JP7454491B2 - 状態予測システム、状態予測方法、及びプログラム - Google Patents

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。

特許第６５７４４６６号公報 特許第５９１１７８３号公報

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実施形態に係る状態予測システムを含む構成図である。 第１実施形態に係る状態予測システムのハードウェア構成を含む構成図である。 第１実施形態に係る状態予測システムの機能ブロック図である。 第１実施形態に係る状態予測システムにおける、電気自動車のＳｏＣ履歴データの説明図である。 第１実施形態に係る状態予測システムにおける、電気自動車のＳｏＣの時間的な変化を示す説明図である。 第１実施形態に係る状態予測システムにおける、電気自動車の行動履歴データの説明図である。 第１実施形態に係る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。 第１実施形態に係る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。 第１実施形態に係る状態予測システムにおいて、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。 第１実施形態に係る状態予測システムにおいて、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。 第１実施形態に係る状態予測システムにおける、電気自動車の行動ルールの表示例である。 第１実施形態に係る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。 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。 第３実施形態に係る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。 第３実施形態に係る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。 第４実施形態に係る状態予測システムの機能ブロック図である。

≪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。

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。

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。

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。

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、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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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、σ^２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σ^２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。

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。

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。

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。

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。

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。

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。

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。

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。

＜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。

≪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。

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

Claims (14)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. 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。
14. 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。

Images