JP6342700B2 - 電力消費行動推定装置 - Google Patents

Description

本発明は、需要家による電力消費行動を推定する電力消費行動推定装置に関する。

従来から、需要家による電力消費行動の推定に利用可能なシステム及び装置が提案されている。

従来のシステムの一つとしては、例えば、電気機器モニタリングシステムが知られている（下記特許文献１を参照）。この従来のシステムでは、計器用変成器及び計器用変流器により測定された測定データから総負荷電流の基本波並びに高調波の電流値パターン及び電圧に対する位相差パターンを得る。そして、この従来のシステムでは、総負荷電流の基本波並びに高調波の電流値パターン及び電圧に対する位相差パターンを推定アルゴリズムに入力し、同アルゴリズムによるパターン認識により電気機器のオンオフ動作状態を推定する。

従来の装置の一つとしては、例えば、電気機器稼働状況把握装置が知られている（下記特許文献２を参照）。この従来の装置では、電力線により供給される電力が増加すると増加した分だけ稼働時に電力消費する電気機器が稼働したと判断する。一方、この従来の装置では、電力線により供給される電力が減少すると減少した分だけ稼働時に電力消費する電気機器が稼働を停止したと判断する。

特開２００１−３３０６３０号公報 特開２００３−３３３７６８号公報

ところで、宅内で電力を消費することにより作動する電気機器は、需要家により頻繁に新設されたり更新されたりする。加えて、これら電気機器を利用して生活している需要家による電力消費行動、換言すれば、需要家の生活行動は、千差万別であり常に変化し得る。このような状況において、常に、前記高調波の電流値パターン等を正確に測定して前記推定アルゴリズムに入力したり、個々の電気機器の消費電力量を測定して装置に入力したりして、需要家による電力消費行動を推定することは困難であり、且つ、煩雑である。

本発明は、上記した問題に対処するためになされ、その目的の一つは、簡便に且つ正確に取得できる総消費電力量を用いて需要家による電力消費行動の推定を精度よく行うことができる電力消費行動推定装置を提供することにある。

上記目的を達成するための本発明による電力消費行動推定装置は、総消費電力量取得部及び推定処理部を備える。前記総消費電力量取得部は、需要家により消費された電力量の総量を表す総消費電力量を取得する。前記推定処理部は、前記総消費電力量取得部により取得された前記総消費電力量の経時的な増減変化に基づいて需要家による電力消費行動を推定する。

前記推定処理部は、需要家による複数の電力消費行動が既知になっている総消費電力量を学習用の総消費電力量として用いる。前記推定処理部は、前記総消費電力量取得部により取得される総消費電力量から抽出される特徴量の系列を仮想的な電力消費行動の系列として識別するための所定の識別モデルを、前記学習用の総消費電力量から抽出された特徴量の系列及び同特徴量の系列に対応付けられた前記仮想的な電力消費行動の系列を用いて学習する。加えて、前記推定処理部は、前記学習用の総消費電力量から抽出された特徴量の系列を前記学習した所定の識別モデルを用いて識別した前記仮想的な電力消費行動の系列における複数の仮想的な電力消費行動と、前記既知になっている需要家による複数の電力消費行動と、の対応を学習する。

そして、前記推定処理部は、需要家による電力消費行動を推定する被総消費電力量を前記総消費電力量取得部から取得して前記被総消費電力量から特徴量の系列を抽出し、前記被総消費電力量の特徴量の系列を、前記学習した所定の識別モデルを用いて前記仮想的な電力消費行動の系列として識別し、前記識別した仮想的な電力消費行動の系列における複数の仮想的な電力消費行動を、前記学習した対応を用いて変換することにより、前記被総消費電力量における前記需要家による電力消費行動を推定するように構成される。

本発明の電力消費行動推定装置では、推定処理部は、需要家による電力消費行動が既知である学習用の総消費電力量から抽出される特徴量の系列及び同特徴量に対応付けられた仮想的な電力消費行動の系列を用いて、所定の識別モデルを学習する。加えて、推定処理部は、学習した識別モデルを用いて学習用の総消費電力量における特徴量から識別した仮想的な電力消費行動の系列における複数の仮想的な電力消費行動と既知の複数の電力消費行動との対応を学習する。

これらの学習により、推定処理部は、総消費電力量取得部により簡便に且つ正確に取得された、電力消費行動が未知の被総消費電力量から抽出された特徴量の系列を、学習した識別モデルを用いて仮想的な電力消費行動の系列として識別することができる。そして、推定処理部は、複数の仮想的な電力消費行動と既知の複数の電力消費行動とについて学習した対応を用いて、被総消費電力量から需要家による実際の電力消費行動の推定を高い精度で行うことができる。更に、推定処理部は、複数の仮想的な電力消費行動と実際の需要家による複数の電力消費行動との対応、換言すれば、多対多の対応を学習することにより、複数の電力消費行動が同時に起こっていることの推定も高い精度で行うことができる。

本発明の一態様では、前記学習用の総消費電力量から抽出される特徴量、及び、前記被総消費電力量から抽出される特徴量が、経時的に変化する総消費電力量における時刻、前記時刻における消費電力量、及び、前記時刻から所定の時間内における前記消費電力量の変動量とされる。

これにより、総消費電力量から極めて容易に且つ正確に抽出される時刻、消費電力量及び変動量からなる特徴量の系列を用いることにより、推定処理部は、学習した所定の識別モデルを用いて仮想的な電力消費行動の系列（時系列）を識別することができる。その結果、推定処理部は、仮想的な電力消費行動の系列（時系列）から、最終的に、需要家の複数の電力消費行動を時系列的に推定することができる。従って、推定処理部は、精度よく需要家の複数の電力消費行動を推定することができる。

これらの態様では、前記推定処理部が、前記学習用の総消費電力量から抽出された特徴量の系列をデータ駆動型のクラスタリング法を利用して任意の複数のクラスにクラスタリングするように構成される。この場合、前記推定処理部は、混合ディリクレ過程モデルクラスタリング法及びガウス混合分布モデルクラスタリング法のうちの一方を利用して、前記学習用の総消費電力量から抽出された特徴量の系列を任意の複数のクラスにクラスタリングする。

前記推定処理部は、前記学習用の総消費電力量から抽出された特徴量と同特徴量が前記複数のクラスのそれぞれに存在する確率のうち最も大きな確率を持つクラスとを対応付ける。加えて、前記推定処理部は、前記学習用の総消費電力量から抽出された特徴量と対応付けられたクラスの系列を前記仮想的な電力消費行動の系列として決定する。

更に、前記推定処理部は、前記所定の識別モデルを、前記学習用の総消費電力量から抽出された特徴量の系列、及び、前記決定された仮想的な電力消費行動の系列を用いて学習する。この場合、前記推定処理部は、条件付き確率場及び隠れマルコフモデルのうち、少なくとも前記条件付き確率場を利用して前記所定の識別モデルを学習する。

これらによれば、推定処理部は、学習用の総消費電力量から抽出された特徴量を適切な数の任意の複数のクラスにクラスタリングすることができる。従って、推定処理部は、学習用の総消費電力量から抽出された特徴量の系列を仮想的な電力消費行動の系列と適切に対応づけることができる。

加えて、推定処理部は、所定の識別モデルの学習（機械学習）において、少なくとも条件付き確率場を用いることができる。これにより、推定処理部は、系列（時系列）における時刻間での依存関係を含めて所定の識別モデルを学習（機械学習）することができ、その結果、所定の識別モデルを用いて仮想的な電力消費行動を高い確度（精度）で識別することができる。従って、条件付き確率場を用いた場合には、仮想的な電力消費行動から実際の需要家による電力消費行動を認識する認識性能を大幅に向上させることができる。

これらの態様においては、前記推定処理部は、前記学習用の総消費電力量から抽出された特徴量の系列を前記学習した所定の識別モデルを用いて前記仮想的な電力消費行動の系列として識別し、前記識別した仮想的な電力消費行動の系列から前記既知になっている前記需要家による複数の電力消費行動に対するヒストグラムを生成する。そして、前記推定処理部は、前記生成したヒストグラムの度数と予め設定された閾値とを比較して前記生成したヒストグラムにおける度数が前記閾値を超える複数の仮想的な電力消費行動を選択し、前記選択した複数の仮想的な電力消費行動を前記既知になっている前記需要家による複数の電力消費行動と対応させるように学習する。

これによれば、複数の仮想的な電力消費行動と実際の需要家による複数の電力消費行動とを適切に対応させることができる。特に、データ駆動型のクラスタリング法（ガウス混合分布モデルクラスタリング法及び混合ディリクレ過程モデルクラスタリング法のうちの一方）を用いて特徴量の系列が複数のクラスにクラスタリングされる場合には、特徴量の系列が適切に複数のクラスにクラスタリングされるので、より適切に複数の仮想的な電力消費行動と実際の需要家による複数の電力消費行動とを適切に対応させることができる。

本発明の実施形態に係る電力消費行動推定装置の構成を示す概略図である。 図１の推定処理部の学習に供される既知の（学習用の）総消費電力量を説明するための概略図である。 図１に示した推定処理部によって実行される識別モデル学習プログラムのフローチャートである。 特徴量の系列から複数のクラス（複数の仮想的な電力消費行動）へのクラスタリングを説明するための概略図である。 推定処理部により学習される識別モデルを説明するための概略図である。 図１に示した推定処理部によって実行される電力消費行動学習プログラムのフローチャートである。 仮想的な電力消費行動の系列から作成されるヒストグラムを説明するための概略図である。 図１に示した推定処理部によって実行される電力消費行動推定プログラムのフローチャートである。 総消費電力量取得部により取得された被総消費電力量を示す概略図である。 被総消費電力量を用いて、複数の電力消費行動が同時に起きている場合も推定されることを説明するための概略図である。 電力消費行動（料理）の推定に関し、ＣＲＦ及びＨＭＭの正解検出率を比較するための概略的なグラフである。 電力消費行動（家事）の推定に関し、ＣＲＦ及びＨＭＭの正解検出率を比較するための概略的にグラフである。 推定処理部が推定する各電力消費行動（各生活行動）の識別率を比較するための概略的なグラフである。

以下、本発明の実施形態に係る電力消費行動推定装置について図面を参照しながら説明する。

図１に示したように、電力消費行動推定装置１０は、推定処理部１１、総消費電力量取得部１２、記憶部１３及び出力部１４を備える。推定処理部１１は、ＣＰＵ、ＲＯＭ、ＲＡＭ等からなるマイクロコンピュータを主要構成部品とするものであり、インターフェース１１ａを有する。推定処理部１１は、インターフェース１１ａを介して、総消費電力量取得部１２、記憶部１３及び出力部１４と接続されている。

総消費電力量取得部１２は、例えば、家屋における供給電力の引込線の引込口付近に設置される電力メータ（スマートメータ）を主要部品とするものである。総消費電力量取得部１２は、家屋に供給される電力量、言い換えれば、家屋において消費された電力量（総消費電力量）を所定のタイムスロット（例えば、１分間隔又は１５分間隔等）にて計測する。総消費電力量取得部１２は、計測時刻を表す情報とともに計測した総消費電力量をインターフェース１１ａを介して推定処理部１１に出力する。

記憶部１３は、推定処理部１１が需要家による電力消費行動を推定処理するために必要なデータ及び後述するプログラムを含む各種プログラム等を記憶する。尚、データとしては、後述するように推定処理部１１が利用する各種方法（手法）に用いられる各種パラメータ及び識別モデルに用いられる各種パラメータ等が含まれる。

加えて、記憶部１３は、後述するように推定処理部１１が学習した識別モデル及び需要家の電力消費行動を検索可能に記憶する。尚、記憶部１３には、推定処理部１１が識別モデル及び需要家の電力消費行動を学習するために用いる学習用の総消費電力量が記憶される場合がある。以下の説明においては、理解を容易とするために、記憶部１３に学習用の総消費電力量が記憶されている場合を説明する。更に、記憶部１３は、総消費電力量取得部１２が取得して経時的に推定処理部１１に出力した被総消費電力量を検索可能に記憶する。

出力部１４は、推定処理部１１が推定した需要家による電力消費行動を出力する。この場合、出力部１４は、例えば、表示ディスプレイを有しており、需要家に対して推定された電力消費行動を表示する。更に、出力部１４は、例えば、外部のセンタと通信するための通信回線に接続されており、同通信回線を介してセンタに推定された需要家による電力消費行動を出力する。

次に、推定処理部１１が行う、需要家による電力消費行動の推定を詳細に説明する。推定処理部１１は、（ａ）．学習フェーズを経て、（ｂ）．電力消費行動推定フェーズを実行する。以下、（ａ）学習フェーズから説明する。

（ａ）．学習フェーズ
学習フェーズは、
（ａ−１）．識別モデルの学習
（ａ−２）．電力消費行動の学習
からなる。以下、この学習フェーズについて（ａ−１）．識別モデルの学習から順に説明する。

学習フェーズにおいては、推定処理部１１は、需要家による複数の電力消費行動が明確になっている既知の総消費電力量を学習用の総消費電力量として用いて学習を実行する。図２に示したように、既知の総消費電力量は、破線枠により示す所定のタイムスロット（例えば、１分間隔及び１５分間隔等）にて予め計測された結果を計測時刻に従って集合させたものである。具体的に、既知の総消費電力量は、例えば、家屋内のリビング、キッチン及び洗面所等の各部屋のコンセントに設けられた消費電力メータにより前記所定のタイムスロットで測定された消費電力の総量である。

これにより、既知の総消費電力量においては、ある時刻における需要家の電力消費行動、換言すれば、生活行動が明らかになっている。例えば、需要家がリビングでテレビを作動させる電力消費行動（娯楽情報番組の視聴）を行っている、キッチンで電磁調理器具を作動させる電力消費行動（料理）を行っている、及び、洗面所で洗濯機を作動させる電力消費行動（家事）を行っている等が明らかになっている。従って、推定処理部１１は、この既知の総消費電力量を用いて、以下に具体的に説明するように学習を行う。

（ａ−１）．識別モデルの学習
図３に示したように、推定処理部１１は、識別モデル学習プログラムを実行し、所定の識別モデルを学習する。具体的に、推定処理部１１は、識別モデル学習プログラムの実行をステップＳ１００にて開始し、ステップＳ１０１において既知の総消費電力量から特徴量（特徴ベクトル）を抽出する。前述したように、既知の総消費電力量は、所定のタイムスロット（１分間隔及び１５分間隔等）で計測されている。このため、推定処理部１１は、所定のタイムスロット毎、換言すれば、計測時刻ごとに特徴量を抽出する。

特徴量は、既知の総消費電力量における計測時刻、同計測時刻における消費電力量（即ち同計測時刻における総消費電力量に一致）、及び、例えば、前回の計測時刻から今回の計測時刻までにおける消費電力量の変動量で構成される。推定処理部１１は、既知の総消費電力量から計測時刻、消費電力量及び変動量即ち特徴量を抽出すると、ステップＳ１０２に進む。尚、以下の説明において、特徴量を計測時間に従って並べた時系列を「特徴量の系列」と称呼する。

ステップＳ１０２においては、前記ステップＳ１０１にて抽出した特徴量（特徴ベクトル）の系列をクラスタリングして、複数のクラス、即ち、複数の仮想的な電力消費行動に分ける。この場合、特徴量（特徴ベクトル）の次元空間でのクラスタリングになるので、特徴量が計測時刻、消費電力量及び変動量からなる場合には３次元でのクラスタリングになる。本実施形態では、推定処理部１１は、ディリクレ過程混合(Dirichlet Process Mixture : DPM)モデルクラスタリング法を用い、特徴量の系列をクラスタリングして複数のクラス（複数の仮想的な電力消費行動）に分ける。ＤＰＭモデルクラスタリング法を用いた場合には、事前にクラスの数を指定することなくクラスタリングを行うことができる。その結果、特徴量の系列は、最終的に、適切な数のクラスに自動的にクラスタリングされる。尚、ＤＰＭモデルクラスタリング法自体については、本発明に直接関係するものではなく、且つ、既に周知のクラスタリング法であるため、その説明を省略する。

図４に示したように、本実施形態では、特徴量の系列がＫ個のクラス（Ｋ個の仮想的な電力消費行動）にクラスタリングされるものとする。尚、前述したように、特徴量をクラスタリングすると３次元空間に表されるが、説明の便宜上、図４では、Ｋ個のクラスを２次元で表すようにする。推定処理部１１は、特徴量の系列をＫ個のクラスにクラスタリングすると、ステップＳ１０３に進む。

ステップＳ１０３においては、推定処理部１１は、特徴量の系列に対し、前記ステップＳ１０２にてクラスタリングしたクラス（即ち、仮想的な電力消費行動）を識別するクラスＩＤ（クラス番号）を付与する。具体的に、推定処理部１１は、特徴量の系列に対し、Ｋ個のクラスからなるＫ個の混合分布それぞれの確率を求める。これにより、推定処理部１１は、最も大きな確率を持つ分布のクラスＩＤを各特徴量のクラスＩＤとする。クラスＩＤを特徴量の計測時刻に従って時系列に並べると、クラスＩＤ系列（即ち、仮想的な電力消費行動の系列）が得られる。クラスＩＤ系列を得ると、推定処理部１１はステップＳ１０４に進む。

図５に示したように、ステップＳ１０４においては、推定処理部１１は、総消費電力量にて抽出される特徴量の系列からクラスＩＤ系列の識別（即ち、仮想的な電力消費行動の系列の識別）を行うための識別モデルを学習する。具体的に、推定処理部１１は、前記ステップＳ１０１にて抽出した特徴量の系列及び前記ステップＳ１０３にて得たクラスＩＤ系列（即ち、仮想的な電力消費行動の系列）を用いて識別モデルを学習する。この場合、推定処理部１１は、条件付き確率場(Conditional Random Field : CRF)を用いる。これにより、推定処理部１１は、例えば、最尤法、最小二乗法及びビタビ(Vitarbi)法等のような認識アルゴリズムに従ってある特徴量に対して確からしいクラスＩＤが対応付けられる確率値を得て、時系列の時刻間での依存関係を含めた識別モデルを学習（機械学習）する。尚、ＣＲＦ自体については、本発明に直接関係するものではなく、且つ、既に周知であるため、その説明を省略する。

識別モデルを学習すると、推定処理部１１は、ステップＳ１０５に進み、識別モデル学習プログラムの実行を終了する。そして、推定処理部１１は、他の既知の総消費電力量を用いて、識別モデル学習プログラムを実行することにより、識別モデルを繰り返し学習する。

（ａ−２）．電力消費行動の学習
図６に示したように、推定処理部１１は、電力消費行動学習プログラムを実行し、需要家による電力消費行動を学習する。具体的に、推定処理部１１は、消費電力行動学習プログラムの実行をステップＳ１５０にて開始する。続くステップＳ１５１において、推定処理部１１は、前述した識別モデル学習プログラムでも利用した既知の総消費電力量（図２参照）から特徴量を所定のタイムスロット毎に抽出する。即ち、推定処理部１１は、既知の総消費電力量から計測時刻、消費電力量及び変動量を抽出すると、ステップＳ１５２に進む。

ステップＳ１５２においては、推定処理部１１は、前述した識別モデル学習プログラムを実行して学習した識別モデルを用いて、前記ステップＳ１５１にて抽出した特徴量の系列からクラスＩＤ系列、即ち、仮想的な電力消費行動の系列を識別する。図５に示したように、推定処理部１１は、特徴量の系列に対して、学習した識別モデル（ＣＲＦ）から識別したクラスＩＤ系列（仮想的な電力消費行動の系列）を得る。推定処理部１１は、識別したクラスＩＤ系列（仮想的な電力消費行動の系列）を得ると、ステップＳ１５３に進む。

消費電力量が小さい場合、クラスＩＤ（即ち、仮想的な電力消費行動）の識別に誤りを生じやすい。このため、推定処理部１１は、ステップＳ１５３にて、消費電力量の小さい特徴量、換言すれば、同特徴量に付与されたクラスＩＤ（仮想的な電力消費行動）を省く。そして、推定処理部１１は省いたクラスＩＤ以外のクラスＩＤ系列（仮想的な電力消費行動の系列）を選択してステップＳ１５４に進む。

図７に示したように、ステップＳ１５４においては、推定処理部１１は、前記ステップＳ１５３にて選択したクラスＩＤ系列（仮想的な電力消費行動の系列）から、既知の総消費電力量で明確になっている需要家による複数の電力消費行動に対するヒストグラムを作成する。そして、推定処理部１１は、ヒストグラムを作成すると、ステップＳ１５５に進む。

ステップＳ１５５においては、推定処理部１１は前記ステップＳ１５４にて作成したヒストグラムにおける複数のクラスＩＤ（仮想的な電力消費行動）の度数と予め設定された閾値とを比較する。図７に示したように、推定処理部１１は、作成したヒストグラムにおいて予め設定された閾値を超える度数を有する複数のクラスＩＤ（複数の仮想的な電力消費行動）を選択する。既知となっている複数の電力消費行動と複数のクラスＩＤ（複数の仮想的な消費電力量）とを対応づけると、推定処理部１１はステップＳ１５６に進み、電力消費行動学習プログラムの実行を終了する。そして、推定処理部１１は、必要があれば、他の既知の総消費電力量を用いて、電力消費行動学習プログラムを実行することにより、複数のクラスＩＤ（複数の仮想的な電力消費行動）と既知の複数の電力消費行動との対応を繰り返し学習する。

推定処理部１１は、（ａ）．学習フェーズの（ａ−１）．識別モデルの学習を経ることにより学習した識別モデル（例えば、図５に示したＣＲＦ等）を記憶部１３の所定記憶位置に更新可能に記憶する。更に、推定処理部１１は、（ａ）．学習フェーズの（ａ−２）．電力消費行動の学習を経ることにより学習した複数のクラスＩＤ（複数の仮想的な電力消費行動）と複数の電力消費行動との対応（例えば、図７に示したヒストグラム等）を記憶部１１ｂの所定記憶位置に更新可能に記憶する。

（ｂ）．電力消費行動推定フェーズ
推定処理部１１は、（ａ）．学習フェーズにおいて識別モデルを学習するとともに複数のクラスＩＤ（複数の仮想的な電力消費行動）と複数の電力消費行動との対応を学習すると、これらの学習結果を用いて実際の需要家による電力消費行動を推定する。具体的に、推定処理部１１は、図８に示した電力消費行動推定プログラムを実行することにより、電力消費行動が明確になっていない被総消費電力量から需要家による電力消費行動を推定する。

推定処理部１１は、電力消費行動推定プログラムをステップＳ２００にて開始する。続くステップＳ２０１において、推定処理部１１は、図９に示した被総消費電力量から特徴量（特徴ベクトル）を所定のタイムスロット毎に抽出する。即ち、推定処理部１１は、被総消費電力量から計測時刻、消費電力量及び変動量を抽出すると、ステップＳ２０２に進む。

ステップＳ２０２においては、推定処理部１１は、既に学習して記憶部１３の所定記憶位置に記憶している識別モデル（図５を参照）を用いて、前記ステップＳ２０１にて抽出した特徴量の系列からクラスＩＤ系列（仮想的な電力消費行動の系列）を識別する。推定処理部１１は、特徴量の系列に対して学習した識別モデル（ＣＲＦ）から識別したクラスＩＤ系列（仮想的な電力消費行動の系列）及びこの場合のモデルスコアを得る。推定処理部１１は、識別したクラスＩＤ系列（仮想的な電力消費行動の系列）及びモデルスコアを得ると、ステップＳ２０３に進む。

前述したように、消費電力量が小さい場合、クラスＩＤ（仮想的な電力消費行動）の識別に誤りを生じやすい。このため、推定処理部１１は、ステップＳ２０３にて、消費電力量の小さい特徴量、換言すれば、同特徴量に付与されたクラスＩＤ（仮想的な電力消費行動）を省く。そして、推定処理部１１は、省いたクラスＩＤ（仮想的な電力消費行動）以外のクラスＩＤ系列を選択してステップＳ２０４に進む。

ステップＳ２０４においては、推定処理部１１は、既に学習して記憶部１３の所定記憶位置に記憶しているヒストグラム（図７を参照）を用いて、選択したクラスＩＤ系列（仮想的な消費電力量の系列）における複数のクラスＩＤ（複数の仮想的な電力消費行動）を需要家による電力消費行動に変換する。推定処理部１１は、需要家による電力消費行動への変換即ち需要家による電力消費行動の推定が完了すると、ステップＳ２０５に進み、電力消費行動推定プログラムの実行を終了する。この場合、推定処理部１１は、推定した需要家による電力消費行動を推定結果として、記憶部１３の所定記憶位置に検索可能に記憶する。

推定処理部１１は、電力消費行動学習プログラムを実行して学習した多対多の対応を用いて、被総消費電力量において識別された複数のクラスＩＤ（複数の仮想的な電力消費行動）から実際の複数の電力消費行動を推定する。これにより、図１０に示したように、推定処理部１１は、複数（図１０では２つ）の電力消費行動が同時に起こっている場合であっても、これらの電力消費行動を推定することができる。

推定処理部１１は、記憶部１３に記憶している需要家による電力消費行動の系列を推定結果として出力する。この場合、推定処理部１１は、例えば、出力部１３の表示ディスプレイを介して、推定結果を需要家に対して表示する。その他、地域内に存在する複数の家屋に電力消費行動推定装置１０が設置されている場合には、各装置１０の推定処理部１１は、例えば、地域を管轄するセンタに対して、出力部１３及び通信回線を介して、各家屋の需要家の電力消費行動を出力する。

以上の説明からも理解できるように、上記実施形態によれば、簡便に且つ正確に取得できる総消費電力量に対して、学習フェーズにて学習した識別モデル及び電力消費行動の対応を適用することにより、需要家の電力消費行動を高い精度で推定することができる。即ち、電力消費行動が未知の総消費電力量を取得することのみで、需要家の電力消費行動を極めて容易に得ることができる。

このように電力消費行動が容易に得られることにより、需要家は、自身の電力消費行動を常に把握することができ、その結果、例えば、より効率の良い節電行動を取ることができる。一方で、電力消費行動推定装置１０の設置された複数の家屋が存在する地域を管理するセンタは、各需要家の電力消費行動を把握することができる。これにより、センタは、例えば、地域内の需要家に対して電力を効率良く利用できるように情報を発することができ、その結果、効果的な節電も可能となる。

ところで、推定処理部１１は、識別モデルの学習する場合、ＣＲＦに代えて又は加えて、隠れマルコフモデル(Hidden Markov Model : HMM）を用いることができる。この場合、図１１及び図１２に示したように、ＨＭＭとＣＲＦとを比較すると、ＣＲＦの方が特徴量の系列から需要家の電力消費行動を推定する場合の誤り率を低下させることができる。その結果、高い精度により需要家の電力消費行動を推定することができる。尚、図１１及び図１２においては、ＨＭＭは、混合正規分布を用いたＧＭＭ−ＨＭＭである。

このように誤り率の小さいＣＲＦを用いて識別モデルを学習し、この識別モデルを用いた場合における、需要家の電力消費行動に対する識別率を例示的に図１３に示しておく。この場合、それぞれの需要家の電力消費行動（即ち、需要家による生活行動に対応）に対して、７２〜９４％の識別力、換言すれば、精度が得られ、平均で８１．４％の精度が得られた。

本発明は上記実施形態に限定されることなく、本発明の範囲内において種々の変形例を採用することができる。

例えば、上記実施形態においては、推定処理部１１は、識別モデル学習プログラムにおける前記ステップＳ１０２にて、ＤＰＭモデルクラスタリング法を用いて、特徴量の系列をクラスタリングして複数のクラス（複数の仮想的な電力消費行動）に分けた。

しかし、特徴量の系列をクラスタリングする場合には、データ駆動型のクラスタリング法であれば、如何なる方法であっても良い。この場合、データ駆動型のクラスタリング法として、例えば、ガウス混合分布モデル(Gaussian Mixture Model : GMM)クラスタリング法を用いて、特徴量の系列をクラスタリングして複数のクラス（複数の仮想的な電力消費行動）に分けても良い。

更に、上記実施形態においては、推定処理部１１は、識別モデル学習プログラムにおける前記ステップＳ１０４にて、ＣＲＦを用いて、識別モデルを学習（機械学習）するようにした。しかし、識別モデルの学習に際しては、上述したように、誤り率が若干高くなるものの、推定処理部１１がＨＭＭを用いて識別モデルを学習（機械学習）するようにしても良い。

１０…電力消費行動推定装置、１１…推定処理部、１１ａ…インターフェース、１２…総消費電力量取得部、１３…記憶部、１４…出力部

Claims (6)

1. 需要家により消費された電力量の総量を表す総消費電力量を取得する総消費電力量取得部と、
   前記総消費電力量取得部により取得された前記総消費電力量の経時的な増減変化に基づいて需要家による電力消費行動を推定する推定処理部と、
   を備え、
   前記推定処理部は、
   需要家による複数の電力消費行動が既知になっている総消費電力量を学習用の総消費電力量として用い、前記総消費電力量取得部により取得される総消費電力量から抽出される特徴量の系列を仮想的な電力消費行動の系列として識別するための所定の識別モデルを、前記学習用の総消費電力量から抽出された特徴量の系列及び同特徴量の系列に対応付けられた前記仮想的な電力消費行動の系列を用いて学習するとともに、
   前記学習用の総消費電力量から抽出された特徴量の系列を前記学習した所定の識別モデルを用いて識別した前記仮想的な電力消費行動の系列における複数の仮想的な電力消費行動と、前記既知になっている需要家による複数の電力消費行動と、の対応を学習し、
   需要家による電力消費行動を推定する被総消費電力量を前記総消費電力量取得部から取得して前記被総消費電力量から特徴量の系列を抽出し、
   前記被総消費電力量の特徴量の系列を、前記学習した所定の識別モデルを用いて前記仮想的な電力消費行動の系列として識別し、
   前記識別した仮想的な電力消費行動の系列における複数の仮想的な電力消費行動を、前記学習した対応を用いて変換することにより、前記被総消費電力量における前記需要家による電力消費行動を推定するように構成された、
   電力消費行動推定装置。
2. 請求項１に記載の電力消費行動推定装置において、
   前記学習用の総消費電力量から抽出される特徴量、及び、前記被総消費電力量から抽出される特徴量は、
   経時的に変化する総消費電力量における時刻、前記時刻における消費電力量、及び、前記時刻から所定の時間内における前記消費電力量の変動量である、
   電力消費行動推定装置。
3. 請求項１又は請求項２に記載の電力消費行動推定装置において、
   前記推定処理部は、
   前記学習用の総消費電力量から抽出された特徴量の系列をデータ駆動型のクラスタリング法を利用して任意の複数のクラスにクラスタリングし、
   前記学習用の総消費電力量から抽出された特徴量と、同特徴量が前記複数のクラスのそれぞれに存在する確率のうち最も大きな確率を持つクラスと、を対応付け、同対応付けられたクラスの系列を前記仮想的な電力消費行動の系列として決定し、
   前記所定の識別モデルを、前記学習用の総消費電力量から抽出された特徴量の系列、及び、前記決定された仮想的な電力消費行動の系列を用いて学習するように構成された、
   電力消費行動推定装置。
4. 請求項３に記載の電力消費行動推定装置において、
   前記推定処理部は、
   混合ディリクレ過程モデルクラスタリング法及びガウス混合分布モデルクラスタリング法のうちの一方を利用して、前記学習用の総消費電力量から抽出された特徴量の系列を任意の複数のクラスにクラスタリングする、
   電力消費行動推定装置。
5. 請求項３又は請求項４に記載の電力消費行動推定装置において、
   前記推定処理部は、
   条件付き確率場及び隠れマルコフモデルのうち、少なくとも前記条件付き確率場を利用して前記所定の識別モデルを学習する、
   電力消費行動推定装置。
6. 請求項１乃至請求項５の何れか一項に記載の電力消費行動推定装置において、
   前記推定処理部は、
   前記学習用の総消費電力量から抽出された特徴量の系列を前記学習した所定の識別モデルを用いて前記仮想的な電力消費行動の系列として識別し、
   前記識別した仮想的な電力消費行動の系列から前記既知になっている前記需要家による複数の電力消費行動に対するヒストグラムを生成し、
   前記生成したヒストグラムの度数と予め設定された閾値とを比較して前記生成したヒストグラムにおける度数が前記閾値を超える複数の仮想的な電力消費行動を選択し、
   前記選択した複数の仮想的な電力消費行動を前記既知になっている前記需要家による複数の電力消費行動と対応させるように学習する、
   電力消費行動推定装置。