JP7277254B2 - 消費電力予測装置 - Google Patents
消費電力予測装置 Download PDFInfo
- Publication number
- JP7277254B2 JP7277254B2 JP2019095294A JP2019095294A JP7277254B2 JP 7277254 B2 JP7277254 B2 JP 7277254B2 JP 2019095294 A JP2019095294 A JP 2019095294A JP 2019095294 A JP2019095294 A JP 2019095294A JP 7277254 B2 JP7277254 B2 JP 7277254B2
- Authority
- JP
- Japan
- Prior art keywords
- power consumption
- occurrence
- consumption prediction
- prediction device
- typical pattern
- 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
Links
- 238000000605 extraction Methods 0.000 claims description 30
- 238000012937 correction Methods 0.000 claims description 19
- 239000000284 extract Substances 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 4
- 238000007726 management method Methods 0.000 description 28
- 239000011159 matrix material Substances 0.000 description 18
- 238000010586 diagram Methods 0.000 description 13
- 238000000034 method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000004378 air conditioning Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
-
- 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
- G06Q50/10—Services
- G06Q50/16—Real estate
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (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)
- Supply And Distribution Of Alternating Current (AREA)
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、Energy Management System)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。
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。
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(Building and Energy Manegement System)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(BACnet Operator Workstation)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(Building Controller)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(Direct Digital Controller)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yij,aij,bij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。
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。
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 (9)
- 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。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019095294A JP7277254B2 (ja) | 2019-05-21 | 2019-05-21 | 消費電力予測装置 |
PCT/JP2020/005099 WO2020235150A1 (ja) | 2019-05-21 | 2020-02-10 | 消費電力予測装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019095294A JP7277254B2 (ja) | 2019-05-21 | 2019-05-21 | 消費電力予測装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020190876A JP2020190876A (ja) | 2020-11-26 |
JP7277254B2 true JP7277254B2 (ja) | 2023-05-18 |
Family
ID=73454680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019095294A Active JP7277254B2 (ja) | 2019-05-21 | 2019-05-21 | 消費電力予測装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7277254B2 (ja) |
WO (1) | WO2020235150A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7344946B2 (ja) | 2021-09-27 | 2023-09-14 | 本田技研工業株式会社 | チェーンスライダの保持機構 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000270476A (ja) | 1999-03-15 | 2000-09-29 | Fuji Electric Co Ltd | 電力需要予測方法 |
WO2009151078A1 (ja) | 2008-06-10 | 2009-12-17 | パナソニック電工株式会社 | エネルギーマネジメントシステム及びコンピュータプログラム |
JP2018169819A (ja) | 2017-03-30 | 2018-11-01 | トーマステクノロジー株式会社 | 消費電力予測装置および消費電力予測方法 |
JP2018206172A (ja) | 2017-06-07 | 2018-12-27 | 株式会社Nttファシリティーズ | 電力需要予測装置、電力需要予測方法およびプログラム |
-
2019
- 2019-05-21 JP JP2019095294A patent/JP7277254B2/ja active Active
-
2020
- 2020-02-10 WO PCT/JP2020/005099 patent/WO2020235150A1/ja active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000270476A (ja) | 1999-03-15 | 2000-09-29 | Fuji Electric Co Ltd | 電力需要予測方法 |
WO2009151078A1 (ja) | 2008-06-10 | 2009-12-17 | パナソニック電工株式会社 | エネルギーマネジメントシステム及びコンピュータプログラム |
JP2018169819A (ja) | 2017-03-30 | 2018-11-01 | トーマステクノロジー株式会社 | 消費電力予測装置および消費電力予測方法 |
JP2018206172A (ja) | 2017-06-07 | 2018-12-27 | 株式会社Nttファシリティーズ | 電力需要予測装置、電力需要予測方法およびプログラム |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7344946B2 (ja) | 2021-09-27 | 2023-09-14 | 本田技研工業株式会社 | チェーンスライダの保持機構 |
Also Published As
Publication number | Publication date |
---|---|
JP2020190876A (ja) | 2020-11-26 |
WO2020235150A1 (ja) | 2020-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3742358A1 (en) | Cloud and edge integrated energy optimizer | |
JP6942790B2 (ja) | 情報処理装置および情報処理方法 | |
Gangammanavar et al. | Stochastic optimization of sub-hourly economic dispatch with wind energy | |
JP6503305B2 (ja) | 空調制御システム、空調計画装置、及び、計画方法 | |
Henri et al. | A supervised machine learning approach to control energy storage devices | |
Lee et al. | Optimal HVAC control as demand response with on-site energy storage and generation system | |
US11605036B2 (en) | System and methods for power system forecasting using deep neural networks | |
WO2017153991A1 (en) | A method and system for optimizing and predicting demand response | |
JP7279445B2 (ja) | 予測方法、予測プログラムおよび情報処理装置 | |
CN104864548A (zh) | 一种空调运行的控制方法及系统 | |
KR102170522B1 (ko) | 관람객 수와 환경 변화를 고려한 전시홀 에너지 관리 시스템 | |
JP6605181B2 (ja) | 運転制御装置、空気調和システム、運転制御方法および運転制御プログラム | |
KR102114895B1 (ko) | 빌딩 내 설비의 에너지 효율을 기반으로 한 빌딩 내 설비의 노후화시기 예측을 위한 빌딩자동제어 시스템 및 방법 | |
JP2009225550A (ja) | 電力の需要予測処理方法及び装置、並びに発電予測処理方法 | |
Laayati et al. | Smart energy management: Energy consumption metering, monitoring and prediction for mining industry | |
US20180166880A1 (en) | Data-Driven Demand Charge Management Solution | |
WO2018195251A1 (en) | Systems and methods for managing building signature intelligent electronic devices | |
KR20210074587A (ko) | 디지털 트윈 기술을 기반으로 한 스마트그리드 시스템의 최적화 관리장치 및 방법 | |
CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
Rotib et al. | Electric load forecasting for Internet of Things smart home using hybrid PCA and ARIMA algorithm | |
JP7277254B2 (ja) | 消費電力予測装置 | |
KR20200066182A (ko) | 에너지 소비량 예측 장치 및 그 방법 | |
CN113610432A (zh) | 一种基于bs版本的数据采集分析式光伏站控系统 | |
US10931107B2 (en) | System and method for management of an electricity distribution grid | |
JP7481920B2 (ja) | 店舗環境管理システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220331 |
|
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: 20230404 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230508 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7277254 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |