电力需求预测装置、供电系统、电力需求预测方法及程序

摘要

本发明提供一种电力需求预测装置、供电系统、电力需求预测方法及程序。本发明的电力需求预测装置(100)具備：数据接收部(101)，接收记录特定行驶状态的车辆探测数据的输入；个别模型生成部(112)，根据接收到的车辆探测数据，按每个特定车辆或按该特定车辆的每个利用者生成表示因素信息的实际值与表示该特定车辆在特定充电设备中的电力需求的实际值之间的相关关系的个别模型，所述因素信息的实际值成为特定车辆在特定充电设备中进行充电的意思决定的主要原因；及需求预测运算部(113)，根据该生成的个别模型，计算特定车辆在特定充电设备中的电力需求的预测值。

说明书

技术领域

本发明涉及一种预测充电设备中的电力需求量的电力需求预测装置、供电系统、电力需求预测方法及程序。

本申请根据2014年2月28日在日本申请的日本专利申请2014-038747号主张优先权，并将其内容援用于此。

背景技术

近年来，搭载有电池的电动汽车或混合式汽车正在普及，充电设备中的电力需求增加。随之利用对应电力需求的预测结果来控制应生成的总电量及应按每一个地区、每一个时间段供给的配电量的配电计划技术。

为了预测电力需求，一般利用如下方法等：根据过去的实际电力需求及表示时刻信息、星期、假日等的月历信息等，利用统计方法构建预测模型，由此进行预测(例如，参考专利文献1)。

并且，当预测某个地区内的电力需求时，利用统计分析该地区的群体的行动倾向并将其模型化的方法。

以往技术文献

专利文献

专利文献1：日本特开2012-115066号公报

发明内容

发明要解决的技术课题

然而，例如，当统计分析地区的群体的行动倾向时，为了构建高精确度再现该地区的群体的行动倾向整体的特性，需要庞大量的实际数据(培训用数据)。相对于此，探测车(具备获取详细行驶数据的功能的车辆)的台数有限，因此无法获取相当量的实际数据。因此，难以高精确度再现地区的群体的行动倾向。

本发明是鉴于上述课题而完成的，其目的在于提供一种能够根据有限的实际数据来进行精确度更高的电力需求预测的电力需求预测装置、供电系统、电力需求预测方法及程序。

用于解决技术课题的手段

根据本发明的第1方式，电力需求预测装置(100)具备：数据接收部(101)，接收记录特定车辆(探测车201、202…)的行驶状态的车辆探测数据(D1)的输入；个别模型生成部(112)，根据所述接收到的车辆探测数据(D1)，按每个所述特定车辆或该特定车辆的每个利用者生成表示因素信息的实际值与表示该特定车辆在所述特定充电设备中的电力需求的实际值之间的相关关系的个别模型(M1、M2…)，所述因素信息的实际值成为所述特定车辆在特定充电设备(301、302…)中进行充电的意思决定的主要原因；及需求预测运算部(113)，根据所述生成的个别模型，计算所述特定车辆在所述特定充电设备中的电力需求的预测值。

根据这种电力需求预测装置，按电动汽车的每个利用者生成个别模型，进行反映了每一个该利用者的充电的意思决定的特征的预测处理。因此，能够基于利用者的意思进行精确度较高的电力需求预测。

并且，根据本发明的第2方式，所述个别模型生成部至少包含驾驶率、每个规定区域的存在率及电池的充电率来作为所述因素信息。

根据这种电力需求预测装置，作为意思决定的主要原因，能够采用利用者是否正在驾驶车辆、车辆存在于何处及电池的充电率降低至何种程度等信息来作为成为是否进行充电的意思决定的主要原因的因素信息。

并且，根据本发明的第3方式，所述个别模型生成部根据所述接收到的车辆探测数据，提取表示所述特定车辆在所述特定充电设备中的每个时间段的利用率的利用率实际数据(D20)来作为所述电力需求的实际值。

根据这种电力需求预测装置，能够预测特定充电设备在某个时间段被利用的比率来作为电力需求的预测值。

并且，根据本发明的第4方式，所述个别模型生成部构建由具有相互类似的相关关系的多个所述个别模型的群组构成的生活方式模型(N1、N2…)，所述需求预测运算部根据在特定地区内活动的活动者的符合所述生活方式模型的人口的构成比率，按属于该特定地区的每个充电设备计算电力需求的预测值。

根据这种电力需求预测装置，能够按每个该生活方式模型预测充电设备的利用率，并且针对该预测结果，能够调整与特定地区的属于各生活方式的人口的构成比率相对应的加权。因此，能够提高整个地区的电力需求预测的精确度。

并且，根据本发明的第5方式，所述数据接收部还接收记录如下信息的充电设备数据的输入，所述信息为由所述充电设备的每一个获取的信息，且为与在该充电设备中进行的充电有关的信息，所述个别模型生成部根据所述充电设备数据生成个别模型。

根据这种电力需求预测装置，不仅能够根据从特定车辆获取的车辆探测数据，还能够根据在各充电设备中获取的与充电有关的各种信息来构建个别模型。由此，能够生成更高精确度地反映各个人的充电的意思决定的个别模型，能够进一步提高预测的精确度。

并且，根据本发明的第6方式，供电系统(1)具备：多个探测车(201、202…)，能够记录自车辆的行驶状态；及供电管理装置(400)，根据所述电力需求预测装置的预测结果，按每个所述充电设备调整供给电力。

根据这种供电系统，供电管理装置根据由电力需求预测装置预测的精确度较高的预测结果，按每个充电设备调整供给电力，因此能够更加有效地提供电力供给服务。

并且，根据本发明的第7方式，在电力需求预测方法中，接收记录特定车辆的行驶状态的车辆探测数据的输入，根据所述接收到的车辆探测数据，按每个所述特定车辆或该特定车辆的每个利用者生成表示因素信息的实际值与表示该特定车辆在所述特定充电设备中的电力需求的实际值之间的相关关系的个别模型，所述因素信息的实际值成为所述特定车辆在特定充电设备中进行充电的意思决定的主要原因，根据所述生成的个别模型计算所述特定车辆在所述特定充电设备中的电力需求的预测值。

根据这种电力需求预测方法，按电动汽车的每个利用者生成个别模型，进行反映了每一个该利用者的充电的意思决定的特征的预测处理。因此，能够基于利用者的意思进行精确度较高的电力需求预测。

并且，根据本发明的第8方式，程序使电力需求预测装置的计算机作为个别模型生成机构和需求预测运算机构发挥作用，所述个别模型生成机构根据记录特定车辆的行驶状态的车辆探测数据，按每个所述特定车辆或该特定车辆的每个利用者生成表示因素信息的实际值与表示该特定车辆在所述特定充电设备中的电力需求的实际值之间的相关关系的个别模型，所述因素信息的实际值成为所述特定车辆在特定充电设备中进行充电的意思决定的主要原因，所述需求预测运算机构根据所述生成的个别模型计算所述特定车辆在所述特定充电设备中的电力需求的预测值。

根据这种程序，个别模型生成机构按电动汽车的每个利用者生成个别模型，进行反映了每一个该利用者的充电的意思决定的特征的预测处理。因此，能够基于利用者的意思进行精确度较高的电力需求预测。

发明效果

根据上述电力需求预测装置、供电系统、电力需求预测方法及程序，能够根据有限的实际数据来进行精确度更高的电力需求预测。

附图说明

图1是表示第1实施方式所涉及的供电系统的概要的图。

图2是表示第1实施方式所涉及的电力需求预测装置的功能结构的图。

图3是表示第1实施方式所涉及的数据积累处理部所存储的车辆探测数据的详细内容的图。

图4是说明第1实施方式所涉及的个别模型生成部的功能的第1图。

图5是说明第1实施方式所涉及的个别模型生成部的功能的第2图。

图6是说明第1实施方式所涉及的个别模型生成部的功能的第3图。

图7是说明第1实施方式所涉及的个别模型生成部的功能的第4图。

图8是说明第1实施方式所涉及的个别模型生成部的功能的第5图。

图9是说明第1实施方式所涉及的需求预测运算部的功能的第1图。

图10是说明第1实施方式所涉及的需求预测运算部的功能的第2图。

图11是说明第1实施方式的变形例所涉及的个别模型生成部的功能的图。

图12是表示第2实施方式所涉及的电力需求预测装置的功能结构的图。

图13是说明第2实施方式所涉及的个别模型生成部的功能的图。

图14是说明第2实施方式所涉及的需求预测运算部的功能的图。

图15是说明第2实施方式的变形例所涉及的需求预测运算部的功能的图。

图16是表示第3实施方式所涉及的电力需求预测装置的功能结构的图。

具体实施方式

＜第1实施方式＞

以下，对第1实施方式所涉及的供电系统进行说明。

第1实施方式所涉及的供电系统使用从探测车得到的车辆探测数据来生成将利用该探测车的个人行动模型化的个别模型。并且，使用反映了代表在特定地区(例如，一城市)内活动的活动者(群体)的各个人的特征的个别模型来预测该特定地区内的各充电设备的电力需求(本实施方式中为各充电设备的“利用率”)。另外，其中，“活动者”除了指在上述特定地区内生活的居民以外，还指以上下班、上学、游玩等为目的而在该地区内进行各种活动的全体人。

(整体结构)

图1是表示第1实施方式所涉及的供电系统的概要的图。

第1实施方式所涉及的供电系统1具备电力需求预测装置100、多个探测车201、202…、多个充电设备301、302…及供电管理装置400。

供电系统1在特定地区(例如为城市T1)内提供电动汽车用的电力供给服务。具体而言，供电系统1经由设置于城市T1的各处的充电设备301、302…对在城市T1内行驶的电动汽车供给电池充电用电力。

电力需求预测装置100从探测车201、202…每一个输入多个车辆探测数据D1(后述)，根据该车辆探测数据D1来预测充电设备301、302…每一个中的电力需求(每个时间段的利用率)。

探测车201、202…为在属于城市T1的居民中特定利用者所利用的电动汽车。探测车201、202…上搭载有专用车载器(未图示)，通过该车载器能够按一定时间记录各探测车201、202…的行驶状态。例如，探测车201、202…能够按一定时间(例如，按每小时)记录表示各探测车201、202…是否正在驾驶的驾驶状态信息、确定各自的位置的车辆位置信息(例如，由GPS(Global Positioning System)得到的纬度/经度信息)、表示所搭载的电池的充电率[％](剩余容量)的SOC(State Of Charge)信息来作为各自的行驶状态。

另外，探测车201、202…所能获取的行驶状态的内容并不限定于上述内容，除此以外，还可以记录行驶距离或通过所搭载的速度/加速度传感器获取的速度/加速度信息等、以及探测车201、202…正在停止中、充电中的各种信息。并且，探测车201、202…并不限定于“按一定时间”获取各自的行驶状态的方式，除此以外，还可以是每当发生任意规定的特定现象时进行记录的方式。具体而言，例如，探测车201、202…可以按一定行驶距离、按一定的车辆状态的变化(由行驶状态过渡到停车状态时、主电源的开关、前照灯的开关)来记录该时点的各自的行驶状态。

充电设备301、302…设置于城市T1的各处。电动汽车的利用者前往设置于各处的充电设备301、302…对电动汽车进行充电。另外，本实施方式中，如图1所示，各充电设备301、302…设置于属于城市T1的规定区域A1、A2、A3…的每一个。

供电管理装置400根据由电力需求预测装置100预测的电力需求(针对充电设备301、302…每一个的每个时间段的利用率)的预测结果，反映到配电计划中，以能够从各充电设备301、302…供给充电所需的电力。

(电力需求预测装置的功能结构)

图2是表示第1实施方式所涉及的电力需求预测装置的功能结构的图。

如图2所示，本实施方式所涉及的电力需求预测装置100具备数据接收部101、数据输出部102、CPU(Central Processing Unit)110、探测数据存储部120及个别模型存储部121。

数据接收部101为从探测车201、202…的每一个接收车辆探测数据D1的输入的通信模块。在此，探测车201、202…的各车载器经由规定的通信机构向数据接收部101自动输出所获取的车辆探测数据D1。另外，除了各车载器向数据接收部101自动发送车辆探测数据D1的方式以外，还可以由供电系统1的利用者(管理者)手动进行从各车载器向数据接收部101发送的处理。

数据输出部102为向供电管理装置400输出通过后述的CPU110的计算处理而得到的利用率预测数据D20F的通信模块。

CPU110为管理电力需求预测装置100的整个处理的通用CPU。CPU110按照被读入存储区域中的专用程序进行动作，由此实现作为数据积累处理部111、个别模型生成部112、需求预测运算部113的功能。关于各功能的详细内容将于后述。

探测数据存储部120为通过CPU110(后述的数据积累处理部111)的处理而容纳所获取的车辆探测数据D1的存储区域。

个别模型存储部121为存储由CPU110(后述的个别模型生成部112)生成的各探测车201、202…的个别模型的存储区域。

另外，上述探测数据存储部120及个别模型存储部121也可以是存储于单一存储装置中的方式。

如上所述，本实施方式所涉及的CPU110具有作为数据积累处理部111、个别模型生成部112及需求预测运算部113的功能。

数据积累处理部111将经由数据接收部101输入的车辆探测数据D1逐次存储于探测数据存储部120。关于由数据积累处理部111积累的车辆探测数据D1的内容将于后述。

个别模型生成部112根据积累在探测数据存储部120的过去的车辆探测数据D1，进行生成与探测车201、202…(利用者P1、P2…)的每一个对应的个别模型M1、M2…的处理。其中，“个别模型”为反映了各利用者利用探测车201、202…方面的特征(尤其是充电的意思决定的特征)的模拟模型。个别模型生成部112将所生成的个别模型M1、M2…存储于个别模型存储部121。

并且，如图2所示，个别模型生成部112根据内部所具备的因素信息提取部112a、电力需求信息提取部112b、模型构建处理部112c的处理来生成个别模型。关于因素信息提取部112a、电力需求信息提取部112b及模型构建处理部112c的具体处理内容将于后述。

需求预测运算部113根据存储于个别模型存储部121的个别模型M1、M2…和新输入的车辆探测数据D1来计算充电设备301、302…的每一个中的每个时间段的利用率的预测值(利用率预测数据D20F)。

(数据积累处理部的功能)

图3是表示第1实施方式所涉及的数据积累处理部所存储的车辆探测数据的详细内容的图。

如上所述，数据积累处理部111将各探测车201、202…所获取的车辆探测数据D1逐次存储、积累在探测数据存储部120。作为例子，数据积累处理部111以如图3所示的方式存储车辆探测数据D1。具体而言，如图3所示，在探测数据存储部120记录识别探测车201、202…的每一个的车辆ID、日期及时间段、表示车辆是否正在驾驶(是否正在运行)的驾驶状态信息、确定车辆位置的纬度/经度信息、以及表示所搭载的电池的充电量(剩余容量)的SOC信息。数据积累处理部111例如提取每隔30分钟记录的驾驶状态信息、纬度/经度信息、SOC信息并存储于探测数据存储部120。

另外，在探测数据存储部120存储有各探测车201、202…过去所获取的一个以上的车辆探测数据D1。另外，作为车辆探测数据D1，优选存储、积累有例如多个过去几个月～几年间的各种信息。

并且，存储于探测数据存储部120的车辆探测数据D1的方式并不限定于图3所示的方式，也可以记录与探测车201、202…的行驶有关的其他项目(例如，行驶距离、速度/加速度信息等)。并且，也可以记录充电时所获取的充电设备ID以能够掌握究竟利用哪一充电设备301、302…进行了充电。

(个别模型生成部的功能)

个别模型生成部112的因素信息提取部112a参考存储于探测数据存储部120的车辆探测数据D1(图3)来提取作为因素信息的实际值的因素实际数据D10。其中，“因素信息”为可成为各探测车201、202…的利用者P1、P2…在各充电设备301、302…中进行充电的意思决定的主要原因的各种信息。具体而言，因素信息提取部112a从车辆探测数据D1中提取以下说明的每个时间段驾驶率数据D11、每个时间段活动区域D12等来作为因素信息的实际值(因素实际数据D10)。

(每个时间段驾驶率数据)

图4是说明第1实施方式所涉及的个别模型生成部的功能的第1图。

因素信息提取部112a从存储于探测数据存储部120的车辆探测数据D1中提取作为因素实际数据D10之一的每个时间段驾驶率数据D11。其中，每个时间段驾驶率数据D11为如图4所示将利用者进行探测车201、202…的驾驶的比率(探测车201、202…正在运行中的比率)按规定期间(例如，一周)的每个时间段进行区分来表示的信息。具体而言，因素信息提取部112a参考每个星期、时间段的驾驶状态信息(图3)，根据积累在探测数据存储部120的过去的车辆探测数据D1来计算在该星期、时间段内正在驾驶的比率，从而得到每个时间段驾驶率数据D11。

另外，图4中，作为例子，示出一周的每个时间段的驾驶率，但例如也可以示出并不是一周而是一个月或一年的每个时间段的驾驶率。并且，关于以下说明的“每个时间段活动区域数据”、“每个时间段SOC数据”等也相同。

在图4中例示出根据利用者P1(探测车201)的车辆探测数据D1提取的每个时间段驾驶率数据D11。例如，利用者P1在上下班时间段(星期一至星期五的8点前后与18点前后)显示出驾驶率较高的倾向。据此可推测，利用者P1主要在上下班时使用探测车201。

因素信息提取部112a同样地提取关于其他利用者P2、P3…(探测车202、203…)的每个时间段驾驶率数据D11。

(每个时间段活动区域数据)

图5是说明第1实施方式所涉及的个别模型生成部的功能的第2图。

因素信息提取部112a从存储于探测数据存储部120的车辆探测数据D1中提取作为因素实际数据D10之一的每个时间段活动区域数据D12。其中，每个时间段活动区域数据D12为如图5所示将利用者(探测车201、202…)所属的区域(划分区域A1、A2…)按一周的每个时间段进行区分来表示的信息。具体而言，因素信息提取部112a参考每个星期、每个时间段的纬度/经度信息(图3)，根据积累在探测数据存储部120的过去的车辆探测数据D1来得到在各星期、时间段利用者P1、P2…(探测车201、202…)的每个规定区域(每个各划分区域A1、A2)的存在率已被确定的每个时间段活动区域数据D12(参考图5)。

(每个时间段SOC数据)

图6是说明第1实施方式所涉及的个别模型生成部的功能的第3图。

因素信息提取部112a从存储于探测数据存储部120的车辆探测数据D1中还提取作为因素实际数据D10之一的每个时间段SOC数据D13等。其中，每个时间段SOC数据D13为如图6所示经由规定的传感器记录利用者(探测车201、202…)的每个时间段的SOC[％]的信息。由此，如后述，个别模型生成部112能够获取SOC减少至何种程度时进行充电的各利用者的个人行动的倾向(充电的意思决定的特征)。

并且，因素信息提取部112a还可以提取上述以外的因素实际数据D10。例如，因素信息提取部112a可以参考车辆探测数据D1的车辆位置和每个时间段SOC来确定究竟利用哪一充电设备301、302…进行充电，并获取表示利用者P1、P2…所利用的充电设备301、302…的统计的充电器利用场所数据D14(参考图6)。由此，能够掌握利用者P1、P2…最常用的充电设备301、302…。另外，当车辆探测数据D1中没有记录充电设备ID时，可以提取每个该充电设备ID的利用次数等来获取充电器利用场所数据D14。

并且，图6中虽未图示，但因素信息提取部112a可以进一步参考车辆探测数据D1的每个时间段SOC来提取表示进行充电的时间段(SOC正在恢复的时间段)的充电时间段信息D15、根据每个单位时间段的SOC上升量计算的充电速度信息D16等。由此，能够根据利用者P1、P2…最常利用充电设备301、302…的时间段或充电速度信息D16来掌握利用者P1、P2…是否经常以快速充电方式进行充电等。

本实施方式所涉及的个别模型生成部112如上提取由多个因素信息的过去的实际值构成的因素实际数据D10。

(利用率实际数据)

图7是说明第1实施方式所涉及的个别模型生成部的功能的第4图。

接着，个别模型生成部112参考存储于探测数据存储部120的过去的车辆探测数据D1(图3)来提取各充电设备301、302…的电力需求的实际值(电力需求实际数据)。本实施方式中，具体而言，个别模型生成部112的电力需求信息提取部112b提取表示充电设备各自的每个时间段的利用率的实际值的利用率实际数据D20来作为充电设备301、302…每一个中的电力需求的实际值。

其中，利用率实际数据D20为根据过去积累的车辆探测数据D1来表示利用者P1、P2…在每个星期/每个时间段的充电设备301、302…的利用频率(利用率)的统计数据(参考图7)。例如，根据对于利用者P1的充电设备301的利用率实际数据D20，利用者P1能够读取在整个平日的18点前后利用充电设备301的频率(率)较高(参考图7)。

具体而言，电力需求信息提取部112b根据车辆探测数据D1的车辆位置信息或每个时间段SOC信息(图3)，按各星期/每个时间段提取是否正在利用充电设备301、302…的每一个，并计算其频率来作为利用率。通过如此进行，电力需求信息提取部112b得到成为预测对象的信息(即，充电设备301、302…的每个时间段的利用率)的、每个利用者P1、P2…的过去的实际值即利用率实际数据D20。

(个别模型的构建)

图8是说明第1实施方式所涉及的个别模型生成部的功能的第5图。

接着，参考图8对根据上述主要原因实际数据D10和利用率实际数据D20生成个别模型的模型构建处理部112c的功能进行说明。

模型构建处理部112c输入从积累在探测数据存储部120的探测车201、202…的车辆探测数据D1的每一个中提取的多个主要原因实际数据D10和利用率实际数据D20，按每个利用者P1、P2…(即，按每个探测车201、202…)生成表示它们的相关关系的个别模型M1、M2…。

具体而言，例如，模型构建处理部112c将与利用者P1(探测车201)有关的因素信息的实际值即各因素实际数据D10(每个时间段驾驶率数据D11、每个时间段活动区域数据D12…(图4～图6))的每一个作为个别模型M1的因素x₁、x₂、…。并且，模型构建处理部112c将作为与利用者P1有关的利用率实际数据D20(图7)而提取的各充电设备301、302…的利用率的实际值作为响应y₁、y₂…。其中，响应y₁、y₂…为对个别模型M1中的因素x₁、x₂…的输入的响应。

接着，模型构建处理部112c生成表示响应y₁、y₂…对因素x₁、x₂…的相关关系的个别模型M1。该个别模型M1与利用者P1(探测车201)对应。如图8所示，例如，由式(1)表示利用者P1利用充电设备301的比率y₁与因素x₁、x₂…之间的相关关系。

[数式1]

y₁＝a₁₁x₁+b₁₁x₂+c₁₁x₃+d₁₁x₄+……(1)

其中，式(1)的与各因素x₁、x₂…有关的系数a₁₁、b₁₁…为因素x₁、x₂…的因素负荷量。即，表示该系数(因素负荷量)越大的因素，与响应y₁(即利用率)之间的相关关系越强，越小的因素，与响应y₁之间的相关关系越弱。

例如，当因素x₁为每个时间段驾驶率数据D11且系数a₁₁的值较大时，这表示利用者P1在充电设备301中的利用率(响应y₁)与每个时间段的驾驶率(因素x₁)有较强的因果关系。即，这说明“每当进行驾驶时利用者P1几乎确实利用充电设备301进行充电”的利用者P1的特征。

同样地，当因素x₂为每个时间段活动区域数据D12且系数b₁₁的值较小时，这表示利用者P1在充电设备301中的利用率(响应y₁)与每个时间段的活动区域(因素x₂)确认不到因果关系。即，这说明“不论最初所属的活动区域为何地，进行充电时利用者P1几乎必定使用充电设备301”的利用者P1的特征。

如此，本实施方式所涉及的个别模型生成部112导出表示过去获取的已知的因素x₁、x₂…(因素实际数据D10)与已知的响应y₁、y₂…(利用率实际数据D20)之间的相关关系的式的格(lattice)来生成与利用者P1有关的反映了充电的意思决定的特征的个别模型M1。

另外，作为从已知的因素x₁、x₂…和已知的响应y₁、y₂…导出表示各自之间的相关关系的式(例如，上述式(1))的方法，例如可以使用基于已知的模型构建方法即SVM(Support>

如图8所示，模型构建处理部112c对利用者P2、P3…(探测车202、203…)也进行同样的处理，生成反映了各自的特征的个别模型M2、M3…。并且，将所生成的各个别模型M1、M2…存储于个别模型存储部121。

另外，以下说明中，作为表示与设置于区域A1的充电设备301有关的响应y₁和与利用者P1(探测车201)有关的因素x₁、x₂…之间的相关关系的函数，如式(2)那样进行记载(参考图8)。

[数式2]

y₁＝f_AlPl(x₁，x₂，x₃，x₄…)…(2)

(需求预测运算部的功能)

图9是说明第1实施方式所涉及的需求预测运算部的功能的第1图。

需求预测运算部113根据预先存储于个别模型存储部121的各个别模型M1、M2…来计算表示利用者P1、P2…(探测车201、202…)在充电设备301、302…的每一个中的电力需求的预测值的电力需求预测数据。另外，本实施方式中，电力需求的预测值具体是指充电设备301、302…的每一个中的每个规定时间段的利用率的预测值。并且，需求预测运算部113计算表示该利用率的预测值的利用率预测数据D20F(电力需求预测数据)。

具体而言，首先，需求预测运算部113输入最近获取的利用者P1(探测车201)的车辆探测数据D1，获取基于该最近的车辆探测数据D1的因素实际数据D10(因素x₁、x₂…)(参考图9)。“最近获取的车辆探测数据D1”是指例如在昨天(24小时前)至当前为止获取的车辆探测数据D1。

接着，需求预测运算部113将因素实际数据D10(因素x₁、x₂…)输入到与利用者P1对应的个别模型M1中，并求出其输出(响应y₁、y₂…)。更具体而言，需求预测运算部113将各因素x₁、x₂…的值代入到个别模型M1中所包含的各函数(式(2)等)中来计算各个函数的解即响应y₁、y₂…。

在此计算出的响应y₁、y₂…为根据反映了利用者P1的特征的个别模型M1计算出的值，表示利用者P1今后的充电设备301、302…的利用率(个别利用率预测数据D20f)。

需求预测运算部113同样地根据预先生成的个别模型M2、M3…来计算各利用者P2、P3…的个别利用率预测数据D20f(参考图9)。另外，以下说明中，将利用者P1在规定时间段利用充电设备301、302…的比率的预测值表示为y₁₁、y₁₂…。同样地，将利用者P2在同一时间段利用充电设备301、302…的比率的预测值表示为y₂₁、y₂₂…。

若计算对于各利用者P1、P2…全部的个别利用率预测数据D20f，则需求预测运算部113按每个充电设备301、302…总计所有个别利用率预测数据D20f来计算各充电设备301、302…的各时间段的利用率的预测值。例如，当预测每一个利用者P1、P2…在某个时间段利用充电设备301的比率为y₁₁、y₂₁…时，能够将充电设备301的该时间段的利用率的预测值Y₁作为Y₁＝y₁₁+y₂₁+y₃₁+…进行计算。需求预测运算部113同样地计算其他充电设备302、303…在同一时间段的利用率的预测值Y₂、Y₃…(参考图9)。

图10是说明第1实施方式所涉及的需求预测运算部的功能的第2图。

需求预测运算部113通过上述处理(参考图9)来获取预测出对充电设备301、302…每一个的近期(例如，当前至24小时以内)利用率的变化的利用率预测数据D20F(参考图10)。

需求预测运算部113经由数据输出部102向供电管理装置400输出如上获取的各充电设备301、302…的利用率预测数据D20F(电力需求预测数据)。供电管理装置400根据各充电设备301、302…的电力需求的预测结果(利用率预测数据D20F)，反映到对各充电设备301、302…的电力的配电计划中。例如，在预测为充电设备301的利用率变高的时间段，供电管理装置400在该时间段生成配电计划，以进行能够应对其需要的电力供给。由此，供电系统1能够适当地生成与预先预测的各充电设备301、302…的电力需求相对应的必要量的电力并进行供给，因此能够实现电力供给服务运用的效率化。

另外，上述实施方式中，电力需求预测装置100将反映了选出的每一个利用者P1、P2…的意思决定的特征(个别模型)的预测结果作为对于城市T1的全体居民的预测结果而直接适用。此时，探测车201、202…的利用者P1、P2…可以从作为预测对象的地区即城市T1的全体居民中随机选出。通过如此进行，能够使拥有探测车201、202…的利用者P1、P2…的群体的特征近似于城市T1的全体居民的特征。

(效果)

充电时期或充电场所因每个利用者个人的行驶状况或嗜好而不同，因此现有的模拟方法中，难以高精确度预测电力需求。但是，根据上述第1实施方式所涉及的供电系统1，由电力需求预测装置100按电动汽车的每个利用者生成个别模型，进行反映了每一个该利用者的充电的意思决定的特征的模拟分析。因此，每一个利用者的生活方式或价值观等反映到模拟分析中，能够基于利用者的意思进行精确度较高的电力需求预测。

并且，如上所述，电力需求预测装置100生成反映了各利用者的意思决定的多个个别模型，并使这些多个个人的集合近似于城市整体的群体来预测电力需求。因此，能够以比将群体整体的行动倾向直接模型化所需的实际数据的数据量少的数据量来构建模拟模型。

并且，为了构建精确度较高的模拟模型，需要选择与输出(解)之间的因果关系较强的因素来进行模型构建。然而，例如，当以城市T1的群体整体的行动倾向为模型构建的对象时，难以找出对该群体整体的行动倾向而言，因果关系较强的因素为哪一个。因此，在提高再现群体的行动倾向的模型的精确度方面受限。

相对于此，本实施方式所涉及的电力需求预测装置100从个人级别的充电的意思决定的模型化开始着手，将其扩展为群体级别的行动倾向。在此，能够轻松地预测成为个人的意思决定的主要原因的信息(即因素信息)为哪一个。例如，驾驶状态(是否正在驾驶车辆)、车辆的位置(是否靠近充电设备)、SOC(SOC是否正在减少)等信息可能会成为充电的意思决定的较强的主要原因。因此，在构建个别模型时，能够选择因果关系较强的因素来构建模拟模型，因此能够进一步提高预测的精确度。

如上，根据第1实施方式所涉及的供电系统1，能够根据有限的实际数据来进行精确度更高的电力需求预测。

另外，供电系统1的方式并不限定于上述方式，例如可以如下变更。

图11是说明第1实施方式的变形例所涉及的个别模型生成部的功能的图。

第1实施方式所涉及的个别模型生成部112根据过去积累的车辆探测数据D1，对于因素实际数据D10(因素x₁、x₂…)与利用率实际数据D20(响应y₁、y₂…)之间的相关关系导出式(1)、(2)等函数的格，由此构建个别模型。

作为该变形例，例如，个别模型生成部112也可以生成基于决策树学习的各利用者P1、P2…的个别模型M1’、M2’…。例如，如图11所示，模型构建处理部112c根据因素实际数据D10及利用率实际数据D20，构建导出利用者P1对充电设备301的每一时间段的利用率的预测值的个别模型M1’(决策树模型)。

例如，图11所例示的决策树模型中，计算利用者P1针对“是否利用充电设备301？”的提问，探索当前是否满足“是否正在驾驶？”、“距离是否在○○km以内？”、“SOC是否小于ΔΔ％？”…的条件的路径，并计算是“利用充电设备301”还是“不利用充电设备301”的比例，由此导出利用率的预测值。

如此，将根据是否满足成为意思决定的主要原因的多个条件(相当于因素x₁、x₂…)而导出的意思决定的结果(相当于响应y₁、y₂…)模型化。

通过如此进行，能够更清楚地描述每一个利用者P1、P2…的充电的意思决定，能够更加明确每一个利用者P1、P2…究竟基于哪种因素，达到进行充电的意向。通过如此进行，例如，能够通过新充电设备的设置或服务的提供轻松地调整充电设备301、302…每一个的电力需求。

另外，上述的供电系统1中，说明了预测每个时间段的利用率来作为各充电设备301、302…的电力需求，但其他实施方式中，并不限定于该方式。例如，其他实施方式所涉及的供电系统中，作为成为预测对象的信息，可以将充电设备301、302…中的每个时间段的供电量[kW]来作为预测对象。具体而言，个别模型生成部112的电力需求信息提取部112b针对成为预测对象的响应y₁、y₂…，选择每个充电设备301、302…的“供电量”的实际数据(供给电力实际数据)，由此能够获取该供电量的预测结果即供电预测数据。

＜第2实施方式＞

接着，对第2实施方式所涉及的供电系统进行说明。

关于第1实施方式所涉及的供电系统，说明了将反映了选出的每一个利用者P1、P2…的思决定的特征(个别模型)的预测结果作为对于城市T1的全体居民的预测结果而直接适用。

另一方面，第2实施方式所涉及的供电系统将多个个别模型中类似的个别模型按每个生活方式进行整理，并以符合该生活方式的人数比率来校正对于城市T1的全体居民的预测结果。

图12是表示第2实施方式所涉及的电力需求预测装置的功能结构的图。

另外，图12中，对与第1实施方式相同的功能结构标注相同的符号，并省略其说明。

如图12所示，本实施方式所涉及的电力需求预测装置100另外具备存储有城市T1的居民数据的居民数据存储部122。个别模型生成部112还具备生活方式模型生成部112d。并且，需求预测运算部113还具备需求预测结果调整部113a。

居民数据存储部122中记录有记录与城市T1的居民的各个人有关的信息(例如，年龄、性别、居住地区、职业及工作单位、是否自驾上下班等)的居民数据。并且，在居民数据存储部122中预先记录有是否为探测车201、202…的利用者(利用者P1、P2…)的信息。

图13是说明第2实施方式所涉及的个别模型生成部的功能的图。

本实施方式所涉及的个别模型生成部112的生活方式模型生成部112d生成在由模型构建处理部112c生成的个别模型M1、M2…中具有相互类似的相关关系(式(1)、(2)等函数)的多个个别模型的群组。

具体而言，生活方式模型生成部112d例如对各个别模型M1、M2…的因素负荷量(式(1)的各系数a₁₁、b₁₁…)进行比较而计算其相异度。相异度例如可以通过每一个因素负荷量的误差量的总计而计算。当计算出的相异度小于预先赋予的规定阈值时，生活方式模型生成部112d判定具有相互类似的相关关系。如此，生活方式模型生成部112d生成在个别模型M1、M2、…中由相关关系相互类似的群组构成的生活方式模型N1、N2…(参考图13)。

并且，生活方式模型生成部112d按每个生活方式模型N1、N2…计算表示因素x₁、x₂…与响应y₁、y₂…之间的相关关系的函数。具体而言，生活方式模型生成部112d通过计算属于生活方式模型N1、N2…每一个的各个别模型M1、M2…的函数的格(参考式(1)、(2)等、图8)每一个的平均来计算各生活方式模型N1、N2…的函数的格(参考图13、生活方式模型N1)。通过如此进行，能够减轻由脱离个人的习惯性行动的突发行动引起的误差的影响，能够提高最终的预测精确度。

另外，求出各生活方式模型N1、N2…的函数的方法并不限定于上述方法(各个别模型的平均)，例如可以选择构成各个别模型M1、M2的函数的中值。

接着，生活方式模型生成部112d例如参考对于与属于生活方式模型N1的个别模型M1、M4、M5、…(参考图13)的每一个对应的利用者P1、P4、P5…的居民数据。并且，生活方式模型生成部112d提取在对于利用者P1、P4、P5…的居民数据中相互共同的居民数据的要素。并且，探测数据存储部120将提取的要素与生活方式模型N1建立关联。例如，若生活方式模型N1由具有“上下班时间段的驾驶率较高”的类似性的个别模型M1、M4、M5…构成，则从属于该群组中的利用者P1、P4、P5…的居民数据中，能够将属于在规定工作单位自驾车上下班的上班人员(自驾上下班层)这种共同的数据建立关联。

生活方式模型生成部112d对其他生活方式模型N2、N3…也进行同样的处理。除上述以外，生活方式模型生成部112d还能够将例如“平日白天驾驶率较高”的群组与“主妇层”这种共通的数据建立关联。

图14是说明第2实施方式所涉及的需求预测运算部的功能的图。

本实施方式所涉及的需求预测运算部113计算由生活方式模型生成部112d生成的各生活方式模型N1、N2…的利用率预测数据。其能够通过与第1实施方式所涉及的需求预测运算部113的处理(图9)相等的处理来计算。在此，以下说明中，将属于生活方式模型N1的利用者(利用者P1、P4、P5…)在充电设备301、302…的各时间段的利用率表示为y₁₁、y₁₂…。同样地，属于生活方式模型N2的利用者在同一时间段利用充电设备301、302…的比率的预测值表示为y₂₁、y₂₂…。

本实施方式所涉及的需求预测运算部113的需求预测结果调整部113a参考存储于居民数据存储部122的居民数据来计算城市T1中的每个生活方式的构成比率数据。在此，在图14中示出由需求预测结果调整部113a计算城市T1的每个生活方式的构成比率而得到的人口构成比率数据的例子。如图14所示，需求预测结果调整部113a对城市T1的人口计算出属于“自驾上下班层”的人口为40％、属于“主妇层”的人口为15％、…等等。

当预测各生活方式模型N1、N2…的在某个时间段的充电设备301的利用率为y₁₁、y₂₁…时，需求预测结果调整部113a通过式(3)计算充电设备301的该时间段的利用率的预测值Y₁。

[数式3]

Y₁＝α·y₁₁+β·y₂₁+γ·y₃₁+……(3)

其中，式(3)的系数α、β、γ…为城市T1中的属于各生活方式模型N1、N2、N3…的人口类别的构成比率(参考图14)。同样地，需求预测结果调整部113a计算其他充电设备302、303…的同一时间段的利用率的预测值Y₂、Y₃…(参考式(4))。

[数式4]

$>\left(\begin{array}{c}{Y}_2=\alpha ·y_{12}+\beta ·y_{22}+\gamma ·y_{32}+\mathrm{...}\\ Y_3=\alpha ·y_{13}+\beta ·y_{23}+\gamma ·y_{33}+\mathrm{...}\\ .\\ .\\ .\end{array}\right)\mathrm{...}\left(4\right)$>

通过如此进行，需求预测结果调整部113a针对按每个生活方式模型N1、N2…计算出的个别利用率预测数据D20f(响应y₁₁、y₁₂…等)，按城市T1的每个人口构成比率进行加权(系数α、β、γ的乗算)之后进行合算，因此能够进一步提高城市T1整体的电力需求预测的精确度。

(效果)

根据上述第2实施方式所涉及的供电系统1，电力需求预测装置100生成将生成的个别模型M1、M2…按共同的生活方式进行整理的生活方式模型N1、N2…。并且，按每个该生活方式模型N1、N2…预测充电设备的利用率，并且按每一个该预测结果进行与属于各生活方式的人口的构成比率相对应的加权。因此，与使拥有探测车201、202…的利用者P1、P2…的行动倾向直接近似于成为预测对象的群体整体的行动倾向的情况相比，能够提高电力需求预测的精确度。

如以，根据第2实施方式所涉及的供电系统，能够根据有限的实际数据来进行精确度更高的电力需求预测。

上述第2实施方式所涉及的供电系统还可以进一步变形为如下。

图15是说明第2实施方式的变形例所涉及的需求预测运算部的功能的图。

该变形例所涉及的电力需求预测装置100的居民数据存储部122中除了属于城市T1的居民的居民数据以外，还存储有属于城市T2的居民的居民数据。并且，如图15所示，由该变形例所涉及的需求预测运算部113的需求预测结果调整部113a计算对城市T2的人口构成比率数据。并且，需求预测结果调整部113a与式(3)、(4)同样地根据对城市T2的人口构成比率来计算利用率预测数据D20F。例如，在图15所示的城市T2的情况下，将α＝30％、β＝25％、γ＝10％代入到式(3)、(4)中来计算利用率预测数据D20。

通过如此进行，利用对城市T1构建的生活方式模型N1、N2…，还能够对没有通过探测车201、202…进行数据获取的城市T2预测电力需求。因此，与在其他地区内重新获取数据来构建个别模型的情况相比，能够减少预测时间。

＜第3实施方式＞

接着，对第3实施方式所涉及的供电系统进行说明。

第3实施方式所涉及的供电系统中，充电设备301、302…能够获取与充电有关的信息(充电设备数据D2)。

(电力需求预测装置)

图16是表示第3实施方式所涉及的电力需求预测装置的功能结构的图。

充电设备301、302…能够记录与各自的充电有关的信息，进而向电力需求预测装置100输出该记录的充电设备数据D2。充电设备数据D2例如记录有充电设备301、302…每一个中的充电装置的占有率、确定所利用的车辆的车辆ID、充电电量、充电方式(是否为快速充电等)、使用费、有无附加价值(可否利用积分服务等)等信息。

本实施方式所涉及的数据积累处理部111经由数据接收部101接收车辆探测数据D1和充电设备数据D2这两者并存储于探测数据存储部120。并且，个别模型生成部112根据积累在探测数据存储部120的车辆探测数据D1及充电设备数据D2这两者来生成个别模型M1、M2…(或生活方式模型N1、N2…)。如此生成的个别模型M1、M2…中进一步引入各充电设备301、302…中的每个时间段的拥挤程度、使用费、有无附加价值等来作为充电的意思决定的主要原因。因此，个别模型生成部112能够生成更高精确度反映各个人的充电的意思决定的个别模型。

(效果)

以上，根据第3实施方式所涉及的供电系统，电力需求预测装置100不仅根据从探测车201、202…获取的车辆探测数据D1，还根据从充电设备301、302…获取的充电设备数据D2来构建个别模型M1、M2…。由此，能够生成更高精确度反映了各个人的充电的意思决定的个别模型，能够进一步提高预测的精确度。

另外，上述第3实施方式所涉及的电力需求预测装置100设为根据车辆探测数据D1和充电设备数据D2这两者来生成个别模型M1、M2…的方式，但其他实施方式所涉及的电力需求预测装置100可以仅根据充电设备数据D2生成个别模型。例如，因素信息提取部112a通过追踪按多个充电设备301、302…的每一个记录的进行了充电的车辆ID，能够生成反映了与该车辆ID链接的利用者个人的充电的意思决定的个别模型。由此，能够分配使用探测车201、202…的车辆探测数据D1的收集工作，能够减少预测所需的劳力。

另外，关于上述各实施方式所涉及的供电系统，均设为如下来进行了说明，即，供电管理装置400根据电力需求预测装置100的预测结果反映到配电计划中，以供给与预测结果相对应的所需最小限度的电力来实现运用的效率化。但是，其他实施方式所涉及的供电系统也可以是具有要求通知装置的方式，所述要求通知装置根据接收到的预测结果，发送通知如下内容的邮件：要求属于城市T1的电动汽车的利用者限制在某个时间段利用规定的充电设备，并且根据需要促使在另一时间段利用规定充电设备。例如，该要求通知装置当接收到在某一天的下午6点的时间段充电设备301的电力需求显著增加的预测时，对该充电设备301的利用率较高的利用者发送限制在该时间段利用并要求在预测为电力需求较低的其他时间段利用的邮件。由此，各利用者按该要求进行利用，从而能够简单地进行电力需求的削峰(peak cut)(峰移位(peak shift))。

并且，此时，也可以构建考虑到有无收到如上所述的利用限制通知邮件作为每一个利用者P1、P2…的充电的意思决定的主要原因而产生何种程度的影响的个别模型。由此，能够有效地实施上述利用控制通知邮件的收件人的选定。

另外，上述各实施方式中，以利用者P1、P2…的各个人分别拥有探测车201、202…为前提进行了说明。即，例如，从由探测车201获取的车辆探测数据D1导出的个别模型M1反映反映探测车201的拥有者即利用者P1的意思决定的特征。

但是，其他实施方式中，探测车201、202…也可以设为不一定与个人(利用者P1、P2…)一对一对应的方式。即，可以包含如家用轿车或公司车辆那样，多个利用者(例如，利用者P1和利用者P2)分享利用某一探测车201的方式。此时，根据该探测车201的车辆探测数据D1计算出的个别模型M1同时反映分享利用探测车201的每一个利用者P1、P2…的充电的意思决定的特征。

并且，如上所述，当多个利用者分享一个探测车201、202…时，探测车201、202…可以是将车辆探测数据D1能够按每个利用者进行区分而获取的方式。例如，探测车201、202…可以在开始驾驶时接收用于识别现驾驶人为利用者P1、P2…中的任意一人的识别信息。此时,个别模型M1由于是根据按每个利用者P1、P2…区分的车辆探测数据D1而计算的，因此反映每一个该利用者P1、P2…的意思决定。

另外，也可以将用于实现上述各实施方式中的电力需求预测装置100的功能的程序记录在计算机可读取的记录介质中，并使计算机系统读取并执行记录在该记录介质中的程序来进行工序。另外，在此所说的“计算机系统”视为包含OS或外围设备等硬件。并且，将“计算机系统”视为还包含具备网页提供环境(或显示环境)的WWW系统。并且，“计算机可读取的记录介质”是指柔性磁盘、光磁盘、ROM、CD-ROM等移动介质、计算机系统中内置的硬盘等存储装置。另外，将“计算机可读取的记录介质”视为如经由因特网等网络或电话线路等通信线路发送程序时成为服务器或客户的计算机系统内部的挥发性存储器(RAM)那样将程序保持一定时间的记录介质。

并且，上述程序可以从在存储装置等中存放有该程序的计算机系统经由传送介质或通过传送介质中的载波传送至其他计算机系统。其中，传送程序的“传送介质”是指如因特网等网络(通信网)或电话线路等通信线路(通信线)那样具有传送信息的功能的介质。并且，上述程序可以是用于实现前述功能的一部分的程序。另外，也可以是以与已记录在计算机系统中的程序的组合来实现前述功能的所谓的差分文件(差分程序)。

以上，对本发明的几个实施方式进行了说明，但这些实施方式是作为例子而提示的，并不意在限定发明的范围。这些实施方式能够以其他的各种方式实施，在不脱离发明宗旨的范围内可以进行各种省略、取代、变更。这些实施方式及其变形包含于发明的范围及宗旨，同样地，也包含于权利要求书中所记载的发明及其等同的范围内。

产业上的可利用性

根据上述的各实施方式，能够根据有限的实际数据来进行精确度更高的电力需求预测。

符号说明

1-供电系统，100-电力需求预测装置，101-数据接收部，102-数据输出部，110-CPU，111-数据积累处理部，112-个别模型生成部，112a-因素信息提取部，112b-电力需求信息提取部，112c-模型构建处理部，112d-生活方式模型生成部，113-需求预测运算部，113a-需求预测结果调整部，120-探测数据存储部，121-个别模型存储部，122-居民数据存储部，201、202…-探测车，301、302…-充电设备，400-供电管理装置。