JP7454491B2 - 状態予測システム、状態予測方法、及びプログラム - Google Patents
状態予測システム、状態予測方法、及びプログラム Download PDFInfo
- Publication number
- JP7454491B2 JP7454491B2 JP2020215969A JP2020215969A JP7454491B2 JP 7454491 B2 JP7454491 B2 JP 7454491B2 JP 2020215969 A JP2020215969 A JP 2020215969A JP 2020215969 A JP2020215969 A JP 2020215969A JP 7454491 B2 JP7454491 B2 JP 7454491B2
- Authority
- JP
- Japan
- Prior art keywords
- behavior
- rule
- behavior rule
- unit
- charging
- 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
- 238000000034 method Methods 0.000 title claims description 41
- 230000009471 action Effects 0.000 claims description 115
- 238000012545 processing Methods 0.000 claims description 69
- 230000008859 change Effects 0.000 claims description 47
- 230000003542 behavioural effect Effects 0.000 claims description 38
- 238000000605 extraction Methods 0.000 claims description 38
- 230000004048 modification Effects 0.000 claims description 33
- 238000012986 modification Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 30
- 230000007704 transition Effects 0.000 claims description 29
- 238000007599 discharging Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 24
- 239000000284 extract Substances 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 11
- 230000006399 behavior Effects 0.000 description 235
- 238000010586 diagram Methods 0.000 description 22
- 238000007726 management method Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 10
- 238000012937 correction Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 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"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/66—Data transfer between charging stations and vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/67—Controlling two or more charging stations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/68—Off-site monitoring or control, e.g. remote control
-
- G06Q50/40—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/00032—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by data exchange
- H02J7/00034—Charger exchanging data with an electronic device, i.e. telephone, whose internal battery is under charge
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/007—Regulation of charging or discharging current or voltage
- H02J7/0071—Regulation of charging or discharging current or voltage with a programmable schedule
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/80—Time limits
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/44—Control modes by parameter estimation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/40—The network being an on-board power network, i.e. within a vehicle
- H02J2310/48—The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
Description
本発明は、状態予測システム等に関する。
発電設備や蓄電設備の他、電気自動車等の負荷を含む分散エネルギ需給システムにおいて、エネルギの需要に応じて供給を行う技術が導入され、多様なサービスが提案されている。例えば、特許文献1には、「・・・単位計測期間毎の予測消費電力及び前記信頼度とに基づいて、最適な消費電力量、時間帯及び時間長のブロックを調整力ブロックとして抽出する」ことが記載されている。また、特許文献2には、蓄電手段の利用予測装置において、「・・・予測手段に予測された前記利用状況特定期間に基づき、前記システム内において前記制御がなされる」ことが記載されている。
特許文献1,2に記載の技術では、分散エネルギ需給システムの将来の状態を予測するために、消費電力等の履歴データが用いられる。しかしながら、分散エネルギ需給システムの運用(電力の供給タイミングや供給量等)が変わった場合、それに対応する適切な履歴データがないため、将来の状態を予測することが困難になる。分散エネルギ需給システムの運用が変わった場合でも、電力の供給を受ける機器の状態を適切に予測できることが望ましいが、そのような技術については、特許文献1,2には記載されていない。
そこで、本発明は、充放電する機器の状態を適切に予測する状態予測システム等を提供することを課題とする。
前記した課題を解決するために、本発明は、機器の行動の履歴を示す行動履歴データ、及び、前記機器のバッテリの充電率の履歴を示す充電率履歴データに基づいて、前記機器の行動の特徴量を抽出する行動特徴量抽出部を備え、前記機器の行動の少なくとも一部には、人の操作が介在し、前記特徴量には、前記機器が所定の行動を開始したときの時刻及び前記充電率、並びに、前記機器が当該行動を終了したときの時刻及び前記充電率を特定する情報が含まれ、前記機器の行動に伴う前記バッテリの充放電の傾向として、充放電のタイミング及び充放電量を示す所定の行動ルールを前記特徴量に基づいて抽出する行動ルール抽出部と、前記行動ルールを表示する表示部を参照しての所定の入力操作に基づいて、前記行動ルールを修正する行動ルール修正部と、前記行動ルール修正部によって前記行動ルールが修正された場合、修正後の前記行動ルールに基づいて、前記機器の将来の状態を予測する予測部と、をさらに備えることを特徴とする。
本発明によれば、充放電する機器の状態を適切に予測する状態予測システム等を提供できる。
≪第1実施形態≫
<状態予測システムの構成>
図1は、第1実施形態に係る状態予測システム11を含む構成図である。
状態予測システム11は、分散エネルギ需給システム200における電気自動車25(機器、移動体)の将来の状態を予測するシステムである。以下では、状態予測システム11の説明に先立って、まず、電気自動車25を含む分散エネルギ需給システム200について簡単に説明する。
<状態予測システムの構成>
図1は、第1実施形態に係る状態予測システム11を含む構成図である。
状態予測システム11は、分散エネルギ需給システム200における電気自動車25(機器、移動体)の将来の状態を予測するシステムである。以下では、状態予測システム11の説明に先立って、まず、電気自動車25を含む分散エネルギ需給システム200について簡単に説明する。
図1に示すように、分散エネルギ需給システム200は、発電設備21や配電設備22、蓄電設備23の他、複数の充電設備24や電気自動車25を含んで構成されている。また、発電設備21、配電設備22、蓄電設備23、及び充電設備24は、電力線26を介して所定に接続されている。そして、発電設備21で発電された電力が、配電設備22等を介して、蓄電設備23や充電設備24に所定に供給されるようになっている。
充電設備24は、電気自動車25のバッテリ25aの充電を行う設備である。例えば、電気自動車25の充電口(図示せず)に充電ケーブル27のコネクタ(図示せず)が差し込まれ、ユーザによって所定の操作が行われた場合、充電設備24から充電ケーブル27を介して、電気自動車25に電力が供給されるようになっている。これによって、電気自動車25のバッテリ25aの充電率(State of Charge:SoC)が上昇する。バッテリ25aの充電が完了した場合、ユーザによって、電気自動車25の充電口から充電ケーブル27が取り外される。
なお、電気自動車25が充電ケーブル27を介して充電設備24に接続されているとき、電気自動車25とEV管理システム100との間で、充電設備24を介して所定に通信(有線通信又は無線通信)が行われる。この通信でやり取りされる情報の詳細については後記する。
電気自動車25は、バッテリ25aを主な駆動源として走行する車両である。このような電気自動車25は、例えば、商品の配送や郵便物の配達に用いられる他、タクシーやバスとして用いられることもある。電気自動車25は、EV管理システム100との間で所定に通信を行うようになっている(図1の破線を参照)。このような電気自動車25は、完全自動運転である必要は特になく、運転者によって運転される。つまり、電気自動車25(機器)の行動の少なくとも一部には、人の操作が介在している。したがって、その移動経路や走行速度、停車位置や待機時間等は、運転者や状況(地域、天候、時間帯、顧客への対応等)によって異なったものになる。
EV管理システム100は、電気自動車25の管理を行う他、電気自動車25の将来の充放電のタイミングや、充放電量を予測する機能等を有している。図1に示すように、EV管理システム100は、状態予測システム11と、制御管理システム12と、を備えている。状態予測システム11は、前記したように、電気自動車25の将来の状態を予測するシステムである。なお、状態予測システム11の詳細については後記する。
制御管理システム12は、電気自動車25のスケジュールや消費電力量を管理するシステムである。例えば、制御管理システム12は、EV管理システム100との間で所定に通信を行い、電気自動車25のスケジュール管理を行う。その他にも、例えば、電気自動車25の一日当たりの将来の消費電力量が比較的多いと予測された場合、制御管理システム12を介して、管理用パソコン13と電力取引希望者パソコン28との間で情報が所定にやり取りされ、電力(将来に使用される電力量)の売買が行われる。そして、配電設備22等を介して、充電設備24に所定に電力が供給される。
管理用パソコン13は、EV管理システム100の管理者によって操作されるコンピュータであり、EV管理システム100との間で所定にデータをやり取りするようになっている。
電力取引希望者パソコン28は、EV管理システム100を介して、管理用パソコン13との間で電力の取引(売買)を行うためのコンピュータであり、電力取引希望者によって操作される。そして、管理者と電力取引希望者との間で電力の取引が成立した場合、電力取引希望者パソコン28の操作に基づき、配電設備22等を介して、電力が所定に供給されるようになっている。なお、管理用パソコン13と、電力取引希望者パソコン28との間のデータのやり取りが、電力取引市場システム(図示せず)を介して行われるようにしてもよい。
電力取引希望者パソコン28は、EV管理システム100を介して、管理用パソコン13との間で電力の取引(売買)を行うためのコンピュータであり、電力取引希望者によって操作される。そして、管理者と電力取引希望者との間で電力の取引が成立した場合、電力取引希望者パソコン28の操作に基づき、配電設備22等を介して、電力が所定に供給されるようになっている。なお、管理用パソコン13と、電力取引希望者パソコン28との間のデータのやり取りが、電力取引市場システム(図示せず)を介して行われるようにしてもよい。
図2は、状態予測システム11のハードウェア構成を含む構成図である。
状態予測システム11の機能は、汎用コンピュータやサーバ等の電子計算機(及びその周辺機器)によって実現される。図2に示すように、状態予測システム11は、そのハードウェア構成として、CPU11a(Central Processing Unit)と、メモリ11bと、ストレージ11cと、入力部11dと、通信インタフェース11eと、出力部11kと、を含んで構成されている。
状態予測システム11の機能は、汎用コンピュータやサーバ等の電子計算機(及びその周辺機器)によって実現される。図2に示すように、状態予測システム11は、そのハードウェア構成として、CPU11a(Central Processing Unit)と、メモリ11bと、ストレージ11cと、入力部11dと、通信インタフェース11eと、出力部11kと、を含んで構成されている。
CPU11aは、メモリ11bやストレージ11cに記憶されているプログラムに基づいて、所定の演算処理を実行する。メモリ11bは、データの一時的に記憶するRAM(Random Access Memory)を含んでいる。ストレージ11cは、データを長期的に記憶するROM(Read Only Memory)を含んでいる。このようなストレージ11cとして、例えば、HDD(Hard Disk Drive)やSSD(Solid State Drive)が用いられる。
入力部11dは、ユーザの操作によって、データの入力を行うものである。このような入力部11dとして、キーボードやマウスの他、タッチパネル等が用いられる。なお、入力部11dとして、管理用パソコン13のキーボードやマウスが用いられてもよい。
通信インタフェース11eは、状態予測システム11と電気自動車25との間で、通信ネットワークN1を介してデータのやり取りが行われる際、所定のプロトコルに基づくデータ変換を行う。
通信インタフェース11eは、状態予測システム11と電気自動車25との間で、通信ネットワークN1を介してデータのやり取りが行われる際、所定のプロトコルに基づくデータ変換を行う。
表示部11fは、例えば、液晶ディスプレイであり、CPU11aの演算結果等を所定に表示する。なお、表示部11fとして、管理用パソコン13のディスプレイが用いられてもよい。状態予測システム11は、1つの装置(サーバ等)で構成されていてもよいし、また、通信線やネットワークを介して、複数の装置(図示せず)が所定に接続された構成であってもよい。
図2に示すように、電気自動車25は、EVメモリ25bと、EV通信装置25cと、を備えている。EVメモリ25bには、電気自動車25の行動や充電率に関する所定のデータが格納される。EV通信装置25cは、通信ネットワークN1(無線通信のネットワークや図1の充電ケーブル27)を介して、状態予測システム11との間でデータのやり取りを所定に行う。
図3は、状態予測システム11の機能ブロック図である。
図3に示すように、状態予測システム11は、機能的な構成として、記憶部11gと、演算処理部11hと、出力部11kと、入力部11dと、表示部11fと、を備えている。記憶部11gには、所定のプログラムやデータが格納される。演算処理部11hは、記憶部11gに格納されたプログラムやデータに基づいて、所定の演算処理を実行する。出力部11kは、演算処理部11hの演算結果を制御管理システム12等(図1参照)に出力する。なお、入力部11dや表示部11fについては、図2を用いて説明したとおりである。
図3に示すように、状態予測システム11は、機能的な構成として、記憶部11gと、演算処理部11hと、出力部11kと、入力部11dと、表示部11fと、を備えている。記憶部11gには、所定のプログラムやデータが格納される。演算処理部11hは、記憶部11gに格納されたプログラムやデータに基づいて、所定の演算処理を実行する。出力部11kは、演算処理部11hの演算結果を制御管理システム12等(図1参照)に出力する。なお、入力部11dや表示部11fについては、図2を用いて説明したとおりである。
図3に示すように、演算処理部11hは、データ取得部1と、行動特徴量抽出部2と、行動ルール抽出部3と、行動ルール修正部4と、予測部5と、を備えている。データ取得部1は、電気自動車25(図1参照)に関する所定のデータを無線通信で取得したり、充電中に充電ケーブル27(図1参照)を介して取得したりする。データ取得部1によって取得されるデータには、電気自動車25のSoC履歴データ(充電率履歴データ)や行動履歴データが含まれている。
図4は、電気自動車のSoC履歴データの説明図である。
図4に示すSoC履歴データは、電気自動車25(図1参照)の時々刻々のSoC(充電率)を示すデータであり、「EV識別情報」と、「時刻」と、「SoC」と、を含んでいる。「EV識別情報」は、電気自動車25に付けられた識別情報であり、予め設定されている。「時刻」は、SOC等のデータが取得された時刻である。なお、SoC履歴データに含まれる「時刻」に、年・月・日のデータが加えられてもよい。「SoC」は、前記したように、電気自動車25の充電率である。
図4に示すSoC履歴データは、電気自動車25(図1参照)の時々刻々のSoC(充電率)を示すデータであり、「EV識別情報」と、「時刻」と、「SoC」と、を含んでいる。「EV識別情報」は、電気自動車25に付けられた識別情報であり、予め設定されている。「時刻」は、SOC等のデータが取得された時刻である。なお、SoC履歴データに含まれる「時刻」に、年・月・日のデータが加えられてもよい。「SoC」は、前記したように、電気自動車25の充電率である。
そして、「EV識別情報」、「時刻」、及び「SoC」が対応付けられたSoC履歴データが、データ取得部1(図3参照)によって、電気自動車25(図1参照)から取得される。例えば、SoC履歴データは、電気自動車25の充電中に充電ケーブル27(図1参照)、充電設備24(図1参照)、及び通信線(図1の破線)を順次に介して取得される。
図5は、電気自動車のSoCの時間的な変化を示す説明図である(適宜、図1、図3を参照)。
なお、図5の横軸は時刻であり、縦軸は電気自動車25(図1参照)のSoCである。また、図5には、電気自動車25の充電中(時刻t1~t2、時刻t4~t5)や待機中(時刻t2~t3)、この電気自動車25から充電ケーブル27を介してSoC履歴データ等が取得される一方、電気自動車25の移動中(図5の時刻t0~t1、時刻t3~t4)には、SoC履歴データ等が取得されない例を示している。なお、電気自動車25の「移動」には、道路での一時停止も含まれる。
なお、図5の横軸は時刻であり、縦軸は電気自動車25(図1参照)のSoCである。また、図5には、電気自動車25の充電中(時刻t1~t2、時刻t4~t5)や待機中(時刻t2~t3)、この電気自動車25から充電ケーブル27を介してSoC履歴データ等が取得される一方、電気自動車25の移動中(図5の時刻t0~t1、時刻t3~t4)には、SoC履歴データ等が取得されない例を示している。なお、電気自動車25の「移動」には、道路での一時停止も含まれる。
図5の例では、時刻t1~t2において、充電設備24(図1参照)から充電ケーブル27(図1参照)を介して電気自動車25の充電が行われており、時間の経過に伴って、SoCが値C1から値C3に上昇している。また、時刻t2~t3では、電気自動車25が充電ケーブル27を介して充電設備24に接続されたまま待機している状態であり、SoCは、値C3で維持されている。そして、時刻t3~t4において電気自動車25が移動した後、時刻t4~t5において電気自動車25への充電が再び行われている。
なお、図5の例では、状態予測システム11(図1参照)が、電気自動車25の充電中・待機中のSoCをリアルタイムで取得する例を示しているが、これに限らない。例えば、バッテリ25a(図1参照)のSoCの値が電気自動車25のEVメモリ25b(図2参照)に記憶されている場合には、電気自動車25の充電中、過去のSoCがデータ取得部1(図3参照)によって取得されるようにしてもよい。また、電気自動車25と状態予測システム11との間の無線通信によって、電気自動車25の時々刻々のSoCの値が、電気自動車25から状態予測システム11に直接的に送信されるようにしてもよい。
図6は、電気自動車の行動履歴データの説明図である。
図6に示す行動履歴データは、電気自動車25の「EV識別情報」と、「行動」の種類と、行動の「開始時刻」と、行動の「終了時刻」と、が対応付けられたデータである。例えば、12:00~13:00の時間帯で電気自動車25の充電が行われたとする。この場合、図6に示すように、電気自動車25の行動の種別が「充電」であり、行動開始時刻が「12:00」であり、行動終了時刻が「13:00」であることを示す所定の行動履歴データが生成される。このようにして生成された行動履歴データは、充電設備24(図1参照)及び通信線(図1の破線)を順次に介して、状態予測システム11に送信される。
図6に示す行動履歴データは、電気自動車25の「EV識別情報」と、「行動」の種類と、行動の「開始時刻」と、行動の「終了時刻」と、が対応付けられたデータである。例えば、12:00~13:00の時間帯で電気自動車25の充電が行われたとする。この場合、図6に示すように、電気自動車25の行動の種別が「充電」であり、行動開始時刻が「12:00」であり、行動終了時刻が「13:00」であることを示す所定の行動履歴データが生成される。このようにして生成された行動履歴データは、充電設備24(図1参照)及び通信線(図1の破線)を順次に介して、状態予測システム11に送信される。
なお、電気自動車25に充電ケーブル27を介して接続されている充電設備24が、行動履歴データを生成するようにしてもよい。また、電気自動車25の「移動」に関する行動履歴データが取得される必要は特にない。充電・待機のいずれも行われていない時間帯には、電気自動車25が移動しているものとして扱えばよいからである。
図3に示す行動特徴量抽出部2は、電気自動車25(機器)の行動の履歴を示す行動履歴データ、及び、電気自動車25のバッテリ25aのSoC(充電率)の履歴を示すSoC履歴データ(充電率履歴データ)に基づいて、電気自動車25の行動の特徴量を抽出する。
行動ルール抽出部3は、電気自動車25(機器)の行動の特徴量に基づいて、電気自動車25の行動に伴うバッテリ25aの充放電の傾向として、充放電のタイミング及び充放電量を示す所定の行動ルールを抽出する。
行動ルール抽出部3は、電気自動車25(機器)の行動の特徴量に基づいて、電気自動車25の行動に伴うバッテリ25aの充放電の傾向として、充放電のタイミング及び充放電量を示す所定の行動ルールを抽出する。
行動ルール修正部4は、所定の入力操作(表示部11fを参照しての管理者による所定の入力操作)に基づいて、行動ルールを修正する。
予測部5は、行動ルール修正部4によって行動ルールが修正された場合、修正後の行動ルールに基づいて、電気自動車25(機器)の将来の状態を予測する。
次に、状態予測システム11で行われる処理について、図7、図8を用いて説明する。
予測部5は、行動ルール修正部4によって行動ルールが修正された場合、修正後の行動ルールに基づいて、電気自動車25(機器)の将来の状態を予測する。
次に、状態予測システム11で行われる処理について、図7、図8を用いて説明する。
図7、図8は、状態予測システムで実行される処理のフローチャートである(適宜、図3を参照)。
ステップS101において演算処理部11hは、データ取得部1によって、電気自動車25のデータを取得する。すなわち、演算処理部11hは、電気自動車25のSoC履歴データ(図4、図5参照)や行動履歴データ(図6参照)を、充電設備24(図1参照)を介して取得する。
ステップS101において演算処理部11hは、データ取得部1によって、電気自動車25のデータを取得する。すなわち、演算処理部11hは、電気自動車25のSoC履歴データ(図4、図5参照)や行動履歴データ(図6参照)を、充電設備24(図1参照)を介して取得する。
ステップS102において演算処理部11hは、ステップS101で取得したデータを行動特徴量抽出部2によって分類する。すなわち、演算処理部11hは、電気自動車25の行動履歴データ(図6参照)に基づいて、時々刻々のSoC履歴データを、電気自動車25の行動の種類である移動・充電・待機のいずれかに属するように分類する。
図5、図6の例では、電気自動車25が充電ケーブル27(図1参照)を介して充電設備24(図1参照)に接続されていない時間帯(図5の時刻t0~t1、時刻t3~t4)では、SoC履歴データが取得されておらず、また、行動履歴データも取得されていない。演算処理部11hは、このような時間帯には電気自動車25が移動しているものとして扱う。
ちなみに、行動履歴データがほとんど取得されない場合でも、SoC履歴データに含まれるSoCの変化速度(時間的な変化率)に基づいて、電気自動車25の行動の種類を推定することは可能である。例えば、SoCの変化速度が正のときには「充電」中であり、SoCの変化速度が略ゼロのときには「待機」中であり、SoCの変化速度が負のとき(又はSoC履歴データが得られていない時間帯)には「移動」中であると推定されるようにしてもよい。
図5の例では、時刻t0~t1では「移動」、時刻t1~t2では「充電」、時刻t2~t3では「待機」、時刻t3~t4では「移動」、時刻t4~t5では「充電」というようにSoC履歴データが分類される。
次に、図7のステップS103において演算処理部11hは、行動特徴量抽出部2によって、分類したデータ(SoC履歴データ)ごとの特徴量を抽出する(行動特徴量抽出処理)。なお、「特徴量」とは、電気自動車25(機器)の行動の特徴を示すデータである。このような「特徴量」には、電気自動車25が所定の行動を開始したときの時刻及びSoC(充電率)、並びに、電気自動車25が当該行動を終了したときの時刻及びSoC(充電率)を特定する情報が含まれている。第1実施形態では、「特徴量」として、電気自動車25の行動の開始時刻、行動の開始時のSoC(開始SoCという)、充放電量、及び行動の継続時間の4つを用いるようにしている。
例えば、図5の時刻t1~t2における電気自動車25の行動(充電)の特徴量として、行動の開始時刻はt1であり、開始SoCはC1であり、行動に伴う充電量は(C3-C1)であり、行動の継続時間はΔt2である。
また、例えば、図5の時刻t3~t4における電気自動車25の行動(移動)の特徴量として、行動の開始時刻はt3であり、行動の開始SoCはC3であり、行動に伴う放電量(電力消費量)は(C3-C2)であり、行動の継続時間はΔt4である。
また、例えば、図5の時刻t3~t4における電気自動車25の行動(移動)の特徴量として、行動の開始時刻はt3であり、行動の開始SoCはC3であり、行動に伴う放電量(電力消費量)は(C3-C2)であり、行動の継続時間はΔt4である。
このように、SoC履歴データ(充電率履歴データ)及び行動履歴データが取得されなかった時間帯が存在する場合、行動特徴量抽出部2は、この時間帯における電気自動車25(移動体)の行動の種類を「移動」とし、さらに、この時間帯の開始時刻を当該「移動」の開始時刻とする。さらに、行動特徴量抽出部2は、この時間帯の開始直前に取得したSoC(充電率)を当該「移動」の開始時の充電率とし、この時間帯の終了時刻を当該「移動」の終了時刻とし、この時間帯の終了直後に取得したSoC(充電率)を当該移動の終了時の充電率として、特徴量を抽出する。これによって、行動特徴量抽出部2は、SoC履歴データや行動履歴データが取得されていない時間帯においても、電気自動車25の行動の特徴量を抽出できる。
なお、異なる時間帯にとられた行動の種類が同一であっても、その間に他の種類の行動が介在しているときには、別の行動として扱われる。例えば、図5の時刻t1~t2における「充電」と、時刻t4~t5における「充電」とは、行動の種類は共通であるが、その間の時刻t2~t4では、他の種類の行動(時刻t2~t3の「待機」、及び、時刻t3~t4の「移動」)が介在している。このような場合、行動特徴量抽出部2は、時刻t1~t2の「充電」に関する特徴量を抽出し、また、これとは別に時刻t4~t5の「充電」に関する特徴量を抽出する。
また、SoC履歴データや行動履歴データが取得された日付(年月日)が異なっていても、それぞれの日付のデータは、一日24時間のいずれかの時間帯に含まれるものとして共通に扱われる。
その他、同様の運用下で管理される複数の電気自動車25(図1参照)のSoC履歴データや行動履歴データも含めて、データが解析されるようにしてもよい。これによって、SoC履歴データや行動履歴データが十分に得られるため、電気自動車25の行動を予測する際の精度を高めることができる。
その他、同様の運用下で管理される複数の電気自動車25(図1参照)のSoC履歴データや行動履歴データも含めて、データが解析されるようにしてもよい。これによって、SoC履歴データや行動履歴データが十分に得られるため、電気自動車25の行動を予測する際の精度を高めることができる。
図9は、電気自動車の行動の4種類の特徴量をプロットした場合の説明図である。
なお、図9では、行動の開始時刻、開始SoC、充放電量、及び継続時間の4つの特徴量のデータがプロットされた例を示している。ただし、4次元のデータであるため、図9では2つに分けて図示している。具体的に説明すると、図4の紙面左側(符号31)には、行動の開始時刻、開始SoC、及び充電量の3次元の軸を示し、また、図4の紙面右側(符号32)には、行動の開始時刻、開始SoC、及び継続時間の3次元の軸を示している。なお、図4の紙面左側・右側のいずれも、行動の開始時刻、及び開始SoCの2つの軸は共通である。また、充放電量の軸の正側は充電であり、負側は放電であるものとする。
なお、図9では、行動の開始時刻、開始SoC、充放電量、及び継続時間の4つの特徴量のデータがプロットされた例を示している。ただし、4次元のデータであるため、図9では2つに分けて図示している。具体的に説明すると、図4の紙面左側(符号31)には、行動の開始時刻、開始SoC、及び充電量の3次元の軸を示し、また、図4の紙面右側(符号32)には、行動の開始時刻、開始SoC、及び継続時間の3次元の軸を示している。なお、図4の紙面左側・右側のいずれも、行動の開始時刻、及び開始SoCの2つの軸は共通である。また、充放電量の軸の正側は充電であり、負側は放電であるものとする。
例えば、図5の時刻t1~t2における「充電」の4つの特徴量(行動の開始時刻、開始SoC、充放電量、及び継続時間)は、図9の点P1としてプロットされている。また、図5の時刻t3~t4における「充電」の4つの特徴量は、図9の点P4としてプロットされている。なお、図7の残りの点P2,P3,P5,P6は、他の日付(又は他の車両)における行動の特徴量である。また、図5には図示していないが、「待機」や「移動」といった行動の特徴量も抽出される。
ちなみに、行動の開始時刻については、例えば、0時0分のときの開始時刻の値をゼロとし、1分経過するごとに値がひとつずつ大きくなるようにしてもよい。この場合、行動の開始時刻は、0~(60分×24時間)の離散的な数値のうちのいずれかに対応付けられる。また、行動特徴量抽出部2が、いわゆる正規化の処理を行い、各特徴量を所定の代表値で除算するなどして無次元量化してもよい。このような正規化後のデータも「特徴量」に含まれる。
次に、図7のステップS104において演算処理部11hは、行動の特徴量に基づき、行動ルール抽出部3によって、クラスタリングを行う。
次に、図7のステップS104において演算処理部11hは、行動の特徴量に基づき、行動ルール抽出部3によって、クラスタリングを行う。
図10は、電気自動車の行動の特徴量のデータをクラスタリングした結果の説明図である。なお、図10にプロットされている各データは、図9に示すものと同一である。
ステップS104(図7参照)におけるクラスタリングの手法として、例えば、非階層的クラスタリングの一つであるk平均法が用いられる。k平均法について説明すると、行動ルール抽出部3は、まず、特徴量のデータのそれぞれに対してランダムにクラスタを割り振り、それぞれのクラスタの中心の座標値(4次元座標における値)を算出する。なお、クラスタの中心として、例えば、そのクラスタに属する複数のデータの平均値(4次元座標における各平均値)を用いるようにしてもよい。
ステップS104(図7参照)におけるクラスタリングの手法として、例えば、非階層的クラスタリングの一つであるk平均法が用いられる。k平均法について説明すると、行動ルール抽出部3は、まず、特徴量のデータのそれぞれに対してランダムにクラスタを割り振り、それぞれのクラスタの中心の座標値(4次元座標における値)を算出する。なお、クラスタの中心として、例えば、そのクラスタに属する複数のデータの平均値(4次元座標における各平均値)を用いるようにしてもよい。
次に、行動ルール抽出部3は、所定のデータの点と、それぞれのクラスタの中心との間の距離を算出し、この距離が最も小さいクラスタに当該所定のデータが属するようにクラスタを割り当てなおす。行動ルール抽出部3は、特徴量のデータの全てについて、このような処理を実行する。そして、クラスタの割当てが変化しなかった場合、行動ルール抽出部3は、クラスタの割当てを終了し、それ以外の場合には、新しく割り当てられたクラスタに基づいて再計算する。図10の例では、2つのクラスタR1,R2が生成されている。なお、前記したk平均法は一例であり、クラスタリングの手法は、これに限定されるものではない。
次に、図7のステップS105において演算処理部11hは、行動ルール抽出部3によって、クラスタごとの行動ルールを抽出する(行動ルール抽出処理)。すなわち、行動ルール抽出部3は、複数種類(図10では、4種類)の特徴量を含む情報を所定のクラスタリングに基づいて分類し、その分類結果を行動ルールとして抽出する。ここで、「行動ルール」とは、電気自動車25の行動に伴うバッテリ25aの充放電の傾向として、充放電のタイミング及び充放電量を示すデータである。
このような行動ルールは、それぞれのクラスタR1,R2,・・・(図10参照)と一対一で対応している。わかりやすくいうと、行動の開始時刻、開始SoC、充放電量、及び行動の継続時間という4つの観点に基づいて、電気自動車25の過去の似通った行動(運転者の判断に基づく行動)のデータをひとまとまりにしたものが、行動ルールである。行動ルールには、行動の種類(移動・充電・待機のいずれか)や、クラスタR1,R2,・・・を特定するための識別情報の他、クラスタR1,R2,・・・の統計的なデータ(各成分の平均値、分散、最大値、最小値等)が含まれている。
また、それぞれのクラスタR1,R2,・・・に含まれるデータが正規分布になるという仮定に基づいて、行動ルール抽出部3が、これらのデータを確率モデル化するようにしてもよい。ここで、「確率モデル化」とは、確率密度関数に基づいて、クラスタに属するデータの分布を所定の数式で表す処理である。例えば、データが正規分布になるという仮定では、クラスタに属するデータの4次元の成分(つまり、4種類の特徴量)のそれぞれの平均値及び分散が、確率密度関数を与えるパラメータになる。このようなパラメータは、後記する予測部5(図3参照)の処理で用いられる。
図7のステップS105において行動ルールを抽出した後、ステップS106において表示部11f(図3参照)は、行動ルールを表示する(表示処理)。
図7のステップS105において行動ルールを抽出した後、ステップS106において表示部11f(図3参照)は、行動ルールを表示する(表示処理)。
図11は、電気自動車の行動ルールの表示例である。
図11の例では、行動ルール(クラスタ)の識別情報(No.1、No.2、・・・)の他、行動の種類や、行動の開始SoC、開始時刻、充放電量、行動の継続時間が表形式で表示されている。なお、図11では、電気自動車25の充電の場合には、充放電量として正の値が表示される一方、放電の場合には、充放電量として負の値が表示されている。
図11の例では、行動ルール(クラスタ)の識別情報(No.1、No.2、・・・)の他、行動の種類や、行動の開始SoC、開始時刻、充放電量、行動の継続時間が表形式で表示されている。なお、図11では、電気自動車25の充電の場合には、充放電量として正の値が表示される一方、放電の場合には、充放電量として負の値が表示されている。
例えば、図9のNo.1では、この行動ルールに対応する所定のクラスタ(例えば、図10のクラスタR1)の4つの成分(開始SoC、開始時刻、充放電量、継続時間)の各平均値が表示されている。なお、図9のNo.2、No.3、No.4、・・・の行動ルールについても同様である。このように、表示部11f(図3参照)は、クラスタリングに基づく分類結果における、複数種類の特徴量のそれぞれの平均値を含むデータを、電気自動車25(機器)の行動の種類(充電・待機・移動)に対応付けて表示する。これによって、EV管理システム100(図1参照)の管理者が、電気自動車25の行動ルール(行動の傾向)を容易に把握できる。
また、図9では、行動の開始時に特定される情報を「if」で示している。このような情報として、電気自動車25の行動の種類、開始SoC、及び開始時刻が含まれる。一方、図9では、行動の終了時(つまり、次の行動に移行したとき)に特定される情報を「then」で示している。このような情報として、電気自動車25の充放電量及び行動の継続時間が含まれている。
例えば、充電の開始SoCが約20[%]であり、充電の開始時刻が12:00頃である場合(図11の「if」)、電気自動車25の行動の傾向は、「No.1」の行動ルールに該当する可能性が高い。さらに、前記した充電の結果として、充電量が50[kWh]であり、さらに、充電の継続時間が1時間になる可能性が高い(図11の「then」)。このように、電気自動車25の将来の状態を予測する際に与えられる条件(「if」)と、その結果(「then」)と、を含む情報が、ひとまとまりのクラスタR1,R2,・・・(図10参照)として分類される点が、第1実施形態の主な特徴の一つである。
なお、行動特徴量抽出部2(図3参照)や行動ルール抽出部3(図3参照)の処理は、所定に繰り返される。例えば、直近までの電気自動車25のデータに基づいて、一日に一回、行動ルール等の更新が行われるようにしてもよい。
図7のステップS107において演算処理部11hは、修正情報の入力があったか否かを判定する。つまり、演算処理部11hは、入力部11dを介したユーザの操作によって、行動ルールを修正するための所定の修正情報の入力があったか否かを判定する。
例えば、電気自動車25が商品の配送に用いられる場合において、一日のスケジュール(配送の開始時刻・終了時刻等)が変更されることがある。また、電気自動車25のSoCの上限値・下限値が変更されることもある。その他にも、例えば、運用の変更に伴って、電気自動車25の行動の種類が新たに追加されることもある。
このような場合、運用が変更された後の電気自動車25の行動を予測する際、変更前の行動ルール(つまり、複数のクラスタ)を用いたのでは、予測結果と実際の状態との間の乖離が大きくなる可能性がある。また、運用の変更直後では、電気自動車25のSoC履歴データや行動履歴データもほとんど蓄積されていない。そこで、第1実施形態では、電気自動車25の運用の変更があった場合、入力部11dを介したユーザの操作によって、電気自動車25の行動ルール(行動の傾向)を修正するようにしている。
図7のステップS107において修正情報の入力があった場合(S107:Yes)、ステップS108において演算処理部11hは、行動ルール修正部4によって、電気自動車25の行動ルールを修正する(行動ルール修正処理)。すなわち、行動ルール修正部4は、行動ルールを表示する表示部11fを参照しての所定の入力操作(管理者による入力部11dを介した所定の入力操作)に基づいて、行動ルールを修正する。例えば、図11のNo.1の行動ルールに関して、運用の変更に伴い、充電の開始時刻が変わる場合、ユーザは、No.1の移動の開始時刻を所定に変更する。
このように、行動ルール修正部4による行動ルールの修正には、クラスタリングに基づいて生成された複数のクラスタR1,R2,・・・(図10参照)のうち、ユーザによる入力部11dを介した操作(入力操作)によって選択された所定のクラスタの(中心の)位置をずらす処理(例えば、行動の開始時刻をずらす処理)が含まれる。これによって、運用が変更された直後でも、後記する予測部5によって、電気自動車25の将来の状態を適切に予測できる。
その他にも、例えば、入力部11dを介したユーザの操作に基づいて、新たなクラスタが追加されるようにしてもよい。つまり、行動ルール修正部4による行動ルールの修正には、クラスタリングに基づいて生成された複数のクラスタに加えて、ユーザによる入力部11dを介した操作(入力操作)によって、新たなクラスタを追加する処理が含まれる。これによって、運用の変更後に電気自動車25の行動が大きく変わることが予想される場合や、運用の変更前には存在しなかった種類の行動をとることが予想される場合にも、電気自動車25の将来の状態を適切に予測できる。このように、入力部11dを介したユーザの操作によって行動ルールを修正できる点が、第1実施形態の主な特徴の一つである。
なお、新たなクラスタが追加される際、電気自動車25の行動の種類や、行動の開始時刻の他、開始SoC、充放電量、継続時間のそれぞれの平均値・分散は、入力部11d(図3参照)を介したユーザの操作によって所定に設定される。このようにして、変更(又は追加)された行動ルールは、表示部11f(図3参照)に所定に表示される。
一方、図7のおステップS107において修正情報の入力がない場合(S107:No)、演算処理部11hの処理は、図8のステップS109に進む。この場合、行動ルール抽出部3によって抽出された行動ルールのデータが、そのまま予測部5に出力される。
図8のステップS109において演算処理部11hは、データ取得部1(図3参照)によって、電気自動車25の直近のデータを取得する。つまり、演算処理部11hは、電気自動車25の直近(例えば、現在)のSoC履歴データや行動履歴データを取得する。
ステップS110において演算処理部11hは、予測部5によって、各行動ルールの尤度を算出する。具体例を挙げると、予測部5は、以下の(式1)の尤度関数fに基づいて、行動の開始SoCが与えられた場合の各行動ルールの尤度を算出するとともに、行動の開始時刻が与えられた場合の各行動ルールの尤度を算出する。なお、(式1)では、尤度関数fとして、正規分布の確率密度関数を用いるようにしている。
例えば、行動の開始時刻が与えられた場合の行動ルールの尤度の算出では、(式1)のXは、直近の行動の開始時刻であり、μは、所定の行動ルール(クラスタ)における行動開始時刻の平均値であり、σ2は、所定の行動ルール(クラスタ)における行動開始時刻の分散である。これらの平均値μや分散σ2は、それぞれのクラスタR1,R2,・・・(図10参照)について、ステップS105(図7参照)で算出される。同様にして、予測部5は、行動の開始SoCが与えられた場合の尤度も(式1)に基づいて算出する。
なお、ステップS107で修正情報の入力があった場合には(S107:Yes)、修正後の行動ルールが用いられる。
なお、ステップS107で修正情報の入力があった場合には(S107:Yes)、修正後の行動ルールが用いられる。
さらに、予測部5は、行動の開始SoCに関する尤度と、開始時刻に関する尤度と、を乗算することで、新たな尤度を算出する。これは、次のステップS111の処理で、各行動ルールの尤度の大小を比較するためである。予測部5は、このような尤度の算出を、それぞれの行動ルール(つまり、クラスタ)について行う。
次に、ステップS111において演算処理部11hは、予測部5によって、尤度が最も高い行動ルールを選択する。すなわち、予測部5は、電気自動車25(機器)の直近のSoC履歴データ(充電率履歴データ)及び行動履歴データに基づいて、それぞれの行動ルールの尤度を算出し、尤度が最も高い行動ルールを電気自動車25の直近の行動ルールとして選択(特定)する。この「尤度」とは、例えば、行動の開始時刻に基づく尤度と、開始SoCに基づく尤度と、の乗算によって算出される。
なお、データ取得部1によって取得されるデータに基づいて、電気自動車25の直近の行動の種類(例えば、充電)を特定することも可能である。したがって、予測部5は、その行動に属する複数の行動ルールの中で、尤度が最も高いものを選択することが好ましい。すなわち、予測部5は、電気自動車25(機器)の直近のSoC履歴データ(充電率履歴データ)及び行動履歴データに基づいて、電気自動車25の直近の行動の種類を特定し、特定した行動の種類に対応付けられる複数の行動ルールの中から、尤度が最も高い行動ルールを電気自動車25の直近の行動ルールとして特定する。これによって、予測部5は、電気自動車25が実際にとっている行動の種類の中で最も適切な行動ルールを選択できる。
次に、ステップS112において演算処理部11hは、選択した行動ルールに基づき、予測部5によって、電気自動車25の確率的な挙動を模擬する。例えば、予測部5は、ステップS111で選択した行動ルールに含まれる充放電量や行動の継続時間のそれぞれが所定の正規分布に従うという仮定の下で、この正規分布に基づく充放電量の乱数、及び、継続時間の乱数をひとつずつ生成する。なお、充放電量や行動の継続時間に関して、その正規分布のパラメータである平均値・分散は、行動ルールの抽出時(図7のS105)に算出されている。
予測部5は、充放電量や行動の継続時間の乱数を算出し、その算出結果を順次に積算する(つまり、和をとる)、という処理を繰り返す。そして、予測部5は、前記した継続時間の乱数の積算値が、直近の行動ルールの開始時刻から現在時刻までの時間に達するまで、充放電量を積算する処理を繰り返し、時々刻々の充電率を記憶部11gに格納する。これによって、直近の行動ルールにおける充電率の時間的な変化(現在までの変化)が把握される。
さらに、予測部5は、直近の行動ルールにおいて、充放電量の時間的な変化が継続するという仮定のもとで、電気自動車25のSoCが所定の上限値又は下限値に達する時刻を特定する。このようにして、行動ルールの継続時間が確率的に推定される。なお、SoCの上限値・下限値は、予め設定されている。
ステップS113において演算処理部11hは、予測した電気自動車25の状態に基づき、予測部5によって、尤もらしい次の行動を選択する。前記したように、電気自動車25の挙動を確率的に模擬した結果に基づいて、直近の行動ルールの充放電量や継続時間が算出される(S113)。これによって、直近の行動ルールの終了時のSoCや終了時刻も特定される。直近の行動ルールの終了時のSoCは、次の行動ルールの開始SoCとして用いられる。また、直近の行動ルールの終了時刻は、次の行動ルールの開始時刻として用いられる。
なお、ステップS113の処理内容は、ステップS110,S111と同様である。すなわち、予測部5は、行動の開始SoCに関する尤度と、開始時刻に関する尤度と、を乗算した値が最も高い行動ルールを、尤もらしい次の行動ルールとして選択する。
次に、ステップS114において演算処理部11hは、予測部5によって、電気自動車25の状態を予測する。なお、ステップS114の処理内容は、ステップS112と同様であるが、行動ルールの開始時刻から現在時刻までの時間のデータが特にないため、予測を繰り返す必要がない点で異なっている。
具体的には、ステップS114において予測部5は、ステップS113で選択した次の行動ルールに含まれる充放電量や行動の継続時間のそれぞれが所定の正規分布に従うという仮定の下で、この正規分布に基づく充放電量の乱数、及び、継続時間の乱数をひとつずつ生成する。これらの充放電量や継続時間の乱数は、ステップS113で選択した次の行動ルールの充放電量や継続時間として用いられる。これによって、この行動ルールの終了時のSoCや終了時刻も推定される。このように、予測部5は、行動ルールの終了時の時刻及びSoC(充電率)に基づいて、電気自動車25(機器)が当該行動ルールの次にとる別の行動ルールを推定する処理を繰り返す。
図12は、状態予測システムにおける予測部の処理の概念図である。
なお、図12に示す「if」は、図11の「if」に対応しており、所定の行動ルールにおける行動の種類、開始SoC、及び開始時刻を含む情報を概念的に示している。また、図12に示す「then」は、所定の行動ルールにおける充放電量、及び行動の継続時間を含む情報を概念的に示している。図12の例では、電気自動車25の将来の状態の予測として、クラスタR1,R3,R4の順に行動ルールが遷移すると予測されている。
なお、図12に示す「if」は、図11の「if」に対応しており、所定の行動ルールにおける行動の種類、開始SoC、及び開始時刻を含む情報を概念的に示している。また、図12に示す「then」は、所定の行動ルールにおける充放電量、及び行動の継続時間を含む情報を概念的に示している。図12の例では、電気自動車25の将来の状態の予測として、クラスタR1,R3,R4の順に行動ルールが遷移すると予測されている。
次に、図8のステップS115において演算処理部11hは、予測時刻が所定時刻に達したか否かを判定する。つまり、演算処理部11hは、ステップS113で選択した行動ルールの終了時刻(予測時刻)が所定時刻に達したか否かを判定する。この所定時刻は、例えば、一日のスケジュールの終わりの時刻(例えば、24:00)であり、予め設定されている。
ステップS115において、予測時刻が所定時刻に達していない場合(S115:No)、演算処理部11hの処理はステップS113に戻る。そして、演算処理部11hは、予測時刻が所定時刻に達するまで、ステップS113,S114の処理を繰り返す。なお、電気自動車25(機器)の将来の状態を予測する「予測処理」は、ステップS109~S115の処理を含んで構成される。また、ステップS115において、予測時刻が所定時刻に達している場合(S115:Yes)、演算処理部11hの処理は、ステップS116に進む。
ステップS116において演算処理部11hは、表示部11f(図3参照)によって、予測結果を表示させる。例えば、将来の電気自動車25の行動ルールとして、その開始時刻や開始SoCの他、充電量や継続時間を含むデータが、行動の種類に対応付けて、表示部11fに表示される。これによって、ユーザ(管理者)は、電気自動車25のSoCの変化や、その際の行動の種類の予測結果を把握できる。なお、図8では省略しているが、演算処理部11hの予測結果は、制御管理システム12にも出力され、電力の取引等に所定に用いられる。ステップS116の処理を行った後、演算処理部11hは、一連の処理を終了する(END)。
なお、行動ルールの修正を予測部5の処理に反映される日時(年月日・時刻)を示す情報が所定の入力操作によって入力された場合、予測部5は、その日時に達するまでは、修正前の行動ルールに基づいて、電気自動車25(機器)の将来の状態を予測することが好ましい。この日時までは、変更前の運用が適用されるからである。また、一方、この日時以後については、予測部5が、修正後の行動ルールに基づいて、電気自動車25(機器)の将来の状態を予測することが好ましい。この日時になった後は、変更後の運用が適用されるからである。
<効果>
第1実施形態によれば、入力部11dを介したユーザの操作によって行動ルールが修正された場合(図7のS107:Yes)、予測部5は、修正後の行動ルールに基づいて、電気自動車25の将来の状態を予測する(図7のS108、図8のS109~S115)。これによって、電気自動車25の運用が変更された直後にSoC履歴データ等がほとんどない状況でも、予測部5によって、電気自動車25の状態を適切に予測できる。
第1実施形態によれば、入力部11dを介したユーザの操作によって行動ルールが修正された場合(図7のS107:Yes)、予測部5は、修正後の行動ルールに基づいて、電気自動車25の将来の状態を予測する(図7のS108、図8のS109~S115)。これによって、電気自動車25の運用が変更された直後にSoC履歴データ等がほとんどない状況でも、予測部5によって、電気自動車25の状態を適切に予測できる。
また、電気自動車25の運用のスケジュール等をユーザが入力せずとも、ユーザが行動ルールを適宜に修正することで、電気自動車25の今後の状態(行動ルールの変更後の状態)を適切に予測できる。つまり、電気自動車25が充電設備24(図1参照)に立ち寄るタイミングや充電量を予測することが可能になる。したがって、分散エネルギ需給システム200(図1参照)において、電力量の需要・供給の予測に用いることができ、ひいては、社会貢献に寄与することができる。
≪第2実施形態≫
第2実施形態は、ユーザによる入力部11d(図3参照)を介した操作に基づいて、行動ルール修正部4(図3参照)が行動ルールに所定の確率を付与する点が、第1実施形態とは異なっている。なお、その他(状態予測システム11の構成等:図3参照)については、第1実施形態と同様である。したがって、第1実施形態とは異なる部分について説明し、重複する部分については説明を省略する。
第2実施形態は、ユーザによる入力部11d(図3参照)を介した操作に基づいて、行動ルール修正部4(図3参照)が行動ルールに所定の確率を付与する点が、第1実施形態とは異なっている。なお、その他(状態予測システム11の構成等:図3参照)については、第1実施形態と同様である。したがって、第1実施形態とは異なる部分について説明し、重複する部分については説明を省略する。
状態予測システム11(図3参照)が備える行動ルール修正部4は、第1実施形態で説明した機能の他、次のような機能を有している。すなわち、行動ルール修正部4は、電気自動車25(機器)において所定の行動ルールが選択される確率を、入力部11dを介した操作(入力操作)によって、当該行動ルールに対応付けて設定する。具体的には、行動ルール抽出部3によって抽出された複数の行動ルールのうち、ユーザによる入力部11dを介した操作によって、所定の行動ルールが選択され、さらに、選択された行動ルールに対して所定の確率が付与される。
この確率は、電気自動車25の運用の他、ユーザの経験や知識に基づいて、適宜に設定される。行動ルール修正部4(図3参照)によって設定された確率は、予測部5(図3参照)に出力されるとともに、表示部11f(図3参照)に出力される。表示部11fでは、例えば、行動の開始時刻、開始SoC、充放電量、及び行動の継続時間の他、前記した確率が、行動の種類に対応付けて、所定に表示される。なお、全ての行動ルールに対して確率が設定されてもよいし、また、一部の行動ルールに対して確率が設定され、残りは確率が未設定のままであってもよい。
状態予測システム11における処理の流れは、第1実施形態(図7、図8参照)と同様であるが、ステップS107(図7参照)の修正情報に、行動ルールの確率が付加される点が異なっている。この確率は、ステップS110,113(図8参照)で算出される行動ルールの尤度への重み付けとして乗算される。具体的に説明すると、予測部5は、所定の行動ルールに対応する確率を尤度に乗算した値を算出し、この値が最も高い行動ルールを特定した後、電気自動車25(機器)が当該行動ルールの次にとる別の行動ルールを推定する処理を繰り返す。
これによって、電気自動車25の状態が予測される際、ユーザの操作で付与された確率が高いほど、その行動ルールが選択されやすくなる。例えば、電気自動車25の運用の変更に伴い、特定の行動ルールがとられる可能性が高く、その行動ルールに対して比較的高い確率が設定された場合、運用が変更された直後から、その確率が反映された予測が行われる。これによって、運用の変更があった場合でも、予測部5によって、電気自動車25の状態を適切に予測できる。
<効果>
第2実施形態によれば、入力部11dを介したユーザの操作によって、行動ルール修正部4が、所定の行動ルールに確率を設定する。これによって、運用が変更された直後でも、電気自動車25の行動ルールを適切に予測できる。
第2実施形態によれば、入力部11dを介したユーザの操作によって、行動ルール修正部4が、所定の行動ルールに確率を設定する。これによって、運用が変更された直後でも、電気自動車25の行動ルールを適切に予測できる。
≪第3実施形態≫
第3実施形態は、電気自動車25が所定の行動から他の行動に移る際の遷移確率を算出する遷移確率算出部6(図13参照)を状態予測システム11A(図13参照)が備えている点が、第1実施形態とは異なっている。なお、その他については、第1実施形態と同様である。したがって、第1実施形態とは異なる部分について説明し、重複する部分については説明を省略する。
第3実施形態は、電気自動車25が所定の行動から他の行動に移る際の遷移確率を算出する遷移確率算出部6(図13参照)を状態予測システム11A(図13参照)が備えている点が、第1実施形態とは異なっている。なお、その他については、第1実施形態と同様である。したがって、第1実施形態とは異なる部分について説明し、重複する部分については説明を省略する。
図13は、第3実施形態に係る状態予測システム11Aの機能ブロック図である。
図13に示すように、状態予測システム11Aの演算処理部11Ahは、データ取得部1や行動特徴量抽出部2、行動ルール抽出部3、行動ルール修正部4、予測部5の他に、遷移確率算出部6を備えている。遷移確率算出部6は、電気自動車25(機器)の行動間の遷移確率を算出する。ここで、「遷移確率」とは、所定の行動から他の行動に移る際の確率である。電気自動車25には、運転者の操作によって、ある行動の後に特定の行動を行うといったパターンが存在することが多い。例えば、充電された後の電気自動車25の行動は、移動(走行)であることが多い。このような行動の種類の間の遷移確率を用いることで、電気自動車25の状態の予測する精度を高めるようにしている。
図13に示すように、状態予測システム11Aの演算処理部11Ahは、データ取得部1や行動特徴量抽出部2、行動ルール抽出部3、行動ルール修正部4、予測部5の他に、遷移確率算出部6を備えている。遷移確率算出部6は、電気自動車25(機器)の行動間の遷移確率を算出する。ここで、「遷移確率」とは、所定の行動から他の行動に移る際の確率である。電気自動車25には、運転者の操作によって、ある行動の後に特定の行動を行うといったパターンが存在することが多い。例えば、充電された後の電気自動車25の行動は、移動(走行)であることが多い。このような行動の種類の間の遷移確率を用いることで、電気自動車25の状態の予測する精度を高めるようにしている。
図14、図15は、状態予測システムで実行される処理のフローチャートである(適宜、図13を参照)。
なお、図14のステップS101~103,S104~S108や、図15のステップS109~112,S114~S116の処理は、第1実施形態(図7、図8参照)で説明したものと同様であるから、その説明を省略する。図14のステップS103において、分類したデータごとの特徴量を抽出した後、演算処理部11Ah(図13参照)の処理は、ステップS120に進む。
なお、図14のステップS101~103,S104~S108や、図15のステップS109~112,S114~S116の処理は、第1実施形態(図7、図8参照)で説明したものと同様であるから、その説明を省略する。図14のステップS103において、分類したデータごとの特徴量を抽出した後、演算処理部11Ah(図13参照)の処理は、ステップS120に進む。
ステップS120において演算処理部11Ahは、遷移確率算出部6によって、行動間の遷移確率を算出する。なお、データ取得部1によって取得されるSoC履歴データや行動履歴データに基づき、ある行動(例えば、充電)の次にどのような種類の行動があったかを示す情報が、記憶部11gに格納されている。この情報は、SoC履歴データや行動履歴データに基づいて生成される。
前記したステップS120では、遷移確率算出部6が、SoC履歴データ(充電率履歴データ)及び行動履歴データに基づいて、所定の行動から別種類の行動に移る際の遷移確率を算出する。すなわち、遷移確率算出部6は、「充電」から「移動」への遷移確率や、「充電」から「待機」への遷移確率の他、「移動」から「充電」、「移動」から「待機」、「待機」から「充電」、「待機」から「移動」の遷移確率をそれぞれ算出する。このように算出された行動間の遷移確率は、一対の行動の種類に対応付けられて、記憶部11gに格納される。
ステップS120の処理を行った後、演算処理部11Ahの処理は、ステップS104に進む。なお、図13では、ステップS103で特徴量が抽出された後、ステップS120で行動間の遷移確率が算出される例を示しているが、これに限らない。例えば、行動間の遷移確率を算出する処理は、データを分類(S102)の後であってもよいし、また、行動ルールの抽出(S105)の後であってもよい。
また、図15のステップS112において、電気自動車25の確率的な挙動を模擬した後、演算処理部11Ahの処理は、ステップS113aに進む。ステップS113aにおいて演算処理部11Ahは、予測した電気自動車25の状態、及び遷移確率に基づき、尤もらしい次の行動を選択する。まず、演算処理部11Ahは、電気自動車25の行動の開始時刻及び開始SoCに基づいて、各行動ルールの尤度を算出する。
そして、演算処理部11Ahは、電気自動車25が所定の行動から次の行動に移る際の遷移確率を、重み付けとして尤度に乗算した値を算出する。この値が最も高い行動ルールを選択した後、演算処理部11Ahは、ステップS114,S115の処理を順次に行う。このように、演算処理部11Ahの予測部5は、所定の行動ルールに対応する遷移確率を尤度に乗算した値を算出し、この値が最も高い行動ルールを特定した後、電気自動車25(機器)が当該行動ルールの次にとる別の行動ルールを推定する処理を繰り返す。
なお、ステップS116において表示部11fが予測結果を表示する際には、その予測に用いた行動間の遷移確率も表示される。また、ユーザによる入力部11dを介した操作基づき、行動ルール修正部4によって、遷移確率を適宜に修正するも可能である。
<効果>
第3実施形態によれば、予測部5は、電気自動車25の行動間の遷移確率に基づいて、電気自動車25の次の行動を予測する。これによって、電気自動車25の将来の状態を予測する際の精度を高めることができる。
第3実施形態によれば、予測部5は、電気自動車25の行動間の遷移確率に基づいて、電気自動車25の次の行動を予測する。これによって、電気自動車25の将来の状態を予測する際の精度を高めることができる。
≪第4実施形態≫
第4実施形態は、電気自動車25の運用が変更される場合、修正すべき行動ルールを表示部11f(図16参照)に出力する運用変更検知部7(図16参照)を状態予測システム1111B(図16参照)が備えている点が、第1実施形態とは異なっている。なお、その他については、第1実施形態と同様である。したがって、第1実施形態とは異なる部分について説明し、重複する部分については説明を省略する。
第4実施形態は、電気自動車25の運用が変更される場合、修正すべき行動ルールを表示部11f(図16参照)に出力する運用変更検知部7(図16参照)を状態予測システム1111B(図16参照)が備えている点が、第1実施形態とは異なっている。なお、その他については、第1実施形態と同様である。したがって、第1実施形態とは異なる部分について説明し、重複する部分については説明を省略する。
図16は、第4実施形態に係る状態予測システム11Bの機能ブロック図である。
図16に示すように、状態予測システム11Bの演算処理部11Bhは、データ取得部1や行動特徴量抽出部2、行動ルール抽出部3、行動ルール修正部4、予測部5の他、運用変更検知部7を備えている。
図16に示すように、状態予測システム11Bの演算処理部11Bhは、データ取得部1や行動特徴量抽出部2、行動ルール抽出部3、行動ルール修正部4、予測部5の他、運用変更検知部7を備えている。
運用変更検知部7は、電気自動車25(機器)の運用に関する運用情報を取得し、運用の変更を検知した場合、複数の行動ルールのうち、運用の変更点に対応する行動ルールを特定する。前記した運用の変更点とは、例えば、電気自動車25を運営する店舗の営業の開始時刻・終了時刻や、SoCの上限値・下限値の変更である。例えば、添付の営業の開始時刻が変更された場合、運用変更検知部7は、これに対応する行動ルールを特定する情報や、行動ルールの中のどの特徴量を修正すべきかを示す情報を表示部11fに表示させる。
ここで、表示部11fは、運用変更検知部7によって特定された行動ルールを他の行動ルールと区別するように表示する。例えば、表示部11fは、修正すべき行動ルールを他の行動ルールとは異なる色で表示することで、ユーザが視覚的に分かるようにする。これによってユーザは、電気自動車25の運用が変更される場合、どの行動ルールを修正すべきかを一目で把握できる。さらに、行動ルールにおいて修正すべき特徴量が目立つように、表示部11fが所定に色分けして表示するようにしてもよい。
また、運用の変更に伴って、行動ルールに含まれる所定の特徴量を修正する際の変化量(修正の量)の候補を、運用変更検知部7が表示部11fに表示させるようにしてもよい。これによって、ユーザが行動ルールを修正する際の負担が軽減される。
また、運用の変更点に対応する行動ルールにおいて、運用の変更に伴う変化量が所定閾値以上となる特徴量が存在する場合、表示部11fは、運用変更検知部7によって特定された行動ルールを他の行動ルールと区別するように表示することが好ましい。
一方、運用の変更に伴う変化量が所定閾値以上となる特徴量が存在しない場合には、表示部11fが、所定の行動ルールを他の行動ルールと区別して表示する必要は特にない。この場合、運用の変更があっても、電気自動車25の実際の行動ルール(傾向)の変化は比較的小さく、行動ルールを変更する必要が特にないからである。
一方、運用の変更に伴う変化量が所定閾値以上となる特徴量が存在しない場合には、表示部11fが、所定の行動ルールを他の行動ルールと区別して表示する必要は特にない。この場合、運用の変更があっても、電気自動車25の実際の行動ルール(傾向)の変化は比較的小さく、行動ルールを変更する必要が特にないからである。
<効果>
第4実施形態によれば、電気自動車25の運用の変更をユーザが頻繁にチェックせずとも、修正すべき行動ルールが表示部11fに表示される。したがって、ユーザによる管理負担を軽減できる。
第4実施形態によれば、電気自動車25の運用の変更をユーザが頻繁にチェックせずとも、修正すべき行動ルールが表示部11fに表示される。したがって、ユーザによる管理負担を軽減できる。
≪変形例≫
以上、本発明に係る状態予測システム11について各実施形態で説明したが、本発明はこれらの記載に限定されるものではなく、種々の変更を行うことができる。
例えば、各実施形態では、予測部5が、電気自動車25の行動ルールに対応するクラスタR1,R2,・・・を所定の確率密度関数を用いて、確率モデル化する場合について説明したが、これに限らない。例えば、予測部5が、クラスタR1,R2,・・・の中心及び半径を算出し、電気自動車25の状態がどのクラスタに属しているのかを特定するようにしてもよい。なお、クラスタの中心として、例えば、それぞれの成分の平均値が用いられる。また、クラスタの半径として、例えば、そのクラスタに属する各点から中心までの距離の平均値が用いられる。その他にも、クラスタリング以外の統計的な手法を適宜に用いることも可能である。
以上、本発明に係る状態予測システム11について各実施形態で説明したが、本発明はこれらの記載に限定されるものではなく、種々の変更を行うことができる。
例えば、各実施形態では、予測部5が、電気自動車25の行動ルールに対応するクラスタR1,R2,・・・を所定の確率密度関数を用いて、確率モデル化する場合について説明したが、これに限らない。例えば、予測部5が、クラスタR1,R2,・・・の中心及び半径を算出し、電気自動車25の状態がどのクラスタに属しているのかを特定するようにしてもよい。なお、クラスタの中心として、例えば、それぞれの成分の平均値が用いられる。また、クラスタの半径として、例えば、そのクラスタに属する各点から中心までの距離の平均値が用いられる。その他にも、クラスタリング以外の統計的な手法を適宜に用いることも可能である。
また、各実施形態では、予測部5が、行動の開始SoCや開始時刻のそれぞれの平均値・分散に基づいて、各行動ルールの尤度を算出する場合について説明したが、これに限らない。例えば、行動の開始SoCや開始時刻のそれぞれの最大値や最小値を適宜に用いても、同様の方法で行動ルールの尤度を算出することが可能である。また、電気自動車25の直近の行動が開始された時刻と、それぞれの行動ルールにおける開始時刻と、の差分に基づいて、行動ルールの尤度を算出することもできる。なお、開始SoCに基づく行動ルールの尤度についても同様である。
また、各実施形態では、予測部5による予測結果が一通りに絞られる例について説明したが、これに限らない。すなわち、予測結果が生じる確率に対応付けて、複数の予測結果を表示部11fに表示させるようにしてもよい。
また、実施形態では、平日と休日とを特に区別することなく、データ取得部1がSoC履歴データや行動履歴データが取得される場合について説明したが、これに限らない。例えば、データ取得部1が、平日と休日とを区別して、SoC履歴データ等を取得してもよいし、また、データ取得部1が、直近の一週間のSoC履歴データ等を取得するようにしてもよい。
また、各実施形態では、電気自動車25の行動の特徴量として、行動の開始時刻、開始SoC、充放電量、及び行動の継続時間の4つが用いられる場合について説明したが、これに限らない。その他にも、電気自動車25が充電ケーブル27を介して充電設備24に接続された時刻や、充電ケーブル27が外された時刻の他、充放電の終了時刻、充放電の終了時のSoC等を適宜に用いることも可能である。
また、各実施形態では、電気自動車25の行動の種類が、充電・待機・移動の3つである場合について説明したが、これに限らない。すなわち、電気自動車25の行動の種類として、他の行動が適宜に追加されてもよい。
また、各実施形態では、電気自動車25(機器)の状態の予測について説明したが、プラグインで充電可能なハイブリッド車の他、電気で駆動する二輪車や三輪車でもあってよい。また、状態予測システム11の予測対象となる「機器」は、電気自動車25の他、鉄道車両や船舶、航空機といった移動体であってもよいし、特に移動しない装置(その行動の少なくとも一部に人の操作が介在する機器)であってもよい。
また、各実施形態では、電気自動車25(機器)の状態の予測について説明したが、プラグインで充電可能なハイブリッド車の他、電気で駆動する二輪車や三輪車でもあってよい。また、状態予測システム11の予測対象となる「機器」は、電気自動車25の他、鉄道車両や船舶、航空機といった移動体であってもよいし、特に移動しない装置(その行動の少なくとも一部に人の操作が介在する機器)であってもよい。
また、各実施形態を適宜に組み合わせてもよい。例えば、第2実施形態と第4実施形態とを組み合わせ、ユーザが行動ルールの確率を入力し(第2実施形態)、さらに、運用変更検知部7が運用変更に対応する所定の行動ルールを他の行動ルールと区別して表示させるようにしてもよい。その他にも、第2実施形態と第3実施形態との組合せや、第3実施形態と第4実施形態との組合せも可能である。
また、状態予測システム11等が実行する処理が、コンピュータの所定のプログラムとして実行されてもよい。前記したプログラムは、通信線を介して提供することもできるし、CD-ROM等の記録媒体に書き込んで配布することも可能である。
また、各実施形態は本発明を分かりやすく説明するために詳細に記載したものであり、必ずしも説明した全ての構成を備えるものに限定されない。また、実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。また、前記した機構や構成は説明上必要と考えられるものを示しており、製品上必ずしも全ての機構や構成を示しているとは限らない。
1 データ取得部
2 行動特徴量抽出部
3 行動ルール抽出部
4 行動ルール修正部
5 予測部
6 遷移確率算出部
7 運用変更検知部
11,11A,11B 状態予測システム
11f 表示部
11h,11Ah,11Bh 演算処理部
24 充電設備
25 電気自動車(機器、移動体)
25a バッテリ
27 充電ケーブル
2 行動特徴量抽出部
3 行動ルール抽出部
4 行動ルール修正部
5 予測部
6 遷移確率算出部
7 運用変更検知部
11,11A,11B 状態予測システム
11f 表示部
11h,11Ah,11Bh 演算処理部
24 充電設備
25 電気自動車(機器、移動体)
25a バッテリ
27 充電ケーブル
Claims (14)
- 機器の行動の履歴を示す行動履歴データ、及び、前記機器のバッテリの充電率の履歴を示す充電率履歴データに基づいて、前記機器の行動の特徴量を抽出する行動特徴量抽出部を備え、
前記機器の行動の少なくとも一部には、人の操作が介在し、
前記特徴量には、前記機器が所定の行動を開始したときの時刻及び前記充電率、並びに、前記機器が当該行動を終了したときの時刻及び前記充電率を特定する情報が含まれ、
前記機器の行動に伴う前記バッテリの充放電の傾向として、充放電のタイミング及び充放電量を示す所定の行動ルールを前記特徴量に基づいて抽出する行動ルール抽出部と、
前記行動ルールを表示する表示部を参照しての所定の入力操作に基づいて、前記行動ルールを修正する行動ルール修正部と、
前記行動ルール修正部によって前記行動ルールが修正された場合、修正後の前記行動ルールに基づいて、前記機器の将来の状態を予測する予測部と、をさらに備えること
を特徴とする状態予測システム。 - 前記行動ルールの修正を前記予測部の処理に反映される日時を示す情報が前記入力操作によって入力された場合、前記予測部は、前記日時に達するまでは、修正前の前記行動ルールに基づいて、前記機器の将来の状態を予測し、前記日時以後については、修正後の前記行動ルールに基づいて、前記機器の将来の状態を予測すること
を特徴とする請求項1に記載の状態予測システム。 - 前記行動ルール抽出部は、複数種類の前記特徴量を含む前記情報を所定のクラスタリングに基づいて分類し、その分類結果を前記行動ルールとして抽出し、
前記表示部は、前記分類結果における複数種類の前記特徴量のそれぞれの平均値を含むデータを、前記機器の行動の種類に対応付けて表示すること
を特徴とする請求項1に記載の状態予測システム。 - 前記行動ルール修正部による前記行動ルールの修正には、前記クラスタリングに基づいて生成された複数のクラスタのうち、前記入力操作によって選択された所定のクラスタの位置をずらす処理が含まれること
を特徴とする請求項3に記載の状態予測システム。 - 前記行動ルール修正部による前記行動ルールの修正には、前記クラスタリングに基づいて生成された複数のクラスタに加えて、前記入力操作によって、新たなクラスタを追加する処理が含まれること
を特徴とする請求項3に記載の状態予測システム。 - 前記機器は、充電設備から充電ケーブルを介して充電される移動体であり、
前記充電率履歴データ及び前記行動履歴データが取得されなかった時間帯が存在する場合、前記行動特徴量抽出部は、前記時間帯における前記移動体の行動の種類を移動とし、さらに、前記時間帯の開始時刻を当該移動の開始時刻とし、前記時間帯の開始直前に取得した前記充電率を当該移動の開始時の充電率とし、前記時間帯の終了時刻を当該移動の終了時刻とし、前記時間帯の終了直後に取得した前記充電率を当該移動の終了時の充電率として、前記特徴量を抽出すること
を特徴とする請求項1に記載の状態予測システム。 - 前記予測部は、前記機器の直近の前記充電率履歴データ及び前記行動履歴データに基づいて、それぞれの前記行動ルールの尤度を算出し、前記尤度が最も高い行動ルールを前記機器の直近の行動ルールとして特定し、当該行動ルールの終了時の時刻及び前記充電率に基づいて、前記機器が当該行動ルールの次にとる別の行動ルールを推定する処理を繰り返すこと
を特徴とする請求項1に記載の状態予測システム。 - 前記予測部は、前記機器の直近の前記充電率履歴データ及び前記行動履歴データに基づいて、前記機器の直近の行動の種類を特定し、特定した行動の種類に対応付けられる複数の前記行動ルールの中から、前記尤度が最も高い行動ルールを前記機器の直近の行動ルールとして特定すること
を特徴とする請求項7に記載の状態予測システム。 - 前記行動ルール修正部は、前記機器において所定の前記行動ルールが選択される確率を、前記入力操作によって、当該行動ルールに対応付けて設定し、
前記予測部は、所定の前記行動ルールに対応する前記確率を前記尤度に乗算した値を算出し、当該値が最も高い行動ルールを特定した後、前記機器が当該行動ルールの次にとる別の行動ルールを推定する処理を繰り返すこと
を特徴とする請求項7に記載の状態予測システム。 - 前記機器の行動間の遷移確率を算出する遷移確率算出部を備え、
前記遷移確率算出部は、前記充電率履歴データ及び前記行動履歴データに基づいて、所定の行動から別種類の行動に移る際の遷移確率を算出し、
前記予測部は、所定の前記行動ルールに対応する前記遷移確率を前記尤度に乗算した値を算出し、当該値が最も高い行動ルールを特定した後、前記機器が当該行動ルールの次にとる別の行動ルールを推定する処理を繰り返すこと
を特徴とする請求項7に記載の状態予測システム。 - 前記機器の運用に関する運用情報を取得し、前記運用の変更を検知した場合、複数の前記行動ルールのうち、前記運用の変更点に対応する行動ルールを特定する運用変更検知部を備え、
前記表示部は、前記運用変更検知部によって特定された前記行動ルールを他の前記行動ルールと区別するように表示すること
を特徴とする請求項1に記載の状態予測システム。 - 前記運用の変更点に対応する行動ルールにおいて、前記運用の変更に伴う変化量が所定閾値以上となる前記特徴量が存在する場合、前記表示部は、前記運用変更検知部によって特定された当該行動ルールを他の前記行動ルールと区別するように表示すること
を特徴とする請求項11に記載の状態予測システム。 - 機器の行動の履歴を示す行動履歴データ、及び、前記機器のバッテリの充電率の履歴を示す充電率履歴データに基づいて、前記機器の行動の特徴量を抽出する行動特徴量抽出処理を含み、
前記機器の行動の少なくとも一部には、人の操作が介在し、
前記特徴量には、前記機器が所定の行動を開始したときの時刻及び前記充電率、並びに、前記機器が当該行動を終了したときの時刻及び前記充電率を特定する情報が含まれ、
前記行動特徴量抽出処理が行われた後、前記機器の行動に伴う前記バッテリの充放電のの傾向として、充放電のタイミング及び充放電量を示す所定の行動ルールを前記特徴量に基づいて抽出する行動ルール抽出処理と、
前記行動ルールを表示する表示部を参照しての所定の入力操作に基づいて、前記行動ルールを修正する行動ルール修正処理と、
前記行動ルール修正処理によって前記行動ルールが修正された場合、修正後の前記行動ルールに基づいて、前記機器の将来の状態を予測する予測処理と、が順次に実行されること
を特徴とする状態予測方法。 - 請求項13に記載の状態予測方法をコンピュータに実行させるためのプログラム。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020215969A JP7454491B2 (ja) | 2020-12-25 | 2020-12-25 | 状態予測システム、状態予測方法、及びプログラム |
EP21910245.6A EP4270729A1 (en) | 2020-12-25 | 2021-12-06 | State prediction system, state prediction method, and program |
US18/259,169 US20240051429A1 (en) | 2020-12-25 | 2021-12-06 | State prediction system, state prediction method, and program |
PCT/JP2021/044615 WO2022138095A1 (ja) | 2020-12-25 | 2021-12-06 | 状態予測システム、状態予測方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020215969A JP7454491B2 (ja) | 2020-12-25 | 2020-12-25 | 状態予測システム、状態予測方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022101729A JP2022101729A (ja) | 2022-07-07 |
JP7454491B2 true JP7454491B2 (ja) | 2024-03-22 |
Family
ID=82159484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020215969A Active JP7454491B2 (ja) | 2020-12-25 | 2020-12-25 | 状態予測システム、状態予測方法、及びプログラム |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240051429A1 (ja) |
EP (1) | EP4270729A1 (ja) |
JP (1) | JP7454491B2 (ja) |
WO (1) | WO2022138095A1 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014038047A (ja) | 2012-08-17 | 2014-02-27 | Toshiba Corp | 消費電力量推定装置 |
JP2015070709A (ja) | 2013-09-30 | 2015-04-13 | 日産自動車株式会社 | 充電時間推定システム |
JP2018072083A (ja) | 2016-10-26 | 2018-05-10 | 株式会社東芝 | 消費エネルギー予測装置及び消費エネルギー予測方法 |
WO2020026900A1 (ja) | 2018-07-31 | 2020-02-06 | 株式会社豊田自動織機 | 産業車両用充電システム |
-
2020
- 2020-12-25 JP JP2020215969A patent/JP7454491B2/ja active Active
-
2021
- 2021-12-06 WO PCT/JP2021/044615 patent/WO2022138095A1/ja active Application Filing
- 2021-12-06 EP EP21910245.6A patent/EP4270729A1/en active Pending
- 2021-12-06 US US18/259,169 patent/US20240051429A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014038047A (ja) | 2012-08-17 | 2014-02-27 | Toshiba Corp | 消費電力量推定装置 |
JP2015070709A (ja) | 2013-09-30 | 2015-04-13 | 日産自動車株式会社 | 充電時間推定システム |
JP2018072083A (ja) | 2016-10-26 | 2018-05-10 | 株式会社東芝 | 消費エネルギー予測装置及び消費エネルギー予測方法 |
WO2020026900A1 (ja) | 2018-07-31 | 2020-02-06 | 株式会社豊田自動織機 | 産業車両用充電システム |
Also Published As
Publication number | Publication date |
---|---|
US20240051429A1 (en) | 2024-02-15 |
WO2022138095A1 (ja) | 2022-06-30 |
JP2022101729A (ja) | 2022-07-07 |
EP4270729A1 (en) | 2023-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11136008B2 (en) | Systems and methods for managing exchangeable energy storage device stations | |
Abdullah et al. | Reinforcement learning based EV charging management systems–a review | |
Stein et al. | A model-based online mechanism with pre-commitment and its application to electric vehicle charging | |
Bertsimas et al. | Simulation-based booking limits for airline revenue management | |
Labadi et al. | Stochastic petri net modeling, simulation and analysis of public bicycle sharing systems | |
EP3076513B1 (en) | Electricity-demand prediction device, electricity supply system, electricity-demand prediction method, and program | |
WO2016031374A1 (ja) | 現金装填自動計画装置および方法 | |
Bagherpour et al. | Designing a control mechanism using earned value analysis: an application to production environment | |
WO2021072128A1 (en) | Systems and methods for big data analytics | |
CN106570055A (zh) | 一种基于财政大数据的信息预警平台 | |
Hu et al. | Dynamic rebalancing optimization for bike-sharing system using priority-based MOEA/D algorithm | |
Wang et al. | Improved dynamic PSO-based algorithm for critical spare parts supply optimization under (T, S) inventory policy | |
JP7454491B2 (ja) | 状態予測システム、状態予測方法、及びプログラム | |
Seo et al. | Rebalancing docked bicycle sharing system with approximate dynamic programming and reinforcement learning | |
Wu et al. | Cross-docking centre operation optimization using simulation-based genetic algorithm | |
CN109035480A (zh) | 一种报表数据生成方法 | |
JP2004326346A (ja) | 需要予測装置及び方法、並びに生産計画立案支援装置及び方法 | |
CN110458345A (zh) | 确定机器损失出货量的方法、装置、设备及存储介质 | |
US20230259845A1 (en) | Information processing method and information processing system | |
Ding et al. | Research on the optimization of the instant delivery problem within a city under the new retail environment | |
JP7393458B2 (ja) | Ev車両の稼働状況監視システム、ev車両の稼働状況監視プログラム | |
JP7459305B2 (ja) | 充放電制御装置および充放電制御方法 | |
CN117557187B (zh) | 用于多订单的智能配载控制方法 | |
WO2024034161A1 (ja) | 情報管理システムおよび情報管理方法 | |
JP2004302593A (ja) | 薬品流通管理システム、および薬品流通管理プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230425 |
|
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: 20240220 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240311 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7454491 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |