JP7482167B2 - 動的エネルギーストレージシステム制御のためのシステムおよび方法 - Google Patents

動的エネルギーストレージシステム制御のためのシステムおよび方法 Download PDF

Info

Publication number
JP7482167B2
JP7482167B2 JP2022055369A JP2022055369A JP7482167B2 JP 7482167 B2 JP7482167 B2 JP 7482167B2 JP 2022055369 A JP2022055369 A JP 2022055369A JP 2022055369 A JP2022055369 A JP 2022055369A JP 7482167 B2 JP7482167 B2 JP 7482167B2
Authority
JP
Japan
Prior art keywords
neural network
energy
energy storage
artificial neural
storage system
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
Application number
JP2022055369A
Other languages
English (en)
Other versions
JP2022104955A (ja
Inventor
リー イーラン
フー パイセン
リム ソー デレク
ザックス マシュー
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peak Power Inc
Original Assignee
Peak Power Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peak Power Inc filed Critical Peak Power Inc
Publication of JP2022104955A publication Critical patent/JP2022104955A/ja
Application granted granted Critical
Publication of JP7482167B2 publication Critical patent/JP7482167B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • H02J13/00034—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving an electric power substation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/029—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02B90/20—Smart grids as enabling technology in buildings sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/50—Energy storage in industry with an added climate change mitigation effect
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/14—Energy storage units
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Description

関連出願の相互参照
本開示は、２０１６年１１月２９日に出願された、「SYSTEM AND METHOD FOR FORECAST
ING UTILITY POWER LOADS WITH MACHINE LEARNING（機械学習による電力負荷を予測する
ためのシステムおよび方法）」という名称の米国仮特許出願第６２／４２７，１９９号に
対する優先権を含むすべての利益を主張するものであり、この先行出願は、参照により本
発明に組み込まれる。
本開示は、概してエネルギーストレージシステムの分野に関するものであり、より詳細
には、本開示の実施形態は、エネルギーストレージシステムの動的制御のためのシステム
および方法に関する。
電気料金は、典型的には、キロワット時（ｋＷｈ）で計測される使用エネルギー量に基
づく構成要素と、キロワット（ｋＷ）で計測される最大瞬間需要量に基づく構成要素とを
有する。電気事業者（Utility）は、常にすべての顧客に中断されることのない電力を供
給することを任務としているが、電力需要は一日および一年を通じて大きく変化する。「
ピーク需要」と呼ばれるこの問題を解決するために、電気事業者はこれらの制約された瞬
間において利用可能な余剰容量を持たなければならないが、この余剰容量にはコストがか
かる。ピークイベント中の電力は、発電するために、卸売市場レベルでのオフピークにお
ける電力よりも５０～７０倍多くのコストが掛かることがある。
従来の電力モデルは、料金を支払う顧客に対して、送電および配電システムを介して電
気を送電する集中型の発電所に基づくものである。このモデルでは、独立系統運用者（Ｉ
ＳＯ）が、それぞれの市場内で需要と供給が常に等しく一致していることを確実にする責
任がある。しかしながら、需要を満たすのに十分な供給があることを確実にするために、
ピーク需要の際に利用可能な十分な発電資産がなければならない。ピーク需要は年間数時
間しか発生しないことがあるため、これらのシステムは非常に非効率的である。その結果
、「ピーカー発電設備（peaker plants）」またはピーク需要の期間にのみ使用される発
電設備は、稼働するのに非常に費用がかかり、多くの場合、ベース発電よりもはるかに重
大な汚染を起こし得る。
これらの問題を認識し、多くの電気事業者関連団体は、エネルギー消費者への請求額の
全部または一部が、どれだけのエネルギーがピーク需要の期間に使用されて消費者によっ
て引き出されているかに基づく、容量ベースの料金設定モデルに移行した。
多くの管轄区域において、電力料金構造は、ＩＳＯ管轄区域内全体の電気システムがそ
のピークにある時間における、顧客の平均エネルギー需要（ｋＷ）に基づく構成要素を含
む。これは、「同時ピーク（coincident peak）」と呼ばれ、管轄区域によって形態が異
なる。オンタリオでは、クラスＡの顧客は、連続して発生しない５つの１時間単位の同時
ピーク時におけるシステム負荷全体に対する顧客のシェアに基づいて、グローバル調整（
Global Adjustment）費用のシェアを支払う。ＮＹＩＳＯ（ニューヨーク独立系統運用者
）、ＰＪＭ（商標）およびその他の管轄区域には、年間の１つまたは複数の１時間単位の
ピーク時におけるシステム全体の負荷に対する顧客のシェアに基づいて、同様の費用が設
定されている。ニューヨークでは、これはＩＣＡＰ（設置容量）と呼ばれている。
ある実施形態では、本開示の態様は、同時ピークイベントの期間における、顧客の電気
設備（インフラストラクチャ）のエネルギー需要を低減することができる。状況によって
は、これによって電気システムの全体的な負荷が低減され、電気事業者によって課金され
る電気料金が削減され得る。
一態様によれば、エネルギーストレージシステムを制御するための制御システムが提供
される。制御システムは、電気設備によって配電システムから引き出されるエネルギーを
記録するように配置された少なくとも１つのメーター装置（metering device）からメー
ターデータを受信するためのメーターインターフェースと；エネルギー容量および定格出
力電力を有し且つ電気設備に接続されるエネルギーストレージシステムと通信するための
エネルギーストレージシステムインターフェースと；そして、配電システムの管轄区域全
体の予測送電レベル負荷および信頼値を生成するようにトレーニングされた人工ニューラ
ルネットワークを形成するように構成された複数の層状ノードを含むコントローラと、を
含む。コントローラは、少なくとも１つのメモリと、少なくとも１つのプロセッサとを備
え、人工ニューラルネットワークによって生成された予測送電レベル負荷および信頼値に
基づいて、配電システムにおける潜在的な同時ピークを識別し、潜在的な同時ピークを識
別した場合に、エネルギーストレージシステムに蓄積されたエネルギーを電気設備に消費
させる信号を送電し、それによって、識別された潜在的な同時ピーク中に配電システムか
ら引き出されるエネルギーを減らす。
他の態様によれば、エネルギーストレージシステムを制御する方法が提供される。当該
方法は、配電システムと電気設備との間に配置され、配電システムから引き出されるエネ
ルギーを記録する、少なくとも１つのメーター装置からメーターデータを受信するステッ
プを含む。当該方法は、人工ニューラルネットワークを形成するように構成された複数の
層状ノードと共に、リアルタイムまたは略リアルタイムの過去および現在の電力消費およ
び発電データを使用して、配電システムの管轄区域全体の予測送電レベル負荷および信頼
値を生成するステップを含む。当該方法は、人工ニューラルネットワークによって生成さ
れた予測送電レベル負荷および信頼値に基づいて配電システムにおける潜在的な同時ピー
クを識別するステップを含む。そして、当該方法は、潜在的な同時ピークを識別した場合
に、エネルギーストレージシステムに蓄積されたエネルギーを電気設備に消費させる信号
を送信し、それによって、識別された潜在的な同時ピーク中に配電システムから引き出さ
れるエネルギーを減らすステップを含む。
他の態様によれば、エネルギーストレージシステムを制御するための装置が提供される
。当該装置は、少なくとも１つのメモリと、配電システムの管轄区域全体の予測送電レベ
ル負荷および信頼値を生成するようにトレーニングされた人工ニューラルネットワークを
形成するように構成された複数の層状ノードを提供する少なくとも１つのプロセッサとを
備える。少なくとも１つのプロセッサは、人工ニューラルネットワークによって生成され
た予測送電レベル負荷および信頼値に基づいて配電システムにおける潜在的な同時ピーク
を識別し、潜在的な同時ピークを識別した場合に、エネルギーストレージシステムに蓄積
されたエネルギーを電気設備に消費させる信号を送信し、それによって、識別された潜在
的な同時ピーク中に配電システムから引き出されるエネルギーを減らすように構成されて
いる。
本明細書に記載された実施形態に関する多くの更なる特徴およびこれらの組み合わせは
、本開示を読むことで、当業者にもたらされる。
図面において、例として実施形態が示されている。詳細な説明および図面は、理解を助
けるため、例示を目的とするものにすぎないことを明確に理解されたい。
実施形態を、例示として、添付の図面を参照しながら、説明する。
図１は、エネルギーストレージシステムを制御するための例示的なシステムの態様を示すブロック図である。 図２は、エネルギーストレージシステムを制御するための例示的な解決方法の態様を示すフローチャートである。 図３は、商業ビルの電力使用量の例示的なプロットを示す図である。 図４は、制御システムを動作させるための例示的な方法の態様を示すフローチャートである。 図５は、機械学習処理の態様を示す図である。 図６は、例示的な機械学習処理の結果を示す図である。 図７は、電力負荷予測のための例示的な制御システム７００の態様を示すブロック図である。
電力同時ピークを予測するための一つのアプローチは、回帰ベースの統計分析の使用を
含む。これらの分析に基づいて、大規模産業用地では、コストを削減するためにピークイ
ベントの期間に生産を削減し或いは完全にシャットダウンすることができる。一般に、こ
れらのアプローチは、より大きな精度の枠（例えば、４～８時間）で、同時ピーク事象の
時間を予測可能な予測を生成する。生産（すなわちエネルギー使用量）のシャットダウン
または削減は、それぞれ独自の経済的コストが掛かり、生産施設にとって侵略的で問題が
あるとされ得る。
回帰分析は、予測方法であり、予測される変数に影響を与え得る根本的な要因を特定す
ることが可能であるという仮定に基づいている。線形回帰および通常の最小二乗回帰など
を含む、いくつかの回帰ベースの技術が開発されている。回帰ベースの方法は、電力負荷
（utility load）を予測するために広く使用されているが、場合によっては、いくつかの
欠点がある。負荷需要と影響要因との間の非線形で複雑な関係のため、正確なモデルを開
発することが簡単ではない。回帰ベースの方法のオンサイトテストでは、突然の天候の変
化および負荷イベントによって負荷が変動した場合にパフォーマンスの低下が示された。
この欠点の主な理由の１つは、モデルが結果的要因の特定を必要とすることであって、電
力負荷の予測などの複雑なシステムでは、精密に考慮されない追加的な結果的要因があり
得るためである。回帰ベースの予測モデルの欠点は、電力グリッドが従来のモデルからト
ランザクティブグリッド（transactive grid）の電力モデルに進化するにつれて、より明
確になってきた。
ある実施形態では、トランザクティブグリッドモデルの特徴は、発電および電力消費が
、グリッド内において集中するのではなく、分散されることである。トランザクティブグ
リッドモデルは、電力の需要と供給の双方が不安定で変動しやすい点を認識しており、供
給と需要を迅速かつ正確に一致させるための既存の回帰モデルの範囲を超えている点を認
識している。電気設備および市場の設計によって、需要と供給のバランスを効率的に確保
する精度の高い料金シグナルを実現するために、新しいプラットフォームおよび料金設定
構造が必要とされている。トランザクティブグリッドははるかに動的であり、このため、
より精度の高い負荷予測の方法が必要とされている。トランザクティブグリッドは、その
性質上、需要と供給の両方を迅速かつ正確に予測する高度にインテリジェントなシステム
と方法を必要とし、適切なスケジューリング、ディスパッチ、および料金設定のシグナル
が市場に送信され得る。
予測処理がより正確になれば、システムは、より短い期間にそのエネルギー消費を削減
するだけで良く、施設への影響をより低減させることができる。
ディープニューラルネットワークおよび機械学習を用いて電力負荷を予測するシステム
および方法を以下に記載する。本システムおよび方法は、複数の機械学習モジュールを組
み合わせて、例えば、過去の（historical）負荷データ、天気予報、リアルタイム送電シ
ステムデータ、並びに電気および天然ガスの価格などのリアルタイム経済要因を用いて既
存の短期および長期の電力負荷予測を改良する自己学習機能を自動化し、有効化する。
ある状況において、本明細書に記載されたシステムは、現在のシステムに比べてより高
精度に負荷を予測する可能性を有して得る。本明細書に記載の方法により、提供されたシ
ステムは、例えば、過去の負荷データ、天気予報、リアルタイム送電システムデータなど
のエネルギー変数、並びに電気および天然ガスの料金などのリアルタイム経済変数を使用
して、電気事業者のデータを学習して、既存の短期電力負荷予測を改良することができる
。
変数の効果は、他の変数が存在しているか否かを含むエネルギーのコンテキストに、よ
り一般的には、分析される電力グリッドに依存することが見出されてきた。そのため、あ
る特定の変数がある電気事業者のコンテキストでは重要でないとされ得る一方で、他の電
気事業者のコンテキストではサージまたは出力低下を引き起こし得る。したがって、本シ
ステムおよび方法は、エネルギー変数の優先順位付けおよび解釈を組み込むことができる
。具体的には、エネルギー変数が評価され、優先順位リストとして、変数がランク付けさ
れ提示され得る。これらの変数の優先順位付けは、システムの効率および精度を向上させ
るために使用することができる。
短期電力負荷予測では、時系列の未来の値が、過去の値と時系列に影響を与えるその他
の外部変数との未知関数（unknown function）であると仮定される。ニューラルネットワ
ークは、この未知関数を比較的高い精度で近似させるために使用される。ニューラルネッ
トワークは、系統間流量データ、スパーク割合、並びに前日および前週の同日の負荷プロ
ファイルなど、個別には電力負荷に直接関連する或いは影響を及ぼす要因ではないと思わ
れる、広範囲で収集された過去データを使用してトレーニングされる。ある実施形態では
、学習環境は、特定の電力業界の洞察に基づいて構造化され、その結果、学習精度が向上
し、複雑な計算およびアルゴリズムを介して結果を生成する速度が向上する。
本明細書では例示的なフィードフォワードネットワークが記載されているが、実装され
るニューラルネットワークの種類は、単にフィードフォワードニューラルネットワークに
限定されず、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク、オート
エンコーダ、およびボルツマンマシンを含む、サポートベクターマシン、回帰モデル、お
よびニューラルネットワークも適用することができることを理解されたい。さらに、本シ
ステムおよび方法は、ニューラルネットワーク、サポートベクターマシン、および多変数
回帰を含む、機械学習モジュールの組み合わせに基づくことも可能である。
ある実施形態および特定の状況では、本明細書に記載または他の方法で説明される本方
法およびシステムは、生の過去エネルギーデータ、（回帰がすでに適用されていることを
意味する）予測準備エネルギーデータ、またはそれらのエネルギーデータセット若しくは
スパーク割合データまたは系統間流量などの他のエネルギー変数から抽出される特徴に適
用され得る。本方法は、様々な条件に亘るベースライン平均を必要とせずに、１つまたは
複数のエネルギー変数を計算することができる。本方法は、すべてのエネルギー変数に影
響を与える変数を同じ方法で検出することができる。本方法は、リアルタイムのエネルギ
ー変数を過去参照エネルギー変数と比較して、電力およびエネルギーのコンテキストに応
じて、同じ変数に対して異なる予測をすることを可能にする。本方法は、少なくとも２層
の処理ユニットを有するディープニューラルネットワークを用いて、条件固有のエネルギ
ー変数を計算することができる。本方法は、今までに見たことのない変数をスコア化する
ことができる。本方法は、予測準備エネルギーデータ、基準エネルギーデータセットおよ
び／または生の過去エネルギーデータの間の差を計算するために使用することができ、こ
れは任意の既知または未知のエネルギー変数をランク付けするために使用され得る。本方
法は、変数間の差を計算するために使用することができ、これは未知の変数が既知の変数
にどれだけ類似しているかに基づいて未知の変数を分類するのに有用である。本方法は、
１つまたは複数の基準エネルギー変数を１つまたは複数のエネルギー変数と比較すること
によって、１つまたは複数のエネルギー変数におけるエネルギーデータ予測のセットを計
算するために使用することができる。
ある実施形態では、エネルギーストレージシステム（ＥＳＳ）は、低エネルギー負荷の
期間中（すなわち夜間）に充電し、ピーク負荷の期間中に放電することによってピークイ
ベントを平滑化するためにシステムに含められ、グリッドにおいて要求されるエネルギー
を低減する。エネルギーストレージシステムは、ｋＷで計測されるインバータまたは他の
同様の装置、およびｋＷｈで計測されるバッテリーまたは他のストレージ装置から構成さ
れ得る。典型的には、ＥＳＳによる節約の可能性はインバータサイズ（ｋＷ）に基づいて
いるが、ＥＳＳのコストはバッテリーサイズ（ｋＷｈ）に基づいている。
多くの状況において、エネルギーストレージは、「非侵略的な（non-invasive）」方法
で（すなわち、施設の運用に少ない影響でまたは影響なしで）、施設の負荷を低減するこ
とができる。しかしながら、システムのコストはバッテリーのサイズに直接関係する。６
～８時間の枠で十分な容量のストレージシステムをインストールすることの経済性は低い
。さらに、状況によっては、バッテリーは多く使用されるほど劣化するため、正確な予測
がされることでシステムにおける使用回数が減り、バッテリーの寿命が延び得る。
本開示の一態様によれば、システムは、統計および機械学習を利用して、同時ピークイ
ベントの予測を提供するように構成され、施設においてビハインド・ザ・メーター（behi
nd-the-meter）で設置されたエネルギーストレージシステム（ＥＳＳ）の充電／放電を制
御するように構成されている。
実施形態について図面を参照しながら説明する。説明を簡単かつ明瞭にするために、適
切であると考えられる場合、対応する要素または類似の要素を示すために、参照番号は図
面間で繰り返されることがある。さらに、本明細書に記載された実施形態の完全な理解を
提供するために、多数の具体的詳細が説明されている。しかしながら、本明細書に記載さ
れた実施形態はこれらの具体的詳細によらず実施され得ることは、当業者によって理解さ
れるであろう。他の例では、本明細書で説明されている実施形態を曖昧にしないために、
周知の方法、手順、および構成要素は詳細に説明されていない。また、本詳細な説明は、
本明細書に記載の実施形態の範囲を限定するものと見なされるべきではない。
本明細書を通じて使用される様々な用語は、文脈がそうでないことを示さない限り、以
下のように理解することができる：全体を通じて「または」は包括的で、「および／また
は」と記載されているとみなし得る。全体を通じて使用される単数形の冠詞および代名詞
は、それらの複数形も含み、逆もまた同様である。同様に、性別代名詞は、それと対にな
る代名詞を含み、代名詞は、本明細書に記載されるものを単一の性別による使用、実装、
実行などに限定するものとして理解されるべきではない。「例示的」は、「実例として」
または「一例として」として理解されるべきであり、必ずしも他の実施形態よりも「好ま
しい」として理解されるべきではない。用語の更なる定義が本明細書に記載されることが
あり、本詳細な説明を読むことで理解されるように、この定義は、当該用語の前または後
の事例にも適用され得る。
本明細書にて命令を実行するものとして例示された、任意のモジュール、ユニット、コ
ンポーネント、サーバ、コンピュータ、端末、エンジン、または装置は、例えば、磁気デ
ィスク、光ディスク、またはテープなどの、（取り外し可能なおよび／または取り外し不
可能な）記憶媒体、コンピュータ記憶媒体、またはデータ記憶装置などのコンピュータ可
読媒体を含み、或いはそれらとのアクセスを有する。コンピュータ記憶媒体は、コンピュ
ータ可読命令、データ構造、プログラムモジュール、または他のデータなど、情報を記憶
するための任意の方法または技術で実装された、揮発性および不揮発性、取り外し可能お
よび取り外し不可能の媒体を含み得る。コンピュータ記憶媒体の例には、ＲＡＭ、ＲＯＭ
、ＥＥＰＲＯＭ、フラッシュメモリ、または他のメモリ技術、ＣＤ－ＲＯＭ、デジタルバ
ーサタイルディスク（ＤＶＤ）、または他の光学記憶装置、磁気カセット、磁気テープ、
磁気ディスク記憶装置、または他の磁気記憶装置、或いは所望の情報を記憶するために使
用可能で、アプリケーション、モジュール、またはその両方によってアクセス可能な任意
の他の媒体が含まれる。これらの任意のコンピュータ記憶媒体は、装置の一部であっても
よく、或いは装置とアクセス可能または接続可能であってもよい。さらに、文脈がそうで
ないことを明確に示さない限り、本明細書に記載の任意のプロセッサまたはコントローラ
は、単一のプロセッサまたは複数のプロセッサとして実装され得る。複数のプロセッサは
、配列されても分散されてもよく、本明細書で言及される任意の処理機能は、単一のプロ
セッサが例示されていても、単一または複数のプロセッサによって実行され得る。本明細
書で説明される任意の方法、アプリケーション、またはモジュールは、これらのコンピュ
ータ可読媒体によって記憶または他の方法で保持され、単一または複数のプロセッサによ
って実行され得る、コンピュータ可読／実行可能命令を使用して実装され得る。
方法、システム、および装置の実施形態は、図面を参照して記載されている。以下の説
明において、本発明の主題の多くの例示的な実施形態が提示される。各実施形態は本発明
の要素の１つの組み合わせであるが、本発明の主題は、開示された要素の全ての取り得る
組み合わせを含むと見なされる。したがって、第１の実施形態が要素Ａ、Ｂ、およびＣを
含み、第２の実施形態が要素ＢおよびＤを含む場合、本発明の主題には、明示的に記載さ
れていなくても、Ａ、Ｂ、Ｃ、またはＤの他の残りの組み合わせも含まれると見なされる
。
図１は、エネルギーストレージシステム１１５を制御するための例示的なシステム１０
０の態様を示すブロック図である。設備（インフラストラクチャ）１１０は、電気を消費
する１つまたは複数の装置、機械、電気接続などを含む。ある実施形態では、設備には、
オフィスビル、製造施設、住宅用のまたは商業用の設備などが含まれる。ある実施形態で
は、電気設備は、配電システム１０２および／またはエネルギーストレージシステム１１
５に接続され、或いはそれらからの電気エネルギーを頼りにするまたは消費する、設備の
態様のみを指し得る。
設備は、配電システム１０２から電気エネルギーを受け取るように電気的に接続され、
且つエネルギーストレージシステム１１５からも電気エネルギーを受け取るように電気的
に接続されている。ある実施形態では、１つまたは複数のメーター装置１０５が、配電シ
ステム１０２と設備１１０との間の接続に設置されている。ある実施形態では、メーター
装置は、全ての設備１１０および他の構成要素によって利用／消費されている、配電シス
テム１０２からのエネルギーを監視する。メーター装置はメーターデータを生成し、それ
は、ある実施形態では電気エネルギーの消費速度に関するデータ（例えばｋＷ）、消費さ
れた電気エネルギー量に関するデータ（例えばｋＷｈ）、電気エネルギーが消費された時
間／日付に関するデータ、停電データ、電力品質データ、電圧データ、電流データ、負荷
データ、無効電力、および／またはメーター装置によって監視、計測、計算、または他の
方法で生成され得る任意の他のデータを含み得る。ある実施形態では、メーター装置１０
５は、メーターデータを通信するためのインターフェースを含む。
エネルギーストレージシステム１１５は、電気設備に提供され得るエネルギーを蓄積す
るための、１つまたは複数のエネルギーストレージ装置および／またはシステムを含む。
ある実施形態では、エネルギーストレージシステム１１５は、バッテリーまたはセル、キ
ャパシタなどを含み得る。ある実施形態では、エネルギーストレージシステム１１５は、
電気エネルギーに変換可能な形態でエネルギーを蓄積することができる。ある実施形態で
は、エネルギーストレージシステム１１５は、設備１１０に電気エネルギーを供給するよ
うに構成されている。
エネルギーストレージシステムは、基礎となるエネルギーストレージ装置の容量に少な
くとも部分的に基づいて定義されたエネルギー容量を有し得る。ある実施形態では、エネ
ルギーストレージシステムは、エネルギーストレージシステムによって蓄積されたエネル
ギーを設備に供給可能な速度によって定義された定格出力電力を有し得る。ある実施形態
では、定格出力電力は、エネルギーストレージシステムの装置、構成要素および／または
回路の電気的特性に基づいている。例えば、インバータのサイズによって、エネルギーを
供給可能な速度の少なくとも一部を定義することができる。
ある実施形態では、エネルギーストレージシステム１１５は、エネルギーストレージ装
置から放電し、或いは、エネルギーストレージシステム１１５に蓄えられたエネルギーを
設備に提供する信号を受信するための制御インターフェースを含む。ある実施形態では、
受信した信号は、エネルギーストレージ装置を放電させ、或いは、放電するきっかけとな
る、データメッセージ、命令、または電気的入力を含み得る。
ある実施形態では、エネルギーストレージシステム１１５は、（制御装置などの）１つ
または複数のプロセッサを含む。信号を受信し、信号に基づいて制御または命令信号など
を送信し、他のエネルギーストレージ装置に放電させる。
ある実施形態では、エネルギーストレージシステム１１５は、配電システム１０２から
エネルギーを受信して蓄積するように構成されている。ある実施形態では、エネルギース
トレージシステム１１５は、代替的にまたは追加的に、他の電源（例えばソーラーパネル
）からエネルギーを受信して蓄積するように構成されていてもよい。ある実施形態では、
エネルギーストレージシステム１１５は、（例えば、制御インターフェースを介して）エ
ネルギーストレージ装置に充電させ、或いは、配電システムまたはエネルギーストレージ
装置内の他の場所からエネルギーを蓄積するための信号を受信してもよい。
システム１００は、エネルギーストレージシステム１１５を制御するための制御システ
ムを含む。ある実施形態では、制御システムは、電気設備にエネルギーストレージシステ
ム１１５に蓄積されたエネルギーを消費させるための信号を生成する。ある実施形態では
、信号は、モドバス（Modbus）で送信される。ある実施形態では、信号は、いつ放電する
か（または放電を停止するか）、どのくらいの速度で放電するか、および／またはどのく
らいの量のエネルギーを放電するかを示す、命令および／またはデータを含み得る。
制御システムは、１つまたは複数のプロセッサ、メモリ、および／またはデータ記憶装
置１６５を含む。ある実施形態では、制御システムは、サーバまたはコンピュータなどの
処理装置で構成され或いはそれらは含む、コントローラ１２０を含む。ある実施形態では
、コントローラ１２０は、設備１１０のオンサイトに設置される。
ある実施形態では、制御システムは、完全にコントローラ１２０に実装されていてもよ
い。他の実施形態では、制御システムは、１つまたは複数のパブリックおよび／またはプ
ライベートネットワーク１３５を介して、（例えば、設備、エネルギーストレージシステ
ム、およびメーター装置を含む）消費者の施設に接続された、１つまたは複数の処理装置
１２０Ａを含んでもよい。ある実施形態では、ネットワーク接続された処理装置１２０Ａ
は、制御システムの機能を提供するのに適した、中央サーバ、分散処理システム、および
／または任意の数のプロセッサ、メモリ、および／または物理的および／または論理的配
置のデータ記憶装置を含んでもよい。
ある実施形態では、制御システムは、設備の存在する場所にある、複数の処理装置１２
０の組み合わせであってもよく、ネットワーク１３５を介して接続された処理装置１２０
Ａであってもよい。
ある実施形態では、制御システムは、様々なデータソースからの過去およびリアルタイ
ム／略リアルタイムデータにアクセスし或いはそれらを取得するように構成されている。
ある実施形態では、制御システムは、少なくとも１つのメーター装置からメーターデータ
を受信するためのメーターインターフェースを含む。ある実施形態では、制御システムは
、設備によって計測、生成、および／または報告された設備データを受信するための設備
インターフェースを含む。ある実施形態では、設備データは、例えば空調、暖房、換気シ
ステム、照明、機械などを含む電気消費装置に関する情報および／またはデータを含み得
る。
ある実施形態では、制御システムの１つまたは複数のプロセッサは、人工ニューラルネ
ットワークによって生成された予測送電レベル負荷および信頼値に基づいて、配電システ
ムにおける潜在的な同時ピークを識別するように構成されている。潜在的な同時ピークを
識別した場合に、プロセッサは、エネルギーストレージシステムに蓄積されたエネルギー
を電気設備に消費させる信号を送信する。ある状況では、これは、識別された潜在的な同
時ピーク中に配電システムから引き出されるエネルギーを減らす。
ある実施形態では、制御システムは、人工ニューラルネットワーク（ＡＮＮ）を形成す
るように構成された複数の層状ノードを含む。ある実施形態では、ニューラルネットワー
クは、バッチ正規化および整流器非線形性を有する畳み込み層の複数の残差ブロックを含
む。本明細書に記載または他の方法で説明されるとおり、ある実施形態では、ＡＮＮは、
配電システムによってカバーされる管轄区域全体についての予測送電レベル負荷および信
頼値を生成するようにトレーニングされる。
換言すれば、ある実施形態では、制御システムは、（例えば、顧客の敷地内にある）メ
ーター装置の背後にある電気設備だけでなく、配電システムによって提供される電力グリ
ッド全体における送電レベル負荷を判定するように構成されている。
ある実施形態では、本明細書に記載されているシステムおよび方法は、電力負荷分析に
関連するエネルギー変数にディープラーニングを適用する。ある実施形態では、ディープ
ラーニングは、より高いレベルがより抽象的なエンティティを表す、複数のレベルの抽象
化を通してデータをマッピングする方法を含む。ある状況では、ディープラーニングは、
人間が作成した機能およびルールを使用せずに、入力を出力にマッピングする複雑な機能
を学習するための完全自動システムを提供できる。ある実施形態では、システムは、抽象
化レベルが複数の非線形の隠れ層（hidden layer）によってモデル化されたフィードフォ
ワードニューラルネットワークを含むことができる。本明細書に記載されたある実施形態
は、入力として電力負荷エネルギー変数を受け付け、複数層の非線形処理ユニットを適用
して、エネルギーデータ予測のセットを計算するシステムおよび方法を提供する。
図７を参照すると、図示は、機械学習ユニットを備える、電力負荷予測のための例示的
な制御システム７００の態様である。機械学習ユニットは、ディープニューラルネットワ
ーク（ＤＮＮ）７０１によって実装されることが好ましい。ＤＮＮは、入力として、リア
ルタイムまたは過去のデータのエネルギーデータセットから抽出された特徴を含むエネル
ギー変数のセットを受け取り、電力負荷を予測することを目的とした出力を生成する。エ
ネルギー変数の定量化は、これらのシステムでは、意味のある単位の有無によらず、絶対
的または相対的なスケールで１つまたは複数の実数値で表すことができる。ある実施形態
では、ＤＮＮは、電力負荷を予測することを目的とした出力に加えて、他の出力を提供す
ることができる。
システム７００は、ＤＮＮ７０１に通信可能に連結されたメモリ７０６をさらに含む。
図示されたＤＮＮ７０１の実施形態は、複数の層７０２を有する（すなわちディープ）フ
ィードフォワードニューラルネットワークを含む。各層は１つまたは複数の処理ユニット
７０４を含み、各処理ユニットは、入力を出力にマッピングする特徴検出器および／また
は計算を実装している。処理ユニット７０４は他の層から複数のパラメータ入力を受け取
り、それぞれの処理ユニット７０４へのそれらの各パラメータ入力に対して関連付けられ
た重みを有する活性化関数を適用する。一般に、層ｌの処理ユニットの出力は入力として
１つまたは複数の層ｌ＋１へ供給される。
各処理ユニットは、ネットワークの処理「ノード」と見なされてもよく、１つまたは複
数のノードは、シングルまたはマルチコアプロセッサおよび／またはグラフィックス処理
ユニット（ＧＰＵ）などの処理装置によって実装されてもよい。さらに、各処理ユニット
は、隠れ層または入力層として、それぞれ、ニューラルネットワークの隠れユニットまた
は入力ユニットに関連付けられていると見なし得ることは理解されよう。大規模で（多数
の隠れ変数）およびディープな（複数の隠れ層）ニューラルネットワークを使用すること
は、他のシステムと比較してＣＶＰの予測パフォーマンスを向上させ得る。
ある実施形態では、ＤＮＮの入力層への入力として、前日および前週の同日の負荷プロ
ファイル、天気予報、リアルタイム送電システムデータ、および電気および天然ガスの料
金、系統間流量データ、およびスパーク割合のようなリアルタイム経済的要因に由来する
特徴を含む過去の負荷データが受け付けられてよく、ＤＮＮの出力層での出力には、エネ
ルギー変数が含まれていてもよい。
メモリ７０６は、各特徴検出器のアクティベーションおよび学習済みの重みを記憶し、
電気事業者情報と追加情報のデータセットを記憶し、任意でＤＮＮ７０４からの出力を記
憶するためのデータベースを含んでもよい。電気事業者情報は、トレーニングデータを含
むトレーニングセットを含んでもよい。トレーニングデータは、例えば、エネルギー変数
を予測するためにＤＮＮ７０１をトレーニングするために使用されてもよく、その場合、
既知の特徴を有するエネルギー変数が提供されてもよい。メモリ７０６は、検証データを
含む検証セットをさらに記憶することができる。
一般に、トレーニング段階の間、ニューラルネットワークは、各処理ユニットのために
最適化された重みを学習する。学習後、最適化された重み設定はテストデータに適用され
る。確率的勾配降下法が、フィードフォワードニューラルネットワークをトレーニングす
るために使用されてもよい。学習プロセス（バックプロパゲーション）は、ほとんどの部
分で行列の乗算を伴うため、ＧＰＵを使用した高速化に適している。さらに、ドロップア
ウト技法を利用して、過剰適合を防ぐことができる。
システムは、ＤＮＮで実行される動作を制御するために、ＤＮＮ７０１に通信可能に連
結された処理装置７１０をさらに含んでもよい。処理装置は、（コンピュータマウスまた
はキーボードなどの）入力周辺機器および／またはディスプレイなどの入力装置および出
力装置をさらに含んでもよい。処理装置７１０は、データを送信および受信するためにワ
イヤレスネットワーク７０８にさらに転結されてもよい。ある実施形態では、電気事業者
情報は、メモリ７０６に記憶するためにネットワーク７０８を介して受信される。電力負
荷予測およびエネルギー変数優先順位のリストは、ディスプレイを介してユーザに表示さ
れてもよい。
図には適用可能なアーキテクチャの実施形態が示されるが、隠れ層の数、各層に含まれ
る処理ユニットの数、およびそれらの配置は、図示のものに限られない。
制御システムは、複数のデータソース１６０および／またはデータリポジトリ１６５に
アクセスし、或いはデータを受信するように構成されている。ある実施形態では、すべて
のデータの一部は、ネットワーク１３５を介して受信されてもよい。ある実施形態では、
データの一部は、設備１１０の敷地内にローカルに記憶されてもよい。
ある実施形態では、データソースは、サーバ、ウェブページ、データベース、および／
または入力データを取得可能な処理装置およびストレージ装置の任意の組み合わせであっ
てもよい。ある実施形態では、入力データは、天気データ（温度、湿度、風、日射量、雲
量など）、およびリアルタイムまたは略リアルタイムでアクセスされ得る電力市場データ
セットを含む。ある実施形態では、制御システムは、過去データ（例えば、オンラインの
設備が生成した前年、前月、前週、前日、前時のエネルギー使用量、電気のコスト、天然
ガスのコスト、電力の入力および出力）を記憶および／またはアクセスする。
ある実施形態では、データは、負荷に最大の影響を有するものに基づいて係数の重み付
けを最適化するためにクリーニング或いは処理される。
ある実施形態では、制御システムは、分散処理システムおよび／またはクラウドベース
システムを含む。例えば、制御システムの一態様は、データの分散記憶および／または分
散処理のためにＨａｄｏｏｐ（商標）システム上に構築されてもよい。ある実施形態では
、制御システムは、リアルタイムまたは略リアルタイムで何千もの要因を収集および分析
して、何時に同時ピークが発生するかを予測する。
ある実施形態では、制御システムは、一日を通して定期的（例えば５分ごとに）更新さ
れるように構成されている。
ある実施形態では、制御システムのＡＮＮは、多数の入力を考慮するようにトレーニン
グされる。同時ピーク料金は、供給事業者と小売事業者（load serving entity）との間
で適切に請求および決済するためにＩＳＯが物理市場および金融市場を管理する送電レベ
ル負荷に基づいている。したがって、システムは、負荷側の直接的な電力消費量、たとえ
ば、この時間に住宅および製造施設などのすべてのユーザがどれだけの電力を使用してい
るかを予測するだけではない。配電レベルで接続された発電機は、送電レベルでの卸売市
場の総負荷削減であるため、システムの予測目標は次のように表すことができる。
ここで、
ｆ（ｘ，ｙ）は、ｘおよびｙの関数としての予測管轄区域の総負荷、
ｘは、各負荷側の電力を消費するリソース、そして、
ｙは、それぞれのＩＳＯまたは他の同等の市場運営者の管轄区域内の配電網に接続された
各発電機、
とする。
同時ピークを予測するために考慮されるデータの例示的なカテゴリーが含まれるがこれ
らに限定されるものではない。
Figure 0007482167000002
ある状況では、負荷のリソースは、時間ごとのエネルギー消費でも、非線形関係でも互
いの間で相関することができ、直接的および間接的な要因の非常に大きなセット（１０，
０００以上の要因）に基づいてエネルギーを消費する。例えば、気象条件が負荷電力消費
とソーラーＰＶ（太陽光発電）発電所の発電に影響を与える可能性があり、電力の料金が
短期的な電力消費に与える影響は最小限であるが、中期的には消費の変化を修正できる。
ある実施形態では、ＡＮＮは、以下をカプセル化するか、そうでなければ考慮／解決す
るように構成されている。
ここで、
Ｌｘ１は、時間ｔにおける負荷リソースｘ１からの電力消費量、
Ｗ（ｔ）は、時間ｔにおける以前および現在の気象条件、
Ｔ（ｔ）は、時間ｔにおける以前および現在の送電条件、
Ｌ（ｔ）は、時間ｔにおける以前および現在の負荷情報、
Ｐ（ｔ）は、時間ｔにおける以前および現在の料金情報、
Ｇ（ｔ）は、時刻ｔにおける以前および現在の発電機情報、
ＬＳＲ（ｔ）は、時刻ｔにおける以前および現在の負荷側リソース情報、
とする。
図２は、同時ピーク消費およびそれに関連する料金を削減するようにエネルギーストレ
ージシステムを制御するための例示的なエンドトゥエンド方法の態様を示す。
上記のとおり、ある実施形態では、入力データは、予測および実測の気象データセット
、配電に連結された発電データセット、電気事業者およびＩＳＯ公表の料金および送電デ
ータ、負荷側データなどを含むことができる。
ニューラルネットワークの多くのアプリケーションでは、データの統計的特性が考慮さ
れない。季節的なパターンは、ＩＳＯレベルおよび個々の負荷（すなわち商業ビル）の両
方の電力使用量データに頻繁に発生し得る。系統的な１年の中の電力使用量の季節変動は
、周期的な気候の影響または経済活動の振る舞いであり得る。
２０１６年１月１日から２０１６年１２月３１日までのトロントの商業ビルの電力使用
量のプロットを示す図３を参照すると、電力使用量データの季節性がニューラルネットワ
ークの予測機能に大きな影響を与える可能性がある。左側のプロットでは、横軸は月を表
し、ページ内の軸はその月の日を表し、縦軸は電力使用量を表す。右側のプロットは、横
軸が月を表し、縦軸がその月の日を表し、電力使用量がカラースケールで表される、２Ｄ
での同一のプロットである。これらのプロット例では、夏季の電力使用量が著しく多いこ
と、および平日の電力使用量も多いことを示すパターンがみられる。
再び図２を参照すると、モデルをトレーニングするとき、データのクリーニング、統計
的方法、および機械学習アルゴリズムが適用されてもよい。
ある実施形態では、ニューラルネットワークに供給される前にデータの季節パターンを
検出するために、スペクトル分析がデータ前処理に使用される。ある実施形態では、プロ
セッサは、データをモデルに供給する前に、スペクトル分析を適用して、任意の周波数、
データの分散の相対相関を識別するように構成されている。ある実施形態では、スペクト
ル分析は、電気負荷などのタイムスタンプ付きデータに適用されて、設備が工場を含むか
どうかなどの基礎となるリソースまたはデータの傾向および固有の特徴を分析するための
周波数および増幅器タイプの出力を生成する。
さらに、ある実施形態では、生のデータセットが高次元であるので、データの処理に高
度な統計が適用され得る。プロセッサを使用して、データセットの初期の関連性を判断す
るために、ＩＳＯ負荷における特定のパターンとの相関についてのデータセットが計算さ
れる。ほとんどのＩＳＯ卸売電力市場における料金データは地域ベースのエネルギーの限
界コスト（ＬＭＰ）であり、リアルタイムマーケット（ＲＴＭ）では５分ごとにノードベ
ースで決済され、前日市場（ＤＡＭ）では毎時で決済される。ある状況では、管轄区域の
全体的な負荷を含む多くの要因により、選択された料金ポイントが送電線の輻輳に関する
情報を提供する。
ある実施形態では、プロセッサは、複数の変数回帰および信頼区間を生成するように構
成されている。ある実施形態では、この統計分析は、システム内のすべての生データに関
する記述統計の適用を含み、独立性のカイ二乗検定、特徴／ラベル間の相関関係、および
／またはＡＮＯＶＡ検定を含む完全性試験に進む。
ある実施形態では、不均衡なデータセットが、（例えば、非常に曇りの日または変電所
の修理など）まれに表される条件を説明するために選択される。ある状況では、これによ
り、不均衡なデータセットを利用しない方法よりもシステムの予測が向上し得る。ある実
施形態では、これらのデータセットは、将来のモデリングおよびアルゴリズムがより高い
精度で実行できることを確実にするために、複製データセット、ラベリング、およびバッ
チサイズ選択を含むが、これらに限定されない技法で処理され得る。ある実施形態では、
不均衡データセットは、発生頻度およびＩＳＯレベル負荷との相関に基づいて選択される
。
ある実施形態では、システムは、エネルギーストレージ装置自体などの高度な制御能力
を持つ潜在的市場を破壊する装置および技術を説明する。ある実施形態では、システムは
データセットを収集し、そのようなプロジェクトおよび／または制御能力を有する他の装
置の現在のデマンドレスポンスを処理する。ある状況では、これらの資産は、一部のＩＳ
Ｏ管轄で見られるように、ＩＳＯの負荷を減らす可能性がある。ある状況では、これらの
データフィードを維持し処理することによって、制御システムは負荷条件をより正確に決
定することができる。
ある実施形態では、異常値の分析は、特に分類が主要な目的の部分でのモデリングにお
いて異常値の効果を制限するために行われ得る。
システムは、パラメータθを持つディープニューラルネットワークｆθをトレーニング
し、利用する。このニューラルネットワークは、上述のとおり現在の状態と過去の生デー
タの状態を入力として、以後数時間の電力使用量の予測とこの予測の信頼レベルの両方を
出力する（ｐ，ｖ）＝ｆθ（ｓ）。ｐの行列は、今後数時間の予測された電力使用量を表
す。このニューラルネットワークは、ポリシーネットワークおよびバリューネットワーク
の両方のタスクを１つのアーキテクチャにまとめる。ある実施形態では、ニューラルネッ
トワークは、バッチ正規化および整流器非線形性を有する畳み込み層の多くの残差ブロッ
クを含む。
ある実施形態では、制御システム内のニューラルネットワークは、強化学習アルゴリズ
ムで予測されたデータから一貫して自己学習する。各時間ｓにおいて、ニューラルネット
ワークｆθによって導かれて、離散タブーサーチが実行される。検索は、各予測の信頼度
ｘを出力する。これらの検索信頼度レベルは通常、ニューラルネットワークｆθ（ｓ）の
生予測ｐよりも強固な予測を選択する。したがって、離散タブーはポリシー改善演算子と
見なすことができる。
ある実施形態では、システムは、ポリシー反復（イテレーション）手順をこれらの検索
演算子を用いて強化学習アルゴリズムを適用する。ニューラルネットワークのパラメータ
は、移動確率および値（ｐ，ｖ）＝ｆθ（ｓ）を改良された検索確率および更新された実
際ＩＳＯ負荷値に、より密接に適合させるためにアップデートされる。これらの新しいパ
ラメータは、検索を改善するために予測の次のイテレーションで使用される。図５は、自
己学習パイプラインの態様を例示的に示した図である。
自己学習フェーズでは、プログラムは、中期のＩＳＯレベルの電力使用量ｓ１，・・・
，ｓＴ自身を予測している。それぞれのｓｔにおいて、最新のニューラルネットワークｆ
θを用いて、離散タブーａθが実行される。予測は、離散タブーａｔ～ｘｔによって計算
された検索確率に従って選択される。ターミナルｓＴは前の値に従って計算される。
トレーニングの間、ニューラルネットワークは、入力として生データｓｔを受信し、パ
ラメータθを持つ多くの畳み込み層を通してそれを受け渡し、そして中期の予測を表すマ
トリックスｐｔおよび信頼レベルを表すスカラー値ｖｔを出力する。ニューラルネットワ
ークパラメータθは、検索確率ｘｔに対するポリシーベクトルｐｔの類似性を最大にし、
予測値と実測値との間の誤差を最小にするように更新される。新しいパラメータは、次の
自己学習のイテレーションで使用される。
ある実施形態では、ニューラルネットワークは、離散タブーサーチを使用してそれぞれ
の予測を計算することによって、自分自身をトレーニングするように構成され得る。はじ
めに、ニューラルネットワークをランダムな重みθ０に初期化する。各イテレーションに
おいて、ｉ≧１の場合に、予測が生成される（図５、自己学習参照）。それぞれのｔにお
いて、ニューラルネットワークｆθｉ－１の前イテレーションを用いて、離散タブーサー
チｘｔ＝ａθｉ－１（ｓｔ）が実行される。
ニューラルネットワーク（ｐ，ｖ）＝ｆθ（ｓ）は、予測されたＩＳＯ負荷値とＩＳＯ
実測負荷値との誤差を最小にするように、かつ、検索確率ｘに対するニューラルネットワ
ークの移動確率ｐの類似性を最大にするように調整される。具体的には、パラメータθは
、平均二乗誤差とクロスエントロピー損失をそれぞれ合計する損失関数ｌの勾配降下によ
って調整される。
ここで、Ｃは、（オーバーフィッティングを防ぐために）Ｌ２重量正則化のレベルを制
御するパラメータである。
実験例では、学習パイプラインは、人間の介入なしにシステムをトレーニングするため
に利用された。トレーニングの過程で、離散タブーサーチごとに１０００のシミュレーシ
ョンを使用して、１万を超える予測が生成された。
図６は、精度に対する、トレーニング時間の関数として、自己学習強化学習時のシステ
ムの性能を示す。学習はトレーニングを通してスムーズに進み、振動または壊滅的忘却の
影響を受けなかった。３６時間後、強化ディープラーニングを用いたシステムは、サポー
トベクトル回帰を用いたシステムよりも優れていることが観察された。
図２を参照すると、ある実施形態では、トレーニングされたモデル（ＡＮＮなど）は、
リアルタイム動作に合わせて調整するように変更されている。ある実施形態では、モデル
は、リアルタイムまたは略リアルタイムのデータフィードからの欠損したまたは遅延した
データに対応するように変更されている。例えば、誤差はＩＳＯのソースからの誤差を含
み得る。ある実施形態では、リアルタイム動作のためのアルゴリズムは、計算、モデル、
および／または入力パラメータを含むように変更され、一般的に全てのデータが制御シス
テムに供給されなくても結果を生成する。
図４は、制御システムを動作させるための例示的な方法の態様を示す。ある実施形態で
は、信号が、制御システムとエネルギーストレージシステム（ＥＳＳ）との間で通信され
得る。ある実施形態では、ＥＳＳは、安全性および／または動作パラメータ条件を制御シ
ステムに通信するように構成され得る。
例えば、いくつかのエネルギーストレージシステムは、特にバッテリータイプでは、一
般的なリチウムイオンなどの異なる化学物質に基づいている。これらの物質は、損傷、火
災、爆発、またはその他の悪影響を防ぐために、さまざまな環境で安全な動作範囲がある
。ある実施形態では、利用されるＥＳＳハードウェア技術に応じて、入力は周囲温度、湿
度、セル温度、電流、無効電力、グリッド周波数などを含み得る。ある実施形態では、こ
れらの入力は、ＥＳＳが放電されるべき期間の識別に影響を及ぼし得るＥＳＳのための動
作パラメータを制御システムに提供する。
ある実施形態では、ＥＳＳは、追加的または代替的に目標電力、動作モード、セル温度
、実際の電力出力、公称残存エネルギーなどを含むデータを制御システムへ通信すること
ができる。
ある実施形態では、制御システムは、他の情報を考慮に入れながら収益の流れを最適化
するアルゴリズムを適用するように構成されたソフトウェア・プラットフォームを含む。
例えば、ある実施形態では、プラットフォームは、卸売体系および料金体系からのそれぞ
れの規則および収集データに従って消費および削減を計算し、そして、会計の観点から請
求および決済サービスを提供することができる。
潜在的な同時ピークを識別すると、プロセッサは、エネルギーストレージシステムに貯
えられたエネルギーを電気設備に消費させる信号を送信する。ある状況では、これは、識
別された潜在的な同時ピーク中において、配電システムから引き出されるエネルギーを減
少させる。
ある実施形態では、送信された信号は、エネルギーストレージシステムのエネルギー容
量と定格出力電力に基づいて少なくとも部分的に選択された時間期間中に、エネルギース
トレージシステムに貯えられたエネルギーを電気設備に消費させる。
例えば、ある実施形態では、制御システムは、電流または予測された設備による利用お
よび定格出力電力に基づいて、エネルギーストレージシステムに貯えられたエネルギーが
続く時間の長さを決定することができる。この時間の長さは、ＥＳＳから放電させる信号
が生成され、同時ピーク中にＥＳＳから放出される可能性を最大にする時間に影響を及ぼ
し得る。ＥＳＳの容量が大きい場合、または定格出力電力が低い場合、ＥＳＳが放電でき
る期間が長くなるので、放電させる信号は、予測された同時ピークより早く開始し、およ
び／または遅く終了してもよい。
ある実施形態では、同時ピークの、より正確な識別を提供することにより、システムま
たは設備がより小容量のＥＳＳを利用することができ、そしてさらに同時ピーク中の消費
電力を低減することができる。ある状況では、これによって、より小さくより安価なＥＳ
Ｓを使用してシステムが設計および実装され得る。ＥＳＳをインストールするのに必要な
設備投資（capital expenditure）が高いので、これによってかなりの節約がもたらされ
得る。
ある実施形態では、プロセッサは、前年と現在の年の過去のピーク値から過去の同時ピ
ークデータに基づいて、潜在的な同時ピーク閾値を判定する。予測送電レベル負荷が、信
頼値の影響を受ける潜在的な同時ピーク閾値を超えるとき、プロセッサは、ＥＳＳに貯え
られたエネルギーを放出するための信号を生成するように構成されてもよい。
ある実施例では、プロセッサは、現在の年の過去のピーク値、現在の年でのこれらのピ
ークの量、および配電システムのＩＳＯによって記録される同時ピークの数に基づいて、
潜在的な同時ピーク閾値を更新するように構成されている。例えば、現在の年の潜在的な
ピークの数がすでにＩＳＯで記録されている数を超えている場合、予測される送電レベル
負荷が、前の潜在的な同時ピークの実際の送電レベル負荷に近いか、それを上回らない限
り、プロセッサは、放電をトリガする可能性が低い。
ある実施形態では、（例えば年次の）同時ピーク記録期間の終了時に、プロセッサは、
制御システムが実際の同時ピーク中にＥＳＳの放電をトリガするか否かを自動的に判定し
、かつ、潜在的な同時ピーク閾値およびＡＮＮパラメータを更新するように構成されてい
る。
本明細書に記載された装置、システムおよび方法の実施形態は、ハードウェアとソフト
ウェアの両方の組み合わせによって実装されてもよい。これらの実施形態は、各コンピュ
ータが少なくとも１つのプロセッサ、（揮発性メモリ、不揮発性メモリ、他のデータ記憶
素子、またはそれらの組み合わせを含む）データ記憶システム、および少なくとも１つの
通信インターフェースを含む、プログラム可能なコンピュータで実装されることができる
。
プログラムコードは、入力データに適用され、本明細書に記載の機能を実行し、出力情
報を生成する。出力情報は１つまたは複数の出力装置に適用される。ある実施形態では、
通信インターフェースはネットワーク通信インターフェースであり得る。ある実施形態で
は、要素が組み合わされて、通信インターフェースは、プロセス間通信用のインターフェ
ースなど、ソフトウェア通信インターフェースであってもよい。さらに他の実施形態では
、ハードウェア、ソフトウェア、およびそれらの組み合わせとして実装された、通信イン
ターフェースの組み合わせであってもよい。
実施形態の技術的解決法は、ソフトウェア製品の形態であってもよい。ソフトウェア製
品は、コンパクトディスクリードオンリーメモリ（ＣＤ－ＲＯＭ）、ＵＳＢフラッシュデ
ィスク、またはリムーバブルハードディスクなどの、不揮発性または非一時的な記憶媒体
に記憶することができる。ソフトウェア製品は、コンピュータ装置（パーソナルコンピュ
ータ、サーバ、またはネットワーク装置）が実施形態によって提供される方法を実行する
ことを可能にする、いくつかの命令を含む。
本明細書に記載の実施形態は、処理装置、サーバ、受信機、送信機、プロセッサ、メモ
リ、ディスプレイ、およびネットワークを含む、物理的なコンピュータハードウェアによ
り実装される。本明細書に記載の実施形態は、有用な物理機械、特別に構成されたコンピ
ュータハードウェア構成を提供する。本明細書に記載の実施形態は、様々な種類の情報を
表す電磁信号を処理および変換するように適合された電子機器および電子機器によって実
施される方法を対象とする。
本明細書に記載の実施形態は、広範囲に一体的に、機械、およびそれらの使用に関する
。そして、本明細書に記載の実施形態は、コンピュータハードウェア、機械、および様々
なハードウェアコンポーネントを用いたそれらの使用以外には、意味または実際的適用性
を有さない。
特に、例えば精神的手順を用いた、様々な動作を実施するように構成された物理的なハ
ードウェアの物理的なハードウェア以外への置き換えは、実質的に実施形態が動作する方
法に影響することができる。そのようなコンピュータハードウェアの制限は、本明細書に
記載の実施形態の明らかに必須の要素であり、本明細書に記載の実施形態の動作および構
造に重大な影響を及ぼすことなく、省略または精神的手段に置き換えることはできない。
コンピュータハードウェアは、本明細書に記載の様々な実施形態を実施するために不可欠
であり、単に迅速にかつ効率的な方法でステップを実行するために使用されるものではな
い。
実施形態を詳細に説明してきたが、様々な変更、交換および変更は、本明細書でなされ
得ることが理解されるべきである。
さらに、本出願の範囲は、明細書に記載されたプロセス、機械、製造、物質の組成、手
段、方法およびステップの特定の実施形態に限定されるものではない。当業者であれば、
本開示から、実質的に同じ機能を実行するか、または実質的に同様の結果を達成する、現
在存在するまたは今後開発される、プロセス、機械、製造、物質の組成、手段、方法およ
びステップが適用され得ることを容易に理解されよう。したがって、添付の特許請求の範
囲は、そのようなプロセス、機械、製造、物質の組成、手段、方法、またはステップをそ
の範囲内に含むことを意図している。
理解可能なように、上述されおよび図面に示された実施例は単なる例示を意図している
。

Claims (20)

  1. エネルギーストレージシステムを制御するための制御システムであって、
    配電システムから電気設備によって引き出されるエネルギーを記録するように配置された少なくとも１つのメーター装置からメーターデータを受信するための、メーターインターフェースと、
    前記電気設備に接続されたエネルギーストレージシステムであって、エネルギー容量および定格出力電力を有する前記エネルギーストレージシステムと通信するための、エネルギーストレージシステムインターフェースと、
    前記配電システムの管轄区域全体の予測送電レベル負荷および信頼値を生成するようにトレーニングされた人工ニューラルネットワークを形成するように構成されている複数の層状ノードを含む、コントローラと、
    を備え、
    前記コントローラは、少なくとも１つのメモリと少なくとも１つのプロセッサとを備え、
    前記人工ニューラルネットワークによって生成された前記予測送電レベル負荷および信頼値に基づいて現在の期間が前記配電システムにおける潜在的な同時ピークであるか否かを判定することであって、前記潜在的な同時ピークは、複数日の請求期間にわたる、前記配電システムの前記管轄区域全体の、複数の非連続的なピーク電力消費の時間帯のうち、最も高いピークの１つを有するピーク電力消費の時間帯である、前記判定することを実行し、
    前記現在の期間が潜在的な同時ピークであると判定した場合に、前記エネルギーストレージシステムに貯えられたエネルギーを前記電気設備に消費させる信号を送信し、前記配電システムから引き出される前記エネルギーを減らすように構成されている、制御システム。
  2. 送信された前記信号は、前記エネルギーストレージシステムの前記エネルギー容量と前記定格出力電力に少なくとも部分的に基づいて選択された期間中に、前記エネルギーストレージシステムに貯えられたエネルギーを前記電気設備に消費させる、請求項１に記載の制御システム。
  3. 前記複数の層状ノードは、前記配電システムの前記管轄区域内の負荷側リソースと前記配電システムの前記管轄区域内の発電機の出力とによって少なくとも部分的に定義された予測ターゲットに基づいて前記人工ニューラルネットワークを形成するように構成されている、請求項１に記載の制御システム。
  4. 前記人工ニューラルネットワークは、定義された以後数時間の予測送電レベル負荷の行列を生成する、請求項１に記載の制御システム。
  5. 前記コントローラは、強化学習モデルに基づいて前記人工ニューラルネットワークのパラメータを更新するように構成されている、請求項１に記載の制御システム。
  6. 前記人工ニューラルネットワークの前記パラメータを更新することは、
    前記人工ニューラルネットワークの前記パラメータを用いて複数の期間の離散タブーサーチを実行することと、
    前記離散タブーサーチの期間の予測送電レベル負荷と前記期間の実際の予測送電レベル負荷との間の誤差を最小にするように前記人工ニューラルネットワークの前記パラメータを更新することと、
    を含む、請求項５に記載の制御システム。
  7. 前記エネルギーストレージシステムは、前記電気設備の過去同時ピークデータおよびエネルギー消費速度に基づいて前記エネルギーストレージシステムの前記エネルギー容量および前記定格出力電力を提供するための１つまたは複数のエネルギーストレージ装置を有するように構成されている、請求項１に記載の制御システム。
  8. 前記コントローラは、前記電気設備の予測負荷に基づいて前記エネルギーストレージシステムに貯えられたエネルギーを前記電気設備に消費させる前記信号を送信するように構成されている、請求項１に記載の制御システム。
  9. 前記人工ニューラルネットワークは、負荷側リソースおよび発電機に影響を与える以前および現在の条件に関連する入力を有する、請求項１に記載の制御システム。
  10. 前記人工ニューラルネットワークは、電力消費および発電データの周波数、相対相関または分散の少なくとも１つを考慮するために、スペクトル分析を介して前処理されたデータを用いてトレーニングされる、請求項１に記載の制御システム。
  11. エネルギーストレージシステムを制御するための方法であって、
    配電システムから引き出されるエネルギーを記録するために前記配電システムと電気設備との間に配置された少なくとも１つのメーター装置からメーターデータを受信するステップと、
    人工ニューラルネットワークを形成するように構成された複数の層状ノードを用いて、リアルタイムまたは略リアルタイムの過去および現在の電力消費および発電データを使用し、前記配電システムの管轄区域全体の予測送電レベル負荷および信頼値を生成するステップと、
    前記人工ニューラルネットワークによって生成された前記予測送電レベル負荷および信頼値に基づいて現在の期間が前記配電システムにおける潜在的な同時ピークであるか否かを判定するステップであって、前記潜在的な同時ピークは、複数日の請求期間にわたる、前記配電システムの前記管轄区域全体の、複数の非連続的なピーク電力消費の時間帯のうち最も高いピークの１つを有するピーク電力消費の時間帯である、前記判定するステップと、
    前記現在の期間が潜在的な同時ピークであると判定した場合に、前記エネルギーストレージシステムに貯えられたエネルギーを前記電気設備に消費させる信号を送信し、前記配電システムから引き出される前記エネルギーを減らすステップと、
    を含む、方法。
  12. 送信された前記信号は、前記エネルギーストレージシステムのエネルギー容量および定格出力電力に少なくとも部分的に基づいて選択された期間中に、前記エネルギーストレージシステムに貯えられたエネルギーを前記電気設備に消費させる、請求項１１に記載の方法。
  13. 前記複数の層状ノードは、前記配電システムの前記管轄区域内の負荷側リソースと前記配電システムの前記管轄区域内の発電機の出力とによって少なくとも部分的に定義された予測ターゲットに基づいて前記人工ニューラルネットワークを形成するように構成されている、請求項１１に記載の方法。
  14. 前記人工ニューラルネットワークは、定義された以後数時間の予測送電レベル負荷の行列を生成する、請求項１１に記載の方法。
  15. 強化学習モデルに基づいて前記人工ニューラルネットワークのパラメータを更新するステップを含む、請求項１１に記載の方法。
  16. 前記人工ニューラルネットワークの前記パラメータを更新するステップは、
    前記人工ニューラルネットワークの前記パラメータを用いて複数の期間の離散タブーサーチを実行するステップと、
    前記離散タブーサーチの期間の予測送電レベル負荷と前記期間の実際の予測送電レベル負荷との間の誤差を最小にするように前記人工ニューラルネットワークの前記パラメータを更新するステップと、
    を含む、請求項１５に記載の方法。
  17. 前記電気設備の予測負荷に基づいて前記エネルギーストレージシステムに貯えられたエネルギーを前記電気設備に消費させる前記信号を送信するステップを含む、請求項１１に記載の方法。
  18. 前記人工ニューラルネットワークは、負荷側リソースおよび発電機に影響を与える以前および現在の条件に関連する入力を有する、請求項１１に記載の方法。
  19. 電力消費および発電データの周波数、相対相関または分散の少なくとも１つを考慮するために、スペクトル分析を介して前処理されたデータを用いて前記人工ニューラルネットワークをトレーニングするステップを含む、請求項１１に記載の方法。
  20. エネルギーストレージシステムを制御するための装置であって、
    少なくとも１つのメモリと、配電システムの管轄区域全体の予測送電レベル負荷および信頼値を生成するようにトレーニングされた人工ニューラルネットワークを形成するように構成されている複数の層状ノードを提供する、少なくとも１つのプロセッサと、
    を備え、
    前記少なくとも１つのプロセッサは、
    前記人工ニューラルネットワークによって生成された前記予測送電レベル負荷および信頼値に基づいて現在の期間が前記配電システムにおける潜在的な同時ピークであるか否かを判定することであって、前記潜在的な同時ピークは、複数日の請求期間にわたる、前記配電システムの前記管轄区域全体の、複数の非連続的なピーク電力消費の時間帯のうち最も高いピークの１つを有するピーク電力消費の時間帯である、前記判定することを実行し、
    前記現在の期間が潜在的な同時ピークであると判定した場合に、前記エネルギーストレージシステムに貯えられたエネルギーを電気設備に消費させる信号を送信し、前記配電システムから引き出される前記エネルギーを減らすように構成されている、制御システム。
JP2022055369A 2016-11-29 2022-03-30 動的エネルギーストレージシステム制御のためのシステムおよび方法 Active JP7482167B2 (ja)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201662427199P 2016-11-29 2016-11-29
US62/427,199 2016-11-29
JP2019529930A JP7051856B2 (ja) 2016-11-29 2017-11-29 動的エネルギーストレージシステム制御のためのシステムおよび方法
PCT/CA2017/051435 WO2018098575A1 (en) 2016-11-29 2017-11-29 System and method for dynamic energy storage system control

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2019529930A Division JP7051856B2 (ja) 2016-11-29 2017-11-29 動的エネルギーストレージシステム制御のためのシステムおよび方法

Publications (2)

Publication Number Publication Date
JP2022104955A JP2022104955A (ja) 2022-07-12
JP7482167B2 true JP7482167B2 (ja) 2024-05-13

Family

ID=62241123

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2019529930A Active JP7051856B2 (ja) 2016-11-29 2017-11-29 動的エネルギーストレージシステム制御のためのシステムおよび方法
JP2022055369A Active JP7482167B2 (ja) 2016-11-29 2022-03-30 動的エネルギーストレージシステム制御のためのシステムおよび方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2019529930A Active JP7051856B2 (ja) 2016-11-29 2017-11-29 動的エネルギーストレージシステム制御のためのシステムおよび方法

Country Status (6)

Country Link
US (1) US10873209B2 (ja)
EP (1) EP3549234A4 (ja)
JP (2) JP7051856B2 (ja)
AU (1) AU2017368470B2 (ja)
CA (1) CA3045324A1 (ja)
WO (1) WO2018098575A1 (ja)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102089772B1 (ko) * 2017-12-18 2020-03-17 두산중공업 주식회사 전력 사용량 예측 시스템 및 방법
EP3824677A1 (en) * 2018-07-19 2021-05-26 Telefonaktiebolaget Lm Ericsson (Publ) Method and devices for optimizing backup power control using machine learning
US11461112B2 (en) 2019-02-07 2022-10-04 International Business Machines Corporation Determining feature settings for code to deploy to a system by training a machine learning module
US10862302B1 (en) * 2019-07-01 2020-12-08 Oracle International Corporation Intelligent data preprocessing technique to facilitate loadshape forecasting for a utility system
CN110535146B (zh) * 2019-08-27 2022-09-23 哈尔滨工业大学 基于深度确定策略梯度强化学习的电力***无功优化方法
US11444473B2 (en) 2019-10-15 2022-09-13 Inventus Holdings, Llc Dynamic battery charging for maximum wind/solar peak clipping recapture
KR102253736B1 (ko) * 2019-11-26 2021-05-20 주식회사 비엠티 인공신경망을 이용한 재귀적 전력 수요 예측 방법
KR102253741B1 (ko) * 2019-11-26 2021-05-20 주식회사 비엠티 인공신경망을 이용한 다중적 전력 수요 예측 방법
CN111443615A (zh) * 2020-04-09 2020-07-24 南方电网科学研究院有限责任公司 一种用电设备控制***、方法以及设备
CN113872180A (zh) * 2020-06-30 2021-12-31 华为技术有限公司 设备供电的方法、***及相关设备
JP7125644B2 (ja) * 2020-09-07 2022-08-25 ダイキン工業株式会社 空調負荷学習装置、空調負荷予測装置
WO2022050420A1 (ja) * 2020-09-07 2022-03-10 ダイキン工業株式会社 空調負荷学習装置、空調負荷予測装置
KR102665459B1 (ko) * 2020-09-14 2024-05-13 한국전자통신연구원 주택 단지용 태양광 발전을 위한 용량 설계 장치 및 용량 설계 방법
CN112564186B (zh) * 2020-12-11 2022-06-14 中国电力科学研究院有限公司 一种辅助火电机组深度调峰的储能功率及容量规划方法及***
CN113078648B (zh) * 2021-03-31 2024-02-09 安徽尚特杰电力技术有限公司 一种基于微网控制器的***能量调度优化方法及***
CN113219871B (zh) * 2021-05-07 2022-04-01 淮阴工学院 一种养护室环境参数检测***
US20230135253A1 (en) * 2021-11-01 2023-05-04 Electronics And Telecommunications Research Institute Method of managing distributed energy resources and system for performing the same
US20230275455A1 (en) * 2022-02-25 2023-08-31 Peak Power, Inc. Systems and Methods of Energy Storage System Operation
CN116632841A (zh) * 2023-07-26 2023-08-22 国网山东省电力公司信息通信公司 融合多时序特征的配电台区短期用电负荷预测方法及***
CN117254586B (zh) * 2023-09-14 2024-06-04 山东华科信息技术有限公司 一种分布式能源并网监测调控***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005100972A (ja) 2003-08-28 2005-04-14 Matsushita Electric Ind Co Ltd 燃料電池システム
JP2009055713A (ja) 2007-08-27 2009-03-12 Toshiba Corp 電力変動予測システム
JP2011130584A (ja) 2009-12-17 2011-06-30 Fuji Electric Systems Co Ltd 発電計画作成方法および発電計画作成システム
JP2015192586A (ja) 2014-03-31 2015-11-02 株式会社明電舎 マイクログリッドの需給制御システムおよび需給制御方法
US20160233676A1 (en) 2015-02-10 2016-08-11 Schweizerische Bundesbahnen Sbb Method for controlling a technical system

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4914603A (en) * 1988-12-14 1990-04-03 Gte Laboratories Incorporated Training neural networks
JP3599387B2 (ja) * 1994-11-07 2004-12-08 東京電力株式会社 電力貯蔵システム
WO2009029777A1 (en) * 2007-08-31 2009-03-05 Powerit Solutions, Llc Automated peak demand controller
US8548638B2 (en) * 2008-09-15 2013-10-01 General Electric Company Energy management system and method
US9134353B2 (en) * 2009-02-26 2015-09-15 Distributed Energy Management Inc. Comfort-driven optimization of electric grid utilization
JP2012249458A (ja) * 2011-05-30 2012-12-13 Sony Corp 電力供給装置および電力供給制御方法
US20130030590A1 (en) 2011-07-29 2013-01-31 Green Charge Networks Llc Peak Mitigation Extension Using Energy Storage and Load Shedding
US20120150679A1 (en) * 2012-02-16 2012-06-14 Lazaris Spyros J Energy management system for power transmission to an intelligent electricity grid from a multi-resource renewable energy installation
US9438041B2 (en) * 2012-12-19 2016-09-06 Bosch Energy Storage Solutions Llc System and method for energy distribution
US9852481B1 (en) * 2013-03-13 2017-12-26 Johnson Controls Technology Company Systems and methods for cascaded model predictive control
US10566792B2 (en) * 2013-06-12 2020-02-18 Applied Hybrid Energy Pty Ltd Electrical power control method and system
CN103545843B (zh) * 2013-11-06 2014-11-19 国家电网公司 微电网离网协调控制方法
WO2016106373A1 (en) * 2014-12-22 2016-06-30 Robert Bosch Gmbh Method for adaptive demand charge reduction
JP6079803B2 (ja) * 2015-03-20 2017-02-15 ダイキン工業株式会社 デマンドレスポンス制御結果提示装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005100972A (ja) 2003-08-28 2005-04-14 Matsushita Electric Ind Co Ltd 燃料電池システム
JP2009055713A (ja) 2007-08-27 2009-03-12 Toshiba Corp 電力変動予測システム
JP2011130584A (ja) 2009-12-17 2011-06-30 Fuji Electric Systems Co Ltd 発電計画作成方法および発電計画作成システム
JP2015192586A (ja) 2014-03-31 2015-11-02 株式会社明電舎 マイクログリッドの需給制御システムおよび需給制御方法
US20160233676A1 (en) 2015-02-10 2016-08-11 Schweizerische Bundesbahnen Sbb Method for controlling a technical system

Also Published As

Publication number Publication date
EP3549234A1 (en) 2019-10-09
US10873209B2 (en) 2020-12-22
AU2017368470B2 (en) 2022-09-15
JP2022104955A (ja) 2022-07-12
US20190312457A1 (en) 2019-10-10
JP2020501491A (ja) 2020-01-16
CA3045324A1 (en) 2018-06-07
EP3549234A4 (en) 2020-04-22
AU2017368470A1 (en) 2019-07-11
JP7051856B2 (ja) 2022-04-11
WO2018098575A1 (en) 2018-06-07

Similar Documents

Publication Publication Date Title
JP7482167B2 (ja) 動的エネルギーストレージシステム制御のためのシステムおよび方法
CN111492559B (zh) 用于能量存储***的最佳控制的***和方法
Li et al. A review on the integration of probabilistic solar forecasting in power systems
Correa-Florez et al. Stochastic operation of home energy management systems including battery cycling
Lusis et al. Short-term residential load forecasting: Impact of calendar effects and forecast granularity
KR102187327B1 (ko) 자동기계학습 기반의 건물 부하 최적 관리 및 제어 시스템
Lujano-Rojas et al. Optimizing daily operation of battery energy storage systems under real-time pricing schemes
EP3358426A1 (en) Building energy cost optimization system with asset sizing
Alam et al. Computational methods for residential energy cost optimization in smart grids: A survey
Zheng et al. A multi-year two-stage stochastic programming model for optimal design and operation of residential photovoltaic-battery systems
Qi et al. Energyboost: Learning-based control of home batteries
Gheouany et al. Experimental validation of multi-stage optimal energy management for a smart microgrid system under forecasting uncertainties
Giglio et al. An efficient artificial intelligence energy management system for urban building integrating photovoltaic and storage
Yao et al. Machine learning‐based energy efficient technologies for smart grid
WO2019117957A1 (en) System device, and method for mode-based energy storage management using machine learning
Obi Aggregated Water Heater System (AWHS) Optimization for Ancillary Services
Weixian Internet of Things (IoT) based Adaptive Energy Management System for Smart Homes
Parker A Comparative Study of Electricity Demand Forecasting Models for Residential Hot Water at the Individual Household Level
Kiguchi Residential Demand Response using Electricity Smart Meter Data
Shees et al. Integration of Artificial Intelligence in Future Smart Grids: An LSTM-RNN based Approach for Optimizing Energy Efficiency in Smart Grids
Mussakhanova et al. SD-LSTM Based Demand Response Framework for Prosumer Energy Management Systems
Li Internet of things (IoT) based adaptive energy management system for smart homes
Bara et al. Informatics Solutions for Smart Trading on Wholesale Electricity Markets Containing RES Bidders
Cardwell Dispatch strategy development for grid-tied household energy systems

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220427

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220427

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230606

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20230905

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20231102

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231204

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: 20240305

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20240404

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240426

R150 Certificate of patent or registration of utility model

Ref document number: 7482167

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150