JP7002492B2 - 消費電力予測システム、方法およびプログラム - Google Patents

Description

本発明は、所定のエリアごとに予測日の消費電力を予測するシステム、方法およびプログラムに係り、特に、予期しないイベントを契機にエリア間での人の移動が予測から外れるような場合も予測値を低い処理負荷で補正できる消費電力予測システム、方法およびプログラムに関する。

電気機器や電気器具の数は着実に増加しており、その結果、全体的な消費電力が増加傾向にある。電力事業者は、そのような状況に対処しなければならない。一方、発電した電力を貯蔵するための技術は費用効率が高くない。したがって、電力はジャストインタイム方式で発電し、発電量と電力需要とのバランスをとることが重要となる。

さらに、運用コストを削減するため、電力事業者は配電網を適切に管理してピーク時間を正確に把握する必要がある。そのため、電力事業者は短期間で消費プロファイルを計画する必要がある。

発電量と電力需要との比率は、近い将来（例えば、数時間後）の消費電力を正確に予測できれば適正化でき、電力事業者の運用コスト低減につながることが知られている（非特許文献１）。従来から、近い将来の消費電力を予測するために、消費電力の履歴や、気象情報やイベント、カレンダなどの外因を機械学習して手法が知られている（特許文献１）。

WO2017183029A1

M. A. Ortega-Vazquez and D. S. Kirschen. Economic Impact Assessment of Load Forecast Errors Considering the Cost of Interruptions. IEEE Power Engineering Society General Meeting, pp. 8, Jan. 2006.

配電事業者は、特にピーク時の電力需要に合わせて各エリアへの配電をスケジューリングする必要があり、そのためには、短期的（例えば、数時間後）な電力消費予測が重要となる。そして、短期予測が正確であればあるほど、配電事業者は配電スケジュールを正確に管理、運用することが可能となって運用コストの削減につながる。

一方、首都圏のように多くの人が通勤、通学に公共交通機関を用いる地域では、天候や地震あるいは交通機関における事故等の予測し得ない突発的なイベントが発生すると、エリア間での人の移動が事前の短期予測から大きく外れることがあり、その結果、イベントの発生前に予測した短期的な消費電力予測に大きな乖離が生じ得る。

例えば、大雪警報の発令により退社時刻や下校時刻が繰り上げられるとエリア間の人の移動が当初よりも前倒しされることになる。また、地震の影響で交通機関が乱れると、エリア間の人の移動が当初よりも後倒しされる。

このような突発的なイベントに対応する方法として、特許文献１のように予測頻度を高める（例えば、1時間に1回など）ことが考えられる。しかしながら、予測頻度を高めると予測処理の計算コストが増大するデメリットがあり、稀にしか発生しない突発的なイベントへの対応としては非効率であった。

本発明の目的は、上記の技術課題を解決し、予期しないイベントを契機にエリア間での人の移動が予測から外れるような場合も予測値を低い処理負荷で補正できる消費電力予測システム、方法およびプログラムを提供することにある。

上記の目的を達成するために、本発明は、エリアごとに消費電力を予測する消費電力予測システムにおいて、以下の構成を具備した点に特徴がある。

(1) 各エリアの消費電力履歴を学習して構築した履歴ベース予測モデルに予測日の情報を適用して履歴ベース予測値を計算する履歴ベース予測手段と、エリア間の人の移動履歴を学習して構築した移動予測モデルに予測日の情報を適用して各エリアの人の移動を予測する移動予測手段と、予測日に各エリアの人の実移動数を略リアルタイムで検知する移動検知手段と、予測日の各時刻における移動の予測値と実移動数との予測差に基づいて、消費電力予測に影響するイベントの発生を推定するイベント推定手段と、前記イベントの発生が推定されると、前記履歴ベース予測値に基づいて求められる消費電力予測値を補正する予測補正手段とを具備した。

(2) エリア間の人の移動に影響するイベントが発生した旨の警報（イベント警報）を取得する手段をさらに具備し、イベント推定手段は、予測差およびイベントが発生した旨の警報に基づいてイベントの発生を推定するようにした。

(3) 予測補正手段は、移動の予測値と実移動数との予測差に基づいて消費電力予測値を補正するようにした。

(4) 履歴ベース予測手段は、カレンダ情報に紐付いた消費電力および外因の履歴情報を学習して構築した履歴ベース予測モデルに予測日のカレンダ情報および外因を適用して履歴ベース予測値を計算するようにした。

(5) 外因として、天気、気温、湿度、降水量、日射量、風速などの気象情報や、花火大会やスポーツなどのイベント情報などのうち、少なくとも一つを使用するようにした。

(6) 履歴ベース予測手段は履歴ベース予測値を第１の周期で計算し、移動予測手段は、第１の周期よりも長い第２の周期で人の移動を予測するようにした。

本発明によれば、以下のような効果が達成される。

(1) エリア間の人の移動に影響し、その結果、消費電力履歴に基づいて予測した履歴ベース予測値の予測精度を低下させるようなイベントが推定されると、履歴ベース予測値を補正するので、事前に予測し得ない突発的なイベントが発生した場合でも正確な消費電力予測が可能になる。加えて、履歴ベース予測値の補正は、履歴ベース予測値の予測精度を低下させるようなイベントが推定された場合のみ行われるので、再予測の処理負担を軽減できるようになる。

(2) エリア間の人の移動に影響するイベントが発生した旨のイベント警報を取得できるようにしたので、履歴ベース予測値の予測精度を低下させるようなイベントを確実に推定できるようになる。

(3) 予測日の各時刻における移動の予測値と実移動数との予測差に基づいて消費電力予測値を補正することで、予測差との相関の高い履歴ベース予測値の変動を正確に補正できるようになる。

(4) 履歴ベース予測手段は、消費電力履歴および外因の履歴情報を学習して履歴ベース予測モデルを構築し、予測対象日の気象予報やイベント予定などの外因を用いるので、消費電力予測に外因を反映させることができ、高精度な消費電力予測が可能になる。

(5) 外因として気象情報を使用することで、消費電力変動の大きな要因となる気象情報の消費電力予測への影響を緩和できるようになる。

(6) 履歴ベース予測値を第１の周期で計算し、移動予測を第１の周期よりも長い第２の周期で人の移動を予測することで、予測計算の負担を軽減できるようになる。

本発明の一実施形態に係る消費電力予測システムの主要部の構成を示したブロック図である。 履歴ベース予測モデルによる消費電力の予測方法を示した図である。 エリア間の人の流れを予測する方法を示した図である。 イベントを契機に人の移動が予測から外れる例（その１）を示した図である。 イベントを契機に人の移動が予測から外れる例（その２）を示した図である。 所在人数の見直しに伴って消費電力予測値が補正される例を示した図である。 本発明の一実施形態の機能ブロック図である。 機能ブロック図の動作を示したフローチャートである。

以下、図面を参照して本発明の実施の形態について詳細に説明する。図１は、本発明の一実施形態に係る消費電力予測システムの主要部の構成を示したブロック図であり、電力予測部１、移動予測部２および予測補正部３を主要な構成としている。

前記電力予測部１は、市町村あるいは都道府県といった比較的大きなエリアを対象に、消費電力の履歴情報に基づいて将来の消費電力を予測する。前記移動予測部２は、各エリア間の人の移動履歴に基づいて予測日の各エリア間の人の移動を予測する。

電力予測補正部３は、予測日の各時刻（例えば、１時間周期）における人の移動に関する予測値mfと実測値（実移動数）mrとを比較し、予測差Δmがイベント推定閾値△m_refを超えるなどして、消費電力予測に影響を及ぼすイベントが発生したと推定されると当初の消費電力予測値を補正する。

電力予測部１において、消費電力履歴データベースiDB-h1には、エリアごとにカレンダ情報と紐付いた過去の消費電力が履歴情報ci-1として登録されている。このような消費電力履歴ci-1は、Advanced Metering Infrastructure（AMI）を使用して収集できる。

外因データベースeDB-i₁～eDB-i_Nには、エリアごとに消費電力に影響を及ぼす外因として、天気、気温、湿度、降水量、日射量、風速といった過去の気象情報や将来の気象予報、あるいは花火大会やスポーツなどのイベント情報などが、カレンダ情報と紐づいた履歴情報ei-i₁～ei-i_Nとして登録されている。このような外因履歴ei-i₁～ei-i_Nは、API (Application Programming Interface)を介して収集できる。

消費電力予測サーバSV1には、第１ML(Machine Learning)アルゴリズムa1が登録されている。第１MLアルゴリズムa1は、消費電力履歴データベースiDB-h1においてカレンダ情報と紐付けられた消費電力履歴ci-1と、外因データベースeDB-i₁～eDB-i_Nにおいてカレンダ情報と紐付けられた外因履歴ei-i₁～ei-i_Nとの関係を機械学習（ML）することで重回帰分析を行い、予測エリアの予測日における消費電力を当該予測日のカレンダ情報ならびに外因としての気象予報やイベント情報に基づいて予測する履歴ベース予測モデルM₁を構築する。

履歴ベース予測モデルM₁は、予測日のカレンダ情報および気象予報、イベント情報などの外因に基づいて、図２示すように、予測エリアの予測日における30分周期の消費電力Yhを、次式(1)に基づいて一括で予測する。本実施形態では、毎日の午前10時に翌日の消費電力が予測され、48個の履歴ベース予測値Yhi（i∈{0, 1…, 47}）が履歴ベース予測値データベースiDB-f1に蓄積される。

ここで、Yhiはi番目の周期における履歴ベース予測値、β_0,iはi番目の周期に適用される回帰直線の切片、Nは機械学習パラメータ数、β_k,iはi番目の周期におけるk番目の機械学習パラメータの回帰係数、p_k,iはi番目の周期に適用されるk番目の機械学習パラメータの値である。

このように、本実施形態では予測日の30分周期の消費電力が一括で予測され、48個／日の履歴ベース予測値Yhiが得られるので、電気事業者は特にピーク時の消費の変動を綿密に予測することができる。

移動予測部２において、移動履歴データベースiDB-h2には、エリアごとに他のエリアからの人の流れおよび他のエリアへの人の流れが、カレンダ情報と紐づいた履歴情報mi-1として登録されている。このような移動履歴mi-1は、自身の所在地を共有することに同意したユーザのスマートフォンが有する位置識別機能を介して収集できる。

移動予測サーバSV2には、第２MLアルゴリズムa2が登録されている。第２MLアルゴリズムa2は、予測日のエリア間の人の流れを、図３に示すように、移動履歴データベースiDB-h2に登録されている各エリア間での人の移動履歴mi-1を要素とする遷移行列に基づいて予測し、更に移動後の各エリアの所在人数を予測する移動予測モデルM₂を構築する。

図３は、４つのエリアA，B，C，D間を相互に移動する人の流れを示しており、遷移行列では、要素m_ADがエリアAからエリアDへの人の流れを表し、要素m_DAがエリアDからエリアAへの人の流れを表し、要素m_AAがエリアAからエリアAへの人の流れを表している。人の流れの予測結果mfは移動予測データベースiDB-f2に登録される。

ここで、例えば人の一般的な移動パターンを考えると、朝に通勤で職場まで移動した後、夕方まで職場で勤務し、勤務を終えた夜に家に移動するなど、移動の合間に一定時間同じ場所に居続ける移動パターンが想定される。また、人の流れの予測周期を短くすると、各エリアの境界近傍での僅かな人の流れも予測に影響するので予測演算の負荷が増加する。

そこで、本実施形態では移動履歴mi-1に基づく移動予測を、前記履歴ベース予測に用いる重回帰分析のパラメータとしては取り込まずに独立させ、その予測周期を前記履歴ベース予測の周期（30分）よりも長くすることで処理負荷の軽減を図る。

予測補正部３において、予測補正サーバSV3には第３アルゴリズムa3が登録されている。第３アルゴリズムa3は、例えばルールベースのアルゴリズムであり、前記移動履歴データベースiDB-h2からエリア間の人の移動に関する現在の（最新の）情報（実移動数mr）を略リアルタイムで取得する。そして、前記移動予測部２が予測した現在の移動予測mfとの差分を予測差Δmとして計算し、予め登録されているイベント推定閾値Δm_refと比較する。

前記予測補正サーバSV3は、前記予測差Δmがイベント推定閾値Δm_refを超えていると、当初の消費電力予測に影響を及ぼす突発的なイベント、例えば地震、暴風雨、降雪等が発生したと推定し、エリア間での人の移動が予測よりも早まるのに合わせて消費電力予測値を補正する。

イベントデータベースeDB-W₁～eDB-W_kは、エリア間での人の移動に影響を及ぼすイベントに関して外部組織が発信する情報を取得して記憶する。本実施形態では、気象庁が発信する気象等の特別警報（大雨特別警報、大雪特別警報など）、警報（大雨警報、大雪警報など）および注意報（大雨注意報、大雪注意報など）、日本道路交通情報センタが発信する通行止めなどの道路交通情報、ならびに鉄道事業者が発信する運行停止などの鉄道運行情報の少なくとも一つが、イベント情報として取得、蓄積される。このようなイベントに関する外部情報は、MQTT (Message Queue Telemetry Transport)のサブスクライブ方式などの特定のプロトコルを使用することで取得できる。

前記予測補正サーバSV3は、前記予測差Δmに加えて、イベントデータベースeDB-W₁～eDB-W_kに蓄積されているイベント情報を参考に、消費電力予測に影響を及ぼすイベントの発生を推定することができる。

図４，５は、予測日の１６時頃に大雪警報を発するイベントが生じたために多くの人が帰宅時間を早めるなどした結果、エリアBに関する人の移動が早まり、これに応じて予測差Δmが変化する様子を示している。

図５には、予測日の各時刻における所在人数の予測数（U列）、エリアBからエリアAへ移動する予測人数（V列）、エリアBの実所在人数（W列）、エリアBからエリアAへ移動した実人数（X列）、移動人数差（Y列）およびエリアBの見直し後所在人数（Z列）の関係が示されている。

図示の例では、イベント推定閾値Δm_refが「３０」に設定されており、１５時までは最大でも「－２」であった予測差Δmが、１６時頃に発生したイベントを契機に実移動数mrが急増した結果、１６時台には「－６５」となって閾値Δm_refを上回っている。そのため、見直された所在人数（Z列）は、その予測数（U列）と比べて大幅に上昇していることが判る。

前記予測補正サーバSV3は更に、前記イベントの発生を検知すると、実移動数mrに基づいた各エリアの１時間後の人数の見直しを移動予測サーバSV2に依頼し、見直し後の人数を前記各エリアの所在人数と消費電力との関係に適用するなどして１時間後の消費電力予値Yiを補正する。

あるいは、消費電力履歴データベースiDB-h1および移動履歴データベースiDB-h2を参照し、予測日のカレンダ情報、消費電力履歴および各エリアの所在人数等に基づいて消費電力予測値Yiを補正するようにしても良い。

図６は、所在人数の見直しに伴って消費電力予測値Yiが補正される様子を示す図であり、午後５時に予測差Δmがイベント推定閾値Δm_refを超えたと判断されたため、現在の人の移動数から予測される各エリアの１時間後の所在人数に基づいて消費電力予測Yiの補正が実行されている。

図示の例では、イベント発生後の所在人数の増加が当初の予測よりも１時間早まっているので、消費電力予測Yiも当初の履歴ベース予測値Yhiと比べて約１時間早まっている。そのため、18：00～19：00の履歴ベース予測値Yhiが１時間早まるように補正され、17：00～18：00の消費電力予測Yiとされている。

図７は、移動予測サーバSV2および予測補正サーバSV3が協調し、移動の予測値mfと実測値mrとの予測差Δmがイベント推定閾値Δm_refを超えたことに応答して消費電力予測Yiを補正する構成を示した機能ブロック図であり、図８は、その手順を示すフローチャートである。

図７において、履歴ベース予測部１０１は、各エリアのカレンダ情報に紐付いた消費電力ci-1の履歴情報を機械学習して構築した履歴ベース予測モデルM₁に、予測日のカレンダ情報を適用することで、例えば第１の周期（例えば、30分）で消費電力の履歴ベース予測値Yhiを計算する。

前記履歴ベース予測部１０１はまた、前記消費電力履歴ci-1に加えて、外因データベースeDB-i1～eDB-iNにおいてカレンダ情報と紐付けられた外因履歴ei-i1～ei-iNとの関係を学習して構築した履歴ベース予測モデルM₁に、予測日のカレンダ情報および外因を適用することで履歴ベース予測値Yhiを計算しても良い。前記外因としては、天気、気温、湿度、降水量、日射量、風速などの気象情報や、花火大会、スポーツなどのイベント情報を使用できる。

移動予測部１０２は、エリア間のカレンダ情報に紐付いた人の移動履歴mi-1を学習して構築した移動予測モデルM₂に、予測日のカレンダ情報を適用して各エリア間の人の流れmfを予測する。移動予測モデルM₂は、前記第１の周期よりも長い第２の周期で人の移動mfを予測することができる。

移動検知部１０３は、予測日にエリア間の人の実移動数mrを略リアルタタイムで検知する。予測差計算部１０４は、予測日の各時刻における前記移動予測mfと実移動数mrとの予測差Δmを求める。イベント推定部１０５は、予測差Δmをイベント推定閾値Δm_refと比較し、予測差Δmが閾値Δm_refを超えると、消費電力予測に影響をおよぼす突発的なイベントが発生したと推定する。

予測補正部１０６は、前記イベント推定部１０５によりイベントが検知されると、当該イベントにより変化する人の移動に基づいて、予測日における各エリアの各時刻における所在人数を見直す。さらに、見直された所在人数に基づいて履歴ベース予測値Yhiを補正することで消費電力予測値Yiを算出する。

本実施形態では、エリアごとに所在人数と消費電力との関係を予め学習しておき、見直された所在人数の差分Δmに応じた消費電力の変動分Y（Δm）を前記履歴ベース予測値Yhiに加算することで消費電力予測値Yiを補正することができる。

図８のフローチャートを参照し、ステップＳ１では、移動検知部１０３が現在の実移動数mrを略リアルタイムで取得する。ステップＳ２では、前記移動予測部２が予測した現在の予測移動数mfを取得する。ステップＳ３では、実移動数mrと予測移動数mfとの予測差Δmが算出される。

ステップＳ４では、予測差Δmがイベント推定閾値Δm_refと比較され、予測差Δmが閾値Δm_refを超えていると、消費電力予測に影響を及ぼす突発的なイベントが発生したと推定してステップＳ５へ進む。

ステップＳ５では、各エリアの実移動数mrに基づいて、直後（例えば、１時間後）の各エリアの所在人数が見直される。ステップＳ６では、エリアごとに所在人数の差分Δmに基づいて電力消費量の変動分Y（Δm）が計算される。ステップＳ７では、前記変動分Y（Δm）を前記履歴ベース予測値Yhiに加算することで消費電力予測値Yiが求められる。

なお、上記の実施形態では、突発的なイベントによりエリア間での人の移動が前倒しされ、消費電力予測値Yiが、当初の履歴ベース予測値Yhiを時間的に前にシフトするように補正される場合を例にして説明した。しかしながら、本発明はこれのみに限定されるものではなく、例えば地震や電車の車両故障等により、人の移動が後倒しされ、消費電力予測値Yiが、当初の履歴ベース予測値Yhiを時間的に後にシフトするように補正される場合にも同様に適用できる。

１…電力予測部，２…移動予測部，３…予測補正部，１０１…履歴ベース予測部，１０２…移動予測部，１０３…移動検知部，１０４…予測差計算部，１０５…イベント推定部，１０６…予測補正部，SV1…消費電力予測サーバ，SV2…移動予測サーバ，SV3…予測補正サーバ

Claims (14)

1. エリアごとに消費電力を予測する消費電力予測システムにおいて、
   各エリアの消費電力履歴を学習して構築した履歴ベース予測モデルに予測日の情報を適用して履歴ベース予測値を計算する履歴ベース予測手段と、
   エリア間の人の移動履歴を学習して構築した移動予測モデルに予測日の情報を適用して各エリアの人の移動を予測する移動予測手段と、
   予測日に各エリアの人の実移動数を略リアルタイムで検知する移動検知手段と、
   予測日の各時刻における移動の予測値と実移動数との予測差に基づいて、消費電力予測に影響するイベントの発生を推定するイベント推定手段と、
   前記イベントの発生が推定されると、前記履歴ベース予測値に基づいて求められる消費電力予測値を補正する予測補正手段とを具備したことを特徴とする消費電力予測システム。
2. エリア間の人の移動に影響を及ぼすイベントが発生した旨のイベント警報を取得する手段をさらに具備し、
   前記イベント推定手段は、前記予測差およびイベント警報に基づいて前記イベントの発生を推定することを特徴とする請求項１に記載の消費電力予測システム。
3. 前記イベント警報を取得する手段は、気象等の特別警報、警報および注意報、道路交通情報ならびに鉄道運行情報の少なくとも一つを取得することを特徴とする請求項２に記載の消費電力予測システム。
4. 前記予測補正手段は、前記予測差に基づいて消費電力予測値を補正することを特徴とする請求項１ないし３のいずれかかに記載の消費電力予測システム。
5. 前記履歴ベース予測手段は、カレンダ情報に紐付いた消費電力および外因の履歴情報を学習して構築した履歴ベース予測モデルに予測日のカレンダ情報および外因を適用して履歴ベース予測値を計算することを特徴とする請求項１ないし４のいずれかに記載の消費電力予測システム。
6. 前記外因が、天気、気温、湿度、降水量、日射量、風速の少なくとも一つを含む気象情報であることを特徴とする請求項５に記載の消費電力予測システム。
7. 前記外因が、消費電力予測に影響を及ぼすイベントの情報であることを特徴とする請求項５または６に記載の消費電力予測システム。
8. 前記履歴ベース予測手段は、履歴ベース予測値を第１の周期で計算し、前記移動予測手段は、人の移動を前記第１の周期よりも長い第２の周期で予測することを特徴とする請求項１ないし７のいずれかに記載の消費電力予測システム。
9. エリアごとにコンピュータが消費電力を予測する消費電力予測方法において、
   各エリアの消費電力履歴を学習して構築した履歴ベース予測モデルに予測日の情報を適用して履歴ベース予測値を計算する手順、
   エリア間の人の移動履歴を学習して構築した移動予測モデルに予測日の情報を適用して各エリアの人の移動を予測する手順と、
   予測日に各エリアの人の実移動数を略リアルタイムで検知する手順と、
   予測日の各時刻における移動の予測値と実移動数との予測差に基づいて、消費電力予測に影響するイベントの発生を推定する手順と、
   前記イベントの発生が推定されると、前記履歴ベース予測値に基づいて求められる消費電力予測値を補正する手順とを含むことを特徴とする消費電力予測方法。
10. エリア間の人の移動に影響を及ぼすイベントが発生した旨のイベント警報を取得する手順をさらに含み、
    前記予測差およびイベント警報に基づいて前記イベントの発生を推定することを特徴とする請求項９に記載の消費電力予測方法。
11. 前記消費電力予測値を補正する手順では、前期予測差に基づいて消費電力予測値を補正することを特徴とする請求項９または１０に記載の消費電力予測方法。
12. エリアごとに消費電力を予測する消費電力予測プログラムにおいて、
    各エリアの消費電力履歴を学習して構築した履歴ベース予測モデルに予測日の情報を適用して履歴ベース予測値を計算する手順、
    エリア間の人の移動履歴を学習して構築した移動予測モデルに予測日の情報を適用して各エリアの人の移動を予測する手順と、
    予測日に各エリアの人の実移動数を略リアルタイムで検知する手順と、
    予測日の各時刻における移動の予測値と実移動数との予測差に基づいて、消費電力予測に影響するイベントの発生を推定する手順と、
    前記イベントの発生が推定されると、前記履歴ベース予測値に基づいて求められる消費電力予測値を補正する手順とを、コンピュータに実行させる消費電力予測プログラム。
13. エリア間の人の移動に影響を及ぼすイベントが発生した旨のイベント警報を取得する手順をさらに含み、
    前記予測差およびイベント警報に基づいて前記イベントの発生を推定することを特徴とする請求項１２に記載の消費電力予測プログラム。
14. 前記消費電力予測値を補正する手順では、前記予測差に基づいて消費電力予測値を補正することを特徴とする請求項１２または１３に記載の消費電力予測プログラム。

Images