JP7277254B2

JP7277254B2 - 消費電力予測装置

Info

Publication number: JP7277254B2
Application number: JP2019095294A
Authority: JP
Inventors: 裕希川野; 浩之安田; 利宏妻鹿; 智祐成井; 修一村山; 玄太吉村
Original assignee: Mitsubishi Electric Corp; Mitsubishi Electric Building Solutions Corp
Current assignee: Mitsubishi Electric Corp; Mitsubishi Electric Building Solutions Corp
Priority date: 2019-05-21
Filing date: 2019-05-21
Publication date: 2023-05-18
Anticipated expiration: 2039-05-21
Also published as: JP2020190876A; WO2020235150A1

Description

本発明は、消費電力予測装置に関する。

例えばビル等の施設では、当該施設に設置された電気機器の消費電力を監視、制御する、電力管理システム（ＥＭＳ、ＥｎｅｒｇｙＭａｎａｇｅｍｅｎｔＳｙｓｔｅｍ）が用いられる。

例えば電力管理システムが備える機能の一つとして、消費電力予測が挙げられる。消費電力予測は、発電所等の供給サイドでは電力需要予測とも呼ばれ、例えば翌日や数日後の、施設全体の消費電力の推移（時間変化）が予測される。

例えば所定の施設において事前に消費電力予測が立てられれば、当該施設に蓄電池が設置されている場合には、当該蓄電池の充放電のタイミングを適切に設定できる。例えば施設全体の消費電力が契約電力を上回ると予測された時間帯に蓄電池を放電させる。また施設全体の消費電力が契約電力を大きく下回ると予測された時間帯に蓄電池を充電させる。

また例えばいわゆるデマンドレスポンス（ＤＲ）においては、デマンドレスポンスに参加する（Ｏｐｔ－Ｉｎ）か否（Ｏｐｔ－Ｏｕｔ）かの意思決定を事前に行う必要がある。この場合においても、消費電力予測が事前に立てられれば、Ｏｐｔ－Ｉｎ及びＯｐｔ－Ｏｕｔのいずれを選択するかといった意思決定を合理的に行うことができる。

例えば特許文献１では、ビル全体の消費電力予測に当たり、電気機器ごとに定められた消費パターンが用いられる。消費パターンは、各電気機器の消費電力推移を示す稼動実績をクラスタリングすることで求められる。

また例えば特許文献２では、機器の負荷を予測する負荷予測装置が開示される。この装置では、所定時間毎に管理対象の負荷を計測することによって取得された所定期間の負荷の推移を示す負荷パターンが求められるとともに、複数の負荷パターン間の類似度が求められる。類似度は、負荷パターンにおける負荷実績、つまり、各電気機器の消費電力推移に基づいて求められる。

また例えば特許文献３では、電力プラント等の需要予測システムが開示される。このシステムでは、データベース上に保存されている過去の実績値やユーザがあらかじめ登録しておいた需要パターンの中から適当と思われるパターンを抽出し、これを需要予測値として設定する機能が設けられる。

特開２０１１－１７６９８４号公報特開２０１７－２１４９７号公報特開２００４－１６４３８８号公報

ところで、消費電力予測に際して、複数の電気機器を一つのグループとしてまとめて消費電力の予測を行うことで、予測演算の入力点数が低減される。つまり予測演算に当たりその演算負荷を軽減可能となる。ここで、電気機器ごとの消費電力推移に基づいて、複数の電器機器をグルーピングする場合、例えば電気機器の稼動年数により（言い換えると劣化の程度に応じて）消費電力が変化する。また、例えば空調機器では、南側に設置された空調機器と北側に設置された空調機器とで消費電力が異なる。このように、消費電力に基づいてグルーピングを行おうとすると、多くの電気機器を一つのグループに含めることが困難となるおそれがある。

そこで本発明は、消費電力予測の精度低下を抑制しつつ、消費電力予測に際しての演算負荷を従来よりも軽減可能な、消費電力予測装置を提供することを目的とする。

本発明は、複数の電気機器が設置された施設の消費電力を予測する、消費電力予測装置に関する。当該装置は、典型パターン抽出部、共起グループ抽出部、共起グループ発生予測部、及び消費電力予測部を備える。典型パターン抽出部は、それぞれの電気機器の過去のオン時刻及びオフ時刻に基づいて纏められたオン期間典型パターンを電気機器ごとに抽出する。共起グループ抽出部は、所定の電気機器の所定のオン期間典型パターンと共に生起する共起性を備えたオン期間典型パターンを抽出して、上記所定のオン期間典型パターンとともに一つの共起グループに纏める。共起グループ発生予測部は、それぞれの共起グループに対する生起予測を行う。消費電力予測部は、共起グループごとの消費電力を求めるとともに、生起すると予測された共起グループの消費電力に基づいて、施設の消費電力を予測する。

上記構成によれば、オン期間典型パターンが電気機器のオン時刻及びオフ時刻に基づいて纏められ、さらに共起する複数のオン期間典型パターンが共起グループに纏められる。このように、電気機器のオン／オフ情報のみによって各電気機器がグルーピングされることから、オン／オフ情報に加えて消費電力変化が加味される場合と比較して、消費電力に基づくフィルタリングが無くなることから、一つのグループとして纏められる電気機器を増やすことができる。また、複数の電気機器を、それぞれ共起する、単一の電気設備として捉えられるようなグルーピングを行うことで、消費電力予測の精度低下を抑制可能となる。

また上記発明において、消費電力予測装置は表示部を備えてもよい。当該表示部は、生起すると予測されたそれぞれの共起グループのオン時刻からオフ時刻までのオン期間と、当該オン期間におけるそれぞれの共起グループの消費電力が足し合わせられた施設消費電力とが表示される。さらに表示部は、共起グループとして纏められた電気機器の名称を、共起グループ別に表示可能であってよい。

また上記発明において、表示部は、単一のオン期間典型パターンとして纏められたオン時刻及びオフ時刻の分布を表示可能であってよい。

また上記発明において、典型パターン抽出部は、それぞれの電気機器のオン期間典型パターンを、教師なし学習により、過去のオン時刻及びオフ時刻から抽出してもよい。

また上記発明において、共起グループ抽出部は、共起性を有する複数のオン期間典型パターンを教師なし学習により抽出して単一の共起グループに纏めてもよい。

また上記発明において、消費電力予測部は、教師有り学習により、過去の電気機器稼動履歴から、所定日において生起する共起グループを予測してもよい。

また上記発明において、表示部に表示された、それぞれのオン期間典型パターンのオン期間に対する修正指示を入力可能な入力部を備えてもよい。

また上記発明において、入力部は、表示部に表示された、複数の共起グループに対する統合指示を入力可能であってよい。

また上記発明において、それぞれの電気機器に対して設定された制御計画に基づいて、それぞれの共起グループに対する生起予測を修正する予測結果修正部を備えてもよい。

本発明によれば、消費電力予測の精度低下を抑制しつつ、消費電力予測に際しての演算負荷を従来よりも軽減可能となる。

本実施形態に係る消費電力予測装置を含む、施設の電力系統図を例示する図である。消費電力予測装置の機能ブロックを例示する図である。消費電力予測フローを例示する図である。所定の電気機器の日別のオン時刻／オフ時刻を例示するタイムチャートである。オン期間典型パターンの抽出プロセスを例示する図である。共起グループの抽出プロセスを例示する図である。表示部にて表示される、共起グループ別に分類されたオン期間典型パターン、及び、施設の消費電力予想が例示される図である。オン期間典型パターン及び施設の消費電力予想に加えて、所定のオン期間典型パターンにおける、電気機器の運転状況の分布が表示された表示部の表示例を示す図である。共起グループ分布及び施設の消費電力予想が示される日単位チャートである。消費電力予測フローの第一別例を示す図である。オン期間典型パターンの修正作業（時間調整）を例示する図である。オン期間典型パターンの修正作業（パターン削除）を例示する図である。共起グループの修正作業（グループ統合）を例示する図である。消費電力予測フローの第二別例を示す図である。消費電力予測フローの第三別例を示す図である。

図１には、本実施形態に係る消費電力予測装置１００を含む、施設の電力系統が例示される。この施設は例えばビル等の複数階建築物であって、当該施設には複数の電気機器が設置される。なおこれらの電気機器を、施設に設置されたものとして、電気設備と呼んでもよい。後述するように、消費電力予測装置１００は、この施設全体の消費電力を予測する。

これらの電気機器（電気設備）は、電力管理システムであるＢＥＭＳ（ＢｕｉｌｄｉｎｇａｎｄＥｎｅｒｇｙＭａｎｅｇｅｍｅｎｔＳｙｓｔｅｍ）によって監視、制御される。

電力管理システムは、消費電力予測装置１００、電力管理装置１０（Ｂ－ＯＷＳ）、サブコントローラ１４Ａ～１４Ｃ（Ｂ－ＢＣ）、デジタルコントローラ１６Ａ，１６Ｂ（ＤＤＣ）、リモートステーション１８（ＲＳ）を備え、これらがバスに接続される。デジタルコントローラ１６Ａ，１６Ｂ及びリモートステーション１８は各電気機器２０Ａ～２０Ｄや各種センサ２２Ａ～２２Ｆに接続される。

なお図１では、電力管理装置１０及び消費電力予測装置１００が、ともに独立した装置として示されているが、両者を一台の装置（例えばコンピュータ）に統合させてもよい。また、図１は紙面の都合上、電力管理装置１０の下位に接続されるサブコントローラ１４等の機器の一部を例示するものであって、図示した構成の他にも種々の機器が接続されていてよい。

電気機器２０Ａ～２０Ｄは、ビル内に設置される種々の設備機器であり、例えば照明機器、空調機器、昇降機、衛生機器、防災機器、及び防犯機器等が含まれる。図１の例では、電気機器２０Ａは照明機器であり、電気機器２０Ｂは照明操作盤であり、電気機器２０Ｃは空調機であり、電気機器２０Ｄはエレベーター制御盤である。

また、電力管理装置１０の配下に置かれるセンサとして、照度センサ２２Ａ、照明電力メータ２２Ｂ、空調機センサ２２Ｃ、空調電力メータ２２Ｄ、エレベーター電力メータ２２Ｅ、及び高圧電力メータ２２Ｆが設けられる。高圧電力メータ２２Ｆは、例えば電力会社から施設（ビル）に供給される高圧受電設備に設けられ、施設全体の消費電力が測定される。

電力管理装置１０は、その配下の各種センサ２２Ａ～２２Ｅからそれぞれの計測値を受信する。また電力管理装置１０は、例えばサブコントローラ１４Ａ～１４Ｃから、各種電気機器２０Ａ～２０Ｄのオン／オフ信号が送信される。後述するように、消費電力の予測に当たり、この各種電気機器２０Ａ～２０Ｄのオン／オフ信号が利用される。

電力管理装置１０は、例えばいわゆるＢ－ＯＷＳ（ＢＡＣｎｅｔＯｐｅｒａｔｏｒＷｏｒｋｓｔａｔｉｏｎ）から構成されており、管理者等により操作監視されるクライアントＰＣとしての機能と、データ保存やアプリケーション処理等を行うサーバとしての機能を備えている。電力管理装置１０では、例えば画面表示や設定操作が行われる。

サブコントローラ１４は主に制御機能を担う。サブコントローラ１４は、例えばいわゆるＢ－ＢＣ（ＢｕｉｌｄｉｎｇＣｏｎｔｒｏｌｌｅｒ）から構成されており、デジタルコントローラ１６やリモートステーション１８等の端末伝送機器と通信し、ポイントデータやスケジュール制御等を管理する。例えばサブコントローラ１４は、空調設備系統、照明設備系統、昇降機系統、衛生設備系統、防犯設備系統等、各機能別系統（サブシステム）ごとに一つずつ設けられる。

デジタルコントローラ１６はいわゆるＤＤＣ（ＤｉｒｅｃｔＤｉｇｉｔａｌＣｏｎｔｒｏｌｌｅｒ）であってよく、ＢＥＭＳにおける分散制御を実現するための調節器としての機能を備える。例えばデジタルコントローラ１６はサブコントローラ１４から送られたスケジュール設定に基づくプログラム制御や、同じくサブコントローラ１４から送られた目標値に基づくフィードバック制御等により、接続先の電気機器２０Ｃ，２０Ｄを制御する。また、デジタルコントローラ１６はセンサ２２Ｃ～２２Ｅの計測値や電気機器２０Ｃ，２０Ｄの警告等を上記システムや他のデジタルコントローラ１６に送信する。

リモートステーション１８はアウトステーション、ローカルステーションとも呼ばれ、接続先のセンサ２２Ａ，２２Ｂや電気機器２０Ａ，２０Ｂの監視や制御を行う。機能的にはデジタルコントローラ１６と重複するため、デジタルコントローラ１６及びリモートステーション１８は接続先の電気機器２０Ａ～２０Ｄやセンサ２２Ａ～２２Ｅに応じて適宜どちらか一方が選択される。

消費電力予測装置１００、電力管理装置１０、サブコントローラ１４、デジタルコントローラ１６、及びリモートステーション１８はコンピュータから構成される。例えば代表的に電力管理装置１０に示すように、そのいずれにも、ＣＰＵ２６、メモリ２８、ハードディスクドライブ（ＨＤＤ）３０、入力部３２、表示部３４、及び入出力インターフェース３６が設けられる。

消費電力予測装置１００の機能ブロック図が図２に例示される。消費電力予測装置１００は電力管理装置１０と通信接続されており、電力管理装置１０に蓄積された種々のデータを活用して、施設全体の消費電力予測を求める。

例えば、ＤＶＤやコンピュータのハードディスク等の、非一過性の記憶媒体に記憶されたプログラムを実行することにより、当該コンピュータは図２に例示される種々の機能ブロックを備える消費電力予測装置１００として機能する。

具体的には、消費電力予測装置１００は、入力部３２、表示部３４、典型パターン抽出部１０２、共起グループ抽出部１０４、共起グループ発生予測部１０６、消費電力予測部１０８、抽出結果修正部１１２、及び、予測結果修正部１１４を備える。また、消費電力予測装置１００から種々のデータが抽出される電力管理装置１０は、その機能ブロックとして、機器制御計画記憶部１２Ａ、機器稼動履歴記憶部１２Ｂ、及び、消費電力履歴記憶部１２Ｃを備える。

図３には、本実施形態に係る消費電力予測装置１００による、消費電力予測プロセスのフローチャートが例示される。このプロセスでは、ビル等の、施設全体の消費電力の時間変化が予測される。

図２を参照して、典型パターン抽出部１０２は、それぞれの電気機器の過去のオン時刻及びオフ時刻に基づいて纏められたオン期間典型パターンを、電気機器ごとに抽出する。例えば典型パターン抽出部１０２は、電力管理装置１０の機器稼動履歴記憶部１２Ｂから、電力管理装置１０の配下（監視、制御管理下）にある電気機器の稼動履歴を取得するとともに、当該稼動履歴に基づいて、電気機器ごとのオン期間典型パターンを抽出する。

機器稼動履歴記憶部１２Ｂには、電力管理装置１０の配下にある、それぞれの電気機器のオン／オフ情報が記憶される。図４には、電力管理装置１０の配下にある所定の電気機器（例えば空調設備の室内機）のオン／オフ情報が例示される。

図４を参照して、機器稼動履歴記憶部１２Ｂには、電気機器のオン時刻、つまりオフ状態からオン状態に切り替わった時刻と、オフ時刻、つまりオン状態からオフ状態に切り替わった時刻とが、複数日に亘って記憶される。

典型パターン抽出部１０２は、この機器稼動履歴に基づいて、それぞれの電気機器に対する、典型的な（または代表的な）オン／オフパターンを抽出してこれをオン期間典型パターンとする（図３Ｓ１０）。

例えば図４に例示されたオン時刻及びオフ時刻が、図５に例示されるような直交座標平面上にプロットされる。この座標平面は典型パターン抽出平面と呼んでもよく、横軸はオン時刻を示し、縦軸はオフ時刻を示す。

例えば図４を参照して、１２／１のオン／オフ状況を参照すると、オン時刻３：００、オフ時刻１８：００となっており、典型パターン抽出部１０２は、典型パターン抽出平面（図５参照）上の、上記オン時刻及びオフ時刻に相当する座標に、座標点をプロットする。このようにして、各日付の０：００から２４：００までのオン時刻とオフ時刻との組で表される座標に沿って、図５の平面上に座標点が順次プロットされる。

なお、原点から斜め上に引かれた破線は境界線を示す。すなわち境界線（破線）から右下領域は、オン時刻よりも早くにオフ時刻が表れる領域（例えばオン時刻１２：００に対してオフ時刻１０：００）であって、現実的に生じ得ない。したがって境界線よりも右下領域は、オン期間典型パターンの抽出領域から除外される。

図４に示されるような、所定の電気機器についての稼動履歴（オン／オフ履歴）が、全日程に亘って図５の典型パターン抽出平面上にプロットされると、典型パターン抽出部１０２は、これらの点群を抽出（グループ分け）する。

この、電気機器のオン期間典型パターンの抽出に当たり、例えば教師あり学習を用いると、真のオン期間典型パターンが教師信号となる。しかしながら、オン期間典型パターンはビル、季節、地域等に応じて変化するものであり、真のオン期間典型パターンを適切に選択することが困難となる。そこで電気機器のオン期間典型パターンの抽出は、例えば教師なし学習に基づく、クラスタリング、または、頻出パターンマイニングによって行ってもよい。例えばクラスタリングである場合には、混合ガウス分布を用いたクラスタリングが実行されてよく、単一のガウス分布が一つのクラスタに対応する。

典型パターン抽出平面上の点群がオン期間典型パターンＴＰ１～ＴＰ５のいずれかにグルーピングされると、典型パターン抽出部１０２は、オン期間典型パターンＴＰ１～ＴＰ５のそれぞれのオン時刻及びオフ時刻の代表値を求める。例えば一つのオン期間典型パターンに含まれる複数のオン時刻及びオフ時刻の各平均値や最頻値が、それぞれのオン期間典型パターンＴＰ１～ＴＰ５のオン時刻及びオフ時刻として定められる。

このような、一つの電気機器に対して求められるオン期間典型パターンが、電力管理装置１０の配下にある複数の電気機器に対して抽出される。

電気機器毎にオン期間典型パターンが抽出されると、共起グループ抽出部１０４（図２参照）は、電気機器毎のオン期間典型パターンから共起グループを抽出する（図３Ｓ１２）。

共起とは、あるオン期間典型パターンと他のオン期間典型パターンとが共に生起することを指す。この共起性は厳密な同時性を持たなくてもよく、例えば一日において、あるオン期間典型パターンと他のオン期間典型パターンとが共に生起する頻度が高ければよい。

また、一つの共起グループに、所定の電気機器の、所定のオン期間典型パターンと、同一の電気機器の、他のオン期間典型パターンとが含まれていてもよい。また同様にして、所定の電気機器の、所定のオン期間典型パターンと、他の電気機器のオン期間典型パターンとが一つの共起グループに含まれていてよい。

典型的には、空調設備の室内機と室外機は、一方がオンになると他方もオンになるので、ともに一つの共起グループに含まれる。また、ビル内の所定のテナントにおいて、当該テナントに設置された照明機器と空調設備（室内機、室外機）も、例えば夏季や冬季には、ともに一つの共起グループに含まれる。

複数の電気機器を、オン期間典型パターンをもとに共起グループに纏めることで、複数の電気機器を、それぞれ共起する、単一の電気設備として捉えることができ、消費電力予測に係る演算負荷を軽減可能となる。

また、共起グループの抽出に当たり、オン期間典型パターンが電気機器のオン時刻及びオフ時刻に基づいて纏められる。言い換えると電気機器のオン／オフ情報のみによって各電気機器がグルーピングされる。したがって、オン／オフ情報に消費電力変化が加味される場合と比較して、消費電力に基づくフィルタリングが無くなることから、一つのグループとして纏められる電気機器を増やすことができる。

共起グループ抽出部１０４は、所定の電気機器の所定のオン期間典型パターンと共に生起する（共起性を備えた）オン期間典型パターンを抽出して、上記所定のオン期間典型パターンとともに一つの共起グループに纏める。

図７には、所定の日付における消費電力予測が例示される。上段のタイムチャートには、電気機器Ａ～電気機器Ｚのそれぞれのオン期間典型パターンが示され、ハッチングにてそれぞれの共起グループが示される。

例えば共起グループＣＯ－Ｇｒ２に含まれるオン期間典型パターンとして、電気機器Ａのオン期間典型パターンＴＰ３、ＴＰ４、及び電気機器Ｃのオン期間典型パターンＴＰ１が含まれる。

このような共起グループの抽出に当たり、教師あり学習が用いられる場合、上述したオン期間典型パターンと同様にして、共起パターンはビル、季節、地域等に応じて変化するものであり、真の共起グループの適切な選択は困難となる。そこで、共起グループの抽出に当たり、例えば行列分解や頻出パターンマイニング等の演算が教師なし学習にて行われてもよい。

共起グループ抽出部１０４（図２参照）は、例えば図６に示されるような行列分解を実行する。この行列分解は、例えば非負値行列分解であってよい。

まず、図６の左上の表に示されるように、日付を行、各電気機器のオン期間典型パターン（ＴＰ１、ＴＰ２、・・・）を列として配列させた行列が共起グループ抽出部１０４によって作成される。この行列は観測データ行列Ｙとも呼ばれ、その行数は日数であり、列数はそれぞれの電気機器のオン期間典型パターンの数と、電気機器の数の積となる。

例えば非負値行列分解では、観測データ行列Ｙが、基底行列Ａと係数行列Ｂとの積（Ｙ≒ＡＢ）に近似的に分解される。ここで、観測データ行列Ｙ、基底行列Ａ、及び係数行列Ｂの各成分ｙ_ｉｊ，ａ_ｉｊ，ｂ_ｉｊは以下の下記数式（１）のように表される。

数式（１）について、本実施形態に照らすと、基底行列Ａは日毎にどの共起グループが生起したかを表す行列となり、係数行列Ｂは、どのオン期間典型パターンが共起グループとして纏められたかを表す行列となる。

共起グループ抽出部１０４（図２参照）は、このようにして、互いに共起する複数のオン期間典型データを共起グループとして纏めると、纏められた各共起グループのデータは、共起グループ発生予測部１０６に送信される。

共起グループ発生予測部１０６は、それぞれの共起グループに対する生起予測を行う。例えば共起グループ発生予測部１０６は、予測対象日の曜日、天気、季節、月、スケジューラ等の情報から、教師あり学習により、生起すると予測される共起グループを求める。ここで、共起グループの生起については、過去の実績データから教師信号を取得できる場合がある。教師あり学習が行われることで、教師なし学習と比較して予測精度を向上できる。

教師あり学習では、例えば一般化線形モデル、ニューラルネットワークモデル、及びＳＶＭ（Support vector machine）のいずれかが用いられる。例えばニューラルネットワークを用いた教師あり学習に当たり、例えば学習フェーズでは、入力層には、訓練用データとして、過去の任意の日付の曜日、天気、季節、月、スケジューラ等の情報が与えられる。また、出力層には、正解データとして、当該日付において生起された共起グループが与えられる。このような訓練用データと正解データとを実際の過去データから入力することで、適切な重み付けや隠れ層が生成される。共起グループ発生予測部１０６は、このような学習フェーズを踏まえて、曜日、天気などの情報から各共起グループの発生有無などを予測するモデルを学習する（図３Ｓ１４）。

学習フェーズが終了する、例えば施設のすべての過去データが入力されると、予測フェーズに移る。予測フェーズにおいて、共起グループ発生予測部１０６は、学習後のモデルを用いて、未来の各共起グループの生起予測を行う（図３Ｓ１６）。

具体的には、上記モデルに、消費電力の予測対象日の曜日、天気、季節、月、スケジューラ等の情報が入力される。出力層には、当該予測対象日に生起すると予測される共起グループが出力される。

図７上段には、所定の予測対象日に生起されると予測された共起グループの例が示される。この例では、機器Ａ、機器Ｂ、機器Ｃ、機器Ｚについてそれぞれオン期間典型パターン（ＴＰ１，ＴＰ２，・・・）が表示される。それぞれのオン期間典型パターンには、共起グループ（ＣＯ－Ｇｒ１，ＣＯ－Ｇｒ２，・・・）別に異なるハッチングが付されている。

共起グループの生起予測が済むと、当該予測データは消費電力予測部１０８（図２参照）に送られる。消費電力予測部１０８は、共起グループごとの消費電力を求めるとともに、生起すると予測された共起グループの消費電力に基づいて、施設の消費電力を予測する（図３Ｓ１８）。

このステップでは、例えばシミュレータを用いた消費電力予測が行われる。例えば、オン期間典型パターンの抽出時に、図５に例示されるような、過去の実績データ、つまりオン時刻及びオフ時刻がグルーピングされる。このグルーピングの元になった過去の実績データを辿ると、グルーピングされたオン時刻及びオフ時刻に対応する、過去の消費電力の実績値を得ることができる。

例えば図５を参照して、オン期間典型パターンＴＰ２にグルーピングされた４点の座標点に対応する消費電力実績が、消費電力履歴記憶部１２Ｃ（図２参照）から得られる。この消費電力実績の例えば平均値や中央値を、オン期間典型パターンＴＰ２の消費電力として用いることができる。

なお、個々の電気機器に電力センサが設けられていない、つまり個々の電気機器の消費電力実績が不明である場合は、例えば、高圧電力メータ２２Ｆ（図１参照）が検出した消費電力を、その時点においてオン状態である各電気機器の定格電力に応じて按分することで、各電気機器の消費電力実績を求めることができる。

図７下段に例示されるように、消費電力予測部１０８は、生起予測された各オン期間典型パターンに対応する消費電力を足し合わせる（積算させる）ことで、電気機器が設置された施設全体の消費電力（施設消費電力）を予測する。

上記のような予測結果は、例えば図７上段及び下段に例示されるように、表示部３４に表示される（図３Ｓ２０）。表示部３４は例えばディスプレイから構成される。

図７上段は、生起すると予測された共起グループのオン時刻からオフ時刻までのオン期間を示すタイムチャートである。上述したように、共起グループとして纏められた電気機器の名称が、共起グループ別に表示される。このようなタイムチャートが表示部３４に表示されることで、共起グループの内訳を確認可能となる。また図７下段には、オン期間におけるそれぞれの共起グループの消費電力が足し合わせられた施設消費電力が表示される。

表示部３４の表示内容は、入力部３２からの操作で変更可能となっている。入力部３２は例えばマウスやキーボードであって、例えば図８に例示されるように入力部３２の操作でポインタ１２０が表示画面上で移動可能となる。ポインタ１２０によりオン期間典型パターンＴＰ４が選択されると、最下段にオン期間典型パターンＴＰ４として纏められた（グルーピングされた）過去の実績データの分布が示される。例えば電気機器Ａが空調設備の室内機である場合、その過去の実績データには、オン時刻、オフ時刻、設定温度の分布、及び風量の分布が含まれる。

また、図７、図８では、一日単位の予測データが表示されていたが、表示形式を変更することも可能である。例えば消費電力予測装置１００は、入力部３２の操作に応じて、表示部３４に対して、例えば一日単位から図９に例示される数週間単位の予測データの表示に切り替える切り替え指令を出力可能となっている。

図９を参照して、上段には縦軸に共起グループ番号が示され、横軸には日付が示される。下段には縦軸に消費電力が示され、横軸には上段と同期された日付が示される。

このように、本実施形態に係る電力予測装置では、電力予測の根拠となった共起グループ及びオン期間典型パターンが表示部に示される。このように予測根拠が示されることで、表示部を閲覧する管理者等が、予測の妥当性を検討することができる。また後述するような、共起グループ単位、及びオン期間典型パターン単位の電力予測の修正も可能となる。

＜消費電力予測プロセスの第一別例＞
図１０には、本実施形態に係る消費電力予測プロセスの第一別例のフローチャートが例示される。この図について、図３と同一のステップについては同一の符号が付され、説明は適宜省略される。

図１０の例では、ステップＳ２０にて図８に例示されるような共起グループの生起予測や消費電力予測が表示されると、これらの予測結果に対して修正が可能となっている。

例えば図８上段に例示されるように、表示部３４により表示された共起グループのタイムチャートについて、オン期間典型パターンＴＰ４にポインタ１２０が重ねられる。これに応じてオン期間典型パターンＴＰ４としてグルーピングされた過去の実績データの分布が示される。

さらにこの過去の実績データにポインタ１２０が合わせられ、修正が加えられる。例えば図１１に例示されるように、オフ時刻の分布グラフにポインタ１２０が合わせられ、オン期間典型パターンＴＰ４のオフ時刻が、規定値として設定されまたグラフの最頻値である１７：００から１８：００に修正させられる。

このように、入力部３２からオン期間典型パターンのオン期間に対する修正指示が入力されると、抽出結果修正部１１２（図２参照）は、図１１上段に例示されるように、選択された電気機器Ａのオン期間典型パターンＴＰ４のオフ時刻を１７：００から１８：００に変更する（図１０Ｓ２２）。さらに図１０のフローチャートではステップＳ１２まで戻り、共起グループの抽出が再度実行される。

共起グループの抽出が再度実行されることで、消費電力予想も修正される。具体的には図１１下段に示されるように、共起グループＣＯ－Ｇｒ２の消費電力の終点が破線で示されるように延長される。

また、消費電力予測装置１００は、例えば共起グループの修正指示を入力部３２から入力可能となっている。例えば図１２上段に例示されるように、共起グループＣＯ－Ｇｒ２にグルーピングされた電気機器Ａのオン期間典型パターンＴＰ４が、ポインタ１２０の操作によって消去される。例えば共起グループの修正指示が入力部３２から入力される（図１０Ｓ２４）と、抽出結果修正部１１２（図２参照）は、選択されたオン期間典型パターンを消去する。さらにステップＳ１４まで戻り、共起グループの生起予測が再度実行される。

生起予測が再度実行されることで、消費電力予想も修正される。具体的には図１２下段に示されるように、電気機器Ａのオン期間典型パターンＴＰ４に対応する消費電力が破線で示されるように削除される。

図１３には、図１２とは異なる共起グループの修正操作が例示される。図１３では、一旦異なる共起グループと設定された複数のオン期間典型パターンが単一の共起グループに統合される。例えばポインタ１２０に選択された共起グループＣＯ－Ｇｒ３が別の共起グループＣＯ－Ｇｒ２に統合される。

このような統合指示が消費電力予測装置１００の入力部３２から入力されると、抽出結果修正部１１２（図２参照）は、上記のような統合処理を実行する。さらに図１３に例示されるフローはステップＳ１４まで戻り、共起グループの生起予測が再度実行される。生起予測が再度実行されることで、消費電力予想も修正される。具体的には図１３下段に示されるように、共起グループＣＯ－Ｇｒ３にグルーピングされていた消費電力が、共起グループＣＯ－Ｇｒ２に変更される。

＜消費電力予測プロセスの第二別例＞
図１４には本実施形態に係る消費電力予測プロセスの第二別例のフローチャートが例示される。この図について、図３と同一のステップについては同一の符号が付され、説明は適宜省略される。

この例では、共起グループの生起予測が行われた後（Ｓ１６）、電気機器の制御計画を用いて、生起予測が修正される（Ｓ２６）。図２を参照して、電力管理装置１０には、機器制御計画記憶部１２Ａが設けられる。機器制御計画記憶部１２Ａには、施設に設置され電力管理装置１０の配下にある電気機器の制御計画が記憶される。例えばオン操作が禁止される日付及び時間帯等が記憶される。

図２を参照して、消費電力予測装置１００の予測結果修正部１１４は、機器制御計画記憶部１２Ａに記憶された各電気機器の制御計画をもとに、共起グループ発生予測部１０６によって予測された生起予測を修正する。修正された生起予測に基づいて、消費電力予測（Ｓ１８）及びその予測結果の表示（Ｓ２０）が行われる。

＜消費電力予測プロセスの第三別例＞
図１５には本実施形態に係る消費電力予測プロセスの第三別例のフローチャートが例示される。この図について、図３と同一のステップについては同一の符号が付され、説明は適宜省略される。

この例では、共起グループの生起予測（Ｓ１６）の後、消費電力を予測するモデルを学習するステップ（Ｓ２８）を経て、消費電力予測（Ｓ１８）が実行される。消費電力を予測するモデルの学習に当たり、例えば、過去の消費電力履歴（実績）を教師とする教師あり学習が行われる。

図２を参照して、電力管理装置１０の消費電力履歴記憶部１２Ｃには、施設に設置され電力管理装置１０の配下にある電気機器のそれぞれの消費電力履歴が記憶されている。または、個々の電気機器に電力センサが設けられていない場合は、高圧電力メータ２２Ｆ（図１参照）が検出した消費電力を、その時点においてオン状態である各電気機器の定格電力に応じて按分することで、各電気機器の消費電力履歴が求められる。消費電力予測部１０８は、消費電力履歴記憶部１２Ｃから各電気機器の消費電力履歴を取得しこれを教師とする教師あり学習を実行する。

例えばニューラルネットワークを用いた教師あり学習に当たり、例えば学習フェーズでは、入力層には、訓練用データとして、過去の各電気機器のオン時刻からオフ時刻までの期間が入力される。出力層には、正解データとして、当該期間に対応する消費電力が与えられる。このような訓練用データと正解データとを実際の過去データから入力することで、適切な重み付けや隠れ層が生成される。

このような学習フェーズを経て得られたモデルに対して、消費電力予測部１０８は、ステップＳ１６にて生起予測された共起グループを入力する。これにより、出力層に、共起グループに対応する消費電力予測が求められる。

１０電力管理装置、１２Ａ機器制御計画記憶部、１２Ｂ機器稼動履歴記憶部、１２Ｃ消費電力履歴記憶部、２０Ａ～２０Ｄ電気機器、２２Ａ～２２Ｆセンサ、１００消費電力予測装置、１０２典型パターン抽出部、１０４共起グループ抽出部、１０６共起グループ発生予測部、１０８消費電力予測部、１１２抽出結果修正部、１１４予測結果修正部、１２０ポインタ。

Claims

複数の電気機器が設置された施設の消費電力を予測する、消費電力予測装置であって、
それぞれの前記電気機器の過去のオン時刻及びオフ時刻に基づいて纏められたオン期間典型パターンを前記電気機器ごとに抽出する、典型パターン抽出部と、
所定の前記電気機器の所定の前記オン期間典型パターンと共に生起する共起性を備えた前記オン期間典型パターンを抽出して、前記所定の前記オン期間典型パターンとともに一つの共起グループに纏める、共起グループ抽出部と、
それぞれの前記共起グループに対する生起予測を行う共起グループ発生予測部と、
前記共起グループごとの消費電力を求めるとともに、生起すると予測された前記共起グループの消費電力に基づいて、前記施設の消費電力を予測する、消費電力予測部と、
を備える、消費電力予測装置。
請求項１に記載の消費電力予測装置であって、
生起すると予測されたそれぞれの前記共起グループの前記オン時刻から前記オフ時刻までのオン期間と、当該オン期間におけるそれぞれの前記共起グループの消費電力が足し合わせられた施設消費電力とが表示される表示部を備え、
前記表示部は、前記共起グループとして纏められた前記電気機器の名称を、前記共起グループ別に表示可能である、
消費電力予測装置。
請求項２に記載の消費電力予測装置であって、
前記表示部は、単一の前記オン期間典型パターンとして纏められた前記オン時刻及び前記オフ時刻の分布を表示可能である、
消費電力予測装置。
請求項３に記載の消費電力予測装置であって、
前記典型パターン抽出部は、それぞれの前記電気機器の前記オン期間典型パターンを、教師なし学習により、前記過去のオン時刻及びオフ時刻から抽出する、
消費電力予測装置。
請求項４に記載の消費電力予測装置であって、
前記共起グループ抽出部は、前記共起性を有する複数の前記オン期間典型パターンを教師なし学習により抽出して単一の前記共起グループに纏める、
消費電力予測装置。
請求項５に記載の消費電力予測装置であって、
前記消費電力予測部は、教師有り学習により、過去の電気機器稼動履歴から、所定日において生起する前記共起グループを予測する、消費電力予測装置。
請求項２から６のいずれか一項に記載の消費電力予測装置であって、
前記表示部に表示された、それぞれの前記オン期間典型パターンの前記オン期間に対する修正指示を入力可能な入力部を備える、
消費電力予測装置。
請求項７に記載の消費電力予測装置であって、
前記入力部は、前記表示部に表示された、複数の前記共起グループに対する統合指示を入力可能である、
消費電力予測装置。
請求項１から８のいずれか一項に記載の消費電力予測装置であって、
それぞれの前記電気機器に対して設定された制御計画に基づいて、それぞれの前記共起グループに対する前記生起予測を修正する予測結果修正部を備える、消費電力予測装置。