WO2015075794A1 - 電力需要予測システム、電力需要予測方法、需要家プロファイリングシステム、及び需要家プロファイリング方法 - Google Patents

電力需要予測システム、電力需要予測方法、需要家プロファイリングシステム、及び需要家プロファイリング方法 Download PDF

Info

Publication number
WO2015075794A1
WO2015075794A1 PCT/JP2013/081322 JP2013081322W WO2015075794A1 WO 2015075794 A1 WO2015075794 A1 WO 2015075794A1 JP 2013081322 W JP2013081322 W JP 2013081322W WO 2015075794 A1 WO2015075794 A1 WO 2015075794A1
Authority
WO
WIPO (PCT)
Prior art keywords
power
power consumption
air temperature
outside air
value data
Prior art date
Application number
PCT/JP2013/081322
Other languages
English (en)
French (fr)
Inventor
貴弘 川口
真也 梅野
隆生 新垣
Original Assignee
株式会社 東芝
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 株式会社 東芝 filed Critical 株式会社 東芝
Priority to PCT/JP2013/081322 priority Critical patent/WO2015075794A1/ja
Priority to JP2015548917A priority patent/JP6193400B2/ja
Publication of WO2015075794A1 publication Critical patent/WO2015075794A1/ja
Priority to US15/158,729 priority patent/US20160266181A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/133—Arrangements for measuring electric power or power factor by using digital technique
    • 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
    • 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

Definitions

  • Embodiments of the present invention relate to a power demand prediction system, a power demand prediction method, a customer profiling system, and a customer profiling method.
  • the power consumption of consumers varies greatly according to the outside temperature. This is because the power consumption of air-conditioning equipment such as an air conditioner increases in summer and winter. For this reason, in predicting power consumption, it is important to consider fluctuations in power consumption according to the outside air temperature.
  • a technique for predicting power consumption in consideration of outside air temperature a method for calculating the correlation between outside air temperature and power consumption by comparing past data of outside air temperature and power consumption has been proposed.
  • outside air temperature fluctuation power power consumption of consumers varies depending on the outside air temperature
  • power consumption that varies regardless of the outside air temperature for example, power consumption of lighting equipment.
  • It is difficult to obtain a high correlation between the power consumption and the outside temperature because it is unclear how much the outside temperature fluctuation power is included in the power consumption by simply comparing the power consumption and the outside temperature. It is.
  • a power demand forecasting system and a power demand forecasting method capable of predicting power consumption of consumers with high accuracy. Also provided are a customer profiling system and a customer profiling method capable of giving a profile to a consumer based on the relationship between the outside air temperature and the outside air temperature fluctuation power.
  • the power demand prediction system includes an extraction unit, a model creation unit, and a prediction unit.
  • the extraction means selects the power consumption value data included in a certain period from the customer's past power consumption value data, and based on the selected power consumption value data, the outside air temperature and the power consumption An outside air temperature power relationship that is a relationship with the outside air temperature fluctuation power that fluctuates according to the temperature is extracted.
  • the model creating means creates a power consumption prediction model for predicting the power consumption of the consumer according to the outside air temperature based on the outside air temperature power relationship extracted by the extracting means.
  • the prediction means predicts the power consumption at the prediction target time of the consumer based on the power consumption prediction model created by the model creation means and the outside air temperature at the prediction target time.
  • the figure which represented an example of the behavioral state estimation model typically.
  • the block diagram which shows the function structure of the electric power demand prediction system which concerns on 2nd Embodiment.
  • the scatter diagram which shows an example of power consumption value data The block diagram which shows the function structure of the electric power demand prediction system concerning 4th Embodiment. The figure which shows an example of ON / OFF information. The figure which shows an example of the power consumption value data by which the base electric power was subtracted. The block diagram which shows the function structure of the electric power demand prediction system concerning 5th Embodiment. The figure which shows an example of air-conditioning electric power data. The block diagram which shows the function structure of the electric power demand prediction system which concerns on 6th Embodiment. The figure which shows an example of the output screen of the electric power demand prediction system which concerns on this embodiment. The block diagram which shows the function structure of a customer profiling system.
  • a power demand prediction system (Power demand forecasting system)
  • the power demand prediction system predicts the power consumption of the customer in the winter.
  • the power demand prediction system can also predict the power consumption of the consumer in the summer and other seasons.
  • a consumer whose power demand prediction system predicts power consumption is a consumer who consumes electric power according to the behavior of the outside air temperature fluctuation power and the user of the customer (for example, a resident), for example, a house, There are various types of stores, complex houses (for example, condominiums), etc., but in the following description, the consumer is assumed to be a house.
  • the power demand prediction system creates a power consumption prediction model based on the customer's past power consumption value data and outside air temperature data, and the created power consumption prediction model and the prediction target time point (prediction The power consumption at the prediction target time of the consumer is predicted based on the outside air temperature data of the target future date and time.
  • the predicted power consumption is transmitted to a power company (for example, a power company, a power retailer, and a demand response provider), and is used to control power supply and demand such as a demand response (request for power reduction from a consumer). Is done.
  • a power company for example, a power company, a power retailer, and a demand response provider
  • the power demand prediction system acquires power consumption value data from a consumer, and acquires outside air temperature data and predicted outside air temperature data from outside the system.
  • the power consumption value data is data indicating a consumer's power consumption and power consumption measured at a predetermined date and time by a power consumption measuring device (for example, smart meter) possessed by the consumer, or an average value and an integrated value thereof. is there. Therefore, when all the power consumption of the consumer is measured by the power consumption measuring device, the power consumption value data is data indicating the total power consumption of the consumer at a predetermined date and time. On the other hand, when a part of the power consumption of the consumer is measured by the power consumption measuring device, the power consumption value data is data indicating a part of the power consumption of the consumer at a predetermined date and time.
  • the power consumption value data is data indicating the total power consumption of the consumer.
  • the power consumption value data is transmitted to the power demand prediction system via a power consumption measuring device in a wired or wireless manner.
  • the transmitted power consumption value data is sorted in time series and stored in the storage unit 4 described later as history data.
  • the storage unit 4 may store the transmitted power consumption value data, or may store only a part of the transmitted power consumption value data. For example, when power consumption value data at intervals of 1 minute is transmitted from a consumer, the storage unit 4 may store only power consumption value data at intervals of 5 minutes, or consumption at intervals of 1 minute for 5 minutes. You may memorize
  • FIG. 2 is a diagram illustrating an example of power consumption value data stored in the storage unit 4. The power consumption value data in FIG. 2 is stored at 30-minute intervals, but the intervals can be arbitrarily selected.
  • the outside air temperature data is data indicating the outside air temperature of the area where the customer is located, measured at a predetermined date and time.
  • the outside air temperature data is transmitted from the outside air temperature database provided outside the power demand prediction system or an external service that provides the outside air temperature data to the electricity demand prediction system by wire or wirelessly.
  • the transmitted outside air temperature data is sorted in time series and stored in the storage unit 4 as history data. All the transmitted outside air temperature data may be stored in the storage unit 4, or only a part of the transmitted outside air temperature data may be stored. For example, when the outside air temperature data at intervals of 1 minute is transmitted from the outside, the storage unit 4 may store only the outside air temperature data at intervals of 5 minutes.
  • FIG. 3 is a diagram illustrating an example of outside air temperature data stored in the storage unit 4.
  • the outside air temperature data is stored at intervals of 30 minutes, but the intervals can be arbitrarily selected.
  • the storage unit 4 preferably stores power consumption value data and outside air temperature data measured at the same date and time. Thereby, loss of data used for predicting the power consumption of the consumer is suppressed, and the prediction accuracy can be improved.
  • Predicted outside air temperature data is data indicating the predicted value of the outside air temperature at the prediction target time in the region where the customer is located.
  • the predicted outside air temperature data is transmitted to the power demand prediction system by wire or wirelessly from a predicted outside air temperature database provided outside the power demand prediction system or an external service (such as a weather forecast service) that provides the predicted outside air temperature data.
  • the transmitted predicted outside air temperature data is sorted in time series and stored in the storage unit 4.
  • the storage unit 4 may store all of the transmitted predicted outside air temperature data, or may store only a part of the transmitted predicted outside air temperature data. For example, when predicted outside air temperature data at 1 minute intervals is transmitted from the outside, the storage unit 4 may store only predicted outside air temperature data at 5 minute intervals.
  • FIG. 4 is a diagram illustrating an example of predicted outside air temperature data stored in the storage unit 4. In the predicted outside air temperature data of FIG. 4, the predicted outside air temperature data is stored at intervals of 30 minutes, but the interval can be arbitrarily selected.
  • the power demand prediction system includes a relationship extraction unit 1 (extraction means) that extracts a relationship between an outside air temperature and outside air temperature fluctuation power, and an outside air temperature extracted by the relationship extraction unit 1.
  • a model creation unit 2 model creation means that creates a model for predicting power consumption based on the relationship between the ambient temperature fluctuation power and the outside temperature fluctuation power, and a consumer based on the power consumption prediction model created by the model creation unit 2
  • the power consumption prediction unit 3 (prediction means) that predicts the power consumption at the prediction target time point and the storage unit 4 that stores various types of information.
  • the storage unit 4 stores power consumption value data, outside air temperature data, and predicted outside air temperature data.
  • the storage unit 4 stores various information used or created in the process of power consumption prediction processing by the power demand prediction system.
  • the power demand prediction system configured as described above can be realized by using a computer device including a CPU and a memory as basic hardware. More specifically, the functions of the relationship extraction unit 1, the model creation unit 2, and the power consumption prediction unit 3 can be realized by executing a control program on the CPU.
  • a storage device such as a nonvolatile memory or an external storage device can be used as a storage device.
  • the relationship extraction unit 1 acquires power consumption value data for a predetermined period (for example, an arbitrary period such as 30 days or 60 days) from the storage unit 4, and is constant among the acquired past power consumption value data of consumers. Power consumption value data having a high correlation between the outside air temperature and the power consumption included in the period is selected.
  • the relationship extraction unit 1 extracts an outside air temperature power relationship (hereinafter referred to as “outside air temperature power relationship”), which is a relationship between the outside air temperature and the outside air temperature fluctuation power, based on the selected power consumption value data.
  • the outside air temperature fluctuation power is power consumption that fluctuates according to the outside air temperature among the power consumption of the consumer.
  • the outside air temperature fluctuation power includes, for example, power consumption of air conditioners such as air conditioners, floor heaters, electric heaters and electric fans.
  • the relationship extraction unit 1 selects power consumption value data having a high correlation between the outside air temperature and power consumption in advance, and extracts the outside air temperature power relationship based on the selected power consumption value data. Can be extracted well.
  • FIG. 5 is a block diagram showing a functional configuration of the relationship extraction unit 1. As shown in FIG. 5, the relationship extraction unit 1 includes a base power calculation unit 11 (base power calculation means) that calculates base power, and an outside air temperature-power consumption combining unit that combines outside air temperature data and power consumption value data.
  • a first data selection unit 13 (first data selection unit) and a second data selection unit 14 (second data selection unit) that select power consumption value data having a high correlation between outside air temperature and power consumption.
  • a regression analysis unit 15 (analysis means) that performs regression analysis based on the selected power consumption value data.
  • the base power calculation unit 11 calculates the base power ⁇ Base based on the power consumption value data for a predetermined period acquired from the storage unit 4.
  • the base power ⁇ Base is power that serves as a reference for consumer power consumption, and is calculated on the assumption that it is constant in the predetermined period.
  • the base power ⁇ Base includes the power consumption of an electric device that is always operated independently of the behavior of the consumer of the customer, such as standby power of each electric device that the customer has.
  • the calculation method of the base power ⁇ Base can be arbitrarily selected.
  • the base power ⁇ Base can be calculated by statistically processing power consumption value data for a predetermined period.
  • the frequency of power consumption in a predetermined period may be aggregated at a predetermined power interval (for example, 1 W interval), and the power value that becomes the mode value may be calculated as the base power ⁇ Base .
  • a minimum power value that is a power value equal to or higher than the base power ⁇ Base and has a minimum frequency may be calculated as the threshold power ⁇ th .
  • the threshold power ⁇ th can be used as a parameter for selecting data in the second data calculation unit 14 described later.
  • FIG. 6 is a diagram illustrating an example of the base power ⁇ Base and the base power margin ⁇ Base calculated based on the power consumption value data of FIG.
  • the outside air temperature-power consumption combining unit 12 acquires outside air temperature data for a predetermined period (for example, an arbitrary period such as 30 days or 60 days) from the storage unit 4, and the obtained outside air temperature data and the above-described power consumption value data And combine.
  • the outside air temperature data and the power consumption value data are combined based on the date and time of both data.
  • the outside air temperature-power consumption combining unit 12 may combine the power consumption value data and the outside air temperature data of the same date and time, or may combine the power consumption value data and the outside air temperature data that are shifted by a predetermined time.
  • the combined outside air temperature data and power consumption value data are stored in the storage unit 4.
  • 7 and 8 are diagrams showing examples of the combined power consumption history data of FIG. 2 and the outside air temperature history data of FIG. In FIG. 7, the outside air temperature data and the power consumption value data of the same date and time are combined, and in FIG. 8, the outside air temperature data and the power consumption value data shifted by one hour are combined.
  • the time lag until the outside air temperature affects the room temperature can be taken into account by shifting the outside air temperature data and the power consumption value data to be combined by a predetermined time. For example, when the outside air temperature falls (rises), the room temperature falls (rises) due to the outside temperature fall (rise), and the resident of the customer feels the cold (heat) and turns on the heating equipment (cooling equipment). Use and change of consumption of outside temperature fluctuation power. At this time, if a time lag occurs between the change in the outside air temperature and the change in the room temperature, a time lag may occur between the change in the outside air temperature and the change in the outside air temperature fluctuation power.
  • the outside air temperature power relationship cannot be accurately extracted even if data of the same date and time are combined.
  • the outside air temperature power relationship can be extracted more accurately by combining the outside air temperature data and the power consumption value data shifted by a predetermined time.
  • the outside air temperature-power consumption combination unit 12 since the time lag as described above is usually preceded by a change in the outside air temperature, the outside air temperature-power consumption combination unit 12 performs a predetermined time (for example, 1 to 2 hours) after the outside air temperature data and the outside air temperature data. It is preferable to combine the power consumption value data.
  • the said time lag changes according to the heat insulation of a building of a consumer, and air permeability, it is good also considering the time which shifts the data to combine as a different value for every consumer.
  • the first data selection unit 13 selects the power consumption value data having a high correlation between the outside air temperature and the power consumption from the power consumption value data stored in the storage unit 4.
  • the power consumption value data in which the correlation between the outside air temperature and the power consumption is high is power consumption value data in which the action power included in the power consumption is small.
  • the action power is the remaining power consumption obtained by subtracting the base power and the outside temperature fluctuation power from the power consumption of the consumer.
  • the behavioral power is assumed to be power consumption that varies according to the behavior of the resident of the consumer (for example, power consumption of lighting, television, etc.).
  • the consumer's power consumption is composed of constant base power in a predetermined period, outside temperature fluctuation power that varies according to the outside temperature, and behavior power that varies according to the behavior of the consumer of the consumer. . Since the base power is constant over a predetermined period, when the action power included in the power consumption is small, the correlation between the outside air temperature and the power consumption is high.
  • the first data selection unit 13 selects power consumption value data included in a predetermined time range as power consumption value data having a high correlation between outside air temperature and power consumption. Since behavioral power is considered to be power consumption that fluctuates depending on the behavior of the resident of the consumer, for example, power consumption value data in the time zone when the resident is sleeping or going out is included in the power consumption. The expected behavioral power is expected to be low. Therefore, the 1st data selection part 13 can select the power consumption value data of the time slot
  • the first data selection unit 13 may select the power consumption value data at night.
  • the time zone of the power consumption value data selected by the first data selection unit 13 may be stored in advance in the storage unit 4 as time zone designation data. Further, for example, the first data selection unit 13 selects the power consumption value data for the time zone by specifying the time zone for going out based on the location information of the resident received from a terminal such as a smartphone carried by the resident. May be.
  • FIG. 9 is a diagram showing an example of time zone designation data.
  • the time zone designation data of FIG. 9 0 to 6 o'clock is designated as a night time zone when the resident is sleeping.
  • the time zone designated by the time zone designation data is not limited to this.
  • the first data selection unit 13 acquires time zone designation data from the storage unit 4 and selects power consumption value data based on the time zone designation data.
  • FIG. 10 is an example of power consumption value data selected by the first data selection unit 13.
  • the power consumption value data of FIG. 10 is power consumption value data selected from the power consumption value data of FIG. 8 by the first data selection unit 13 based on the time zone designation data of FIG.
  • the power consumption value data selected by the first data selection unit is stored in the storage unit 4.
  • the first data selection unit 13 selects the power consumption value data from the power consumption value data for a predetermined period before the outside air temperature data and the power consumption value data are combined by the outside air temperature-power consumption combination unit 12. You may choose.
  • the outside air temperature-power consumption combining unit 12 combines the power consumption value data selected by the first data selection unit 13 and the outside air temperature data stored in the storage unit 4.
  • the time zone designation data is the time zone of the outside air temperature data or the time of the power consumption value data. What is necessary is just to designate the time slot
  • FIG. 11 is a scatter diagram in which the power consumption value data selected by the first data selection unit 13 is plotted on the outside air temperature-power consumption plane.
  • the horizontal axis is the outside air temperature (° C.)
  • the vertical axis is the power consumption (W).
  • Each point plotted on the plane indicates power consumption value data combined with outside air temperature data.
  • the power consumption value data selected by the first data selection unit 13 includes power consumption value data whose power consumption is substantially constant without depending on the outside air temperature (indicated by a broken line in FIG. 11). It is understood that power consumption value data) and power consumption value data (power consumption value data surrounded by a solid line in FIG. 11) whose power consumption correlates with the outside air temperature are included.
  • the power consumption value data whose power consumption is substantially constant is power consumption value data in which most of the power consumption is base power, and outside temperature fluctuation power and behavioral power are hardly included in the power consumption.
  • the power consumption value data in which the power consumption fluctuates according to the outside temperature is data in which most of the power consumption is the base power and the outside temperature fluctuation power, and the action power is hardly included in the power consumption.
  • the second data selection unit 14 selects, from the power consumption value data selected by the first data selection unit 13, power consumption value data whose power consumption is larger than the base power ⁇ Base calculated by the base power calculation unit 11. That is, the power consumption value data surrounded by the solid line in FIG. 11 is selected, and the power consumption value data surrounded by the broken line is removed. As a result, data whose power consumption is mostly base power is removed from the data selected by the first data selection unit 13, and most of the power consumption is power consumption value data whose outside air temperature fluctuation power and base power. In addition, data having a high correlation between the outside air temperature and power consumption can be selected.
  • the second data selection unit 14 selects power consumption value data having power consumption larger than the base power from the power consumption value data for a predetermined period before the power consumption value data is selected by the first data selection unit 13. You may choose. In this case, the first data selection unit 13 selects power consumption value data for a predetermined time period from the power consumption value data selected by the second data selection unit 14. Also. The second data selection unit 14 may select the power consumption value data before the outside air temperature data and the power consumption value data are combined by the outside air temperature-power consumption combination unit 12. In this case, the outside air temperature-power consumption combining unit 12 combines the power consumption value data selected by the second data selection unit 14 and the outside air temperature data stored in the storage unit 4.
  • the regression analysis unit 15 performs a regression analysis based on the power consumption value data selected by the second data selection unit 14 with the outside air temperature as an explanatory variable and the outside air temperature fluctuation power as an objective variable.
  • the selected power consumption value data most of the power consumption is composed of base power and outside temperature fluctuation power. Since the base power is constant, the power consumption can be expressed by a regression equation with the outside air temperature as a parameter.
  • the regression analysis unit 15 can perform regression analysis by an arbitrary method such as linear regression using the least square method or nonlinear regression such as polynomial start. Further, the regression analysis unit 15 may remove the influence of the base power from the power consumption value data by subtracting the base power from the power consumption before performing the regression analysis.
  • FIG. 13 is a diagram illustrating an example of power consumption value data obtained by subtracting the base power.
  • the power consumption value data in FIG. 13 is created by subtracting the base power in FIG. 6 from the power consumption value data in FIG. Since the power consumption value data in FIG. 13 is obtained by subtracting the base power, most of the power consumption is outside temperature fluctuation power. Therefore, by performing regression analysis based on the power consumption value data, it is possible to extract the outside air temperature power relationship with high accuracy.
  • the relational parameters are various parameters obtained by the regression analysis unit 15 performing regression analysis.
  • the outside air temperature power relationship is extracted as a relationship parameter by the regression analysis unit 15.
  • the regression analysis unit 15 calculates the relationship parameter by linear regression.
  • the regression equation is expressed by the following linear equation.
  • the objective variable y is the outside air temperature fluctuation power (W)
  • the explanatory variable x is the outside air temperature (° C.)
  • a is the slope of the regression equation
  • b is the intercept.
  • a and b are related parameters.
  • the relationship parameters a and b can be obtained as follows.
  • the regression analysis unit 15 may calculate the variation ⁇ AC of the outside air temperature fluctuation power.
  • the variation ⁇ AC of the outside air temperature fluctuation power can be calculated by the following equation using the variance.
  • ⁇ AC can be an arbitrary constant multiple of ⁇ AC .
  • the regression analysis unit 15 calculates a threshold temperature T th at which the use of the outside air temperature fluctuation power is started.
  • the threshold temperature T th is calculated as follows. Can do.
  • FIG. 14 is a diagram illustrating related parameters calculated based on the power consumption value data of FIG.
  • the relationship extraction unit 1 can extract the outside air temperature power relationship (relation parameters) with high accuracy.
  • the model creation unit 2 creates a power consumption prediction model for predicting consumer power consumption according to the outside air temperature based on the outside air temperature power relationship (relation parameter) extracted by the extraction means relationship extraction unit 1. .
  • the power consumption prediction model includes a behavior state prediction model that predicts a consumer's behavior state according to the outside air temperature, and a behavior power prediction model that predicts the behavior power in each behavior state.
  • FIG. 15 is a diagram showing a functional configuration of the model creation unit 2.
  • the model creation unit 2 includes a behavior state estimation unit 21 (behavior state estimation unit) that estimates a consumer's past behavior state, and a behavior state prediction model creation unit 22 that creates a behavior state prediction model.
  • Behavioral state prediction model creating means a behavioral power calculating unit 23 (behavior power calculating unit) for calculating past behavioral power of the consumer, and a behavioral power prediction model creating unit 24 for predicting behavioral power in each behavioral state ( Action power prediction model creation means).
  • the behavioral state estimation unit 21 estimates the past behavioral state of the consumer based on the outside air temperature power relationship (related parameter) and the power consumption value data.
  • the behavioral state is the usage state of the customer's power, the state where the outside temperature fluctuation power is used, the state where the outside temperature fluctuation power is not used, the state where the behavior power is used, the behavior power is used The state which is not done is included.
  • the behavioral state estimation unit 21 creates a behavioral state estimation model based on the relationship parameters in order to estimate the consumer's behavioral state.
  • FIG. 16 is a diagram schematically illustrating an example of the behavior state estimation model.
  • FIG. 16 is an outside air temperature-power consumption plane divided into a plurality of regions according to a related parameter.
  • the horizontal axis represents the outside air temperature x (° C.), and the vertical axis represents the power consumption y (W).
  • each area surrounded by a solid line corresponds to the behavior state of the customer.
  • the behavior state estimation unit 21 estimates a consumer's behavior state by specifying a region including power consumption value data. For example, the power consumption value data is included in the region 3 when the outside air temperature of the combined outside air temperature data is lower than the threshold temperature T th and the power consumption is equal to or less than the base power ⁇ Base .
  • the region 1 is a region that satisfies the following expression. x k ⁇ T th ⁇ Base + ⁇ Base ⁇ y k ⁇ ⁇ Base + ax k + b ⁇ AC
  • the behavioral state estimation unit 21 estimates the behavioral state of the power consumption value data included in the region 1 as a state where the behavioral power is used and the outside air temperature fluctuation power is not used.
  • the region 2 is a region that satisfies the following expression. x k ⁇ T th ⁇ Base + ax k + b + ⁇ AC ⁇ y k
  • the region 2 is a region above the region where the outside air temperature is lower than the threshold temperature Tth and the power consumption is included in the regression line of the outside air temperature fluctuation power.
  • the behavior state estimation unit 21 estimates the behavior state of the power consumption value data included in the region 2 as a state in which the outside air temperature fluctuation power and the behavior power are used.
  • Region 3 is a region that satisfies the following expression. x k ⁇ T th y k ⁇ ⁇ Base + ⁇ Base
  • Region 3 is a region where the outside air temperature is lower than the threshold temperature T th and the power consumption is lower than the threshold power T th .
  • the behavior state estimation unit 21 estimates the behavior state of the power consumption value data included in the region 3 as a state in which neither the outside air temperature fluctuation power nor the behavior power is used.
  • Region 4 is a region that satisfies the following expression. x k ⁇ T th ⁇ Base + ax k + b ⁇ AC ⁇ y k ⁇ ⁇ Base + ax k + b + ⁇ AC ⁇ Base + ⁇ Base ⁇ y k
  • Region 4 is a region where the outside air temperature is lower than the threshold temperature Tth and the power consumption is close to the regression line of the outside air temperature fluctuation power.
  • the behavior state estimation unit 21 estimates the behavior state of the power consumption value data included in the region 4 as a state in which the outside air temperature fluctuation power is used and the behavior power is not used.
  • Region 5 is a region that satisfies the following expression. T th ⁇ x k ⁇ Base + ⁇ Base ⁇ y k
  • the behavioral state estimation unit 21 estimates the behavioral state of the power consumption value data included in the region 5 as a state in which the behavioral power is used without using the outside air temperature fluctuation power.
  • the region 6 is a region that satisfies the following expression. T th ⁇ x k y k ⁇ ⁇ Base + ⁇ Base
  • the region 6 is a region where the outside air temperature is higher than the threshold temperature T th and the power consumption is lower than the threshold power ⁇ th .
  • the behavior state estimation unit 21 estimates the behavior state of the power consumption value data included in the region 6 as a state in which neither the outside air temperature fluctuation power nor the behavior power is used.
  • the region dividing method is not limited to this.
  • ⁇ Base may be used instead of ⁇ Base + ⁇ Base in the above dividing method.
  • the region may be divided by parameters other than the outside air temperature and power consumption.
  • the regression analysis unit 15 may perform regression analysis by nonlinear regression, and replace the above-described regression equation ax k + b with the obtained nonlinear regression equation to divide the region.
  • FIG. 17 is a diagram showing the behavior state estimation model described above in a table format.
  • ON indicates a state where power is used, and OFF indicates a state where power is not used.
  • the behavior state estimation unit 21 compares the behavior state estimation model with the power consumption value data, identifies the region number including the power consumption value data, and determines the behavior state corresponding to the identified region number as the power consumption value data. It is estimated as the behavior state of the consumer at the date and time when is acquired.
  • the estimated behavior state (region number) is associated with the power consumption value data and stored in the storage unit 4. In addition, you may make the action state estimated in this way correspond to a resident's action.
  • a state in which behavioral power is used can be associated with the resident being at home, and a state in which behavioral power is not being used can be associated with the absence of the resident (while going out).
  • a state in which behavioral power is not used at night may be associated with sleep of the resident.
  • the resident's behavior corresponding to the behavior state of the customer is stored in the storage unit 4.
  • FIG. 18 is a diagram showing the behavior state of the consumer estimated for the power consumption value data of FIG.
  • the presence / absence of the use of behavioral power corresponds to the presence or absence of the customer.
  • the absence at night corresponds to the sleep of the customer.
  • both a winter threshold temperature and a summer threshold temperature may be prepared.
  • a state in which the outside air temperature fluctuation power is used is set.
  • the behavioral state prediction model creation unit 22 performs statistical processing on the past behavioral state of the customer estimated by the behavioral state estimation unit 21, thereby predicting the behavioral state of the consumer according to the outside air temperature. Create a model. For example, the behavior state prediction model creation unit 22 aggregates the area numbers of the power consumption value data for each outside temperature and time.
  • FIG. 19 is a diagram illustrating an example of the area numbers collected for each outside air temperature and time. In FIG. 19, the outside air temperature is counted every 1 ° C., and the time is counted every hour, but the intervals between the outside temperature and the time when the area numbers are counted are not limited thereto.
  • the behavior state prediction model creation unit 22 predicts, for example, the region number that is most frequently counted at each outside air temperature and time from among the region numbers that are counted in this way. Select as number. For example, in the case of FIG. 19, the region 2 is selected as the region number at 0 o'clock to 1 o'clock and ⁇ 5 ° C. to ⁇ 4 ° C.
  • the behavior state prediction model creation unit 22 may create a behavior state prediction model by learning the past behavior state of the customer estimated by the behavior state estimation unit 21.
  • the behavior state prediction model creation unit 22 uses time and outside air temperature as explanatory variables and behavior state as an objective variable, and performs behavior using existing machine learning techniques such as multinomial logistic discrimination, neural roots and work, and support vector machines.
  • a state prediction model can be created.
  • the behavior state prediction model 22 creates a behavior state prediction model by selecting a region number for each outside air temperature and time.
  • the created behavior state prediction model is stored in the storage unit 4.
  • FIG. 20 is a diagram illustrating an example of a behavior state prediction model created based on the aggregation result of FIG.
  • the power consumption prediction unit 3 to be described later refers to the behavior state prediction model stored in the storage unit 4 and predicts the behavior state of the consumer at the prediction target time point. Note that as the parameters of the behavior state prediction model, not only the outside air temperature and time but also other elements such as weather and day of the week may be used.
  • the behavior power calculation unit 23 calculates the outside air temperature fluctuation power y AC and the behavior power y act in the past power consumption value data of the consumer. First, the behavior power calculation unit 23 calculates the outside air temperature fluctuation power y AC for each power consumption value data. As shown in FIG. 21, the behavioral power calculation unit 23 sets the outside temperature fluctuation power y AC of the power consumption value data in the areas 1, 3, 5, and 6 as follows in a state where the outside temperature fluctuation power is not used. Calculate as follows.
  • the behavioral power calculating unit 23 uses the outside air temperature fluctuation power in a state where the outside air temperature fluctuation power is used, that is, the outside air temperature fluctuation power y AC of the power consumption value data in the areas 2 and 4 as the related parameter stored in the storage unit 4. Based on this, the calculation is as follows.
  • FIG. 21 is a diagram illustrating an example of the outside air temperature fluctuation power data created based on the power consumption value data and the action state of FIG.
  • the behavioral power calculation unit 23 calculates behavioral power y act for each power consumption value data.
  • the behavior power calculation unit 23 calculates the behavior power y act of the power consumption value data of the areas 3, 4, and 6 in a state where the behavior power is not used, that is, as follows.
  • the behavioral power calculation unit 23 uses the behavioral power in use, that is, the behavioral power y act of the power consumption value data in the areas 1, 2, and 5, and the related parameters stored in the storage unit 4 and the outside air temperature. Based on the variable power y AC and the power consumption y of the power consumption value data, the calculation is performed as follows.
  • the behavior power calculation unit 23 calculates the behavior power y act by subtracting the base power ⁇ Base and the outside air temperature fluctuation power y AC from the power consumption y.
  • the behavioral power calculated in this way is stored in the storage unit 4 as behavioral power data associated with the time and the region number.
  • FIG. 22 is a diagram illustrating an example of behavioral power data created based on the power consumption value data of FIG. 18 and the outside air temperature fluctuation power data of FIG.
  • the behavior power prediction model creation unit 24 predicts the consumer behavior power in each behavior state based on the behavior power calculated by the behavior power calculation unit 23 and the behavior state estimated by the behavior state estimation means. Create a behavioral power prediction model.
  • the behavioral power prediction model creation unit 24 refers to the behavioral power data created by the behavioral power calculation unit 23, and statistically processes the behavioral power in a state where the behavioral power is used (areas 1, 2, and 5) for each time. Then, a predicted value of behavioral power for each time is calculated. The statistical processing is realized, for example, by taking an average value or mode value of behavioral power for each time. The time interval for calculating the predicted value of behavioral power can be set arbitrarily. Thereby, a behavioral power prediction model is created.
  • FIG. 23 is a diagram illustrating an example of a behavioral power prediction model.
  • FIG. 23 is a behavior power prediction model created by calculating a predicted value of behavior power for each time in a state where behavior power is used based on the behavior power data of FIG.
  • the behavioral power prediction model creation unit 24 also sets time as an explanatory variable and behavioral power as an objective variable based on the behavioral power calculated by the behavioral power calculation unit 23 and the behavioral state estimated by the behavioral state estimation means. Any regression model may be created. In order to create a regression model, the behavioral power prediction model creation unit 24 can use an existing method such as regression using a neural network or support vector regression, for example.
  • the explanatory variable may include weather, day of the week, and the like.
  • the behavioral power prediction model is created according to the presence or absence of behavioral power, but may be created by statistically processing the behavioral power data of FIG. 22 for each region, for example.
  • the behavior power prediction model creating unit 24 calculates the behavior power prediction value for each time in each region (regions 1, 2, and 5) in a state where the behavior power is being used, so that the behavior power prediction model is calculated.
  • the behavioral power prediction model may be created using not only the time and area but also other elements such as temperature and day of the week as parameters.
  • the created behavioral power prediction model is stored in the storage unit 4.
  • the power consumption prediction unit 3 to be described later refers to the behavior power prediction model stored in the storage unit 4 and predicts the behavior power at the prediction target time of the consumer.
  • FIG. 24 is a block diagram illustrating a functional configuration of the power consumption prediction unit 3.
  • the power consumption prediction unit 3 includes a behavior state prediction unit 31, an outside air temperature fluctuation power prediction unit 32, a behavior power prediction unit 33, and a predicted value calculation unit 34.
  • the behavior state prediction unit 31 acquires predicted outside air temperature data (see FIG. 4) for a prediction target period (for example, one day), which is a target for predicting power consumption, from the storage unit 4, and determines the behavior state of the customer at each time. Predict.
  • the behavior state prediction unit 31 acquires the behavior state (region number) of the consumer from the behavior state prediction model based on the prediction target time and the predicted outside air temperature data at the prediction target time.
  • the behavior state (region number) acquired in this way is stored in the storage unit 4 as the behavior state of the customer predicted at the prediction target time.
  • the outside air temperature fluctuation power prediction unit 32 refers to the behavior state (region number) of the customer at each time predicted by the behavior state prediction unit 31, and the outside air temperature fluctuation power is predicted to be in a state where the outside air temperature fluctuation power is used.
  • the temperature fluctuation power is predicted as follows.
  • a and b are related parameters, and x is the predicted outside temperature at the prediction target time.
  • the outside air temperature fluctuation power predicting unit 32 predicts the outside air temperature fluctuation power at each time when it is predicted that the outside air temperature fluctuation power is not used as 0.
  • the behavior state prediction unit 31 predicts the behavior state with reference to the behavior state prediction model of FIG. 20
  • the outside air temperature fluctuation power prediction unit 32 calculates the outside air temperature fluctuation according to the above formula for each time in the regions 2 and 4.
  • the power is predicted, and the outside air temperature fluctuation power is predicted to be 0 with respect to the times in the areas 1, 3, 5, and 6.
  • the predicted value of the outside air temperature fluctuation power predicted in this way is stored in the storage unit 4.
  • the behavior power prediction unit 33 refers to the behavior state (region number) of the customer at each time predicted by the behavior state prediction unit 31, and determines the behavior power at each time when the behavior power is predicted to be used as the behavior power. Obtain from the prediction model. The action power acquired in this way is the action power predicted at the time. In addition, the behavior power prediction unit 33 predicts the behavior power at each time predicted to be in the state when behavior power is not used as 0.
  • the behavior power prediction unit 33 calculates the behavior power from the behavior power prediction model for the times of the regions 1, 2, and 5. And the behavioral power is predicted to be 0 with respect to the times in the areas 3, 4 and 6.
  • the predicted value of the action power predicted as described above is stored in the storage unit 4.
  • the predicted value calculation unit 34 stores the predicted value of the outside air temperature fluctuation power predicted by the outside air temperature fluctuation power prediction unit 32, the predicted value of behavior power predicted by the behavior power prediction unit 33, and the storage unit 4. The base power is summed, and the predicted value of the consumer's power consumption at each time in the prediction target period is calculated.
  • FIG. 25 is a diagram collectively showing the region number, the outside air temperature power, the action power, and the power consumption predicted for the predicted outside air temperature data in FIG.
  • FIG. 26 is a flowchart showing the operation of the power demand prediction system according to the present embodiment.
  • step S1 it is determined whether or not to update a power consumption prediction model for predicting power consumption of a consumer (step S1).
  • the prediction model need not be updated (No in step S1). In this case, the power demand prediction process proceeds to step S4 described later.
  • step S1 when the power consumption prediction model of the consumer to be predicted is not stored in the storage unit 4 or when the power consumption trend of the consumer changes due to a seasonal change or the like, the power consumption prediction model is updated. (Yes in step S1).
  • the determination in step S1 may be automatically performed by the power demand prediction system. This can be realized, for example, by configuring the power consumption prediction model to be updated when the elapsed time from the latest update date and time of the power consumption prediction model exceeds a predetermined time. Further, the determination in step S1 may be performed by an operator. In this case, the operator may input whether or not updating is possible from the operation terminal of the power demand prediction system.
  • step S1 When the power consumption prediction model is updated (Yes in step S1), first, the ambient temperature power relationship is extracted (step S2). Next, a power consumption prediction model is created based on the extracted outside air temperature power relationship (step S3). The created power consumption prediction model is stored in the storage unit 4 and updated. And based on the updated prediction model, the power consumption of the consumer in a prediction object period is estimated (step S4). When the power consumption prediction model is not updated (No in Step S), the power consumption of the consumer in the prediction target period is predicted based on the power consumption prediction model stored in the storage unit 4 (Step S4). The details of steps S2 to S4 will be described later.
  • the prediction result predicted in step S4 is output to a monitor provided in the output terminal or operation terminal of the power demand prediction system (step S5).
  • FIG. 27 is a diagram illustrating an example of an output screen of the power demand prediction system. As shown in FIG. 27, the power demand prediction system may output a graph in which the horizontal axis represents the prediction target time and the vertical axis represents the predicted power demand (power consumption). The power demand prediction system can output a prediction result in an arbitrary format such as a graph or a table format in another format.
  • FIG. 28 is a flowchart showing the relationship extraction processing in step S2 of FIG. Step S2 is executed by the relationship extraction unit 1.
  • the base power calculation unit 11 acquires power consumption value data of a consumer for a predetermined period in the past, and calculates base power in the period (step S21).
  • the period for acquiring the power consumption value data may be stored in the storage unit 4 in advance, or may be input from the operation terminal by the operator.
  • the outside air temperature-power consumption combining unit 12 combines the acquired power consumption value data and the outside air temperature data stored in the storage unit 4 (step S22).
  • the outside air temperature-power consumption combination unit 12 may acquire necessary outside air temperature data from an external server or the like.
  • the relationship of the date and time between the outside air temperature data and the power consumption value data to be combined may be stored in the storage unit 4 in advance, or may be input from the operation terminal by the operator.
  • the first data selection unit 13 selects the power consumption value data having a high correlation between the outside air temperature and the power consumption (step S23).
  • the first data selection unit 13 selects power consumption value data based on the time zone designation data.
  • the second data selection unit 14 selects power consumption value data whose power consumption is larger than the base power ⁇ Base (or threshold power ⁇ th ) stored in the storage unit 4 (step S24).
  • the above steps S22 to S24 can be performed in an arbitrary order.
  • the regression analysis unit 15 Based on the base power calculated in Step S21 and the power consumption value data selected in Steps S22 to S24 and combined with the outside air temperature data, the regression analysis unit 15 extracts the outside air temperature power relationship (Step S21). S25). That is, regression analysis is performed using the power consumption of the selected power consumption value data as an objective variable and the outside air temperature as an explanatory variable, and related parameters (threshold temperature, parameters of regression equation, etc.) are calculated. The calculated relational parameter is stored in the storage unit 4.
  • FIG. 29 is a flowchart showing the power consumption prediction model creation processing in step S3 of FIG. Step S3 is executed by the model creation unit 2.
  • the behavior state estimation unit 21 creates a behavior state estimation model based on the relationship parameter calculated in step S25, and estimates the past behavior state of the consumer (step S31).
  • the behavior state prediction model creation unit 22 creates a behavior state prediction model based on the past behavior state of the customer estimated by the behavior state estimation unit 21 (step S32).
  • the behavioral power calculation unit 23 calculates the customer's past behavioral power based on the customer's past behavioral state estimated by the behavioral state estimation unit 21 and the relationship parameter calculated in step 25. (Step S33).
  • the behavior power prediction model creation unit 24 creates a behavior power prediction model based on the behavior power calculated in step S33 and the past behavior state of the customer (step S34).
  • the behavior state prediction model created in step S32 and the behavior power prediction model created in step S34 are stored in the storage unit 4.
  • FIG. 30 is a flowchart showing the power consumption prediction process in step S4 of FIG. Step S4 is executed by the power consumption prediction unit 3.
  • the behavior state prediction unit 31 acquires predicted outside air temperature data for the prediction target period, and refers to the behavior state prediction model to predict the behavior state of the customer at each time in the prediction target period (step S41).
  • the predicted outside air temperature data for the prediction target period may be stored in the storage unit 4 in advance, or the behavior state prediction unit 31 may acquire it from an external server or the like.
  • the interval of each time used as prediction object may be memorize
  • the outside air temperature fluctuation power prediction unit 32 determines the outside air temperature at each time in the prediction target period based on the consumer behavior state predicted by the behavior state prediction unit 31, the predicted outside air temperature data, and the related parameters. Fluctuating power is predicted (step S42).
  • the behavior power prediction unit 33 predicts the behavior power at each time in the prediction target period based on the behavior state of the consumer predicted by the behavior state prediction unit 31 and the behavior power prediction model (step S43). ). Note that step 42 and step 43 can be performed in any order.
  • the predicted value calculation unit 34 is based on the base power stored in the storage unit 4, the predicted value of the outside air temperature fluctuation power calculated in step S42, and the predicted value of behavioral power calculated in step S43.
  • normal power consumption at each time of the target period and power consumption after demand response are predicted (step S44).
  • Each predicted value predicted in steps S41 to S44 is stored in the storage unit 4 and is output automatically or as a prediction result in response to an operator request.
  • the power demand prediction system selects power consumption value data having a high correlation between outside air temperature and power consumption, that is, power consumption value data having a small proportion of action power included in power consumption. Then, the outside air temperature power relationship is extracted based on the selected power consumption value data. Therefore, the power demand prediction system according to the present embodiment can extract the outside air temperature power relationship with high accuracy. Moreover, since the power demand prediction system according to the present embodiment predicts power consumption based on the external air temperature power relationship extracted in this manner, it is possible to predict the power consumption of the consumer with high accuracy.
  • the power demand prediction system By using the power consumption of each consumer predicted by the power demand prediction system according to the present embodiment to predict the power demand of the entire grid, an appropriate demand response is possible, and the power supply / demand balance in the smart grid can be improved. It can be maintained with high accuracy.
  • the power demand prediction system since power consumption can be predicted for each consumer, the power provider can make a detailed demand response plan corresponding to the prediction of each consumer. It becomes.
  • FIG. 31 is a block diagram showing a functional configuration of the power demand prediction system according to the present embodiment.
  • the power demand prediction system according to this embodiment includes a relationship extraction unit 1, a model creation unit 2, a power consumption prediction unit 3, and a storage unit 4.
  • the above configuration is the same as that of the first embodiment.
  • the power demand prediction system according to the present embodiment further includes a preprocessing unit 5 (preprocessing means).
  • the preprocessing unit 5 performs preprocessing such as smoothing processing, complementing processing, and abnormal value removal processing on the power consumption value data and the outside air temperature data stored in the storage unit 4.
  • the function of the preprocessing unit 5 can be realized by executing a control program by the CPU.
  • the preprocessing unit 5 may perform the preprocessing only once or a plurality of times. Moreover, when pre-processing is unnecessary, it does not need to be performed.
  • the presence / absence of execution of pre-processing and the number of executions may be input by an operator from an operation terminal, or may be automatically determined by a power demand prediction system.
  • the pre-processing may be performed only on one of the power consumption value data and the outside air temperature data.
  • the preprocessed power consumption value data and the outside air temperature data are stored in the storage unit 4 as preprocessed data.
  • FIG. 32 is a diagram illustrating an example of preprocessed power consumption value data.
  • Smoothing processing is processing for smoothing power consumption value data and outside air temperature data.
  • the smoothing process is performed by, for example, calculating a moving average value or a moving median value of power consumption value data and outside air temperature data stored in the storage unit 4, or applying Nadaraya-Watson estimation or a spline function. realizable.
  • the preprocessing unit 5 calculates the variance of the power consumption value data stored in the storage unit 4 and compares the calculated variance with a predetermined threshold value to determine whether to perform the smoothing process. May be.
  • Supplementary processing is processing that supplements missing power consumption value data and outside air temperature data.
  • the complementing process can be realized, for example, by supplementing the missing data with data adjacent to the missing data or data estimated from the adjacent data.
  • the preprocessing unit 5 may determine whether or not to perform the complementing process by determining whether or not the power consumption value data and the outside air temperature data stored in the storage unit 4 are missing.
  • the abnormal value removal process is a process for removing data including abnormal values from the power consumption value data and the outside air temperature data.
  • the abnormal value removal process can be realized by comparing the power consumption and the outside air temperature with a predetermined threshold and removing the power consumption value data and the outside air temperature data exceeding the threshold.
  • the preprocessing unit 5 may determine whether or not to perform the abnormal value removal processing by comparing the maximum value and the minimum value of the power consumption and the outside air temperature with a predetermined threshold value.
  • it is preferable that a complement process is performed in order to supplement the removed data.
  • FIG. 33 is a flowchart showing the operation of the power demand prediction system according to this embodiment.
  • the preprocessing unit 5 preprocesses the power consumption value data and the outside air temperature data (Step S1). S6).
  • the preprocessed data is stored in the storage unit 4.
  • the subsequent steps S2 to S5 are the same as those in the first embodiment.
  • the preprocessed power consumption value data and the preprocessed outside air temperature data preprocessed by the preprocessing unit 5 are used in each step instead of the power consumption value data and the outside air temperature data.
  • power consumption value data and outside air temperature data are used as in the first embodiment.
  • the power consumption value data and the outside air temperature data are smoothed, and data loss and abnormal values are removed. Relationships can be extracted. Thereby, the prediction precision of a consumer's power consumption can be improved.
  • the present embodiment is useful when it is difficult to extract the outside air temperature power relationship from the original power consumption value data. For example, when the outside air temperature fluctuation power of a consumer depends on equipment (such as an air conditioner) controlled by ON / OFF, as shown in FIG. 34, the outside air temperature fluctuation power is consumed in an ON state and an OFF state.
  • the power may be a discrete value.
  • the 1st data selection part 13 specifies the time slot
  • the functional configuration of the power demand prediction system is the same as that of the first embodiment.
  • First data selection unit 13 first acquires power consumption value data in a predetermined time zone from storage in storage unit 4, and creates a group of power consumption value data. Next, the base power is subtracted from the power consumption of the power consumption value data included in the created group. That is, power consumption value data as shown in FIG. 13 is created. Next, an index indicating the correlation between the outside air temperature x and the power consumption y is calculated for the power consumption value data obtained by subtracting the base power of the group. For example, the first data selection unit 13 calculates a correlation coefficient between the outside air temperature x and the power consumption y. The correlation coefficient can be calculated by the following equation, for example.
  • the first data selection unit 13 creates groups of power consumption value data while shifting the time zone by a predetermined time, and calculates a correlation coefficient for each group by the same method. For example, a group of 6 hours, such as a group from 0:00 to 6:00, a group from 1:00 to 7:00, and a group from 2:00 to 8:00, may be created while being shifted by one hour.
  • the time width of each group and the time for shifting each group can be arbitrarily selected.
  • the 1st data selection part 13 specifies the time slot
  • the first data selection unit 13 calculates a correlation coefficient for a plurality of groups, and correlates the time zone of the group with the largest correlation coefficient with the outside air temperature and power consumption. Is identified as a high time zone.
  • the identified time zone is stored in the storage unit 4 as the time zone designation data shown in FIG.
  • the first data selection unit 13 selects power consumption value data based on the time zone designation data thus selected.
  • the first data selection unit 13 may specify the time zone by calculating rank correlation, cross-correlation function, or the like for each group, or the time zone by another index indicating the degree of similarity between variables. May be specified.
  • the first data selection unit 13 specifies a time zone in which the correlation between the outside air temperature and power consumption is greater, and uses the power consumption value data based on the specified time zone. You can choose. Thereby, the more exact external temperature electric power relationship can be extracted, and a consumer's power consumption can be estimated with high precision.
  • the 1st data selection part 13 can select the object period of the power consumption value data acquired in order to extract an external temperature electric power relationship by the method similar to having specified the time slot
  • the target period having a large correlation coefficient may be specified.
  • a time zone with a large correlation coefficient can be selected by the above-described method. Thereby, the more exact external temperature electric power relationship can be extracted.
  • FIG. 36 is a block diagram illustrating a functional configuration of the power demand prediction system according to the present embodiment.
  • the power demand prediction system according to this embodiment includes a relationship extraction unit 1, a model creation unit 2, a power consumption prediction unit 3, and a storage unit 4.
  • the above configuration is the same as that of the first embodiment.
  • the power demand prediction system according to the present embodiment further includes an ON / OFF information acquisition unit 6.
  • the ON / OFF information acquisition unit 6 acquires ON / OFF information from the customer.
  • the ON / OFF information is information indicating whether or not the customer uses at least part of the outside air temperature fluctuation power, for example, information indicating whether or not an air conditioner possessed by the customer is used.
  • the function of the ON / OFF information acquisition unit 6 can be realized by executing a control program on the CPU.
  • the ON / OFF information acquisition unit 6 can acquire ON / OFF information from an air conditioning control device such as a smart thermostat. Since the smart thermostat controls ON / OFF of the air conditioner, the ON / OFF information acquisition unit 6 can acquire the ON / OFF information by acquiring a control signal transmitted from the smart stat to the air conditioner. .
  • FIG. 37 is a diagram illustrating an example of ON / OFF information stored in the storage unit 4. As shown in FIG. 37, the ON / OFF information is stored as history data indicating the use state (ON / OFF) of the air conditioner at each time.
  • the relationship extraction unit 1 can extract the outside air temperature power relationship based on the ON / OFF information.
  • the outside air temperature-power consumption combining unit 12 combines the outside air temperature, power consumption, and ON / OFF information according to the date and time of each data. At this time, the power consumption value data of the same date and the ON / OFF information are combined.
  • the regression analysis unit 15 selects the power consumption value data in which the air conditioning use state is ON from the power consumption value data selected by the first data selection unit 13 and the second data selection unit 14, A regression analysis is performed based on the selected power consumption value data. Thereby, a related parameter can be calculated based on the power consumption value data in which the outside air temperature fluctuation power is used reliably.
  • FIG. 38 is a diagram illustrating an example of power consumption value data combined with ON / OFF information.
  • the model creation part 2 can estimate a consumer's action state based on ON / OFF information.
  • the behavior state estimation unit 21 estimates the past behavior state of the customer based on the behavior state estimation model.
  • the behavior state estimation unit 21 refers to the ON / OFF information and corrects the estimated usage state of the outside air temperature fluctuation power. For example, the estimated area number (behavior state) is corrected from area 1 (outside air temperature fluctuation power OFF) to area 4 (outside air temperature fluctuation power ON), or from area 2 or area 4 to area 1 is corrected. be able to. Thereby, it becomes possible to estimate a consumer's past action state more correctly.
  • the ON / OFF information indicates whether or not most of the outside air temperature fluctuation power is used or most of the outside air temperature fluctuation power is used.
  • the behavioral state may be corrected according to a rule different from the above-mentioned rules in consideration of the relationship between the outside air temperature fluctuation power and the behavioral power.
  • the action state correction rule may be stored in the storage unit 4 in advance, or may be input from the operation terminal by the operator.
  • FIG. 39 is a block diagram showing a functional configuration of the power demand prediction system according to the present embodiment.
  • the power demand prediction system according to this embodiment includes a relationship extraction unit 1, a model creation unit 2, a power consumption prediction unit 3, and a storage unit 4.
  • the above configuration is the same as that of the first embodiment.
  • the power demand prediction system according to the present embodiment further includes an air conditioning power acquisition unit 7.
  • the air-conditioning power acquisition unit 7 acquires air-conditioning power data indicating the air-conditioning power that is part of the outside air temperature fluctuation power of the consumer.
  • the air-conditioning power data is data indicating the power consumption of one air-conditioning device when the customer has a plurality of air-conditioning devices that use the outside air temperature fluctuation power, for example.
  • the air-conditioning power is not limited to the power consumption of the air-conditioning equipment because it may be a part of the outside air temperature fluctuation power.
  • the air conditioning power acquisition unit 7 can acquire air conditioning power data from, for example, a sub breaker that measures the air conditioning power separately from the total power consumption of the consumer.
  • the function of the air conditioning power acquisition unit 7 can be realized by executing a control program on the CPU.
  • FIG. 40 is a diagram illustrating an example of air conditioning power data. As shown in FIG. 40, the air conditioning power data is stored in the storage unit 4 as history data sorted in time series.
  • the relationship extraction unit 1 can extract the ambient temperature power relationship based on the air conditioning power data.
  • the base power calculation unit 11 may subtract the air conditioning power of the air conditioning power data from the power consumption of the power consumption value data and calculate the base power based on the power consumption obtained by subtracting the air conditioning power. Thereby, the outside air temperature fluctuation power included in the base power is reduced, and the base power can be accurately calculated.
  • the power demand prediction system compares the air conditioning power of the air conditioning power data with a predetermined threshold, and when the air conditioning power is greater than the threshold, the outside air temperature fluctuation power is ON, and when the air conditioning power is less than the threshold, the outside air temperature fluctuation power May be determined to be OFF.
  • the relationship extraction unit 1 and the model creation unit 2 can perform the same processing as in the fourth embodiment. That is, the relationship extraction unit 1 can extract the outside air temperature power relationship based on the ON / OFF information, and the model creation unit 2 can estimate the behavioral state of the customer based on the ON / OFF information.
  • the power demand prediction system estimates the amount of power reduction when a demand response is performed, and predicts the power consumption of the consumer after the reduction. This is because when the power company predicts the power consumption of a specific day and determines that the power of the day is tight, it may be possible to predict the effect of demand response.
  • a case where a power company can directly control a customer's air conditioner or the like by an air conditioner external control device such as a smart thermostat will be described, but the present invention can be implemented even when there is no air conditioner external control device.
  • FIG. 41 is a block diagram showing a functional configuration of the power demand prediction system according to the present embodiment.
  • the power demand prediction system according to the present embodiment includes a relationship extraction unit 1, a model creation unit 2, a power consumption prediction unit 3, and a storage unit 4.
  • the above configuration is the same as that of the first embodiment.
  • the power demand prediction system further includes a power reduction estimation unit 9.
  • the power reduction amount estimation unit 9 estimates the power reduction amount of the customer when the demand response is performed.
  • the power reduction estimation unit 9 can estimate a power reduction amount according to a plan for controlling the air conditioning equipment and the like through the air conditioning equipment control device. For example, when performing intermittent operation such as turning off the power supply of an air conditioner or the like at a rate of 50%, the power reduction amount estimation unit 9 can calculate the power reduction amount as follows.
  • the power reduction amount estimation unit 9 can calculate the power reduction amount as follows.
  • the power reduction amount estimation unit 9 can calculate the power reduction amount as follows.
  • the power reduction amount estimation unit 9 can calculate the power reduction amount as follows.
  • the power reduction amount estimation unit 9 may set another value for r depending on the type of demand response and the time zone. For example, when the air conditioner external control device is not introduced to the customer, the operator may set an appropriate value for P of the intermittent operation. Further, the power consumption actually measured when the demand response is performed is compared with the power consumption predicted at the same time as the demand response predicted by the power consumption prediction unit 3 as in the first embodiment, and the difference is calculated as the power difference.
  • a reduction record may be stored in the storage unit 4. Then, the accumulated power reduction record may be statistically processed to calculate r. For example, an average value or a mode value can be used for the statistical processing. Also, an arbitrary regression method such as neural network or support vector regression can be used with weather, temperature, time zone, etc. as explanatory variables. Statistical processing may be performed for each type of demand response. Further, an operator of the electric power company may set an arbitrary value for r through the input interface.
  • the power consumption prediction unit 3 may perform power consumption prediction at the time of executing the demand response in addition to the normal power consumption prediction, and may store it in the storage unit 4.
  • the power consumption prediction at the time of executing the demand response can be calculated as follows by subtracting the power reduction amount prediction output from the power reduction amount estimation unit 9 from the normal power consumption prediction.
  • Power consumption prediction at the time of demand response is output to a monitor provided on the output terminal or operation terminal as necessary. For example, as shown in FIG. 42, the power consumption prediction at the normal time and the power consumption prediction at the time of executing the demand response can be displayed in an overlapping manner.
  • FIG. 43 is a block diagram illustrating a functional configuration of the customer profiling system according to the present embodiment.
  • the customer profiling system according to the present embodiment acquires power consumption value data from the consumer, and acquires outside air temperature data from the outside of the system.
  • the power consumption value data and the outside air temperature data used by the customer profiling system are the same as the power consumption value data and the outside air temperature data used by the power demand prediction system.
  • the power demand prediction system includes a relationship extraction unit 1 (extraction means) that extracts the relationship between the outside air temperature and outside air temperature fluctuation power, and a storage unit 4 that stores various types of information.
  • the above configuration is the same as that of the power demand prediction system.
  • the customer profiling system further includes a profile setting unit 8 (profile setting unit) that sets a profile for a consumer based on the outside air temperature power relationship extracted by the relationship extraction unit 1.
  • the power demand prediction system configured as described above can be realized by using a computer device including a CPU and a memory as basic hardware. More specifically, the functions of the relationship extraction unit 1 and the profile setting unit 8 can be realized by executing a control program on the CPU.
  • the storage unit 4 a storage device such as a nonvolatile memory or an external storage device can be used.
  • the profile setting unit 8 sets a profile for the consumer based on the outside air temperature power relationship (relation parameter) extracted by the relationship extraction unit 1.
  • the profile is qualitative information indicating the nature of the consumer. First, a method in which the profile setting unit 8 sets a profile based on the threshold temperature T th will be described.
  • the profile setting unit 8 compares the threshold temperature T th with the cold threshold T s .
  • the coldness threshold value T s is an outside air temperature that is assumed to start using the outside air temperature fluctuation power (for example, heating equipment), and may be stored in the storage unit 4 in advance or may be input by an operator. Good.
  • the threshold temperature T th in winter is a temperature at which the consumer starts using the outside air temperature fluctuation power (for example, heating equipment).
  • T th > T s is a case where the outside temperature at which the consumer starts using the heating device or the like is higher than the outside temperature at which the use of the heating device or the like is assumed to start. Accordingly, when T th > T s , the profile setting unit 8 sets a profile “cold” for the consumer.
  • the relationship extraction unit 1 calculates the threshold temperature T th, the profile setting unit 8, a threshold temperature T th, a sensitive to heat threshold T a To do.
  • Sensitive to heat the threshold T a is a temperature that is assumed to use the outside air temperature variation power (e.g. cooling device) is started, it may be stored in advance in the storage unit 4 may be inputted by the operator.
  • the threshold temperature T th in summer is a temperature at which a consumer starts using the outside air temperature fluctuation power (for example, cooling equipment).
  • the case of T th ⁇ Ta is a case where the outside temperature at which the consumer starts using the cooling device or the like is lower than the outside temperature at which the use of the cooling device or the like is assumed to start. . Therefore, the profile setting section 8, in the case of the T th ⁇ T a, to set up a profile of "sensitive to heat" to consumers.
  • the customer profile set as described above is stored in the storage unit 4.
  • a consumer profile is transmitted to an electric power supplier, for example, and can be used as one of the determination factors for selecting a consumer to perform a demand response.
  • the business operator who has acquired the consumer profile can use the consumer profile for providing information or proposing services according to the profile. For example, it is possible to propose purchase of floor heating equipment or renovation that enhances heat insulation of a house for a consumer who has a profile of “cold”.
  • the cold threshold T s (hot threshold T a ) described above may be set based on the threshold temperatures T th of a plurality of consumers.
  • the profile setting unit 8 after the threshold temperature T th of a plurality of customers is calculated by the relationship extraction unit 1, sensitive to cold by statistically processing the threshold temperature T th calculated threshold T s (sensitive to heat threshold T a ) is set.
  • the relationship extraction unit 1 may arrange a plurality of threshold temperatures T th in ascending order, and set the threshold temperature T th corresponding to the lower (upper) 25% as the cold threshold T s (hot threshold T a ). it can.
  • the cold threshold value T s (hot threshold value T a ) is set so that a profile of “cool” (“hot”) is set for 25% of all the customers whose threshold temperature T th is calculated. ) Is set.
  • the threshold temperature T th set as the cold threshold T s (hot threshold T a ) is not limited to the threshold temperature T th corresponding to 25% of the lower (upper) calculated threshold T th , and an arbitrary ratio The threshold temperature T th corresponding to
  • a plurality of calculated threshold temperatures T th are clustered into several clusters, and then the threshold temperature T th of the cluster having the largest (small) threshold temperature T th and the threshold temperature T
  • a method is also possible in which the outside air temperature between the threshold temperature T th of the second largest (smaller) cluster and th is set as the cold threshold T s (hot threshold T a ).
  • any data clustering method such as the k-means method may be used.
  • a profile of “cold” (“hot”) can be set for consumers clustered into clusters with the largest (smaller) threshold temperature T th .
  • the profile setting unit 8 sets the cold threshold value T so that a profile of “cold” (“hot”) is set for the consumers included in the first to Nth largest (smallest) clusters. It is also possible to set s (hot threshold T a ).
  • the profile setting unit 8 sets a profile based on the base power ⁇ Base and the slope a of the regression line.
  • the profile setting unit 8 compares the base power ⁇ Base with the base power threshold value ⁇ Base0 .
  • the base power threshold value ⁇ Base0 may be stored in advance in the storage unit 4 or may be input by an operator.
  • the relationship extraction unit 1 calculates the slope a of the regression line
  • profile setting unit 8 compares the inclination a
  • Gradient threshold a 0 may be previously stored in the storage unit 4 may be inputted by the operator.
  • the profile setting unit 8 determines the demand when a ⁇ a 0 It is determined that the outside temperature fluctuation power of the house is large, and a profile of “large outside temperature fluctuation power” is set.
  • the slope a is a positive value, so that the profile setting unit 8 has a case where a> a 0 Then, it is determined that the outside air temperature fluctuation power of the consumer is large, and a profile of “large outside air temperature fluctuation power” is set.
  • the profile setting section 8 using the base power threshold ⁇ Base0 and slope threshold a 0, it is also possible to set up a profile of "dwelling large” to consumers. If the profile is set to “high base power” and “high outside air temperature fluctuation” for the consumer, the consumer may have home appliances such as air conditioners with high output and refrigerators with high standby power. high. It is estimated that such a consumer's residence is large. The profile setting unit 8 sets a profile of “large residence” for such a consumer. Note that the base power threshold ⁇ Base0 and the gradient threshold a 0 for setting the profile “residential large” are different from the thresholds for setting the profiles “base power large” and “large outside air temperature fluctuation power”. There may be.
  • the customer profile set as described above is stored in the storage unit 4.
  • a consumer profile is transmitted to an electric power supplier, for example, and can be used as one of judgment factors for selecting a consumer of a household to perform a demand response. For example, a consumer who is set with the parameter “large dwelling” is considered to have a large power demand reduction margin, and therefore, the power supplier can preferentially issue a power reduction request to the consumer.
  • the business operator who has acquired the consumer profile can provide information and service proposals according to the consumer profile to the consumer. For example, a business operator can recommend a “home keeper”, a “robot-type automatic traveling cleaner”, or the like to a consumer set with the parameter “residential size”.
  • Base power threshold mu base0 and slope threshold a like the chilly threshold T s and sensitive to heat threshold T a, may be set based on the base power mu Base and the gradient a of a plurality of customers. For example, values corresponding to a plurality of base power ⁇ Base and an arbitrary ratio of the lower or higher order of the slope a may be set as the base power threshold value ⁇ Base0 and the slope threshold value a 0 .
  • the base power threshold mu base0 and slope threshold a 0 may be set respectively by the above-described clustering.
  • the base power threshold value ⁇ Base0 and the inclination threshold value a 0 may be set by two-dimensional clustering using a set of (a, ⁇ Base) data of each consumer.
  • the profile setting unit 8 clusters the plurality of calculated (a, ⁇ Base) into several clusters.
  • (a, ⁇ Base) may be set so that the profile “residential large” is set for the consumers included in the cluster having the slope a and the base power ⁇ Base that is the first to Nth largest.
  • the profile setting unit 8 may set the base power threshold mu base0 and slope threshold a 0 by the centroid of each cluster is calculated and compared the calculated centroid.
  • the profile setting unit 8 can set a profile of “air conditioning ON when absent” to the consumer using the behavior state of the consumer.
  • the profile of “air conditioning ON when absent” is set, the customer is likely to use wasteful power.
  • Such information can be used as prior information for a power company or demand response company to request power reduction.
  • the profile setting unit 8 sets a profile of “air conditioning ON when absent” based on the ratio of usage time of outside temperature fluctuation power when absent. For example, “when absent” is a time zone in which the action power is OFF (regions 3, 4, and 6 in FIG. 17) other than the sleep time zone (for example, 23:30 to 9:00).
  • the “use time” is a time period in which the outside air temperature fluctuation power is greater than or equal to a preset threshold value.
  • the profile setting unit 8 extracts the “absence” of the customer from an arbitrary period (for example, for one month), extracts the “utilization time of the outside air temperature fluctuation power” in the extracted “absence”, The ratio of “time of use of outside temperature fluctuation power” to “hour” is calculated.
  • the profile setting unit 8 compares the calculated ratio with a preset threshold value, and when the calculated ratio is larger than the threshold value, sets a profile of “outside air temperature fluctuation power ON when absent” to the consumer.
  • the above-mentioned “utilization time of outside air temperature fluctuation power” may be a time zone in which the outside air temperature fluctuation power is ON (areas 2 and 4 in FIG. 17).
  • the customer profiling system when the profile setting unit 8 sets a profile based on the behavior state of the customer, the customer profiling system preferably includes the model creation unit 2 described above.
  • the profile setting unit 8 sets a profile based on the behavior state of the consumer by using the outside air temperature fluctuation power data (see FIG. 21) and the behavior power data (see FIG. 22) created by the model creation unit 2. can do.
  • the customer profiling system may not include the model creation unit 2 but may have a function of creating outside air temperature fluctuation power data and behavior power data, or behavior state data.
  • the profile setting unit 8 can also set a profile of “on-air temperature fluctuation power ON stably during the power consumption peak time period” for the consumer using the behavior state of the consumer.
  • the “power consumption peak time zone” here is a preset peak time zone (for example, 5:00 to 9:00 in winter). Customers with such a profile are considered to have a high economic effect of power reduction. That is, peak power can be effectively suppressed by requesting such customers to reduce power.
  • the profile setting unit 8 calculates the ratio of the “outside air temperature fluctuation power ON” time period to the “power consumption peak time period” and compares the calculated ratio with a preset threshold value to determine “power consumption peak time period”.
  • a profile of “stable air temperature fluctuation power ON” is set in the belt.
  • the time zone of “outside air temperature fluctuation power ON” may be a time zone during which the outside air temperature fluctuation power is larger than a predetermined threshold, or the time during which the outside air temperature fluctuation power is ON (areas 2 and 4 in FIG. 17). It may be a belt.
  • the profile setting unit 8 combines the profile using the behavioral state with the profile using the above-described outside air temperature power relationship, so that the customer can set “outside air temperature fluctuation power ON and outside air temperature fluctuation power large”
  • a profile such as “Stable air temperature fluctuation power ON and high outside air temperature fluctuation power during a power consumption peak time period” can be set.
  • the customer profiling system According to the customer profiling system according to the present embodiment, it is possible to set a predetermined profile for the consumer based on the external temperature power relationship. By using the set profile, an electric power supplier or business operator can provide information and provide a service proposal according to the profile of the customer.
  • the present invention is not limited to the above-described embodiments as they are, and can be embodied by modifying the constituent elements without departing from the scope of the invention in the implementation stage.
  • various inventions can be formed by appropriately combining a plurality of constituent elements disclosed in the above embodiments. Further, for example, a configuration in which some components are deleted from all the components shown in each embodiment is also conceivable. Furthermore, you may combine suitably the component described in different embodiment.
  • Relationship extraction unit 2 Model creation unit 3: Power consumption prediction unit 4: Storage unit 5: Pre-processing unit 6: ON / OFF information acquisition unit 7: Air conditioning power acquisition unit 8: Profile setting Part: 9: power reduction estimation part, 11: base power calculation part, 12: outside air temperature-power consumption combination part, 13: first data selection part, 14: second data selection part, 15: regression analysis part, 21: Behavioral state estimation unit, 22: Behavioral state prediction model creation unit, 23: Behavioral power calculation unit, 24: Behavioral power prediction model creation unit, 31: Behavioral state prediction unit, 32: Outdoor temperature fluctuation power prediction unit, 33: Behavioral power Prediction unit 34: Predicted value calculation unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

［課題］需要家の消費電力を高精度で予測することができる電力需要予測システムを提供する。 ［解決手段］実施形態に係る電力需要予測システムは、抽出手段と、モデル作成手段と、予測手段とを備える。抽出手段は、需要家の過去の消費電力値データのうち、一定の期間に含まれる消費電力値データを選択し、選択された消費電力値データに基づいて、外気温と、消費電力のうち外気温に応じて変動する外気温変動電力と、の関係である外気温電力関係を抽出する。モデル作成手段は、抽出手段により抽出された外気温電力関係に基づいて、外気温に応じた需要家の消費電力を予測するための消費電力予測モデルを作成する。予測手段は、モデル作成手段により作成された消費電力予測モデルと予測対象時点の外気温とに基づいて、需要家の予測対象時点の消費電力を予測する。

Description

電力需要予測システム、電力需要予測方法、需要家プロファイリングシステム、及び需要家プロファイリング方法
　本発明の実施形態は、電力需要予測システム、電力需要予測方法、需要家プロファイリングシステム、及び需要家プロファイリング方法に関する。
　近年、次世代のエネルギー供給システムとしてスマートグリッドの研究が進められている。スマートグリッドでは、デマンドレスポンスの発行や需要家への節電促進情報の提示により、電力の需給バランスを維持することが想定されている。このような技術を実現するためには、電力供給に対する電力需要の過不足を予測する必要があるため、電力需要の予測、すなわち需要家の消費電力の予測が重要となる。
　需要家の消費電力は、外気温に応じて大きく変動する。これは、夏場や冬場に冷暖房装置などの空調機器の消費電力が増大するためである。このため、消費電力を予測する上で、外気温に応じた消費電力の変動を考慮することは重要である。外気温を考慮して消費電力を予測する技術として、外気温と消費電力との過去のデータを比較することにより、外気温と消費電力との相関を算出する方法が提案されている。
　しかし、このような従来技術では、消費電力を高い精度で予測することが困難であった。なぜなら、需要家の消費電力には、外気温に応じて変動する消費電力（以下、「外気温変動電力」という）と、外気温とは関係なく変動する消費電力（例えば、照明機器の消費電力）とが混在しているためである。消費電力と外気温とを単純に比較しただけでは、消費電力中に外気温変動電力がどの程度含まれているのか不明なため、消費電力と外気温との間で高い相関を得ることは困難である。
特開平５－３８０５１号公報
　需要家の消費電力を高精度で予測することができる電力需要予測システム及び電力需要予測方法を提供する。また、外気温と外気温変動電力との関係に基づくプロファイルを需要家に付与することができる需要家プロファイリングシステム及び需要家プロファイリング方法を提供する。
　実施形態に係る電力需要予測システムは、抽出手段と、モデル作成手段と、予測手段とを備える。抽出手段は、需要家の過去の消費電力値データのうち、一定の期間に含まれる消費電力値データを選択し、選択された消費電力値データに基づいて、外気温と、消費電力のうち外気温に応じて変動する外気温変動電力と、の関係である外気温電力関係を抽出する。モデル作成手段は、抽出手段により抽出された外気温電力関係に基づいて、外気温に応じた需要家の消費電力を予測するための消費電力予測モデルを作成する。予測手段は、モデル作成手段により作成された消費電力予測モデルと予測対象時点の外気温とに基づいて、需要家の予測対象時点の消費電力を予測する。
第１実施形態に係る電力需要予測システムの機能構成を示すブロック図。 消費電力値データの一例を示す図。 外気温データの一例を示す図。 予測外気温データの一例を示す図。 関係抽出部の機能構成を示すブロック図。 ベース電力とベース電力マージンの一例を示す図。 結合された外気温データと消費電力値データとの一例を示す図。 結合された外気温データと消費電力値データとの一例を示す図。 時間帯指定データの一例を示す図。 選択された消費電力値データの一例を示す図。 選択された消費電力値データの一例を示す散布図。 選択された消費電力値データの一例を示す図。 ベース電力を減算された消費電力値データの一例を示す図。 関係パラメータの一例を示す図。 モデル作成部の機能構成を示すブロック図。 行動状態推定モデルの一例を模式的に表した図。 行動状態推定モデルの一例を表形式で表した図。 行動状態推定モデルに基づいて推定された行動状態の一例を示す図。 集計された領域番号の一例を示す図。 行動状態予測モデルの一例を示す図。 外気温変動電力データの一例を示す図。 行動電力データの一例を示す図。 行動電力予測モデルの一例を示す図。 消費電力予測部の機能構成を示すブロック図。 消費電力予測部により予測された消費電力等を示す図。 本実施形態に係る電力需要予測システムの動作を示すフローチャート。 本実施形態に係る電力需要予測システムの出力画面の一例を示す図。 関係抽出処理を示すフローチャート。 消費電力予測モデル作成処理を示すフローチャート。 消費電力予測処理を示すフローチャート。 第２実施形態に係る電力需要予測システムの機能構成を示すブロック図。 外気温データの一例を示すグラフ。 第２実施形態に係る電力需要予測システムの動作を示すフローチャート。 前処理済み消費電力値データの一例を示す図。 消費電力値データの一例を示す散布図。 第４実施形態にかかる電力需要予測システムの機能構成を示すブロック図。 ＯＮ／ＯＦＦ情報の一例を示す図。 ベース電力を減算された消費電力値データの一例を示す図。 第５実施形態にかかる電力需要予測システムの機能構成を示すブロック図。 空調電力データの一例を示す図。 第６実施形態に係る電力需要予測システムの機能構成を示すブロック図。 本実施形態に係る電力需要予測システムの出力画面の一例を示す図。 需要家プロファイリングシステムの機能構成を示すブロック図。
（電力需要予測システム）
　以下、電力需要予測システムの実施形態について図面を参照して説明する。なお、以下では、電力需要予測システムが需要家の冬季の消費電力を予測する場合について説明するが、電力需要予測システムは、需要家の夏季や他の季節の消費電力を予測することもできる。また、電力需要予測システムが消費電力を予測する需要家は、外気温変動電力と需要家の利用者（例えば居住者）の行動に応じた電力が消費される需要家であり、例えば、住宅、店舗、複合住宅（例えばマンション）など様々であるが、以下の説明では需要家は住宅であるものとする。
（第１実施形態）
　以下、第１実施形態に係る電力需要予測システムについて、図１～図３０を参照して説明する。本実施形態に係る電力需要予測システムは、需要家の過去の消費電力値データと外気温データとに基づいて、消費電力予測モデルを作成し、作成された消費電力予測モデルと予測対象時点（予測対象となる将来の日時）の外気温データとに基づいて、需要家の予測対象時点の消費電力を予測する。予測された消費電力は、電力事業者（例えば、電力会社、電力小売業者、及びデマンドレスポンスプロバイダー）に送信され、例えば、デマンドレスポンス（需要家に対する電力削減の要請）などの電力需給の制御に利用される。ここで、図１は、本実施形態に係る電力需要予測システムの機能構成を示すブロック図である。図１に示すように、本実施形態に係る電力需要予測システムは、需要家から消費電力値データを取得し、システム外部から外気温データ及び予測外気温データを取得する。
　消費電力値データは、需要家が有する消費電力計測装置（例えば、スマートメータ）によって所定の日時に計測された需要家の消費電力や消費電力量、又はそれらの平均値や積算値を示すデータである。したがって、消費電力計測装置により需要家の消費電力の全てが計測される場合には、消費電力値データは、所定の日時における需要家の総消費電力を示すデータとなる。一方、消費電力計測装置により需要家の消費電力の一部が計測される場合には、消費電力値データは、所定の日時における需要家の消費電力の一部を示すデータとなる。一般に、消費電力計測装置は、需要家の総消費電力を計測するため、消費電力値データは、需要家の総消費電力を示すデータとなる。消費電力値データは、消費電力計測装置を介して電力需要予測システムに有線又は無線で送信される。送信された消費電力値データは、時系列でソートされ、履歴データとして後述する記憶部４に記憶される。記憶部４には、送信された消費電力値データが記憶されてもよいし、送信された消費電力値データの一部だけが記憶されてもよい。例えば、需要家から１分間隔の消費電力値データが送信された場合に、記憶部４は、５分間隔の消費電力値データだけを記憶してもよいし、５分間の１分間隔の消費電力の平均値を５分間隔に記憶してもよい。図２は、記憶部４に記憶された消費電力値データの一例を示す図である。図２の消費電力値データは３０分間隔で記憶されているが、当該間隔は任意に選択することができる。
　外気温データは、所定の日時において計測された需要家の所在する地域の外気温を示すデータである。外気温データは、電力需要予測システムの外部に設けられた外気温データベースや、外気温データを提供する外部サービスなどから電力需要予測システムに有線又は無線で送信される。送信された外気温データは、時系列でソートされ、履歴データとして記憶部４に記憶される。記憶部４には、送信された外気温データが全て記憶されてもよいし、送信された外気温データの一部だけが記憶されてもよい。例えば、外部から１分間隔の外気温データが送信された場合、記憶部４は、５分間隔の外気温データだけを記憶してもよい。図３は、記憶部４に記憶された外気温データの一例を示す図である。図３の外気温データにおいて、外気温データは３０分間隔で記憶されているが、当該間隔は任意に選択することができる。なお、記憶部４には、同じ日時に計測された消費電力値データと外気温データとが記憶されるのが好ましい。これにより、需要家の消費電力を予測するために使用されるデータの欠損が抑制され、予測精度を向上させることができる。
　予測外気温データは、需要家の所在する地域の予測対象時点の外気温の予測値を示すデータである。予測外気温データは、電力需要予測システムの外部に設けられた予測外気温データベースや、予測外気温データを提供する外部サービス（気象予報サービスなど）などから電力需要予測システムに有線又は無線で送信される。送信された予測外気温データは、時系列でソートされ、記憶部４に記憶される。記憶部４には、送信された予測外気温データが全て記憶されてもよいし、送信された予測外気温データの一部だけが記憶されてもよい。例えば、外部から１分間隔の予測外気温データが送信された場合、記憶部４は、５分間隔の予測外気温データだけを記憶してもよい。図４は、記憶部４に記憶された予測外気温データの一例を示す図である。図４の予測外気温データにおいて、予測外気温データは３０分間隔で記憶されているが、当該間隔は任意に選択することができる。
　次に、電力需要予測システムの機能構成について説明する。図１に示すように、本実施形態に係る電力需要予測システムは、外気温と外気温変動電力との関係を抽出する関係抽出部１（抽出手段）と、関係抽出部１が抽出した外気温と外気温変動電力との関係に基づいて消費電力を予測するためのモデルを作成するモデル作成部２（モデル作成手段）と、モデル作成部２が作成した消費電力の予測モデルに基づいて需要家の予測対象時点の消費電力を予測する消費電力予測部３（予測手段）と、各種の情報を記憶する記憶部４とを備える。記憶部４は、上述の通り、消費電力値データと、外気温データと、予測外気温データとを記憶する。また、記憶部４は、電力需要予測システムによる消費電力予測処理の過程で使用された、あるいは作成された各種の情報を記憶する。以上のように構成された電力需要予測システムは、ＣＰＵやメモリを備えるコンピュータ装置を基本ハードウェアとして使用することによって実現することができる。より詳細には、関係抽出部１、モデル作成部２、及び消費電力予測部３の機能は、ＣＰＵで制御プログラムを実行することにより実現できる。また、記憶部４として、不揮発性メモリや外部記憶装置などの記憶装置を使用することができる。
（関係抽出部）
　まず、関係抽出部１について説明する。関係抽出部１は、記憶部４から所定期間（例えば、３０日間や６０日間などの任意の期間）の消費電力値データを取得し、取得した需要家の過去の消費電力値データのうち、一定の期間に含まれる外気温と消費電力との相関が高い消費電力値データを選択する。関係抽出部１は、選択された消費電力値データに基づいて、外気温と外気温変動電力との関係である外気温電力関係（以下、「外気温電力関係」という）を抽出する。外気温変動電力とは、需要家の消費電力のうち、外気温に応じて変動する消費電力である。外気温変動電力には、例えば、冷暖房装置などの空調機器、床暖房装置、電気ヒータ及び扇風機などの消費電力が含まれる。関係抽出部１は、外気温と消費電力との相関が高い消費電力値データを予め選択し、選択された消費電力値データに基づいて外気温電力関係を抽出するため、外気温電力関係を精度よく抽出することができる。ここで、図５は、関係抽出部１の機能構成を示すブロック図である。図５に示すように、関係抽出部１は、ベース電力を算出するベース電力算出部１１（ベース電力算出手段）と、外気温データと消費電力値データとを結合する外気温－消費電力結合部１２と、外気温と消費電力との相関が高い消費電力値データを選択する第１データ選択部１３（第１のデータ選択手段）及び第２データ選択部１４（第２のデータ選択手段）と、選択された消費電力値データに基づいて回帰分析を行う回帰分析部１５（分析手段）とを備える。
　ベース電力算出部１１は、記憶部４から取得した所定期間の消費電力値データに基づいてベース電力μBaseを算出する。ベース電力μBaseとは、需要家の消費電力の基準となる電力であり、上述の所定期間において一定であると仮定して算出される。ベース電力μBaseには、需要家が有する各電気機器の待機電力のような、需要家の居住者の行動とは独立して常時運転する電気機器の消費電力が含まれる。ベース電力μBaseの算出方法は任意に選択することができる。例えば、ベース電力μBaseは、所定期間の消費電力値データを統計処理することにより算出することができる。具体的には、所定期間の消費電力の頻度を所定の電力間隔（例えば１Ｗ間隔など）で集計し、最頻値となる電力値をベース電力μBaseとして算出してもよい。この際、ベース電力μBase以上の電力値であり、頻度が極小値となる最小の電力値を閾値電力μthとして算出してもよい。閾値電力μthは、後述する第２データ算出部１４において、データを選択するためのパラメータとして使用することができる。閾値電力μthのかわりに、閾値電力μthとベース電力μBaseとの差をベース電力マージンδBase（＝μth－μBase）として算出してもよい。ベース電力算出部１１により算出されたこれらのパラメータ（ベース電力μBase，閾値電力μth，ベース電力マージンδBase）は、記憶部４に記憶される。図６は、図２の消費電力値データに基づいて算出されたベース電力μBase及びベース電力マージンδBaseの一例を示す図である。
　外気温－消費電力結合部１２は、記憶部４から所定期間（例えば、３０日間や６０日間などの任意の期間）の外気温データを取得し、取得した外気温データと上述の消費電力値データとを結合する。外気温データと消費電力値データとは、両データの日時に基づいて結合される。外気温－消費電力結合部１２は、同じ日時の消費電力値データと外気温データとを結合してもよいし、所定時間ずれた消費電力値データと外気温データとを結合してもよい。結合された外気温データと消費電力値データとは記憶部４に記憶される。図７及び図８は、結合された図２の消費電力履歴データと図３の外気温履歴データとの一例を示す図である。図７では、同じ日時の外気温データと消費電力値データとが結合されており、図８では、１時間ずつずれた外気温データと消費電力値データとが結合されている。
　図８に示すように、結合する外気温データと消費電力値データとを所定時間ずらすことにより、外気温が室温へ影響するまでのタイムラグを考慮することができる。例えば、外気温が低下（上昇）した場合、外気温の低下（上昇）により室温が低下（上昇）し、需要家の居住者が寒さ（暑さ）を感じて暖房機器（冷房機器）などを使用し、外気温変動電力の消費量が変化する。この際、外気温の変化と室温の変化との間にタイムラグが生じると、外気温の変化と外気温変動電力の変化との間にはタイムラグが生じることがある。この場合、同じ日時のデータ同士を結合しても、外気温電力関係を正確に抽出できない恐れがある。そこで、このようなタイムラグを考慮して、所定時間ずらした外気温データと消費電力値データとを結合することにより、外気温電力関係をより正確に抽出可能となる。なお、上述のようなタイムラグは、通常、外気温の変化が先行するため、外気温－消費電力結合部１２は、外気温データと、外気温データより所定時間（例えば１時間～２時間）後の消費電力値データとを結合するのが好ましい。また、当該タイムラグは、需要家の建物の断熱性や通気性に応じて変化するため、結合するデータをずらす時間は、需要家毎に異なる値としてもよい。
　第１データ選択部１３は、記憶部４に記憶された消費電力値データから、外気温と消費電力との相関が高い消費電力値データを選択する。ここで、外気温と消費電量との相関が高い消費電力値データとは、消費電力に含まれる行動電力が少ない消費電力値データのことである。行動電力とは、需要家の消費電力からベース電力と外気温変動電力とを除いた残りの消費電力のことである。この行動電力には、需要家の居住者の行動に応じて変動する消費電力（例えば、照明やテレビなどの消費電力）が想定される。すなわち、需要家の消費電力は、所定期間において一定のベース電力と、外気温に応じて変動する外気温変動電力と、需要家の居住者の行動に応じて変動する行動電力とにより構成される。ベース電力は所定期間に亘って一定であるから、消費電力に含まれる行動電力が少ない場合、外気温と消費電力との相関は高くなる。
　第１データ選択部１３は、外気温と消費電力との相関が高い消費電力値データとして、所定の時間範囲に含まれる消費電力値データを選択する。行動電力は、需要家の居住者の行動に応じて変動する消費電力であると考えられることから、例えば、居住者が就寝中又は外出中の時間帯の消費電力値データは、消費電力に含まれる行動電力が少ないものと予想される。したがって、第１データ選択部１３は、外気温と消費電力との相関が高い消費電力値データとして、需要家の居住者が就寝中又は外出中の時間帯の消費電力値データを選択することができる。居住者の就寝時間帯や外出時間帯が予めわかっている場合には、第１データ選択部１３は、当該時間帯の消費電力値データを選択すればよい。また、一般に、居住者は夜間には就寝中であると考えられるため、第１データ選択部１３は夜間の消費電力値データを選択してもよい。第１データ選択部１３が選択する消費電力値データの時間帯は、時間帯指定データとして予め記憶部４に記憶されていてもよい。また、例えば居住者が携帯するスマートフォン等の端末から受信する居住者の位置情報等に基づいて、外出時間帯を特定することにより第１データ選択部１３が当該時間帯の消費電力値データを選択してもよい。
　図９は、時間帯指定データの一例を示す図である。図９の時間帯指定データにおいて、居住者が就寝中の夜間の時間帯として０時～６時が指定されている。時間帯指定データにより指定される時間帯はこれに限られない。第１データ選択部１３は、記憶部４から時間帯指定データを取得し、時間帯指定データに基づいて、消費電力値データを選択する。図１０は、第１データ選択部１３により選択された消費電力値データの一例である。図１０の消費電力値データは、第１データ選択部１３により、図９の時間帯指定データに基づいて図８の消費電力値データから選択された消費電力値データである。第１データ選択部により選択された消費電力値データは、記憶部４に記憶される。
　なお、第１データ選択部１３は、外気温－消費電力結合部１２により外気温データと消費電力値データとが結合される前に、所定期間の消費電力値データの中から消費電力値データを選択してもよい。この場合、外気温－消費電力結合部１２は、第１データ選択部１３が選択した消費電力値データと、記憶部４に記憶された外気温データとを結合する。また、図８に示すように、結合される外気温データと消費電力値データとの日時がずれている場合には、時間帯指定データは、外気温データの時間帯又は消費電力値データの時間帯のいずれか一方により、消費電力が選択される時間帯を指定すればよい。
　図１１は、第１データ選択部１３により選択された消費電力値データを外気温－消費電力平面上にプロットした散布図である。図１１において、横軸は外気温（℃）であり、縦軸は消費電力（Ｗ）である。また、平面上にプロットされた各点は、外気温データと結合された消費電力値データを示す。図１１に示すように、第１データ選択部１３により選択された消費電力値データには、外気温に依存せずに消費電力が略一定の消費電力値データ（図１１において破線で囲まれた消費電力値データ）と、消費電力が外気温と相関している消費電力値データ（図１１において実線で囲まれた消費電力値データ）とが含まれていることがわかる。消費電力が略一定の消費電力値データは、消費電力のほとんどがベース電力であり、外気温変動電力や行動電力が消費電力にほとんど含まれていない消費電力値データである。また、外気温に応じて消費電力が変動している消費電力値データは、消費電力のほとんどがベース電力及び外気温変動電力であり、行動電力が消費電力にほとんど含まれていないデータである。このように、第１データ選択部により所定の時間帯の消費電力値データを選択することにより、消費電力に行動電力がほとんど含まれないデータ、すなわち、外気温と消費電力との相関が高い消費電力値データを選択することができる。なお、図１１は冬季の消費電力値データであるため、外気温の低下に応じて外気温変動電力が増加している。これは、外気温が低下するほど暖房装置などの使用が増加するためである。これに対して、夏季の消費電力値データの場合には、外気温が上昇するほど冷房装置などの使用が増加するため、外気温の上昇に応じて外気温変動電力が増加する。
　第２データ選択部１４は、第１データ選択部１３により選択された消費電力値データから、ベース電力算出部１１により算出されたベース電力μBaseより消費電力が大きい消費電力値データを選択する。すなわち、図１１における実線で囲まれた消費電力値データを選択し、破線で囲まれた消費電力値データを除去する。これにより、第１データ選択部１３で選択されたデータから、消費電力のほとんどがベース電力であるデータを除去し、消費電力のほとんどが外気温変動電力とベース電力である消費電力値データ、すなわち、外気温と消費電力との相関が高いデータを選択することができる。第２データ選択部１４は、消費電力がベース電力μBaseより大きい消費電力値データを選択する代わりに、消費電力が閾値電力μth（＝μBase＋δBase）より大きい消費電力値データを選択してもよい。これにより、消費電力がベース電力付近の消費電力値データを除去し、ベース電力付近での消費電力の揺らぎの影響を抑制することができる。したがって、外気温と消費電力との相関がより高いデータを選択することができる。図１２は、第２データ選択部１４により選択された消費電力値データの一例を示す図である。図１２では、図１０の消費電力値データのうち、図６のパラメータに基づいて消費電力が閾値電力μth（＝８０Ｗ＋２０Ｗ）より大きい消費電力値データが選択されている。
　なお、第２データ選択部１４は、第1データ選択部１３により消費電力値データが選択される前に、所定期間の消費電力値データの中からベース電力より消費電力が大きい消費電力値データを選択してもよい。この場合、第１データ選択部１３は、第２データ選択部１４により選択された消費電力値データの中から、所定の時間帯の消費電力値データを選択する。また。第２データ選択部１４は、外気温－消費電力結合部１２により外気温データと消費電力値データとが結合される前に、消費電力値データを選択してもよい。この場合、外気温－消費電力結合部１２は、第２データ選択部１４が選択した消費電力値データと、記憶部４に記憶された外気温データとを結合する。
　回帰分析部１５は、第２データ選択部１４により選択された消費電力値データに基づいて、外気温を説明変数とし、外気温変動電力を目的変数とした回帰分析を行う。選択された消費電力値データは、消費電力のほとんどがベース電力と外気温変動電力とで構成されている。ベース電力は一定であるから、外気温をパラメータとした回帰式により消費電力を表すことができる。回帰分析部１５は、最小二乗法による線形回帰や、多項式開始などの非線形回帰など、任意の方法により回帰分析を行うことができる。また、回帰分析部１５は、回帰分析を行う前に、消費電力からベース電力を減算することにより、消費電力値データからベース電力の影響を除去してもよい。図１３は、ベース電力を減算された消費電力値データの一例を示す図である。図１３の消費電力値データは、図１２の消費電力値データから図６のベース電力を減算することにより作成されている。図１３の消費電力値データは、ベース電力を減算されているため、消費電力のほとんどが外気温変動電力である。したがって、当該消費電力値データに基づいて回帰分析を行うことにより、外気温電力関係を高精度に抽出することができる。
　以下、回帰分析部１５が関係パラメータを計算する方法の一例を説明する。関係パラメータとは、回帰分析部１５が回帰分析を行うことにより得られる各種のパラメータである。外気温電力関係は、回帰分析部１５により関係パラメータとして抽出される。なお、以下では、回帰分析部１５が線形回帰により関係パラメータを計算する場合について説明する。回帰分析部１５が線形回帰により外気温電力関係を分析する場合、回帰式は以下のような一次式により表される。
Figure JPOXMLDOC01-appb-M000001
　ここで、目的変数ｙは外気温変動電力（Ｗ）、説明変数ｘは外気温（℃）、ａは回帰式の傾き、ｂは切片である。上記の回帰式におけるａ，ｂは関係パラメータである。例えば、回帰分析部１５が、最小二乗法により回帰分析を行う場合、関係パラメータａ，ｂは以下のように求めることができる。
Figure JPOXMLDOC01-appb-M000002
　また、回帰分析部１５は、外気温変動電力のばらつきδACを算出してもよい。例えば、外気温変動電力のばらつきδACは、分散を用いて以下の式により算出することができる。
Figure JPOXMLDOC01-appb-M000003
　なお、δACは、σACの任意の定数倍とすることができる。また、ばらつきδACは上記のように算出されてもよいし、予め設定されていてもよい。さらに、回帰分析部１５は、外気温変動電力の使用が開始される閾値温度Ｔthを算出する。閾値温度Ｔthは、回帰直線がベース電力と交差する外気温である。したがって、ベース電力が減算されていない消費電力値データに基づいて回帰分析が行われた場合には、ｙ＝μBaseとなるｘが閾値温度Ｔthとなる。一方、ベース電力が減算された消費電力値データに基づいて回帰分析が行われた場合には、ｙ＝０となるｘが閾値温度Ｔthとなり、閾値温度Ｔthは以下のように算出することができる。
Figure JPOXMLDOC01-appb-M000004
　以上のように算出されたａ，ｂ，δAC，Ｔthは、関係パラメータとして記憶部４に記憶される。図１４は、図１３の消費電力値データに基づいて算出された関係パラメータを示す図である。以上のような構成により、関係抽出部１は、外気温電力関係（関係パラメータ）を高い精度で抽出することができる。
（モデル作成部）
　次に、モデル作成部２について説明する。モデル作成部２は、抽出手段関係抽出部１により抽出された外気温電力関係（関係パラメータ）に基づいて、外気温に応じた需要家の消費電力を予測するための消費電力予測モデルを作成する。消費電力予測モデルは、外気温に応じた需要家の行動状態を予測する行動状態予測モデルと、各行動状態における行動電力を予測する行動電力予測モデルとを含んで構成される。ここで、図１５はモデル作成部２の機能構成を示す図である。モデル作成部２は、図１５に示すように、需要家の過去の行動状態を推定する行動状態推定部２１（行動状態推定手段）と、行動状態予測モデルを作成する行動状態予測モデル作成手段２２（行動状態予測モデル作成手段）と、需要家の過去の行動電力を算出する行動電力算出部２３（行動電力算出手段）と、各行動状態における行動電力を予測する行動電力予測モデル作成部２４（行動電力予測モデル作成手段）とを備える。
　行動状態推定部２１は、外気温電力関係（関係パラメータ）と消費電力値データとに基づいて、需要家の過去の行動状態を推定する。行動状態とは、需要家の電力の使用状態であり、外気温変動電力を使用している状態、外気温変動電力を使用していない状態、行動電力を使用している状態、行動電力を使用していない状態などが含まれる。行動状態推定部２１は、需要家の行動状態を推定するために、関係パラメータに基づいて行動状態推定モデルを作成する。ここで、図１６は、行動状態推定モデルの一例を模式的に表した図である。図１６は、関係パラメータによって複数の領域に分割された外気温－消費電力平面であり、横軸は外気温ｘ（℃）、縦軸は消費電力ｙ（Ｗ）である。図１６において実線で囲まれた各領域は需要家の行動状態と対応している。行動状態推定部２１は、消費電力値データが含まれる領域を特定することにより、需要家の行動状態を推定する。例えば、消費電力値データは、結合された外気温データの外気温が閾値温度Ｔthより低く、消費電力がベース電力μBase以下の場合、領域３に含まれる。
　消費電力値データと結合された外気温データの外気温をｘｋ、消費電力値データの消費電力をｙｋとすると、領域１は以下の式を満たす領域となる。
ｘｋ＜Ｔth
μBase＋δBase＜ｙｋ≦μBase＋ａｘｋ＋ｂ－δAC
　領域１は、外気温が閾値温度Ｔthより低く、消費電力が閾値電力μth（＝μBase＋δBase）より大きいとともに外気温変動電力の回帰直線が含まれる領域より下方の領域である。行動状態推定部２１は、領域１に含まれる消費電力値データの行動状態を、行動電力が使用され、外気温変動電力が使用されていない状態と推定する。
　同様に、領域２は、以下の式を満たす領域となる。
ｘｋ＜Ｔth
μBase＋ａｘｋ＋ｂ＋δAC≦ｙｋ
　領域２は、外気温が閾値温度Ｔthより低く、消費電力が外気温変動電力の回帰直線の含まれる領域より上方の領域である。行動状態推定部２１は、領域２に含まれる消費電力値データの行動状態を、外気温変動電力及び行動電力が使用されている状態と推定する。
　領域３は、以下の式を満たす領域である。
ｘｋ＜Ｔth
ｙｋ≦μBase＋δBase
　領域３は、外気温が閾値温度Ｔthより低く、消費電力が閾値電力Ｔthより小さい領域である。行動状態推定部２１は、領域３に含まれる消費電力値データの行動状態を、外気温変動電力も行動電力も使用されていない状態と推定する。
　領域４は、以下の式を満たす領域である。
ｘｋ＜Ｔth
μBase＋ａｘｋ＋ｂ－δAC＜ｙｋ≦μBase＋ａｘｋ＋ｂ＋δAC
μBase＋δBase＜ｙｋ
　領域４は、外気温が閾値温度Ｔthより低く、消費電力が外気温変動電力の回帰直線に近接する領域である。行動状態推定部２１は、領域４に含まれる消費電力値データの行動状態を外気温変動電力が使用され、行動電力が使用されていない状態と推定する。
　領域５は、以下の式を満たす領域である。
Ｔth≦ｘｋ
μBase＋δBase＜ｙｋ
　領域５は、外気温が閾値温度Ｔthより高く、消費電力が閾値電力μthより大きい領域である。行動状態推定部２１は、領域５に含まれる消費電力値データの行動状態を、外気温変動電力が使用されておらず、行動電力が使用されている状態と推定する。
　領域６は、以下の式を満たす領域である。
Ｔth≦ｘｋ
ｙｋ≦μBase＋δBase
　領域６は、外気温が閾値温度Ｔthより高く、消費電力が閾値電力μthより小さい領域である。行動状態推定部２１は、領域６に含まれる消費電力値データの行動状態を、外気温変動電力も行動電力も使用されていない状態と推定する。
　なお、領域の分割方法はこれに限られない。例えば、上記の分割方法におけるμBase＋δBaseのかわりにμBaseを使用してもよい。また、外気温や消費電力以外のパラメータにより、領域を分割してもよい。またさらに、需要家が外気温変動電力を使用する機器（空調機器や床暖房など）を複数備え、外気温に応じて異なる機器を動作させるような場合には、外気温電力関係が直線的な関係にならないことがある。このような場合には、回帰分析部１５が非線形回帰により回帰分析を行い、上記の回帰式のａｘｋ＋ｂを得られた非線形回帰式に置き換えて領域を分割してもよい。
　図１７は、上述の行動状態推定モデルを表形式で示した図である。図１７において、ＯＮは電力が使用されている状態を示し、ＯＦＦは電力が使用されていない状態を示す。行動状態推定部２１は、行動状態推定モデルと消費電力値データとを比較し、消費電力値データが含まれる領域番号を特定し、特定された領域番号に対応する行動状態を、消費電力値データが取得された日時における需要家の行動状態として推定する。推定された行動状態（領域番号）は、消費電力値データと対応付けられ、記憶部４に記憶される。なお、このようにして推定された行動状態を、居住者の行動と対応させてもよい。例えば、行動電力が使用されている状態を居住者の在宅中と対応させ、行動電力が使用されていない状態を居住者の不在中（外出中）と対応させることができる。また、夜間（例えば０時～６時）に行動電力が使用されていない状態を居住者の睡眠中と対応させてもよい。需要家の行動状態と対応させた居住者の行動は、記憶部４に記憶される。
　図１８は、図７の消費電力値データに対して推定された需要家の行動状態を示す図である。図１８において、行動電力の使用の有無は、需要家の在宅及び不在と対応している。また、夜間の不在は、需要家の睡眠中と対応している。
　なお、夏季の行動状態を推定する場合には、行動状態推定モデルのＴth≦ｘｋとｘｋ＜Ｔthとを入れ替えればよい。また、冬季の閾値温度と夏季の閾値温度とを両方用意してもよい。この場合、冬季の閾値温度より外気温が低い領域及び外気温が夏季の閾値温度以上の領域において、外気温変動電力が使用される状態が設定される。これにより、単一の行動状態推定モデルを用いて通年の需要家の行動状態を推定することができる。
　行動状態予測モデル作成部２２は、行動状態推定部２１により推定された需要家の過去の行動状態を統計処理することにより、外気温に応じた需要家の行動状態を予測するための行動状態予測モデルを作成する。行動状態予測モデル作成部２２は、例えば、消費電力値データの領域番号を外気温及び時刻毎に集計する。図１９は、外気温及び時刻毎に集計された領域番号の一例を示す図である。図１９において、外気温は１℃毎に、時刻は１時間ごとに集計されているが、領域番号を集計する外気温及び時刻の間隔はこれに限られない。次に、行動状態予測モデル作成部２２は、このように集計された領域番号のうち、例えば、各外気温及び時刻において最も多く集計された領域番号を、当該外気温及び時刻において予想される領域番号として選択する。例えば、図１９の場合、０時～１時かつ－５℃～－４℃における領域番号として領域２が選択される。
　また、行動状態予測モデル作成部２２は、行動状態推定部２１により推定された需要家の過去の行動状態を学習することにより行動状態予測モデルを作成してもよい。行動状態予測モデル作成部２２は、時刻と外気温とを説明変数、行動状態を目的変数として、多項ロジスティック判別や、ニューラル根とワークや、サポートベクトルマシンなどの既存の機械学習手法を用いて行動状態予測モデルを作成することができる。
　行動状態予測モデル２２は、各外気温及び時刻に対して領域番号を選択することにより、行動状態予測モデルを作成する。作成された行動状態予測モデルは記憶部４に記憶される。図２０は、図１９の集計結果に基づいて作成された行動状態予測モデルの一例を示す図である。後述する消費電力予測部３は、記憶部４に記憶された行動状態予測モデルを参照して、予測対象時点の需要家の行動状態を予測する。なお、行動状態予測モデルのパラメータとして、外気温や時刻だけでなく、天候や曜日などの他の要素が利用されてもよい。
　行動電力算出部２３は、消費電力値データと消費電力値データの行動状態とに基づいて、需要家の過去の消費電力値データにおける外気温変動電力ｙACと行動電力ｙactとを算出する。まず、行動電力算出部２３は、各消費電力値データに対する外気温変動電力ｙACを算出する。図２１に示すように、行動電力算出部２３は、外気温変動電力が使用されていない状態、すなわち、領域１，３，５，６の消費電力値データの外気温変動電力ｙACを以下のように算出する。
Figure JPOXMLDOC01-appb-M000005
　一方、行動電力算出部２３は、外気温変動電力が使用されている状態、すなわち、領域２，４の消費電力値データの外気温変動電力ｙACを、記憶部４に記憶された関係パラメータに基づいて、以下のように計算する。
Figure JPOXMLDOC01-appb-M000006
　このように算出された外気温変動電力は、時刻と領域番号と対応付けられた外気温変動電力データとして記憶部４に記憶される。図２１は、図１８の消費電力値データ及び行動状態に基づいて作成された外気温変動電力データの一例を示す図である。
　次に、行動電力算出部２３は、各消費電力値データに対する行動電力ｙactを算出する。行動電力算出部２３は、行動電力が使用されていない状態、すなわち、領域３，４，６の消費電力値データの行動電力ｙactを以下のように算出する。
Figure JPOXMLDOC01-appb-M000007
　一方、行動電力算出部２３は、行動電力が使用されている状態、すなわち、領域１，２，５の消費電力値データの行動電力ｙactを、記憶部４に記憶された関係パラメータと外気温変動電力ｙACと消費電力値データの消費電力ｙと基づいて、以下のように計算する。
Figure JPOXMLDOC01-appb-M000008
　すなわち、行動電力算出部２３は、消費電力ｙからベース電力μBaseと外気温変動電力ｙACとを減算することにより行動電力ｙactを算出する。このように算出された行動電力は、時刻と領域番号と対応付けられた行動電力データとして記憶部４に記憶される。図２２は、図１８の消費電力値データと図２１の外気温変動電力データとに基づいて作成された行動電力データの一例を示す図である。
　行動電力予測モデル作成部２４は、行動電力算出部２３により算出された行動電力と、行動状態推定手段により推定された行動状態とに基づいて、各行動状態における需要家の行動電力を予測するための行動電力予測モデルを作成する。行動電力予測モデル作成部２４は、行動電力算出部２３により作成された行動電力データを参照し、行動電力が使用されている状態（領域１，２，５）の行動電力を時刻毎に統計処理し、時刻毎の行動電力の予測値を算出する。統計処理は、例えば、時刻毎の行動電力の平均値や最頻値を取ることにより実現される。また、行動電力の予測値を算出する時間間隔は任意に設定することができる。これにより、行動電力予測モデルが作成される。図２３は、行動電力予測モデルの一例を示す図である。図２３は、図２２の行動電力データに基づいて、行動電力が使用されている状態における時刻毎の行動電力の予測値を算出することにより作成された行動電力予測モデルである。
　また、行動電力予測モデル作成部２４は、行動電力算出部２３により算出された行動電力と、行動状態推定手段により推定された行動状態とに基づいて、時刻を説明変数、行動電力を目的変数とした任意の回帰モデルを作成してもよい。回帰モデルを作成するために、行動電力予測モデル作成部２４は、例えば、ニューラルネットワークによる回帰や、サポートベクトル回帰などの既存の手法を用いることができる。説明変数には、天気や曜日などが含まれてもよい。
　図２３において、行動電力予測モデルは、行動電力の有無に応じて作成されているが、例えば、図２２の行動電力データを各領域毎に統計処理することにより作成されてもよい。この場合、行動電力予測モデル作成部２４は、行動電力が使用されている状態の各領域（領域１，２，５）における時刻毎の行動電力の予測値を算出することにより、行動電力予測モデルを作成する。また、行動電力予測モデルは、時刻や領域だけでなく、気温や曜日などの他の要素をパラメータとして作成されてもよい。作成された行動電力予測モデルは記憶部４に記憶される。後述する消費電力予測部３は、記憶部４に記憶された行動電力予測モデルを参照して、需要家の予測対象時点の行動電力を予測する。
（消費電力予測部）
　次に、消費電力予測部３について説明する。消費電力予測部３は、上述の消費電力予測モデル（行動状態予測モデル、行動電力予測モデル）と、外気温電力関係（関係パラメータ）と、予測対象時点の外気温とに基づいて、需要家の予測対象時点の消費電力を予測する。ここで、図２４は、消費電力予測部３の機能構成を示すブロック図である。図２４に示すように、消費電力予測部３は、行動状態予測部３１と、外気温変動電力予測部３２と、行動電力予測部３３と、予測値算出部３４と、を備える。
　行動状態予測部３１は、消費電力を予測する対象となる予測対象期間（例えば１日間）の予測外気温データ（図４参照）を記憶部４から取得し、各時刻における需要家の行動状態を予測する。行動状態予測部３１は、予測対象時刻と、予測対象時刻における予測外気温データとに基づいて、行動状態予測モデルから需要家の行動状態（領域番号）を取得する。このように取得された行動状態（領域番号）は、予測対象時刻に予測される需要家の行動状態として記憶部４に記憶される。
　外気温変動電力予測部３２は、行動状態予測部３１が予測した各時刻における需要家の行動状態（領域番号）を参照し、外気温変動電力が使用される状態と予測された各時刻における外気温変動電力を以下のように予測する。
Figure JPOXMLDOC01-appb-M000009
　ここで、ａ，ｂは関係パラメータであり、ｘは予測対象時刻における予測外気温である。なお、外気温変動電力予測部３２は、外気温変動電力が使用されない状態と予測された各時刻における外気温変動電力を０と予測する。行動状態予測部３１が図２０の行動状態予測モデルを参照して行動状態を予測する場合、外気温変動電力予測部３２は、領域２，４の各時刻に対して上記の式により外気温変動電力を予測し、領域１，３，５，６の時刻に対して外気温変動電力を０と予測する。このように予測された外気温変動電力の予測値は、記憶部４に記憶される。
　行動電力予測部３３は、行動状態予測部３１が予測した各時刻における需要家の行動状態（領域番号）を参照し、行動電力が使用される状態と予測された各時刻における行動電力を行動電力予測モデルから取得する。このように取得された行動電力が、当該時刻において予測される行動電力となる。また、行動電力予測部３３は、行動電力が使用されないと状態と予測された各時刻における行動電力を０と予測する。行動状態予測部３１が図２０の行動状態予測モデルを参照して行動状態を予測する場合、行動電力予測部３３は、領域１，２，５の時刻に対して行動電力予測モデルから行動電力を取得し、領域３，４，６の時刻に対して行動電力を０と予測する。このように予測された行動電力の予測値は、記憶部４に記憶される。
　予測値算出部３４は、外気温変動電力予測部３２により予測された外気温変動電力の予測値と、行動電力予測部３３により予測された行動電力の予測値と、記憶部４に記憶されたベース電力とを合計し、予測対象期間の各時刻における需要家の消費電力の予測値を算出する。
Figure JPOXMLDOC01-appb-M000010
　算出された消費電力の予測値は記憶部４に記憶される。ここで、図２５は、図４の予測外気温データに対して予測された領域番号、外気温電力、行動電力、及び消費電力をまとめて示した図である。
　以下、本実施形態に係る電力需要予測システムの動作について、図２６～図３０を参照して説明する。なお、以下では、電力事業者のオペレータが本実施形態に係る電力需要予測システムを利用して需要家の予測対象時点の消費電力を予測する場合について説明する。ここで、図２６は、本実施形態に係る電力需要予測システムの動作を示すフローチャートである。
　まず、需要家の消費電力を予測するための消費電力予測モデルを更新するか否かが判定される（ステップＳ１）。予測対象となる需要家の最新の消費電力予測モデルが記憶部４に記憶されている場合には、予測モデルを更新しなくともよい（ステップＳ１のＮｏ）。この場合、電力需要予測処理は、後述するステップＳ４へ進む。
　一方、予測対象となる需要家の消費電力予測モデルが記憶部４に記憶されていない場合、あるいは季節の変化などにより需要家の電力消費動向が変化した場合には、消費電力予測モデルは更新される（ステップＳ１のＹｅｓ）。ステップＳ１の判定は、電力需要予測システムにより自動的に行われてもよい。これは、例えば、消費電力予測モデルの最新の更新日時からの経過時間が所定時間を超えている場合に、消費電力予測モデルが更新されるように構成することで実現できる。また、ステップＳ１の判定は、オペレータにより行われてもよい。この場合、オペレータは、電力需要予測システムの操作端末から、更新の可否を入力すればよい。
　消費電力予測モデルが更新される場合（ステップＳ１のＹｅｓ）、まず、外気温電力関係が抽出される（ステップＳ２）。次に、抽出された外気温電力関係に基づいて、消費電力予測モデルが作成される（ステップＳ３）。作成された消費電力予測モデルは、記憶部４に記憶され、更新される。そして、更新された予測モデルに基づいて、予測対象期間における需要家の消費電力が予測される（ステップＳ４）。また、消費電力予測モデルが更新されない場合（ステップＳのＮｏ）、記憶部４に記憶された消費電力予測モデルに基づいて、予測対象期間における需要家の消費電力が予測される（ステップＳ４）。以上のステップＳ２～ステップＳ４について詳しくは後述する。
　ステップＳ４で予測された予測結果は、電力需要予測システムの出力端末や操作端末に設けられたモニターに出力される（ステップＳ５）。図２７は、電力需要予測システムの出力画面の一例を示す図である。図２７に示すように、電力需要予測システムは、横軸を予測対象時刻、縦軸を予測される電力需要（消費電力）としたグラフを出力してもよい。電力需要予測システムは、他の形式のグラフや表形式など、任意の形式で予測結果を出力することができる。
　次に、ステップＳ２について説明する。ここで、図２８は、図２６のステップＳ２の関係抽出処理を示すフローチャートである。ステップＳ２は、関係抽出部１により実行される。まず、ベース電力算出部１１が、需要家の過去の所定期間の消費電力値データを取得し、当該期間におけるベース電力を算出する（ステップＳ２１）。消費電力値データを取得する期間は、予め記憶部４に記憶されていてもよいし、オペレータが操作端末から入力してもよい。
　ベース電力が算出されると、外気温－消費電力結合部１２は、取得された消費電力値データと記憶部４に記憶された外気温データとを結合する（ステップＳ２２）。外気温データが記憶部４に記憶されていない場合には、外気温－消費電力結合部１２は、外部のサーバなどから必要な外気温データを取得してもよい。結合される外気温データと消費電力値データとの日時の関係は、予め記憶部４に記憶されていてもよいし、オペレータが操作端末から入力してもよい。
　外気温データと消費電力値データとが結合されると、第１データ選択部１３は、外気温と消費電力との相関が高い消費電力値データを選択する（ステップＳ２３）。第１データ選択部１３は、時間帯指定データに基づいて消費電力値データを選択する。
　さらに、第２データ選択部１４が、記憶部４に記憶されたベース電力μBase（又は閾値電力μth）より消費電力が大きい消費電力値データを選択する（ステップＳ２４）。以上のステップＳ２２～ステップＳ２４の各ステップは、任意の順番で行うことができる。
　ステップＳ２１において算出されたベース電力と、ステップＳ２２～ステップＳ２４で選択され、外気温データと結合された消費電力値データとに基づいて、回帰分析部１５は、外気温電力関係を抽出する（ステップＳ２５）。すなわち、選択された消費電力値データの消費電力を目的変数とし、外気温を説明変数として回帰分析を行い、関係パラメータ（閾値温度や回帰式の各パラメータなど）を算出する。算出された関係パラメータは記憶部４に記憶される。
　次に、ステップＳ３について説明する。ここで、図２９は、図２６のステップＳ３の消費電力予測モデル作成処理を示すフローチャートである。ステップＳ３は、モデル作成部２により実行される。まず、行動状態推定部２１が、ステップＳ２５で算出された関係パラメータに基づいて行動状態推定モデルを作成し、需要家の過去の行動状態を推定する（ステップＳ３１）。次に、行動状態予測モデル作成部２２が、行動状態推定部２１により推定された需要家の過去の行動状態に基づいて、行動状態予測モデルを作成する（ステップＳ３２）。次に、行動電力算出部２３が、行動状態推定部２１により推定された需要家の過去の行動状態と、ステップ２５で算出された関係パラメータとに基づいて、需要家の過去の行動電力を算出する（ステップＳ３３）。次に、行動電力予測モデル作成部２４が、ステップＳ３３で算出された行動電力と、需要家の過去の行動状態とに基づいて行動電力予測モデルを作成する（ステップＳ３４）。ステップＳ３２で作成された行動状態予測モデル及びステップＳ３４で作成された行動電力予測モデルは、記憶部４に記憶される。
　次に、ステップＳ４について説明する。ここで、図３０は、図２６のステップＳ４の消費電力予測処理を示すフローチャートである。ステップＳ４は、消費電力予測部３により実行される。まず、行動状態予測部３１が、予測対象期間の予測外気温データを取得し、行動状態予測モデルを参照して、予測対象期間の各時刻における需要家の行動状態を予測する（ステップＳ４１）。予測対象期間の予測外気温データは、予め記憶部４に記憶されていてもよいし、行動状態予測部３１が外部のサーバなどから取得してもよい。また、予測対象となる各時刻の間隔は、予め記憶部４に記憶されていてもよいし、オペレータが操作端末から入力してもよい。次に、外気温変動電力予測部３２が、行動状態予測部３１により予測された需要家の行動状態と、予測外気温データと、関係パラメータとに基づいて、予測対象期間の各時刻における外気温変動電力を予測する（ステップＳ４２）。次に、行動電力予測部３３が、行動状態予測部３１により予測された需要家の行動状態と、行動電力予測モデルとに基づいて、予測対象期間の各時刻における行動電力を予測する（ステップＳ４３）。なお、ステップ４２とステップ４３とは任意の順番で行うことができる。次に、予測値算出部３４が、記憶部４に記憶されたベース電力と、ステップＳ４２において算出された外気温変動電力の予測値と、ステップＳ４３において算出された行動電力の予測値とに基づいて、対象期間の各時刻における通常時の消費電力や、デマンドレスポンス後の消費電力を予測する（ステップＳ４４）。ステップＳ４１～ステップＳ４４で予測された各予測値は、記憶部４に記憶されるとともに、自動的に、あるいはオペレータの要求に応じて予測結果として出力される。
　以上説明した通り、本実施形態に係る電力需要予測システムは、外気温と消費電力との相関が高い消費電力値データ、すなわち、消費電力に含まれる行動電力の割合が小さい消費電力値データを選択し、選択された消費電力値データに基づいて外気温電力関係を抽出する。したがって、本実施形態に係る電力需要予測システムは、外気温電力関係を高い精度で抽出することができる。また、本実施形態に係る電力需要予測システムは、このように抽出された外気温電力関係に基づいて消費電力を予測するため、高い精度で需要家の消費電力を予測することができる。本実施形態に係る電力需要予測システムにより予測された各需要家の消費電力を利用して、系統全体の電力需要を予測することにより、適切なデマンドレスポンスが可能となり、スマートグリッドにおける電力需給バランスを精度よく維持することができる。また、本実施形態に係る電力需要予測システムによれば、需要家毎に消費電力を予測することができるため、電力事業者は、各需要家の予測に対応したきめ細やかなデマンドレスポンス計画が可能となる。
（第２実施形態）
　以下、第２実施形態に係る電力需要予測システムについて、図３１～図３５を参照して説明する。本実施形態に係る電力需要予測システムは、記憶部４に記憶された消費電力値データ及び外気温データに所定の前処理を施し、前処理された消費電力値データ及び外気温データに基づいて需要家の消費電力を予測する。ここで、図３１は、本実施形態に係る電力需要予測システムの機能構成を示すブロック図である。図３１に示すように、本実施形態に係る電力需要予測システムは、関係抽出部１と、モデル作成部２と、消費電力予測部３と、記憶部４とを備える。以上の構成は第１実施形態と同様である。本実施形態に係る電力需要予測システムは、さらに前処理部５（前処理手段）を備える。
　前処理部５は、記憶部４に記憶された消費電力値データや外気温データなどに対して平滑化処理、補完処理、異常値除去処理などの前処理を施す。前処理部５の機能は、ＣＰＵにより制御プログラムを実行することにより実現することができる。前処理部５は、前処理を１回だけ行ってもよいし、複数回行ってもよい。また、前処理が不要な場合には行われなくてもよい。前処理の実施の有無や実施回数は、オペレータが操作端末から入力してもよいし、電力需要予測システムにより自動的に決定されてもよい。さらに、前処理は、消費電力値データ及び外気温データのいずれか一方だけに施されてもよい。前処理された消費電力値データや外気温データは前処理済みデータとして記憶部４に記憶される。図３２は、前処理済み消費電力値データの一例を示す図である。
　平滑化処理とは、消費電力値データや外気温データを平滑化する処理である。平滑化処理は、例えば、記憶部４に記憶された消費電力値データや外気温データの移動平均値、移動中央値を算出したり、Nadaraya-Watson推定やスプライン関数などを適用したりすることにより実現できる。前処理部５は、記憶部４に記憶された消費電力値データの分散を算出し、算出された分散と所定の閾値とを比較することにより、平滑化処理を行うか否かの判定を行ってもよい。
　補完処理とは、欠損した消費電力値データや外気温データを補完する処理である。補完処理は、例えば、欠損したデータに隣接したデータや、隣接したデータから推定されるデータによって、欠損したデータを補うことにより実現できる。前処理部５は、記憶部４に記憶された消費電力値データや外気温データの欠損の有無を判定することにより、補完処理を行うか否かの判定を行ってもよい。
　異常値除去処理とは、消費電力値データや外気温データから、異常値を含むデータを除去する処理である。異常値除去処理は、消費電力や外気温を所定の閾値と比較し、当該閾値を超える消費電力値データや外気温データを除去することにより実現できる。前処理部５は、消費電力や外気温の最大値及び最小値を所定の閾値と比較することにより、異常値除去処理を行うか否かの判定を行ってもよい。なお、異常値除去処理を行う場合、除去されたデータを補うために補完処理が行われるのが好ましい。
　図３３は、本実施形態に係る電力需要予測システムの動作を示すフローチャートである。図３３に示すように、本実施形態において、消費電力予測モデルが更新される場合（ステップＳ１のＹｅｓ）、まず、前処理部５により消費電力値データ及び外気温データが前処理される（ステップＳ６）。前処理済みデータは、記憶部４に記憶される。以降のステップＳ２～ステップＳ５は、第１実施形態と同様である。ただし、本実施形態では、各ステップにおいて、消費電力値データや外気温データの代わりに、前処理部５により前処理された前処理済み消費電力値データや前処理済み外気温データが使用される。なお、前処理が行われていない場合には、第１実施形態と同様、消費電力値データや外気温データが使用される。
　以上説明した通り、本実施形態に係る電力需要予測システムによれば、消費電力値データや外気温データが平滑化され、データの欠損や異常値が除去されるため、より高い精度で外気温電力関係を抽出することができる。これにより、需要家の消費電力の予測精度を向上させることができる。特に、本実施形態は、元の消費電力値データから外気温電力関係を抽出が困難な場合に有用である。例えば、需要家の外気温変動電力がＯＮ・ＯＦＦにより制御される機器（空調装置など）に依存する場合、図３４に示すように、外気温変動電力がＯＮの状態とＯＦＦの状態とで消費電力が離散的な値となることがある。このような場合、消費電力が外気温に応じて変化しないため、図３５に示すように、外気温と消費電力外気温変動電力との相関が不明確であり、外気温電力関係の抽出が困難である。しかし、本実施形態によれば、前処理部５によって消費電力値データに平滑化処理を施すことにより、図３４に示すように、離散値となる消費電力値データから、連続的に変化する前処理済み消費電力値データを作成することができる。連続的に変化する前処理済み消費電力値データによれば、図１１に示したような散布図を得られるため、外気温電力関係を容易に抽出することができる。
（第３実施形態）
　以下、第３実施形態に係る電力需要予測システムについて説明する。本実施形態において、第１データ選択部１３は、外気温と消費電力との相関がより大きくなる時間帯を特定し、特定された時間帯の消費電力値データを選択する。本実施形態において、電力需要予測システムの機能構成は第１実施形態と同様である。
　第１データ選択部１３は、まず、記憶部４に記憶から所定の時間帯の消費電力値データを取得し、消費電力値データのグループを作成する。次に、作成したグループに含まれる消費電力値データの消費電力からベース電力を減算する。すなわち、図１３のような消費電力値データを作成する。次に、当該グループのベース電力を減算された消費電力値データに対して、外気温ｘと消費電力ｙとの相関を示す指標を算出する。第１データ選択部１３は、このような指標として、例えば、外気温ｘと消費電力ｙとの相関係数を計算する。相関係数は、例えば、以下の式により算出することができる。
Figure JPOXMLDOC01-appb-M000011
　第１データ選択部１３は、時間帯を所定時間ずつずらしながら消費電力値データのグループを作成し、各グループに対して同様の方法で相関係数を計算する。例えば、０時～６時のグループ、１時～７時のグループ、２時～８時のグループのように、６時間のグループを１時間ずつずらしながら作成してもよい。各グループの時間幅、及び各グループをずらす時間は任意に選択することができる。
　第１データ選択部１３は、複数のグループに対して上述の指標を計算し、各グループの指標を比較することにより、外気温ｘと消費電力ｙとの相関が最も高いグループの時間帯を特定する。指標として相関係数を用いる場合、第１データ選択部１３は、複数のグループに対して相関係数を計算し、相関係数が最大のグループの時間帯を、外気温と消費電力との相関が高い時間帯として特定する。特定された時間帯は、図９に示した時間帯指定データとして記憶部４に記憶される。第１データ選択部１３は、このように選択された時間帯指定データに基づいて消費電力値データを選択する。なお、第１データ選択部１３は、グループ毎に順位相関や相互相関関数などを計算することにより時間帯を特定してもよいし、変数間の類似性の度合いを示す別の指標により時間帯を特定してもよい。
　以上説明した通り、本実施形態によれば、第１データ選択部１３は、外気温と消費電力との相関がより大きい時間帯を特定し、特定された時間帯に基づいて消費電力値データを選択することができる。これにより、より正確な外気温電力関係を抽出し、需要家の消費電力を高精度に予測することができる。
　なお、第１データ選択部１３は、時間帯を特定したのと同様の手法により、外気温電力関係を抽出するために取得する消費電力値データの対象期間を選択することができる。例えば、対象期間が１月１日～３月１日の消費電力値データの相関係数と、対象期間が１月２日～３月２日の消費電力値データの相関係数とを計算し、相関係数が大きい対象期間を特定すればよい。このように特定された相関係数が大きい対象期間の消費電力値データに対して、上述の方法により相関係数の大きな時間帯を選択することもできる。これにより、さらに正確な外気温電力関係を抽出することができる。
（第４実施形態）
　以下、第４実施形態に係る電力需要予測システムについて、図３６～図３８を参照して説明する。本実施形態において、電力需要予測システムは、外気温変動電力の少なくとも一部の使用の有無を示すＯＮ／ＯＦＦ情報を取得する。ここで、図３６は、本実施形態に係る電力需要予測システムの機能構成を示すブロック図である。図３６に示すように、本実施形態に係る電力需要予測システムは、関係抽出部１と、モデル作成部２と、消費電力予測部３と、記憶部４とを備える。以上の構成は第１実施形態と同様である。本実施形態に係る電力需要予測システムは、さらにＯＮ／ＯＦＦ情報取得部６を備える。
　ＯＮ／ＯＦＦ情報取得部６は、需要家からＯＮ／ＯＦＦ情報を取得する。ＯＮ／ＯＦＦ情報とは、需要家の外気温変動電力の少なくとも一部の使用の有無を示す情報であって、例えば、需要家が有する空調機器が使用されている否かを示す情報である。ＯＮ／ＯＦＦ情報取得部６の機能は、ＣＰＵ上で制御プログラムを実行することにより実現することができる。ＯＮ／ＯＦＦ情報取得部６は、スマートサーモスタットなどの空調制御機器からＯＮ／ＯＦＦ情報を取得することができる。スマートサーモスタットは、空調機器のＯＮ／ＯＦＦを制御するため、スマートスタットが空調機器に送信した制御信号を取得することにより、ＯＮ／ＯＦＦ情報取得部６は、ＯＮ／ＯＦＦ情報を取得することができる。ＯＮ／ＯＦＦ情報取得部６により取得されたＯＮ／ＯＦＦ情報は、記憶部４に記憶される。図３７は、記憶部４に記憶されたＯＮ／ＯＦＦ情報の一例を示す図である。図３７に示すように、ＯＮ／ＯＦＦ情報は、各時刻における空調機器の使用状態（ＯＮ／ＯＦＦ）を示す履歴データとして記憶される。
　本実施形態において、関係抽出部１は、ＯＮ／ＯＦＦ情報に基づいて外気温電力関係を抽出することができる。まず、外気温－消費電力結合部１２は、外気温と消費電力とＯＮ／ＯＦＦ情報とを、各データの日時に応じて結合する。この際、同じ日時の消費電力値データとＯＮ／ＯＦＦ情報とが結合される。次に、回帰分析部１５は、第１データ選択部１３及び第２データ選択部１４により選択された消費電力値データのうち、空調使用状態がＯＮとなっている消費電力値データを選択し、選択された消費電力値データに基づいて回帰分析を行う。これにより、外気温変動電力が確実に使用されている消費電力値データに基づいて、関係パラメータを算出することができる。すなわち、第１データ選択部１３及び第２データ選択部１４により選択された消費電力値データから、外気温変動電力が含まれていないデータを除外することができる。したがって、関係抽出部１は、外気温電力関係を精度よく抽出することができる。特に、ＯＮ／ＯＦＦ情報が外気温変動電力の全て、あるいは外気温変動電力のほとんどの使用の有無を示す場合に有益である。図３８は、ＯＮ／ＯＦＦ情報が結合された消費電力値データの一例を示す図である。
　また、本実施形態において、モデル作成部２は、ＯＮ／ＯＦＦ情報に基づいて、需要家の行動状態を推定することができる。まず、行動状態推定部２１は、行動状態推定モデルに基づいて需要家の過去の行動状態を推定する。次に、行動状態推定部２１は、ＯＮ／ＯＦＦ情報を参照して、推定した外気温変動電力の使用状態を修正する。例えば、推定された領域番号（行動状態）を、領域１（外気温変動電力ＯＦＦ）から領域４（外気温変動電力ＯＮ）に修正したり、領域２又は領域４から領域１に修正したりすることができる。これにより、より正確に需要家の過去の行動状態を推定することが可能となる。特に、ＯＮ／ＯＦＦ情報が外気温変動電力の全て、あるいは外気温変動電力のほとんどの使用の有無を示す場合に有益である。なお、行動状態の修正は、外気温変動電力と行動電力との関係を考慮して上述のルールとは異なるルールで行われてもよい。また、行動状態の修正のルールは予め記憶部４に記憶されていてもよいし、オペレータが操作端末から入力してもよい。
（第５実施例）
　以下、第５実施形態に係る電力需要予測システムについて、図３９及び図４０を参照して説明する。本実施形態において、電力需要予測システムは、需要家の外気温変動電力の一部を取得する。ここで、図３９は、本実施形態に係る電力需要予測システムの機能構成を示すブロック図である。図３９に示すように、本実施形態に係る電力需要予測システムは、関係抽出部１と、モデル作成部２と、消費電力予測部３と、記憶部４とを備える。以上の構成は第１実施形態と同様である。本実施形態に係る電力需要予測システムは、さらに空調電力取得部７を備える。
　空調電力取得部７は、需要家の外気温変動電力の一部である空調電力を示す空調電力データを取得する。空調電力データは、例えば、需要家が外気温変動電力を使用する空調機器を複数台有している場合の、１台の空調機器の消費電力を示すデータである。なお、空調電力は、外気温変動電力の一部であればよいため、空調機器の消費電力に限られない。空調電力取得部７は、例えば、需要家の総消費電力とは別に空調電力を計測するサブブレーカなどから空調電力データを取得することができる。空調電力取得部７の機能は、ＣＰＵ上で制御プログラムを実行することにより実現することができる。図４０は、空調電力データの一例を示す図である。図４０に示すように、空調電力データは、時系列にソートされた履歴データとして記憶部４に記憶される。
　本実施形態において、関係抽出部１は、空調電力データに基づいて外気温電力関係を抽出することができる。例えば、ベース電力算出部１１は、消費電力値データの消費電力から空調電力データの空調電力を減算し、空調電力を減算された消費電力に基づいてベース電力を算出してもよい。これにより、ベース電力に含まれる外気温変動電力が減少し、ベース電力を正確に算出することができる。
　また、電力需要予測システムは、空調電力データの空調電力と所定の閾値とを比較し、空調電力が閾値より大きい場合に外気温変動電力がＯＮ、空調電力が閾値以下の場合に外気温変動電力がＯＦＦと判定してもよい。これにより、空調電力データから外気温変動電力のＯＮ／ＯＦＦ情報を作成することが可能となる。作成されたＯＮ／ＯＦＦ情報を利用することにより、関係抽出部１及びモデル作成部２は、第４実施形態と同様の処理を行うことができる。すなわち、関係抽出部１は、ＯＮ／ＯＦＦ情報に基づいて外気温電力関係を抽出し、モデル作成部２は、ＯＮ／ＯＦＦ情報に基づいて、需要家の行動状態を推定することができる。
（第６実施形態）
　以下、第６実施形態に係る電力需要予測システムについて、図４１及び図４２を参照して説明する。本実施形態において、電力需要予測システムは、デマンドレスポンスを実施した場合の電力削減量を見積もり、削減後の需要家の消費電力を予測する。これは、電力事業者が特定１日の電力消費を予測したうえで、その日の電力がひっ迫すると判断した場合、デマンドレスポンスの効果も予測したい場合が考えられるからである。本実施形態では、スマートサーモスタットなどの空調機器外部制御装置によって需要家の空調機器などを電力事業者が直接制御できる場合について説明するが、空調機器外部制御装置がない場合でも実施可能である。
　ここで、図４１は、本実施形態に係る電力需要予測システムの機能構成を示すブロック図である。図４１に示すように、本実施形態に係る電力需要予測システムは、関係抽出部１と、モデル作成部２と、消費電力予測部３と、記憶部４とを備える。以上の構成は、第１実施形態と同様である。本実施形態において、電力需要予測システムは、さらに、電力削減見積部９を備える。
　電力削減量見積部９は、デマンドレスポンスを実施した場合の需要家の電力削減量を見積もる。電力削減見積部９は、空調機器制御装置を通して空調機器などを制御する計画にしたがって電力削減量を見積もることができる。例えば、空調機器などの電源を５０％の割合で切るような間欠運転を行う場合には、電力削減量見積部９は、電力削減量を以下のように計算することができる。
Figure JPOXMLDOC01-appb-M000012
　　ここで、ｒは電力削減量の予測値である。また、同様にＰ％の割合で空調機器などの電源を切るような間欠運転を行う場合、電力削減量見積部９は、電力削減量を以下のように計算することができる。
Figure JPOXMLDOC01-appb-M000013
　さらに、冬季の暖房の設定温度をＴｎ℃下げる場合には、電力削減量見積部９は、電力削減量を以下のように計算することができる。
Figure JPOXMLDOC01-appb-M000014
　ここで、ａは上述の関係パラメータである。同様に、夏季の冷房の設定温度をＴｎ℃上げる場合には、電力削減量見積部９は、電力削減量を以下のように計算することができる。
Figure JPOXMLDOC01-appb-M000015
　他にも、電力削減量見積部９は、デマンドレスポンスの種類や時間帯によって、rに別の値を設定しても良い。たとえば、空調機器外部制御装置が需要家に導入されていない場合、上記間欠運転のＰに適切な値をオペレータが設定しても良い。また、デマンドレスポンスを実施したときに実際に計測された消費電力と、第１実施形態のように消費電力予測部３が予測したデマンドレスポンスと同時刻における消費電力を比較して、その差を電力削減実績とし、記憶部４に蓄積しても良い。そして、蓄積された電力削減実績を統計処理してｒを計算しても良い。統計処理には、たとえば平均値や最頻値を用いることができる。また、天気や気温、時間帯などを説明変数として、ニューラルネットワークやサポートベクトル回帰などの任意の回帰手法を用いることもできる。統計処理をデマンドレスポンスの種類ごとに行っても良い。また、入力インターフェースを通して電力事業者のオペレータがｒに任意の値を設定しても良い。
　本実施形態において、消費電力予測部３は、通常時の消費電力予測に加え、デマンドレスポンス実施時の消費電力予測を行い、記憶部４に保存しても良い。デマンドレスポンス実施時の消費電力予測は、通常時の消費電力予測から電力削減量見積部９が出力した電力削減量予測を引いて、以下のように計算することができる。
Figure JPOXMLDOC01-appb-M000016
　デマンドレスポンス実施時の消費電力予測は必要に応じて出力端末や操作端末に設けられたモニターに出力される。例えば、図４２に示すように、通常時の消費電力予測と、デマンドレスポンス実施時の消費電力予測を重ねて表示することができる。
　電力削減対象の需要家群は、地域全体、配電の際の１支分となるブロック、需要家毎など様々であり、それぞれ異なったＤＲシナリオが必要となる。本実施形態によれば、全体電力積上げ後の需要予測や削減予測を行うのではなく、需要家毎などの細かな単位での外気温電力分析・削減予測を行うため、様々なＤＲシナリオに対応することができる。例えば、ある需要家は空調を５０％に間欠運転させるが、他の需要家は１００％完全に切る、また、別の需要家はスマートサーモスタットといったＤＲ用制御機器を用いて、空調温度設定を２℃緩めるというように、需要家群での混合的なＤＲシナリオに対する削減の予測も可能である。
（需要家プロファイリングシステム）
　以下、需要家プロファイリングシステムの実施形態について、図４３を参照して説明する。本実施形態に係る需要家プロファイリングシステムは、住宅や店舗などの需要家の消費電力値データと、外気温データとに基づいて、外気温電力関係を抽出し、抽出された外気温電力関係に基づいて需要家にプロファイルを設定する。設定された各需要家のプロファイルは、例えば、需要家への情報提供やサービス提案のために利用することができる。ここで、図４３は、本実施形態に係る需要家プロファイリングシステムの機能構成を示すブロック図である。図４３に示すように、本実施形態に係る需要家プロファイリングシステムは、需要家から消費電力値データを取得し、システム外部から外気温データを取得する。需要家プロファイリングシステムが使用する消費電力値データ及び外気温データは、電力需要予測システムが使用する消費電力値データ及び外気温データと同様である。
　次に、需要家プロファイリングシステムの機能構成について説明する。図４３に示すように、本実施形態に係る電力需要予測システムは、外気温と外気温変動電力との関係を抽出する関係抽出部１（抽出手段）と、各種の情報を記憶する記憶部４とを備える。以上の構成は、電力需要予測システムと同様である。需要家プロファイリングシステムは、さらに、関係抽出部１が抽出した外気温電力関係に基づいて需要家にプロファイルを設定するプロファイル設定部８（プロファイル設定手段）を備える。以上のように構成された電力需要予測システムは、ＣＰＵやメモリを備えるコンピュータ装置を基本ハードウェアとして使用することによって実現することができる。より詳細には、関係抽出部１及びプロファイル設定部８の機能は、ＣＰＵ上で制御プログラムを実行することにより実現できる。また、記憶部４として、不揮発性メモリや外部記憶装置などの記憶装置を使用することができる。
　プロファイル設定部８は、関係抽出部１により抽出された外気温電力関係（関係パラメータ）に基づいて、需要家にプロファイルを設定する。プロファイルは、需要家の性質を示す定性的な情報である。まず、プロファイル設定部８が閾値温度Ｔthに基づいてプロファイルを設定する方法について説明する。
　外気温電力関係が抽出された対象期間が冬季の場合、関係抽出部１が閾値温度Ｔthを算出すると、プロファイル設定部８は、閾値温度Ｔthと、寒がり閾値Ｔsとを比較する。寒がり閾値Ｔsは、外気温変動電力（例えば暖房機器）の使用が開始されると想定される外気温であり、予め記憶部４に記憶されていてもよいし、オペレータにより入力されてもよい。これに対して、冬季の閾値温度Ｔthとは、需要家が外気温変動電力（例えば暖房機器）の使用を開始する温度である。すなわち、Ｔth＞Ｔsの場合とは、暖房機器等の使用が開始されると想定された外気温よりも、需要家が暖房機器等の使用を開始する外気温の方が高い場合である。したがって、プロファイル設定部８は、Ｔth＞Ｔsの場合、需要家に「寒がり」というプロファイルを設定する。
　同様に、外気温電力関係が抽出された対象期間が夏季の場合、関係抽出部１が閾値温度Ｔthを算出すると、プロファイル設定部８は、閾値温度Ｔthと、暑がり閾値Ｔaとを比較する。暑がり閾値Ｔaは、外気温変動電力（例えば冷房機器）の使用が開始されると想定される温度であり、予め記憶部４に記憶されていてもよいし、オペレータにより入力されてもよい。これに対して、夏季の閾値温度Ｔthとは、需要家が外気温変動電力（例えば冷房機器）の使用を開始する温度である。すなわち、Ｔth＜Ｔaの場合とは、冷房機器等の使用が開始されると想定された外気温よりも、需要家が冷房機器等の使用を開始する外気温の方が低い場合である。したがって、プロファイル設定部８は、Ｔth＜Ｔaの場合、需要家に「暑がり」というプロファイルを設定する。
　以上のように設定された需要家のプロファイルは、記憶部４に記憶される。需要家のプロファイルは、例えば、電力供給業者に送信され、デマンドレスポンスを実施する需要家を選択するための判断要因の１つとして利用することができる。また、需要家のプロファイルを取得した事業者は、需要家のプロファイルを、プロファイルに応じた情報提供やサービス提案のために利用することができる。例えば、「寒がり」というプロファイルを設定された需要家に対して、床暖房設備の購入や、家屋の断熱性を高めるリフォームを提案することができる。
　なお、上述の寒がり閾値Ｔs（暑がり閾値Ｔa）は、複数の需要家の閾値温度Ｔthに基づいて設定されてもよい。この場合、プロファイル設定部８は、関係抽出部１により複数の需要家の閾値温度Ｔthが算出された後、算出された閾値温度Ｔthを統計処理することにより寒がり閾値Ｔs（暑がり閾値Ｔa）を設定する。関係抽出部１は、例えば、複数の閾値温度Ｔthを昇順に並べ、下位（上位）の２５％に該当する閾値温度Ｔthを寒がり閾値Ｔs（暑がり閾値Ｔa）として設定することができる。これにより、閾値温度Ｔthを算出された全需要家のうち２５％の需要家に「寒がり」（「暑がり」）というプロファイルが設定されるように、寒がり閾値Ｔs（暑がり閾値Ｔa）が設定される。寒がり閾値Ｔs（暑がり閾値Ｔa）として設定される閾値温度Ｔthは、算出された閾値Ｔth全体の下位（上位）の２５％に該当する閾値温度Ｔthに限られず、任意の割合に該当する閾値温度Ｔthとすることができる。
　また、統計処理の方法として、算出された複数の閾値温度Ｔthを、いくつかのクラスタにクラスタリングした上で、閾値温度Ｔthが最も大きな（小さな）クラスタの閾値温度Ｔthと、閾値温度Ｔthが２番目に大きな（小さな）クラスタの閾値温度Ｔthと、の間の外気温を寒がり閾値Ｔs（暑がり閾値Ｔa）として設定する方法も可能である。クラスタリングには、例えばk-means法などの任意のデータ・クラスタリング手法を用いればよい。これにより、閾値温度Ｔthが最も大きい（小さい）クラスタにクラスタリングされた需要家に「寒がり」（「暑がり」）というプロファイルを設定することができる。なお、プロファイル設定部８は、閾値温度が1番からＮ番目に大きい（小さい）クラスタに含まれる需要家に「寒がり」（「暑がり））というプロファイルが設定されるように、寒がり閾値Ｔs（暑がり閾値Ｔa）を設定することも可能である。
　次に、プロファイル設定部８がベース電力μBase及び回帰直線の傾きａに基づいてプロファイルを設定する方法について説明する。関係抽出部１がベース電力μBaseを算出すると、プロファイル設定部８は、ベース電力μBaseと、ベース電力閾値μBase０とを比較する。ベース電力閾値μBase０は、予め記憶部４に記憶されていてもよいし、オペレータにより入力されてもよい。プロファイル設定部８は、μBase＞μBase０の場合、需要家のベース電力は大きいと判定し、「ベース電力大」というプロファイルを設定する。
　同様に、関係抽出部１が回帰直線の傾きａを算出すると、プロファイル設定部８は、傾きａと、傾き閾値ａ０とを比較する。傾き閾値ａ０は、予め記憶部４に記憶されていてもよいし、オペレータにより入力されてもよい。外気温電力関係を抽出するために使用された消費電力値データが冬季の消費電力値データの場合、傾きａは負の値になるため、プロファイル設定部８は、ａ＜ａ０の場合、需要家の外気温変動電力が大きいと判定し、「外気温変動電力大」というプロファイルを設定する。一方、外気温電力関係を抽出するために使用された消費電力値データが夏季の消費電力値データの場合、傾きａは正の値になるため、プロファイル設定部８は、ａ＞ａ０の場合、需要家の外気温変動電力が大きいと判定し、「外気温変動電力大」というプロファイルを設定する。
　また、プロファイル設定部８は、ベース電力閾値μBase0及び傾き閾値ａ０を利用して、需要家に「住居大」というプロファイルを設定することもできる。需要家に「ベース電力大」かつ「外気温変動電力大」というプロファイルが設定された場合、需要家は出力の大きな空調機器や、待機電力の大きな冷蔵庫等の家電を有している可能性が高い。このような需要家の住居は大きいことが推定される。プロファイル設定部８は、このような需要家に「住居大」というプロファイルを設定する。なお、「住居大」というプロファイルを設定するためのベース電力閾値μBase0及び傾き閾値ａ０は、「ベース電力大」及び「外気温変動電力大」というプロファイルを設定するための閾値と異なる値であってもよい。
　以上のように設定された需要家のプロファイルは、記憶部４に記憶される。需要家のプロファイルは、例えば、電力供給業者に送信され、デマンドレスポンスを実施する世帯の需要家を選択するための判断要因の１つとして利用することができる。例えば、「住居大」というパラメータを設定された需要家は、電力需要削減余力が大きいと考えられるため、電力供給業者は、当該需要家に対して電力削減要請を優先的に出すことができる。また、需要家のプロファイルを取得した事業者は、需要家に対して需要家のプロファイルに応じた情報提供やサービス提案を行うことができる。例えば、事業者は、「住居大」というパラメータを設定された需要家に、「ホームキーパー」や「ロボット型自動走行掃除機」などを推薦することができる。
　ベース電力閾値μBase０及び傾き閾値ａ０は、寒がり閾値Ｔsや暑がり閾値Ｔaと同様に、複数の需要家のベース電力μBase及び傾きａに基づいて設定されてもよい。例えば、複数のベース電力μBase及び傾きａの下位又は上位の任意の割合に該当する値をベース電力閾値μBase０及び傾き閾値ａ０として設定してもよい。また、ベース電力閾値μBase０及び傾き閾値ａ０は、上述のクラスタリングによりそれぞれ設定されてもよい。さらに、ベース電力閾値μBase０及び傾き閾値ａ０は、各需要家の（ａ，μBase）のデータの組を用いて２次元クラスタリングにより設定されてもよい。この場合、まず、プロファイル設定部８は、算出された複数の（ａ，μBase）を、いくつかのクラスタにクラスタリングする。次に、傾きａ及びベース電力μBaseが１番目からＮ番目に大きなクラスタに含まれる需要家に「住居大」というプロファイルが設定されるように（ａ，μBase）を設定すればよい。また、プロファイル設定部８は、各クラスタの重心を計算し、算出された重心を比較することによりベース電力閾値μBase０及び傾き閾値ａ０を設定してもよい。
　また、プロファイル設定部８は、需要家の行動状態を利用して、需要家に「不在時に空調ＯＮ」というプロファイルを設定することもできる。「不在時に空調ＯＮ」というプロファイルが設定された場合、需要家は無駄な電力を使っている可能性が高い。このような情報は、電力事業者やデマンドレスポンス事業者が電力削減を要請するための事前情報として利用することができる。
　プロファイル設定部８は、不在時における外気温変動電力の利用時間の割合に基づいて、「不在時に空調ＯＮ」というプロファイルを設定する。例えば、「不在時」とは、睡眠時間帯（例えば２３：３０～９：００）以外で行動電力がＯＦＦ（図１７における領域３，４，６）の時間帯であり、「外気温変動電力の利用時間」とは、外気温変動電力が予め設定された閾値以上の時間帯である。プロファイル設定部８は、任意の期間（例えば１か月間）から需要家の「不在時」を抽出し、抽出された「不在時」における「外気温変動電力の利用時間」を抽出し、「不在時」に対する「外気温変動電力の利用時間」の割合を算出する。プロファイル設定部８は、算出された割合と予め設定された閾値とを比較し、算出された割合が閾値より大きい場合、需要家に「不在時に外気温変動電力ＯＮ」というプロファイルを設定する。なお、上述の「外気温変動電力の利用時間」とは、外気温変動電力がＯＮ（図１７における領域２，４）の時間帯であってもよい。
　このように、プロファイル設定部８が需要家の行動状態に基づいてプロファイルを設定する場合、需要家プロファイリングシステムは、上述のモデル作成部２を備えるのが好ましい。プロファイル設定部８は、モデル作成部２により作成された外気温変動電力データ（図２１参照）及び行動電力データ（図２２参照）を利用することにより、需要家の行動状態に基づいてプロファイルを設定することができる。あるいは、需要家プロファイリングシステムは、モデル作成部２を備えず、外気温変動電力データ及び行動電力データ、あるいは行動状態データを作成する機能を別に備えてもよい。
　プロファイル設定部８は、需要家の行動状態を利用して、「消費電力ピーク時間帯に安定的に外気温変動電力ＯＮ」というプロファイルを需要家に設定することもできる。ここでいう「消費電力ピーク時間帯」とは、予め設定されたピーク時間帯（例えば冬季であれば５：００～９：００）である。このようなプロファイルが設定された需要家は、電力削減の経済的効果が高いと考えられる。すなわち、このような需要家に電力削減を要請することにより、効果的にピーク電力を抑制することができる。
　プロファイル設定部８は、「消費電力ピーク時間帯」に対する「外気温変動電力ＯＮ」の時間帯の割合を算出し、算出された割合と予め設定された閾値とを比較して「消費電力ピーク時間帯に安定的に外気温変動電力ＯＮ」というプロファイルを設定する。「外気温変動電力ＯＮ」の時間帯は、外気温変動電力が予め定められた閾値より大きい時間帯であってもよいし、外気温変動電力がＯＮ（図１７における領域２，４）の時間帯であってもよい。
　プロファイル設定部８は、行動状態を利用したプロファイルと、上述の外気温電力関係を利用したプロファイルとを組み合わることにより、需要家に「不在時に外気温変動電力ＯＮかつ外気温変動電力大」や、「消費電力ピーク時間帯に安定的に外気温変動電力ＯＮかつ外気温変動電力大」などのプロファイルを設定することもできる。
　以上のような構成により、本実施形態に係る需要家プロファイリングシステムによれば、外気温電力関係に基づいて、需要家に所定のプロファイルを設定することができる。設定されたプロファイルを利用することにより、電力供給業者や事業者は、需要家のプロファイルに応じた情報提供やサービス提案を行うことができる。
　なお、本発明は上記各実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記各実施形態に開示されている複数の構成要素を適宜組み合わせることによって種々の発明を形成できる。また例えば、各実施形態に示される全構成要素からいくつかの構成要素を削除した構成も考えられる。さらに、異なる実施形態に記載した構成要素を適宜組み合わせてもよい。
１：関係抽出部，２：モデル作成部，３：消費電力予測部，４：記憶部，５：前処理部，６：ＯＮ／ＯＦＦ情報取得部，７：空調電力取得部，８：プロファイル設定部，９：電力削減見積部，１１：ベース電力算出部，１２：外気温－消費電力結合部，１３：第１データ選択部，１４：第２データ選択部，１５：回帰分析部，２１：行動状態推定部，２２：行動状態予測モデル作成部，２３：行動電力算出部，２４：行動電力予測モデル作成部，３１：行動状態予測部，３２：外気温変動電力予測部，３３：行動電力予測部，３４：予測値算出部

Claims (21)

  1. 　需要家の過去の消費電力値データのうち、一定の期間に含まれる消費電力値データを選択し、選択された消費電力値データに基づいて、外気温と、消費電力のうち外気温に応じて変動する外気温変動電力と、の関係である外気温電力関係を抽出する抽出手段と、
    　前記抽出手段により抽出された外気温電力関係に基づいて、外気温に応じた前記需要家の消費電力を予測するための消費電力予測モデルを作成するモデル作成手段と、
    　前記モデル作成手段により作成された消費電力予測モデルと予測対象時点の外気温とに基づいて、前記需要家の予測対象時点の消費電力を予測する予測手段とを備える電力需要予測システム。
  2. 　前記抽出手段は、事前に定められた期間に含まれる消費電力値データを選択する請求項１に記載の電力需要予測システム。
  3. 　前記抽出手段は、消費電力値データのグループを複数作成し、各グループにおける外気温と消費電力との相関の大小を示す指標を算出し、前記指標を比較することにより外気温と消費電力との相関が最も高いグループに含まれる消費電力値データを選択する請求項１に記載の電力需要予測システム。
  4. 　前記抽出手段は、就寝時間帯または外出時間帯の消費電力値データを選択する請求項１に記載の電力需要予測システム。
  5. 　前記抽出手段は、前記消費電力値データに基づいて、前記需要家の消費電力の基準となるベース電力を算出し、
    　前記ベース電力より消費電力が大きい前記消費電力値データを選択する請求項１に記載の電力需要予測システム。
  6. 　前記抽出手段は、前記消費電力値データに基づいて、外気温を説明変数とし、外気温変動電力を目的変数とした回帰分析を行い、
    　分析結果に基づいて前記外気温電力関係を抽出する請求項１に記載の電力需要予測システム。
  7. 　前記モデル作成手段は、前記外気温電力関係に基づいて、前記需要家の電力の使用状態である行動状態を推定し、
    　推定された行動状態に基づいて、外気温に応じた前記需要家の行動状態を予測するための行動状態予測モデルを作成し、
    　前記需要家の消費電力のうち、外気温変動電力とベース電力とを除いた残りの電力である行動電力を算出し、
    　前記行動電力と前記行動状態とに基づいて、各行動状態における前記需要家の行動電力を予測する請求項５に記載の電力需要予測システム。
  8. 　前記モデル作成手段は、前記外気温電力関係に基づいて、外気温と消費電力とに応じた前記需要家の行動状態を推定するための行動状態推定モデルを作成する請求項７に記載の電力需要予測システム。
  9. 　前記モデル作成手段は、推定された行動状態を統計処理することにより前記行動状態予測モデルを作成する請求項７に記載の電力需要予測システム。
  10. 　前記モデル作成手段は、前記外気温電力関係に基づいて外気温変動電力を算出し、
    　算出された外気温変動電力とベース電力とを前記需要家の消費電力から減算することにより行動電力を算出する請求項７に記載の電力需要予測システム。
  11. 　前記行動状態には、前記需要家が外気温変動電力を使用している状態と、前記需要家が外気温変動電力を使用していない状態と、前記需要家が行動電力を使用している状態と、前記需要家が行動電力を使用していない状態と、の少なくとも１つが含まれる請求項７に記載の電力需要予測システム。
  12. 　前記消費電力値データに対して平滑化処理、補完処理、及び異常値除去処理のうちの少なくとも１つを施すことにより前処理済み消費電力値データを作成する前処理手段をさらに備える請求項１に記載の電力需要予測システム。
  13. 　前記抽出手段は、前記需要家の外気温変動電力の少なくとも一部の有無を示すＯＮ／ＯＦＦ情報を取得し、前記ＯＮ／ＯＦＦ情報と前記消費電力値データとに基づいて前記外気温電力関係を抽出する請求項１に記載の電力需要システム。
  14. 　前記モデル作成手段は、前記ＯＮ／ＯＦＦ情報と前記外気温電力関係とに基づいて行動状態を推定する請求項１３に記載の電力需要予測システム。
  15. 　前記抽出手段は、前記需要家の外気温変動電力の一部を取得し、取得した外気温変動電力と、前記消費電力値データとに基づいて前記外気温電力関係を抽出する請求項１に記載の電力需要予測システム。
  16. 　前記予測手段により予測された前記需要家の予測対象時点の消費電力に基づいて、デマンドレスポンスを実施した場合の前記需要家の電力削減量を予測する電力削減量見積部をさらに備え、
    　前記予測手段は、前記電力削減量見積部により予測された前記電力削減量に基づいて、デマンドレスポンスを実施した場合の前記需要家の予測対象時点の消費電力を予測する請求項１に記載の電力需要予測システム。
  17. 　需要家の過去の消費電力値データのうち、一定の期間に含まれる消費電力値データを選択し、選択された消費電力値データに基づいて、外気温と、消費電力のうち外気温に応じて変動する外気温変動電力と、の関係である外気温電力関係を抽出し、
    　前記抽出手段により抽出された外気温電力関係に基づいて、外気温に応じた前記需要家の消費電力を予測するための消費電力予測モデルを作成し、
    　前記モデル作成手段により作成された消費電力予測モデルと予測対象時点の外気温とに基づいて、前記需要家の予測対象時点の消費電力を予測することを具備する電力需要予測方法。
  18. 　需要家の過去の消費電力値データのうち、一定の期間に含まれる消費電力値データを選択し、選択された消費電力値データに基づいて、外気温と、消費電力のうち外気温に応じて変動する外気温変動電力と、の関係である外気温電力関係を抽出する抽出手段と、
    　前記抽出手段により抽出された外気温電力関係に基づいて、前記需要家にプロファイルを設定するプロファイル設定手段と、
    を備える需要家プロファイリングシステム。
  19. 　前記プロファイル設定手段は、前記外気温電力関係のうち、前記需要家が外気温変動電力の使用を開始する外気温に基づいて前記需要家のプロファイルを設定する請求項１８に記載の需要家プロファイリングシステム。
  20. 　前記プロファイル設定手段は、前記外気温電力関係と前記需要家の消費電力の基準となるベース電力とに基づいて、前記需要家のプロファイルを設定する請求項１８に記載の需要家プロファイリングシステム。
  21. 　需要家の過去の消費電力値データのうち、一定の期間に含まれる消費電力値データを選択し、選択された消費電力値データに基づいて、外気温と、消費電力のうち外気温に応じて変動する外気温変動電力と、の関係である外気温電力関係を抽出し、
    　前記抽出手段により抽出された外気温電力関係に基づいて、前記需要家にプロファイルを設定することを具備する需要家プロファイリング方法。
PCT/JP2013/081322 2013-11-20 2013-11-20 電力需要予測システム、電力需要予測方法、需要家プロファイリングシステム、及び需要家プロファイリング方法 WO2015075794A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/JP2013/081322 WO2015075794A1 (ja) 2013-11-20 2013-11-20 電力需要予測システム、電力需要予測方法、需要家プロファイリングシステム、及び需要家プロファイリング方法
JP2015548917A JP6193400B2 (ja) 2013-11-20 2013-11-20 電力需要予測システム、電力需要予測方法、需要家プロファイリングシステム、及び需要家プロファイリング方法
US15/158,729 US20160266181A1 (en) 2013-11-20 2016-05-19 Electric power demand prediction system, electric power demand prediction method, consumer profiling system, and consumer profiling method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2013/081322 WO2015075794A1 (ja) 2013-11-20 2013-11-20 電力需要予測システム、電力需要予測方法、需要家プロファイリングシステム、及び需要家プロファイリング方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US15/158,729 Continuation US20160266181A1 (en) 2013-11-20 2016-05-19 Electric power demand prediction system, electric power demand prediction method, consumer profiling system, and consumer profiling method

Publications (1)

Publication Number Publication Date
WO2015075794A1 true WO2015075794A1 (ja) 2015-05-28

Family

ID=53179101

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2013/081322 WO2015075794A1 (ja) 2013-11-20 2013-11-20 電力需要予測システム、電力需要予測方法、需要家プロファイリングシステム、及び需要家プロファイリング方法

Country Status (3)

Country Link
US (1) US20160266181A1 (ja)
JP (1) JP6193400B2 (ja)
WO (1) WO2015075794A1 (ja)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017028897A (ja) * 2015-07-24 2017-02-02 富士電機株式会社 電力需要誘導装置、プログラム
WO2017045036A1 (en) 2015-09-16 2017-03-23 Smart Utility Service Holdings Pty Ltd Power analyser and method for the use thereof
JP2017085417A (ja) * 2015-10-29 2017-05-18 エヌ・ティ・ティ・コミュニケーションズ株式会社 データ評価装置、データ評価方法、及びプログラム
JP6189508B1 (ja) * 2016-05-31 2017-08-30 エンコアード テクノロジーズ インク 家電機器の使用ガイドシステムおよび家電機器の使用ガイド方法
JP2017182698A (ja) * 2016-03-31 2017-10-05 株式会社東芝 電力需給管理支援システム、電力需給管理支援方法および電力需給管理支援プログラム
JP2017207887A (ja) * 2016-05-18 2017-11-24 大阪瓦斯株式会社 電力消費量用途分解装置
WO2018066260A1 (ja) * 2016-10-03 2018-04-12 株式会社東芝 デマンドレスポンス計画システム、デマンドレスポンス計画方法、及びデマンドレスポンス計画プログラム
KR20190051243A (ko) * 2017-11-06 2019-05-15 광주과학기술원 전력 수요 예측 방법 및 그 시스템
JP2019122154A (ja) * 2018-01-05 2019-07-22 一般社団法人エコまちフォーラム エネルギー需要特性を取得する方法
JP2019191817A (ja) * 2018-04-23 2019-10-31 一般財団法人電力中央研究所 電力需要予測装置、電力需要予測方法及び電力需要予測プログラム
JP2020004160A (ja) * 2018-06-29 2020-01-09 アズビル株式会社 目標達成可否判定方法、需要家選定方法および装置
WO2020027202A1 (ja) 2018-07-31 2020-02-06 本田技研工業株式会社 電力予測システム、電力予測装置、電力予測方法、プログラム、及び記憶媒体
US10989743B2 (en) 2016-01-21 2021-04-27 Fujitsu Limited Power-demand-value calculating system, power-demand-value calculating method, and recording medium recording power-demand-value calculating program
WO2022013959A1 (ja) * 2020-07-15 2022-01-20 三菱電機株式会社 エネルギー供給計画策定装置、および、エネルギー供給計画策定方法
JP2022184909A (ja) * 2018-01-22 2022-12-13 ヒタチ・エナジー・スウィツァーランド・アクチェンゲゼルシャフト 電力網アセットの状態分類を行うための方法および装置
WO2023144260A1 (en) 2022-01-26 2023-08-03 Polestar Performance Ab Route optimized thermal management
CN118153912A (zh) * 2024-05-09 2024-06-07 安徽继远软件有限公司 一种基于智慧物联的电力能源管理系统

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9691076B2 (en) * 2013-07-11 2017-06-27 Honeywell International Inc. Demand response system having a participation predictor
WO2015017676A1 (en) * 2013-07-31 2015-02-05 Locator Ip, Lp System and method for gaming and hedging weather
KR101598979B1 (ko) * 2014-10-07 2016-03-02 주식회사 인코어드 테크놀로지스 온도에 따른 전기 사용량 추정 방법 및 장치
US9904269B2 (en) 2015-03-31 2018-02-27 Enernoc, Inc. Apparatus and method for demand coordination network control
US10025338B2 (en) 2015-03-31 2018-07-17 Enernoc, Inc. Demand response dispatch prediction system
US20160291622A1 (en) 2015-03-31 2016-10-06 Enernoc, Inc. System for weather induced facility energy consumption characterization
US20160294185A1 (en) 2015-03-31 2016-10-06 Enernoc, Inc. Energy brown out prediction system
US9977447B2 (en) 2015-03-31 2018-05-22 Enernoc, Inc. Demand response dispatch system employing weather induced facility energy consumption characterizations
JP6826762B2 (ja) * 2016-04-22 2021-02-10 住友電気工業株式会社 デマンド監視装置、デマンド監視システム、デマンド監視方法およびデマンド監視プログラム
US20170350101A1 (en) * 2016-06-07 2017-12-07 Livin Life Inc. Intelligent shower system and methods
US10248092B2 (en) * 2016-06-20 2019-04-02 Google Llc Architecture for thermostat control during peak intervals
US10191506B2 (en) * 2016-09-29 2019-01-29 Enel X North America, Inc. Demand response dispatch prediction system including automated validation, estimation, and editing rules configuration engine
US10447077B2 (en) 2017-04-26 2019-10-15 Kohler Co. Predictive generator events
WO2019030986A1 (ja) * 2017-08-09 2019-02-14 住友電気工業株式会社 電力管理装置、電力管理システム、電力管理方法及び制御プログラム
US20220004902A1 (en) * 2020-07-02 2022-01-06 Energy Optimization System Laboratories Llc Methods for remote building intelligence, energy waste detection, efficiency tracking, utility management and analytics
KR102503577B1 (ko) * 2020-08-21 2023-02-28 한국에너지기술연구원 에너지 관리 시스템 및 방법
CN113052398A (zh) * 2021-04-21 2021-06-29 广州高谱技术有限公司 一种基于变分模态分解的用电量预测方法及其系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0518995A (ja) * 1991-07-15 1993-01-26 Tokyo Electric Power Co Inc:The 電力総需要量予測装置
JPH0538051A (ja) * 1991-07-24 1993-02-12 Hitachi Ltd 電力需要予測方法及び装置
JP2012205385A (ja) * 2011-03-25 2012-10-22 Toshiba Corp 予備力計算装置およびその方法、コンピュータプログラム
JP2012228141A (ja) * 2011-04-22 2012-11-15 Toyota Motor Corp 住宅エネルギーシステム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3783929B2 (ja) * 2001-08-21 2006-06-07 ダイキン工業株式会社 省エネルギー効果推定方法およびその装置
JP2007108024A (ja) * 2005-10-13 2007-04-26 Chugoku Electric Power Co Inc:The 電力個別情報生成装置及び電力個別情報生成方法
JP2009294969A (ja) * 2008-06-06 2009-12-17 Mitsubishi Electric Corp 需要予測方法および需要予測装置
JP5684067B2 (ja) * 2011-08-01 2015-03-11 日本電信電話株式会社 省エネルギー支援装置、省エネルギー支援方法および省エネルギー支援プログラム
JP5631292B2 (ja) * 2011-10-14 2014-11-26 株式会社日立製作所 電力需要調整システム及び電力需要調整装置
JP5895627B2 (ja) * 2012-03-15 2016-03-30 富士通株式会社 制御計画立案方法、制御方法及び制御装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0518995A (ja) * 1991-07-15 1993-01-26 Tokyo Electric Power Co Inc:The 電力総需要量予測装置
JPH0538051A (ja) * 1991-07-24 1993-02-12 Hitachi Ltd 電力需要予測方法及び装置
JP2012205385A (ja) * 2011-03-25 2012-10-22 Toshiba Corp 予備力計算装置およびその方法、コンピュータプログラム
JP2012228141A (ja) * 2011-04-22 2012-11-15 Toyota Motor Corp 住宅エネルギーシステム

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017028897A (ja) * 2015-07-24 2017-02-02 富士電機株式会社 電力需要誘導装置、プログラム
EP3384576A4 (en) * 2015-09-16 2019-08-14 Smart Utility Service Holdings PTY Ltd POWER ANALYZER AND METHOD OF USE
WO2017045036A1 (en) 2015-09-16 2017-03-23 Smart Utility Service Holdings Pty Ltd Power analyser and method for the use thereof
US11183876B2 (en) 2015-09-16 2021-11-23 Smart Utility Service Holdings Pty Ltd. Power analyzer and method for the use thereof
JP2017085417A (ja) * 2015-10-29 2017-05-18 エヌ・ティ・ティ・コミュニケーションズ株式会社 データ評価装置、データ評価方法、及びプログラム
US10989743B2 (en) 2016-01-21 2021-04-27 Fujitsu Limited Power-demand-value calculating system, power-demand-value calculating method, and recording medium recording power-demand-value calculating program
JP2017182698A (ja) * 2016-03-31 2017-10-05 株式会社東芝 電力需給管理支援システム、電力需給管理支援方法および電力需給管理支援プログラム
JP2017207887A (ja) * 2016-05-18 2017-11-24 大阪瓦斯株式会社 電力消費量用途分解装置
JP6189508B1 (ja) * 2016-05-31 2017-08-30 エンコアード テクノロジーズ インク 家電機器の使用ガイドシステムおよび家電機器の使用ガイド方法
JP2017215924A (ja) * 2016-05-31 2017-12-07 エンコアード テクノロジーズ インク 家電機器の使用ガイドシステムおよび家電機器の使用ガイド方法
JP2018061314A (ja) * 2016-10-03 2018-04-12 株式会社東芝 デマンドレスポンス計画システム、デマンドレスポンス計画方法、及びデマンドレスポンス計画プログラム
WO2018066260A1 (ja) * 2016-10-03 2018-04-12 株式会社東芝 デマンドレスポンス計画システム、デマンドレスポンス計画方法、及びデマンドレスポンス計画プログラム
KR102499240B1 (ko) * 2017-11-06 2023-02-14 광주과학기술원 전력 수요 예측 방법 및 그 시스템
KR20190051243A (ko) * 2017-11-06 2019-05-15 광주과학기술원 전력 수요 예측 방법 및 그 시스템
JP2019122154A (ja) * 2018-01-05 2019-07-22 一般社団法人エコまちフォーラム エネルギー需要特性を取得する方法
JP7029163B2 (ja) 2018-01-05 2022-03-03 一般社団法人エコまちフォーラム エネルギー需要特性を取得する方法
JP2022184909A (ja) * 2018-01-22 2022-12-13 ヒタチ・エナジー・スウィツァーランド・アクチェンゲゼルシャフト 電力網アセットの状態分類を行うための方法および装置
JP7098400B2 (ja) 2018-04-23 2022-07-11 一般財団法人電力中央研究所 電力需要予測装置、電力需要予測方法及び電力需要予測プログラム
JP2019191817A (ja) * 2018-04-23 2019-10-31 一般財団法人電力中央研究所 電力需要予測装置、電力需要予測方法及び電力需要予測プログラム
JP7084231B2 (ja) 2018-06-29 2022-06-14 アズビル株式会社 目標達成可否判定方法、需要家選定方法および装置
JP2020004160A (ja) * 2018-06-29 2020-01-09 アズビル株式会社 目標達成可否判定方法、需要家選定方法および装置
WO2020027202A1 (ja) 2018-07-31 2020-02-06 本田技研工業株式会社 電力予測システム、電力予測装置、電力予測方法、プログラム、及び記憶媒体
US11545829B2 (en) 2018-07-31 2023-01-03 Honda Motor Co., Ltd. Power prediction system, power prediction device, power prediction method, program, and storage medium
JPWO2022013959A1 (ja) * 2020-07-15 2022-01-20
WO2022013959A1 (ja) * 2020-07-15 2022-01-20 三菱電機株式会社 エネルギー供給計画策定装置、および、エネルギー供給計画策定方法
JP7438362B2 (ja) 2020-07-15 2024-02-26 三菱電機株式会社 エネルギー供給計画策定装置、および、エネルギー供給計画策定方法
WO2023144260A1 (en) 2022-01-26 2023-08-03 Polestar Performance Ab Route optimized thermal management
CN118153912A (zh) * 2024-05-09 2024-06-07 安徽继远软件有限公司 一种基于智慧物联的电力能源管理系统

Also Published As

Publication number Publication date
JPWO2015075794A1 (ja) 2017-03-16
US20160266181A1 (en) 2016-09-15
JP6193400B2 (ja) 2017-09-06

Similar Documents

Publication Publication Date Title
JP6193400B2 (ja) 電力需要予測システム、電力需要予測方法、需要家プロファイリングシステム、及び需要家プロファイリング方法
CN108292860B (zh) 电力控制装置、运转计划制定方法以及记录介质
JP6671344B2 (ja) 電力消費の最適化のためのスマートシステムの動作方法及び装置
JP6022050B2 (ja) 需要家電力制御システム及び需要家電力制御方法
US20170211830A1 (en) Air-conditioning control system, air-conditioning planning device, and planning method
US20150338869A1 (en) Demand response control method and demand response control device
US9817409B2 (en) Method and apparatus for distributed control of thermostatic electric loads using high-granularity energy usage data
US10115120B2 (en) Dynamic demand response event assessment
US20150345812A1 (en) Method and apparatus for selective componentized thermostatic controllable loads
GB2549426A (en) Power transaction management system and power transaction management method
US20160086199A1 (en) System and method for performing demand response optimizations
KR101355978B1 (ko) 전력 관리 시스템 및 전력 사용량 예측 방법
JP6094369B2 (ja) 電力需要予測装置、電力需要予測方法および電力需要予測プログラム
US10495333B2 (en) Providing demand response
JP6617476B2 (ja) 需要電力予測装置、需要電力予測方法及びコンピュータプログラム
JP2015104137A (ja) 電力抑制最適化システム及び電力抑制最適化方法
JP6076242B2 (ja) 配電系統の負荷予測装置および配電系統の負荷予測方法
JP6293291B2 (ja) 消費電力推定装置、機器管理システム、消費電力推定方法及びプログラム
US20140246909A1 (en) System and method for balancing supply and demand of energy on an electrical grid
JP6292515B2 (ja) 需要予測装置、プログラム
Platt et al. Optimal supervisory HVAC control: experiences in Australia
WO2016186069A1 (ja) インセンティブ予測量提示装置
Agheb et al. Robust provisioning of demand-side flexibility under electricity price uncertainty
US20230418346A1 (en) Methods, systems, and media for automatic and continuous control of energy-consuming devices
JP2014035759A (ja) 運転管理装置、デマンドレスポンス制御発動時の電力実測値補正方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13898035

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2015548917

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 13898035

Country of ref document: EP

Kind code of ref document: A1