JP7828763B2 - プログラム、電力需要予測方法、及び情報処理装置 - Google Patents

Description

本発明は、対象需要家における電力需要を予測する技術に関する。

電力需要を予測する技術が知られている。例えば特許文献１には、予測日と同じ曜日の過去日の需要実績データから需要変動パターンを生成し、生成した需要変動パターンを現時点の実績値に連結して、現時点以後の電力需要の予測パターンである基本変動パターンを算出することが記載されている。

特開２０１６－１９３５８号公報

特許文献１に記載の技術では、電力が消費された日の曜日等の情報に基づいて、電力需要を予測している。しかし、生産物を生産する需要家においては、曜日等の情報以外にも消費電力量に影響を与える要因が存在する。したがって、特許文献１に記載の技術を用いてこのような需要家における電力需要量を予測すると、電力需要量の予測の精度が低くなる場合がある。

本発明は、対象需要家における電力需要量を予測する精度を高めることを目的の一つとする。

本開示の一態様は、コンピュータに、予測対象期間を示す第１カレンダー情報を取得するステップと、生産物を生産する対象需要家の前記予測対象期間における前記生産物の生産予定情報を取得するステップと、少なくとも一の需要家において電力が消費された日時を示す第２カレンダー情報及び前記少なくとも一の需要家の前記日時における生産物の生産実績情報を説明変数とし、前記日時における前記少なくとも一の需要家の消費電力量を目的変数として機械学習を行って生成された機械学習モデルに前記第１カレンダー情報及び前記生産予定情報を入力することにより、前記予測対象期間における前記対象需要家の電力需要量を予測する予測ステップとを実行させるためのプログラムを提供する。

本開示の別の態様は、予測対象期間を示す第１カレンダー情報を取得するステップと、生産物を生産する対象需要家の前記予測対象期間における前記生産物の生産予定情報を取得するステップと、少なくとも一の需要家において電力が消費された日時を示す第２カレンダー情報及び前記少なくとも一の需要家の前記日時における生産物の生産実績情報を説明変数とし、前記日時における前記少なくとも一の需要家の消費電力量を目的変数として機械学習を行って生成された機械学習モデルに前記第１カレンダー情報及び前記生産予定情報を入力することにより、前記予測対象期間における前記対象需要家の電力需要量を予測する予測ステップとを有する電力需要予測方法を提供する。

本開示のさらに別の態様は、予測対象期間を示す第１カレンダー情報を取得する第１取得手段と、生産物を生産する対象需要家の前記予測対象期間における前記生産物の生産予定情報を取得する第２取得手段と、少なくとも一の需要家において電力が消費された日時を示す第２カレンダー情報及び前記少なくとも一の需要家の前記日時における生産物の生産実績情報を説明変数とし、前記日時における前記少なくとも一の需要家の消費電力量を目的変数として機械学習を行って生成された機械学習モデルに前記第１カレンダー情報及び前記生産予定情報を入力することにより、前記予測対象期間における前記対象需要家の電力需要量を予測する予測手段とを備える情報処理装置を提供する。

本発明によれば、対象需要家における電力需要量を予測する精度を高めることができる。

一実施形態に係る電力制御システムの概要を示す図。 電力制御システムの機能構成を例示する図。 サーバのハードウェア構成を例示する図。 機械学習モデルを生成する電力制御システムの動作を例示するシーケンスチャート。 電力需要量の予測するサーバの動作を例示するフローチャート。

１．構成
図１は、一実施形態に係る電力制御システム１の概要を示す図である。電力制御システム１は、いわゆるＦＥＭＳ（Factory Energy Management System）である。電力制御システム１は、各需要家Ｈにおけるエネルギーマネージメントを最適化するために、需要家Ｈ毎に電力需要量の予測を行う。需要家Ｈとは、電気の供給を受けて使用している者をいう。一例において、需要家Ｈは、高圧又は特別高圧で受電する特定需要家、具体的には生産物を生産する工場等の施設である。生産物は、化学品や工業製品であってもよいし、農産物であってもよい。需要家Ｈでは、電力を消費して生産物が生産される。したがって、需要家Ｈにおける消費電力量は、生産物の生産状況によって変動する。電力制御システム１は、発電装置１０、複数の電力負荷２０、電力量計３０、計測器４０、制御装置５０、及びサーバ６０（情報処理装置の一例）を有する。

これらのうち、発電装置１０、複数の電力負荷２０、電力量計３０、計測器４０、及び制御装置５０は、需要家Ｈの屋内又は屋外に設置される。図面を簡単にするため図１では単一の需要家Ｈのみを図示しているが、電力制御システム１は複数の需要家Ｈを含んでもよい。また、各需要家Ｈには商用電源（図１では略）からの電力も供給される。商用電源からの電力は、電力小売事業者により販売（又は提供）される。サーバ６０は、需要家Ｈの制御装置５０とネットワーク９０を介して接続される。制御装置５０は、ＬＡＮ（Local Area Network）等のネットワーク９５を介して発電装置１０、複数の電力負荷２０、電力量計３０、及び計測器４０に接続される。

発電装置１０は、発電を行う装置である。一例において、発電装置１０は、自然エネルギーを用いて発電を行う装置、具体的には太陽光発電装置や風力発電装置である。或いは、発電装置１０は、ガスタービンやディーゼルエンジンによる非常用の発電装置であってもよい。電力負荷２０は、需要家Ｈにおいて電力を消費する装置である。電力負荷２０には、蓄電池２１と、一般電力負荷２２とが含まれる。

蓄電池２１（第１電力負荷の一例）は、発電装置１０又は商用電源から供給された電力を用いて充電され、蓄えた電力を必要に応じて放電する装置である。蓄電池２１は、サーバ６０により作成された動作計画に基づいて制御装置５０によりその動作が制御される。蓄電池２１は、満充電になると充電動作が停止するため、消費電力量に上限がある。一例において、蓄電池２１は産業用の蓄電池であり、具体的にはＮＡＳ電池（登録商標）、リチウムイオン電池、鉛電池、ニッケル水素電池が挙げられる。

一般電力負荷２２（第２電力負荷の一例）は、需要家Ｈに設置された蓄電池２１以外の電力負荷２０であり、生産物の生産に用いられる機械や設備、冷暖房装置、及び照明装置等を含む。一般電力負荷２２は、制御装置５０によりその動作が制御されず、例えば利用者の操作又はＰＬＣ（Programmable Logic Controller）に従って動作する。

電力量計３０は、需要家Ｈにおける全体の消費電力量を計測する装置である。需要家Ｈにおける全体の消費電力量とは、蓄電池２１により消費される電力量と、一般電力負荷２２により消費される電力量との合計である。一例において、電力量計３０は、いわゆるスマートメーターである。電力量計３０は、計測した全体の消費電力量を制御装置５０に供給する。

計測器４０は、蓄電池２１の消費電力量を計測する装置である。蓄電池２１の消費電力量とは、例えば蓄電池２１が消費する電力量である。一例において、蓄電池２１の単位時間当たりの消費電力量が概ね一定である場合、計測器４０は、蓄電池２１の動作時間と単位時間当たりの消費電力量とを用いて蓄電池２１の消費電力量を計測する。計測器４０は、計測した蓄電池２１の消費電力量を制御装置５０に供給する。

なお、この例では計測器４０が消費電力量を計測しているが、計測器４０が動作時間を計測し、制御装置５０が計測器４０により計測された動作時間と単位時間当たりの消費電力量とを用いて消費電力量を算出してもよい。

制御装置５０は、需要家Ｈにおいて発電装置１０、電力負荷２０、電力量計３０、及び計測器４０に関する制御を行う。例えば制御装置５０は、サーバ６０からの指令に従って蓄電池２１の動作を制御する。また、制御装置５０は、需要家Ｈにおける消費電力量の履歴をサーバ６０に送信する。サーバ６０は、電力制御システム１を制御する。例えばサーバ６０は、蓄電池２１の動作計画を作成し、この動作計画に従って制御装置５０に蓄電池２１の動作を指令する。また、サーバ６０は、制御装置５０から受信した需要家Ｈにおける消費電力量の履歴に基づいて、需要家Ｈにおける電力需要量を予測する。

図２は、電力制御システム１の機能構成を例示する図である。電力制御システム１は、記憶手段５１、送信手段５２、記憶手段６１、取得手段６２、取得手段６３、取得手段６４、取得手段６５、生成手段６６、及び予測手段６７を有する。これらの機能要素のうち、記憶手段５１、及び送信手段５２は制御装置５０に実装される。記憶手段６１、取得手段６２、取得手段６３、取得手段６４、取得手段６５、生成手段６６、及び予測手段６７はサーバ６０に実装される。

制御装置５０において、記憶手段５１は、電力量計３０により計測された需要家Ｈにおける全体の消費電力量の履歴、及び計測器４０により計測された蓄電池２１の消費電力量の履歴を記憶する。各履歴には、電力が消費された日時（以下、「電力消費日時」ともいう。）と、電力消費日時における消費電力量とが含まれる。送信手段５２は、記憶手段５１に記憶された需要家Ｈにおける全体の消費電力量の履歴、及び蓄電池２１の消費電力量の履歴をサーバ６０に送信する。

サーバ６０において、記憶手段６１は、需要家データベースとカレンダー情報とを含む各種のデータを記憶する。需要家データベースは、各需要家Ｈに関する各種の情報を格納する。需要家データベースは、例えば需要家Ｈが属する地域や需要家Ｈに設置された入力端末（図示せず）を特定するのに用いられる。一例において、需要家データベースには、各需要家Ｈの識別情報と、その需要家Ｈの住所と、その需要家Ｈに設置された入力端末のアドレスとが対応付けて格納される。カレンダー情報は、例えば今年のカレンダーの情報である。カレンダー情報には、例えば月、日、曜日、平日、休日、祝日、月初、月央、月末、週数、季節、日出、日没、及び主要な行事が含まれる。平日、休日、及び祝日は、祝日であるか否かの種別の一例である。祝日は祝日であることを示し、平日及び休日は祝日ではないことを示す。月初、月央、月末は、月末であるか否かの種別の一例である。月末は月末であることを示し、月初及び月央は月末ではないことを示す。

取得手段６２は、各需要家Ｈにおける全体の消費電力量の履歴、及び蓄電池２１の消費電力量の履歴を取得する。取得手段６３（第１取得手段の一例）は、対象の日時を示すカレンダー情報を取得する。このカレンダー情報には、需要家Ｈにおける電力消費日時を示すカレンダー情報（第２カレンダー情報の一例）と、予測対象期間を示すカレンダー情報（第１カレンダー情報の一例）とが含まれる。予測対象期間は、予測の単位となる期間である。各カレンダー情報には、例えば月、日、時間、曜日、平日、休日、祝日、月初、月央、月末、週数、季節、日出、日没、及び主要な行事のうち少なくともいずれかが含まれる。一例において、取得手段６３は、取得手段６２により取得された各履歴に含まれる電力消費日時を取得する。また、取得手段６３は、この電力消費日時を示す追加のカレンダー情報を記憶手段６１から取得する。追加のカレンダー情報には、日時以外のカレンダー情報、例えば曜日、平日、休日、祝日、月初、月央、月末、週数、季節、日出、日没、及び主要な行事のうち少なくともいずれかが含まれる。さらに、取得手段６３は、予測対象期間を取得する。さらに、取得手段６３は、予測対象期間を示す追加のカレンダー情報を記憶手段６１から取得する。

取得手段６４は、対象の日時における各需要家Ｈが属する地域の気象情報を取得する。気象情報には、電力消費日時における需要家Ｈが属する地域の気象情報（第２気象情報の一例）と、予測対象期間における需要家Ｈが属する地域の気象情報（第１気象情報の一例）とが含まれる。なお、予測対象期間は未来の期間であるため、予測対象期間における気象情報は、実際の気象を示すものではなく、気象の予報を示すものになる。各気象情報には、例えば天気、気温、湿度、降水量、日射量、風向、及び風速のうち少なくともいずれかが含まれる。一例において、取得手段６４は、気象情報を提供する事業者又は機関が運営する外部サーバから、取得手段６２により取得された履歴に含まれる電力消費日時における需要家Ｈが属する地域の気象情報を取得する。また、取得手段６４は、気象情報を提供する事業者又は機関が運営する外部サーバから、予測対象期間における需要家Ｈが属する地域の気象情報を取得する。

取得手段６５（第２取得手段の一例）は、対象の日時における各需要家Ｈの生産物の生産情報を取得する。生産情報とは、生産物の生産状況を示す情報である。生産情報には、需要家Ｈの電力消費日時における生産物の生産実績情報と、予測対象期間における需要家Ｈの生産物の生産予定情報とが含まれる。各生産情報には、生産物の種別、生産物の生産量、及び生産物の生産工程のうち少なくともいずれかが含まれる。この生産工程は、生産物が複数の生産工程を経て生産される場合には、これらの生産工程のうち対象の日時において実際に行われる生産工程である。一例において、需要家Ｈは、生産実績情報及び生産予定情報を作成し、需要家Ｈに設置された入力端末に入力する。取得手段６５は、この入力端末から生産実績情報及び生産予定情報を取得する。或いは、需要家Ｈが生産実績情報及び生産予定情報を作成してサーバ６０の管理者に提供する。取得手段６５は、管理者の操作によりサーバ６０に入力された生産実績情報及び生産予定情報を取得する。

生成手段６６は、各需要家Ｈにおける一般電力負荷２２の消費電力量を目的変数とし、取得手段６３～６５により取得されたその需要家Ｈの電力消費日時を示すカレンダー情報、電力消費日時における気象情報、及び生産実績情報を説明変数とする教師データを機械学習することにより、需要家Ｈ毎に機械学習モデルを生成する。生成手段６６は、取得手段６２により取得された需要家Ｈにおける全体の消費電力量から蓄電池２１の消費電力量を差し引いて得られる一般電力負荷２２の消費電力量を目的変数とする。そして、生成手段６６は、各需要家Ｈにおける一般電力負荷２２の消費電力量と、その需要家Ｈの電力消費日時を示すカレンダー情報、電力消費日時における気象情報、及び生産実績情報との関係を学習する。この機械学習により、カレンダー情報、気象情報、及び生産情報を入力として、需要家Ｈにおける一般電力負荷２２の電力需要量の予測を出力する機械学習モデルが生成される。一般電力負荷２２の電力需要量とは、需要家Ｈに設置された電力負荷２０のうち、蓄電池２１を除いた一般電力負荷２２により消費されることが予測される電力量である。

一般電力負荷２２の消費電力量を目的変数として用いるのは、電力需要量の予測の精度を高めるためである。上述したように、蓄電池２１は、サーバ６０により作成された動作計画に基づいてその動作が制御される。蓄電池２１の電力需要量は、この動作計画に基づいて動作することにより消費される電力量であるため、機械学習により予測するよりも、実際の動作計画に基づいて予測した方が予測の精度が高くなる。そこで、生成手段６６は、一般電力負荷２２の消費電力量を目的変数として機械学習が行うことにより、蓄電池２１の電力需要量を除いた一般電力負荷２２の電力需要量の予測を行う機械学習モデルを生成する。これにより、例えば一般電力負荷２２の電力需要量については機械学習により予測を行い、蓄電池２１の電力需要量については動作計画に基づいて個別に予測を行うことができる。その結果、需要家Ｈにおける電力需要量の予測の精度が高くなる。

電力消費日時を示すカレンダー情報、電力消費日時における気象情報、及び生産実績情報を説明変数として用いるのは、これらの情報が一般電力負荷２２が消費する電力量に影響を及ぼすためである。例えば月、日、時間、曜日、祝日であるか否か、月末であるか否か等によって、一般電力負荷２２が消費する電力量は相違する。また、天気、気温等によって、一般電力負荷２２が消費する電力量は相違する。さらに、需要家Ｈにおいて生産される生産物の生産量、生産物の種別、及び生産物を生産する生産工程によって、一般電力負荷２２が消費する電力量は相違する。したがって、電力消費日時を示すカレンダー情報、電力消費日時における気象情報、及び生産実績情報を説明変数として機械学習を行うことにより、一般電力負荷２２の電力需要量の予測の精度が高くなる。

予測手段６７は、取得手段６３～６５により取得された予測対象期間を示すカレンダー情報、第２気象情報、及び生産予定情報を生成手段６６により生成された各需要家Ｈの機械学習モデルに入力して、予測対象期間における電力需要量を需要家Ｈ毎に予測する。ただし、予測手段６７により予測される需要家Ｈの電力需要量には、蓄電池２１により消費される電力量は含まれない。

図３は、サーバ６０のハードウェア構成を例示する図である。サーバ６０は、ＣＰＵ（Central Processing Unit）６０１、メモリ６０２、ストレージ６０３、及び通信ＩＦ（Interface）６０４を有するコンピュータ装置である。ＣＰＵ６０１は、プログラムを実行して各種の演算を行い、サーバ６０の他のハードウェア要素を制御する制御装置である。メモリ６０２は、ＣＰＵ６０１がプログラムを実行する際のワークエリアとして機能する主記憶装置である。ストレージ６０３は、各種のプログラム及びデータを記憶する不揮発性の補助記憶装置である。通信ＩＦ６０４は、所定の通信規格（例えばイーサネット（登録商標））に従って他の装置と通信する通信装置である。なお、管理者の操作により生産実績情報及び生産予定情報がサーバ６０に入力される場合、サーバ６０はさらにマウス、キーボード等の入力装置を有する。

この例において、ストレージ６０３は、コンピュータ装置を電力制御システム１におけるサーバ６０として機能させるためのプログラム（以下「サーバプログラム」という）を記憶する。ＣＰＵ６０１がサーバプログラムを実行することにより、コンピュータ装置に図２の機能が実装される。ＣＰＵ６０１がサーバプログラムを実行している状態において、メモリ６０２及びストレージ６０３の少なくとも一方が記憶手段６１の一例である。また、ＣＰＵ６０１が、取得手段６２～６５、生成手段６６、及び予測手段６７の一例である。

詳細な図示は省略するが、制御装置５０は、プロセッサ、メモリ、ストレージ、及び通信ＩＦを含むマイクロコンピュータを含む。このストレージは、マイクロコンピュータを電力制御システム１における制御装置５０として機能させるためのプログラム（以下「制御プログラム」という）を記憶している。プロセッサが制御プログラムを実行することにより、マイクロコンピュータに図２の機能が実装される。プロセッサが制御プログラムを実行している状態において、メモリ及びストレージの少なくとも一方が記憶手段５１の一例である。通信ＩＦが送信手段５２の一例である。

２．動作
２．１ 機械学習モデルの生成
図４は、一実施形態に係る機械学習モデルを生成する電力制御システム１の動作を例示するシーケンスチャートである。図４のシーケンスは、例えば、０時等の基準時刻が到来したことを契機として開始される。なお以下において、取得手段６２等の機能要素を処理の主体として記載するが、これは、サーバプログラム等のプログラムを実行しているＣＰＵ６０１等のハードウェア要素が、他のハードウェア要素と協働して処理を実行することを意味する。

この処理に先立って、サーバ６０は、電力制御システム１に含まれる複数の需要家Ｈのうち、対象となる需要家Ｈ（以下「対象需要家」という）を決める。対象需要家は、所定の規則に従って１軒ずつ順番に決められる。ここでは、識別情報が「００１」の需要家Ｈが対象需要家として決められたものとする。

ステップＳ１０１において、対象需要家の制御装置５０の送信手段５２は、記憶手段５１に記憶された全体の消費電力量の履歴、及び蓄電池２１の消費電力量の履歴を、送信元である制御装置５０（又は対象需要家）の識別情報と共にサーバ６０に送信する。各履歴は、例えば３０分単位の消費電力量を示す。各履歴には、電力が消費された日時と、その日時における消費電力量とが含まれる。サーバ６０の取得手段６２は、制御装置５０からこれらの履歴及び識別情報を受信する。

ステップＳ１０２において、取得手段６３は、ステップＳ１０１において取得された履歴に含まれる電力消費日時を示すカレンダー情報を取得する。ここでは、対象需要家における消費電力量の履歴に含まれる電力消費日時が２０ＸＸ年１２月１日０時から２４時であるものとする。例えば取得手段６３は、ステップＳ１０１において取得された履歴から２０ＸＸ年１２月１日０時から２４時という電力消費日時をカレンダー情報として取得する。また、取得手段６３は、２０ＸＸ年１２月１日の曜日、この日が祝日である場合には祝日、この日が月末である場合には月末等を示す追加のカレンダー情報を記憶手段６１から取得する。

ステップＳ１０３において、取得手段６４は、ステップＳ１０１において取得された履歴に含まれる電力消費日時における対象需要家が属する地域の気象情報を取得する。例えば取得手段６４は、記憶手段６１に記憶された需要者データベースにおいて、「００１」という識別情報に対応付けられた住所を特定する。ここでは、この住所にＸ市が含まれるものとする。この場合、取得手段６４は、Ｘ市における２０ＸＸ年１２月１日０時から２４時の天気、気温等を示す気象情報を外部サーバから取得する。

ステップＳ１０４において、取得手段６５は、ステップＳ１０１において取得された履歴に含まれる電力消費日時における対象需要家の生産物の生産実績情報を取得する。例えば取得手段６５は、記憶手段６１に記憶された需要者データベースにおいて、「００１」という識別情報に対応付けられた入力端末のアドレスを特定する。取得手段６５は、特定されたアドレスを用いて、対象需要家に設置された入力端末から２０ＸＸ年１２月１日０時から２４時における対象需要家の生産物の生産実績情報を取得する。生産実績情報には、需要家Ｈにおいて電力消費日時に生産された生産物の種別、その生産量、その日時に行われた生産物の生産工程が含まれる。

ステップＳ１０５において、生成手段６６は、ステップＳ１０１において取得された履歴に含まれる各時間帯における全体の消費電力量から蓄電池２１の消費電力量を差し引くことにより、各時間帯における一般電力負荷２２の消費電力量を算出する。例えば２０ＸＸ年１２月１日０時０分から０時３０分の時間帯の全体の消費電力量が１０ＫＷ、蓄電池２１の消費電力量が５ＫＷである場合を想定する。この場合、この時間帯における一般電力負荷２２の消費電力量は、１０ＫＷ－５ＫＷ＝５ＫＷとなる。他の時間帯についても、同様の方法で一般電力負荷２２の消費電力量が算出される。

ステップＳ１０６において、生成手段６６は、ステップＳ１０５において算出された消費電力量を目的変数とし、ステップＳ１０２～Ｓ１０４において取得されたカレンダー情報、気象情報、及び生産実績情報を説明変数とする教師データを機械学習することにより、機械学習モデルを生成する。生成手段６６は、対象需要家における消費電力量とカレンダー情報との関係を機械学習する。そのため、例えば特定の月は消費電力量が多く、他の月は消費電力量が少ない傾向にある場合、生成手段６６はその傾向を学習する。例えば月末は消費電力量が多く、その他の期間は消費電力量が少ない傾向にある場合、生成手段６６はその傾向を学習する。例えば対象需要家において生産物の生産が行われる曜日は消費電力量が多く、それ以外の曜日は消費電力量が少ない傾向にある場合、生成手段６６はその傾向を学習する。例えば平日は消費電力量が多く、休日及び祝日は消費電力量が少ない傾向にある場合、生成手段６６はその傾向を学習する。月末であるか否かを説明変数として用いるのは、同じ曜日であっても月末とそれ以外とで消費電力量の傾向が異なる可能性があるためである。祝日であるか否かを説明変数として用いるのは、同じ曜日であっても祝日と平日とでは、消費電力量の傾向が異なる可能性があるためである。

また、生成手段６６は、対象需要家における消費電力量と気象情報との関係を機械学習する。そのため、例えば晴れの日は消費電力量が少なく、曇り及び雨の日は消費電力量が多い傾向にある場合、生成手段６６はその傾向を学習する。例えば気温が高い日及び低い日は消費電力量が多く、気温が中程度の日は消費電力量が少ない傾向にある場合、生成手段６６はその傾向を学習する。

さらに、生成手段６６は、対象需要家における消費電力量と生産実績情報との関係を機械学習する。そのため、例えば生産量が多い場合には消費電力量が多く、生産量が少ない場合には消費電力量が少ない傾向にある場合、生成手段６６はその傾向を学習する。例えば特定の種別の生産物を生産する場合には消費電力量が多く、それ以外の種別の生産物を生産する場合には消費電力量が少ない傾向にある場合、生成手段６６はその傾向を学習する。例えば生産物を生産する特定の生産工程が行われる場合には消費電力量が多く、それ以外の生産工程が行われる場合には消費電力量が少ない傾向にある場合、生成手段６６はその傾向を学習する。さらに、生成手段６６は、カレンダー情報、気象情報、及び生産実績情報の少なくとも２つの組合せにより消費電力量が変動する傾向にある場合、その傾向を学習してもよい。生成手段６６は、このようにして生成された機械学習モデルを対象需要家の識別情報と対応付けて記憶手段６１に記憶させる。

サーバ６０は、対象需要家を順番に変更しつつ、ステップＳ１０１～Ｓ１０６の処理を繰り返し実行する。こうして、電力制御システム１に属する全ての需要家Ｈについて機械学習モデルが生成される。また、全ての需要家Ｈについて機械学習モデルが生成された後においても、ステップＳ１０１～Ｓ１０６の処理が繰り返し実行されてもよい。この場合、ステップＳ１０６では、新たに取得されたデータを用いてさらに機械学習が行われる。

２．２ 電力需要量の予測
図５は、一実施形態に係る電力需要量の予測するサーバ６０の動作を例示するフローチャートである。図５のフローは、例えば、０時等の基準時刻に到来したことを契機として開始される。なお以下において、取得手段６２等の機能要素を処理の主体として記載するが、これは、サーバプログラム等のプログラムを実行しているＣＰＵ６０１等のハードウェア要素が、他のハードウェア要素と協働して処理を実行することを意味する。

この処理に先立って、サーバ６０は、電力制御システム１に含まれる複数の需要家Ｈのうち、対象となる需要家Ｈ（以下「対象需要家」という）を決める。対象需要家は、所定の規則に従って１軒ずつ順番に決められる。ここでは、識別情報が「００１」の需要家Ｈが対象需要家として決められたものとする。

ステップＳ１１１において、予測手段６７は予測対象期間を設定する。例えば毎日０時に次の日の０時から２４時間の電力需要量の予測を行う場合、予測手段６７は、次の日の０時から２４時が予測対象期間として設定する。ここでは、予測対象期間が２０ＸＸ年１２月１４日０時から２４時であるものとする。

ステップＳ１１２において、取得手段６３は、ステップＳ１１１において設定された予測対象期間を示すカレンダー情報を取得する。例えば取得手段６３は、ステップＳ１１１において設定された２０ＸＸ年１２月１４日０時から２４時という予測対象期間を示す日時をカレンダー情報として取得する。また、取得手段６３は、２０ＸＸ年１２月１４日の曜日、この日が祝日である場合には祝日、この日が月末である場合には月末等を示す追加のカレンダー情報を記憶手段６１から取得する。

ステップＳ１１３において、取得手段６４は、ステップＳ１１２において設定された予測対象期間における対象需要家が属する地域の気象情報を取得する。例えば取得手段６４は、記憶手段６１に記憶された需要者データベースにおいて、「００１」という識別情報に対応付けられた住所を特定する。ここでは、この住所にＸ市が含まれるものとする。この場合、取得手段６４は、２０ＸＸ年１２月１４日０時から２４時におけるＸ市の天気、気温等を示す気象情報を外部サーバから取得する。

ステップＳ１１４において、取得手段６５は、予測対象期間における対象需要家の生産物の生産予定情報を取得する。例えば取得手段６５は、記憶手段６１に記憶された需要者データベースにおいて、「００１」という識別情報に対応付けられた入力端末のアドレスを特定する。取得手段６５は、特定されたアドレスを用いて、対象需要家に設置された入力端末から２０ＸＸ年１２月１４日０時から２４時の対象需要家の生産物の生産予定情報を取得する。生産予定情報には、予測対象期間において生産される予定の生産物の種別、その生産量、及び予測対象期間に行われる予定の生産物の生産工程が含まれる。

ステップＳ１１５（予測ステップの一例）において、予測手段６７は、ステップＳ１１２からＳ１１４において取得されたカレンダー情報、気象情報、及び生産予定情報を記憶手段６１に記憶された対象需要家の機械学習モデルに入力して、予測対象期間における対象需要家の電力需要量を予測する。例えば予測手段６７は、記憶手段６１において「００１」という識別情報に対応付けて記憶された機械学習モデルを使用する。予測手段６７は、ステップＳ１１２からＳ１１４において取得されたカレンダー情報、気象情報、及び生産予定情報をこの機械学習モデルに入力して、２０ＸＸ年１２月１４日０時から２４時の対象需要家の電力需要量を３０分単位で予測する。ただし、この電力需要量の予測は、蓄電池２１を除いた一般電力負荷２２の電力需要量の予測である。言い換えると、この電力需要量の予測には、蓄電池２１の電力需要量の予測は含まれない。

サーバ６０は、対象需要家を順番に変更しつつ、ステップＳ１１１～Ｓ１１５の処理を繰り返し実行する。こうして、電力制御システム１に属する全ての需要家Ｈについて、予測対象期間の電力需要量の予測が行われる。

需要家Ｈは、このようにして得られた需要家Ｈにおける電力需要量の予測を用いて、この電力需要量に応じた発電装置１０及び蓄電池２１を準備する。社会の電力需要量が多い時や災害時等に、需要家Ｈは、発電装置１０により発電され又は蓄電池２１により充電された電力を周辺の地域に供給することができる。このように社会に電力を供給することにより、需要家Ｈは金銭等の特典を得ることができる。しかし、社会に電力を供給するには、需要家Ｈにおいて消費される電力量より多い電力量を需要家Ｈにおいて発電及び蓄電する必要がある。そこで、需要家Ｈは、需要家Ｈにおける電力需要量の予測に基づいて必要な発電量及び蓄電量を求め、必要な発電量の発電装置１０及び必要な蓄電量の蓄電池２１を需要家Ｈに設置する。例えば発電量又は蓄電量が不足している場合、需要家Ｈはその不足分だけ発電装置１０又は蓄電池２１を増設してもよい。

また、サーバ６０は、エネルギーマネージメントが最適化されるように、蓄電池２１の動作計画を作成する。この動作計画には、蓄電池２１の動作開始時刻及び動作終了時刻が含まれる。サーバ６０は、作成された動作計画に従って、制御装置５０に蓄電池２１の動作の指令を送信する。制御装置５０は、サーバ６０から受信した指令に従って蓄電池２１の動作を制御する。蓄電池２１は単位時間当たりの消費電力量が概ね一定である場合、サーバ６０は、単位時間当たりの消費電力量と蓄電池２１の動作計画とを用いて、蓄電池２１の電力需要量を精度よく予測することができる。仮に、蓄電池２１を含む全ての電力負荷２０の電力需要量を機械学習により予測したとすると、少なくとも蓄電池２１の電力需要量については、その動作計画に基づいて電力需要量を予測する場合に比べて予測の精度が低くなる。上述したように、需要家Ｈにおいて蓄電池２１を除いた一般電力負荷２２の電力需要量を機械学習により予測することにより、蓄電池２１の電力需要量を含む電力需要量を機械学習により予測する場合に比べて、電力需要量の予測の精度が高くなる。

以上説明した実施形態によれば、需要家Ｈにおける消費電力量に影響を及ぼす生産物の生産情報が機械学習の説明変数に含まれるため、説明変数に生産情報が含まれない場合に比べて、電力需要量の予測の精度が高くなる。また、需要家Ｈにおける消費電力量に影響を及ぼすカレンダー情報及び気象情報が機械学習の説明変数に含まれるため、説明変数にこれらの情報が含まれない場合に比べて、電力需要量の予測の精度が高くなる。さらに、需要家Ｈに設置された電力負荷２０のうち制御装置５０により動作が制御される蓄電池２１を除いた一般電力負荷２２の電力需要量が機械学習により予測されるため、蓄電池２１の電力需要量を含む電力需要量が機械学習により予測される場合に比べて、電力需要量の予測の精度が高くなる。さらに、需要家Ｈにおける一般電力負荷２２の電力需要量が機械学習によりまとめて予測されるため、各一般電力負荷２２について別々に電力需要量を予測する場合に比べて、予測に要する計算量が少なくてすむ。

３．変形例
本発明は上述の実施形態に限定されるものではなく、種々の変形実施が可能である。以下、変形例をいくつか説明する。以下の変形例のうち２つ以上のものが組み合わせて用いられてもよい。

変形例１
生産情報は、生産物の種別、その生産量、及び生産物の生産工程に限定されない。生産情報は、生産物の生産状況を示す情報であれば、どのような情報でもいい。また、機械学習に用いられる説明変数は、必ずしもカレンダー情報、気象情報、及び生産情報を全て含んでいなくてもよい。例えばカレンダー情報、気象情報、及び生産情報のうち１つ又は２つが説明変数として用いられてもよい。

変形例２
機械学習に用いられる説明変数は、上述した実施形態において例示したものに限定されない。説明変数は、需要家Ｈにおける消費電力量に影響を及ぼすものであれば、どのような情報でもよい。例えば説明変数には、需要家Ｈの状況を示す状況情報が含まれてもよい。状況情報には、例えば上述した生産情報、需要家Ｈ内の人数、需要家Ｈに関連する株価や為替レート等の経済指標、原材料の価格、及び災害情報のうち少なくともいずれかが含まれる。需要家Ｈ内の人数は、例えば需要家Ｈにおいて業務を行う従業員がタイムカードを用いて業務開始時刻及び業務終了時刻を打刻する場合、この業務開始時刻及び業務終了時刻を用いて所定の時間帯毎に求められる。経済指標は、例えば経済指標を提供する事業者又は機関により提供される。原材料の価格は、例えば原材料の価格を提供する事象者又は機関により提供される。災害情報は、例えば気象情報を提供する事業者又は機関が運営する外部サーバにより提供される。

取得手段６５は、対象の日時における需要家Ｈの状況情報を取得する。この状況情報には、需要家Ｈにおいて電力消費日時における状況情報と、予測対象期間における状況情報とが含まれる。なお、予測対象期間は未来の期間であるため、予測対象期間における状況情報は、実績を示すものではなく、予定又は予測を示すものになる。一例において、需要家Ｈは、需要家Ｈに設置された入力端末に状況情報を入力する。取得手段６５は、この入力端末又は外部サーバから電力消費日時における状況情報及び予測対象期間における状況情報を取得する。生成手段６６は、さらに取得手段６５により取得された電力消費日時における状況情報を説明変数として機械学習を行う。

例えば需要家Ｈ内の人数が多い場合には消費電力量が多く、人数が少ない場合には消費電力量が少ない傾向にある場合、生成手段６６はその傾向を学習する。例えば経済指標が景気がよいことを示す場合には消費電力量が多く、景気が悪いことを示す場合には消費電力量が少ない傾向にある場合、生成手段６６はその傾向を学習する。例えば原材料の価格が低い場合には消費電力量が多く、原材料の価格が高い場合には消費電力量が少ない傾向にある場合、生成手段６６はその傾向を学習する。例えば災害が発生した場合には消費電力量が多く、災害が発生していない場合には消費電力量が少ない傾向にある場合、生成手段６６はその傾向を学習する。

予測手段６７は、さらに取得手段６５により取得された予測対象期間における状況情報を機械学習モデルに入力することにより、電力需要量を予測する。この変形例によれば、需要家Ｈにおける消費電力量に影響を及ぼす需要家Ｈの状況情報が説明変数として使用されるため、機械学習による電力需要量の予測の精度が高くなる。

また、この変形例において、取得手段６５により取得された状況情報のうち、需要家Ｈにおける消費電力量と相関のある状況情報だけが使用されてもよい。ここでは、需要家Ｈから複数の状況情報が取得されるものとする。生成手段６６は、既知の方法により、複数の状況情報から需要家Ｈにおける消費電力量と相関のある状況情報を抽出し、抽出した状況情報を説明変数として使用する。一例において、生成手段６６は、取得手段６５により取得された各状況情報と需要家Ｈにおける消費電力量との相関係数を算出する。生成手段６６は、複数の状況情報から相関係数が閾値以上である状況情報を抽出し、説明変数として使用する。生成手段６６は、相関係数が閾値未満である状況情報については説明変数として使用しない。この閾値は正の値であることが好ましい。この変形例によれば、需要家Ｈにおける消費電力量と相関のある状況情報だけが説明変数として使用されるため、機械学習による電力需要量の予測の精度が高くなる。

変形例３
需要家Ｈにおける電力需要量の予測を行うための機械学習では、必ずしもその需要家Ｈ自身の情報が用いられなくてもよい。例えば需要家Ｈにおける消費電力量の履歴が少ない場合には、その需要家Ｈと類似の他の需要家Ｈにおける消費電力量の履歴が需要家Ｈにおける消費電力量の履歴として用いられてもよい。例えば需要家Ｈにおける生産物の生産情報が取得できない場合には、その需要家Ｈと類似の他の需要家Ｈにおける生産物の生産情報が需要家Ｈにおける生産物の生産情報として用いられてもよい。他の需要家Ｈは、需要家Ｈと所属する組織、生産物、生産量、大きさ、従業員数等のプロファイルが類似する需要家Ｈであることが好ましい。一例において、或る組織に複数の需要家Ｈが属する場合、この組織に属する一の需要家Ｈにおける消費電力量の履歴及び生産物の生産情報を用いて機械学習を行うことにより生成された機械学習モデルを用いて、この組織に属する他の需要家Ｈにおける電力需要量の予測を行ってもよい。要するに、機械学習に用いられるデータを提供する少なくとも一の需要家Ｈは、対象需要家そのものであってもよいし、対象需要家と他の需要家Ｈとの集合であってもよいし、対象需要家を含まない１又は複数の他の需要家Ｈであってもよい。この変形例に係る構成によっても、需要家Ｈにおける電力需要量の予測を行うことができる。

変形例４
機械学習にはどのような学習アルゴリズムが用いられてもよい。機械学習の学習アルゴリズムとしては、例えばディシジョンツリー、サポートベクターマシン、ニューラルネットワーク、ディープラーニングが挙げられる。

変形例５
制御装置５０により動作が制御される電力負荷２０は、蓄電池２１に限定されない。制御装置５０により動作が制御される電力負荷２０は、サーバ６０により作成された動作計画に基づいて制御装置５０が動作を制御し得るものであって、個別に消費電力量を計測することができるものであれば、どのような電力負荷２０であってもよい。ただし、制御装置５０により動作が制御される電力負荷２０は、消費電力量に上限があることが好ましい。

変形例６
電力制御システム１における機能要素とハードウェア要素との対応関係は実施形態において例示したものに限定されない。例えば、実施形態においてサーバ６０の機能として説明したものの一部を、制御装置５０に実装してもよい。あるいは、実施形態においてサーバ６０の機能として説明したものの一部を、ネットワーク上の他の装置に実装してもよい。一例において、サーバ６０とは異なるネットワーク上の他の装置が、記憶手段６１、取得手段６２～６５、及び生成手段６６を有し、機械学習モデルを生成してもよい。サーバ６０は、記憶手段６１、取得手段６２～６５、及び予測手段６７を有し、他の装置から機械学習モデルを取得し、取得した機械学習モデルを用いて電力需要量を予測してもよい。この場合、サーバ６０と他の装置とは異なる事業者により管理、運用されてもよい。

変形例７
電力制御システム１の動作は上述した例に限定されない。電力制御システム１の処理手順は、矛盾の無い限り、順序が入れ替えられてもよい。また、電力制御システム１の一部の処理手順が省略されてもよい。

変形例８
本発明の別の形態は、電力制御システム１、発電装置１０、電力負荷２０、電力量計３０、計測器４０、制御装置５０、及びサーバ６０のうち少なくともいずれかにおいて行われる処理のステップを有する電力需要予測方法を提供してもよい。

変形例９
実施形態において例示した各種のプログラムは、それぞれ、インターネット等のネットワークを介したダウンロードにより提供されてもよいし、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の記録媒体に記録された状態で提供されてもよい。

１：電力制御システム、１０：発電装置、２０：電力負荷、２１：蓄電池、２２：一般電力負荷、３０：電力量計、４０：計測器、５０：制御装置、５１：記憶手段、５２：送信手段、６０：サーバ、６１：記憶手段、６２：取得手段、６３：取得手段、６４：取得手段、６５：取得手段、６６：生成手段、６７：予測手段、９０：ネットワーク、９５：ネットワーク、６０１：ＣＰＵ、６０２：メモリ、６０３：ストレージ、６０４：通信ＩＦ

Claims (6)

1. コンピュータに、
   予測対象期間を示し、前記予測対象期間における、曜日、祝日であるか否かの種別、及び月末であるか否かの種別のうち少なくとも一つを含む第１カレンダー情報を取得するステップと、
   生産物を生産する対象需要家の前記予測対象期間における前記生産物の生産予定情報を取得するステップと、
   少なくとも一の需要家において電力が消費された日時を示し、前記日時における、曜日、祝日であるか否かの種別、及び月末であるか否かの種別のうち少なくとも一つを含む第２カレンダー情報及び前記少なくとも一の需要家の前記日時における生産物の生産実績情報を説明変数とし、前記日時における前記少なくとも一の需要家の消費電力量を目的変数として機械学習を行って生成された機械学習モデルに前記第１カレンダー情報及び前記生産予定情報を入力することにより、前記予測対象期間における前記対象需要家の電力需要量を予測する予測ステップと
   を実行させるためのプログラムであって、
   前記少なくとも一の需要家には、第１電力負荷、第２電力負荷、及び前記第１電力負荷を制御する制御装置が設置され、
   前記目的変数は、前記日時における前記第１電力負荷の消費電力量と前記第２電力負荷の消費電力量との合計から前記第１電力負荷の前記消費電力量を差し引いて得られる消費電力量である
   プログラム。
2. 前記生産実績情報及び前記生産予定情報の各々は、前記生産物の生産量、前記生産物の種別、及び前記生産物の生産工程のうち少なくともいずれかを含む
   請求項１に記載のプログラム。
3. 前記予測対象期間における前記対象需要家が属する地域の気象を示す第１気象情報を取得するステップをさらに実行させるためのプログラムであって、
   前記説明変数は、前記日時における前記少なくとも一の需要家が属する地域の気象を示す第２気象情報を含み、
   前記予測ステップでは、さらに前記第１気象情報を前記機械学習モデルに入力することにより、前記電力需要量が予測される
   請求項１又は２に記載のプログラム。
4. 前記第１電力負荷は、蓄電池を含む
   請求項１に記載のプログラム。
5. コンピュータが、
   予測対象期間を示し、前記予測対象期間における、曜日、祝日であるか否かの種別、及び月末であるか否かの種別のうち少なくとも一つを含む第１カレンダー情報を取得するステップと、
   生産物を生産する対象需要家の前記予測対象期間における前記生産物の生産予定情報を取得するステップと、
   少なくとも一の需要家において電力が消費された日時を示し、前記日時における、曜日、祝日であるか否かの種別、及び月末であるか否かの種別のうち少なくとも一つを含む第２カレンダー情報及び前記少なくとも一の需要家の前記日時における生産物の生産実績情報を説明変数とし、前記日時における前記少なくとも一の需要家の消費電力量を目的変数として機械学習を行って生成された機械学習モデルに前記第１カレンダー情報及び前記生産予定情報を入力することにより、前記予測対象期間における前記対象需要家の電力需要量を予測する予測ステップと
   を実行することを含む電力需要予測方法であって、
   前記少なくとも一の需要家には、第１電力負荷、第２電力負荷、及び前記第１電力負荷を制御する制御装置が設置され、
   前記目的変数は、前記日時における前記第１電力負荷の消費電力量と前記第２電力負荷の消費電力量との合計から前記第１電力負荷の前記消費電力量を差し引いて得られる消費電力量である
   電力需要予測方法。
6. 予測対象期間を示し、前記予測対象期間における、曜日、祝日であるか否かの種別、及び月末であるか否かの種別のうち少なくとも一つを含む第１カレンダー情報を取得する第１取得手段と、
   生産物を生産する対象需要家の前記予測対象期間における前記生産物の生産予定情報を取得する第２取得手段と、
   少なくとも一の需要家において電力が消費された日時を示し、前記日時における、曜日、祝日であるか否かの種別、及び月末であるか否かの種別のうち少なくとも一つを含む第２カレンダー情報及び前記少なくとも一の需要家の前記日時における生産物の生産実績情報を説明変数とし、前記日時における前記少なくとも一の需要家の消費電力量を目的変数として機械学習を行って生成された機械学習モデルに前記第１カレンダー情報及び前記生産予定情報を入力することにより、前記予測対象期間における前記対象需要家の電力需要量を予測する予測手段と
   を備える情報処理装置であって、
   前記少なくとも一の需要家には、第１電力負荷、第２電力負荷、及び前記第１電力負荷を制御する制御装置が設置され、
   前記目的変数は、前記日時における前記第１電力負荷の消費電力量と前記第２電力負荷の消費電力量との合計から前記第１電力負荷の前記消費電力量を差し引いて得られる消費電力量である
   情報処理装置。