JP6587889B2 - 電気料金メニュー推定装置、電気料金メニュー推定方法、及び電気料金メニュー推定プログラム - Google Patents

Description

本発明の実施形態は、電気料金メニュー推定装置、電気料金メニュー推定方法、及び電気料金メニュー推定プログラムに関する。

ユーザが電力会社から買電するにあたり、複数の電気料金メニューが設定されていることがある。しかしながら、従来の技術では、経済的負担が小さい電気料金メニューを精度良く推定できない場合があった。

特許第５７１７１１３号公報 特開２０１２−６３８１４号公報

本発明が解決しようとする課題は、経済的負担が小さい電気料金メニューを精度良く推定することができる電気料金メニュー推定装置、電気料金メニュー推定方法、及び電気料金メニュー推定プログラムを提供することである。

実施形態の電気料金メニュー推定装置は、取得部と、訓練データ抽出部と、サンプルデータ抽出部と、推定部とを持つ。取得部は、ユーザが購入した電力量のデータである買電電力量データと、電力供給者が提供する複数の電気料金メニューと、を取得する。訓練データ抽出部は、前記取得部が取得した前記買電電力量データの中から訓練データを抽出する。サンプルデータ抽出部は、前記取得部が取得した前記買電電力量データのうち、前記訓練データとして抽出した買電電力量データと共通する特性を有する買電電力量データの中から電気料金メニューの推定に利用するサンプルデータを抽出する。推定部は、前記訓練データ抽出部が抽出した前記訓練データに基づいて機械学習を行い、当該機械学習の結果と前記サンプルデータ抽出部が抽出したサンプルデータとによって、前記複数の電気料金メニューから電気料金が相対的に安い電気料金メニューを推定する。

第１の実施形態に係る電気料金メニュー推定装置を含む電気料金メニュー推定システムの構成の概略例を示す図。 第１の実施形態に係る電気料金メニュー推定装置の機能構成の一例を示す図。 第１の実施形態における制御部の処理の流れの一例を示すフローチャート。 第１の実施形態における買電電力量データのテーブルデータの一例を示す図。 買電電力量データのテーブルデータの一例を示す図。 （Ａ）は判別関数の係数を示す図、（Ｂ）は判別関数の判別値を示す図。 第２の実施形態における買電電力量データのテーブルデータの一例を示す図。 第２の実施形態におけるユーザ情報のテーブルデータの一例を示す図。 第３の実施形態における買電電力量データを分類する時間帯における電気料金メニューごとの単価のテーブルデータの一例を示す図。

以下、実施形態の電気料金メニュー推定装置、電気料金メニュー推定方法、及び電気料金メニュー推定プログラムを、図面を参照して説明する。

（第１の実施形態）
図１は、第１の実施形態に係る電気料金メニュー推定装置１００を含む電気料金メニュー推定システム１の構成の概略例を示す図である。電気料金メニュー推定システム１は、所定の建物で電力供給者から買電するにあたり、相対的に安い電気料金メニューを推定する。電気料金メニュー推定システム１は、推定した電気料金メニューを所定の建物のユーザに通知する。相対的に安い電気料金メニューは、最も安い最安電気料金メニュー、２番目に安い電気料金メニュー、３番目に安い電気料金メニュー等の安いことを示す条件を満たす電気料金メニューである。例えば、所定の建物は、住宅又はビルである。以下、本実施形態では、相対的に安い電気料金メニューを最も安い最安電気料金メニューとして説明する。また、本実施形態では、相対的に安い電気料金メニューを最も安い最安電気料金メニューとして説明する。また、本実施形態では、所定の建物を住宅２として説明する。

図１に示すように、住宅２内には、端末装置１１と、スマートメータ１２と、ホーム・エネルギー・マネジメント・システム（HEMS : Home Energy Management System）機器１３と、負荷１４とが設けられる。負荷１４には、空調機器及び照明機器等の住宅２内で電力を消費する電気機器が含まれる。

端末装置１１は、ユーザによって操作されるスマートフォン、携帯電話、タブレット等の情報処理装置である。スマートメータ１２は、住宅２に供給される電力に関するデータと、住宅２内で使用される電力に関するデータと、を収集する。住宅２に供給される電力に関するデータには、ユーザが買電した電力量のデータである買電電力量データが含まれる。スマートメータ１２は、収集した買電電力量データをＨＥＭＳ機器１３及び電力供給者に送信する。

ＨＥＭＳ機器１３は、スマートメータ１２から送信される買電電力量データ及びユーザの操作に応じて、負荷１４の運転状態を制御する。負荷１４の運転状態としての制御対象には、負荷のＯＮ／ＯＦＦ及び負荷１４の出力調整がある。負荷１４は、ＨＥＭＳ機器１３の制御に応じて動作する。ＨＥＭＳ機器１３は、スマートメータ１２から送信された買電電力量データを、ネットワーク３を介して電気料金メニュー推定装置１００に送信する。

電気料金メニュー推定装置１００は、住宅２におけるＨＥＭＳ機器１３から送信された買電電力量データを取得する。電気料金メニュー推定装置１００は、ユーザが住宅２で電力会社から買電する際に電気料金が最も安くなる電気料金メニューである最安電気料金メニューを推定する。電気料金メニュー推定装置１００では、推定した最安電気料金メニューを端末装置１１に送信してユーザに通知する。電気料金メニュー推定装置１００は、当該ユーザのみではなく、当該ユーザ以外の他のユーザについても、買電電力量データを取得して当該他のユーザの最安電気料金メニューを推定して当該他のユーザに通知してもよい。

以下、電気料金メニュー推定装置１００の機能構成について説明する。図２は、第１の実施形態に係る電気料金メニュー推定装置１００の機能構成の一例を示す図である。電気料金メニュー推定装置１００は、制御部１１０と、記憶部１２０と、通信インターフェイス１３０と、を備える。

制御部１１０は、取得部１１１と、訓練データ抽出部１１２と、サンプルデータ抽出部１１３と、推定部１１４と、通知制御部１１５と、を備える。制御部１１０の機能のうち一部又は全部は、ＣＰＵ（Central Processing Unit）等のプロセッサがプログラムを実行することによって機能するソフトウェア機能部である。また、制御部１１０の機能部のうち一部又は全部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）等のハードウェア機能部であってもよい。

制御部１１０における取得部１１１は、住宅２におけるＨＥＭＳ機器１３から通信インターフェイス１３０を介して送信される買電電力量データを取得する。取得部１１１は、取得した買電電力量データをデータ記憶部１２１に記憶させる。

取得部１１１は、電気料金メニューの変更があり、電力会社から提供される電気料金メニューを取得する。電力会社からの電気料金メニューの提供方法には、電力会社がネットワーク３を通じて電気料金メニューを電気料金メニュー推定装置１００に送信する方法がある。また、電力会社からの電気料金メニューの提供方法には、電気料金メニューが記録された記録媒体を電力会社が配布する方法がある。電力会社からの電気料金メニューの提供方法は、その他の方法としてもよい。取得部１１１は、取得した電気料金メニューを電気料金メニュー記憶部１２２に記憶させる。

訓練データ抽出部１１２は、データ記憶部１２１に記憶された買電電力量データの中から訓練データを抽出する。訓練データ抽出部１１２は、買電電力量データのうち、過去所定期間分の買電電力データの中から訓練データを抽出する。過去所定期間は、過去Ｎ年間における１月〜３月とすることができる。過去所定期間は、その他の適宜の期間としてもよい。訓練データ抽出部１１２は、抽出した訓練データをデータ記憶部１２１に記憶させる。

サンプルデータ抽出部１１３は、データ記憶部１２１に記憶された買電電力量データのうち、訓練データの抽出に用いた買電電力量データよりも後に取得した買電電力量データの中からサンプルデータを抽出する。サンプルデータは、電気料金メニューの推定に利用するデータである。また、サンプルデータは、訓練データと共通する特性を有するデータである。特性としては、月、日、時刻、曜日、季節、及びこれらの組み合わせがある。具体的に、共通する特性の買電電力量データには、訓練データを抽出した買電電力量データの日時と、年度が異なり同一の日時である買電電力量データがある。サンプルデータ抽出部１１３は、訓練データ抽出部１１２が訓練データを抽出する際の期間に応じてサンプルデータを抽出する期間を決定する。訓練データ抽出部１１２が過去Ｎ年間における１月〜３月の買電電力量データの中から訓練データを抽出した場合に、サンプルデータ抽出部１１３は、今年の１月〜３月の買電電力量データの中からサンプルデータを抽出する。ただし、サンプルデータ抽出部１１３は、他の期間の中からサンプルデータを抽出してもよい。サンプルデータ抽出部１１３は、抽出したサンプルデータをデータ記憶部１２１に記憶させる。

推定部１１４は、電気料金メニュー記憶部１２２に記憶された電気料金メニューから、ユーザが選択可能な電気料金メニューを抽出する。推定部１１４は、抽出した電気料金メニューと、訓練データ抽出部１１２で抽出された訓練データと、に基づいて機械学習を行う。機械学習では、電気料金メニューと訓練データに基づいて、電気料金メニューごとの判別関数を作成する。推定部１１４は、作成した判別関数にサンプルデータ抽出部１１３で抽出されたサンプルデータを当てはめて、電気料金メニューのうち最安電気料金メニューを推定する。通知制御部１１５は、推定部１１４で推定された最安電気料金メニューを、通信インターフェイス１３０を介して端末装置１１に送信する。

記憶部１２０は、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＨＤＤ、ＳＤカード等の不揮発性の記憶媒体と、ＲＡＭ（Random Access Memory）、レジスタ等の揮発性の記憶媒体とを有する。記憶部１２０は、データ記憶部１２１と、電気料金メニュー記憶部１２２と、を備える。

データ記憶部１２１は、通信インターフェイス１３０を介して送信された買電電力量データのテーブルデータを記憶する。データ記憶部１２１は、訓練データ抽出部１１２が抽出した訓練データのテーブルデータを記憶する。データ記憶部１２１は、サンプルデータ抽出部１１３が抽出したサンプルデータのテーブルデータを記憶する。電気料金メニュー記憶部１２２は、電力会社から提供された電気料金メニューを記憶する。

通信インターフェイス１３０は、ネットワーク３に接続するための通信インターフェイスであり、ネットワークカードを含む。

以下、フローチャートに沿って、第１の実施形態における制御部１１０の各機能部の処理について説明する。図３は、第１の実施形態における制御部１１０の処理の流れの一例を示すフローチャートである。

取得部１１１は、ネットワーク３を介して住宅２内のＨＥＭＳ機器１３から送信される買電電力量データを取得する（Ｓ１００）。取得部１１１は、買電電力量データを取得した際に、買電電力量データのテーブルデータを更新する。データ記憶部１２１は、所定期間の買電電力量データを記憶している。取得部１１１は、新たに取得した買電電力量データを、データ記憶部１２１が記憶している所定期間の買電電力量データに追加して、データテーブルを更新する。以下に、データ記憶部１２１に記憶された買電電力量データの一例について説明する。図４は、データ記憶部１２１に記憶された買電電力量データのテーブルデータの一例を示す図である。買電電力量データのテーブルデータには、住宅２における過去（Ｎ＋１）年間の買電電力量が１時間ごとに記憶されている。買電電力量データのテーブルデータのうち、今年分については、１月〜３月までの３か月分の買電電力量データが記憶されている。なお、計算の簡略化のため、うるう年における２月２９日のデータは除外されている。ただし、うるう年における２月２９日のデータが買電電力量データに含まれていてもよい。

また、取得部１１１は、電力会社から電気料金メニューが提供された場合には、その電気料金メニューを取得する。記憶部１２０における電気料金メニュー記憶部１２２は、取得した電気料金メニューを記憶する。本実施形態では、電気料金メニュー記憶部１２２は、メニューＡ、メニューＢ、メニューＣの３個のメニューを記憶している。

次に、訓練データ抽出部１１２は、取得部１１１が取得した買電電力量データの中から訓練データを抽出する（Ｓ１０２）。訓練データ抽出部１１２は、取得した買電電力量データのうちの所定期間の買電電力量データの中から訓練データを抽出する。例えば、図４に示す買電電力量データのテーブルデータにおける１年前〜Ｎ年前までにおける各年のうち、１月〜３月までの３か月間における１時間ごとの買電電力量データを訓練データとして抽出する。取得部１１１は、買電電力量データを取得可能な最低時間間隔で買電電力量データを取得している。買電電力量データを取得可能な最低時間間隔は１時間である。なお、取得部１１１は、Ｎ（Ｎは自然数）日単位で買電電力量データを取得してもよい。訓練データとして抽出する買電電力量データは、１月〜３月までの３か月間以外の期間におけるデータとしてもよい。例えば、訓練データ抽出部１１２は、１年前〜Ｎ年前までにおける各年のうち、３月の１か月間における１時間ごとの買電電力量データを抽出してもよい。あるいは、訓練データ抽出部１１２は、１年前〜Ｎ年前までの各年のうち、１月〜１２月の１２か月間における１時間ごとの買電電力量データを抽出してもよい。

推定部１１４は、１年前〜Ｎ年前の各年において、電気料金メニューがメニューＡ〜Ｃである場合のそれぞれについて、電気料金メニューを適用した電気料金を算出する。推定部１１４は、メニューＡ〜Ｃごとに算出した電気料金を比較し、電気料金が最安となる電気料金メニューを最安電気料金メニューとする。買電電力量データのテーブルデータには、１年前からＮ年前までにおける各年の最安電気料金メニューが合わせて記憶されている。

サンプルデータ抽出部１１３は、取得部１１１が取得した買電電力量データの中からサンプルデータを抽出する（Ｓ１０４）。サンプルデータ抽出部１１３は、取得部１１１が取得した買電電力量データのうち、訓練データとして抽出した買電電力量データと共通する特性を有する買電電力量データの中からサンプルデータを抽出する。例えば、サンプルデータ抽出部１１３は、図４に示す買電電力量データのテーブルデータにおける今年の１月〜３月までの１時間ごとの全ての買電電力量データをサンプルデータとして抽出する。ただし、サンプルデータ抽出部１１３は、買電電力量データのテーブルデータにおける今年の１月〜３月までの１時間ごとの買電電力量データの一部をサンプルデータとして抽出してもよい。この例では、サンプルデータと訓練データとでは、特性として日時が共通する。

推定部１１４は、電気料金メニュー記憶部１２２から電気料金メニューを抽出する。推定部１１４は、最安電気料金メニューを推定する（Ｓ１０６）。抽出した電気料金メニューは、最安電気料金メニューの推定に用いられる。ステップＳ１０２で訓練データ抽出部１１２が抽出した訓練データは、最安電気料金メニューの推定に用いられる。ステップＳ１０４でサンプルデータ抽出部１１３が抽出したサンプルデータは、最安電気料金メニューの推定に用いられる。推定部１１４は、最安電気料金メニューの推定にあたり、機械学習を行う。推定部１１４が抽出した電気料金メニューは、機械学習に用いられる。ステップＳ１０２で訓練データ抽出部１１２が抽出した訓練データは、機械学習に用いられる。推定部１１４は、機械学習の結果と、ステップＳ１０４でサンプルデータ抽出部１１３が抽出したサンプルデータに基づいて最安電気料金メニューを推定する。機械学習としては、統計手法を用いた統計的機械学習を行う。具体的には、統計手法が線形判別分析である統計的機械学習を実行する。以下、線形判別分析による最安電気料金メニューの推定について具体的に説明する。

本実施形態では、図４に示すように、最安電気料金メニューの推定に用いられるサンプルデータは、１時間ごとの買電電力量データの３か月（９０日）分である。買電電力量データの数は、２１６０個である。訓練データ抽出部１１２は、サンプルデータ抽出部１１３がサンプルデータを抽出した１月〜３月の期間と同一の期間の過去Ｎ年分の買電電力量データを訓練データとして抽出している。データ記憶部１２１には、その年の最安電気料金メニューが記憶されている。図４に示す例では、メニューＡが最安電気料金メニューとなった年は、１，３，５，６，９，１０，１２，…，Ｎ年前を含む各年である。メニューＢが最安電気料金メニューとなった年は、４，７，８，…年前を含む各年である。メニューＣが最安電気料金メニューとなった年は、２，１１，１３，…年前を含む各年である。

推定部１１４は、訓練データを用いて、下記（１）に示す判別関数（メニューＡ）、下記（２）に示す判別関数（メニューＢ）、及び下記（３）に示す判別関数（メニューＣ）を作成する。
判別関数（メニューＡ）＝ａ_０＋ａ_１ｘ_１＋ａ_２ｘ_２＋・・＋ａ_Ｐｘ_Ｐ ・・（１）
判別関数（メニューＢ）＝ｂ_０＋ｂ_１ｘ_１＋ｂ_２ｘ_２＋・・＋ｂ_Ｐｘ_Ｐ ・・（２）
判別関数（メニューＣ）＝ｃ_０＋ｃ_１ｘ_１＋ｃ_２ｘ_２＋・・＋ｃ_Ｐｘ_Ｐ ・・（３）

上記（１）式〜（３）式において、ｘ_ｉは１時間ごとの買電電力量、ａ_ｉ，ｂ_ｉ，ｃ_ｉは係数であり、説明変数の個数ｐは、各式においてそれぞれ２１６０となる。判別関数を求める際に、説明変数は訓練データとする。判別関数の係数ａ_ｉ，ｂ_ｉ，ｃ_ｉは、説明変数（訓練データ）より求まる分散、共分散等の値からマハラノビス距離の二乗値を求めて決定する。

推定部１１４は、次の手順で判別関数を作成する。ここでは、図５に示す買電電力量データの中から訓練データが抽出された場合に、判別関数（メニューＡ）を作成する例について説明する。図５に示すデータは、Ｎｏ．１〜Ｎｏ．３０の３０日分の２時間刻みの時刻ごとの買電電力量のデータである。図５に示すデータでは、２時間ごとの買電電力量のデータとして３０×１２＝３６０のデータが得られている。

具体的に、「０．００」の欄には、０時〜２時までの間における買電電力量が示されており、「Ｎｏ．１」の「０．００」の欄では、Ｎｏ．１データにおいて、０時〜２時までの間に９７．６６Ｗが買電されたことを意味している。判別関数を作成するにあたっては、これらの３０日分のデータを説明変数とする。また、図５におけるメニューの項目において、応答変数が示されている。応答変数として、「１．００」と示されているものは、最安電気料金メニューがメニューＡとなったものである。「−１．００」と示されているものは、最安電気料金メニューがメニューＡとならなかったものである。

推定部１１４は、これらのデータを用いた回帰分析を行うことで、図６（Ａ）に示すように、判別関数（メニューＡ）における係数を決定する。図６（Ａ）に示す例では、判別関数（メニューＡ）の係数ａ０〜ａ１２として、１３個の係数が決定される。これらの係数ａ０〜ａ１２を（１）式に代入することで、判別関数（メニューＡ）を作成する。

判別関数を作成したら、各判別関数における説明変数ｘ_ｉにそれぞれのサンプルデータを当てはめて、判別関数の値（判別結果）を算出する。推定部１１４は、次の手順で判別関数の値を算出する。図６（Ｂ）は、サンプルデータ及び判別値の例を示す表である。図６（Ｂ）に示すように、サンプルデータとして１２個のデータが得られた場合に、これらのサンプルデータを（１）式に代入する。こうして、（１）式によって求めた判別結果は０．１４８０３４である。

推定部１１４では、メニューＢ及びメニューＣについても、それぞれ判別関数（メニューＢ）及び判別関数（メニューＣ）の値（判別結果）を求める。これらの３つの判別結果を比較し、最も大きな値となった判別結果を得た判別関数に対応する電気料金メニューを最安電気料金メニューとして推定する。

その後、通知制御部１１５は、推定した最安電気料金メニューを、通信インターフェイス１３０を介して端末装置１１に送信して、ユーザに通知する（Ｓ１０８）。こうして、制御部１１０における処理を終了する。

以上説明した第１の実施形態によれば、ユーザの過去の買電電力量データに基づいて最安電気料金メニューを推定している。また、最安電気料金メニューの推定にあたって、買電電力量データの中から訓練データを抽出するとともに、サンプルデータを抽出して最安電気料金メニューの推定している。これによって、第１の実施形態に係る電気料金メニュー推定装置１００は、ユーザにおける最安電気料金メニューを精度良く推定することができる。

また、第１の実施形態に係る電気料金メニュー推定装置１００は、機械学習として、訓練データから作成した判別関数にサンプルデータを当てはめて線形判別分析を行うことによって最安電気料金メニューを推定している。このため、第１の実施形態に係る電気料金メニュー推定装置１００によれば、ユーザにおける最安電気料金メニューを精度良く推定することができる。

（第２の実施形態）
以下、第２の実施形態について説明する。第２の実施形態における電気料金メニュー推定装置１００では、データ記憶部１２１に記憶された買電電力量データが第１の実施形態と相違する。従って、かかる相違点を中心に説明し、第１の実施形態と共通する部分についての説明は省略する。

第２の実施形態に係る電気料金メニュー推定装置１００では、最安電気料金メニューを推定する際、最安電気料金メニューを推定する対象となるユーザ（以下「対象ユーザ」という）以外のユーザ（以下「比較ユーザ」という）の買電電力量データを利用する。

図７は、第２の実施形態における買電電力量データのテーブルデータの一例を示す図である。第２の実施形態におけるデータ記憶部１２１に記憶された買電電力量データのテーブルデータには、複数のユーザにおける昨年の買電電力量データが１時間ごとに記憶されている。このうち、対象ユーザの買電電力量データについては、今年の１月〜３月までの３か月分が記憶されている。また、複数の比較ユーザの買電電力量データについては、昨年の１月〜１２月までの１２か月分が記憶されている。

図８は、第２の実施形態におけるユーザ情報のテーブルデータの一例を示す図である。第２の実施形態におけるデータ記憶部１２１は、対象ユーザ及び複数の比較ユーザについてのユーザ情報を記憶している。例えば、ユーザ情報には、世帯人数、住所、職業、新エネ機器設置等のユーザの生活環境に関する情報がある。ユーザ情報は、訓練データ及びサンプルデータの特性の一つである。新エネ機器には、太陽光発電設備（Photovoltaics、以下「ＰＶ」という）、蓄電池、燃料電池がある。

ユーザ１で表される対象ユーザは、世帯人数が３人、住所が東京都府中市、職業が会社員である。また、新エネ機器として、６ｋＷのＰＶを保有しており、蓄電池及び燃料電池は保有していない。ユーザ１０１で表される比較ユーザ（以下「第１比較ユーザ」という）は、世帯人数が２人、住所が神奈川県川崎市、職業が自営業である。また、新エネ機器として、１０ｋＷのＰＶ、４．４ｋＷｈの蓄電池、及び最大７００Ｗ出力の燃料電池を保有している。データ記憶部１２１は、第１比較ユーザのほか、ユーザ１０２〜ユーザＮで表される（Ｎ−１）人のユーザ（以下「第２比較ユーザ」〜「第Ｎ比較ユーザ」という）についてのユーザ情報を記憶している。データ記憶部１２１は、第１比較ユーザ〜第Ｎ比較ユーザまでの合計Ｎ人の比較ユーザのユーザ情報を記憶している。

第２の実施形態におけるデータ記憶部１２１には、第１の実施形態と同様、図４に一例を示す対象ユーザについての過去（Ｎ＋１）年分の買電電力量データのテーブルデータが記憶されている。また、比較ユーザについても、過去（Ｎ＋１）年分の買電電力量データのテーブルデータが記憶されている。また、テーブルデータには、比較ユーザのそれぞれについて、メニューＡ〜Ｃの各メニューを適用した場合の昨年の電気料金を算出し、最安電気料金メニューと判定された電気料金メニューが含まれている。

第２の実施形態に係る電気料金メニュー推定装置１００では、複数の比較ユーザの買電電力量データを利用して対象ユーザの最安電気料金メニューを推定する。あるいは、対象ユーザにユーザ情報が類似する比較ユーザの買電電力量データを利用して対象ユーザの最安電気料金メニューを推定する。以下、それぞれの推定手順について説明する。

複数の比較ユーザの買電電力量データを利用して対象ユーザの最安電気料金メニューを推定する場合について説明する。訓練データ抽出部１１２は、図７に示す買電電力量データのうち、比較ユーザにおける１月〜３月までの３か月間の１時間ごとの買電電力量データを訓練データとして抽出する。訓練データとして利用する買電電力量データは、１月〜３月までの３か月間以外の期間の買電電力量データとしてもよい。この点は、上記第１の実施形態と同様である。

それから、メニューＡ、メニューＢ、メニューＣのそれぞれの判別関数を第１の実施形態に示した手順と同様にして作成し、サンプルデータを当てはめて３個の判別結果を得る。サンプルデータとしては、対象ユーザの今年の１月〜３月までの１時間ごとの買電電力量データを利用する。メニューＡ〜メニューＣの判別関数による３個の判別結果を比較する。その結果、最も大きな値となった判別結果を得た判別関数に対応する電気料金メニューを最安電気料金メニューとして推定する。

また、対象ユーザにユーザ情報が類似する比較ユーザの買電電力量データを利用して対象ユーザの最安電気料金メニューを推定する場合について説明する。図８に示すユーザ情報のテーブルデータのうち、対象ユーザのユーザ情報に最も類似する比較ユーザのユーザ情報（以下「最類似比較ユーザ情報」という）を特定する。図８に示す例では、第２比較ユーザのユーザ情報が、ユーザ情報中のすべての項目において対象ユーザのユーザ情報と一致している。このため、対象ユーザのユーザ情報の最類似比較ユーザ情報は、第２比較ユーザのユーザ情報と特定できる。

最類似比較ユーザ情報を特定する際には、対象ユーザのユーザ情報と各比較ユーザのユーザ情報との類似度を求める。この類似度が最も高い比較ユーザのユーザ情報が最類似比較ユーザ情報となる。最類似比較ユーザ情報を特定する際の類似度は、一致する項目の数及び優先度等の情報に基づいて判定することができる。例えば、最類似比較ユーザ情報を特定する際の類似度は、一致する項目の数が多いほど類似度が高いと判定することができる。また、各項目に優先度を設定し、優先度の高い項目ほど類似度が大きいと判定してもよい。また、各項目に重みづけを行って、重みが大きい項目が一致するほど、類似度が高いと判定してもよい。さらには、これらの手法を合わせて類似度を判定してもよい。

こうして最類似比較ユーザ情報を特定したら、最類似比較ユーザ情報を持つ比較ユーザを特定し、当該比較ユーザの買電電力量データを特定する。図９に示すユーザ情報のテーブルデータでは、第２比較ユーザの買電電力量データを特定する。この買電電力量データのうち、１月〜３月までの３か月間における１時間ごとの買電電力量データを訓練データとする。

それから、メニューＡ、メニューＢ、メニューＣのそれぞれの判別関数を第１の実施形態に示した手順と同様にして作成し、サンプルデータを当てはめて３個の判別結果を得る。サンプルデータとしては、対象ユーザの今年の１月〜３月までの１時間ごとの買電電力量データを用いる。メニューＡ〜メニューＣの判別関数による３個の判別結果を比較する。その結果、最も大きな値となった判別結果を得た判別関数に対応する電気料金メニューを最安電気料金メニューとして推定する。

以上説明した第２の実施形態に係る電気料金メニュー推定装置１００では、対象ユーザ以外の比較ユーザの買電電力量データを利用して対象ユーザの最安電気料金メニューを推定する。このため、対象ユーザが電気料金メニュー推定装置１００を使用した履歴が浅く、買電電力量データが十分に集まっていない場合でも、精度良く対象ユーザの最安電気料金メニューを推定することができる。

（第３の実施形態）
以下、第３の実施形態について説明する。第３の実施形態における電気料金メニュー推定装置１００では、データ記憶部１２１に記憶された買電電力量データが第１及び第２の実施形態と相違する。従って、かかる相違点を中心に説明し、第１及び第２の実施形態と共通する部分についての説明は省略する。

第３の実施形態に係る電気料金メニュー推定装置１００では、買電電力量データを１時間ごとではなく所定の時間帯に分類する。この分類した買電電力量データに基づいて、訓練データ及びサンプルデータを抽出して最安電気料金メニューを推定する。本実施形態では、分類する時間帯を電気料金単価が共通する時間帯とする。

図９は、第３の実施形態における買電電力量データを分類する時間帯における電気料金メニューごとの単価のテーブルデータの一例を示す図である。このテーブルデータには、メニューＡ、メニューＢについての時間帯ごとの単価が記憶されている。メニューＡでは、０時〜８時の８時間が１２円／ｋＷｈ、８時〜２２時の１４時間が２５円／ｋＷｈ、２２時〜２４時の２時間が１２円／ｋＷｈとされている。メニューＢでは、０時〜９時の９時間が１２円／ｋＷｈ、９時〜２１時の１２時間が２８円／ｋＷｈ、２１時〜２４時の３時間が１２円／ｋＷｈとされている。

本実施形態では、取得部１１１は、時間帯別料金メニューの電気料金単価の変わり目を単位として買電電力量データを取得する。推定部１１４は、メニューＡとメニューＢの間における電気料金の単価の関係が共通する時間帯については、買電電力量データをまとめて線形判別分析を行う。このように買電電力量データをまとめると、１日の間では０時〜８時、８時〜９時、９時〜２１時、２１時〜２２時、２２時〜２４時の５個のデータにまとめることができる。第１の実施形態では、１日あたりの買電電力量データが２４個であったところ、本実施形態では、買電電力量データが５個となる。このため、第１の実施形態の場合よりも少ないデータ数で最安電気料金メニューを推定することができる。具体的に、第１の実施形態では、３か月分のサンプルデータとして２１６０個のサンプルデータを用いて最安電気料金メニューを推定するのに対して、本実施形態では、３か月分のサンプルデータとして４５０個のサンプルデータで最安電気料金メニューを推定できる。

また、判別関数を作成するための訓練データについても、１日あたりのデータが５個であるので、第１の実施形態よりも少ないデータ量で判別関数を作成することができる。このため、判別関数の作成及び最安電気料金メニューの推定に要する処理量を軽減することができ、これらの処理にかかる時間を短くすることができる。また、メニューＡとメニューＢの間で電気料金の単価が共通する時間帯でサンプルデータ及び訓練データをまとめているので、第１の実施形態との比較において、最安電気料金メニューを推定する際の精度を維持することができる。

なお、第３の実施形態では、サンプルデータ及び訓練データをまとめるにあたって、１日で５個の時間帯に分類していたが、他の態様で分類してもよい。例えば、サンプルデータ及び訓練データを１日単位でまとめることもできるし、週単位でまとめることもできる。仮に、サンプルデータ及び訓練データを１日単位でまとめた場合、第１の実施形態では、２１６０個のサンプルデータを用いていたところ、９０個のサンプルデータで判別関数の作成及び最安電気料金メニューの推定を行うことができる。サンプルデータ及び訓練データを週単位でまとめた場合、１３個のサンプルデータで判別関数の作成及び最安電気料金メニューの推定を行うことができる。

（第４の実施形態）
以下、第４の実施形態について説明する。第４の実施形態における電気料金メニュー推定装置１００では、統計手法を用いた統計的機械学習によって最安電気料金プランを推定する際の推定手順が第１〜第３の実施形態と相違する。従って、かかる相違点を中心に説明し、第１〜第３の実施形態と共通する部分についての説明は省略する。

上記第１〜第３の実施形態では、統計手法を線形判別分析とした統計的機械学習によって最安電気料金メニューを推定していた。この点、本実施形態では、他の統計手法の統計的機械学習によって最安電気料金メニューを推定する。他の統計手法としては、非線形判別分析、サポートベクターマシン（Support Vector Machine、以下「ＳＶＭ」という）、ランダムフォレスト（Random Forest）、ナイーブベイズ（Naive Bayes）、ディープラーニング（Deep Learning）を挙げることができる。

サポートベクターマシンは、線形入力素子を利用して２クラスのパターン識別器を構成する統計手法である。サポートベクターマシンでは、訓練データから各データテントの距離が最大となるマージン最大化超平面を求める基準で線形入力素子のパラメータを学習する統計手法である。ランダムフォレストは、ランダムにサンプリングされたトレーニングデータによって学習した多数の決定木を使用する集団学習を行う手法である。ナイーブベイズは、ベイズ定理を用いて学習をする統計手法である。ディープラーニングは、多層構造のニューラルネットワークを用いた手法である。

これらの統計手法では、いずれも電気料金メニューごとに判別関数を作成し、判別関数の値が最も大きな値となった判別結果に対応する電気料金メニューを最安電気料金メニューとして推定する。これらの統計手法のいずれかを単独で用いて、その結果から最安電気料金メニューを推定することができる。

これらの統計手法の中から複数の統計手法を用いて、最安電気料金メニューを総合的に推定することもできる。この場合、複数の統計手法を用いて、それぞれ最安電気料金メニューの候補となる最安電気料金メニュー候補を推定する。これらの最安電気料金メニュー候補を用いて、最安電気料金メニューを推定する。以下、複数の統計手法を用いた最安電気料金メニューの推定手順について、多数決による推定、重みづけによる推定、ユーザ情報を用いた推定について説明する。

（１）多数決による推定
多数決による推定では、これらの最安電気料金メニュー候補が共通である場合、その最安電気料金メニュー候補を最安電気料金メニューと推定する。また、最安電気料金メニュー候補として、異なる最安電気料金メニュー候補が推定された場合には、多数決を行って最安電気料金メニューを推定することができる。例えば、５種類の統計手法を用いて最安電気料金メニュー候補を推定した結果、４種類の統計手法ではメニューＡを最安電気料金メニュー候補と推定し、１種類の統計手法ではメニューＢを最安電気料金メニュー候補と推定したとする。この場合、最安電気料金メニューとしては、メニューＡを推定する。

多数決を行うにあたり、最多となる最安電気料金メニュー候補が同数となった場合のために各最安電気料金メニュー候補に優先順位を設定しておくことができる。最多となる最安電気料金メニュー候補が同数となった場合、そのうち優先順位が最も高い最安電気料金メニュー候補を含む方を最安電気料金メニューとすることができる。優先順位としては、統計手法のうち、精度の高いものほど高い優先順位をつけることができる。

（２）重みづけによる推定
重みづけによる推定では、各統計手法で求められた判別結果を正規化して重みづけを行い、最安電気料金メニューを推定する。重みづけによる推定では、例えば、下記の（４）〜（６）式に示す総合判別関数を作成する。
総合判別関数（メニューＡ）＝Ｗ_ａ０＋Ｗ_ａ１ｚ_１＋Ｗ_ａ２ｚ_２＋・・＋Ｗ_ａｍｚ_ｍ ・・・（４）
総合判別関数（メニューＢ）＝Ｗ_ｂ０＋Ｗ_ｂ１ｚ_１＋Ｗ_ｂ２ｚ_２＋・・＋Ｗ_ｂｍｚ_ｍ ・・・（５）
総合判別関数（メニューＣ）＝Ｗ_ｃ０＋Ｗ_ｃ１ｚ_１＋Ｗ_ｃ２ｚ_２＋・・＋Ｗ_ｃｍｚ_ｍ ・・・（６）

上記（４）〜（６）式において、ｚ_ｉは各判別関数による判別結果を正規化した値、Ｗ_ａｉ、Ｗ_ｂｉ、Ｗ_ｃｉは、いずれも重み係数である。添え字のｍは、判別関数の個数である。上記の（４）式〜（６）式では、５種類の統計手法を用いており、ｍ＝５となる。

上記の（４）式〜（６）式に基づいて、メニューＡ〜メニューＣの各メニューについて総合判別関数の判別結果を算出する。そして、総合判別は関数の判別結果を比較し、最も大きな値となった判別結果を得た判別関数に対応する電気料金メニューを最安電気料金メニューとして推定する。

このように、複数の統計手法を用いて電気料金メニューを推定することにより、精度良く電気料金メニューを推定することができる。

（３）ユーザ情報を用いた推定
最安電気料金メニューの推定にあたり、複数の統計手法を用いた総合判別関数の判別結果にユーザ情報を考量して最安電気料金メニューを推定することもできる。ユーザ情報を用いた推定を行う際には、メニューＡ〜メニューＣの各メニューについての判別関数を用いる。この場合のメニューＡの判別関数は、下記（７）式で表すことができる。
判別関数（メニューＡ）＝Ｗ_ａ０＋Ｗ_ａ１ｚ_１＋Ｗ_ａ２ｚ_２＋・・＋Ｗ_ａｍｚ_ｍ＋Ｗ_{ａ（ｍ＋１）}ｚ_{ａ（ｍ＋１）} ・・・（７）

上記の（７）式は、上記（６）式に「Ｗ_{ａ（ｍ＋１）}ｚ_{ａ（ｍ＋１）}」の項を加算した式である。（７）式において、ｚ_{ａ（ｍ＋１）}は、ユーザ情報に基づく推定結果、Ｗ_{ａ（ｍ＋１）}は電気料金メニューＡに対するユーザ情報による判別の重みである。ｚ_{ａ（ｍ＋１）}は、全メニューに対する比率で算出する。対象ユーザに類似するユーザを１００人選択し、かつ電気料金メニューＡが最安電気料金メニューとなっているユーザが６０人いたとする。この場合、ｚ_{ａ（ｍ＋１）}＝６０／１００＝０．６となる。なお、（７）式に代えて上記（６）式に「Ｗ_{ａ（ｍ＋１）}ｚ_{ａ（ｍ＋１）}」を乗じた式を判別関数（メニューＡ）としてもよい。

同様の手順によって、電気料金メニューＢ，Ｃについても、判別関数を作成し、判別結果を求める。こうして、電気料金メニューＡ〜Ｃの各メニューについての判別関数による判別結果を比較し、最も大きな値となった判別結果を得た判別関数に対応する電気料金メニューを最安電気料金メニューとして推定する。

このように、複数の統計手法及びユーザ情報を用いて電気料金メニューを推定することにより、精度良く電気料金メニューを推定することができる。

以上説明した少なくともひとつの実施形態によれば、訓練データ抽出部１１２が抽出した訓練データと、サンプルデータ抽出部１１３が抽出したサンプルデータと、を用いて、推定部１１４において、統計手法を用いて最安電気料金メニューを推定することにより、精度の良い最安電気料金メニューを推定することができる。この結果、電気料金メニュー推定装置１００は、ユーザの経済的負担を小さくする電気料金メニューを提供することができる。

また、上記の各実施形態で示した最安電気料金メニューの推定方法のうちの複数の方法によって最安電気料金メニューの候補を推定し、これらの最安電気料金メニューの候補を比較して最安電気料金メニューを決定してもよい。例えば、第１の実施形態に示す対象ユーザの過去の買電電力量データを用いて推定した最安電気料金メニューと、第２の実施形態に示す比較ユーザの過去の買電電力量データを用いて推定した最安電気料金メニューと、を最安電気料金メニューの候補とする。これらの両最安電気料金メニューの候補を比較して、いずれかの最安電気料金メニューの候補を最安電気料金メニューとすることができる。

また、記憶部１２０がユーザ情報の履歴を記憶しておき、ユーザ情報に変化があった場合には、ユーザ情報に変化があった以後の買電電力量データに基づいて、最安電気料金メニューを推定してもよい。この場合、ユーザ情報の変化に対応した最安電気料金メニューを推定できるので、最安電気料金メニューの推定精度を高めることができる。ユーザ情報の変化としては、種々の変化がある。具体的には、ユーザ情報の変化には、世帯人数の変動がある。例えば、世帯人数が変動する要因としては、祖父又は祖母の同居開始、子息の同居からの独立がある。また、ユーザ情報の変化には、新エネ機器の設置及び廃棄がある。

また、過去の買電電力量データの変動量を検出し、買電電力量データの変動量が所定のしきい値を超えた場合、買電電力量データの変動量が所定のしきい値を超えた以後の買電電力量データに基づいて、最安電気料金メニューを推定してもよい。この場合、買電電力量データの大きな変化に対応した最安電気料金メニューを推定できるので、最安電気料金メニューの推定精度を高めることができる。

また、住宅２に設けられたＨＥＭＳ機器１３から買電電力量データを送信する態様に代えて、電力供給者が所有する買電電力量データを電気料金メニュー推定装置１００に送信してもよい。

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である。

１…電気料金メニュー推定システム、２…住宅、３…ネットワーク、１１…端末装置、１２…スマートメータ、１３…ＨＥＭＳ機器、１４…負荷、１００…電気料金メニュー推定装置、１３０…通信インターフェイス、１１１…取得部、１１２…訓練データ抽出部、１１３…サンプルデータ抽出部、１１４…推定部、１１５…通知制御部、１２０…記憶部、１２１…データ記憶部、１２２…電気料金メニュー記憶部

Claims (11)

1. ユーザが購入した電力量のデータである買電電力量データと、電力供給者が提供する複数の電気料金メニューと、を取得する取得部と、
   前記取得部が取得した前記買電電力量データの中から訓練データを抽出する訓練データ抽出部と、
   前記取得部が取得した前記買電電力量データのうち、前記訓練データとして抽出した買電電力量データと共通する特性を有する買電電力量データの中から電気料金メニューの推定に利用するサンプルデータを抽出するサンプルデータ抽出部と、
   前記訓練データ抽出部が抽出した前記訓練データに基づいて機械学習を行い、当該機械学習の結果と前記サンプルデータ抽出部が抽出したサンプルデータとによって、前記複数の電気料金メニューから電気料金が相対的に安い電気料金メニューを推定する推定部と、
   を備える電気料金メニュー推定装置。
2. 前記推定部は、前記機械学習の結果として判別関数を作成し、当該判別関数に前記サンプルデータを当てはめて、前記複数の電気料金メニューから電気料金が相対的に安い電気料金メニューを推定する、請求項１に記載の電気料金メニュー推定装置。
3. 前記推定部は、ユーザが選択可能な電気料金メニューを抽出し、
   抽出した前記電気料金メニューを前記買電電力量データに適用した電気料金を算出し、当該算出結果に基づいて前記相対的に安い電気料金メニューを推定する、請求項１又は２に記載の電気料金メニュー推定装置。
4. 前記訓練データ抽出部は、過去所定期間分の買電電力量データの中から前記訓練データを抽出する、請求項１〜３のうちのいずれか一項に記載の電気料金メニュー推定装置。
5. 前記訓練データ抽出部は、前記ユーザのユーザ情報に類似するユーザ情報を有する他のユーザの買電電力量データの中から前記訓練データを抽出する、請求項１〜３のうちのいずれか一項に記載の電気料金メニュー推定装置。
6. 前記推定部は、前記機械学習に用いる統計手法として、線形判別分析、非線形判別分析、サポートベクターマシン、ランダムフォレスト、ナイーブベイズ、及びディープラーニングのうちの少なくとも１つを用いる、請求項１〜５のうちのいずれか一項に記載の電気料金メニュー推定装置。
7. 前記推定部は、前記統計手法として、線形判別分析、非線形判別分析、サポートベクターマシン、ランダムフォレスト、ナイーブベイズ、及びディープラーニングの中から複数のものを用いて、前記相対的に安い電気料金メニューの候補を作成し、
   複数の前記統計手法で作成された前記相対的に安い電気料金メニューの候補の中から、多数決によって前記相対的に安い電気料金メニューを推定する請求項６に記載の電気料金メニュー推定装置。
8. 前記推定部は、前記統計手法として、線形判別分析、非線形判別分析、サポートベクターマシン、ランダムフォレスト、ナイーブベイズ、及びディープラーニングの中から複数のものを用いて前記相対的に安い電気料金メニューの候補を作成し、
   複数の前記相対的に安い電気料金メニューの候補に対して重みづけを行い、重みづけられた複数の前記相対的に安い電気料金メニューの候補に基づいて、前記相対的に安い電気料金メニューを推定する請求項６又は７に記載の電気料金メニュー推定装置。
9. 前記取得部は、買電電力量データを取得する単位として、
   前記取得部が前記買電電力量データを取得可能な最低時間間隔、時間帯別料金メニューの電気料金単価の変わり目単位、及びＮ日単位のいずれか１つを用いる請求項１〜７のうちのいずれか一項に記載の電気料金メニュー推定装置。
10. コンピュータが、
    ユーザが購入した電力量のデータである買電電力量データと、電力供給者が提供する複数の電気料金メニューと、を取得するステップと、
    取得した前記買電電力量データの中から訓練データを抽出するステップと、
    取得した前記買電電力量データのうち、前記訓練データとして抽出した買電電力量データと共通する特性を有する買電電力量データの中から電気料金メニューの推定に利用するサンプルデータを抽出するステップと、
    抽出した前記訓練データに基づいて機械学習を行い、当該機械学習の結果と抽出した前記サンプルデータとによって、前記複数の電気料金メニューから電気料金が相対的に安い電気料金メニューを推定するステップと、
    を有する、電気料金メニュー推定方法。
11. コンピュータに、
    ユーザが購入した電力量のデータである買電電力量データと、電力供給者が提供する複数の電気料金メニューと、を取得する手順と、
    取得した前記買電電力量データの中から訓練データを抽出する手順と、
    取得した前記買電電力量データのうち、前記訓練データとして抽出した買電電力量データと共通する特性を有する買電電力量データの中から電気料金メニューの推定に利用するサンプルデータを抽出する手順と、
    抽出した前記訓練データに基づいて機械学習を行い、当該機械学習の結果と抽出した前記サンプルデータとによって、前記複数の電気料金メニューから電気料金が相対的に安い電気料金メニューを推定する手順と、
    を実行させるための電気料金メニュー推定プログラム。

Images