JP6806333B2 - 消費電力予測装置および消費電力予測方法 - Google Patents

Description

本発明は、消費電力予測装置および消費電力予測方法に関し、例えば、個別住宅または小規模ビルなどの小単位の施設で消費される将来の電力を予測する装置に用いて好適なものである。

近年、住宅や業務設備などで消費される将来の電力量を予測し、予測した消費電力をモニタに表示して可視化することより、需要者の節電行動に結びつけることができるようにしたり、家電などの電気機器を自動制御して使用状態の最適化を行ったりするシステムの開発が進められている。将来の消費電力を予測することができれば、それに応じて施策の検討や対策を打つことが可能となる。

従来、将来の消費電力の予測には、時系列分析を用いるのが一般的であった。時系列分析とは、ある一定間隔の時間に対して観測されている過去のデータの周期性や傾向から将来を予測する手法である。例えば、過去の消費電力量を自己回帰移動平均モデルで表し、これにより得られた消費電力モデルを用いて将来の消費電力量を線形予測する手法が知られている。

時系列分析を用いた消費電力モデルは、将来の値が、現在あるいは過去の値と線形な関係を持つことを前提として作られている。このため、時系列的な予測値は、時間帯によらず定常的で滑らかな変化を示すものとなる。しかしながら、実際には家庭での人間の時々の活動状況に応じて、各種電気機器の稼働状況（機器のオン／オフ）が非定常的に変化する。このため、個別電気機器の稼働状況に変化が生じたときには、家庭で消費される総電力は、過去の時点の消費電力に対して非線形に変動する。このため、線形予測によって得られる消費電力の予測値は、一般に、実際の総消費電力の変化に対して追従性が悪くなる。

線形予測は、多数の家庭での総消費電力、あるいは地域全体での総消費電力など、総消費電力を構成する個々の要素の全体に占める割合が微少で、お互いに独立なランダムな要素と見なせる場合などに有効である。個々の要素における非線形な変動が全体の消費電力に与える影響が極めて小さいからである。一方、個別住宅または小規模ビルなどのように、総消費電力を構成する個々の要素が少ない場合は、それらの非線形な変動が全体の消費電力に与える影響が大きくなるため、上述したように、単純な線形予測では総消費電力の予測精度が悪くなってしまう。

なお、測定した総消費電力から個別電気機器の動作状態と消費電力を推定し、将来のエネルギー使用料金を予測する技術が知られている（例えば、特許文献１参照）。この特許文献１に記載のエネルギー管理装置では、メータで単位時間当たりの全体エネルギー使用量の変動を検出し、この変動量を、あらかじめ入力されているエネルギー使用機器別の単位時間当たりのエネルギー使用量と比較することによって、各エネルギー使用機器の動作状態を把握する。そして、各エネルギー使用機器の動作状態から、エネルギー使用機器別の使用時間および消耗電力量を把握し、現在または将来のエネルギー使用料金を予測する。

個別電気機器の稼働状態を推定する技術は、例えば、特許文献２〜４および非特許文献１，２にも開示されている。特許文献２に記載の個別電気機器稼働状態推定装置は、総使用電力測定手段と、総使用電力の時間的変動（ジャンプ電力）を算出する時間変動算出手段と、ジャンプ電力から新規電気機器として既存の機種リストに加えるか、余分な機種を削除するかを行う電気機器機種特定手段と、アップおよびダウンのジャンプがどの電気機器のオン／オフの事象の生起に対応しているかの尤度を推定する対応尤度推定手段と、尤度が入力されたときの個別電気機器の稼働状態の変化を推定して現在の稼働状態の推定を更新し、これと規格電力の推定結果を用いて総使用電力の予測値と総使用電力の測定データから個別電気機器の機種、規格電力、および稼働状態の各推定を最適化し、個別電気機器の稼働確率を動的に推定する個別電気機器稼働状態推定手段とを備える。

また、特許文献３に記載のエネルギー使用量推定装置では、総負荷消費エネルギーの時系列変化から、設備毎の消費エネルギーの内訳を推定する。具体的には、需要地の引込線における所定箇所で測定した総負荷電流および電圧に基づいて、総負荷電力を算出し、一定時間の総負荷電力の平均値および総負荷電力の速度の絶対値の平均値から各設備の動作状態を推定する。そして、推定した動作状態に基づいて、各設備の個別の消費エネルギーを推定する。

また、特許文献４に記載の電気機器モニタリング装置では、個別機器への消費電力計測装置の装着を行うことなく、ユーザが生活しながら、簡便に、消費電力を推定できるようにする。具体的には、電力需要家の給電線引込口の電流／電圧を測定し、特徴量（高調波の強度など）を計算することで、インバーター機器を含んだ電気機器のオン／オフや、消費電力を推定する。

また、非特許文献１では、家庭において短時間負荷予測を行った結果および各家電機器の深夜時間帯移行の可能性とその効果の検証が報告されている。具体的には、適応的時系列モデルを用いた１時間先の予測シミュレーションや、自己学習機能により予測に必要なパラメータを自動的に決定し、状態の変化にも柔軟に対処できるという利点を持つニューラルネットワーク解析手法などが開示されている。さらに、非特許文献２には、家庭内に入る電圧と電流の変化を分析し、家庭内で使用されている家電機器とその個々のエネルギー消費とを推測する方法が開示されている。

特開２０１２−１４７０１号公報 特許第５８７０１８９号公報 特開２０１３−９９０２８号公報 特開２０１３−１９８３３４号公報

財団法人電力中央研究所 研究報告書： T91085「家庭における負荷予測手法の検討」（浅利真宏、吉光司、橋本栄二），平成４年６月 "Nonintrusive appliance load monitoring"in Proceedings of the IEEE, Volume 8, Issue 2, pp.12-16, 1992.（G. W. Hart）

上記特許文献１に記載のシステムによれば、個々の電気機器に測定センサを設けることなく、測定した総消費電力から個別電気機器の動作状態と消費電力とを推定し、将来のエネルギー使用状態を予測することが可能である。しかしながら、特許文献１に記載の技術では、推定した個別電気機器の動作状態と消費電力をもとに、線形の１次関数や２次以上の非線形関数を用いて将来の消費電力を予測している。そのため、予測される消費電力は、非定常的に変化する個別電気機器の稼働状況に対応し切れておらず、予測の精度が十分に上がらないという問題がある。

本発明は、このような問題を解決するために成されたものであり、個別住宅または小規模ビルなどの小単位の施設で消費される将来の電力の予測精度を向上させることができるようにすることを目的とする。

上記した課題を解決するために、本発明では、特定の期間について測定された総消費電力の時間的変動を分析して、仮想した個別機器とその消費電力（個別消費電力）とを推定することによって機器リストを得るとともに、この機器リストを用いて個別機器の稼働台数を推定し、この推定結果をもとに個別機器の電源の状態を表す電源状態パラメータを所定の時間単位で算出することにより、個別機器の消費電力に関する学習データを生成する。そして、実際に将来の消費電力を予測する際には、実時間で測定された総消費電力に対して学習データの機器リストを適用することによって、実時間の総消費電力から予測開始時点での個別機器の稼動台数を推定するとともに、予測期間に対応する期間の電源状態パラメータを用いて、上記予測開始時点からの予測期間における個別消費電力の推移を予測し、当該予測した個別消費電力の推移をもとに、予測期間における総消費電力の推移を予測するようにしている。

上記のように構成した本発明によれば、将来の予測期間における総消費電力が、その予測期間に対応した過去の（学習時の）期間における個別機器の電力消費トレンドを反映した形で算出される。しかも、その予測は、所定の時間単位で算出された電源状態パラメータに基づいて行われるので、非定常的に変化する個別機器の稼働状況に対応したものとなっている。これにより、本発明によれば、個別住宅または小規模ビルなどの小単位の施設で消費される将来の電力の予測精度を向上させることができる。

本実施形態による消費電力予測装置を用いたネットワークシステムの全体構成例を示す図である。 本実施形態による消費電力予測装置が備える機能構成例を示すブロック図である。 本実施形態による学習データ生成部の動作例を示すフローチャートである。 本実施形態による個別電力予測部および総電力予測部の動作例を示すフローチャートである。

以下、本発明の一実施形態を図面に基づいて説明する。図１は、本実施形態による消費電力予測装置を用いたネットワークシステムの全体構成例を示す図である。図１に示すように、本実施形態のネットワークシステムは、消費電力予測装置１００、ユーザ端末２００、総電力測定装置３００および送信装置４００を備えて構成されている。

総電力測定装置３００は、個別住宅への引き込み給電線５００に対して設置され、個別住宅において消費されている総消費電力を測定する。この総電力測定装置３００として、例えばスマートメータなど、公知の測定器を用いることが可能である。

送信装置４００は、総電力測定装置３００により測定された総消費電力を、インターネット等の通信ネットワーク６００を介して消費電力予測装置１００に送信する。例えば、総電力測定装置３００によって総消費電力を所定時間ごと（例えば、１分ごと）の周期で測定し、送信装置４００が測定値および測定日時を消費電力予測装置１００に順次送信する。

消費電力予測装置１００は、送信装置４００により送信された個別住宅の実際の総消費電力に基づいて、当該個別住宅での将来の総消費電力を予測し、予測に基づく各種の通知をユーザ端末２００に対して行う。ユーザ端末２００は、スマートフォンのような携帯端末であってもよいし、パーソナルコンピュータのような固定端末であってもよい。

図２は、本実施形態による消費電力予測装置１００が備える機能構成例を示すブロック図である。図２に示すように、本実施形態の消費電力予測装置１００は、その機能構成として、学習データ生成部１０、個別電力予測部２０、総電力予測部３０および通知部４０を備えて構成されている。

なお、これらの各機能ブロック１０〜４０は、ハードウェア、ＤＳＰ（Digital Signal Processor）、ソフトウェアの何れによっても構成することが可能である。例えばソフトウェアによって構成する場合、上記各機能ブロック１０〜４０は、実際にはコンピュータのＣＰＵ、ＲＡＭ、ＲＯＭなどを備えて構成され、ＲＡＭやＲＯＭ、ハードディスクまたは半導体メモリ等の記録媒体に記憶されたプログラムが動作することによって実現される。

学習データ生成部１０は、特定の期間について測定された総消費電力の時間的変動を分析して、仮想した個別機器とその消費電力である個別消費電力とを推定することによって機器リストを得るとともに、この機器リストを用いて個別機器の稼働台数を推定し、この推定結果をもとに個別機器の電源の状態を表す電源状態パラメータを所定の時間単位で算出することにより、個別機器の消費電力に関する学習データを生成する。学習データ生成部１０は、生成した学習データを、特定の期間を表す情報と関連付けて機器リスト記憶部５１および電源状態パラメータ記憶部５２に記憶する。

ここで、仮想した個別機器とは、住宅内に実際に存在する電気機器の１つ１つのことを言うのではなく、推定分解電力の大きさに対応した仮想上の電気機器のことを言う。例えば、総電力測定装置３００により測定された総消費電力がある周期において５０Ｗ上昇している場合、５０Ｗの消費電力を有する電気機器（具体的な機器を特定する必要はない）が稼働したと分析する。また、総電力測定装置３００により測定された総消費電力がある周期において１００Ｗ下降している場合、１００Ｗの消費電力を有する電気機器が停止したと分析する。すなわち、この場合における仮想した個別機器とは、推定分解電力５０Ｗの電気機器、推定分解電力１００Ｗの電気機器を言う（以下、これらを個別機器[５０Ｗ]、個別機器[１００Ｗ]などと表記する）。

また、分析の対象とする特定の期間とは、個別住宅での電気機器の使用パターン（１日の使用パターン、週間の使用パターンなど）をカバーする期間として、季節ごとに３〜７日とする。また、電源状態パラメータを算出する所定の時間単位とは、１日を複数の時間帯に分けたものであり、例えば、家庭内の１日の電力使用パターンを考慮して、朝、昼、夕方、夜の４個の時間帯とすることが可能である。なお、これは一例に過ぎない。例えば、所定の時間単位を１時間としてもよいし、それより短い時間単位としてもよい。あるいは、所定の時間単位を１日よりも長い単位、例えば数日としてもよい。要は、どのくらいの粒度で将来の総消費電力を予測したいかに応じて、所定の時間単位を決めればよい。

個別電力予測部２０は、学習データ生成部１０により生成された学習データを用いて、将来の予測したい期間（予測期間）における個別機器の消費電力（以下、個別消費電力という）を予測する。すなわち、個別電力予測部２０は、総電力測定装置３００により実時間で測定された総消費電力に対して、予測期間に対応する期間に関して機器リスト記憶部５１に記憶された機器リスト（仮想した個別機器とその個別消費電力）を適用することによって、実時間の総消費電力から予測開始時点での個別機器の稼動台数を推定する。そして、予測期間に対応する期間に関して電源状態パラメータ記憶部５２に記憶された電源状態パラメータを用いて、上記予測開始時点からの予測期間における個別消費電力の推移を予測する。

ここで、予測期間に対応する期間とは、学習データ生成部１０により学習データが生成された特定の期間のうち、予測期間と同じ期間のことをいう。例えば「春の夕方」を予測期間として将来の総消費電力を予測したい場合、個別電力予測部２０は、学習データ生成部１０により学習データが生成された特定の期間のうち、当該「春の夕方」に対応する期間に生成された学習データを用いて、当該「春の夕方」における個別消費電力の推移を予測する。この予測の具体的な方法については後述する。

総電力予測部３０は、個別電力予測部２０により予測された予測期間における個別消費電力の推移をもとに、当該予測期間における総消費電力の推移を予測する。具体的には、総電力予測部３０は、個別電力予測部２０により予測された予測期間の各時刻における個別消費電力をそれぞれの時刻毎に合計することにより、当該予測期間における総消費電力の推移を予測する。

通知部４０は、総電力予測部３０により予測された総消費電力に基づく各種の通知をユーザ端末２００に対して行う。例えば、総電力予測部３０により予測された総消費電力をユーザ端末２００に通知する。または、総電力予測部３０により予測された総消費電力がしきい値を超える場合に、どの時間帯にどの程度しきい値を超えるかの情報を含めて、警告メッセージを通知するようにしてもよい。

次に、学習データ生成部１０の詳細について説明する。図２に示すように、学習データ生成部１０は、より具体的な機能構成として、個別電力分解部１１、スイッチ変数生成部１２および電源状態パラメータ算出部１３を備えている。

個別電力分解部１１は、総電力測定装置３００により測定されて消費電力予測装置１００に蓄積された特定の期間における学習用の総消費電力の時間的変動を分析して、個別機器およびその個別消費電力を推定する。そして、その推定した個別消費電力を持つ個別機器の推定稼動台数を、個別機器の状態変数として一定周期毎（例えば、１分毎）に算出する。

すなわち、個別電力分解部１１は、推定した個別消費電力を持つ個別機器の推定稼動台数を一定周期毎に算出し、これを個別機器の状態変数Ｘ_jreal-kとする。状態変数Ｘ_jreal-kは、個別消費電力を持つ個別機器の稼動台数の期待値であり、以下ではこれを単に稼動台数ともいう。ここで、ｊは仮想上の電気機器の識別符号を表す。すなわち、ｊ＝１〜Ｊ（Ｊは総消費電力から分解した各個別消費電力の電気機器の種類の総数）である。また、例えば周期を１分とし、１時間分の総消費電力から状態変数Ｘ_jreal-kを算出する場合は、ｋ＝１〜６０である。２４時間分であれば、ｋ＝１〜１４４０である。

例えば、ある周期ｔ_kにおいて、３種類の推定分解電力ｐ₁，ｐ₂，ｐ₃の電気機器がそれぞれ稼働していることが個別電力分解部１１により推定された場合、個別電力分解部１１は、Ｘ_1real*ｐ₁＋Ｘ_2real*ｐ₂＋Ｘ_3real*ｐ₃＝Ｘ_real*ｐを満たす状態変数を算出する。ここで、ｐは総消費電力、Ｘ_realは総消費電力の状態変数である。なお、Ｘ_realの値は常に１としている。ある周期ｔ_kにおける状態変数Ｘ_jreal-kは、例えば、１つ前の周期ｔ_k-1の状態をもとに、公知の収束アルゴリズム（例えば、カルマンフィルタを用いた収束アルゴリズム）により推定することが可能である。

個別電力分解部１１は、以上のように推定した個別機器の識別符号および個別消費電力を、機器リストとして機器リスト記憶部５１に記憶させる。なお、算出した状態変数は、スイッチ変数生成部１２および電源状態パラメータ算出部１３での処理に使用される。

なお、個別電力分解部１１の機能は、上述した特許文献２に記載された内容を適用することが可能である。すなわち、特許文献２に記載されたｋ−ＭｅａｎｓアルゴリズムによるＥＭフィルタにより個別機器およびその個別消費電力を推定するとともに、カルマンフィルタにより個別機器の状態変数を算出することが可能である。

スイッチ変数生成部１２は、個別電力分解部１１により算出された個別機器の状態変数を整数化し、整数化された値を個別機器の電源オン／オフを表すスイッチ変数とする。すなわち、スイッチ変数生成部１２は、以下の式により個別機器の状態変数を四捨五入して整数化することにより、個別機器のスイッチ変数Ｘ_jkを算出する。この操作は、カルマンフィルタの出力として、状態変数が一般に実数値を取るため、電源オン／オフの時点を明確にするために行う。
Ｘ_jk＝round(Ｘ_jreal-k)

これにより、識別符号ｊの個別機器[５０Ｗ]に関して個別電力分解部１１により算出された一定周期毎の状態変数Ｘ_jreal-kから、例えば次のような整数列のベクトルで表される一定周期毎のスイッチ変数Ｘ_jk[５０Ｗ]が得られる。
Ｘ_jk[５０Ｗ]＝｛００１１１００１２２２３３１１００１１０・・・・｝
ここで、“１”は個別機器[５０Ｗ]の電源が１台オン、“２”は個別機器[５０Ｗ]の電源が２台オンになっていることを意味する。他の推定分解電力の個別機器についても同様に、一定周期毎のスイッチ変数Ｘ_jkが生成される。

電源状態パラメータ算出部１３は、スイッチ変数生成部１２により生成された一定周期毎のスイッチ変数Ｘ_jkに基づいて、個別機器の電源の状態を表す電源状態パラメータを所定の時間単位（例えば、１時間単位）で算出する。本実施形態では、電源状態パラメータ算出部１３は、スイッチ変数生成部１２により一定周期毎に生成されたスイッチ変数Ｘ_jkに基づいて、所定の時間単位において個別機器の電源をオンした回数Ｎon_iから推定されるスイッチオン確率と、個別機器の電源がオンからオフになるまでの１回当たりの平均オン時間とを、電源状態パラメータとして所定の時間単位で算出する。所定の時間単位が１時間の場合、ｉは１日２４時間分で、ｉ＝１〜２４である。ここで、電源オンのスイッチ回数Ｎon_iは、１時間の中で各推定分解電力の個別機器の電源がスイッチオンとされた回数の合計値である。

すなわち、電源状態パラメータ算出部１３は、スイッチ変数Ｘ_jkの時系列に対して単位時間（１時間）内に値がプラス１変化した回数を計測して、スイッチオン回数とする。そして、スイッチオンの生起時刻と生起順番とを順次記録していく。例えば、以下に示す時系列のスイッチ変数Ｘ_jk[５０Ｗ]が得られている場合について説明する。
Ｘ_jk[５０Ｗ]＝｛００１１１００１２２２３３１１００１１０・・・・｝

この場合、Ｘ_j2＝０からＸ_j3＝１に変化するタイミングで１回スイッチオン、Ｘ_j7＝０からＸ_j8＝１に変化するタイミングで１回スイッチオン、Ｘ_j8＝１からＸ_j9＝２に変化するタイミングで１回スイッチオンがあったなどと判定して、最初の１時間分のスイッチ変数Ｘ_jk[５０Ｗ]（ｋ＝１〜６０）からスイッチオンの回数Ｎon₁を算出する。さらに、算出したスイッチオンの回数Ｎon₁を単位時間内の時系列数で割る（１時間内で１分ごとにスイッチ変数Ｘ_jkが生成されるので、Ｎon₁／６０）ことにより、当該１時間におけるスイッチオン確率を算出する。以上と同様の処理を次の１時間分のスイッチ変数Ｘ_jk（ｋ＝６１〜１２０）に対して行うことにより、次の１時間における電源オンのスイッチ回数Ｎon₂からスイッチオン確率を算出する。以下同様にして、２４時間分のスイッチオン確率を算出する。

他の推定分解電力の個別機器に関するスイッチ変数Ｘ_jk[〇〇Ｗ]についても同様に、スイッチ変数Ｘ_jk[〇〇Ｗ]からスイッチオンの回数Ｎon_i（ｉ＝１〜２４）を１時間単位で算出し、さらにそのスイッチ回数Ｎon_iからスイッチオン確率を１時間単位で算出する。このように、電源状態パラメータ算出部１３は、各推定分解電力の個別機器ごとに、電源のスイッチオン確率を算出する。学習データの期間が１日以上の場合、例えば７日のときは、このようにして得られる１日の各時間のスイッチオン確率を、各時間ごとに７日分の平均を計算して、その学習期間に対応するスイッチオン確率とする。

一方、平均オン時間については、時系列の中でスイッチ変数Ｘ_jkの値がマイナス１変化したとき、その時点よりも前にスイッチオンとなっていた個別機器がスイッチオフに変化したという仮定のもとで計算する。本実施形態では一例として、その時点でスイッチオンになっている個別機器のうち、一番古いものがスイッチオフになったとして、電源オン時間を計算するとともに、その最も古いスイッチオン事象を記録から削除する。そして、このようにして得られた電源オン時間を単位時間内で平均することにより、当該個別機器の平均オン時間とする。

例えば、上記のように例示したスイッチ変数Ｘ_jk[５０Ｗ]＝｛００１１１００１２２２３３１１００１１０・・・・｝について、１回当たりの平均オン時間は、以下のようにして算出する。すなわち、１つの個別機器がＸ_j2＝０からＸ_j3＝１に変化するタイミングでスイッチオンとなったとき、その個別機器の電源オン時間は、Ｘ_j5＝１からＸ_j6＝０に変化するタイミングまでの３分である。

次に、１つの個別機器がＸ_j7＝０からＸ_j8＝１に変化するタイミングでスイッチオンとなったとき、その個別機器の電源オン時間は、Ｘ_j13＝３からＸ_j14＝１に変化するタイミングまでの６分である。その間、Ｘ_j8＝１からＸ_j9＝２に変化するタイミング、Ｘ_j11＝２からＸ_j12＝３に変化するタイミングでそれぞれ１台ずつ個別機器が追加でスイッチオンとなっている。この場合、２台目の個別機器の電源オン時間は、Ｘ_j13＝３からＸ_j14＝１に変化するタイミングまでの５分である。また、３台目の個別機器の電源オン時間は、Ｘ_j15＝１からＸ_j16＝０に変化するタイミングまでの４分である。電源状態パラメータ算出部１３は、このようにして算出した複数の電源オン時間を平均化することにより、スイッチオン１回当たりの平均オン時間を算出する。

なお、Ｘ_j13＝３からＸ_j14＝１に変化するタイミングにおいて、１台目〜３台目の個別機器のうち、実際にはどの２台がスイッチオフになったのかは特定できない。上記の例では、最後にスイッチオンとなった３台目の個別機器がスイッチオンを継続し、１台目と２台目の個別機器がスイッチオフになったものとして電源オン時間を計算するようにしているが、これに限定されない。例えば、最初にスイッチオンとなった１台目の個別機器がスイッチオンを継続し、後からスイッチオンとなった２台目と３台目の個別機器がスイッチオフになったものとして電源オン時間を計算するようにしてもよい。

他の推定分解電力の個別機器に関するスイッチ変数Ｘ_jk[〇〇Ｗ]についても同様に、スイッチオン１回当たりの平均オン時間を１時間単位で算出する。このように、電源状態パラメータ算出部１３は、各推定分解電力の個別機器ごとに、平均オン時間を１時間単位で算出する。学習データの期間が１日以上の場合、例えば７日のときは、このようにして得られる１日の各時間の平均オン時間を、各時間ごとに７日分の平均を計算して、その学習期間に対応する平均オン時間とする。

電源状態パラメータ算出部１３は、以上のようにして算出したスイッチオン確率と平均オン時間とを、個別機器の電源の状態を表す電源状態パラメータとして電源状態パラメータ記憶部５２に記憶させる。

なお、機器リストが変動しないよう、最初に個別電力分解部１１の推定処理を適用した第１の学習データから個別電力分解部１１によって算出された各個別機器とその電力値をＥＭフィルタ部分の固定した変数として用いて、総消費電力に関する第２の学習用データに対して個別電力分解部１１の推定処理を再度適用するようにしてもよい。この際、第２の学習用データは、第１の学習用データと同じものでもよいし、別時刻に測定された同時間幅のデータでもよい。この場合、第２の学習用データを用いて個別電力分解部１１により算出された各個別機器とその状態変数Ｘ_jreal-kを用いて、スイッチ変数生成部１２および電源状態パラメータ算出部１３により電源状態パラメータを算出する。

次に、個別電力予測部２０の詳細について説明する。図２に示すように、個別電力予測部２０は、より具体的な機能構成として、実時間個別電力分解部２１、稼動状態推定部２２および個別予測消費電力算出部２３を備えている。実時間個別電力分解部２１および稼動状態推定部２２は、総電力測定装置３００により実時間で測定された総消費電力に対し、学習データ生成部１０の個別電力分解部１１と同様の処理を適用するものである。ただし、全く同じ処理を行うのではなく、学習の結果として機器リスト記憶部５１に記憶された学習データを利用して、各個別機器の電源オン状態を推定する。

実時間個別電力分解部２１は、総電力測定装置３００により実時間で測定されて送信装置４００により送信された総消費電力を入力し、当該総消費電力に対して学習データの機器リストを適用することによって、実時間の総消費電力から予測開始時点での個別機器の稼動台数を推定する。このとき、実時間個別電力分解部２１は、予測期間に対応する期間に関して機器リスト記憶部５１に記憶された機器リスト（個別機器とその個別消費電力）を適用する。

例えば、実時間でｋ＝０の時点から総消費電力の測定を１分ごとに行い、ｋ＝３００（５時間）になった現時点を予測開始時点として、そこから将来の３０分間の総消費電力を１分ごとに予測するものとする。すなわち、ｋ＝３００の現時点を予測開始時点ｔ＝０として、１分先から３０分先までの将来の時間ｔ（ｔ＝１〜３０の３０分間）の総消費電力の推移を１分毎に予測するものとする。ここで、ｋ＝３００はｔ＝０を表す。

この場合、実時間個別電力分解部２１は、ｋ＝０〜３００の間に測定された総消費電力に対し、予測期間に対応する期間に関して機器リスト記憶部５１に記憶された機器リスト（個別機器の識別符号とその個別消費電力）を読み出して、これを固定の変数として個別電力分解部１１と同様の処理を行うことにより、状態変数Ｘ_jreal-k（ｋ＝０〜３００）を順次算出する。

次に、実時間個別電力分解部２１は、ｋ＝３００のときの状態変数Ｘ_jreal-300（以下、これをｔ＝０のときの状態変数Ｘ_jreal-0として表す）を整数化して、スイッチ変数Ｘ_j0を算出する。なお、以下では説明の簡略化のため、識別符号ｊ＝３の個別機器に関してスイッチ変数Ｘ_j0＝２が算出されたものとする。すなわち、識別符号ｊ＝３の個別機器が２台、ｔ＝０の時点でオンになっていることが推定されたものとする。

次に、稼動状態推定部２２は、実時間個別電力分解部２１により算出されたスイッチ変数Ｘ_j0に基づいて、電源状態パラメータ記憶部５２に記憶されている各期間の電源状態パラメータの中から、スイッチ変数Ｘ_j0の識別符号ｊで示される個別機器に関して予測期間に対応する期間の電源状態パラメータ（スイッチオン確率および平均オン時間）を取得し、当該電源状態パラメータに乱数を適用して予測期間における個別機器の稼動状態を推定する。ここで、稼動状態推定部２２は、まず、スイッチオン確率に乱数を適用して予測期間における個別機器の電源オン動作を推定する。次に、稼動状態推定部２２は、平均オン時間に乱数を適用して、スイッチオン確率から推定された電源オン動作が行われてからの電源オン時間を推定する。

具体的には、稼動状態推定部２２は、まず、電源状態パラメータ記憶部５２から取得したスイッチオン確率をベルヌーイ試行の成功確率として、個別機器の電源オン動作を乱数発生によりシミュレートする。例えば、上述のように算出されたスイッチ変数Ｘ_j0で示される個別機器に関し、ｔ＝１〜３０の予測期間に対応する期間の電源状態パラメータとして、以下に示す値が電源状態パラメータ記憶部５２から取得されたとする。
スイッチオン確率＝０．２
平均オン時間＝４．５分

この場合、稼動状態推定部２２は、“０．２”というスイッチオン確率をベルヌーイ試行の成功確率として、ｔ＝１〜３０の将来の時点ごとに個別機器の電源オン動作（電源オンの場合は値“１”、電源オフの場合は値“０”）を乱数的に発生させる。このシミュレーションにより、以下のような数値例が得られる。
結果＝｛1, 0, 0, 0, 1, 1, 0, 0, 0, 1,・・・}
この数値列のうち、ベルヌーイ試行により値が“１”で電源オンとなった時点に対して昇順の試行番号を順に1, 2, 3と付けていくと、以下のような組の列を得ることができる。
｛試行番号,電源オン時点｝＝{1, 1},{2, 5},{3, 6},{4, 10},・・・

次に、稼動状態推定部２２は、このようにして得られた個別機器の電源オン状態に対して、電源状態パラメータ記憶部５２から取得した平均オン時間を平均時間としてもつ時間分布を用いて、電源オフ状態への推移時点を乱数発生によりシミュレートする。ここで、シミュレーションに用いる電源オンの時間分布としては、例えば、平均オン時間の２倍の期間内の一様分布、平均オン時間を平均値とする指数分布または二項分布など、電源オン時間の分布を近似できる簡潔な分布を採用することが可能である。

いま、電源状態パラメータ記憶部５２より取得された平均オン時間は、４．５分である。この場合、平均オン時間の２倍の期間内の一様分布を用いると、分布は｛1, 2, 3,・・・, 7, 8}の値を各々0.125の確率でとる。ここで、稼動状態推定部２２は、まず、｛試行番号,電源オン時点｝＝{1, 1}のものについて、乱数を発生させる。その結果として、電源オン時間の値“２”が得られたとすると、次のように表すことができる。
｛試行番号,電源オン時点,電源オフ時点｝＝{1, 1, 3}

次に、稼動状態推定部２２は、｛試行番号,電源オン時点｝＝{2, 5}のものについて、乱数を発生させる。その結果として、電源オン時間の値“３”が得られたとすると、次のように表すことができる。
｛試行番号,電源オン時点,電源オフ時点｝＝{2, 5, 8}
稼動状態推定部２２が以下同様に計算をすると、次のような電源オン／オフの組の系列が得られる。
｛試行番号,電源オン時点,電源オフ時点｝＝{1, 1, 3},{2, 5, 8},{3, 6, 10},{4, 10, 15},・・・

さらに、稼動状態推定部２２は、上述の｛試行番号,電源オン時点,電源オフ時点｝の組を、以下の(Ａ)〜(Ｃ)に示すような試行番号ごとのオン／オフ時系列に展開する。これをｔ＝１〜３０の各時点ごとに、すべての試行番号について加算すれば、各時点ごとに電源オンとなっている個別機器の台数系列(Ｘ)を得ることができる。
(Ａ) 試行番号１の系列 1, 1, 0, 0, 0. 0. 0. 0. 0. 0,・・・
(Ｂ) 試行番号２の系列 0, 0, 0, 0, 1, 1, 1, 0, 0, 0,・・・
(Ｃ) 試行番号３の系列 0, 0, 0, 0, 0, 1, 1, 1, 1, 0,・・・
(Ｘ) 合計のオン台数系列 1, 1, 0, 0, 1, 2, 2, 1, 1, 0,・・・

なお、以上の例では、ｔ＝０の時点において、識別符号ｊ＝３の個別機器が２台、電源オンになっているものとして説明した。この２台の個別機器もｔ＝１以降、どこかのタイミングで電源オフとなるので、そのこともシミュレーションに含める必要がある。例えば、平均オン時間の２倍の期間内の一様分布を用いた乱数によるシミュレーションを初期値の２台の個別機器について行った結果、例えば次のようなオン／オフ時系列を得たとする。
(ａ) 1, 1, 0, 0, 0, 0, ・・・
(ｂ) 1, 1, 1, 1, 0, 0, ・・・
この場合、稼動状態推定部２２は、この(ａ)、(ｂ)に示すオン／オフ時系列と、上述した(Ａ)、(Ｂ)、(Ｃ)に示すオン／オフ時系列とを加算することにより、初期値の個別機器も含めた電源オン台数系列の予測値を得る。

個別予測消費電力算出部２３は、稼動状態推定部２２により推定された予測期間における個別機器の稼動状態（各個別機器の電源がどの時点からどの時間だけオンとされているかを示す状態）に基づいて、予測期間における個別消費電力を予測する。

例えば、各個別機器ｊについて稼動状態推定部２２により得られた、時間ｔ（ｔ＝１，２，・・・，ｎ）に対する電源オン台数時系列の値をｖ(ｔ,ｊ)で表すものとする。ここで、ｔは１分単位の時間を表す整数、ｎは最大予測期間、ｊは個別機器の識別符号で、ｊ＝１，２，・・・，Ｊとする。また、ｔ＝０におけるｖ(０,ｊ)は、現在時刻における個別機器ｊに対するカルマンフィルタの出力を四捨五入して、整数化したものとする。例えば、時間ｔにおいて３個の個別機器ｊが電源オン状態になっていることが稼動状態推定部２２により推定された場合、ｖ(ｔ,ｊ)＝３である。一方、時間ｔにおいて個別機器ｊが全て電源オフ状態になっていることが稼動状態推定部２２により推定された場合、ｖ(ｔ,ｊ)＝０である。

また、個別機器ｊに対して、ｖ(ｔ,ｊ)の値の時間差分を、以下のようにｕ(ｔ,ｊ)で表すものとする。
ｕ(ｔ,ｊ)＝ｖ(ｔ,ｊ)−ｖ(ｔ−１,ｊ)
なお、以下では説明上、Ｊ個のｕ(ｔ,ｊ)をｕ(ｔ)で表すものとする。

まず、個別予測消費電力算出部２３は、この時間差分ｕ(ｔ)を、以下の式（１）に示すカルマンフィルタの状態方程式のｕ(ｔ)に当てはめる。
ｘ(ｔ)＝Ｆ(０)＊ｘ(ｔ−１)＋Ｇ(０)＊ｕ(ｔ) ・・・（１）
なお、ｘ(ｔ)は時間ｔにおけるＪ個の個別機器の状態変数ベクトル、Ｆ(０)およびＧ(０)は現在時刻における既知の係数行列である。

次に、個別予測消費電力算出部２３は、現在時刻に対するカルマンフィルタの状態変数ベクトルｘ(ｔ−１)を用いて、１分先の状態変数ベクトルｘ(ｔ)の値を同式（１）により算出する。さらに、個別予測消費電力算出部２３は、これによって得られた１分先の状態変数ベクトルｘ(ｔ)およびその次の時間差分ｕ(ｔ＋１)を同式（１）の右辺に用いることにより、２分先の状態変数ベクトルｘ(ｔ＋１)の値を算出する。以下同様にして、再帰的に３，４，・・・ｎ分先の状態変数ベクトルの値を算出する。この状態変数ベクトルの個々の要素である各個別機器の状態変数に対して個別消費電力を乗算すれば、ｎ分先の個別消費電力を予測することが可能である。

総電力予測部３０は、次の観測方程式（２）により、以上のようにして個別電力予測部２０により算出された個別機器の状態変数ベクトルｘ(ｔ)を用いて、個別住宅全体における総消費電力ｙ(ｔ)を算出する。
ｙ(ｔ)＝Ｈ(０)＊ｘ(ｔ) ・・・（２）
ここで、＊はベクトルの内積を示す。ベクトルＨ(０)は各個別機器ｊの電力Ｐ(０,ｊ)により、以下のように表される。電力Ｐ(０,ｊ)は、機器リスト記憶部５１に機器リストとして記憶されている個別機器ｊの個別消費電力である。
Ｈ(０)＝（Ｐ(０,１)，Ｐ(０,２)，・・・，Ｐ(０,Ｊ)）

以上の計算を複数の時間t（ｔ＝１，２，・・・，ｎ）について順次行うことにより、総消費電力の予測値系列を得ることができる。なお、総消費電力の予測値系列として、統計的処理を行って有意な数値が算出されるように、個別電力予測部２０によるシミュレーションを実時間で複数回行うことにより、複数の総消費電力ｙ(s，ｔ)（ｓは第ｓ回目のシミュレーションを示す整数）を算出し、複数の総消費電力ｙ (s，ｔ)を時刻tごとに平均化することで、最終的な総消費電力の予測値系列を得るようにしてもよい。

この場合、個別電力予測部２０は、予測期間における個別消費電力を予測する処理を複数回行う。また、総電力予測部３０は、個別電力予測部２０による複数回の処理によって予測された予測期間における個別消費電力をもとに、予測期間における総消費電力の予測を複数回行い、複数回分の総消費電力を統計処理（平均化など）することによって、予測期間における総消費電力の予測値を決定する。

図３は、上記のように構成した本実施形態による学習データ生成部１０の動作例を示すフローチャートである。まず、個別電力分解部１１は、総電力測定装置３００により測定されて消費電力予測装置１００に蓄積された特定の期間における学習用の総消費電力のうち、一定周期分（例えば、１分）の総消費電力を入力する（ステップＳ１）。

そして、個別電力分解部１１は、この１分間分の総消費電力の時間的変動を分析して、個別機器およびその個別消費電力を推定することにより、１分間分の機器リストを生成する（ステップＳ２）。個別電力分解部１１は、生成した機器リストを機器リスト記憶部５１に記憶させる。

さらに、個別電力分解部１１は、推定した個別消費電力の総消費電力に対する構成を、個別機器の電源オン状態の台数の期待値を表す状態変数として算出する（ステップＳ３）。続いて、スイッチ変数生成部１２は、個別電力分解部１１により算出された個別機器の状態変数を整数化して個別機器のスイッチ変数を生成する（ステップＳ４）。

その後、電源状態パラメータ算出部１３は、電源状態パラメータを算出する所定の時間単位分（例えば、１時間分）の分析が終了したか否かを判定する（ステップＳ５）。まだ１時間分の分析が終了していない場合、処理はステップＳ１に戻り、分析を継続する。

一方、１時間分の分析が終了した場合、電源状態パラメータ算出部１３は、スイッチ変数生成部１２により各個別機器について生成された一定周期毎のスイッチ変数Ｘ_jkに基づいて、個別機器の電源状態パラメータ（スイッチオン確率および平均オン時間）を算出する（ステップＳ６）。そして、電源状態パラメータ算出部１３は、算出した電源状態パラメータを電源状態パラメータ記憶部５２に記憶させる。

次に、個別電力分解部１１は、特定の期間分の分析が最後まで終了したか否かを判定する（ステップＳ７）。特定の期間分の分析がまだ最後まで終了していない場合、処理はステップＳ１に戻り、分析を継続する。一方、特定の期間分の分析が最後まで終了した場合、図３に示すフローチャートの処理を終了する。

なお、ここでは、ステップＳ１〜Ｓ４において個別電力分解部１１およびスイッチ変数生成部１２による処理を行いながら、１時間分の分析が終了するたびに電源状態パラメータ算出部１３による処理を行う例について説明したが、これに限定されない。例えば、個別電力分解部１１およびスイッチ変数生成部１２による処理を特定の期間分の最後まで行った後、電源状態パラメータ算出部１３による処理を１時間単位で行うようにしてもよい。

図４は、上記のように構成した本実施形態による個別電力予測部２０および総電力予測部３０の動作例を示すフローチャートである。

まず、実時間個別電力分解部２１は、総電力測定装置３００により実時間で測定されて送信装置４００により送信された総消費電力を入力する（ステップＳ１１）。そして、実時間個別電力分解部２１は、当該入力した総消費電力に対して、予測期間に対応する期間に関して機器リスト記憶部５１に記憶されている機器リスト（仮想した個別機器とその個別消費電力）を適用することにより、実時間の総消費電力から予測開始時点における個別機器の稼動台数を推定する（ステップＳ１２）。

次に、稼動状態推定部２２は、予測期間に対応する期間に関して電源状態パラメータ記憶部５２に記憶されている電源状態パラメータ（スイッチオン確率および平均オン時間）に乱数を適用して、予測開始時点より先の予測期間における個別機器の稼動状態を推定する（ステップＳ１３）。すなわち、稼動状態推定部２２は、当該スイッチオン確率に乱数を適用して予測期間における個別機器の電源オン動作を推定するとともに、平均オン時間に乱数を適用して、上記のように推定された電源オン動作が行われてからの電源オン時間を推定する。

次いで、個別予測消費電力算出部２３は、稼動状態推定部２２により推定された予測期間における個別機器の稼動状態に基づいて、予測期間における個別消費電力を予測する（ステップＳ１４）。また、総電力予測部３０は、以上のようにして個別電力予測部２０により予測された予測期間における個別消費電力を合計することにより、当該予測期間における総消費電力の予測値を算出する（ステップＳ１５）。

その後、個別電力予測部２０は、以上の予測消費電力のシミュレーションを所定回数行った否かを判定する（ステップＳ１６）。まだ所定回数のシミュレーションが終わっていない場合、処理はステップＳ１３に戻る。一方、所定回数のシミュレーションが終わった場合、総電力予測部３０は、所定回数のシミュレーションで得られたそれぞれの総消費電力を平均化することにより、予測期間における総消費電力の予測値を決定する（ステップＳ１７）。これにより、図４に示すフローチャートの処理を終了する。

以上詳しく説明したように、本実施形態によれば、学習データ生成部１０によって、測定された総消費電力から個別機器の機器リストが生成されるとともに、個別機器の電源の状態を表す電源状態パラメータが、所定の時間単位で区切ってそれぞれ算出され、学習データとして機器リスト記憶部５１および電源状態パラメータ算出部１３に記憶される。そして、将来におけるある予測期間の消費電力を予測する際には、その予測期間に対応する期間の学習データを利用して、実時間で測定された総消費電力から個別機器の消費電力が予測され、さらに、その個別機器の消費電力から予測期間における総消費電力が予測される。

これにより、将来の予測期間における総消費電力が、その予測期間に対応した過去の（学習時の）期間における個別機器の電力消費トレンドを反映した形で算出される。しかも、その予測は、所定の時間単位で算出された電源状態パラメータに基づいて行われるので、非定常的に変化する個別機器の稼働状況に対応したものとなっている。これにより、本実施形態によれば、個別住宅で消費される将来の電力の予測精度を向上させることができる。

なお、上記実施形態では、電源状態パラメータとしてスイッチオン確率および平均オン時間の両方を算出する例について説明したが、何れか一方のみとしてもよい。例えば、スイッチオン確率のみを算出する場合は、平均オン時間に代えて、あらかじめ決められた固定の電源オン時間を電源状態パラメータとして用いる。また、平均オン時間のみを算出する場合は、あらかじめ決められた固定のスイッチオン確率を電源状態パラメータとして用いる。ただし、電源状態パラメータとしてスイッチオン確率および平均オン時間の両方を算出する方が、予測の精度が高くなるという点で好ましい。

また、上記実施形態では、個別住宅の一戸について将来の総消費電力を予測する例について説明したが、小規模ビルや集合住宅などの小単位の施設で消費される将来の電力を予測する場合にも、本実施形態の消費電力予測装置１００を適用することが可能である。

また、上記実施形態では、ｋ＝０の時点で実時間での予測プロセスを開始した後、ｋ＝３００となった時点から将来の総消費電力の予測を開始する例について説明したが、本発明はこれに限定されない。例えば、実時間での予測プロセスを開始したとき（ｋ＝０）、各個別機器の電源オン台数はすべて０としてシミュレーションを開始することとすれば、ｋ＝０のときをｔ＝０とすることも可能である。また、予測の処理を予測開始時点から１周期内に実時間で終了することにより、予測の実行はその回数・頻度を限定されない。すなわちｋ＝０の時点から先、すべての時点ｋで、将来の総消費電力の予測を実行することができる。

また、上記実施形態では、ｔ＝１〜３０の予測期間に対応する期間の電源状態パラメータとして、一定の値のパラメータが電源状態パラメータ記憶部５２から取得される例について説明したが、本発明はこれに限定されない。予測期間に対応する期間が複数であっても、各時間tごとに、その対応する期間に対するパラメータを順次取り出して、それに従い乱数を発生してシミュレーションすることが可能である。

その他、上記実施形態は、何れも本発明を実施するにあたっての具体化の一例を示したものに過ぎず、これによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその要旨、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。

１０ 学習データ生成部
１１ 個別電力分解部
１２ スイッチ変数生成部
１３ 電源状態パラメータ算出部
２０ 個別電力予測部
２１ 実時間個別電力分解部
２２ 稼動状態推定部
２３ 個別予測消費電力算出部
３０ 総電力予測部
４０ 通知部
１００ 消費電力予測装置
２００ ユーザ端末
３００ 総電力測定装置
４００ 送信装置

Claims (8)

1. 特定の期間について測定された学習用の総消費電力の時間的変動を分析して、仮想した個別機器とその消費電力である個別消費電力とを推定することによって機器リストを得るとともに、当該機器リストを用いて上記個別機器の稼働台数を推定し、この推定結果をもとに上記個別機器の電源の状態を表す電源状態パラメータを所定の時間単位で算出することにより、上記個別機器の消費電力に関する学習データを生成する学習データ生成部と、
   上記学習データ生成部により生成された上記学習データを用いて、実時間で測定された総消費電力に対して上記機器リストを適用することによって、上記実時間の総消費電力から予測開始時点での個別機器の稼動台数を推定するとともに、上記予測期間に対応する期間の上記電源状態パラメータを用いて、上記予測開始時点からの上記予測期間における個別消費電力の推移を予測する個別電力予測部と、
   上記個別電力予測部により予測された上記予測期間における個別消費電力の推移をもとに、上記予測期間における総消費電力の推移を予測する総電力予測部とを備えたことを特徴とする消費電力予測装置。
2. 上記学習データ生成部は、
   上記学習用の総消費電力の時間的変動を分析して、上記個別機器および上記個別消費電力を推定することによって上記機器リストを得るとともに、当該個別消費電力の上記総消費電力に対する構成を上記個別機器の状態変数として一定周期毎に算出する個別電力分解部と、
   上記個別電力分解部により算出された上記個別機器の状態変数を整数化し、整数化された値を上記個別機器の電源オン／オフを表すスイッチ変数とすることによって上記個別機器の稼働台数を推定するスイッチ変数生成部と、
   上記スイッチ変数生成部により生成された上記スイッチ変数に基づいて、上記個別機器の電源の状態を表す上記電源状態パラメータを所定の時間単位で算出する電源状態パラメータ算出部とを備えたことを特徴とする請求項１に記載の消費電力予測装置。
3. 上記電源状態パラメータ算出部は、上記スイッチ変数生成部により生成された上記スイッチ変数に基づいて、上記所定の時間単位において上記個別機器の電源をオンした回数から得られるスイッチオン確率を上記電源状態パラメータとして上記所定の時間単位で算出することを特徴とする請求項２に記載の消費電力予測装置。
4. 上記電源状態パラメータ算出部は、上記スイッチ変数生成部により生成された上記スイッチ変数に基づいて、上記個別機器の電源がオンからオフになるまでの１回当たりの平均オン時間を上記電源状態パラメータとして上記所定の時間単位で算出することを特徴とする請求項２または３に記載の消費電力予測装置。
5. 上記個別電力予測部は、
   上記学習データの中から上記予測期間に対応する期間の上記機器リストを取得し、上記実時間で測定された総消費電力に対して上記機器リストを適用することによって、上記実時間の総消費電力から上記予測開始時点での上記個別機器の稼動台数を推定する実時間個別電力分解部と、
   上記学習データの中から上記予測期間に対応する期間の上記電源状態パラメータを取得し、当該電源状態パラメータに乱数を適用して上記予測期間における上記個別機器の稼動状態を推定する稼動状態推定部と、
   上記稼動状態推定部により推定された上記予測期間における上記個別機器の稼動状態に基づいて、上記予測期間における個別消費電力の推移を予測する個別予測消費電力算出部とを備えたことを特徴とする請求項１〜４の何れか１項に記載の消費電力予測装置。
6. 上記電源状態パラメータ算出部は、上記スイッチ変数生成部により生成された上記スイッチ変数に基づいて、上記所定の時間単位において上記個別機器の電源をオンした回数から得られるスイッチオン確率と、上記個別機器の電源がオンからオフになるまでの１回当たりの平均オン時間とを上記電源状態パラメータとして上記所定の時間単位で算出し、
   上記個別電力予測部は、
   上記学習データの中から上記予測期間に対応する期間の上記機器リストを取得し、上記実時間で測定された総消費電力に対して上記機器リストを適用することによって、上記実時間の総消費電力から上記予測開始時点での上記個別機器の稼動台数を推定する実時間個別電力分解部と、
   上記学習データの中から上記予測期間に対応する期間の上記電源状態パラメータを取得し、当該電源状態パラメータのうち上記スイッチオン確率に乱数を適用して上記予測期間における上記個別機器の電源オン動作を推定した後、上記電源状態パラメータのうち上記平均オン時間に乱数を適用して、上記推定された電源オン動作からの電源オン時間を推定する稼動状態推定部と、
   上記稼動状態推定部により推定された上記予測期間における上記個別機器の稼動状態に基づいて、上記予測期間における個別消費電力の推移を予測する個別予測消費電力算出部とを備えたことを特徴とする請求項２に記載の消費電力予測装置。
7. 上記個別電力予測部は、上記予測期間における個別消費電力を予測する処理を複数回行い、
   上記総電力予測部は、上記個別電力予測部による複数回の処理によって予測された上記予測期間における個別消費電力をもとに、上記予測期間における総消費電力の予測を複数回行い、複数回分の総消費電力を統計処理することによって、上記予測期間における総消費電力の予測値を決定することを特徴とする請求項１〜６の何れか１項に記載の消費電力予測装置。
8. 消費電力予測装置の学習データ生成部が、特定の期間について測定された学習用の総消費電力の時間的変動を分析し、仮想した個別機器とその消費電力である個別消費電力とを推定することによって機器リストを得るとともに、当該機器リストを用いて上記個別機器の稼働台数を推定し、この推定結果をもとに上記個別機器の電源の状態を表す電源状態パラメータを所定の時間単位で算出することにより、上記個別機器の消費電力に関する学習データを生成する第１のステップと、
   上記消費電力予測装置の個別電力予測部が、上記学習データ生成部により生成された上記学習データを用いて、実時間で測定された総消費電力に対して上記機器リストを適用することによって、上記実時間の総消費電力から予測開始時点での個別機器の稼動台数を推定するとともに、上記予測期間に対応する期間の上記電源状態パラメータを用いて、上記予測開始時点からの上記予測期間における個別消費電力の推移を予測する第２のステップと、
   上記の総電力予測部が、上記個別電力予測部により予測された上記予測期間における個別消費電力の推移をもとに、上記予測期間における総消費電力の推移を予測する第３のステップとを有することを特徴とする消費電力予測方法。