特許 7375355 推定方法、推定装置、コンピュータプログラム及び学習済みモデルの生成方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2023-10-30

(45)【発行日】2023-11-08

(54)【発明の名称】推定方法、推定装置、コンピュータプログラム及び学習済みモデルの生成方法

(51)【国際特許分類】

   G06Q 50/06 20120101AFI20231031BHJP

   G06Q 10/04 20230101ALI20231031BHJP

   H02J 3/00 20060101ALI20231031BHJP

   H02J 13/00 20060101ALI20231031BHJP

【ＦＩ】

G06Q50/06

G06Q10/04

H02J3/00 130

H02J3/00 170

H02J13/00 301A

【請求項の数】 11

(21)【出願番号】P 2019133959

(22)【出願日】2019-07-19

(65)【公開番号】P2021018611

(43)【公開日】2021-02-15

【審査請求日】2022-05-10

【新規性喪失の例外の表示】特許法第３０条第２項適用 平成３０年１２月 ６日に、第４１回 情報・システム・利用・技術 シンポジウムにて公開

(73)【特許権者】

【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】前田 浩行

(72)【発明者】

【氏名】久保井 大輔

【審査官】庄司 琴美

(56)【参考文献】

【文献】国際公開第２０１５／１５１５６０（ＷＯ，Ａ１）

【文献】特開２０１６－１１０２８１（ＪＰ，Ａ）

【文献】特開２０１２－１３８１２３（ＪＰ，Ａ）

【文献】特開２０１７－２０７８８７（ＪＰ，Ａ）

【文献】特開２０１２－１６８７１１（ＪＰ，Ａ）

【文献】特開２０１５－２１２８４８（ＪＰ，Ａ）

【文献】特開２０１７－１３４４６０（ＪＰ，Ａ）

【文献】特開２０１３－０７８２０１（ＪＰ，Ａ）

【文献】特開２００２－１８９７７９（ＪＰ，Ａ）

【文献】特開２０１５－２３２８００（ＪＰ，Ａ）

【文献】特開２０１０－１７６３７３（ＪＰ，Ａ）

【文献】中国特許出願公開第１０８５１０１００（ＣＮ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００ － ９９／００

Ｈ０２Ｊ ３／００

Ｈ０２Ｊ １３／００

(57)【特許請求の範囲】

【請求項1】

推定対象である対象建物にて所定期間内に消費される電力の総消費量を取得し、
取得した総消費量を、建物にて消費される電力の総消費量と、前記建物の総消費量に関する用途ごとの内訳を示す複数の個別消費量との関係を学習した学習済みモデルに入力し、
前記学習済みモデルの出力に基づいて、前記対象建物に対応する複数の個別消費量を推定し、
推定した個別消費量の占有率が第２の閾値以上であるか否かを判定することで、推定した個別消費量が過剰であるか否かを判定する
処理をコンピュータが実行する推定方法。

【請求項2】

前記対象建物にて前記所定期間内に消費される電力の単位時間ごとの総消費量を時系列で示す対象データを取得し、
取得した対象データを、建物にて消費される電力の単位時間ごとの総消費量を時系列で示す時系列データと、前記建物の総消費量に関する用途ごとの内訳を示す複数の個別消費量との関係を学習した学習済みモデルに入力する
処理をコンピュータが実行する請求項１に記載の推定方法。

【請求項3】

前記対象建物にて前記所定期間内に消費される電力の単位時間ごとの総消費量、及び、前記対象建物周辺の気象に関する気象情報を時系列で示す対象データを取得し、
取得した対象データを、建物にて消費される電力の単位時間ごとの総消費量、及び、建物周辺の気象情報を時系列で示す時系列データと、前記建物の総消費量に関する用途ごとの内訳を示す複数の個別消費量との関係を学習した学習済みモデルに入力する
処理をコンピュータが実行する請求項１又は請求項２に記載の推定方法。

【請求項4】

前記対象建物にて前記所定期間内に消費される電力の単位時間ごとの総消費量、及び、前記対象建物の床面積を時系列で示す対象データを取得し、
取得した対象データを、建物にて消費される電力の単位時間ごとの総消費量、及び、建物の床面積を時系列で示す時系列データと、前記建物の総消費量に関する用途ごとの内訳を示す複数の個別消費量との関係を学習した学習済みモデルに入力する
処理をコンピュータが実行する請求項１から請求項３のいずれか１つに記載の推定方法。

【請求項5】

建物に関する複数の種類に対応し、前記関係を学習した複数の学習済みモデルの中から前記対象建物の種類に対応する学習済みモデルを選択し、
取得した総消費量を、選択した学習済みモデルに入力する
処理をコンピュータが実行する請求項１から請求項４のいずれか１つに記載の推定方法。

【請求項6】

複数の時期に対応し、前記関係を学習した複数の学習済みモデルの中から、前記対象建物の総消費量が計測された時期に対応する学習済みモデルを選択し、
取得した総消費量を、選択した学習済みモデルに入力する
処理をコンピュータが実行する請求項１から請求項５のいずれか１つに記載の推定方法。

【請求項7】

推定対象である対象建物にて所定期間内に消費される電力の総消費量を取得する取得部と、
前記取得部が取得した総消費量を、建物にて消費される電力の総消費量と、前記建物の総消費量に関する用途ごとの内訳を示す複数の個別消費量との関係を学習した学習済みモデルに入力する入力部と、
前記学習済みモデルの出力に基づいて、前記対象建物に対応する複数の個別消費量を推定する推定部と、
推定した個別消費量の占有率が第２の閾値以上であるか否かを判定することで、推定した個別消費量が過剰であるか否かを判定する判定部と
を備える推定装置。

【請求項8】

推定対象である対象建物にて所定期間内に消費される電力の総消費量を取得し、
取得した総消費量を、建物にて消費される電力の総消費量と、前記建物の総消費量に関する用途ごとの内訳を示す複数の個別消費量との関係を学習した学習済みモデルに入力し、
前記学習済みモデルの出力に基づいて、前記対象建物に対応する複数の個別消費量を推定し、
推定した個別消費量の占有率が第２の閾値以上であるか否かを判定することで、推定した個別消費量が過剰であるか否かを判定する
処理をコンピュータに実行させるためのコンピュータプログラム。

【請求項9】

建物にて消費される電力の単位時間ごとの総消費量、及び、建物の床面積を時系列で示す時系列データに、前記建物の総消費量に関する用途ごとの内訳を示す複数の個別消費量が対応付けられている教師データを取得し、
取得した教師データに基づき、推定対象である対象建物にて消費される電力の単位時間ごとの総消費量、及び、前記対象建物の床面積を時系列で示す対象データを入力として、前記対象建物に対応する複数の個別消費量を推定する処理に用いられる学習済みモデルを生成する
処理をコンピュータが実行する学習済みモデルの生成方法。

【請求項10】

推定対象である対象建物にて所定期間内に消費される電力の単位時間ごとの総消費量、及び、前記対象建物の床面積を時系列で示す対象データを取得し、
取得した対象データを、建物にて消費される電力の単位時間ごとの総消費量、及び、建物の床面積を時系列で示す時系列データと、前記建物の総消費量に関する用途ごとの内訳を示す複数の個別消費量との関係を学習した学習済みモデルに入力し、
前記学習済みモデルの出力に基づいて、前記対象建物に対応する複数の個別消費量を推定する
処理をコンピュータが実行する推定方法。

【請求項11】

推定対象である対象建物にて所定期間内に消費される電力の総消費量を取得し、
建物に関する複数の種類に対応し、建物にて消費される電力の総消費量と、前記建物の総消費量に関する用途ごとの内訳を示す複数の個別消費量との関係を学習した複数の学習済みモデルの中から前記対象建物の種類に対応する学習済みモデルを選択し、
取得した総消費量を、選択した学習済みモデルに入力し、
前記学習済みモデルの出力に基づいて、前記対象建物に対応する複数の個別消費量を推定する
処理をコンピュータが実行する推定方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、推定方法、推定装置、コンピュータプログラム及び学習済みモデルの生成方法に関する。

【背景技術】

【0002】

建物における電力の消費量に基づいて、種々の推定を行う構成が提案されている。例えば、特許文献１では、建物における電力の消費量に基づいて、生活状況を推定する構成が開示されている。生活状況は、建物にいる人の数、調理中であるか否か又は入浴中であるか否か等である。推定結果に基づいて、生活に関する支援又はアドバイスを行うことができる。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１５－１５３１５６号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

建物では、エアーコンディショナ、給湯機及び電灯等に電力を供給する複数の用途で電力が消費される。建物において節電を行うためには、電力の消費量が多い用途を知る必要がある。このため、例えば、１日間に建物において消費される電力の消費量の合計に対する用途ごとの内訳を示す複数の個別消費量を知る必要がある。

【0005】

複数の個別消費量を知る構成として、電力の消費量を計測する電力計を用途ごとに設置し、複数の電力計が示す消費量を取得する構成が考えられる。しかしながら、電力の消費量を用途ごとに実際に計測する場合、複数の電力計を設置しなければならないため、この構成の実現にかかる費用は高い。

【0006】

本発明は斯かる事情に鑑みてなされたものであり、その目的とするところは、用途ごとの内訳を示す複数の個別消費量の推定を実現することができる推定方法、推定装置、コンピュータプログラム及び学習済みモデルを提供することにある。

【課題を解決するための手段】

【0007】

本発明の一態様に係る推定方法では、推定対象である対象建物にて所定期間内に消費される電力の総消費量を取得し、取得した総消費量を、建物にて消費される電力の総消費量と、前記建物の総消費量に関する用途ごとの内訳を示す複数の個別消費量との関係を学習した学習済みモデルに入力し、前記学習済みモデルの出力に基づいて、前記対象建物に対応する複数の個別消費量を推定し、推定した個別消費量の占有率が第２の閾値以上であるか否かを判定することで、推定した個別消費量が過剰であるか否かを判定する処理をコンピュータが実行する。

【0008】

上記の一態様にあっては、対象建物において、１日間又は１週間等の所定期間内に消費される電力の総消費量を学習済みモデルに入力する。学習済みモデルの出力に基づいて、用途ごとの内訳を示す複数の個別消費量を推定する。このため、用途ごとに個別消費量を計測する必要がなく、複数の個別消費量を推定する構成を安価に実現することができる。

【発明の効果】

【0009】

上記の態様によれば、用途ごとの内訳を示す複数の個別消費量の推定を実現することができる。

【図面の簡単な説明】

【0010】

【図1】実施の形態１における推定システムの概略図である。

【図2】サーバの要部構成を示すブロック図である。

【図3】消費量推定モデルの説明図である。

【図4】教師データの説明図である。

【図5】モデル生成処理の手順を示すフローチャートである。

【図6】推定処理の手順を示すフローチャートである。

【図7】実施の形態２における消費量推定モデルの説明図である。

【図8】教師データの説明図である。

【図9】実施の形態３におけるサーバの要部構成を示すブロック図である。

【図10】モデル生成処理の手順を示すフローチャートである。

【図11】選択テーブルの説明図である。

【図12】推定処理の手順を示すフローチャートである。

【図13】実施の形態４における選択テーブルの説明図である。

【図14】実施の形態５における消費量推定モデルの説明図である。

【図15】モデル生成処理の手順を示すフローチャートである。

【図16】推定処理の手順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】

本発明の実施の形態に係る推定システムの具体例を、以下に図面を参照しつつ説明する。
（実施の形態１）
図１は、実施の形態１における推定システム１の概略図である。推定システム１は、サーバ２及び端末３を備える。サーバ２及び端末３はネットワークＮに接続されている。サーバ２は、種々の情報処理、及び、データの送受信等を行う情報処理装置である。サーバ２は、電力の総消費量に基づいて、用途ごとの内訳を示す複数の個別消費量を推定する。推定対象である対象建物４は、事務所、工場、商業施設又は住宅等である。用途は、エアーコンディショナの室外機、エアーコンディショナの室内機、給湯機、電灯及び事務機器等への電力供給である。事務機器は、例えばパーソナルコンピュータである。

【0012】

対象建物４において、１日間又は１週間間等の所定期間内に消費される電力の１時間又は１日間等の単位時間ごとの総消費量を計測する図示しない電力計が設置されている。端末３は、対象建物４において所定期間内に消費される電力の単位時間ごとの総消費量を時系列で示す対象データを取得する。対象データは、所定期間内に電力計が単位時間ごとに計測した複数の総消費量を時系列で示すデータである。使用者は、例えば、通信を介して、又は、可搬型メモリを用いて、端末３に対象データを取得させる。使用者は、総消費量の対象データを、ネットワークＮを介してサーバ２へ送信させる。端末３は例えばパーソナルコンピュータである。なお、２時間又は２日間等も単位時間として挙げられる。

【0013】

サーバ２は、端末３から受信した対象データに基づいて、対象データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量を推定する。１つの例として、所定期間が１週間であり、かつ、単位時間が１日間である場合、サーバ２は、複数の総消費量の平均値（１日当たりの電力の消費量）に対する用途ごとの内訳を示す複数の個別消費量を推定する。もう一つの例として、所定期間が１日間であり、かつ、単位時間が１時間である場合、サーバ２は、２４個の総消費量の合計（１日間の電力の消費量）に対する用途ごとの内訳を示す複数の個別消費量を推定する。サーバ２は推定装置として機能する。サーバ２は、推定した複数の個別消費量を示す推定データを、ネットワークＮを介して、端末３に送信する。端末３は、推定データを受信した場合、受信した推定データが示す複数の個別消費量を表示する。

【0014】

サーバ２は、事務所、工場、商業施設又は住宅等の建物５において所定期間内に消費される電力の単位時間ごとの総消費量を時系列で示す時系列データと、時系列データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量との関係について機械学習を行う。これにより、サーバ２は、対象データを入力として、対象データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量を出力する消費量推定モデル６０（図２参照）を生成する。サーバ２は、複数の建物５それぞれについて機械学習を行う。

【0015】

従って、消費量推定モデル６０は、時系列データと、時系列データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量との関係を学習した学習済みモデルである。サーバ２は、消費量推定モデル６０を用いて、対象建物４に関する複数の個別消費量を推定する。
なお、対象建物４及び建物５の種類は共通であることが好ましい。例えば、対象建物４及び建物５の種類は事務所であってもよい。

【0016】

図２はサーバ２の要部構成を示すブロック図である。サーバ２は、通信部２０、記憶部２１及び制御部２２を有する。これらは内部バス２３に接続されている。通信部２０は、更に、ネットワークＮに接続されている。

【0017】

通信部２０は、ネットワークＮを介してデータを受信する。通信部２０が端末３から受信するデータの１つとして、対象データが挙げられる。通信部２０は、制御部２２の指示に従って、ネットワークＮを介してデータを端末３に送信する。通信部２０が端末３に送信するデータの１つとして、推定データが挙げられる。
記憶部２１は不揮発性メモリである。記憶部２１には、消費量推定モデル６０が記憶されている。

【0018】

図３は消費量推定モデル６０の説明図である。前述したように、サーバ２は、機械学習を行うことによって消費量推定モデル６０を生成する。消費量推定モデル６０は、ＬＳＴＭ(Long-Short Term Memory)に係るニューラルネットワークである。ＬＳＴＭに係るニュートラルネットワークは、ＲＮＮ(Recurrent Neural Network)の一種である。消費量推定モデル６０は、所定期間内に消費される電力の単位時間ごとの総消費量を時系列で示すデータ、即ち、対象データ又は時系列データを入力として、対象データ又は時系列データが示す複数の総消費量の平均値又は合計に対して用途ごとの内訳を示す複数の個別消費量を出力するニュートラルネットワークである。図３では、所定期間がＫ日間であり、かつ、単位時間が１日間である例が示されている。Ｋは２以上の整数である。単位時間は、例えば１時間であってもよい。この場合、所定期間は例えば１日間である。

【0019】

第１例として、消費量推定モデル６０は、所定期間がＫ日間であり、かつ、単位時間が１日間である場合、消費量推定モデル６０は、複数の総消費量の平均値（１日当たりの電力の消費量）に対する用途ごとの内訳を示す複数の個別消費量を出力する。第２例として、消費量推定モデル６０は、所定期間が１日間であり、かつ、単位時間が１時間である場合、消費量推定モデル６０は、２４個の総消費量の合計（１日当たりの電力の消費量）に対する用途ごとの内訳を示す複数の個別消費量を出力する。第３例として、消費量推定モデル６０は、所定期間が３０日間であり、かつ、単位時間が１日間である場合、消費量推定モデル６０は、３０個の総消費量の合計（１カ月当たりの電力の消費量）に対する用途ごとの内訳を示す複数の個別消費量を出力する。第４例として、消費量推定モデル６０は、所定期間及び単位時間が１時間である場合、消費量推定モデル６０は、複数の総消費量の平均値（１時間当たりの電力の消費量）に対する用途ごとの内訳を示す複数の個別消費量を出力する。

【0020】

消費量推定モデル６０は、入力層、中間層及び出力層を有する。入力層は、時系列に従って各時点の入力値、即ち、総消費量を受け付ける複数のニューロンを有する。出力層は、用途ごとの内訳を示す複数の個別消費量を出力するニューロンを有する。中間層は、入力層が有する複数のニューロンへの入力値に基づいて複数の個別消費量を算出するためのニューロンを有する。中間層のニューロンは、ＬＳＴＭ Ｂｌｏｃｋと呼ばれ、過去の時点での入力値に関する中間層の算出結果を用いて、次の時点の入力値に関する算出を行う。これにより、中間層のニューロンは、直近時点までの時系列データから次の時点の値を算出する。

【0021】

なお、図３に示すＬＳＴＭに係るニュートラルネットワークの構成は一例である。ＬＳＴＭに係るニュートラルネットワークの構成は、図３に示す構成に限定されない。中間層の数は、１に限定されず、２以上であってもよい。出力層のニューロンの数も、１に限定されず、２以上であってもよい。

【0022】

図２に示す制御部２２は、ＣＰＵ(Central Processing Unit)、ＭＰＵ(Micro-Processing Unit)又はＧＰＵ(Graphics Processing Unit)等の処理素子を有する。消費量推定モデル６０での算出は、制御部２２の処理素子（コンピュータ）によって実行される。制御部２２は、消費量推定モデル６０の入力層に対象データ又は時系列データを入力する。

【0023】

具体的には、制御部２２は、入力層が有する複数のニューロンそれぞれに、対象データ又は時系列データが示す複数の総消費量を入力する。前述したように、対象データ又は時系列データでは、所定期間内に消費される電力の単位時間ごとの総消費量が時系列で示されている。図３に示すデータでは、Ｋ日間内に消費される電力の１日間ごとの総消費量が時系列で示されている。なお、対象データ又は時系列データは、Ｋ時間内に消費される電力の１時間ごとの総消費量が時系列で示されているデータであってもよい。

【0024】

制御部２２は、消費量推定モデル６０の入力層に、対象データ又は時系列データを入力することによって、消費量推定モデル６０の出力として、複数の個別消費量を算出する。制御部２２は、教師データを用いて機械学習を行い、消費量推定モデル６０を生成する。機械学習では、制御部２２は、中間層での算出に用いるパラメータを最適化する。ここで、パラメータは、ニューロン間の重み（結合係数）又は活性化関数の係数等である。

【0025】

図４は教師データの説明図である。教師データでは、共通の建物５において所定期間内に消費される電力の単位時間ごとの総消費量を時系列で示す時系列データに、消費量推定モデル６０の出力の正解を示す正解データが対応付けられている。正解データは、共通の建物５について、時系列データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量を示す。正解データは、例えば、実際の内訳を示す複数の個別消費量を示す。

【0026】

図４の例では、所定期間がＫ日間であり、単位時間が１日間である。時系列データはＫ日間内に消費される１日間ごとの総消費量を時系列で示す。所定期間が１日間であり、かつ、単位時間が１時間である場合、時系列データは、１日間内に消費される１時間ごとの総消費量を時系列で示す。時系列データ及び正解データそれぞれは、消費量推定モデル６０に入力されるデータ及び消費量推定モデル６０の出力に対応する。消費量推定モデル６０に入力されるデータに係る所定期間及び単位時間それぞれは、時系列データに係る所定期間及び単位時間に一致する。消費量推定モデル６０が複数の総消費量の平均値に対する用途ごとの内訳を示す複数の個別消費量を出力する場合、正解データは、複数の総消費量の平均値に対する用途ごとの内訳を示す複数の個別消費量を示すデータである。消費量推定モデル６０が複数の総消費量の合計に対する用途ごとの内訳を示す複数の個別消費量を出力する場合、正解データは、複数の総消費量の合計に対する用途ごとの内訳を示す複数の個別消費量を示すデータである。

【0027】

制御部２２は、教師データの時系列データを消費量推定モデル６０の入力層に入力し、出力層の出力として、複数の個別消費量を算出する。制御部２２は、算出した複数の個別消費量と、正解データが示す複数の個別消費量とを比較し、比較結果に基づいて、中間層での算出に用いるパラメータを最適化する。

【0028】

図２に示すように、記憶部２１にはコンピュータプログラムＰ１が記憶されている。制御部２２の処理素子（コンピュータ）は、コンピュータプログラムＰ１を実行することによって、教師データ記憶処理、モデル生成処理及び推定処理を実行する。教師データ記憶処理は、教師データを記憶部２１に記憶する処理である。モデル生成処理は、機械学習を行うことによって消費量推定モデル６０を生成する処理である。推定処理は、電力の総消費量に基づいて、用途ごとの内訳を示す複数の個別消費量を推定する処理である。

【0029】

なお、制御部２２が有する処理素子の数は２以上であってもよい。この場合、複数の処理素子がコンピュータプログラムＰ１に従って、教師データ記憶処理、モデル生成処理及び推定処理を含む種々の処理を協同で実行してもよい。また、複数の処理素子が消費量推定モデル６０で行わる算出を協同で実行してもよい。

【0030】

更に、コンピュータプログラムＰ１は、コンピュータプログラムＰ１を読み取り可能に記録した非一時的な記憶媒体Ａ１を用いて、サーバ２に提供されてもよい。記憶媒体Ａ１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）等が挙げられる。記憶媒体Ａ１が可搬型メモリである場合、制御部２２の処理素子は、図示しない読取装置を用いて記憶媒体Ａ１からコンピュータプログラムＰ１を読み取り、読み取ったコンピュータプログラムＰ１を記憶部２１に記憶してもよい。更に、コンピュータプログラムＰ１は、サーバ２の通信部２０を介した通信によって、サーバ２に提供されてもよい。この場合、制御部２２の処理素子は、通信部２０を通じてコンピュータプログラムＰ１を取得し、取得したコンピュータプログラムＰ１を記憶部２１に記憶してもよい。

【0031】

制御部２２は、通信部２０が教師データを受信した場合、又は、図示しないサーバ２の入力部に教師データが入力された場合、教師データ記憶処理を実行する。制御部２２は、通信部２０が受信した教師データ、又は、入力部に入力された教師データを取得し、取得した記憶部２１に記憶する。その後、制御部２２は教師データ記憶処理を終了する。

【0032】

図５はモデル生成処理の手順を示すフローチャートである。制御部２２は、例えば、記憶部２１に教師データが記憶されている状態でモデル生成処理の実行が指示された場合にモデル生成処理を実行する。モデル生成処理の実行指示は、実行を指示する指示データの通信部２０への送信、又は、サーバ２が有する図示しない操作部の操作等によって実現される。

【0033】

モデル生成処理では、制御部２２は、記憶部２１に記憶されている複数の教師データから１つの教師データを選択する（ステップＳ１）。記憶部２１に記憶されている教師データの数が１つである場合、ステップＳ１では、制御部２２は、記憶部２１に記憶されている１つの教師データを選択する。次に、制御部２２は、ステップＳ１で選択した教師データに含まれる総消費量の時系列データを消費量推定モデル６０に入力し（ステップＳ２）、消費量推定モデル６０の出力として、用途ごとの内訳を示す複数の個別消費量を算出する（ステップＳ３）。

【0034】

次に、制御部２２は、ステップＳ２で算出した複数の個別消費量を、ステップＳ１で選択した教師データに含まれる正解データが示す複数の個別消費量と比較する（ステップＳ４）。次に、制御部２２は、消費量推定モデル６０の出力が、正解データが示す複数の個別消費量に近似するように、中間層での算出に用いるパラメータを更新する（ステップＳ５）。これにより、消費量推定モデル６０が新たに生成される。

【0035】

制御部２２は、ステップＳ５を実行した後、記憶部２１に記憶されている全ての教師データが選択されたか否かを判定する（ステップＳ６）。制御部２２は、全ての教師データを選択していないと判定した場合（Ｓ６：ＮＯ）、ステップＳ１を実行し、パラメータを再び更新する。ステップＳ１では、制御部２２は、モデル生成処理において選択されていない教師データを選択する。全ての教師データが選択されるまで、制御部２２はパラメータを更新し続ける。

【0036】

制御部２２は、全ての教師データを選択したと判定した場合（Ｓ６：ＹＥＳ）、記憶部２１に記憶されている全ての教師データを削除し（ステップＳ７）、モデル生成処理を終了する。

【0037】

以上のように、モデル生成処理では、制御部２２は、教師データ記憶処理で取得した教師データに基づき、消費量推定モデル６０を生成する。
なお、モデル生成処理において、１つの教師データを用いてパラメータを更新する回数は１回に限定されない。制御部２２は、１つの教師データを用いて、パラメータを２回以上更新してもよい。

【0038】

図６は推定処理の手順を示すフローチャートである。制御部２２は、推定処理を周期的に実行する。推定処理では、制御部２２は、まず、通信部２０が、端末３から対象データを受信したか否かを判定する（ステップＳ１１）。前述したように、対象データは、対象建物４において、所定期間内に消費される電力の総消費量を時系列で示すデータである。通信部２０が受信した対象データは制御部２２によって取得される。制御部２２は取得部として機能する。

【0039】

制御部２２は、通信部２０が対象データを受信していないと判定した場合（Ｓ１１：ＮＯ）、推定処理を終了する。次の周期が到来した場合、制御部２２は、再び、ステップＳ１１を実行する。制御部２２は、推定処理を繰り返し実行し、通信部２０が対象データを受信するまで待機する。

【0040】

制御部２２は、通信部２０が対象データを受信したと判定した場合（Ｓ１１：ＹＥＳ）、通信部２０が受信した対象データを、消費量推定モデル６０に入力する（ステップＳ１２）。制御部２２は入力部としても機能する。次に、制御部２２は、消費量推定モデル６０の出力として、対象データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量を算出する（ステップＳ１３）。これにより、対象建物４に対応する複数の個別消費量が推定される。制御部２２は推定部としても機能する。

【0041】

ステップＳ１３において制御部２２が算出する複数の個別消費量は、１日間ごとに計測される複数の総消費量の平均値（１日当たりの電力の消費量）、１時間ごとに計測される２４個の総消費量の合計（１日当たりの電力の消費量）、１日間ごとに計測される３０個の総消費量の合計（１カ月当たりの電力の消費量）、又は、１時間ごとに計測される複数の総消費量の平均値（１時間当たりの電力の消費量）等に対応する複数の個別消費量である。

【0042】

次に、制御部２２は、ステップＳ１３で算出した各個別消費量が過剰であるか否かを判定する（ステップＳ１４）。ステップＳ１４の第１例として、複数の用途に対応する複数の第１閾値が予め設定されており、制御部２２は、共通の用途について、ステップＳ１３で算出した各個別消費量を第１閾値と比較する。制御部２２は、個別消費量が第１閾値以上である場合に個別消費量が過剰であると判定する。制御部２２は、個別消費量が第１閾値未満である場合に個別消費量が過剰ではないと判定する。１つの例として、共通の用途について、各第１閾値は、標準的な建物において消費される個別消費量に設定されている。もう１つの例として、各第１閾値は、複数の建物５に対応し、かつ、用途が共通する複数の個別消費量の平均値に設定されている。

【0043】

ステップＳ１４の第２例として、制御部２２は、対象データが示す複数の総消費量の平均値又は合計に対して、各個別消費量が占める占有率を算出する。ここで、消費量推定モデル６０が複数の総消費量の平均値に対する用途ごとの内訳を示す複数の個別消費量を出力する場合、制御部２２は、複数の総消費量の平均値に対して、各個別消費量が占める占有率を算出する。消費量推定モデル６０が複数の総消費量の合計に対する用途ごとの内訳を示す複数の個別消費量を出力する場合、制御部２２は、複数の総消費量の合計に対して、各個別消費量が占める占有率を算出する。

【0044】

複数の用途に対応する複数の第２閾値が予め設定されており、制御部２２は、共通の用途について、算出した各占有率を第２閾値と比較する。制御部２２は、占有率が第２閾値以上である場合に個別消費量が過剰であると判定する。制御部２２は、占有率が第２閾値未満である場合に個別消費量が過剰ではないと判定する。１つの例として、共通の用途について、各第２閾値は、標準的な建物において消費される個別消費量の占有率に設定されている。もう１つの例として、各第２閾値は、複数の建物５に対応し、かつ、用途が共通する複数の個別消費量の占有率の平均値に設定されている。

【0045】

ステップＳ１４の第３例として、制御部２２は、共通の用途について、ステップＳ１３で算出した各個別消費量を、複数の建物５に消費される複数の個別消費量と比較する。制御部２２は、比較結果に基づいて、ステップＳ１３で算出した各個別消費量が過剰であるか否かを判定する。

【0046】

制御部２２は、ステップＳ１４を実行した後、通信部２０に指示して、判定結果データ及び推定データを、ネットワークＮを介して端末３に送信させる（ステップＳ１５）。判定結果データは、ステップＳ１３で算出した各個別消費量について、ステップＳ１４で行われた判定の結果、即ち、個別消費量が過剰であるか否かを示す。推定データは、制御部２２がステップＳ１３で算出した複数の個別消費量を示す。端末３は、通信部２０から判定結果データ及び推定データを受信した場合、受信したこれらのデータの内容を表示する。

【0047】

使用者は、推定データの内容に基づいて、対象データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を確認することができる。使用者は、判定結果データの内容に基づいて、過剰である個別消費量の用途を確認することができる。

【0048】

制御部２２は、ステップＳ１５を実行した後、推定処理を終了する。次の周期が到来した場合、制御部２２は推定処理のステップＳ１１を再び実行し、通信部２０が対象データを受信するまで待機する。

【0049】

以上のように、サーバ２は、対象データに基づいて複数の個別消費量を推定する。このため、対象建物４について、用途ごとに個別消費量を計測する必要がなく、複数の個別消費量を推定する構成を安価に実現することができる。時系列データを用いて生成された消費量推定モデル６０に、対象データ、即ち、時系列で示された複数の総消費量を入力するので、複数の個別消費量が正確に推定される。

【0050】

（実施の形態２）
実施の形態１では、複数の個別消費量の推定に用いる対象データとして、対象建物４において所定期間内に消費される電力の総消費量のみを時系列で示すデータが用いられている。対象データは、総消費量だけではなく、他の情報も時系列で示すデータであってもよい。
以下では、実施の形態２について、実施の形態１と異なる点を説明する。後述する構成を除く他の構成については、実施の形態１と共通しているため、実施の形態１と共通する構成部には実施の形態１と同一の参照符号を付してその説明を省略する。

【0051】

図７は、実施の形態２における消費量推定モデル６０の説明図である。実施の形態１の説明で述べたように、消費量推定モデル６０の入力層には、対象データ又は時系列データが入力される。実施の形態２では、図７に示すように、対象データ及び時系列データそれぞれでは、所定期間内に消費される電力の単位時間ごとの総消費量に加えて、気象情報及び床面積が時系列に示されている。入力層が有する複数のニューロンそれぞれが受け付ける入力値は、総消費量、気象情報及び床面積である。図７には、所定期間がＫ日間であり、かつ、単位時間が１日間である例が示されている。対象データ及び時系列データそれぞれは、１日間隔で総消費量、気象情報及び床面積を示す。実施の形態１の説明で述べたように、所定期間がＫ時間であり、かつ、単位時間が１時間であってもよい。この場合、対象データ及び時系列データそれぞれは、１時間間隔で総消費量、気象情報及び床面積を示す。

【0052】

対象データ及び時系列データそれぞれの総消費量は、実施の形態１と同様に、対象建物４及び建物５において所定期間内に消費される電力の単位時間ごとの総消費量である。対象データ及び時系列データそれぞれの気象情報は、対象建物４及び建物５周辺の気象に関する情報である。図７の例では、気象情報として、所定期間における対象建物４又は建物５周辺の平均気温、平均湿度及び天気が示されている。対象データ及び時系列データそれぞれの床面積は、対象建物４及び建物５の床面積である。

【0053】

対象建物４周辺の気温は、例えば、対象建物４周辺に設置されている温度計によって計測される。対象建物４周辺の湿度は、例えば、対象建物４周辺に設置されている湿度計によって計測される。対象建物４の上空の画像を撮影する撮影機、例えばカメラが設置されていてもよい。この場合、対象建物４周辺の天気は撮影機が撮影した画像に基づいて判断されてもよい。対象建物４周辺の気温、湿度及び天気は、インターネットの情報であってもよい。端末３は実施の形態１と同様に対象データを取得する。

【0054】

実施の形態２における消費量推定モデル６０では、実施の形態１と同様に、入力層が有する複数のニューロンは、時系列に従って、各時点の入力値を受け付ける。ここで、ニューロンが受け付ける入力値は、各時点の総消費量、気象情報及び床面積である。実施の形態２における消費量推定モデル６０において、中間層及び出力層は実施の形態１と同様に作用する。

【0055】

図８は教師データの説明図である。実施の形態２における教師データでは、実施の形態１と同様に、時系列データに正解データが対応付けられている。実施の形態２において、制御部２２は、教師データ記憶処理及びモデル生成処理を実施の形態１と同様に実行する。実施の形態１の説明で述べたように、モデル生成処理では、制御部２２は、教師データ記憶処理で取得した教師データに基づき、消費量推定モデル６０を生成する。従って、消費量推定モデル６０は、建物５において所定期間内に消費される電力の単位時間ごとの総消費量、建物５周辺の気象情報、及び、建物５の床面積を時系列で示す時系列データと、時系列データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量との関係を学習した学習済みモデルである。

【0056】

実施の形態２において、制御部２２は推定処理を実施の形態１と同様に実行する。従って、制御部２２は、対象データを取得し、取得した対象データを消費量推定モデル６０に入力する。制御部２２は、消費量推定モデル６０の出力として、対象データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量を算出する。これにより、対象建物４に対応する複数の個別消費量が推定される。

【0057】

実施の形態２におけるサーバ２は、実施の形態１におけるサーバ２が奏する効果を同様に奏する。更に、実施の形態２におけるサーバ２では、複数の個別消費量の推定に用いる要素として、対象建物４周辺の気象に関する気象情報と、対象建物４の床面積が更に含まれるので、複数の個別消費量がより正確に推定される。

【0058】

なお、気象情報は、平均気温、平均湿度又は天気に限定さない。気象情報として、平均気温の代わりに、単位時間ごとに計測された１つの気温、単位時間内における最高気温又は単位時間内における最低気温等を用いてもよい。同様に、平均湿度の代わりに、単位時間内に計測された１つの湿度、単位時間内における最高湿度又は所定期間内における最低湿度等を用いてもよい。気象情報の数は、３に限定されず、１、２又は４以上であってもよい。

【0059】

対象データ及び時系列データそれぞれでは、所定期間内に消費される電力の単位時間ごとの総消費量と、気象情報とが時系列に示され、床面積が除かれていてもよい。この場合、消費量推定モデル６０は、建物５において所定期間内に消費される電力の単位時間ごとの総消費量、及び、建物５周辺の気象情報を時系列で示す時系列データと、時系列データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量との関係を学習した学習済みモデルである。この構成であっても、複数の個別消費量の推定に用いる要素として、対象建物４周辺の気象に関する気象情報が更に含まれるので、複数の個別消費量がより正確に推定される。

【0060】

同様に、対象データ及び時系列データそれぞれでは、所定期間内に消費される電力の単位時間ごとの総消費量と、床面積とが時系列に示され、気象情報が除かれていてもよい。この場合、消費量推定モデル６０は、建物５において所定期間内に消費される電力の単位時間ごとの総消費量、及び、建物５の床面積を時系列で示す時系列データと、時系列データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量との関係を学習した学習済みモデルである。この構成であっても、複数の個別消費量の推定に用いる要素に、対象建物４の床面積が更に含まれるので、複数の個別消費量がより正確に推定される。

【0061】

（実施の形態３）
実施の形態１では、サーバ２には、時系列データと、時系列データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量との関係を学習した消費量推定モデル（学習済みモデル）の数は１つである。しかしながら、消費量推定モデルの数は、１に限定されず、２以上であってもよい。
以下では、実施の形態３について、実施の形態１と異なる点を説明する。後述する構成を除く他の構成については、実施の形態１と共通しているため、実施の形態１と共通する構成部には実施の形態１と同一の参照符号を付してその説明を省略する。

【0062】

図９は、実施の形態３におけるサーバ２の要部構成を示すブロック図である。実施の形態３における記憶部２１には、複数の消費量推定モデル６０ａ，６０ｂ，・・・が記憶されている。これらは、実施の形態１における消費量推定モデル６０と同様に構成されている。従って、複数の消費量推定モデル６０ａ，６０ｂ，・・・それぞれでは、建物５において所定期間内に消費される電力の単位時間ごとの総消費量を時系列で示す時系列データと、時系列データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量との関係が学習されている。複数の消費量推定モデル６０ａ，６０ｂ，・・・それぞれの入力層には、対象データ及び時系列データが入力される。対象データ及び時系列データそれぞれは、実施の形態１の説明で述べたように、所定期間内における電力の総消費量を時系列で示す。複数の消費量推定モデル６０ａ，６０ｂ，・・・それぞれの出力層は、対象データ又は時系列データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量を出力する。

【0063】

複数の消費量推定モデル６０ａ，６０ｂ，・・・は、建物５に関する複数の種類と、時期とに対応する。実施の形態１の説明で述べたように、建物５の種類として、事務所、工場、商業施設又は住宅等が挙げられる。時期として月が挙げられる。

【0064】

実施の形態３において、制御部２２は、実施の形態１と同様に教師データ記憶処理を実行する。実施の形態３において、教師データは、時系列データ及び正解データに加えて、モデルデータが含まれている。モデルデータは、消費量推定モデル６０ａ，６０ｂ，・・・中で、自身の教師データに含まれている時系列データ及び正解データを用いて生成を行うべき消費量推定モデルを示す。

【0065】

図１０はモデル生成処理の手順を示すフローチャートである。制御部２２は、実施の形態１と同様に、記憶部２１に教師データが記憶されている状態でモデル生成処理の実行が指示された場合にモデル生成処理を実行する。
実施の形態３におけるモデル生成処理の一部分は、実施の形態１におけるモデル生成処理と共通する。このため、実施の形態３におけるモデル生成処理において、実施の形態１におけるモデル生成処理と共通する部分、即ち、ステップＳ１～Ｓ７の詳細な説明を省略する。

【0066】

モデル生成処理では、制御部２２は、ステップＳ１を実行した後、複数の消費量推定モデル６０ａ，６０ｂ，・・・の中から、ステップＳ１で選択した教師データのモデルデータが示す消費量推定モデルを選択する（ステップＳ２１）。制御部２２は、ステップＳ２１を実行した後、ステップＳ２を実行する。実施の形態３におけるステップＳ２では、制御部２２は、ステップＳ１で選択した教師データに含まれる総消費量の時系列データを、ステップＳ２１で選択した消費量推定モデルに入力する。その後、制御部２２は、ステップＳ３～Ｓ５を順次実行する。これにより、制御部２２がステップＳ２１で選択した消費量推定モデルの中間層での算出に用いるパラメータが更新され、消費量推定モデルが新たに生成される。

【0067】

以上のように、モデル生成処理では、制御部２２は、教師データ記憶処理で取得した教師データに基づき、複数の消費量推定モデル６０ａ，６０ｂ，・・・の少なくとも１つを生成する。
なお、実施の形態３におけるモデル生成処理においても、１つの教師データを用いてパラメータを更新する回数は１回に限定されない。制御部２２は、１つの教師データを用いて、パラメータを２回以上更新してもよい。

【0068】

実施の形態３において、制御部２２は、実施の形態１と同様に推定処理を実行する。推定処理において、制御部２２は、複数の消費量推定モデル６０ａ，６０ｂ，・・・の中から消費量推定モデルを選択する。図９に示すように、記憶部２１には、消費量推定モデルの選択に用いる選択テーブルＴ１が更に記憶されている。

【0069】

図１１は選択テーブルＴ１の説明図である。選択テーブルＴ１には、種類フィールド、時期フィールド及び消費量推定モデルフィールドが設けられている。種類フィールドには、建物５の種類が示されている。図１１の例では、建物５の種類として、事務所、工場及び商業施設等が示されている。時期フィールドでは、種類フィールドが示す複数の種類それぞれに対応付けて時期が示されている。図１１の例では、時期として、１月から１２月までの月が示されている。消費量推定モデルフィールドでは、種類フィールド及び時期フィールドが示す種類及び時期の各組合せに対応付けて、選択すべき消費量推定モデルが示されている。消費量推定モデルフィールドで示す消費量推定モデルは、消費量推定モデル６０ａ，６０ｂ，・・・の１つである。

【0070】

対象建物４には、電力計に加えて、対象建物４の種類を示す種類データが記憶されている記憶部と、年、月、日及び時刻を示す時計部とが設置されている。実施の形態３における端末３は、実施の形態１と同様に対象データを取得するとともに、消費量推定モデルの選択に必要な選択用データを取得する。選択用データは、対象建物４の種類と、対象データが示す複数の総消費量が計測された時期とを示す。ここで、対象データは、選択用データとともに取得されるデータである。時期は、電力計が総消費量を計測した時点において時計部が示す月である。選択テーブルＴ１及び選択用データに基づいて、消費量推定モデルを選択することができる。

【0071】

使用者は、例えば、通信を介して、又は、可搬型メモリを用いて、端末３に対象データ及び選択用データを取得させる。使用者は、対象データ及び選択用データを、ネットワークＮを介してサーバ２へ送信させる。

【0072】

図１２は推定処理の手順を示すフローチャートである。制御部２２は、実施の形態１と同様に、推定処理を周期的に実行する。
実施の形態３における推定処理の一部分は、実施の形態１における推定処理と共通する。このため、実施の形態３における推定処理において、実施の形態１における推定処理と共通する部分、即ち、ステップＳ１２～Ｓ１５の詳細な説明を省略する。

【0073】

推定処理では、制御部２２は、まず、通信部２０が、端末３から対象データ及び選択用データを受信したか否かを判定する（ステップＳ３１）。制御部２２は、通信部２０が対象データ及び選択用データを受信していないと判定した場合（Ｓ３１：ＮＯ）、推定処理を終了する。次の周期が到来した場合、制御部２２は、再び、ステップＳ３１を実行する。制御部２２は、推定処理を繰り返し実行し、通信部２０が対象データ及び選択用データを受信するまで待機する。

【0074】

制御部２２は、通信部２０が対象データ及び選択用データを受信したと判定した場合（Ｓ３１：ＹＥＳ）、制御部２２は、選択テーブルＴ１に基づいて、複数の消費量推定モデル６０ａ，６０ｂ，・・・の中から、通信部２０が受信した選択用データが示す種類及び時期に対応する消費量推定モデルを選択する（ステップＳ３２）。例えば、選択用データが種類及び時期として、事務所及び１月を示す場合、ステップＳ３２では、制御部２２は、選択テーブルＴ１に基づいて消費量推定モデル６０ａを選択する。制御部２２は、ステップＳ３２を実行した後、ステップＳ１２～Ｓ１５を順次実行する。

【0075】

ステップＳ１２では、制御部２２は、通信部２０が受信した対象データを、ステップＳ３２で選択した消費量推定モデルに入力する。ステップＳ１３では、制御部２２は、ステップＳ３２で選択した消費量推定モデルの出力として、対象データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量を算出する。

【0076】

実施の形態３において、制御部２２はステップＳ１４を実施の形態１と同様に実行する。ステップＳ１４の第１例では、用途、種類及び時期に対応する複数の第１閾値が予め設定されている。制御部２２は、共通の用途、種類及び時期について、ステップＳ１３で算出した各個別消費量を第１閾値と比較する。１つの例として、共通の用途、種類及び時期について、第１閾値は、標準的な建物において消費される個別消費量に設定されている。もう１つの例として、各第１閾値は、種類が共通する複数の建物５に対応し、かつ、用途及び時期が共通する複数の個別消費量の平均値に設定されている。

【0077】

ステップＳ１４の第２例では、用途、種類及び時期に対応する複数の第２閾値が予め設定されている。制御部２２は、共通の用途、種類及び時期について、ステップＳ１３で算出した各個別消費量の占有率を第２閾値と比較する。１つの例として、共通の用途、種類及び時期について、第２閾値は、標準的な建物において消費される個別消費量の占有率に設定されている。もう１つの例として、各第２閾値は、種類が共通する複数の建物５に対応し、かつ、用途及び時期が共通する複数の個別消費量の占有率の平均値に設定されている。

【0078】

実施の形態３における推定処理では、複数の個別消費量の推定に、複数の消費量推定モデル６０ａ，６０ｂ，・・・の中で、対象建物４の種類と、対象データが示す複数の総消費量を計測した時期とに対応する消費量推定モデルを用いるので、複数の個別消費量がより正確に推定される。実施の形態３におけるサーバ２は、実施の形態１におけるサーバ２が奏する効果を同様に奏する。

【0079】

なお、実施の形態３においては、時期は、月に限定されず、例えば、季節であってもよい。時期が季節である場合、例えば、１月、２月及び１２月の期間が冬に対応し、３月から５月までの期間が春に対応し、６月から８月までの期間が夏に対応し、９月から１１月までの期間が秋に対応する。この場合、選択テーブルＴ１において、共通の種類に対応する１月、２月及び１２月の消費量推定モデルが共通しており、共通の種類に対応する３月から５月の消費量推定モデルが共通している。更に、共通の種類に対応する６月から８月の消費量推定モデルが共通しており、共通の種類に対応する９月から１１月の消費量推定モデルが共通している。時期が季節である場合、選択テーブルＴ１の時期フィールドにおいて、春、夏、秋及び冬の１つが示されてもよい。

【0080】

（実施の形態４）
実施の形態３において、時期は、電力計が総消費量を計測した時点に対応する月又は季節である。しかしながら、時期は、月又は季節に限定されない。
以下では、実施の形態４について、実施の形態３と異なる点を説明する。後述する構成を除く他の構成については、実施の形態３と共通しているため、実施の形態３と共通する構成部には実施の形態３と同一の参照符号を付してその説明を省略する。

【0081】

対象建物４の記憶部には、平日である日と、休日である日とを示すカレンダー情報が記憶されている。実施の形態４における端末３は、実施の形態３と同様に対象データ及び選択用データを取得する。選択用データが示す時期は、平日及び休日の一方である。電力計が総消費量を計測した日が平日である場合、選択用データは、時期として平日を示す。電力計が総消費量を計測した日が休日である場合、選択用データは、時期として休日を示す。

【0082】

図１３は実施の形態４における選択テーブルＴ１の説明図である。実施の形態４においては、選択テーブルＴ１の時期フィールドにおいて、時期として、平日及び休日の一方が示されている。

【0083】

実施の形態４において、サーバ２の制御部２２は、教師データ記憶処理、モデル生成処理及び推定処理を実施の形態３と同様に実行する。実施の形態４におけるサーバ２は、実施の形態３におけるサーバ２が奏する効果を同様に奏する。

【0084】

なお、実施の形態３，４において、選択用データが示す内容は、種類及び時期の一方であってもよい。選択用データは、対象建物４の種類を示すと仮定する。この場合、選択テーブルＴ１は、種類フィールド及び消費量推定モデルフィールドによって構成される。選択テーブルＴ１では、対象建物４に関する複数の種類それぞれに、複数の消費量推定モデル６０ａ，６０ｂ，・・・中の１つが対応付けられている。推定処理のステップＳ３２では、サーバ２の制御部２２は、複数の消費量推定モデル６０ａ，６０ｂ，・・・の中から、通信部２０が受信した選択用データが示す種類に対応する消費量推定モデルを選択する。この場合であっても、複数の個別消費量の推定に、複数の消費量推定モデル６０ａ，６０ｂ，・・・の中で、対象建物４の種類に対応する消費量推定モデルを用いるので、複数の個別消費量がより正確に推定される。用途及び種類に対応する複数の第１閾値及び複数の第２閾値が予め設定されている。

【0085】

選択用データは、複数の総消費量が計測された時期を示すと仮定する。この場合、選択テーブルＴ１は、時期フィールド及び消費量推定モデルフィールドによって構成される。選択テーブルＴ１では、複数の総消費量が計測された時期それぞれに、複数の消費量推定モデル６０ａ，６０ｂ，・・・中の１つが対応付けられている。推定処理のステップＳ３２では、サーバ２の制御部２２は、複数の消費量推定モデル６０ａ，６０ｂ，・・・の中から、通信部２０が受信した選択用データが示す時期に対応する消費量推定モデルを選択する。この場合であっても、複数の個別消費量の推定に、複数の消費量推定モデル６０ａ，６０ｂ，・・・の中で、対象データが示す複数の総消費量を計測した時期に対応する消費量推定モデルを用いるので、複数の個別消費量がより正確に推定される。用途及び時期に対応する複数の第１閾値及び複数の第２閾値が予め設定されている。

【0086】

また、実施の形態３，４において、消費量推定モデル６０ａ，６０ｂ，・・・それぞれは、実施の形態２における消費量推定モデル６０と同様に構成されていてもよい。従って、対象データ及び時系列データそれぞれは、所定期間内に消費される電力の単位時間ごとの総消費量に加えて、気象情報及び床面積の両方又は一方を時系列に示すデータであってもよい。消費量推定モデル６０ａ，６０ｂ，・・・それぞれは、実施の形態３の説明で述べたように、時系列データと、時系列データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量との関係を学習した学習済みモデルである。実施の形態３，４において、消費量推定モデル６０ａ，６０ｂ，・・・それぞれが、実施の形態２における消費量推定モデル６０と同様に構成されている場合、実施の形態３，４におけるサーバ２は、実施の形態２におけるサーバ２が奏する効果を同様に奏する。

【0087】

更に、実施の形態３，４において、種類の例として、事務所、工場、商業施設又は住宅等を挙げた。しかしながら、種類は、更に、細分化されてもよい。例えば、商業施設の代わりに、デパート、博物館及び美術館等の複数の種類の建物が示されてもよい。

【0088】

（実施の形態５）
実施の形態１において、消費量推定モデル６０は、ＬＳＴＭに係るニュートラルネットワークに限定されない。
以下では、実施の形態５について、実施の形態１と異なる点を説明する。後述する構成を除く他の構成については、実施の形態１と共通しているため、実施の形態１と共通する構成部には実施の形態１と同一の参照符号を付してその説明を省略する。

【0089】

図１４は実施の形態５における消費量推定モデル６０の説明図である。実施の形態５における消費量推定モデル６０は、例えば、ＣＮＮ（Convolutional Neural Network）である。消費量推定モデル６０は、入力層、複数の中間層及び出力層を有する。図１４には、中間層の数が２である例が示されている。なお、中間層の数は３以上であってもよい。

【0090】

入力層、中間層及び出力層それぞれは、一又は複数のニューロンを有する。各層のニューロンは、前後の層に存在するニューロンと一方向に所望の重み及びバイアスで結合されている。入力層のニューロンの数と同数の成分を有するベクトルが、消費量推定モデル６０に、入力データとして入力される。消費量推定モデル６０の入力層には、対象データ又は時系列データ、即ち、複数の総消費量が入力される。

【0091】

なお、複数の中間層に畳み込みを行う層が含まれていてもよい。この層では、入力されたデータに、畳み込みフィルタを含む適宜のフィルタを適用し、フィルタを適用した後に得られる複数のデータを次の層に出力する。

【0092】

入力層の各ニューロンに入力された入力値は、最初の中間層に入力される。この中間層において、重み及びバイアスを含む活性化関数を用いて出力が算出される。算出された値が次の中間層に入力される。以下同様にして、出力層の出力が算出されるまで次々と後の層に伝達される。なお、ニューロン間を結合する重み及びバイアス等のパラメータは、誤差逆伝播法を用いて学習される。

【0093】

消費量推定モデル６０は、実施の形態１と同様に、時系列データと、時系列データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量との関係を学習した学習済みモデルである。サーバ２の制御部２２は、時系列データ及び正解データを含む教師データを用いて機械学習を行い、消費量推定モデル６０を生成する。機械学習では、制御部２２は、中間層での算出に用いるパラメータを最適化する。実施の形態５における教師データは、図４に一例が示されている実施の形態１における教師データと同様である。

【0094】

実施の形態５における消費量推定モデル６０の出力層は、複数の個別消費量に関する複数の組合せそれぞれについて、入力層に入力された対象データ又は時系列データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量の組合せに該当する確率を出力する。

【0095】

用途は、実施の形態１の説明で述べたように、エアーコンディショナの室外機、エアーコンディショナの室内機、給湯機、電灯及び事務機器等への電力供給である。図１４の例では、出力層の一番上のニューロンは、室外機及び室内機等の個別消費量が０ｋＷｈ及び１０ｋＷｈ等である確率を出力する。「ｋＷｈ」は、電力の消費量に関する単位である。

【0096】

サーバ２の制御部２２は、対象データを消費量推定モデル６０の入力層に入力することによって、複数の個別消費量に関する組合せの確率を算出する。制御部２２は、例えば、確率が最も高い組合せに対応する複数の個別消費量を、入力層に入力された対象データ又は時系列データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量であると推定する。

【0097】

実施の形態５において、サーバ２の制御部２２の処理素子は、実施の形態１と同様に、コンピュータプログラムＰ１を実行することによって、教師データ記憶処理、モデル生成処理及び推定処理を実行する。実施の形態５における教師データ記憶処理は、実施の形態１における教師データ記憶処理と同様である。教師データ記憶処理では、制御部２２は、通信部２０が受信した教師データ、又は、入力部に入力された教師データを取得し、取得した記憶部２１に記憶する。その後、制御部２２は教師データ記憶処理を終了する。

【0098】

図１５はモデル生成処理の手順を示すフローチャートである。実施の形態５において、サーバ２の制御部２２は、実施の形態１と同様に、記憶部２１に教師データが記憶されている状態でモデル生成処理の実行が指示された場合にモデル生成処理を実行する。
実施の形態５におけるモデル生成処理の一部分は、実施の形態１におけるモデル生成処理と同様である。実施の形態５におけるモデル生成処理において、実施の形態１におけるモデル生成処理と共通する部分、即ち、ステップＳ１，Ｓ２，Ｓ６の詳細な説明を省略する。

【0099】

モデル生成処理のステップＳ２では、実施の形態１と同様に、制御部２２は、ステップＳ１で選択した教師データに含まれる時系列データを消費量推定モデル６０に入力する。次に、制御部２２は、消費量推定モデル６０の出力として、複数の個別消費量に関する複数の組合せの確率を算出する（ステップＳ４１）。これらの確率は、複数の個別消費量に関する複数の組合せそれぞれについて、入力層に入力された時系列データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量の組合せに該当する確率である。

【0100】

次に、制御部２２は、ステップＳ１で選択した教師データの正解データと、ステップＳ４１の算出結果とに基づいて、中間層での算出に用いるパラメータを更新する（ステップＳ４２）。具体的には、ステップＳ４２では、制御部２２は、消費量推定モデル６０の出力について、正解データが示す複数の個別消費量に最も近い複数の個別消費量の組合せの確率が高くなるように、パラメータを更新する。制御部２２は、ステップＳ４２を実行した後、ステップＳ６を実行する。

【0101】

消費量推定モデル６０が、複数の個別消費量の組合せそれぞれについて、対象データ又は時系列データが示す複数の総消費量の平均値に対する用途ごとの内訳を示す複数の個別消費量の組合せに該当する確率を出力すると仮定する。この場合、正解データは、複数の総消費量の平均値に対する用途ごとの内訳を示す複数の個別消費量を示すデータである。

【0102】

同様に、消費量推定モデル６０が、複数の個別消費量の組合せそれぞれについて、対象データ又は時系列データが示す複数の総消費量の合計に対する用途ごとの内訳を示す複数の個別消費量の組合せに該当する確率を出力すると仮定する。この場合、正解データは、複数の総消費量の合計に対する用途ごとの内訳を示す複数の個別消費量を示すデータである。

【0103】

実施の形態５におけるモデル生成処理においても、制御部２２は、教師データ記憶処理で取得した教師データに基づき、消費量推定モデル６０を生成する。
なお、実施の形態５におけるモデル生成処理においても、１つの教師データを用いてパラメータを更新する回数は１回に限定されない。制御部２２は、１つの教師データを用いて、パラメータを２回以上更新してもよい。

【0104】

図１６は推定処理の手順を示すフローチャートである。実施の形態５において、制御部２２は、実施の形態１と同様に推定処理を周期的に実行する。
実施の形態５における推定処理の一部分は、実施の形態１における推定処理と同様である。実施の形態５における推定処理において、実施の形態１における推定処理と同様である部分、即ち、ステップＳ１１，Ｓ１２，Ｓ１４，Ｓ１５の詳細な説明を省略する。

【0105】

推定処理のステップＳ１２では、実施の形態１と同様に、制御部２２は、通信部２０が受信した対象データを消費量推定モデル６０に入力する。次に、制御部２２は、消費量推定モデル６０の出力として、複数の個別消費量に関する複数の組合せの確率を算出する（ステップＳ５１）。これらの確率は、複数の個別消費量に関する複数の組合せそれぞれについて、入力層に入力された対象データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量の組合せに該当する確率である。

【0106】

次に、制御部２２は、ステップＳ５１で算出した確率に基づいて、複数の個別消費量に関する複数の組合せそれぞれについて、入力層に入力された対象データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量を推定する（ステップＳ５２）。ステップＳ５２では、例えば、制御部２２は、確率が最も高い組合せに対応する複数の個別消費量を、対象データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を示す複数の個別消費量として推定する。

【0107】

制御部２２は、ステップＳ５２を実行した後、ステップＳ１４，Ｓ１５を順次実行する。ステップＳ１４では、制御部２２は、ステップＳ５２で推定した各個別消費量が過剰であるか否かを判定する。ステップＳ１５では、実施の形態１と同様に、制御部２２は、通信部２０に指示して、判定結果データ及び推定データを、ネットワークＮを介して端末３に送信させる。判定結果データは、ステップＳ５２で推定した各個別消費量それぞれについて、ステップＳ１４で行われた判定結果を示す。推定データは、制御部２２がステップＳ５２で推定した複数の個別消費量を示す。

【0108】

制御部２２は推定処理を実行することによって、実施の形態１と同様に、使用者は、推定データの内容に基づいて、対象データが示す複数の総消費量の平均値又は合計に対する用途ごとの内訳を確認することができる。使用者は、判定結果データの内容に基づいて、過剰である個別消費量の用途を確認することができる。
実施の形態５におけるサーバ２は、実施の形態１におけるサーバ２が奏する効果を同様に奏する。

【0109】

なお、実施の形態２において、消費量推定モデル６０は実施の形態５と同様に構成されてもよい。この場合、対象データ及び時系列データそれぞれでは、所定期間内に消費される電力の単位時間ごとの総消費量に加えて、気象情報及び床面積の両方又は一方が時系列に示されている。生成処理では、実施の形態５と同様に、消費量推定モデル６０が出力した複数の確率に基づいて、パラメータを更新する。推定処理では、実施の形態５と同様に、消費量推定モデル６０が出力した複数の確率に基づいて、複数の個別消費量を推定する。

【0110】

また、実施の形態３，４において、複数の消費量推定モデル６０ａ，６０ｂ，・・・それぞれは実施の形態５と同様に構成されてもよい。生成処理では、実施の形態５と同様に、複数の消費量推定モデル６０ａ，６０ｂ，・・・の中で選択された消費量推定モデルが出力した複数の確率に基づいて、選択された消費量推定モデルのパラメータを更新する。推定処理では、実施の形態５と同様に、複数の消費量推定モデル６０ａ，６０ｂ，・・・の中で選択された消費量推定モデルが出力した複数の確率に基づいて、複数の個別消費量を推定する。

【0111】

なお、実施の形態５において、消費量推定モデル６０は、時系列データを用いて生成された学習済みモデルに限定されず、例えば、複数の総消費量の平均値又は合計を用いて生成された学習済みモデルであってもよい。この場合、教師データは、建物５において時系列で計測された複数の総消費量の平均値、又は、これらの総消費量の代表値等を示す消費量データと正解データとを含む。モデル生成処理では、時系列データの代わりに消費量データを用いる。対象データは、対象建物４において時系列で計測された複数の総消費量の平均値、又は、これらの総消費量の代表値等を示す。消費量推定モデル６０が、時系列データを用いて生成された学習済みモデルではない場合であっても、用途ごとに個別消費量を計測する必要がなく、複数の個別消費量を推定する構成が安価に実現される。

【0112】

また、実施の形態２における消費量推定モデル６０及び実施の形態３，４における複数の消費量推定モデル６０ａ，６０ｂ・・・それぞれが実施の形態５と同様に構成された場合において、これらの消費量推定モデルは、時系列データとは異なるデータ、例えば、消費量データを用いて生成された学習済みモデルであってもよい。

【0113】

実施の形態１～５において、複数の個別消費量の推定と、消費量推定モデル６０又は消費量推定モデル６０ａ，６０ｂ，・・・の生成とを行う装置は、情報処理を行う装置であればよいので、サーバ２に限定されない。サーバ２の代わりにパーソナルコンピュータを用いてもよい。更に、複数の個別消費量を推定する推定装置と、消費量推定モデル６０又は消費量推定モデル６０ａ，６０ｂ，・・・を生成する生成装置は異なっていてもよい。この場合、推定装置に記憶されている消費量推定モデルを、生成装置で生成した消費量推定モデルに更新する。

【0114】

実施の形態１～５で記載されている技術的特徴（構成要件）はお互いに組み合わせ可能であり、組み合わせすることにより、新しい技術的特徴を形成することができる。
開示された実施の形態１～５はすべ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。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

【符号の説明】

【0115】

２ サーバ（推定装置）
４ 対象建物
５ 建物
２２ 制御部（取得部、入力部、推定部）
６０，６０ａ，６０ｂ，・・・ 消費量推定モデル（学習済みモデル）
Ｐ１ コンピュータプログラム

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】