JP6756425B2 - Energy saving diagnostic program - Google Patents

Energy saving diagnostic program Download PDF

Info

Publication number
JP6756425B2
JP6756425B2 JP2019566853A JP2019566853A JP6756425B2 JP 6756425 B2 JP6756425 B2 JP 6756425B2 JP 2019566853 A JP2019566853 A JP 2019566853A JP 2019566853 A JP2019566853 A JP 2019566853A JP 6756425 B2 JP6756425 B2 JP 6756425B2
Authority
JP
Japan
Prior art keywords
electricity usage
value
time zone
data
electricity
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
JP2019566853A
Other languages
Japanese (ja)
Other versions
JPWO2019235272A1 (en
Inventor
卓勇 山口
卓勇 山口
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.)
BIZEN GREEN ENERGY CORPORATION
Original Assignee
BIZEN GREEN ENERGY CORPORATION
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 BIZEN GREEN ENERGY CORPORATION filed Critical BIZEN GREEN ENERGY CORPORATION
Publication of JPWO2019235272A1 publication Critical patent/JPWO2019235272A1/en
Application granted granted Critical
Publication of JP6756425B2 publication Critical patent/JP6756425B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • 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
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • 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
    • Y04S20/244—Home appliances the home appliances being or involving heating ventilating and air conditioning [HVAC] units

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Power Engineering (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、オフィス、工場等の建物単位の電気使用量データと、建物の住所情報と、を用いて、自動的に省エネ診断をするプログラムに関するものである。 The present invention relates to a program for automatically performing an energy saving diagnosis using electricity usage data for each building such as an office or factory and address information of the building.

近年、省エネルギー（以下、省エネという。）を促進する機運が益々旺盛になってきており、その一環として、建物の省エネ診断（省エネ化のための診断）が行われている。そこで、簡易で精度の高い省エネ診断手法の開発と、効率良く省エネ対策支援を行うために、電力会社等で入手可能な情報を用いて、多数の建物の中から省エネ効果の高い建物を抽出する手法の開発が望まれている。
建物の省エネ化を行う上で、建物のエネルギー使用状況を把握することは極めて重要であるが、近年、スマートメーターの普及が急激に進み、多くの建物で計測間隔が３０分間隔以下の電気使用量データを容易に入手できるようになっている。そのため、スマートメーター等で計測した電気使用量を用いて、プログラムにより省エネ診断を行ったり、電気使用量の予測を行う従来技術がある。
例えば、特許文献１では、省エネ診断を行う前段として、用途別エネルギー使用量を診断するプログラムを提示しており、建物の規模及び使用形態を入力値として、モデルケースを作成し、モデルケースの用途別エネルギー使用量の構成比で、エネルギー使用量の実測値を按分することで、用途別エネルギー使用量を推計している。
特許文献２は、建物単位の過去の電気使用量データと、気象データと、設備の稼働状況と、を用いて予測モデルを作成し、気象予報データと、予測する期間の設備の稼働状況と、から用途別電気使用量を予測するプログラムを提示している。
特許文献３は、過去の気象データを入力して、電気使用量を出力とした重回帰を行い、予測モデルを作成し、予測モデルに気象予報データを入力することで、電気使用量を予測する方法を提示している。入力に用いるデータの種類は、事前に分析者が設定する。In recent years, the momentum to promote energy saving (hereinafter referred to as energy saving) has become more and more vigorous, and as a part of this, energy saving diagnosis (diagnosis for energy saving) of buildings is being carried out. Therefore, in order to develop a simple and highly accurate energy-saving diagnosis method and efficiently support energy-saving measures, we will extract buildings with high energy-saving effect from a large number of buildings using information available from electric power companies. Development of a method is desired.
It is extremely important to understand the energy usage status of buildings in order to save energy in buildings, but in recent years, the spread of smart meters has rapidly increased, and many buildings use electricity with a measurement interval of 30 minutes or less. Quantitative data are readily available. Therefore, there is a conventional technique for performing an energy saving diagnosis by a program or predicting the amount of electricity used by using the amount of electricity used measured by a smart meter or the like.
For example, Patent Document 1 presents a program for diagnosing the amount of energy used for each application as a pre-stage for performing energy saving diagnosis, creates a model case with the scale and usage pattern of the building as input values, and uses the model case. The energy consumption by application is estimated by apportioning the measured value of the energy consumption by the composition ratio of the energy consumption by another.
Patent Document 2 creates a prediction model using past electricity usage data for each building, meteorological data, and equipment operation status, and provides weather forecast data and equipment operation status during the prediction period. We are presenting a program that predicts the amount of electricity used by application.
Patent Document 3 predicts electricity usage by inputting past meteorological data, performing multiple regression with electricity usage as output, creating a prediction model, and inputting weather forecast data into the prediction model. Presenting a method. The type of data used for input is set in advance by the analyst.

特開２０１３−６５０８７号公報Japanese Unexamined Patent Publication No. 2013-65087 特開２０１７−５０９７１号公報Japanese Unexamined Patent Publication No. 2017-50971 特開２００４−１６４３８８号公報Japanese Unexamined Patent Publication No. 2004-164388

しかしながら、特許文献１では、建物の規模及び使用形態を入力値として、モデルケースを作成するため、建物の規模及び使用形態がわからない建物では、適切なモデルケースを設定できない場合、用途別エネルギー使用量の推計の精度は低くなる。
また、特許文献２では、電気使用量の予測には、過去の設備の稼働状況を事前に入力する必要がある。さらに、稼働状況がわからなければ、分析者が稼働状況を仮定して入力する必要があるが、様々な建物に対して、同一稼働状況の仮定が適応するわけではなく、稼働状況の仮定が、実際の稼働状況と異なった場合は、予測の精度が低くなる。
そして、特許文献３では、過去の気象データと電気使用量データから重回帰モデルを作成し、重回帰モデルに気象予報データを入力して、予測データを取得するものであるが、気象データの中で、例えば気温等、何を用いて、重回帰モデルを作成するかは、分析者が設定する必要がある。さらに、建物の稼働スケジュールに関わる情報は、別途入力する必要があり、加えて、建物の稼働スケジュールを用いて分析するかどうかも分析者が選択する必要がある。すなわち、特許文献３の技術は、分析者に対してエネルギー使用量を分析するための手法を提供しているものであり、気象データと電気使用量データを用いて自動的に使用量の予測を行うものではなく、分析者に、エネルギー使用量分析のための知識を、前もって要求するものである。
さらに、例えば電力会社等で、顧客の建物に対して、特許文献１、特許文献２及び特許文献３の技術を利用する場合、数万件といった多数の建物を対象に、建物の規模や使用形態、稼働日、稼働時間等の建物固有の情報を取得し、入力することは容易でない。
本発明は、前記の課題に鑑み、専門的な知識を必要とせず、容易に入手可能な情報を用いて、オフィス、工場等の多数の建物に対して、省エネ診断が可能なプログラムを提供することを目的とする。However, in Patent Document 1, a model case is created by using the scale and usage pattern of the building as input values. Therefore, in a building where the scale and usage pattern of the building are unknown, if an appropriate model case cannot be set, the energy consumption for each application is used. The accuracy of the estimation is low.
Further, in Patent Document 2, it is necessary to input the operating status of the past equipment in advance in order to predict the amount of electricity used. Furthermore, if the operating status is not known, the analyst needs to assume the operating status and enter it, but the same operating status assumption does not apply to various buildings, and the operating status assumption is If it differs from the actual operating conditions, the prediction accuracy will be low.
Then, in Patent Document 3, a multiple regression model is created from past weather data and electricity usage data, and the weather forecast data is input to the multiple regression model to acquire the forecast data. Then, it is necessary for the analyst to set what to use, such as temperature, to create the multiple regression model. Furthermore, the information related to the operation schedule of the building needs to be input separately, and in addition, the analyst needs to select whether to analyze using the operation schedule of the building. That is, the technique of Patent Document 3 provides an analyst with a method for analyzing energy consumption, and automatically predicts usage using meteorological data and electricity usage data. It does not do, but requires the analyst in advance to have knowledge for energy usage analysis.
Further, for example, when the technology of Patent Document 1, Patent Document 2 and Patent Document 3 is used for a customer's building in an electric power company or the like, the scale and usage pattern of the building are targeted at a large number of buildings such as tens of thousands. , Working days, working hours, and other building-specific information is not easy to obtain and enter.
In view of the above problems, the present invention provides a program capable of energy-saving diagnosis for a large number of buildings such as offices and factories by using easily available information without requiring specialized knowledge. The purpose is.

本発明は、前記目的のために、以下のような各技術手段から構成されている。
第１の技術手段は、コンピュータに、
外部から得られる定期的な周期で計測された建物の電気使用量データと前記建物周辺の気象データを用いて、計測日時における前記建物の稼働／非稼働と、空調等、照明等、ベースの用途別電気使用量と、を計算させるプログラムであって、
判別モジュールと、モデル式推計モジュールと、用途別電気使用量計算モジュールと、から構成され、
前記判別モジュールは、計測時間帯別に、前記電気使用量データと前記気象データを抽出した計測時間帯別データを用いて、計測日時における稼働と、非稼働と、を判別する判別モデルを作成し、前記計測時間帯における、前記対象計測日時における稼働と、非稼働と、の判別を実施して、
前記モデル式推計モジュールは、前記判別モジュールで判別した稼働／非稼働と、前記計測時間帯別データと、を用いて、前記計測時間帯別に、稼働／非稼働別に、前記計測時間帯別データの気象データを入力、電気使用量データを出力とした回帰分析を行い、計測時間帯別稼働／非稼働別電気使用量推計モデルを作成して、
前記用途別電気使用量計算モジュールは、前記計測時間帯別稼働／非稼働別電気使用量推計モデルから、前記計測時間帯別データの気象データの外気温又は、外気温と湿度との、上限値から下限値の範囲内において、前記計測時間帯別稼働／非稼働別電気使用量推計モデルから計算された電気使用量推計値の最小値を計測時間帯別稼働／非稼働別ベースラインとして計算して、
前記計測時間帯において、稼働／非稼働別に、前記電気使用量データと、前記計測時間帯別稼働／非稼働別ベースラインと、の差を、空調等電気使用量として計算して、
全ての前記計測時間帯別稼働／非稼働別ベースラインの中で、最小の値をベース電気使用量として計算して、
前記計測時間帯別稼働／非稼働別ベースラインと、前記ベース電気使用量と、の差をそれぞれ計算した値を、照明等電気使用量として計算して、
前記計測時間帯別稼働／非稼働別電気使用量推計モデルと、稼働／非稼働フラグと、空調等、照明等、ベースの用途別電気使用量と、を計算させるプログラムを備えていることを特徴とする。
第２の技術手段は、第１の技術手段において、コンピューターに、
外部から入手する気象予報値と、前記気象データと、前記電気使用量データと、を用いて、電気使用量予測値と、前記電気使用量予測値の発生確率分布と、空調等、照明等、ベースの用途別電気使用量予測値と、を計算させるプログラムであって、
前記第１の技術手段を用いて前記稼働／非稼働フラグと、前記計測時間帯別稼働／非稼働別ベースラインと、前記ベース電気使用量と、を計算して、
前記計測時間帯別稼働／非稼働別ベースラインの中で非稼働である計測日時の集合である前記計測時間帯別非稼働ベースラインの最大値より、前記電気使用量が小さい計測日時は、非稼働にして、前記稼働／非稼働フラグを修正して、
前記計測日時の曜日、祝日、時間帯等を入力、前記修正した稼働／非稼働フラグを出力とした稼働回帰モデルを作成して、
前記稼働回帰モデルに、予測する日時の曜日、祝日、時間帯等を入力して、稼働／非稼働予測フラグを計算して、
計測時間帯別に、前記修正した稼働／非稼働別に、前記気象データを入力、前記電気使用量データを出力とした回帰分析を行い、計測時間帯別稼働／非稼働別電気使用量予測モデルを作成して、
前記計測時間帯別稼働／非稼働別電気使用量予測モデルに、前記気象予報値を入力して、電気使用量予測値と、前記電気使用量予測値の確率分布と、を計算して、
前記電気使用量予測値と、前記稼働／非稼働予測フラグと、前記計測時間帯別稼働／非稼働別ベースラインと、前記ベース電気使用量と、を用いて、電気使用量予測値と、空調等、照明等、ベースの用途別電気使用量予測値と、を計算させるプログラムを備えていることを特徴とする。
第３の技術手段は、第１または第２の技術手段において、コンピューターに、
空調の設定温度の変更による省エネ量を計算させるプログラムであって、
事前に空調設定温度の変化量を設定しておき、
前記気象データと、前記電気使用量データと、前記計測時間帯別稼働／非稼働別ベースラインと、を用いて、
前記計測時間帯別稼働／非稼働別ベースラインが発生した時の気温を冷房と暖房が切り替わる気温閾値として、
前記気温閾値より計測日時の気温が高い場合は、前記気温から前記空調設定温度の変化量を引いた値で、引いた値が前記気温閾値より小さくなる場合は、値を前記気温閾値に補正した値を省エネ計算用気温として、
前記気温閾値より前記計測日時の気温が低い場合は、前記気温から前記空調設定温度の変化量を加えた値で、加えた値が前記気温閾値より大きくなる場合は、値を前記気温閾値に補正した値を省エネ計算用気温として、
第１の技術手段で導出した前記計測時間帯別稼働／非稼働別電気使用量推計モデルに、前記気象データの気温を前記省エネ計算用気温に置換したデータを入力して計算した省エネ計算用電気使用量推計値と、
第１の技術手段で導出した前記計測時間帯別稼働／非稼働別電気使用量推計モデルに、前記気象データを入力して計算した電気使用量推計値を用いて、
前記電気使用量推計値と、前記省エネ計算用電気使用量推計値と、の差を、空調の設定温度の変更による省エネ量として計算させるプログラムを備えていることを特徴とする。
第４の技術手段は、第１から第３のいずれか１の技術手段において、コンピューターに、
合理的な電力デマンドの目標値を計算させるプログラムであって、
事前に、異常値の発生確率を定めておき、
前記電気使用量データの３０分間隔の合計値と、前記気象データの３０分間隔の平均値と、を第１の技術手段の手法に用いて、計測時間帯別稼働／非稼働別電気使用量推計モデルを計算し、
前記電気使用量データの３０分間隔の合計値の最大値を２倍した値を、現状の電力デマンド値として、
前記計測時間帯別稼働／非稼働別電気使用量推計モデルから計算される電気使用量推計値の最大値を２倍した値を、達成可能なデマンド値として、
前記計測時間帯別稼働／非稼働別電気使用量推計モデルを作成する際に、推計値の確率分布を計算して、前記確率分布から、前記異常値の発生確率が閾値となる推計値を計算し、その値を２倍した値を、達成容易なデマンド値として、
それぞれのデマンド値が前記現状の電力デマンド値より大きい場合は、前記現状の電力デマンド値に補正して計算させるプログラムを備えていることを特徴とする。
第５の技術手段は、第１から第４のいずれか１の技術手段において、コンピューターに、
電力デマンドの内訳を表示させるプログラムであって、
前記電気使用量データの３０分間隔の合計値と、前記気象データの３０分間隔の平均値と、を第１の技術手段の手法に用いて、空調等、照明等、ベースの用途別電気使用量を計算し、
前記電気使用量データの３０分間隔の合計値及び、前記空調等、照明等、ベースの用途別電気使用量をそれぞれ２倍した値を、電力デマンド値及び、空調等、照明等、ベースの用途別電力デマンド値として、
前記電力デマンド値を降順にソートして、
積み上げ棒グラフを用いて、前記電力デマンド値の用途別内訳を表示させるプログラムを備えていることを特徴とする。
第６の技術手段は、第１から第５のいずれか１の技術手段において、コンピューターに、
残業等の所定時間外労働による追加的な電気使用量を計算させるプログラムであって、
第１の技術手段を用いて前記稼働／非稼働フラグと、前記計測時間帯別稼働／非稼働別電気使用量推計モデルと、前記計測時間帯別稼働／非稼働別ベースラインと、を計算して、
前記計測時間帯別稼働／非稼働別ベースラインの中で非稼働である計測日時の集合である計測時間帯別非稼働ベースラインの最大値より、電気使用量が小さい計測日時は、非稼働にして、稼働／非稼働フラグを修正して、
前記計測日時の曜日、祝日、時間帯等を入力、前記修正した稼働／非稼働フラグを出力とした稼働回帰モデルを作成して、
前記稼働回帰モデルに、前記計測日時の曜日、祝日、時間帯等を入力して、建物の定期的な稼働／非稼働フラグを計算して、
前記定期的な稼働／非稼働フラグが、非稼働である計測日時において、前記修正した稼働／非稼働フラグが稼働である場合に、所定時間外労働としてフラグを立てて、
前記計測時間帯別非稼働電気使用量推計モデルを用いて、前記所定時間外労働の計測日時における非稼働電気使用量を推計して、
前記所定時間外労働フラグが立っている計測日時における電気使用量と、前記所定時間外労働の計測日時における非稼働電気使用量と、の差を、所定時間外労働による追加的な電気使用量として計算させるプログラムを備えていることを特徴とする。
また、本明細書に用いられる用語は、次のように定義される。
稼働／非稼働とは、建物には、基本的に２つの状況があると仮定し、従業員が出社し、労働している状況を稼働、従業員が不在で、主な設備が停止している状況を非稼働とし、分析に用いる場合は、稼働／非稼働をフラグとして扱う。
空調等、照明等、ベースの用途別電気使用量とは、「空調等」は、主に空調電気使用量を指す。「照明等」は、主に照明やＯＡ機器等の電気使用量を指す。「ベース」は、誘導灯等の２４時間使用されている機器の電気使用量を指す。
計測時間帯とは、建物の電気使用量データについて、定期的な周期の計測日時の時間帯を抽出した値を指す。The present invention is composed of the following technical means for the above purpose.
The first technical means is to use a computer.
Using the electricity usage data of the building and the weather data around the building measured at regular intervals obtained from the outside, the operation / non-operation of the building at the measurement date and time, air conditioning, lighting, etc. It is a program that calculates the amount of electricity used separately.
It consists of a discrimination module, a model estimation module, and an electricity usage calculation module for each application.
The discrimination module creates a discrimination model that discriminates between operation and non-operation at the measurement date and time by using the electricity usage data and the measurement time zone data extracted from the meteorological data for each measurement time zone. In the measurement time zone, the operation and the non-operation at the target measurement date and time are discriminated from each other.
The model-type estimation module uses the operation / non-operation determined by the discrimination module and the measurement time zone data to obtain the measurement time zone data for each measurement time zone and for each operation / non-operation. Regression analysis is performed with meteorological data input and electricity usage data as output, and an electricity usage estimation model for each measurement time zone is created.
The application-specific electricity usage calculation module is an upper limit value of the outside temperature or the outside temperature and humidity of the meteorological data of the measurement time zone data from the electricity usage estimation model for each measurement time zone. Within the range of the lower limit, the minimum value of the estimated electricity usage calculated from the electricity usage estimation model for each measurement time zone is calculated as the baseline for each operation / non-operation by measurement time zone. hand,
In the measurement time zone, the difference between the electricity usage data for each operation / non-operation and the baseline for each operation / non-operation for each measurement time zone is calculated as the electricity usage such as air conditioning.
Of all the baselines for each measurement time zone, the minimum value is calculated as the base electricity usage,
The value obtained by calculating the difference between the operating / non-operating baseline for each measurement time zone and the base electricity usage is calculated as the electricity usage such as lighting.
It is characterized by having a program for calculating the electricity usage estimation model for each measurement time zone, the operation / non-operation flag, and the electricity usage for each base application such as air conditioning and lighting. And.
The second technical means is to the computer in the first technical means.
Using the weather forecast value obtained from the outside, the weather data, and the electricity usage data, the electricity usage predicted value, the generation probability distribution of the electricity usage predicted value, air conditioning, lighting, etc. It is a program that calculates the estimated value of electricity usage for each application of the base.
Using the first technical means, the operating / non-operating flag, the operating / non-operating baseline for each measurement time zone, and the base electricity usage are calculated.
The measurement date and time when the amount of electricity used is smaller than the maximum value of the non-operating baseline by measurement time zone, which is a set of measurement dates and times that are not operating in the operating / non-operating baseline by measurement time zone, is not. Put it in operation, correct the operation / non-operation flag,
Input the day of the week, holiday, time zone, etc. of the measurement date and time, create an operation regression model with the modified operation / non-operation flag as output,
Enter the day of the week, holidays, time zone, etc. of the predicted date and time in the operation regression model, calculate the operation / non-operation prediction flag, and
Regression analysis is performed by inputting the meteorological data and outputting the electricity usage data for each of the modified operation / non-operation for each measurement time zone, and creating an electricity usage prediction model for each operation / non-operation for each measurement time zone. do it,
The weather forecast value is input to the operating / non-operating electricity usage prediction model for each measurement time zone, and the electricity usage prediction value and the probability distribution of the electricity usage prediction value are calculated.
Using the electricity usage predicted value, the operating / non-operating prediction flag, the operating / non-operating baseline for each measurement time zone, and the base electricity usage, the electricity usage predicted value and the air conditioning It is characterized by having a program for calculating the predicted value of electricity usage for each application of the base such as lighting.
The third technical means is to the computer in the first or second technical means.
It is a program that calculates the amount of energy saving by changing the set temperature of the air conditioner.
Set the amount of change in the air conditioning set temperature in advance,
Using the meteorological data, the electricity usage data, and the operation / non-operation baseline according to the measurement time zone,
The temperature at which the operating / non-operating baseline for each measurement time zone occurs is used as the air temperature threshold for switching between cooling and heating.
When the temperature on the measurement date and time is higher than the temperature threshold, the value is obtained by subtracting the amount of change in the air conditioning set temperature from the temperature, and when the subtracted value is smaller than the temperature threshold, the value is corrected to the temperature threshold. Use the value as the temperature for energy saving calculation
If the temperature on the measurement date and time is lower than the air temperature threshold, the value is obtained by adding the amount of change in the air conditioning set temperature from the air temperature. If the added value is larger than the air temperature threshold, the value is corrected to the air temperature threshold. The calculated value is used as the temperature for energy saving calculation.
Energy-saving calculation electricity calculated by inputting data in which the temperature of the meteorological data is replaced with the energy-saving calculation temperature into the operation / non-operation-specific electricity usage estimation model derived by the first technical means. Estimated usage and
Using the electricity usage estimation value calculated by inputting the meteorological data into the electricity usage estimation model for each operation / non-operation for each measurement time zone derived by the first technical means,
It is characterized by having a program for calculating the difference between the estimated value of electricity consumption and the estimated value of electricity used for energy saving calculation as an energy saving amount by changing the set temperature of air conditioning.
The fourth technical means is to the computer in any one of the first to third technical means.
A program that calculates a rational power demand target value
Determine the probability of outliers in advance
Using the total value of the electricity usage data at 30-minute intervals and the average value of the meteorological data at 30-minute intervals as the method of the first technical means, the electricity usage by operation / non-operation by measurement time zone Calculate the estimation model,
The value obtained by doubling the maximum value of the total value at 30-minute intervals of the electricity usage data is used as the current power demand value.
The achievable demand value is a value obtained by doubling the maximum value of the electricity usage estimate calculated from the operation / non-operation operation / non-operation by measurement time zone.
When creating the electricity usage estimation model for each measurement time zone, the probability distribution of the estimated value is calculated, and the estimated value with the occurrence probability of the outlier as the threshold is calculated from the probability distribution. Then, the value that is doubled is set as the demand value that can be easily achieved.
When each demand value is larger than the current power demand value, it is characterized by including a program for correcting and calculating the current power demand value.
The fifth technical means is to the computer in any one of the first to fourth technical means.
A program that displays the breakdown of power demand
Using the total value of the electricity usage data at 30-minute intervals and the average value of the meteorological data at 30-minute intervals as the method of the first technical means, electricity usage according to the base application such as air conditioning, lighting, etc. Calculate the amount,
The total value of the electricity usage data at 30-minute intervals and the value obtained by doubling the electricity usage for each base application such as air conditioning, lighting, etc. are used as the power demand value and the base application such as air conditioning, lighting, etc. As another power demand value
Sorting the power demand values in descending order,
It is characterized by having a program for displaying the breakdown of the power demand value by use by using a stacked bar graph.
The sixth technical means is to the computer in any one of the first to fifth technical means.
It is a program that calculates the amount of additional electricity used due to overtime work such as overtime work.
Using the first technical means, the operating / non-operating flag, the operating / non-operating electricity usage estimation model for each measurement time zone, and the operating / non-operating baseline for each measurement time zone are calculated. hand,
The measurement date and time when the electricity usage is smaller than the maximum value of the non-operation baseline by measurement time zone, which is a set of measurement dates and times that are not in operation in the operation / non-operation by measurement time zone, is set to non-operation. And correct the up / down flag
Input the day of the week, holiday, time zone, etc. of the measurement date and time, create an operation regression model with the modified operation / non-operation flag as output,
By inputting the day of the week, holiday, time zone, etc. of the measurement date and time into the operation regression model, the periodic operation / non-operation flag of the building is calculated.
At the measurement date and time when the periodic operation / non-operation flag is non-operation, when the modified operation / non-operation flag is operation, a flag is set as overtime work.
Using the non-operating electricity usage estimation model for each measurement time zone, the non-operating electricity usage at the measurement date and time of the predetermined overtime work is estimated.
The difference between the amount of electricity used at the measurement date and time when the overtime work flag is set and the amount of non-operating electricity used at the measurement date and time of the overtime work is used as the additional amount of electricity used due to overtime work. It is characterized by having a program for calculating.
In addition, the terms used in the present specification are defined as follows.
Working / non-working means that there are basically two situations in the building, employees come to work and work, the employees are absent, and the main equipment is stopped. When the current situation is regarded as non-operation and used for analysis, operation / non-operation is treated as a flag.
The amount of electricity used by the base application such as air conditioning and lighting means that "air conditioning, etc." mainly refers to the amount of electricity used for air conditioning. "Lighting, etc." mainly refers to the amount of electricity used for lighting, OA equipment, etc. “Base” refers to the amount of electricity used by equipment that is used 24 hours a day, such as guide lights.
The measurement time zone refers to a value obtained by extracting the time zone of the measurement date and time of the periodic cycle from the electricity usage data of the building.

本発明の省エネ診断プログラムによれば、建物の電気使用量データと建物の住所データから、建物の用途別電気使用量の推計、電気使用量の予測、用途別電気使用量の予測、省エネ分析等を行い、多数のオフィス、工場等の建物の中から省エネが行いやすい建物の抽出が可能である。
本発明の省エネ診断プログラムは、省エネ診断等に関する特別な専門的知識は不要であり、建物の電気使用量データと建物の住所データという、容易に取得可能なデータを利用して、省エネ診断が達成できるという利点がある。
また、本発明の省エネ診断プログラムによれば、電力会社等の顧客の建物を対象に、省エネ診断を実施することで、多数の建物の中から、省エネ効果の高い建物の抽出を効率的に行うことが可能である。
本発明の省エネ診断プログラムは、過去の電気使用量と、過去の空調等、照明等、ベースの用途別電気使用量と、電気使用量予測値と、空調等、照明等、ベースの用途別電気使用量予測値と、電気使用量予測値の確率分布についてのグラフ表示を可能とし、過去の電気使用量の異常発生の発見や、将来の電気使用量の推移が把握しやすく、省エネ対策に役立てることができるという利点がある。
本発明の省エネ診断プログラムは、電力デマンド値について、空調等、照明等、ベースの用途別に内訳を表示させることができ、電力デマンド値の合理的な目標値や、最大電力デマンド値が発生した際の用途別電気使用量の内訳を確認でき、省エネ対策に役立てることができるという利点がある。According to the energy saving diagnosis program of the present invention, from the electricity usage data of the building and the address data of the building, the electricity usage of the building is estimated, the electricity usage is predicted, the electricity usage is predicted by usage, the energy saving analysis, etc. It is possible to extract buildings that are easy to save electricity from a large number of buildings such as offices and factories.
The energy-saving diagnosis program of the present invention does not require special specialized knowledge regarding energy-saving diagnosis, etc., and achieves energy-saving diagnosis by using easily available data such as building electricity usage data and building address data. There is an advantage that it can be done.
In addition, according to the energy-saving diagnosis program of the present invention, by conducting an energy-saving diagnosis on a customer's building such as an electric power company, a building having a high energy-saving effect can be efficiently extracted from a large number of buildings. It is possible.
The energy-saving diagnosis program of the present invention includes past electricity usage, past air conditioning, lighting, etc., and base usage-specific electricity usage, electricity usage prediction values, air conditioning, lighting, etc., and base usage-specific electricity. It is possible to display a graph of the predicted electricity usage value and the probability distribution of the predicted electricity usage value, making it easy to discover past abnormal occurrences of electricity usage and to grasp future changes in electricity usage, which is useful for energy saving measures. It has the advantage of being able to.
The energy-saving diagnosis program of the present invention can display the breakdown of the power demand value according to the base application such as air conditioning, lighting, etc., and when a rational target value of the power demand value or the maximum power demand value is generated. There is an advantage that the breakdown of electricity usage by application can be confirmed and it can be used for energy saving measures.

図１は、本実施形態に係る処理装置の分析部の構成の一例を示すブロック図である。
図２は、本実施形態に係る省エネ診断システムの構成の一例を示すブロック図である。
図３は、本実施形態に係る処理装置の構成の一例を示すブロック図である。
図４は、電気使用量データと気象データとを結合し、計測時間帯フラグを作成して分析データを作成する分析手法の一例を示す図である。
図５は、判別モジュールについて、建物の稼働／非稼働の判別手法の一例を示す図である。
図６は、モデル式推計モジュールの動作の一例を示すフローチャートである。
図７は、用途別電気使用量計算モジュールの計算手法の一例を示す図である。
図８は、用途別電気使用量計算モジュールの計算手法の一例を示す図である。
図９は、過去の電気使用量、過去の用途別電気使用量、電気使用量予測値、用途別電気使用量予測値、電気使用量予測値の確率分布のグラフ表示の一例を示す図である。
図１０は、用途別電気使用量のデマンドカーブグラフの表示の一例を示す図である。FIG. 1 is a block diagram showing an example of the configuration of the analysis unit of the processing apparatus according to the present embodiment.
FIG. 2 is a block diagram showing an example of the configuration of the energy saving diagnostic system according to the present embodiment.
FIG. 3 is a block diagram showing an example of the configuration of the processing device according to the present embodiment.
FIG. 4 is a diagram showing an example of an analysis method for creating analysis data by combining electricity usage data and meteorological data to create a measurement time zone flag.
FIG. 5 is a diagram showing an example of a method for discriminating between operation and non-operation of a building for a discrimination module.
FIG. 6 is a flowchart showing an example of the operation of the model type estimation module.
FIG. 7 is a diagram showing an example of a calculation method of the electricity usage calculation module for each application.
FIG. 8 is a diagram showing an example of a calculation method of the electricity usage calculation module for each application.
FIG. 9 is a diagram showing an example of a graph display of the past electricity usage, the past electricity usage by application, the electricity usage predicted value, the electricity usage predicted value by application, and the probability distribution of the electricity usage predicted value. ..
FIG. 10 is a diagram showing an example of displaying a demand curve graph of electricity usage by application.

以下、本発明における実施の具体的な形態について図面に基づき説明する。
本実施形態に使用するデータの計測期間は、６か月以上のデータであれば分析可能である。
図２は、本実施形態に係る省エネ診断システム１０の構成の一例について説明するブロック図である。
本実施形態に係る省エネ診断システム１０は、クライアント側のマシン３０００と、外部気象情報データベース４０００と、外部位置情報データベース５０００と、外部通信ネットワーク６０００と、分析システムとしてのサーバー１０００を有する。
クライアント側のマシン３０００から、外部通信ネットワーク６０００を通して、後記の電気使用量データ３００２及び建物住所データ３００１を、分析システムとしてのサーバー１０００に送り、分析システムで分析した結果をクライアント側のマシン３０００に送る。外部気象情報データベース４０００から、外部通信ネットワーク６０００を通して、後記の気象観測施設位置情報４００１、気象観測データ４００２、気象予報データ４００３を、定期的に分析システムとしてのサーバー１０００に送る。分析システムを導入したサーバー１０００から、外部通信ネットワーク６０００を通して、建物住所データ３００１を外部位置情報データベース５０００に送り、分析に必要な緯度、経度、高度データを入手する。
建物住所データ３００１は、建物の住所又は郵便番号情報を示す情報である。
電気使用量データ３００２は、スマートメーター等から定期的周期（例えば、３０分間隔）で計測された電気使用量データである。
気象観測施設位置情報データ４００１は、気象観測施設の緯度、経度、高度データである。
気象観測データ４００２は、気温、湿度、日照時間、風速、風向、降水量等の気象観測所で観測されたデータである。
気象予報データ４００３は、気温、湿度、日照時間、風速、風向、降水量等の気象観測所で予測されたデータである。
位置情報データベース５０００は、緯度、経度、高度データ等である。
通信ネットワーク６０００は、インターネット網やイントラネット網等である。
サーバー１０００は、例えば、通信機器１と、処理装置２を含む。通信機器１は、外部通信ネットワーク６０００と通信可能に接続する任意のデバイスである。
処理装置２は、サーバー１０００における各種制御処理を実行する。処理装置２は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、Ｉ／Ｏ ｉｎｔｅｒｆａｃｅ（Ｉｎｐｕｔ−Ｏｕｔｐｕｔ Ｉｎｔｅｒｆａｃｅ）等を具備する１つ又は複数のサーバーから構成され、コンピューターに所定のプログラムを実行させることで各部の機能を実現する。
図３は、本実施形態に係る処理装置２の構成の一例を示すブロック図である。
処理装置２は、例えば、通信処理部２１と、入力部２２と、記憶部２３と、分析部２４と、出力部２５を含む。
通信処理部２１は、通信機器１を制御し、外部通信ネットワーク６０００を介して、気象観測施設位置情報４００１、気象観測データ４００２、気象予報データ４００３、建物住所データ３００１、電気使用量データ３００２を取得する。
入力部２２は、通信処理部２１から、気象観測施設位置情報４００１、気象観測データ４００２、気象予報データ４００３、建物住所データ３００１、電気使用量データ３００２を取得し、記憶部２３にある気象観測施設データベース２３１、気象データベース２３２、建物住所データベース２３３、電気使用量データベース２３４の対応する各データベースに格納する。
分析部２４は、入力部２２及び記憶部２３から必要データを取得する。さらに、分析部２４は、通信処理部２１を通して、外部位置情報データベース５０００にＷｅｂ ＡＰＩ（Ｗｅｂ Ａｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒａｍｍｉｎｇ Ｉｎｔｅｒｆａｃｅ）等で接続し、建物住所データ３００１を送信し、緯度、経度、高度等の建物位置情報を取得する。分析部２４の構成については、後で詳しく説明する。分析部２４で分析した結果は、記憶部２３にある分析結果データベース２３５に格納される。
出力部２５は、分析部２４から必要なデータを取得し、通信処理部２１を通して、クライアント側のマシン３０００で分析結果を出力する。
建物住所データ３００１や電気使用量データ３００２は、外部からの入力が必要なく、既にデータベースに保管されている場合も想定される。
入力部２２、分析部２４、出力部２５は、物理的に別々のサーバーである場合や、同一サーバーである場合も想定される。
分析結果の出力は、出力部２５を通して、クライアント側のマシン３０００で表示される場合や、分析結果データベース２３５上で分析に利用される場合も想定される。
図１は、本実施形態に係る処理装置２の分析部２４の構成の一例を示すブロック図である。
分析部２４は、例えば、気象データ取得パッケージ２４１と、データ前処理パッケージ２４２と、用途別電気使用量推計パッケージ２４３と、電気使用量予測パッケージ２４４と、省エネ分析パッケージ２４５を含む。
パッケージとは、大まかに機能毎に分類したプログラムコードの集合であり、モジュールとは、大まかに分析内容毎に分類したプログラムコードの集合である。
気象データ取得パッケージ２４１は、例えば、位置情報取得モジュール２４１１と、気象データ抽出モジュール２４１２を含む。
位置情報取得モジュール２４１１は、記憶部２３の建物住所データベース２３３から分析を行う建物の建物住所データ３００１を、通信処理部２１を通して、外部位置情報データベース５０００にＷｅｂ ＡＰＩ等を通じて送信し、建物の緯度、経度、高度等の位置情報を取得する。取得した建物の位置情報を用いて、記憶部２３の気象観測施設データベース２３１から、例えば建物位置情報の緯度±１度、経度±１度の範囲内にある気象観測施設を抽出する。建物と、前記の抽出した気象観測施設と、の２点間の距離を計算して、建物に最も近い位置にある気象観測施設を選択する。
気象データ抽出モジュール２４１２は、記憶部２３の気象データベース２３２から、分析を実行する建物に最も近い位置にある気象観測施設の気象データを、記憶部２３の電気使用量データベース２３４のうち、分析を実行する電気使用量データと同期間分抽出する。また、気象予報データも抽出する。
データ前処理パッケージ２４２は、電気使用量データと、気象データと、気象予報データと、を取得する。
データ前処理パッケージ２４２は、電気使用量データと、気象データと、気象予報データと、を同じ計測間隔に合わせる。基本的には、電気使用量データの計測間隔に合わせて、気象データと、気象予報データと、に対してアップサンプリング又はダウンサンプリングを行う。アップサンプリングは、線形補間やスプライン補間等を用いる。補間後の各データは、異常値検知の手法を用いて分析し、異常値が発見された場合は、削除して欠損扱いにする。各データの欠損は、短期間の欠損であれば、直線補間等によりデータを補間する。長期間の欠損であれば、欠損のままとする。
図４に示すように、データ前処理パッケージ２４２は、計測日時２４２ａをキーとして、電気使用量データ２４２ｃと、気象データ２４２ｄと、を結合し、計測日時２４２ａから、計測時間帯フラグ２４２ｂを作成して、分析データを作成する。計測時間帯フラグ２４２ｂは、例えば、計測日時の時間の値×１００＋計測日時の分の値のように計算する。
用途別電気使用量推計パッケージ２４３は、
分析データから、用途別電気使用量を推計するパッケージである。用途別電気使用量推計パッケージ２４３は、例えば、判別モジュール２４３１と、モデル式推計モジュール２４３３と、用途別電気使用量計算モジュール２４３５を含む。
判別モジュール２４３１は、計測日時における建物の稼働／非稼働を判別するモジュールである。
分析データについて、電気使用量データと気象データのペアの集合から、稼働／非稼働を判別する。判別手法としては、Ｋ−ｍｅａｎｓアルゴリズムを用いた方法や条件付き混合モデルを用いた方法等が考えられるが、ここではサポートベクトルマシンを用いた方法を説明する。
サポートベクトルマシンを用いた方法は、稼働／非稼働の訓練データを必要とする。稼働／非稼働の訓練データは、分析データの気温の最小値から最大値の範囲を、例えば、８分割や１０分割等して、当該範囲内の電気使用量データで最大から数えて数点を訓練データの稼働、最小から数えて数点を訓練データの非稼働として抽出する。訓練データからサポートベクトルマシンにより判別モデルを作成して、残りの分析データを、判別モデルを用いて、稼働／非稼働に判別する。
図５に、判別モジュール２４３１について、建物の稼働／非稼働の判別手法の一例を示す。
図５で、横軸は気温、縦軸は電気使用量を示し、電気使用量データと気象データのペアの分析データは白丸（２４３１ａ）、稼働の訓練データは黒丸（２４３１ｂ）、非稼働の訓練データはバツ印（２４３１ｃ）、気温の最小値から最大値の範囲を８分割した場合の分割線は点線（２４３１ｄ）で示す。
モデル式推計モジュール２４３３は、分析データを計測時間帯別に抽出した計測時間帯別データを用いて、電気使用量を推計する計測時間帯別稼働／非稼働別電気使用量推計モデルを作成するものであり、図６のフローチャートで説明する。
計測時間帯別データから電気使用量の推計を開始する（Ｓ２０１）。
計測時間帯毎にＳ２０２からＳ２０９の処理を繰り返す。
当該計測時間帯別データを、判別モジュール２４３１を用いて、稼働と、非稼働と、に判別する（Ｓ２０３からＳ２０４）。
判別モジュール２４３１にサポートベクトルマシンを用いた場合の訓練データは、気温を複数分割して、電気使用量データの上位数点を稼働、下位数点を非稼働とする方法と、モデル式推計モジュール２４３３を実施する前に、気象データ、電気使用量データを用いて、判別モジュール２３４１で作成した稼働／非稼働フラグの中で、当該計測時間帯で抽出された期間稼働／非稼働フラグを訓練データに用いる方法とが考えられる。
稼働／非稼働別に計測時間帯別データを抽出して、気象データを入力、電気使用量データを出力とした、正則化項を含めた多項式回帰分析又は、カーネル回帰分析を行い、計測時間帯別稼働／非稼働別電気使用量推計モデルを作成する（Ｓ２０５からＳ２０８）。
前記の計測時間帯別稼働／非稼働別電気使用量推計モデルを用いて、稼働／非稼働フラグと、気象データと、に対する、電気使用量予測値の確率分布を作成する。確率分布は、ある入力に対する、出力の発生確率を示す。
計測時間帯別に、モデル式推計モジュール２４３３を実行し、得られた結果を結合する（２４３２から２４３４）。
用途別電気使用量計算モジュール２４３５について、図７及び図８を用いて説明する。
用途別電気使用量計算モジュール２４３５は、計測時間帯別稼働／非稼働別電気使用量推計モデルと、稼働／非稼働フラグと、を受け取り、計測時間帯別稼働／非稼働別に、空調等電気使用量と、照明等電気使用量と、ベース電気使用量と、を計算する。
計測時間帯別稼働／非稼働別電気使用量推計モデルから、計測時間帯別データの気象データの範囲内において、計測時間帯別稼働／非稼働別電気使用量推計モデルから計算された、稼働／非稼働別の電気使用量推計値の最小値を、計測時間帯別稼働／非稼働別ベースラインとする。前記最小値を導出した気温を、気温閾値として、前記気温閾値より大きい気温の範囲を冷房範囲、気温閾値以下を暖房範囲とする。
図７は、電気使用量の冷房範囲及び暖房範囲の判別手法の一例を示す図である。
図７では、横軸は気温、縦軸は電気使用量を示し、稼働時の電気使用量データは白丸（２４３８ａ）、非稼働時の電気使用量データはバツ印（２４３８ｂ）、稼働時の電気使用量データの冷房範囲及び暖房範囲の境界線は点線２４３８ｅ、非稼働時の電気使用量データの冷房範囲及び暖房範囲の境界線は点線２４３８ｆ、稼働時の電気使用量推計値の最小値であるベースラインは点線２４３８ｃ、非稼働時の電気使用量推計値の最小値であるベースラインは点線２４３８ｄで示す。
稼働と、非稼働と、で別々の冷房範囲、暖房範囲になる場合がある。冷房範囲の計測時間帯別稼働／非稼働別データを用いて、気温データと、電気使用量データと、に正の相関が有意にあると示された場合に、冷房はありとして、電気使用量データと、計測時間帯別稼働／非稼働別ベースラインと、の差を空調等電気使用量とする。有意でない場合は、空調等電気使用量を０として、更に該当する計測日時のベースラインを、該当する計測日時の電気使用量に補正する。同様に、暖房範囲の計測時間帯別稼働／非稼働別データを用いて、気温データと、電気使用量データと、に負の相関が有意にあると示された場合に、電気使用量データと、計測時間帯別稼働／非稼働別ベースラインと、の差を空調等電気使用量とする。有意でない場合は、空調等電気使用量を０として、更に該当する計測日時のベースラインを、該当する計測日時の電気使用量に補正する。
全ての補正前の計測時間帯別稼働／非稼働別ベースラインの中で、最小のベースラインの値をベース電気使用量とする。
計測日時毎に、電気使用量データと、ベースラインと、を比較し、ベースラインが電気使用量データより大きい場合は、該当するベースラインを電気使用量データに補正するとともに、空調等電気使用量を０に補正する。
ベースラインと、ベース電気使用量と、の差を照明等電気使用量とする。
図８の実施例は、計測日時毎で、計測時間帯フラグと、気温と、電気使用量と、稼働／非稼働と、空調の使用有無と、ベースラインと、空調等、照明等、ベースの用途別電気使用量をまとめた一例である。例えば、ベースライン（非稼働：１０００）は、計測時間帯１０００での非稼働のベースラインを示し、ベースライン（非稼働：３０）’は、計測時間帯３０での非稼働ベースラインを補正した値を示し、電気使用量［１１０］は、電気使用量が１１０ｋＷｈであることを示している。
稼働／非稼働フラグ、空調等、照明等、ベースの用途別電気使用量を、記憶部２３の分析結果データベース２３５に記録する。
電気使用量予測パッケージ２４４は、電気使用量データと、気象データと、を用いて、稼働／非稼働別電気使用量予測モデルを作成し、稼働／非稼働別電気使用量予測モデルに気象予報値を入力し、電気使用量予測値を計算するとともに、電気使用量予測値を用いて、空調等、照明等、ベースの用途別電気使用量を予測する。電気使用量予測値の確率分布を作成して、電気使用量予測値の発生確率を計算する。
用途別電気使用量推計パッケージ２４３の計算結果を用いて、稼働／非稼働フラグを修正する。計測時間帯別稼働／非稼働別ベースラインの中で非稼働である計測日時の集合である計測時間帯別非稼働ベースラインの最大値より、電気使用量が小さい計測日時は、非稼働にして、稼働／非稼働フラグを修正する。
計測日時の曜日、祝日、時間帯等を入力、前記修正した稼働／非稼働フラグを出力とした稼働回帰モデルを作成する。回帰モデルの作成には、ロジスティック回帰分析やサポートベクトルマシン分析等を用いることが考えられる。
予測を行う期間の稼働／非稼働を予測するために、稼働回帰モデルに、予測する日時の曜日、祝日、時間帯等を入力して、稼働／非稼働予測フラグを計算する。
計測時間帯別に、修正した稼働／非稼働別に、過去の気象データを入力、電気使用量データを出力とした正則化項を含めた多項式回帰分析又は、カーネル回帰分析を行い、計測時間帯別稼働／非稼働別電気使用量予測モデルを作成する。
計測時間帯別稼働／非稼働別電気使用量予測モデルに、気象予報値を入力して、電気使用量予測値と、前記電気使用量予測値の確率分布を計算する。
計測時間帯別稼働／非稼働別電気使用量予測モデルと、稼働回帰モデルと、を保存しておき、リアルタイムでの電気使用量推計に活用する。電気使用量予測モデルと、稼働回帰モデルと、は１か月毎等定期的に更新する。
電気使用量予測値と、用途別電気使用量計算モジュール２４３５で計算された稼働計測時間帯別ベースラインと、ベース電気使用量と、を用いて、用途別電気使用量計算モジュール２４３５と同等の処理を行い、空調等電気使用量予測値、照明等電気使用量予測値、ベース電気使用量予測値を計算する。
図９は、過去の電気使用量データと、過去の空調等、照明等、ベースの用途別電気使用量と、電気使用量予測値と、空調等、照明等、ベースの用途別電気使用量予測値と、電気使用量予測値の確率分布と、を一括でグラフ表示した図の一例である。
図９は、横軸は日時、縦軸は電気使用量を示し、過去の電気使用量データ２４４ｉと、電気使用量予測値２４４ｊを線グラフで示し、過去のベース電気使用量２４４ｃと、照明等電気使用量２４４ｄと、空調等電気使用量２４４ｅと、の用途別電気使用量を積み上げ棒グラフで示し、ベース電気使用量の予測値２４４ｆと、照明等電気使用量の予測値２４４ｇと、空調等電気使用量の予測値２４４ｈと、の用途別電気使用量の予測値を積み上げ棒グラフで示す。異常値が発生する確率を、前もって設定しておき、電気使用量予測値の確率分布から、閾値が、前記異常値が発生する確率の１／２となる下限の値を予測下限値２４４ａとして、閾値が、前記異常値が発生する確率の１／２となる上限の値を予測上限値２４４ｂとして面グラフで示す。例えば、異常値が発生する確率を５％と設定した場合、予測下限値２４４ａと、予測上限値２４４ｂと、の範囲は、確率分布として９５％の確率で発生する予測値の範囲となる。このグラフ表示方法により、電気使用量の異常は発生したか、今後の電気使用量がどのように推移するのか等が一つのグラフで確認でき、省エネ対策に役立てることができる。
電気使用量予測値と、空調等、照明等、ベースの用途別電気使用量予測値と、電気使用量予測値の確率分布と、を記憶部２３の分析結果データベース２３５に記録する。
省エネ分析パッケージ２４５は、用途別電気使用量推計パッケージ２４３の計算結果を用いて、省エネにつながる分析を行う。
省エネ分析パッケージ２４５は、例えば、空調設定温度モジュール２４５１やデマンド分析モジュール２４５２、時間外分析モジュール２４５３を含む。
空調設定温度モジュール２４５１は、空調設定温度を変更した場合の省エネ量を計算する。事前に空調設定温度の変化量を設定して、省エネ計算用気温を計算する。省エネ計算用気温は、計測日時毎に計算する。
図７に示した、稼働時の電気使用量データの冷房範囲及び暖房範囲の境界線２４３８ｅを、対象計測時間帯における稼働時の気温閾値、非稼働時の電気使用量データの冷房範囲及び暖房範囲の境界線２４３８ｆを、対象計測時間帯における非稼働時の気温閾値とする。計測日時における、稼働／非稼働及び計測時間帯が一致する気温閾値を用いて、対象計測日時の省エネ計算用気温を計算する。前記気温閾値より、気温が高い場合は、気温から空調設定温度の変化量を引いた値とする。ただし、引いた値が気温閾値より小さくなる場合は、省エネ計算用気温を気温閾値と同じ値にする。気温が気温閾値以下の場合は、気温から前記空調設定温度の変化量を加えた値とする。ただし、加えた値が気温閾値より大きくなる場合は、省エネ計算用気温を気温閾値と同じ値にする。
用途別電気使用量計算モジュール２４３５に、気温データを省エネ計算用気温に置換した気象データを入力して、省エネ計算用電気使用量を推計する。計測日時毎に、過去データから計算された電気使用量推計値と、省エネ計算用電気使用量と、の差を計算して、設定変更による省エネ量とする。ただし、電気使用量推計値と、省エネ計算用電気使用量と、の差が負になる場合は、該当する計測日時の設定変更による省エネ量を０とする。
デマンド分析モジュール２４５２は、合理的な電力デマンド値の目標値を計算して、合理的な電力デマンド監視を促す。
事前に、異常値の発生確率を定めておく。
電気使用量データの３０分間隔の合計値と、気象データの３０分間隔の平均値と、を用途別電気使用量推計パッケージ２４３に入力する。
電気使用量データの３０分間隔の合計値の最大値を２倍した値を、現状の電力デマンド値とする。
用途別電気使用量推計パッケージ２４３で導出した計測時間帯別稼働／非稼働別電気使用量推計モデルから計算される電気使用量推計値の最大値を２倍した値を、達成可能なデマンド値とする。
計測時間帯別稼働／非稼働別電気使用量推計モデルを作成する際に、推計値の確率分布を計算する。前記確率分布から、前記異常値の発生確率が閾値となる推計値を計算し、その値を２倍した値を達成容易なデマンド値とする。
空調設定温度モジュール２４５１に入力し、得られた省エネ計算用電気使用量推計値の最大値を２倍した値を、設定温度変更によるデマンド値とする。
達成可能な電力デマンド値、達成容易な電力デマンド値、設定温度変更によるデマンド値は、それぞれ現状の電力デマンド値より大きい場合は、現状の電力デマンド値に補正する。
図１０は、横軸を時間、縦軸を電力デマンド値とし、電気使用量と、ベース電気使用量２４ｋ、照明等電気使用量２４ｌ、空調等電気使用量２４ｍの用途別電気使用量を組み合わせたデータと、を電気使用量の降順に並べ替えて、積み上げ棒グラフで表示した図の一例である。
電力デマンド値２４ｎは、現状の電力デマンド値と、達成容易な電力デマンド値と、達成可能な電力デマンド値と、設定温度変更による電力デマンド値をそれぞれ示す。このグラフ表示方法により、電力デマンド値の合理的な目標値や最大電力デマンド値が発生している際の、用途別電気使用量の内訳等をわかりやすく表示できる。
時間外分析モジュール２４５３は、残業等の所定時間外労働による追加的な電気使用量を計算し、時間外労働の削減による省エネを促す。
用途別電気使用量推計パッケージ２４３を用いて稼働／非稼働フラグと、計測時間帯別稼働／非稼働別電気使用量推計モデルと、計測時間帯別稼働／非稼働別ベースラインと、を計算する。
用途別電気使用量推計パッケージ２４３の計算結果を用いて、稼働／非稼働フラグを修正する。計測時間帯別稼働／非稼働別ベースラインの中で非稼働である計測日時の集合である計測時間帯別非稼働ベースラインの最大値より、電気使用量が小さい計測日時は、非稼働にして、稼働／非稼働フラグを修正する。
計測日時の曜日、祝日、時間帯等を入力、前記修正した稼働／非稼働フラグを出力とした稼働回帰モデルを作成する。回帰モデルの作成には、ロジスティック回帰分析やサポートベクトルマシン分析等を用いることが考えられる。
稼働回帰モデルに、計測日時の曜日、祝日、時間帯等を入力して、建物の定期的な稼働／非稼働を計算する。
定期的な非稼働の計測日時において、修正した稼働／非稼働フラグが稼働である場合に、所定時間外労働としてフラグを立てる。
計測時間帯別非稼働電気使用量推計モデルを用いて、所定時間外労働の計測日時における非稼働電気使用量を推計する。
所定時間外労働フラグが立っている計測日時における電気使用量と、所定時間外労働の計測日時における非稼働電気使用量と、の差を所定時間外労働による追加的な電気使用量として計算する。
省エネ分析パッケージ２４５で計算された結果は、記憶部２３の分析結果データベース２３５に記録する。
以上に説明したように、本実施形態によって、特別な専門的知識が無くても、建物の電気使用量と、建物住所情報という容易に入手可能な情報のみで、多数のオフィス、工場等の建物を対象に省エネ診断が可能となる。
本実施形態で必要となる、建物の電気使用量と住所情報は、電力会社等が顧客を対象として容易に入手可能な情報であり、詳細な省エネ診断を定期的に送付することや、リアルタイムで診断結果を、ネットワークを通して確認するサービスにも利用できる。
また、オフィス、工場等の多数の顧客の建物を対象に省エネ診断を行うことで、省エネ効果の高い建物を抽出し、効率の高い省エネ対策を推進できる。
ここでは好ましい形態の一例を示しており、記載した内容以外においても実施は可能である。また、ここで紹介した式、方法等については代表例を示したが、これらに限定するものではなく、他の公式についても代用可能である。Hereinafter, specific embodiments of the present invention will be described with reference to the drawings.
The measurement period of the data used in this embodiment can be analyzed as long as the data is 6 months or longer.
FIG. 2 is a block diagram illustrating an example of the configuration of the energy saving diagnosis system 10 according to the present embodiment.
The energy-saving diagnosis system 10 according to the present embodiment includes a client-side machine 3000, an external weather information database 4000, an external location information database 5000, an external communication network 6000, and a server 1000 as an analysis system.
The electricity usage data 3002 and the building address data 3001 described later are sent from the client side machine 3000 to the server 1000 as an analysis system through the external communication network 6000, and the result analyzed by the analysis system is sent to the client side machine 3000. .. From the external meteorological information database 4000, the meteorological observation facility location information 4001, the meteorological observation data 4002, and the meteorological forecast data 4003 described later are periodically sent to the server 1000 as an analysis system through the external communication network 6000. The building address data 3001 is sent from the server 1000 in which the analysis system is introduced to the external location information database 5000 through the external communication network 6000, and the latitude, longitude, and altitude data necessary for the analysis are obtained.
The building address data 3001 is information indicating the address or zip code information of the building.
The electricity usage data 3002 is electricity usage data measured at regular intervals (for example, at intervals of 30 minutes) from a smart meter or the like.
The meteorological observation facility position information data 4001 is latitude, longitude, and altitude data of the meteorological observation facility.
Meteorological observation data 4002 is data observed at a meteorological station such as temperature, humidity, sunshine time, wind speed, wind direction, and precipitation.
The weather forecast data 4003 is data predicted by a meteorological station such as temperature, humidity, sunshine time, wind speed, wind direction, and precipitation.
The location information database 5000 is latitude, longitude, altitude data, and the like.
The communication network 6000 is an Internet network, an intranet network, or the like.
The server 1000 includes, for example, a communication device 1 and a processing device 2. The communication device 1 is an arbitrary device that is communicably connected to the external communication network 6000.
The processing device 2 executes various control processes on the server 1000. The processing device 2 is composed of one or a plurality of servers including a CPU (Central Processing Unit), a RAM (Random Access Memory), a ROM (Read Only Memory), an I / O interface (Input-Out Interface), and the like. The functions of each part are realized by letting the computer execute a predetermined program.
FIG. 3 is a block diagram showing an example of the configuration of the processing device 2 according to the present embodiment.
The processing device 2 includes, for example, a communication processing unit 21, an input unit 22, a storage unit 23, an analysis unit 24, and an output unit 25.
The communication processing unit 21 controls the communication device 1 and acquires the weather observation facility position information 4001, the weather observation data 4002, the weather forecast data 4003, the building address data 3001, and the electricity usage data 3002 via the external communication network 6000. To do.
The input unit 22 acquires the meteorological observation facility position information 4001, the meteorological observation data 4002, the meteorological forecast data 4003, the building address data 3001, and the electricity usage data 3002 from the communication processing unit 21, and the meteorological observation facility in the storage unit 23. It is stored in each corresponding database of database 231, meteorological database 232, building address database 233, and electricity usage database 234.
The analysis unit 24 acquires necessary data from the input unit 22 and the storage unit 23. Further, the analysis unit 24 connects to the external location information database 5000 by Web API (Web Application Programming Interface) or the like through the communication processing unit 21, transmits the building address data 3001, and provides the building position information such as latitude, longitude, and altitude. To get. The configuration of the analysis unit 24 will be described in detail later. The result analyzed by the analysis unit 24 is stored in the analysis result database 235 in the storage unit 23.
The output unit 25 acquires necessary data from the analysis unit 24, and outputs the analysis result on the client-side machine 3000 through the communication processing unit 21.
It is assumed that the building address data 3001 and the electricity usage data 3002 do not need to be input from the outside and are already stored in the database.
It is assumed that the input unit 22, the analysis unit 24, and the output unit 25 are physically separate servers or the same server.
It is assumed that the output of the analysis result is displayed on the client-side machine 3000 through the output unit 25, or is used for analysis on the analysis result database 235.
FIG. 1 is a block diagram showing an example of the configuration of the analysis unit 24 of the processing device 2 according to the present embodiment.
The analysis unit 24 includes, for example, a meteorological data acquisition package 241, a data preprocessing package 242, an electricity usage estimation package 243 for each application, an electricity usage prediction package 244, and an energy saving analysis package 245.
A package is a set of program codes roughly classified by function, and a module is a set of program codes roughly classified by analysis contents.
The meteorological data acquisition package 241 includes, for example, a position information acquisition module 2411 and a meteorological data extraction module 2412.
The location information acquisition module 2411 transmits the building address data 3001 of the building to be analyzed from the building address database 233 of the storage unit 23 to the external location information database 5000 through the communication processing unit 21 via Web API or the like, and determines the latitude of the building. Acquire position information such as longitude and altitude. Using the acquired location information of the building, for example, a meteorological observation facility within the range of latitude ± 1 degree and longitude ± 1 degree of the building position information is extracted from the meteorological observation facility database 231 of the storage unit 23. The distance between the building and the extracted meteorological observation facility is calculated, and the meteorological observation facility closest to the building is selected.
The meteorological data extraction module 2412 analyzes the meteorological data of the meteorological observation facility closest to the building for which the analysis is performed from the meteorological database 232 of the storage unit 23 from the electric usage database 234 of the storage unit 23. The electricity usage data to be used and the data for the same period are extracted. In addition, weather forecast data is also extracted.
The data preprocessing package 242 acquires electricity usage data, meteorological data, and meteorological forecast data.
The data preprocessing package 242 adjusts the electricity usage data, the weather data, and the weather forecast data to the same measurement interval. Basically, upsampling or downsampling is performed on the meteorological data and the weather forecast data according to the measurement interval of the electricity usage data. For upsampling, linear interpolation, spline interpolation, or the like is used. Each data after interpolation is analyzed using a method of detecting outliers, and if an outlier is found, it is deleted and treated as a defect. If the data is missing for a short period of time, the data is interpolated by linear interpolation or the like. If it is a long-term defect, it remains defective.
As shown in FIG. 4, the data preprocessing package 242 combines the electricity usage data 242c and the meteorological data 242d with the measurement date and time 242a as a key, and creates the measurement time zone flag 242b from the measurement date and time 242a. And create analysis data. The measurement time zone flag 242b is calculated as, for example, the time value of the measurement date and time × 100 + the value of the measurement date and time.
The electricity usage estimation package 243 by application is
This is a package that estimates the amount of electricity used by application from analysis data. The application-specific electricity usage estimation package 243 includes, for example, a discrimination module 2431, a model-type estimation module 2433, and an application-specific electricity usage calculation module 2435.
The discrimination module 2431 is a module for discriminating the operation / non-operation of the building at the measurement date and time.
Regarding the analysis data, operation / non-operation is determined from a set of pairs of electricity usage data and meteorological data. As a discrimination method, a method using a K-means algorithm, a method using a conditional mixed model, or the like can be considered, but here, a method using a support vector machine will be described.
The method using the support vector machine requires training data of operation / non-operation. For the training data of operation / non-operation, the range of the minimum value to the maximum value of the temperature of the analysis data is divided into, for example, 8 or 10 divisions, and several points are counted from the maximum in the electricity usage data within the range. Training data is in operation, and several points counting from the minimum are extracted as non-operation of training data. A discrimination model is created from the training data by the support vector machine, and the remaining analysis data is discriminated as operating / non-operating using the discrimination model.
FIG. 5 shows an example of a method for determining whether the building is operating / not operating for the discrimination module 2431.
In FIG. 5, the horizontal axis shows the temperature, the vertical axis shows the electricity usage, the analysis data of the pair of the electricity usage data and the meteorological data is a white circle (2431a), the operation training data is a black circle (2431b), and the non-operation training. The data is indicated by a cross (2431c), and the dividing line when the range from the minimum value to the maximum value of the temperature is divided into eight is indicated by a dotted line (2431d).
The model-type estimation module 2433 creates an electricity usage estimation model for each measurement time zone for estimating electricity usage by using measurement time zone data extracted from analysis data for each measurement time zone. Yes, it will be described with reference to the flowchart of FIG.
Estimating the amount of electricity used is started from the data for each measurement time zone (S201).
The processing of S202 to S209 is repeated for each measurement time zone.
The measurement time zone data is discriminated into operating and non-operating using the discrimination module 2431 (S203 to S204).
The training data when the support vector machine is used for the discrimination module 2431 is a method of dividing the temperature into a plurality of parts, operating the upper few points of the electricity usage data and deactivating the lower several points, and the model estimation module 2433. Among the operation / non-operation flags created by the discrimination module 2341 using meteorological data and electricity usage data, the period operation / non-operation flags extracted in the measurement time zone are used as training data. The method to be used can be considered.
Perform polynomial regression analysis including regularization term or kernel regression analysis by extracting data for each measurement time zone for each operation / non-operation, inputting meteorological data and outputting electricity usage data, and for each measurement time zone Create an electricity usage estimation model for each operation / non-operation (S205 to S208).
Using the above-mentioned electricity usage estimation model for each measurement time zone, the probability distribution of the predicted electricity usage value for the operation / non-operation flag and the meteorological data is created. The probability distribution indicates the probability of occurrence of an output for a given input.
The model estimation module 2433 is executed for each measurement time zone, and the obtained results are combined (2432 to 2434).
The electricity usage calculation module 2435 for each application will be described with reference to FIGS. 7 and 8.
The electricity usage calculation module 2435 for each application receives the electricity usage estimation model for each measurement time zone and the operation / non-operation flag, and the operation / non-operation flag, and uses electricity such as air conditioning for each measurement time zone for operation / non-operation. Calculate the amount, the amount of electricity used for lighting, etc., and the amount of base electricity used.
From the operation / non-operation electricity usage estimation model by measurement time zone, within the range of the meteorological data of the measurement time zone data, the operation / operation calculated from the operation / non-operation electricity usage estimation model by measurement time zone The minimum value of the estimated electricity usage by non-operation is set as the baseline by operation / non-operation by measurement time zone. The temperature from which the minimum value is derived is defined as the air temperature threshold, the range of the temperature above the temperature threshold is the cooling range, and the range below the temperature threshold is the heating range.
FIG. 7 is a diagram showing an example of a method for determining the cooling range and the heating range of the amount of electricity used.
In FIG. 7, the horizontal axis shows the temperature, the vertical axis shows the electricity usage, the electricity usage data during operation is a white circle (2438a), the electricity usage data during non-operation is a cross mark (2438b), and electricity during operation. The boundary line between the cooling range and the heating range of the usage data is the dotted line 2438e, and the boundary line between the cooling range and the heating range of the electricity usage data during non-operation is the dotted line 2438f, which is the minimum value of the estimated value of the electricity usage during operation. The baseline is indicated by the dotted line 2438c, and the baseline which is the minimum value of the estimated value of electricity consumption during non-operation is indicated by the dotted line 2438d.
There are cases where the cooling range and heating range are different for operating and non-operating. If it is shown that there is a significant positive correlation between the temperature data and the electricity usage data using the data for each measurement time zone of the cooling range, the electricity usage is assumed to be cooling. The difference between the data and the operating / non-operating baseline by measurement time zone is taken as the amount of electricity used for air conditioning. If it is not significant, the amount of electricity used for air conditioning is set to 0, and the baseline of the corresponding measurement date and time is corrected to the amount of electricity used for the corresponding measurement date and time. Similarly, when it is shown that there is a significant negative correlation between the temperature data and the electricity usage data using the operating / non-operating data for each measurement time zone of the heating range, the electricity usage data and , The difference between the baseline by measurement time zone and the baseline by non-operation is taken as the amount of electricity used for air conditioning. If it is not significant, the amount of electricity used for air conditioning is set to 0, and the baseline of the corresponding measurement date and time is corrected to the amount of electricity used for the corresponding measurement date and time.
The minimum baseline value among the operating / non-operating baselines for all measurement time zones before correction is taken as the base electricity usage.
Compare the electricity usage data with the baseline for each measurement date and time, and if the baseline is larger than the electricity usage data, correct the corresponding baseline to the electricity usage data and use electricity for air conditioning, etc. Is corrected to 0.
The difference between the baseline and the amount of electricity used for the base is taken as the amount of electricity used for lighting and the like.
In the embodiment of FIG. 8, for each measurement date and time, the measurement time zone flag, the temperature, the amount of electricity used, the operation / non-operation, the presence / absence of air conditioning, the baseline, the air conditioning, lighting, etc. This is an example of the amount of electricity used by application. For example, the baseline (non-operating: 1000) indicates the non-operating baseline in the measurement time zone 1000, and the baseline (non-operating: 30)'corrected the non-operating baseline in the measuring time zone 30. The value is shown, and the electricity usage [110] indicates that the electricity usage is 110 kWh.
The amount of electricity used for each use of the base, such as the operation / non-operation flag, air conditioning, lighting, etc., is recorded in the analysis result database 235 of the storage unit 23.
The electricity usage prediction package 244 creates an electricity usage prediction model for each operation / non-operation using electricity usage data and meteorological data, and uses the weather forecast value as an electricity usage prediction model for each operation / non-operation. Is input to calculate the predicted value of electricity usage, and the predicted value of electricity usage is used to predict the amount of electricity used for each base application such as air conditioning, lighting, etc. Create a probability distribution of the predicted electricity usage value and calculate the probability of occurrence of the predicted electricity usage value.
The operation / non-operation flag is corrected by using the calculation result of the electricity usage estimation package 243 for each application. The measurement date and time when the electricity usage is smaller than the maximum value of the non-operation baseline by measurement time zone, which is a set of measurement dates and times that are not in operation in the operation / non-operation by measurement time zone, is set to non-operation. , Correct the up / down flag.
Input the day of the week, holiday, time zone, etc. of the measurement date and time, and create an operation regression model with the modified operation / non-operation flag as output. It is conceivable to use logistic regression analysis, support vector machine analysis, etc. to create a regression model.
In order to predict the operation / non-operation of the period to be predicted, the operation / non-operation prediction flag is calculated by inputting the day of the week, the holiday, the time zone, etc. of the predicted date and time in the operation regression model.
Perform polynomial regression analysis or kernel regression analysis including a regularization term that inputs past meteorological data and outputs electricity usage data for each measurement time zone and for each modified operation / non-operation, and operates for each measurement time zone. / Create a model for predicting electricity usage by non-operation.
A weather forecast value is input to the electricity usage prediction model for each measurement time zone, and the probability distribution of the electricity usage prediction value and the electricity usage prediction value is calculated.
The electricity usage prediction model for each measurement time zone and for each non-operation and the operation regression model are saved and used for real-time electricity usage estimation. The electricity usage prediction model and the operation regression model are updated regularly, such as every month.
Processing equivalent to the electricity usage calculation module 2435 by application using the predicted electricity usage, the baseline for each operation measurement time zone calculated by the electricity usage calculation module 2435 for each application, and the base electricity usage. Is performed, and the predicted value of electricity usage such as air conditioning, the predicted value of electricity usage such as lighting, and the predicted value of base electricity usage are calculated.
FIG. 9 shows past electricity usage data, past electricity usage for each use of the base such as air conditioning, lighting, etc., estimated value of electricity usage, and forecast of electricity usage for each base application such as air conditioning, lighting, etc. This is an example of a diagram in which the values and the probability distribution of the predicted electricity usage values are collectively displayed as a graph.
In FIG. 9, the horizontal axis shows the date and time, the vertical axis shows the electricity usage, the past electricity usage data 244i and the predicted electricity usage value 244j are shown in a line graph, the past base electricity usage 244c, lighting, etc. The electricity usage of 244d for air conditioning and 244e for air conditioning is shown in a stacked bar graph, and the predicted value of base electricity usage of 244f, the predicted value of electricity usage of lighting, etc. 244g, and the electricity used for air conditioning, etc. The predicted value of the usage amount of 244h and the predicted value of the electricity usage amount for each application are shown in a stacked bar graph. The probability of occurrence of an abnormal value is set in advance, and the lower limit value at which the threshold value is 1/2 of the probability of occurrence of the abnormal value is set as the predicted lower limit value 244a from the probability distribution of the electricity usage predicted value. An area graph shows an upper limit value in which the threshold value is 1/2 of the probability that the abnormal value occurs as a predicted upper limit value 244b. For example, when the probability that an abnormal value occurs is set to 5%, the range of the predicted lower limit value 244a and the predicted upper limit value 244b is the range of the predicted value that occurs with a probability of 95% as a probability distribution. With this graph display method, it is possible to confirm in one graph whether an abnormality in the amount of electricity used has occurred, how the amount of electricity used in the future will change, and the like, which can be useful for energy saving measures.
The predicted value of electricity usage, the predicted value of electricity usage for each application such as air conditioning, lighting, etc., and the probability distribution of the predicted value of electricity usage are recorded in the analysis result database 235 of the storage unit 23.
The energy-saving analysis package 245 uses the calculation results of the electricity usage estimation package 243 for each application to perform an analysis that leads to energy saving.
The energy saving analysis package 245 includes, for example, an air conditioning set temperature module 2451, a demand analysis module 2452, and an overtime analysis module 2453.
The air-conditioning set temperature module 2451 calculates the amount of energy saving when the air-conditioning set temperature is changed. Set the amount of change in the air conditioning set temperature in advance and calculate the temperature for energy saving calculation. The temperature for energy saving calculation is calculated for each measurement date and time.
The boundary line 2438e of the cooling range and the heating range of the electricity usage data during operation shown in FIG. 7 is the temperature threshold value during operation during the target measurement time zone, and the cooling range and heating range of the electricity usage data during non-operation. The boundary line 2438f is set as the temperature threshold value during non-operation in the target measurement time zone. The energy-saving calculation temperature of the target measurement date and time is calculated by using the temperature threshold value at which the operation / non-operation and the measurement time zone match at the measurement date and time. When the air temperature is higher than the air temperature threshold value, the value is obtained by subtracting the amount of change in the air conditioning set temperature from the air temperature. However, if the subtracted value is smaller than the temperature threshold, the temperature for energy saving calculation is set to the same value as the temperature threshold. When the air temperature is equal to or less than the air temperature threshold value, the value is obtained by adding the amount of change in the air conditioning set temperature from the air temperature. However, if the added value is larger than the temperature threshold, the temperature for energy saving calculation is set to the same value as the temperature threshold.
The electricity usage for energy saving calculation is estimated by inputting the meteorological data in which the temperature data is replaced with the temperature for energy saving calculation into the electricity usage calculation module 2435 for each application. For each measurement date and time, the difference between the estimated electricity usage calculated from the past data and the electricity usage for energy saving calculation is calculated, and the energy saving amount is obtained by changing the setting. However, if the difference between the estimated electricity usage and the electricity usage for energy saving calculation is negative, the energy saving amount due to the setting change of the corresponding measurement date and time is set to 0.
The demand analysis module 2452 calculates a target value of a reasonable power demand value and promotes rational power demand monitoring.
The probability of occurrence of outliers is determined in advance.
The total value of the electricity usage data at 30-minute intervals and the average value of the meteorological data at 30-minute intervals are input to the electricity usage estimation package 243 for each application.
The current power demand value is defined as a value obtained by doubling the maximum value of the total value of the electricity usage data at 30-minute intervals.
The achievable demand value is the value obtained by doubling the maximum value of the electricity usage estimation value calculated from the operation / non-operational electricity usage estimation model derived from the electricity usage estimation package 243 for each application. To do.
When creating an electricity usage estimation model for each operation / non-operation by measurement time zone, the probability distribution of the estimated value is calculated. From the probability distribution, an estimated value at which the probability of occurrence of the outlier is a threshold value is calculated, and a value obtained by doubling the value is set as an easily achievable demand value.
The value obtained by inputting to the air-conditioning set temperature module 2451 and doubling the maximum value of the obtained estimated value of electricity consumption for energy saving calculation is set as the demand value by changing the set temperature.
If the achievable power demand value, the easily achievable power demand value, and the demand value due to the change in the set temperature are larger than the current power demand value, they are corrected to the current power demand value.
In FIG. 10, the horizontal axis is time and the vertical axis is the power demand value, and the electricity usage is combined with the electricity usage of the base electricity usage 24k, the electricity usage such as lighting 24 liters, and the electricity usage such as air conditioning 24 m. This is an example of a diagram in which data and data are sorted in descending order of electricity usage and displayed as a stacked bar graph.
The power demand value 24n indicates the current power demand value, the easily achievable power demand value, the achievable power demand value, and the power demand value due to the change in the set temperature, respectively. With this graph display method, it is possible to easily display the breakdown of the amount of electricity used by application when a rational target value of the power demand value or the maximum power demand value is generated.
The overtime analysis module 2453 calculates the amount of additional electricity used due to overtime work such as overtime work, and promotes energy saving by reducing overtime work.
Calculate the operation / non-operation flag, the operation / non-operation-specific electricity usage estimation model by measurement time zone, and the operation / non-operation-specific baseline by measurement time zone using the electricity usage estimation package 243 by application. ..
The operation / non-operation flag is corrected by using the calculation result of the electricity usage estimation package 243 for each application. The measurement date and time when the electricity usage is smaller than the maximum value of the non-operation baseline by measurement time zone, which is a set of measurement dates and times that are not in operation in the operation / non-operation by measurement time zone, is set to non-operation. , Correct the up / down flag.
Input the day of the week, holiday, time zone, etc. of the measurement date and time, and create an operation regression model with the modified operation / non-operation flag as output. It is conceivable to use logistic regression analysis, support vector machine analysis, etc. to create a regression model.
Enter the day of the week, holidays, time zone, etc. of the measurement date and time in the operation regression model to calculate the periodic operation / non-operation of the building.
If the modified operation / non-operation flag is operation at the measurement date and time of regular non-operation, a flag is set as overtime work.
Using the non-operating electricity usage estimation model for each measurement time zone, the non-operating electricity usage at the measurement date and time of overtime work is estimated.
The difference between the amount of electricity used at the measurement date and time when the predetermined overtime flag is set and the amount of non-operating electricity used at the measurement date and time of the predetermined overtime work is calculated as the additional amount of electricity used due to the predetermined overtime work.
The result calculated by the energy saving analysis package 245 is recorded in the analysis result database 235 of the storage unit 23.
As described above, according to the present embodiment, even if there is no special specialized knowledge, only the amount of electricity used in the building and the easily available information such as the building address information can be used to build a large number of offices, factories, and the like. Energy saving diagnosis is possible for the target.
The electricity usage and address information of the building required in this embodiment is information that can be easily obtained by the electric power company or the like for the customer, and detailed energy saving diagnosis can be sent regularly or in real time. It can also be used as a service to check the diagnosis results through the network.
In addition, by performing energy-saving diagnosis on the buildings of many customers such as offices and factories, it is possible to extract buildings with high energy-saving effect and promote highly efficient energy-saving measures.
Here, an example of a preferable embodiment is shown, and it is possible to carry out other than the contents described. In addition, although representative examples of the formulas and methods introduced here are shown, they are not limited to these, and other formulas can be substituted.

２ 処理装置
２１ 通信処理部
２３ 記憶部
２４ 分析部
２３１ 気象観測施設データベース
２３２ 気象データベース
２３３ 建物住所データベース
２３４ 電気使用量データベース
２３５ 分析結果データベース
２４１ 気象データ取得パッケージ
２４２ データ前処理パッケージ
２４３ 用途別電気使用量推計パッケージ
２４４ 電気使用量予測パッケージ
２４５ 省エネ分析パッケージ
２４３１ 判別モジュール
２４３３ モデル式推計モジュール
２４３５ 用途別電気使用量計算モジュール
２４５１ 空調設定温度モジュール
２４５２ デマンド分析モジュール
２４５３ 時間外分析モジュール
３０００ クライアント側のマシン
３００１ 建物住所データ
３００２ 電気使用量データ
４０００ 気象情報データベース
４００１ 気象観測施設位置情報
４００２ 気象観測データ
４００３ 気象予報データ
５０００ 位置情報データベース2 Processing equipment 21 Communication processing unit 23 Storage unit 24 Analysis unit 231 Meteorological observation facility database 232 Meteorological database 233 Building address database 234 Electric usage database 235 Analysis result database 241 Meteorological data acquisition package 242 Data preprocessing package 243 Electric usage by application Estimate Package 244 Electricity Usage Forecast Package 245 Energy Saving Analysis Package 2431 Discrimination Module 2433 Model Estimate Module 2435 Application-Specific Electricity Usage Calculation Module 2451 Air Conditioning Set Temperature Module 2452 Demand Analysis Module 2453 Overtime Analysis Module 3000 Client Side Machine 3001 Building Address Data 3002 Electric usage data 4000 Meteorological information database 4001 Meteorological observation facility location information 4002 Meteorological observation data 4003 Meteorological forecast data 5000 Position information database

Claims (6)

コンピュータに、
外部から得られる定期的な周期で計測された建物の電気使用量データと、前記建物の近傍の気象観測装置で計測された気象データまたは前記建物の所在地を含むエリアの推計された気象データと、を用いて、計測日時における前記建物の稼働／非稼働と、空調に代表される建物稼働時間に使用される電気使用量で気温相関が高い用途の電気使用量で構成される空調電気使用量と照明に代表される建物稼働時間に使用される電気使用量で気温相関が低い用途の電気使用量で構成される照明電気使用量と常時ほぼ一定量の電気が使用される用途の電気使用量で構成されるベース電気使用量の用途別電気使用量と、を計算させるプログラムであって、
判別モジュールと、モデル式推計モジュールと、用途別電気使用量計算モジュールと、から構成され、
前記判別モジュールは、計測時間帯別に、前記電気使用量データと前記気象データを抽出した計測時間帯別データを用いて、計測日時における稼働と、非稼働と、を判別する判別モデルを作成し、前記計測時間帯における、前記対象計測日時における稼働と、非稼働と、の判別を実施して、
前記モデル式推計モジュールは、前記判別モジュールで判別した稼働／非稼働と、前記計測時間帯別データと、を用いて、前記計測時間帯別に、稼働／非稼働別に、前記計測時間帯別データの気象データを入力、電気使用量データを出力とした回帰分析を行い、計測時間帯別稼働／非稼働別電気使用量推計モデルを作成して、
前記用途別電気使用量計算モジュールは、前記計測時間帯別稼働／非稼働別電気使用量推計モデルから、前記計測時間帯別データの気象データの外気温又は、外気温と湿度との、上限値から下限値の範囲内において、前記計測時間帯別稼働／非稼働別電気使用量推計モデルから計算された電気使用量推計値の最小値を計測時間帯別稼働／非稼働別ベースラインとして計算して、
前記計測時間帯において、稼働／非稼働別に、前記電気使用量データと、前記計測時間帯別稼働／非稼働別ベースラインと、の差を、空調電気使用量として計算して、
全ての前記計測時間帯別稼働／非稼働別ベースラインの中で、最小の値をベース電気使用量として計算して、
前記計測時間帯別稼働／非稼働別ベースラインと、前記ベース電気使用量と、の差をそれぞれ計算した値を、照明電気使用量として計算して、
前記計測時間帯別稼働／非稼働別電気使用量推計モデルと、稼働／非稼働フラグと、空調電気使用量、照明電気使用量、ベース電気使用量の用途別電気使用量と、を計算させるプログラム。On the computer
And electricity consumption data of the building, which is measured at regular periods obtained from the outside, and meteorological data estimates the area including the weather data or location of the building measured by meteorological observation device in the vicinity of the building, The air-conditioning electricity usage, which consists of the operation / non-operation of the building at the measurement date and time, and the electricity usage for applications with a high temperature correlation, which is the electricity usage during the building operating time represented by air conditioning. The amount of electricity used during building operating hours, such as lighting , is composed of the amount of electricity used for applications with low temperature correlation. The amount of electricity used for lighting and the amount of electricity used for applications where a nearly constant amount of electricity is always used. It is a program that calculates the electricity usage of each application of the base electricity usage that is composed .
It consists of a discrimination module, a model estimation module, and an electricity usage calculation module for each application.
The discrimination module creates a discrimination model that discriminates between operation and non-operation at the measurement date and time by using the electricity usage data and the measurement time zone data extracted from the meteorological data for each measurement time zone. In the measurement time zone, the operation and the non-operation at the target measurement date and time are discriminated from each other.
The model-type estimation module uses the operation / non-operation determined by the discrimination module and the measurement time zone data to obtain the measurement time zone data for each measurement time zone and for each operation / non-operation. Regression analysis is performed with meteorological data input and electricity usage data as output, and an electricity usage estimation model for each measurement time zone is created.
The application-specific electricity usage calculation module is an upper limit value of the outside temperature or the outside temperature and humidity of the meteorological data of the measurement time zone data from the electricity usage estimation model for each measurement time zone. Within the range of the lower limit, the minimum value of the estimated electricity usage calculated from the electricity usage estimation model for each measurement time zone is calculated as the baseline for each operation / non-operation by measurement time zone. hand,
In the measurement time zone, the difference between the electricity usage data for each operation / non-operation and the baseline for each operation / non-operation for each measurement time zone is calculated as the air-conditioning electricity usage.
Of all the baselines for each measurement time zone, the minimum value is calculated as the base electricity usage,
The value obtained by calculating the difference between the operating / non-operating baseline for each measurement time zone and the base electricity usage is calculated as the lighting electricity usage.
A program that calculates the electricity usage estimation model for each measurement time zone, the operation / non-operation flag, and the electricity usage for each application of air conditioning electricity usage , lighting electricity usage , and base electricity usage. .. コンピューターに、
外部から入手する気象予報値と、前記気象データと、前記電気使用量データと、を用いて、電気使用量予測値と、前記電気使用量予測値の発生確率分布と、空調電気使用量、照明電気使用量、ベース電気使用量の用途別電気使用量の予測値と、を計算させるプログラムであって、
請求項１を用いて前記稼働／非稼働フラグと、前記計測時間帯別稼働／非稼働別ベースラインと、前記ベース電気使用量と、を計算して、
前記計測時間帯別稼働／非稼働別ベースラインの中で非稼働である計測日時の集合である前記計測時間帯別非稼働ベースラインの最大値より、前記電気使用量データが小さい計測日時は、非稼働にして、前記稼働／非稼働フラグを修正して、
前記計測日時の曜日、祝日、時間帯、年や月を含む日時に関する情報を入力、前記修正した稼働／非稼働フラグを出力とした稼働回帰モデルを作成して、
前記稼働回帰モデルに、予測する日時の曜日、祝日、時間帯、年や月を含む日時に関する情報を入力して、稼働／非稼働予測フラグを計算して、
計測時間帯別に、前記修正した稼働／非稼働別に、前記気象データを入力、前記電気使用量データを出力とした回帰分析を行い、計測時間帯別稼働／非稼働別電気使用量予測モデルを作成して、
前記計測時間帯別稼働／非稼働別電気使用量予測モデルに、前記気象予報値を入力して、電気使用量予測値と、前記電気使用量予測値の確率分布と、を計算して、
前記電気使用量予測値と、前記稼働／非稼働予測フラグと、前記計測時間帯別稼働／非稼働別ベースラインと、前記ベース電気使用量と、を用いて、電気使用量予測値と、空調電気使用量、照明電気使用量、ベース電気使用量の用途別電気使用量の予測値と、を計算させる請求項１に記載のプログラム。On the computer
Using the weather forecast value obtained from the outside, the weather data, and the electricity usage data, the electricity usage predicted value, the generation probability distribution of the electricity usage predicted value, the air conditioning electricity usage , and the lighting electricity consumption, and a program for calculating the prediction value of the application-specific electricity consumption based electricity usage, a
Using claim 1, the operating / non-operating flag, the operating / non-operating baseline for each measurement time zone, and the base electricity usage are calculated.
The measurement date and time when the electricity usage data is smaller than the maximum value of the non-operating baseline by measurement time zone, which is a set of measurement dates and times that are not operating in the operating / non-operating baseline by measurement time zone, is Make it non-working, modify the working / non-working flag,
Enter information about the date and time including the day of the week, holidays, time zone , year and month of the measurement date and time , and create an operation regression model with the modified operation / non-operation flag as output.
Enter information about the day of the week, holidays, time zone , year and month of the predicted date and time in the operation regression model, and calculate the operation / non-operation prediction flag.
Regression analysis is performed by inputting the meteorological data and outputting the electricity usage data for each of the modified operation / non-operation for each measurement time zone, and creating an electricity usage prediction model for each operation / non-operation for each measurement time zone. do it,
The weather forecast value is input to the operating / non-operating electricity usage prediction model for each measurement time zone, and the electricity usage prediction value and the probability distribution of the electricity usage prediction value are calculated.
Using the electricity usage predicted value, the operating / non-operating prediction flag, the operating / non-operating baseline for each measurement time zone, and the base electricity usage, the electricity usage predicted value and the air conditioning The program according to claim 1, wherein the predicted values of the electricity usage , the lighting electricity usage , and the base electricity usage for each application are calculated. コンピューターに、
空調の設定温度の変更による省エネ量を計算させるプログラムであって、
事前に空調設定温度の変化量を設定しておき、
前記気象データと、前記電気使用量データと、前記計測時間帯別稼働／非稼働別ベースラインと、を用いて、
前記計測時間帯別稼働／非稼働別ベースラインが発生した時の気温を冷房と暖房が切り替わる気温閾値として、
前記気温閾値より計測日時の気温が高い場合は、前記気温から前記空調設定温度の変化量を引いた値で、引いた値が前記気温閾値より小さくなる場合は、値を前記気温閾値に補正した値を省エネ計算用気温として、
前記気温閾値より前記計測日時の気温が低い場合は、前記気温から前記空調設定温度の変化量を加えた値で、加えた値が前記気温閾値より大きくなる場合は、値を前記気温閾値に補正した値を省エネ計算用気温として、
請求項１で導出した前記計測時間帯別稼働／非稼働別電気使用量推計モデルに、前記気象データの気温を前記省エネ計算用気温に置換したデータを入力して計算した省エネ計算用電気使用量推計値と、
請求項１で導出した前記計測時間帯別稼働／非稼働別電気使用量推計モデルに、前記気象データを入力して計算した電気使用量推計値を用いて、
前記電気使用量推計値と、前記省エネ計算用電気使用量推計値と、の差を、空調の設定温度の変更による省エネ量として計算させる請求項１又は請求項２に記載のプログラム。On the computer
It is a program that calculates the amount of energy saving by changing the set temperature of the air conditioner.
Set the amount of change in the air conditioning set temperature in advance,
Using the meteorological data, the electricity usage data, and the operation / non-operation baseline according to the measurement time zone,
The temperature at which the operating / non-operating baseline for each measurement time zone occurs is used as the air temperature threshold for switching between cooling and heating.
When the temperature on the measurement date and time is higher than the temperature threshold, the value is obtained by subtracting the amount of change in the air conditioning set temperature from the temperature, and when the subtracted value is smaller than the temperature threshold, the value is corrected to the temperature threshold. Use the value as the temperature for energy saving calculation
If the temperature on the measurement date and time is lower than the air temperature threshold, the value is obtained by adding the amount of change in the air conditioning set temperature from the air temperature. If the added value is larger than the air temperature threshold, the value is corrected to the air temperature threshold. The calculated value is used as the temperature for energy saving calculation.
Electricity consumption for energy saving calculation calculated by inputting data in which the temperature of the meteorological data is replaced with the temperature for energy saving calculation into the electricity usage estimation model for each operation / non-operation derived in claim 1. Estimated value and
Using the electricity usage estimated value calculated by inputting the meteorological data into the electricity usage estimation model for each operation / non-operation derived in claim 1,
The program according to claim 1 or 2, wherein the difference between the estimated value of electricity used and the estimated value of electricity used for energy saving calculation is calculated as the amount of energy saved by changing the set temperature of the air conditioner. コンピューターに、
合理的な電力デマンドの目標値を計算させるプログラムであって、
事前に、異常値の発生確率を定めておき、
前記電気使用量データの３０分間隔の合計値と、前記気象データの３０分間隔の平均値と、を請求項１の手法に用いて、計測時間帯別稼働／非稼働別電気使用量推計モデルを計算し、
前記電気使用量データの３０分間隔の合計値の最大値を２倍した値を、現状の電力デマンド値として、
前記計測時間帯別稼働／非稼働別電気使用量推計モデルから計算される電気使用量推計値の最大値を２倍した値を、達成可能なデマンド値として、
前記計測時間帯別稼働／非稼働別電気使用量推計モデルを作成する際に、推計値の確率
分布を計算して、前記確率分布から、前記異常値の発生確率が閾値となる推計値を計算
し、その値を２倍した値を、達成容易なデマンド値として、
それぞれのデマンド値が前記現状の電力デマンド値より大きい場合は、前記現状の電力デマンド値に補正して計算させる請求項１から３のいずれか１項に記載のプログラム。On the computer
A program that calculates a rational power demand target value
Determine the probability of outliers in advance
Using the total value of the electricity usage data at 30-minute intervals and the average value of the meteorological data at 30-minute intervals in the method of claim 1, an electricity usage estimation model for each measurement time zone and operation / non-operation Calculate and
The value obtained by doubling the maximum value of the total value at 30-minute intervals of the electricity usage data is used as the current power demand value.
The achievable demand value is a value obtained by doubling the maximum value of the electricity usage estimate calculated from the operation / non-operation operation / non-operation by measurement time zone.
When creating the electricity usage estimation model for each measurement time zone, the probability distribution of the estimated value is calculated, and the estimated value with the occurrence probability of the outlier as the threshold is calculated from the probability distribution. Then, the value that is doubled is set as the demand value that can be easily achieved.
The program according to any one of claims 1 to 3, wherein when each demand value is larger than the current power demand value, the current power demand value is corrected and calculated. コンピューターに、
電力デマンドの内訳を表示させるプログラムであって、
前記電気使用量データの３０分間隔の合計値と、前記気象データの３０分間隔の平均値と、を請求項１の手法に用いて、空調電気使用量、照明電気使用量、ベース電気使用量の用途別電気使用量を計算し、
前記電気使用量データの３０分間隔の合計値及び、前記空調電気使用量、照明電気使用量、ベース電気使用量の用途別電気使用量をそれぞれ２倍した値を、電力デマンド値及び、空調電力デマンド値、照明電力デマンド値、ベース電力デマンド値の用途別電力デマンド値として、
前記電力デマンド値を降順にソートして、
積み上げ棒グラフを用いて、前記電力デマンド値の用途別内訳を表示させる請求項１から４のいずれか１項に記載のプログラム。On the computer
A program that displays the breakdown of power demand
Using the total value of the electricity usage data at 30-minute intervals and the average value of the meteorological data at 30-minute intervals in the method of claim 1, the air-conditioning electricity usage , the lighting electricity usage , and the base electricity usage Calculate the amount of electricity used by application,
The total value of the electricity usage data at 30-minute intervals and the value obtained by doubling the electricity usage of the air conditioning electricity usage , the lighting electricity usage , and the base electricity usage for each application are the power demand value and the air conditioning power. As the power demand value for each application of the demand value , lighting power demand value , and base power demand value ,
Sorting the power demand values in descending order,
The program according to any one of claims 1 to 4, which displays a breakdown of the power demand value by use using a stacked bar graph. コンピューターに、
早出、残業を含む所定時間外労働による追加的な電気使用量を計算させるプログラムであって、
請求項１を用いて前記稼働／非稼働フラグと、前記計測時間帯別稼働／非稼働別電気使用量推計モデルと、前記計測時間帯別稼働／非稼働別ベースラインと、を計算して、
前記計測時間帯別稼働／非稼働別ベースラインの中で非稼働である計測日時の集合である計測時間帯別非稼働ベースラインの最大値より、電気使用量が小さい計測日時は、非稼働にして、稼働／非稼働フラグを修正して、
前記計測日時の曜日、祝日、時間帯、年や月を含む日時に関する情報を入力、前記修正した稼働／非稼働フラグを出力とした稼働回帰モデルを作成して、
前記稼働回帰モデルに、前記計測日時の曜日、祝日、時間帯、年や月を含む日時に関する情報を入力して、建物の定期的な稼働／非稼働フラグを計算して、
前記定期的な稼働／非稼働フラグが、非稼働である計測日時において、前記修正した稼働／非稼働フラグが稼働である場合に、所定時間外労働としてフラグを立てて、前記計測時間帯別稼働／非稼働電気使用量推計モデルを用いて、前記所定時間外労働の計測日時における非稼働電気使用量を推計して、
前記所定時間外労働としてフラグを立てている計測日時における電気使用量と、前記所定時間外労働の計測日時における非稼働電気使用量と、の差を、所定時間外労働による追加的な電気使用量として計算させる請求項１から５のいずれか１項に記載のプログラム。On the computer
A program that allows you to calculate additional electricity usage due to overtime work , including early departure and overtime.
Using claim 1, the operation / non-operation flag, the operation / non-operation-specific electricity usage estimation model for each measurement time zone, and the operation / non-operation-specific baseline for each measurement time zone are calculated.
The measurement date and time when the electricity usage is smaller than the maximum value of the non-operation baseline by measurement time zone, which is a set of measurement dates and times that are not in operation in the operation / non-operation by measurement time zone, is set to non-operation. And correct the up / down flag
Enter information about the date and time including the day of the week, holidays, time zone , year and month of the measurement date and time , and create an operation regression model with the modified operation / non-operation flag as output.
By inputting information about the date and time including the day of the week, holidays, time zone , year and month of the measurement date and time into the operation regression model, the periodic operation / non-operation flag of the building is calculated.
The periodic operation / non-operation flag, the measurement time is non-operational, when operation / non-operation flags the modifications are operational, and flagged as predetermined overtime, the measurement time zone running / Using the non-operating electricity usage estimation model, estimate the non-operating electricity usage at the measurement date and time of the overtime work,
And electricity usage in the measuring date and time flagged as the predetermined overtime, and non-working electrical consumption in the measurement date and time of the predetermined overtime, the difference of, additional electrical consumption by a predetermined overtime The program according to any one of claims 1 to 5, which is calculated as.
JP2019566853A 2018-06-09 2019-05-20 Energy saving diagnostic program Active JP6756425B2 (en)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018121316 2018-06-09
JP2018121316 2018-06-09
PCT/JP2019/020788 WO2019235272A1 (en) 2018-06-09 2019-05-20 Energy-saving diagnostic program

Publications (2)

Publication Number Publication Date
JPWO2019235272A1 JPWO2019235272A1 (en) 2020-06-25
JP6756425B2 true JP6756425B2 (en) 2020-09-16

Family

ID=68770339

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019566853A Active JP6756425B2 (en) 2018-06-09 2019-05-20 Energy saving diagnostic program

Country Status (2)

Country Link
JP (1) JP6756425B2 (en)
WO (1) WO2019235272A1 (en)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110988556B (en) * 2019-12-20 2022-03-29 上海市建筑科学研究院有限公司 Diagnosis method for architectural lighting socket support in non-operation period
CN112116496B (en) * 2020-09-27 2023-12-08 施耐德电气（中国）有限公司 Configuration method and device of energy consumption diagnosis rules
KR102536500B1 (en) * 2021-05-20 2023-05-26 숭실대학교 산학협력단 Method and apparatuses for prediction for predicting electrical generation of special day
US20230169426A1 (en) * 2021-11-30 2023-06-01 Ncr Corporation Demand response resource scheduling

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5914891B2 (en) * 2011-09-15 2016-05-11 パナソニックＩｐマネジメント株式会社 Energy saving evaluation device, energy saving evaluation method, server device, program
JP2016127622A (en) * 2014-12-26 2016-07-11 株式会社デンソー Power demand prediction system
JP6091568B1 (en) * 2015-09-01 2017-03-08 株式会社Ｌｏｏｏｐ Power consumption prediction control apparatus, power consumption prediction method, and power consumption prediction program

Also Published As

Publication number Publication date
WO2019235272A1 (en) 2019-12-12
JPWO2019235272A1 (en) 2020-06-25

Similar Documents

Publication Publication Date Title
JP6756425B2 (en) Energy saving diagnostic program
CN108700851B (en) System, method and cloud-based platform for predicting energy consumption
Chakhchoukh et al. Electric load forecasting based on statistical robust methods
US20190122132A1 (en) Method and system for energy consumption prediction
US8589112B2 (en) Building energy consumption analysis system
CN109634942A (en) A kind of energy data exception judgment method and device
JP2009294969A (en) Demand forecast method and demand forecast device
JP7010674B2 (en) Power Demand Forecasting Device, Power Demand Forecasting Method and Program
Sobhani et al. Temperature anomaly detection for electric load forecasting
US20210334914A1 (en) System and method for determining power production in an electrical power grid
JP7114956B2 (en) Power demand calculation device and program
JP2006098361A (en) Monitoring and evaluating device of energy in building
US20180225779A1 (en) System and method for determining power production in an electrical power grid
US20210372667A1 (en) Method and system for detecting inefficient electric water heater using smart meter reads
JP2017169289A (en) Power prediction system, power prediction method, and program
JP2017034797A (en) Baseline load estimation device and baseline load estimation program
Nastasi et al. Data-driven load profile modelling for advanced measurement and verification (M&V) in a fully electrified building
Kaymakci et al. Energy anomaly detection in industrial applications with long short-term memory-based autoencoders
JP2018063574A (en) Trend predicting device and load predicting device
CN114879619A (en) Digital workshop energy optimization method and system
CN107121943A (en) A kind of method and apparatus for being used to obtain the health forecast information of intelligence instrument
Wang et al. Data-driven assessment of room air conditioner efficiency for saving energy
US20190034817A1 (en) Disaggregation of appliance usage from electrical meter data
Manfren et al. Interpretable data-driven building load profiles modelling for Measurement and Verification 2.0
WO2022006546A1 (en) Methods for remote building intelligence, energy waste detection, efficiency tracking, utility management and analytics

Legal Events

Date Code Title Description
A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20191217

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20191217

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20200305

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200407

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200528

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: 20200804

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200811

R150 Certificate of patent or registration of utility model

Ref document number: 6756425

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250