TWI564834B - 電力需求預測裝置，電力供給系統，電力需求預測方法及程式 - Google Patents

電力需求預測裝置，電力供給系統，電力需求預測方法及程式 Download PDF

Info

Publication number
TWI564834B
TWI564834B TW104106298A TW104106298A TWI564834B TW I564834 B TWI564834 B TW I564834B TW 104106298 A TW104106298 A TW 104106298A TW 104106298 A TW104106298 A TW 104106298A TW I564834 B TWI564834 B TW I564834B
Authority
TW
Taiwan
Prior art keywords
vehicle
data
charging device
power demand
individual model
Prior art date
Application number
TW104106298A
Other languages
English (en)
Other versions
TW201606684A (zh
Inventor
山科勇輔
小栁容子
新家利彦
矢野真也
Original Assignee
三菱重工業股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 三菱重工業股份有限公司 filed Critical 三菱重工業股份有限公司
Publication of TW201606684A publication Critical patent/TW201606684A/zh
Application granted granted Critical
Publication of TWI564834B publication Critical patent/TWI564834B/zh

Links

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • B60L53/63—Monitoring or controlling charging stations in response to network capacity
    • 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
    • B60L53/65—Monitoring or controlling charging stations involving identification of vehicles or their battery types
    • 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
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • 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
    • H02J7/00036—Charger exchanging data with battery
    • 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
    • H02J7/00047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with provisions for charging different types of batteries
    • 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
    • B60L2240/10—Vehicle control parameters
    • B60L2240/12—Speed
    • 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
    • B60L2240/10—Vehicle control parameters
    • B60L2240/14—Acceleration
    • 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
    • B60L2240/70—Interactions with external data bases, e.g. traffic centres
    • B60L2240/72—Charging station selection relying on external data
    • 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
    • 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
    • B60L2260/50—Control modes by future state prediction
    • 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
    • B60L2260/50—Control modes by future state prediction
    • B60L2260/52—Control modes by future state prediction drive range estimation, e.g. of estimation of available travel distance
    • 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
    • B60L2260/50—Control modes by future state prediction
    • B60L2260/54—Energy consumption estimation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/14—Plug-in electric vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/12—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation
    • Y04S10/126—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation the energy generation units being or involving electric vehicles [EV] or hybrid vehicles [HEV], i.e. power aggregation of EV or HEV, vehicle to grid arrangements [V2G]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/14—Details associated with the interoperability, e.g. vehicle recognition, authentication, identification or billing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Secondary Cells (AREA)

Description

電力需求預測裝置，電力供給系統，電力需求預測方法及程式
本發明係有關預測充電設備中的電力需求量之電力需求預測裝置，電力供給系統，電力需求預測方法及程式。
本案基於2014年2月28日於日本申請之特願2014-038747號主張優先權，將其內容援用於此。
近年來，裝載電池的電動車或混合動力車逐漸普及，充電設備中的電力需求增加。伴隨此，吾人運用一種配電計劃技術，其對配合電力需求的預測結果而應生成之總電力量，及對每個地域、每個時間帶應供給之配電量進行控制。
為了預測電力需求，一般而言會運用下述手法等，即，基於過去的實際電力需求及示意時刻資訊、星期、假日等之日曆資訊等，利用統計手法來構築預測模 型，藉此預測(例如參照專利文獻1)。
此外，當欲預測某一地域中的電力需求的情形下，會運用下述手法，即，將該地域的集團行動傾向做統計性分析，並將其模型化。
[先前技術文獻] [專利文獻]
[專利文獻1]日本特開2012-115066號公報
然而，例如當將地域的集團行動傾向做統計性分析的情形下，為了構築出高精度地重現該地域的集團行動傾向全體的特性之模型，需要極大量的實際資料(教師資料)。相對於此，探偵車(probe car，具備取得詳細的行駛資料之功能的車輛)的台數有限，因此無法取得相當的實際資料。因此，難以高精度地重現地域的集團行動傾向。
本發明係有鑑於上述問題而研發，目的在於提供一種可基於有限的實際資料做更高精度的電力需求預測之電力需求預測裝置，電力供給系統，電力需求預測方法及程式。
按照本發明之第1態樣，電力需求預測裝置(100)，具備：資料受理部(101)，受理車輛探偵資料(D1)的輸入，該車輛探偵資料記錄著特定車輛(探測車201、202．．．)的行駛狀態；個別模型生成部(112)，基於前述受理的車輛探偵資料(D1)，依前述特定車輛別、或該特定車輛的使用者別來生成個別模型(M1、M2．．．)，該個別模型表示作為前述特定車輛於特定充電設備(301、302．．．)進行充電的決策的要因之因子資訊的實際值、與示意該特定車輛在前述特定充電設備之電力需求的實際值之間的相關關係；及需求預測演算部(113)，基於前述生成的個別模型，算出前述特定車輛在前述特定充電設備之電力需求的預測值。
按照這樣的電力需求預測裝置，係依電動車的使用者別來生成個別模型，並進行預測處理以反映出該使用者各者的充電的決策的特徵。是故，能夠奠基於使用者的想法而進行高精度的電力需求預測。
此外，按照本發明之第2態樣，前述個別模型生成部，作為前述因子資訊，至少包含駕駛率、規定區域別的存在率、及電池的充電率。
按照這樣的電力需求預測裝置，能夠將使用者是否正在駕駛車輛，車輛存在於何處，及電池的充電率降低至什麼程度這些資訊，納入成為是否進行充電的決策的要因之因子資訊，以作為決策的要因。
此外，按照本發明之第3態樣，前述個別模 型生成部，基於前述受理的車輛探偵資料，抽出示意前述特定車輛在前述特定充電設備之時間帶別的使用率之使用率實際資料(D20)，以作為前述電力需求的實際值。
按照這樣的電力需求預測裝置，能夠預測特定充電設備在某一時間帶被使用之比率，以作為電力需求的預測值。
此外，按照本發明之第4態樣，前述個別模型生成部，構築出由具有彼此類似的相關關係的複數個前述個別模型的群組所構成之生活型態模型(N1、N2．．．)，前述需求預測演算部，基於在特定地域中活動之活動者的，符合前述生活型態模型之人口的構成比率，依隸屬於該特定地域之充電設備別來算出電力需求的預測值。
按照這樣的電力需求預測裝置，能夠依其生活型態模型別來預測充電設備的使用率，且對於其預測結果，因應隸屬於特定地區的各生活型態之人口的構成比率來進行加權調整。是故，能夠提高地域全體的電力需求預測精度。
此外，按照本發明之第5態樣，前述資料受理部，更受理充電設備資料的輸入，該充電設備資料為藉由前述充電設備的各者所取得之資訊，且記錄著有關在該充電設備進行之充電的資訊，前述個別模型生成部，基於前述充電設備資料來生成個別模型。
按照這樣的電力需求預測裝置，不僅基於從特定車輛取得之車輛探偵資料，還能夠基於在各充電設備取得之關 於充電的種種資訊來構築個別模型。藉此，能夠生成更高精度地反映出各個人的充電的決策之個別模型，而能夠更加提高預測精度。
此外，按照本發明之第6態樣，電力供給系統(1)，具備可記錄自身車輛的行駛狀態之複數個探偵車(201、202．．．)；及因應前述電力需求預測裝置的預測結果，依前述充電設備別調整供給電力之供給電力管理裝置(400)。
按照這樣的電力供給系統，供給電力管理裝置係因應電力需求預測裝置所做的高精度預測結果來依充電設備別調整供給電力，故能夠使電力供給服務的提供更加效率化。
此外，按照本發明之第7態樣，電力需求預測方法，受理車輛探偵資料的輸入，該車輛探偵資料記錄著特定車輛的行駛狀態；基於前述受理的車輛探偵資料，依前述特定車輛別、或該特定車輛的使用者別來生成個別模型，該個別模型表示作為前述特定車輛於特定充電設備進行充電的決策的要因之因子資訊的實際值、與示意該特定車輛在前述特定充電設備之電力需求的實際值之間的相關關係，基於前述生成的個別模型，算出前述特定車輛在前述特定充電設備之電力需求的預測值。
按照這樣的電力需求預測方法，係依電動車的使用者別來生成個別模型，並進行預測處理以反映出該使用者各者的充電的決策的特徵。是故，能夠奠基於使用者的想法 而進行高精度的電力需求預測。
此外，按照本發明之第8態樣，程式，令電力需求預測裝置的電腦運作成為：個別模型生成手段，基於記錄著特定車輛的行駛狀態之車輛探偵資料，依前述特定車輛別、或該特定車輛的使用者別來生成個別模型，該個別模型表示作為前述特定車輛於特定充電設備進行充電的決策的要因之因子資訊的實際值、與示意該特定車輛在前述特定充電設備之電力需求的實際值之間的相關關係；及需求預測演算手段，基於前述生成的個別模型，算出前述特定車輛在前述特定充電設備之電力需求的預測值。
按照這樣的程式，個別模型生成手段係依電動車的使用者別來生成個別模型，並進行預測處理以反映出該使用者各者的充電的決策的特徵。是故，能夠奠基於使用者的想法而進行高精度的電力需求預測。
按照上述的電力需求預測裝置、電力供給系統、電力需求預測方法及程式，便可基於有限的實際資料，做更高精度的電力需求預測。
1‧‧‧電力供給系統
100‧‧‧電力需求預測裝置
101‧‧‧資料受理部
102‧‧‧資料輸出部
110‧‧‧CPU
111‧‧‧資料蓄積處理部
112‧‧‧個別模型生成部
112a‧‧‧因子資訊抽出部
112b‧‧‧電力需求資訊抽出部
112c‧‧‧模型構築處理部
112d‧‧‧生活型態模型生成部
113‧‧‧需求預測演算部
113a‧‧‧需求預測結果調整部
120‧‧‧探偵資料記憶部
121‧‧‧個別模型記憶部
122‧‧‧居民資料記憶部
201、202．．．‧‧‧探偵車
301、302．．．‧‧‧充電設備
400‧‧‧供給電力管理裝置
[圖1]第1實施形態之電力供給系統的概要示意圖。
[圖2]第1實施形態之電力需求預測裝置的功能構成 示意圖。
[圖3]第1實施形態之資料蓄積處理部所記憶的車輛探偵資料的細節示意圖。
[圖4]第1實施形態之個別模型生成部的功能說明第1圖。
[圖5]第1實施形態之個別模型生成部的功能說明第2圖。
[圖6]第1實施形態之個別模型生成部的功能說明第3圖。
[圖7]第1實施形態之個別模型生成部的功能說明第4圖。
[圖8]第1實施形態之個別模型生成部的功能說明第5圖。
[圖9]第1實施形態之需求預測演算部的功能說明第1圖。
[圖10]第1實施形態之需求預測演算部的功能說明第2圖。
[圖11]第1實施形態的變形例之個別模型生成部的功能說明圖。
[圖12]第2實施形態之電力需求預測裝置的功能構成示意圖。
[圖13]第2實施形態之個別模型生成部的功能說明圖。
[圖14]第2實施形態之需求預測演算部的功能說明 圖。
[圖15]第2實施形態的變形例之需求預測演算部的功能說明圖。
[圖16]第3實施形態之電力需求預測裝置的功能構成示意圖。
<第1實施形態>
以下，說明第1實施形態之電力供給系統。
第1實施形態之電力供給系統，係運用從探偵車獲得的車輛探偵資料，來生成將使用該探偵車的個人行動予以模型化之個別模型。然後，運用反映了代表特定地域(例如一個都市)中活動之活動者(集團)之各個人的特徵之個別模型，來進行該特定地域中各充電設備的電力需求(本實施形態中為各充電設備的「使用率」)之預測。另，此處所謂「活動者」，除了在上述特定地域中生活之居民外，還意指因通勤、上下學、出遊等目的，而在該地域內進行種種活動之全體人。
(全體構成)
圖1為第1實施形態之電力供給系統的概要示意圖。
第1實施形態之電力供給系統1，具備電力需求預測裝置100、複數個探偵車201、202．．．、複數個充電設 備301、302．．．、及供給電力管理裝置400。
電力供給系統1，係在特定地域(例如都市T1)提供電動車用的電力供給服務。具體而言，電力供給系統1，是透過設置於都市T1的各處之充電設備301、302．．．，來對在都市T1行駛的電動車供給電池充電用之電力。
電力需求預測裝置100，係從探偵車201、202．．．的各者輸入複數個車輛探偵資料D1(後述)，並基於該車輛探偵資料D1，進行充電設備301、302．．．的各者的電力需求(時間帶別的使用率)之預測。
探偵車201、202．．．，為隸屬於都市T1之居民當中特定的使用者所使用之電動車。探偵車201、202．．．裝載著專用的車載器(未圖示)，藉由該車載器，可每隔一定時間記錄各探偵車201、202．．．的行駛狀態。舉例來說，探偵車201、202．．．，可每隔一定時間(例如每小時)記錄表示各探偵車201、202．．．是否為駕駛中之駕駛狀態資訊、指明各者的位置之車輛位置資訊(例如依GPS(Global Positioning System)之緯度/經度資訊)、表示裝載之電池的充電率〔%〕(殘餘容量)之SOC(State Of Charge)資訊，以作為各者的行駛狀態。
另，探偵車201、202．．．可取得的行駛狀態的內容不限定於上述，除此以外還可記錄行駛距離、或透過裝 載的速度/加速度感測器而取得之速度/加速度資訊等、以及探偵車201、202．．．於停止中、充電中的各種資訊。此外，探偵車201、202．．．，並不限定於以「每隔一定時間」取得各者的行駛狀態之態樣，除此以外，亦可為每當任意訂定的特定現象發生時便記錄之態樣。具體而言，例如探偵車201、202．．．，亦可每隔一定行駛距離、每隔一定的車輛狀態變化(從行駛狀態轉變為停車狀態時、主電源的開關、頭燈的開關)，便記錄該時間點之各者的行駛狀態。
充電設備301、302．．．，被設置於都市T1的各處。電動車的使用者，係前往設置於各處之充電設備301、302．．．來進行電動車的充電。另，本實施形態中，如圖1所示，各充電設備301、302．．．，被設置於隸屬於都市T1之規定區域A1、A2、A3．．．的各處。
供給電力管理裝置400，基於電力需求預測裝置100所做的電力需求(針對充電設備301、302．．．各者的時間帶別的使用率)之預測結果，令其反映在配電計劃上，以便可從各充電設備301、302．．．供給充電用所必須之電力。
(電力需求預測裝置的功能構成)
圖2為第1實施形態之電力需求預測裝置的功能構成示意圖。
如圖2所示，本實施形態之電力需求預測裝置100，具備資料受理部101、資料輸出部102、CPU(Central Processing Unit)110、探偵資料記憶部120、個別模型記憶部121。
資料受理部101，為從探偵車201、202．．．的各者受理車輛探偵資料D1輸入之通訊模組。此處，探偵車201、202．．．的各車載器，會將取得的車輛探偵資料D1，透過規定之通訊手段自動地輸出至資料受理部101。另，除了各車載器自動地將車輛探偵資料D1發送至資料受理部101之態樣以外，電力供給系統1的使用者(管理者)亦可藉由手動來進行從各車載器發送至資料受理部101之處理。
資料輸出部102，為將藉由後述CPU110之算出處理而獲得的使用率預測資料D20F，輸出至供給電力管理裝置400之通訊模組。
CPU110，為掌控電力需求預測裝置100的處理全體之汎用CPU。CPU110，係遵照讀入至記憶區域之專用程式來動作，以實現身為資料蓄積處理部111、個別模型生成部112、需求預測演算部113之功能。各機能的細節後述之。
探偵資料記憶部120，為藉由CPU110(後述資料蓄積處理部111)之處理，而存儲著取得的車輛探偵資料D1之記憶區域。
個別模型記憶部121，為記憶著CPU110(後述個別 模型生成部112)所生成之，各探偵車201、202．．．的個別模型之記憶區域。
另，上述探偵資料記憶部120及個別模型記憶部121，亦可為記憶於單一記憶裝置之態樣。
如上述般，本實施形態之CPU110，具有身為資料蓄積處理部111、個別模型生成部112及需求預測演算部113之功能。
資料蓄積處理部111，將透過資料受理部101而輸入之車輛探偵資料D1逐次記憶於探偵資料記憶部120。有關資料蓄積處理部111蓄積之車輛探偵資料D1的內容後述之。
個別模型生成部112，基於探偵資料記憶部120中蓄積之過去的車輛探偵資料D1，進行生成和探偵車201、202．．．(使用者P1、P2．．．)的各者相對應之個別模型M1、M2．．．之處理。此處，所謂「個別模型」，係指反映了各使用者的探偵車201、202．．．的使用上的特徵(特別是充電的決策的特徵)之模擬模型。個別模型生成部112，將生成的個別模型M1、M2．．．記憶於個別模型記憶部121。
此外，個別模型生成部112，如圖2所示，係基於內部具備之因子資訊抽出部112a、電力需求資訊抽出部112b、模型構築處理部112c之處理來生成個別模型。有關因子資訊抽出部112a、電力需求資訊抽出部112b及模型構築處理部112c的具體的處理內容後述之。
需求預測演算部113，基於個別模型記憶部121中記憶之個別模型M1、M2．．．、及新輸入的車輛探偵資料D1，來算出充電設備301、302．．．的各者之時間帶別的使用率預測值(使用率預測資料D20F)。
(資料蓄積處理部的功能)
圖3為第1實施形態之資料蓄積處理部所記憶的車輛探偵資料的細節示意圖。
如上述般，資料蓄積處理部111，將在各探偵車201、202．．．取得的車輛探偵資料D1，逐次記憶、蓄積於探偵資料記憶部120。舉例來說，資料蓄積處理部111，係以圖3所示般態樣來記憶車輛探偵資料D1。具體而言，如圖3所示，探偵資料記憶部120中，記錄著識別探偵車201、202．．．的各者之車輛ID、及日期及時間帶、及表示車輛是否為駕駛中(是否為稼動中)之駕駛狀態資訊、及指明車輛位置之緯度/經度資訊、及表示裝載的電池的充電量(殘餘容量)之SOC資訊。資料蓄積處理部111，例如每隔30分鐘將記錄的駕駛狀態資訊、緯度/經度資訊、SOC資訊予以抽出而記憶於探偵資料記憶部120。
另，探偵資料記憶部120中，記憶著各探偵車201、202．．．於過去取得之一個以上的車輛探偵資料D1。另，作為車輛探偵資料D1，理想是例如記憶、蓄積有複數個過去數個月~數年份之各種資訊。
此外，探偵資料記憶部120中記憶之車輛探偵資料D1的態樣，不限定於圖3所示者，亦可記錄著有關探偵車201、202．．．的行駛之其他項目(例如行駛距離、速度/加速度資訊等)。此外，亦可令其記錄於充電時取得之充電設備ID，以便可掌握是使用哪個充電設備301、302．．．進行了充電。
(個別模型生成部的功能)
個別模型生成部112的因子資訊抽出部112a，係參照探偵資料記憶部120中記憶之車輛探偵資料D1(圖3)，來抽出因子資訊的實際值亦即因子實際資料D10。此處，所謂「因子資訊」，係指各探偵車201、202．．．的使用者P1、P2．．．，在各充電設備301、302．．．進行充電之決策的可能要因之種種資訊。具體而言，因子資訊抽出部112a，係從車輛探偵資料D1，抽出以下說明之時間帶別駕駛率資料D11、時間帶別活動區域D12等，以作為因子資訊的實際值(因子實際資料D10)。
(時間帶別駕駛率資料)
圖4為第1實施形態之個別模型生成部的功能說明第1圖。
因子資訊抽出部112a，係從探偵資料記憶部120中記憶之車輛探偵資料D1，抽出因子實際資料D10的一種亦即時間帶別駕駛率資料D11。此處，時間帶別駕駛率資料 D11，如圖4所示，為將使用者進行探偵車201、202．．．的駕駛之比率(探偵車201、202．．．為稼動中之比率)依規定期間(例如一週)的時間帶別予以區分表示之資訊。具體而言，因子資訊抽出部112a，係從探偵資料記憶部120中蓄積之過去的車輛探偵資料D1，參照星期、時間帶別的駕駛狀態資訊(圖3)，來算出在該星期、時間帶為駕駛中之比率，藉此獲得時間帶別駕駛率資料D11。
另，圖4中，雖揭示涵蓋一週的時間帶別之駕駛率作為例子，但例如亦可為不是一週而是揭示涵蓋一個月或一年的時間帶別之駕駛率。此外，針對以下說明之「時間帶別活動區域資料」、「時間帶別SOC資料」等亦同。
圖4中，示例了基於使用者P1(探偵車201)的車輛探偵資料D1而抽出之時間帶別駕駛率資料D11。舉例來說，使用者P1，於通勤時間帶(星期一至星期五的8時前後及18時前後)表現出駕駛率高的傾向。由此，可推估使用者P1主要是以通勤目的使用探偵車201。
因子資訊抽出部112a，以同樣的方式，抽出針對其他使用者P2、P3．．．(探偵車202、203．．．)的時間帶別駕駛率資料D11。
(時間帶別活動區域資料)
圖5為第1實施形態之個別模型生成部的功能說明第 2圖。
因子資訊抽出部112a，係從探偵資料記憶部120中記憶之車輛探偵資料D1，抽出因子實際資料D10的一種亦即時間帶別活動區域資料D12。此處，時間帶別活動區域資料D12，如圖5所示，為將使用者(探偵車201、202．．．)所隸屬之區域(劃分區域A1、A2．．．)依一週的時間帶別予以區分表示之資訊。具體而言，因子資訊抽出部112a，係從探偵資料記憶部120中蓄積之過去的車輛探偵資料D1，參照星期、時間帶別的緯度/經度資訊(圖3)，藉此查明使用者P1、P2．．．(探偵車201、202．．．)於各星期、時間帶在規定區域別(各劃分區域A1、A2別)的存在率而獲得時間帶別活動區域資料D12(參照圖5)。
(時間帶別SOC資料)
圖6為第1實施形態之個別模型生成部的功能說明第3圖。
因子資訊抽出部112a，進一步係從探偵資料記憶部120中記憶之車輛探偵資料D1，抽出因子實際資料D10的一種亦即時間帶別SOC資料D13等。此處，時間帶別SOC資料D13，如圖6所示，為透過規定的感測器而記錄著使用者(探偵車201、202．．．)的時間帶別的SOC〔%〕之資訊。藉此，個別模型生成部112，如後述般，便能取得各使用者的個人行動的傾向(充電的決策的特 徵)，像是當SOC減少至什麼程度時會進行充電。
此外，因子資訊抽出部112a，亦可進一步抽出上述以外的因子實際資料D10。舉例來說，因子資訊抽出部112a，亦可參照車輛探偵資料D1的車輛位置與時間帶別SOC，查明正在使用哪個充電設備301、302．．．進行充電，來取得表示使用者P1、P2．．．所使用之充電設備301、302．．．的統計之受電器使用場所資料D14(參照圖6)。藉此，便能掌握使用者P1、P2．．．最常使用之充電設備301、302．．．。另，當車輛探偵資料D1中記錄有充電設備ID的情形下，亦可抽出該充電設備ID別的使用次數等來取得受電器使用場所資料D14。
此外，圖6中雖未圖示，但因子資訊抽出部112a，亦可進一步參照車輛探偵資料D1的時間帶別SOC，來抽出表示正在進行充電的時間帶(SOC正在回復的時間帶)之充電時間帶資訊D15、及依照每單位時間帶的SOC上昇量而算出之充電速度資訊D16等。藉此，便能基於使用者P1、P2．．．最常使用充電設備301、302．．．之時間帶、或充電速度資訊D16，來掌握使用者P1、P2．．．是否經常以急速充電來充電等。
本實施形態之個別模型生成部112，如以上這樣，抽出由複數個因子資訊的過去的實際值所構成之因子實際資料D10。
(使用率實際資料)
圖7為第1實施形態之個別模型生成部的功能說明第4圖。
接著，個別模型生成部112，係參照探偵資料記憶部120中記憶之過去的車輛探偵資料D1(圖3)，來抽出各充電設備301、302．．．的電力需求的實際值(電力需求實際資料)。本實施形態中，具體而言，個別模型生成部112的電力需求資訊抽出部112b，是抽出表示各者的時間帶別的使用率的實際值之使用率實際資料D20，來作為充電設備301、302．．．各者之電力需求的實際值。
此處，使用率實際資料D20，為表示基於過去蓄積之車輛探偵資料D1，使用者P1、P2．．．依星期/時間帶別的充電設備301、302．．．的使用頻率(使用率)之統計資料(參照圖7)。舉例來說，按照針對使用者P1的充電設備301的使用率實際資料D20，能夠解讀出使用者P1縱觀平日全體是於18時前後使用充電設備301的頻率(比率)較高(參照圖7)。
具體而言，電力需求資訊抽出部112b，係基於車輛探偵資料D1的車輛位置資訊或時間帶別SOC資訊(圖3)，來抽出於各星期/時間帶別是否正在使用充電設備301、302．．．的各者，並算出其頻率以作為使用率。如此一來，電力需求資訊抽出部112b，便獲得欲預測的對象資訊(亦即，充電設備301、302．．．的時間帶別的使用率)之，依使用者P1、P2．．．別的過去的實際值，亦即使用率實際資料D20。
(個別模型的構築)
圖8為第1實施形態之個別模型生成部的功能說明第5圖。接著，參照圖8，說明基於上述要因實際資料D10、及使用率實際資料D20來生成個別模型之模型構築處理部112c的功能。
模型構築處理部112c，係輸入將從探偵資料記憶部120中蓄積之探偵車201、202．．．的車輛探偵資料D1的各者抽出之複數個要因實際資料D10、以及使用率實際資料D20，來依使用者P1、P2．．．別(即探偵車201、202．．．別)生成表示它們的相關關係之個別模型M1、M2．．．。
具體而言，例如模型構築處理部112c，將有關使用者P1(探偵車201)之因子資訊的實際值亦即各因子實際資料D10(時間帶別駕駛率資料D11、時間帶別活動區域資料D12．．．(圖4~圖6))的各者，訂為個別模型M1之因子x1、x2、．．．。此外，模型構築處理部112c，將被抽出作為有關使用者P1之使用率實際資料D20(圖7)之各充電設備301、302．．．的使用率的實際值，訂為響應y1、y2．．．。此處，響應y1、y2．．．，為對於個別模型M1中的因子x1、x2．．．的輸入之響應。
接著，模型構築處理部112c，生成表示響應y1、y2．．．對於因子x1、x2．．．的相關關係之個別 模型M1。該個別模型M1，對應至使用者P1(探偵車201)。如圖8所示，例如使用者P1使用充電設備301之比率y1，與因子x1、x2．．．之相關關係，係以式(1)表示。
[數1]y 1=a 11 x 1+b 11 x 2+c 11 x 3+d 11 x 4+…．．．(1)
此處，附在式(1)的各因子x1、x2．．．之係數a11、b11．．．，為因子x1、x2．．．的因子負荷量。也就是說，該係數(因子負荷量)愈大的因子表示與響應y1(即使用率)之相關關係愈強，愈小的因子表示與響應y1之相關關係愈弱。
舉例來說，若因子x1為時間帶別駕駛率資料D11而係數a11的值較大的情形下，這表示使用者P1於充電設備301之使用率(響應y1)，和時間帶別的駕駛率(因子x1)有較強的因果關係。也就是說，這說明了使用者P1的下述特徵，即，「使用者P1每次進行駕駛，幾乎一定會在充電設備301進行充電」。
同樣地，若因子x2為時間帶別活動區域資料D12而係數b11的值較小的情形下，這表示使用者P1於充電設備301之使用率(響應y1)，和時間帶別的活動區域(因子x2)無法認為有因果關係。也就是說，這說明了 使用者P1的下述特徵，即，「使用者P1不論最初隸屬的活動區域為何，當進行充電時幾乎必定會使用充電設備301」。
像這樣，本實施形態之個別模型生成部112，係導出表示過去取得之已知的因子x1、x2．．．(因子實際資料D10)與已知的響應y1、y2．．．(使用率實際資料D20)之相關關係的式子串，來生成反映出使用者P1之充電的決策的特徵之個別模型M1。
另，作為從已知的因子x1、x2．．．與已知的響應y1、y2．．．來導出表示各者之相關關係之式子(例如上述式(1))的手法，例如可運用基於已知的模型構築手法亦即SVM(Support vector machine)或NN(Neural network)等之模擬模型構築手法，或是亦可更簡單地運用一般的最小平方法。此外，表示相關關係之式(1)僅為一例，其他以表示更複雜的相關關係之式子(二次函數、指數/對數函數等)來表現之情況亦可。
如圖8所示，模型構築處理部112c，針對使用者P2、P3．．．(探偵車202、203．．．)亦進行同樣的處理，來生成反映出各者的特徵之個別模型M2、M3．．．。然後，將生成的各個別模型M1、M2．．．記憶於個別模型記憶部121。
另，以下說明中，作為表示和區域A1中設置之充電設備301有關的響應y1與和使用者P1(探偵車201)有關的因子x1、x2．．．之相關關係的函數，係如式(2) 般記載(參照圖8)。
[數2]y 1=f A1P1(x 1,x 2,x 3,x 4…)．．．(2)
(需求預測演算部的功能)
圖9為第1實施形態之需求預測演算部的功能說明第1圖。
需求預測演算部113，於事前基於個別模型記憶部121中記憶著的各個別模型M1、M2．．．，來算出表示使用者P1、P2．．．(探偵車201、202．．．)於充電設備301、302．．．的各者之電力需求的預測值之電力需求預測資料。另，本實施形態中所謂電力需求的預測值，具體而言係指充電設備301、302．．．各者於規定的時間帶別的使用率之預測值。然後，需求預測演算部113，算出表示該使用率之預測值之使用率預測資料D20F(電力需求預測資料)。
具體而言，首先，需求預測演算部113，輸入目前最近取得之使用者P1(探偵車201)的車輛探偵資料D1，並基於該目前最近的車輛探偵資料D1來取得因子實際資料D10(因子x1、x2．．．)(參照圖9)。所謂「目前最近取得之車輛探偵資料D1」，例如係指從昨日(24小時前)至現在時間點為止取得之車輛探偵資料 D1。
接著，需求預測演算部113，將因子實際資料D10(因子x1、x2．．．)輸入至和使用者P1對應之個別模型M1，並算出其輸出(響應y1、y2．．．)。更具體而言，需求預測演算部113，係將各因子x1、x2．．．的值代入至個別模型M1中含有之各函數(式(2)等)，而算出各個函數的解亦即響應y1、y2．．．。
此處算出之響應y1、y2．．．，為基於反映了使用者P1的特徵之個別模型M1而算出之值，表示使用者P1將來的充電設備301、302．．．的使用率(個別使用率預測資料D20f)。
需求預測演算部113，以同樣方式，基於事前生成之個別模型M2、M3．．．，算出各使用者P2、P3．．．的個別使用率預測資料D20f(參照圖9)。另，以下說明中，使用者P1於規定的時間帶使用充電設備301、302．．．之比率的預測值以y11、y12．．．表示。同樣地，使用者P2於同時間帶使用充電設備301、302．．．之比率的預測值以y21、y22．．．表示。
算出針對各使用者P1、P2．．．全部的個別使用率預測資料D20f後，需求預測演算部113，係將全部的個別使用率預測資料D20f依每一充電設備301、302．．．予以總計，來算出各充電設備301、302．．．於各時間帶之使用率的預測值。舉例來說，當預測出使用者P1、P2．．．的各者，在某一時間帶使用充電設備301 之比率為y11、y21．．．的情形下，充電設備301於該時間帶之使用率的預測值Y1，能夠算出成為Y1=y11+y21+y31+．．．。需求預測演算部113，以同樣方式，算出其他充電設備302、303．．．於同時間帶之使用率的預測值Y2、Y3．．．(參照圖9)。
圖10為第1實施形態之需求預測演算部的功能說明第2圖。
需求預測演算部113，藉由上述處理(參照圖9)，取得預測出針對受電設備301、302．．．的各者於不久的將來(例如距現在時間點24小時以內)的使用率的變化之使用率預測資料D20F(參照圖10)。
需求預測演算部113，將如以上這般取得之各充電設備301、302．．．的使用率預測資料D20F(電力需求預測資料)，透過資料輸出部102輸出至供給電力管理裝置400。供給電力管理裝置400，基於各充電設備301、302．．．的電力需求的預測結果(使用率預測資料D20F)，反映在對各充電設備301、302．．．的電力配電計劃上。舉例來說，在被預測充電設備301的使用率會變高之時間帶，供給電力管理裝置400，於該時間帶，會生成配電計劃以便達成可因應該需求之電力供給。藉此，電力供給系統1，便能夠因應事先預測出的各充電設備301、302．．．的電力需求而適當地生成、供給必要量的電力，故能夠謀求電力供給服務運用的效率化。
另，上述實施形態中，電力需求預測裝置 100，會將反映出受選的使用者P1、P2．．．各者的決策的特徵(個別模型)之預測結果，直接運用作為對於都市T1的居民全體之預測結果。在此情形下，亦可設計成，探偵車201、202．．．的使用者P1、P2．．．是從欲預測之對象地域亦即都市T1全體的居民當中隨機選出。如此一來，便能夠將擁有探偵車201、202．．．之使用者P1、P2．．．的集團的特徵，近似成為都市T1的居民全體的特徵。
(效果)
充電的時期或充電場所，會因每個使用者個人的行駛狀況或嗜好而有差異，因此若依習知的模擬手法難以高精度地預測電力需求。但，按照上述第1實施形態之電力供給系統1，電力需求預測裝置100係依電動車的使用者別來生成個別模型，並進行模擬分析以反映出該使用者各者的充電的決策的特徵。是故，使用者各者的生活型態或價值觀等會反映在模擬分析上，能夠奠基於使用者的想法而進行高精度的電力需求預測。
此外，電力需求預測裝置100，如上述般，係生成反映出各使用者的決策之複數個個別模型，並將該些複數個個人的集合近似成為都市全體的集團，來預測電力需求。是故，能夠以比將集團全體的行動傾向直接模型化所必須之實際資料資料量還少之資料量，來構築模擬模型。
此外，為了構築高精度的模擬模型，必須選 擇與輸出(解)之因果關係強的因子來進行模型構築。然而，例如當以都市T1的集團全體的行動傾向作為模型構築對象的情形下，難以針對該集團全體的行動傾向找出因果關係強的因子為何。是故，欲提高重現集團的行動傾向之模型的精度，有其瓶頸。
相對於此，本實施形態之電力需求預測裝置100，是從將個人等級的充電的決策予以模型化來出發，然後將其擴展至集團等級的行動傾向。此處，可容易地預測會成為個人的決策要因之資訊(亦即因子資訊)為何。舉例來說，駕駛狀態(車輛是否為稼動中)，車輛的位置(是否距充電設備近)，SOC(SOC是否正在減少)等資訊，是充電的決策的強烈可能要因。是故，當構築個別模型時，便能夠選擇因果關係強的因子來構築模擬模型，因此能更加提高預測的精度。
以上，按照第1實施形態之電力供給系統1，便可基於有限的實際資料，做更高精度的電力需求預測。
另，電力供給系統1的態樣並不限定於上述態樣，例如可如下述般變更。
圖11為第1實施形態的變形例之個別模型生成部的功能說明圖。
第1實施形態之個別模型生成部112，基於過去蓄積之車輛探偵資料D1，將因子實際資料D10(因子x1、x2．．．)與使用率實際資料D20(響應y1、y2．．．)之相關關係，藉由導出式(1)、(2)等函數串來構築個 別模型。
作為其變形例，例如，個別模型生成部112，亦可基於決策樹學習來生成各使用者P1、P2．．．的個別模型M1’、M2’．．．。舉例來說，如圖11所示，模型構築處理部112c，基於因子實際資料D10及使用率實際資料D20，來構築個別模型M1’(決策樹模型)以導出使用者P1對於充電設備301於每個時間帶之使用率的預測值。
舉例來說，圖11示例之決策樹模型中，對於使用者P1「是否使用充電設備301？」這一問題，於現在時間點依循是否滿足「是否為駕駛中？」、「距離是否在○○km以內？」、「SOC是否未滿△△%？」．．．這樣的條件之路徑，來算出抵達「使用充電設備301」或抵達「不使用充電設備301」之比例，藉此導出使用率之預測值。
像這樣，將藉由是否滿足成為決策要因的複數個條件(相當於因子x1、x2．．．)而引導出之決策的結果(相當於響應y1、y2．．．)予以模型化。
如此一來，便能更易懂地記述使用者P1、P2．．．各者的充電的決策，能夠讓使用者P1、P2．．．各者是基於什麼而引發進行充電之想法更加明確化。如此一來，例如便能藉由設置新的充電設備或提供服務等，來使充電設備301、302．．．各者的電力需求的調整變得容易。
另，上述電力供給系統1中，說明了預測時 間帶別的使用率來作為各充電設備301、302．．．的電力需求，但在其他實施形態中並不限定於此態樣。舉例來說，其他實施形態之電力供給系統，作為欲預測之對象資訊，亦可以充電設備301、302．．．於時間帶別之供給電力量〔kW〕作為預測對象。具體而言，個別模型生成部112的電力需求資訊抽出部112b，對於欲預測的對象之響應y1、y2．．．，選擇充電設備301、302．．．別的「供給電力量」的實際資料(供給電力實際資料)，藉此便可取得該供給電力量的預測結果亦即供給電力預測資料。
<第2實施形態>
接著，說明第2實施形態之電力供給系統。
第1實施形態之電力供給系統中，說明了將反映出受選的使用者P1、P2．．．各者的決策的特徵(個別模型)之預測結果，直接運用作為對於都市T1的居民全體之預測結果。
另一方面，第2實施形態之電力供給系統，係將複數個個別模型當中的類似者依生活型態別予以統整，並依符合該生活型態之人數比率來修正對於都市T1的居民全體之預測結果。
圖12為第2實施形態之電力需求預測裝置的功能構成示意圖。
另，圖12中，針對和第1實施形態相同之功能構 成，係標註同一符號並省略其說明。
如圖12所示，本實施形態之電力需求預測裝置100，另具備了記憶有都市T1的居民資料之居民資料記憶部122。個別模型生成部112，更具備生活型態模型生成部112d。此外，需求預測演算部113，更具備需求預測結果調整部113a。
居民資料記憶部122，係記錄有記錄了關於都市T1的居民的各個人之資訊(例如年齢、性別、居住地域、職業及工作地點、是否開車通勤等)之居民資料。此外，居民資料記憶部122中，事先記錄有是否為探偵車201、202．．．之使用者(使用者P1、P2．．．)。
圖13為第2實施形態之個別模型生成部的功能說明圖。
本實施形態之個別模型生成部112的生活型態模型生成部112d，係在模型構築處理部112c所生成之個別模型M1、M2．．．當中，生成彼此具有類似的相關關係(式(1)、(2)等函數)之複數個個別模型的群組。
具體而言，生活型態模型生成部112d，例如係比較各個別模型M1、M2．．．的因子負荷量(式(1)的各係數a11、b11．．．)並算出其差異度。差異度，例如可藉由每個因子負荷量的誤差量的總計來算出。生活型態模型生成部112d，當算出的差異度未滿事先給定的規定閾值的情形下，會判定彼此具有類似的相關關係。像這樣，生活型態模型生成部112d，係在個別模型 M1、M2、．．．當中生成由彼此相關關係類似的群組所構成之生活型態模型N1、N2．．．(參照圖13)。
此外，生活型態模型生成部112d，依生活型態模型N1、N2．．．別，算出表示因子x1、x2．．．與響應y1、y2．．．之相關關係的函數。具體而言，生活型態模型生成部112d，算出隸屬於生活型態模型N1、N2．．．各者之各個別模型M1、M2．．．的函數串(式(1)、(2)等，參照圖8)的各者之平均，藉此算出各生活型態模型N1、N2．．．的函數串(圖13，參照生活型態模型N1)。如此一來，便能減緩因不合個人的習慣性行動之突發性行動所造成的誤差之影響，而能夠提升最終的預測精度。
另，求出各生活型態模型N1、N2．．．的函數之方法不限定於上述方法(各個別模型的平均)，例如亦可選擇構成各個別型態M1、M2之函數的中央值。
接著，生活型態模型生成部112d，例如參照關於和隸屬於生活型態模型N1之個別模型M1、M4、M5、．．．(參照圖13)的各者相對應之使用者P1、P4、P5．．．的居民資料。然後，生活型態模型生成部112d，在關於使用者P1、P4、P5．．．的居民資料當中抽出彼此共通之居民資料的要素。然後，探偵資料記憶部120，針對生活型態模型N1，將抽出的要素建立關連。舉例來說，假設生活型態模型N1是由具有「通勤時間帶中的駕駛率高」這種類似性之個別模型M1、M4、M5．．． 所構成，那麼從隸屬於該群組之使用者P1、P4、P5．．．的居民資料，便能建立關連為「隸屬於開汽車通勤至規定的工作地點之工作者」(開車通勤族群)這樣的共通資料。
生活型態模型生成部112d，針對其他的生活型態模型N2、N3．．．亦進行同樣處理。生活型態模型生成部112d，除上述以外，例如能夠對於「在平日的白天駕駛率高」這種群組，建立關連「主婦族群」這樣的共通資料。
圖14為第2實施形態之需求預測演算部的功能說明圖。
本實施形態之需求預測演算部113，係算出生活型態模型生成部112d所生成之各生活型態模型N1、N2．．．的使用率預測資料。這可藉由和第1實施形態之需求預測演算部113的處理(圖9)同等之處理來算出。此處，在以下說明中，隸屬於生活型態模型N1之使用者(使用者P1、P4、P5．．．)在充電設備301、302．．．的各時間帶使用率以y11、y12．．．表示。同樣地，隸屬於生活型態模型N2之使用者在同時間帶使用充電設備301、302．．．之比率的預測值以y21、y22．．．表示。
本實施形態之需求預測演算部113的需求預測結果調整部113a，係參照居民資料記憶部122中記憶之居民資料，算出都市T1中生活型態別的構成比率資料。此處，圖14中，揭示了需求預測結果調整部113a算出都市T1的生活型態別的構成比率而獲得之人口構成比率資 料的例子。如圖14所示，需求預測結果調整部113a，針對都市T1的人口，算出隸屬於「開車通勤族群」之人口為40%、隸屬於「主婦族群」之人口為15%、．．．等。
當預測出各生活型態模型N1、N2．．．在某一時間帶中的充電設備301的使用率，為y11、y21．．．的情形下，需求預測結果調整部113a，會藉由式(3)算出充電設備301在該時間帶中的使用率之預測值Y1。
[數3]Y 1=α．y 11+β．y 21+γ．y 31+…．．．(3)
此處，式(3)的係數α、β、γ．．．，為都市T1中隸屬於各生活型態模型N1、N2、N3．．．之人口別的構成比率(參照圖14)。同樣地，需求預測結果調整部113a，算出其他的充電設備302、303．．．在同時間帶中的使用率之預測值Y2、Y3．．．(參照式(4))。
[數4]
如此一來，需求預測結果調整部113a，會對於依生活型態模型N1、N2．．．別算出之個別使用率預測資料D20f(響應y11、y12．．．等)，依都市T1的人口構成比率別進行加權(乘上係數α、β、γ)後加總，故能更加提高都市T1全體的電力需求預測精度。
(效果)
按照上述第2實施形態之電力供給系統1，電力需求預測裝置100，將生成之個別模型M1、M2．．．依共通的生活型態別予以統整而生成生活型態模型N1、N2．．．。然後，依該生活型態模型N1、N2．．．別預測充電設備的使用率，且對於每個該預測結果，因應隸屬於各生活型態之人口的構成比率來進行加權。是故，比起將擁有探偵車201、202．．．之使用者P1、P2．．．的行動傾向直接近似作為欲預測的對象之集團全體的行動傾向，能夠更提高電力需求預測精度。
以上，按照第2實施形態之電力供給系統，便可基於有限的實際資料，做進一步高精度的電力需求預測。
上述第2實施形態之電力供給系統，更亦可 如下述般變形。
圖15為第2實施形態的變形例之需求預測演算部的功能說明圖。
該變形例之電力需求預測裝置100的居民資料記憶部122中，除都市T1外，還記憶有隸屬於都市T2之居民的居民資料。然後，如圖15所示，該變形例之需求預測演算部113的需求預測結果調整部113a，算出針對都市T2的人口構成比率資料。然後，需求預測結果調整部113a，如同式(3)、(4)般，基於針對都市T2的人口構成比率算出使用率預測資料D20F。舉例來說，圖15所示都市T2的情形下，將α=30%、β=25%、γ=10%代入至式(3)、(4)來算出使用率預測資料D20。
如此一來，使用針對都市T1構築之生活型態模型N1、N2．．．，針對未以探偵車201、202．．．進行資料取得之都市T2也可預測電力需求。是故，比起在其他地域再行取得資料來構築個別模型，能夠減輕預測的負擔。
<第3實施形態>
接著，說明第3實施形態之電力供給系統。
第3實施形態之電力供給系統中，充電設備301、302．．．可取得有關充電之資訊(充電設備資料D2)。
(電力需求預測裝置)
圖16為第3實施形態之電力需求預測裝置的功能構成示意圖。
充電設備301、302．．．，可記錄有關各者的充電之資訊，並進一步將該記錄之充電設備資料D2輸出至電力需求預測裝置100。充電設備資料D2，例如記錄有充電設備301、302．．．各者中的充電機器的占有率、指明所使用的車輛之車輛ID、充電電力量、充電方式(是否為急速充電等)、使用金額、有無附加價值(可否使用集點服務等)等資訊。
本實施形態之資料蓄積處理部111，透過資料受理部101受理車輛探偵資料D1及充電設備資料D2雙方，並記憶於探偵資料記憶部120。然後，個別模型生成部112，基於探偵資料記憶部120中蓄積之車輛探偵資料D1及充電設備資料D2雙方來生成個別模型M1、M2．．．(或，生活型態模型N1、N2．．．)。如此生成之個別模型M1、M2．．．中，更納入有各充電設備301、302．．．的時間帶別的繁忙程度、使用金額、有無附加價值等，以作為充電的決策的要因。是故，個別模型生成部112，能夠生成更高精度地反映出各個人的充電的決策之個別模型。
(效果)
以上，按照第3實施形態之電力供給系統，電力需求預測裝置100不僅基於從探偵車201、202．．．取得之 車輛探偵資料D1，還基於從充電設備301、302．．．取得之充電設備資料D2來構築個別模型M1、M2．．．。藉此，能夠生成更高精度地反映出各個人的充電的決策之個別模型，而能夠更加提高預測精度。
另，上述第3實施形態之電力需求預測裝置100，是設計成基於車輛探偵資料D1及充電設備資料D2雙方來生成個別模型M1、M2．．．之態樣，但其他實施形態之電力需求預測裝置100，亦可單純僅基於充電設備資料D2來生成個別模型。舉例來說，因子資訊抽出部112a，藉由追蹤依複數個充電設備301、302．．．別記錄之進行充電的車輛ID，便可生成反映出和該車輛ID綁定的使用者個人的充電的決策之個別模型。藉此，便能運用探偵車201、202．．．來分配車輛探偵資料D1的收集作業，能夠減輕預測所必須的勞力。
另，上述各實施形態之電力供給系統，已說明了任一者均是基於電力需求預測裝置100的預測結果，令供給電力管理裝置400反映在配電計劃上以便成為符合預測結果之必要最小限度的電力供給，藉此謀求運用的效率化。但，其他實施形態之電力供給系統，亦可為具有要求通知裝置之態樣，該要求通知裝置係因應受理的預測結果，對於隸屬於都市T1之電動車的使用者，要求他們於某一時間帶中避免使用規定的充電設備，此外，視必要以郵件通知，主旨為敦促他們於另一時間帶中使用規定的充電設備。舉例來說，該要求通知裝置，當受理了某日午後 6時的時間帶中充電設備301的電力需求會明顯增加這樣的預測的情形下，對於該充電設備301的使用率高的使用者，會發出郵件，主旨為要求他們避免於該時間帶使用，而於預測電力需求低之另一時間帶使用。藉此，各使用者遵照其要求，如此便能簡便地進行電力需求的尖峰削減(尖峰轉移)。
此外，在此情形下，亦可將有無接收上述般避免使用之通知郵件，對於使用者P1、P2．．．各者充電的決策的要因而言會造成多少程度的影響予以納入考量來構築個別模型。藉此，能夠有效地實施上述避免使用通知郵件的發送對象之選定。
又，上述各實施形態中，是以探偵車201、202．．．分別為使用者P1、P2．．．各個人所擁有作為前提來說明。也就是說，例如從藉由探偵車201取得的車輛探偵資料D1推導出之個別模型M1，會反映探偵車201的擁有者亦即使用者P1的決策的特徵。
但，其他實施形態中，亦可未必一定要設計成使探偵車201、202．．．為一對一地對應至個人(使用者P1、P2．．．)之態樣。也就是說，亦可包含像家庭用車或公司車這般，某一探偵車201由複數個使用者(例如使用者P1及使用者P2)共享使用之態樣。在此情形下，基於該探偵車201的車輛探偵資料D1而算出之個別模型M1，會綜合反映出共享使用探偵車201之使用者P1、P2．．．各者的充電的決策的特徵。
此外，如上述般，一個探偵車201、202．．．由複數個使用者共享的情形下，探偵車201、202．．．亦可為能夠依使用者別予以區別來取得車輛探偵資料D1之態樣。舉例來說，探偵車201、202．．．於駕駛開始時，亦可受理識別資訊，用以識別目前駕駛者是使用者P1、P2．．．的哪一者。在此情形下，個別模型M1是基於依使用者P1、P2．．．別區別出之車輛探偵資料D1來算出，故會反映出該使用者P1、P2．．．各者的決策。
另，亦可將用來實現上述各實施形態中的電力需求預測裝置100的功能之程式記錄於電腦可讀取之記錄媒體，令電腦系統讀入記錄媒體中記錄之程式並執行，藉此進行工程。另，此處所謂「電腦系統」，定義為包含OS或周邊機器等硬體者。此外，「電腦系統」，還定義為包含具備網頁提供環境(或顯示環境)之WWW系統。此外，所謂「電腦可讀取的記錄媒體」，係指軟碟、磁光碟、ROM、CD-ROM等可攜媒體，電腦系統中內建之硬碟等記憶裝置。又，所謂「電腦可讀取的記錄媒體」，還定義為包含像是當透過網際網路等網路或電話線路等通訊線路來發送程式的情形下，作為伺服器或客戶端之電腦系統內部的揮發性記憶體(RAM)這般，將程式保持一定時間者。
此外，上述程式，亦可從存儲該程式於記憶裝置等之電腦系統，透過傳輸媒體，或藉由傳輸媒體中的傳輸波來傳輸至其他電腦系統。此處，傳輸程式之「傳輸 媒體」，係指像是網際網路等網路(通訊網)或電話線路等通訊線路(通訊線)這般具有傳輸資訊的功能之媒體。此外，上述程式，亦可為用來實現前述功能的一部分者。又，亦可為能夠與電腦系統中已記錄之程式加以組合來實現前述功能者，即所謂差異檔案(差異程式)。
以上已說了本發明的數個實施形態，但該些實施形態僅是提出作為例子，並非意圖限定發明之範圍。該些實施形態，可以其他各種形態來實施，在不脫離發明要旨的範圍內能夠進行種種省略、置換、變更。該些實施形態或其變形，均包含在發明範圍或要旨內，同樣地亦包含在申請專利範圍所記載之發明及其均等範圍內。
[產業利用性]
按照上述各實施形態，便可基於有限的實際資料，做更高精度的電力需求預測。
100‧‧‧電力需求預測裝置
101‧‧‧資料受理部
102‧‧‧資料輸出部
110‧‧‧CPU
111‧‧‧資料蓄積處理部
112‧‧‧個別模型生成部
112a‧‧‧因子資訊抽出部
112b‧‧‧電力需求資訊抽出部
112c‧‧‧模型構築處理部
113‧‧‧需求預測演算部
120‧‧‧探偵資料記憶部
121‧‧‧個別模型記憶部
201、202．．．‧‧‧探偵車
400‧‧‧供給電力管理裝置

Claims (9)

  1. 一種電力需求預測裝置，其特徵為，具備：資料受理部，受理車輛探偵資料的輸入，該車輛探偵資料記錄著特定車輛的行駛狀態；個別模型生成部，基於前述受理的車輛探偵資料，依前述特定車輛別、或該特定車輛的使用者別來生成個別模型，該個別模型表示作為前述特定車輛於特定充電設備進行充電的決策的要因之因子資訊的實際值、與示意該特定車輛在前述特定充電設備之電力需求的實際值之間的相關關係；及需求預測演算部，基於前述生成的個別模型，算出前述特定車輛在前述特定充電設備之電力需求的預測值。
  2. 如申請專利範圍第1項所述之電力需求預測裝置，其中，前述個別模型生成部，作為前述因子資訊，至少包含駕駛率、規定區域別的存在率、及電池的充電率。
  3. 如申請專利範圍第1或2項所述之電力需求預測裝置，其中，前述個別模型生成部，基於前述受理的車輛探偵資料，抽出示意前述特定車輛在前述特定充電設備之時間帶別的使用率之使用率實際資料，以作為前述電力需求的實際值。
  4. 如申請專利範圍第1或2項所述之電力需求預測 裝置，其中，前述個別模型生成部，構築出由具有彼此類似的相關關係的複數個前述個別模型的群組所構成之生活型態模型，前述需求預測演算部，基於在特定地域中活動之活動者的，符合前述生活型態模型之人口的構成比率，來算出隸屬於該特定地域之充電設備別的電力需求的預測值。
  5. 如申請專利範圍第１或2項所述之電力需求預測裝置，其中，前述資料受理部，更受理充電設備資料的輸入，該充電設備資料為藉由前述充電設備的各者所取得之資訊，且記錄著有關在該充電設備進行之充電的資訊，前述個別模型生成部，基於前述充電設備資料來生成個別模型。
  6. 一種電力供給系統，其特徵為，具備：如申請專利範圍第1至5項任一項所述之電力需求預測裝置；可記錄自身車輛的行駛狀態之複數個探偵車；及因應前述電力需求預測裝置的預測結果，依前述充電設備別調整供給電力之供給電力管理裝置。
  7. 一種電力需求預測方法，其特徵為：受理車輛探偵資料的輸入，該車輛探偵資料記錄著特 定車輛的行駛狀態；基於前述受理的車輛探偵資料，依前述特定車輛別、或該特定車輛的使用者別來生成個別模型，該個別模型表示作為前述特定車輛於特定充電設備進行充電的決策的要因之因子資訊的實際值、與示意該特定車輛在前述特定充電設備之電力需求的實際值之間的相關關係，基於前述生成的個別模型，算出前述特定車輛在前述特定充電設備之電力需求的預測值。
  8. 一種程式，其特徵為，令電力需求預測裝置的電腦運作成為：個別模型生成手段，基於記錄著特定車輛的行駛狀態之車輛探偵資料，依前述特定車輛別、或該特定車輛的使用者別來生成個別模型，該個別模型表示作為前述特定車輛於特定充電設備進行充電的決策的要因之因子資訊的實際值、與示意該特定車輛在前述特定充電設備之電力需求的實際值之間的相關關係；及需求預測演算手段，基於前述生成的個別模型，算出前述特定車輛在前述特定充電設備之電力需求的預測值。
  9. 一種供給電力管理裝置，係管理至少一個充電設備之供給電力管理裝置，其特徵為，基於從電力需求預測裝置取得之前述充電設備的電力需求的預測值，來生成供給至該充電設備的電力之配電計劃。
TW104106298A 2014-02-28 2015-02-26 電力需求預測裝置，電力供給系統，電力需求預測方法及程式 TWI564834B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2014038747A JP6081940B2 (ja) 2014-02-28 2014-02-28 電力需要予測装置、電力供給システム、電力需要予測方法及びプログラム

Publications (2)

Publication Number Publication Date
TW201606684A TW201606684A (zh) 2016-02-16
TWI564834B true TWI564834B (zh) 2017-01-01

Family

ID=54008933

Family Applications (1)

Application Number Title Priority Date Filing Date
TW104106298A TWI564834B (zh) 2014-02-28 2015-02-26 電力需求預測裝置，電力供給系統，電力需求預測方法及程式

Country Status (7)

Country Link
US (1) US20160343011A1 (zh)
EP (1) EP3076513B1 (zh)
JP (1) JP6081940B2 (zh)
CN (1) CN106063067B (zh)
SG (1) SG11201605657XA (zh)
TW (1) TWI564834B (zh)
WO (1) WO2015129613A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI785513B (zh) * 2021-02-26 2022-12-01 拓連科技股份有限公司 具可變能源管理方案之電動車充電管理方法及系統

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150294329A1 (en) * 2014-04-11 2015-10-15 Nissan North America, Inc. System and method of predicting usage of a charging station
JP6820905B2 (ja) 2017-12-29 2021-01-27 ゴゴロ インク 交換可能エネルギー貯蔵装置ステーションを管理するためのシステムおよび方法
US10882411B2 (en) * 2018-01-18 2021-01-05 Ford Global Technologies, Llc Smart charging schedules for battery systems and associated methods for electrified vehicles
KR102569895B1 (ko) 2018-06-25 2023-08-23 현대자동차주식회사 하이브리드 자동차 및 그를 위한 주행 제어 방법
CN109606198B (zh) * 2018-11-30 2021-12-07 国网西藏电力有限公司 考虑用户行为不确定性的智能配电网电动汽车充电方法
CN109835208A (zh) * 2019-01-25 2019-06-04 恒大智慧充电科技有限公司 充电管理方法、计算机设备及存储介质
CN109768610A (zh) * 2019-03-05 2019-05-17 国家电网有限公司 电动交通工具的充电方法以及系统
CN113853624A (zh) 2019-06-21 2021-12-28 西门子股份公司 电力负荷数据的预测方法、装置及存储介质
KR20190109324A (ko) * 2019-07-26 2019-09-25 엘지전자 주식회사 로봇 충전대의 위치를 추천하기 위한 방법, 장치 및 시스템
CN111071074B (zh) * 2019-12-24 2022-12-16 苏州正力新能源科技有限公司 一种大数据和bms结合的电动汽车优化充电方法
JP7542308B2 (ja) * 2019-12-27 2024-08-30 株式会社エナリス 給電管理システム、給電管理方法及び給電管理プログラム
CN111275247B (zh) * 2020-01-14 2024-02-23 西安理工大学 一种基于多种影响因素的极限学习机月度电量预测方法
JP7404917B2 (ja) * 2020-02-14 2023-12-26 トヨタ自動車株式会社 電力管理システム、電力管理方法および電力管理装置
CN112434892A (zh) * 2020-12-21 2021-03-02 深圳供电局有限公司 基于多因素组合学习的差异化用电需求预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012044808A (ja) * 2010-08-20 2012-03-01 Mitsubishi Heavy Ind Ltd 管理装置、管理方法、コンピュータプログラム、車載器及び通信方法
JP2012115066A (ja) * 2010-11-25 2012-06-14 Denso Corp 充電システム
US20120203726A1 (en) * 2011-02-09 2012-08-09 Diego Klabjan Information systems and methods for deployment of charging infrastructure in support of electric vehicles
TWM457352U (zh) * 2013-02-22 2013-07-11 Chao-Shen Chou 輔助充電系統
WO2013121291A2 (en) * 2012-02-13 2013-08-22 Accenture Global Services Limited Electric vehicle distributed intelligence

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5493510B2 (ja) * 2009-07-01 2014-05-14 日産自動車株式会社 情報提供システム、情報センタ、車載装置及び情報提供方法
JP5607427B2 (ja) * 2010-05-31 2014-10-15 株式会社モーション 充電配車管理サーバ及び充電配車管理システム
JP5370585B2 (ja) * 2010-04-19 2013-12-18 日産自動車株式会社 情報提供装置および情報提供方法
JP5494270B2 (ja) * 2010-06-17 2014-05-14 日産自動車株式会社 情報提供装置および情報提供方法
KR20140078623A (ko) * 2011-08-16 2014-06-25 베터 플레이스 게엠베하 전기차량 네트워크에서의 부하 추정 및 관리
US9744873B2 (en) * 2011-10-12 2017-08-29 Volkswagen Ag Method and control device for charging a battery of a vehicle
JP2014042383A (ja) * 2012-08-22 2014-03-06 Hitachi Ltd 電気自動車の位置情報を用いた系統負荷の予測システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012044808A (ja) * 2010-08-20 2012-03-01 Mitsubishi Heavy Ind Ltd 管理装置、管理方法、コンピュータプログラム、車載器及び通信方法
JP2012115066A (ja) * 2010-11-25 2012-06-14 Denso Corp 充電システム
US20120203726A1 (en) * 2011-02-09 2012-08-09 Diego Klabjan Information systems and methods for deployment of charging infrastructure in support of electric vehicles
WO2013121291A2 (en) * 2012-02-13 2013-08-22 Accenture Global Services Limited Electric vehicle distributed intelligence
TWM457352U (zh) * 2013-02-22 2013-07-11 Chao-Shen Chou 輔助充電系統

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI785513B (zh) * 2021-02-26 2022-12-01 拓連科技股份有限公司 具可變能源管理方案之電動車充電管理方法及系統

Also Published As

Publication number Publication date
CN106063067A (zh) 2016-10-26
EP3076513A4 (en) 2017-03-08
EP3076513A1 (en) 2016-10-05
CN106063067B (zh) 2019-11-12
JP2015163026A (ja) 2015-09-07
US20160343011A1 (en) 2016-11-24
JP6081940B2 (ja) 2017-02-15
TW201606684A (zh) 2016-02-16
EP3076513B1 (en) 2020-12-16
WO2015129613A1 (ja) 2015-09-03
SG11201605657XA (en) 2016-11-29

Similar Documents

Publication Publication Date Title
TWI564834B (zh) 電力需求預測裝置，電力供給系統，電力需求預測方法及程式
JP6414760B2 (ja) 電力需要予測装置、電力供給システム、及び電力需要予測方法
Chen et al. Understanding ridesplitting behavior of on-demand ride services: An ensemble learning approach
Plötz et al. On the distribution of individual daily driving distances
EP3511199B1 (en) Systems and methods for predicting demands for exchangeable energy storage devices
JP6821447B2 (ja) 公共交通機関システムにおけるユーザ旅行嗜好の平滑化動的モデリング
Yan et al. Employing opportunistic charging for electric taxicabs to reduce idle time
JP2015125775A (ja) システムでの需要の予測のためのマルチタスク学習システムおよび方法
JP2020531939A (ja) 乗客探索ライドソーシング・ビークル・ナビゲーションを決定するためのシステムおよび方法
Qi et al. How long a passenger waits for a vacant taxi--large-scale taxi trace mining for smart cities
Patil et al. Variation in the value of travel time savings and its impact on the benefits of managed lanes
JP2016091546A (ja) 旅行プランナーのための旅行再ランキング
Young et al. Railway station choice modelling: a review of methods and evidence
Grahn et al. Improving the performance of first-and last-mile mobility services through transit coordination, real-time demand prediction, advanced reservations, and trip prioritization
EP3514738A1 (en) Demand prediction apparatus, redistribution plan generation apparatus, user model generation apparatus
Li et al. Trajectory-driven planning of electric taxi charging stations based on cumulative prospect theory
Zheng et al. Modeling taxi driver search behavior under uncertainty
Kieu et al. A class-specific soft voting framework for customer booking prediction in on-demand transport
Liu et al. A data-driven approach for electric bus energy consumption estimation
Basak et al. Data-driven optimization of public transit schedule
Yan et al. Catcharger: Deploying in-motion wireless chargers in a metropolitan road network via categorization and clustering of vehicle traffic
JP2017077177A (ja) 供給電力管理装置、車載器、及び電気自動車
Sikder et al. Spatial transferability of tour-based time-of-day choice models: an empirical assessment
Rahaman Context-aware mobility analytics and trip planning
Chen et al. Bayesian inference-based spatiotemporal modeling with interim activities for EV charging etiquette