JP6028644B2 - 消費電力予測プログラム、消費電力予測方法及び消費電力予測装置 - Google Patents

Description

本発明は、消費電力予測プログラム、消費電力予測方法及び消費電力予測装置に関する。

消費電力の予測において、予測の対象の日のある時点以降の消費電力の動向、例えば、何時ごろに消費電力がピークを迎え、消費電力のピークのときの消費電力がどのくらいになるかなどを予測する技術がある。なお、以下の説明では、予測の対象の日を、予測対象日と表記する。

上記の技術の一例として、ｋ−近傍法を用いて、過去の消費電力の実績値から消費電力の予測を行う技術がある。この消費電力の予測を行う技術では、予測対象日のある時点から予測を実行する時点までの第一の時間帯における実績値のパターンに対して、予測対象日よりも過去の日の実績値のパターンの中から、第一の時間帯における実績値が類似するパターンを選択する。そして、上記の技術では、選択したパターンから予測を実行する時点以降の消費電力を導き出す。例えば、上記の技術では、第一の時間帯における実績値が類似するパターンを選択し、選択したパターンの予測を実行する時点以降の実績値を抽出して、予測対象日の予測を実行する時点以降の消費電力を導き出す。このようにして、従来の技術では、予測対象日の予測を実行する時点以降の消費電力を予測する。

なお、以下、上述した第一の時間帯における実績値のパターンのことを、参照時系列パターンと称する場合がある。

図１５は、従来技術の一例を説明するための図である。図１５の例に示すように、従来技術は、予測を実行する時点である予測実行時点９０からＰ時間先までの消費電力の時系列パターンを予測する場合には、次のような処理を行う。すなわち、従来技術は、まず、予測実行時点９０から所定時間前、例えば、Ｌ時間前までの計測済みである部分時系列を参照時系列パターン９１とする。そして、従来技術は、計測済みの過去の時系列パターンの中から参照時系列パターン９１と最も類似する部分時系列パターンを検索する。続いて、従来技術は、検索の結果得られた部分時系列パターン９２の末尾の時点９２ａからＰ時間先までの計測済みである部分時系列パターン９３を抽出する。そして、従来技術は、抽出した部分時系列パターン９３を予測実行時点９０からＰ時間先までの消費電力の時系列パターンとして予測する。

特開平７−３０６８４６号公報 国際公開第９７／２５６７６号

「Ｒで学ぶデータサイエンス ５．パターン認識」、２００９年、共立出版、第８章 ｋ−近傍法、８６−９９ページ

しかしながら、上記の従来技術では、予測結果の精度が良好でない場合がある。例えば、参照時系列の時間幅の長さが短くなるほど、計測済みの過去の時系列パターン上で類似する箇所が増大し、過去の時系列パターンから予測対象時点の時系列パターンの推移の特徴に類似する箇所を絞り込んで抽出することが困難になる。また、参照時系列の時間幅の長さが長くなるほど、過去の時系列パターン上の部分時系列と参照時系列との類似度が基準に達せず、類似する部分時系列が得られなくなる場合がある。また、参照時系列の時間幅の長さが長くなるほど、予測対象時点の直近の時系列の推移の特徴にあまり類似していない箇所が抽出されてしまう場合もある。すなわち、消費電力の予測結果の精度が良好となる場合の参照時系列の時間幅の長さは、予測対象時点の直近の時系列の推移の特徴に応じて変化するものであるが、上記の従来技術では、参照時系列の時間幅の長さが一定である。そのため、上記の従来技術では、参照時系列の時間幅の長さが、消費電力の予測結果の精度が良好でない場合の長さとなる場合がある。それゆえ、上記の従来技術では、予測結果の精度が良好でない場合がある。

１つの側面では、本発明は、予測結果の精度の低下を抑制することを目的とする。

本願の開示する消費電力予測プログラムは、コンピュータに、測定された消費電力の時系列的な変化を示すデータのうち、所定の時点から第１の時間幅だけ前の時点と、所定の時点との間の消費電力の時系列的な変化を示すデータと類似する消費電力の時系列的な変化を示すデータであって、第１の時間幅と同じ時間幅を有する第１のデータを抽出する処理を実行させる。消費電力予測プログラムは、コンピュータに、抽出した第１のデータより時間的に前の消費電力の時系列的な変化を示すデータであって、第１のデータの消費電力の時系列的な変化を示すデータと類似する消費電力の時系列的な変化を示すデータであって、第１の時間幅と同じ時間幅を有する第２のデータを抽出する処理を実行させる。消費電力予測プログラムは、コンピュータに、抽出した第２のデータより後の消費電力の時系列的な変化を示す第３のデータを用いて、第１のデータより後の消費電力の時系列的な変化を予測し、予測した変化と、測定された消費電力の時系列的の変化とのずれ量に基づいて、第１のデータより後の測定された消費電力の時系列的な変化を示す第４のデータを用いて所定時間以降の消費電力を予測するか否か制御する処理を実行させる。

予測結果の精度の低下を抑制することができる。

図１は、実施例１に係る消費電力予測装置の機能構成の一例を示す図である。 図２は、パターンの一例を示す図である。 図３は、実施例１に係る消費電力予測装置が実行する処理の一例を説明するための図である。 図４は、実施例１に係る消費電力予測装置が実行する処理の一例を説明するための図である。 図５は、実施例１に係る消費電力予測装置が実行する処理の一例を説明するための図である。 図６は、実施例１に係る消費電力予測装置が実行する処理の一例を説明するための図である。 図７は、選択部により算出された平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）及び最良解ｐｒｅｄ（ｔ，Ｌ）と、変数Ｌが示す時間幅との対応関係の一例を示す図である。 図８は、実施例１に係る予測処理の手順を示すフローチャートである。 図９は、参照時系列データの時間幅を一定として、所定時間間隔で消費電力の予測を行った場合の一例を示す図である。 図１０は、実施例１に係る消費電力予測装置が所定時間間隔で消費電力の予測を行った場合の一例を示す図である。 図１１は、実施例２に係る消費電力予測装置の機能構成の一例を示す図である。 図１２Ａは、実施例２に係る消費電力予測装置が実行する処理の一例を説明するための図である。 図１２Ｂは、実施例２に係る消費電力予測装置が実行する処理の一例を説明するための図である。 図１３は、実施例２に係る予測処理の手順を示すフローチャートである。 図１４は、消費電力予測プログラムを実行するコンピュータを示す図である。 図１５は、従来技術の一例を説明するための図である。

以下に、本願の開示する消費電力予測プログラム、消費電力予測方法および消費電力予測装置の各実施例を図面に基づいて詳細に説明する。なお、各実施例は開示の技術を限定するものではない。

実施例１に係る消費電力予測装置について説明する。図１は、実施例１に係る消費電力予測装置の機能構成の一例を示す図である。

本実施例では、消費電力予測装置１０は、工場や事業所などにおける消費電力の実績値を計測するサーバ（図示しない）から、０時、１時、２時、・・・２３時の消費電力の実績値を取得し、取得した実績値を記憶する。そして、本実施例では、消費電力予測装置１０は、現時点までの消費電力の実績値を含む時系列データを用いて、現時点から所定時間Ｐ後、例えば、１２時間後までの各時刻の消費電力の予測値を算出し、算出した予測値を出力する。ここで、以下の説明では、消費電力の実績値を含む時系列データを、パターンと表記する場合がある。

［消費電力予測装置の機能構成］
図１に示すように、消費電力予測装置１０は、入力部１１と、出力部１２と、記憶部１３と、制御部１４とを有する。

入力部１１は、各種情報を制御部１４に入力する。例えば、入力部１１は、ユーザから、後述の予測処理を実行するための指示を受け付けて、受け付けた指示を制御部１４に入力する。入力部１１のデバイスの一例としては、マウスやキーボードなどのユーザの操作を受け付けるデバイスなどが挙げられる。

出力部１２は、各種の情報を出力する。例えば、出力部１２は、後述の予測部１４ｅの制御により、消費電力の予測値を含む予測パターンを表示する。出力部１２のデバイスの一例としては、液晶ディスプレイなどが挙げられる。

記憶部１３は、各種情報を記憶する。例えば、記憶部１３は、パターン１３ａを記憶する。

パターン１３ａは、工場や事業所などにおける消費電力の実績値を含む時系列データである。図２は、パターンの一例を示す図である。図２の例では、パターン１３ａは、２０１２年７月２４日の０時から２０１２年８月１日の１８時までの各時刻の消費電力の実績値を含む時系列データである。パターン１３ａには、後述の記録部１４ａにより消費電力の実績値が記録される。すなわち、図２の例のパターン１３ａは、記録部１４ａにより、２０１２年８月１日の１８時までの消費電力の実績値が記録された時系列データである。

また、パターン１３ａには、後述の予測部１４ｅにより予測された予測時系列データが記録される。

記憶部１３は、例えば、フラッシュメモリなどの半導体メモリ素子、または、ハードディスク、光ディスクなどの記憶装置である。なお、記憶部１３は、上記の種類の記憶装置に限定されるものではなく、ＲＡＭ（Random Access Memory)、ＲＯＭ（Read Only Memory)であってもよい。

制御部１４は、各種の処理手順を規定したプログラムや制御データを格納するための内部メモリを有し、これらによって種々の処理を実行する。図１に示すように、制御部１４は、記録部１４ａと、第１の抽出部１４ｂと、第２の抽出部１４ｃと、選択部１４ｄと、予測部１４ｅとを有する。

記録部１４ａは、各種の情報を記録する。例えば、記録部１４ａは、０時、１時、・・・、２３時の各時刻の消費電力の実績値をパターン１３ａに記録する。

記録部１４ａの一態様について説明する。例えば、記録部１４ａは、入力部１１から後述の予測処理を実行するための指示が入力された場合に、まず、変数ｔの値を１に設定する。ここで、変数ｔの値は、記録部１４ａによりパターン１３ａに記録された実績値の順番を表す。例えば、２０１２年７月２４日の０時に記録部１４ａによるパターン１３ａへの実績値の記録が開始された場合を例に挙げて説明する。この場合、記録部１４ａにより２０１２年７月２４日の０時に上述したサーバから取得されてパターン１３ａに記録された実績値の順番は、１番目となる。そのため、この場合には、記録部１４ａは、変数ｔに１を設定する。

さらに、変数ｔの値は、時刻にも対応する。例えば、２０１２年７月２４日の０時に記録部１４ａによるパターン１３ａへの実績値の記録が開始された場合を例に挙げて説明する。この場合、変数ｔの値が「１」であるときには、変数ｔは、時刻「２０１２年７月２４日０時」に対応する。また、変数ｔの値が「２４」であるときには、変数ｔは、時刻「２０１２年７月２４日２３時」に対応する。同様に、変数ｔの値が「２５」であるときには、変数ｔは、時刻「２０１２年７月２５日０時」に対応する。

そして、変数ｔの値を１に設定すると、記録部１４ａは、変数ｔに対応する時刻の消費電力の実績値を上述したサーバから取得する。そして、記録部１４ａは、取得した実績値を、変数ｔに対応する時刻に対応付けてパターン１３ａに記録する。例えば、変数ｔの値が「１」である場合に上述したサーバから実績値を取得した場合には、図２の例に示すように、記録部１４ａは、取得した実績値を、変数ｔの値「１」に対応する時刻「２０１２年７月２４日０時」に対応付けてパターン１３ａに記録する。

また、記録部１４ａは、後述する予測部１４ｅにより消費電力の予測を終了しないと判定された場合には、現在の時刻が、変数ｔの値に１を加えた（ｔ＋１）に対応する時刻であるか否かを判定する。例えば、変数ｔの値が「２４」である場合には、変数ｔの値に１を加えた（ｔ＋１）の値は、「２５」となる。このとき、記録部１４ａは、現在の時刻が、変数ｔの値に１を加えた（ｔ＋１）に対応する時刻、すなわち、「２５」に対応する時刻「２０１２年７月２５日０時」であるか否かを判定する。

記録部１４ａは、現在の時刻が、（ｔ＋１）に対応する時刻であると判定するまで、繰り返し、現在の時刻が、（ｔ＋１）に対応する時刻であるか否かを判定する。そして、現在の時刻が、（ｔ＋１）に対応する時刻である場合には、記録部１４ａは、変数ｔの値を１だけインクリメントする。例えば、現在の時刻が、変数ｔの値「２４」に１を加えた「２５」に対応する時刻「２０１２年７月２５日０時」である場合には、記録部１４ａは、変数ｔの値を１だけインクリメントして、変数ｔの値を「２５」に設定する。そして、記録部１４ａは、ｔに対応する時刻の消費電力の実績値を上述したサーバから取得する。例えば、記録部１４ａは、ｔに対応する時刻「２０１２年７月２５日０時」の消費電力の実績値を上述したサーバから取得する。そして、記録部１４ａは、取得した実績値を、変数ｔに対応する時刻に対応付けてパターン１３ａに記録する。例えば、変数ｔの値が「２５」である場合に上述したサーバから実績値を取得したときには、図２の例に示すように、記録部１４ａは、取得した実績値を、変数ｔの値「２５」に対応する時刻「２０１２年７月２５日０時」に対応付けてパターン１３ａに記録する。

図１の説明に戻り、第１の抽出部１４ｂは、消費電力の実績値を含むパターン１３ａから、複数の時間幅ごとに、現時点までの時間幅のデータに類似する過去の同一の時間幅の部分時系列データを抽出する。

第１の抽出部１４ｂの一態様について説明する。例えば、第１の抽出部１４ｂは、上述の記録部１４ａにより実績値と時刻とが対応付けられてパターン１３ａに記録されると、まず、変数ｔに対応する時刻が、消費電力の予測を実行する時刻であるか否かを判定する。具体例を挙げて説明すると、第１の抽出部１４ｂは、変数ｔに対応する時刻が、予測を実行する所定の時刻、例えば、１８時であるか否かを判定する。これに加えて、第１の抽出部１４ｂは、変数ｔに対応する時刻の消費電力の実績値と、変数ｔに対応する時刻の予測値との差が所定値以上であるか否かを判定することもできる。この場合、第１の抽出部１４ｂは、変数ｔに対応する時刻の消費電力の実績値と、変数ｔに対応する時刻の予測値との差が所定値以上である場合に、変数ｔに対応する時刻が、消費電力の予測を実行する時刻であると判定する。また、第１の抽出部１４ｂは、変数ｔに対応する時刻の消費電力の実績値と、変数ｔに対応する時刻の予測値との差が所定値以上でない場合に、変数ｔに対応する時刻が、消費電力の予測を実行する時刻でないと判定する。

変数ｔに対応する時刻が、消費電力の予測を実行する時刻である場合には、第１の抽出部１４ｂは、変数Ｌに、時間幅の最小値、例えば、４を設定する。ここで、変数Ｌについて説明する。変数Ｌは、上述した参照時系列パターンの時間的な長さ、すなわち、時間幅を表す。例えば、変数Ｌの値が「４」である場合には、変数Ｌの値は、参照時系列パターンの先頭から、末尾（予測を実行する時点）までの時間幅「４時間」を示す。

そして、第１の抽出部１４ｂは、変数ｔに対応する時刻から、変数ｔに対応する時刻よりも変数Ｌが示す時間幅分前の時刻までの各時刻の実績値のデータを参照時系列パターンｒｅｆｅｒ（ｔ，Ｌ）として生成する。例えば、参照時系列パターンｒｅｆｅｒを生成する際の変数ｔの値が時刻「２０１２年８月１日１８時」に対応し、変数Ｌの値が４である場合、第１の抽出部１４ｂは、次の処理を行う。すなわち、第１の抽出部１４ｂは、図２の例に示すように、参照時系列パターンｒｅｆｅｒ（ｔ，４）２０を生成する。ここで、参照時系列パターンｒｅｆｅｒ（ｔ，４）２０は、図２の例に示すように、時刻「２０１２年８月１日１４時」の実績値２０ａから時刻「２０１２年８月１日１８時」の実績値２０ｂまでの各実績値のデータである。

続いて、第１の抽出部１４ｂは、参照時系列パターンｒｅｆｅｒ（ｔ，Ｌ）よりも過去の実績値のデータの中から、参照時系列パターンｒｅｆｅｒ（ｔ，Ｌ）との類似度が上位Ｎ個の部分時系列データｓｉｍ［１］、ｓｉｍ［２］、・・・、ｓｉｍ［Ｎ］を抽出する。ここで、部分時系列データｓｉｍ［１］、ｓｉｍ［２］、・・・、ｓｉｍ［Ｎ］のそれぞれの時間幅は、参照時系列パターンｒｅｆｅｒ（ｔ，Ｌ）の時間幅と同じで、「Ｌ」で表される。また、類似度を算出する方法の一例としては、平均絶対パーセント誤差（ＭＡＰＥ）、平均絶対誤差、平均２乗誤差平方根などの方法によって非類似度を算出し、非類似度の逆数を類似度とするなどの方法が挙げられる。ここで、Ｎは任意の自然数である。

そして、第１の抽出部１４ｂは、変数Ｌの値を、時間幅の最大値（例えば、「３６」）まで、所定値（例えば、「４」）ずつインクリメントさせる。また、第１の抽出部１４ｂは、変数Ｌの値を所定値インクリメントさせるたびに、次の処理を行う。すなわち、第１の抽出部１４ｂは、上述した参照時系列パターンｒｅｆｅｒ（ｔ，Ｌ）の生成、及び、上述した参照時系列パターンｒｅｆｅｒ（ｔ，Ｌ）との類似度が上位Ｎ個の部分時系列データｓｉｍ［１］、ｓｉｍ［２］、・・・、ｓｉｍ［Ｎ］の抽出を行う。これにより、第１の抽出部１４ｂは、例えば、変数Ｌに設定される最小値が「４」、最大値が「３６」、インクリメントされる所定値が「４」である場合には、次の処理を行うこととなる。すなわち、第１の抽出部１４ｂは、時間幅が、「４」、「８」、「１２」、・・・、「３６」の９個の参照時系列パターンｒｅｆｅｒ（ｔ，Ｌ）を生成することとなる。また、第１の抽出部１４ｂは、９個の参照時系列パターンｒｅｆｅｒ（ｔ，Ｌ）のそれぞれについて、参照時系列パターンｒｅｆｅｒ（ｔ，Ｌ）との類似度が上位Ｎ個の部分時系列データｓｉｍ［１］、ｓｉｍ［２］、・・・、ｓｉｍ［Ｎ］の抽出を行うこととなる。

図３は、実施例１に係る消費電力予測装置が実行する処理の一例を説明するための図である。例えば、参照時系列パターンｒｅｆｅｒを生成する際の変数ｔの値が時刻「２０１２年８月１日１８時」に対応し、変数Ｌの値が１２である場合、第１の抽出部１４ｂは、次の処理を行う。すなわち、第１の抽出部１４ｂは、図３の例に示すように、参照時系列パターンｒｅｆｅｒ（ｔ，１２）２１を生成する。ここで、参照時系列パターンｒｅｆｅｒ（ｔ，１２）２１は、図３の例に示すように、時刻「２０１２年８月１日６時」の実績値２０ｃから時刻「２０１２年８月１日１８時」の実績値２０ｂまでの各実績値のデータである。そして、第１の抽出部１４ｂは、図３の例に示すように、参照時系列パターンｒｅｆｅｒ（ｔ，１２）２１との類似度が上位３個の部分時系列データｓｉｍ［１］２１ａ、ｓｉｍ［２］２１ｂ、ｓｉｍ［３］２１ｃを抽出する。なお、図３は、Ｎ＝３である場合の例を示す。

図１に戻り、第２の抽出部１４ｃは、第１の抽出部１４ｂにより抽出された部分時系列データｓｉｍ［１］、ｓｉｍ［２］、・・・、ｓｉｍ［Ｎ］ごとに、次の処理を行う。すなわち、第２の抽出部１４ｃは、パターン１３ａから、部分時系列データｓｉｍ［ｉ］に類似する過去の同一の時間幅の部分時系列データを抽出する。

第２の抽出部１４ｃの一態様について説明する。第２の抽出部１４ｃは、第１の抽出部１４ｂにより部分時系列データｓｉｍ［１］、ｓｉｍ［２］、・・・、ｓｉｍ［Ｎ］が抽出されると、まず、変数ｉに「１」を設定する。そして、第２の抽出部１４ｃは、部分時系列データｓｉｍ［ｉ］よりも過去の実績値のデータの中から、部分時系列データｓｉｍ［ｉ］との類似度が最も高い部分時系列データを抽出する。なお、部分時系列データｓｉｍ［ｉ］との類似度が最も高い部分時系列データの時間幅は、部分時系列データｓｉｍ［ｉ］の時間幅と同じで、「Ｌ」で表される。図４は、実施例１に係る消費電力予測装置が実行する処理の一例を説明するための図である。例えば、変数ｉの値が「１」である場合には、図４に示すように、第２の抽出部１４ｃは、部分時系列データｓｉｍ［１］２１ａよりも過去の実績値のデータの中から、部分時系列データｓｉｍ［１］２１ａとの類似度が最も高い部分時系列データ３１ａを抽出する。

そして、第２の抽出部１４ｃは、変数ｉの値を、「Ｎ」まで、１ずつインクリメントさせる。また、第２の抽出部１４ｃは、変数ｉの値を１ずつインクリメントさせるたびに、次の処理を行う。すなわち、第２の抽出部１４ｃは、部分時系列データｓｉｍ［ｉ］よりも過去の実績値のデータの中から、部分時系列データｓｉｍ［ｉ］との類似度が最も高い部分時系列データを抽出する。図５及び図６は、実施例１に係る消費電力予測装置が実行する処理の一例を説明するための図である。例えば、変数ｉの値がインクリメントされて「２」になった場合には、図５の例に示すように、第２の抽出部１４ｃは、次の処理を行う。すなわち、第２の抽出部１４ｃは、部分時系列データｓｉｍ［２］２２ａよりも過去の実績値のデータの中から、部分時系列データｓｉｍ［２］２２ａとの類似度が最も高い部分時系列データ３２ａを抽出する。また、変数ｉの値がインクリメントされて「３」になった場合には、図６の例に示すように、第２の抽出部１４ｃは、次の処理を行う。すなわち、第２の抽出部１４ｃは、部分時系列データｓｉｍ［３］２３ａよりも過去の実績値のデータの中から、部分時系列データｓｉｍ［３］２３ａとの類似度が最も高い部分時系列データ３３ａを抽出する。

図１の説明に戻り、選択部１４ｄは、第２の抽出部１４ｃにより抽出された部分時系列データに基づいて、部分時系列データｓｉｍ［１］、ｓｉｍ［２］、・・・、ｓｉｍ［Ｎ］のそれぞれの末尾以降の消費電力を予測する。そして、選択部１４ｄは、予測した消費電力と部分時系列データｓｉｍ［１］、ｓｉｍ［２］、・・・、ｓｉｍ［Ｎ］のそれぞれの末尾以降の実績値との差分に基づいて、複数の時間幅（例えば、４、８、・・・、３６）の中から１つの時間幅を選択する。

選択部１４ｄの一態様について説明する。例えば、選択部１４ｄは、第２の抽出部１４ｃにより抽出された部分時系列データの末尾の時点を起点とする、時間幅がＰ（例えば１２時間）の部分時系列データを、次のようなデータとして抽出する。すなわち、選択部１４ｄは、かかる部分時系列データを、部分時系列データｓｉｍ［ｉ］の末尾の時点ｓ［ｉ］を起点とする、時間幅が「Ｐ」の予測時系列データｐｒｅｄ（ｓｉｍ［ｉ］，ｓ［ｉ］，Ｐ）として抽出する。

例えば、部分時系列データ３１ａの末尾の時点を起点とする、時間幅がＰである予測時系列データｐｒｅｄ（ｓｉｍ［１］，ｓ［１］，Ｐ）について説明する。選択部１４ｄは、図４の例に示すように、部分時系列データ３１ａの末尾の時点３１ａ＿１を起点とする、時間幅がＰ（例えば１２時間）の部分時系列データ３１ｂを、次のようなデータとして抽出する。すなわち、選択部１４ｄは、かかる部分時系列データ３１ｂを、部分時系列データｓｉｍ［１］２１ａの末尾の時点ｓ［１］２１ａ＿１を起点とする、時間幅がＰの予測時系列データｐｒｅｄ（ｓｉｍ［１］，ｓ［１］，Ｐ）３１ｂとして抽出する。

また、部分時系列データ３２ａの末尾の時点を起点とする、時間幅がＰである予測時系列データｐｒｅｄ（ｓｉｍ［２］，ｓ［２］，Ｐ）について説明する。選択部１４ｄは、図５の例に示すように、部分時系列データ３２ａの末尾の時点３２ａ＿１を起点とする、時間幅がＰ（例えば１２時間）の部分時系列データ３２ｂを、次のようなデータとして抽出する。すなわち、選択部１４ｄは、かかる部分時系列データ３２ｂを、部分時系列データｓｉｍ［２］２２ａの末尾の時点ｓ［２］２２ａ＿１を起点とする、時間幅がＰの予測時系列データｐｒｅｄ（ｓｉｍ［２］，ｓ［２］，Ｐ）３２ｂとして抽出する。

さらに、部分時系列データ３３ａの末尾の時点を起点とする、時間幅がＰである予測時系列データｐｒｅｄ（ｓｉｍ［３］，ｓ［３］，Ｐ）について説明する。選択部１４ｄは、図６の例に示すように、部分時系列データ３３ａの末尾の時点３３ａ＿１を起点とする、時間幅がＰ（例えば１２時間）の部分時系列データ３３ｂを、次のようなデータとして抽出する。すなわち、選択部１４ｄは、かかる部分時系列データ３３ｂを、部分時系列データｓｉｍ［３］２３ａの末尾の時点ｓ［３］２３ａ＿１を起点とする、時間幅がＰの予測時系列データｐｒｅｄ（ｓｉｍ［３］，ｓ［３］，Ｐ）３３ｂとして抽出する。

そして、選択部１４ｄは、パターン１３ａから、部分時系列データｓｉｍ［ｉ］の末尾の時点ｓ［ｉ］を起点とする、時間幅が「Ｐ」の実績値のデータ（実績値データ）ａｃｔ（ｓ［ｉ］，Ｐ）を抽出する。例えば、変数ｉの値が「１」である場合には、図４の例に示すように、選択部１４ｄは、部分時系列データｓｉｍ［１］２１ａの末尾の時点ｓ［１］２１ａ＿１を起点とする、時間幅がＰの実績値データａｃｔ（ｓ［１］，Ｐ）３１ｃを抽出する。また、変数ｉの値が「２」である場合には、図５の例に示すように、選択部１４ｄは、部分時系列データｓｉｍ［２］２２ａの末尾の時点ｓ［２］２２ａ＿１を起点とする、時間幅がＰの実績値データａｃｔ（ｓ［２］，Ｐ）３２ｃを抽出する。また、変数ｉの値が「３」である場合には、図６の例に示すように、選択部１４ｄは、部分時系列データｓｉｍ［３］２３ａの末尾の時点ｓ［３］２３ａ＿１を起点とする、時間幅がＰの実績値データａｃｔ（ｓ［３］，Ｐ）３３ｃを抽出する。

そして、選択部１４ｄは、実績値データａｃｔ（ｓ［ｉ］，Ｐ）に対する予測時系列データｐｒｅｄ（ｓｉｍ［ｉ］，ｓ［ｉ］，Ｐ）の予測精度Ａｃｃｕｒ［ｉ］を算出する。ここで、予測精度Ａｃｃｕｒ［ｉ］の算出方法の一例について説明する。例えば、選択部１４ｄは、下記の式（１）にしたがって、予測精度Ａｃｃｕｒ［ｉ］を算出する。

ただし、ａ（ｋ）は、実績値データａｃｔ（ｓ［ｉ］，Ｐ）における先頭からｋ番目の実績値である。また、Ｐ（ｋ）は、予測時系列データｐｒｅｄ（ｓｉｍ［ｉ］，ｓ［ｉ］，Ｐ）における先頭からｋ番目の実績値である。

上述したような処理を行うことによって、選択部１４ｄは、変数Ｌが示す時間幅ごと（例えば、４、８、・・・、３６ごと）に、Ａｃｃｕｒ［１］〜Ａｃｃｕｒ［Ｎ］のＮ個の予測精度を算出する。そして、選択部１４ｄは、変数Ｌが示す時間幅ごとに、Ａｃｃｕｒ［１］〜Ａｃｃｕｒ［Ｎ］のＮ個の予測精度の平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）を算出する。例えば、Ｌ＝１２、Ｎ＝３であり、Ａｃｃｕｒ［１］＝０．０１２、Ａｃｃｕｒ［２］＝０．０１６、Ａｃｃｕｒ［３］＝０．０２０である場合には、選択部１４ｄは、次の処理を行う。すなわち、選択部１４ｄは、平均値ＡｃｃｕｒＩｄｘ（ｔ，１２）＝０．０１６（（０．０１２＋０．０１６＋０．０２０）／３）を算出する。このようにして、選択部１４ｄは、変数Ｌが示す時間幅ごとに、平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）を算出する。ここで、変数Ｌに設定される数値の個数がＭ個である場合には、時間幅の数もＭ個となる。そして、時間幅の数がＭ個である場合には、選択部１４ｄは、Ｍ個の平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）を算出する。例えば、変数Ｌに設定される数値（４、８、・・・、３６）が９個である場合には、時間幅の数も９となり、選択部１４ｄは、９個の平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）を算出する。以下、時間幅の数がＭ個である場合について説明する。

続いて、選択部１４ｄは、変数Ｌが示す時間幅ごとに、Ａｃｃｕｒ［１］〜Ａｃｃｕｒ［Ｎ］のＮ個の予測精度のうち、最小のＡｃｃｕｒ［ｉ］が算出された際の予測時系列データｐｒｅｄ（ｓｉｍ［ｉ］，ｓ［ｉ］，Ｐ）を用いて次の処理を行う。すなわち、選択部１４ｄは、変数Ｌが示す時間幅ごとに、最小のＡｃｃｕｒ［ｉ］が算出された際の予測時系列データｐｒｅｄ（ｓｉｍ［ｉ］，ｓ［ｉ］，Ｐ）を、変数Ｌが示す時間幅における最良解ｐｒｅｄ（ｔ，Ｌ）として算出する。このようにして、選択部１４ｄは、変数Ｌが示す時間幅ごとに、最良解ｐｒｅｄ（ｔ，Ｌ）を算出する。すなわち、選択部１４ｄは、Ｍ個の最良解ｐｒｅｄ（ｔ，Ｌ）を算出する。

図７は、選択部により算出された平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）及び最良解ｐｒｅｄ（ｔ，Ｌ）と、変数Ｌが示す時間幅との対応関係の一例を示す図である。例えば、図７の例に示す１番目の列は、変数Ｌが示す時間幅が４時間である場合の最良解ｐｒｅｄ（ｔ，Ｌ）がｐｒｅｄ（ｓｉｍ［３］，ｓ［３］，１２）であり、平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）が「０．１１０」であることを示す。他の列についても同様である。

そして、選択部１４ｄは、Ｍ個の平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）のうち、最も値が小さい平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）を選択する。例えば、図７の例に示す平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）及び最良解ｐｒｅｄ（ｔ，Ｌ）を算出した場合には、選択部１４ｄは、最も値が小さい平均値「０．０１６」を選択する。

そして、選択部１４ｄは、選択した平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）に対応する変数Ｌの値をＬｏｐｔとして選択する。例えば、図７の例に示す平均値「０．０１６」を選択した場合には、選択部１４ｄは、平均値ＡｃｃｕｒＩｄｘ（ｔ，１２）に対応する変数Ｌの値「１２」をＬｏｐｔとして選択する。

図１の説明に戻り、予測部１４ｅは、選択部１４ｄにより予測された部分時系列データｓｉｍ［１］、・・・、ｓｉｍ［Ｎ］のそれぞれの末尾以降の消費電力のうち、選択した時間幅に対応する消費電力に基づいて、変数ｔに対応する時刻以降の消費電力を予測する。

予測部１４ｅの一態様について説明する。予測部１４ｅは、選択部１４ｄにより算出された最良解ｐｒｅｄ（ｔ，Ｌ）のうち、最良解ｐｒｅｄ（ｔ，Ｌｏｐｔ）を、変数ｔに対応する時刻以降の予測時系列データとしてパターン１３ａに記録する。ここで、選択部１４ｄにより図７の例に示す平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）及び最良解ｐｒｅｄ（ｔ，Ｌ）が算出された場合を例に挙げて説明する。かかる場合に、変数ｔに対応する時刻が「２０１２年８月１日の１８時」であり、選択部１４ｄにより変数Ｌの値「１２」がＬｏｐｔとして選択されたときには、予測部１４ｅは、次の処理を行う。すなわち、予測部１４ｅは、先の図５に示す最良解ｐｒｅｄ（ｔ，１２）（ｐｒｅｄ（ｓｉｍ［２］，ｓ［２］，１２））３２ｂを、先の図３の例に示すように、「２０１２年８月１日の１８時」以降の予測時系列データとしてパターン１３ａに記録する。

そして、予測部１４ｅは、予測時系列データが記録されたパターン１３ａを出力する。例えば、予測部１４ｅは、予測時系列データが記録されたパターン１３ａを表示するように、表示部１２の表示を制御する。そして、予測部１４ｅは、消費電力の予測を終了するか否かを判定する。例えば、予測部１４ｅは、変数ｔに対応する時刻が、消費電力の予測を終了する所定の時刻であるか否かを判定する。そして、予測部１４ｅは、変数ｔに対応する時刻が、消費電力の予測を終了する所定の時刻である場合には、消費電力の予測を終了すると判定する。また、予測部１４ｅは、変数ｔに対応する時刻が、消費電力の予測を終了する所定の時刻でない場合には、消費電力の予測を終了しないと判定する。

制御部１４は、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）などの回路である。

［処理の流れ］
次に、本実施例に係る消費電力予測装置１０の処理の流れについて説明する。図８は、実施例１に係る予測処理の手順を示すフローチャートである。実施例１に係る予測処理は、例えば、入力部１１から、予測処理を実行するための指示を制御部１４が受け付けたタイミングで、実行される。

図８に示すように、記録部１４ａは、変数ｔの値を１に設定する（Ｓ１０１）。そして、記録部１４ａは、変数ｔに対応する時刻の消費電力の実績値を上述したサーバから取得する（Ｓ１０２）。続いて、記録部１４ａは、取得した実績値を、変数ｔに対応する時刻に対応付けてパターン１３ａに記録する（Ｓ１０３）。

その後、第１の抽出部１４ｂは、変数ｔに対応する時刻が、消費電力の予測を実行する時刻であるか否かを判定する（Ｓ１０４）。変数ｔに対応する時刻が、消費電力の予測を実行する時刻でない場合（Ｓ１０４；Ｎｏ）には、Ｓ１２３へ進む。一方、変数ｔに対応する時刻が、消費電力の予測を実行する時刻である場合（Ｓ１０４；Ｙｅｓ）には、第１の抽出部１４ｂは、変数Ｌに、時間幅の最小値、例えば、４を設定する（Ｓ１０５）。

そして、第１の抽出部１４ｂは、変数ｔに対応する時刻から、変数ｔに対応する時刻よりも変数Ｌが示す時間幅分前の時刻までの各時刻の実績値のデータを、参照時系列パターンｒｅｆｅｒ（ｔ，Ｌ）として生成する（Ｓ１０６）。

続いて、第１の抽出部１４ｂは、参照時系列パターンｒｅｆｅｒ（ｔ，Ｌ）よりも過去の実績値のデータの中から、参照時系列パターンｒｅｆｅｒ（ｔ，Ｌ）との類似度が上位Ｎ個の部分時系列データｓｉｍ［１］〜ｓｉｍ［Ｎ］を抽出する（Ｓ１０７）。

第２の抽出部１４ｃは、変数ｉに「１」を設定する（Ｓ１０８）。そして、第２の抽出部１４ｃは、部分時系列データｓｉｍ［ｉ］よりも過去の実績値のデータの中から、部分時系列データｓｉｍ［ｉ］との類似度が最も高い部分時系列データを抽出する（Ｓ１０９）。

そして、選択部１４ｄは、第２の抽出部１４ｃにより抽出された部分時系列データの末尾の時点を起点とする、時間幅がＰ（例えば１２時間）の部分時系列データを、次のようなデータとして抽出する。すなわち、選択部１４ｄは、かかる部分時系列データを、部分時系列データｓｉｍ［ｉ］の末尾の時点ｓ［ｉ］を起点とする、時間幅が「Ｐ」の予測時系列データｐｒｅｄ（ｓｉｍ［ｉ］，ｓ［ｉ］，Ｐ）として抽出する（Ｓ１１０）。

そして、選択部１４ｄは、パターン１３ａから、部分時系列データｓｉｍ［ｉ］の末尾の時点ｓ［ｉ］を起点とする、時間幅が「Ｐ」の実績値のデータ（実績値データ）ａｃｔ（ｓ［ｉ］，Ｐ）を抽出する（Ｓ１１１）。

そして、選択部１４ｄは、実績値データａｃｔ（ｓ［ｉ］，Ｐ）に対する予測時系列データｐｒｅｄ（ｓｉｍ［ｉ］，ｓ［ｉ］，Ｐ）の予測精度Ａｃｃｕｒ［ｉ］を算出する（Ｓ１１２）。

そして、第２の抽出部１４ｃは、変数ｉの値がＮ以上であるか否かを判定する（Ｓ１１３）。変数ｉの値がＮ以上でない場合（Ｓ１１３；Ｎｏ）には、第２の抽出部１４ｃは、変数ｉの値を１だけインクリメントし（Ｓ１１４）、Ｓ１０９に戻る。

一方、変数ｉの値がＮ以上である場合（Ｓ１１３；Ｙｅｓ）には、選択部１４ｄは、変数Ｌが示す時間幅におけるＡｃｃｕｒ［１］〜Ａｃｃｕｒ［Ｎ］のＮ個の予測精度の平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）を算出する（Ｓ１１５）。そして、選択部１４ｄは、変数Ｌが示す時間幅におけるＡｃｃｕｒ［１］〜Ａｃｃｕｒ［Ｎ］のＮ個の予測精度の中から、次のデータを選択する。すなわち、選択部１４ｄは、Ｎ個の予測精度の中から、最小のＡｃｃｕｒ［ｉ］が算出された際の予測時系列データｐｒｅｄ（ｓｉｍ［ｉ］，ｓ［ｉ］，Ｐ）を選択する。そして、選択部１４ｄは、選択した予測時系列データｐｒｅｄ（ｓｉｍ［ｉ］，ｓ［ｉ］，Ｐ）を、変数Ｌが示す時間幅における最良解ｐｒｅｄ（ｔ，Ｌ）として算出する（Ｓ１１６）。

そして、第１の抽出部１４ｂは、変数Ｌの値が、最大値、例えば、３６以上であるか否かを判定する（Ｓ１１７）。変数Ｌの値が最大値以上でない場合（Ｓ１１７；Ｎｏ）には、第１の抽出部１４ｂは、変数Ｌの値を所定値、例えば、４だけインクリメントし（Ｓ１１８）、Ｓ１０６に戻る。

一方、変数Ｌの値が最大値以上である場合（Ｓ１１７；Ｙｅｓ）には、選択部１４ｄは、Ｍ個の平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）のうち、最も値が小さい平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）を選択する（Ｓ１１９）。

そして、選択部１４ｄは、選択した平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）に対応する変数Ｌの値をＬｏｐｔとして選択する（Ｓ１２０）。そして、予測部１４ｅは、選択部１４ｄにより算出された最良解ｐｒｅｄ（ｔ，Ｌ）のうち、最良解ｐｒｅｄ（ｔ，Ｌｏｐｔ）を、変数ｔに対応する時刻以降の予測時系列データとしてパターン１３ａに記録する（Ｓ１２１）。

そして、予測部１４ｅは、予測時系列データが記録されたパターン１３ａを出力する（Ｓ１２２）。そして、予測部１４ｅは、消費電力の予測を終了するか否かを判定する（Ｓ１２３）。

消費電力の予測を終了する場合（Ｓ１２３；Ｙｅｓ）には、処理を終了する。一方、消費電力の予測を終了しない場合（Ｓ１２３；Ｎｏ）には、記録部１４ａは、現在の時刻が、変数ｔの値に１を加えた（ｔ＋１）に対応する時刻であるか否かを判定する（Ｓ１２４）。

現在の時刻が、（ｔ＋１）に対応する時刻でない場合（Ｓ１２４；Ｎｏ）には、記録部１４ａは、再び、Ｓ１２４での判定を行う。一方、現在の時刻が、（ｔ＋１）に対応する時刻である場合（Ｓ１２４；Ｙｅｓ）には、記録部１４ａは、変数ｔの値を１だけインクリメントし（Ｓ１２５）、Ｓ１０２に戻る。

図９は、参照時系列データの時間幅を一定として、所定時間間隔で消費電力の予測を行った場合の一例を示す図である。図９の例は、参照時系列データの時間幅を１２時間で一定とし、８時間間隔で、予測を行う時点から２４時間先までの消費電力の予測を行った場合の予測値と実績値を示す。図９の例は、２０１２年１０月３日の０時以降に、８時間間隔で、予測Ａ、予測Ｂ、予測Ｃ、予測Ｄの順で予測を行い、予測Ｄの次は、予測Ａに戻って、再び、予測Ａ、予測Ｂ、予測Ｃ、予測Ｄの順で予測を行った場合の予測結果を示す。また、図９の例は、２０１２年の１０月３日の０時以降の消費電力の実績値を示す。図９の例に示すように、参照時系列データの時間幅を一定にした場合には、１０月７日から１０月８日にかけての消費電力の実績値が「４５００」のまま長時間継続されるような工場や事業所の長時間稼働から、実績値が下がる部分の予測の精度が良好でない。同様に、図９の例に示すように、参照時系列データの時間幅を一定にした場合には、１０月１１日から１０月１２日、及び、１０月１４日から１０月１５日にかけての長時間稼働から、実績値が下がる部分の予測の精度が良好でない。

図１０は、実施例１に係る消費電力予測装置が所定時間間隔で消費電力の予測を行った場合の一例を示す図である。図１０の例は、消費電力装置１０が、８時間間隔で、予測を行う時点から２４時間先までの消費電力の予測を行った場合の予測値と実績値を示す。図１０の例は、２０１２年１０月３日の０時以降に、消費電力予測装置１０が、８時間間隔で、予測Ａ、予測Ｂ、予測Ｃ、予測Ｄの順で予測を行い、予測Ｄの次は、予測Ａに戻って、再び、予測Ａ、予測Ｂ、予測Ｃ、予測Ｄの順で予測を行った場合の予測結果を示す。また、図１０の例は、２０１２年の１０月３日の０時以降の消費電力の実績値を示す。図１０の例に示すように、消費電力予測装置１０によれば、１０月７日から１０月８日、１０月１１日から１０月１２日、及び、１０月１４日から１０月１５日にかけての長時間稼働から、実績値が下がる部分の予測の精度が良好となる。

上述してきたように、実施例に係る消費電力予測装置１０は、消費電力の実績値を含むパターン１３ａから、複数の時間幅ごとに、現時点までの時間幅のデータに類似する過去の同一の時間幅の部分時系列データｓｉｍ［１］、・・・、ｓｉｍ［Ｎ］を抽出する。消費電力予測装置１０は、部分時系列データｓｉｍ［１］、・・・、ｓｉｍ［Ｎ］ごとに、パターン１３ａから、部分時系列データに類似する過去の同一の時間幅の部分時系列データを抽出する。消費電力予測装置１０は、抽出された部分時系列データに基づいて、部分時系列データｓｉｍ［１］、ｓｉｍ［２］、・・・、ｓｉｍ［Ｎ］のそれぞれの末尾以降の消費電力を予測する。消費電力予測装置１０は、予測した消費電力と部分時系列データｓｉｍ［１］、・・・、ｓｉｍ［Ｎ］のそれぞれの末尾以降の実績値との差分に基づいて、複数の時間幅（例えば、４、８、・・・、３６）の中から１つの時間幅を選択する。消費電力予測装置１０は、予測された部分時系列データｓｉｍ［１］、・・・、ｓｉｍ［Ｎ］のそれぞれの末尾以降の消費電力のうち、選択した時間幅に対応する消費電力に基づいて、変数ｔに対応する時刻以降の消費電力を予測する。したがって、消費電力予測装置１０は、予測を行う時点における直近の実績値の状況に応じて、予測を行うたびに、参照時系列データの時間幅を選択する。それゆえ、消費電力予測装置１０によれば、予測結果の精度が良好となるような参照時系列データの時間幅を選択することができる。

また、消費電力予測装置１０は、予測精度が良好となるような時間幅の参照時系列データを用いて予測した場合の消費電力を変数ｔに対応する時刻以降の消費電力として予測する。それゆえ、消費電力予測装置１０によれば、予測結果の精度が良好となる。したがって、消費電力予測装置１０によれば、予測結果の精度の低下を抑制することができる。

また、消費電力予測装置１０は、予測された消費電力と現時点の実績値との差が所定値以上となった場合に、消費電力の予測を実行する。したがって、消費電力予測装置１０によれば、予測結果と実績値との差が大きくなることを抑制することができる。

次に、実施例２に係る消費電力予測装置について説明する。実施例２に係る消費電力予測装置は、複数の消費電力が予測された場合に、予測された消費電力が分岐する時点から所定時間前に、消費電力の予測を実行する。したがって、実施例２に係る消費電力予測装置によれば、予測結果と実績値との差が大きくなることを更に抑制することができる。

図１１は、実施例２に係る消費電力予測装置の機能構成の一例を示す図である。ここで、先の図１に示す実施例１に係る消費電力予測装置１０と同様の機能構成については、同一の符号を付し、説明を省略する。

［消費電力予測装置の機能構成］
図１１の例に示すように、消費電力予測装置７０は、消費電力予測装置１０の第１の抽出部１４ｂ、選択部１４ｄ、予測部１４ｅに代えて、第１の抽出部２４ｂ、選択部２４ｄ、予測部２４ｅを有する。

第１の抽出部２４ｂは、実施例１に係る第１の抽出部１４ｂが実行する処理に加えて、下記の処理を実行する。例えば、第１の抽出部２４ｂは、記録部１４ａにより変数ｔの値が１だけインクリメントされるたびに、変数ｔに対応する時刻から所定時間後の（ｔ＋α）に対応する時刻において、予測値が分岐するか否かを判定する。ここで、「α」は、例えば、所定の自然数である。

予測値が分岐する場合には、第１の抽出部２４ｂは、（ｔ＋α−β）に対応する時刻のフラグを「１」に設定する。図１２Ａ及び図１２Ｂは、実施例２に係る消費電力予測装置が実行する処理の一例を説明するための図である。図１２Ａは、消費電力予測装置７０へ電源の投入が開始された直後の変数ｔの値と、フラグに設定された値との対応関係の一例を示す図である。図１２Ａの例に示すように、消費電力予測装置７０へ電源の投入が開始された直後では、各変数ｔの値に対応する各フラグに設定された値は、全て「０」である。なお、図１２Ａの例に示す変数ｔの値とフラグに設定された値とが対応付けられたデータは、記憶部１３または制御部１４の内部メモリに格納される。そして、予測値が分岐する場合には、図１２Ｂの例に示すように、第１の抽出部２４ｂは、（ｔ＋α−β）に対応する時刻のフラグを「１」に設定する。ここで、図１２Ｂの例では、（ｔ＋α−β）＝ｍである。また、βは、αよりも小さい所定の自然数である。

そして、第１の抽出部２４ｂは、記録部１４ａにより実績値と時刻とが対応付けられてパターン１３ａに記録されると、変数ｔに対応する時刻が、消費電力の予測を実行する時刻であるか否かを判定する。具体例を挙げて説明すると、第１の抽出部２４ｂは、実施例１に係る第１の抽出部１４ｂと同様に、変数ｔに対応する時刻が、予測を実行する所定の時刻、例えば、１８時であるか否かを判定する。また、第１の抽出部２４ｂは、実施例１に係る第１の抽出部１４ｂと同様に、変数ｔに対応する時刻の消費電力の実績値と、変数ｔに対応する時刻の予測値との差が所定値以上であるか否かを判定する。これに加えて、第１の抽出部２４ｂは、変数ｔの値に対応するフラグの値が「１」であるか否かを判定する。フラグの値が「１」である場合には、第１の抽出部１４ｂは、変数ｔに対応する時刻が、消費電力の予測を実行する時刻であると判定する。また、第１の抽出部１４ｂは、フラグの値が「１」でない場合には、変数ｔに対応する時刻が、消費電力の予測を実行する時刻でないと判定する。

選択部２４ｄについて説明する。選択部２４ｄが実行する処理は、実施例１に係る選択部１４ｄが実行する処理と比較して、下記の点が異なる。すなわち、選択部１４ｄは、Ｍ個の平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）のうち、最も値が小さい平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）を選択する。そして、選択部１４ｄは、選択した平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）に対応する変数Ｌの値をＬｏｐｔとして選択する。一方、選択部２４ｄは、Ｍ個の平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）のうち、値が小さい方からＫ個の平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）を選択する。ここで、Ｋは、所定の自然数である。そして、選択部２４ｄは、選択したＫ個の平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）のそれぞれに対応するＫ個の変数Ｌの値をＬｏｐｔとして選択する。すなわち、選択部２４ｄは、Ｋ個のＬｏｐｔを選択する。

予測部２４ｅについて説明する。予測部２４ｅが実行する処理は、実施例１に係る予測部１４ｅが実行する処理と比較して、下記の点が異なる。すなわち、予測部１４ｅは、選択部１４ｄにより算出された最良解ｐｒｅｄ（ｔ，Ｌ）のうち、最良解ｐｒｅｄ（ｔ，Ｌｏｐｔ）を、変数ｔに対応する時刻以降の予測時系列データとしてパターン１３ａに記録する。一方、予測部２４ｅは、選択部２４ｄにより算出された最良解ｐｒｅｄ（ｔ，Ｌ）のうち、Ｋ個の最良解ｐｒｅｄ（ｔ，Ｌｏｐｔ）を、変数ｔに対応する時刻以降の予測時系列データとしてパターン１３ａに記録する。

［処理の流れ］
次に、本実施例に係る消費電力予測装置７０の処理の流れについて説明する。図１３は、実施例２に係る予測処理の手順を示すフローチャートである。実施例２に係る予測処理は、例えば、入力部１１から、予測処理を実行するための指示を制御部１４が受け付けたタイミングで、実行される。ここで、図１３の例に示すフローチャートのステップ（Ｓ）のうち、先の図８に示す実施例１に係る予測処理の手順を示すフローチャートのステップと同様のステップについては、同一の符号を付し、説明を省略する場合がある。

図１３に示すように、Ｓ１０４において、第１の抽出部１４ｂは、変数ｔに対応する時刻が、消費電力の予測を実行する時刻であるか否かを判定する（Ｓ１０４）。具体例を挙げて説明すると、第１の抽出部２４ｂは、実施例１に係る第１の抽出部１４ｂと同様に、変数ｔに対応する時刻が、予測を実行する所定の時刻、例えば、１８時であるか否かを判定する。また、第１の抽出部２４ｂは、実施例１に係る第１の抽出部１４ｂと同様に、変数ｔに対応する時刻の消費電力の実績値と、変数ｔに対応する時刻の予測値との差が所定値以上であるか否かを判定する。これに加えて、第１の抽出部２４ｂは、変数ｔの値に対応するフラグの値が「１」であるか否かを判定する。フラグの値が「１」である場合には、第１の抽出部１４ｂは、変数ｔに対応する時刻が、消費電力の予測を実行する時刻であると判定する。また、第１の抽出部１４ｂは、フラグの値が「１」でない場合には、変数ｔに対応する時刻が、消費電力の予測を実行する時刻でないと判定する。

また、変数Ｌの値が最大値以上である場合（Ｓ１１７；Ｙｅｓ）には、選択部２４ｄは、Ｍ個の平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）のうち、値が小さい方からＫ個の平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）を選択する（Ｓ２０１）。そして、選択部２４ｄは、選択したＫ個の平均値ＡｃｃｕｒＩｄｘ（ｔ，Ｌ）のそれぞれに対応するＫ個の変数Ｌの値をＬｏｐｔとして選択する（Ｓ２０２）。そして、予測部２４ｅは、選択部２４ｄにより算出された最良解ｐｒｅｄ（ｔ，Ｌ）のうち、Ｋ個の最良解ｐｒｅｄ（ｔ，Ｌｏｐｔ）を、変数ｔに対応する時刻以降の予測時系列データとしてパターン１３ａに記録し（Ｓ２０３）、Ｓ１２２へ進む。

また、記録部１４ａにより変数ｔの値が１だけインクリメントされると（Ｓ１２５）、第１の抽出部２４ｂは、変数ｔに対応する時刻から所定時間後の（ｔ＋α）に対応する時刻において、予測値が分岐するか否かを判定する（Ｓ２０４）。予測値が分岐しない場合（Ｓ２０４；Ｎｏ）には、Ｓ１０２に戻る。一方、予測値が分岐する場合（Ｓ２０４；Ｙｅｓ）には、第１の抽出部２４ｂは、（ｔ＋α−β）に対応する時刻のフラグを「１」に設定し（Ｓ２０５）、Ｓ１０２に戻る。

上述してきたように、実施例２に係る消費電力予測装置７０は、消費電力の実績値を含むパターン１３ａから、複数の時間幅ごとに、現時点までの時間幅のデータに類似する過去の同一の時間幅の部分時系列データｓｉｍ［１］、・・・、ｓｉｍ［Ｎ］を抽出する。消費電力予測装置７０は、部分時系列データｓｉｍ［１］、・・・、ｓｉｍ［Ｎ］ごとに、パターン１３ａから、部分時系列データに類似する過去の同一の時間幅の部分時系列データを抽出する。消費電力予測装置７０は、抽出された部分時系列データに基づいて、部分時系列データｓｉｍ［１］、ｓｉｍ［２］、・・・、ｓｉｍ［Ｎ］のそれぞれの末尾以降の消費電力を予測する。消費電力予測装置７０は、予測した消費電力と部分時系列データｓｉｍ［１］、・・・、ｓｉｍ［Ｎ］のそれぞれの末尾以降の実績値との差分に基づいて、複数の時間幅（例えば、４、８、・・・、３６）の中から複数の時間幅を選択する。消費電力予測装置７０は、予測された部分時系列データｓｉｍ［１］、・・・、ｓｉｍ［Ｎ］のそれぞれの末尾以降の消費電力のうち、選択した複数の時間幅に対応する消費電力に基づいて、変数ｔに対応する時刻以降の消費電力を予測する。したがって、消費電力予測装置７０は、予測を行う時点における直近の実績値の状況に応じて、予測を行うたびに、参照時系列データの時間幅を選択する。それゆえ、消費電力予測装置７０によれば、予測結果の精度が良好となるような参照時系列データの時間幅を選択することができる。

また、消費電力予測装置７０は、予測精度が良好となるような時間幅の参照時系列データを用いて予測した場合の消費電力を変数ｔに対応する時刻以降の消費電力として予測する。それゆえ、消費電力予測装置７０によれば、予測結果の精度が良好となる。したがって、消費電力予測装置７０によれば、予測結果の精度の低下を抑制することができる。

また、消費電力予測装置７０は、予測された消費電力と現時点の実績値との差が所定値以上となった場合に、消費電力の予測を実行する。したがって、消費電力予測装置７０によれば、予測結果と実績値との差が大きくなることを抑制することができる。

また、消費電力予測装置７０は、複数の消費電力が予測された場合に、予測された消費電力が分岐する時点から所定時間前に、消費電力の予測を実行する。したがって、消費電力予測装置７０によれば、予測結果と実績値との差が大きくなることを更に抑制することができる。

さて、これまで開示の装置に関する各実施例について説明したが、本発明は上述した各実施例以外にも、種々の異なる形態にて実施されてよいものである。そこで、以下では、本発明に含まれる他の実施例を説明する。

例えば、開示の装置は、実績値を、０（低）、１（中）、２（高）のように三段階に量子化した上で上述した予測処理を実行することができる。なお、開示の装置は、三段階に限られず、他の複数段階に実績値を量子化した上で予測処理を実行することもできる。また、開示の装置は、上述した方法で非類似度を算出し、算出した非類似度の逆数を類似度として算出する以外にも、例えば、曜日や時間帯などを更に考慮して類似度を算出することもできる。具体例を挙げて説明する。開示の装置は、非類似度を算出する際に、参照時系列データの先頭の時点の時刻が「ｈｒ」、部分時系列データｓｉｍ［ｉ］の先頭の時点の時刻が「ｈｓ」（ｈｒ，ｈｓ＝０、１、・・・、２３）である場合に、次の処理を行うこともできる。すなわち、開示の装置は、実施例１、２において上述した方法で非類似度を算出し、算出した非類似度に、時間帯項「ｒ＊ｄｉｆｆ（ｈｒ，ｈｓ）」を加えた値を、新たな非類似度とし、新たな非類似度の逆数を類似度として算出することもできる。ここで、「ｒ」は、所定値である。また、｜ｈｒ−ｈｓ｜が１２以下である場合に、ｄｉｆｆ（ｈｒ，ｈｓ）＝｜ｈｒ−ｈｓ｜であり、｜ｈｒ−ｈｓ｜が１２より大きい場合に、ｄｉｆｆ（ｈｒ，ｈｓ）＝２４−｜ｈｒ−ｈｓ｜である。

また、開示の装置は、Ｋ個の最良解ｐｒｅｄ（ｔ，Ｌｏｐｔ）を、変数ｔに対応する時刻以降の予測時系列データとした場合に、次の処理を行うこともできる。すなわち、開示の装置は、Ｋ個の予測時系列データをクラスタリングして複数のグループに分類し、分類したグループごとに、予測時系列データの平均値を算出し、グループごとの予測時系列データの平均値をパターン１３ａに記録することもできる。

また、実施例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともできる。また、本実施例において説明した各処理のうち、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。

また、各種の負荷や使用状況などに応じて、各実施例において説明した各処理の各ステップでの処理を任意に細かくわけたり、あるいはまとめたりすることができる。また、ステップを省略することもできる。

また、各種の負荷や使用状況などに応じて、各実施例において説明した各処理の各ステップでの処理の順番を変更できる。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的状態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

［消費電力予測プログラム］
また、上記の各実施例で説明した消費電力予測装置１０，７０の各種の処理は、あらかじめ用意されたプログラムをパーソナルコンピュータやワークステーションなどのコンピュータシステムで実行することによって実現することもできる。そこで、以下では、図１４を用いて、上記の各実施例で説明した消費電力予測装置１０，７０と同様の機能を有する消費電力予測プログラムを実行するコンピュータの一例を説明する。図１４は、消費電力予測プログラムを実行するコンピュータを示す図である。

図１４に示すように、コンピュータ３００は、ＣＰＵ（Central Processing Unit）３１０、ＲＯＭ（Read Only Memory）３２０、ＨＤＤ（Hard Disk Drive）３３０、ＲＡＭ（Random Access Memory）３４０を有する。これら各機器３１０〜３４０は、バス３５０を介して接続されている。

ＲＯＭ３２０には、ＯＳなどの基本プログラムが記憶されている。また、ＨＤＤ３３０には、上記の実施例で示す記録部１４ａ、第１の抽出部１４ｂ、第２の抽出部１４ｃ、選択部１４ｄ、予測部１４ｅと同様の機能を発揮する消費電力予測プログラム３３０ａが予め記憶される。または、ＨＤＤ３３０には、上記の実施例で示す記録部１４ａ、第１の抽出部２４ｂ、第２の抽出部１４ｃ、選択部２４ｄ、予測部２４ｅと同様の機能を発揮する消費電力予測プログラム３３０ａが予め記憶される。なお、消費電力予測プログラム３３０ａについては、適宜分離しても良い。また、ＨＤＤ３３０には、パターンが設けられる。パターンは、上述したパターン１３ａに対応する。

そして、ＣＰＵ３１０が、消費電力予測プログラム３３０ａをＨＤＤ３３０から読み出して実行する。

そして、ＣＰＵ３１０は、パターンを読み出してＲＡＭ３４０に格納する。さらに、ＣＰＵ３１０は、ＲＡＭ３４０に格納されたパターンを用いて、消費電力予測プログラム３３０ａを実行する。なお、ＲＡＭ３４０に格納されるデータは、常に全てのデータがＲＡＭ３４０に格納されなくともよい。処理に用いられるデータがＲＡＭ３４０に格納されれば良い。

なお、上記した消費電力予測プログラム３３０ａについては、必ずしも最初からＨＤＤ３３０に記憶させておく必要はない。

例えば、コンピュータ３００に挿入されるフレキシブルディスク（ＦＤ）、ＣＤ−ＲＯＭ、ＤＶＤディスク、光磁気ディスク、ＩＣカードなどの「可搬用の物理媒体」に消費電力予測プログラム３３０ａを記憶させておく。そして、コンピュータ３００がこれらから消費電力予測プログラム３３０ａを読み出して実行するようにしてもよい。

さらには、公衆回線、インターネット、ＬＡＮ、ＷＡＮなどを介してコンピュータ３００に接続される「他のコンピュータ（またはサーバ）」などに消費電力予測プログラム３３０ａを記憶させておく。そして、コンピュータ３００がこれらから消費電力予測プログラム３３０ａを読み出して実行するようにしてもよい。

１０ 消費電力予測装置
１１ 入力部
１２ 出力部
１３ 記憶部
１３ａ パターン
１４ 制御部
１４ａ 記録部
１４ｂ 第１の抽出部
１４ｃ 第２の抽出部
１４ｄ 選択部
１４ｅ 予測部

Claims (6)

1. コンピュータに、
   測定された消費電力の時系列的な変化を示すデータのうち、所定の時点から第１の時間幅だけ前の時点と、該所定の時点との間の消費電力の時系列的な変化を示すデータと類似する消費電力の時系列的な変化を示すデータであって、前記第１の時間幅と同じ時間幅を有する第１のデータを抽出し、
   抽出した前記第１のデータより時間的に前の消費電力の時系列的な変化を示すデータであって、前記第１のデータの消費電力の時系列的な変化を示すデータと類似する消費電力の時系列的な変化を示すデータであって、前記第１の時間幅と同じ時間幅を有する第２のデータを抽出し、
   抽出した前記第２のデータより後の消費電力の時系列的な変化を示す第３のデータを用いて、前記第１のデータより後の消費電力の時系列的な変化を予測し、予測した変化と、前記測定された消費電力の時系列的の変化とのずれ量に基づいて、前記第１のデータより後の前記測定された消費電力の時系列的な変化を示す第４のデータを用いて前記所定時間以降の消費電力を予測するか否か制御する、
   処理を実行させることを特徴とする消費電力予測プログラム。
2. 前記第１のデータを抽出する処理は、測定された消費電力の時系列的な変化を示すデータのうち、複数の第１の時間幅ごとに、前記第１のデータを抽出し、
   前記第２のデータを抽出する処理は、前記第１のデータごとに、前記第２のデータを抽出し、
   前記所定時間以降の消費電力を予測するか否か制御する処理は、前記第２のデータごとに、前記第３のデータを用いて、前記第１のデータより後の消費電力の時系列的な変化を予測し、予測した変化と、前記測定された消費電力の時系列的の変化とのずれ量に基づいて、前記複数の第１の時間幅の中から少なくとも１つの時間幅を選択し、選択した時間幅に対応する前記第１のデータより後の前記測定された消費電力の時系列的な変化を示す前記第４のデータを用いて前記所定時間以降の消費電力を予測する
   ことを特徴とする請求項１に記載の消費電力予測プログラム。
3. 前記第１のデータを抽出する処理は、複数の第１の時間幅ごとに前記消費電力が予測されている場合に、予測された消費電力が分岐する時点から所定時間前における前記所定時点において、前記第１のデータを抽出する
   ことを特徴とする請求項１または請求項２に記載の消費電力予測プログラム。
4. 前記第１のデータを抽出する処理は、予測された消費電力と現時点の実績値との差が所定値以上となる前記所定時点において、前記第１のデータを抽出する
   ことを特徴とする請求項１〜請求項３の何れか１項に記載の消費電力予測プログラム。
5. コンピュータが、
   測定された消費電力の時系列的な変化を示すデータのうち、所定の時点から第１の時間幅だけ前の時点と、該所定の時点との間の消費電力の時系列的な変化を示すデータと類似する消費電力の時系列的な変化を示すデータであって、前記第１の時間幅と同じ時間幅を有する第１のデータを抽出し、
   抽出した前記第１のデータより時間的に前の消費電力の時系列的な変化を示すデータであって、前記第１のデータの消費電力の時系列的な変化を示すデータと類似する消費電力の時系列的な変化を示すデータであって、前記第１の時間幅と同じ時間幅を有する第２のデータを抽出し、
   抽出した前記第２のデータより後の消費電力の時系列的な変化を示す第３のデータを用いて、前記第１のデータより後の消費電力の時系列的な変化を予測し、予測した変化と、前記測定された消費電力の時系列的の変化とのずれ量に基づいて、前記第１のデータより後の前記測定された消費電力の時系列的な変化を示す第４のデータを用いて前記所定時間以降の消費電力を予測するか否か制御する、
   処理を実行することを特徴とする消費電力予測方法。
6. 測定された消費電力の時系列的な変化を示すデータのうち、所定の時点から第１の時間幅だけ前の時点と、該所定の時点との間の消費電力の時系列的な変化を示すデータと類似する消費電力の時系列的な変化を示すデータであって、前記第１の時間幅と同じ時間幅を有する第１のデータを抽出する第１の抽出部と、
   前記第１の抽出部により抽出された前記第１のデータより時間的に前の消費電力の時系列的な変化を示すデータであって、前記第１のデータの消費電力の時系列的な変化を示すデータと類似する消費電力の時系列的な変化を示すデータであって、前記第１の時間幅と同じ時間幅を有する第２のデータを抽出する第２の抽出部と、
   前記第２の抽出部により抽出された前記第２のデータより後の消費電力の時系列的な変化を示す第３のデータを用いて、前記第１のデータより後の消費電力の時系列的な変化を予測し、予測した変化と、前記測定された消費電力の時系列的の変化とのずれ量に基づいて、前記第１のデータより後の前記測定された消費電力の時系列的な変化を示す第４のデータを用いて前記所定時間以降の消費電力を予測するか否か制御する制御部と、
   を有することを特徴とする消費電力予測装置。

Images