JP6076242B2 - 配電系統の負荷予測装置および配電系統の負荷予測方法 - Google Patents

Description

本発明は、配電系統の負荷予測装置、および配電系統の負荷予測方法に関し、特に、複数の配電区間がなす配電系統の負荷予測装置、および複数の配電区間がなす配電系統の負荷予測方法に関するものである。

近年、需要家の家電製品などの負荷機器に電力供給を行う配電系統について、当該配電系統の電力負荷を予測する電力負荷予測装置が提案されている。たとえば、特許文献１には、過去の電力負荷実績や気象情報に基づいて、所定の配電区間内の配電系統の電力負荷を予測する電力負荷予測装置が開示されている。特許文献２には、過去の電力負荷実績と負荷機器の機器パラメータ・機器運転パラメータとから、負荷機器の機種別に電力消費量を推測し、新規に導入された新規機器の機器パラメータを入力することで、新規機器導入時の電力負荷シミュレーションを行うことが開示されている。特許文献３には、運転条件毎の消費電力量を履歴として記憶しておき、機器の運転条件を取得して、その運転条件に応じた消費電力量を運転条件毎の消費電力量の履歴から推定することが開示されている。特許文献４には、需要家の使用電力量と個々の機器の稼動状態パターンとから、機器の稼働状態を検出し、この稼働状態から機器の使用傾向を求めることで電力需要を予測することが開示されている。

特開２０１０−１９３６０５号公報 特開２００４−２７２３４０号公報 特開２０１２−４８５０５号公報 特開２０１１−２３２９０３号公報

しかしながら、上記の電力負荷予測装置では、過去の負荷実績を計測した配電区間や需要家について将来の負荷を予測することはできても、それとは別の任意の配電区間や任意の需要家について負荷予測をすることができない。過去に計測した配電区間や需要家であっても、機器普及率および機器利用時刻を考慮した負荷予測を行うことができず、その結果として、電気料金プラン変更などによる機器利用時刻の変更や省エネ機器の普及拡大に伴う将来の負荷の変化を予測できない。

また、消費電力特性の大きく異なる多数のモードを負荷機器が有することが考慮されないので、モードの偏りを反映した負荷予測を行うことができない。特に停電復旧などが行われる場合は通常の場合に対してモードが大きく偏るので、負荷予測の精度が大きく低下する。

さらに、上記の電力負荷予測装置を用いて配電区間の電力負荷を予測するためには、配電区間内に含まれる各需要家の保有する負荷機器の詳細な情報を個々の需要家毎に入手する必要があるが、配電区間の電力負荷を予測したい電力会社などではそのような需要家の詳細な情報を入手することは困難である。このため、配電区間に属する各需要家の負荷を１軒１軒予測して合計することにより配電区間全体の負荷を予測する、という方法は困難である。

具体的には、特許文献１では、過去の負荷実績として負荷機器の機種別に負荷が計測されるものではない。そのため、気象情報による負荷の変化は予測可能であっても、各機種の普及率の変化および各機種の性能の変化に伴う負荷の変化を予測できない。

特許文献２では、負荷機器の運転パラメータが各季節や年間を通して一律となっている。そのため、オフィスビルなどの機器の運転が一律的または計画的である需要家に対しては予測精度がある程度高いと考えられるが、一般家庭のような機器の稼動時刻が日によってばらつくような需要家に対しては精度よく予測できない。

特許文献３では、運転条件毎の消費電力量を履歴として記憶しておき、運転条件が与えられたときに履歴から消費電力量を推定する。このため、履歴を取得した機器固有の消費電力量は予測しやすい。しかし推定結果には、履歴を取得した機器の固有条件が強く反映されてしまう。このため、同種ではあるが固有条件が異なる別の機器の消費電力量を精度よく予測することができない。また仮にこの方法で配電区間の消費電力を予測しようとすると、配電区間内の負荷機器の運転条件を１台ずつ取得することが必要となる。しかしながらそのためには、配電区間内の全機器のネットワーク接続などによる運転条件の取得が必要であり、現時点では実用的でない。

特許文献４では、機器の使用傾向は需要家毎に作成され、配電区間内の全需要家１軒毎にこの使用傾向を求めている。このため、需要家の性質が異なる任意の配電区間の負荷を精度よく予測することができない。また、稼働状態として負荷機器の稼働/非稼働のみを推定しているため、稼働時に負荷機器がどのモードをとっているかが考慮されない。このため消費電力が大きく異なるモードを負荷機器が有する場合に、電力負荷を精度よく予測することが難しい。特に停電復旧時などのようにモードが大きく偏る傾向がある場合、予測精度が大きく低下し得る。

本発明は、上記のような問題点を鑑みてなされたものであり、配電系統の任意の配電区間内の電力負荷を精度よく予測することが可能な技術を提供することを目的とする。

本発明の配電系統の負荷予測装置は、機器に電力供給を行う配電系統の電力負荷を予測するものである。負荷予測装置は、モード別稼働確率モデル記憶部と、モード別消費電力モデル記憶部と、モード別稼働機器数推定部と、モード別消費電力推定部と、負荷合計部とを有する。モード別稼働確率モデル記憶部は機器の各機種についてモード別かつ時刻別に稼働確率モデルを記憶する。モード別消費電力モデル記憶部は機器の各機種についてモード別に消費電力モデルを記憶する。モード別稼働機器数推定部は、配電系統をなす複数の配電区間に含まれる一の配電区間内における機器の機種別の推定機器数と、モード別稼働確率モデル記憶部に記憶された稼働確率モデルとに基づいて、一の配電区間について機種別かつモード別の稼働機器数を推定する。モード別消費電力推定部は、モード別稼働機器数推定部によって推定された稼働機器数と、モード別消費電力モデル記憶部に記憶された消費電力モデルと、に基づいて、機種別かつモード別の消費電力を推定する。負荷合計部は、モード別消費電力推定部によって推定された消費電力を合計することにより、一の配電区間における総消費電力の予測値を計算する。モード別稼働確率モデル記憶部に記憶される稼働確率モデルは、負荷機器の機種組み合わせ別の稼働確率モデルを含む。

本発明の配電系統の負荷予測方法は、機器に電力供給を行う配電系統の電力負荷を予測するものである。負荷予測方法は次のステップを有する。配電系統をなす複数の配電区間に含まれる一の配電区間内における機器の機種別の推定機器数と、モード別稼働確率モデル記憶部に機器の各機種についてモード別かつ時刻別に記憶された稼働確率モデルとに基づいて、モード別稼働機器数推定部が一の配電区間について機種別かつモード別の稼働機器数を推定する。モード別稼働機器数推定部によって推定された稼働機器数と、モード別消費電力モデル記憶部に機器の各機種についてモード別に記憶された消費電力モデルとに基づいて、モード別消費電力推定部が機種別かつモード別の消費電力を推定する。モード別消費電力推定部によって推定された消費電力を合計することにより、負荷合計部が一の配電区間における総消費電力の予測値を計算する。モード別稼働確率モデル記憶部に記憶される稼働確率モデルは、負荷機器の機種組み合わせ別の稼働確率モデルを含む。

本発明によれば、配電系統の任意の配電区間内の負荷機器の総消費電力が、負荷機器の機種およびモードへの依存性を考慮しつつ予測される。これにより配電系統の任意の配電区間内の電力負荷を精度よく予測することができる。

本発明の実施の形態１における負荷予測装置の構成を概略的に示すブロック図である。 図１におけるモード別稼働確率モデル記憶部に記憶される稼働確率モデルの一例を示すグラフ図である。 図１におけるモード別稼働確率モデル記憶部に記憶される稼働確率モデルが有する確率分布の一例を示すグラフ図である。 図１におけるモード別稼働確率モデル記憶部に記憶される稼働確率モデルにおける補正関数の一例を示すグラフ図である。 負荷機器の機種が冷蔵庫の場合におけるモード別の消費電力の一例を示す図である。 図１におけるモード別稼働確率モデル記憶部に記憶される稼働確率モデルの一例を示すグラフ図である。 図１におけるモード別稼働確率モデル記憶部に記憶される稼働確率モデルにおける補正関数の一例を示すグラフ図である。 図１におけるモード別消費電力モデル記憶部に記憶される消費電力モデルの一例を示すグラフ図である。 図１におけるモード別消費電力モデル記憶部に記憶される消費電力モデルの一例を示すグラフ図である。 図１におけるモード別消費電力モデル記憶部に記憶される消費電力モデルの一例を示すグラフ図である。 図１における負荷合計部での、モード別消費電力の合計結果の一例を示す図である。 図１における負荷合計部での、全機種の消費電力の合計結果の一例を示す図である。 図１における負荷合計部での計算結果の一例を示す図である。 本発明の実施の形態１における負荷予測方法の構成を概略的に示すフロー図である。 本発明の実施の形態２における負荷予測装置の構成を概略的に示すブロック図である。 冷房時のエアコンの稼働電力の一例を示す図である。 実施の形態２におけるモード確率モデル記憶部に記憶されるモード確率モデルの一例を示すグラフ図である。 実施の形態１と実施の形態２とのモード別稼働確率モデルの差異を示す模式図である。 本発明の実施の形態３における負荷予測装置の構成を概略的に示すブロック図である。 本発明の実施の形態３の変形例１における負荷予測装置の構成の一部を概略的に示すブロック図である。 本発明の実施の形態３の変形例２における負荷予測装置の構成を概略的に示すブロック図である。 本発明の実施の形態４における負荷予測装置の構成を概略的に示すブロック図である。 負荷機器の稼働電力のヒストグラムの一例を示すグラフ図である。 本発明の実施の形態５における負荷予測装置の構成を概略的に示すブロック図である。 図２４のモード別機種組み合わせ別稼働確率モデル記憶部に記憶されるモデルの一例を示すグラフ図である。 図２４のモード別機種組み合わせ別稼働確率モデル記憶部に記憶されるモデルの一例を示すグラフ図である。 本発明の実施の形態６における負荷予測装置の構成を概略的に示すブロック図である。 ２つの異なるモードを有する食器洗い機の稼働電力の一例を示す図である。 図２８の各モードを食器洗い機がとる確率の、起動からの経過時間への依存性の一例を示すグラフ図である。 図２７における、通常時を想定した機種別稼働確率モデル（破線）と、停電復旧を想定して起動依存補正モデルによって補正されたもの（実線）との一例を示すグラフ図である。 本発明の実施の形態６の変形例における負荷予測装置の構成を概略的に示すブロック図である。 エアコンの稼働電力の、起動からの経過時間依存性の一例を示すグラフ図である。 図３１のモード別消費電力の起動関連時間依存モデルの一例（実線）と、その変形例（破線）とを示すグラフ図である。

以下、図面に基づいて本発明の実施の形態について説明する。なお、以下の図面において同一または相当する部分には同一の参照番号を付しその説明は繰返さない。

＜実施の形態１＞
（全体構成について）
図１は、本発明の実施の形態１における負荷予測装置９０１の構成を概略的に示す。負荷予測装置９０１は、複数の配電区間を有し負荷機器に電力供給を行う配電系統の電力負荷を予測するものである。電力負荷の予測は、後述するように、配電系統のおける任意の配電区間に対して可能である。電力供給が行われる負荷機器は、たとえば、ＩＨ(Induction Heating)クッキングヒータ、食器洗い機、給湯機、リビングコンセント、エアコンなどである。なお以下において、これら各機種を「機種ｎ」と総称することもあり、また数式において「ｎ」で表すことがある。また、任意の同一配電区間から電力供給を受ける負荷機器を「同一配電区間機器」と呼ぶことがある。

負荷予測装置９０１は、情報記憶部１０１と、制御部２０１と、入力部３００と、出力部４００とを有する。情報記憶部１０１は、機種別推定機器数記憶部１１０と、モード別稼働確率モデル記憶部１２０と、モード別消費電力モデル記憶部１３０とを有する。制御部２０１は、モード別稼働機器数推定部２２０と、モード別消費電力推定部２３０と、負荷合計部２４０とを有する。

情報記憶部１０１は、たとえば、ＲＡＭ、ＲＯＭおよびハードディスクの少なくともいずれかから構成されている。制御部２０１は、たとえば、ＣＰＵなどから構成されている。入力部３００は、たとえば、キーボードなどから構成されている。出力部４００は、たとえば、ディスプレイなどから構成されている。このようなハードウェア構成は、他の実施の形態においても同様である。

（機種別推定機器数記憶部１１０について）
機種別推定機器数記憶部１１０は、予測の対象となる配電区間における負荷機器の機種別の台数またはその推定台数の情報を記憶するためのものである。この情報は、負荷予測装置９０１が使用される際に情報記憶部１０１に格納されてもよく、あるいは情報記憶部１０１にあらかじめ記憶されていてもよい。

前者の場合、台数の情報は入力部３００によって受け付けられてもよく、たとえば、ユーザにより手入力されてもよい。台数の情報そのものの代わりに、これに対応する情報が用いられてもよい。台数の情報は、たとえば、同一配電区間内の需要家数と機種別の普及率とを乗じることにより求められ得る。普及率はアンケートや統計調査などに基づいて見積もることができる。

後者の場合には、負荷機器の機種別の台数の情報が複数の配電区間について記憶されていてもよい。この場合、負荷予測装置９０１が使用される際に、予測の対象となる配電区間の指定が入力部３００によって受け付けられてもよい。

（モード別稼働確率モデル記憶部１２０について）
図２は、モード別稼働確率モデル記憶部１２０に記憶される稼働確率モデルの一例を示す。モード別稼働確率モデル記憶部１２０は負荷機器の各機種についてモード別かつ時刻別に稼働確率モデルを記憶する。稼働確率モデルは、負荷機器の稼働確率（稼動割合）を、機種別および時刻別に示すモデルである。図２に示す例では、稼働確率モデルとして、時刻ｔのときに機種ｎがモードｋで起動（稼動）している確率（割合）（％）を示す確率式である関数ｆ_{n, k}（ｔ）が適用されている。関数ｆ_{n, k}（ｔ）には、たとえばｍ次式などの近似式が用いられる。なお「モード」の詳細については後述する。

なお、モード別稼働確率モデル記憶部１２０には、図２に示すような関数（式）に限ったものではなく、たとえば、稼働確率（稼動割合）と時刻とが対応付けられた表（図示しない）が適用されてもよい。また、モード別稼働確率モデル記憶部１２０に適用される関数（式）や表は、ユーザにより手入力されて上述の記憶部に記憶されたものであってもよいし、他システムが自動生成するものであってもよい。

以上のようなモード別稼働確率モデル記憶部１２０により、ＩＨクッキングヒータや食器洗い機の稼働確率のように、生活パターンによって異なる負荷機器の稼働確率（稼動割合）を、機種別および時刻別に表現することが可能となる。そして、平日昼間に稼働されないことが多い場合にはモード別稼働確率モデル記憶部１２０の昼間の稼働確率を下げる、あるいは、料金プラン設定やタイマー付き機器（食器洗い機）の普及が高くなった場合にはその稼働確率モデルの稼働確率のピークを夜中にシフトさせるなど、機種別および時刻別の稼働確率を適宜変更するシミュレーションを実施することが可能となる。

なおモデルの変更および入力の少なくともいずれかにはグラフィカルユーザインターフェース（ＧＵＩ）が用いられてもよい。たとえば、現在入力されている関数（式）や表の内容が出力部４００にグラフで表示され、入力部３００のマウスが受け付けるユーザのドラッグアンドドロップ操作などで稼働確率が部分的に変更されてもよい。その際、特定の１つの時間を選択して数値を移動させた場合に、グラフの滑らかさが保たれるように、時間的に近い周囲の数値が自動で調整されるような補間がなされてもよい。この補間は、グラフの凸および凹を利用することで、グラフが凹凸単位で滑らかに変化するようになされてもよい。たとえば、時刻ｔ₁の点を選択し、数値を少し下げた場合、山の頂点(ｔ₁,ｆ_{n, k}(ｔ₁))のみの数値が下がることで山の頂点に凹みができるのではなく、ｆ１_{n, k}(ｔ)のように(ｔ₁,ｆ_{n, k}(ｔ₁))を頂点とする山の高さが全体的になだらかに下がる。また、夕方の時間帯の山の頂点であるピーク時刻を選択し、遅い時間にシフトした例をｆ２_{n, k}(ｔ)に示す。グラフの上方に凸である頂点を選択して操作するだけでなく、グラフの下方に凸部分の頂点を選択して操作してもよい。また、グラフ全体や部分を指定して、上下に並行移動させたり、各時刻で元の値からｘ％増加・減少させたりするなどの操作をしてもよく、上方または下方に凸の頂点の増減をさせてもよい。その際、１００％を超える変形がなされた場合には１００％以下になるように、０％を下回る変形がなされた場合には０％以上となるような補正が行われる。以上、マウスのドラッグアンドドロップ操作によりグラフの凸または凹グラフを変更することで稼働確率モデルを変更する例を示したが、マウスのドラッグアンドドロップ操作ではなく、変更したいグラフの部分を選択（選択の際、自動でグラフを凹凸で領域分割し、選択できるようにしてもよい）し、頂点の追加（頂点時刻と値を指定）や、ピーク値の変更（ピーク値を指定）、ピーク時刻の変更（時刻を指定）、上下に並行移動させる（並行移動値を指定）、各時刻で元の値からｘ％増加・減少させる、などのメニューを選択してもよい。ＧＵＩにより、直感的に容易に確率モデルを変更することができる。特に、グラフの凸または凹部分を考慮した変形を行うことで、ピークを考慮したシミュレーションが容易となる。

図２における稼働確率モデルは各時刻における機種ｎが稼働している確率の平均値であるが、稼働確率モデルは、平均値のような時刻毎に単一の値ではなく、確率分布を有するものであってもよい。図３は、機種ｎの時刻ｔ₁における起動確率ｆ_{n, k}（ｔ₁）の確率分布が標準偏差σ_nの正規分布である例を示している。モード別稼働確率モデル記憶部１２０が稼働確率モデルをこのような確率分布で持つことにより、たとえば２×σ_nを誤差（所定誤差）として見積もって、稼働確率を平均値からその誤差（２×σ_n）だけ増加方向に変更するといったことが可能となる（図２の２点鎖線のグラフｆ_{n, k}（ｔ）＋２σｎを参照）。所定誤差は入力部３００によってユーザから受け付けられてもよい。

なお、以上の説明では、稼働確率の誤差（所定誤差）は２×σ_nであり、機種ｎ毎に設定されるものの、時刻に関しては一定であった。しかし、起動確率の誤差（所定誤差）は、これに限ったものではなく、たとえばσ_n（ｔ）のように時刻ｔおよび機種ｎ毎に設定されてもよい。また、機種ｎの起動確率の誤差（所定誤差）は、増加方向の誤差（たとえば標準偏差σ_n+）と減少方向の誤差（たとえば標準偏差σ_n-）とに分けて設定されてもよい。さらに、機種ｎの起動確率の誤差（所定誤差）は、関数（式）の形式であってもよいし、表の形式であってもよい。また、誤差（所定誤差）に適用される関数（式）や表は、ユーザにより手入力されて上述の記憶部に記憶されたものであってもよいし、他システムが自動生成するものであってもよい。

モード別稼働確率モデル記憶部１２０に記憶される稼働確率モデルは気温や季節毎に異なるモデルを記憶してもよい。具体的には、モード別稼働確率モデル記憶部１２０にさらに補正モデルが記憶されてもよい。たとえば、図４に示すような、気温Ｔをパラメータとする補正比率を示す補正関数Ｃ１_ｎ（Ｔ）を図２の稼働確率ｆ_{n, k}(ｔ)に乗じることにより、稼働確率モデルが補正される。すなわち、稼働確率ｆ_{n, k}（ｔ，Ｔ）が、次式のように求められる。

ｆ_{n, k}（ｔ，Ｔ） ＝ ｆ_{n, k}（ｔ） × Ｃ１_ｎ（Ｔ）
ただしｆ_{n, k}（ｔ，Ｔ）＞１００％のときはｆ_{n, k}（ｔ，Ｔ）＝１００％とみなす。以下においても同様である。

なおここでは、補正関数の一例として、乗算によって稼働確率モデル（関数ｆ_{n, k}（ｔ））を補正する補正関数Ｃ１_ｎ（Ｔ）を説明したが、補正関数はこれに限ったものではない。次式に示すように、加算によって起動確率モデル（関数ｆ_{n, k}（ｔ））を補正する補正関数Ｃ２_ｎ（Ｔ）が適用されてもよい。

ｆ_{n, k}（ｔ，Ｔ） ＝ ｆ_{n, k}（ｔ） ＋ Ｃ２_ｎ（Ｔ）
ただしｆ_{n, k}（ｔ，Ｔ）＜０％のときはｆ_{n, k}（ｔ，Ｔ）＝０％とみなす。以下においても同様である。

また、以上では、補正関数として、気温Ｔをパラメータとする関数Ｃ１_ｎ（Ｔ）またはＣ２_ｎ（Ｔ）を適用する構成について説明したが、補正関数はこれに限ったものではない。たとえば、さらに時刻ｔへの依存性を有する補正関数Ｃ１_ｎ（ｔ，Ｔ）またはＣ２_ｎ（ｔ，Ｔ）が適用されてもよい。

ｆ_{n, k}（ｔ，Ｔ） ＝ ｆ_{n, k}（ｔ） × Ｃ１_ｎ（ｔ，Ｔ）
ｆ_{n, k}（ｔ，Ｔ） ＝ ｆ_{n, k}（ｔ） ＋ Ｃ２_ｎ（ｔ，Ｔ）

また、稼働確率モデルおよび補正関数は、上述したように関数（式）によって規定されるものに限定されるわけではない。たとえば、稼働確率モデルとして、稼働確率と時刻とが対応付けられた表が適用されてもよく、また、補正値と気温とが対応付けられた表（あるいは補正値と気温と時刻とが対応付けられた表）が適応されてもよい。また、稼働確率モデルを稼働確率と補正関数とで表してもよいし、起動確率および補正関数の関数や表を計算・展開してｆ_{n, k}（ｔ，Ｔ）の形式で表してもよい。

また、補正モデルに適用される関数や表は、ユーザにより手入力されて上述の記憶部に記憶されたものであってもよいし、他システムが自動生成するものであってもよい。

上述したように、モード別稼働確率モデル記憶部１２０では、上記の機種別時刻別の稼働確率モデルｆ_{n, k}（ｔ）を機種ｎが保有するモードｋ毎に持つ。ここでモードとは、各機種における稼働状態の基本的な種類に対応するものである。たとえば、ヒートポンプ式給湯器における凍結防止モード・通常運転モード、食器洗い機における間欠運転モード・連続運転モード、およびエアコンにおけるパワフルモード・除湿モード・加湿モード・冷房モード・暖房モード、冷蔵庫における高電力モード・低電力モードなどがある。図５を参照して、冷蔵庫について具体的に説明すると、定期的に高電力運転（モード１）と低電力運転（モード２）とが繰り返されている。図中、閾値Ｐ_Thはモードｍ１およびｍ２を区別するための指標となる電力の値である。

同機種同時刻のモード別稼働確率の合計が１００％を超えることはない。すなわち、ある時刻ｔ₁について

が満たされる。なお

は、機種ｎおよびモードｋのすべての組み合わせについての和を表す。

図６は、ヒートポンプ式給湯器のモードｋとして２つのモードｍ１およびｍ２（ｍ１＝通常運転モード、ｍ２＝凍結防止モード）が存在する場合の稼働確率の例である。ヒートポンプ式給湯器は夜間の電気料金の安い時間帯にその通常運転が行われるよう設計されている。よってモードｍ１（通常運転モード）の稼働確率は時刻ｔに依存し、その稼働確率はｆ_{n, m1}(ｔ)となる。またヒートポンプ式給湯器は寒冷地での凍結防止に備え、外気温が一定温度以下になると、凍結防止のために夜間時間帯か否かに関わらず一定時間間隔をあけてモードｍ２（凍結防止モード）で稼働する。このモードｍ２での稼働確率をｆ_{n, m2}(ｔ)とする。モードｍ１はお湯を沸かすための稼働であり、モードｍ２は凍結防止のための稼働であるため、モードｍ１とモードｍ２とでは稼働時の消費電力は異なる。時刻ｔ₁におけるモード別稼働確率は、それぞれ、モードｍ１の稼働確率＝ｆ_{n, m1}（ｔ₁）、モードｍ２の稼働確率＝ｆ_{n, m2}（ｔ₁）となり、ｆ_{n, m1}（ｔ₁）＋ｆ_{n, m2}（ｔ₁）≦１００％である。

また、モードｍ１およびｍ２の両方とも外気温Ｔによって稼働条件が異なるため、気温による補正を行ってもよい。その際、気温による補正関数は、モード毎に異なる補正関数を用いてもよいし、時刻毎に異なる補正関数を用いてもよい。図６においては、モードｍ１の稼働確率ｆ_{n, m1}（ｔ）を気温Ｔ２で補正した稼働確率ｆ_{n, m1}（ｔ，Ｔ２）の例を示す。ｆ_{n, m1}（ｔ１）の気温をＴ₀とすると、Ｔ₀＜Ｔ₁≦Ｔ₂である気温Ｔ₁の稼働確率は、下記式のように線形補間で求めてもよい。

｛（Ｔ₂−Ｔ₁）×ｆ_{n, m1}（ｔ）＋（Ｔ₁−Ｔ₀）×ｆ_{n, m1}（ｔ，Ｔ₂）｝／（Ｔ₂−Ｔ₀）

モードｍ１は通常運転モードのため、稼働確率は外気温に応じて滑らかに変化する。

また、モードｍ２における稼働確率＝ｆ_{n, m2}（ｔ₁）について気温Ｔを考慮するための補正関数Ｃ１_{n, m2}（Ｔ）の例を図７に示す。モードｍ２は凍結防止モードのため、ある一定気温を閾値として稼働率が急激に変化する。この場合、気温によるモードｍ２の稼働確率ｆ_{n, m2}（ｔ，Ｔ）は、次式で求められる。

ｆ_{n, m2}（ｔ，Ｔ） ＝ ｆ_{n, m2}（ｔ） × Ｃ１_{n, m2}（Ｔ）

なお同時刻同気温の各モードの稼働確率の合計は１００％以下となる。すなわち次式が満たされる。

ｆ_{n, m1}（ｔ₁，Ｔ₂） ＋ ｆ_{n, m2}（ｔ₁，Ｔ₂） ≦ １００％

なお、上記はモード別稼働確率の平均値についてのみ述べたが、モード毎に異なる誤差確率分布で表してもよく、モード別の誤差確率分布を気温および時刻の少なくともいずれかをパラメータとする式で表してもよい。さらに、モード別の稼働確率モデルは曜日（平日・休日・祝日）別に記憶されてもよい。これにより、休日や祝日の方が平日より洗濯機の槽洗浄モードの確率が高くなることなどを表現することが可能となる。

このように、機種別モード別に稼働確率モデルを記憶することにより、同種の機器でもモードが変わると大きく稼働特性の異なるような機器、（たとえば、１つのモードでは気温に応じて大きく稼働確率が異なり、１つのモードでは時刻に応じて稼働確率が異なるなど）において、稼働確率モデルを適切に表現することが可能となる。

（モード別消費電力モデル記憶部１３０について）
モード別消費電力モデル記憶部１３０（図１）は負荷機器の各機種についてモード別に消費電力モデルを記憶するものである。図８は、モード別消費電力モデル記憶部１３０が記憶する消費電力モデルの例を示す。消費電力モデルは、１台の負荷機器が起動中（稼動中）に消費する消費電力を機種別かつモード別に示すモデルである。図８に示す例では、消費電力モデルとして、１台の機種ｎがモードｋで起動中（稼動中）に消費する消費電力の確率分布が、平均Ｐ_{n, k}、標準偏差σ_nの正規規分布である例を示している。

なお、消費電力モデルは、正規分布に限ったものではなく、他の確率分布であってもよく、たとえばｍ次式などの近似式であってもよい。また、図８に示すような関数（式）に限ったものではなく、たとえば、平均消費電力や最大・最小値、第1四分位点、第３四分位点など（たとえば算術平均、中央値、最頻値など）と時刻とが対応付けられた表（図示しない）が適用されてもよい。また、消費電力モデルに適用される関数（式）や表は、ユーザにより手入力されて記憶されたものであってもよいし、他システムが自動生成するものであってもよい。

以上のような消費電力モデルにより、機種ｎによって異なる消費電力特性を表現することが可能となる。そして、将来、省エネ機器が開発され、機種ｎの消費電力が変化する場合には、消費電力モデルの機種ｎの消費電力を変化させるなど、機種別の平均消費電力を適宜変更するミュレーションを実施することが可能となる。

モード別消費電力モデル記憶部１３０で記憶される消費電力モデルは、気温や季節毎に異なるモデルでもよい。図９は、機種ｎの平均消費電力Ｐ_{n, k}を、気温Ｔをパラメータとした関数Ｐ_{n, k}（Ｔ）で表す消費電力モデルの例を示す。図９に示すような消費電力モデルは、たとえば、図８に示した関数（式）に、気温Ｔの関数を乗算または加算することにより得られる。

なお、消費電力モデルは、図９に示すような関数（式）に限ったものではなく、たとえば、機種ｎの１台の平均消費電力と気温Ｔとが対応付けられた表（図示しない）が適用されてもよい。また、消費電力モデルに適用される関数（式）や表は、ユーザにより手入力されて上述の記憶部に記憶されたものであってもよいし、他システムが自動生成するものであってもよい。

モード別消費電力モデル記憶部１３０に記憶される消費電力モデルを用いると、機種ｎの消費電力の平均値Ｐ_nを得ることが可能である。また、たとえばσ_nを誤差（所定誤差）として見積もって、消費電力モデルの平均消費電力Ｐ_{n, k}の代わりに、（Ｐ_{n, k}＋σ_n）を用いることも可能であるし、最大値や第1四分位点を用いることも可能となる。

なお、以上の説明では、消費電力の誤差（所定誤差）はσ_nであり、機種ｎ毎に設定されるものの、気温に関して一定であった。しかし、消費電力の誤差（所定誤差）は、これに限ったものではなく、たとえばσ_n（Ｔ）のように気温Ｔおよび機種ｎ毎に設定されてもよい。図９に、消費電力モデルの平均消費電力Ｐ_{n, k}を実線で示すとともに、それを誤差（σ_n（Ｔ））だけ増加方向に変更したものを破線で示す。

また、消費電力Ｐ_{n, k}の誤差（所定誤差）は、増加方向の誤差（たとえば標準偏差σ_n+）と減少方向の誤差（たとえば標準偏差σ_n-）とに分けて設定されてもよい。さらに、消費電力Ｐ_nの誤差（所定誤差）は、関数（式）の形式であってもよいし、表の形式であってもよい。また、誤差（所定誤差）に適用される関数（式）または表は、ユーザにより手入力されて上述の記憶部に記憶されたものであってもよいし、機種別および気温別に計測された稼動電力の計測データに基づいて制御部２０１（図１）が自動生成するものであってもよい。また、誤差分はσ_nに限らず、機種ｎにおける消費電力モデルでのモードｋ毎の標準偏差σ_{n, k}を用いて計算してもよい。

冷蔵庫のモード１および２（図５）の各々における消費電力の確率分布を求めた例を図１０に示す。図１０では、モード１の消費電力の確率分布を正規分布Ｎ(Ｐ_{n, m1}, （σ_{n, m1}）²)、モード２の消費電力の確率分布を正規分布Ｎ(Ｐ_{n, m2}, （σ_{n, m2})²)で表している。なお、図１０ではモード毎の消費電力の確率分布を正規分布で表現したが、他の確率分布でもよく、それぞれモード毎に異なる確率分布でもよい。また、モード毎に気温による補正が行われてもよい。

（モード別稼働機器数推定部２２０について）
モード別稼働機器数推定部２２０（図１）は、配電系統をなす複数の配電区間に含まれる一の配電区間内における負荷機器の機種別の推定機器数と、モード別稼働確率モデル記憶部１２０に記憶された稼働確率モデルとに基づいて、一の配電区間について機種別かつモード別の稼働機器数を推定するものである。すなわち、モード別稼働機器数推定部２２０は、モード別稼働確率モデル記憶部１２０に機種（ｎ）別かつモード（ｋ）別に記憶されたモード別稼働確率モデル（ｆ_{n, k}（ｔ））に、上述した同一配電区間機器の機種別の台数を乗じることにより、同一配電区間機器の機種別および時刻別およびモード別の起動台数の期待値ｇ_{n, k}（ｔ）を計算するものである。たとえば、モード別稼働機器数推定部２２０は、次式により、同一配電区間機器の時刻ｔおよび機種ｎおよびモードｋ毎の起動台数の期待値ｇ_{n, k}（ｔ）を計算する。

ｇ_{n, k}（ｔ） ＝ 同一配電区間機器の機種ｎの台数 × ｆ_{n, k}（ｔ）／１００

（モード別消費電力推定部２３０について）
モード別消費電力推定部２３０（図１）は、モード別稼働機器数推定部２２０によって推定された稼働機器数と、モード別消費電力モデル記憶部１３０に記憶された消費電力モデルと、に基づいて、機種別かつモード別の消費電力を推定する。すなわちモード別消費電力推定部２３０は、モード別消費電力モデル記憶部１３０が記憶する消費電力モデルから求められる機器の消費電力に、モード別稼働機器数推定部２２０により計算された起動台数の期待値ｇ_{n, k}（ｔ）を乗じることにより、同一配電区間機器の機種別および時刻別およびモード別の消費電力の期待値ｈ_{n, k}（ｔ）を計算する。すなわち、次式でしめされる計算が行われる。

ｈ_{n, k}（ｔ） ＝ 機種ｎかつモードｋの消費電力モデルから求められる消費電力
×ｇ_{n, k}（ｔ）

（負荷合計部２４０について）
負荷合計部２４０（図１）は、モード別消費電力推定部２３０によって推定された機種別かつモード別の消費電力を合計することにより、一の配電区間における総消費電力の予測値を計算する。

たとえば、まず機種ｎの各々が持つ全てのモードｋに対して、期待値ｈ_{n, k}（ｔ）を合計することで、同一配電区間機器の時刻ｔおよび機種ｎの消費電力の期待値ｈ_n（ｔ）を計算する。すなわち、次式で示される計算が行われる。

図１１には、負荷合計部２４０により、まず期待値ｈ_{n, k}（ｔ）から期待値ｈ_n（ｔ）が算出された結果が示されている。具体的には、通常運転モードと凍結防止モードとを有するヒートポンプ式給湯器の期待値ｈ_n（ｔ）が示されている。期待値ｈ_n（ｔ）は、同一配電区間の配電系統から電力供給を受ける全てのヒートポンプ式給湯器が時刻ｔにて消費する消費電力である。

そして全機種ｎの消費電力の期待値ｈ_n（ｔ）が時刻別に合計されることにより、任意の同一配電区間から電力供給を受ける全ての負荷機器（全ての同一配電区間機器）の時刻別の消費電力総和Ｅ（ｔ）が計算される。たとえば、負荷合計部２４０は、次式により、同一配電区間機器全体の時刻ｔの総消費電力Ｅ（ｔ）を計算する。

図１２は、負荷合計部２４０により上式で計算された総消費電力Ｅ（ｔ）の例を示す。図１３には、図１２に示した消費電力総和Ｅ（ｔ）を得た後に、より寒冷な気候を想定して、モード別稼働機器数推定部２２０にて外気温を０℃としてシミュレーションを行うことで、ヒートポンプ式給湯器の凍結防止モードによる消費電力が加算された場合が示されている。

（負荷予測方法のまとめ）
以上、図１の各機能ブロックについて説明しつつ、負荷機器に電力供給を行う配電系統の電力負荷を予測する負荷予測方法の詳細について説明した。図１４を参照して、この負荷予測方法の概略をまとめると、以下のとおりである。

ステップＳ１０にて、配電系統をなす複数の配電区間に含まれる一の配電区間内における負荷機器の機種別の推定機器数と、モード別稼働確率モデル記憶部１２０に負荷機器の各機種についてモード別かつ時刻別に記憶された稼働確率モデルとに基づいて、モード別稼働機器数推定部２２０が一の配電区間について機種別かつモード別の稼働機器数を推定する。

ステップＳ２０にて、モード別稼働機器数推定部２２０によって推定された稼働機器数と、モード別消費電力モデル記憶部１３０に負荷機器の各機種についてモード別に記憶された消費電力モデルとに基づいて、モード別消費電力推定部２３０が機種別かつモード別の消費電力を推定する。

ステップＳ３０にて、モード別消費電力推定部２３０によって推定された消費電力を合計することにより、負荷合計部２４０が一の配電区間における総消費電力の予測値を計算する。

（作用効果）
本実施の形態によれば、機種別推定機器数記憶部１１０に記憶される推定機器数と、モード別稼働確率モデル記憶部１２０のモデルとに基づいて、同一配電区間機器の機種別および時刻別およびモード別の起動台数の期待値ｇ_{n, k}（ｔ）が求められる。この期待値ｇ_{n, k}（ｔ）と、モード別消費電力モデル記憶部１３０のモデルとに基づいて、同一配電区間機器の機種別および時刻別の消費電力の期待値ｈ_n（ｔ）が求められる。この構成により、任意の配電区間について、負荷機器に起因する電力負荷を機種別および時刻別に、モードの差異を考慮しつつ予測することができる。よって配電系統の電力負荷を精度よく予測することができる。以下、より具体的に説明する。

時間帯別電気料金メニューの変更または機器の電力効率の改善などに起因して、負荷機器の機種別の機器普及率、機器稼動時間帯、および負荷機器の消費電力は将来変化すると考えられる。機器普及率の変化には、機種別推定機器数記憶部１１０に記憶される推定機器数の調整によって対応することができる。機器稼動時間帯の変化には、モード別稼働確率モデル記憶部１２０のモデルの調整によって対応することができる。負荷機器の消費電力の変化には、モード別消費電力モデル記憶部１３０のモデルの調整によって対応することができる。よって本実施の形態によれば、電力負荷の将来の変化も精度よく予測することができる。

モード別稼働確率モデルは、人の行動パターン（機器を稼働するタイミングおよび稼働モードの選択）に関係していることが多い。このため、人の行動パターンが変化するような場合（電気料金または時間帯別料金設定の時間帯変更など）では、モード別稼働確率モデルを変化させることでシミュレーションが可能となる。またモード別消費電力モデルは負荷機器の電力特性を表している。このため、機器性能の向上などがある場合では、モード別消費電力モデルを変化させることでシミュレーションが可能となる。

またモード別稼働確率モデル記憶部１２０およびモード別消費電力モデル記憶部１３０の各々のモデルがモード毎に設定されるため、モード毎に異なる稼働特性または稼働電力を持つような負荷機器についても精確な予測が可能である。

さらに、モードＸが搭載された負荷機器の将来における増加、または、将来における機能向上によるモードＸの消費電力特性の変化に対応したシミュレーションも、モード別稼働確率モデル記憶部１２０およびモード別消費電力モデル記憶部１３０の各々のモデルを変更することにより可能である。また機種の稼働モードが特に偏るような場合（たとえば、多くの機器が停電復旧時に一斉に消費電力の大きいモードで稼働を開始する場合）においても、モードに依存した消費電力の相違を反映した精確な予測を行うことが可能である。たとえば、夏季における停電復旧時には多数のエアコンが高電力モードで一斉に稼働を開始する。このような場合にも精確な予測を行うことが可能である。この際に気温などの条件を反映させるとさらに精度を高め得る。

＜実施の形態２＞
（構成の概要について）
図１５は、本発明の実施の形態２における負荷予測装置９０２の構成を概略的に示す。負荷予測装置９０２の構成において、実施の形態１で説明した機能ブロックと同一または類似のものについては同じ符号を付し、異なるものについて主に説明する。負荷予測装置９０２は、情報記憶部１０２および制御部２０２を有する。情報記憶部１０２はモード別稼働確率モデル記憶部１２０Ｖを有する。モード別稼働確率モデル記憶部１２０Ｖは機種別稼働確率モデル記憶部１２１およびモード確率モデル記憶部１２２を有する。制御部２０２はモード別稼働機器数推定部２２０Ｖを有する。モード別稼働機器数推定部２２０Ｖは機種別稼働機器数推定部２２１およびモード推定部２２２を有する。

（モード別稼働確率モデル記憶部１２０Ｖについて）
機種別稼働確率モデル記憶部１２１は負荷機器の機種別の稼働有無の確率モデルを記憶するものである。すなわち機種別稼働確率モデル記憶部１２１は、機種ｎが時刻ｔに稼働する確率ｆ_n（ｔ）を記憶するものである。実施の形態１のモード別稼働確率モデル記憶部１２０は機種ｎが時刻ｔにモードｋで稼働する確率ｆ_{n, k}（ｔ）を記憶するが、機種別稼働確率モデル記憶部１２１は機種ｎが時刻ｔに稼働しているか否かの確率をモードを問わずに記憶する。このようにモードを不問とする点以外は、機種別稼働確率モデル記憶部１２１が記憶するモデルは、実施の形態１のモード別稼働確率モデル記憶部１２０が記憶するモデルと同様であり、気温や曜日（平日・休日・祝日など）をパラメータとして求めてられてもよいし、確率分布で記憶されてもよい。

モード確率モデル記憶部１２２は、モード確率モデル、すなわち、負荷機器の各機種について稼働時におけるモードの割合のモデルを記憶するものである。すなわちモード確率モデル記憶部１２２は、稼働している機種ｎが時刻ｔにモードｋをとる確率Ｍ_{n, k}（ｔ）を記憶するものである。よって確率Ｍ_{n, k}（ｔ）の全モードについての和は１００％である。なおモード確率モデル記憶部１２２が記憶するモデルは、実施の形態１のモード別稼働確率モデル記憶部１２０が記憶するモデルと同様に、気温または曜日（平日・休日・祝日など）をパラメータとして求めてられてもよいし、両方をパラメータとして求められてもよいし、確率分布で記憶されてもよい。

図１６に冷房利用時のエアコンの稼働電力の例を示す。稼働電力の分布から冷房利用時のこのエアコンの稼働電力には３段階のモード（ｍ１，ｍ２，ｍ３）があることがわかる。このエアコン（ＡＣ）の冷房利用時のモード確率の例を図１７に示す。気温Ｔにおけるモード確率をＭ_{n, k}（Ｔ）（ｎ＝ＡＣ、ｋ＝ｍ１，ｍ２，ｍ３）とすると、気温Ｔ₁におけるモード確率はそれぞれ、Ｍ_{AC, m1}(Ｔ₁)、Ｍ_{AC, m2}(Ｔ₁)およびＭ_{AC, m3}(Ｔ₂)、となる。

（モード別稼働機器数推定部２２０Ｖについて）
機種別稼働機器数推定部２２１は、配電系統をなす複数の配電区間に含まれる一の配電区間内における負荷機器の機種別の推定機器数と、機種別稼働確率モデル記憶部１２１に記憶された稼働確率モデルとに基づいて、一の配電区間について機種別の稼働機器数を推定するものである。

機種別稼働機器数推定部２２１（図１５）は、機種別稼働確率モデル記憶部１２１に記憶される稼働確率モデル（ｆ_n（ｔ））に、配電区間内の機種別推定機器数記憶部１１０に記憶される同一配電区間機器の機種別の台数を乗じることにより、同一配電区間機器の機種別および時刻別の起動台数の期待値ｇ_n（ｔ）を計算する。たとえば、機種別稼働機器数推定部２２１は、次式により、同一配電区間機器の時刻ｔおよび機種ｎ毎の稼働台数の期待値ｇ_n（ｔ）を計算する。

ｇ_n（ｔ） ＝ ｆ_n（ｔ）／１００ × 同一配電区間機器の機種ｎの台数

モード推定部２２２（図１５）は、機種別稼働機器数推定部２２１によって推定された稼働機器数と、モード確率モデル記憶部１２２に記憶されたモード確率モデルとに基づいて、一の配電区間について機種別かつモード別の稼働機器数を推定するものである。すなわちモード推定部２２２では、モード確率モデル記憶部１２２に記憶される機種別のモード確率モデルＭ_{n, k}(ｔ)に、機種別稼働機器数推定部２２１で求めた機種ｎの稼働台数の期待値ｇ_n（ｔ）を乗じることにより、機種ｎのモード毎の台数を計算する。機種ｎがモードｋで稼働する台数の期待値をｇ_{n, k}（ｔ）は次式で計算される。

ｇ_{n, k}（ｔ） ＝ Ｍ_{n, k}(ｔ)／１００ × ｇ_n（ｔ）

（作用効果）
図１８は、配電区間内の機種Ａの機器数がＸ台の場合において、実施の形態１および実施の形態２の間での処理方法の差異を模式的に示す。

実施の形態１では、モード別稼働確率モデル記憶部１２０がモード毎に稼働確率モデルを記憶している。このため、機器が稼働するか否かの稼働条件がモード毎（図中、モード１および２）に独立であるような機種の特性が適切にモデル化され得る。よってこのような機種での予測精度が特に向上する。このような機種としては、たとえば、稼働時から終了時までモードが変化せず、稼働の度にモードが異なるような洗濯機（洗濯漕洗浄モードと洗濯モード）などがある。モード毎の稼働確率（図中、Ｚ％およびＹ％）は互いに独立であり、稼働確率の総計は１００％以下である（図中、Ｚ＋Ｙ≦１００）。

実施の形態２では、稼働確率モデルは機種別稼働確率モデル記憶部１２１に機種毎に記憶されている。すなわち、稼働条件が、モードによらず機種で１つにモデル化される（図中、α％）。稼働中にどのモードをとるか（図中、モード１および２）という確率条件（図中、Ｚ％およびＹ％）がモード確率モデル記憶部１２２に記憶されており、その総計は１００％となる（図中、Ｚ＋Ｙ＝１００）。これにより、たとえば、稼働確率は時刻などでおおよそ決まっており、かつ稼働してから気温などの条件によりモードが切り変わるような機器の特性が適切にモデル化され得る。よってこのような機器での予測精度が特に向上する。

＜実施の形態３＞
（構成の概要について）
図１９は、本発明の実施の形態３における負荷予測装置９０３の構成を概略的に示す。負荷予測装置９０３の構成において、実施の形態１で説明した機能ブロックと同一または類似のものについては同じ符号を付し、異なるものについて主に説明する。負荷予測装置９０３は、情報記憶部１０３および制御部２０３を有する。情報記憶部１０３は機器毎計測電力記憶部１４０およびモード特性記憶部１５０を有する。制御部２０３はモデル生成部２６０を有する。

（機器毎計測電力記憶部１４０について）
機器毎計測電力記憶部１４０は、負荷機器の機種別かつ時刻別の消費電力の計測結果（電力データ）が記録された計測電力データベース（計測電力ＤＢ）を記憶するものである。この計測結果は、たとえば、サンプルとされた住宅において取得されたものである。

（モード特性記憶部１５０について）
モード特性記憶部１５０は、負荷機器の機種別のモード特性を記憶するものである。モード特性とは、モードの判別条件として用いることができるものであり、たとえば、モード毎の消費電力特性である。たとえば、図６に示すヒートポンプ式給湯器における通常運転モード（モードｍ１）および凍結防止モード（モードｍ２）の例では、稼働時の時刻（夜間およびそれ以外）または稼働時間の長さなどがモードｍ１とモードｍ２のモード特性となる。通常運転モードは深夜電力時間帯を利用してお湯を沸かすことを目的としているため、稼働時間は夜間となる。凍結防止モードでは凍結防止ができればよいので、お湯を沸かすことを目的とした通常運手モードより稼働時間は短く、時間帯に関わらず気温が一定以下の条件で定期的に稼働する。図５の冷蔵庫のモード１および２の例では、図１０に示すように、モード毎に消費電力の特性が大きく異なる。このモード特性の例としては、たとえば、モード１のモード特性は消費電力Ｐ_Th以上、モード２のモード特性は消費電力Ｐ_Th未満、である。

なお、以上の例では消費電力や時刻・稼働時間を用いてモード毎の消費電力特性を記憶する例を示したが、気温・曜日（平日／休日／祝日）などを用いてもよく、消費電力の周波数成分や、消費電力と当該消費電力で稼働する時間とを複数組み合わせた消費電力パターン（消費電力Ｗ₁でＸ₁分稼働後、消費電力Ｗ₂でＸ₂分稼働するなど）を用いてモード毎の特性を記憶してもよい。また、稼働機器からモードの情報が直接取得されてもよい。

（モデル生成部２６０について）
モデル生成部２６０は、上述した計測電力ＤＢと、モード特性記憶部１５０に記憶されたモード特性とを用いて、モード別稼働確率モデル記憶部１２０に記憶される稼働確率モデルと、モード別消費電力モデル記憶部１３０に記憶される消費電力モデルとを生成するものである。

第１に、稼働確率モデルを生成する方法について、以下に説明する。

モデル生成部２６０はまず、計測電力ＤＢから同じ機種に属する電力データを抽出する。次にモデル生成部２６０は、時間区間Δｔ（＝［ｔ_ａ，ｔ_ｂ））における機種ｎの計測データを抽出し、次式により、時刻ｔにて起動している機種ｎのモードｋでの稼働確率（すなわちｆ_{n, k}（ｔ））を計算する。

ｆ_{n, k}｛（ｔ_a＋ｔ_b）／２｝＝１００×（抽出された計測データのうち稼働電力閾値Ｐ_Th以上かつ特定のモードｋに属するデータの数）／（抽出された計測データの全数）

特定のモードｋに属する計測データは、特定の機種について抽出された電力データをモード特性によってモード毎に分類することで得られる。たとえば、ヒートポンプ式給湯器の電力データの一部が、その時刻依存性から、凍結防止モードに分類される。またたとえば、冷蔵庫の電力データの一部が、その消費電力が閾値以上であるか否かから、高電力運転モードに分類される。

ここで、上式の右辺の分数の分子に示される稼動電力閾値Ｐ_Th（Ｗ）には、たとえば、機種ｎ毎に異なる稼動時の最低電力（Ｗ）などが設定されている。したがって、当該分子に示される計測データ数は、稼働中の機種ｎの計測データ数に対応している。よって、たとえば、機種ｎがΔｔ（＝［ｔ_a，ｔ_b））の間稼動し続けている（すなわちΔｔの間、稼動電力が稼動電力閾値Ｐ_Th以上であり続ける）場合には、分子の計測データ数と、分母の計測データ数とが同数となり、時間区間Δｔ（＝［ｔ_a，ｔ_b））における機種ｎの起動確率は１００（％）となる。

なお、計測データが、稼動電力だけでなくモード自体の情報も含んでいる場合には、次式により上述のｆ_{n, k}を計算してもよい。

ｆ_{n, k}｛（ｔ_a＋ｔ_b）／２｝＝１００×（抽出された計測データのうち特定のモードｋに属するデータの数）／（抽出された計測データの全数）

上記では、稼働確率モデルを機種ｎ別に時間区間Δｔ毎に求める例について説明した。さらに、気温区間ΔＴ（＝［Ｔ_a，Ｔ_b））における機種ｎの計測データを抽出し、上記の方法と同様の方法で、気温Ｔをパラメータとして稼働確率を示す関数ｆ_{n, k}（ΔＴ）を求めてもよい。あるいは曜日（平日／休日／祝日）がパラメータとして用いられてもよい。また、稼働確率の計算試行を２回以上、たとえば数回、繰り返すことにより、稼働確率の確率分布を求めてもよく、当該確率分布から平均値や標準偏差値σ_nを求めてもよい。計算試行の繰り返し方法としては、稼働確率の計算に用いる一定数の計測データを、そのデータサンプルを変えながらデータベースから抽出して起動確率を計算し、かつ当該起動確率のばらつきから標準偏差を計算する方法や、日毎に起動確率を計算し、かつ当該起動確率のばらつきから標準偏差を計算する方法などがある。

第２に、計測電力ＤＢとモード特性とから、モード別消費電力モデル記憶部１３０で記憶されるモード別消費電力モデルを生成する方法について、以下に説明する。

モデル生成部２６０はまず、計測電力ＤＢから同じ機種に属する電力データを抽出する。次に上述した方法と同様の方法によって、特定の機種について抽出された電力データがモード特性によってモード毎に分類される。次に、モード毎に分類された機種ｎ、モードｋのデータを用いて、モード別消費電力モデルが生成される。この方法としては、たとえば、最小二乗近似を用いてｍ次式で近似したり、正規分布で近似したりすることができる。

なおモードに加えてさらに他のパラメータに依存する消費電力モデルが求められてもよい。たとえば気温がパラメータとされてもよい。

また、モード別消費電力モデルの生成を２回以上、たとえば数回、繰り返すことにより、消費電力の確率分布を求めてもよく、当該確率分布から平均値や標準偏差値σ_nを求めてもよい。計算試行の繰り返し方法としては、消費電力の計算に用いる一定数の計測データを、そのデータサンプルを変えながらデータベースから抽出して消費電力を計算し、かつ当該消費電力のばらつきから標準偏差を計算する方法や、日毎に消費電力を計算し、かつ当該消費電力のばらつきから標準偏差を計算する方法などがある。

なお、上記以外の構成については、上述した実施の形態１〜３の構成とほぼ同じであるため、同一または対応する要素について同一の符号を付し、その説明を繰り返さない。

（作用効果）
本実施の形態によれば、モード別稼働確率モデル記憶部１２０で記憶される稼働確率モデルと、モード別消費電力モデル記憶部１３０で記憶されるモード別消費電力モデルと、を自動生成することが可能である。モード特性記憶部１５０にモード特性が記憶されており、それに基づいてモードが判別されるため、計測電力ＤＢのデータの内容を変えるだけで、モデルを自動生成・更新することが可能である。

また、モード特性記憶部１５０のモード特性を変更することで、将来の機器性能の変化に対応が可能である。たとえば、省エネ機器などの登場により各モードの消費電力が小さくなった場合には、各モードを判定する消費電力閾値を小さくすることにより対応が可能である。

（変形例１）
上記本実施の形態は、実施の形態１の負荷予測装置９０１（図１）におけるモード別稼働確率モデル記憶部１２０およびモード別消費電力モデル記憶部１３０の各々のモデルが生成されるものに対応する。その変形例として、実施の形態２の負荷予測装置９０２（図１５）におけるモード別稼働確率モデル記憶部１２０Ｖおよびモード別消費電力モデル記憶部１３０の各々のモデルが生成されてもよい。図２０に、その場合の負荷予測装置の構成の一部を示す。

本変形例においては、モデル生成部２６０Ｖはまず、計測電力ＤＢから同じ機種に属する電力データを抽出する。次にモデル生成部２６０は、時間区間Δｔ（＝［ｔ_ａ，ｔ_ｂ））における機種ｎの計測データを抽出し、次式により、時刻ｔにて起動している機種ｎの稼働確率（すなわちｆ_{n, k}（ｔ））を計算する。

ｆ_n｛（ｔ_a＋ｔ_b）／２｝＝１００×（抽出された計測データのうち稼働電力閾値Ａ_Th以上に属するデータの数）／（抽出された計測データの全数）
ここでＡ_Thは、負荷機器が稼働しているか否かを判断する指標とされる電力である。

モード確率モデル記憶部１２２に記憶されるモード確率Ｍ_{n, k}は、たとえば次式で計算される。

Ｍ_{n, k}｛（ｔ_a+ｔ_b）／２｝＝１００×（特定のモードｋに属するデータの数）／（抽出された計測データのうち稼働電力閾値Ａ_Th以上のデータの数）

なお本変形例における上述した以外の構成は、実施の形態２（図１５）とほぼ同様である。

（変形例２）
図２１を参照して、本変形例においては、負荷予測装置単体に代わって負荷予測装置を有するシステムが用いられる。具体的には、負荷予測システム９０３Ｓは、負荷予測装置９０３Ｄと、それにネットワーク９９９を介して接続された計測電力データベースサーバ９９０とを有する。負荷予測装置９０３Ｄは、ネットワーク９９９に接続されるための通信部２９０を有する。負荷予測装置９０３Ｄは、負荷予測装置９０３（図１９）と異なり、機器毎計測電力記憶部１４０を有しない。代わりに計測電力データベースサーバ９９０が機器毎計測電力記憶部１４０を有する。本変形例によれば、機器毎計測電力記憶部１４０、言い換えればそれに記憶される計測電力ＤＢ、を負荷予測装置自体が有する必要がない。

＜実施の形態４＞
図２２は、本発明の実施の形態４における負荷予測装置９０４の構成を概略的に示す。負荷予測装置９０４の制御部２０４は、実施の形態３の負荷予測装置９０３（図１９）の制御部２０３の構成に加えてさらに、自動モード特性判別部２７０を有する。自動モード特性判別部２７０は、機器毎計測電力記憶部１４０に記憶された計測電力ＤＢから、モード特性記憶部１５０に記憶されるモード特性を自動で生成する。モード特性としては、たとえば、各モードの消費電力の範囲、時刻、気温、曜日（平日／休日／祝日）などを用いてもよく、消費電力の周波数成分や、消費電力と当該消費電力で稼働する時間を複数組み合わせた消費電力パターン（消費電力Ｗ₁でＸ₁分稼働後、消費電力Ｗ₂でＸ₂分稼働するなど）を用いてもよい。

図２３を参照して、たとえば、消費電力のヒストグラムを作成することで、各モードの消費電力の範囲をモード特性として得ることができる。ヒストグラムは、機種ｎの消費電力を計測電力ＤＢから抽出することで作ることができる。自動モード特性判別部２７０は、このヒストグラムから、山が２つあることを判別し、さらに２つのモードの閾値Ｐ_Thを自動で判別する。山や閾値の求め方としては、ヒストグラムをｍ次式で近似し、上に凸である点の数から山の数（＝モードの数）を求め、下に凸である点の頂点から閾値を求めてもよい。山の頂点位置間の中間位置（図中、（Ｐ₁＋Ｐ₂）／２の位置）から閾値を求めてもよい。また、ヒストグラムの頻度の上からＸ％、下からＹ％の閾値をもうけることにより、ヒストグラムの山や谷の位置を求め、モード数や閾値を決めてもよい。さらに、ヒストグラムを平滑化して滑らかにし、部分的に線形近似することで傾きを求め、傾きの変化する点をヒストグラムの山や谷として、モード数や閾値を求めてもよい。

以上の例ではヒストグラムからモード数および消費電力の範囲を求める方法について述べたが、一般的な階層的クラスタリングの手法（ウォード法など）、自己組織化マップ、非階層的クラスタリング手法（K-means法など）などを利用してモード数およびモード特性を定めてもよい。階層的クラスタリングを用いる場合では、最終的に１つのクラスタに統合されるため、クラスタ（＝モード）を統合するか分割するかの閾値をあらかじめ定めておいてもよい。また、非階層的クラスタリングの場合はクラスタ数をあらかじめ与えておくことが必要となるが、あらかじめモード数を与えておいてもよいし、モード数を１、２、３、４・・・と増やしていったときの、クラスタ間の重心の距離、クラスタ内のデータと重心との距離や距離の分散、などから、いくつにクラスタ分割するのが適切かを自動判別するようにしてもよい。

また以上の例では、機種毎の消費電力をモード毎に分割することで、モード数および閾値などのモード特性を求めたが、消費電力の周波数成分、または、消費電力および当該消費電力で稼働する時間を複数組み合わせた消費電力パターン（消費電力Ｗ₁でＸ₁分稼働後、消費電力Ｗ₂でＸ₂分稼働するなど）を用いてもよく、これらを組み合わせてもよい。また、主成分分析などを用いて次元を落とした後、クラスタリングを行ってもよい。

さらに、消費電力だけでなく、パラメータとして、時刻、気温、曜日（平日／休日／祝日）などを用いてもよい。また、機種ｎのモードが電力データと共に計測電力ＤＢに部分的に記録されており、その正解データから機械学習またはニューラルネットなどの手法を用いて学習がなされてもよい。また、計測電力ＤＢとは別に、正解データを与えて機械学習識別機またはニューラルネットワークの学習を行い、その結果を用いて自動モード特性判別部２７０にて判別が行われてよい。さらに、計測電力ＤＢのデータを判別しつつ、そのデータを使って新たに学習が行われてもよい。

（作用効果）
本実施の形態によれば、モード特性があらかじめ設定されていなくても、それを自動で判別して適切に設定することが可能である。これにより、モード数およびモード条件などのモード特性が明確でない機種でも、電力データを計測するだけでモード特性が自動判別・記憶される。さらに、計測電力ＤＢの更新を反映してモード特性を生成し直すことにより、機種への新たなモードの追加、またはモード条件の変更（省エネ機器の普及または機器の機能向上に伴うモード間閾値の変化など）に自動で追従することができる。

＜実施の形態５＞
図２４は、本発明の実施の形態５における負荷予測装置９０５の構成を概略的に示す。実施の形態１〜４で説明した機能ブロックと同一または類似するものについては同じ符号を付し、異なる点を中心に説明する。負荷予測装置９０５は情報記憶部１０５を有する。情報記憶部１０５は、配電区間内の機種別推定機器数記憶部１１０およびモード別稼働確率モデル記憶部１２０（図１）のそれぞれの代わりに、配電区間内の機種組み合わせ別推定機器数記憶部１１５およびモード別機種組み合わせ別稼働確率モデル記憶部１２５を有する。

（機種組み合わせ別推定機器数記憶部１１５について）
本実施の形態においては、モード別稼働確率モデル記憶部に記憶される稼働確率モデルは、負荷機器の機種組み合わせ別の稼働確率モデルを含む。言い換えると、機種組み合わせ別推定機器数記憶部１１５は、予測の対象となる配電区間における負荷機器の機種組み合わせ別の台数またはその推定台数の情報を記憶するためのものである。この情報は、負荷予測装置９０５が使用される際に情報記憶部１０５に格納されてもよく、あるいは情報記憶部１０５にあらかじめ記憶されていてもよい。

機種組み合わせ別推定機器数記憶部１１５は、機種組み合わせ、すなわち複数の負荷機器の組み合わせによる区分（たとえば、機器ｎ´₁₁＝機器ｎ₁保有かつ機器ｎ₂非保有、機器ｎ´₁₂＝機器ｎ₂保有かつ機器ｎ₁非保有、機器ｎ´₁₃＝機器ｎ₁保有かつ機器ｎ₂保有、など）毎に、台数を記憶するものである。

（モード別機種組み合わせ別稼働確率モデル記憶部１２５）について
モード別機種組み合わせ別稼働確率モデル記憶部１２５は、機種組み合わせ別にモード別稼働確率を記憶するものである。図２５および図２６に、組み合わせ機器種別を用いたモード別稼働確率の例を示す。図２５では、蓄熱式暖房器具およびエアコンの保有状況を機種組み合わせとして用いたときのモード別稼働確率モデルの例である。具体的には、単に機種「ｎ＝エアコン」と扱う代わりに、「機種ｎ´₁＝エアコン保有かつ蓄熱式暖房器具非保有」および「機種ｎ´₂＝エアコン保有かつ蓄熱式暖房器具保有」として扱い、各々の稼働確率モデルが記憶される。図２６は、「機種ｎ＝エアコン」のモード１および２での稼働確率の代わりに、「機種ｎ´₃＝エアコン保有かつホットカーペット保有」および「機種ｎ´₄＝エアコン保有かつホットカーペット非保有」としたときの、機種ｎ´₃およびｎ´₄それぞれのエアコンのモード別稼働確率モデルの例である。

なおモード別稼働確率モデルは、実施の形態１のモード別稼働確率モデルと同様に、パラメータとして、時刻だけでなく、気温・曜日（平日／休日／祝日）を用いてもよく、平均値だけでなく確率モデルで表してもよい。

（モード別稼働機器数推定部２２０について）
本実施の形態では、モード別稼働機器数推定部２２０は、上記の機種組み合わせ別推定機器数と、モード別機種組み合わせ別稼働確率モデル記憶部１２５に記憶される機種組み合わせ別稼働確率モデルとを用いて、モード別稼働機器数を推定する。

なおモード別消費電力モデル記憶部１３０に記憶されるモード別消費電力モデルは実施の形態１と同様である。図２６の例を用いると、配電区間内のエアコンのモード別消費電力は次式で計算される。

エアコンのモードｋでの消費電力
＝配電区間内の機種ｎ´₃の機器数 × 機種ｎ´₃のエアコンのモードｍの稼働確率
＋配電区間内の機種ｎ´₄の機器数 × 機種ｎ´₄のエアコンのモードｍの稼働確率
（ｋ＝１，２）

なお、上記以外の構成については、上述した実施の形態１〜４の構成とほぼ同じであるため、同一または対応する要素について同一の符号を付し、その説明を繰り返さない。

（作用効果）
本実施の形態によれば、機種組み合わせに応じて変化するモードおよび稼働確率を反映して配電区間内の電力予測をすることができる。冷房機器・暖房機器など、同種類の機器では、保有状況の組み合わせに応じて稼働確率および稼働モードが変化しやすい。

たとえば、図２５に示すように、エアコンの暖房利用においては、蓄熱式暖房器具およびエアコンの両方を保有している場合と、エアコンのみ保有し蓄熱式暖房器具を保有していない場合とでは、エアコンの稼働確率が大きく異なる。

また、機種組み合わせに応じて機種全体の稼働確率が変わらなくても、併用がなされることで他機器の影響を受けてモードが変化する場合がある。図２６に示すように、エアコンとホットカーペットとを併用することにより、エアコンのみを利用する場合に比べて、エアコンが大きい電力で稼働するモード１の割合が小さく、小さい電力で稼働するモード２の割合が大きくなる。

本実施の形態では、このような機器保有の組み合わせに応じて変化する稼働確率および稼働モードの割合を考慮した配電区間の負荷予測が可能である。

＜実施の形態６＞
（構成の概要）
図２７は、本発明の実施の形態６における負荷予測装置９０６の構成を概略的に示す。実施の形態１〜５で説明した機能ブロックと同一または類似するものについては同じ符号を付し、異なる点を中心に説明する。負荷予測装置９０６は情報記憶部１０６および制御部２０６を有する。

情報記憶部１０６は、モード別稼働確率モデル記憶部１２０（図１または図１９）または１２０Ｖ（図１５または図２０）の代わりに、モード別稼働確率モデル記憶部１２０Ｃを有する。モード別稼働確率モデル記憶部１２０Ｃは、負荷機器の起動開始からの経過時間および起動前の停止時間（両者を総称して「起動関連時間」ということがある）のうち少なくとも一方を用いたモード別稼働確率モデルを記憶する。具体的には、モード別稼働確率モデル記憶部１２０Ｃは、モード確率モデル記憶部として、モード確率の起動関連時間依存モデル記憶部１２２Ｃを有する。またモード別稼働確率モデル記憶部１２０Ｃは、機種別稼働確率の起動関連時間依存モデル記憶部１２１Ｖを有する。

上述した「起動関連時間」は、一の配電区間における稼働中の全機器の「経過時間」および「停止時間」の少なくともいずれかを近似的に表す代表値である。典型的には、停電復旧時刻ｔ ₁からの経過時間を起動関連時間Δｔとして用いることができる。なぜならば、停電からの復旧が行われた直後は、多くの機器が停電復旧時刻に再稼働するので、「経過時間」を１つの代表値Δｔで良好に近似できるためである。また、停電していた時間を機器の「停止時間」の代表値として用いることも良好な近似であることから、上記Δｔに代わって、あるいは上記Δｔとともに、停電していた時間が「起動関連時間」として考慮されてもよい。

制御部２０６はモード別稼働機器数推定部２２０Ｃを有する。モード別稼働機器数推定部２２０Ｃは機種別稼働機器数推定部２２１Ｖを有する。

（モード確率の起動関連時間依存モデル記憶部１２２Ｃについて）
モード別稼働確率モデル記憶部１２０Ｃに記憶されるモード確率モデルは、負荷機器の起動開始からの経過時間および起動前の停止時間のうち少なくとも一方への依存性を有する。具体的には、モード別稼働確率モデル記憶部１２０Ｃは、実施の形態２のモード確率モデル記憶部１２２の代わりに、モード確率の起動関連時間依存モデル記憶部１２２Ｃを有する。起動関連時間依存モデル記憶部１２２Ｃは、負荷機器の起動開始からの経過時間および起動前の停止時間のうち少なくとも一方への依存性を有する。この例について、以下に説明する。

図２８に食器洗い機の稼働電力の例を示す。稼働中の食器洗い機は、高い稼働電力を有するモードｍ１と、低い稼働電力を有するモードｍ２とを交互に繰り返す。モードｍ１およびモードｍ２の割合は、典型的には、食器洗い機の稼働開始（起動）からの経過時間に依存する。図２９を参照して、この依存性を、モード確率の起動関連時間依存モデル記憶部１２２Ｃが記憶する。食器洗い機のモードｍ１またはｍ２の割合、すなわち、機種ｎ＝「食器洗い機」におけるモードｋ＝ｍ１またはｍ２の確率は、起動からの経過時間Δｔに依存する確率Ｍ_{n, k}（Δｔ）で表される。起動直後は、相対的に高い稼働電力を有するモードｍ１の確率が高く、時間の経過とともに、相対的に低い稼働電力を有するモードｍ２の確率が高くなる。

また冷蔵庫の例（図示せず）においては、起動する前に停止していた時間に応じて庫内の温度変化の変化量が異なるため、起動前の停止時間に応じて、起動直後の稼働モードが異なる。停止時間が短ければ庫内の温度上昇は小さく、停止後再起動した直後も、それほど大きな電力のモードでは稼働しない。逆に停止時間が長くなると、庫内の温度が上昇し、停止後再起動した際に庫内を冷やすために大きな電力のモードで稼働する。

（機種別稼働確率の起動関連時間依存モデル記憶部１２１Ｖについて）
機種別稼働確率の起動関連時間依存モデル記憶部１２１Ｖに記憶されるモード確率モデルは、負荷機器の起動開始からの経過時間および起動前の停止時間のうち少なくとも一方への依存性を有する。具体的には、起動関連時間依存モデル記憶部１２１Ｖは、実施の形態２と同様の機種別稼働確率モデル記憶部１２１に加えて、稼働確率の起動依存補正モデル記憶部１２１Ｃを有する。起動依存補正モデル記憶部１２１Ｃは、負荷機器の起動開始からの経過時間および起動前の停止時間のうち少なくとも一方への稼働確率の依存性を考慮するために、機種別稼働確率モデル記憶部１２１に記憶された稼働確率モデルを補正するものである。この例について、以下に説明する。

図３０に、通常時を想定した機種別稼働確率モデル（破線）と、停電復旧を想定して起動依存補正モデルによって補正されたもの（実線）との一例を示す。図中破線が機種別稼働確率モデル記憶部１２１に記憶されたものであり、それに対して起動依存補正モデル記憶部１２１Ｃを考慮することで、図中実線の、起動関連時間依存モデルが得られる。起動依存補正モデル記憶部１２１Ｃに記憶される補正モデルは、たとえば、機種別稼働確率モデル記憶部１２１に記憶された稼働確率に乗じられる補正係数Ｋ_n（Δｔ）である。この補正係数Ｋ_n（Δｔ）は、停電復旧時刻ｔ１からの経過時間Δｔに依存しており、Δｔ≦０の場合に０であり、Δｔ＝０すなわち停電復旧時刻から所定の時間の後に１よりも大きい最大値をとった後、１へと収束するものである。このように、必要に応じて、シミュレーションが通常時のもの（たとえば実施の形態２のもの）から、停電復旧時のものへと、負荷予測装置の構成が切り替えられてもよい。

なお図３０の例では起動関連時間として経過時間が考慮されるが、起動前の停止時間が考慮されてもよい。

（モード別稼働機器数推定部２２０Ｃ）
起動依存補正モデル記憶部１２１Ｃが用いられる場合、モード別稼働機器数推定部２２０Ｃにおける機種別稼働機器数推定部２２１Ｖは、負荷機器の機種別の推定機器数と、機種別稼働確率モデル記憶部１２１に記憶された機種別の稼働有無の確率モデル（稼働確率ｆ_{n, k}（ｔ）（％））と、起動依存補正モデル記憶部１２１Ｃに記憶された補正モデル（補正係数Ｋ_n（Δｔ）＝Ｋ_n（ｔ−ｔ₁））とに基づいて、一の配電区間について機種別の稼働機器数ｇ_{n, k}（ｔ）を推定する。

ｇ_{n, k}（ｔ）＝同一配電区間機器の機種ｎの台数×｛ｆ_{n, k}（ｔ）／１００｝×Ｋ_n（ｔ−ｔ₁）

なお上記実施の形態においては、モード別稼働確率モデル記憶部１２０Ｃが、起動関連時間依存モデル記憶部１２１Ｖおよび起動依存補正モデル記憶部１２１Ｃを有するが、前者が実施の形態２の機種別稼働確率モデル記憶部１２１に置き換えられたり、または、後者が実施の形態２のモード確率モデル記憶部１２２に置き換えられたりしてもよい。言い替えれば、起動関連時間の依存性を、機種別稼働確率モデルおよびモード確率モデルの両方について考慮する代わりにいずれか一方について考慮してもよい。

（作用効果）
本実施の形態によれば、停電復旧時などのように起動関連時間による近似が有効な場合に、起動関連時間依存モデル記憶部１２２Ｃを用いることで、モードの偏りを精度よく考慮した予測が可能である。また機種別稼働確率の起動関連時間依存モデル記憶部１２１Ｖを用いることで、稼働確率の偏りを精度よく考慮した予測が可能である。

（変形例）
図３１を参照して、本変形例においては、起動関連時間が考慮されたモデルが、モード別稼働確率モデル記憶部１２０Ｃ（図２７）ではなく、モード別消費電力モデル記憶部としての、モード別消費電力の起動関連時間依存モデル記憶部１３０Ｖに記憶される。すなわち、モード別消費電力の起動関連時間依存モデル記憶部１３０Ｖに記憶される消費電力モデルは、負荷機器の起動開始からの経過時間および起動前の停止時間のうち少なくとも一方への依存性を有する。

図３２を参照して、たとえばエアコンの稼働電力は、起動からの経過時間Δｔへの依存性が大きい。具体的には、エアコンの稼働電力は、起動直後に大きな値をとった後に徐々に低下していく傾向がある。よって、モード別消費電力の起動関連時間依存モデル記憶部１３０Ｖは、たとえば、図３３に示すような平均消費電力のモデルＰ_{n, k}（Δｔ）を記憶する。機種ｎ（この場合はエアコン）におけるモードｋの消費電力の期待値ｈ_{n, k}（ｔ）は、モード別消費電力推定部２３０において、以下のように計算される。

ｈ_{n, k}（ｔ）＝ ｇ_{n, k}（ｔ） × Ｐ_{n, k}（Δｔ）

なお消費電力の期待値ｈ_{n, k}（ｔ）を余裕を持って見積もる場合は、平均消費電力のモデルＰ_{n, k}（Δｔ）に対して、Δｔに依存した標準偏差σ_{n, k}（Δｔ）を加えたもの（図３３の破線参照）が用いられてもよい。この場合、期待値ｈ_{n, k}（ｔ）は、以下のように計算される。

ｈ_{n, k}（ｔ）＝ ｇ_{n, k}（ｔ） × ｛Ｐ_{n, k}（Δｔ）＋σ_{n, k}（Δｔ）｝

標準偏差σ_{n, k}（Δｔ）のモデルとしては、たとえば、Δｔ＝０、すなわち停電復旧時刻において最大であり、その後、時間の経過とともに減少するものを用い得る。そのようなモデルは、消費電力の不確定性が停電復旧直後に特に大きいことを考慮するのに適している。

なお、本発明は、その発明の範囲内において、各実施の形態を自由に組み合わせたり、各実施の形態を適宜、変形、省略することが可能である。

１０１〜１０３，１０５，１０６ 情報記憶部、１１０ 機種別推定機器数記憶部、１１５ 機種組み合わせ別推定機器数記憶部、１２０，１２０Ｃ，１２０Ｖ モード別稼働確率モデル記憶部、１２１ 機種別稼働確率モデル記憶部、１２１Ｃ 稼働確率の起動依存補正モデル記憶部、１２１Ｖ 機種別稼働確率の起動関連時間依存モデル記憶部、１２２ モード確率モデル記憶部、１２２Ｃ モード確率の起動関連時間依存モデル記憶部、１２５ モード別機種組み合わせ別稼働確率モデル記憶部、１３０ モード別消費電力モデル記憶部、１３０Ｖ モード別消費電力の起動関連時間依存モデル記憶部、１４０ 機器毎計測電力記憶部、１５０ モード特性記憶部、２０１〜２０４，２０６ 制御部、２２０，２２０Ｃ，２２０Ｖ モード別稼働機器数推定部、２２１，２２１Ｖ 機種別稼働機器数推定部、２２２ モード推定部、２３０ モード別消費電力推定部、２４０ 負荷合計部、２６０，２６０Ｖ モデル生成部、２７０ 自動モード特性判別部、２９０ 通信部、３００ 入力部、４００ 出力部、９０１〜９０３，９０３Ｄ，９０４〜９０６，９０６Ｖ 負荷予測装置、９０３Ｓ 負荷予測システム、９９０ 計測電力データベースサーバ、９９９ ネットワーク。

Claims (8)

1. 負荷機器に電力供給を行う配電系統の電力負荷を予測する、配電系統の負荷予測装置であって、
   前記負荷機器の各機種についてモード別かつ時刻別に稼働確率モデルを記憶するモード別稼働確率モデル記憶部と、
   前記負荷機器の各機種についてモード別に消費電力モデルを記憶するモード別消費電力モデル記憶部と、
   前記配電系統をなす複数の配電区間に含まれる一の配電区間内における前記負荷機器の機種別の推定機器数と、前記モード別稼働確率モデル記憶部に記憶された前記稼働確率モデルとに基づいて、前記一の配電区間について機種別かつモード別の稼働機器数を推定するモード別稼働機器数推定部と、
   前記モード別稼働機器数推定部によって推定された前記稼働機器数と、前記モード別消費電力モデル記憶部に記憶された前記消費電力モデルと、に基づいて、機種別かつモード別の消費電力を推定するモード別消費電力推定部と、
   前記モード別消費電力推定部によって推定された前記消費電力を合計することにより、前記一の配電区間における総消費電力の予測値を計算する負荷合計部と
   を備え、
   前記モード別稼働確率モデル記憶部に記憶される前記稼働確率モデルは、前記負荷機器の機種組み合わせ別の稼働確率モデルを含む、配電系統の負荷予測装置。
2. 請求項１に記載の配電系統の負荷予測装置であって、
   前記モード別稼働確率モデル記憶部は、
   前記負荷機器の機種別の稼働有無の確率モデルを記憶する機種別稼働確率モデル記憶部と、
   前記負荷機器の各機種について稼働時におけるモード確率モデルを記憶するモード確率モデル記憶部と
   を含む、配電系統の負荷予測装置。
3. 請求項２に記載の配電系統の負荷予測装置であって、
   前記モード確率モデル記憶部に記憶される前記モード確率モデルは、前記負荷機器の起動開始からの経過時間および起動前の停止時間のうち少なくとも一方への依存性を有する、配電系統の負荷予測装置。
4. 請求項１から３のいずれか１項に記載の配電系統の負荷予測装置であって、
   前記負荷機器の機種別のモード特性を記憶するモード特性記憶部と、
   前記負荷機器の機種別かつ時刻別の消費電力の計測結果が記録された計測電力データベースと前記モード特性記憶部とを用いて、前記モード別稼働確率モデル記憶部に記憶される前記稼働確率モデルと、前記モード別消費電力モデル記憶部に記憶される前記消費電力モデルとを生成するモデル生成部と
   をさらに備える、配電系統の負荷予測装置。
5. 請求項４に記載の配電系統の負荷予測装置であって、
   前記計測電力データベースから、前記モード特性記憶部に記憶される前記モード特性を自動で生成する自動モード特性判別部
   をさらに備える、配電系統の負荷予測装置。
6. 請求項１から５のいずれか１項に記載の配電系統の負荷予測装置であって、
   前記モード別稼働確率モデル記憶部に記憶される前記稼働確率モデルは、実使用時におけるモード別の稼働確率モデルを含む、
   配電系統の負荷予測装置。
7. 請求項１から６のいずれか１項に記載の配電系統の負荷予測装置であって、
   前記モード別消費電力モデル記憶部に記憶される前記消費電力モデルは、前記負荷機器の起動開始からの経過時間および起動前の停止時間のうち少なくとも一方への依存性を有する、
   配電系統の負荷予測装置。
8. 負荷機器に電力供給を行う配電系統の電力負荷を予測する、配電系統の負荷予測方法であって、
   前記配電系統をなす複数の配電区間に含まれる一の配電区間内における前記負荷機器の機種別の推定機器数と、モード別稼働確率モデル記憶部に前記負荷機器の各機種についてモード別かつ時刻別に記憶された稼働確率モデルとに基づいて、モード別稼働機器数推定部が前記一の配電区間について機種別かつモード別の稼働機器数を推定するステップと、
   前記モード別稼働機器数推定部によって推定された前記稼働機器数と、モード別消費電力モデル記憶部に前記負荷機器の各機種についてモード別に記憶された消費電力モデルとに基づいて、モード別消費電力推定部が機種別かつモード別の消費電力を推定するステップと、
   前記モード別消費電力推定部によって推定された前記消費電力を合計することにより、負荷合計部が前記一の配電区間における総消費電力の予測値を計算するステップと
   を備え、
   前記モード別稼働確率モデル記憶部に記憶される前記稼働確率モデルは、前記負荷機器の機種組み合わせ別の稼働確率モデルを含む、配電系統の負荷予測方法。

Images