（％）、エアコン設定温度（℃）などの、ＥＶ電力消費に影響するデータが関連付けられる。ドライバモデルのパラメータは、図５に示したドライバ情報データと比較して、ドライバグループＩＤがさらに設定される点で異なる。

本実施形態では、ドライバモデルパラメータでは、ドライバのグルーピングを特に行なわずに、ドライバのそれぞれの特性について個別に扱う。そのためドライバモデルに関しては、ドライバ情報に対する新たな知識は特に抽出されず、知識抽出部１３は、分析用データ格納部１２に格納された、図５に示したドライバ情報のデータを、そのままドライバモデルパラメータとして用い、図１９に示したドライバモデルパラメータにおけるドライバグループＩＤはドライバＩＤと同一となる。

図２０は、交通情報モデルパラメータの一例を示す図である。
図２０に示した例では、交通情報モデルパラメータは、交通情報ＩＤ、交通情報モデルグルーピングルールに基づいて定められる交通情報グループＩＤ、交通情報の年月日、曜日、時刻、交通情報が対象とする道路切片ＩＤ、道路切片ＩＤに対応する道路切片の制限速度（ｋｍ／ｈ）、道路切片ＩＤに対応する道路切片を通過する車両の平均速度（ｋｍ／ｈ）、道路切片ＩＤに対応する道路切片についての単位時間当たりの通行台数などの、ＥＶ電力消費に影響するデータが関連付けられる。交通情報モデルパラメータは、図７に示した交通情報データと比較して、交通情報グループＩＤがさらに設定される点で異なる。

前述したように、交通情報モデルパラメータは曜日と時間帯によりグルーピングされ、図２０に示した、ＥＶ電力消費に影響する類似した特性を有する交通情報に対応する行に同一の交通情報グループＩＤが付与される。この理由は、本実施形態では、交通情報では、日付による交通状態の違いは特になく、知識抽出部１３は、交通情報で示される曜日や時間帯に基づいて、ＥＶでの電力消費に影響する類似した特性を有する交通状態が特定できるためである。

次に、消費電力量推定部１５の振る舞いについて説明する。
ここでは、消費電力量推定部１５による消費電力量推定の方法を説明する。図２１は、消費電力量推定部における消費電力量推定の手順の一例を示すフローチャートである。

最初に、消費電力量推定部１５は、消費電力量推定機能を使う外部システム３０から、消費電力量推定に関わる、その時点の情報を受け取る（ステップＳ２１）。次に、消費電力量推定部１５は、知識格納部１４を検索し、外部システム３０から受け取った、その時点の情報に合致するグループを選択する（ステップＳ２２）。

ここで、消費電力量推定部１５は、いずれかのモデルにおいて合致するグループが複数存在する場合（ステップＳ２３のＹＥＳ）、各モデルで合致する複数グループのうち、最も細分化されたグループを選択する（ステップＳ２４）。

消費電力量推定部１５は、合致するグループが複数存在しない場合（ステップＳ２３のＮＯ）、各グループの図１６から図２０で示されるようなパラメータを特定し（ステップＳ２５）、これらのパラメータを用いてＥＶの消費電力量の推定値を計算する（ステップＳ２６）。また、外部システム３０は、消費電力量の推定値に基づいて、ＥＶの走行可能距離の推定値を推定できる。消費電力量の推定値を計算する方法については、本実施形態では特に限定しない。また、任意の計算方法を用いて構わない。

以下、本実施形態における消費電力量の推定値の計算式の一例を示す。
消費電力量＝走行消費電力量＋走行以外の消費電力量−回生エネルギー量 …式（１）
式（１）の走行消費電力量は以下の式（２）で示される。
走行消費電力量Ｐｅ＝η×Ｐｐ …式（２）
η：走行効率
Ｐｐ：走行仕事量
式（２）の走行仕事量Ｐｐは以下の式（３）で示される。
走行仕事量Ｐｐ＝Ｒ×ｌ …式（３）
Ｒ：走行抵抗
ｌ：走行距離
式（３）の走行抵抗Ｒは以下の式（４）で示される。
走行抵抗Ｒ＝Ｒａ＋Ｒｒ＋Ｒｅ＋Ｒｃ …式（４）
Ｒａ：空気抵抗
Ｒｒ：転がり抵抗
Ｒｅ：勾配抵抗
Ｒｃ：加速抵抗
式（４）の空気抵抗Ｒａは以下の式（５）で示される。
空気抵抗Ｒａ＝１／２×ρ×Ｃｄ×Ａ×Ｖ＾２ …式（５）
ρ：空気密度
Ｃｄ：空気抵抗係数
Ａ：投影面積
Ｖ：速度
式（４）の転がり抵抗Ｒｒは以下の式（６）で示される。
転がり抵抗Ｒｒ＝μ×Ｍ×ｇ×ｃｏｓθ …式（６）
μ：路面転がり抵抗係数
Ｍ：車両総重量
ｇ：重力加速度
θ：勾配
式（４）の勾配抵抗Ｒｅは以下の式（７）で示される。
勾配抵抗Ｒｅ＝Ｍ×ｇ×ｓｉｎθ …式（７）
式（４）の加速抵抗Ｒｃは以下の式（８）で示される。
加速抵抗Ｒｃ＝α×（Ｍ＋Ｍｉ） …式（８）
α：加速度
Ｍｉ：回転部分慣性重量
式（１）に示すように、消費電力量は、ＥＶの走行にかかる消費電力量（走行消費電力量）と走行以外の消費電力量の和から回生エネルギー量を差し引いた量となる。
走行消費電力量は、式（２）に示すように、走行に必要な仕事量（走行仕事量）に、走行効率を乗算した量となる。
走行仕事量は、式（３）に示すように、走行時に車が受ける抵抗（走行抵抗）と走行距離に比例する。
走行抵抗は、式（４）に示すように、空気抵抗、転がり抵抗、勾配抵抗、加速抵抗の和として計算される。

ＥＶの消費電力量は気温などの気象状態にも依存する。この気象情報を考慮する際、ＥＶ走行消費電力量推定システムの消費電力量推定部１５は、ＥＶの消費電力量を推定する際には、気象情報データ（図８参照）を取得し、この取得した気象情報で示される場所と、ＥＶ走行電力消費情報で示される道路切片との関係を計算した上で、この計算結果を考慮して、ＥＶの走行に要する消費電力量を推定する。また、この気象情報は、図１に示した気象情報提供システム４０などから提供されてもよい。また、ＥＶの消費電力量推定に利用するための前述した気象情報提供システム４０は任意であり、本実施形態では特に限定しない。また、ＥＶの消費電力量を推定するにあたり、必ずしも気象情報提供システム４０を利用して気象情報を取得しなくても構わない。

以上のように、第１の実施形態におけるＥＶ走行消費電力量推定装置では、ＥＶの走行に要する消費電力量を推定する機能において、新たな条件、例えばドライバ情報、交通情報、車両情報などへの適応力を高くできる。また、ＥＶ走行履歴データなどをグルーピングして分析し、消費電力量推定のためのモデルをグルーピングし、このグルーピングで特定したグループに属するＥＶの消費電力量を推定するので、様々な道路や多数のＥＶ車種を対象として消費電力量を推定できる。

また、単体のＥＶだけでは推定の困難な、ＥＶ車外の外部要因の影響も反映して消費電力量や走行可能距離を推定できる。また、特定の自動車メーカーや車種に依存せずに消費電力量や走行可能距離を推定できる。
また、特定の自動車メーカーや特定の車種に限定せずに、複数の自動車メーカーや複数の車種を対象として消費電力量や走行可能距離を推定できる。

（第２の実施形態）
次に、第２の実施形態について説明する。なお、本実施形態における構成のうち第１の実施形態で説明した部分と同一部分の説明は省略する。
本実施形態では、カーシェアやレンタカーなどの予約時に、その予約情報から借用時の消費電力量を推定する事例を示す。

図２２は、第２の実施形態におけるＥＶ走行消費電力量推定装置のシステム構成の一例を示すブロック図である。
このシステム構成は、第１の実施形態のシステム構成とほぼ同じである。第２の実施形態のシステム構成が第１の実施形態のシステム構成と異なる点は、ＥＶをカーシェアやレンタカーとして利用するための予約申請情報ログが外部装置２０の履歴データ格納部２０ａにさらに格納されている点である。この予約申請情報ログは、そのまま利用されて分析用データ格納部１２に格納される。

図２３は、予約申請情報の一例を示す図である。予約申請情報には、カーシェアやレンタカー利用者による予約申請のための情報が含まれている。予約申請情報には、ＥＶの貸し出し先のドライバを特定するための情報、このドライバによる借用開始予定の日時、借用終了予定の日時、および貸出予定のＥＶの目的地が記載されている。予約申請情報では、固定情報として出発地が定められている。

また、第１の実施形態と異なり、消費電力量推定機能を使う外部システム３０がこの機能を呼び出す際にも、消費電力量推定部１５に対し、引数として予約申請情報が渡される。
予約申請情報を引数として受け取った消費電力量推定部１５は、パラメータ知識格納部１４ｂに格納されたパラメータのうち、貸出予定のＥＶに関わるパラメータを以下の手順で特定する。
まず、消費電力量推定部１５は、予約申請情報とドライバモデルパラメータ（図１９参照）に基づいて、貸出予定のＥＶを借用するドライバと、そのドライバが属するグループを特定する。この特定により、消費電力量推定部１５は、貸出予定のＥＶを借用するドライバに依存する、ドライバモデルパラメータ、例えばドライバの平均速度、平均アクセル加速度、平均ブレーキ加速度、加減速頻度などを特定する。

次に、消費電力量推定部１５は、予約申請情報に記載された目的地に基づいて、貸出予定のＥＶの走行経路を推定し、この推定した走行経路と道路モデルパラメータ（図１７参照）に基づいて、推定した走行経路の道路切片を推定する。これにより、消費電力量推定部１５は、貸出予定のＥＶが走行する道路モデルパラメータ（制限速度、勾配など）を特定する。

次に、消費電力量推定部１５は、予約申請情報に記載された借用開始日時と借用終了日時と、道路モデルパラメータ（図１７参照）と、交通情報モデルパラメータ（図２０参照）に基づいて、貸出予定のＥＶの走行経路における渋滞情報を生成する。消費電力量推定部１５は、この渋滞情報を用いて、前述のように特定した、貸出予定のＥＶが走行する道路モデルパラメータ（制限速度など）を更新する。

次に、消費電力量推定部１５は、予約申請情報に記載された借用開始日時と借用終了日時と、気象情報提供システムから得られる気象予報情報に基づいて、ＥＶの貸出時点の気象情報のパラメータである、貸出予定のＥＶの貸出時における気温や天候を推定する。
次に、消費電力量推定部１５は、貸出予定のＥＶの車種が決まると、この車種と車両モデルパラメータ（図１８参照）に基づいて、貸出予定のＥＶに関わる車両モデルパラメータを特定する。

消費電力量推定部１５は、上述の手順で特定された、貸出予定のＥＶに関わるドライバモデル、道路モデル、車両モデル、気象情報のパラメータを用いて、図２１に示した消費電力量推定アルゴリズムに従って、貸出予定のＥＶの消費電力量を推定する。

以上のように、第２の実施形態におけるＥＶ走行消費電力量推定装置では、第１の実施形態で説明した特徴に加え、ＥＶの貸出のための予約申請情報に基づいて、貸出予定のＥＶの貸出中における消費電力量を推定することができる。また、この予約申請情報では、貸出予定のＥＶの目的地の情報を含むので、この情報と交通情報モデルパラメータとに基づいてＥＶの走行経路における渋滞情報を生成できるので、第１の実施形態と比較して道路モデルパラメータの精度を高める事ができる。

これらの各実施形態によれば、特定の自動車メーカーや特定の車種に限定せずに、複数の自動車メーカーや複数の車種を対象として、さらにＥＶ車外の外部要因の影響も反映して消費電力量や走行可能距離を推定することが可能になる消費電力量推定装置を提供することができる。
ここまでで発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１１…データ整形部、１２…分析用データ格納部、１３…知識抽出部、１４…知識格納部、１４ａ…モデル知識格納部、１４ｂ…パラメータ知識格納部、１５…消費電力量推定部、１６…知識反映部、２０…外部装置、２０ａ…履歴データ格納部、２０ｂ…固定データ格納部、３０…外部システム、４０…気象情報提供システム。

Claims (5)

1. 電気自動車の走行による電力消費に影響する情報を記憶する記憶装置と、
   前記記憶装置に記憶される情報から、電力消費の傾向が類似する複数の前記電気自動車のそれぞれの消費電力量情報を抽出する抽出手段と、
   前記抽出手段により抽出した情報に基づいて、前記電気自動車の走行による電力消費に影響する情報を用いて電気自動車の走行のための必要電力量を推定するためのパラメータを同定する同定手段と、
   前記同定手段による同定結果に基づいて、前記電気自動車の走行のための必要電力量を推定する推定手段とを備え、
   前記抽出手段は、
   電力消費に関わる特性が類似する車種に対応する所定の車両グループに属する複数の前記電気自動車のそれぞれの走行による電力消費に影響する情報である車両モデルパラメータ情報、通行車両による電力消費に関わる特性が類似する道路切片に対応する所定の道路切片グループに属する道路切片を通行する複数の前記電気自動車のそれぞれの走行による電力消費に影響する情報である道路モデルパラメータ情報、および、ドライバによる電力消費に関わる特性が類似する所定のドライバグループに属するドライバに固有かつこのドライバが運転する前記電気自動車の走行による電力消費に影響し、このドライバによる目的地を指定しない情報であるドライバモデルパラメータ情報のうち少なくとも１つを前記記憶装置に記憶される情報から抽出し、
   前記同定手段は、
   前記抽出手段により抽出した、前記電力消費に関わる特性が類似する所定の車両グループに属する複数の前記電気自動車のそれぞれの前記車両モデルパラメータ情報に基づいて、前記所定の車両グループに属する車両に関わる電気自動車の走行のための必要電力量を推定するためのパラメータであって前記車両の回生エネルギーを示す情報を含むパラメータ、前記抽出手段により抽出した、前記所定の道路切片グループに属する道路切片を通行する複数の前記電気自動車のそれぞれの前記道路モデルパラメータ情報に基づいて、前記所定の道路切片グループに属する道路切片に関わる電気自動車の走行のための必要電力量を推定するためのパラメータ、および、前記抽出手段により抽出した、前記所定のドライバグループに属するドライバに関わる前記電気自動車の前記ドライバモデルパラメータ情報に基づいて、前記所定のドライバグループに属するドライバに関わる電気自動車の走行のための必要電力量を推定するためのパラメータのうち少なくとも１つを同定することを特徴とする消費電力量推定装置。
2. 前記記憶装置に記憶する情報は、
   複数の電気自動車のそれぞれのドライバに固有かつ、このドライバが運転する前記電気自動車の走行による電力消費に影響する情報であるドライバ情報、所定の日時における、所定区間の道路切片を通行する前記電気自動車の消費電力量を示す消費電力量情報、前記電気自動車の車種に固有かつ前記車種に属する前記電気自動車の走行による電力消費に影響する車両情報、および、前記所定区間の道路切片に固有かつ、この道路切片を走行する前記電気自動車の走行による電力消費に影響する道路情報のうち少なくとも１つであることを特徴とする請求項１に記載の消費電力量推定装置。
3. 前記記憶装置は、
   所定の日時における、前記電気自動車の通行箇所における前記電気自動車の走行による電力消費に影響する気象情報をさらに記憶し、
   前記推定手段は、
   前記気象情報を含む、前記記憶装置に記憶される情報、および前記同定手段による同定結果に基づいて、前記電力消費の傾向が類似する電気自動車の走行のための必要電力量を推定することを特徴とする請求項１に記載の消費電力量推定装置。
4. 前記電気自動車は、貸出予約申請に基づく貸出用の自動車であり、
   前記記憶装置は、
   前記貸出予約申請された電気自動車の目的地を示す情報をさらに記憶し、
   前記推定手段は、
   前記目的地を示す情報に基づいて、前記貸出予約申請された電気自動車の走行予定経路と関わる道路切片を推定し、
   前記抽出手段により抽出した、通行車両による電力消費に関わる特性が類似する所定の道路切片グループに属する道路切片を通行する複数の前記電気自動車のそれぞれの前記消費電力量情報に基づいて、前記推定した、前記貸出予約申請された電気自動車の走行予定経路と関わる道路切片を通行する前記貸出予約申請された電気自動車の前記消費電力量情報を取得し、
   前記取得した前記消費電力量情報に基づいて、前記所定の道路切片グループに属する道路切片に関わる前記道路情報を補うためのパラメータを同定することを特徴とする請求項２に記載の消費電力量推定装置。
5. 前記記憶装置は、
   所定の日時における、前記所定区間の道路切片を通行する前記電気自動車の走行による電力消費に影響する交通情報、および前記貸出予約申請された電気自動車の貸出開始日時、貸出終了日時をさらに記憶し、
   前記推定手段は、
   前記貸出開始日時、貸出終了日時、前記交通情報、および前記推定した走行予定経路と関わる道路切片の推定結果に基づいて、前記推定した走行予定経路における渋滞情報を推定し、前記推定した渋滞情報に基づいて、前記所定の道路切片グループに属する道路切片に関わる前記道路情報を補うためのパラメータを同定することを特徴とする請求項４に記載の消費電力量推定装置。

Images