特開 2024-137047 プログラム、情報処理方法、及び情報処理装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024137047

(43)【公開日】2024-10-04

(54)【発明の名称】プログラム、情報処理方法、及び情報処理装置

(51)【国際特許分類】

   G06Q 50/06 20240101AFI20240927BHJP

【ＦＩ】

G06Q50/06

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2023048401

(22)【出願日】2023-03-24

(71)【出願人】

【識別番号】000003687

【氏名又は名称】東京電力ホールディングス株式会社

(74)【代理人】

【識別番号】100114557

【弁理士】

【氏名又は名称】河野 英仁

(74)【代理人】

【識別番号】100078868

【弁理士】

【氏名又は名称】河野 登夫

(72)【発明者】

【氏名】小泉 僚平

(72)【発明者】

【氏名】佐々木 直行

(72)【発明者】

【氏名】長谷川 匡彦

(72)【発明者】

【氏名】唐澤 利史

【テーマコード（参考）】

5L049

5L050

【Ｆターム（参考）】

5L049AA04

5L049CC06

5L050CC06

(57)【要約】

【課題】電力を使用する施設において必要な電力量を、高い精度で予測することが可能なプログラム等を提供する。
【解決手段】本開示の一実施形態に係るプログラムは、第１特定日の曜日及び電力使用施設における予想外気温、及び前記第１特定日よりも過去の第２特定日における前記電力使用施設における電力需要実績値を取得し、前記第１特定日の曜日及び予想外気温、及び前記第１特定日よりも過去の第２特定日における電力需要実績値が入力された場合に、前記第１特定日における電力需要予測値を出力するように学習された学習モデルに、前記第１特定日の曜日及び予想外気温、及び前記第２特定日における電力需要実績値を入力し、前記第１特定日における電力需要予測値を出力する処理をコンピュータに実行させる。
【選択図】図１

【特許請求の範囲】

【請求項1】

第１特定日の曜日及び電力使用施設における予想外気温、及び前記第１特定日よりも過去の第２特定日における前記電力使用施設における電力需要実績値を取得し、
前記第１特定日の曜日及び予想外気温、及び前記第１特定日よりも過去の第２特定日における電力需要実績値が入力された場合に、前記第１特定日における電力需要予測値を出力するように学習された学習モデルに、前記第１特定日の曜日及び予想外気温、及び前記第２特定日における電力需要実績値を入力し、前記第１特定日における電力需要予測値を出力する
処理をコンピュータに実行させるプログラム。

【請求項2】

前記第１特定日の曜日及び単位時間ごとの予想外気温、及び前記第２特定日における単位時間ごとの電力需要実績値を前記学習モデルに入力し、前記第１特定日における単位時間ごとの電力需要予測値を出力する
請求項１に記載のプログラム。

【請求項3】

前記第２特定日は、前記第１特定日の前週同曜日である。
請求項１または２に記載のプログラム。

【請求項4】

複数の前記第２特定日における電力需要実績値を前記学習モデルに入力し、
前記第１特定日における電力需要予測値を出力する
請求項１または２に記載のプログラム。

【請求項5】

前記第２特定日は、前記第１特定日の前週同曜日、前記第１特定日の前前週同曜日、及び前記第１特定日の過去一週間以内の直近日を含む
請求項４に記載のプログラム。

【請求項6】

前記学習モデルは、第１学習モデルと第２学習モデルとを含み、
前記第１学習モデルに、前記第１特定日の曜日及び予想外気温、及び前記第２特定日における電力需要実績値を入力し、前記第１特定日における第１予測値を出力し、
前記第２学習モデルに、前記第１特定日の曜日及び予想外気温、及び前記第２特定日における電力需要実績値を入力し、前記第１特定日における第２予測値を出力し、
前記第１予測値及び前記第２予測値に基づいて、前記電力需要予測値を特定する
請求項１または２に記載のプログラム。

【請求項7】

前記第１学習モデルはディープニューラルネットワークであり、
前記第２学習モデルはランダムフォレストである
請求項６に記載のプログラム。

【請求項8】

前記第１予測値と、前記第２予測値を平均することにより、前記電力需要予測値を特定する
請求項６に記載のプログラム。

【請求項9】

第１特定日の曜日及び電力使用施設における予想外気温、及び前記第１特定日よりも過去の第２特定日における前記電力使用施設における電力需要実績値を取得し、
前記第１特定日の曜日及び予想外気温、及び前記第１特定日よりも過去の第２特定日における電力需要実績値が入力された場合に、前記第１特定日における電力需要予測値を出力するように学習された学習モデルに、前記第１特定日の曜日及び予想外気温、及び前記第２特定日における電力需要実績値を入力し、前記第１特定日における電力需要予測値を出力する
情報処理方法。

【請求項10】

第１特定日の曜日及び電力使用施設における予想外気温、及び前記第１特定日よりも過去の第２特定日における前記電力使用施設における電力需要実績値を取得し、
前記第１特定日の曜日及び予想外気温、及び前記第１特定日よりも過去の第２特定日における電力需要実績値が入力された場合に、前記第１特定日における電力需要予測値を出力するように学習された学習モデルに、前記第１特定日の曜日及び予想外気温、及び前記第２特定日における電力需要実績値を入力し、前記第１特定日における電力需要予測値を出力する
処理部
を備える情報処理装置。

【発明の詳細な説明】

【技術分野】

【0001】

本技術は、プログラム、情報処理方法、及び情報処理装置に関する。

【背景技術】

【0002】

従来、住宅または施設などへの電力供給を管理するエネルギーマネジメントシステムが提案されている。例えば、特許文献１に記載のエネルギーマネジメントシステムは、各住宅の消費電力を示す消費電力情報を収集し、収集した消費電力情報に基づいて、電力調整の要否を判別する。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２３―００８０５３号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

発電所から、電力を使用する施設（電力使用施設）に効率よく送電を行うためには、施設において必要とされる電力量を必要十分に満たす電力量を送電することが求められる。施設に必要十分な電力を送電するためには、予め、電力を使用する施設において必要な電力量を、高い精度で予測することが必要である。

【0005】

本開示は斯かる事情に鑑みてなされたものであり、電力を使用する施設において必要な電力量を、高い精度で予測することが可能なプログラム等を提供することを目的とする。

【課題を解決するための手段】

【0006】

本開示の一実施形態に係るプログラムは、第１特定日の曜日及び電力使用施設における予想外気温、及び前記第１特定日よりも過去の第２特定日における前記電力使用施設における電力需要実績値を取得し、前記第１特定日の曜日及び予想外気温、及び前記第１特定日よりも過去の第２特定日における電力需要実績値が入力された場合に、前記第１特定日における電力需要予測値を出力するように学習された学習モデルに、前記第１特定日の曜日及び予想外気温、及び前記第２特定日における電力需要実績値を入力し、前記第１特定日における電力需要予測値を出力する処理をコンピュータに実行させる。

【0007】

本開示の一実施形態に係る情報処理方法は、第１特定日の曜日及び電力使用施設における予想外気温、及び前記第１特定日よりも過去の第２特定日における前記電力使用施設における電力需要実績値を取得し、前記第１特定日の曜日及び予想外気温、及び前記第１特定日よりも過去の第２特定日における電力需要実績値が入力された場合に、前記第１特定日における電力需要予測値を出力するように学習された学習モデルに、前記第１特定日の曜日及び予想外気温、及び前記第２特定日における電力需要実績値を入力し、前記第１特定日における電力需要予測値を出力する。

【0008】

本開示の一実施形態に係る情報処理装置は、第１特定日の曜日及び電力使用施設における予想外気温、及び前記第１特定日よりも過去の第２特定日における前記電力使用施設における電力需要実績値を取得し、前記第１特定日の曜日及び予想外気温、及び前記第１特定日よりも過去の第２特定日における電力需要実績値が入力された場合に、前記第１特定日における電力需要予測値を出力するように学習された学習モデルに、前記第１特定日の曜日及び予想外気温、及び前記第２特定日における電力需要実績値を入力し、前記第１特定日における電力需要予測値を出力する処理部を備える。

【発明の効果】

【0009】

本開示の一実施形態に係るプログラムにあっては、電力を使用する施設において必要な電力量を、高い精度で予測することが可能である。

【図面の簡単な説明】

【0010】

【図1】エネルギーマネジメントシステムの概要を示す模式図である。

【図2】情報処理装置の構成例を示すブロック図である。

【図3】電力需要実績値テーブルの一例を示す説明図である。

【図4】学習モデルの一例を示す説明図である。

【図5】情報処理装置による処理の一例を示すフローチャートである。

【発明を実施するための形態】

【0011】

（実施形態１）
以下、実施形態について図面を参照し、実施形態について説明する。図１は、エネルギーマネジメントシステムＳの概要を示す模式図である。エネルギーマネジメントシステムＳは、発電所Ｅから電力使用施設（施設）Ｆへの電力供給を管理するシステムである。エネルギーマネジメントシステムＳの情報処理装置１は、例えば、発電所Ｅの管理装置Ｅｍと、施設Ｆへ供給される電力を受電するスマートメーターＦｍとに、ネットワークＮを介して接続している。情報処理装置１は施設ＦのスマートメーターＦｍから、過去に施設が受電した電力量、すなわち施設Ｆにおいて消費された電力量（電力需要実績値）を取得する。情報処理装置１は、取得した電力需要実績値に基づいて、施設Ｆにおける電力需要予測値を出力し、出力した電力需要予測値に基づいて、発電所Ｅの管理装置Ｅｍに、発電所Ｅが施設Ｆに送電する電力量を制御するための送電量情報を送信する。発電所Ｅの管理装置Ｅｍは、発電所Ｅが発電した電力を、送電線Ｌによって、スマートメーターＦｍを介して施設Ｆに送電する。また、情報処理装置１は、気象サーバから、施設Ｆが位置する地域の外気温の予測値（施設Ｆにおける予想外気温）を取得する。

【0012】

施設Ｆは、例えば、スポーツセンター、病院、駅、ショッピングモールまたはホテルなどの不特定多数の人が訪問する屋内施設である。なお、施設Ｆは、運動場、テーマパーク、またはゴルフ場などの屋外施設であってもよい。また、施設Ｆは、事業所、工場、マンション、または住宅などであってもよい。発電所Ｅから施設Ｆへ送電される電力が、いわゆる自己託送によるものである場合、発電所Ｅは、例えば太陽光発電所（太陽光発電設備）である。なお、発電所Ｅは、火力発電所、原子力発電所、水力発電所、風力発電所、地熱発電所、または潮力発電所などであってもよい。また、発電所Ｅから施設Ｆへの送電は、広域送電ネットワークの一部を使用するものであってもよい。この場合、情報処理装置１は、広域送電ネットワークの管理を行う一般送配電事業者が所有するものであってもよい。

【0013】

図２は、情報処理装置１の構成例を示すブロック図である。情報処理装置１は、例えばサーバコンピュータであり、制御部１１と、記憶部１２と、通信部１３とを備える。制御部１１は、ＣＰＵ（Central Processing Unit）、ＭＰＵ(Micro Processing Unit)、ＧＰＵ（Graphical Processing Unit）、または量子プロセッサ等により構成されており、記憶部１２に予め記憶されたプログラムＰ（プログラム製品）及びデータベースを読み出して実行することにより、種々の制御処理、演算処理等を行う。なお情報処理装置１の外部にデータベースサーバ等を設け、制御部１１は該データベースサーバ等からデータベースを読み出してもよい。また、情報処理装置１は、複数のサーバ装置またはコンピュータによりその機能が実現されるものであってもよい。また、情報処理装置１は、ブロックチェーン上のノードに対応するものでもよい。

【0014】

情報処理装置１の記憶部１２は、例えば、揮発性メモリ及び不揮発性メモリである。記憶部１２には、プログラムＰ、電力需要実績値テーブル１２１、及び学習モデルＭが記憶されている。なお、プログラムＰは、コンピュータが読み取り可能に記憶した記憶媒体１２ａを用いて情報処理装置１に提供されてもよい。記憶媒体１２ａは、例えば可搬型メモリである。可搬型メモリの例として、ＣＤ－ＲＯＭ、ＵＳＢ（Universal Serial Bus）メモリ、ＳＤカード、マイクロＳＤカード又はコンパクトフラッシュ（登録商標）メモリ等が挙げられる。記憶媒体１２ａが可搬型メモリである場合、制御部１１の処理素子は、図示しない読取装置を用いて記憶媒体１２ａからプログラムＰを読み取ってもよい。読み取ったプログラムＰは記憶部１２に書き込まれる。更に、プログラムＰは、通信部１３が外部装置と通信することによって、情報処理装置１に提供されてもよい。学習モデルＭは、第１学習モデルＭ１と第２学習モデルＭ２とを含む。電力需要実績値テーブル１２１及び学習モデルＭの詳細については後述する。

【0015】

通信部１３は、有線又は無線により施設ＦのスマートメーターＦｍ及び発電所Ｅの管理装置Ｅｍと通信するための通信モジュール又は通信インターフェイスであり、例えばＬＴＥ（登録商標）、４Ｇ、または５Ｇ等の広域無線通信モジュールである。制御部１１は、通信部１３を介し、例えばインターネットなどの外部のネットワークＮを通じて、施設ＦのスマートメーターＦｍから電力需要実績値を取得する。また、発電所Ｅの管理装置Ｅｍに、発電所Ｅの送電量を制御させるための情報（送電量情報）を送信する。

【0016】

図３は、電力需要実績値テーブル１２１の一例を示す説明図である。電力需要実績値テーブル１２１には、情報処理装置１が過去にスマートメーターＦｍから取得した、各時刻の電力需要実績値が記録されている。電力需要実績値テーブル１２１の管理項目（フィールド）は、例えば、年月日フィールドと、曜日フィールドと、時刻フィールドと、電力需要実績値フィールドと、外気温フィールドとを含む。年月日フィールドには、電力需要実績値が記録された日の年月日（日付）が記録される。曜日フィールドには、電力需要実績値が記録された日付の曜日が格納される。時刻フィールドには、電力需要実績値が記録された時刻（時台）が格納される。電力需要実績値フィールドには、時刻フィールドに格納されている時刻の時台において施設Ｆが使用した電力量（電力需要実績値（ｋＷｈ））が格納されている。

【0017】

本実施形態において時刻フィールドに格納されている時刻は、３０分ごとに分割されている。例えば、時刻フィールドに格納されている時刻が「０時台前半」である場合、同レコードの電力需要実績値フィールドには、０時０分から０時３０分までの施設Ｆにおける電力需要実績値が格納され、また、時刻フィールドに格納されている時刻が「０時台後半」である場合、同レコードの電力需要実績値フィールドには、０時３０分から１時０分までの施設Ｆにおける電力需要実績値が格納される。すなわち、電力需要実績値テーブル１２１には、単位時間（３０分）ごとの電力需要実績値が記録されている。なお、時刻フィールドに格納される時刻は、１時間または３時間ごとなどに分割されていてもよい。

【0018】

情報処理装置１の制御部１１は、電力需要実績値テーブル１２１から、後述する第２特定日における各時刻の（単位時間ごとの）電力需要実績値を読み出し、学習モデルＭに入力する入力データを作成する。

【0019】

図４は、学習モデルＭの一例を示す説明図である。本実施形態に係る学習モデルＭは、第１学習モデルＭ１及び第２学習モデルＭ２を含むアンサンブル学習モデルである。なお、学習モデルＭは、単体の学習モデルによって構成されるものであってもよい。第１学習モデルＭ１及び第２学習モデルＭ２は、それぞれ、電力需要量を予測する必要がある日（第１特定日）の各時刻の（単位時間ごとの）電力需要量の予測値を出力する。学習モデルＭは、第１学習モデルＭ１が出力した予測値（第１予測値）及び第２学習モデルＭ２が出力した予測値（第２予測値）に基づいて、第１特定日における各時刻の（単位時間ごとの）電力需要予測値を特定（出力）する。学習モデルＭに入力される入力データには、第１特定日の曜日、情報処理装置１の制御部１１が気象サーバから取得した、第１特定日の各時刻の（単位時間ごとの）、施設Ｆにおける予想外気温（施設Ｆが位置する地域の予想外気温）、及び電力需要実績値テーブル１２１から読み出された、第１特定日より過去の第２特定日における各時刻の（単位時間ごとの）電力需要実績値が含まれる。なお、本実施形態において第２特定日は、第１特定日の前週同曜日、第１特定日の前前週同曜日、及び第１特定日の過去一週間以内の直近日を含む。本実施形態において第１特定日の過去一週間以内の直近日は、第１特定日の二日前であるが、これに限られない。また、第２特定日は上述の各日に限られず、例えば、第１特定日の１年前の日、第１特定日の５２週前同曜日、または第１特定日の前日などが含まれてもよい。また、第２特定日に含まれる日は３つに限られず、１つ、２つまたは４つ以上であってもよい。

【0020】

第１学習モデルＭ１及び第２学習モデルＭ２には、それぞれ、第１特定日の曜日、第１特定日の各時刻の（単位時間ごとの）予想外気温、及び第２特定日における各時刻の（単位時間ごとの）電力需要実績値が入力され、第１学習モデルＭ１は第１予測値を出力し、第２学習モデルＭ２は第２予測値を出力する。学習モデルＭは、例えば、第１予測値と第２予測値との平均値を電力需要予測値に特定し、出力する。なお、学習モデルＭは、各々が予測値を出力する多数の学習モデルにより構成され、各々の学習モデルが出力した予測値の平均値、トリム平均値、中央値、または最頻値を含む代表値を電力需要予測値に特定してもよい。入力データに含まれる第１特定日の曜日は、各曜日に対応する数値（１～７）であってもよい。図３においては、入力データに含まれる第１特定日の予想外気温及び第２特定日における電力需要実績値、及び出力される第１特定日における第１予測値、第２予測値、及び電力需要予測値は、各時刻（単位時間ごと）に数値が対応するテーブル形式によって示される。学習モデルＭは、入力データの各項目における各同時刻について、同様の演算を行うことにより、各時刻における数値を出力する。

【0021】

図４においては、第１特定日は２０２２年５月２５日である例について示す（以下、年の記載を省略して説明する）。第１特定日が５月２５日である場合、第１特定日の曜日は水曜日である。また、第２特定日に含まれる第１特定日の前々週同曜日は５月１１日であり、第１特定日の前週同曜日は５月１８日であり、第１特定日の２日前は５月２３日である。情報処理装置１の制御部１１は、電力需要実績値テーブル１２１の年月日フィールドを参照し、各第２２特定日における各時刻の電力需要実績値を読み出し、入力データとする。学習モデルＭには、５月２５日の曜日（水曜日）、５月２５日の予想外気温、５月１１日の電力需要実績値、５月１８日の電力需要実績値、及び５月２３日の電力需要実績値が入力される。上述の入力データが入力された学習モデルＭは、５月２５日の電力需要予測値を出力する。

【0022】

本実施形態に係る第１学習モデルＭ１は、ディープニューラルネットワーク（ＤＮＮ：Deep Neural Network）により構成される。なお、第１学習モデルＭ１は、例えば、ＬＳＴＭ（Long Short Term Memory）、Transformer、ＳＶＭ（Support Vector Machine）、ロジスティック回帰分析、重回帰分析、決定木、ランダムフォレスト、又はｋ近傍法等の種々の機械学習によって構成されてもよい。

【0023】

第１学習モデルＭ１に含まれる入力層は、第２特定日における各時刻の（単位時間ごとの）電力需要実績値、第１特定日の曜日、及び第１特定日の各時刻の（単位時間ごとの）予想外気温を含む入力データを受け付ける複数のニューロンを有し、入力された入力データを中間層に受け渡す。中間層は、入力データの特徴量を抽出する複数のニューロンを有し、抽出した特徴量を出力層に受け渡す。出力層は、第１特定日における各時刻の（単位時間ごとの）第１予測値を出力するニューロンを有し、中間層から出力された特徴量に基づいて、第１特定日における各時刻の（単位時間ごとの）第１予測値を出力する。

【0024】

本実施形態に係る第１学習モデルＭ１は、例えば、第１特定日よりも過去の任意の日（第３特定日）における電力需要実績値を正解出力値とし、第３特定日の前々週同曜日、前週同曜日、及び２日前の日における電力需要実績値、第３特定日の曜日、及び第３特定日において測定された、施設Ｆにおける外気温を入力データとして正解出力値に紐づけた訓練データを用いて学習される。情報処理装置１の制御部１１は、訓練データに含まれる入力データを入力した場合に、訓練データに含まれる正解出力値を出力するように、第１学習モデルＭ１の各層におけるバイアス及び各層間における重みを調整し、第１学習モデルＭ１を学習させる。情報処理装置１の制御部１１は、複数の訓練データ（第３特定日に係るデータ）を用いて学習させることにより、第１学習モデルＭ１を構築する。なお、第１学習モデルＭ１は、情報処理装置１とは異なるコンピュータによって学習されてもよい。

【0025】

本実施形態に係る第２学習モデルＭ２は、ランダムフォレストにより構成される。なお、第２学習モデルＭ２は、例えば、ＤＮＮ、ＬＳＴＭ、Transformer、ＳＶＭ、ロジスティック回帰分析、重回帰分析、決定木、又はｋ近傍法等の種々の機械学習によって構成されてもよい。

【0026】

ランダムフォレストに構成される第２学習モデルＭ２は、多数の、ランダムに作成された決定木（弱学習器）を集めたものである。第２学習モデルＭ２の各決定木には、第２特定日における各時刻の（単位時間ごとの）電力需要実績値、第１特定日の曜日、及び第１特定日の各時刻の（単位時間ごとの）予想外気温を含む入力データが入力される。各決定木において、入力データは根から枝に行く途中で条件により分類され、末端の葉ノードに辿り着くと、当該末端の葉ノードに与えられた値が予測値として出される。第２学習モデルＭ２は、各決定木から出された予測値を平均することによって、第２予測値を出力する。なお、第２学習モデルＭ２は、各決定木から出された予測値のトリム平均値、中央値、または最頻値を含む代表値を第２予測値として出力するものであってもよい。

【0027】

第２学習モデルＭ２は、第１特定日よりも過去の任意の日（第３特定日）における電力需要実績値を正解出力値とし、第３特定日の前々週同曜日、前週同曜日、及び２日前の日における電力需要実績値、第３特定日の曜日、及び第３特定日において測定された、施設Ｆにおける外気温を入力データとして正解出力値に紐づけた訓練データを用いて学習される。なお、第２学習モデルＭ２の各決定木には、例えばブートストラップ（Bootstrap sampling）を用いたバギングにより生成された複数の第３特定日に係る訓練データのサンプルセットが入力される。情報処理装置１の制御部１１は、ブーストストラップによって、例えば第１特定日の過去３年間の日からそれぞれ５００日分のランダムに選択された第３特定日に係る訓練データを含む複数（Ｎ個）のサンプルセットを生成する。すなわち、訓練データに係る第３特定日の日付の組み合わせは、サンプルセットごとに異なっている（なお、各サンプルセット間の第３特定日の日付の重複は許容される）。制御部１１は、前記Ｎ個のサンプルセットを、Ｎ個の決定木にそれぞれ入力することで、決定木毎に学習を行う。これにより、第２学習モデルＭ２は学習される。なお、第２学習モデルＭ２は、ブースティング（Boosting）により学習されてもよい。

【0028】

情報処理装置１の制御部１１は、第１学習モデル（ＤＮＮ）Ｍ１から出力された第１特定日における各時刻の第１予測値、及び第２学習モデル（ランダムフォレスト）Ｍ２から出力された第１特定日における各時刻の第２予測値を、それぞれの時刻において平均することにより、第１特定日における各時刻の電力需要予測値を特定して出力する。すなわち、制御部１１は、学習モデルＭによって第１特定日における各時刻の電力需要予測値を出力する。

【0029】

図５は、情報処理装置１による処理の一例を示すフローチャートである。情報処理装置１の制御部１１は、例えば、毎日の特定の時刻（例えば、午前９時）に、以下の処理を行う日の翌日を第１特定日として、処理を開始する。なお、制御部１１は、電力需要予測値の出力の指示を取得した場合に以下の処理を開始してもよい。また、制御部１１は、翌日以降の日付の指定の入力を受け付け、指定された日付の日を第１特定日として以下の処理を行ってもよい。

【0030】

情報処理装置１の制御部１１は、第１特定日の年月日に基づき、第１特定日の曜日を特定する（Ｓ１）。制御部１１は、気象サーバから、施設Ｆにおける第１特定日の各時刻の（単位時間ごとの）予想外気温を取得する（Ｓ２）。制御部１１は、電力需要実績値テーブル１２１から、第１特定日の前々週同曜日、第１特定日の前週同曜日、及び第１特定日の２日前（複数の第２特定日）における各時刻の（単位時間ごとの）電力需要実績値を読み出す（Ｓ３）。

【0031】

制御部１１は、第１特定日の曜日、施設Ｆにおける第１特定日の各時刻の（単位時間ごとの）予想外気温、及び第２特定日における各時刻の（単位時間ごとの）電力需要実績値を第１学習モデルＭ１に入力し（Ｓ４）、第１特定日における各時刻の（単位時間ごとの）第１予測値を出力する（Ｓ５）。また、制御部１１は、第１特定日の曜日、施設Ｆにおける第１特定日の各時刻の（単位時間ごとの）予想外気温、及び第２特定日における各時刻の（単位時間ごとの）電力需要実績値を第２学習モデルＭ２に入力し（Ｓ６）、第１特定日における各時刻の（単位時間ごとの）第２予測値を出力する（Ｓ７）。制御部１１は、各時刻における第１予測値及び第２予測値を平均し（Ｓ８）、第１特定日における各時刻の（単位時間ごとの）電力需要予測値を特定（出力）する（Ｓ９）。制御部１１は、電力需要予測値に基づいて、発電所Ｅが施設Ｆに送電する電力量を制御するための送電量情報を特定する（Ｓ１０）。制御部１１は、発電所Ｅの管理装置Ｅｍに、送電量情報を送信して（Ｓ１１）、処理を終了する。

【0032】

以上の構成によれば、施設Ｆにおいて第１特定日に必要な電力量を、第１特定日より前の日に高い精度で予測することが可能である。なお、情報処理装置１の制御部１１は、第１特定日の後の日に、第１特定日における電力需要実績値を取得し、第１特定日における電力需要予測値と電力需要実績値との差分に基づいて、施設Ｆに対するインバランス料金を算出してもよい。

【0033】

（変形例）
上述の実施形態において、情報処理装置１の制御部１１は、学習モデルＭに第１特定日の曜日、第１特定日の予想外気温、及び第２特定日における電力需要実績値を入力し、第１特定日における電力需要予測値を出力するが、これに限られない。制御部１１は、第１特定日の曜日、及び第１特定日の施設Ｆの予想外気温を入力した場合に、第１特定日における電力需要予測値を出力する学習モデルによって電力需要予測値を出力してもよい。この場合、該学習モデルは、例えば、第２特定日の曜日、及び第２特定日に実測された施設Ｆにおける外気温を入力した場合に、第２特定日における電力需要実績値と同値を出力するように学習、再学習、またはチューニングされたものであってもよい。

【0034】

今回開示した実施の形態は、全ての点で例示であって、制限的なものではないと考えられるべきである。各実施例にて記載されている技術的特徴は互いに組み合わせることができ、本発明の範囲は、特許請求の範囲内での全ての変更及び特許請求の範囲と均等の範囲が含まれることが意図される。また、特許請求の範囲に記載した独立請求項及び従属請求項は、引用形式に関わらず全てのあらゆる組み合わせにおいて、相互に組み合わせることが可能である。さらに、特許請求の範囲には他の２以上のクレームを引用するクレームを記載する形式（マルチクレーム形式）を用いているが、これに限るものではない。マルチクレームを少なくとも一つ引用するマルチクレーム（マルチマルチクレーム）を記載する形式を用いて記載しても良い。

【符号の説明】

【0035】

１ 情報処理装置
１１ 制御部
１２ 記憶部
１２ａ 記憶媒体
１２１ 電力需要実績値テーブル
１３ 通信部
Ｅ 発電所
Ｅｍ 管理装置
Ｆ 電力使用施設（施設）
Ｆｍ スマートメーター
Ｌ 送電線
Ｍ 学習モデル
Ｍ１ 第１学習モデル（ＤＮＮ）
Ｍ２ 第２学習モデル（ランダムフォレスト）
Ｎ ネットワーク
Ｐ プログラム
Ｓ エネルギーマネジメントシステム

【図1】

【図2】

【図3】

【図4】

【図5】