JPH11275762A - 電力貯蔵装置 - Google Patents

Abstract

(57)【要約】 【課題】正確な予測値に基いて運転できる電力貯蔵装置
を提供する。 【解決手段】ニューラルネットワーク２の入力層２１
に、気温の予測値と１日の稼働時間内の電力使用量を入
力し、出力層２３から、特定の時間帯の電力使用量の予
測値を得る。予測値に基いて稼働時間帯の負荷の電力使
用量の推移を予測し、予測値に基いて二次電池を放電さ
せ、稼働時間帯の商用電源の負担を軽減させる。季節毎
にニューラルネットワーク２を設定したので、出力デー
タと教師データとの乖離がなく、正確な予測値が得られ
る。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、商用電源と二次電
池によって負荷に電力を供給する電力貯蔵装置、及びそ
の運転方法にかかり、特に、電力使用量を正確に予測し
て、二次電池の放電量を制御する電力貯蔵装置、及びそ
の運転方法に関する。

【０００２】

【従来の技術】大規模ビルや工場等の電力使用量が大き
い設備では、昼間の特定の時刻にピーク的に電力を使用
し、夜間はほとんど使用しない等、電力使用量の変動は
大きいものの、一日を平均すると、ピーク的使用量の数
分の１になる場合が多い。

【０００３】しかしながら電力供給設備は、使用ピーク
に応じて規模を必要とするため、ピーク時以外は稼動し
ない電力供給設備が多く設けられており、その設備費と
維持管理の手間は、大きな負担となっている。

【０００４】そのため、近年では、電力使用量が少な
く、金額も安価な夜間に二次電池を充電して電力を貯蔵
し、電力使用量が大きい昼間に二次電池から電力を供給
し、商用電源からの電力供給量を平均化しようとする試
みが成されている。そのような電力貯蔵装置を図８の符
号１０１に示す。

【０００５】この電力貯蔵装置１０１は、ナトリウム硫
黄電池から成る二次電池１１２と、制御装置１１３とを
有しており、制御装置１１３には、商用電源１１１から
の出力と、二次電池１１２からの出力が入力され、電力
測定装置１１４で電力測定しながら負荷１１５に電力を
供給できるように構成されている。

【０００６】制御装置１１３は、夜間は、商用電源１１
１から負荷１１５に電力を供給させると共に二次電池１
１２を充電し、昼間は略一定量の電力を商用電源１１１
から負荷１１５に供給させ、それを超える電力を二次電
池１１２から負荷１１５に供給させている。負荷が重く
なり、電力使用量が増加する場合には、電力測定装置１
１４が負荷変動を検出し、制御装置１１３に信号を送信
し、制御装置１１３が二次電池１１２からの供給電力量
を増加させ、商用電源１１１からの供給電力量が増加し
ないようにされている。

【０００７】このような電力貯蔵装置１０１では、二次
電池１１２の容量が大きく、十分な電力を供給できる場
合であれば問題がないが、商用電源１１１からの供給電
力量が少なく設定されていた場合には、二次電池１１２
が放電しきってしまう。極端な場合には、午前中に貯蔵
していた電力を使用し尽くしてしまい、午後０時や、午
後２時等の電力使用のピーク時には、全電力使用力量を
商用電源１１１から供給することになる。

【０００８】そのような事態を避けるため、従来技術で
も対策が採られており、一日の電力使用量の推移を予測
し、二次電池１１２が途中で放電しきらず、少なくとも
負荷がピーク的に電力を使用する時に稼動できるように
しておくため、予め１日の電力使用量を予測して、商用
電源１１１の負担をできるだけ平均化するように、二次
電池１１２の放電量を変化させていた。

【０００９】一日の電力使用量を予測するためには、従
来技術より、ニューラルネットワークが使用されてお
り、例えば、過去１年間の気温と設備稼動状況とを入力
値とし、電力使用量を出力値として得る技術がある。

【００１０】図９の符号２０２は、ニューラルネットワ
ークであり、入力層２２１と、隠れ層２２２と、出力層
２２３とで構成されている。入力層２２１内のユニット
ｕ¹ ₁〜ｕ¹ ₆と、隠れ層２２２内の１層目のユニットｕ² ₁
〜ｕ² ₇、及び２層目のユニットｕ³ ₁〜ｕ³ ₇と、出力層２
２３内のユニットｕ⁴ ₁とで構成されており、各ユニット
ｕは、前段の層から後段の層に向けて、所定の重みづけ
値で結合されている。

【００１１】このニューラルネットワーク２０２は、第
１〜第４の４個の施設を有しており、入力層２２１の６
個のユニットｕ¹ ₁〜ｕ¹ ₆のうち、４個のユニットｕ¹ ₁〜
ｕ¹ ₄は、その第１〜第４の施設の稼動状況が入力される
ようになっている。

【００１２】また、残りの２個のユニットｕ¹ ₅、ｕ¹ ₆の
うち、一方のユニットｕ¹ ₅は１時間毎の予想気温であ
り、他のユニットｕ¹ ₆は、季節を示す値であり、それら
入力層２２１のユニットｕ¹ ₁〜ｕ¹ ₆に、第１〜第４の施
設稼動状況の予定値と、気温予想値、及び季節データが
電力使用条件として入力されると、重みづけ値に従って
後段の層へ向けて値が伝播され、出力層２２３のユニッ
トｕ⁴ ₁から、その電力使用条件に応じた電力使用量が出
力されるように構成されている。このように、一般的な
ニューラルネットワークは、各ユニットｕ間が、予め所
定の重み付け値で互いに結合されて構成されている。

【００１３】各ユニットｕ間の結合には種々の方法があ
るが、一般的には、図１０(ａ)に示すように、ニューラ
ルネットワーク内のｎ層ｉ番(ｉ行)のユニットｕⁿ _iに注
目した場合、このユニットｕⁿ _iには、重み付け値Ｗが乗
算された状態で、前段の層(ｎ−１層)のＪ個のユニット
が出力する信号Ｘ^n-1 ₁〜Ｘ^n-1 _Jが全部入力されている。
ここで、第ｎ−１層目のユニットｕ^n-1とｎ層目のユニ
ットｕⁿとの間の結合の重み付けの値をＷ^n,n-1とする
と、ｎ層ｉ番のユニットｕⁿ _iの値は、次式、 ｕⁿ _i ＝ ΣＷ^n,n-1 _i,j・Ｘ^n-1 _j ……(１) で表される。

【００１４】次に、このユニットｕⁿ _iの出力値Ｘⁿ _iにつ
いては、ｆを伝達関数、ｈⁿ _iを閾値とすると、次式、 Ｘⁿ _i ＝ ｆ(ｕⁿ _i−ｈⁿ _i) …… (２) で表される。伝達関数ｆには、次のシグモイド関数がよ
く使用される。 ｆ(ｘ) ＝ １／｛１＋ｅｘｐ(ｘ)｝……(３)

【００１５】上述のように、入力層２２１の各ユニット
ｕ¹ ₁〜ｕ¹ ₆に、電力使用状況の予定値を与えたときに、
出力層２２３のユニットｕ⁴ ₁から電力使用予測値が出力
されるようにするためには、予め重み付け値Ｗと閾値ｈ
とを適切な値に設定しておく必要がある。

【００１６】その場合、先ず、乱数によって発生させた
値を用い、重み付け値Ｗと閾値ｈに適当な初期値を与
え、第一層目(入力層)の各ユニットｕ¹に、気温の測定
値等の過去の電力使用条件を教師信号ｄ¹として与え、
第ｎ層目の最終層(出力層)のユニットｕⁿから電力使用
量を出力信号Ｘⁿとして出力させる。実際の電力使用量
を出力信号Ｘⁿの教師信号ｄⁿとし、出力信号Ｘ_nと教師
信号ｄⁿとの誤差を求め、重み付け値Ｗを繰り返し修正
する。

【００１７】いま、修正をｔ回くり返した結果、第ｎ−
１層ｊ番目のユニットｕ^n-1 _jと第ｎ層ｉ番目の各ユニッ
トｕⁿ _iの間の重み付けの値がＷ^n,n-1 _i,j(ｔ)となってい
るものとすると、新たな重み付け値Ｗ^n,n-1 _i,j(ｔ＋１)
は次式で求められる。

【００１８】 Ｗ^n,n-1 _i,j(ｔ＋１) ＝ Ｗ^n,n-1 _i,j(ｔ)＋ΔＷ^n,n-1 _i,j(ｔ) ……(４) ここで、ΔＷ^n,n-1 _i,j(ｔ)はｔ回目の修正計算で求めら
れた修正量であり、図１０(ｂ)に示すように、後段の層
のユニットから前段の層のユニットに向けて、ニューラ
ルネットワーク内を逆向きに伝播する学習信号δを使用
し、次式、

【００１９】 ΔＷ^n,n-1 _i,j(ｔ)＝η・δⁿ _i・Ｘ^n-1 _j＋α・ΔＷ^n,n-1 _i,j(ｔ−１) ……(５) によって求められる(誤差逆伝播法)。ΔＷ^n,n-1 _i,j(ｔ
−１)はｔ−１回目の修正の際に求められた修正量であ
る。

【００２０】上式中、ηは学習係数、αは安定化定数で
あり、１．０以下であってゼロよりも大きな範囲内で適
当な実数値が選択される。

【００２１】学習信号δは、先ず、第ｎ層目の出力層か
ら、その前段のｎ−１層目のユニットに向けて伝播され
る。上記(３)式を微分した関数をｆ'とすると、出力層
のｉ番目のユニットｕⁿ _iからその前段のｎ−１層の各ユ
ニットには、次式、

【００２２】 δⁿ _i ＝ (ｄ_i−Ｘⁿ _i)・ｆ'(ｕⁿ _i) ……(６) で表される学習信号δⁿ _i(各ユニットに伝播される学習
信号δⁿ _iは同じ値である)が伝播される。

【００２３】出力層よりも前段の層では、次式で表され
る学習信号δⁿ _iが伝播される。 δⁿ _i ＝ ｆ'(ｕⁿ _i)・Σ_kδⁿ⁺¹ _k・Ｗ^n+1,n _k,i ……(７) 上式は、第ｎ層ｉ番のユニットｕⁿ _iから第ｎ−１層目の
各ユニットｕ^n-1 _jに伝播される学習信号を示している。

【００２４】なお、閾値ｈは、前段の層の出力が１、重
み付けがｈの結合と見ることもできるので、その修正
は、次式、 ｈⁿ _i(ｔ＋１) ＝ ｈⁿ _i(ｔ)＋Δｈⁿ _i(ｔ) ……(８) で行われる。従って、閾値ｈは、重み付け値Ｗに含めて
取り扱うことができる。

【００２５】以上のように、学習信号δⁿ _iが出力層から
逆向きに伝播され、入力層に到達したところで、重み付
け値Ｗ(閾値ｈを含む)のｔ＋１回目の修正が終了する。
今度は、修正された重み付け値Ｗ(ｔ＋１)(閾値ｈ(ｔ＋
１)を含む)と、入力層の教師信号ｄ¹とを使用し、出力
層から出力信号Ｘⁿ(ｔ＋１)を出力させる。

【００２６】出力信号Ｘⁿ(ｔ＋１)を求める際の重み付
け値Ｗ(ｔ＋１)はＷ(ｔ)に比べて精度が高まっているの
で、修正前の出力信号Ｘⁿ(ｔ)よりも修正後の出力信号
Ｘⁿ(ｔ＋１)の方が、教師信号ｄⁿに近い値となってい
る。

【００２７】出力の教師信号ｄⁿと修正された出力信号
Ｘⁿ(ｔ＋１)との誤差ｄⁿ−Ｘⁿ(ｔ＋１)と、ｔ＋１回目
に求めた修正量ΔＷ(ｔ＋１)から、ｔ＋２回目の重み付
け値Ｗの修正が行われる。

【００２８】このように、出力信号Ｘⁿの算出と、重み
付け値Ｗの修正計算を繰り返し行うと、次第に出力信号
Ｘⁿと教師信号ｄとの誤差が小さくなるので、所定値以
下になったところでニューラルネットワークは完成した
ものとする。

【００２９】以上のように、誤差逆伝播法では、学習信
号δをニューラルネットワーク内を逆向きに伝播させ、
重み付け値Ｗを修正し、教師信号ｄⁿに近い出力信号Ｘⁿ
が得られるようにしている。

【００３０】しかし、誤差逆伝播法を用いる場合には、
各ユニットｕ間の重み付け値Ｗ(閾値ｈを含む)の初期値
の与え方によっては、最終的に得られる重み付け値Ｗが
局所解に収束してしまい、重み付け値Ｗを修正する際に
用いた過去のデータに対する出力精度は高いものの、得
られたニューラルネットワークに未知のデータを与える
と、実際とはかけ離れた値が出力される場合がある。

【００３１】また、初期値の与え方によっては誤差が一
定値よりも小さくならず、精度の低いニューラルネット
ワークしか得られない場合がある。そのような低精度の
ニューラルネットワークを用いて電力貯蔵システム１０
１を構成しても、得られる電力使用量の予測値に誤差が
大きく、充電を開始する際に二次電池１０１に残存電力
が未だあったり、逆に、負荷の多くの電力を使用してい
る最中に二次電池の貯蔵電力量がゼロになってしまうと
いう問題がある。

【００３２】更に、精度を向上させるために、施設使用
予定を第１〜第４の施設に分け、入力層２２１のユニッ
トｕ¹ ₁〜ｕ¹ ₄に、４個の施設の稼働時間を教師信号と
し、それに対応した電力使用量を出力するようにニュー
ラルネットワークを設定した場合、実際に使用する際に
施設の使用予定時間を入力しても、そのような使用時間
に対応する教師信号(使用予定時間と同じような使用実
績)が存在しなかった場合には、施設を４個に分けたた
めにかえって誤差が大きくなってしまうという問題があ
る。

【００３３】

【発明が解決しようとする課題】本発明は上記従来技術
の不都合を解決するために創作されたものであり、その
目的は、正確な予想に基いて電力貯蔵装置を運転できる
技術を提供することにある。

【００３４】

【課題を解決するための手段】上記課題を解決するため
に、請求項１記載の発明装置は、二次電池と制御装置と
を有し、前記二次電池は、負荷となる建築構造物の電力
使用量が少ない待機時間帯に、商用電源によって充電さ
れ、前記制御装置内には、過去の電力使用条件と、それ
に対応した電力使用実績に基いて設定されたニューラル
ネットワークが設けられ、前記ニューラルネットワーク
に電力使用条件を入力すると、その電力使用条件に応じ
た電力使用量の予測値が出力され、前記制御装置は、前
記予測値に基いて前記二次電池を放電させるように構成
された電力貯蔵装置であって、

【００３５】前記ニューラルネットワークは、過去の電
力使用条件として、１日の稼動時間帯の総電力使用量と
その日の特定の時刻の気温が入力され、特定の時刻間の
電力使用量が出力されるように設定され、１日の総電力
使用量の予想値と、前記特定の時刻の予想気温が入力さ
れると、前記特定の時刻間の電力使用量の予測値が出力
されるように構成されたことを特徴とする。

【００３６】請求項２記載の発明は、請求項１記載の電
力貯蔵装置であって、前記ニューラルネットワークは、
１日中に複数設定されていることを特徴とする。

【００３７】請求項３記載の発明は、請求項１又は請求
項２のいずれか１項記載の電力貯蔵装置であって、四季
毎に異なるニューラルネットワークが設定されているこ
とを特徴とする請求項４記載の発明は、請求項１乃至請
求項３のいずれか１項記載の電力貯蔵装置であって、平
日と休日とで異なるニューラルネットワークが設定され
ていることを特徴とする電力貯蔵装置。

【００３８】請求項５記載の発明は、請求項１乃至請求
項４のいずれか１項記載の電力貯蔵装置であって、前記
ニューラルネットワークを設定する際には、ニューラル
ネットワークを構成する各ユニット間の重み付け値の組
合せを複数用意し、各組合せを遺伝子とみなし、各遺伝
子間の交配と遺伝子の突然変異によって新たな遺伝子を
発生させ、新たな遺伝子と元の遺伝子のそれぞれの遺伝
子が示す重み付け値の組合せに応じて、それぞれ仮のニ
ューラルネットワークを形成させ、各仮のニューラルネ
ットワークに過去の電力使用条件として、一季節の初日
から最終日までの１日毎に、その日の稼動時間帯の総電
力使用量とその日の特定の時刻の気温を入力し、その特
定の時間内の電力使用量を示す予測値を出力させ、その
予測値と、その時間内の実際の電力使用量と比較して一
季節を通じての平均誤差を求め、前記平均誤差の小さい
遺伝子を所望個数選別して淘汰させ、再び交配と突然変
異によって新たな遺伝子を発生させ、新たな遺伝子が示
す重み付け値の組合せに応じて仮のニューラルネットワ
ークを形成させて前記平均誤差を求めた後、選別した遺
伝子を含めて誤差の小さい遺伝子を所望個数選別し直し
て淘汰させる作業を繰り返し行い、その結果、誤差の小
さい優秀な遺伝子を採用し、その遺伝子が示す重み付け
値の組合せを初期状態のニューラルネットワークの各ユ
ニット間の重み付け値とし、前記初期状態のニューラル
ネットワークに対し、過去の電力使用条件として、１日
の稼動時間帯の総電力使用量とその日の特定の時刻の気
温を入力し、予測値としてその日の特定の時間内の電力
使用量を出力させ、該予測値と、その時間内の実際の電
力使用量と比較して誤差を求め、前記誤差を誤差逆伝播
法によって前記各ユニットに伝播させて重み付け値を修
正し、一季節の初日から最終日までの１日毎に前記誤差
の修正を行って前記ニューラルネットワークが設定され
ることを特徴とする。

【００３９】上述した構成の本発明の電力貯蔵装置で
は、制御装置によって制御され、負荷の電力使用量が少
ない待機時間帯には商用電源によって充電され、電力使
用量が多い稼動時間帯には放電される二次電池を有して
おり、その制御装置内には、予めユニットの配列とユニ
ット同士の結合が設定されたニューラルネットワークが
設けられている。

【００４０】ユニット間の重み付け値は、過去の電力使
用条件と、それに対応した電力使用実績に基いて設定さ
れており、そのニューラルネットワークに電力使用条件
を入力すると、その電力使用条件に応じた電力使用量の
予測値が出力されるように構成されている。

【００４１】具体的には、ニューラルネットワークを設
定する際には、過去の電力使用条件として、１日の総電
力使用量とその日の特定の時刻の気温を入力し、出力さ
れた予測値が、その日の特定の時間内の電力使用量を示
すように設定されており、従って、複数の時間内の電力
使用量を求めると、１日を通じての使用電力量の変動を
予想できるようになる。

【００４２】このようにな予測値に基き、制御装置は、
負荷の電力使用量が多い時間帯には二次電池を多く放電
させ、負荷の電力使用量が少ない時間帯には二次電池を
少なく放電させるようにすると、二次電池を有効に使用
しながら商用電源の負担を軽減させることが可能とな
る。

【００４３】ニューラルネットワークを精度よく設定す
るためには、先ず、各ユニット間の重み付け値の組合せ
を複数用意し、各組合せを遺伝子とみなし、各遺伝子間
の交配と遺伝子の突然変異によって新たな遺伝子を発生
させる。

【００４４】新たな遺伝子と元の遺伝子のそれぞれの遺
伝子が示す重み付け値の組合せに応じて、それぞれ仮の
ニューラルネットワークを形成し、それら仮のニューラ
ルネットワークに、過去の電力使用条件を入力して電力
使用量の予測値を出力させ、過去の実際の電力使用量と
比較し、誤差の小さい遺伝子を所望個数選別して淘汰さ
せる。

【００４５】再び交配と突然変異によって新たな遺伝子
を発生させ、新たな遺伝子が示す重み付け値の組合せに
応じて仮のニューラルネットワークを形成して誤差を求
め、新たな遺伝子と選別した遺伝子の中から誤差の小さ
い遺伝子を所望個数選別し直し、淘汰させる。

【００４６】このような作業を繰り返し行うと、次第に
誤差の少ない優秀な遺伝子が作られてゆくが、特に、突
然変異による新たな遺伝子を発生させているため、適応
度の高い遺伝子を発生させることができる。このような
新たな遺伝子の発生と淘汰とを繰り返し行うと、次第に
誤差が小さくなってゆくが、一定の回数を繰り返すと、
収束が悪化する。

【００４７】そこで、所定回数だけ繰り返した後、優秀
な遺伝子を選び、その遺伝子が示す重み付け値の組合せ
を初期状態のニューラルネットワークの各ユニット間の
重み付け値とし、過去の電力使用条件を入力して電力使
用量の予測値を出力させ、過去の実際の電力使用量と比
較して誤差を求め、その誤差を誤差逆伝播法によって前
記各ユニットに伝播させ、重み付け値を修正する。

【００４８】修正後、再び過去の電力使用条件を入力し
て電力使用量の予測値を出力させ、過去の実際の電力使
用量との誤差を、再度誤差逆伝播法によって各ユニット
に伝播させ、重み付け値を修正する。

【００４９】このような修正作業を、誤差が所定値以下
になるまで繰り返し行うと、将来の電力使用条件が入力
された場合に、その電力使用条件に対応した電力使用量
の正確な予測値を出力できるニューラルネットワークが
形成される。

【００５０】図５のグラフの横軸は、誤差逆伝播法の繰
り返し回数であり、縦軸は収束度である。このグラフの
曲線Ｃ₁は、乱数によって初期状態のニューラルネット
ワークを形成した後、誤差逆伝播法によって重み付け値
Ｗを修正した場合であり、収束度がある程度小さくなる
と、それ以上収束しなくなっている。この図５のグラフ
では、収束度を０．００１５に設定すると、７００,０
００回の繰り返し修正を行っても収束しなかった。

【００５１】それに対し、選別した遺伝子を用いて初期
状態のニューラルネットワークを形成した場合には、曲
線Ｇ₁で示すように、収束度０．００１５では、約１５
０００回で収束しており、誤差逆伝播法を行う際の収束
が速く、精度の高いニューラルネットワークを形成でき
ることが分かる。

【００５２】図６は、収束度を０．０１に設定した場合
であり、乱数を用いて初期状態のニューラルネットワー
クを形成した場合には、曲線Ｃ₂で示すように、１６９
３０回で収束し、選別した遺伝子を用いて初期状態のニ
ューラルネットワークを形成した場合には、７１２９回
で収束している。

【００５３】このように、初期状態のニューラルネット
ワークを形成するために、新たな遺伝子の発生と遺伝子
の淘汰とを繰り返し行う場合、回数が進むに連れ、交配
によって発生する遺伝子については、誤差の収束率が低
下する。そこで、繰り返しの終期では、突然変異による
遺伝子の数を増加させ、全体の適応度を高めている。

【００５４】そして、以上のようにニューラルネットワ
ークを設定する場合、使用条件に近接した教師信号がな
かった場合、精度のよい出力が得られない。そこで本発
明のように、入力に用いる使用条件を絞り込み、適切な
ニューラルネットワークが得られるようにしている。

【００５５】

【発明の実施の形態】本発明を図面を用いて説明する。
図１の符号１は、図８に示した電力貯蔵装置１０１と同
様の電力貯蔵装置であり、二次電池１２と、制御装置１
３とを有している。制御装置１３には、商用電源１１か
らの出力と二次電池１２からの出力が入力されており、
電力測定装置１４で測定しながら、負荷１５に電力を供
給できるように構成されている。

【００５６】二次電池１２には大電力の貯蔵が可能なナ
トリウム硫黄電池が用いられており、制御装置１３は、
夜間では、商用電源１１から負荷１５に電力を供給させ
ると共に、二次電池１２を十分充電させ、昼間は、二次
電池１２と、商用電源１１とから負荷１５に電力を供給
できるように構成されている。

【００５７】電力貯蔵装置１は、比較的大きな建築物に
設けられている。その建築物内には、複数の部屋から構
成された４種類の施設が設けられており、各施設には電
力計が配置され、施設毎の電力使用量を測定できるよう
に構成されている。

【００５８】また、その建築物には気温計が設けられて
おり、気温計で測定した外気温と、４種類の施設の使用
状況(稼働時間内の各施設の使用部屋数)及び電力使用量
とが、過去１年分対応付けて記録されている。

【００５９】制御装置１３内には、図２に示すニューラ
ルネットワーク２が設けられており、該ニューラルネッ
トワーク２は、後述するように、外気温の予測値(天気
予報のデータ)と、稼働時間内の４施設の使用状況が入
力されると、電力使用量の予想値を出力し、制御装置１
３は、その予測値に基いて二次電池１２を放電させるよ
うに構成されている。

【００６０】先ず、ニューラルネットワーク２の構造を
説明すると、該ニューラルネットワーク２は、入力層２
１、隠れ層２２、及び出力層２３を有しており、入力層
２１は第一層目であり、２個のユニットＵ¹ ₁、Ｕ¹ ₂で構
成されている。

【００６１】隠れ層２２は二層構造になっており、入力
層２１の次段(隠れ層２２の第１層目)は３個のユニット
Ｕ² ₁、Ｕ² ₂、Ｕ² ₃で構成されており、その次段(隠れ層
２２の第２層目)も、同様に、３個のユニットＵ³ ₁、Ｕ³
₂、Ｕ³ ₃で構成されている。

【００６２】また、全体の第三層目は最終層の出力層２
３であり、１個のユニットＵ⁴ ₁で構成されている。

【００６３】出力層２３のユニットＵ⁴ ₁を除き、各ユニ
ットＵⁿの出力は、次段の層のユニットＵⁿ⁺¹の全部に出
力されており、他の層に飛び越して出力されていないも
のとする。各ユニットＵ間は上記(１)〜(３)式で結合さ
れおり、ニューラルネットワーク２では、閾値ｈを含
め、重み付け値Ｗの総個数Ｍは、 Ｍ ＝ ２×３＋３×３＋３＋(２＋３＋３＋１)＝２７ となっている。

【００６４】このニューラルネットワーク２は四季の一
季節毎に４種類に分けられており、更に、休日の電力使
用量を予測するものと、平日の電力使用量を予測するも
のとの２種類に分けられている。

【００６５】制御装置１３が二次電池１２を制御する場
合、電力使用量が多い８時から２２時までの昼間に放電
させ、夜間に充電させるものとすると、１日の設備稼動
時間(８時〜２１時)当たり１４個(１時間につき１個)の
ニューラルネットワークが設けられており、結局、ニュ
ーラルネットワーク２の個数は、 １日の個数(１４個)×休平日(２種類)×四季(４種類)＝
１１２ と、合計１１２個設けられていることになる。

【００６６】それらのうち、平日８時〜９時の１個のニ
ューラルネットワーク２に関し、重み付け値Ｗのファイ
ル作成方法について説明する。

【００６７】先ず、重み付け値Ｗを乱数でＭ個発生さ
せ、一列に並べる(例えば、｛Ｗ^1,2 _{1, 1}、Ｗ^1,2 _1,2、…
…｝)。その重み付け値Ｗの組合せを１個の遺伝子とみ
なし、５００個の遺伝子を発生させ、図３の符号３０で
示す遺伝子プールに蓄える。

【００６８】各遺伝子内の各重み付け値Ｗは、ニューラ
ルネットワーク２のユニットＵ間の結合と１対１に対応
づけられており、遺伝子プール３０内に蓄えた各遺伝子
の示す重み付け値Ｗを用いて仮のニューラルネットワー
クを構成させる。

【００６９】次に、過去１年分の記録から、一季節を通
じての、平日の８時における外気温の一年分の測定値
と、その外気温に対応した平日８時から９時の間の電力
使用量と、その日の送電力使用量とをそれぞれ抽出す
る。

【００７０】次に、一季節の初日について、入力層２１
の一方のユニットＵ¹ ₁にその日の８時における外気温の
値を入力し、他方のユニットＵ¹ ₂にその日の稼動時間帯
の総電力使用量を入力し、そのニューラルネットワーク
２を動作させ、出力層２３のユニットＵ⁴ ₁から、入力値
に応じた出力値を得る。

【００７１】一季節の初日の８時〜９時の間の実際の電
力使用量と出力値とを比較し、誤差を求める。次に、一
季節の２日目についても、入力層２１の一方のユニット
Ｕ¹ ₁に、２日目の８時における外気温の値を入力し、他
方のユニットＵ¹ ₂に２日目の総電力使用量を入力し、そ
のニューラルネットワーク２を動作させ、出力層２３の
ユニットＵ⁴ ₁から、入力値に応じた出力値を得た後、２
日目の８時〜９時の間の実際の電力使用量と出力値とを
比較し、誤差を求める。

【００７２】このような作業を一季節の初日から最終日
まで行い、一季節を通じての誤差を求めた後、その誤差
の平均値(例えば最小二乗誤差の値)を求める。全部の遺
伝子について、仮のニューラルネットワーク２を構成さ
せ、同様に一季節を通じての誤差を求めた後、その誤差
の平均値を求める。

【００７３】次に、各遺伝子で構成した仮のニューラル
ネットワーク２のうち、誤差が小さかったものに対応す
る遺伝子を所望個数選び、２個ずつ交配させ、新たな遺
伝子を発生させる。

【００７４】この交配は、例えば、図３の符号４１、４
２で示す２個の遺伝子の左側と右側の複製物を作成した
後、複製物同士をつなぎ合わせることにより行う。この
場合、交配によって、親とは異なる遺伝子４３が発生す
る(複製する左側の割合と右側の割合は乱数により決め
る)。

【００７５】また、誤差の小さい遺伝子を複製し、その
一部の重み付け値を乱数を用いて変更し、突然変異によ
る新たな遺伝子４４を発生させる。

【００７６】このように新たな遺伝子を発生させる際
に、例えば、交配で発生させる遺伝子は２４０個、突然
変異によって発生させる遺伝子は１０個とするように、
発生させる遺伝子の合計は一定数にする。

【００７７】新たに発生させた遺伝子２５０個の示す重
み付け値Ｗを用い、それぞれの遺伝子に対応した仮のニ
ューラルネットワーク２を構成させ、外気温と総電力使
用量を入力し、８時から９時の間の実際の電力使用量と
を比較し、誤差を求め、一季節を通じての誤差の平均値
を求める。

【００７８】そして、元の遺伝子を含めた合計７５０個
の遺伝子のうちから、誤差の平均値が小さい遺伝子を上
位５００個だけ選別し、残りの遺伝子を淘汰させ、上位
５００個の遺伝子は遺伝子プール３０に戻す。次いで、
再度誤差の少ないもの同士を交配させ、また、突然変異
によって新たな遺伝子を発生させる。

【００７９】このような新たな遺伝子の発生と淘汰とを
繰り返し行うが、繰り返し回数が進むに連れ、交配によ
り発生させる遺伝子の個数を減らし、その分、突然変異
によって発生させる遺伝子の個数を増加させる。

【００８０】以上のような新たな遺伝子の発生と淘汰
を、所定回数(例えば１５００回)だけ繰り返し行った
後、最後に、最も誤差の小さい遺伝子が示す重み付け値
Ｗを採用し、初期状態のニューラルネットワーク２を形
成する。

【００８１】このときのニューラルネットワーク２は、
入力条件(外気温及び総電力使用量)に応じた８時から９
時の間の電力使用量をある程度正確に予測できるように
なっている。更に、上述した誤差逆伝播法(バックプロ
パゲーション)を用い、下記のように誤差を小さくす
る。

【００８２】先ず、一季節の最初の１日の８時から９時
の外気温及び１日の電力使用量(電力使用条件)を入力層
２１のユニットＵ¹ ₁、Ｕ¹ ₂に入力し、出力層２３のユニ
ットＵ⁴ ₁から電力使用量の予測値を出力させる。その予
測値と実際の電力使用量との誤差を求め、誤差逆伝播法
によって重み付け値の修正を繰り返し行い、誤差が所望
値以下になったところで一旦誤差逆伝播法を終了させ
る。

【００８３】そのニューラルネットワークに次の日の８
時から９時の電力使用条件を入力して電力使用量の予測
値を出力させ、その予測値とその日の実際の電力使用量
との誤差を求め、誤差逆伝播法によって重み付け値の修
正を繰り返し行い、誤差が所望値以下になったところ
で、一旦終了させる。このように、過去一季節の平日に
ついて、順次１日づつ８時から９時の間の電力使用量の
予測値を求め、誤差逆伝播法による重み付け値の修正を
行う。

【００８４】最後の１日の電力使用条件と実際の電力使
用量とに基いて、逆誤差伝播法による修正を行った後、
一旦修正を終了し、一季節の最初の日から最後の日まで
の電力使用条件を入力し、電力使用量の予測値を出力さ
せ、実際の電力使用量との誤差を求め、誤差の平均値を
求める。

【００８５】求めた誤差の平均値が所定値よりも小さい
場合には、そのニューラルネットワークは完成したもの
とし、逆に、所定値よりも大きかった場合は、一季節の
最初の１日目に戻り、最後の日まで、誤差逆伝播法によ
る重み付け値の修正を繰り返し行う。この作業は、一季
節の誤差の平均値が所定値以下になるまで繰り返し行
う。

【００８６】このようにして完成された重み付け値Ｗ
は、一季節における平日の８時から９時の間の電力使用
量を予測するために用いられるものであり、その重み付
け値Ｗは、平日８時のニューラルネットワーク２の重み
付け値のファイル２₁として保存する。

【００８７】次に、平日９時から１０時の電力使用量を
予測するためのニューラルネットワーク２を求める。

【００８８】この場合、そのニューラルネットワーク２
の重み付け値Ｗを求めるために、再度乱数によって５０
０個の遺伝子を発生させ、各遺伝子によってニューラル
ネットワーク２を構成させ、上記ファイル２₁を求めた
のと同様に、平日の９時から１０時の一季節分の外気
温、及び電力使用量を入力層２１のユニットＵ¹ ₁、Ｕ¹ ₂
に入力し、出力層ユニットＵ⁴ ₁から電力使用量の予測値
を出力させ、遺伝子の交配と突然変異及び逆誤差伝播法
によってファイル２₂を求める。

【００８９】このように遺伝子の発生と淘汰により、８
時から２２時の各時点でのニューラルネットワーク２の
初期状態を構成させ、次いで、誤差逆伝播法によって、
各時点のニューラルネットワーク２の重み付け値Ｗを一
年間に亘って修正すると、制御装置１３内には、図４に
示すように、８時から２２時の各時刻の電力使用量の予
測に用いるニューラルネットワーク２の重み付け値Ｗの
ファイル２₁〜２₁₄が蓄積される。

【００９０】ところで、この電力貯蔵装置１０１が設け
られている建築物では、その４種類の施設のうち、第１
〜第４の施設は、それぞれ毎時２０ｋＷ級、１７ｋＷ
級、１３ｋＷ級、７ｋＷ級の部屋を複数有しており、従
って、１日の稼動時間帯の総電力使用予想量Ｐは、第１
〜第４の施設内の使用予定部屋数が、それぞれＡ個〜Ｄ
個である場合、 Ｐ ＝ ２０×Ａ＋１７×Ｂ＋１３×Ｃ＋７×Ｄ ……(１) となる。

【００９１】上記のニューラルネットワーク２のファイ
ル２₁〜２₁₄が記憶された制御装置１３によって、電力
貯蔵装置１０１を運転する場合には、予め、１日の使用
予定に従って、稼働時間帯の総電力使用量Ｐを求めてお
く。そして、天気予報データから、稼働時間帯の気温変
化の予測値を取得しておく。

【００９２】ファイル２₁〜２₁₄で構成されたニューラ
ルネットワーク２に、稼働時間帯の総電力使用量Ｐと、
それぞれのニューラルネットワーク２の時刻に対応する
気温の予測値を入力し、稼働時間帯の電力使用量の予測
値を、１時間刻みで取得する。

【００９３】その予測値により、稼動時間帯の総電力使
用量や、電力使用推移が求まるので、それに基いて二次
電池１２を効率よく放電させ、商用電源から負荷への電
力供給量が上限値を超えないように、二次電池１２の放
電計画を設定することができる。従って、商用電源１１
の負担が平均化され、その許容供給量を超えないように
負荷１５を運転することができる。

【００９４】図７のグラフは、稼働時間帯の運転状態を
示すグラフであり、実線が本発明による予測値、破線が
従来技術の予測値、二点鎖線が実際の電力使用量であ
る。本発明による予測値と、従来技術の予測値とを比較
した場合、誤差は下記表、

【００９５】

【表１】

【００９６】のようになり、本発明による予測値の場合
は、平均0.050の誤差であり、それに比べると従来技術
の予測値の平均誤差は0.072であり、本発明の方が精度
のよい予測値が得られていることが分かる。

【００９７】上記実施形態は、平日の場合について説明
したが、休日についても、９時から２２時の重み付け値
Ｗのファイルを１４個作成し、電力使用量の予測値を求
め、商用電源１１の負担を軽減することができる。

【００９８】なお、１日の運転が終了し、待機時間帯に
入ったら、その日の電力使用条件と電力使用量を、１年
前の教師信号と入れ替え、再度誤差逆伝播法を用いて重
み付け値Ｗの誤差を修正するようにしてもよい。

【００９９】

【発明の効果】電力使用量を正確に予測できるので、商
用電源の負担が上限値を超えずに平均化する。二次電池
を効率よく使用することができる。

【図面の簡単な説明】

【図１】本発明の電力貯蔵装置の一実施形態を示すブロ
ック図

【図２】その電力貯蔵装置に設けられたニューラルネッ
トワークを説明するための図

【図３】そのニューラルネットワークの初期状態を決め
るための遺伝子的手法を説明するための図

【図４】完成した重み付け値のファイルによるニューラ
ルネットワークが制御装置内に蓄積された状態を説明す
るための概念図

【図５】遺伝的手法を用いた場合と用いない場合の収束
速度を比較したグラフ(条件を収束度０．００１５にし
た場合)

【図６】遺伝的手法を用いた場合と用いない場合の収束
速度を比較したグラフ(条件を収束度０．０１にした場
合)

【図７】従来技術と本発明を比較したグラフ

【図８】従来技術の電力貯蔵装置のブロック図

【図９】従来技術のニューラルネットワークの内部状態
を説明するための図

【図１０】(ａ)：入力層から出力層に向けてのニューラ
ルネットワーク内の信号の伝播状態を説明するための図 (ｂ)：誤差逆伝播法を用いたときの、出力層から入力層
へ向けて伝播される信号を説明するための図

【符号の説明】

１……電力貯蔵装置 ２……ニューラルネットワーク
１１……商用電源 １２……二次電池 １３……制御装置 １５……負
荷 Ｗ……重み付け値

───────────────────────────────────────────────────── フロントページの続き (72)発明者 川越 祐司 東京都港区芝浦三丁目４番１号 株式会社 エヌ・ティ・ティファシリティーズ内 (72)発明者 徳重 隆一 東京都港区芝浦三丁目４番１号 株式会社 エヌ・ティ・ティファシリティーズ内 (72)発明者 田中 利和 東京都港区芝浦三丁目４番１号 株式会社 エヌ・ティ・ティファシリティーズ内 (72)発明者 中田 和美 東京都港区芝浦三丁目４番１号 株式会社 エヌ・ティ・ティファシリティーズ内

Claims (5)

【特許請求の範囲】
1. 【請求項１】二次電池と制御装置とを有し、 前記二次電池は、負荷となる建築構造物の電力使用量が
   少ない待機時間帯に、商用電源によって充電され、 前記制御装置内には、過去の電力使用条件と、それに対
   応した電力使用実績に基いて設定されたニューラルネッ
   トワークが設けられ、 前記ニューラルネットワークに電力使用条件を入力する
   と、その電力使用条件に応じた電力使用量の予測値が出
   力され、 前記制御装置は、前記予測値に基いて前記二次電池を放
   電させるように構成された電力貯蔵装置であって、 前記ニューラルネットワークは、過去の電力使用条件と
   して、１日の稼動時間帯の総電力使用量とその日の特定
   の時刻の気温が入力され、特定の時刻間の電力使用量が
   出力されるように設定され、 １日の総電力使用量の予想値と、前記特定の時刻の予想
   気温が入力されると、前記特定の時刻間の電力使用量の
   予測値が出力されるように構成されたことを特徴とする
   電力貯蔵装置。
2. 【請求項２】前記ニューラルネットワークは、１日中に
   複数設定されていることを特徴とする請求項１記載の電
   力貯蔵装置。
3. 【請求項３】四季毎に異なるニューラルネットワークが
   設定されていることを特徴とする請求項１又は請求項２
   のいずれか記載の電力貯蔵装置。
4. 【請求項４】平日と休日とで異なるニューラルネットワ
   ークが設定されていることを特徴とする請求項１乃至請
   求項３のいずれか１項記載の電力貯蔵装置。
5. 【請求項５】前記ニューラルネットワークを設定する際
   には、ニューラルネットワークを構成する各ユニット間
   の重み付け値の組合せを複数用意し、 各組合せを遺伝子とみなし、各遺伝子間の交配と遺伝子
   の突然変異によって新たな遺伝子を発生させ、新たな遺
   伝子と元の遺伝子のそれぞれの遺伝子が示す重み付け値
   の組合せに応じて、それぞれ仮のニューラルネットワー
   クを形成させ、 各仮のニューラルネットワークに過去の電力使用条件と
   して、一季節の初日から最終日までの１日毎に、その日
   の稼動時間帯の総電力使用量とその日の特定の時刻の気
   温を入力し、その特定の時間内の電力使用量を示す予測
   値を出力させ、 その予測値と、その時間内の実際の電力使用量と比較し
   て一季節を通じての平均誤差を求め、 前記平均誤差の小さい遺伝子を所望個数選別して淘汰さ
   せ、 再び交配と突然変異によって新たな遺伝子を発生させ、
   新たな遺伝子が示す重み付け値の組合せに応じて仮のニ
   ューラルネットワークを形成させて前記平均誤差を求め
   た後、 選別した遺伝子を含めて誤差の小さい遺伝子を所望個数
   選別し直して淘汰させる作業を繰り返し行い、 その結果、誤差の小さい優秀な遺伝子を採用し、その遺
   伝子が示す重み付け値の組合せを初期状態のニューラル
   ネットワークの各ユニット間の重み付け値とし、 前記初期状態のニューラルネットワークに対し、過去の
   電力使用条件として、１日の稼動時間帯の総電力使用量
   とその日の特定の時刻の気温を入力し、予測値としてそ
   の日の特定の時間内の電力使用量を出力させ、該予測値
   と、その時間内の実際の電力使用量と比較して誤差を求
   め、 前記誤差を誤差逆伝播法によって前記各ユニットに伝播
   させて重み付け値を修正し、 一季節の初日から最終日までの１日毎に前記誤差の修正
   を行って前記ニューラルネットワークが設定されること
   を特徴とする請求項１乃至請求項４のいずれか１項記載
   の電力貯蔵装置。