WO2015129575A1 - 電力需要予測装置、電力供給システム、電力需要予測方法及びプログラム - Google Patents

Abstract

　電力需要予測装置（１００）は、車両に関する実測データを入力し、複数に区画された各区画エリアの、当該区画エリア内に属する車両に関する特徴を示すエリア特徴値を予測するエリア特徴値予測部（１１４）と、エリア特徴値を入力とし、特定の車両の、特定の充電設備における電力需要を出力とする、当該特定の車両各々の個別モデルを取得する個別モデル取得部（１１２）と、予測されたエリア特徴値を個別モデルに入力し、当該個別モデルに対応する特定の車両の、特定の充電設備における電力需要の予測値を算出する需要予測演算部（１１３）と、を備える。

Description

電力需要予測装置、電力供給システム、電力需要予測方法及びプログラム

　本発明は、充電設備における電力需要量を予測する電力需要予測装置、電力供給システム、電力需要予測方法及びプログラムに関する。
　本願は、２０１４年２月２８日に、日本に出願された特願２０１４－０３８７４８号に基づき優先権を主張し、その内容をここに援用する。

　近年、バッテリーを搭載した電気自動車やハイブリッドカーの普及が進み、充電設備における電力需要が増している。これに伴い、電力需要の予測結果に合わせて生成すべき総電力量、及び、地域ごと、時間帯ごとに供給すべき配電量を制御する配電計画技術が用いられている。

　電力需要を予測するためには、一般に、過去の電力需要実績及び時刻情報、曜日、休日等を示すカレンダー情報等に基づいて、統計的手法を用いて予測モデルを構築することで予測する手法等が用いられている（例えば、特許文献１参照）。
　また、ある地域における電力需要を予測する場合、当該地域の集団の行動傾向を統計的に分析し、これをモデル化する手法が用いられている。

特開２０１２－１１３５４６号公報

　しかしながら、例えば、地域の集団の行動傾向を統計的に分析する場合、当該地域の集団の行動傾向全体の特性を精度よく再現するモデルを構築するためには、膨大な量の実績データ（教師データ）を必要とする。これに対し、プローブカー（詳細な走行データを取得する機能を備えた車両）の台数は限られているため、相当の実績データを取得することができない。そのため、地域の集団の行動傾向を精度よく再現することが困難であった。

　本発明は、上記課題に鑑みてなされたものであって、限られた実績データに基づいて、より精度の高い電力の需要予測が可能な電力需要予測装置、電力供給システム、電力需要予測方法及びプログラムを提供することを目的とする。

　本発明の第１の態様によれば、電力需要予測装置（１）は、車両に関する実測データ（Ｄ１）を入力し、複数に区画された区画エリア（Ａ１、Ａ２・・・）別に、当該区画エリア内に属する車両に関する特徴を示すエリア特徴値を予測するエリア特徴値予測部（１１４）と、前記エリア特徴値を入力とし、特定の車両（２０１、２０２・・・）の、特定の充電設備（３０１、３０２・・・）における電力需要を出力とする、当該特定の車両各々の個別モデル（Ｍ１、Ｍ２・・・）を取得する個別モデル取得部（１１２）と、前記予測されたエリア特徴値を前記個別モデルに入力し、当該個別モデルに対応する特定の車両の、前記特定の充電設備における電力需要の予測値を算出する需要予測演算部（１１３）と、を備える。
　このような電力需要予測装置によれば、周期的な規則性が高い集団行動の傾向から導かれるエリア特徴値の予測値を、個人行動の傾向を表した個別モデルの因子として用いているので、比較的遠い将来まで高い精度で予測することが可能となる。

　また、本発明の第２の態様によれば、上述の電力需要予測装置において前記エリア特徴値予測部は、前記エリア特徴値として、前記区画エリア内における車両密度、当該区画エリア内における車両全体の平均速度、及び、当該区画エリア内に属する車両全体のバッテリーの平均充電率のうちの少なくとも一つを含む。
　このような電力需要予測装置によれば、集団行動の傾向として周期的な規則性が高い車両密度、車両平均速度、または、平均充電率を予測値として用いることで、精度の高い予測値に基づいて電力需要を予測することができる。

　また、本発明の第３の態様によれば、上述の電力需要予測装置において前記個別モデル取得部は、前記車両に関する実測データに基づいて、特定の車両が特定の充電設備において充電を行う意思決定の要因となる因子情報の実績値と、当該特定の車両の、前記特定の充電設備における電力需要を示す実績値と、の相関関係を示す個別モデルを、前記特定の車両別に生成する。
　このような電力需要予測装置によれば、電気自動車の各利用者の充電の意思決定の要因となる因子情報の実績値に基づいて、個別モデルを生成する。したがって、利用者の意思を正確に反映した個別モデルを用いることができる。

　また、本発明の第４の態様によれば、上述の電力需要予測装置において前記個別モデル取得部は、前記特定の車両の現在位置と前記特定の充電設備との間の距離と、当該特定の充電設備における電力需要と、の相関関係を示す個別モデルを取得する。
　このような電力需要予測装置によれば、車両と充電設備間の距離と、当該充電設備における電力需要と、の相関関係を、個人行動の傾向を反映した個別モデルとすることで、個別モデルを生成する労力を削減することができる。

　また、本発明の第５の態様によれば、電力供給システムは、上述の電力需要予測装置と、前記電力需要予測装置の予測結果に応じて、前記充電設備各々の供給電力を調整する供給電力管理装置と、を備える。
　このような電力供給システムによれば、供給電力管理装置が電力需要予測装置による精度の高い予測結果に応じて充電設備別に供給電力を調整するので、電力供給サービスの提供を一層効率化することができる。

　また、本発明の第６の態様によれば、電力需要予測方法は、車両に関する実測データを入力し、複数に区画された区画エリア別に、当該区画エリア内に属する車両に関する特徴を示すエリア特徴値を予測するステップと、前記エリア特徴値を入力とし、特定の車両の、特定の充電設備における電力需要を出力とする、当該特定の車両各々の個別モデルを取得するステップと、前記予測されたエリア特徴値を前記個別モデルに入力し、当該個別モデルに対応する特定の車両の、前記特定の充電設備における電力需要の予測値を算出するステップと、を有する。
　このような電力需要予測方法によれば、周期的な規則性が高い集団行動の傾向から導かれるエリア特徴値の予測値を、個人行動の傾向を表した個別モデルの因子として用いているので、比較的遠い将来まで高い精度で予測することが可能となる。

　また、本発明の第７の態様によれば、プログラムは、電力需要予測装置のコンピュータを、車両に関する実測データを入力し、複数に区画された区画エリア別に、当該区画エリア内に属する車両に関する特徴を示すエリア特徴値を予測するエリア特徴値予測手段、前記エリア特徴値を入力とし、特定の車両の、特定の充電設備における電力需要を出力とする、当該特定の車両各々の個別モデルを取得する個別モデル取得手段、前記予測されたエリア特徴値を前記個別モデルに入力し、当該個別モデルに対応する特定の車両の、前記特定の充電設備における電力需要の予測値を算出する需要予測演算手段、として機能させる。
　このようなプログラムによれば、周期的な規則性が高い集団行動の傾向から導かれるエリア特徴値の予測値を、個人行動の傾向を表した個別モデルの因子として用いているので、比較的遠い将来まで高い精度で予測することが可能となる。

　上述の電力需要予測装置、電力供給システム、電力需要予測方法及びプログラムによれば、限られた実績データに基づいて、より精度の高い電力の需要予測が可能となる。

第１の実施形態に係る電力供給システムの概要を示す図である。 第１の実施形態に係る電力需要予測装置の機能構成を示す図である。 第１の実施形態に係るデータ蓄積処理部が記憶する車両プローブデータの詳細を示す図である。 第１の実施形態に係る個別モデル取得部の機能を説明する第１の図である。 第１の実施形態に係る個別モデル取得部の機能を説明する第２の図である。 第１の実施形態に係る個別モデル取得部の機能を説明する第３の図である。 第１の実施形態に係る個別モデル取得部の機能を説明する第４の図である。 第１の実施形態に係る個別モデルの例を説明する図である。 第１の実施形態に係るエリア特徴値予測部の機能を説明する第１の図である。 第１の実施形態に係るエリア特徴値予測部の機能を説明する第２の図である。 第１の実施形態に係るエリア特徴値予測部の機能を説明する第３の図である。 第１の実施形態に係る需要予測演算部の処理フローを説明するフローチャート図である。 第１の実施形態に係る需要予測演算部の処理を説明する第１の図である。 第１の実施形態に係る需要予測演算部の処理を説明する第２の図である。 第１の実施形態に係る需要予測演算部の機能を説明する第３の図である。 第１の実施形態の変形例に係るエリア特徴値予測部の機能を説明する図である。 第１の実施形態の変形例に係る個別モデル取得部の機能を説明する図である。 第２の実施形態に係る需要予測演算部の機能を説明する図である。

＜第１の実施形態＞
　以下、第１の実施形態に係る電力供給システムについて説明する。
　第１の実施形態に係る電力供給システムは、特定の地域（例えば、一都市）における所定の区画エリア別に特徴値を予測するステップと、当該予測された特徴値を、各個人の意思決定の特徴を反映した個別モデルに入力するステップと、の２段階に分けて各充電設備の電力需要（本実施形態では、各充電設備の「利用率」）を予測する。

（全体構成）
　図１は、第１の実施形態に係る電力供給システムの概要を示す図である。
　第１の実施形態に係る電力供給システム１は、電力需要予測装置１００と、複数のプローブカー２０１、２０２・・・と、複数の充電設備３０１、３０２・・・と、供給電力管理装置４００と、を備えている。
　電力供給システム１は、特定の地域（例として、都市Ｔ１）において電気自動車用の電力供給サービスを提供する。具体的には、電力供給システム１は、都市Ｔ１の各箇所に設置された充電設備３０１、３０２・・・を介して、都市Ｔ１を走行する電気自動車にバッテリー充電用の電力を供給する。

　電力需要予測装置１００は、プローブカー２０１、２０２・・・の各々から複数の車両プローブデータＤ１（後述）を入力し、当該車両プローブデータＤ１に基づいて、充電設備３０１、３０２・・・の各々における電力需要（時間帯別の利用率）の予測を行う。

　プローブカー２０１、２０２・・・は、都市Ｔ１に属する住民のうち特定の利用者が利用する電気自動車である。プローブカー２０１、２０２・・・は、専用の車載器（図示せず）を搭載し、当該車載器により、各プローブカー２０１、２０２・・・の走行状態を一定時間ごとに記録可能となっている。例えば、プローブカー２０１、２０２・・・は、各々の走行状態として、各プローブカー２０１、２０２・・・が運転中か否かを示す運転状態情報、各プローブカー２０１、２０２・・・の位置を特定する車両位置情報（例えばＧＰＳ（Global Positioning System）による緯度・経度情報）、搭載するバッテリーの充電率［％］（残容量）を示すＳＯＣ（State Of Charge）情報を一定時間ごと（例えば、一時間ごと）に記録可能とする。
　なお、プローブカー２０１、２０２・・・が取得可能な走行状態の内容は上記に限定されず、他にも、走行距離や、搭載する速度・加速度センサを介して取得される速度・加速度情報等、さらに、プローブカー２０１、２０２・・・の停止中、充電中における各種情報が記録されてもよい。また、プローブカー２０１、２０２・・・は、各々の走行状態を「一定時間ごと」に取得する態様に限定されず、その他、任意に定められる特定の事象が発生する度に記録する態様であってもよい。具体的には、例えば、プローブカー２０１、２０２・・・は、一定走行距離ごと、一定の車両状態の変化（走行状態から停車状態への移行時、主電源のオンオフ、ヘッドライトのオンオフ）ごとに、その時点における各プローブカー２０１、２０２・・・の走行状態を記録するものとしてもよい。

　充電設備３０１、３０２・・・は、都市Ｔ１の各所に設置される。電気自動車の利用者は、各所に設置された充電設備３０１、３０２・・・に赴いて電気自動車の充電を行う。なお、本実施形態においては、図１に示すように、各充電設備３０１、３０２・・・は、都市Ｔ１に属する所定の区画エリアＡ１、Ａ２、Ａ３・・・の各々に設置される。

　供給電力管理装置４００は、電力需要予測装置１００による電力需要（充電設備３０１、３０２・・・各々についての時間帯別の利用率）の予測結果に基づいて、充電のために必要な電力が各充電設備３０１、３０２・・・から供給可能となるように、配電計画に反映させる。

（電力需要予測装置の機能構成）
　図２は、第１の実施形態に係る電力需要予測装置の機能構成を示す図である。
　図２に示すように、本実施形態に係る電力需要予測装置１００は、データ受付部１０１と、データ出力部１０２と、ＣＰＵ（Central Processing Unit）１１０と、プローブデータ記憶部１２０と、個別モデル記憶部１２１と、地図・カレンダーデータ記憶部１２３と、を備えている。

　データ受付部１０１は、プローブカー２０１、２０２・・・の各々から車両プローブデータＤ１の入力を受け付ける通信モジュールである。ここで、プローブカー２０１、２０２・・・の各車載器は、取得した車両プローブデータＤ１を、所定の通信手段を介して自動的にデータ受付部１０１に出力する。なお、各車載器が自動的に車両プローブデータＤ１をデータ受付部１０１に送信する態様の他、電力供給システム１の利用者（管理者）が、手動により、各車載器からデータ受付部１０１に送信する処理を行ってもよい。

　データ出力部１０２は、後述するＣＰＵ１１０の算出処理により得られた利用率予測データＤ２０Ｆを、供給電力管理装置４００に出力する通信モジュールである。

　ＣＰＵ１１０は、電力需要予測装置１００の処理全体を司る汎用のＣＰＵである。ＣＰＵ１１０は、記憶領域に読み込まれた専用のプログラムに従って動作することで、データ蓄積処理部１１１、個別モデル取得部１１２、需要予測演算部１１３、エリア特徴値予測部１１４としての機能を実現する。各機能の詳細については後述する。

　プローブデータ記憶部１２０は、ＣＰＵ１１０（後述するデータ蓄積処理部１１１）の処理により、取得された車両プローブデータＤ１が格納される記憶領域である。
　個別モデル記憶部１２１は、ＣＰＵ１１０（後述する個別モデル取得部１１２）が生成した、各プローブカー２０１、２０２・・・の個別モデルが記憶される記憶領域である。
　また、地図・カレンダーデータ記憶部１２３は、都市Ｔ１の道路網、区画（区画エリアＡ１、Ａ２・・・の範囲）、充電設備３０１、３０２・・・の位置等が記載された地図データＤ４と、平日・休日（祝日）等の暦を示すカレンダーデータＤ５が記憶される。
　なお、上述のプローブデータ記憶部１２０、個別モデル記憶部１２１及び地図・カレンダーデータ記憶部１２３は、単一の記憶装置に記憶される態様であってもよい。

　上述したように、本実施形態に係るＣＰＵ１１０は、データ蓄積処理部１１１、個別モデル取得部１１２、需要予測演算部１１３及びエリア特徴値予測部１１４としての機能を有する。
　データ蓄積処理部１１１は、データ受付部１０１を介して入力された車両プローブデータＤ１を逐次プローブデータ記憶部１２０に記憶する。データ蓄積処理部１１１が蓄積する車両プローブデータＤ１の内容については後述する。

　個別モデル取得部１１２は、プローブデータ記憶部１２０に蓄積された過去の車両プローブデータＤ１に基づいて、プローブカー２０１、２０２・・・（利用者Ｐ１、Ｐ２・・・）の各々に対応する個別モデルＭ１、Ｍ２・・・を生成する処理を行う。ここで、「個別モデル」とは、各利用者のプローブカー２０１、２０２・・・の利用上の特徴（特に、充電の意思決定の特徴）を反映したシミュレーションモデルである。個別モデル取得部１１２は、生成した個別モデルＭ１、Ｍ２・・・を個別モデル記憶部１２１に記憶する。
　なお、個別モデル取得部１１２は、図２に示すように、内部に備える因子情報抽出部１１２ａと、電力需要情報抽出部１１２ｂと、モデル構築処理部１１２ｃと、の処理に基づいて個別モデルを生成する。因子情報抽出部１１２ａ、電力需要情報抽出部１１２ｂ及びモデル構築処理部１１２ｃの具体的な処理内容については後述する。

　エリア特徴値予測部１１４は、プローブデータ記憶部１２０に蓄積された過去の車両プローブデータＤ１と、地図・カレンダーデータ記憶部１２３に記憶された地図データＤ４及びカレンダーデータＤ５に基づいて、各区画エリアＡ１、Ａ２・・・のエリア特徴値（後述）の予測値であるエリア特徴値予測データＤ３Ｆを取得する。

　需要予測演算部１１３は、個別モデル記憶部１２１に記憶された個別モデルＭ１、Ｍ２・・・と、エリア特徴値予測部１１４により取得されたエリア特徴値予測データＤ３Ｆと、に基づいて、充電設備３０１、３０２・・・の各々における時間帯別の利用率の予測値（利用率予測データＤ２０Ｆ）を算出する。

（データ蓄積処理部の機能）
　図３は、第１の実施形態に係るデータ蓄積処理部が記憶する車両プローブデータの詳細を示す図である。
　上述したように、データ蓄積処理部１１１は、各プローブカー２０１、２０２・・・に取得された車両プローブデータＤ１を、プローブデータ記憶部１２０に逐次記憶、蓄積していく。例として、データ蓄積処理部１１１は、図３に示すような態様で車両プローブデータＤ１を記憶する。具体的には、図３に示すように、プローブデータ記憶部１２０には、プローブカー２０１、２０２・・・の各々を識別する車両ＩＤと、日付及び時間帯と、車両が運転中か否か（稼働中か否か）を示す運転状態情報と、車両位置を特定する緯度・経度情報と、搭載するバッテリーの充電量（残容量）を示すＳＯＣ情報と、が記録される。データ蓄積処理部１１１は、例えば、３０分おきに記録される運転状態情報、緯度・経度情報、ＳＯＣ情報を抽出してプローブデータ記憶部１２０に記憶する。
　なお、プローブデータ記憶部１２０には、例えば、各プローブカー２０１、２０２・・・の過去に取得された一つ以上の車両プローブデータＤ１が記憶されている。なお、車両プローブデータＤ１としては、例えば、過去数か月～数年分の各種情報が複数記憶、蓄積されているのが望ましい。　また、プローブデータ記憶部１２０に記憶される車両プローブデータＤ１の態様は、図３に示すものに限定されず、プローブカー２０１、２０２・・・の走行に関する他の項目（例えば、走行距離、速度・加速度情報等）が記録されるものであってもよい。また、充電時に取得される充電設備ＩＤを記録して、いずれの充電設備３０１、３０２・・・を利用して充電を行っていたかを把握可能としてもよい。

（個別モデル取得部の機能）
　個別モデル取得部１１２の因子情報抽出部１１２ａは、プローブデータ記憶部１２０に記憶された車両プローブデータＤ１（図３）を参照して、因子情報の実績値である因子実績データＤ１０を抽出する。ここで、「因子情報」とは、各プローブカー２０１、２０２・・・の利用者Ｐ１、Ｐ２・・・が、各充電設備３０１、３０２・・・において充電を行う意思決定の要因となり得る種々の情報である。具体的には、因子情報抽出部１１２ａは、車両プローブデータＤ１から、因子情報の実績値（因子実績データＤ１０）として、以下に説明する時間帯別活動エリアデータＤ１２や時間帯別ＳＯＣデータＤ１３等を抽出する。

（時間帯別活動エリアデータ）
　図４は、第１の実施形態に係る個別モデル取得部の機能を説明する第１の図である。
　因子情報抽出部１１２ａは、プローブデータ記憶部１２０に記憶された車両プローブデータＤ１から、因子実績データＤ１０の一つである時間帯別活動エリアデータＤ１２を抽出する。ここで、時間帯別活動エリアデータＤ１２は、図４に示すように、利用者（プローブカー２０１、２０２・・・）が属しているエリア（区画エリアＡ１、Ａ２・・・）を一週間の時間帯別に区分して示した情報である。具体的には、因子情報抽出部１１２ａは、プローブデータ記憶部１２０に蓄積された過去の車両プローブデータＤ１から、曜日、時間帯別の緯度・経度情報（図３）を参照することで、各曜日、時間帯において利用者Ｐ１、Ｐ２・・・（プローブカー２０１、２０２・・・）の、各区画エリアＡ１、Ａ２の各々における存在率が特定された時間帯別活動エリアデータＤ１２を得る（図４参照）。

（時間帯別ＳＯＣデータ）
　図５は、第１の実施形態に係る個別モデル取得部の機能を説明する第２の図である。
　因子情報抽出部１１２ａは、さらに、プローブデータ記憶部１２０に記憶された車両プローブデータＤ１から、因子実績データＤ１０の一つである時間帯別ＳＯＣデータＤ１３等を抽出する。ここで、時間帯別ＳＯＣデータＤ１３は、図５に示すように、利用者（プローブカー２０１、２０２・・・）の時間帯別のＳＯＣ［％］を所定のセンサを介して記録した情報である。これにより、個別モデル取得部１１２は、後述するように、ＳＯＣがどの程度まで減少した場合に充電を行うか、という各利用者の個人行動の傾向（充電の意思決定の特徴）を取得することができる。

　なお、図５には図示していないが、因子情報抽出部１１２ａは、さらに、車両プローブデータＤ１の時間帯別ＳＯＣを参照して、単位時間帯当たりのＳＯＣ上昇量から算出される充電速度情報Ｄ１４等を抽出してもよい。これにより、利用者Ｐ１、Ｐ２・・・が充電設備３０１、３０２・・・のうち急速充電に対応している設備を好むか否か、等を把握することができる。

　本実施形態に係る個別モデル取得部１１２は、以上のようにして、複数の因子情報（「車両位置」及び「ＳＯＣ」）の過去の実績値である因子実績データＤ１０（時間帯別活動エリアデータＤ１２、時間帯別ＳＯＣデータＤ１３）を抽出する。なお、因子情報抽出部１１２ａは、上記以外にも、利用者Ｐ１、Ｐ２・・・の充電の意思決定と因果関係が認められる他の因子情報（例えば、使用する充電設備３０１、３０２・・・が急速充電に対応しているか否か、各充電設備３０１、３０２・・・において提供される付加サービスの種類等）の実績値を抽出してもよい。

（利用率実績データ）
　図６は、第１の実施形態に係る個別モデル取得部の機能を説明する第３の図である。
　次に、個別モデル取得部１１２は、プローブデータ記憶部１２０に記憶された過去の車両プローブデータＤ１（図３）を参照して、各充電設備３０１、３０２・・・の電力需要の実績値（電力需要実績データ）を抽出する。本実施形態においては、具体的には、個別モデル取得部１１２の電力需要情報抽出部１１２ｂが、充電設備３０１、３０２・・・各々における電力需要の実績値として、時間帯別の利用率の実績値を示す利用率実績データＤ２０を抽出する。

　利用率実績データＤ２０は、具体的には、各利用者Ｐ１、Ｐ２・・・の、曜日・時間帯別の充電設備３０１、３０２・・・の利用頻度（利用率）を示した統計データである（図６参照）。電力需要情報抽出部１１２ｂは、過去の車両プローブデータＤ１に記録された車両位置情報や時間帯別ＳＯＣ情報（図３）に基づいて、利用者Ｐ１、Ｐ２・・・が各曜日・時間帯別に充電設備３０１、３０２・・・の各々を利用中であるか否かを抽出し、その時間帯別の利用頻度を利用率として算出する。このようにして、電力需要情報抽出部１１２ｂは、予測の対象とする情報（すなわち、充電設備３０１、３０２・・・の時間帯別の利用率）の過去の実績値である利用率実績データＤ２０を得ることができる。
　例えば、利用者Ｐ１についての充電設備３０１の利用率実績データＤ２０（図６）によれば、利用者Ｐ１は、平日全体に渡って１８時前後に充電設備３０１を利用している頻度（率）が高いことを読み取ることができる。

（個別モデルの構築）
　図７は、第１の実施形態に係る個別モデル取得部の機能を説明する第４の図である。
次に、図７を参照しながら、上述の因子実績データＤ１０と、利用率実績データＤ２０と、に基づいて各利用者Ｐ１、Ｐ２・・・の個別モデルを生成するモデル構築処理部１１２ｃの機能について説明する。
　モデル構築処理部１１２ｃは、プローブデータ記憶部１２０に蓄積されたプローブカー２０１、２０２・・・の車両プローブデータＤ１の各々から抽出された因子実績データＤ１０と、利用率実績データＤ２０と、を入力して、これらの相関関係を示す個別モデルＭ１、Ｍ２・・・を、利用者Ｐ１、Ｐ２・・・別（すなわち、プローブカー２０１、２０２・・・別）に生成する。

　具体的には、モデル構築処理部１１２ｃは、利用者Ｐ１（プローブカー２０１）に係る時間帯別活動エリアデータＤ１２（図４）、並びに、時間帯別ＳＯＣデータＤ１３（図５）の各々の変数である「車両位置」、「ＳＯＣ」を、個別モデルＭ１の因子ｘ１、ｘ２として選択する。なお、モデル構築処理部１１２ｃは、利用者Ｐ１、Ｐ２・・・の充電の意思決定の要因となる他の因子情報（例えば、充電設備３０１、３０２・・・が急速充電に対応しているか否か、付加サービスの種類等）をさらに因子ｘ３、ｘ４・・・としてもよい。
　一方、モデル構築処理部１１２ｃは、プローブカー２０１に係る利用率実績データＤ２０（図６）として抽出された各充電設備３０１、３０２・・・の利用率の実績値を応答ｙ１、ｙ２・・・とする。応答ｙ１、ｙ２・・・は、個別モデルＭ１における因子ｘ１、ｘ２・・・の入力に対する応答である。

　モデル構築処理部１１２ｃは、因子ｘ１、ｘ２・・・に対する応答ｙ１、ｙ２・・・の相関関係を示す個別モデルＭ１を生成する。生成された個別モデルＭ１は、利用者Ｐ１（プローブカー２０１）に対応する。図７に示すように、例えば、利用者Ｐ１が充電設備３０１を利用する率（利用率）ｙ１と、因子ｘ１、ｘ２・・・との相関関係は、式（１）のように表される。

　ここで、式（１）の各因子ｘ１、ｘ２・・・に係る係数ａ１１、ｂ１１・・・は、因子ｘ１、ｘ２・・・の因子負荷量である。すなわち、この因子負荷量が大きい因子ほど応答ｙ１との相関関係が強く、小さい因子ほど応答ｙ１との相関関係が弱いことを示す。

　例えば、モデル構築処理部１１２ｃは、時間帯別活動エリアデータＤ１２と、利用率実績データＤ２０と、に基づいて、車両位置（因子ｘ１）と、充電設備３０１の利用率（応答ｙ１）との相関関係の強さを表す因子負荷量ａ１１を算出することができる。
　ここで、因子負荷量ａ１１の値が大きい場合、利用者Ｐ１の充電設備３０１における利用率（応答ｙ１）は、時間帯別の利用者Ｐ１（プローブカー２０１）の車両位置（因子ｘ１）と強い因果関係を有していることを表している。すなわち、これは、「利用者Ｐ１は、充電設備が現在位置から近いか否かを重視して、充電設備を選択している」という利用者Ｐ１の特徴を説明している。

　同様に、モデル構築処理部１１２ｃは、時間帯別ＳＯＣデータＤ１３と、利用率実績データＤ２０と、に基づいて、ＳＯＣ（因子ｘ２）と、充電設備３０１の利用率（応答ｙ１）との相関関係の強さを表す因子負荷量ｂ１１を算出することができる。
　ここで、例えば、因子負荷量ｂ１１の値が小さい場合、利用者Ｐ１の充電設備３０１における利用率（応答ｙ１）は、時間帯別の利用者Ｐ１（プローブカー２０１）のＳＯＣとの相関関係が弱いことを表している。すなわち、これは、「利用者Ｐ１は、現時点のバッテリー残量に関わらず、充電設備３０１で充電を行う」という利用者Ｐ１の特徴を説明している。

　このように、本実施形態に係る個別モデル取得部１１２は、過去に取得された既知の因子ｘ１、ｘ２・・・（因子実績データＤ１０）と、既知の応答ｙ１、ｙ２・・・（利用率実績データＤ２０）との相関関係を表す式の束を導出して、利用者Ｐ１に係る充電の意思決定の特徴を反映した個別モデルＭ１を生成する。

　なお、既知の因子ｘ１、ｘ２・・・と、既知の応答ｙ１、ｙ２・・・と、から各々の相関関係を表す式（例えば、上述の式（１））を導出する手法としては、例えば、既知のモデル構築手法であるＳＶＭ（Support vector machine）やＮＮ（Neural network）等に基づくシミュレーションモデル構築手法を用いてもよいし、よりシンプルには、一般的な最小二乗法を用いてもよい。また、相関関係を表す式（１）は一例であって、他に、より複雑な相関関係を表す式（二次関数、指数・対数関数など）で表現される場合があってもよい。

　図７に示すように、モデル構築処理部１１２ｃは、利用者Ｐ２、Ｐ３・・・（プローブカー２０２、２０３・・・）についても同様の処理を行い、各々の特徴が反映された個別モデルＭ２、Ｍ３・・・を生成する。そして、生成した各個別モデルＭ１、Ｍ２・・・を、個別モデル記憶部１２１に記憶する。
　なお、以下の説明では、区画エリアＡ１に設置された充電設備３０１に関する応答ｙ１と、利用者Ｐ１（プローブカー２０１）に関する因子ｘ１、ｘ２・・・と、の相関関係を示す関数として、式（２）のように記載する（図７参照）。

　図８は、第１の実施形態に係る個別モデルの例を説明する図である。
　上述の各処理を経て、個別モデル取得部１１２によって生成された個別モデルＭ１は、利用者Ｐ１についての、充電の意思決定の特徴を反映している。すなわち、個別モデルＭ１は、現時点において、利用者Ｐ１（プローブカー２０１）の車両位置が“ｘ１”であって、なおかつＳＯＣが“ｘ２”であった場合に、当該利用者Ｐ１が、充電設備３０１、３０２・・・を利用する率（利用率）ｙ１、ｙ２・・・を与えることができる。
　同様に、個別モデルＭ２、Ｍ３・・・は、利用者Ｐ２、Ｐ３・・・の充電の意思決定の特徴を反映する。

（エリア特徴値予測部の機能）
　図９は、第１の実施形態に係るエリア特徴値予測部の機能を説明する第１の図である。
　本実施形態に係るエリア特徴値予測部１１４は、車両に関する実測データとしてプローブデータ記憶部１２０に蓄積された車両プローブデータＤ１を入力し、複数に区画された各区画エリアＡ１、Ａ２・・・のエリア特徴値を予測する。ここで、「エリア特徴値」とは、区画エリアＡ１、Ａ２・・・内に属する車両に関する特徴を示す。なお、本実施形態において、「エリア特徴値」とは、具体的には「エリア別車両密度」及び「エリア別平均ＳＯＣ」（エリア別平均充電率）であるものとして説明するが、他の値（例えば、「エリア別平均車両速度」、「エリア別平均電費」（対象エリアを走行するのに必要な電力消費量の平均）等）が含まれていてもよい。

　図９に示すように、まず、エリア特徴値予測部１１４は、地図・カレンダーデータ記憶部１２３に予め記憶される地図データＤ４、カレンダーデータＤ５と、プローブデータ記憶部１２０に記憶、蓄積された各プローブカー２０１、２０２・・・の車両プローブデータＤ１と、を入力する。そして、エリア特徴値予測部１１４は、これらの各種データに基づいて、各区画エリアＡ１、Ａ２・・・の「エリア別車両密度」の将来の予測を示す「車両密度分布予測データＤ３０Ｆ」、並びに、「エリア別平均ＳＯＣ」の将来の予測を示す「平均ＳＯＣ分布予測データＤ３１Ｆ」を算出する。なお、車両密度分布予測データＤ３０Ｆ及び平均ＳＯＣ分布予測データＤ３１Ｆは、いずれも、各区画エリアＡ１、Ａ２・・・のエリア特徴値の予測値を示す「エリア特徴値予測データＤ３Ｆ」に該当するものである。

　地図データＤ４には、都市Ｔ１の道路網、区画（区画エリアＡ１、Ａ２・・・の範囲）、及び充電設備３０１、３０２の位置等が記録される。一方、カレンダーデータＤ５には、過去から未来にかけての平日・休日（祝日）等の暦が記憶される。

　図１０、図１１は、第１の実施形態に係るエリア特徴値予測部の機能を説明する第２、第３の図である。
　エリア特徴値予測部１１４は、具体的には、複数のプローブカー２０１、２０２・・・の車両プローブデータＤ１（図３）の日付・時刻情報及び車両位置情報等を参照して、プローブカー２０１、２０２・・・の各々が、区画エリアＡ１、Ａ２・・・の何れに属していたか、を時間帯別に特定する。次に、エリア特徴値予測部１１４は、時間帯別、区画エリアＡ１、Ａ２・・・別に各プローブカー２０１、２０２・・・が存在する車両台数を算出する。エリア特徴値予測部１１４は、プローブカー２０１、２０２・・・の車両台数を区画エリアＡ１、Ａ２・・・各々の区画面積で除算し、これを、各区画エリアＡ１、Ａ２・・・の各々に存在する車両全体の車両密度（エリア別車両密度）を示すものと近似して、車両密度分布実績データＤ３０を求める。
　なお、図１０においては、エリア特徴値予測部１１４が算出した各区画エリアＡ１、Ａ２・・・の車両密度の大小関係を、当該各区画エリアＡ１、Ａ２・・・の色の濃さで表現している（図１０左側参照）。

　さらに、エリア特徴値予測部１１４は、車両プローブデータＤ１（図３）のＳＯＣ情報を参照して、各時間帯及び各区画エリアＡ１、Ａ２・・・に属する各プローブカー２０１、２０２・・・のＳＯＣを抽出する。そして、エリア特徴値予測部１１４は、上記と同様の手法により、時間帯、区画エリアＡ１、Ａ２・・・別に存在する電気自動車の平均ＳＯＣ（エリア別平均ＳＯＣ）を示すＳＯＣ分布実績データＤ３１を求める（図１０左側参照）。

　エリア特徴値予測部１１４は、各区画エリアＡ１、Ａ２・・・のエリア別車両密度またはエリア別平均ＳＯＣの時間推移の実績値（図１０左側）に対し、カレンダー情報Ｄ５の暦（平日か、休日・祝日か）を当てはめて、その周期的な規則性を抽出する処理を行う（図１０右側参照）。例えば、エリア特徴値予測部１１４は、「平日」におけるエリア別車両密度（エリア別平均ＳＯＣ）の時間推移、及び、「休日・祝日」におけるエリア別車両密度（エリア別平均ＳＯＣ）の時間推移の実績値を日別に抽出し、「平日」、「休日・祝日」別の平均的な時間推移を算出する。これにより、エリア特徴値予測部１１４は、得られたエリア別車両密度（エリア別平均ＳＯＣ）の「平日」、「休日・祝日」別の平均時間推移を得る。

　なお、本実施形態において、エリア特徴値予測部１１４は、このようにして求めた車両密度の「平日」、「休日・祝日」別の、過去における平均時間推移を、各区画エリアＡ１、Ａ２・・・の車両密度の将来における予測値（車両密度分布予測データＤ３０Ｆ）として用いる（図１１参照）。具体的には、エリア特徴値予測部１１４は、将来における日付が「平日」、「休日・祝日」の何れに該当するかをカレンダーデータＤ５に基づいて特定するとともに、「平日」、「休日・祝日」の各々に対応する平均時間推移（図１１左側、右側）を参照し、これを将来における各区画エリアＡ１、Ａ２・・・のエリア別車両密度の予測値とする。

　エリア特徴値予測部１１４は、同様にして、エリア別平均ＳＯＣの「平日」、「休日・祝日」別の、過去における平均時間推移を、各区画エリアＡ１、Ａ２・・・の平均ＳＯＣの予測値（平均ＳＯＣ分布予測データＤ３１Ｆ）として用いる。

　なお、上述の例では、エリア特徴値予測部１１４は、エリア特徴値（エリア別車両密度、エリア別平均ＳＯＣ）の平均時間推移を「平日」または「休日・祝日」の何れかに分類するとともに、将来の日付がその何れ（平日、休日・祝日）に該当するかに基づいてエリア特徴値を予測するものとしている。しかし、他の実施形態においてはこの態様に限定されず、さらに分類項目を増やしてもよい。例えば、エリア特徴値予測部１１４は、外部から受信可能な天気予報情報を取得し、将来において予測される天気が「晴れ」か「雨」かに基づいてエリア特徴値を予測してもよい。
　この場合、エリア特徴値予測部１１４は、時間帯別の実際の天気を示す天気実績情報、及び、将来の天気の予測を示す天気予報情報を取得可能な天気情報取得部を有している。そして、エリア特徴値予測部１１４は、エリア別車両密度またはエリア別平均ＳＯＣの時間推移の実績値（図１０左側）に対し、当該天気情報取得部によって取得された天気実績情報（その時間帯において「晴れ」か、「雨」か）を当てはめて、エリア別車両密度またはエリア別平均ＳＯＣの時間推移と、天気との規則性を抽出する処理を行う。
　このようにすることで、エリア特徴値予測部１１４は、暦が「平日」か「休日・祝日」か、に加え、別途取得する天気予報情報（「晴れ」か「雨」かの将来の予測）に基づいて、エリア別車両密度及びエリア別平均ＳＯＣを予測することができる。

　図１２は、第１の実施形態に係る需要予測演算部の処理フローを説明するフローチャート図である。
　次に、第１の実施形態に係る需要予測演算部１１３の処理フローを、図１２等を参照しながら順を追って説明する。
　図１２に示すように、需要予測演算部１１３は、エリア特徴値予測部１１４が算出したエリア別特徴値予測データＤ３を取得するステップ（ステップＳ０１）と、当該エリア別特徴値予測データＤ３を、個別モデル取得部１１２が生成した個別モデルＭ１、Ｍ２・・・の各々に入力するステップ（ステップＳ０２）と、の二段階の処理を行う。

　ステップＳ０１では、まず、エリア特徴値予測部１１４が図９～図１１を用いて説明した処理を実行して、エリア別特徴値予測データＤ３（車両密度分布予測データＤ３０Ｆ、平均ＳＯＣ分布予測データＤ３１Ｆ）を算出する。需要予測演算部１１３は、エリア特徴値予測部１１４から、算出されたエリア別特徴値予測データＤ３の入力を受け付ける。
　ここで、以下に説明するように、エリア特徴値予測部１１４が取得した車両密度分布予測データＤ３０Ｆ、平均ＳＯＣ分布予測データＤ３１Ｆは、個別モデルＭ１、Ｍ２・・・の因子ｘ１（車両位置）、因子ｘ２（ＳＯＣ）の各々に対応する。すなわち、ステップＳ０２において、需要予測演算部１１３は、取得した車両密度分布予測データＤ３０Ｆ、平均ＳＯＣ分布予測データＤ３１Ｆのそれぞれが示す車両位置の予測値及びＳＯＣの予測値を、個別モデルＭ１、Ｍ２・・・各々の因子ｘ１、ｘ２に入力する（図８参照）。

　図１３は、第１の実施形態に係る需要予測演算部の処理を説明する第１の図である。
　以下、エリア特徴値予測部１１４のステップＳ０２（図１２）における具体的な処理を、図１３を参照しながら説明する。
　図１３に示すように、需要予測演算部１１３は、個別モデルＭ１の車両位置（因子ｘ１）をそれぞれの区画エリアＡ１、Ａ２・・・の存在率に応じた重みづけをする。具体的には、車両密度分布予測データＤ３０Ｆによって示された各区画エリアＡ１、Ａ２・・・の車両密度を、利用者Ｐ１の存在率の予測とする。ここで、区画エリアＡ１、Ａ２・・・の車両密度が高いほど、利用者Ｐ１が当該区画エリアＡ１、Ａ２・・・に存在する率も比例して高くなる、と見なしている。

　需要予測演算部１１３は、区画エリアＡ１、Ａ２・・・のそれぞれを因子ｘ１に代入して得られた複数の応答ｙ１を、各々の区画エリアＡ１、Ａ２・・・の存在率に応じた値で重みづけをして合算する。例えば、得られた車両密度分布予測データＤ３０Ｆより、将来のある時点において利用者Ｐ１（プローブカー２０１）が区画エリアＡ１に存在する率の予測値が３０％、区画エリアＡ２に存在する率の予測値が５％であったとする。この場合、需要予測演算部１１３は、因子ｘ１に“Ａ１”を代入して得た応答（ｆＡ１Ｐ１（Ａ１））と、因子ｘ１に“Ａ２”を代入して得た応答（ｆＡ１Ｐ１（Ａ２））と、の両方に対し、それぞれ、３０％、５％に対応した重みづけをして合算することで、充電設備３０１の利用率の予測値ｙ１を算出する。具体的には、充電設備３０１の利用率の予測値ｙ１は、ｙ１＝ｆＡ１Ｐ１（Ａ１）×３０％＋ｆＡ１Ｐ１（Ａ２）×５％＋・・・と算出される。

　同様に、需要予測演算部１１３は、平均ＳＯＣ分布予測データＤ３１Ｆにより、各区画エリアＡ１、Ａ２・・・のそれぞれにおいて示されたＳＯＣの予測値を因子ｘ２に代入して得られた複数の応答ｙ１を算出する。例えば、得られた平均ＳＯＣ分布予測データＤ３１Ｆより、区画エリアＡ１における平均ＳＯＣが８０％、区画エリアＡ２における平均ＳＯＣが２５％であったとする。この場合、需要予測演算部１１３は、因子ｘ１に“Ａ１”を代入する場合、因子ｘ２にはＳＯＣ８０％を代入し、ｆＡ１Ｐ１（Ａ１、８０％））を算出する。また、需要予測演算部１１３は、因子ｘ１に“Ａ２”を代入する場合、因子ｘ２にはＳＯＣ２５％を代入し、ｆＡ１Ｐ１（Ａ２、２５％）を算出する。このようにして、需要予測演算部１１３は、利用者Ｐ１についての各充電設備３０１、３０２・・・の利用率の予測結果を示す利用率予測データＤ２０ｆを算出する。

　このように、本実施形態に係る需要予測演算部１１３は、ステップＳ０２（図１１）において、利用者Ｐ１に対応する個別モデルＭ１の入力（因子情報）に、都市Ｔ１全体の集団行動の傾向を把握しやすいエリア特徴値（エリア別車両密度、エリア別平均ＳＯＣ）の予測値を用いる。このようにすることで、需要予測演算部１１３は、比較的高精度で予測が可能な都市Ｔ１の集団行動の傾向を、個別モデルの因子の一部として採用することができるので、より遠い将来においても精度の高い予測結果を得ることができる。

　図１４は、第１の実施形態に係る需要予測演算部の処理を説明する第２の図である。
　需要予測演算部１１３は、図１４に示すように、他の利用者Ｐ２、Ｐ３・・・に対応する個別モデルＭ２、Ｍ３・・・に対しても、同様に、車両密度分布予測データＤ３０Ｆ、平均ＳＯＣ分布予測データＤ３１Ｆを代入し、各利用者Ｐ２、Ｐ３・・・の利用率予測データＤ２０ｆを算出する。
　各利用者Ｐ１、Ｐ２・・・全てについての個別利用率予測データＤ２０ｆを算出すると、需要予測演算部１１３は、全ての個別利用率予測データＤ２０ｆを充電設備３０１、３０２・・・ごとに総計して、各充電設備３０１、３０２・・・の各時間帯における利用率の予測値を算出する。例えば、利用者Ｐ１、Ｐ２・・・の各々が、ある時間帯において充電設備３０１を利用する率が、ｙ１１、ｙ２１・・・であると予測された場合、充電設備３０１の当該時間帯における利用率の予測値Ｙ１は、Ｙ１＝ｙ１１＋ｙ２１＋ｙ３１＋・・・として算出することができる。需要予測演算部１１３は、同様にして、他の充電設備３０２、３０３・・・の同時間帯における利用率の予測値Ｙ２、Ｙ３・・・を算出する（図１４参照）。

　図１５は、第１の実施形態に係る需要予測演算部の機能を説明する第３の図である。
　需要予測演算部１１３は、上述の処理（図１４参照）により、受電設備３０１、３０２・・・の各々についての将来（例えば、現時点から２４時間以内）の利用率の予測値の推移が予測された利用率予測データＤ２０Ｆを取得する（図１５参照）。
　需要予測演算部１１３は、以上のようにして取得された各充電設備３０１、３０２・・・の利用率予測データＤ２０Ｆ（電力需要予測データ）を、データ出力部１０２を介して、供給電力管理装置４００に出力する。供給電力管理装置４００は、各充電設備３０１、３０２・・・の電力需要の予測結果（利用率予測データＤ２０Ｆ）に基づいて、各充電設備３０１、３０２・・・に対する電力の配電計画に反映させる。例えば、充電設備３０１の利用率が高くなると予測される時間帯においては、供給電力管理装置４００は、当該時間帯において、その需要に対応可能な電力供給が成されるように配電計画を生成する。これにより、電力供給システム１は、予め予測された各充電設備３０１、３０２・・・の電力需要に応じた必要分の電力を適切に生成・供給することができるので、電力供給サービス運用の効率化を図ることができる。

（効果）
　上述の第１の実施形態に係る電力供給システム１によれば、電力需要予測装置１００は、まず、特定の地域（都市Ｔ１）における集団行動の傾向を反映する、区画エリア別の特徴値（エリア特徴値）を予測するステップ（ステップＳ０１（図１２））を実行する。また、電力需要予測装置１００は、当該予測されたエリア特徴値を、各個人の充電の意思決定の特徴を反映した個別モデルに入力するステップ（ステップＳ０２（図１２））を実行する。本実施形態に係る電力需要予測装置１００は、このように、「集団行動の傾向に基づく予測」と「個人行動の傾向に基づく予測」の２段階の処理に分けて各充電設備の利用率を予測する。

　充電の時期や充電場所は、個々の走行状況と運転者の嗜好によって異なるため、電力需要を精度よく予測することが困難であった。しかし、本実施形態に係る電力供給システム１によれば、個人行動の傾向に基づく予測（ステップＳ０２）に示す処理により、電力供給システム１は、各個人の生活スタイルや価値観などがシミュレーション解析に反映され、利用者の意思に基づいた精度の高い電力需要予測を行うことができる。また、電力需要予測装置１００は、各利用者の意思決定を反映した複数の個別モデルの集まりを都市全体の集団の意思決定と近似して電力需要を予測するものとしている。したがって、集団全体の行動傾向を直接モデル化するのに必要な実績データのデータ量よりも少ないデータ量で精度の高いシミュレーションモデルを構築することができる。

　また、需要予測演算部１１３は、集団行動の傾向に基づく予測（ステップＳ０１）において、上記個別モデルに入力する因子の少なくとも一部に、集団行動の傾向として精度よく予測可能なエリア特徴値を採用している。例えば、本実施形態においては、「エリア特徴値」として、エリア別車両密度及びエリア別平均ＳＯＣを予測の対象としている。このエリア別車両密度、エリア別平均ＳＯＣ等は、いずれも都市全体の集団行動の傾向として、一定時間ごと（例えば一日ごと、一週間ごと）の周期的な規則性が高い特徴を有している。つまり、エリア別車両密度等は、過去に取得された実績値を、将来における各時間帯においても精度よく再現し得る。したがって、規則性の高い集団行動の傾向から導かれる予測値を、個別モデルの因子として入力することで、比較的遠い将来（例えば、一週間後）まで高い精度で予測することが可能となる。

　また、従来の電力需要の予測においては、需要との因果関係がある情報を用いないと適切に予測できない可能性あり、因果関係の強い因子を見つけるのが困難であった。しかし、本実施形態のように、充電行動に至る要因を「集団行動の傾向に基づく予測」と「個人行動の傾向に基づく予測」とに細分化することで、予測する要因と、計測できるデータの因果関係を容易に把握できる。これにより、デマンド・レスポンスなどを用いた需要のマネジメントがしやすくなる。

　以上、第１の実施形態に係る電力供給システム１によれば、限られた実績データに基づいて、より精度の高い電力の需要予測が可能となる。

（第１の実施形態の変形例）
　なお、上述の実施形態において、エリア特徴値予測部１１４は、過去に蓄積された車両プローブデータＤ１に基づいて、各区画エリアＡ１、Ａ２・・・のエリア特徴値の予測値であるエリア特徴値予測データＤ３Ｆを取得するものとして説明した。しかし、他の実施形態に係るエリア特徴値予測部１１４は、過去の車両プローブデータＤ１ではなく、都市Ｔ１全体の行動傾向を把握するために観測される情報に基づいてエリア特徴値予測データＤ３Ｆを取得してもよい。具体的には、他の実施形態に係るエリア特徴値予測部１１４は、区画エリアＡ１、Ａ２・・・内の道路網において、トラフィックカウンタ等を用いて観測された断面交通量実績データを取得する断面交通量情報取得部を備え、取得した断面交通量実績データから導出されるエリア別車両密度の推移の規則性を抽出することでエリア別車両密度の予測を行う。
　ここで、第１の実施形態において、プローブカー２０１、２０２・・・の台数が限られている場合、車両プローブデータＤ１の全データ量が少ないために集団行動の傾向を精度よく再現できていない場合がある。しかし、上記変形例の場合、集団行動の傾向を把握するために取得された実測データ（断面交通量等）に基づいてエリア別特徴値の予測を行うため、その予測の精度を一層高めることができる。

　図１６は、第１の実施形態の変形例に係るエリア特徴値予測部の機能を説明する図である。
　本変形例においては、ステップＳ０１（図１２）における「集団行動の傾向に基づく予測」を更に、ガソリン車も含む全車両の状況に依存する「交通状況の予測」と、電気自動車の状況に依存する「ＳＯＣ分布の予測」に分割して予測を行う。
　具体的には、まず、上述の断面交通量情報取得部が、トラフィックカウンタ等を介して得られる断面交通量の実績データ（交通量実績データＤ６）を取得する。そして、エリア特徴値予測部１１４は、地図・カレンダーデータ記憶部１２３に記憶される地図データＤ４、カレンダーデータＤ５とともに交通量実績データＤ６を入力し（ステップＳ０１０）、車両密度分布予測データＤ３０Ｆを取得する（ステップＳ０１１）。なお、この処理は、図９～図１１を用いて説明した処理内容と同等の処理によって成される。しかし、ここで取得される車両密度分布予測データＤ３０Ｆは、電気自動車のみならずガソリン車等が含まれた車両全体の行動傾向に基づいた予測データであるため、第１の実施形態の場合よりも予測の精度が高い。

　一方、エリア特徴値予測部１１４は、プローブカー２０１、２０２・・・において取得された各車両プローブデータＤ１から抽出可能な時間帯別ＳＯＣデータＤ１３（図５）を取得する（ステップＳ０１２）。この時間帯別ＳＯＣデータＤ１３は、プローブカー２０１、２０２・・・の現時点におけるＳＯＣの実績値を示している。

　エリア特徴値予測部１１４は、ステップＳ０１１で取得された車両密度分布予測データＤ３０Ｆと、プローブカー２０１、２０２・・・の現時点におけるＳＯＣの実績値を示す時間帯別ＳＯＣデータＤ１３と、を入力して平均ＳＯＣ分布予測データＤ３１Ｆを取得する。具体的には、エリア特徴値予測部１１４は、車両密度分布予測データＤ３０Ｆにより予測される車両全体の交通流と、各電気自動車の現時点におけるＳＯＣと、に基づいて、当該予測される交通流に沿って走行する電気自動車の残容量（ＳＯＣ）を算出する。これにより、エリア特徴値予測部１１４は、平均ＳＯＣ分布予測データＤ３１Ｆを取得する。このようにして取得された平均ＳＯＣ分布予測データＤ３１Ｆは、車両密度分布予測データＤ３０Ｆと同様に、電気自動車以外の車両全体の行動傾向に基づいた予測データとなるため、予測精度が高いものとなる。

　エリア特徴値予測部１１４は、図１６において各々求めたエリア特徴値の予測値（車両密度分布予測データＤ３０Ｆ、平均ＳＯＣ予測データＤ３１Ｆ）を、事前に生成した各個別モデルＭ１、Ｍ２・・・に入力し、各充電設備３０１、３０２・・・の利用率の予測値を算出する（図１３～図１５参照）。

　以上、上記変形例に係る電力需要予測装置１００によれば、都市Ｔ１全体における集団行動の傾向を、当該都市Ｔ１に属する車両全体についての統計データ（断面交通量等）に基づいて予測することで、予測の精度を一層高めることができる。

　なお、上述の例において、エリア特徴値予測部１１４は、トラフィックカウンタを介して取得される断面交通量の実測値の他、パーソントリップデータ、土地利用データやアンケートなどの交通需要データを用いてもよい。また、これらの各種データを基に、所定の交通流シミュレータを用いて種々のエリア特徴値を予測してもよい。
　また、計測された交通量等の情報を交通流シミュレータに適用し、都市Ｔ１全体の時間帯別の交通流を再現することで、より詳細なエリア特徴値（例えば、当該区画エリア内における車両全体の平均速度や平均加速度を示すエリア別平均速度・加速度等）の予測値を取得してもよい。さらにこの場合、エリア特徴値予測部１１４は、予測された交通流のみならず、速度、加速度などの車両走行情報を加味して平均ＳＯＣ分布予測データＤ３１Ｆを予測してもよい。このようにすることで、予測に用いる情報量が増えるので、集団行動の傾向に基づく予測の精度をさらに高めることができる。

（個別モデルの変形例）
　また、個別モデルＭ１、Ｍ２・・・の態様は上述の態様（図８、図１４）に限定されず、例えば以下のように変更可能である。

　図１７は、第１の実施形態の変形例に係る個別モデル取得部の機能を説明する図である。
　第１の実施形態に係る個別モデル取得部１１２は、過去に蓄積された車両プローブデータＤ１に基づいて因子実績データＤ１０（因子ｘ１、ｘ２・・・）と、利用率実績データＤ２０（応答ｙ１、ｙ２・・・）との相関関係を、式（１）、（２）等の関数の束を導出することによって個別モデルを構築する。

　この変形例として、例えば、個別モデル取得部１１２は、決定木学習に基づく各利用者Ｐ１、Ｐ２・・・の個別モデルＭ１’、Ｍ２’・・・を生成してもよい。例えば、図１７に示すように、モデル構築処理部１１２ｃは、因子実績データＤ１０及び利用率実績データＤ２０に基づいて、利用者Ｐ１の充電設備３０１に対する時間帯別の利用率の予測値を導出する個別モデルＭ１’（決定木モデル）を構築する。

　例えば、図１７に例示する決定木モデルでは、利用者Ｐ１は、「充電設備３０１を利用するか否か？」という問いに対し、現時点において「運転中か否か？」、「距離が○○ｋｍ以内か否か？」、「ＳＯＣが△△％未満か否か？」・・・という条件を満たすか否か、の経路をたどり、「充電設備３０１を利用する」にたどり着くか、「充電設備３０１を利用しない」にたどり着くか、の割合を算出することで、利用率の予測値を導出する。また、他にも、「急速充電に対応しているか否か」、「付加サービスが利用可能か否か」、等の条件が反映されていてもよい。

　このように、意思決定の要因となる複数の条件（因子ｘ１、ｘ２・・・に相当）を満たしているか否か、によって導かれる意思決定の結果（応答ｙ１、ｙ２・・・に相当）をモデル化する。
　このようにすることで、利用者Ｐ１、Ｐ２・・・各々の充電の意思決定をよりわかりやすく記述することができ、利用者Ｐ１、Ｐ２・・・各々が、何に基づいて充電を行うという意思に至ったか、をより明確化できる。そうすることで、例えば、新たな充電設備の設置やサービスの提供等により、充電設備３０１、３０２・・・各々の電力需要の調整を容易化させることができる。

　なお、上述の電力供給システム１では、各充電設備３０１、３０２・・・の電力需要として、時間帯別の利用率を予測するものとして説明したが、他の実施形態においてはこの態様に限定されない。例えば、他の実施形態に係る電力供給システムは、予測の対象とする情報として、充電設備３０１、３０２・・・における時間帯別の供給電力量［ｋＷ］を予測の対象にしてもよい。具体的には、個別モデル取得部１１２の電力需要情報抽出部１１２ｂが、予測の対象とする応答ｙ１、ｙ２・・・に対し、各充電設備３０１、３０２・・・の「供給電力量」の実績データ（供給電力実績データ）を選択することで、当該供給電力量の予測結果である供給電力予測データを取得可能となる。

＜第２の実施形態＞
　第１の実施形態に係る需要予測演算部１１３が行う「個人の行動傾向に基づく予測」（図１２、ステップＳ０２）は、事前に取得された実績データである車両プローブデータＤ１に基づいて生成された、各個人の充電の意思決定の特徴を反映した個別モデルＭ１、Ｍ２・・・を用いて行うものとして説明した。
　これに対し、第２の実施形態においては、個人が立ち寄る充電設備３０１、３０２・・・までの距離を用いて需要を分配する方法により「個人の行動傾向に基づく予測」を行う。

（需要予測演算部の機能）
　図１８は、第２の実施形態に係る需要予測演算部の機能を説明する図である。
　本実施形態に係る需要予測演算部１１３は、第１の実施形態（またはその変形例）と同様の方法で「集団行動の傾向に基づく予測」を行う。具体的には、需要予測演算部１１３は、エリア特徴値予測部１１４が算出した車両密度分布予測データＤ３０Ｆを取得する（図１２、ステップＳ０１）。需要予測演算部１１３は、ステップＳ０１において取得した車両密度分布予測データＤ３０Ｆにより、利用者Ｐ１の区画エリアＡ１、Ａ２・・・別の存在率を把握できる。
　需要予測演算部１１３は、この車両密度分布予測データＤ３０Ｆを入力として「個人行動に基づく予測」を行う。

　図１８を参照しながら、例として、利用者Ｐ１（プローブカー２０１）が都市Ｔ１内のある区画エリアＡ１に存在している場合を説明する。需要予測演算部１１３は、個別モデル取得部１１２が取得する個別モデルに基づいて、区画エリアＡ１における利用者Ｐ１個人の行動傾向を予測する。
　ここで、本実施形態に係る個別モデル取得部１１２は、全ての利用者（個人）に当てはまる意思決定の特徴のみを反映した個別モデルを有している。具体的には、例えば、個別モデル取得部１１２は、現在位置からの距離（後述する「一般化距離」）が近いほど、その充電設備３０１、３０２・・・に立ち寄る率が高くなる、という個人の意思決定の特徴を反映した個別モデルを有している。

　まず、需要予測演算部１１３は、地図データＤ４等を用いて利用者Ｐ１の現在位置から各充電設備３０１、３０２・・・までの距離を算出する。ここで、需要予測演算部１１３が算出する各充電設備３０１、３０２・・・までの距離とは、その行程に存在する渋滞や混雑度などを加味した「一般化距離」である。具体的には、需要予測演算部１１３は、現在位置（区画エリアＡ１）から、ある充電設備３０２が存在する区画エリアＡ２までの一般化距離Ｌ２、他の充電設備３０３が存在する区画エリアＡ３までの一般化距離Ｌ３等を算出する。

　例えば、図１８に示すように、区画エリアＡ１から区画エリアＡ３までの行程の途中に渋滞Ｑが発生しているため、車両密度が低い区画エリアＡ５と、車両密度が高い区画エリアＡ６が存在している。この場合、需要予測演算部１１３は、車両密度が所定の閾値を上回る区画エリア（区画エリアＡ６）を特定するとともに、当該区画エリアＡ６を通過する行程長に所定の渋滞係数Ｊ（Ｊ＞１）を乗算した上で一般化距離Ｌ３を算出する。
　一方、区画エリアＡ１から区画エリアＡ２までの行程の途中（区画エリアＡ４等）には渋滞が発生していない。したがって、需要予測演算部１１３は、区画エリアＡ１から区画エリアＡ２までの実際の距離を一般化距離Ｌ２とする。
　これにより、需要予測演算部１１３は、行程の一部に渋滞がある場合には、実際の距離よりも長くなる一般化距離を算出する。需要予測演算部１１３は、渋滞の有無が加味された一般化距離Ｌ１、Ｌ２・・・を充電設備３０１、３０２・・・別に算出する。

　本実施形態に係る需要予測演算部１１３は、算出された一般化距離Ｌ１、Ｌ２・・・を上述した個別モデルＭに入力して、利用者Ｐ１が各充電設備３０１、３０２・・・に立ち寄る率（利用率）の予測値を算出する。例えば、この個別モデルＭは、具体的には、一般化距離Ｌ１、Ｌ２・・・と、各充電設備３０１、３０２・・・に立ち寄る率と、を負の相関関係を有する所定の関数で関連付けたモデルである。これにより、需要予測演算部１１３は、一般化距離Ｌ１、Ｌ２・・・が小さい充電設備３０１、３０２・・・ほど、当該充電施設３０１、３０２・・・に立ち寄りやすい、という利用者Ｐ１の個人行動の傾向を反映させながら、各充電設備３０１、３０２・・・の利用率の予測値を求めることができる。

　なお、上述のようにして求められた各充電設備３０１、３０２・・・の利用率の予測値は、利用者Ｐ１がエリアＡ１に属していると仮定した場合における利用率の予測値である。需要予測演算部１１３は、利用者Ｐ１が他の区画エリアＡ１、Ａ２・・・に存在する場合も同様の処理を行う。需要予測演算部１１３は、車両密度分布予測データＤ３０Ｆを入力とし、上記の処理で算出された複数の利用率の予測値を、利用者Ｐ１の区画エリアＡ１、Ａ２・・・における存在率で重みづけして合算する。

（効果）
　以上のように、本実施形態に係る需要予測演算部１１３は、「個人行動の傾向に基づく予測」を、各充電設備３０１、３０２・・・の「一般化距離」に応じた利用者の利用率の予測値を算出することで行う。このようにすることで、「個人行動の傾向に基づく予測」の処理を簡素化し、車両プローブデータＤ１を取得して個別モデルＭ１、Ｍ２・・・を生成する労力を削減することができる。

　なお、本実施形態においては、車両密度分布予測データＤ３０Ｆ以外に、例えば、交通流シミュレータ（第１の実施形態の変形例を参照）を用いて算出された交通流の予測（交通流予測データ）を用いてもよい。ここで、交通流予測データとは、都市Ｔ１の各道路網における交通流（走行方向）の分布を示す情報である。この場合、需要予測演算部１１３は、車両の走行方向に応じた重みづけをしながら各充電設備３０１、３０２・・・についての一般化距離を算出する。具体的には、例えば、利用者Ｐ１（プローブカー２０１）は、区画エリアＡ１から区画エリアＡ３に向かう車両であったとする。この場合、充電設備３０３は、その進行方向に存在するため、走行方向に応じた重みづけを行うことなく一般化距離Ｌ３を算出する。一方、区画エリアＡ１から区画エリアＡ３に向かう利用者Ｐ１にとっては、区画エリアＡ７に存在する充電設備３０７は、反対方向に位置する。したがって、需要予測演算部１１３は、区画エリアＡ７までの実際の距離に方向係数Ｈ（Ｈ＞１）を乗算することで一般化距離Ｌ７を算出する。
　このようにすることで、個人行動の傾向に車両の走行方向を反映させることができるので、より精度の高い電力需要予測を行うことができる。

　また、エリア特徴値予測部１１４は、さらに、各充電設備３０１、３０２・・・における混雑度の観測結果（実績値）に基づいて、混雑度（待ち時間）の予測値を取得可能としてもよい。この場合、需要予測演算部１１３は、上記「渋滞の有無」のみならず、各充電設備３０１、３０２・・・における「混雑度」の予測値を加味して一般化距離Ｌ１、Ｌ２・・・を算出してもよい。このようにすることで、各充電設備３０１、３０２・・・の混雑状況を反映した個人行動の傾向を予測することができる。
　また、需要予測演算部１１３は、車両の現在位置と充電設備３０１、３０２・・・との間の「距離」として、上述のような「一般化距離」ではなく、実際の距離（実空間上における距離）のみに基づいて各充電設備３０１、３０２・・・の利用率の予測値を算出するものであってもよい。このようにすることで、需要予測演算部１１３の予測処理を簡素化することができる。

　なお、上述の各実施形態に係る電力供給システムは、いずれも、電力需要予測装置１００の予測結果に基づいて供給電力管理装置４００が、予測結果に合わせた必要最小限の電力供給となるように配電計画に反映させることで、運用の効率化を図るものとして説明した。しかし、他の実施形態に係る電力供給システムは、受け付けた予測結果に応じて、都市Ｔ１に属する電気自動車の利用者に向けて、ある時間帯において所定の充電設備の利用を控えることを要求し、また、必要に応じて、別の時間帯において所定の充電設備の利用を促す内容のメールを通知する要求通知装置を有する態様であってもよい。例えば、この要求通知装置は、ある日の午後６時の時間帯において充電設備３０１の電力需要が著しく増加するという予測を受け付けた場合に、当該充電設備３０１の利用率が高い利用者に対して、その時間帯の利用を控え、電力需要が低いと予測された他の時間帯の利用を要求する旨のメールを送信する。これにより、各利用者がその要求に従うことで、電力需要のピークカット（ピークシフト）を簡便に行うことができる。
　また、この場合、上述のような利用差し控え通知メールを受信の有無が、利用者Ｐ１、Ｐ２・・・各々の充電の意思決定の要因としてどの程度影響されるかを考慮した個別モデルを構築してもよい。これにより、上記利用差し控え通知メールの配信先の選定を効果的に実施することができる。

　なお、上述の各実施形態における電力需要予測装置１００の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより工程を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、ホームページ提供環境（あるいは表示環境）を備えたＷＷＷシステムも含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（ＲＡＭ）のように、一定時間プログラムを保持しているものも含むものとする。

　また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。また、上記プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であっても良い。

　以上、本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものとする。

　上述の各実施形態によれば、限られた実績データに基づいて、より精度の高い電力の需要予測が可能となる。

１　電力供給システム
１００　電力需要予測装置
１０１　データ受付部
１０２　データ出力部
１１０　ＣＰＵ
１１１　データ蓄積処理部
１１２　個別モデル取得部
１１２ａ　因子情報抽出部
１１２ｂ　電力需要情報抽出部
１１２ｃ　モデル構築処理部
１１３　需要予測演算部
１１４　エリア特徴値予測部
１２０　プローブデータ記憶部
１２１　個別モデル記憶部
１２３　地図・カレンダーデータ記憶部
２０１、２０２・・・　プローブカー
３０１、３０２・・・　充電設備
４００　供給電力管理装置

Claims (7)

1. 　車両に関する実測データを入力し、複数に区画された区画エリア別に、当該区画エリア内に属する車両に関する特徴を示すエリア特徴値を予測するエリア特徴値予測部と、
   　前記エリア特徴値を入力とし、特定の車両の、特定の充電設備における電力需要を出力とする、当該特定の車両各々の個別モデルを取得する個別モデル取得部と、
   　前記予測されたエリア特徴値を前記個別モデルに入力し、当該個別モデルに対応する特定の車両の、前記特定の充電設備における電力需要の予測値を算出する需要予測演算部と、
   　を備える電力需要予測装置。
2. 　前記エリア特徴値予測部は、
   　前記エリア特徴値として、前記区画エリア内における車両密度、当該区画エリア内における車両全体の平均速度、及び、当該区画エリア内に属する車両全体のバッテリーの平均充電率のうちの少なくとも一つを含む
   　請求項１に記載の電力需要予測装置。
3. 　前記個別モデル取得部は、
   　前記車両に関する実測データに基づいて、特定の車両が特定の充電設備において充電を行う意思決定の要因となる因子情報の実績値と、当該特定の車両の、前記特定の充電設備における電力需要を示す実績値と、の相関関係を示す個別モデルを、前記特定の車両別に生成する
   　請求項１または請求項２に記載の電力需要予測装置。
4. 　前記個別モデル取得部は、
   　前記特定の車両の現在位置と前記特定の充電設備との間の距離と、当該特定の充電設備における電力需要と、の相関関係を示す個別モデルを取得する
   　請求項１または請求項２に記載の電力需要予測装置。
5. 　請求項１から請求項４の何れか一項に記載の電力需要予測装置と、
   　前記電力需要予測装置の予測結果に応じて、前記充電設備各々の供給電力を調整する供給電力管理装置と、
   　を備える電力供給システム。
6. 　車両に関する実測データを入力し、複数に区画された区画エリア別に、当該区画エリア内に属する車両に関する特徴を示すエリア特徴値を予測するステップと、
   　前記エリア特徴値を入力とし、特定の車両の、特定の充電設備における電力需要を出力とする、当該特定の車両各々の個別モデルを取得するステップと、
   　前記予測されたエリア特徴値を前記個別モデルに入力し、当該個別モデルに対応する特定の車両の、前記特定の充電設備における電力需要の予測値を算出するステップと、
   　を有する電力需要予測方法。
7. 　電力需要予測装置のコンピュータを、
   車両に関する実測データを入力し、複数に区画された区画エリア別に、当該区画エリア内に属する車両に関する特徴を示すエリア特徴値を予測するエリア特徴値予測手段、
   　前記エリア特徴値を入力とし、特定の車両の、特定の充電設備における電力需要を出力とする、当該特定の車両各々の個別モデルを取得する個別モデル取得手段、
   　前記予測されたエリア特徴値を前記個別モデルに入力し、当該個別モデルに対応する特定の車両の、前記特定の充電設備における電力需要の予測値を算出する需要予測演算手段、
   　として機能させるプログラム。

Images