JP2015163026A - 電力需要予測装置、電力供給システム、電力需要予測方法及びプログラム - Google Patents

Abstract

【課題】限られた実績データに基づいて、より精度の高い電力の需要予測が可能な電力需要予測装置を提供する。
【解決手段】電力需要予測装置１００は、特定の走行状態を記録した車両プローブデータの入力を受け付けるデータ受付部１０１と、受け付けた車両プローブデータに基づいて、特定の車両が特定の充電設備において充電を行う意思決定の要因となる因子情報の実績値と、当該特定の車両の、特定の充電設備における電力需要を示す実績値と、の相関関係を示す個別モデルを、特定の車両別、または、当該特定の車両の利用者別に生成する個別モデル生成部１１２と、当該生成した個別モデルに基づいて、特定の車両の、特定の充電設備における電力需要の予測値を算出する需要予測演算部１１３と、を備えている。
【選択図】図２

Description

本発明は、充電設備における電力需要量を予測する電力需要予測装置、電力供給システム、電力需要予測方法及びプログラムに関する。

近年、バッテリーを搭載した電気自動車やハイブリッドカーの普及が進み、充電設備における電力需要が増している。これに伴い、電力需要の予測結果に合わせて生成すべき総電力量、及び、地域ごと、時間帯ごとに供給すべき配電量を制御する配電計画技術が用いられている。

電力需要を予測するためには、一般に、過去の電力需要実績及び時刻情報、曜日、休日等を示すカレンダー情報等に基づいて、統計的手法を用いて予測モデルを構築することで予測する手法等が用いられている（例えば、特許文献１参照）。
また、ある地域における電力需要を予測する場合、当該地域の集団の行動傾向を統計的に分析し、これをモデル化する手法が用いられている。

特開２０１２−１１５０６６号公報

しかしながら、例えば、地域の集団の行動傾向を統計的に分析する場合、当該地域の集団の行動傾向全体の特性を精度よく再現するモデルを構築するためには、膨大な量の実績データ（教師データ）を必要とする。これに対し、プローブカー（詳細な走行データを取得する機能を備えた車両）の台数は限られているため、相当の実績データを取得することができない。そのため、地域の集団の行動傾向を精度よく再現することが困難であった。

本発明は、上記課題に鑑みてなされたものであって、限られた実績データに基づいて、より精度の高い電力の需要予測が可能な電力需要予測装置、電力供給システム、電力需要予測方法及びプログラムを提供することを目的とする。

本発明の一態様は、特定の車両（プローブカー２０１、２０２・・・）の走行状態を記録した車両プローブデータ（Ｄ１）の入力を受け付けるデータ受付部（１０１）と、前記受け付けた車両プローブデータ（Ｄ１）に基づいて、前記特定の車両が特定の充電設備（３０１、３０２・・・）において充電を行う意思決定の要因となる因子情報の実績値と、当該特定の車両の、前記特定の充電設備における電力需要を示す実績値と、の相関関係を示す個別モデル（Ｍ１、Ｍ２・・・）を、前記特定の車両別、または、当該特定の車両の利用者別に生成する個別モデル生成部（１１２）と、前記生成した個別モデルに基づいて、前記特定の車両の、前記特定の充電設備における電力需要の予測値を算出する需要予測演算部（１１３）と、を備える電力需要予測装置（１００）である。
このような電力需要予測装置によれば、電気自動車の利用者別に個別モデルを生成し、当該利用者各々の充電の意思決定の特徴を反映した予測処理を行う。したがって、利用者の意思に基づいた精度の高い電力需要予測を行うことができる。

また、本発明の一態様は、上述の電力需要予測装置において、前記個別モデル生成部が、前記因子情報として、少なくとも、運転率、所定エリア別の存在率、及び、バッテリーの充電率を含むことを特徴とする。
このような電力需要予測装置によれば、意思決定の要因として、利用者が車両を運転中か否か、車両がどこに存在するか、及び、バッテリーの充電率がどの程度低下したか、という情報を、充電を行うか否かの意思決定の要因となる因子情報として取り入れることができる。

また、本発明の一態様は、上述の電力需要予測装置において、前記個別モデル生成部が、前記受け付けた車両プローブデータに基づいて、前記電力需要の実績値として、前記特定の車両の、前記特定の充電設備における時間帯別の利用率を示す利用率実績データ（Ｄ２０）を抽出することを特徴とする。
このような電力需要予測装置によれば、電力需要の予測値として、特定の充電設備がある時間帯において利用されている率を予測することができる。

また、本発明の一態様は、上述の電力需要予測装置において、前記個別モデル生成部が、互いに類似する相関関係を有する複数の前記個別モデルの組からなる生活スタイルモデル（Ｎ１、Ｎ２・・・）を構築し、前記需要予測演算部は、特定の地域において活動する活動者の、前記生活スタイルモデルに該当する人口の構成比率に基づいて、当該特定の地域に属する充電設備別に電力需要の予測値を算出することを特徴とする。
このような電力需要予測装置によれば、その生活スタイルモデル別に充電設備の利用率を予測するとともに、その予測結果に対し、特定の地域の各生活スタイルに属する人口の構成比率に応じた重みづけの調整を行うことができる。したがって、地域全体の電力需要予測の精度を高めることができる。

また、本発明の一態様は、上述の電力需要予測装置において、前記データ受付部が、さらに、前記充電設備の各々で取得される情報であって、当該充電設備において行われる充電に関する情報が記録された充電設備データの入力を受け付け、前記個別モデル生成部は、前記充電設備データに基づいて個別モデルを生成することを特徴とする。
このような電力需要予測装置によれば、特定の車両から取得される車両プローブデータのみならず、各充電設備において取得される充電に関する種々の情報に基づいて個別モデルを構築できる。これにより、各個人の充電の意思決定をより精度よく反映した個別モデルを生成でき、予測の精度を一層高めることができる。

また、本発明の一態様は、上述の電力需要予測装置と、自車両の走行状態を記録可能な複数のプローブカー（２０１、２０２・・・）と、前記電力需要予測装置の予測結果に応じて、前記充電設備別に供給電力を調整する供給電力管理装置（４００）と、を備える電力供給システム（１）である。
このような電力供給システムによれば、供給電力管理装置が電力需要予測装置による精度の高い予測結果に応じて充電設備別に供給電力を調整するので、電力供給サービスの提供を一層効率化することができる。

また、本発明の一態様は、特定の車両の走行状態を記録した車両プローブデータの入力を受け付けて、前記受け付けた車両プローブデータに基づいて、前記特定の車両が特定の充電設備において充電を行う意思決定の要因となる因子情報の実績値と、当該特定の車両の、前記特定の充電設備における電力需要を示す実績値と、の相関関係を示す個別モデルを、前記特定の車両別、または、当該特定の車両の利用者別に生成し、前記生成した個別モデルに基づいて、前記特定の車両の、前記特定の充電設備における電力需要の予測値を算出することを特徴とする電力需要予測方法である。
このような電力需要予測方法によれば、電気自動車の利用者別に個別モデルを生成し、当該利用者各々の充電の意思決定の特徴を反映した予測処理を行う。したがって、利用者の意思に基づいた精度の高い電力需要予測を行うことができる。

また、本発明の一態様は、電力需要予測装置のコンピュータを、特定の車両の走行状態を記録した車両プローブデータに基づいて、前記特定の車両が特定の充電設備において充電を行う意思決定の要因となる因子情報の実績値と、当該特定の車両の、前記特定の充電設備における電力需要を示す実績値と、の相関関係を示す個別モデルを、前記特定の車両別、または、当該特定の車両の利用者別に生成する個別モデル生成手段、前記生成した個別モデルに基づいて、前記特定の車両の、前記特定の充電設備における電力需要の予測値を算出する需要予測演算手段、として機能させるプログラムである。
このようなプログラムによれば、個別モデル生成手段が、電気自動車の利用者別に個別モデルを生成し、当該利用者各々の充電の意思決定の特徴を反映した予測処理を行う。したがって、利用者の意思に基づいた精度の高い電力需要予測を行うことができる。

上述の電力需要予測装置、電力供給システム、電力需要予測方法及びプログラムによれば、限られた実績データに基づいて、より精度の高い電力の需要予測が可能となる。

第１の実施形態に係る電力供給システムの概要を示す図である。 第１の実施形態に係る電力需要予測装置の機能構成を示す図である。 第１の実施形態に係るデータ蓄積処理部が記憶する車両プローブデータの詳細を示す図である。 第１の実施形態に係る個別モデル生成部の機能を説明する第１の図である。 第１の実施形態に係る個別モデル生成部の機能を説明する第２の図である。 第１の実施形態に係る個別モデル生成部の機能を説明する第３の図である。 第１の実施形態に係る個別モデル生成部の機能を説明する第４の図である。 第１の実施形態に係る個別モデル生成部の機能を説明する第５の図である。 第１の実施形態に係る需要予測演算部の機能を説明する第１の図である。 第１の実施形態に係る需要予測演算部の機能を説明する第２の図である。 第１の実施形態の変形例に係る個別モデル生成部の機能を説明する図である。 第２の実施形態に係る電力需要予測装置の機能構成を示す図である。 第２の実施形態に係る個別モデル生成部の機能を説明する図である。 第２の実施形態に係る需要予測演算部の機能を説明する図である。 第２の実施形態の変形例に係る需要予測演算部の機能を説明する図である。 第３の実施形態に係る電力需要予測装置の機能構成を示す図である。

＜第１の実施形態＞
以下、第１の実施形態に係る電力供給システムについて説明する。
第１の実施形態に係る電力供給システムは、プローブカーから得られる車両プローブデータを用いて、当該プローブカーを利用する個人行動をモデル化した個別モデルを生成する。そして、特定の地域（例えば、一都市）において活動する活動者（集団）を代表する各個人の特徴を反映した個別モデルを用いて、当該特定の地域における各充電設備の電力需要（本実施形態では、各充電設備の「利用率」）の予測を行う。なお、ここで、「活動者」とは、上記特定の地域において生活する住民の他、通勤、通学、行楽等の目的で、当該地域内で種々の活動を行う者全体を指す。

（全体構成）
図１は、第１の実施形態に係る電力供給システムの概要を示す図である。
第１の実施形態に係る電力供給システム１は、電力需要予測装置１００と、複数のプローブカー２０１、２０２・・・と、複数の充電設備３０１、３０２・・・と、供給電力管理装置４００と、を備えている。
電力供給システム１は、特定の地域（例として、都市Ｔ１）において電気自動車用の電力供給サービスを提供する。具体的には、電力供給システム１は、都市Ｔ１の各箇所に設置された充電設備３０１、３０２・・・を介して、都市Ｔ１を走行する電気自動車にバッテリー充電用の電力を供給する。

電力需要予測装置１００は、プローブカー２０１、２０２・・・の各々から複数の車両プローブデータＤ１（後述）を入力し、当該車両プローブデータＤ１に基づいて、充電設備３０１、３０２・・・の各々における電力需要（時間帯別の利用率）の予測を行う。

プローブカー２０１、２０２・・・は、都市Ｔ１に属する住民のうち特定の利用者が利用する電気自動車である。プローブカー２０１、２０２・・・は、専用の車載器（図示せず）を搭載し、当該車載器により、自車両の走行状態を一定時間ごとに記録可能となっている。例えば、プローブカー２０１、２０２・・・は、自車両の走行状態として、自車両が運転中か否かを示す運転状態情報、自車両の位置を特定する車両位置情報（例えばＧＰＳ（Global Positioning System）による緯度・経度情報）、搭載するバッテリーの充電率［％］（残容量）を示すＳＯＣ（State Of Charge）情報を一定時間ごと（例えば、一時間ごと）に記録可能とする。
なお、プローブカー２０１、２０２・・・が取得可能な走行状態の内容は上記に限定されず、他にも、走行距離や、搭載する速度・加速度センサを介して取得される速度・加速度情報等、さらに、プローブカー２０１、２０２・・・の停止中、充電中における各種情報が記録されてもよい。また、プローブカー２０１、２０２・・・は、自車両の走行状態を「一定時間ごと」に取得する態様に限定されず、その他、任意に定められる特定の事象が発生する度に記録する態様であってもよい。具体的には、例えば、プローブカー２０１、２０２・・・は、一定走行距離ごと、一定の車両状態の変化（走行状態から停車状態への移行時、主電源のオンオフ、ヘッドライトのオンオフ）ごとに、その時点における自車両の走行状態を記録するものとしてもよい。

充電設備３０１、３０２・・・は、都市Ｔ１の各所に設置される。電気自動車の利用者は、各所に設置された充電設備３０１、３０２・・・に赴いて電気自動車の充電を行う。なお、本実施形態においては、図１に示すように、各充電設備３０１、３０２・・・は、都市Ｔ１に属する所定のエリアＡ１、Ａ２、Ａ３・・・の各々に設置される。

供給電力管理装置４００は、電力需要予測装置１００による電力需要（充電設備３０１、３０２・・・各々についての時間帯別の利用率）の予測結果に基づいて、充電のために必要な電力が各充電設備３０１、３０２・・・から供給可能となるように、配電計画に反映させる。

（電力需要予測装置の機能構成）
図２は、第１の実施形態に係る電力需要予測装置の機能構成を示す図である。
図２に示すように、本実施形態に係る電力需要予測装置１００は、データ受付部１０１と、データ出力部１０２と、ＣＰＵ（Central Processing Unit）１１０と、プローブデータ記憶部１２０と、個別モデル記憶部１２１と、を備えている。

データ受付部１０１は、プローブカー２０１、２０２・・・の各々から車両プローブデータＤ１の入力を受け付ける通信モジュールである。ここで、プローブカー２０１、２０２・・・の各車載器は、取得した車両プローブデータＤ１を、所定の通信手段を介して自動的にデータ受付部１０１に出力する。なお、各車載器が自動的に車両プローブデータＤ１をデータ受付部１０１に送信する態様の他、電力供給システム１の利用者（管理者）が、手動により、各車載器からデータ受付部１０１に送信する処理を行ってもよい。

データ出力部１０２は、後述するＣＰＵ１１０の算出処理により得られた利用率予測データＤ２０Ｆを、供給電力管理装置４００に出力する通信モジュールである。

ＣＰＵ１１０は、電力需要予測装置１００の処理全体を司る汎用のＣＰＵである。ＣＰＵ１１０は、記憶領域に読み込まれた専用のプログラムに従って動作することで、データ蓄積処理部１１１、個別モデル生成部１１２、需要予測演算部１１３としての機能を実現する。各機能の詳細については後述する。

プローブデータ記憶部１２０は、ＣＰＵ１１０（後述するデータ蓄積処理部１１１）の処理により、取得された車両プローブデータＤ１が格納される記憶領域である。
個別モデル記憶部１２１は、ＣＰＵ１１０（後述する個別モデル生成部１１２）が生成した、各プローブカー２０１、２０２・・・の個別モデルが記憶される記憶領域である。
なお、上述のプローブデータ記憶部１２０及び個別モデル記憶部１２１は、単一の記憶装置に記憶される態様であってもよい。

上述したように、本実施形態に係るＣＰＵ１１０は、データ蓄積処理部１１１、個別モデル生成部１１２及び需要予測演算部１１３としての機能を有する。
データ蓄積処理部１１１は、データ受付部１０１を介して入力された車両プローブデータＤ１を逐次プローブデータ記憶部１２０に記憶する。データ蓄積処理部１１１が蓄積する車両プローブデータＤ１の内容については後述する。

個別モデル生成部１１２は、プローブデータ記憶部１２０に蓄積された過去の車両プローブデータＤ１に基づいて、プローブカー２０１、２０２・・・（利用者Ｐ１、Ｐ２・・・）の各々に対応する個別モデルＭ１、Ｍ２・・・を生成する処理を行う。ここで、「個別モデル」とは、各利用者のプローブカー２０１、２０２・・・の利用上の特徴（特に、充電の意思決定の特徴）を反映したシミュレーションモデルである。個別モデル生成部１１２は、生成した個別モデルＭ１、Ｍ２・・・を個別モデル記憶部１２１に記憶する。
また、個別モデル生成部１１２は、図２に示すように、内部に備える因子情報抽出部１１２ａと、電力需要情報抽出部１１２ｂと、モデル構築処理部１１２ｃと、の処理に基づいて個別モデルを生成する。因子情報抽出部１１２ａ、電力需要情報抽出部１１２ｂ及びモデル構築処理部１１２ｃの具体的な処理内容については後述する。

需要予測演算部１１３は、個別モデル記憶部１２１に記憶された個別モデルＭ１、Ｍ２・・・と、新たに入力された車両プローブデータＤ１と、に基づいて、充電設備３０１、３０２・・・の各々における時間帯別の利用率の予測値（利用率予測データＤ２０Ｆ）を算出する。

（データ蓄積処理部の機能）
図３は、第１の実施形態に係るデータ蓄積処理部が記憶する車両プローブデータの詳細を示す図である。
上述したように、データ蓄積処理部１１１は、各プローブカー２０１、２０２・・・に取得された車両プローブデータＤ１を、プローブデータ記憶部１２０に逐次記憶、蓄積していく。例として、データ蓄積処理部１１１は、図３に示すような態様で車両プローブデータＤ１を記憶する。具体的には、図３に示すように、プローブデータ記憶部１２０には、プローブカー２０１、２０２・・・の各々を識別する車両ＩＤと、日付及び時間帯と、車両が運転中か否か（稼働中か否か）を示す運転状態情報と、車両位置を特定する緯度・経度情報と、搭載するバッテリーの充電量（残容量）を示すＳＯＣ情報と、が記録される。データ蓄積処理部１１１は、例えば、３０分おきに記録される運転状態情報、緯度・経度情報、ＳＯＣ情報を抽出してプローブデータ記憶部１２０に記憶する。
なお、プローブデータ記憶部１２０には、各プローブカー２０１、２０２・・・の過去に取得された一つ以上の車両プローブデータＤ１が記憶されている。なお、車両プローブデータＤ１としては、例えば、過去数か月〜数年分の各種情報が複数記憶、蓄積されているのが望ましい。
また、プローブデータ記憶部１２０に記憶される車両プローブデータＤ１の態様は、図３に示すものに限定されず、プローブカー２０１、２０２・・・の走行に関する他の項目（例えば、走行距離、速度・加速度情報等）が記録されるものであってもよい。また、充電時に取得される充電設備ＩＤを記録して、いずれの充電設備３０１、３０２・・・を利用して充電を行っていたかを把握可能としてもよい。

（個別モデル生成部の機能）
個別モデル生成部１１２の因子情報抽出部１１２ａは、プローブデータ記憶部１２０に記憶された車両プローブデータＤ１（図３）を参照して、因子情報の実績値である因子実績データＤ１０を抽出する。ここで、「因子情報」とは、各プローブカー２０１、２０２・・・の利用者Ｐ１、Ｐ２・・・が、各充電設備３０１、３０２・・・において充電を行う意思決定の要因となり得る種々の情報である。具体的には、因子情報抽出部１１２ａは、車両プローブデータＤ１から、因子情報の実績値（因子実績データＤ１０）として、以下に説明する時間帯別運転率データＤ１１、時間帯別活動エリアＤ１２等を抽出する。

（時間帯別運転率データ）
図４は、第１の実施形態に係る個別モデル生成部の機能を説明する第１の図である。
因子情報抽出部１１２ａは、プローブデータ記憶部１２０に記憶された車両プローブデータＤ１から、因子実績データＤ１０の一つである時間帯別運転率データＤ１１を抽出する。ここで、時間帯別運転率データＤ１１は、図４に示すように、利用者がプローブカー２０１、２０２・・・の運転を行っている率（プローブカー２０１、２０２・・・が稼働中である率）を所定期間（例えば、一週間）の時間帯別に区分して示した情報である。具体的には、因子情報抽出部１１２ａは、プローブデータ記憶部１２０に蓄積された過去の車両プローブデータＤ１から、曜日、時間帯別の運転状態情報（図３）を参照し、当該曜日、時間帯において運転中である率を算出することで時間帯別運転率データＤ１１を得る。
なお、図４においては、例として、一週間に渡っての時間帯別の運転率を示しているが、例えば、一週間ではなく一か月や一年に渡っての時間帯別の運転率を示すものであってもよい。また、以下に説明する「時間帯別活動エリアデータ」、「時間帯別ＳＯＣデータ」等についても同様である。

図４には、利用者Ｐ１（プローブカー２０１）の車両プローブデータＤ１に基づいて抽出された時間帯別運転率データＤ１１を例示している。例えば、利用者Ｐ１は、通勤の時間帯（月曜日から金曜日の８時前後と１８時前後）において運転率が高い傾向が示されている。このことから、利用者Ｐ１は、主に通勤にプローブカー２０１を用いていることが推察される。
因子情報抽出部１１２ａは、同じようにして、他の利用者Ｐ２、Ｐ３・・・（プローブカー２０２、２０３・・・）についての時間帯別運転率データＤ１１を抽出する。

（時間帯別活動エリアデータ）
図５は、第１の実施形態に係る個別モデル生成部の機能を説明する第２の図である。
因子情報抽出部１１２ａは、プローブデータ記憶部１２０に記憶された車両プローブデータＤ１から、因子実績データＤ１０の一つである時間帯別活動エリアデータＤ１２を抽出する。ここで、時間帯別活動エリアデータＤ１２は、図５に示すように、利用者（プローブカー２０１、２０２・・・）が属しているエリア（区画エリアＡ１、Ａ２・・・）を一週間の時間帯別に区分して示した情報である。具体的には、因子情報抽出部１１２ａは、プローブデータ記憶部１２０に蓄積された過去の車両プローブデータＤ１から、曜日、時間帯別の緯度・経度情報（図３）を参照することで、各曜日、時間帯において利用者Ｐ１、Ｐ２・・・（プローブカー２０１、２０２・・・）の、所定のエリア別（各区画エリアＡ１、Ａ２別）の存在率が特定された時間帯別活動エリアデータＤ１２を得る（図５参照）。

（時間帯別ＳＯＣデータ）
図６は、第１の実施形態に係る個別モデル生成部の機能を説明する第３の図である。
因子情報抽出部１１２ａは、さらに、プローブデータ記憶部１２０に記憶された車両プローブデータＤ１から、因子実績データＤ１０の一つである時間帯別ＳＯＣデータＤ１３等を抽出する。ここで、時間帯別ＳＯＣデータＤ１３は、図６に示すように、利用者（プローブカー２０１、２０２・・・）の時間帯別のＳＯＣ［％］を所定のセンサを介して記録した情報である。これにより、個別モデル生成部１１２は、後述するように、ＳＯＣがどの程度まで減少した場合に充電を行うか、という各利用者の個人行動の傾向（充電の意思決定の特徴）を取得することができる。

また、因子情報抽出部１１２ａは、さらに、上記以外の因子実績データＤ１０を抽出してもよい。例えば、因子情報抽出部１１２ａは、車両プローブデータＤ１の車両位置と時間帯別ＳＯＣとを参照して、いずれの充電設備３０１、３０２・・・を利用して充電を行っているかを特定し、利用者Ｐ１、Ｐ２・・・が利用する充電設備３０１、３０２・・・の統計を示す受電器利用場所データＤ１４を取得してもよい（図６参照）。これにより、利用者Ｐ１、Ｐ２・・・が最も良く使う充電設備３０１、３０２・・・を把握することができる。なお、車両プローブデータＤ１に充電設備ＩＤが記録されていた場合には、当該充電設備ＩＤ別の利用回数等を抽出して受電器利用場所データＤ１４を取得してもよい。

また、図６には図示していないが、因子情報抽出部１１２ａは、さらに、車両プローブデータＤ１の時間帯別ＳＯＣを参照して、充電を行っている時間帯（ＳＯＣが回復している時間帯）を示す充電時間帯情報Ｄ１５、単位時間帯当たりのＳＯＣ上昇量から算出される充電速度情報Ｄ１６等を抽出してもよい。これにより、利用者Ｐ１、Ｐ２・・・が充電設備３０１、３０２・・・を最も良く利用する時間帯や、充電速度情報Ｄ１６に基づいて、利用者Ｐ１、Ｐ２・・・が急速充電でよく充電するか否か、等を把握することができる。
本実施形態に係る個別モデル生成部１１２は、以上のようにして、複数の因子情報の過去の実績値からなる因子実績データＤ１０を抽出する。

（利用率実績データ）
図７は、第１の実施形態に係る個別モデル生成部の機能を説明する第４の図である。
次に、個別モデル生成部１１２は、プローブデータ記憶部１２０に記憶された過去の車両プローブデータＤ１（図３）を参照して、各充電設備３０１、３０２・・・の電力需要の実績値（電力需要実績データ）を抽出する。本実施形態においては、具体的には、個別モデル生成部１１２の電力需要情報抽出部１１２ｂが、充電設備３０１、３０２・・・各々における電力需要の実績値として、各々の時間帯別の利用率の実績値を示す利用率実績データＤ２０を抽出する。
ここで、利用率実績データＤ２０は、過去に蓄積された車両プローブデータＤ１に基づいて、利用者Ｐ１、Ｐ２・・・が、曜日・時間帯別の充電設備３０１、３０２・・・の利用頻度（利用率）を示した統計データである（図７参照）。例えば、利用者Ｐ１についての充電設備３０１の利用率実績データＤ２０によれば、利用者Ｐ１は、平日全体に渡って１８時前後に充電設備３０１を利用している頻度（率）が高いことを読み取ることができる（図７参照）。
具体的には、電力需要情報抽出部１１２ｂは、車両プローブデータＤ１の車両位置情報や時間帯別ＳＯＣ情報（図３）に基づいて、各曜日・時間帯別に充電設備３０１、３０２・・・の各々を利用中であるか否かを抽出し、その頻度を利用率として算出する。このようにすることで、電力需要情報抽出部１１２ｂは、予測の対象とする情報（即ち、充電設備３０１、３０２・・・の時間帯別の利用率）の、利用者Ｐ１、Ｐ２・・・別の過去の実績値である利用率実績データＤ２０を得る。

（個別モデルの構築）
図８は、第１の実施形態に係る個別モデル生成部の機能を説明する第５の図である。
次に、図８を参照しながら、上述の要因実績データＤ１０と、利用率実績データＤ２０と、に基づいて個別モデルを生成するモデル構築処理部１１２ｃの機能について説明する。
モデル構築処理部１１２ｃは、プローブデータ記憶部１２０に蓄積されたプローブカー２０１、２０２・・・の車両プローブデータＤ１の各々から抽出された複数の要因実績データＤ１０と、利用率実績データＤ２０と、を入力して、これらの相関関係を示す個別モデルＭ１、Ｍ２・・・を、利用者Ｐ１、Ｐ２・・・別（即ちプローブカー２０１、２０２・・・別）に生成する。

具体的には、例えば、モデル構築処理部１１２ｃは、利用者Ｐ１（プローブカー２０１）に係る因子情報の実績値である各因子実績データＤ１０（時間帯別運転率データＤ１１、時間帯別活動エリアデータＤ１２・・・（図４〜図６））の各々を、個別モデルＭ１の因子ｘ_１、ｘ_２、・・・とする。また、モデル構築処理部１１２ｃは、利用者Ｐ１に係る利用率実績データＤ２０（図７）として抽出された各充電設備３０１、３０２・・・の利用率の実績値を応答ｙ_１、ｙ_２・・・とする。ここで、応答ｙ_１、ｙ_２・・・は、個別モデルＭ１における因子ｘ_１、ｘ_２・・・の入力に対する応答である。

次に、モデル構築処理部１１２ｃは、因子ｘ_１、ｘ_２・・・に対する応答ｙ_１、ｙ_２・・・の相関関係を示す個別モデルＭ１を生成する。この個別モデルＭ１は、利用者Ｐ１（プローブカー２０１）に対応する。図８に示すように、例えば、利用者Ｐ１が充電設備３０１を利用する率ｙ_１と、因子ｘ_１、ｘ_２・・・との相関関係は、式（１）で表される。

ここで、式（１）の各因子ｘ_１、ｘ_２・・・に係る係数ａ_１１、ｂ_１１・・・は、因子ｘ_１、ｘ_２・・・の因子負荷量である。すなわち、この係数（因子負荷量）が大きい因子ほど応答ｙ_１（即ち利用率）との相関関係が強く、小さい因子ほど応答ｙ_１との相関関係が弱いことを示す。

例えば、因子ｘ_１が時間帯別運転率データＤ１１であって係数ａ_１１の値が大きい場合、これは、利用者Ｐ１の充電設備３０１における利用率（応答ｙ_１）は、時間帯別の運転率（因子ｘ_１）に強い因果関係があることを表している。すなわち、これは、「利用者Ｐ１は、運転を行うたびに、ほぼ確実に充電設備３０１で充電を行っている」という利用者Ｐ１自身の特徴を説明している。
同様に、因子ｘ_２が時間帯別活動エリアデータＤ１２であって係数ｂ_１１の値が小さい場合、これは、利用者Ｐ１の充電設備３０１における利用率（応答ｙ_１）は、時間帯別の活動エリア（因子ｘ_２）とは因果関係が認められないことを表している。すなわち、これは、「利用者Ｐ１は、最初に属していた活動エリアがいずれであったとしても、充電を行うときはほぼ必ず充電設備３０１を使う」という利用者Ｐ１自身の特徴を説明している。

このように、本実施形態に係る個別モデル生成部１１２は、過去に取得された既知の因子ｘ_１、ｘ_２・・・（因子実績データＤ１０）と、既知の応答ｙ_１、ｙ_２・・・（利用率実績データＤ２０）との相関関係を表す式の束を導出して、利用者Ｐ１に係る充電の意思決定の特徴を反映した個別モデルＭ１を生成する。

なお、既知の因子ｘ_１、ｘ_２・・・と、既知の応答ｙ_１、ｙ_２・・・と、から各々の相関関係を表す式（例えば、上述の式（１））を導出する手法としては、例えば、既知のモデル構築手法であるＳＶＭ（Support vector machine）やＮＮ（Neural network）等に基づくシミュレーションモデル構築手法を用いてもよいし、よりシンプルには、一般的な最小二乗法を用いてもよい。また、相関関係を表す式（１）は一例であって、他に、より複雑な相関関係を表す式（二次関数、指数・対数関数など）で表現される場合があってもよい。

図８に示すように、モデル構築処理部１１２ｃは、利用者Ｐ２、Ｐ３・・・（プローブカー２０２、２０３・・・）についても同様の処理を行い、各々の特徴が反映された個別モデルＭ２、Ｍ３・・・を生成する。そして、生成した各個別モデルＭ１、Ｍ２・・・を、個別モデル記憶部１２１に記憶する。
なお、以下の説明では、エリアＡ１に設置された充電設備３０１に関する応答ｙ_１と、利用者Ｐ１（プローブカー２０１）に関する因子ｘ_１、ｘ_２・・・と、の相関関係を示す関数として、式（２）のように記載する（図８参照）。

（需要予測演算部の機能）
図９は、第１の実施形態に係る需要予測演算部の機能を説明する第１の図である。
需要予測演算部１１３は、事前に個別モデル記憶部１２１に記憶されている各個別モデルＭ１、Ｍ２・・・に基づいて、利用者Ｐ１、Ｐ２・・・（プローブカー２０１、２０２・・・）の、充電設備３０１、３０２・・・の各々における電力需要の予測値を示す電力需要予測データを算出する。なお、本実施形態において電力需要の予測値とは、具体的には、充電設備３０１、３０２・・・各々における所定の時間帯別の利用率の予測値である。そして、需要予測演算部１１３は、当該利用率の予測値を示す利用率予測データＤ２０Ｆ（電力需要予測データ）を算出する。

具体的には、まず、需要予測演算部１１３は、直近に取得された利用者Ｐ１（プローブカー２０１）の車両プローブデータＤ１を入力し、当該直近の車両プローブデータＤ１に基づく因子実績データＤ１０（因子ｘ_１、ｘ_２・・・）を取得する（図９参照）。「直近に取得された車両プローブデータＤ１」とは、例えば、昨日（２４時間前）から現時点までに取得された車両プローブデータＤ１である。
次に、需要予測演算部１１３は、因子実績データＤ１０（因子ｘ_１、ｘ_２・・・）を、利用者Ｐ１に対応する個別モデルＭ１に入力し、その出力（応答ｙ_１、ｙ_２・・・）を算出する。より具体的には、需要予測演算部１１３は、各因子ｘ_１、ｘ_２・・・の値を、個別モデルＭ１に含まれる各関数（式（２）等）に代入し、各々の関数の解である応答ｙ_１、ｙ_２・・・を算出する。
ここで算出された応答ｙ_１、ｙ_２・・・は、利用者Ｐ１の特徴を反映した個別モデルＭ１に基づいて算出された値であって、利用者Ｐ１の将来の充電設備３０１、３０２・・・の利用率（個別利用率予測データＤ２０ｆ）を表している。
需要予測演算部１１３は、同様にして、事前に生成されている個別モデルＭ２、Ｍ３・・・に基づいて、各利用者Ｐ２、Ｐ３・・・の個別利用率予測データＤ２０ｆを算出する（図９参照）。なお、以下の説明では、利用者Ｐ１が所定の時間帯に充電設備３０１、３０２・・・を利用する率の予測値をｙ_１１、ｙ_１２・・・と表す。同様に、利用者Ｐ２が同時間帯に充電設備３０１、３０２・・・を利用する率の予測値をｙ_２１、ｙ_２２・・・と表す。

各利用者Ｐ１、Ｐ２・・・全てについての個別利用率予測データＤ２０ｆを算出すると、需要予測演算部１１３は、全ての個別利用率予測データＤ２０ｆを充電設備３０１、３０２・・・ごとに総計して、各充電設備３０１、３０２・・・の各時間帯における利用率の予測値を算出する。例えば、利用者Ｐ１、Ｐ２・・・の各々が、ある時間帯において充電設備３０１を利用する率が、ｙ_１１、ｙ_２１・・・であると予測された場合、充電設備３０１の当該時間帯における利用率の予測値Ｙ_１は、Ｙ_１＝ｙ_１１＋ｙ_２１＋ｙ_３１＋・・・として算出することができる。需要予測演算部１１３は、同様にして、他の充電設備３０２、３０３・・・の同時間帯における利用率の予測値Ｙ_２、Ｙ_３・・・を算出する（図９参照）。

図１０は、第１の実施形態に係る需要予測演算部の機能を説明する第２の図である。
需要予測演算部１１３は、上述の処理（図９参照）により、受電設備３０１、３０２・・・の各々についての近い将来（例えば、現時点から２４時間以内）の利用率の推移が予測された利用率予測データＤ２０Ｆを取得する（図１０参照）。
需要予測演算部１１３は、以上のようにして取得された各充電設備３０１、３０２・・・の利用率予測データＤ２０Ｆ（電力需要予測データ）を、データ出力部１０２を介して、供給電力管理装置４００に出力する。供給電力管理装置４００は、各充電設備３０１、３０２・・・の電力需要の予測結果（利用率予測データＤ２０Ｆ）に基づいて、各充電設備３０１、３０２・・・に対する電力の配電計画に反映させる。例えば、充電設備３０１の利用率が高くなると予測される時間帯においては、供給電力管理装置４００は、当該時間帯において、その需要に対応可能な電力供給が成されるように配電計画を生成する。これにより、電力供給システム１は、予め予測された各充電設備３０１、３０２・・・の電力需要に応じた必要分の電力を適切に生成・供給することができるので、電力供給サービス運用の効率化を図ることができる。

なお、上述の実施形態において、電力需要予測装置１００は、選出された利用者Ｐ１、Ｐ２・・・各々の意思決定の特徴（個別モデル）が反映された予測結果を、都市Ｔ１の住民全体についての予測結果としてそのまま適用する。この場合、プローブカー２０１、２０２・・・の利用者Ｐ１、Ｐ２・・・は、予測の対象とする地域である都市Ｔ１全体の住民の中から無作為に選出されるようにするようにしてもよい。このようにすることで、プローブカー２０１、２０２・・・を所有する利用者Ｐ１、Ｐ２・・・の集団の特徴を、都市Ｔ１の住民全体の特徴として近似することができる。

（効果）
充電の時期や充電場所は、利用者個人ごとの走行状況や嗜好によって異なるため、従来のシミュレーション手法では電力需要を精度よく予測することが困難であった。しかし、上述の第１の実施形態に係る電力供給システム１によれば、電力需要予測装置１００が、電気自動車の利用者別に個別モデルを生成し、当該利用者の各々の充電の意思決定の特徴を反映したシミュレーション解析を行う。したがって、利用者各々の生活スタイルや価値観などがシミュレーション解析に反映され、利用者の意思に基づいた精度の高い電力需要予測を行うことができる。
また、電力需要予測装置１００は、上述したように、各利用者の意思決定を反映した複数の個別モデルを生成し、これらの複数の個人の集まりを都市全体の集団と近似して電力需要を予測している。したがって、集団全体の行動傾向を直接モデル化するのに必要な実績データのデータ量よりも少ないデータ量でシミュレーションモデルを構築することができる。

また、精度の高いシミュレーションモデルを構築するためには、出力（解）との因果関係が強い因子を選択してモデル構築を行う必要がある。しかしながら、例えば、都市Ｔ１の集団全体の行動傾向をモデル構築の対象とした場合、当該集団全体の行動傾向について因果関係の強い因子が何かを見つけ出すのは困難である。したがって、集団の行動傾向を再現するモデルの精度を高めることには限界がある。
これに対し、本実施形態に係る電力需要予測装置１００は、個人レベルの充電の意思決定をモデル化することから始め、これを集団レベルの行動傾向に拡張している。ここで、個人の意思決定の要因となる情報（すなわち因子情報）が何であるかは容易に予測可能である。例えば、運転状態（車両を運転中か否か）、車両の位置（充電設備から近いか否か）、ＳＯＣ（ＳＯＣが減少しているか否か）、等の情報は、充電の意思決定の強い要因となり得る。したがって、個別モデルの構築に際し、因果関係が強い因子を選択してシミュレーションモデルを構築することができるため、予測の精度を一層高めることができる。

以上、第１の実施形態に係る電力供給システム１によれば、限られた実績データに基づいて、より精度の高い電力の需要予測が可能となる。

なお、電力供給システム１の態様は上述の態様に限定されず、例えば以下のように変更可能である。

図１１は、第１の実施形態の変形例に係る個別モデル生成部の機能を説明する図である。
第１の実施形態に係る個別モデル生成部１１２は、過去に蓄積された車両プローブデータＤ１に基づいて因子実績データＤ１０（因子ｘ_１、ｘ_２・・・）と、利用率実績データＤ２０（応答ｙ_１、ｙ_２・・・）との相関関係を、式（１）、（２）等の関数の束を導出することによって個別モデルを構築する。

この変形例として、例えば、個別モデル生成部１１２は、決定木学習に基づく各利用者Ｐ１、Ｐ２・・・の個別モデルＭ１’、Ｍ２’・・・を生成してもよい。例えば、図１１に示すように、モデル構築処理部１１２ｃは、因子実績データＤ１０及び利用率実績データＤ２０に基づいて、利用者Ｐ１の充電設備３０１に対する時間帯ごとの利用率の予測値を導出する個別モデルＭ１’（決定木モデル）を構築する。

例えば、図１１に例示する決定木モデルでは、利用者Ｐ１は、「充電設備３０１を利用するか否か？」という問いに対し、現時点において「運転中か否か？」、「距離が○○ｋｍ以内か否か？」、「ＳＯＣが△△％未満か否か？」・・・という条件を満たすか否か、の経路をたどり、「充電設備３０１を利用する」にたどり着くか、「充電設備３０１を利用しない」にたどり着くか、の割合を算出することで、利用率の予測値を導出する。
このように、意思決定の要因となる複数の条件（因子ｘ_１、ｘ_２・・・に相当）を満たしているか否か、によって導かれる意思決定の結果（応答ｙ_１、ｙ_２・・・に相当）をモデル化する。
このようにすることで、利用者Ｐ１、Ｐ２・・・各々の充電の意思決定をよりわかりやすく記述することができ、利用者Ｐ１、Ｐ２・・・各々が、何に基づいて充電を行うという意思に至ったか、をより明確化できる。そうすることで、例えば、新たな充電設備の設置やサービスの提供等により、充電設備３０１、３０２・・・各々の電力需要の調整を容易化させることができる。

なお、上述の電力供給システム１では、各充電設備３０１、３０２・・・の電力需要として、時間帯別の利用率を予測するものとして説明したが、他の実施形態においてはこの態様に限定されない。例えば、他の実施形態に係る電力供給システムは、予測の対象とする情報として、充電設備３０１、３０２・・・における時間帯別の供給電力量［ｋＷ］を予測の対象にしてもよい。具体的には、個別モデル生成部１１２の電力需要情報抽出部１１２ｂが、予測の対象とする応答ｙ_１、ｙ_２・・・に対し、充電設備３０１、３０２・・・別の「供給電力量」の実績データ（供給電力実績データ）を選択することで、当該供給電力量の予測結果である供給電力予測データを取得可能となる。

＜第２の実施形態＞
次に、第２の実施形態に係る電力供給システムについて説明する。
第１の実施形態に係る電力供給システムは、選出された利用者Ｐ１、Ｐ２・・・各々の意思決定の特徴（個別モデル）が反映された予測結果を、都市Ｔ１の住民全体についての予測結果としてそのまま適用するものとして説明した。
一方、第２の実施形態に係る電力供給システムは、複数の個別モデルのうち類似したものを生活スタイル別にまとめ、その生活スタイルに合致する人数比率で都市Ｔ１の住民全体についての予測結果を補正する。

図１２は、第２の実施形態に係る電力需要予測装置の機能構成を示す図である。
なお、図１２において、第１の実施形態と同一の機能構成については、同一の符号を付してその説明を省略する。
図１２に示すように、本実施形態に係る電力需要予測装置１００は、新たに、都市Ｔ１の住民データが記憶されている住民データ記憶部１２２を備えている。個別モデル生成部１１２は、さらに、生活スタイルモデル生成部１１２ｄを備えている。また、需要予測演算部１１３は、さらに、需要予測結果調整部１１３ａを備えている。

住民データ記憶部１２２は、都市Ｔ１の住民の各個人に関する情報（例えば、年齢、性別、居住地域、職業及び勤め先、車通勤か否か等）を記録した住民データが記録されている。また、住民データ記憶部１２２には、プローブカー２０１、２０２・・・の利用者（利用者Ｐ１、Ｐ２・・・）であるか否かが予め記録されている。

図１３は、第２の実施形態に係る個別モデル生成部の機能を説明する図である。
本実施形態に係る個別モデル生成部１１２の生活スタイルモデル生成部１１２ｄは、モデル構築処理部１１２ｃが生成した個別モデルＭ１、Ｍ２・・・のうち、互いに類似する相関関係（式（１）、（２）等の関数）を有する複数の個別モデルの組を生成する。

具体的には、生活スタイルモデル生成部１１２ｄは、例えば、各個別モデルＭ１、Ｍ２・・・の因子負荷量（式（１）の各係数ａ_１１、ｂ_１１・・・）を比較してその相違度を算出する。相違度は、例えば、因子負荷量ごとの誤差量の総計により算出されるものであってもよい。生活スタイルモデル生成部１１２ｄは、算出された相違度が予め与えられた所定の閾値未満であった場合に、互いに類似する相関関係を有するものと判定する。このようにして、生活スタイルモデル生成部１１２ｄは、個別モデルＭ１、Ｍ２、・・・のうち互いに相関関係が類似する組からなる生活スタイルモデルＮ１、Ｎ２・・・を生成する（図１３参照）。

また、生活スタイルモデル生成部１１２ｄは、生活スタイルモデルＮ１、Ｎ２・・・別に、因子ｘ_１、ｘ_２・・・と応答ｙ_１、ｙ_２・・・との相関関係を示す関数を算出する。具体的には、生活スタイルモデル生成部１１２ｄは、生活スタイルモデルＮ１、Ｎ２・・・各々に属する各個別モデルＭ１、Ｍ２・・・の関数の束（式（１）、（２）等、図８参照）の各々の平均を算出することで、各生活スタイルモデルＮ１、Ｎ２・・・の関数の束を算出する（図１３、生活スタイルモデルＮ１参照）。このようにすることで、個人の習慣的な行動から外れた突発的な行動に基づく誤差の影響を緩和することができ、最終的な予測精度を向上させることができる。
なお、各生活スタイルモデルＮ１、Ｎ２・・・の関数を求める方法は上記の方法（各個別モデルの平均）に限定されず、例えば、各個別スタイルＭ１、Ｍ２を構成する関数の中央値を選択するものであってもよい。

次に、生活スタイルモデル生成部１１２ｄは、例えば、生活スタイルモデルＮ１に属する個別モデルＭ１、Ｍ４、Ｍ５、・・・（図１３参照）の各々に対応する利用者Ｐ１、Ｐ４、Ｐ５・・・についての住民データを参照する。そして、生活スタイルモデル生成部１１２ｄは、利用者Ｐ１、Ｐ４、Ｐ５・・・についての住民データのうち互いに共通する住民データの要素を抽出する。そして、プローブデータ記憶部１２０は、生活スタイルモデルＮ１について、抽出された要素を関連付ける。例えば、生活スタイルモデルＮ１が「通勤時間帯における運転率が高い」という類似性を有する個別モデルＭ１、Ｍ４、Ｍ５・・・からなるであったとすると、その組に属する利用者Ｐ１、Ｐ４、Ｐ５・・・の住民データからは、所定の勤め先に自動車通勤する勤務者（車通勤層）に属するという共通のデータを関連付けることができる。
生活スタイルモデル生成部１１２ｄは、他の生活スタイルモデルＮ２、Ｎ３・・・についても同様の処理を行う。生活スタイルモデル生成部１１２ｄは、上記の他、例えば、「平日の日中に運転率が高い」という組に対し、「主婦層」という共通のデータを関連付けることができる。

図１４は、第２の実施形態に係る需要予測演算部の機能を説明する図である。
本実施形態に係る需要予測演算部１１３は、生活スタイルモデル生成部１１２ｄが生成した各生活スタイルモデルＮ１、Ｎ２・・・の利用率予測データを算出する。これは、第１の実施形態に係る需要予測演算部１１３の処理（図９）と同等の処理により算出することができる。ここで、以下の説明においては、生活スタイルモデルＮ１に属する利用者（利用者Ｐ１、Ｐ４、Ｐ５・・・）が充電設備３０１、３０２・・・の各時間帯に利用率をｙ_１１、ｙ_１２・・・と表す。同様に、生活スタイルモデルＮ２に属する利用者が同時間帯に充電設備３０１、３０２・・・を利用する率の予測値をｙ_２１、ｙ_２２・・・と表す。

本実施形態に係る需要予測演算部１１３の需要予測結果調整部１１３ａは、住民データ記憶部１２２に記憶された住民データを参照して、都市Ｔ１における生活スタイル別の構成比率データを算出する。ここで、図１４には、需要予測結果調整部１１３ａが、都市Ｔ１の生活スタイル別の構成比率を算出して得た人口構成比率データの例を示している。図１４に示すように、需要予測結果調整部１１３ａは、都市Ｔ１の人口について、「車通勤層」に属する人口が４０％、「主婦層」に属する人口が１５％、・・・等と算出する。

各生活スタイルモデルＮ１、Ｎ２・・・のある時間帯における充電設備３０１の利用率が、ｙ_１１、ｙ_２１・・・であると予測された場合、需要予測結果調整部１１３ａは、充電設備３０１の当該時間帯における利用率の予測値Ｙ_１を、式（３）によって算出する。

ここで、式（３）の係数α、β、γ・・・は、都市Ｔ１における各生活スタイルモデルＮ１、Ｎ２、Ｎ３・・・に属する人口別の構成比率（図１４参照）である。同様にして、需要予測結果調整部１１３ａは、他の充電設備３０２、３０３・・・の同時間帯における利用率の予測値Ｙ_２、Ｙ_３・・・を算出する（式（４）参照）。

このようにすることで、需要予測結果調整部１１３ａは、生活スタイルモデルＮ１、Ｎ２・・・別に算出された個別利用率予測データＤ２０ｆ（応答ｙ_１１、ｙ_１２・・・等）に対し、都市Ｔ１の人口構成比率別に重みづけ（係数α、β、γの乗算）を行った上で合算するので、都市Ｔ１全体の電力需要予測の精度を一層高めることができる。

（効果）
上述の第２の実施形態に係る電力供給システム１によれば、電力需要予測装置１００は、生成した個別モデルＭ１、Ｍ２・・・を共通する生活スタイル別にまとめた生活スタイルモデルＮ１、Ｎ２・・・を生成する。そして、その生活スタイルモデルＮ１、Ｎ２・・・別に充電設備の利用率を予測するとともに、その予測結果ごとに、各生活スタイルに属する人口の構成比率に応じた重みづけを行う。したがって、プローブカー２０１、２０２・・・を所有する利用者Ｐ１、Ｐ２・・・の行動傾向を、そのまま予測の対象とする集団全体の行動傾向として近似するよりも、電力需要予測の精度を高めることができる。

以上、第２の実施形態に係る電力供給システムによれば、限られた実績データに基づいて、さらに精度の高い電力の需要予測が可能となる。

上述した第２の実施形態に係る電力供給システムは、さらに以下のようにも変形可能である。

図１５は、第２の実施形態の変形例に係る需要予測演算部の機能を説明する図である。
当該変形例に係る電力需要予測装置１００の住民データ記憶部１２２には、都市Ｔ１の他、都市Ｔ２に属する住民の住民データが記憶されている。そして、図１５に示すように、当該変形例に係る需要予測演算部１１３の需要予測結果調整部１１３ａは、都市Ｔ２についての人口構成比率データを算出する。そして、需要予測結果調整部１１３ａは、式（３）、（４）と同様に、都市Ｔ２についての人口構成比率に基づいて利用率予測データＤ２０Ｆを算出する。例えば、図１５に示す都市Ｔ２の場合、α＝３０％、β＝２５％、γ＝１０％を、式（３）、（４）に代入して利用率予測データＤ２０を算出する。
このようにすることで、都市Ｔ１について構築された生活スタイルモデルＮ１、Ｎ２・・・を利用して、プローブカー２０１、２０２・・・によるデータ取得を行っていない都市Ｔ２についても電力需要を予測することが可能になる。したがって、他の地域において新たにデータを取得して個別モデルを構築するよりも予測の手間を軽減することができる。

＜第３の実施形態＞
次に、第３の実施形態に係る電力供給システムについて説明する。
第３の実施形態に係る電力供給システムでは、充電設備３０１、３０２・・・が充電に関する情報（充電設備データＤ２）を取得可能となっている。

（電力需要予測装置）
図１６は、第３の実施形態に係る電力需要予測装置の機能構成を示す図である。
充電設備３０１、３０２・・・は、各々の充電に関する情報を記録可能とし、さらに、当該記録した充電設備データＤ２を電力需要予測装置１００に出力する。充電設備データＤ２は、例えば、充電設備３０１、３０２・・・各々における充電機器の占有率、利用した車両を特定する車両ＩＤ、充電電力量、充電方式（急速充電か否か、等）、利用料金、付加価値の有無（ポイントサービスの利用の可否等）などの情報が記録されている。

本実施形態に係るデータ蓄積処理部１１１は、データ受付部１０１を介して車両プローブデータＤ１と充電設備データＤ２の両方を受け付けて、プローブデータ記憶部１２０に記憶する。そして、個別モデル生成部１１２は、プローブデータ記憶部１２０に蓄積された車両プローブデータＤ１及び充電設備データＤ２の両方に基づいて個別モデルＭ１、Ｍ２・・・（または、生活スタイルモデルＮ１、Ｎ２・・・）を生成する。このようにして生成された個別モデルＭ１、Ｍ２・・・は、さらに、各充電設備３０１、３０２・・・における時間帯別の混雑の度合い、利用料金、付加価値の有無などを、充電の意思決定の要因として取り入れたものになる。したがって、個別モデル生成部１１２は、各個人の充電の意思決定をより精度よく反映した個別モデルを生成することができる。

（効果）
以上、第３の実施形態に係る電力供給システムによれば、電力需要予測装置１００がプローブカー２０１、２０２・・・から取得される車両プローブデータＤ１のみならず、充電設備３０１、３０２・・・から取得される充電設備データＤ２に基づいて個別モデルＭ１、Ｍ２・・・を構築する。これにより、各個人の充電の意思決定をより精度よく反映した個別モデルを生成でき、予測の精度を一層高めることができる。

なお、上述の第３の実施形態に係る電力需要予測装置１００は、車両プローブデータＤ１と、充電設備データＤ２との両方に基づいて個別モデルＭ１、Ｍ２・・・を生成する態様としたが、他の実施形態に係る電力需要予測装置１００は、単に、充電設備データＤ２のみに基づいて個別モデルを生成してもよい。例えば、因子情報抽出部１１２ａが、複数の充電設備３０１、３０２・・・別に記録される充電を行った車両ＩＤを追跡することで、当該車両ＩＤに紐付けられた利用者個人の充電の意思決定を反映させた個別モデルを生成することは可能である。これにより、プローブカー２０１、２０２・・・を用いた車両プローブデータＤ１の収集作業を配することができ、予測のために必要な労力を軽減させることができる。

なお、上述の各実施形態に係る電力供給システムは、いずれも、電力需要予測装置１００の予測結果に基づいて供給電力管理装置４００が、予測結果に合わせた必要最小限の電力供給となるように配電計画に反映させることで、運用の効率化を図るものとして説明した。しかし、他の実施形態に係る電力供給システムは、受け付けた予測結果に応じて、都市Ｔ１に属する電気自動車の利用者に向けて、ある時間帯において所定の充電設備の利用を控えることを要求し、また、必要に応じて、別の時間帯において所定の充電設備の利用を促す内容のメールを通知する要求通知装置を有する態様であってもよい。例えば、この要求通知装置は、ある日の午後６時の時間帯において充電設備３０１の電力需要が著しく増加するという予測を受け付けた場合に、当該充電設備３０１の利用率が高い利用者に対して、その時間帯の利用を控え、電力需要が低いと予測された他の時間帯の利用を要求する旨のメールを送信する。これにより、各利用者がその要求に従うことで、電力需要のピークカット（ピークシフト）を簡便に行うことができる。
また、この場合、上述のような利用差し控え通知メールを受信の有無が、利用者Ｐ１、Ｐ２・・・各々の充電の意思決定の要因としてどの程度影響されるかを考慮した個別モデルを構築してもよい。これにより、上記利用差し控え通知メールの配信先の選定を効果的に実施することができる。

さらに、上述の各実施形態においては、プローブカー２０１、２０２・・・は、それぞれ利用者Ｐ１、Ｐ２・・・の各個人が所有していることを前提として説明した。すなわち、例えば、プローブカー２０１で取得される車両プローブデータＤ１から導かれる個別モデルＭ１は、プローブカー２０１の所有者である利用者Ｐ１の意思決定の特徴を反映しているものとした。
しかし、他の実施形態においては、プローブカー２０１、２０２・・・は、必ずしも一対一に個人（利用者Ｐ１、Ｐ２・・・）と対応させる態様としなくともよい。すなわち、ファミリーカーや社有車のように、あるプローブカー２０１を複数の利用者（例えば、利用者Ｐ１と利用者Ｐ２）がシェアしながら利用する態様が含まれていてもよい。この場合、当該プローブカー２０１の車両プローブデータＤ１に基づいて算出された個別モデルＭ１は、プローブカー２０１をシェアしながら利用する利用者Ｐ１、Ｐ２・・・各々の充電の意思決定の特徴が合わさって反映されたものとなる。
また、上述のように、一つのプローブカー２０１、２０２・・・を複数の利用者がシェアする場合において、プローブカー２０１、２０２・・・は、車両プローブデータＤ１を、利用者別に区別して取得できる態様であってもよい。例えば、プローブカー２０１、２０２・・・は、運転開始の際に、現運転者が利用者Ｐ１、Ｐ２・・・のいずれであるかを識別するための識別情報を受け付けるものとしてもよい。この場合、個別モデルＭ１は、利用者Ｐ１、Ｐ２・・・別に区別された車両プローブデータＤ１に基づいて算出されるので、当該利用者Ｐ１、Ｐ２・・・各々の意思決定が反映されたものとなる。

なお、上述の各実施形態における電力需要予測装置１００の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより工程を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、ホームページ提供環境（あるいは表示環境）を備えたＷＷＷシステムも含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（ＲＡＭ）のように、一定時間プログラムを保持しているものも含むものとする。

また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。また、上記プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であっても良い。

以上、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とする。

１ 電力供給システム
１００ 電力需要予測装置
１０１ データ受付部
１０２ データ出力部
１１０ ＣＰＵ
１１１ データ蓄積処理部
１１２ 個別モデル生成部
１１２ａ 因子情報抽出部
１１２ｂ 電力需要情報抽出部
１１２ｃ モデル構築処理部
１１２ｄ 生活スタイルモデル生成部
１１３ 需要予測演算部
１１３ａ 需要予測結果調整部
１２０ プローブデータ記憶部
１２１ 個別モデル記憶部
１２２ 住民データ記憶部
２０１、２０２・・・ プローブカー
３０１、３０２・・・ 充電設備
４００ 供給電力管理装置

Claims (8)

1. 特定の車両の走行状態を記録した車両プローブデータの入力を受け付けるデータ受付部と、
   前記受け付けた車両プローブデータに基づいて、前記特定の車両が特定の充電設備において充電を行う意思決定の要因となる因子情報の実績値と、当該特定の車両の、前記特定の充電設備における電力需要を示す実績値と、の相関関係を示す個別モデルを、前記特定の車両別、または、当該特定の車両の利用者別に生成する個別モデル生成部と、
   前記生成した個別モデルに基づいて、前記特定の車両の、前記特定の充電設備における電力需要の予測値を算出する需要予測演算部と、
   を備える電力需要予測装置。
2. 前記個別モデル生成部は、
   前記因子情報として、少なくとも、運転率、所定エリア別の存在率、及び、バッテリーの充電率を含む
   ことを特徴とする請求項１に記載の電力需要予測装置。
3. 前記個別モデル生成部は、
   前記受け付けた車両プローブデータに基づいて、前記電力需要の実績値として、前記特定の車両の、前記特定の充電設備における時間帯別の利用率を示す利用率実績データを抽出する
   ことを特徴とする請求項１または請求項２に記載の電力需要予測装置。
4. 前記個別モデル生成部は、
   互いに類似する相関関係を有する複数の前記個別モデルの組からなる生活スタイルモデルを構築し、
   前記需要予測演算部は、
   特定の地域において活動する活動者の、前記生活スタイルモデルに該当する人口の構成比率に基づいて、当該特定の地域に属する充電設備別の電力需要の予測値を算出する
   ことを特徴とする請求項１から請求項３の何れか一項に記載の電力需要予測装置。
5. 前記データ受付部は、
   さらに、前記充電設備の各々で取得される情報であって、当該充電設備において行われる充電に関する情報が記録された充電設備データの入力を受け付け、
   前記個別モデル生成部は、
   前記充電設備データに基づいて個別モデルを生成する
   ことを特徴とする請求項１から請求項４の何れか一項に記載の電力需要予測装置。
6. 請求項１から請求項５の何れか一項に記載の電力需要予測装置と、
   自車両の走行状態を記録可能な複数のプローブカーと、
   前記電力需要予測装置の予測結果に応じて、前記充電設備別に供給電力を調整する供給電力管理装置と、
   を備える電力供給システム。
7. 特定の車両の走行状態を記録した車両プローブデータの入力を受け付けて、
   前記受け付けた車両プローブデータに基づいて、前記特定の車両が特定の充電設備において充電を行う意思決定の要因となる因子情報の実績値と、当該特定の車両の、前記特定の充電設備における電力需要を示す実績値と、の相関関係を示す個別モデルを、前記特定の車両別、または、当該特定の車両の利用者別に生成し、
   前記生成した個別モデルに基づいて、前記特定の車両の、前記特定の充電設備における電力需要の予測値を算出する
   ことを特徴とする電力需要予測方法。
8. 電力需要予測装置のコンピュータを、
   特定の車両の走行状態を記録した車両プローブデータに基づいて、前記特定の車両が特定の充電設備において充電を行う意思決定の要因となる因子情報の実績値と、当該特定の車両の、前記特定の充電設備における電力需要を示す実績値と、の相関関係を示す個別モデルを、前記特定の車両別、または、当該特定の車両の利用者別に生成する個別モデル生成手段、
   前記生成した個別モデルに基づいて、前記特定の車両の、前記特定の充電設備における電力需要の予測値を算出する需要予測演算手段、
   として機能させるプログラム。

Images