JP7370710B2 - 電力需要予測システム、電力需要予測モデルの構築方法、プログラム、及び営業支援システム - Google Patents

Description

本開示は、電力需要予測システム、電力需要予測モデルの構築方法、プログラム、及び営業支援システムに関する。

特許文献１には、需要家の属性を示す属性情報に基づいて需要家特徴量を算出する手段と、需要家特徴量に基づいて需要家をクラスタに分類する手段と、需要家が過去に使用した電力の使用量の平均をクラスタごとに算出する手段と、クラスタごとに算出された電力の使用量の平均を示す情報を需要家に提供する手段と、を備える装置が開示されている。

特開２０１７－１２０５１９号公報

本開示は、電力使用実績が未知である需要家の電力需要の予測に有用な電力需要予測システムを提供する。

本開示の一側面に係る電力需要予測システムは、需要家による電力使用実績が、予め設定された複数の電力需要パターンのいずれに属するのかを決定するパターン決定部と、複数種類のデータ項目を含む需要家の属性データと、当該需要家の電力使用実績が属する電力需要パターンの識別データと、を対応付けた既存需要家データを蓄積するデータベースと、需要家が複数の電力需要パターンのいずれで電力を使用するかを示すパターン予測データを当該需要家の属性データの入力に応じて出力する電力需要予測モデルを、データベースに基づいて構築するモデル構築部と、新たな需要家の属性データを電力需要予測モデルに入力して当該需要家のパターン予測データを取得する予測データ取得部と、新たな需要家のパターン予測データに基づいて、当該新たな需要家が複数の電力需要パターンのいずれで電力を使用するかの予測結果を出力する予測結果出力部と、を備える。

この電力需要予測システムによれば、需要家による使用実績のデータを複数の電力需要パターンに分類して簡素化した上で電力需要予測モデルの構築を行うことにより、信頼性の高い電力需要予測モデルを容易に構築することができる。そして、電力需要予測モデルに新たな需要家の属性データを入力することで、当該需要家が複数の電力需要パターンのいずれで電力を使用するかを容易に予測することができる。従って、この電力需要予測システムは、電力使用実績が未知である需要家の電力需要の予測に有用である。

モデル構築部は、データベースに基づく機械学習により電力需要予測モデルを構築してもよい。この場合、機械学習により更に信頼性の高い電力需要予測モデルを構築することができる。

複数の電力需要パターンのそれぞれは、少なくとも、一日における電力使用量の推移パターンと、一年における電力使用量の推移パターンとの組み合わせにより定められていてもよい。この場合、需要家が複数の電力需要パターンのいずれで電力を使用するかの予測結果に基づくことで、一日における電力使用量の推移と、一年における電力使用量の推移との両方を予測することが可能となるので、当該需要家の電力使用量の推移を的確に予測することが可能となる。

パターン決定部は、新たな需要家による電力の使用実績が、予め設定された複数の電力需要パターンのいずれに属するのかを更に決定し、データベースは、新たな需要家の属性データと、パターン決定部により決定された当該需要家の電力需要パターンとを対応付けた更新用の既存需要家データを更に蓄積し、モデル構築部は、更新用の既存需要家データを蓄積したデータベースに基づく機械学習により電力需要予測モデルを更新してもよい。この場合、新たな需要家による電力の使用実績に基づいて、電力需要予測モデルが継続的にブラッシュアップされるので、電力需要予測モデルに基づく電力需要パターンの予測結果の信頼性が向上する。

電力需要予測システムは、パターン予測データへの影響の程度を示す寄与度を、電力需要予測モデルに基づいて複数種類のデータ項目ごとに算出する寄与度算出部を更に備えていてもよい。この場合、寄与度の大きさに基づくことで、電力需要パターンの予測結果の信頼性低下を抑制しつつ、電力需要予測モデルに入力すべきデータ項目の絞り込みを図ることができる。これにより、新たな需要家から取得すべきデータ項目を削減し、当該需要家についての電力需要パターンの予測を更に容易にすることができる。

本開示の他の側面に係る電力需要予測モデルの構築方法は、需要家による電力使用実績が、予め設定された複数の電力需要パターンのいずれに属するのかを決定することと、複数種類のデータ項目を含む需要家の属性データと、当該需要家の電力使用実績が属する電力需要パターンの識別データとを対応付けた既存需要家データをデータベースに蓄積することと、需要家が複数の電力需要パターンのいずれで電力を使用するかを示すパターン予測データを当該需要家の属性データの入力に応じて出力する電力需要予測モデルを、データベースに基づいて構築することと、を含む。

本開示の更に他の側面に係るプログラムは、複数種類のデータ項目を含む需要家の属性データと、予め設定された複数の電力需要パターンのうち、当該需要家による電力使用実績が属する電力需要パターンの識別データと、を対応付けた既存需要家データを蓄積したデータベースに基づいて、需要家が複数の電力需要パターンのいずれで電力を使用するかを示すパターン予測データを当該需要家の属性データの入力に応じて出力するように構築された電力需要予測モデルに、新たな需要家の属性データを入力して当該需要家のパターン予測データを取得することと、新たな需要家のパターン予測データに基づいて当該新たな需要家が複数の電力需要パターンのいずれで電力を使用するかの予測結果を出力することと、を装置に実行させる。

本開示の更に他の側面に係る営業支援システムは、需要家による電力使用実績が、予め設定された複数の電力需要パターンのいずれに属するのかを決定するパターン決定部と、複数種類のデータ項目を含む需要家の属性データと、当該需要家の電力使用実績が属する電力需要パターンの識別データと、を対応付けた既存需要家データを蓄積するデータベースと、需要家が複数の電力需要パターンのいずれで電力を使用するかを示すパターン予測データを当該需要家の前記属性データの入力に応じて出力する電力需要予測モデルを、データベースに基づいて構築するモデル構築部と、新たな需要家の属性データを電力需要予測モデルに入力して当該需要家のパターン予測データを取得する予測データ取得部と、新たな需要家のパターン予測データにより示される電力需要パターンに適した電力利用契約プランを出力するプラン出力部と、を備える。このシステムは、電力使用実績が未知である需要家に対してリーズナブルな電力利用契約プランを提案するのに有用である。

本開示によれば、電力使用実績が未知である需要家の電力需要の予測に有用な電力需要予測システムを提供することができる。

電力需要予測システムの概略構成を例示する模式図である。 電力需要予測システムの機能的な構成を例示するブロック図である。 電力需要パターンを例示する模式図である。 ランダムフォレスト法により構築される電力需要予測モデルを概念的に例示する模式図である。 電力需要パターンの設定手順を例示するフローチャートである。 電力需要予測モデルの構築手順を例示するフローチャートである。 電力需要予測結果の出力手順を例示するフローチャートである。

以下、実施形態について、図面を参照しつつ詳細に説明する。説明において、同一要素又は同一機能を有する要素には同一の符号を付し、重複する説明を省略する。

〔電力需要予測システム〕
本実施形態に係る電力需要予測システム１は、電力使用実績が未知である需要家の電力需要の予測を支援するシステムである。図１に示すように、電力需要予測システム１は、予測用サーバ１００と、予測用端末２００とを備える。

予測用サーバ１００は、需要家の属性データの入力に基づいて、当該需要家が予め設定された複数の電力需要パターンのいずれで電力を使用するのかを予測するための電力需要予測モデルを構築する。例えば予測用サーバ１００は、需要家１０の属性データと、需要家１０の電力使用実績データとに基づいて電力需要予測モデルを構築する。予測用サーバ１００は、需要家１０の電力使用実績データを使用実績サーバ２０から取得する。

使用実績サーバ２０は、インターネット等のネットワークＮＷを介して複数の需要家１０の電力量計１１に接続されており、それぞれの電力量計１１から電力使用実績のデータを取得して蓄積するサーバである。なお、予測用サーバ１００は、使用実績サーバ２０を介さずに需要家１０の電力量計１１から電力使用実績のデータを取得してもよい。

例えば予測用サーバ１００は、回路１１０を有する。回路１１０は、プロセッサ１１１と、メモリ１１２と、ストレージ１１３と、通信ポート１１４とを有する。ストレージ１１３は、コンピュータによって読み取り可能な不揮発型の記憶媒体（例えばハードディスク又はフラッシュメモリ）である。ストレージ１１３は、需要家１０による電力使用実績が、予め設定された複数の電力需要パターンのいずれに属するのかを決定することと、複数種類のデータ項目を含む需要家１０の属性データと、当該需要家１０の電力使用実績が属する電力需要パターンの識別データとを対応付けた既存需要家データをデータベースに蓄積することと、需要家１０の属性データの入力に応じて、当該需要家１０が複数の電力需要パターンのいずれで電力を使用するかを示すパターン予測データを出力する電力需要予測モデルを、データベースに基づく機械学習により構築することと、を装置に実行させるためのプログラムを記憶している。

メモリ１１２は、ストレージ１１３からロードしたプログラム及びプロセッサ１１１による演算結果等を一時的に記憶する。プロセッサ１１１は、メモリ１１２と協働して上記プログラムを実行する。プロセッサ１１１は、複数の回路素子により構成されていてもよい。通信ポート１１４は、ネットワークＮＷを介して使用実績サーバ２０及び予測用端末２００等と接続されており、プロセッサ１１１からの指令に応じて使用実績サーバ２０及び予測用端末２００等との間で情報通信を行う。なお、ここでの接続は、情報通信が可能となっていることを意味しており、必ずしも有線による物理的な接続を意味するわけではない。以下においても同様である。すなわちネットワークＮＷの少なくとも一部は無線の通信経路であってもよい。

予測用端末２００は、予測用サーバ１００により構築された電力需要予測モデルを利用するための端末である。例えば予測用端末２００は、本体２０１と、表示デバイス２０２と、入力デバイス２０３とを有する。表示デバイス２０２は、ユーザに対する情報を表示するためのデバイスである。表示デバイス２０２の具体例としては、液晶モニタ、有機ＥＬモニタ等が挙げられる。入力デバイス２０３は、ユーザによる入力を取得するためのデバイスである。入力デバイス２０３の具体例としては、キーボード、タッチパッド、マウス等が挙げられる。なお、表示デバイス２０２及び入力デバイス２０３は、所謂タッチパネルとして一体化されていてもよい。更に、表示デバイス２０２及び入力デバイス２０３が本体２０１に一体化されていてもよい。

本体２０１は、回路２１０を有する。回路２１０は、プロセッサ２１１と、メモリ２１２と、ストレージ２１３と、通信ポート２１４と、入出力ポート２１５とを有する。ストレージ２１３は、コンピュータによって読み取り可能な不揮発型の記憶媒体（例えばハードディスク又はフラッシュメモリ）である。ストレージ２１３は、上記電力需要予測モデルに、新たな需要家の属性データを入力して当該需要家のパターン予測データを取得することと、新たな需要家のパターン予測データに基づいて当該新たな需要家が複数の電力需要パターンのいずれで電力を使用するかの予測結果を出力（例えば表示デバイス２０２に表示）することと、を装置に実行させるプログラムを記憶している。通信ポート２１４は、ネットワークＮＷを介して予測用サーバ１００等と接続されており、プロセッサ２１１からの指令に応じて予測用サーバ１００等との間で情報通信を行う。入出力ポート２１５は、プロセッサ２１１からの指令に応じて表示デバイス２０２及び入力デバイス２０３との間で情報の入出力を行う。

以下、予測用サーバ１００及び予測用端末２００の構成をより詳細に説明する。図２は、予測用サーバ１００及び予測用端末２００の機能的な構成を例示するブロック図である。図２に示すように、予測用サーバ１００は、機能上の構成（以下、「機能モジュール」という。）として、実績分類部１３１と、分類用データベース１３２と、パターン保持部１２１と、パターン決定部１２２と、データ登録部１２３と、学習用データベース１２４と、モデル構築部１２５と、モデル保持部１２６と、寄与度算出部１２７と、予測データ生成部１２８とを有する。

実績分類部１３１は、需要家の電力使用実績のデータを使用実績サーバ２０から取得して分類用データベース１３２に蓄積し、分類用データベース１３２に蓄積したデータの分類処理によって複数の電力需要パターンを設定してパターン保持部１２１に登録する。例えば実績分類部１３１は、一日における電力使用量の推移データと、一年における電力使用量の推移データとの組み合わせにより定められる複数の電力需要パターンを設定する。

例えば実績分類部１３１は、一日における電力使用量の推移データ（以下、「日特性データ」という。）を複数の日特性グループに分類し、一年における電力使用量の推移データ（以下、「月特性データ」という。）を複数の月特性グループに分類し、複数の日特性グループと複数の月特性グループとの組み合わせにより定められる複数の電力需要パターンを設定する。

例えば日特性データは、３０分ごとの電力使用量を示す４８データで構成されており、個々のデータは４８データの最大値を１として無次元化されている。実績分類部１３１は、複数の需要家の過去の日特性データを例えばＫ平均法等の分類手法によって複数（例えば三つ）の日特性グループＬ１－１，Ｌ１－２，Ｌ１－３に分類する（図３参照）。なお、Ｋ平均法等による分類対象となる具体的数値は、上記４８データの合計値であってもよいし、上記４８データの平均値であってもよい。Ｋ平均法等による分類の結果、図３のグループＬ１－２では、昼負荷（昼の電力使用量）に対する夜負荷（夜の電力使用量）の比率がグループＬ１－１に比較して高くなっている。グループＬ１－３では、昼負荷に対する夜負荷の比率がグループＬ１－２に比較して更に高くなっている。

例えば月特性データは、一月ごとの電力使用量を示す１２データで構成されており、個々のデータは１２データの最大値を１として無次元化されている。実績分類部１３１は、複数の需要家の過去の月特性データを例えばＫ平均法等の分類手法によって複数（例えば三つ）の月特性グループＬ２－１，Ｌ２－２，Ｌ２－３に分類する（図３参照）。Ｋ平均法等による分類対象となる具体的数値は、上記１２データの合計値であってもよいし、上記１２データの平均値であってもよい。Ｋ平均法等による分類の結果、図３のグループＬ２－１では、電力使用量のピークが一点（例えば８月）に集中する傾向がある。グループＬ２－２では、電力使用量のピークが二点（例えば２月及び８月）に集中する傾向がある。グループＬ２－３では、一年を通して電力使用量の変動が小さい傾向がある。

パターン決定部１２２は、需要家による電力使用実績が、パターン保持部１２１が記憶する複数の電力需要パターン（実績分類部１３１により予め設定された複数の電力需要パターン）のいずれに属するのかを決定する。データ登録部１２３は、需要家の属性データと、当該需要家の電力使用実績が属する電力需要パターン（パターン決定部１２２が決定した当該需要家の電力需要パターン）とを対応付けたデータ（以下、「既存需要家データ」という。）を学習用データベース１２４に登録する。属性データは、需要家の性質を定める複数のデータ項目を含んでいる。複数のデータ項目は、例えば、需要家の建物における店舗の有無、需要家の建物における２４時間営業の店舗（例えばコンビニエンスストア）の有無、需要家の建物の容積率、需要家の建物の床面積、需要家の建物の階数、需要家の建物の空調方式（例えばセントラル空調であるか個別空調であるか等）、及び需要家の建物の築年数等を含む。

学習用データベース１２４（データベース）は、データ登録部１２３により登録された既存需要家データを蓄積する。モデル構築部１２５は、需要家の属性データの入力に応じて、当該需要家が複数の電力需要パターンのいずれで電力を使用するかを示すパターン予測データを出力する電力需要予測モデルを、学習用データベース１２４に基づいて構築する。例えばモデル構築部１２５は、学習用データベース１２４に蓄積された既存需要家データを教師データとする機械学習により電力需要予測モデルを構築する。ここでの機械学習は、電力需要予測モデルの入出力を需要家データに合致させるように、電力需要予測モデルのパラメータを調整することの繰り返しにより、電力需要予測モデルを構築する情報処理手法を意味する。このような情報処理手法の具体例としては、既知の手法であるランダムフォレスト法及びディープラーニング等が挙げられる。

図４は、ランダムフォレスト法により構築される電力需要予測モデルを概念的に示す模式図である。モデル構築部１２５は、教師データが含む属性データに基づいて複数の決定木Ｔ１～Ｔｎをランダムに生成し、教師データに基づいて決定木Ｔ１～Ｔｎのそれぞれを構築する。例えばモデル構築部１２５は、構築対象の決定木（以下、「決定木Ｔ」という。）を次のように構築する。すなわちモデル構築部１２５は、教師データをランダムにサンプリングし、サンプリングしたデータを決定木Ｔの最上位のノードＮ１に与え、当該ノードＮ１の分岐関数を求める。次に、分岐関数に基づいて、教師データを二系統に分割し、ノードＮ１を親とする二つのノードＮ２に与え、二つのノードＮ２の分岐関数を求める。以後、予め設定された終了条件を満たすまで、以上の処理を下位のノードに継続し、決定木Ｔの構築を完了する。

図２に戻り、モデル保持部１２６は、モデル構築部１２５により構築された電力需要予測モデルのデータを記憶する。寄与度算出部１２７は、上記パターン予測データへの影響の程度を示す寄与度を、モデル保持部１２６が記憶する電力需要予測モデルに基づいて複数種類のデータ項目ごとに算出する。データ項目の寄与度が高くなるにつれて、当該データ項目の値の相違に応じてパターン予測データが相違する可能性が高くなる。複数種類のデータ項目ごとの寄与度は、例えば電力需要予測モデルにおける決定木の構造、及び各ノードの分岐関数の内容等に基づいて導出可能である。

予測データ生成部１２８は、モデル保持部１２６が記憶する電力需要予測モデルに需要家の属性データを入力することで、当該需要家のパターン予測データを生成する。例えば予測データ生成部１２８は、電力需要予測モデルから複数の決定木をランダムに抽出し、抽出した複数の決定木のそれぞれに属性データを入力して得られる複数種類の出力のうち、最も多くの決定木が出力したものをパターン予測データとして生成する。

なお、予測用サーバ１００は、電力需要予測モデルの構築後に取得されるデータに基づいて電力需要予測モデルを更新するように構成されていてもよい。例えばパターン決定部１２２は、新たな需要家（電力需要予測モデルの構築後に加わった需要家）による電力の使用実績が上記複数の電力需要パターンのいずれに属するのかを更に決定し、学習用データベース１２４は、新たな需要家の属性データと、パターン決定部１２２により決定された当該需要家の電力需要パターンとを対応付けた更新用の既存需要家データを更に蓄積し、モデル構築部１２５は、更新用の既存需要家データを蓄積した学習用データベース１２４に基づく機械学習により電力需要予測モデルを更新する。

予測用サーバ１００の各機能モジュールは、例えば上記プロセッサ１１１がメモリ１１２と協働してストレージ１１３のプログラムを実行することで構成される。また、パターン保持部１２１、学習用データベース１２４及びモデル保持部１２６等の記憶部はストレージ１１３の一部の記憶領域に構成される。予測用サーバ１００は、必ずしもプログラムにより各機能モジュールが構成されるものに限られない。予測用サーバ１００の少なくとも一部の機能モジュールが、専用の論理回路又はこれを集積したＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）により構成されていてもよい。

予測用端末２００は、機能モジュールとして、寄与度データ取得部２２１と、インタフェース画像表示部２２２と、属性データ取得部２２３と、予測データ取得部２２４と、予測結果出力部２２５とを有する。

寄与度データ取得部２２１は、寄与度算出部１２７により算出された寄与度のデータを取得する。インタフェース画像表示部２２２は、電力需要予測モデルを利用するためのインタフェース画像を表示（例えば表示デバイス２０２に表示）する。インタフェース画像表示部２２２は、少なくとも、需要家の識別情報と、需要家の属性データの複数のデータ項目とを入力する入力部と、パターン予測データの生成を要求するためのツール（例えばボタン）の画像とを含むインタフェース画像を表示する。インタフェース画像表示部２２２は、寄与度データ取得部２２１が取得した寄与度の情報を認識させ得るようにインタフェース画像を表示してもよい。例えばインタフェース画像表示部２２２は、インタフェース画像において、複数のデータ項目ごとの寄与度を数値等で表示してもよいし、寄与度が上位であるデータ項目に絞って上記入力部を表示してもよい。

属性データ取得部２２３は、インタフェース画像表示部２２２に入力された属性データを取得する。予測データ取得部２２４は、属性データ取得部２２３が取得した需要家の属性データを電力需要予測モデルに入力して当該需要家のパターン予測データを取得する。例えば予測データ取得部２２４は、属性データ取得部２２３が取得した需要家の属性データを予測データ生成部１２８に送信し、当該属性データを需要予測モデルに入力して生成されたパターン予測データを予測データ生成部１２８から受信する。

予測結果出力部２２５は、予測データ取得部２２４が取得した需要家のパターン予測データに基づいて、当該需要家が複数の電力需要パターンのいずれで電力を使用するかの予測結果を出力（例えば上記インタフェース画像に表示）する。

予測用端末２００の各機能モジュールは、例えば上記プロセッサ２１１がメモリ２１２と協働してストレージ２１３のプログラムを実行することで構成される。予測用端末２００は、必ずしもプログラムにより各機能モジュールが構成されるものに限られない。予測用端末２００の少なくとも一部の機能モジュールが、専用の論理回路又はこれを集積したＡＳＩＣにより構成されていてもよい。

〔電力需要予測手順〕
続いて、電力需要予測システム１が実行する電力需要予測手順を例示する。この手順は、予測用サーバ１００が実行する複数の電力需要パターンの設定手順、及び電力需要予測モデルの構築手順（電力需要予測モデルの構築方法）と、予測用端末２００が実行する電力需要予測結果の出力手順とを含む。以下、これらの手順を詳細に例示する。

（パターン設定手順）
予測用サーバ１００が実行する電力需要パターンの設定手順は、需要家の電力使用実績のデータ（以下、「使用実績データ」という。）を複数の電力需要パターンに分類することを含む。図５に示すように、予測用サーバ１００は、まずステップＳ２１，Ｓ２２を実行する。ステップＳ２１では、実績分類部１３１が、いずれかの需要家（以下、「データ蓄積対象の需要家」という。）の使用実績データ（例えば一年分の電力使用実績のデータ）を使用実績サーバ２０から取得する。ステップＳ２２では、データ蓄積対象の需要家のデータが、既に分類用データベース１３２に蓄積されているか否かを実績分類部１３１が確認する。

ステップＳ２２において、データ蓄積対象の需要家の使用実績データが、既に分類用データベース１３２に蓄積されていると判定した場合、予測用サーバ１００はステップＳ２３を実行する。ステップＳ２３では、実績分類部１３１が、既登録の使用実績データに、ステップＳ２１で取得した使用実績データを上書きする。

ステップＳ２２において、データ蓄積対象の需要家の使用実績データが分類用データベース１３２に蓄積されていないと判定した場合、予測用サーバ１００はステップＳ２４を実行する。ステップＳ２４では、実績分類部１３１が、データ蓄積対象の需要家の使用実績データを新たに分類用データベース１３２に登録する。なお、設定済みの電力需要パターンが既にパターン保持部１２１に記憶されている場合、ステップＳ２４において実績分類部１３１が登録する使用実績データは、後述の「更新用の使用実績データ」に相当する。

ステップＳ２３又はステップＳ２４の次に、予測用サーバ１００は、ステップＳ２５を実行する。ステップＳ２５では、実績分類部１３１が、使用実績データを取得可能な全ての需要家について、使用実績データの取得が完了したか否かを確認する。

ステップＳ２５において、全ての需要家について使用実績データの取得が完了していないと判定した場合、予測用サーバ１００は処理をステップＳ２１に戻す。以後、全ての需要家について使用実績データの取得が完了するまで、データ蓄積対象の需要家を変更しながら使用実績データの更新または新規登録が繰り返される。

ステップＳ２５において、全ての需要家について使用実績データの取得が完了したと判定した場合、予測用サーバ１００はステップＳ２６を実行する。ステップＳ２６では、モデル構築部１２５が、学習用データベース１２４に蓄積された使用実績データの数が分類用のデータ数（例えば、所定数の電力需要パターンの設定に適したデータ数）に達したか否かを確認する。設定済の電力需要パターンがパターン保持部１２１に記憶されている場合、当該電力需要パターンの設定後に蓄積した更新用の使用実績データの数が分類用のデータ数（例えば、電力需要パターンの更新に適したデータ数）に達したか否かを確認する。

ステップＳ２６において、使用実績データの数が分類用のデータ数に達したと判定した場合、予測用サーバ１００はステップＳ２７を実行する。ステップＳ２７では、実績分類部１３１が、分類用データベース１３２に蓄積したデータの分類処理（例えば上記Ｋ平均法による分類処理）によって複数の電力需要パターンを設定し、パターン保持部１２１に登録する。設定済の電力需要パターンがパターン保持部１２１に記憶されている場合、実績分類部１３１は、更新用の使用実績データを含めた分類処理により複数の電力需要パターンを更新する。ステップＳ２６において、使用実績データの数が分類用のデータ数に達していない場合、予測用サーバ１００は、ステップＳ２７を実行することなく、電力需要パターンの設定手順を完了する。予測用サーバ１００は、以上の手順を所定の周期で繰り返す。

（電力需要予測モデルの構築手順）
予測用サーバ１００が実行する電力需要予測モデルの構築手順は、需要家による電力使用実績が、予め設定された複数の電力需要パターンのいずれに属するのかを決定することと、複数種類のデータ項目を含む需要家の属性データと、当該需要家の電力使用実績が属する電力需要パターンの識別データとを対応付けた既存需要家データをデータベースに蓄積することと、需要家の属性データの入力に応じて、当該需要家が複数の電力需要パターンのいずれで電力を使用するかを示すパターン予測データを出力する電力需要予測モデルを、データベースに基づく機械学習により構築することと、を含む。

図６に示すように、予測用サーバ１００は、まず、ステップＳ０１，Ｓ０２，Ｓ０３を実行する。ステップＳ０１では、パターン決定部１２２が、いずれかの需要家（以下、「データ蓄積対象の需要家」という。）の電力使用実績のデータ（例えば一年分の電力使用実績のデータ）を使用実績サーバ２０から取得する。ステップＳ０２では、パターン決定部１２２が、ステップＳ０１で取得したデータに基づいて、データ蓄積対象の需要家による電力使用実績が、上記複数の電力需要パターンのいずれに属するのかを決定する。ステップＳ０３では、データ登録部１２３が、データ蓄積対象の需要家のデータが、既に学習用データベース１２４に蓄積されているか否かを確認する。

ステップＳ０３において、データ蓄積対象の需要家のデータが、既に学習用データベース１２４に蓄積されていると判定した場合、予測用サーバ１００はステップＳ０４を実行する。ステップＳ０４では、データ登録部１２３が、データ蓄積対象の需要家の既登録の既存需要家データに、ステップＳ０２で決定された電力需要パターンの識別データを上書きする。

ステップＳ０３において、データ蓄積対象の需要家のデータが学習用データベース１２４に蓄積されていないと判定した場合、予測用サーバ１００はステップＳ０５を実行する。ステップＳ０５では、データ登録部１２３が、データ蓄積対象の需要家の属性データと、ステップＳ０２で決定された電力需要パターンの識別データとを対応付けた既存需要家データを新たに学習用データベース１２４に登録する。なお、構築済みの電力需要予測モデルが既にモデル保持部１２６に記憶されている場合、ステップＳ０５においてデータ登録部１２３が登録する既存需要家データは、上述の「更新用の既存需要家データ」に相当する。

ステップＳ０４又はステップＳ０５の次に、予測用サーバ１００は、ステップＳ０６を実行する。ステップＳ０６では、パターン決定部１２２が、電力使用実績のデータを取得可能な全ての需要家について、電力使用実績のデータの取得が完了したか否かを確認する。

ステップＳ０６において、全ての需要家について電力使用実績のデータの取得が完了していないと判定した場合、予測用サーバ１００は処理をステップＳ０１に戻す。以後、全ての需要家について電力使用実績のデータの取得が完了するまで、データ蓄積対象の需要家を変更しながら既存需要家データの更新または新規登録が繰り返される。

ステップＳ０６において、全ての需要家について電力使用実績のデータの取得が完了したと判定した場合、予測用サーバ１００はステップＳ０７を実行する。ステップＳ０７では、モデル構築部１２５が、学習用データベース１２４に蓄積された既存需要家データの数が学習用のデータ数（例えば、モデルの構築に適したデータ数）に達したか否かを確認する。構築済の電力需要予測モデルがモデル保持部１２６に記憶されている場合、当該モデルの構築後に蓄積した更新用の既存需要家データの数が学習用のデータ数（例えば、モデルの更新に適したデータ数）に達したか否かを確認する。

ステップＳ０７において、既存需要家データの数が学習用のデータ数に達したと判定した場合、予測用サーバ１００はステップＳ０８，Ｓ０９を実行する。ステップＳ０８では、モデル構築部１２５が、学習用データベース１２４に基づく機械学習により電力需要予測モデルを構築してモデル保持部１２６に登録する。構築済の電力需要予測モデルがモデル保持部１２６に記憶されている場合、モデル構築部１２５は、更新用の既存需要家データを蓄積した学習用データベース１２４に基づく機械学習により電力需要予測モデルを更新する。ステップＳ０９では、寄与度算出部１２７が、上記パターン予測データへの影響の程度を示す寄与度を、モデル保持部１２６が記憶する電力需要予測モデルに基づいて複数種類のデータ項目ごとに算出する。以上で電力需要予測モデルの構築手順が完了する。ステップＳ０７において、既存需要家データの数が学習用のデータ数に達していない場合、予測用サーバ１００は、ステップＳ０８，Ｓ０９を実行することなく、電力需要予測モデルの構築手順を完了する。予測用サーバ１００は、以上の手順を所定の周期で繰り返す。

（電力需要予測結果の出力手順）
予測用端末２００が実行する電力需要予測結果の出力手順は、上記電力需要予測モデルに、新たな需要家の属性データを入力して当該需要家のパターン予測データを取得することと、新たな需要家のパターン予測データに基づいて当該新たな需要家が複数の電力需要パターンのいずれで電力を使用するかの予測結果を出力することと、を含む。

図７に示すように、予測用端末２００は、まずステップＳ１１，Ｓ１２，Ｓ１３，Ｓ１４を実行する。ステップＳ１１では、寄与度データ取得部２２１が、寄与度のデータの送信を寄与度算出部１２７に要求する。ステップＳ１２では、寄与度データ取得部２２１が、寄与度算出部１２７が送信した寄与度のデータを取得する。ステップＳ１３では、インタフェース画像表示部２２２が、上記インタフェース画像を表示デバイス２０２に表示する。ステップＳ１４では、属性データ取得部２２３が、パターン予測データの指令入力を待機する。例えば属性データ取得部２２３は、パターン予測データの生成を要求するためのツールがインタフェース画像において操作されるのを待機する。

次に、予測用端末２００は、ステップＳ１５，Ｓ１６，Ｓ１７を実行する。ステップＳ１５では、属性データ取得部２２３が、インタフェース画像表示部２２２に入力された属性データを取得する。ステップＳ１６では、予測データ取得部２２４が、属性データ取得部２２３が取得した需要家の属性データを電力需要予測モデルに入力して当該需要家のパターン予測データを取得する。例えば予測データ取得部２２４は、属性データ取得部２２３が取得した需要家の属性データを予測データ生成部１２８に送信し、当該属性データを需要予測モデルに入力して生成されたパターン予測データを予測データ生成部１２８から受信する。ステップＳ１７では、予測結果出力部２２５が、予測データ取得部２２４が取得した需要家のパターン予測データに基づいて、当該需要家が複数の電力需要パターンのいずれで電力を使用するかの予測結果を出力（例えば上記インタフェース画像に表示）する。以上で電力需要予測結果の出力手順が完了する。

〔本実施形態の効果〕
以上に説明したように、電力需要予測システム１は、需要家１０による電力使用実績が、予め設定された複数の電力需要パターンのいずれに属するのかを決定するパターン決定部１２２と、複数種類のデータ項目を含む需要家１０の属性データと、当該需要家１０の電力使用実績が属する電力需要パターンの識別データと、を対応付けた既存需要家データを蓄積する学習用データベース１２４と、需要家１０の属性データの入力に応じて、当該需要家１０が複数の電力需要パターンのいずれで電力を使用するかを示すパターン予測データを出力する電力需要予測モデルを、学習用データベース１２４に基づく機械学習により構築するモデル構築部１２５と、新たな需要家１０の属性データを電力需要予測モデルに入力して当該需要家１０のパターン予測データを取得する予測データ取得部２２４と、新たな需要家１０のパターン予測データに基づいて、当該新たな需要家１０が複数の電力需要パターンのいずれで電力を使用するかの予測結果を出力する予測結果出力部２２５と、を備える。

この電力需要予測システム１によれば、需要家１０による使用実績のデータを複数の電力需要パターンに分類して簡素化した上で機械学習を行うことにより、信頼性の高い電力需要予測モデルを容易に構築することができる。そして、電力需要予測モデルに新たな需要家１０の属性データを入力することで、当該需要家１０が複数の電力需要パターンのいずれで電力を使用するかを容易に予測することができる。従って、この電力需要予測システム１は、電力使用実績が未知である需要家１０の電力需要の予測に有用である。

複数の電力需要パターンのそれぞれは、少なくとも、一日における電力使用量の推移パターンと、一年における電力使用量の推移パターンとの組み合わせにより定められていてもよい。この場合、需要家１０が複数の電力需要パターンのいずれで電力を使用するかの予測結果に基づくことで、一日における電力使用量の推移と、一年における電力使用量の推移との両方を予測することが可能となるので、当該需要家１０の電力使用量の推移を的確に予測することが可能となる。

パターン決定部１２２は、新たな需要家１０による電力の使用実績が、予め設定された複数の電力需要パターンのいずれに属するのかを更に決定し、学習用データベース１２４は、新たな需要家の属性データと、パターン決定部１２２により決定された当該需要家１０の電力需要パターンとを対応付けた更新用の既存需要家データを更に蓄積し、モデル構築部１２５は、更新用の既存需要家データを蓄積した学習用データベース１２４に基づく機械学習により電力需要予測モデルを更新してもよい。この場合、新たな需要家１０による電力の使用実績に基づいて、電力需要予測モデルが継続的にブラッシュアップされるので、電力需要予測モデルに基づく電力需要パターンの予測結果の信頼性が向上する。

電力需要予測システム１は、パターン予測データへの影響の程度を示す寄与度を、電力需要予測モデルに基づいて複数種類のデータ項目ごとに算出する寄与度算出部１２７を更に備えていてもよい。この場合、寄与度の大きさに基づくことで、電力需要パターンの予測結果の信頼性低下を抑制しつつ、電力需要予測モデルに入力すべきデータ項目の絞り込みを図ることができる。これにより、新たな需要家１０から取得すべきデータ項目を削減し、当該需要家１０についての電力需要パターンの予測を更に容易にすることができる。

以上、実施形態について説明したが、本発明は必ずしも上述した形態に限定されるものではなく、その要旨を逸脱しない範囲で様々な変形が可能である。

１…電力需要予測システム、１０…需要家、１２２…パターン決定部、１２４…学習用データベース（データベース）、１２５…モデル構築部、１２７…寄与度算出部、２２４…予測データ取得部、２２５…予測結果出力部。

Claims (8)

1. 既存需要家の電力使用実績を含まない属性データと、前記既存需要家の前記電力使用実績が、予め設定された複数の電力需要パターンのうちいずれに属するかを示す識別データと、を対応付けた既存需要家データを蓄積するデータベースに基づいて、前記属性データと前記識別データとの関係を表すように機械学習により構築される電力需要予測モデルを保持することと、
   前記電力使用実績が未知である新規需要家の前記属性データの入力に応じ、前記新規需要家の前記属性データと、前記電力需要予測モデルとに基づいて、前記複数の電力需要パターンのうちいずれに属する電力需要パターンで前記新規需要家が電力を使用するかを示すパターン予測データを出力することと、を装置に実行させるプログラム。
2. 前記複数の電力需要パターンのそれぞれは、少なくとも、一日における電力使用量の推移パターンと、一年における電力使用量の推移パターンとの組み合わせにより定められている、請求項１記載のプログラム。
3. 前記属性データは、需要家の建物における店舗の有無、需要家の建物における２４時間営業の店舗の有無、需要家の建物の容積率、需要家の建物の床面積、需要家の建物の階数、需要家の建物の空調方式、及び需要家の建物の築年数のいずれか一種以上のデータ項目を含む、請求項１又は２記載のプログラム。
4. 請求項１～３のいずれか一項記載のプログラムと、
   前記新規需要家の前記属性データを前記プログラムに入力して前記新規需要家の前記パターン予測データを取得する予測データ取得部と、を備える電力需要予測システム。
5. 既存需要家の電力使用実績を含まない属性データと、前記既存需要家の前記電力使用実績が、予め設定された複数の電力需要パターンのうちいずれに属するかを示す識別データと、を対応付けた既存需要家データを蓄積したデータベースを記憶部に記憶させるデータ登録部と、
   前記電力使用実績が未知である新規需要家の前記属性データの入力に応じて、前記複数の電力需要パターンのうちいずれに属する電力需要パターンで前記新規需要家が電力を使用するかを示すパターン予測データを出力するように、前記属性データと前記識別データとの関係を表す電力需要予測モデルを、前記データベースに基づく機械学習により構築するモデル構築部と、を備える電力需要予測システム。
6. 前記属性データは、複数種類のデータ項目を含み、
   前記電力需要予測システムは、
   前記パターン予測データへの影響の程度を示す寄与度を、前記電力需要予測モデルに基づいて前記複数種類のデータ項目ごとに算出する寄与度算出部を更に備える、請求項５記載の電力需要予測システム。
7. データ登録部が、既存需要家の電力使用実績を含まない属性データと、前記既存需要家の前記電力使用実績が、予め設定された複数の電力需要パターンのうちいずれに属するかを示す識別データとを対応付けた既存需要家データをデータベースに蓄積することと、
   モデル構築部が、前記複数の電力需要パターンのうち、前記電力使用実績が未知である新規需要家が前記複数の電力需要パターンのうちいずれに属する電力需要パターンで電力を使用するかを示すパターン予測データを前記新規需要家の前記属性データの入力に応じて出力するように、前記属性データと前記識別データとの関係を表す電力需要予測モデルを、前記データベースに基づいて機械学習により構築することと、を含む電力需要予測モデルの構築方法。
8. 既存需要家の電力使用実績を含まない属性データと、前記既存需要家の前記電力使用実績が、予め設定された複数の電力需要パターンのうちいずれに属するかを示す識別データと、を対応付けた既存需要家データを蓄積するデータベースと、
   前記電力使用実績が未知である新規需要家が、前記複数の電力需要パターンのうちいずれに属する電力需要パターンで電力を使用するかを示すパターン予測データを前記新規需要家の前記属性データの入力に応じて出力するように、前記属性データと前記識別データとの関係を表す電力需要予測モデルを、前記データベースに基づいて機械学習により構築するモデル構築部と、
   前記新規需要家の前記属性データを前記電力需要予測モデルに入力して前記新規需要家の前記パターン予測データを取得する予測データ取得部と、
   前記新規需要家の前記パターン予測データにより示される電力需要パターンに適した電力利用契約プランを出力するプラン出力部と、を備える営業支援システム。

Images