JP7285480B2 - 消費電力推定装置および消費電力推定方法 - Google Patents

Description

本発明は、消費電力推定装置および消費電力推定方法に関する。

現在、省エネルギーに対する様々な取り組みが行われている。その一つとして、機器毎の消費電力量の計測が難しい中小規模のビルを対象にして、建物全体の電力消費量から機器別または用途別の消費電力推定を行う研究が進められている。

例えば、図３８（ａ）に示すように、大規模ビルでは建物全体の電力量を把握する親メータＭの他に、機器毎・用途毎の電力量を把握する子メータｍを設置するのが一般的である。そのため、子メータに基づいて機器別の電力情報を活用することにより、無駄な電力消費を削減することが可能である。
一方、図３８（ｂ）に示すように、中小規模ビルでは建物全体の電力量を把握する親メータＭのみを設置し、機器毎・用途毎の電力量を把握する子メータｍを設置しない場合が多い。そのため、機器別の電力情報を取得することができず、電力消費の無駄がどこで発生しているのかを知ることができない。しかし、親メータＭの電力情報から機器別または用途別の電力消費量を推定することができれば、無駄な電力消費を削減することが可能になる。

次に、機器別消費電力推定についての概要を説明する。
機器別消費電力推定とは、機械上に蓄積された総消費電力量データを用いて各機器の消費電力量を推定する技術である。機器別消費電力推定は、各機器への測定器の導入や通信機能を持った機器への買い替えを必要としないため、低コストで機器ごとの消費電力を「見える化」することができる。

機器別消費電力推定に関する研究は１９９０年代より行われており、近年でも機械学習的手法の応用に基づく研究が多くなされている。機械学習的手法の応用に基づく機器別消費電力推定の概念図を図３９に示す。図３９に示されるように、例えば、機械（ＰＣ）上で蓄積された１日の総消費電力データを学習することにより、電力消費に関する隠れたパターンを見つけ出す。そして、スマートメータにより観測される各時刻の総消費電力量を学習したパターンに基づいて機器別に見える化する。

機械学習的手法の応用に基づく機器別消費電力推定の研究として、例えば、時系列データの確率モデルを学習するために使用される階層型の隠れマルコフモデル（Factorial Hidden Markov Model：FHMM）を利用した分離技術の検討がなされている。また、信号処理，画像処理分野において使われている非負値行列因子分解（Non-Negative Matrix Factorization : NMF）に基づき、１日の特徴的な消費電力行動に着目した分離技術の検討がなされている。

これに関連して、例えば、以下に示すような技術が提案されている。
特許文献１には、家庭内等の複数の機器それぞれの消費電力等を求める機器分離を、階層型の隠れマルコフモデル（FHMM）を活用することで行うことが記載されている。
また、特許文献２には、複数棟をまとめて管理するサイトにおいて、各棟に電力メータを設置せずとも棟別の電力量を知ることが記載されている。

また、非特許文献１には、家庭を対象とした３０分単位の総消費電力データのような時間粒度の粗い計測データを活用して機器別消費電力の推定を実施すること、および需要家からのフィードバックにより推定精度を向上させることが記載されている。
また、非特許文献２には、機器別消費電力推定のためのBuilding Energy Assessment Resource（BEAR）というボトムアップの手法が提案されている。
また、非特許文献３には、ビル内での総消費電力の推移データに基づき、非負値行列分解による機器別消費電力推定とそのインタラクティブな可視化システムに関する提案がなされている。

国際公開第ＷＯ２０１６－０１３４１１号 特表２０１８－５２２５２０号公報

Ayumu Miyasawa, Yu Fujimoto, Yasuhiro Hayashi、"Energy Disaggregation Based on Smart Metering Data via Semi-Binary Nonnegative Matrix Factorization"、Energy and Buildings、Volume 183、pp.547-558、2019、［平成３１年４月２３日検索］、インターネット＜https://doi.org/10.1016/j.enbuild.2018.10.030＞ Kevin Ketchman、"Utilizing the Interconnectivity of Multi-Sector Communities for Innovative Building Energy Efficiency Methods"、Doctoral Dissertation、University of Pittsburgh、2018、［平成３１年４月２３日検索］、インターネット＜http://d-scholarship.pitt.edu/33224/＞ Diego Garcia, Ignacio Diaz, Daniel Perez, Abel A. Cuadrado, Manuel Dominguez, Antonio Moran、"Interactive Visualization for NILM in Large Buildings Using Non-Negative Matrix Factorization"、Energy and Buildings, Volume 176、pp.95-108、2018、［平成３１年４月２３日検索］、インターネット＜https://doi.org/10.1016/j.enbuild.2018.06.058＞

しかし、特許文献１，２および非特許文献１～３に記載された技術は、利便性がよくなかったり、精度が十分でなかったり、そもそも機器別または用途別の消費電力量を推定できないものであった。そのため、機器別または用途別の消費電力推定として十分でなかった。

このような観点から、本発明は、機器別または用途別の消費電力推定を好適に行うことができる消費電力推定装置および消費電力推定方法を提供する。

前記課題を解決するため、本発明に係る消費電力推定装置は、非負値行列因子分解によって総消費電力量から機器毎または用途毎の消費電力量を推定する消費電力推定装置である。
この消費電力推定装置は、情報取得部と、消費電力推定部と、を備える。
情報取得部は、建物内に設置された電力メータが計測した前記総消費電力量、前記機器の制御情報および前記機器が設けられる空間の在所率情報を取得する。
消費電力推定部は、前記総消費電力量の推移履歴を行列構造として持つ観測行列を、機器の電力消費パターンを行列構造として持つ基底行列と、前記電力消費パターンの発生状況を行列構造として持つ発生行列とに分離することで、機器毎または用途毎の消費電力量を推定する。
また、消費電力推定部は、過去の前記総消費電力量、前記制御情報および前記在所率情報を用いて前記電力消費パターンを推定するものであり、前記基底行列および前記発生行列を下記消費電力推定式（２）により算出する。

前記消費電力推定部は、ＯＮ／ＯＦＦ制御が可能な機器に関して、機器の制御情報に基づいてＯＦＦの時間帯については消費電力量を「ゼロ」として推定し、また、在所率と消費電力量とに相関関係がある機器に関して、その相関関係の度合いを表すパラメータとの積により消費電力量を推定するのがよい。

本発明に係る消費電力推定装置においては、補助情報として機器の制御情報および在所率情報を使用して機器毎または用途毎の消費電力量を推定する。また、定格値を考慮した消費電力推定を行うことができる。そのため、推定精度が従来に比べて向上する。

また、本発明に係る消費電力推定方法は、非負値行列因子分解によって総消費電力量から機器毎または用途毎の消費電力量を推定する消費電力推定方法である。
この消費電力推定方法は、情報取得ステップと、消費電力推定ステップと、を備える。
情報取得ステップでは、建物内に設置された電力メータが計測した前記総消費電力量、前記機器の制御情報および前記機器が設けられる空間の在所率情報を取得する。
消費電力推定ステップでは、前記総消費電力量の推移履歴を行列構造として持つ観測行列を、機器の電力消費パターンを行列構造として持つ基底行列と、前記電力消費パターンの発生状況を行列構造として持つ発生行列とに分離することで、機器毎または用途毎の消費電力量を推定する。
また、前記消費電力推定ステップでは、過去の前記総消費電力量、前記制御情報および前記在所率情報を用いて前記電力消費パターンを推定し、前記基底行列および前記発生行列を下記消費電力推定式（２）により算出する。

本発明に係る消費電力推定方法においては、補助情報として機器の制御情報および在所率情報を使用して機器毎または用途毎の消費電力量を推定する。また、定格値を考慮した消費電力推定を行うことができる。そのため、推定精度が従来に比べて向上する。

本発明によれば、機器別または用途別の消費電力推定を好適に行うことができる。

ＳＢＮＭＦの概念図である。 ＳＢＮＭＦに基づく分離の概念図である。 本発明の第１実施形態に係る消費電力推定システムの概略構成図である。 各機器と在所率との関係を示す図である。 本発明の第１実施形態に係る消費電力推定方法を定式化したものである。 本発明の第１実施形態に係る消費電力推定方法を定式化したものである。 本発明の第１実施形態に係る消費電力推定方法を定式化したものである。 推定された電力量と罰則との関係を示す図である。 本発明の第１実施形態に係る消費電力推定方法を定式化したものである。 4-fold CVに基づくパラメータチューニングの概要図である。 本発明の第１実施形態に係る消費電力推定方法におけるパラメータのチューニングを定式化したものである。 本発明の第１実施形態に係る消費電力推定方法のアルゴリズムの例示である。 本発明の第１実施形態に係る消費電力推定方法を示すフローチャート（全体処理）の例示である。 本発明の第１実施形態に係る消費電力推定方法を示すフローチャート（パラメータの決定処理）の例示である。 本発明の第１実施形態に係る消費電力推定方法を示すフローチャート（候補パラメータを用いた消費電力分離の交差検証処理）の例示である。 本発明の第１実施形態に係る消費電力推定方法を示すフローチャート（対象テナントの消費電力の分離処理）の例示である。 本発明の第２実施形態に係る消費電力推定システムの概略構成図である。 ＳＢＮＭＦで想定される状況を示す概念図を示す。 ＳＢＮＭＦで起こりうる問題を示す概念図である。 機器の定格値を考慮した推定の概要を説明するための図である。 機器の定格値を考慮した推定の概要を説明するための図である。 本発明の第２実施形態に係る消費電力推定方法を定式化したものである。 本発明の第２実施形態に係る消費電力推定方法を定式化したものである。 本発明の第２実施形態に係る消費電力推定方法を定式化したものである。 本発明の第２実施形態に係る消費電力推定方法を定式化したものである。 標準偏差を用いた第１段階のパラメータチューニングの概念図である。 本発明の第２実施形態に係る消費電力推定方法のアルゴリズムの例示である。 ＭＲの概念図である。 本発明の各実施形態に係る消費電力推定方法の評価に使用した数式である。 実験結果を説明するための図であり、各テナントの機器ごとのＭＲをプロットした箱ひげ図である（第１実施形態に係る手法と第２実施形態に係る手法の各機器ＭＲ比較）。 実験結果を説明するための図であり、第１実施形態に係る手法においてｑ_r≠１となるパラメータ組を選択したテナントの平均ＭＲを比較した図である。 実験結果を説明するための図であり、過大な推定が改善されたテナントの機器別消費電力推定結果を示す図である。 実験結果を説明するための図であり、空調の過大な推定が改善されたテナントのＭＲ比較を示す図である。 実験結果を説明するための図であり、空調の過大な推定が改善されたテナントの誤差の分散比較を示す図である。 実験結果を説明するための図であり、日による機器の消費電力量のばらつきが改善されたテナントの機器別消費電力推定結果を示す図である。 実験結果を説明するための図であり、日による機器の消費電力量のばらつきが改善されたテナントのＭＲ比較を示す図である。 実験結果を説明するための図であり、日による機器の消費電力量のばらつきが改善されたテナントの誤差の分散比較を示す図である。 機器別・用途別の消費電力推定を実施する理由を説明するための図であり、（ａ）は大規模ビルにおける電力メータの配置例であり、（ｂ）は中小規模ビルにおける電力メータの配置例である。 機械学習的手法の応用に基づく機器別消費電力推定の概念図である。

以下、本発明の実施をするための形態を、適宜図面を参照しながら詳細に説明する。各図は、本発明を十分に理解できる程度に、概略的に示してあるに過ぎない。よって、本発明は、図示例のみに限定されるものではない。なお、各図において、共通する構成要素や同様な構成要素については、同一の符号を付し、それらの重複する説明を省略する。

［実施形態の概要］
建物（例えば、ビル）の管理において、総消費電力量の他に自然または容易に習得できる情報が存在する。本発明の発明者は、その情報の中から非負値行列因子分解（ＮＭＦ： Nonnegative Matrix Factorization）に基づく機器別消費電力推定に有用性が期待できる情報として「機器の制御情報」および「在所率情報」に着目した。以下では、この二つの情報を「補助情報」と呼ぶ場合がある。

機器の制御情報は、機器が稼働しているか否かを示す情報であり、例えば、機器のＯＮ／ＯＦＦ情報である。なお、機器別消費電力の推定では、過去の制御情報を使用するので、「制御履歴情報」と表記する場合がある。
在所率情報は、機器別消費電力の推定を行う空間での人の多さを示す情報であり、例えば、空間を複数の領域に分割した場合における領域単位での人の在／不在の割合である。なお、在所率情報は、人の多い／少ないを示す程度の情報であってもよい。

また、本発明の発明者は、電力消費行動が空間的に競合する場合があり、電力消費パターンを単純に足し合わせて機器の消費電力量を推定しようとすると、機器の定格値を超えた推定結果を得る恐れがあることを発見した。

そして、発明者は、補助情報を活用するとともに、機器の定格値を考慮しつつ電力消費パターンの学習を行うことで、各機器と抽出パターンの対応付けが可能となり、また従来の手法での推定と比べてそれぞれの機器に存在する特徴的な電力消費パターンのより能動的な学習が可能となることを考え出した。

以下では、第１実施形態として、補助情報である「機器の制御情報」および「在所率情報」を機器別消費電力推定に活用する場合を示す。
また、第２実施形態として、補助情報である「機器の制御情報」および「在所率情報」を活用しつつ、「機器の定格値」を考慮して機器別消費電力推定を行う場合を示す。

各実施形態では、業務用ビルを対象として、テナントごとの機器別消費電力推定を非負値行列因子分解に基づき行うことを考える。特に、非負値行列因子分解における発生行列をバイナリと仮定することで、分離したパターンの消費電力量の観点から識別性を高めて精度の高い分離を図るＳＢＮＭＦ（Semi-Binary NMF）を用いることとする。

ＳＢＮＭＦは、任意の非負値（マイナスでない値）の要素からなる行列を、「０」，「１」の要素からなるバイナリ行列と非負値行列との積で表現する多変量解析のための手法である。この手法は、非負値のデータを格納した観測行列Ｙを、頻出する加法的な構成成分を格納した非負値基底行列Ｘ（以下、省略して「基底行列Ｘ」と呼ぶ場合がある）と、その構成成分の発生状況を格納したバイナリ発生行列Ａ（以下、省略して「発生行列Ａ」と呼ぶ場合がある）への分解を実現する。基底行列Ｘおよび発生行列Ａの導出は、反復的な更新手続きによってなされる。

図１にＳＢＮＭＦの概念図を示す。機器別の消費電力を推定する上では、日毎および所定時間毎における総消費電力量の推移履歴を行列構造として持つデータ（つまり、観測行列Ｙ）として扱う。これを様々な日において共通で現れる機器の種類に依存した消費電力推移パターン（つまり、基底行列Ｘ）と、その推移パターンの発生の有無（つまり、発生行列Ａ）で表すことにより内訳の推定に利用する。ＳＢＮＭＦでは、消費電力を扱う上で自然な観測値の非負値を前提とし、発生行列Ａをバイナリ（「０」もしくは「１」）で表現することで、基底行列Ｘの要素が機器別の消費電力に相当する要素となり、機器別の消費電力の識別精度の高い消費電力分離を実現する。

図２にＳＢＮＭＦに基づく分離の概念図を示す。図１の基底行列Ｘにあたるものが機器稼働パターンＸであり、発生行列Ａにあたるものが発生状況Ａである。図２に示すように、発生状況Ａはバイナリ行列となっている。

各実施形態では、観測データとして、テナントごとに一定期間分、３０分間隔で計測されている総消費電力量データが得られる状況を想定し、その期間における照明器具、空調機器、コンセントそれぞれの消費電力量を推定することを考える。また、各実施形態では、補助的な情報として照明器具と空調機器の制御記録、および在所率情報が少なくとも得られることとする。

［第１実施形態］
＜第１実施形態に係る消費電力推定システムの構成＞
図３を参照して、第１実施形態に係る消費電力推定システム１００の構成について説明する。消費電力推定システム１００は、複数の機器の各々の消費電力量を加算した全体の消費電力量から、各々の機器の消費電力量を推定するシステムである。消費電力推定システム１００は、電力を使用する様々な場面で使用することができ、消費電力量を推定する対象となる機器は、種類、用途などが特に限定されるものではない。つまり、消費電力推定システム１００は、複数の機器の消費電力量を加算した全体の消費電力量が分かる任意の範囲について、各々の機器の消費電力量を推定することができる。

ここでは、図３に示すように、建物内に入居するテナント２Ａ，２Ｂ・・（以下では、特に区別しない場合に「テナント２」と呼ぶ）が消費するテナント２ごとの消費電力量から、テナント内に設置される各々の機器の消費電力量を推定することを想定する。つまり、図３に示すように、建物内に複数のテナント２Ａ，２Ｂ・・が入居する場合、テナント２単位で機器の消費電力量を推定することができる。

消費電力推定システム１００は、テナント２に設置される複数の機器（以下では、まとめて「機器群１０」と呼ぶ）と、機器群１０の全体の消費電力量（つまり、各機器の消費電力量を加算したもの）を測定する電力メータ２０と、電力メータ２０が測定した消費電力量から機器毎または用途毎の消費電力量を推定する消費電力推定装置３とを主に備える。また、消費電力推定システム１００は、テナント２における人の量を検知する人検知センサ３０を備える。

機器群１０は、テナント２に設置される機器の集合体である。テナント２に設置される機器は、種類や用途などを特に限定されるものではない。図３では、テナント２に設置される機器として、「照明器具」、「空調機器」、「コンセント」を例示している。照明器具および空調機器は、電源の「ＯＮ／ＯＦＦ」に関する制御情報を消費電力推定装置３に出力する。

電力メータ２０は、消費した電力量を測定する計測器である。電力メータ２０は、例えば、テナントごとに設けられた分電盤に設置される。ここでの電力メータ２０は、時間粒度が比較的粗い時間間隔（例えば、３０分周期）で、機器群１０の消費電力量を消費電力推定装置３に出力する。なお、消費電力推定装置３に機器群１０の消費電力量を出力する周期は任意であってよく、ここでの周期に限定されるものではない。

人検知センサ３０は、人の多さに相関する量を検知する機器である。人検知センサ３０は、例えば、テナント２内に人がいる割合（在所率）を検知する。なお、人検知センサ３０によって検知する量は、人の多い／少ないを示す程度の情報であってもよい。ここでは、人検知センサ３０が、座席毎の人の在／不在を検知することを想定する。人検知センサ３０は、例えば、検知対象の範囲を複数の領域に分割して検知を行うことができ、一つの人検知センサ３０を用いて複数（例えば、４つ）の座席における在／不在を検知できる。設置する人検知センサ３０の数は、例えば、テナント２が入力する空間の広さに応じて決定される。人検知センサ３０は、座席の総数に対する在席数の比率（在席率）に関する情報を在所率情報として消費電力推定装置３に出力する。

消費電力推定装置３は、電力メータ２０が測定した消費電力量から機器毎または用途毎の消費電力量を推定する。消費電力推定装置３は、機器毎または用途毎の消費電力量の推定において、機器の「ＯＮ／ＯＦＦ」に関する制御情報や、人の在／不在に関する在所率情報を利用する。消費電力推定装置３は、例えば、パーソナルコンピュータ（ＰＣ：Personal Computer）やアプリケーションサーバである。

消費電力推定装置３は、記憶部４０と、制御部５０とを備える。記憶部４０は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、ＨＤＤ（Hard Disk Drive）、フラッシュメモリ等の記憶媒体から構成される。制御部５０は、ＣＰＵ（Central Processing Unit）によるプログラム実行処理や、専用回路等により実現される。制御部５０がプログラム実行処理により実現する場合、記憶部４０には、制御部５０の機能を実現するためのプログラムが格納される。なお、消費電力推定装置３が、図示しない外部の記憶手段から記憶部４０に記憶される情報を必要に応じて取得してもよい。

記憶部４０には、消費電力の推定に必要な情報が記憶されている。記憶部４０は、例えば、消費電力量記憶部４１と、制御情報記憶部４２と、在所率情報記憶部４３とを備える。
消費電力量記憶部４１には、テナント２の消費電力量が所定の時間間隔（例えば、３０分周期）で記憶されている。制御情報記憶部４２には、機器毎の「ＯＮ／ＯＦＦ」に関する制御情報が履歴として記憶されている。在所率情報記憶部４３には、人の在／不在に関する在所率情報が履歴として記憶されている。

制御部５０は、主に、情報取得部５１と、消費電力推定部５２と、推定結果出力部５３とを備える。なお、図３に示す制御部５０の各機能は、説明の便宜上分けたものであり、機能の分割の仕方は本発明を限定するものではない。

情報取得部５１は、電力メータ２０からテナント２の消費電力量を収集する。また、情報取得部５１は、各機器から制御情報を収集する。また、情報取得部５１は、人検知センサ３０から所在率情報を収集する。
消費電力推定部５２は、ＳＢＮＭＦを用いて全体の消費電力量から機器毎の消費電力量を推定する。消費電力推定部５２は、補助情報として機器の制御情報および在所率情報を利用する。処理の詳細は後記する。
推定結果出力部５３は、消費電力推定部５２によって推定された機器毎または用途毎の消費電力量を出力する。推定結果出力部５３による出力の方法は特に限定されず、推定結果出力部５３は、例えば、機器毎または用途毎の消費電力量を表示装置に表示する。

以下では、消費電力推定部５２について説明する。まず最初に、「補助情報の活用の概要」について説明する。次に、消費電力推定の「定式化」について説明し、続けて「パラメータのチューニング」について説明する。そして最後に、「アルゴリズム」を示す。

≪補助情報の活用の概要≫
＜１＞機器の制御情報の活用に関して
機器の電力消費パターンを学習している際に、制御情報（例えば、ＯＮ／ＯＦＦ情報）との乖離がみられた場合には罰則を与え、制御情報に沿うように電力消費パターンを学習させる。ただし、電力消費パターンに基づいた再現誤差と補助情報の整合性に基づいた誤差のいずれも最小化するため、必ずしも学習された電力消費パターンが制御情報に沿うとは限らない。そのため、消費電力量を推定する際に、機器がＯＦＦの時間帯については消費電力量を「０（ゼロ）」として置き換える。

＜２＞在所率情報の活用に関して
在所率と各機器の消費電力量との関係について、照明器具とコンセントにて正の相関関係がみられることが実験により分かっている。図４に各機器と在所率との関係を示す。図４に示したように、特に照明器具に対して消費電力を推定する際に在所率を考慮することが有用だという一般的な傾向が示唆されるため、照明器具の電力消費パターンのうちの一つが在所率と関係を持つという仮定をおき、その関係の度合いを表すパラメータとの積によりこれを表すことにする。また、コンセントに関しては、消費電力量が在所率に比例するものとベースとして常に存在するものとに分けられると仮定を置いたうえで、在所率に関する１次関数として扱う。

≪定式化≫
表１を適宜参照して、第１実施形態に係る消費電力推定方法の定式化について説明する。表１は、ここで説明する数式の記号表である。なお、表１には、第２実施形態で説明する記号が一部含まれている。

「機器の制御情報」および「在所率情報」のある／なしに応じて、図５に示すように機器の集合をＲ⁰，Ｒ^b，Ｒ^v，Ｒ^bvの四種類に分けて定義する。
制御履歴情報については、ＯＮ／ＯＦＦ情報を表し、図５に示す式(4.1)のように定義する。また、全機器の集合は、Ｒ＝Ｒ⁰∪Ｒ^b∪Ｒ^v∪Ｒ^bvとする。
機器ｒに対する消費電力の推定値Ｙ（ハット付き）^rは、図６に示す式(4.2)～式(4.5)のようになる。

なお、在所率から影響を受ける電力消費パターンは一つと仮定しており、対象パターンに対するγ_kの値は後述のようにデータに基づく学習によって得ることを考える。また、残りの電力消費パターンに関しては、γ_k＝１と固定した上で基底行列、発生行列の学習のみを同様に行うものとする。

制御履歴情報と推定結果の乖離が少なくなることを考慮した罰則項を導入した目的関数は、図７に示す式(4.6)のようになり、この目的関数が最小となるように最適化問題を解くこととする。
式(4.6)の第２項は、制御履歴としてＯＦＦ情報が得られているにもかかわらず電力消費が存在している場合にかかる罰則であり、第３項は制御履歴としてＯＮ情報が得られているにもかかわらず電力消費が小さくなっている場合にかかる罰則である。図８に、推定された電力量と第１項、第２項それぞれの罰則との関係を示す。

図６に示す式(4.2)，式(4.3)，式(4.5)において表される機器の消費電力量は、ＳＢＮＭＦにより学習されたＸ^rとＡ^rの積や、対応する制御履歴情報Ｕ^rや在所率情報Ｖにより再現される。このような状況で基底行列や発生行列の導出を行うため、ＨＡＬＳ（Hierarchical Alternating Least Squares）アルゴリズムに基づく推定の検討を行っている。図７の式(4.6)の目的関数をｋ番目の電力消費パターンに関する目的関数として書き換え、図７に示す式(4.7)で表す。

式(4.7)の第１項は、総消費電力量のうち、ｋ番目を除いた電力消費パターンの足し合わせで再現されていない残余の消費電力量と、ｋ番目の電力消費パターンとの二乗誤差を表している。

これにより、Ｘ^r，Ａ^r，ｃ_r，ｂ_rを反復的に更新していくことで、式(4.7)の最適化問題を解くこととなる。
Ｘ^r，ｃ_r，ｂ_rについては、式(4.7)において極値問題を解くことで更新式が導出できる。γ_kは、在所率から影響を受ける電力消費パターンにかかるもののみを更新し、それぞれ図９に示す式(4.8)～式(4.13)で表される。また、Ａ^rは、貪欲法によって図７の式(4.7)の目的関数値を小さくするよう、各要素について更新がなされる。

≪パラメータチューニング≫
各テナントにみられる特徴的な１日の電力消費パターンの個数Ｋを具体的に与えるため、事前に学習データに基づいてチューニングを行う必要がある。ここでは、4-foldの交差検定(CV：cross validation)により具体的なＫを与えることを想定する。4-fold CVは対象としている学習データの期間を４分割し、そのうちの１つを評価期間、残りを学習期間として全事例が一回ずつ評価期間となるよう検証を繰り返し、その平均的な振る舞いに基づき適切なパラメータを選定するというものである。ここでは、図７の式(4.6)の目的関数について、各期間の平均をとり、その値が最も小さくなる電力消費パターンの個数を適切な個数として採用する。図１０に4-fold CVに基づくパラメータチューニングの概要を示す。

各テナントにみられる特徴的な１日の電力消費パターンの個数Ｋ、さらに制御履歴情報との乖離に対する罰則の大きさを調整するパラメータλ₁，λ₂，αについては、4-fold CVに基づいて決定することを考える。ただし、初めにパラメータλ₁，λ₂，αを固定したうえで最適な電力消費パターンの個数Ｋを決定し、そのパターンの個数Ｋのもとでパラメータλ₁，λ₂，αを決定する２段階のパラメータチューニングを考える。

電力消費パターンの個数Ｋについては，図７の式(4.7)の目的関数のCV結果の平均を最も小さくするものを採用する。一方、罰則の大きさを調整するパラメータλ₁，λ₂，αについては、式(4.7)によるチューニングを行ってしまうとパラメータの大きさに影響を受けて目的関数値の罰則項の重みも変化してしまう。よって、パラメータλ₁，λ₂，αに依存しない、推定電力消費量と制御履歴情報との乖離度合いを測る次のような距離尺度を導入し、図１１に示す式(4.14)とし、CVの際の目的関数を図１１に示す式(4.15)としてチューニングを行うことを考える。

補助情報の信頼性については、得られる補助情報のうち、機器の制御情報については工事や作業の関係でデータが取得できていない時刻が存在することがある。そのような欠損値がある際には補助情報を用いた機器別消費電力推定が実現されなくなってしまうことから、制御履歴情報に着目した欠損値補完を行う。補完にあたっては、制御履歴情報に関する日ごとの特徴の類似性に着目し、欠損データが存在する日時（ｎ，ｔ）の機器ｒの情報を補完するために、対象日ｎにおいて欠損していない残りの時間帯と、欠損が存在しないＮ_n＝｛1,…,N｝＼｛ｎ｝に属する日の同時間帯の制御履歴情報に関する次のようなハミング距離を測ることで、欠損している時間帯以外において制御履歴情報推移が最も類似している日ｎ（ハット付き）を選ぶ。

制御情報に関して欠損値がある場合には、図１１に示す式(4.16)，式（4.17）のように定義された類似日ｎ（ハット付き）を選択することで、対象時刻の制御履歴情報をｕ^r _tn＝ｕ^r _{tn（ハット付き）}のように補完する。なお、式(4.16)においてハミング距離が最も小さくなる候補日が複数存在する場合には、各候補日と補完対象日の総消費電力推移系列を二乗誤差和の観点から比較し、誤差が最も小さい日を最も類似している日ｎ（ハット付き）として選ぶこととする。

≪アルゴリズム≫
第１実施形態に係る消費電力推定方法のアルゴリズムを図１２に示す。図１２は、本発明の第１実施形態に係る消費電力推定方法のアルゴリズムの例示である。図１２に示すアルゴリズムに記載される括弧書きの数字「（x.x）：x部分は数字」は、定式化で説明した数式に対応している。

＜第１実施形態に係る消費電力推定方法＞
図１３ないし図１６を参照して（適宜、図１～図１２を参照）、第１実施形態に係る消費電力推定システム１００を用いた消費電力推定方法について説明する。

（全体処理）
図１３に示すように、最初に、電力推定を行う者は、消費電力を推定する期間（評価期間）を指定する（ステップＳ１）。評価期間は任意であってよく、例えば評価期間として１ヶ月間を指定した場合、１ヶ月間を１日単位で消費電力の推定を行う。情報取得部５１は、評価期間の指定を受け付け、消費電力推定部５２は、記憶部４０から評価期間に対応するデータを取得する。例えば、評価期間として１ヶ月間が指定された場合、消費電力推定部５２は、１ヶ月分の消費電力量を取得する。

次に、消費電力推定部５２は、対象テナントの消費電力分離におけるパラメータの決定処理を実行する（ステップＳ２）。続いて、ステップＳ２で決定したパラメータを用いて、対象テナントにおける消費電力の分離処理を実施する（ステップＳ３）。ステップＳ２およびステップＳ３の処理の詳細は後記する。なお、ステップＳ２のパラメータ決定処理内においても、ステップＳ３と同様に消費電力の分離処理が行われる。そのため、以下では、ステップＳ３における「消費電力の分離処理」を特に「消費電力の分離処理（パラメータ決定後）」と呼び、また、ステップＳ２内で実施される「消費電力の分離処理」を特に「消費電力の分離処理（パラメータ決定前）」と呼ぶ場合がある。

これにより、一つのテナントの評価期間における消費電力の分離が完了する。そして、消費電力推定部５２は、対象となるすべてのテナントの消費電力の分離が完了したか否かを判定する（ステップＳ４）。対象となるすべてのテナントの分離が完了していない場合（ステップＳ４で“Ｎｏ”）に、処理をステップＳ２，Ｓ３に進めて、次の対象となるテナントの消費電力の分離を実施する。一方、対象となるすべてのテナントの分離が完了した場合（ステップＳ４で“Ｙｅｓ”）に、処理を終了する。

（パラメータの決定処理）
図１４を参照して、パラメータの決定処理について説明する。ここでの処理は、前記説明したパラメータチューニングの内容に対応している。つまり、各テナントにみられる特徴的な１日の電力消費パターンの個数Ｋ、さらに制御履歴情報との乖離に対する罰則の大きさを調整するパラメータλ₁，λ₂，αについては、4-fold CVに基づいて決定する。

図１４に示すように、最初に、候補パラメータを指定する（ステップＳ１１）。本実施形態では、各テナントにみられる特徴的な１日の電力消費パターンの個数Ｋ、制御履歴情報との乖離に対する罰則の大きさを調整するパラメータλ₁，λ₂，αの候補を指定する。これらの電力消費パターン、およびパラメータλ₁，λ₂，αには、予め候補が決まっていて、ここでは候補の中から一つを選択する。

次に、ステップＳ１１で指定されたパラメータを用いて、消費電力分離の交差検証処理を実行する（ステップＳ１２）。ステップＳ１２の処理の詳細は後記する。そして、消費電力推定部５２は、すべての候補パラメータに対する交差検証を行ったか否かを判定する（ステップＳ１３）。すべての候補パラメータに対する交差検証が完了していない場合（ステップＳ１３で“Ｎｏ”）に、処理をステップＳ１１，Ｓ１２に進めて、次の候補パラメータに対する交差検証を行う。これにより、例えば、最初のＫ回のループでは、パラメータλ₁，λ₂，αを固定した上で電力消費パターンの個数Ｋを順次変更してステップＳ１２の消費電力分離の交差検証処理を実行する。そして、最初のＫ回のループを実行した結果として決定される最適な電力消費パターンの個数Ｋのもとで、残りのループではパラメータλ₁，λ₂，αを順次変更してステップＳ１２の消費電力分離の交差検証処理を実行する。一方、すべての候補パラメータに対する交差検証を行った場合（ステップＳ１３で“Ｙｅｓ”）に、処理をステップＳ１４に進めて、交差検証の結果が最良のパラメータの組合せを選択する（ステップＳ１４）。そして、ステップＳ２のパラメータの決定処理を終了する。

（候補パラメータを用いた消費電力分離の交差検証処理）
図１５を参照して、候補パラメータを用いた消費電力分離の交差検証処理について説明する。ここでの処理は、前記説明したパラメータチューニングにおける4-fold CVの内容に対応している。

図１５に示すように、最初に、図１３のステップＳ１で指定した評価期間のデータを予め決められたＬ個に分割する（ステップＳ２１）。データの分割数Ｌは、任意であってよく、4-fold CVを想定する場合にはデータを４分割する（つまり、Ｌ＝４）。続いて、消費電力推定部５２は、「Ｌ－１」個分のデータを学習用に使用し、残りの「１」個分のデータを評価用に利用することを決定する（ステップＳ２２）。続いて、ステップＳ２２で決めた暫定の学習用データおよび暫定の評価用データを用いて、対象テナントの消費電力分離処理を実施する（ステップＳ２３）。ステップＳ２３の処理の詳細は後記する。続いて、ステップＳ２３で実施した消費電力分離の結果を評価するために、評価用データに対する再構成誤差を評価する（ステップＳ２４）。

そして、消費電力推定部５２は、分割したＬ個のデータをすべて評価したか否かを判定する（ステップＳ２５）。Ｌ個のデータのすべてを評価していない場合（ステップＳ２５で“Ｎｏ”）に、処理をステップＳ２２，Ｓ２３，Ｓ２４に進めて、次の学習データを用いた対象テナントの消費電力分離処理の実施および評価用データによる評価を行う。これにより、例えば、図１０に示すように、最初のループでは、期間１，２，３のデータを学習用データとし、期間４のデータを評価用データとして対象テナントの消費電力分離処理の実施および評価を行う。また、２回目のループでは、期間１，２，４のデータを学習用データとし、期間３のデータを評価用データとして対象テナントの消費電力分離処理の実施および評価を行う。また、３回目のループでは、期間１，３，４のデータを学習用データとし、期間２のデータを評価用データとして対象テナントの消費電力分離処理の実施および評価を行う。また、４回目のループでは、期間２，３，４のデータを学習用データとし、期間１のデータを評価用データとして対象テナントの消費電力分離処理の実施および評価を行う。

一方、Ｌ個のデータのすべてを評価した場合（ステップＳ２５で“Ｙｅｓ”）に、処理をステップＳ２６に進めて、Ｌ個のデータに対する再構成誤差を記録する（ステップＳ２６）。そして、ステップＳ１２の候補パラメータを用いた消費電力分離の交差検証処理を終了する。

（対象テナントの消費電力の分離処理（パラメータ決定前））
図１６を参照して、ステップＳ２３における対象テナントの消費電力の分離処理（パラメータ決定前）について説明する。ここでの処理は、前記説明した定式化およびアルゴリズムの内容に対応している。

図１６に示すように、最初に、対象テナントの補助情報を収集する（ステップＳ３１）。具体的には、消費電力推定部５２は、図１５のステップＳ２２で学習用データとして決定したデータに対応する期間（つまり、評価期間の一部の期間）の補助情報を記憶部４０から取得する。ここでの補助情報は、「機器の制御情報」および「在所率情報」である。

次に、初期値の振り直し回数を指定する（ステップＳ３２）。振り直し回数は、ステップＳ３３～ステップＳ３６までの処理を繰り返し行う回数である。

次に、消費電力推定部５２は、行列要素の初期化を行った後で、目的関数値が収束するまで行列要素の更新を行う（ステップＳ３３～ステップＳ３５）。ステップＳ３３～ステップＳ３５の処理は、図１２に示すアルゴリズムに対応している。そして、消費電力推定部５２は、ステップＳ３６で収束した目的関数値を記録する。目的関数値は、図７の式(4.7)に対応している。

前記説明した通り、ステップＳ３３～ステップＳ３６の一連の処理は、ステップＳ３２で指定した振り直し回数だけ繰り返し実行される（ステップＳ３７）。つまり、初期値の振り直しが指定回数に達していない場合（ステップＳ３７で“Ｎｏ”）に、処理をステップＳ３３に戻して、再び行列要素の初期化を行った後で目的関数値が収束するまで行列要素の更新を行う。一方、初期値の振り直しが指定回数に達した場合（ステップＳ３７で“Ｙｅｓ”）に、処理をステップＳ３８に進めて、最小の目的関数値を実現した結果を記録する（ステップＳ３８）。

ここまで説明したように、図１５のステップＳ２３における消費電力の分離処理（パラメータ決定前）では、図１４のステップＳ１１で指定した候補パラメータを用いて、図１５のステップＳ２１で分割した内の一部のデータ（つまり、不完全なデータ）を入力として処理を実行する。一方、ステップＳ３における消費電力の分離処理（パラメータ決定後）では、ステップＳ２で決定されたパラメータを用いて、ステップＳ１で指定された評価期間のデータ（つまり、完全なデータ）を入力として処理を実行する。

（対象テナントの消費電力の分離処理（パラメータ決定後））
図１６を参照して、ステップＳ３における対象テナントの消費電力の分離処理（パラメータ決定後）について説明する。ここでの処理は、前記説明した対象テナントの消費電力の分離処理（パラメータ決定前）と同様であり、定式化およびアルゴリズムの内容に対応している。そのため、ここでは、ステップＳ２３における消費電力の分離処理（パラメータ決定前）との相違点について主に説明する。

ステップＳ３で示す消費電力の分離処理（パラメータ決定後）では、ステップＳ２で決定されたパラメータ（つまり、学習済みのパラメータ）を用いて、ステップＳ１で指定された評価期間のデータ（つまり、完全なデータ）を入力として処理を実行する。また、それに対応して、ステップＳ３１において、消費電力推定部５２は、評価期間に対応する補助情報を記憶部４０から取得し、この補助情報を使用する。

以上のように、第１実施形態に係る消費電力推定システム１００およびそれを構成する消費電力推定装置３は、補助情報として機器の制御情報および在所率情報を使用して機器毎または用途毎の消費電力量を推定する。そのため、推定精度が従来に比べて向上する。

［第２実施形態］
＜第２実施形態に係る消費電力推定システムの構成＞
図１７を参照して、第２実施形態に係る消費電力推定システム２００の構成について説明する。消費電力推定システム２００は、複数の機器の各々の消費電力量を加算した全体の消費電力量から、各々の機器の消費電力量を推定するシステムである。ここでは、第１実施形態に係る消費電力推定システム１００（図３参照）との相違点について主に説明する。

消費電力推定システム２００の消費電力推定装置３は、制御部６０の機能が変更されている。制御部６０は、主に、情報取得部６１と、消費電力推定部６２と、推定結果出力部６３とを備える。なお、図１７に示す制御部６０の各機能は、説明の便宜上分けたものであり、機能の分割の仕方は本発明を限定するものではない。

情報取得部６１は、電力メータ２０からテナント２の消費電力量を収集する。また、情報取得部６１は、各機器から制御情報を収集する。また、情報取得部６１は、人検知センサ３０から所在率情報を収集する。
消費電力推定部６２は、ＳＢＮＭＦを用いて全体の消費電力量から機器毎の消費電力量を推定する。消費電力推定部６２は、補助情報として機器の制御情報および在所率情報を利用する。また、消費電力推定部６２は、定格値を考慮した消費電力推定を行う。処理の詳細は後記する。
推定結果出力部６３は、消費電力推定部６２によって推定された機器毎または用途毎の消費電力量を出力する。推定結果出力部６３による出力の方法は特に限定されず、推定結果出力部６３は、例えば、機器毎または用途毎の消費電力量を表示装置に表示する。

以下では、消費電力推定部６２について説明する。まず最初に、「補助情報の活用等の概要」について説明する。次に、消費電力推定の「定式化」について説明し、続けて「パラメータのチューニング」について説明する。そして最後に、「アルゴリズム」を示す。

≪補助情報の活用等の概要≫
＜１＞機器の制御情報および＜２＞在所率情報の活用に関しては、第１実施形態と同様なので説明を省略する。

＜３＞機器の定格値を考慮した推定に関して
ＳＢＮＭＦをはじめとする機器別・用途別の消費電力量推定技術は、機器毎の電力消費パターンを足し合わせることにより全体の消費電力の再現を行う。このような分解は、テナント毎、機器毎に複数の特徴的な電力消費行動の存在、またそれらが空間的に独立な形で生起している状況下でうまく働く。図１８にこれらＳＢＮＭＦで想定される状況を示す概念図を示す。

図１８に示す状況は、例えば、広いテナント２や間仕切りの存在するようなテナント２において、そのテナント２内のエリア２－（１），２－（２）ごとに日々活動する集団が異なる、あるいはエリア２－（１），２－（２）ごとの使用用途がそもそも異なるような状況である。このような場合は、各エリア２－（１），２－（２）における特徴的な電力消費行動は空間的に独立しており、各エリア２－（１），２－（２）における電力消費パターン（１），（２）を足し合わせることで機器ごとの消費電力量が再現されるという従来における推定の前提と良く整合していることになる。

一方、テナント毎、機器毎の複数の特徴的な電力消費行動が空間的に独立な形で生起していない状況下ではうまく働かない場合がある。つまり、電力消費行動が空間的に競合する可能性があり、学習された電力消費パターンを単純に足し合わせて機器の消費電力量を推定しようとすると、機器の定格値を超えた推定結果を得る恐れがある。図１９にＳＢＮＭＦで起こりうる問題を示す概念図を示す。

図１９に示す状況は、例えば、テナント２の広さがあまりなく、また会議室などの共用スペースが存在する状況である。その場合には、テナント２内の各エリア２－（１），２－（２）における特徴的な電力消費行動は空間的に独立しておらず、各エリア２－（１），２－（２）における電力消費パターン（１），（２）を足し合わせることで機器の定格値を超えた推定結果を得る恐れがある。

なお、この問題に対して、超過量を各機器に再配分する操作を加えることも可能である。ただし、超過量を各機器に再配分する操作を加えたとしても、定格値は超えないものの推定結果が実際の観測に対して過大となる傾向が起こり得る。このような過大な推定をしてしまう機器があると、そのしわ寄せとしてほかの機器が過小な推定となってしまうことにつながる。さらに、結果として日ごとに過大な推定をする機器、しわ寄せで過小な推定が起こる機器が入れ替わる場合があり、機器ごとの日々の消費電力量にそれほどばらつきがない実際のデータと比較して大きく特徴が異なってしまう。このような特定機器の過大な推定や日による機器の推定消費電力量のばらつきは、機器別消費電力推定の精度悪化の要因となり得る。

本実施形態では、テナント内の同じエリアが異なる使用用途で利用される際に導出される推定消費電力が定格値を超え得るという上記の問題を、行列の積演算を一般化するためのパラメータｑ_r（ｑ_r≧１）という新たな概念を導入することで解決している。図２０の式(5.1)にパラメータｑ_rを導入していない消費電力推定のための式表現、式(5.2)にパラメータｑ_rを導入した消費電力推定のための式表現を示す。

図２０の式(5.2)は、各電力消費パターンをｑ_r乗したものの総和においてｑ_r乗根をとることとしているため、得られる消費電力量のオーダーは式(5.1)と同じになる。式(5.2)について、ｑ_r＝１である場合には、式(5.1)と同様の式となる。一方、ｑ_rの値が大きくなれば、ｑ_r乗された複数の電力消費パターンについて、各時刻において大きな値をとるパターンの影響が強くなる。よって、その和のｑ_r乗根をとると各時刻における電力消費パターンのうちの最大値に近い値をとって推定値が算出されることとなる。図２１にパラメータｑ_rを導入した推定方法の概念図を示す。図２１に示すように、ｑ_r＝１に近い場合、推定結果はパターン（１），（２）の和に近い値をとる。一方、ｑ_rが大きい場合、推定結果はパターン（１），（２）の最大値に近い値をとる。

このような拡張によって、各時刻において空間的に独立な電力消費行動がなされるようなテナントや機器に関しては、従来通り学習された電力消費パターンの和をとることで推定を行うことが可能となる。一方で、各時刻において空間的に競合する電力消費行動がなされるようなテナントや機器に関しては、図２０の式(5.2)に基づきその競合の度合いに依存するｑ_r＞１という状況を想定した推定も可能になる。

例えば、複数の電力消費パターンが非常に強く競合しているのであればｑ_rの値を大きく取り、各時刻で電力消費パターンの最大値に近い値に基づく推定を行うことができる。これにより、背後に存在する特徴的な電力消費パターンを抽出しながら、それが観測される消費電力量に対して必ずしも加算の形で寄与しないという状況下での推定精度の向上が期待できる。
また、パラメータｑ_rの値を適切に与えることで、電力消費パターンの単純な和でもなく、いずれかの最大値でもなく、中間的な電力量表現で与えられるような、実空間の一部についてのみ消費行動が競合するような状況下での推定も可能になる。
パラメータｑ_rがそのテナントにおいて適切な値となっているのであれば、従来アプローチで生じていた過大な推定が抑えられ、定格値を考慮した自然な推定が可能になる。

なお、パラメータｑ_rは、一意に与えるものではなく、各テナントの特徴から複数パターンを比較し、自動チューニングを行いながら決定する。詳細は後記する。

≪定式化≫
表１を適宜参照して、第２実施形態に係る消費電力推定方法の定式化について説明する。なお、第１実施形態と説明が重複する部分については、説明を省略する場合がある。

機器ｒに対する消費電力の推定値Ｙ（ハット付き）^rは、第１実施形態と同様に、「機器の制御情報」および「在所率情報」のある／なしに応じて表す。
また、電力消費パターンの足し合わせ方についてパラメータｑ_rを導入し、このパラメータｑ_rは、各機器について図２２の式(5.3)のように値をとるものとする。

これにより、機器ｒに対する消費電力の推定値Ｙ（ハット付き）^rは、図２２に示す式(5.4)～式(5.7)のようになる。

また、目的関数については、制御履歴情報と推定結果の乖離が少なくなることを考慮した罰則項を導入した第１実施形態の式(4.6)と同様に、これが最小となるように最適化問題を解くこととする。ここでもＨＡＬＳアルゴリズムに基づいた更新を考えるが、パラメータｑ_rを導入したことから式(4.6)の目的関数を、機器ｒの電力消費量に関する目的関数として書き換えて図２３の式(5.8)として表す。式(5.8)の第１項は総消費電力量のうち、機器ｒを除いた機器の消費電力量の足し合わせで再現されていない残余の消費電力量と、機器ｒの消費電力量との二乗誤差を表している。

これより、Ｘ^r，Ａ^r，ｃ_r，ｂ_rを反復的に更新していくことで式(5.8)の最適化問題を解くことを考える。
Ｘ^r，ｃ_r，ｂ_rについては，図２３の式(5.8)において勾配法に基づいて解くことで更新式が導出でき、それぞれ図２４および図２５に示す式(5.9)～式(5.14)で表される。また、Ａ^rは、貪欲法によって図２３の式(5.8)の目的関数値を小さくするよう、各要素について更新がなされる。

≪パラメータチューニング≫
各テナントにみられる特徴的な１日の電力消費パターンの個数Ｋ、各機器の電力消費パターンの足し合わせ方を決めるパラメータｑ_r、さらに制御履歴情報との乖離に対する罰則の大きさを調整するパラメータλ₁，λ₂，αについては、4-fold CVに基づいて決定する。ただし、初めにパラメータλ₁，λ₂，αを固定したうえで最適な電力消費パターンの個数Ｋと電力消費パターンの足し合わせ方を決めるパラメータｑ_rを決定し、そのパターンの個数Ｋとパラメータｑ_rの下でパラメータλ₁，λ₂，αを２段階でチューニングするという方法をとる。

本チューニングの過程では、照明と空調のいずれについてもｑ_r＝１をとるパラメータの組の再現誤差に着目し、その標準偏差の幅を用いてパラメータの決定を行う。ここでは、再現誤差の平均値が最も小さいパラメータ組について、その値が照明と空調のいずれについてもｑ_r＝１をとるパラメータ組の標準誤差内に含まれているのであればｑ_r＝１をとるパラメータ組を採用し、標準誤差を超えて小さい値をとっているのであればそのパラメータ組を採用することとする。これにより、基本的には従来の考えのもとで機器別消費電力推定を行うが、ｑ_rの値を大きくすることが強い意味を持ちうる場合のみ、そのパラメータ組が選択されることとなる。図２６に標準偏差を用いた第１段階のパラメータチューニングの概要を示す。

一方、第２段階については第１実施形態と同様に図１１の式(4.15)に着目し、各期間の目的関数値の平均が最も小さいパラメータ組を選択する。また、照明と空調のいずれについてもｑ_r＝１をとるパラメータの組が選択されたのであれば、第１実施形態で定式化した式で推定を行うものとし、ｑ_r＝≠１となった場合には第２実施形態で定式化した式を用いた推定を行う。

≪アルゴリズム≫
第２実施形態に係る消費電力推定方法のアルゴリズムを図２７に示す。図２７は、本発明の第２実施形態に係る消費電力推定方法のアルゴリズムの例示である。図２７に示すアルゴリズムに記載される括弧書きの数字「（x.x）：x部分は数字」は、定式化で説明した数式に対応している。

＜第２実施形態に係る消費電力推定方法＞
第２実施形態に係る消費電力推定システム２００を用いた消費電力推定方法について、パラメータｑを用いている点や使用する数式が異なる点以外は第１実施形態の処理の流れと同様である。

＜第２実施形態に係る消費電力推定システムの効果＞
（実験の概要）
業務ビルに存在するテナント「２８室」を対象として、計測された部屋単位の３０分平均総電力消費量データから機器別消費電力推定をする。学習データ期間、評価データ期間はともに「2018/8/1～2018/8/31」の３１日間とし、補助情報としては照明器具と空調機器の制御履歴情報、各テナントの在所率情報、照明器具と空調機器の定格値を利用する。また、精度の評価を行う際には照明器具、空調機器、コンセントの３０分平均電力消費量を用いている。

機器別消費電力量推定について、本実験では２つの手法の比較を行う。
（１）ＳＢＮＭＦに基づく手法 ・・・第１実施形態に係る手法
（２）拡張ＳＢＮＭＦに基づく手法・・・第２実施形態に係る手法
また、いずれも補助情報を利用しており、各機器についてＲ^b＝｛空調機器｝，Ｒ^v＝｛コンセント｝，Ｒ^bv＝｛照明器具｝とした推定を行う。

本実験においては、機器別消費電力推定の精度について、定量的評価指標としてMatch Rate (MR)を用いる。ＭＲは、実測と推定結果の差を割合で評価する指標となっており「０≦ＭＲ≦１」となる。実測波形と推定波形が完全に一致している場合には、ＭＲ＝１となり、全く一致していない場合には、ＭＲ＝０となる。図２８に、ＭＲの概念を示す。また、図２９の式(6.1)にＭＲの定義を示す

また、これまでの検討で日によって機器の消費電力量の推定結果が過度にばらついてしまう傾向にあったことを考慮し、推定結果の過度なばらつきが改善されるかどうかの度合いを測る指標として誤差の分散に着目する。図２９の式(6.2)に誤差の分散の定義を示す。推定結果に分離の大外れが多く存在する、あるいは日による機器の消費電力量のばらつきが多く存在する場合には、誤差の分散が大きくなるという特徴がある。

さらに、第１実施形態に係る手法による分離結果と比較して平均絶対誤差がどの程度改善されたかを図２９の式(6.3)として表す。改善度は最高で100[％]となり、値が大きければ大きいほど改善していることを表す。

（実験結果）
評価期間における２手法の推定結果について、各テナントの機器ごとのＭＲをプロットした箱ひげ図を図３０に示す。箱部は上位２５％点、中央値、上位７５％を表す。また、四分位範囲の1.5倍を超える値については、外れ値としてプロットされ、ひげ部はそれぞれ最大値、最小値を表す。図３０より、特に照明に関して変化の見られるテナントが存在することがわかる。

第１実施形態に係る手法と第２実施形態に係る手法における結果の違いについては、第２実施形態に係る手法においてｑ_r≠１となるパラメータ組が選択されたテナントの有無による。よって、第２実施形態に係る手法においてｑ_r≠１となるパラメータ組を選択したテナントについてのみ注目し、評価期間のＭＲの平均を比較する。その結果を図３１に示す。左側のグラフが第１実施形態に係る手法を示し、右側のグラフが第２実施形態に係る手法を示す。

図３１より、第２実施形態に係る手法によりパラメータｑ_rの値を大きく取ることによって、平均的にＭＲにおける精度が改善されることがわかる。また、第２実施形態に係る手法においてｑ_r≠１となるパラメータ組が選択されたテナントの平均絶対誤差の改善度は、照明が「20.4％」、空調が「7.3％」、コンセントが「－1.4%」であった。

さらに、従来生じていた問題の改善について、空調の過大な推定が改善されたテナントの推定波形、ＭＲと誤差の分散の比較をそれぞれ図３２、図３３、図３４に示す。ここでは、第２実施形態に係る手法において「ｑ_r＝３（機器ｒが照明）」、「ｑ_r＝１０（機器ｒが空調）」が選択されている。

図３２より、第１実施形態に係る手法では空調が過大に推定されてしまっていたことが見て取れるが、第２実施形態に係る手法では過大な推定が抑えられているといえる。
また、図３３より、ＭＲはコンセントについては差がなかったものの、照明と空調に対して向上していることがわかる。
さらに，図３４より、誤差の分散についても照明と空調の値が大きく減少しており、提案手法は精度の向上につながったといえる。

また、日による機器の推定消費電力量のばらつきが改善されたテナントの推定波形、ＭＲと誤差の分散の比較をそれぞれ図３５、図３６、図３７に示す。ここでは、第２実施形態に係る手法において、「ｑ_r＝３（機器ｒが照明）」、「ｑ_r＝３（機器ｒが空調）」が選択されている。

図３５より、第１実施形態に係る手法では日による機器の推定消費電力量のばらつきが多く存在することが見て取れるが、第２実施形態に係る手法ではそのばらつきが抑えられたといえる。
また、図３６より、ＭＲは照明と空調に対して向上していることがわかる。さらに、図３７より、誤差の分散についても照明と空調の値が大きく減少しており、第２実施形態に係る手法は精度の向上につながったといえる。

これより、パラメータｑ_rを導入し、自然に定格値を考慮するような拡張非負値行列因子分解に基づく機器の消費電力推定を行うことで、さらなる推定精度の向上につながるといえる。

以上のように、第２実施形態に係る消費電力推定システム２００およびそれを構成する消費電力推定装置３は、定格値を考慮した消費電力推定を行うことができる。そのため、推定精度がさらに向上する。

［変形例］
以上、本発明の実施形態について説明したが、本発明はこれに限定されるものではなく、特許請求の範囲の趣旨を変えない範囲で実施することができる。

例えば、各実施形態では、機器の消費電力量の推定を行う対象としてテナントを想定して説明したが、これに限定されない。

２，２Ａ，２Ｂ テナント
３ 消費電力推定装置
１０ 機器群
２０ 電力メータ
３０ 人検知センサ
４０ 記憶部
４１ 消費電力量記憶部
４２ 制御情報記憶部
４３ 在所率情報記憶部
５０，６０ 制御部
５１，６１ 情報取得部
５２，６２ 消費電力推定部
５３，６３ 推定結果出力部
１００，２００ 消費電力推定システム

Claims (3)

1. 非負値行列因子分解によって総消費電力量から機器毎または用途毎の消費電力量を推定する消費電力推定装置であって、
   建物内に設置された電力メータが計測した前記総消費電力量、前記機器の制御情報および前記機器が設けられる空間の在所率情報を取得する情報取得部と、
   前記総消費電力量の推移履歴を行列構造として持つ観測行列を、機器の電力消費パターンを行列構造として持つ基底行列と、前記電力消費パターンの発生状況を行列構造として持つ発生行列とに分離することで、機器毎または用途毎の消費電力量を推定する消費電力推定部と、を備え、
   前記消費電力推定部は、過去の前記総消費電力量、前記制御情報および前記在所率情報を用いて前記電力消費パターンを推定するものであり、
   前記基底行列および前記発生行列を下記消費電力推定式（２）により算出する、
   

   

   ことを特徴とする消費電力推定装置。
2. 前記消費電力推定部は、
   ＯＮ／ＯＦＦ制御が可能な機器に関して、機器の制御情報に基づいてＯＦＦの時間帯については消費電力量を「ゼロ」として推定し、また、
   在所率と消費電力量とに相関関係がある機器に関して、その相関関係の度合いを表すパラメータとの積により消費電力量を推定する、
   ことを特徴とする請求項１に記載の消費電力推定装置。
3. 非負値行列因子分解によって総消費電力量から機器毎または用途毎の消費電力量を推定する消費電力推定方法であって、
   建物内に設置された電力メータが計測した前記総消費電力量、前記機器の制御情報および前記機器が設けられる空間の在所率情報を取得する情報取得ステップと、
   前記総消費電力量の推移履歴を行列構造として持つ観測行列を、機器の電力消費パターンを行列構造として持つ基底行列と、前記電力消費パターンの発生状況を行列構造として持つ発生行列とに分離することで、機器毎または用途毎の消費電力量を推定する消費電力推定ステップと、を備え、
   前記消費電力推定ステップでは、過去の前記総消費電力量、前記制御情報および前記在所率情報を用いて前記電力消費パターンを推定し、
   前記基底行列および前記発生行列を下記消費電力推定式（２）により算出する、
   

   

   ことを特徴とする消費電力推定方法。

Images