JP7352385B2 - 電力管理システム、電力管理方法及び電力管理プログラム - Google Patents

Description

本発明は、電力の消費単位ごとに設けられた複数のユーザーシステムにおける電力管理を行う電力管理システム、電力管理方法及び電力管理プログラムに関する。

近年、送電システムとしては、従来型の送電網に加えて、スマートグリッド（次世代送電網）やスマートコミュニティと呼ばれる電力の流れを供給側・需要側の両方から制御し、最適化できるしくみが普及しつつある。従来、このようなスマートグリッドを通じて各需要家における余剰電力を、複数のユーザー間において融通し合うことが可能な電力取引システムが知られている（例えば、特許文献１参照）。このような、スマートグリッドでは、各需要家において消費電力や発電量を計測するスマートメーターを通じて、毎月の検針業務の自動化やＨＥＭＳ（Home Energy Management System：住宅用エネルギー管理システム）等における電気使用状況が管理される。

上記従来型の送電システムやスマートグリッドでは、住宅や業務設備などで消費される将来の電力量を予測し、予測した消費電力をモニタに表示して可視化することより、需要者の節電行動に結びつけることができるようにしたり、家電などの電気機器を自動制御して使用状態の最適化を行ったりするシステムの開発が進められている。将来の消費電力を予測することによって、瞬間的或いは局地的に消費電力が増大するのを回避するいわゆるピークカットが可能となる。一方、電力需給調整を行う方法として、火力発電所を中心として太陽光発電や風力発電に代表される再生可能電源を分散電源として組み合わせる方法が普及しつつある。

ところで、再生可能電源を分散電源とした場合、例えば、太陽光発電装置では太陽の前を小さな雲が通過するなど短い時間での天候の変動によっても出力変動が生じるため、この出力変動に起因する電力需給バランスの変動を補償するための電力需給調整技術の一つとして、電力系統の配電網下に連系する“蓄電池”などの分散エネルギーストレージを活用する技術がある（例えば、特許文献１参照）。

上位装置である電力系統制御装置が電力供給スケジュールに基づいて作成する２次電池の運転スケジュール（制御情報）に、短い時間での天候の変動に伴う電力供給の変動分を反映させることが実質的に困難となることから、上記特許文献１に開示されたシステムでは、電池制御装置が外部装置から動作制御情報を入手する時間間隔と、電池に対する動作制御処理の動作時間間隔を調整することによって、通信の不具合の影響を受け難くしつつ、実際の電力系統の状態の変化に応じて電池の動作を調整することを可能としている。

特開２０１８－１３００２１号公報

しかしながら、上述した特許文献１に開示されたシステムでは、複数の需要家における電力系統の状態変化を収集して解析して各需要家における運転スケジュール（制御情報）を出力するものであることから、各需要家で個別的に且つ短期的に生じる変動に対してリアルタイムで対応することが難しく、また、電力系統の状態変化は各需要家に固有の特性があるため、複数の需要家をとりまとめた制御ではきめ細かな対応が難しいという問題がある。この結果、上述した特許文献１に開示されたシステムでは、各需要家に個別的且つ短期的に生じる各需要家固有の状態変化をカバーできるように、多少の余裕を持たせた電力制御となるため、その分だけ無駄な電力供給或いは蓄放電が必要となり、エネルギー資源の有効利用にも一定の限界があった。

そこで、本発明の目的は、かかる従来技術の課題に鑑み、スマートグリッドを利用した電力制御において、個別住宅又は小規模ビルなどの小単位の施設で消費される将来の電力の予測精度をローカル側で自立的に行わせて、各需要家に個別的且つ短期的に生じる各需要家固有の状態変化をカバーできる電力管理システム、電力管理方法及び電力管理プログラムを提供することにある。

上記課題を解決するために、本発明は、電力の消費単位である需要家内における電気機器の消費電力を管理する電力管理システムであって、需要家内に設けられ、需要家内において発電又は消費した電力量を測定して実績データを生成する実績データ生成部と、需要家内において実績データ生成部よりも電気機器側に設置され、需要家単位で測定された総消費電力の時間的変動を分析して、需要家内で稼動している個別機器とその消費電力である個別消費電力とを推定する個別機器推定部と、個別機器推定部による推定結果に基づいて個別機器の電源の状態を時系列で記録した推定履歴情報を記録するデータ記録部と、データ記録部により記録された推定履歴情報を用いて、実時間で測定された総消費電力について、実時間の総消費電力から予測開始時点での個別機器の稼動台数を推定するとともに、予測期間に対応する期間の電源状態パラメータを用いて、予測開始時点からの予測期間における個別消費電力の推移を予測する個別電力予測部と、個別電力予測部により予測された予測期間における個別消費電力の推移をもとに、予測期間における総消費電力の推移を予測する電力予測部とを備える。

また、本発明は、電力の消費単位である需要家内における電気機器の消費電力を管理する電力管理方法であって、
（１）需要家内に設けられた実績データ生成部が、需要家内において発電又は消費した電力量を測定して実績データを生成する実績データ生成ステップと、
（２）需要家内において実績データ生成部よりも電気機器側に設置されたデータ記録部が、需要家単位で測定された総消費電力の時間的変動を分析して、需要家内で稼動している個別機器とその消費電力である個別消費電力とを推定し、この推定結果に基づいて個別機器の電源の状態を時系列で記録した推定履歴情報を記録するデータ記録ステップと、
（３）個別電力予測部が、データ記録ステップで記録された推定履歴情報を用いて、実時間で測定された総消費電力について、実時間の総消費電力から予測開始時点での個別機器の稼動台数を推定するとともに、予測期間に対応する期間の電源状態パラメータを用いて、予測開始時点からの予測期間における個別消費電力の推移を予測する個別電力予測ステップと、
（４）個別電力予測ステップで予測された予測期間における個別消費電力の推移をもとに、予測期間における総消費電力の推移を電力予測部が予測する総電力予測ステップとを含む。

上記発明において、実際に消費された電力に関する実消費電力情報を蓄積する実消費電力蓄積部と、実消費電力蓄積部に蓄積された実消費電力情報、及びデータ記録部が記録した推定履歴情報を教師データとして、電力予測部の人工知能を学習させる学習部とをさらに備える。

上記発明において、個別機器推定部は、電力波形及びその時間的な変化を分析し、周波数成分及び電力の変動パターンの特性を抽出することによって、稼動している個別機器とその消費電力である個別消費電力とを推定することが好ましい。
なお、上述した本発明に係る電力管理システムや電力管理方法は、所定の言語で記述された本発明の電力管理プログラムをコンピューター上で実行することにより実現することができる。すなわち、本発明のプログラムを、携帯端末装置やスマートフォン、ウェアラブル端末、モバイルＰＣその他の情報処理端末、パーソナルコンピューターやサーバーコンピューター等の汎用コンピューターのＩＣチップ、メモリ装置にインストールし、ＣＰＵ上で実行することにより、上述した各機能を有するシステムを構築して、本発明に係る方法を実施することができる。

また、本発明の電力管理プログラムは、例えば、通信回線を通じて配布することが可能であり、また、コンピューターで読み取り可能な記録媒体に記録することにより、スタンドアローンの計算機上で動作するパッケージアプリケーションとして譲渡することができる。この記録媒体として、具体的には、フレキシブルディスクやカセットテープ等の磁気記録媒体、若しくはＣＤ－ＲＯＭやＤＶＤ－ＲＯＭ等の光ディスクの他、ＲＡＭカードなど、種々の記録媒体に記録することができる。そして、このプログラムを記録したコンピューター読み取り可能な記録媒体によれば、汎用のコンピューターや専用コンピューターを用いて、上述したシステム及び方法を簡便に実施することが可能となるとともに、プログラムの保存、運搬及びインストールを容易に行うことができる。

本発明によれば、スマートグリッドを利用した電力制御において、個別住宅又は小規模ビルなどの小単位の施設で消費される将来の電力の予測精度をローカル側で自立的に行わせて、各需要家に個別的且つ短期的に生じる各需要家固有の状態変化をカバーできる。

実施形態に係る電力管理システムの全体構成を示す概念図である。 実施形態に係るユーザーシステムの機器構成を示すブロック図である。 実施形態に係る電力制御端末の内部構成を示すブロック図である。 実施形態に係る電力制御端末内に構築される電力管理に関するモジュールを示すブロック図である。 実施形態に係る学習部の内部構成を示すブロック図である。 実施形態に係る学習処理の概要を示す説明図である。 実施形態に係る管理サーバーの内部構成を示すブロック図である。 実施形態に係る電力管理システムの動作を示すフロー図である。

以下に添付図面を参照して、本発明に係る電力管理システムの実施形態を詳細に説明する。なお、以下に示す実施の形態は、この発明の技術的思想を具体化するための装置等を例示するものであって、この発明の技術的思想は、各構成部品の材質、形状、構造、配置等を下記のものに特定するものでない。この発明の技術的思想は、特許請求の範囲において、種々の変更を加えることができる。

（電力管理システムの概要）
図１は、本実施形態に係る電力管理システム１のネットワーク構成を示した図である。本実施形態に係る電力管理システムは、電力の消費単位ごとに電力を制御及び管理する複数のユーザーシステム４，４…における電力を管理するシステムであり、各ユーザーシステム４，４…等に設置された実績データ生成部であるスマートメーター４１と、インターネットや電話回線、専用回線等を介してスマートメーター４１と接続された管理サーバー２とから概略構成される。

電力管理システム１では、各スマートメーター４１が、各ユーザーシステムにおいて各電力使用期間中に発電又は消費した電力量を需要家ごとに測定して実績データＤ１を生成し、管理サーバー２側で実績データＤ１に基づいてユーザーシステム４，４…内における電力消費を管理する。図１に示すように、本実施形態では、各ユーザーシステム４，４…における電力管理実績及び予測結果を管理サーバー２側で利用できるようにしている。電力管理システム１では、管理サーバー２と、各施設（発電所、ＰＰＳ、需要家、電力プロシューマ等）に設けられた電力制御端末４０とが通信ネットワーク３で相互に接続されている。各需要家において外部電力系統には各ユーザーシステム４のスマートメーター４１が接続されている。

電力制御端末４０は、例えば、ＣＰＵを備えた情報処理端末で構成されており、各需要家の他、発電所、ＰＰＳ、電力プロシューマ、アグリゲーター等の各施設の電力設備を統括的に制御する装置であり、ユーザーシステム内において実績データ生成部であるスマートメーター４１よりも電気機器（負荷）側に設置されるとともに、ユーザーシステム内においてスマートメーター４１と分電盤４５の両方に接続されている。この電力制御端末４０が制御する対象設備としては、需要家や電力プロシューマ等の施設内に配備されたユーザーシステム４に含まれるスマートメーター４１、蓄電池４２、ＰＶ（Photovoltaics：太陽光発電）４３など、発電や蓄電、電力消費を管理する装置が含まれる。

なお、この電力制御端末４０が制御対象とする各種装置は、必要に応じて省略することができる。例えば、ユーザーシステム４，４…ではその電力消費がスマートメーター４１により測定されるが、需要家によっては発電設備及び蓄電設備を有するものもあれば、発電設備又は蓄電設備のいずれかの設備を有するもの、或いは発電・蓄電設備のいずれも備えずスマートメーター４１だけが設けられ電力消費のみを行うものもある。また、電力プロシューマも電力消費をする立場にあるが、太陽光発電や蓄電池を備え、電力を供給する側にも位置することができる。

通信ネットワーク３は、インターネットなど通信プロトコルＴＣＰ／ＩＰを用いたＩＰ網であって、種々の通信回線（電話回線やＩＳＤＮ回線、ＡＤＳＬ回線、光回線などの公衆回線、専用回線、ＷＣＤＭＡ（登録商標）及びＣＤＭＡ２０００などの第３世代（３Ｇ）の通信方式、ＬＴＥなどの第４世代（４Ｇ）の通信方式、及び第５世代（５Ｇ）以降の通信方式等の他、Ｗｉｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）などの無線通信ネットワーク）を相互に接続して構築される分散型の通信ネットワークである。このＩＰ網には、１０ＢＡＳＥ－Ｔや１００ＢＡＳＥ－ＴＸ等によるイントラネット（企業内ネットワーク）や家庭内ネットワークなどのＬＡＮなども含まれる。

（各装置の構成）
次いで、各装置の構成について説明する。なお、説明中で用いられる「モジュール」とは、装置や機器等のハードウェア、或いはその機能を持ったソフトウェア、又はこれらの組合せなどによって構成され、所定の動作を達成するための機能単位を示す。

（１）ユーザーシステム４
ユーザーシステム４は、需要家や電力プロシューマが有する電力設備全般であり、電力を消費する単位でもある。需要家とは、電力の供給を受けて使用している電力設備に関する契約単位であり、契約電力が５００ｋＷ以上の高圧大口需要家、５０ｋＷ以上５００ｋＷ未満の高圧小口需要家、一般家庭などの５０ｋＷ未満の低圧需要家が含まれる。また、ユーザーシステム４は、発電や蓄電の設備を備える場合がある。発電の設備としては、例えば太陽光発電や風力発電等が挙げられる。このユーザーシステム４には、電力制御端末４０と、実績データ生成部としてのスマートメーター４１とが含まれる。また、電力を消費する設備としては、各種家電製品や工場設備、オフィス機器のみならず、電力制御装置（ＩｏＴ機器）等の制御装置全般が含まれる。

各需要家に設置される電力制御端末４０は、需要家のユーザーシステム４内において実績データ生成部であるスマートメーター４１よりも電気機器（蓄電池４２、ＰＶ４３，その他負荷４４１～４４ｎ）側に設置され、分電盤４５に接続されてユーザーシステム４内で流通される電力に関する電力の電流、電圧、電力波形、周波数等が取得可能となっているとともに、各電気器、ユーザーシステム４（需要家）内に配置されたＰＶ４３や蓄電池４２の発電や充放電を実際に制御する装置である。具体的に電力制御端末４０は、通信機能やＣＰＵを備えた情報処理端末であり、ＯＳ或いはファームウェア、各種アプリケーションソフトをインストールすることにより様々な機能が実装可能であり、本実施形態では、アプリケーションをインストールして実行することによって電力管理部として機能する。この情報処理端末としては、パーソナルコンピューターの他、例えば、スマートフォンや、機能を特化させた専用装置により実現することができ、タブレットＰＣやモバイルコンピューター、携帯電話機が含まれる。

スマートメーター４１は、需要単位であるユーザーシステム内における発電・蓄電・電力消費を統括的に管理する実績データ生成部であり、需要家のユーザーシステム４内において、各需要家での電力消費を計測する他、ユーザーシステム内の他の設備、例えば蓄電池や太陽光発電による蓄電や発電も制御・管理し、需要家において各電力使用期間中に発電、蓄電又は消費した電力量を測定して実績データＤ１を生成し、定期的に電力制御端末４０を経由して管理サーバー２に送出する。この実績データＤ１の送信は、通信ネットワーク３や電話回線、専用回線等を通じて管理サーバー２に対して行われる。なお、本実施形態では、実績データ生成部としてスマートメーター４１を用いるが、本発明はこれに限定されず、例えば、電力制御端末４０や、需要家内に配置された各種家電製品、工場設備、オフィス機器など、電力制御装置（ＩｏＴ機器）等の制御装置を備えて自機の状態を実績データとして通信ネットワークに送信する機能を有する電子機器全般が含まれる。

（２）管理サーバー２の構成
管理サーバー２は、電力管理サービスの提供業者が管理運用するサーバー装置であり、図７に示すように、通信インターフェース２３と、認証部２２と、学習実行部２５と、外部情報データベース２１ａと、ユーザーデータベース２１ｂと、実績管理データベース２１ｃと、学習情報データベース２１ｄと、外部情報管理部２４、データ管理部２６とを備えている。

通信インターフェース２３は、通信ネットワーク３を通じて、他の通信機器とデータの送受信を行うモジュールであり、本実施形態では、本サービスを提供するために各電力制御端末４０及びスマートメーター４１、及び外部情報源５に接続されている。

認証部２２は、電力管理に係るアクセス者の正当性を検証するコンピューター或いはその機能を持ったソフトウェアであり、ユーザーを特定するユーザーＩＤに基づいて認証処理を実行する。本実施形態では、通信ネットワーク３を通じてアクセス者の端末装置からユーザーＩＤ及びパスワードを取得し、ユーザーデータベース２１ｂを照合することによって、アクセス者にその権利があるか否かや、そのアクセス者が契約者であるか否かなどを確認する。

学習実行部２５は、通信ネットワーク３を通じて、各ユーザーシステム４に備えられたＡＩの機械学習を実行するモジュールであり、本実施形態では、学習履歴管理部２５ａ及びシステム連携部２５ｂを備えている。

学習履歴管理部２５ａは、各ユーザーシステム４側で実行された学習の履歴である学習履歴データを生成するモジュールである。システム連携部２５ｂは、各ユーザーシステム４側の電力制御端末４０と、協働して機械学習処理を進めるモジュールである。学習実行部２５は、このシステム連携部２５ｂを通じて各電力制御端末４０と連携をとることによって、ＡＩによる機械学習を管理する。

外部情報管理部２４は、通信ネットワーク３上に分散配置された各外部情報源５から情報を収集するモジュールである。具体的に外部情報管理部２４は、情報収集部２４ａと、相関抽出部２４ｂと、相関情報提供部２４ｃとを備えている。

外部情報データベース２１ａは、収集された外部情報を分類して蓄積する記憶装置であり、各外部情報と、その種別や時間情報、キーワード等の付加情報とを紐付けて蓄積する。ユーザーデータベース２１ｂは、各需要家のユーザーや、アグリゲーター等の業者に関する情報を蓄積する記憶装置である。

実績管理データベース２１ｃは、発電所や需要家、アグリゲーター等の電力の授受に関係する者による実績データを収集し蓄積して管理する記憶装置である。各スマートメーターから受信した各実績データは、この実績管理データベースに蓄積され、学習実行部２５における機械学習の用に供される。学習情報データベース２１ｄは、各需要家における機械学習の実績を記録する記憶装置である。

データ管理部２６は、各需要家から実績データＤ１及び推定履歴Ｄ２を収集し解析することによって、学習用の教師データを生成するモジュールであり、このデータ管理部２６による解析結果は、外部情報管理部２４が解析した相関情報とともに、学習実行部２５に入力され、機械学習の用に供される。具体的に、データ管理部２６は、実績データ収集部２６ａと推定履歴収集部２６ｂとを備えている。

（３）電力制御端末４０
具体的に電力制御端末４０は、図３に示すように、ＣＰＵ４０２と、メモリ４０３と、入力インターフェース４０４と、ストレージ４０１と、出力インターフェース４０５と、通信インターフェース４０６とを備えている。なお、本実施形態では、これらの各デバイスは、ＣＰＵバス４００を介して接続されており、相互にデータの受渡しが可能となっている。

メモリ４０３及びストレージ４０１は、データを記録媒体に蓄積するとともに、これら蓄積されたデータを各デバイスの要求に応じて読み出す記憶装置であり、例えば、ハードディスクドライブ（ＨＤＤ）やソリッドステートドライブ（ＳＳＤ）、メモリカード等により構成することができる。特に、本実施形態においてストレージ４０１は個別機器推定部である稼働電気機器特定部４０２ｄによる推定結果に基づいて個別機器の電源の状態を時系列で記録した推定履歴情報Ｄ２を記録するデータ記録部としての機能を果たすとともに、需要家内において実際に消費された電力に関する実消費電力情報Ｄ５を需要家内側で蓄積する実消費電力蓄積部としての機能も果たしている。

入力インターフェース４０４は、ユーザーシステム内に設置された各設備から制御信号を受信するモジュールであり、受信された制御信号はＣＰＵ４０２に伝えられ、ＯＳや各アプリケーションによって処理される。他方、出力インターフェース４０５は、ユーザーシステム内に設置された各設備へ制御信号を出力するモジュールである。かかるユーザーシステム内に設置される各設備は、その需要家やプロシューマなどの形態によって異なり、例えば、需要家では、電力消費についてはスマートメーター４１により測定され、発電・蓄電については、太陽光発電及び蓄電設備の両方を有するものもあれば、太陽光発電又は蓄電池のいずれかの設備を有するもの、発電・蓄電設備のいずれも備えないものもある。また、プロシューマでは、電力消費をスマートメーター４１により計測し、太陽光発電（ＰＶ）４２や蓄電池４２に対する制御信号が入出力される。

通信インターフェース４０６は、他の通信機器とデータの送受信を行うモジュールであり、通信方式としては、例えば、電話回線やＩＳＤＮ回線、ＡＤＳＬ回線、光回線などの公衆回線、専用回線、ＷＣＤＭＡ（登録商標）及びＣＤＭＡ２０００などの第３世代（３Ｇ）の通信方式、ＬＴＥなどの第４世代（４Ｇ）の通信方式、及び第５世代（５Ｇ）以降の通信方式等の他、Ｗｉｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）などの無線通信ネットワークが含まれる。通信インターフェース４０６は、スマートメーター４１

ＣＰＵ４０２は、各部を制御する際に必要な種々の演算処理を行う装置であり、各種プログラムを実行することにより、ＣＰＵ１１上に仮想的に各種モジュールを構築する。このＣＰＵ４０２上では、ＯＳ（Operating System）が起動・実行されており、このＯＳによって各電力制御端末４０の基本的な機能が管理・制御されている。また、このＯＳ上では種々のアプリケーションが実行可能になっており、ＣＰＵ４０２でＯＳプログラムが実行されることによって、種々の機能モジュールがＣＰＵ上に仮想的に構築される。

本実施形態では、ＣＰＵ４０２上でブラウザソフトを実行することによって、このブラウザソフトを通じて、システム上の情報を閲覧したり、情報を入力したりできるようになっている。詳述すると、このブラウザソフトは、Ｗｅｂページを閲覧するためのモジュールであり、通信ネットワーク３を通じて管理サーバー２からＨＴＭＬ（HyperText Markup Language）ファイルや画像ファイル、音楽ファイルなどをダウンロードし、レイアウトを解析して表示・再生する。このブラウザソフトにより、フォームを使用してユーザーがデータをＷｅｂサーバーに送信したり、ＪａｖａＳｃｒｉｐｔ（登録商標）やＦｌａｓｈ、及びＪａｖａ（登録商標）などで記述されたアプリケーションソフトを動作させたりすることも可能であり、このブラウザソフトを通じて、各ユーザーは、管理サーバー２が提供する電力管理サービスを利用することができる。

図４に示すように、ＣＰＵ４０２上には、入力インターフェース４０４を通じて需要家内の負荷４４１～４４ｎの稼動状況を検出するための実消費電力管理モジュールとして、総電力使用量取得部４０２ａと、電力波形情報取得部４０２ｂと、時間変動算出部４０２ｃとを備えている。また、需要家内で稼動中の電気機器を特定して、消費電力の予測を行うためのモジュールとして、稼動電気機器特定部４０２ｄと、尤度推定部４０２ｅと、電力予測部４０２ｆとを備えている。また、電力予測部４０２ｆに対して機械学習を行わせるためのモジュールとして、学習部４０２ｇを有している。そして、需要家に配置されたＰＶ４３や蓄電池４２の発電や充放電を実際に制御するモジュールとして充放電制御部４０２ｈを備えている。

総電力使用量取得部４０２ａは、入力インターフェース４０４を介し、分電盤４５に接続されてユーザーシステム４内で流通される電力に関する電力の電流、電圧等を計測し取得するモジュールであり、電力波形情報取得部４０２ｂは、分電盤４５を通じてユーザーシステム４内で流通される電力に関する電力の波形や周波数を計測し取得するモジュールである。時間変動算出部４０２ｃは、総電力使用量取得部４０２ａで計測された総消費電力の時間的変動を算出するモジュールである。総電力使用量取得部４０２ａ，電力波形情報取得部４０２ｂ及び時間変動算出部４０２ｃによって、実消費電力蓄積部である実消費電力管理モジュールが構成され、総電力使用量取得部４０２ａ，電力波形情報取得部４０２ｂ及び時間変動算出部４０２ｃによって得られた各種情報は、実際に消費された電力に関する実消費電力情報Ｄ５としてストレージ４０１に蓄積される。この実消費電力情報Ｄ５は、推定履歴情報Ｄ２とともに電力予測部４０２ｆの人工知能を学習させる教師データとして用いられる。

稼動電気機器特定部４０２ｄは、需要家内において実績データ生成部であるスマートメーター４１よりも電気機器（負荷）側に設置され、スマートメーター４１によって需要家単位で測定され、時間変動算出部４０２ｃで算出された総消費電力の時間的変動を分析して、需要家内で稼動している個別機器とその消費電力である個別消費電力とを推定する個別機器推定部としての機能を果たすモジュールである。また、稼動電気機器特定部４０２ｄは、生成した推定結果の履歴である推定履歴Ｄ２を、特定の期間を表す情報と関連付けてストレージ４０１に記憶する。この稼働電気機器特定部４０２ｄによる推定の尤度については、尤度推定部４０２ｅによって検証される。

ここで、仮想した個別機器とは、住宅内に実際に存在する電気機器の１つ１つであってもよく、推定分解電力の大きさに対応した仮想上の電気機器であってもよい。例えば、総電力測定装置３００により測定された総消費電力がある周期において５０Ｗ上昇している場合、５０Ｗの消費電力を有する電気機器（具体的な機器を特定する必要はない）が稼動したと分析する。また、スマートメーター４１により測定された総消費電力がある周期において１００Ｗ下降している場合、１００Ｗの消費電力を有する電気機器が停止したと分析する。すなわち、この場合における仮想した個別機器とは、推定分解電力５０Ｗの電気機器、推定分解電力１００Ｗの電気機器をいう（以下、これらを個別機器［５０Ｗ］、個別機器［１００Ｗ］などと表記する）。

また、分析の対象とする特定の期間とは、個別住宅での電気機器の使用パターン（１日の使用パターン、週間の使用パターンなど）をカバーする期間であり、例えば、季節ごとに３～７日周期とするなどが挙げられる。また、電源状態パラメータを算出する所定の時間単位とは、１日を複数の時間帯に分けたものであり、例えば、家庭内の１日の電力使用パターンを考慮して、朝、昼、夕方、夜の４個の時間帯とすることが可能である。なお、これは一例に過ぎない。例えば、所定の時間単位を１時間としてもよいし、それより短い時間単位としてもよい。或いは、所定の時間単位を１日よりも長い単位、例えば数日としてもよい。要は、どのくらいの粒度で将来の総消費電力を予測したいかに応じて、所定の時間単位を決めればよい。

さらに稼動電気機器特定部４０２ｄは、総電力使用量取得部４０２ａにより取得され総消費電力に対し、ストレージ４０１に記憶された機器リストＴ１を利用して、各個別機器の電源オン状態を推定する。また、稼動電気機器特定部４０２ｄは、総電力使用量取得部４０２ａにより取得された総消費電力に対して機器リストを適用することによって、実時間の総消費電力から予測開始時点での個別機器の稼動台数を推定する。

電力予測部４０２ｆは、学習部４０２ｇにより生成された学習データを用いて、将来の予測したい期間（予測期間）における個別機器の消費電力（以下、個別消費電力という）を予測するモジュールである。

詳述すると、電力予測部４０２ｆは、仮想した個別機器とその消費電力である個別消費電力とを推定することによって機器リストＴ１を得るとともに、この機器リストＴ１を用いて個別機器の稼動台数を推定し、この推定結果をもとに個別機器の電源の状態を表す電源状態パラメータを所定の時間単位で算出することにより、個別機器の消費電力に関する学習データを生成する。また、電力予測部４０２ｆは、ストレージ４０１に記録された推定履歴情報Ｄ２を用いて、実時間で測定された総消費電力について実時間の総消費電力から予測開始時点での個別機器の稼動台数を推定するとともに、予測期間に対応する期間の電源状態パラメータを用いて、予測開始時点からの予測期間における個別消費電力の推移を予測する個別電力予測部としての機能も果たす。

さらに、電力予測部４０２ｆは、総電力使用量取得部４０２ａ及び電力波形情報取得部４０２ｂにより実時間で測定された総消費電力及び電力波形等に対して、時間変動算出部４０２ｃによりこれらの時間変動を算出させる。そして、予測期間に対応する期間に関してストレージ４０１に記憶された機器リストＴ１（仮想した個別機器とその個別消費電力）を適用することによって、実時間の総消費電力から予測開始時点での個別機器の稼動台数を推定する。そして、電力予測部４０２ｆは、予測期間に対応する期間について電源状態パラメータを用い、上記予測開始時点からの予測期間における個別消費電力の推移を予測する。

また、本実施形態において電力予測部４０２ｆは、稼動電気機器特定部４０２ｄにより予測された予測期間における個別消費電力の推移をもとに、当該予測期間における総消費電力の推移を予測する。具体的には、電力予測部４０２ｆは、稼動電気機器特定部４０２ｄにより予測された予測期間の各時刻における個別消費電力をそれぞれの時刻ごとに合計することにより、当該予測期間における総消費電力の推移を予測する。

充放電制御部４０２ｈは、出力インターフェース４０５を通じてＰＶ４３や蓄電池４２に対して発電や充放電を制御する他、例えば、電力予測部４０２ｆにより予測された総消費電力をユーザーに通知する機能も備えている。又は、電力予測部４０２ｆにより予測された総消費電力がしきい値を超える場合に、どの時間帯にどの程度しきい値を超えるかの情報を含めて、警告メッセージを通知するようにしてもよい。

（４）ＡＩ学習
ここで学習部４０２ｇについて詳述する。図５及び図６は、学習部４０２ｇの構成を示すブロック図である。学習部４０２ｇは、電力予測部４０２ｆの人工知能であるディープラーニング認識部４０２ｉが適正な判定をするように学習させるモジュールであり、本実施形態では、情報収集部２４ａによって収集された実績データＤ１や推定履歴Ｄ２、外部情報Ｄ３、相関情報Ｄ４から教師データを生成し、この教師データに基づいてディープラーニング認識部４０２ｉを学習させる。

学習部４０２ｇは、ディープラーニング認識部４０２ｉに対し、入力された実績データＤ１や推定履歴Ｄ２について、ディープラーニング認識部４０２ｉによる判定結果である推定履歴と実績データとを対比する比較部としての役割を果たす。具体的にこの学習部４０２ｇは、ディープラーニング認識部４０２ｉに教師データとして入力された同一事象（対象需要家、機器、発生時刻等）についての判定結果Ｄ７７と、そのとき実際に制御された実績データＤ１とを対比し、その対比した結果が一致するかどうか、異なるとすればどの選択肢が誤っていたかを確認することによって、電力予測した際に電力予測部４０２ｆが選択した各種選択肢の正当性を帰納法的に検証し、電力予測部４０２ｆに対してフィードバックする。

ディープラーニング認識部４０２ｉは、いわゆるディープラーニング（深層学習）により、判定を行うモジュールであり、電力管理する際の各種選択肢を自動設定するための学習データ（教師データ）として機能検証に利用する。具体的には、ディープラーニング認識部４０２ｉでは、所定のディープラーニングのアルゴリズムに従って、各推定履歴Ｄ２と実績データＤ１との相関、及び外部情報Ｄ３及び相関情報Ｄ４を解析し、その解析結果であるディープラーニング認識結果（価格予測ＡＩモデル）を電力予測部４０２ｆに設定する。

ディープラーニング認識部４０２ｉに実装されたアルゴリズムとしては、本実施形態では、ニューラルネットワークの多層化、特に３層以上のものを備え、人間の脳のメカニズムを模倣した学習及び認識システムである。この認識システムに画像等のデータを入力すると、第１層から順番にデータが伝搬され、後段の各層で順番に学習が繰り返される。この過程では画像内部の特徴量が自動で計算される。

この特徴量とは問題の解決に必要な本質的な変数であり、特定の概念を特徴づける変数である。ディープラーニング認識部４０２ｉにおいても、実績データＤ１、推定履歴Ｄ２、外部情報Ｄ３、及び相関情報Ｄ４が入力されて、これらのデータ中の特徴点を階層的に複数抽出し、抽出された特徴点の階層的な組合せパターンによりパターンを認識する。この認識処理の概要を図６に示す。同図に示すように、ディープラーニング認識部４０２ｉの認識機能モジュールは、多クラス識別器であり、複数の事象が設定され、複数の物体の中から特定の特徴点を含むオブジェクトである特徴ベクトル７０２（ここでは、例えば「家電機器Ａのオン/オフ」）を検出する。この認識機能モジュールは、入力ユニット（入力層）７０７、第１重み係数７０８、隠れユニット（隠れ層）７０９、第２重み係数７１０、及び出力ユニット（出力層）７１１を有する。

このとき入力ユニット７０７には複数個の特徴ベクトル７０２が入力される。第１重み係数７０８は、入力ユニット７０７からの出力に重み付けする。隠れユニット７０９は、入力ユニット７０７からの出力と第１重み係数７０８との線形結合を非線形変換する。第２重み係数７１０は隠れユニット７０９からの出力に重み付けをする。出力ユニット７１１は、各クラス（例えば、使用機器、使用状態等）の識別確率を算出する。ここでは出力ユニット７１１を３つ示すが、これに限定されない。出力ユニット７１１の数は、パターン識別器が検出可能な事象の数と同じである。出力ユニット７１１の数を増加させることによって、認識可能な機器種別等の事象識別器が検出可能な事象が増加する。

具体的に、学習部４０２ｇは、項目抽出部４０２ｊと、教師データ作成部４０２ｋと、キーワード処理部４０２ｌとを備えている。項目抽出部４０２ｊは、ディープラーニング認識を行うために、認識対象となる実施データや外部情報などの中の文字列や数値の領域分割（セグメンテーション）を行うモジュールである。詳述すると、ディープラーニング認識を行うためには、実施データ及び推定情報中の特定の項目や関連キーワードを抽出する必要があり、電力管理に影響する各種事象に対応している。

キーワード処理部４０２ｌは、各々のキーワードと特定の情報ソース（領域分割された文字列や数値）との関連付けを行うモジュールである。この関連付けには、特定の情報ソースに関連付けられた特定のキーワードに対して関連する情報（メタデータ）を注釈として付与することであり、ＸＭＬ等の記述言語を用いてメタデータをタグ付けし、多様な情報を「情報の意味」と「情報の内容」に分けて記述する。

（電力管理システムの動作）
以上説明した電力管理システムを動作させることによって、本発明の電力管理方法を実施することができる。図８は電力管理システムの動作を示すフロー図である。なお、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてもよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換及び追加が可能である。

図８に示すように、需要家側のユーザーシステム４内では、常時、システム内で発電、蓄電又は消費されている電力を計測している（Ｓ１０１）。この電力の計測では、電力波形の時間的変動も計測され、随時記録されている。一方、管理サーバー側では、この需要家側での消費電力計測に併せて、外部情報の収集及び分類を常時行っている（Ｓ２０１）。そして、周期的に、或いは所定量の情報が蓄積され次第、収集・分類された外部情報を各需要家側の電力制御端末４０に提供する（Ｓ２０２）。この外部情報の提供を受けて、需要家側では、総消費電力の分析と個別消費電力との推定が行われる（Ｓ１０２）。

具体的には、稼動電気機器特定部４０２ｄが、需要家単位で測定された総消費電力の時間的変動を分析して、ユーザーシステム４内で稼動している個別機器とその消費電力である個別消費電力とを推定する。この推定履歴情報を用いて、実時間で測定された総消費電力について、実時間の総消費電力から予測開始時点での個別機器の稼動台数を推定する。このとき、稼動電気機器特定部４０２ｄは、スマートメーター４１で計測された電力波形及びその時間的な変化を分析し、周波数成分及び電力の変動パターンの特性を抽出することによって、稼動している個別機器とその消費電力である個別消費電力及びその継続時間を推定する。

次いで、予測期間に対応する期間の電源状態パラメータを用いて、予測開始時点からの予測期間における個別消費電力の推移を予測するとともに、稼動電気機器特定部４０２ｄにより予測された予測期間における個別消費電力の推移に基づいて予測期間における総消費電力の推移を予測する（Ｓ１０３）。また、この稼動電気機器特定部４０２ｄによる推定結果に基づいて、個別機器の電源の状態を時系列で記録した推定履歴情報を記録する（Ｓ１０４）。

このように予測された総消費電力の推移に基づいて、ユーザーシステム内の発電及び蓄電池の充放電を制御するＤＲ制御を実行する（Ｓ１０５）。この電力制御では、推定された個別機器の特性や、過去の使用形態に基づいて、どの機器がどの程度の電力をその程度の時間だけ消費するかに基づいて、きめ細かな電力予測に基づいて蓄電池の充放電、太陽光発電のオン・オフが制御される。また、この電力制御では、いわゆる契約電力量を瞬間的に超えてしまうの回避させる制御いわゆる「ピークカット」が行われており、推定された個別機器の種類に応じて、どの機器がどの程度の時間、どの程度の電力を継続して使用するかを予測し、ピークが生じるようであれば、その間の蓄電を停止したり、或いは蓄電されていた電力を放電したりなどして、瞬間的に使用電力量が高くなるのを回避する。

また、この電力制御の一環として、例えば、推定された電気器が使用中である場合に、契約電力のピークが発生しそうなときには、その機器の使用を控えたり、使用開始時間を変更するように勧めるなどのレコメンドメッセージを出力させるようにしてもよい。このレコメンドメッセージの出力は、需要家内にあるディスプレイに表示させたり、スマートスピーカーから音声で出力したり等の方法が挙げられる。また、電力制御端末を使用して蓄電池を利用した自動制御を行うことでもピークカットを実現できる。

この制御結果は実績データＤ１としてスマートメーター４１で収集され、また、推定履歴情報はストレージ４０１に蓄積され（Ｓ１０６）、これらの実績データ及び推定履歴情報は、各ユーザーシステムからそれぞれ管理サーバー２へ送信され（Ｓ１０７）、管理サーバー２にて収集される（Ｓ２０３）。ここで収集された実績データと推定履歴情報について、外部情報と照合して、これらの相関関係を抽出して相関情報を生成する（Ｓ２０４）。

そして、収集された実績データ、推定履歴情報、相関情報及び外部情報に基づいて、教師データを生成し、前記電力予測部４０２ｆの人工知能を学習させるための機械学習を実行する（Ｓ１０８）。この機械学習による学習結果は学習履歴として更新される（Ｓ２０５）とともに、教師データとして各需要家の電力制御端末４０に提供され、次回からの電力予測に反映される（Ｓ１０９）。

（作用・効果）
以上説明した本実施形態によれば、需要家のユーザーシステムなど、ローカルにおいて総消費電力の時間変動や、電力波形（周波数）を計測して分析し、ユーザー－システム内で稼動している個別機器とその消費電力を推定し、それぞれの個別機器の特性に基づいて、その後の総消費電力を予測する。このため、本実施形態によれば、スマートグリッドを利用した電力制御や、個別住宅又は小規模ビルなどの小単位の施設で消費される将来の電力の予測精度をローカル側で電力制御端末を使い自立的に行わせて、各需要家に個別的且つ短期的に生じる各需要家固有の状態変化をカバーできる。

また、個別機器の推定履歴や、総消費電力の予測については、外部情報との相関も分析し、周波数成分及び電力の変動パターンの特性を抽出することによって、稼動している個別機器とその消費電力である個別消費電力とを推定し、機械学習を通じて次の予測処理に反映させることから、各需要家に固有の電力の消費パターンに応じて個別的な電力制御を実現することができ、さらに予測の精度を高めることができる。

Ｄ１…実績データ
Ｄ２…推定履歴
Ｄ３…外部情報
Ｄ４…相関情報
Ｄ７７…判定結果
１…電力管理システム
２…管理サーバー
３…通信ネットワーク
４…ユーザーシステム
５…外部情報源
１１…ＣＰＵ
２１ａ…外部情報データベース
２１ｂ…ユーザーデータベース
２１ｃ…実績管理データベース
２１ｄ…学習情報データベース
２２…認証部
２３…通信インターフェース
２４…外部情報管理部
２４ａ…情報収集部
２４ｂ…相関抽出部
２４ｃ…相関情報提供部
２５…学習実行部
２５ａ…学習履歴管理部
２５ｂ…システム連携部
２６…データ管理部
２６ａ…実績データ収集部
２６ｂ…推定履歴収集部
４０…電力制御端末
４１…スマートメーター
４２…蓄電池
４３…ＰＶ
４００…ＣＰＵバス
４０１…ストレージ
４０２…ＣＰＵ
４０２ａ…総電力使用量取得部
４０２ｂ…電力波形情報取得部
４０２ｃ…時間変動算出部
４０２ｄ…稼動電気機器特定部
４０２ｅ…尤度推定部
４０２ｆ…電力予測部
４０２ｇ…学習部
４０２ｈ…充放電制御部
４０２ｉ…ディープラーニング認識部
４０３…メモリ
４０４…入力インターフェース
４０５…出力インターフェース
４０６…通信インターフェース
４４１～４４ｎ…負荷

Claims (6)

1. 電力の消費単位である需要家内における電気機器の消費電力を管理する電力管理システムであって、
   前記需要家内に設けられ、需要家内において発電又は消費した電力量を測定して実績データを生成する実績データ生成部と、
   前記需要家内において前記実績データ生成部よりも前記電気機器側に設置され、需要家単位で測定された総消費電力の時間的変動を分析して、前記需要家内で稼動している個別機器とその消費電力である個別消費電力とを推定する個別機器推定部と、
   前記個別機器推定部による推定結果に基づいて前記個別機器の電源の状態を時系列で記録した推定履歴情報を記録するデータ記録部と、
   前記データ記録部により記録された推定履歴情報を用いて、実時間で測定された総消費電力について、前記実時間の総消費電力から予測開始時点での個別機器の稼動台数を推定するとともに、予測期間に対応する期間の電源状態パラメータを用いて、前記予測開始時点からの前記予測期間における個別消費電力の推移を予測する個別電力予測部と、
   前記個別電力予測部により予測された前記予測期間における個別消費電力の推移をもとに、前記予測期間における総消費電力の推移を予測する電力予測部と、
   実際に消費された電力に関する実消費電力情報を蓄積する実消費電力蓄積部と、
   前記実消費電力蓄積部に蓄積された実消費電力情報、及び前記データ記録部が記録した推定履歴情報を教師データとして、前記電力予測部の人工知能を学習させる学習部と
   を備えたことを特徴とする電力管理システム。
2. 前記個別機器推定部は、電力波形及びその時間的な変化を分析し、周波数成分及び電力の変動パターンの特性を抽出することによって、稼動している個別機器とその消費電力である個別消費電力とを推定することを特徴とする請求項１に記載の電力管理システム。
3. 電力の消費単位である需要家内における電気機器の消費電力を管理する電力管理方法であって、
   前記需要家内に設けられた実績データ生成部が、需要家内において発電又は消費した電力量を測定して実績データを生成する実績データ生成ステップと、
   前記需要家内において前記実績データ生成部よりも前記電気機器側に設置されたデータ記録部が、需要家単位で測定された総消費電力の時間的変動を分析して、前記需要家内で稼動している個別機器とその消費電力である個別消費電力とを推定し、この推定結果に基づいて前記個別機器の電源の状態を時系列で記録した推定履歴情報を記録するデータ記録ステップと、
   個別電力予測部が、前記データ記録ステップで記録された推定履歴情報を用いて、実時間で測定された総消費電力について、前記実時間の総消費電力から予測開始時点での個別機器の稼動台数を推定するとともに、予測期間に対応する期間の電源状態パラメータを用いて、前記予測開始時点からの前記予測期間における個別消費電力の推移を予測する個別電力予測ステップと、
   前記個別電力予測ステップで予測された前記予測期間における個別消費電力の推移をもとに、前記予測期間における総消費電力の推移を電力予測部が予測する総電力予測ステップと、
   実際に消費された電力に関する実消費電力情報を実消費電力蓄積部が蓄積する実消費電力蓄積ステップと、
   前記実消費電力蓄積ステップで蓄積された実消費電力情報、及び前記データ記録ステップで記録した推定履歴情報を教師データとして、前記電力予測部の人工知能を学習させる学習ステップと
   を含むことを特徴とする電力管理方法。
4. 前記データ記録ステップにおいて個別機器推定部は、電力波形及びその時間的な変化を分析し、周波数成分及び電力の変動パターンの特性を抽出することによって、稼動している個別機器とその消費電力である個別消費電力とを推定することを特徴とする請求項３に記載の電力管理方法。
5. 電力の消費単位である需要家内における電気機器の消費電力を管理する電力管理システムにおいて、
   前記需要家内に設けられ需要家内において発電又は消費した電力量を測定して実績データを生成する実績データ生成部よりも前記電気機器側に設置されたコンピューターを、
   前記需要家内において前記実績データ生成部よりも前記電気機器側に設置され、需要家単位で測定された総消費電力の時間的変動を分析して、前記需要家内で稼動している個別機器とその消費電力である個別消費電力とを推定する個別機器推定部と、
   前記個別機器推定部による推定結果に基づいて前記個別機器の電源の状態を時系列で記録した推定履歴情報を記録するデータ記録部と、
   前記データ記録部により記録された推定履歴情報を用いて、実時間で測定された総消費電力について、前記実時間の総消費電力から予測開始時点での個別機器の稼動台数を推定するとともに、予測期間に対応する期間の電源状態パラメータを用いて、前記予測開始時点からの前記予測期間における個別消費電力の推移を予測する個別電力予測部と、
   前記個別電力予測部により予測された前記予測期間における個別消費電力の推移をもとに、前記予測期間における総消費電力の推移を予測する電力予測部と、
   実際に消費された電力に関する実消費電力情報を蓄積する実消費電力蓄積部と、
   前記実消費電力蓄積部に蓄積された実消費電力情報、及び前記データ記録部が記録した推定履歴情報を教師データとして、前記電力予測部の人工知能を学習させる学習部
   として機能させることを特徴とする電力管理プログラム。
6. 前記個別機器推定部は、電力波形及びその時間的な変化を分析し、周波数成分及び電力の変動パターンの特性を抽出することによって、稼動している個別機器とその消費電力である個別消費電力とを推定する機能を有することを特徴とする請求項５に記載の電力管理プログラム。