JP6714489B2 - Program, device and method for improving prediction accuracy of future power consumption using position information of mobile terminal - Google Patents

Program, device and method for improving prediction accuracy of future power consumption using position information of mobile terminal Download PDF

Info

Publication number
JP6714489B2
JP6714489B2 JP2016197835A JP2016197835A JP6714489B2 JP 6714489 B2 JP6714489 B2 JP 6714489B2 JP 2016197835 A JP2016197835 A JP 2016197835A JP 2016197835 A JP2016197835 A JP 2016197835A JP 6714489 B2 JP6714489 B2 JP 6714489B2
Authority
JP
Japan
Prior art keywords
home
power consumption
terminals
time zone
rate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2016197835A
Other languages
Japanese (ja)
Other versions
JP2018060386A (en
Inventor
紀史 平田
紀史 平田
吉原　貴仁
貴仁 吉原
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KDDI Corp
Original Assignee
KDDI Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by KDDI Corp filed Critical KDDI Corp
Priority to JP2016197835A priority Critical patent/JP6714489B2/en
Publication of JP2018060386A publication Critical patent/JP2018060386A/en
Application granted granted Critical
Publication of JP6714489B2 publication Critical patent/JP6714489B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/242—Home appliances

Description

本発明は、複数世帯における消費電力量を予測する技術に関する。 The present invention relates to a technique of predicting power consumption in multiple households.

従来、宿泊予約データを用いて、宿泊施設の電力需要を予測する技術がある（例えば非特許文献１参照）。この技術によれば、前日の宿泊予約やキャンセルに基づいて電力需要を予測する。これにより、宿泊施設の電力調達を効率化すると共に、インバランス料金を最小化することができる。
また、コミュニティの総電力需要を予測する技術もある（例えば特許文献１参照）。この技術によれば、エネルギー消費調整要請（需要の削減要請）を実施した場合を想定し、その要請を送信した世帯と送信していない世帯を区別して、将来の特定時期におけるエネルギー需要を予測する。 Conventionally, there is a technique of predicting the power demand of an accommodation facility by using accommodation reservation data (see Non-Patent Document 1, for example). According to this technique, the power demand is predicted based on the accommodation reservation or cancellation on the previous day. As a result, it is possible to improve the efficiency of power supply for the accommodation facility and minimize the imbalance charge.
There is also a technique of predicting the total power demand of the community (for example, see Patent Document 1). According to this technology, it is assumed that an energy consumption adjustment request (demand reduction request) is made, and households that have transmitted the request are distinguished from households that have not transmitted the request, and energy demand at a specific future time is predicted. ..

他の従来技術として、無線ＬＡＮ等の電波受信強度の変化値によって、在室している人の活動有無を判定する技術もある（例えば特許文献２参照）。この技術によれば、専用機器が、周辺環境の物理量を計測し、その物理量から特徴量を算出し、その特徴量の変化から人の活動状態を検出する。
また、室内における所定領域への人物の在圏を検知する技術もある（例えば特許文献３参照）。この技術によれば、到来方向の異なる複数の電波（マルチパス）を受信しやすいアンテナを用いて、電波の受信レベルの変動幅を常時計測し、その計測結果から人物挙動を検知する。 As another conventional technique, there is also a technique of determining the presence or absence of activity of a person present in a room based on a change value of radio wave reception intensity of a wireless LAN or the like (see, for example, Patent Document 2). According to this technique, the dedicated device measures the physical quantity of the surrounding environment, calculates the characteristic quantity from the physical quantity, and detects the activity state of the person from the change of the characteristic quantity.
There is also a technique for detecting the presence of a person in a predetermined area in a room (for example, see Patent Document 3). According to this technique, an antenna that easily receives a plurality of radio waves (multipaths) having different arrival directions is used to constantly measure the fluctuation range of the reception level of the radio waves, and the human behavior is detected from the measurement result.

図１は、従来技術における消費電力量予測装置の機能構成図である。 FIG. 1 is a functional configuration diagram of a power consumption amount prediction device in the related art.

各世帯には、消費電力量を計測する電力計やスマートメータが設置されている。例えばスマートメータは、世帯内に設置されたＨＥＭＳ−ＧＷ(Home Energy Management System - GateWay)やＨｏｍｅ−ＧＷを介して、広域通信網（インターネット又は通信事業者網）と通信することができる。
図１によれば、広域通信網には、消費電力量予測装置１が接続されている。スマートメータは、計測した消費電力量を、広域通信網を介して消費電力量予測装置１へ送信する。消費電力量予測装置１は、各世帯の消費電力量を、スマートメータから受信するものであってもよいし、電力会社から取得するものであってもよい。 Each household is equipped with a power meter or smart meter that measures the power consumption. For example, the smart meter can communicate with a wide area communication network (Internet or carrier network) via HEMS-GW (Home Energy Management System-GateWay) or Home-GW installed in a household.
According to FIG. 1, the power consumption prediction device 1 is connected to the wide area communication network. The smart meter transmits the measured power consumption amount to the power consumption amount prediction device 1 via the wide area communication network. The power consumption amount prediction apparatus 1 may receive the power consumption amount of each household from a smart meter or may acquire it from a power company.

図１によれば、消費電力量予測装置１は、世帯毎の消費電力量を受信する消費電力量収集部と、複数世帯を所定のグループにまとめて消費電力量を算出する消費電力量算出部と、グループ毎に現在tの消費電力量から将来t+1の消費電力量を予測する予測部とを有する。予測部としては、様々な統計的分析方法が用いられる。そして、予測された消費電力量に基づいて、様々なアプリケーションが実行される。 According to FIG. 1, the power consumption amount prediction apparatus 1 includes a power consumption amount collection unit that receives the power consumption amount for each household, and a power consumption amount calculation unit that collects a plurality of households into a predetermined group and calculates the power consumption amount. And a prediction unit for predicting future t+1 power consumption from the current t power consumption for each group. As the predictor, various statistical analysis methods are used. Then, various applications are executed based on the predicted power consumption.

特許５５９６２２０号公報Japanese Patent No. 5596220 ＷＯ２００９／１２５６５９Ａ１WO2009/125659A1 特開２００６−２２１２１３号公報JP, 2006-212213, A

楽天株式会社、プレスリリース、[online]、［平成２８年１０月１日検索］、インターネット＜URL:http://corp.rakuten.co.jp/news/press/2014/0603_01.html＞Rakuten, Press Release, [online], [Search on October 1, 2016], Internet <URL:http://corp.rakuten.co.jp/news/press/2014/0603_01.html> 経済産業省。総合資源エネルギー調査会省エネルギー基準部会（第１７回）参考資料１、「トップランナー基準の現状等について」、p.18、[onine]、［平成２８年１０月１日検索］、インターネット＜URL:http://www.meti.go.jp/committee/summary/0004310/017_s01_00.pdf＞Ministry of Economy, Trade and Industry. Energy Efficiency Standards Subcommittee of the Advisory Committee for Natural Resources and Energy (17th) Reference Material 1, “Current status of top runner standards”, p.18, [onine], [Search on October 1, 2016], Internet <URL:http ://www.meti.go.jp/committee/summary/0004310/017_s01_00.pdf>

非特許文献１に記載の技術は、宿泊施設を前提としており、特許文献１に記載の技術は、エネルギー消費調整要請の有無を前提としており、これらは、日常の消費電力量を予測するものではない。また、特許文献２及び３に記載の技術によれば、人の挙動に基づく電波強度の変化を取得するために別途の専用装置を必要とする。 The technology described in Non-Patent Document 1 is premised on accommodation facilities, and the technology described in Patent Document 1 is premised on the presence/absence of an energy consumption adjustment request, and these are not for predicting daily power consumption. Absent. Further, according to the techniques described in Patent Documents 2 and 3, a separate dedicated device is required to acquire the change in radio field intensity based on the behavior of a person.

これに対し、本願の発明者らは、人が常に所持する携帯端末を用いて、現在の消費電力量から将来の消費電力量の予測精度を高めることはできないか？と考えた。即ち、予測対象の複数世帯における消費電力量は、その地域範囲で行動する人の位置情報に応じて異なるのではないか？と考えた。 On the other hand, can the inventors of the present application improve the prediction accuracy of the future power consumption amount from the current power consumption amount by using a mobile terminal that a person always possesses? I thought. That is, isn't the power consumption of multiple households subject to prediction differ according to the position information of the people who act in the area? I thought.

そこで、本発明は、携帯端末の位置情報を用いて将来的な消費電力量の予測精度を高めるプログラム、装置及び方法を提供することを目的とする。 Therefore, an object of the present invention is to provide a program, a device, and a method for improving the prediction accuracy of future power consumption by using position information of a mobile terminal.

本発明によれば、過去の消費電力量から将来の消費電力量を予測するようにコンピュータを機能させるプログラムにおいて、
携帯端末の時系列の位置情報から在宅か否かを推定する在宅推定手段と、
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する在宅率算出手段と、
時間帯tの消費電力量及び在宅率と、時間帯t+1の消費電力量とを教師データとして学習した第１の学習モデルを含む第１の学習エンジンと、
時間帯tの消費電力量と、時間帯t+1の消費電力量とを教師データとして学習した第２の学習モデルを含む第２の学習エンジンと、
運用時、「全ての端末数」に対する「在宅の端末数＋不在の端末数」の割合とした在宅判定可能率を算出する在宅判定可能率算出手段と、
運用時、在宅判定可能率が第１の所定閾値以上である場合に、時間帯tの消費電力量及び在宅率を入力することによって、時間帯t+1の消費電力量を出力する第１の学習エンジンを選択し、それよりも低い場合に、時間帯tの消費電力量を入力することによって、時間帯t+1の消費電力量を出力する第２の学習エンジンを選択する学習エンジン選択手段と
してコンピュータを機能させることを特徴とする。
また、本発明によれば、過去の消費電力量から将来の消費電力量を予測するようにコンピュータを機能させるプログラムにおいて、
携帯端末の時系列の位置情報から在宅か否かを推定する在宅推定手段と、
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する在宅率算出手段と、
時間帯tの消費電力量及び在宅率と、時間帯t+1の消費電力量とを教師データとして学習した第１の学習モデルを含む第１の学習エンジンと、
時間帯tの消費電力量と、時間帯t+1の消費電力量とを教師データとして学習した第２の学習モデルを含む第２の学習エンジンと、
運用時、「全ての端末数」に対する「在宅の端末数＋不在の端末数」の割合とした在宅判定可能率を算出する在宅判定可能率算出手段と、
運用時、在宅判定可能率が第２の所定閾値以下である場合に、時間帯tの消費電力量及び在宅率を入力することによって、時間帯t+1の消費電力量を出力する第１の学習エンジンを選択し、それよりも高い場合に、時間帯tの消費電力量を入力することによって、時間帯t+1の消費電力量を出力する第２の学習エンジンを選択する学習エンジン選択手段と
してコンピュータを機能させることを特徴とする。
更に、本発明によれば、過去の消費電力量から将来の消費電力量を予測するようにコンピュータを機能させるプログラムにおいて、
携帯端末の時系列の位置情報から在宅か否かを推定する在宅推定手段と、
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する在宅率算出手段と、
時間帯tの消費電力量及び在宅率と、時間帯t+1の消費電力量とを教師データとして学習した第１の学習モデルを含む第１の学習エンジンと、
時間帯tの消費電力量と、時間帯t+1の消費電力量とを教師データとして学習した第２の学習モデルを含む第２の学習エンジンと、
運用時、「全ての端末数」に対する「在宅の端末数＋不在の端末数」の割合とした在宅判定可能率を算出する在宅判定可能率算出手段と、
運用時、第１の学習エンジンによって予測された消費電力量と現実の消費電力量との第１の誤差率と、第２の学習エンジンによって予測された消費電力量と現実の消費電力量との第２の誤差率とを算出し、第１の誤差率が第２の誤差率以下となる場合に第１の学習エンジンを選択し、それよりも高い場合に第２の学習エンジンを選択する学習エンジン選択手段と
してコンピュータを機能させることを特徴とする。 According to the present invention, in a program that causes a computer to predict a future power consumption amount from a past power consumption amount,
At-home estimation means for estimating whether or not the user is at home from time-series position information of the mobile terminal,
For each time period, with a plurality of mobile terminals of a predetermined unit, and home index calculating means for calculating the home rate as a percentage of the "home number of the terminal" to "the number of terminals home terminal number + absent",
A first learning engine including a first learning model in which the power consumption and the in-home ratio in the time zone t and the power consumption in the time zone t+1 are learned as teacher data ;
A second learning engine including a second learning model in which the power consumption in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
An in-home decidable rate calculating means for calculating an in-home decidable rate as a ratio of “the number of terminals at home+the number of terminals absent” to “the number of all terminals” during operation;
In operation, when the in-home determination possibility rate is equal to or higher than the first predetermined threshold value, the power consumption in the time zone t and the in-home rate are input to output the power consumption in the time zone t+ 1. Learning engine selecting means for selecting a learning engine and, if lower than that, selecting the second learning engine that outputs the power consumption in the time zone t+1 by inputting the power consumption in the time zone t <br/> to that characterized by causing a computer to function.
Further, according to the present invention, in a program that causes a computer to predict a future power consumption amount from a past power consumption amount,
At-home estimation means for estimating whether or not the user is at home from time-series position information of the mobile terminal,
A home-at-home ratio calculating unit that calculates a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period,
A first learning engine including a first learning model in which the power consumption and the in-home ratio in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
A second learning engine including a second learning model in which the power consumption in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
An in-home decidable rate calculating means for calculating an in-home decidable rate as a ratio of “the number of terminals at home+the number of terminals absent” to “the number of all terminals” during operation;
In operation, when the in-home decidable rate is less than or equal to the second predetermined threshold value, the power consumption in the time zone t and the in-home rate are input to output the power consumption in the time zone t+1. Learning engine selecting means for selecting a learning engine and, if higher than that, inputting the power consumption in the time zone t to select the second learning engine outputting the power consumption in the time zone t+1 When
It is characterized by making a computer function.
Furthermore, according to the present invention, in a program that causes a computer to predict a future power consumption amount from a past power consumption amount,
At-home estimation means for estimating whether or not the user is at home from time-series position information of the mobile terminal,
A home-at-home ratio calculating unit that calculates a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period,
A first learning engine including a first learning model in which the power consumption and the in-home ratio in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
A second learning engine including a second learning model in which the power consumption in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
An in-home decidable rate calculating means for calculating an in-home decidable rate as a ratio of “the number of terminals at home+the number of terminals absent” to “the number of all terminals” during operation;
During operation, the first error rate between the power consumption amount predicted by the first learning engine and the actual power consumption amount, and the power consumption amount predicted by the second learning engine and the actual power consumption amount A second error rate is calculated, and the first learning engine is selected when the first error rate is less than or equal to the second error rate; and the second learning engine is selected when the first error rate is higher than that. Engine selection means
It is characterized by making a computer function.

本発明のプログラムにおける他の実施形態によれば、
所定単位の複数の携帯端末を、所定地域範囲に位置情報が含まれる携帯端末とし、所定地域範囲における消費電力量を予測するものであり、
在宅推定手段は、携帯端末毎に、時系列の位置情報における所定時間以上の滞留時間帯を導出し、当該滞留時間帯における位置を「在宅地」として推定し、携帯端末の位置情報が「在宅地」に該当する場合に「在宅」と推定する
ようにコンピュータを機能させることも好ましい。 According to another embodiment of the program of the present invention,
A plurality of mobile terminals of a predetermined unit are mobile terminals whose position information is included in a predetermined area range, and the power consumption amount in the predetermined area range is predicted.
The at-home estimation means derives, for each mobile terminal, a staying time zone of a predetermined time or longer in the time-series position information, estimates the position in the staying time zone as a “at-home place”, and the position information of the mobile terminal is “at home”. It is also preferable to cause the computer to function so as to presume "at home" when it corresponds to "ground" .

本発明によれば、過去の消費電力量から将来の消費電力量を予測する装置において、
携帯端末の時系列の位置情報から在宅か否かを推定する在宅推定手段と、
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する在宅率算出手段と、
時間帯tの消費電力量及び在宅率と、時間帯t+1の消費電力量とを教師データとして学習した第１の学習モデルを含む第１の学習エンジンと、
時間帯tの消費電力量と、時間帯t+1の消費電力量とを教師データとして学習した第２の学習モデルを含む第２の学習エンジンと、
「全ての端末数」に対する「在宅の端末数＋不在の端末数」の割合とした在宅判定可能率を算出する在宅判定可能率算出手段と、
運用時、在宅判定可能率が第１の所定閾値以上である場合に、時間帯tの消費電力量及び在宅率を入力することによって、時間帯t+1の消費電力量を出力する第１の学習エンジンを選択し、それよりも低い場合に、時間帯tの消費電力量を入力することによって、時間帯t+1の消費電力量を出力する第２の学習エンジンを選択する学習エンジン選択手段と
を有することを特徴とする。
また、本発明によれば、過去の消費電力量から将来の消費電力量を予測する装置において、
携帯端末の時系列の位置情報から在宅か否かを推定する在宅推定手段と、
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する在宅率算出手段と、
時間帯tの消費電力量及び在宅率と、時間帯t+1の消費電力量とを教師データとして学習した第１の学習モデルを含む第１の学習エンジンと、
時間帯tの消費電力量と、時間帯t+1の消費電力量とを教師データとして学習した第２の学習モデルを含む第２の学習エンジンと、
運用時、「全ての端末数」に対する「在宅の端末数＋不在の端末数」の割合とした在宅判定可能率を算出する在宅判定可能率算出手段と、
運用時、在宅判定可能率が第２の所定閾値以下である場合に、時間帯tの消費電力量及び在宅率を入力することによって、時間帯t+1の消費電力量を出力する第１の学習エンジンを選択し、それよりも高い場合に、時間帯tの消費電力量を入力することによって、時間帯t+1の消費電力量を出力する第２の学習エンジンを選択する学習エンジン選択手段と
を有することを特徴とする。
更に、本発明によれば、過去の消費電力量から将来の消費電力量を予測する装置において、
携帯端末の時系列の位置情報から在宅か否かを推定する在宅推定手段と、
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する在宅率算出手段と、
時間帯tの消費電力量及び在宅率と、時間帯t+1の消費電力量とを教師データとして学習した第１の学習モデルを含む第１の学習エンジンと、
時間帯tの消費電力量と、時間帯t+1の消費電力量とを教師データとして学習した第２の学習モデルを含む第２の学習エンジンと、
運用時、「全ての端末数」に対する「在宅の端末数＋不在の端末数」の割合とした在宅判定可能率を算出する在宅判定可能率算出手段と、
運用時、第１の学習エンジンによって予測された消費電力量と現実の消費電力量との第１の誤差率と、第２の学習エンジンによって予測された消費電力量と現実の消費電力量との第２の誤差率とを算出し、第１の誤差率が第２の誤差率以下となる場合に第１の学習エンジンを選択し、それよりも高い場合に第２の学習エンジンを選択する学習エンジン選択手段と
を有することを特徴とする。 According to the present invention, in a device that predicts future power consumption from past power consumption,
At-home estimation means for estimating whether or not the user is at home from time-series position information of the mobile terminal,
A home-at-home ratio calculating unit that calculates a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period,
A first learning engine including a first learning model in which the power consumption and the in-home ratio in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
A second learning engine including a second learning model in which the power consumption in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
An in-home decidable rate calculating means for calculating an in-home decidable rate as a ratio of “the number of terminals at home+the number of terminals absent” with respect to “the number of all terminals”;
In operation, when the in-home determination possibility rate is equal to or higher than the first predetermined threshold value, the power consumption in the time zone t and the in-home rate are input to output the power consumption in the time zone t+1. Learning engine selecting means for selecting a learning engine and, if lower than that, selecting the second learning engine that outputs the power consumption in the time zone t+1 by inputting the power consumption in the time zone t When
It is characterized by having.
Further, according to the present invention, in a device that predicts future power consumption from past power consumption,
At-home estimation means for estimating whether or not the user is at home from time-series position information of the mobile terminal,
A home-at-home ratio calculating unit that calculates a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period,
A first learning engine including a first learning model in which the power consumption and the in-home ratio in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
A second learning engine including a second learning model in which the power consumption in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
An in-home decidable rate calculating means for calculating an in-home decidable rate as a ratio of “the number of terminals at home+the number of terminals absent” to “the number of all terminals” during operation;
In operation, when the in-home decidable rate is less than or equal to the second predetermined threshold value, the power consumption in the time zone t and the in-home rate are input to output the power consumption in the time zone t+1. Learning engine selecting means for selecting a learning engine and, if higher than that, inputting the power consumption in the time zone t to select the second learning engine outputting the power consumption in the time zone t+1 When
It is characterized by having.
Furthermore, according to the present invention, in a device that predicts future power consumption from past power consumption,
At-home estimation means for estimating whether or not the user is at home from time-series position information of the mobile terminal,
A home-at-home ratio calculating unit that calculates a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period,
A first learning engine including a first learning model in which the power consumption and the in-home ratio in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
A second learning engine including a second learning model in which the power consumption in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
An in-home decidable rate calculating means for calculating an in-home decidable rate as a ratio of “the number of terminals at home+the number of terminals absent” to “the number of all terminals” during operation;
During operation, the first error rate between the power consumption amount predicted by the first learning engine and the actual power consumption amount, and the power consumption amount predicted by the second learning engine and the actual power consumption amount A second error rate is calculated, and the first learning engine is selected when the first error rate is less than or equal to the second error rate; and the second learning engine is selected when the first error rate is higher than that. Engine selection means
It is characterized by having.

本発明によれば、過去の消費電力量から将来の消費電力量を予測する装置の消費電力量予測方法において、
装置は、
学習時に、
携帯端末の時系列の位置情報から在宅か否かを推定する第１のステップと、
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する第２のステップと、
時間帯tの消費電力量及び在宅率と、時間帯t+1の消費電力量とを教師データとして学習した第１の学習モデルを含む第１の学習エンジンを構築する第３のステップと、
時間帯tの消費電力量と、時間帯t+1の消費電力量とを教師データとして学習した第２の学習モデルを含む第２の学習エンジンを構築する第４のステップと
を実行し、
運用時に、
携帯端末の時系列の位置情報から在宅か否かを推定する第５のステップと、
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する第６のステップと、
「全ての端末数」に対する「在宅の端末数＋不在の端末数」の割合とした在宅判定可能率を算出する第７のステップと、
在宅判定可能率が第１の所定閾値以上である場合に、時間帯tの消費電力量及び在宅率を入力することによって、時間帯t+1の消費電力量を出力する第１の学習エンジンを選択し、それよりも低い場合に、時間帯tの消費電力量を入力することによって、時間帯t+1の消費電力量を出力する第２の学習エンジンを選択する第８のステップと
を実行することを特徴とする。
また、本発明によれば、過去の消費電力量から将来の消費電力量を予測する装置の消費電力量予測方法において、
装置は、
学習時に、
携帯端末の時系列の位置情報から在宅か否かを推定する第１のステップと、
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する第２のステップと、
時間帯tの消費電力量及び在宅率と、時間帯t+1の消費電力量とを教師データとして学習した第１の学習モデルを含む第１の学習エンジンを構築する第３のステップと、
時間帯tの消費電力量と、時間帯t+1の消費電力量とを教師データとして学習した第２の学習モデルを含む第２の学習エンジンを構築する第４のステップと
を実行し、
運用時に、
携帯端末の時系列の位置情報から在宅か否かを推定する第５のステップと、
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する第６のステップと、
「全ての端末数」に対する「在宅の端末数＋不在の端末数」の割合とした在宅判定可能率を算出する第７のステップと、
在宅判定可能率が第２の所定閾値以下である場合に、時間帯tの消費電力量及び在宅率を入力することによって、時間帯t+1の消費電力量を出力する第１の学習エンジンを選択し、それよりも高い場合に、時間帯tの消費電力量を入力することによって、時間帯t+1の消費電力量を出力する第２の学習エンジンを選択する第８のステップと
を実行することを特徴とする。
更に、本発明によれば、過去の消費電力量から将来の消費電力量を予測する装置の消費電力量予測方法において、
装置は、
学習時に、
携帯端末の時系列の位置情報から在宅か否かを推定する第１のステップと、
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する第２のステップと、
時間帯tの消費電力量及び在宅率と、時間帯t+1の消費電力量とを教師データとして学習した第１の学習モデルを含む第１の学習エンジンを構築する第３のステップと、
時間帯tの消費電力量と、時間帯t+1の消費電力量とを教師データとして学習した第２の学習モデルを含む第２の学習エンジンを構築する第４のステップと
を実行し、
運用時に、
携帯端末の時系列の位置情報から在宅か否かを推定する第５のステップと、
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する第６のステップと、
「全ての端末数」に対する「在宅の端末数＋不在の端末数」の割合とした在宅判定可能率を算出する第７のステップと、
第１の学習エンジンによって予測された消費電力量と現実の消費電力量との第１の誤差率と、第２の学習エンジンによって予測された消費電力量と現実の消費電力量との第２の誤差率とを算出し、第１の誤差率が第２の誤差率以下となる場合に第１の学習エンジンを選択し、それよりも高い場合に第２の学習エンジンを選択する第８のステップと
を実行することを特徴とする。
According to the present invention, in the power consumption amount prediction method of the device that predicts the future power consumption amount from the past power consumption amount,
The device is
When learning,
A first step of estimating whether or not the user is at home from time series position information of the mobile terminal;
A second step of calculating a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period;
A third step of constructing a first learning engine including a first learning model in which the power consumption amount and the in-home-home rate in the time period t and the power consumption amount in the time period t+1 are learned as teacher data;
A fourth step of constructing a second learning engine including a second learning model in which the power consumption in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
Run
During operation,
A fifth step of estimating whether or not the user is at home from time series position information of the mobile terminal;
A sixth step of calculating a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period,
A seventh step of calculating an in-home determination possibility rate, which is a ratio of “the number of terminals at home+the number of terminals absent” to “the number of all terminals”;
A first learning engine that outputs the power consumption amount in the time zone t+1 by inputting the power consumption amount in the time zone t and the in-home rate when the in-home determination possibility rate is equal to or higher than the first predetermined threshold value. And an eighth step of selecting a second learning engine that outputs the power consumption amount in the time zone t+1 by inputting the power consumption amount in the time zone t when it is lower than that.
It is characterized by executing.
Further, according to the present invention, in the power consumption amount prediction method of the device that predicts the future power consumption amount from the past power consumption amount,
The device is
When learning,
A first step of estimating whether or not the user is at home from time series position information of the mobile terminal;
A second step of calculating a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period;
A third step of constructing a first learning engine including a first learning model in which the power consumption amount and the in-home-home rate in the time period t and the power consumption amount in the time period t+1 are learned as teacher data;
A fourth step of constructing a second learning engine including a second learning model in which the power consumption in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
Run
During operation,
A fifth step of estimating whether or not the user is at home from time series position information of the mobile terminal;
A sixth step of calculating a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period,
A seventh step of calculating an in-home determination possibility rate, which is a ratio of “the number of terminals at home+the number of terminals absent” to “the number of all terminals”;
When the in-home determination possibility rate is equal to or lower than the second predetermined threshold, the first learning engine that outputs the power consumption amount in the time zone t+1 by inputting the power consumption amount in the time zone t and the in-home rate is input. And an eighth step of selecting a second learning engine that outputs the power consumption amount in the time zone t+1 by inputting the power consumption amount in the time zone t when the value is higher than that.
It is characterized by executing.
Furthermore, according to the present invention, in a method for predicting power consumption of a device for predicting future power consumption from past power consumption,
The device is
When learning,
A first step of estimating whether or not the user is at home from time series position information of the mobile terminal;
A second step of calculating a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period;
A third step of constructing a first learning engine including a first learning model in which the power consumption amount and the in-home-home rate in the time period t and the power consumption amount in the time period t+1 are learned as teacher data;
A fourth step of constructing a second learning engine including a second learning model in which the power consumption in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
Run
During operation,
A fifth step of estimating whether or not the user is at home from time series position information of the mobile terminal;
A sixth step of calculating a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period,
A seventh step of calculating an in-home determination possibility rate, which is a ratio of “the number of terminals at home+the number of terminals absent” to “the number of all terminals”;
A first error rate between the power consumption predicted by the first learning engine and the actual power consumption, and a second error rate between the power consumption predicted by the second learning engine and the actual power consumption Eighth step of calculating the error rate and selecting the first learning engine when the first error rate is less than or equal to the second error rate, and selecting the second learning engine when higher than When
It is characterized by executing.

本発明のプログラム、装置及び方法は、携帯端末の位置情報を用いて将来的な消費電力量の予測精度を高めることができる。 The program, device and method of the present invention can improve the prediction accuracy of future power consumption using the position information of the mobile terminal.

従来技術における消費電力量予測装置の機能構成図である。It is a functional block diagram of the power consumption amount prediction apparatus in a prior art. 携帯端末の在宅／不在を表す説明図である。It is explanatory drawing showing the presence/absence of a mobile terminal at home. 本発明における第１の消費電力量予測装置の機能構成図である。It is a functional block diagram of the 1st power consumption amount prediction apparatus in this invention. 図３に基づく各機能構成部によって保持されるテーブルである。4 is a table held by each functional component based on FIG. 3. 本発明における第２の消費電力量予測装置の機能構成図である。It is a functional block diagram of the 2nd power consumption amount prediction apparatus in this invention. 図５に基づく各機能構成部によって保持されるテーブルである。6 is a table held by each functional component based on FIG. 5. 本発明における学習エンジン選択部の内部構成図である。It is an internal block diagram of the learning engine selection part in this invention. 本発明における学習エンジンの選択条件を表すグラフである。It is a graph showing the selection condition of the learning engine in the present invention.

以下、本発明の実施の形態について、図面を用いて詳細に説明する。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.

図２は、携帯端末の在宅／不在を表す説明図である。 FIG. 2 is an explanatory diagram showing whether the mobile terminal is at home/absent.

図２によれば、インターネットや通信事業者網のような広域通信網に、消費電力量予測装置１が接続されている。消費電力量予測装置１は、過去tの消費電力量から将来t+1の消費電力量を予測する。
スマートフォンやタブレットのような携帯端末２は、ＧＰＳ(Global Positioning System)や加速度センサ等の測位機能を搭載している。携帯端末２は、ユーザに常に所持されており、現在の位置情報を所定時間間隔で、消費電力量予測装置１へ送信する。 According to FIG. 2, the power consumption prediction device 1 is connected to a wide area communication network such as the Internet or a carrier network. The power consumption amount prediction device 1 predicts the power consumption amount in the future t+1 from the power consumption amount in the past t.
The mobile terminal 2 such as a smartphone or a tablet has a positioning function such as a GPS (Global Positioning System) or an acceleration sensor. The mobile terminal 2 is always carried by the user, and transmits the current position information to the power consumption prediction device 1 at predetermined time intervals.

本発明の消費電力量予測装置１は、複数世帯における消費電力量を、世帯者の「在宅率」に応じて予測しようとする。即ち、携帯端末の位置情報に基づいて在宅／不在を推定し、在宅率を算出することによって、将来的な消費電力量を予測する。また、在宅率の影響に応じて、将来の消費電力量の予測方式を切り替えることもできる。 The power consumption amount prediction apparatus 1 of the present invention attempts to predict the power consumption amount of a plurality of households according to the "at-home ratio" of householders. That is, the in-home/absent status is estimated based on the position information of the mobile terminal, and the in-home rate is calculated to predict future power consumption. In addition, it is possible to switch the prediction method of the future power consumption amount according to the influence of the at-home ratio.

図３は、本発明における第１の消費電力量予測装置の機能構成図である。
図４は、図３に基づく各機能構成部によって保持されるテーブルである。 FIG. 3 is a functional block diagram of the first power consumption amount prediction device according to the present invention.
FIG. 4 is a table held by each functional component based on FIG.

図３によれば、消費電力量予測装置１は、消費電力量収集部１１１と、グループ消費電力量算出部１１２と、在宅推定部１２１と、在宅率算出部１２２と、第１の学習エンジンとを有する。これら機能構成部は、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。また、これら機能構成部の処理の流れは、装置の消費電力量予測方法としても理解できる。 According to FIG. 3, the power consumption prediction apparatus 1 includes a power consumption collection unit 111, a group power consumption calculation unit 112, an in-home estimation unit 121, an in-home ratio calculation unit 122, and a first learning engine. Have. These functional components are realized by executing a program that causes a computer mounted on the device to function. The processing flow of these functional components can also be understood as a method for predicting the power consumption of the device.

消費電力量予測装置１は、グループ地域範囲（表ａ）及び世帯位置情報（表ｂ）のテーブルを予め記憶している。
（表ａ）グループＩＤ(IDentifier)毎に、消費電力量の予測対象となる地域範囲を表すテーブルである。地域範囲としては、県市町村単位であってもよいし、緯度経度のメッシュ単位であってもよい。
（表ｂ）世帯ＩＤ毎に、その世帯宅の位置情報を表すテーブルである。位置情報は、緯度経度であってもよいし、住所であってもよい。 The power consumption prediction apparatus 1 stores in advance a table of group area range (Table a) and household position information (Table b).
(Table a) is a table showing, for each group ID (IDentifier), an area range in which power consumption is predicted. The area range may be in units of prefectures, cities, towns or villages, or in units of mesh of latitude and longitude.
(Table b) A table showing, for each household ID, positional information of the household. The position information may be latitude/longitude or an address.

［消費電力量収集部１１１］
消費電力量収集部１１１は、世帯毎に、所定時間間隔で、計測された消費電力量を収集する。消費電力量は、各世帯に設置されたスマートメータから受信するものであってもよいし、電力会社から取得するものであってもよい。
消費電力量収集部１１１は、世帯消費電力量（表ｃ）のテーブルを作成する。
（表ｃ）世帯ＩＤ毎に、各時間帯（例えば30分単位）の消費電力量を表すテーブルである。例えば以下のようなものである。
世帯ID1-> 時間帯2016-08-10 10:30〜10:59-> 消費電力量50Wh [Power consumption collection unit 111]
The power consumption collection unit 111 collects the measured power consumption for each household at predetermined time intervals. The power consumption may be received from a smart meter installed in each household or may be obtained from a power company.
The power consumption collection unit 111 creates a table of household power consumption (Table c).
(Table c) A table showing the power consumption amount for each time period (for example, in units of 30 minutes) for each household ID. For example:
Household ID 1-> Hours 2016-08-10 10:30-10:59-> Power consumption 50Wh

［グループ消費電力量算出部１１２］
グループ消費電力量算出部１１２は、グループ毎に、消費電力量の合計値を算出する。
グループ消費電力量算出部１１２は、グループ消費電力量（表ｄ）のテーブルを作成する。
（表ｄ）グループＩＤ毎に、各時間帯の消費電力量を表すテーブルである。即ち、そのグループの地域範囲に含まれる複数世帯における消費電力量の合計値である。これは、表ａ〜ｃを用いて、例えば以下のように作成される。
世帯グル−プID1-> 時間帯2016-08-10 10:30〜10:59-> 消費電力量10000kWh [Group power consumption calculation unit 112]
The group power consumption calculation unit 112 calculates the total value of the power consumption for each group.
The group power consumption calculation unit 112 creates a table of group power consumption (Table d).
(Table d) A table showing the power consumption amount in each time period for each group ID. That is, it is the total value of the power consumptions of a plurality of households included in the regional range of the group. This is created, for example, as follows using Tables ac.
Household group ID 1-> Time zone 2016-08-10 10:30-10:59-> Power consumption 10000kWh

［在宅推定部１２１］
在宅推定部１２１は、携帯端末２から位置情報を収集する。位置情報は、例えば携帯端末２に搭載されたＧＰＳによって測位された緯度経度である。
そして、在宅推定部１２１は、端末位置情報（表ｅ）のテーブルを作成する。
（表ｅ）端末ＩＤ毎に、各時刻の位置情報を表すテーブルである。 [At-home estimation unit 121]
The in-home estimation unit 121 collects position information from the mobile terminal 2. The position information is, for example, latitude and longitude measured by the GPS mounted on the mobile terminal 2.
Then, the in-home estimation unit 121 creates a table of terminal position information (Table e).
(Table e) is a table showing position information at each time for each terminal ID.

次に、在宅推定部１２１は、携帯端末の時系列の位置情報から、各時間帯について在宅か否かを推定する。携帯端末を所持するユーザが在宅か否かを推定するために、例えば以下の２つの推定方法がある。 Next, the at-home estimation unit 121 estimates whether or not the user is at home for each time period from the time-series position information of the mobile terminal. There are, for example, the following two estimation methods for estimating whether or not the user who owns the mobile terminal is at home.

＜推定１：住所周辺の位置情報に基づく在宅判定＞
在宅推定部１２１は、世帯ＩＤと端末ＩＤとが予め対応付けられている場合、表ｂの世帯ＩＤの位置情報を、自宅の「在宅地」と推定することができる。端末ＩＤに基づく位置情報が、世帯ＩＤに基づく「在宅地」の地域範囲に含まれる場合、「在宅」と推定する。逆に、その在宅地の地域範囲に含まれない場合、「不在」と推定する。 <Estimation 1: Home presence determination based on location information around address>
When the household ID and the terminal ID are associated with each other in advance, the at-home estimation unit 121 can estimate the position information of the household ID in Table b as the “at-home place” of the home. When the location information based on the terminal ID is included in the area range of “at home” based on the household ID, it is estimated as “at home”. On the contrary, when the area is not included in the area range of the home location, it is estimated as "absent".

＜推定２：滞留時間に基づく在宅推定＞
在宅推定部１２１は、世帯ＩＤに予め対応付けられていない端末ＩＤについては、滞留時間に基づいて在宅か否かを推定する。
在宅推定部１２１は、携帯端末毎に、時系列の位置情報おける所定時間（例えば３０分）以上の滞留時間帯を導出する。携帯端末を所持するユーザの滞留時間帯の傾向から、在宅か否かを推定する。
例えば、時系列の位置情報について、「例えば１００ｍ四方の地域範囲に連続して８時間以上」している場合、その地域範囲を「在宅地」と推定することもできる。また、「その滞留している日が、１週間で６日以上続く」とする条件を更に加えて、その地域範囲を「在宅地」と推定することも好ましい。
推定された地域範囲を「在宅地」（自宅）と設定し、その後、携帯端末の位置情報がその在宅地の地域範囲に含まれる場合、「在宅」と推定する。逆に、その在宅地の地域範囲に含まれない場合、「不在」と推定する。 <Estimation 2: In-home estimation based on residence time>
The home-at-home estimation unit 121 estimates whether or not the terminal ID not previously associated with the household ID is at home based on the staying time.
The in-home estimation unit 121 derives, for each mobile terminal, a staying time zone of a predetermined time (for example, 30 minutes) or more in the time-series position information. Whether the user is at home is estimated from the tendency of the residence time of the user who owns the mobile terminal.
For example, when the time-series position information is “for example, continuously for 8 hours or more in a 100 m square area range”, the area range can be estimated as “at home”. It is also preferable to further add a condition that "the staying day lasts for 6 days or more in one week" to estimate the area range as "at home".
The estimated area range is set as "at home" (home), and if the location information of the mobile terminal is thereafter included in the area at that place, it is estimated as "at home". On the contrary, when the area is not included in the area range of the home location, it is estimated as "absent".

尚、例えばそれぞれが携帯端末を所持する３人家族（３つの端末ＩＤａ，ｂ，ｃ）で、１人の端末ＩＤａしか、世帯ＩＤに対応付けられていない場合もある。この場合、その他の端末ＩＤｂ，ｃについては、推定２の方法によって「在宅地」を推定する。 Note that, for example, in a family of three (three terminal IDs a, b, and c) each having a mobile terminal, only one terminal IDa may be associated with the household ID. In this case, for the other terminal IDs b and c, the “home location” is estimated by the method of estimation 2.

これによって、在宅推定部１２１は、在宅推定情報（表ｆ）のテーブルを作成する。
（表ｆ）端末ＩＤ毎に、各時間帯で推定された在宅／不在／不明を表すテーブルである。
「在宅」：携帯端末の位置情報が、推定された「在宅地」の地域範囲に含まれる。
「不在」：携帯端末の位置情報が、推定された「在宅地」の地域範囲に含まれない。
「不明」：「在宅地」が推定できない場合、又は、携帯端末の位置情報が取得できな
い場合 By this, the in-home estimation unit 121 creates a table of in-home estimation information (Table f).
(Table f) is a table showing home/absence/unknown estimated in each time zone for each terminal ID.
"At home": The position information of the mobile terminal is included in the estimated "at home" area range.
"Absent": The location information of the mobile terminal is not included in the estimated "home location" area range.
"Unknown": If the "home location" cannot be estimated, or the location information of the mobile terminal cannot be acquired.
If no

［在宅率算出部１２２］
在宅率算出部１２２は、時間帯毎に、グループ（所定単位）の複数の携帯端末に基づく在宅率を算出する。所定単位の複数の携帯端末として、表ａの予測対象の地域範囲を「在宅地」とする携帯端末が対象であってもよいし、その地域範囲に位置する携帯端末が対象であってもよい。
在宅率算出部１２２は、グループ（所定単位）毎に、在宅率を、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合として、以下のように算出する。
在宅率＝在宅の端末数／（在宅の端末数＋不在の端末数） [Home Stay Calculation Unit 122]
The home-at-home ratio calculating unit 122 calculates a home-at-home ratio based on a plurality of mobile terminals of a group (predetermined unit) for each time zone. As a plurality of mobile terminals of a predetermined unit, a mobile terminal whose prediction target area range in Table a is “at home” may be a target, or a mobile terminal located in the area range may be a target. ..
The home-at-home ratio calculating unit 122 calculates the home-at-home ratio for each group (predetermined unit) as follows, as a ratio of the “home-at-home terminal number” to the “home-at-home terminal number+absent-terminal number”.
Percentage of home = Number of home terminals / (Number of home terminals + Number of non-home terminals)

これによって、在宅率算出部１２２は、在宅率情報（表ｇ）のテーブルを作成する。
（表ｇ）グループＩＤ毎に、各時間帯で算出された在宅率を表すテーブルである。 With this, the in-home-presence rate calculation unit 122 creates a table of in-home-presence rate information (Table g).
(Table g) A table showing the in-home rate calculated in each time zone for each group ID.

［第１の学習エンジン１３１］
第１の学習エンジン１３１は、「時間帯tの消費電力量及び在宅率」と、「時間帯t+1の消費電力量」とを教師データとして学習した第１の学習モデルを含むものである。
教師あり学習(Supervised learning)とは、事前に与えられた教師（訓練）データに沿うように、入力データに対する出力データを得る機械学習方法である。本発明は、機械学習の中でも、回帰問題として学習したものである。
そして、第１の学習エンジン１３１は、運用時に、「時間帯tの消費電力量及び在宅率」を入力することによって、「時間帯t+1の消費電力量」を出力することができる。
尚、本発明によれば、「時間帯t」の消費電力量及び在宅率から「時間帯t+1」の消費電力量を予測するものとして記載するが、時間帯tやt+1について時間帯の幅や単位時間の個数を限定するものではない。あくまで、過去の時間帯の消費電力量及び在宅率から、未来の時間帯の消費電力量を予測するものとして表現しているに過ぎない。 [First learning engine 131]
The first learning engine 131 includes a first learning model learned by using “the power consumption amount and the in-home-use rate in the time period t” and the “power consumption amount in the time period t+1” as teacher data.
Supervised learning is a machine learning method for obtaining output data with respect to input data so as to follow pre-given teacher (training) data. The present invention is learned as a regression problem among machine learning.
Then, the first learning engine 131 can output the "power consumption amount in the time period t+1" by inputting the "power consumption amount in the time period t and the in-home ratio" during operation.
According to the present invention, the power consumption in the “time zone t+1” is predicted from the power consumption in the “time zone t” and the in-home ratio. The width of the band and the number of unit times are not limited. It is merely expressed as predicting the power consumption amount in the future time zone from the power consumption amount in the past time zone and the in-home ratio.

第１の学習エンジン１３１は、在宅率情報（表ｈ）のテーブルを作成する。
（表ｈ）グループＩＤ毎に、将来の時間帯t+1における予測消費電力量を表すテーブルである。 The first learning engine 131 creates a table of home stay information (Table h).
(Table h) is a table showing the predicted power consumption in the future time zone t+1 for each group ID.

図５は、本発明における第２の消費電力量予測装置の機能構成図である。
図６は、図５に基づく各機能構成部によって保持されるテーブルである。 FIG. 5 is a functional block diagram of the second power consumption amount prediction apparatus according to the present invention.
FIG. 6 is a table held by each functional component based on FIG.

図５によれば、図３と比較して、在宅判定可能率算出部１２３と、学習エンジン選択部１３０と、第２の学習エンジン１３２とを更に有する。これら機能構成部も、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。また、これら機能構成部の処理の流れは、装置の消費電力量予測方法としても理解できる。 According to FIG. 5, as compared with FIG. 3, the in-home decidable rate calculation unit 123, the learning engine selection unit 130, and the second learning engine 132 are further included. These functional components are also realized by executing a program that causes a computer mounted on the device to function. The processing flow of these functional components can also be understood as a method for predicting the power consumption of the device.

［在宅判定可能率算出部１２３］
在宅判定可能率算出部１２３は、推定すべき時間帯について、全ての端末数に対する在宅及び不在の端末数の割合とした在宅判定可能率を算出する。具体的には、グループ（所定単位）毎に、以下のように算出する。
在宅判定可能率＝（在宅の端末数＋不在の端末数）／全ての端末数
全ての端末数：在宅の端末数＋不在の端末数＋不明の端末数
図６の表ｇによれば、グループＩＤ毎に、各時間帯の在宅率に加えて、在宅判定可能率が追加されている。 [At-home determination possibility rate calculation unit 123]
The in-home decidable rate calculation unit 123 calculates the in-home decidable rate as the ratio of the number of terminals at home and the number of terminals absent for all the numbers of terminals in the time zone to be estimated. Specifically, it is calculated as follows for each group (predetermined unit).
At-home determination possibility=(the number of terminals at home+the number of terminals absent)/the number of all terminals The number of all terminals: The number of terminals at home+the number of terminals absent+the number of unknown terminals According to the table g in FIG. For each ID, the in-home determination possibility rate is added in addition to the in-home rate in each time zone.

［第２の学習エンジン１３２］
第２の学習エンジン１３２は、時間帯tの消費電力量と、時間帯t+1の消費電力量とを教師データとして学習した第２の学習モデルを含むものである。
これは、消費電力量に基づく教師あり学習であって、前述した図１の従来技術に基づく予測部と同じものであってもよい。即ち、第２の学習エンジン１３２は、第１の学習エンジン１３１と異なって、在宅率を考慮しない学習エンジンである。 [Second learning engine 132]
The second learning engine 132 includes a second learning model in which the power consumption in the time zone t and the power consumption in the time zone t+1 are learned as teacher data.
This is supervised learning based on power consumption, and may be the same as the above-described prediction unit based on the related art in FIG. That is, unlike the first learning engine 131, the second learning engine 132 is a learning engine that does not consider the in-home ratio.

［学習エンジン選択部１３０］
学習エンジン選択部１３０は、在宅判定可能率算出部１２３から出力された在宅判定可能率が、第１の所定閾値以上である場合に第１の学習エンジン１３１を選択し、それよりも低い場合に第２の学習エンジン１３２を選択する。
即ち、在宅判定可能率が高い（第１の所定閾値以上）場合、在宅率を考慮した第１の学習エンジン１３１を選択し、逆に、在宅判定可能率が低い（第１の所定閾値未満）場合、在宅率を考慮しない第２の学習エンジン１３２を選択する。 [Learning engine selection unit 130]
The learning engine selection unit 130 selects the first learning engine 131 when the in-home determination possibility rate output from the in-home determination possibility rate calculation unit 123 is equal to or higher than a first predetermined threshold value, and when the in-home determination possibility rate is lower than that. Select the second learning engine 132.
That is, when the in-home determination possibility is high (greater than or equal to the first predetermined threshold), the first learning engine 131 that considers the in-home rate is selected, and conversely, the in-home determination possibility is low (less than the first predetermined threshold). In this case, the second learning engine 132 that does not consider the in-home ratio is selected.

具体的には、例えば1,000台の携帯端末について、在宅又は不在が１台しか推定できない場合、そのような在宅率に基づいて消費電力量を予測すべきではない。その１台の携帯端末の在宅又は不在が消費電力量の予測に影響を与えるために、予測精度が低下する恐れがあるためである。 Specifically, for example, when it is possible to estimate the presence or absence of at least one mobile terminal for 1,000 mobile terminals, the power consumption should not be predicted based on the at-home ratio. This is because the presence or absence of the one mobile terminal at home affects the prediction of the power consumption amount, which may reduce the prediction accuracy.

他の実施形態として、学習エンジン選択部１３０は、在宅判定可能率算出部１２３から出力された在宅判定可能率が、第２の所定閾値以下である場合に第１の学習エンジン１３１を選択し、それよりも高い場合に第２の学習エンジン１３２を選択することも好ましい。
即ち、在宅判定可能率が低い（第２の所定閾値以下）場合、在宅率を考慮した第１の学習エンジン１３１を選択し、逆に、在宅判定可能率が高い（第２の所定閾値未満）場合、在宅率を考慮しない第２の学習エンジン１３２を選択する。
これは、例えば深夜の時間帯の場合、携帯端末を所持するユーザは在宅している場合が多く、且つ、自宅の場合には地下等ではないために位置情報を取得できる可能性も高いために、在宅判定可能率も高くなる。この時間帯では、在宅率を考慮することなく、単に世帯毎の消費電力量のみから予測した方が高い精度が得られる場合もある。
勿論、実施形態によっては、第１の所定閾値と第２の所定閾値との両方を設定することもできる。 As another embodiment, the learning engine selection unit 130 selects the first learning engine 131 when the in-home determinability rate output from the in-home determinability rate calculation unit 123 is equal to or less than the second predetermined threshold, It is also preferable to select the second learning engine 132 if it is higher than that.
That is, when the in-home determination possibility is low (below the second predetermined threshold), the first learning engine 131 considering the in-home rate is selected, and conversely, the in-home determination possible rate is high (less than the second predetermined threshold). In this case, the second learning engine 132 that does not consider the in-home ratio is selected.
This is because, for example, in the case of late at night, the user who owns the mobile terminal is often at home, and in the case of his/her home, there is a high possibility that position information can be acquired because it is not underground. , The rate at which it is possible to determine the presence of a person at home also increases. In this time zone, it may be possible to obtain higher accuracy by simply predicting only the power consumption amount for each household without considering the in-home ratio.
Of course, depending on the embodiment, both the first predetermined threshold value and the second predetermined threshold value can be set.

図７は、本発明における学習エンジン選択部の内部構成図である。 FIG. 7 is an internal block diagram of the learning engine selection unit in the present invention.

図７によれば、学習エンジン選択部１３０は、例えば以下のように実行される。
（Ｓ７１）在宅判定可能率に対する、第１の学習エンジン１３１によって予測された消費電力量と現実の消費電力量との第１の誤差率を算出する。
（Ｓ７２）第２の学習エンジン１３２によって予測された消費電力量と現実の消費電力量との第２の誤差率を算出する。
（Ｓ７３）そして、在宅判定可能率に応じて、第１の誤差率が第２の誤差率以下となる場合に第１の学習エンジン１３１を選択し、それ以外の場合に第２の学習エンジン１３２を選択する。
これによって、現実の消費電力量との誤差率が小さい方の学習エンジンを選択することができる。 According to FIG. 7, the learning engine selection unit 130 is executed as follows, for example.
(S71) A first error rate between the power consumption amount predicted by the first learning engine 131 and the actual power consumption amount is calculated with respect to the at-home determination possibility rate.
(S72) A second error rate between the power consumption amount predicted by the second learning engine 132 and the actual power consumption amount is calculated.
(S73) Then, according to the at-home determination possibility rate, the first learning engine 131 is selected when the first error rate is equal to or less than the second error rate, and the second learning engine 132 is selected otherwise. Select.
As a result, it is possible to select the learning engine with the smaller error rate from the actual power consumption.

図８は、本発明における学習エンジンの選択条件を表すグラフである。 FIG. 8 is a graph showing the selection condition of the learning engine in the present invention.

図８によれば、第１の学習エンジン１３１及び第２の学習エンジン１３２について、時間帯毎に、在宅判定可能率に対する誤差率を表すグラフである。
誤差としては、例えば以下のような絶対平均比率誤差(MAPE)を用いる。
MAPE＝1/n Σt=1 n|(実績値t−予測値t)／実績値t|
n ：予測回数（例えば30分毎の予測を1時間分行った場合、n＝2）
予測値t：t回目の予測における予測値
実績値t：t回目の予測における実績値 FIG. 8 is a graph showing the error rate with respect to the at-home determination possibility rate for each time zone for the first learning engine 131 and the second learning engine 132.
As the error, for example, the following absolute mean ratio error (MAPE) is used.
MAPE=1/n Σ t=1 n | (actual value t − predicted value t )/actual value t |
n: Number of predictions (for example, if prediction is performed every 30 minutes for 1 hour, n=2)
Predicted value t : Predicted value in the t- th prediction
Actual value t : Actual value in the t- th prediction

図８によれば、第１の学習エンジン１３１について、在宅判定可能率と誤差率との複数の対応点から、近似直線が描かれている。また、第２の学習エンジン１３２については、在宅率を用いることなく消費電力量のみの予測であるために、在宅判定可能率とは無関係な誤差率のみの直線となる。そして、２本の直線の交点に基づいて、第１の学習エンジン１３１と第２の学習エンジン１３２との選択条件を決定している。 According to FIG. 8, with respect to the first learning engine 131, an approximate straight line is drawn from a plurality of corresponding points of the in-home determination possibility rate and the error rate. Further, regarding the second learning engine 132, since only the power consumption amount is predicted without using the in-home rate, only a straight line of an error rate irrelevant to the in-home decidable rate is obtained. Then, the selection condition for the first learning engine 131 and the second learning engine 132 is determined based on the intersection of the two straight lines.

図８（ａ）によれば、13:00〜13:30について、在宅判定可能率に対する誤差率を表す。
この場合、在宅判定可能率0〜38％では、誤差率が小さい第２の学習エンジン１３２を選択する。
また、在宅判定可能率38％〜100％では、誤差率が小さい第１の学習エンジン１３１を選択する。即ち、在宅判定可能率が高いほど、在宅率を考慮して将来の消費電力量を予測する方が、予測精度が高いことを意味する。
学習エンジン選択部１３０は、例えば時刻tについて、在宅判定可能率が60%であった場合、第１の学習エンジン１３１を選択する。 According to FIG. 8A, the error rate with respect to the in-home determination possibility rate is shown for 13:00 to 13:30.
In this case, the second learning engine 132 having a small error rate is selected when the in-home determination possibility rate is 0 to 38%.
Further, when the in-home determination possibility rate is 38% to 100%, the first learning engine 131 having a small error rate is selected. That is, the higher the in-home determination possibility rate, the higher the prediction accuracy in predicting future power consumption in consideration of the in-home rate.
The learning engine selection unit 130 selects the first learning engine 131 when the in-home determination possibility is 60% at time t, for example.

図８（ｂ）によれば、8:00〜8:30について、在宅判定可能率に対する誤差率を表す。
この場合、在宅判定可能率0〜100％で、誤差率が小さい第１の学習エンジン１３１を選択する。 According to FIG. 8B, the error rate with respect to the in-home determination possibility rate is represented for 8:00 to 8:30.
In this case, the first learning engine 131 having the in-home determination possibility rate of 0 to 100% and the small error rate is selected.

以上、詳細に説明したように、本発明のプログラム、装置及び方法によれば、携帯端末の位置情報を用いて将来的な消費電力量の予測精度を高めることができる。 As described above in detail, according to the program, the device, and the method of the present invention, it is possible to improve the prediction accuracy of future power consumption using the position information of the mobile terminal.

本発明によれば、携帯端末の位置情報によって在宅／不在を推定し、その在宅率を考慮して将来的な消費電力量を予測することができる。特定の施設に限らない一般の住宅でも、在宅状態が消費電力量に与える影響については、例えば非特許文献２で知られている。これは、照明、テレビ、エアコン、電気温水器、電気ポット等、人が在宅するときに利用される可能性の高い電気機器が、家庭内での電気消費量の４割以上を占めるという統計について記載されている。 According to the present invention, it is possible to estimate at-home/absence based on the position information of the mobile terminal, and to predict future power consumption in consideration of the at-home ratio. Non-Patent Document 2 discloses, for example, Non-Patent Document 2 about the influence of the in-home state on the power consumption even in a general house not limited to a specific facility. This is about statistics that electrical equipment that is likely to be used when people are at home, such as lighting, TVs, air conditioners, electric water heaters, and electric pots, accounts for more than 40% of the electricity consumption in the home. Have been described.

本発明によれば、在宅率を考慮して将来的な消費電力量を予測するために、専用の装置やセンサを必要としない。また、本発明によれば、予測した消費電力量と実測した消費電力量との間の誤差率に応じて、在宅率を考慮して予測するか、又は、在宅率を考慮することなく予測するか、を選択することができる。 According to the present invention, a dedicated device or sensor is not necessary for predicting future power consumption in consideration of a home stay rate. Further, according to the present invention, depending on the error rate between the predicted power consumption and the actually measured power consumption, the prediction is performed in consideration of the in-home rate or the in-home rate is not considered. Or you can choose.

前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。 With respect to the various embodiments of the present invention described above, various changes, modifications and omissions of the technical idea and scope of the present invention can be easily made by those skilled in the art. The above description is merely an example and is not intended to be limiting. The invention is limited only by the claims and their equivalents.

１ 消費電力量予測装置
１１１ 消費電力量収集部
１１２ グループ消費電力量算出部
１２１ 在宅推定部
１２２ 在宅率算出部
１２３ 在宅判定可能率算出部
１３０ 学習エンジン選択部
１３１ 第１の学習エンジン
１３２ 第２の学習エンジン
２ 携帯端末
1 Power Consumption Prediction Device 111 Power Consumption Collection Unit 112 Group Power Consumption Calculation Unit 121 In-Home Estimation Unit 122 In-Home Rate Calculation Unit 123 In-Home Determinable Rate Calculation Unit 130 Learning Engine Selection Unit 131 First Learning Engine 132 Second Learning Engine 2 Mobile device

Claims (10)

過去の消費電力量から将来の消費電力量を予測するようにコンピュータを機能させるプログラムにおいて、
携帯端末の時系列の位置情報から在宅か否かを推定する在宅推定手段と、
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する在宅率算出手段と、
時間帯tの消費電力量及び在宅率と、時間帯t+1の消費電力量とを教師データとして学習した第１の学習モデルを含む第１の学習エンジンと、
時間帯tの消費電力量と、時間帯t+1の消費電力量とを教師データとして学習した第２の学習モデルを含む第２の学習エンジンと、
運用時に、「全ての端末数」に対する「在宅の端末数＋不在の端末数」の割合とした在宅判定可能率を算出する在宅判定可能率算出手段と、
運用時に、在宅判定可能率が第１の所定閾値以上である場合に、時間帯tの消費電力量及び在宅率を入力することによって、時間帯t+1の消費電力量を出力する第１の学習エンジンを選択し、それよりも低い場合に、時間帯tの消費電力量を入力することによって、時間帯t+1の消費電力量を出力する第２の学習エンジンを選択する学習エンジン選択手段と
してコンピュータを機能させることを特徴とするプログラム。 In a program that causes a computer to predict future power consumption from past power consumption,
At-home estimation means for estimating whether or not the user is at home from time-series position information of the mobile terminal,
For each time period, with a plurality of mobile terminals of a predetermined unit, and home index calculating means for calculating the home rate as a percentage of the "home number of the terminal" to "the number of terminals home terminal number + absent",
A first learning engine including a first learning model in which the power consumption and the in-home ratio in the time zone t and the power consumption in the time zone t+1 are learned as teacher data ;
A second learning engine including a second learning model in which the power consumption in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
An in-home decidable rate calculating means for calculating an in-home decidable rate as a ratio of “the number of terminals at home+the number of terminals absent” to “the number of all terminals” during operation;
In operation, when the in-home determination possibility rate is equal to or higher than the first predetermined threshold value, the power consumption in the time zone t and the in-home rate are input to output the power consumption in the time zone t+ 1. Learning engine selecting means for selecting a learning engine and, if lower than that, selecting the second learning engine that outputs the power consumption in the time zone t+1 by inputting the power consumption in the time zone t program for causing a computer to function in <br/> with. 過去の消費電力量から将来の消費電力量を予測するようにコンピュータを機能させるプログラムにおいて、 In a program that causes a computer to predict future power consumption from past power consumption,
携帯端末の時系列の位置情報から在宅か否かを推定する在宅推定手段と At-home estimation means for estimating whether or not the user is at home from time-series position information of the mobile terminal
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する在宅率算出手段と、 A home-at-home ratio calculating unit that calculates a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period,
時間帯tの消費電力量及び在宅率と、時間帯t+1の消費電力量とを教師データとして学習した第１の学習モデルを含む第１の学習エンジンと、 A first learning engine including a first learning model in which the power consumption amount and the in-home-use rate in time period t and the power consumption amount in time period t+1 are learned as teacher data;
時間帯tの消費電力量と、時間帯t+1の消費電力量とを教師データとして学習した第２の学習モデルを含む第２の学習エンジンと、 A second learning engine including a second learning model in which the power consumption in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
運用時に、「全ての端末数」に対する「在宅の端末数＋不在の端末数」の割合とした在宅判定可能率を算出する在宅判定可能率算出手段と、 An in-home decidable rate calculating means for calculating an in-home decidable rate as a ratio of “the number of terminals at home+the number of terminals absent” to “the number of all terminals” during operation;
運用時に、在宅判定可能率が第２の所定閾値以下である場合に、時間帯tの消費電力量及び在宅率を入力することによって、時間帯t+1の消費電力量を出力する第１の学習エンジンを選択し、それよりも高い場合に、時間帯tの消費電力量を入力することによって、時間帯t+1の消費電力量を出力する第２の学習エンジンを選択する学習エンジン選択手段と In operation, when the in-home determination possibility rate is less than or equal to the second predetermined threshold value, the first power output amount in the time zone t+1 is output by inputting the power consumption amount in the time zone t and the in-home rate. Learning engine selecting means for selecting a learning engine and, if higher than that, inputting the power consumption in the time zone t to select the second learning engine outputting the power consumption in the time zone t+1 When
してコンピュータを機能させることを特徴とするプログラム。A program characterized by causing a computer to function. 過去の消費電力量から将来の消費電力量を予測するようにコンピュータを機能させるプログラムにおいて、 In a program that causes a computer to predict future power consumption from past power consumption,
携帯端末の時系列の位置情報から在宅か否かを推定する在宅推定手段と、 At-home estimation means for estimating whether or not the user is at home from time-series position information of the mobile terminal,
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する在宅率算出手段と、 A home-at-home ratio calculating unit that calculates a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period,
時間帯tの消費電力量及び在宅率と、時間帯t+1の消費電力量とを教師データとして学習した第１の学習モデルを含む第１の学習エンジンと、 A first learning engine including a first learning model in which the power consumption amount and the in-home-use rate in time period t and the power consumption amount in time period t+1 are learned as teacher data;
時間帯tの消費電力量と、時間帯t+1の消費電力量とを教師データとして学習した第２の学習モデルを含む第２の学習エンジンと、 A second learning engine including a second learning model in which the power consumption in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
運用時に、「全ての端末数」に対する「在宅の端末数＋不在の端末数」の割合とした在宅判定可能率を算出する在宅判定可能率算出手段と、 An in-home decidable rate calculating means for calculating an in-home decidable rate as a ratio of “the number of terminals at home+the number of terminals absent” to “the number of all terminals” during operation
運用時に、第１の学習エンジンによって予測された消費電力量と現実の消費電力量との第１の誤差率と、第２の学習エンジンによって予測された消費電力量と現実の消費電力量との第２の誤差率とを算出し、第１の誤差率が第２の誤差率以下となる場合に第１の学習エンジンを選択し、それよりも高い場合に第２の学習エンジンを選択する学習エンジン選択手段と During operation, the first error rate between the power consumption amount predicted by the first learning engine and the actual power consumption amount, and the power consumption amount predicted by the second learning engine and the actual power consumption amount A second error rate is calculated, and the first learning engine is selected when the first error rate is less than or equal to the second error rate; and the second learning engine is selected when the first error rate is higher than that. Engine selection means
してコンピュータを機能させることを特徴とするプログラム。A program characterized by causing a computer to function. 所定単位の複数の携帯端末を、所定地域範囲に位置情報が含まれる携帯端末とし、所定地域範囲における消費電力量を予測するものであり、 A plurality of mobile terminals of a predetermined unit are mobile terminals whose position information is included in a predetermined area range, and the power consumption amount in the predetermined area range is predicted.
在宅推定手段は、携帯端末毎に、時系列の位置情報における所定時間以上の滞留時間帯を導出し、当該滞留時間帯における位置を「在宅地」として推定し、携帯端末の位置情報が「在宅地」に該当する場合に「在宅」と推定する The at-home estimation means derives, for each mobile terminal, a staying time zone of a predetermined time or longer in the time-series position information, estimates the position in the staying time zone as a "home location", and the mobile terminal location information is "at home". Presumed to be "at home" when it corresponds to "ground"
ようにコンピュータを機能させることを特徴とする請求項１から３のいずれか１項に記載のプログラム。4. The program according to claim 1, which causes a computer to function as described above. 過去の消費電力量から将来の消費電力量を予測する装置において、 In a device that predicts future power consumption from past power consumption,
携帯端末の時系列の位置情報から在宅か否かを推定する在宅推定手段と、 At-home estimation means for estimating whether or not the user is at home from time-series position information of the mobile terminal,
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する在宅率算出手段と、 A home-at-home ratio calculating unit that calculates a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period,
時間帯tの消費電力量及び在宅率と、時間帯t+1の消費電力量とを教師データとして学習した第１の学習モデルを含む第１の学習エンジンと、 A first learning engine including a first learning model in which the power consumption amount and the in-home-use rate in time period t and the power consumption amount in time period t+1 are learned as teacher data;
時間帯tの消費電力量と、時間帯t+1の消費電力量とを教師データとして学習した第２の学習モデルを含む第２の学習エンジンと、 A second learning engine including a second learning model in which the power consumption in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
運用時に、「全ての端末数」に対する「在宅の端末数＋不在の端末数」の割合とした在宅判定可能率を算出する在宅判定可能率算出手段と、 An in-home decidable rate calculating means for calculating an in-home decidable rate as a ratio of “the number of terminals at home+the number of terminals absent” to “the number of all terminals” during operation;
運用時に、在宅判定可能率が第１の所定閾値以上である場合に、時間帯tの消費電力量及び在宅率を入力することによって、時間帯t+1の消費電力量を出力する第１の学習エンジンを選択し、それよりも低い場合に、時間帯tの消費電力量を入力することによって、時間帯t+1の消費電力量を出力する第２の学習エンジンを選択する学習エンジン選択手段と In operation, when the in-home determination possibility rate is equal to or higher than the first predetermined threshold value, the power consumption in the time zone t and the in-home rate are input to output the power consumption in the time zone t+1. Learning engine selecting means for selecting a learning engine and, if lower than that, selecting the second learning engine that outputs the power consumption in the time zone t+1 by inputting the power consumption in the time zone t When
を有することを特徴とする装置。An apparatus comprising: 過去の消費電力量から将来の消費電力量を予測する装置において、 In a device that predicts future power consumption from past power consumption,
携帯端末の時系列の位置情報から在宅か否かを推定する在宅推定手段と At-home estimation means for estimating whether or not the user is at home from the time-series position information of the mobile terminal
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する在宅率算出手段と、 A home-at-home ratio calculating unit that calculates a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period,
時間帯tの消費電力量及び在宅率と、時間帯t+1の消費電力量とを教師データとして学習した第１の学習モデルを含む第１の学習エンジンと、 A first learning engine including a first learning model in which the power consumption amount and the in-home-use rate in time period t and the power consumption amount in time period t+1 are learned as teacher data;
時間帯tの消費電力量と、時間帯t+1の消費電力量とを教師データとして学習した第２の学習モデルを含む第２の学習エンジンと、 A second learning engine including a second learning model in which the power consumption in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
運用時に、「全ての端末数」に対する「在宅の端末数＋不在の端末数」の割合とした在宅判定可能率を算出する在宅判定可能率算出手段と、 An in-home decidable rate calculating means for calculating an in-home decidable rate as a ratio of “the number of terminals at home+the number of terminals absent” to “the number of all terminals” during operation;
運用時に、在宅判定可能率が第２の所定閾値以下である場合に、時間帯tの消費電力量及び在宅率を入力することによって、時間帯t+1の消費電力量を出力する第１の学習エンジンを選択し、それよりも高い場合に、時間帯tの消費電力量を入力することによって、時間帯t+1の消費電力量を出力する第２の学習エンジンを選択する学習エンジン選択手段と In operation, when the in-home determination possibility rate is less than or equal to the second predetermined threshold value, the first power output amount in the time zone t+1 is output by inputting the power consumption amount in the time zone t and the in-home rate. Learning engine selecting means for selecting a learning engine and, if higher than that, inputting the power consumption in the time zone t to select the second learning engine outputting the power consumption in the time zone t+1 When
を有することを特徴とする装置。An apparatus comprising: 過去の消費電力量から将来の消費電力量を予測する装置において、 In a device that predicts future power consumption from past power consumption,
携帯端末の時系列の位置情報から在宅か否かを推定する在宅推定手段と、 At-home estimation means for estimating whether or not the user is at home from time series position information of the mobile terminal,
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する在宅率算出手段と、 A home-at-home ratio calculating unit that calculates a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period,
時間帯tの消費電力量及び在宅率と、時間帯t+1の消費電力量とを教師データとして学習した第１の学習モデルを含む第１の学習エンジンと、 A first learning engine including a first learning model in which the power consumption amount and the in-home-use rate in time period t and the power consumption amount in time period t+1 are learned as teacher data;
時間帯tの消費電力量と、時間帯t+1の消費電力量とを教師データとして学習した第２の学習モデルを含む第２の学習エンジンと、 A second learning engine including a second learning model in which the power consumption in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
運用時に、「全ての端末数」に対する「在宅の端末数＋不在の端末数」の割合とした在宅判定可能率を算出する在宅判定可能率算出手段と、 An in-home decidable rate calculating means for calculating an in-home decidable rate as a ratio of “the number of terminals at home+the number of terminals absent” to “the number of all terminals” during operation
運用時に、第１の学習エンジンによって予測された消費電力量と現実の消費電力量との第１の誤差率と、第２の学習エンジンによって予測された消費電力量と現実の消費電力量との第２の誤差率とを算出し、第１の誤差率が第２の誤差率以下となる場合に第１の学習エンジンを選択し、それよりも高い場合に第２の学習エンジンを選択する学習エンジン選択手段と During operation, the first error rate between the power consumption amount predicted by the first learning engine and the actual power consumption amount, and the power consumption amount predicted by the second learning engine and the actual power consumption amount A second error rate is calculated, and the first learning engine is selected when the first error rate is less than or equal to the second error rate; and the second learning engine is selected when the first error rate is higher than that. Engine selection means
を有することを特徴とする装置。An apparatus comprising: 過去の消費電力量から将来の消費電力量を予測する装置の消費電力量予測方法において、 In the power consumption prediction method of the device that predicts future power consumption from past power consumption,
装置は、 The device is
学習時に、 When learning,
携帯端末の時系列の位置情報から在宅か否かを推定する第１のステップと、 A first step of estimating whether or not the user is at home from time series position information of the mobile terminal;
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する第２のステップと、 A second step of calculating a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period;
時間帯tの消費電力量及び在宅率と、時間帯t+1の消費電力量とを教師データとして学習した第１の学習モデルを含む第１の学習エンジンを構築する第３のステップと、 A third step of constructing a first learning engine including a first learning model in which the power consumption amount and the in-home-home rate in the time period t and the power consumption amount in the time period t+1 are learned as teacher data;
時間帯tの消費電力量と、時間帯t+1の消費電力量とを教師データとして学習した第２の学習モデルを含む第２の学習エンジンを構築する第４のステップと A fourth step of constructing a second learning engine including a second learning model in which the power consumption in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
を実行し、Run
運用時に、 During operation,
携帯端末の時系列の位置情報から在宅か否かを推定する第５のステップと、 A fifth step of estimating whether or not the user is at home from time series position information of the mobile terminal;
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する第６のステップと、 A sixth step of calculating a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period,
「全ての端末数」に対する「在宅の端末数＋不在の端末数」の割合とした在宅判定可能率を算出する第７のステップと、 A seventh step of calculating an in-home determination possibility rate, which is a ratio of “the number of terminals at home+the number of terminals absent” to “the number of all terminals”;
在宅判定可能率が第１の所定閾値以上である場合に、時間帯tの消費電力量及び在宅率を入力することによって、時間帯t+1の消費電力量を出力する第１の学習エンジンを選択し、それよりも低い場合に、時間帯tの消費電力量を入力することによって、時間帯t+1の消費電力量を出力する第２の学習エンジンを選択する第８のステップと A first learning engine that outputs the power consumption amount in the time zone t+1 by inputting the power consumption amount in the time zone t and the in-home rate when the in-home determination possibility rate is equal to or higher than the first predetermined threshold value. And an eighth step of selecting a second learning engine that outputs the power consumption amount in the time zone t+1 by inputting the power consumption amount in the time zone t when it is lower than that.
を実行することを特徴とする消費電力量予測方法。A method for predicting power consumption, characterized by executing. 過去の消費電力量から将来の消費電力量を予測する装置の消費電力量予測方法において、 In the power consumption prediction method of the device that predicts future power consumption from past power consumption,
装置は、 The device is
学習時に、 When learning,
携帯端末の時系列の位置情報から在宅か否かを推定する第１のステップと、 A first step of estimating whether or not the user is at home from time series position information of the mobile terminal;
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する第２のステップと、 A second step of calculating a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period;
時間帯tの消費電力量及び在宅率と、時間帯t+1の消費電力量とを教師データとして学習した第１の学習モデルを含む第１の学習エンジンを構築する第３のステップと、 A third step of constructing a first learning engine including a first learning model in which the power consumption amount and the in-home-home rate in the time period t and the power consumption amount in the time period t+1 are learned as teacher data;
時間帯tの消費電力量と、時間帯t+1の消費電力量とを教師データとして学習した第２の学習モデルを含む第２の学習エンジンを構築する第４のステップと A fourth step of constructing a second learning engine including a second learning model in which the power consumption in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
を実行し、Run
運用時に、 During operation,
携帯端末の時系列の位置情報から在宅か否かを推定する第５のステップと、 A fifth step of estimating whether or not the user is at home from time series position information of the mobile terminal;
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する第６のステップと、 A sixth step of calculating a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period,
「全ての端末数」に対する「在宅の端末数＋不在の端末数」の割合とした在宅判定可能率を算出する第７のステップと、 A seventh step of calculating an in-home determination possibility rate, which is a ratio of “the number of terminals at home+the number of terminals absent” to “the number of all terminals”;
在宅判定可能率が第２の所定閾値以下である場合に、時間帯tの消費電力量及び在宅率を入力することによって、時間帯t+1の消費電力量を出力する第１の学習エンジンを選択し、それよりも高い場合に、時間帯tの消費電力量を入力することによって、時間帯t+1の消費電力量を出力する第２の学習エンジンを選択する第８のステップと When the in-home determination possibility rate is equal to or lower than the second predetermined threshold, the first learning engine that outputs the power consumption amount in the time zone t+1 by inputting the power consumption amount in the time zone t and the in-home rate is input. And an eighth step of selecting a second learning engine that outputs the power consumption amount in the time zone t+1 by inputting the power consumption amount in the time zone t when the value is higher than that.
を実行することを特徴とする消費電力量予測方法。A method for predicting power consumption, characterized by executing. 過去の消費電力量から将来の消費電力量を予測する装置の消費電力量予測方法において、 In the power consumption prediction method of the device that predicts future power consumption from past power consumption,
装置は、 The device is
学習時に、 When learning,
携帯端末の時系列の位置情報から在宅か否かを推定する第１のステップと、 A first step of estimating whether or not the user is at home from time series position information of the mobile terminal;
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する第２のステップと、 A second step of calculating a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period;
時間帯tの消費電力量及び在宅率と、時間帯t+1の消費電力量とを教師データとして学習した第１の学習モデルを含む第１の学習エンジンを構築する第３のステップと、 A third step of constructing a first learning engine including a first learning model in which the power consumption amount and the in-home-home rate in the time period t and the power consumption amount in the time period t+1 are learned as teacher data;
時間帯tの消費電力量と、時間帯t+1の消費電力量とを教師データとして学習した第２の学習モデルを含む第２の学習エンジンを構築する第４のステップと A fourth step of constructing a second learning engine including a second learning model in which the power consumption in the time zone t and the power consumption in the time zone t+1 are learned as teacher data;
を実行し、Run
運用時に、 During operation,
携帯端末の時系列の位置情報から在宅か否かを推定する第５のステップと、 A fifth step of estimating whether or not the user is at home from time series position information of the mobile terminal;
時間帯毎に、所定単位の複数の携帯端末について、「在宅の端末数＋不在の端末数」に対する「在宅の端末数」の割合としての在宅率を算出する第６のステップと、 A sixth step of calculating a home-at-home ratio as a ratio of “the number of terminals at home+the number of terminals at home” for a plurality of mobile terminals of a predetermined unit for each time period,
「全ての端末数」に対する「在宅の端末数＋不在の端末数」の割合とした在宅判定可能率を算出する第７のステップと、 A seventh step of calculating an in-home determination possibility rate, which is a ratio of “the number of terminals at home+the number of terminals absent” to “the number of all terminals”;
第１の学習エンジンによって予測された消費電力量と現実の消費電力量との第１の誤差率と、第２の学習エンジンによって予測された消費電力量と現実の消費電力量との第２の誤差率とを算出し、第１の誤差率が第２の誤差率以下となる場合に第１の学習エンジンを選択し、それよりも高い場合に第２の学習エンジンを選択する第８のステップと A first error rate between the power consumption predicted by the first learning engine and the actual power consumption, and a second error rate between the power consumption predicted by the second learning engine and the actual power consumption An eighth step of calculating the error rate and selecting the first learning engine when the first error rate is equal to or less than the second error rate and selecting the second learning engine when the first error rate is higher than the second error rate. When
を実行することを特徴とする消費電力量予測方法。A method for predicting power consumption, characterized by executing.
JP2016197835A 2016-10-06 2016-10-06 Program, device and method for improving prediction accuracy of future power consumption using position information of mobile terminal Active JP6714489B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2016197835A JP6714489B2 (en) 2016-10-06 2016-10-06 Program, device and method for improving prediction accuracy of future power consumption using position information of mobile terminal

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016197835A JP6714489B2 (en) 2016-10-06 2016-10-06 Program, device and method for improving prediction accuracy of future power consumption using position information of mobile terminal

Publications (2)

Publication Number Publication Date
JP2018060386A JP2018060386A (en) 2018-04-12
JP6714489B2 true JP6714489B2 (en) 2020-06-24

Family

ID=61908535

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016197835A Active JP6714489B2 (en) 2016-10-06 2016-10-06 Program, device and method for improving prediction accuracy of future power consumption using position information of mobile terminal

Country Status (1)

Country Link
JP (1) JP6714489B2 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6948221B2 (en) * 2017-10-20 2021-10-13 株式会社Ｎｔｔドコモ Home rate estimation device
WO2019167684A1 (en) * 2018-02-27 2019-09-06 株式会社Ｎｔｔドコモ At-home prediction device

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5874311B2 (en) * 2011-10-24 2016-03-02 ソニー株式会社 Electric power demand prediction apparatus, electric power demand prediction method, and electric power demand prediction system
JP5963356B2 (en) * 2012-09-28 2016-08-03 Kddi株式会社 Power consumption related support apparatus, portable terminal, program and method in consideration of user attributes
JP6038691B2 (en) * 2013-03-08 2016-12-07 株式会社東芝 Supply power prediction system, supply power adjustment system
JP6646849B2 (en) * 2014-12-10 2020-02-14 パナソニックＩｐマネジメント株式会社 Information notification method and information notification device

Also Published As

Publication number Publication date
JP2018060386A (en) 2018-04-12

Similar Documents

Publication Publication Date Title
Apadula et al. Relationships between meteorological variables and monthly electricity demand
CN107429932B (en) Air conditioning control device
JP5901344B2 (en) Portable terminal, control program thereof, control device, control program thereof, and control system
EP2937749A2 (en) System and method for automated household energy management based on classification and location information
US20140201110A1 (en) Server device, electronic apparatus, communication system, and information processing method
KR101312927B1 (en) Advertisement providing system
US20090143875A1 (en) Action evaluation apparatus and method
WO2015196133A2 (en) Energy infrastructure sensor data rectification using regression models
CN105717355A (en) Apparatus, server, system and method for energy measuring
JP2007172406A (en) System for calculating consumption of energy or the like and device for outputting information on adequacy of energy consumption or the like
JP6714489B2 (en) Program, device and method for improving prediction accuracy of future power consumption using position information of mobile terminal
JP2017219975A (en) System and device for visit planning
JP2009076106A (en) Device and method for outputting information on adequacy of energy consumption or the like, and device and method for outputting information on adequacy of power consumption
JP6646849B2 (en) Information notification method and information notification device
CN114265322B (en) Smart home control method and system
CN111344733B (en) Apparatus and method for processing heterogeneous data to determine inflow in time and space
EP3082074A1 (en) Demand prediction device, energy conservation assisting system
JP2018048774A (en) Information providing system, information providing method and control program
CN104583726B (en) Location aided rebroadcast information is provided using the data from intelligent gauge
KR101692533B1 (en) System and method of predicting power usage
JP2018112888A (en) Travel proposal system, information generation device, travel proposal method, information generation method, and program
Nel Rethinking electrical water heaters
JP2016070837A5 (en)
JP2016070837A (en) Terminal position estimation system
JP2015089163A (en) Behavior evaluation device, behavior evaluation system, behavior evaluation method, and program

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20181219

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20191029

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20191126

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20191213

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200515

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200605

R150 Certificate of patent or registration of utility model

Ref document number: 6714489

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150