JP6052043B2 - 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１７は、従来技術の一例を説明するための図である。図１７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、参照時系列パターン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。

１つの態様では、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に基づいて、消費電力が所定値以上変化する場合の時点を特定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、データの中から、少なくとも１つの特定された時点が含まれるような、時系列上の所定時点から第１の時間幅だけ前の時点と、所定時点との間の消費電力の時系列的な変化を示す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、抽出したデータに基づいて、所定時点以降の時系列的な変化を示す消費電力を予測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消費電力を予測するタイミングを設定し、設定したタイミング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６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７は、パターンの一例を示す図である。 図８は、参照時系列パターン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１０は、実施例１に係る消費電力予測装置が消費電力を予測するタイミングを設定し、設定したタイミング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、予測実行時刻と、予測実行時刻で予測を行った際の参照時系列パターンの時間幅との一例を示す図である。 図１２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、実施例３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１５は、実施例３に係る予測処理の手順を示すフローチャートである。 図１６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１７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、２４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１４ｄ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１日の０時から２０１２年８月１０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１０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１４ｄにより予測された予測時系列パターンが記録される。

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、特定部１４ｂと、抽出部１４ｃと、予測部１４ｄ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１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１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１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１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１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２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の値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の値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１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１４ｄ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２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２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２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の値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２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、特定部１４ｂは、消費電力の実績値を含むパターン１３ａに基づいて、消費電力が所定値以上変化する場合の時点を特定する。

特定部１４ｂの一態様について説明する。例えば、特定部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の値に対応する時刻における変化点の尺度ｃｈｐｌｄｘ（ｔ）を算出する。例えば、特定部１４ｂは、変化点の尺度ｃｈｐｌｄｘ（ｔ）として、公知技術であるＳＤＡＲ（sequentially discounting AR model estimation）アルゴリズムを用いてＴ−移動平均スコアまたはＴ´−移動平均スコアを算出する。ここで、ＳＤＡＲアルゴリズムを用いたＴ−移動平均スコアまたはＴ´−移動平均スコアを算出する方法については、公知技術であり、例えば、次の文献に記載されている。すなわち、かかる方法については、「竹内純一、山西健二、「忘却型学習アルゴリズムを用いた外れ値検出と変化点検出の統一的扱い」、第５回情報論的学習理論ワークショップ（ＩＢＩＳ２００２）、２００２」に記載されている。ここで、変化点とは、例えば、消費電力の実績値を含む時系列データ上における、消費電力が所定値以上変化する箇所の点である。

例えば、特定部１４ｂは、パターン１３ａに記録された各実績値の外れ値スコアを算出し、算出した各実績値の外れ値スコアのＴ−移動平均スコアを算出する。また、特定部１４ｂは、Ｔ−移動平均スコアの時系列データをｙ_ｔ（ｔ＝１，２，・・・）とし、確率密度関数ｑ_ｔの列（ｑ_ｔ：ｔ＝１，２，・・・）を得る。そして、特定部１４ｂは、ｉの値を（ｔ−Ｔ´＋１）からｔまで増加させた場合の（−ｌｎｑ_ｉ−１（ｙ_ｉ））のＴ´−移動平均スコアを算出する。上述したような方法で、特定部１４ｂは、Ｔ−移動平均スコアまたはＴ´−移動平均スコアを算出する。なお、ＳＤＡＲアルゴリズムでは、ＡＲモデル（回帰モデル）が用いられ、ＡＲモデルは、定常性のあるものに適用できる。そこで、本実施例では、非定常な消費電力の実績値の時系列データの短い範囲をＳＤＡＲアルゴリズムの適用範囲とすることで、消費電力の実績値の時系列データが定常性のあるものとみなして、Ｔ−移動平均スコアまたはＴ´−移動平均スコアを算出する。

そして、特定部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に記録されるたびに、変数ｔの値に対応する時刻における変化点の尺度ｃｈｐｌｄｘ（ｔ）を算出する。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３の例は、上述の記録部１４ａによりパターン１３ａに記録された各時刻における消費電力の実績値２０と、各時刻において特定部１４ｂにより変化点の尺度として算出されたＴ−移動平均スコア２１との一例を示す。また、図３の例に示すグラフの横軸は、時刻を示す。また、図３の例に示すグラフの左側の縦軸は、消費電力の実績値を示す。また、図３の例に示すグラフの右側の縦軸は、Ｔ−移動平均スコアを示す。

続いて、特定部１４ｂは、変数ｔの値に対応する時刻における変化点の尺度ｃｈｐｌｄｘ（ｔ）を算出するたびに、算出したｃｈｐｌｄｘ（ｔ）が、変化点の条件を満たすか否かを判定する。ここで、特定部１４ｂが変化点の尺度ｃｈｐｌｄｘ（ｔ）としてＴ−移動平均スコアを算出した場合について説明する。かかる場合には、特定部１４ｂは、Ｔ−移動平均スコアＳ（ｔ−１）と、Ｔ−移動平均スコアＳ（ｔ）とが次の条件を満たすか否かを判定する。すなわち、特定部１４ｂは、Ｔ−移動平均スコアＳ（ｔ−１）が、所定の閾値α未満であり、かつ、Ｔ−移動平均スコアＳ（ｔ）が、所定の閾値αを超えるか否かを判定する。Ｔ−移動平均スコアＳ（ｔ−１）が、所定の閾値α未満であり、かつ、Ｔ−移動平均スコアＳ（ｔ）が、所定の閾値αを超える場合には、特定部１４ｂは、Ｔ−移動平均スコアＳ（ｔ）が、変化点の条件を満たすと判定する。一方、Ｔ−移動平均スコアＳ（ｔ−１）が、所定の閾値α以上であるか、または、Ｔ−移動平均スコアＳ（ｔ）が、所定の閾値α以下である場合には、特定部１４ｂは、Ｔ−移動平均スコアＳ（ｔ）が、変化点の条件を満たさないと判定する。ここで、Ｔ−移動平均スコアＳ（ｔ−１）は、（ｔ−１）に対応する時刻における変化点の尺度ｃｈｐｌｄｘ（ｔ−１）として算出されたＴ−移動平均スコアを表す。また、Ｔ−移動平均スコアＳ（ｔ）は、ｔに対応する時刻における変化点の尺度ｃｈｐｌｄｘ（ｔ）として算出されたＴ−移動平均スコアを表す。

例えば、図３の例に示す場合において、特定部１４ｂは、Ｔ−移動平均スコアＳ（ｔ−１）が、閾値２２（α＝９）未満であり、かつ、Ｔ−移動平均スコアＳ（ｔ）が、閾値２２を超えるか否かを判定する。Ｔ−移動平均スコアＳ（ｔ−１）が、閾値２２未満であり、かつ、Ｔ−移動平均スコアＳ（ｔ）が、閾値２２を超える場合には、特定部１４ｂは、Ｔ−移動平均スコアＳ（ｔ）が、変化点の条件を満たすと判定する。一方、Ｔ−移動平均スコアＳ（ｔ−１）が、閾値２２以上であるか、または、Ｔ−移動平均スコアＳ（ｔ）が、閾値２２以下である場合には、特定部１４ｂは、Ｔ−移動平均スコアＳ（ｔ）が、変化点の条件を満たさないと判定する。

そして、Ｔ−移動平均スコアＳ（ｔ−１）が、閾値α未満であり、かつ、Ｔ−移動平均スコアＳ（ｔ）が、閾値αを超える場合には、特定部１４ｂは、変数ｔの値に対応する時刻と、変化点を示す情報とを対応付けて制御部１４の内部メモリに記憶する。例えば、Ｔ−移動平均スコアＳ（ｔ−１）が、閾値α未満であり、かつ、Ｔ−移動平均スコアＳ（ｔ）が、閾値αを超える場合には、特定部１４ｂは、変数ｔの値と、変化点を示す情報「１」とを対応付けて制御部１４の内部メモリに記憶する。

図１の説明に戻る。抽出部１４ｃは、パターン１３ａの中から、特定部１４ｂにより特定された少なくとも１つの時点が含まれるような、次のようなデータを抽出する。すなわち、抽出部１４ｃは、変数ｔの値に対応する時刻から第１の時間幅だけ前の時点と、変数ｔの値に対応する時刻との間の消費電力の時系列的な変化を示すデータを抽出する。

抽出部１４ｃの一態様について説明する。例えば、抽出部１４ｃは、上述の特定部１４ｂによりｔに対応する時刻と変化点を示す情報とが対応付けられて制御部１４の内部メモリに記憶されると、まず、変数ｔの値に対応する時刻が、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、抽出部１４ｃは、制御部１４の内部メモリに記憶された変数ｔが取り得る値ごとに設けられた後述する実行フラグのうち、変数ｔの値に対応する実行フラグの値を参照し、次の処理を行う。すなわち、抽出部１４ｃは、変数ｔの値に対応する実行フラグの値が、「１」であるか否かを判定する。抽出部１４ｃは、変数ｔの値に対応する実行フラグの値が、「１」である場合には、変数ｔの値に対応する時刻が、消費電力の予測を実行する時刻であると判定する。また、抽出部１４ｃは、変数ｔの値に対応する実行フラグの値が、「０」である場合には、変数ｔの値に対応する時刻が、消費電力の予測を実行する時刻でないと判定する。これに加えて、抽出部１４ｃは、変数ｔの値に対応する時刻の消費電力の実績値と、変数ｔの値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、抽出部１４ｃは、変数ｔの値に対応する時刻の消費電力の実績値と、変数ｔの値に対応する時刻の予測値との差が所定値以上であるときに、変数ｔの値に対応する時刻が、消費電力の予測を実行する時刻であると判定する。また、抽出部１４ｃは、変数ｔの値に対応する時刻の消費電力の実績値と、変数ｔの値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の値に対応する時刻が、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の値に対応する時刻が、消費電力の予測を実行する時刻である場合には、抽出部１４ｃは、次の処理を行う。すなわち、抽出部１４ｃは、変数ｔの値に対応する時刻と変化点が発生した情報とが対応付けられて記憶された内部メモリの記憶内容を参照し、変数ｔの値に対応する時刻の直前の変化点に対応する時刻を特定する。例えば、変数ｔの値に対応する時刻が「２０１２年７月２６日の１３時」であり、変数ｔの値に対応する時刻の直前の変化点に対応する時刻が「２０１２年７月２６日の８時」である場合には、抽出部１４ｃは、時刻「２０１２年７月２６日の８時」を特定する。

そして、抽出部１４ｃは、特定した時刻よりも所定時間（例えば、２時間や４時間など）前の時刻から、変数ｔの値に対応する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）としてパターン１３ａから抽出する。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４の例は、上述の記録部１４ａによりパターン１３ａに記録された各時刻における消費電力の実績値２５と、各時刻において特定部１４ｂにより算出されたＴ−移動平均スコア２６との一例を示す。図４の例に示すグラフの横軸は、時刻を示す。また、図４の例に示すグラフの左側の縦軸は、消費電力の実績値を示す。また、図４の例に示すグラフの右側の縦軸は、Ｔ−移動平均スコアを示す。また、図４の例に示す破線２７は、変化点に対応する時刻を示す。例えば、図４の例では、破線２７は、変化点に対応する時刻「２０１２年７月２６日の８時」、変化点に対応する時刻「２０１２年７月２７日の２２時」などを示す。

図４の例に示す場合において、抽出部１４ｃは、変数ｔの値が時刻「２０１２年７月２６日の１３時」に対応し、特定した時刻が「２０１２年７月２６日の８時」である場合、抽出部１４ｃは、次の処理を行う。すなわち、抽出部１４ｃは、図４の例に示すように、参照時系列パターンｒｅｆｅｒ（ｔ）２８（矩形２８ａによって囲まれた部分の２０１２年７月２６日の６時から同日１３時までの実績値の時系列データ）を抽出する。また、図４の例に示す場合において、抽出部１４ｃは、変数ｔの値が時刻「２０１２年７月２６日の２０時」に対応し、特定した時刻が「２０１２年７月２６日の８時」である場合、抽出部１４ｃは、次の処理を行う。すなわち、抽出部１４ｃは、図４の例に示すように、参照時系列パターンｒｅｆｅｒ（ｔ）２９（矩形２９ａによって囲まれた部分の２０１２年７月２６日の６時から同日２０時までの実績値の時系列データ）を抽出する。また、図４の例に示す場合において、抽出部１４ｃは、変数ｔの値が時刻「２０１２年７月２８日の４時」に対応し、特定した時刻が「２０１２年７月２７日の２２時」である場合、抽出部１４ｃは、次の処理を行う。すなわち、抽出部１４ｃは、図４の例に示すように、参照時系列パターンｒｅｆｅｒ（ｔ）３０（矩形３０ａによって囲まれた部分の２０１２年７月２７日の２０時から翌日４時までの実績値の時系列データ）を抽出する。このように、抽出部１４ｃは、パターン１３ａから、変化点を含む参照時系列パターンｒｅｆｅｒ（ｔ）を抽出する。

図１の説明に戻り、予測部１４ｄは、抽出した参照時系列パターンｒｅｆｅｒ（ｔ）に基づいて、変数ｔの値に対応する時刻以降の消費電力を予測する。抽出したデータに基づいて、前記所定時点以降の時系列的な変化を示す消費電力を予測する。

予測部１４ｄの一態様について説明する。例えば、予測部１４ｄは、抽出部１４ｃによって参照時系列パターンｒｅｆｅｒ（ｔ）が抽出されると、次の処理を行う。すなわち、予測部１４ｄは、参照時系列パターンｒｅｆｅｒ（ｔ）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）との類似度が最も高い部分時系列データｓｉｍを抽出する。ここで、部分時系列データｓｉｍの時間幅は、参照時系列パターンｒｅｆｅｒ（ｔ）の時間幅と同じである。また、部分時系列データｓｉｍを抽出する際に用いられる類似度の算出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。

そして、予測部１４ｄは、パターン１３ａが示す実績値のデータの中から、抽出した部分時系列データｓｉｍの末尾の時点を起点とする、時間幅がＰ（例えば２４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、予測部１４ｄは、かかる部分時系列データを、変数ｔの値に対応する時刻以降の予測時系列パターンｐｒｅｄとして抽出する。

そして、予測部１４ｄは、抽出した予測時系列パターンｐｒｅｄを、変数ｔの値に対応する時刻以降の予測時系列パターンとしてパターン１３ａに記録する。例えば、予測部１４ｄは、抽出した予測時系列パターンｐｒｅｄの先頭が、変数ｔの値に対応する時刻に位置するように、予測時系列パターンｐｒｅｄを横軸及び縦軸に対して平行移動させてパターン１３ａに記録する。

続いて、予測部１４ｄは、記録された予測時系列パターンｐｒｅｄに含まれる変化点に対応する時刻Ｔを特定する。ここで、時刻Ｔは、予測時系列パターンｐｒｅｄ上の特定部１４ｂによって特定された変化点に対応する時刻に、予測時系列パターンｐｒｅｄが、パターン１３ａに記録される際に、時間を表す横軸の方向を移動した量に対応する時間を足した時刻である。例えば、平行移動前の予測時系列パターンｐｒｅｄ上の変化点に対応する時刻が「２０１２年７月２６日の８時」であり、予測時系列パターンｐｒｅｄが、パターン１３ａに記録される際に、横軸の方向を移動した量が１５時間に対応する場合について説明する。かかる場合には、予測部１４ｄは、「２０１２年７月２６日の８時」の「１５時間」後の時刻Ｔ（＝「２０１２年７月２６日の２３時」）を特定する。また、予測部１４ｄは、記録された予測時系列パターンｐｒｅｄに含まれる変化点のうち、変数ｔの値に対応する時刻から所定時間（例えば、８時間）経過した時刻以降の変化点に対応する時刻Ｔを特定することもできる。

そして、予測部１４ｄは、変数ｔが取り得る値ごとに設けられた実行フラグのうち、時刻Ｔよりも所定時間（例えば、４時間）前の時刻に対応する実行フラグの値を「１」に設定する。このようにして、予測部１４ｄは、次回の消費電力を予測するタイミングを設定する。なお、予測部１４ｄにより「１」が設定される前の実行フラグの値は、「０」である。

そして、予測部１４ｄは、予測時系列パターンが記録されたパターン１３ａを出力する。例えば、予測部１４ｄは、予測時系列パターン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１４ｄ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１４ｄは、変数ｔの値に対応する時刻が、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１４ｄは、変数ｔの値に対応する時刻が、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１４ｄは、変数ｔの値に対応する時刻が、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。

図５は、実施例１に係る消費電力予測装置が消費電力を予測するタイミングを設定し、設定したタイミング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５の例は、消費電力予測装置１０が、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。また、図５の例は、２０１２年８月１日の０時以降に、消費電力予測装置１０が、消費電力を予測するタイミングを設定し、設定したタイミングで、次の予測を行った場合の予測結果を示す。すなわち、図５の例は、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５の例は、２０１２年７月２１日の０時以降の消費電力の実績値を示す。また、図５の例に示すタイミング３１は、予測時系列パターンに含まれる変化点の時刻よりも４時間前に設定された、消費電力を予測するタイミングである。図５の例に示すように、実施例１に係る消費電力予測装置１０によれば、実績値と、予測Ａ〜予測Ｄの各結果が略一致する。また、実施例１に係る消費電力予測装置１０によれば、実績値と、ある予測結果がずれた場合であっても、次の予測によって、実績値と、新たな予測結果とが略一致する。

［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６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６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の値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の値に対応する時刻に対応付けてパターン１３ａに記録する（Ｓ１０３）。

そして、特定部１４ｂは、変数ｔの値に対応する時刻における変化点の尺度ｃｈｐｌｄｘ（ｔ）を算出する（Ｓ１０４）。そして、特定部１４ｂは、算出したｃｈｐｌｄｘ（ｔ）が、変化点の条件を満たすか否かを判定する（Ｓ１０５）。

ｃｈｐｌｄｘ（ｔ）が、変化点の条件を満たす場合（Ｓ１０５；Ｙｅｓ）には、特定部１４ｂは、変数ｔの値に対応する時刻と、変化点を示す情報とを対応付けて制御部１４の内部メモリに記憶し（Ｓ１０６）、Ｓ１０７へ進む。また、ｃｈｐｌｄｘ（ｔ）が、変化点の条件を満たさない場合（Ｓ１０５；Ｎｏ）にも、Ｓ１０７へ進む。

抽出部１４ｃは、変数ｔの値に対応する時刻が、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（Ｓ１０７）。変数ｔの値に対応する時刻が、消費電力の予測を実行する時刻でない場合（Ｓ１０７；Ｎｏ）には、抽出部１４ｃは、Ｓ１１６へ進む。一方、変数ｔの値に対応する時刻が、消費電力の予測を実行する時刻である場合（Ｓ１０７；Ｙｅｓ）には、抽出部１４ｃは、次の処理を行う。すなわち、抽出部１４ｃは、変数ｔの値に対応する時刻と変化点が発生した情報とが対応付けられて記憶された内部メモリの記憶内容を参照し、変数ｔの値に対応する時刻の直前の変化点に対応する時刻を特定する（Ｓ１０８）。

そして、抽出部１４ｃは、特定した時刻よりも所定時間（例えば、２時間や４時間など）前の時刻から、変数ｔの値に対応する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）としてパターン１３ａから抽出する（Ｓ１０９）。

そして、予測部１４ｄは、参照時系列パターンｒｅｆｅｒ（ｔ）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）との類似度が最も高い部分時系列データｓｉｍを抽出する（Ｓ１１０）。続いて、予測部１４ｄは、パターン１３ａが示す実績値のデータの中から、抽出した部分時系列データｓｉｍの末尾の時点を起点とする、時間幅がＰ（例えば２４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、予測部１４ｄは、かかる部分時系列データを、変数ｔの値に対応する時刻以降の予測時系列パターンｐｒｅｄとして抽出する（Ｓ１１１）。

そして、予測部１４ｄは、抽出した予測時系列パターンｐｒｅｄを、変数ｔの値に対応する時刻以降の予測時系列パターンとしてパターン１３ａに記録する（Ｓ１１２）。続いて、予測部１４ｄは、記録された予測時系列パターンｐｒｅｄに含まれる変化点に対応する時刻Ｔを特定する（Ｓ１１３）。

そして、予測部１４ｄは、変数ｔが取り得る値ごとに設けられた実行フラグのうち、時刻Ｔよりも所定時間（例えば、４時間）前の時刻に対応する実行フラグの値を「１」に設定する（Ｓ１１４）。

そして、予測部１４ｄは、予測時系列パターンが記録されたパターン１３ａを出力する（Ｓ１１５）。そして、予測部１４ｄは、消費電力の予測を終了するか否かを判定する（Ｓ１１６）。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（Ｓ１１６；Ｙｅｓ）には、予測部１４ｄは、処理を終了する。また、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（Ｓ１１６；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（Ｓ１１７）。

現在の時刻が、（ｔ＋１）に対応する時刻でない場合（Ｓ１１７；Ｎｏ）には、記録部１４ａは、再び、Ｓ１１７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（Ｓ１１７；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（Ｓ１１８）、Ｓ１０２へ進む。

図７は、パターンの一例を示す図である。図７の例に示すパターン１３ａは、２０１２年９月２０日の０時から２０１２年１０月３日の０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。ここで、図８を参照して、図７に示すパターン１３ａを用いて、従来の技術によって、消費電力を予測した場合の一例を説明する。図８は、参照時系列パターン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８の例は、参照時系列パターンの時間幅を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８の例は、２０１２年１０月３日の０時以降に、８時間間隔で、予測Ｅ、予測Ｆ、予測Ｇ、予測Ｈの順で予測を行い、予測Ｈの次は、予測Ｅに戻って、再び、予測Ｅ、予測Ｆ、予測Ｇ、予測Ｈの順で予測を行った場合の予測結果を示す。また、図８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８の例に示すように、参照時系列パターン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８の例に示すように、参照時系列パターン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。上述したように、従来の技術による予測では、参照時系列パターンに、予測対象時点の直近の時系列の推移の特徴が含まれない場合があるため、予測の精度が良好でない場合がある。

図９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９の例は、消費電力予測装置１０が、図７の例に示すパターン１３ａに記録された各実績値の外れ値スコアを算出し、算出した各実績値の外れ値スコアのＴ−移動平均スコア（Ｔ＝２）を算出した場合の外れスコア、及び、Ｔ−移動平均スコアの一例を示す。また、図９の例は、消費電力予測装置１０が、Ｔ−移動平均スコアの時系列データをｙ_ｔとし、確率密度関数ｑ_ｔの列を得てｉの値を（ｔ−Ｔ´＋１）からｔまで増加させた場合の（−ｌｎｑ_ｉ−１（ｙ_ｉ））のＴ´−移動平均スコアを算出した場合の次の値を示す。すなわち、図９の例は、（−ｌｎｑ_ｔ−１（ｙ_ｔ））、及び、Ｔ´−移動平均スコアの一例を示す。また、図９の例は、消費電力予測装置１０が、Ｔ´−移動平均スコアＳ´（ｔ−１）が、所定の閾値α（α＝１）未満であり、かつ、Ｔ´−移動平均スコアＳ´（ｔ）が、所定の閾値αを超えるか否かを判定した場合の一例を示す。ここで、Ｔ´−移動平均スコアＳ´（ｔ−１）が、所定の閾値α未満であり、かつ、Ｔ´−移動平均スコアＳ´（ｔ）が、所定の閾値αを超える場合には、消費電力予測装置１０は、Ｔ´−移動平均スコアＳ´（ｔ）が、変化点の条件を満たすと判定する。一方、Ｔ´−移動平均スコアＳ´（ｔ−１）が、所定の閾値α以上であるか、または、Ｔ´−移動平均スコアＳ´（ｔ）が、所定の閾値α以下である場合には、消費電力予測装置１０は、Ｔ´−移動平均スコアＳ´（ｔ）が、変化点の条件を満たさないと判定する。ここで、Ｔ´−移動平均スコアＳ´（ｔ−１）は、（ｔ−１）に対応する時刻における変化点の尺度ｃｈｐｌｄｘ（ｔ−１）として算出されたＴ´−移動平均スコアを表す。また、Ｔ´−移動平均スコアＳ´（ｔ）は、ｔに対応する時刻における変化点の尺度ｃｈｐｌｄｘ（ｔ）として算出されたＴ´−移動平均スコアを表す。

ここで、図１０を参照して、消費電力予測装置１０が、図７に示すパターン１３ａを用いて、２０１２年１０月３日の０時以降の消費電力を予測した場合の一例について説明する。図１０は、実施例１に係る消費電力予測装置が消費電力を予測するタイミングを設定し、設定したタイミング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、消費電力予測装置１０が、消費電力を予測するタイミングを設定し、設定したタイミング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を示す。また、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、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。上述したように、消費電力予測装置１０による予測では、参照時系列パターンに、予測対象時点の直近の時系列の推移の特徴を示す変化点が含まれるため、予測の精度が良好となる。

図１１は、予測実行時刻と、予測実行時刻で予測を行った際の参照時系列パターンの時間幅との一例を示す図である。図１１の例は、図１０の例の場合において、予測が実行された時刻と、予測をする際に用いられた参照時系列パターンの時間幅とを示す。図１１の例から、消費電力予測装置１０が、変化点を含むように時間幅を変えて参照時系列パターンを抽出していることが分かる。

上述してきたように、本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に基づいて、消費電力が所定値以上変化する場合の時点を特定する。消費電力予測装置１０は、パターン１３ａの中から、特定した少なくとも１つの時点が含まれるような、次のパターンを抽出する。すなわち、消費電力予測装置１０は、変数ｔの値に対応する時刻からある時間幅だけ前の時点と、変数ｔの値に対応する時刻との間の消費電力の時系列的な変化を示すデータである参照時系列パターンｒｅｆｅｒ（ｔ）を抽出する。消費電力予測装置１０は、抽出した参照時系列パターンｒｅｆｅｒ（ｔ）に基づいて、変数ｔの値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、予測を行うたびに、予測結果の精度が良好となるような、変化点が含まれる参照時系列パターンを抽出し、抽出した参照時系列パターンに基づいて消費電力を予測する。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こともできる。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、抽出した部分時系列データｓｉｍの末尾の時点を起点とし、部分時系列データｓｉｍの末尾以降の直近の変化点を終点とする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、実施例２に係る消費電力予測装置は、かかる部分時系列データを、変数ｔの値に対応する時刻以降の予測時系列パターンｐｒｅｄとして抽出する。したがって、実施例２に係る消費電力予測装置によれば、予測時系列パターンｐｒｅｄに変化点が含まれるので、推移に特徴があるような部分を含む予測時系列パターンを予測することができる。

図１２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、説明を省略する場合がある。

［消費電力予測装置の機能構成］
図１２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の制御部１４に代えて制御部７４を有する。制御部７４は、制御部１４が有する記録部１４ａ、特定部１４ｂ、抽出部１４ｃ、予測部１４ｄに代えて、記録部７４ａ、特定部７４ｂ、抽出部７４ｃ、予測部７４ｄを有する。

記録部７４ａは、記録部１４ａが実行する処理と同一の処理を実行する。特定部７４ｂは、特定部１４ｂが実行する処理と同一の処理を実行する。抽出部７４ｃは、抽出部１４ｃが実行する処理と同一の処理を実行する。

予測部７４ｄが実行する処理と、予測部１４ｄが実行する処理とで異なる処理について説明する。予測部１４ｄは、上述したように、パターン１３ａが示す実績値のデータの中から、抽出した部分時系列データｓｉｍの末尾の時点を起点とする、時間幅がＰ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、予測部１４ｄは、かかる部分時系列データを、変数ｔの値に対応する時刻以降の予測時系列パターンｐｒｅｄとして抽出する。

一方、予測部７４ｄは、抽出した部分時系列データｓｉｍの末尾の時点を起点とし、部分時系列データｓｉｍの末尾以降の直近の変化点を終点とする部分時系列データを、変数ｔの値に対応する時刻以降の予測時系列パターンｐｒｅｄとして抽出する。

［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６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、Ｓ１１０の次のＳ２０１において、予測部７４ｄは、次の処理を行う。すなわち、予測部７４ｄは、部分時系列データｓｉｍの末尾の時点を起点とし、部分時系列データｓｉｍの末尾以降の直近の変化点を終点とする部分時系列データを、変数ｔの値に対応する時刻以降の予測時系列パターンｐｒｅｄとして抽出し、Ｓ１１２へ進む。

上述してきたように、本実施例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に基づいて、消費電力が所定値以上変化する場合の時点を特定する。消費電力予測装置７０は、パターン１３ａの中から、特定した少なくとも１つの時点が含まれるような、次のパターンを抽出する。すなわち、消費電力予測装置７０は、変数ｔの値に対応する時刻からある時間幅だけ前の時点と、変数ｔの値に対応する時刻との間の消費電力の時系列的な変化を示すデータである参照時系列パターンｒｅｆｅｒ（ｔ）を抽出する。消費電力予測装置７０は、抽出した参照時系列パターンｒｅｆｅｒ（ｔ）に基づいて、変数ｔの値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、予測を行うたびに、予測結果の精度が良好となるような、変化点が含まれる参照時系列パターンを抽出し、抽出した参照時系列パターンに基づいて消費電力を予測する。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こともできる。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、抽出した部分時系列データｓｉｍの末尾の時点を起点とし、部分時系列データｓｉｍの末尾以降の直近の変化点を終点とする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、消費電力予測装置７０は、かかる部分時系列データを、変数ｔの値に対応する時刻以降の予測時系列パターンｐｒｅｄとして抽出する。したがって、消費電力予測装置７０によれば、予測時系列パターンｐｒｅｄに変化点が含まれるので、推移に特徴があるような部分を含む予測時系列パターンを予測することができる。

次に、実施例３に係る消費電力予測装置について説明する。実施例３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３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１４は、実施例３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、消費電力予測装置１０及び消費電力予測装置７０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１４の例に示すように、消費電力予測装置８０は、消費電力予測装置１０の制御部１４に代えて制御部８４を有する。制御部８４は、制御部１４が有する記録部１４ａ、特定部１４ｂ、抽出部１４ｃ、予測部１４ｄに代えて、記録部８４ａ、特定部８４ｂ、抽出部８４ｃ、予測部８４ｄを有する。

記録部８４ａは、記録部１４ａが実行する処理と同一の処理を実行する。特定部８４ｂは、特定部１４ｂが実行する処理と同一の処理を実行する。抽出部８４ｃは、抽出部１４ｃが実行する処理と同一の処理を実行する。

予測部８４ｄが実行する処理と、予測部１４ｄが実行する処理とで異なる処理について説明する。予測部１４ｄは、上述したように、参照時系列パターンｒｅｆｅｒ（ｔ）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）との類似度が最も高い部分時系列データｓｉｍを抽出する。続いて、予測部１４ｄは、パターン１３ａが示す実績値のデータの中から、抽出した部分時系列データｓｉｍの末尾の時点を起点とする、時間幅がＰ（例えば２４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、予測部１４ｄは、かかる部分時系列データを、変数ｔの値に対応する時刻以降の予測時系列パターンｐｒｅｄとして抽出する。そして、予測部１４ｄは、抽出した予測時系列パターンｐｒｅｄを、変数ｔの値に対応する時刻以降の予測時系列パターンとしてパターン１３ａに記録する。続いて、予測部１４ｄは、記録された予測時系列パターンｐｒｅｄに含まれる変化点に対応する時刻Ｔを特定する。そして、予測部１４ｄは、変数ｔが取り得る値ごとに設けられた実行フラグのうち、時刻Ｔよりも所定時間（例えば、４時間）前の時刻に対応する実行フラグの値を「１」に設定する。

一方、予測部８４ｄは、参照時系列パターンｒｅｆｅｒ（ｔ）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）との類似度が上位Ｎ個の部分時系列データｓｉｍを抽出する。ここで、Ｎは２以上の自然数である。

続いて、予測部８４ｄは、パターン１３ａが示す実績値のデータの中から、抽出したＮ個の部分時系列データｓｉｍのそれぞれの末尾の時点を起点とする、時間幅がＰ（例えば２４時間）のＮ個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、予測部８４ｄは、かかるＮ個の部分時系列データを、変数ｔの値に対応する時刻以降の予測時系列パターンｐｒｅｄとして抽出する。ここで、予測部８４ｄは、抽出したＮ個の部分時系列データｓｉｍのそれぞれの末尾の時点を起点とし、部分時系列データｓｉｍの末尾以降の直近の変化点を終点とするＮ個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こともできる。すなわち、予測部８４ｄは、変数ｔの値に対応する時刻以降のＮ個の予測時系列パターンｐｒｅｄとして抽出することもできる。

そして、予測部８４ｄは、抽出したＮ個の予測時系列パターンｐｒｅｄを、変数ｔの値に対応する時刻以降の予測時系列パターンとしてパターン１３ａに記録する。続いて、予測部８４ｄは、記録されたＮ個の予測時系列パターンｐｒｅｄに含まれる変化点に対応する時刻Ｔを特定する。そして、予測部８４ｄは、変数ｔが取り得る値ごとに設けられた実行フラグのうち、時刻Ｔよりも所定時間（例えば、４時間）前の時刻に対応する実行フラグの値を「１」に設定する。そして、予測部８４ｄは、Ｎ個の予測時系列パターンｐｒｅｄが分岐する所定時間（例えば、４時間）前の時刻に対応する実行フラグの値を「１」に設定する。例えば、予測部８４ｄは、Ｎ個の予測時系列パターンｐｒｅｄのそれぞれが示す各時刻の消費電力の予測値を用いて、Ｎ個の予測時系列パターンｐｒｅｄについて、予測値がある時刻以降異なる場合に、次の処理を行う。すなわち、予測部８４ｄは、予測値がその時刻以降異なるある時刻よりも所定時間（例えば、４時間）前の時刻に対応する実行フラグの値を「１」に設定する。

［処理の流れ］
次に、本実施例に係る消費電力予測装置８０の処理の流れについて説明する。図１５は、実施例３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３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１５の例に示すフローチャートのステップ（Ｓ）のうち、先の図６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１５に示すように、Ｓ１０９の次のＳ３０１において、予測部８４ｄは、参照時系列パターンｒｅｆｅｒ（ｔ）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）との類似度が上位Ｎ個の部分時系列データｓｉｍを抽出する。

続いて、予測部８４ｄは、パターン１３ａが示す実績値のデータの中から、抽出したＮ個の部分時系列データｓｉｍのそれぞれの末尾の時点を起点とする、Ｎ個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、予測部８４ｄは、かかるＮ個の部分時系列データを、変数ｔの値に対応する時刻以降の予測時系列パターンｐｒｅｄとして抽出する（Ｓ３０２）。

そして、予測部８４ｄは、抽出したＮ個の予測時系列パターンｐｒｅｄを、変数ｔの値に対応する時刻以降の予測時系列パターンとしてパターン１３ａに記録する（Ｓ３０３）。続いて、予測部８４ｄは、記録されたＮ個の予測時系列パターンｐｒｅｄに含まれる変化点に対応する時刻Ｔを特定する（Ｓ３０４）。そして、予測部８４ｄは、変数ｔが取り得る値ごとに設けられた実行フラグのうち、時刻Ｔよりも所定時間（例えば、４時間）前の時刻に対応する実行フラグの値を「１」に設定する（Ｓ３０５）。そして、予測部８４ｄは、予測時系列パターンｐｒｅｄが分岐する所定時間（例えば、４時間）前の時刻に対応する実行フラグの値を「１」に設定し（Ｓ３０６）、Ｓ１１５へ進む。

上述してきたように、本実施例に係る消費電力予測装置８０は、消費電力の実績値を含むパターン１３ａに基づいて、消費電力が所定値以上変化する場合の時点を特定する。消費電力予測装置８０は、パターン１３ａの中から、特定した少なくとも１つの時点が含まれるような、次のパターンを抽出する。すなわち、消費電力予測装置８０は、変数ｔの値に対応する時刻からある時間幅だけ前の時点と、変数ｔの値に対応する時刻との間の消費電力の時系列的な変化を示すデータである参照時系列パターンｒｅｆｅｒ（ｔ）を抽出する。消費電力予測装置８０は、抽出した参照時系列パターンｒｅｆｅｒ（ｔ）に基づいて、変数ｔの値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８０は、予測を行うたびに、予測結果の精度が良好となるような、変化点が含まれる参照時系列パターンを抽出し、抽出した参照時系列パターンに基づいて消費電力を予測する。それゆえ、消費電力予測装置８０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８０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８０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こともできる。したがって、消費電力予測装置８０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８０は、抽出した部分時系列データｓｉｍの末尾の時点を起点とし、部分時系列データｓｉｍの末尾以降の直近の変化点を終点とする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、消費電力予測装置８０は、かかる部分時系列データを、変数ｔの値に対応する時刻以降の予測時系列パターンｐｒｅｄとして抽出する。したがって、消費電力予測装置８０によれば、予測時系列パターンｐｒｅｄに変化点が含まれるので、推移に特徴があるような部分を含む予測時系列パターンを予測することができる。

また、消費電力予測装置８０は、Ｎ個の予測時系列パターンｐｒｅｄについて、予測値がある時刻以降異なる場合に、次の処理を行う。すなわち、消費電力予測装置８０は、予測値がその時刻以降異なるある時刻よりも所定時間（例えば、４時間）前に、消費電力の予測を行う。したがって、消費電力予測装置８０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。

例えば、開示の装置は、公知技術である変化点検知アルゴリズムを用いて、部分空間法に基づいて変化点を検知し、検知した変化点を用いて上述の各実施例における処理と同様の処理を行うこともできる。ここで、変化点検知アルゴリズムについては、例えば、「河原吉伸、矢入健久、町田和雄、「部分空間法に基づく変化点検知アルゴリズム」、人工知能学会論文誌２３（２），７６−８５，２００８年」に記載されている。

また、開示の装置は、特異スペクトル変換に基づいて変化点を検出する公知技術を用いて、変化点を検出し、検出した変化点を用いて上述の各実施例における処理と同様の処理を行うこともできる。ここで、特異スペクトル変換に基づいて変化点を検出する公知技術については、例えば、「井手剛、「行列の圧縮による変化点検出の高速化」、２００６年情報論的学習理論ワークショップ」に記載されている。

また、開示の装置は、確率密度比に基づいて変化点を検出する公知技術を用いて、変化点を検出し、検出した変化点を用いて上述の各実施例における処理と同様の処理を行うこともできる。ここで、確率密度比に基づいて変化点を検出する公知技術については、例えば、「杉山将、「密度比に基づく機械学習の新たなアプローチ」、統計数理、Vol.58, no.2 pp.141-155, 2010」に記載されている。また、かかる公知技術については、「Y. Kawahara 「Change-point detection based on direct density-ratio estimation, Statistical Analysis and Data Mining, Vol.5, No.2, pp.114-127.」にも記載されている。

また、開示の装置は、時系列に確率モデルを与え、確率モデルのパラメータの時間変化を尤度比で評価する方法を用いて変化点を検知し、検知した変化点を用いて上述の各実施例における処理と同様の処理を行うこともできる。ここで、かかる方法は、例えば、「M. Basseville and I. V. Nikiforov. 「Detection of abrupt changes: Theory and application.」 Prentice-Hall, Inc., Upper Saddle River, NJ, USA, 1993」に記載されている。

また、開示の装置は、ベイズ推論を用いて変化点を検出し、検出した変化点を用いて上述の各実施例における処理と同様の処理を行うこともできる。ここで、かかる方法は、例えば、「Ryan Prescott Adams and David J.C. MacKay「Bayesian Online Changepoint Detection」Technical report, University of Cambridge, Cambridge, UK, 2007」に記載されている。

また、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、平日や休日や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、参照時系列パターン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１〜３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。

あるいは、開示の装置は、参照時系列パターンの先頭の時点と部分時系列データｓｉｍ［ｉ］の先頭の時点が平日であるかあるいは休日であるかをチェックする。開示の装置は、参照時系列パターンの先頭の時点が平日であり、部分時系列データｓｉｍ［ｉ］の先頭の時点が休日である場合、及び、参照時系列パターンの先頭の時点が休日であり、部分時系列データｓｉｍ［ｉ］の先頭の時点が平日である場合に次の処理を行う。すなわち、開示の装置は、実施例１〜３において上述した方法で算出した非類似度に、ｒ２を乗じ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、「ｒ２」は所定値である。例えば、「ｒ２」は、１よりも大きい値である。

また、開示の装置は、Ｎ個の予測時系列パターンを抽出した場合に、次の処理を行うこともできる。すなわち、開示の装置は、Ｎ個の予測時系列パターン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、予測時系列パターンの平均値を算出し、グループごとの予測時系列パターン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１０，７０，８０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１６を用いて、上記の各実施例で説明した消費電力予測装置１０，７０，８０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１６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１６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１で示す記録部１４ａ、特定部１４ｂ、抽出部１４ｃ、予測部１４ｄ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２で示す記録部７４ａ、特定部７４ｂ、抽出部７４ｃ、予測部７４ｄ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３で示す記録部８４ａ、特定部８４ｂ、抽出部８４ｃ、予測部８４ｄ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 特定部
１４ｃ 抽出部
１４ｄ 予測部

Claims (8)

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に基づいて、前記消費電力が所定値以上変化する場合の時点を特定し、
   前記データの中から、少なくとも１つの前記特定された時点が含まれるような、時系列上の所定時点から第１の時間幅だけ前の時点と、該所定時点との間の消費電力の時系列的な変化を示すデータを抽出し、
   抽出したデータに基づいて、前記所定時点以降の時系列的な変化を示す消費電力を予測する
   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. 前記コンピュータに、さらに、
   予測された前記時系列的な変化を示す消費電力において、該消費電力が前記所定値以上変化する場合の時点よりも第２の時間幅だけ前の時点を新たに特定し、
   前記測定された消費電力の時系列的な変化を示すデータの中から、少なくとも１つの前記消費電力が前記所定値以上変化する場合の時点が含まれるような、新たに特定された前記時点よりも第３の時間幅だけ前の時点と、該新たに特定された時点との間の消費電力の時系列的な変化を示すデータを新たに抽出し、
   前記新たに抽出したデータに基づいて、前記新たに特定された時点以降の時系列的な変化を示す消費電力を予測する
   処理を実行させ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. 前記消費電力を予測する処理は、前記所定時点以降の時系列的な変化を示す複数の消費電力を予測し、
   前記コンピュータに、さらに、
   予測された複数の消費電力について、該消費電力がある時点以降異なる場合に、該ある時点よりも第２の時間幅だけ前の時点を新たに特定し、
   前記測定された消費電力の時系列的な変化を示すデータの中から、少なくとも１つの前記消費電力が前記所定値以上変化する場合の時点が含まれるような、新たに特定された前記時点よりも第３の時間幅だけ前の時点と、該新たに特定された時点との間の消費電力の時系列的な変化を示すデータを新たに抽出し、
   前記新たに抽出したデータに基づいて、前記新たに特定された時点以降の時系列的な変化を示す消費電力を予測する
   処理を実行させ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。
4. 前記コンピュータに、さらに、
   予測されたある時点の消費電力と、測定された該ある時点の消費電力との差が所定値以上である場合には、前記測定された消費電力の時系列的な変化を示すデータの中から、少なくとも１つの前記消費電力が所定値以上変化する場合の時点が含まれるような、前記ある時点よりも第４の時間幅だけ前の時点と、前記ある時点との間の消費電力の時系列的な変化を示すデータを新たに抽出し、
   前記新たに抽出した、前記ある時点よりも第４の時間幅だけ前の時点と前記ある時点との間の消費電力の時系列的な変化を示すデータに基づいて、前記ある時点以降の時系列的な変化を示す消費電力を予測する
   処理を実行させることを特徴とする請求項１〜３のいずれか１項に記載の消費電力予測プログラム。
5. 前記所定時点以降の時系列的な変化を示す消費電力を予測する処理は、消費電力が前記所定値以上変化する場合の時点を含む前記所定時点以降の消費電力を予測する
   ことを特徴とする請求項１〜４のいずれか１項に記載の消費電力予測プログラム。
6. 前記消費電力が所定値以上変化する場合の時点を特定する処理は、ＳＤＡＲ（sequentially discounting AR model estimation）アルゴリズムを用いて、該時点を特定する
   ことを特徴とする請求項１〜４のいずれか１項に記載の消費電力予測プログラム。
7. 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に基づいて、前記消費電力が所定値以上変化する場合の時点を特定し、
   前記データの中から、少なくとも１つの前記特定された時点が含まれるような、時系列上の所定時点から第１の時間幅だけ前の時点と、該所定時点との間の消費電力の時系列的な変化を示すデータを抽出し、
   抽出したデータに基づいて、前記所定時点以降の時系列的な変化を示す消費電力を予測する
   処理を実行することを特徴とする消費電力予測方法。
8. 測定された消費電力の時系列的な変化を示すデータに基づいて、前記消費電力が所定値以上変化する場合の時点を特定する特定部と、
   前記データの中から、少なくとも１つの前記特定部により特定された時点が含まれるような、時系列上の所定時点から第１の時間幅だけ前の時点と、該所定時点との間の消費電力の時系列的な変化を示すデータを抽出する抽出部と、
   前記抽出部により抽出したデータに基づいて、前記所定時点以降の時系列的な変化を示す消費電力を予測する予測部と、
   を有することを特徴とする消費電力予測装置。

Images