JP6151440B2 - 削減された流体消費の推定 - Google Patents

Description

本発明の主題は、流体消費の管理の分野を扱うものであり、特に、本発明の主題は、流体消費の低減に関する。

本発明の目的の1つは、削減と称する相の間に削減されなければ、(家庭または産業)施設が消費することになる流体の量を精確に推定することにある。

このように、本発明には、特に、流体の需給を均衡させるために、エネルギー事業者が、流体の生産を最適化してリアルタイムに管理可能とすることによる、エネルギー事業者のための多くの有利な用途がある。

また、本発明には、特に、調整事業者が、削減期間の間に削減された流体の消費を精確に定量化可能とすることによる、調整事業者のための他の有利な用途がある。

本発明の趣旨において、ここで、以下の本記述全体を通じて、流体は、(家庭または産業)施設での機器により特にそこでの運用の目的で消費され得る、電気、水、さらにはガスもしくは燃料油などのあらゆるエネルギー源として理解されるべきである。

流体消費の管理は、個人および産業の双方について、日常的かつますます大きな課題となってきている。このような消費の管理を動機付けている理由は、経済(例えば、財務上の高コスト)および環境(例えば、汚染、温室効果ガス排出、天然資源管理)の双方である。

このような消費を管理するために、エネルギー事業者は、数年間に亘り、特に、ピーク消費の期間の間の流体消費の低減を目指す効果的なエネルギー政策を実施してきた。

個人においては、このピーク消費は、冬季の午後6時から8時に最も起こりやすい。これは、特に、1年のうちのその時期の気候条件および通常の家庭内使用が、理由になっている。

一般に、このピークエネルギー流体消費は、「急速」生産手段により充足されるが、このような手段は、汚染性が高いことが非常に多い。

このように、例えば、電力生産用に、燃焼タービンが用いられている。

電気エネルギーの分野では、このようなピークの間に、こうして増加した消費を制限するために、数十年間、誘引として料率が用いられてきた。

ほとんどの電気エネルギー供給者に、既成事実として、「ピーク」および「オフピーク」と称する時間についての特定の料率があった。このように、電気料金は、需要を低減または遅延させるために、一定のタイムスロットの間に高くなっている。

今では、他の解決策が実施されて、このような消費をより良好に管理している。エネルギー事業者は、実際に、アクティブ需要管理(Active Demand Management:ADMという頭字語としても知られている)の領域の間の改良された政策を確立してきた。この管理の目的は、住居市場および産業市場の双方について、エネルギー流体消費を制御および低減させることにある。

これらの解決策のうちの1つは、ある種の装置の電気的負荷を直接制御することからなる。

このように、暖房および/または清浄温水など、ある種の電気の使用例は、例えば、2時間(午後6時から8時までが好ましい)の高需要の時間に中断され得る。

このような電気消費削減時に、顧客は「削減する」と言われている。それは、顧客が、明らかに従来から任意に削減サービスに加入してきたためである。(引き換えに、特恵料率を受けることが非常に多い)。

これらの負荷制御手段は、一般に、1年に数日間(15日〜20日間)冬季に起動されるだけであり、流体消費および消費者への最終的な請求を著しく低減させるために用いられる。

したがって、このように削減された流体の量(「削減」とも称する)を精確に推定することは、極めて重要である。したがって、この流体の削減量は、実際に消費された流体量と、顧客が削減しないと消費されることになる流体量との差に対応している。この理論量を、「ベースライン」と称する。

このような流体の削減量、すなわち削減の推定は、さらに戦略的なものである。これは、今やこの削減から利益を得ることが可能なためである。これらのピークの間に、流体消費の制限を可能にし、場合によってはエネルギーを他の事業者に売って需要を満たすため、例えば、設定された時間間隔に亘り、毎半時間、削減を売ることに契約上合意した調整事業者が、実際に存在する。

この新しい問題に直面して、「ベースライン」(反事実(counterfactual)または非消費とも称する)を推定することによってこの削減を算出する多くの方法が提案されてきた。したがって、これらの様々な削減推定方法の精度は、「ベースライン」が推定される精度に依存する。

第1のアプローチは、削減相前後に電力を観察して、実際の消費を、削減開始時と終了時との間で線形補間することを提案することに依拠している。

このようなアプローチは、特に、文献WO 2008/017754に記載されている。

この第1のアプローチには、主として、2つの欠点がある。

第1に、このアプローチは、削減開始時と終了時との間の消費者の行動が線形であることを暗黙裡に想定している。このような作業仮説は正確ではなく、出願人によりなされた研究は、このアプローチに基づく方法を実施すると、「ベースライン」、したがって削減された流体量を、過大または過小に推定することが不可避であることを、明瞭に示した。

第2に、削減開始前の予期効果(すなわち、消費の作為的な増加)、および削減終了後に得られるリバウンド効果(すなわち、特に暖房の追上効果による技術的な増加)は、消費曲線上で系統的に観察される。

したがって、第1のアプローチによる「ベースライン」を推定することにより、推定およびリバウンド効果は、不可避的に推定誤差につながる。

「ベースライン」を推定するためのこのような近似は、容認できるものではなく、特に、推定された削減が、最終的に支払という結果につながるのであれば、容認できるものではない。

第2のアプローチは、対照群または証拠群と称する顧客群についての平均負荷曲線により、「ベースライン」を推定することからなる。

このアプローチが機能するためには、対照群の顧客は、削減することができない。

同様に、このようなアプローチに、誤差がないわけではない。これは、対照群と、削減と称する削減サービス加入顧客群とに、どうしても偏りがあるためである。

実際に、削減サービスに加入することは、顧客が環境および/または制御費用に関心があることを、必然的に暗示している。

したがって、この手法は、削減サービスに加入した顧客群と同等で、消費の点で、特に削減相の間に、同様に行動する対照群を構築しようとするものではない。

対照群は、削減サービスに加入していない顧客群のサンプルからランダムに選択される。

理論的には、削減顧客群からランダムに対照群を選択することにより、削減サービスに加入した顧客群と同等な対照群を構築すると考えることは可能である。

それにもかかわらず、このような解決策は、特に、コストおよび平均という理由により、実際には有効に実施されることが不可能である。実際に、削減サービスに加入した顧客は、いずれも、依頼されて削減処理に加入している。したがって、このような顧客を除外して対照群を構築することは不可能である。

技術文書、Navigant Consulting:「Evaluation Report: Home Energy Reports - Plan Year 4」は、上記のものと同様のアプローチを詳細に説明するものであり、現況技術により既知である。

実際に、本文書において、加入した顧客は、対照群または削減顧客群に対して、ランダムに割り当てられる。

本アプローチは、理論的な観点から一貫しているが、実際の動作では、本アプローチは、実行可能ではない。

第1に、上述のように、削除の提案に同意する顧客をランダムに分配することが可能ではない。削減サービスに加入したクライアントは、対照群を構築するために削減しないようにすることからブロックされることができない。同様に、サービスへの加入を望まない場合、顧客に削減を強いることは考えられない。本アプローチの間に、得られる結果は強く偏ることになる。

第2に、このようなアプローチは、非常に長い処理時間を要する。少なくとも2つの季節が必要である。実際に、相対的に安定な結果を提供し、効果的な類似性を示すためには、このアプローチは、少なくとも2季連続した測定を要する。各群について測定したサンプルが同様であることを確認するための第1の季節、および削減を測定するための第2の季節である。

このように、本文献において提案された対照群の構築は、実験の一部としてのみ使用可能である。本アプローチは、対照群が動的に作成される必要があり、特に再調整市場のために、リアルタイムで削減が決定される場合、運用上使用可能である。

このとき、現況技術において関連の対照群を構築するための効果的な方法はない。

WO 2008/017754

Navigant Consulting:「Evaluation Report: Home Energy Reports - Plan Year 4」

本発明の目的は、上述の状況を改善させることにある。

このように、本発明の目的の1つは、削減相の間に削減された流体消費量を、精確かつリアルタイムで推定するために、削除サービスに加入した顧客群と同等に動作する対照群を構築可能とすることにある。

本発明の他の目的は、他の削減を算出するために他の群に適用可能な、柔軟かつ適応可能な対照群を構築可能にすることにある。

この目的のため、本発明の主題は、削減相の間に削減された流体消費を推定する方法を含む。この推定は、リアルタイムまたは事後的(削減後を意味する)になされることが好ましい。

本発明によると、推定方法は、コンピュータ手段により実行され、学習相の間に、
- 第1群からのn個の流体メータからの流体消費の情報を含む第1の消費データを収集することからなる第1の収集ステップであって、nは、正の整数であるステップと、
- 第2群からのm個の流体メータからの流体消費の情報を含む第2の消費データを収集することからなる第2の収集ステップであって、mは、正の整数であるステップとを含む。

このデータ収集は、連続的または定期的になされる。

mは、厳密にnより大きいことが好ましい。このように、より精確な結果を得ることが可能である。

第1群からのn個の流体メータは、削減サービスに加入しているとともに、第2群からのm個の流体メータは、削減サービスに加入していないとよい。

本発明によると、推定方法は、次に、第1および第2の収集された消費データを解析するステップを含む。

このステップの間に、重み付け係数β_i(ここで、iは1からmの正の整数)は、第1群および第2群の流体消費間の差を最小化するように、この消費データの関数として算出される。

学習相の間に、本発明による方法は、決定ステップであって、その間、対照群は、第2群からのm個の流体メータからの第2の消費データから、解析ステップの間に算出された重み付け係数β_iの関数として決定される、ステップをさらに含む。

本発明による方法は、設定された削減相の間に、削減された流体消費を、対照群の流体消費と前記第1群からの前記n個の流体メータの平均流体消費との差を算出することにより推定することからなる推定ステップを含むとよい。

技術ステップの遷移、本発明の特徴により、流体メータからの消費データを、遠隔かつリアルタイムで収集することが可能である。流体メータは、(家庭および/または産業)施設にリンクして、重み付け係数を、これらのデータの関数として(リアルタイムまたは事後的に)算出する。

重み付け係数の算出は、本発明の特徴である。実際に、これらの係数にて、削減サービスに加入した流体メータ群と同等の対照群を迅速かつ精確に構築することが可能となる。このように、本発明によると、導入部で言及した現況技術とは異なり、対照群は、ランダムに構築されるのではない。

本発明によると、対照群は、第1群からの流体メータの学習相の間の平均流体消費に最も近い、第2群の流体メータからの個別の流体消費の一次結合として得られる。

この対照群により、このように、削減相の間に削減された流体消費をリアルタイムで精確に推定することが可能であり、これは、対照群の流体消費を観察することによりなされる。

このように、本発明は、あらゆる型の削減(負荷の直接制御、または、例えば請求を低減させるための、例えば顧客による自発的および1回限りの削減などのあらゆる他の削減型)の間に削減された流体量の推定に、適用される。

学習相は、削減相の前になることが好ましい。

好適な変形例にて、重み付け係数は、解析ステップの間に、以下の式を解くように算出され、

ここで、
- P_2,j(t)は、第2群に属する前記流体メータjの前記学習相の間の個々の流体消費であり、
-

は、第1群からのn個の流体メータの学習相の間の平均流体消費である。

流体消費は、消費された電力の電力表現であることが好ましい。また、この流体消費は、消費エネルギーの表現であってもよい。

本発明は、解析ステップの間に、重み付け係数β_iを算出するための様々な実施形態を提供する。

第1の実施形態では、重み付け係数β_iの算出は、第1群および第2群の流体消費の差を最小化する、第2群の流体メータの一連の選択を含む。

第2群の流体メータkの流体消費が選択された場合には、値「1」が、重み付け係数β_kに対して割り当てられ、他の場合には、値「0」が割り当てられる。ここで、kは、1からmまでの正の整数である。

このアルゴリズムは、順次選択と称し、実施が容易である。

さらに、このアルゴリズムは、第2群からの流体メータに対して、それが選択された場合に重み「1」を割り当てる。これは、特に、mがm≫nの大きさである場合、運用上有意義である。

本実施形態では、対照群を決定するステップは、第2群の平均流体消費を、重み付け係数の関数として算出することを含み、このような算出は、以下の数式に従ってなされることが好ましい。

ここで、P_2,j(t)は、第2群に属する流体メータjの学習相の間の個々の流体消費である。

流体消費は、消費された電力の電力表現であることが好ましい。また、顧客の負荷曲線についても考察される。また、この流体消費は、消費エネルギーの表現であってもよい。

第2の実施形態では、重み付け係数β_iの算出は、第2群のm個の流体メータの各々の流体消費に亘る、第1群からのn個の流体メータの平均流体消費の線形回帰、好ましくは制約線形回帰を含む。

ここで、制約線形回帰は、以下の型のモデルの係数のノルムに制約を導入した線形回帰を意味するものと理解される。
‖β‖≦δ,β∈R^m
ここで、β=(β₀,…,β_m)
‖・‖L1、L2型または他のノルム
βは、m+1個の係数(定数について1係数+各変数毎に1係数(対照群に含まれる顧客))のパラメータのベクトルである。

ここで、変数は、一顧客の負荷曲線に対応している。

このような制約線形回帰は、いくつかのアプローチに従ってなされ得る。

第1のアプローチによると、制約線形回帰は、リッジ型である。

第2のアプローチによると、制約線形回帰は、ラッソ型である。

ある有益な下位変形例(sub-variant)では、正のラッソ型制約線形回帰を用いることが可能である。

また、PLSすなわち正の最小二乗(Positive Least-Squares)、またはPCRすなわち主成分回帰分析(Principal Components Regression)型の線形回帰であってもよい。

上述のように提案された様々な線形回帰には、いずれも、特に、以下の利点がある。

- 削減顧客群が経時的に変化する場合(例えば、新規顧客、失った顧客)であっても、削減顧客群に最も近い対照群を常に有する。これは、モデルからの推定が、短い履歴に基づくためである。

- 削減顧客数の増大/減少により、または、生産手段の停止/開始により、電気系が不均衡である場合にも、ネットワーク事業者が、削減にリアルタイムで対応可能であり行動可能である。

- 調整事業者がその削減契約に完全に適合することを調整事業者に保障し、削減契約の不遵守の場合には削減顧客数の増大または低減により動作可能となる。

- 削減を利用する市場に亘る10分または30分のステップにて、実行を検査する。

重み付け係数が、線形回帰を用いて算出される場合、対照群を決定するステップは、第2群の平均流体消費を、重み付け係数の関数として算出することを含み、このような算出は、以下の数式に従ってなされることが好ましい。

ここで、P_2,j(t)は、第2群に属する流体メータjの学習相の間の個々の流体消費である。

関連する方法にて、本発明の主題は、コンピュータプログラムを含む。このプログラムは、上述の推定方法のステップを実行するのに適した命令を含み、特に、コンピュータプログラムが少なくとも1つのプロセッサにより実行される場合の命令を含む。

このようなコンピュータプログラムは、任意のプログラム言語を使用可能であり、ソースコード、オブジェクトコード、または、部分的にコンパイルされた形式または任意の他の所望の形式などのソースコードとオブジェクトコードとの間の中間コードの形式であり得る。

同様に、本発明の主題は、上述の方法ステップを実行するための命令を含むプログラムが記録された、コンピュータ可読記録媒体を含む。

さらに、記録媒体は、プログラムを格納可能な任意の実体またはデバイスであってもよい。例えば、媒体は、例えば、CD-ROMまたはマイクロ電子回路型ROMメモリなどのROMメモリのような記憶手段、または例えば、フロッピー（登録商標）ディスク型ディスケットまたはハードドライブなどの磁気記録手段を備え得る。

さらに、この記録媒体は、電気または光学信号などの伝送媒体であってもよく、このような信号は、電気もしくは光学ケーブル、従来の無線もしくは見通し内無線(line-of-sight radio)により、または自動照準レーザービームにより、または他の任意の手段により、ルーティングされてもよい。本発明によるコンピュータプログラムは、特に、インターネット型のネットワークを通じてダウンロードされてもよい。

また、記録媒体は、コンピュータプログラムが組み込まれた集積回路であってもよく、この集積回路は、当該方法の実行に、またはその実行に用いられるのに適している。

本発明の主題は、削減相の間に削減された流体消費を推定するデバイスを含む。

この目的のために、本発明による推定デバイスは、上述の推定方法からのステップを実行するように構成されたコンピュータ手段を備えている。

より精確には、推定デバイスは、以下のものを収集するように構成された収集モジュールを備えている。
a)第1群からのn個の流体メータからの流体消費の情報を含む第1の消費データであって、nは、正の整数であり、第1群からのn個の流体メータは、削減サービスに加入している、第1の消費データと、
b)第2群からのn個の流体メータからの流体消費の情報を含む第2の消費データであって、mは、正の整数であり、前記第2群からの前記m個の流体メータは、削減サービスに加入していない、第2の消費データとである。

好適には、推定デバイスは、
- 第1および第2の消費データの関数として、第1群および第2群の流体消費間の差を最小化する重み付け係数β_iを算出するように構成されたコンピュータ解析モジュールまたは計算機であって、iは、1からmまでの正の整数である、コンピュータ解析モジュールと、
- 対照群を、第2群からのm個の流体メータからの第2の消費データから、および解析コンピュータモジュールにより算出された重み付け係数β_iから決定するように構成されたプロセッサと、
- 削減相の間に削減された流体消費を、対照群の流体消費と第1群からのn個の流体メータの平均流体消費との差を算出することにより推定するように構成された推定コンピュータモジュールと
をさらに備えている。

上述のこのような様々な機能および構造の側面により、本発明は、リアルタイムで(または事後的に)精確に、削減相の間に削減された流体消費量を推定するようにはたらく。ここで、本発明は、あらゆる種類の削減(負荷の直接制御による削減、または顧客による自発的な削減)に適用可能である。

本発明の他の特徴および利点は、実例としての実施形態を示す添付の図1〜図3を参照して、以下の説明により明らかとなるが、これに限定されるものではない。

本発明の実例としての実施形態による推定デバイスを模式的に示す図である。 本発明の方法の実例としての実施形態による様々な実行ステップを含むブロック図である 午後6時から8時に削減が実施された場合の流体メータの第1群からの平均流体消費の1日の変動および対照群の変動を示す図である。 削減サービスが実施された場合の午後6時から8時の削減の推定を表すグラフである。

削減された流体消費Eを推定する方法、および関連付けられたデバイス100について、図1から図3をともに参照することにより、以下説明する。

上述のように、削減相Teの間に、削減サービスに加入したn個の流体メータCF_1,1、CF_1,2、CF_1,nの第1群G1の削減された流体消費E(図3aおよび図3bに示す)を直接測定することはできない。

実際に、このような削減値Eが測定されるわけではない。それは、純粋に架空かつ理論的であるためである。

上述のように、この削減された流体消費Eの推定は、エネルギー業務者(energy activity player)のための戦略的問題を同様に表す。

これまでに提案された各アプローチは、不充分である。各アプローチは、近似が強いままであり、特に、削減を取り巻く経済および金融問題(これは、現代では完全市場を示す)を考慮したときに受け入れ難い推定誤差がある。

したがって、削減された流体消費Eの推定の改善は、ここで、本発明の目的の1つである。

このように、ここに説明する例において、図1に示すように、本発明による推定デバイス100は、収集モジュール10を備えている。このモジュールは、例えば、スマートメータ型の自動遠隔読み取り装置であり、設定された学習相Taの間に、第1の収集ステップS1および第2の収集ステップS2の間に、消費データを同時に収集する。

より詳細には、ここに説明した例において、図1に示すように、収集モジュール10は、連続的または定期的に、第1の消費データD_CF_1,1、D_CF_1,2、D_CF_1,n、および第2の消費データD_CF_2,1、D_CF_2,2、D_CF_2,mを収集する。周期的になされる収集は、学習相Tの間の15または30分のステップにて、完全に満足な結果を与える。

ここに説明する例にて、第1のデータD_CF_1,1、D_CF_1,2、D_CF_1,nは、第1群G1のn個の流体メータCF_1,1、CF_1,2、CF_1,nの個別の流体消費P_1,1(t)、P_1,2(t)、P_1,n(t)についての情報を含む。第2の消費データD_CF_2,1、D_CF_2,2、D_CF_2,mは、第2群G2からのm個の流体メータCF_2,1、CF_2,2、CF_2,mの個別の流体消費P_2,1(t)、P_2,2(t)、P_2,m(t)についての情報を含む。ここで、m個の流体メータCF_2,1、CF_2,2、CF_2,mは、削減サービスに加入していない。

図1に示すように、上記の流体メータCF_1,1、CF_1,2、CF_1,nおよびCF_2,1、CF_2,2、CF_2,mの各々は、それぞれ、施設I_1,1、I_1,2、I_1,nおよびI_2,1、I_2,2、I_2,mに対して接続されており、施設I_1,1、I_1,2、I_1,nおよびI_2,1、I_2,2、I_2,mの全ての機器によりそれぞれ消費された流体量を測定するように構成されている。

ここに説明する例において、mは、nよりも厳密に大きい(ここでm≫n)。これにより、より精密な結果を取得可能となる。

したがって、本発明の基礎となる概念は、流体メータの第2群G2からの対照群GCを構築することにあり、この対照群GCは、消費の観点で第1群G1の動作に最も近くなるようにすることである。

このように、このような群GCを一貫して構築し、削減された流体消費Eを精確に推定するために、本発明は、第2群G2の流体メータを、その平均消費

と、第1群G1の平均消費

との差が最小となるように、選択することを目的とする。

この最小の差を求めるには、重み付け係数β_iの計算が必要である。ここで、iは、1からmまでの正の整数である。

この目的のために、説明して図1に示した例において、推定デバイス100は、コンピュータ解析モジュール20を備えている。このモジュールは、解析ステップS3の間に、第1および第2の収集された消費データを解析し、これらのデータの関数として、第1群G1および第2群G2の流体消費間の差を最小化するように、重み付け係数β_iを算出する。

ここに説明する例では、コンピュータ解析モジュール20は、重み付け係数β_iが以下の式(1)を解くように構成されている。

ここで、
- P_2,j(t)は、第2群G2に属する流体メータjの学習相Taの間の個別の流体消費である。
-

は、第1群G1からのn個の流体メータCF_1,1、CF_1,2、CF_1,nの学習相Taの間の平均流体消費である。

ここに説明する例では、これは、平均流体消費

が以下のように算出されるということである。

ここで、P_1,j(t)は、第1群G1に属する流体メータjの学習相Taの間の個別の流体消費である。

ここに説明する例では、上述のいくつかのアプローチは、式(1)を解いて重み付け係数β_iを算出するために、解析モジュール20をプログラムするために提供される。

ここに説明する例では、デバイス100は、決定ステップ40の間に、モジュール20により算出された重み付け係数β_iを利用し、第2群G2に基づく対照群GCを決定するように構成された、決定(またはプロセッサ)モジュール30をさらに含む。ここで、この対照群GCは、第1群G1からの流体メータCF_1,1、CF_1,2、CF_1,nの学習相Taの間の平均流体消費

に最も近づく、第2群G2からの流体メータCF_2,1、CF_2,2、CF_2,mの個々の流体消費P_2,j(t)の一次結合である。

重み付け係数β_iの算出は、本発明の特徴である。

これらの係数を算出するために、第1のアプローチは、既に上述したように、第2群G2からの流体メータCF_2,1、CF_2,2、CF_2,mの一連の選択を提供する。

m個の流体メータで、重み「0」または「1」にて構築可能な対照群GCの数は、2^m-1のオーダーの複雑度を有する。可能な部分群数を低減させるために、解析モジュール20は、第2群G2からの流体メータCF_2,1、CF_2,2、CF_2,mの個々の消費P_2,kを、順次∀t=1,…,l選択することにより、差

を低減させようとする。

このような変形例では、解析モジュール20内に実装されたアルゴリズムは、以下の形式をとる。
・k=1で初期化:

・k=2,…,mでループ:

・このように、個体の集合{i₁}⊂…⊂{i₁,…,i_k,…,i_m}およびそれぞれの差

が取得され、差

を最小化する個体の集合{i₁,…,i_k}が選択される。

この変形例によると、対照群GCは、ステップS4の間に、以下の数式に従い、この対照群GCを決定するプロセッサ30により取得される。

ここで、

また、重み付け係数を算出するのにより効果的な他のアプローチも、本発明の一部である。

上述のように、測定数が制限されていることが望ましい。

ここで、説明用の変数は、対照群を形成するために使用可能な顧客の負荷曲線である。したがって、説明用の変数の数mは、数十万の規模であり得る。よって、我々はm≫nを得る。

さらに、顧客は、相互に関連付けられ得る。したがって、m<nであっても、説明用の変数のファミリが関連付けられ得る。このことは、文書、Navigant Consulting:「Evaluation Report: Home Energy Reports - Plan Year 4」で提案されたもののような従来の線形回帰では、可能ではなかった。

この問題を解決するために、本発明は、説明用の変数の行列が最大階数となるアプローチを提供する。

これは、2つの大きな方法ファミリで可能である。

- ラッソ(Lasso)、リッジ(Ridge)および弾性ネット型およびその導関数の制約線形回帰。

以下の型のモデル係数のノルムに制約を導入する線形回帰法を伴う。
‖β‖≦δ,β∈R^m
ここで、β=(β₀,…,β_m)
‖・‖およびL1またはL2型のノルムまたはその他
βは、m+1個の係数(定数について1係数+各変数毎に1係数)のパラメータのベクトルである。

- 主要成分についての回帰、およびPLS型回帰であり、その目的は、変数空間を直交化させて削減することにある。リッジおよびラッソと称するアプローチにつき、以下、さらに詳細に説明する。

リッジアプローチによると、上記式(1)を解くことは、L2ノルムを用い、第2群G2の個々の消費に亘って、第1群G1の平均流体消費の線形回帰をとることからなる。

したがって、ここに説明する例では、式(1)のこの解は、以下の最小化を解くことと同等である。

これには、ベクトルβ:‖β‖₂≦λのL2ノルム上の制約を伴い、パラメータλは、交差検定により選ばれたものである。

また、ラッソアプローチに従う回帰アルゴリズムが、
式(1)を解くために、解析コンピュータモジュール20に実装される。

本アプローチによると、式(1)を解くことは、以下の最小化を解くことと同等である。

これには、ベクトルβ:‖β‖₁≦τのL1ノルム上の制約を伴い、ここで、パラメータτは、交差検定により選ばれたものである。

L1ノルム上の制約には、流体メータ(したがって顧客)をより控えめに選択し、それにより対照群GCと削減群G1との偏りを低減させる利点がある。

換言すれば、ベクトルβのL1ノルム上のこの制約があると、対照群GCにおけるより多くの顧客が、「0」に等しい重み付け係数(または重み)を有することになる。

また、係数が正の個体を選択することを要求することにより、重み付け係数に追加の制約を課すことも可能である。我々は、正ラッソ制約線形回帰(positive Lasso constraint linear regression)について示す。

線形回帰による重み付け係数の算出を用いたこれらの様々なアプローチによると、対照群GCは、プロセッサ30により、決定ステップ40の間に、以下の式に従って算出される。∀t=1,…,l:

ここに説明する例では、この群GCがいったん決定すると、推定コンピュータモジュール40または推定器は、推定ステップS5の間に、削減相Teの間に、対照群GCの流体消費と、第1群G1のn個の流体メータCF_1,1、CF_1,2、CF_1,nの平均流体消費との差を算出することにより、削減された流体消費Eを、リアルタイムで推定することができる。

ラッソアプローチを伴って実施される様々な試験の間に、出願人は、現況技術にて提案された、10%を超える誤差率のアプローチに対して、誤差率8%未満の特に効果的な結果が得られることを示した。

このような結果は、当日より前に、日未満の負荷曲線から対照群を構築することにより、可能となる。

この原理には、時間的に一定の測定可能な変数の効果(例えば、場所、家屋型など)、時間変動する測定可能な変数の効果(例えば、気候など)、および測定不能な変数(例えば、政治的意見、環境敏感性、管理プロファイルなど)を、完全に補足するという利点がある。

さらに、削減のよりきめ細かい推定を超えて、本発明では、削減前後に消費者によりもたらされた予期およびリバウンド効果により得られた過大な推定の影響が、回避可能である。

最後に、本発明は、顧客、流体の消費者の動作、および削減サービスに加入する新規顧客の到来に基づき、時間の経過に合わせるリアルタイム推定を可能にすることにより、最新技術の他のアプローチから区別される。

また、構築された対照群は、他の削減を算出するために、他の群にも適用可能である。

本発明は、例えば事業者により、負荷の直接管理による削減で、削減された流体消費を推定することに、特に有利に適用される。明らかに、本発明は、例えば、率の急騰(rate spike)の間に、例えば、顧客による自発的および1回限りの削減などのあらゆる種類の削減に適用される。

ここに説明する例では、デバイス100の物理的実体の各々について、上述の全ての技術的機能は、記録媒体CI上に記録されたコンピュータプログラムPGにより、ここで駆動される。

この詳細な説明は、本発明の具体的なサンプルの実施例に対応しているが、本発明の主題について決して制限的にはたらくものではなく、全く逆に、その目的は、以下の特許請求の範囲のあらゆる不明瞭またはあらゆる解釈の誤りを取り除くことにあることを理解されたい。

10 収集モジュール
20 解析モジュール
30 決定モジュール
40 推定モジュール
100 推定デバイス

Claims (14)

1. 削減相(Te)の間に削減された流体消費(E)を推定する方法であって、前記方法は、コンピュータ手段により実行され、
   学習相(Ta)の間:
   - 第1群(G1)からのn個の流体メータ(CF1,1、CF1,2、CF1,n)からの流体消費の情報を含む第1の消費データ(D_CF1,1、D_CF1,2、D_CF1,n)を収集することからなる第1の収集ステップ(S1)であって、nは、正の整数であり、前記第1群(G1)からの前記n個の流体メータ(CF1,1、CF1,2、CF1,n)は、削減サービスに加入している、ステップと、
   - 第2群(G2)からのm個の流体メータ(CF2,1、CF2,2、CF2,m)からの流体消費の情報を含む第2の消費データ(D_CF2,1、D_CF2,2、D_CF2,m)を収集することからなる第2の収集ステップ(S2)であって、mは、正の整数であり、前記第2群(G2)からの前記m個の流体メータ(CF2,1、CF2,2、CF2,m)は、削減サービスに加入していない、ステップと、
   - 前記第1および第2の収集された消費データ(D_CF1,1、D_CF1,2、D_CF1,n、D_CF2,1、D_CF2,2、D_CF2,m)を解析するステップ(S3)であって、その間、重み付け係数βiは、第1群(G1)および第2群(G2)の流体消費間の差を最小化するように、これら第1および第2の消費データの関数として算出され、iは、1からmまでの正の整数である、ステップと、
   - 決定ステップ(S4)であって、その間、対照群(GC)は、第2群(G2)からのm個の流体メータ(CF2,1、CF2,2、CF2,m)からの第2の収集された消費データ(D_CF2,1、D_CF2,2、D_CF2,m)から、前記解析ステップ(S3)の間に算出された重み付け係数βiの関数として決定される、ステップと、
   削減相(Te)の間:
   - 削減相の間に削減された流体消費(E)を、対照群(GC)の流体消費と前記第1群(G1)からの前記n個の流体メータ(CF1,1、CF1,2、CF1,n)の平均流体消費との差を算出することにより推定することからなる推定ステップ(S5)と
   を含む方法。
2. 前記重み付け係数は、解析ステップ(S3)の間、以下の式を解くように算出され、
   

   

   ここで、
   - P2,j(t)は、前記第2群(G2)に属する前記流体メータjの前記学習相(Ta)の間の個別の流体消費であり、
   -
   

   

   は、前記第1群(G1)からの前記n個の流体メータ(CF1,1、CF1,2、CF1,n)の前記学習相(Ta)の間の平均流体消費であることを特徴とする、請求項1に記載の方法。
3. mは、nよりも厳密に大きいことを特徴とする、請求項1または2に記載の方法。
4. 前記解析ステップ(S3)の間、前記重み付け係数βiの算出は、前記第1群(G1)および第2群(G2)の前記流体消費の差を最小化する、前記第2群(G2)からの前記流体メータの一連の選択を含むことを特徴とする、請求項1から3のいずれか一項に記載の方法。
5. 前記解析ステップ(S3)の間、前記第2群(G2)からの前記流体メータkの個別の流体消費が選択された場合には、値「1」が、前記重み付け係数βkに対して割り当てられ、他の場合には、値「0」が割り当てられ、kは、1からmまでの正の整数であることを特徴とする、請求項4に記載の方法。
6. 前記対照群(GC)の前記決定ステップ(S4)は、前記第2群(G2)の平均流体消費
   

   

   を、重み付け係数の関数として算出することを含み、このような算出は、以下の数式に従ってなされ、
   

   

   ここで、P2,j(t)は、前記第2群(G2)に属する前記流体メータjの前記学習相(Ta)の間の個別の流体消費であることを特徴とする、請求項4または5のいずれか一項に記載の方法。
7. 前記解析ステップ(S3)の間、前記重み付け係数βiの算出は、前記第2群(G2)からの前記m個の流体メータ(CF2,1、CF2,2、CF2,m)の各々の個別の流体消費に亘る、前記第1群(G1)からの前記n個の流体メータ(CF1,1、CF1,2、CF1,n)の平均流体消費の線形回帰を含むことを特徴とする、請求項1から3のいずれか一項に記載の方法。
8. 前記線形回帰は、制約線形回帰であることを特徴とする、請求項7に記載の方法。
9. 対照群(GC)の決定ステップ(S4)は、前記第2群(G2)の平均流体消費
   

   

   を、重み付け係数の関数として算出することを含み、このような算出は、以下の数式に従ってなされ、
   

   

   ここで、P2,j(t)は、前記第2群(G2)に属する前記流体メータjの前記学習相(Ta)の間の個別の流体消費であることを特徴とする、請求項7または8に記載の方法。
10. 前記流体消費は、消費された電力の電力表現であることを特徴とする、請求項1から9のいずれか一項に記載の方法。
11. コンピュータプログラム(PG)が少なくとも1つのプロセッサにより実行された場合に、請求項1から10のいずれか一項に記載の推定方法のステップを実行するのに適した命令を含む、コンピュータプログラム(PG)。
12. 請求項1から10のいずれか一項に記載の推定方法のステップを実行するための命令を含むコンピュータプログラム(PG)が格納された、コンピュータ可読記録媒体(CI)。
13. 削減相(Te)の間に削減された流体消費(E)の推定のためのデバイス(100)であって、前記デバイス(100)は、
    - 収集モジュール(10)であって、
    a)第1群(G1)からのn個の流体メータ(CF1,1、CF1,2、CF1,n)からの流体消費の情報を含む第1の消費データ(D_CF1,1、D_CF1,2、D_CF1,n)であって、nは、正の整数であり、前記第1群(G1)からの前記n個の流体メータ(CF1,1、CF1,2、CF1,n)は、削減サービスに加入している、第1の消費データ、および
    b)第2群(G2)からのm個の流体メータ(CF2,1、CF2,2、CF2,m)からの流体消費の情報を含む第2の消費データ(D_CF2,1、D_CF2,2、D_CF2,m)であって、mは、正の整数であり、前記第2群(G2)からの前記m個の流体メータ(CF2,1、CF2,2、CF2,m)は、削減サービスに加入していない、第2の消費データを収集するように構成された収集モジュール(10)と、
    - 前記第1および第2の消費データ(D_CF1,1、D_CF1,2、D_CF1,n、D_CF2,1、D_CF2,2、D_CF2,m)の関数として、第1群および第2群の流体消費間の差を最小化する重み付け係数βiを算出するように構成されたコンピュータ解析モジュール(20)であって、iは、1からmまでの正の整数である、コンピュータ解析モジュール(20)と、
    - 対照群(GC)を、第2群(G2)からのm個の流体メータ(CF2,1、CF2,2、CF2,m)からの第2の収集消費データ(D_CF2,1、D_CF2,2、D_CF2,m)から、前記コンピュータ解析モジュール(20)により算出された前記重み付け係数βiの関数として決定するように構成されたプロセッサ(30)と、
    - 削減相(Te)の間に削減された流体消費(E)を、対照群(GC)の流体消費と前記第1群(G1)からの前記n個の流体メータ(CF1,1、CF1,2、CF1,n)の平均流体消費との差を算出することにより推定するように構成された推定コンピュータモジュール(40)と
    を備えたデバイス。
14. 請求項1から10のいずれか一項に記載の推定方法のステップを実行するように構成されたコンピュータ手段を、さらに備えたことを特徴とする、請求項13に記載のデバイス(100)。

Images