JP6719753B2

JP6719753B2 - Demand factor analysis system and demand factor analysis method

Info

Publication number: JP6719753B2
Application number: JP2016098180A
Authority: JP
Inventors: 慧古川; 隆義山下
Original assignee: Shimizu Corp; Chubu University Educational Foundation
Current assignee: Shimizu Corp; Chubu University Educational Foundation
Priority date: 2016-05-16
Filing date: 2016-05-16
Publication date: 2020-07-08
Anticipated expiration: 2036-05-16
Also published as: JP2017208887A

Description

本発明は、ピーク電力（デマンド電力の最大値）の要因を特定するのに好適なデマンド要因分析システムおよびデマンド要因分析方法に関するものである。 The present invention relates to a demand factor analysis system and a demand factor analysis method suitable for identifying a factor of peak power (maximum value of demand power).

需要家の電力契約の電力料金は、前年度のピーク電力（デマンド電力の最大値）に基づいて決定されるため、ピーク電力を抑制したいというニーズは高くなっており、従来より需要家の電力特性を調べる電力診断業務が行われている。この電力診断業務は診断者が使用電力データを見える化し分析することで行われてきたが、非常に手間がかかるため、例えば特許文献１に示されるような方法・システムを使って業務支援が行われている。しかし、特許文献１のような方法・システムでは、計測対象電気機器ごとに詳細な使用電力データを計測し続ける必要があり、数が多いと診断コストが高くなるおそれがある。 Since the electricity tariff of the electricity contract of the consumer is determined based on the peak electricity of the previous year (the maximum value of the demand electricity), there is an increasing need to suppress the peak electricity. Power diagnosis work is being conducted. This power diagnostic work has been performed by a diagnostician visualizing and analyzing the power usage data. However, it takes a lot of time and labor, and therefore the business support is provided using the method/system shown in Patent Document 1, for example. It is being appreciated. However, in the method/system as disclosed in Patent Document 1, it is necessary to continuously measure detailed power consumption data for each measurement target electric device, and if the number is large, the diagnostic cost may increase.

特開２００６−３４９５１９号公報JP, 2006-349519, A

このため、計測対象ごとに使用電力データを計測し続ける必要がない低コストのデマンド要因分析技術が望まれていた。 Therefore, there has been a demand for a low-cost demand factor analysis technique that does not require continuous measurement of power consumption data for each measurement target.

本発明は、上記に鑑みてなされたものであって、計測対象ごとの使用電力データを計測し続ける必要がない低コストのデマンド要因分析システムおよびデマンド要因分析方法を提供することを目的とする。 The present invention has been made in view of the above, and an object thereof is to provide a low-cost demand factor analysis system and a demand factor analysis method that do not require continuous measurement of power consumption data for each measurement target.

上記した課題を解決し、目的を達成するために、本発明に係るデマンド要因分析システムは、分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習手段と、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定手段とを備えることを特徴とする。 In order to solve the above problems and achieve the object, the demand factor analysis system according to the present invention is a power receiving point power data measured at a power receiving point of an analysis target facility, and power data according to usage measured according to usage. Machine learning is performed using one or more input data and power data not used as input data as teacher data, and a learning method that creates a model that distributes to each power data from this learning result Estimating means for estimating power data not used as input data from power data corresponding to the input data.

また、本発明に係る他のデマンド要因分析システムは、上述した発明において、学習手段は、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、推定手段は、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定することを特徴とする。 Further, another demand factor analysis system according to the present invention is the above-mentioned invention, wherein the learning means performs machine learning using power reception point power data as input data and application-specific power data as teacher data, and receives power from the learning result. It is characterized in that the point power data is distributed to the application-specific power data, and the estimating means estimates the application-specific power data from the measured power reception point power data using the created model.

また、本発明に係る他のデマンド要因分析システムは、上述した発明において、学習手段で作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化手段をさらに備えることを特徴とする。 Further, another demand factor analysis system according to the present invention is, in the above-mentioned invention, estimates power data for each pattern using a model of a plurality of patterns created by the learning means, compares the estimation results, and calculates the power data. It is characterized by further comprising an optimizing means for optimizing the measurement location.

また、本発明に係る他のデマンド要因分析システムは、上述した発明において、学習手段は、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成することを特徴とする。 Another demand factor analysis system according to the present invention is characterized in that, in the above-mentioned invention, the learning means performs machine learning using a neural network and creates a model from the learning result.

また、本発明に係るデマンド要因分析方法は、分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習ステップと、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定ステップとを備えることを特徴とする。 Further, the demand factor analysis method according to the present invention does not use as input data or input data one or more of the power receiving point power data measured at the power receiving point of the facility to be analyzed and the power data for each application measured for each application. Machine learning that uses power data as teacher data, and a learning step that creates a model that distributes to each power data from this learning result, and using the created model, from the power data corresponding to the measured input data as input data And an estimation step of estimating unused power data.

また、本発明に係る他のデマンド要因分析方法は、上述した発明において、学習ステップは、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、推定ステップは、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定することを特徴とする。 Further, another demand factor analysis method according to the present invention is the above-mentioned invention, wherein the learning step performs machine learning using the power reception point power data as input data and the application-specific power data as teacher data, and receives power from the learning result. The point power data is distributed to the power data for each application, and the estimating step estimates the power data for each application from the measured power reception point power data using the created model.

また、本発明に係る他のデマンド要因分析方法は、上述した発明において、学習ステップで作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化ステップをさらに備えることを特徴とする。 Further, another demand factor analysis method according to the present invention, in the above-mentioned invention, uses the models of a plurality of patterns created in the learning step to estimate the power data for each pattern, and compares the estimation results to calculate the power data. It is characterized by further comprising an optimizing step for optimizing the measurement location.

また、本発明に係る他のデマンド要因分析方法は、上述した発明において、学習ステップは、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成することを特徴とする。 Another demand factor analysis method according to the present invention is characterized in that, in the above-mentioned invention, the learning step performs machine learning using a neural network and creates a model from the learning result.

本発明に係るデマンド要因分析システムによれば、分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習手段と、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定手段とを備えるので、計測対象ごとに使用電力データを計測し続ける必要はなくなる。このため、計測箇所を削減することができ、低コストでデマンド要因分析を行うことができるという効果を奏する。 According to the demand factor analysis system of the present invention, one or more of the power receiving point power data measured at the power receiving point of the facility to be analyzed and the power data for each application measured for each application are not used as input data or input data. Machine learning that uses power data as teacher data, and learning means that creates a model that distributes to each power data from this learning result, and using the created model, input the data from the power data corresponding to the measured input data. Since the estimation means for estimating the unused power data is provided, it is not necessary to continuously measure the used power data for each measurement target. Therefore, it is possible to reduce the number of measurement points and perform the demand factor analysis at low cost.

また、本発明に係る他のデマンド要因分析システムによれば、学習手段は、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、推定手段は、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定するので、用途ごとの使用電力データの計測を行わずに低コストでデマンド要因分析を行うことができるという効果を奏する。 According to another demand factor analysis system of the present invention, the learning means performs machine learning using the power receiving point power data as input data and the power data for each application as teacher data, and the power receiving point power data is obtained from this learning result. Is distributed to the power data for each application, and the estimation means estimates the power data for each application from the measured power receiving point power data using the created model, so it is low cost without measuring the power usage data for each application. The effect that the demand factor analysis can be performed with is produced.

また、本発明に係る他のデマンド要因分析システムによれば、学習手段で作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化手段をさらに備えるので、デマンド要因分析における使用電力データの計測箇所の最適化を図ることができるという効果を奏する。 Further, according to another demand factor analysis system according to the present invention, the power data is estimated for each pattern using a model of a plurality of patterns created by the learning means, and the estimation results are compared to determine the measurement location of the power data. Since the optimization means for optimizing is further provided, it is possible to optimize the measurement location of the power consumption data in the demand factor analysis.

また、本発明に係る他のデマンド要因分析システムによれば、学習手段は、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成するので、人間の感性に近いモデルを作成することができ、より高精度のデマンド要因分析を行うことができるという効果を奏する。 Further, according to another demand factor analysis system according to the present invention, the learning means performs machine learning using a neural network and creates a model from this learning result, so that a model close to human sensitivity is created. Therefore, it is possible to perform the demand factor analysis with higher accuracy.

また、本発明に係るデマンド要因分析方法によれば、分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習ステップと、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定ステップとを備えるので、計測対象ごとに使用電力データを計測し続ける必要はなくなる。このため、計測箇所を削減することができ、低コストでデマンド要因分析を行うことができるという効果を奏する。 Further, according to the demand factor analysis method according to the present invention, one or more of the power receiving point power data measured at the power receiving point of the facility to be analyzed and the power data according to the application measured according to the application are used as the input data and the input data. Machine learning that uses unused power data as teacher data, and a learning step that creates a model that distributes to each power data from this learning result, and input from the power data that corresponds to the measured input data using the created model Since the estimation step of estimating the electric power data not used as data is provided, it is not necessary to continuously measure the electric power data used for each measurement target. Therefore, it is possible to reduce the number of measurement points and perform the demand factor analysis at low cost.

また、本発明に係る他のデマンド要因分析方法によれば、学習ステップは、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、推定ステップは、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定するので、用途ごとの使用電力データの計測を行わずに低コストでデマンド要因分析を行うことができるという効果を奏する。 According to another demand factor analysis method of the present invention, the learning step performs machine learning using the power receiving point power data as input data and the power data for each application as teacher data, and the power receiving point power data is obtained from the learning result. Is distributed to the power data for each application, and the estimation step estimates the power data for each application from the measured power receiving point power data using the created model, so it is possible to reduce the cost without measuring the power usage data for each application. The effect that the demand factor analysis can be performed with is produced.

また、本発明に係る他のデマンド要因分析方法によれば、学習ステップで作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化ステップをさらに備えるので、デマンド要因分析における使用電力データの計測箇所の最適化を図ることができるという効果を奏する。 Further, according to another demand factor analysis method of the present invention, the power data is estimated for each pattern using the models of the plurality of patterns created in the learning step, and the estimation results are compared to determine the measurement location of the power data. Since the optimization step for optimizing is further provided, it is possible to optimize the measurement location of the power consumption data in the demand factor analysis.

また、本発明に係る他のデマンド要因分析方法によれば、学習ステップは、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成するので、人間の感性に近いモデルを作成することができ、より高精度のデマンド要因分析を行うことができるという効果を奏する。 According to another demand factor analysis method of the present invention, the learning step performs machine learning using a neural network and creates a model from this learning result, so that a model close to human sensitivity is created. Therefore, it is possible to perform the demand factor analysis with higher accuracy.

図１は、本発明に係るデマンド要因分析システムおよびデマンド要因分析方法の実施の形態を示す概略構成図である。FIG. 1 is a schematic configuration diagram showing an embodiment of a demand factor analysis system and a demand factor analysis method according to the present invention. 図２は、本発明に係るデマンド要因分析システムおよびデマンド要因分析方法の実施の形態１を示す図であり、（１）は学習期、（２）は推定期である。FIG. 2 is a diagram showing Embodiment 1 of the demand factor analysis system and the demand factor analysis method according to the present invention, where (1) is a learning period and (2) is an estimation period. 図３は、各分電盤電力を推定した例（入力：受電点）であり、（１）は推定データ、（２）は正解データである。FIG. 3 is an example (input: power receiving point) in which each distribution board power is estimated, where (1) is estimated data and (2) is correct answer data. 図４は、本発明に係るデマンド要因分析システムおよびデマンド要因分析方法の実施の形態２を示す図であり、計測箇所の最適化の例である。FIG. 4 is a diagram showing a second embodiment of the demand factor analysis system and the demand factor analysis method according to the present invention, which is an example of optimization of measurement points. 図５は、各分電盤電力を推定した例（入力：受電点＋照明）であり、（１）は推定データ、（２）は正解データである。FIG. 5 is an example of estimating each distribution board power (input: power receiving point+illumination), (1) is estimation data, and (2) is correct answer data. 図６は、各分電盤電力を推定した例（入力：受電点＋空調）であり、（１）は推定データ、（２）は正解データである。FIG. 6 is an example (input: power receiving point+air conditioning) in which each distribution board power is estimated, where (1) is estimated data and (2) is correct answer data. 図７は、各分電盤電力を推定した例（入力：受電点＋動力）であり、（１）は推定データ、（２）は正解データである。FIG. 7 is an example (input: power receiving point+power) of estimating each distribution board power, where (1) is estimated data and (2) is correct answer data.

以下に、本発明に係るデマンド要因分析システムおよびデマンド要因分析方法の実施の形態を図面に基づいて詳細に説明する。なお、この実施の形態によりこの発明が限定されるものではない。 Embodiments of a demand factor analysis system and a demand factor analysis method according to the present invention will be described below in detail with reference to the drawings. The present invention is not limited to the embodiments.

（実施の形態１）
まず、本発明の実施の形態１について説明する。
図１に示すように、受電点１から、各分電盤を介して測定対象電気機器である照明２、空調３、動力４に電力が用途別に供給される分析対象設備を有する建物を考える。 (Embodiment 1)
First, the first embodiment of the present invention will be described.
As shown in FIG. 1, consider a building having an analysis target facility in which electric power is supplied from a power receiving point 1 through each distribution board to a measurement target electric device such as a lighting 2, an air conditioner 3, and a power 4 for each purpose.

本発明に係るデマンド要因分析システム１０は、この分析対象設備を対象とするものであり、学習手段１２と、推定手段１４と、最適化手段１６と、入力手段１８（例えばキーボード、データ入力端子）と、出力手段２０（例えばディスプレイ）と、これらの手段による各種の制御プログラムを実行するための図示しない演算処理装置（例えばＣＰＵ）と、制御プログラムをはじめ各種データを記憶するための記憶手段２２（例えば、ＲＯＭ、ＲＡＭ、ＨＤＤ、フラッシュメモリ）とを備えている。 The demand factor analysis system 10 according to the present invention is intended for this equipment to be analyzed, and has a learning unit 12, an estimation unit 14, an optimization unit 16, and an input unit 18 (for example, a keyboard and a data input terminal). An output unit 20 (for example, a display), an arithmetic processing unit (not shown) for executing various control programs by these units, and a storage unit 22 for storing various data including the control program ( For example, ROM, RAM, HDD, flash memory).

デマンド要因分析システム１０は、図示しない計測手段を介して受電点１、照明２、空調３、動力４用の各分電盤における電力を継続して計測可能となっており、計測した電力値は入力手段１８のデータ入力端子を通じて記憶手段２２に記録され、学習手段１２、推定手段１４、最適化手段１６などによる処理に適宜利用されるようになっている。これらの手段による処理結果は、読み出し可能に記憶手段に記録されるとともに、出力手段に適宜出力可能である。 The demand factor analysis system 10 is capable of continuously measuring the electric power in each distribution board for the power receiving point 1, the lighting 2, the air conditioning 3, and the power 4 via a measuring means (not shown), and the measured electric power value is It is recorded in the storage means 22 through the data input terminal of the input means 18, and is appropriately used for the processing by the learning means 12, the estimation means 14, the optimization means 16, and the like. The processing results of these means can be readably recorded in the storage means and can be appropriately output to the output means.

学習手段１２は、受電点１で計測される受電点データ（受電点電力データ）を入力データ、照明２・空調３・動力４などの用途別に計測される用途データ（用途別電力データ）を教師データとする機械学習を行い、この学習結果から受電点データを用途データに分配するモデルを作成するものである。機械学習にはニューラルネットワークを用いる。これにより、人間が直接作成したような人間の感性に近いモデルを作成することができ、デマンド要因分析の精度を向上することができる。なお、本発明はニューラルネットワーク以外の他の機械学習を適用することも可能であり、学習方法を限定するものではない。 The learning means 12 teaches the input data of the receiving point data (power receiving point power data) measured at the receiving point 1 and the usage data (power data according to usage) measured according to the usage of the lighting 2, the air conditioner 3, the power 4, etc. Machine learning using data is performed, and a model that distributes power receiving point data to application data is created from the learning result. A neural network is used for machine learning. As a result, it is possible to create a model that is close to human sensibilities as directly created by humans, and improve the accuracy of demand factor analysis. It should be noted that the present invention can apply machine learning other than the neural network, and does not limit the learning method.

推定手段１４は、学習手段１２で作成したモデルを使って、計測した受電点データから用途データを推定するものである。より具体的には、推定手段１４は、記憶手段２２から読み出した作成済のモデルに、計測した受電点データを入力し、この結果モデルから出力される照明２・空調３・動力４の各分電盤の値を、計測されるであろう用途データとして推定する。 The estimating means 14 estimates the usage data from the measured power receiving point data using the model created by the learning means 12. More specifically, the estimation unit 14 inputs the measured power receiving point data to the created model read from the storage unit 22 and outputs the respective components of the lighting 2, air conditioning 3, and power 4 output from the model. Estimate the value of the board as the application data that will be measured.

最適化手段１６は、学習手段１２で作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化するためのものである。この最適化手段１６により、デマンド要因分析における使用電力データの計測箇所の最適化を図ることができる。なお、本実施の形態１では最適化手段１６は適用しない。最適化手段１６の適用例は後述の実施の形態２で説明する。 The optimizing means 16 is for estimating power data for each pattern using a model of a plurality of patterns created by the learning means 12, comparing the estimation results, and optimizing the measurement location of the power data. The optimizing unit 16 can optimize the measurement location of the power consumption data in the demand factor analysis. The optimizing means 16 is not applied in the first embodiment. An application example of the optimizing means 16 will be described in a second embodiment described later.

上記構成の動作および作用について説明する。
まず、学習期（学習ステップ）では、図２（１）に示すように、受電点１と照明２、空調３、動力４の各分電盤での電力計測値をデータとして取得する。学習手段１２は受電点１の受電点データを入力データ、照明２、空調３、動力４の用途データを教師データ（出力データ）とする機械学習を行い、この学習結果から受電点データを用途データに分配するモデルを作成する。作成したモデルは記憶手段２２に記憶される。 The operation and action of the above configuration will be described.
First, in the learning period (learning step), as shown in FIG. 2(1), the power measurement values of the power receiving point 1, the lighting 2, the air conditioner 3, and the power 4 in each distribution board are acquired as data. The learning means 12 performs machine learning using the power receiving point data of the power receiving point 1 as input data and the use data of the lighting 2, the air conditioner 3, and the power 4 as teacher data (output data), and uses the power receiving point data as the use data from the learning result. Create a model to distribute to. The created model is stored in the storage unit 22.

次に、推定期（推定ステップ）では、図２（２）に示すように、十分な学習を通じて作成したモデルを使って、推定手段１４が受電点１での電力計測値から照明２、空調３、動力４の各分電盤の電力値を推定する。このように、受電点１の電力計測値を入力として与えるだけで、照明２、空調３、動力４の各分電盤の電力値を推定することができる。 Next, in the estimation period (estimation step), as shown in FIG. 2(2), the estimation unit 14 uses the model created through sufficient learning to estimate the lighting 2 and the air conditioning 3 from the power measurement value at the power receiving point 1. , Estimate the power value of each distribution board of power 4. In this way, it is possible to estimate the power value of each distribution board of the lighting 2, the air conditioner 3, and the power 4 only by giving the power measurement value of the power receiving point 1 as an input.

図３は、この推定例を示したものであり、（１）は受電点１の電力計測値から各分電盤の電力値を推定した推定データ、（２）は正解を表す正解データである。この図に示すように、本実施の形態によれば、十分に学習を行うと、各分電盤の電力値を良い精度で推定できることがわかる。 FIG. 3 shows an example of this estimation. (1) is estimation data in which the power value of each distribution board is estimated from the power measurement value at the power receiving point 1, and (2) is correct answer data representing the correct answer. .. As shown in this figure, according to the present embodiment, it is understood that the power value of each distribution board can be estimated with good accuracy by performing sufficient learning.

また、学習期には詳細なデータを使用する必要があるため計測箇所が多くなるが、それらはテンポラリーな装置でよく、十分なデータが取れたあとは撤去してよい。このため、学習期以降は、照明２、空調３、動力４といった用途ごとの電力データの計測を継続する必要がないので計測箇所数を削減することができ、低コストでデマンド要因分析を行うことができる。また、ピーク時に消費量の多い電力用途がわかるので、ピーク削減に活用でき、契約電力料金の低減に寄与することができる。 Also, since it is necessary to use detailed data during the learning period, the number of measurement points will increase, but these may be temporary devices and may be removed after sufficient data are obtained. Therefore, after the learning period, it is not necessary to continue measuring the electric power data for each application such as lighting 2, air conditioning 3, and power 4, so that the number of measurement points can be reduced, and demand factor analysis can be performed at low cost. You can In addition, since it is possible to know the power usage that consumes a large amount during peak hours, it can be utilized for peak reduction and can contribute to the reduction of contract electricity charges.

（実施の形態２）
次に、本発明の実施の形態２について説明する。
本実施の形態２は、上記の実施の形態１の学習手段１２と推定手段１４の処理内容を一部変更したものであり、その他の手段の構成、処理内容は上記の実施の形態１と同様である。また、本実施の形態２では、デマンド要因分析システム１０による効果を最大化するために、最適化手段１６を適用して計量箇所の中で最適な計量箇所を割り出している。 (Embodiment 2)
Next, a second embodiment of the present invention will be described.
In the second embodiment, the processing contents of the learning unit 12 and the estimation unit 14 of the first embodiment are partially changed, and the configurations and processing contents of the other units are the same as those in the first embodiment. Is. Further, in the second embodiment, in order to maximize the effect of the demand factor analysis system 10, the optimizing means 16 is applied to determine the optimum measurement point among the measurement points.

学習手段１２は、受電点１で計測される受電点データ、照明２、空調３、動力４の用途別に計測される用途データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する。 The learning unit 12 teaches input data that is one or more of the power reception point data measured at the power reception point 1, input data that is measured according to the use of the lighting 2, the air conditioner 3, and the power 4, and power data that is not used as the input data. Machine learning that uses data is performed, and a model that is distributed to each electric power data is created from the learning result.

推定手段１４は、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する。 The estimating means 14 estimates the power data not used as the input data from the power data corresponding to the measured input data using the created model.

上記構成の動作および作用について説明する。
図４（１）は、学習期において、受電点データと照明データを入力データとして、空調データ、動力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成した後、推定期において、計測した受電点データと照明データから、空調データ、動力データを推定する例を示したものである。なお、照明データ、空調データ、動力データは、それぞれ照明２、空調３、動力３の各分電盤で計測される用途データである。 The operation and action of the above configuration will be described.
FIG. 4(1) shows that during the learning period, machine learning is performed using the power receiving point data and the lighting data as input data, the air conditioning data and the power data as teacher data, and a model is created that is distributed to each power data from the learning result. After that, in the estimation period, an example is shown in which air conditioning data and power data are estimated from the measured power receiving point data and lighting data. The lighting data, the air-conditioning data, and the power data are application data measured by the distribution boards of the lighting 2, the air conditioning 3, and the power 3, respectively.

図５は、この推定例を示したものであり、（１）は受電点１と照明２の電力計測値から空調３、動力４の各分電盤の電力値を推定した推定データ、（２）は正解を表す正解データである。この図に示すように、十分に学習を行うと、各分電盤の電力値を良い精度で推定できることがわかる。 FIG. 5 shows an example of this estimation. (1) is estimation data obtained by estimating the electric power value of each distribution board of the air conditioner 3 and the power 4 from the electric power measurement value of the power receiving point 1 and the lighting 2. ) Is the correct answer data representing the correct answer. As shown in this figure, it is understood that the power value of each distribution board can be estimated with good accuracy by performing sufficient learning.

図４（２）は、学習期において、受電点データと空調データを入力データとして、照明データ、動力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成した後、推定期において、計測した受電点データと空調データから、照明データ、動力データを推定する例を示したものである。 FIG. 4(2) shows that during the learning period, machine learning is performed using the power receiving point data and the air conditioning data as input data and the lighting data and the power data as teacher data, and a model is created that is distributed to each power data from the learning result. After that, in the estimation period, an example of estimating the illumination data and the power data from the measured power receiving point data and the air conditioning data is shown.

図６は、この推定例を示したものであり、（１）は受電点１と空調３の電力計測値から照明２、動力４の各分電盤の電力値を推定した推定データ、（２）は正解を表す正解データである。この図に示すように、十分に学習を行うと、各分電盤の電力値を良い精度で推定できることがわかる。 FIG. 6 shows an example of this estimation. (1) is estimation data obtained by estimating the electric power value of each distribution board of the lighting 2 and the power 4 from the electric power measurement value of the power receiving point 1 and the air conditioning 3. ) Is the correct answer data representing the correct answer. As shown in this figure, it is understood that the power value of each distribution board can be estimated with good accuracy by performing sufficient learning.

図４（３）は、学習期において、受電点データと動力データを入力データとして、照明データ、空調データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成した後、推定期において、計測した受電点データと動力データから、照明データ、空調データを推定する例を示したものである。 FIG. 4(3) shows that in the learning period, machine learning is performed using the power receiving point data and the power data as input data and the lighting data and the air conditioning data as teacher data, and a model is created that is distributed to each power data from the learning result. After that, in the estimation period, an example of estimating the illumination data and the air conditioning data from the measured power receiving point data and power data is shown.

図７は、この推定例を示したものであり、（１）は受電点１と動力４の電力計測値から照明２、空調３の各分電盤の電力値を推定した推定データ、（２）は正解を表す正解データである。この図に示すように、十分に学習を行うと、各分電盤の電力値を良い精度で推定できることがわかる。 FIG. 7 shows an example of this estimation. (1) is estimation data obtained by estimating the power values of the distribution panels of the lighting 2 and the air conditioning 3 from the power measurement values of the power receiving point 1 and the power 4. ) Is the correct answer data representing the correct answer. As shown in this figure, it is understood that the power value of each distribution board can be estimated with good accuracy by performing sufficient learning.

本実施の形態においても、学習期には詳細なデータを使用する必要があるため計測箇所が多くなるが、それらはテンポラリーな装置でよく、十分なデータが取れたあとは撤去してよい。このため、学習期以降は、照明２、空調３、動力４といった用途ごとの電力データの計測を継続する必要がないので計測箇所数を削減することができ、低コストでデマンド要因分析を行うことができる。また、ピーク時に消費量の多い電力用途がわかるので、ピーク削減に活用でき、契約電力料金の低減に寄与することができる。 Also in the present embodiment, it is necessary to use detailed data during the learning period, so the number of measurement points increases, but these may be temporary devices and may be removed after sufficient data are obtained. Therefore, after the learning period, it is not necessary to continue measuring the electric power data for each application such as lighting 2, air conditioning 3, and power 4, so that the number of measurement points can be reduced, and demand factor analysis can be performed at low cost. You can In addition, since it is possible to know the power usage that consumes a large amount during peak hours, it can be utilized for peak reduction and can contribute to the reduction of contract electricity charges.

なお、図４の例では、左から順に受電点１に加え、照明２、空調３、動力４それぞれの電力計測値を入力データとして、入力データとして使っていない用途データを推定する様子を示した。この例では、受電点１に加えている用途データは１つずつとしているが、１つ以上であればいくつでもよい。また、受電点１の受電点データを入力データとしなくてもよい。 In addition, in the example of FIG. 4, in addition to the power receiving point 1 from the left, the power measurement values of the lighting 2, the air conditioning 3, and the power 4 are used as input data, and the usage data not used as the input data is estimated. .. In this example, the usage data added to the power receiving point 1 is one each, but any number of data may be used as long as it is one or more. Further, the power receiving point data of the power receiving point 1 may not be used as the input data.

次に、計量箇所の最適化について説明する。
最適化手段１６は、図４に示したような複数パターンの推定モデルにおいて、それぞれの推定精度を算出し、その中で最も推定精度の良いものを最適計量箇所として決定する。ここで、各モデルに対応する図５〜図７を見ると、推定した用途データへの分解能にモデル間で差があることがわかる。これらの全ポイントデータにおいて誤差（例えば平均二乗誤差）を計算し、それぞれモデルの推定精度を算出する。この算出結果については、図４の各図の下部に表示している（それぞれ精度９０％、８０％、９５％）。この例では、学習期の入力データとして受電点に動力を加えた図４（３）の例が最も精度がよく（精度９５％）、計測箇所として受電点と動力が最適と判定することができる。 Next, optimization of the measurement location will be described.
The optimizing means 16 calculates the estimation accuracy of each of the estimation models of a plurality of patterns as shown in FIG. 4, and determines the one with the highest estimation accuracy as the optimum weighing location. Here, from FIGS. 5 to 7 corresponding to each model, it is understood that there is a difference between the models in the resolution of the estimated use data. An error (for example, a mean square error) is calculated for all of these point data, and the estimation accuracy of the model is calculated. The calculation result is displayed at the bottom of each figure in FIG. 4 (accuracy 90%, 80%, 95%, respectively). In this example, the example of FIG. 4(3) in which power is applied to the power receiving point as input data in the learning period has the highest accuracy (accuracy 95%), and it can be determined that the power receiving point and power are optimum as measurement points. ..

なお、この例では単に推定精度だけで判定しているが、本発明はこれに限るものではない。例えば、推定精度に計測にかかるコスト（機器コスト、設置コスト、ランニングコストなど）を加えた目的関数を設定し、それを最小化するように計測箇所を最適化し、決定するようにしてもよい。 Note that in this example, the determination is made only based on the estimation accuracy, but the present invention is not limited to this. For example, it is possible to set an objective function that adds the cost of measurement (equipment cost, installation cost, running cost, etc.) to the estimation accuracy, and optimize and determine the measurement location so as to minimize it.

このように、本実施の形態によれば、デマンド要因分析における使用電力データの計測箇所の最適化により、コストダウンを図ることができる。また、計測箇所数の削減と推定精度の両立を図ることのできるデマンド要因分析システムを提供可能である。 As described above, according to the present embodiment, the cost can be reduced by optimizing the measurement location of the power consumption data in the demand factor analysis. Further, it is possible to provide a demand factor analysis system capable of achieving both reduction of the number of measurement points and estimation accuracy.

以上説明したように、本発明に係るデマンド要因分析システムによれば、分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習手段と、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定手段とを備えるので、計測対象ごとに使用電力データを計測し続ける必要はなくなる。このため、計測箇所を削減することができ、低コストでデマンド要因分析を行うことができる。 As described above, according to the demand factor analysis system of the present invention, at least one of the power receiving point power data measured at the power receiving point of the facility to be analyzed and the power data for each application measured for each application is input data. Machine learning that uses power data that is not used as input data as teacher data, and learning means that creates a model that distributes to each power data from this learning result, and the created model are used to correspond to the measured input data Since the estimation unit that estimates the power data that is not used as the input data from the power data is provided, it is not necessary to continue measuring the power consumption data for each measurement target. Therefore, the number of measurement points can be reduced, and the demand factor analysis can be performed at low cost.

また、本発明に係る他のデマンド要因分析システムによれば、学習手段は、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、推定手段は、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定するので、用途ごとの使用電力データの計測を行わずに低コストでデマンド要因分析を行うことができる。 According to another demand factor analysis system of the present invention, the learning means performs machine learning using the power receiving point power data as input data and the power data for each application as teacher data, and the power receiving point power data is obtained from this learning result. Is distributed to the power data for each application, and the estimation means estimates the power data for each application from the measured power receiving point power data using the created model, so it is low cost without measuring the power usage data for each application. Demand factor analysis can be performed with.

また、本発明に係る他のデマンド要因分析システムによれば、学習手段で作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化手段をさらに備えるので、デマンド要因分析における使用電力データの計測箇所の最適化を図ることができる。 Further, according to another demand factor analysis system according to the present invention, the power data is estimated for each pattern using a model of a plurality of patterns created by the learning means, and the estimation results are compared to determine the measurement location of the power data. Since the optimization means for optimizing is further provided, it is possible to optimize the measurement location of the power consumption data in the demand factor analysis.

また、本発明に係る他のデマンド要因分析システムによれば、学習手段は、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成するので、人間の感性に近いモデルを作成することができ、より高精度のデマンド要因分析を行うことができる。 Further, according to another demand factor analysis system according to the present invention, the learning means performs machine learning using a neural network and creates a model from this learning result, so that a model close to human sensitivity is created. Therefore, the demand factor analysis with higher accuracy can be performed.

また、本発明に係るデマンド要因分析方法によれば、分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習ステップと、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定ステップとを備えるので、計測対象ごとに使用電力データを計測し続ける必要はなくなる。このため、計測箇所を削減することができ、低コストでデマンド要因分析を行うことができる。 Further, according to the demand factor analysis method according to the present invention, one or more of the power receiving point power data measured at the power receiving point of the facility to be analyzed and the power data according to the application measured according to the application are used as the input data and the input data. Machine learning that uses unused power data as teacher data, and a learning step that creates a model that distributes to each power data from this learning result, and input from the power data that corresponds to the measured input data using the created model Since the estimation step of estimating the electric power data not used as data is provided, it is not necessary to continuously measure the electric power data used for each measurement target. Therefore, the number of measurement points can be reduced, and the demand factor analysis can be performed at low cost.

また、本発明に係る他のデマンド要因分析方法によれば、学習ステップは、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、推定ステップは、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定するので、用途ごとの使用電力データの計測を行わずに低コストでデマンド要因分析を行うことができる。 According to another demand factor analysis method of the present invention, the learning step performs machine learning using the power receiving point power data as input data and the power data for each application as teacher data, and the power receiving point power data is obtained from the learning result. Is distributed to the power data for each application, and the estimation step estimates the power data for each application from the measured power receiving point power data using the created model, so it is possible to reduce the cost without measuring the power usage data for each application. Demand factor analysis can be performed with.

また、本発明に係る他のデマンド要因分析方法によれば、学習ステップで作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化ステップをさらに備えるので、デマンド要因分析における使用電力データの計測箇所の最適化を図ることができる。 Further, according to another demand factor analysis method of the present invention, the power data is estimated for each pattern using the models of the plurality of patterns created in the learning step, and the estimation results are compared to determine the measurement location of the power data. Since the optimization step for optimizing is further provided, it is possible to optimize the measurement location of the power consumption data in the demand factor analysis.

また、本発明に係る他のデマンド要因分析方法によれば、学習ステップは、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成するので、人間の感性に近いモデルを作成することができ、より高精度のデマンド要因分析を行うことができる。 According to another demand factor analysis method of the present invention, the learning step performs machine learning using a neural network and creates a model from this learning result, so that a model close to human sensitivity is created. Therefore, the demand factor analysis with higher accuracy can be performed.

以上のように、本発明に係るデマンド要因分析システムおよびデマンド要因分析方法は、ピーク電力を特定するのに有用であり、特に、計測対象ごとの使用電力データを計測し続ける必要がないので、計測箇所数を削減するのに適している。 As described above, the demand factor analysis system and the demand factor analysis method according to the present invention are useful for identifying the peak power, and in particular, it is not necessary to continuously measure the power consumption data for each measurement target. Suitable for reducing the number of locations.

１受電点
２照明
３空調
４動力
１０デマンド要因分析システム
１２学習手段
１４推定手段
１６最適化手段
１８入力手段
２０出力手段
２２記憶手段 DESCRIPTION OF SYMBOLS 1 Power receiving point 2 Lighting 3 Air conditioning 4 Power 10 Demand factor analysis system 12 Learning means 14 Estimating means 16 Optimization means 18 Input means 20 Output means 22 Storage means

Claims

Machine learning is performed by using one or more of the power receiving point power data measured at the power receiving point of the equipment to be analyzed, the power data for each application measured by application as input data, and the power data not used as input data as teacher data, Learning means for creating a model to be distributed to each electric power data from the learning result,
Using the created model, the power data for each pattern is estimated using the estimation method that estimates the power data that is not used as input data from the power data corresponding to the measured input data, and the multiple pattern model created by the learning method. A demand factor analysis system comprising: an estimation unit that estimates and compares estimation results to optimize a measurement location of power data .

The learning means performs machine learning using the power receiving point power data as input data and the power data for each application as teacher data, and distributes the power receiving point power data to power data for each application from the learning result,
The demand factor analysis system according to claim 1, wherein the estimating means estimates the power data for each application from the measured power receiving point power data using the created model.

The demand factor analysis system according to claim 1 or 2 , wherein the learning means performs machine learning using a neural network, and creates a model from the learning result.

Performs machine learning using as input data one or more of the power receiving point power data measured at the power receiving point of the analysis target equipment, the power data for each application measured by application, and the power data not used as input data as teacher data, A learning step of creating a model to be distributed to each electric power data from the learning result,
Using the created model, an estimation step of estimating power data not used as input data from the power data corresponding to the measured input data ,
A demand factor characterized by comprising an optimization step of estimating power data for each pattern using a model of a plurality of patterns created in the learning step and comparing the estimation results to optimize the measurement location of the power data. Analysis method.

The learning step performs machine learning using the power receiving point power data as input data and the power data for each application as teacher data, and distributes the power receiving point power data to the power data for each application from the learning result,
The demand factor analysis method according to claim 4 , wherein the estimating step estimates power data for each application from the measured power receiving point power data using the created model.

The demand factor analysis method according to claim 4 or 5 , wherein the learning step performs machine learning using a neural network and creates a model from the learning result.