JP6719753B2 - Demand factor analysis system and demand factor analysis method - Google Patents
Demand factor analysis system and demand factor analysis method Download PDFInfo
- Publication number
- JP6719753B2 JP6719753B2 JP2016098180A JP2016098180A JP6719753B2 JP 6719753 B2 JP6719753 B2 JP 6719753B2 JP 2016098180 A JP2016098180 A JP 2016098180A JP 2016098180 A JP2016098180 A JP 2016098180A JP 6719753 B2 JP6719753 B2 JP 6719753B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- power
- learning
- power data
- receiving point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000556 factor analysis Methods 0.000 title claims description 72
- 238000000034 method Methods 0.000 title claims description 29
- 238000005259 measurement Methods 0.000 claims description 50
- 238000010801 machine learning Methods 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004378 air conditioning Methods 0.000 description 18
- 238000009826 distribution Methods 0.000 description 18
- 230000005611 electricity Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Description
本発明は、ピーク電力(デマンド電力の最大値)の要因を特定するのに好適なデマンド要因分析システムおよびデマンド要因分析方法に関するものである。 The present invention relates to a demand factor analysis system and a demand factor analysis method suitable for identifying a factor of peak power (maximum value of demand power).
需要家の電力契約の電力料金は、前年度のピーク電力(デマンド電力の最大値)に基づいて決定されるため、ピーク電力を抑制したいというニーズは高くなっており、従来より需要家の電力特性を調べる電力診断業務が行われている。この電力診断業務は診断者が使用電力データを見える化し分析することで行われてきたが、非常に手間がかかるため、例えば特許文献1に示されるような方法・システムを使って業務支援が行われている。しかし、特許文献1のような方法・システムでは、計測対象電気機器ごとに詳細な使用電力データを計測し続ける必要があり、数が多いと診断コストが高くなるおそれがある。
Since the electricity tariff of the electricity contract of the consumer is determined based on the peak electricity of the previous year (the maximum value of the demand electricity), there is an increasing need to suppress the peak electricity. Power diagnosis work is being conducted. This power diagnostic work has been performed by a diagnostician visualizing and analyzing the power usage data. However, it takes a lot of time and labor, and therefore the business support is provided using the method/system shown in
このため、計測対象ごとに使用電力データを計測し続ける必要がない低コストのデマンド要因分析技術が望まれていた。 Therefore, there has been a demand for a low-cost demand factor analysis technique that does not require continuous measurement of power consumption data for each measurement target.
本発明は、上記に鑑みてなされたものであって、計測対象ごとの使用電力データを計測し続ける必要がない低コストのデマンド要因分析システムおよびデマンド要因分析方法を提供することを目的とする。 The present invention has been made in view of the above, and an object thereof is to provide a low-cost demand factor analysis system and a demand factor analysis method that do not require continuous measurement of power consumption data for each measurement target.
上記した課題を解決し、目的を達成するために、本発明に係るデマンド要因分析システムは、分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習手段と、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定手段とを備えることを特徴とする。 In order to solve the above problems and achieve the object, the demand factor analysis system according to the present invention is a power receiving point power data measured at a power receiving point of an analysis target facility, and power data according to usage measured according to usage. Machine learning is performed using one or more input data and power data not used as input data as teacher data, and a learning method that creates a model that distributes to each power data from this learning result Estimating means for estimating power data not used as input data from power data corresponding to the input data.
また、本発明に係る他のデマンド要因分析システムは、上述した発明において、学習手段は、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、推定手段は、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定することを特徴とする。 Further, another demand factor analysis system according to the present invention is the above-mentioned invention, wherein the learning means performs machine learning using power reception point power data as input data and application-specific power data as teacher data, and receives power from the learning result. It is characterized in that the point power data is distributed to the application-specific power data, and the estimating means estimates the application-specific power data from the measured power reception point power data using the created model.
また、本発明に係る他のデマンド要因分析システムは、上述した発明において、学習手段で作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化手段をさらに備えることを特徴とする。 Further, another demand factor analysis system according to the present invention is, in the above-mentioned invention, estimates power data for each pattern using a model of a plurality of patterns created by the learning means, compares the estimation results, and calculates the power data. It is characterized by further comprising an optimizing means for optimizing the measurement location.
また、本発明に係る他のデマンド要因分析システムは、上述した発明において、学習手段は、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成することを特徴とする。 Another demand factor analysis system according to the present invention is characterized in that, in the above-mentioned invention, the learning means performs machine learning using a neural network and creates a model from the learning result.
また、本発明に係るデマンド要因分析方法は、分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習ステップと、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定ステップとを備えることを特徴とする。 Further, the demand factor analysis method according to the present invention does not use as input data or input data one or more of the power receiving point power data measured at the power receiving point of the facility to be analyzed and the power data for each application measured for each application. Machine learning that uses power data as teacher data, and a learning step that creates a model that distributes to each power data from this learning result, and using the created model, from the power data corresponding to the measured input data as input data And an estimation step of estimating unused power data.
また、本発明に係る他のデマンド要因分析方法は、上述した発明において、学習ステップは、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、推定ステップは、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定することを特徴とする。 Further, another demand factor analysis method according to the present invention is the above-mentioned invention, wherein the learning step performs machine learning using the power reception point power data as input data and the application-specific power data as teacher data, and receives power from the learning result. The point power data is distributed to the power data for each application, and the estimating step estimates the power data for each application from the measured power reception point power data using the created model.
また、本発明に係る他のデマンド要因分析方法は、上述した発明において、学習ステップで作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化ステップをさらに備えることを特徴とする。 Further, another demand factor analysis method according to the present invention, in the above-mentioned invention, uses the models of a plurality of patterns created in the learning step to estimate the power data for each pattern, and compares the estimation results to calculate the power data. It is characterized by further comprising an optimizing step for optimizing the measurement location.
また、本発明に係る他のデマンド要因分析方法は、上述した発明において、学習ステップは、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成することを特徴とする。 Another demand factor analysis method according to the present invention is characterized in that, in the above-mentioned invention, the learning step performs machine learning using a neural network and creates a model from the learning result.
本発明に係るデマンド要因分析システムによれば、分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習手段と、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定手段とを備えるので、計測対象ごとに使用電力データを計測し続ける必要はなくなる。このため、計測箇所を削減することができ、低コストでデマンド要因分析を行うことができるという効果を奏する。 According to the demand factor analysis system of the present invention, one or more of the power receiving point power data measured at the power receiving point of the facility to be analyzed and the power data for each application measured for each application are not used as input data or input data. Machine learning that uses power data as teacher data, and learning means that creates a model that distributes to each power data from this learning result, and using the created model, input the data from the power data corresponding to the measured input data. Since the estimation means for estimating the unused power data is provided, it is not necessary to continuously measure the used power data for each measurement target. Therefore, it is possible to reduce the number of measurement points and perform the demand factor analysis at low cost.
また、本発明に係る他のデマンド要因分析システムによれば、学習手段は、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、推定手段は、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定するので、用途ごとの使用電力データの計測を行わずに低コストでデマンド要因分析を行うことができるという効果を奏する。 According to another demand factor analysis system of the present invention, the learning means performs machine learning using the power receiving point power data as input data and the power data for each application as teacher data, and the power receiving point power data is obtained from this learning result. Is distributed to the power data for each application, and the estimation means estimates the power data for each application from the measured power receiving point power data using the created model, so it is low cost without measuring the power usage data for each application. The effect that the demand factor analysis can be performed with is produced.
また、本発明に係る他のデマンド要因分析システムによれば、学習手段で作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化手段をさらに備えるので、デマンド要因分析における使用電力データの計測箇所の最適化を図ることができるという効果を奏する。 Further, according to another demand factor analysis system according to the present invention, the power data is estimated for each pattern using a model of a plurality of patterns created by the learning means, and the estimation results are compared to determine the measurement location of the power data. Since the optimization means for optimizing is further provided, it is possible to optimize the measurement location of the power consumption data in the demand factor analysis.
また、本発明に係る他のデマンド要因分析システムによれば、学習手段は、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成するので、人間の感性に近いモデルを作成することができ、より高精度のデマンド要因分析を行うことができるという効果を奏する。 Further, according to another demand factor analysis system according to the present invention, the learning means performs machine learning using a neural network and creates a model from this learning result, so that a model close to human sensitivity is created. Therefore, it is possible to perform the demand factor analysis with higher accuracy.
また、本発明に係るデマンド要因分析方法によれば、分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習ステップと、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定ステップとを備えるので、計測対象ごとに使用電力データを計測し続ける必要はなくなる。このため、計測箇所を削減することができ、低コストでデマンド要因分析を行うことができるという効果を奏する。 Further, according to the demand factor analysis method according to the present invention, one or more of the power receiving point power data measured at the power receiving point of the facility to be analyzed and the power data according to the application measured according to the application are used as the input data and the input data. Machine learning that uses unused power data as teacher data, and a learning step that creates a model that distributes to each power data from this learning result, and input from the power data that corresponds to the measured input data using the created model Since the estimation step of estimating the electric power data not used as data is provided, it is not necessary to continuously measure the electric power data used for each measurement target. Therefore, it is possible to reduce the number of measurement points and perform the demand factor analysis at low cost.
また、本発明に係る他のデマンド要因分析方法によれば、学習ステップは、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、推定ステップは、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定するので、用途ごとの使用電力データの計測を行わずに低コストでデマンド要因分析を行うことができるという効果を奏する。 According to another demand factor analysis method of the present invention, the learning step performs machine learning using the power receiving point power data as input data and the power data for each application as teacher data, and the power receiving point power data is obtained from the learning result. Is distributed to the power data for each application, and the estimation step estimates the power data for each application from the measured power receiving point power data using the created model, so it is possible to reduce the cost without measuring the power usage data for each application. The effect that the demand factor analysis can be performed with is produced.
また、本発明に係る他のデマンド要因分析方法によれば、学習ステップで作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化ステップをさらに備えるので、デマンド要因分析における使用電力データの計測箇所の最適化を図ることができるという効果を奏する。 Further, according to another demand factor analysis method of the present invention, the power data is estimated for each pattern using the models of the plurality of patterns created in the learning step, and the estimation results are compared to determine the measurement location of the power data. Since the optimization step for optimizing is further provided, it is possible to optimize the measurement location of the power consumption data in the demand factor analysis.
また、本発明に係る他のデマンド要因分析方法によれば、学習ステップは、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成するので、人間の感性に近いモデルを作成することができ、より高精度のデマンド要因分析を行うことができるという効果を奏する。 According to another demand factor analysis method of the present invention, the learning step performs machine learning using a neural network and creates a model from this learning result, so that a model close to human sensitivity is created. Therefore, it is possible to perform the demand factor analysis with higher accuracy.
以下に、本発明に係るデマンド要因分析システムおよびデマンド要因分析方法の実施の形態を図面に基づいて詳細に説明する。なお、この実施の形態によりこの発明が限定されるものではない。 Embodiments of a demand factor analysis system and a demand factor analysis method according to the present invention will be described below in detail with reference to the drawings. The present invention is not limited to the embodiments.
(実施の形態1)
まず、本発明の実施の形態1について説明する。
図1に示すように、受電点1から、各分電盤を介して測定対象電気機器である照明2、空調3、動力4に電力が用途別に供給される分析対象設備を有する建物を考える。
(Embodiment 1)
First, the first embodiment of the present invention will be described.
As shown in FIG. 1, consider a building having an analysis target facility in which electric power is supplied from a
本発明に係るデマンド要因分析システム10は、この分析対象設備を対象とするものであり、学習手段12と、推定手段14と、最適化手段16と、入力手段18(例えばキーボード、データ入力端子)と、出力手段20(例えばディスプレイ)と、これらの手段による各種の制御プログラムを実行するための図示しない演算処理装置(例えばCPU)と、制御プログラムをはじめ各種データを記憶するための記憶手段22(例えば、ROM、RAM、HDD、フラッシュメモリ)とを備えている。
The demand
デマンド要因分析システム10は、図示しない計測手段を介して受電点1、照明2、空調3、動力4用の各分電盤における電力を継続して計測可能となっており、計測した電力値は入力手段18のデータ入力端子を通じて記憶手段22に記録され、学習手段12、推定手段14、最適化手段16などによる処理に適宜利用されるようになっている。これらの手段による処理結果は、読み出し可能に記憶手段に記録されるとともに、出力手段に適宜出力可能である。
The demand
学習手段12は、受電点1で計測される受電点データ(受電点電力データ)を入力データ、照明2・空調3・動力4などの用途別に計測される用途データ(用途別電力データ)を教師データとする機械学習を行い、この学習結果から受電点データを用途データに分配するモデルを作成するものである。機械学習にはニューラルネットワークを用いる。これにより、人間が直接作成したような人間の感性に近いモデルを作成することができ、デマンド要因分析の精度を向上することができる。なお、本発明はニューラルネットワーク以外の他の機械学習を適用することも可能であり、学習方法を限定するものではない。
The learning means 12 teaches the input data of the receiving point data (power receiving point power data) measured at the
推定手段14は、学習手段12で作成したモデルを使って、計測した受電点データから用途データを推定するものである。より具体的には、推定手段14は、記憶手段22から読み出した作成済のモデルに、計測した受電点データを入力し、この結果モデルから出力される照明2・空調3・動力4の各分電盤の値を、計測されるであろう用途データとして推定する。
The estimating means 14 estimates the usage data from the measured power receiving point data using the model created by the learning means 12. More specifically, the
最適化手段16は、学習手段12で作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化するためのものである。この最適化手段16により、デマンド要因分析における使用電力データの計測箇所の最適化を図ることができる。なお、本実施の形態1では最適化手段16は適用しない。最適化手段16の適用例は後述の実施の形態2で説明する。
The optimizing means 16 is for estimating power data for each pattern using a model of a plurality of patterns created by the learning means 12, comparing the estimation results, and optimizing the measurement location of the power data. The optimizing
上記構成の動作および作用について説明する。
まず、学習期(学習ステップ)では、図2(1)に示すように、受電点1と照明2、空調3、動力4の各分電盤での電力計測値をデータとして取得する。学習手段12は受電点1の受電点データを入力データ、照明2、空調3、動力4の用途データを教師データ(出力データ)とする機械学習を行い、この学習結果から受電点データを用途データに分配するモデルを作成する。作成したモデルは記憶手段22に記憶される。
The operation and action of the above configuration will be described.
First, in the learning period (learning step), as shown in FIG. 2(1), the power measurement values of the
次に、推定期(推定ステップ)では、図2(2)に示すように、十分な学習を通じて作成したモデルを使って、推定手段14が受電点1での電力計測値から照明2、空調3、動力4の各分電盤の電力値を推定する。このように、受電点1の電力計測値を入力として与えるだけで、照明2、空調3、動力4の各分電盤の電力値を推定することができる。
Next, in the estimation period (estimation step), as shown in FIG. 2(2), the
図3は、この推定例を示したものであり、(1)は受電点1の電力計測値から各分電盤の電力値を推定した推定データ、(2)は正解を表す正解データである。この図に示すように、本実施の形態によれば、十分に学習を行うと、各分電盤の電力値を良い精度で推定できることがわかる。
FIG. 3 shows an example of this estimation. (1) is estimation data in which the power value of each distribution board is estimated from the power measurement value at the
また、学習期には詳細なデータを使用する必要があるため計測箇所が多くなるが、それらはテンポラリーな装置でよく、十分なデータが取れたあとは撤去してよい。このため、学習期以降は、照明2、空調3、動力4といった用途ごとの電力データの計測を継続する必要がないので計測箇所数を削減することができ、低コストでデマンド要因分析を行うことができる。また、ピーク時に消費量の多い電力用途がわかるので、ピーク削減に活用でき、契約電力料金の低減に寄与することができる。
Also, since it is necessary to use detailed data during the learning period, the number of measurement points will increase, but these may be temporary devices and may be removed after sufficient data are obtained. Therefore, after the learning period, it is not necessary to continue measuring the electric power data for each application such as
(実施の形態2)
次に、本発明の実施の形態2について説明する。
本実施の形態2は、上記の実施の形態1の学習手段12と推定手段14の処理内容を一部変更したものであり、その他の手段の構成、処理内容は上記の実施の形態1と同様である。また、本実施の形態2では、デマンド要因分析システム10による効果を最大化するために、最適化手段16を適用して計量箇所の中で最適な計量箇所を割り出している。
(Embodiment 2)
Next, a second embodiment of the present invention will be described.
In the second embodiment, the processing contents of the
学習手段12は、受電点1で計測される受電点データ、照明2、空調3、動力4の用途別に計測される用途データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する。
The
推定手段14は、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する。 The estimating means 14 estimates the power data not used as the input data from the power data corresponding to the measured input data using the created model.
上記構成の動作および作用について説明する。
図4(1)は、学習期において、受電点データと照明データを入力データとして、空調データ、動力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成した後、推定期において、計測した受電点データと照明データから、空調データ、動力データを推定する例を示したものである。なお、照明データ、空調データ、動力データは、それぞれ照明2、空調3、動力3の各分電盤で計測される用途データである。
The operation and action of the above configuration will be described.
FIG. 4(1) shows that during the learning period, machine learning is performed using the power receiving point data and the lighting data as input data, the air conditioning data and the power data as teacher data, and a model is created that is distributed to each power data from the learning result. After that, in the estimation period, an example is shown in which air conditioning data and power data are estimated from the measured power receiving point data and lighting data. The lighting data, the air-conditioning data, and the power data are application data measured by the distribution boards of the
図5は、この推定例を示したものであり、(1)は受電点1と照明2の電力計測値から空調3、動力4の各分電盤の電力値を推定した推定データ、(2)は正解を表す正解データである。この図に示すように、十分に学習を行うと、各分電盤の電力値を良い精度で推定できることがわかる。
FIG. 5 shows an example of this estimation. (1) is estimation data obtained by estimating the electric power value of each distribution board of the
図4(2)は、学習期において、受電点データと空調データを入力データとして、照明データ、動力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成した後、推定期において、計測した受電点データと空調データから、照明データ、動力データを推定する例を示したものである。 FIG. 4(2) shows that during the learning period, machine learning is performed using the power receiving point data and the air conditioning data as input data and the lighting data and the power data as teacher data, and a model is created that is distributed to each power data from the learning result. After that, in the estimation period, an example of estimating the illumination data and the power data from the measured power receiving point data and the air conditioning data is shown.
図6は、この推定例を示したものであり、(1)は受電点1と空調3の電力計測値から照明2、動力4の各分電盤の電力値を推定した推定データ、(2)は正解を表す正解データである。この図に示すように、十分に学習を行うと、各分電盤の電力値を良い精度で推定できることがわかる。
FIG. 6 shows an example of this estimation. (1) is estimation data obtained by estimating the electric power value of each distribution board of the
図4(3)は、学習期において、受電点データと動力データを入力データとして、照明データ、空調データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成した後、推定期において、計測した受電点データと動力データから、照明データ、空調データを推定する例を示したものである。 FIG. 4(3) shows that in the learning period, machine learning is performed using the power receiving point data and the power data as input data and the lighting data and the air conditioning data as teacher data, and a model is created that is distributed to each power data from the learning result. After that, in the estimation period, an example of estimating the illumination data and the air conditioning data from the measured power receiving point data and power data is shown.
図7は、この推定例を示したものであり、(1)は受電点1と動力4の電力計測値から照明2、空調3の各分電盤の電力値を推定した推定データ、(2)は正解を表す正解データである。この図に示すように、十分に学習を行うと、各分電盤の電力値を良い精度で推定できることがわかる。
FIG. 7 shows an example of this estimation. (1) is estimation data obtained by estimating the power values of the distribution panels of the
本実施の形態においても、学習期には詳細なデータを使用する必要があるため計測箇所が多くなるが、それらはテンポラリーな装置でよく、十分なデータが取れたあとは撤去してよい。このため、学習期以降は、照明2、空調3、動力4といった用途ごとの電力データの計測を継続する必要がないので計測箇所数を削減することができ、低コストでデマンド要因分析を行うことができる。また、ピーク時に消費量の多い電力用途がわかるので、ピーク削減に活用でき、契約電力料金の低減に寄与することができる。
Also in the present embodiment, it is necessary to use detailed data during the learning period, so the number of measurement points increases, but these may be temporary devices and may be removed after sufficient data are obtained. Therefore, after the learning period, it is not necessary to continue measuring the electric power data for each application such as
なお、図4の例では、左から順に受電点1に加え、照明2、空調3、動力4それぞれの電力計測値を入力データとして、入力データとして使っていない用途データを推定する様子を示した。この例では、受電点1に加えている用途データは1つずつとしているが、1つ以上であればいくつでもよい。また、受電点1の受電点データを入力データとしなくてもよい。
In addition, in the example of FIG. 4, in addition to the
次に、計量箇所の最適化について説明する。
最適化手段16は、図4に示したような複数パターンの推定モデルにおいて、それぞれの推定精度を算出し、その中で最も推定精度の良いものを最適計量箇所として決定する。ここで、各モデルに対応する図5〜図7を見ると、推定した用途データへの分解能にモデル間で差があることがわかる。これらの全ポイントデータにおいて誤差(例えば平均二乗誤差)を計算し、それぞれモデルの推定精度を算出する。この算出結果については、図4の各図の下部に表示している(それぞれ精度90%、80%、95%)。この例では、学習期の入力データとして受電点に動力を加えた図4(3)の例が最も精度がよく(精度95%)、計測箇所として受電点と動力が最適と判定することができる。
Next, optimization of the measurement location will be described.
The optimizing means 16 calculates the estimation accuracy of each of the estimation models of a plurality of patterns as shown in FIG. 4, and determines the one with the highest estimation accuracy as the optimum weighing location. Here, from FIGS. 5 to 7 corresponding to each model, it is understood that there is a difference between the models in the resolution of the estimated use data. An error (for example, a mean square error) is calculated for all of these point data, and the estimation accuracy of the model is calculated. The calculation result is displayed at the bottom of each figure in FIG. 4 (accuracy 90%, 80%, 95%, respectively). In this example, the example of FIG. 4(3) in which power is applied to the power receiving point as input data in the learning period has the highest accuracy (accuracy 95%), and it can be determined that the power receiving point and power are optimum as measurement points. ..
なお、この例では単に推定精度だけで判定しているが、本発明はこれに限るものではない。例えば、推定精度に計測にかかるコスト(機器コスト、設置コスト、ランニングコストなど)を加えた目的関数を設定し、それを最小化するように計測箇所を最適化し、決定するようにしてもよい。 Note that in this example, the determination is made only based on the estimation accuracy, but the present invention is not limited to this. For example, it is possible to set an objective function that adds the cost of measurement (equipment cost, installation cost, running cost, etc.) to the estimation accuracy, and optimize and determine the measurement location so as to minimize it.
このように、本実施の形態によれば、デマンド要因分析における使用電力データの計測箇所の最適化により、コストダウンを図ることができる。また、計測箇所数の削減と推定精度の両立を図ることのできるデマンド要因分析システムを提供可能である。 As described above, according to the present embodiment, the cost can be reduced by optimizing the measurement location of the power consumption data in the demand factor analysis. Further, it is possible to provide a demand factor analysis system capable of achieving both reduction of the number of measurement points and estimation accuracy.
以上説明したように、本発明に係るデマンド要因分析システムによれば、分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習手段と、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定手段とを備えるので、計測対象ごとに使用電力データを計測し続ける必要はなくなる。このため、計測箇所を削減することができ、低コストでデマンド要因分析を行うことができる。 As described above, according to the demand factor analysis system of the present invention, at least one of the power receiving point power data measured at the power receiving point of the facility to be analyzed and the power data for each application measured for each application is input data. Machine learning that uses power data that is not used as input data as teacher data, and learning means that creates a model that distributes to each power data from this learning result, and the created model are used to correspond to the measured input data Since the estimation unit that estimates the power data that is not used as the input data from the power data is provided, it is not necessary to continue measuring the power consumption data for each measurement target. Therefore, the number of measurement points can be reduced, and the demand factor analysis can be performed at low cost.
また、本発明に係る他のデマンド要因分析システムによれば、学習手段は、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、推定手段は、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定するので、用途ごとの使用電力データの計測を行わずに低コストでデマンド要因分析を行うことができる。 According to another demand factor analysis system of the present invention, the learning means performs machine learning using the power receiving point power data as input data and the power data for each application as teacher data, and the power receiving point power data is obtained from this learning result. Is distributed to the power data for each application, and the estimation means estimates the power data for each application from the measured power receiving point power data using the created model, so it is low cost without measuring the power usage data for each application. Demand factor analysis can be performed with.
また、本発明に係る他のデマンド要因分析システムによれば、学習手段で作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化手段をさらに備えるので、デマンド要因分析における使用電力データの計測箇所の最適化を図ることができる。 Further, according to another demand factor analysis system according to the present invention, the power data is estimated for each pattern using a model of a plurality of patterns created by the learning means, and the estimation results are compared to determine the measurement location of the power data. Since the optimization means for optimizing is further provided, it is possible to optimize the measurement location of the power consumption data in the demand factor analysis.
また、本発明に係る他のデマンド要因分析システムによれば、学習手段は、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成するので、人間の感性に近いモデルを作成することができ、より高精度のデマンド要因分析を行うことができる。 Further, according to another demand factor analysis system according to the present invention, the learning means performs machine learning using a neural network and creates a model from this learning result, so that a model close to human sensitivity is created. Therefore, the demand factor analysis with higher accuracy can be performed.
また、本発明に係るデマンド要因分析方法によれば、分析対象設備の受電点で計測される受電点電力データ、用途別に計測される用途別電力データのうち一つ以上を入力データ、入力データとして用いない電力データを教師データとする機械学習を行い、この学習結果から各電力データに分配するモデルを作成する学習ステップと、作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定ステップとを備えるので、計測対象ごとに使用電力データを計測し続ける必要はなくなる。このため、計測箇所を削減することができ、低コストでデマンド要因分析を行うことができる。 Further, according to the demand factor analysis method according to the present invention, one or more of the power receiving point power data measured at the power receiving point of the facility to be analyzed and the power data according to the application measured according to the application are used as the input data and the input data. Machine learning that uses unused power data as teacher data, and a learning step that creates a model that distributes to each power data from this learning result, and input from the power data that corresponds to the measured input data using the created model Since the estimation step of estimating the electric power data not used as data is provided, it is not necessary to continuously measure the electric power data used for each measurement target. Therefore, the number of measurement points can be reduced, and the demand factor analysis can be performed at low cost.
また、本発明に係る他のデマンド要因分析方法によれば、学習ステップは、受電点電力データを入力データ、用途別電力データを教師データとする機械学習を行い、この学習結果から受電点電力データを用途別電力データに分配し、推定ステップは、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定するので、用途ごとの使用電力データの計測を行わずに低コストでデマンド要因分析を行うことができる。 According to another demand factor analysis method of the present invention, the learning step performs machine learning using the power receiving point power data as input data and the power data for each application as teacher data, and the power receiving point power data is obtained from the learning result. Is distributed to the power data for each application, and the estimation step estimates the power data for each application from the measured power receiving point power data using the created model, so it is possible to reduce the cost without measuring the power usage data for each application. Demand factor analysis can be performed with.
また、本発明に係る他のデマンド要因分析方法によれば、学習ステップで作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化ステップをさらに備えるので、デマンド要因分析における使用電力データの計測箇所の最適化を図ることができる。 Further, according to another demand factor analysis method of the present invention, the power data is estimated for each pattern using the models of the plurality of patterns created in the learning step, and the estimation results are compared to determine the measurement location of the power data. Since the optimization step for optimizing is further provided, it is possible to optimize the measurement location of the power consumption data in the demand factor analysis.
また、本発明に係る他のデマンド要因分析方法によれば、学習ステップは、ニューラルネットワークを用いた機械学習を行い、この学習結果からモデルを作成するので、人間の感性に近いモデルを作成することができ、より高精度のデマンド要因分析を行うことができる。 According to another demand factor analysis method of the present invention, the learning step performs machine learning using a neural network and creates a model from this learning result, so that a model close to human sensitivity is created. Therefore, the demand factor analysis with higher accuracy can be performed.
以上のように、本発明に係るデマンド要因分析システムおよびデマンド要因分析方法は、ピーク電力を特定するのに有用であり、特に、計測対象ごとの使用電力データを計測し続ける必要がないので、計測箇所数を削減するのに適している。 As described above, the demand factor analysis system and the demand factor analysis method according to the present invention are useful for identifying the peak power, and in particular, it is not necessary to continuously measure the power consumption data for each measurement target. Suitable for reducing the number of locations.
1 受電点
2 照明
3 空調
4 動力
10 デマンド要因分析システム
12 学習手段
14 推定手段
16 最適化手段
18 入力手段
20 出力手段
22 記憶手段
DESCRIPTION OF
Claims (6)
作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定手段と、学習手段で作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化手段とを備えることを特徴とするデマンド要因分析システム。 Machine learning is performed by using one or more of the power receiving point power data measured at the power receiving point of the equipment to be analyzed, the power data for each application measured by application as input data, and the power data not used as input data as teacher data, Learning means for creating a model to be distributed to each electric power data from the learning result,
Using the created model, the power data for each pattern is estimated using the estimation method that estimates the power data that is not used as input data from the power data corresponding to the measured input data, and the multiple pattern model created by the learning method. A demand factor analysis system comprising: an estimation unit that estimates and compares estimation results to optimize a measurement location of power data .
推定手段は、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定することを特徴とする請求項1に記載のデマンド要因分析システム。 The learning means performs machine learning using the power receiving point power data as input data and the power data for each application as teacher data, and distributes the power receiving point power data to power data for each application from the learning result,
The demand factor analysis system according to claim 1, wherein the estimating means estimates the power data for each application from the measured power receiving point power data using the created model.
作成したモデルを使って、計測した入力データに対応する電力データから入力データとして用いない電力データを推定する推定ステップと、
学習ステップで作成した複数パターンのモデルを使って、各パターンについて電力データを推定し、推定結果を比較して電力データの計測箇所を最適化する最適化ステップとを備えることを特徴とするデマンド要因分析方法。 Performs machine learning using as input data one or more of the power receiving point power data measured at the power receiving point of the analysis target equipment, the power data for each application measured by application, and the power data not used as input data as teacher data, A learning step of creating a model to be distributed to each electric power data from the learning result,
Using the created model, an estimation step of estimating power data not used as input data from the power data corresponding to the measured input data ,
A demand factor characterized by comprising an optimization step of estimating power data for each pattern using a model of a plurality of patterns created in the learning step and comparing the estimation results to optimize the measurement location of the power data. Analysis method.
推定ステップは、作成したモデルを使って、計測した受電点電力データから用途別電力データを推定することを特徴とする請求項4に記載のデマンド要因分析方法。 The learning step performs machine learning using the power receiving point power data as input data and the power data for each application as teacher data, and distributes the power receiving point power data to the power data for each application from the learning result,
The demand factor analysis method according to claim 4 , wherein the estimating step estimates power data for each application from the measured power receiving point power data using the created model.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016098180A JP6719753B2 (en) | 2016-05-16 | 2016-05-16 | Demand factor analysis system and demand factor analysis method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016098180A JP6719753B2 (en) | 2016-05-16 | 2016-05-16 | Demand factor analysis system and demand factor analysis method |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017208887A JP2017208887A (en) | 2017-11-24 |
JP6719753B2 true JP6719753B2 (en) | 2020-07-08 |
Family
ID=60415121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016098180A Active JP6719753B2 (en) | 2016-05-16 | 2016-05-16 | Demand factor analysis system and demand factor analysis method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6719753B2 (en) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6816078B2 (en) * | 2000-04-12 | 2004-11-09 | Central Research Institute Of Electric Power Industry | System and method for estimating power consumption of electric apparatus, and abnormality alarm system utilizing the same |
JP3892358B2 (en) * | 2002-07-23 | 2007-03-14 | 財団法人電力中央研究所 | Method for estimating the operating state of electrical equipment in which power consumption frequently changes and monitoring system for electrical equipment in which power consumption frequently changes |
US8094034B2 (en) * | 2007-09-18 | 2012-01-10 | Georgia Tech Research Corporation | Detecting actuation of electrical devices using electrical noise over a power line |
JP5798069B2 (en) * | 2012-03-21 | 2015-10-21 | 株式会社東芝 | Electrical equipment monitoring device |
-
2016
- 2016-05-16 JP JP2016098180A patent/JP6719753B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2017208887A (en) | 2017-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105008887B (en) | Use the turbine blade analysis of Fatigue-life of non-cpntact measurement and dynamic response reconfiguration technique | |
US9696786B2 (en) | System and method for optimizing energy consumption by processors | |
CN106447171B (en) | Power demand side schedulable resource potential modeling method and system | |
Khodabakhshi et al. | Ranking all units in data envelopment analysis | |
Paulus et al. | Algorithm for automating the selection of a temperature dependent change point model | |
CN107730097B (en) | Bus load prediction method and device and computing equipment | |
US20120158631A1 (en) | Analyzing inputs to an artificial neural network | |
JP6581490B2 (en) | Air conditioning parameter generation device, air conditioning operation evaluation device, air conditioning parameter generation method and program | |
US9810443B2 (en) | Devices, methods, and systems for data-driven acceleration of deployed services | |
KR20150001102A (en) | Method and apparatus for server power prediction using virtual machine | |
JP4775338B2 (en) | Air conditioner deterioration determination device, air conditioning system, deterioration determination method, and deterioration determination program | |
JP4816581B2 (en) | Air-conditioner energy-saving analyzer, air-conditioning system, air-conditioner energy-saving analysis method and analysis program | |
CN104008433A (en) | Method for predicting medium-and-long-term power loads on basis of Bayes dynamic model | |
Martin et al. | Energy calibration of HVAC sub-system model using sensitivity analysis and meta-heuristic optimization | |
US11215651B2 (en) | Power consumption estimation device | |
JP6719753B2 (en) | Demand factor analysis system and demand factor analysis method | |
Vogt et al. | Energy efficiency of technical building services in production environments–Application to dry rooms in battery production | |
CN114980450B (en) | Regional light environment online evaluation display method, system, medium and equipment | |
CN112365039B (en) | Method and system for predicting monthly electricity consumption based on longitudinal and transverse correlation | |
JP5946742B2 (en) | Fluctuation estimation method, fluctuation estimation apparatus and fluctuation estimation program for total output of natural energy type distributed power supply group | |
Varzaneh et al. | Framework of simulation approach to increase energy efficiency | |
RU61906U1 (en) | SYSTEM OF ACCOUNTING, MONITORING AND FORECAST IN ACCOMPLISHING ACTIONS WITH RESOURCES | |
CN109960778B (en) | Method and device for calculating theoretical power of wind power plant | |
JP6478805B2 (en) | Power consumption estimation apparatus and program | |
CN110826196A (en) | Industrial equipment operation data processing method and device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190417 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200227 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200303 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200428 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200526 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200609 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6719753 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |