TWI638328B - 電力需求預測裝置、電力供給系統、電力需求預測方法、程式、供給電力管理裝置 - Google Patents

電力需求預測裝置、電力供給系統、電力需求預測方法、程式、供給電力管理裝置 Download PDF

Info

Publication number
TWI638328B
TWI638328B TW104106296A TW104106296A TWI638328B TW I638328 B TWI638328 B TW I638328B TW 104106296 A TW104106296 A TW 104106296A TW 104106296 A TW104106296 A TW 104106296A TW I638328 B TWI638328 B TW I638328B
Authority
TW
Taiwan
Prior art keywords
individual
vehicle
prediction
data
aforementioned
Prior art date
Application number
TW104106296A
Other languages
English (en)
Other versions
TW201606687A (zh
Inventor
山科勇輔
Yusuke YAMASHINA
小栁容子
Yoko KOYANAGI
斎藤真由美
Mayumi Saito
杉本喜一
Kiichi Sugimoto
矢野真也
Shinya Yano
Original Assignee
三菱重工業股份有限公司
Mitsubishi Heavy Industries, Ltd.
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, Mitsubishi Heavy Industries, Ltd. filed Critical 三菱重工業股份有限公司
Publication of TW201606687A publication Critical patent/TW201606687A/zh
Application granted granted Critical
Publication of TWI638328B publication Critical patent/TWI638328B/zh

Links

Classifications

    • 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
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G06Q50/40—
    • 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
    • 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
    • H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
    • 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
    • B60L2240/60—Navigation input
    • B60L2240/62—Vehicle position
    • B60L2240/622—Vehicle position by satellite navigation
    • 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
    • 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
    • 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]
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
    • 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

Abstract

電力需求預測裝置(100)，係具備有：區域特徵值預測部(114)，係輸入關連於車輛之實際測量資料，並針對被區劃為複數之各區劃區域的每一者，而分別預測出代表關連於隸屬該區劃區域內之車輛的特徵之區域特徵值；和個別模式取得部(112)，係取得將區域特徵值作為輸入並將特定之車輛的在特定之充電設備處之電力需求作為輸出之該特定之車輛各者的個別模式；和需求預測演算部(113)，係將所預測出的區域特徵值輸入至個別模式中，並算出與該個別模式相對應的特定之車輛之在特定之充電設備處的電力需求之預測值。

Description

電力需求預測裝置、電力供給系統、電力需求預測方法、程式、供給電力管理裝置
本發明，係有關於對在充電設備處之電力需求量進行預測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
本申請案，係基於2014年2月28日在日本所申請之日本特願2014-038748號而主張優先權，且將其內容援用於此。
近年來，搭載有電池之電動汽車或油電混合車係日益普及，在充電設備處之電力需求也有所增加。伴隨於此，係使用有配合於電力需求之預測結果來對於所應產生之總電力量以及在每一地區之每一時間帶所應供給的配電量作控制之配電規劃技術。
為了對於電力需求作預測，一般而言，係使用有基於過去之電力需求實績以及時刻資訊、代表平日與 假日等之日曆資訊等，來使用統計學之手法而建構出預測模式，並藉由此來進行預測之手法等(例如，參考專利文獻1)。
又，在對於某一地區之電力需求進行預測的情況時，係使用有對於該地區之集團的行動傾向作統計學性之分析並將此模式化的手法。
[先前技術文獻] [專利文獻]
[專利文獻1]日本特開2012-113546號公報
然而，例如，在對於地區之集團的行動傾向作統計學性之分析的情況時，為了建構出以良好精確度而再現該地區之集團的行動傾向全體之特性的模式，係需要極為大量的實績資料(teaching data)。相對於此，探索車(具備有取得詳細的行駛資料之功能的車輛)之輛數由於係有所限制，因此係並無法取得足夠的實績資料。因此，係難以將地區之集團的行動傾向以良好精確度來再現。
本發明，係為有鑑於上述課題所進行者，其目的，係在於提供一種能夠基於有限的實績資料來進行精確度為更高之電力之需求預測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。
若依據本發明之第1形態，則電力需求預測裝置(1)，其特徵為，係具備有：區域特徵值預測部(114)，係輸入關連於車輛之實際測量資料(D1)，並針對被區劃為複數之各區劃區域(A1、A2、…)的每一者，而分別預測出代表關連於隸屬該區劃區域內之車輛的特徵之區域特徵值；和個別模式取得部(112)，係取得將前述區域特徵值作為輸入並將特定之車輛(201、202、…)的在特定之充電設備(301、302、…)處之電力需求作為輸出之該特定之車輛各者的個別模式(M1、M2、…)；和需求預測演算部(113)，係將前述所預測出的區域特徵值輸入至前述個別模式中，並算出與該個別模式相對應的特定之車輛之在前述特定之充電設備處的電力需求之預測值。
若依據此種電力需求預測裝置，則由於係將根據週期性之規則性為高的集團行動之傾向所導出的區域特徵值之預測值，作為代表個人行動之傾向的個別模式之因子來使用，因此，係成為能夠直到更為遙遠的未來為止而均以高精確度來進行預測。
又，若依據本發明之第2形態，則在上述電力需求預測裝置中之前述區域特徵值預測部，係作為前述區域特徵值，而包含有在前述區劃區域內之車輛密度、在 該區劃區域內之車輛全體的平均速度、以及隸屬於該區劃區域內之車輛全體的電池之平均充電率，此些中之至少一者。
若依據此種電力需求預測裝置，則藉由作為集團行動之傾向而將週期性之規格性為高的車輛密度、車輛平均速度或者是平均充電率作為預測值來使用，係能夠基於精確度為高之預測值來對於電力需求作預測。
又，若依據本發明之第3形態，則在上述電 力需求預測裝置中，前述個別模式取得部，係基於關連於前述車輛之實際測量資料，而針對前述特定之車輛的每一種來產生個別模式，該個別模式，係展現有會成為特定之車輛在特定之充電設備處而進行充電的意志決定之重要原因之因子資訊的實績值、和代表在前述特定之充電設備處的電力需求之實績值，此兩者間的相關關係。
若依據此種電力需求預測裝置，則係基於成為電動汽車之各利用者的對於充電之意志決定的重要原因之因子資訊的實績值，來產生個別模式。故而，係能夠使用將利用者之意志正確地作了反映的個別模式。
又，若依據本發明之第4形態，則在上述電 力需求預測裝置中，前述個別模式取得部，係取得個別模式，該個別模式，係代表前述特定之車輛的現在位置和前述特定之充電設備間之距離、和在該特定之充電設備處的電力需求，此兩者間的相關關係。
若依據此種電力需求預測裝置，則藉由將車輛和充電 設備間之距離、以及在該特定之充電設備處的電力需求，此兩者間的相關關係，作為反映有個人行動之傾向的個別模式，係能夠削減為了產生個別模式所耗費的勞力。
又，若依據本發明之第5形態，則電力供給 系統，其特徵為，係具備有：上述之電力需求預測裝置；和供給電力管理裝置，係因應於前述電力需求預測裝置之預測結果，來對於前述充電設備之各者的供給電力作調整。
若依據此種電力供給系統，則由於供給電力管理裝置係因應於由電力需求預測裝置所得到的精確度為高之預測結果來對於各充電設備分別進行供給電力之調整，因此係能夠使電力供給服務之提供作更進一步的效率化。
又，若依據本發明之第6形態，則電力需求 預測方法，其特徵為，係具備有：區域特徵值預測步驟，係輸入關連於車輛之實際測量資料，並針對被區劃為複數之各區劃區域的每一者，而分別預測出代表關連於隸屬該區劃區域內之車輛的特徵之區域特徵值；和個別模式取得步驟，係取得將前述區域特徵值作為輸入並將特定之車輛的在特定之充電設備處之電力需求作為輸出之該特定之車輛各者的個別模式；和需求預測演算步驟，係將前述所預測出的區域特徵值輸入至前述個別模式中，並算出與該個別模式相對應的特定之車輛之在前述特定之充電設備處的電力需求之預測值。
若依據此種電力需求預測方法，則由於係將根據週期 性之規則性為高的集團行動之傾向所導出的區域特徵值之預測值，作為代表個人行動之傾向的個別模式之因子來使用，因此，係成為能夠直到更為遙遠的未來為止而均以高精確度來進行預測。
又，若依據本發明之第7形態，則程式，其 特徵為：係使電力需求預測裝置之電腦，作為下述手段而起作用：區域特徵值預測手段，係輸入關連於車輛之實際測量資料，並針對被區劃為複數之各區劃區域的每一者，而分別預測出代表關連於隸屬該區劃區域內之車輛的特徵之區域特徵值；和個別模式取得手段，係取得將前述區域特徵值作為輸入並將特定之車輛的在特定之充電設備處之電力需求作為輸出之該特定之車輛各者的個別模式；和需求預測演算手段，係將前述所預測出的區域特徵值輸入至前述個別模式中，並算出與該個別模式相對應的特定之車輛之在前述特定之充電設備處的電力需求之預測值。
若依據此種程式，則由於係將根據週期性之規則性為高的集團行動之傾向所導出的區域特徵值之預測值，作為代表個人行動之傾向的個別模式之因子來使用，因此，係成為能夠直到更為遙遠的未來為止而均以高精確度來進行預測。
若依據上述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，則係成為能夠基於有限 的實績資料來進行精確度為更高之電力之需求預測。
1‧‧‧電力供給系統
100‧‧‧電力需求預測裝置
101‧‧‧資料接收部
102‧‧‧資料輸出部
110‧‧‧CPU
111‧‧‧資料積蓄處理部
112‧‧‧個別模式取得部
112a‧‧‧因子資訊抽出部
112b‧‧‧電力需求資訊抽出部
112c‧‧‧模式建構處理部
113‧‧‧需求預測演算部
114‧‧‧區域特徵值預測部
120‧‧‧探索資料記憶部
121‧‧‧個別模式記憶部
123‧‧‧地圖、日曆資料記憶部
201、202、…‧‧‧探索車
301、302、…‧‧‧充電設備
400‧‧‧供給電力管理裝置
[圖1]係為對於第1實施形態之電力供給系統的概要作展示之圖。
[圖2]係為對於第1實施形態之電力需求預測裝置的功能性構成作展示之圖。
[圖3]係為對於第1實施形態之資料積蓄處理部所記憶的車輛探索資料之詳細內容作展示之圖。
[圖4]係為對於第1實施形態之個別模式取得部的功能作說明之第1圖。
[圖5]係為對於第1實施形態之個別模式取得部的功能作說明之第2圖。
[圖6]係為對於第1實施形態之個別模式取得部的功能作說明之第3圖。
[圖7]係為對於第1實施形態之個別模式取得部的功能作說明之第4圖。
[圖8]係為對於第1實施形態之個別模式之例作說明之圖。
[圖9]係為對於第1實施形態之區域特徵值預測部的功能作說明之第1圖。
[圖10]係為對於第1實施形態之區域特徵值預測部的功能作說明之第2圖。
[圖11]係為對於第1實施形態之區域特徵值預測部的功能作說明之第3圖。
[圖12]係為對於第1實施形態之需求預測演算部的處理流程作說明之流程圖。
[圖13]係為對於第1實施形態之需求預測演算部的處理作說明之第1圖。
[圖14]係為對於第1實施形態之需求預測演算部的處理作說明之第2圖。
[圖15]係為對於第1實施形態之需求預測演算部的處理作說明之第3圖。
[圖16]係為對於第1實施形態之變形例的區域特徵值預測部之功能作說明之圖。
[圖17]係為對於第1實施形態之變形例之個別模式取得部的功能作說明之圖。
[圖18]係為對於第2實施形態之需求預測演算部的功能作說明之圖。
(第1實施形態)
以下，針對第1實施形態之電力供給系統作說明。
第1實施形態之電力供給系統，係分成下述之2個階段，來對於各充電設備之電力需求(在本實施形態中，係為各充電設備之「利用率」)作預測，亦即是：對於在特 定之地區(例如，1個都市)中之特定的區劃區域的每一者而分別預測出特徵值之步驟；和將該預測出的特徵值輸入至對於各個個人之意志決定的特徵作了反映的個別模式中之步驟。
(全體構成)
圖1，係為對於第1實施形態之電力供給系統的概要作展示之圖。
第1實施形態之電力供給系統1，係具備有電力需求預測裝置100，和複數之探索車201、202、…，和複數之充電設備301、302、…，以及供給電力管理裝置400。
電力供給系統1，係在特定之地區(例如，都市T1)而提供電動汽車用之電力供給服務。具體而言，電力供給系統1，係經由設置在都市T1之各個場所的充電設備301、302、…，來對於在都市T1行駛之電動汽車供給電池充電用之電力。
電力需求預測裝置100，係從探索車201、 202、…之各者而輸入複數之車輛探索資料D1(於後再述)，並基於該車輛探索資料D1，而進行在充電設備301、302、…之各者處的電力需求(各時間帶之利用率)之預測。
探索車201、202、…，係為隸屬於都市T1之 居民中的特定之利用者所利用的電動汽車。探索車201、202、…，係搭載有專用之車載器(未圖示)，並藉由該 車載器，而成為能夠在每一定之時間處而記錄各探索車201、202、…之行駛狀態。例如，探索車201、202、…，係作為各者的行駛狀態，而構成為能夠在每一定之時間處(例如，每一小時)，而記錄代表各探索車201、202、…是否身為運轉中之運轉狀態資訊、和特定出各探索車201、202、…之位置的車輛位置資訊(例如由GPS(Global Positioning System)所得到的緯度、經度資訊)、以及代表所搭載的電池之充電率[%](剩餘容量)之SOC(State OF Charge)資訊。
另外，探索車201、202、…所能夠取得的行駛狀態之內容，係並不被限定於上述內容，除此之外，亦可記錄像是行駛距離、經由所搭載之速度、加速度感測器而取得的速度、加速度資訊等，進而，亦可記錄探索車201、202、…之停止中、充電中的各種資訊。又，探索車201、202、…，係並不被限定於「在每一定之時間處」而取得各者的行駛狀態之形態，除此之外，亦可構成為當每發生任意所制定之特定之事態時便進行記錄之形態。具體而言，例如，探索車201、202、…，係亦可構成為在每行駛一定距離時、在每特定之車輛狀態之變化(從行駛狀態而移行至停車狀態時，主電源之ON、OFF，前燈之ON、OFF)時，對於在該時間點處之各探索車201、202、…之行駛狀態作記錄者。
充電設備301、302、…，係被設置於都市T1之各場所。電動汽車之利用者，係前往被設置於各場所之 充電設備301、302、…並進行電動汽車之充電。另外，在本實施形態中，如同圖1中所示一般，各充電設備301、302、…，係被設置在隸屬於都市T1之特定的區劃區域A1、A2、A3…之各者處。
供給電力管理裝置400，係基於由電力需求預 測裝置100所得到的電力需求(針對充電設備301、302、…之各者的各時間帶之利用率)之預測結果，來以使能夠從各充電設備301、302、…供給為了進行充電所需要之電力的方式，而反映在配電計畫中。
(電力需求預測裝置的功能性構成)
圖2，係為對於第1實施形態之電力需求預測裝置的功能性構成作展示之圖。
如同圖2中所示一般，本實施形態之電力需求預測裝置100，係具備有資料接收部101、和資料輸出部102、和CPU(Central Processing Unit)110、和探索資料記憶部120、和個別模式記憶部121、以及地圖、日曆資料記憶部123。
資料接收部101，係身為從探索車201、 202、…之各者而接收車輛探索資料D1的輸入之通訊模組。於此，探索車201、202、…之各車載器，係將所取得了的車輛探索資料D1，經由特定之通訊手段來自動性地輸出至資料接收部101處。另外，除了使各車載器自動性地將車輛探索資料D1送訊至資料接收部101的形態以 外，亦能夠讓電力供給系統1之利用者(管理者)藉由手動來進行從各車載器而送訊至資料接收部101之處理。
資料輸出部102，係身為將藉由後述之 CPU110之算出處理所得到的利用率預測資料D20F輸出至供給電力管理裝置400處之通訊模組。
CPU110，係為對於電力需求預測裝置100之 處理全體作掌控的泛用之CPU。CPU110，係藉由依據被讀入至記憶區域中之專用的程式而動作，來實現作為資料積蓄處理部111、個別模式取得部112、需求預測演算部113、區域特徵值預測部114之功能。關於各功能之詳細內容，係於後再述。
探索資料記憶部120，係為儲存有藉由 CPU110(後述之資料積蓄處理部111)的處理所取得的車輛探索資料D1之記憶區域。
個別模式記憶部121，係為記憶有CPU110(後述之個別模式取得部112)所產生的各探索車201、202、…之個別模式之記憶區域。
又，地圖、日曆資料記憶部123，係記憶有代表都市T1之道路網、區劃(區劃區域A1、A2、…之範圍)、充電設備301、302、…之位置等的地圖資料D4，和代表平日、假日(節日)等之日曆的日曆資料D5。
另外，上述之探索資料記憶部120、個別模式記憶部121以及地圖、日曆資料記憶部123，係亦可身為被記憶在單一之記憶裝置中的態樣。
如同上述一般，本實施形態之CPU110，係具 備有作為資料積蓄處理部111、個別模式取得部112、需求預測演算部113以及區域特徵值預測部114之功能。
資料積蓄處理部111，係將經由資料接收部101所輸入的車輛探索資料D1逐次記憶在探索資料記憶部120中。關於資料積蓄處理部111所積蓄的車輛探索資料D1之內容，係於後再述。
個別模式取得部112，係進行基於被積蓄在探 索資料記憶部120中之過去之車輛探索資料D1而產生與探索車201、202、…(利用者P1、P2、…)之各者相對應的個別模式M1、M2、…之處理。於此，所謂「個別模式」，係身為反映有各利用者之探索車201、202、…的利用上之特徵(特別是，充電之意志決定之特徵)的模擬模式。個別模式取得部112，係將所產生的個別模式M1、M2、…記憶在個別模式記憶部121中。
另外，個別模式取得部112，係如圖2中所示一般，基於在內部所具備的因子資訊抽出部112a和電力需求資訊抽出部112b以及模式建構處理部112c之處理，來產生個別模式。關於因子資訊抽出部112a、電力需求資訊抽出部112b以及模式建構處理部112c之具體性的處理內容，係於後再述。
區域特徵值預測部114，係基於被積蓄在探索 資料記憶部120中之過去之車輛探索資料D1、和被記憶在地圖、日曆資料記憶部123中之地圖資料D4以及日曆 資料D5，來取得身為各區劃區域A1、A2、…之區域特徵值(於後再述)的預測值之區域特徵值預測資料D3F。
需求預測演算部113，係基於被記憶在個別模 式記憶部121中之個別模式M1、M2、…，和藉由區域特徵值預測部114所取得的區域特徵值預測資料D3F，來算出在充電設備301、302、…之各者處的各時間帶之利用率之預測值(利用率預測資料D20F)。
(資料積蓄處理部之功能)
圖3，係為對於第1實施形態之資料積蓄處理部所記憶的車輛探索資料之詳細內容作展示之圖。
如同上述一般，資料積蓄處理部111，係將各探索車201、202、…所取得的探索資料D1逐次記憶並積蓄在探索資料記憶部120中。作為其中一例，資料積蓄處理部111，係以如同圖3中所示一般的形態而記憶車輛探索資料D1。具體而言，如同圖3中所示一般，在探索資料記憶部120中，係記錄有：對於探索車201、202、…之各者作辨識的車輛ID、和日期以及時間帶、和代表車輛是否身為運轉中(是否身為動作中)之運轉狀態資訊、和特定出車輛位置的緯度、經度資訊、以及代表所搭載的電池之充電量(剩餘容量)之SOC資訊。資料積蓄處理部111，例如，係將每30分鐘所記錄的運轉狀態資訊、緯度、經度資訊、SOC資訊抽出，並記憶在探索資料記憶部120中。
另外，在探索資料記憶部120中，例如，係記憶有各探索車201、202、…之在過去所取得之1個以上的車輛探索資料D1。另外，作為車輛探索資料D1，例如，係以將過去之數個月~數年之量的各種資訊作複數之記憶、積蓄為理想。
又，被記憶在探索資料記憶部120中之車輛探索資料D1的形態，係並不被限定於在圖3中所示者，亦可為記錄有關連於探索車201、202、…之行駛的其他項目(例如，行駛距離，速度、加速度資訊等)者。又，係亦可將在充電時所取得的充電設備ID作記錄，並構成為能夠對於是利用何者的充電設備301、302、…來進行了充電一事有所掌握。
(個別模式取得部之功能)
個別模式取得部112之因子資訊抽出部112a，係參考被記憶在探索資料記憶部120中之車輛探索資料D1(圖3)，而將身為因子資訊之實績值的因子實績資料D10抽出。於此，所謂「因子資訊」，係身為可能會成為各探索車201、202、…之利用者P1、P2、…在各充電設備301、302、…處而進行充電的意志決定之重要原因的各種資訊。具體而言，因子資訊抽出部112a，係從車輛探索資料D1，而作為因子資訊之實績值(因子實績資料D10)，來抽出以下所說明之各時間帶活動區域資料D12或各時間帶SOC資料D13等。
(各時間帶活動區域資料)
圖4，係為對於第1實施形態之個別模式取得部的功能作說明之第1圖。
因子資訊抽出部112a，係從被記憶在探索資料記憶部120中之車輛探索資料D1，而將身為因子實績資料D10之其中一者的各時間帶活動區域資料D12抽出。於此，各時間帶活動區域資料D12，係如圖4中所示一般，身為對於利用者(探索車201、202、…)所隸屬之區域(區劃區域A1、A2、…)而區分成1個星期中之各時間帶來作了展示的資訊。具體而言，因子資訊抽出部112a，係從被積蓄在探索資料記憶部120中之過去之車輛探索資料D1，而藉由對於星期幾、各時間帶之緯度、經度資訊(圖3)作參照，來得到對於在一週之每一天、各時間帶處之利用者P1、P2、…(探索車201、202、…)的在各區劃區域A1、A2之各者處的存在機率作了特定之各時間帶活動區域資料D12(參考圖4)。
(各時間帶SOC資料)
圖5，係為對於第1實施形態之個別模式取得部的功能作說明之第2圖。
因子資訊抽出部112a，係進而從被記憶在探索資料記憶部120中之車輛探索資料D1，而將身為因子實績資料D10之其中一者的各時間帶SOC資料D13等抽出。於 此，各時間帶SOC資料D13，係如圖5中所示一般，身為將利用者(探索車201、202、…)之各時間帶處的SOC[%]藉由特定之感測器來作了記錄的資訊。藉由此，個別模式取得部112，係如同後述一般，能夠取得像是當SOC減少至何種程度的情況時會想要進行充電之類的各利用者之個人行動的傾向(充電之意志決定的特徵)。
另外，在圖5中，雖並未圖示，但是，因子 資訊抽出部112a，係亦可進而參照車輛探索資料D1之各時間帶SOC，來將根據每單位時間帶之SOC上昇量所算出的充電速度資訊D14等抽出。藉由此，係能夠對於利用者P1、P2、…是否對於充電設備301、302、…中之對應於急速充電的設備有所偏好等的資訊作掌握。
本實施形態之個別模式取得部112，係如同上 述一般，抽出身為複數之因子資訊(「車輛位置」以及「SOC」)之過去之實績值的因子實績資料D10(各時間帶活動區域資料D12、各時間帶SOC資料D13)。另外，因子資訊抽出部112a，除了上述以外，亦可抽出能夠辨認出其與利用者P1、P2、…之充電的意志決定間存在有因果關係之其他的因子資訊(例如，所使用之充電設備301、302、…是否對應於急速充電、在各充電設備301、302、…處所提供之附加性服務之種類等)之實績值。
(利用率實績資料)
圖6，係為對於第1實施形態之個別模式取得部的功 能作說明之第3圖。
接著，個別模式取得部112，係參考被記憶在探索資料記憶部120中之過去之車輛探索資料D1(圖3)，而將各充電設備301、302、…之電力需求的實績值(電力需求實績資料)抽出。在本實施形態中，具體而言，個別模式取得部112之電力需求資訊抽出部112b，係作為在充電設備301、302、…之各者處的電力需求之實績值，而抽出代表各時間帶之利用率的實績值之利用率實績資料D20。
利用率實績資料D20，具體而言，係身為代 表各利用者P1、P2、…之一週中的每一天、各時間帶的充電設備301、302、…之利用頻度(利用率)的統計資料(參考圖6)。電力需求資訊抽出部112b，係基於在過去之車輛探索資料D1中所記錄的車輛位置資訊和各時間帶SOC資訊(圖3)，來將利用者P1、P2、…在一週中的各天、各時間帶是否成為正對於充電設備301、302、…之各者作利用一事抽出，並將該各時間帶之利用頻度作為利用率而算出之。如此這般，電力需求資訊抽出部112b，係能夠得到作為預測的對象之資訊(亦即是，充電設備301、302、…之各時間帶的利用率)的過去之實績值之利用率實績資料D20。
例如，若依據關於利用者P1之充電設備301之利用率實績資料D20(圖6)，則可以看出，利用者P1，係涵蓋工作日之全體而在下午6點左右之對於充電設備301作 利用的頻度(頻率)為高。
(個別模式之建構)
圖7，係為對於第1實施形態之個別模式取得部的功能作說明之第4圖。
接著，參考圖7，針對基於上述之因子實績資料D10和利用率實績資料D20來產生各利用者P1、P2、…之個別模式的模式建構處理部112c之功能作說明。
模式建構處理部112c，係將從被積蓄在探索資料記憶部120中之探索車201、202、…之車輛探索資料D1的各者所抽出之因子實績資料D10和利用率實績資料D20輸入，並將代表此些之相關關係的個別模式M1、M2、…，針對利用者P1、P2…之每一者(亦即是，針對探索車201、202、…之每一者)而分別產生之。
具體而言，模式建構處理部112c，係作為個 別模式M1之因子x1、x2，而選擇關連於利用者P1(探索車201)之各時間帶活動區域資料D12(圖4)以及身為各時間帶SOC資料D13(圖5)之各者的變數之「車輛位置」、「SOC」。另外，模式建構處理部112c，係亦可更進而將會成為利用者P1、P2、…之充電的意志決定之重要因素之其他的因子資訊(例如，充電設備301、302、…是否對應於急速充電、附加性服務之種類等)，作為因子x3、x4、…。
另一方面，模式建構處理部112c，係將作為關連於 探索車201之利用率實績資料D20(圖6)所抽出的各充電設備301、302、…之利用率的實績值，作為回應y1、y2、…。回應y1、y2、…，係為相對於在個別模式M1中之因子x1、x2、…的輸入之回應。
模式建構處理部112c，係產生代表相對於因 子x1、x2、…的回應y1、y2、…之相關關係的個別模式M1。所產生的個別模式M1，係對應於利用者P1(探索車201)。如同圖7中所示一般，例如，利用者P1對於充電設備301作利用之機率(利用率)y1和因子x1、x2、…之間的相關關係，係如同式(1)一般地來表現。
[數式1]y 1=a 11 x 1+b 11 x 2+c 11 x 3+d 11 x 4+…．．．(1)
於此，式(1)之關連於各因子x1、x2、…之係數a11、b11、…，係為因子x1、x2、…之因子權重量。亦即是，此因子權重量為越大的因子，其之與回應y1之間的相關關係係為越強，此因子權重量為越小的因子，其之與回應y1之間的相關關係係為越弱。
例如，模式建構處理部112c，係能夠基於各時間帶活動區域資料D12、和利用率實績資料D20，來算出代表車輛位置(因子x1)與充電設備301之利用率(回應y1)之間的相關關係之強度的因子權重量a11。
於此，當因子權重量a11之值為大的情況時，係代表著在利用者P1之在充電設備301處的利用率(回應y1) 與各時間帶之利用者P1(探索車201)之車輛位置(因子x1)之間，係存在有強烈的因果關係。亦即是，此事，係說明了利用者P1之「利用者P1，係對於充電設備與現在位置之間的距離是否為近一事有所重視地，而對於充電設備作選擇」的特徵。
同樣的，模式建構處理部112c，係能夠基於 各時間帶SOC資料D13、和利用率實績資料D20，來算出代表SOC(因子x2)與充電設備301之利用率(回應y1)之間的相關關係之強度的因子權重量b11。
於此，例如，當因子權重量b11之值為小的情況時，係代表著利用者P1之在充電設備301處的利用率(回應y1)與各時間帶之利用者P1(探索車201)之SOC之間的相關關係係為弱。亦即是，此事，係說明了利用者P1之「利用者P1，係不受到現在時間點之電池殘量的影響地而仍在充電設備301處進行充電」的特徵。
如此這般，本實施形態之個別模式取得部 112，係導出代表在過去所取得了的既知之因子x1、x2、…(因子實績資料D10)與既知之回應y1、y2、…(利用率實績資料D20)之間的相關關係之數式的集絡，並產生針對關連於利用者P1之充電的意志決定之特徵而作了反映的個別模式M1。
另外，作為根據既知之因子x1、x2、…和既 知之回應y1、y2、…而導出代表該些之個別之相關關係的數式(例如，上述之式(1))之手法，例如，係可使 用基於身為既知之模式建構手法的SVM(Support vector machine)或者是NN(Neural network)等所進行的模擬模式建構手法，作為更簡單的方法，係亦可使用一般性之最小平方法。又，代表相關關係之式(1)，係僅為其中一例，除此之外，係亦可存在有藉由代表更為複雜之相關關係的數式(二次函數，指數、對數函數等)來作表現的情況。
如同圖7中所示一般，模式建構處理部 112c，係針對利用者P2、P3、…(探索車202、203、…)而亦進行同樣的處理，並產生對於各者之特徵作了反映的個別模式M2、M3、…。之後，將所產生的各個別模式M1、M2、…記憶在個別模式記憶部121中。
另外，在以下之說明中，係作為代表關連於被設置在區劃區域A1處的充電設備301之回應y1和關連於利用者P1(探索車201)之因子x1、x2、…之間的相關關係之函數，而如同式(2)一般地作記載(參考圖7)。
[數式2]y 1=f A1P1(x 1,x 2,x 3,x 4…)．．．(2)
圖8，係為對於第1實施形態之個別模式之例作說明之圖。
經過上述之各處理，藉由個別模式取得部112所產生了的個別模式M1，係針對關連於利用者P1之充電的意志決定之特徵作了反映。亦即是，個別模式M1，當在現在 之時間點，利用者P1(探索車201)之車輛位置為“x1”，並且SOC為“x2”的情況時，係能夠賦予該利用者P1之對於充電設備301、302、…作利用的機率(利用率)y1、y2、…。
同樣的，個別模式M2、M3、…，係針對關連於利用者P2、P3、…之充電的意志決定之特徵作了反映。
(區域特徵值預測部之功能)
圖9，係為對於第1實施形態之區域特徵值預測部的功能作說明之第1圖。
本實施形態之區域特徵值預測部114，係作為關連於車輛之實際測量資料，而輸入被積蓄在探索資料記憶部120中之車輛探索資料D1，並對於被區劃成複數之各區劃區域A1、A2、…之區域特徵值作預測。於此，所謂「區域特徵值」，係代表與隸屬於區劃區域A1、A2、…內之車輛相關的特徵。另外，在本實施形態中，所謂「區域特徵值」，具體而言，係作為其乃身為「各區域車輛密度」以及「各區域平均SOC」(各區域平均充電率)者來作說明，但是，係亦可包含有其他之值(例如，「各區域平均車輛速度」、「各區域平均電費」(為了在對象區域中行駛所需要的電力消耗量之平均)等)。
如同圖9中所示一般，首先，區域特徵值預 測部114，係將預先被記憶在地圖、日曆資料記憶部123中之地圖資料D4和日曆資料D5以及被記憶、積蓄在探 索資料記憶部120中之各探索車201、202、…之車輛探索資料D1輸入。之後，區域特徵值預測部114，係基於此些之各種資料，來算出代表各區劃區域A1、A2、…之「各區域車輛密度」之將來的預測之「車輛密度分布預測資料D30F」以及代表「各區域平均SOC」之將來的預測之「平均SOC分布預測資料D31F」。另外，車輛密度分布預測資料D30F以及平均SOC分布預測資料D31F，係均為相當於代表各區劃區域A1、A2、…之區域特徵值的預測值之「區域特徵值預測資料D3F」者。
在地圖資料D4中，係記錄有都市T1之道路 網、區劃(區劃區域A1、A2、…之範圍)以及充電設備301、302、…之位置等。另一方面，在日曆資料D5中，係記憶有從過去起直到未來的平日、假日(節日)等之日曆。
圖10、圖11，係為對於第1實施形態之區域 特徵值預測部的功能作說明之第1、第3圖。
區域特徵值預測部114，具體而言，係參照複數之探索車201、202、…之車輛探索資料D1(圖3)之日期、時刻資訊以及車輛位置資訊等，來針對各時間帶而特定出探索車201、202、…之各者為隸屬於區劃區域A1、A2、…之何者。接著，區域特徵值預測部114，係算出在各時間帶、各區劃區域A1、A2、…處的各探索車201、202、…所存在之車輛數。區域特徵值預測部114，係將探索車201、202、…之車輛數以各區劃區域A1、A2、… 之各者的區劃面積來作除算，並將此所得到的結果近似於代表在各區劃區域A1、A2、…之各者中所存在的車輛全體之車輛密度(各區域車輛密度)者，而求取出車輛密度分布實績資料D30。
另外，在圖10中，係將區域特徵值預測部114所算出的各區劃區域A1、A2、…之車輛密度的大小關係，藉由該些之各區劃區域A1、A2、…的顏色之濃淡來作表現(參考圖10左側)。
進而，區域特徵值預測部114，係參照車輛探 索資料D1(圖3)之SOC資訊，而將隸屬於各時間帶以及各區劃區域A1、A2、…之各探索車201、202、…的SOC抽出。之後，區域特徵值預測部114，係藉由與上述相同的手法，而求取出代表在各時間帶、各區劃區域A1、A2、…之各者處所存在的電動汽車之平均SOC(各區域平均SOC)的SOC分布實績資料D31(參考圖10左側)。
區域特徵值預測部114，係針對各區劃區域 A1、A2、…之各區域車輛密度或者是各區域平均SOC之時間遷移的實績值(圖10左側)，而將其導入至日曆資訊D5之日曆(是身為平日或者是假日、節日)中，並進行將其之週期性的規則性抽出的處理(參考圖10右側)。例如，區域特徵值預測部114，係針對每一日，而分別抽出在「平日」時之各區域車輛密度(各區域平均SOC)的時間遷移之實績值以及在「假日、節日」時之各 區域車輛密度(各區域平均SOC)的時間遷移之實績值，並算出在「平日」以及「假日、節日」時之各別的平均性之時間遷移。藉由此，區域特徵值預測部114，係得到關連於所得到之各區域車輛密度(各區域平均SOC)的在「平日」以及在「假日、節日」時之各別的平均時間遷移。
另外，在本實施形態中，區域特徵值預測部 114，係將如此這般所求取出的車輛密度之在「平日」以及「假日、節日」的各者中之過去的平均時間遷移，作為各區劃區域A1、A2、…之車輛密度的在將來之預測值(車輛密度分布預測資料D30F)來使用(參考圖11)。 具體而言，區域特徵值預測部114，係基於日曆資料D5來特定出將來的日期是身為「平日」或者是「假日、節日」之何者，並參考與「平日」以及「假日、節日」的各者相對應之平均時間遷移(圖11左側、右側)，來將此作為將來之各區劃區域A1、A2、…的各區域車輛密度之預測值。
區域特徵值預測部114，係同樣的將各區域平 均SOC之在「平日」以及「假日、節日」的各者中之過去的平均時間遷移，作為各區劃區域A1、A2、…之平均SOC之預測值(平均SOC分布預測資料D31F)來使用。
另外，在上述之例中，區域特徵值預測部 114，係構成為將區域特徵值(各區域車輛密度、各區域平均SOC)之平均時間遷移分類成「平日」或者是「假 日、節日」之其中一者，並基於將來的日期是身為此兩者之何者(「平日」、「假日、節日」)一事，來預測區域特徵值。但是，在其他之實施形態中，係並不被限定於此一形態，而亦可更進而增加分類項目。例如，區域特徵值預測部114，係亦可從外部而取得能夠受訊的天氣預報資訊，並基於在將來所預測到的天氣係身為「晴天」或者是「雨天」一事，來對於區域特徵值進行預測。
於此情況，區域特徵值預測部114，係具備有能夠取得代表各時間帶之實際之天氣的天氣實績資訊以及代表將來之天氣的預測的天氣預報資訊之天氣資訊取得部。之後，區域特徵值預測部114，係針對各區域車輛密度或者是各區域平均SOC之時間遷移的實績值(圖10左側)，而將其導入至藉由該天氣資訊取得部所取得的天氣實績資訊(在該時間帶中係成為「晴天」或者是「雨天」)，並進行將各區域車輛密度或者是各區域平均SOC之時間遷移與天氣之間的規則性抽出之處理。
藉由設為此種構成，區域特徵值預測部114，係除了基於日期是成為「平日」或者是「假日、節日」一事以外，亦能夠基於另外所取得的天氣預報資訊(會成為「晴天」或「雨天」之將來的預測)，來預測各區域車輛密度以及各區域平均SOC。
圖12，係為對於第1實施形態之需求預測演 算部的處理流程作說明之流程圖。
接著，參照圖12等，對於第1實施形態之需求預測 演算部113的處理流程依序作說明。
如同圖12中所示一般，需求預測演算部113，係進行下述之2個階段的處理：亦即是，取得區域特徵值預測部114所算出的各區域特徵值預測資料D3之步驟(步驟S01)；和將該各區域特徵值預測資料D3輸入至個別模式取得部112所產生的個別模式M1、M2、…的各者中之步驟(步驟S02)。
在步驟S01中，首先，區域特徵值預測部 114，係實行使用圖9~圖11所作了說明的處理，而算出各區域特徵值預測資料D3(車輛密度分布預測資料D30F、平均SOC分布預測資料D31F)。需求預測演算部113，係從區域特徵值預測部114而接收所算出的各區域特徵值預測資料D3之輸入。
於此，如同在以下所說明一般，區域特徵值預測部114所取得的車輛密度分布預測資料D30F、平均SOC分布預測資料D31F，係對應於個別模式M1、M2、…之因子x1(車輛位置)、因子x2(SOC)之各者。亦即是，在步驟S02中，需求預測演算部113，係將所取得了的車輛密度分布預測資料D30F、平均SOC分布預測資料D31F之各者所展現之車輛位置之預測值以及SOC之預測值，輸入至個別模式M1、M2、…之各者的因子x1、x2中(參考圖8)。
圖13，係為對於第1實施形態之需求預測演 算部的處理作說明之第1圖。
以下，參考圖13，針對區域特徵值預測部114之步驟S02(圖12)中的具體性之處理作說明。
如同圖13中所示一般，需求預測演算部113，係對於個別模式M1之車輛位置(因子x1)而分別附加與在各個區劃區域A1、A2、…之存在率相對應的權重。具體而言，係將藉由車輛密布分布預測資料D30F所展現的各區劃區域A1、A2、…之車輛密度，作為利用者P1之存在率的預測。於此，係視為若是區劃區域A1、A2、…之車輛密度越高，則利用者P1之在該區劃區域A1、A2、…處的存在率也會成正比地而變高。
需求預測演算部113，係對於將區劃區域 A1、A2、…的各者代入至因子x1中所得到之複數之回應y1，藉由與在各個區劃區域A1、A2、…之存在率相對應的值來附加權重並進行合計。例如，根據所得到的車輛密度分布預測資料D30F，假設在將來之某一時間點處，利用者P1(探索車201)之存在於區劃區域A1處的機率之預測值為30%，存在於區劃區域A2處的機率之預測值為5%。於此情況，需求預測演算部113，係對於將“A1”代入至因子x1中所得到的回應(fA1P1(A1))和將“A2”代入至因子x1中所得到的回應(fA1P1(A2))之雙方，而分別附加與30%、5%相對應之權重並進行合計，藉由此，來算出充電設備301之利用率的預測值y1。具體而言，充電設備301之利用率的預測值y1，係藉由y1=fA1P1(A1)×30%+fA1P1(A2)×5%+…而算出。
同樣的，需求預測演算部113，係根據平均 SOC分布預測資料D31F，而算出將在各區劃區域A1、A2、…的各者中所展現之SOC之預測值代入至因子x2中所得到之複數之回應y1。例如，根據所得到的平均SOC分布預測資料D31F，假設在區劃區域A1處的平均SOC係為80%，在區劃區域A2處的平均SOC係為25%。於此情況，需求預測演算部113，在將“A1”代入至因子x1中的情況時，於因子x2處係代入SOC80%，並算出fA1P1(A1，80%)。又，需求預測演算部113，在將“A2”代入至因子x1中的情況時，於因子x2處係代入SOC25%，並算出fA1P1(A2，25%)。如此這般，需求預測演算部113，係算出代表關於利用者P1之在各充電設備301、302…處的利用率之預測結果的利用率預測資料D20f。
如此這般，本實施形態之需求預測演算部 113，係在步驟S02(圖11)中，於與利用者P1相對應之各別模式M1的輸入(因子資訊)中，使用容易對於都市T1全體之集團行動的傾向作掌握之區域特徵值(各區域車輛密度、各區域平均SOC)的預測值。藉由採用此種構成，需求預測演算部113，由於係可將能夠以較高之精確度來進行預測的都市T1之集團行動的傾向作為個別模式之因子的一部分來採用，因此，就算是針對較遠的將來，也能夠得到精確度為高之預測結果。
圖14，係為對於第1實施形態之需求預測演 算部的處理作說明之第2圖。
需求預測演算部113，係如圖14中所示一般，針對與其他之利用者P2、P3、…相對應之個別模式M2、M3、…，而亦同樣的代入車輛密度分布預測資料D30F、平均SOC分布預測資料D31F，而算出各利用者P2、P3、…之利用率預測資料D20f。
若是算出了關連於各利用者P1、P2、…之全部的個別利用率預測資料D20f，則需求預測演算部113，係將所有的個別利用率預測資料D20f，對於各充電設備301、302、…之每一者而進行總計，並算出各充電設備301、302、…之於各時間帶中的利用率之預測值。例如，當預測出利用者P1、P2、…之各者的在某一時間帶中之對於充電設備301作利用的機率係為y11、y21、…的情況時，充電設備301之於該時間帶中的利用率之預測值Y1，係可作為Y1=y11+y21+y31+…而算出。需求預測演算部113，係同樣的，算出其他各充電設備302、303、…之於相同時間帶中的利用率之預測結果的預測值Y2、Y3、…(參考圖14)。
圖15，係為對於第1實施形態之需求預測演 算部的功能作說明之第3圖。
需求預測演算部113，係藉由上述之處理(參考圖14)，而取得針對關連於充電設備301、302、…之各者的將來(例如，現在的時間點之後之24小時以內)之利用率的預測值之遷移而作了預測的利用率預測資料D20F(參考圖15)。
需求預測演算部113，係將如同上述一般所取得的各充電設備301、302、…之利用率預測資料D20F(電力需求預測資料)，經由資料輸出部102來輸出至供給電力管理裝置400處。供給電力管理裝置400，係基於各充電設備301、302、…之電力需求的預測結果(利用率預測資料D20F)，來使其反映在對於各充電設備301、302、…之電力的配電計畫中。例如，在預測到充電設備301之利用率會變高的時間帶中，供給電力管理裝置400，係以在該時間帶中會進行能夠對於該需求有所對應的電力供給的方式，來產生配電計畫。藉由此，由於電力供給系統1係能夠適當地產生與預先所預測到的各充電設備301、302、…之電力需求相對應的必要量之電力並作供給，因此係能夠謀求電力供給服務運用之效率化。
(效果)
若依據上述之第1實施形態之電力供給系統1，則電力需求預測裝置100，首先係實行對於在特定之地區(都市T1)中的集團行動之傾向作了反映的各區劃區域之特徵值(區域特徵值)作預測之步驟(步驟S01(圖12))。又，電力需求預測裝置100，係實行將該預測出的區域特徵值輸入至對於各個個人之充電之意志決定的特徵作了反映之個別模式中之步驟(步驟S02(圖12))。 本實施形態之電力需求預測裝置100，係如此這般地，分成「基於集團行動之傾向所進行的預測」和「基於個人行 動之傾向所進行的預測」之2階段的處理，來對於各充電設備之利用率作預測。
充電之時期或充電場所，由於係因應於個人 之行駛狀況和駕駛人的嗜好而有所相異，因此係難以對於電力需求而以良好之精確度來作預測。但是，若依據本實施形態之電力供給系統1，則藉由代表基於個人行動之傾向所進行的預測(步驟S02)之處理，電力供給系統1，係能夠將各個個人之生活形態和價值觀等反映在模擬解析中，並進行基於利用者之意志所進行的精確度為高之電力需求預測。又，電力需求預測裝置100，係構成為將對於各利用者之意志決定作了反映的複數之個別模式的集合近似於都市全體之集團的意志決定以對於電力需求作預測者。故而，係能夠藉由較為了將集團全體之行動傾向直接模式化所需要的實績資料的資料量而更少之資料量，來建構出精確度為高之模擬模式。
又，需求預測演算部113，係在基於集團行動 之傾向所進行的預測(步驟S01)中，於輸入至上述個別模式中之因子的至少一部分，採用能夠作為集團行動之傾向而以良好精確度來作預測的區域特徵值。例如，在本實施形態中，作為「區域特徵值」，係將各區域車輛密度以及各區域平均SOC作為預測之對象。此各區域車輛密度、各區域平均SOC等，係均作為都市全體之集團行動的傾向，而具備有各一定時間(例如，每一天、每一星期)之週期性的規則性為高之特徵。亦即是，各區域車輛 密度等，係能夠將在過去所取得的實績值，於將來之各時間帶中而亦以良好精確度來作再現。故而，藉由將根據規則性為高的集團行動之傾向所導出的預測值作為個別模式之因子來輸入，係成為能夠直到更為遙遠的未來(例如，一星期之後)為止而均以高精確度來進行預測。
又，在先前技術之電力需求的預測中，若是 不使用具備有與需求間之因果關係的資訊，則會有無法適當地進行預測的可能性，要找出具有強烈因果關係的因子一事，係為困難。但是，藉由如同本實施形態一般地，將導致進行充電行動之重要原因細分成「基於集團行動之傾向所進行的預測」和「基於個人行動之傾向所進行的預測」，係能夠容易地對於進行預測之重要原因和能夠計測的資料之間之因果關係作掌握。藉由此，係成為易於進行使用有「需求-回應」等之對於需求的管理。
以上，若依據第1實施形態之電力供給系統 1，則係成為能夠基於有限的實績資料來進行精確度為更高之電力之需求預測。
(第1實施形態之變形例)
另外，在上述之實施形態中，區域特徵值預測部114，係作為基於在過去所積蓄之車輛探索資料D1，來取得身為各區劃區域A1、A2、…之區域特徵值的預測值之區域特徵值預測資料D3F者，來作了說明。但是，其他之實施形態之區域特徵值預測部114，係亦可並非基於過 去之車輛探索資料D1，而是基於為了對都市T1全體之行動傾向作掌握所觀測到的資訊，來取得區域特徵值預測資料D3F。具體而言，其他實施形態之區域特徵值預測部114，係具備有取得在區劃區域A1、A2、…內的道路網中使用交通流量計等所觀測到的剖面交通量實績資料之剖面交通量資訊取得部，並藉由將從所取得之剖面交通量實績資料而導出的各區域車輛密度之遷移的規則性抽出，而進行各區域車輛密度之預測。
於此，在第1實施形態中，當探索車201、202、…之輛數為有所限制的情況時，由於車輛探索資料D1之全體資料量係為少，因此係會有無法以良好精確度來將集團行動之傾向作再現的情況。但是，於上述變形例的情況中，由於係基於為了對集團行動之傾向作掌握所取得的實測資料(剖面交通量等)來進行各區域特徵值之預測，因此，係能夠將該預測之精確度更進一步提高。
圖16，係為對於第1實施形態之變形例的區 域特徵值預測部之功能作說明之圖。
在本變形例中，係將在步驟S01(圖12)中之「基於集團行動之傾向所進行的預測」，更進而分割成依存於亦包含有汽油車之全車輛的狀況之「交通狀況之預測」和依存於電動汽車之狀況的「SOC分布之預測」，來進行預測。
具體而言，首先，上述之剖面交通量資訊取得部，係取得經由交通流量計等所得到的剖面交通量之實績資料 (交通量實績資料D6)。之後，區域特徵值預測部114， 係與被記憶在地圖、日曆資料記憶部123中之地圖資料D4、日曆資料D5一同地，而亦輸入交通量實績資料D6(步驟S010)，並取得車輛密度分布預測資料D30F(步驟S011)。另外，此處理，係由與使用圖9~圖11所作了說明的處理內容同等之處理所構成。但是，於此所取得的車輛密度分布預測資料D30F，由於係身為並非僅侷限於電動汽車而是基於亦包含有汽油車之車輛全體的行動傾向所進行的預測資料，因此相較於第1實施形態的情況，預測之精確度係為更高。
另一方面，區域特徵值預測部114，係取得能 夠從在探索車201、202、…處所取得的各車輛探索資料D1所抽出之各時間帶SOC資料D13(圖5)(步驟S012)。此各時間帶SOC資料D13，係代表探索車201、202、…之在現在時間點處的SOC之實績值。
區域特徵值預測部114，係將在步驟S011中 所取得的車輛密度分布預測資料D30F和代表探索車201、202、…之在現在時間點處的SOC之實績值之SOC資料D13輸入，並取得平均SOC分布預測資料D31F。具體而言，區域特徵值預測部114，係基於藉由車輛密度分布預測資料D30F所預測出的車輛全體之交通流動、和各電動汽車之在現在時間點處的SOC，來算出沿著該所預測出之交通流動而行駛的電動汽車之殘餘容量(SOC)。藉由此，區域特徵值預測部114，係取得平均SOC分布預測 資料D31F。如此這般所取得的平均SOC分布預測資料D31F，由於係與車輛密度分布預測資料D30F相同的，成為基於電動汽車以外之車輛全體的行動傾向所得到之預測資料，因此係成為預測精確度為高者。
區域特徵值預測部114，係將在圖16中所各 別求取出之區域特徵值之預測值(車輛密度分布預測資料D30F、平均SOC預測資料D31F)，輸入至事先所產生了的各個別模式M1、M2、…中，而算出各充電設備301、302、…之利用率的預測值(參考圖13~圖15)。
以上，若依據上述變形例之電力需求預測裝 置100，則藉由基於關連於隸屬都市T1之車輛全體的統計資料(剖面交通量等)來預測在都市T1全體處之集團行動的傾向，係能夠將預測之精確度更進一步提高。
另外，在上述之例中，區域特徵值預測部 114，係除了經由交通流量計所取得的剖面交通量之實測值以外，亦可使用人口流動(person trip)資料、土地利用資料或問卷等的交通需求資料。又，係亦可基於此些之各種資料，來使用特定之交通流動模擬器而對於各種的區域特徵值作預測。
又，係亦可藉由將所計測出之交通流量等的資訊適用在交通流動模擬器中並再現都市T1全體之各時間帶的交通流動，來取得更為詳細之區域特徵值(例如，代表在該區劃區域內之車輛全體的平均速度或平均加速度之各區域平均速度、加速度等)的預測值。進而，於此情況，區域 特徵值預測部114，係亦可並非僅基於所預測出之交通流動，而亦考慮速度、加速度等之車輛行駛資訊地，來對於平均SOC分布預測資料D31F作預測。藉由設為此種構成，由於在預測中所使用之資訊量係增加，因此係能夠將基於集團行動之傾向所進行的預測之精確度更進一步提高。
(個別模式之變形例)
又，個別模式M1、M2、…之形態，係並不被限定於上述之形態(圖8、圖14)，例如，亦可如同下述一般地作變更。
圖17，係為對於第1實施形態之變形例之個 別模式取得部的功能作說明之圖。
第1實施形態之個別模式取得部112，係基於在過去所積蓄了的車輛探索資料D1，而將因子實績資料D10(因子x1、x2、…)與利用率實績資料D20(回應y1、y2、…)之間的相關關係，藉由導出式(1)、(2)等之數式的集絡，來建構個別模式。
作為此變形例，例如，個別模式取得部112， 係亦可基於決策樹學習來產生各利用者P1、P2、…之個別模式M1’、M2’、…。例如，如圖17中所示一般，模式建構處理部112c，係基於因子實績資料D10和利用率實績資料D20，來建構將利用者P1之對於充電設備301的各時間帶之利用率的預測值導出之個別模式M1’(決策樹 模式)。
例如，在圖17所例示之決策樹模式中，利用 者P1，係針對「是否對於充電設備301作利用？」之問題，而算出在經由於現在之時間點處是否滿足「是否為行駛中？」、「距離是否為○○公里以內？」、「SOC是否為未滿△△%？」之條件一事的路徑之後是會到達「對於充電設備301作利用」或者是「並不對於充電設備301作利用」處的比例，藉由此，來導出利用率之預測值。又，除此之外，亦可將「是否對應於急速充電」、「是否能夠對於附加服務作利用」等的條件作反映。
如此這般，而將基於是否滿足會成為意志決定之重要因素的複數之條件(相當於因子x1、x2、…)一事所導出的意志決定之結果(相當於回應y1、y2、…)模式化。
藉由設為此種構成，係能夠將利用者P1、P2、…之個別的對於充電之意志決定作更易於理解的記述，而能夠將利用者P1、P2、…之各者係基於何種理由而到達決定進行充電之意志一事作更進一步的明確化。藉由設為此種構成，例如，係能夠藉由設置新的充電設備或者是進行服務之提供，來使充電設備301、302、…之各者的電力需求之調整更加容易化。
另外，在上述之電力供給系統1中，作為各 充電設備301、302、…之電力需求，雖係作為對於各時間帶之利用率作預測者來作了說明，但是，在其他之實施 形態中，係並不被限定於此形態。例如，其他實施形態之電力供給系統，係亦可作為身為預測之對象的資訊，而將在充電設備301、302、…處之各時間帶的供給電力量[kW]作為預測之對象。具體而言，個別模式取得部112之電力需求資訊抽出部112b，係藉由對於作為預測之對象的回應y1、y2、…，而選擇各充電設備301、302、…之「供給電力量」的實績資料(供給電力實績資料)，而成為能夠取得身為該供給電力量之預測結果的供給電力預測資料。
(第2實施形態)
第1實施形態之需求預測演算部113所進行的「基於個人之行動傾向所進行之預測」(圖12，步驟S02)，係作為使用基於事先所取得之身為實績資料之車輛探索資料D1所產生的對於各個個人之充電的意志決定之特徵作了反映的個別模式M1、M2、…來進行者，而作了說明。
相對於此，在第2實施形態中，係藉由使用與個人所會前往的充電設備301、302、…之間的距離來將需求作分配之方法，來進行「基於個人之行動傾向所進行之預測」。
(需求預測演算部之功能)
圖18，係為對於第2實施形態之需求預測演算部的功能作說明之圖。
本實施形態之需求預測演算部113，係藉由與第1實施形態(或者是其變形例)相同的方法，來進行「基於集團行動之傾向所進行之預測」。具體而言，需求預測演算部113，係取得區域特徵值預測部114所算出的車輛密度分布預測資料D30F(圖12，步驟S01)。需求預測演算部113，係能夠根據在步驟S01中所取得的車輛密度分布預測資料D30F，來對於利用者P1之在區劃區域A1、A2、…之各者處的存在率作掌握。
需求預測演算部113，係將此車輛密度分布預測資料D30F作為輸入，而進行「基於個人行動所進行之預測」。
參考圖18，作為例子，而針對利用者P1(探 索車201)為存在於都市T1內之某一區劃區域A1中的情況作說明。需求預測演算部113，係基於個別模式取得部112所取得的個別模式，來對於在區劃區域A1中之利用者P1個人的行動傾向作預測。
於此，本實施形態之個別模式取得部112，係具備有僅將符合於所有的利用者(個人)之意志決定之特徵作了反映的個別模式。具體而言，例如，個別模式取得部112，係具備有將像是「若是與現在位置間之距離(後述之「一般化距離」)為越近，則前往該充電設備301、302、…之機率會變得越高」一般的個人之意志決定之特徵作了反映的個別模式。
首先，需求預測演算部113，係使用地圖資料 D4等來算出從利用者P1之現在位置起直到各充電設備301、302、…處為止之距離。於此，需求預測演算部113所算出的與各充電設備301、302、…間之距離，係為對於在該行程中所存在的塞車或混雜度等亦作了考慮的「一般化距離」。具體而言，需求預測演算部113，係將從現在位置(區劃區域A1)起直到某一充電設備302所存在的區劃區域A2為止之一般化距離L2、從現在位置(區劃區域A1)起直到其他之充電設備303所存在的區劃區域A3為止之一般化距離L3等算出。
例如，如圖18中所示一般，在從區劃區域 A1起直到區劃區域A3為止的行程之途中，由於係發生有塞車Q，因此，係存在有車輛密度為低之區劃區域A5、和車輛密度為高之區劃區域A6。於此情況，需求預測演算部113，係特定出車輛密度為較特定之臨限值而更高之區劃區域(區劃區域A6)，並且在通過該區劃區域A6之行程長度上乘上特定之塞車係數J(J>1)，而算出一般化距離L3。
另一方面，在從區劃區域A1起直到區劃區域A2為止的行程之途中(區劃區域A4等)，係並未發生有塞車。故而，需求預測演算部113，係將從區劃區域A1起直到區劃區域A2為止之實際的距離，作為一般化距離L2。
藉由此，需求預測演算部113，當在行程之一部分處存在有塞車的情況時，係算出變得較實際之距離而更長的 一般化距離。需求預測演算部113，係針對各充電設備301、302、…之每一者，而分別算出對於塞車之有無作了考慮的一般化距離L1、L2、…。
本實施形態之需求預測演算部113，係將所算 出的一般化距離L1、L2、…輸入至上述之個別模式M中，並算出利用者P1前往各充電設備301、302、…之機率(利用率)的預測值。例如，此個別模式M，具體而言，係為將一般化距離L1、L2、…，和前往各充電設備301、302、…處之機率，藉由具備有負之相關關係的特定之函數來附加了關連的模式。藉由此，需求預測演算部113，係能夠在對於例如若是身為一般化距離L1、L2、…為越小之充電設備301、302、…，則會越容易前往該充電設備301、302、…一般之利用者P1的個人行動之傾向作了反映的同時，而求取出各充電設備301、302、…之利用率的預測值。
另外，如同上述一般所求取出之各充電設備 301、302、…之利用率的預測值，係身為當假定利用者P1為隸屬於區域A1的情況時之利用率的預測值。需求預測演算部113，當利用者P1為存在於其他的區劃區域A1、A2、…的情況時，係亦進行相同的處理。需求預測演算部113，係將車輛密度分布預測資料D30F作為輸入，並將藉由上述之處理所算出的複數之利用率之預測值，藉由利用者P1之在區劃區域A1、A2、…之各者處的存在率來進行權重附加，而進行合計。
(效果)
如同上述一般，本實施形態之需求預測演算部113，係藉由算出與各充電設備301、302、…的「一般化距離」相對應之利用者之利用率的預測值，來進行「基於個人行動之傾向所進行之預測」。藉由設為此種構成，係能夠將「基於個人行動之傾向所進行之預測」的處理簡單化，而能夠將取得車輛探索資料D1並產生個別模式M1、M2、…的勞力作削減。
另外，在本實施形態中，除了車輛密度分布 預測資料D30F以外，例如，係可使用利用交通流動模擬器(參考第1實施形態之變形例)所算出的交通流動之預測(交通流動預測資料)。於此，所謂交通流動預測資料，係為代表在都市T1之各道路網處的交通流動(行駛方向)之分布的資訊。於此情況，需求預測演算部113，係一面附加與車輛之行駛方向相對應的權重，一面算出針對各充電設備301、302、…之每一者的一般化距離。具體而言，例如，利用者P1(探索車201)，假設係身為從區劃區域A1而朝向區劃區域A3之車輛。於此情況，充電設備303，由於係存在於其之前進方向上，因此，係並不附加與行駛方向相對應之權重地而算出一般化距離L3。另一方面，對於從區劃區域A1而朝向區劃區域A3之利用者P1而言，存在於區劃區域A7處之充電設備307，係位置在相反方向上。故而，需求預測演算部 113，係藉由在直到區劃區域A7為止之實際的距離上乘算方向係數H(H>1)，而算出一般化距離L7。
藉由設為此種構成，由於係能夠將車輛之行駛方向反映在個人行動的傾向中，因此係能夠進行精確度為更高之電力需求預測。
又，區域特徵值預測部114，係亦可構成為能 夠更進而基於在各充電設備301、302、…處之混雜度的觀測結果(實績值)來取得混雜度(等待時間)之預測值。於此情況，需求預測演算部113，係亦可不僅是考慮上述「塞車之有無」，而亦針對在各充電設備301、302、…處之「混雜度」的預測值作考慮地，來算出一般化距離L1、L2、…。藉由設為此種構成，係能夠針對亦將各充電設備301、302、…之混雜狀況作了反映的個人行動的傾向作預測。
又，需求預測演算部113，係亦可作為車輛之現在位置和充電設備301、302、…之間之「距離」，而並非基於上述一般之「一般化距離」，並僅基於實際之距離(實際空間中之距離)來算出各充電設備301、302、…之利用率的預測值。藉由設為此種構成，係能夠將需求預測演算部113之預測處理簡單化。
另外，上述之各實施形態之電力供給系統， 係均作為基於電力需求預測裝置100之預測結果，來讓供給電力管理裝置400以會成為與預測結果相配合之必要最小限度之電力供給的方式而反映在配電計畫中，並藉由此 來謀求運用之效率化者，而作了說明。但是，其他實施形態之電力供給系統，係亦可採用下述一般之形態：亦即是，該電力供給系統，係具備有要求通知裝置，該要求通知裝置，係因應於所接收了的預測結果，來對於隸屬於都市T1之電動汽車的利用者，而發出要求利用者在某一時間帶中儘量不要對於特定之充電設備作利用的電子郵件或者是因應於必要而發出促使利用者在其他時間帶中對於特定之充電設備作利用的電子郵件。例如，此要求通知裝置，當接收到在某一天之下午6點的時間帶中充電設備301的電力需求會顯著地增加之預測的情況時，係對於對該充電設備301之利用率為高的利用者，而送訊要求該些利用者儘量不要在該時間帶中作利用並在被預測為電力需求為較低的其他時間帶中再作利用的內容之電子郵件。藉由此，係可藉由使各利用者依循該要求來行動，而簡單地進行電力需求之峰值削減(峰值平移)。
又，於此情況，係亦可建構出針對上述一般之要求對是否要利用一事多作考慮的通知電子郵件之受訊的有無會作為利用者P1、P2、…之各者的充電之意志決定的要因而造成何種程度的影響一事作了考慮的個別模式。藉由此，係能夠有效地實施對於上述之要求對是否要利用一事多作考慮的通知電子郵件之發送目標之選擇。
另外，亦可將用以實現上述之各實施形態中 之電力需求預測裝置100的功能之程式，記錄在電腦可讀取之記錄媒體中，並藉由將記錄在此記錄媒體中之程式讀 入至電腦系統中並實行之，來進行該些步驟。另外，於此之所謂「電腦系統」，係設為包含有OS和周邊機器等之硬體者。又，「電腦系統」，係設為亦包含有具備網頁提供環境(或者是顯示環境)之WWW系統者。又，所謂「電腦可讀取之記錄媒體」，係指軟碟、光磁碟、ROM、CD-ROM等之可攜性媒體、內藏於電腦系統中之硬碟等之記憶裝置。進而，所謂「電腦可讀取之記錄媒體」，係構成為亦包含有當經由網際網路等之網路或電話線路等之通訊線路來送訊程式的情況時之成為伺服器或客戶端之電腦系統內部的揮發性記憶體(RAM)一般之以一定時間而將程式作保持者。
又，上述程式，係亦可從將此程式儲存在記 憶裝置等之中的電腦系統來經由傳輸媒體或者是藉由傳輸媒體中之撥送波來傳輸至其他之電腦系統處。於此，傳輸程式之「傳輸媒體」，係指如同網際網路等之網路(通訊網路)或者是電話線路等之通訊線路(通話線)一般之具有傳輸資訊之功能的媒體。又，上述程式，係亦可為用以實現前述之功能的一部分者。進而，係亦可為能夠將前述之功能藉由與已記錄在電腦系統中之程式間的組合來實現者，亦即是亦可為所謂的差分檔案(差分程式)。
以上，雖係針對本發明之數種實施形態作了 說明，但是，此些之實施形態係僅為作為例子所提示者，而並非為對於本發明之範圍作限定者。此些之實施形態，係能夠藉由其他之各種形態來實施，在不脫離本發明之要 旨的範圍內，係可進行各種之省略、置換、變更。此些之實施形態及其變形，係亦被包含於本發明之範圍和要旨 中，並且亦係被包含在申請專利範圍中所記載之發明及其 均等範圍中。
[產業上之利用可能性]
若依據上述之各實施形態，則係成為能夠基於有限的實績資料來進行精確度為更高之電力之需求預測。

Claims (8)

  1. 一種電力需求預測裝置，其特徵為，係具備有：區域特徵值預測部，係輸入關連於車輛之實際測量資料，並針對被區劃為複數之各區劃區域的每一者，而分別預測出代表展現有隸屬該區劃區域內之車輛的全體性之傾向的特徵之區域特徵值；和個別模式取得部，係取得個別模式，該個別模式，係為與特定之車輛的各者分別相互對應之模擬模式，並以前述區域特徵值作為輸入，且以前述特定之車輛的在特定之充電設備處之電力需求作為輸出；和需求預測演算部，係將前述所預測出的區域特徵值輸入至前述個別模式中，並算出與該個別模式相對應的特定之車輛之在前述特定之充電設備處的電力需求之預測值。
  2. 如申請專利範圍第1項所記載之電力需求預測裝置，其中，前述區域特徵值預測部，係作為前述區域特徵值，而包含有在前述區劃區域內之車輛密度、在該區劃區域內之車輛全體的平均速度、以及隸屬於該區劃區域內之車輛全體的電池之平均充電率，此些中之至少一者。
  3. 如申請專利範圍第1項或第2項所記載之電力需求預測裝置，其中，前述個別模式取得部，係基於關連於前述車輛之實際測量資料，而針對前述特定之車輛的每一種來產生個別模式，該個別模式，係展現有會成為特定之車輛在特定之充電設備處而進行充電的意志決定之要因之因子資訊的實績值、和代表該特定車輛之在前述特定之充電設備處的電力需求之實績值，此兩者間的相關關係。
  4. 如申請專利範圍第1項或第2項所記載之電力需求預測裝置，其中，前述個別模式取得部，係取得個別模式，該個別模式，係代表前述特定之車輛的現在位置和前述特定之充電設備間之距離、和在該特定之充電設備處的電力需求，此兩者間的相關關係。
  5. 一種電力供給系統，其特徵為，係具備有：如申請專利範圍第1~4項中之任一項所記載之電力需求預測裝置；和供給電力管理裝置，係因應於前述電力需求預測裝置之預測結果，來對於前述充電設備之各者的供給電力作調整。
  6. 一種電力需求預測方法，其特徵為，係具備有：區域特徵值預測步驟，係輸入關連於車輛之實際測量資料，並針對被區劃為複數之各區劃區域的每一者，而分別預測出代表展現有隸屬該區劃區域內之車輛的全體性之傾向的特徵之區域特徵值；和個別模式取得步驟，係取得個別模式，該個別模式，係為與特定之車輛的各者分別相互對應之模擬模式，並以前述區域特徵值作為輸入，且以前述特定之車輛的在特定之充電設備處之電力需求作為輸出；和需求預測演算步驟，係將前述所預測出的區域特徵值輸入至前述個別模式中，並算出與該個別模式相對應的特定之車輛之在前述特定之充電設備處的電力需求之預測值。
  7. 一種程式，其特徵為：係使電力需求預測裝置之電腦，作為下述手段而起作用：區域特徵值預測手段，係輸入關連於車輛之實際測量資料，並針對被區劃為複數之各區劃區域的每一者，而分別預測出代表展現有隸屬該區劃區域內之車輛的全體性之傾向的特徵之區域特徵值；和個別模式取得手段，係取得個別模式，該個別模式，係為與特定之車輛的各者分別相互對應之模擬模式，並以前述區域特徵值作為輸入，且以前述特定之車輛的在特定之充電設備處之電力需求作為輸出；和需求預測演算手段，係將前述所預測出的區域特徵值輸入至前述個別模式中，並算出與該個別模式相對應的特定之車輛之在前述特定之充電設備處的電力需求之預測值。
  8. 一種供給電力管理裝置，係為對於至少1個的充電設備作管理之供給電力管理裝置，其特徵為：係基於從如申請專利範圍第1~4項中之任一項所記載之電力需求預測裝置所取得的在前述充電設備中之電力需求的預測值，來產生供給至該充電設備處的電力之配置計畫。
TW104106296A 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、程式、供給電力管理裝置 TWI638328B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2014-038748 2014-02-28
JP2014038748A JP6081941B2 (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
JP2017007833A JP6414760B2 (ja) 2014-02-28 2017-01-19 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

Publications (2)

Publication Number Publication Date
TW201606687A TW201606687A (zh) 2016-02-16
TWI638328B true TWI638328B (zh) 2018-10-11

Family

ID=60201699

Family Applications (1)

Application Number Title Priority Date Filing Date
TW104106296A TWI638328B (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、程式、供給電力管理裝置

Country Status (7)

Country Link
US (1) US20160335377A1 (zh)
EP (1) EP3076512B1 (zh)
JP (2) JP6081941B2 (zh)
CN (1) CN105849998B (zh)
SG (1) SG11201605579WA (zh)
TW (1) TWI638328B (zh)
WO (1) WO2015129575A1 (zh)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2973071B1 (en) 2013-03-15 2020-05-06 Fluke Corporation Automatic recording and graphing of measurement data
JP6081941B2 (ja) * 2014-02-28 2017-02-15 三菱重工業株式会社 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
WO2017022010A1 (ja) * 2015-07-31 2017-02-09 日産自動車株式会社 電動車両の充電支援方法及び充電支援装置
JP6279624B2 (ja) * 2016-01-12 2018-02-14 本田技研工業株式会社 交通渋滞予測装置及び交通渋滞予測方法
TWI614967B (zh) * 2016-08-16 2018-02-11 飛宏科技股份有限公司 雙槍充電系統之智慧型能量分配方法
EP3382843A1 (en) * 2017-03-29 2018-10-03 Siemens Aktiengesellschaft Charging control system
FR3073652A1 (fr) * 2017-11-13 2019-05-17 Suez Groupe Dispositif et procede de traitement de donnees heterogenes pour determiner des affluences spatio-temporelles
TWI818892B (zh) * 2017-12-27 2023-10-11 日商Ｆ Ｓ Ｒ股份有限公司 二次電池管理裝置及用於二次電池管理之程式製品
TWI751396B (zh) * 2017-12-29 2022-01-01 英屬開曼群島商睿能創意公司 管理複數個裝置交換站的方法及伺服器系統
US10882411B2 (en) * 2018-01-18 2021-01-05 Ford Global Technologies, Llc Smart charging schedules for battery systems and associated methods for electrified vehicles
DE102018204500A1 (de) * 2018-03-23 2019-09-26 Continental Automotive Gmbh System zur Erzeugung von Konfidenzwerten im Backend
US11010503B2 (en) * 2018-05-15 2021-05-18 Tata Consultancy Services Limited Method and system providing temporal-spatial prediction of load demand
DE102018219388A1 (de) 2018-11-14 2020-05-14 Robert Bosch Gmbh Betriebsassistenzverfahren und Betriebssystem für ein elektrisch betreibbares Fahrzeug
JP2020119080A (ja) * 2019-01-21 2020-08-06 本田技研工業株式会社 管理装置、管理方法、及びプログラム
JP7204527B2 (ja) * 2019-02-27 2023-01-16 株式会社東芝 事故確率分析装置および事故確率分析方法
JP7210334B2 (ja) * 2019-03-07 2023-01-23 本田技研工業株式会社 車両制御装置、車両制御システム、車両制御方法、およびプログラム
JP7273570B2 (ja) * 2019-03-19 2023-05-15 本田技研工業株式会社 決定装置、決定方法およびプログラム
JP7057311B2 (ja) 2019-03-25 2022-04-19 株式会社日立製作所 情報管理システム、情報管理方法、および情報管理装置
US10716089B1 (en) * 2019-06-03 2020-07-14 Mapsted Corp. Deployment of trained neural network based RSS fingerprint dataset
US20210046843A1 (en) 2019-08-14 2021-02-18 Honda Motor Co., Ltd. System and method for presenting electric vehicle charging options
US20220050143A1 (en) * 2019-08-14 2022-02-17 Honda Motor Co., Ltd. System and method for presenting electric vehicle charging options based on a predicted charging speed
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
CN112124135B (zh) * 2020-08-19 2021-12-28 国电南瑞科技股份有限公司 一种电动汽车共享充电需求分析方法及装置
CN113344297B (zh) * 2021-06-30 2022-10-21 广东电网有限责任公司 一种泥石流灾害的预测方法、系统、终端和存储介质
US20230342874A1 (en) * 2022-04-25 2023-10-26 Toyota Motor North America, Inc. Prioritizing access to shared vehicles based on need
WO2023218860A1 (ja) * 2022-05-13 2023-11-16 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 情報処理方法、情報処理装置及び情報処理プログラム
CN116359656B (zh) * 2023-05-30 2023-08-08 常州海乐瑞尔科技有限公司 一种基于人工智能的充电车道设备测试管理系统及方法
CN117436220B (zh) * 2023-12-20 2024-04-12 深圳永泰数能科技有限公司 一种基于物理模型结构的充换电柜布局方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130127417A1 (en) * 2010-07-23 2013-05-23 Electric Transportation Engineering Corporation, D/B/A Ecotality North America Control system for electric vehicle charging stations and method of using the same
TW201337805A (zh) * 2012-03-02 2013-09-16 Ind Tech Res Inst 具加電規劃功能之電動車輛派遣方法及其系統

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011132583A1 (ja) * 2010-04-19 2011-10-27 日産自動車株式会社 情報提供装置および情報提供方法
JP5615090B2 (ja) * 2010-08-20 2014-10-29 三菱重工業株式会社 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
US8639409B2 (en) * 2010-09-30 2014-01-28 Hitachi, Ltd System for managing electrical power distribution between infrastructure and electric vehicles
JP5327207B2 (ja) * 2010-11-25 2013-10-30 株式会社デンソー 充電システム
EP2465721A1 (en) * 2010-12-16 2012-06-20 Alcatel Lucent System and methods for predicting energy requirements of a plurality of electric energy vehicles
US9718371B2 (en) * 2011-06-30 2017-08-01 International Business Machines Corporation Recharging of battery electric vehicles on a smart electrical grid system
US20150039391A1 (en) * 2011-08-16 2015-02-05 Better Place GmbH Estimation and management of loads in electric vehicle networks
JP6081941B2 (ja) * 2014-02-28 2017-02-15 三菱重工業株式会社 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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130127417A1 (en) * 2010-07-23 2013-05-23 Electric Transportation Engineering Corporation, D/B/A Ecotality North America Control system for electric vehicle charging stations and method of using the same
TW201337805A (zh) * 2012-03-02 2013-09-16 Ind Tech Res Inst 具加電規劃功能之電動車輛派遣方法及其系統

Also Published As

Publication number Publication date
WO2015129575A1 (ja) 2015-09-03
JP2017112830A (ja) 2017-06-22
EP3076512B1 (en) 2018-04-11
JP6414760B2 (ja) 2018-10-31
JP2015163027A (ja) 2015-09-07
CN105849998A (zh) 2016-08-10
US20160335377A1 (en) 2016-11-17
EP3076512A1 (en) 2016-10-05
JP6081941B2 (ja) 2017-02-15
SG11201605579WA (en) 2016-10-28
CN105849998B (zh) 2019-04-12
TW201606687A (zh) 2016-02-16
EP3076512A4 (en) 2016-11-30

Similar Documents

Publication Publication Date Title
TWI638328B (zh) 電力需求預測裝置、電力供給系統、電力需求預測方法、程式、供給電力管理裝置
Zwick et al. Agent-based simulation of city-wide autonomous ride-pooling and the impact on traffic noise
CN106063067B (zh) 电力需求预测装置、供电系统、电力需求预测方法及介质
Han et al. Trajectory-interception based method for electric vehicle taxi charging station problem with real taxi data
Yao et al. Hybrid operations of human driving vehicles and automated vehicles with data-driven agent-based simulation
Young et al. Railway station choice modelling: a review of methods and evidence
CN108806249B (zh) 基于公交app软件的乘客出行优化方法
WO2023012229A1 (en) Methods and systems for predicting an energy consumption of a vehicle for its travel along a defined route and for routing
JP2023175992A (ja) エネルギー供給システムおよび情報処理装置
Gómez et al. Evaluation of trade-offs between two data sources for the accurate estimation of origin–destination matrices
Zwick et al. Shifts in perspective: Operational aspects in (non-) autonomous ride-pooling simulations
Sun et al. Transit-gym: A simulation and evaluation engine for analysis of bus transit systems
Chen et al. Online eco-routing for electric vehicles using combinatorial multi-armed bandit with estimated covariance
Rosenberger et al. Estimating the potential of electric mobility in commercial transport considering the availability of charging infrastructure–A behavioural model analysis for the city of Hamburg
Helmus et al. A validated agent-based model for stress testing charging infrastructure utilization
Hamadneh et al. Evaluation of the impacts of autonomous vehicles on the mobility of user groups by using agent-based simulation
US20220164722A1 (en) Systems and methods for data-driven energy management of a vehicle fleet with electric vehicles
Kuehnel et al. Shifts in perspective: Operational aspects in (non-) autonomous ride-pooling simulations
Zhang et al. Degradable transportation network with the addition of electric vehicles: Network equilibrium analysis
Elhattab et al. Leveraging Real-World Data Sets for QoE Enhancement in Public Electric Vehicles Charging Networks
Chen Simulation-based design of integrated public transit and shared autonomous mobility-on-demand systems
Kalila Big data fusion to estimate driving adoption behavior and urban fuel consumption
Harmandayan Ecological spirit of electric vehicle drivers
Zhou Developing a Statistical Vehicle Driver Behavior Model for Eco-Routing Deployment
Yoon Route Design with Optimal Learning