JP7184716B2 - 分散リソースの調整力管理装置および調整力管理方法 - Google Patents

Description

本発明は、分散リソースの調整力管理装置および調整力管理方法に関し、例えば分散的に配置された複数の蓄電設備群や電気自動車群、負荷群などのエネルギーリソースによって、系統への調整力を供給する分散リソースの調整力管理装置および調整力管理方法に関する。

複数の分散的に配置された負荷群を用いて系統への調整力を供給するために、例えば特許文献１に開示の技術がある。特許文献１には、『この系統情報監視システムにおいて制御対象とする家電機器は、瞬時瞬時の消費電力を変化させても、規定期間内毎に要求されるエネルギーを消費すれば、その使用目的を達成できる可制御負荷である。このような可制御負荷において、消費電力Ｐと将来消費電力平均値Ｐ_ｆｕｔと最大消費電力Ｐ_ｍａｘと最小消費電力Ｐ_ｍｉｎから計算される電力消費率γ＝（Ｐ_ｆｕｔ-Ｐ_ｍｉｎ）/（Ｐ_ｍａｘ-Ｐ_ｍｉｎ）に着目する。消費電力を減らす場合は電力消費率γの小さい可制御負荷から順番に選択し、増やす場合は電力消費率γの大きい可制御負荷から順番に選択することで、γを常に０以上、１以下に維持する。γを常に０以上、１以下に維持することで規定期間内毎に要求されるエネルギーを消費でき、家電機器の利用者の利便性が維持される』ことが開示されている（特許文献１の段落０００５参照）。また、特許文献１には、『基本的には、複数の可制御負荷が該負荷の電力消費率γ＝（Ｐ_ｆｕｔ-Ｐ_ｍｉｎ）/（Ｐ_ｍａｘ-Ｐ_ｍｉｎ）を算出し、系統運用装置が各可制御負荷から受け取った電力消費率γに基づき消費電力上げ代Ｐ_ｍａｘ-Ｐと下げ代Ｐ_ｍｉｎ-Ｐのγに対する分布を表すヒストグラムを作成し、より広域の系統を運用する上位の系統運用装置がそのヒストグラムに基づき系統の運用上必要な消費電力調整量ΔＰからγの閾値を演算子、可制御負荷がこの閾値により消費電力制御を行う。』ことが開示されている（特許文献１の段落００１０参照）。

特開２０１０－０６８７０４号公報

しかしながら、上述の特許文献１では、消費電力を減らす場合は電力消費率の小さい負荷から順番に選択すれば良いことが示されているが、このためには、制御対象とする個々の家電機器の電力消費状況をモニタし、将来の消費電力平均値を計算できるモデルを個々の家電機器に関して構築しておく必要がある。単一用途の温水器のような家電機器の場合、個々の需要家について、その利用実績データに基づいて学習を行えば、比較的精度の高いモデルを構築できる可能性があるが、個人情報保護の観点などから、運用に関する詳細な情報を得ることが難しい場合には、適用することが出来ない。

本発明の目的は、上述の点を考慮してなされたものであり、個々の機器に関する詳細な運用モデルの構築が難しかったり、個人情報保護などの運用面の制約から、運用モデルの構築が望まれなかったりする場合にも、負荷群としての調整力の予測および制御を可能とする分散リソースの調整力管理装置および調整力管理方法を提供することを１つの目的とする。

かかる課題を解決するため本発明においては、目的を解決する一手段として、分散リソースの調整力を管理する調整力管理装置は、前記分散リソースの運用状態の時間分布を総体的に模擬する挙動模擬部と、前記挙動模擬部によって総体的に模擬された前記分散リソースの運用状態の時間分布に基づいて、該分散リソースが供給可能な調整力を試算する調整力試算部とを備えるようにした。

本発明によれば、例えば、個々の機器に関する詳細な運用モデルの構築が難しかったり、個人情報保護などの運用面の制約から、運用モデルの構築が望まれなかったりする場合にも、負荷群としての調整力の予測および制御を可能とする。

実施形態１の調整力管理装置の構成の一例を示す図。 実施形態１の挙動模擬部においてＥＶを調整力供給リソースとする場合の状態遷移確率モデルの構成方法の一例を示す図。 実施形態１の調整力試算処理の一例を示すフローチャート。 実施形態１の供給可能最大量の調整力計算（第一ステップ）の一例の説明図。 実施形態１の供給可能最大量の調整力計算（第一ステップ）の結果の一例を示す図。 実施形態１の調整力計算（第二ステップ）の結果の一例を示す図。 相互遷移の一例を示す図。 相互遷移の調整計算方法の一例を示す図。 実施形態１の挙動模擬部においてＥＶを調整力供給リソースとする場合のモデルの構成方法の変形例を示す図。 実施形態２の調整力管理装置の構成の一例を示す図。 調整力管理装置のハードウェア構成の一例を示す図。

以下、図面を参照して本発明の実施形態について説明する。以下の説明において、同一または類似の要素および処理には、原則として同一の符号を付し、重複説明を省略する。また、以下に説明する構成および処理はあくまで一例に過ぎず、本発明に係る実施の態様が、以下の実施形態に限定されることを意図する趣旨ではない。また、各実施形態および変形例は、本発明の技術思想の範囲内および整合する範囲内でその一部または全部を組合せることができる。

以下の説明で参照する各図は、本発明の理解および実施に必要な程度で実施形態の概要を示すものであり、本発明の範囲は各図に示す構成に限定されない。

［実施形態１］
以下、実施形態１として、対象となる分散リソースとしてＥＶ（Electric Vehicle）を用いた場合の調整力の予測および管理について説明する。

図１は、実施形態１の調整力管理装置１００の構成の一例を示す図である。図１に示すように、調整力管理装置１００は、挙動模擬部１１０、パラメータ記憶部１２０、調整力試算部１３０、調整力制御指令部１４０、実績収集部１５０、およびモデル修正部１６０から構成される。

図１において、分散リソースの一例として示すＥＶ１７１、１７２、１７３、１７４は、図示していない通信手段により調整力管理装置１００と接続され、調整力発動の前の状態や発動中の状態などをリソース側から調整力管理装置１００へ伝送したり、調整力管理装置１００からＥＶ１７１～１７４へ調整力制御の指令を伝送したりする。また、図示はしていないが、ＥＶ１７１、１７２、１７３、１７４は、充電設備と接続されているとき、電力系統と接続されていることになる。なお、図１では、ＥＶ１７１～１７４の４つのＥＶを示すが、その数は４つに限られない。

挙動模擬部１１０は、１つ乃至複数の仮想アバター群１１１、１１２、１１３からなる。図１では、仮想アバター群は３つとしているが、これに限らない。

ＥＶをリソースとする本実施形態における挙動模擬部１１０では、ＥＶのＳｏＣ（State of Charge）と、充電中、プラグイン（非充電）中、停止（プラグアウト）中、走行中などの運用状態が、離散的に表現した時間の経過と共にどのように変化するかの挙動を、確率的に表現する図２に示すような状態遷移確率モデルなどで模擬する。図２は、実施形態１の挙動模擬部１１０においてＥＶ１７１～１７４を調整力供給リソースとする場合の状態遷移確率モデルの構成方法の一例を示す図である。

図２は、時刻ｔにおいてＳｏＣがｉである状態３１１として、充電中Ｃ［ｔ，ｉ］、プラグイン（非充電）中Ｐｉ［ｔ，ｉ］、停止（プラグアウト）中Ｐｏ［ｔ，ｉ］、走行中Ｒ［ｔ，ｉ］の４種類を考え、１単位時間ステップで１つの状態遷移しか起きないと仮定した場合の状態遷移確率モデルを表す。〇（丸）記号で状態を、矢印で遷移を表す。

時刻ｔにおいて状態３１１になるのは、時刻ｔ－１においてＳｏＣがｉの状態３１２からの遷移だけではなく、時刻ｔ－１でＳｏＣがｉ－１の状態３２２や、時刻ｔ－１でＳｏＣがｉ＋１の状態３３２からの遷移があることを示している。逆に、状態３１１からの遷移は、時刻ｔ＋１において、ＳｏＣがｉの状態３１３への遷移だけでなく、時刻ｔ＋１でＳｏＣがｉ＋１の状態３３３やＳｏＣがｉ－１の状態３２３への遷移もあることを示している。

状態遷移確率モデルの場合、ＳｏＣや運用状態に関して何らかの離散化が必要となるが、ＳｏＣの場合、バッテリーのセグメントを用いたり、１００％の容量に対する蓄電量の百分率に関して、これを均等ないし非均等に何段階かに分割したりするように表現しても良い。

運用状態に関しても、ホームロケーションでの停止や充電と、それ以外での停止や充電に分けたり、高速充電設備での充電と、通常速度の充電設備での充電に分けたりしても良い。

時間に関しても離散化してモデル化する。時刻ｔ－１、ｔ、ｔ＋１の各時刻間での状態変化は考慮せず、時刻が切り替わった瞬間に状態の遷移が生じるとする。なお、時刻ｔ－１と時刻ｔの時間差、時刻ｔと時刻ｔ＋１の時間差は等しくΔｔであるとする。

図１に説明を戻す。挙動模擬部１１０は、複数のリソース（ＥＶ１７１～１７４）の離散的な運用状態の時間分布を、状態遷移確率モデルを用いて計算する。計算に当たっては、各ＥＶを、例えば、タクシーなどの営業車、貨物や郵便物の運搬業用の車両、自家用車、バスなどの定期的な運航を行う車両など、運用上の典型的なユースケースに応じて複数のグループに分けてモデル化しても良い。

挙動模擬部１１０は、このような運用の違いを想定した３種類のグループに対応した３種類の仮想アバター群１１１、１１２、１１３を備える。仮想アバター群１１１、１１２、１１３は、個々の分散リソースを、ユースケースや組合せに応じてグループ化した集団とし総体的に調整力の予測や指令の対象とするためのリソース群である。

グループ毎に異なる挙動を模擬するため、パラメータ記憶部１２０には、仮想アバター群１１１、１１２、１１３のそれぞれに対応したアバター群パラメータ１２２、１２３、１２４を格納しておく。また、パラメータ記憶部１２０は、アバター群パラメータ１２２、１２３、１２４に共通するパラメータを別に括り出す形でアバター群メタパラメータ１２５を格納する。

また、パラメータ記憶部１２０は、調整力の供給可能量を確認するための後述の見通し期間２１１や、調整力要求量に対してどの程度の余裕を考慮して指令を行うかを定めた予備率などのアバター群実リソース対応付けパラメータ１２１を格納する。

状態遷移確率モデルで挙動を模擬する場合は、疑似乱数を用いたシミュレーションとする。このため、各仮想アバター群１１１、１１２、１１３に関し、複数のリソースを想定するばかりではなく、同じ条件でのシミュレーションを複数回実施するなどして、平均的に期待できる調整力や、所定確率以上で実施できる調整力などを、後述する調整力試算部１３０で計算する。

調整力試算部１３０は、挙動模擬部１１０で計算した仮想アバター群１１１、１１２、１１３に属する複数のリソースの離散化した各時刻の状態に基づいて、各時刻において、調整力として充電による電力消費削減や発電を行なうネガワット運転を行ったり、充電を行って電量消費を増やすポジワット運用を行ったりした場合に、調整力市場へ供給可能となる調整力を試算する。

次に、実施形態１の調整力試算方法について示す。

挙動模擬部１１０は、現在以降の運用状態およびＳｏＣ状態の予測計算を、現在のアバター群パラメータ１２２、１２３、１２４、およびアバター群メタパラメータ１２５の下で実施する。なお、挙動模擬部１１０は、実績収集部１５０で収集したリソース（ＥＶ１７１～１７４）の状態と一致または近似するように、仮想アバター群１１１、１１２、１１３の実績収集時点での状態分布を算出し、その後の運用状態およびＳｏＣ状態の予測計算を行うようにしても良い。

次に調整力試算部１３０の処理を、図３の実施形態１の調整力試算処理の一例を示すフローチャートを参照しつつ説明する。

調整力試算部１３０は、調整力取引が想定される時刻を起点に、仮想アバター群１１１、１１２、１１３による調整力供給の可能量を計算する。

本実施形態では、調整力試算部１３０は、先ず、ステップＳ１１では、調整力供給可能な最大量を、離散化した各供給開始時刻に関して計算する（第一ステップ）。次に、ステップＳ１２では、調整力試算部１３０は、調整力供給開始が想定される時刻における最大可能量を基準として、その何パーセントまでを、調整力供給開始時刻以降、どれくらいの期間継続して供給できるかを評価する（第二ステップ）。

第一ステップで計算される調整力供給可能な最大量とは、調整力供給を行わない運用予測条件の下での最大の調整力供給の可能量であり、実際に調整力を供給した場合には、時間の経過とともに、供給できる調整力が減ってくる。そこで、第二ステップで、実際に調整力を供給した場合に時間の経過に伴う供給可能な調整力の減少の影響を評価する。

本実施形態では、状態遷移確率モデルのような確率的なモデルを用いるので、第一ステップ（最大可能量の計算）においても、第二ステップ（実際の制御を想定した可能量予測計算）においても、それぞれ複数回のシミュレーション評価を行って、複数ケースのデータを作成する。

そしてステップＳ１３では、調整力試算部１３０は、上述のようにして得られた複数ケースのデータに基づいて、各供給開始時刻についての最大可能量や、各供給開始時刻以降で一定の調整力を一定の確率以上で供給可能な期間および調整力の組合せを統計的に計算する。

次に、図４を参照して、調整力供給を行わない運用予測の下での最大の調整力供給可能量の予測方法（上述の第一ステップ）について説明する。図４は、実施形態１の供給可能最大量の調整力計算（第一ステップ）の一例の説明図である。

図４は、状態遷移確率モデルとシミュレーションによって得られた個々の仮想リソースのＳｏＣ状態２１０と運用状態２２０のイメージを表している。予め定めた見通し期間２１１の中で、運用状態２２０が初めて走行中Ｒになる時刻Ｔ（Ｉｒ）２２１を検出する。そして、時刻Ｔ（Ｉｒ）２２１より前で、運用状態２２０が最後に停止（プラグアウト）中Ｐｏになる時刻Ｔ（Ｉｐｏ）２２２、および、時刻Ｔ（Ｉｒ）２２１より後で、運用状態２２０が初めて充電中Ｃになる時刻Ｔ（Ｉｃ）２２３を検出する。

これらの時刻Ｔ（Ｉｒ）２２１、時刻Ｔ（Ｉｐｏ）２２２、および時刻Ｔ（Ｉｃ）２２３を用いて、下記式（１）のように上げ代２１４を計算し、下記式（２）のように上げ調整力［ｋＷ］を計算する。ここで、下記式（２）における“Ｐ＋”は、上げ代を、供給開始時刻Ｔ（Ｉｏ）からＳｏＣが上限のピークとなる時刻Ｔ（Ｉｐｏ）までの期間でゼロにするような充電電力を表し、下記式（３）のように計算される。

また、下記式（４）のように下げ代２１５を計算し、下記式（５）のように下げ調整力［ｋＷ］を計算する。ここで、下記式（５）における“Ｐ－”は、下げ代を、供給開始時刻Ｔ（Ｉｏ）からＳｏＣが下限のピークとなる時刻Ｔ（Ｉｃ－１）までの期間でゼロにするような放電電力を表し、下記式（３）のように計算される。

なお、調整力の供給においては、上記式（２）および上記式（５）に示すように、運用面から見た調整力［ｋＷ］以外に、調整力の供給開始時刻Ｔ（Ｉｏ）において接続された充電設備の設備容量や、車両の電池性能も関係してくる。

なお、上記式（２）および上記式（５）では、車両Ｃ値と電池容量を車両の電池性能面での上限としたが、運用上や契約上の制限などを想定して、その所定％を充放電設備用量および車両電池の運用制限とするようにしても良い。

いずれにせよ、運用上限２１２と、前述の充放電設備用量および車両電池の運用制限の面で、最も小さい電力での充放電に基づいて可能量を推定する。なお、上記式（２）および上記式（５）で示した要素以外にも、予め定めた上限電力値での充放電なども含めて最小値を評価するようなシナリオとしても良い。

また、下げ調整力の供給に関しては充電停止という手段もある。これについては、調整力の供給開始時刻Ｔ（Ｉｏ）における状態が充電中のものだけが対象となるが、下げ代は、現在および見通し期間内の充電開始直前の状態の内、最も低いＳｏＣとＳｏＣの運用下限２１３の差として、下記式（７）のように計算できる。現在実行している充電をどこで止めれば、下記式（７）で算出した下げ代が０となるかを計算すれば、充電をいつ止めれば良いかが分かる。

上記式（７）は、下げ代が、現在時刻Ｉｏからの見通し期間中で、最後に充電を実施する時刻Ｔ（Ｉｃ）より前までで、ＳｏＣが最小となるときのＳｏＣと運用下限の差として求められることを示す。

また、充電を止める時刻のインデックスｋは、下記式（８）のように計算することができる。

上記式（８）におけるΣΔＳｏＣ（ｔ（ｉ））は、時刻インデックスＩｏ（現在）から、ΔＳｏＣ（ｔ（ｉ））を積算して行ったときの現時点からのＳｏＣの総変化量である。また、上記式（８）におけるａｒｇｍｉｎ（ｋ）ΣΔＳｏＣ（ｔ（ｉ））は、このＳｏＣの総変化量ΣΔＳｏＣ（ｔ（ｉ））が、図４に示した下げ代２１５よりも小さい範囲で、最大の時刻インデックスｋを求めることを示す。また、上記式（８）における∧ ∀ｉ，Ｓｔａｔｅ（ｉ）＝（Ｃ ｏｒ Ｐｉ）は、ΔＳｏＣ（ｔ（ｉ））の積算期間中の状態はＣ（充電）またはＰｉ（プラグイン（非充電）中）であることを示す。上記式（８）は、調整力を提供しない場合に、シミュレーション上実施した充電をいつまでに取りやめれば問題ないかを計算するものである。

このようにして求めた時刻のインデックスｋを用いて、下記式（９）のように下げ可能量［ｋＷｈ］（充電停止）を求め、下記式（１０）のようにして下げ調整力［ｋＷ］（充電停止）を計算できる。

上記式（９）は、充電停止した場合に、その期間で充電していたはずの電力量を示す。また、上記式（１０）は、現時点（対象時刻、時刻インデックスＩｏ）から次の時刻までの間で充電される電力量ΔＳｏＣ（Ｉｏ）をその期間ΔＴで割った値、すなわち、対象時刻での充電電力（Ｗ）を計算するものである。時刻Ｔ（Ｉｏ）～Ｔ（Ｉｏ＋１）の期間で、充電停止により供出可能な調整力の最大値は、上記式（９）の値と、上記式（１０）の値をΔＴで除算した値とのうちの小さい方になる。

以上のような計算で調整力を求めた結果の一例を図５に示す。図５は、実施形態１の供給可能最大量の調整力計算（第一ステップ）の結果の一例を示す図である。図５は、各時刻のメガワット調整力の最大供出可能量を示し、一例として、２７ｋＷｈの容量を持つＥＶが５００台ある事を想定した仮想アバター群に関する調整力評価を２０回実施した結果の平均値を示している。図５では、ΔＴ＝５分で状態遷移をモデル化している。

図５に示す仮想リソースの状態遷移シミュレーションによる調整力の供出可能量計算では、上述のようにして得られた各時刻の調整力［ｋＷ］とΔＴを用いて、各時刻のｋＷｈ値を計算する。

次に、仮想リソースが実際の調整力を供給した場合についてシミュレーションし、供給できる調整力を評価する（上述の第二ステップ）。

本実施形態では、図５に示したような調整力供給を行わない計算で得た可能量を基準に、この基準より少ない調整力要求の大きさ、調整力要求が見込まれる期間、およびその開始時刻を仮設定し、これらを満たす調整力供給を行わせた場合について評価する。

図６は、実施形態１の調整力計算（第二ステップ）の結果の一例を示す図である。図６は、図６の計算に用いた仮想アバター群に対して、１６：００から１９：００の期間、１００ｋＷの調整力を供給させる前提で、その調整力供給の状況をシミュレーションした結果を示す。各時刻において充電中のリソースを対象に、充電中止によるネガワット供給量を計算し、不足分を、充電中およびプラグイン（非充電）中のリソースから、車両の性能や車両が接続している充電設備容量を踏まえて最大電力で放電させるように制御すると想定したケースについて評価した。

なお、上記式（１）～上記式（１０）を用いて説明した最大調整力の計算（第一ステップ）では、対象時刻から将来の時刻のシミュレーション結果も踏まえて、見通し期間２１１の間、運用上限２１２および運用下限２１３を逸脱しない範囲で試算している。しかし、実際の制御では、将来の運用は必ずしも予測できるとは限らない。このため、実際同様の調整力供給を想定した調整力予測計算（第二ステップ）においては、各仮想リソースの過去の履歴および現在の状態は利用するが、将来に関する情報は利用しない。

本実施形態では、各時刻において系統に電力を供給できるリソースのうち、充電中のリソースの充電停止を優先し、供出可能な電力が不足する場合には、より大きい調整力を持つリソースから順次、最大電力での放電を行わせるような制御を想定した評価を行っている。

なお、制御指令の遅延なども考慮して、仮想アバター群を複数のリソース群に分け、それらに交互に指令をしたりするようにしても良い。例えば、調整力が大きいリソース群と小さいリソース群を交互に選択しても良い。また、リソースをいくつかのグループに予め分割し、順番に指令対象とするような制御をおこなっても良い。また、個々の仮想リソースの運用状況を踏まえ、充電中であれば、充電開始時のＳｏＣを１とした時、１．ｘ（ｘは例えば２など）以下にならない範囲で指令するといった方法や、更に当該時間帯開始時のＳｏＣが大きい順に放電を指令するといった運用を前提にした調整力予測をするようにしても良い。

図２に示した一つ前の時刻の状態のみによって次の時刻の状態が決まるシンプルな状態遷移確率モデルではなく、連続する複数時刻の状態によって、次の時刻の状態への遷移確率が決まるようなモデルの場合、仮想リソースの過去の状態の系列を踏まえ、調整力供給が将来に影響を及ぼす可能性が低いリソースから選択するようにしても良い。

図６の例では、時間の経過とともに、使用するリソースの数が増加し、最後は、要求量に満たない方向に乖離が拡大している（概ね１８：００～１９：００の間）。図６は、調整力供出の目標値が１００ｋＷ×３時間となっているのに対し、この評価ケースでの仮想アバター群には、目標値を供出するのに十分な調整力が蓄え切れていないことを表している。

このような場合、目標値を低減して、所定期間について（この場合、１６：００～１９：００の間）、目標とした調整力を所定の誤差範囲で供給し続けられる要求量、要求期間、要求開始時刻のセットを求める。

次に求めた要求量、要求期間、要求開始時刻のセットに対し、同様な評価を複数回実施する。そして、それらの結果の統計的な分析から、所定誤差範囲内での供給が所定確率で実現できる要求量、要求期間、要求開始時刻のセットを導出する。

また、予め長めの調整力供給期間を想定し、調整力供給の目標値について複数パターンを設定して評価し、調整力供給が目標値から乖離するまでの時間を、その目標値に対しての継続可能時間とするような方法でも良い。

なお、図６のような実際の調整力供給を想定した評価では、図示していないが、調整力の供給開始以降の時刻にＳｏＣが運用下限を下回ったり、運用上限を上回ったりする仮想リソースが発生する確率も評価するようにしても良い。

このような評価を、仮設定した調整力要求の大きさと期間のセット毎に、複数回繰り返し、得られた結果から、仮設定した要求量と期間を所定確率以上で実現できる供給量とその継続時間を元に、調整力の取引を行う。

なお、仮設定する調整力要求の開始時刻は、調整力要請が発動された実績に基づくなどして決定し、調整力の大きさは、前述した最大の調整力供給可能量を基準にその１０％、２０％、３０％・・・などといった量について評価すれば良い。

次に実リソースへの指令を行う調整力制御指令部１４０について説明する。

調整力制御指令部１４０は、前述した運用状態などの情報と、調整力要求があった時点での実リソース（ＥＶ１７１～１７４）の内、調整力供給に寄与できる状態のリソースについて、調整力予測の段階で想定した供給量を満たすように、実リソースを複数選定して、調整力要求を配分し、仮想アバター群を用いた予測計算の一時間ステップに対応する期間について、充電停止、放電乃至充電の指令を行う。放電に関しては、仮想アバター群を用いた調整力の予測計算時に想定した制御方法に準拠して指令を行う。

このような指令を、予測計算の一時間ステップ毎に更新する。図２に示したような一つの時間断面での状態から、次の時間断面での状態を予測するようモデルの場合、仮想リソースは個々のＥＶに関して一貫性のある挙動の模擬をしているわけではないため、当該時間断面における状態だけに基づいて、当該時間断面での指令値についてのみ決定するほかはない。

このような場合、ＳｏＣレベルに応じて、指令の配分量を変えるといった方法をとっても良い。すなわち、第一ステップで計算する最大調整力供給可能量や、第二ステップで計算する調整力の試算を、指令が行われる時点での仮想リソースのＳｏＣレベル毎に評価する。このようにすることで、調整力の供給余力が早期になくなってしまうＳｏＣレベルや、調整力供給の変動が大きいＳｏＣレベルの仮想リソースへの指令を少なくするなどの形で、仮想リソースのＳｏＣレベル毎の調整力配分に加重を与えるような方法をとることもできる。

このような制御を前提に、図６に示すような評価を複数回実施して得た調整力を発動する場合には、実リソースのＳｏＣレベルに応じた調整力配分を、評価時（第二ステップ実施時）同様に実施するようにすれば良い。

また、仮想アバター群１１１、１１２、１１３を用いた挙動模擬部１１０と実リソース（ＥＶ１７１～１７４）の挙動の差異を考慮して、調整力の要求量に比べて多めに指令を行うように予備率を設定し、その分だけ多く配分するようにしても良い。

次にモデル修正を行うモデル修正部１６０について説明する。

実績収集部１５０は、調整力発動後のリソースの状態や、調整力の指令を行わなかったリソースの状態を収集する。モデル修正部１６０は、実績収集部１５０が収集したリソースの状態を用いて、アバター群パラメータ１２２、１２３、１２４の補正や、仮想アバター群１１１、１１２、１１３の分割、仮想アバター群１１１、１１２、１１３と実リソース（ＥＶ１７１～１７４）を対応付けるアバター群メタパラメータ１２５などの補正処理を実施する。

調整力発動後の実リソース群の運用状態と、調整力発動後の仮想アバター群の運用状態の差に基づいて、調整力発動後の仮想アバター群の運用状態が、調整力発動後の実リソース群の運用状態に近くなるように、アバター群パラメータ１２２、１２３、１２４を調整する。

また、調整力未発動期間中の実リソース群の運用状態と、調整力未発動期間中の仮想アバター群の運用状態の差に基づいて、アバター群パラメータ１２２、１２３、１２４を調整する場合、複数の日に亘って得られた、実リソース群の運用状態実績と、対応する仮想アバター群の運用状態の分布を比較し、仮想アバター群の運用状態分布が実リソース群の運用状態に近くなるように、各時間断面の状態遷移確率を補正する。

実リソース群の運用状態（充電中、走行中、停止中、プラグイン（非充電）中）の割合（Ｐｃ（ｓ，ｔ）、Ｐｒ（ｓ，ｔ）、Ｐｓ（ｓ，ｔ）、Ｐｐ（ｓ，ｔ））と、対応する仮想アバター群の運用状態の割合を、各ＳｏＣ状態について比較し、ΔＯＰ（ｓ，ｔ）＝（ΔＰｃ（ｓ，ｔ），ΔＰｒ（ｓ，ｔ），ΔＰｓ（ｓ，ｔ），ΔＰｐ（ｔ））を所定期間について計算し、下記式（１１）に基づいて、誤差の時間変化率を計算する。

なお、上記式（１１）において、ΔＰｃ（ｓ，ｔ）は、時刻ｔ、ＳｏＣがｓレベルのときの仮想アバター群における充電中の比率と実リソース群における充電中の比率との差を表す。また、ΔＰｒ（ｓ，ｔ）は、時刻ｔ、ＳｏＣがｓレベルのときの仮想アバター群における走行中の比率と実リソース群における走行中の比率との差を表す。また、ΔＰｓ（ｓ，ｔ）は、時刻ｔ、ＳｏＣがｓレベルのときの仮想アバター群における停止中の比率と実リソース群における停止中の比率との差を表す。また、ΔＰｐ（ｓ，ｔ）は、時刻ｔ、ＳｏＣがｓレベルのときの仮想アバター群におけるプラグイン（非充電）中の比率と実リソース群におけるプラグイン（非充電）中の比率との差を表す。

上記式（１１）の左辺分母の誤差の時間変化が小さくなるように、対応する仮想アバター群のアバター群パラメータの一つである遷移確率ＰＴ（ｓ，ｔ）を補正する。ここで、ＰＴ（ｓ，ｔ）は、充電中状態における遷移確率ＰＴｃ（ｓ，ｔ）（下記式（１２）参照）、走行中状態における遷移確率ＰＴｒ（ｓ，ｔ）（下記式（１３）参照）、停止中状態における遷移確率ＰＴｓ（ｓ，ｔ）（下記式（１４）参照）、プラグイン（非充電）中状態における遷移確率ＰＴｐ（ｓ，ｔ）（下記式（１５）参照）からなる。

上記式（１２）～上記式（１３）の各右辺の２つ目の添え字ｐはＳｏＣが増加する方向への遷移を表し、添え字ｈはＳｏＣの現状維持を表し、添え字ｍはＳｏＣが減少する方向への遷移を表す。

例えば、上記式（１２）の右辺において、ＰＴｃｐ（s，ｔ）は、時刻ｔにおけるＳｏＣがｓレベルで、運用状態が充電中（１つ目の添え字ｃ）の時に、時刻ｔ＋１において、運用状態は充電中を継続し、ＳｏＣが一段階高いレベルになる遷移確率を表す。

また、ＰＴｃｈ（s，ｔ）は、時刻ｔにおけるＳｏＣがｓレベルで、運用状態が充電中の時に、時刻ｔ＋１において、運用状態は充電中を継続し、ＳｏＣもｓレベルのままにとどまる確率を表す。

また、ＰＴｃｍ（s，ｔ）は、時刻ｔにおけるＳｏＣがｓレベルで、運用状態が充電中の時に、時刻ｔ＋１において、運用状態が充電中からプラグイン（非充電中）中へ遷移する確率を表す。

同様に、上記式（１３）の右辺において、ＰＴｒｐ（s，ｔ）は、時刻ｔにおけるＳｏＣがｓレベルで、運用状態が走行中（１つ目の添え字ｒ）の時に、時刻ｔ＋１において、運用状態が走行中から停止中へ遷移する確率を表す。

また、ＰＴｒｈ（s，ｔ）は、時刻ｔにおけるＳｏＣがｓレベルで、運用状態が走行中の時に、時刻ｔ＋１において、運用状態は走行中を継続し、ＳｏＣレベルもｓレベルのままにとどまる確率を表す。

また、ＰＴｒｍ（s，ｔ）は、時刻ｔにおけるＳｏＣがｓレベルで、運用状態が走行中の時に、時刻ｔ＋１において、運用状態は走行中を継続し、ＳｏＣが一段階低いレベルになる遷移確率を表す。

同様に、上記式（１４）の右辺において、ＰＴｓｐ（s，ｔ）は、時刻ｔにおけるＳｏＣがｓレベルで、運用状態が停止中（１つ目の添え字ｓ）の時に、時刻ｔ＋１において、運用状態が停止中からプラグイン（非充電）中へ遷移する確率を表す。

また、ＰＴｓｈ（s，ｔ）は、時刻ｔにおけるＳｏＣがｓレベルで、運用状態が停止中の時に、時刻ｔ＋１において、運用状態は停止中を継続する確率を表す。

また、ＰＴｓｍ（s，ｔ）は、時刻ｔにおけるＳｏＣがｓレベルで、運用状態が停止中の時に、時刻ｔ＋１において、運用状態が停止中から走行中へ遷移する確率を表す。

同様に、上記式（１５）の右辺において、ＰＴｐｐ（s，ｔ）は、時刻ｔにおけるＳｏＣがｓレベルで、運用状態がプラグイン（非充電）中（１つ目の添え字ｐ）の時に、時刻ｔ＋１において、運用状態がプラグイン（非充電）中から充電中へ遷移する確率を表す。

また、ＰＴｐｈ（s，ｔ）は、時刻ｔにおけるＳｏＣがｓレベルで、運用状態がプラグイン（非充電）中の時に、時刻ｔ＋１において、運用状態はプラグイン（非充電）中を継続する確率を表す。

また、ＰＴｐｍ（s，ｔ）は、時刻ｔにおけるＳｏＣがｓレベルで、運用状態がプラグイン（非充電）中の時に、時刻ｔ＋１において、運用状態がプラグイン（非充電）中から停止中へ遷移する確率を表す。

上記式（１１）の右辺に示した誤差の時間変化と、遷移確率には、上記式（１２）の各右辺の記号を用いて表すことができる、下記式（１６）から下記式（１９）のような関係がある。

上記式（１６）は、充電運転の割合の実リソースと仮想アバター間の差異を、本実施形態においては、仮想アバターにおける充電中リソースの割合Ｐｃ（ｓ－１，ｔ）、Ｐｃ（ｓ，ｔ）、およびプラグイン状態（非充電中）の割合Ｐｐ（ｓ，ｔ）と，それらの状態からの遷移確率の積和としてモデル化していることを示している。

実リソースと仮想アバターの誤差は、この遷移確率の誤差に起因すると考えられることから、例えば上記式（１６）の場合、左辺の誤差を、仮想アバター群におけるＰｃ（ｓ－１，ｔ）、Ｐｃ（ｓ，ｔ）、Ｐｐ（ｓ，ｔ）の割合で案分した値に、1より十分小さい係数を掛けて、その時点でまでのＰＴｃｐ（ｓ－１，ｔ）、ＰＴｃｈ（ｓ，ｔ）、ＰＴｐｐ（ｓ，ｔ）から差し引くなどする方法で、遷移確率を補正できる。

なお、誤差は、時刻ｔの経過とともに、Ｐｃ（ｓ，ｔ）、Ｐｒ（ｓ，ｔ）、Ｐｓ（ｓ，ｔ）、Ｐｐ（ｓ，ｔ）にも蓄積されるため、ＰＴｃ（ｓ，ｔ）、ＰＴｒ（ｓ，ｔ）、ＰＴｓ（ｓ，ｔ）、ＰＴｐ（ｓ，ｔ）を補正した後の時刻については、状態遷移を再計算したうえで、ΔＯＰ（ｓ,ｔ＋１）－ΔＯＰ（ｓ，ｔ）を再評価するようにしても良い。

あるいは、ΔＯＰ（ｓ,ｔ＋１）－ΔＯＰ（ｓ，ｔ）が所定値を超える時刻tについて、遷移確率を補正した場合、補正以降の時刻における補正では、一定期間で補正量がゼロになるように時間方向に減衰する係数を掛けた値を用いるようにしても良い。

以上は、個人情報保護など契約上の観点から、個々のリソースの運用履歴を得られない場合を想定した方法である。

なお、各時間断面におけるＳｏＣ状態や運用状態だけが得られる中で、遷移確率のモデルを構築したり、更新したりすることを考える場合、得られる情報よりも、推定する遷移確率などの未知パラメータの方が多くなる。このような場合は、探索的な方法や、何らなの特別な契約などに基づいて得た詳細な運用履歴から遷移確率のモデルを構築する。

探索的な方法で求める場合、下記式（２１）～下記式（２４）の左辺を構成する各時刻ｔ、各ＳｏＣ状態ｓにおける遷移確率ＰＴｘｘ［ｓ，ｔ］（ここで、ｘｘ＝ｒｒ－，ｒｒ，ｒｓ，ｓｓ，ｓｐ，ｓｒ，ｐｐ，ｐｃ，ｐｓ，ｃｃ，ｃｃ＋，ｃｐ）を、制約条件下で下記式（３１）の最小化問題を解く事で求める。

なお、添え字に関し、上記式（１１）～上記式（１９）を用いてパラメータの補正に使った際の添え字を変更している。上記式（１１）～上記式（１９）では、添え字ｘｙにおいてｘ＝［ｃ（充電中），ｒ（走行中），ｓ（停止中），ｐ（プラグイン（非充電）中）］とし、ｙ＝［ｐ（ＳｏＣ増加方向への遷移），ｈ（ＳｏＣが維持される遷移），ｍ（ＳｏＣ減少方向への遷移）]という形にし、特に添え字ｙの意味合いが相対的（添え字ｘによって変わる）表現としている。

その一方、上記式（２０）～上記式（３１）では二番目の添え字も一番目と同様な添え字とし、ＳｏＣセグメントが増加する遷移には“＋”、減少する遷移には“－”を付加するようにしている。

下記式（３１）の最小化問題を解く際の制約条件は、下記式（２１）～下記式（２４）のような遷移確率の定義に基づくものがある。あるいは、下記式（２０）に示すような状態確率の定義に基づく制約条件であっても良い。あるいは、下記式（２５）～下記式（２８）に示す遷移モデル（図２参照）に基づく制約条件であっても良い。あるいは、下記式（２９）に示すようなＳｏＣ状態の区分数定義に基づく制約条件であっても良い。あるいは、下記式（３０）に示すような蓄電池などのリソースの有限性を表す制約条件であっても良い。

なお、上記式（３１）におけるＰｏ［ｔ］、Ｐｉ［ｔ］、Ｐｃ［ｔ］、Ｐｒ［ｔ］が各時刻ｔにおける運用状態の構成比を表し、Ｐ［ｔ，ｉ］が時刻ｔにおけるＳｏＣ状態ｓの構成比を表す。また、求めるべき変数には、遷移確率ＰＴｘｘ［ｓ，ｔ］以外に、時刻０における、各ＳｏＣ状態ｓ、各運用状態（ｃ、ｐ、ｓ、ｒ）の値であるＰｙ［ｓ，０］（ここで、ｙ＝ｃ，ｐ，ｓ，ｒ）も含まれる。

遺伝的アルゴリズムやＰＳＯ（Particle Swarm Optimization）などの探索的な手法を用いることができるが、得られるＳｏＣ状態の構成比や運用状態の構成比自体も確率的な平均値であるため、誤差ゼロを目指すのは現実的ではない。このため、誤差が予め設定した閾値を下回るまで探索するような方法を用いると良い。なお、上記式（３１）における係数ａ_ｓ、ａ_ｐ、ａ_ｃ、ｂなどは、各誤差要素をどのようなバランスで評価するかを決めるパラメータであり、観測結果の大きさなどを踏まえて適宜設定すれば良い。

例えば、相互遷移の一例を示す図７の遷移モデルにおいて、Ｓ（ｔ，１），Ｓ（ｔ，２）が観測される確率がそれぞれＰ（ｔ，１），Ｐ（ｔ，２）であるとする。このとき、Ｓ（ｔ＋１，１），Ｓ（ｔ＋１，２）が観測される確率がＰ（ｔ＋１，１），Ｐ（ｔ＋１，２）となる遷移確率ｑ１１、ｑ１２、ｑ２１、ｑ２２を考える。Ｓ（ｔ，１）からＳ（ｔ＋１，２）になる遷移と、Ｓ（ｔ，２）からＳ（ｔ＋１，１）になる遷移との間には、平衡関係があり、一意には決まらない。

このような平衡遷移は、探索的に求めたり、特定の契約などに基づいて詳細な運用履歴情報が得られるリソースがあったりする場合、それらのリソースについての運用履歴などを元に推定した遷移確率（可能解）を元に、下記式（３２）で表される平衡遷移量ｍｍｔと、下記式（３３）で表される正味遷移量Δｐｑを求める。そして、上述の平衡遷移の割合ａを仮定して、相互遷移の調整計算方法の一例を示す図８に示す式で、ｑ１１をｑ１１’に、ｑ１２をｑ１２’に、ｑ２１をｑ２１’に、ｑ２２をｑ２２’に修正する方法で調整することが出来る。

平衡遷移の割合ａが大きい場合、リソース間やリソース自身での状態の入れ替えが起きる確率が高いことを表す。このため、各時間区間で利用可能なリソースから制御するような方法をとっている場合、リソース全体としては早く定常状態（均一性が高い状態）になることが期待される。従って、調整力供給を行った際に、仮想アバター群による予測における調整力供給量の分散と実績における調整力供給量の分散を比較して、実績の分散が小さい場合には、仮想アバター群における平衡遷移の割合を、分散の差に比例する量ないし分散の比に応じて増加させ、実績の分散が大きい場合には、仮想アバター群の平衡遷移の割合を小さくさせれば良い。

実リソース個々の運用について、各リソースの運用履歴が分かるような情報を収集できる場合は、それらの履歴から直接、遷移確率を求めるようにしても良い。時刻ｔにおいてＳｏＣレベルがｓレベルで、走行中のリソースが、時刻ｔ＋１において、どのようになったかというデータを収集し、ｔ＋１におけるＳｏＣ状態、運用状態の割合を計算し、このような値の統計的な平均値を求めれば、遷移確率とみなすことが出来る。

以上の実施形態１は、個々の具体的な分散リソースの挙動ではなく、特定の用途や、特定の物理的装置をネガワットやポジワットに利用する仮想的な分散リソース群に含まれる多数のリソースによるエネルギー消費状況を模擬する仮想アバター群と、仮想アバター群への調整力要求を仮定して、仮想アバター群が提供できる調整力を試算する調整力試算部と、試算結果と個々のリソースの状態の類似性に基づいて、仮想アバター群乃至その一部と類似すると判断した実際の分散リソースに、当該仮想アバター群への指令、乃至仮想アバター群と実際のリソースの状態の差異に基づいて指令を修正した指令を発令する調整力制御指令部と、調整力発動時の実績を収集する調整力実績収集部と、収集した実績に基づいて、仮想アバター群のモデル乃至仮想アバター群と実際のリソースの類似性を判定するパラメータを修正するモデル修正部とを備えるようにした。

よって実施形態１によれば、個々の分散リソースの過去から現在に至る状態の履歴や、数時間先までの運用意図などの情報なしに、分散リソース群の調整力予測を、実態に応じて改善出来るようになる。

［実施形態１の変形例］
図２においては、〇記号で離散化した一つの状態を表したが、これに限らず、連続する時刻の複数の運用状態を組合せた状態組合せに関する遷移モデルを構築しても良い。この場合の状態遷移モデルの一例を図９に示す。図９は、実施形態１の挙動模擬部においてＥＶを調整力供給リソースとする場合のモデルの構成方法の変形例を示す図である。

図９において、状態を表す○記号には、ＣＣ＋（充電中から充電中への遷移で、ＳｏＣ増加）、ＣＣ（充電中から充電中への遷移でＳｏＣ増加なし）、ＰｉＣ（プラグイン中から充電中への遷移）、ＰｏＰｉ（停止（プラグアウト）中からプラグイン中への遷移）、ＰｉＰｉ（プラグイン中からプラグイン中への遷移）、ＣＰｉ（充電中からプラグイン中への遷移）、ＲＰｏ（走行中から停止中への遷移）、ＰｏＰｏ（停止中から停止中への遷移）、ＰｉＰｏ（プラグイン中から停止への遷移）、ＰｏＲ（プラグアウト中から走行中への遷移）、ＲＲ（走行中から走行中への遷移でＳｏＣ変化なし）、ＲＲ－（走行中から走行中への遷移でＳｏＣ減少）の１２通りがある。各時刻（ｔ－１、ｔ、ｔ＋１）間での状態遷移は矢印で示す。これらの遷移確率を前述した探索的な手法により推定し、調整力発動時および調整力未実施時の実績から補正するようにしても良い。なおこの場合、実績収集部１５０では、実績として、離散化した一時刻前の運用状態ならびにＳｏＣ状態と、現在時刻での運用状態ならびにＳｏＣ状態の組を収集する。

また、状態遷移のモデル化における離散化した時間間隔Δｔを複数種類定め、各時間間隔、Δｔ１、Δｔ２、Δｔ３（ｎ・Δｔ１＝Δｔ２、ｍ・Δｔ１＝Δｔ３、ｎ、ｍ∈Ｎ、１＜ｎ，ｍ、ｎ＜ｍ）について、主たる運用状態およびＳｏＣ状態についての複数の遷移モデルを同時に構築するようにしてもよい。

連続する時刻の状態遷移系列に関する遷移モデルや、異なる複数時間解像度の遷移モデルを用いることで、実際のリソースと、仮想アバター群を構成する仮想リソースの対応付けの精度を上げることができるようになり、補正の効率を向上できる。

なお、連続する時刻の状態遷移系列に関する遷移モデルの状態、および、異なる複数時間解像度の遷移モデルの状態の組合せと対応する実リソースの状態の選定には、クラスタリングなどの手法によって、実リソースの直近の状態遷移系列と仮想アバター群の状態遷移系列の近さを判定すればよい。

一方、図９で示した過去の連続する複数の時間断面に亘る状態遷移系列に関する遷移モデルや、制御を行う時間解像度よりも大きな時間解像度でのモデルを用いる場合は、過去の状態や複数の解像度にわたる状態に関して、前述のＳｏＣレベルに応じた指令の加重配分の場合と同様に、可能量の継続時間や安定性を評価し、連続する過去の状態や複数時間解像度での状態の組合せに対して、調整力配分に加重を与えるようにしても良い。

このような場合、系統と連系している利用可能な実リソースの要求時点までのＳｏＣ状態や運用状態に基づいて、対応する仮想アバター群１１１、１１２、１１３を用いた挙動模擬部１１０で算出した結果の中から、実リソースと同じ状態系列や多重時間解像度での状態の組合せの仮想リソースの選定量に比例する形で、実リソースの利用についての選択、すなわち配分を決定するようにすればよい。

なお、１つのリソース群に対してリソース群の挙動を模擬する状態遷移確率モデルを複数種類有する場合、各状態遷移確率モデルにおけるリソース群の挙動の提示を行い、提示に応じて選択された実リソースに近い挙動を示す状態遷移確率モデルに基づいて分散リソースの運用状態の時間分布を模擬して調整力を試算し、実リソースへの指令を行うようにしてもよい。

［実施形態２］
本発明の実施形態２を、図１０を用いて説明する。図１０は、実施形態２の調整力管理装置８００の構成の一例を示す図である。調整力管理装置８００は、対象となる分散リソースとして蓄電池や自家発などの設備を持つ工場や事業所、商業施設などを用いる。以下、本実施形態における分散リソースをＣ＆Ｉ（Commercial And Industry）リソースと呼ぶ。

図１０に示すように、調整力管理装置８００は、挙動模擬部８１０、パラメータ記憶部８２０、調整力試算部８３０、調整力制御指令部８４０、実績収集部８５０、およびモデル修正部８６０から構成される。

図１０において、分散リソースの一例として示すＣ＆Ｉリソース８７１、８７２、８７３、８７４は、図示していない通信手段により調整力管理装置８００と接続され、調整力発動の前の状態や発動中の状態などをリソース側から調整力管理装置８００へ伝送したり、調整力管理装置８００からＣ＆Ｉリソース８７１～８７４へ調整力制御の指令を伝送したりする。なお、図１０では、Ｃ＆Ｉリソース８７１～８７４の４つのリソースを示すが、その数は４つに限られない。

挙動模擬部８１０は、１つ乃至複数の仮想アバター群８１１、８１２、８１３からなる。図１０では、仮想アバター群は３つとしているが、これに限らない。

Ｃ＆Ｉリソースを用いた本実施形態における挙動模擬部８１０では、Ｃ＆Ｉリソースの運用状態についての標準的な運用パターンモデルを、Ｃ＆Ｉリソース所有者の業態や、調整力供給に用いる発電機や蓄電池の運用方法に等に応じた仮想アバター群として複数用意する。

負荷調整に用いる発電機や蓄電池については、諸元などが分かる場合が多いが、ＢＣＰ用やピークカット用などの用途の違いがあり、ベースラインに影響するその他の負荷や、太陽光発電設備などの変動性の電源などの影響もあり、個々の調整力の予測には、実施形態１で述べたＥＶのケースと同様の難しさがある。

また、アグリゲーションを階層的に実施する構成の場合、蓄電池や発電機の実績を分析したり、制御の指令を行ったりする下位階層のアグリゲータではなく、それらを束ねて、調整力の利用者との契約の下で全体の計画や制御、管理を行う上位のアグリゲータ（アグリゲーションコーディネータ）が存在する。上位のアグリゲータは、リソース以外の負荷やその運用状況、再エネ発電設備の構成などまでは分からない場合が多く、調整力供給を行うＣ＆Ｉ需要家の受電点から見て需要家側の挙動の予測は、特に上位のアグリゲータの場合、より困難になる。

このようなＣ＆Ｉリソースの特徴またはアグリゲーションの階層的な特徴を踏まえて、本実施形態では、仮想アバター群８１１、８１２、８１３は、発電機や蓄電池に加えて、それと組合されて運用される設備の運用をモデル化する。前述のように発電機や蓄電池の運用目的の違いにより、発電機や蓄電池の制御性や応答性に違いがあったり、それと組合される工場や商業施設のタイプによっても、ベースラインやその変動のパターンが異なったりするので、複数の仮想アバター群はこれらの差異を表すように構成する。

仮想アバター群は、図２や図９で示した状態遷移モデルを用いて構成しても良いし、過去の実績などに基づく自己回帰モデルを用いて構成しても良い。

本発明の実施形態１においては、離散化した各時刻のＳｏＣや運用についての状態の遷移確率を探索的な手法によって決定し、調整力未発動時の実績や、調整力発動後の実績に基づいて調整する方法を示した。Ｃ＆Ｉリソースに関して、状態遷移モデルを用いる場合は、離散化した各時刻において、離散化した消費電力の各レベルにおける次の時刻での消費電力レベルの関係をモデル化するようにすれば、前述した実施形態１のＥＶのケースと同様に扱うことができる。変動性の再生エネルギー発電設備を有する場合は、それらによる発電を自家消費した分を除いた正味負荷についてのモデルを作成することで、再生エネルギーがない場合のモデルと同様に扱うことができる。

実施形態１の場合も、時刻毎の状態遷移をモデル化することを示したが、単に時刻だけではなく、曜日や気象条件などにより遷移の傾向が変わることを想定したモデルとしてもよい。このようにすることで、特定の気象条件や曜日における調整力予測の精度や補正の効果を高めることができる。特に、前述のような再生エネルギー発電設備の自家消費がある場合、気象条件によって正味負荷のモデルは強く影響を受けるため、気象条件に応じたモデルを作ると効果的である。

負荷調整に用いる設備が発電機の場合は、それらを調整力として使用していない状況での負荷が分かれば、発電機による調整力の効果をほぼ正確に知ることができる。従って、前述のような負荷のモデル、すなわちベースラインのモデルができれば、調整力予測および、その確率的な変動分の予測が可能となる。

なお、指令に対する応答遅れや、定常偏差の有無および大きさなどは、発電機や蓄電池などのリソースの性能によるが、それらの諸元に基づいて、応答遅れのような過渡的な挙動や定常偏差のような誤差要素も考慮して、調整力効果を計算するようにしてもよい。

また、蓄電池を用いるＣ＆Ｉリソースが多い場合、特にピークカット用や、時間帯での値差を考慮した鞘取り運転用、変動性再生可能発電設備の自家消費率向上用など、気象条件や日時などの影響や、個々のＣ＆Ｉリソース供給者の個体差の影響を受け易いと想定される。このような用途で運用される蓄電池の場合は、蓄電池による調整力供給量や期間などの契約情報に基づいて決まる容量の合計値を上限として、離散化した各時刻におけるＳｏＣ状態を複数の段階に離散化し、前述したＥＶのケースの仮想アバター群と同様に、負荷調整用の設備が供給する調整力自体を予測するようにすれば良い。この場合、調整力発動時の実績に基づくアバター群パラメータ８２２、８２３、８２４およびアバター群メタパラメータ８２５の補正については、実施形態１で示した方法と同様に実施することができる。

なお、実リソースの挙動が天候や曜日などに応じて変わる場合、仮想アバター群と実リソースの対応を、天候などに応じて修正するようにしてもよい。このためには、各リソースの挙動が、気象条件や曜日などに応じて、何れの仮想アバター群に近いかを予め評価してクラスタリングしておき、気象条件や曜日に応じて、仮想アバター群との対応付けを決定するようにすればよい。また、仮想アバター群による調整力供給前の予測結果を、実リソースの運用者に公開し、自身がどの仮想リソースに近い運用を行っているかを登録できるような手段を設けてもよい。

図１１は、調整力管理装置１００、８００のハードウェア構成の一例を示す図である。調整力管理装置１００、８００を実現するコンピュータ５０００は、ＣＰＵ（Central Processing Unit）に代表されるプロセッサ５３００、ＲＡＭ（Random Access Memory）等のメモリ５４００、入力装置５６００（例えばキーボード、マウス、タッチパネル等）、および出力装置５７００（例えば外部ディスプレイモニタに接続されたビデオグラフィックカード）が、メモリコントローラ５５００を通して相互接続される。コンピュータ５０００において、調整力管理装置１００、８００を実現するためのプログラムがＩ／Ｏ（Input／Output）コントローラ５２００を介してＲＯＭ（Read Only Memory）もしくはＳＳＤやＨＤＤ等の外部記憶装置５８００から読み出されて、プロセッサ５３００およびメモリ５４００の協働により実行されることにより、調整力管理装置１００、８００が実現される。あるいは、調整力管理装置１００、８００を実現するためのプログラムは、ネットワークインターフェース５１００を介した通信により外部のコンピュータから取得されてもよい。

なお、本発明は上記した実施形態に限定されるものではなく、様々な変形例を含む。例えば、上記した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、矛盾しない限りにおいて、ある実施形態の構成の一部を他の実施形態の構成で置き換え、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、構成の追加、削除、置換、統合、または分散をすることが可能である。また実施形態で示した構成および処理は、処理効率または実装効率に基づいて適宜分散または統合することも可能である。

１００，８００：調整力管理装置、１１０，８１０：挙動模擬部、１１１，１１２，１１３，８１１，８１２，８１３：仮想アバター群、１３０，８３０：調整力試算部、１４０，８４０：調整力制御指令部、１５０，８５０：実績収集部、１６０，８６０：モデル修正部

Claims (11)

1. 分散リソースの調整力を管理する調整力管理装置であって、
   前記分散リソースの運用状態の時間分布を総体的に模擬する挙動模擬部と、
   前記挙動模擬部によって総体的に模擬された前記分散リソースの運用状態の時間分布に基づいて、該分散リソースが供給可能な調整力を試算する調整力試算部と
   を備え、
   前記挙動模擬部は、
   前記分散リソースの運用状態の時間分布を総体的に模擬するモデルとして状態遷移確率モデルを用い、前記分散リソースのユースケースに応じた複数のグループごとの前記状態遷移確率モデルを用いて、前記分散リソースが供給可能な調整力を該複数のグループごとに試算する
   ことを特徴とする調整力管理装置。
2. 前記調整力試算部は、
   調整力供給を行わない条件下で、各供給開始時刻において前記分散リソースが供給可能な調整力の最大量を計算する第一ステップと、
   前記第一ステップで算出された各供給開始時刻における最大量を基準として、実際に調整力を供給した場合に時間の経過に伴う供給可能な調整力の減少の影響を評価した供給可能量を予測する第二ステップと、
   前記第二ステップによる予測結果に基づいて、各供給開始時刻以降で一定の調整力を一定の確率以上で供給可能な期間および調整力を計算するステップと
   を実行することを特徴とする請求項１に記載の調整力管理装置。
3. 前記分散リソースに対して調整力要求があった時点での各分散リソースの運用状態に応じて、各分散リソースへ該調整力要求を配分して調整力供給の指令を出力する調整力制御指令部
   をさらに備えたことを特徴とする請求項１に記載の調整力管理装置。
4. 前記分散リソースの運用状態の実績を収集する実績取集部と、
   前記実績取集部によって収集された運用状態の実績と、前記状態遷移確率モデルが模擬する前記分散リソースの運用状態との差に基づいて、前記状態遷移確率モデルを修正するモデル修正部
   をさらに備えたことを特徴とする請求項３に記載の調整力管理装置。
5. 前記モデル修正部は、
   前記実績取集部によって収集された調整力発動後の各分散リソースの運用状態の実績と、前記状態遷移確率モデルにおける調整力供給後の各分散リソースの運用状態の差に基づいて、前記状態遷移確率モデルの状態遷移確率を補正する
   ことを特徴とする請求項４に記載の調整力管理装置。
6. 前記モデル修正部は、
   前記状態遷移確率モデルにおける運用状態間の相互遷移の確率を補正する
   ことを特徴とする請求項５に記載の調整力管理装置。
7. 前記状態遷移確率モデルを複数種類有し、
   複数種類の前記状態遷移確率モデルのそれぞれにおける前記分散リソースの挙動の提示を行い、
   前記挙動模擬部は、
   前記提示に応じて選択された状態遷移確率モデルに基づいて前記分散リソースの運用状態の時間分布を模擬する
   ことを特徴とする請求項５に記載の調整力管理装置。
8. 前記状態遷移確率モデルは、
   一つ前の時刻の状態のみで次の時刻の状態が決まる遷移モデル、連続する時刻の複数の運用状態を組合せた状態組合せに関する遷移モデル、または、異なる複数時間解像度の遷移モデルである
   ことを特徴とする請求項１に記載の調整力管理装置。
9. 前記分散リソースは、電気自動車である
   ことを特徴とする請求項１に記載の調整力管理装置。
10. 前記分散リソースは、Ｃ＆Ｉリソースである
    ことを特徴とする請求項１に記載の調整力管理装置。
11. 分散リソースの調整力を管理する調整力管理装置が実行する調整力管理方法であって、
    前記調整力管理装置が、
    前記分散リソースの運用状態の時間分布を総体的に模擬し、
    総体的に模擬された前記分散リソースの運用状態の時間分布に基づいて、該分散リソースが供給可能な調整力を試算し、
    前記分散リソースの運用状態の時間分布を総体的に模擬するモデルとして状態遷移確率モデルを用い、前記分散リソースのユースケースに応じた複数のグループごとの前記状態遷移確率モデルを用いて、前記分散リソースが供給可能な調整力を該複数のグループごとに試算する
    各処理を実行することを特徴とする調整力管理方法。

Images