知財求人 - 知財ポータルサイト「IP Force」
特許6128296最適メニュー決定システム、最適メニュー決定方法、及びプログラム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B1)
(11)【特許番号】6128296
(24)【登録日】2017年4月21日
(45)【発行日】2017年5月17日
(54)【発明の名称】最適メニュー決定システム、最適メニュー決定方法、及びプログラム
(51)【国際特許分類】
G06Q 50/06 20120101AFI20170508BHJP
【ＦＩ】
G06Q50/06
【請求項の数】21
【全頁数】34
(21)【出願番号】特願2017-504444(P2017-504444)
(86)(22)【出願日】2016年7月20日
(86)【国際出願番号】JP2016071312
【審査請求日】2017年1月26日
【早期審査対象出願】
(73)【特許権者】
【識別番号】000211307
【氏名又は名称】中国電力株式会社
(74)【代理人】
【識別番号】110000176
【氏名又は名称】一色国際特許業務法人
(72)【発明者】
【氏名】滝本 恭司
(72)【発明者】
【氏名】大江 隆二
【審査官】
宮地 匡人
(56)【参考文献】
【文献】
特開２０１６−０４５５６０（ＪＰ，Ａ）
【文献】
国際公開第２０１６／０８８３７０（ＷＯ，Ａ１）
【文献】
特開２０１３−１９６０３７（ＪＰ，Ａ）
【文献】
特開２００９−２９４９６９（ＪＰ，Ａ）
(58)【調査した分野】（Int.Cl.，ＤＢ名）
Ｇ０６Ｑ １０／００−９９／００
(57)【特許請求の範囲】
【請求項1】
通信ネットワークを介して少なくとも一の顧客端末に接続され、該少なくとも一の顧客の各々について、当該顧客の月単位の電力使用量の予測値を使用して、複数の電力料金プランの各々を評価するシステムであって、
少なくとも１年の各月の各日ごとの気象データと、該少なくとも一の顧客の各々の顧客固有の暦データと、顧客固有の月単位の電力使用量データとを格納するデータベースと、
少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとを該データベースから取得し、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとに基づいて、該顧客の月単位の電力使用量を予測する第１の予測モデルを生成する予測モデル生成部と、
少なくとも複数の年の各月の各日ごとの評価用の気象データと次の年の顧客固有の評価用の暦データとを該データベースから取得し、該評価用の気象データと該評価用の暦データとを使用して、該生成した第１の予測モデルにより、該評価用の気象データの該複数の年の数と等しい数の組を構成する、該顧客の月単位の電力使用量の予測値を予測分布として算出する料金プラン評価部とを含む、電気料金プラン評価システム。
少なくとも１年の各月の各日ごとの気象データと、該少なくとも一の顧客の各々の顧客固有の暦データと、顧客固有の月単位の電力使用量データとを格納するデータベースと、
少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとを該データベースから取得し、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとに基づいて、該顧客の月単位の電力使用量を予測する第１の予測モデルを生成する予測モデル生成部と、
少なくとも複数の年の各月の各日ごとの評価用の気象データと次の年の顧客固有の評価用の暦データとを該データベースから取得し、該評価用の気象データと該評価用の暦データとを使用して、該生成した第１の予測モデルにより、該評価用の気象データの該複数の年の数と等しい数の組を構成する、該顧客の月単位の電力使用量の予測値を予測分布として算出する料金プラン評価部とを含む、電気料金プラン評価システム。
【請求項2】
請求項１に記載の電気料金プラン評価システムにおいて、
該予測モデル生成部は、さらに、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとを該データベースから取得し、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとに基づいて、該第１の予測モデルが算出した該顧客の月単位の電力使用量から、該顧客の各月の各時間帯ごとの予測電力使用量行列を算出する第２の予測モデルを生成し、
該料金プラン評価部は、さらに、少なくとも該複数の年の各月の各日ごとの該評価用の気象データと該次の年の顧客固有の該評価用の暦データとを該データベースから取得し、該評価用の気象データと該評価用の暦データとを使用して、該生成した第２の予測モデルにより、該第１の予測モデルによって予測分布として算出した該顧客の月単位の電力使用量の予測値から、該評価用の気象データの該複数の年の数と等しい数の組を構成する、該顧客の各月の各時間帯ごと電力使用量の予測値を表す予測電力使用量行列を予測分布として算出する、電気料金プラン評価システム。
該予測モデル生成部は、さらに、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとを該データベースから取得し、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとに基づいて、該第１の予測モデルが算出した該顧客の月単位の電力使用量から、該顧客の各月の各時間帯ごとの予測電力使用量行列を算出する第２の予測モデルを生成し、
該料金プラン評価部は、さらに、少なくとも該複数の年の各月の各日ごとの該評価用の気象データと該次の年の顧客固有の該評価用の暦データとを該データベースから取得し、該評価用の気象データと該評価用の暦データとを使用して、該生成した第２の予測モデルにより、該第１の予測モデルによって予測分布として算出した該顧客の月単位の電力使用量の予測値から、該評価用の気象データの該複数の年の数と等しい数の組を構成する、該顧客の各月の各時間帯ごと電力使用量の予測値を表す予測電力使用量行列を予測分布として算出する、電気料金プラン評価システム。
【請求項3】
請求項２に記載の電気料金プラン評価システムにおいて、
該料金プラン評価部は、さらに、該第２の予測モデルによって予測分布として算出した該顧客の各月の各時間帯ごと電力使用量の予測値を表す該予測電力使用量行列に、該複数の電力料金プランの各料金プランの各時間帯ごとの電力料金単価を表す料金単価行列を適用することにより、各料金プランごとの電力料金を算出する、電気料金プラン評価システム。
該料金プラン評価部は、さらに、該第２の予測モデルによって予測分布として算出した該顧客の各月の各時間帯ごと電力使用量の予測値を表す該予測電力使用量行列に、該複数の電力料金プランの各料金プランの各時間帯ごとの電力料金単価を表す料金単価行列を適用することにより、各料金プランごとの電力料金を算出する、電気料金プラン評価システム。
【請求項4】
請求項１に記載の電気料金プラン評価システムにおいて、
該予測モデル生成部は、
該取得した各月の各日ごとの該推計用の気象データから各月ごとの冷房指数及び暖房指数を生成し、
該顧客固有の該推計用の暦データから該顧客の月ごとの営業日数と休日日数とを算出し、
該各月ごとの冷房指数及び暖房指数を含む推計用の気象データと各月の営業日数及び休日日数を含む該顧客固有の推計用の暦データとに基づいて、該顧客の月単位の電力使用量を予測する第１の予測モデルを生成する、電気料金プラン評価システム。
該予測モデル生成部は、
該取得した各月の各日ごとの該推計用の気象データから各月ごとの冷房指数及び暖房指数を生成し、
該顧客固有の該推計用の暦データから該顧客の月ごとの営業日数と休日日数とを算出し、
該各月ごとの冷房指数及び暖房指数を含む推計用の気象データと各月の営業日数及び休日日数を含む該顧客固有の推計用の暦データとに基づいて、該顧客の月単位の電力使用量を予測する第１の予測モデルを生成する、電気料金プラン評価システム。
【請求項5】
請求項２に記載の電気料金プラン評価システムにおいて、
該予測モデル生成部は、
該取得した各月の各日ごとの該推計用の気象データから各日ごとの冷房指数及び暖房指数を生成し、
該顧客固有の該推計用の暦データから該顧客の月ごとの営業日数と休日日数とを算出し、
連続する少なくとも２日の該各日ごとの冷房指数及び暖房指数を含む推計用の気象データと各月の営業日数及び休日数を含む該顧客固有の推計用の暦データとに基づいて、該顧客の各月の各時間帯ごとの電力使用量の予測値を表す予測電力使用量行列を算出する第２の予測モデルを生成する、電気料金プラン評価システム。
該予測モデル生成部は、
該取得した各月の各日ごとの該推計用の気象データから各日ごとの冷房指数及び暖房指数を生成し、
該顧客固有の該推計用の暦データから該顧客の月ごとの営業日数と休日日数とを算出し、
連続する少なくとも２日の該各日ごとの冷房指数及び暖房指数を含む推計用の気象データと各月の営業日数及び休日数を含む該顧客固有の推計用の暦データとに基づいて、該顧客の各月の各時間帯ごとの電力使用量の予測値を表す予測電力使用量行列を算出する第２の予測モデルを生成する、電気料金プラン評価システム。
【請求項6】
請求項１に記載の電気料金プラン評価システムにおいて、
該データベースに格納されている該顧客固有の月単位の電力使用量データは、生産等の事業サイクルやトレンド等の該顧客に固有の電力基準使用量を含み、
該予測モデル生成部が、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データと該顧客に固有の電力基準使用量とに基づいて、該顧客の月単位の電力使用量を予測する第１の予測モデルを生成し、
該料金プラン評価部が、該評価用の気象データと該評価用の暦データと該顧客に固有の電力基準使用量とを使用して、該生成した第１の予測モデルにより、該評価用の気象データの該複数の年の数と等しい数の組を構成する、該顧客の月単位の電力使用量の予測値を予測分布として算出する、電気料金プラン評価システム。
該データベースに格納されている該顧客固有の月単位の電力使用量データは、生産等の事業サイクルやトレンド等の該顧客に固有の電力基準使用量を含み、
該予測モデル生成部が、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データと該顧客に固有の電力基準使用量とに基づいて、該顧客の月単位の電力使用量を予測する第１の予測モデルを生成し、
該料金プラン評価部が、該評価用の気象データと該評価用の暦データと該顧客に固有の電力基準使用量とを使用して、該生成した第１の予測モデルにより、該評価用の気象データの該複数の年の数と等しい数の組を構成する、該顧客の月単位の電力使用量の予測値を予測分布として算出する、電気料金プラン評価システム。
【請求項7】
請求項１に記載の電気料金プラン評価システムにおいて、
該第１の予測モデルは、回帰分析により推計された線形予測モデルである、電気料金プラン評価システム。
該第１の予測モデルは、回帰分析により推計された線形予測モデルである、電気料金プラン評価システム。
【請求項8】
請求項１に記載の電気料金プラン評価システムにおいて、
該第１の予測モデルは、ニューラルネットワークである、電気料金プラン評価システム。
該第１の予測モデルは、ニューラルネットワークである、電気料金プラン評価システム。
【請求項9】
請求項１に記載の電気料金プラン評価システムにおいて、
該データベースは、該顧客のピーク率、夜間率、及びウィークエンド率を格納しており、
該料金プラン評価部は、
該データベースから該顧客のピーク率、夜間率、及びウィークエンド率を取得し、
該第１の予測モデルによって予測分布として算出した該顧客の月単位の電力使用量の予測値と、該ピーク率、該夜間率、及び該ウィークエンド率とから、該顧客のピーク使用電力、夜間使用電力、及びウィークエンド使用電力を算出する、電気料金プラン評価システム。
該データベースは、該顧客のピーク率、夜間率、及びウィークエンド率を格納しており、
該料金プラン評価部は、
該データベースから該顧客のピーク率、夜間率、及びウィークエンド率を取得し、
該第１の予測モデルによって予測分布として算出した該顧客の月単位の電力使用量の予測値と、該ピーク率、該夜間率、及び該ウィークエンド率とから、該顧客のピーク使用電力、夜間使用電力、及びウィークエンド使用電力を算出する、電気料金プラン評価システム。
【請求項10】
請求項３に記載の電気料金プラン評価システムにおいて、
送受信部をさらに含み、
該少なくとも一の顧客の端末及び料金プラン評価部は、表示部を含み、
該料金プラン評価部は、各料金プランごとの電力料金に基づいて該複数の電力料金プランの各々の評価結果を生成し、
該送受信部は、該複数の電力料金プランの各々の評価結果を該顧客の端末に送信し、該顧客の端末は、該複数の電力料金プランの各々の評価結果を該表示部に表示する、電気料金プラン評価システム。
送受信部をさらに含み、
該少なくとも一の顧客の端末及び料金プラン評価部は、表示部を含み、
該料金プラン評価部は、各料金プランごとの電力料金に基づいて該複数の電力料金プランの各々の評価結果を生成し、
該送受信部は、該複数の電力料金プランの各々の評価結果を該顧客の端末に送信し、該顧客の端末は、該複数の電力料金プランの各々の評価結果を該表示部に表示する、電気料金プラン評価システム。
【請求項11】
通信ネットワークを介して少なくとも一の顧客の端末に接続され、少なくとも１年の各月の各日ごとの気象データと、該少なくとも一の顧客の各々の顧客固有の暦データと、顧客固有の月単位の電力使用量データとを格納するデータベースと、予測モデル生成部と、料金プラン評価部とを含む電力料金プラン評価システムにおいて、該少なくとも一の顧客の各々について、該顧客の月単位の電力使用量の予測値を使用して、複数の電力料金プランの各々を評価する方法であって、
予測モデル生成部が、該各月の各日ごとの気象データと該顧客固有の暦データとを該データベースから取得するステップと、
予測モデル生成部が、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとを該データベースから取得し、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとに基づいて、該顧客の月単位の電力使用量を予測する第１の予測モデルを生成するステップと、
料金プラン評価部が、少なくとも複数の年の各月の各日ごとの評価用の気象データと次の年の顧客固有の評価用の暦データとを該データベースから取得し、該評価用の気象データと該評価用の暦データとを使用して、該生成した第１の予測モデルにより、該評価用の気象データの該複数の年の数と等しい数の組を構成する、該顧客の月単位の電力使用量の予測値を予測分布として算出するステップとを含む、電気料金プラン評価方法。
予測モデル生成部が、該各月の各日ごとの気象データと該顧客固有の暦データとを該データベースから取得するステップと、
予測モデル生成部が、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとを該データベースから取得し、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとに基づいて、該顧客の月単位の電力使用量を予測する第１の予測モデルを生成するステップと、
料金プラン評価部が、少なくとも複数の年の各月の各日ごとの評価用の気象データと次の年の顧客固有の評価用の暦データとを該データベースから取得し、該評価用の気象データと該評価用の暦データとを使用して、該生成した第１の予測モデルにより、該評価用の気象データの該複数の年の数と等しい数の組を構成する、該顧客の月単位の電力使用量の予測値を予測分布として算出するステップとを含む、電気料金プラン評価方法。
【請求項12】
請求項１１に記載の電気料金プラン評価方法において、
該予測モデル生成部が、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとを該データベースから取得し、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとに基づいて、該第１の予測モデルが算出した該顧客の月単位の電力使用量から、該顧客の各月の各時間帯ごとの予測電力使用量行列を算出する第２の予測モデルを生成するステップと、
該料金プラン評価部が、少なくとも該複数の年の各月の各日ごとの該評価用の気象データと該次の年の顧客固有の該評価用の暦データとを該データベースから取得し、該評価用の気象データと該評価用の暦データとを使用して、該生成した第２の予測モデルにより、該第１の予測モデルによって予測分布として算出した該顧客の月単位の電力使用量の予測値から、該評価用の気象データの該複数の年の数と等しい数の組を構成する、該顧客の各月の各時間帯ごと電力使用量の予測値を表す予測電力使用量行列を予測分布として算出するステップをさらに含む、電気料金プラン評価方法。
該予測モデル生成部が、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとを該データベースから取得し、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとに基づいて、該第１の予測モデルが算出した該顧客の月単位の電力使用量から、該顧客の各月の各時間帯ごとの予測電力使用量行列を算出する第２の予測モデルを生成するステップと、
該料金プラン評価部が、少なくとも該複数の年の各月の各日ごとの該評価用の気象データと該次の年の顧客固有の該評価用の暦データとを該データベースから取得し、該評価用の気象データと該評価用の暦データとを使用して、該生成した第２の予測モデルにより、該第１の予測モデルによって予測分布として算出した該顧客の月単位の電力使用量の予測値から、該評価用の気象データの該複数の年の数と等しい数の組を構成する、該顧客の各月の各時間帯ごと電力使用量の予測値を表す予測電力使用量行列を予測分布として算出するステップをさらに含む、電気料金プラン評価方法。
【請求項13】
請求項１２に記載の電気料金プラン評価方法において、
該料金プラン評価部が、該第２の予測モデルによって予測分布として算出した該顧客の各月の各時間帯ごと電力使用量の予測値を表す該予測電力使用量行列に、該複数の電力料金プランの各料金プランの各時間帯ごとの電力料金単価を表す料金単価行列を適用することにより、各料金プランごとの電力料金を算出するステップをさらに含む、電気料金プラン評価方法。
該料金プラン評価部が、該第２の予測モデルによって予測分布として算出した該顧客の各月の各時間帯ごと電力使用量の予測値を表す該予測電力使用量行列に、該複数の電力料金プランの各料金プランの各時間帯ごとの電力料金単価を表す料金単価行列を適用することにより、各料金プランごとの電力料金を算出するステップをさらに含む、電気料金プラン評価方法。
【請求項14】
請求項１１に記載の電気料金プラン評価方法において、
該予測モデル生成部が第１の予測モデルを生成するステップは、
該取得した各月の各日ごとの該推計用の気象データから各月ごとの冷房指数及び暖房指数を生成するステップと、
該顧客固有の該推計用の暦データから該顧客の月ごとの営業日数と休日日数とを算出するステップと、
該各月ごとの冷房指数及び暖房指数を含む推計用の気象データと各月の営業日数及び休日日数を含む該顧客固有の推計用の暦データとに基づいて、該顧客の月単位の電力使用量を予測する第１の予測モデルを生成するステップとを含む、電気料金プラン評価方法。
該予測モデル生成部が第１の予測モデルを生成するステップは、
該取得した各月の各日ごとの該推計用の気象データから各月ごとの冷房指数及び暖房指数を生成するステップと、
該顧客固有の該推計用の暦データから該顧客の月ごとの営業日数と休日日数とを算出するステップと、
該各月ごとの冷房指数及び暖房指数を含む推計用の気象データと各月の営業日数及び休日日数を含む該顧客固有の推計用の暦データとに基づいて、該顧客の月単位の電力使用量を予測する第１の予測モデルを生成するステップとを含む、電気料金プラン評価方法。
【請求項15】
請求項１２に記載の電気料金プラン評価方法において、
該予測モデル生成部が第２の予測モデルを生成するステップは、
該取得した各月の各日ごとの該推計用の気象データから各日ごとの冷房指数及び暖房指数を生成するステップと、
該顧客固有の該推計用の暦データから該顧客の月ごとの営業日数と休日日数とを算出するステップと、
連続する少なくとも２日の該各日ごとの冷房指数及び暖房指数を含む推計用の気象データと各月の営業日数及び休日日数を含む該顧客固有の推計用の暦データとに基づいて、該顧客の各月の各時間帯ごとの電力使用量の予測値を表す予測電力使用量行列を算出する第２の予測モデルを生成するステップとを含む、電気料金プラン評価方法。
該予測モデル生成部が第２の予測モデルを生成するステップは、
該取得した各月の各日ごとの該推計用の気象データから各日ごとの冷房指数及び暖房指数を生成するステップと、
該顧客固有の該推計用の暦データから該顧客の月ごとの営業日数と休日日数とを算出するステップと、
連続する少なくとも２日の該各日ごとの冷房指数及び暖房指数を含む推計用の気象データと各月の営業日数及び休日日数を含む該顧客固有の推計用の暦データとに基づいて、該顧客の各月の各時間帯ごとの電力使用量の予測値を表す予測電力使用量行列を算出する第２の予測モデルを生成するステップとを含む、電気料金プラン評価方法。
【請求項16】
請求項１１に記載の電気料金プラン評価方法において、
該データベースに格納されている該顧客固有の月単位の電力使用量データは、生産等の事業サイクルやトレンド等の該顧客に固有の電力基準使用量を含み、
該予測モデル生成部は、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データと該顧客に固有の電力基準使用量とに基づいて、該顧客の月単位の電力使用量を予測する第１の予測モデルを生成し、
該料金プラン評価部が、該評価用の気象データと該評価用の暦データと該顧客に固有の電力基準使用量とを使用して、該生成した第１の予測モデルにより、該評価用の気象データの該複数の年の数と等しい数の組を構成する、該顧客の月単位の電力使用量の予測値を予測分布として算出する、電気料金プラン評価方法。
該データベースに格納されている該顧客固有の月単位の電力使用量データは、生産等の事業サイクルやトレンド等の該顧客に固有の電力基準使用量を含み、
該予測モデル生成部は、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データと該顧客に固有の電力基準使用量とに基づいて、該顧客の月単位の電力使用量を予測する第１の予測モデルを生成し、
該料金プラン評価部が、該評価用の気象データと該評価用の暦データと該顧客に固有の電力基準使用量とを使用して、該生成した第１の予測モデルにより、該評価用の気象データの該複数の年の数と等しい数の組を構成する、該顧客の月単位の電力使用量の予測値を予測分布として算出する、電気料金プラン評価方法。
【請求項17】
請求項１１に記載の電気料金プラン評価方法において、
該第１の予測モデルは、回帰分析により推計された線形予測モデルである、電気料金プラン評価方法。
該第１の予測モデルは、回帰分析により推計された線形予測モデルである、電気料金プラン評価方法。
【請求項18】
請求項１１に記載の電気料金プラン評価方法において、
該第１の予測モデルは、ニューラルネットワークである、電気料金プラン評価方法。
該第１の予測モデルは、ニューラルネットワークである、電気料金プラン評価方法。
【請求項19】
請求項１１に記載の電気料金プラン評価方法において、
該データベースは、該顧客のピーク率、夜間率、及びウィークエンド率を格納しており、
該料金プラン評価部は、
該データベースから該顧客のピーク率、夜間率、及びウィークエンド率を取得し、
該第１の予測モデルによって予測分布として算出した該顧客の月単位の電力使用量の予測値と、該ピーク率、該夜間率、及び該ウィークエンド率とから、該顧客のピーク使用電力、夜間使用電力、及びウィークエンド使用電力を算出する、電気料金プラン評価方法。
該データベースは、該顧客のピーク率、夜間率、及びウィークエンド率を格納しており、
該料金プラン評価部は、
該データベースから該顧客のピーク率、夜間率、及びウィークエンド率を取得し、
該第１の予測モデルによって予測分布として算出した該顧客の月単位の電力使用量の予測値と、該ピーク率、該夜間率、及び該ウィークエンド率とから、該顧客のピーク使用電力、夜間使用電力、及びウィークエンド使用電力を算出する、電気料金プラン評価方法。
【請求項20】
請求項１３に記載の電気料金プラン評価方法において、
該電力料金プラン評価システムは、送受信部をさらに含み、
該少なくとも一の顧客の端末及び料金プラン評価部は、表示部を含み、
該料金プラン評価部は、各料金プランごとの電力料金に基づいて該複数の電力料金プランの各々の評価結果を生成し、
該送受信部は、該複数の電力料金プランの各々の評価結果を該顧客の端末に送信し、該顧客の端末は、該複数の電力料金プランの各々の評価結果を該表示部に表示する、電気料金プラン評価方法。
該電力料金プラン評価システムは、送受信部をさらに含み、
該少なくとも一の顧客の端末及び料金プラン評価部は、表示部を含み、
該料金プラン評価部は、各料金プランごとの電力料金に基づいて該複数の電力料金プランの各々の評価結果を生成し、
該送受信部は、該複数の電力料金プランの各々の評価結果を該顧客の端末に送信し、該顧客の端末は、該複数の電力料金プランの各々の評価結果を該表示部に表示する、電気料金プラン評価方法。
【請求項21】
通信ネットワークを介して少なくとも一の顧客端末に接続され、少なくとも１年の各月の各日ごとの気象データと、該少なくとも一の顧客の各々の顧客固有の暦データと、顧客固有の月単位の電力使用量データとを格納するデータベースと、予測モデル生成部と、料金プラン評価部とを含む電力料金プラン評価システムに、該少なくとも一の顧客の各々について、該顧客の月単位の電力使用量の予測値を使用して、複数の電力料金プランの各々を評価する方法を実行させるプログラムであって、該方法は、
予測モデル生成部が、該各月の各日ごとの気象データと該顧客固有の暦データとを該データベースから取得するステップと、
予測モデル生成部が、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとを該データベースから取得し、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとに基づいて、該顧客の月単位の電力使用量を予測する第１の予測モデルを生成するステップと、
料金プラン評価部が、少なくとも複数の年の各月の各日ごとの評価用の気象データと次の年の顧客固有の評価用の暦データとを該データベースから取得し、該評価用の気象データと該評価用の暦データとを使用して、該生成した第１の予測モデルにより、該評価用の気象データの該複数の年の数と等しい数の組を構成する、該顧客の月単位の電力使用量の予測値を予測分布として算出するステップとを含む、電気料金プラン評価プログラム。
予測モデル生成部が、該各月の各日ごとの気象データと該顧客固有の暦データとを該データベースから取得するステップと、
予測モデル生成部が、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとを該データベースから取得し、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとに基づいて、該顧客の月単位の電力使用量を予測する第１の予測モデルを生成するステップと、
料金プラン評価部が、少なくとも複数の年の各月の各日ごとの評価用の気象データと次の年の顧客固有の評価用の暦データとを該データベースから取得し、該評価用の気象データと該評価用の暦データとを使用して、該生成した第１の予測モデルにより、該評価用の気象データの該複数の年の数と等しい数の組を構成する、該顧客の月単位の電力使用量の予測値を予測分布として算出するステップとを含む、電気料金プラン評価プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、最適メニュー決定システム、最適メニュー決定方法、及びプログラムに関する。【背景技術】
【0002】
現在、電気事業者は、顧客の事業形態等に応じた多種多様な電力料金プランを提供する。近い将来、電気料金単価を数時間ごとに切り変える多段階電気料金プランや、電力の需給状況に応じて電気料金単価をリアルタイムに切り替えるような電気料金プランなども将来的には実現すると考えられる。【0003】
一方、需要家（顧客）側の観点から、経済発展に伴う職種の多様化がもたらしたものとして、勤務時間等の多様化がある。現在、夜間勤務や交代制勤務など様々な勤務形態が生まれ、企業での業務に充てられる時間帯もまちまちとなってきている。【0004】
ここで、顧客にとっては、何れの料金プランが最も自身に適しているのか、また現在契約している料金プランは自身にとって最適であるのかが最大の関心事である。しかしながら、各料金プランの比較検討には、上記のように料金プランが複雑多様化しているために各料金プランの熟知及び計算等の膨大な労力を必要とし、大変な困難を伴う。顧客の事業規模が大きくなればなるほど、その困難性は高くなる。【0005】
さらに、従来、顧客の電気料金プランを試算する際に、前年度の電力使用量を用いて将来の電気料金の予測としていたが、このような方法では、電気料金の算定根拠となる電力使用量の予測において、多大な影響を与える気温等の要素を反映できておらず、気温等の不確実性を考慮した試算を行うことができなかった。【0006】
例えば、特許文献１は、ユーザの端末からの入力に従って１日分の所定時間毎の仮想使用電力量データを取得し、この１日分の所定時間毎の仮想使用電力量データを、該所定時間で区分された各時間帯情報と少なくとも１月分の全日付情報のそれぞれに対応づけることで、少なくとも１月分各日及び各時間帯の使用電力量データを取得する電気料金試算システムを教示している。上記の電気料金試算システムにおいては、１月分各日及び各時間帯の使用電力量データと実際の月間使用電力量データとに基づいて各種料金プランの電気料金を計算する。【先行技術文献】
【特許文献】
【0007】
【特許文献1】特開２０１２‐０６３８１４号公報
【発明の概要】
【発明が解決しようとする課題】
【0008】
しかしながら、特許文献１の試算方法では、電気料金の算定根拠となる電力使用量の予測において、多大な影響を与える気温等の要素を予測の際に反映できておらず、気温等の不確実性を考慮した試算を行うことができない。
【課題を解決するための手段】
【0009】
本発明の第１の態様によれば、本発明は、通信ネットワークを介して少なくとも一の顧客端末に接続され、該少なくとも一の顧客の各々について、当該顧客の月単位の電力使用量の予測値を使用して、複数の電力料金プランの各々を評価するシステムであって、少なくとも１年の各月の各日ごとの気象データと、該少なくとも一の顧客の各々の顧客固有の暦データと、顧客固有の月単位の電力使用量データとを格納するデータベースと、
少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとを該データベースから取得し、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとに基づいて、該顧客の月単位の電力使用量を予測する第１の予測モデルを生成する予測モデル生成部と、
少なくとも複数の年の各月の各日ごとの評価用の気象データと次の年の顧客固有の評価用の暦データとを該データベースから取得し、該評価用の気象データと該評価用の暦データとを使用して、該生成した第１の予測モデルにより、該評価用の気象データの該複数の年の数と等しい数の組を構成する、該顧客の月単位の電力使用量の予測値を予測分布として算出する料金プラン評価部とを含む、電気料金プラン評価システムである。
【0010】
本発明の第２の態様によれば、本発明は、通信ネットワークを介して少なくとも一の顧客の端末に接続され、少なくとも１年の各月の各日ごとの気象データと、該少なくとも一の顧客の各々の顧客固有の暦データと、顧客固有の月単位の電力使用量データとを格納するデータベースと、予測モデル生成部と、料金プラン評価部とを含む電力料金プラン評価システムにおいて、該少なくとも一の顧客の各々について、該顧客の月単位の電力使用量の予測値を使用して、複数の電力料金プランの各々を評価する方法であって、予測モデル生成部が、該各月の各日ごとの気象データと該顧客固有の暦データとを該データベースから取得するステップと、
予測モデル生成部が、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとを該データベースから取得し、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとに基づいて、該顧客の月単位の電力使用量を予測する第１の予測モデルを生成するステップと、
料金プラン評価部が、少なくとも複数の年の各月の各日ごとの評価用の気象データと次の年の顧客固有の評価用の暦データとを該データベースから取得し、該評価用の気象データと該評価用の暦データとを使用して、該生成した第１の予測モデルにより、該評価用の気象データの該複数の年の数と等しい数の組を構成する、該顧客の月単位の電力使用量の予測値を予測分布として算出するステップとを含む、電気料金プラン評価方法である。
【0011】
本発明の第３の態様によれば、本発明は、通信ネットワークを介して少なくとも一の顧客端末に接続され、少なくとも１年の各月の各日ごとの気象データと、該少なくとも一の顧客の各々の顧客固有の暦データと、顧客固有の月単位の電力使用量データとを格納するデータベースと、予測モデル生成部と、料金プラン評価部とを含む電力料金プラン評価システムに、該少なくとも一の顧客の各々について、該顧客の月単位の電力使用量の予測値を使用して、複数の電力料金プランの各々を評価する方法を実行させるプログラムであって、該方法は、予測モデル生成部が、該各月の各日ごとの気象データと該顧客固有の暦データとを該データベースから取得するステップと、
予測モデル生成部が、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとを該データベースから取得し、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとに基づいて、該顧客の月単位の電力使用量を予測する第１の予測モデルを生成するステップと、
料金プラン評価部が、少なくとも複数の年の各月の各日ごとの評価用の気象データと次の年の顧客固有の評価用の暦データとを該データベースから取得し、該評価用の気象データと該評価用の暦データとを使用して、該生成した第１の予測モデルにより、該評価用の気象データの該複数の年の数と等しい数の組を構成する、該顧客の月単位の電力使用量の予測値を予測分布として算出するステップとを含む、電気料金プラン評価プログラムである。
【0012】
その他、本願が開示する課題、及びその解決方法は、発明を実施するための形態の欄の記載、及び図面の記載等により明らかにされる。【発明の効果】
【0013】
本発明に従ったシステム及び方法によれば、担当者が気温変動の不確実性を考慮したうえで、顧客に料金プランを提案することが可能である。【0014】
また、使用量の要因分析を時系列で可視化したことで、顧客の設備変更や営業状態に関する情報を得ることができる。【0015】
さらに、顧客との対話やトレンドを参考に、翌一年間の使用量の増加見込みなどのオプション変更できるので、予測に顧客や営業担当者の計画や主観的な予測等を考慮する柔軟性を備えている。【図面の簡単な説明】
【0016】
【図1】本発明に従った最適メニューの決定方法を実装するための通信システムの構成を示す図である。
【図2】顧客端末１１６−ｉ、担当者端末１１８−ｊ、及びオペレータ端末１１２のハードウェア構成を示す図である。
【図3】ファイアウォール１０４及びＷｅｂサーバ１０６のハードウェア構成を示す図である。
【図4】アプリケーションサーバ１０８のハードウェア構成を示す図である。
【図5】データベースサーバ１１０のハードウェア構成を示す図である。
【図6】線形回帰モデルとしての第１の予測モデルの生成手順を示す図である。
【図7】構造型ニューラルネットワークを用いた第１の予測モデルの生成手順を示す図である。
【図8】月ごとの電力使用量の予測値を用いて各料金プランを評価する処理を示す図である。
【図9】回帰分析による第２の予測モデルの生成手順を示す図である。
【図10】構造型ニューラルネットワークを用いた第２の予測モデルの生成手順を示す図である。
【図11】料金単価行列Ｍ（ｏ，ｔ）と予測使用量行列Ｐ＊（ｉ，ｋ，ｔ）と料金行列Ｒ＊（ｉ，ｏ，ｋ）を示す図である。
【図12】気温要因データ及び暦データに基づいてＮＭ個の各料金プランｏを評価する際の本発明の方法のフローチャートである。
【図13】料金メリット率に基づく各料金プランの順位、各料金プランのメリット価格、及びメリット率の表示画面である。
【図14】顧客固有の生産等の事業サイクルやトレンド等に起因する電力基準使用量を要因分解して表示した図である。
【図15】価格メリットを表示した図である。
【図16】メリット率分布を表示した図である。
【図17】各料金プランのメリット率とメリット金額の表示例を示す図である。
【発明を実施するための形態】
【0017】
本発明は様々な変更形態及び代替形態が可能であるが、本発明の一例としての実施形態が実施例として図面に示されており、本明細書で詳細に説明される。しかし、一例としての実施形態の本明細書における説明は、開示された特定の形態に本発明を限定することを意図するものではなく、本発明は、特許請求の範囲によって規定された本発明の趣旨及び範囲に入る全ての変更形態、同等形態、及び代替形態を含む。【0018】
以下では、一例として、電力使用量の予測値に基づく複数の電力料金プランの評価を例に挙げて、本発明の実施形態に係る電気料金最適メニューを決定するシステムを説明する。但し、本発明の最適メニュー決定システムは、電力料金プランの最適メニューの決定のみに限定されず、ガス料金プランの最適メニュー、水道料金プランの最適メニュー、原油料金プランの最適メニュー、鉄鉱石料金プランの最適メニュー、及びボーキサイト料金プランの最適メニューの決定、すなわち、エネルギー源としてあるいはある工業製品の原材料として使用される商品であって、需要と供給の関係の下で市場において取引され、例えば、パッケージプライス等の料金プランがある商品の料金プランの最適メニューの決定にも適用することが可能である。【0020】
通信システム１００は、電力会社１０２と、顧客１１４−ｉ（ｉ＝１，…，Ｎｃｕ）と、担当者端末１１８‐ｊ（ｊ＝１，…，Ｎａｇ）と、通信ネットワーク１２０と、イントラネット１２２とを含んでいる。電力会社１０２は、ファイアウォール１０４と、Ｗｅｂサーバ１０６と、アプリケーションサーバ１０８と、データベースサーバ１１０と、オペレータ端末１１２とを含む。顧客１１４−ｉは、それぞれ、顧客端末１１６−ｉ（ｉ＝１，…，Ｎｃｕ）を備えている。顧客端末１１６−ｉは、イントラネット１２２を介して電力会社１０２のファイアウォール１０４に接続されている。担当者端末１１８‐ｊは、通信ネットワーク１２０を介して電力会社１０２のファイアウォール１０４に接続されている。顧客端末１１６−ｉは、イントラネット１２２を介して、電力会社１０２のアプリケーションサーバ１０８及びデータベースサーバ１１０に、顧客ｉの電力使用量の元となる電力消費データ、ピーク率、ウィークエンド率等を送信する。また、顧客端末１１６−ｉは、イントラネット１２２を介して、電力会社１０２のアプリケーションサーバ１０８及びデータベースサーバ１１０からの、顧客ｉの電力使用量、電力料金、及び最適な料金プランを示すデータを受信する。ここで、顧客端末のインデックスｉ（ｉ＝１，…，Ｎｃｕ）は、顧客ｉｄに対応している。担当者端末１１８−ｊは、営業担当者が所有し、アプリケーションサーバ１０８及びデータベースサーバ１１０からの、最適な料金プランを示すデータの受信のために使用されるものである。ここで、担当者端末のインデックスｊ（ｊ＝１，…，Ｎａｇ）は、営業担当者の担当者ｉｄに対応している。【0021】
通信ネットワーク１２０は、公衆交換電話ネットワーク（ＰＳＴＮ）等の回線交換ネットワーク又はインターネット等のパケット・ベース・ネットワークである。通信ネットワーク１２０は、少なくともその一部分に、無線信号を介してデータ通信を提供する任意のネットワークを含む。任意のネットワークは、例えば、ＷｉＦｉ／ＷｉＭａｘ通信を使用する無線ローカル・エリア・ネットワーク（ＷＬＡＮ）を含む。通信ネットワーク１２０の内部ネットワーキングは、３ＧＰＰで説明されているＩＭＳアーキテクチャ等の技術を使用しても良い。任意のネットワークは、会社又はキャンパスの企業ネットワークとして、又は空港、喫茶店、その他等の一般的な公共の場の「ホット・スポット」として実装されるものであっても良い。通信ネットワーク１１２は、通常、データ通信に対して使用されるが、ＶｏＩＰ呼等の音声通信を転送することができるネットワークであっても良い。通信ネットワーク１１２は、さらに、複数の担当者端末１１８−ｊへの無線接続を提供する１つ又は複数のアクセスポイントを含む。アクセスポイントには、基地局、基地局ルータ、アクセス・ネットワークが含まれる。【0022】
イントラネット１２２は、インターネットの技術を用いることで利便性を高め、且つアクセスできる顧客端末１１６−ｉを制限する事で安全性を高めた企業内ネットワークである。イントラネット１２２は、ＭＰＬＳ（Ｍｕｌｔｉ Ｐｒｏｔｏｃｏｌ Ｌａｂｅｌ Ｓｗｉｔｃｈｉｎｇ）アーキテクチャを用いて実装されたＶＰＮ（Ｖｉｒｔｕａｌ Ｐｒｉｖａｔｅ Ｎｅｔｗｏｒｋ）とすることができる。【0023】
顧客端末１１６−ｉは、通常は、一般的なデスクトップコンピュータであるが、スマートフォン、タブレット端末、セルラ電話、携帯情報端末、テキスト・メッセージング装置、ページャ、ネットワーク・インターフェイス・カード、ノートブックコンピュータ、及びパーソナル・ディジタル・アシスタント（ＰＤＡ）であっても良い。顧客端末１１６−ｉは、トラフィック・チャネル、シグナリング・チャネル、ページング・チャネル等、いくつかのチャネルを含むエア・インターフェイス（又は無線通信リンク）を介して情報を交換することによって通信することができる。【0024】
担当者端末１１８−ｊは、スマートフォン、タブレット端末、セルラ電話、携帯情報端末、テキスト・メッセージング装置、ページャ、ネットワーク・インターフェイス・カード、ノートブックコンピュータ、デスクトップコンピュータ、及びパーソナル・ディジタル・アシスタント（ＰＤＡ）であっても良い。担当者端末１１８−ｊは、トラフィック・チャネル、シグナリング・チャネル、ページング・チャネル等、いくつかのチャネルを含むエア・インターフェイス（又は無線通信リンク）を介して情報を交換することによって通信することができる。【0025】
エア・インターフェイスのチャネルは、通信システム１００によって使用される１つ又は複数の無線通信プロトコルに従って定義される。例えば、符号分割多元接続（ＣＤＭＡ）に従って動作するエア・インターフェイスのチャネルは、情報を、エア・インターフェイスを介して送信するために使用される無線信号を変調する直交符号によって定義される。エア・インターフェイスのチャネルは、また、エア・インターフェイスを介して情報を送信するために使用される搬送波の周波数によって決定されてもよい。例えば、直交周波数分割多重接続（ＯＦＤＭＡ）では、１つ又は複数の担当者端末１１８−ｊが複数の直交周波数、又はトーンを共用しても良い。【0026】
電力会社１０２は、電力会社のサーバ室であっても良い。ファイアウォール１０４は、ＩＰの上位プロトコルであるトランスポート層で動作し、Ｗｅｂの閲覧、メールの送受信、ファイル転送等のためのウィンドウ制御、再送制御、輻輳制御を行う信頼性を要求される通信に使用されるコネクション型プロトコルであるＴＣＰ（Ｔｒａｎｓｍｉｓｓｉｏｎ Ｃｏｎｔｒｏｌ Ｐｒｏｔｏｃｏｌ）と、同じく、ＩＰの上位プロトコルであるトランスポート層で動作し、音声通話や、Ｖｉｄｅｏストリーミング、マルチキャスト通信、ブロードキャスト通信、少量のデータ転送等のリアルタイムの通信に使用されるコネクションレス型プロトコルであるＵＤＰ（Ｕｓｅｒ Ｄａｔａｇｒａｍ Ｐｒｏｔｏｃｏｌ）の条件に基づいて、通信の許可又は不許可を判断するように構成される。Ｗｅｂサーバ１０６は、顧客端末１１６−ｉ及び担当者端末１１８−ｊのＷｅｂブラウザからＨＴＴＰリクエストを受信しその応答を返却する。アプリケーションサーバ１０８は、Ｗｅｂサーバ１０６からの処理要求に対して、ビジネスロジックを実行し、必要であればデータベースサーバ１１０に対してデータの参照や更新要求を行う。データベースサーバ１１０は、主にデータの管理を行い、アプリケーションサーバ１０８からのデータの参照や更新処理の要求を実行し結果を返却する。【0027】
顧客端末１１６−ｉ及び担当者端末１１８−ｊのブラウザから最初に要求を受けたとき、アプリケーションサーバ１０８は、そのブラウザを一意に識別するための識別子を生成し、Ｗｅｂサーバ１０６上のＷｅｂアプリケーションにその識別子を渡す。その後、アプリケーションサーバは、その識別子をキーとして、そのＷｅｂブラウザに関する情報を、データベースサーバ１１０との間で共有可能で永続性のある外部リソースに保持する。Ｗｅｂサーバ１０６は、アプリケーションサーバ１０８から受け取った識別子を、顧客端末１１６−ｉ及び担当者端末１１８−ｊのブラウザに渡す。例えば、ｃｏｏｋｉｅを利用する場合、Ｗｅｂサーバ１０６とアプリケーションサーバ１０８の呼び出しにおいて、ｃｏｏｋｉｅを引数として渡すことによりアプリケーションサーバ１０８でｃｏｏｋｉｅに識別子を設定できる。再度、顧客端末１１６−ｉ及び担当者端末１１８−ｊのブラウザから要求を行った場合には、アプリケーションサーバ１０８で設定された識別子を元に外部リソースを参照し情報を取得することができる。【0029】
例えば、顧客端末１１６−ｉは、ＣＰＵ２０２、メモリ２０４、記憶装置２０６、入力部２０８、表示部２１０、及び送受信インターフェイス２１２を含む。ＣＰＵ２０２は、記憶装置２０６に記憶されているプログラムをメモリ２０４に読み出して実行することにより各種の機能を実現する。メモリ２０４は、例えば、ランダム・アクセス・メモリ（ＲＡＭ：ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）及び／又は読取り専用メモリ（ＲＯＭ：ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）を含む。記憶装置２０６は、テープ・ドライブ、フロッピー（登録商標）・ドライブ、ハードディスク・ドライブ又はコンパクト・ディスク・ドライブを含む。入力部２０８は、データの入力を受け付ける、例えば、キーボードやマウス、トラックボール、タッチパネル、マイクロフォン等を含む。表示部２１０は、データを出力する、例えば、ディスプレイやスピーカ等を含む。顧客端末１１６−ｉは、送受信インターフェイス２１２を外部のプリンタ等に接続することにより、アプリケーションサーバ１０８及びデータベースサーバ１１０からの、顧客ｉの電力使用量、電力料金、及び最適な料金プランを示すデータをプリントアウトすることができる。【0030】
送受信インターフェイス２１２は、通信ネットワーク１２０及びイントラネット１２２を介してＷｅｂサーバ１０６にアクセスし、Ｗｅｂサーバ１０６にＨＴＴＰリクエストを送信する。また、送受信インターフェイス２１２は、Ｗｅｂサーバ１０６からのＨＴＴＰリクエストに対する応答に対して、表示部２１０上に表示されたＷｅｂブラウザ上で入力された顧客ｉｄ、担当者ｉｄ、パスワード等の情報をＷｅｂサーバ１０６に送信する。これにより、顧客ｉ及び担当者ｊによる最適メニューの決定システムへのログインが完了する。【0032】
ファイアウォール１０４及びＷｅｂサーバ１０６は、ＣＰＵ３０２、メモリ３０４、記憶装置３０６、入力部３０８、出力部３１０、及び送受信インターフェイス３１２を含む。記憶装置３０６は、各種のデータやプログラムを記憶する、ハードディスク・ドライブやソリッドステート・ドライブ、フラッシュメモリ等であってもよい。ＣＰＵ３０２は、記憶装置３０６に記憶されているプログラムをメモリ３０４に読み出して実行することにより各種の機能を実現する。送受信インターフェイス３１２は、通信ネットワーク１２０及びイントラネット１２２に接続するためのインターフェイスであり、イーサネット（登録商標）に接続するためのアダプタ、公衆電話回線網に接続するためのモデム等である。入力部３０８は、データの入力を受け付ける、キーボードやマウス、トラックボール、タッチパネル、マイクロフォン等であってもよい。出力部３１０は、データを出力する、ディスプレイやプリンタ、スピーカなどであってもよい。【0034】
アプリケーションサーバ１０８は、ＣＰＵ４０２、メモリ４０４、記憶装置４０６、入力部４０８、出力部４１０、送受信インターフェイス４１２、モデル生成部４１４、及び料金プラン評価分４１６とからなる。ＣＰＵ４０２、メモリ４０４、記憶装置４０６、入力部４０８、出力部４１０、及び送受信インターフェイス４１２は、上記のファイアウォール１０４及びＷｅｂサーバ１０６のものと同様である。【0035】
モデル生成部４１４は、後述のデータベースサーバ１１０の予測モデル及び料金プランエリアの気象情報データベース５１０に格納されている気象データ、及びデータベースサーバ１１０の顧客エリアに、“顧客ｉｄ”ｉ（ｉ＝１，…，Ｎｃｕ）ごとに格納され、顧客アカウントの一部を形成する電力使用量データベース５０２の月ｋ（ｋ＝１，…，Ｍ）ごとの電力使用量の実績データＰ（ｉ，ｋ）、顧客ｉの営業日の電力基準使用量Ｐ１（ｉ）、顧客ｉの休日の基準電力使用量Ｐ２（ｉ）、その顧客ｉ固有の電力基準使用量Ｐ（ＣＳpe）（ｉ，ｋ）、顧客ｉの月ｋの営業日数Ｄ１（ｉ，ｋ）及び休日数Ｄ２（ｉ，ｋ）等に基づいて、顧客ｉの各々についての月ごとの電力使用量の予測値Ｐ＊（ｉ，ｋ）を算出することができる顧客ｉごとの第１の予測モデルを生成する。第１の予測モデルは、少なくとも、月ｋの冷房指数（Ｃｏｏｌｉｎｇ Ｄｅｇｒｅｅ Ｄａｙｓ（ＣＤＤ））“Ｅ（ＣＤＤ）（ｋ）”と、月ｋの暖房指数（Ｈｅａｔｉｎｇ Ｄｅｇｒｅｅ Ｄａｙｓ（ＨＤＤ））“Ｅ（ＨＤＤ）（ｋ）”と、顧客ｉのその月ｋの営業日数Ｄ１（ｉ，ｋ）及び休日数Ｄ２（ｉ，ｋ）を含む暦データを説明変数とする第１の線形予測モデルであってもよい。また、例えば、顧客ｉの冷暖房等の設備の規模等が大きく変更される等の特別の事情がある場合等には、必要に応じて、その顧客ｉの営業日の電力基準使用量Ｐ１（ｉ）、休日の基準電力使用量Ｐ２（ｉ）、その月ｋのその顧客ｉ固有の電力基準使用量Ｐ（ｕｓｅ）（ＣＳｐｅ）（ｉ，ｋ）を第１の線形予測モデルの説明変数として加えてもよい。この場合、モデル生成部４１４は、第１の線形予測モデルのパラメータを回帰分析によって推計することができる。また、第１の予測モデルは、少なくとも、冷房指数及び暖房指数を含む気象データと、営業日数Ｄ１（ｉ，ｋ）及び休日日数Ｄ２（ｉ，ｋ）を含む暦データとを入力として月ごとの電力使用量の予測値Ｐ＊（ｉ，ｋ）を出力とする構造化ニューラルネットワーク（ＮＮ）であってもよい。上記と同様に、この場合にも、顧客ｉの冷暖房等の設備の規模等が大きく変更される等の特別の事情に応じて、その顧客ｉの営業日の電力基準使用量Ｐ１（ｉ）、休日の基準電力使用量Ｐ２（ｉ）、その月ｋのその顧客ｉ固有の電力基準使用量Ｐ（ｕｓｅ）（ＣＳｐｅ）（ｉ，ｋ）を構造化ＮＮの入力に加えてもよい。この場合には、モデル生成部４１４は、電力使用量の実績データＰ（ｉ，ｋ）を教師データとして、周知の忘却付き構造学習アルゴリズムや生成的構造学習アルゴリズムによって構造化ＮＮを学習させることができる。【0036】
また、モデル生成部４１４は、営業日数Ｄ１（ｉ，ｋ）及び休日数Ｄ２（ｉ，ｋ）を含む暦データと、第ｎ−ｍ（ｍ＝１，…，ＮＥＶ）年の月ｋごとの日ｌ（ｌ＝１，…，Ｎ（ｋ））の平均気温θｌ（ｋ）、及び温度閾値θ０から求めることができる日ｌのＣＤＤ“ΔＴ（ＣＤＤ）（ｋ，ｌ）”及び日ｌのＨＤＤ“ΔＴ（ＨＤＤ）（ｋ，ｌ）”、日ｌ−１のＣＤＤ“ΔＴ（ＣＤＤ）（ｋ，ｌ−１）”及び日ｌ−１のＨＤＤ“ΔＴ（ＨＤＤ）（ｋ，ｌ−１）”等を入力変数として使用して、第１の予測モデルによって予測された顧客ｉの各々についての月ごとの電力使用量の予測値Ｐ＊（ｉ，ｋ）に基づいて、顧客ｉの各々についての月ｋの各時間帯ｔ（ｔ＝１，…，Ｎｈ）ごとの電力使用量の予測使用量行列Ｐ＊（ｉ，ｋ，ｔ）を求める第２の予測モデルを生成することができる。予測使用量行列の各成分の各時間帯ｔについての和（予測使用量行列Ｐ＊（ｉ，ｋ，ｔ）の列和）が、第１の予測モデルによって予測された月ごとの電力使用量の予測値Ｐ＊（ｉ，ｋ）に等しくなる。第２の予測モデルは、それぞれ、少なくとも、営業日数Ｄ１（ｉ，ｋ）及び休日数Ｄ２（ｉ，ｋ）を含む暦データと、日ｌのＣＤＤ“ΔＴ（ＣＤＤ）（ｋ，ｌ）”及び日ｌのＨＤＤ“ΔＴ（ＨＤＤ）（ｋ，ｌ）”、日ｌ−１のＣＤＤ“ΔＴ（ＣＤＤ）（ｋ，ｌ−１）”及び日ｌ−１のＨＤＤ“ΔＴ（ＨＤＤ）（ｋ，ｌ−１）”を説明変数として、予測使用量行列Ｐ＊（ｉ，ｋ，ｔ）を予測するＮｈ個の第２の線形予測モデルとして実装されてもよい。また、第１の予測モデルと同様に、第２の予測モデルも、構造化ＮＮとして実装されてもよい。例えば、第２の予測モデルは、３０分ごとにＮｈ＝４８個の線形予測モデルによって実装されてもよい。【0037】
料金プラン評価部４１６は、予測モデル生成部４１４が生成した第１の予測モデルを用いて、顧客ｉの各々についての月ｋごとの電力使用量の予測値Ｐ＊（ｉ，ｋ）を算出し、予測モデル生成部４１４が生成した第２の予測モデルを用いて、月ｋごとの電力使用量の予測値Ｐ＊（ｉ，ｋ）に基づいて、月ｋの各時間帯ｔごとの電力使用量の予測使用量行列Ｐ＊（ｉ，ｋ，ｔ）を算出する。料金プラン評価部４１６は、各料金プランｏ（ｏ＝１，…，ＮＭ）の各時間帯ｔごとの電力料金単価を表す料金単価行列Ｍ（ｏ，ｔ）を、データベースサーバ１１０から取得し、料金単価行列Ｍ（ｏ，ｔ）と予測使用量行列Ｐ＊（ｉ，ｋ，ｔ）とに基づいて、各顧客ｉについて各料金プランｏの各月ｋごとの電力料金を示す料金行列Ｒ＊（ｉ，ｏ，ｋ）を求める。料金行列の各成分Ｒ＊（ｉ，ｏ，ｋ）の月ｋについての和（料金行列Ｒ＊（ｉ，ｏ，ｋ）の行和）をとると、顧客ｉの各料金プランｏについての第ｎ年の電力料金の予測値が得られる。【0038】
また、料金プラン評価部４１６は、データベースサーバ１１０の料金プランデータベース５１４から、月ｋごとの夜間率Ｒ（Ｎｉｇｈｔ）（ｉ，ｋ）及びウィークエンド率Ｒ（ｗｅ）（ｉ，ｋ）を取得し、月ｋごとの電力使用量の予測値Ｐ＊（ｉ，ｋ）及び夜間率Ｒ（Ｎｉｇｈｔ）（ｉ，ｋ）を用いて、月ｋごとの夜間使用量の予測値Ｐ＊（Ｎｉｇｈｔ）（ｉ，ｋ）を、また、月ｋごとの電力使用量の予測値Ｐ＊（ｉ，ｋ）及びウィークエンド率Ｒ（ｗｅ）（ｉ，ｋ）を用いて、月ｋごとのウィークエンド使用量の予測値Ｐ＊（ｗｅ）（ｉ，ｋ）を求めることができる。料金プラン評価部４１６は、顧客ｉの月ｋのピーク率を用いて、同様の方法で、顧客ｉの月ｋごとのピーク時間の電力使用量を求めることができる。ピーク率は、電力使用量の１日の電力使用量のうち、ピーク時間、例えば、夏期の午後１時から午後４時までの間に使用する電力使用量の占める割合である。夜間率は、電力使用量の１日の電力使用量のうち、夜間、例えば、２２時から翌朝８時までの間に使用する電力使用量の占める割合である。【0040】
データベースサーバ１１０は、顧客情報エリアと担当者エリアと予測モデル及び料金プランエリアとを含む。顧客情報エリアは、“電力使用量データベース５０２、暦データデータベース５０４、及び顧客固有の電力使用量データベース５０６を含み、顧客ｉｄ”ｉ（ｉ＝１，…，Ｎｃｕ）と関連付けて各顧客のアカウントを格納する。担当者エリアは、担当者データベース５０８を含み、“担当者ｉｄ”ｊ（ｊ＝１，…，Ｎａｇ）と関連付けて各担当者のアカウントを格納している。予測モデル及び料金プランエリアは、気象情報データベース５１０、暦データデータベース５１２、料金プランデータベース５１４、及び予測モデルデータベース５１６とを含む。【0041】
電力使用量データベース５０２は、例えば、顧客ｉを識別する“顧客ｉｄ”、顧客ｉの営業日の電力基準使用量Ｐ１（ｉ）、顧客ｉの休日の基準電力使用量Ｐ２（ｉ）、顧客ｉの第ｎ年（ｎ＝１，…，ＮＥＶ）の月ｋ（ｋ＝１，…，Ｍ）ごとの電力使用量の実績データＰ（ｉ，ｋ）、顧客ｉのピーク率、夜間率Ｒ（Ｎｉｇｈｔ）（ｉ，ｋ）、及びウィークエンド率Ｒ（ｗｅ）（ｉ，ｋ）を格納している。暦データデータベース５０４は、第ｎ年の月ｋごとに、顧客ｉの営業日数Ｄ１（ｉ，ｋ）及び休日数Ｄ２（ｉ，ｋ）、営業日及び休日の日付を格納している。これらのデータは、顧客ｉの固有の事情により、例えば、ゴールデンウィーク中の営業日及び休日、年末年始の営業日及び休日、会社の創立記念日等が異なっている場合がある。顧客固有の電力使用量データベース５０６は、生産等の事業サイクルやトレンド等のその顧客ｉ固有の電力基準使用量Ｐ（ｕｓｅ）（ＣＳｐｅ）（ｉ，ｋ）を格納している。また、顧客情報エリアは、他にも、顧客電話番号、顧客携帯電話番号、住所、メールアドレス、ホームページのＵＲＬ、従業員数等を含むことができる。【0042】
担当者データベースは、担当者ｊを識別する“担当者ｉｄ”、その担当者ｊが担当する地域を識別するコード、担当者ｊが携帯している担当者端末の機器識別子等を格納している。【0043】
気象データデータベース５１０は、温度閾値θ０、第ｎ−ｍ（ｍ＝１，…，ＮＥＶ）年の月ｋごとに、日ｌの平均気温θｌを格納している。気象データデータベース５１０は、他にも、第ｎ−ｍ年の月ｋごとに、日ｌの天候、湿度、気圧、風力、日照時間等を格納してもよい。暦データデータベース５１２は、顧客ｉによらない通常の暦を格納している。顧客ｉによらない通常の暦は、第ｎ−ｍ年及び第ｎ年の月ｋの営業日数Ｄ１（ｋ）及び休日日数Ｄ２（ｋ）を含んでいる。料金プランデータベース５１４は、各料金プランｏ（ｏ＝１，…，ＮＭ）の各時間帯ｔごとの電力料金単価を表す料金単価行列Ｍ（ｏ，ｔ）を格納している。各料金プランｏは、家庭用として、例えば、「エコノミーナイト」プラン、「ファミリータイム（プラン１）」、「ファミリーナイト（プラン２）」、「電灯ピークシフト」プラン等を含むことができ、法人用として、例えば、「特別高圧電力Ａ」、「特別高圧電力Ｂ」、「特別高圧Ｔｉｍｅ ｏｆ Ｕｓｅ（ＴＯＵ）Ａ」、「特別高圧Ｔｉｍｅ ｏｆ Ｕｓｅ（ＴＯＵ）Ｂ」、「業務用高負荷率電力」「業務用高負荷率ＴＯＵ」、「業務用ウィークエンド」等を含むことができる。予測モデルデータベースは、例えば、予測モデルが線形予測モデルの場合には、定数及び回帰係数を格納することができ、予測モデルが構造化ニューラルネットワークの場合には、各ユニット間の結合係数を格納することができる。【0045】
本発明は、過去ＮＴＲ年間の気象データ及び暦データに基づいて第１の予測モデルを作成し、作成された第１の予測モデルを用いて、過去のＮＥＶ年間の気象データを用いて、次の年の１年間の月ｋごとの電力使用量の予測値を、ＮＥＶ年間の気象データに対応するＮＥＶ通りの電力使用量の予測値をＮＥＶ個のシナリオ（予測分布）として算出する。その後、第２の予測モデルを用いてＮＥＶ通りの１年間の電力使用量の予測値から各月ｋの時間帯ｔごとの電力使用量の予測値を算出し、ＮＥＶ通りの電力使用量の予測値を電力料金プラン（メニュー）に適用することで、ＮＥＶ通りの電力料金の予測値のシナリオを作成し、各シナリオの結果により電力料金プランを評価するものである。例えば、ＮＴＲ＝５、ＮＥＶ＝２５とすることができる。【0046】
図６を参照すると、アプリケーションサーバ１０８のモデル生成部４１４は、データベースサーバ１１０の気象データデータベース５１０から、第ｎ−ｍ（ｍ＝１，…，ＮＴＲ）年の月ｋごとの日ｌ（ｌ＝１，…，Ｎ（ｋ））の平均気温θｌ（ｋ）、及び温度閾値θ０を読みだす。ここで、Ｎ（ｋ）は、月ｋの日数であり、Ｎ（ｋ）＝２８又は３０又は３１である。温度閾値θ０は、例えば、１８℃である。モデル生成部４１４は、月ｋの冷房指数（ＣＤＤ）“Ｅ（ＣＤＤ）（ｋ）”を、式【0047】
モデル生成部４１４は、データベースサーバ１１０の顧客エリアにある暦データデータベース５０４から、第ｎ−ｍ年の月ｋの顧客ｉの営業日数Ｄ１（ｉ，ｋ）及び休日数Ｄ２（ｉ，ｋ）を読み出す（ブロック６０６及び６０８）。ここで、【0048】
ａ（ｉ）を顧客ｉ固有の定数項、ｂ１（ｉ）、ｂ２（ｉ）ｃ１（ｉ）、及びｃ２（ｉ）を顧客ｉ固有の回帰係数とすると、顧客ｉの各々についての月ｋの電力使用量の予測値Ｐ＊（ｉ，ｋ）は、【0049】
モデル生成部４１４は、顧客ｉの第ｎ−ｍ年から第ｎ−１年の過去ＮＴＲ年分の変量のセット［Ｅ（ＣＤＤ）（ｋ），Ｅ（ＨＤＤ）（ｋ），Ｄ１（ｉ，ｋ），Ｄ２（ｉ，ｋ）］の多数のサンプルを用いて、顧客ｉ固有のパラメータの組［ａ（ｉ），ｂ１（ｉ），ｂ２（ｉ），ｃ１（ｉ），ｃ２（ｉ）］の推計を行い、このパラメータの組によって表される第１の予測モデルを生成する（ブロック６１０）。推計処理は、一般的な回帰分析の手法により行われる。モデル生成部４１４は、第１の予測モデルを表すパラメータの組［ａ（ｉ），ｂ１（ｉ），ｂ２（ｉ），ｃ１（ｉ），ｃ２（ｉ）］を、データベースサーバ１１０に送り、データベースサーバ１１０は、パラメータの組［ａ（ｉ），ｂ１（ｉ），ｂ２（ｉ），ｃ１（ｉ），ｃ２（ｉ）］を予測モデルデータベース５１６に格納する。【0050】
第１の予測モデルのパラメータの組［ａ（ｉ），ｂ１（ｉ），ｂ２（ｉ），ｃ１（ｉ），ｃ２（ｉ）］の推計は、複数の顧客についてではなく、個々の顧客ｉについて行われる。これは、複数の顧客のプールデータでパラメータ推計を行った場合に、個別の顧客の使用状況に合致しないモデルを生ずるといったことを防ぐためである。パラメータの推計は、推計用のデータを確保するために、１２×ＮＴＲヵ月分の変量のセットを使用して行われる。【0051】
上記のパラメータの推計は、月ｋの冷房指数と、月ｋの暖房指数と、月ｋの暦データとを使用して行われたが、例えば、顧客ｉの冷暖房等の設備の規模等が大きく変更される等の特別の事情がある場合等には、その顧客ｉの営業日の電力基準使用量Ｐ１（ｉ）、休日の基準電力使用量Ｐ２（ｉ）、その月ｋのその顧客ｉ固有の電力基準使用量Ｐ（ｕｓｅ）（ＣＳｐｅ）（ｉ，ｋ）を第１の線形予測モデルの説明変数として加えてもよい。【0052】
この場合には、モデル生成部４１４は、データベースサーバ１１０の顧客固有の電力使用量データベース５０６から、生産等の事業サイクルやトレンド等の顧客ｉ固有の電力基準使用量Ｐ（ｕｓｅ）（ＣＳｐｅ）（ｉ，ｋ）を読みだす。このとき、顧客ｉの月ｋの電力使用量の予測値Ｐ＊（ｉ，ｋ）の回帰式は、ｂ１（ｉ）、ｂ２（ｉ）、ｃ１（ｉ）、ｃ２（ｉ）、及びｄ０（ｉ）を顧客ｉ固有の回帰係数とすると、【0053】
また、モデル生成部４１４は、データベースサーバ１１０の電力使用量データベース５０２から、顧客ｉの営業日の１日当たりの電力基準使用量Ｐ１（ｉ）及び休日の１日当たりの基準電力使用量Ｐ２（ｉ）を読みだし、第ｎ−ｍ年の月ｋの電力基準使用量を、【0054】
図７は、構造型ニューラルネットワークを用いた第１の予測モデルの生成手順を示す図である。【0055】
電力や熱エネルギーの使用量は、工場等の操業予定に影響される負荷や、気象条件に影響される負荷、ほぼ毎日一定の傾向を示す負荷等によって様々な特性を有している。このような使用量は、線形モデルで精度よく予測できる場合もあれば、非線形モデルによる予測が必要な場合もあり、様々な負荷特性に対応した使用量予測ツールが必要となる。【0056】
この点で、ニューラルネットワークは、非線形関数のモデル化の能力、及び学習能力を有しており、予測をはじめとする多くの分野で応用されている。また、ニューラルネットワークは、設計者の意図を反映しやすく、他の予測手法に比べ高精度な予測ができるメリットがある。しかしながら、最適なネットワーク構造に関する情報が事前に得られないため試行錯誤的に学習しなければならないこと、及び内部がブラックボックスのため、出力理由の説明が困難であること等の欠点を有する。【0057】
図示の例では、入力層から中間層までの計算を入力因子グループごとに分割している。また、あらかじめ多くの中間ユニット数で学習を開始し、冗長なユニットを削除することで最適ネットワーク構造を探索する削除的構造学習の一種である忘却付き構造学習アルゴリズムや、あらかじめ少ない中間ユニット数から学習を開始し、必要ならユニットを追加する手法で、最低限のユニット追加で最適ネットワーク構造を探索する生成的構造学習アルゴリズムを採用することで、上記の問題を解決することができる。【0058】
図７において、入力因子グループ７１４は、気象的要因（気温効果）の入力因子グループであり、気温効果は、顧客ｉにとって最も大きな不確実要因である。入力因子グループ７１６は、顧客ｉ固有の暦データの入力因子グループである。【0059】
図６の場合と同様に、アプリケーションサーバ１０８のモデル生成部４１４は、データベースサーバ１１０の気象データデータベース５１０から、第ｎ−ｍ年の月ｋごとの日ｌの平均気温θｌ、及び温度閾値θ０を読みだし、式（１）に従って月ｋの冷房指数（ＣＤＤ）“Ｅ（ＣＤＤ）（ｋ）”を算出し（ブロック７０２）、“Ｅ（ＣＤＤ）（ｋ）”を入力ユニット７１８に入力する。モデル生成部４１４は、月ｋの暖房指数（ＨＤＤ）“Ｅ（ＨＤＤ）（ｋ）”を、式（２）に従って算出し（ブロック７０４）、“Ｅ（ＨＤＤ）（ｋ）”を入力ユニット７２０に入力する。モデル生成部４１４は、入力因子グループ７１４の中の１つの入力ユニット７２２に“顧客ｉｄ”ｉを入力する。“顧客ｉｄ”ｉを入力する入力ユニット７２２は、顧客ｉ固有のマッピングを実現するのに使用される。【0060】
モデル生成部４１４は、データベースサーバ１１０の顧客エリアにある暦データデータベース５０４から、第ｎ−ｍ年の月ｋの顧客ｉの営業日数Ｄ１（ｉ，ｋ）及び休日数Ｄ２（ｉ，ｋ）を読みだし、Ｄ１（ｉ，ｋ）及びＤ２（ｉ，ｋ）を、それぞれ、入力ユニット７２４及び７２６に入力する。モデル生成部４１４は、入力因子グループ７１６の中の１つの入力ユニット７２８に“顧客ｉｄ”ｉを入力する。“顧客ｉｄ”ｉを入力する入力ユニット７２８は、顧客ｉ固有のマッピングを実現するのに使用される。【0061】
入力因子グループ７１４の入力ユニット７１８、７２０、及び７２２の出力は、結合係数によって重みづけされ、入力因子グループ７１４の中間ユニットのみに接続される。入力因子グループ７１６の入力ユニット７２４、７２６、及び７２８の出力は、結合係数によって重みづけされ、入力因子グループ７１６内の中間ユニットにのみ結合される。各中間ユニットの出力は、結合係数によって重みづけされ、出力ユニット７３０に接続される。出力ユニット７３０は、顧客ｉの月ｋの電力使用量の予測値Ｐ＊（ｉ，ｋ）を出力する。【0062】
上記の予測モデルとしてのニューラルネットワークは、各顧客ｉ（ｉ＝１，…，Ｎｃｕ）のＮＴＲ年分の月ｋの電力使用量の予測値Ｐ＊（ｉ，ｋ）に対して、対応する顧客ｉのＮＴＲ年分の月ｋごとの電力使用量の実績データＰ（ｉ，ｋ）を教師データとして用いて、忘却付き構造学習アルゴリズムや生成的構造学習アルゴリズムを実行することにより、学習させることができる。モデル生成部４１４は、学習の結果得られたユニット間の結合係数を、データベースサーバ１１０に送り、データベースサーバ１１０は、結合係数を予測モデルデータベース５１６に格納する。【0063】
（７） 各料金プランの評価本実施形態においては、アプリケーションサーバ１０８の料金プラン評価部４１６は、過去ＮＴＲ年間の気温データ、暦データ、及び、場合によっては、電力使用データに基づいて第１の予測モデルを作成し、作成された第１の予測モデルを用いて、過去のＮＥＶ年間の気象データ及び次の年の暦データを用いて、過去のＮＥＶ年間の気象データに対応するＮＥＶ通りの電力使用量の予測値を算出する。料金プラン評価部４１６は、上記のＮＥＶ通りの電力使用量の予測値を、次の年の１年間の月ｋごとの電力使用量の予測値をＮＥＶ通りのシナリオとして提示する。その後、料金プラン評価部４１６は、第２の予測モデルを用いてＮＥＶ通りの１年間の電力使用量の予測値から、各月ｋの時間帯ｔごとの電力使用量の予測値を算出し、ＮＥＶ通りの時間帯ｔごとの電力使用量の予測値を電力料金プランに適用することで、ＮＥＶ通りの電力料金の予測値のシナリオを作成し、各シナリオの結果により各料金プランを評価する。
【0064】
図８は、月ごとの電力使用量の予測値を用いて各料金プランを評価する処理を示す図である。【0065】
各料金プランｏ（ｏ＝１，…，ＮＭ）の評価は、過去ＮＥＶ年分の各月ｋの各日の気温データを用いて、次の年の暦に基づいて行う。従って、各料金プランｏについて、過去ＮＥＶ年分の各ｎ−ｍ（ｍ＝１，…，ＮＥＶ）年の気温効果に対応するＮＥＶ個のシナリオが生成される。例えば、ＮＥＶの値は、ＮＥＶ＝２５である。【0066】
アプリケーションサーバ１０８の料金プラン評価部４１６は、モデル生成部４１４が生成した第１の予測モデルを用いて、顧客ｉの第ｎ−ＮＥＶ年から第ｎ−１年までの各ｎ−ｍ年（ｍ＝１，…，ＮＥＶ）の各月ｋについての気温要因データに基づいて、翌第ｎ年の各月ｋの電力使用量の予測値Ｐ＊（ｉ，ｋ）のＮＥＶ通りのシナリオを算出する。例えば、料金プラン評価部４１６は、第ｎ−ＮＥＶ年のＥ（ＣＤＤ）（ｋ）及びＥ（ＨＤＤ）（ｋ）と、第ｎ年の暦データであるＤ１（ｉ，ｋ）及びＤ２（ｉ，ｋ）を用いて、図６に示されている第１の予測モデルによって、各月ｋの電力使用量の予測値であるＰ＊（ｉ，ｋ）を算出する。同様に、料金プラン評価部４１６は、第ｎ−（ＮＥＶ−１）年のＥ（ＣＤＤ）（ｋ）及びＥ（ＨＤＤ）（ｋ）と、第ｎ年の暦データであるＤ１（ｉ，ｋ）及びＤ２（ｉ，ｋ）を用いて、図６に示されている第１の予測モデルによって、各月ｋの電力使用量の予測値であるＰ＊（ｉ，ｋ）を算出する。上記のようにして、料金プラン評価部４１６は、第ｎ−ＮＥＶ年から第ｎ−１年までの各年のＥ（ＣＤＤ）（ｋ）及びＥ（ＨＤＤ）（ｋ）と、第ｎ年の暦データであるＤ１（ｉ，ｋ）及びＤ２（ｉ，ｋ）を用いて、第１の予測モデルによって、ＮＥＶ組のＰ＊（ｉ，ｋ）を算出し、月単位の電力使用量の予測分布を求める。【0067】
再び、図８を参照すると、料金プラン評価部４１６は、第２の予測モデルを用いて、月ｋごとの電力使用量の予測値Ｐ＊（ｉ，ｋ）から、月ｋの各時間帯ｔごとの電力使用量の予測使用量行列Ｐ＊（ｉ，ｋ，ｔ）を算出する。【0068】
図９は、回帰分析による第２の予測モデルの生成手順を示す図である。【0069】
モデル生成部４１４は、データベースサーバ１１０の気象データデータベース５１０から読み出した第ｎ−ｍ（ｍ＝１，…，ＮＴＲ）年の月ｋごとの日ｌ（ｌ＝１，…，Ｎ（ｋ））の平均気温θｌ（ｋ）及び温度閾値θ０、第ｎ−ｍ年の月ｋの日ｌ−１の平均気温θｌ−１（ｋ）及び温度閾値θ０を用いて、式【0070】
ｆ（ｉ，ｔ）を顧客ｉ固有の定数項、ｇ１（ｉ，ｔ）、ｇ２（ｉ，ｔ）、ｇ３（ｉ，ｔ）、ｇ４（ｉ，ｔ）、ｈ１（ｉ，ｔ）、ｈ２（ｉ，ｔ）、ｒ（ｉ，ｔ）を顧客ｉ固有の回帰係数とすると、顧客ｉの各時間帯ｔごとの予測使用量Ｐ＊（ｉ，ｋ，ｔ）は、【0071】
モデル生成部４１４は、顧客ｉの第ｎ−ｍ年から第ｎ−１年の過去ＮＴＲ年分の変量のセット［ΔＴ（ＣＤＤ）（ｋ，ｌ），ΔＴ（ＨＤＤ）（ｋ，ｌ），ΔＴ（ＣＤＤ）（ｋ，ｌ−１），ΔＴ（ＨＤＤ）（ｋ，ｌ−１），Ｄ１（ｉ，ｋ），Ｄ２（ｉ，ｋ），Ｐ＊（ｉ，ｋ）］の多数のサンプルを用いて、顧客ｉ固有のパラメータの組［ｆ（ｉ，ｔ），ｇ１（ｉ，ｔ），ｇ２（ｉ，ｔ），ｇ３（ｉ，ｔ），ｇ４（ｉ，ｔ），ｈ１（ｉ，ｔ），ｈ２（ｉ，ｔ），ｒ（ｉ，ｔ）］の推計を行い、このパラメータの組によって表される予測モデルを生成する。推計処理は、一般的な回帰分析の手法により行われる。モデル生成部４１４は、予測モデルを表すパラメータの組［ｆ（ｉ，ｔ），ｇ１（ｉ，ｔ），ｇ２（ｉ，ｔ），ｇ３（ｉ，ｔ），ｇ４（ｉ，ｔ），ｈ１（ｉ，ｔ），ｈ２（ｉ，ｔ），ｒ（ｉ，ｔ）］を、データベースサーバ１１０に送り、データベースサーバ１１０は、パラメータの組［ｆ（ｉ，ｔ），ｇ１（ｉ，ｔ），ｇ２（ｉ，ｔ），ｇ３（ｉ，ｔ），ｇ４（ｉ，ｔ），ｈ１（ｉ，ｔ），ｈ２（ｉ，ｔ），ｒ（ｉ，ｔ）］を予測モデルデータベース５１６に格納する。【0072】
図１０は、構造型ニューラルネットワークを用いた第２の予測モデルの生成手順を示す図である。【0073】
図７の場合と同様に、図１０の構造化ニューラルネットワークは、入力層から中間層までの計算が入力因子グループごとに分割されている。第２の予測モデルを実装する構造型ニューラルネットワークは、気象的要因（気温効果）の入力因子グループである入力因子グループ１０１８と、暦要因の入力因子グループである入力因子グループ１０２０と、月ｋごとの電力使用量の入力因子グループである入力因子グループ１０２２とを含む。【0074】
アプリケーションサーバ１０８のモデル生成部４１４は、データベースサーバ１１０の気象データデータベース５１０から、第ｎ−ｍ年の月ｋごとの日ｌ（ｌ＝１，…，Ｎ（ｋ））の平均気温θｌ（ｋ）及び温度閾値θ０を読みだし、式（６）に従って、日ｌ＝１からｌ＝Ｎ（ｋ）までのＣＣＤ“ΔＴ（ＣＤＤ）（ｋ，ｌ）”及びＨＤＤ“ΔＴ（ＨＤＤ）（ｋ，ｌ）”を算出し（ブロック１００２及び１００４）、“ΔＴ（ＣＤＤ）（ｋ，ｌ）”を入力ユニット１０２４、１０２６に、“ΔＴ（ＨＤＤ）（ｋ，ｌ）”を入力ユニット１０２８、１０３０に入力する。モデル生成部４１４は、入力因子グループ１０１８の中の１つの入力ユニット１０３２に“顧客ｉｄ”ｉを入力する。“顧客ｉｄ”ｉを入力する入力ユニット１０３２は、顧客ｉ固有のマッピングを実現するのに使用される。【0075】
モデル生成部４１４は、データベースサーバ１１０の顧客エリアにある暦データデータベース５０４から、第ｎ−ｍ年の月ｋの顧客ｉの営業日数Ｄ１（ｉ，ｋ）及び休日数Ｄ２（ｉ，ｋ）を読みだし（ブロック１００８及び１０１０）、Ｄ１（ｉ，ｋ）及びＤ２（ｉ，ｋ）を、それぞれ、入力ユニット１０３４及び１０３６に入力する。モデル生成部４１４は、入力因子グループ１０２０の中の１つの入力ユニット１０３８に“顧客ｉｄ”ｉを入力する。“顧客ｉｄ”ｉを入力する入力ユニット１０３８は、顧客ｉ固有のマッピングを実現するのに使用される。【0076】
モデル生成部４１４は、図６及び７の第１の予測モデルによって算出した顧客ｉの月ｋの電力使用量の予測値Ｐ＊（ｉ，ｋ）を、入力ユニット１０４０に入力する。モデル生成部４１４は、入力因子グループ１０２２の中の１つの入力ユニット１０４２に“顧客ｉｄ”ｉを入力する。“顧客ｉｄ”ｉを入力する入力ユニット１０４２は、顧客ｉ固有のマッピングを実現するのに使用される。【0077】
入力因子グループ１０１８の入力ユニット１０２４、１０２６、１０２８、１０３０、及び１０３２の出力は、結合係数によって重みづけされ、入力因子グループ１０１８の中間ユニットのみに接続される。入力因子グループ１０２０の入力ユニット１０３４、１０３６、及び１０３８の出力は、結合係数によって重みづけされ、入力因子グループ１０２０内の中間ユニットにのみ結合される。入力因子グループ１０２２の入力ユニット１０４０及び１０４２の出力は、結合係数によって重みづけされ、入力因子グループ１０２２内の中間ユニットにのみ結合される。各中間ユニットの出力は、結合係数によって重みづけされ、出力ユニット１０４４、１０４６、１０４８に接続される。【0078】
上記の第２の予測モデルとしてのニューラルネットワークは、第ｎ−ＮＴＲ年から第ｎ−１年までの月ｋの各時間帯ｔごとの電力使用量の予測使用量行列Ｐ＊（ｉ，ｋ，ｔ）に対して、第ｎ−ＮＴＲ年から第ｎ−１年までの月ｋの各時間帯ｔごとの対応する電力使用量の実測値Ｐ（ｉ，ｋ，ｔ）を教師データとして用いて、忘却付き構造学習アルゴリズムや生成的構造学習アルゴリズムを実行することにより、学習させることができる。モデル生成部４１４は、学習の結果得られたユニット間の結合係数を、データベースサーバ１１０に送り、データベースサーバ１１０は、結合係数を予測モデルデータベース５１６に格納する。【0079】
料金プラン評価部４１６は、モデル生成部４１４が生成した第２の予測モデルとしての構造化ニューラルネットワークに過去ＮＥＶ年のうちの特定の第ｎ−ｍ（ｍ＝１，…，ＮＥＶ）年の第ｋ月の気温推移パターンを入力する。すなわち、料金プラン評価部４１６は、データベースサーバ１１０の気象データデータベース５１０から、第ｎ−ｍ年の月ｋごとの日ｌ（ｌ＝１，…，Ｎ（ｋ））の平均気温θｌ（ｋ）及び温度閾値θ０を、１月分ずつ読みだす。料金プラン評価部４１６は、式（６）に従って、第ｎ−ｍ年の月ｋの各日ｌについて冷房指数（ＣＤＤ）、すなわち、ΔＴ（ＣＤＤ）（ｋ，１）＝ｍａｘ（θ１（ｋ）―θ０，０），…，ΔＴ（ＣＤＤ）（ｋ，Ｎ（ｋ））＝ｍａｘ（θＮ（ｋ）（ｋ）―θ０，０）をＮ（ｋ）日分計算する。また、料金プラン評価部４１６は、式（６）に従って、第ｎ−ｍ年の月ｋの各日ｌについての暖房指数（ＨＤＤ）、すなわち、ΔＴ（ＨＤＤ）（ｋ，１）＝ｍａｘ（θ０―θ１（ｋ），０），…，ΔＴ（ＨＤＤ）（ｋ，Ｎ（ｋ））＝ｍａｘ（θ０―θＮ（ｋ）（ｋ），０）をＮ（ｋ）日分計算する。【0080】
気象的要因（気温効果）の入力因子グループ１０１８は、冷房指数用の入力ユニットをＮ（ｋ）ユニットと暖房指数用の入力ユニットをＮ（ｋ）ユニット含んでいる。料金プラン評価部４１６は、ｍａｘ（θ１（ｋ）―θ０，０），…，ｍａｘ（θＮ（ｋ）（ｋ）―θ０，０）を１番目からＮ（ｋ）番目の入力ユニットに入力し、ｍａｘ（θ０―θ１（ｋ），０），…，ｍａｘ（θ０―θＮ（ｋ）（ｋ），０）を（Ｎ（ｋ）＋１）番目のユニットから２Ｎ（ｋ）番目のユニットに入力する。料金プラン評価部４１６は、入力因子グループ１０２２の中の１つの入力ユニット１０４２に“顧客ｉｄ”ｉを入力する。入力因子グループ１０１８の入力ユニットの出力は、結合係数によって重みづけされ、入力因子グループ１０１８の中間ユニットのみに接続される。【0081】
料金プラン評価部４１６は、モデル生成部４１４が生成した第２の予測モデルとしての構造化ニューラルネットワークに第ｎ年（次の１年）の暦データを入力する（ブロック１００８及び１０１０）。すなわち、料金プラン評価部４１６は、暦データデータベース５０４から、第ｎ年の月ｋの顧客ｉの営業日数Ｄ１（ｉ，ｋ）及び休日数Ｄ２（ｉ，ｋ）を読みだし、入力因子グループ１０２０の２つの入力ユニット１０３４及び１０３６に入力する。料金プラン評価部４１６は、入力因子グループ１０２０の中の１つの入力ユニット１０３８に“顧客ｉｄ”ｉを入力する。入力因子グループ１０２０の３つの入力ユニットの出力は、結合係数によって重みづけされ、入力因子グループ１０２０内の中間ユニットにのみ結合される。【0082】
料金プラン評価部４１６は、構造化ニューラルネットワークに、図６及び７に示されている第１の予測モデルにより求めた月ｋごとの電力使用量の予測値Ｐ＊（ｉ，ｋ）を入力する（ブロック１０１４）。料金プラン評価部４１６は、入力因子グループ１０２２の中の１つの入力ユニット１０４２に“顧客ｉｄ”ｉを入力する。入力因子グループ１０２２の入力ユニットの出力は、結合係数によって重みづけされ、入力因子グループ１０２２の中間ユニットのみに接続される。【0083】
各中間ユニットの出力は、結合係数によって重みづけされ、出力層の出力ユニット１０４４、１０４６、１０４８に接続される。出力層には、時間帯の数に等しいＮｈ個の出力ユニットがあり、第ｎ−ＮＥＶ年から第ｎ−１年までに対応するＮＥＶ組の月ｋの各時間帯ｔごとの電力使用量の予測使用量行列Ｐ＊（ｉ，ｋ，ｔ）を出力する。【0084】
料金プラン評価部４１６は、モデル生成部４１４が生成した図９に示されている第２の予測モデルを、月ｋについてＮｈ（ｔ＝１，…，Ｎｈ）個の線形予測モデルとして実装し、顧客ｉの月ｋの各時間帯ｔごとの電力使用量の予測使用量行列Ｐ＊（ｉ，ｋ，ｔ）を求めてもよい。モデル生成部４１４及び料金プラン評価部４１６は、時間帯ｔを３０分間隔で設定し、Ｎｈ＝４８としてもよい。【0085】
アプリケーションサーバ１０８の料金プラン評価部４１６は、モデル生成部４１４が生成した第２の予測モデルにより、顧客ｉの第ｎ−ＮＥＶ年から第ｎ−１年までの各ｎ−ｍ年の各月ｋについての気温要因データに基づいて、翌第ｎ年の月ｋの暦データを用いて、第ｎ−ＮＥＶ年から第ｎ−１年までの各年のＮＥＶ組の気温要因データに対応する、各月ｋの気温要因データ各時間帯ｔごとの電力使用量の予測使用量行列Ｐ＊（ｉ，ｋ，ｔ）のＮＥＶ通りのシナリオを算出する。例えば、料金プラン評価部４１６は、第ｎ−ＮＥＶ年の月ｋの日ｌ＝１からｌ＝Ｎ（ｋ）までのＣＣＤ“ΔＴ（ＣＤＤ）（ｋ，ｌ）”及びＨＤＤ“ΔＴ（ＨＤＤ）（ｋ，ｌ）”と、第ｎ年の月ｋの暦データであるＤ１（ｉ，ｋ）及びＤ２（ｉ，ｋ）を用いて、図９に示されている第２の予測モデルによって、各月ｋの時間帯ｔごとの電力使用量の予測値を算出し、この処理を月ｋ＝１から月ｋ＝Ｍまで繰り返すことで、予測使用量行列Ｐ＊（ｉ，ｋ，ｔ）を算出する。同様に、料金プラン評価部４１６は、第ｎ−（ＮＥＶ−１）年の“ΔＴ（ＣＤＤ）（ｋ，ｌ）”及び“ΔＴ（ＨＤＤ）（ｋ，ｌ）”と、第ｎ年の暦データであるＤ１（ｉ，ｋ）及びＤ２（ｉ，ｋ）を用いて、図９に示されている第２の予測モデルによって、月ｋの各時間帯ｔごとの電力使用量の予測使用量行列Ｐ＊（ｉ，ｋ，ｔ）を算出する。上記のようにして、料金プラン評価部４１６は、第ｎ−ＮＥＶ年から第ｎ−１年までの各年の各月のΔＴ（ＣＤＤ）（ｋ，ｌ）”及び“ΔＴ（ＨＤＤ）（ｋ，ｌ）”と、第ｎ年の暦データであるＤ１（ｉ，ｋ）及びＤ２（ｉ，ｋ）を用いて、第２の予測モデルによって、ＮＥＶ組のＰ＊（ｉ，ｋ，ｔ）を算出し、各月の時間単位の電力使用量の予測分布を求める。【0086】
図１１は、料金単価行列Ｍ（ｏ，ｔ）と予測使用量行列Ｐ＊（ｉ，ｋ，ｔ）と料金行列Ｒ＊（ｉ，ｏ，ｋ）を示す図である。【0087】
料金単価行列Ｍ（ｏ，ｔ）は、図１１の上段に示されている。料金単価行列Ｍ（ｏ，ｔ）は、行が各メニューｏを示しており、列が各時間帯を示している。料金単価行列Ｍ（ｏ，ｔ）は、ＮＭ×Ｎｈの行列となる。例えば、成分Ｍ（１，１）は、料金プランｏ＝１の時間帯ｔ＝１における電力単価を示しており、成分Ｍ（ＮＭ，Ｎｈ）は、料金プランｏ＝ＮＭの時間帯ｔ＝Ｎｈにおける電力単価を示している。【0088】
予測使用量行列Ｐ＊（ｉ，ｋ，ｔ）は、図１１の中段に示されている。予測使用量行列Ｐ＊（ｉ，ｋ，ｔ）は、行が各時間帯を示しており、列が各月を示している。例えば、成分Ｐ＊（ｉ，１，１）は、第ｎ−ｍ年の顧客ｉの月ｋ＝１の時間帯ｔ＝１における予測電力使用量を示しており、成分Ｐ＊（ｉ，Ｍ，Ｎｈ）は、第ｎ−ｍ年の顧客ｉの月ｋ＝Ｍの時間帯ｔ＝Ｎｈにおける予測電力使用量を示している。料金行列の各成分Ｒ＊（ｉ，ｏ，ｋ）の月ｋについての和（料金行列Ｒ＊（ｉ，ｏ，ｋ）の行和）をとると、顧客ｉの各料金プランｏについての第ｎ年の電力料金の予測値が得られる。【0089】
料金行列Ｒ＊（ｉ，ｏ，ｋ）は、図１１の下段に示されている。料金行列Ｒ＊（ｉ，ｏ，ｋ）は、行が各料金プランを示しており、列が各月を示している。例えば、成分Ｒ＊（ｉ，１，１）は、第ｎ−ｍ年の顧客ｉの料金プランｏ＝１の時間帯ｔ＝１における電力料金を示しており、成分Ｒ＊（ｉ，ＮＭ，Ｎｈ）は、第ｎ−ｍ年の顧客ｉの月ｋ＝Ｍの時間帯ｔ＝Ｎｈにおける電力料金を示している。【0090】
料金プラン評価部４１６は、顧客ｉの料金プランｏについての各月ｋの電力料金の予測値を表す料金行列Ｒ＊（ｉ，ｏ，ｋ）を、【0091】
図１２は、気温要因データ及び暦データに基づいてＮＭ個の各料金プランｏを評価する際の本発明の方法のフローチャートである。【0092】
本実施形態の方法は、オペレータ端末１１２にインストールされたソフトウェアをオペレータ端末１１２のＣＰＵ２０２上で実行することにより、実装され得る。オペレータ端末１１２は、そのソフトウェアを実行することにより、アプリケーションサーバ１０８及びデータベースサーバ１１０を制御することができる。【0093】
方法は、ステップＳ１２０２において開始される。【0094】
アプリケーションサーバ１０８のモデル生成部４１４は、“顧客ｉｄ”をｉ＝１に設定する（ステップＳ１２０４）。モデル生成部４１４は、データベースサーバ１１０の気象データデータベース５１０から、温度閾値θ０、第ｎ−ＮＴＲ年から第ｎ−１年までの過去ＮＴＲ年分の各年（ｎ−ｍ年（ｍ＝１，…，ＮＴＲ））の月ｋごとの日ｌの平均気温θｌ（ｋ）、暦データデータベース５０４から、第ｎ−ＮＴＲ年から第ｎ−１年までの過去ＮＴＲ年分の各年の月ｋごとの顧客ｉの営業日数Ｄ１（ｉ，ｋ）及び休日日数Ｄ２（ｉ，ｋ）、営業日及び休日の日付、過去ＮＴＲ年分の顧客ｉの第ｎ−ｍ年の月ｋごとの電力使用量の実績データＰ（ｉ，ｋ）等を読み出してくる（ステップＳ１２０６）。モデル生成部４１４は、読み出した温度閾値θ０及び月ｋごとの日ｌの平均気温θｌ（ｋ）から、式（１）及び（２）に従って、第ｎ−ｍ年の月ｋの冷房指数Ｅ（ＣＤＤ）（ｋ）及び暖房指数Ｅ（ＨＤＤ）（ｋ）を算出する（ステップＳ１２０６）。ＮＴＲは、例えば、５である。【0095】
モデル生成部４１４は、予測モデルが線形予測モデルである場合には、一般的な回帰分析の手法を用いて、式（５）で表される予測モデルを推計し（ステップＳ１２０８）、予測モデルが構造化ニューラルネットワークである場合には、過去ＮＴＲ年分の顧客ｉの第ｎ−ｍ年の月ｋごとの電力使用量の実績データＰ（ｉ，ｋ）を教師データとして用いて、上記のＮＴＲ年分のデータを学習サンプルとして、忘却付き構造学習アルゴリズムや生成的構造学習アルゴリズムを実行することにより、第１の予測モデルを生成する（ステップＳ１２０８）。モデル生成部４１４は、第１の予測モデルを表すパラメータの組をデータベースサーバ１１０に送り、データベースサーバ１１０は、パラメータの組を予測モデルデータベース５１６に格納する。【0096】
モデル生成部４１４は、よみだした温度閾値θ０及び月ｋごとの日ｌの平均気温θｌ（ｋ）から、式（６）に従って、第ｎ−ｍ年の月ｋの日ｌのＣＤＤ“ΔＴ（ＣＤＤ）（ｋ，ｌ）”及びＨＤＤ“ΔＴ（ＨＤＤ）（ｋ，ｌ）”、第ｎ−ｍ年の月ｋの日ｌ−１のＣＤＤ“ΔＴ（ＣＤＤ）（ｋ，ｌ−１）”及びＨＤＤ“ΔＴ（ＨＤＤ）（ｋ，ｌ−１）”を算出する（ステップＳ１２１０）。モデル生成部４１４は、上記のＣＤＤ及びＨＤＤと、第ｎ−ＮＴＲ年から第ｎ−１年までの過去ＮＴＲ年分の各年の月ｋごとの顧客ｉの営業日数Ｄ１（ｉ，ｋ）及び休日日数Ｄ２（ｉ，ｋ）と、第１の予測モデルで推定した顧客ｉの第ｎ−ｍ年の月ｋごとの電力使用量の予測値Ｐ＊（ｉ，ｋ）とを用いて、第２の予測モデルを生成する（ステップＳ１２１２）。モデル生成部４１４は、予測モデルが線形予測モデルである場合には、一般的な回帰分析の手法を用いて、式（８）で表される予測モデルを推計し（ステップＳ１２１２）、予測モデルが構造化ニューラルネットワークである場合には、第ｎ−ＮＴＲ年から第ｎ−１年までの月ｋの各時間帯ｔごとの対応する電力使用量の実測値Ｐ（ｉ，ｋ，ｔ）を教師データとして用いて、上記のＮＴＲ年分のデータを学習サンプルとして、忘却付き構造学習アルゴリズムや生成的構造学習アルゴリズムを実行することにより、第２の予測モデルを生成する（ステップＳ１２１２）。モデル生成部４１４は、第２の予測モデルを表すパラメータの組をデータベースサーバ１１０に送り、データベースサーバ１１０は、パラメータの組を予測モデルデータベース５１６に格納する。【0097】
モデル生成部４１４は、“顧客ｉｄ”ｉがＮｃｕよりも小さいか否かを判定する（ステップＳ１２１４）。顧客ｉｄ”ｉがＮｃｕよりも小さい場合には、モデル生成部４１４は、ｉ←ｉ＋１の処理（変数ｉにｉ＋１の値を代入する処理を意味する。以下、同じ）を行い（ステップＳ１２１６）、処理は、ステップＳ１２０６に戻る。顧客ｉｄ”ｉがＮｃｕ以上である場合には、処理は、料金プラン評価部４１６に引き継がれる。【0098】
料金プラン評価部４１６は、 “顧客ｉｄ”をｉ＝１に設定する（ステップＳ１２１８）。料金プラン評価部４１６は、“年の指標”ｍをｍ＝１に設定する（ステップＳ１２２０）。料金プラン評価部４１６は、温度閾値θ０及び月ｋごとの日ｌの平均気温θｌ（ｋ）から、式（１）及び（２）に従って、第ｎ−ｍ年の月ｋの冷房指数Ｅ（ＣＤＤ）（ｋ）及び暖房指数Ｅ（ＨＤＤ）（ｋ）を算出する（ステップＳ１２２２）。料金プラン評価部４１６は、第ｎ−ｍ年の月ｋの冷房指数Ｅ（ＣＤＤ）（ｋ）及び暖房指数Ｅ（ＨＤＤ）（ｋ）と、第ｎ年（次の年）の暦データＤ１（ｉ，ｋ）及びＤ２（ｉ，ｋ）（評価用サンプル）を用いて、第１の予測モデルにより、月ｋごとの電力使用量の予測値Ｐ＊（ｉ，ｋ）を算出する（ステップＳ１２２４）。【0099】
料金プラン評価部４１６は、温度閾値θ０及び月ｋごとの日ｌの平均気温θｌ（ｋ）から、式（６）に従って、第ｎ−ｍ年の月ｋの日ｌのＣＤＤ“ΔＴ（ＣＤＤ）（ｋ，ｌ）”及びＨＤＤ“ΔＴ（ＨＤＤ）（ｋ，ｌ）”、第ｎ−ｍ年の月ｋの日ｌ−１のＣＤＤ“ΔＴ（ＣＤＤ）（ｋ，ｌ−１）”及びＨＤＤ“ΔＴ（ＨＤＤ）（ｋ，ｌ−１）”を算出する（ステップＳ１２２６）。料金プラン評価部４１６は、上記のＣＤＤ及びＨＤＤと、第ｎ年（次の年）の暦データＤ１（ｉ，ｋ）及びＤ２（ｉ，ｋ）と、第１の予測モデルで推定した顧客ｉの第ｎ−ｍ年の月ｋごとの電力使用量の予測値Ｐ＊（ｉ，ｋ）（評価用サンプル）とを用いて、顧客ｉの月ｋの時間帯ｔごとの電力使用量の予測使用量行列Ｐ＊（ｉ，ｋ，ｔ）を算出する（ステップＳ１２２８）。料金プラン評価部４１６は、料金プランｏの時間帯ｔごとの電力料金を示す料金単価行列Ｍ（ｏ，ｔ）と、算出した予測使用量行列Ｐ＊（ｉ，ｋ，ｔ）とを用いて、顧客ｉの料金プランｏごとの月ｋの電力使用量を示す料金行列Ｒ＊（ｉ，ｏ，ｋ）を生成する（ステップＳ１２３０）。料金プラン評価部４１６は、生成した料金行列Ｒ＊（ｉ，ｏ，ｋ）を格納する（ステップＳ１２３０）。【0100】
料金プラン評価部４１６は、“年の指標”ｍがＮＥＶよりも小さいか否かを判定する（ステップＳ１２３２）。“年の指標”ｍがＮＥＶよりも小さい場合には、料金プラン評価部４１６は、ｍ←ｍ＋１の処理（変数ｍにｍ＋１の値を代入する処理）を行い（ステップＳ１２３４）、処理は、ステップＳ１２２２に戻る。“年の指標”ｍがＮＥＶ以上である場合には、料金プラン評価部４１６は、各料金プランｏごとの順位を生成し（ステップＳ１２３６）、その順位を出力部４１０に表示する。料金プラン評価部４１６は、“顧客ｉｄ”ｉがＮｃｕよりも小さいか否かを判定する（ステップＳ１２３８）。“顧客ｉｄ”ｉがＮｃｕよりも小さい場合には、料金プラン評価部４１６は、ｉ←ｉ＋１の処理（変数ｉにｉ＋１の値を代入する処理）を行い（ステップＳ１２４０）、処理は、ステップＳ１２２０に戻る。“顧客ｉｄ”ｉがＮｃｕ以上である場合には、処理は終了する（ステップＳ１２４２）。【0101】
料金プラン評価部４１６は、さらに、データベースサーバ１１０の電力使用量データベース５０２から顧客ｉの夜間率Ｒ（Ｎｉｇｈｔ）（ｉ，ｋ）及びウィークエンド率Ｒ（ｗｅ）（ｉ，ｋ）を読み出し、夜間使用量の予測値ＰＮ＊（ｉ，ｋ）及びウィークエンド使用量の予測値ＰＷ＊（ｉ，ｋ）を、式【0102】
また、料金プラン評価部４１６は、式【0103】
以上の処理が終了し、すべての顧客についてすべての電力料金プランの評価が終了すると、アプリケーションサーバ１０８は、オペレータ端末１１２に評価の結果を送り、オペレータ端末１１２の表示部２１０に評価の結果が表示される。また、顧客ｉについての評価の結果は、イントラネット１２２を介して顧客端末１１６−ｉに送られ、顧客端末１１６−ｉの表示部２１０に表示される。さらに、評価の結果は、通信ネットワーク１２０を介して担当者端末１１８‐ｊに送られ、担当者端末１１８‐ｊの表示部に表示される。【0104】
代替的な実施形態において、すべての顧客のモデル生成についてバッチ処理をして結果を保存するステップＳ１２０４から始まるループ及びステップＳ１２１８から始まるループを用いることなく、顧客ｉｄを入力することによりオンデマンドによるモデル生成から料金プラン評価プロセスを実行するシステムを使用することもできる。すなわち、図１２によって示される実施形態では、顧客ｉごとの予測モデルをすべての顧客について一括して推計し、保存することとなっているが、“顧客ｉｄ”ｉの入力に応答してその都度、予測モデルを推計し、料金プランの評価を行ってもよい。【0106】
図１３の画面は、オペレータ端末１１２、顧客端末１１６−ｉ、及び担当者端末１１８‐ｊの表示部２１０に表示される画面である。【0107】
この顧客ｉは、現在「業務用電力」プランに加入している。この顧客ｉの場合には、「業務用高負荷率」プラン、「業務用ウィークエンド」プラン、「業務用高負荷率ＴＯＵ」プランの順に、順位が高くなっている。１番目、つまり、最適とされる業務用高負荷率」プランの場合には、現在加入している「業務用電力」プランと比較して、すべてのシナリオの価格の平均価格が￥１７８，２９２‐安くなっている。従って、メリット率は、‐１．７％になっている。つまり、現在契約中の「業務用電力」プランと比較して１．７％安価になっている。２番目の「業務用ウィークエンド」プランは、現在加入している「業務用電力」プランと比較して、すべてのシナリオの価格の平均価格が￥１４０，７７７‐安くなっている。従って、メリット率は、‐１．３％となっている。３番目の「業務用高負荷率ＴＯＵ」プランは、現在加入している「業務用電力」プランと比較して、２５通りのすべてのシナリオの価格の平均価格が￥２２，５００‐安くなっている。従って、メリット率は、‐０．２％となっている。【0108】
図１４は、顧客固有の生産等の事業サイクルやトレンド等に起因する電力基準使用量を要因分解して表示した図である。【0109】
図１４の図において、折れ線１４０２は、月ごとの電力使用量の実測値Ｐ（ｉ，ｋ）を示している。１４０４の部分は、電力使用量の実測値Ｐ（ｉ，ｋ）のうち、気温効果成分Ｐ（Ｔｅｍ）（ｉ，ｋ）を示している。電力使用量の実測値“Ｐ（ｉ，ｋ）”１４０２から気温効果成分“Ｐ（Ｔｅｍ）（ｉ，ｋ）”１４０４を除いた部分が、１４０６で示されている部分である。１４０６の部分に移動平均をとった部分が、１４０８で示される部分であり、顧客ｉ固有のトレンドＰ（Ｔｒｅ）（ｉ，ｋ）を表す部分である。顧客ｉ固有のトレンド“Ｐ（Ｔｒｅ）（ｉ，ｋ）”１４０６と気温効果成分“Ｐ（Ｔｅｍ）（ｉ，ｋ）”１４０４とを加え合わせたものと、電力使用量の実測値１４０２との差が、１４１０で示される部分である。１４１０で示される部分が、顧客ｉ固有の生産等の事業サイクルやトレンド等に起因する不規則変動成分である。【0110】
電力使用量の実測値Ｐ（ｉ，ｋ）と式（５）に従って推定された電力使用量の予測値Ｐ＊（ｉ，ｋ）との間の残差を、ε（ｉ，ｋ）とすると、【0111】
傾向電力使用量Ｐ（Ｔｒｅ）（ｉ，ｋ）は、気温効果成分Ｐ（Ｔｅｍ）（ｉ，ｋ）、Ｍ月サイクルの循環、及び不規則変動成分を除いた電力使用料の傾向を示している。従って、月ｋのベース電力使用量Ｐ（ｎｅｔ）（ｉ，ｋ）のうちＭ月サイクルの循環と不規則変動成分との和をＰ（ＭＲ）（ｉ，ｋ）とすると、【0112】
上記の要因分解は、気温感応度を計算した回帰式とは異なる考え方で分解したもので、回帰式の残差と要因分解の不規則変動成分Ｐ（ｉｒ）（ｉ，ｋ）も異なるものである。これは、積型の回帰分析の残差の解釈は困難であり、顧客にとって有益な情報とは言えないと考えられるためである。【0113】
図１５は、価格メリットを表示した図である。【0114】
３つのグラフは、ＮＥＶ年間の気温変動によるメリット額をヒストグラムで表示している。ヒストグラムのセル（ヒストグラムの右側）に表示される値は、その階級に属するシナリオの数である。シナリオ数は、合計で２５になるようになっている。つまり、図示の例では、ＮＥＶ＝２５である。【0115】
左側のヒストグラムは、顧客ｉが現在契約している料金プラン「業務用電力」についてのものである。表示される価格メリットは、現在契約している料金プランとの比較であるので、この場合の価格メリットは、すべて０となる。【0116】
中央のヒストグラムは、顧客ｉが現在契約している料金プラン「業務用電力」と、料金プラン「業務用ＴＯＵ」との比較を示したものであり、右側のヒストグラムは、顧客ｉが現在契約している料金プラン「業務用電力」と、料金プラン「業務用高付加率電力」との比較を示したものである。ヒストグラムの右側の“＊”は、平均値が属している階級を示している。【0117】
価格メリットが負の値で示されている場合、すなわち、顧客ｉが現在契約している料金プラン「業務用電力」よりも、料金プラン「業務用電力」及び料金プラン「業務用高付加率電力」の少なくとも一方が安価になる場合には、現在の料金プラン「業務用電力」から料金プラン「業務用電力」又は料金プラン「業務用高付加率電力」に乗り換えたほうがよい場合である。図示の例では、価格メリットは、すべて正の値であるので、現在の料金プラン「業務用電力」が最適であることを示している。【0118】
図１６は、メリット率分布を表示した図である。【0119】
左側のヒストグラムは、顧客ｉが現在契約している料金プラン「業務用電力」についてのものである。表示されるメリット率は、現在契約している料金プランとの比較であるので、この場合の価格メリットは、すべて０となる。【0120】
中央のヒストグラムは、顧客ｉが現在契約している料金プラン「業務用電力」と、料金プラン「業務用ＴＯＵ」との比較を示したものであり、右側のヒストグラムは、顧客ｉが現在契約している料金プラン「業務用電力」と、料金プラン「業務用高付加率電力」との比較を示したものである。ヒストグラムの右側の“＊”は、平均値が属している階級を示している。【0121】
メリット率が負の値で示されている場合、すなわち、顧客ｉが現在契約している料金プラン「業務用電力」よりも、料金プラン「業務用電力」及び料金プラン「業務用高付加率電力」の少なくとも一方が安価になる場合には、現在の料金プラン「業務用電力」から料金プラン「業務用電力」又は料金プラン「業務用高付加率電力」に乗り換えたほうがよい場合である。図示の例では、価格メリットは、すべて正の値であるので、現在の料金プラン「業務用電力」が最適であることを示している。【0122】
ヒストグラムのセル（ヒストグラムの右側）に表示される値は、その階級に属するシナリオの数である。料金のメリット率と料金のメリット額とは、それぞれの年について計算されるので、料金のメリット率と料金のメリット額とでヒストグラムの形状が一致しない場合がある。【0123】
図１７は、各料金プランのメリット率とメリット金額の表示例を示す図である。【0124】
図１７の上段は、顧客ｉが現在契約している料金プラン「業務用電力」と、３つの料金プラン「業務用高負荷率電力」、「業務用ウィークエンド」、及び「業務用高負荷率ＴＯＵ」との比較を示す表であり、メリット率及びメリット価格は、割引平均値を表示してある。【0125】
料金プラン「業務用電力」に対する料金プラン「業務用高負荷率電力」のメリット率は、“‐１．７％”で、平均の割引価格は、“‐１７８，２９２”である。この場合のメリットのあるシナリオは、２５で、すべてのシナリオでメリットがあることを示している。料金プラン「業務用電力」に対する料金プラン「業務用ウィークエンド」のメリット率は、“‐１．３％”で、平均の割引価格は、“‐１４０，７７７”である。この場合のメリットのあるシナリオは、２５で、すべてのシナリオでメリットがあることを示している。料金プラン「業務用電力」に対する料金プラン「業務用高負荷率ＴＯＵ」のメリット率は、“‐０．２％”で、平均の割引価格は、“‐２２，５００”である。この場合のメリットのあるシナリオは、２０である。この表では、料金プラン「業務用高負荷率電力」が、顧客ｉに最適であることがわかる。【0126】
図１７の下段は、料金プラン「業務用電力」に対する料金プラン「業務用高負荷率電力」の価格メリット及びメリット率を、各シナリオごとに表示したものである。ヒストグラムの右側の“＊”は、平均値が属している階級を示している。【0127】
本発明に従った上記の方法の各ステップは、ＣＰＵとメモリとを備えた、図示しないオペレータの端末によって行われてもよい。本発明の実施形態においては、上記の方法を実行するのに用いられるソフトウェアプログラムが、デジタル・データ・ストレージ媒体等のプログラム・ストレージ・デバイスに格納されていてもよく、これらのプログラム・ストレージ・デバイスは、機械読取り可能、又はコンピュータ読取り可能であり、また、これらのコンピュータ又は機械は、プログラム命令を機械実行可能プログラム、又はコンピュータ実行可能プログラムとしてエンコードし、エンコードされたプログラム命令は、本発明の方法のステップのうちの一部又は全部を実行する。プログラム・ストレージ・デバイスは、例えば、デジタル・メモリ、磁気ディスク及び磁気テープなどの磁気ストレージ媒体、ハード・ドライブ、又は光学的読取り可能デジタル・データ・ストレージ媒体とすることができる。【0128】
本発明は、ソフトウェア、及び／又はソフトウェアとハードウェアの組合せで、例えば、特定用途向け集積回路（ＡＳＩＣ：ａｐｐｌｉｃａｔｉｏｎ ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ：ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）と、汎用コンピュータ、又は他の任意のハードウェア等価物を使用して実装されてもよい。【0129】
上記の実施形態では、一例として、電力使用量の予測値に基づく複数の電力料金プランの評価を例に挙げて、本発明の実施形態に係る電気料金最適メニューを決定するシステムを説明したが、本発明の最適メニュー決定システムは、電力料金プランの最適メニューの決定のみに限定されず、ガス料金プランの最適メニュー、水道料金プランの最適メニュー、原油料金プランの最適メニュー、鉄鉱石料金プランの最適メニュー、及びボーキサイト料金プランの最適メニューの決定、すなわち、エネルギー源としてあるいはある工業製品の原材料として使用される商品であって、需要と供給の関係の下で市場において取引され、例えば、パッケージプライス等の料金プランがある商品の料金プランの最適メニューの決定にも適用することが可能である。【0130】
上記の説明は、単に、本発明の特定の実施形態の開示を提供しているにすぎず、本発明を上記の実施形態のみに限定するように意図されてはいない。従って、本発明は、上記で説明された実施形態だけに限定されるものではなく、むしろ、当業者が本発明の範囲内に含まれる代替の実施形態を考案し得ることが認識される。【符号の説明】
【0131】
１００ 通信システム１０２ 電力会社
１０４ ファイアウォール
１０６ Ｗｅｂサーバ
１０８ アプリケーションサーバ
１１０ データベースサーバ
１１２ オペレータ端末
１１４ 顧客
１１６ 顧客端末
１１８ 担当者端末
１２０ 通信ネットワーク
１２２ イントラネット
【要約】
少なくとも１年の各月の各日ごとの気象データと、該少なくとも一の顧客の各々の顧客固有の暦データと、顧客固有の月単位の電力使用量データとを格納するデータベースと、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとを該データベースから取得し、少なくとも、該各月の各日ごとの推計用の気象データと該顧客固有の推計用の暦データとに基づいて、該顧客の月単位の電力使用量を予測する第１の予測モデルを生成する予測モデル生成部と、少なくとも複数の年の各月の各日ごとの評価用の気象データと次の年の顧客固有の評価用の暦データとを該データベースから取得し、該評価用の気象データと該評価用の暦データとを使用して、該生成した第１の予測モデルにより、該評価用の気象データの該複数の年の数と等しい数の組を構成する、該顧客の月単位の電力使用量の予測値を予測分布として算出する料金プラン評価部とを含む。