コラムCOLUMNS

エネルギーの使い方を決める数理モデル、電力需要の予測から空調の制御とデマンドレスポンスまで

公開日:2026年11月17日

こんにちは、Anagraftの伊藤です。

今回は、工場や事務所ビル、店舗などの事業所が、電気を中心としたエネルギーの使い方をどのように決められるのかを整理しました。事業所の電気料金は、多くの契約で、使った電力量(kWh)に応じてかかる部分と、契約電力(kW)に応じて毎月かかる部分などから成っています。契約電力は、30分ごとの平均の電力のうち最も大きかった値をもとに決まる契約があります(料金の構造は第1章で、約款や公的な解説で確かめた範囲を整理します)。そのような契約では、同じ電力量を使っていても、いつ、どれだけ集中して使ったかによって、料金は変わります。本コラムで「使用量」と書くときは、とくに断らないかぎり、電気の使用量、つまり電力量(kWh)を指します。エネルギーの使い方を見直す場面では、次のような問いが、施設管理の担当者だけでなく、事業の責任者や経営層にも届くことが多いように思います。

  • 電気料金のうち、自社の使い方で変えられる部分はどこか
  • 使用量が前年より減ったのは、省エネの対策の効果なのか、気温や稼働日の違いなのか
  • 空調の設定や運転の時間を変えると、使用量はどれだけ減り、室内の環境や生産に何が起きるのか
  • 最大需要電力(ある月の、30分ごとの平均の電力の最大値)は、どの設備が、いつ重なって出ているのか
  • 蓄電池や太陽光発電、デマンドレスポンス(電気の需給の状況に応じて、電気の使い方を変える取り組み)は、自社に合うのか
  • 30分ごとの使用量の記録や、建物や工場のエネルギー管理システムのデータを、どう使えばよいのか

本コラムでは、こうした問いに答えるための材料を、料金の構造とデータの基礎、需要の予測と効果の測定、運転と設備の計画、監視と定着の4つのまとまりに分けて並べました。

この題材を選んだ理由は、エネルギーの管理が「使用量の合計を前年より減らす活動」として語られることが多いように思うためです。そう語られると、月ごとの使用量と前年比だけが議論されます。気温や稼働の違いをそろえたときに本当に減っているのか、料金に効いているのは電力量なのか最大需要電力なのか、減らすために室内の環境や生産の条件をどこまで動かしてよいのかは、決まらないまま進みがちです。

エネルギーの使い方には、いくつかのつり合いがあります。空調の設定を緩めれば使用量は減りますが、室内の環境が許容できる範囲を外れることがあります。設備の起動をずらせば最大需要電力が下がることがありますが、立ち上がりは遅れます。朝のうちに建物を冷やしておけば、条件によっては昼の電力を下げられますが、電力量の合計は増えることがあります。蓄電池は、最大需要電力を下げる、使う時間帯を移す、太陽光発電の余りを蓄える、といった目的のどれを優先するかで、充電と放電の計画が変わります。計画のもとになる需要や気温、発電量の予測は外れることがあります。こうした性質を踏まえずに使用量の合計だけを追ったときに出る損失を、本コラムでは6つの型に分けて整理し、各章で使います(序章で説明します)。

本コラムでは、公開されている一次情報を根拠にしました。法令と所管官庁の資料、電力の取引や需給に関わる機関の資料、規格を定める団体の文書、手法の原論文や専門書、企業や団体が公開している資料です。第2章から第12章では、架空の合成データ(30分ごとの使用量や気温、設備の特性を乱数と簡単な式で作ったもの)に対して実際にPythonのコードを動かし、その出力とグラフを載せています。架空のデータで得た数値は、その条件での一例であり、実際の事業所で期待できる削減量や成績の目安ではありません。効果は、建物、設備、気候、使い方によって違います。本コラムでは、ある対策で何%減るといった一般的な省エネ率は書いていません。数字を引く場合は、出典に書かれた条件とあわせて紹介しています。

想定している読者は、エネルギーの使い方の見直しを任された方、あるいはそれを決める立場の方です。担当者としては、事業所を持つ事業会社で、施設管理、設備管理、生産技術、総務、サステナビリティ、経営企画、DX推進を担う方を念頭に置いています。エネルギー管理を支援する事業者で企画や分析を担う方、使用量の記録を分析するデータサイエンティストの方も想定しています。判断する立場としては、設備とエネルギーの予算や方針を決める事業の責任者や経営層の方を念頭に置いています。機械学習の専門家でなくても、また電気設備や空調設備の専門家でなくても読めるように、専門用語には平易な補足を添え、各章では「その方法で何が分かり、運転と契約の判断にどうつながるか」「経営はどう判断するか」を意識して書きました。

本コラムは、事業所がエネルギーの使い方を設計し、点検するための解説です。室内の環境の許容範囲と、生産や品質の条件は、省エネのために動かすものではなく、守る条件として扱いました。設備の保護のための装置を外す方法や、計量や報告の値を実態と違う形に見せる方法には触れていません。設備の制御や運転を変える内容は、設備の仕様、保安のための規程、メーカーの定める運転の範囲のなかで、設備の担当者と有資格者の確認のもとで行うことを前提にしています。

本コラムに出てくる企業や団体の取り組みは、その企業や団体が公開した資料を開いて確かめたものに限っています。電気料金の単価、設備や工事の費用、補助金の額、弊社の支援の条件には触れていません。公的な統計は、構成比や物理量で紹介しています。例題で単価や費用を扱う箇所は、単位の無い「相対値」で書き、電力(kW)と電力量(kWh)、気温などの物理量には単位を付けています。

料金の制度は契約によって違い、法令や制度は改正が続いています。自社に適用される契約の条件や制度の範囲については、契約先の事業者、所管の官庁、専門家に確認していただく前提で書いています。

各章の題と、その章で答える問いは「全体の地図」の表にまとめています。本コラムで使う用語の定義も、同じ「全体の地図」の表にまとめています。

$authorName
著者伊藤 瑛志

Anagraft(アナグラフト)合同会社 代表 AXプロジェクト顧問・支援
データサイエンティスト since 2013 BCG/ALBERT(現アクセンチュア)出身

目次

序章 事業所のエネルギーの使い方は何を見積もって何を決めるのか

事業所は、空調、照明、生産設備、熱源(冷水や温水、蒸気を作る設備)、情報機器などを動かすために、電気や都市ガスなどのエネルギーを使います。本コラムの主題であるエネルギーマネジメントは、事業所のエネルギーの使い方を計測し、目標を定め、運転、契約、設備を見直し続ける活動です。本コラムは電気を中心に扱い、熱は空調と熱源に関わる範囲で扱います。

電気の使い方を表す量は2つあります。電力(kW)は、ある瞬間、またはある時間の平均の、電気の使用の大きさです。電力量(kWh)は、ある時間のあいだに使った電気の量で、電力に時間を掛けたものです。10kWの設備を3時間動かせば、電力量は30kWhになります。本コラムでは、30分間の平均の電力を需要電力と呼び、ある月の需要電力のうち最大の値を最大需要電力と呼びます。30分ごとの電力量の記録(30分値)がkWhで残っている場合、その値を2倍すると、その30分の需要電力(kW)になります。多くの契約では、料金は、電力量に応じてかかる部分と、契約電力(基本料金の計算のもとになる電力)に応じてかかる部分などから成り、契約電力が最大需要電力をもとに決まる契約があります(第1章)。そのような契約では、使った量の合計だけでなく、使い方の形が料金に関わります。

使い方を見直すときに、人が設備の1台ずつについて30分ごとの判断を続けるのは、大きな負担になります。判断のもとになるのは、見積りと計画です。先の時間帯にどれだけ使いそうかを見積もり、設定や運転を変えたら何が起きるかを見積もり、制約を守りながら費用や最大需要電力が小さくなる運転の予定を計算します。本コラムでは、予測にもとづいて作った運転の予定を計画、実際の需要や気温のもとで起きた結果を実績と呼び、この2つを分けて書きます。計画の計算で得た値は、予測が当たった場合の値であり、成果ではありません。

エネルギーの管理は、月ごとの使用量と前年比で語られることが多くあります。しかし、使用量は、対策をしなくても、気温、稼働日、生産量、建物の使い方によって増減します。前年より暑い夏に使用量が増えたことは、対策が効かなかったことを意味しませんし、涼しい夏に減ったことは、対策が効いたことを意味しません。本コラムでは、対策が無かった場合に見込まれる使用量をベースラインと呼び、ベースラインから、対策の後に実際に測った使用量を引いた差を、対策の効果(削減量)とします。ベースラインは、気温や稼働などの条件を対策の後の期間にそろえて見積もります。ベースラインは観測できない値なので、削減量は見積りであり、幅があります(第5章)。削減量を費用に換算するときには、電力量だけでなく、最大需要電力と時間帯が関わります。また、削減の量は、室内の環境や生産への影響と並べて見ます。室温が許容できる範囲を外れた時間や、生産に生じた遅れを数えずに、減った量だけを成果とすることはしません。そのため本コラムでは、エネルギーの使い方の取り組みを、需要を見積もる技術と、その見積りを使って運転と契約を決め、条件をそろえた差で結果を測るところまでを含むものとして扱います。

使い方を決める3つの見積り

エネルギーの使い方を決めるために見積もるものは、3つに分けて考えると整理しやすくなります。1つ目は、需要です。先の時間帯に事業所がどれだけの電力を使うかを、暦、稼働の予定、気温などから見積もります。気温と使用量の関係は、冷房を使う側と暖房を使う側で向きが変わるので、折れ曲がる形の式を記録に当てはめて表します(回帰と呼ばれる方法で、第3章で説明します)。要因の組み合わせや、気温が遅れて効く性質を拾うために、機械学習の手法も使えます(第4章では、例題で必ず良くなるとは限らないことも確かめます)。最大需要電力や契約の判断には、1つの値の予測だけでなく、どの程度まで上振れしうるかという幅が要ります。予測の対象になる先の時刻の気温は、予測を出す時点では予報の値しか手に入りません(それより前の時刻の気温は、観測の値を使えます)。そのため、先の時刻の実績の気温を入れて確かめた成績は、実際に使うときの成績より良く出やすくなります。

2つ目は、設備と建物の応答です。設定や運転を変えたときに、使用量、室温、作られる熱の量がどう変わるかを見積もります。建物は熱を蓄えるので、空調を止めたあとの室温の変化はゆるやかになり、朝のうちに冷やしておいた効果は、建物によっては昼まで残ります。変化の速さは、建物、外気、日射、室内の発熱によって違います。この性質を簡単な式で表すと、室温の許容範囲を守る条件のもとで、空調の運転の予定を計算できます(第7章。予報が外れると、実績では範囲を外れる時間が残ることもあります)。熱源は、負荷の大きさや外気温によって効率が変わるので、複数の台のうちどれをどの負荷で動かすかによって、同じ熱を作るのに要る電力が変わります(第8章)。蓄電池は、蓄えられる量(kWh)と一度に出し入れできる大きさ(kW)の両方に上限があります(第9章)。どの設備を、どれだけの時間止めてよいか、ずらしてよいかという条件も、この見積りに含まれます(第6章・第10章)。

3つ目は、対策が無かった場合の使用量、つまりベースラインです。これは効果を測るための基準で、対策の前の期間の記録から、気温や稼働と使用量の関係を見積もって作ります(第5章)。デマンドレスポンスで減らした量を算定するときにもベースラインという語を使いますが、こちらは直近の日の使用量などから決まりにもとづいて作るもので、作り方が違います(第10章)。本コラムでは、どちらの意味のベースラインかをそのつど書きます。

3つの見積りは、どれも外れることがあります。需要や気温、発電量の予測が外れると、計画どおりに運転しても、室温が範囲を外れたり、最大需要電力が目標を超えたりします。外れることを前提に、余裕を持たせる、複数の見通しを用意する、短い間隔で解き直す、といった方法があります(第11章)。ただし、第11章の架空のデータでは、余裕を足す方法とシナリオの期待値を使う方法は、予測の値のまま解く方法との差が小さく、予測の値のまま解き直す方法は、5回の繰り返しのすべてで、1日に1回解くだけの方法より日の最大需要電力の平均が大きくなりました。どの方法を使うかは、多数の日の実績で比べて決めます。

事業所の側で決めること

見積りと計画の計算を、機器や外部の事業者のサービスに任せる場合でも、事業所の側にしか決められないことが4つあります。

  1. 守る条件:室内の環境の許容範囲(室温の下限と上限など)と、生産や品質の条件は、省エネのために動かすものではなく、先に決めて守るものです。条件が決まっていないと、計算は、条件を外れることと引き換えに使用量を減らす予定を出すことがあります(第7章)。
  2. 目標の需要電力と、止めてよい設備の順:最大需要電力をどこまでに抑えるか、そのためにどの設備を、どれだけの時間、どの順で止めたりずらしたりしてよいかは、生産と室内の環境への影響を踏まえて事業として決めます。目標を低くしすぎると、制限が働く回数が増えます(第6章)。
  3. データの粒度:月ごとの請求書だけで分かること、30分値で分かること、設備ごとの計測で分かることは違います。どの粒度のデータを、誰が、どこまで取るかは、何に使うかから逆に決めます(第2章)。
  4. 効果の測り方:何をベースラインにし、何で条件をそろえ、どの期間で比べるかを、対策の前に決めます。対策の後に測り方を選ぶと、都合のよい比べ方を選べてしまいます(第5章)。

この取り決めが無いまま対策だけを進めると、使用量は前年より減っているのに料金が下がらない、設定を変えたのに気づかないうちに元に戻っている、設備を入れたのに効果があったのか誰も答えられない、といったことが起きやすいと考えています。本コラムでは、予測と計画の手法の説明に加えて、効果の測定、運用の監視、導入の体制にも章を立てて扱います。エネルギーの使用には、事業者の規模や建物の用途によって、使用の状況の報告や管理の体制に関する法令、温室効果ガスの排出量の算定に関する制度、建物の性能に関する法令が関わります。法令の条文と所管官庁の資料で確認できた範囲を第14章で整理します。

決めないことで出る損失の型

エネルギーの使い方を設計し、運用するときに起きうる損失は、金額ではなく型で整理すると見えやすくなります。本コラムでは、次の6つの型に整理しました(本コラム独自の整理で、各章でも同じ6つを使います)。6つは互いに重なることがあり、1つの出来事が複数の型に関わる場合もあります。

  • 払いすぎ:使い方を変えれば避けられた電気料金や燃料費を払います。夜間や休業日に動いたままの設備、効率の低い運転の組み合わせ、設備の起動が重なって出た高い最大需要電力が、契約電力の決まり方によっては基本料金に効く場合などが当たります。事業に必要なエネルギーを使うこと自体は、払いすぎとは呼びません。
  • 機会損失:省エネ、使う時間帯の移動、自家消費(自社の敷地などで発電した電気をその事業所で使うこと)、デマンドレスポンスで得られたはずの削減や収入を取り逃します。取り逃した分は記録に残らないので、この損失はつねに推定になります。
  • 効果の数え違い:気温、稼働、生産量の違いによる増減を、対策の効果として数えます。効果の無い対策を続けたり、効果のある対策をやめたりして、投資や継続の判断を誤ります。多く見積もる場合も、少なく見積もる場合もあります。
  • 快適性と生産への支障:制御の行きすぎで、室内の環境、製品の品質、設備の寿命、安全を損ないます。削減量だけを目標にすると起きやすくなります。
  • 形骸化:計測やレポート、会議はあるものの、設定の見直しや対応につながりません。設定と実態のずれに気づけない、あるいは気づいても誰も動かない状態です。
  • 制度上の義務の不履行:エネルギーの使用の報告、管理の体制、排出量の算定など、自社に適用される制度上の義務を果たせなくなります。

どの損失が自社で目立っているかを見れば、どこから着手するかの見当が付きます。型ごとの最初の一歩は、次のように整理できます。

  • 払いすぎが疑われる場合:新しい設備を検討する前に、請求書で料金の内訳を確かめ、30分値で夜間と休業日の使用量と、最大需要電力が出た日時を確かめます(第1章・第2章・第6章)。
  • 機会損失が疑われる場合:止められる設備とずらせる設備を一覧にし、動かせる電力の大きさと続けられる時間を見積もります(第6章・第9章・第10章)。
  • 効果の数え違いが疑われる場合:対策の前に1年分前後の記録がある過去の対策を1つ選び、気温と稼働をそろえたベースラインとの差を計算し直します(第5章)。
  • 快適性と生産への支障が気になる場合:室内の環境の許容範囲が文書で決まっているかと、設定を変えた記録が残っているかを確かめます(第7章)。
  • 形骸化が起きている場合:最後に設定や運転のスケジュールを見直した時期と、警報が出たときに誰が何をする決まりになっているかを確かめます(第12章)。
  • 制度上の義務の不履行が気になる場合:自社と各事業所に適用される制度を、担当の部門や専門家と一覧にします(第14章)。

このように、目立っている損失の型によって最初の一歩は変わります。上に挙げた最初の一歩は、どれも新しい設備や仕組みの導入より前にできることです。どの型から入っても、確かめていくと、次に述べる守る条件と効果の測り方に行き着くことが多いと考えています。

使い方の設計は、守る条件と効果の測り方から始める

エネルギーの使い方を見直すときに最初に決めるべきことは、どの設備やどの手法を使うかではなく、室内の環境と生産について何を守るのか、そして効果を何と比べて測るのかだと考えています。守る条件が決まれば、計算で動かしてよい範囲が決まります。効果の測り方が決まれば、設定や運転を変えたときに、良くなったのかどうかを判断する基準ができます。そのうえで、いまの使い方を30分値で把握し、気温や稼働などの条件をそろえて比べられるベースラインを作り、それより良くなる方法だけを足していきます。比較の基準が決まれば、運用の見直しや設備への投資の理由を、数字で社内に説明できるようになります。

本コラムは、次の4つのまとまりで進みます。

  1. 料金の構造とデータの基礎:電気料金の構造と使い方で変えられる部分、30分値や気温などのデータの性質とそろえ方を整理します(第1章・第2章)。
  2. 需要の予測と効果の測定:気温と暦による需要の予測、機械学習による予測と予測の幅、ベースラインによる効果の測り方を、実行したコードとともに見ます(第3章から第5章)。
  3. 運転と設備の計画:最大需要電力の管理、空調の制御、熱源の運転計画、蓄電池と太陽光発電の運用、デマンドレスポンス、予測が外れることを織り込んだ計画を扱います(第6章から第11章)。
  4. 監視と定着:運用の監視と異常の検知、導入の進め方と体制、制度とガイドライン、公開事例と最新の動向を扱います(第12章から第14章)。

経営判断に関わる方には、投資の進め方として、新しい設備や外部のサービスに予算を付ける前に、次の4つを確かめる順序をお勧めします(以下、4つの確認と呼びます)。

  • 電気料金のうち、電力量に応じた部分と、契約電力に応じた部分が、それぞれどれだけを占めているかを把握しているか
  • 30分値を手に入れて、夜間と休業日の使用量、最大需要電力が出た日時を見たことがあるか
  • 室内の環境の許容範囲と、生産や品質について守る条件が、文書で決まっているか
  • 過去の対策の効果を、気温や稼働の条件をそろえて測ったことがあるか、測る計画があるか

この順序であれば、投資の前提を社内に説明でき、効果が出なかったときにも原因を切り分けやすくなると考えています。反対に、設備や仕組みの導入を先に進め、守る条件と測り方を後回しにすると、設備は毎日動いていても、使い方が良くなったのか、気温や稼働の違いで数字が動いただけなのかを誰も答えられないおそれがあります。本コラムの各章は、その順序を自社で組み立てるための材料として書いています。

Anagraftでは、エネルギーのデータの分析と運転の計画を含むデータとAIの活用について、課題の特定から、テーマの選定とKPIの設計、PoC、本番への導入、運用と改善、内製化まで一貫したご支援を行っています。会社概要・ご支援内容の詳細は、以下の資料からご覧いただけます。

Anagraft 会社概要資料(ダウンロードページへ)

全体の地図

本コラムは14の章を、序章で示した4つのまとまりに分けて構成しています。章の題に出てくる専門の用語は、それぞれの章の中で定義し、主なものは表の「その章で答える問い」の欄でも平易に言い換えています。

  • 料金の構造とデータの基礎(第1章・第2章):電気料金の構造と使い方で変えられる部分、30分値や気温などのデータの性質とそろえ方
  • 需要の予測と効果の測定(第3章から第5章):気温と暦による需要の予測、機械学習による予測と予測の幅、ベースラインによる効果の測り方
  • 運転と設備の計画(第6章から第11章):最大需要電力の管理、空調の制御、熱源の運転計画、蓄電池と太陽光発電の運用、デマンドレスポンス、予測が外れることを織り込んだ計画
  • 監視と定着(第12章から第14章):運用の監視と異常の検知、導入の進め方と体制、制度とガイドライン、公開事例と最新の動向

第2章から第12章には、架空の合成データ(乱数と簡単な式で作った30分値、気温、設備の特性)で実際に動かしたPythonのコードと、その結果を載せています。例題の事業所、設備、気温は架空のもので、実在の事業所や地点を表すものではありません。

各章の題と、その章で答える問いは次の表のとおりです。

章題その章で答える問い
第1章事業所のエネルギー管理の全体像、電気料金の構造と使い方で変えられる部分電気料金はどの部分から成り、使い方で変えられるのはどこか。エネルギーの計画は普通の予測や最適化の問題と何が違うのか
第2章エネルギーのデータ、30分値と計量の粒度・気象と稼働の記録のそろえ方どのデータが誰の手元に、どの細かさで残るのか。30分ごとの使用量の記録(30分値)と気温の記録を、どうそろえて点検するか
第3章電力需要の予測、気温と曜日で説明する回帰モデル先の日や時間帯の使用量を、気温と暦からどう見積もるか。気温が1℃変わると使用量はどれだけ変わるのか
第4章機械学習による需要の予測、勾配ブースティングと予測の幅多数の決定木を順に足していく手法(勾配ブースティング)は何が違うのか。1つの値ではなく、上振れの幅まで含めた予測をどう作り、その幅が使えるかをどう確かめるか
第5章省エネの効果の測り方、ベースラインと計測・検証の考え方対策が無かった場合の使用量(ベースライン)をどう見積もるか。前年比と何が違い、見積もった効果にはどれだけの幅があるのか
第6章最大需要電力の管理、デマンドの監視とピークカットの計画30分ごとの平均の電力の最大値(最大需要電力)は、どの設備が重なって出ているのか。どの設備を、どの順で止めたりずらしたりするか
第7章空調の制御、建物の熱のモデルと設定温度・予冷の最適化建物が熱を蓄える性質を使って、室温の許容範囲を守りながら空調の運転をどう計画するか。先に冷やしておくこと(予冷)は、何を減らして何を増やすのか
第8章熱源と設備の運転計画、台数制御と起動停止の最適化冷水や温水を作る設備(熱源)が複数あるとき、どの台を、いつ、どの負荷で動かすか。起動と停止の予定をどう計算するか
第9章蓄電池と太陽光発電の運用、発電量の予測と充放電の計画太陽光発電の発電量をどう見積もるか。蓄電池の充電と放電の予定を、目的に応じてどう計算するか
第10章デマンドレスポンスと電力市場、需要を動かす価値とベースラインの算定電気の需給の状況に応じて使い方を変える取り組み(デマンドレスポンス)は、どういう仕組みか。減らした量はどう算定され、自社はどれだけ出せるのか
第11章不確実さのもとでの運転計画、予測の誤差を織り込む最適化需要や発電量の予測が外れると、計画はどう崩れるのか。外れることを前提にした計画をどう作るか
第12章運用の監視と異常の検知、設備の無駄と性能の低下を見つける対策の効果が薄れていないか、設備の止め忘れや性能の低下が起きていないかを、どう見張るか
第13章導入の進め方と体制、エネルギー管理の内製と外部の分担どこまでを自社で行い、どこからを外部に任せるか。PoC(概念実証。実現できるかと効果を小さな規模で確かめる検証)をどう設計し、誰が何を担うか
第14章制度とガイドライン、省エネ法・排出量の算定と公開事例・最新動向エネルギーの使用に関わる法律(省エネ法)や、排出量の算定に関わる制度は何か。公開された事例と研究から何が読み取れるか

本コラムで使う用語は、次の表の意味に固定しています。特定の章だけで使う用語は、その章の中で定義します。コードのある各章は、章ごとに別々に作った架空の合成データを使っているため、同じ名前の数値(使用量、最大需要電力、気温感応度、削減量など)でも章によって値が違います。

用語本コラムでの意味
エネルギーマネジメント事業所のエネルギーの使い方を計測し、目標を定め、運転、契約、設備を見直し続ける活動。本コラムは電気を中心に扱い、熱は空調と熱源に関わる範囲で扱う
事業所と需要家事業所は、工場、事務所ビル、店舗、倉庫など、エネルギーを使う1つの拠点。需要家は、電気の供給を受けて使う側。需要家に電気を売る事業者を小売電気事業者、地域の送配電の設備を運用して電気を届ける事業者を一般送配電事業者と呼ぶ。運転や計測は事業所の単位で行うが、法令の報告や体制は、事業所を持つ事業者の単位で決まることがある(第14章)
電力と電力量電力(kW)は、ある瞬間、またはある時間の平均の、電気の使用の大きさ。電力量(kWh)は、ある時間のあいだに使った電気の量で、電力に時間を掛けたもの。本コラムではこの2つを区別し、数値には単位を付ける。冷房の負荷や熱源の能力のように熱の量を表すときは、kW(熱)、kWh(熱)と書いて、電気のkW、kWhと区別する(第7章・第8章・第12章)
需要電力とコマ需要電力は、30分間の平均の電力(kW)。デマンドとも呼ばれる。その30分間の電力量(kWh)の2倍に等しい。本コラムでは、30分の区切りの1つ1つをコマと呼ぶ(第1章)。1分ごとの記録など、別の間隔の平均の電力は、需要電力とは呼ばない
受電電力と需要受電電力は、事業所が受電点(電気を受け取る場所)で送配電の設備から受ける電力。その量が受電電力量。需要は、事業所の中の設備が使う電力。自家発電も蓄電池も無く、事業所の中の変圧や配電の損失を考えない場合には、2つは同じになる。料金に関わる最大需要電力は、受電電力について数える(第9章)
使用量一定の期間に使ったエネルギーの量。本コラムでは、とくに断らないかぎり電気の使用量、つまり電力量(kWh)を指す。電力(kW)とは別の量である。熱や燃料の使用量を指すときは、そのつど明記する
最大需要電力ある期間(ふつうは1か月)の需要電力のうち最大の値(kW)。瞬間の最大の電力とは区別する
契約電力契約の上で定められ、基本料金などの計算のもとになる電力(kW)。決め方は契約の種別と約款によって違い、最大需要電力が下がっても、契約電力や基本料金にすぐに反映されるとは限らない(第1章)
基本料金と電力量料金多くの契約では、基本料金は、契約電力に応じて毎月かかる料金。電力量料金は、使った電力量に応じてかかる料金。本コラムは構造だけを扱い、額と単価は扱わない(第1章)
負荷と動かせる負荷負荷は、電気を使う設備、またはその使用電力。動かせる負荷は、使う時間をずらせる、または出力を変えられる負荷(第6章)
負荷率ある期間(ふつうは1か月や1年)の平均の電力を、その期間の最大需要電力で割った値。事業所の指標として使う。機器が、定格の能力に対してどれだけの割合で動いているかは、部分負荷率と呼んで区別する(第8章)
ロードカーブ時刻ごとの電力の推移を描いた曲線。1日の負荷の形を表す
30分値30分ごとの電力量(kWh)の記録。本コラムの例題では30分値をkWhで持ち、需要電力(kW)は2倍して求める(第2章)
ベース負荷夜間や休業日にも続けて使っている電力。完全に一定とは限らず、必要な分と減らせる分の両方を含む
原単位エネルギーの使用量を、生産量、延床面積、稼働日数などの活動量で割った値。何で割ったかによって値の意味が変わる(第2章)
度日基準の温度と日平均気温の差を、日ごとに積み上げた値。日平均気温が基準より高い日の差だけを積み上げたものが冷房度日、低い日の差だけを積み上げたものが暖房度日。単位は℃・日。基準の温度の選び方で値が変わる(第2章)
気温感応度気温が1℃変わったときの使用量(または需要電力)の変化を、記録から見積もった値。冷房の側と暖房の側で別の値になる。何の量の、どの温度の範囲の値かを単位とあわせて示す(第3章)
点の予測と幅のある予測点の予測は、1つの値で表した予測。幅のある予測は、将来の値がどの範囲に入りそうかを、分位点(下から数えて何%に当たる値か)や区間で表した予測(第4章)。予測モデルの成績を比べる相手にする簡単な予測(前の週の同じ曜日の値を使う方法など)は、単純な基準と呼び、ベースラインとは呼ばない
実績の気温と予報の気温実績の気温は、後から観測で分かった気温。予報の気温は、予測の時点で手に入る気温の見通し。予測の対象になる先の時刻の気温として使えるのは予報の気温で、予測の時点より前の時刻については、観測の値を使える
ベースラインある働きかけが無かった場合に見込まれる使用量。本コラムでは2つの意味で使い、どちらの意味かをそのつど書く。1つは、省エネの効果を測るためのベースラインで、対策の前の期間の記録から、気温や稼働と使用量の関係を見積もって作る(第5章)。もう1つは、デマンドレスポンスで減らした量を算定するためのベースラインで、要請が無かった場合の使用量を、直近の日の使用量などから、取り決められた方法で作る(第10章)
削減量(対策の効果)省エネの効果を測るためのベースラインから、対策の後に実際に測った使用量を引いた差。ベースラインを気温や稼働などの条件をそろえて見積もるので、削減量も見積りであり、幅がある。負の値は使用量の増加を表す。使用量の前年比とは区別する。最大需要電力の低下、受電電力量の減少、デマンドレスポンスで減らした量は、削減量とは別の名前で書く(第5章)
計測と検証対策の効果を、あらかじめ決めた方法で測って確かめる手続き。英語の略でM&Vとも書く(第5章)
ピークカットとピークシフトピークカットは、需要電力の大きい時間帯に、電力会社の送配電の設備から受ける電力を下げて、最大需要電力を下げること。設備の使用を減らす方法と、蓄電池の放電や自家発電でまかなう方法がある。ピークシフトは、設備の使用を別の時間帯に移すことで、電力量の合計は減るとは限らない。ピークシフトは、ピークカットの手段の1つにもなる(第6章・第9章)
空調と熱源空調は、室内の温度、湿度、空気の質を調える設備の全体。熱源は、冷水、温水、蒸気を作る設備で、冷凍機、ヒートポンプ、ボイラなどがある(第7章・第8章)
設定温度と室温設定温度は、制御の目標として設定した温度。室温は、実際の室内の温度。この2つは一致するとは限らない
成績係数熱源が作った熱(冷房では取り除いた熱)の量を、そのために使ったエネルギーの量で割った値。英語の略でCOPとも書く。大きいほど、同じ熱を少ないエネルギーで作れる。外気温や部分負荷率などの条件で変わる(第8章)
快適性在室者が暑さや寒さの不満を感じにくい状態。本コラムの例題では、室温の許容範囲(下限と上限)で単純にしている(第7章)。損失の型の名前「快適性と生産への支障」は、これに加えて、製品の品質、設備の寿命、安全を損なうことまでを含む
モデル予測制御いまの状態(室温など)を測り、操作が室温などに与える影響を表す式と、気温などの予測を使って、一定の時間先までの操作を、守る条件のもとで最適化する制御。得られた操作のうち直近の分だけを実行し、次の時刻に状態と予測を更新してやり直す(第7章)
蓄電池の容量と出力、充電率容量(kWh)は蓄えられる電力量。出力(kW)は一度に出し入れできる電力で、充電の側と放電の側で上限が違うことがある。充電率は、容量に対する、蓄えている量の割合。英語の略でSOCとも書く(第9章)
自家消費と余剰、正味の需要自家消費は、自社の敷地などで発電した電気をその事業所で使うこと。余剰は、発電が需要を上回った分で、蓄電池への充電、送配電の設備への送り出し、発電の抑制に分かれる。正味の需要は、蓄電池の充電と放電を入れる前の、需要から発電を引いた値。受電電力を求めるときは、充電と放電も入れる(第9章)
デマンドレスポンス電気料金や市場の価格、または契約にもとづく要請に応じて、需要家が電気の使い方を変えること。需要を減らすものと増やすものがあり、使用量の合計が減るとは限らない。需要家の設備などをまとめて管理し、取引する事業者をアグリゲーターと呼ぶ(第10章)
計画と実績計画は、予測にもとづいて作った運転の予定。実績は、実際の需要、気温、発電量のもとで起きた結果で、実際に測った使用量も実績と呼ぶ。本コラムでは、計画の計算で得た値を成果とは呼ばず、評価は実績で行う。例題の実績は、合成データの中で計算した結果であり、実際の設備で測った値ではない(第11章)
排出係数電気1kWhを使ったときのCO2の排出量として算定に使う値。どの制度の、どの種類の、どの年度の値かによって違う(第14章)
情報の漏れ予測や計画を作る時点では分からなかった情報(翌日の実績の気温、評価用の期間の実績など)が、学習や入力の作成に混ざり、成績が実際より良く見えること。対策の後に、実績の気温を使って効果を見積もることは、事後の評価であり、これには当たらない。個人情報が外に出る「漏えい」とは別の意味で使う
相対値例題で単価や費用を表すときに使う仮の数。金額ではない。単価は、基準の単価を1.0としたときの比(相対単価)で表し、費用は、相対単価に電力量などを掛けて足した値(費用の相対値)で表し、例題ごとに、何に掛けて足したかを示す。同じ例題の中では同じ尺度を使い、例題どうしで数値を直接比べない

次の図は、エネルギーの使い方を決める主な流れを示したものです。1つ目の箱は第2章、2つ目は第3章と第4章、3つ目は第6章から第11章、4つ目は運転の現場、5つ目は第5章と第12章に当たります。料金の構造(第1章)、導入の進め方と体制(第13章)、制度(第14章)は、5つの箱の全体に関わる事柄です。図には描いていませんが、5つ目の箱で測った結果は、2つ目の箱の予測と、3つ目の箱の計画の条件を見直す材料になります。

エネルギーの使い方を決める流れの図。データをそろえる、需要を見積もる、運転を計画する、運転する、効果を測り監視する の箱を矢印でつないでいる

第1章 事業所のエネルギー管理の全体像、電気料金の構造と使い方で変えられる部分

この章では、事業所のエネルギーの使い方を見直すときに、最初に押さえておきたい全体像を扱います。エネルギーが事業のどこに効くのか、事業所ではどの種類のエネルギーがどの用途に使われているのか、電気料金はどのような部分から成り立っていて、そのうち自社の使い方で変えられるのはどこか、という順に整理します。この章はコードを載せず、表と概念図で説明します。扱う内容は次のとおりです。

  • エネルギーが事業の費用・排出量・事業の継続に効く経路と、エネルギーの種類と用途の整理
  • 公的な統計で見た部門別・用途別のエネルギーの消費の構成と、自社に当てはめて読むときの注意
  • 電力(kW)と電力量(kWh)の違いと負荷率
  • 電気料金の構造(基本料金・電力量料金・燃料費調整・再生可能エネルギー発電促進賦課金・力率による調整)
  • 需要電力が30分の平均で計量されることと、契約電力の決まり方
  • 使い方で変えられる部分と、本コラムの各章との対応
  • 電気の供給の仕組みの入口と、エネルギー管理の歴史
  • エネルギーの計画が普通の予測や最適化と違う点、よくある誤解、経営の損失の型と経営判断

この章の主張は、自社の電気料金のうち、使った電力量(kWh)で決まる部分・最大の需要電力(kW)で決まる部分・使った時間帯で決まる部分のどれが大きいかを、請求書と30分値で先に確かめることです。省エネというと、使う量そのものを減らすことが思い浮かびやすいように思います。しかし事業所の電気料金は、使った量だけで決まるわけではありません。月のうちで最も電気を多く使った30分間の大きさが、その後の基本料金に効く契約があり、時間帯によって単価や調整が違う契約もあります。どの部分が大きいかによって、手を付けるべき対策も、効果の測り方も変わります。

エネルギーが事業に効く3つの経路、エネルギーの種類と用途と公的統計の読み方

事業所のエネルギーは、3つの経路で事業に効きます。1つ目は費用です。電気・都市ガス・燃料の購入は毎月の費用で、使い方によって増えも減りもします。2つ目は排出量です。電気や燃料を使えば、その量に応じて温室効果ガスの排出量が算定され、取引先や投資家への開示や、法令にもとづく報告の対象になる場合があります(制度は第14章で扱います)。3つ目は事業の継続です。電気の供給が止まれば、生産・営業・情報システムが止まります。需給が厳しいときに節電を求められることもあり、そのときにどの設備をどこまで止められるかを決めておかないと、事業への影響が大きくなります。

この3つの経路は、同じ対策でも別々の向きに動くことがあります。たとえば、使う時間帯を夜間にずらすと、時間帯で単価が違う契約では費用が下がる場合がありますが、移した先で同じだけ使うなら、電力量の合計は変わりません(移し方によっては増えることも減ることもあります)。排出量がどう変わるかは、算定に使う排出係数が年間の平均の値か、時間帯ごとの値かによって結論が変わりうるので、時間帯を移しただけで減る、または変わらない、とは決めつけられません(排出量の算定の制度は第14章)。反対に、都市ガスや燃料を使う自家発電の設備を動かすと、買う電気は減りますが、燃料の消費が増えます。排出量の合計が増えるか減るかは、自家発電の燃料の排出と、買わずに済んだ電気の排出の比べ方(使う係数)によります。どの経路を重く見るかは事業によって違うので、対策を考える前に、自社にとって3つのうちどれが重いかを決めておく必要があります。

事業所で使われるエネルギーの種類と、主な用途を次の表にまとめました。用途の分け方は本コラムの整理で、統計の分類とは一致しません。

用途主に使うエネルギー使い方の特徴主に扱う章
空調電気(ヒートポンプ式の空調)、都市ガスや燃料(吸収式の冷温水機・ボイラ)外気温と在室の状況に強く左右される。季節と時刻で大きく変わる第3章・第7章
熱源電気(冷凍機・ヒートポンプ)、都市ガスや燃料(ボイラ・吸収式冷凍機・コージェネレーション)、蒸気や冷温水の購入冷水・温水・蒸気を作って空調や工程に送る。複数台の組み合わせで効率が変わる第8章
照明電気点灯の時間と範囲で決まる。気温にはあまり左右されない第2章・第12章
動力電気(ポンプ・ファン・コンプレッサ・搬送の設備)回転数や台数で電力が変わる。設備の稼働に合わせて動く第6章・第8章
生産設備電気(電気炉・成形機・加工機)、燃料(炉・乾燥)生産の計画で決まる。一度に大きな電力を使う設備がある第6章・第13章
情報機器電気(サーバ・ネットワーク機器・事務機器)昼夜を問わず使われることが多く、夜間や休業日にも続く使用(ベース負荷)の一部になりやすい第3章・第12章
自家発電と自家消費太陽光(電気を作る)、都市ガスや燃料(自家発電・コージェネレーション)、蓄電池(電気をためて出す)太陽光と燃料を使う自家発電は買う電気を減らし、発電量は天候や運転に左右される。蓄電池は、充電に使う電気(系統からか、太陽光の余りか)と運転の方法によって、買う電力量や買う時間帯が変わる第8章・第9章

表のとおり、同じ用途でも、電気を使う設備と燃料を使う設備があります。空調を例にとると、電気で動くヒートポンプ式の空調もあれば、都市ガスで冷水を作る吸収式の冷温水機もあります。本コラムは電気を中心に扱い、熱(都市ガス・蒸気・冷水や温水)は空調と熱源に関わる範囲で扱います。後の節で例として参照する高圧・特別高圧の約款では、料金の計算に使う最大需要電力を、記録型の計量器で計量される30分ごとの需要電力の最大値と定めています。料金の構造も時間と最大需要電力に左右されるので、数理モデルで扱える範囲が広いと考えています。

表に出てくるベース負荷は、本コラムでは、夜間や休業日にも続けて使っている電力を指します。完全に一定とは限らず、事業に必要な分と、減らせる分の両方を含みます。表の情報機器のように夜間も動かす設備の使用が含まれ、その見直しは第3章と第12章で扱います。

自社のエネルギーの使い方を見直すときに、国全体の統計で、事業所がどの程度のエネルギーを使っているかを見ておくことは、位置づけを考える材料になります。資源エネルギー庁は、総合エネルギー統計などをもとに、国内のエネルギーの需給の動きを「エネルギー動向」としてまとめています。2026年11月に確かめた最新の版は「エネルギー動向(2026年版)第1章 国内エネルギー動向」(PDF版の掲載ページの最終更新日は2026年7月13日)です。以下の数字はこの資料に書かれた値です。電気と燃料を合わせた最終エネルギー消費の集計で、資料の図の単位は EJ(エクサジュール。エネルギーの量の単位)です。

  • 2024年度の最終エネルギー消費全体に占める割合は、企業・事業所他部門(産業部門と業務他部門)が60.7%、家庭部門が15.0%、運輸部門が24.3%
  • 1973年度から2024年度にかけて、企業・事業所他部門は0.8倍(産業部門0.7倍、業務他部門1.8倍)、家庭部門は1.7倍、運輸部門は1.5倍
  • 業務他部門は、事務所・ビル、デパート、ホテル・旅館、劇場・娯楽場、学校、病院、卸・小売、飲食店、その他サービスの9業種に大別される
  • 2024年度の業務他部門のエネルギー消費に占める用途の割合は、動力・照明用が47%で最大、次いで暖房用

この資料によれば、業務他部門のエネルギー消費は、動力・照明、冷房、給湯、暖房、厨房の5つの用途に分けられ、エネルギー源別には電力の割合が増加傾向にあります。構成比は版ごとに更新されるので、使うときは最新の版と公表日を確かめます。

統計を読むときに注意したいことが3つあります。1つ目は、統計の部門の区分と、自社の事業所の区分が一致するとは限らないことです。1つの会社が事務所ビルと工場の両方を持つ場合、統計のどの部門の数字と見比べるかを、統計の定義を読んで決める必要があります。2つ目は、電気と燃料を合わせた統計では、両者を同じ単位(熱量など)にそろえるための換算が入ることです。電気の使用量(kWh)だけを比べる場合とは、構成比が違って見えることがあるので、どの単位で集計した数字かを確かめます。3つ目は、ここで示した構成比は国全体の集計値で、自社の事業所の用途の構成とは違うことです。統計で、ある用途の割合が大きいと書かれていても、自社の事業所で同じとは限りません。自社の用途の構成は、第2章で扱う計測点の階層(受電から系統、設備へ)で、自社のデータから確かめます。

電力と電力量の違い、需要電力と負荷率

本コラムでは、電力(kW)と電力量(kWh)を区別して使います。電力は、ある瞬間、またはある時間の平均の、電気の使用の大きさです。電力量は、ある時間のあいだに使った電気の量で、電力に時間を掛けたものです。たとえば、100kW の電力で30分間(0.5時間)使い続けると、電力量は 100kW × 0.5時間 = 50kWh になります。同じ 50kWh でも、200kW で15分間使った場合と、50kW で1時間使った場合では、電力の大きさが違います。

どこで測った電気かも区別します。本コラムでは、受電点で一般送配電事業者の設備から受ける電力を受電電力、その量を受電電力量と呼び、事業所の中の設備が使う電力を需要と呼びます。この章の例は、太陽光発電も蓄電池も無い事業所を前提にしているので、受電電力と需要は同じです。料金に関わる最大需要電力は、受電電力について数えます。

事業所の電気の契約では、需要電力(デマンドとも呼ばれます)という言葉が使われます。本コラムでは、需要電力を30分間の平均の電力(kW)と定義します。30分間の電力量(kWh)を0.5時間で割った値なので、30分間の電力量の2倍に等しくなります。30分の区切りを、本コラムでは「コマ」と呼びます。ある月の需要電力のうち最大の値を最大需要電力と呼びます。最大需要電力は30分の平均の最大であり、ある瞬間に出た最大の電力とは別のものです。30分値は30分ごとの電力量(kWh)の記録で、本コラムの例題では 30分値を kWh で持ち、需要電力(kW)はその2倍として求めます。この章の例では、30分値の時刻はコマの始まりの時刻(10時00分の値は10時00分から10時30分までの分)として書きます。

需要電力が30分の平均であることには、実務上の意味があります。ある設備が数分間だけ大きな電力を使っても、そのコマの残りの時間の使用が小さければ、30分の平均はそれほど大きくなりません。反対に、大きな電力を使う設備を同じコマの中で重ねて動かし続けると、そのコマの需要電力が大きくなります。最大需要電力を下げる対策(第6章)は、この30分の平均を見ながら、設備を動かす時刻をずらしたり、一時的に出力を下げたりするものです。

電力と電力量の関係を1つの数で表すのが負荷率です。本コラムでは、負荷率を、ある期間の平均の電力を、その期間の最大需要電力で割った値と定義します。平均は、設備が止まっている夜間や休業日も含めた全時間で取ります。たとえば、1か月(30日、720時間)に 216,000kWh を使った事業所の平均の電力は 216,000kWh ÷ 720時間 = 300kW です。この月の最大需要電力が 600kW なら負荷率は 300 ÷ 600 = 0.5(50%)、最大需要電力が 400kW なら 0.75(75%)です。同じ電力量を使っていても、負荷率が低い事業所は、一部の時間帯に使用が集中しています。比べる最大需要電力がそのまま契約電力に反映される契約では、同じ電力量・同じ単価の事業所どうしを比べると、負荷率が低いほど、使った電力量1kWh あたりに換算した基本料金の負担が大きくなります。実量制のように過去の最大需要電力が契約電力に残る契約では、当月の負荷率が良くなっても、その月の基本料金が下がるとは限りません。負荷率は、事業所の使い方の「とがり具合」を表す指標として、第2章で実際のデータから計算します。

なお、本コラムでは、事業所の指標だけを負荷率と呼びます。機器の定格の能力に対する、いま処理している負荷の割合は部分負荷率と書いて区別します(第7章・第8章)。

電力と電力量にかかわる量を次の表にまとめました。

量単位意味料金や管理で効くところ
電力kWある瞬間、またはある時間の平均の、電気の使用の大きさ設備や受電の設備の大きさを検討するときの目安
電力量kWhある時間のあいだに使った電気の量(電力×時間)電力量料金・燃料費調整・再生可能エネルギー発電促進賦課金・排出量の算定
受電電力kW受電点で一般送配電事業者の設備から受ける電力。この章の例では需要と同じ料金に関わる最大需要電力は受電電力で数える
需要電力kW30分間の平均の電力。30分間の電力量の2倍デマンドの監視(第6章)
最大需要電力kWある期間(ふつうは1か月)の需要電力の最大の値。瞬間の最大の電力とは別契約電力の決まり方を通じて基本料金に効く場合がある
契約電力kW契約の上で使用できる最大の電力として定められ、基本料金などの計算に使われる値(約款で確かめた範囲の言い方)基本料金
負荷率(比。単位なし)ある期間の平均の電力(止まっている時間も含めた全時間の平均)÷ 最大需要電力使い方のとがり具合。低いほど一部の時間に使用が集中している
30分値kWh30分ごとの電力量の記録需要電力の計算・需要の予測・効果の測定(第2章から第5章)

電気料金の構造、基本料金・電力量料金・燃料費調整・賦課金・力率

事業所の電気料金がどのような部分から成り立っているかを、構造だけ整理します。本コラムでは料金の額と単価は書きません。料金の制度は、小売電気事業者・一般送配電事業者・契約の種別で違うので、個別の扱いは自社の契約と約款で確かめる事項です。ここでは、構造の例として、東京電力エナジーパートナーが公式ページで公表している特別高圧・高圧の料金プランの説明と、同社の電気需給約款[特別高圧・高圧](2026年11月1日実施の版)を参照します。公式ページと約款は、どちらも2026年11月に開いて確かめました。特定の事業者を例にとるのは、構造を具体的に示すためで、他の事業者や契約の種別で同じ扱いになるとは限りません。自社に当てはまる現行の条件は、契約先の小売電気事業者の約款と契約書で確かめる事項です。

電気の契約は、受電する電圧によって低圧・高圧・特別高圧に分かれます(同社の約款では、低圧を標準電圧100ボルトまたは200ボルトと定義しています)。同社の約款のベーシックプランは、特別高圧か高圧で受電し、契約電力が50kW 以上の需要を適用の範囲としています。この節の説明も、高圧と特別高圧を中心にしています。低圧のページは、料金の構成の説明と、燃料費調整の上限の有無の例を示すために参照します。

同社の特別高圧・高圧の料金プランのページでは、料金は、基本料金と電力量料金の合計に、再生可能エネルギー発電促進賦課金を加えた金額と説明されています。同社の関西エリアの法人向けの低圧の料金プランのページでは、基本料金は契約の大きさで決まり、電力量料金は使用電力量に応じて計算し、電力量料金には燃料価格の変動に応じた燃料費調整額を加算する(燃料費調整額はマイナスになる場合もある)と説明されています。つまり、事業所の電気料金は、大きく分けて、契約電力(kW)に応じてかかる部分と、使った電力量(kWh)に応じてかかる部分から成り立っています。

電力量に応じてかかる部分には、燃料費調整と再生可能エネルギー発電促進賦課金が加わります。資源エネルギー庁の「燃料費調整制度について」は、電気料金のメニューの多くに、火力発電の燃料の価格の変動に合わせて電力量料金を自動で調整する仕組みが取り入れられていると説明しています。同じページによると、大手の電力が提供する規制料金では燃料費調整制度の設定が義務づけられています。原油・LNG・石炭の貿易統計の価格をもとに、各月の3か月から5か月前の3か月の平均の価格と、基準の価格との差を毎月の料金に反映し、反映できる範囲に上限が設けられています。一方、東京電力エナジーパートナーの同じ関西エリアの法人向けのページは、同社の低圧の自由料金のプランでは燃料費調整額の変動の単価に上限が無いと説明しています。上限の有無を含め、燃料費調整の扱いは契約によって違います。

市場の価格に連動する料金もあります。同社は、特別高圧・高圧の標準的な料金メニューとして、電力量料金に適用する調整が違う3つのプラン(ベーシックプラン・市場調整ゼロプラン・市場価格連動プラン)を示しています。同社の「燃料費調整制度・市場価格調整制度とは」は、市場価格調整制度を、卸電力取引所のスポット市場の価格の変動を毎月の電気料金に反映する制度と説明しています。市場価格連動プランでは、市場価格調整額を4つの時間帯に分けて計算すると書かれています。時間帯ごとに調整額が違うので、このような契約では、時間帯をずらすことが費用に効く場合があります(第10章)。

再生可能エネルギー発電促進賦課金については、同社の「賦課金等について」が、再生可能エネルギーの買取りに要する費用を、全国一律の単価により、電気の使用量に応じた賦課金として電気を使う需要家(電気の供給を受けて使う側。役割は後の節で整理します)が負担する仕組みだと説明しています。単価は年度ごとに国が定め、賦課金は単価に電気の使用量を掛けて算定されます。同じページには、エネルギー多消費事業者を対象にした減免の制度があることも書かれています。対象になるかどうかと手続きは、資源エネルギー庁の公式で確かめる事項です。

基本料金には、力率による調整がかかる契約があります。交流の電気では、送られてくる見かけの電力のうち、実際に仕事をする電力の割合を力率と呼びます(同社の法人向けのページは、仕事になる有効電力の割合と説明しています)。力率が低いと、同じ仕事をするのに、より大きな見かけの電力を送る必要があります。同社の電気需給約款[特別高圧・高圧](2026年11月1日実施の版)のベーシックプランでは、1か月の、毎日午前8時から午後10時までの平均の力率が85パーセントを上回れば、上回る1パーセントにつき基本料金を1パーセント割り引き、下回れば下回る1パーセントにつき1パーセント割り増すと定められています。まったく電気を使わない月の力率は85パーセントとみなされます。同じ条項は、同社が以前に公開していた2019年10月1日実施の版の約款にもありました。他の事業者や契約での扱いは、契約先の約款で確かめる事項です。

料金の部分何に応じて決まるか使い方で変えられること確かめる資料
基本料金契約電力(kW)。契約電力の決まり方は契約の種別と約款による最大需要電力を下げる(実量で契約電力が決まる契約の場合)契約書・約款・請求書の契約電力の欄
力率による調整平均の力率(算定の時間帯と基準は約款による)力率を改善する設備の設置や運用約款・請求書の力率の欄
電力量料金使った電力量(kWh)。時間帯や季節で単価が違う契約がある電力量の合計を減らす、単価の低い時間帯へずらす契約書・料金の単価表・30分値
燃料費調整使った電力量(kWh)と、燃料の価格の動き電力量の合計を減らす(燃料の価格は自社では変えられない)約款・小売電気事業者の公表する調整の単価
市場価格調整(市場の価格に連動する契約の場合)使った電力量(kWh)と、時間帯ごとの市場の価格の動き市場の価格が高い時間帯の使用を減らす、ずらす契約書・約款・時間帯の区分
再生可能エネルギー発電促進賦課金使った電力量(kWh)。単価は年度ごとに国が定める電力量の合計を減らす。減免の制度の対象かを確かめる請求書の内訳・国の公表

表から分かるとおり、使い方で動かせるのは、契約電力に効く最大需要電力と、使った電力量と、使う時間帯です。燃料の価格や賦課金の単価そのものは、自社では変えられません。燃料費調整と賦課金は電力量に応じてかかります。電力量の合計を減らすと、賦課金は減ります。燃料費調整は、調整額がプラスの月は加算される額が減り、マイナスの月は差し引かれる額が減ります。料金全体への影響は、電力量料金の本体と合わせて確かめます。料金の部分ごとに、何で決まるかを押さえておくと、ある対策がどの部分に効くのか、効かないのかを、対策の前に見分けられます。

需要電力は30分の平均で計量される、契約電力の決まり方

契約電力は、契約の上で使用できる最大の電力として定められ、基本料金などの計算に使われる値です。この言い方は、同社の電気需給約款[特別高圧・高圧](2026年11月1日実施の版)の定義(契約上使用できる最大電力)に合わせたもので、同じ約款は、最大需要電力を、託送約款などに定める30分ごとの需要電力の最大値で、記録型の計量器で計量される値と定めています。契約電力の決まり方は、契約の種別によって違います。東京電力エナジーパートナーの法人向けのページ「契約電力について(高・特高圧)」では、契約電力が500kW 未満の高圧の需要家は、当月を含む過去1年間の各月の最大需要電力のうち最も大きい値が契約電力になり、500kW 以上の需要家は、需要家と同社との協議で契約電力を決めると説明されています。同じページは、最大需要電力を、使った電力を30分ごとに計量し、そのうち月間で最も大きい値と説明しています。同社の別のページは、30分ごとの使用電力量のうち月間で最も大きい値を2倍した値を最大需要電力と呼ぶと書いており、本コラムの定義(需要電力は30分間の電力量の2倍)と一致します。

この実量で決まる方式(同社は実量制と呼んでいます)の仕組みは、同社の「契約電力の決定方法(実量制)」に例つきで説明されています。各月の契約電力は、当月の最大需要電力と、過去11か月の最大需要電力のうち最も大きい値の、いずれか大きいほうになります。同じ決め方は、同社の約款の契約電力500kW 未満の高圧の条項にも書かれています。電気の使用の開始から1年間は、開始した月からその月までの最大需要電力のうち最も大きい値が契約電力になります。同じページは、1年間の最大の需要電力を基準にする理由として、電気を送る供給の設備を、需要家が年間で最も多く使う量に合わせて準備する必要があることを挙げています。

この仕組みのもとでは、ある月に1コマだけ高い需要電力が出ると、その値が、そのコマが出た月を含めて12か月の契約電力に効き続けることになります(その後にもっと高い値が出なければ)。たとえば、この実量制の契約の事業所で、夏のある日の午後に空調と生産設備が重なって、受電点で測った需要電力が 480kW になり、それ以外の月の最大需要電力が 380kW 程度だったとします(数値は説明のための例です)。この場合、受電設備の変更などによる契約電力の見直しが無く、通常の実量制の算定が続くなら、原則として、そのコマが出た月を含めて12か月のあいだ、契約電力は 480kW のままです(同社の約款は、受電設備を減らす場合などで年間の最大需要電力が減ることが明らかなときに、協議で契約電力を定める規定を置いています)。月の電力量がほとんど変わらなくても、1回のコマが12か月分の基本料金を押し上げます。少数の高いコマが料金に大きく効くので、最大需要電力の管理(第6章)は、最大の値を更新しそうなコマを続けて監視する仕事になります。500kW 以上の協議で決める契約でも、同社のページは、年間の最大需要電力をもとに契約電力を決める考え方が共通していると説明しています。協議の中身や、契約電力を超えて使った場合の扱いは、個別の契約で確かめる事項です。

需要電力の30分の区切りがいつ始まるかも、データを扱うときに問題になります。本コラムでは、毎時0分から30分と、30分から60分の区切りを「コマ」と呼びますが、取引用の計量器の30分値の時刻がコマの始まりを指すのか終わりを指すのかは、データを受け取ったら最初に確かめる事項です。この章の例では始まりの時刻で書いています。データの扱いは第2章で扱います。

契約の型(東京電力エナジーパートナーの高圧・特別高圧の例)契約電力の決まり方1回の高い需要電力が効く期間使い方で確かめること
高圧・契約電力500kW 未満(実量制)当月と過去11か月の最大需要電力のうち最も大きい値そのコマが出た月を含めて12か月(その後にもっと高い値が出なければ)月ごとの最大需要電力が出た日とコマ、その内訳
高圧・契約電力500kW 以上需要家と小売電気事業者の協議で決める(約款は、使用する負荷設備と受電設備の内容などを基準に協議で定めると書いている)契約による。同社は年間の最大需要電力をもとにする考え方が共通と説明契約電力と実際の最大需要電力の差、超過した場合の扱い(契約で確かめる)
特別高圧協議で決める契約による同上

使い方で変えられる部分と、本コラムの各章の対応

電気料金とエネルギーの費用のうち、事業所の使い方で変えられる部分を次の表に整理しました。どの部分が大きいかは、契約の種別と事業所の使い方によって違います。

変えられる部分何を変えるか効くところ確かめるデータ主に扱う章
電力量の合計使わない時間と場所の停止、設定や運転の見直し、効率の高い設備への更新電力量料金・燃料費調整・賦課金・排出量30分値・月別の使用量・気温と稼働の記録第3章・第5章・第7章・第8章・第12章
最大需要電力需要電力の大きいコマの使用を減らす、ずらす、蓄電池から出す契約電力の決まり方を通じた基本料金30分値・月ごとの最大需要電力の推移・その日の設備ごとの内訳第6章・第9章
使う時間帯動かせる負荷の時刻をずらす、蓄熱や蓄電池で時間帯を移す時間帯で単価が違う契約・市場の価格に連動する契約での電力量料金30分値・契約の時間帯の区分第8章・第9章・第10章
力率力率を改善する設備の設置や運用の見直し力率による基本料金の割引や割増(契約と約款による)請求書の力率の欄第6章(入口)
燃料の選択電気と都市ガスや燃料の熱源の使い分け電気と燃料の費用の配分・排出量熱源ごとの運転の記録・燃料の使用量第8章
自家発電と自家消費太陽光発電の自家消費・蓄電池・コージェネレーション買う電力量・最大需要電力・排出量発電量の記録・30分値第8章・第9章
需給の状況に応じた使い方要請や価格に応じて需要を減らす、増やすデマンドレスポンスの報酬や料金30分値・要請の記録第10章・第11章

表の最初の3行(電力量の合計・最大需要電力・使う時間帯)は、どの事業所でも検討の対象になる部分です。どれが大きいかを確かめるには、請求書の内訳と30分値の両方が要ります。請求書を見れば、基本料金と電力量料金のそれぞれがどの程度の割合を占めるかが分かります。30分値を見れば、最大需要電力がどの日のどのコマで出たのか、そのコマだけが飛び抜けているのか、似た大きさのコマが毎日のように並んでいるのかが分かります。最大需要電力が年に数回のコマだけで決まっているなら、そのコマを下げる対策(第6章)の余地があります。毎日同じような大きさのコマが続いているなら、使い方そのものを見直す対策(第7章・第8章)や設備の側の対策も候補になります。このように、見るべきところが変わります。

電気の供給の仕組みの入口、発電・送配電・小売と需給の一致

事業所が使う電気は、発電所で作られ、送電線と配電線を通って届きます。電力・ガス取引監視等委員会の「電力小売全面自由化に関するQ&A」は、2016年4月1日に電気の小売の全面自由化が始まり、一般送配電事業者が管理する送電線と配電線を通じて、需要家が選んだ小売電気事業者から電気を買えるようになったと説明しています。同じ資料によると、小売電気事業者は、自ら発電所を運転する場合のほか、契約した発電所や卸電力市場から電気を買う場合があります。役割で整理すると、需要家は電気の供給を受けて使う側で、契約の名義人です(建物の所有者と契約の名義人が同じとは限りません)。小売電気事業者は、需要家に電気を売り、料金を請求する役割を持ちます。一般送配電事業者は、送電線と配電線を運用して電気を届ける役割を持ちます。料金の契約は、需要家と小売電気事業者のあいだで結びます。本コラムで、契約の扱いを「小売電気事業者や一般送配電事業者の約款で確かめる」と書くのはこのためです。

電気の供給には、需要と供給を常に一致させる必要があるという特徴があります。電力広域的運営推進機関(OCCTO)の資料「系統運用に関する基本用語の解説」(平成30年9月。北海道胆振東部地震に伴う大規模停電に関する検証委員会の第1回の参考資料3)は、系統の運用では周波数が需要と供給の一致(同時同量)を表す重要な値で、需要と供給の釣り合いが崩れると周波数が上下すること、中央給電指令所が大きな発電所に発電の量の指令を出して周波数を一定に保つことを説明しています。この資料の説明から本コラムが考える範囲では、需要と供給を一致させる手段は発電の側だけに限られず、需要の側が使い方を変えることにも意味があります。需給の状況に応じて需要家が電気の使い方を変えることをデマンドレスポンスと呼び、第10章で扱います。電力・ガス取引監視等委員会の同じ資料は、小売電気事業者が電気を十分に調達できなかった場合でも、一般送配電事業者が系統全体の需給の釣り合いを保つと説明しています。

需給が厳しくなったときに、国や電力会社から節電が求められることがあります。どの時点でどのような仕組みで要請が出されるかは、制度の変更が続いている分野なので、本コラムでは扱いません。ここで押さえておきたいのは、自社の事業所で需給の状況に応じて止められる設備・ずらせる設備・止めてはいけない設備を、平時から分けておくことが、節電の要請への対応にも、デマンドレスポンスへの参加の検討にも、同じように役に立つということです。

エネルギー管理の歴史、石油危機から2050年のカーボンニュートラルまで

事業所のエネルギー管理が今の形になった経緯を、公式で確かめた範囲で年つきで整理します。省エネルギーセンターの資料「省エネ法とは」は、省エネ法が石油危機を契機として昭和54年(1979年)に制定されたと説明しています。e-Gov 法令検索によると、この法律は昭和54年法律第49号で、1979年6月22日に公布されました。同センターの英語の資料(省エネ法の変遷の解説)によると、1970年代の2度の石油危機が制定のきっかけになり、1979年10月に施行されました。衆議院が掲載している制定時の法律(題名は「エネルギーの使用の合理化に関する法律」)の第1条は、燃料資源の大部分を輸入に依存せざるを得ない国内のエネルギー事情を踏まえ、燃料資源の有効な利用を確保するため、工場・建築物・機械器具のエネルギーの使用の合理化の措置を講ずることを目的としていました。輸送の分野は、制定時の第1条には挙げられていません。同センターの「省エネ法とは」は、その後1990年代に地球温暖化の問題が広く認識されるようになり、国内の CO2 の排出量を減らす手段としての役割も省エネ法に期待されるようになったと書いています。

同センターの英語の資料によると、2011年の東日本大震災の後、日本は電気の需給の逼迫に直面し、エネルギーの使用の合理化に加えて、需給の状況(ピークの対策のような時間の考え方を含む)を踏まえた対策が求められるようになりました。これを受けて、2013年5月31日に公布された改正で、電気の需要の平準化を促す措置などが省エネ法に加わりました。電気の小売の全面自由化は、前の節で述べたとおり2016年4月に始まりました。

環境省の脱炭素ポータルは、日本政府が2020年10月に、2050年までにカーボンニュートラルを実現することを宣言したと説明しています。e-Gov 法令検索の改正履歴によると、省エネ法は、令和4年法律第46号による改正で、2023年4月1日に題名が「エネルギーの使用の合理化等に関する法律」から「エネルギーの使用の合理化及び非化石エネルギーへの転換等に関する法律」に変わりました。現在の第1条(目的)には、エネルギーの使用の合理化と非化石エネルギーへの転換に加えて、電気の需要の最適化に関する措置を講ずることが書かれています。改正の中身と事業者の義務は第14章で扱います。

年出来事(公式で確かめた範囲)出典に書かれていること出典
1970年代2度の石油危機省エネ法の制定のきっかけになった。制定の時点の目的には、燃料資源を輸入に頼らざるを得ない国内の事情が書かれていた(1993年の改正で見直し)省エネルギーセンター
1979年省エネ法の公布(6月22日、昭和54年法律第49号)と施行(10月)制定時の第1条は、工場・建築物・機械器具のエネルギーの使用の合理化の措置を目的に掲げたe-Gov 法令検索・衆議院(制定時の法律)・省エネルギーセンター
1990年代地球温暖化の問題が広く認識されるCO2 の排出量を減らす手段としての役割も省エネ法に期待されるようになった省エネルギーセンター
2011年東日本大震災と電気の需給の逼迫需給の状況(ピークの対策のような時間の考え方を含む)を踏まえた対策が求められるようになった省エネルギーセンター
2013年省エネ法の改正の公布(5月31日)電気の需要の平準化を促す措置などが加わった省エネルギーセンター
2016年電気の小売の全面自由化(4月1日)需要家が、一般送配電事業者の送配電線を通じて、選んだ小売電気事業者から電気を買えるようになった電力・ガス取引監視等委員会
2020年2050年までのカーボンニュートラルの実現の宣言(10月)日本政府が宣言した環境省
2023年省エネ法の題名の変更を含む改正の施行(4月1日)現行の第1条には、エネルギーの使用の合理化と非化石エネルギーへの転換に加えて、電気の需要の最適化に関する措置が書かれている(各規定が加わった時期と中身は第14章)e-Gov 法令検索

本コラムでは、この流れを、事業所のエネルギー管理で見るべき軸が増えてきた過程として整理しています。これは本コラムの整理で、出典がそう述べているわけではありません。制定の時点では燃料の有効な利用が目的の中心でしたが、震災の後には需給の状況や時間の考え方を踏まえた対策が求められ、カーボンニュートラルの宣言の前後からは排出量も並べて考える場面が増えたと考えています。本コラムが、電力量・最大需要電力・時間帯・排出量を並べて扱うのは、この整理に対応させるためです。

エネルギーの計画が、普通の予測や最適化と違う点

本コラムの第3章から第12章では、需要の予測・効果の測定・ピークの管理・空調と熱源の運転の計画・蓄電池・デマンドレスポンス・不確実さのもとでの計画・監視を、数理モデルで扱います。予測や最適化そのものは、販売の予測や生産の計画と同じ道具を使います。ただし、事業所のエネルギーには、普通の予測や最適化とは違う性質がいくつかあり、そこを押さえずに道具を当てはめると、計画の上では良く見えても、運転に移せないか、料金の上で効かない結果になります。違う点を次の表にまとめました。

違う点中身見落とすと起きること主に扱う章
kW と kWh の2つの軸がある料金は使った電力量(kWh)だけでなく、最大需要電力(kW)と時間帯にも左右される電力量の合計を最小にする計画が、ピークを高めて、契約電力の決まり方によっては基本料金を押し上げる第6章・第9章
気象に左右される空調の負荷は外気温・湿度・日射で大きく変わる。計画の時点では予報の気温しか分からない実績の気温を使った予測の成績を、そのまま翌日の計画の成績と取り違える第3章・第4章・第11章
設備の物理と保安の制約がある熱源の起動と停止の回数・最小の運転時間・建物の熱の蓄え方・設備の仕様と保安規程の範囲計算の上では最適でも、設備の寿命を縮めるか、運転の範囲を外れる計画になる第7章・第8章
室内の環境と生産が優先される室温の許容範囲・製品の品質・安全は守る制約で、減らす対象ではない電力量は減ったが、在室者の不満や品質の問題が後から出る第7章・第10章
料金と制度が変わる料金の単価・燃料費調整・市場の価格・制度の要件は、年度や契約によって変わるある時点の単価で決めた計画や投資の判断が、料金の改定の後に成り立たなくなる第10章・第14章
効果の測り方に注意が要る使用量は気温・稼働日・生産量で動くので、前年との差は対策の効果とは限らない暑さの違いや稼働の違いを、対策の効果として数える第5章

表の最初の行の「kW と kWh の2つの軸」は、エネルギーの計画に特有の点だと考えています。たとえば、空調を朝早く動かして建物を冷やしておく予冷(第7章)は、午後の需要電力を下げられる場合がありますが、冷やしておく分だけ電力量の合計は増えることがあります。蓄電池(第9章)も、充電と放電のたびに損失があります。自家発電が無い事業所で、設備の使用量と、比べる期間の初めと終わりの蓄電量をそろえ、系統から充電する蓄電池を足した場合と比べると、ピークを下げても受電電力量は損失の分だけ増えます。どちらが得かは、契約の料金の構造と、事業所の負荷の形で決まります。本コラムでは、計画を評価するときに、電力量・最大需要電力・費用の相対値・室内の環境への影響を並べて示すことにしています。

表の最後の行の効果の測り方は、第5章で詳しく扱いますが、全章に共通する約束として先に書いておきます。本コラムで削減量(省エネの効果)と呼ぶのは、対策が無かった場合に見込まれる使用量(ベースライン)と、実際の使用量の差を、気温・稼働日・生産量などの条件をそろえて見積もった値です。見積りには幅があります。使用量の前年比や原単位の単純な前後の比較は、条件がそろっていないので、そのままでは効果と呼びません。ここでいうベースラインは省エネの効果を測るためのもので、デマンドレスポンスで減らした量を算定するためのベースライン(第10章)とは、目的も算定の取り決めも別です。

よくある誤解、使用量が減れば省エネが進んだとは限らない

事業所のエネルギーの使い方をめぐっては、直感的には正しそうに見えても、条件によっては成り立たない理解がいくつかあります。代表的なものを次の表にまとめました。どれも「いつも誤り」というわけではなく、「その条件を確かめずに当てはめると判断を誤る」という意味で挙げています。

よくある理解成り立たないことがある理由確かめ方主に扱う章
使用量が前年より減れば、省エネが進んだ前年より涼しい夏・暖かい冬、稼働日や生産量の減少でも使用量は減る。反対に、対策をしても暑い年には増えることがある気温・稼働日・生産量をそろえたベースラインとの差で見る第3章・第5章
冷房の設定温度を上げれば、必ず電力量が減る設定温度は制御の目標で、室温や設備の運転がそのとおりに変わるとは限らない。外気の取り入れや熱源の運転の条件によっては減り方が小さいこともある。室内の環境が許容範囲を外れれば、別の損失になる運転の状態は、設定の変更の前後で、室温・運転の記録・30分値を並べて見る。削減量まで判断するなら、気温と稼働の条件をそろえたベースラインと比べる第7章
蓄電池を入れれば、電気料金が下がる充電と放電には損失がある。自家発電が無く、設備の使用量と期間の初めと終わりの蓄電量をそろえて系統から充電する場合と比べると、受電電力量は損失の分だけ増える。料金が下がるかは、最大需要電力や時間帯の単価の差を蓄電池でどれだけ動かせるかと、運用の決め方による負荷の形(ピークの長さと高さ)と契約の構造をもとに、充放電の計画で見積もる第9章
ピークは真夏の昼にだけ出る事業所によっては、冬の朝の暖房の立ち上がり、始業の時刻の設備の一斉の起動、生産の計画の重なりでピークが出る月ごとの最大需要電力が、どの月のどのコマで出たかを30分値で確かめる第2章・第6章
予測の誤差が小さいモデルなら、省エネの効果が大きい予測の成績と省エネの効果は別のもの。予測は判断の材料で、効果は実際の運転と使い方の変化から生まれる効果は実績の条件で評価した削減量で見る第4章・第5章

表の最初の行の誤解は、最も起こりやすいと考えています。月次の報告で、使用量の前年同月比が表に並び、減っていれば対策の成果、増えていれば対策の不足と読まれることが少なくないように思います。しかし、空調の負荷が大きい事業所では、夏の暑さが1年違うだけで、使用量は対策の効果より大きく動くことがあります。気温の影響を分けて考える方法は第3章で、条件をそろえて効果を測る方法は第5章で扱います。

経営の損失の型と、どこから手を付けるかの経営判断

この章で扱った判断を誤ったときの経営上の損失を、本コラムでは次の6つの型で整理します。6つは互いに重なりうる説明上の整理です。

損失の型中身この章の判断で起きる例
払いすぎ使い方を変えれば避けられた電気料金や燃料費を払う。高い最大需要電力による基本料金を含む実量制の契約で、年に1回のコマの高い需要電力に気づかず、そのコマが出た月を含めて12か月の基本料金を押し上げたままにする
機会損失省エネ・負荷の移動・自家消費・デマンドレスポンスで得られたはずの削減や収入を取り逃す時間帯で単価が違う契約や市場の価格に連動する契約なのに、使う時間帯を見直さない
効果の数え違い気温・稼働・生産量の違いによる増減を対策の効果として数え、投資や継続の判断を誤る。多く見積もる場合と少なく見積もる場合の両方を含む涼しい夏の使用量の減少を対策の成果として報告し、次の投資を決める(多く見積もる例)。反対に、暑い夏に使用量が増えたことで、実際にあった対策の効果を見落とし、続けるべき対策をやめる(少なく見積もる例)
快適性と生産への支障制御の行きすぎで、室内の環境・製品の品質・設備の寿命・安全を損なう電力量だけを目標にして、室温の許容範囲や生産の条件を制約として決めないまま設定を変える
形骸化計測やレポート、会議はあるが、設定の見直しや対応につながらない月次の報告で前年比を並べるだけで、最大需要電力が出たコマの原因の分析や、設定の見直しにつながらない
制度上の義務の不履行自社に適用される、エネルギーの使用の報告・管理の体制・排出量の算定などの義務を果たせない自社(事業者)が報告の対象になるかを確かめないまま、データの取り方を決める。法令上の義務・努力義務・任意の取り組み・契約上の義務の区別と、適用の判断は第14章で扱う

この章の経営判断は、自社の電気料金のうち、電力量・最大需要電力・時間帯のどれが大きいかを、請求書と30分値で確かめ、どこから手を付けるかを決めることです。確かめる手順は、次の図の4つの段階で考えられます。

事業所の電気料金のどこから手を付けるかを決める4つの段階の図。1 請求書と30分値を集める、2 電力量・最大需要電力・時間帯に分ける、3 最も大きい部分を確かめる、4 対策と効果の測り方を決める の箱を矢印でつないでいる
  1. 請求書と30分値を集める:直近の12か月分の請求書と、同じ期間の30分値をそろえます。30分値の取り寄せ方は第2章で扱います
  2. 電力量・最大需要電力・時間帯に分ける:請求書から、基本料金・電力量料金の本体(燃料費調整額と市場価格調整額を除いた部分)・燃料費調整額・市場価格調整額(ある場合)・賦課金が、年間でどの程度の割合を占めるかを、重ねて数えないように並べます。30分値から、月ごとの最大需要電力が出た日とコマ、負荷率、時間帯ごとの使用量の分け方を出します
  3. 最も大きい部分を確かめる:2の結果から、まず基本料金と電力量に応じてかかる部分の割合を確かめ、最大需要電力が一部のコマだけで決まっているかを見ます。時間帯は電力量料金や市場価格調整の計算に重なる要因なので、電力量に応じてかかる部分について、使う時間帯を変えた場合に影響がどの程度ありうるかを別に調べます
  4. 対策と効果の測り方を決める:最も大きい部分に効く対策と、その効果を測る方法(ベースラインの期間を含む)を、対策を始める前に決めます

3の結果は、次のように手を付ける順番に落とせます。基本料金の割合が大きく、実量制のように過去の最大需要電力が契約電力に残る契約で、最大需要電力が年に数回のコマで決まっているなら、最大需要電力の管理(第6章)から始めます。電力量料金の割合が大きく、負荷率が高く平らな使い方なら、空調や熱源の運転(第7章・第8章)と、ベース負荷の見直し(第3章・第12章)から始めます。時間帯で単価が違う契約や市場の価格に連動する契約なら、使う時間帯の見直し(第9章・第10章)の優先度が上がります。順番は、料金の部分の大きさだけでなく、実際に変えられる使用量の大きさと、生産や室内の環境などの業務上の制約も並べて決めます。どの場合も、対策の前に効果の測り方とベースラインの期間を決めておくこと(第5章)を、最初の作業に含めます。

予算・体制・KPI の仕組みに落とすときは、エネルギーの KPI を、使用量の前年比の1つだけにしないことを勧めます。電力量(kWh)・最大需要電力(kW)・負荷率・時間帯ごとの使用量を並べ、それぞれに、条件をそろえて見る方法と、見直しの責任者を決めておきます。あわせて、室内の環境と生産の条件を「守る制約」として同じ表に書いておくと、削減の数字だけを追って別の損失を生むことを防げます。体制の作り方は第13章で、制度上の義務との関係は第14章で扱います。

この章では、エネルギーが事業の費用・排出量・事業の継続に効く経路と、電気料金の構造を整理しました。需要電力は30分の平均で計量され、契約電力の決まり方によっては、1回の高いコマがその後の基本料金に残ります。料金のうち、使い方で動かせるのは、電力量・最大需要電力・時間帯の3つが中心です。自社の料金のうち、電力量・最大需要電力・時間帯のどれが大きいかを先に確かめることが、どこから手を付けるかと、効果をどう測るかを決める出発点になります。次の第2章では、そのために要るデータとして、30分値と計量の粒度、気象と稼働の記録のそろえ方を扱います。

この章を深めたい方への参考書籍

『エネルギー管理士試験電気分野徹底研究 改訂3版』(不動弘幸 著、オーム社):エネルギー管理士の試験(電気分野)の受験対策書で、エネルギーの総合的な管理と法規、電気の基礎、電気設備と機器、電力の応用を扱っています。本章で扱った電力と電力量・力率・需要電力のような電気の基礎と、事業所の電気設備の全体像を、資格の体系に沿って学ぶときの材料として挙げました。

『エネルギーマネジメントが拓く未来』(湯澤秀樹 監修・著、工作舎):副題に建築・街区・都市の省エネ術とあるとおり、建物から都市までのエネルギーマネジメントを扱った本です。本章で整理した、事業所のエネルギーの使い方を計測し、目標を定め、運転と設備を見直し続けるという活動を、建物の側から考えるときの入口として挙げました。

『未来のための電力自由化史』(西村陽、戸田直樹、穴山悌三 著、日本電気協会新聞部):書名のとおり、電力の自由化の経緯を主題にした本です。本章で触れた小売の全面自由化と、需要家・小売電気事業者・一般送配電事業者の役割の分かれ方を、制度の歴史の側から理解するときの材料として挙げました。

第2章 エネルギーのデータ、30分値と計量の粒度・気象と稼働の記録のそろえ方

第1章では、事業所の電気の費用が、使った電力量(kWh)だけでなく、最大需要電力(kW)と使う時間帯にも左右されることを整理しました。どこから手を付けるかを決めるには、請求書と30分ごとの記録で、自社の料金のうちどの部分が大きいかを確かめる必要がある、というのが第1章の結論でした。この章では、その確かめに使うデータそのものを扱います。

エネルギーのデータは、請求書・取引用の計量器の記録・事業所の中の計測点・設備の運転の記録・気象・稼働や生産の記録と、出どころがばらばらです。粒度(何分ごと、どの単位で記録されているか)も、時刻の付け方も、手元に届くまでの経路も違います。この章で扱う内容は次のとおりです。中ほどでは、他の章とは独立に作った架空の事務所ビルの1年分の記録を使い、実行したコードと結果で確かめます。

  • データの種類と、誰の手元にどの粒度で残るか
  • スマートメーターの30分ごとの記録を手に入れる経路と、事業所の中の計測点の階層
  • 気象のデータの種類と、予測の時点で手に入る情報の区別
  • 単位と時刻の落とし穴
  • 架空の30分値を使った、集計・需要電力への換算・ロードカーブ・欠測と異常値の検出と補完・気温との関係・原単位・度日の計算
  • データの品質の点検表、月次の請求書しか無いときにできること、個人の情報にあたる記録の扱いの入口、経営の判断

この章の主張は、データの粒度と取り方は、使い道から逆に決めるべきだという点です。最大需要電力を下げたいなら30分ごとの記録が要り、月の合計しか無ければその判断はできません。反対に、設備ごとに細かく計測点を増やしても、誰がどの判断に使うかが決まっていなければ、記録が溜まるだけで終わります。本コラムの架空データでは、計測の不具合を検出する決まりを当てはめても3コマの値の飛びのうち1コマを見逃し、その1コマがその月の最大需要電力として残りました。粒度だけでなく、点検の手順まで含めて決めておく必要があることを、この章で確かめます。

エネルギーのデータの種類と、誰の手元にどの粒度で残るか

事業所のエネルギーの使い方を見るためのデータは、大きく6つに分けられます。1つ目は電気やガスの請求書で、月に1回、その月の使用量と料金の内訳などが届きます(載る項目は契約によって違います)。2つ目は、取引用の計量器(電力量計)の記録です。電気の料金は、この計量器で量った値で計算されます。3つ目は、事業所の中に設けた計測点の記録で、受電の点だけでなく、系統ごと・設備ごとに電力を量るものです。4つ目は、空調や熱源、生産設備などの運転の記録(運転と停止、設定温度、出力など)です。5つ目は気象のデータ、6つ目は稼働や生産や在室の記録です。

この6つは、手元に残る場所も粒度も違います。請求書は経理や総務に届き、計量器の記録は電気を送る側の事業者が持ち、事業所の中の計測点の記録は施設管理の担当や設備の保守の事業者のシステムに残り、生産の記録は生産管理のシステムに残る、というように、部署をまたいで散らばっていることが多いように思います。分析を始めるときに最初に時間がかかるのは、手法ではなく、これらを同じ時刻の軸にそろえる作業です。

データの種類主な中身典型的な粒度手元に残る場所の例この記録で判断できること
請求書月の電力量、料金の内訳など(載る項目は契約の種別と契約先による)月ごと経理・総務費用の構成、年の推移の大づかみ
取引用の計量器の記録30分ごとの電力量(スマートメーターの場合)30分ごと一般送配電事業者、契約先の小売電気事業者の提供する画面など最大需要電力が出た日時、ロードカーブ、夜間や休日のベース負荷
事業所の中の計測点(BEMS・FEMS など)受電・系統・設備ごとの電力や電力量、温度など1分から1時間ごと(システムの設定による)施設管理、設備の保守の事業者どの設備がピークや無駄を作っているか
設備の運転の記録運転と停止、設定温度、出力、警報操作のたび、または一定の間隔中央監視の装置、設備ごとの制御盤運転のスケジュールと実態のずれ、設定の戻り
気象気温・湿度・日射など10分・1時間・日ごと気象庁の公開データ、事業所の屋上の計測など使用量の増減のうち気温による分の切り分け
稼働・生産・在室の記録稼働日、稼働の時間、生産量、在室の人数日ごと、時間ごと、ロットごと生産管理、総務、入退室の管理原単位の分母、稼働の変化による増減の切り分け

表の「典型的な粒度」は、本コラムで説明のために置いた目安です。実際の粒度は、契約、計量器、システムの設定によって違うので、自社の事業所では、どの記録がどの粒度で、どこに、いつまで残っているかを最初に棚卸しすることになります。記録の保存の期間が短いシステムでは、前の年と比べたいときに記録が消えている場合があります。

スマートメーターと30分値を手に入れる経路、事業所の中の計測点の階層

取引用の計量器のうち、通信の機能を持つものがスマートメーターです。一般送配電事業者の1つである東京電力パワーグリッドの公式の説明では、スマートメーターは使用量を30分ごとに計測し、通信の機能によって遠隔での自動の検針などができる電力量計とされています。同じページには、計量器は法令にもとづいて計量が正しく行われているかを国の定める機関で確かめる必要があり、計器の種類によって5年から10年の有効期間があることも書かれています(東京電力パワーグリッド「電力メーターとは」)。本コラムでは、この30分ごとの電力量の記録を30分値と呼びます。ただし、計測のシステムによっては、30分ごとの記録を電力量(kWh)ではなく30分間の平均の電力(kW)で残しているものもあるので、受け取った記録がどちらかを最初に確かめます。本コラムの例題の30分値は kWh で持ちます。

30分値を需要家が手元で使う経路は、1つではありません。東京電力パワーグリッドの公式ページで確かめた範囲では、次のような経路があります。

  • 家庭などの低圧のスマートメーターでは、宅内の機器(HEMS など)へ使用量を送る機能があり、30分ごとの使用量に加えてリアルタイムの電流値なども把握できると説明されています(同じ「電力メーターとは」のページ)
  • 高圧(受電の電圧の区分の1つで、低圧より高い電圧で受電する契約)の需要家向けには、高圧の計量器で量ったデータ(指示数、つまり計量器の積算の値などの情報)を需要家のエネルギー管理システムに向けて発信する「高圧Bルートサービス」があり、申し込みには供給地点特定番号か計量器ID(どちらも受電の地点や計量器を特定するための番号)が必要とされています(東京電力パワーグリッド「高圧Bルートサービスのお申込み」)
  • デマンドコントローラ(需要電力を監視して警報などを出す装置。第6章)などを設置した需要家に、高圧の計量器からパルス(計量に応じて出る信号)を提供するサービスもあります(東京電力パワーグリッド「パルス提供のお申込み」)
  • このほか、契約先の小売電気事業者が、需要家向けの画面などで30分ごとの使用量を提供している場合があります。提供の有無・期間・形式は契約先ごとに違うので、契約先に確かめる事項です

ここに挙げたのは1社の公式ページで確かめた範囲で、ほかの一般送配電事業者のサービスの名称や条件は、それぞれの公式ページで確かめる必要があります。データの提供を申し込むときは、どの計量器の、どの期間の、何分ごとの値が、どの形式で、どれだけの遅れで手に入るのかを確かめておくと、後で困りにくくなります。

事業所の中の計測については、ビルのエネルギー管理システムをBEMSと呼びます。環境省の ZEB に関する用語集の説明を要約すると、BEMS は、建物のエネルギーの使い方と設備の運転の状況をつかみ、運転の制御に役立てるビルの管理システムです(環境省「ZEBに関する用語集」)。環境省の別の資料(L2-Tech・脱炭素化の対策の概要シート)では、エネルギー管理システム(EMS)を、ビルや工場などのエネルギーの使用の状況を見える化し、設備や機器の運用をエネルギーの観点から最適化するシステムと説明し、対象によってビル向けを BEMS、工場向けを FEMS、家庭向けを HEMS と呼ぶとしています(環境省「FEMS/BEMS の導入」概要シート)。

計測点は、受電の点から、系統、設備へと階層になっています。受電の点の記録は、取引用の計量器の30分値とほぼ同じものを事業所の側でも持つためのもので、料金と最大需要電力の確認に使います。系統の計測は、空調・照明・コンセント・動力・生産設備など、分電盤の系統ごとの電力を量るもので、用途別の内訳を見るのに使います。設備の計測は、冷凍機やコンプレッサなど個々の設備の電力・温度・流量を量るもので、効率の低下や運転の無駄を見つけるのに使います(第8章・第12章)。下の階層ほど(次の図では右へ行くほど)計測点の数が増え、設置と保守の手間も増えるので、どの階層まで計測するかは、どの判断に使うかから決めることになります。

事業所の中の計測点の階層の図。受電の点、系統、設備、料金と最大需要電力の確認、用途別の内訳、効率の低下と運転の無駄 の箱を矢印でつないでいる

気象のデータ、予測の時点で手に入る情報、単位と時刻の落とし穴

使用量の増減のうち、気温による分を切り分けるには、気象のデータが要ります。気象庁の「過去の気象データ検索」では、観測の地点と日付を指定して、10分ごと・1時間ごと・日ごとの値のほか、旬ごとや月ごとの値、1991年から2020年の30年間の平均から求めた平年値を表示できます。同じページには、過去のデータが後から修正されることがあるので、使うときには最新の掲載の内容を確かめるようにという趣旨の注意も書かれています(気象庁「過去の気象データ検索」)。気象庁のホームページの内容は、「公共データ利用規約(第1.0版)」に準拠した利用の条件のもとで使うことができ、出典の記載が必要で、編集や加工をした場合はその旨を記載することが求められています。組織のシンボルマークやロゴなどは、この利用のルールの適用外とされています。これとは別に、一部の内容には個別の法令による利用の制約がある場合があり、気象業務法の条文が挙げられています(気象庁「気象庁ホームページについて」)。本コラムのコードは気象庁のデータをダウンロードせず、架空の地点の気温を合成して使います。

予報についても、気象庁の公式ページで確かめた範囲を書いておきます。府県天気予報(気象庁のページでの名称は「天気予報」)は5時・11時・17時に更新され、今日・明日・明後日の天気などと、明日までの最高気温と最低気温などを示します。週間天気予報は11時と17時に更新され、発表の日の翌日から7日先までが対象です(気象庁「分野別にさがす『天気』」)。地域時系列予報は府県天気予報の発表に併せて発表され、区域の中の特定の地点の3時間ごとの気温を1℃単位で示し、翌日の24時までを予報します(気象庁「地域時系列予報」)。

ここで区別しておきたいのが、実績の気温と予報の気温です。過去の気象データは、その日が終わった後に分かる実績の気温です。翌日の需要を前日に予測するときに手元にあるのは、予報の気温だけです。過去の実績の気温でモデルを学習すること自体は問題ありませんが、翌日の予測の成績を評価するときに、予測の対象の日の実績の気温を入力に使うと、予報の誤差を含まない成績になり、その分だけ成績を良く見積もることになります。これは用語の定義で触れた情報の漏れの一種です。予報の気温を使ったときに誤差がどう増えるかは、第3章でコードで確かめます。

情報翌日の需要を前日の夕方に予測するとき過去の効果を後から評価するとき
実績の気温使えない(翌日が終わるまで分からない)使える
予報の気温使える(予報の誤差を含む)使う必要は少ない
翌日の稼働の予定使える(予定が変わることがある)実績の稼働を使える
当日までの30分値データが届く遅れの分を除いて使える使える
翌日の30分値使えない評価の対象そのもの

表の2列目の「当日までの30分値」には注意が要ります。計量器の記録が翌日以降にまとめて届く経路では、予測を作る時点で、直前の数時間の値がまだ手元に無いことがあります。予測のモデルに「前日の同じ時刻の値」を入れるかどうかは、その値が予測を作る時刻までに確実に届くかどうかで決まります。

予測の時点の区別と並んで注意が要るのが、単位と時刻です。エネルギーのデータを扱うときの誤りは、手法の選び方よりも、単位と時刻の取り違えから起きることが多いように思います。とくに重要なのが、電力(kW)と電力量(kWh)の区別です。30分値は30分間の電力量(kWh)で、その2倍が、その30分の平均の電力、つまり需要電力(kW)になります。30分間で 80kWh を使ったコマの需要電力は 160kW です。月の最大需要電力を30分値の最大からそのまま読むと、半分の値を最大需要電力と思い込むことになります。また、最大需要電力は30分間の平均の電力の最大であり、瞬間の最大の電力ではありません。

落とし穴何が起きるか確かめ方
kW と kWh の取り違え30分値(kWh)をそのまま需要電力(kW)と読むと、最大需要電力を半分に見積もる。反対に、kW で記録された30分値を2倍すると倍に見積もる列の単位を確かめる。kWh で記録された30分値は2倍して kW にする。30分間の平均の電力(kW)で記録されたものは2倍しない
時刻がコマの始まりか終わりか0時の値が前日の最後のコマか当日の最初のコマかで、日別の合計とピークの時刻が1コマずれるデータの説明書きを確かめる。夜間の値が日付をまたいで連続しているかを見る
タイムゾーン海外のクラウドのサービスなどで協定世界時(UTC)のまま保存されると、日本時間と9時間ずれる稼働の時間帯の立ち上がりが、想定の時刻に出ているかを見る
積算値と差分計量器の指示数(積算値)をそのまま足すと意味の無い値になる。差分を取る場合は計器の交換や桁あふれで大きな負の値が出る値が単調に増えていくかどうかを見る。差分が負のコマを数える
計器の倍率変流器(大きな電流を、計器で量れる小さな電流に変える機器)などを通して量る計器では、読み取った値に倍率を掛ける必要があり、掛け忘れると桁が違う請求書の電力量と、請求書の対象の期間で集計した30分値の合計を突き合わせる
欠測の扱い集計の関数が欠測を0として足すと、月の合計が実際より小さく出る月の合計に使ったコマの数を数える

表の倍率や欠測の点検として挙げた、請求書の電力量と30分値の合計を突き合わせる作業は、手間に比べて得られるものが大きい点検です。このとき、請求書の対象の期間は暦月と一致するとは限らないので、請求書に書かれた期間と同じ開始と終了の日時で30分値を集計してから比べます。度日や稼働日数を請求書の値と対応させる場合も同じです。両者が合わないときは、倍率・欠測・時刻のずれ・計測の範囲(受電の点か、一部の系統か)のどれかに原因があることが多く、分析を始める前にそれを潰しておくと、後の章の予測や効果の見積りの誤りを防げます。

架空の事務所ビルの1年分の30分値を作る

ここからは、30分値の集計と点検を、コードで確かめます。この章のデータは、他の章とは独立に作った架空の合成データで、実際の事業所の記録よりずっと単純です。合成データで得た誤差や件数は、実際の事業所での値の目安にはなりません。示したいのは、同じ記録でも、単位・時刻・欠測の扱いと分母の選び方で、見え方がどう変わるかという点です。

架空の事務所ビルAについて、2025年4月1日から2026年3月31日までの365日分、1日48コマ、合計17,520コマの30分値(kWh)と、架空の地点の外気温を、次の性質を持たせて乱数で作りました(乱数の種は20261117に固定しています)。日付は説明のために置いたもので、曜日だけを使い、実在の暦の祝日は計算していません。このビルには太陽光発電も蓄電池も無いので、この例題では受電電力(受電点で送配電の設備から受ける電力)と需要(ビルの中の設備が使う電力)は同じで、30分値は受電点で量った値とします。コードは Python 3.14.3 と pandas 3.0.1・numpy 2.4.3 で実行し、グラフの日本語の表示には japanize-matplotlib 1.1.3 を使いました。

  • 外気温:季節の周期(日平均で最も高いのは8月の初め、最も低いのは2月の初めごろ)に、前日に引きずられる日ごとのばらつきと、14時半ごろに高く夜明け前に低い1日の周期を重ねた
  • 休業日:土日と、架空の夏季の休業3日・年末年始の休業5日・臨時の休業6日。稼働日は247日、休業日は118日になった
  • 電力(kW):ベース負荷 60kW は常に使う。稼働日の8時から19時は 90kW を足す。空調は稼働日の7時半から19時に動き、その時刻の外気温が20℃を超えると1℃あたり 6.5kW、14℃を下回ると1℃あたり 5.0kW を足す(冷房側と暖房側で折れ曲がる関係)。全体に3%程度のばらつきを掛けた
  • 30分値:電力(kW)に時間の幅 0.5時間を掛けて電力量(kWh)にした。時刻はコマの始まりで表した
  • 計測の不具合:真の値とは別に観測の値を作り、6時間続く欠測を1か所、ばらばらの欠測を30コマ、0が入ったコマを4つ、同じ値が10コマ続く区間を1か所、値が3倍に飛んだコマを3つ入れた

実行すると、日平均気温は最低 1.8℃・最高 30.4℃、1年間の電力量(真の値)は 838,688kWh になりました。観測の値で欠測になったコマは42コマです。

# ===== ブロック1:架空の事務所ビルAの1年分の30分値(kWh)と外気温を作る =====
import sys, io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding="utf-8")
import numpy as np
import pandas as pd
rng = np.random.default_rng(20261117)
idx = pd.date_range("2025-04-01 00:00", periods=365 * 48, freq="30min")  # 時刻はコマの始まり
day = np.arange(len(idx)) // 48                     # 0〜364日目
hour = idx.hour + idx.minute / 60 + 0.25            # コマの中央の時刻(時)
# 外気温(℃):季節の周期+日ごとのばらつき(前日に引きずられる)+1日の周期
noise = np.zeros(365)
for d in range(1, 365):
    noise[d] = 0.7 * noise[d - 1] + rng.normal(0, 1.6)
t_day = 17 + 10.5 * np.cos(2 * np.pi * (np.arange(365) - 125) / 365) + noise
temp = t_day[day] + 3.5 * np.cos(2 * np.pi * (hour - 14.5) / 24)
# 休業日のフラグ(架空):土日+夏季3日+年末年始5日+臨時の休業6日
closed_day = (pd.date_range("2025-04-01", periods=365).dayofweek >= 5)
closed_day[[134, 135, 136, 272, 273, 274, 275, 276]] = True
closed_day[rng.choice(np.where(~closed_day)[0], 6, replace=False)] = True
work = ~closed_day[day]
# 電力(kW):ベース負荷+稼働の時間帯の負荷+空調(冷房側と暖房側で折れ曲がる)
on = work & (hour >= 8) & (hour < 19)
hvac_on = work & (hour >= 7.5) & (hour < 19)
kw = (60.0 + 90.0 * on
      + hvac_on * (6.5 * np.clip(temp - 20, 0, None) + 5.0 * np.clip(14 - temp, 0, None)))
kw = kw * rng.normal(1.0, 0.03, len(idx))
true_kwh = pd.Series(kw * 0.5, index=idx)             # 30分値=電力(kW)×0.5時間
# 計測の不具合を少し入れる(真の値 true_kwh とは別に、観測の値 obs を作る)
obs = true_kwh.copy()
gap_start = 48 * 202 + 10                             # 202日目の5時から6時間の欠測
obs.iloc[gap_start:gap_start + 12] = np.nan
single = rng.choice(len(idx), 30, replace=False)      # ばらばらの欠測30コマ
obs.iloc[single] = np.nan
zeros = rng.choice(len(idx), 4, replace=False)        # 0が入った4コマ
obs.iloc[zeros] = 0.0
stuck_start = 48 * 250 + 22                           # 250日目の11時から10コマ同じ値
obs.iloc[stuck_start:stuck_start + 10] = obs.iloc[stuck_start]
spikes = rng.choice(np.where(work)[0], 3, replace=False)  # 稼働日の3コマが3倍に飛ぶ
obs.iloc[spikes] = obs.iloc[spikes] * 3
weather = pd.Series(temp, index=idx)
print("期間:", idx[0], "〜", idx[-1], " コマ数:", len(idx), " 稼働日:", int((~closed_day).sum()),
      "日  休業日:", int(closed_day.sum()), "日")
print("日平均気温の最低・最高(℃):", round(t_day.min(), 1), round(t_day.max(), 1),
      " 年間の電力量(真の値, kWh):", round(true_kwh.sum()), " 欠測のコマ:", int(obs.isna().sum()))

日別・月別・時間帯別の集計、月ごとの最大需要電力と負荷率、ロードカーブ

次に、観測の値をそのまま集計します。日別の電力量は1日の48コマの合計、月の電力量は月のコマの合計です。需要電力(kW)は30分値(kWh)を2倍して求め、その月の最大を最大需要電力とします。負荷率は、月の平均の電力(月の電力量を月の時間数で割った値、kW)を、月の最大需要電力で割った値です。負荷率が低いほど、平均の電力に比べて最大需要電力が高いことを表します。

# ===== ブロック2:日別・月別・時間帯別の集計と、需要電力(kW)への換算 =====
daily = obs.resample("D").sum(min_count=40)           # 欠測が多い日は集計しない
demand_kw = obs * 2                                   # 30分値(kWh)の2倍=そのコマの需要電力(kW)
monthly = pd.DataFrame({
    "電力量_kWh": obs.resample("MS").sum(),
    "最大需要電力_kW": demand_kw.resample("MS").max(),
})
hours_in_month = obs.resample("MS").size() * 0.5      # 月の時間数(h)
monthly["平均電力_kW"] = monthly["電力量_kWh"] / hours_in_month
monthly["負荷率"] = monthly["平均電力_kW"] / monthly["最大需要電力_kW"]
monthly["最大の日時"] = demand_kw.resample("MS").apply(lambda s: s.idxmax()).dt.strftime("%m/%d %H:%M")
print(monthly.round(2).to_string())

# 時刻の意味を取り違えた場合:コマの「終わり」の時刻だと読むと、0時の値は前日に入る
d_ok = obs.resample("D").sum(min_count=48)                            # 48コマそろった日だけ
d_end = obs.shift(-1).resample("D").sum(min_count=48)
diff = (d_ok - d_end).abs().dropna()                                  # 両方で48コマそろった日を比べる
print("時刻の読み違いによる日別の電力量の差の最大(kWh):", round(diff.max(), 1), " 比べた日数:", len(diff))

# 時間帯別:稼働日のコマごとの平均(kWh)
slot = obs.index.hour * 2 + obs.index.minute // 30
by_slot = obs[work].groupby(slot[work]).mean()
print("稼働日の時間帯別の平均(kWh), 3:00 / 10:00 / 14:00 / 20:00:",
      [round(float(by_slot[k]), 1) for k in (6, 20, 28, 40)])

実行した結果の月ごとの表は次のとおりです。電力量・平均電力・負荷率は、観測の値(不具合を除く前)から計算しています。

月電力量(kWh)最大需要電力(kW)平均電力(kW)負荷率最大の日時
2025年4月64,154.83174.5989.100.514月7日2時
2025年5月69,832.29202.4593.860.465月30日14時
2025年6月72,526.73224.71100.730.456月17日13時
2025年7月81,455.64251.33109.480.447月21日13時
2025年8月74,180.80256.1599.710.398月20日13時
2025年9月74,417.51238.05103.360.439月2日14時30分
2025年10月68,658.27201.6892.280.4610月9日13時
2025年11月62,199.27180.8086.390.4811月18日19時
2025年12月66,042.63198.8488.770.4512月26日8時
2026年1月70,713.51207.9195.050.461月14日8時
2026年2月64,595.81218.1496.120.442月3日8時30分
2026年3月67,678.97201.1890.970.453月13日8時

この表には、読み取れることと、まだ信じてはいけないことが混ざっています。読み取れることは、最大需要電力が出る時刻が季節で違う点です。5月から10月は13時から14時半に最大が出ていますが、12月から3月は8時から8時半、つまり稼働の始まりのコマに最大が出ています。この架空データでは、冬の朝は外気温が低く、稼働の負荷と暖房の負荷が始業のコマに重なるためです。最も高い最大需要電力は8月の 256.15kW で、負荷率も8月が 0.39 と最も低くなりました。8月は架空の夏季の休業で稼働日が18日と少なく、平均の電力が下がる一方で、暑い日の昼のピークは高いためです。

信じてはいけないのは、4月と11月の最大需要電力です。4月の最大は「4月7日2時」に出ています。この架空のビルは夜間に稼働していないので、深夜2時に月の最大が出るのは不自然で、計測の不具合を疑うべき値です。11月の「11月18日19時」も、稼働の終わりのコマで、昼のピークより高いのは不自然です。どちらも後の節で、意図して入れた値の飛びだったことを確かめます。この2か月は、負荷率も最大需要電力の誤りの分だけずれています。また、10月の電力量は、6時間の欠測を含んだまま足しているので、実際より小さく出ています。集計の関数が欠測を、知らせずに除いて足すためです。

コードの後半では、時刻の意味を取り違えた場合も確かめました。この記録の時刻はコマの始まりですが、これをコマの終わりと読み違えると、毎日0時の値が前日に入り、日別の電力量がずれます。正しい読み方と読み違えた場合の両方で48コマがそろった333日について比べると、日別の電力量の差は最大で 4.3kWh でした(期間の最後の日のように、読み違えると翌日のコマが足りなくなる日は比べていません)。この架空のビルでは夜間の値がほぼ一定なので差は小さく済みましたが、夜間に稼働する工場や、日付をまたぐ運転のある設備では、日別の集計とピークの時刻の両方がずれます。稼働日の時間帯別の30分値の平均は、3時 が 30.0kWh、10時 が 86.1kWh、14時 が 88.3kWh、20時 が 29.9kWh でした(2倍して需要電力にすると 60.0kW・172.2kW・176.6kW・59.8kW)。

次に、ロードカーブを描きます。1日の電力の推移を描いたロードカーブは、30分値を最初に見るときに最も情報の多いグラフです。月ごとに、稼働日と休業日に分けて、コマごとの需要電力(kW)の中央値を描きました。平均ではなく中央値にしたのは、残っている異常値の影響を受けにくくするためです。

# ===== ブロック3:平日と休業日のロードカーブ(夏と冬) =====
import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import japanize_matplotlib

month = obs.index.month
fig, ax = plt.subplots(figsize=(8, 4.2))
x = np.arange(48) / 2
styles = {("8月", True): ("#002E73", "-"), ("1月", True): ("#002E73", "--"),
          ("8月", False): ("#888888", "-"), ("1月", False): ("#888888", "--")}
for (mname, is_work), (c, ls) in styles.items():
    m = 8 if mname == "8月" else 1
    sel = (month == m) & (work == is_work)
    curve = (obs[sel] * 2).groupby(slot[sel]).median()   # 需要電力(kW)の中央値
    label = mname + ("の稼働日" if is_work else "の休業日")
    ax.plot(x, curve.values, color=c, linestyle=ls, label=label)
ax.set_xlabel("時刻(コマの始まり)")
ax.set_ylabel("需要電力(kW)")
ax.set_xticks(range(0, 25, 3))
ax.legend(loc="upper left", frameon=False)
fig.savefig("../ch02_loadcurve.png", dpi=120, bbox_inches="tight")
plt.close(fig)
for m in (8, 1):
    sel_w = (month == m) & work
    sel_c = (month == m) & ~work
    print(m, "月 稼働日14時の中央値(kW):", round((obs[sel_w] * 2).groupby(slot[sel_w]).median()[28], 1),
          " 休業日3時の中央値(kW):", round((obs[sel_c] * 2).groupby(slot[sel_c]).median()[6], 1))
架空の事務所ビルAの8月と1月の稼働日と休業日のロードカーブ。稼働日は7時半ごろから上がり始め、19時に下がる。休業日はほぼ60kWで一定

グラフから読み取れることは3つあります。1つ目は、休業日の需要電力が1日を通して約 60kW で、これがこのビルのベース負荷(夜間や休業日にも続けて使っている電力)にあたることです。実際の事業所のベース負荷は完全に一定とは限らず、必要な分と減らせる分の両方を含みますが、この合成データでは 60kW で一定になるように作りました。実行した結果では、休業日の3時の中央値は8月が 59.2kW、1月が 61.0kW でした。2つ目は、稼働日の立ち上がりと立ち下がりの時刻です。空調が動き始める7時半から上がり始め、19時に下がります。実際の事業所では、この立ち上がりの時刻が運転のスケジュールより早まっていたり、休業日にも上がっていたりすることがあり、その発見がそのまま対策の候補になります(監視の方法は第12章)。3つ目は、季節による形の違いです。8月の稼働日は昼に向かって上がり、14時の中央値は 217.3kW でした。1月の稼働日は始業の直後が最も高く、昼に向けて下がり、14時の中央値は 170.6kW でした。冬は始業のコマが最大需要電力を作りやすいという表の読み取りと一致します。

この合成データでは、ベース負荷を一定にし、空調の負荷を気温だけで決めたので、ロードカーブはきれいな台形になっています。実際の記録では、照明や情報機器、エレベーター、給湯、換気などが重なり、在室の人数や天候でも形が変わります。形を読むときは、まず休業日の夜間(ベース負荷)、次に立ち上がりと立ち下がりの時刻、最後に昼の高さ、という順で見ていくと、どの部分が運転の時間の問題で、どの部分が気温の問題かを分けやすくなります。

欠測と異常値の検出と、補完の方法の比較

月の表で見つけた不自然な値を、決まりを当てはめて機械的に拾います。計測の記録には、通信の途絶による欠測のほか、値が0になる、同じ値が続く、値が急に飛ぶ、という不具合がよく出ます。ここでは次の4つの決まりを使いました。決まりの数値(4コマ以上、1.8倍、30kWh)は、この架空データに合わせて置いたもので、一般に使える基準ではありません。

  • 欠測:値が無いコマ
  • 0:値が0のコマ(このビルはベース負荷があるので、0は計測の不具合とみなす)
  • 同じ値の連続:小数点以下まで同じ値が4コマ以上続く区間
  • 飛び:前後3コマを含む7コマの中央値の1.8倍を超え、かつ中央値との差が 30kWh を超えるコマ
# ===== ブロック4:欠測と異常値の検出 =====
flag = pd.DataFrame(index=obs.index)
flag["欠測"] = obs.isna()
flag["0"] = obs == 0
run_id = (obs != obs.shift()).cumsum()                # 同じ値が続く区間に番号を振る
run_len = obs.groupby(run_id).transform("size")
flag["同じ値の連続"] = (run_len >= 4) & obs.notna() & (obs > 0)
ref = obs.where(obs > 0).rolling(7, center=True, min_periods=3).median()  # 後の時刻も使う(事後の点検用)
flag["飛び"] = (obs > ref * 1.8) & (obs - ref > 30)
truth = {"欠測": np.r_[gap_start:gap_start + 12, single], "0": zeros,
         "同じ値の連続": np.arange(stuck_start, stuck_start + 10), "飛び": spikes}
for k, pos in truth.items():
    hit = flag[k].to_numpy()
    true_mask = np.zeros(len(obs), bool)
    true_mask[pos] = True
    print(f"{k}: 検出 {hit.sum()} コマ / 入れた不具合 {true_mask.sum()} コマ / うち検出できた {(hit & true_mask).sum()} コマ")
for p in spikes:
    print("飛びを入れたコマ:", obs.index[p].strftime("%m/%d %H:%M"), " 観測", round(float(obs.iloc[p]), 1),
          "kWh  前後の中央値", round(float(ref.iloc[p]), 1), "kWh  検出", bool(flag["飛び"].iloc[p]))
bad = flag.any(axis=1)
clean = obs.mask(bad)                                 # 不具合と判定したコマは欠測として扱う
print("欠測として扱うコマの合計:", int(bad.sum()))
m2 = pd.DataFrame({"観測のまま": (obs * 2).resample("MS").max(),
                   "不具合を除いた後": (clean * 2).resample("MS").max(),
                   "真の値": (true_kwh * 2).resample("MS").max()})
print("月の最大需要電力(kW)の比較:")
print(m2.round(1).to_string())

合成データでは、どのコマに不具合を入れたかが分かっているので、決まりがどれだけ拾えたかを確かめられます。結果は次のとおりです。

不具合の種類入れたコマ決まりで検出したコマうち入れた不具合と一致したコマ
欠測424242
0444
同じ値の連続101010
飛び322

欠測・0・同じ値の連続は、入れたコマをすべて拾い、ほかのコマを誤って拾うこともありませんでした。値の飛びは3コマのうち2コマを拾い、1コマを見逃しました。拾えた2コマは4月7日2時と3月10日5時で、どちらも夜間のベース負荷の時間帯に3倍の値が出たものです(観測の値 87.3kWh と 95.9kWh に対し、前後の中央値は 30.7kWh と 30.3kWh)。見逃した1コマは11月18日19時で、観測の値 90.4kWh に対し前後の中央値は 72.1kWh でした。稼働が終わった直後のコマ(19時から19時30分)で、前後の7コマに稼働中の高い値と停止後の低い値が混ざっているため、中央値が高めに出て、1.8倍の決まりに掛かりませんでした。

この見逃しは、月の最大需要電力に直接効きます。不具合と判定したコマを除いた後の月の最大需要電力を、観測のままの値と真の値と並べると、次のようになりました(違いが出た2か月だけを示します。ほかの10か月は3つの値が一致しました)。

月観測のまま(kW)不具合を除いた後(kW)真の値(kW)
2025年4月174.6167.3167.3
2025年11月180.8180.8173.0

4月は、飛びを除いたことで真の値に戻りました。11月は、見逃した1コマの値がそのまま月の最大需要電力として残り、真の値より 7.8kW 高く出ています。最大需要電力は月の中の1コマで決まる値なので、1コマの計測の誤りで月の最大需要電力が変わります。契約電力の決まり方によっては(第1章)、その誤った値をもとに契約や目標の判断を誤ることにつながります。決まりによる検出は、多数のコマを一度に点検するのには向いていますが、月の最大需要電力のように1コマが結論を決める値については、その日時のロードカーブを人の目で確かめる手順を加えるほうが安全です。ここでの見逃しは、事業所の中の計測の記録を想定したもので、取引用の計量器の記録と、事業所の中の計測の記録が食い違う場合に、どちらが料金の計算に使われるかは契約と約款で確かめる事項です。

なお、飛びの判定に使う前後の中央値と、後で使う直線補間は、そのコマより後の時刻の値も使います。どちらも前後の記録がそろった後に行う事後の点検の処理で、リアルタイムの監視や予測の前処理にそのまま使うと、その時点では手に入らない情報を使うことになります。また、この合成データでは正解が分かっているので、判定したコマをそのまま不具合として扱いましたが、実際の記録では、設備の停止・停電・実際の需要の増加なども同じ決まりに掛かります。実際には、決まりに掛かったコマを候補として印を付け、運転の記録などと照合し、計測の不具合と確かめられた値だけを分析用に補完します。

この例題では、不具合と判定したコマを欠測として扱い、値を埋めます(補完)。補完の方法として、次の3つを比べました。1つ目は前後の値を直線でつなぐ直線補間、2つ目は前の週の同じ曜日の同じコマの値を使う方法、3つ目はその日と同じ種類(稼働日か休業日か)の直近4日の、同じコマの値の平均を使う方法です。合成データなので、埋めた値を真の値と比べられます。誤差は、1コマあたりの平均絶対誤差(埋めた値と真の値の差の絶対値の平均、kWh)で測りました。前週の同じコマの方法は、4月7日2時のコマを埋められませんでした(前の週がデータの期間より前にあたるため)。そこで、3つの方法がすべて埋められたコマだけで比べ、その数を「比べたコマ数」として示します。

# ===== ブロック5:補完の方法の比較(合成データなので真の値と比べられる) =====
s = clean.copy()
fill_lin = s.interpolate(method="time", limit_area="inside")          # (a) 前後を直線でつなぐ
fill_week = s.fillna(s.shift(48 * 7))                                  # (b) 前週の同じ曜日・同じコマ
mat = s.to_numpy().reshape(365, 48)                                    # 日×コマの表
fill_type = s.copy()                                                   # (c) 同じ種類の直近4日の同じコマの平均
for p in np.where(s.isna())[0]:
    d, k = divmod(p, 48)
    prev = [mat[e, k] for e in range(d - 1, -1, -1)
            if (closed_day[e] == closed_day[d]) & (not np.isnan(mat[e, k]))][:4]
    fill_type.iloc[p] = np.mean(prev) if len(prev) > 0 else np.nan
groups = {"長い欠測(6時間)": np.arange(gap_start, gap_start + 12),
          "ばらばらの欠測": single,
          "不具合から欠測にしたコマ": np.r_[zeros, np.arange(stuck_start, stuck_start + 10), spikes]}
est = {"直線補間": fill_lin, "前週の同じコマ": fill_week, "同じ種類の直近4日": fill_type}
rows = []
for gname, pos in groups.items():
    pos = pos[s.isna().to_numpy()[pos]]                                # 実際に欠測扱いになったコマだけ
    t = true_kwh.to_numpy()[pos]
    ok = np.all([~np.isnan(f.to_numpy()[pos]) for f in est.values()], axis=0)  # 3つとも埋められたコマ
    r = {"欠測の種類": gname, "コマ数": len(pos), "比べたコマ数": int(ok.sum())}
    for name, f in est.items():
        r[name] = np.mean(np.abs(f.to_numpy()[pos][ok] - t[ok]))
    rows.append(r)
    print(gname, "埋められなかったコマ:", {n: int(np.isnan(f.to_numpy()[pos]).sum()) for n, f in est.items()})
print("補完の誤差(平均絶対誤差, kWh/コマ):")
print(pd.DataFrame(rows).round(2).to_string(index=False))
print("長い欠測の日:", s.index[gap_start].strftime("%Y-%m-%d %a"), " 稼働日:", bool(work[gap_start]))
print("長い欠測の6時間の電力量(kWh) 真の値", round(float(true_kwh.iloc[gap_start:gap_start + 12].sum()), 1),
      " 直線補間", round(float(fill_lin.iloc[gap_start:gap_start + 12].sum()), 1),
      " 前週", round(float(fill_week.iloc[gap_start:gap_start + 12].sum()), 1),
      " 直近4日", round(float(fill_type.iloc[gap_start:gap_start + 12].sum()), 1))
filled = fill_type.fillna(fill_lin)                                    # 以降は (c) で補完した値を使う
print("補完の後に残った欠測:", int(filled.isna().sum()))
欠測の種類コマ数比べたコマ数直線補間(kWh)前週の同じコマ(kWh)同じ種類の直近4日(kWh)
長い欠測(6時間)121211.431.113.87
ばらばらの欠測30304.282.812.33
不具合から欠測にしたコマ16151.055.861.88

長い欠測は、2025年10月20日(月曜日・稼働日)の5時から6時間で、稼働の立ち上がりをまたいでいます。直線補間は、5時前の低い値と11時以降の高い値を直線でつないでしまうので、立ち上がりの形を再現できず、1コマあたりの誤差が 11.43kWh と大きくなりました。ただし、6時間の電力量の合計で見ると、真の値 629.0kWh に対して直線補間は 633.5kWh で、合計はほぼ合っていました。立ち上がりの前を高く、後を低く見積もった誤差が打ち消し合ったためです。前週の同じコマは 626.0kWh、同じ種類の直近4日は 669.3kWh でした。この1回の例では、6時間の合計は直線補間でもほぼ合いましたが、それは誤差の打ち消し合いによるもので、一般に合計を求めるのに足りるとは言えません。最大需要電力やロードカーブの形を見る目的では、直線補間が立ち上がりの形を崩すことが、この例から分かります。

この1回の実行では、長い欠測には前週の同じコマが最も合いました。しかし、これは1か所の欠測だけの結果です。そこで、乱数の種を変えて、長い欠測の始まりの時刻をばらばらにした5か所と、ばらばらの欠測を入れる計算を20回くり返しました(掲載していないスクリプトで実行しました。乱数の種は20261117から20261136までの20通りで、データの作り方はブロック1と同じです。0・同じ値の連続・飛びは入れていません)。ここでも3つの方法がすべて埋められたコマだけで比べ、20回の合計で、長い欠測は1,200コマのうち1,197コマ、ばらばらの欠測は598コマのうち572コマを比べました。

結果は次の表のとおりです。誤差は、各回の平均絶対誤差を20回で単純に平均した値です。

欠測の種類直線補間(kWh)前週の同じコマ(kWh)同じ種類の直近4日(kWh)誤差が最も小さかった回数(20回のうち)
長い欠測8.628.192.42同じ種類の直近4日が19回、直線補間が1回
ばらばらの欠測3.205.722.15同じ種類の直近4日が16回、直線補間が4回

前週の同じコマの誤差の内訳も、同じ確認の中で取りました。長い欠測とばらばらの欠測を合わせて、前の週のその日が同じ種類(稼働日どうし、休業日どうし)だった1,589コマでは平均 3.46kWh、種類が違った180コマでは平均 42.08kWh で、前の週のその日の種類が違う場合に大きく外れていました。

表の3行目の、点で入れた不具合から欠測にしたコマ(0・同じ値の連続・飛び)では、比べた15コマで直線補間の誤差が 1.05kWh と最も小さくなりました。この種類のコマは1コマずつ、または10コマの区間で、前後に正常な値がある欠測です。なぜこの行で直線補間が最も小さくなったかの内訳は取っておらず、この種類の欠測は20回のくり返しの比較にも入れていません。したがって結論は、長い欠測とばらばらの欠測については、この架空データの条件では日の種類をそろえた直近の数日の平均が安定していた、という範囲に限ります。掲載したコードの以降の計算では、この方法で埋めた値を使います。実際の記録では、気温の違う日を平均すると空調の分がずれるので、第3章のような回帰のモデルで埋める方法もあります。

補完した値は、元の値と区別できるように印を残しておくことが大切です。補完した値で月の最大需要電力が決まっていないか、補完したコマが多すぎる月が無いかを、後から確かめられるようにするためです。補完した値を、省エネの効果の見積りやデマンドレスポンスで減らした量の算定に使う場合は(第5章の例題は少数の欠測を同じ日の前後のコマから補い、第10章の例題は欠測のコマを除いて平均を取っています。補完の方法の比較は、この章で扱いました)、補完の方法を事前に決めておき、結果を見てから方法を選ばないようにします。

日平均気温と日別の電力量の関係、原単位の分母の選び方

補完した30分値から日別の電力量を作り、日平均気温と並べて散布図を描きました。稼働日と休業日は色を分けています。

# ===== ブロック6:日平均気温と日別の電力量の散布図、原単位 =====
dd = pd.DataFrame({"気温": weather.resample("D").mean(), "電力量": filled.resample("D").sum(),
                   "稼働日": ~closed_day}, index=pd.date_range("2025-04-01", periods=365))
fig, ax = plt.subplots(figsize=(7, 4.2))
for is_work, c, lab in ((True, "#002E73", "稼働日"), (False, "#999999", "休業日")):
    q = dd[dd["稼働日"] == is_work]
    ax.scatter(q["気温"], q["電力量"], s=12, color=c, label=lab)
ax.set_xlabel("日平均気温(℃)")
ax.set_ylabel("日別の電力量(kWh)")
ax.legend(loc="upper left", frameon=False)
fig.savefig("../ch02_scatter.png", dpi=120, bbox_inches="tight")
plt.close(fig)
w = dd[dd["稼働日"]]
for lo, hi in ((4, 8), (12, 16), (16, 20), (26, 30)):
    q = w[(w["気温"] >= lo) & (w["気温"] < hi)]["電力量"]
    print(f"稼働日 日平均気温 {lo}〜{hi}℃: {len(q)}日  日別の電力量の平均 {q.mean():.0f} kWh")
print("休業日の日別の電力量の平均(kWh):", round(float(dd[~dd["稼働日"]]["電力量"].mean())))

# 原単位:分母で見え方が変わる
AREA = 5000.0                                          # 延床面積(m2, 架空)
mo = dd.resample("MS").agg({"電力量": "sum", "稼働日": "sum", "気温": "mean"})
mo["延床面積あたり_kWh/m2"] = mo["電力量"] / AREA
mo["稼働日あたり_kWh/日"] = mo["電力量"] / mo["稼働日"]
mo.index = mo.index.strftime("%Y-%m")
print(mo.round(2).to_string())
for a, b in (("2025-07", "2025-08"), ("2025-12", "2026-01")):
    ra = mo.loc[b] / mo.loc[a] - 1
    print(f"{a}→{b}: 電力量 {ra['電力量']:+.1%}  延床面積あたり {ra['延床面積あたり_kWh/m2']:+.1%}  稼働日あたり {ra['稼働日あたり_kWh/日']:+.1%}  稼働日 {int(mo.loc[a,'稼働日'])}→{int(mo.loc[b,'稼働日'])}日")
架空の事務所ビルAの日平均気温と日別の電力量の散布図。稼働日は15℃前後で最も低く、暑い日と寒い日に増える。休業日は気温によらずほぼ一定

稼働日の点は、日平均気温が15℃前後で最も低く、それより暑くても寒くても増える、折れ曲がった形になりました。実行した結果では、稼働日の日別の電力量の平均は、日平均気温が4℃以上8℃未満の31日で 2,751kWh、12℃以上16℃未満の50日で 2,435kWh、16℃以上20℃未満の29日で 2,506kWh、26℃以上30℃未満の30日で 3,181kWh でした。休業日は空調を動かさない設定にしたので、気温によらず平均 1,441kWh でほぼ一定です。この折れ曲がる関係を式で当てはめ、気温1℃あたりの増え方(気温感応度)とベース負荷を推定する方法は、第3章で扱います。ここでは、稼働日と休業日を混ぜて1本の線を引くと、休業日の多い月の使用量が気温と無関係に低く見えることだけを確かめておきます。散布図の点がこれほどきれいに並ぶのは、空調の負荷を気温だけで決めた合成データだからで、実際の記録では湿度・日射・在室の人数などでもっと散らばります。

次に原単位です。原単位は、エネルギーの使用量を、延床面積・生産量・稼働日数などの活動量で割った値で、規模の違う事業所どうしや、年ごとの比較に使われます。ただし、何で割るかで、同じ記録の見え方が変わります。原単位を使うときは、分母だけでなく、分子のエネルギーの範囲(電気だけか、燃料や熱を含めるか)と期間も明記します。この章の原単位は、分子を電気の電力量(kWh)だけ、期間を1か月とします。この架空のビルの延床面積を 5,000m2 と置き、月ごとに延床面積あたりと稼働日あたりの原単位を計算しました。下の表は、そのうち4か月を抜き出したものです。電力量は補完した後の値なので、前に示した月の表(観測のまま)とは少し違います。

月電力量(kWh)稼働日(日)月平均気温(℃)延床面積あたり(kWh/m2)稼働日あたり(kWh/日)
2025年7月81,515.652226.7816.303,705.26
2025年8月74,210.651826.7614.844,122.81
2025年12月66,215.732010.1413.243,310.79
2026年1月70,894.75205.7614.183,544.74

7月から8月にかけて、月平均気温はほぼ同じ(26.78℃と26.76℃)ですが、電力量と延床面積あたりの原単位は9.0%減り、稼働日あたりの原単位は11.3%増えました。8月は架空の夏季の休業で稼働日が22日から18日に減ったためです。延床面積あたりで見ると「8月は省エネが進んだ」ように見え、稼働日あたりで見ると「8月は効率が悪化した」ように見えますが、この架空のビルの設備と使い方は1年を通して変えていないので、どちらの読み方も誤りです。稼働日あたりの原単位が増えたのは、休業日にもベース負荷(この合成データでは 60kW)を使っていて、休業日の1日の電力量は平均 1,441kWh になり、その分が分子には入るのに分母の稼働日には入らないためです。12月から1月は稼働日が20日で同じなので、電力量・延床面積あたり・稼働日あたりがいずれも7.1%増えました。この合成データでは設備と使い方を変えていないので、この増加は主に寒さによる暖房の負荷の増加と考えられます(乱数によるばらつきと補完した値も含むので、すべてが暖房の分とは言えません)。

この例から言えるのは、原単位は分母を明記したうえで、気温と稼働の条件をそろえて比べないと、変化の理由を取り違えるということです。使用量の前年比や原単位の単純な前後の比較を、対策の効果と読んではいけない理由がここにあります。効果は、対策が無かった場合に見込まれる使用量(省エネの効果を測るためのベースライン)と実績の差として、気温・稼働日・生産量などの条件をそろえて見積もるもので、その方法は第5章で扱います。分母の選び方の目安としては、使用量の大部分が稼働に比例する事業所では稼働日や生産量、ベース負荷の割合が大きい事業所では延床面積や暦日、と考えるのが出発点になりますが、実際にはベース負荷と稼働に比例する分を分けて考える(第3章の回帰)ほうが、分母を1つに決めるより取り違えを減らしやすいと考えています。

度日の計算と、基準の温度の選び方

気温の影響を月や年の単位でまとめて表すのが度日です。度日は、基準の温度と日平均気温の差を日ごとに積み上げた値で、冷房度日は日平均気温が基準の温度を上回った分を、暖房度日は下回った分を足します。式で書くと、冷房度日は \( \sum_{d} \max(0,\, T_d – T_{c}) \)、暖房度日は \( \sum_{d} \max(0,\, T_{h} – T_d) \) です。言葉で言えば、\( T_d \) をその日の日平均気温、\( T_{c} \) と \( T_{h} \) を冷房と暖房の基準の温度として、基準より暑かった(寒かった)度合いを、日数ぶん足し合わせたものです。単位は「℃・日」です。

度日を使うときに必ず決めなければならないのが、基準の温度です。基準の温度は、その建物で冷房や暖房が効き始める気温の目安で、建物と使い方によって違います。そこで、冷房の基準を14℃から24℃、暖房の基準を8℃から18℃まで2℃刻みで変えて、次の3つの回帰で当てはまりのよさ(決定係数 R2。1に近いほどよく当てはまる)を比べました。

  • 月の単位の回帰1:月の電力量を「定数+冷房度日+暖房度日+稼働日数」で当てはめる。度日は休業日も含めた全日で数える
  • 月の単位の回帰2:月の電力量を「暦日数+稼働日数+稼働日だけで数えた冷房度日+稼働日だけで数えた暖房度日」で当てはめる(定数は置かない)。この架空のビルの作り方(毎日のベース負荷と、稼働日だけ動く空調)に合わせた構造
  • 日の単位の回帰:稼働日だけを使い、日別の電力量を「定数+冷房側の差+暖房側の差」で当てはめる
# ===== ブロック7:度日の計算と、基準の温度の選び方 =====
t_d, wk = dd["気温"], dd["稼働日"]
def degree_days(base_c, base_h, only_work=False):
    c = np.clip(t_d - base_c, 0, None)                         # 冷房側の差(℃)
    h = np.clip(base_h - t_d, 0, None)                         # 暖房側の差(℃)
    if only_work:
        c, h = c.where(wk, 0), h.where(wk, 0)                  # 稼働日の分だけ数える
    return c.resample("MS").sum(), h.resample("MS").sum()      # 冷房度日・暖房度日(℃・日)
def r2(X, yv):
    coef, *_ = np.linalg.lstsq(X, yv, rcond=None)
    return 1 - (yv - X @ coef).var() / yv.var()
y = mo["電力量"].to_numpy()
n_days = wk.resample("MS").size().to_numpy()                   # 月の暦日数
wd = dd[wk]
res = []
for bc in range(14, 26, 2):
    for bh in range(8, 20, 2):
        cdd, hdd = degree_days(bc, bh)                         # (1) 月:全日の度日+稼働日数
        cw, hw = degree_days(bc, bh, only_work=True)           # (2) 月:稼働日の度日+暦日数+稼働日数
        Xd = np.column_stack([np.ones(len(wd)), np.clip(wd["気温"] - bc, 0, None),
                              np.clip(bh - wd["気温"], 0, None)])  # (3) 日:稼働日だけ
        res.append({"冷房の基準": bc, "暖房の基準": bh,
                    "月1": r2(np.column_stack([np.ones(12), cdd, hdd, mo["稼働日"]]), y),
                    "月2": r2(np.column_stack([n_days, mo["稼働日"], cw, hw]), y),
                    "日": r2(Xd, wd["電力量"].to_numpy())})
res = pd.DataFrame(res)
for col in ("月1", "月2", "日"):
    top = res.sort_values(col, ascending=False).head(3)
    print(col, "上位:", [(int(a), int(b), round(v, 4)) for a, b, v in zip(top["冷房の基準"], top["暖房の基準"], top[col])],
          " 冷房24・暖房10:", round(float(res[(res["冷房の基準"] == 24) & (res["暖房の基準"] == 10)][col].iloc[0]), 4))
cdd, hdd = degree_days(18, 14)
print("基準 冷房18℃・暖房14℃の月別の度日(℃・日):")
print(pd.DataFrame({"冷房度日": cdd.values, "暖房度日": hdd.values}, index=mo.index).round(1).T.to_string())
回帰R2 が最も高かった基準2番目3番目冷房24℃・暖房10℃の場合
月の単位の回帰1(12か月)冷房14℃・暖房18℃:0.9697冷房20℃・暖房8℃:0.9689冷房20℃・暖房10℃:0.96800.8956
月の単位の回帰2(12か月)冷房18℃・暖房12℃:0.9995冷房18℃・暖房10℃:0.9988冷房14℃・暖房18℃:0.99860.8879
日の単位の回帰(稼働日)冷房18℃・暖房12℃:0.9952冷房14℃・暖房18℃:0.9899冷房18℃・暖房10℃:0.98840.6944

表の冷房14℃・暖房18℃は、冷房の基準が暖房の基準より低い組み合わせで、後で述べるとおり建物の振る舞いとしては意味が薄いものです。

月の単位の回帰1では、上位の組み合わせの R2 の差は 0.002 未満で、上位の基準も冷房14℃から20℃まで散らばり、基準の温度の違いをほとんど見分けられませんでした。一方、同じ12か月の記録でも、説明に使う量の構造をこの架空のビルの作り方に合わせた回帰2では、冷房18℃・暖房12℃が R2 0.9995 で最も高く、日の単位の回帰と同じ基準を選びました。日の単位の回帰でも、冷房18℃・暖房12℃の R2 が 0.9952 と最も高く、基準を冷房24℃・暖房10℃にずらすと 0.6944 まで下がりました。この結果から言えるのは、この架空データでは、基準の温度を見分けられるかどうかは、月か日かという粒度だけでなく、回帰の式の構造(休業日の扱い、暦日数を入れるかどうか)にも左右された、ということです。ただし回帰2は、12か月分の点に4つの係数を当てはめており、建物の作り方を知っている合成データだから構造を合わせられた面があります。実際の建物では正しい構造が分からないので、日の単位の記録があれば、それで基準の温度を確かめるほうが確かめやすいと考えています。なお、冷房14℃・暖房18℃のように、冷房の基準が暖房の基準より低い組み合わせは、14℃を超え18℃未満の気温で冷房側と暖房側の両方の項が正になる組み合わせで、建物の振る舞いとしては意味が薄い組み合わせです。R2 の高さだけで基準を選ばず、組み合わせが自然かどうかも確かめます。

この架空のビルでは、空調はその時刻の外気温が20℃を超えると冷房、14℃を下回ると暖房の負荷が出るように作りました。それでも日の単位で最もよく当てはまった基準は、冷房18℃・暖房12℃と、それぞれ2℃低くなっています。日平均気温は夜間の低い気温を含むので、空調が動く昼の時間帯の気温より低くなるためと考えられますが、この確認ではその内訳までは調べていません。基準の温度は2℃刻みでしか比べていないので、2℃という差の大きさは目安です。度日の基準の温度は、設定温度そのものではなく、日平均気温で数えたときに空調の負荷が出始める点で、建物ごとにデータから確かめる値です。基準を冷房18℃・暖房14℃とした場合の月別の度日は、冷房度日が7月 272.2℃・日、8月 271.4℃・日、暖房度日が1月 255.3℃・日でした。

度日は、月の請求書しか無い事業所でも、気象の記録さえあれば計算できる点が実務での利点です。一方で、日平均気温だけを使うので、昼と夜の気温差、湿度、日射の違いは表せません。度日で補正した原単位で前年と比べる方法と、その限界は第5章で、日ごとの回帰で変化点そのものを推定する方法は第3章で扱います。

データの品質の点検表、月次の請求書しか無いときにできること、個人の情報にあたる記録

ここまでの計算を、分析を始める前の点検の手順としてまとめます。次の表は、30分値と気象・稼働の記録を受け取ったときに、最初に確かめる項目です。

点検の項目確かめ方見つかったときの対応
単位列の単位が kWh か kW か、計器の倍率が掛かっているかkWh で記録された30分値は2倍して需要電力(kW)にする。kW で記録されたものは2倍しない。倍率を確かめる
時刻の意味コマの始まりか終わりか、タイムゾーンコマの始まりにそろえる。日本時間にそろえる
コマの数1日48コマそろっているか、重複が無いか欠けた時刻を欠測として明示する。重複は出どころを確かめる
請求書との突き合わせ請求書の対象の期間(暦月と一致するとは限らない)で集計した合計と、請求書の電力量。請求書に最大需要電力が載っている場合は、月の最大とも合わない月は計測の範囲・倍率・欠測を確かめる
欠測と不具合の候補欠測・0・同じ値の連続・値の飛びの件数候補として印を付け、運転の記録などと照合し、計測の不具合と確かめられた値だけを分析用に補完する。元の記録は残し、補完の印を付ける。請求や制度上の算定に使う値の扱いは、契約と制度の取り決めで確かめる
月の最大の日時最大需要電力が出た日時が稼働の時間帯として自然かその日のロードカーブを目で確かめる
休業日の印稼働日と休業日の区別が記録と合っているか休業日の昼に稼働の負荷が出ていないかを見る
気象の地点と時刻気象の観測の地点が事業所に近いか、時刻の粒度がそろっているか地点の選び方を記録に残す。粒度をそろえてから結合する

30分値が手に入らず、月の請求書しか無い場合もあります。その場合でも、できることはあります。月の電力量を12か月以上並べれば、季節の形は分かります。請求書に月の最大需要電力が載っている契約の場合は、それも並べれば、最大需要電力が出やすい季節も分かります。請求書にどの項目が載るかは、契約の種別と契約先によって違うので、手元の請求書で確かめる事項です。気象庁の記録から月の度日を計算すれば、月の電力量のうち気温によって変わる分のおおまかな大きさも見積もれます。一方で、最大需要電力がいつ・どの設備で出たのか、夜間や休日のベース負荷がどれだけあるのか、立ち上がりの時刻が早すぎないか、といった運転の見直しにつながる情報は、月の値からは分かりません。

判断したいこと月の請求書だけでできるか30分値があればできること
費用のうち基本料金と電力量料金のどちらが大きいか内訳が載っていればできる同じ
季節ごとの使用量の形できる(12か月以上並べる)日の単位で、気温との関係まで見られる
気温による増減の大きさおおまかにできる(度日との回帰)日の単位の回帰で、基準の温度まで推定できる
最大需要電力が出た日時と原因できない日時が分かる。設備の計測があれば原因の設備まで追える
夜間・休日のベース負荷できない休業日のロードカーブから分かる
運転のスケジュールのずれできない立ち上がりと立ち下がりの時刻から分かる
対策の効果の見積り(第5章)月の単位でも見積もれる。幅は記録の期間やモデルの誤差による日の単位で稼働の違いを表しやすい。幅が小さくなるかは確かめが要る

最後に、在室や入退室の記録を使う場合の注意です。原単位の分母や、空調の負荷の説明に、在室の人数や入退室の記録を使いたくなることがあります。このとき注意が要るのは、記録が個人の情報にあたる場合です。個人情報の保護に関する法律の第2条第1項は、「個人情報」を、生存する個人に関する情報で、氏名・生年月日などの記述により特定の個人を識別できるもの(他の情報と容易に照合して識別できるものを含む)や、個人識別符号が含まれるものと定めています(e-Gov 法令検索「個人情報の保護に関する法律」)。社員証による入退室の記録のように、誰がいつどこにいたかが分かる記録は、これにあたる可能性があります。

エネルギーの分析に要るのは、多くの場合、誰がいたかではなく、何人いたかです。フロアや区画ごと、30分ごとの人数に集計した値を受け取れば、分析の目的は果たせることが多いように思います。どの記録が個人情報にあたるか、利用の目的との関係でどう扱うかは、個別の事情で変わるので、社内の個人情報の担当や、個人情報保護委員会の公表している資料、専門家に確かめる事項です。データの管理の体制の一般論は、弊社コラム『データガバナンスの実践ガイド、DMBOKの知識領域から自社の体制づくりまで』で扱っています。

経営の判断:データの粒度を、使い道から逆に決める

データの取り方を誤ったときの経営上の損失は、序章で整理した6つの型のうち、主に4つに表れます。1つ目は払いすぎで、30分値を見ていないために、契約電力の決まり方によっては(第1章)1コマの高い需要電力がその後の基本料金に反映されることに気づかない場合です。2つ目は効果の数え違いで、この章の原単位の例のように、稼働日や気温の違いによる増減を対策の効果や悪化と読み、投資や継続の判断を誤る場合です。3つ目は形骸化で、計測点を増やしてダッシュボードを作ったものの、誰がどの判断に使うかが決まっておらず、設定や運転の見直しにつながらない場合です。4つ目は制度上の義務の不履行で、エネルギーの使用の報告のような法令上の義務がある制度が自社(多くの場合は事業所ではなく事業者の単位で判断されます)に当てはまる場合に、報告する値の根拠を記録から説明できず、報告や管理の体制の整備に支障が出る場合です。法令上の義務・努力義務・任意の取り組み・契約上の義務のどれにあたるか、自社に当てはまるかどうかの判断は第14章で扱います。

これを避けるには、データの粒度と取り方を、使い道から逆に決めるのがよいと考えています。次の表は、使い道ごとに要る粒度と、それを誰が持ち、誰が点検するかの目安です。

使い道要る粒度主なデータ関わる部署の例扱う章
料金の構成の把握月請求書経理・総務第1章
需要の予測30分または1時間30分値・気象(予報を含む)・稼働の予定施設管理・データ分析第3章・第4章
省エネの効果の見積り日(少なくとも月)30分値・気象の実績・稼働や生産の実績施設管理・サステナビリティ・財務第5章
最大需要電力の管理30分、コマの途中の監視には1分程度受電の点の記録・設備の計測施設管理・電気主任技術者第6章
空調・熱源の運転の見直し設備ごとの数分から30分設備の計測・運転の記録・室温施設管理・設備の保守の事業者第7章・第8章
異常の検知と監視30分から1日30分値・設備の計測・予測との差施設管理・データ分析第12章

表の粒度は本コラムで置いた目安で、事業所の規模や設備によって変わります。表の電気主任技術者は、事業所の電気設備の保安の監督を担う有資格者です(第14章)。経営として決めておきたいのは、どの使い道を優先するか、そのためにどの粒度のデータを、誰が、どこまで取り、誰が点検するかです。計測点を増やすことは目的ではなく、どの判断にどの記録を使うかが先に決まっていれば、必要な計測点の数は自然に絞られます。KPI としては、データの欠測率(月ごとの欠測のコマの割合)、請求書との差、補完したコマの割合、点検の手順を回した月の割合のように、データそのものの品質を表す指標を、使用量の指標とは別に持っておくと、分析の前提が崩れていないかを継続して確かめられます。予算の面では、新しい計測点の設置と同じだけ、既にある記録の棚卸しと点検の手順づくりに手間を割くことが、後の章の予測・効果の見積り・最適化の誤りを減らす近道になると考えています。

この章では、エネルギーのデータの種類と経路、単位と時刻の落とし穴を整理し、架空の30分値で、集計・ロードカーブ・不具合の検出と補完・気温との関係・原単位・度日を確かめました。1コマの計測の誤りが月の最大需要電力として残ること、原単位は分母の選び方で増減の向きまで変わること、度日の基準の温度はデータから確かめる値で、見分けられるかどうかは粒度と回帰の式の構造に左右されることが要点です。第3章では、この章で見た気温と使用量の折れ曲がる関係を、回帰のモデルとして当てはめ、需要の予測に使います。

この章を深めたい方への参考書籍

『改訂新版 前処理大全 SQL/pandas/Polars実践テクニック』(本橋智光・橋本秀太郎、技術評論社):データ分析の前処理の技法を、BigQuery の SQL・pandas・Polars のそれぞれで解説した本です。この章で扱った集計・欠測の扱い・結合のような、分析の前の作業を、道具ごとにどう書くかを確かめるのに向いています。30分値と気象・稼働の記録を同じ時刻の軸にそろえる作業の手引きとして使えます。

『Pythonによるデータ分析入門 第3版 pandas、NumPy、Jupyterを使ったデータ処理』(Wes McKinney 著、瀬戸山雅人・小林儀匡 訳、オライリー・ジャパン):この章のコードで使った pandas と NumPy によるデータの処理を解説した本です。日時の索引を持つデータの扱いや、集計の関数のふるまいを確かめるときの参照先になります。欠測を、知らせずに除いて足す、といった集計の関数の挙動を理解しておくと、この章で見た月の合計の誤りを防ぎやすくなります。

第3章 電力需要の予測、気温と曜日で説明する回帰モデル

第2章では、30分値(30分ごとの電力量 kWh の記録)を外気温と稼働の記録にそろえ、日平均気温と日別の使用量の散布図が、ある温度を境に折れ曲がる形になることを確かめました。この章では、その折れ曲がる関係を回帰モデルとして書き下し、事業所の電力需要の予測に使う方法を扱います。

扱う内容は次のとおりです。中ほどでは、他の章とは独立に作った架空の事務所ビルの2年分の30分値を使い、実行したコードと結果で確かめます。

  • 予測の使い道と、使い道ごとに要る粒度(30分値か日別か)と先の長さ(翌日か翌月か翌年か)
  • 電力需要を決める要因と、それが予測の時点で手に入るかどうか
  • 気温と使用量の折れ曲がる関係を表す回帰モデルと、その係数の推定
  • 休業日と曜日の項、時刻ごとの回帰による30分値の予測
  • 時間で切った評価と、前週や前年の値をそのまま使う単純な基準との比較
  • 残差の点検、日射と湿度を足す場合、気温の予報の誤差が予測に伝わる大きさ
  • 係数の読み方と経営への翻訳、学習の期間の選び方、経営の判断

この章の主張は、予測のモデルを作る前に、何のための予測かと、どれだけの誤差なら使えるかを決めておくべきだ、という点です。同じモデルでも、翌日の運転の計画に使うのか、年度の予算に使うのか、省エネの効果を測るベースラインに使うのかで、求められる粒度・先の長さ・誤差の許容範囲が違います。本コラムの架空データでは、気温と曜日で説明する回帰モデルは、前週や前年の値をそのまま使う単純な基準より誤差が小さくなりました。一方で、翌日の予測に予報の気温を使うと、日別の誤差は気温が完全に分かっている場合の約2.5倍に増えました。

予測の使い道と、使い道ごとに要る粒度と先の長さ

電力需要の予測は、使い道によって形が変わります。翌日の空調や設備の運転を組むなら、翌日の30分値(または需要電力 kW)の予測が要ります。最大需要電力が高くなりそうな日に注意を促す警報なら、日ごとの最大の需要電力を前日か当日の朝に見積もる必要があります。契約電力の見直しや年度の予算では、月ごとの電力量(kWh)と最大需要電力(kW)を1年先まで、天候が平年並みならどうなるかという形で見積もります。省エネの効果を測るベースラインでは、対策をしなかった場合の使用量を、対策後の実際の気温と稼働の条件に当てはめて求めます。

使い道ごとに、要る粒度と先の長さ、そして入力に使える気温の種類が違います。翌日の予測で使える気温は予報の気温で、その日の実績の気温はまだ分かりません。これに対して、省エネの効果を測るベースラインは事後に求めるので、実績の気温を使えます。予算のように1年先を見積もる場合は、気温の予報が無いので、平年並みの気温や過去の年の気温を当てはめた場合の値を幅として示すことになります。

使い道要る粒度先の長さ入力に使える気温見るべき誤差
翌日の運転の計画30分値(kWh)か需要電力(kW)翌日予報の気温時間帯ごとの誤差・稼働の時間帯の誤差
ピークの警報日ごとの最大需要電力(kW)前日から当日の朝予報の気温需要の大きい日の誤差・見逃し
契約の見直し月ごとの最大需要電力(kW)1年平年並みの気温・過去の年の気温暑い年や寒い年での上振れの幅
年度の予算月ごとの電力量(kWh)と最大需要電力(kW)1年平年並みの気温・過去の年の気温年間の合計の誤差と幅
省エネの効果のベースライン日別・月別の電力量(kWh)事後実績の気温対策の前の期間での当てはまりと、削減量の幅(第5章)

この表のどの行にあたるかで、同じ誤差の数字の意味が変わります。日別の誤差が平均で3%でも、年度の予算には十分なことがあり、ピークの警報には足りないことがあります。予測の精度を議論する前に、どの行の目的で作るのかを決めておくことが、この章の出発点です。最大需要電力の管理は第6章、省エネの効果のベースラインは第5章で扱います。

電力需要の予測の入力からモデルを経て使い道へつながる流れの図。暦・稼働の予定・気温(予報または実績)、回帰モデル、30分値と日別の予測、運転の計画・ピークの警報・予算・省エネの効果のベースライン の箱を矢印でつないでいる

電力需要を決める要因と、予測の時点で手に入るかどうか

事業所の電力需要は、いくつかの要因の重ね合わせとして考えると整理しやすくなります。夜間や休業日にも続けて使っている電力があり、本コラムではこれをベース負荷と呼びます。ベース負荷は完全に一定とは限らず、冷蔵やサーバのように必要な分と、止め忘れのように減らせる分の両方を含みます。そこに、始業から終業までの照明・情報機器・生産設備などの稼働の負荷が乗り、さらに、外気温に応じて冷房と暖房の負荷が乗ります。

要因ごとに、予測の時点で手に入るかどうかが違います。暦と稼働の予定は前もって分かることが多い一方、気温・湿度・日射は予報でしか分かりません。在室の人数や生産量は、予定があればそれを使えますが、予定と実績がずれることがあります。

要因使用量への効き方翌日の予測の時点で手に入るかこの章の例題での扱い
暦(曜日・休業日)稼働の有無と、曜日ごとの差手に入る(休業の予定)架空の休業日のフラグと曜日の項
稼働の時間帯始業から終業までの負荷手に入る(運転の予定)8時から20時に固定
気温冷房と暖房の負荷。折れ曲がる関係予報の気温だけ日平均気温の折れ線の項
湿度冷房の除湿の負荷予報だけ合成データには効果を入れていない
日射窓からの日射による冷房の負荷予報だけ合成データに効果を入れた
在室の人数内部の発熱・換気・機器の使用予定なら手に入る扱っていない
生産量生産設備の負荷(工場)生産の計画なら手に入る扱っていない(事務所ビルの例題)

この表の3列目が、予測のモデルの入力を選ぶときの基準になります。学習の段階では実績の値がすべてそろっているので、実績の気温や実績の在室の人数を入力にしたモデルを作れます。しかし、そのモデルを翌日の予測に使うときには、実績の代わりに予報や予定を入れることになります。予測の時点で手に入らない情報を学習や評価に混ぜると、成績が実際より良く見えます(情報の漏れ)。この章では、気温を実績で入れた場合と予報で入れた場合を、最後まで分けて示します。

気温と使用量の折れ曲がる関係と、変化点のある回帰モデル

冷房と暖房の負荷は、外気温がある温度を超えると冷房が、ある温度を下回ると暖房が効き始めるので、日平均気温と日別の使用量の関係は、谷のように折れ曲がる形になります。冷房も暖房も要らない温度帯では使用量はほぼ平らで、そこから外れるほど使用量が増えます。気温が1℃変わったときの使用量の変化を、回帰で見積もった値を、本コラムでは気温感応度と呼びます。気温感応度は、冷房側と暖房側で別の値になり、何の量の値かで単位が変わります。この章で扱うのは日の使用量(kWh/日)の気温感応度で、単位は kWh/℃/日です。冷房側は気温が1℃上がったときの日の使用量の増加、暖房側は気温が1℃下がったときの日の使用量の増加を表します。需要電力(kW)の気温感応度(kW/℃)とは別の値です。

この関係を表すのが、変化点のある回帰モデルです。本コラムでは、いくつかの直線をつないだ形で当てはめる回帰を折れ線回帰と呼びます。日平均気温を \(T\)、日別の使用量を \(E\) とすると、本章で使う形は次のとおりです。

\( E = a + b_h \max(T_h – T, 0) + b_c \max(T – T_c, 0) \)

言葉で言い換えると、気温が暖房の変化点 \(T_h\) と冷房の変化点 \(T_c\) のあいだにある日は使用量が \(a\) で一定で、\(T_c\) を1℃上回るごとに \(b_c\)(冷房側の気温感応度)、\(T_h\) を1℃下回るごとに \(b_h\)(暖房側の気温感応度)だけ増える、という式です。ここで、予測に使う入力を説明変数、入力が複数ある回帰を重回帰と呼びます。変化点が決まっていれば、\(\max(\cdot)\) の2つの項を説明変数とする普通の重回帰になるので、係数は、実績と式の値の差(残差)の二乗の和が最も小さくなるように決める方法(最小二乗法)で求まります。変化点は、候補を格子状に並べてすべて試し、残差の二乗の和が最も小さい組を選びます。回帰の一般論は弊社コラム『ビジネスの要因分析に効く回帰分析と統計モデリングについて』で扱っています。

この式の考え方は、改修の前後の使用量を気温の違いで補正する目的で、計測と検証の分野で使われてきました。例えば、Kissock、Reddy、Claridge の1998年の論文は、業務用の建物の改修による削減量を、外気温だけを説明変数とする回帰で見積もる手順を示した論文で、要旨によれば、削減量の不確かさの近似の求め方と、よくある空調の方式に応じた直線のモデルと変化点のあるモデルの使い分けを扱っています(本コラムでは書誌と要旨を確かめた範囲です)。

また、米国の空調の学会である ASHRAE は、改修の前後の計量の記録から電力量・需要電力・水の削減量を求める手順を示す指針として、指針14を出しています。その2023年版に対して、2025年10月29日に、題名と目的に計測と検証を明記する追補 a が承認されています。本コラムでは、指針14の本文を開いて変化点のあるモデルの記述を確かめてはいないため、その中身には立ち入りません。削減量の測り方は第5章で扱います。

折れ線の形は、建物と空調の方式で変わります。冷房だけが効く建物では、谷の片側だけの形(変化点が1つ)になり、冷房と暖房の変化点が同じ温度にそろう建物では、平らな区間の無いV字の形になります。式の形を先に1つに決めず、散布図を見て、平らな区間があるか、片側だけかを確かめてから選ぶのがよいと考えています。

架空の事務所ビルの2年分の30分値を作る

ここからは、コードで確かめます。この章のデータは、他の章とは独立に作った架空の合成データで、実際の事業所の記録よりずっと単純です。合成データでの予測の成績は、実際の事業所での成績の目安にはなりません。示したいのは、モデルの組み立て方と、評価の仕方で見え方がどう変わるかという点です。コードは Python 3.14.3 と numpy 2.4.3・pandas 3.0.1 で実行し、グラフは matplotlib 3.10.8 と japanize-matplotlib 1.1.3 で描きました(グラフを描く部分のコードは掲載を省きました)。乱数の種は20261117に固定しています。

架空の事務所ビルA(以下、ビルA)の2年分(730日)の30分値(kWh)を、次の性質を持たせて作りました。0日目を真冬とし、日にちは実在の暦とは対応させていません。

  • 日平均気温:季節の波(最低はおよそ6℃、最高はおよそ26℃)に、前日と相関する日ごとのばらつきを足した。実績は 0.6℃から30.5℃の範囲になった
  • 暦:7日の周期の架空の曜日を作り、週末と、平日の約4%の架空の休業日を休業日とした。休業日は224日になった
  • ベース負荷:50 kW。1コマ(0.5時間)あたり 25 kWh
  • 稼働の負荷:平日は 1,200 kWh/日を8時から20時に割り振る。月曜は3%多く、金曜は5%少ない。休業日は平日の10%
  • 冷房と暖房:日平均気温が18℃を超えると 90 kWh/℃/日、13℃を下回ると 70 kWh/℃/日で増える。冷房は26℃を超えるとさらに増える(2乗の項)。休業日は平日の25%
  • 日射:0から1の指標を日ごとに作り、気温の帯によらず、すべての稼働日の空調の負荷に ±100 kWh/日までの補正を足す(日射の指標が0.5より小さい日は負の補正)。冷房の季節に限った効果ではない、便宜的な作り方である。湿度も作ったが、使用量には効かせていない
  • 30分ごとの小さな揺らぎと、欠測を少し(9コマ)入れた

このデータでは、30分値の最大は 168.3 kWh でした。30分値(kWh)を時間の幅の0.5時間で割った値がその30分の平均の電力なので、需要電力にすると 337 kW です。ビルAには太陽光発電も蓄電池も無いので、この例題では受電点で受ける電力(受電電力)と、建物の中の設備が使う電力(需要)は同じです。30分値は、コマの始まりの時刻で番号を付けています(0番目のコマは0時から0時30分、47番目のコマは23時30分から24時)。日別の使用量の平均は 2,338 kWh/日でした。欠測を含む9日は、日別の集計から外しました。欠測の補完の方法は第2章で扱っています。

import sys, io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding="utf-8")
import numpy as np
import pandas as pd

# ---- 架空の事務所ビルAの2年分の30分値(kWh)と外気温を合成する ----
SEED = int(sys.argv[1]) if len(sys.argv) > 1 else 20261117
rng = np.random.default_rng(SEED)
N_DAYS, SLOTS, DT = 730, 48, 0.5           # 2年分・1日48コマ・1コマ0.5時間
d = np.arange(N_DAYS)
dow = d % 7                                 # 0〜4を平日、5・6を週末とする架空の曜日
holiday = (dow >= 5) | (rng.random(N_DAYS) < 0.04)   # 週末と、架空の休業日(平日の約4%)
season = 16 - 10 * np.cos(2 * np.pi * (d - 20) / 365)  # 0日目を真冬とした季節の波(℃)
noise = np.zeros(N_DAYS)
for i in range(1, N_DAYS):                  # 日ごとのばらつき(前日と相関する)
    noise[i] = 0.7 * noise[i - 1] + rng.normal(0, 1.8)
temp = season + noise                       # 日平均気温の実績(℃)
solar = np.clip(rng.beta(2, 2, N_DAYS), 0, 1)   # 日射の指標(0〜1。晴れほど大きい)
humid = 60 + 0.8 * (temp - 16) + rng.normal(0, 8, N_DAYS)  # 湿度(%)。使用量には効かせない

# 真の関係(日別、kWh/日):ベース負荷50kW×24時間、稼働日の負荷、冷房と暖房の折れ線
TC, TH, BC, BH = 18.0, 13.0, 90.0, 70.0     # 冷房・暖房の変化点(℃)と傾き(kWh/℃/日)
work = (~holiday).astype(float)
dow_f = np.array([1.03, 1.0, 1.0, 1.0, 0.95, 1.0, 1.0])[dow]   # 曜日の差(月曜やや多く金曜やや少ない)
cool = BC * np.maximum(temp - TC, 0) + 4.0 * np.maximum(temp - 26, 0) ** 2  # 26℃超で傾きが増す
heat = BH * np.maximum(TH - temp, 0)
hvac_day = (cool + heat) * np.where(holiday, 0.25, 1.0) + 200 * (solar - 0.5) * work
occ_day = 1200 * dow_f * np.where(holiday, 0.1, 1.0)
true_day = 50 * 24 + occ_day + hvac_day     # 真の日別の使用量(kWh/日)

# 30分値に割り振る:稼働の時間帯(8時〜20時)に負荷と空調を寄せる
h = (np.arange(SLOTS) + 0.5) * DT
occ_shape = ((h >= 8) & (h < 20)).astype(float); occ_shape /= occ_shape.sum()
hvac_shape = np.exp(-((h - 14) / 4.0) ** 2) * ((h >= 7) & (h < 21)); hvac_shape /= hvac_shape.sum()
kwh = (50 * DT + np.outer(occ_day, occ_shape) + np.outer(hvac_day, hvac_shape))
kwh = kwh * rng.lognormal(0, 0.04, kwh.shape)       # 30分ごとの揺らぎ
miss = rng.random(kwh.shape) < 0.0005                # 欠測を少し入れる
kwh[miss] = np.nan
df = pd.DataFrame({"day": d, "dow": dow, "holiday": holiday, "temp": temp,
                   "solar": solar, "humid": humid,
                   "kwh_day": np.where(np.isnan(kwh).any(axis=1), np.nan, kwh.sum(axis=1))})
print(f"日数 {N_DAYS}・休業日 {holiday.sum()} 日・欠測のコマ {miss.sum()} 個・欠測を含む日 {df.kwh_day.isna().sum()} 日")
print(f"日平均気温 最低 {temp.min():.1f}℃ 最高 {temp.max():.1f}℃")
print(f"日別の使用量 平均 {df.kwh_day.mean():.0f} kWh/日、30分値の最大 {np.nanmax(kwh):.1f} kWh(需要電力 {2*np.nanmax(kwh):.0f} kW)")

コードの中の空調の負荷は、日平均気温の折れ線の項に、稼働日の日射の補正を足しただけの形で作りました。日射の補正は気温の帯によらず正にも負にもなるので、冷房も暖房も要らない温度帯の稼働日には、空調の負荷の変数は負の値になりえます(例えば日平均気温15℃・日射の指標0.25の稼働日は -50 kWh/日。その場合も、ベース負荷と稼働の負荷を足した使用量は正です)。実際の建物では、同じ日平均気温でも、日中の最高気温・前日からの蓄熱・日射・湿度・在室の人数で空調の負荷が変わります。合成データの単純さは、この後の予測の誤差が小さく出る理由の1つです。

日別の使用量を折れ線回帰で当てはめる

最初に、学習の期間(0日目から546日目)の平日だけを使って、日平均気温と日別の使用量の折れ線回帰を当てはめました。休業日を混ぜると、使用量の水準が違う2つの群が重なって折れ線が崩れるので、まず平日だけで形を確かめます。変化点の候補は、暖房側を8℃から20℃、冷房側を暖房側の値から24℃まで、0.5℃刻みで並べました。続けて、全部の日を使い、休業日の項と曜日の項を足したモデルも当てはめています。

# ---- 日別の使用量を気温の折れ線回帰で当てはめる(変化点は格子で探す) ----
TRAIN_END = 547                             # 0〜546日目で学習、547〜729日目(最後の183日)で評価
tr = df[(df.day < TRAIN_END) & (~df.holiday) & df.kwh_day.notna()]

def design(t, th, tc):
    return np.column_stack([np.ones_like(t), np.maximum(th - t, 0), np.maximum(t - tc, 0)])

best = None
for th in np.arange(8.0, 20.01, 0.5):
    for tc in np.arange(th, 24.01, 0.5):
        X = design(tr.temp.values, th, tc)
        coef, *_ = np.linalg.lstsq(X, tr.kwh_day.values, rcond=None)
        sse = ((tr.kwh_day.values - X @ coef) ** 2).sum()
        if best is None:
            best = (sse, th, tc, coef)
        elif sse < best[0]:
            best = (sse, th, tc, coef)
sse, th_hat, tc_hat, cf = best
print("\n[平日だけの折れ線回帰] 推定値(真の値)")
print(f"  気温の影響が無い温度帯の使用量 {cf[0]:.0f} kWh/日({50*24+1200:.0f}。曜日の平均で少し下がる)")
print(f"  暖房の変化点 {th_hat:.1f}℃({TH})、暖房側の傾き {cf[1]:.1f} kWh/℃/日({BH})")
print(f"  冷房の変化点 {tc_hat:.1f}℃({TC})、冷房側の傾き {cf[2]:.1f} kWh/℃/日({BC}。26℃超はさらに増す)")

# ---- 休業日と曜日の項を足し、全部の日で当てはめる ----
def design_all(sub, th, tc):
    t, hol = sub.temp.values, sub.holiday.values.astype(float)
    hd, cd = np.maximum(th - t, 0), np.maximum(t - tc, 0)
    wk = 1 - hol
    cols = [np.ones_like(t), hol, hd, cd, hol * hd, hol * cd]
    for k in [0, 1, 3, 4]:                  # 水曜を基準にした平日の曜日の差
        cols.append(wk * (sub.dow.values == k))
    return np.column_stack(cols)

tr_all = df[(df.day < TRAIN_END) & df.kwh_day.notna()]
X_all = design_all(tr_all, th_hat, tc_hat)
b_all, *_ = np.linalg.lstsq(X_all, tr_all.kwh_day.values, rcond=None)
res_tr = tr_all.kwh_day.values - X_all @ b_all
print("\n[休業日と曜日の項を足した日別のモデル]")
print(f"  平日(水曜)の気温の影響が無い温度帯 {b_all[0]:.0f} kWh/日、休業日はそこから {b_all[1]:.0f} kWh/日")
print(f"  休業日の冷房側の傾き {b_all[3]+b_all[5]:.1f}、暖房側の傾き {b_all[2]+b_all[4]:.1f} kWh/℃/日(真の値 {0.25*BC:.1f}・{0.25*BH:.1f})")
print("  曜日の差(水曜との差)kWh/日 月 {:.0f} 火 {:.0f} 木 {:.0f} 金 {:.0f}".format(*b_all[6:10]))
kwh_tr = kwh[:TRAIN_END]
mild_hol = (df.holiday.values[:TRAIN_END]) & (df.temp.values[:TRAIN_END] > th_hat) & (df.temp.values[:TRAIN_END] < tc_hat)
night = kwh_tr[mild_hol][:, 0:10]           # 休業日・0時〜5時・暖冷房の要らない温度帯
print(f"  ベース負荷の推定 {np.nanmean(night) / DT:.1f} kW(真の値 50 kW)")

結果は次の表のとおりです。合成データなので、推定した値を合成に使った真の値と比べられます。

推定したもの推定した値合成に使った真の値
気温の影響が無い温度帯の平日の使用量2,406 kWh/日2,400 kWh/日(曜日の平均ではわずかに少ない)
暖房の変化点13.0℃13.0℃
暖房側の気温感応度69.2 kWh/℃/日70.0 kWh/℃/日
冷房の変化点18.5℃18.0℃
冷房側の気温感応度96.5 kWh/℃/日90.0 kWh/℃/日(26℃を超えるとさらに増える)
ベース負荷(休業日の0時から5時、暖冷房の要らない温度帯の日)49.9 kW50 kW
学習の期間の平日の日平均気温と日別の使用量の散布図に、推定した折れ線と合成に使った真の関係を重ねたグラフ

上の散布図は、学習の期間の平日の実績に、推定した折れ線と、合成に使った真の関係を重ねたものです。暖房側は変化点も気温感応度も真の値に近く推定できました。冷房側は、変化点が0.5℃高く、気温感応度が真の値より大きく出ました。合成データには、26℃を超えると冷房の負荷がさらに増える2乗の項を入れてあり、折れ線は直線なので、暑い日に上向く分を、変化点を少し右に寄せて傾きを大きくすることで吸収したと読めます。乱数の種を変えた10回の繰り返し(掲載したコードを、乱数の種を20261117と1から9に変えて10回実行し、主な行を集めたもの。この章でいう「10回の繰り返し」はすべてこの方法です)でも、冷房側の気温感応度は 89.9 から 96.5 kWh/℃/日で、10回のうち9回は真の値の90を上回りました。モデルの形が実際の関係と違うと、係数は「真の気温感応度」ではなく「そのモデルの形で当てはめた場合の平均的な傾き」になります。この点は、後で係数を経営の言葉に翻訳するときに効きます。

休業日と曜日の項を足した全部の日のモデルでは、気温の影響が無い温度帯では、休業日の使用量は平日(水曜)より 1,095 kWh/日少なく(合成に使った差は 1,080 kWh/日)、休業日の冷房側と暖房側の気温感応度は 23.6 と 17.0 kWh/℃/日(真の値は 22.5 と 17.5)と推定されました。曜日の差は、水曜と比べて月曜が 25 kWh/日多く、金曜が 67 kWh/日少なく、火曜と木曜は 10 kWh/日未満の差でした。合成に使った曜日の差は、月曜が稼働の負荷の3%(36 kWh/日)多く、金曜が5%(60 kWh/日)少ないというもので、方向は読み取れています。ベース負荷は、休業日の夜間の30分値の平均を2倍して(0.5時間で割って)kW に直し、49.9 kW と推定できました。

時刻ごとの回帰で30分値を予測する

日別のモデルだけでは、翌日の運転の計画やピークの警報には足りません。30分値を予測する簡単な方法として、1日の48コマのそれぞれに別の回帰式を当てはめる、時刻ごとの回帰を使いました。説明変数は日別のモデルと同じで、次の10個です。

  • 定数と、休業日の項
  • 暖房側と冷房側の折れ線の項(2つ)
  • 休業日と、暖房側・冷房側の折れ線の項との掛け合わせ(2つ)
  • 平日の曜日の項(月・火・木・金の4つ。水曜が基準)

変化点は日別のモデルで推定した 13.0℃と 18.5℃を使いました。コマごとに係数が違うので、時間帯によって気温の効き方が違うことを表せます。この合成データでは空調の負荷を7時から21時のあいだに割り振っているので、その時間帯のコマで気温の項が効き、深夜のコマではほとんど効かない形を、データから学ぶことになります。

この例題の予測は、前日に、翌日の0時から24時までの48コマの30分値(kWh)を見積もるものとします。翌日の予測で使う気温は、予報の気温です。本章の例題では、日平均気温の実績に、平均0・標準偏差1.5℃の正規分布の誤差を足したものを、前日に出た予報の気温とみなしました。この1.5℃は説明のために置いた値で、実在の予報の精度を表すものではありません。予報の精度は、気象の機関や予報の対象(日平均気温か最高気温か、何日先か)と季節で変わるので、実際に使う予報について確かめる必要があります。

# ---- 時刻ごとの回帰で30分値を予測する(コマごとに別の式) ----
def fit_slots(train_days, th, tc, extra=None):
    sub = df.iloc[train_days]
    X = design_all(sub, th, tc)
    if extra is not None:
        X = np.column_stack([X] + [sub[c].values for c in extra])
    B = np.zeros((SLOTS, X.shape[1]))
    for s in range(SLOTS):
        y = kwh[train_days, s]
        ok = ~np.isnan(y)
        B[s], *_ = np.linalg.lstsq(X[ok], y[ok], rcond=None)
    return B

def pred_slots(B, days, th, tc, temp_use, extra=None):
    sub = df.iloc[days].copy()
    sub["temp"] = temp_use
    X = design_all(sub, th, tc)
    if extra is not None:
        X = np.column_stack([X] + [sub[c].values for c in extra])
    return X @ B.T                          # 行が日、列がコマ(kWh)

train_days = np.arange(TRAIN_END)
test_days = np.arange(TRAIN_END, N_DAYS)
B = fit_slots(train_days, th_hat, tc_hat)
# 予報の気温:実績に、前日の予報の誤差(標準偏差1.5℃)を足したものとする
z = rng.normal(0, 1, N_DAYS)
SIG = 1.5
temp_fc = temp + SIG * z
P_true = pred_slots(B, test_days, th_hat, tc_hat, temp[test_days])     # 気温が完全に分かっている場合
P_fc = pred_slots(B, test_days, th_hat, tc_hat, temp_fc[test_days])    # 予報の気温を使う場合
print(f"\n[時刻ごとの回帰] 係数 {B.shape[1]} 個 × {SLOTS} コマ")
print(f"  48コマの係数の合計(平日の日の使用量の傾き)冷房側 {B[:, 3].sum():.1f}、暖房側 {B[:, 2].sum():.1f} kWh/℃/日")

学習には、学習の期間の日の実績の気温を使っています。学習の期間の気温は事後には分かっているので、これは情報の漏れにはあたりません。予測の段階で、評価の期間の実績の気温を入れた結果は「気温が完全に分かっている場合の値」で、翌日の予測の成績としては使えません。予報の気温を入れた結果が、翌日の予測で期待できる成績にあたります。

時間で切った評価と、単純な基準との比較

評価は、学習の期間より後の最後の183日(547日目から729日目)で行いました。日をランダムに選んで評価すると、評価の日の前後の日が学習に入り、季節の動きを知った状態で評価することになるので、時間で切っています。0日目を真冬として季節の波を作ったので、評価の期間は、2年目の暑さの盛り(季節の波の最高は567日目前後)の少し前から、次の真冬の少し前までにあたります。評価の期間の日平均気温は 0.7℃から30.5℃でした。

比べる相手として、2つの単純な基準を用意しました。1つは前週の同じ曜日の同じコマの値をそのまま使う方法、もう1つは364日前(52週前で、曜日がそろう日)の同じコマの値をそのまま使う方法です。どちらも、翌日の予測の時点で手に入る値だけを使っています。単純な基準は、予測モデルの成績を比べる相手であり、省エネの効果を測るためのベースライン(第5章)とは別のものです。なお、この2つの基準は、平日に入る架空の休業日(平日の約4%)が週や年によって入れ替わることには対応していません。前週の同じ曜日が休業日で翌日が平日なら、休業日の値をそのまま使うことになります。この点が誤差の差にどれだけ効いたかは、本コラムでは確かめていません。

誤差の指標には、MAE と MAPE を使いました。予測を \(\hat{y}_i\)、実績を \(y_i\)、件数を \(n\) とすると、\( \mathrm{MAE} = \frac{1}{n}\sum_i |\hat{y}_i – y_i| \)、\( \mathrm{MAPE} = \frac{100}{n}\sum_i \frac{|\hat{y}_i – y_i|}{y_i} \) です。MAE は誤差の絶対値の平均で、単位は元の値と同じ kWh です。MAPE は誤差を実績で割った割合の平均で、単位は%です。この式は実績が正の値の場合のもので、この例題の30分値はすべて正です。実績が0のコマでは定義できず、負の値になりうる量に使う場合は、少なくとも分母を実績の絶対値にする必要があります。MAPE は実績で割るので、実績が小さいコマでは、わずかな誤差でも割合が大きくなります。実績が0に近いコマがあると値が極端に大きくなるため、夜間の使用量がごく小さい事業所や、太陽光発電を差し引いた正味の需要では、MAPE だけで比べないほうがよいと考えています。需要の大きい日の誤差として、評価の期間の日別の使用量の上位10%の日(18日)の MAE も出しました。これは日の使用量(kWh)が多い日の予測の誤差で、最大需要電力(kW)の誤差ではありません。日の使用量が多い日と、短い時間の需要電力が高い日は一致するとは限らないので、ピークの警報に使えるかどうかは、最大需要電力の誤差と警報の見逃しで別に評価する必要があります(第4章・第6章)。

# ---- 時間で切った評価(最後の183日)と、単純な基準との比較 ----
Y = kwh[test_days]
naive_w = kwh[test_days - 7]                # 前週の同じ曜日の同じコマ
naive_y = kwh[test_days - 364]              # 前年の同じ曜日に当たる日(52週前)の同じコマ
ok = ~(np.isnan(Y).any(axis=1) | np.isnan(naive_w).any(axis=1) | np.isnan(naive_y).any(axis=1))
y_day = Y[ok].sum(axis=1)
peak = y_day >= np.quantile(y_day, 0.9)     # 評価の期間で使用量の大きい上位10%の日

def scores(P):
    e30 = P[ok] - Y[ok]
    ed = P[ok].sum(axis=1) - y_day
    return (np.abs(e30).mean(), (np.abs(e30) / Y[ok]).mean() * 100,
            np.abs(ed).mean(), (np.abs(ed) / y_day).mean() * 100, np.abs(ed[peak]).mean(), ed[peak].mean())

print(f"評価の日数 {ok.sum()} 日(うち使用量の大きい日 {peak.sum()} 日)")
print("方法 | 30分値MAE kWh | 30分値MAPE % | 日別MAE kWh | 日別MAPE % | 大きい日のMAE kWh | 大きい日の平均誤差 kWh")
for name, P in [("回帰(気温が完全に分かっている場合)", P_true), ("回帰(予報の気温)", P_fc),
                ("前週の同じ曜日", naive_w), ("前年の同じ曜日に当たる日", naive_y)]:
    print(name, "| " + " | ".join(f"{v:.1f}" for v in scores(P)))
print(f"使用量の大きい日の気温の予報の誤差の平均 {(temp_fc - temp)[test_days][ok][peak].mean():+.2f}℃"
      f"(評価の期間全体 {(temp_fc - temp)[test_days][ok].mean():+.2f}℃)")
t_pk, fe_pk = temp[test_days][ok][peak], (temp_fc - temp)[test_days][ok][peak]
e_t = (P_true[ok].sum(axis=1) - y_day)[peak]
e_f = (P_fc[ok].sum(axis=1) - y_day)[peak]
print(f"評価の期間の日平均気温 {temp[test_days][ok].min():.1f}℃〜{temp[test_days][ok].max():.1f}℃")
for lab, m in [("暑い日(18.5℃以上)", t_pk >= 18.5), ("寒い日(13℃未満)", t_pk < 13)]:
    print(f"使用量の大きい日のうち{lab} {m.sum()} 日:気温 {np.round(np.sort(t_pk[m]), 1).tolist()}℃、"
          f"予報の誤差の平均 {fe_pk[m].mean():+.2f}℃、日別の平均誤差 完全 {e_t[m].mean():+.1f} → 予報 {e_f[m].mean():+.1f} kWh")

欠測を含む日を除いた178日での結果は、次の表のとおりです。

方法30分値の MAE(kWh)30分値の MAPE(%)日別の MAE(kWh)日別の MAPE(%)需要の大きい日の MAE(kWh)
回帰(気温が完全に分かっている場合)1.73.431.41.251.3
回帰(予報の気温)2.44.378.23.1137.1
前週の同じ曜日5.710.3231.810.4404.0
前年の同じ曜日に当たる日5.69.8220.39.6470.6

本コラムの架空データでは、回帰は予報の気温を使った場合でも、2つの単純な基準より、どの指標でも誤差が小さくなりました。日別の MAE は、予報の気温を使った回帰で 78.2 kWh、前週の同じ曜日で 231.8 kWh でした。乱数の種を変えた10回の繰り返しでも、予報の気温を使った回帰の日別の MAE は 65.0 から 83.6 kWh、2つの基準は 187.5 から 311.3 kWh で、10回すべてで回帰のほうが小さくなりました。ただし、この差の大きさは、空調の負荷を日平均気温と日射の指標だけで決まるように作った合成データのもとでの結果です。実際の事業所では、稼働の予定の変更や、気温以外の要因による変動が加わるので、差はもっと縮まることがありえます。単純な基準は作る手間がほとんど無いので、回帰を使う前に、まず単純な基準の誤差を出して、それを下回るかどうかを確かめるのがよいと考えています。

需要の大きい日には、単純な基準の誤差の平均(予測から実績を引いた値の平均)は、前週の同じ曜日で -352.1 kWh、前年の同じ曜日に当たる日で -464.8 kWh と大きく下に外れました。単純な基準はその日の気温を入力に使わないので、前週や前年の同じ日より暑い日や寒い日には、その差を予測に反映できません。評価の期間の需要の大きい18日は、15日が日平均気温 26.2℃から29.1℃の暑い日、3日が 0.7℃・2.5℃・4.0℃の寒い日でした。使用量の多い日を見落とさないことが目的の使い道では、平均の誤差よりも、この下振れのほうが問題になります(ピークの警報では、さらに最大需要電力で評価する必要があることは前の段落のとおりです)。

評価の期間の7日間について、需要電力の実績と、気温が完全に分かっている場合の回帰と、予報の気温を使った回帰の予測を重ねたグラフ

上の7日間の需要電力のグラフは、評価の期間のうち、日別の使用量が最も大きかった日を含む7日間(581日目から587日目。581日目・586日目・587日目が休業日)の需要電力を、30分値の2倍の kW で描いたものです。平日の稼働の時間帯の形はよく合っていますが、予報の気温を使った予測は、582日目のように予報の気温が実績より低かった日に、昼の山を低く見積もっています。また、日の中の最大の需要電力の実績は、どの予測よりも尖って高く出る日がありました。30分値の予測の最大をそのまま日の最大需要電力の予測とすると低めに出るかどうかは、第4章でコードで確かめます。

残差の点検、日射と湿度を足す場合

誤差の平均の大きさだけでなく、誤差に偏りがないかを点検します。偏りがあれば、モデルに足りない要因があることを示します。ここでは、気温が完全に分かっている場合の予測について、時間帯ごとと気温の帯ごとに、残差を集計しました。ここでは向きをそろえるため、残差を予測から実績を引いた値とします(正なら予測が多すぎる)。日射と湿度を説明変数に足した場合の誤差も比べています。なお、1つ目のコードの前半では次の節で使う気温の予報の誤差の大きさを変えた計算を、2つ目のコードの後半では次の節で扱う予測の幅の計算を、あわせて行っています。

# ---- 気温の予報の誤差が大きくなると、予測の誤差はどれだけ増えるか ----
print("\n[予報の誤差の標準偏差と予測の誤差]")
print("予報の誤差の標準偏差 ℃ | 30分値MAE kWh | 日別MAE kWh | 大きい日のMAE kWh")
sweep = []
for sig in [0.0, 0.5, 1.0, 1.5, 2.0, 2.5, 3.0]:
    P = pred_slots(B, test_days, th_hat, tc_hat, (temp + sig * z)[test_days])
    sc = scores(P)
    sweep.append((sig, sc[0], sc[2], sc[4]))
    print(f"{sig:.1f} | {sc[0]:.2f} | {sc[2]:.1f} | {sc[4]:.1f}")

# ---- 残差の点検(時間帯ごとの偏り・暑い日の外れ) ----
E = (P_true - Y)[ok]                        # 予測 - 実績(kWh)。正なら予測が多すぎる
bands = [(0, 8), (8, 12), (12, 16), (16, 20), (20, 24)]
print("\n[残差の点検:気温が完全に分かっている場合]")
print("時間帯 | 平均誤差 kWh | MAE kWh | MAPE %")
for a, b in bands:
    cols = (h >= a) & (h < b)
    print(f"{a}時〜{b}時 | {E[:, cols].mean():+.2f} | {np.abs(E[:, cols]).mean():.2f} | "
          f"{(np.abs(E[:, cols]) / Y[ok][:, cols]).mean() * 100:.1f}")
t_ok = temp[test_days][ok]
ed_true = P_true[ok].sum(axis=1) - y_day
print("日平均気温 | 日数 | 日別の平均誤差 kWh")
for a, b in [(-10, 13), (13, 18.5), (18.5, 24), (24, 26), (26, 40)]:
    m = (t_ok >= a) & (t_ok < b)
    print(f"{a}℃〜{b}℃ | {m.sum()} | {ed_true[m].mean():+.1f}")
# ---- 日射と湿度を足す(合成データには日射の効果だけを入れてある) ----
print("\n[日射・湿度を足した時刻ごとの回帰:気温が完全に分かっている場合]")
for extra in [None, ["solar"], ["humid"], ["solar", "humid"]]:
    Bx = fit_slots(train_days, th_hat, tc_hat, extra)
    Px = pred_slots(Bx, test_days, th_hat, tc_hat, temp[test_days], extra)
    sc = scores(Px)
    print(f"{'なし' if extra is None else '・'.join(extra)} | 30分値MAE {sc[0]:.2f} kWh | 日別MAE {sc[2]:.1f} kWh | 大きい日のMAE {sc[4]:.1f} kWh")

# ---- 予測の幅の入口(学習の期間の残差の分位点から区間を作る) ----
day_fit = (X_all @ b_all)
lo, hi = np.quantile(res_tr, [0.1, 0.9])    # 学習の期間の日別の残差の10%点と90%点
te_all = df.iloc[test_days][ok]
for label, tu in [("気温が完全に分かっている場合", temp[test_days][ok]), ("予報の気温", temp_fc[test_days][ok])]:
    sub = te_all.copy(); sub["temp"] = tu
    pdx = design_all(sub, th_hat, tc_hat) @ b_all
    inside = ((te_all.kwh_day.values >= pdx + lo) & (te_all.kwh_day.values <= pdx + hi)).mean()
    print(f"区間 [{lo:.0f}, {hi:.0f}] kWh/日 に実績が入った割合({label}){inside*100:.1f}%(目安 80%)")
時間帯平均の誤差(kWh)MAE(kWh)MAPE(%)
0時から8時+0.020.813.2
8時から12時-0.092.373.4
12時から16時-0.183.143.9
16時から20時-0.092.483.5
20時から24時-0.030.803.1

時間帯ごとの平均の誤差は、どの時間帯も ±0.2 kWh 以内で、目立つ偏りはありませんでした。MAE は冷房の負荷が大きい12時から16時で最も大きく、3.14 kWh でした。夜間の MAE は 0.81 kWh と小さいものの、MAPE は 3.2% で昼と大きくは違いません。この例題では夜間の30分値が 25 kWh 前後あり、MAPE が不安定になるほど小さくはないためです。

日平均気温の帯ごとの日別の平均の誤差は、13℃未満で -6.4 kWh、13℃から18.5℃で +10.1 kWh、18.5℃から24℃で -7.3 kWh、24℃から26℃で -1.0 kWh、26℃以上(24日)で -1.4 kWh でした。合成データには26℃を超えると冷房の負荷がさらに増える項を入れてありますが、この評価の期間では、26℃以上の日に予測が大きく下に外れる偏りは見えませんでした。前の節で見たとおり、その分は冷房側の傾きが大きく推定されることで吸収されていたためと読めます。乱数の種を変えた10回の繰り返しでも、26℃以上の日の平均の誤差は -22.0 から +16.6 kWh で、向きはそろいませんでした。つまり、残差の点検は偏りを見つける道具ですが、モデルの形の誤りが係数に吸収されている場合は、残差には現れないことがあります。係数が設備の性質から見て妥当かを、設備の担当者と照らし合わせる点検も要ります。

足した説明変数30分値の MAE(kWh)日別の MAE(kWh)需要の大きい日の MAE(kWh)
なし1.7331.451.3
日射1.6823.325.8
湿度1.7431.750.0
日射と湿度1.6923.524.1

合成データには日射の効果だけを入れ、湿度の効果は入れていません。そのとおり、日射を足すと日別の MAE は 31.4 から 23.3 kWh に下がり、湿度を足しても 31.7 kWh とほとんど変わりませんでした。乱数の種を変えた10回の繰り返しでも、日射を足すと10回すべてで日別の MAE が下がり、湿度を足した場合の変化は -0.2 から +0.7 kWh の範囲でした。ここで注意したいのは、この比較は日射と湿度の実績を使った「完全に分かっている場合」の値だという点です。翌日の予測では日射も予報の値を使うことになるので、日射を足した効果は、日射の予報の精度しだいで小さくなりえます(本コラムでは日射の予報の誤差を入れた計算はしていません)。実際の事業所の記録で湿度が効くかどうかは、建物と空調の方式(除湿の負荷の大きさ)しだいで、この合成データの結果からは言えません。足すかどうかは、時間で切った評価で、予報の値を入れて確かめるのがよいと考えています。

気温の予報の誤差の伝わり方と、予測の幅の入口

本コラムの架空データでは、翌日の予測の誤差の多くは、気温の予報の誤差から来ていました。これは、空調の負荷を日平均気温と日射の指標だけで決まるように合成し、予報の誤差を人為的に足したことの帰結でもあります。実際の事業所では、稼働の予定の変更など気温以外の要因による誤差も加わります。前の節の表で、気温が完全に分かっている場合の日別の MAE は 31.4 kWh、予報の気温を使った場合は 78.2 kWh でした。予報の誤差の大きさを変えると予測の誤差がどう変わるかを、予報の誤差の標準偏差を0℃から3℃まで動かして確かめました(残差を点検したコードの前半)。誤差の向きと大きさの元になる乱数は同じものを使い、標準偏差だけを変えています。

予報の誤差の標準偏差(℃)30分値の MAE(kWh)日別の MAE(kWh)需要の大きい日の MAE(kWh)
0.01.7331.451.3
0.51.8238.471.7
1.02.0756.399.9
1.52.4278.2137.1
2.02.82100.4175.1
2.53.23122.5213.2
3.03.65144.4251.3

上の表の日別の MAE の2列を、評価の期間の全日と需要の大きい日で比べます。本コラムの架空データでは、予報の誤差の標準偏差が1℃から3℃の範囲で、1℃増えるごとに、日別の MAE はおよそ 44 kWh、需要の大きい日の MAE はおよそ 76 kWh 増えました。0℃から1℃のあいだの増え方はこれより小さく、日別の MAE で 24.9 kWh でした。需要の大きい日のほうが増え方が大きいことは、モデルの式の形と、需要の大きい日の内訳から読み取れます。評価の期間の需要の大きい18日のうち15日は日平均気温が 26.2℃から29.1℃の暑い日で、予測の式の傾きが冷房側の傾きになる温度帯にあります。この節の予測に使っている時刻ごとの回帰では、平日の48コマの冷房側の係数を合計した日の使用量の傾きは 96.1 kWh/℃/日、暖房側(気温が1℃下がったときの増加)は 68.9 kWh/℃/日でした。残る3日は 0.7℃・2.5℃・4.0℃の寒い日で、式の傾きは暖房側の傾きになります。これに対し、評価の期間の全日には、式の傾きが0になる平らな温度帯の日も含まれます。言い換えると、実績の気温と予報の気温が折れ線の同じ直線の区間にある日は、使用量の誤差は、その区間の傾きに気温の誤差を掛けた大きさになります。実績と予報が変化点をまたぐ日は、両方の気温で式を計算した差になり、例えば実績が平らな温度帯で予報が冷房の変化点を超える日は、実績が平らな温度帯でも冷房の項による誤差が生じます。

需要の大きい日の平均の誤差は、気温が完全に分かっている場合の -13.6 kWh から、予報の気温を使った場合は +29.0 kWh に変わりました。内訳を見ると、暑い15日では、気温の予報の誤差の平均が +0.71℃で、予報が高めに出た分だけ冷房の使用量を多く見積もり、日別の平均の誤差は -8.1 kWh から +59.7 kWh に変わりました。寒い3日では、予報の誤差の平均が +1.20℃で、予報が高めに出ると暖房の使用量を少なく見積もるので、平均の誤差は -41.2 kWh から -124.1 kWh に変わりました。18日全体(評価の期間の全体の予報の誤差の平均は -0.05℃)では、暑い日の上振れが寒い日の下振れより多く、+29.0 kWh になりました。同じ向きの予報の誤差でも、暑い日と寒い日では使用量の誤差の向きが逆になります。乱数の種を変えると、18日の平均の誤差の向きは入れ替わりました。上位10%の日は18日しかないので、このような偶然の偏りが出やすいことも、需要の大きい日の誤差を読むときの注意点です。

この結果から言えることは、翌日の予測を改善したいときは、モデルを複雑にする前に、使う気温の予報の精度と、その予報が自社の事業所の気温とどれだけずれるかを確かめる価値がある、ということです。予報の地点と事業所の位置が離れていれば、そのずれも予報の誤差に加わります。

点の予測(1つの値)だけでは、ピークや契約の判断に使いにくい場面があります。予測がどれだけ外れうるかを示す幅を付ける簡単な方法として、学習の期間の残差の分布から区間を作る方法があります。ここでは、休業日と曜日の項を足した日別のモデルの、学習の期間の残差の10%点と90%点を予測に足して、80%を目安とする簡易な区間を作りました(日射と湿度を比べたコードの後半)。ここでの残差は、前の節の点検とは逆に、実績から予測を引いた値です。区間は予測から -53 kWh/日 から +49 kWh/日の幅でした。この区間は、これから実際に出る1日の使用量が入る幅を示す予測区間の考え方で作ったものです。平均の値(同じ条件の日の使用量の平均)がどこにあるかの推定の幅を示す信頼区間とは別のもので、予測区間のほうが、1日ごとのばらつきを含む分だけ広くなります。

評価の期間で実績がこの区間に入った割合は、気温が完全に分かっている場合で 75.8%、予報の気温を使った場合で 48.3% でした。乱数の種を変えた10回の繰り返しでは、気温が完全に分かっている場合でも 73.3% から 82.8% のあいだでばらつき、予報の気温を使った場合は 48.3% から 60.7% で、10回すべてで目安の80%を大きく下回りました。学習の期間の残差は実績の気温で当てはめたものなので、気温の予報の誤差の分を含んでいません。また、モデルを当てはめたのと同じ期間の残差なので、将来の予測の誤差の分布と同じとは限らず、80%に入ることを保証するものではありません。幅を作るときは、予測の時点で使う入力(予報の気温)で、学習に使っていない期間(学習の後の校正用の期間など)の予測の誤差から作り、最後の評価の期間で確かめるのがよいと考えています。分位点の予測による幅の付け方と、その確かめ方は第4章で扱います。

係数の読み方と経営への翻訳、学習の期間の選び方

本章のように少数の説明変数を使う折れ線回帰は、複雑な非線形のモデルに比べて係数を読み取りやすく、経営の言葉に置き換えやすい点が長所です。ビルAの例でいえば、平日だけの日別の折れ線回帰の、掲載した1回の推定では冷房側の気温感応度が 96.5 kWh/℃/日でした(乱数の種を変えた10回では 89.9 から 96.5 kWh/℃/日で、掲載した1回が最も大きい値でした)。これは、平日に日平均気温が冷房の変化点を1℃上回るごとに、1日の使用量がおよそ 90 から 96 kWh 増えるという意味です。暖房側は、日平均気温が暖房の変化点を1℃下回るごとに、1日の使用量が 69.2 kWh 増えると推定されました。ベース負荷の 49.9 kW は、1日24時間で約 1,200 kWh/日、休業日も含めて毎日かかっている電力量にあたります。

係数読み方つながる判断読むときの注意
ベース負荷(kW)夜間や休日にも続いている電力夜間や休日に止められる設備の点検(第12章)本当に必要な設備(冷蔵・サーバ・保安)を含む
気温の影響が無い温度帯の使用量(kWh/日)ベース負荷と稼働の負荷の合計(この例では約 1,200 kWh/日と約 1,200 kWh/日)稼働の時間帯の運用の見直し稼働の時間や在室の人数が変わると動く
冷房側・暖房側の気温感応度(kWh/℃/日)冷房側は気温が1℃上がったとき、暖房側は1℃下がったときの、日の使用量の増え方空調の運転の見直し(第7・8章)、暑い年の予算の幅モデルの形が違うと平均的な傾きになる。日別の電力量の係数で、最大需要電力(kW)の感応度ではない
冷房と暖房の変化点(℃)日平均気温に対する使用量の傾きが変わる、推定した境界空調の運転の季節の切り替えの点検の手がかり機器の起動の条件や設定温度を直接示す値ではない(本章でも合成に使った18.0℃に対して18.5℃と推定された)。格子の刻み(本章では0.5℃)より細かくは決まらない
休業日・曜日の項(kWh/日)稼働の有無と曜日の差休業日の運転の点検休業日の日数が少ないと不確か

この表の最後の列は、係数を数字だけで受け取らないための注意です。とくに、日別の電力量の気温感応度(kWh/℃/日)と、最大需要電力の気温感応度(kW/℃)は別のものです。電気料金のうち電力量で決まる部分と、最大需要電力で決まる部分(第1章)は、それぞれ別のモデルで見積もる必要があります。

学習の期間は、長いほど係数が安定する一方で、古い期間には今と違う設備や使い方が含まれます。照明や空調の更新、稼働の時間の変更、テナントの入れ替わり、在宅勤務の割合の変化などがあると、それより前の期間の記録は、今の事業所の姿を表しません。気温の回帰では、冷房と暖房の両方の季節を含む、少なくとも1年分の記録で学習することが基本になると考えています。1年に満たない期間で学習すると、学習の期間に無かった温度帯(例えば冬の記録が無いまま暖房の季節を予測する)では、変化点も気温感応度も推定できていないからです。設備の更新などの変化があった場合は、変化の後の記録が1年分たまるまで、変化の前の記録に変化の有無の項を足して使う、変化の前後でモデルを分けて誤差を比べる、といった方法で扱います。変化の前のモデルが外れていくことの検知とモデルの見直しは第12章で扱います。

この章の回帰は、日ごとの気温と暦だけで翌日を予測し、前日までの使用量の動きは使っていません。前日や前週の使用量を説明変数に足す方法や、使用量そのものの時間の相関を扱う時系列モデルもあり、時系列の予測の一般論は弊社コラム『ビジネスデータの予測に効く時系列分析、基礎から実務まで』で、回帰モデルの一般論(説明変数の選び方・係数の解釈・モデルの診断)は弊社コラム『ビジネスの要因分析に効く回帰分析と統計モデリングについて』で扱っています。気温の遅れて効く効果や、時刻と気温の組み合わせの効果を機械学習で扱う方法は第4章で扱います。

経営の判断、何のための予測かと使える誤差を先に決める

需要の予測で判断を誤ったときの損失は、序章で整理した型に当てはめると見えやすくなります。予算や契約の見直しに使う予測では、見込みが低すぎる場合と高すぎる場合で、生じる損失の種類が違います。どちらの向きでどの損失になるかは、契約電力の決まり方(第1章)と契約の内容によるので、予測の幅と合わせて、契約と約款で確かめる事項になります。前年より使用量が減ったのを、気温を補正しないまま対策の効果として数えると、効果の数え違いになります。気温と暦で説明する回帰は、その補正の土台になります(効果の測り方は第5章)。予測を作ってダッシュボードに載せても、どの判断に使うのかが決まっていなければ、形骸化します。

経営として決めておきたいのは、次の3点だと考えています。1つ目は、予測を使う判断を1つに絞ることです。翌日の運転の計画なのか、ピークの警報なのか、予算なのかで、作るべきモデルと評価の指標が違います。2つ目は、使える誤差の水準を、判断の側から先に決めることです。例えば、ピークの警報なら需要の大きい日の誤差を、予算なら年間の合計の誤差を、何%以内なら使うと決めます。本章の例題のように、同じモデルでも、全日の平均の誤差と需要の大きい日の誤差は大きく違います。3つ目は、単純な基準(前週や前年の値)の誤差を必ず並べて報告させることです。翌日の運転の計画やピークの警報のように、予測の精度で使い道が決まる場合は、単純な基準の誤差を下回らない予測は、作って運用する手間に見合う価値が小さいと考えています。省エネの効果を測るベースライン(第5章)のように、気温などの条件をそろえることが目的の使い道では、単純な基準に勝つかどうかだけでは価値を判断できません。この3点を、予測の担当者に依頼する前に文書にしておくと、後の評価と予算の判断がぶれにくくなります。

決めること決める人本章での例
予測を使う判断経営・施設管理翌日の運転の計画、ピークの警報、予算のいずれか
見る誤差の指標と使える水準判断の責任者とデータ分析の担当日別の MAE、需要の大きい日の MAE、年間の合計の誤差
比べる単純な基準データ分析の担当前週の同じ曜日、前年の同じ曜日に当たる日
入力に使う気温データ分析の担当と施設管理予報の気温(翌日の予測)か実績の気温(省エネの効果のベースライン)か
学習の期間の見直しの条件施設管理とデータ分析の担当設備の更新・稼働の時間の変更・テナントの入れ替わり

この章では、気温と曜日で説明する回帰モデルを組み立て、時間で切った評価で単純な基準と比べました。本コラムの架空データでは、回帰は単純な基準より誤差が小さくなった一方、予報の気温を使うと誤差は大きく増え、残差から作った幅は予報の誤差の分だけ狭すぎました。次の第4章では、遅れて効く気温や要因の組み合わせのような複雑な非線形の関係を、勾配ブースティングなどの機械学習のモデルで扱い、点の予測ではなく予測の幅を判断に使う方法を扱います。

この章を深めたい方への参考書籍

『回帰分析入門 Rで学ぶ最新データ解析』(豊田秀樹 編著、東京図書):副題のとおり、統計の言語 R を使って回帰分析を学ぶ入門書です。本章の折れ線回帰は、変化点を決めれば普通の重回帰になるので、重回帰の係数の推定と読み方、残差の点検といった土台を固めると、気温の回帰の結果を自分で確かめやすくなります。

『予測にいかす統計モデリングの基本 ベイズ統計入門から応用まで』改訂第2版(樋口知之 著、講談社):副題のとおり、予測を目的とした統計モデリングを、ベイズ統計の入門から応用まで扱う本です。本章では最小二乗法で係数を1つの値として求めましたが、係数や予測の不確かさをどう扱うかを考えるときの手がかりになり、第4章の予測の幅にもつながります。

第4章 機械学習による需要の予測、勾配ブースティングと予測の幅

第3章では、気温と曜日・休業日で電力需要を説明する回帰モデルを作り、気温と使用量の折れ曲がる関係から、ベース負荷と冷房側・暖房側の傾きを読み取りました。回帰モデルは係数の意味がはっきりしていて、冷房と暖房の両方の気温の範囲を含む記録があれば、少ないデータでも当てはまります。一方で、要因どうしの組み合わせで効き方が変わる場合や、気温が時間を置いて効く場合には、式に項を書き足す作業が増え、書き漏らした関係はそのまま誤差に残ります。

この章では、機械学習の手法の1つである勾配ブースティングで30分値を予測し、第3章の型の回帰と比べます。あわせて、点の予測(1つの値)だけでなく、予測の幅を出す方法を扱います。扱う内容は次のとおりです。中ほどでは、他の章とは独立に作った架空の事務所ビルの2年分の30分値を使い、実行したコードと結果で確かめます。

  • 回帰で足りない場面と、需要の予測に使われる手法の比較
  • 予測の時点で手に入る特徴量と、翌日の予測で使える遅れの範囲
  • 勾配ブースティングと第3章の型の回帰を、時間で切った評価期間で比べた結果と、乱数の種を変えた繰り返しでの確認
  • 期間で切る交差検証と、ランダムに切ると成績が良く見える例
  • 分位点の予測とピンボール損失、区間に実績が入った割合の確認と、区間の幅の補正(較正)
  • 日の最大需要電力の予測、特徴量の重要度の読み方、モデルの更新と監視、経営の判断

この章の主張は2つあります。1つ目は、勾配ブースティングに替えれば予測の誤差が必ず小さくなるわけではない、という点です。本コラムの架空データでは、コマごとに作った第3章の型の回帰と、勾配ブースティングの差は小さく、乱数の種を変えた6回の繰り返しで勝ち負けが入れ替わりました。2つ目は、ピークや契約の判断のために予測の幅を出すなら、学習に使っていない期間で、区分ごとに「実績が区間に入った割合」を確かめてから使うべきだ、という点です。本コラムの架空データでは、作った幅は、そのままでは判断に使えるものになりませんでした。過去の予報の気温でも学習した場合、10%点から90%点の区間に実績が入った割合は、名目の80%に対して6回とも62.8%から70.6%でした。区間の幅を後から補う較正で全体の割合を80%近くに戻しても、稼働日の昼の時間帯は52.5%から60.5%にとどまり、そこで実績が上端を超えた割合は19.8%から25.2%で、名目の10%を上回りました。どちらも、この架空データの条件での結果であり、一般にそうなるという主張ではありません。

回帰で足りない場面と手法の比較

第3章の回帰は、気温と使用量の関係を、変化点で折れ曲がる直線で表しました。この形は、空調の負荷が外気温に応じて増えるという物理の関係に沿っていて、係数を、例えば冷房側の傾き(気温が1℃上がったときの電力量の増加。日別の式なら kWh/℃/日、30分値の式なら kWh/℃/30分)として読めます。ただし、実際の事業所の需要には、この形だけでは表しにくい関係がいくつかあります。代表的なものは次の3つです。

1つ目は、要因の組み合わせで効き方が変わる場合です。例えば、同じ外気温でも、稼働日の午後と休業日の夜では、冷房の負荷の増え方が違います。日射が入る午後の時間帯だけ傾きが大きい、月曜の朝だけ立ち上がりが大きい、といった関係もありえます。回帰でこれを表すには、時刻と気温の掛け算の項や、曜日ごとの項を書き足す必要があります。2つ目は、気温が時間を置いて効く場合です。建物の壁や床、家具は熱をためるので、空調の負荷はその瞬間の外気温だけでなく、数時間前からの外気温の推移に左右されます。暑い日が続くと、同じ気温でも負荷が大きくなることがあります。3つ目は、計測点が多い場合です。系統ごと・設備ごとに数十から数百の計測点があると、1つずつ回帰の式を設計して点検する手間が大きくなります。

こうした場面で使われる手法を、第3章の回帰を含めて並べたのが次の表です。表の中身は、一般にいわれる傾向を本コラムが整理したもので、出典や実測で確かめた値ではありません。本コラムで実行したのは、折れ線回帰と勾配ブースティングの2つだけです。表の中の決定木は、条件で場合分けをして値を返す仕組みのこと、外挿は、学習したデータの範囲の外の値を予測することです。機械学習の一般論は、弊社コラム『機械学習の仕組みと使いどころ』で扱っています。

手法何が得意かどんなデータが要るかどこで外れやすいか運用の負担
折れ線回帰(第3章)気温と使用量の関係を、ベース負荷・傾き・変化点として読める。冷房と暖房の両方の気温の範囲を覆うデータがあれば、少ない係数で推定できる日別なら1年分前後。30分値ならコマごとに式を分ける書き足していない組み合わせの関係や、遅れて効く気温小さい。係数の変化で設備や使い方の変化に気づける
一般化加法モデル気温や時刻の効き方を、直線ではなく滑らかな曲線として当てはめる。曲線を図にして読める回帰よりやや多い曲線どうしの組み合わせは、指定した分しか表せない中くらい。曲線の滑らかさの設定が要る
勾配ブースティング小さな決定木を順に足していき、要因の組み合わせや折れ曲がりを、式を書かずに当てはめるいまの運用の条件に合った、量と多様さのあるデータ(設備の更新の前など、関係が違う期間のデータを増やしても良くなるとは限らない)。特徴量の設計は要る学習の期間に無かった条件(記録に無い暑さ・設備の更新の後)。外挿が苦手中くらい。特徴量の作成と、更新・監視の仕組みが要る
ニューラルネットワーク(深層学習)長い時系列の形や、多数の系列をまとめて学ぶ多い。多数の計測点や長い期間データが少ない場合。学習の設定に結果が左右されやすい大きい。計算の環境と、学習の設定の調整が要る

勾配ブースティングは、Friedman の2001年の論文(The Annals of Statistics、第29巻第5号)で整理された方法で、前の木が外した分を次の木が当てにいく形で、小さな決定木を少しずつ足していきます。本コラムでは、その実装の1つである LightGBM を使いました。LightGBM は、Ke らの2017年の論文(NeurIPS 2017 の論文集)で発表された実装で、論文の要旨は、大きなデータでの学習を速くする工夫を報告しています。

電力需要の予測の研究では、手法を同じデータと同じ評価の方法で比べる場として、世界エネルギー予測コンペ(GEFCom)が開かれてきました。Hong、Pinson、Fan の2014年の論文(International Journal of Forecasting、第30巻第2号)は、2012年の大会の総括です。同じ著者らに Zareipour、Troccoli、Hyndman を加えた2016年の論文(同誌、第32巻第3号)は、確率で表す予測を扱った2014年の大会を総括したもので、著者の1人の公式ページの紹介によれば、この大会には61か国から581人が参加し、電力需要・電力の価格・風力発電・太陽光発電の4つの部門がありました。Hong と Fan の2016年の論文(同誌、第32巻第3号)は、確率で表す電力需要の予測の総説です。本コラムでは、これらの論文の書誌と、公式ページで読める紹介の範囲だけを確かめており、大会でどの手法が上位だったかは書いていません。深層学習は、この表で紹介するだけで、本コラムでは実行していません。

予測の時点で手に入る特徴量

機械学習の予測では、入力に使う変数を特徴量と呼びます。需要の予測でよく使われる特徴量は、暦(曜日・休業日・年の中の時期)、時刻(コマ)、気温とその遅れや移動平均、過去の同じ時刻の需要です。ここで最も注意が要るのは、予測を作る時点で、その値が本当に手に入るかという点です。予測を作る時点で手に入らない情報が学習や特徴量の作成に入ると、評価の成績が実際より良く見えます。本コラムでは、これを情報の漏れと呼びます。

本章の例題では、前日の朝(例えば8時)に、翌日の0時から24時までの48コマをまとめて予測する場面を考えます。見通す長さは、約16時間先から40時間先までです。翌日の空調の運転の計画や、ピークの警報の準備に使う予測です。この時点では、翌日の気温は予報しか分かりません。前日の30分値も、朝の時点では午後の分がまだありません。そこで、過去の需要は2日前と7日前の同じコマを使い、気温はすべて予報の気温から作りました。

特徴量中身前日の朝の時点で手に入るか本章の例題での扱い
暦曜日・休業日・稼働日かどうか手に入る(休業日の予定が決まっていれば)使う。休業日は架空のフラグ
時刻1日の中のコマ(0〜47)手に入る使う
気温そのコマの気温予報だけが手に入る。実績の気温は翌日にならないと分からない予報の気温を使う。実績の気温での成績は「気温が完全に分かっているとした場合」として別に示す
気温の遅れ・移動平均1時間・3時間・6時間前の気温、直前24時間の平均、その日の最高気温予報の系列から作れる予報の気温の系列から作る
前日の同じコマの需要前日の同じ時刻の30分値前日の朝の時点では、午後の分はまだ無い使わない
2日前・7日前の同じコマの需要過去の30分値手に入る(計量の値が届いていれば)使う

使える遅れの範囲は、予測を作る時刻と、予測する先の長さで決まります。当日の数時間先を予測するなら、直前のコマの需要まで使えます。翌日の予測なら、前日の分がどこまでそろっているかで使える範囲が変わります。30分値がいつ手元に届くかは、計量の仕組みや契約、社内の計測の仕組みで違うので、自社の事業所で確かめる事項です。届くのが遅い場合は、使える遅れの範囲がさらに狭くなります。

翌日の需要の予測に使える情報と使わない情報、および予測の幅から判断への流れの図。2日前・7日前の30分値、前日の朝の予報の気温、曜日と休業日の予定、前日の30分値(本章では使わない)、翌日48コマの予測(10%点・50%点・90%点)、区間に入った割合の確認、運転と契約の判断 の箱を矢印でつないでいる

架空の事務所ビルの30分値を作る

ここからは、勾配ブースティングと第3章の型の回帰で、予測の誤差がどう違うかを、コードで確かめます。この章のデータは、他の章とは独立に作った架空の合成データで、実際の事業所の記録よりずっと単純です。合成データでの成績は、実際の事業所での成績の目安にはなりません。示したいのは、比べ方と、点の予測と予測の幅の使い分けです。

この例題では、架空の事務所ビルAの2年分(730日)の30分値(kWh)と外気温を、次の性質を持たせて乱数で作りました(乱数の種は20261117に固定しています)。曜日は日の番号を7で割った余りで決め、5と6を土日としました。休業日は実在の暦によらない架空のフラグで、年の中の日の番号で18日を決めました(土日と重なる日を含みます)。コードは Python 3.14.3 で実行し、LightGBM 4.6.0、scikit-learn 1.9.0 を使いました。

  • 外気温(架空の地点):季節の成分(日平均で約5.5℃から約26.5℃の間を動く)、前日と相関する日ごとの揺れ、1日の周期(14時ごろが最も高い)
  • 予報の気温:実績の気温に、日ごとの外れ(標準偏差1.2℃)と、日の中でゆっくり動く外れを足したもの。前日の朝に出る翌日の予報を表す
  • モデルの上でのベース負荷:合成の式の定数として120kWh/30分(需要電力にして240kW)。夜間にも空調の分が加わるので、夜間の需要電力は、ならした気温(下の空調の負荷の項目)が20℃を上回る夜や14℃を下回る夜には、この定数から決まる水準(需要電力にして240kW)より高くなる。ならした気温が14℃から20℃の間の夜は空調の分が0になり、この水準の付近になる。稼働日の稼働の時間帯(8時前後から20時前後)に、最大180kWh/30分の負荷を足す。稼働の多さは日ごとに揺れ、前日と相関する
  • 空調の負荷:建物の熱のたまりを表すため、外気温を約6時間でならした「ならした気温」に反応させた。冷房側は20℃、暖房側は14℃で折れ曲がる
  • 組み合わせの関係:稼働日の13時から17時は、冷房の傾きのうち稼働に伴う追加の部分を1.3倍、稼働日の10時より前は、暖房の傾きのうち稼働に伴う追加の部分を1.6倍とした(稼働の最も多い時間帯では、傾き全体で冷房側が約1.24倍、暖房側が約1.49倍になる)
  • 欠測:全体の約0.3%のコマを欠測にした

本章の30分値は30分間の電力量(kWh)で持ち、需要電力(30分間の平均の電力、kW)はその2倍で求めます。日の最大需要電力は、その日の48コマの需要電力の最大です。コマの番号 k(0〜47)は、k÷2 時から(k+1)÷2 時までの30分を表します(始まりの時刻で数えます。コマ18は9時から9時30分です)。この例題には太陽光発電も蓄電池も無いので、受電点で受ける電力(受電電力)と、事業所の中の設備が使う電力(需要)は同じです。誤差の表では、30分値の誤差を kWh/30分で、日の最大需要電力の誤差を kW で書きます。以下の「実績」は、合成データの中での実績であり、実際の設備で測った値ではありません。

import sys, io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding="utf-8")
import numpy as np
import pandas as pd
SEED = int(sys.argv[1]) if len(sys.argv) > 1 else 20261117
rng = np.random.default_rng(SEED)
N_DAYS, S = 730, 48                      # 2年分、1日48コマ(30分ごと)
day = np.repeat(np.arange(N_DAYS), S)
slot = np.tile(np.arange(S), N_DAYS)
hour = slot / 2 + 0.25                   # コマの中央の時刻(時)
doy, dow = day % 365, day % 7            # 年の中の日、曜日(5・6を土日とする)
holiday = np.isin(doy, [0, 1, 2, 30, 72, 120, 121, 122, 123, 200,
                        226, 227, 228, 290, 330, 362, 363, 364])   # 架空の休業日
work = (dow < 5) & ~holiday              # 稼働日
# 外気温(架空の地点):季節・日ごとの揺れ(前日と相関)・1日の周期
anom = np.zeros(N_DAYS)
for d in range(1, N_DAYS):
    anom[d] = 0.7 * anom[d - 1] + rng.normal(0, 1.8)
t_day = 16 - 10.5 * np.cos(2 * np.pi * (np.arange(N_DAYS) - 20) / 365) + anom
temp = t_day[day] + 4 * np.sin(2 * np.pi * (hour - 8) / 24) + rng.normal(0, 0.3, N_DAYS * S)
e = np.zeros(N_DAYS * S)
for i in range(1, N_DAYS * S):
    e[i] = 0.95 * e[i - 1] + rng.normal(0, 0.25)
temp_fc = temp + rng.normal(0, 1.2, N_DAYS)[day] + e   # 前日の朝に出る翌日の予報
t_eff = np.zeros(N_DAYS * S)   # 建物の熱のたまり:空調は約6時間でならした気温に反応する
t_eff[0] = temp[0]
for i in range(1, N_DAYS * S):
    t_eff[i] = t_eff[i - 1] + (temp[i] - t_eff[i - 1]) / 12
occ = np.clip((hour - 7.5) / 1.5, 0, 1) * np.clip((20 - hour) / 1.5, 0, 1)  # 稼働の時間帯の形
lvl = np.zeros(N_DAYS)                     # 日ごとの稼働の多さの揺れ(前日と相関)
for d in range(1, N_DAYS):
    lvl[d] = 0.8 * lvl[d - 1] + rng.normal(0, 0.04)
on = work * occ * (1 + lvl[day])
cool = np.maximum(t_eff - 20, 0) * np.where(work, 3 + 12 * occ * np.where((hour > 13) & (hour < 17), 1.3, 1.0), 2)
warm = np.maximum(14 - t_eff, 0) * np.where(work, 2 + 9 * occ * np.where(hour < 10, 1.6, 1.0), 1.5)
kwh = 120 + 180 * on + cool * (1 + lvl[day]) + warm + rng.normal(0, 6, N_DAYS * S)  # 30分値(kWh)
kwh[rng.random(N_DAYS * S) < 0.003] = np.nan                         # 欠測を少し
df = pd.DataFrame(dict(day=day, slot=slot, dow=dow, holiday=holiday, work=work,
                       temp=temp, temp_fc=temp_fc, kwh=kwh))
print("30分値の件数", len(df), " 欠測", int(df.kwh.isna().sum()))
print("需要電力(kW)の最大", round(2 * np.nanmax(kwh), 1), " 平均", round(2 * np.nanmean(kwh), 1))

実行すると、30分値は35,040件で、欠測は108件でした。需要電力の最大は1135.8kW、平均は397.0kWでした。

第3章の型の回帰と勾配ブースティングを比べる

評価の期間は2年目の7月から12月まで(546日目から729日目)とし、学習の期間はそれより前の7日目から544日目までとしました。最初の7日は、7日前の需要を使うため除いています。545日目(2年目の6月30日)を学習に入れないのは、評価の最初の日(546日目)の予測を545日目の朝に作るという設定では、545日目の午後以降の需要と気温の実績がまだ分からないためです。評価の期間は学習の期間より後で、時間で切っています。なお、評価の期間の中ではモデルを学習し直していません。学習の件数は25,745件、評価の件数は8,803件でした(欠測のコマを除く)。

第3章の型の回帰は、コマ(48)と稼働日・休業日(2)の組ごとに96本の式を作り、それぞれを、そのコマの気温の折れ線(冷房側と暖房側)で当てはめました。変化点は、冷房側を16℃から24℃、暖房側を10℃から18℃の1℃刻みの格子で探し、96本の式の残差の二乗和の合計が最も小さい組を選びました。勾配ブースティングは、特徴量の節の表で「使う」とした特徴量をすべて入れ、木の数を600、学習率を0.05としました。この設定は調整していません。調整すれば、以下の結果が変わる可能性があります。どちらのモデルも、学習には実績の気温を使い、評価の期間の予測には予報の気温を入れています。過去の予報の記録が残っていれば、学習にも予報の気温を使う方法もあり、分位点の節で比べます。

# ---- 特徴量:前日の朝に翌日48コマを予測する時点で手に入るものだけ ----
def features(d, tcol):
    X = pd.DataFrame({"slot": d.slot, "dow": d.dow, "holiday": d.holiday.astype(int),
                      "work": d.work.astype(int), "temp": d[tcol]})
    for lag in (2, 6, 12):                                   # 1時間・3時間・6時間前の気温
        X[f"temp_lag{lag}"] = d[tcol].shift(lag)
    X["temp_ma48"] = d[tcol].rolling(48).mean()              # 直前24時間の平均の気温
    X["temp_daymax"] = d.groupby("day")[tcol].transform("max")  # その日の最高気温
    X["kwh_lag2d"] = d.kwh.shift(96)                         # 2日前の同じコマ(前日の分はまだそろわない)
    X["kwh_lag7d"] = d.kwh.shift(336)                        # 7日前の同じコマ
    return X
TRAIN_END = 546      # 評価は546日目(2年目7月1日)から。その予測は545日目の朝に作るので、学習は544日目まで
X_act, X_fc = features(df, "temp"), features(df, "temp_fc")
tr = (df.day >= 7) & (df.day < TRAIN_END - 1) & df.kwh.notna()
te = (df.day >= TRAIN_END) & df.kwh.notna()
y = df.kwh
print("学習の件数", int(tr.sum()), " 評価の件数", int(te.sum()))
# ---- 第3章の型:コマ×稼働日・休業日ごとに、折れ線(冷房側・暖房側)の回帰 ----
def hinge(t, tc, th):
    return np.column_stack([np.ones_like(t), np.maximum(t - tc, 0), np.maximum(th - t, 0)])
best = (np.inf, None, None, None)
for tc in range(16, 25):
    for th in range(10, 19):
        sse, coefs = 0.0, {}
        for (s, w), g in df[tr].groupby(["slot", "work"]):
            A = hinge(g.temp.values, tc, th)
            b, res, *_ = np.linalg.lstsq(A, g.kwh.values, rcond=None)
            sse += float(((A @ b - g.kwh.values) ** 2).sum())
            coefs[(s, w)] = b
        if sse < best[0]:
            best = (sse, tc, th, coefs)
_, TC, TH, COEF = best
print("回帰の変化点(℃)冷房側", TC, " 暖房側", TH)
def reg_predict(d, tcol):
    out = np.empty(len(d))
    for i, (s, w, t) in enumerate(zip(d.slot.values, d.work.values, d[tcol].values)):
        out[i] = hinge(np.array([t]), TC, TH)[0] @ COEF[(s, w)]
    return out

回帰の変化点は、冷房側が22℃、暖房側が16℃と選ばれました。合成に使った関係は「ならした気温」に対して20℃と14℃で折れ曲がるものですが、回帰はそのコマの気温で当てはめているので、同じ値にはなりません。第3章で見たように、モデルの形が実際の関係と違うと、変化点や傾きは真の値と一致しません。ここでは、何の気温(そのコマの気温か、日平均か、ならした気温か)で当てはめたかとあわせて読む必要があります。

# ---- 勾配ブースティング(LightGBM)----
import lightgbm as lgb
P = dict(n_estimators=600, learning_rate=0.05, num_leaves=31, min_child_samples=20,
         random_state=SEED, n_jobs=4, deterministic=True, force_row_wise=True, verbose=-1)
gbm = lgb.LGBMRegressor(**P).fit(X_act[tr], y[tr])
NOLAG = [c for c in X_act.columns if not c.startswith("kwh_")]
gbm_nolag = lgb.LGBMRegressor(**P).fit(X_act.loc[tr, NOLAG], y[tr])   # 過去の需要を使わない版

def metrics(yt, yp, days):
    m = yp.notna() if isinstance(yp, pd.Series) else ~np.isnan(yp)
    yt, yp, days = np.asarray(yt)[m], np.asarray(yp)[m], np.asarray(days)[m]
    top = yt >= np.quantile(yt, 0.9)                       # 需要の大きい上位10%のコマ
    dmax = pd.DataFrame({"d": days, "t": yt, "p": yp}).groupby("d").agg(
        t=("t", "max"), p=("p", "max"), n=("t", "size"))
    dmax = dmax[dmax.n == S]          # 日の最大は、実績も予測も48コマそろった日だけで比べる
    return (np.mean(np.abs(yt - yp)), 100 * np.mean(np.abs(yt - yp) / yt),
            np.mean(np.abs(yt - yp)[top]), 2 * np.mean(np.abs(dmax.t - dmax.p)), len(dmax))

yt, dte = y[te].values, df.day[te].values
rows = {
    "前週の同じコマ(単純な基準)": X_fc.kwh_lag7d[te].values,
    "回帰・予報の気温": reg_predict(df[te], "temp_fc"),
    "勾配ブースティング・予報の気温": gbm.predict(X_fc[te]),
    "勾配ブースティング(過去の需要なし)・予報の気温": gbm_nolag.predict(X_fc.loc[te, NOLAG]),
    "回帰・実績の気温(参考)": reg_predict(df[te], "temp"),
    "勾配ブースティング・実績の気温(参考)": gbm.predict(X_act[te]),
}
print("\n評価期間(2年目7月〜12月)の誤差")
print("方法 | MAE(kWh/30分) | MAPE(%) | 上位10%コマのMAE(kWh/30分) | 日の最大需要電力の誤差(kW) | その日数")
for k, v in rows.items():
    a, b, c, dd, nd = metrics(yt, v, dte)
    print(f"{k} | {a:.1f} | {b:.2f} | {c:.1f} | {dd:.1f} | {nd}")

評価の期間の誤差は次の表のとおりでした。MAE は誤差の絶対値の平均、MAPE は誤差の絶対値を実績で割った値の平均です(指標の定義は第3章)。上位10%のコマの MAE は、評価の期間の実績が大きいほうから10%のコマに限った MAE で、需要の大きい時間帯の外れ方を見るためのものです。日の最大需要電力の誤差は、日ごとに予測の最大と実績の最大を比べた差の絶対値の平均(kW)です。日の最大は、実績も予測も48コマそろった日だけで比べました。評価の期間184日のうち、実績に欠測のある日を除くと157日で、前週の同じコマは7日前の値が欠けたコマがあるのでさらに少ない136日です。

方法MAE(kWh/30分)MAPE(%)上位10%のコマの MAE(kWh/30分)日の最大需要電力の誤差(kW)日の最大を比べた日数
前週の同じコマ(単純な基準)23.911.1962.994.8136
回帰・予報の気温10.85.1524.540.1157
勾配ブースティング・予報の気温10.04.7423.135.6157
勾配ブースティング(過去の需要なし)・予報の気温10.24.7525.038.6157
回帰・実績の気温(参考)8.54.3515.226.4157
勾配ブースティング・実績の気温(参考)8.64.1919.728.1157

乱数の種を20261117にした1回の実行では、予報の気温を入れた場合、勾配ブースティングは回帰より MAE が0.8kWh/30分小さく、上位10%のコマの MAE も1.4kWh/30分小さくなりました。前週の同じコマを使う単純な基準と比べると、どちらのモデルも MAE が半分以下でした。単純な基準は前週の値をそのまま使う方法ですが、どの週で大きく外れたかは、本コラムでは週ごとに分けて確かめていません。

ただし、この差が乱数の偶然でないかを確かめるため、乱数の種を1から5に変えて、データの合成から評価までを5回やり直しました(掲載しないスクリプトで同じコードを繰り返しています)。予報の気温を入れた場合の MAE は、6回のうち4回で勾配ブースティングが小さく、2回で回帰が小さくなりました。差は0.1から0.8kWh/30分でした。上位10%のコマの MAE は、勾配ブースティングが小さかったのは種を20261117にした1回だけで、残りの5回は回帰のほうが小さくなりました。つまり、本コラムの架空データでは、勾配ブースティングが回帰より良いとは言えません。気温が完全に分かっているとした参考の行でも、上位10%のコマの MAE は回帰のほうが小さくなっています。

この結果は、架空データの作り方とモデルの作り方の条件のもとでのものです。この例題の回帰は、コマと稼働日・休業日の組ごとに96本の式を分けているので、時刻ごとに傾きが違うという関係は、式の形として持っています。合成に入れた気温の遅れの効果は、約6時間でならす程度のものでした。差が小さかった理由を分けて確かめてはいませんが、少なくとも、回帰の式を時刻ごとに分けて作れば、勾配ブースティングとの差がこの程度に収まる場合がある、ということは言えます。反対に、式を分けていない回帰や、要因の組み合わせがもっと複雑な事業所では、結果が変わる可能性があります。どちらになるかは、自社の記録で、時間で切った評価をして確かめるしかありません。

予報の気温が実績より外れた日には、どちらのモデルもその外れをそのまま受け取ります。表の「予報の気温」と「実績の気温(参考)」の行の差は、気温の予報の外れが需要の予測の誤差に伝わった分です。回帰では MAE が8.5から10.8kWh/30分に、上位10%のコマの MAE が15.2から24.5kWh/30分に増えました。第3章で見たとおり、気温の予報の外れは、需要の大きい暑い日の時間帯ほど大きく効きます。

特徴量の重要度の読み方と注意

勾配ブースティングでは、どの特徴量が予測に効いたかを、重要度として出せます。本章の例題で、木の分岐による損失の減り方(gain)で重要度を出すと、7日前の同じコマの需要が合計の79.1%を占め、休業日のフラグが7.5%、2日前の同じコマの需要が4.9%と続きました。気温に関する特徴量は、そのコマの気温が1.5%、3時間前の気温が1.4%などで、どれも小さい値でした。乱数の種を変えた6回でも、7日前の同じコマの需要は75.6%から79.1%でした。

この数字を「需要は気温よりも前週の需要で決まる」と読むのは誤りです。合成のデータでは、空調の負荷は気温で決めています。過去の需要を特徴量から外した版(表の「過去の需要なし」)の MAE は10.2kWh/30分で、入れた版の10.0kWh/30分と大きくは変わりませんでした。乱数の種を変えた6回では、過去の需要を外した版のほうが MAE が小さかったのが5回ありました。ただし、掲載した種20261117の回だけは、上位10%のコマの MAE(外した版25.0、入れた版23.1kWh/30分)と日の最大需要電力の誤差(38.6、35.6kW)で、外した版のほうがやや大きくなりました。全体の MAE(10.2と10.0kWh/30分)はほぼ同じです。7日前の同じコマの需要は、曜日・時刻・稼働の有無・季節による需要の水準をまとめて反映した値ですが、他の特徴量が持つ情報との重なりが原因かどうかは、本コラムでは調べていません。少なくとも、重要度が大きく出た特徴量を外しても MAE がほとんど変わらない場合がある、ということは本コラムの架空データで確かめられました。

重要度は、モデルが分岐にその特徴量をどれだけ使ったかを表すもので、その要因が需要をどれだけ動かすか(因果の効果)を表すものではありません。冷房側で気温が1℃上がると使用量(kWh/30分や kWh/日)がどれだけ増えるかを知りたいなら、第3章の回帰の傾きや、気温だけを動かしたときの予測の変化を見るほうが向いています。ただし、これらもモデルの上での関連や感応度であり、それだけで因果の効果を示すものではありません。説明の手法の一般論は、弊社コラム『AIはなぜその答えを出したのか、説明可能AI(XAI)の実践ガイド』で扱っています。また、本章の例題では、評価の期間で幅が最も広くなった分位点の予測の上位5コマは、5コマとも7日前の同じコマが欠測でした。過去の需要を特徴量に入れると、その値が欠けたコマで区間の幅が広がるなど、予測が不安定になりうることも、点検の項目に入ります。

期間で切る交差検証と、ランダムに切る交差検証

モデルの設定(木の数や特徴量の選び方)を決めるときは、学習の期間の中をさらに分けて、学習用と検証用を入れ替えながら成績を測る交差検証を使います。このとき、行をランダムに分けると、成績が実際より良く見えることがあります。30分値は、隣のコマや同じ日のコマどうしがよく似ているので、ランダムに分けると、検証用のコマのすぐ隣のコマが学習用に入り、その日の需要の水準をモデルが知っている状態で検証することになる、というのが一般に挙げられる理由です。本章の例題には、前日と相関する日ごとの稼働の多さの揺れを入れてあります。ただし、以下の結果の差がこの理由だけで生じたかどうかは、本コラムでは分けて確かめていません。

# ---- 期間で切る交差検証と、ランダムに切る交差検証 ----
from sklearn.model_selection import KFold, TimeSeriesSplit
Xtr, ytr = X_act[tr].reset_index(drop=True), y[tr].reset_index(drop=True)
P2 = dict(P, n_estimators=300)

def cv_mae(splitter):
    errs = []
    for a, b in splitter.split(Xtr):
        m = lgb.LGBMRegressor(**P2).fit(Xtr.iloc[a], ytr.iloc[a])
        errs.append(np.mean(np.abs(ytr.iloc[b] - m.predict(Xtr.iloc[b]))))
    return np.mean(errs)

g300 = lgb.LGBMRegressor(**P2).fit(X_act[tr], y[tr])
print("\n交差検証のMAE(kWh/30分)")
print("ランダムに5分割", round(cv_mae(KFold(5, shuffle=True, random_state=0)), 2))
print("期間で5分割(前の期間で学習し後の期間で評価)", round(cv_mae(TimeSeriesSplit(5, gap=336)), 2))
print("評価期間の実際(実績の気温)", round(np.mean(np.abs(yt - g300.predict(X_act[te]))), 2))
print("評価期間の実際(予報の気温)", round(np.mean(np.abs(yt - g300.predict(X_fc[te]))), 2))

結果は次の表のとおりでした(木の数を300に減らした勾配ブースティングで比べています)。

評価の方法MAE(kWh/30分)読み方
学習の期間をランダムに5分割6.43評価の期間での値より小さく出た(隣のコマや同じ日のコマが学習用に入ることが一般に挙げられる理由。原因の切り分けは確かめていない)
学習の期間を期間で5分割(前の期間で学習し、後の期間で評価)12.63評価の期間での値より大きく出た(最初の分割は学習の期間が約3か月と短い。原因の切り分けは確かめていない)
評価の期間での値(実績の気温を入れた場合)8.61気温が完全に分かっているとした場合の値
評価の期間での値(予報の気温を入れた場合)10.00前日の朝の予測に近い条件での値

ランダムに5分割した交差検証の MAE は6.43kWh/30分で、評価の期間での値の8.61kWh/30分(同じ実績の気温を入れた場合)より小さく出ました。乱数の種を変えた6回でも、ランダムの分割は6.23から6.58kWh/30分で、評価の期間での値の8.14から9.38kWh/30分より常に小さくなりました。期間で5分割した交差検証は、反対に12.63kWh/30分と大きく出ました。この分け方では、最初の分割で学習に使えるのが最初の約3か月だけで、季節を一巡りしていない期間で学習した分割が含まれます(それがどれだけ効いたかは、分けて確かめていません)。本章のコードで使った期間の分割は、検証の期間の前に336件の間(gap)を空け(欠測を除いた後の件数で数えるので、ほぼ7日分です)、7日前の需要を通じた重なりを避けています。

期間で切る交差検証の値は、学習の期間の長さによって変わるので、絶対の値よりも、同じ分け方で比べたモデルどうしの順位を見るのに向いています。最後の判断は、学習に一度も使っていない、時間が後の評価の期間で行います。ランダムに分けた交差検証の値を、運用での成績の見込みとして報告しないことが大切です。

予測の幅:点の予測だけでは足りない理由

ここまでの予測は、1つのコマに1つの値を出す点の予測でした。点の予測は、平均的な外れを小さくするように作られています。しかし、エネルギーの判断の多くは、平均ではなく外れたときに何が起きるかで決まります。例えば、翌日の最大需要電力が目標を超えそうかどうかの判断では、「予測は800kW」だけでは足りず、「850kWを超える見込みが1割ある」のような情報が要ります。第1章で見たとおり、契約電力の決め方によっては、1回の高い需要電力がその後の基本料金に効くので、超える見込みの大きさが判断を左右します。

予測の幅を出す方法の1つが、分位点の予測です。10%点は「実績がこれを下回る見込みが10%」の値、90%点は「実績がこれを下回る見込みが90%」の値です。10%点から90%点の区間は、実績が80%の見込みで入る、という設計の区間です。この区間を80%の予測区間と呼ぶことがあります。設計どおりに実績が入るかどうかは、後で見るように、確かめなければ分かりません。予測区間は、1つ1つの将来の値が入る幅です。平均の値の推定の誤差を表す信頼区間(第5章)とは別の考え方です。

分位点を推定する方法として、分位点回帰があります。Koenker と Bassett の1978年の論文(Econometrica、第46巻第1号)が提案した方法で、ふつうの回帰が誤差の二乗を小さくするのに対し、分位点回帰は、上に外れた場合と下に外れた場合で重みの違う損失を小さくします。この損失をピンボール損失と呼びます。分位点を \(\tau\)(10%点なら0.1)、実績を \(y\)、予測を \(q\) とすると、損失は \(\max(\tau (y-q), (\tau-1)(y-q))\) です。言葉で言えば、90%点の予測では、実績が予測を上回った場合は外れの0.9倍、下回った場合は外れの0.1倍の損失を数えます。上に外れることを重く数えるので、予測は高めに寄り、実績の約90%が予測を下回る位置に落ち着きます。ピンボール損失は小さいほど良い指標で、確率で表す予測の評価にも使われます。

LightGBM では、目的関数に quantile を指定し、alpha に分位点を与えると、ピンボール損失を小さくする勾配ブースティングになります(LightGBM の公式のパラメータの説明で、quantile は回帰の用途の1つとして、alpha はその分位点のパラメータとして記載されています)。本章の例題では、10%点・50%点・90%点の3つのモデルを別々に学習しました。別々に学習すると、10%点が50%点を上回るような逆転(分位点の交差)が起きることがあるので、逆転したコマでは50%点にそろえています。

分位点の予測と、区間に実績が入った割合の確認と較正

分位点の予測を作ったら、評価の期間で、10%点から90%点の区間に実績が入った割合を必ず確かめます。80%の区間なら、入った割合が80%前後になっているはずです。あわせて、実績が90%点(上端)を超えた割合も確かめます。区間の外には、下端を下回る場合と上端を超える場合の両方が入るので、入った割合だけでは上側の外れ方は分かりません。上端を超えた割合が名目の10%より高ければ、目標を超える見込みを小さく見積もっていることになります。

学習に使う気温は、2つの場合を比べました。1つは、点の予測と同じく実績の気温で学習し、予報の気温を入れて予測する場合です。もう1つは、過去の予報の記録が残っているとして、学習にも予報の気温を使う場合です。後者では、予報の外れによる需要のばらつきも学習のデータに含まれるので、区間がその分広がることが見込めます。

# ---- 分位点(10%・50%・90%)の予測とピンボール損失 ----
def pinball(yt, q, a):
    d = yt - q
    return np.mean(np.maximum(a * d, (a - 1) * d))

print("\n分位点の予測(評価期間・予報の気温で予測)")
print("学習に使った気温 | 10%〜90%に入った割合 | 実績が90%点を超えた割合 | 区間の平均の幅(kWh/30分) | ピンボール損失 10%・50%・90%")
QS = {}
for src, Xs in (("実績の気温", X_act), ("過去の予報の気温", X_fc)):
    qp = {a: lgb.LGBMRegressor(**dict(P, objective="quantile", alpha=a)).fit(Xs[tr], y[tr]).predict(X_fc[te])
          for a in (0.1, 0.5, 0.9)}
    qp[0.1], qp[0.9] = np.minimum(qp[0.1], qp[0.5]), np.maximum(qp[0.9], qp[0.5])  # 交差を直す
    QS[src] = qp
    cover = np.mean((yt >= qp[0.1]) & (yt <= qp[0.9]))
    print(f"{src} | {cover:.3f} | {np.mean(yt > qp[0.9]):.3f} | {np.mean(qp[0.9] - qp[0.1]):.1f} | "
          + "・".join(f"{pinball(yt, qp[a], a):.2f}" for a in (0.1, 0.5, 0.9)))

q = QS["過去の予報の気温"]
m_in = lgb.LGBMRegressor(**dict(P, objective="quantile", alpha=0.1)).fit(X_fc[tr], y[tr]).predict(X_fc[tr])
m_in9 = lgb.LGBMRegressor(**dict(P, objective="quantile", alpha=0.9)).fit(X_fc[tr], y[tr]).predict(X_fc[tr])
print("参考:学習に使った期間そのものでの、10%〜90%に入った割合",
      round(float(np.mean((y[tr].values >= m_in) & (y[tr].values <= m_in9))), 3))

# 較正:学習の最後の60日を較正用に取り分け、外れた量の80%点だけ区間を上下に広げる
fit_, cal = tr & (df.day < TRAIN_END - 61), tr & (df.day >= TRAIN_END - 61)
qc = {a: lgb.LGBMRegressor(**dict(P, objective="quantile", alpha=a)).fit(X_fc[fit_], y[fit_])
      for a in (0.1, 0.9)}
score = np.maximum(qc[0.1].predict(X_fc[cal]) - y[cal].values, y[cal].values - qc[0.9].predict(X_fc[cal]))
adj = np.quantile(score, 0.8)
lo_c, hi_c = qc[0.1].predict(X_fc[te]) - adj, qc[0.9].predict(X_fc[te]) + adj
print(f"較正で足した幅 {adj:.1f} kWh/30分 | 較正後の区間に入った割合 {np.mean((yt >= lo_c) & (yt <= hi_c)):.3f}"
      f" | 上端を超えた割合 {np.mean(yt > hi_c):.3f} | 区間の平均の幅 {np.mean(hi_c - lo_c):.1f} kWh/30分")
hot = pd.Series(df.temp_fc[te].values).groupby(dte).transform("max").values >= 30
busy = df.work[te].values & (df.slot[te].values >= 18) & (df.slot[te].values < 38)
print("区分(重ならない4区分と再掲) | 件数 | 区間に入った割合 較正前・較正後 | 上端を超えた割合 較正前・較正後")
for name, m in (("稼働日の9時〜19時・30℃以上の日", busy & hot), ("稼働日の9時〜19時・30℃未満の日", busy & ~hot),
                ("それ以外のコマ・30℃以上の日", ~busy & hot), ("それ以外のコマ・30℃未満の日", ~busy & ~hot),
                ("再掲:稼働日の9時〜19時", busy)):
    print(f"{name} | {int(m.sum())} | {np.mean((yt[m] >= q[0.1][m]) & (yt[m] <= q[0.9][m])):.3f}"
          f"・{np.mean((yt[m] >= lo_c[m]) & (yt[m] <= hi_c[m])):.3f}"
          f" | {np.mean(yt[m] > q[0.9][m]):.3f}・{np.mean(yt[m] > hi_c[m]):.3f}")
学習に使った気温区間に入った割合実績が上端を超えた割合区間の平均の幅(kWh/30分)ピンボール損失(10%点・50%点・90%点、kWh/30分)
実績の気温0.6470.17221.52.71・5.13・2.75
過去の予報の気温0.6620.16223.32.78・5.43・2.67
過去の予報の気温+較正(較正後の区間)0.7950.09730.0(計算していない)

10%点から90%点の区間に実績が入った割合は、実績の気温で学習した場合で0.647、過去の予報の気温で学習した場合で0.662でした。名目の0.8に届かず、実績が90%点を超えた割合も0.1ではなく0.16から0.17でした。学習に予報の気温を使うと区間は少し広がりましたが、入った割合の改善は小さいものでした。乱数の種を変えた6回では、入った割合は、実績の気温で学習した場合で0.614から0.659、予報の気温で学習した場合で0.628から0.706で、6回とも予報の気温で学習したほうがわずかに高くなりました。

学習に使った期間そのもので同じ割合を測ると0.803で、ほぼ名目どおりでした。学習のデータの上では区間が正しく見えても、学習に使っていない後の期間では狭すぎる、ということです。本コラムでは、なぜ狭くなったかの原因を分けて確かめていません。原因が何であれ、区間の割合は、学習に使っていない期間で測らなければ分からない、という点が大切です。

区間が狭すぎることが分かった場合に、幅を後から補う方法があります。本章の例題では、学習の期間の最後の60日を較正用に取り分け、残りの期間で分位点のモデルを学習し直しました。較正用の期間で、実績が区間の外にどれだけはみ出したか(区間の内側なら負の値)を測り、その80%点の値だけ、区間を上下に広げます。広げる幅が、区間に入る割合が80%になるように較正用の期間で決まる、という仕組みです。この方法は、Romano、Patterson、Candès の2019年の論文(NeurIPS 2019 の論文集)が提案した、共形予測と分位点回帰を組み合わせる方法の考え方を簡略にしたものです。論文の有限の標本についての補正を省いており、時系列のデータへの当てはめは本コラムの架空データで試しただけなので、将来の期間で区間に入る割合を保証するものではありません。また、上下に同じ幅を足すこの較正は、上下を合わせた区間に入る割合をそろえるもので、下端と上端をそれぞれ10%点と90%点にそろえるものではありません。

結果は前の表の最後の行のとおりで、較正で上下に3.9kWh/30分ずつ広げると、評価の期間で較正後の区間に入った割合は0.795、実績が上端を超えた割合は0.097になり、区間の平均の幅は30.0kWh/30分になりました。較正後の区間は、学習の最後の60日を除いて学習し直したモデルに幅を足したもので、較正前のモデルとは学習の期間が少し違います。そのため、較正前の幅23.3kWh/30分に上下3.9kWh/30分を足した値とは一致せず、較正前後の違いには、学習し直しの影響も混ざっています。乱数の種を変えた6回では、較正後の区間に入った割合は0.758から0.810、上端を超えた割合は0.097から0.131でした。ただし、全体の割合が80%近くになっても、時間帯ごとに見ると様子が違います。

区分コマの数区間に入った割合(較正前・較正後)実績が上端を超えた割合(較正前・較正後)
稼働日の9時〜19時・予報の最高気温30℃以上の日3780.378・0.4070.442・0.397
稼働日の9時〜19時・予報の最高気温30℃未満の日2,1350.554・0.6100.195・0.163
それ以外のコマ・予報の最高気温30℃以上の日9140.628・0.7960.200・0.113
それ以外のコマ・予報の最高気温30℃未満の日5,3760.730・0.8960.122・0.047
再掲:稼働日の9時〜19時(上の2行の合計)2,5130.528・0.5790.232・0.198

表の最初の4行は互いに重ならない区分で、コマの数を足すと評価の件数の8,803件になります。「それ以外のコマ」は、休業日と土日のすべてのコマと、稼働日の9時より前と19時以降のコマです。最後の行は、最初の2行を合わせた再掲です。区分は、予報の最高気温と稼働の予定という、予測を作る時点で分かる条件だけで分けています。

較正の後でも、稼働日の9時から19時のコマでは、実績が区間に入った割合は0.579にとどまり、実績が上端を超えた割合は0.198で、名目の0.1の約2倍でした。乱数の種を変えた6回では、入った割合が0.525から0.605、上端を超えた割合が0.198から0.252でした。そのうち予報の最高気温が30℃以上の日のコマでは、入った割合が0.407、上端を超えた割合が0.397で、6回のうち5回は入った割合が4つの区分の中で最も低くなりました(6回で入った割合は0.407から0.667、上端を超えた割合は0.219から0.460)。反対に、それ以外のコマで30℃未満の日では、入った割合が0.896、上端を超えた割合が0.047で、区間が広すぎます。全体で同じ幅を足す較正は、全体の割合をそろえる代わりに、需要が大きく外れやすい時間帯の不足と、外れにくい時間帯の余りを打ち消し合わせてしまいます。この例題で最大需要電力が出るのは稼働日の昼の時間帯なので、全体の割合だけを見て「区間は正しい」と判断すると誤ります。

予報の最高気温が最も高い日を含む1週間の、10パーセント点から90パーセント点の予測の区間と50パーセント点と実績の需要電力

上の図は、評価の期間の中で予報の最高気温が最も高い日を含む1週間(月曜から日曜)の、較正前の10%点から90%点の区間と50%点、実績です(学習にも過去の予報の気温を使った場合。凡例は右上)。横軸の目盛りは各日の正午です。夜間と週末は区間が狭く、実績もおおむね区間に入っています。平日の昼は区間が広がりますが、火曜・水曜・金曜の昼は実績が区間の上に出ているコマが続きました。木曜の夜に区間の上端が一時的に跳ねているのは、木曜の22時から22時30分のコマで、7日前の同じコマが欠測だったコマです(特徴量の重要度の節で述べた、7日前の値が欠けたコマで幅が広くなるのと同じ型です)。区間は、時間帯や気温の区分ごとに入った割合を確かめ、足りない区分では区分ごとに較正するか、その区分の判断に余裕を持たせる必要があります。区間の較正には、ここで使った方法のほかにも、区分ごとに幅を決める方法などがありますが、本コラムでは扱っていません。

日の最大需要電力の予測

最大需要電力の管理(第6章)や契約の見直しで知りたいのは、30分値そのものより、日や月の最大需要電力です。そのとき、30分値の点の予測を48コマ並べ、その最大を日の最大の予測とする方法が考えられます。点の予測は平均的な値に寄るので、その最大は実績の最大より低く出るのではないか、という疑問があります。実績の最大は、ばらつきで高く出たコマを拾うからです。本章の例題で、この点を確かめました。

# ---- 日の最大需要電力:30分値の予測の最大を取ると低く出るか ----
d_te = pd.DataFrame({"d": dte, "work": df.work[te].values, "hot": hot, "t": 2 * yt,
                     "pt": 2 * gbm.predict(X_fc[te]), "q90": 2 * q[0.9]}).groupby("d").agg(
    work=("work", "first"), hot=("hot", "first"), n=("t", "size"),
    t=("t", "max"), pt=("pt", "max"), q90=("q90", "max"))
w = d_te[d_te.work & (d_te.n == S)]      # 稼働日のうち、実績が48コマそろった日
print("\n稼働日(48コマそろった日)の日の最大需要電力(kW)", len(w), "日")
print("実績の平均", round(w.t.mean(), 1))
for c, name in (("pt", "点の予測の最大"), ("q90", "90%点の予測の最大")):
    err = w[c] - w.t
    print(f"{name} | 平均の差(予測-実績) {err.mean():.1f} | 差の絶対値の平均 {err.abs().mean():.1f}"
          f" | 実績が予測を上回った日の割合 {np.mean(err < 0):.3f}")
for name, g in (("予報の最高気温30℃以上の稼働日", w[w.hot]), ("30℃未満の稼働日", w[~w.hot])):
    print(f"{name} | {len(g)}日 | 点の予測の最大の平均の差 {(g.pt - g.t).mean():.1f}"
          f" | 実績が90%点の予測の最大を上回った日の割合 {np.mean(g.t > g.q90):.3f}")
print("参考:実績の日の最大が大きい5日(kW) 実績・点の予測の最大・90%点の予測の最大")
for d, r in w.nlargest(5, "t").iterrows():
    print(f"{d}日目 | {r.t:.1f} | {r.pt:.1f} | {r.q90:.1f}")

imp = pd.Series(gbm.booster_.feature_importance("gain"), index=X_act.columns)
print("\n特徴量の重要度(gain、合計に対する割合)")
print((imp / imp.sum()).sort_values(ascending=False).round(3).to_string())
日の最大の取り方(稼働日のうち48コマそろった107日)平均の差(予測 – 実績、kW)差の絶対値の平均(kW)実績が予測を上回った日の割合
勾配ブースティングの点の予測の最大2.044.30.486
90%点の予測の最大(較正前)38.154.80.243

日の最大は、実績の30分値が48コマそろった日だけで比べました。評価の期間の稼働日126日のうち、欠測のある日を除いた107日です。この107日で、日の最大需要電力の実績の平均は770.4kWでした。点の予測の最大は、実績の最大より平均で2.0kW高く、実績が予測を上回った日の割合は0.486でした。乱数の種を変えた6回では、平均の差は-13.3から2.0kWで、予測が低い回が4回、高い回が2回ありました。実績が予測を上回った日の割合は0.486から0.586、差の絶対値の平均は44.3kW(6回で41.7から51.1kW)でした。本コラムの架空データでは、点の予測の最大が平均で一方に大きく偏ることはなく、日ごとの外れのほうがずっと大きい、という結果でした。点の予測の最大は低く出るのではないかという見込みは、平均で見る限り、はっきりとは確かめられませんでした。なお、最初の誤差の表の「日の最大需要電力の誤差」35.6kW は、休業日と土日を含む157日の値で、この表の稼働日だけの値とは母集団が違います。

予測を作る時点で分かる条件で分けると、予報の最高気温が30℃以上の稼働日(15日)では、実績が90%点の予測の最大を上回った日の割合が0.400で、30℃未満の稼働日(92日)の0.217より高くなりました。乱数の種を変えた6回では、30℃以上の稼働日で0.304から0.500、30℃未満の稼働日で0.217から0.322で、6回のうち5回は30℃以上の日のほうが高い割合でした。30℃以上の稼働日は1回あたり15日から28日と少ないので、割合の値は大きく揺れます。暑い日の予報が出た日ほど、コマごとの90%点から取った日の最大を、実績が上回りやすかったということです。

稼働日ごとの日の最大需要電力の実績と、点の予測の最大と90パーセント点の予測の最大の散布図

上の図は、稼働日のうち48コマそろった日ごとに、日の最大需要電力の実績(横軸)と、予測から取った日の最大(縦軸)を並べたものです(凡例は左上)。斜めの線より上の点は予測が実績より高かった日、下の点は低かった日です。点の予測の最大(濃い色の丸)は斜めの線の両側に散らばり、90%点の予測の最大(灰色の三角)は線より上に寄っていますが、線より下の三角も少なくありません。右上の、実績が1,000kWを超える日では、丸も三角も線より下にあります。ただし、実績が大きい日を後から選ぶと、予測が正しく作られていても、実績が予測を上回る日が多く選ばれます。実績が大きいほうから5日(実績は945.3から1,086.7kW)では、点の予測の最大は5日とも実績より低く(差は1.9から104.0kW)、90%点の予測の最大も4日で低くなりましたが、これは予測の偏りを示すものではなく、極端な日にどれだけ外れたかを見る参考の値です。予測の幅が正しいかどうかは、前の段落のように、予測を作る時点で分かる条件で分けて確かめます。

90%点の予測の最大は、実績より平均で38.1kW高く、実績がそれを上回った日の割合は0.243でした(6回で0.243から0.348)。90%点のコマごとの予測の最大を取っても、日の最大が90%の見込みでその下に収まるわけではない点に注意が要ります。コマごとの区間で上端を超えた割合が名目より高かったこと(前の節)に加えて、日の最大は48コマのどこかで高く出れば決まるので、コマごとの分位点から日の最大の分位点はそのまま求まりません。日の最大の幅を判断に使うなら、日の最大そのものを目的にした分位点の予測を作るか、時間の相関を保ったシナリオから日の最大の分布を作る方法があります。シナリオの作り方は第11章で扱います。

データの少ない事業所と、モデルの更新と監視

勾配ブースティングは、学習の期間に無かった条件を苦手とします。木は学習のデータを区切って値を割り当てるので、記録に無いほどの暑さの日には、記録の中で最も暑い区分の値を返すだけで、気温に沿って予測を伸ばすことはしません。開業したばかりの事業所や、30分値が1年分に満たない事業所では、夏や冬を一巡りしていないので、この弱点がそのまま出ます。こうした事業所では、第3章の回帰のように、気温と使用量の関係を式で持つモデルから始め、記録が季節を一巡りしてから機械学習を試す、という順番が考えられます。ただし、第3章のとおり、学習の期間に無い温度帯の係数は回帰でも推定できないので、記録に無い範囲の予測は、設備の担当者と照らして点検します。同じ用途・同じ地域の複数の事業所の記録をまとめて学習する方法もありますが、建物ごとの違いをどう扱うかの設計が要り、本コラムでは扱っていません。

運用を始めた後は、予測の誤差と区間に入った割合を、月ごとや季節ごとに記録し続けます。設備の更新、営業の時間の変更、テナントの入れ替え、在室の人数の変化があると、学習の期間の関係が成り立たなくなり、予測は外れ始めます。外れ方の監視と、省エネの効果を測るためのベースライン(第5章)の引き直しは第12章で、モデルの監視と再学習の一般論は弊社コラム『機械学習モデルを運用し続けるMLOps、実験管理からモデル監視と再学習まで』で扱っています。再学習の頻度を決めるときは、季節を一巡りした学習の期間を確保することと、最近の変化を取り込むことの釣り合いを考えます。

点検の項目見るもの外れたときに考えること
点の予測の誤差月ごとの MAE、需要の大きいコマの MAE、日の最大需要電力の誤差設備や使い方の変化、気温の予報の外れ、休業日のフラグの誤り
区間に入った割合全体と、稼働日の昼・暑い日などの区分ごとの割合区分ごとの較正、判断の余裕の見直し
実績が90%点を超えた割合月ごと・区分ごとの割合(名目は0.1)ピークの警報の基準の見直し
特徴量の欠け過去の30分値の欠測、予報の取得の失敗欠けたときの予測の扱い(単純な基準に切り替えるなど)
学習の期間の範囲外記録に無い暑さ・寒さの日、新しい営業の形回帰のモデルとの併用、担当者の確認

経営の判断:成績の差と運用の負担を並べて選ぶ

需要の予測のモデルを選ぶときは、評価の期間での成績の差だけでなく、運用の負担の差と並べて判断するのがよいと考えています。本コラムの架空データでは、全体の MAE で見た勾配ブースティングと回帰の差は乱数の種で入れ替わる程度で、需要の大きい上位10%のコマの MAE では、6回のうち5回で回帰のほうが小さくなりました。こうした場合に、特徴量の作成・更新・監視の手間が大きいモデルを選ぶと、成績は上がらないのに運用の負担だけが増えます。予測の画面や会議はあるのに、運転の設定の見直しにつながらない状態になれば、序章で整理した損失の型の形骸化にあたります。反対に、要因の組み合わせが複雑で回帰では外れが大きい事業所で、運用の負担を理由に回帰にとどまると、空調の起動の計画や負荷の移動で得られる可能性のある改善の機会(使用量の削減や最大需要電力の低下)を逃すおそれがあり、機会損失や払いすぎにつながりえます。負荷の移動だけでは、使用量の削減になるとは限りません。最大需要電力の低下が基本料金に反映されるかどうかと、その時期は、契約電力の決まり方によります(第1章)。

予測の幅をどう使うかは、技術の担当者に任せきりにせず、事業として決める事項です。例えば、「翌日の日の最大の90%点が目標の需要電力を超えたら、前日のうちに負荷の移動を準備する」といった決まりにすれば、幅を行動の基準にできます。ただし、本章の例題の幅のままでは、この決まりの前提が成り立ちません。コマごとの90%点の最大を日の最大の90%点の代わりにすると、実績がそれを上回った日の割合は24.3%で、名目の10%より高く、予報の最高気温が30℃以上の稼働日では40.0%でした。この割合は警報の見逃しの割合そのものではありません。見逃しと空振りの割合は、目標の需要電力を先に決めて、日ごとの判定と実績を突き合わせて数える必要があり、本章では計算していません。こうした決まりを使うのは、区分ごとの較正や、日の最大そのものを目的にした予測を作り、暑い予報の日のように予測を作る時点で分かる条件で分けて、上端を超えた割合が名目に近いことを確かめてからにすべきです。上端を超えた割合が名目より高いまま使うと、超える見込みを小さく見積もり、目標の超過が増えます。区間が広すぎれば、準備が空振りして現場の負担が増え、在室者の快適性や生産への支障の心配から、決まり自体が守られなくなるおそれがあります。区間の割合を区分ごとに確かめる作業は、この判断の土台です。

予測モデルの誤差が小さくなったことは、それ自体が省エネの効果ではありません。効果(削減量)は、予測を使って運転を変えた結果、省エネの効果を測るためのベースライン(第5章)に比べて使用量(kWh)がどれだけ減ったかを、条件をそろえて見積もった値です。最大需要電力の低下(kW)は、それとは別に測ります。予測の改善を投資の判断に使うなら、KPI は誤差の小ささではなく、予測を使った判断の結果(目標を超えた日の数、準備が空振りした日の数、使用量の削減量、最大需要電力の低下)に置くのがよいと考えています。

決めること決める人の例本章で見た根拠
予測の使い道と、許せる誤差(第3章)施設管理の責任者と経営使い道で見る指標(全体の MAE か、需要の大きいコマか、日の最大か)が変わる
回帰にとどめるか、機械学習を使うかデータ分析の担当者と施設管理時間で切った評価の期間での差と、乱数の種などを変えた繰り返しでの差の安定
予測の幅を、どの判断にどの分位点で使うか経営と施設管理区間に入った割合(全体と区分ごと)と、超えた割合
更新と監視の頻度と責任者施設管理とデータ分析の担当者月ごとの誤差と区間の割合の記録

この章では、勾配ブースティングによる30分値の予測を第3章の型の回帰と比べ、本コラムの架空データでは、全体の MAE の差は小さく乱数の種で入れ替わり、需要の大きいコマでは回帰のほうが小さい回が多いことを確かめました。あわせて、予測の時点で手に入る情報だけを特徴量にすること、ランダムな分割の交差検証が評価の期間での値より良い成績を示したこと、分位点の予測の区間は学習に使っていない期間で狭く出て、稼働日の昼や暑い予報の日ほど実績が上端を超えやすかったので、予測を作る時点で分かる条件の区分ごとに確かめてから使うべきことを示しました。第5章では、こうした予測の考え方を、省エネの効果を測るためのベースラインに使い、対策の前後を条件をそろえて比べる方法を扱います。

この章を深めたい方への参考書籍

『Kaggleで勝つデータ分析の技術』(門脇大輔・阪田隆司・保坂桂佑・平松雄司、技術評論社):勾配ブースティングを中心に、特徴量の作り方と、時系列のデータでの検証の分け方を詳しく扱っています。本章の、期間で切る交差検証と、予測の時点で使える特徴量の考え方を、実装の面から深められます。

『Pythonによる時系列予測』(Marco Peixeiro 著、クイープ 訳、マイナビ出版):統計のモデルから深層学習まで、時系列の予測の方法を Python のコードとともに順に説明しています。本章で紹介だけにとどめた深層学習による予測を、自分で試すときの入口になります。

第5章 省エネの効果の測り方、ベースラインと計測・検証の考え方

第3章と第4章では、気温・曜日・稼働の有無から電力の使用量を予測するモデルを作り、時間で切った評価でその誤差を確かめました。この章では、その予測の考え方を、省エネの対策の効果を測ることに使います。対策の効果は、対策の後の使用量を前の年と比べても分かりません。対策が無かった場合に見込まれる使用量を、対策の後の気温や稼働の条件のもとで見積もり、その見積りと実際の使用量の差として測ります。この見積りをベースラインと呼びます。本章でいうベースラインは、省エネの効果を測るためのものです。デマンドレスポンスの削減量を算定するためのベースラインは作り方が違い、第10章で扱います。

この章で扱う内容は次のとおりです。中ほどでは、他の章とは独立に作った架空の事業所の30分値を使い、実行したコードと結果で確かめます。

  • 前年比や原単位の単純な比較が、対策の効果を表さない理由
  • 計測と検証の考え方と、方法の選択肢(設備を切り出して測る方法・建物の全体で測る方法・校正したシミュレーションを使う方法)
  • 前年比・度日で補正した原単位・回帰のベースラインの3つの方法を、真の削減量と比べた結果
  • 削減量(kWh)だけでなく、最大需要電力の低下(kW)と時間帯を見ること、対策どうしの相互の影響
  • 削減量の不確かさの区間、対策前の期間の長さ、稼働の変化の調整、対照になる拠点を使う方法
  • 設備の単位で測るか建物の全体で測るかの使い分け、費用と排出量への換算、効果を保証する契約、報告を受けたときに聞くこと

この章の主張は、対策を始める前に、効果の測り方とベースラインの期間を決めておくべきだ、という点です。本コラムの架空データでは、対策の後の年が前の年より暑く、稼働日も多い年でした。前年比で数えた削減量は真の削減量の6割ほどにとどまり、度日で補正した原単位では真の削減量の2倍近くになりました。対策の前の1年間で作った回帰のベースラインを使うと、真の削減量に近い値と、名目の幅が得られました。ただし、ベースラインを作る期間が短く、対策の後に現れる気温の範囲を含んでいないと(この例では10月から12月の3か月)、回帰のベースラインも大きく外れました。夏と冬の両方の気温を含む6か月と9か月の期間では、12か月の場合と同じ程度の外れ方でした。いずれも、この架空データの条件での結果です。

前年比では効果が分からない理由

省エネの対策の後に、使用量が前の年の同じ月より減っていると、その減少を対策の効果として報告したくなります。しかし、使用量は対策のほかにも多くの条件で変わります。第3章で見たとおり、空調の使用量は外気温で大きく変わり、夏が暑ければ冷房の分が増え、冬が暖かければ暖房の分が減ります。稼働日の数、営業の時間、生産量、在室者の数、テナントの入れ替わり、新しい設備の追加でも使用量は変わります。前の年と比べた増減には、これらの条件の違いによる増減と、対策による増減が混ざっています。

原単位(第2章)は、使用量を延床面積や生産量などの活動量で割った値です。活動量の違いはある程度そろいますが、気温の違いはそろいません。さらに、使用量の中には、活動量に比例しない部分(ベース負荷など)があるので、活動量で割っただけでは条件をそろえきれません。度日は、基準の温度と日平均気温の差を日ごとに積み上げた値です。冷房度日は日平均気温が基準より高い日の差だけを、暖房度日は基準より低い日の差だけを足し合わせ、単位は℃・日です。基準の温度は、室内の設定温度と同じとは限りません。度日で割ったり、度日の比で補正したりする方法もありますが、使用量のうち気温に関係しない部分まで度日の比で動かしてしまうと、補正が大きすぎたり小さすぎたりします。この点は後の節で、架空データの結果で確かめます。

本コラムでは、削減量を次のように定めます。対策の後の期間について、対策が無かった場合に見込まれる使用量(ベースライン)を、その期間の実際の気温・稼働日・生産量などの条件のもとで見積もり、そこから実際の使用量を引いた差です。式で書くと \( S = \sum_{t} ( \hat{B}_t – E_t ) \) で、言葉で言い換えると、対策の後の各日(あるいは各月)について、ベースラインの見積り \( \hat{B}_t \) から実績 \( E_t \) を引き、それを報告の期間で足し合わせた値です。ベースラインは実際には観測できない量なので、見積りには必ず幅があります。削減量は1つの数字ではなく、幅つきの見積りとして扱います。

この区別を誤ると、序章で整理した損失の型のうち、効果の数え違いが起きます。暑い年に対策を入れると、効果があっても使用量が前の年より増えることがあり、効果の無い対策として打ち切ってしまうおそれがあります。逆に、涼しい年や稼働の少ない年には、効果の小さい対策でも大きく減ったように見え、同じ対策を他の事業所に広げる投資の判断を誤るおそれがあります。省エネの投資の評価は、前年比ではなくベースラインとの差で行うべきだと考えています。

ベースラインと実績の差で削減量を測る手順の図。対策前の期間のデータ、ベースラインのモデル、ベースラインの見積り、削減量(見積りと実績の差)、対策後の気温と稼働の条件、対策後の実績の使用量 の箱を矢印でつないでいる

計測と検証の考え方と方法の選択肢

評価の範囲、計測、ベースライン、条件の調整、不確かさ、報告の方法をあらかじめ決めて、削減量を算定して確かめる手続きを、計測と検証(M&V)と呼びます。国際的に広く参照される枠組みの1つに、非営利団体の Efficiency Valuation Organization(EVO)が管理するIPMVP(国際的な省エネの計測と検証の手順書)があります。EVO の公式ページは、IPMVP を省エネの削減量を計測し検証するための、手順を細かく指定しない枠組みと説明しており、2026年11月に確かめた時点で、そのページに掲げられている版は「IPMVP Core Concepts 2022」でした(本文の入手には登録が要ります)。本コラムでは、EVO の公式ページと、米国エネルギー省の連邦エネルギー管理プログラム(FEMP)が2015年11月に公表した計測と検証の指針の第4.0版で確かめた範囲で、方法の選択肢の考え方を自分の言葉でまとめます。FEMP の指針は2024年9月に第5.0版が公表されていることを確かめましたが、本章で引く FEMP の指針の記述は、第4.0版で確かめたものです。

選択肢は、何の範囲を測るかで大きく分かれます。1つ目は、対策の影響を受ける設備のまわりに計測の境界を引き、その設備だけを測る方法で、EVO の公式ページでは Option A と Option B がこれにあたります。FEMP の指針では、Option A は効果を左右する主な値(照明の更新なら器具1台あたりの電力など)を測り、運転時間のような他の値は合意した値で置く方法、Option B は使用量の計算に要る値をすべて測る方法と説明されています。2つ目は、建物や事業所の全体の計量器で測る Option C です。3つ目は、対策前または対策後の計量のデータが使えない場合などに、実測に合うように調整(校正)したシミュレーションのモデルを使う Option D です。

測り方測る範囲向く場面(指針で確かめた範囲)注意すること
設備を切り出し、主な値だけ測る(Option A)対策した設備のまわりの境界照明の更新のように効果を左右する値がはっきりしている対策。FEMP の指針は、対策が単純なほどこの方法の精度が高くなりやすいとしている測らずに合意した値で置く部分(運転時間など)の誤差は、効果の見積りに残る。合意した値の置き方で、効果が出ない危険を誰が負うかが変わる
設備を切り出し、すべての値を測る(Option B)対策した設備のまわりの境界対策ごとの削減量を知りたい場合。設備の運転のデータや系統の計量器が既にある場合計測の機器と期間が要る。境界の外への影響(空調への波及など)は別に見積もる
建物の全体で測る(Option C)受電の計量器で測る建物や事業所の全体複数の対策をまとめて評価したい場合。30分値や請求書のデータを使える場合削減が全体の使用量に比べて小さいと、ばらつきに埋もれて区別できない。対策以外の変化の調整が要る
校正したシミュレーション(Option D)シミュレーションのモデルの範囲対策前か対策後のどちらかの計量のデータが使えない場合。FEMP の指針は、対策どうしの相互の影響が複雑な場合も挙げているモデルを作って校正する人の技量が要る。校正の基準を事前に決めておく

このほか、米国の空調の学会である ASHRAE は、省エネルギー・需要電力・水の削減量の計測を扱う指針14を出しています。2023年版があり、2025年10月29日にその追補 a が承認されたことを、ASHRAE が公開している追補の文書で確かめました。国際規格では、ISO 50015 が、組織のエネルギーパフォーマンスの計測と検証の一般的な原則と手引きを定めています。2014年の第1版で、ISO の公式ページでは2025年に見直しを経て現行と確認されています。ISO 50006 は、エネルギーパフォーマンス指標とエネルギーベースラインを作り、使い、維持するための手引きです。2023年5月の第2版で、2014年版を置き換えました。ISO 50006 は、ISO 50001 のエネルギーマネジメントシステム(第13章)を使う組織を含む、あらゆる組織に適用できるとされています。本コラムでは、これらの規格や指針の本文を引き写さず、題名と位置づけを公式で確かめた範囲だけを書いています。個別の契約や報告で、どの規格や手順書に沿うかは、当事者どうしで決めて確かめる事項です。

どの選択肢を使う場合も、計測と検証の計画として事前に決めておくべきことは共通しています。本コラムでは、次の6つに整理しました。

  • 何を測るか(評価の範囲と計測の境界)
  • どの期間をベースラインの期間とし、どの期間を報告の期間とするか
  • ベースラインをどの条件(気温・稼働日・生産量など)で調整し、調整の式をどう作るか
  • どの計量器・計測点のデータを使うか
  • どれだけの幅(不確かさ)を許し、それをどう計算するか
  • 報告の方法(誰に、何を、どの頻度で報告するか)

対策の後になってから測り方を決めると、結果を見てから都合の良い方法を選んだと受け取られかねません。

架空の事業所のデータを作る

ここからは、3つの方法で数えた削減量が、真の削減量とどれだけ違うかをコードで確かめます。この章のデータは、他の章とは独立に作った架空の合成データで、実際の事業所の記録よりずっと単純です。合成データでの成績や削減量は、実際の事業所での値の目安にはなりません。合成データを使う理由は、対策が無かった場合の使用量(真のベースライン)を同じ乱数から作れるので、真の削減量が分かるためです。実際の事業所では、真のベースラインは観測できません。この章で「実績」と書く値は、合成データの中での実績であり、実際の設備で測った値ではありません。

この例題の30分値は、受電点で測る電力量(受電電力量)として作りました。太陽光発電も蓄電池も無い設定なので、この例題では受電電力と需要は同じです。30分値は、そのコマの始まりの時刻(0時、0時30分、…)で呼ぶものとします(コードでは、外気温の計算にコマの中央の時刻を使っています)。月は、1年の365日を12等分した架空の暦の月で、実際の暦の月とは一致しません。

架空の事業所Aの2年分の30分値(kWh)を、次の性質を持たせて乱数で作りました(乱数の種、つまり乱数の出方を決める数は20261117に固定しています)。コードは Python 3.14.3 で実行し、numpy 2.4.3 と pandas 3.0.1 を使いました。

  • 外気温:季節の周期に、前の日と相関する日ごとの揺れと、1日の中の周期を足した架空の地点の気温。2年目は1年目より平均で1.2℃高くした
  • 稼働:7日のうち5日を稼働日とし、さらに架空の休業日を1年目に14日、2年目に6日入れた。稼働の時間帯は8時から20時
  • 負荷:ベース負荷・稼働の時間帯の基礎の負荷(照明と空調を除く)・照明・冷房・暖房の和。冷房と暖房は、30分ごとの外気温が一定の温度を超えた分(下回った分)に比例し、稼働の時間帯は傾きが大きい
  • 対策:2年目の初日から照明を更新した。稼働の時間帯の照明の負荷が1コマあたり8kWh(需要電力で16kW。日ごとやコマごとのばらつきを掛ける前の設定の値)減り、照明からの発熱が減るので、冷房が効き始める外気温と暖房が効き始める外気温がともに0.6℃上がる
  • ばらつきと欠測:日ごとの揺れとコマごとの揺れを掛け、欠測を12コマ入れて、同じ日の前後のコマから補った

30分値は30分間の電力量(kWh)で持ち、その2倍をそのコマの需要電力(kW)とします。1コマの時間の幅は0.5時間です。次のコードは、暦・外気温・稼働の有無を作ります。

import sys, io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding="utf-8")
import numpy as np
import pandas as pd

SEED = int(sys.argv[1]) if len(sys.argv) > 1 else 20261117
rng = np.random.default_rng(SEED)
N_DAY, N_SLOT, DT = 730, 48, 0.5           # 2年分、1日48コマ、1コマ0.5時間
START = 365                                # 対策の開始日(2年目の初日)
d = np.arange(N_DAY)
year = d // 365                            # 0=1年目、1=2年目
month = (d % 365) * 12 // 365 + 1          # 架空の暦の月(1〜12)
ar = np.zeros(N_DAY)                       # 日ごとの気温の揺れ(前日と相関する)
for i in range(1, N_DAY):
    ar[i] = 0.7 * ar[i - 1] + rng.normal(0, 1.6)
t_day = 16 - 10 * np.cos(2 * np.pi * (d - 20) / 365) + ar + 1.2 * year   # 2年目は平均1.2℃暑い
hour = (np.arange(N_SLOT) + 0.5) * DT
t_slot = t_day[:, None] + 3.5 * np.sin(2 * np.pi * (hour - 9) / 24)[None, :]
op = (d % 7 < 5).astype(float)             # 7日のうち5日を稼働日とする
for y, k in [(0, 14), (1, 6)]:             # 架空の休業日:1年目14日、2年目6日
    cand = d[(year == y) & (op == 1)]
    op[rng.choice(cand, k, replace=False)] = 0
work = ((hour >= 8) & (hour < 20)).astype(float)[None, :]   # 稼働の時間帯 8時〜20時

次のコードは、30分値を作る関数と、対策の有無の2通りの30分値を作ります。対策が無かった場合の30分値 kwh_cf と実際の30分値 kwh は、同じばらつき eps を使っているので、両者の差がそのまま真の削減量になります。

def load(measure, d_light=8.0, d_bal=0.6, shift=0.0, scale=1.0, c_op=5.0):
    """30分値(kWh)。measure=1 の日は照明の更新の後(照明の負荷が減り、内部の発熱も減る)"""
    opd = op[:, None] * work
    light = 30 - d_light * measure                       # 照明(kWh/コマ)
    tc, th = 20 + d_bal * measure, 12 + d_bal * measure   # 冷房と暖房が効き始める外気温
    cool = np.where(opd > 0, c_op, 1.2) * np.maximum(t_slot - tc, 0)
    heat = np.where(opd > 0, 4.0, 0.8) * np.maximum(th - t_slot, 0)
    return scale * (55 + opd * (60 * (1 + shift) + light) + cool + heat)

day_f = np.zeros(N_DAY)                    # 日ごとの使い方の揺れ(前日と相関する)
for i in range(1, N_DAY):
    day_f[i] = 0.5 * day_f[i - 1] + rng.normal(0, 0.025)
eps = np.exp(day_f[:, None] + rng.normal(0, 0.04, (N_DAY, N_SLOT)))
after = (d >= START).astype(float)[:, None]
kwh_cf = load(0) * eps                     # 対策が無かった場合の30分値(真のベースライン)
kwh = load(after) * eps                    # 実際の30分値
kwh_true = kwh.copy()                      # 欠測を入れる前の値(真の削減量の計算に使う)
miss = rng.choice(N_DAY * N_SLOT, 12, replace=False)
kwh.flat[miss] = np.nan                    # 欠測を12コマ入れる
kwh = pd.DataFrame(kwh).T.interpolate(limit_direction="both").T.to_numpy()   # 同じ日の前後のコマで補う
print(f"欠測を補ったコマ数 {len(miss)}  残った欠測 {np.isnan(kwh).sum()}")
print(f"日平均気温の年平均 1年目 {t_day[year == 0].mean():.2f}℃  2年目 {t_day[year == 1].mean():.2f}℃")
print(f"稼働日数 1年目 {int(op[year == 0].sum())}日  2年目 {int(op[year == 1].sum())}日")

実行すると、欠測の12コマはすべて補われ、日平均気温の年平均は1年目が15.91℃、2年目が17.08℃、稼働日数は1年目が247日、2年目が255日になりました。2年目は1年目より暑く、稼働日も8日多い年です。真の削減量は、欠測を入れる前の30分値(コードの kwh_true)と、対策が無かった場合の30分値の差で計算し、ベースラインのモデルの学習と、前年比などの方法の計算には、欠測を補った後の30分値を使います。欠測を補った値と補う前の値の年間の差は、1年目が-7.5kWh、2年目が+64.0kWhでした。

前年比・度日の補正・回帰のベースラインを真の削減量と比べる

最初の2つの方法は、前年比と、度日で補正した原単位です。前年比は、1年目の使用量から2年目の使用量を引いた差を削減量とみなします。度日で補正した原単位は、稼働日1日あたりの使用量を原単位とし、2年目の原単位に1年目と2年目の度日の比を掛けて気温の違いをそろえたうえで、1年目の原単位との差に2年目の稼働日数を掛けた値を削減量とみなします。度日の基準の温度は冷房側を18℃、暖房側を14℃としましたが、これは例題のための仮の値で、基準の温度の選び方は第2章で扱っています。次のコードには、真の削減を需要電力と時間帯で見る計算と、照明の削減と空調への波及を分ける計算も含めています(後の節で扱います)。

day = pd.DataFrame({"year": year, "month": month, "t": t_day, "op": op,
                    "kwh": kwh.sum(axis=1), "cf": kwh_cf.sum(axis=1)})
E1, E2 = day.kwh[year == 0].sum(), day.kwh[year == 1].sum()
true_sav = (kwh_cf - kwh_true)[year == 1].sum()   # 対策そのものによる真の削減量
print(f"年間の使用量 1年目 {E1:,.0f} kWh  2年目 {E2:,.0f} kWh")
print(f"真の削減量(2年目) {true_sav:,.0f} kWh  (真のベースラインの {true_sav / day.cf[year == 1].sum():.1%})")
print(f"欠測を補った値と補う前の値の差 1年目 {(kwh - kwh_true)[year == 0].sum():+,.1f} kWh"
      f"  2年目 {(kwh - kwh_true)[year == 1].sum():+,.1f} kWh")
# 方法1:前年比
print(f"方法1 前年比の差 {E1 - E2:,.0f} kWh")
# 方法2:稼働日あたりの原単位を、度日(冷房18℃・暖房14℃)の比で補正する
cdd = np.maximum(day.t - 18, 0)
hdd = np.maximum(14 - day.t, 0)
dd1, dd2 = (cdd + hdd)[year == 0].sum(), (cdd + hdd)[year == 1].sum()
n1, n2 = op[year == 0].sum(), op[year == 1].sum()
u1, u2 = E1 / n1, E2 / n2
u2_adj = u2 * dd1 / dd2
print(f"度日 1年目 {dd1:.0f}  2年目 {dd2:.0f}  (冷房度日 {cdd[year == 0].sum():.0f}→{cdd[year == 1].sum():.0f}"
      f"、暖房度日 {hdd[year == 0].sum():.0f}→{hdd[year == 1].sum():.0f})")
print(f"方法2 稼働日あたり原単位 {u1:,.0f}→{u2:,.0f} kWh/稼働日  度日で補正 {u2_adj:,.0f}"
      f"  削減量の見積り {(u1 - u2_adj) * n2:,.0f} kWh")

# 真の削減を kW と時間帯で見る(30分値 kWh の2倍が、そのコマの需要電力 kW)
kw_cf, kw = kwh_cf * 2, kwh * 2
mx_cf = pd.Series(kw_cf[year == 1].max(axis=1)).groupby(month[year == 1]).max()
mx = pd.Series(kw[year == 1].max(axis=1)).groupby(month[year == 1]).max()
print("2年目の月ごとの最大需要電力(kW) 真のベースライン / 実績 / 差")
for m in [1, 4, 7, 8, 10, 12]:
    print(f"  {m:2d}月 {mx_cf[m]:6.0f} / {mx[m]:6.0f} / {mx_cf[m] - mx[m]:5.0f}")
diff = (kwh_cf - kwh_true)[year == 1]
opmask = (op[year == 1][:, None] * work) > 0
print(f"真の削減量のうち稼働日の稼働の時間帯の分 {diff[opmask].sum() / diff.sum():.1%}")
# 相互の影響:照明の直接の削減と、内部の発熱が減ったことによる空調への波及を分ける
light_only = load(after, d_bal=0.0) * eps            # 照明の負荷だけが減った場合
direct = (kwh_cf - light_only)[year == 1].sum()
spill = (light_only - load(after) * eps)[year == 1]
mo2 = month[year == 1]
summer, winter = np.isin(mo2, [6, 7, 8, 9]), np.isin(mo2, [12, 1, 2, 3])
print(f"照明の直接の削減 {direct:,.0f} kWh  空調への波及 {spill.sum():,.0f} kWh"
      f"(6〜9月 {spill[summer].sum():,.0f}、12〜3月 {spill[winter].sum():,.0f})")

実行した結果、年間の使用量は1年目が1,622,188kWh、2年目が1,589,453kWhで、2年目の真の削減量は55,049kWh(真のベースラインの3.3%)でした。前年比の差は32,735kWhで、真の削減量の6割ほどしかありません。

掲載していない確認用のスクリプトで、真のベースラインの式を使い、2年目の条件を1つずつ1年目に戻して、対策が無かった場合の使用量の変化を分解しました。対策が無かった場合の2年目の使用量は1年目より22,242kWh多く、その内訳は、気温の違いによる増加が9,153kWh(冷房の増加18,510kWhと暖房の減少9,356kWhの差し引き)、稼働日の違いによる増加が20,043kWh、日々の揺れの違いによる減少が6,954kWhでした。真の削減量55,049kWhからこの22,242kWhを引くと32,806kWhで、前年比の差(32,735kWh)とほぼ一致します(72kWhの違いは、1年目と2年目の欠測を補ったことによる使用量の違いです)。前年比の差が小さく出たのは、この架空データでは、主に稼働日の増加と気温の違いによる増加が、対策による減少の一部を打ち消したためです。

度日は1年目が1,593、2年目が1,609で、合計はほとんど変わりませんでしたが、内訳は冷房度日が798から987へ増え、暖房度日が795から623へ減っていました。度日の合計で補正した原単位からの見積りは101,056kWhで、真の削減量の2倍近くになりました。この補正は、冷房度日と暖房度日を同じ重みで足し、使用量の全体を度日の合計の比で動かします。この架空データでは、冷房と暖房で1℃あたりの負荷の大きさが違い、使用量の多くは気温に関係しない負荷なので、その前提が成り立っていません。ただし、101,056kWhという外れ方のうち、どの前提の崩れがどれだけ効いたかは分解していません。

3つ目の方法は、対策の前の1年間(1年目)のデータで、日別の使用量を説明する回帰のモデルを作り、それに2年目の外気温と稼働の有無を入れてベースラインを見積もる方法です。回帰は、使用量と気温などの関係を、データに最もよく合う式で表す方法です。モデルは第3章の折れ線回帰と同じ型で、使用量と気温の関係を、折れ曲がる点(変化点)の前後で傾きが変わる直線で表します。日平均気温が冷房側の変化点を超えた分と、暖房側の変化点を下回った分を説明に使い、稼働日と休業日で傾きを分けました。変化点は0.5℃刻みのすべての候補を試して、最もよく合うものを選びました。

2年目の気温と稼働日は、ベースラインを見積もる時点で分かっている実績の値です。予測を作る時点で手に入らない情報(翌日の実績の気温など)が学習や特徴量に入り、成績が実際より良く見えることを、本コラムでは「情報の漏れ」と呼びます(予測は第3章と第4章)。効果を測るためのベースラインを、対策の後の期間の実績の気温に当てはめるのは、対策の後で振り返る事後の評価として正しい使い方であり、情報の漏れには当たりません。

# 方法3:対策前の1年間で回帰のベースラインを作り、対策後の条件に当てはめる
def design(df, tc, th):
    c = np.maximum(df.t.to_numpy() - tc, 0)
    h = np.maximum(th - df.t.to_numpy(), 0)
    o = df.op.to_numpy()
    return np.column_stack([np.ones(len(df)), o, c * o, c * (1 - o), h * o, h * (1 - o)])

def fit(df):
    best_sse, best = np.inf, None
    for tc in np.arange(10, 26.01, 0.5):            # 冷房側の変化点を格子で探す
        for th in np.arange(4, tc + 0.01, 0.5):     # 暖房側の変化点は冷房側以下
            X = design(df, tc, th)
            b = np.linalg.lstsq(X, df.kwh.to_numpy(), rcond=None)[0]
            sse = ((df.kwh.to_numpy() - X @ b) ** 2).sum()
            if sse < best_sse:
                best_sse, best = sse, (tc, th, b)
    return best

def savings(pre, post, z=1.96):
    """削減量の見積りと、その95%区間の半幅(残差の自己相関で幅を広げる簡易な計算)"""
    tc, th, b = fit(pre)
    X = design(pre, tc, th)
    r = pre.kwh.to_numpy() - X @ b
    n, p = X.shape
    s2 = (r ** 2).sum() / (n - p)
    rho = np.corrcoef(r[:-1], r[1:])[0, 1]
    Xp = design(post, tc, th)
    sav = (Xp @ b - post.kwh.to_numpy()).sum()
    xs = Xp.sum(axis=0)
    var = s2 * len(post) * (1 + rho) / (1 - rho) + xs @ (s2 * np.linalg.pinv(X.T @ X)) @ xs
    return sav, z * np.sqrt(var), (tc, th, b, rho, s2)

pre, post = day[year == 0], day[year == 1]
sav3, half3, (tc, th, b, rho, s2) = savings(pre, post)
print(f"方法3 変化点 冷房側 {tc:.1f}℃ 暖房側 {th:.1f}℃  係数 {np.round(b, 1)}")
print(f"方法3 残差の標準偏差 {np.sqrt(s2):,.0f} kWh/日  隣の日との相関 {rho:.2f}")
print(f"方法3 削減量の見積り {sav3:,.0f} kWh  95%区間 {sav3 - half3:,.0f} 〜 {sav3 + half3:,.0f} kWh")
cf_pred = design(post, tc, th) @ b

実行した結果、変化点は冷房側が19.0℃、暖房側が11.0℃と推定されました(データを作るときに使った20℃と12℃は30分ごとの外気温に対する値なので、日平均気温に対する変化点とは直接には比べられません)。モデルで説明できなかった残り(残差。実際の値とモデルの値の差)の標準偏差は1日あたり136kWh、隣り合う日の残差の相関は0.46でした。削減量の見積りは61,100kWhで、後の節で説明する簡易な計算による名目95%の予測区間は51,230kWhから70,970kWhでした。真の削減量55,049kWhはこの区間に入っています。ただし、乱数の種を変えた繰り返しでは、この区間が真の削減量を含んだのは20回のうち16回(80%)で、名目の95%に届きませんでした(後の節)。

方法削減量の見積り(kWh)真の削減量との差(kWh)何がそろっていないか
前年比32,735-22,314気温・稼働日の違いをそろえていない
度日で補正した原単位101,056+46,007冷房と暖房の違い、気温に関係しない負荷を区別していない
回帰のベースライン61,100(名目95%の予測区間 51,230〜70,970)+6,051モデルの誤差と、日々のばらつきが残る
(参考)真の削減量55,0490合成データなので分かる値

次の表は、月ごとの使用量について、1年目の実績(前年)、真のベースライン、回帰のベースライン、2年目の実績を並べたものです。回帰のベースラインは真のベースラインの近くを動き、実績との差が各月の削減量の見積りになります。1年目の実績(前年)は、月によって真のベースラインより上にも下にも位置し(1月や11月は上、8月から10月は下)、前年との差が対策の効果を表さないことが分かります。

月1年目の実績(前年、kWh)真のベースライン(kWh)回帰のベースライン(kWh)2年目の実績(kWh)
1月147,443139,959142,182137,445
2月131,929134,108131,570131,226
3月131,132130,714131,482127,095
4月126,425130,710129,712126,062
5月136,960136,290137,984130,890
6月141,282143,229143,266137,321
7月146,644153,025155,446146,868
8月143,039145,198147,489139,257
9月134,661142,549142,315136,577
10月128,581138,149136,869132,634
11月126,173121,038121,810117,864
12月127,918129,469130,427126,214

1回の乱数の結果だけでは、方法の良し悪しを言い切れません。そこで、掲載していない確認用のスクリプトで、乱数の種を1から20に変えて同じ計算を20回繰り返しました。真の削減量は20回の平均で55,170kWhでした。前年比は20回すべてで真の削減量より小さく、差の平均は-30,458kWhでした。度日で補正した原単位は、差が-210,526kWhから+164,637kWhまでばらつき、差の絶対値の平均は81,293kWhでした。回帰のベースラインは差の絶対値の平均が5,187kWhで、20回のうち17回で3つの方法のうち最も真の削減量に近くなりました。この繰り返しも、この架空データの作り方のもとでの結果です。

最大需要電力の低下と時間帯を見る、対策どうしの相互の影響

第1章で整理したとおり、電気料金は電力量(kWh)だけでなく、最大需要電力(kW)による基本料金と、時間帯ごとの単価にも左右されます。そのため、削減量(kWh)を費用の面から見るときは、kWh の合計だけでなく、どの時間帯に何 kW 下がったかを見る必要があります。合成データでは真のベースラインの30分値が分かるので、2年目の月ごとの最大需要電力を、真のベースラインと実績で比べました。

2年目の月真のベースラインの最大需要電力(kW)実績の最大需要電力(kW)差(kW)
1月41540312
4月37835424
7月46744324
8月43140625
10月38135823
12月37235913

表の差は、真のベースラインの月の最大と、実績の月の最大の差であり、2つの最大が出るコマは同じとは限りません。照明の負荷の減少は、ばらつきを掛ける前の設定では稼働の時間帯に16kWですが、最大需要電力の差は月によって12kWから25kWまで違いました。真の削減量のうち98.5%は、稼働日の稼働の時間帯に生じていました。この架空データでは、照明の更新で冷房の負荷も減り、暖房の負荷は増える設定にしています。7月と8月の差が16kWより大きく、1月と12月の差が16kWより小さいのは、この設定と同じ向きです。4月と10月も差が16kWを超えました。この2つの月には日平均気温が20℃を超える日があり(4月は最高22.2℃、10月は最高24.5℃)、月の空調への波及も削減の側でしたが(4月372kWh、10月1,065kWh)、最大が出たコマで何が起きていたかまでは分解していません。

月の最大需要電力の低下が基本料金にどう効くかは、契約電力の決まり方によって違います(第1章)。過去の最大需要電力が後の月の契約電力に残る方式では、ある月に最大需要電力が下がっても、すぐには基本料金に反映されないことがあります。個別の扱いは契約と約款で確かめる事項です。最大需要電力の管理は第6章で扱います。

この冬と夏の違いは、対策どうしの相互の影響の一例です。照明の器具は電力を使うと同時に室内に熱を出すので、照明の電力を減らすと、冷房で取り除くべき熱が減り、暖房で補うべき熱が増えます。本コラムの合成データでは、この関係を、冷房と暖房が効き始める外気温が0.6℃上がるという単純な形で入れました。その結果、2年目の照明の直接の削減は48,962kWhで、空調への波及は差し引き6,086kWhの削減でした。波及の内訳は、6月から9月が8,129kWhの削減、12月から3月が4,436kWhの増加、残りの4・5・10・11月が2,393kWhの削減です(暖房を電気で行う設定です)。照明の直接の削減と波及の和は55,049kWhで、真の削減量と一致します(どちらも欠測を入れる前の30分値で計算しています)。波及の向きと大きさは、建物・空調の方式・気候・暖房の熱源で変わるので、この数字を一般論にはできません。

FEMP の指針は、設備を切り出して測る方法(Option A)を使える条件の1つに、相互の影響を妥当に見積もれるか無視できることを挙げ、校正したシミュレーション(Option D)を使う場面の1つに、対策どうしの相互の影響が複雑すぎる場合を挙げています。照明の器具の電力だけを測ると、空調への波及は測った範囲に入りません。建物の全体で測る方法では、波及も含めた正味の削減が測れますが、対策ごとの内訳は分かりません。複数の対策が重なる場合に、それぞれの削減量を別々に見積もって足すと、相互の影響を二重に数えたり、見落としたりします。

削減量の不確かさを区間で示す

ここで区間が表すのは、報告の期間の合計の削減量の見積りの誤差です。削減量は「ベースライン – 実績」です。本コラムの簡易な区間の計算では、実績の値を固定して扱い、計量器の測定の誤差や欠測を補ったことによる不確かさは入れていません。FEMP の指針の第4.0版は、不確かさの要因の1つとして、計量器の精度や校正のほか、欠けたデータや調整したデータによる誤差を挙げており、実務ではこれらも評価の対象になります。真のベースライン(対策が無かった場合の使用量)は、報告の期間の日々の揺れを含んだ、観測されない1回限りの値です。そのため本コラムでは、平均の値を推定する信頼区間ではなく、まだ観測していない値が入る幅である予測区間の考え方で区間を作りました。

この予測区間には、2つの不確かさを入れます。1つ目は、日々の使用量のばらつきです。同じ気温と稼働の日でも使用量は揺れ、その揺れはベースラインのモデルでは説明できません。実際の事業所では、対策が無かった場合の使用量にもこの揺れが含まれるはずなので、見積りの誤差に入ります。この合成データでも、真のベースラインは日々の揺れを含めて作ってあり、同じ揺れが実績にも入っているので、モデルの見積りと真のベースラインの差に、この揺れがそのまま現れます。2つ目は、モデルの係数(気温1℃あたりの増え方など)の推定の誤差です。ベースラインの期間のデータから係数を推定しているので、別の1年間で推定すれば係数は少し変わります。

本コラムのコードでは、この2つを合わせた簡易な計算で、名目95%の予測区間を出しました。「名目」と付けたのは、計算の上では95%の区間として作ったものの、後で見るとおり、繰り返しで確かめると真の値を含む割合が95%に届かなかったためです。1つ目は、残差の分散に報告の期間の日数を掛け、隣り合う日の残差の相関で幅を広げます。隣り合う日の残差に正の相関があると、日々の揺れが打ち消し合いにくいので、独立と仮定した場合より幅が広がります。2つ目は、係数の推定の分散を報告の期間の説明変数の合計で重みづけして足しました。変化点を格子で探したことによる不確かさは入れていません。区間推定の一般論は、弊社コラム『データから正しく結論を導く統計学のまとめ』で扱っています。

削減が小さいと、区間が0をまたぎ、削減があったとは言えなくなります。これを確かめるため、照明の削減を1コマあたり1.5kWh、効き始める外気温の変化を0.1℃に小さくした対策を、同じデータに入れました。次のコードは、対策前の期間の長さを変えた計算(次の節)と、この小さい対策の計算をまとめて行います。

# 対策前の期間の長さ:1年目の終わりから遡ってkか月だけ使ったベースライン
print("対策前の期間  変化点(冷房,暖房)  見積り  95%区間  真の削減量との差")
length_rows = []
for k in [3, 6, 9, 12]:
    pre_k = pre[pre.month > 12 - k]
    s, hw, (tck, thk, *_rest) = savings(pre_k, post)
    length_rows.append((k, s, hw))
    print(f"  {k:2d}か月  ({tck:.1f}, {thk:.1f})  {s:,.0f}  {s - hw:,.0f}〜{s + hw:,.0f}  {s - true_sav:+,.0f}")
print("  3か月の期間の日平均気温の範囲", f"{pre[pre.month > 9].t.min():.1f}〜{pre[pre.month > 9].t.max():.1f}℃",
      " 2年目の範囲", f"{post.t.min():.1f}〜{post.t.max():.1f}℃")

# 削減が小さい対策(照明の一部だけ)と、報告の期間の長さ
kwh_s = load(after, d_light=1.5, d_bal=0.1) * eps
day_s = day.assign(kwh=kwh_s.sum(axis=1))
print("小さい対策  期間  真の削減量  見積り  95%区間")
small_rows = []
for label, mm in [("12か月", range(1, 13)), ("3か月", range(1, 4))]:
    post_s = day_s[(year == 1) & np.isin(month, list(mm))]
    true_s = (day.cf - day_s.kwh)[post_s.index].sum()
    s, hw, _ = savings(day_s[year == 0], post_s)
    small_rows.append((label, true_s, s, hw))
    print(f"  {label}  {true_s:,.0f}  {s:,.0f}  {s - hw:,.0f}〜{s + hw:,.0f}")

小さい対策の結果は、報告の期間を12か月とした場合、真の削減量10,270kWhに対して見積りが16,392kWh、名目95%の予測区間が6,513kWhから26,271kWhでした。報告の期間を2年目の最初の3か月とした場合は、真の削減量1,781kWhに対して見積りが2,238kWh、名目95%の予測区間が-2,304kWhから6,780kWhで、区間が0をまたぎました。この3か月の報告だけでは、削減があったとは言えません。次の表は、大きい対策(12か月)と小さい対策(12か月・3か月)の見積りと区間を、真の削減量と並べたものです。

対策と報告の期間真の削減量(kWh)削減量の見積り(kWh)名目95%の予測区間(kWh)
大きい対策、12か月55,04961,10051,230〜70,970
小さい対策、12か月10,27016,3926,513〜26,271
小さい対策、3か月1,7812,238-2,304〜6,780

乱数の種を1から20に変えた繰り返しで、大きい対策の名目95%の予測区間が真の削減量を含んだのは20回のうち16回(80%)で、95%に届きませんでした。小さい対策でも、12か月で80%、3か月で90%でした。本コラムの簡易な計算は、区間を実際より狭く出していた可能性があります。変化点の探索による不確かさを入れていないこと、係数の推定の分散では残差の相関を考えていないことなどが理由として考えられますが、どれがどれだけ効いているかは本コラムでは確かめていません。実務で区間を出すときは、使う計算の方法を事前に決め、確かめておくのがよいと考えています。合成データでは、真の削減量を使って、区間が名目の割合で真の値を含むかを確かめられます。過去のデータでは、対策が無かった場合の使用量を直接は観測できないので、対策の前の期間のうち学習に使わなかった期間で、使用量の予測区間が実際の値を含むかを確かめます。ただし、後者だけで対策の後の削減量の区間を保証できるわけではありません。なお、3か月の報告で区間が0をまたいだのは、20回のうち17回(85%)でした。

区間を報告に添えることは、経営の判断の質に直結します。削減量を1つの数字だけで報告すると、受け取る側は、その数字が誤差の範囲かどうかを判断できません。区間が0をまたぐ結果を「削減あり」と報告すれば効果の数え違いになり、逆に、小さい削減を確かめるために必要な期間や計測を最初から用意していなければ、効果のある対策を「効果が確認できない」として打ち切る機会損失になります。小さい削減を確かめたいなら、報告の期間を長くするか、建物の全体ではなく対策した設備の単位で測る、といった計画を事前に立てます。

対策前の期間の長さと、季節を一巡りしていないベースライン

ベースラインのモデルを作るデータの期間(ベースラインの期間)は、対策の後の期間に起きる条件の範囲を含んでいる必要があります。対策の前に短い期間しか計測していないと、その期間に無かった気温の範囲について、モデルは推定の根拠を持ちません。前のコードでは、1年目の終わりから遡って3か月・6か月・9か月・12か月のデータだけでベースラインを作り、2年目の削減量を見積もりました。

ベースラインの期間推定した変化点(冷房側、暖房側)削減量の見積り(kWh)名目95%の予測区間(kWh)真の削減量との差(kWh)
3か月(10〜12月)19.5℃、14.5℃514,767215,978〜813,556+459,718
6か月(7〜12月)19.0℃、15.0℃53,09643,463〜62,729-1,953
9か月(4〜12月)19.0℃、14.5℃59,13849,293〜68,982+4,089
12か月(1〜12月)19.0℃、11.0℃61,10051,230〜70,970+6,051

10月から12月の3か月だけで作ったベースラインは、削減量を真の値の9倍以上に見積もり、名目95%の予測区間も真の削減量を含みませんでした。この3か月の日平均気温は4.1℃から19.8℃の範囲で、2年目の1.4℃から30.4℃の範囲の高い側を含んでいません。確認用のスクリプトで数えると、この3か月で日平均気温が推定した冷房側の変化点(19.5℃)を超えた日は2日だけでした。一方、2年目には日平均気温が19.8℃を超えた日が155日ありました。冷房側の傾きはこの2日のデータに頼って推定され、モデルはそれを3か月の期間に無かった30℃近い日まで当てはめています。夏のベースラインが大きく出すぎた主な理由はこの当てはめだと考えていますが、傾きの推定値そのものは本文に示していません。この区間には係数の推定の不確かさは反映されますが、データの範囲の外で使用量と気温の関係がモデルの形から外れることによる誤差や、変化点を選んだことによる不確かさは十分に反映されません。この例でも、区間は真の削減量を含みませんでした。6か月(7〜12月)の期間の日平均気温は4.1℃から28.9℃の範囲で、変化点(19.0℃)を超えた日は87日ありました。この架空データでは、6か月と9か月の期間は12か月の場合と同じ程度の誤差に収まりました。乱数の種を変えた20回の繰り返しでも、3か月の場合の差の絶対値の平均は124,484kWhで、最も外れた回は1,270,469kWhでした。6か月・9か月・12か月の場合は、差の絶対値の平均が5,799kWh・5,312kWh・5,187kWh、最も外れた回が15,620kWh・13,777kWh・12,041kWhで、3つの長さのあいだの違いは小さく、3か月の場合だけが大きく外れました。

この架空データでは、6か月の期間でも夏と冬の気温を含んでいたので大きくは外れませんでした。ただし、その範囲(4.1〜28.9℃)も、2年目の範囲(1.4〜30.4℃)を完全には含んでいません。実際の事業所で、どの6か月が対策の後の気温の範囲を含むかは、年と地点によって変わります。実務では、ベースラインの期間を、季節を一巡りする12か月以上とする考え方が多いように思います。夏と冬の条件を含めることに加えて、繁忙期と閑散期、長期の休業のような稼働の周期も一巡りさせる意味があります。一方で、期間を長くしすぎると、その間に設備や使い方が変わり、古いデータが今の事業所を表さなくなります。対策を決めた時点で、すでに12か月分の30分値と気温の記録がそろっているかを確かめ、足りなければ計測を先に始めることが、効果の測定の最初の作業になります。12か月以上のデータでも、対策の後の猛暑や寒波の範囲まで含むとは限らないので、報告の期間に、ベースラインの期間の範囲の外の条件が無かったかも確かめます。データの粒度とそろえ方は第2章、予測のモデルの更新は第12章で扱います。

稼働の変化の調整と、対照の拠点を使う方法

ベースラインのモデルに入れた条件(気温・稼働日など)は、モデルが自動で調整します。しかし、増床・テナントの入れ替わり・設備の追加・営業時間の変更のように、モデルに入れていない変化が報告の期間に起きると、その分は削減量に混ざります。こうした変化は、起きた日と内容を記録し、ベースラインを別に調整する必要があります。どの変化をどう調整するかは、計測と検証の計画で事前に決めておく事項です。調整を後から決めると、結果に合わせた調整と区別がつきません。

調整の方法の1つに、対策をしていない似た拠点(対照の拠点)を使う方法があります。2つの拠点に共通して起きた変化(気温の違いの一部や、会社全体の営業時間の変更など)は、対照の拠点の変化から見積もれます。対策をした拠点の前後の差から、対照の拠点の前後の差を引く方法を、差の差と呼びます。因果推論と効果検証の一般論は、弊社コラム『施策の効果を正しく測る、因果推論と効果検証の進め方』で扱っています。

次のコードでは、2年目の7月相当の日から、事業所Aと対照の拠点Bの両方で、稼働の時間帯の基礎の負荷(照明と空調を除く部分)が8%増えた、という共通の変化を入れました。拠点Bは事業所Aと同じ気温と暦のもとにありますが、規模が0.8倍で、稼働の時間帯の冷房の傾きが大きく、気温により敏感な建物として作りました。対策は事業所Aだけです。コードの出力では、事業所Aを拠点Aと表示しています。

# 対照の拠点Bを使う:2年目の7月から両拠点で稼働の時間帯の負荷が8%増えた場合
sh = np.where(d >= START + 182, 0.08, 0.0)[:, None]
eps_b = np.exp(rng.normal(0, 0.03, (N_DAY, 1)) + rng.normal(0, 0.04, (N_DAY, N_SLOT)))
a_act = (load(after, shift=sh) * eps).sum(axis=1)       # 拠点A(対策あり)
a_cf = (load(0, shift=sh) * eps).sum(axis=1)
b_act = (load(0, shift=sh, scale=0.8, c_op=8.0) * eps_b).sum(axis=1)   # 拠点B(対策なし、気温により敏感)
true_d = (a_cf - a_act)[year == 1].sum()
A1, A2 = a_act[year == 0].sum(), a_act[year == 1].sum()
B1, B2 = b_act[year == 0].sum(), b_act[year == 1].sum()
dfa = day.assign(kwh=a_act)
dfb = day.assign(kwh=b_act)
sa, _, _ = savings(dfa[year == 0], dfa[year == 1])
tcb, thb, bb = fit(dfb[year == 0])
b_pred = (design(dfb[year == 1], tcb, thb) @ bb).sum()     # Bの回帰のベースライン(2年目)
tca, tha, ba = fit(dfa[year == 0])
a_pred = (design(dfa[year == 1], tca, tha) @ ba).sum()
print(f"拠点Bの2年目 回帰のベースラインに対する実績の比 {B2 / b_pred:.3f}")
print(f"共通の変化あり 真の削減量 {true_d:,.0f} kWh")
print(f"  (a) 拠点Aの回帰のベースラインだけ {sa:,.0f}")
print(f"  (b) 差の差(量の差) {(A1 - A2) - (B1 - B2):,.0f}")
print(f"  (c) 差の差(比) {A1 * B2 / B1 - A2:,.0f}")
print(f"  (d) 拠点Aの回帰のベースラインを拠点Bの比で補正 {a_pred * B2 / b_pred - A2:,.0f}")

実行した結果、この場合の真の削減量は55,049kWhでした。4つの方法の見積りを次の表にまとめます。表の右の列は、乱数の種を1から20に変えた繰り返しでの、真の削減量との差の平均です。

方法見積り(kWh)真の削減量との差(kWh)20回の繰り返しでの差の平均(kWh)
(a)事業所Aの回帰のベースラインだけ46,472-8,577-16,701
(b)差の差(量の差)57,582+2,533-226
(c)対照の拠点の変化率による補正66,404+11,355+9,624
(d)事業所Aの回帰のベースラインを拠点Bの比で補正58,828+3,779-268

(d)の補正に使った比は、拠点Bの2年目の実績を、拠点Bの1年目で作った回帰のベースラインで割った値で、1.007でした。事業所Aの回帰のベースラインだけでは、共通の変化による増加を対策の効果から差し引いてしまい、削減量を小さく見積もりました。差の差(量の差)と、(d)の方法は、20回の繰り返しの平均で真の削減量に近くなりました。対照の拠点の変化率による補正(拠点Bの1年目から2年目への変化の比を、事業所Aの1年目の使用量に掛けて、対策が無かった場合の2年目の使用量とする方法)は、この架空データでは大きめに外れました。量の差を引く方法と変化率を掛ける方法では、必要な前提が違います。前者は、対策が無ければ2つの拠点の使用量が同じ量だけ変わること、後者は同じ割合で変わることを前提にしています。

確認用のスクリプトで、2つの拠点の1年目から2年目への変化を比べました。対策が無かった場合の事業所Aの使用量は、量で36,941kWh、比で1.0228倍に増えていました。拠点Bは、量で39,474kWh、比で1.0298倍に増えていました。量で見ると2つの拠点の増加は近く、比で見ると拠点Bの増加の割合が事業所Aより大きかったことになります。拠点Bの比を事業所Aに当てはめると、増加は48,296kWhと見積もられ、真の増加36,941kWhより大きくなるので、その分だけ削減量が大きく出ます。この架空データで量の差の方法が近かったのは、2つの拠点の増加の量がたまたま近かったためで、量の差の方法がいつも正しいという意味ではありません。拠点Bの増加の割合が大きかった理由(気温への敏感さの違いなど)は、分解して確かめていません。

対照の拠点を使う方法は、2つの拠点が、対策が無ければ同じように変化したはずだという前提に立っています。気温への敏感さ・稼働の形・設備が違う拠点を対照にすると、この前提が崩れるおそれがあります。

対照の拠点を選ぶときは、対策の前の期間に2つの拠点の使用量が同じように動いていたかを、30分値や月の使用量で確かめておく必要があります。ただし、対策の前に動きが似ていたことは、対策の後も同じように動くことを保証するものではありません。

設備の単位で測るか、建物の全体で測るか

ここまでの例題は、受電の30分値で建物の全体を測る方法でした。実務では、設備の単位で測る方法と使い分けます。使い分けの目安を表にまとめます。表は、EVO の公式ページと FEMP の指針で確かめた選択肢の考え方をもとに、本コラムの例題の結果を加えて整理したもので、どちらかが常に優れているという意味ではありません。

観点設備の単位で測る建物の全体で測る
測れるもの対策した設備の削減。対策ごとの内訳建物の全体の正味の削減。相互の影響を含む
要るデータ設備の電力や運転時間の計測(系統の計量器・BEMS(建物のエネルギー管理システム。第2章)の計測点・短期の計測)受電の30分値か請求書、気温、稼働の記録
削減が小さい場合全体のばらつきに埋もれにくい本コラムの例題のように、区間が0をまたぎやすい
対策以外の変化境界の外の変化の影響を受けにくい増床・設備の追加などの調整が要る
見落としやすいこと空調への波及など、境界の外への影響対策ごとの貢献の区別
向く対策照明・ポンプ・ファン・コンプレッサなど、効果の範囲がはっきりした対策運用の見直しや複数の対策の組み合わせ

両方を組み合わせることもできます。例えば、対策ごとの削減は設備の単位で測り、建物の全体の30分値では、相互の影響を含めた正味の削減と、他の変化が起きていないかを確かめる、という分担です。どちらを使うにしても、計測の機器を足す費用と手間が、確かめたい削減の大きさに見合うかを事前に見積もります。

費用と排出量への換算、効果の持続、効果を保証する契約

削減量(kWh)を費用の面から見るとき、kWh に1つの平均の単価を掛けるだけでは不十分な場合があります。前の節で見たとおり、削減が最大需要電力の出るコマに重なるかどうかで基本料金への効き方が変わり、時間帯で単価が違う契約では、どの時間帯に減ったかで電力量料金への効き方も変わります。料金の構造は第1章、契約ごとの扱いは契約と約款で確かめる事項です。排出量に換算するときは、どの制度の、どの種類の、どの年度の排出係数を使ったかを明記します(第14章)。同じ kWh の削減でも、どの係数を使うかで排出量の削減は変わります。

効率の良い設備に替えた後に、使い方が変わって使用量が増えることがあります。例えば、照明や空調の運転の費用が下がったことで点灯の時間や運転の時間が延びる場合で、こうした現象はリバウンドと呼ばれることがあります。第10章で扱う反動増(デマンドレスポンスの要請の後に需要が戻って増えること)とは別の語です。建物の全体で測る方法では、こうした使い方の変化も実績に入るので、削減量はその分だけ小さく出ます。それが対策の効果の一部なのか、別の判断による変化なのかは、運転の記録と合わせて読む必要があります。

効果は放っておくと薄れることがあります。設定が元に戻る、運転のスケジュールが実態と合わなくなる、設備が劣化する、といった理由です。計測と検証を対策の直後の1回で終わらせず、報告の期間を続けてベースラインとの差を追うことが、効果の持続を確かめる方法になります。差が縮んできたときの検知の方法は第12章で扱います。

省エネの効果を保証する契約では、計測と検証の方法が契約の中心になります。国内では、ESCO・エネルギーマネジメント推進協議会が、ESCO を、設備の設置工事や維持管理に加えて省エネルギーの効果の計測検証と効果の保証などのノウハウを包括的に提供する事業と説明しています。同協議会のページは、省エネルギーの効果が出ずに顧客が損失を被る場合は ESCO 事業者が補填するとし、計測と検証は効果を把握するだけでなく、運転や設定の調整にも欠かせないとしています。FEMP の指針は、運転時間のような使い方に関わる値を合意した値で固定すると、その値が実際と違った場合の危険が顧客の側に移りうることを指摘しています。効果を保証する契約では、ベースラインの期間・調整の方法・合意した値の置き方・区間の扱いを、契約の前に当事者で確かめることが大切です。契約の型と体制は第13章で扱います。

報告を受けたときに聞くことと、経営の判断

社内の担当者や外部の事業者から省エネの効果の報告を受けたとき、経営や管理の立場から確かめるべきことを表にまとめます。表の左の列の問いに答えられない報告は、削減量を数え違えているおそれがあります。

聞くこと確かめる中身答えが無い場合に起きうること
何をベースラインにしたか前年の実績か、条件で調整したモデルか。ベースラインの期間はいつからいつまでか、季節を一巡りしているか気温や稼働の違いを効果として数える
何で調整したか気温(度日か日平均気温か、基準の温度)・稼働日・生産量・営業時間調整していない条件の変化が削減量に混ざる
幅はいくつか削減量の区間、区間の計算の方法、区間が0をまたいでいないか誤差の範囲の削減を効果と判断する
測った範囲はどこか設備の単位か建物の全体か。境界の外への影響をどう扱ったか相互の影響を見落とす、二重に数える
モデルに入れていない変化はあったか増床・設備の追加・テナントの入れ替わり・営業時間の変更と、その調整対策以外の変化を効果として数える
kW と時間帯ではどうか最大需要電力の低下・時間帯ごとの削減量。費用への換算の前提kWh の削減ほどには費用が下がらない
室内の環境と生産への影響はどうか室温の許容範囲を外れた時間・苦情・品質の記録削減の裏で快適性や生産に支障が出ている

経営の判断として最も大事なのは、対策を決める前に、効果の測り方とベースラインの期間を決めておくことです。具体的には、測る範囲(設備の単位か建物の全体か)、ベースラインの期間(12か月以上のデータがそろっているか)、調整に使う条件、報告の期間、許容する区間の幅、モデルに入れていない変化の扱いを、対策の承認の書類に書いておきます。これを予算と KPI の仕組みに落とすなら、対策の評価の KPI を「前年比の削減」ではなく「条件をそろえたベースラインとの差と、その区間」にし、室内の環境と生産の指標と並べて報告させます。効果が区間の幅より小さいと見込まれる対策は、測り方(設備の単位の計測・長い報告の期間)の費用も含めて投資の判断をします。測り方を決めないまま対策を進めると、結果が良くても悪くても、その数字を次の投資の判断に使えず、計測とレポートだけが続く形骸化につながります。

この章では、省エネの効果を、条件をそろえたベースラインと実績の差として測ることを、架空データで確かめました。前年比と度日の合計による補正は、この架空データでは真の削減量から大きく外れ、対策の後の気温の範囲を含む期間で作った回帰のベースラインは、真の削減量に近い値を、名目の幅つきで示しました。今回の繰り返しでは、その幅が真の削減量を含んだ割合は80%で名目を下回り、区間の作り方に改善の余地があることが示されました。次の第6章では、使用量の合計ではなく最大需要電力に目を移し、デマンドの監視とピークカットの計画を扱います。

この章を深めたい方への参考書籍

『効果検証入門 正しい比較のための因果推論/計量経済学の基礎』(安井翔太 著、株式会社ホクソエム 監修、技術評論社):施策の効果を正しく比べるための因果推論と計量経済学の基礎を、実装とあわせて解説した本です。本章の差の差や、条件をそろえて比べるという考え方を、エネルギー以外の例も含めて体系的に学べます。

『データ分析の力 因果関係に迫る思考法』(伊藤公一朗 著、光文社):因果関係の見極めがビジネスや政策の判断を左右する理由と、ランダム化比較試験・RDデザイン・パネル・データ分析などの考え方を、数式を使わずに解説した新書です。前年比のような単純な比較がなぜ効果を表さないのかを、経営の立場の読者が理解するのに役立ちます。

第6章 最大需要電力の管理、デマンドの監視とピークカットの計画

第5章では、省エネの効果を、対策が無かった場合に見込まれる使用量(ベースライン)と実績の差として、気温や稼働の条件をそろえて測る方法を扱いました。そこで扱った量は主に電力量(kWh)でした。しかし第1章で整理したとおり、事業所の電気料金は電力量だけで決まるわけではなく、最大需要電力(kW)にもとづく基本料金があります。電力量を減らしても、ある1つのコマの需要電力が高ければ、最大需要電力は下がりません。

この章では、最大需要電力をどう管理するかを扱います。扱う内容は次のとおりです。中ほどでは、他の章とは独立に作った架空の事業所のデータを使い、実行したコードと結果で確かめます。

  • 最大需要電力が基本料金に効く仕組みと、1つのコマが目標を超えることの意味
  • 設備別の30分値から、最大需要電力が出たコマの内訳を分解する方法
  • 目標の需要電力を下げたときに、削る必要のあるコマの数と電力量がどう増えるか
  • 朝の一斉の起動をずらすピークシフトで、月ごとの最大需要電力と電力量がどう変わるか
  • コマの途中でコマの終わりの需要電力を予測して警報を出すデマンド監視と、警報のしきい値・判定の時点による誤報と見逃しの違い
  • 止められる負荷・ずらせる負荷の棚卸しと、負荷を止める計画を整数計画で作る例
  • 契約電力の見直しと力率の入口、自動の制御と人の操作の分担、保安、指標の表と経営の判断

この章の主張は2つあります。1つ目は、最大需要電力は、ごく少数のコマで決まることが多く、そのコマで何が動いていたかを設備別に分解して初めて、どこを下げればよいかが分かる、という点です。本コラムの架空データでは、1年の最大需要電力を10kW下げるのに、目標を超えるコマは1年17,520コマのうち6コマでした。一方で、目標を100kW下げると、超えるコマは195コマに増えました。2つ目は、目標の需要電力と、止めてよい設備の順番は、計算で自動的に決まるものではなく、生産と室内の環境への影響を見たうえで事業として決めるものだ、という点です。計算は、その判断に必要な材料(何コマを、どれだけ、どの設備で削るか)を示す道具です。

この章で扱う内容のうち、負荷を止める・設定を変える・起動をずらすといった、設備の制御や運転を変える内容は、設備の仕様・保安規程・メーカーの定める運転の範囲のなかで、設備の担当者と電気主任技術者などの有資格者の確認のもとで行うことを前提とします。本章の例題は、その前提の範囲で、どの負荷をどう動かす案を検討するかの考え方を示すものです。

最大需要電力と、1つのコマが目標を超えることの意味

需要電力は、30分間の平均の電力(kW)です。その30分間の電力量(kWh)の2倍に等しくなります。本コラムでは、この30分の区切りをコマと呼びます。日本冷凍空調学会の用語の解説(デマンド監視)は、電力会社の計器が毎時0分から30分、30分から60分の区間ごとに平均の使用電力を算出し、1か月のうち最大のものがその月の最大需要電力になると説明しています。取引に使う計量の方法と区切りの扱いは、自社の契約と約款で確かめる事項です。

最大需要電力は、1か月のうち最も需要電力の高い1つのコマの値です。30分の平均で数えるので、瞬間の最大の電力や、1分ごとの記録の最大とは別のものです。ほかのコマがどれほど低くても、1つのコマが高ければ、その月の最大需要電力はその値になります。料金に関わる最大需要電力は、受電電力について数えます。電力量(kWh)を減らす対策は、同じ単価が適用される期間の中であれば、どのコマで減らしても同じように電力量料金に反映されますが(時間帯や季節で単価が違う契約、燃料費などの調整は第1章と第10章)、最大需要電力を下げる対策は、最大になるコマ(とそれに近いコマ)で需要電力を下げなければ効きません。この非対称さが、最大需要電力の管理を電力量の管理と別に考える理由です。

最大需要電力が基本料金にどう効くかは、契約の種別と約款で違います。第1章で扱ったとおり、契約の種別によっては、ある月の最大需要電力がその後の月の契約電力に効く方式があります。この方式では、1つのコマで高い需要電力を記録すると、その影響がその月だけでは終わりません。中小企業基盤整備機構のJ-Net21 の省エネQ&A(デマンド監視装置について)も、生産設備を一斉に動かした30分間の需要電力が契約電力に効く場面を、デマンド監視装置を使う理由として挙げています。契約電力の決め方と、目標を超えた場合の扱いは、契約と約款で確かめる事項です(決め方の整理は第1章)。

ここで、「目標を超えた」という言葉の意味を分けておきます。本章でいう目標の需要電力は、事業所が自分で決める管理の上限で、契約電力そのものとは限りません。契約電力より低い目標を置き、それを超えないように管理する場合、目標を1コマ超えても、すぐに契約上の問題になるわけではありません。ただし、その1コマがその月の最大需要電力になれば、基本料金の計算のもとになる値が上がる場合があります。目標を超えたコマの数を数えるのは、どの日のどの時間帯で管理が破れたかを知るためです。

本コラムでは、需要電力の大きい時間帯に受電電力(受電点で電力会社の送配電の設備から受ける電力)を下げて、最大需要電力を下げることをピークカットと呼びます。ピークカットの手段は、大きく3つに分けて考えると整理しやすくなります。1つ目は、需要電力の大きいコマで設備の使用そのものを減らす方法です。電力量の合計も減りますが、止めた分の仕事(冷房・換気・圧縮空気の供給など)がされなくなるので、室内の環境や生産への影響を見る必要があります。2つ目は、設備の使用を別の時間帯に移すピークシフトです。仕事の量は保たれますが、電力量の合計は減るとは限らず、後の例題で見るとおり、増えることもあります。3つ目は、蓄電池の放電や自家発電でまかなって、受電電力を下げる方法です。この場合、事業所の中の設備が使う電力は変わりません(蓄電池は第9章で扱います)。本章の例題では、1つ目と2つ目を扱います。

ピークカットの手段何を変えるか電力量(kWh)の合計注意すること
使用を減らす需要電力の大きいコマの設備の使用そのものを減らす(一部の空調の能力を絞る、換気の一部を止めるなど)減る(止めた後に戻って増える分を除く)止めた分の仕事が失われる。室内の環境・生産・品質への影響と、止めた後に戻って増える分
使用を移す(ピークシフト)使用を需要電力の小さいコマへ移す(起動の時刻をずらす、充電の時間帯を移すなど)減るとは限らない。増えることもある移した先のコマが新しい最大にならないか。移すことで運転の時間が延びる分の電力量
蓄電池や自家発電でまかなう受電電力だけを下げる(第9章)設備が使う電力量は変わらない蓄電池の容量と出力、発電の設備の運用と保安

架空の工場Bの設備別の30分値を作る

ここからは、最大需要電力がどのように成り立っているかを、コードで確かめます。この章のデータは、他の章とは独立に作った架空の合成データです。実際の事業所の記録よりずっと単純で、合成データでの最大需要電力の値や、その低下の幅、削る電力量は、実際の事業所での値の目安にはなりません。示したいのは、設備別の記録があれば、最大需要電力の出たコマの内訳が分かり、どこを下げればよいかの判断材料になる、という点です。

架空の工場B(事務所の部分を含む)の1年分(365日、1日48コマ)の30分値を、設備の区分ごとに、次の性質を持たせて乱数で作りました(乱数の種は20261117に固定しています)。コードは Python 3.14.3 で実行し、グラフの日本語の表示には japanize-matplotlib 1.1.3 を使いました。

  • 外気温:架空の地点のもの。日平均気温は1年の周期で冬に低く夏に高く、日ごとのばらつきを加えた。1日の中では14時ごろに高くなる
  • 稼働日:7日のうち5日を稼働日とし、さらに全365日から12日を選んで架空の休業日にした(もともと休みの日と重なった日を含み、稼働日は254日になった。実在の暦の祝日は使っていない)。稼働日の約2割を増産の日とし、13時から16時に生産ラインを1本追加で動かす
  • ベース負荷(冷蔵・待機・常時動く機器):この例題の設定では60kW 前後で、1日中ほぼ一定とした(実際のベース負荷は一定とは限らず、減らせる分を含むことがある)
  • 照明・OA:稼働日の8時から18時は70kW、それ以外は10kW
  • 空調:4つの系統。外気温が20℃を超えると冷房、14℃を下回ると暖房の負荷が、気温に比例して増える。稼働日の8時から18時に動き、起動の直後のコマは負荷が1.6倍、次のコマは1.2倍になる(室内を設定の温度まで持っていく立ち上げの分)
  • コンプレッサ:稼働日の8時から17時30分。1台目の45kW に加え、2台目が約6割のコマで動く
  • 生産設備:稼働日の8時から17時に150kW 前後。増産の日は13時から16時に60kW 増える
  • 換気:稼働日の8時から18時は25kW、それ以外は5kW

この例題には太陽光発電も蓄電池も無いので、受電電力と需要(事業所の中の設備が使う電力の合計)は同じです。時刻は、コマの始まりの時刻で表します。各区分は、コマごとの平均の電力(kW)で作り、0.5時間を掛けて30分値(kWh)にしました。需要電力(kW)は、30分値(kWh)を0.5時間で割って求めます。コードの中で、この2つの換算が合っていることを assert で確かめています。

# ---- ブロック1:架空の工場Bの1年分の設備別30分値を作る ----
import sys
sys.stdout.reconfigure(encoding="utf-8")   # 標準出力をUTF-8にする(ブロックをつなげて実行しても安全)
import numpy as np
import pandas as pd

rng = np.random.default_rng(20261117)
N_DAYS, K = 365, 48                       # 1年、1日48コマ
DT = 0.5                                  # 1コマの長さ(時間)
day = np.arange(N_DAYS)
hour = np.arange(K) * DT                  # コマの始まりの時刻
month = (day // 30.5).astype(int) + 1     # 架空の月(1〜12。暦の月とは一致させない)
t_mean = 16.5 - 10 * np.cos(2 * np.pi * (day - 20) / 365) + rng.normal(0, 2.0, N_DAYS)
temp = t_mean[:, None] + 4 * np.cos(2 * np.pi * (hour[None, :] + 0.25 - 14) / 24)
work = (day % 7) < 5                      # 架空の暦:7日のうち5日が稼働日
work[rng.choice(N_DAYS, 12, replace=False)] = False   # 全365日から12日を選んで休業日にする(もとの休みと重なる日を含む)
heavy = work & (rng.random(N_DAYS) < 0.2) # 増産の日(生産ラインを1本追加)

def on(start, end):                       # start時からend時まで動く(コマ単位の0/1)
    return ((hour >= start) & (hour < end)).astype(float)

def make_ac(starts):                      # 空調4系統。startsは系統ごとの起動の時刻
    ac = np.zeros((N_DAYS, K))
    for s in starts:
        load = 5.0 * np.clip(temp - 20, 0, None) + 2.5 * np.clip(14 - temp, 0, None)
        run = on(s, 18.0)
        surge = 1.0 + 0.6 * on(s, s + 0.5) + 0.2 * on(s + 0.5, s + 1.0)  # 起動直後の立ち上げ
        ac += load * run * surge
    return ac * work[:, None]

W = work[:, None]
kw = {                                    # 各コマの平均の電力(kW)
    "ベース負荷": 60 + rng.normal(0, 3, (N_DAYS, K)),
    "照明・OA": 10 + 60 * on(8, 18) * W,
    "空調": make_ac([8.0, 8.0, 8.0, 8.0]),
    "コンプレッサ": (45 + 45 * (rng.random((N_DAYS, K)) < 0.6)) * on(8, 17.5) * W,
    "生産設備": (150 + rng.normal(0, 8, (N_DAYS, K))) * on(8, 17) * W
               + 60 * on(13, 16) * heavy[:, None],
    "換気": 20 * on(8, 18) * W + 5,
}
kwh = {k: v * DT for k, v in kw.items()}  # 30分値(kWh)=平均の電力(kW)×0.5時間
total_kwh = sum(kwh.values())
demand = total_kwh / DT                   # 需要電力(kW)=30分値(kWh)の2倍
assert np.allclose(demand, sum(kw.values()))
print("稼働日の数:", int(work.sum()), " 増産の日の数:", int(heavy.sum()))
print("年間の電力量(kWh):", round(total_kwh.sum()))
print("年間の最大需要電力(kW):", round(demand.max(), 1))
print("負荷率(年間の平均の電力 / 最大需要電力):", round(demand.mean() / demand.max(), 3))

実行した結果、1年の電力量は1,564,034kWh、1年の最大需要電力は705.4kW、負荷率(1年の平均の電力を最大需要電力で割った値)は0.253でした。負荷率が低いのは、この架空の工場Bが、夜間と休業日には60kW 前後のベース負荷に照明・OA と換気の分が加わった約75kW しか使わず、稼働日の昼間に使用が集中しているためです。負荷率が低い事業所では、最大需要電力のもとになるコマが1年のうちの一部に限られる場合があり、そのコマを下げられれば、電力量をあまり変えずに最大需要電力を下げられる余地がある場合があります。ただし、後で見るとおり、この架空データのように成り立ちの違うピークがほぼ同じ高さで並んでいると、片方を下げても1年の最大は下がりにくくなります。

最大需要電力の出たコマを設備別に分解する

次に、月ごとに最大需要電力が出たコマを探し、そのコマで各設備がどれだけの電力を使っていたかを並べます。この表があると、最大需要電力を下げるために、どの設備を、どの時刻に、どれだけ動かす必要があるかが分かります。逆に、受電点の30分値だけでは、最大需要電力の値と時刻は分かっても、その中身は分かりません。

# ---- ブロック2:月ごとの最大需要電力と、出たコマの内訳 ----
rows = []
for m in range(1, 13):
    idx = np.where(month == m)[0]
    sub = demand[idx]
    d_i, k_i = np.unravel_index(sub.argmax(), sub.shape)
    d = idx[d_i]
    r = {"月": m, "最大需要電力kW": round(sub.max(), 1), "日": d,
         "時刻": f"{int(hour[k_i]):02d}:{int(hour[k_i] % 1 * 60):02d}",
         "日平均気温": round(t_mean[d], 1)}
    for name, v in kw.items():
        r[name] = round(v[d, k_i], 1)
    rows.append(r)
tab = pd.DataFrame(rows)
pd.set_option("display.width", 200)
print(tab.to_string(index=False))

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import japanize_matplotlib

d_max, k_max = np.unravel_index(demand.argmax(), demand.shape)
colors = ["#002E73", "#3A5A9A", "#7F96C2", "#9E9E9E", "#C8C8C8", "#5C5C5C"]
fig, ax = plt.subplots(figsize=(9, 4.5))
ax.stackplot(hour + 0.25, [kw[k][d_max] for k in kw], labels=list(kw), colors=colors)
ax.axvline(hour[k_max] + 0.25, color="black", lw=1, ls="--")
ax.set_xlabel("時刻(各コマの中央)")
ax.set_ylabel("需要電力(kW)")
ax.set_xlim(0, 24)
ax.set_xticks(range(0, 25, 3))
ax.set_title(f"年間の最大需要電力が出た日({month[d_max]}月)の設備別の内訳")
ax.legend(loc="upper left", bbox_to_anchor=(1.01, 1.0), fontsize=9)
plt.savefig("../ch06_peak_breakdown.png", dpi=120, bbox_inches="tight")
print("最大の日:", d_max, "最大のコマの始まり:", hour[k_max], "日平均気温:", round(t_mean[d_max], 1))

結果は次の表のとおりです。月は、1年を12に分けた架空の月で、暦の月とは一致させていません。各設備の欄は、そのコマの平均の電力(kW)です。

月最大需要電力(kW)時刻(コマの始まり)日平均気温(℃)空調(kW)生産設備(kW)コンプレッサ(kW)そのほか(kW)
1546.908:001.2200.9147.445.0153.6
2547.308:004.5148.1154.790.0154.5
3500.008:008.091.2159.290.0159.5
4509.214:3021.1100.0163.790.0155.5
5629.113:3024.4167.9219.490.0151.7
6705.408:0030.4340.4165.445.0154.7
7702.813:3028.4247.7207.290.0157.9
8698.114:3027.6231.3223.390.0153.5
9610.514:0022.7132.9233.490.0154.1
10531.613:3019.365.6219.190.0157.0
11509.808:006.3119.3143.490.0157.1
12517.408:006.2121.0153.090.0153.4

「そのほか」は、ベース負荷・照明・OA・換気の合計です(実行の記録にある各区分の値を足しました)。この表から、この架空の工場Bについて次のことが読み取れます。1年の最大需要電力705.4kW は、6月の、日平均気温が30.4℃の日の8時のコマで出ました。このコマでは、空調が340.4kW を使っていました。空調の4系統が8時に一斉に起動し、立ち上げの分の負荷が重なったためです。一方、7月と8月の最大は、13時30分と14時30分の、気温が高く増産の生産ラインも動いていた時間帯に出ており、6月の最大との差は2.6kW と7.3kW でした。冬の側(1月から3月、11月と12月)の最大は、すべて8時のコマで出ていて、暖房の立ち上げが効いています。

つまり、この架空データでは、最大需要電力は「真夏の昼」の1か所だけで決まっているわけではありませんでした。朝の起動の重なりと、夏の午後の空調と生産の重なりという、成り立ちの違う2種類のピークが、ほぼ同じ高さで並んでいます。この場合、片方だけを下げても、もう片方がすぐに次の最大になります。この点は、後のピークシフトの例題で確かめます。

最大需要電力の出た日の1日の推移を、設備別に積み上げると次の図になります。破線が最大のコマ(8時から8時30分)です。

架空の工場Bで1年の最大需要電力が出た日の、設備別の需要電力の積み上げ。8時のコマで空調の立ち上げが重なって最大になり、午後にも同じくらいの高さのコマが続く

図から、8時のコマの後も、昼から午後にかけて高いコマが続いていることが分かります。この日の2番目に高いコマは14時のコマの695.0kW、3番目は12時のコマの685.5kW でした。8時のコマだけを下げても、この日の最大は695.0kW までしか下がりません。設備別の記録は、事業所内の計測点(BEMS や FEMS などの計測の仕組み)から得るのが一般的です。計測点の階層とデータのそろえ方は第2章で扱っています。設備別の記録が無い場合でも、主な設備の運転の記録(起動と停止の時刻、台数)と受電点の30分値を突き合わせれば、どの設備がピークのコマで動いていたかの見当は付けられます。

目標の需要電力を下げると、削る量はどう増えるか

最大需要電力を何kW まで下げるかという目標の水準は、次の数え方が手がかりになります。目標を下げたときに、目標を超えるコマが何コマあり、その超えた分を合計すると何kWh になるかを、過去の1年分の30分値で数えることです。超えるコマが多いほど、制限を発動する回数が増え、止める負荷の影響も増えます。次のコードは、1年の最大需要電力から目標を少しずつ下げたときの、超えるコマの数・日数・月数と、削る必要のある電力量を数えます。

# ---- ブロック3:目標の需要電力を下げると、何コマ・何kWhを削る必要があるか ----
peak = demand.max()
res = []
for drop in [0, 10, 20, 30, 40, 60, 80, 100]:
    target = peak - drop
    over = np.clip(demand - target, 0, None)
    res.append({"下げる幅kW": drop, "目標kW": round(target, 1),
                "超えるコマ数": int((over > 0).sum()),
                "超える日数": int((over > 0).any(axis=1).sum()),
                "超える月数": int(pd.Series(month[(over > 0).any(axis=1)]).nunique()),
                "削る電力量kWh": round((over * DT).sum(), 1),
                "1コマの最大の超過kW": round(over.max(), 1)})
print(pd.DataFrame(res).to_string(index=False))

結果は次の表のとおりです。「削る電力量」は、目標を超えた各コマで、超えた分の需要電力(kW)に0.5時間を掛けて足した値(kWh)で、目標を守るためにそのコマの中で減らすか、別のコマへ移す必要のある電力量です。

下げる幅(kW)目標の需要電力(kW)超えるコマ数超える日数超える月数削る電力量(kWh)
0705.40000.0
10695.463318.2
20685.4115359.0
30675.420103134.6
40665.431103262.4
60645.464133731.9
80625.41282041,668.2
100605.41952853,228.9

この表から、目標を下げる幅と、削る必要のある量の関係が比例しないことが分かります。この架空データでは、目標を10kW 下げるのに削る電力量は18.2kWh でしたが、100kW 下げると3,228.9kWh になり、下げる幅の10倍に対して削る電力量は約177倍になりました。下げる幅が小さいうちは、最大に近い少数のコマだけを削ればよいのに対し、下げる幅が大きくなると、超えるコマの数と、各コマで超える幅の両方が増えるためです。1年の電力量1,564,034kWh と比べると、100kW 下げる場合でも削る電力量は0.2%程度で、電力量の削減としては小さな量です。最大需要電力の管理は、電力量の削減とは別の量を扱っていることが、この比較からも分かります。

目標を決めるときには、この表を、止められる負荷の量と照らし合わせます。例えば、1つのコマで最大で何kW を、何コマ続けて止められるかが分かっていれば、それで届く目標の水準の見当が付きます。表の「超える日数」は、制限を発動する日の数の目安で、この日数が多いほど、運転の担当者と在室者・生産の現場の負担が増えます。この架空データでは、目標を40kW 下げるまでは超える日が10日以内で、超える月は3か月(夏の側)にとどまりましたが、80kW 以上下げると、超える月が4か月以上に広がりました。

この表は、過去の1年の30分値をそのまま使っているので、来年も同じになるとは限りません。気温の高い年や、増産の多い年には、超えるコマは増えます。目標の水準は、この表に、気温との関係(第3章)と予測の幅(第4章)を重ねて、「気温が高い年に、超えるコマがどこまで増えるか」まで見て決めるのがよいと考えています。目標を下げすぎると、制限を発動する回数が増えて、快適性と生産への支障が出たり、守れない目標が形だけ残って形骸化したりします。逆に、目標を高く置きすぎると、契約電力の決まり方によっては(第1章)、下げられたはずの最大需要電力のもとで基本料金を払う、払いすぎにつながります。

朝の一斉の起動をずらす

先の分解で、この架空の工場Bの冬と6月の最大は、空調の4系統が8時に一斉に起動するコマで出ていました。そこで、ピークシフトの例として、4系統の起動の時刻を30分ずつ前へずらす案(6時30分・7時・7時30分・8時)を試します。終わりの時刻は18時のままとし、始業の8時には4系統とも動いているようにしました。ずらした分だけ空調の運転の時間が延びるので、電力量の合計は増えると見込まれます。

# ---- ブロック4:朝の一斉の起動をずらす(ピークシフト) ----
def summarize(ac):
    dem = (total_kwh - kwh["空調"]) / DT + ac
    mm = [dem[month == m].max() for m in range(1, 13)]
    return dem, np.array(mm)

dem0, mm0 = summarize(kw["空調"])
ac1 = make_ac([6.5, 7.0, 7.5, 8.0])       # 4系統の起動を30分ずつ前へずらす(終わりは18時のまま)
dem1, mm1 = summarize(ac1)
print("年間の最大需要電力(kW) 一斉:", round(dem0.max(), 1), " ずらす:", round(dem1.max(), 1))
print("月の最大需要電力の差(kW、ずらす - 一斉):", np.round(mm1 - mm0, 1))
print("空調の年間の電力量(kWh) 一斉:", round(kw["空調"].sum() * DT),
      " ずらす:", round(ac1.sum() * DT))
for m in range(1, 13):
    k0 = dem0[month == m].max(axis=0).argmax()
    k1 = dem1[month == m].max(axis=0).argmax()
    print(f"{m}月 最大のコマの始まり 一斉 {hour[k0]:.1f}時 → ずらす {hour[k1]:.1f}時")

実行した結果、1年の最大需要電力は、一斉に起動する場合の705.4kW から、ずらす場合の702.8kW へ、2.6kW しか下がりませんでした。月ごとに見ると、最大需要電力が下がった月は6か月で、1月が27.5kW、2月が37.0kW、3月が22.8kW、6月が10.5kW、11月が29.2kW、12月が15.7kW 下がりました。残りの6か月(4月・5月・7月から10月)は、もともと最大が午後のコマで出ていたので、変わりませんでした。一方で、空調の1年の電力量は、176,899kWh から186,495kWh へ、9,596kWh(約5.4%)増えました。

見るもの一斉に起動する場合起動をずらす場合
1年の最大需要電力(kW)705.4702.8
最大需要電力が下がった月(基準)6か月(1月・2月・3月・6月・11月・12月)
6月の最大のコマ8時14時
空調の1年の電力量(kWh)176,899186,495

この結果は、ピークシフトについて2つのことを示しています。1つ目は、起動の重なりを解くと、その月の最大需要電力は下がるが、1年の最大は、成り立ちの違う別のピーク(この架空データでは7月の午後の空調と生産の重なり)の高さまでしか下がらない、という点です。6月の最大のコマは、8時から14時へ移りました。本章でいう最大需要電力の低下は、対策なしの場合の最大と対策ありの場合の最大の差で、2つの最大が出るコマは同じとは限りません。基本料金への効き方は、契約電力の決まり方で変わります(第1章)。過去の1年の最大需要電力が後の月の契約電力に効く方式では、この例で確かめた1年の最大の差は2.6kW です。基本料金への影響は、各月の算定に使う期間の最大を比べて評価する必要があり、その期間より前の記録や、対策を始めた時期によっても変わります。一方、仮にその月の最大需要電力がその月の基本料金だけに反映される決まり方であれば、6か月で10.5kW から37.0kW 下がった分が効く可能性があります。どちらにあたるかは、契約と約款で確かめる事項です。2つ目は、ずらすことで運転の時間が延び、電力量の合計は増える、という点です。ピークシフトを評価するときは、最大需要電力の変化と電力量の変化を並べて書き、どちらか片方だけを報告しないことが大切です。

この例題では、ずらしても室内の温度が始業までに設定の温度に届くかどうかは扱っていません。起動の時刻を変えると室温の立ち上がり方が変わるので、在室者の始業の時刻に室内の環境が整うかを確かめる必要があります。建物の熱の性質を使って起動の時刻と予冷を決める方法は、第7章で扱います。

デマンドの監視、コマの途中でコマの終わりの需要電力を予測する

ここまでは、過去の30分値を振り返って、目標の水準と起動の順番を検討しました。しかし、目標を守るためには、その日のそのコマの中で、目標を超えそうかどうかを知る必要があります。コマの需要電力は、コマが終わるまで確定しません。そこで、コマの途中の時点で、それまでに使った電力量と今の電力から、コマの終わりの需要電力を予測し、目標を超えそうなら警報を出すのがデマンドの監視です。

J-Net21 の省エネQ&A は、デマンド監視装置を、常に需要電力を予測して目標の電力を超えそうな場合に警報を出す装置と説明し、警報と同時にあらかじめ設定した機器(空調機など)を自動で止められる機種をデマンドコントローラーと呼ぶと説明しています。日本冷凍空調学会の用語の解説は、目標を超えそうなときに段階的に警報を出し、1段目で冷凍機の容量を絞り、2段目でさらに絞るか止める、という設計の例を挙げています。本章では、これらの装置の一般的な説明を出発点に、予測と警報の考え方を簡単な計算で確かめます。個々の製品の予測の方法と設定の項目は、製品の公式の資料で確かめる事項です。

最も単純な予測は、「今の電力がコマの終わりまで続く」と仮定するものです。コマの始まりから \( m \) 分たった時点で、それまでの電力量を \( E_m \)(kWh)、今の電力を \( P \)(kW)とすると、コマの終わりの需要電力の予測は次のように書けます。

\( \hat{D} = \dfrac{E_m + P \times (30 – m)/60}{0.5} \)

言葉で言えば、「ここまで使った電力量に、今の電力で残りの時間を使った場合の電力量を足し、0.5時間で割って平均の電力(kW)に直す」という計算です。本章の例題では、今の電力として直近3分の平均を使いました。コマの前半では残りの時間が長いので、今の電力の揺れが予測を大きく動かし、後半になるほど、すでに使った電力量の割合が増えて予測が安定します。その代わり、後半に警報を出しても、残りの時間が短いので、負荷を下げてもコマの需要電力はあまり下がりません。

この性質を確かめるために、架空の、1分ごとに記録した電力(1分間の平均の電力)を作りました。夏の稼働日の午後を想定した600コマで、コマの始まりの電力の水準は平均600kW、標準偏差25kW でばらつき、コマの中ではゆっくりした揺れと1分ごとの細かい揺れを加えました。さらに、約35%のコマでは、コマの途中の分に大きな設備が動き出し、40kW から90kW の電力が増えるようにしました。目標の需要電力は650kW としました。この記録も、前の節の工場Bとは独立に作った架空のものです。記録の値は1分間の平均の電力(kW)で、本コラムでは需要電力とは呼びません(需要電力は30分間の平均の電力に限ります)。この例題にも太陽光発電と蓄電池は無く、受電電力と需要は同じです。

# ---- ブロック5:架空の1分ごとの電力の記録と、コマの途中の予測 ----
import sys
sys.stdout.reconfigure(encoding="utf-8")   # 標準出力をUTF-8にする(ブロックをつなげて実行しても安全)
import numpy as np
import pandas as pd

rng = np.random.default_rng(20261117)
N_KOMA, M = 600, 30                       # 600コマ(夏の稼働日の午後を想定)、1コマ30分
TARGET = 650.0                            # 目標の需要電力(kW)
level = rng.normal(600, 25, N_KOMA)       # コマの始まりの電力の水準(kW)
p = np.repeat(level[:, None], M, axis=1)  # 1分間の平均の電力(kW)。需要電力とは呼ばない
p += np.cumsum(rng.normal(0, 3, (N_KOMA, M)), axis=1)      # ゆっくりした揺れ
step_on = rng.random(N_KOMA) < 0.35       # コマの途中で大きな設備が動き出すコマ
t_on = rng.integers(1, M, N_KOMA)         # 動き出す分
size = rng.uniform(40, 90, N_KOMA)        # 増える電力(kW)
p += np.where(np.arange(M)[None, :] >= t_on[:, None], 1.0, 0.0) * (step_on * size)[:, None]
p += rng.normal(0, 8, (N_KOMA, M))        # 1分ごとの細かい揺れ
e_min = p / 60                            # 1分ごとの電力量(kWh)
actual = e_min.sum(axis=1) / 0.5          # コマの需要電力(kW)=コマの電力量(kWh)÷0.5時間
over = actual > TARGET
print("目標を超えたコマ:", int(over.sum()), "/", N_KOMA)

def predict(m):                           # 経過m分の時点で、コマの終わりの需要電力を予測する
    used = e_min[:, :m].sum(axis=1)       # ここまでの電力量(kWh)
    now = p[:, max(0, m - 3):m].mean(axis=1)   # 直近3分の平均の電力(kW)
    return (used + now * (M - m) / 60) / 0.5

rows = []
for m in [10, 15, 20, 25]:
    pred = predict(m)
    for margin in [-20, -10, 0]:
        alarm = pred > TARGET + margin
        rows.append({"経過分": m, "警報のしきい値kW": TARGET + margin,
                     "警報": int(alarm.sum()), "的中": int((alarm & over).sum()),
                     "見逃し": int((~alarm & over).sum()), "誤報": int((alarm & ~over).sum())})
print(pd.DataFrame(rows).to_string(index=False))

600コマのうち、実際に目標の650kW を超えたコマは73コマでした。警報を出す時点(コマの始まりからの経過の分)と、警報のしきい値を変えたときの結果は次の表のとおりです。「的中」は警報を出して実際に超えたコマ、「見逃し」は警報を出さずに超えたコマ、「誤報」は警報を出したが超えなかったコマの数です。ここでは、警報を出しても負荷は下げない場合(予測の当たり外れだけを見る場合)を数えています。「実際に超えた」は、合成データの中での実績であり、実際の設備で測った値ではありません。

経過(分)警報のしきい値(kW)警報的中見逃し誤報
10630121611260
1064077522125
106504640336
1563013368565
1564089601329
156505852216
2063014873075
2064010671235
20650706674
2563015673083
2564010673033
25650737122

この表から、次のことが読み取れます。1つ目は、同じ判定の時点では、しきい値を目標より低く置くほど見逃しは減るが、誤報が増えることです。経過10分の時点で、しきい値を目標と同じ650kW にすると、見逃しは33コマ、誤報は6コマでしたが、630kW に下げると、見逃しは12コマに減り、誤報は60コマに増えました。2つ目は、判定の時点を遅くすると、見逃しはどのしきい値でも減ることです(650kW では33・21・7・2コマ、630kW では12・5・0・0コマ)。3つ目は、誤報の向きは、しきい値によって違ったことです。しきい値が目標と同じ650kW のときは、誤報は経過10分から25分まで6・6・4・2コマと減りましたが、630kW では60・65・75・83コマと、遅く判定するほど増えました。640kW では25・29・35・33コマでした。630kW で誤報が増えた理由は、本コラムでは確かめていません。見逃しと誤報の合計で見ると、640kW でも経過10分・15分・20分・25分で46・42・37・33コマと減りました。見逃しと誤報の両方が、判定を遅くするにつれて増えずに減ったのは、650kW の場合でした。

しかし、警報の目的は当てることではなく、警報を受けて負荷を下げ、目標を守ることです。そこで、警報が出たら2分後に50kW を下げ、コマの終わりまで続けるという対応を加えて、対応した後も目標を超えたコマを数えました。

# ---- ブロック6:警報で負荷を下げた場合と、1つのコマの予測の推移 ----
CUT, DELAY = 50.0, 2                      # 警報から2分後に50kW下げ、コマの終わりまで続ける
rows = []
for m in [10, 15, 20, 25]:
    pred = predict(m)
    for margin in [-20, -10, 0]:
        alarm = pred > TARGET + margin
        mins = max(0, M - m - DELAY)      # 下げている分数
        after = actual - alarm * CUT * mins / 60 / 0.5
        rows.append({"経過分": m, "警報のしきい値kW": TARGET + margin, "下げた回数": int(alarm.sum()),
                     "対応後も超えたコマ": int((after > TARGET).sum()),
                     "下げた電力量kWh": round(alarm.sum() * CUT * mins / 60, 1)})
print(pd.DataFrame(rows).to_string(index=False))

i = int(np.where(step_on & over & (t_on > 12) & (t_on < 20) & (level < 620))[0][0])
print("例のコマ:", i, "動き出した分:", int(t_on[i]), "増えた電力kW:", round(size[i], 1),
      "実際の需要電力kW:", round(actual[i], 1))
print("経過10分・20分の予測kW:", round(predict(10)[i], 1), round(predict(20)[i], 1))
for m in [5, 10, 15, 16, 17, 18, 20, 25, 29]:
    print(f"経過{m}分 直近1分間の平均の電力kW: {p[i, m - 1]:.1f}  コマの終わりの予測kW: {predict(m)[i]:.1f}")
経過(分)警報のしきい値(kW)下げた回数対応後も超えたコマ下げた電力量(kWh)
10630121301,815.0
1064077391,155.0
106504651690.0
15630133281,440.8
156408936964.2
156505844628.3
2063014836986.7
2064010638706.7
206507042466.7
2563015654390.0
2564010654265.0
256507356182.5

負荷を下げる対応を入れると、しきい値650kW の判定の時点の比べ方が変わりました。経過25分の判定は、予測は最もよく当たりましたが、下げられる時間が3分しか残らないので、対応した後も56コマ(もともと超えた73コマのうち)が目標を超え、650kW の4つの時点(51・44・42・56コマ)で最も多くなりました。対応後に超えたコマが最も少なかったのは、経過15分・しきい値630kW の28コマで、そのために133回負荷を下げ、そのうち65回は、下げなくても目標を超えなかったコマでした。どの組み合わせでも、対応した後に超えるコマは残りました。50kW を残りの時間だけ下げても、コマの需要電力は50kW より小さくしか下がらず(経過15分なら、50kW × 13分 ÷ 30分で約21.7kW)、コマの途中で90kW 近く増えるような変化には届かないためです。

この計算には、下げた後に戻って増える分(再開したときの負荷の増加)を入れていません。後の整数計画の例題では戻りを入れているので、2つの例題で扱いがそろっていません。

この結果は、この架空の記録と、50kW を下げるという仮の対応での結果で、一般にどの時点・どのしきい値がよいという主張ではありません。この記録で言えることは、次の範囲です。早く判定すると、下げる時間を長く取れるので、同じ50kW でもコマの需要電力を大きく下げられました(しきい値630kW で、対応後も超えたコマは経過10分の判定で30コマ、経過25分の判定で54コマ)。一方で、止める回数(下げた回数)は、どのしきい値でも判定が遅いほど多く、早い判定ほど止める回数が増えるという関係は、この記録には見られませんでした(630kW で121・133・148・156回)。止める負荷の影響と、目標を超えたときの損失を比べて、しきい値と判定の時点を決めるには、自社の記録で同じ表を作って確かめる必要があります。その際は、しきい値を選ぶのに使う期間の記録と、選んだ設定の成績を確かめる期間の記録を分けておかないと、成績が実際より良く見えます。段階的な警報(1段目は早めに小さく、2段目は遅めに大きく)は、判定の時点の違う警報を組み合わせる考え方ですが、本コラムではその効果を計算していません。

次の表は、コマの途中で大きな設備が動き出したコマの例です。「直近1分間の平均の電力」は、その経過の時点までの1分間の平均の電力で、「コマの終わりの予測」は、その時点で計算したコマの終わりの需要電力の予測です。予測は、前の式のとおり、それまでに使った電力量に、直近3分の平均の電力で残りの時間を使った場合の電力量を足して計算するので、表の直近1分間の値とは一致しません。設備が動き出した直後の経過16分の行で、1分間の値が717.0kW なのに予測が636.6kW なのは、このためです。

コマの始まりからの経過(分)直近1分間の平均の電力(kW)コマの終わりの予測(kW)
5611.2609.6
10600.6613.5
15615.9617.0
16717.0636.6
17714.4651.0
18701.1662.9
20707.0659.7
25698.8660.5
29693.8660.3

このコマでは、経過15分を過ぎたところで(表では経過16分の行から)84.6kW の設備が動き出し、コマの需要電力は660.1kW で目標を超えました。コマの終わりの予測は、経過17分で651.0kW と目標の650kW を上回り、表の経過18分以降の行では659.7kW から662.9kW の間でした。経過10分の時点の予測は613.5kW で、目標を下回っていたので、10分の時点で判定していれば見逃しになります。経過20分の時点の予測は659.7kW で、このコマの需要電力に近づいていました。この予測の方法は、それまでの電力量と直近3分の電力だけを使うので、入力に含めていない設備の起動を、起動の前に予測することはできません。起動の予定が分かっている設備は、その予定を予測に入れられる場合があります。デマンドの監視を、警報を1回出す仕組みとしてではなく、コマの中で予測を更新し続け、変化が起きた時点ですぐに対応できる仕組みとして設計する必要があるのは、このためです。

実際の運用では、予測の方法の精度よりも、警報を受けてから負荷が下がるまでの時間のほうが効くことが多いように思います。人が警報を見て設備の場所まで行き、操作するのに数分かかれば、その間にコマの残りの時間は減ります。後の節で扱う「自動の制御と人の操作の分担」は、この時間の問題でもあります。

止められる負荷・ずらせる負荷の棚卸し

警報を出しても、下げられる負荷が無ければ目標は守れません。デマンドの監視を始める前に、事業所の負荷を、止められるもの・ずらせるもの・止めてはいけないものに分けて棚卸しし、それぞれについて、止めてよい時間の長さ・再開の条件・止めたときの影響を書き出しておく必要があります。次の表は、棚卸しの観点の例です。どの設備がどの区分に入るかは、事業所の設備の仕様・保安規程・生産の条件で決まるので、表の例はあくまで検討の観点を示すものです。

負荷の例区分の例止めてよい時間・ずらせる幅の観点再開の条件の観点止めたときの影響の観点
空調(系統ごと、能力の一部)短い時間なら能力を絞れる場合がある室温が許容範囲を外れるまでの時間(建物の熱容量で変わる。第7章)メーカーの定める停止から再起動までの間隔。再開したときに負荷が戻って増える分室内の環境・在室者の快適性。温度の管理が要る部屋(サーバ室・品質管理の部屋など)は対象外にする
換気一部を短い時間なら絞れる場合がある室内の空気の質の基準を守れる範囲(第7章)二酸化炭素の濃度などの監視の値空気の質・作業環境。排気が安全に関わる場所(燃焼・化学物質を扱う場所など)は対象外にする
コンプレッサ(複数台の一部)台数を減らせる場合がある圧縮空気のタンクの圧力が下限に達するまでの時間圧力の回復、使う側の工程の状態空気を使う工程の停止・品質
電気炉・加熱の設備止めてはいけない場合が多い製品の品質・工程の条件で決まる温度の回復にかかる時間品質・歩留まり・設備の寿命
電気自動車・フォークリフトなどの充電ずらせる次に使う時刻までに必要な量を充電できる範囲次に使う時刻と必要な量使う時刻に充電が足りないこと
給湯(貯湯式)ずらせる場合がある湯を使う時刻と貯湯の量湯の温度衛生の管理の条件(湯の温度の管理など)
保安・防災・医療・情報の設備止めてはいけない対象外対象外安全・事業の継続

棚卸しでは、止められる量(kW)だけでなく、止められる時間の長さと、再開した後に戻って増える量を書き出すことが大切です。空調を止めると、その間に室内に熱がたまり、再開したときに、たまった熱を取り除くために一時的に負荷が増えることがあります。この戻りの増加がピークのコマに重なると、止めたことでかえって次のコマの需要電力が上がります。また、止めてよい時間の長さは、季節や在室の状況で変わります。棚卸しの表は一度作って終わりではなく、季節ごとに見直す記録として扱うのがよいと考えています。

優先順位は、止めたときの影響が小さいものから順に付けるのが基本です。ただし、影響の大きさは設備の担当者・生産の現場・在室者で受け止め方が違うので、誰がどの順番に合意したかを記録に残しておく必要があります。この合意が無いまま、デマンドコントローラーの設定だけで止める順番を決めると、止められた側の不満から設定が外され、監視の仕組みはあるが使われない、形骸化につながりやすくなります。

負荷を止める計画を整数計画で作る

棚卸しができると、翌日の需要電力の予測を使って、「どの負荷を、どのコマで止めれば、目標を守りながら影響を最も小さくできるか」という計画を、前日のうちに作ることができます。止めるか止めないかは0か1の判断で、続けて止められる時間の上限や、再開してから次に止めるまでの間隔のような条件があるので、整数計画(変数の一部が整数の値しか取らない最適化)として書けます。定式化の一般論は、弊社コラム『数理最適化の定式化パターン集』で扱っています。

例題として、架空の事業所の夏の稼働日の1日(48コマ)を考えます。この記録も、前の節とは独立に作った架空のものです。真の需要電力(社用車の充電を除く)に、時間でつながる誤差を加えたものを、前日に作った予測として使います。計画は予測で作り、評価は真の需要電力(実績)で行います。ここでいう実績は、合成データの中での実績であり、実際の設備で測った値ではありません。この例題にも太陽光発電と蓄電池は無く、受電電力と需要は同じです。止められる負荷は次の表のとおりとしました。値はすべて例題のための仮の値です。

負荷止めると下がる電力(kW)続けて止められるコマ数の上限再開してから次に止めるまでに空けるコマ数影響の重み(1コマ・1kW あたり、相対値)再開したコマに戻って増える割合
空調1・空調2・空調3(それぞれ)20221.030%
換気の一部8131.50%
コンプレッサ2号機40144.020%

このほかに、社用車の充電を、ずらせる負荷として加えました。9時から17時の間に合計60kWh を、30kW 以下の電力で充電すればよいものとします。何もしない場合は、昼の休みの後の13時から30kW で2時間充電するものとしました。影響の重みは、止めたときの室内の環境と生産への影響を、空調を1とした相対値で表したものです。コンプレッサの重みを大きくしたのは、圧縮空気を使う工程への影響を空調より重く見るという仮定で、実際の重みは事業所ごとに、設備の担当者と生産の現場が決めるものです。この例題では、生産設備の加熱の部分と、ベース負荷は止めない負荷として扱いました。

# ---- ブロック7:翌日の需要電力の予測と、止められる負荷の表 ----
import sys
sys.stdout.reconfigure(encoding="utf-8")   # 標準出力をUTF-8にする(ブロックをつなげて実行しても安全)
import numpy as np
import pandas as pd
import pulp

rng = np.random.default_rng(20261117)
K, DT = 48, 0.5
hour = np.arange(K) * DT
work = ((hour >= 8) & (hour < 18)).astype(float)
shape = np.exp(-((hour - 14) / 3.0) ** 2) * work           # 午後に高い冷房の形
true_base = 120 + 380 * work + 160 * shape + rng.normal(0, 6, K)   # EV充電を除く需要電力(kW)
err = np.cumsum(rng.normal(0, 4, K)) * work                  # 時間でつながる予測の誤差(kW)
fcst_base = true_base - err                                  # 前日に作った予測(kW)
print("予測の最大kW:", round(fcst_base.max(), 1), " 実際の最大kW:", round(true_base.max(), 1))

loads = pd.DataFrame([                    # r:止めると下がるkW、L:続けて止められるコマ数の上限、
    ("空調1", 20, 2, 2, 1.0, 0.3),        # G:再開してから次に止めるまでに空けるコマ数、
    ("空調2", 20, 2, 2, 1.0, 0.3),        # w:影響の重み(1コマ1kWあたり、相対値)、
    ("空調3", 20, 2, 2, 1.0, 0.3),        # rb:再開したコマに戻って増える割合
    ("換気の一部", 8, 1, 3, 1.5, 0.0),
    ("コンプレッサ2号機", 40, 1, 4, 4.0, 0.2),
], columns=["名前", "r", "L", "G", "w", "rb"]).set_index("名前")
EV_KWH, EV_KW = 60.0, 30.0                # 社用車の充電:9時から17時までに60kWh、出力の上限30kW
ev_ok = ((hour >= 9) & (hour < 17)).astype(float)
print(loads.to_string())

計画の問題は次のように書きました。各負荷・各コマについて、止めるなら1を取る変数と、そのコマで止め終わる(次のコマで再開する)なら1を取る変数を置きます。制約は次のとおりです。

  • 各コマの需要電力(予測の需要電力から止めた分を引き、再開による戻りの増加と充電の電力を足したもの)が、目標を超えない。止める負荷だけでは届かない場合にも解が得られるように、目標を超えた分を表す変数を置く
  • 各負荷を続けて止めるのは、上限のコマ数まで
  • 再開してから決まったコマ数は、その負荷を止めない
  • 止めるのは稼働の時間(8時から18時)だけ
  • 充電は9時から17時の間に、30kW 以下の電力で、合計60kWh

目的は、影響の重みを掛けて足した止めた量と、目標を超えた分の合計に大きな重み(相対値で1,000)を掛けたものの和を、最小にすることです。この2つの重み(止めることの影響の重みと、超えた分に掛ける1,000)の置き方で、止めることと目標を超えることのどちらを優先するかが決まり、重みの置き方によって結果は変わります。

この目的のもとでは、目標を超えた分が残っても、それだけでは「その目標は守れない」とは言えません(超えた分を減らすより止める影響のほうが重いと、守れる場合でも超えた分を残す解になりうるためです)。そこで、目標を守れるかどうかは、目標を超えることを認めない設定(コードの mode="hard")で解があるかどうかで確かめることにしました。また、後で比べるために、計画の最大(全コマの需要電力の最大)だけを先に最小にし、その値を守ったうえで影響を最小にする2段階の解き方も用意しました(コードの mode="minmax")。

計算には、PuLP(Python から最適化の問題を書いて解くためのライブラリ)を使い、PuLP 3.3.2 で確認しました。実際に問題を解くのは、ソルバー(最適化の計算を行うプログラム)の1つである CBC です。PuLP の最新の版(2026年10月公開の4.2.0)は、CBC を同梱しておらず、コードの中の PULP_CBC_CMD も使えないので、版を指定して入れます。時間の上限は30秒とし、解くたびに、変数の値を読む前に、問題の状態(status)と解の状態(sol_status。見つかった解が最適と確かめられたかどうか)の両方を確かめています。時間切れで、最適とは確かめられていない解が返った場合を、最適な解と区別するためです。

# ---- ブロック8:負荷の遮断の計画を整数計画で解く(PuLP 3.3.2) ----
def solve(prob, time_limit):              # 解き、問題の状態と解の状態を返す(値を読む前に確かめる)
    prob.solve(pulp.PULP_CBC_CMD(msg=0, timeLimit=time_limit))
    return pulp.LpStatus[prob.status], pulp.LpSolution[prob.sol_status]

OPT = ("Optimal", pulp.LpSolution[pulp.LpSolutionOptimal])

def plan(base, target, mode="sum", time_limit=30):
    # mode="sum":影響+1000×超えた分の合計/"minmax":計画の最大だけを最小にし、その値を固定して影響を最小にする
    # mode="hard":目標を超えることを認めない(解が無ければ状態がInfeasibleになる)
    prob = pulp.LpProblem("shed", pulp.LpMinimize)
    s = pulp.LpVariable.dicts("s", (loads.index, range(K)), cat="Binary")   # 止めるなら1
    e = pulp.LpVariable.dicts("e", (loads.index, range(K)), cat="Binary")   # tで止め終わるなら1
    c = pulp.LpVariable.dicts("c", range(K), lowBound=0, upBound=EV_KW)     # 充電の電力(kW)
    u = pulp.LpVariable.dicts("u", range(K), lowBound=0, upBound=0 if mode == "hard" else None)  # 目標を超えた分(kW)
    z = pulp.LpVariable("z")                                                # 計画の最大(kW)
    for i in loads.index:
        L, G = int(loads.at[i, "L"]), int(loads.at[i, "G"])
        for t in range(K):
            prob += s[i][t] <= work[t]                                       # 稼働の時間だけ止める
            nxt = s[i][t + 1] if t + 1 < K else 0
            prob += e[i][t] >= s[i][t] - nxt
            prob += e[i][t] <= s[i][t]
            prob += e[i][t] <= 1 - nxt
            if t + L < K:
                prob += pulp.lpSum(s[i][t + j] for j in range(L + 1)) <= L  # 続けて止めるのはLコマまで
            for g in range(1, G + 1):
                if t + g < K:
                    prob += s[i][t + g] <= 1 - e[i][t]                       # 再開後Gコマは止めない
    for t in range(K):
        prob += c[t] <= EV_KW * ev_ok[t]
        rebound = pulp.lpSum(loads.at[i, "rb"] * loads.at[i, "r"] * e[i][t - 1]
                             for i in loads.index) if t > 0 else 0
        net = base[t] - pulp.lpSum(loads.at[i, "r"] * s[i][t] for i in loads.index) + rebound + c[t]
        prob += net <= target + u[t]
        prob += net <= z
    prob += pulp.lpSum(c[t] * DT for t in range(K)) == EV_KWH                # 充電の電力量は必ず満たす
    impact = pulp.lpSum(loads.at[i, "w"] * loads.at[i, "r"] * s[i][t] for i in loads.index for t in range(K))
    if mode == "minmax":
        prob.setObjective(z)                                                 # 第1段:計画の最大だけを最小にする
        st = solve(prob, time_limit)
        if st != OPT:
            return st, None, None, None
        zstar = z.value()
        prob += z <= zstar + 0.01                                            # 第2段:その最大(0.01kWの余裕)を守って影響を最小にする
        prob.setObjective(impact)
    else:
        prob.setObjective(impact + (1000 * pulp.lpSum(u[t] for t in range(K)) if mode == "sum" else 0))
    st = solve(prob, time_limit)
    if st != OPT:
        return st, None, None, None
    S = pd.DataFrame({i: [s[i][t].value() for t in range(K)] for i in loads.index}).round().astype(int)
    E = pd.DataFrame({i: [e[i][t].value() for t in range(K)] for i in loads.index}).round().astype(int)
    C = np.array([c[t].value() for t in range(K)])
    return st, S, E, C

def apply(base, S, E, C):                 # 計画どおりに止めたときの需要電力(kW)
    assert (E.values == S.values * (1 - np.r_[S.values[1:], np.zeros((1, len(loads)))])).all()
    cut = S.values @ loads["r"].values
    reb = np.r_[0, (E.values @ (loads["rb"] * loads["r"]).values)[:-1]]
    return base - cut + reb + C, cut, reb

最後に、目標を640kW・620kW・600kW・580kW と変えて計画を作り、計画どおりに止めた場合の需要電力を、予測と実績の両方で計算します。コードの中で、充電の電力量が60kWh になっていることと、計画と実績の差が予測の誤差だけであることを assert で確かめています。表の「延べ停止コマ数」は、設備ごとに止めたコマの数を足したもので、1つの設備を続けて2コマ止めると2と数えます。「停止の回数」は、止め始めてから再開するまでを1回と数えたものです。

# ---- ブロック9:目標ごとに計画を作り、実績の需要電力で評価する ----
ev_now = np.zeros(K)
ev_now[26:30] = EV_KW                     # 何もしない場合:昼の休みの後の13時から30kWで2時間充電する
none_f, none_t = fcst_base + ev_now, true_base + ev_now
print("何もしない場合の最大kW 予測:", round(none_f.max(), 1), " 実際:", round(none_t.max(), 1))

def summary(target, st, S, E, C):
    plan_kw, cut, reb = apply(fcst_base, S, E, C)
    act_kw, _, _ = apply(true_base, S, E, C)
    assert abs(C.sum() * DT - EV_KWH) < 1e-6               # 充電の電力量の収支
    assert np.allclose(act_kw - plan_kw, true_base - fcst_base)
    return {"目標kW": target, "状態": "/".join(st), "計画の最大kW": round(plan_kw.max(), 1),
            "実際の最大kW": round(act_kw.max(), 1), "実際に超えたコマ": int((act_kw > target + 1e-6).sum()),
            "計画で超えるコマ": int((plan_kw > target + 1e-6).sum()),
            "充電の始まり": f"{hour[C > 1e-6].min():.1f}時",
            "延べ停止コマ数": int(S.values.sum()), "停止の回数": int(E.values.sum()),
            "空調の延べ停止コマ": int(S[["空調1", "空調2", "空調3"]].values.sum()),
            "コンプレッサの延べ停止コマ": int(S["コンプレッサ2号機"].sum()),
            "戻りの増加kWh": round(reb.sum() * DT, 1),
            "影響の重み": round(float((S.values * (loads["w"] * loads["r"]).values).sum()), 1)}, plan_kw, cut

rows = []
for target in [640, 620, 600, 580]:
    st, S, E, C = plan(fcst_base, target)
    assert st == OPT, st
    rows.append(summary(target, st, S, E, C)[0])
print(pd.DataFrame(rows).to_string(index=False))

実行した結果、前日の予測では、充電を除く需要電力の最大は653.5kW、実績は659.3kW でした。何もしない場合(13時から充電する場合)は、予測で683.5kW、実績で689.3kW になりました。4つの目標で作った計画の結果は次の表のとおりです。4つとも、問題の状態は Optimal、解の状態は「Optimal Solution Found」(最適な解が見つかった)でした。

目標(kW)計画の最大(kW)実績の最大(kW)実績で目標を超えたコマ延べ停止コマ数停止の回数空調の延べ停止コマコンプレッサの延べ停止コマ戻りの増加(kWh)影響の重みの合計(相対値)
640639.1643.9154409.092.0
620621.1625.911179119.0352.0
600629.1633.95161013125.0444.0
580642.9642.27181213229.0616.0

この表から、4つのことが読み取れます。1つ目は、目標が640kW の場合、計画は、充電を13時から9時へ移すことと、空調を延べ4コマ・換気を1コマ止めること(延べ5コマ、停止の回数は4回)で目標を守っていた点です。何もしない場合の予測の最大683.5kW から、計画の最大639.1kW まで下がりました。充電を除いた予測の最大は653.5kW なので、止めるのではなく充電の時間帯を移すピークシフトだけで、予測の最大は683.5kW から653.5kW まで下がる計算です。4つの目標のどの計画でも、充電の始まりは9時でした。

2つ目は、計画で目標を守れていても、実績では目標を超えるコマが出た点です。目標640kW の計画の最大は639.1kW でしたが、実績の最大は643.9kW で、1コマが目標を超えました。前日の予測が実績より低かった分だけ、計画の余裕が足りなかったためです。計画の値は予測にもとづく値で、計画の良し悪しは実績で評価する必要があります。前日の計画と、当日のコマの途中の監視(前の節)を組み合わせるのは、このずれを当日に埋めるためです。予測の誤差を織り込んで計画を作る方法は、第11章で扱います。

3つ目は、目標を下げるほど、止める量と影響の重みが急に増える点です。目標を640kW から620kW へ20kW 下げると、延べ停止コマ数は5から11へ、停止の回数は4回から7回へ、影響の重みの合計は92.0から352.0へ増え、コンプレッサも1コマ止める計画になりました。620kW では、それでも計画の最大が621.1kW で、目標を1.1kW 上回りました。600kW と580kW では、延べ停止コマ数を16・18に増やしても、計画の最大は目標を29.1kW と62.9kW 上回りました。

4つ目は、見込みと違った結果です。目標580kW の計画の最大(642.9kW)は、目標600kW の計画の最大(629.1kW)より高くなりました。目標を下げたのに、計画の最大が上がったことになります。そこで、目標を超えることを認めない設定で解けるかどうかと、計画の最大だけを先に最小にした場合の結果を確かめました。

# ---- ブロック10:目標を超えることを認めない場合の解の有無と、計画の最大を最小にする目的との比較 ----
for target in [640, 620, 600, 580]:
    st, S, E, C = plan(fcst_base, target, mode="hard")
    print(f"目標{target}kW 超えることを認めない場合の状態:", "/".join(st))
R_ALL = loads["r"].sum()                  # 1つのコマで止められる量の合計(kW)
for target in [600, 580]:
    for mode in ["sum", "minmax"]:
        st, S, E, C = plan(fcst_base, target, mode=mode)
        assert st == OPT, st
        row, plan_kw, cut = summary(target, st, S, E, C)
        k = int(plan_kw.argmax())
        over = {f"{hour[t]:.1f}時": round(float(plan_kw[t] - target), 1) for t in range(K) if plan_kw[t] > target + 1e-6}
        row = {key: (float(v) if isinstance(v, np.floating) else v) for key, v in row.items()}
        print(f"目標{target}kW", mode, row, "| 最大のコマ:", f"{hour[k]:.1f}時",
              "そこで止めた量kW:", round(cut[k], 1), "/", R_ALL)
        print("   計画で目標を超えたコマと超えた分kW:", over)

目標を超えることを認めない設定では、640kW は解があり(状態は Optimal)、620kW・600kW・580kW は、ソルバーが解なし(状態は Infeasible)と返しました。計画の最大だけを最小にする第1段も、状態は Optimal で、その最小の値は621.1kW でした。この値より低い目標は、この例題の制約のもとでは計画の上で守れないことになり、解なしの結果と合っています。ただし、計画の最大が出たコマで止めていた量は、600kW・580kW の、超えた分の合計を最小にする計画とも20kW で、1つのコマで止められる量の合計108kW より少なくなっていました。止められる量が残っているのに届かなかった理由(どの制約が効いたか)は、本コラムでは確かめていません。届かない2つの目標について、超えた分がどこに残ったかと、2つの解き方の結果は次の表のとおりです。

目標(kW)解き方計画の最大(kW)実績の最大(kW)計画で目標を超えたコマ延べ停止コマ数停止の回数影響の重みの合計(相対値)
600超えた分の合計を最小にする629.1633.95(13時から15時)1610444.0
600計画の最大を最小にしてから影響を最小にする621.1625.99(12時から16時)117352.0
580超えた分の合計を最小にする642.9642.25(13時30分から16時)1812616.0
580計画の最大を最小にしてから影響を最小にする621.1625.99(12時から16時)117352.0

目標580kW で超えた分の合計を最小にした計画では、目標を超えたコマは5コマで、超えた分は13時30分のコマが62.9kW、14時のコマが49.1kW と、少数のコマに大きく残っていました。同じ目標で計画の最大を先に最小にすると、目標を超えたコマは9コマに広がる代わりに、計画の最大は621.1kW まで下がりました。目標600kW でも同じ向きで、計画の最大は629.1kW から621.1kW に下がりました。2段階の解き方では、第1段の結果に目標の値が効かないので、600kW と580kW で同じ計画になっています。この架空の設定では、超えた分の合計を最小にする目的は、超えた分を少数のコマに寄せ、最大の1コマを高く残す計画を選んだことになります。最大需要電力の管理では最大の1コマが効くので、目標が届かない場合には、計画の最大を最小にする解き方に切り替えるか、目標を届く水準に上げて解き直すほうが、この管理の目的に合っていると考えています。ここでも、計画の値と実績の値は予測の誤差の分だけ違い、計画の最大621.1kW に対して実績の最大は625.9kW でした。

この例題には、ほかにも単純化があります。止めたときに下がる電力は、計画どおりの値(例えば空調なら20kW)だけ下がるものとし、実際にどれだけ下がるかのばらつきは入れていません。空調を止めたときに室温がどう変わるかも扱っていません。室温の変化を制約に入れて空調の運転を決める方法は第7章で、蓄電池を使って最大需要電力を下げる方法は第9章で扱います。

契約電力の見直しと力率の入口

最大需要電力を下げる取り組みが続いて、目標を下回る状態が定着すると、契約電力の見直しが検討の対象になります。契約電力の決め方が、過去の最大需要電力にもとづく方式か、協議で決める方式かによって、見直しの手順と時期は違います(決め方の整理は第1章)。協議で決める方式で契約電力を下げた場合、その後に最大需要電力が契約電力を超えたときの扱いは、契約と約款に定められています。見直しの判断では、ここまでの例題で見た「目標を下げたときに超えるコマが何コマ増えるか」と、「気温の高い年に超えるコマがどこまで増えるか」を並べ、超えた場合の扱いを契約で確かめたうえで決める必要があります。個別の扱いは、小売電気事業者との契約と約款で確かめる事項です。

基本料金に効くもう1つの要素が力率です。力率は、交流の電気で、実際に仕事をする電力(有効電力)が、電圧と電流の積(皮相電力)に占める割合です。モーターなどの設備は、仕事をしない電流(無効電力にあたる分)を流すので、力率が下がります。力率の扱いは契約によって違いますが、例えば、東京電力エナジーパートナーのブレンド契約要綱(2024年4月1日実施)は、力率を毎日8時から22時の平均の力率とし、85%を上回る場合は上回る1%につき基本料金を1%割り引き、下回る場合は下回る1%につき1%割り増すと定めています。この要綱は特別高圧と高圧の一部の契約に適用されるもので、すべての契約に同じ定めがあるわけではありません。自社の契約で力率がどう扱われるか、進相コンデンサの設置と運用をどうするかは、契約と約款で確かめたうえで、電気主任技術者などの有資格者と検討する事項です。

なお、同じ要綱は、使用電力量を30分ごとの電力量として算定すると定めています。本コラムが30分値を基本の単位として扱うのも、この計量の単位に合わせたためです。

自動の制御と人の操作の分担

デマンドの監視で警報が出たときに、負荷を下げる方法は、人が操作する方法と、デマンドコントローラーなどの装置が自動で止める方法に分かれます。どちらが適しているかは、止める負荷の性質と、警報から対応までにかけられる時間で決まります。前の節の例題で見たとおり、コマの途中の対応は、遅れるほど下げられる量が小さくなります。一方で、自動で止める方法は、止めた理由が現場に伝わりにくく、止められた側が気付かないまま室内の環境や工程に影響が出ることがあります。

観点人が操作する装置が自動で止める
警報から負荷が下がるまでの時間人が気付き、判断し、操作するまでの時間がかかる短い
状況に応じた判断その日の生産・来客・室内の状況を見て、止める負荷を選べるあらかじめ決めた順番と条件のとおりに止める
向いている負荷止めるかどうかを都度判断したい負荷(生産の工程に関わる設備など)止めてよい条件が明確で、短い時間なら影響が小さい負荷(空調の能力の一部、換気の一部など)
注意すること担当者の不在・夜間や休日の体制。警報が多いと対応が追いつかない止める順番と再開の条件の合意。止めたことの記録と、現場への通知。設定が実態と合わなくなっていないかの定期的な確認

多くの事業所では、両方を組み合わせることになると考えています。例えば、空調の能力の一部や換気の一部のように、止めてよい条件が明確な負荷は自動で止め、それでも足りない場合に、生産の工程に関わる負荷を人の判断で止める、という分担です。この場合も、自動で止める負荷とその条件は、前の節の棚卸しの表にもとづいて、設備の担当者・生産の現場・在室者の代表が合意したものに限ります。前日の計画(整数計画の例題)は、翌日に制限を発動しそうなコマと、止める負荷の候補を前もって現場に知らせる用途にも使えます。前日に知らせておけば、当日の操作が間に合わないという問題を一部減らせます。

止めてはいけない設備と保安

最大需要電力の管理で最も大切なのは、止めてはいけない設備を止めないことです。保安・防災の設備、医療の設備、温度の管理が要る保管の設備、情報の設備、排気が安全に関わる換気など、止めると人の安全や事業の継続に影響する設備は、デマンドの制御の対象から外します。どの設備が対象外になるかは、事業所の保安規程と設備の仕様で決まり、電気主任技術者などの有資格者と設備の担当者が判断する事項です。

また、設備の保護装置・安全装置・インターロックは、最大需要電力の管理のために外したり無効にしたりしてはいけません。本コラムでは、そうした方法は扱いません。止める操作は、設備のメーカーが定める停止と起動の方法と、再起動までの間隔の範囲で行います。頻繁な起動と停止は、設備によっては寿命や故障の原因になることがあるので、続けて止められる時間の上限や、再開してから次に止めるまでの時間は、メーカーの定める運転の範囲を確かめて決めます。整数計画の例題では、続けて止められるコマ数の上限と、再開してから止めないコマ数(再開後に運転を続ける時間の下限)を制約にしました。止めてから再起動するまでの最低の停止時間など、例題に入れていない条件は、設備の仕様に応じて別に確かめる必要があります。

制御の設定を変えるときは、段階的に試し、元に戻せるようにしておくことも大切です。例えば、自動で止める負荷を増やすときは、まず1つの系統で試し、室内の環境と工程への影響を記録してから広げます。設定を変えた日・変えた人・変えた内容を記録しておけば、後で効果を測るときにも(第5章)、異常を調べるときにも(第12章)使えます。

最大需要電力の管理の流れの図。30分値と設備別の記録の分析、目標の需要電力の決定、止める負荷の棚卸しと前日の計画、コマの途中の監視と対応、記録と見直し、季節ごとに見直す の箱を矢印でつないでいる

指標と経営の判断

最大需要電力の管理を続けるためには、何を毎月見るかを決めておく必要があります。次の表は、指標の例です。最大需要電力の値だけを見ていると、それがどの設備によって、どの時間帯に出たのかが分からず、次の対策につながりません。警報の回数と対応の記録まで含めて見ることで、仕組みが使われているかどうかも分かります。

指標何が分かるか見るときの注意
月ごとの最大需要電力(kW)と、出た日時基本料金のもとになる値と、それがいつ出たか気温と稼働の条件をそろえずに前年と比べない(第5章)
負荷率使用が特定の時間帯に集中している度合い電力量が減ると、最大需要電力が同じでも負荷率は下がる
最大のコマの設備別の内訳どの設備を下げれば最大が下がるか設備別の記録が無い場合は、運転の記録と突き合わせる
目標を超えたコマの数と日数目標の水準が守れているか気温の高い月に集中しているかどうかを分けて見る
警報の回数と、対応した割合警報が使われているか。鳴りすぎていないか誤報が多いと対応されなくなる。しきい値と判定の時点の見直しにつなげる
負荷を止めた回数と、止めたことによる苦情・工程への影響の記録止めることの負担影響の記録が無いと、目標の水準が妥当かを判断できない
ピークシフトによる電力量の増減(kWh)最大需要電力を下げるために、電力量を増やしていないか最大需要電力の変化と並べて報告する

経営の判断として最も大切なのは、目標の需要電力の水準と、止めてよい設備の優先順位を、事業として決めることです。この2つは、計算や装置の設定で自動的に決まるものではありません。目標を高く置けば、契約電力の決まり方によっては(第1章)、下げられたはずの最大需要電力のもとで基本料金を払い続ける払いすぎになります。低く置けば、制限の発動が増えて、室内の環境・製品の品質・設備の寿命を損なう、快適性と生産への支障につながります。止めてよい設備の順番を現場の合意なしに決めれば、設定が外されて、監視の装置はあるが使われない形骸化につながります。ピークシフトで最大需要電力が下がったことだけを報告し、電力量の増加を見ないと、効果の数え違いになります。

これらを予算・体制・KPI の仕組みに落とすには、次の3つを決めておくのがよいと考えています。1つ目は、目標の需要電力の水準と、その根拠(過去の30分値で何コマ超えるか、気温の高い年にどこまで増えるか)です。2つ目は、止めてよい設備の順番と条件、合意した部署、見直しの時期です。3つ目は、警報に対応する責任者と、その人が負荷を止める権限の範囲です。最大需要電力の月ごとの値は、気温や稼働の条件で変わるので、担当者の評価にそのまま使うと、条件の悪い月に無理な制限を発動する動機を生むことがあります。評価には、目標を超えたコマの原因の記録と、対応の記録を合わせて使うほうが、仕組みを続けることにつながります。

この章のまとめ

最大需要電力は、1か月のうち最も需要電力の高い1つのコマで決まり、そのコマで何が動いていたかを設備別に分解して初めて、どこを下げればよいかが分かります。本コラムの架空データでは、朝の空調の一斉の起動と、夏の午後の空調と生産の重なりという、成り立ちの違う2種類のピークがほぼ同じ高さで並び、起動をずらしても1年の最大需要電力は2.6kW しか下がらず、空調の電力量は約5.4%増えました。目標の需要電力を下げると削る量は急に増え、コマの途中の監視では判定の時点としきい値で誤報と見逃しが入れ替わり、前日の計画は予測の誤差の分だけ実績で目標を超えることがありました。目標の水準と止めてよい設備の順番は、これらの材料を見たうえで、事業として決めるものです。

この章では、空調を止めたときに室温がどう変わるかを扱いませんでした。第7章では、建物の熱のモデルを使って、室温の許容範囲を守りながら設定温度と予冷を決める、空調の制御を扱います。

この章を深めたい方への参考書籍

『完全図解 自家用電気設備の実務と保守早わかり』(大浜庄司 著、オーム社):書名のとおり、事業所が持つ自家用電気設備の実務と保守を、図を中心に扱う本です。最大需要電力の管理で負荷を止める案を検討するときに、受電の設備と保守の実務を知っておくと、設備の担当者や電気主任技術者と同じ前提で話し合いやすくなります。

『写真でトライ 自家用電気設備の定期点検』(関東電気保安協会 監修、河野忠男・森田潔 共著、オーム社、改訂2版):書名のとおり、自家用電気設備の定期点検を写真とともに扱う本です。止めてはいけない設備と保安の話し合いでは、設備がどう点検され、維持されているかを知っていることが前提になるので、その入口として挙げました。

第7章 空調の制御、建物の熱のモデルと設定温度・予冷の最適化

第6章では、最大需要電力を目標の値に抑えるために、コマの途中で需要電力を予測して警報を出し、止められる負荷を順に止める計画を扱いました。止める候補に挙がる設備のうち、事業所によっては使う電力の大きな部分を占め、しかも在室者の快適性に直接つながるのが空調です(どれだけの割合を占めるかは事業所の種類と使い方で大きく違います)。空調は、止めればすぐに電力が下がりますが、室温は建物の熱の性質に応じて少しずつ変わります。その変わり方を見ずに止めたり設定を変えたりすると、在室者の不満や生産への支障を招きます。

この章では、建物の熱の性質を簡単な式で表し、その式を使って空調の運転を計画する方法を扱います。扱う内容は次のとおりです。中ほどでは、他の章とは独立に作った架空の1室のデータを使い、実行したコードと結果で確かめます。

  • 空調の制御で変えられるものと、先に決めておくべき室内の環境の許容範囲(快適性の指標と、建築物の衛生に関する法令の基準)
  • 建物の熱容量と熱抵抗で室温の動きを表す簡単な熱のモデルと、計測の記録からその係数を推定する方法
  • 設定温度を1℃変えたとき、始業の前の起動の時刻を変えたときに、電力量と室温がどう変わるか
  • 先の外気温と時間帯ごとの相対単価(基準の単価を1.0としたときの比)を見て運転を計画するモデル予測制御と、そこで選ばれる予冷(在室の前や単価の高い時間帯の前に、室温を下げておくこと。冷房に使う時間を移すので、第6章のピークシフトの一種です)
  • 外気温の予報が外れたときに起きることと、研究の紹介、決まりにもとづく制御の見直し、制御を変えるときの手順と経営の判断

この章の主張は、室内の環境の許容範囲を先に決め、その範囲の中で最適化すべきだ、という点です。本コラムの架空データでは、時間帯で単価が違い、計画の上で空調の電力の上限を15 kW とした場合、予冷を使う計画は、設定温度を26.5℃に保つ制御と比べて費用の相対値と空調の電力の最大を下げましたが、空調の電力量の合計は増えました。上限を置かない場合は、費用の相対値は下がりましたが、空調の電力の最大は下がりませんでした。範囲外の時間は、上限を置いた場合に1日あたり0.21時間残りました(上限を置かない場合は0.00時間)。単価が一律で空調の電力の上限も無い場合には、予冷を使う計画は、設定温度を一定に保つ制御とほぼ同じ電力量でした。予冷の価値は、電力量を減らすことではなく、使う時間をずらすことから生まれる、というのがこの例題での結果です。どちらも、この架空データの条件での結果であり、一般にそうなるという主張ではありません。

なお、この章が扱う設定温度や運転の時刻の変更は、空調の設備の運転を変える内容です。実際に変えるときは、設備の仕様・保安規程・メーカーの定める運転の範囲のなかで、設備の担当者と電気主任技術者などの有資格者の確認のもとで行うことを前提とします。

空調の制御で変えられるもの

空調は、室内の温度・湿度・空気の質を調える設備の全体です。冷水や温水を作る熱源(冷凍機・ヒートポンプ・ボイラなど)と、その熱を室内に運ぶ空調機・ファン・ポンプ、外気を取り入れる換気の設備などからなります。熱源の台数制御と起動停止の計画は第8章で扱うので、この章では、室内の側から見て運転を決める量を扱います。運転で変えられるものは、大きく次の表の5つに分けて考えると整理しやすくなります。

変えられるもの何が変わるか電力への効き方守る制約と注意
設定温度制御の目標の室温冷房では設定温度を上げると、外から入る熱が減り、冷やす量が減る室温の許容範囲の中で決める。設定温度と実際の室温は一致するとは限らない
運転の時間空調を動かす時間帯動かす時間を短くすると電力量は減りうるが、再び動かしたときに室温を戻すための電力が要る在室の時間と、残業や休日の出勤の実態に合わせる
起動の時刻始業の前にどれだけ早く動かし始めるか早く動かすと始業の時刻までに室温が下がる。電力量への影響は、建物の熱の性質や時間帯による機器の効率で変わる(この章の例題では増えた)始業の時刻に室温が範囲に入っていること
外気の取り入れの量換気のために取り入れる外気の量夏の暑い外気や冬の冷たい外気を多く入れるほど、冷やす量や温める量が増える。一般には、外気が室内より涼しく乾いているときは冷房の代わりになりうる二酸化炭素の濃度などの空気の質の基準を守る
送水の温度熱源が作る冷水や温水の温度一般には、冷水の温度を上げると熱源の効率が上がるが、空調機で取れる熱の量が減る除湿が足りるか、最も負荷の大きい部屋が冷えるかを確かめる。熱源の側の扱いは第8章

この章の例題では、このうち設定温度と起動の時刻と、冷やす量の時間の配分だけを扱います。外気の取り入れの量と送水の温度は、湿度や空気の質、熱源の効率を一緒に扱う必要があり、この章の簡単なモデルでは表せないので、後の節で考え方だけを書きます。

室内の環境の許容範囲を先に決める

空調の最適化は、何を守りながら電力を減らすのかを先に決めないと始まりません。在室者や従業員に我慢を求めることを前提にせず、室内の環境の許容範囲を「守る制約」として先に決め、その範囲の中で減らすというのが、本コラムの立場です。許容範囲を省エネのために黙って広げると、削減の量は大きく見えますが、その分は快適性の低下と引き換えになっています。

快適性を表す指標として広く知られているものに、PMV(予測平均温冷感申告)があります。室温だけでなく、湿度・気流・周囲の壁などの放射の温度・着衣の量・活動の量から、多くの人が感じる暑さ寒さの平均を推定する指標です。国際規格では、温熱環境の人間工学の規格の1つである ISO 7730 が、PMV と、不満を感じる人の割合の予測(PPD)の計算と、局所的な不快の基準を扱っています。ISO の公式ページで確かめたところ、2005年の版は2025年9月に廃止され、2025年9月に第4版(ISO 7730 の2025年版)が発行されています。米国では、ASHRAE の基準55が、人が居る空間の温熱環境の条件を扱う基準として知られています。ASHRAE の公式の規格一覧では、基準55の2023年版が公表済みの規格として載っており(2020年版を置き換えたもの)、室内の温熱環境の要因と個人の要因の組み合わせのうち、在室者の多数が受け入れられる条件を定めることを目的としています。どちらの規格も著作物なので、本コラムでは中身の数値を引き写しません。

国内の法令では、建築物における衛生的環境の確保に関する法律(建築物衛生法)が、多数の者が使用・利用する一定の用途と規模の建築物を「特定建築物」と定め(第2条)、その維持管理について権原を持つ者に、政令で定める建築物環境衛生管理基準に従って維持管理することを求めています(第4条第1項)。特定建築物以外で多数の者が使用・利用する建築物にも、この基準に従う努力が求められています(第4条第3項)。基準は施行令第2条にあり、空気調和設備を設けている場合の居室の温度は「十八度以上二十八度以下」で、居室の温度を外気より低くする場合はその差を著しくしないこととされています。同じ条には、相対湿度(40%以上70%以下)・二酸化炭素の含有率(百万分の千以下)・気流(毎秒0.5メートル以下)などの基準もあります。自社の建物が特定建築物にあたるか、どの基準がどう適用されるかは、所管の保健所や専門家に確かめる事項です。

この法令の基準は、維持管理のための基準であり、在室者が快適と感じる範囲そのものを定めたものではありません。どの範囲を許容範囲とするかは、建物の用途、在室者の作業、着衣、季節によって違います。この章の例題では、快適性を室温の許容範囲(下限と上限)だけで単純化し、在室の時間(9時から18時)の室温を24℃以上27℃以下に保つことを制約にしました。この範囲は例題として置いた架空の値で、推奨する値ではありません。湿度・気流・放射は扱っていません。

建物の熱のモデル、熱容量と熱抵抗で室温の動きを表す

空調を止めても室温がすぐには上がらないのは、建物の躯体(床・壁・天井のコンクリートなど)・家具・室内の空気が熱を蓄えるからです。この熱を蓄える性質を熱容量(1℃上げるのに要る熱の量。単位は kWh/K。温度の差の1 K は1℃の差と同じ)と呼びます。一方、外気温が室温より高ければ、壁や窓や隙間風を通って熱が入ってきます。その入りにくさを熱抵抗(1 kW(熱)の熱が流れるときにできる温度の差。単位は K/kW)と呼びます。熱容量が大きいほど室温はゆっくり変わり、熱抵抗が大きいほど外の影響を受けにくくなります。

この2つだけで室を表す最も簡単なモデルは、電気の回路の抵抗とコンデンサになぞらえて、1つの抵抗と1つの容量のモデルと呼ばれます。30分間の変化を近似して書くと、次の式になります。

\( T_{k+1} = T_k + \frac{\Delta t}{C}\left( \frac{T^{\mathrm{out}}_k – T_k}{R} + Q^{\mathrm{int}}_k + Q^{\mathrm{sol}}_k – Q^{\mathrm{c}}_k \right) \)

言葉で言い換えると、次のコマの初めの室温は、今の室温に、30分間に室へ出入りする熱の合計を熱容量で割った分を足したものです。出入りする熱は、外気との温度の差を熱抵抗で割った熱、人や照明や機器が出す内部の発熱、窓から入る日射の熱、そして空調が単位時間に取り除く熱(本コラムでは冷房の熱量と呼びます)です。ここで \( \Delta t \) は0.5時間、\( C \) は熱容量、\( R \) は熱抵抗、\( Q \) はいずれも熱の量の速さです。本コラムでは、熱の量の速さを「kW(熱)」、電力を「kW(電気)」と書き分けます(この章で単に kW と書いたものは電力です)。空調の電力は、冷房の熱量を成績係数(COP)で割って求めます。COP は、冷房では取り除いた熱の量を、そのために使った電力量で割った値です。COP には、熱源の本体だけの値と、ポンプや冷却塔などの補機を含めた設備全体の値があり、どちらかで数字が変わります。この章の例題の COP は、空調の設備全体の値とみなし、外気温だけで変わる架空の特性としました。実際の COP は部分負荷率(定格の能力に対する、いま処理している負荷の割合)などでも変わりますが、この例題では考えていません(第8章)。

実際の建物は、室内の空気と躯体の温度が違い、部屋ごとにも違います。そのため研究では、空気と躯体を別の容量で表すモデルや、複数の部屋をつないだモデルが使われます。例えば Bacher と Madsen の2011年の論文は、物理の知識とデータを組み合わせたグレーボックスのモデルを、簡単なものから複雑なものへ順に比べて、建物の熱の動きに合うモデルを選ぶ手順を提案し、床面積120平方メートルの平屋の建物の事例を示しています。本コラムの例題は最も簡単な1つの容量のモデルにとどめ、室の空気と躯体を同じ温度とみなしています。この単純化のため、予冷で室温を下げると、室の空気と躯体の温度が一緒に下がり、躯体からも熱が取り除かれるものとして計算しています。実際の建物では、空気だけが先に冷えて躯体はあまり冷えないこともあり、予冷の効き方はこの例題と違いうる点に注意が要ります。

架空の1室と、設定温度を1℃変えたときの電力量

ここからは、コードで確かめます。この章のデータは、他の章とは独立に作った架空の合成データで、実際の事業所の記録よりずっと単純です。合成データでの成績や削減量は、実際の値の目安にはなりません。示したいのは、同じ室でも、設定温度・起動の時刻・運転の時間の配分で、電力量と費用の相対値と室温がどう変わるかという点です。

例題の室は「事務所ビルAの1フロア」とし、熱容量を40 kWh/K、熱抵抗を0.25 K/kW、冷房の能力の上限を80 kW(熱)としました。夏の61日分の外気温(季節の山・1日の周期・前日と相関する日ごとの揺れ)、日ごとの晴れの度合いによる日射、在室の時間(平日の9時から18時)を乱数で作りました。休業日は、曜日による休みに、ランダムに選んだ架空の休業日を足したもので、実在の暦の祝日ではありません。内部の発熱は夜間3 kW(熱)、在室の時間はさらに平均22 kW(熱)(コマごとに15%ほど揺らす)、日射の熱は晴れた日の昼に最大12 kW(熱)としました。COP は外気温25℃で4.6とし、外気温が1℃上がるごとに0.07下がる架空の特性にしました。例えば外気温35℃では COP は3.9で、能力の上限の80 kW(熱)で冷やすと、空調の電力は約20 kW(電気)になります。乱数の種は20261117に固定し、コードは Python 3.14.3 と NumPy 2.4.3 で実行しました。

# ==== ブロック1:架空の1室と夏の61日の外気温・日射・在室を作る ====
import sys, io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding="utf-8")
import numpy as np

SEED = int(sys.argv[1]) if len(sys.argv) > 1 else 20261117
rng = np.random.default_rng(SEED)
DT = 0.5                          # 30分刻み(時間の幅 0.5 時間)
S, N_DAYS = 48, 61                # 1日48コマ、61日(最後の1日は計画の見通し用)
C_TRUE, R_TRUE = 40.0, 0.25       # 熱容量(kWh/K)と熱抵抗(K/kW)。合成データの真の値
Q_MAX = 80.0                      # 冷房の能力の上限(kW、熱量)
h = np.arange(S) * DT             # コマの始まりの時刻(時)

day_mean = 28 + 1.5 * np.sin(np.arange(N_DAYS) / N_DAYS * np.pi)   # 季節の山
noise = np.zeros(N_DAYS)
for d in range(1, N_DAYS):                                          # 日ごとの揺れ(前日と相関)
    noise[d] = 0.6 * noise[d - 1] + rng.normal(0, 1.2)
t_out = (day_mean + noise)[:, None] + 3.5 * np.cos((h[None, :] + 0.25 - 14.5) / 24 * 2 * np.pi)
cloud = rng.uniform(0.3, 1.0, N_DAYS)                               # 日ごとの晴れの度合い
sun = np.clip(np.sin((h + 0.25 - 6) / 12 * np.pi), 0, None)[None, :] * cloud[:, None]  # 日射(0〜1)
holiday = np.isin(np.arange(N_DAYS) % 7, [5, 6]) | (rng.random(N_DAYS) < 0.05)  # 架空の休業日
occ = ((h >= 9) & (h < 18))[None, :] & ~holiday[:, None]            # 在室のコマ
q_int = 3.0 + 22.0 * occ * rng.normal(1.0, 0.15, (N_DAYS, S))       # 内部の発熱(kW)
q_sol = 12.0 * sun                                                  # 日射による熱(kW)

def cop(t):                        # 外気温が高いほど下がる成績係数(架空の特性)
    return 4.6 - 0.07 * (t - 25.0)

def step(T, to, qi, qs, qc):       # 熱容量1つ・熱抵抗1つの室のモデル(30分で1歩)
    return T + DT / C_TRUE * ((to - T) / R_TRUE + qi + qs - qc)

print("平日の数", int((~holiday).sum()), "休業日の数", int(holiday.sum()))
print("外気温の範囲", round(t_out.min(), 1), "〜", round(t_out.max(), 1), "℃")

実行すると、61日のうち平日は45日、休業日は16日で、外気温は23.2℃から35.6℃の範囲になりました。0日目から39日目を計測の記録を集める期間、40日目から59日目を制御を比べる期間とし、60日目は計画の見通しのためだけに使います。

まず、設定温度を一定に保つ制御を作ります。この制御は、空調を動かしている間は、次のコマの初めの室温が設定温度にちょうどなるように冷房の熱量を決め、能力の上限で頭打ちにします。そのコマの内部の発熱と日射の熱を正しく知っているとした理想化した制御で、実際の制御より室温をよく保てる側に有利な設定です。平日は8時に起動して18時に止め、休業日は動かしません。比べる期間の平日について、設定温度を25℃・26℃・27℃にしたときの空調の電力量を比べました。

# ==== ブロック2:設定温度を一定に保つ制御と、設定温度を変えた比較 ====
def thermostat(d, T0, sp, start_h, end_h=18.0):
    T, Ts, Qc = T0, [T0], []
    for k in range(S):
        on = (not holiday[d]) & (h[k] >= start_h) & (h[k] < end_h)
        need = (T - sp) * C_TRUE / DT + (t_out[d, k] - T) / R_TRUE + q_int[d, k] + q_sol[d, k]
        q = float(np.clip(need, 0, Q_MAX)) if on else 0.0
        T = step(T, t_out[d, k], q_int[d, k], q_sol[d, k], q)
        Ts.append(T); Qc.append(q)
    return np.array(Ts), np.array(Qc)

def run_days(days, ctrl):          # 日をまたいで室温を引き継ぎながら動かす
    T, out = 28.0, {}
    for d in days:
        Ts, Qc = ctrl(d, T)
        out[d] = (Ts, Qc); T = Ts[-1]
    return out

def metrics(res, price, lo=24.0, hi=27.0):
    kwh, cost, peak, viol, pre = 0.0, 0.0, 0.0, 0, 0.0
    for d, (Ts, Qc) in res.items():
        P = Qc / cop(t_out[d])                        # 空調の電力(kW)
        kwh += (P * DT).sum(); cost += (price * P * DT).sum(); peak = max(peak, P.max())
        pre += (P[h < 9] * DT).sum()                  # 9時より前の電力量(kWh)
        if not holiday[d]:
            Tin = Ts[18:36]                           # 9:00〜17:30 の各コマの始まりの室温
            viol += int(((Tin < lo - 1e-6) | (Tin > hi + 1e-6)).sum())   # 1e-6℃は丸めの誤差だけを除く
    n = sum(1 for d in res if not holiday[d])
    return kwh / n, cost / n, peak, viol * DT / n, pre / n   # 平日1日あたり

def show(name, m):
    print(f"{name} 電力量 {m[0]:.1f} kWh 費用 {m[1]:.1f} 最大 {m[2]:.1f} kW "
          f"範囲外 {m[3]:.2f} 時間 9時前 {m[4]:.1f} kWh")

EVAL = list(range(40, 60))
flat = np.ones(S)
for sp in [25.0, 26.0, 27.0]:
    m = metrics(run_days(EVAL, lambda d, T, sp=sp: thermostat(d, T, sp, 8.0)), flat)
    print(f"設定温度{sp:.0f}℃ 平日1日の電力量 {m[0]:.1f} kWh 最大 {m[2]:.1f} kW 範囲外 {m[3]:.2f} 時間")

この例題で扱う電力は、空調の設備の消費電力です。受電点で受ける受電電力(他の設備を含む事業所全体の電力)ではないので、ここでの値は、料金に関わる最大需要電力とは別のものです。冷房の熱量はコマの中で一定とし、空調の電力(kW)はそのコマの30分間の平均の電力、そのコマの電力量(kWh)は電力に0.5時間を掛けた値です。コマの時刻は始まりの時刻で呼びます(8時のコマは8時から8時半)。

結果は次の表のとおりです。表の電力量は平日1日あたりの空調の電力量(kWh)、空調の電力の最大は比べる期間の中で最も大きかった30分間の平均の空調の電力(kW)、範囲外の時間は、9時から17時半までの各コマの始まりの時刻の室温が24℃以上27℃以下を外れたコマの数に0.5時間を掛けた、平日1日あたりの平均です。コマの始まりの時刻だけで見た近似の値で、最大は1日9時間です。判定では、計算の丸めの誤差(100万分の1℃)だけを除き、範囲そのものは広げていません。ここでの快適性は、室温の範囲だけで表した単純化で、湿度や気流は扱っていません。

設定温度電力量(kWh/日)空調の電力の最大(kW)範囲外の時間(時間/日)
25℃153.820.40.18
26℃138.520.10.21
27℃122.319.40.25

本コラムの架空データでは、設定温度を26℃から27℃に1℃上げると、平日1日の空調の電力量は138.5 kWh から122.3 kWh へ16.2 kWh(約12%)減りました。25℃から26℃では15.3 kWh(約10%)減りました。一方、空調の電力の最大はあまり変わらず、20.1 kW から19.4 kW への変化にとどまりました。別に調べると、どの設定温度でも、空調の電力の最大が出たコマでは冷房の熱量が能力の上限(80 kW(熱))に達していました。能力の上限で動くコマの電力は、設定温度を少し上げても変わりにくく、空調の電力の最大はそのコマの外気温による COP の違いでわずかに動くだけです。この割合は、この架空の室・気象・COP の特性での値であり、設定温度を1℃上げると何%減るという一般的な値ではありません。

範囲外の時間がどの設定温度でも0ではないのは、暑い日に、8時に起動しても9時までに室温が27℃以下に下がりきらない日があったためです。範囲外になったコマを別に調べると、どの設定温度でも、比べる期間のうち3日の9時から10時半までの間(コマの始まりの時刻で9時から10時)に限られていました。次の節で、その例を起動の時刻を変えて確かめます。設定温度を上げることは、許容範囲の上限に近づけることでもあり、上限との余裕が小さくなる点も、電力量の差と並べて見る必要があります。

起動の時刻と9時の室温、計測の記録から係数を推定する

次に、比べる期間で最も暑かった平日を取り出し、始業の前の起動の時刻を6時・7時・8時・9時と変えたときの、9時の室温と電力を比べました。設定温度は26℃としました。後半では、0日目から39日目の運転の記録から熱のモデルの係数を推定します。この期間は、設定温度(25℃・26℃・27℃)と起動の時刻(7時から8時半)を日ごとに変えて運転したとし、室温の計測には0.1℃ほどの誤差、冷房の熱量の計測には3%ほどの誤差を入れました。冷房の熱量は、熱量計などで測れる場合を想定しています。30分間の室温の変化を、外気温と室温の差・在室の有無・日射・定数・冷房の熱量に回帰すると、係数から熱容量と熱抵抗が求まります。

# ==== ブロック3:起動の時刻と9時の室温、計測の記録からの係数の推定 ====
hot = max([d for d in EVAL if not holiday[d]], key=lambda d: t_out[d].max())
T_prev = run_days(range(40, hot), lambda d, T: thermostat(d, T, 26.0, 8.0))[hot - 1][0][-1]
print("暑い平日", hot, "日目 最高気温", round(t_out[hot].max(), 1), "℃ 0時の室温", round(T_prev, 2), "℃")
starts = {}
for st in [6.0, 7.0, 8.0, 9.0]:
    Ts, Qc = thermostat(hot, T_prev, 26.0, st)
    P = Qc / cop(t_out[hot]); starts[st] = Ts
    print(f"起動{st:.0f}時 9時の室温 {Ts[18]:.2f}℃ 1日の電力量 {(P * DT).sum():.1f} kWh "
          f"最大 {P.max():.1f} kW 9時台の最大 {P[18:20].max():.1f} kW")

T, T_all, Q_all = 28.0, [28.0], []
for d in range(40):                       # 0〜39日目:設定温度と起動の時刻を日ごとに変えて運転した記録
    sp, st = rng.choice([25.0, 26.0, 27.0]), rng.choice([7.0, 7.5, 8.0, 8.5])
    Ts, Qc = thermostat(d, T, sp, st); T = Ts[-1]
    T_all += list(Ts[1:]); Q_all += list(Qc)
Tm = np.array(T_all) + rng.normal(0, 0.1, len(T_all))     # 室温の計測(誤差 0.1℃)
Qm = np.array(Q_all) * rng.normal(1.0, 0.03, len(Q_all))  # 冷房の熱量の計測(誤差 3%)
X = np.column_stack([t_out[:40].ravel() - Tm[:-1], occ[:40].ravel(), sun[:40].ravel(),
                     np.ones(len(Qm)), -Qm])
coef, *_ = np.linalg.lstsq(X, Tm[1:] - Tm[:-1], rcond=None)   # 30分の室温の変化を回帰する
a, b, c, e0, dq = coef
print(f"推定 C={DT / dq:.1f} kWh/K(真 {C_TRUE}) R={dq / a:.3f} K/kW(真 {R_TRUE})")
print(f"推定 在室の発熱={b / dq:.1f} kW(真 22.0) 日射の熱={c / dq:.1f} kW(真 12.0) "
      f"夜間の発熱={e0 / dq:.1f} kW(真 3.0)")

最も暑かった平日は46日目で、最高気温は34.7℃、その日の0時の室温は28.36℃でした。起動の時刻ごとの結果は次の表のとおりです。

起動の時刻9時の室温(℃)1日の電力量(kWh)1日の空調の電力の最大(kW)9時台の空調の電力の最大(kW)
6時26.00180.318.913.7
7時26.00177.719.113.7
8時27.55174.020.019.6
9時29.50166.920.419.6

この日は、6時と7時に起動すると9時の室温は26.00℃で範囲に入り、8時の起動では27.55℃、9時の起動では29.50℃で、始業の時刻に27℃を上回りました。9時の起動の29.50℃は、前の節で紹介した法令の温度の基準の上限(28℃)も上回る値で、起動が遅すぎる例として示したものです(基準が自社の建物にどう適用されるかは、事業所で確かめる事項です)。1日の電力量は、起動を早めるほど増え、9時の起動の166.9 kWh に対して6時の起動は180.3 kWh でした。9時の起動の電力量が最も小さいのは、始業の時刻に範囲を外れたまま冷やし始めたためで、省エネではありません。一方、9時台の空調の電力の最大は、6時と7時の起動では13.7 kW、8時と9時の起動では19.6 kW でした。遅く起動すると、在室者が来た後に能力の上限近くで冷やすことになり、在室の時間の電力が高くなります。起動の時刻は、電力量だけでなく、始業の時刻の室温と、その時間帯の需要電力を並べて決める必要があります。この例題では起動を早めると電力量が増えましたが、第6章で扱ったように朝の一斉の起動が事業所全体のピークをつくっている場合には、起動を早めて分散させることが最大需要電力を下げる手段になりえます。

係数の推定の結果は、熱容量が40.4 kWh/K(真の値は40.0)、熱抵抗が0.243 K/kW(真の値は0.25)、在室による発熱が22.1 kW(熱)(真の値は22.0)、日射の熱が10.9 kW(熱)(真の値は12.0)、夜間の発熱が3.0 kW(熱)(真の値は3.0)でした。日射の熱は真の値より約1割小さく推定されました。合成データなので真の値と比べられますが、実際の建物では真の値が分からないため、推定したモデルで別の期間の室温を予測し、計測と比べて確かめることになります。推定がうまくいったのは、この例題で設定温度と起動の時刻を日ごとに変えた記録を使ったからでもあります。毎日同じ運転をしている建物の記録では、外気温や日射の影響と空調の効果が分けにくくなり、係数が定まりにくくなることがあります。モデルを作る目的で、短い期間だけ運転を変えて記録を取る場合も、許容範囲の中で、設備の担当者の確認のもとで行います。

モデル予測制御で予冷を計画し、実績で比べる

モデル予測制御(MPC)は、いまの状態(室温など)を測り、操作が室温などに与える影響を表すモデルと、気温などの予測を使って、一定の時間先までの操作を制約のもとで最適化する制御です。得られた操作のうち直近の1コマ分だけを実行し、次の時刻に状態と予測を更新してやり直します。この例題では、見通す長さを24時間(48コマ)、やり直す間隔を30分としました。30分ごとに、その時点の室温の計測と、その先48コマの外気温と日射の予報と在室の予定を入れて、48コマぶんの冷房の熱量を計画します。計画のうち最初の1コマだけを実際に実行し、30分後に室温を計り直して、また48コマぶんを計画し直します。ただし、この例題で30分ごとに更新するのは室温の計測だけで、当日の分の予報は前日に発表されたものを1日中使い続けます(発表の時刻の扱いは後で述べます)。予報の更新は第11章で扱います。

モデル予測制御の1回のくり返しの図。室温を計る、先の24時間の予報を入れる、48コマの冷房を計画する、最初の1コマだけ実行する、30分後にやり直す の箱を矢印でつないでいる

1回分の計画は、線形計画(目的も制約も変数の一次式で書ける最適化)として解けます。目的は、各コマの空調の電力(kW)に0.5時間と相対単価を掛けた費用の相対値の合計を最小にすることです。制約は、前の節の熱のモデルによる室温の推移、冷房の能力の上限、空調の電力の上限、在室の時刻の室温の範囲です。室温の範囲には、例題の許容範囲(24℃以上27℃以下)の内側に0.5℃の余裕を取り、計画の上では24.5℃以上26.5℃以下を守るようにしました。予報の外れやモデルの誤差で室温が計画からずれても、許容範囲を外れにくくするためです。範囲を守れない場合にも解が出るように、範囲からはみ出した量に大きな罰を付ける変数を入れています。

計画に使う熱のモデルは、前の節で記録から推定した係数を使います。COP は外気温の予報から求めるので、外気温が予報より高い日には、実際の電力が計画より大きくなります。線形計画は SciPy 1.16.3 の linprog(HiGHS)で解き、解の状態が0(最適解が得られた)であることを assert で確かめました。あわせて、計画した室温が熱のモデルの式を満たしていること(熱の収支)と、計画の上で空調の電力の上限を守っていることも確かめています。制約を式に入れても、予報の外れやモデルの誤差、設備の故障やセンサーの異常があると、実際の室温が範囲に収まるとは限りません。

# ==== ブロック4:モデル予測制御の1回分の計画を線形計画で解く ====
from scipy.optimize import linprog
from scipy.sparse import lil_matrix

def plan(T0, to_f, occ_f, sun_f, comfort, price, p_cap, par, lo=24.5, hi=26.5):  # 範囲の内側に0.5℃の余裕
    a, b, c, e0, dq = par
    H = len(to_f); nT = H + 1
    iQ, iT, iU, iL = 0, H, H + nT, H + 2 * nT          # 変数:冷房の熱量・室温・上側と下側のはみ出し
    nv = H + 3 * nT; cop_f = cop(to_f)
    cost = np.zeros(nv)
    cost[iQ:iQ + H] = price * DT / cop_f               # 費用の相対値
    cost[iU:] = 1000.0                                 # 範囲を外れたときの大きな罰
    Aeq = lil_matrix((nT, nv)); beq = np.zeros(nT)
    Aeq[0, iT] = 1.0; beq[0] = T0
    rhs = a * to_f + b * occ_f + c * sun_f + e0
    for j in range(H):                                 # 室温の推移(推定したモデル)
        Aeq[j + 1, iT + j + 1] = 1.0; Aeq[j + 1, iT + j] = -(1 - a); Aeq[j + 1, iQ + j] = dq
        beq[j + 1] = rhs[j]
    Aub = lil_matrix((2 * nT, nv)); bub = np.zeros(2 * nT)
    for j in np.flatnonzero(comfort):                  # 在室の時刻だけ室温の範囲を守る
        Aub[2 * j, iT + j] = 1.0; Aub[2 * j, iU + j] = -1.0; bub[2 * j] = hi
        Aub[2 * j + 1, iT + j] = -1.0; Aub[2 * j + 1, iL + j] = -1.0; bub[2 * j + 1] = -lo
    ub_q = np.minimum(Q_MAX, p_cap * cop_f)            # 能力の上限と、空調の電力の上限(kW)
    bounds = [(0, u) for u in ub_q] + [(None, None)] * nT + [(0, None)] * (2 * nT)
    r = linprog(cost, A_ub=Aub.tocsr(), b_ub=bub, A_eq=Aeq.tocsr(), b_eq=beq,
                bounds=bounds, method="highs")
    assert r.status == 0, r.message                    # 0 は最適解が得られたことを表す
    q, Tp = r.x[iQ:iQ + H], r.x[iT:iT + nT]
    assert np.allclose(Tp[1:], (1 - a) * Tp[:-1] + rhs - dq * q, atol=1e-6)   # 熱の収支の確かめ
    assert np.all(q / cop_f <= p_cap + 1e-6)           # 計画の上では空調の電力の上限を守る
    return q, Tp, r.status

次に、予報を作ります。予報は毎日12時に発表されるものとし、各日の0時から24時までの30分ごとの外気温と日射の値を持たせました。ある日についての予報は2回あり、前々日の12時に発表したもの(日ごとの外れの標準偏差1.5℃)と、前日の12時に発表したもの(同じく1.0℃)です。どちらにも、コマごとの外れ(標準偏差0.3℃)と、晴れの度合いの外れによる日射の外れを入れています。計画を立てる時刻には、その時刻までに発表された予報だけを使います。当日の分は前日の12時の予報を使い、見通しが翌日にかかる部分は、当日の12時を過ぎていれば当日の12時の予報、12時より前なら前日の12時の予報(翌日については前々日の発表にあたる)を使います。真の外気温と日射は、室温の推移を計算するときにだけ使います。

単価は、相対単価(基準の単価を1.0としたときの比。単位なし)で置き、時間帯別の場合は22時から8時を0.7、13時から16時を1.4、それ以外を1.0としました。一律の場合はすべて1.0です。これは例題のための仮の値で、実在の料金の単価の比ではありません。費用の相対値は、各コマの電力量を1 kWh で割った数に相対単価を掛けて合計した、単位の無い数で、金額ではありません。この例題の費用の相対値は電力量に掛かる部分だけで、基本料金に当たる kW に掛かる部分は含めていません。空調の電力の上限は15 kW としました。15 kW は例題で置いた仮の上限で、第6章の目標の需要電力のように事業所全体の受電電力に置いた値ではなく、空調の電力だけに置いた値です。空調の電力の最大を下げることが基本料金に反映されるかどうかは、事業所全体の最大需要電力と、契約電力の決まり方によります(第1章)。

# ==== ブロック5:相対単価と、発表の時刻を守った予報を用意する ====
tou = np.where((h >= 22) | (h < 8), 0.7, np.where((h >= 13) & (h < 16), 1.4, 1.0))  # 時間帯の相対単価
flatS, touS = np.ones(N_DAYS * S), np.tile(tou, N_DAYS)
to_true, sun_true, occS = t_out.ravel(), sun.ravel(), occ.ravel()
comfortS = np.append(np.tile((h >= 9) & (h <= 18), N_DAYS) & np.repeat(~holiday, S), False)

def make_fc(sd_t, sd_c):           # ある発表の時刻に出した、各日の0時から24時までの予報
    to_f = to_true + np.repeat(rng.normal(0, sd_t, N_DAYS), S) + rng.normal(0, 0.3, N_DAYS * S)
    cl = np.clip(cloud + rng.normal(0, sd_c, N_DAYS), 0.2, 1.0)
    return to_f, np.repeat(cl / cloud, S) * sun_true    # 外気温と、晴れの度合いが外れた日射

fc1 = make_fc(1.0, 0.15)           # その日の分を、前日の12時に発表した予報
fc2 = make_fc(1.5, 0.20)           # その日の分を、前々日の12時に発表した予報
perfect = ((to_true, sun_true), (to_true, sun_true))   # 外気温と日射が完全に分かるとした場合

def window(fcs, t, H):             # 時刻 t の時点で発表済みの予報だけで、先の H コマを並べる
    s = np.arange(t, t + H)
    newer = (s // S == t // S) | ((t % S) * DT >= 12)  # 当日の分か、当日12時を過ぎた後の翌日の分
    return (np.where(newer, fcs[0][0][s], fcs[1][0][s]),
            np.where(newer, fcs[0][1][s], fcs[1][1][s]))

par_true = (DT / (R_TRUE * C_TRUE), 22 * DT / C_TRUE, 12 * DT / C_TRUE, 3 * DT / C_TRUE, DT / C_TRUE)
par_hat = tuple(coef)                                      # ブロック3で推定した係数
CAP = 15.0                                                 # 空調の電力の上限(kW)

比べる期間の20日について、設定温度を一定に保つ制御と、30分ごとに解き直すモデル予測制御を動かし、真の外気温・日射・内部の発熱のもとで起きた室温と電力を評価しました。この章で実績と呼ぶのは、真の値を使って制御を動かし、室温と電力を計算した結果です。合成データの中での実績であり、実際の設備で測った値ではありません。空調は、操作を変えるとその後の室温も変わるので、ある制御で観測された電力や室温を、別の制御の結果としてそのまま使うことはできません。そのため、制御ごとに室温の推移を最初から計算し直しています。評価はすべて実績で行い、計画の目的関数の値は使っていません。

設定温度を一定に保つ制御は、モデル予測制御が計画の上で守る上限と同じ26.5℃のものを主な比べる相手とし、26℃と27℃も並べました。設定温度を一定に保つ制御は、起動を8時に固定しており、相対単価も空調の電力の上限も知らない、単純な相手です。起動の時刻を変えた場合の差は、前の節の表で見たとおりです。

# ==== ブロック6:30分ごとに解き直すモデル予測制御を動かして、実績で比べる ====
def mpc_run(days, price, p_cap, par, fcs, H=48):
    T, out = 28.0, {}
    for d in days:
        Ts, Qc = [T], []
        for k in range(S):
            t = d * S + k
            to_w, sun_w = window(fcs, t, H)
            q, _, _ = plan(T, to_w, occS[t:t + H], sun_w, comfortS[t:t + H + 1],
                           price[t:t + H], p_cap, par)
            T = step(T, t_out[d, k], q_int[d, k], q_sol[d, k], q[0])   # 最初の1コマだけ実行する
            Ts.append(T); Qc.append(q[0])
        out[d] = (np.array(Ts), np.array(Qc))
    return out

for sp in [26.0, 26.5, 27.0]:                              # 設定温度を一定に保つ制御
    base = run_days(EVAL, lambda d, T, sp=sp: thermostat(d, T, sp, 8.0))
    for pname, pS in [("一律", flatS), ("時間帯別", touS)]:
        show(f"一定{sp:.1f}℃ 単価{pname}", metrics(base, pS[:S]))
for pname, pS in [("一律", flatS), ("時間帯別", touS)]:
    for cap in [99.0, CAP]:
        res = mpc_run(EVAL, pS, cap, par_hat, (fc1, fc2))
        show(f"MPC 単価{pname} 上限{'なし' if cap > 90 else f'{cap:.0f}kW'}", metrics(res, pS[:S]))
        if (pname == "時間帯別") & (cap == CAP):
            res_main = res
show("参考:完全な予報・真のモデル", metrics(mpc_run(EVAL, touS, CAP, par_true, perfect), tou))
for name, par, fcs in [("真のモデル・外れのある予報", par_true, (fc1, fc2)),
                       ("推定したモデル・完全な予報", par_hat, perfect)]:
    show(f"内訳:{name}", metrics(mpc_run(EVAL, touS, CAP, par, fcs), tou))

結果は次の表のとおりです。電力量・費用の相対値・9時より前の電力量は平日1日あたり、範囲外の時間は平日1日あたりの平均です。ここでも快適性は、在室の時間の室温が24℃以上27℃以下に入っているかどうかだけで表しています。

制御単価空調の電力の上限電力量(kWh/日)費用の相対値(/日)空調の電力の最大(kW)範囲外の時間(時間/日)9時より前の電力量(kWh/日)
一定26.0℃一律なし138.5138.520.10.2116.2
一定26.5℃一律なし130.4130.419.90.2513.9
一定27.0℃一律なし122.3122.319.40.2511.2
モデル予測制御一律なし130.7130.720.20.0016.4
モデル予測制御一律15 kW131.9131.915.50.2118.9
一定26.0℃時間帯別なし138.5155.520.10.2116.2
一定26.5℃時間帯別なし130.4146.919.90.2513.9
一定27.0℃時間帯別なし122.3138.119.40.2511.2
モデル予測制御時間帯別なし137.7139.620.30.0032.0
モデル予測制御時間帯別15 kW137.6141.515.70.2132.2
参考:予報とモデルが完全な場合時間帯別15 kW138.9142.015.00.0034.3
架空の暑い平日の室温と空調の電力。モデル予測制御は相対単価の低い5時から8時に冷房して室温を下げ、8時から8時半は止め、在室の時間の大半は空調の電力の上限15kWの近くで運転する

本コラムの架空データでの結果を、条件ごとに読みます。単価が一律で空調の電力の上限も無い場合、モデル予測制御の電力量は130.7 kWh で、設定温度を26.5℃に保つ制御の130.4 kWh とほぼ同じでした。9時より前の電力量も16.4 kWh と13.9 kWh で、この例題の条件では大きな予冷は選ばれませんでした。単価が一律の場合、時間をずらして得られるのは外気温による COP の違いだけで、先に冷やした分は外からの熱で一部が失われます。この例題では、その差し引きで、大きな予冷が選ばれなかったことになります。

単価が時間帯別の場合、空調の電力の上限が無くても、モデル予測制御は9時より前に32.0 kWh を使い、設定温度を26.5℃に保つ制御(13.9 kWh)の2倍以上を早朝に使いました。費用の相対値は146.9から139.6へ約5%下がりましたが、電力量の合計は130.4 kWh から137.7 kWh へ約6%増えました。空調の電力の最大は19.9 kW から20.3 kW で、下がっていません。単価の低い時間帯に先に冷やして、単価の高い時間帯に冷やす量を減らした結果です。

単価が時間帯別で空調の電力の上限を15 kW とした場合、費用の相対値は141.5(設定温度を26.5℃に保つ制御より約4%低い)、空調の電力の最大は15.7 kW(同じく19.9 kW)、電力量は137.6 kWh(同じく約6%多い)でした。つまり、空調の電力の上限を置いたこの条件では、予冷を使う計画は、電力量の合計を増やす代わりに、費用の相対値と空調の電力の最大を下げています。予冷の結果を報告するときは、電力量(kWh)の増減と、費用の相対値と空調の電力の最大(kW)の増減を分けて書く必要があります。なお、空調の電力の最大が下がったのは、上限15 kW を計画に与えたためで、上限の無い行(20.3 kW)では下がっていません。予冷そのものが電力の最大を下げるわけではありません。ただし、この行の範囲外の時間は1日あたり0.21時間で、上限を置かない場合の0.00時間より長く、許容範囲を完全には守れていません。上限を置いた場合は範囲外が残る結果でした。

図は、この条件での最も暑かった平日(46日目)の様子で、比べる相手は設定温度26.5℃の制御です。図の日の30分ごとの値を実行ログに出して確かめると、モデル予測制御は、相対単価が0.7の5時から8時まで約15 kW で冷房し、室温を0時の28.77℃から8時の25.03℃まで下げていました。相対単価が1.0に上がる8時から8時半は冷房を止め、8時半から9時は8.57 kW、9時から17時半までは、13時のコマを除いて14.3 kW から15.1 kW と上限の15 kW 近くで運転しています。相対単価が1.4に上がる13時のコマは12.38 kW、在室の終わりの17時半のコマは12.47 kW で、上限を下回っています。設定温度を26.5℃に保つ制御は、8時の起動の後に19 kW 台の電力で冷やしています。0時の室温は、モデル予測制御が28.77℃、設定温度を26.5℃に保つ制御が28.63℃で少し違います。比べる期間の初日から運転を続け、前日の終わりの室温を引き継いでいるためです。

表で、空調の電力の最大が上限の15 kW をわずかに超えて15.7 kW になったのは、計画が外気温の予報から求めた COP を使っているためです。予報より暑かったコマでは、同じ冷房の熱量に、実際にはより大きな電力が要りました。

参考の行(予報とモデルが完全な場合)の費用の相対値(142.0)が、予報とモデルに誤差のある場合(141.5)より高い点にも注意が要ります。どちらの誤差が効いているかを分けるために、真のモデルと外れのある予報の組み合わせ、推定したモデルと完全な予報の組み合わせも計算しました(上のコードの最後の部分)。前者は費用の相対値141.4、空調の電力の最大15.7 kW、範囲外の時間0.21時間、後者は142.1、15.0 kW、0.00時間でした。本コラムの架空データでは、費用の相対値が低く出た2つの計算は、どちらも予報に外れがあり、範囲外の時間と上限の超過も出ていました。予報が完全な2つの計算は、範囲外の時間が0で、上限をちょうど守っていました。費用の差には、予報の外れのために冷やす量が少なくなった分が含まれている可能性があり、予報の外れが成績を良くしたとは読めません。比べるときは、費用だけでなく、範囲外の時間と上限を超えた量を並べて読む必要があります。

単価が一律のまま空調の電力の上限を15 kW とした場合は、電力量が131.9 kWh、空調の電力の最大が15.5 kW、範囲外の時間が0.21時間でした。9時より前の電力量は18.9 kWh で、上限の無い場合の16.4 kWh より多く、単価の差が無くても、上限を守るために朝に先回りして冷やしています。この例題では、時間帯で違う単価と、空調の電力の上限の2つが、予冷を選ばせる条件になりました。

1回の乱数の結果で言い切らないように、乱数の種を1から10に変えて同じ計算をくり返しました(このくり返しのコードは掲載していません)。単価が時間帯別で空調の電力の上限を15 kW とした場合、モデル予測制御の費用の相対値は、10回すべてで設定温度を26.5℃に保つ制御より低く、比は0.959から0.969でした。電力量は10回すべてで多く、比は1.049から1.067でした。空調の電力の最大は10回すべてで低く、モデル予測制御の最大は15.4 kW から15.8 kW でした。範囲外の時間は、10回のうち9回でモデル予測制御のほうが短いか同じでしたが、1回はモデル予測制御のほうが長くなりました(0.32時間と0.29時間)。単価が一律で上限が無い場合の電力量の比は0.998から1.005で、ほぼ同じでした。

外気温の予報が外れたときに起きること

モデル予測制御の計画は、予報が当たる前提で作られます。予報が外れたときに何が起きるかを、最も暑かった46日目で確かめました。この日と翌日の外気温の予報を、実際より一律に2℃低くした場合を作り、次の3つを比べます。計画に使う熱のモデルは真の係数とし、予報の外れの影響だけを見ます。ここでも快適性は室温の範囲だけで表しています。

  • 予報が当たった場合:真の外気温を予報として、30分ごとに解き直す
  • 計画をそのまま実行:0時に2℃低い予報で1日分を計画し、解き直さずにそのとおり冷房する
  • 30分ごとに解き直す:同じ2℃低い予報を使うが、30分ごとに室温を計り直して計画し直す
# ==== ブロック7:外気温の予報が2℃低く外れた日に起きること ====
d0 = hot
T0 = res_main[d0][0][0]                                    # その日の0時の室温
to_bad = to_true.copy(); to_bad[d0 * S:(d0 + 2) * S] -= 2.0   # 実際より2℃低い予報
sl = slice(d0 * S, d0 * S + S)
q_open, _, st = plan(T0, to_bad[sl], occS[sl], sun_true[sl], comfortS[d0 * S:d0 * S + S + 1],
                     touS[sl], CAP, par_true)
print("0時に解いた計画の状態", st)
T, Ts_open = T0, [T0]
for k in range(S):                                         # 0時の計画をそのまま実行(解き直さない)
    T = step(T, t_out[d0, k], q_int[d0, k], q_sol[d0, k], q_open[k]); Ts_open.append(T)

def mpc_day(to_f):                                         # 0時の室温をそろえて、30分ごとに解き直す
    T, Ts, Qc = T0, [T0], []
    for k in range(S):
        t = d0 * S + k
        q, _, _ = plan(T, to_f[t:t + 48], occS[t:t + 48], sun_true[t:t + 48],
                       comfortS[t:t + 49], touS[t:t + 48], CAP, par_true)
        T = step(T, t_out[d0, k], q_int[d0, k], q_sol[d0, k], q[0]); Ts.append(T); Qc.append(q[0])
    return {d0: (np.array(Ts), np.array(Qc))}

cases = {"予報が当たった場合": mpc_day(to_true),
         "計画をそのまま実行": {d0: (np.array(Ts_open), q_open)},
         "30分ごとに解き直す": mpc_day(to_bad)}
for name, rr in cases.items():
    m = metrics(rr, tou)
    print(f"{name} 電力量 {m[0]:.1f} kWh 費用 {m[1]:.1f} 最大 {m[2]:.1f} kW 範囲外 {m[3]:.2f} 時間 "
          f"最高室温 {rr[d0][0][18:36].max():.2f}℃ 9時前 {m[4]:.1f} kWh")

結果は次の表のとおりです。0時に解いた計画の状態は0(最適解が得られた)でしたが、それは2℃低い予報のもとでの最適です。比較の主眼は範囲外の時間で、電力量や費用の相対値の大小は、冷やす量の多い少ないを表しているにすぎません。

運転の方法電力量(kWh)費用の相対値空調の電力の最大(kW)範囲外の時間(時間)在室の時間の最高の室温(℃)9時より前の電力量(kWh)
予報が当たった場合179.2183.415.00.0026.5846.3
計画をそのまま実行147.6150.315.58.0028.1638.7
30分ごとに解き直す172.2178.715.50.0026.8638.7

計画をそのまま実行すると、外から入る熱が計画より多いのに冷やす量は計画のままなので、在室の9時間のうち8.00時間で室温が27℃を上回り(コマの始まりの時刻で数えた値)、最高で28.16℃になりました。電力量は147.6 kWh で予報が当たった場合より少なく見えますが、これは必要な冷房をしなかった結果であり、省エネではありません。30分ごとに解き直すと、室温の計測から予報とのずれを毎回取り込むので、範囲外の時間は0になり、最高の室温は26.86℃でした。計画の上の余裕(26.5℃)は超えましたが、許容範囲の上限(27℃)の内側に収まりました。解き直した場合の電力量(172.2 kWh)と費用の相対値(178.7)も、予報が当たった場合(179.2 kWh、183.4)より小さくなっています。これも、予報が低かった分だけ冷やす量が少なく、室温が高めに出た結果で、成績が良くなったわけではありません。9時より前の電力量を見ると、予報が当たった場合の46.3 kWh に対して、解き直した場合は38.7 kWh で、計画をそのまま実行した場合と同じでした。低い予報のもとでは早朝の予冷が少なく計画され、その分を在室の時間の冷房で補ったことになります。この例では空調の電力の最大は15.5 kW で、上限をわずかに超えました。

乱数の種を1から10に変えたくり返しでも、それぞれの種で最も暑かった平日に同じ2℃の外れを与えると、計画をそのまま実行した場合の範囲外の時間は5.50時間から8.50時間でした。30分ごとに解き直した場合は、10回のうち9回で範囲外の時間が0でしたが、1回は4.00時間になりました。解き直しても、予報の外れが大きく空調の電力の上限が厳しい日には、範囲を守りきれないことがあります。

この結果は、モデル予測制御の「解き直す」という部分が、予報の外れに対する備えとして働くことを示しています。それでも、予報が大きく外れる日や、空調の電力の上限が厳しい日には、範囲を守れないことがあります。設備の故障やセンサーの異常があれば、なおさらです。この章の例題で試した範囲の対処は、許容範囲の内側に余裕を取ることと、室温を計り直して短い間隔で解き直すことでした。予報の誤差をどう織り込むか(余裕の取り方、予報の更新、複数のシナリオでの計画)は第11章で扱います。

研究の紹介と、強化学習による制御

建物の空調のモデル予測制御は、多くの研究があります。Oldewurtel らの2012年の論文は、気象の予報を使った建物の室内環境の制御にモデル予測制御を使い、エネルギーの効率を高めることを扱った論文です。Afram と Janabi-Sharifi の2014年の総説は、空調の制御システムの理論と応用を、モデル予測制御を中心に整理した総説です。Drgoňa らの2020年の総説(Annual Reviews in Control 誌50巻)は、建物のモデル予測制御について、題名のとおり知っておくべきことを網羅的にまとめた総説です。本コラムではこの3本の書誌(著者・年・誌名・巻・ページ)を DOI の登録情報で確かめ、内容は題名から読み取れる範囲で紹介しています。いずれもそれぞれの建物とシミュレーションの前提での研究であり、そこに書かれた削減の数字は、読者の事業所で期待できる値ではありません。

モデル予測制御とは別の考え方として、強化学習による制御があります。強化学習は、制御の操作と、その結果として得られる報酬(電力の少なさや快適性など)のくり返しから、良い操作の方針を学ぶ方法です。Wei、Wang、Zhu の2017年の論文(第54回 Design Automation Conference の予稿集)は、深層強化学習を建物の空調の制御に使うことを扱った論文です(本コラムでは書誌を確かめ、内容は題名から読み取れる範囲で紹介しています)。強化学習とは別に、機械学習を使った冷却の制御の企業事例として、DeepMind が2016年7月20日の公式ブログで、Google のデータセンターで冷却に使うエネルギーを40%減らしたと報告しています。この記事が説明しているのは、過去の多数のセンサーの記録で深層ニューラルネットワークを学習して将来の PUE を予測し、運転の制約の範囲に収まるように温度と圧力の予測も組み合わせて、運転の推奨を出す仕組みで、強化学習を使ったとは書かれていません。PUE は、施設全体のエネルギー使用量を IT 機器のエネルギー使用量で割った比で、同じ記事では、電気の損失などを考慮した後の PUE の超過分(PUE から1を引いた部分)の削減は15%ほどとされています。これはそのデータセンターの、その時点の条件での値です。

本コラムでは強化学習は実行していません。強化学習を実際の建物で使うときの難しさとして、次の点がよく挙げられます。学習の途中で試す操作が、室内の環境の許容範囲や設備の運転の範囲を外れるおそれがあること、学習に要する試行の数が多く、実際の建物でくり返し試すのが難しいこと、学習したシミュレーションと実際の建物の違いで成績が変わりうること、操作の理由を説明しにくいことです。そのため、まずシミュレーションで学習させ、実際の建物では安全の制約をかけて慎重に試す、という段階を踏むことになります。モデル予測制御のように、制約を式で明示して守らせる方法と比べて、どちらが向くかは、建物のモデルを作る手間と、学習に使えるデータの量で変わります。

決まりにもとづく制御の見直しと、制御を変えるときの手順

モデル予測制御を入れる前に、今の決まりにもとづく制御(あらかじめ決めた時刻や条件で運転を切り替える制御)を見直すだけで減らせる分があることも少なくありません。代表的なものは、運転のスケジュールを実際の在室に合わせること、外気が室内より涼しいときに外気を取り入れて冷房の代わりにする外気による冷房、室内の二酸化炭素の濃度を計って換気の量を調整する制御です。換気の量を減らせば、暑い外気を冷やす量は減りますが、二酸化炭素の濃度は前の節で見た建築物環境衛生管理基準(百万分の千以下)を守る必要があります。外気による冷房も、外気の湿度が高い日には除湿の負担が増えることがあります。どれも、空気の質と湿度という、この章の例題では扱わなかった制約と一緒に検討する必要があります。これらの効果は建物・設備・気候・使い方で違うため、本コラムでは削減の率を示しません。

在室者の暑い・寒いという申告と、設定を変えた記録を残すことも、制御の見直しに役立ちます。申告が多い時間帯と場所は、許容範囲の決め方や、センサーの位置、吹き出しの風の当たり方を見直す手がかりになります。設定温度を変えた日時と、変えた人、理由を記録しておくと、後で電力量が変わったときに、制御の変更の効果なのか、気温や在室の違いなのかを切り分けやすくなります(効果の測り方は第5章)。

制御を変えるときは、次の手順を踏むことが安全だと考えています。

  1. 室内の環境の許容範囲と、生産や品質の条件を、施設管理・総務・生産の担当者で決めて文書にする
  2. 変える内容が、設備の仕様・保安規程・メーカーの定める運転の範囲に収まることを、設備の担当者と有資格者が確かめる
  3. 変える前の期間の電力量・室温・申告を記録し、比べ方(第5章のベースライン)を決めておく
  4. 1つのフロアや1つの系統など小さな範囲で、短い期間だけ試す
  5. 室温が範囲を外れたら、すぐに元の設定に戻せるようにしておく(戻す手順と判断する人を決める)
  6. 結果を、電力量・空調の電力の最大・室温・申告で評価し、広げるか、やめるかを決める

監視の指標として、次の表のものを並べて見ることを勧めます。電力の指標と室内の環境の指標を同じ表に置くことが要点です。運用の監視と異常の検知は第12章で扱います。

指標単位何を見るか読むときの注意
空調の電力量kWh/日空調が使った電気の量気温と在室で変わるので、前年や前月と単純に比べない(第5章)
空調の電力の最大kW30分間の平均の空調の電力の最大最大需要電力(受電電力について数えた値)とは別。事業所全体の最大需要電力と時刻がずれることがある(第6章)
時間帯別の電力量kWh予冷で使う時間がずれたか合計が増えていないかを並べて見る
範囲外の時間時間/日在室の時間に室温が許容範囲を外れた時間部屋ごと、センサーごとに見る
始業の時刻の室温℃起動から始業までの時間が十分か暑い日、寒い日を分けて見る
暑い・寒いの申告の件数件/週在室者の受け止め申告の出しやすさで件数が変わる
設定の変更の回数回/週手動の上書きの多さ多ければ、許容範囲か制御の設定が実態と合っていない

経営の判断、室内の環境の許容範囲を先に決めて、その中で最適化する

空調の制御で経営が判断すべきことは、制御の手法の選択より先に、室内の環境の許容範囲を事業として決めることです。この章の例題では、設定温度を1℃上げるだけで電力量が1割前後減りましたが、それは許容範囲の上限に近づけた結果でもあります。許容範囲を決めずに省エネの目標だけを下ろすと、現場では設定温度を上げることが手っ取り早い手段になり、快適性と生産への支障という損失の型を招きます。反対に、許容範囲を広く取りすぎることを恐れて、空調の運転を誰も見直さないままにすると、使い方を変えれば避けられた電気料金を払い続ける払いすぎになります。

予冷のように時間をずらす運転では、効果の数え違いにも注意が要ります。この例題では、時間帯で単価が違い、空調の電力の上限を置いた場合は、予冷を使う計画は費用の相対値と空調の電力の最大を下げた一方で、電力量の合計は増えました(上限を置かない場合は、空調の電力の最大は19.9 kW に対して20.3 kW で、下がっていません)。電力量だけを KPI にしていると、この運転は悪化と判定されます。逆に、費用の相対値だけを見ると、範囲外の時間や上限を超えた量を含んだ結果を成果として数えてしまいます。KPI は、電力量(kWh)・空調の電力の最大(kW)・時間帯別の費用・範囲外の時間を組にして持つことが必要です。また、モデル予測制御の計画の目的関数の値は、予報が当たった場合の値であり、成果として報告すべきではありません。成果は、実績の外気温と在室のもとで、第5章の方法で条件をそろえて測った値です。

予算と体制の面では、モデル予測制御の前に、運転のスケジュール・設定温度・起動の時刻といった、今の制御で変えられるものの見直しを先に行い、その記録を、熱のモデルを作るためのデータとしても使う、という順番が無理の少ない進め方だと考えています。モデル予測制御を入れる場合は、計測(室温・電力・熱量)と、予報の取り込み、計画を設備に送る仕組み、人が上書きする手順と記録までを含めて設計する必要があります。計測やレポートはあるが設定の見直しにつながらない形骸化を避けるには、範囲外の時間と申告を毎週見て、設定を見直す担当者と権限を決めておくことが要ります。

この章では、建物を熱容量と熱抵抗の簡単なモデルで表し、設定温度・起動の時刻・予冷の計画が電力量・費用の相対値・空調の電力の最大・室温をどう変えるかを、架空データで確かめました。予冷の価値は時間をずらすことから生まれ、電力量の合計はむしろ増えうること、予報の外れには30分ごとの解き直しが備えになるが限界もあることが、この例題での結果です。第8章では、この章で冷房の熱量として扱った熱を作る熱源の側に移り、冷凍機の台数制御と起動停止の計画を扱います。

この章を深めたい方への参考書籍

『モデル予測制御:制約のもとでの最適制御』(Jan M. Maciejowski 著、足立修一・管野政明 訳、東京電機大学出版局):モデル予測制御の考え方を、制約を持つ最適化として体系的に解説した教科書の訳書です。この章で使った「先まで計画して最初の1つだけを実行し、やり直す」仕組みと、制約の扱いを、制御工学の側から詳しく学べます。

『建築環境工学:熱環境と空気環境』改訂版(宇田川光弘・近藤靖史・秋元孝之・長井達夫・横山計三 著、朝倉書店):建物の熱の出入りと室内の空気環境を扱う教科書で、シリーズ〈建築工学〉の1冊です。この章で熱容量と熱抵抗の2つに単純化した建物の熱の性質を、壁の伝熱や日射、換気まで広げて理解するのに向いています。

『最新建築環境工学』改訂4版(田中俊六・武田仁・土屋喬雄・岩田利枝・寺尾道仁・秋元孝之 共著、井上書院):熱・空気・光・音を含む建築環境工学の入門の教科書です。温熱環境の快適性の指標や、室内の空気環境の考え方を、この章の許容範囲の決め方の背景として確かめるのに使えます。

第8章 熱源と設備の運転計画、台数制御と起動停止の最適化

第7章では、建物の熱のモデルを使って、室温の許容範囲を守りながら設定温度と予冷の時刻を決める考え方を確かめました。そこで扱った空調の冷却は、実際には冷凍機やヒートポンプなどの熱源が作る冷水や温水によってまかなわれます。同じ冷房の負荷をまかなう場合でも、どの熱源を何台、どの部分負荷率(機器の定格の能力に対して、いま処理している負荷の割合。事業所の負荷率とは別の指標)で動かすか、いつ起動していつ止めるか、蓄熱槽にいつ熱をためるかによって、使う電力量と、電力の大きさ(kW)は変わります。この章では、熱源の側の運転の計画を扱います。

扱う内容は次のとおりです。中ほどでは、他の章とは独立に作った架空の冷凍機3台と架空の夏の20日分の冷房の負荷を使い、実行したコードと結果で確かめます。

  • 熱源の種類と役割、効率を表す成績係数(COP)と、部分負荷での効率の変わり方
  • 冷房の負荷ごとに、どの台をどの部分負荷率で動かすと電力が最小になるかを求める台数制御の最適化と、容量の順に台を入れる単純な台数制御との比較
  • 1日48コマの起動停止計画を、起動の負担・最小の運転時間・最小の停止時間を入れた混合整数計画で解き、予報にもとづく計画を真の負荷のもとで動かした実績で評価すること
  • 蓄熱槽を足し、時間帯で電力量の相対単価が違う場合と、電力の上限がある場合の計画
  • 運転の記録から効率の曲線を当てはめるときの注意、コージェネレーションとポンプ・ファンの入口、最適化の結果を運転に落とすときの注意、指標と経営の判断

この章の主張は、設備の更新を考える前に、今ある設備の運転の順番と設定で減らせる分を確かめ、その確かめに運転のデータを使うべきだ、という点です。本コラムの架空データでは、同じ冷凍機3台で同じ負荷をまかなっても、容量の順に台を入れる単純な台数制御に比べ、予報にもとづいて起動停止と配分を計画した運転は、実績の電力量が1日あたり4.0%少なくなりました。ここでの電力量は冷凍機の本体の消費電力だけの値で、起動のときの電力と機器の負担は含みません。実績は、合成データの中で真の負荷と外気温のもとで動かして得た結果で、実際の設備で測った値ではありません。乱数の種を変えた4回の繰り返しでも3.7%から4.2%少なくなりました。ただし、起動の回数は単純な台数制御より多くなりました。これは架空データの条件での結果であり、実際の設備で同じ割合が得られるという主張ではありません。

熱源の種類と役割

熱源は、空調や生産の工程で使う冷水・温水・蒸気を作る設備です。事務所ビルや商業施設では、冷凍機やヒートポンプで冷水や温水を作り、ポンプで空調機まで送り、空調機で空気を冷やしたり暖めたりする構成があります。工場では、これに加えて、生産の工程で使う蒸気をボイラで作ったり、工程を冷やす冷却水を作ったりします。熱源を複数台並べて設置している場合は、負荷に応じて動かす台数を変えられます。本章が扱うのは、この複数台の熱源の動かし方です。

熱源の電力は、事業所の電力のなかで大きな割合を占めることがあります。環境省の温室効果ガス排出削減等指針のウェブサイトに載っている対策の個票(高効率蓄熱設備を使った蓄熱式空調システムの導入)では、ヒートポンプ・蓄熱センターの資料をもとに、ある事務所ビルの例として、夏の冷房のときに空調の熱源の消費電力がビル全体の34%を占めると紹介しています。この割合はその建物の例であり、建物の用途や設備で大きく変わります。自社の事業所での割合は、第2章で扱った計測点の階層(受電から系統、設備へ)で、熱源の系統の電力が測れているかどうかで確かめる事項です。

主な熱源の種類と、運転の計画を考えるときに見る点を表にまとめます。各機器の構造や冷凍サイクルの詳しい説明は、章末の参考書籍のような冷凍空調の教科書に譲ります。表の「計画で見る点」は、本章の例題や後の節につなぐための整理です。

熱源作るもの使うエネルギー計画で見る点
電気で動く冷凍機(ターボ冷凍機・スクリュー冷凍機など)冷水電気部分負荷率と冷却水の温度(外気の条件)で COP が変わる。複数台の組み合わせと配分で電力が変わる(本章の例題)
ヒートポンプ(空気熱源・水熱源)冷水・温水電気外気温で能力と COP が変わる。冬の夜に蓄熱に使うと効率が下がることがあるという注意が公的な資料にある(後の節)
吸収式冷凍機・冷温水機冷水・温水ガス・蒸気・排熱(ポンプなどに電気)電気の使用は小さいが、燃料と排熱の使い方で評価が変わる。コージェネレーションの排熱の受け手になる
ボイラ蒸気・温水ガス・油など台数の組み合わせを選ぶという計画の形は冷凍機と同じ。法令と保安規程にもとづく管理の対象になる場合があり、個別に確かめる事項になる
コージェネレーション電気と熱ガスなど電気と熱の需要の比で運転の価値が変わる(後の節で入口だけ)
蓄熱槽(水・氷)熱をためて後で出す熱源が作った熱熱を作る時間と使う時間を分けられる。時間帯の相対単価と電力の上限を入れた計画になる(本章の例題)

本章の例題は、このうち電気で動く冷凍機と蓄熱槽だけを扱います。冷水を送るポンプ、冷却塔のファン、空調機のファンの電力は例題に入れていません。実際の熱源の系統では、冷凍機の台数を変えるとポンプや冷却塔の運転も変わるので、系統全体の電力で評価することが要ります。

成績係数(COP)と部分負荷での効率

成績係数(COP)は、熱源が作った熱の量を、そのために使ったエネルギーの量で割った値です。冷凍機の場合は、冷水から熱を取り去る能力(kW(熱))を、消費電力(kW(電気))で割った値になります。例えば COP が5なら、消費電力 100kW で 500kW(熱)の冷却ができます。熱も電気も kW という単位で書きますが、前者は熱の流れ、後者は電気の流れで、別の量です。本章では、熱の流れの大きさを「kW(熱)」、積み上げた熱の量を「kWh(熱)」、電気を「kW」または「kW(電気)」と書き分けます。本章の COP は、冷凍機の本体の消費電力だけで割った値で、冷水や冷却水のポンプ、冷却塔、空調機のファンなどの補機の電力は含みません。

COP は1つの機器でも一定ではありません。2つの条件で大きく変わります。1つ目は部分負荷率です。2つ目は外気の条件です。冷凍機は、室内側から取り去った熱を、冷却塔や室外機を通じて外へ捨てるので、冷却水の温度や外気温の影響を受けます。上の環境省の個票は、メーカーのカタログをもとに、蓄熱用に使われることが多いインバータ(回転数を変える装置)の無い熱源機は高い部分負荷率の領域で効率が高く、冷房の場合は冷却水の温度が低いほど効率が高いと説明しています。後の例題の冷凍機は、部分負荷率0.7付近に効率の山を置いた仮の曲線で、この資料が説明する機器とは別の形です。どの部分負荷率で効率が高いかは、機器の種類や回転数を変えられるかどうかで違うので、自社の機器の部分負荷の特性は、メーカーの資料と運転の記録で確かめる事項です。

1年を通した効率を表す期間の指標もあります。例えば家庭用を中心とするエアコンでは、通年エネルギー消費効率(APF)が使われています。資源エネルギー庁の省エネ型製品情報サイトの省エネ性能カタログ(2018年冬版)のエアコンの頁は、APF を、一定の条件のもとで1年間に必要な冷暖房の熱の量(1年間で積み上げた量)を、1年間の消費電力量で割った値と説明しています。期間の効率は、時点ごとの COP を平均するのではなく、熱の量の合計を電力量の合計で割って求めます。後の指標の表の「設備全体の COP」も同じ形です。業務用の熱源の期間の指標は本コラムでは確かめていないので扱いません。カタログの値は決められた条件での値で、自社の建物の負荷の形と気候での実際の効率とは違います。本章では、カタログの値ではなく、運転の記録から実際の効率の曲線を推定する方法を後の節で扱います。

ここからは、コードで確かめます。この章のデータは、他の章とは独立に作った架空の合成データで、実際の設備や事業所の記録よりずっと単純です。合成データでの電力量や削減の割合は、実際の設備での値の目安にはなりません。示したいのは、同じ設備でも、動かす台の組み合わせ・配分・起動停止・蓄熱の使い方で、電力量と電力がどう変わるかと、その評価をどう行うかという点です。コードは Python 3.14.3 で実行し、混合整数計画には PuLP 3.3.2 に同梱されているソルバー(CBC)を使いました。PuLP 3.3.2 で確認しました。PuLP 4.0 では CBC の同梱と PULP_CBC_CMD が廃止されているので、再現するときは版を指定して入れてください。乱数の種は 20261117 に固定しました。

本章で扱う電力は、冷凍機の本体の消費電力(設備の消費電力)で、事業所が受電点で受ける電力(受電電力)ではありません。コマの時刻は、そのコマの始まりの時刻で表します。各コマの消費電力は、そのコマの30分間の平均の電力(kW)として扱い、0.5時間を掛けて電力量(kWh)にします。

架空の冷凍機は3台です。冷凍機1と冷凍機2は定格の冷却能力が 600kW(熱)、冷凍機3は 300kW(熱)としました。冷凍機1は効率が高く、部分負荷率0.7付近で効率の山がはっきりした機器、冷凍機2は古く、効率が低く山が平らな機器、冷凍機3は小さい機器です。COP は、部分負荷率の2次式(部分負荷率0.7で最大)と、外気温の係数(32℃での COP を基準として、外気温が 1℃下がるごとに、その基準の値の2%分を加える)の積で表しました。運転できる最小の部分負荷率は、冷凍機2が0.4、ほかの2台が0.3とし、それより少ない冷却はできないとしました。この効率の式は、例題のために置いた仮の式で、実在の機種の特性ではありません。冷凍機の能力は外気温で変わらないものとし、外気温で変わるのは COP だけとしました。起動のときに流れる電力や、起動と停止による機器への負担は、例題の電力量に入れていません。

import sys, io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding="utf-8")
import numpy as np
import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import japanize_matplotlib

SEED = int(sys.argv[1]) if len(sys.argv) > 1 else 20261117
rng = np.random.default_rng(SEED)
DT = 0.5                                  # 1コマの長さ(時間)
STEP = 5.0                                # 冷却の能力の刻み(kW(熱))
NAMES = ["冷凍機1", "冷凍機2", "冷凍機3"]
CAP = np.array([600.0, 600.0, 300.0])     # 定格の冷却能力(kW(熱))
QMIN = np.array([0.3, 0.4, 0.3]) * CAP    # 運転できる最小の冷却の能力(kW(熱))
COP_R = np.array([5.0, 4.2, 4.5])         # 定格の負荷・外気温32℃での COP
K = np.array([2.0, 1.0, 2.5])             # 部分負荷での効率の山の高さ

def cop(i, q, temp):
    """冷凍機 i が冷却の能力 q(kW(熱))、外気温 temp(℃)で運転したときの COP"""
    plr = q / CAP[i]                                   # 部分負荷率
    f = 1 + K[i] * (0.09 - (plr - 0.7) ** 2)           # 部分負荷率0.7付近で効率が最も高い
    g = 1 - 0.02 * (temp - 32)                         # 外気温が低いほど効率が高い
    return COP_R[i] * f * g

def power(i, q, temp):
    """消費電力(kW(電気))。q=0 なら停止で 0"""
    q = np.asarray(q, dtype=float)
    return np.where(q > 0, q / cop(i, np.maximum(q, 1e-9), temp), 0.0)

for i in range(3):
    row = [f"{cop(i, p * CAP[i], 32):.2f}" + ("(運転不可の参考値)" if p * CAP[i] < QMIN[i] else "")
           for p in (0.3, 0.5, 0.7, 1.0)]
    print(NAMES[i], "COP(部分負荷率0.3/0.5/0.7/1.0、32℃):", row)
print("冷凍機1の部分負荷率0.7の COP(26℃/32℃):",
      round(float(cop(0, 420, 26)), 2), round(float(cop(0, 420, 32)), 2))

実行した結果、外気温32℃での COP は次のようになりました。冷凍機1は効率の山が高く、部分負荷率0.3では4.30まで下がります。外気温の影響として、冷凍機1を部分負荷率0.7で動かしたときの COP は、32℃で5.90、26℃で6.61でした。

機器定格の冷却能力最小の部分負荷率COP(部分負荷率0.3)COP(部分負荷率0.5)COP(部分負荷率0.7)COP(部分負荷率1.0)
冷凍機1600kW(熱)0.34.305.505.905.00
冷凍機2600kW(熱)0.4運転不可(式を延長した参考値 3.91)4.414.584.20
冷凍機3300kW(熱)0.33.715.065.514.50

台数制御:負荷ごとに台と部分負荷率を選ぶ

冷房の負荷が決まったとき、3台のうちどの台を動かし、それぞれにどれだけの冷却を割り当てると、消費電力の合計が最小になるかを求めます。これは、各台の電力の曲線が与えられたときの配分の問題です。3台なら運転する台の組み合わせは7通りしかないので、組み合わせごとに最適な配分を求め、その中で最小のものを選べば済みます。配分は、冷却の能力を 5kW(熱)刻みの格子にして、1台ずつ足し合わせる動的計画法(小さな問題の答えを順に組み合わせて、大きな問題の答えを求める方法)で求めました。格子の刻みの分だけ近似になります。

比べる相手は、容量の順(冷凍機1、冷凍機2、冷凍機3の順)に台を入れていく単純な台数制御です。運転中の台の能力の合計の95%を負荷が超えたら次の台を足し、運転中の台は部分負荷率をそろえて分担します。この規則は比べるために置いた例です。実際の設備の台数制御の規則(どの順で入れるか、どの割合で増やすか)は設備ごとに違うので、自社の規則は制御の設定の資料で確かめる事項です。

GRID = np.arange(0, CAP.sum() + STEP, STEP)            # 冷房の負荷の格子(kW(熱))
COMBOS = [c for c in range(1, 8)]                       # 3台の運転の組み合わせ(ビットで表す)

def combo_curve(c, temp=32.0):
    """組み合わせ c の台がすべて運転するときの、負荷ごとの最小の電力(格子上の動的計画法)"""
    best = np.zeros(1)                                  # 冷却0 → 電力0
    for i in range(3):
        if not (c >> i) & 1:
            continue
        qs = np.arange(QMIN[i], CAP[i] + STEP / 2, STEP)
        ps = power(i, qs, temp)
        new = np.full(len(best) + int(CAP[i] / STEP), np.inf)
        for q, p in zip(qs, ps):                        # 台 i に q を割り当てた場合を順に試す
            j = int(round(q / STEP))
            new[j:j + len(best)] = np.minimum(new[j:j + len(best)], best + p)
        best = new
    curve = np.full(len(GRID), np.inf)
    curve[:len(best)] = best[:len(GRID)]
    return curve

CURVE = {c: combo_curve(c) for c in COMBOS}             # 外気温32℃のときの曲線
QLO = {c: sum(QMIN[i] for i in range(3) if (c >> i) & 1) for c in range(8)}
QHI = {c: sum(CAP[i] for i in range(3) if (c >> i) & 1) for c in range(8)}

def combo_power(c, q, temp=32.0):
    """組み合わせ c で冷却 q(kW(熱))を作るときの最小の電力(kW(電気))。格子の間は直線でつなぐ"""
    if c == 0:
        return 0.0
    lo, hi = int(round(QLO[c] / STEP)), int(round(QHI[c] / STEP))
    p32 = float(np.interp(q, GRID[lo:hi + 1], CURVE[c][lo:hi + 1]))
    return p32 / (1 - 0.02 * (temp - 32))

def best_combo(load_kw):
    vals = {c: combo_power(c, load_kw) for c in COMBOS if QLO[c] - 1e-6 <= load_kw <= QHI[c] + 1e-6}
    c = min(vals, key=vals.get)
    return c, vals[c]

def rule_power(load_kw, n_on):
    """容量の順(冷凍機1→2→3)に台を入れ、運転中の台で部分負荷率をそろえる"""
    on = list(range(n_on))
    plr = load_kw / CAP[on].sum()
    return sum(float(power(i, plr * CAP[i], 32)) for i in on)
rows = []
n_on = 1
for L in np.arange(200, 1451, 50):
    while (n_on < 3) & (L > 0.95 * CAP[:n_on].sum()):   # 運転中の能力の95%を超えたら1台足す
        n_on += 1
    p_rule = rule_power(L, n_on)
    c, p_opt = best_combo(L)
    rows.append((L, n_on, p_rule, c, p_opt))
print("\n負荷(kW(熱))  単純な台数制御: 台数 電力(kW)  最適: 組み合わせ 電力(kW)  差(%)")
for L, n, pr, c, po in rows:
    if L % 150 == 50:
        on = "+".join(str(i + 1) for i in range(3) if (c >> i) & 1)
        print(f"{L:7.0f}  {n:3d} {pr:8.1f}   {on:>6s} {po:8.1f}  {100 * (pr - po) / pr:5.1f}")
diff = np.array([100 * (r[2] - r[4]) / r[2] for r in rows])
print(f"各負荷点の差の単純平均 {diff.mean():.1f}%  最大 {diff.max():.1f}%  最小 {diff.min():.1f}%(200〜1450kW(熱)、50kW刻み)")
tot = 100 * (1 - sum(r[4] for r in rows) / sum(r[2] for r in rows))
print(f"26点の電力の合計どうしの差 {tot:.1f}%")

fig, ax = plt.subplots(figsize=(7, 4))
ax.plot([r[0] for r in rows], [r[2] for r in rows], color="#999999", lw=2, label="容量の順に入れる単純な台数制御")
ax.plot([r[0] for r in rows], [r[4] for r in rows], color="#002E73", lw=2, label="組み合わせと配分を最適化")
ax.set_xlabel("冷房の負荷(kW(熱))")
ax.set_ylabel("冷凍機の消費電力(kW(電気))")
ax.set_title("外気温32℃での負荷ごとの消費電力")
ax.legend(loc="upper left")
ax.grid(alpha=0.3)
if SEED == 20261117:
    plt.savefig("../ch08_dispatch.png", dpi=120, bbox_inches="tight")
plt.close()

外気温32℃で、負荷を 200kW(熱)から 1450kW(熱)まで 50kW 刻みで動かした結果の一部を表にします。差の列は、単純な台数制御の電力に対して、最適化で減った割合です。

冷房の負荷単純な台数制御の台数単純な台数制御の電力最適な組み合わせ最適化の電力差
200kW(熱)1台43.9kW冷凍機336.4kW17.2%
350kW(熱)1台60.7kW冷凍機160.7kW0.0%
650kW(熱)2台130.2kW冷凍機1と3112.8kW13.3%
800kW(熱)2台155.4kW冷凍機1と3148.2kW4.6%
1100kW(熱)2台226.8kW3台すべて210.2kW7.4%
1250kW(熱)3台245.5kW3台すべて245.3kW0.1%
外気温32℃で冷房の負荷を変えたときの冷凍機の消費電力。容量の順に台を入れる単純な台数制御と、組み合わせと配分を最適化した場合を比べた折れ線グラフ

50kW 刻みの26点について、各負荷点で求めた差の割合の単純平均は3.9%、最大は17.2%、最小は0.0%でした。26点の電力の合計どうしで比べると、最適化は3.2%少なくなりました。差が大きいのは主に3つの場面です。1つ目は負荷が小さいときで、大きな冷凍機1を部分負荷率0.33で動かすより、小さな冷凍機3を部分負荷率0.67で動かすほうが、効率の山に近くなります。2つ目は、2台目を足す境目の少し上の負荷で、単純な規則は効率の低い冷凍機2を入れますが、最適化は冷凍機1と冷凍機3の組み合わせを選びました。3つ目は、単純な規則がまだ2台のままで能力の上限近くまで使う 1100kW(熱)前後で、最適化は3台に切り替えています(差は7.4%)。逆に、350kW(熱)や 500kW(熱)のように冷凍機1だけで効率の高い部分負荷率に収まる場面と、単純な台数制御も3台を動かす 1250kW(熱)以上の負荷では、差はほとんどありません。

この結果から分かるのは、台数制御の改善の余地が「負荷のどの範囲で、どれだけ」あるかは、機器ごとの効率の曲線と、負荷がどの範囲に多く分布するかで決まるということです。負荷が差の小さい範囲に集中している事業所では、組み合わせを変えても減る分は小さくなります。その見積りには、機器ごとの効率の曲線(後の節で記録から推定する方法を扱います)と、負荷の分布(第2章の30分値の集計)の両方が要ります。

起動停止の計画:1日48コマの混合整数計画

前の節の最適化は、コマごとに独立して、その瞬間の負荷に対する最小の電力を選ぶものでした。しかし、実際の熱源の運転では、時間をまたぐ条件を考える必要があります。起動してから止めるまでの間隔、止めてから再び起動するまでの間隔、1日の起動の回数について、メーカーが運転の条件を定めている場合があります。どの程度の間隔や回数が許されるかは、メーカーの定める運転の条件と保安規程で確かめる事項で、本章の例題の値は仮に置いたものです。こうした条件を入れて、1日のなかで、いつどの台を起動し、いつ止めるかを決めるのが起動停止計画です。

本章では、1日を30分ずつの48コマに分け、次の混合整数計画を作りました。定式化の型の一般論は弊社コラム『数理最適化の定式化パターン集』で、時間の順序のある計画の一般論は弊社コラム『生産スケジューリングの数理最適化、ディスパッチングルールからジョブショップまで』で扱っています。

  • 変数:各台・各コマの運転の有無(0か1)、起動と停止の有無(0か1)、冷却の能力(kW(熱))
  • 冷熱の収支:各コマで、冷凍機の冷却の能力の合計が、予報した冷房の負荷に等しい(蓄熱槽がある場合は、槽への出し入れを足し引きする)
  • 能力の余裕:運転中の台の能力の合計が、冷却の能力の合計に予報した負荷の10%を足した値以上(予報が外れたときに追加の起動をせずに済むように置いた例)
  • 最小の運転時間:起動したら4コマ(2時間)は止めない。最小の停止時間:止めたら2コマ(1時間)は起動しない
  • 目的(最小にしたい量。目的関数と呼びます):費用の相対値(各コマの相対単価 ×〔電力量 ÷ 基準の電力量 1kWh〕の合計。電力量は消費電力 × 0.5時間)と、起動1回につき30(相対単価1.0の電力量 30kWh に当たる値)の起動の負担の合計。この節では相対単価をすべてのコマで1.0とした

消費電力の曲線は曲がっているので、そのままでは線形の式に入りません。そこで各台の電力の曲線を、最小の冷却の能力から定格までを4つの区間に分けた折れ線で近似しました。これを区分線形近似と呼びます。各区間の傾き(冷却 1kW(熱)あたりの電力の増え方)が、区間が進むほど大きくなっていれば、ソルバーは傾きの小さい区間から順に使うので、区間の順番を守らせるための追加の整数変数が要りません。コードではこの条件を assert(プログラムの中で条件を確かめる命令)で確かめています。傾きは、冷凍機1が 0.105、0.129、0.189、0.322、冷凍機2が 0.183、0.202、0.245、0.323、冷凍機3が 0.087、0.128、0.206、0.386(いずれも冷却 1kW(熱)あたりの電力 kW)で、どの台も区間が進むほど大きくなっていました。電力の曲線が凸(傾きが増えていく形)にならない機器では、区間を選ぶための整数変数を足す定式化が要ります。

この計画は、前日に作るものとします。例題では、前日の正午に、翌日0時から24時までの48コマ分の負荷と外気温の予報が出るものとしました(最も先のコマは36時間先)。前日の時点では、翌日の真の負荷と外気温は分かりません。そこで、架空の夏の1日ごとに、真の外気温と冷房の負荷とは別に、時間で相関する誤差を付けた予報の負荷と予報の外気温を作り、計画には予報だけを使いました。本章の予報は、真の値に誤差を足して作った合成のもので、予測モデルの出力ではありません。実際の予報の作り方は第3章と第4章で扱っています。冷房をする時間帯は8時から20時で、始業の時刻に立ち上がりの負荷を入れています。日ごとの冷房の負荷の最大は、20日で平均 1040kW(熱)、最小 807kW(熱)、最大 1210kW(熱)で、負荷の予報の誤差は、冷房の時間帯で平均 -0.5%、標準偏差 5.9% でした。

SLOTS = 48
hours = np.arange(SLOTS) * DT
OPEN = (hours >= 8) & (hours < 20)                      # 冷房をする時間帯 8時〜20時

def make_day():
    """架空の夏の1日:外気温(℃)と冷房の負荷(kW(熱))の真の値と、前日の時点の予報"""
    tmean = rng.normal(28.5, 1.8)
    amp = rng.uniform(3.5, 5.5)
    temp = tmean + amp * np.sin(2 * np.pi * (hours - 8.5) / 24)          # 14時半ごろ最高
    solar = np.clip(np.sin(np.pi * (hours - 6) / 13), 0, None)
    load = 420 + 48 * (temp - 24) + 160 * solar
    load[16] += 220                                                       # 始業時の立ち上がり
    load[17] += 100
    load = load * rng.lognormal(0, 0.03, SLOTS)
    load = np.where(OPEN, np.clip(load, 200, 1450), 0.0)
    e = np.zeros(SLOTS)                                                   # 時間で相関する予報の誤差
    for t in range(1, SLOTS):
        e[t] = 0.8 * e[t - 1] + rng.normal(0, 0.035)
    load_fc = np.where(OPEN, np.clip(load * (1 + e), 200, 1450), 0.0)
    temp_fc = temp + rng.normal(0, 0.8) + np.cumsum(rng.normal(0, 0.1, SLOTS))
    return temp, load, temp_fc, load_fc

DAYS = [make_day() for _ in range(20)]
peak = [d[1].max() for d in DAYS]
print(f"\n日ごとの冷房の負荷の最大(kW(熱)、20日):平均 {np.mean(peak):.0f}、最小 {min(peak):.0f}、最大 {max(peak):.0f}")
err = np.concatenate([(d[3] - d[1])[OPEN] / d[1][OPEN] for d in DAYS])
print(f"負荷の予報の誤差(冷房の時間帯):平均 {100 * err.mean():.1f}%、標準偏差 {100 * err.std():.1f}%")
import pulp

QB = [np.linspace(QMIN[i], CAP[i], 5) for i in range(3)]          # 区分線形の折れ点(4区間)
PB = [power(i, QB[i], 32) for i in range(3)]
SLOPE = [np.diff(PB[i]) / np.diff(QB[i]) for i in range(3)]
for i in range(3):
    assert np.all(np.diff(SLOPE[i]) > 0), "傾きが増えていない(凸でない)"
print("\n区分線形の傾き(kW(電気)/kW(熱)):", [np.round(s, 3).tolist() for s in SLOPE])
gfac = lambda temp: 1 - 0.02 * (np.asarray(temp) - 32)

def plan_day(temp_fc, load_fc, price, tank=None, pmax=None, reserve=0.10, start_w=30.0, MU=4, MD=2):
    """予報(temp_fc, load_fc)にもとづいて、起動停止と配分(と蓄熱)の計画を立てる"""
    T, I = range(SLOTS), range(3)
    m = pulp.LpProblem("uc", pulp.LpMinimize)
    u = pulp.LpVariable.dicts("u", (I, T), cat="Binary")
    s = pulp.LpVariable.dicts("s", (I, T), cat="Binary")          # 起動
    d = pulp.LpVariable.dicts("d", (I, T), cat="Binary")          # 停止
    seg = pulp.LpVariable.dicts("g", (I, T, range(4)), lowBound=0)
    q = {(i, t): QB[i][0] * u[i][t] + pulp.lpSum(seg[i][t][k] for k in range(4)) for i in I for t in T}
    P = {(i, t): (PB[i][0] * u[i][t] + pulp.lpSum(SLOPE[i][k] * seg[i][t][k] for k in range(4)))
         * (1 / float(gfac(temp_fc[t]))) for i in I for t in T}
    ch = pulp.LpVariable.dicts("ch", T, 0, tank["flow"] if tank else 0)
    dis = pulp.LpVariable.dicts("dis", T, 0, tank["flow"] if tank else 0)
    soc = pulp.LpVariable.dicts("soc", range(SLOTS + 1), 0, tank["cap"] if tank else 0)
    m += pulp.lpSum(price[t] * P[i, t] * DT for i in I for t in T) + start_w * pulp.lpSum(s[i][t] for i in I for t in T)
    m += soc[0] == 0
    m += soc[SLOTS] == 0                                        # 1日の終わりの残量も0にそろえる
    for t in T:
        m += pulp.lpSum(q[i, t] for i in I) == load_fc[t] + ch[t] - dis[t]       # 冷熱の収支
        m += pulp.lpSum(CAP[i] * u[i][t] for i in I) >= pulp.lpSum(q[i, t] for i in I) + reserve * load_fc[t]
        m += soc[t + 1] == soc[t] * (1 - (tank["loss"] if tank else 0)) + (ch[t] - dis[t]) * DT
        if pmax is not None:
            m += pulp.lpSum(P[i, t] for i in I) <= pmax
        for i in I:
            for k in range(4):
                m += seg[i][t][k] <= (QB[i][k + 1] - QB[i][k]) * u[i][t]
            prev = u[i][t - 1] if t > 0 else 0
            m += s[i][t] >= u[i][t] - prev
            m += d[i][t] >= prev - u[i][t]
            for tau in range(t, min(t + MU, SLOTS)):
                m += u[i][tau] >= s[i][t]                               # 最小の運転時間
            for tau in range(t, min(t + MD, SLOTS)):
                m += u[i][tau] <= 1 - d[i][t]                           # 最小の停止時間
    m.solve(pulp.PULP_CBC_CMD(msg=0, timeLimit=20))
    st, ss = pulp.LpStatus[m.status], m.sol_status
    if (st != "Optimal") | (ss != 1):                                     # 最適な解が無ければ値を取り出さない
        return st, ss, None, None, None
    on = np.array([[round(u[i][t].value()) for i in I] for t in T])
    qv = np.array([[pulp.value(q[i, t]) for i in I] for t in T])
    net = np.array([dis[t].value() - ch[t].value() for t in T])           # 蓄熱槽からの正味の放熱(kW(熱))
    assert np.allclose(qv.sum(1) + net, load_fc, atol=1e-4)               # 収支の確認
    return st, ss, on, qv, net

計画を作ったら、それをそのまま成果として数えません。作った計画(どのコマにどの台を動かすか)を守りながら、真の負荷と真の外気温のもとで、運転中の台のあいだで負荷を最適に配分し直して動かした結果を「実績」として評価します。ここでの実績は、合成データの中で真の負荷と外気温のもとで動かして得た結果で、実際の設備で測った値ではありません。予報より負荷が多く、運転中の台では足りないときは、計画に無い台を起動し、負荷が運転中の台の最小の冷却の能力を下回るときは台を止めます。運転の組み合わせを計画から変えたコマの数を「計画から変えたコマ」として数えました。複数の台を同時に起動・停止しても1コマと数えます。実績の運転でも、各台が続けて運転・停止しているコマ数を記録し、最小の運転時間と最小の停止時間を守れる組み合わせを優先して選び、守れなかった回数を数えました。負荷は丸めずにそのまま供給し、電力は 5kW(熱)刻みの格子の間を直線でつないで求めています。一方、単純な台数制御と、コマごとに最小の電力の組み合わせを選ぶ方法は、その時点の真の負荷を見て台数を決める方法なので、予報を使わずに真の負荷のもとで動かしました。単純な台数制御には、台数が頻繁に入れ替わらないように、台を減らす条件を「1台減らしても部分負荷率が0.8以下になるとき」とする幅を持たせています。

熱源の運転の計画を予報から実績の評価まで進める流れの図。負荷と外気温の予報、起動停止と配分の計画、真の負荷での運転と計画からの変更、実績での評価 の箱を矢印でつないでいる
BITS = lambda on: int(sum(int(on[i]) << i for i in range(3)))
MU, MD = 4, 2                                                       # 最小の運転時間と停止時間(コマ)

def run_actual(temp, load, plan_on, plan_net, price, tank=None):
    """計画の起動停止と蓄熱槽の正味の放熱をできるだけ守り、真の負荷と気温のもとで動かした実績"""
    soc, prev, E, cost, starts, moved, viol, pk = 0.0, 0, 0.0, 0.0, 0, 0, 0, 0.0
    run, off = [0, 0, 0], [MD, MD, MD]                               # 続けて運転・停止しているコマ数
    for t in range(SLOTS):
        cp, net = BITS(plan_on[t]), plan_net[t]                     # net:蓄熱槽からの正味の放熱(kW(熱))
        if tank:                                                    # 槽の残量・空き・出し入れの上限に収める
            have = soc * (1 - tank["loss"])
            net = min(net, have / DT, tank["flow"])
            net = max(net, -(tank["cap"] - have) / DT, -tank["flow"])
            need = load[t] - net
            if need > QHI[cp]:                                      # 足りない分はまず槽から出す
                net += max(0.0, min(need - QHI[cp], have / DT - net, tank["flow"] - net))
            elif (cp > 0) & (need < QLO[cp]):                       # 余る分はまず槽にためる
                net -= max(0.0, min(QLO[cp] - need, (tank["cap"] - have) / DT + net, tank["flow"] + net))
        need = load[t] - net                                        # 冷凍機が作る冷却(kW(熱))。丸めない
        bad = lambda k: sum(((prev >> i) & 1) & (1 - ((k >> i) & 1)) & (run[i] < MU)
                            | (1 - ((prev >> i) & 1)) & ((k >> i) & 1) & (off[i] < MD) for i in range(3))
        ok = [k for k in range(8) if (QLO[k] - 1e-6 <= need <= QHI[k] + 1e-6) & ((k > 0) | (need < 1e-6))]
        assert ok, (t, need)
        c = min(ok, key=lambda k: (bad(k), bin(k ^ cp).count("1"), combo_power(k, need, temp[t])))
        moved, viol = moved + int(c != cp), viol + bad(c)           # 計画から変えたコマ・最小時間の違反
        for i in range(3):
            on_now, on_before = (c >> i) & 1, (prev >> i) & 1
            run[i] = (run[i] + 1 if on_before else 1) if on_now else 0
            off[i] = 0 if on_now else (off[i] + 1 if not on_before else 1)
        p = combo_power(c, need, temp[t])
        if tank:                                                    # 収支と上下限を丸めずに確かめる
            soc = soc * (1 - tank["loss"]) - net * DT
            assert (-1e-6 <= soc <= tank["cap"] + 1e-6) & (abs(net) <= tank["flow"] + 1e-6), (t, soc, net)
        starts += bin(c & ~prev).count("1")
        prev = c
        E, cost, pk = E + p * DT, cost + price[t] * p * DT, max(pk, p)
    return E, cost, starts, moved, viol, pk, soc
def run_rule(temp, load):
    """単純な台数制御を真の負荷に追従させる(95%で1台足し、1台減らしても80%以下なら減らす)"""
    n, prev, E, starts, pk = 0, 0, 0.0, 0, 0.0
    for t in range(SLOTS):
        if load[t] <= 0:
            n = 0
        else:
            n = max(n, 1)
            while (n < 3) & (load[t] > 0.95 * CAP[:n].sum()):
                n += 1
            while (n > 1) & (load[t] < 0.80 * CAP[:max(n - 1, 1)].sum()):
                n -= 1
        p = rule_power(load[t], n) / float(gfac(temp[t])) if n else 0.0
        c = (1 << n) - 1
        starts, prev = starts + bin(c & ~prev).count("1"), c
        E, pk = E + p * DT, max(pk, p)
    return E, starts, pk

def run_best(temp, load):
    """コマごとに最小の電力の組み合わせを選ぶ(起動の負担と最小の運転時間を考えない)"""
    prev, E, starts, pk = 0, 0.0, 0, 0.0
    for t in range(SLOTS):
        c, p = best_combo(load[t]) if load[t] > 0 else (0, 0.0)
        p = p / float(gfac(temp[t]))
        starts, prev = starts + bin(c & ~prev).count("1"), c
        E, pk = E + p * DT, max(pk, p)
    return E, starts, pk

flat = np.ones(SLOTS)
res = {"単純な台数制御": [], "コマごとの最適": [], "起動停止の計画": []}
for temp, load, temp_fc, load_fc in DAYS:
    res["単純な台数制御"].append(run_rule(temp, load) + (0, 0))
    res["コマごとの最適"].append(run_best(temp, load) + (0, 0))
    st, ss, on, qv, net = plan_day(temp_fc, load_fc, flat)
    assert (st == "Optimal") & (ss == 1), (st, ss)
    E, cost, starts, moved, viol, pk, soc = run_actual(temp, load, on, net, flat)
    res["起動停止の計画"].append((E, starts, pk, moved, viol))
print("\n実績(20日、真の負荷と気温)  電力量(kWh/日)  起動(3台合計、回/日)  組み合わせを計画から変えたコマ(/日)")
base = np.mean([r[0] for r in res["単純な台数制御"]])
for k, v in res.items():
    v = np.array(v)
    print(f"{k:12s} {v[:, 0].mean():9.0f} ({100 * (v[:, 0].mean() / base - 1):+.1f}%)  {v[:, 1].mean():6.1f}  {v[:, 3].mean():6.2f}")
print("計画の状態:20日すべて Optimal(sol_status=1)")
print("起動停止の計画の実績での最小の運転時間・停止時間の違反(20日の合計):", int(np.array(res["起動停止の計画"])[:, 4].sum()))

20日分の実績の平均は次のとおりです。計画の状態は20日すべてで Optimal(最適性が確かめられた解)でした。

運転の方法使う情報実績の電力量単純な台数制御との差起動の回数(3台合計)計画から変えたコマ
単純な台数制御その時点の真の負荷2123kWh/日基準2.1回/日対象外
コマごとの最適その時点の真の負荷2029kWh/日-4.4%3.9回/日対象外
起動停止の計画前日の予報(実行は真の負荷)2038kWh/日-4.0%3.0回/日0.00コマ/日

結果は見込みと一部違いました。起動停止の計画は、単純な台数制御より電力量が4.0%少なくなりましたが、起動の回数は1日あたり2.1回から3.0回に増えました。単純な台数制御は、冷凍機1を朝に起動したら夜まで動かし続け、負荷が増えると2台目と3台目を足すので、起動が少なく済みます。最適化した2つの方法は、負荷の小さい時間に冷凍機3だけを動かすなど、台を入れ替えて効率の山に近い組み合わせを選ぶので、起動が増えます。コマごとの最適は電力量が最も少ない一方、起動は3.9回と最も多く、最小の運転時間と最小の停止時間を考えない方法です。起動停止の計画は、計画の上で最小の運転時間と最小の停止時間を守り(実績でもこの20日では違反は0回でした)、起動の負担を目的に入れたうえで、コマごとの最適との電力量の差を0.4ポイントに抑えました。なお、実績の電力量には、起動のときの電力や機器の負担は入っていません。起動の負担は、計画の中の重みとしてだけ入れています。予報の誤差は標準偏差で6%ほどありましたが、10%の能力の余裕を置いたこの条件では、20日のあいだに運転の組み合わせを計画から変えたコマはありませんでした。余裕を置かない場合の結果は確かめていません。

差が小さいので、乱数の種を1から4に変えて同じ計算を繰り返しました(掲載していない実行です)。起動停止の計画の電力量は、単純な台数制御より3.7%から4.2%少なく、コマごとの最適は4.1%から4.8%少なくなりました。起動の回数は、単純な台数制御が1日あたり2.0回から2.2回、コマごとの最適が3.7回から3.9回、起動停止の計画が3.0回でした。計画から変えたコマは、2つの種で1日あたり0.20コマと0.30コマあり、残りの2つの種では0でした。実績での最小の運転時間と停止時間の違反は、種4で20日のうち1回あり、ほかの種では0回でした。電力量が減る代わりに起動が増えるという関係は、どの種でも同じでした。

起動の負担の重み(例題では30)は物理量ではなく、起動による機器への負担や運転の手間を、電力量に換算して表した仮の値です。重みの置き方で結果がどう変わるかを確かめるため、重みを0と100に変えて、同じ20日を計画し直しました。最小の運転時間と最小の停止時間の条件は、どの重みでも同じです。

print("\n起動の負担の重みを変えた実績(20日の平均)  重み  電力量(kWh/日)  起動(回/日)")
for w in (0.0, 30.0, 100.0):
    if w == 30.0:
        v = np.array(res["起動停止の計画"])
        print(f"  {w:5.0f}  {v[:, 0].mean():7.0f}  {v[:, 1].mean():5.1f}")
        continue
    Es, Ss = [], []
    for temp, load, temp_fc, load_fc in DAYS:
        st, ss, on, qv, net = plan_day(temp_fc, load_fc, flat, start_w=w)
        assert (st == "Optimal") & (ss == 1), (w, st, ss)
        E, cost, starts, moved, viol, pk, soc = run_actual(temp, load, on, net, flat)
        Es.append(E)
        Ss.append(starts)
    print(f"  {w:5.0f}  {np.mean(Es):7.0f}  {np.mean(Ss):5.1f}")
起動の負担の重み実績の電力量起動の回数
02038kWh/日3.2回/日
302038kWh/日3.0回/日
1002082kWh/日2.4回/日

本コラムの架空データでは、重みを100にすると起動は1日あたり2.4回に減り、実績の電力量は重み30より2.2%多くなりました。重みを0にすると起動は3.2回に増え、電力量は重み30と同じ 2038kWh でした。種を1から4に変えた繰り返しでも、重み100では起動が2.2回から2.5回、電力量は重み30より1.4%から2.4%多く、重み0では起動が3.2回から3.5回、電力量の重み30との差は -3kWh から +1kWh でした。この例題では、重みを30から0に下げても電力量はほとんど減らず、起動だけが増えました。重みは、設備の担当者とメーカーの条件を踏まえて決めることが、計画を運用に載せる前の最初の作業になります。

蓄熱槽:時間帯の相対単価と電力の上限を入れた計画

蓄熱槽は、熱源が作った冷水や温水(または氷)をためておき、後の時間に取り出して使う設備です。環境省の対策の個票(蓄熱式冷温水供給装置等の蓄熱装置の導入)は、熱の需要が小さい時間帯に作った冷温水を蓄え、需要がある時間帯に払い出す仕組みとして説明し、蓄熱の運転では熱の需要の変化に影響されずに熱源を効率のよい条件で動かせることを挙げています。前に引いた個票(高効率蓄熱設備を使った蓄熱式空調システムの導入)は、夜は外気温が低く冷却水の温度の低下が期待できることと、高い部分負荷率の領域で運転できることから、昼より効率の高い状態で運転できると説明しています。同じ個票は、空気熱源のヒートポンプを冬の暖房の夜間の蓄熱に使うと効率が下がることもありうるので、総合的な効率が高くなるように熱源機を選ぶよう注意を添えています。

蓄熱槽があると、運転の計画は時間をまたいでつながります。今のコマで槽にためた熱は、後のコマで使えますが、ためておくあいだに一部が失われます。そこで、前の節の混合整数計画に、槽の残量の収支(次のコマの残量は、今の残量から損失を除き、槽に充てた冷熱を足して、槽から出した冷熱を引いた量。冷熱の出し入れの kW は × 0.5時間で kWh に直す)、槽の容量の上限、出し入れの上限を足しました。架空の蓄熱槽は、容量 3000kWh(熱)、出し入れの上限 600kW(熱)、1コマあたりの損失を残量の0.5%としました。計画では、1日の始めと終わりの槽の残量をどちらも0にそろえました。蓄熱なしのAには槽が無いので、比べる計画のあいだで、前の日から持ち越す熱や次の日へ残す熱が無い条件にそろえたことになります。

電力量の相対単価(基準の単価を1.0としたときの比。単位なし)は、0時から8時と22時から24時を0.6、13時から16時を1.4、それ以外を1.0としました。この比は例題のために置いた値で、実在の料金のメニューではありません。時間帯による単価の違いがあるかどうか、どの時間帯がどう違うかは、契約と約款で確かめる事項です(料金の構造は第1章)。比べたのは次の3つです。

  • A 蓄熱なし:前の節と同じ起動停止の計画を、時間帯の相対単価で解いたもの
  • B 蓄熱あり:蓄熱槽の収支を足して解いたもの
  • C 蓄熱あり+電力の上限:Bに、各コマの冷凍機の消費電力の合計の上限を足したもの。上限は、その日のAの計画(予報にもとづく)の最大の電力の65%とした

冷凍機の電力に上限を置くのは、事業所の最大需要電力を抑える運用を想定した例です。最大需要電力が基本料金に反映されるかどうかと、その時期は、契約電力の決まり方によります(第1章)。日ごとの上限の値は、計画の時点で分かる情報(予報にもとづくAの計画)から決めています。一方、上限の割合の65%は、評価に使う同じ20日の実績を見て選びました。上限を課さないBの実績の最大の電力の平均が、すでにAの約75%だったので、それより低い割合にして上限が計画を縛る条件にしたものです。そのため、Cの結果は、実績を見て条件を選んだ探索的な例であり、独立した評価ではありません。実績の運転では、計画した冷凍機の起動停止と槽からの正味の出し入れを守り、予報との差はまず運転中の冷凍機で吸収し、足りない分や余る分は槽の残量と空きの範囲で吸収し、それでも収まらないときだけ計画に無い起動や停止をするという規則で動かしました。槽の残量と出し入れの上限は、各コマで丸めずに確かめています。

price = np.where((hours < 8) | (hours >= 22), 0.6, np.where((hours >= 13) & (hours < 16), 1.4, 1.0))
PM_RATE = 0.65                                           # 電力の上限の割合
TANK = {"cap": 3000.0, "flow": 600.0, "loss": 0.005}     # 容量(kWh(熱))・出し入れの上限(kW(熱))・1コマの損失の割合
plan_power = lambda qv, temp_fc: np.array([sum(float(power(i, qv[t, i], temp_fc[t])) for i in range(3)) for t in range(SLOTS)])
out = {"A 蓄熱なし": [], "B 蓄熱あり": [], "C 蓄熱あり+電力の上限": []}
no_plan = 0                                              # 上限を守る計画が作れなかった日の数
for n_day, (temp, load, temp_fc, load_fc) in enumerate(DAYS):
    st, ss, on, qv, net = plan_day(temp_fc, load_fc, price)
    pmax = PM_RATE * plan_power(qv, temp_fc).max()       # 蓄熱なしの計画の最大の電力の一定の割合を上限にする
    cases = {"A 蓄熱なし": (on, net, None, st, ss)}
    for name, pm in (("B 蓄熱あり", None), ("C 蓄熱あり+電力の上限", pmax)):
        st2, ss2, on2, qv2, net2 = plan_day(temp_fc, load_fc, price, tank=TANK, pmax=pm)
        if (pm is not None) & (st2 != "Optimal"):           # 上限を守る計画が無い日は、Bの計画で動かす
            no_plan += 1
            cases[name] = cases["B 蓄熱あり"]
            continue
        cases[name] = (on2, net2, TANK, st2, ss2)
        if n_day == int(np.argmax(peak)):
            keep = (name, qv2, net2, load_fc, pm)
    for name, (on_, net_, tk, st_, ss_) in cases.items():
        assert (st_ == "Optimal") & (ss_ == 1), (name, st_, ss_)
        E, cost, starts, moved, viol, pk, soc = run_actual(temp, load, on_, net_, price, tank=tk)
        out[name].append((E, cost, pk, starts, moved, soc, max(pk - pmax, 0.0), viol))
print("\n実績(20日、時間帯で相対単価が違う場合)  電力量(kWh/日)  費用の相対値(/日)  最大の電力(kW)  起動(3台合計、回/日)  計画から変えたコマ(/日)  日の終わりの槽の残量(kWh(熱))  上限を超えた日  超えた日の超過の平均(kW)  最小時間の違反(合計)")
for name, v in out.items():
    v = np.array(v, dtype=float)
    print(f"{name:14s} {v[:, 0].mean():7.0f} {v[:, 1].mean():9.0f} {v[:, 2].mean():7.1f} {v[:, 3].mean():5.1f} {v[:, 4].mean():5.2f} {v[:, 5].mean():7.0f} {int((v[:, 6] > 1e-6).sum()):3d} {v[v[:, 6] > 1e-6, 6].mean() if (v[:, 6] > 1e-6).any() else 0:6.1f} {int(v[:, 7].sum()):3d}")
print(f"上限を守る計画が作れなかった日:{no_plan}日(その日はBの計画で動かした)。それ以外の計画はすべて Optimal(sol_status=1)")

name, qv2, net2, lf, pm = keep
fig, (a1, a2) = plt.subplots(2, 1, figsize=(8, 6), sharex=True, gridspec_kw={"height_ratios": [2, 1]})
bottom = np.zeros(SLOTS)
for i, col in enumerate(["#002E73", "#5B7DB1", "#B0B8C8"]):
    a1.bar(hours + DT / 2, qv2[:, i], width=DT, bottom=bottom, color=col, label=NAMES[i])
    bottom += qv2[:, i]
a1.bar(hours + DT / 2, np.clip(net2, 0, None), width=DT, bottom=bottom, color="#E0E0E0", hatch="//", edgecolor="#888888", label="蓄熱槽からの放熱")
a1.step(np.append(hours, 24), np.append(lf, lf[-1]), where="post", color="black", lw=1.5, label="冷房の負荷の予報")
a1.set_ylabel("冷却の能力(kW(熱))")
a1.set_title(f"計画の例({name}、20日のうち負荷が最大の日)")
a1.legend(loc="upper left", fontsize=8, ncol=2)
a2.step(np.append(hours, 24), np.append(price, price[-1]), where="post", color="#002E73", label="相対単価(左軸)")
a2.set_ylabel("相対単価")
soc = [0.0]
for t in range(SLOTS):
    soc.append(soc[-1] * (1 - TANK["loss"]) - net2[t] * DT)
a3 = a2.twinx()
a3.plot(np.arange(SLOTS + 1) * DT, soc, color="#888888", lw=1.5, label="槽の残量の計画(右軸)")
a3.set_ylabel("残量(kWh(熱))")
a2.legend(loc="upper left", fontsize=8)
a3.legend(loc="upper right", fontsize=8)
a2.set_xlabel("時刻")
a2.set_xticks(range(0, 25, 3))
if SEED == 20261117:
    plt.savefig("../ch08_storage.png", dpi=120, bbox_inches="tight")
plt.close()

20日分の実績の平均は次のとおりです。計画の状態は60件(3つの方法 × 20日)すべてで Optimal で、上限を守る計画が作れない日はありませんでした。電力量は冷凍機の消費電力 × 0.5時間の1日の合計、最大の電力は冷凍機の消費電力の合計の30分平均の1日の最大(kW)です。費用の相対値は、各コマの相対単価 ×〔電力量 ÷ 基準の電力量 1kWh〕を足した値で、相対単価を置いて計算した単位の無い数です。金額ではありません。

方法実績の電力量実績の費用の相対値実績の最大の電力起動の回数(3台合計)計画から変えたコマ上限を超えた日超えた日の超過の平均
A 蓄熱なし2038kWh/日2273/日203.9kW3.0回/日0.00コマ/日20日中20日68.9kW
B 蓄熱あり1881kWh/日1810/日152.9kW2.2回/日0.00コマ/日20日中15日26.2kW
C 蓄熱あり+電力の上限1883kWh/日1815/日145.7kW2.2回/日0.00コマ/日20日中15日16.7kW

表の「上限を超えた日」は、実績の最大の電力が、その日の上限(Aの計画の最大の電力の65%)を超えた日の数です。Aにはもともと上限を課していないので、Aの行は比べるための参考です。計画では1日の終わりの槽の残量を0にしました。実績の終わりの残量は、20日の平均で四捨五入して 0kWh(熱)でした。実績での最小の運転時間と停止時間の違反は、A・B・C のいずれも20日で0回でした。また、蓄熱ありのBとCでは、起動の回数もAより少なくなりました。理由は確かめていません。

20日のうち負荷が最大の日の、蓄熱あり・電力の上限ありの計画。上段は冷凍機ごとの冷却の能力と蓄熱槽からの放熱の積み上げと冷房の負荷の予報、下段は電力量の相対単価と槽の残量の計画

図は、20日のうち負荷が最大だった日の、Cの計画です。上段の棒は冷凍機ごとの冷却の能力と槽からの放熱の積み上げ、黒い線は予報した冷房の負荷で、棒が線を上回っている部分は槽にためている冷熱です。0時から8時は、相対単価の低い時間帯に冷凍機1だけを動かして槽を満たし、8時に残量が 3000kWh(熱)に達しています。8時からは3台を動かし、冷凍機の冷却で足りない分を槽から出しています。相対単価の高い13時から16時は冷凍機2を止めて槽から出す量を増やし、16時からは再び冷凍機2を動かして、19時ごろに槽を使い切っています。

本コラムの架空データでは、Bは、Aに比べて、実績の費用の相対値が20.4%、実績の最大の電力が25.0%少なくなりました。電力量も7.7%少なくなりましたが、この点は例題の前提に強く依存しています。例題で前提として入れたのは、外気温が低いほど COP が上がること(32℃での値を基準に、1℃あたりその2%分)です。効率の高い部分負荷率で動かせることは前提ではなく、最適化が結果として選んだものです。7.7%の内訳(外気温の分と部分負荷率の分)は確かめていません。一方、蓄熱のために冷水の温度を下げることによる効率の低下や、槽の出し入れのためのポンプの電力は入れていません。槽の損失は入れています。前提が違えば、蓄熱で電力量の合計が増えることもありえます。蓄熱は、熱を作る時間をずらす点で、第6章で扱うピークシフトと同じ性質を持ち、電力量の合計が減るとは限りません。評価では、電力量(kWh)・最大の電力(kW)・時間帯の費用を分けて見る必要があります。

Cは、計画の上では毎日上限を守っていますが、実績では20日中15日で上限を超えました。上限を課さないBも同じ15日で上限を超えており、違いは超えた量にありました。超えた日の超過の平均は、Bが 26.2kW、Cが 16.7kW で、最大の電力の平均はBが 152.9kW、Cが 145.7kW でした。この例題の実行の規則では、予報との差をまず運転中の冷凍機で吸収するので、負荷が予報を上回ったコマでは冷凍機の電力が計画より増えます。真の外気温が予報と違えば COP も変わります。乱数の種を1から4に変えた繰り返しでは、Cの最大の電力の平均はBより 3.0kW から 15.8kW 低く、上限を超えた日はBもCも14日から18日でした。種3では、上限を守る計画が作れない日が1日あり、その日はBの計画で動かしました。種4では、実績での最小の運転時間と停止時間の違反が、Aで1回、Bで1回、Cで2回ありました。この例題では、計画に上限を書き込むと超える量は小さくなりましたが、予報が外れた日に上限を守ることはできませんでした。これは、この例題の実行の規則と予報の誤差の大きさのもとでの結果です。実行中に計画を解き直す方法は第11章で扱います。なお、ここでの最大の電力は冷凍機だけの電力で、事業所の最大需要電力は他の負荷との合計で決まります。事業所全体の最大需要電力の管理は第6章で扱っています。

運転の記録から効率の曲線を当てはめる

ここまでの計算は、各台の効率の曲線が分かっていることを前提にしていました。実際には、メーカーの資料の曲線は決められた条件での値なので、自社の設備の運転の記録から曲線を推定し、資料の値と比べることになります。記録として要るのは、各台の冷却の能力(冷水の流量と、出入りの温度差から求めます)、消費電力、外気温や冷却水の温度で、第2章で扱った計測点の階層でいえば、設備の単位の計測にあたります。冷水の流量や温度のセンサーにずれがあると、冷却の能力の推定がずれ、COP の推定もずれます。

架空の冷凍機1について、1時間ごとの運転の記録を1500件ずつ作りました。消費電力の計測には3%の誤差を入れています。COP の逆数(冷却 1kW(熱)あたりの電力 kW)を、部分負荷率の2次式と外気温の項で当てはめ、外気温32℃での COP を真の値と比べました。記録に含まれる部分負荷率の範囲が0.3から1.0の場合と、普段の運転が部分負荷率0.65以上に偏っていて低い部分負荷率の記録が無い場合の2つを比べています。

def records(n, plr_lo):
    """冷凍機1の運転の記録(1時間ごと):部分負荷率・外気温・計測した消費電力(計測の誤差3%)"""
    plr = rng.uniform(plr_lo, 1.0, n)
    temp = rng.uniform(24, 36, n)
    p = power(0, plr * CAP[0], temp) * rng.lognormal(0, 0.03, n)
    return plr, temp, p

def fit_eir(plr, temp, p):
    """消費電力 ÷ 冷却の量(COP の逆数)を、部分負荷率の2次式と外気温で当てはめる"""
    X = np.column_stack([np.ones_like(plr), plr, plr ** 2, temp, plr * temp])
    coef, *_ = np.linalg.lstsq(X, p / (plr * CAP[0]), rcond=None)
    return lambda pl, tp: 1 / (coef @ np.array([1, pl, pl ** 2, tp, pl * tp]))

wide = records(1500, 0.3)          # 部分負荷率0.3〜1.0の運転が記録に含まれる場合
narrow = records(1500, 0.65)       # 普段の運転が部分負荷率0.65以上に偏っている場合
f_wide, f_narrow = fit_eir(*wide), fit_eir(*narrow)
print("\n冷凍機1の COP(外気温32℃)  部分負荷率  真の値  推定(0.3〜1.0の記録)  推定(0.65〜1.0の記録)")
for pl in (0.3, 0.5, 0.7, 1.0):
    tv = float(cop(0, pl * CAP[0], 32))
    print(f"  {pl:4.1f}  {tv:5.2f}  {f_wide(pl, 32):5.2f} ({100 * (f_wide(pl, 32) / tv - 1):+5.1f}%)  {f_narrow(pl, 32):5.2f} ({100 * (f_narrow(pl, 32) / tv - 1):+5.1f}%)")

grid = np.linspace(0.3, 1.0, 71)
部分負荷率真の COP(32℃)推定(0.3から1.0の記録)推定(0.65から1.0の記録)
0.34.304.42(+2.8%)4.39(+2.0%)
0.55.505.44(-1.0%)5.40(-1.9%)
0.75.905.91(+0.1%)5.88(-0.4%)
1.05.004.99(-0.2%)5.02(+0.4%)

結果は見込みと違いました。低い部分負荷率の記録が無い場合は、記録の外を推し量ることになるので、部分負荷率0.3での誤差が大きくなると見込んでいましたが、誤差は +2.0% で、記録がある場合の +2.8% と同じ程度でした。狭い記録に含まれない範囲は、部分負荷率0.3から0.65未満です。誤差が小さかった理由は確かめていません。真の曲線は COP を部分負荷率の2次式と外気温の係数の積で表したもので、当てはめはその逆数を部分負荷率の2次式と外気温の項で表す形なので、式の形は同じではありません。種を1から4に変えた繰り返しでは、狭い記録での部分負荷率0.3の誤差は -0.6% から +3.5% でした。この結果は、この合成データの曲線での結果です。実際の機器の曲線は、記録の無い範囲でどう曲がるかが分からないので、この結果を「記録の外でも推定できる」と読むことはできません。記録の無い範囲の曲線は、メーカーの資料で補うか、試験的にその範囲で運転して記録を取るかを考える事項です。

もう1つ、運転の記録に特有の落とし穴を確かめました。冷房の負荷は暑い時間ほど大きくなるので、記録の上では、部分負荷率が高い時間ほど外気温も高いという関係が生じます。そこで、部分負荷率と外気温が強く相関する記録(相関係数0.94)を作り、外気温の項を入れた当てはめと、部分負荷率だけの当てはめを比べました。

plr_c = rng.uniform(0.3, 1.0, 1500)                       # 暑い時間ほど部分負荷率が高い記録
temp_c = 22 + 14 * (plr_c - 0.3) / 0.7 + rng.normal(0, 1.5, 1500)
p_c = power(0, plr_c * CAP[0], temp_c) * rng.lognormal(0, 0.03, 1500)
f_both = fit_eir(plr_c, temp_c, p_c)
X1 = np.column_stack([np.ones_like(plr_c), plr_c, plr_c ** 2])
c1, *_ = np.linalg.lstsq(X1, p_c / (plr_c * CAP[0]), rcond=None)
f_plr = lambda pl: 1 / (c1 @ np.array([1, pl, pl ** 2]))
print(f"\n部分負荷率と外気温の相関係数(記録):{np.corrcoef(plr_c, temp_c)[0, 1]:.2f}")
print("部分負荷率  真の COP(32℃)  外気温を入れた推定  部分負荷率だけの推定")
for pl in (0.3, 0.5, 0.7, 1.0):
    tv = float(cop(0, pl * CAP[0], 32))
    print(f"  {pl:4.1f}  {tv:5.2f}  {f_both(pl, 32):5.2f} ({100 * (f_both(pl, 32) / tv - 1):+5.1f}%)  {f_plr(pl):5.2f} ({100 * (f_plr(pl) / tv - 1):+5.1f}%)")
pk_true = grid[np.argmax(cop(0, grid * CAP[0], 32))]
pk_plr = grid[np.argmax([f_plr(g) for g in grid])]
print(f"COP が最も高い部分負荷率:真の値 {pk_true:.2f}、部分負荷率だけの推定 {pk_plr:.2f}")
部分負荷率真の COP(32℃)外気温を入れた推定部分負荷率だけの推定
0.34.304.56(+6.0%)5.25(+22.0%)
0.55.505.52(+0.3%)6.15(+11.8%)
0.75.905.91(+0.2%)6.15(+4.3%)
1.05.005.01(+0.2%)4.66(-6.8%)

部分負荷率だけで当てはめると、低い部分負荷率の記録は涼しい時間のものが多いので、低い部分負荷率での COP を高く見積もりました(部分負荷率0.3で +22.0%)。COP が最も高くなる部分負荷率も、真の値の0.70に対して0.60と推定されました。外気温の項を入れると、誤差は部分負荷率0.3で +6.0%、それ以外で 0.3% 以内に収まりました。種を1から4に変えた繰り返しでも、部分負荷率0.3の誤差は、部分負荷率だけの当てはめで +21.6% から +21.9%、外気温を入れた当てはめで +6.6% から +8.2% でした。誤った曲線を台数制御の最適化に使った場合に、計画と電力量がどう変わるかは、本章では確かめていません。設備の効率を記録から評価するときは、部分負荷率と外気の条件を分けて扱うことが要ります。これは、前年より電力量が減ったことをそのまま対策の効果と数えない、という第5章の考え方と同じ構造の注意です。

コージェネレーションと、ポンプ・ファン

コージェネレーションは、電気と熱を同時に作る設備です。コージェネ財団の「コージェネの基本形態」は、熱源から電力と熱を作って供給するシステムの総称で、熱電併給とも呼ばれると説明しています。方式としては、内燃機関や燃料電池で発電してそのときの熱を使う方式と、ボイラで作った蒸気でタービンを回して発電し、蒸気の一部を熱として使う方式を挙げています。排熱から得た蒸気や温水は、工場の工程、吸収式冷凍機による空調、給湯に使われるとしています。

運転の計画の観点では、コージェネレーションの価値は、電気の需要と熱の需要が同じ時間にどれだけあるかで変わります。発電した電気を事業所で使えても、同じ時間に排熱の使い道が無ければ、熱は捨てることになります。そのため計画では、電気の収支と熱の収支を同時に満たし、受電の電力量、燃料の量、熱源の運転を合わせて決める形になります。本章の混合整数計画に熱の収支と燃料の項を足せば同じ枠組みで書けますが、本コラムではそこまでは実行していません。燃料の価格や受電の料金の構造で判断が変わるので、具体的な採否は、設備の仕様と契約にもとづいて専門の事業者と確かめる事項です。

熱源の系統には、冷水や冷却水を送るポンプ、冷却塔や空調機のファンも含まれます。環境省の対策の個票(給排水ポンプの流量・圧力の適正化)は、省エネルギーセンターの資料をもとに、一般の水を送るポンプでは、流量は回転数に比例し、吐出圧力は回転数の2乗に比例し、軸動力は回転数の3乗に比例する特性があると説明しています。同じ個票は、流量を定格の90%にすると消費電力が27%減るという計算の例と、そのとき吐出圧力が19%下がることに注意が要ること、大きな揚程(ポンプが水を押し上げるのに要る高さに相当する圧力)が要る系統では回転数ではなく台数で流量を調整することを挙げています。この関係は、圧力の条件を満たす範囲での理想的な関係で、実際の削減の量は配管の抵抗や必要な揚程で変わります。冷凍機の台数を減らしても、ポンプが一定の回転数で回り続けていれば、系統全体の電力は思ったほど減りません。台数制御の改善は、冷凍機とポンプ・冷却塔を合わせた系統全体で評価することが要ります。

生産の計画とも関係があります。工場では、熱や冷却の需要が生産の計画で決まる部分が大きく、生産の順番や時刻を変えると熱源の負荷の形も変わります。熱源の計画を生産の計画と同時に最適化する考え方もありますが、本コラムでは入口の紹介にとどめます。生産の計画の最適化は、弊社コラム『生産スケジューリングの数理最適化、ディスパッチングルールからジョブショップまで』で扱っています。

最適化の結果を運転に落とすときの注意

熱源の台数・起動停止・蓄熱の運転を変える取り組みは、設備の仕様・保安規程・メーカーの定める運転の範囲のなかで、設備の担当者と、電気主任技術者など設備と法令に応じた有資格者の確認のもとで行うことを前提にします。最適化が出すのは、モデルと予報にもとづく運転の案です。設備の保護装置やインターロック(一定の条件で設備を自動で止めたり、動かせなくしたりする仕組み)は、計画の結果にかかわらずそのまま働かせ、計画はその範囲の中で作ります。

計画を運転に落とすときに確かめる点を表にまとめます。本章の例題で扱った点と、例題では扱っていない点を分けて書いています。

確かめる点内容本章の例題での扱い
起動と停止の頻度起動の回数・最小の運転時間・最小の停止時間を、メーカーの定める運転の条件に合わせる最小の運転時間2時間・最小の停止時間1時間・起動の負担の重み30を仮に置いた
能力の余裕予報が外れたときに、計画に無い起動をせずに済む余裕を持たせる予報した負荷の10%を置いた。主な実行の20日で計画から変えたコマは0(種を変えた4回では0から0.30コマ/日)。外気温による能力の低下は余裕に含めていない
系統全体の電力冷凍機だけでなく、ポンプ・冷却塔・空調機の電力を含めて評価する扱っていない(冷凍機の電力だけ)
計画と実績の分け方計画の目的関数の値ではなく、真の負荷で動かした実績で評価する実績で評価した
ソルバーの状態最適性が確かめられた解か、時間切れの暫定の解かを記録するすべて Optimal を確かめた
人の介入運転員が計画を上書きできるようにし、上書きした理由を記録する扱っていない
戻し方計算や通信が止まったときに、従来の台数制御の規則に戻せるようにする扱っていない

計算時間について、本章のスクリプト全体(20日 × 6通りで混合整数計画を120回解き、ほかの計算とグラフの作成を含む)の実行は、手元の環境で50秒前後でした。各計画には20秒の時間の上限を付けましたが、すべて上限の前に最適性が確かめられました。台数が増える、1日を超えて数日分をまとめて計画する、整数の条件が増えるといった場合は、時間の上限までに最適性を確かめられないことがあります。その場合は、得られた解を「最適」と書かず、最適との差の見込み(ソルバーが出す下限との差)と合わせて記録します。

導入の段取りとしては、いきなり計画どおりに設備を動かすのではなく、まず計画を運転員への提案として出し、従来の運転と並べて記録を取る期間を設ける方法が考えられます。提案と実際の運転の差、提案どおりに動かすかどうかは負荷や設備の状態に左右されることがあるので、動かした日と動かさなかった日を単純に比べるだけでは偏りが残ります。効果を見積もるには、負荷や稼働の条件をそろえて対策が無かった場合の電力量(ベースライン)を推定し、実績との差を、その幅とともに評価します(効果の測り方は第5章)。

指標と経営の判断

熱源の運転の良し悪しを継続して見るための指標を表にまとめます。指標の名前は同じでも、何を分母や分子に含めるかで値が変わるので、定義を最初に決めて固定することが要ります。

指標定義の例何が分かるか注意
設備全体の COPある期間の冷却の量の合計(kWh(熱))÷ 同じ期間の電力量(kWh)熱源の系統の効率の推移冷凍機の本体だけの値か、ポンプ・冷却塔を含む値かを明記する。時点ごとの COP の平均で代えない。外気温と負荷で変わるので、条件をそろえて比べる
起動の回数台ごとの1日あたりの起動の回数台の入れ替えの多さ。メーカーの条件との照合減らせばよいわけではない。電力量との釣り合いで見る(本章の例題)
部分負荷率の分布台ごとの運転時間を部分負荷率の区間に分けた割合効率の低い部分負荷率で動いている時間の多さ機器ごとの効率の曲線と合わせて読む
計画から変えたコマの数運転の組み合わせを計画から変えたコマの数予報の誤差と能力の余裕の釣り合い多ければ余裕か予報を見直す
熱源の最大の電力熱源の系統の電力の30分平均の月の最大(kW)熱源が最大需要電力にどれだけ効いているか事業所全体の最大需要電力の出た時刻と合わせて見る(第6章)
容量に対する1日の放熱量の比1日に槽から出した熱の量(kWh(熱))÷ 槽の容量(kWh(熱))槽をどれだけ使っているか日中に再び熱をためれば1を超える。使い切ったかどうかは日の終わりの残量と合わせて見る。槽の温度の分布(ためた熱が混ざっていないか)も点検する

この章の判断を誤ると、序章で整理した損失の型のうち、いくつかが起きます。効率の低い組み合わせや部分負荷率で動かし続けると、使い方を変えれば避けられた電力量の料金を払う払いすぎになります。蓄熱槽があるのに時間帯の相対単価や電力の上限を考えずに使うと、下げられたはずの費用や最大の電力を下げずに終わる機会損失になります。逆に、余裕を削りすぎた計画は、予報が外れたときに冷却が足りず、室内の環境や生産の工程の温度を守れない、快適性と生産への支障につながります。効率の曲線を外気温の影響と分けずに推定すると、本章の例題のように、効率を見誤ったまま計画や設備の比較をする、効果の数え違いが起きます。最適化の計画を作っても、運転員が使わず、使わなかった理由も記録されないなら、形骸化です。

経営の判断として、熱源の設備の更新を検討する前に、今ある設備の運転の順番・組み合わせ・設定で減らせる分を確かめることを勧めます。そのためには、台ごとの冷却の能力と電力の記録と、負荷の分布が要ります。本章の例題でも、台数制御の改善の余地は負荷の範囲によって0%から17%まで違いました。運転の改善で減る分を先に確かめておけば、設備の更新の判断を、運転を改善した後の状態との比較で行えます。更新の候補となる機器の効率の曲線を、自社の負荷の分布に当てはめて比べることもできます。

また、起動の負担の重みと能力の余裕の大きさは、技術の問題であると同時に、機器の寿命・保守の負担・室内の環境と生産のリスクをどこまで許すかという事業の方針です。設備の担当者・保守の事業者・メーカーと相談したうえで、管理者が決めて記録しておくことが要ります。

指標は、設備全体の COP と起動の回数を対にして報告し、片方だけが良くなっていないかを見る形にすると、運転の現場に偏った目標を課さずに済みます。

この章では、熱源の運転の計画を、台数制御、起動停止計画、蓄熱槽の順に扱いました。本コラムの架空データでは、組み合わせと配分を最適化すると、同じ冷凍機3台で、予報にもとづく計画の実績(合成データの中で真の負荷で動かした結果)の冷凍機の電力量が単純な台数制御より4.0%少なくなり、その代わりに起動の回数が増えました。蓄熱槽を使った計画は、時間帯の費用の相対値と冷凍機の最大の電力を下げましたが、計画に書き込んだ電力の上限は、予報が外れた日に実績では守れないことが多く、上限を超える量を小さくする結果にとどまりました。効率の曲線を運転の記録から推定するときは、部分負荷率と外気温の影響を分けることが要ります。次の第9章では、熱源とは別の、電気をためる蓄電池と、事業所で発電する太陽光発電の運用を扱い、同じ「計画と実績」の考え方で充放電の計画を確かめます。

この章を深めたい方への参考書籍

『トコトンやさしい冷凍空調技術の本』(日本冷凍空調学会 編著、日刊工業新聞社):冷凍サイクルや冷凍空調の機器の仕組みを、図を多く使って解説した入門書です。本章では冷凍機を効率の曲線として扱いましたが、その曲線がなぜ部分負荷率や冷却水の温度で変わるのかを、機器の側から理解する助けになります。

『基礎からの冷凍空調:考え方と応用力が身につく』(平田哲夫、岩田博、田中誠、石川正昭、西田耕作 共著、森北出版):冷凍空調の原理を基礎から積み上げて説明する教科書です。成績係数の考え方や冷凍サイクルの計算を確かめながら、運転の記録から効率を評価するときに何を測ればよいかを考える土台になります。

第9章 蓄電池と太陽光発電の運用、発電量の予測と充放電の計画

第8章では、冷凍機や蓄熱槽のような熱源の設備について、どの台をいつどれだけ動かすかを、効率の曲線と起動停止の制約を入れた最適化で決める方法を扱いました。蓄熱槽は、熱を作る時刻と使う時刻をずらす設備でした。この章では、電気そのものを蓄えて使う時刻をずらす蓄電池と、事業所の敷地の中で電気を作る太陽光発電を扱います。

扱う内容は次のとおりです。中ほどでは、他の章とは独立に作った架空の事業所の1年分の30分値を使い、実行したコードと結果で確かめます。

  • 太陽光発電と蓄電池が、事業所の負荷の形と受電電力をどう変えるか(需要・正味の需要・受電電力・余剰の区別)
  • 発電量を決める要因と、発電を事業所でどれだけ使えたかを表す指標の計算
  • 発電量の前日の予測と、需要の予測との誤差の大きさの違い
  • 蓄電池の基本(容量と出力・効率・劣化)と、安全に関わる法令の入口
  • 充放電の計画を線形計画で解く方法と、目的を変えると計画がどう変わるか
  • 予測にもとづく計画と単純な決まりを、合成データの中の真の需要と発電のもとで動かして比べた結果
  • 充電と放電が同時に起きる定式化の注意と、充放電の量に重みを付ける考え方
  • 最大需要電力を下げるのに要る容量と出力の関係
  • 余剰の扱い、電気自動車の充電、停電のときの利用、導入の評価で見るもの、指標と経営の判断

この章の主張は、蓄電池は「入れれば料金が下がる設備」ではなく、何をさせるかを決めて初めて働く設備だ、という点です。本コラムの架空データでは、同じ容量 400kWh・充電と放電の上限 100kW の蓄電池でも、7月と8月の両方で最大需要電力を下げたのは、最大需要電力を下げることを目的にした計画だけで、電力量料金に当たる費用を下げることを目的にした計画は、8月の最大需要電力を 2.5kW 下げただけでした。余れば充電して足りなければ放電するという単純な決まりは、系統へ流れる余剰を減らしましたが、最大需要電力は1kWも下げませんでした。どれも、この架空データの条件での結果であり、一般にそうなるという主張ではありません。

なお、この章で扱う充放電の計画は、設備の制御や運転を変える内容です。実際の事業所でこうした計画を動かすときは、設備の仕様・保安規程・メーカーの定める運転の範囲のなかで、設備の担当者と電気主任技術者などの有資格者の確認のもとで行うことを前提にしています。

太陽光発電と蓄電池が事業所の負荷の形をどう変えるか

この章では、どこで測った電気かを、次の語で書き分けます。需要は、事業所の中の設備が使う電力(kW)です。受電電力は、受電点で一般送配電事業者の系統から受け取る電力(kW)で、その量を受電電力量(kWh)と呼びます。太陽光発電も蓄電池も無ければ、需要と受電電力は同じですが、この章の例題では違う値になります。料金に関わる最大需要電力は、受電電力について数えます。

事業所の敷地に太陽光発電を置いて、その電気を事業所で使うことを自家消費と呼びます。本コラムでは、需要から発電を引いた値(蓄電池を入れる前の値)を正味の需要と呼びます。蓄電池が無ければ、正味の需要が正の時刻は受電電力が正味の需要に等しく、正味の需要が負の時刻は受電電力が0になります。正味の需要が負になる時刻、つまり発電が需要を上回る時刻には、余った電気(余剰)が出ます。余剰は、蓄電池への充電、系統への送電(逆潮流)、発電の抑制のどれかに分かれます。余剰・逆潮流・売電は同じ意味ではありません。逆潮流は系統へ流れる電気のことで、それを売る契約があるかどうか(売電)は別の話です。蓄電池を入れた後は、受電電力は「正味の需要 – 放電 + 充電」と0の大きい方になります。

太陽光発電は、日射のある昼の時間帯にしか発電しません。そのため、正味の需要は、元の需要から昼の部分だけを削った形になります。事務所や工場の需要が昼に大きい場合は、正味の需要の山が低くなります。ただし、最大需要電力は1か月で最も大きい1コマの受電電力の需要電力(30分間の平均の電力)で決まるので(第1章)、曇りや雨の日の昼のように発電の少ない時刻に最大が出ると、晴れた日にいくら山が低くなっても、その月の最大需要電力の下げ幅は小さくなる場合があります。夕方に需要の山がある事業所では、発電が落ちる時刻に山が残ります。休業日のように需要が小さい日には、昼に余剰が出やすくなります。

蓄電池は、受電電力の形をさらに変えます。余剰の出る時刻に充電すれば系統へ流れる余剰が減り、正味の需要の大きい時刻に放電すれば受電電力が減ります。電力量の単価が時間帯で違う契約なら、単価の低い時刻に充電して高い時刻に放電すると、電力量料金に当たる費用が下がる場合があります。ただし、充電と放電のたびに損失が出るので、蓄えた電力量のすべてを取り出せるわけではありません。なお、太陽光発電や蓄電池で受電電力量が減っても、それは受電電力量の減少であり、設備の使用量を減らした省エネの効果(削減量)とは呼びません。どの目的のために、いつ充電していつ放電するかによって、変わる指標が違います。この章では、その違いを架空の事業所で確かめます。

電気の流れを、受電点と事業所の中に分けて整理すると、次のとおりです。

  • 事業所の需要は、太陽光発電・蓄電池の放電・系統からの受電でまかなう
  • 発電が需要を上回った分が余剰で、余剰は蓄電池への充電・系統への送電(逆潮流)・発電の抑制のどれかに分かれる
  • 蓄電池は、余剰のほかに、系統からの受電でも充電できる

発電量を決める要因と、架空の事業所の作り方

太陽光発電の発電量は、日射の強さだけでは決まりません。太陽光発電協会の講習資料(住宅用太陽光発電の設計と施工、SOLAR WEEK 2023)は、太陽電池が作る電気は直流で、パワーコンディショナで交流に変換する必要があること、モジュールの温度が上がると発電量が下がること、日射量と発電量が比例しない理由として素子の温度の上昇やパワーコンディショナの変換の損失、配線や受光面の汚れによる損失などがあることを挙げています。同じ資料は、設置の方位と角度、周りの環境(影)、地域、温度の条件で発電の電力が違うことも挙げています。システムの出力として言われる太陽電池容量(kW)は、使っているモジュールの公称最大出力の合計で、公称最大出力は決められた試験の条件(放射照度とモジュールの温度を定めた条件)で測った値だと説明しています。つまり、太陽電池容量の kW は、いつもその電力で発電できるという意味ではありません。

日射の量そのものについては、NEDO が日射量データベースを公開しており、時別の日射量のデータベースは方位角別・傾斜角別の発電量の推定に使えると案内しています。本コラムではこのデータは使わず、合成した日射の形で例題を作りました。

要因発電量への効き方事業所で確かめるもの
日射の強さ季節・時刻・天気で大きく変わる。曇りや雨の日は晴れた日より大きく下がる過去の発電の記録と、その日の天気の記録
パネルの向きと傾き同じ日射でも、受ける光の量が変わる設置の方位と角度。屋根や架台の図面
温度モジュールの温度が上がると発電量が下がる夏の晴れた日の発電の頭打ち方
影・汚れ周りの建物や設備の影、受光面の汚れで下がる時刻ごとの発電の欠け方、点検の記録
パワーコンディショナの容量パネルの合計の出力がパワーコンディショナの定格を上回る場合、定格を超える分は出せず、頭打ちになるパネルとパワーコンディショナの容量の比
変換・配線の損失直流から交流への変換などで一部が失われる機器の仕様書

ここからは、この章の例題を作ります。この章のデータは、他の章とは独立に作った架空の合成データで、実際の事業所の記録よりずっと単純です。合成データでの予測の成績や最大需要電力の低下は、実際の事業所での値の目安にはなりません。示したいのは、同じ設備でも、目的と計画の作り方で、受電電力や余剰がどう変わるかという点です。以下、この合成データの中で、真の需要と発電を使って得た値を「実績」と呼びます。合成データの中での実績であり、実際の設備で測った値ではありません。コードは Python 3.14.3 で実行し、線形計画は scipy 1.16.3 の linprog と milp(HiGHS)で解きました。乱数の種は 20261117 に固定しています。

架空の事業所は、架空の地点にある事務所兼作業所で、次の性質を持たせました。1年を365日、1日を30分ごとの48コマとし、1コマの時間の幅は 0.5 時間です。需要は電力(kW)で作り、30分値(kWh)は電力に 0.5 時間を掛けて求めます。逆に、30分値(kWh)を2倍すると、そのコマの需要電力(kW)になります。コマの時刻は、そのコマの始まりの時刻で書きます(「18時からのコマ」は18時から18時30分まで)。

  • 外気温:季節の周期に、前日と相関する日ごとのばらつきと、14時ごろに高い1日の周期を重ねた
  • 稼働日:曜日にあたる架空の周期で週に5日を稼働日とし、そのうち12日を架空の休業日とした(実在の暦の祝日は使っていない)
  • 需要:ベース負荷 120kW、稼働日の稼働の負荷(7時半からのコマで立ち上がって 130kW、8時から19時は 260kW)、外気温が20℃を超えると冷房、14℃を下回ると暖房の負荷が増える折れ曲がる関係、小さなばらつき
  • 太陽光発電:パネルの合計の出力 480kW、パワーコンディショナの定格 330kW。晴れた日の日射の形に、晴れ・曇り・雨の天気(前日の天気に左右される)による係数を掛け、モジュールの温度による低下と変換の損失を入れ、定格を超える分を頭打ちにした
  • 記録の欠測:評価より前の期間の発電と需要の記録に、それぞれ10コマの欠測を入れた

温度による低下の係数や変換の損失の値は、この例題のために置いた仮の値で、特定の製品の値ではありません。

# ===== ブロック1:架空の事業所の需要と外気温を作る =====
import sys, io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding="utf-8")
import numpy as np

SEED = int(sys.argv[1]) if len(sys.argv) > 1 else 20261117
QUICK = len(sys.argv) > 2              # 繰り返しの確認用(グラフと容量の走査を省く)
rng = np.random.default_rng(SEED)
N_DAYS, K, DT = 365, 48, 0.5           # 1年分、1日48コマ、1コマ0.5時間
h = np.arange(K) * DT + 0.25           # コマの中央の時刻(時)
doy = np.arange(N_DAYS)                # 架空の年の0日目から364日目

noise = np.zeros(N_DAYS)               # 日平均気温の日ごとのばらつき(前日と相関)
for d in range(1, N_DAYS):
    noise[d] = 0.7 * noise[d - 1] + rng.normal(0, 1.8)
t_day = 16 - 10 * np.cos(2 * np.pi * (doy - 25) / 365) + noise
temp = t_day[:, None] + 4 * np.cos(2 * np.pi * (h - 14) / 24)[None, :]   # 外気温(℃)

weekday = (doy % 7) < 5
holiday = np.zeros(N_DAYS, bool)       # 架空の休業日のフラグ
holiday[rng.choice(np.where(weekday)[0], 12, replace=False)] = True
work = weekday & ~holiday
op = np.clip((h - 7.5) / 0.5, 0, 1) * (h < 19)          # 稼働の時間帯(7時半から立ち上がり、8時から19時)
act = work[:, None] * op[None, :]
load = (120 + 260 * act                                 # ベース負荷と稼働の負荷(kW)
        + 12 * np.maximum(temp - 20, 0) * (0.3 + 0.7 * act)   # 冷房
        + 8 * np.maximum(14 - temp, 0) * (0.3 + 0.7 * act)    # 暖房
        + rng.normal(0, 8, (N_DAYS, K)))
load_kwh = load * DT                   # 30分値(kWh)。需要電力(kW)はこの2倍
print("需要の30分値の年間合計", round(load_kwh.sum() / 1000), "MWh")
print("需要電力の年間の最大", round(load.max(), 1), "kW")

実行すると、需要の30分値の年間の合計は 1,956MWh、需要電力の年間の最大は 542.7kW でした。

# ===== ブロック2:太陽光発電の発電量を作る =====
L = 12 + 2.4 * np.sin(2 * np.pi * (doy - 80) / 365)     # 昼の長さ(時)
sr = 12 - L / 2                                         # 日の出の時刻(架空の地点で正午を12時とする)
pos = np.clip((h[None, :] - sr[:, None]) / L[:, None], 0, 1)
amp = 0.72 + 0.28 * np.sin(2 * np.pi * (doy - 80) / 365)   # 季節による晴天時の日射の強さ
cs_shape = amp[:, None] * np.sin(np.pi * pos) ** 1.3       # 晴れた日の日射の形(0から1)

P_TR = np.array([[0.70, 0.22, 0.08], [0.35, 0.45, 0.20], [0.30, 0.40, 0.30]])
state = np.zeros(N_DAYS, int)          # 天気の状態(0晴れ、1曇り、2雨)。前日に左右される
for d in range(1, N_DAYS):
    state[d] = rng.choice(3, p=P_TR[state[d - 1]])
k_mean = np.array([0.85, 0.45, 0.15])[state] + rng.normal(0, 0.05, N_DAYS)
k_slot = np.clip(k_mean[:, None] * np.exp(rng.normal(0, 0.25, (N_DAYS, K))
                                        * (state[:, None] > 0)), 0.03, 1.0)
DC_KW, PCS_KW = 480, 330              # パネルの出力の合計(kW)、パワーコンディショナの定格(kW)

def pv_power(shape, kt, tmp):
    irr = shape * kt                                    # 日射の強さ(晴天の正午の最大を1とした比)
    t_cell = tmp + 30 * irr                             # パネルの温度の簡単な近似
    dc = DC_KW * irr * (1 - 0.004 * (t_cell - 25))      # 温度が高いと出力が下がる
    return np.minimum(np.maximum(dc, 0) * 0.96, PCS_KW)  # 変換の損失と、定格を超えた分の頭打ち

pv = pv_power(cs_shape, k_slot, temp)  # 発電の電力(kW)
print("発電量の年間合計", round((pv * DT).sum() / 1000), "MWh",
      " 頭打ちが起きたコマの数", int((pv >= PCS_KW - 1e-9).sum()))

# ===== ブロック3:正味の需要と余剰、自家消費率と自給率 =====
net = load - pv                         # 正味の需要(kW)
surplus = np.maximum(-net, 0)           # 余剰(kW)
gen_kwh, sur_kwh = (pv * DT).sum(), (surplus * DT).sum()
self_kwh = gen_kwh - sur_kwh            # 自家消費した電力量(kWh)
print("自家消費率(自家消費した量 / 発電量)", round(self_kwh / gen_kwh, 3))
print("自給率(自家消費した量 / 需要量)", round(self_kwh / load_kwh.sum(), 3))
print("余剰が出た日の数", int((surplus.sum(axis=1) > 0).sum()),
      " うち稼働日", int(((surplus.sum(axis=1) > 0) & work).sum()))
months = np.minimum(doy // 30.42, 11).astype(int)      # 架空の月(0から11)
print("月  需要MWh  発電MWh  余剰MWh  最大需要電力kW(発電なし→正味)")
for m in range(12):
    s = months == m
    print(f"{m + 1:2d}  {load_kwh[s].sum() / 1000:7.1f}  {(pv[s] * DT).sum() / 1000:7.1f}  "
          f"{(surplus[s] * DT).sum() / 1000:7.1f}  {load[s].max():6.1f} → {np.maximum(net[s], 0).max():6.1f}")

s = np.where(months == 0)[0]                            # 1月の最大が出たコマ(発電なしと発電あり)
for name, arr in [("需要電力", load[s]), ("受電電力(発電あり)", np.maximum(net[s], 0))]:
    i = int(np.argmax(arr))
    print(f"1月の{name}の最大 {arr.max():.1f} kW:{s[i // K]}日目 {h[i % K] - 0.25:.1f}時から  そのコマの発電 {pv[s[i // K], i % K]:.1f} kW")

発電量の年間の合計は 511MWh で、パワーコンディショナの定格で頭打ちになったコマは1年で200コマありました。

正味の需要と余剰、自家消費率と自給率

発電を事業所でどれだけ使えたかを表す指標として、本コラムでは次の2つを使います。自家消費率は、発電した電力量のうち、その事業所で使った電力量の割合(自家消費した電力量 ÷ 発電量)です。自給率は、事業所が使った電力量のうち、その事業所の発電でまかなった電力量の割合(自家消費した電力量 ÷ 需要量)です。2つは分母が違います。資料や製品によって、同じ名前で違う分母を使うことがあるので、報告を受けるときは分母が発電量なのか需要量なのかを確かめる必要があります。

この例題では、発電の抑制は考えず、余剰はすべて系統へ流せるもの(逆潮流)とし、売電の収入は考えません。蓄電池のない場合は、自家消費した電力量は、発電量から逆潮流量を引いた値になります。計算は30分のコマごとに発電と需要を差し引いてから合計しました。期間の合計どうしで差し引くと、昼の余剰と夜の不足が打ち消し合い、自家消費した量を多く見積もるためです。ただし、30分の中の変動は見ていません。30分の中で発電と需要が細かく上下すると、30分の値で計算した自家消費した量は、細かい時間の刻みで計算した量より多くなる場合があります(各時点で需要と発電の小さい方を積み上げた量は、30分の合計どうしの小さい方を超えないためです)。この例題では、その大きさは見積もっていません。

蓄電池のない場合の結果は次のとおりでした。自家消費率は 0.899、自給率は 0.235 でした。余剰が出た日は1年で123日あり、そのうち稼働日は32日でした。余剰が出た日の多くは休業日です。月ごとの集計は次の表のとおりです(月は、1年を12に区切った架空の月です)。

月需要(MWh)発電(MWh)逆潮流量(MWh)需要電力の最大・発電なし(kW)受電電力の最大・発電あり(kW)
1172.627.41.2477.0475.2
2167.035.51.8470.4460.4
3163.041.92.1457.7446.3
4150.544.64.3414.8402.0
5159.864.47.1483.5431.7
6166.465.09.1500.0453.9
7172.358.79.1542.7504.3
8175.347.76.6520.3494.9
9167.844.05.8532.0501.8
10160.234.62.3445.5419.4
11145.921.51.1429.5421.1
12155.125.31.1455.5451.8

この表の「需要電力の最大・発電なし」は事業所の中の需要について、「受電電力の最大・発電あり」は受電点の受電電力について数えた値で、測っている場所が違います。2つの最大が出たコマは同じとは限りません。この表から読み取れることは2つあります。1つ目は、発電の電力量は需要の電力量に比べて小さくても、月の最大の下がり方は月によって大きく違うことです。5月と6月は 46kW から 52kW ほど下がりましたが、1月は 1.8kW しか下がっていません。1月について確かめると、需要電力の最大は30日目の8時からのコマ(477.0kW、そのコマの発電は 10.4kW)、発電ありの受電電力の最大は29日目の18時からのコマ(475.2kW、そのコマの発電は 0kW)で出ていました。発電の無い夕方のコマに山が残ったため、1月はほとんど下がりませんでした。ほかの月の最大のコマは確かめていません。2つ目は、夏に逆潮流量が多い月があることです。7月の逆潮流量は 9.1MWh で、この分は蓄電池がなければ系統へ流すか、発電を抑えることになります。

ここで、効果の数え方に注意が要ります。この表の「発電なし」と「発電あり」の差は、同じ架空の需要の上で発電の有無だけを変えたものなので、太陽光発電による違いとして読めます。実際の事業所で、設置の前の年と後の年の最大需要電力や電力量を単純に比べると、気温や稼働の違いが混ざります。発電による効果を測るときは、発電の記録を直接使うか、第5章のように条件をそろえたベースラインと比べる必要があります。

発電量の前日の予測

蓄電池の充放電の計画を前日に作るには、翌日の発電と需要の予測が要ります。発電量の予測の考え方として、ここでは晴れた場合の発電の形に、翌日の天気による係数を掛ける方法を使います。晴れた場合の発電の形は、季節と時刻からおおむね決まります。天気による係数は、次の2段で求めます。まず過去の日ごとに、発電の計算式(温度による低下とパワーコンディショナの定格による頭打ちを含む)に入れたとき、その日の発電量の記録と同じ発電量になる日射の係数を、二分法で探します。発電量の比(晴れた場合に対する発電量の割合)は、温度の補正と頭打ちのために日射の係数と同じ値にはならないので、比ではなく日射の係数そのものを求めています。次に、その日射の係数を、天気の予報から作った指標で回帰します。過去の日の係数を求めるときは、その日の実際の気温を使います(過去の記録なので予測の時点で手に入ります)。係数は1日に1つなので、曇りの日の時刻ごとの変動は表せません。

天気の予報に関わる一次情報として、気象庁は2017年12月5日に、数値予報で計算した日射量予測データの提供を始めたと報道発表しています。この発表では、電力分野や農業分野などでの日射量予測データへのニーズを踏まえた提供で、データは気象業務支援センターから入手できるとしています。本コラムでは、こうした実際の予報のデータは使わず、天気の真の係数に誤差を足した架空の「天気の指標」を、前日に手に入る予報として作りました。予報の日平均気温にも誤差を足しています。

比べる予測は3つです。発電の予測は、①翌日も前日と同じ発電になるとする単純な基準と、②天気の指標による回帰です。需要の予測は、③稼働日か休業日かが同じ直近4日の同じコマの平均です。需要の予測は第3章と第4章で詳しく扱うので、ここでは単純な方法に留めました。どの予測も、予測する日の0時の時点で発行し、前日の24時までの記録と、前日に手に入る予報だけを使って、その日の48コマ(24時間先まで)を見積もるものとしています。前日の日中に計画を作る運用なら、前日の後半の記録は使えないので、誤差はこの例題より大きくなりえます。回帰の学習は、評価の期間より前の日だけで行いました。評価の期間は、架空の7月と8月の61日です。

誤差の大きさは、例題の置き方に左右されます。天気の指標の誤差は標準偏差 0.15、予報の日平均気温の誤差は標準偏差 1.5℃ に置きました。また、発電の予測には、晴れた日の発電の形と発電の計算式として、合成に使った真のものをそのまま使っています。実際の設備で、晴れた日の形や温度の効き方そのものを過去の記録から推定する場合は、この例題より誤差が大きく出ると考えられます。後で述べる乱数の種を変えた繰り返しでも、これらの置き方は変えていません。

# ===== ブロック4:前日の予測(発電量と需要) =====
pv_rec, load_rec = pv.copy(), load.copy()              # 計測の記録。学習の期間に欠測を少し入れる
miss = rng.choice(180 * K, 20, replace=False)
pv_rec.flat[miss[:10]] = np.nan
load_rec.flat[miss[10:]] = np.nan
k_fc = np.clip(k_mean + rng.normal(0, 0.15, N_DAYS), 0.03, 1.0)   # 前日に手に入る天気の指標(予報)
t_fc = t_day + rng.normal(0, 1.5, N_DAYS)                           # 前日の予報の日平均気温(℃)
temp_fc = t_fc[:, None] + 4 * np.cos(2 * np.pi * (h - 14) / 24)[None, :]
def fit_kt(day):                       # 過去の日の発電量の記録に合う日射の係数を二分法で求める
    target, lo, hi = (pv_rec[day] * DT).sum(), 0.0, 1.5
    for _ in range(40):
        mid = (lo + hi) / 2
        if (pv_power(cs_shape[day], mid, temp[day]) * DT).sum() < target:
            lo = mid
        else:
            hi = mid
    return (lo + hi) / 2

TEST = np.where((months == 6) | (months == 7))[0]                  # 評価する期間(架空の7月と8月)
tr = (doy >= 1) & (doy < TEST[0]) & ~np.isnan(pv_rec).any(axis=1)  # 学習は評価より前の、欠測の無い日だけ
kt_obs = np.array([fit_kt(d) if tr[d] else np.nan for d in range(N_DAYS)])
b1, b0 = np.polyfit(k_fc[tr], kt_obs[tr], 1)
print(f"発電量に合う日射の係数 = {b0:.3f} + {b1:.3f} × 天気の指標(学習 {tr.sum()} 日)")
kt_hat = np.clip(b0 + b1 * k_fc, 0.03, 1.0)                        # 予測した日射の係数
pv_fc_reg = pv_power(cs_shape, np.repeat(kt_hat[:, None], K, axis=1), temp_fc)   # 回帰による予測(kW)
pv_fc_per = np.vstack([pv_rec[:1], pv_rec[:-1]])                   # 前日と同じとする基準(kW)
load_fc = np.zeros_like(load)                                      # 需要の予測:同じ種類の直近4日の平均
for d in range(N_DAYS):
    same = np.where((doy < d) & (work == work[d]))[0][-4:]
    load_fc[d] = np.nanmean(load_rec[same], axis=0) if len(same) else load_rec[0]

def mae(f, a):
    return np.abs(f[TEST] - a[TEST]).mean()
for name, f, a in [("発電:前日と同じ", pv_fc_per, pv), ("発電:天気の指標で回帰", pv_fc_reg, pv),
                   ("需要:同じ種類の直近4日", load_fc, load)]:
    day_err = np.abs((f[TEST] - a[TEST]).sum(axis=1)).mean() / a[TEST].sum(axis=1).mean()
    print(f"{name:14s} MAE {mae(f, a):6.1f} kW  実績の平均 {a[TEST].mean():6.1f} kW  "
          f"MAE/平均 {mae(f, a) / a[TEST].mean():.3f}  日量の誤差の割合 {day_err:.3f}")

学習の結果、発電量に合う日射の係数は「0.124 + 0.815 × 天気の指標」と推定されました(学習に使った日は172日。欠測のある日は除いています)。評価の期間の誤差は次の表のとおりです。平均絶対誤差(MAE)は、各コマの予測と実績の差の絶対値の平均です。日量の誤差の割合は、1日の合計の差の絶対値の平均を、1日の合計の実績の平均で割った値です。

予測MAE(kW)実績の平均(kW)MAE ÷ 実績の平均日量の誤差の割合
発電:前日と同じとする基準36.172.70.4970.482
発電:天気の指標による回帰13.172.70.1800.164
需要:同じ種類の直近4日の平均11.8237.40.0500.038

本コラムの架空データでは、天気の指標による回帰の誤差は、前日と同じとする基準の誤差の4割以下でした。それでも、実績の平均に対する誤差の割合は、発電の 0.180 に対して需要は 0.050 で、発電のほうが3倍以上大きくなりました。kW で比べると発電の MAE と需要の MAE は近い値ですが、発電の電力は需要よりずっと小さいので、割合で見ると発電の予測は大きく外れます。乱数の種を1から5に変えた5回の繰り返し(掲載しないスクリプトで実行)でも、回帰の誤差は5回とも前日と同じとする基準より小さく、実績の平均に対する誤差の割合は5回とも発電のほうが需要より大きくなりました(発電の回帰は 0.155 から 0.215、需要は 0.052 から 0.067)。

架空の7月の7日間について、発電の実績と、天気の指標による回帰の予測と、前日と同じとする基準の予測を重ねた折れ線のグラフ

図は、評価の期間のうち7日間の発電の実績と予測です。前日と同じとする基準は、晴れの翌日が雨のときに大きく外れ、雨の翌日が晴れのときには逆に大きく外れます。回帰の予測は天気の切り替わりをある程度追いますが、曇りの日の時刻ごとの細かい変動は追えません。天気の指標そのものにも誤差を入れているので、指標が外れた日には回帰の予測も外れます。

この誤差の大きさは、蓄電池の計画に直接効きます。翌日の発電を多く見込みすぎると、昼に余剰を充電するつもりで朝に放電しておいた分が戻らず、夕方の需要の山に蓄えが足りなくなります。少なく見込みすぎると、昼に充電しきれずに余剰を出します。予測の誤差を計画にどう織り込むかは第11章で扱います。この章では、まず予測にもとづいてそのまま作った計画が、実績でどうなるかを確かめます。

蓄電池の基本、容量と出力・充電率・効率・劣化

蓄電池を計画で扱うには、少なくとも次の量を区別する必要があります。充電率(SOC)は、容量に対して、いま蓄えている電力量の割合です。容量(kWh)と出力(kW)は別の量で、容量が大きくても出力が小さければ、短い時間に大きな電力を出すことはできません。逆に、出力が大きくても容量が小さければ、大きな電力を出せる時間は短くなります。出力には、充電の上限(kW)と放電の上限(kW)があり、別々の値に置くことができます。

量単位意味この章の例題での値
容量(定格の容量)kWh蓄えられる電力量400kWh
使える容量kWh使う範囲の設定や劣化によって、実際に出し入れに使える電力量320kWh(充電率 10% から 90% の範囲だけを使う設定)
充電の上限・放電の上限kW一度に充電できる電力の上限と、一度に放電できる電力の上限どちらも 100kW
充電率(SOC)%容量に対する、蓄えている量の割合10% から 90%(40kWh から 360kWh)
充電の効率・放電の効率比充電した電力量のうち蓄えに加わる割合、蓄えから減った量のうち取り出せる割合どちらも 0.95
充放電効率比充電に使った電力量に対して、放電で取り出せる電力量の割合0.95 × 0.95 ≒ 0.90
1日の始まりと終わりの量kWh計画の始めの量と、計画の終わりに戻す量終わりは 200kWh(50%)に戻す

例題では、充電率を「蓄えている電力量 ÷ 定格の容量」で単純に計算しています。例題の 10% から 90% は、使う範囲の設定として置いたもので、劣化による容量の低下は入れていません。実際に使える容量は、使う範囲の設定や劣化によって、定格の容量と違いえます。例題の効率や充電率の範囲は、この例題のために置いた仮の値です。実際の値は、電池の種類・機器の構成・メーカーの仕様で違います。電気学会の講習会の質問への回答(2023年5月16日実施の講習会のアンケートへの回答)の要点は、充放電できる容量は使い方や温度などの条件で低下し、寿命の目安の表し方はあっても具体的な寿命は製品によって違う、というものです。変換の効率も管理する項目に挙げられています。本コラムでは、寿命の年数や劣化の速さを数字で示すことはしません。劣化の進み方と保証の条件は、メーカーの仕様と契約で確かめる事項です。

安全に関わる法令は、ここでは入口だけを書きます。消防庁の2023年5月31日付けの通知(改正火災予防条例(例)の運用等について)は、蓄電池設備が各市町村などの火災予防条例で規制されていること、潜在的な火災のリスクは蓄電池の容量(kWh)に依存すると考えられることから規制の対象を指定する単位がアンペアアワー・セルからキロワット時に改められたこと、条例(例)では蓄電池の容量が 20kWh 以下の蓄電池設備は届出を要しないとしたことを説明しています。実際に適用される基準は、設置する場所の市町村の条例と所轄の消防本部で確かめる事項です。電気の設備としての保安の扱いも含めて、設置の前に、メーカー・施工の事業者・電気主任技術者と確かめる必要があります。

充放電の計画を線形計画で解く

線形計画は、決める量(変数)を足し算と定数倍だけで書いた式の制約のもとで、同じ形の目的の式(目的関数)を最小にする値を求める方法です。解くプログラムをソルバーと呼びます。混合整数計画との違いを含めた定式化の考え方は、第8章と弊社コラム『数理最適化の定式化パターン集』で扱っています。充放電の計画は、30分ごとの充電の電力と放電の電力を決める問題として、線形計画で書けます。決める変数は、各コマの充電の電力 \( c_t \)(kW)、放電の電力 \( d_t \)(kW)、受電電力 \( g_t \)(kW)、余剰のうち系統へ流れる分(逆潮流)\( x_t \)(kW)、各コマの終わりに蓄えている量 \( e_t \)(kWh)と、受電電力の最大 \( P \)(kW)です。

制約は3種類です。1つ目は電力の収支で、\( g_t + S_t + d_t = L_t + c_t + x_t \) です。言葉にすると、受電電力と発電と放電の合計が、需要と充電と逆潮流の合計に等しい、という式です。ここで \( L_t \) は需要、\( S_t \) は発電の電力です。2つ目は蓄えている量の収支で、\( e_t = e_{t-1} + 0.5\,(\eta_c c_t – d_t / \eta_d) \) です。1コマの 0.5 時間に充電した電力量のうち効率 \( \eta_c \) の分が蓄えに加わり、放電した電力量の \( 1/\eta_d \) 倍が蓄えから減る、という意味です。kW に 0.5 時間を掛けて kWh に変えている点に注意してください。3つ目は上下限と終わりの条件で、次のとおりです。

  • 充電は充電の上限の 100kW 以下、放電は放電の上限の 100kW 以下
  • 蓄えている量は 40kWh 以上 360kWh 以下
  • 逆潮流は発電の電力以下(系統から受けた電気を系統へ流し返さない)
  • 放電は、需要から発電を引いた不足分まで(蓄電池から系統へ流さない)
  • 1日の終わりには、蓄えている量を 200kWh に戻す(終わりの条件)

逆潮流と放電の上限の意味は、後の節で確かめます。

目的は、次の3つを入れ替えました。この節と次の節の計画は、毎日、その日1日分(48コマ)を解きます。

  • 目的①最大需要電力の低減:その日の受電電力の最大 \( P \) を最小にする(受電電力は \( P \) 以下という制約を入れる)。月の最大需要電力を直接に下げる計画ではなく、毎日その日の山を下げる計画です。1か月を通して解く計画は、後の容量と出力の節で扱います
  • 目的②費用の低減:相対単価 × 受電電力量の合計(費用の相対値)を最小にする
  • 目的③余剰の吸収:逆潮流量の合計を最小にする

相対単価は、基準の単価を 1.0 としたときの比で、単位はありません。昼(8時から22時)を 1.0、夜(22時から8時)を 0.6、13時から16時を 1.4 としました。費用の相対値は、相対単価を置いて計算した単位の無い数で、金額ではありません。この章の費用の相対値は、電力量料金に当たる部分(kWh に掛かる部分)だけで、基本料金に当たる部分(kW に掛かる部分)は含めていません。含める場合は、2つの重みの置き方によって結果が変わります。逆潮流には価値を付けていません(売電の収入は考えないとしました。売電の扱いは本コラムでは扱いません)。どの目的でも、主な目的のほかに、費用の相対値か逆潮流量を小さな重みで目的関数に足しています(目的①には費用の相対値と逆潮流量、目的②には逆潮流量、目的③には費用の相対値)。目的関数はこれらの重み付きの和なので、足した項は主な目的が同じ値の場合だけでなく、計画全体に少し効きます。主な目的を厳密に優先させるには、主な目的を最小にした後、その値を固定してほかの目的を解く方法がありますが、この章では使っていません。

# ===== ブロック5:充放電の計画を線形計画で解く =====
from scipy.optimize import linprog, milp, LinearConstraint, Bounds
from scipy import sparse as sp
E_KWH, P_KW, ETA_C, ETA_D = 400, 100, 0.95, 0.95    # 容量(kWh)、出力(kW)、充電と放電の効率
price = np.where((h >= 8) & (h < 22), 1.0, 0.6)      # 電力量の単価(昼を1.0とした相対値)
price[(h >= 13) & (h < 16)] = 1.4

def plan(ld, gen, goal, e_start, e_kwh=E_KWH, p_kw=P_KW, w_deg=0.0, binary=False, cap_d=True):
    n = len(ld)
    e_min, e_max, e_end = 0.1 * e_kwh, 0.9 * e_kwh, 0.5 * e_kwh
    I, Z, z1 = sp.identity(n, format="csr"), sp.csr_matrix((n, n)), sp.csr_matrix((n, 1))
    # 変数の並び:充電 c、放電 d、受電 g、余剰 x(kW)、各コマの終わりの蓄えている量 e(kWh)、受電の最大 P
    D = sp.identity(n) - sp.eye(n, k=-1)
    A_eq = sp.vstack([sp.hstack([-I, I, I, -I, Z, z1]),                        # g - x + d - c = 需要 - 発電
                      sp.hstack([-DT * ETA_C * I, DT / ETA_D * I, Z, Z, D, z1]),  # 蓄えている量の収支
                      sp.csr_matrix(([1.0], ([0], [5 * n - 1])), shape=(1, 5 * n + 1))])
    b_soc = np.zeros(n)
    b_soc[0] = e_start
    b_eq = np.r_[ld - gen, b_soc, e_end]
    A_ub = sp.hstack([Z, Z, I, Z, Z, -np.ones((n, 1))])                         # g - P <= 0
    cost = np.tile(price, n // K) * DT
    w = {"peak": (1e-3 * cost, 1e-4 * DT, 1.0), "cost": (cost, 1e-4 * DT, 0.0),
         "surplus": (1e-3 * cost, DT * np.ones(n), 0.0)}[goal]
    c_obj = np.r_[np.full(n, w_deg * DT), np.full(n, w_deg * DT), w[0], w[1] * np.ones(n),
                  np.zeros(n), w[2]]
    lb = np.r_[np.zeros(4 * n), np.full(n, e_min), 0]
    d_ub = np.minimum(p_kw, np.maximum(ld - gen, 0)) if cap_d else np.full(n, p_kw)  # 放電は不足分まで
    ub = np.r_[np.full(n, p_kw), d_ub, np.full(n, np.inf), gen, np.full(n, e_max), np.inf]
    if binary:                                                                  # 充電と放電を同時にしない
        m = 5 * n + 1
        A2 = sp.hstack([sp.vstack([A_eq, A_ub]), sp.csr_matrix((2 * n + 1 + n, n))]).tocsr()
        A_u = sp.vstack([sp.hstack([I, Z, Z, Z, Z, z1, -p_kw * I]),
                         sp.hstack([Z, I, Z, Z, Z, z1, p_kw * I])])
        cons = [LinearConstraint(A2[:2 * n + 1], b_eq, b_eq),
                LinearConstraint(A2[2 * n + 1:], -np.inf, 0),
                LinearConstraint(A_u, -np.inf, np.r_[np.zeros(n), np.full(n, p_kw)])]
        res = milp(np.r_[c_obj, np.zeros(n)], constraints=cons, integrality=np.r_[np.zeros(m), np.ones(n)],
                   bounds=Bounds(np.r_[lb, np.zeros(n)], np.r_[ub, np.ones(n)]),
                   options={"time_limit": 20})
        ok = res.status == 0
    else:
        res = linprog(c_obj, A_ub=A_ub, b_ub=np.zeros(n), A_eq=A_eq, b_eq=b_eq,
                      bounds=list(zip(lb, ub)), method="highs")
        ok = res.status == 0
    assert ok, res.message                                                      # 最適解でなければ止める
    v = res.x
    c, d, g, x, e = (v[i * n:(i + 1) * n] for i in range(5))
    assert np.allclose(g - x + d - c, ld - gen, atol=1e-6)                     # 計画の上の電力の収支
    return {"c": c, "d": d, "g": g, "x": x, "e": e, "P": v[5 * n], "status": res.message}

def ranges(mask):                       # 立っているコマを「始まり〜終わり」の時刻の並びにする
    out, t0 = [], None
    for k in range(K + 1):
        on = bool(mask[k]) if k < K else False
        if on:
            if t0 is None:
                t0 = k
        elif t0 is not None:
            out.append(f"{t0 * DT:g}〜{k * DT:g}時")
            t0 = None
    return "・".join(out) if out else "なし"

for day in (192, 187):                  # 目的を変えた計画(予測が当たるとした場合)
    print(f"{day}日目({'稼働日' if work[day] else '休業日'}) 蓄電池なしの受電電力の最大 {np.maximum(load[day] - pv[day], 0).max():.1f} kW  余剰 {(surplus[day] * DT).sum():.1f} kWh")
    for goal in ("peak", "cost", "surplus"):
        p = plan(load[day], pv[day], goal, E_KWH * 0.5)
        print(f"  {goal:7s} 受電電力の最大 {p['g'].max():6.1f} kW  充電 {ranges(p['c'] > 1e-3)}  放電 {ranges(p['d'] > 1e-3)}")

ソルバーの状態は、解くたびに確かめ、最適解(Optimal)でなければ止まるようにしています。計画の上の電力の収支も assert で確かめました。この章で示した計画は、すべて最適解の状態で得たものです。

目的を変えて作った計画の値を、2日について次の表にまとめました。この表の計画では、予測が当たるものとしています(外れた場合は次の節と第11章)。192日目は架空の7月の最大需要電力が出た稼働日、187日目は逆潮流量が最も多かった休業日です。時刻はコマの始まりから終わりまでで書いています。

日計画受電電力の最大(kW)充電した時間帯放電した時間帯
192日目(稼働日)蓄電池なし504.3なしなし
192日目(稼働日)目的①最大需要電力404.36〜8時・16〜16.5時・22〜24時13〜14.5時・15〜15.5時・16.5〜19時
192日目(稼働日)目的②費用504.36〜8時・22〜24時8〜8.5時・13〜16時
192日目(稼働日)目的③余剰504.32〜2.5時・5.5〜6.5時・7.5〜8時・22〜24時10.5〜11時・13〜16時
187日目(休業日)蓄電池なし137.2なしなし
187日目(休業日)目的①最大需要電力96.312〜15.5時0〜5時・18.5〜24時
187日目(休業日)目的②費用227.412〜15.5時・22〜24時0〜2時・17〜20.5時・21〜21.5時
187日目(休業日)目的③余剰227.412〜15.5時・22〜24時0〜2時・17〜21時

稼働日では、目的①の計画は相対単価の低い8時前に系統から充電し、13時から14時半、15時から15時半、16時半から19時に放電して、受電電力の最大を 504.3kW から 404.3kW に下げています。目的②の計画は相対単価が 1.4 の13時から16時に放電し、18時の山の時刻には放電していません。そのため、受電電力の最大は蓄電池なしと同じ 504.3kW です。休業日では、どの目的の計画も12時から15時半に昼の余剰で充電します。目的①は未明と夕方以降に放電して受電電力の最大を 96.3kW に下げ、目的②は、未明に放電し、相対単価が 1.0 の夕方から夜に放電して、相対単価が 0.6 の22時以降に充電で戻しています。この22時以降の充電のため、目的②の休業日の受電電力の最大は 227.4kW で、蓄電池なしの 137.2kW より高くなっています。目的③の計画は、192日目には余剰が無い(蓄電池なしの余剰が 0.0kWh)ので、費用の相対値の小さな重みに従って動いています。

この表から分かるのは、同じ蓄電池でも、目的を1つ決めるとその目的に合わせて放電の時刻が決まり、ほかの指標が置き去りになることがあるという点です。電力量料金に当たる費用を下げる計画が、最大需要電力も下げるとは限りません。

予測にもとづく計画と単純な決まりを実績で比べる

ここまでの計画は、予測が当たるとした場合の計画の値でした。実際には、予測で計画を作り、当日は実績の需要と発電のもとで動かします。そこで、評価の期間の61日について、毎日、その日の0時に発行した予測で目的①から③の計画を作り、その計画の充放電の指令を、実績の需要と発電のもとで動かしました。指令どおりに動かせない場合(蓄えが足りない、満充電に近い、放電すると系統へ流れてしまう)は、動かせる範囲に切り詰めます。その結果の受電電力と逆潮流を、実績の値として集計しました。計画を作るときの蓄えている量の始まりは、前の日の実績の終わりの量です。

比べる相手として、次の2つの単純な決まりも同じ条件で動かしました。

  • 決まりA:余れば充電・足りなければ放電する。予測は使わず、当日のその時刻の需要と発電の計測値に応じて、余剰があれば充電の上限と蓄えの範囲で充電し、不足があれば放電の上限と蓄えの範囲で放電する
  • 決まりB:夜に充電・13〜17時に放電する。22時から8時に充電の上限いっぱいで充電し、13時から17時に一定の電力で放電する。放電の電力は、使える容量 320kWh を放電の効率 0.95 で取り出した量を4時間で出し切る値(320 × 0.95 ÷ 4 = 76kW)とした

決まりAは、計画が使う前日までの情報ではなく、当日のその時刻の計測値を使うので、その時刻の不足に応じる点では計画より情報が多い方法です。それでも、先の時刻の山に備えて蓄えを残すことはしません。あわせて、予測が完全に当たるとした場合の計画も、参考として同じように動かしました。これは実際には作れない計画で、同じ毎日の計画の方法(1日の終わりに 200kWh へ戻す、重み付きの目的関数)のまま、予測だけを完全にした場合の参照値です。月の最大需要電力について理論上どこまで下げられるかを示すものではありません。

# ===== ブロック6:計画を実績の需要と発電のもとで動かす =====
def execute(ld, gen, b_req, e_start, e_kwh=E_KWH, p_kw=P_KW):
    """b_req は各コマの放電の指令(kW。負なら充電)。蓄えている量の上下限を超えない範囲で動かす"""
    e_min, e_max, e = 0.1 * e_kwh, 0.9 * e_kwh, e_start
    n = len(ld)
    c, d, e_tr = np.zeros(n), np.zeros(n), np.zeros(n)
    for t in range(n):
        if b_req[t] >= 0:          # 放電は、需要から発電を引いた分まで(蓄電池から系統へ流さない)
            d[t] = min(b_req[t], p_kw, (e - e_min) * ETA_D / DT, max(ld[t] - gen[t], 0))
        else:
            c[t] = min(-b_req[t], p_kw, (e_max - e) / (ETA_C * DT))
        e += DT * (ETA_C * c[t] - d[t] / ETA_D)
        e_tr[t] = e
    net_b = ld - gen - d + c
    g, x = np.maximum(net_b, 0), np.maximum(-net_b, 0)
    assert np.allclose(g + gen + d, ld + c + x)                # 受電+発電+放電=需要+充電+余剰
    return {"c": c, "d": d, "g": g, "x": x, "e": e_tr, "e_end": e}

def simulate(policy, days):
    e, out = E_KWH * 0.5, {k: [] for k in "cdgxe"}
    for day in days:
        ld, gen = load[day], pv[day]                           # 実績(真の値)
        if policy == "蓄電池なし":
            b = np.zeros(K)
        elif policy == "決まり:余れば充電・足りなければ放電":
            b = ld - gen                                       # その時刻の計測値に応じて動かす
        elif policy == "決まり:夜に充電・13〜17時に放電":
            b = np.where((h < 8) | (h >= 22), -P_KW, 0.0)
            b[(h >= 13) & (h < 17)] = 0.8 * E_KWH * ETA_D / 4
        else:
            goal, info = policy.split("・")
            f_ld, f_pv = (ld, gen) if info == "完全予測" else (load_fc[day], pv_fc_reg[day])
            p = plan(f_ld, f_pv, goal, e)                      # 0時に発行した予測で作る計画
            b = p["d"] - p["c"]
            SIMUL[policy][0] += int(((p["c"] > 1e-6) & (p["d"] > 1e-6)).sum())   # 計画の上の同時の充放電
            SIMUL[policy][1] += int(((p["g"] > 1e-6) & (p["x"] > 1e-6)).sum())   # 計画の上の受電と逆潮流の同時
        r = execute(ld, gen, b, e)
        e = r["e_end"]
        for k in "cdgxe":
            out[k].append(r[k])
    return {k: np.array(v) for k, v in out.items()} | {"e_end": e}

def summary(name, r, days):
    pk = [r["g"][months[days] == m].max() for m in (6, 7)]
    dis = (r["d"] * DT).sum()
    fix = E_KWH * 0.5 - r["e_end"]                    # 期間の終わりの量を 200kWh にそろえるのに要る量(kWh)
    fix_g = fix / ETA_C if fix > 0 else fix * ETA_D    # 夜に系統から充電する分(正)、放電で受電を減らす分(負)
    g_kwh = (r["g"] * DT).sum() + fix_g
    cost = ((r["g"] * price * DT).sum() + 0.6 * fix_g) / 1000   # そろえる分は夜の相対単価 0.6 で数える
    print(f"{name:22s} 受電電力の最大 7月 {pk[0]:6.1f} 8月 {pk[1]:6.1f} kW  受電電力量 {g_kwh / 1000:6.2f} MWh  "
          f"費用の相対値 {cost:6.2f}  逆潮流量 {(r['x'] * DT).sum():7.1f} kWh  放電 {dis / 1000:5.1f} MWh  "
          f"等価サイクル {dis / (0.8 * E_KWH * ETA_D):5.1f}  終わりの量 {r['e_end']:5.1f} kWh  そろえる分 {fix_g:6.1f} kWh")
    return pk

POLICIES = ["蓄電池なし", "決まり:余れば充電・足りなければ放電", "決まり:夜に充電・13〜17時に放電",
            "peak・予測", "cost・予測", "surplus・予測", "peak・完全予測", "cost・完全予測", "surplus・完全予測"]
print("費用の相対値は相対単価×受電電力量(kWh)の合計を1000で割った値。受電電力量と費用は終わりの量を200kWhにそろえた後")
res, SIMUL = {}, {p: [0, 0] for p in POLICIES}
for pol in POLICIES:
    res[pol] = simulate(pol, TEST)
    summary(pol, res[pol], TEST)
for m in (6, 7):
    dm = TEST[months[TEST] == m]
    i = np.argmax(np.maximum(net[dm], 0))
    print(f"蓄電池なしの{m + 1}月の最大需要電力のコマ:{dm[i // K]}日目 {h[i % K] - 0.25:.1f}時から "
          f"{'稼働日' if work[dm[i // K]] else '休業日'} 天気 {['晴れ', '曇り', '雨'][state[dm[i // K]]]}")

print("計画の上で同時に充放電したコマ・受電と逆潮流が同時のコマ(61日の合計)",
      {p: v for p, v in SIMUL.items() if "・" in p})
rB = res["決まり:夜に充電・13〜17時に放電"]
dm = np.where(months[TEST] == 7)[0]
i = int(np.argmax(rB["g"][dm]))
print(f"決まりBの8月の受電電力の最大 {rB['g'][dm].max():.1f} kW:{TEST[dm[i // K]]}日目 {h[i % K] - 0.25:.1f}時から")
night = (h < 8) | (h >= 22)
print(f"夜の正味の需要の最大+出力 {np.maximum(net[TEST][:, night], 0).max() + P_KW:.1f} kW(そろえる充電を夜に足しても月の最大を超えないかの確認)")
rA, rC = res["決まり:余れば充電・足りなければ放電"], res["cost・完全予測"]
sd = [i for i, d in enumerate(TEST) if surplus[d].sum() > 0]
full = [i for i in sd if rC["e"][i].max() >= 0.9 * E_KWH - 1e-6]
left = [i for i in full if rC["x"][i][int(np.argmax(rC["e"][i] >= 0.9 * E_KWH - 1e-6)) + 1:].sum() > 0]
t_full = [h[int(np.argmax(rC["e"][i] >= 0.9 * E_KWH - 1e-6))] + 0.25 for i in full]
same = sum(abs(rA["x"][i].sum() - rC["x"][i].sum()) * DT < 1e-6 for i in sd)
print(f"評価の期間で余剰が出た日 {len(sd)} 日。目的②・完全予測で満充電に達した日 {len(full)} 日、"
      f"達した後にも逆潮流があった日 {len(left)} 日、満充電に達した時刻 {min(t_full):.1f}〜{max(t_full):.1f} 時。"
      f"決まりAと日ごとの逆潮流量が一致した日 {same} 日")

方法のあいだで比べるときは、期間の終わりに蓄えている量をそろえる必要があります。そろえないと、蓄電池を空にして終わった方法は、蓄えを使った分だけ受電電力量と費用が小さく見えます。実行した結果、期間の終わりの量は、決まりAが 40kWh(使い切り)、決まりBが 360kWh(満充電)、予測で作った目的②・③の計画が 247.8kWh、ほかの方法が 200kWh で、そろっていませんでした。そこで、終わりの量を始まりと同じ 200kWh にそろえる補正をしました。足りない分は夜(相対単価 0.6)に系統から充電するものとして受電電力量に足し(決まりAは 168.4kWh を足す)、多い分は放電して受電電力量を減らすものとして引きました(決まりBは 152.0kWh、目的②・③の予測の計画は 45.4kWh を引く)。夜の正味の需要の最大に充電の上限 100kW を足しても 391.7kW で、評価の期間のどの方法の月の最大需要電力(最も低いもので 439.7kW)よりも低いので、この補正の充電は最大需要電力を変えません。補正の大きさは、費用の相対値で約 0.1 以下でした。

結果は次の表のとおりです。受電電力量と費用の相対値は、終わりの量をそろえた後の値です。費用の相対値は、相対単価 × 受電電力量(kWh)の合計を、基準の電力量 1,000kWh で割った単位の無い数です。最大需要電力は、受電電力の30分の需要電力の月の最大です。等価サイクルは、放電で取り出した電力量を、使える範囲の上端から下端まで放電したときに取り出せる電力量(320kWh × 放電の効率 0.95 = 304kWh)で割った値で、何回分の満充電から空までの放電にあたるかを表します。メーカーの保証が定めるサイクルの数え方とは別の、この章での数え方です。逆潮流量は、蓄電池に充電したあとに残り、系統へ流れた電力量です。

方法受電電力の最大・7月(kW)受電電力の最大・8月(kW)受電電力量(MWh)費用の相対値逆潮流量(kWh)放電(MWh)等価サイクル補正前の終わりの量(kWh)
蓄電池なし504.3494.9256.81244.7415,619.50.00.0200.0
決まりA:余れば充電・足りなければ放電504.3494.9252.00239.9210,271.75.016.440.0
決まりB:夜に充電・13〜17時に放電504.3492.4258.34235.9315,619.514.046.1360.0
目的①最大需要電力・予測482.6473.4253.69235.7610,504.918.560.9200.0
目的②費用・予測504.3492.4253.93230.6310,510.620.667.8247.8
目的③余剰・予測504.3492.4253.95230.6410,530.620.667.8247.8
目的①最大需要電力・完全予測440.3439.7253.46235.2510,271.718.561.0200.0
目的②費用・完全予測504.3492.4253.71230.0610,271.720.968.6200.0
目的③余剰・完全予測504.3492.4253.71230.0610,271.720.968.6200.0

本コラムの架空データでの結果を、目的ごとに読みます。最大需要電力の低下は、蓄電池なしの月の最大から、蓄電池ありの月の最大を引いた値です。2つの最大が出たコマは同じとは限りません。

7月と8月の両方で最大需要電力を下げたのは、目的①の計画だけでした。決まりBと目的②・③は、8月の最大需要電力を 494.9kW から 492.4kW へ下げただけで、7月は下げていません。目的①を予測で作った計画では、7月が 504.3kW から 482.6kW、8月が 494.9kW から 473.4kW に下がりました。予測が完全に当たるとした場合は、7月 440.3kW、8月 439.7kW まで下がるので、予測の誤差によって、下げられたはずの幅の多くを取り逃したことになります。蓄電池なしの7月の最大需要電力は、稼働日の18時からのコマ(曇りの日)で出ていました。8月は稼働日の13時半からのコマ(雨の日)でした。どちらも発電の少ない日の山なので、太陽光発電はほとんど効かず、その時刻に蓄電池の蓄えを残しておけたかどうかで決まります。

決まりAは、最大需要電力を7月も8月も1kWも下げませんでした。余剰を充電して、不足が出るとすぐに放電するので、先の時刻の山に備えて蓄えを残すことをしません。逆潮流量は 15,619.5kWh から 10,271.7kWh に減り、受電電力量も減りましたが、最大需要電力には効いていません。

決まりBでは、8月の月の最大需要電力が 2.5kW 下がりました。蓄電池なしで最大が出た13時半からのコマは、決まりBの放電の時間帯(13時から17時)に入るのでそのコマの受電電力は下がりますが、決まりBを動かした後の8月の最大は、同じ239日目の17時からのコマ(放電が終わった後)で 492.4kW になりました。2.5kW は、運用の前と後で別々に求めた月の最大どうしの差です。7月の山(18時から)には効きませんでした。夜に系統から充電するので、受電電力量は、終わりの量をそろえた後でも蓄電池なしより 1.53MWh 多くなりました(充放電の損失の分です)。それでも相対単価の低い夜に充電して高い昼に放電するので、費用の相対値は下がっています。受電電力量が増えて費用の相対値が下がるという、kWh と費用の向きが違う結果です。

費用の相対値が最も小さかったのは、目的②の計画でした(予測で 230.63、完全予測で 230.06)。目的③の計画は、費用の相対値と最大需要電力では目的②とほとんど同じ結果でした。ただし、予測で作った場合の逆潮流量は、逆潮流量を最小にする目的③(10,530.6kWh)のほうが、目的②(10,510.6kWh)よりわずかに多くなりました。乱数の種を変えた5回でも、予測で作った場合は5回とも目的③の逆潮流量が目的②以上でした。予測の誤差のもとで計画を動かした結果ですが、なぜ目的③のほうが多くなったのかは確かめていません。予測が完全に当たる場合は、目的②・③と決まりAの逆潮流量が、同じ 10,271.7kWh になりました。評価の期間で余剰が出た26日について確かめると、目的②・完全予測の計画は26日すべてで満充電に達し(達した時刻は8時から15時半)、そのうち14日は満充電に達した後にも逆潮流がありました。満充電の前でも、余剰が充電の上限の 100kW を超えた分は逆潮流になります。決まりAと日ごとの逆潮流量を比べると、26日すべてで一致しました。この2つの方法は、日ごとに見ても同じ量の余剰を吸収し、同じ量を系統へ流したことになります。残った逆潮流のうち、容量(満充電)の制約によるものと、充電の上限の制約によるものの内訳は確かめていません。逆潮流量をさらに減らすには、容量か充電の上限を大きくするか、余剰の出る日に需要を動かすか(第10章)が要ります。

乱数の種を1から5に変えた5回の繰り返しでも、同じ傾向でした。目的①の予測の計画は5回とも、7月と8月の両方で蓄電池なしより最大需要電力が低く、完全予測の場合より高くなりました。決まりAは5回とも、どちらの月の最大需要電力も下げませんでした。基本の種と5回の繰り返しを合わせた6回・12の月のうち、決まりBが山を下げたのは3つの月だけで、下げた幅は 2.5kW から 6.1kW でした。予測で作った計画のうち費用の相対値が最も小さいのは、5回とも目的②でした。目的①の予測の計画が下げた幅は、同じ12の月で 2.8kW から 41.3kW までばらつきました。

ここで、計画と実績の区別をもう一度確かめておきます。目的①の計画から求めた受電電力の最大(予測のもとでの値)は、計画の値で、成果ではありません。成果(この架空データの中で、真の需要と発電のもとで動かした結果)は、上の表のように実績の値で測ります。予測が完全に当たるとした場合の値は、成果の見込みとして報告するものではなく、同じ計画の方法のまま予測を改善するとどれだけ変わりうるかを考えるための参照値です。

定式化の注意と、充放電の量に重みを付ける考え方

蓄電池の線形計画には、気づきにくい落とし穴があります。充電と放電を同時に行うと、効率の損失の分だけ電気が消えます。目的が逆潮流量の最小化のように「電気を消すと得をする」形になっていると、ソルバーは充電と放電を同時に行う解を選ぶことがあります。また、放電の上限を不足分までに限らないと、蓄電池から放電した電気を系統へ流しながら、別の時刻に充電する、という計画も選ばれえます。どちらも計画の上では逆潮流量が減って見えますが、実際の設備ではそのとおりに動かせないか、意味のない動きになります。ここでは、逆潮流量の最も多かった休業日(187日目)で、これを確かめました。

# ===== ブロック7:充電と放電が同時に起きる計画を確かめる =====
off = [d for d in TEST if not work[d]]
day = off[int(np.argmax([surplus[d].sum() for d in off]))]   # 余剰の最も多い休業日
for name, cap_d, binary in [("放電の上限なし", False, False), ("放電の上限なし・二値", False, True),
                            ("放電は不足分まで", True, False)]:
    p = plan(load[day], pv[day], "surplus", E_KWH * 0.5, binary=binary, cap_d=cap_d)
    both = int(((p["c"] > 1e-6) & (p["d"] > 1e-6)).sum())
    r0 = execute(load[day], pv[day], p["d"] - p["c"], E_KWH * 0.5)
    print(f"{name:12s} {day}日目 同時に充放電するコマ {both:2d}  計画の上の余剰 {(p['x'] * DT).sum():6.1f} kWh  "
          f"実績で動かした余剰 {(r0['x'] * DT).sum():6.1f} kWh  {p['status'].split(': ')[-1].rstrip(')')}")
print(f"蓄電池なしの余剰 {(surplus[day] * DT).sum():6.1f} kWh")

# ===== ブロック8:充放電の量に重みを付ける(劣化の考え方) =====
print("重み  費用   放電MWh  等価サイクル  7月と8月の最大需要電力kW")
for w_deg in [0.0, 0.05, 0.1, 0.2, 0.4]:
    e, g_all, d_all = E_KWH * 0.5, [], []
    for day in TEST:
        p = plan(load[day], pv[day], "cost", e, w_deg=w_deg)    # 完全予測で重みの効き方だけを見る
        r = execute(load[day], pv[day], p["d"] - p["c"], e)
        e = r["e_end"]
        g_all.append(r["g"])
        d_all.append(r["d"])
    g_all, d_all = np.array(g_all), np.array(d_all)
    pk = [g_all[months[TEST] == m].max() for m in (6, 7)]
    print(f"{w_deg:4.2f}  {(g_all * price * DT).sum() / 1000:6.2f}  {(d_all * DT).sum() / 1000:6.1f}  "
          f"{(d_all * DT).sum() / (0.8 * E_KWH * ETA_D):8.1f}    {pk[0]:6.1f}  {pk[1]:6.1f}")

if QUICK:
    sys.exit(0)
定式化同時に充放電するコマ計画の上の逆潮流量(kWh)実績で動かした逆潮流量(kWh)
不足分による放電の制限なし161,009.31,075.5
不足分による放電の制限なし・二値の変数で同時を禁止01,047.71,075.5
放電は不足分まで(不足分による制限あり)01,075.51,075.5

不足分による放電の制限を入れない線形計画(充電と放電の上限 100kW はある)では、48コマのうち16コマで充電と放電が同時に起き、計画の上の逆潮流量は 1,009.3kWh になりました。二値の変数(各コマで充電か放電のどちらか一方だけを許す0か1の変数)を足して同時の充放電を禁止しても、放電した電気を系統へ流す動きが残り、計画の上の逆潮流量は 1,047.7kWh でした。この2つの計画を、蓄電池から系統へ流さない実際の動かし方で動かすと、逆潮流量はどちらも 1,075.5kWh になり、計画の上の値より大きくなりました。放電を不足分までに限った定式化では、計画の上の値と実績の値が一致しました。蓄電池なしの逆潮流量は 1,412.3kWh でした。

この例から言えることは、計画の目的関数の値を見るだけでは、計画が設備で実行できるかどうかは分からない、という点です。ただし、制約そのものが保証することと、この目的関数で選ばれた解とは分けて考える必要があります。放電を不足分までに限る制約だけでは、同時の充放電は禁止されません(不足が 100kW のコマで、充電 10kW と放電 9.025kW を同時に行っても制約を満たし、この効率では蓄えも変わりません)。逆潮流を発電の電力以下とする制約だけでは、受電と逆潮流が同じコマに起きることも禁止されません。この章で作った計画(評価の期間の61日の、予測と完全予測の目的①から③)をすべて数えると、同時に充放電したコマと、受電と逆潮流が同時のコマは、どちらも0でした。これはこの例の目的関数と条件での結果です。確実に禁止するには二値の変数などの禁止条件が要り、どの方法でも、計画を作るたびに数えて確かめるのが確実です。充放電の量に小さな重みを付けて抑える方法もありますが、この章では試していません。なお、実績の値を求める動かし方では、各コマで充電か放電のどちらか一方だけを行うようにしています。

充放電の量に重みを付ける考え方は、劣化の扱いにも使われます。蓄電池の容量は充放電のサイクルの数などで低下するので、わずかな費用の差のために充放電を繰り返す計画は、長い目で見ると割に合わない場合があります。そこで、目的に「(充電の電力量 + 放電の電力量)× 重み」を足し、小さな得のための充放電を控えさせます。重みは充電と放電の両方に掛かります。重みは相対値で、劣化の費用を正しく表す値は、電池の種類・使い方・保証の条件で違うので、ここでは重みを動かしたときに計画がどう変わるかだけを見ました(目的②・完全予測)。

重み(相対値)費用の相対値放電(MWh)等価サイクル受電電力の最大・7月(kW)受電電力の最大・8月(kW)
0.00230.0620.968.6504.3492.4
0.05230.0620.968.6504.3492.4
0.10230.0620.968.6504.3492.4
0.20230.9918.159.5504.3492.4
0.40242.072.68.6504.3494.9

重みが 0.10 までは結果が変わらず、0.20 で放電が 20.9MWh から 18.1MWh に減り、費用の相対値は 230.06 から 230.99 に上がりました。0.40 では放電が 2.6MWh まで減り、費用の相対値は 242.07 で、蓄電池なしの 244.74 に近づきました。重みを上げるほど放電が減る、ということまでが、この表から言えることです。どの時間帯の充放電から先に控えられたかは確かめていません。重みをいくつにするかは、メーカーの保証の条件(サイクルの数や放電した電力量の上限など)と、得られる費用の差を並べて、事業として決める値です。

最大需要電力を下げるのに要る容量と出力

最大需要電力を下げる目的の蓄電池では、容量と出力のどちらが効くかが、受電電力の山の形で決まります。山が鋭く短ければ、出力が要り、容量は小さくて済みます。山が低く長ければ、容量が要ります。これは容量と出力の定義から言える見通しで、この章の計算で確かめたのは、次に示す1つの事業所の山の形だけです。ここでは、架空の8月の31日を通して1つの線形計画で解き(前の節の毎日の計画と違い、月の受電電力の最大を直接に最小にします)、容量と出力(充電と放電の上限を同じ値で動かす)を動かしたときに下げられる最大需要電力を求めました。予測が完全に当たるとした場合の計画の値なので、実際に下げられる幅の上限の目安です。

# ===== ブロック9:容量と出力を動かしたときに下げられる最大需要電力 =====
AUG = np.where(months == 7)[0]
ld_m, pv_m = load[AUG].ravel(), pv[AUG].ravel()
base_peak = np.maximum(ld_m - pv_m, 0).max()
print(f"架空の8月({len(AUG)}日)の正味の需要の最大 {base_peak:.1f} kW")
def longest_run(row):                   # 目標を続けて超えるコマの数の最大
    best = cur = 0
    for v in row > 0:
        cur = cur + 1 if v else 0
        best = max(best, cur)
    return best

nd = np.maximum(load[AUG] - pv[AUG], 0)
for cut in (20, 40, 60, 80):
    over = np.maximum(nd - (base_peak - cut), 0)          # 目標を超える分(kW)
    print(f"{cut:3d} kW 下げる:超える日 {int((over.sum(axis=1) > 0).sum()):2d} 日  "
          f"1日に超える電力量の最大 {(over * DT).sum(axis=1).max():6.1f} kWh  "
          f"続けて超える最長 {max(longest_run(r) for r in over) * DT:.1f} 時間")
CAPS, POWS = [100, 200, 400, 600, 800, 1000], [50, 100, 150, 200]
cut_tbl = np.zeros((len(POWS), len(CAPS)))
for i, pk in enumerate(POWS):
    for j, cap in enumerate(CAPS):
        p = plan(ld_m, pv_m, "peak", 0.5 * cap, e_kwh=cap, p_kw=pk)   # 1か月を通して解く(完全予測)
        cut_tbl[i, j] = base_peak - p["P"]
    print(f"出力 {pk:3d} kW:" + "  ".join(f"{c}kWh→{v:5.1f}" for c, v in zip(CAPS, cut_tbl[i])))

まず、山の形を見ます。架空の8月の受電電力の最大(蓄電池なし)は 494.9kW でした。目標を最大から 20kW 下げると、目標を超える日は4日で、1日に目標を超える電力量の最大は 44.2kWh、目標を続けて超える最長は3.5時間でした。40kW 下げると、超える日は11日、1日の最大は 170.6kWh、最長は6.5時間になりました。60kW 下げると16日・354.9kWh・11.0時間、80kW 下げると20日・574.9kWh・11.0時間です。この架空の事業所では、目標を下げるほど、超える日が増えるだけでなく、1日に超える電力量と超える時間が急に大きくなる形をしていました。

容量(kWh)出力 50kW出力 100kW出力 150kW出力 200kW
10026.626.626.626.6
20037.937.937.937.9
40050.055.255.255.2
60050.069.269.269.2
80050.083.083.083.0
100050.096.896.896.8

表の値は、下げられた最大需要電力(kW)です。この表の範囲(容量 1,000kWh まで、下げ幅 96.8kW まで)では、出力が 100kW 以上なら下げられる幅は容量で決まり、容量を 100kWh から 1,000kWh に増やすと、26.6kW から 96.8kW まで増えました。出力 150kW と 200kW の値は、どの容量でも 100kW の値と同じでした。出力が 50kW の場合は、容量を 400kWh 以上にしても、下げられる幅は出力の 50.0kW で頭打ちになりました。出力 100kW でも、下げ幅が 100kW に近づけば、同じように出力で頭打ちになると見込まれますが、この表の範囲では確かめていません。容量を増やしたときの下げ幅の伸びは、容量 100kWh あたりで見ると、100kWh から 200kWh では 11.3kW、800kWh から 1,000kWh では 6.9kW で、容量を増やすほど伸びが小さくなりました。上で見た山の形(下げ幅を大きくするほど、目標を超える電力量と時間が増える)と合う結果です。

この結果は、この架空の事業所の山の形でのものです。自社の事業所でどちらが効くかは、30分値から、目標を超える電力量と時間を数えれば見当が付きます。容量と出力を決める前に、この山の形の点検をしておくことが有効だと考えています。

余剰の扱い、電気自動車の充電、停電のときの利用

余剰の扱いは、制度と契約に関わるので、入口だけを書きます。余剰は、蓄電池への充電、系統への送電(逆潮流)、発電の抑制のどれかに分かれます。系統へ電気を流すこと(逆潮流)ができるかどうかと、その条件は、一般送配電事業者との系統の連系の協議と契約で決まる事項です。流した電気を売る契約(売電)があるかどうかは、また別に契約で決まります。地域の電気の需給の面では、資源エネルギー庁の2024年9月18日の審議会の資料(再生可能エネルギーの出力制御の抑制に向けた取組等について)が、電力の供給が需要を上回ると見込まれる場合に、決められた順番に従って火力などの出力を下げ、それでも余る場合に太陽光や風力の出力を制御する仕組みを説明しています。同じ資料は、FIP 制度が2022年4月に始まったことにも触れ、FIP 制度の電源は事業者の収入が電力市場の価格に連動する、と説明しています。売電の制度(固定価格買取制度と FIP 制度)の詳細は、本コラムでは扱いません。自社の太陽光発電がどの制度と契約のもとにあり、出力の制御の対象になりうるかは、契約先の事業者との契約書と、所管の官庁の公式資料で確かめる事項です。

電気自動車の充電は、時刻をずらせる負荷として、この章の計画に入れられます。車ごとに、出発の時刻までに必要な電力量を充電するという制約を置き、充電の電力の合計を、最大需要電力や相対単価の低い時間帯に合わせて配分する問題になります。蓄電池と違って、放電を計画に入れられるかどうかは、車と充電の設備の仕様と、車を使う業務の都合によります。

停電のときに蓄電池や太陽光発電の電気を使えるかどうかは、機器の仕様と配線によります。停電のときにも使える構成にしている場合でも、非常用に残しておく量を決めておかないと、平時の計画でピークカット(最大需要電力を下げるために、需要電力の大きい時間帯に受電電力を下げること。第6章)や費用の低減に使い切った直後に停電が起きれば、使える電気が残りません。非常用の残量を充電率の下限として計画に入れると、平時に使える容量はその分だけ減ります。非常用に何をどれだけの時間動かすかは、事業の継続の計画の中で決める事項です。

導入の評価で見るもの、指標と経営の判断

蓄電池や太陽光発電の導入を評価するとき、本コラムでは投資の採算を金額で示すことはしません。ただ、採算の前に、負荷の形から確かめられることがあります。この章の例題から、評価で見るものを次の表にまとめました。

見るもの確かめ方何が分かるか
負荷の形平日と休業日のロードカーブ、月ごとの最大需要電力が出た時刻と天気最大需要電力が太陽光発電で下がる時刻に出るのか、発電の少ない時刻に出るのか
ピークの長さ目標を下げたときに、目標を超える日数・1日の電力量・続く時間容量と出力のどちらが効くか、下げ幅を増やすと要る容量がどう増えるか
余剰の量発電と需要の30分値から、コマごとの余剰の電力量と出る日(稼働日か休業日か)余剰の吸収に要る容量と充電の上限、吸収しきれない量
予測の誤差前日の発電と需要の予測の誤差を、実績の平均に対する割合で。あわせて、予測で作った計画を実績の条件で動かした結果も比べる予測の外れ方のおおよその大きさ。平均の誤差だけでは、山の時刻の外れ方や運用の結果の差は分からない
料金の構造請求書と契約で、基本料金・電力量料金・時間帯の区分と、契約電力の決まり方を確かめる最大需要電力・電力量・時間帯のどれを下げると費用が下がるか、最大需要電力の低下がいつ基本料金に反映されるか(第1章)
非常用の要否停電のときに動かす設備と時間平時に使える容量がどれだけ減るか

運用を始めた後は、次の指標を月ごとに見ることが有効だと考えています。

指標単位見る理由
月の最大需要電力(受電電力について。蓄電池なしで計算した値と実績)kWピークカットの目的に効いているか。蓄電池なしの値は、同じ月の需要と発電の記録から計算する
最大需要電力が出たコマの時刻と、そのときの蓄えている量時刻・kWh山の時刻に蓄えが残っていたか。残っていなければ、容量や出力の不足・設備の停止・優先した別の用途・計画・予測のどれによるかを切り分ける
受電電力量と費用の相対値(月の始めと終わりの蓄えの量も記録する)kWh・単位なし損失で受電電力量が増えていないか、費用と受電電力量の向きが違っていないか
逆潮流量、自家消費率、自給率kWh・比余剰の吸収の目的に効いているか。蓄電池がある場合は、発電量から逆潮流量を引いた値を自家消費した量とする(充放電の損失を含む)など、定義と分母を決めて明記する
放電した電力量、等価サイクルkWh・回保証の条件の範囲で使っているか。保証が定めるサイクルの数え方で数え直して比べる
発電と需要の前日の予測の誤差kW・比計画の質が予測の誤差でどれだけ落ちているか
計画どおりに動かせなかったコマの数コマ定式化や設備の制約の漏れ

経営の目線では、次のような損失の型が考えられます。同じ出来事を2つの型で数えないよう、出来事ごとに1つの型で書きます。

  • 払いすぎ:契約電力の決まり方によっては(第1章)、最大需要電力が下がっても基本料金にすぐには反映されません。反映の条件と時期を契約で確かめないまま、基本料金が下がる前提で蓄電池を入れ、その前提が成り立たなければ、見込んだ費用の低下が得られず払い続けることになりえます
  • 機会損失:決まりAのように、余剰の吸収は進んでいるのに山の時刻に蓄えが残っていない運転では、下げられたはずの最大需要電力を取り逃します。管理の画面では「よく充放電している」と見えるので気づきにくい型です
  • 効果の数え違い:設置の前後の請求書を単純に比べて、気温や稼働の違いを蓄電池や太陽光発電による違いとして数えることです。受電電力量の減少を、省エネの効果(削減量)として数えることもこれに当たります
  • 形骸化:決まった時刻に放電する設定を入れたまま、山の時刻が変わっても見直さないことです
  • 制度上の義務の不履行:設置する場所の火災予防条例で届出が義務とされている容量の蓄電池設備を、届出をせずに置くことです。義務かどうかと届出の要否は、所轄の消防本部で確かめる事項です
  • 快適性と生産への支障:非常用の残量を決めずに平時に使い切り、停電のときに必要な設備を動かせないことです

そこで、蓄電池に何をさせるかの優先順位を、設置の前に事業として決めておくことを勧めます。最大需要電力の低減・時間帯の移動による電力量料金に当たる費用の低減・余剰の吸収・非常用の残量の4つのうち、どれを第一にするかで、計画の目的と、要る容量と出力と、見る指標が変わります。この章の例題で、目的①の計画が費用の相対値では目的②に負け、目的②の計画が最大需要電力では目的①に負けたように、この例では目的のあいだに競合がありました。実際の計画でも、どれを優先するかを決める必要があります。優先順位を決めたら、その順位を計画の目的と制約(非常用の残量は充電率の下限、最大需要電力の目標は受電電力の上限など)に書き込み、月ごとの指標で効いているかを確かめる、という流れを予算と体制に組み込むことが有効だと考えています。

この章では、太陽光発電と蓄電池が正味の需要・受電電力・余剰をどう変えるかを確かめ、発電量の前日の予測は需要の予測より割合で見た誤差が大きいこと、充放電の計画は目的によって大きく変わること、予測で作った計画は完全に当たる場合より実績の値で成果が落ちることを、架空データで示しました。次の第10章では、需要の側が使い方を動かすデマンドレスポンスと電力市場を扱い、需要を動かす価値と、デマンドレスポンスのベースラインの算定を取り上げます。予測の誤差を計画に織り込む方法は、第11章で扱います。

この章を深めたい方への参考書籍

『太陽光発電システムの設計と施工』改訂5版(太陽光発電協会 編、オーム社):太陽光発電の業界団体が編んだ、システムの設計と施工の解説書です。この章で例題の前提に置いた、発電量を決める要因(日射・方位と角度・温度・パワーコンディショナの容量など)を、設備の側から確かめるときの手がかりになります。国立国会図書館の書誌と版元のページで確かめた範囲では、2015年の改訂5版が最新の版です。

『高信頼性蓄電システム技術と設計法』(下位法弘 著、科学情報出版):副題に「二次電池の高容量・高出力・長寿命・高速充電の実現」とある、蓄電のシステムの技術と設計を扱う本です。この章では、容量・出力・効率・劣化を計画の上の数として扱いましたが、それらが電池とシステムの設計でどう決まるかを知りたいときに、設備の側の見方を補う1冊として挙げました。

第10章 デマンドレスポンスと電力市場、需要を動かす価値とベースラインの算定

第9章では、蓄電池と太陽光発電を、事業所の中の需要と料金に合わせて動かす計画を扱いました。そこでの計画の目的は、自社の最大需要電力を下げることや、時間帯で違う単価のもとで費用を下げることでした。この章では視点を事業所の外へ広げ、電気料金や市場の価格、または契約にもとづく要請に応じて、需要家が電気の使い方を変えるデマンドレスポンス(DR)を扱います。同じ「需要を減らす」「需要をずらす」という操作でも、本章の前半で扱うインセンティブ型の下げ DR では、誰に頼まれて、どの時間に、どれだけ動かしたかを、自社以外の相手と同じ物差しで数える必要があります。その物差しが、この章の中心になるベースラインです。電気料金型の DR では、需要家が単価を見て自ら使い方を変えるので、この物差しは使いません(後半で扱います)。本章では、下げ DR でベースラインから実績を引いた差を「デマンドレスポンスで減らした量」(以下、DR で減らした量)と呼びます。第5章の削減量(省エネの効果)とは別の量です。

扱う内容は次のとおりです。中ほどでは、他の章とは独立に作った架空の事業所の30分値を使い、実行したコードと結果で確かめます。

  • 需要の側が動くことに価値がある理由と、DR の種類・当事者・取引の流れ
  • 国内の市場と制度の入口(卸電力市場・需給調整市場・容量市場)
  • DR で減らした量を算定するためのベースラインの決め方と、第5章のベースラインとの違い
  • 直近の稼働日から作るベースラインの誤差を、要請の無い日で確かめた結果と、基準気温の最も高い8日に要請を置いた場合の、DR で減らした量の算定
  • 時間帯ごとに続けて出せる kW の見積りと、要請の後に需要が戻って増えること(反動増)の影響
  • 市場の価格に連動する単価のもとで、ずらせる負荷を線形計画で計画した結果
  • 応じられない場合の扱い、室内の環境と生産への影響、自動化の通信の規格、研究と海外の例、自社に向くかの点検表と経営の判断

この章の主張は3つあります。1つ目は、DR で減らした量は計量器が直接測る量ではなく、ベースラインという見積りから実績を引いた差であり、ベースラインの作り方で数字が変わるという点です。本コラムの架空データでは、直近の稼働日だけから作るベースラインは、その日が直近より暑いと低く出ました。当日の朝の実績で補正する方法(ガイドラインの当日調整の基本の計算に沿い、一部の規則を省いたもの)では、気温の差に応じて低く出る偏りはほぼ消えましたが、暑い日には逆に高めに出る傾向が残り、要請の日の算定は、乱数の種によって真の値より多くも少なくもなりました。2つ目は、出せる量は時間帯と続ける時間で大きく変わり、要請の後の反動増によって、その日の最大の需要電力がかえって上がりうるという点です。3つ目は、市場の価格に連動する単価で負荷をずらすと費用の相対値は下がる一方で、需要が安い時間帯に集まり、その日の最大の需要電力が上がりうるという点です。いずれも、この架空データの条件での結果であり、一般にそうなるという主張ではありません。

なお、この章は設備の運転を変える内容を含みます。DR への参加も、本章の例題の操作も、設備の仕様・保安規程・メーカーの定める運転の範囲のなかで、設備の担当者と電気主任技術者などの有資格者の確認のもとで行うことを前提とします。室内の環境と生産の条件は守る制約として扱い、在室者や従業員に我慢を求めることを前提にはしません。

需要の側が動く価値と、デマンドレスポンスの種類・当事者

第1章で確かめたとおり、電気は需要と供給を常に一致させる必要があります。これまでは、需要の変化に合わせて発電所の出力を上げ下げすることで一致させてきました。資源エネルギー庁の解説記事は、太陽光発電や風力発電のように天候で出力が変わる電源が増えると、発電の側の調整だけで需給のバランスをとるのが難しくなる場合があることと、需要家が使う量や時間を変えることでバランスの確保に協力する仕組みとして DR が求められていることを説明しています(資源エネルギー庁の DR の解説記事)。

同じ記事は、DR を、需要家が使う量や時間をコントロールすることで電力需要のパターンを変化させることと説明し、需要を減らすものを下げ DR、増やすものを上げ DR と呼んでいます。下げ DR の例として、節電の呼びかけに応じて使用を減らすことや、蓄電池や自家発電設備を使って電力会社からの電力の供給を抑えることを挙げています。上げ DR の例としては、太陽光の発電が多く需要が比較的小さい時間帯に、電動車のバッテリーや蓄電池の充電を移すことを挙げています。つまり DR の価値は、需要を減らすことだけでなく、需要が増えてほしい時間に増やすことにもあります。

需要家の側から見ると、DR は第6章のピークカットや第9章の蓄電池の運用と同じ操作を使いますが、目的が違います。自社のピークカットは自社の最大需要電力(kW)と料金のために動かすものです。DR は、電気の系統全体の需給のために、外部からの要請や価格の信号に応じて動かすものです。両者が同じ時間を向くとは限りません。要請の時間帯に需要を減らしても、月の最大需要電力が下がるとは限らず、要請の後の反動増で自社の最大を更新することもあります(この点は後の節でコードで確かめます)。

資源エネルギー庁は、「エネルギー・リソース・アグリゲーション・ビジネスに関するガイドライン」(以下、ERAB ガイドライン)を定めています。経済産業省の発表は、このガイドラインを、DR により生じた電力量を電力会社が調達してその対価を支払う取引(ネガワット取引)などについて、関係者が参考とすべき基本的な指針を示したものと説明しています(経済産業省の2025年11月19日の発表)。同じ発表によると、策定と改定の経緯は次のとおりです。

  • 2015年3月に策定
  • 2016年9月、2017年11月、2019年4月、2020年6月に改定
  • 2025年11月19日に改定

2026年11月に資源エネルギー庁の資料のページを開いたところ、ガイドラインのリンク先のファイル名は2025年11月19日の日付で、より新しい版の掲載は見当たりませんでした。リンク先のガイドラインの本文の表紙にも、令和7年11月19日の改定と書かれています。ガイドラインの用語の表は、アグリゲーターを「DSRやDERを統合制御しDR、VPPの機能を提供する事業者」(DSR は需要家の受電点以下につながるエネルギーリソース、DER はそれに系統に直接つながる発電・蓄電の設備を加えたもの)、インセンティブ型 DR を、事前の契約にもとづき一般送配電事業者や小売電気事業者などからの指令でアグリゲーターなどが需要家に DR を実施し、対価を得るものとしています。

2023年の資源エネルギー庁の検討会の資料は、ERAB ガイドラインの DR の定義を「需要家側エネルギーリソースを制御することで、電力需要パターンを変化させること」と引いています。同じ資料は、DR を、市場連動型の料金メニューや時間帯別の料金による「電気料金型 DR」と、「インセンティブ型 DR(ネガワット取引)」に分けて論じています(次世代の分散型電力システムに関する検討会の2023年8月22日の資料4)。ネガワットについて、資源エネルギー庁の解説記事は、需要家の協力により抑制された電力をネガワットと呼び、DR によって生み出された電力は、節電された電力を含めて電力市場で取引できると説明しています(資源エネルギー庁の DR の取引の解説記事)。

分け方種類中身需要家が判断すること
動かす向き下げ DR需要を減らす。止める・弱める・自家発電や蓄電池に切り替えるどの設備を、どの時間まで減らせるか。反動増をどこで受けるか
動かす向き上げ DR需要を増やす。充電や稼働を、需要を増やしてほしい時間に移す移せる設備と量。移した結果、自社の最大需要電力が上がらないか
対価の形電気料金型 DR時間帯別の料金や市場連動型の料金のもとで、需要家が自ら使い方を変える単価の差が、移す手間と影響に見合うか。料金の条件は契約と約款で確かめる
対価の形インセンティブ型 DR(ネガワット取引)要請に応じて需要を抑え、抑えた量に応じた対価を受けるベースラインの決め方、応じられない場合の扱い、要請の回数と時間
予告の長さ前日・当日など要請や価格が届いてから動くまでの時間。市場の商品や契約で違う人の操作で間に合うか、自動の制御が要るか

当事者は、需要家・アグリゲーター・小売電気事業者・一般送配電事業者・市場の運営者です。資源エネルギー庁の解説記事は、アグリゲーターを、多くの需要家が持つエネルギーリソースを束ね、需要家と電力会社の間に立って、電力の需要と供給のバランスのコントロールや、各需要家のエネルギーリソースの最大限の活用に取り組む事業者と説明し、「特定卸供給事業者」とも呼ばれるとしています。同じ記事は、2022年4月から、一定の条件を満たすアグリゲーターに、特定卸供給事業者として経済産業大臣への届出が義務づけられたと説明しています(資源エネルギー庁のアグリゲーターの解説記事、2022年12月9日)。届出の条件と、自社の取引がそれにあたるかどうかは、資源エネルギー庁の公式で確かめる事項です。次の表の「主な役割」は、本章で開いた資料に書かれていた範囲に絞った単純化です。

当事者DR での主な役割(確かめた資料の範囲)需要家が確かめること
需要家使う量や時間を変える(下げ DR・上げ DR)止めてよい設備と時間、室内の環境と生産の許容範囲、社内の連絡と承認の流れ
アグリゲーター需要家のエネルギーリソースを束ね、需要家に需要の抑制や増加を指令する。DR で生み出された電力を電力市場で取引するベースラインの方法、DR で減らした量の算定、対価の決め方、応じられない場合の扱い、データの扱い
小売電気事業者需要家に電気を供給する。ネガワット取引では、アグリゲーターから DR の実施の通知を受け、ネガワット調整金を受け取る(2025年9月の資料の改定案)自社の電気の契約と、DR への参加の関係
一般送配電事業者周波数の制御と需給のバランスの調整に必要な調整力を、需給調整市場で調達する計量器の種類と30分値の入手の経路(第2章)
市場の運営者卸電力・調整力・容量の取引の場を運営するどの市場に、誰を通じて参加するか
インセンティブ型のデマンドレスポンス(ネガワット取引)の流れの図。発動の指令、アグリゲーター、需要家が使い方を変える、ベースラインと実績の差を算定、対価の精算 の箱を矢印でつないでいる

ネガワット取引の流れを単純化すると、市場や一般送配電事業者からの要請(発動の指令)がアグリゲーターに届き、アグリゲーターが束ねている需要家に需要の抑制を指令し、需要家が使い方を変え、抑えた量がベースラインと実績の差として算定され、その量に応じて対価が精算される、という順になります。2025年9月の資源エネルギー庁の検討会の資料は、ガイドラインの改定案として、アグリゲーターが需要家に電気を供給している小売電気事業者に DR の実施を通知する際の情報共有の方法と、需要抑制量に応じてアグリゲーターがその小売電気事業者に支払うネガワット調整金の考え方を記載しています(次世代の分散型電力システムに関する検討会の2025年9月8日の資料4)。需要家が直接かかわる場面は少ないものの、自社が抑えた量が複数の当事者の精算に使われることは、計量とベースラインを丁寧に扱う理由の1つになります。

国内の市場と制度の入口

DR が取引される国内の場を、入口として整理します。各市場の要件・商品・スケジュールは改定が続いているので、ここでは2026年11月に公式のページを開いて確かめた範囲だけを書き、要件の数値は公式にあるものに限ります。参加するかどうかを決める際は、各機関の最新の資料とアグリゲーターとの契約で確かめる必要があります。

場運営取引するもの公式で確かめた範囲
卸電力市場日本卸電力取引所(JEPX)電力量(kWh)一日前市場(スポット市場)は翌日に受け渡す電気を、1日を30分単位に区切った48商品で取引する。約定は、入札時に他の参加者の入札状況が見えない(ブラインド)オークションの方式。当日市場(時間前市場)は、翌日の計画を作った後の不測の需給の食い違いに対応する市場で、約定の方式は一日前市場と異なる(詳しくは JEPX の資料で確かめる)
需給調整市場電力需給調整力取引所(EPRX)調整力(一般送配電事業者が周波数の制御と需給の調整に使う)2021年4月1日に創設。2021年度に三次調整力②、2022年度に三次調整力①、2024年度から一次調整力・二次調整力①・二次調整力②を導入し、全ての商品区分で取引を開始(沖縄電力の供給区域を除く)。全ての商品で、DR などのリソースも市場の要件を満たせば参加できる。応動時間は商品によって10秒以内から60分以内まで違う
容量市場電力広域的運営推進機関(OCCTO)将来の供給力(kW)電源等の区分の1つ「発動指令電源」は、DR などを組み合わせて所定の期待容量(1,000kW以上)の供給力を提供する区分。詳しい条件は OCCTO の資料で確かめる。メインオークションは応札の4年後の実需給年度の供給力を対象とする

出典は、JEPX の取引の概要のページ、EPRX の需給調整市場の説明のページ、OCCTO の容量市場の参加要件のページです。資源エネルギー庁の解説記事も、容量市場と需給調整市場を、DR を実施する事業者が参入できる市場として紹介しています。2025年11月の ERAB ガイドラインの改定は、需給調整市場での低圧のリソースの活用と、受電点ではなく個別の機器ごとに計る機器個別計測を2026年度から始める方針を背景としていると、経済産業省の発表は説明しています。

需要家の立場から見ると、これらの市場に自ら参加することは少なく、多くの場合はアグリゲーターや小売電気事業者を通じて関わります。それでも、どの市場の商品に使われるかで、要請の予告の長さ・続ける時間・応答の速さ・評価の方法が変わり、自社の設備で応じられるかどうかが決まります。例えば、応動時間の短い商品では、人の操作では間に合わないことがあります。どの商品がどのような応答の仕組みを求めるかは、EPRX の商品要件の資料で確かめる事項です。この章の後半の例題は、予告が前日から数時間前で、30分値で評価する種類の下げ DR を想定しています。

デマンドレスポンスのベースラインと、第5章のベースラインとの違い

下げ DR で減らした量は、要請に応じなかった場合に見込まれる需要(ベースライン)から、実際の需要を引いた差です。2024年8月の資源エネルギー庁の検討会の資料は、ベースラインを「制御指令がなかった場合に想定される電力量」と注記し、ERAB ガイドラインがベースラインを求める方法として「High4of5(当日調整あり)」を推奨し、これを標準ベースラインとしていると説明しています(次世代の分散型電力システムに関する検討会の2024年8月2日の資料5)。

2025年11月19日の同じ検討会に提出された資料は、標準ベースラインの作り方を次のように説明しています(同検討会の2025年11月19日の資料5)。

  1. 平日の場合は、参照期間である過去30日間から、DR を実施した日や土日祝日などを除く
  2. 残った日のうち直近の5日間を取る
  3. その5日間のうち、DR の時間帯の平均の需要が多い4日間を選ぶ
  4. その4日間の需要について、コマごとの平均を出してベースラインを作る。この後に当日調整を行う

ガイドラインの本文(参考1)にも、平日の標準ベースラインとして同じ手順が書かれ、当日調整は、DR の実施の5時間前から2時間前までの6コマについて、当日の需要量からこの4日間の平均を引いた値の平均を出し、DR の時間帯の各コマに足すと書かれています。足した結果がマイナスになるコマはゼロに補正します。このほか、直近5日間の母数から、DR の時間帯の需要の平均が5日間の総平均の25%未満の日を除く規則や、日数が足りない場合の扱いも定められています。

2025年11月の資料は、DR を高い頻度で実施すると、除外の後に4日分のデータを確保できず、DR を実施した日(需要を抑えた後の低い需要)を計算の対象に加える必要が生じ、要請が無かった場合の需要より低いベースラインが算出されることを課題として挙げています。2025年9月の資料は、ベースラインは計算の過程では小数点以下まで正確に出し、最終的に kW 単位の整数になるよう四捨五入するという改定案の記載も示しています。

ガイドラインの本文は、下げ DR の評価について、制御量(制御により供出した電力量(kWh))をベースラインと実際の電力量との差分で評価するとし、評価の間隔は30分単位、ベースラインは計算の最後に kW 単位の整数に丸めるとしています。また、評価の対象とする時間に、指令から開始までの時間と、終了から通常の運転に戻るまでの時間(回復時間)を含めるかどうかは、関係者の協議で定めるとしています。DR で減らした量を、平均の電力(kW)と、対象の時間で積み上げた電力量(kWh)のどちらの形で精算に使うかは、市場の規則と契約で確かめる事項です。本章の例題では、要請の時間帯の平均の電力の差(kW)と、要請の時間帯で積み上げた電力量の差(kWh)の両方を出します。

第5章のベースラインと、名前は同じでも作り方と使い方が違い、一方を他方の代わりに使うことはできません。第5章のベースラインは、省エネの対策の効果を測るためのもので、対策の前の1年分のような長い期間の記録から、気温や稼働日などの条件をそろえる回帰のモデルを作り、対策の後の条件に当てはめます。DR のベースラインは、要請の当日の数時間について DR で減らした量を数えるためのもので、直近の数日の記録から作ります。2024年8月の資料は、ベースラインの評価の軸として「正確性」「公平性」「簡便性」「事前性」の4つを挙げています。

観点省エネの効果を測るベースライン(第5章)DR で減らした量を算定するベースライン(本章)
測る対象対策による使用量の変化(数か月から年単位)要請の時間帯の需要の変化(数時間)
使う記録対策の前の長い期間。季節を一巡りすることが望ましい直近の数日(標準ベースラインでは過去30日間のうちの直近5日)
条件のそろえ方気温・稼働日・生産量などを回帰で補正する需要の多い日を選ぶ・当日の実績で調整する、などの決まった手順
単位電力量(kWh)が中心。費用は kW と時間帯にも左右される資料では電力量として説明され、コマごとの値を kW の整数に丸めることも示されている。精算の単位は規則と契約で確かめる
誰が計算するか自社や省エネの効果を保証する事業者。方法は事前に合意するアグリゲーターなど取引の当事者が、決められた手順で計算する
評価の軸として資料に挙がっているもの条件をそろえた見積りの正しさと幅(第5章)正確性・公平性・簡便性・事前性(2024年8月の資料)

本コラムでは、ベースラインを意図的に動かす方法は扱いません。ベースラインを動かす目的で需要を操作することは、算定の趣旨に反します。需要家にとって大事なのは、決められた手順のベースラインが、自社の需要の性質(気温への反応・日による稼働の違い・休業日の並び)に対してどれだけ外れうるかを知り、出せる量の見積りと契約の判断に織り込むことです。次の節から、それをコードで確かめます。

架空の事業所の30分値で、ベースラインの誤差を確かめる

ここからの例題のデータは、他の章とは独立に作った架空の合成データで、実際の事業所の記録よりずっと単純です。合成データでのベースラインの誤差や DR で減らした量は、実際の事業所での値の目安にはなりません。示したいのは、ベースラインの作り方と需要の性質の組み合わせで、算定される量がどう変わるかという点です。以下で「実績」と呼ぶのは合成データの中での実績であり、実際の設備で測った値ではありません。

架空の事業所Cの夏の120日分の30分値を、次の性質を持たせて乱数で作りました(乱数の種は20261117に固定しています)。事業所Cには太陽光発電も蓄電池も無いので、この例題では受電電力と需要は同じです。コードは Python 3.14.3(numpy 2.4.3・scipy 1.16.3)で実行し、グラフの日本語の表示には japanize-matplotlib 1.1.3 を使いました。30分値は30分間の電力量(kWh)として持ち、需要電力(kW)はその2倍として求めます。1コマの長さ0.5時間をコードの中で DT と明示し、各コマの時刻はコマの始まりの時刻で表しています。

  • 暦:7日ごとに2日の休日を置き、平日のうち4日を架空の休業日にした(実在の暦の祝日は使っていない)
  • 外気温:日ごとの基準気温を、夏の中ごろに高くなる季節の形に、前日と相関する日ごとの揺れを足して作った。これに、14時ごろに高くなる1日の周期と、午後だけの日ごとの揺れ(朝の気温からは分からない揺れ)を加えた。本章で「基準気温」と呼ぶのは午後だけの揺れを加える前の値で、48コマの平均の気温とは少し違う
  • 需要(kW):ベース負荷250kW、稼働の時間帯(8時から20時)の照明60kWとその他の負荷140kW、工程150kW(9時から18時)、外気温が20℃を超えた分1℃あたり32kWの空調。夜間と休業日の空調は24℃を超えた分1℃あたり6kW。稼働の多さを日ごとに少し揺らし、30分ごとに2%程度の揺れを加えた
  • 欠測:4コマを欠測にした
import sys, io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding="utf-8")
import numpy as np

# ===== ブロック1:架空の事業所Cの夏の120日分の30分値を合成する =====
SEED = int(sys.argv[1]) if len(sys.argv) > 1 else 20261117
rng = np.random.default_rng(SEED)
N_DAY, K = 120, 48                     # 120日、1日48コマ(30分ごと)
DT = 0.5                               # 1コマの長さ(時間)。kWh = kW × 0.5
hour = np.arange(K) * DT               # コマの始まりの時刻(時)
weekend = (np.arange(N_DAY) % 7) >= 5  # 0日目を週の始まりとする
holiday = np.zeros(N_DAY, dtype=bool)  # 架空の休業日(実在の暦とは無関係)
holiday[rng.choice(np.where(~weekend)[0], size=4, replace=False)] = True
work = ~(weekend | holiday)            # 稼働日

ar = np.zeros(N_DAY)                   # 基準気温の日ごとの揺れ(自己相関あり)
for d in range(1, N_DAY):
    ar[d] = 0.7 * ar[d - 1] + rng.normal(0, 1.3)
t_day = 25.5 + 4.0 * np.sin(np.pi * np.arange(N_DAY) / N_DAY) + ar   # 日ごとの基準気温(午後の揺れを足す前)
aft = rng.normal(0, 1.2, N_DAY)        # 午後だけの気温の揺れ(朝の気温からは分からない)
temp = (t_day[:, None] + 4.0 * np.cos(2 * np.pi * (hour - 14) / 24)[None, :]
        + aft[:, None] * np.exp(-((hour - 15) / 3.0) ** 2)[None, :])

op = (hour >= 8) & (hour < 20)         # 稼働の時間帯
proc_on = (hour >= 9) & (hour < 18)    # 工程の時間帯
level = rng.normal(1.0, 0.04, N_DAY)   # 日ごとの稼働の多さの揺れ
base = np.full((N_DAY, K), 250.0)                           # ベース負荷(kW)
light = np.where(work[:, None] & op[None, :], 60.0, 0.0)    # 照明(kW)
proc = np.where(work[:, None] & proc_on[None, :], 150.0, 0.0) * level[:, None]
other = np.where(work[:, None] & op[None, :], 140.0, 0.0) * level[:, None]
cool = np.where(work[:, None] & op[None, :],
                32.0 * np.clip(temp - 20.0, 0, None),       # 稼働中の空調(kW)
                6.0 * np.clip(temp - 24.0, 0, None))         # 夜間・休業日の空調
kw_true = (base + light + proc + other + cool) * (1 + rng.normal(0, 0.02, (N_DAY, K)))
kwh = kw_true * DT                     # 30分値(kWh)。要請が無かった場合の真の値
miss = rng.choice(N_DAY * K, size=4, replace=False)
kwh_obs = kwh.copy().ravel(); kwh_obs[miss] = np.nan; kwh_obs = kwh_obs.reshape(N_DAY, K)
print("稼働日", work.sum(), "日 / 休業日(土日と架空の休業日)", (~work).sum(), "日 / 欠測", np.isnan(kwh_obs).sum(), "コマ")
print("需要電力の最大", round(np.nanmax(kwh_obs) / DT, 1), "kW / 30分値の最大", round(np.nanmax(kwh_obs), 1), "kWh")
print("基準気温の範囲", round(t_day.min(), 1), "〜", round(t_day.max(), 1), "℃ / 48コマの平均気温の範囲", round(temp.mean(axis=1).min(), 1), "〜", round(temp.mean(axis=1).max(), 1), "℃")

実行した結果、120日のうち稼働日は82日、休業日(土日と架空の休業日)は38日で、欠測は4コマでした。需要電力の最大は1211.8kW(30分値の最大は605.9kWh)、基準気温は23.6℃から32.6℃、48コマの平均の気温は23.6℃から32.3℃の範囲でした。

ベースラインの誤差は、要請が無かった日なら確かめられます。要請が無ければ、実績そのものが「要請が無かった場合の需要」だからです。本章の例題では、要請の時間帯を13時から15時の2時間(4コマ)と想定し、要請の無い稼働日のそれぞれについて、その日に要請があったとしたら算定されるベースラインを作り、実績と比べました。比べたのは次の3つの作り方です。制度上の名前と紛れないよう、本コラムでは手順をそのまま表す名前で呼びます。

  • 直近5日の平均:過去30日のうち、稼働日で要請の無い直近5日の、コマごとの平均
  • 上位4日の平均:その5日のうち、要請の時間帯の平均の需要が多い4日の、コマごとの平均(ガイドラインの代替ベースラインの1つ「High 4 of 5(当日調整なし)」の基本の計算に沿って作った)
  • 上位4日の平均+当日の補正:上位4日の平均に、要請の開始の5時間前から2時間前まで(8時から11時の6コマ)の、実績とベースラインの差の平均を足したもの。ガイドラインの標準ベースライン(High 4 of 5、当日調整あり)の基本の計算に沿っている

ただし、本コラムの計算では、需要の平均が総平均の25%未満の日を除く規則、需要の平均の最小の日が複数ある場合の扱い、日数が足りない場合の扱い、マイナスのゼロへの補正を省き、最後の kW の整数への丸めもしていません。したがって、以下の数値は、制度上の標準ベースラインで計算した値と一致するとは限りません。評価には、ベースラインの元になる過去30日がそろう35日目以降の稼働日を使いました。「暑くなった日」は、その日の基準気温から、ベースラインに使った直近5日の基準気温の平均を引いた差が、評価した日の中で上位25%に入る日としました。

# ===== ブロック2:直近の稼働日から作るベースラインと、要請の無い日での誤差 =====
S, E = 26, 30                          # 要請の時間帯 13:00〜15:00(4コマ)
ADJ = slice(S - 10, S - 4)             # 当日の補正に使う6コマ 8:00〜11:00(開始の5時間前〜2時間前)

def baseline(d, load, dr_days, method):          # d日目の48コマのベースライン(kW)
    cand = [j for j in range(d - 1, max(d - 31, -1), -1)   # 過去30日を新しい順に
            if work[j] & (j not in dr_days)][:5]           # 稼働日で要請の無い直近5日
    if len(cand) < 5:
        return None
    rows = load[cand]
    if method == "直近5日の平均":
        return np.nanmean(rows, axis=0)
    win = np.nanmean(rows[:, S:E], axis=1)                 # 要請の時間帯の平均の需要電力
    top4 = rows[np.argsort(win)[::-1][:4]]                 # 多い4日を選ぶ
    bl = np.nanmean(top4, axis=0)
    if method == "上位4日の平均+当日の補正":
        bl = bl + np.nanmean(load[d, ADJ] - bl[ADJ])       # 当日の朝の6コマの差の平均を足す
    return bl
kw_obs = kwh_obs / DT                  # 需要電力(kW)=30分値(kWh)の2倍
METHODS = ["直近5日の平均", "上位4日の平均", "上位4日の平均+当日の補正"]
eval_days = [d for d in range(35, N_DAY) if work[d]]   # 要請の無い日で誤差を確かめる
err = {m: [] for m in METHODS}         # 要請の時間帯の平均で、ベースライン − 実績(kW)
dT = []                                # その日の基準気温 − ベースラインに使った日の平均
for d in eval_days:
    for m in METHODS:
        bl = baseline(d, kw_obs, set(), m)
        err[m].append(np.mean(bl[S:E]) - np.nanmean(kw_obs[d, S:E]))
    cand = [j for j in range(d - 1, d - 31, -1) if work[j]][:5]
    dT.append(t_day[d] - t_day[cand].mean())
dT = np.array(dT)
hot = dT >= np.quantile(dT, 0.75)      # 直近より暑くなった日(上位25%)
truth_mean = np.mean([kw_true[d, S:E].mean() for d in eval_days])
print(f"\n評価した稼働日 {len(eval_days)}日 / 要請の時間帯の平均の需要電力 {truth_mean:.0f} kW")
print("方法 | 平均の偏り kW | 平均絶対誤差 kW | 暑くなった日の偏り kW | 暑くなった日の平均絶対誤差 kW")
for m in METHODS:
    e = np.array(err[m])
    print(f"{m} | {e.mean():+.1f} | {np.abs(e).mean():.1f} | {e[hot].mean():+.1f} | {np.abs(e[hot]).mean():.1f}")
for m in METHODS[1:]:
    slope = np.polyfit(dT, np.array(err[m]), 1)[0]
    print(f"{m}:気温の差1℃あたりの偏り {slope:+.1f} kW")

実行した結果は次のとおりです。評価した稼働日は59日で、要請の時間帯の平均の需要電力は1001kWでした。各日の誤差を、要請の時間帯の4コマの平均の需要電力(kW)について、ベースラインから実績を引いた値とします。平均の偏りはその誤差の平均、平均絶対誤差はその誤差の絶対値の平均です。偏りがプラスなら、ベースラインが実績より高く出て、DR で減らした量を多めに数えることになります。

作り方平均の偏り(kW)平均絶対誤差(kW)暑くなった日の偏り(kW)暑くなった日の平均絶対誤差(kW)
直近5日の平均+7.850.8-53.765.8
上位4日の平均+23.256.3-36.360.2
上位4日の平均+当日の補正+6.329.1+12.436.9

当日の補正の無い2つの作り方は、その日が直近より暑くなると、ベースラインが実績より低く出ました。直近の5日の需要は、その日の暑さを知らないからです。気温の差と偏りの関係に直線を当てはめると、上位4日の平均では、直近より1℃暑いごとに偏りが -29.1kW でした。架空データの空調は、稼働中に1℃あたり32kW増える設定なので、この値はほぼその設定を映しています。当日の補正を加えると、気温の差1℃あたりの偏りは +2.5kW になり、平均絶対誤差も 56.3kW から 29.1kW に下がりました。当日の朝の需要に、その日の暑さがある程度表れているからです。

一方で、当日の補正を加えても、平均絶対誤差は要請の時間帯の需要の約3%にあたる 29.1kW 残り、暑くなった日には平均で +12.4kW 高めに出ました。このうち、需要の多い4日を選ぶことの影響は、掲載していない別のスクリプトで確かめました。「直近5日の平均+当日の補正」を同じ日で計算したところ、平均の偏りは +0.5kW、暑くなった日の偏りは +4.8kW で、上位4日の平均+当日の補正(+6.3kW と +12.4kW)より小さくなりました。この差の仕組みまでは確かめていません。もう1つ、午後だけの気温の揺れが朝の実績からは分からないことも誤差の原因になりうると考えていますが、こちらは計算で確かめていません(未確認)。乱数の種を1から20に変えて同じ計算を繰り返したところ(掲載していない別のスクリプト)、20回すべてで、当日の補正ありの平均絶対誤差は補正なしより小さく、20回すべてで、暑くなった日に補正なしのベースラインは低く出ました。

左は要請の無い暑い日の需要電力の実績と、上位4日の平均のベースライン、当日の補正を加えたベースラインの時刻ごとの推移。右は、その日の基準気温と直近5日の基準気温の平均の差を横軸、13時から15時のベースラインの誤差を縦軸にとった散布図

左の図は、評価した日のうち直近より最も暑くなった73日目(基準気温が直近5日の平均より4.2℃高い日)です。当日の補正の無いベースライン(灰色の破線)は、稼働の時間帯を通じて実績より低く、当日の補正を加えたベースライン(点線。8時から15時を表示)は実績に近づいています。右の図は、評価した59日の誤差です。当日の補正の無いベースライン(灰色の丸)は、気温の差が大きいほど下に外れ、当日の補正を加えたもの(紺の三角)は、気温の差によらず0の上下に散らばっています。

基準気温の最も高い8日に要請を置いた場合の、DR で減らした量の算定

下げ DR の要請は、需給が厳しくなりやすい暑い日に出ることが考えられます。そこで、35日目以降の稼働日のうち基準気温が最も高い8日に、13時から15時の要請を置きました。8日のうち連続しているのは42日目と43日目、58日目と59日目の2組です。要請のあった日は、その後の日のベースラインの候補から除きます。事業所Cは次のように応じたとしました。

  • 空調を3割弱め(その時点の空調の電力の3割を減らす)、照明を20kW減らす。空調を弱められるのは、室温が許容範囲の上限に達するまでの2時間までとした(この2時間は例題の仮定で、実際には建物と設定で決まる。また、快適性を室温の許容範囲だけで表すのは本コラムの単純化である)
  • 工程は最初の1時間だけ止める
  • 要請の終了の後の2時間に、空調で減らした電力量の半分と、工程で止めた分の全部が反動増として加わる(室温を下げ直す分と、止めた工程を取り戻す分)。本章の反動増は、第5章で触れる、効率が上がって使用が増える現象(リバウンド)とは別のものである

要請の日の「実績」は、要請に応じた後の需要を、この仮定に沿って作った値です。合成データなので、要請に応じなかった場合の真の需要が分かり、真の DR で減らした量と、ベースラインから算定される量を比べられます。算定には、その日より前の要請の日をベースラインの候補から除いたうえで、要請の後の実績(kW)を使いました。

# ===== ブロック3:基準気温の最も高い8日に要請を置いた場合の、DR で減らした量の算定 =====
cand_days = [d for d in range(35, N_DAY) if work[d]]
dr_days = sorted(sorted(cand_days, key=lambda d: -t_day[d])[:8])   # 基準気温の高い稼働日8日に要請
kw_act = kw_obs.copy()                 # 要請に応じた後の実績(kW)
cut_true = np.zeros((N_DAY, K))        # 真の減らした量(kW)
for d in dr_days:
    cut = 0.3 * cool[d, S:E] + 20.0                    # 空調を3割弱める+照明を20kW減らす
    cut[:2] += proc[d, S:S + 2]                        # 工程は最初の1時間だけ止める
    kw_act[d, S:E] -= cut
    cut_true[d, S:E] = cut
    back = 0.5 * 0.3 * cool[d, S:E].sum() + proc[d, S:S + 2].sum()   # 反動増の分(kW×コマ)
    kw_act[d, E:E + 4] += back / 4                    # 終了後の2時間の反動増
print("\n要請の日", dr_days)
print("日 | 基準気温℃ | 真の値 kW | 上位4日の平均 kW | +当日の補正 kW | 真の値 kWh | 上位4日の平均 kWh | +当日の補正 kWh | 反動増を含む1日の電力量の減少 kWh")
rows = []
for d in dr_days:
    done = {j for j in dr_days if j < d}               # その日より前の要請の日はベースラインから除く
    diff = [baseline(d, kw_act, done, m)[S:E] - kw_act[d, S:E] for m in METHODS[1:]]
    est = [x.mean() for x in diff] + [x.sum() * DT for x in diff]      # 平均の電力の差 kW と、積み上げた電力量の差 kWh
    tru = [cut_true[d, S:E].mean(), cut_true[d, S:E].sum() * DT]
    net = np.nansum(kw_true[d] - kw_act[d]) * DT
    rows.append([tru[0], est[0], est[1], tru[1], est[2], est[3], net])
    print(f"{d} | {t_day[d]:.1f} | " + " | ".join(f"{v:.0f}" for v in rows[-1]))
r = np.array(rows)
print("平均 | | " + " | ".join(f"{v:.0f}" for v in r.mean(axis=0)))

結果は次のとおりです。「平均の電力の差」は要請の時間帯の4コマの平均の需要電力の差(kW)、「電力量の差」は要請の時間帯の2時間で積み上げた電力量の差(kWh)です。この例題では要請の時間帯が2時間で一定なので、電力量の差は平均の電力の差のおよそ2倍になります。最後の列は、反動増まで含めた1日の電力量の減少(kWh)です。

日基準気温(℃)真の値:平均の電力の差(kW)上位4日の平均:平均の電力の差(kW)+当日の補正:平均の電力の差(kW)真の値:電力量の差(kWh)上位4日の平均:電力量の差(kWh)+当日の補正:電力量の差(kWh)反動増を含む1日の電力量の減少(kWh)
3531.9243175298486351596186
4231.7264181244528363488210
4332.6241223292483446584187
5131.3234201262468402524176
5331.0230236280460471559177
5831.0243233268486466537188
5931.7225284306450567613172
7331.9259146289517291578196
平均242210280485420560187

真の DR で減らした量は、8日の平均で、平均の電力の差が242kW、電力量の差が485kWh でした。上位4日の平均で算定すると平均210kW(420kWh)で、真の値より約33kW(丸める前の値で32.6kW)少なく数えました。暑い日のベースラインが低く出るためです。上位4日の平均+当日の補正で算定すると平均280kW(560kWh)で、真の値より約37kW(丸める前の値で37.4kW)多く数えました。前の節の要請の無い日と同じ向きの偏りです。ただし、掲載していない別のスクリプトで、この8日について「直近5日の平均+当日の補正」も計算したところ、真の値との差は平均 +30.7kW で、上位4日の平均+当日の補正の +37.4kW と大きくは変わりませんでした。要請の日に多めに出た原因は、需要の多い日を選ぶことだけでは説明できず、本コラムでは特定できていません。日ごとに見ると、どちらの方法も真の値から大きく外れる日がありました(例えば、補正なしは73日目に真の値259kWに対して146kW、補正ありは35日目に真の値243kWに対して298kW でした)。

この結果がどこまで乱数の偶然によるかを確かめるため、乱数の種を1から20に変えて繰り返しました(掲載していない別のスクリプト)。20回すべてで、当日の補正なしの算定は真の値より少なく、真の値との差は -105kW から -24kW の範囲でした。当日の補正ありの算定は、20回のうち12回で真の値より多く、8回で少なくなり、真の値との差は -19kW から +32kW の範囲でした(この繰り返しの差は、四捨五入した平均どうしで求めた値です)。乱数の種20261117の結果を同じ求め方にすると +38kW で、この20回の範囲より大きく、偏りの大きい側の例です。この架空データから言えるのは、当日の補正なしでは暑い日の DR で減らした量を少なく数える偏りがはっきり出ること、当日の補正を加えても偏りの向きが一定せず、日ごとの誤差が残ることまでです。

もう1つの点は、要請の時間帯の量と1日の量の区別です。要請の時間帯で積み上げた真の電力量の差は平均485kWh でしたが、反動増を含めた1日の電力量の減少は平均187kWh で、反動増の分だけ小さくなります。DR で減らした量は要請の時間帯についての量であり、1日や1年の使用量の削減量(省エネの効果)とは別の量です。DR の実績を省エネの効果として報告に入れると、第5章で扱った効果の数え違いになります。

時間帯ごとに出せる kW の見積りと、要請の後の反動増

DR に参加する前に、事業所として何時に、何時間、何 kW を出せるかを見積もる必要があります。出せる量は、止めたり弱めたりできる設備の電力と、それを続けられる時間で決まります。続けられる時間は、空調なら室温が許容範囲の上限に達するまでの時間、工程なら生産の計画が許す停止の時間です。ここでは、事業所Cの設備ごとの電力が分かっている(設備ごとの計量がある)として、直近の要請の無い稼働日30日について、開始の時刻(9時から18時まで30分ごと)と続ける時間(1時間・2時間・3時間)の組み合わせごとに、要請の時間帯の全コマで出せる量(コマごとの減らせる電力の最小)を求めました。設備ごとの条件は前の節と同じで、照明は時間の制限なし、空調は2時間まで、工程は1時間までとしました。

# ===== ブロック4:時間帯ごとに、続けて出せる kW を見積もる =====
recent = [d for d in range(N_DAY - 45, N_DAY) if work[d] & (d not in dr_days)][-30:]
starts = np.arange(18, 37)             # 開始 9:00〜18:00
DUR = {"1時間": 2, "2時間": 4, "3時間": 6}
cap = {}                               # cap[長さ][日, 開始] = 続けて出せる kW
for name, n in DUR.items():
    out = np.full((len(recent), len(starts)), np.nan)
    for i, d in enumerate(recent):
        for j, s in enumerate(starts):
            ks = np.arange(s, s + n)
            r = 20.0 * op[ks]                          # 照明(時間の制限なし)
            if n <= 4:
                r = r + 0.3 * cool[d, ks]              # 空調は2時間まで(室温の上限から決めた仮定)
            if n <= 2:
                r = r + proc[d, ks]                    # 工程は1時間まで
            out[i, j] = r.min()                        # 全コマで出せる量(kW)
    cap[name] = out
print("\n開始時刻 | " + " | ".join(f"{k}:平均 kW / 下位10% kW" for k in DUR))
for j, s in enumerate(starts):
    if s % 2 == 0:
        cells = [f"{np.mean(cap[k][:, j]):.0f} / {np.quantile(cap[k][:, j], 0.1):.0f}" for k in DUR]
        print(f"{hour[s]:.0f}:00 | " + " | ".join(cells))
d_hot = max(recent, key=lambda d: t_day[d])
peak0 = kw_true[d_hot].max()
after = kw_true[d_hot].copy()
after[S:E] -= 0.3 * cool[d_hot, S:E] + 20 + np.r_[proc[d_hot, S:S + 2], 0, 0]
after[E:E + 4] += (0.5 * 0.3 * cool[d_hot, S:E].sum() + proc[d_hot, S:S + 2].sum()) / 4
print(f"反動増の確認({d_hot}日目、13時から2時間):その日の最大の需要電力 要請なし {peak0:.0f} kW → 要請あり {after.max():.0f} kW({hour[after.argmax()]:.1f}時のコマ)")
mon = range(90, 120)                   # 98日目を含む30日(90〜119日目)を1か月とみなす
print(f"同じ30日の最大の需要電力(要請なし) {max(kw_true[d].max() for d in mon):.0f} kW")

実行した結果のうち、代表的な開始の時刻を抜粋して表にします(図は30分ごとの全部)。「平均」は30日の平均、「下位10%」は30日の値を小さい順に並べたときの10%の位置の値です。掲載していない別のスクリプトで数えたところ、1時間と2時間続ける場合は、どの開始の時刻でも30日のうち3日がこの値を下回りました(3時間続ける場合は、どの開始の時刻でも値が日によらず一定なので、下回った日はありません。17時までの開始は照明の20kW、17時30分以降の開始は0kW です)。

開始の時刻1時間続ける:平均(kW)1時間続ける:下位10%(kW)2時間続ける:平均(kW)2時間続ける:下位10%(kW)3時間続ける:平均(kW)3時間続ける:下位10%(kW)
9:0024822697682020
11:00265241114852020
13:00275251124962020
14:00276252123972020
15:00273250118912020
17:00261236102732020
18:0010273926300
要請の開始時刻を横軸、続けて出せる量(kW)を縦軸にとり、1時間・2時間・3時間続ける場合の平均と下位10%を線で示したグラフ

1時間なら13時から14時の開始で平均275kW前後を出せますが、2時間続けると平均124kWに下がり、3時間では照明の20kWだけになりました。工程を止められるのが1時間まで、空調を弱められるのが2時間までという仮定のとおりの結果で、出せる量は「何 kW か」だけでなく「何時間続けて」とセットでしか言えないことを示しています。17時30分以降の開始では、続ける時間の途中で工程の時間帯(18時まで)が終わるので、1時間続ける場合の出せる量が下がります。17時30分以降に始めて3時間続ける場合は、照明の稼働(20時まで)も途中で終わるので0になりました。下位10%の値は、2時間続ける場合で平均より約25〜30kW 小さくなりました。この例題では空調で減らせる量を空調の電力の3割と置いており、空調の電力は気温で決まる設定なので、気温の低い日には出せる量が小さくなります。

アグリゲーターとの契約で出せる量を約束するなら、平均ではなく、このような下位の値を目安にするのが安全側の考え方です。平均で約束すると、空調の負荷の小さい日には約束した量を出せなくなります。ただし、下位10%の値で約束しても、それを下回る日は残ります(この例題では30日のうち3日)。約束する量に連動して対価が決まる契約では、少なめに約束すると得られる対価も小さくなります。どこまで余裕を見るかは、応じられなかった場合の扱いと合わせて決める事項で、予測の幅から余裕を取る考え方は第11章で扱います(第11章の例題は蓄電池の計画で、デマンドレスポンスで約束する量そのものは例題にしていません)。

要請の後の反動増も確かめました。出せる量を見積もった稼働日30日のうち基準気温が最も高い98日目に、13時から2時間の要請に応じたとすると、要請が無ければその日の最大の需要電力は1178kW でしたが、反動増によって、15時のコマの需要電力が1336kW になりました。この例題で98日目を含む30日(90日目から119日目)を1か月とみなすと、要請が無い場合のその30日の最大の需要電力も1178kW だったので、この反動増は、その30日の最大を更新したことになります。他の日に、より大きな需要電力が出ている月であれば、更新しないこともあります。つまり、要請の時間帯に需要を減らしても、月の最大需要電力が下がるとは限らず、反動増で上がることもあります。契約電力の決まり方によっては(第1章)、1回の高い需要電力がその後の基本料金に効くので、DR に応じたことで払いすぎになりえます。反動増の大きさは、この例題の仮定(空調で減らした分の半分と工程の全部が2時間で加わる)で決まっているので、実際の値は設備と運転で確かめる必要があります。評価するときは、要請の時間帯だけでなく、反動増が収まるまでの時間(この例題では要請の後の2時間)と、1日の合計を見る期間に含めることが大事です。算定の対象とする時間に回復時間を含めるかどうかは、ガイドラインでも関係者の協議で定めるとされているので、契約で確かめます。要請の前に予冷などで需要を増やした場合も、同じ期間に含めて見ます。終了の後の運転の戻し方(段階的に戻す、工程の再開をずらす)を、要請への応じ方と一緒に決めておくことが大事です。

市場の価格に連動する単価と、ずらせる負荷の計画

ここまでは要請に応じるインセンティブ型の DR でした。もう1つの電気料金型の DR として、市場の価格に連動する料金のもとで、使う時間をずらす場合を考えます。料金の具体的な決め方は小売電気事業者と契約で違うので、ここでは、翌日の30分ごとの相対単価が前日に分かるという単純な仮定を置きます。相対単価は、1日の平均がおよそ1になるように置いた、単位の無い比です。費用の相対値は、各コマの電力量を1kWh を単位として数えた値に相対単価を掛けて足した、単位の無い数で、金額ではありません。この例題の費用の相対値は電力量に掛かる部分だけで、最大需要電力(kW)に掛かる基本料金に当たる部分は入れていません。

事業所Cの工程(1日に必要な仕事は、通常の9時から18時の運転と同じ電力量)を、6時から22時のあいだで動かせる負荷とし、費用の相対値を最小にする運転を、線形計画で計画しました。条件は次のとおりです。

  • 工程の運転は各コマ0から250kW。1日の仕事の合計は、その日に通常の運転で使う電力量と同じにする。その日に必要な仕事の量は前日に決まっているものとする(例題の仮定)
  • 通常の時間帯(9時から18時)の外で動かすと、付帯の設備の分だけ電力量が5%増える(例題の仮定)。このため、時間外のコマでは、工程の需要電力は運転の1.05倍(最大262.5kW)になる
  • 工程以外の需要の予測と工程の計画の合計を、需要電力の上限1150kW 以下に抑える。この1150kW は例題で置いた管理の目標で、設備や安全の制約ではない。工程以外の需要の予測は、前日までの直近5稼働日のコマごとの平均とし、当日の実績は使わない
  • 計画は前日に分かる情報だけで作り(計画の値)、評価は、真の工程以外の需要に計画を足した実績の値で行う
  • 相対単価は、昼に下がり、夕方に上がる形の深さと高さを日ごとに変えた

線形計画は scipy の linprog(HiGHS)で解き、各日のソルバーの状態を記録しました。最初に解いたときの状態が実行不能(scipy の定義で2)の日だけ上限を外して解き直し、その日数も出力します。それ以外の異常な状態(反復の上限・非有界・数値上の問題)では止まるようにしました。仕事の合計が必要な量と一致していることは assert で確かめました。

# ===== ブロック5:市場の価格に連動する単価のもとで、ずらせる負荷を計画する =====
from scipy.optimize import linprog
price = np.empty((N_DAY, K))           # 前日に分かる30分ごとの相対単価(1日の平均がおよそ1)
for d in range(N_DAY):
    dip, peak = rng.uniform(0, 0.4), rng.uniform(0.2, 0.8)
    price[d] = (1.0 - dip * np.exp(-((hour - 12) / 1.5) ** 2)
                + peak * np.exp(-((hour - 18) / 1.2) ** 2) + rng.normal(0, 0.04, K))
LIMIT, PMAX, EXTRA = 1150.0, 250.0, 1.05   # 需要電力の上限 kW・工程の運転の上限 kW・時間外の電力量の倍率
allow = (hour >= 6) & (hour < 22)
inside = proc_on                       # 9:00〜18:00 は通常の時間帯

def plan_day(d, margin):
    past = [j for j in range(d - 1, d - 31, -1) if work[j] & (j not in dr_days)][:5]
    fc = np.nanmean(kw_obs[past] - proc[past], axis=0)  # 工程以外の需要電力の予測(前日までの記録だけ)
    need = proc[d].sum() * DT                           # その日に要る工程の仕事(kWh)
    # 変数:各コマの「通常の時間帯の運転 x」と「時間外の運転 y」(kW)
    c = np.r_[price[d] * DT, price[d] * DT * EXTRA]
    A_eq = np.r_[np.full(K, DT), np.full(K, DT)][None, :]           # 仕事の合計=need
    bx = [(0, PMAX if inside[k] else 0) for k in range(K)]
    by = [(0, PMAX if (allow[k] & ~inside[k]) else 0) for k in range(K)]
    A_ub = np.hstack([np.eye(K), np.eye(K) * EXTRA])                # 予測の需要+工程 ≤ 上限−余裕
    sol = linprog(c, A_ub=A_ub, b_ub=LIMIT - margin - fc, A_eq=A_eq, b_eq=[need],
                  bounds=bx + by, method="highs")
    first = sol.status                                              # 0=最適、2=実行不能(scipy の定義)
    relaxed = first == 2
    if relaxed:                                                     # 上限(管理の目標)を守れない日だけ外して解き直す
        sol = linprog(c, A_eq=A_eq, b_eq=[need], bounds=bx + by, method="highs")
    assert sol.status == 0, sol.message
    x, y = sol.x[:K], sol.x[K:]
    assert abs((x + y).sum() * DT - need) < 1e-6                    # 仕事の収支
    return x + EXTRA * y, first, relaxed                            # 工程の需要電力の計画(kW)
# ===== ブロック6:計画を、真の需要のもとでの実績で評価する =====
days6 = [d for d in range(35, N_DAY) if work[d] & (d not in dr_days)]
fix = np.array([[(price[d] * kw_true[d] * DT).sum(), kw_true[d].sum() * DT, kw_true[d].max()]
                for d in days6])
print(f"\n評価した日 {len(days6)}日(要請の日を除く稼働日)")
print(f"動かさない:費用の相対値の1日平均 {fix[:,0].mean():.0f} / 電力量の1日平均 {fix[:,1].mean():.0f} kWh"
      f" / その日の最大の需要電力の平均 {fix[:,2].mean():.0f} kW / 上限 {LIMIT:.0f} kW を超えた日 {(fix[:,2] > LIMIT).sum()}日")
for margin in [0.0, 100.0]:
    out, st, rl = [], [], 0
    for d in days6:
        plan, status, relaxed = plan_day(d, margin)
        act = kw_true[d] - proc[d] + plan                           # 実績=真の工程以外の需要+計画
        out.append([(price[d] * act * DT).sum(), act.sum() * DT, act.max()])
        st.append(status); rl += relaxed
    o = np.array(out)
    print(f"計画(余裕 {margin:.0f} kW):最初に解いたときのソルバーの状態 {sorted(set(st))}(0=最適)/ 上限を外した日 {rl}日")
    print(f"  費用の相対値 {(o[:,0].sum() / fix[:,0].sum() - 1) * 100:+.2f}% / 電力量 {o[:,1].mean() - fix[:,1].mean():+.1f} kWh/日"
          f" / その日の最大の需要電力の平均 {o[:,2].mean():.0f} kW / 上限を超えた日 {(o[:,2] > LIMIT).sum()}日 / 超えた幅の最大 {max(o[:,2].max() - LIMIT, 0):.0f} kW")

評価した日は、要請の日を除く35日目以降の稼働日51日でした。工程を動かさない場合と、上限に余裕を持たせない計画(余裕0kW)・100kW の余裕を持たせた計画(予測の需要と工程の合計を1050kW 以下に抑える)を、実績の値で比べた結果は次のとおりです。最初に解いたときのソルバーの状態は、どちらの計画でも全ての日で0(最適)で、上限を外して解き直した日はありませんでした。

運転費用の相対値の差電力量の変化(kWh/日)その日の最大の需要電力の平均(kW)実績で上限1150kWを超えた日
動かさない基準基準(1日平均13953kWh)10152日
計画(余裕0kW)-0.81%+4.0110713日
計画(余裕100kW)-0.70%+7.610715日
上は99日目の30分ごとの相対単価の推移、下は同じ日の工程の需要電力で、動かさない場合(9時から18時に一定)と線形計画の計画を重ねたグラフ

費用の相対値は、余裕0kW の計画で0.81%、余裕100kW の計画で0.70%下がりました。工程は1日の電力量の1割程度なので、1日全体の費用の相対値の差は小さくなります。電力量は、通常の時間帯の外で動かした分だけ、1日あたり4.0kWh と7.6kWh 増えました。費用は下がっても電力量は増えうるという区別は、第5章の効果の測り方にも関わります。

図の99日目(相対単価の1日の差が最も大きい日)では、計画は、相対単価が下がる10時30分から13時30分のコマに工程を上限の250kW で集め、相対単価が上がる夕方を避けました。7時30分と21時のコマにも運転が入り、図ではその高さが約262kW になっています。これは時間外の運転に付帯の5%が加わった需要電力の値で、運転そのものは250kW です。掲載していない別のスクリプトでこの日の計画を確かめたところ、7時30分と21時の相対単価に1.05を掛けた値(0.972 と 0.960)は、通常の時間帯で運転を入れなかったコマの相対単価の最小(0.992)より小さく、この日は需要電力の上限による制約で押し出されたのではありませんでした。相対単価の乱数の揺れで、時間外のほうが安くなったコマが選ばれた結果です。

見落としやすいのは最大の需要電力です。計画は、予測の需要に対しては上限を守るように作ったのに、実績の値では、余裕0kW の計画で1150kW を超えた日が13日(動かさない場合は2日)あり、超えた幅は最大118kW でした。単価の安い時間帯に工程を集めると、その時間帯の需要が上限の近くまで上がり、工程以外の需要が予測より大きかった日に超えてしまいます。100kW の余裕を持たせると超えた日は5日に減り(超えた幅の最大は105kW)、その代わりに費用の相対値の下がり幅は0.81%から0.70%に縮みました。乱数の種を1から20に変えて繰り返したところ、20回すべてで、計画は費用の相対値を下げ、上限を超えた日を動かさない場合より増やし、余裕を100kW にすると超えた日が減りました。

この結果は、電気料金型の DR で負荷をずらすときには、電力量の単価(kWh の側)だけでなく、最大需要電力(kW の側)の料金と、予測の外れを同時に見る必要があることを示しています。この例題の費用の相対値には基本料金に当たる部分を入れていないので、0.7〜0.8%の下がり幅と、上限を超えたことによる影響を同じ尺度では比べていません。比べるには、基本料金に当たる部分と電力量料金に当たる部分の重みを置く必要があり、重みの置き方によって結果は変わります。扱い方としては、目的関数に最大需要電力の項を入れる、上限に予測の幅を見込んだ余裕を持たせる(第4章の分位点の予測)、当日の実績を見て解き直す(第11章のローリング計画)、といった設計があります。

応じられない場合の扱い、室内の環境と生産への影響、自動化と研究

インセンティブ型の DR では、約束した量を出せなかった場合の扱いが契約や市場の規則で決められています。容量市場では、落札した電源にはリクワイアメント(求められる要件)の達成が求められ、満たせない場合はペナルティが発生すると OCCTO の参加要件のページは説明しています。需給調整市場にも、評価(アセスメント)と、要件に合わなかった場合の扱いの基準があることが EPRX のページの項目から分かります。需要家とアグリゲーターの間の扱いは、それぞれの契約で決まります。本コラムでは扱いの額や率は書きません。契約の前に、次の点を確かめておくことが大事です。

確かめる点中身この章の例題との関係
ベースラインの方法どの方法か。当日調整の有無と計算の時間帯。要請が続いたときの扱い作り方によって、暑い日の DR で減らした量の算定が数十 kW 変わった
数える単位平均の電力(kW)か、積み上げた電力量(kWh)か。整数への丸め例題では両方を出した
出せる量の約束の仕方何 kW を何時間か。時間帯ごとに違う量を約束できるか13時の開始では、1時間と2時間で出せる量が倍以上違った
要請の予告の長さと回数前日か当日か、何時間前か。1日・1か月・1年の回数の上限空調と工程の制限から、続けられる時間に上限があった
応じられなかった場合の扱い不足した量の数え方と、その扱い。設備の故障や安全の理由で応じなかった場合下位10%の値で約束しても、下回る日は残る
反動増の扱い要請の終了の後の需要の増加が、算定や自社の料金にどう効くか反動増で、その30日の最大の需要電力が更新された
データと制御の権限30分値や設備のデータを誰が持つか。遠隔で制御する場合の権限と停止の手順設備ごとの計量があることを前提に出せる量を見積もった

出しすぎない考え方も大切です。対価を目当てに、室温の許容範囲や生産の条件を超えて需要を減らすと、第7章で扱った快適性と生産への支障が起きます。また、ある設備を止めた分を別の設備が補う(空調を止めた分を換気や局所の冷房で補う)と、受電電力は思ったほど下がらず、設備の負担だけが増えます。DR で動かす設備と時間は、室内の環境の許容範囲と生産の条件を先に決め、その範囲の中で出せる量として見積もるべきだと考えています。要請に応じる回数が増えるほど、在室者や生産の担当者の負担は積み重なるので、年間の発動の回数の上限を、社内でも決めておくことが望ましいと考えています。

要請を受けてから設備を動かすまでを自動化するには、アグリゲーターと需要家の設備のあいだで、要請の内容(いつ、どれだけ)を機械が読める形でやり取りする必要があります。そのための通信の規格の1つが OpenADR です。OpenADR Alliance の公式ページは、この団体が DR と分散型エネルギー資源を標準化・自動化・簡素化するために作られたことと、OpenADR を双方向の情報交換のモデルであるスマートグリッドの規格と説明しており、2.0 と 3.0 の仕様を掲げています。資源エネルギー庁の資料のページにも、OpenADR にもとづく「ディマンドリスポンス・インタフェース仕様書」が掲載されています。どの規格や機器を使うかはアグリゲーターと設備の構成で決まり、本コラムでは特定の製品を挙げません。自動化する場合も、保護装置やインターロックは外さず、現場で手動に戻せる手順と、通信が切れたときに安全な側に動く設計を前提にします(第11章)。

研究では、Albadi と El-Saadany の2008年の論文(電力市場でのデマンドレスポンスの全体像をまとめた論文。Electric Power Systems Research 誌の78巻11号)と、Siano の2014年の総説(デマンドレスポンスとスマートグリッドの調査。2014年刊行の総説誌の30巻)があります。本コラムでは、両者の書誌(著者・年・誌名・巻号)を出版社の DOI の登録情報で確かめた範囲で紹介しており、内容は題名から読み取れる範囲にとどめます。

海外の例については、資源エネルギー庁の2023年8月の検討会の資料が、電気料金型 DR が普及している国もあるとして、米国と英国の取り組みを調査の対象にしています。どの制度がどの国でどう運用されているかの詳細は、各国の公式の資料で確かめる必要があり、本コラムでは入口の紹介にとどめます。

自社に向くかの点検表と、経営の判断

DR に参加するかどうかは、得られる対価だけでは決められません。次の表は、自社の事業所が DR に向くかを点検するための表の例です。各項目を「当てはまる」「一部当てはまる」「当てはまらない」で評価し、当てはまらない項目が多い場合は、先に計測や運用を整えることを考えます。

項目当てはまる状態確かめ方
動かせる負荷止める・弱める・ずらせる設備が、要請の時間帯に一定の kW 以上ある設備ごとの電力と、要請の時間帯の運転の記録
続けられる時間要請の時間(1〜3時間など)のあいだ、室内の環境と生産の条件を守って続けられる室温の上がり方(第7章)と生産の計画
反動増の扱い要請の後に需要が増えても、自社の月の最大需要電力を更新しない運転ができる反動増を含めた30分値の見積り
計測30分値が手に入り、必要なら設備ごとの計量がある第2章のデータの点検
ベースラインとの相性需要が日によって大きく変わらない。気温への反応を当日調整で追える要請の無い日で、契約のベースラインの誤差を計算する
体制要請を受けてから設備を動かすまでの担当と承認が決まっている。自動化するなら手動に戻す手順がある社内の連絡の流れと、保安の手順
経済性の見込み対価が、手間・設備の負担・生産への影響・応じられない場合の扱いを上回る見込みがあるアグリゲーターの提示と、自社の影響の見積りを並べる(金額は本コラムでは扱わない)

経営の判断としては、DR への参加を、収入の見込みだけでなく、生産と室内の環境への影響、応じられない場合の扱い、要請の後の反動増による料金の影響と並べて決めるべきだと考えています。この判断を誤ったときの損失は、序章で整理した型で考えられます。

  • 快適性と生産への支障:出しすぎて、室内の環境や製品の品質を損なう
  • 機会損失:約束した量を出せずに、得られたはずの対価を取り逃す。ペナルティなどの扱いは、法令上の義務ではなく、市場の規則や契約にもとづくものである。また、動かせる負荷があるのに検討しないことも機会損失にあたる
  • 払いすぎ:要請の後の反動増で月の最大需要電力を更新し、契約電力の決まり方によってはその後の基本料金に効く
  • 効果の数え違い:DR で減らした量を省エネの効果として報告する
  • 形骸化:参加の契約だけがあって、要請の日の対応が担当者任せになり、実績の振り返りが行われない

仕組みに落とすなら、次の3つを先に決めておくことが有効だと考えています。1つ目は、DR で動かしてよい設備と、守る条件(室温の上限、生産の条件、年間の発動の回数の上限)を、施設管理と生産の責任者が合意した文書にすることです。2つ目は、要請の無い日の30分値で、契約のベースラインの誤差と、時間帯ごとの出せる量の下位の値を、季節ごとに見直すことです。3つ目は、要請のあった日ごとに、算定された DR で減らした量、自社で見積もった量、反動増を含む月の最大需要電力への影響、室内の環境と生産への影響を、同じ表に記録して振り返ることです。KPI は算定された DR で減らした量と得た対価だけにせず、応じた割合と、条件を外れた時間を並べて置くことが、形骸化と行きすぎの両方を防ぐと考えています。

この章では、DR で減らした量がベースラインという見積りと実績の差であり、ベースラインの作り方と需要の性質で算定される量が変わることを、架空のデータで確かめました。また、出せる量は続ける時間とセットで見積もる必要があり、要請の後の反動増や、価格に合わせた負荷の移動によって、最大の需要電力が上がりうることも確かめました。本章の負荷の移動の例題では、点の予測と固定の余裕(100kW)を使いました。次の第11章では、予測の外れを、より明示的に計画に織り込む方法を扱います。

この章を深めたい方への参考書籍

『電力システム改革の突破口 DR・VPP・アグリゲーター入門』(市村健、オーム社):書名のとおり、デマンドレスポンス・バーチャルパワープラント・アグリゲーターを、電力システム改革の流れの中で解説する入門書です。本章で入口だけを扱った当事者と市場の関係を、制度の背景から学ぶときの材料として挙げました。2021年の刊行なので、需給調整市場の商品の導入や ERAB ガイドラインの改定など、その後の変化は公式の資料で補う必要があります。

『OpenADRによるデマンドレスポンス通信』(蜷川忠三・山田倫久、森北出版):書名のとおり、本章で紹介した通信の規格 OpenADR によるデマンドレスポンスの通信を扱う本です。要請を受けてから設備を動かすまでを自動化する場合に、アグリゲーターや設備の事業者と同じ言葉で仕組みを話し合うための材料として挙げました。本書の刊行は2020年7月で、OpenADR Alliance が OpenADR 3.0 を公表したのは2023年11月28日なので、3.0 は本書の刊行の後に出た版です。

第11章 不確実さのもとでの運転計画、予測の誤差を織り込む最適化

第7章から第10章では、空調・熱源・蓄電池・デマンドレスポンスの運転の計画を、線形計画や混合整数計画で作りました。それらの計画は、先の外気温・需要・発電・相対単価が予測どおりになるという前提で解いたものが中心でした(第7章は、30分ごとに室温を測って解き直す形と、予報が外れた場合も試しています)。第10章では、デマンドレスポンスで出せる量を見積もるときに、出しすぎない考え方が要ることにも触れました。この章では、予測が外れることを計画の段階で織り込む方法を扱います。例題は蓄電池による最大需要電力の低下で、デマンドレスポンスで約束する量の決め方そのものは例題にしていませんが、予測の幅から余裕を取る考え方は同じです。

扱う内容は次のとおりです。中ほどでは、他の章とは独立に作った架空の事業所の記録を使い、実行したコードと結果で確かめます。

  • 予測が当たる前提の計画が、外れたときに何を起こすか。不確実さの種類と、計画と実績を分けて評価すること
  • 不確実さを織り込む方法の比較(予測の中央の値で解く・余裕を持たせて解く・シナリオを使う確率計画・ロバスト最適化・解き直しながら進めるローリング計画)
  • 蓄電池のある架空の事業所で、①から④の4つの型(③には期待値と CVaR の2通り、④には点の予測と余裕を足した場合の2通りがある)を84の稼働日の実績で比べた結果と、乱数の種を変えた繰り返しでの確認
  • シナリオの作り方、最悪の日を重く見る目的、予測を改善したときの実績の差、ローリング計画の設計
  • 計算時間・人の介入・故障や通信の途絶への備えと、経営が数字で決めること

この章の主張は、どのリスクをどこまで許すかを、目標を超える日の割合のような数字で先に決め、その数字と、平均の日と悪い日の両方の実績の指標で、計画の方法を選ぶべきだ、という点です。本コラムの架空データでは、予測の中央の値で作った計画の最大需要電力は、計画の上では評価日の平均で344.6 kWでしたが、実績では平均364.9 kWになり、84日のうち78.6%の日で実績が計画を上回りました。また、解き直すたびに予測を直すローリング計画を点の予測だけで解き直すと、5回の繰り返しのすべてで、1日に1回解いて実行するだけの計画より、日の最大需要電力の平均が大きくなりました。どちらも、この架空データの条件での結果で、一般にそうなるという主張ではありません。

予測が当たる前提の計画が外れたときに起きること

最適化の計画は、与えた予測のもとで最も良い運転を選びます。予測が当たれば、計画で見込んだ受電電力はそのまま実績になります(本章の例題では、目的関数に充電と放電に付けた小さな重みも入るので、計画と実績の費用は同じ式で計算し直して比べます)。予測が外れると、計画は「予測の世界での最適」にすぎなくなります。しかも、外れ方には偏りが生じやすい点に注意が要ります。最適化は、予測のもとで制約をぎりぎりまで使う解を選ぶ傾向があるからです。例えば、蓄電池でピークを下げる計画は、予測の上で正味の需要(需要から発電を引いた値)が最も大きい時間帯に、ちょうど足りる分だけ放電するように組まれます。実際の需要が予測より高い日には、その時間帯の放電が足りず、予測が低く外れた時間帯にピークが移ります。

起きることは、扱う設備ごとに次のように分けて考えると整理しやすくなります。蓄電池では、放電を早く使い切って、本当のピークの時間帯に残量が足りなくなります。空調の予冷では、外気温が予測より高い日に、室温の上限を外れる時間が出ます(第7章)。熱源の起動停止の計画では、負荷が予測より大きい日に、起動している機器だけでは負荷をまかなえず、計画外の追加の起動が要ります(第8章)。デマンドレスポンスでは、約束した量(デマンドレスポンスで減らす量)を出せない、あるいは出すために生産や室内の環境に無理がかかります(第10章)。いずれも、序章で整理した損失の型でいえば、払いすぎ(契約電力の決まり方によっては、高い最大需要電力がその後の基本料金に効く。決まり方は第1章)と、快適性と生産への支障にあたります。

この章でも、制御を変える内容を扱います。ここで述べる計画の方法を実際の設備に使う場合は、設備の仕様・保安規程・メーカーの定める運転の範囲のなかで、設備の担当者と電気主任技術者などの有資格者の確認のもとで行うことを前提とします。蓄電池の充電と放電の上下限・残量の下限は、例題では仮の値を置いていますが、実際には設備の仕様で決まる値です。

不確実さの種類と、計画と実績を分けた評価

エネルギーの運転計画に入る不確実さは、種類によって性質が違います。気温や日射のように、前日の予報である程度分かるが外れることがあるもの、需要のように気温と稼働の両方で揺れるもの、設備の故障のようにまれだが起きると影響が大きいもの、人の行動のように記録が残りにくいものがあります。性質が違えば、織り込み方も変わります。

不確実さ何が分かっていて何が分からないか外れ方の特徴計画への影響の例
気温前日の予報はあるが、日平均で数℃外れることがある1日の中で同じ向きに外れ続けやすい冷房の負荷・予冷の量・需要電力のピーク
需要暦・稼働の予定・予報の気温から予測できる気温の外れと、稼働の変更・在室の変動が重なる最大需要電力・蓄電池の放電の量
発電(自家消費の太陽光)晴れた日の形は分かるが、雲の量が外れる雲の変化などによる誤差が、数時間続くことがある正味の需要・余剰・充電の量
市場の価格前日に決まる価格と、当日に動く価格がある(契約によって違う)需給が厳しい日に大きく外れやすい負荷の移動・充放電の時間帯
設備の故障いつ起きるかは分からないまれだが、起きると計画の前提が崩れる使える容量・予備の台数
人の行動会議・残業・窓の開閉などは記録に残りにくい特定の日に偏って起きる空調の負荷・設定の上書き

どの方法を選ぶ場合も、評価の仕方は同じです。予測にもとづいて作った運転の予定を「計画」、真の需要・発電のもとで実際に起きた結果を「実績」と呼び、方法の良し悪しは実績の値で比べます。本章の例題での実績は、合成データの中で、真の需要と発電のもとで計画を実行した結果であり、実際の設備で測った値ではありません。また、蓄電池の充電と放電は事業所の需要そのものを変えないので、同じ日の需要と発電に別の方法の計画を当てはめて、実績を比べることができます。空調のように、操作を変えるとその後の室温や需要も変わる対象(第7章)では、観測した需要をそのまま別の制御に当てはめることはできません。計画の目的関数の値は、予測が当たった場合の値なので、効果や成果として報告してはいけません。また、1日だけを見て方法の良し悪しを決めることもできません。予測の外れ方は日によって違うので、多数の日の実績を集め、平均だけでなく、悪い日の値(最大や、目標を超えた日の割合)を並べて比べます。ここで比べる日は、計画を作るのに使った過去の日より後の日に限ります。過去の誤差の記録を使って作った計画を、同じ記録の日で評価すると、成績が実際より良く見えるからです。

不確実さを織り込む方法の比較

不確実さを計画に織り込む方法は、大きく5つに分けて考えると整理しやすくなります。1つ目は、予測の中央の値(点の予測)をそのまま入れて解く方法で、第7章から第10章の計画は、基本はこの型でした(第7章は、室温の範囲に0.5℃の余裕を取り、30分ごとに解き直す形も試しました)。2つ目は、予測に余裕を足した値で解く方法です。3つ目は、起こりうる将来の筋書き(シナリオ)を複数用意し、その平均(期待値)や悪い側の平均が良くなるように1つの計画を選ぶ確率計画です。4つ目は、不確実な値が一定の範囲のどこに来ても制約を守れるように解くロバスト最適化です。5つ目は、一定の間隔で、その時点までの実績を使って予測を直し、計画を解き直して、最初の分だけを実行するローリング計画です。第7章のモデル予測制御は、5つ目と同じ考え方を空調の制御に使ったものです。

方法何を入れて解くか長所短所向く場面
中央の値で解く点の予測1本計算が軽く、説明しやすい外れたときの備えが無い。制約をぎりぎりまで使う予測の誤差が小さく、外れても損失が小さい計画
余裕を持たせて解く予測に誤差の大きさに応じた余裕を足した値実装が簡単。余裕の大きさで慎重さを調整できる余裕の決め方に根拠が要る。どの時間帯に余裕が要るかで効き方が変わる誤差の大きさが過去の記録から分かっている場合
確率計画(シナリオ)過去の誤差などから作った複数のシナリオ平均と悪い側の重みを目的で選べるシナリオの作り方で結果が変わる。計算が重くなる誤差の記録が十分にあり、分布の形が効く場合
ロバスト最適化不確実な値が動く範囲(不確実性集合)範囲の中なら制約を必ず守れる範囲を広く取ると計画が慎重になりすぎる外れたときの損失が大きく、守るべき上限が厳しい場合
ローリング計画その時点までの実績で直した予測(上の方法と組み合わせる)当日の情報を使える。外れても途中で直せる解き直すたびの判断が、その時点の予測に引きずられることがある実績の計測が早く手に入り、計画を途中で変えられる設備

後の例題では、1つ目の中央の予測で解く方法を①、2つ目の余裕を足す方法を②、3つ目のシナリオを使う確率計画を③、5つ目のローリング計画を④と呼びます。4つ目のロバスト最適化は実行していません。②の「余裕を足す」は、誤差が一定の幅に収まるとみなして備える点でロバスト最適化に近い考え方ですが、不確実性集合を置いて解く方法ではありません。

確率計画の体系的な教科書として、Birge と Louveaux の教科書(Springer、2011年の版)があります。ロバスト最適化の教科書には、Ben-Tal、El Ghaoui、Nemirovski の教科書(Princeton University Press、2009年)があります。論文では、Bertsimas と Sim の2004年の論文(Operations Research 誌、52巻1号)がよく参照されます。この論文は、ロバストな解の慎重さの度合いを、制約を破る確率の上限と結びつけて調整でき、しかも線形計画の問題のまま解ける形を示しました。本コラムでは、これらの書誌を出版社と DOI の情報で、Bertsimas と Sim の論文の内容は要旨で確かめ、考え方の紹介に留めています。在庫と発注量の決め方で同じ考え方を扱った例は、弊社コラム『在庫と発注量を決める数理モデル、安全在庫の計算から多段階在庫の最適化まで』にあります。

確率で表す制約という考え方もあります。例えば「最大需要電力が目標を超える確率を5%以下にする」のように、制約を守れない確率に上限を付ける方法です。シナリオを使う場合は、シナリオのうち目標を超えるものの割合を数える形で近づけることができますが、整数の変数が要るので計算が重くなります。本章の例題では実行せず、目標を超えた日の割合を実績で数えて評価するだけにしています。

ローリング計画の流れの図。過去の誤差の記録、予測を直す、残りの時間の計画を解く、最初の30分だけ実行する、実績を測る、30分ごとにくり返す の箱を矢印でつないでいる

架空の事業所と、時間で相関する予測の誤差

ここからは、4つの方法をコードで比べます。この章のデータは、他の章とは独立に作った架空の合成データで、実際の事業所の記録よりずっと単純です。合成データでの成績や削減量は、実際の事業所での値の目安にはなりません。示したいのは、同じ設備と同じ予測でも、誤差の織り込み方で実績の最大需要電力と費用がどう変わるかという点です。

例題の事業所は、自家消費の太陽光発電(最大250 kW)と蓄電池(容量400 kWh、出力150 kW)を持つ架空の事業所Cです。240日分の記録を、次の性質を持たせて乱数で作りました(乱数の種は20261117に固定しています)。コードは Python 3.14.3・numpy 2.4.3・scipy 1.16.3 で実行し、グラフの日本語の表示には japanize-matplotlib 1.1.3 を使いました。

この例題では、電気を測る場所で語を分けます。需要は事業所の中の設備が使う電力、正味の需要は需要から太陽光の発電を引いた値(蓄電池を入れる前)、受電電力は蓄電池の充電と放電を入れた後に、受電点で送配電の設備から受ける電力です。最大需要電力と目標は、受電電力について数えます。

  • 単位:1日を48コマに分け、各コマの値はそのコマの平均の電力(kW)で持つ。これが需要電力にあたる。コマの電力量(kWh)は、電力に0.5時間を掛けて求める。コマは始まりの時刻で呼び(13時のコマは13時から13時30分まで)、充電量はコマの終わりの値で持つ
  • 需要:夜間や休業日も続く電力として一定の150 kW(合成データの置き方で、実際の事業所では一定とは限らない)、稼働の時間帯(8時から19時)に230 kW、気温が22℃を超えた分に応じた冷房の負荷。7日に2日の休業日と、まれな架空の休業日を入れた
  • 気温:架空の地点の日平均気温に、1日の周期を足した。前日の予報の日平均気温は、実績に標準偏差1.2℃の誤差を足したものとした
  • 発電:晴れた日の発電の形に、天気の係数を掛けた。前日に予測した係数に対して、実績の係数は日ごとのずれと、時間で相関する揺れを持つ
  • 予測:前日の予報の気温と天気の係数から作った、翌日0時から24時までの48コマの正味の需要の予測。前日のうちに作る想定で、発行の時刻は特定していない。実績との誤差は、気温の外れによって1日の中で同じ向きに続きやすい

この例題では、需要の予測のモデルそのものは作らず、予測と誤差を合成しています。予測の作り方は第3章と第4章で扱いました。欠測や異常値も入れていません。予測の誤差が1日の中で同じ向きに続く性質(時間の相関)を入れた点が、この例題の要です。次のコードは、設定と、時間で相関する誤差を作る関数です。電力量に掛かる部分は相対単価(昼の電力量の単価を1.0とした比で、単位の無い数)で置き、夜は0.7、13時から16時は1.3としました。最大需要電力に掛かる部分は、日の最大需要電力1 kW あたり30(相対値)の重みで置きました。この2つを足したものを費用の相対値と呼びます。単価を相対値で置いて計算した、単位の無い数で、金額ではありません。重み30は、基本料金に当たる部分の効き方を例題として単純に表した置き方で、重みの置き方によって結果は変わります。本章では重み30だけで比べ、他の重みは試していません。実際の基本料金は契約電力の決まり方によって月の最大需要電力などが反映され、その決まり方は第1章と契約・約款で確かめる事項です。

import sys, io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding="utf-8")
import numpy as np
from scipy.optimize import linprog
from scipy.sparse import coo_matrix

T, DT = 48, 0.5                       # 1日48コマ、1コマ0.5時間
h = np.arange(T) * DT                 # コマの始まりの時刻(時)
PRICE = np.where((h >= 8) & (h < 22), 1.0, 0.7)   # 相対単価(昼の単価を1.0とした比)
PRICE[(h >= 13) & (h < 16)] = 1.3
LAM = 30.0                            # 日の最大需要電力1kWあたりの重み(相対値)
CAP, PMAX, ETA = 400.0, 150.0, 0.95   # 容量kWh・出力kW・片道の効率
SMIN, SMAX, S0 = 0.1 * CAP, 0.9 * CAP, 0.5 * CAP  # 充電量の下限・上限・朝の値(kWh)

def ar1(rng, n, phi, sd):             # 時間で相関する誤差(コマごとのAR(1))
    e = np.zeros((n, T)); e[:, 0] = rng.normal(0, sd, n)
    for t in range(1, T):
        e[:, t] = phi * e[:, t - 1] + rng.normal(0, sd * np.sqrt(1 - phi**2), n)
    return e

次のコードは、240日分の記録を作る関数です。alpha は予測の誤差の大きさを変えるための引数で、後の節で誤差を半分にしたときの実績の差を調べるのに使います。

def make_data(seed, n_days=240, alpha=1.0):
    rng = np.random.default_rng(seed)
    d = np.arange(n_days)
    holiday = (d % 7 >= 5) | (rng.random(n_days) < 0.04)   # 架空の休業日
    tm = 27 + 2.5 * np.sin(2 * np.pi * d / n_days) + rng.normal(0, 1.8, n_days)
    tm_fc = tm + rng.normal(0, 1.2, n_days)                 # 前日の予報の日平均気温
    day = np.sin(2 * np.pi * (h - 9) / 24)
    op = ((h >= 8) & (h < 19)).astype(float)
    def demand(tmean, hol):                                  # 需要電力(kW)
        temp = tmean[:, None] + 4 * day
        run = np.where(hol[:, None], 0.15, 1.0) * op
        return 150 + 230 * run + 14 * np.maximum(temp - 22, 0) * (0.3 + 0.7 * run)
    dem = demand(tm, holiday) + ar1(rng, n_days, 0.8, 10)
    dem_fc = demand(tm_fc, holiday)
    clear = np.maximum(np.sin(np.pi * (h - 6) / 12), 0)    # 晴れた日の発電の形
    k_fc = rng.uniform(0.35, 1.0, n_days)                   # 前日に予測した天気の係数
    k = np.clip(k_fc[:, None] + rng.normal(0, 0.12, (n_days, 1))
                + ar1(rng, n_days, 0.9, 0.06), 0.05, 1.0)
    pv, pv_fc = 250 * clear * k, 250 * clear * k_fc[:, None]  # 発電の電力(kW)
    net = dem - pv                                          # 正味の需要(kW)
    net_fc = net - alpha * (net - (dem_fc - pv_fc))         # alphaで誤差の大きさを変える
    return dict(net=net, fc=net_fc, dem=dem, pv=pv, holiday=holiday)

実行した結果、評価に使う後半の稼働日(84日)の正味の需要の最大は535.9 kWで、過去の日の誤差の標準偏差は22.4 kWでした。直前のコマの誤差から次のコマの誤差を説明する、切片の無い回帰の係数(本章では「持続の係数」と呼びます)は0.941で、誤差は30分ではほとんど同じ向きのまま続きます(参考として、1コマ先との誤差の相関係数は0.940でした)。この持続の係数は、後のローリング計画で、直前のコマの誤差から先のコマの予測を直すのに使います。

蓄電池の充放電の計画を線形計画で解く

計画は、第9章と同じく線形計画で作ります。決めるものは、各コマの充電の電力・放電の電力・コマの終わりの充電量(kWh)・受電電力です。目的は、費用の相対値(相対単価×受電電力×0.5時間の合計に、受電電力の日の最大に重み30を掛けたものを足した値)を最小にすることです。制約は次のとおりです。充電量の収支は、前のコマの充電量に、充電で入った分を足し、放電で出た分を引きます。片道の効率は0.95で、充電に使った電力量に対して放電で取り出せる割合(往復)は約0.90になります。充電量の下限は40 kWh、上限は360 kWh で、定格の容量400 kWh のうち使える幅は320 kWh です。充電と放電の出力の上限は、例題ではどちらも150 kW と置きました(実際の設備では別々の値になることがあります)。1日の終わりの充電量は、朝と同じ200 kWh 以上に戻します。この終わりの条件は、比べるすべての方法に同じく置いています。受電電力は「正味の需要から放電を引いて充電を足した値」以上で、負になる分は余剰として、価値は0とします。

シナリオを使う確率計画も、同じ関数で解けるように書きました。シナリオが S 本あるとき、充電と放電の計画は全シナリオで共通の1つとし、受電と最大需要電力はシナリオごとに持たせます。目的は、シナリオごとの費用の相対値の平均です。引数 beta を与えると、最大需要電力の平均の代わりに、悪い側の「1から beta を引いた割合」のシナリオの最大需要電力の平均(CVaR)を目的に入れます。CVaR を最小にする計算については、Rockafellar と Uryasev の2000年の論文(The Journal of Risk 誌、2巻3号)の要旨に、シナリオを使う方法と組み合わせると計算が線形計画などに帰着することが多い、と書かれています(本コラムでは書誌と要旨を確かめました。掲載したコードの式が論文のどの式に当たるかは確かめていません)。投資の配分で CVaR を扱った例は、弊社コラム『投資配分を決める数理モデル、ポートフォリオ最適化から事業投資の予算配分まで』にあります。ソルバーは scipy の linprog(HiGHS)で、状態が最適(Optimal)でなければ止まるように assert を置きました。

def solve(scen, s_init=S0, floor=0.0, price=PRICE, s_end=S0, beta=None):
    """scen: (S,H) の正味の需要の予測(kW)。蓄電池の充電・放電の計画を1つ作る"""
    S, H = scen.shape
    iC, iD, iS, iI = 0, H, 2 * H, 3 * H          # 変数の並び:充電・放電・充電量・受電
    iP = iI + S * H                               # シナリオごとの最大需要電力
    n = iP + S + (S + 1 if beta else 0)           # CVaRを使うときは z と u を足す
    t = np.arange(H)
    # 充電量の収支:s_t - s_{t-1} - 0.5*ETA*c_t + 0.5/ETA*d_t = 0
    r = np.r_[t, t, t, t[1:]]; c = np.r_[iS + t, iC + t, iD + t, iS + t[1:] - 1]
    v = np.r_[np.ones(H), -DT * ETA * np.ones(H), DT / ETA * np.ones(H), -np.ones(H - 1)]
    A_eq = coo_matrix((v, (r, c)), shape=(H, n)); b_eq = np.zeros(H); b_eq[0] = s_init
    k = np.arange(S * H); s_of, t_of = k // H, k % H
    # 受電 >= 正味の需要 - 放電 + 充電、 最大需要電力 >= 受電
    r = np.r_[k, k, k, S * H + k, S * H + k]
    c = np.r_[iI + k, iD + t_of, iC + t_of, iI + k, iP + s_of]
    v = np.r_[-np.ones(S * H), -np.ones(S * H), np.ones(S * H), np.ones(S * H), -np.ones(S * H)]
    b = np.r_[-scen.ravel(), np.zeros(S * H)]
    cost = np.zeros(n); cost[iC:iS] = 1e-3        # 無駄な充放電を避ける小さな重み
    cost[iI:iP] = np.tile(price * DT, S) / S      # 電力量に掛かる費用の相対値の期待値
    if beta:                                      # 最大需要電力のCVaR(上側1-betaの平均)
        iz, iu = iP + S, iP + S + 1
        r = np.r_[r, 2 * S * H + np.arange(S).repeat(3)]
        c = np.r_[c, np.c_[iP + np.arange(S), np.full(S, iz), iu + np.arange(S)].ravel()]
        v = np.r_[v, np.tile([1.0, -1.0, -1.0], S)]; b = np.r_[b, np.zeros(S)]
        cost[iz], cost[iu:] = LAM, LAM / ((1 - beta) * S)
    else:
        cost[iP:iP + S] = LAM / S
    A_ub = coo_matrix((v, (r, c)), shape=(len(b), n))
    bounds = [(0, PMAX)] * (2 * H) + [(SMIN, SMAX)] * (H - 1) + [(max(s_end, SMIN), SMAX)]
    bounds += [(0, None)] * (S * H) + [(floor, None)] * S
    bounds += [(None, None)] + [(0, None)] * S if beta else []
    res = linprog(cost, A_ub=A_ub.tocsr(), b_ub=b, A_eq=A_eq.tocsr(), b_eq=b_eq,
                  bounds=bounds, method="highs")
    assert res.status == 0, res.message           # 最適(Optimal)でなければ止める
    return res.x[iC:iD], res.x[iD:iS], res.status, res.fun, res.x[iP:iP + S].mean()

無駄な充放電を避けるために、充電と放電の電力に小さな重み(0.001)を付けています。この重みは、相対単価(0.7から1.3)に比べて小さい値にしました。充電と放電が同じコマで同時に起きることを禁じる制約は入れていません。効率が1より小さいので、同時に起こすと電力量を失いますが、余剰の価値を0とした時間帯などでは同時に起きる解が出る可能性があるので、結果で確かめる必要があります。本章の評価日(種20261117の84日)では、①・②・③・③’・④・④’と見通し4時間の設計のどの日のどのコマでも、充電と放電の小さい方は0.000 kW で、同時には起きていませんでした。この点は第9章で扱った注意と同じです。

計画を実績で評価し、ローリング計画で解き直す

次のコードの execute は、計画した充電と放電の電力を、真の正味の需要のもとでそのまま実行したときの受電電力と充電量を求めます。ここで、受電電力から余剰を引き、放電を足して充電を引いた値が、需要から発電を引いた値に等しいという、エネルギーの収支が合っていることと、充電量が上下限の中にあることを assert で確かめます。rolling は、ローリング計画です。各コマの始めに、そのコマの直前までの実績から誤差を求め、先のコマの予測を「直前の誤差×0.941のコマ数乗」だけ直します。そのうえで、残りの時間の計画を解き、最初のコマの分だけを実行します。すでに実績として出た受電電力の最大は、残りの計画の最大需要電力の下限として渡します。引数 margin を与えると、解き直すたびに、直した予測へ余裕を足してから解きます(後で比べる④’)。誤差は、余裕を足す前の予測と実績の差から求めます。

ローリング計画が使う情報は、そのコマの直前までの実績だけです。そのコマ自身や先のコマの実績は使っていません。持続の係数0.941も、評価に使う日より前の過去の日の誤差から推定した値です。

def execute(ch, dis, net, s_init=S0):
    """計画の充電・放電を、真の正味の需要のもとで実行した結果(実績)"""
    grid = net - dis + ch                         # 受電電力(負なら余剰で、価値は0とする)
    imp, exp = np.maximum(grid, 0), np.maximum(-grid, 0)
    soc = s_init + np.cumsum(DT * (ETA * ch - dis / ETA))
    assert np.allclose(imp - exp + dis - ch, net)  # 収支:受電-余剰+放電-充電=需要-発電
    assert (soc >= SMIN - 1e-6).all() & (soc <= SMAX + 1e-6).all()
    return imp, soc

def rolling(fc, net, phi, every=1, horizon=T, s_end=S0, margin=None):
    """every コマごとに、その時点までの実績で予測を直して解き直す(最初の分だけ実行)
    margin:解き直すときに予測へ足す余裕(kW)。誤差は余裕を足す前の予測 fc から求める"""
    ch, dis = np.zeros(T), np.zeros(T)
    soc, peak, e_last = S0, 0.0, 0.0
    for t in range(T):
        if t % every == 0:
            H = min(horizon, T - t)
            f = fc[t:t + H] + phi ** np.arange(1, H + 1) * e_last   # 直前の誤差は少し残る
            if margin is not None:
                f = f + margin[t:t + H]
            end = s_end if t + H == T else SMIN
            pc, pd, st, _, _ = solve(f[None], soc, peak, PRICE[t:t + H], end)
            assert st == 0
            t0 = t
        ch[t], dis[t] = pc[t - t0], pd[t - t0]
        soc += DT * (ETA * ch[t] - dis[t] / ETA)
        peak = max(peak, net[t] - dis[t] + ch[t])          # ここまでの受電電力の最大(kW)
        e_last = net[t] - fc[t]                            # このコマの予測の誤差(kW)
    return ch, dis

次のコードは、方法ごとに評価日の実績を集める部分です。前半の120日を過去の日として誤差の記録を集め、後半の120日のうち稼働日の84日を評価日にしました。シナリオは、過去の日の誤差の道筋を日ごと30本引き、その日の予測に足したものです。目標の最大需要電力(受電電力の日の最大の目標)は、過去の日を完全に当てた場合の日の最大需要電力の80%点を10 kW 単位に丸めた値(430 kW)とし、評価日の記録は使わずに決めました。②の余裕は、過去の日の誤差のコマごとの標準偏差を、予測に足したものです。④’は、④と同じ解き直しに、②と同じ余裕を足したものです。ローリング計画の設計の比較・シナリオを使ったローリング計画・方法ごとの放電の集計のスクリプトは掲載していません。

def setup(seed, alpha=1.0, n_scen=30):
    D = make_data(seed, alpha=alpha)
    days = np.arange(240)
    tr = days[(days < 120) & ~D["holiday"]]                 # 過去の日(誤差を集める)
    ev = days[(days >= 120) & ~D["holiday"]]                # 評価する日(稼働日)
    E = D["net"][tr] - D["fc"][tr]                          # 過去の日の誤差の記録(kW)
    phi = (E[:, 1:] * E[:, :-1]).sum() / (E[:, :-1] ** 2).sum()   # 持続の係数(切片なしの回帰係数)
    rng = np.random.default_rng(seed + 1)
    pick = [rng.choice(len(tr), n_scen, replace=False) for _ in ev]
    return D, tr, ev, E, phi, pick

def evaluate(seed, alpha=1.0, methods=None, tgt=None):
    D, tr, ev, E, phi, pick = setup(seed, alpha)
    sig = E.std(axis=0)
    if tgt is None:   # 目標:過去の日を完全に当てた場合の日の最大需要電力の80%点(10kW単位)
        pk = [execute(*solve(D["net"][d][None])[:2], D["net"][d])[0].max() for d in tr]
        tgt = np.round(np.quantile(pk, 0.8), -1)
    plans = {
        "電池なし": lambda i, d: (np.zeros(T), np.zeros(T)),
        "①中央の予測": lambda i, d: solve(D["fc"][d][None])[:2],
        "②余裕を足す": lambda i, d: solve((D["fc"][d] + sig)[None])[:2],
        "③シナリオ期待値": lambda i, d: solve(D["fc"][d] + E[pick[i]])[:2],
        "③'シナリオCVaR": lambda i, d: solve(D["fc"][d] + E[pick[i]], beta=0.9)[:2],
        "④ローリング": lambda i, d: rolling(D["fc"][d], D["net"][d], phi),
        "④'ローリング+余裕": lambda i, d: rolling(D["fc"][d], D["net"][d], phi, margin=sig),
        "完全に当たる": lambda i, d: solve(D["net"][d][None])[:2],
    }
    out = {}
    for name in (methods if methods else plans):
        imp = np.array([execute(*plans[name](i, d), D["net"][d])[0] for i, d in enumerate(ev)])
        peak = imp.max(axis=1)
        cost = (imp * PRICE * DT).sum(axis=1) + LAM * peak   # 実績で評価した費用の相対値
        out[name] = dict(peak=peak, cost=cost, over=(peak > tgt).mean())
    return out, tgt, phi, len(ev)

最後に、比べた結果を出力する部分です。①の計画の値(予測が当たった場合の値)も出力して、実績と並べます。

if __name__ == "__main__":
    out, tgt, phi, n = evaluate(20261117)
    print(f"評価した稼働日 {n}日、目標 {tgt:.0f} kW、誤差の持続の係数 phi={phi:.3f}")
    print("方法 | 日の最大需要電力の平均(kW) | 期間の最大(kW) | 費用の相対値の平均 | 目標を超えた日の割合")
    for k, o in out.items():
        print(f"{k} | {o['peak'].mean():.1f} | {o['peak'].max():.1f} | {o['cost'].mean():.0f} | {o['over']:.1%}")
    # ①の計画の値(予測が当たった場合の値)と、実績の差
    D, tr, ev, E, phi, pick = setup(20261117)
    r = np.corrcoef(E[:, :-1].ravel(), E[:, 1:].ravel())[0, 1]
    print(f"参考:1コマ先との誤差の相関係数 {r:.3f}")
    pl = []                     # 計画の値:予測した正味の需要のもとで、実績と同じ式で計算する
    for d in ev:
        imp_p = execute(*solve(D["fc"][d][None])[:2], D["fc"][d])[0]
        pl.append([(imp_p * PRICE * DT).sum() + LAM * imp_p.max(), imp_p.max()])
    pl = np.array(pl)
    print(f"①の計画の最大需要電力の平均 {pl[:, 1].mean():.1f} kW、実績 {out['①中央の予測']['peak'].mean():.1f} kW")
    print(f"①の計画の費用の相対値の平均 {pl[:, 0].mean():.0f}、実績 {out['①中央の予測']['cost'].mean():.0f}")
    print(f"①で実績の最大が計画を上回った日 {(out['①中央の予測']['peak'] > pl[:, 1] + 1e-6).mean():.1%}")
    print("方法 | 日の最大需要電力の最小 | 25%点 | 中央の値 | 75%点 | 最大(kW)")
    for k, o in out.items():
        q = np.quantile(o["peak"], [0, 0.25, 0.5, 0.75, 1])
        print(f"{k} | " + " | ".join(f"{v:.1f}" for v in q))

このコードを上から順につなげて実行すると、次の表の値が出ます。現行のコードを1回通した実行時間は、他の計算と並行して動かした状態で41.8秒でした。

84日の実績での比較

方法日の最大需要電力の平均(kW)期間の最大(kW)費用の相対値の平均目標の430 kW を超えた日の割合
電池なし467.6535.91975390.5%
①中央の予測364.9450.4165932.4%
②余裕を足す365.4450.4166081.2%
③シナリオ期待値365.2450.8166052.4%
③’シナリオCVaR370.5449.0167561.2%
④ローリング(点の予測)373.8464.7168532.4%
④’ローリング+余裕(後から作った方法)363.5441.1165511.2%
完全に当たる(参考)349.1428.1161190.0%

「日の最大需要電力」は、その日の受電電力の48コマのうち最も大きい値です。「期間の最大」は、84日の日の最大需要電力のうち最も大きい値で、契約電力の決まり方によって月の最大需要電力が基本料金に効く場合(第1章)には、この値が重要になります。「費用の相対値の平均」は、実績の受電電力で計算した電力量に掛かる部分と、日の最大需要電力に重み30を掛けた部分の和の、日ごとの平均です。蓄電池を使う方法はどれも1日の終わりの充電量を200 kWh 以上に戻す条件を同じく置いており、①から④’の方法では、84日の実績の1日の終わりの充電量は平均・最小とも200.0 kWh でした。終わりの充電量がそろっているので、蓄電池を空にした方法が有利に見えることはありません。目標を超えた日の割合の2.4%は84日のうち2日、1.2%は1日にあたります。1日の差は、乱数の揺れで簡単に入れ替わる大きさです。④’は、④の結果を見た後に作った方法なので、表では「後から作った方法」と添えました(理由は次の節)。

次の表は、方法ごとの日の最大需要電力の実績の散らばりを、84日の値の最小・25%点・中央の値・75%点・最大で示したものです。最大の列は、上の表の期間の最大と同じ値です。

方法最小(kW)25%点(kW)中央の値(kW)75%点(kW)最大(kW)
電池なし374.0449.8468.9486.3535.9
①中央の予測282.4342.1367.5387.7450.4
②余裕を足す288.1344.8368.6388.4450.4
③シナリオ期待値278.6341.7369.4388.0450.8
③’シナリオCVaR296.5350.7373.3394.2449.0
④ローリング(点の予測)298.5351.6375.0397.7464.7
④’ローリング+余裕(後から作った方法)282.5343.3364.2385.5441.1
完全に当たる(参考)262.9326.0349.7372.0428.1

電池なしは、25%点(449.8 kW)でも目標の430 kW を上回っています。①から④’までの蓄電池を使う方法の中央の値は、364.2 kW から375.0 kW の間でした(参考の「完全に当たる」は349.7 kW です)。

結果から読み取れることは4つあります。1つ目は、計画の値と実績の差です。①の計画では、日の最大需要電力の平均は344.6 kW でしたが、実績は364.9 kW で、84日のうち78.6%の日で実績が計画を上回りました。費用の相対値の平均は、計画の15946に対して、実績は16593でした。計画の値は、予測した正味の需要のもとでの受電電力から、実績と同じ式で計算したものです。予測が当たると仮定した計画の値は、実績より良く見えるので、効果や成果として報告すると過大になります。2つ目は、予測が完全に当たる場合との差です。完全に当たる場合の日の最大需要電力の平均は349.1 kW で、①との差は15.8 kW でした。これが、この例題で予測の誤差によって失っている分の大きさです。

3つ目は、①・②・③の差が小さいことです。日の最大需要電力の平均の差は1 kW に満たず、この1回の実行だけでは順位を決められません。②では、過去の日の誤差のコマごとの標準偏差(10.4 kW から36.2 kW。8時から19時の平均は29.9 kW)を予測に足しましたが、この例題では1日に1回解いて実行するだけの計画の結果をほとんど変えませんでした。4つ目は、見込みと違った結果です。④のローリング計画は、当日の実績を使って解き直しているのに、日の最大需要電力の平均(373.8 kW)も期間の最大(464.7 kW)も、1日に1回解くだけの①より大きくなりました。③’の CVaR は、期間の最大を少し下げましたが、日の最大需要電力の平均と費用は増えました。

乱数の種を変えた繰り返し

1回の乱数の実行だけで方法の良し悪しを言い切らないよう、乱数の種を変えて同じ比較を5回行いました(種は20261117と1・2・3・4。この繰り返しのスクリプトは掲載していません)。種を変えると記録全体が作り直されるので、休業日の数も変わり、評価日は83日から85日になりました。目標を超えた日の割合は、5回とも目標を430 kW にそろえて数えました(目標を種ごとに過去の日から決め直すと、種1から3では420 kW になります)。

表には、84日の比較にも入れた「④’ローリング+余裕」(解き直すときに②と同じ余裕を足す)も含めました。④’は、④の結果を見た後に作った方法で、同じ評価日で比べています。後から作った方法を同じ期間で評価すると成績がよく見えやすいので、④’の結果は、新しい期間で確かめる必要があります。次の表は、①との差(各方法の値から①の値を引いたもの)を5回分まとめたものです。

方法日の最大需要電力の平均の①との差(kW、5回)①より小さかった回数期間の最大の①との差(kW、5回)目標の430 kW を超えた日の割合(5回)
①中央の予測0(①の値は360.8〜367.5)(基準)0(①の値は450.4〜488.8)2.4%・3.6%・3.5%・2.4%・2.4%
②余裕を足す+0.5・-0.1・+1.2・+0.8・+1.31回0.0・-4.2・-5.9・-3.1・0.01.2%・4.8%・3.5%・1.2%・2.4%
③シナリオ期待値+0.3・-0.5・-0.2・-0.3・-0.34回+0.4・+3.6・-4.0・+2.9・-0.52.4%・3.6%・4.7%・1.2%・3.5%
③’シナリオCVaR+5.6・+6.2・+6.6・+2.9・+5.10回-1.4・-6.1・-0.1・-4.6・-8.61.2%・6.0%・5.9%・2.4%・4.7%
④ローリング(点の予測)+8.9・+6.1・+8.5・+6.2・+7.70回+14.3・+26.5・-3.5・-3.3・+18.42.4%・6.0%・8.2%・3.6%・7.1%
④’ローリング+余裕(後から作った方法)-1.4・-2.1・-0.5・-1.6・-1.15回-9.3・+10.0・-6.7・-7.4・-4.71.2%・2.4%・4.7%・1.2%・2.4%
完全に当たる(参考)-15.8・-15.2・-14.8・-14.9・-14.65回-22.3・-17.0・-20.4・-25.0・-24.60.0%・1.2%・3.5%・1.2%・2.4%

差の向きが5回で一貫していたのは、次の方法です。④の点の予測によるローリング計画は、5回すべてで日の最大需要電力の平均が①より大きく、差は6.1 kW から8.9 kW でした。目標を超えた日の割合も、5回のうち4回で①より高くなりました(最も大きい回で8.2%、①は3.5%)。③’の CVaR は、5回すべてで期間の最大が①以下、日の最大需要電力の平均が①より大きくなりました。

④’は、5回とも日の最大需要電力の平均が①より小さい向きでしたが、差は0.5 kW から2.1 kW と小さく、②(-0.1 kW から+1.3 kW)や③(-0.5 kW から+0.3 kW)の差と同じくらいの大きさです。費用の相対値の平均も5回とも①より小さい向きでした。期間の最大は、1回(種1)で10.0 kW 大きくなり、向きがそろいませんでした。前の節で「1 kW に満たない差では順位を決められない」と書いたのと同じ理由で、④’が①よりよいと言える大きさの差ではありません。この例題から言えるのは、点の予測のまま解き直すと、日の最大需要電力の平均が①より大きくなる向きが5回で一貫し(期間の最大は5回のうち2回で①より小さかった)、余裕を足して解き直すと、その平均の悪化は見られなかった、というところまでです。②と③は、①との差が小さく、向きも回によって入れ替わりました。

解き直すだけでは良くならない場合と、ローリング計画の設計

④が①より悪くなった仕組みの手がかりを、1日の記録で調べました。次のグラフは、評価日のうち④の日の最大需要電力が①より最も大きくなった日(147日目)の受電と充電量です。この日は、前日の予測では正味の需要の最大が427.7 kW でしたが、実績は473.2 kW で、予測が低く外れた日でした。この日を選んだのは、④がうまくいかない仕組みを見るためで、典型的な日という意味ではありません。

予測が低く外れた1日の、正味の需要の予測と実績、3つの方法の受電電力の実績と蓄電池の充電量の推移を示したグラフ。点の予測によるローリング計画は13時台に放電を使い、夕方に充電量が足りなくなっている

グラフの上段は、正味の需要の予測と実績、3つの方法の受電電力の実績です。上段は、コマの平均の電力をコマの中央の時刻に描いています。下段は、3つの方法の蓄電池の充電量で、コマの終わりの値をコマの終わりの時刻に描いています。

ログで確かめた事実は次のとおりです。この日、④は13時のコマに出力の上限の150 kW で放電しました(①は8 kW、④’は25 kW)。13時のコマの前までに、12時30分のコマで受電電力の実績が422.1 kW まで出ていました。13時のコマの正味の需要は、予測の349 kW に対して実績は428 kW で、④の放電によって受電電力は278 kW になりました。16時30分のコマの終わり(17時)の充電量は、④で86 kWh まで減りました(①は209 kWh、④’は142 kWh)。日の最大需要電力は、④が458.5 kW(18時30分のコマ)、①が423.8 kW(13時30分のコマ)、④’が428.4 kW(18時30分のコマ)でした。

この日については、次のように説明できます。13時から16時は相対単価が1.3と高い時間帯です。④の計画は、すでに出た受電電力の最大を下限として受け取るので、その値より下の範囲では、ピークのために電池を残す理由が無く、単価の高い時間帯に放電して電力量に掛かる部分を下げる解になりえます。一方、予測の直し方は「直前の誤差が0.941のコマ数乗で薄れていく」形なので、予測が低く外れ続ける日には、夕方の正味の需要が実績より低く見積もられます。この説明は、この日の数値と合いますが、計画の中身を1つずつ取り出して確かめたものではありません。

同じ傾向が他の評価日にもあるかを、84日の集計で確かめました。13時から16時のコマの放電の電力量は、1日あたり④が64.9 kWh、①が33.4 kWh でした。④の日の最大需要電力が①より大きかった66日のうち、61日で13時から16時の放電が①より多く、58日で④の日の最大が17時以降のコマに出ていました。④’では、13時から16時の放電は1日あたり42.3 kWh でした。これらは、点の予測のまま解き直すと午後に放電を使い、夕方に残りが足りなくなる日が多いという見方と合いますが、1つの乱数の種での集計で、他の種では確かめていません。当日の情報を使えば必ず良くなるわけではない、ということは、この例題からも言えます。

次の表は、ローリング計画の設計を変えたときの結果です。どれも④’と同じく、解き直すときに予測へ誤差の余裕を足しています。「見通し」は、解くときに先の何時間までを計画に入れるかで、見通しが1日の終わりまで届かないときは、見通しの終わりの充電量に条件を付けていません。

設計日の最大需要電力の平均(kW)期間の最大(kW)費用の相対値の平均目標を超えた日の割合1日の終わりの充電量の平均(kWh)1日に解く回数84日の計算時間(秒)
30分ごとに解き直す363.5441.1165511.2%2004815.7
1時間ごとに解き直す363.7443.4165541.2%200249.6
4時間ごとに解き直す363.6448.9165531.2%20062.3
見通し4時間・30分ごと399.0477.01766413.1%2004814.1
見通し8時間・30分ごと364.7445.1165932.4%2004814.5
1日の終わりの条件なし・30分ごと363.5441.1164311.2%404817.1

解き直す間隔は、30分・1時間・4時間で日の最大需要電力の平均がほとんど変わらず、期間の最大は間隔が短いほど小さくなりました。計算時間は、解く回数が減ると短くなりました(48回で15.7秒、6回で2.3秒)。計算時間は、Intel Core Ultra 7 258V・メモリ32 GB の計算機で、他の計算と並行して動かしたときの値です。見通しを4時間に縮めると、日の最大需要電力の平均は399.0 kW、目標を超えた日の割合は13.1%に悪化しました。84日の集計では、見通し4時間の設計は8時から13時のコマに1日あたり147.4 kWh を放電し(見通しが1日の終わりまで届く④’は3.1 kWh)、16時30分のコマの終わりの充電量は平均173.3 kWh(④’は250.9 kWh)でした。見通しの外にある夕方を考えずに、午前中に放電を使っていたことが数値から分かります。この例題では日の最大が夕方に出る日が多いので、見通しはその時間帯まで届く長さが要りました。

1日の終わりの充電量の条件を外すと、日の最大需要電力は変わらないまま、費用の相対値の平均が16551から16431に下がり、よく見えます。しかし1日の終わりの充電量は平均40 kWh で、下限まで使い切っています。この例題は日ごとに朝の充電量を200 kWh に戻して評価しているので、条件を外した分は、翌日の分の電力量を前借りした見かけの改善です。日をまたいで続けて運転する場合は、翌朝の充電量が足りなくなります。1日の終わりの条件は、日ごとに切って評価する計画では外せない制約です。

シナリオを使ったローリング計画(過去の誤差の道筋10本を、直前の誤差で条件づけて足し、1時間ごとに解き直す)も試しました。日の最大需要電力の平均は364.1 kW、期間の最大は454.4 kW、目標を超えた日の割合は1.2%で、この1回の実行では④’(363.5 kW、441.1 kW)を上回りませんでした。計算時間は84日で14.8秒で、同じ実行の中で30分ごとに解き直した④’(15.9秒。設計の表の15.7秒とは別の実行の値)と同程度でした。

シナリオの作り方と、悪い側を重く見る目的

確率計画の結果は、シナリオの作り方で変わります。本章では、過去の日の誤差を1日分の道筋のまま引いてシナリオにしました。こうすると、誤差が1日の中で同じ向きに続く性質が保たれます。対照として、コマごとに別々の日から誤差を引いたシナリオも作りました。こちらは、各コマの誤差の分布(第4章の分位点で見る、コマごとの幅)は同じでも、時間の相関が切れます。

シナリオの作り方誤差の持続の係数1日の誤差の平均の標準偏差(kW)1日の誤差の最大の90%点(kW)③期待値の日の最大需要電力の平均(kW)③’CVaRの日の最大需要電力の平均(kW)
日の道筋のまま30本0.94115.466.9365.2370.5
コマごとに引き直す30本-0.0163.191.0372.4376.4

表の2列目から4列目は、過去の日(稼働日)の誤差の記録全体について数えた値です。3列目は、日ごとに48コマの誤差の平均を求め、その日ごとの値のばらつき(標準偏差)を数えたものです。4列目は、日ごとに48コマの誤差の最大を求め、その日ごとの値の90%点を数えたものです。5列目と6列目は、そのシナリオで解いた計画の、評価日84日の実績です。

コマごとに引き直すと、1日の誤差の平均のばらつきは15.4 kW から3.1 kW に縮み、「1日中高めに外れる日」がシナリオから消えます。一方で、1日の誤差の最大の90%点は66.9 kW から91.0 kW に増えました。このシナリオで解いた計画は、③の期待値で日の最大需要電力の平均が372.4 kW と、道筋のまま引いた場合(365.2 kW)より大きくなりました。この比較を種1から4でも行うと、コマごとに引き直したシナリオのほうが、日の最大需要電力の平均が5回すべてで大きくなりました(差は6.1 kW から9.1 kW。種20261117の回は、シナリオの引き方の乱数が表と違うため、期間の最大などが表と少し違います)。本コラムの架空データでは、各コマの幅が同じでも、時間の相関を保たないシナリオで解いた計画は、実績が悪くなりました。シナリオの本数は、日の道筋のまま5本・10本・30本・60本で、日の最大需要電力の平均がそれぞれ366.2・365.5・365.2・364.6 kW でした。この例題では、本数を増やした効果は小さいものでした。

契約電力の決まり方によっては(第1章)、月の中で最も大きい需要電力の1コマがその後の基本料金に効きます。こうした場合は、平均の日よりも悪い日の裾が重要になります。③’の CVaR は、シナリオのうち最大需要電力が大きい側の10%の平均を小さくする計画です。5回の繰り返しでは、期間の最大は5回すべてで①以下、日の最大需要電力の平均は5回すべてで①より大きくなりました。この結果は、悪い側に備える目的の置き方と向きが合っています。84日の集計では、③’は13時から16時のコマの放電が1日あたり53.3 kWh で①の33.4 kWh より多く、日の最大が17時以降のコマに出た日が69.0%(①は41.7%)でした。③’がなぜこのような放電の配り方を選んだのかは、確かめていません。この例題の評価は日ごとの重みで、月の最大で評価した場合の差は確かめていません。月の最大需要電力が基本料金に効く契約でどちらがよいかは、目的の置き方と契約で変わり、この例題からは言えません。

予測の改善の価値

予測を改善すると実績の値がどれだけ変わるかは、計画の方法の選び方と同じくらい重要な問いです。誤差の大きさだけを1倍・0.5倍・0倍(完全に当たる)に変えた記録を作り、同じ方法で比べました。目標の430 kW は、誤差1倍のデータの過去の日から決めた値を、すべての条件で共通に使いました。

誤差の大きさ(誤差の標準偏差)方法日の最大需要電力の平均(kW)期間の最大(kW)費用の相対値の平均目標を超えた日の割合
1倍(22.4 kW)①中央の予測364.9450.4165932.4%
1倍(22.4 kW)④’ローリング+余裕(1時間ごと)363.7443.4165541.2%
0.5倍(11.2 kW)①中央の予測357.6446.8163751.2%
0.5倍(11.2 kW)④’ローリング+余裕(1時間ごと)356.3435.6163351.2%
0倍(完全に当たる)①中央の予測349.1428.1161190.0%

この1回の実行では、誤差を半分にすると、①の日の最大需要電力の平均は364.9 kW から357.6 kW に7.3 kW 下がりました。完全に当たる場合との差15.8 kW の、ほぼ半分です。同じ誤差のまま方法を①から④’(1時間ごと)に替えた差は1.2 kW で、日の最大需要電力の平均では、誤差を半分にした差のほうが大きくなりました。ところが期間の最大で見ると向きが逆で、誤差を半分にした①は450.4 kW から446.8 kW へ3.6 kW の低下、方法を④’に替えると443.4 kW へ7.0 kW の低下でした。

そこで、乱数の種を変えて5回確かめました(目標は430 kW にそろえ、④’は30分ごとに解き直す設計)。誤差を半分にしたときの①の低下は、日の最大需要電力の平均で6.5 kW から7.4 kW、期間の最大で3.6 kW から12.6 kW でした。方法を①から④’に替えたときの差は、日の最大需要電力の平均で-0.5 kW から-2.1 kW、期間の最大で-9.3 kW から+10.0 kW でした。日の最大需要電力の平均では、5回とも誤差を半分にした差のほうが大きく、期間の最大では、5回のうち4回で誤差を半分にしたときの低下幅のほうが大きく(種1は方法を替えると逆に10.0 kW 大きくなった)、種20261117の1回だけ逆でした。どちらの指標で見るかによって結論の強さが変わり、悪い日の値は回ごとの揺れも大きいことが分かります。ただし、予測の誤差を半分にすることが実際にどれだけ難しいかは、事業所と予測の手法で違います。この比較から言えるのは、計画の方法を工夫する価値と、予測を改善する価値を、同じ実績の指標で並べて比べられるということです。予測の誤差そのもの(第4章の MAE などの成績)は省エネの効果ではなく、この表のように、計画を実行した実績の差に置き換えて初めて判断に使えます。

計算時間・人の介入・安全な側に動く設計

ローリング計画は、解き直す間隔の中で計算が終わる必要があります。本章の例題は1日48コマの小さな線形計画で、1回あたりの計算は短く、84日分を30分ごとに解き直しても16秒前後でした。実際の事業所で、複数の設備をまとめ、整数の変数(起動と停止など。第8章)を含め、シナリオを増やすと、計算時間は急に伸びることがあります。間に合わない場合は、解き直す間隔を伸ばす・シナリオを減らす・時間の上限を付けて、上限までに見つかった解を使う、といった選び方になります。時間の上限で止めた時点で、制約を満たす解が得られているとは限りません。上限までに解が見つかった場合も、最適とは限らないので、ソルバーの状態を記録し、充電量の上下限・収支・出力の上限などの制約を満たしていることを確かめてから使います。解が得られなかった場合は、次の段落で述べる、事前に決めておいた運転に切り替えます。

計画を自動で実行する場合も、人が介入する余地を残しておくことが大切だと考えています。具体的には、次の点を仕組みとして用意します。

  • 計画の提示:翌日と当日の計画を、予測の幅と、目標を超えるおそれのある時間帯と並べて示す
  • 上書き:設備の担当者が、計画を止める・目標を変える・特定の設備を対象から外す操作をできる
  • 記録:上書きした時刻・理由・その後の実績を残し、計画の方法や目標の見直しに使う
  • 例外の扱い:行事・点検・生産の変更など、記録から予測できない日を事前に登録できる

故障や通信の途絶に備える設計も要ります。最適化の計算機と設備の間の通信が切れたときや、計測の値が欠けたときに、設備がどの状態で止まるかを先に決めておきます。例えば蓄電池なら、計画が届かないときは充放電を止める、あるいは決めておいた単純な決まりに切り替える、といった、安全な側への動き方です。どの状態が安全な側かは設備と保安の条件で決まるので、設備の仕様と有資格者の確認のもとで決める事項です。事前の確かめには、実際の設備で試す前に、過去の記録や合成した記録で計画の方法を何日分も実行してみるシミュレーションが役に立ちます。本章の比較も、その一種です。シミュレーションの一般論は、弊社コラム『シミュレーションの考え方と使いどころ、離散イベントからデジタルツインまで』で扱っています。

経営判断:どのリスクをどこまで許すかを数字で決める

不確実さのもとでの計画の方法は、技術の選択に見えますが、実際には「どの損失をどこまで許すか」という経営の判断を数字にしたものです。例えば、目標の最大需要電力を超える日を月に何日まで許すか、デマンドレスポンスで約束した量を出せない回数を何回まで許すか、を決めない限り、②の余裕の大きさも、③’の CVaR の割合も決められません。決めないまま技術の担当者に任せると、平均の成績だけで方法が選ばれ、悪い日に払いすぎや快適性と生産への支障が出るおそれがあります。逆に、許す範囲を狭く取りすぎると、予備を多く残す計画になり、ふだんの日の最大需要電力の低下や費用の相対値の差を取り逃す機会損失になります。

室温の範囲は扱いが違います。室温の範囲は、在室者と設備・生産への影響から先に決める範囲で、省エネや費用のために広げる対象ではありません。ただし、計画の式に室温の範囲を制約として入れても、予測が外れた場合や設備が故障した場合には守られるとは限りません。そこで、範囲を外れた時間を実績で数え、外れたときに誰がどう対応するかを決めておくための指標として使います。

決めること例決める人評価に使う実績の指標
許す範囲目標の最大需要電力を超える日の割合・約束した量を出せない回数経営と施設管理・生産の責任者月ごとの日数・回数
守る範囲と外れたときの対応室温の範囲(先に決めて広げない)と、外れたときの連絡と対応の手順施設管理・生産の責任者と設備の担当範囲を外れた時間と、その日の対応の記録
重く見る日平均の日の費用か、悪い日の最大需要電力か経営と財務費用の相対値の平均・期間の最大
計画の方法中央の値・余裕・シナリオ・ローリング計画の組み合わせ施設管理とデータ分析の担当多数の日の実績での比較(計画の値ではなく)
予測の改善への投資予測の誤差を減らす取り組みをどこまで行うか経営とデータ分析の担当誤差を変えたときの実績の差
人の介入と安全な側上書きの権限・通信が切れたときの動き方設備の担当と有資格者上書きの回数と理由・例外の日の実績

報告を受ける側は、示された値が計画の値か実績の値か、何日分の実績か、平均だけでなく悪い日の値がいくつか、を必ず確かめることが有効だと考えています。本章の例題では、計画の上の最大需要電力は実績より平均で20 kW ほど低く出ていました。他の事業所でこの差がどれだけになるかは分かりません。計画の値だけが報告される仕組みでは、効果の数え違いが起きやすく、投資や継続の判断を誤るおそれがあります。月次のレポートには、計画と実績の差を載せる欄を設け、差が大きい日に何が起きたかを記録すると、予測と計画の方法の見直しにつながります。

この章のまとめ

この章では、予測が当たる前提で作った計画が、外れたときに実績でどうなるかを、蓄電池のある架空の事業所で確かめました。本コラムの架空データでは、計画の値は実績より楽観的に出ました。点の予測のまま解き直すローリング計画は、5回の繰り返しのすべてで日の最大需要電力の平均が悪くなり、1つの種の84日の集計では、午後に放電を使って夕方に残りが足りなくなる日が多く見られました。誤差の余裕を足して解き直すとその悪化は見られませんでしたが、①との差は1 kW 前後と小さく、後から作った方法なので新しい期間で確かめる必要があります。予測の誤差を半分にした場合の差は、日の最大需要電力の平均では方法を替えた差より大きく、期間の最大では5回のうち1回で逆になりました。どの方法を選ぶかは、どのリスクをどこまで許すかを数字で決めてから、多数の日の実績で比べて判断します。次の第12章では、こうした計画と対策の効果が運用の中で薄れていかないよう、使用量と設備を監視し、異常を見つける方法を扱います。

この章を深めたい方への参考書籍

『確率計画法』(椎名孝之 著、朝倉書店):不確実な値を確率で表して計画を作る確率計画の考え方を、日本語でまとめた本です。シナリオを使って期待値を最適にする問題の定式化を、この章の例題より一般的な形で学べます。

『Robust Optimization』(Aharon Ben-Tal、Laurent El Ghaoui、Arkadi Nemirovski、Princeton University Press):不確実な値が動く範囲を決め、その範囲のどこでも制約を守る計画を作るロバスト最適化の教科書です。この章で紹介だけに留めた不確実性集合の作り方と、計算しやすい形への書き換えを扱っています。

第12章 運用の監視と異常の検知、設備の無駄と性能の低下を見つける

第11章では、予測の誤差を織り込んで運転の計画を立てる方法を扱い、計画と実績を分けて評価することを確かめました。計画を立てて運転を変え、第5章の方法で効果を確かめたとしても、それで終わりにはなりません。運転の設定は、工事や点検、季節の切り替えのたびに変わることがあり、建物の使われ方も変わり、設備は少しずつ劣化します。一度確かめた効果が、その後も続いているとは限りません。

この章では、事業所のエネルギーの使い方を日々の記録から見張り、無駄な運転や設備の性能の低下を早く見つける方法を扱います。扱う内容は次のとおりです。中ほどでは、他の章とは独立に作った架空の事業所の記録を使い、実行したコードと結果で確かめます。

  • 対策の効果が薄れていく理由と、監視の3つの層(データ・使用量・設備)
  • 使用量の見込みを作る基準のモデルと、見込みとの差の累積和による小さなずれの検知
  • 夜間と休業日のベース負荷の監視と、ロードカーブの形の比較
  • 冷凍機の COP を外気温と部分負荷率で補正して推移を見る方法
  • 不具合の検知と診断、性能の検証(コミッショニング)の考え方
  • 設備の更新の後の監視のモデルの見直し、警報の設計、月次のレポート、経営の判断

この章の主張は、監視は1つの指標では足りず、層を分けて組み合わせる必要がある、という点です。本コラムの架空データでは、建物の全体の日別の使用量を見込みと比べる CUSUM の監視は、夜間のベース負荷の上昇を数日で見つけましたが、冷凍機の COP が少しずつ下がる変化は、20回の繰り返しのうち11回で1年の終わりまで警報にできませんでした。同じ日別の使用量を1日ごとに判定する方法(3σの判定)は20回のうち17回で警報を出しましたが、変化を入れない事業所でも同じ期間に平均1.1回の警報が出ており、変化によるものとは言えません。同じ COP の低下を、COP を外気温と部分負荷率で補正して見る監視は、20回すべてで22日から43日のうちに見つけました。どちらも、この架空データの条件での結果であり、一般にそうなるという主張ではありません。

対策の効果が薄れていく理由と監視の3つの層

省エネの対策や運転の見直しの効果が、時間とともに薄れていくことがあります。理由は大きく3つに分けて考えると整理しやすくなります。1つ目は、設定が戻ることです。点検や工事のときに一時的に変えた設定がそのまま残る、手動で運転した設備が自動に戻されていない、といった形で起きます。2つ目は、運転のスケジュールが実態と合わなくなることです。始業や終業の時刻、休業日、部屋の使い方が変わっても、空調や照明のスケジュールが前のままだと、人のいない時間に設備が動きます。3つ目は、設備の劣化です。熱交換器の汚れ、フィルタの目詰まり、冷媒の量の変化、センサのずれなどで、同じ仕事をするのに要るエネルギーが少しずつ増えます。

3つとも、1日ごとの変化は小さく、月の請求書や前年同月比では、気温や稼働日の違いに埋もれて見えにくいものです。そこで本章では、監視を次の3つの層に分けて考えます。データの層は、記録そのものが正しいかを見ます。使用量の層は、建物や系統の使用量が、条件をそろえた見込みから外れていないかを見ます。設備の層は、個々の設備が、決めた時間に、見込みどおりの効率で動いているかを見ます。

監視の層見るもの見つけやすい異常要るデータ
データの層欠測・0の値・同じ値の連続・急な飛び・時刻のずれ計器や通信の不具合、記録の取り込みの誤り30分値そのもの、計器の点検の記録
使用量の層見込みとの差、夜間や休業日のベース負荷、最大需要電力、ロードカーブの形設定の戻り、スケジュールのずれ、使い方の変化30分値、外気温、稼働日の記録、見込みを作るモデル
設備の層効率(COP など)、運転の時間、設定値、起動と停止の回数設備の劣化、制御の不具合、センサのずれ設備ごとの電力量、熱量計、設定値と運転の記録(BEMS など)

3つの層は、上から順に要るデータが増え、そのぶん原因に近いところまで分かるようになります。データの層の異常を見落とすと、使用量の層と設備の層の判断がすべて狂います。使用量の層は、受電点の30分値だけで始められますが、何が起きたかまでは分かりません。設備の層は、計測点が要りますが、原因の候補を絞れます。どの層まで持つかは、第2章で扱った、データの粒度を使い道から逆に決める考え方で決めることになります。

架空の事業所と途中で入れた3つの変化

ここからは、3つの層の監視が、どのような変化をどれだけ早く見つけるかを、コードで確かめます。この章のデータは、他の章とは独立に作った架空の合成データで、実際の事業所の記録よりずっと単純です。合成データでの最初の警報までの日数や誤報の回数は、実際の事業所での値の目安にはなりません。示したいのは、同じ変化でも、どの層で見るかによって、見つかる早さが大きく違うという点です。

架空の事務所ビルAの2年分の30分値(kWh)を、次の性質を持たせて乱数で作りました(乱数の種は20261117に固定しています)。1年目を学習の期間、2年目を監視の期間とし、監視の期間の日を0日目から数えます。コードは Python 3.14.3 で実行し、numpy 2.4.3 と pandas 3.0.1 を使いました。

  • 外気温:季節の周期、1日の周期、日ごとの揺れを持つ架空の地点の気温。学習の期間の日平均気温は1.8℃から29.3℃
  • 暦:0日目を月曜とする架空の暦で、土日と、2年で24日の架空の休業日を休業日とした
  • 負荷:ベース負荷(約35 kW)、稼働日の8時から20時の照明やコンセントの負荷(55 kW)、稼働日の7時から20時の空調。空調は、冷房負荷(単位時間あたりに取り除く熱。kW(熱))を冷凍機の COP で割った電力と、暖房の電力と、送風の電力(10 kW)の和とした
  • 冷凍機の COP:外気温が高いほど下がり、部分負荷率(定格の能力400 kW(熱)に対する、いま処理している冷房負荷の割合)が0.6から離れるほど下がる形にした
  • 記録の不具合:欠測20コマ、0の値8コマ、同じ値が12コマ続く箇所を3つ
  • 冷凍機の計測:熱量計で測った冷房の熱の量(kWh(熱))と、冷凍機の本体の電力量(kWh)を30分ごとに記録した

監視の期間には、次の3つの変化を入れました。40日目から99日目まで、夜間も含めて4 kW の負荷が動き続けます(排気のファンの停止のし忘れのような変化を想定しています)。150日目からは、稼働日の空調の起動が7時から5時に早まります(スケジュールの変更が戻らなかったような変化を想定しています)。200日目からは、冷凍機の COP が少しずつ下がり、監視の期間の終わりには、もとの0.85倍になります。あわせて、同じ乱数の雑音を使い、3つの変化を入れない事業所も作りました。この事業所で出た警報は、変化が無いのに出た警報、つまり誤報として数えます。誤報を数えるための事業所を作れるのは、合成データだからです。

本章の電力は kW、電力量は kWh で表します。30分値は30分間の電力量(kWh)で、0.5時間で割った値、つまり2倍した値が、その30分の平均の電力(kW)です。この例題の事務所ビルAには太陽光発電も蓄電池も無いので、受電点で受ける電力(受電電力)と、事業所の中の設備が使う電力(需要)は同じです。30分値の時刻はコマの始まりの時刻で、例えば6時30分のコマは6時30分から7時までを指します。冷房負荷と冷凍機の能力のような単位時間あたりの熱は kW(熱)、30分間などの期間に取り除いた熱の量は kWh(熱)と書いて区別します。電力は、電気であることを書き分けないときは単に kW と書きます。この例題の COP は、冷凍機の本体の電力だけで計算した値で、ポンプや冷却塔などの補機の電力は含みません。以下で「実績」と呼ぶのは、合成データの中での実績であり、実際の設備で測った値ではありません。ベース負荷は、夜間や休業日にも続けて使っている電力で、この例題では約35 kW に、夏の夜に少し増える気温の項を加えて作りました。

import sys, io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding="utf-8")
import numpy as np
import pandas as pd

SEED = int(sys.argv[1]) if len(sys.argv) > 1 else 20261117
rng = np.random.default_rng(SEED)
D, S, DT, M = 730, 48, 0.5, 365      # 2年分、1日48コマ、1コマ0.5時間。0〜364日目が学習、365日目からが監視
day = np.repeat(np.arange(D), S); slot = np.tile(np.arange(S), D); hour = slot * DT
ar = np.zeros(D)
for d in range(1, D):
    ar[d] = 0.7 * ar[d - 1] + rng.normal(0, 1.8)                  # 日ごとの気温の揺れ
tmean = 16 - 10 * np.cos(2 * np.pi * (np.arange(D) - 20) / 365) + ar
temp = tmean[day] + 4 * np.cos(2 * np.pi * (hour - 14) / 24) + rng.normal(0, 0.5, D * S)
holiday = np.arange(D) % 7 >= 5                                   # 0日目を月曜とする架空の暦
holiday[rng.choice(np.flatnonzero(~holiday), 24, replace=False)] = True  # 架空の休業日(2年で24日)
work = ~holiday[day]
n_day = rng.lognormal(0, 0.03, D)[day]; n_slot = rng.lognormal(0, 0.03, D * S)
n_q = rng.normal(0, 0.03, D * S); n_e = rng.normal(0, 0.02, D * S)
bad_nan = rng.choice(D * S, 20, replace=False); bad_zero = rng.choice(D * S, 8, replace=False)
bad_flat = rng.choice(D * S - 12, 3, replace=False)

def make_site(night_up=True, early=True, cop_down=True, upgrade=False):
    m = day - M                                                   # 監視の期間の何日目か(学習の期間は負)
    base = 35 + 0.15 * np.maximum(temp - 20, 0) + np.where(night_up & (m >= 40) & (m < 100), 4.0, 0.0)
    occ = work & (hour >= 8) & (hour < 20)                        # 在室の時間帯
    start = np.where(early & (m >= 150), 5.0, 7.0)                # 空調の起動の時刻(時)
    hvac = work & (hour >= start) & (hour < 20)
    office = np.where(occ, 55.0 - np.where(upgrade & (m >= 120), 12.0, 0.0), 0.0)
    qc = np.where(hvac, np.maximum(10 * (temp - 16) + 25 * occ, 0), 0.0)   # 冷房負荷(単位時間あたりに取り除く熱、kW(熱))
    qh = np.where(hvac, np.maximum(9 * (13 - temp), 0), 0.0)               # 暖房負荷(単位時間あたりに供給する熱、kW(熱))
    plr = np.minimum(qc / 400, 1.0)                               # 冷凍機の部分負荷率(定格 400 kW(熱))
    degr = np.where(cop_down & (m >= 200), 1 - 0.15 * (m - 200) / 164, 1.0)  # COP の低下
    cop = (5.0 - 0.07 * (temp - 25)) * (1 - 0.35 * (plr - 0.6) ** 2) * degr
    e_ch = np.where(qc > 0, qc / cop, 0.0)                        # 冷凍機の本体の電力(kW(電気))
    kw = (base + office + e_ch + qh / (3.2 + 0.05 * (temp - 7)) + 10 * hvac) * n_day * n_slot
    kwh = kw * DT                                                 # 30分値(kWh)
    kwh[bad_nan] = np.nan; kwh[bad_zero] = 0.0
    for b in bad_flat:
        kwh[b:b + 12] = kwh[b]                                    # 同じ値が続く記録
    return pd.DataFrame({"day": day, "slot": slot, "temp": temp, "work": work, "kwh": kwh,
                         "q_kwh": qc * DT * (1 + n_q), "e_kwh": e_ch * DT * (1 + n_e), "plr": plr})

site = make_site()                                                # 3つの変化を入れた事業所
clean = make_site(night_up=False, early=False, cop_down=False)     # 変化を入れない同じ事業所(誤報の数え用)
print("30分値の件数", len(site), "欠測", int(site.kwh.isna().sum()), "0の値", int((site.kwh == 0).sum()))
print("学習の期間の日平均気温 最低", round(tmean[:M].min(), 1), "最高", round(tmean[:M].max(), 1))

実行すると、30分値は35,040件で、欠測は20件、0の値は8件でした。

データの層の点検と使用量の見込みを作る基準のモデル

使用量の層の監視は、実績を、条件をそろえた見込みと比べて行います。見込みを作る前に、データの層の点検をします。ここでは、1日の30分値に、欠測・0の値・直前のコマと同じ値が3件以上のいずれかがある日を、点検に通らなかった日として、使用量の監視から外しました。ベース負荷のある建物の受電点で、30分値が0になることはふつう考えにくいので、0の値は計器や通信の不具合の疑いとして扱います。停電でも0は記録されるので、実務では停電の記録と照らして確かめます。同じ値の連続は、通信が止まって最後の値が繰り返し記録される場合などに起きます。点検に通らなかった日を監視から外すのは、記録の不具合を使用量の異常と取り違えないためです。外した日の数そのものも、データの層の指標として毎月数えます。

見込みには、第3章で扱った、気温の折れ線回帰を使いました。日別の使用量(kWh)を、稼働日かどうかと、日平均気温が冷房側の変化点を上回った分、暖房側の変化点を下回った分で説明します。変化点は、学習の期間だけを使って格子で探しました。監視の期間の日の見込みは、その日の実績の気温を入れて計算します。監視は、その日が終わった後に、その日の使用量を見込みと比べる作業なので、実績の気温を使ってかまいません。翌日の予測に使う場合とは違う点に注意が要ります。

# ---- データの層の点検と日別の集計 ----
def daily_table(df):
    g = df.groupby("day")
    flat = df.kwh.diff().eq(0).groupby(df.day).sum()              # 直前のコマと同じ値の件数
    t = pd.DataFrame({"kwh": g.kwh.sum(min_count=48), "n_nan": g.kwh.apply(lambda x: x.isna().sum()),
                      "n_zero": g.kwh.apply(lambda x: (x == 0).sum()), "n_flat": flat,
                      "tmean": g.temp.mean(), "work": g.work.first()})
    t["ok"] = (t.n_nan == 0) & (t.n_zero == 0) & (t.n_flat < 3)
    t.loc[~t.ok, "kwh"] = np.nan                                  # 点検に通らなかった日は使わない
    return t

ds, dc = daily_table(site), daily_table(clean)
print("点検に通らなかった日", int((~ds.ok).sum()), "(欠測", int((ds.n_nan > 0).sum()), "日、0の値",
      int((ds.n_zero > 0).sum()), "日、同じ値の連続", int((ds.n_flat >= 3).sum()), "日)")

def design(t, bc, bh):
    w = t.work.astype(float).values; x = t.tmean.values
    return np.column_stack([np.ones(len(t)), w, w * np.maximum(x - bc, 0), w * np.maximum(bh - x, 0),
                            np.maximum(x - 20, 0)])

train = ds.iloc[:M].dropna(subset=["kwh"])
best = None
for bc in np.arange(10, 22.5, 0.5):                               # 変化点を格子で探す(学習の期間だけ)
    for bh in np.arange(6, 16.5, 0.5):
        X = design(train, bc, bh)
        beta, *_ = np.linalg.lstsq(X, train.kwh.values, rcond=None)
        sse = np.sum((train.kwh.values - X @ beta) ** 2)
        if best is None:
            best = (sse, bc, bh, beta)
        elif sse < best[0]:
            best = (sse, bc, bh, beta)
_, BC, BH, BETA = best
SIG = np.std(train.kwh.values - design(train, BC, BH) @ BETA, ddof=5)
print("変化点 冷房側", BC, "℃ 暖房側", BH, "℃ 係数", np.round(BETA, 1), "学習の期間の残差の標準偏差", round(SIG, 1), "kWh")
for t in (ds, dc):
    t["pred"] = design(t, BC, BH) @ BETA
    t["z"] = (t.kwh - t.pred) / SIG                               # 標準化した残差
mon, monc = ds.iloc[M:], dc.iloc[M:]
print("監視の期間の日別の使用量の平均", round(mon.kwh.mean(), 1), "kWh/日")

実行すると、点検に通らなかった日は2年で30日(欠測のある日が19日、0の値のある日が8日、同じ値の連続がある日が3日)でした。変化点は冷房側が14.0℃、暖房側が9.5℃で、稼働日の冷房側の項の係数は30.9 kWh/℃(日平均気温が14.0℃を1℃上回るごとに日別の使用量が増える分)でした。日平均気温が20℃を超える部分には、休業日を含むすべての日に効く別の気温の項(係数3.9 kWh/℃)も加わるので、稼働日の20℃を超える範囲の傾きは、この2つの係数の和になります。学習の期間の残差の標準偏差は45.2 kWh/日で、監視の期間の日別の使用量の平均(1,556.7 kWh/日)の3%ほどです。以下では、残差(実績 – 見込み)をこの標準偏差で割った値を、標準化した残差と呼びます。

見込みとの差の累積和で小さなずれを見つける

見込みとの差を見るとき、もっとも単純な方法は、1日ごとに差が大きいかを判定することです。本章では、標準化した残差が3を超えた日、つまり残差が残差の標準偏差(45.2 kWh/日)の3倍を超えた日に警報を出す判定を、比べる相手として使いました(以下、1日ごとの3σの判定と呼びます)。見込みより多い側だけを見る、片側の判定です。この方法は大きな変化には早く反応しますが、1日の差が残差の標準偏差より小さい変化は、毎日の揺れに埋もれて見つかりにくくなります。

小さなずれが続く変化を見るために使われるのが、CUSUM(累積和)です。米国の国立標準技術研究所(NIST)の統計の手引き「Cusum Control Charts」は、CUSUM の管理図を、工程の平均の小さなずれをより効率よく見つける方法として説明し、累積和がしきい値 h を超えたら管理の外れと判定する表の形の計算を示しています。連続的な検査の方式を扱った論文として、Page の1954年の論文(題名は Continuous Inspection Schemes、Biometrika 41巻)があります(本コラムでは書誌だけを確かめ、内容は題名から読み取れる範囲です)。エネルギー管理での使い方は、インドのエネルギー効率局(Bureau of Energy Efficiency。インド政府の機関)の教材の第8章(エネルギーの監視と目標の設定の章)の8.6節が説明しています。そこでは、教材の言葉でベースラインと呼ぶ、基準となる期待される使用量と、実績の差を積み上げた線が、ふだんは0の周りを揺れ、省エネの対策や、制御・運用・保守の悪化などで使い方が変わると向きを変えること、向きが変わった理由を読むには現場の知識が要ることが書かれています。

この教材の累積和は、差をそのまま積み上げて線の向きを読む方法です。本章では、NIST の手引きの表の形にならい、差から一定の値 k を引いてから積み上げ、0を下回ったら0に戻し、h を超えたら警報を出す形にしました。式で書くと \( S_t = \max(0,\ S_{t-1} + z_t – k) \) で、\( z_t \) はその日の標準化した残差です。言葉で言い換えると、見込みより k 以上多い日が続くと累積和が増え、そうでない日が続くと0に戻っていく、という計算です。k と h は監視を始める前に、k=0.5、h=5 と決め、監視の期間の結果を見て変えていません。警報を出したら累積和を0に戻し、監視を続けます。実務では、警報のたびに原因を確かめることになります。

# ---- CUSUM ----
K, H = 0.5, 5.0                                                   # 監視を始める前に決めた値(残差の標準偏差の単位)

def cusum(z, k=K, h=H):
    s, out, alarms = 0.0, [], []
    for i, v in enumerate(z):
        if not np.isnan(v):
            s = max(0.0, s + v - k)
        out.append(s)
        if s > h:
            alarms.append(i); s = 0.0                             # 警報を出したら0に戻して監視を続ける
    return np.array(out), alarms

def shewhart(z, lim=3.0):
    return [i for i, v in enumerate(z) if v > lim]

cs, al = cusum(mon.z.values)
csc, alc = cusum(monc.z.values)
sh, shc = shewhart(mon.z.values), shewhart(monc.z.values)

def first_after(alarms, start, end=999):
    hit = [a for a in alarms if (a >= start) & (a < end)]
    return (hit[0] - start) if hit else None

print("CUSUM(k=0.5, h=5)の警報の日(監視の期間の何日目か)", al)
print("変化を入れない事業所での CUSUM の警報(誤報)", len(alc), "回", alc)
print("1日ごとの3σの判定の警報", sh)
print("変化を入れない事業所での3σの判定の警報(誤報)", len(shc), "回", shc)
singles = [("夜間のベース負荷の上昇", 40, 100, dict(night_up=True, early=False, cop_down=False)),
           ("空調の起動が早まる", 150, 365, dict(night_up=False, early=True, cop_down=False)),
           ("COP の低下", 200, 365, dict(night_up=False, early=False, cop_down=True))]
for name, st, en, kw_ in singles:                                     # 変化を1つだけ入れた事業所で検知までの日数を見る
    t1 = daily_table(make_site(**kw_)); z1 = ((t1.kwh - design(t1, BC, BH) @ BETA) / SIG).values[M:]
    c1, s1 = first_after(cusum(z1)[1], st, en), first_after(shewhart(z1), st, en)
    print("変化を1つだけ入れた場合", name, "検知までの日数 CUSUM", c1, "3σ", s1)
    n_c = [len([a for a in al_ if (a >= st) & (a < en)]) for al_ in (cusum(z1)[1], alc, shewhart(z1), shc)]
    print("  変化の後の警報の数 CUSUM", n_c[0], "(変化を入れない事業所の同じ期間", n_c[1], ")3σ", n_c[2], "(同", n_c[3], ")")
e0 = clean.groupby("day").e_kwh.sum().values[M:]                  # 冷凍機の電力量(kWh/日。変化なし)
e1 = make_site(night_up=False, early=False, cop_down=True).groupby("day").e_kwh.sum().values[M:]
for a, b in [(150, 200), (200, 250), (250, 300), (300, 365)]:
    print(f"{a}〜{b - 1}日目 冷凍機の電力量の平均 {e0[a:b].mean():.1f} kWh/日 COP の低下で増えた分 {(e1 - e0)[a:b].mean():.1f} kWh/日")
print("40〜99日目の残差の平均", round(mon.z.values[40:100][~np.isnan(mon.z.values[40:100])].mean() * SIG, 1), "kWh/日",
      "100〜149日目", round(np.nanmean(mon.z.values[100:150]) * SIG, 1), "150〜199日目", round(np.nanmean(mon.z.values[150:200]) * SIG, 1),
      "200〜364日目", round(np.nanmean(mon.z.values[200:365]) * SIG, 1))

実行した結果を、3つの変化を入れた事業所と、変化を入れない事業所で比べます。3つの変化を入れた事業所では、CUSUM は43日目に最初の警報を出し、夜間の負荷が動き続けた40日目から99日目までに16回の警報を出しました。100日目から169日目までは警報が無く、170日目から後は30回のうち14回の警報を出しました。変化を入れない事業所での CUSUM の警報、つまり誤報は1年で1回(303日目)でした。1日ごとの3σの判定の誤報は3回(160日目・170日目・303日目)でした。標準化した残差に標準偏差を掛け戻した残差の平均は、40日目から99日目が101.1 kWh/日、100日目から149日目が -3.9 kWh/日、150日目から199日目が30.3 kWh/日、200日目から364日目が36.7 kWh/日でした。

3つの変化が重なると、どの変化で警報が出たかを切り分けにくくなります。そこで、変化を1つだけ入れた事業所を3つ作り、変化の開始から最初の警報までの日数と、変化の期間に出た警報の数を数えました。

変化(1つだけ入れた場合)CUSUM の変化の開始から最初の警報までの日数1日ごとの3σの判定の変化の開始から最初の警報までの日数変化の期間の CUSUM の警報(変化を入れない事業所)変化の期間の3σの判定の警報(変化を入れない事業所)
夜間のベース負荷の上昇(40〜99日目)3日3日16回(0回)15回(0回)
空調の起動が早まる(150日目から)20日10日12回(1回)10回(3回)
COP の低下(200日目から)103日54日1回(1回)2回(1回)

この表は1回目の乱数の結果で、読み方に注意が要ります(20回の繰り返しの結果は後の表に示します)。空調の起動が早まる変化では、1日ごとの3σの判定のほうが早く警報を出しましたが、その警報は160日目で、変化を入れない事業所でも同じ160日目に誤報が出ています。同じ雑音を使っているので、この警報は変化によるものではなく、たまたま大きく揺れた日の誤報だと読めます。COP の低下では、変化の期間の警報の数が、変化を入れない事業所とほとんど変わりませんでした。建物の全体の日別の使用量で見る限り、この例題の COP の低下は、毎日の揺れと見分けがつかなかったということです。変化を入れない事業所と COP の低下だけを入れた事業所で冷凍機の電力量を比べると、COP の低下で増えた電力量は、200日目から249日目が4.5 kWh/日、250日目から299日目が11.4 kWh/日、300日目から364日目が2.1 kWh/日の平均でした。冷凍機の電力量の平均は、同じ期間に206.1 kWh/日、160.8 kWh/日、17.9 kWh/日と減っていきます。この例題では、COP の低下で増えた電力量は、最も大きい250日目から299日目でも、日別の使用量の残差の標準偏差(45.2 kWh/日)の約4分の1にとどまり、日別の使用量では見分けにくい大きさでした。

1回の乱数の結果だけでは、方法の差が偶然によるものかどうか分かりません。そこで、掲載していない別のスクリプトで、乱数の種を1から20に変えて、同じ手順を20回繰り返しました。手順は、掲載したコードの先頭の乱数の種(SEED)だけを差し替えて上から実行し、結果を集めたものです。乱数の種を変えると、気温・雑音・記録の不具合の位置もすべて作り直されます。

項目(20回の繰り返し)CUSUM1日ごとの3σの判定
変化を入れない事業所の1年の誤報の回数平均0.6回(最大3回。0回だったのは12回)平均1.8回(最大4回。0回だったのは2回)
夜間のベース負荷の上昇の変化の開始から最初の警報までの日数20回すべてで検知。中央値3日(0〜10日)20回すべてで検知。中央値2.5日(0〜29日)
空調の起動が早まる変化の開始から最初の警報までの日数20回すべてで検知。中央値14日(4〜42日)20回すべてで警報。中央値23.5日(6〜40日)
空調の起動が早まる変化の期間の警報の数の平均(変化を入れない事業所)9.85回(0.45回)8.2回(1.5回)
COP の低下の期間に警報が出た回数20回のうち9回20回のうち17回
COP の低下の期間の警報の数の平均(変化を入れない事業所)0.7回(0.25回)1.7回(1.1回)

20回の繰り返しでは、CUSUM の誤報は1日ごとの3σの判定の3分の1ほどで、空調の起動が早まる変化では、変化の開始から最初の警報までの日数の中央値は、 CUSUM のほうが短くなりました。1回目の結果で3σの判定のほうが早かったのは、上で見たとおり誤報が重なったためです。COP の低下では、3σの判定は20回のうち17回で変化の期間に警報を出しましたが、変化を入れない事業所でも同じ期間に平均1.1回の誤報が出ており、警報の多くは変化によるものとは言えません。どちらの方法でも、建物の全体の日別の使用量だけでは、この例題の COP の低下を確かに見つけることはできませんでした。

3つの変化を入れた事業所の残差と CUSUM の警報を、監視の期間の区切りごとにまとめると、次の表のとおりです。残差の平均は、標準化した残差に残差の標準偏差を掛け戻した値(kWh/日)です。

監視の期間の区切り入れた変化残差の平均(kWh/日)CUSUM の警報(変化を入れない事業所)
0〜39日目なし(集計していない)0回(0回)
40〜99日目夜間の負荷の上昇101.116回(0回)
100〜149日目なし(上昇は解消)-3.90回(0回)
150〜199日目空調の起動が早まる30.33回(0回)
200〜364日目起動が早まったまま、COP の低下が加わる36.711回(1回)

夜間の負荷が動き続けた40日目から99日目は、残差の平均が101.1 kWh/日と正の側に偏り、CUSUM の警報が16回出ました。変化を入れない事業所の CUSUM の警報は、1年で303日目の1回だけでした。

CUSUM の k と h は、見つけたい変化の大きさと、許せる誤報の回数で決めます。k を小さく、h を小さくすると、小さな変化に早く反応しますが、誤報が増えます。本章では k と h を監視の前に決めて動かしていません。監視の期間の結果を見ながら k と h を選ぶと、その期間に合わせ込んだ値になり、次の期間の誤報や見逃しを少なく見積もることになります。値を見直すなら、学習の期間を分けて模擬するか、見直した後の期間で改めて確かめるのがよいと考えています。

夜間と休業日のベース負荷とロードカーブの形を見る

日別の使用量は、1日の中の変化を足し合わせた値なので、ある時間帯だけに起きた変化は薄まります。そこで、使用量の層の中で、時間帯を絞った指標を2つ足します。1つ目は、夜間と休業日のベース負荷です。この事務所ビルAでは、夜間の1時から4時と、休業日の昼間は、空調も照明もコンセントの負荷も動いていないはずの時間帯です。この時間帯の電力が増えたら、止まっているはずの設備が動いている疑いがあります。ここでは、夜間の1時から4時の平均の電力(kW)を毎日計算し、学習の期間の平均に標準偏差の3倍を足した値を上限として、3日続けて上限を超えたら警報を出す規則にしました。上限も、3日という日数も、学習の期間だけから、監視の前に決めています。日別の使用量と同じく、点検に通らなかった日は外し、「3日続けて」は点検に通った日で数えます。

# ---- 夜間と休業日のベース負荷 ----
def base_table(df, t_day):
    t = df.assign(kw=df.kwh / DT)
    night = t[(t.slot >= 2) & (t.slot < 8)].groupby("day").kw.mean()             # 1時〜4時の平均の電力(kW)
    hol = t[(~t.work) & (t.slot >= 18) & (t.slot < 34)].groupby("day").kw.mean()  # 休業日の9時〜17時
    ok = t_day.ok
    return night[ok[night.index].values], hol[ok[hol.index].values]  # 点検に通らなかった日は外す

def run_rule(v, lim, n=3):                                        # 点検に通った日で数えて n日続けて上限を超えたら警報
    over, cnt, alarms = v > lim, 0, []
    for i, o in enumerate(over):
        cnt = cnt + 1 if o else 0
        if cnt == n:
            alarms.append(i); cnt = 0
    return alarms

night_s, hol_s = base_table(site, ds)
night_c = base_table(clean, dc)[0]
n_tr = night_s[night_s.index < M]
LIM_N = n_tr.mean() + 3 * n_tr.std()                              # 上限は学習の期間だけから決める
print("夜間(1時〜4時)の平均の電力 学習の期間", round(n_tr.mean(), 1), "kW 標準偏差",
      round(n_tr.std(), 2), "上限", round(LIM_N, 1), "kW 使った日", len(n_tr))

def night_alarms(s):
    m_ = s[s.index >= M]
    return [int(m_.index[i]) - M for i in run_rule(m_.values, LIM_N)]

a_n, a_nc = night_alarms(night_s), night_alarms(night_c)
print("夜間の上限を3日続けて超えた警報", a_n[:5], "…件数", len(a_n), "変化を入れない事業所", len(a_nc))
print("夜間の平均の電力 40〜99日目", round(night_s[(night_s.index >= M + 40) & (night_s.index < M + 100)].mean(), 1),
      "kW 0〜39日目", round(night_s[(night_s.index >= M) & (night_s.index < M + 40)].mean(), 1), "kW")
print("休業日の9時〜17時の平均の電力 学習の期間", round(hol_s[hol_s.index < M].mean(), 1), "kW 40〜99日目",
      round(hol_s[(hol_s.index >= M + 40) & (hol_s.index < M + 100)].mean(), 1), "kW")

実行すると、学習の期間の点検に通った343日の夜間の平均の電力は35.1 kW、標準偏差は1.11 kW で、上限は38.4 kW になりました。夜間の負荷が動き続けた40日目から99日目の夜間の平均の電力は39.1 kW で、0日目から39日目の34.8 kW より4 kW ほど高くなっています。最初の警報は45日目で、変化が始まってから5日後でした。変化を入れない事業所では、この規則の警報は1年で0回でした。休業日の9時から17時の平均の電力も、学習の期間の35.5 kW に対して、40日目から99日目は39.4 kW でした。20回の繰り返しでは、この規則は20回すべてで夜間のベース負荷の上昇の期間に警報を出し、変化の開始から最初の警報までの日数の中央値は4日(2〜28日)、変化を入れない事業所での誤報は20回の合計で0回でした。

2つ目は、ロードカーブの形です。空調の起動が早まる変化は、始業の前の数時間の電力だけを増やすので、日別の使用量では小さな差にしかなりません。そこで、稼働日の1日の30分値を、その日の使用量の合計で割った割合(各コマの使用量が1日の何割か)として表し、標準の形と比べました。標準の形は、日平均気温が近い学習の期間の稼働日15日の割合の平均としました。気温が違うと空調の使い方が変わり、形も変わるからです。形の違いの指標は、時間帯ごとの使用量の構成比が、標準の形からどれだけ異なるかを表す値です。負荷が足された場合にも値が変わります。計算は、その日の割合と標準の形の割合の差の絶対値を、48のコマで足して半分にします。式で書くと \( \tfrac{1}{2} \sum_t |p_t – q_t| \) で、\( p_t \) はその日のコマ t の割合、\( q_t \) は標準の形のコマ t の割合です。この値が、学習の期間の値の99%点を2日続けて超えたら警報を出す規則にしました。ここでの「続けて」は、休業日と点検に通らなかった日を飛ばして、点検に通った稼働日で数えます。学習の期間の値は、その日自身を標準の形から外して計算しています。

# ---- ロードカーブの形 ----
def shapes(df, t):
    k = df.kwh.values.reshape(D, S)
    p = k / k.sum(axis=1, keepdims=True)                          # 1日の使用量に対する各コマの割合
    ok = t.ok.values & t.work.values.astype(bool)
    return p, ok

ps, oks = shapes(site, ds); pc, okc = shapes(clean, dc)
tm_d = ds.tmean.values
ref = [d for d in range(M) if oks[d]]

def std_shape(d, p_ref, exclude=None):
    cand = [r for r in ref if r != exclude]
    near = np.array(cand)[np.argsort(np.abs(tm_d[cand] - tm_d[d]))[:15]]   # 気温の近い学習の期間の稼働日15日
    return p_ref[near].mean(axis=0)

def dist(p, d, exclude=None):
    return 0.5 * np.abs(p[d] - std_shape(d, ps, exclude)).sum()   # 標準の形と違う時刻に使った割合

d_train = np.array([dist(ps, d, exclude=d) for d in ref])
LIM_S = np.quantile(d_train, 0.99)                                # 上限は学習の期間だけから決める
print("形の違いの指標 学習の期間の中央値", round(np.median(d_train), 4), "99%点(上限)", round(LIM_S, 4))

def shape_alarms(p, ok):
    days = [d for d in range(M, D) if ok[d]]
    v = np.array([dist(p, d) for d in days])
    al = run_rule(v, LIM_S, n=2)                                  # 稼働日で2日続けて超えたら警報
    return [days[i] - M for i in al], days, v

a_s, sdays, sv = shape_alarms(ps, oks); a_sc, _, _ = shape_alarms(pc, okc)
print("形の警報(監視の期間の何日目か)", a_s[:8], "…件数", len(a_s), "変化を入れない事業所", len(a_sc), a_sc)
print("形の警報 150日目以降の最初", [a for a in a_s if a >= 150][:1], "40〜99日目の警報", [a for a in a_s if 40 <= a < 100])
print("形の警報の内訳 0〜39日目", len([a for a in a_s if a < 40]), "40〜99日目", len([a for a in a_s if 40 <= a < 100]),
      "100〜149日目", len([a for a in a_s if 100 <= a < 150]), "150日目以降", len([a for a in a_s if a >= 150]))
dd = [d for d in sdays if d - M >= 160][0]
diff = (ps[dd] - std_shape(dd, ps)) * np.nansum(site.kwh.values.reshape(D, S)[dd])
top = np.argsort(-diff)[:4]
print("例の日", dd - M, "日目 日平均気温", round(tm_d[dd], 1), "℃ 標準の形より多く使ったコマ",
      [f"{s // 2}時{30 * (s % 2):02d}分" for s in top], np.round(diff[top], 1), "kWh")
early_s = (np.arange(S) >= 10) & (np.arange(S) < 14)                # 5時〜7時のコマ
print("例の日のコマごとの差(実績 - 標準の形、kWh)", np.round(diff, 1).tolist())
print("5時〜7時以外で実績が上回ったコマの数", int((diff[~early_s] > 0).sum()), "その差の最大", round(diff[~early_s].max(), 1),
      "kWh 5時〜7時の差の最小", round(diff[early_s].min(), 1), "kWh")
print("150日目以降の点検に通った稼働日の数", len([d for d in sdays if d - M >= 150]))

実行すると、形の違いの指標は、学習の期間の中央値が0.0128で、上限(99%点)は0.017でした。空調の起動が早まった150日目から後の最初の警報は153日目で、変化が始まってから3日後でした。変化を入れない事業所では、この規則の誤報は1年で1回(28日目)でした。また、夜間の負荷が動き続けた40日目から99日目にも、形の警報が13回出ました。夜間の電力が増えると、1日の中の夜間の割合が増え、形が変わるからです。監視の期間の1年で、形の警報は合計83回出ました。内訳は、0日目から39日目が1回(変化を入れない事業所でも出た28日目の誤報)、40日目から99日目が13回、100日目から149日目が0回、150日目から後が69回です。起動の時刻が戻らないかぎり、稼働日が2日続くたびに警報が出るためと考えられます。69回は、150日目から後の点検に通った稼働日143日の半分ほどにあたります。形の指標は何が起きたかを特定するものではなく、どの時刻にずれたかを見て、原因を考える材料になります。件数が多くなるので、同じ原因の警報は1件の対応にまとめ、夜間の規則など他の層の指標と組み合わせて意味づけることになります(後の警報の設計の節)。20回の繰り返しでは、この規則は20回すべてで空調の起動が早まる変化を3日か4日で見つけ、変化を入れない事業所での誤報は20回の合計で5回(1回の実行で最大2回)でした。

次の図は、監視の期間の160日目(日平均気温18.3℃)の実績と、標準の形にその日の使用量の合計を掛けた値を、需要電力(kW)で描いたものです。凡例は図の下の中央に置きました。5時から7時までの4つのコマは、実績が標準の形を続けて上回り、差は4.8 kWh から6.7 kWh でした。ほかの時刻にも実績が標準の形を上回ったコマが13ありましたが、その差は最大3.5 kWh で、5時から7時の4つのコマの差より小さいものでした。この日は起動の時刻のほかに変化を入れていないので、ほかの時刻の差は合成に入れた雑音によるものです。標準の形より多く使ったコマは、多い順に6時30分からのコマ(6.7 kWh)、6時00分からのコマ(6.1 kWh)、5時30分からのコマ(5.6 kWh)、5時00分からのコマ(4.8 kWh)でした。

監視の期間の160日目の需要電力の実績と標準の形を比べた階段状の折れ線グラフ。5時から7時のあいだは実績が標準の形を続けて上回り、その差がほかの時刻より大きい

このような時刻のずれが見つかったら、空調の運転のスケジュールや起動の時刻の設定を確かめることになります。起動を早めた理由が、室温を始業の時刻に間に合わせるためなど、意図したものであれば、それは異常ではなく運用の変更で、第7章で扱った起動の時刻の考え方で見直すことになります。意図していない変更であれば、もとに戻すことを検討します。どちらであっても、設定を変えるときは、設備の仕様・保安規程・メーカーの定める運転の範囲のなかで、設備の担当者と電気主任技術者などの有資格者の確認のもとで行うことが前提です。どの資格者の確認が要るかは設備によるので、事業所の保安規程と運用の決まりに従います。

設備の層で COP を外気温と部分負荷率で補正して見る

使用量の層では見つからなかった COP の低下を、設備の層で見ます。冷凍機の成績係数(COP)のような設備の効率は、第8章で扱ったとおり、外気温や部分負荷率で変わります。そのため、週の COP をそのまま並べると、暑い週に下がり、涼しい週に上がるという季節の動きが重なり、劣化による低下と見分けにくくなります。ここで週の COP は、週の冷房の熱の量の合計(kWh(熱))を、週の冷凍機の電力量の合計(kWh)で割った値です。コマごとの COP の単純な平均では代えません。

そこで、まず学習の期間の記録から、コマごとの COP を外気温と部分負荷率(とその2乗)で説明する回帰式を作りました。次に、監視の期間の各コマについて、その式の COP で冷房の熱の量を割り、式どおりの効率なら要ったはずの電力量を計算しました。週ごとに、この見込みの電力量の合計を実際の電力量の合計で割った値を、補正した COP の比と呼びます。比が1を下回れば、その外気温と部分負荷率で見込まれるより効率が低いということです。使ったのは、部分負荷率が0.2以上のコマだけです。各週の比が、学習の期間の週ごとの比の平均から標準偏差の3倍を引いた下限を、暦の上で続く2週で下回ったら警報を出す規則にしました。監視の対象の条件を満たさない週をはさんだ場合は、続いているとは数えません。

# ---- 設備の層:冷凍機の COP を外気温と部分負荷率で補正する ----
def cop_frame(df):
    c = df[(df.plr >= 0.2)].copy()                                # 部分負荷率0.2以上のコマだけを使う
    c["cop"] = c.q_kwh / c.e_kwh                                  # 熱量計と電力量計から求めたコマごとの COP
    return c

def cop_design(c):
    return np.column_stack([np.ones(len(c)), c.temp, c.plr, c.plr ** 2])

cs_, cc_ = cop_frame(site), cop_frame(clean)
tr = cs_[cs_.day < M]
GAM, *_ = np.linalg.lstsq(cop_design(tr), tr.cop.values, rcond=None)
print("COP の式の係数(切片・外気温・部分負荷率・部分負荷率の2乗)", np.round(GAM, 3), "学習に使ったコマ", len(tr))

def weekly(c):
    c = c.assign(e_exp=c.q_kwh / (cop_design(c) @ GAM), week=c.day // 7)   # 式の COP なら要ったはずの電力量
    w = c.groupby("week").agg(n=("cop", "size"), q=("q_kwh", "sum"), e=("e_kwh", "sum"), e_exp=("e_exp", "sum"),
                              temp=("temp", "mean"))
    w["cop"] = w.q / w.e                                          # 週の COP=30分間の熱の量(kWh(熱))の合計÷電力量の合計
    w["ratio"] = w.e_exp / w.e                                    # 補正した COP の比=見込みの電力量÷実際の電力量
    return w[w.n >= 20]                                           # 部分負荷率0.2以上のコマが20以上ある週だけを使う

ws, wc = weekly(cs_), weekly(cc_)
wtr = ws[ws.index < M // 7]
LIM_C = wtr.ratio.mean() - 3 * wtr.ratio.std()                    # 下限は学習の期間だけから決める
print("週ごとの補正した COP の比 学習の期間の平均", round(wtr.ratio.mean(), 3), "標準偏差", round(wtr.ratio.std(), 4),
      "下限", round(LIM_C, 3), "対象の週", len(wtr))
wm, wmc = ws[ws.index >= M // 7 + 1], wc[wc.index >= M // 7 + 1]
def two_weeks(w):                                                 # 暦の上で続く2週がともに下限を下回った週
    low, wk = w.ratio.values < LIM_C, w.index.values
    return [int(wk[i]) * 7 - M for i in range(1, len(w)) if low[i] & low[i - 1] & (wk[i] - wk[i - 1] == 1)]

first, n_fc = two_weeks(wm)[:1], len(two_weeks(wmc))
print("補正した COP の比が暦の上で続く2週で下限を下回った最初の週の始まり(監視の期間の何日目か)", first,
      "変化を入れない事業所で同じ条件になった回数", n_fc)
pre = wm[wm.index * 7 - M < 200]
print("変化の前の監視の期間の週の比 最小", round(pre.ratio.min(), 3), "最大", round(pre.ratio.max(), 3), "週の数", len(pre),
      "下限を下回った週", int((pre.ratio < LIM_C).sum()))
show = wm[(wm.index * 7 - M >= 140)].head(16)
print(pd.DataFrame({"週の始まり": show.index * 7 - M, "平均外気温": show.temp.round(1), "週の COP": show.cop.round(2),
                    "補正した COP の比": show.ratio.round(3)}).to_string(index=False))
print("監視の期間で監視の対象の条件を満たす最後の週", int(wm.index.max()) * 7 - M, "その週の比", round(wm.ratio.iloc[-1], 3),
      "週の COP の最小", round(wm.cop.min(), 2), "(週の始まり", int(wm.cop.idxmin()) * 7 - M, ")")

実行すると、学習に使ったコマは2,416で、学習の期間の週ごとの補正した COP の比は、平均1.000、標準偏差0.0028、下限0.991でした(部分負荷率0.2以上のコマが20以上ある23週から計算しました)。COP の低下が始まった200日目から後、216日目からの週に比が0.984で下限を下回り、223日目からの週も0.975で下回ったので、223日目からの週の終わり(229日目)に警報が出ました。変化が始まってから29日後です。変化を入れない事業所では、暦の上で続く2週で下限を下回ることはありませんでした。監視の期間で、監視の対象の条件(部分負荷率0.2以上のコマが20以上)を満たす最後の週(293日目から)の比は0.913でした。

週の始まり(監視の期間の日)平均外気温(℃)週の COP補正した COP の比
18126.84.700.992
18826.34.740.996
19530.34.541.001
20227.54.680.995
20929.04.580.994
21626.14.680.984
22323.94.740.975
23026.84.610.976
23723.84.710.966
24426.04.550.955

表の週の COP だけを見ると、COP の低下が始まる前の195日目からの週(平均外気温30.3℃)が4.54で表の中では最も低く、低下が進んだ223日目からの週(23.9℃)は4.74と、それより高くなっています。図の上段のとおり、補正しない週の COP も、監視の期間の後半に向けて全体として下がり、286日目からの週には4.40まで下がっています。ただし、暑い週は COP が下がるので、補正しない COP は外気温の上下に埋もれ、下がったのが劣化によるのか気温によるのかを切り分けられません。補正した COP の比は、外気温と部分負荷率の違いを差し引いているので、216日目からの週を境に全体として下がっていることが読み取れます。20回の繰り返しでも、この規則は20回すべてで COP の低下を見つけ、変化の開始から最初の警報までの日数の中央値は29日(22〜43日)、変化を入れない事業所での誤報は20回の合計で0回でした。

次の図の上の段は週の COP(補正なし)と週の平均外気温(右の軸)、下の段は補正した COP の比と下限を描いたものです。凡例は、上の段は図の上、下の段は左下に置きました。

週の冷凍機の COP と週の平均外気温、外気温と部分負荷率で補正した COP の比の折れ線グラフ。補正しない COP は外気温とともに上下しながら全体として下がり、補正した比は200日目を過ぎてから下限を下回って全体として下がっている

この結果には、合成データならではの前提があります。この例題では、熱量計と電力量計の誤差を小さく作り、COP の式の形も、合成に使った式に近い形を選んでいます。そのため、学習の期間の週ごとの比の標準偏差が0.0028と小さく、下限が1に近くなりました。なお、変化の前の監視の期間(200日目より前の12週)の比は0.992から1.011の範囲で、下限を下回った週はありませんでしたが、最大の1.011は学習の期間の平均より標準偏差の3倍以上高く、監視の期間の散らばりが学習の期間より大きい可能性があります。下限を学習の期間だけから作ると、散らばりを小さく見積もって誤報が増えることがあるので、変化の前の期間の散らばりもあわせて確かめておくのがよいと考えています。実際の熱量計は、流量と温度差の計測の誤差を含み、COP の式も真の関係を近似するにすぎません。計測の誤差やモデルの誤差がこの例より大きければ、比の散らばりが増え、検知が遅れる場合があります。検知までの日数は、劣化の大きさと速さ、運転の状況、集計の方法にもよるので、本コラムの値は使えません。熱量計の精度と校正の状態を確かめることが、設備の層の監視の前提になります。

不具合の検知と診断とコミッショニングの考え方

本章の例題で見たのは、異常が起きたことに気づく段階、つまり検知までです。気づいた後に、何が原因かを絞り込む段階を診断と呼び、両方を合わせて不具合の検知と診断(FDD)と呼びます。建物の設備の FDD の方法は、研究で整理されてきました。Katipamula と Brambley の2005年の総説(2部構成の第1部。第2部も同じ年)は、建物の設備の不具合の検知・診断・予後の方法を概観した総説です。Kim と Katipamula の2018年の総説は、建物の設備の FDD の方法を概観した総説です。本コラムではどちらも書誌だけを確かめ、内容は題名から読み取れる範囲です。

FDD の方法には、設備の物理のモデルを使う方法なども含めていくつかの分け方がありますが、本章では、決まりにもとづく方法と、過去の記録にもとづく方法の2つに絞って説明します。1つ目は、設備の仕組みの知識から「この条件ではこうなっているはず」という決まりを書いておき、外れたら知らせる、決まりにもとづく方法です。例えば、「冷房と暖房が同じ系統で同時に動いている」「空調が止まっているはずの時間に送風機が動いている」「外気冷房を行う設備で、冷房が要り、外気冷房を使う条件を満たしているのに、外気の取り入れが最小のまま」といった決まりです。2つ目は、過去の記録から正常な状態のモデルを作り、そこからのずれを見る、データにもとづく方法です。本章の CUSUM、形の比較、補正した COP の比は、いずれも2つ目の考え方にあたります。

考え方何が分かるか要るもの外れるところ
決まりにもとづく方法どの決まりに反したかが分かるので、原因の候補が具体的設備の仕組みの知識、設定値と運転の状態の記録決まりに書いていない異常は見つからない。決まりの数が増えると保守が重くなる
データにもとづく方法(本章の例題)正常の状態からのずれの大きさと、ずれが始まった時期正常な期間の記録、見込みを作るモデルずれの原因は分からない。学習の期間に異常が含まれると、それを正常として覚える。設備の更新でモデルが古くなる

実務では、データにもとづく方法で「いつから、どの時間帯に、どの層でずれたか」をつかみ、決まりにもとづく点検と、設備の担当者の知識で原因を絞り込む、という組み合わせが現実的だと考えています。

もう1つ、監視と関係の深い考え方にコミッショニングがあります。日本語では性能検証とも呼ばれます。国土交通省のウェブサイトに掲載されている、省エネ基準に関する検討の資料のうち、専門委員の意見の資料(参考資料2-1)の注記の説明を要約すると、コミッショニングは、設備が発注者の求める性能を満たしているかを、設計から運転・保守までの各段階で確かめ、その結果を記録に残す取り組みです。引き渡しのときだけでなく、運転と保守の段階も対象に含まれています。本章の監視は、運転の段階で、設備が要件どおりに動いているかを確かめ続ける仕組みの一部と位置づけられます。要件(室内の環境の範囲、運転の時間、設備の効率の見込み)が文書になっていなければ、監視で外れを見つけても、何から外れたのかを判断できません。

設備の更新の後の監視のモデルの見直し

データにもとづく監視のモデルは、学習の期間の建物と設備を覚えています。照明の更新や設備の入れ替え、増床、テナントの入れ替えがあれば、モデルは実態と合わなくなります。ここでは、変化を入れない事業所に、監視の期間の120日目から照明を更新して稼働日の8時から20時の負荷が12 kW 下がる変化を入れ、古いモデルのままで監視を続けた場合と、モデルを見直した場合を比べました。使用量が見込みより少ない側の変化を見るため、標準化した残差の符号を反対にした CUSUM(下側の CUSUM)も使っています。見直しは、更新の後8週間の稼働日の残差の平均を段差として推定し、古いモデルの見込みに、稼働日だけその段差を足す方法です。

# ---- 設備の更新の後のモデルの見直し ----
up = daily_table(make_site(night_up=False, early=False, cop_down=False, upgrade=True))   # 120日目に照明を更新
up["pred"] = design(up, BC, BH) @ BETA
z_up = ((up.kwh - up.pred) / SIG).values[M:]
low_al = cusum(-z_up)[1]                                          # 使用量が予測より少ない側の CUSUM
print("更新の後に下側の CUSUM が警報を出した日", low_al[:6], "…件数", len(low_al))
m_up = up.iloc[M:].reset_index(drop=True)
m_up["res"] = m_up.kwh - m_up.pred
fit = m_up.iloc[120:176]; fit = fit[fit.work & fit.ok]            # 更新の後の8週間の稼働日
delta = fit.res.mean()
print("更新の後8週間の稼働日の残差の平均(段差の推定)", round(delta, 1), "kWh/日 稼働日の数", len(fit),
      "真の段差", -12 * 12 * 1.0, "kWh/日(12 kW × 12時間)")
ev = m_up.iloc[176:].dropna(subset=["kwh"])
new_pred = ev.pred + delta * ev.work
for name, pr in [("古いモデルのまま", ev.pred), ("段差を足したモデル", new_pred)]:
    r = ev.kwh - pr
    print(name, "176日目以降 残差の平均", round(r.mean(), 1), "kWh/日 稼働日の残差の平均", round(r[ev.work].mean(), 1),
          "休業日の残差の平均", round(r[~ev.work].mean(), 1), "MAE", round(r.abs().mean(), 1))
z_new = ((ev.kwh - new_pred) / SIG).values
print("段差を足したモデルでの176日目以降の CUSUM の警報 上側", len(cusum(z_new)[1]), "下側", len(cusum(-z_new)[1]))

実行すると、下側の CUSUM は、更新の後の121日目から警報を出し続け、監視の期間の合計で64回の警報になりました(23日目の1回は、更新の前の誤報です)。更新の後8週間の稼働日38日の残差の平均は -145.6 kWh/日で、合成に入れた段差(12 kW × 12時間 = 144 kWh/日。雑音の掛け算を含まない値)に近い値でした。

176日目以降の評価残差の平均(kWh/日)稼働日の残差の平均(kWh/日)休業日の残差の平均(kWh/日)MAE(kWh/日)
古いモデルのまま-96.2-140.3-2.0102.1
段差を足したモデル3.05.3-2.036.9

MAE は、残差の絶対値の平均です。古いモデルのままでは、稼働日の見込みが140 kWh/日ほど大きく、下側の CUSUM が警報を出し続けます。この警報は、照明の更新という意図した変化によるもので、異常ではありません。こうした警報を放っておくと、警報が鳴り続けることに慣れ、本当の異常の警報も見過ごすようになります。段差を足したモデルでは、176日目以降の残差の平均が3.0 kWh/日になり、CUSUM の警報は上側1回、下側2回でした。

この例題からは、設備の更新のような意図した変化があったときに、監視のモデルを見直す手順を、あらかじめ決めておく必要があることが分かります。手順には、変化の日付と内容の記録、見直しまでのあいだ警報をどう扱うか、どれだけの期間の記録で見直すか、を含めます。本章の例題では8週間の稼働日で段差を推定しましたが、空調の負荷のように季節で効き方が変わる変化では、8週間の記録では季節を一巡りせず、見直したモデルが別の季節で外れることがあります。季節を一巡りしていない記録の危うさは第5章で扱いました。また、ここで推定した段差は、照明の更新の効果(削減量)の見積りにもなりますが、省エネの効果として報告するときは、第5章の計測と検証の手続きに従い、幅をつけて示します。監視のための見込みのモデルの見直しと、効果の報告のためのベースライン(第5章の意味のベースライン)の引き直しは、目的が違うので、記録を分けて管理するのがよいと考えています。モデルの監視と再学習の一般論は、弊社コラム『機械学習モデルを運用し続けるMLOps、実験管理からモデル監視と再学習まで』で扱っています。

警報の設計と計器の点検

監視の仕組みを入れたあとに起きやすいのは、警報が多すぎて誰も見なくなることです。本章の例題でも、3つの変化を入れた事業所では1年で30回の CUSUM の警報が出ました。夜間の負荷が動き続けた60日間には16回の警報が出ており、原因が直るまで同じ警報が繰り返し出ます。ロードカーブの形の規則は、1年で83回の警報を出しました。警報の設計では、次の点を決めておくのがよいと考えています。

  • 優先順位:保安や生産に関わる警報、最大需要電力に関わる警報、使用量の無駄の警報を分け、対応の早さを変える
  • 重複のまとめ方:同じ原因の警報が続くときは、1件の対応の記録にまとめ、解消するまで追いかける
  • 意図した変化の登録:設備の更新、運転のスケジュールの変更、イベントなどを事前に登録し、その影響による警報と区別する
  • 対応の記録:誰が、いつ、何を確かめ、何を直したか、直した後に指標が戻ったかを残す
  • 見直しの周期:誤報と見逃しの数を定期的に数え、しきい値と規則を見直す(見直した後の期間で改めて確かめる)

警報から是正までの流れは、次の表のように段階に分けて、それぞれの担当と記録を決めておくと、形だけの監視になりにくくなります。記録は最後にまとめて残すのではなく、どの段階でも残します。この流れを図にすると、表の後の図のとおりです。

段階やること担当の例残す記録
検知警報の内容と、どの層の指標かを確かめるエネルギー管理の担当、データ分析の担当警報の日時、指標の値
確認データの層の異常(欠測・計器)でないか、意図した変化でないかを確かめるエネルギー管理の担当確認の結果(異常・誤報・意図した変化)
原因の切り分け時間帯・系統・設備を絞り込み、運転の記録と設定を見る施設管理・設備の保守の事業者原因の候補と、確かめた事項
是正設定やスケジュールを戻す、修理や清掃を手配する施設管理・設備の保守の事業者(事業所の保安規程に定める確認のもと)是正の内容と日時
復旧の確認是正の後に指標が戻ったかを確かめる(省エネの削減量として報告する場合は、第5章の手続きによる)エネルギー管理の担当是正の前後の指標
警報から是正までの流れの図。検知、確認、原因の切り分け、是正、復旧の確認、各段階で記録を残す の箱を矢印でつないでいる

監視の前提として、計器の点検も欠かせません。温度や流量のセンサがずれると、制御はずれた値をもとに動き、監視はずれた値をもとに判断します。例えば、外気温のセンサが実際より高い値を示すと、本章の COP の補正は、暑い条件だから COP が低くても当然と見込み、劣化を見逃す側に働きます。室温のセンサがずれていれば、空調は室温の許容範囲を守っているつもりで、実際には外れていることがあります。センサの校正の周期と記録、二重に測れる点どうしの比較(建物の全体の電力量と、系統ごとの電力量の合計など)を、データの層の監視に含めておくのがよいと考えています。

設備の故障を、その前の兆候から見つけて保全の計画につなげる考え方は、予知保全と呼ばれます。本章の監視は、エネルギーの使い方の無駄と効率の低下を見ることに重点がありますが、COP の低下のように、同じ兆候が故障の前触れでもあることがあります。設備のセンサのデータからの異常の検知と、保全の計画の立て方は、弊社コラム『設備の故障を防ぐ予知保全の実践ガイド、センサーデータの異常検知から保全計画の最適化まで』で扱っています。ロードカーブの形をクラスターに分ける方法などの多変量解析は、弊社コラム『データの構造を読み解く多変量解析、主成分分析・因子分析からクラスター分析まで』で扱っています。

経営の判断:監視の指標と頻度と対応の責任者を決める

経営の側から見た監視の論点は、何を、どの頻度で、誰が見て、警報が出たら誰がどこまで直してよいかを決めることです。監視の仕組みがあっても、警報に対応する人と権限が決まっていなければ、レポートが毎月作られるだけで、設定の見直しにつながりません。これは序章で整理した損失の型の形骸化にあたります。本章の例題でいえば、夜間に4 kW の負荷が60日間動き続けると、それだけで約5,760 kWh(4 kW × 24時間 × 60日)の電力量を使います。これは検知が60日間遅れた場合の電力量で、本章の例題では、CUSUM は変化の開始から3日後の、監視の期間の43日目に警報を出しています。合成に入れた値からの単純な掛け算であり、実際の事業所の値ではありませんが、気づかない時間が長いほど、払いすぎが積み上がるという構造は変わりません。COP の低下を見逃せば、同じ冷房の仕事に多くの電力量を使い続け、払いすぎになります。反対に、設備の更新による警報を異常と取り違えると、誤報への対応で担当者の時間を使い、警報の信頼が下がります。

月次のレポートには、次のような項目を載せるのがよいと考えています。数値の大小だけでなく、何に対応したかが分かる形にします。

項目中身見る人判断につながること
データの品質点検に通らなかった日の数、計器の点検と校正の状況エネルギー管理の担当計器や通信の修理の手配
見込みとの差月の残差の合計(kWh)、CUSUM の警報の回数と、その確認の結果エネルギー管理の担当、施設管理原因の調べと是正
ベース負荷夜間と休業日の平均の電力(kW)の推移施設管理止め忘れ・スケジュールの見直し
最大需要電力月の最大需要電力(kW)と、出た日時、気温施設管理、経営目標の需要電力の見直し(第6章)
設備の効率補正した COP の比などの推移設備の保守の事業者、施設管理清掃・点検・修理、更新の検討の材料
警報への対応警報の件数、対応した割合、未解決の件数と経過の日数、誤報の数経営、エネルギー管理の責任者体制としきい値の見直し
意図した変化設備の更新、運転の変更、モデルを見直した日と内容エネルギー管理の担当、データ分析の担当監視のモデルの引き直しと、効果を測るためのベースライン(第5章)の見直し

体制の面では、次の3つを決めておくのがよいと考えています。1つ目は、監視の指標と頻度です。日々の警報は担当が見て、月次のレポートで傾向と対応の状況を管理者が見る、という分け方が考えられます。2つ目は、警報に対応する責任者と権限です。運転の設定を戻す判断を誰がしてよいか、修理の手配の判断をどこまで現場でしてよいかを決めておかないと、警報が出ても対応が止まります。設定や運転を変えるときに、設備の担当者と、事業所の保安規程が定める確認を経ることも、この権限の決め方に含めます。3つ目は、監視の仕組みそのものの見直しです。誤報の数と見逃しの数、警報から是正までの日数を指標にして、監視の規則としきい値を見直します。監視の体制と、外部の事業者との分担の決め方は、第13章で扱います。

この章では、対策の効果が薄れていくことを前提に、データ・使用量・設備の3つの層で監視する方法を扱いました。本コラムの架空データでは、日別の使用量の CUSUM は夜間のベース負荷の上昇を数日で見つけ、ロードカーブの形の比較は空調の起動が早まる変化を3日か4日で見つけ、外気温と部分負荷率で補正した COP の比は、日別の使用量では見分けられなかった COP の低下を約1か月で見つけました。設備の更新のような意図した変化の後は、監視のモデルを見直さないと、警報が鳴り続けて監視が形だけになります。第13章では、ここまでの章で扱った方法を、どの順番で、どの体制で事業所に導入していくかを扱います。

この章を深めたい方への参考書籍

『入門 機械学習による異常検知 Rによる実践ガイド』(井手剛、コロナ社):正常な状態のデータからモデルを作り、そこからの外れの度合いで異常を判定する考え方を、統計的な基礎から説明した入門書です。本章で使った、学習の期間の残差の分布から上限を決める方法や、変化を検知する方法を、より一般的な枠組みで理解する助けになります。

『異常検知と変化検知』(井手剛・杉山将、講談社):機械学習プロフェッショナルシリーズの1冊で、外れ値の検出に加えて、時系列のデータで状態が変わった時点を見つける変化検知の方法を扱っています。本章の CUSUM のように、小さなずれが続く変化を見つける問題を、より広い方法の中に位置づけて学べます。

第13章 導入の進め方と体制、エネルギー管理の内製と外部の分担

第12章では、対策の効果は放っておくと薄れること、使用量と設備とデータの3つの層で監視し、予測との差の累積や夜間のベース負荷、熱源の成績係数の推移から変化を見つけることを扱いました。あわせて、警報を鳴らすだけで終わらせず、対応する責任者と権限を決めておくことも扱いました。第1章から第12章は、事業所のエネルギーの使い方を「どの設備を、どのデータとどの方法で評価し、いつ・どれだけ動かして、その効果をどう測り、どう監視するか」という順に説明してきました。この章では、それを自社のどの事業所から、どの順番で、誰の責任で入れていくかを扱います。

この章はコードを載せず、表と概念図で説明します。扱う内容は次のとおりです。

  • 自社がどこまで自分で取り組むかの5つの段階と、それぞれに要るデータ・設備・人・費用の型、どこから始めるかの採点表
  • 条件をそろえた使用量・費用・排出量の減少と、室内の環境・生産・安全の維持を頂点にした KPI の分解と、現状の把握、省エネ診断の活用
  • 省エネ法で特定事業者に求められる体制の入口と、エネルギーマネジメントシステムの規格(ISO 50001)の考え方
  • 本格的な導入の前に限られた範囲で試す段階の設計と、効果の見立て方(金額ではなく、率と物理量の型で書く)
  • 役割と責任分担、ESCO などの外部の事業者との分担と、外部に確かめること
  • 人材とデータの基盤、制御の系統の情報の安全、投資の判断の順番、最初の90日の計画、形骸化の型、経営判断

この章の主張は、PoCの出口と、効果の測り方と、室内の環境と生産の許容範囲を、始める前に決めておくことです。PoC は Proof of Concept の略で、本格的な導入の前に、限られた範囲で、使えるかどうかと効果を確かめる小さな検証を指します。出口とは、何が確かめられたら次の段階へ進み、何が確かめられなければやめるか、という決まりのことです。

エネルギーの対策は、導入した翌月の請求書の使用量が前年同月より減ったところで「効果が出た」と判断されやすいように思います。しかし、第5章で扱ったとおり、前年同月との差には、気温・稼働日・生産量・使い方の違いが混ざっています。本コラムで削減量と呼ぶのは、使用量(kWh)について、対策が無かった場合に見込まれる使用量(ベースライン)から実績を引いた差で、条件をそろえて見積もった値であり、幅があります。さらに、電気の費用は電力量(kWh)だけでなく、使う時間帯にも左右され、契約電力の決まり方によっては最大需要電力(kW)にも左右されます(第1章)。そのため、費用や最大需要電力の変化は削減量とは別の名前(費用の相対値の差、最大需要電力の低下)で扱います。

PoC の計画を立てる段階で、何をベースラインにするか、何で補正するか、室内の環境と生産をどの範囲で守るかを決めておかないと、終わったあとに「効果があったのか」を誰も判断できなくなります。この章で中心に扱うのは、その決めごとを、段階の選び方・役割の分担・外部との契約に、最初から組み込むことです。

自社がどこまで取り組むか、5つの段階と要るものの型

事業所のエネルギー管理で、自社が取り組む範囲には幅があります。本コラムでは、その幅を次の5つの段階に分けて考えます。段階の分け方は本コラムが考えた整理で、法令や規格で定められたものではありません。また、段階は必ずしも1から順に進むものではなく、事業所の負荷の形や設備によっては、段階3を飛ばして段階4に取り組むこともありえます。

  • 段階1 請求書と30分値の見える化:月ごとの請求書と、30分値(30分ごとの記録。多くは電力量 kWh の記録)を集め、月別・時間帯別の使用量、月ごとの最大需要電力、負荷率を定期的に見る(第1章・第2章)
  • 段階2 補正つきの効果の測定:気温・稼働日・生産量で補正したベースラインを作り、対策の削減量を幅つきで見積もる。予測のモデルもこの段階で作り始める(第3章から第5章)
  • 段階3 ピークの管理:コマの途中で需要電力を予測して警報を出し、止められる負荷・ずらせる負荷の優先順位を決めて、最大需要電力を目標の値に抑える(第6章)
  • 段階4 空調や熱源の運転の最適化:建物の熱のモデルや熱源の効率の曲線を使って、設定温度・起動の時刻・台数・蓄熱の計画を決める(第7章・第8章)
  • 段階5 蓄電池やデマンドレスポンス:自家消費の太陽光発電の予測を踏まえて蓄電池の充放電を計画し、デマンドレスポンスに参加して需要を動かす。予測の誤差を織り込んだ計画も扱う(第9章から第11章)

段階が上がるほど、扱うデータが細かくなり、設備の運転に直接触れる範囲が広がります。一方で、どの段階にも共通して自社が決めなければならないことがあります。何をベースラインにして効果を測るか(第5章)、室内の環境と生産の許容範囲をどこに置くか(第7章)、監視して誰が対応するか(第12章)の3つです。この3つは、外部の事業者に作業を任せても、自社が決めなければならないことだと考えています。とくに室内の環境の許容範囲は、在室者・生産・設備の保護の観点から先に決める守る制約で、省エネの成果を出すために広げるものではありません。変える場合は、関係者の合意と記録のもとで、削減の評価とは別の決定として扱います。

各段階に要るデータ・設備・人・費用の型を次の表にまとめました。費用は金額ではなく、何に費用がかかるかの型で書いています。

段階自社が決めること要るデータ要る設備要る人費用の型
段階1 請求書と30分値の見える化見る指標(使用量・最大需要電力・負荷率)と、見る頻度・見る人請求書・30分値・契約の内容集計の道具(表計算でも始められる)集計と報告を担う担当者30分値の取得や集計にかかる人の時間・道具の利用の費用
段階2 補正つきの効果の測定ベースラインの期間・補正に使う条件(気温・稼働日・生産量)・幅の示し方段階1に加えて、気温の記録・稼働日や生産量の記録段階1に加えて、記録をそろえて保存する仕組み段階1に加えて、回帰の分析ができる担当者段階1に加えて、記録の整備と分析の人の時間
段階3 ピークの管理目標の需要電力・止めてよい設備の優先順位・自動の制御と人の操作の分担段階2に加えて、設備別の電力の記録・1分から数分ごとの平均の電力の記録(需要電力とは呼ばない間隔の値)デマンドの監視の装置・設備ごとの計測段階2に加えて、設備の担当者・電気主任技術者などの有資格者の確認計測と監視の装置の導入と保守・制限による生産や室内の環境への影響
段階4 空調や熱源の運転の最適化室内の環境の許容範囲・運転を変えてよい範囲・計画を人が上書きする手順段階3に加えて、室温・設定温度・熱源の運転の記録・外気温の予報BEMS などの計測と制御の仕組み・熱源や空調の制御の機能段階3に加えて、建物の熱や熱源の特性を扱える担当者・設備の保守の事業者制御の仕組みの改修・モデルの作成と保守・試運転の人の時間
段階5 蓄電池やデマンドレスポンス蓄電池に何をさせるかの優先順位・デマンドレスポンスに応じる条件と回数の上限・許すリスクの大きさ段階4に加えて、発電量の記録と予測・市場や要請の情報蓄電池・パワーコンディショナ・太陽光発電・要請を受ける通信の仕組み段階4に加えて、契約と制度を確かめる担当者・アグリゲーターとの窓口設備の導入と保守・アグリゲーターとの契約・応じられない場合の扱い

表の「要るデータ」の列は、段階を上げるときに最も重くなりやすい列だと考えています。段階1は請求書と30分値で始められますが、この章で想定する30分の単位での評価では、段階2で気温と稼働や生産の記録を、30分値と同じ時刻の軸にそろえる必要があります(第2章)。月ごとの使用量と、それに対応する気温や稼働の記録で評価できる場合もあるので、記録の粒度は評価の目的に合わせて決めます。段階3では設備ごとの電力の記録が要り、取引用の計量器の30分値だけでは、どの設備がピークを作っているかが分かりません。段階4では室温と設定温度を区別して記録する必要があります。段階5のように太陽光発電や蓄電池のある事業所では、事業所の中の設備が使う電力(需要)と、受電点で送配電の設備から受ける電力(受電電力)が一致しなくなるので、両方を別に記録する必要があります。段階を上げること自体を目的にせず、自社の事業所の負荷の形と、手元にあるデータに見合う段階を選ぶことが大事です。どの段階でも、設備の制御や運転を変える取り組みは、設備の仕様・保安規程・メーカーの定める運転の範囲のなかで、設備の担当者と電気主任技術者などの有資格者の確認のもとで行うことが前提になります(以下、この章で制御の変更に触れるときは、この前提によります)。

どこから始めるか、5つの観点で採点して最初の対象を決める

複数の事業所を持つ事業者は、工場・事務所ビル・店舗・倉庫と、性格の違う拠点を抱えていることが多いように思います。すべての事業所で一度に段階を上げようとすると、記録の整備・PoC・監視の負担が重なり、どれも中途半端に終わりやすくなります。反対に、社内で関心の高い事業所から手を付けて、30分値は取れるが稼働の記録が無く比較ができない、と後から気づくこともあります。最初の対象は、取り組む価値があることと、効果を確かめやすいことの両方で選ぶ必要があります。

本コラムでは、候補の事業所と、目指す段階の組み合わせを、次の5つの観点で採点する方法を考えます。

  • エネルギーの費用が事業に占める重み:その事業所のエネルギーの費用が、事業の費用の中でどの程度の重さを占めるか。重いほど、運転の改善が事業の利益に効く
  • 負荷の形:最大需要電力が一部のコマに集中しているか、夜間や休業日のベース負荷が大きいか、気温に応じた空調の負荷が大きいか。形によって効く段階が違う(第1章・第3章)
  • 動かせる負荷:使う時間をずらせる、または出力を変えられる負荷がどれだけあるか。止めてはいけない設備がどれか(第6章・第10章)
  • 計測の状況:30分値・設備ごとの計測・室温・稼働や生産の記録が、同じ時刻の軸で残っているか(第2章)
  • 体制:記録の整備・分析・設備の操作・監視を担える人が社内にいるか、設備の保守の事業者とどこまで分担できるか

5つのうち、エネルギーの費用の重みは「取り組む価値」を、負荷の形と動かせる負荷は「どの段階が効くか」を、計測の状況と体制は「確かめやすさ」と「続けられるか」を表します。採点の目安を次の表にまとめました。点数の付け方は本コラムが考えた例です。各観点を1点から3点で付け、合計点だけで決めるのではなく、「計測の状況」と「体制」のどちらかに1点が付く組み合わせは、最初の PoC の対象から外し、計測や体制の整備を先に進める、という使い方を想定しています。

観点3点2点1点確かめ方(主に情報を持つ人)
エネルギーの費用が事業に占める重みエネルギーの費用が事業の費用の中で大きな割合を占め、変動が利益に効く費用の一部として意識されているが、割合は中程度割合が小さく、改善しても事業の利益への影響が小さい請求書の推移と、事業の費用に占める割合(経営・財務・施設管理)
負荷の形最大需要電力が特定のコマに集中している、またはベース負荷や空調の負荷が大きく、効く段階がはっきりしている形に特徴はあるが、どの段階が効くかを分析で確かめる必要がある形が平坦で、生産の量だけでほぼ決まっている30分値のロードカーブ・月ごとの最大需要電力と負荷率(施設管理・データ分析)
動かせる負荷止めてよい時間・再開の条件が分かっている動かせる負荷が複数ある動かせる負荷はあるが、止めたときの影響が確かめられていないほとんどの負荷が生産や安全のために止められない設備の台帳と運転の条件・生産の計画(設備の担当者・生産技術・電気主任技術者)
計測の状況30分値・設備ごとの計測・室温・稼働や生産の記録が、同じ時刻の軸で残っている30分値はあるが、設備ごとの計測か稼働の記録の一方が欠けている月ごとの請求書しかない計測点の一覧と記録の保存の状況(施設管理・情報システム)
体制分析・設備の操作・監視を担える人が社内にいて、保守の事業者との分担も決まっている担える人はいるが兼務で、分担が文書になっていない担える人がおらず、外部の報告をそのまま受け取っている担当者と外部の事業者の役割の一覧(施設管理・経営)

採点の結果は、合計点の高い順に並べるより、観点ごとの点の組み合わせで読むほうが判断に使いやすいと考えています。たとえば、費用の重みと負荷の形が3点で、計測の状況が1点の事業所は、取り組む価値は高いものの、今の状態で PoC を始めても、効果を確かめにくい状態です(月ごとの評価で足りる対策かどうかも合わせて検討します)。この場合は、段階1と段階2のための計測の整備を先に進めることが、最初の取り組みになります。反対に、計測と体制が3点でも、費用の重みが1点の事業所は、PoC の結果が良くても事業への影響が小さく、全社への展開の判断材料になりにくい場合があります。最初の PoC には、取り組む価値と確かめやすさの両方がそろった事業所を選び、そこで作った測り方と手順を、ほかの事業所に広げていく順番が、手戻りを小さくする進め方だと考えています。

KPI の木、条件をそろえた減少と室内の環境・生産・安全の維持を頂点に置く

取り組みの成果を何で測るかは、段階を選ぶ前に決めておく必要があります。本コラムでは、最終の KPI を2つ組にして置きます。1つは、条件をそろえて見積もった使用量・費用・排出量の減少です。量ごとに名前を分け、使用量(kWh)は削減量、最大需要電力(kW)は最大需要電力の低下、費用は費用の相対値の差(単価を相対値で置いて計算した、単位の無い数の差。金額ではない)、排出量は排出量の減少(二酸化炭素のトン数、t-CO2)と呼びます。もう1つは、室内の環境・生産・安全の維持、つまり室温が許容範囲を外れた時間や、生産の計画や品質に支障が出た件数、保安上の問題の件数を増やさないことです。この2つを組にするのは、減少だけを KPI にすると、制御の行きすぎで室内の環境や生産を損なっても、数字の上では成果に見えてしまうからです。最終の KPI を、日々の運転で動かせる指標まで分解したものを、本コラムではKPI の木と呼びます。上の段の指標が、下の段のどの指標の組み合わせで決まるかを、木の枝のように分けて書いたものです。

電気の費用は、第1章で扱ったとおり、電力量(kWh)に応じてかかる部分と、契約電力に応じてかかる部分に分かれ、時間帯によって単価が違う契約もあります。契約電力が最大需要電力で決まるかどうか、いつの最大需要電力が反映されるかは、契約の種別と約款で違います。排出量について、本コラムの KPI の木では電力量と排出係数の2つに分けて考えますが、これは本コラムでの分解です。制度での算定の方法は、第14章と、算定の制度の公式の手引きで確かめる事項です。係数を使うときは、どの制度の、どの種類の、どの年度の係数かを明記します(第14章)。排出量の減少は、使用量の変化による分と、係数や調達の変化による分を分けて記録します(第14章と同じ趣旨です)。そこで、最終の KPI の1つ目を、電力量・最大需要電力・時間帯・排出量の算定の4つの枝に分け、それぞれを運転で動かせる指標まで分解します。ここでの最大需要電力と電力量は、料金に関わる量なので、受電点で受ける受電電力と受電電力量で数えます。太陽光発電や蓄電池のある事業所では、事業所の中の設備が使う需要と受電電力が一致しないので、両方を別に記録します。次の表は、その分解の例です。

最終の KPI分解した枝運転で動かせる指標の例主に扱う章測り方の注意
条件をそろえた使用量・費用・排出量の減少電力量(受電電力量 kWh)夜間と休業日のベース負荷(必要な分と減らせる分を見極めてから、減らせる分を動かす)・空調の運転の時間・熱源の成績係数・設定温度第3章・第7章・第8章・第12章前年比ではなく、気温・稼働日・生産量で補正したベースラインとの差(削減量)で測る(第5章)。熱源の成績係数は、本体だけの値か補機を含む設備全体の値かを決め、期間の値は熱の量の合計÷使ったエネルギーの合計で求める(時点ごとの値の単純な平均で代えない。第12章)
条件をそろえた使用量・費用・排出量の減少最大需要電力(受電電力の30分の需要電力の最大 kW)月ごとの最大需要電力・ピークの時間帯の設備の内訳・警報への対応の割合第6章・第9章契約電力の決まり方によっては、1コマの超過がその後の基本料金に効くので、平均ではなく最大の値で見る(第1章)。減少は「最大需要電力の低下(kW)」と呼ぶ
条件をそろえた使用量・費用・排出量の減少時間帯単価の高い時間帯の電力量の割合・ずらせる負荷を移した量・デマンドレスポンスで減らした量第9章・第10章・第11章電力量の合計が減るとは限らないので、電力量の増減と並べて書く。第14章で扱う電気の係数は電気事業者ごと・年度ごとに公表される値なので、使う時間帯を移したときの排出量の増減を、その係数だけで断定しない(第14章)
条件をそろえた使用量・費用・排出量の減少排出量の算定(係数と自家消費)自家消費の太陽光発電の量第9章・第14章自家消費の発電は受電電力量を減らすが、省エネの削減量とは呼ばず「受電電力量の減少」として、電力量の枝の削減量と分けて記録する(二重に数えない)。係数は、どの制度の、どの種類の、どの年度の係数かを明記し、そろえて比べる。再生可能エネルギーの調達が算定にどう反映されるかは、算定の制度の公式の手引きで確かめる事項とする
室内の環境・生産・安全の維持守る制約と、運用の品質の指標守る制約:安全・設備の保護・生産と品質の条件・室温の許容範囲。運用の品質の指標:室温が許容範囲を外れた時間・在室者の申告の件数・生産の計画や品質への支障の件数・設備の起動と停止の回数・保護装置の動作や保安上の指摘の件数第7章・第8章・第11章守る制約は先に決めて守る条件で、外れてよい量は設けない。室温の許容範囲も守る条件で、省エネのために広げない。予測の外れなどで実際に範囲を外れてしまった時間は指標として測り、0を目標にする。外れが起きたときの対応(原因の確認・制御の設定の見直し・元の設定に戻す判断)を決めておく。減少の量と必ず並べて報告する

表の「運転で動かせる指標」は、現場の担当者が日々の判断で動かせる単位まで下ろしてあります。KPI の木を作る目的は、最終の KPI が動かなかったときに、どの枝が原因かを切り分けられるようにすることです。たとえば、条件をそろえた電力量は減ったのに費用の相対値があまり下がらなかった場合は、最大需要電力の枝か時間帯の枝に原因がある可能性を確かめます。反対に、費用の相対値は下がったのに室温が許容範囲を外れた時間が増えた場合は、減少の一部が快適性と引き換えになっていないかを確かめます。最終の KPI を2つ組にしておくと、こうした確かめを報告の様式に組み込めます。予測のモデルの誤差の小ささや、最適化の計画の目的関数の値は、この木の中に入れていません。予測の誤差は手段の品質を表す指標で、計画の値は予測が当たった場合の値なので、成果は実績の条件で評価した値で測ります(第7章・第11章)。

指標の名前を決めただけでは、KPI として運用できません。指標ごとに、算式・単位・評価の範囲(どの受電点・どの設備・どの部屋か)・期間・データの出所・責任者・確かめる頻度・対応を始める条件を決めておく必要があります。エネルギーや費用の指標と、室内の環境・品質・安全・設備への影響の指標を、同じ様式で並べておくと、片方だけが報告される事態を防げます。次の表は、その記入の例です。対応を始める条件の値は、事業所ごとに決めるもので、ここでは決め方の型だけを示しています。

指標算式と単位評価の範囲と期間データの出所算定・監視の担当最終の承認確かめる頻度対応を始める条件
削減量(使用量)ベースライン – 実績(kWh)。幅を付ける。太陽光発電や蓄電池の導入や運用の変更がある場合は、設備の側の使用量を計測するか、発電・充放電・損失の収支を合わせて、省エネによる削減量と、発電や充放電による受電電力量の減少を分ける対象の事業所の受電点(上の場合は設備の側の計測点)。対策の後の評価の期間(季節をまたぐ)30分値・気温・稼働日や生産量の記録・発電と充放電の記録データ分析施設管理月ごと幅の下限が事前に置いた見立ての範囲を下回る状態が続いたとき
最大需要電力受電電力の30分の需要電力の月の最大(kW)対象の事業所の受電点。月ごと30分値(多くは kWh の記録なので2倍して kW にする)施設管理施設管理毎日、月の中の最大の値を確かめる。超過を防ぐ警報は、これとは別に、コマの途中の予測で監視する(第6章)月の中の最大の値が目標の需要電力に近づいたとき(近さの基準は事業所ごとに決める)
費用の相対値の差ベースラインの費用の相対値から実績の費用の相対値を引いた差(単位なし)。費用の相対値は、相対単価に電力量や契約電力を掛けて足した値対象の事業所の契約。月ごと請求書・契約の内容・30分値データ分析・施設管理財務月ごとそれぞれのベースラインに対する減少率を比べ、電力量の減少率に対して費用の相対値の減少率が小さいとき(枝の切り分けを始める)
室温が許容範囲を外れた時間許容範囲の外にあった時間の合計(時間)対象の部屋や区画。在室の時間帯。月ごとBEMS などの室温の記録施設管理施設管理毎日許容範囲を外れたことが記録されたとき(原因を確かめ、制御の設定(余裕の取り方・起動の時刻など)を見直す。許容範囲そのものは変えない)
生産や品質への支障の件数エネルギーの対策が原因と判断された支障の件数(件)対象の工程。月ごと生産と品質の記録生産施設管理(生産と協議)週ごと1件でも起きたとき(原因を確かめ、対策を止めるか判断する)
保護装置の動作や保安上の指摘の件数制御の変更の後に起きた保護装置の動作や、点検での保安上の指摘の件数(件)制御を変えた設備。月ごと運転日誌・点検の記録電気主任技術者・設備の担当者施設管理点検のつど1件でも起きたとき(元の設定に戻すかを判断する)

表の「最終の承認」は、後の役割と責任分担の表の「最終の責任を持つ人」と一致させることを想定しています。たとえば削減量の算定は、その表の「ベースラインと効果の算定」の行に当たり、算定はデータ分析、最終の責任は施設管理です。対応を始める条件が書かれていない指標は、数字が悪くなっても誰も動かない指標になりやすいので、条件と、そのとき誰に知らせるかを決めてから運用を始めることが大事です。

現状の把握、集める資料と省エネ診断の使い方

段階と KPI を決めたら、最初の対象の事業所について現状を把握します。現状の把握で集める資料は、請求書・30分値・設備の台帳・運転のスケジュール・契約の内容の5つが中心です。一般社団法人 ESCO・エネルギーマネジメント推進協議会は、ESCO 事業者による予備的な診断の前に準備しておくとよいデータとして、建物の概要、業務日数や冷暖房の期間などの運用の状況、月別のエネルギーの使用量(3年分)、契約の種別などのエネルギーに関するデータ、設備や機器の図面と仕様、設備の運転日誌などを挙げています。外部の診断を受けるかどうかにかかわらず、この一覧は自社の現状の把握にも使えると考えています。集める資料と、そこから分かること、主に持っている人を次の表にまとめました。

資料分かること分からないこと主に持っている人
請求書(月ごと)月ごとの電力量・最大需要電力・契約電力・料金の内訳の構造どの時間帯・どの設備が使っているか総務・経理・施設管理
30分値ロードカーブ・最大需要電力の出たコマ・夜間と休業日のベース負荷・負荷率設備ごとの内訳(事業所の全体の値のため)施設管理(取得の経路は第2章)
設備の台帳設備の種類・容量・台数・製造年・設置場所実際の運転の時間と部分負荷率(定格の能力に対する、いま処理している負荷の割合)施設管理・設備の保守の事業者
運転のスケジュールと運転日誌空調や熱源の起動と停止の時刻・設定温度・季節ごとの切り替えスケジュールどおりに動いているか(実測と突き合わせて確かめる)施設管理・設備の担当者
契約の内容契約の種別・契約電力の決め方・時間帯の区分・力率の扱い・市場の価格への連動の有無契約を変えた場合の影響(約款と小売電気事業者に確かめる)総務・経理・施設管理
稼働・生産・在室の記録使用量を補正するための活動量(稼働日・生産量・在室の人数)記録の粒度が30分値と合っているか生産技術・総務・人事

資料が集まらない場合は、そのこと自体が現状の把握の結果になります。とくに、稼働や生産の記録が30分値と同じ粒度で残っていない事業所は多いように思います。その場合は、効果の測り方を決める前に、記録を取り始めることが最初の取り組みになります。ベースラインを作るには対策の前の期間の記録が要り、通年の効果を評価したい場合には、季節を一巡りしていないベースラインは危ういので(第5章)、記録を取り始める時期が遅れるほど、PoC で効果を確かめられる時期も遅れます。

現状の把握には、外部の省エネ診断を使う方法もあります。一般財団法人省エネルギーセンターは、中小企業者などを主な対象にした「省エネ最適化診断」を実施しています。同センターの公式ページでは、この診断は、省エネの診断に再生可能エネルギーの導入の提案を組み合わせたものとされています。説明会を含む診断のメニューでは、申し込みのあと現地での診断(1日)、報告書の提出、診断結果の説明会という流れで進むと説明されており、小規模な事業所向けのクイック診断には説明会が無いとされています。診断では、同センターが蓄積したデータによる同業他社との比較、赤外線カメラなどの測定器を使った見える化、エネルギー管理の組織上の課題の見える化を行うとされています。

また、同センターの公式ページ(2026年11月17日に確認)では、この診断の提案項目の件数の比率で、費用のかからない運用の改善による提案が約4割であるとされています。これは同センターの診断の提案の件数の比率で、削減量の割合ではなく、どの年度の何件の提案にもとづく値かはそのページに書かれていません。

申し込みの条件・対象・費用・補助金との関係は年度ごとに変わりうるので、同センターの公式で最新を確かめる事項です。外部の診断を使う場合も、診断の結果を受け取って終わりにせず、提案のうちどれを、どのベースラインで効果を測りながら実施するかを、自社で決めることが大事です。

省エネ法で求められる体制と、エネルギーマネジメントシステムの考え方

エネルギーの使用量が一定以上の事業者が特定事業者に当たる場合には、法令で体制が求められます。ここでは体制に関わる部分の入口だけを扱い、当てはまるかどうかの判定を含む制度の詳細は第14章に送ります。エネルギーの使用の合理化及び非化石エネルギーへの転換等に関する法律(省エネ法)の条文と施行令を e-Gov 法令検索で確かめた範囲では、次のとおりです(法律は2025年6月1日施行の版、施行令は2026年7月1日施行の版を確認しました。施行令には2027年4月1日に施行される改正が e-Gov に載っていますが、その版でも、ここで扱う数値(施行令第2条・第3条・第6条)は変わらないことを確かめました)。エネルギー管理士は、エネルギー管理士試験の合格などにより、経済産業大臣が交付する免状を受けた者です(法第55条)。なお、この法律の「工場等」は工場や事務所その他の事業場を指し(法第3条)、「エネルギー」は電気だけでなく燃料や熱を含みます(法第2条)。指定の判定に使う使用量は、それらを原油の量に換算して合算した量です(施行令第2条)。本コラムの「事業所」と法令の「工場等」が同じ範囲になるとは限らず、指定は多くの場合、事業所ではなく事業者の単位で判定されます。

  • 設置しているすべての工場等のエネルギーの年度の使用量の合計が、政令で定める数値以上の者は、特定事業者として指定される(法第7条)。政令で定める数値は、原油に換算して1,500キロリットル(施行令第2条)
  • 特定事業者は、中長期的な計画の作成の事務や、エネルギーを消費する設備の維持、使用の方法の改善と監視などの業務を統括管理する、エネルギー管理統括者を選任する。エネルギー管理統括者は、事業の実施を統括管理する者をもって充てる(法第8条)
  • 特定事業者は、エネルギー管理統括者を補佐するエネルギー管理企画推進者を、所定の講習の修了者か、エネルギー管理士の免状の交付を受けている者から選任する(法第9条)
  • 年度の使用量が原油換算で3,000キロリットル以上の工場等(第一種エネルギー管理指定工場等。法第10条・施行令第3条)では、エネルギー管理士の免状の交付を受けている者からエネルギー管理者を選任する(法第11条)
  • ただし、第一種エネルギー管理指定工場等のうち法第11条第1項各号に当たるもの(製造業などの政令で定める業種の工場等のうち事務所の用途のものと、それ以外の業種の工場等)では、エネルギー管理者ではなく、講習の修了者かエネルギー管理士の免状の交付を受けている者からエネルギー管理員を選任する(法第12条・施行令第5条)
  • 第一種エネルギー管理指定工場等以外の工場等で、年度の使用量が原油換算で1,500キロリットル以上のもの(第二種エネルギー管理指定工場等。法第13条・施行令第6条)では、エネルギー管理員を選任する(法第14条)
  • 特定事業者は、定期に中長期的な計画を作成して提出し(法第15条)、毎年度、エネルギーの使用量やその効率、使用に伴う二酸化炭素の排出量、設備の設置と改廃の状況などを報告する(法第16条)

自社がこれらに当てはまるか、どの工場等が指定の対象になるか、選任の時期や届出の様式は、資源エネルギー庁の公式の手引きや所管の窓口に確かめる事項です。この章の観点で大事なのは、特定事業者に当たる場合に選任が求められる立場が、この章で扱う体制の骨格と重なることです。エネルギー管理統括者は事業の実施を統括管理する者が充てられる立場なので、経営の側の責任者として、段階の選択や PoC の出口の判断に関わることが自然だと考えています。定期の報告のために集める使用量の記録のうち、電気に関する記録の一部は、KPI の木の電力量の枝と共用できます。報告は燃料や熱なども対象にするので、報告と運転の分析のそれぞれで集計の範囲を定義したうえで、共用できる記録を決めます。報告のための集計と、運転の改善のための分析を別々の担当と別々のデータで回すと、同じ数字を2回作る負担が生まれ、数字が合わなくなる原因にもなります(第14章の経営判断も同じ趣旨です)。

体制を仕組みとして回すための国際規格に、エネルギーマネジメントシステムの規格である ISO 50001 があります。ISO の公式ページで確かめた範囲では、現行は2018年8月に発行された第2版(2018年版)で、2024年の見直しで現行のまま維持することが確認され、気候変動への対応に関する2024年の追補が出ています。ISO 50001 は、組織がエネルギー管理を継続的に改善するための国際規格で、公式ページでは、計画・実行・評価・改善の繰り返し(PDCA)の考え方に沿うものと説明されています。国内では、ISO 50001 の2018年版と一致する規格として JIS Q 50001 の2019年版が2019年11月20日に発行され、日本規格協会の規格の情報のページでは、2025年に追補が発行されていることが示されています。規格の要求事項そのものは著作物なので、本コラムでは引き写しをせず、考え方の水準で扱います。

規格の本文の項目を本コラムで示すことはしませんが、PDCA の考え方に沿う枠組みである、という公式の説明に照らすと、この章の内容は、計画(最終の KPI と許容範囲を決め、現状を把握し、ベースラインの作り方を決める)・実行(PoC)・評価(実績の条件での効果の算定と監視)・改善(定期の見直しと出口の判断)に対応させられる、と本コラムは考えています。これは本コラムによる対応づけで、規格の要求事項の項目との対応を示したものではありません。認証を取るかどうかは事業者の判断で、本コラムでは、認証を取ることを前提にしていません。認証の有無にかかわらず、決めた目標と測り方を文書にし、定期に見直す手順を持つことが、取り組みを人の異動で途切れさせないために有効だと考えています。

PoC の設計、季節をまたぐ期間・比べ方・合格の条件・出口

PoC は、本格的な導入の前に、限られた範囲で効果と使えるかどうかを確かめる段階です。エネルギーの PoC には、ほかの分野の PoC と違う難しさが2つあります。1つは、使用量が気温に大きく左右されることです。冷房の多い季節だけで試した結果は、暖房の季節や中間期には当てはまらないことがあり、冷房の側と暖房の側で、気温が1℃変わったときの使用量の変化(気温感応度。第3章)が違うことがそのまま効いてきます。もう1つは、設備の運転を変える PoC では、室内の環境・生産・設備の安全に直接影響が出ることです。この2つを踏まえて、PoC の計画では次の項目を始める前に決めておく必要があります。

決めること決める内容の例決めずに始めた場合に起きやすいこと
目的と対象どの事業所の、どの設備の、どの段階を試すか。KPI の木のどの枝を動かすつもりか成果が出たのか、どの対策の成果なのかを切り分けられない
期間対策の前のベースラインの期間と、対策の後の評価の期間。冷房・暖房・中間期のどれを含むか。季節をまたぐ長さにする一つの季節の結果を通年の効果として報告してしまう
比べ方第5章のベースライン(対策の前の期間で作った回帰を対策の後の条件に当てはめる方法など)・補正に使う条件・対照になる事業所の有無・幅の示し方前年同月比で効果を判断し、気温や稼働の違いを効果として数える
守る制約室温の許容範囲・生産と品質の条件・設備の運転の範囲・止めてはいけない設備削減は出たが、室内の環境や生産への影響が後から分かり、取りやめになる
合格の条件(効果)削減量の幅の下限が0を上回るか・削減量が事前に置いた見立ての範囲に入るか(見立てに対する比)・最大需要電力の目標を超えたコマの数結果の数字を見てから合格の基準を決め、判断が甘くなる
合格の条件(必ず満たす条件)安全・設備の保護・生産と品質の条件に外れが無いこと。室温が許容範囲を外れた時間が PoC の前より増えていないこと(増えたら不合格)。外れが起きた場合は原因と対応を記録する削減は出たが、室内の環境や安全への影響を見落としたまま広げてしまう
合格の条件(測り方)幅の種類(信頼区間か予測区間か)と水準幅の広さの意味が人によって違い、合否の判断が割れる
出口合格なら次の段階か他の事業所に広げる。不合格ならやめるか、条件を変えて1回だけやり直す。判断する人と時期結論が出ないまま PoC が延長され、本格的な導入でも中止でもない状態が続く
安全と戻し方制御を変える範囲を段階的に広げる手順・元の設定に戻す手順・異常のときに止める権限を持つ人・電気主任技術者などの有資格者の確認設定を変えたまま担当者が替わり、元の設定が分からなくなる

合格の条件には、削減量の点の値ではなく、幅の下限を使うことが有効だと考えています。第5章で扱ったとおり、削減量の見積りには幅があり、削減量が見積りの不確かさに比べて小さい場合は、幅が0をまたぐことがあります。幅の広さは、記録のばらつきや評価の期間の長さなどにも左右されます。幅は、平均の値の推定の不確かさを表す信頼区間として作るのか、将来の値が入る範囲を表す予測区間の考え方で作るのかで広さが変わるので、どちらの考え方で、何%の水準の幅を使うかを、第5章の方法に合わせて計画書に書いておきます。ただし、不確かさが小さければ、幅の下限が0を上回るのはごくわずかな削減でも起こりうるので、それだけを条件にすると、事業の判断に足りない削減でも合格になります。そこで、事前に置いた見立て(次の段落)と比べ、削減量が見立ての範囲に入るか、見立てに対してどの程度の比かも合格の条件に入れます。幅が0をまたいだ場合は「効果が無かった」と結論づけるのではなく、「この期間とこのデータでは、効果があったとも無かったとも言えない」と判断し、期間を延ばすか、測り方を変えるかを出口の決まりに沿って決めます。この決まりを始める前に文書にしておくと、結果を見てから基準を動かすことを避けられます。

制御を変える PoC では、安全の項目を最初に決めます。前提は段階の節で書いたとおりで、そのうえで、まず1つの系統や1つの階のように影響の範囲が小さいところで試し、記録を見てから範囲を広げます。元の設定を記録しておき、いつでも戻せるようにすることも、PoC の計画の一部です。

エネルギー管理の PoC の進め方の図。目的・許容範囲・合格の条件・出口を決める、ベースラインの期間を測る、小さく試す(戻し方を用意)、対策後の条件でベースラインと比べる、合格の条件に照らして判断する の箱を矢印でつないでいる

効果の見立ては、PoC を始める前に、率と物理量の型で置いておきます。たとえば「冷房の季節の平日の、条件をそろえた電力量が、ベースラインに対して何%の幅で減るか」「月ごとの最大需要電力が何 kW 下がるか」「室温が許容範囲を外れた時間が増えないか」という型です。見立ての数字は、自社の事業所の30分値と設備の記録から作るもので、一般的な省エネ率を当てはめるものではありません。効果は建物・設備・気候・使い方で違い、研究や実証で報告された削減率は、その建物とその条件での値です。見立てと実績がずれた場合は、ずれの原因を KPI の木の枝ごとに確かめ、次の段階の見立てに反映させます。

役割と責任分担、社内と外部の当事者の表

エネルギー管理には、社内の多くの部署と、外部の事業者が関わります。誰が決め、誰が実行し、誰に相談し、誰に知らせるかを決めておかないと、警報が鳴っても誰も対応しない、設定を変えたことが生産の側に伝わっていない、といったことが起こりえます。役割の分け方の考え方として、実行する人(R)・最終の責任を持つ人(A)・相談を受ける人(C)・知らせを受ける人(I)に分ける RACI という整理があります。考え方の一般論は弊社コラム『経営とAIの打ち手を導く戦略フレームワーク大全179選』で扱っています。ここでは、エネルギー管理の主な判断について、本コラムが考えた分担の例を表にします。会社の規模や組織によって、同じ人が複数の役割を兼ねることがあります。

判断・作業経営施設管理生産総務サステナビリティ財務情報システムデータ分析電気主任技術者
最終の KPI と許容範囲の決定ARCCCCICC
最初の対象と段階の選択ARCCCCCCC
30分値と記録の整備IACCIIRRI
ベースラインと効果の算定IACICCIRI
空調や熱源の設定の変更(設定温度・運転の時刻など)IA・RCCIICCC
受変電の設備や保安に関わる操作IACIIIIIR
警報への対応と是正IARRIICCC
PoC の出口の判断ARCCCCICC
省エネ法などの報告ARCCRIICI
電気の契約の見直しARCRICICC

設備の操作は2つの行に分けました。空調や熱源の設定の変更は、施設管理の担当者が日常的に行うことが多いので、施設管理を最終の責任を持つ人と実行する人の両方(A・R)にし、電気主任技術者を相談を受ける人(C)に置きました。受変電の設備や保安に関わる操作は、保安規程にもとづく有資格者の確認が前提になるので、この例では電気主任技術者が実行も担うものとして、実行する人(R)に置いています。実際に操作する人と、保安の監督をする人を誰にするかは、保安規程にもとづいて定めます。どの操作がどちらの行に当たり、誰の確認を要するかは、自社の保安規程と電気主任技術者に確かめる事項です。また、警報への対応の行で、生産と総務の両方を実行する人にしたのは、警報の原因が生産の設備にある場合と、事務所の空調や照明にある場合とで、動く部署が違うからです。どの警報を誰に回すかの決まり(第12章)と、この表を合わせて作ることを想定しています。

社外の当事者も、同じ考え方で整理できます。設備の保守の事業者は、設備の点検と運転の設定の変更を担うことが多く、制御の変更の PoC では実行する人になりえます。小売電気事業者は契約と30分値の提供、一般送配電事業者は計量と送配電の設備、アグリゲーターはデマンドレスポンスの取引の窓口(第10章)、エネルギーサービスの事業者は診断から改修や運転の改善までの包括的な役務を担う場合があります。外部の当事者が実行する人になる作業でも、最終の責任を持つ人(A)は自社に置くことが大事だと考えています。

外部との分担、ESCO の考え方と外部に確かめること

外部の事業者に、診断・設計・工事・運転の改善・効果の検証をまとめて任せる形として、ESCO(Energy Service Company)があります。一般社団法人 ESCO・エネルギーマネジメント推進協議会の公式ページでは、ESCO 事業を、顧客の省エネの課題に対して包括的なサービスを提供し、実現した省エネの効果の一部を報酬として受け取る事業と説明しています。同協議会の説明では、ESCO 事業者が省エネの効果を保証し、効果が発揮できず顧客が損失を被る場合にはそれを補塡する契約を「パフォーマンス契約」と呼び、ESCO 事業の重要な要素としています。また、運転と管理の段階では、ESCO 事業者が計測と検証を行って効果を報告し、顧客は保証された効果と報告された効果を比べて達成の度合いを確かめる、という流れが示されています。

この仕組みでは、効果をどう測るかが、そのまま報酬の額に結びつきます。同協議会の用語の解説では、ベースラインを省エネの改修の前のエネルギーの使用量として、多くの場合は過去3年間の1年間の平均を基準量とするとしています。あわせて、気象の変動や施設の稼働率の変動などで通常と違う使われ方をした場合に補正をかける「ベースラインの修正」の考え方も示されています。ESCO の基準量は、省エネの効果を測る目的では第5章の意味のベースラインに当たりますが、回帰で気温や稼働に合わせて作る第5章の例とは作り方が違う場合があり、第10章のデマンドレスポンスのベースラインとは目的も違います。そのため、契約の段階で、どの期間の何をベースラインにし、何でどう補正するかを文書で確かめることが大事です。同協議会の用語の解説では、一般的に ESCO 事業の契約書に添付されるとされる計画書(包括的エネルギー管理計画書)の内容として、ベースラインとその計算の方法、ベースラインの調整の方法、計測と検証の方法、運転管理の指針などが挙げられています。

ESCO に限らず、外部の事業者と分担する場合に確かめることを次の表にまとめました。契約の個別の条件は、事業者との契約と、必要に応じて専門家に確かめる事項です。

確かめること確かめる内容確かめないと起きやすいこと
データの帰属30分値・設備の運転の記録・モデルや設定の内容を、契約の終了後も自社が使えるか。どの形式で受け取れるか事業者を替えるとデータが引き継げず、ベースラインを作り直すことになる
ベースラインと効果の算定の方法ベースラインの期間と作り方・補正に使う条件・幅の示し方・計測と検証の頻度効果の数字の意味が自社の理解と違い、継続や報酬の判断を誤る
制御の権限と責任誰がどの設定を変えてよいか・変更の記録・異常のときに止める権限・遠隔の操作の範囲設定が誰の判断で変わったか分からず、不具合の原因を追えない
保安保安規程・電気主任技術者の確認・設備の運転の範囲・メーカーの保証との関係保安の手続きの外で設定が変わり、設備の安全や保証に影響が出る
室内の環境と生産の制約許容範囲を契約や計画書にどう書くか・外れた場合の扱い削減を優先した運転で、快適性や生産に支障が出る
応じられない場合の扱い保証した効果に届かない場合・デマンドレスポンスの要請に応じられない場合の扱い(第10章)契約の条件を知らないまま応じられない事態になり、想定外の負担が生じる
契約の終了と引き継ぎ契約の期間・途中で終える場合の扱い・設備や設定の引き継ぎ終了の後に運転の方法が分からなくなり、効果が薄れる

報酬の決め方は、外部の事業者の運用の向きに影響しうると考えています。これは一般論としての整理で、個別の事業者や契約を評価するものではありません。たとえば、報酬が使用量の削減量だけに連動する契約では、最大需要電力や室内の環境への配慮が手薄になりうる余地があります。報酬が作業の時間に連動する契約では、効果を高める工夫をする動機が弱くなりうる余地があります。効果の保証が付く契約では、保証する側がリスクを小さくするために、見立てを控えめに置く場合も考えられます。どの決め方にも利点と注意点があるので、報酬の連動先と、KPI の木の最終の KPI がずれていないかを確かめることが大事です。とくに、室内の環境・生産・安全の条件は、契約や計画書の中で必ず守る制約として定め、そのうえで必要に応じて報酬の条件にも反映させることが有効だと考えています。

人材とデータの基盤、制御の系統の情報の安全

エネルギー管理の段階を上げるには、設備の知識とデータの分析の両方が要ります。設備の担当者は、どの設備を止めてよいか、設定を変えると何が起きるかを知っていますが、回帰や最適化に慣れていないことがあります。データ分析の担当者は、モデルを作れても、熱源の部分負荷の特性や保安の手続きを知らないことがあります。この2つを1人に求めるより、施設管理とデータ分析の担当者が同じ PoC に入り、互いの判断の根拠を記録に残すほうが現実的だと考えています。特定事業者に当たる事業者で選任されているエネルギー管理企画推進者(条文上、所定の講習の修了者かエネルギー管理士の免状の交付を受けた者から選ぶ)やエネルギー管理者(エネルギー管理士の免状の交付を受けた者から選ぶ)・エネルギー管理員は、データ分析の担当者と組ませる相手として最初に検討する価値があると考えています。

データの基盤は、30分値・BEMS や設備ごとの計測・稼働や生産の記録・気温を、同じ時刻の軸でつなぐことが中心になります(第2章)。計測点の名前や単位、30分値の時刻がコマの始まりか終わりかといった定義を、一覧にして管理しておくと、担当者が替わっても分析を続けられます。データの品質の管理と体制の一般論は、弊社コラム『データガバナンスの実践ガイド、DMBOKの知識領域から自社の体制づくりまで』で扱っています。

制御の段階(段階4と段階5)に進むと、BEMS や中央監視の仕組みがネットワークにつながり、遠隔から設定を変えられるようになります。この場合は、制御の系統の情報の安全も、体制の中で扱う必要があります。外部の事業者が遠隔で操作する経路・アカウントの管理・設定の変更の記録・異常のときに系統を切り離す手順は、外部に確かめることの表の「制御の権限と責任」と合わせて決めておくべき事項です。経済産業省の産業サイバーセキュリティ研究会のビルサブワーキンググループのページには、関連資料として、2023年4月20日付の「ビルシステムにおけるサイバー・フィジカル・セキュリティ対策ガイドライン第2版」と、2022年10月24日付の同ガイドラインの個別編(空調システム)第1版が掲載されています(経済産業省のページ)。本コラムではガイドラインの本文を開いて内容を確かめられなかったため、内容には立ち入りません。最新の版と内容は、経済産業省の公式で確かめる事項です。

投資の判断の順番と、最初の90日の計画

エネルギーの対策には、運用の改善(設定やスケジュールの見直し)、制御(予測や最適化による運転)、設備の更新(高効率の機器・蓄電池・太陽光発電)という3つの層があります。本コラムでは、この順番で検討することを考えています。運用の改善は、設備に大きな投資をせずに始められ、効果の測り方を確かめる練習にもなります。制御は、運用の改善で整えた記録とベースラインの上に作るものです。設備の更新は、運転のデータから負荷の形と運転の実態を確かめたうえで判断すると、容量の選び方を誤りにくくなります(第8章・第9章)。ただし、設備が寿命に近い場合や、安全上の理由で更新が必要な場合は、この順番によらず判断します。投資の配分の考え方は弊社コラム『投資配分を決める数理モデル、ポートフォリオ最適化から事業投資の予算配分まで』で扱っています。投資の回収の見込みは、事業所ごとの使い方と契約で大きく変わるので、本コラムでは一般的な回収の年数を示しません。

最初の対象の事業所で、段階1から段階2に進むまでの最初の90日の計画の例を、週の単位で次の表にまとめました。期間の区切りは本コラムが考えた例です。90日では季節を一巡りしないので、この計画は PoC の効果を判断するためのものではなく、効果を測れる状態を作り、PoC の計画を決めるためのものです。

週やること成果物主に担う人
第1週から第2週最終の KPI と室内の環境・生産の許容範囲の案を作る。最初の対象の候補を5つの観点で採点するKPI の木の案・採点表経営・施設管理
第3週から第4週請求書(少なくとも1年分)・30分値・設備の台帳・運転のスケジュール・契約の内容を集める。足りない資料を一覧にする資料の一覧と、足りない記録の一覧施設管理・総務・情報システム
第5週から第6週30分値を集計し、月ごとの最大需要電力・負荷率・ロードカーブ・夜間と休業日のベース負荷を見る。運転のスケジュールと30分値を突き合わせる現状の把握の報告(段階1)データ分析・施設管理
第7週から第8週気温と稼働や生産の記録を30分値にそろえ、記録が無いものは取り始める。必要に応じて外部の省エネ診断を申し込むそろえた記録の一式・記録の取り方の決まりデータ分析・生産・情報システム
第9週から第10週手元の期間で、気温と稼働で補正したベースラインの試作を作り、幅を確かめる(第3章・第5章)。運用の改善の候補を洗い出すベースラインの試作・運用の改善の候補の一覧データ分析・施設管理・設備の担当者
第11週から第13週PoC の計画(目的・期間・比べ方・守る制約・合格の条件・出口・安全と戻し方)を文書にし、役割と責任分担の表を決める。経営が出口の判断の時期を承認するPoC の計画書・役割と責任分担の表経営・施設管理・電気主任技術者

この計画では、第7週から第8週の記録をそろえる作業が遅れやすいと見込んでいます。30分値と稼働の記録の時刻の定義が合っていない、生産の記録が日単位でしか残っていない、といったことが、この段階で分かる場合があるからです。90日の終わりに PoC の計画が決まっていれば、計画は予定どおりに進んだと考えてよいと思います。効果の数字を90日で出そうとすると、季節の偏りを含んだ数字が独り歩きしやすくなります。

形骸化の型と、経営として決めること

エネルギー管理の取り組みは、計測やレポートや会議が続いていても、設定の見直しや対応につながらなくなることがあります。本コラムでは、これを形骸化と呼び、損失の型の1つとして扱っています。よく見られる形骸化の型と、その兆候、防ぐための仕組みを次の表にまとめました。

形骸化の型兆候防ぐための仕組み
見える化で止まるロードカーブのグラフは毎月作られているが、それを見て見直しの要否を検討した記録が無い月次のレポートに「見直した内容と、変更・維持の判断の理由」の欄を設ける
前年比で報告し続ける報告の数字が前年同月比だけで、気温や稼働の違いが説明されていない報告の様式を、補正したベースラインとの差と幅の形にする(第5章)
警報が鳴りっぱなし警報の件数は多いが、対応した記録が少ない。誰が対応するか決まっていない警報の優先順位と対応する人を決め、対応した割合を指標にする(第12章)
PoC が終わらないPoC の期間が延長を繰り返し、本格的な導入でも中止でもない出口の条件と判断の時期を始める前に文書にし、経営が承認する
担当者の異動で途切れる設定の理由やモデルの作り方を知る人がいなくなり、元の運転に戻る設定の変更の記録と、ベースラインやモデルの作り方の文書を残す
報告の義務と改善が別々省エネ法などの報告(該当する場合)のための集計と、改善のための分析が別のデータで行われ、数字が合わない同じ30分値と記録から、報告と改善の両方を作る(第14章)
外部の報告を受け取るだけ外部の事業者の効果の報告を、算定の方法を確かめずに受け取っている外部に確かめることの表にもとづき、ベースラインと補正の方法を定期に確かめる

形骸化は、取り組みが失敗したときではなく、うまくいったあとに起きやすいように思います。効果が出て関心が下がると、レポートの読み手が減り、設定が少しずつ元に戻ります。第12章で扱った監視は、この戻りを見つける仕組みで、この章の体制は、見つけた戻りに誰が対応するかを決める仕組みです。

経営の観点から整理すると、この章で扱った判断を誤ったときの損失は、本コラムの6つの損失の型に、出来事ごとに1つずつ対応させられます。

  • 効果の測り方を決めずに始める:気温や稼働の違いを効果として多く数えて投資や継続を決めたり、反対に、効果があったのに前年比で見て無いと判断して打ち切ったりする「効果の数え違い」
  • 室内の環境と生産の許容範囲を決めずに制御を変える:「快適性と生産への支障」
  • PoC の出口を決めない:取り組みが続いても設定の見直しにつながらない「形骸化」
  • 計測の整備が遅れて、最初の PoC の対象から外れた事業所の運用の改善が手つかずになる:得られたはずの削減や負荷の移動を取り逃す「機会損失」
  • 最大需要電力の枝を KPI の木に入れず、警報への対応も決めない:契約電力の決まり方によっては、高い最大需要電力による基本料金を払い続ける「払いすぎ」
  • 特定事業者に当たるのに体制や報告の準備が無い:法令上の義務である選任や報告を果たせない「制度上の義務の不履行」。努力目標や任意の取り組み、外部との契約上の義務とは区別して扱う

こうした損失を避けるために、経営として先に決めることは、最終の KPI(条件をそろえた使用量・費用・排出量の減少と、室内の環境・生産・安全の維持の2つ組)、効果の測り方とベースラインの期間、PoC の合格の条件と出口と判断の時期、室内の環境と生産の許容範囲、そして各判断の最終の責任者です。これらを予算の申請や年度の計画に組み込み、PoC の計画書と月次のレポートの様式に反映させることで、取り組みを仕組みとして続けられると考えています。

この章では、自社がどこまで取り組むかを5つの段階に分け、5つの観点の採点で最初の対象を選び、条件をそろえた使用量・費用・排出量の減少と室内の環境・生産・安全の維持を頂点にした KPI の木で成果を測る進め方を扱いました。PoC は季節をまたぐ期間で計画し、比べ方・合格の条件・出口・安全と戻し方を始める前に決めておくこと、外部の事業者と分担する場合も、ベースラインと効果の算定の方法・データの帰属・制御の権限は自社が確かめることを述べました。第14章では、この章で入口だけ扱った省エネ法をはじめ、排出量の算定や建築物の制度など、事業所のエネルギーの使い方に関わる制度とガイドライン、公開事例と最新の動向を扱います。

Anagraftでは、エネルギーのデータの分析と運転の計画を含むデータとAIの活用について、課題の特定から、テーマの選定とKPIの設計、PoC、本番への導入、運用と改善、内製化まで一貫したご支援を行っています。会社概要・ご支援内容の詳細は、以下の資料からご覧いただけます。

Anagraft 会社概要資料(ダウンロードページへ)

この章を深めたい方への参考書籍

『ESCO導入ガイド 本格的導入事例126』(ESCO推進協議会 編著、省エネルギーセンター):副題のとおり ESCO の導入の事例を収めた案内書で、版元の目次には、ESCO の契約の方式、導入の業務の流れ、診断の前に準備するものが挙がっています。2008年の刊行です。外部の事業者と効果の保証や計測と検証を取り決めるときに、何を確かめるかを考える材料になると考えています。

『すぐに役立つ”節電・省エネ”104項目』(省エネルギーセンター 編、省エネルギーセンター):照明・空調・モータやポンプなどの設備別に、節電と省エネの実践の例をまとめた本です。2012年の刊行です。運用の改善の候補を洗い出すときの手がかりになると考えています。挙げられた対策を自社で試す場合は、この章で扱ったベースラインと PoC の手順で効果を確かめることを想定しています。

第14章 制度とガイドライン、省エネ法・排出量の算定と公開事例・最新動向

第13章では、エネルギー管理をどの段階から始め、誰がどの役割を持つか、PoC の出口と効果の測り方をどう先に決めるかを扱いました。第1章から第13章は、事業所のエネルギーの使い方を、データ・予測・効果の測り方・ピークの管理・空調と熱源の運転・蓄電池・デマンドレスポンス・不確実さのもとでの計画・監視・体制の順に説明してきました。この章では、それらの取り組みを取り巻く法令・制度・国際的な枠組みと、公開されている事例・データセット・最新の動向を扱います。

この章はコードを載せず、表と概念図で説明します。扱う内容は次のとおりです。

  • 事業所のエネルギーに関わる国内の主な法令と制度の全体像(誰に、何を求めているか)
  • 省エネ法の対象・管理の体制・中長期的な計画と定期の報告・電気の需要の最適化
  • 建築物省エネ法の適合の義務と、電気事業法のうち設備の保安に関わる部分
  • 地球温暖化対策推進法の算定・報告・公表の制度と、電気の排出係数
  • GX 推進法にもとづく排出量取引制度
  • 再生可能エネルギーの調達に関わる制度と、排出量の算定・開示の国際的な枠組み(EU の制度の入口を含む)
  • 企業が公表している事例、公開データセット、建物のエネルギーのシミュレーションの道具、最新の動向
  • 制度への対応が形だけになる型と、経営判断

この章で書く法令の条番号・施行日・数値は、e-Gov 法令検索(法令 API)の条文と改正履歴、所管官庁・国際的な団体・企業の公式のページで、2026年11月に確かめた範囲に限ります。確かめられなかった数値や時期は書かず、確かめられなかったことを書きます。基準時点は2026年11月です。エネルギーと脱炭素の制度は改正が多く、この章を書いている時点でも、施行を待つ改正がいくつも e-Gov に載っています。また、この章は法令の解釈を示すものではありません。条文と公式の資料に書かれている範囲を紹介します。自社が対象になるかどうか、何をいつまでに行う必要があるかは、所管官庁の窓口や専門家に確かめる事項です。判定の単位が、自社(事業者)全体なのか、個々の事業所なのかも、法令ごとに違います(下の表)。補助金・課徴金・手数料などの額は書きません。

この章の主張は、報告の義務への対応と、実際の使い方の改善を別々の仕事にせず、同じデータと同じ体制で回すことです。省エネ法の定期の報告も、地球温暖化対策推進法の排出量の報告も、サステナビリティの開示も、エネルギーの使用量の記録を土台にしています。第2章で扱った30分値・請求書・設備の運転の記録を、報告のためだけに年に1回集計するのか、第5章の効果の測り方や第12章の監視と同じ記録として日々使うのかで、同じ手間から得られるものが変わると考えています。

1つのエネルギーの記録から、報告と改善の両方へ流れる関係の図。エネルギーの使用量の記録、省エネ法の定期の報告、温対法の排出量の報告、排出量取引の届出と報告、効果の測定、運転の改善、監視 の箱を矢印でつないでいる

制度の全体像、誰に何を求めているかを先に整理する

事業所のエネルギーに関わる国内の法令は、目的の違う複数の法令に分かれています。エネルギーの使用の合理化を求める法令、建物の性能を求める法令、温室効果ガスの排出量の報告を求める法令、排出量の届出と排出枠を定める法令、電気の設備の保安を定める法令、再生可能エネルギーの電気の調達と交付金を定める法令です。このうち多くは、対象になるかどうかを、エネルギーの使用量・排出量・建物の規模・設備の種類などで決めています。自社が対象かどうかは、使用量と排出量と設備の台帳を見ないと分かりません。

次の表は、この章で扱う国内の主な法令を並べたものです。法令の名前と番号は e-Gov 法令検索で確かめました。「対象の決まり方」は条文と政令に書かれている範囲を要約したもので、細かな要件や例外は省いています。所管の官庁は表に書いていません。自社への当てはめは、各法令の所管官庁で確かめる必要があります。

法令(本コラムの略称)法令番号対象の決まり方(条文と政令の要約)判定の単位需要家に関わる主な中身
エネルギーの使用の合理化及び非化石エネルギーへの転換等に関する法律(省エネ法)昭和54年法律第49号全ての工場等のエネルギーの年度の使用量の合計が、政令で定める数値(原油換算エネルギー使用量で1,500キロリットル)以上の者を指定する(第7条、施行令第2条)事業者(全ての工場等の合計)管理の体制、中長期的な計画、定期の報告、判断の基準、電気の需要の最適化の指針
建築物のエネルギー消費性能の向上等に関する法律(建築物省エネ法)平成27年法律第53号建築主が建築物の建築をしようとするとき(政令で定める規模以下のものを除く)(第10条)建築物の建築建築物エネルギー消費性能基準への適合
地球温暖化対策の推進に関する法律(地球温暖化対策推進法。以下、温対法)平成10年法律第117号政令で定める特定排出者(全ての事業所の原油換算エネルギー使用量の合計が1,500キロリットル以上の者など)(第26条、施行令第5条)事業者の合計と、政令で定める規模以上の事業所温室効果ガス算定排出量の報告と、国による公表と集計
脱炭素成長型経済構造への円滑な移行の推進に関する法律(GX 推進法)令和5年法律第32号届出が要るのは、二酸化炭素の年度平均排出量が政令で定める量(10万トン)以上の事業者(第33条、施行令第2条)事業者排出量などの届出、排出枠の割当て、排出実績量の報告と排出枠の保有
電気事業法昭和39年法律第170号保安規程と主任技術者の規定は、事業用電気工作物(一般用電気工作物以外の電気工作物)を設置する者にかかる(第38条・第42条・第43条。第42条と第43条が置かれた款では、小規模事業用電気工作物が除かれる)電気工作物を設置する者保安規程の届出と遵守、主任技術者の選任
再生可能エネルギー電気の利用の促進に関する特別措置法(再エネ特措法)平成23年法律第108号経済産業大臣が、あらかじめ定めた価格などで調達する区分(第3条)と、市場取引等による供給に交付金を交付する区分(第2条の2)を定める発電設備の区分発電する側の制度。本章では条文の紹介に留める

表から分かるとおり、省エネ法と温対法は、どちらも原油換算エネルギー使用量で1,500キロリットルという数値を、対象を決める基準の1つに使っています。温対法の施行令の第5条は、この基準の数値を第5条自身の中に書き、そこでいう原油換算エネルギー使用量の意味を、省エネ法の施行令の第2条第2項で定める量と定めています。省エネ法の第16条は、定期の報告に「エネルギーの使用に伴つて発生する二酸化炭素の排出量に係る事項」を含めると書いています。2つの法令の報告には、同じエネルギーの使用量の記録から集計できる部分があります。もう1つ表から読み取れるのは、判定の単位が法令ごとに違うことです。省エネ法は事業者の全ての工場等の合計で判定し、温対法は事業者の合計に加えて規模以上の事業所ごとの報告があり、GX 推進法は前3年度の排出量の平均で判定します。自社がどの法令の対象かは、それぞれの単位で使用量や排出量を集計して確かめる事項です。

省エネ法、名称の変化・管理の体制・計画と報告・電気の需要の最適化

省エネ法は1979年(昭和54年)に公布された法律で、e-Gov 法令検索の法令番号は昭和54年法律第49号です。現在の正式な名称は「エネルギーの使用の合理化及び非化石エネルギーへの転換等に関する法律」です。e-Gov の改正履歴では、令和4年法律第46号による改正が2023年4月1日に施行され、その版から名称が現在のものになっています。それより前の版の名称は「エネルギーの使用の合理化等に関する法律」でした。2026年11月の時点で e-Gov が現行として示している版は、2025年6月1日に施行された版です。省エネ法の施行令は2026年7月1日施行の版を確認しました。施行令には、2027年4月1日に施行される改正が e-Gov に載っていますが、現行の版と施行後の版を比べると、違いは特定のエネルギー消費機器(温水機器)の項目だけで、次に書く指定の数値(第2条と第6条の1,500キロリットル、第3条の3,000キロリットル)は変わりません。

現行の条文の定義を見ます。第2条は、エネルギーを、化石燃料と非化石燃料、熱(政令で定めるものを除く)、電気と定義しています。同じ条は「非化石エネルギーへの転換」を、使用するエネルギーのうち非化石エネルギーの割合を高めることと定義しています。「電気の需要の最適化」は、季節や時間帯による電気の需給の状況の変動に応じて、電気の需要量を増やしたり減らしたりすることと定義しています。第1条の目的にも、エネルギーの使用の合理化に並べて、非化石エネルギーへの転換と、電気の需要の最適化が書かれています。需要量を減らすだけでなく増やすことも定義に入っている点は、第10章で扱った下げ DR と上げ DR の考え方に近いと考えています。

対象になる事業者のうち、特定事業者は第7条で決まります。条文には、このほかに特定連鎖化事業者(第19条)や認定管理統括事業者(第31条)などの区分がありますが、本コラムでは扱いません。第3条は、工場や事務所などの事業場を「工場等」と呼ぶと定めています。第7条は、設置している全ての工場等のエネルギーの年度(4月1日から翌年3月31日まで)の使用量の合計が政令で定める数値以上の者を、経済産業大臣が特定事業者として指定すると書いています。施行令の第2条は、その数値を原油換算エネルギー使用量で1,500キロリットルと定めています。原油換算エネルギー使用量は、使用した燃料・熱・電気の量を、経済産業省令の定めで原油の量に換算して合計した量です。条文と施行令の基準は、事業者の全ての工場等の年度の使用量の合計で、受電の電圧で対象を決める定めは第7条と施行令第2条にはありません。特定事業者に当たるかどうかは、受電の電圧ではなく、拠点の使用量を合計した量で判定されます。第7条の第3項は、前年度の使用量の合計が数値以上になった者に、使用の状況を届け出ることを求めています。このほか施行令は、1つの工場等の使用量について、工場等を第二種エネルギー管理指定工場等に指定する数値を1,500キロリットルと定めています(施行令第6条)。第一種エネルギー管理指定工場等の数値は、施行令第3条で原油換算エネルギー使用量3,000キロリットルと定められています(第13章でも扱います)。

特定事業者の体制は、第8条と第9条に書かれています。第8条は、中長期的な計画の作成と、エネルギーを消費する設備の維持、使用の方法の改善と監視などを統括管理する者(エネルギー管理統括者)の選任を求めています。第9条は、エネルギー管理統括者を補佐する者(エネルギー管理企画推進者)の選任を求めています。第11条から第14条は、指定を受けた工場等ごとの管理者や管理員の選任を定めています。条文が「設備の維持」「使用の方法の改善及び監視」を業務として挙げていることは、第12章の監視と第13章の体制の議論とつながります。

計画と報告は、第15条と第16条です。第15条は、特定事業者に、判断の基準となるべき事項で定められた合理化の目標について、その達成のための中長期的な計画を作成して提出することを求めています。同じ条の第2項は、非化石エネルギーへの転換の目標についての中長期的な計画も定めています。第16条は、毎年度、エネルギーの使用量その他の使用の状況(エネルギーの使用の効率と二酸化炭素の排出量に係る事項を含む)と、設備の設置と改廃の状況を報告することを求めています。

判断の基準は第5条です。第5条第1項は、主務大臣が、事業者の判断の基準となるべき事項と合理化の目標を定めて公表すると書いています。電気の需要の最適化は、第5条第3項が、経済産業大臣が指針を定めて公表すると書いています。同じ項は、指針に入れる事項として次の2つを挙げています。

  • 経済産業大臣が指定する電気需要最適化時間帯における、電気の使用と、燃料や熱の使用とのあいだの転換
  • 電気需要最適化時間帯を踏まえた、電気を消費する機械器具を使用する時間の変更

2つ目の「使用する時間の変更」は、第6章のピークシフトや第8章の蓄熱槽、第10章の負荷の移動に通じる面があります。ただし、条文がいう時間帯は電気の需給の状況に照らして指定される時間帯で、自社の最大需要電力の時間帯と同じとは限りません。第6条は指導と助言、第17条と第18条は、取組みが判断の基準に照らして著しく不十分な場合の指示・公表・命令(合理化)と、勧告・公表(非化石エネルギーへの転換)を定めています。

判断の基準の中身(目標の数値など)、事業者のクラス分けの評価、業種ごとのベンチマーク、定期の報告で電気の需要の最適化について記載する項目は、資源エネルギー庁と省エネルギーセンターの該当するページを執筆の時点で取得できず、一次情報で確かめられていません。そのため、この章ではそれらの数値と項目を書きません。自社が特定事業者である場合は、資源エネルギー庁の省エネ法のページと、最新の告示や記入要領を確かめる必要があります。

条見出し(e-Gov の表記)要旨(条文に書かれている範囲)本コラムの章との関係
第1条目的エネルギーの使用の合理化、非化石エネルギーへの転換、電気の需要の最適化を総合的に進める措置を講ずる第1章(全体像)
第2条定義エネルギー・非化石エネルギーへの転換・電気の需要の最適化などを定義する第10章(下げ DR と上げ DR)
第5条事業者の判断の基準となるべき事項等主務大臣が判断の基準と合理化の目標を定めて公表する。電気の需要の最適化は、経済産業大臣が指針を定めて公表する(第3項)第5章・第10章
第7条特定事業者の指定全ての工場等の年度の使用量の合計が政令の数値(1,500キロリットル)以上の者を指定する第2章(使用量の集計)
第8条・第9条エネルギー管理統括者・エネルギー管理企画推進者計画の作成と、設備の維持・使用の方法の改善と監視などを統括管理する者と、その補佐をする者を選任する第12章(監視)・第13章(体制)
第15条中長期的な計画の作成合理化の目標と、非化石エネルギーへの転換の目標について、中長期的な計画を作成して提出する第13章(投資の判断の順番)
第16条定期の報告毎年度、使用の状況(効率と二酸化炭素の排出量に係る事項を含む)と設備の設置と改廃の状況を報告する第2章・第5章・第12章
第17条・第18条合理化計画に係る指示及び命令・非化石エネルギーへの転換に関する勧告等取組みが判断の基準に照らして著しく不十分な場合の指示・公表・命令、勧告・公表第13章(形骸化の型)

表の「本コラムの章との関係」の列は、条文が求めることを、本コラムで扱った手法のどこが支えうるかを示したものです。たとえば、使用量の年度の合計は第16条の報告の土台になりますが、その数字だけでは、使用量が減った理由が対策なのか気温なのか稼働なのかは分かりません(第5章)。報告の数字を、ベースライン(第5章の意味)と比べた削減量の見積りと並べて社内で読むことで、報告の作業が改善の判断の材料にもなると考えています。

建築物省エネ法と電気事業法、建物の性能と設備の保安にかかる決まり

建築物省エネ法(平成27年法律第53号)の現行の第10条は、建築主が建築物の建築(エネルギー消費性能に及ぼす影響が少ないものとして政令で定める規模以下のものを除く)をしようとするときは、その建築物を建築物エネルギー消費性能基準に適合させなければならない、と定めています。増築や改築の場合は、その増築や改築をする部分が対象になると同じ条に書かれています。e-Gov で版を比べると、変化は次のとおりです。

版適合の義務を置いた条条文の対象(要約)
2025年3月31日時点の版第11条特定建築物(住宅の部分以外の規模が政令で定める規模以上の建築物)の、住宅の部分以外の部分
2025年4月1日施行の版(令和4年法律第69号による改正)以降第10条建築物の建築(政令で定める規模以下のものを除く)

表は、適合の義務を定めた条の対象を比べたものです。住宅の扱いなど、ほかの規定との関係は本コラムでは確かめていません。

e-Gov の改正履歴では、建築物省エネ法には令和8年法律第75号による改正もあり、2026年7月31日に一部が施行され、2027年4月1日に施行される部分と、公布の日から起算して2年を超えない範囲内で政令で定める日に施行される部分が残っています(e-Gov は後者の版を2028年7月30日の日付で示していますが、施行の日を定めた政令は本コラムでは確かめていません)。後者の版では、法令の名称が「建築物のエネルギー消費性能の向上及び脱炭素化の促進に関する法律」に変わり、第1条の目的に「建築物通算炭素排出量評価」という語が入ることを、e-Gov の施行前の版で確かめました。この改正で建築主や建物の所有者に何が求められるかの細部は、本コラムでは確かめていないので書きません。

第10条は、建物を建てる時点の基準への適合を求めています。本コラムで扱った運転の改善(第6章から第12章)は、建てた後の使い方の話です。建てた後の実際の使用量は、在室の人数・稼働の時間・設定温度・設備の運転の順番で変わるので、その変化を第3章の回帰と第5章のベースラインで読み解くことが、運用の改善の出発点になると考えています。

電気事業法(昭和39年法律第170号)は、電気の設備の保安も定めています。第38条は、低圧の受電の電線路以外で構内の外の電気工作物と接続されていないものなどを「一般用電気工作物」とし、それ以外の電気工作物を「事業用電気工作物」と定義しています。自社の設備がどの区分になるかは、電気主任技術者や経済産業省の産業保安の窓口に確かめる事項です。第42条は、事業用電気工作物(小規模事業用電気工作物を除く。以下この款において同じ)を設置する者に、工事・維持・運用に関する保安のための保安規程を定めて届け出ること、設置する者と従業者がそれを守ることを求めています。第43条は同じ款にあり、この除外は第43条の事業用電気工作物にも及びます。小規模事業用電気工作物は、第38条第3項の定義では、事業用電気工作物のうち、一定の出力以上の小規模発電設備などで構内に設置するものです。自社の設備が当たるかどうかは、電気主任技術者に確かめる事項です。第43条は、保安の監督をさせるために主任技術者を選任することと、事業用電気工作物の工事・維持・運用に従事する者は、主任技術者が保安のためにする指示に従うことを定めています。

本コラムの第6章から第12章では、制御や運転を変える内容を扱うたびに「設備の仕様・保安規程・メーカーの定める運転の範囲のなかで、設備の担当者と電気主任技術者などの有資格者の確認のもとで行う」という前提を置きました。この前提は、上の第42条と第43条の仕組みとも整合すると考えています。負荷の遮断、空調の起動の時刻の変更、熱源の起動と停止、蓄電池の充放電といった個々の操作が保安規程の対象になるかどうかは、設備の区分と事業所の保安規程の中身によります。設備の運転を変えるときは、保安規程と、自社の電気主任技術者に確かめる事項です。e-Gov の改正履歴では、電気事業法にも令和8年法律第68号による改正があり、2026年8月3日施行の版が現行で、公布の日(2026年7月24日)から起算して9月を超えない範囲内と、1年を超えない範囲内で、それぞれ政令で定める日に施行される部分が残っています(e-Gov は2027年4月23日と2027年7月23日の日付で版を示していますが、施行の日を定めた政令は本コラムでは確かめていません)。この改正の中身は本コラムでは確かめていません。

温対法の算定・報告・公表と、電気の排出係数

温対法(平成10年法律第117号)の第26条は、事業活動に伴い相当程度多い温室効果ガスの排出をする者として政令で定める者(特定排出者)に、毎年度、温室効果ガス算定排出量を報告することを求めています。施行令の第5条は、特定排出者として、全ての事業所の原油換算エネルギー使用量の合計が1,500キロリットル以上の者などを挙げ、エネルギーの使用に伴うもの以外のガスの区分については、従業員の数が21人以上の者に限ると定めています。施行令の第6条は、事業所ごとの報告が要る規模として、原油換算エネルギー使用量が1,500キロリットル以上の事業所や、ガスの区分ごとに条文の方法で算定した排出量が3,000トン以上の事業所などを挙げています。第29条は、報告された事項の公表と集計を定めています。e-Gov の改正履歴では、令和6年法律第56号による改正が2026年1月1日に施行された版が現行です。

この制度での電気の排出量の算定には、国が公表する係数が使われます。環境省の2026年7月23日の報道発表(令和6年度の電気事業者ごとの基礎排出係数・調整後排出係数等の一部追加・更新の公表)は、他人から供給された電気の使用に伴う二酸化炭素の排出量は「基礎排出係数(非化石電源調整済み)」と「調整後排出係数」を用いて算定することとされている、と書いています。本コラムでは、他人から供給された電気を受電点で受けた量を受電電力量と呼んでいます。同じ発表は、この発表で公表した係数が、令和7年度の温室効果ガスの排出量を算定・報告する際に用いる係数になると書いています。どの場合にどちらの係数を使うかは、本コラムでは確かめていません。算定の制度の公式の手引きで確かめる事項です。係数の値も、電気事業者と年度で違うので書きません。

この仕組みから、事業所のデータの扱いについて2つのことが言えると考えています。1つ目は、報告する排出量は、受電電力量と、国が公表する係数の両方で決まることです。係数は電気事業者ごと・年度ごとに公表されるので、受電電力量が同じでも、契約している電気事業者や年度が変われば、算定の結果が変わりえます。排出量が前年より減ったとき、それが受電電力量の減少によるものか、係数の変化によるものかを分けて読まないと、序章で挙げた「効果の数え違い」が起きます。使用量の削減の効果は第5章のベースラインとの差で測り、係数の変化はそれと分けて記録するのが、読み違えを防ぐ形だと考えています。2つ目は、使う時間帯を移したときの扱いです。上の発表の係数は電気事業者ごとに年度で公表される値なので、この係数で算定する限り、時間帯ごとの排出の強さの違いは算定に表れないと考えられます。時間帯を移す操作(第6章・第9章・第10章)で電力量の合計がほぼ同じなら、この算定の上での排出量もほぼ同じになります。ただし、蓄電池の充放電の損失(第9章)や、要請の後の反動増(第10章)があれば、電力量の合計そのものが変わります。時間帯を移したときの実際の排出量の増減を、電気事業者ごと・年度ごとに公表される係数だけで判断することはできません。

開示の基準でも、この制度とのつながりが作られています。サステナビリティ基準委員会(SSBJ)の公式ページは、サステナビリティ開示テーマ別基準第2号「気候関連開示基準」が2025年3月5日に公表され、2026年3月13日に改正されたことを示しています。同じページは、2026年6月11日に、サステナビリティ開示実務対応基準第1号が公表されたことも示しています。この実務対応基準は、温対法の算定・報告・公表の制度の方法で測定し報告する温室効果ガスの排出を用いて、気候関連開示基準に従う場合の開示を扱うものです。開示と国内の報告の制度で同じ排出量の数字をどう使うかは、この実務対応基準の本文で確かめる事項です。

排出量取引制度、GX 推進法の届出・割当て・報告・保有の流れ

GX 推進法(令和5年法律第32号)は、令和7年法律第52号によって改正されました。e-Gov の改正履歴では、この改正の施行は段階に分かれ、2026年4月1日に施行された版が現行です。e-Gov で版を比べると、排出量の届出・排出枠の割当て・保有を定める条(第33条以降)は、2026年3月31日時点の版には無く、2026年4月1日施行の版で加わっています。施行令(令和5年政令第379号)も、2026年4月1日施行の改正の版が現行です。以下は、現行の条文で確かめた範囲の通常の流れです。制度が始まった最初の年度の扱いは、経済産業省の資料を取得できず確かめていないので、この流れがそのまま当てはまるかどうかは、経済産業省の公式で確かめる事項です。

  • 届出(第33条):二酸化炭素の年度平均排出量(前3年度の各年度の排出量の平均)が政令で定める量以上の事業者は、毎年度、年度平均排出量・その年度の排出目標量などを経済産業大臣に届け出る。施行令第2条は、その量を二酸化炭素10万トンと定めている。届け出る排出目標量が適切に設定されていることについて、あらかじめ登録確認機関の確認を受ける(第2項)
  • 割当て(第34条):届出の内容が実施指針に照らして適切と認めるとき、経済産業大臣は、届出をした事業者に、排出目標量を基礎として排出枠(条文の語では脱炭素成長型投資事業者排出枠)を無償で割り当てる
  • 報告(第35条):割当てを受けた事業者は、割当ての年度の翌年度に、排出実績量などを経済産業大臣・環境大臣・事業所管大臣に報告する。排出実績量が適切に算定されていることについて、あらかじめ登録確認機関の確認を受ける
  • 保有と償却(第36条・第37条):事業者は、通知された量の排出枠を、割当ての年度の翌年度の1月31日に口座に保有し、その量の排出枠が償却される
  • 取引(第38条)と口座簿(第45条以降):排出枠の取引と、口座簿への記録を定める

この制度で届出の要否を決める量は「二酸化炭素の年度平均排出量」で、省エネ法や温対法の原油換算エネルギー使用量とは別の量です。施行令の第1条は、年度ごとの排出量を、燃料や原材料などの使用、製品・蒸気などの生産と輸送、物質の焼却と燃焼などの活動ごとに、活動の量に経済産業省令で定める係数を掛けて合算する方法で定めています。この条の項目に、他人から供給された電気の使用は挙げられていません。算定の範囲の細部は、省令と経済産業省の手引きで確かめる事項です。経済産業省の排出量取引制度のページと説明の資料は、執筆の時点で取得できず、算定の範囲・制度の初年度の扱い・届出の期限は、一次情報で確かめられていません。そのため本コラムでは、施行令の条文に書かれた範囲を超えては書きません。自社が対象になりうる場合は、経済産業省の公式で、最新の施行令・省令・手続の資料を確かめる必要があります。条文が、届出の排出目標量と報告の排出実績量に登録確認機関の確認を求めていることから、算定の根拠になった記録を示せる形で残しておくと確認を受けやすい、と考えています。第2章で扱ったデータの品質の点検(欠測・異常値・計器の倍率)は、ここでも役に立ちます。

制度対象を決める量判定の単位数字の土台第三者の確認(条文で確かめたもの)
省エネ法の特定事業者原油換算エネルギー使用量(燃料・熱・電気)事業者の全ての工場等の年度の合計燃料・熱・電気の使用量の記録本コラムでは確かめていない
温対法の特定排出者原油換算エネルギー使用量、ガスの区分ごとの排出量、従業員の数など事業者の合計と、規模以上の事業所使用量の記録と、国が公表する係数本コラムでは確かめていない
GX 推進法の排出量取引二酸化炭素の年度平均排出量(前3年度の平均)事業者制度で定められた算定の方法による排出量届出の排出目標量と、報告の排出実績量に、登録確認機関の確認(第33条第2項・第35条第2項)

表の「判定の単位」の列が示すとおり、3つの制度は、同じ事業者のエネルギーの記録を、別の量・別の単位で数えます。制度ごとに別の担当者が別の表計算で集計していると、元の記録の訂正が一方にしか反映されない、といった食い違いが起きえます。元の記録を1つにして、制度ごとの集計をそこから作る形にしておくことが、報告の正確さと手間の両方に効くと考えています。

再生可能エネルギーの調達と、排出量の算定・開示の国際的な枠組み

事業所が再生可能エネルギーの電気を使う方法には、敷地に発電設備を置いて自家消費する方法(第9章)のほかに、外から調達する方法があります。ここでは、それに関わる国内の制度と、国際的な算定の枠組みを、公式で確かめた範囲で紹介します。どの方法が自社の報告や開示で認められるかは、制度と基準ごとに違い、改定も続いているので、使う前に最新の公式で確かめる事項です。

国内の制度では、まず再エネ特措法の2つの仕組みがあります。第3条は、経済産業大臣が、電気事業者があらかじめ定められた価格・期間その他の条件にもとづいて再生可能エネルギーの電気を調達することが適当な区分(特定調達対象区分等)を定め、調達価格と調達期間を定めることを書いています。第2条の2は、卸電力取引市場での売買や小売電気事業者への卸取引(市場取引等)による供給を促すことが適当な区分(交付対象区分等)を定めること、認定を受けた事業者が市場取引等で供給するときに、供給に要する費用を回収するための交付金(供給促進交付金)を受けられること、その交付の業務を電力広域的運営推進機関が行うことを書いています。どちらも発電する側の制度です。e-Gov の改正履歴では、再エネ特措法にも、令和8年法律第68号(電気事業法の一部を改正する法律)による改正で、公布の日から起算して1年を超えない範囲内で政令で定める日に施行される部分が載っています(e-Gov の版の日付は2027年7月23日)。中身は本コラムでは確かめていません。

次に、非化石証書があります。エネルギー供給構造高度化法の施行規則(平成22年経済産業省令第43号)の第4条は、非化石証書を、エネルギー源の環境適合利用に由来する電気の非化石電源としての価値を取引可能にするための、その価値を有することを証するもの、と定義しています。日本卸電力取引所の「非化石価値取引規程」は、同取引所が運営する非化石価値取引市場で取引する対象を、この施行規則に規定する非化石証書とし、取引所の外での非化石証書の販売は、非化石価値取引会員でなければ行えないとしています。2026年11月17日に取得した規程の PDF の末尾の改定の欄には、最後の改定として令和6年6月28日が載っていました。定義の語は「非化石電源」で、再生可能エネルギーと同じ語ではありません。証書を再生可能エネルギーの利用として示すときの扱い、証書の種類、需要家が購入できる条件、温対法の報告での扱いは、資源エネルギー庁のページを取得できず確かめられていないので、本コラムでは書きません。

もう1つの国内の制度として、J-クレジット制度があります。J-クレジット制度の公式サイトは、この制度を「温室効果ガスの排出削減量や吸収量をクレジットとして国が認証する制度」と説明しています。同じサイトは、排出削減の算定方法やモニタリングの方法を定めた方法論を掲載し、活用の方法として、温対法・省エネ法での活用と、CDP・SBT・RE100での活用の項目を設けています。方法論が定める算定の基準は、第5章で扱った省エネの効果を測るためのベースラインとは別の取り決めなので、クレジットを検討するときは、方法論ごとに確かめる必要があります。

国際的な算定の枠組みでは、GHG プロトコルが、事業者の温室効果ガスの排出量の算定の基準を公表しています。購入した電気などの使用に伴う間接の排出をスコープ2と呼びます。GHG プロトコルの「Scope 2 Guidance」(2015年)は、算定の方法を2つ示しています。ロケーション基準(location-based)は、エネルギーを使った場所の電力系統の平均の排出の強さを反映する方法で、手引きは、主に系統の平均の排出係数のデータを使うと書いています。マーケット基準(market-based)は、事業者が意図して選んだ電気(または選ばなかったこと)からの排出を反映する方法で、契約上の手段から排出係数を導きます。契約上の手段として、同じ手引きは、エネルギーの属性の証書、発電の種類を問わない直接の契約、供給する事業者ごとの排出係数などを挙げています。同じ手引きは、契約上の手段が使える市場で事業を行う事業者に、2つの方法の両方で算定し、それぞれの方法の名前を付けて報告すること(同手引きの用語で dual reporting)を求めています。GHG プロトコルの公式ページは、このスコープ2の手引きについて、2025年10月20日から2026年1月31日まで公開の意見募集を行ったと書いています。その後の2026年10月16日の公式ブログは、スコープ2の改定を含む見直しについて、2027年第2四半期に統合の意見募集、ISO と共同の企業の基準としての公表を2028年第4四半期に予定(slated)としています。いずれも予定で、確定した日程ではありません。国内の温対法の2つの係数と、この2つの算定の方法がどう対応するかは、本コラムでは確かめていません。

算定の方法何を反映するか(2015年の手引き)係数の出どころ(本コラムの整理)事業所の使い方の改善との関係(本コラムの整理)
ロケーション基準エネルギーを使った場所の系統の平均の排出の強さ系統の平均の排出係数本コラムの整理として、係数が同じなら、排出量の変化は受電電力量(kWh)の変化に比例する。使用量の削減(第5章から第8章)がそのまま表れる
マーケット基準事業者が意図して選んだ電気からの排出契約上の手段から導いた係数調達の方法を変えると、受電電力量が同じでも排出量が変わる。使用量の削減の効果と、調達の変更の影響を分けて記録する

表の右の列が、この章の主張につながります。マーケット基準の排出量は、調達の契約を変えれば、使用量を変えなくても変わります。その手段がそれぞれの基準で認められるものに当たるかは、基準の本文で確かめる事項です。社内で「排出量が下がった」とだけ報告すると、使用量の削減(運用の改善)と調達の変更のどちらが効いたのかが分からなくなります。本コラムでは、使用量(kWh)の削減量(第5章のベースラインとの差)、最大需要電力の低下(kW)、調達の変更による排出係数の変化を、別々の行として記録し、すべてを経営に報告することを勧めます。分けておけば、調達の条件が変わったときにも、使用量の改善の成果が見えなくなることを防げます。

目標の設定と取組みの枠組みとしては、SBTi と RE100 があります。SBTi の公式ページは、自らを、企業と金融機関が気候の危機への対処に役割を果たせるようにする組織と説明しています。同じページは、短期とネットゼロの目標を設定する基準・道具・指針を作っていること、子会社の SBTi Services が目標の検証を行うこと、目標の設定は任意であることを書いています。SBTi は2026年6月11日のお知らせで、企業のネットゼロの基準の第2版(Version 2.0)を公表したと書いています。第2版による目標の検証の受付の時期と、第2版の中身は、本コラムでは確かめていません。RE100 は、Climate Group の公式ページで、Climate Group が率いる企業の再生可能エネルギーの電気の取組みとして紹介され、参加する企業は、遅くとも2050年までに事業で使う電気を100%再生可能エネルギーにすることを約束すると書かれています。RE100 は企業が参加を表明する国際的な取組みで、その法令上の位置づけは本コラムでは確かめていません。

開示の基準の適用の時期については、金融庁の担当者による解説の資料(2026年3月30日の号)が、2026年2月20日に開示府令の改正(令和8年内閣府令第5号)が公布・施行されたことを説明しています。同じ資料は、プライム市場の上場会社のうち株式時価総額の規模に応じて段階的に SSBJ 基準を適用していく考え方がとられ、最も早い区分は2027年3月期から適用が始まることを説明しています。区分の境目は時価総額の額で決まっているので、本コラムでは書きません。自社が対象かどうかと時期は、金融庁の公表資料と改正府令で確かめる事項です。エネルギーマネジメントシステムの国際規格 ISO 50001 は第13章で扱いました。

EU の制度は、EU に事業所を持つ場合などの入口として、EUR-Lex で確かめた範囲を紹介します。エネルギー効率に関する指令(EU)2023/1791(2023年9月13日採択、2023年9月20日に官報で公表)の第11条は、加盟国に対し、すべてのエネルギーを合わせた前3年の平均の年間の消費が85TJを超える企業に、独立の機関の認証を受けたエネルギーマネジメントシステムを、遅くとも2027年10月11日までに導入させることを求めています。TJ(テラジュール)はエネルギーの量の単位で、1TJ は10の12乗ジュールです。1kWh を3.6MJ として換算すると、1TJ はおよそ28万kWh にあたります。同じ条は、同じ数え方で10TJを超える企業のうち、エネルギーマネジメントシステムを導入しないものに、エネルギーの監査を受けさせることを求めています。第12条は、導入された情報技術の電力の需要が500kW以上のデータセンターの所有者と運営者に、2024年5月15日までに、その後は毎年、附属書で定める情報を公表させることを加盟国に求めています。建物のエネルギー性能に関する指令(EU)2024/1275(2024年4月24日採択、2024年5月8日に官報で公表)は、前文で、2030年までにすべての新築の建物をゼロエミッションの建物にすべきだと述べています。EU の排出量取引制度は、本コラムでは EUR-Lex で条文を確かめていないので扱いません。いずれも指令なので、各国での実施の内容と時期は、国ごとに確かめる必要があります。

公開事例、企業が公表している予測と制御の取組み

ここでは、企業が公式のページで公表している、空調や冷却の制御の取組みを4件紹介します。本コラムの第4章(予測)と第7章(空調の制御)の手法に近く、対象と公表の日を公式のページで確かめられるものを選びました。結果の数字の比べ方は、確かめられた範囲を各行に書き、確かめられなかった項目はそのように書きます。数字は原文の限定条件ごと書き、金額は書きません。事例の間で数字を比べることはしません。建物・設備・期間・比べ方が違うからです。研究や実証の数字は、その建物・その条件での値で、読者の事業所で同じ値が出る根拠にはなりません。

公表した企業(公表の日)対象手法(公表に書かれている範囲)結果の記載(原文の条件ごと)公表に書かれた限定や前提
DeepMind(2016年7月20日の公式ブログ)Google のデータセンターの冷却温度・電力・ポンプの回転数・設定値などのセンサーの過去の記録で深層ニューラルネットワークの組を学習し、将来の PUE(建物全体のエネルギーの使用量を、情報技術の機器のエネルギーの使用量で割った比と記載)を予測する。別の2つの組で今後1時間の温度と圧力を予測し、推奨する操作が運転の制約の内に収まるかを確かめる冷却に使うエネルギーの量を40%減らせた、それは電気の損失などを考えに入れた後の PUE のオーバーヘッドの15%の減少にあたる、と記載。15%が PUE そのものの変化率かどうかは、本コラムでは確かめていない。導入の文では「最大40%」。何と比べた率かの詳しい記載は、本コラムでは確かめていない示された試験は1つのデータセンターの典型的な1日。データセンターごとに構造が違い、ある設備に合わせたモデルが別の設備に当てはまるとは限らないと記載
DeepMind(2018年8月17日の公式ブログ)データセンターの冷却の自律的な制御クラウド上の AI が5分ごとに数千のセンサーから冷却の設備の状態を取り込み、操作の候補がエネルギーに与える影響を予測して、安全の制約を満たす操作を選ぶ。現地の制御系が実行の前に確かめる平均でおよそ30%の省エネを実現していると記載。これとは別に、同じ記事の図は、AI の制御を入れる前の過去のベースラインに対する改善を、冷却のエネルギー効率の業界の指標 kW/ton(冷却の量あたりの電力)で示し、9か月でおよそ12%の改善からおよそ30%の改善に進んだと記載。消費電力量そのものの削減率とは別の指標安全のために最適化の範囲を意図して狭めていると記載。不確かさの推定、2層の確かめ、制約を外れたときの退避、人がいつでも上書きできることを安全の仕組みとして挙げる
NTT都市開発・NTTコミュニケーションズ・NTTデータ(2024年4月22日)名古屋市のオフィスビルの共用部(2022年8月からの実証)天候・室内の温度と湿度・人流などのデータから、室温の変化と滞在者の快適性を予測し、先回りして空調を制御する実証で空調のエネルギーの使用量の約30%の削減の効果を確認したと記載。比べ方と期間の記載は、本コラムでは確かめていないビルの共用部での実証。2024年5月から5棟の共用部に順次導入する予定と記載
NTTデータ・キヤノンマーケティングジャパン・日立製作所(2024年5月16日)足立区の事業所のロビー(2024年3月22日から29日)カメラの映像から作った人流のデータ・外気温・室内の温度を一元管理し、AI の予測にもとづいて先回りして空調を運転する期間中に空調の制御を行う期間と行わない期間を設けて比べ、空調関連のエネルギーの消費量を期間中の平均で16%削減し、PMV を -0.5 から +0.5 の範囲に保ったと記載設定温度を一定にして制御している既設のビルが対象。1つの施設での3月22日から29日の比較

表の PMV は、暑さ寒さの感じ方を数値で表す快適性の指標です。同じ公表は、ISO 7730 が ±0.5 以内を推奨していると書いています。表の「結果の記載」の数字は、その範囲とその比べ方での値です。3行目と4行目の率は、公表では空調のエネルギーについての値として書かれています。公表されている率が何の量に対するものかを確かめてから使うのがよいと考えています。4行目は、制御を行う期間と行わない期間を設けて比べたと記載していますが、期間の並べ方や気温の扱いは、本コラムでは確かめていません。第5章で扱った「何をベースラインにしたか・何で補正したか・幅はいくつか」という問いは、公開事例を読むときにもそのまま使えます。

手法の構成は、事例ごとに違います。1行目と2行目はデータセンターの冷却で、設備のセンサーの記録から PUE や温度・圧力、操作の影響を予測し、安全の制約の内で操作を選ぶ構成です。2018年の記事が、安全のために最適化の範囲を狭めていること、人がいつでも上書きできることを明記している点は、第7章と第11章で扱った安全の考え方とつながります。3行目と4行目はビルの空調で、人流や室内の状態などのデータから室温や快適性を予測し、先回りして空調を運転する構成です。予測を使って先回りして運転する点は、第7章のモデル予測制御と通じる面があります。3行目と4行目の取組みで、最適化の見通す長さややり直す間隔は本コラムでは確かめておらず、同じ方法かどうかは分かりません。自社の事業所で似た構成が使えるかどうかは、第2章のデータの整備の状況と、第13章の PoC で確かめることになります。

公開データセットとシミュレーションの道具、最新の動向

研究で使われる公開データセットを紹介します。本コラムのコードは合成データで完結させたので、これらはダウンロードしていません。Building Data Genome Project 2(BDG2)は、Miller らの2020年の論文(Scientific Data 誌、第7巻)で公表されたデータセットです。公式のリポジトリの説明では、北米と欧州の19のサイトの1,636棟の非住宅の建物、3,053の計量器の、2016年と2017年の2年分の1時間ごとの記録で、計量器の種類は電気・冷水と温水・蒸気・太陽光・水・灌漑です。リポジトリの LICENSE のファイルの冒頭には「Attribution-ShareAlike 4.0 Unported」とあります。商用の利用を含む条件は、使う前に原文で確かめる事項です。このデータの一部(1,449棟・2,380の計量器)は、2019年の後半に開かれた ASHRAE の機械学習のコンペ(Great Energy Predictor III)で使われました。このコンペの概要と結果は、Miller らの2020年の論文(建築環境の科学と技術を扱う学術誌の第26巻第10号。誌名は参考情報に掲げた DOI から確かめられます)にまとめられています。リポジトリの説明は、このコンペを、計測と検証のための長期の予測の課題と位置づけています。第5章で扱った、省エネの効果を測るためのベースラインの予測に近い種類の課題です。

公開データセットでの成績は、その建物の群・その期間・その評価の方法での値です。1,636棟は北米と欧州の非住宅の建物で、気候・建物の用途・設備・計量の方法が、日本の事業所と同じとは限りません。コンペの順位や誤差の小ささは、予測の手法の比較には役立ちますが、予測の誤差が小さいことは省エネの効果ではありません(序章と第5章)。研究の数字を読むときは、次の点を確かめるのがよいと考えています。

  • 対象の建物の数・用途・気候と、自社の事業所との違い
  • 評価の期間を、学習の期間より後で、時間で切っているか(第4章の情報の漏れ)
  • 気温は実績か予報か(第3章)
  • 誤差の指標と、需要の大きい時間帯での誤差が示されているか
  • 比べる相手(単純な基準)と、その差に幅が示されているか
  • 削減の率なら、何をベースラインにし、何で補正したか(第5章)

建物のエネルギーのシミュレーションの道具としては、EnergyPlus があります。公式のリポジトリの説明では、建物のエネルギーの消費と水の使用をモデル化する建物全体のエネルギーのシミュレーションのプログラムで、米国エネルギー省が公開のウェブサイトを維持しており、BSD-3 に似た使用許諾で公開されています。リポジトリの最新のリリースは、2026年9月30日の 26.2.0 でした。本コラムでは実行していません。第7章の熱のモデルは、熱容量と熱抵抗だけで表した簡単なモデルでした。こうした道具を使うと建物と設備を細かく入れて計算できる一方、入力の準備と実測に合わせる調整の手間がかかると考えられます。設計の段階の検討や、第13章の PoC の前の机上の確かめに使うのか、日々の運転の計画に使うのかで、要る精度と手間の釣り合いが変わります。

最新の動向として、まず国内の電力の需要の見通しがあります。電力広域的運営推進機関の2026年度の需要想定(2026年1月21日)は、2026年度の全国の最大需要電力(夏季、送電端)を159,626千kW と想定し、節電と省エネの影響が続く一方で、経済成長とデータセンター・半導体工場の新増設に伴う需要の増加により、2025年度の実績から0.5%増えるとしています。0.5%増は2025年度の夏季の実績との比で、その実績が気象の影響を補正した値かどうかは本コラムでは確かめていません。この「最大需要電力」は全国の送電端の値で、第1章と第6章で扱った事業所の受電電力の30分の最大需要電力とは、測る場所が違います。集計の仕方も違い、同じ資料の定義の欄は、この最大需要電力を、ある月について1時間の最大需要電力を上位から3日とって平均したもののうち、年間で最大となるもの、と定めています。同じ資料は、2027年度以降も、人口の減少や節電・省エネなどの減少の影響よりも、経済成長とデータセンター・半導体工場の新増設が続くため、2035年度にかけて増えると想定しています。同じ資料は、この想定が、過去の電力の需要の実績と、人口や経済の指標などの要因との回帰分析などで作られていること、情勢の変化によっては想定と実際の需要に相当程度の乖離が生じうることも書いています。第3章で扱った、要因との回帰で需要を見積もる考え方に近いものが国の規模の見通しでも使われていること(回帰の中身は本コラムでは確かめていません)と、その見通しに幅があることが読み取れます。データセンターについては、先に紹介した EU のエネルギー効率に関する指令の第12条に、情報の公表を求める規定があります。海外の需要の見通しの数字は、国際エネルギー機関と米国の研究所の公式のページを執筆の時点で取得できず、本コラムでは書きません。

次に、生成 AI や大規模言語モデルを建物の空調の運用に使う研究があります。Neubauer らが2026年9月4日に arXiv に投稿した系統的なレビュー(大規模言語モデルの空調の運用への応用のレビュー)は、査読つきの研究66件を調べ、継続的な運用での導入を報告した研究は無かったとしています。調べた66件は、2023年から2026年3月までに公表されたものです。著者らは、当面は大規模言語モデルを、意味の解釈や作業の流れを支える層と位置づけ、高い頻度の制御や短い先の予測には従来の機械学習やモデル予測制御などのほうが成熟しているとし、実際の運用で検証した評価の基準を求めています。この論文は arXiv への投稿で、分類は著者らの基準によるものです。系統用の蓄電池や新しい型の太陽電池の政策の動きは、資源エネルギー庁のページを取得できず確かめられていないので、本コラムでは扱いません。

補助金と税制は公式で最新を確かめる

省エネの設備・自家消費の発電設備・蓄電池・エネルギーマネジメントの仕組みの導入には、国や地方公共団体の補助金や、税制の措置が用意されていることがあります。ただし、制度の名前・対象・要件・公募の期間・額は年度ごとに変わることがあるので、本コラムでは個別の制度の名前と額を書きません。検討するときは、所管官庁と執行の団体の公式のページで、その年度の公募要領を確かめる必要があります。

補助金を検討するときに、制度の中身とは別に決めておきたいのは、効果の測り方です。補助の対象の事業では、導入の後に省エネの効果の報告を求められることがあります。そのとき、前年の同じ月との比較だけで効果を書くと、気温や稼働の違いを効果として数えることになります(第5章)。制度が効果の算定方法を指定していない場合は、補助金の申請の前に第5章のベースラインの期間と補正の方法を決めておけば、申請の書類の見込みと、導入の後の報告と、社内の投資の評価を、同じ方法でそろえられます。制度が算定方法を指定している場合は、その方法に合わせ、第5章の方法との違いを記録しておきます。補助があることで投資の採算の見え方が変わっても、運用の改善で減らせる分を先に確かめるという順番(第13章)は変わらないと考えています。

制度への対応が形だけになる型と、経営判断

制度への対応は、期限があり、様式が決まっているので、担当者が様式を埋めることに集中しやすい仕事です。その結果、報告は期限どおりに出ているのに、報告の数字が使い方の改善に使われない、という状態が起きやすくなります。これは序章で挙げた損失の型のうち「形骸化」にあたります。一方で、改善の仕事を優先して報告の正確さが後回しになれば、「制度上の義務の不履行」の型の損失になりえます。ここでいう義務には、法令上の義務(省エネ法の定期の報告や届出、温対法の報告、GX 推進法の届出と報告、電気事業法の保安規程の遵守など)と、努力義務(たとえば省エネ法第4条は、エネルギーを使用する者に、合理化などに努めることを求めています)、企業が任意で取り組む目標(SBTi の公式ページは目標の設定を任意としています)などがあり、区別して扱う必要があります。法令上の義務は、その法令の対象になっている事業者にかかるものです。どちらの損失も、報告と改善を別々の仕事として扱うことから生まれやすいと考えています。制度への対応が形だけになる型を、次の表にまとめました。表の型は本コラムが考えた整理で、各行には主な損失の型を1つだけ書いています。

形だけになる型起きやすいこと主な損失の型防ぐ助けになる仕組み関わる章
報告の数字を年に1回だけ集計する使用量の増減の理由が分からないまま報告し、翌年の計画が前年の繰り返しになる形骸化報告の元の記録を月次で集計し、ベースラインとの差と並べて会議で読む第2章・第5章・第12章
使用量の前年比を効果として書く暑い年に増え、涼しい年に減ったことを、対策の成否と取り違える効果の数え違い気温・稼働日・生産量で補正したベースラインとの差を、幅つきで書く第3章・第5章
排出係数の変化と使用量の削減を混ぜる調達の契約の変更や係数の変化で変わった排出量を、運用の改善の成果と読む。逆に係数が上がった年に改善が見えなくなる効果の数え違い使用量(kWh)・最大需要電力(kW)・係数を別々の行で記録し、すべてを報告する第5章・本章
制度ごとに別の担当者が別の表で集計する元の記録の訂正が一方にしか反映されず、法令上の義務である報告の数字が制度の間で食い違う制度上の義務の不履行元の記録を1つにし、制度ごとの集計をそこから作る。訂正の履歴を残す第2章・第13章
中長期的な計画を投資の計画と別に作る計画に書いた設備の更新が予算に載らず、計画が実行されない形骸化中長期的な計画と投資の判断の順番(運用の改善・制御・設備の更新)を同じ会議で決める第8章・第13章
対象の判定を前年の結果のまま続ける拠点の増加や電化で使用量や排出量が基準に達したことに気づかず、法令上の義務である届出が遅れる制度上の義務の不履行毎年度、制度ごとの単位で使用量と排出量を集計し直し、基準と比べる第2章・本章
制御の変更を保安の手続と切り離して進める最適化で決めた運転の変更が、保安規程や主任技術者の確認を経ずに実行され、室内の環境や設備に影響が出る快適性と生産への支障制御の変更の手順に、保安規程と主任技術者への確認を組み込む第6章から第12章

表の右の2列が示すとおり、どの型にも、本コラムのどこかの章で扱った仕組みが防ぐ助けになります。報告の義務への対応と、実際の使い方の改善を、同じデータと同じ体制で回すというのは、具体的には次のことを指します。1つ目は、請求書・30分値・燃料の記録・設備の台帳を1つの記録にまとめ、そこから制度ごとの集計と、社内の改善のための集計の両方を作ることです。2つ目は、事業者の単位の体制(省エネ法のエネルギー管理統括者とエネルギー管理企画推進者、温対法や排出量取引の報告の担当、サステナビリティの開示の担当)と、事業所の単位の運転(施設管理と電気主任技術者)の両方が、同じ月次の会議で同じ数字を見ることです。3つ目は、報告の数字の変化を、使用量の削減(ベースラインとの差)・稼働や気温の変化・排出係数や調達の変化に分けて説明することを、会議の決まりにすることです。

経営判断として決めておきたいのは、次の3点だと考えています。第一に、自社がどの制度の対象か、どの制度の対象になりうるかを、毎年度、使用量と排出量の実績で確かめる責任者を決めることです。対象の判定は、拠点の増加・電化・事業の拡大で変わりえます。第二に、報告の数字と改善の数字の元の記録を1つにすることに、予算と人を割くことです。データの基盤への投資は、報告の手間を減らすだけでなく、第5章の効果の測定と第12章の監視の前提になります。第三に、制度の改正を追う担当と経路を決めることです。この章で見たとおり、2026年11月の時点でも、建築物省エネ法・電気事業法・再エネ特措法・省エネ法の施行令に、施行を待つ改正が e-Gov に載っています。改正の中身を自社に当てはめる判断は、所管官庁の公表資料と専門家の助言をもとに行うことになります。

この章では、事業所のエネルギーに関わる国内の法令と制度、排出量の算定と開示の枠組み、公開事例とデータセット、最新の動向を、一次情報で確かめた範囲で整理しました。制度ごとに対象を数える量と単位は違いますが、どれもエネルギーの使用量の記録を土台にしています。終章では、本コラム全体を振り返り、エネルギーの使い方を見直し続けるための要点をまとめます。

この章を深めたい方への参考書籍

『サステナビリティ経営・開示のためのGHG排出量算定ガイドブック』(あずさ監査法人・KPMGあずさサステナビリティ、中央経済社):GHG プロトコルの算定のルール、スコープ1・スコープ2・スコープ3の算定の方法、スコープ1とスコープ2の削減の取組み、開示の実務上の留意点を章として扱う本です。この章で紹介したスコープ2の2つの算定の方法を、算定の手順として確かめたいときの参考になります。

『炭素会計 実務と戦略 スコープ3で始める新しい世界標準』(みずほリサーチ&テクノロジーズ、日経BP):自社の排出の把握、スコープ3の算定の基本、削減の戦略の立て方を章として扱い、炭素会計と経営の戦略を結びつける立場の本です。この章の主張である、報告のための算定を削減の判断に使うという考え方を、排出量の側から考える参考になります。

終章 エネルギーの使い方を見直し続けるために

本コラムでは、事業所のエネルギーの使い方を、需要と設備の応答を見積もり、守る条件のなかで運転と契約を決め、条件をそろえたベースラインとの差で結果を測る取り組みとして整理しました。最後に、4つのまとまりで確かめたことを振り返り、取り組みを続けるために決めておく事柄をまとめます。

4つのまとまりで確かめたこと

1つ目のまとまり(第1章・第2章)では、料金の構造とデータの性質を確かめました。電気の使い方は、電力量(kWh)と電力(kW)の2つの量で表され、多くの契約の料金には、使った量の合計に応じた部分と、最大需要電力に関わる部分があります。使い方で変えられるのは、量の合計、需要電力の大きい時間帯の重なり、使う時間帯です。月ごとの請求書で分かることと、30分値で分かること、設備ごとの計測で分かることは違うので、データの粒度は使い道から逆に決めます。30分値を使うときは、単位、時刻の付け方、欠測や異常値を先に点検します。

2つ目のまとまり(第3章から第5章)では、需要の予測と効果の測定を扱いました。使用量は、暦、稼働、気温で大きく動きます。気温との関係は冷房の側と暖房の側で向きが変わるので、折れ曲がる形の回帰で表し、気温1℃あたりの変化とベース負荷を読み取ります。最大需要電力や契約の判断には、1つの値の予測ではなく、上振れの幅を含めた予測が要ります。ただし、その幅は、学習に使っていない期間で、実績が区間に入った割合を確かめてから使います(第4章の架空のデータでは、作った幅は、そのままでは名目の割合に届きませんでした)。予測の対象になる先の時刻の気温は、予測を出す時点では予報の値しか手に入らないので、実績の気温で確かめた成績は、そのままでは実際の成績になりません。対策の効果は、前年比ではなく、対策が無かった場合の使用量(ベースライン)との差で測ります。その差は見積りであり、幅があります(第5章の架空のデータでは、その幅も名目の割合に届かない場合があり、対策の前の期間が、対策の後の気温の範囲を含まないほど短いと大きく外れました)。削減が小さい対策では、幅が0をまたぎ、効果があったと言えない場合があります。

3つ目のまとまり(第6章から第11章)では、見積りを運転と設備の計画に変える方法を扱いました。最大需要電力は、どの設備がどの時間帯に重なっているかを分解し、止めてよい設備とずらしてよい設備の順を決めて管理します。空調は、建物が熱を蓄える性質を式で表すと、室温の許容範囲を守る条件のもとで運転の予定を計算できます(予報が外れると、実績では範囲を外れることもあります)。先に冷やしておく運転は、第7章の例題では、空調の電力に上限を置いた場合に、設定温度を一定に保つ制御と比べて、費用の相対値と空調の電力の最大を下げましたが、空調の電力量の合計は増えました。何を減らしたいのかを区別して評価します。熱源は、どの台をどの負荷で動かすかによって、同じ熱を作るのに要る電力が変わります。蓄電池は、何を目的にするかで充電と放電の予定が変わります。デマンドレスポンスは、減らした量が決まりにもとづくベースラインで算定されることと、要請の後に需要が戻って増えることを踏まえて、出せる量を見積もります。どの計画も予測にもとづくので、予測が外れたときに何が起きるかを確かめ、余裕を持たせる、複数の見通しを使う、短い間隔で解き直す、といった方法を比べます。第11章の架空のデータでは、余裕を足す方法とシナリオの期待値を使う方法は、予測の値のまま解く方法との差が小さく、予測の値のまま解き直す方法は、5回の繰り返しのすべてで、日の最大需要電力の平均が大きくなりました。どのリスクをどこまで許すかを決めたうえで、多数の日の実績で比べて選びます。

4つ目のまとまり(第12章から第14章)では、運用の監視と、取り組みを組織に定着させる方法を扱いました。対策の効果は、設定が元に戻る、運転のスケジュールが実態と合わなくなる、設備の性能が下がる、といった理由で薄れていきます。予測との差の積み重ねや、夜間と休業日の使用量、設備の効率の推移を見張り、警報が出たときに誰が何をするかを決めておきます。導入にあたっては、自社でどこまで行い、どこからを外部に任せるかの段階を選び、最終の指標から管理の指標への分解(KPIの木)と、PoCの合格の条件と出口を先に決めます。自社に適用される、エネルギーの使用の報告や排出量の算定に関する制度を確かめ、使い方の改善と同じデータと体制で対応できるように設計することをお勧めします。公開された事例と研究の数字は、その建物、その条件での値として読みます。

続けるために決めておくこと

エネルギーの使い方は、一度見直したままにしておくと、少しずつ実態とずれていきます。建物の使い方や在室の人数が変われば、必要な空調の量が変わります。生産の品目や量が変われば、設備の動く時間帯が変わります。設備を更新すれば、気温と使用量の関係が変わることがあります。更新そのものの効果を測るときは、更新しなかった場合の使用量をベースラインにします。評価したい対策とは別に設備の変更や増床があったときは、その影響を調整し、調整の理由と方法を記録します。契約や料金の制度が変われば、何を減らすと費用に効くのかが変わります。本コラムの各章で経営判断として挙げた事柄を、見直しの対象ときっかけという形でまとめると、次の表のようになります。定期的な点検の間隔は、エネルギーの費用が事業に占める重みと、事業所の規模に応じて決めるものです。

決めておくこと見直しのきっかけ主に扱った章
料金の内訳(電力量に応じた部分と契約電力に応じた部分)の把握契約や料金の制度が変わったとき、定期的な点検のとき第1章
取るデータの粒度と、点検の手順計測の機器や系統を変えたとき、新しい使い道ができたとき第2章
予測の使い道と、判断に支障が出ない誤差の範囲設備や使い方が変わったとき、誤差が決めた範囲を外れたとき第3章・第4章
効果の測り方(ベースラインの期間と、条件をそろえる方法)対策を始める前。設備の更新や増床があったとき第5章
目標の需要電力と、止めてよい設備の順設備や生産の体制が変わったとき、制限が働く回数が増えたとき第6章
室内の環境の許容範囲と、生産や品質について守る条件建物の使い方が変わったとき、在室者からの申告が増えたとき第7章
熱源の運転の順番と設定季節の変わり目、設備の保守や更新のとき第8章
蓄電池に担わせる役割の優先順位負荷の形や契約が変わったとき第9章
デマンドレスポンスに出す量と、応じる条件参加する仕組みや契約を変えるとき、動かせる設備が変わったとき第10章
許すリスクの大きさ(目標を超える日の割合など)予測の誤差の傾向が変わったとき、目標を超えた日が続いたとき第11章
監視の指標と、警報に対応する責任者体制が変わったとき、警報が見られなくなっているとき第12章
役割と、外部との分担体制や委託先を変えたとき第13章
制度への対応法令の改正や施行、制度の変更があったとき第14章

表の各行について、誰が、どの数字を見て、どの範囲を外れたら何をするのかを文書にしておくと、担当者が替わっても取り組みが続きやすくなります。とくに、室内の環境と生産について守る条件と、効果の測り方は、施設管理の担当者だけでは決められません。事業の責任者、生産や総務の担当者、財務、施設管理、データ分析の担当者が同じ定義を使っていることを、定期的に確かめることが有効だと考えています。

自動の制御と人の役割

予測と最適化の計算は、多数の設備の運転の予定を、人には扱えない細かさと速さで作ります。ただし、計算は、与えられた条件と目的に合わせて予定を作るものです。室内の環境の許容範囲が与えられていなければ、範囲を外れる予定を出すことがあります。目的が電力量の合計だけであれば、最大需要電力が上がる予定を出すことがあります。予測が外れれば、計画どおりに運転しても、結果は計画の値と違ってきます。

自動の制御を使う場合、人の役割は、設備を1台ずつ操作することではなく、何を守り、何を減らすのかを条件と目的として渡し、結果を実績で確かめることになると考えています。設備の制御や運転を変えるときは、設備の仕様と保安のための規程の範囲で、設備の担当者と有資格者の確認のもとで、段階的に試し、元に戻せるようにしておくことが前提になります。本コラムで扱った需要の予測、ベースライン、設備の応答、予測の外れへの備えの考え方は、その判断のための共通の言葉になると考えています。自社で計算の仕組みを持つかどうかにかかわらず、渡している条件が事業の実態と合っているか、結果を条件をそろえた差で確かめているかを、事業所の側で説明できる状態を目指すことをお勧めします。

最初の一歩としては、序章の終わりに挙げた4つの確認(料金の内訳、30分値で見た夜間と休業日の使用量と最大需要電力の日時、守る条件の文書、条件をそろえた効果の測定)のうち、自社でまだ答えられないものを1つ選び、そこから着手するのが現実的だと考えています。4つの確認がそろえば、使用量の削減、最大需要電力の低下など、目的に応じた指標を、条件をそろえて見積もり、その幅とあわせて対策や設備を比べる土台が整います。

Anagraftでは、エネルギーのデータの分析と運転の計画を含むデータとAIの活用について、課題の特定から、テーマの選定とKPIの設計、PoC、本番への導入、運用と改善、内製化まで一貫したご支援を行っています。会社概要・ご支援内容の詳細は、以下の資料からご覧いただけます。

Anagraft 会社概要資料(ダウンロードページへ)

本コラムで紹介した書籍一覧

各章末でご紹介した書籍をまとめました。それぞれ、本コラムのどの部分と結びつくかを添えています。

第1章 事業所のエネルギー管理の全体像、電気料金の構造と使い方で変えられる部分

『エネルギー管理士試験電気分野徹底研究 改訂3版』(不動弘幸 著、オーム社):エネルギー管理士の試験(電気分野)の受験対策書で、エネルギーの総合的な管理と法規、電気の基礎、電気設備と機器、電力の応用を扱っています。本章で扱った電力と電力量・力率・需要電力のような電気の基礎と、事業所の電気設備の全体像を、資格の体系に沿って学ぶときの材料として挙げました。

『エネルギーマネジメントが拓く未来』(湯澤秀樹 監修・著、工作舎):副題に建築・街区・都市の省エネ術とあるとおり、建物から都市までのエネルギーマネジメントを扱った本です。本章で整理した、事業所のエネルギーの使い方を計測し、目標を定め、運転と設備を見直し続けるという活動を、建物の側から考えるときの入口として挙げました。

『未来のための電力自由化史』(西村陽、戸田直樹、穴山悌三 著、日本電気協会新聞部):書名のとおり、電力の自由化の経緯を主題にした本です。本章で触れた小売の全面自由化と、需要家・小売電気事業者・一般送配電事業者の役割の分かれ方を、制度の歴史の側から理解するときの材料として挙げました。

第2章 エネルギーのデータ、30分値と計量の粒度・気象と稼働の記録のそろえ方

『改訂新版 前処理大全 SQL/pandas/Polars実践テクニック』(本橋智光・橋本秀太郎、技術評論社):データ分析の前処理の技法を、BigQuery の SQL・pandas・Polars のそれぞれで解説した本です。この章で扱った集計・欠測の扱い・結合のような、分析の前の作業を、道具ごとにどう書くかを確かめるのに向いています。30分値と気象・稼働の記録を同じ時刻の軸にそろえる作業の手引きとして使えます。

『Pythonによるデータ分析入門 第3版 pandas、NumPy、Jupyterを使ったデータ処理』(Wes McKinney 著、瀬戸山雅人・小林儀匡 訳、オライリー・ジャパン):この章のコードで使った pandas と NumPy によるデータの処理を解説した本です。日時の索引を持つデータの扱いや、集計の関数のふるまいを確かめるときの参照先になります。欠測を、知らせずに除いて足す、といった集計の関数の挙動を理解しておくと、この章で見た月の合計の誤りを防ぎやすくなります。

第3章 電力需要の予測、気温と曜日で説明する回帰モデル

『回帰分析入門 Rで学ぶ最新データ解析』(豊田秀樹 編著、東京図書):副題のとおり、統計の言語 R を使って回帰分析を学ぶ入門書です。本章の折れ線回帰は、変化点を決めれば普通の重回帰になるので、重回帰の係数の推定と読み方、残差の点検といった土台を固めると、気温の回帰の結果を自分で確かめやすくなります。

『予測にいかす統計モデリングの基本 ベイズ統計入門から応用まで』改訂第2版(樋口知之 著、講談社):副題のとおり、予測を目的とした統計モデリングを、ベイズ統計の入門から応用まで扱う本です。本章では最小二乗法で係数を1つの値として求めましたが、係数や予測の不確かさをどう扱うかを考えるときの手がかりになり、第4章の予測の幅にもつながります。

第4章 機械学習による需要の予測、勾配ブースティングと予測の幅

『Kaggleで勝つデータ分析の技術』(門脇大輔・阪田隆司・保坂桂佑・平松雄司、技術評論社):勾配ブースティングを中心に、特徴量の作り方と、時系列のデータでの検証の分け方を詳しく扱っています。本章の、期間で切る交差検証と、予測の時点で使える特徴量の考え方を、実装の面から深められます。

『Pythonによる時系列予測』(Marco Peixeiro 著、クイープ 訳、マイナビ出版):統計のモデルから深層学習まで、時系列の予測の方法を Python のコードとともに順に説明しています。本章で紹介だけにとどめた深層学習による予測を、自分で試すときの入口になります。

第5章 省エネの効果の測り方、ベースラインと計測・検証の考え方

『効果検証入門 正しい比較のための因果推論/計量経済学の基礎』(安井翔太 著、株式会社ホクソエム 監修、技術評論社):施策の効果を正しく比べるための因果推論と計量経済学の基礎を、実装とあわせて解説した本です。本章の差の差や、条件をそろえて比べるという考え方を、エネルギー以外の例も含めて体系的に学べます。

『データ分析の力 因果関係に迫る思考法』(伊藤公一朗 著、光文社):因果関係の見極めがビジネスや政策の判断を左右する理由と、ランダム化比較試験・RDデザイン・パネル・データ分析などの考え方を、数式を使わずに解説した新書です。前年比のような単純な比較がなぜ効果を表さないのかを、経営の立場の読者が理解するのに役立ちます。

第6章 最大需要電力の管理、デマンドの監視とピークカットの計画

『完全図解 自家用電気設備の実務と保守早わかり』(大浜庄司 著、オーム社):書名のとおり、事業所が持つ自家用電気設備の実務と保守を、図を中心に扱う本です。最大需要電力の管理で負荷を止める案を検討するときに、受電の設備と保守の実務を知っておくと、設備の担当者や電気主任技術者と同じ前提で話し合いやすくなります。

『写真でトライ 自家用電気設備の定期点検』(関東電気保安協会 監修、河野忠男・森田潔 共著、オーム社、改訂2版):書名のとおり、自家用電気設備の定期点検を写真とともに扱う本です。止めてはいけない設備と保安の話し合いでは、設備がどう点検され、維持されているかを知っていることが前提になるので、その入口として挙げました。

第7章 空調の制御、建物の熱のモデルと設定温度・予冷の最適化

『モデル予測制御:制約のもとでの最適制御』(Jan M. Maciejowski 著、足立修一・管野政明 訳、東京電機大学出版局):モデル予測制御の考え方を、制約を持つ最適化として体系的に解説した教科書の訳書です。この章で使った「先まで計画して最初の1つだけを実行し、やり直す」仕組みと、制約の扱いを、制御工学の側から詳しく学べます。

『建築環境工学:熱環境と空気環境』改訂版(宇田川光弘・近藤靖史・秋元孝之・長井達夫・横山計三 著、朝倉書店):建物の熱の出入りと室内の空気環境を扱う教科書で、シリーズ〈建築工学〉の1冊です。この章で熱容量と熱抵抗の2つに単純化した建物の熱の性質を、壁の伝熱や日射、換気まで広げて理解するのに向いています。

『最新建築環境工学』改訂4版(田中俊六・武田仁・土屋喬雄・岩田利枝・寺尾道仁・秋元孝之 共著、井上書院):熱・空気・光・音を含む建築環境工学の入門の教科書です。温熱環境の快適性の指標や、室内の空気環境の考え方を、この章の許容範囲の決め方の背景として確かめるのに使えます。

第8章 熱源と設備の運転計画、台数制御と起動停止の最適化

『トコトンやさしい冷凍空調技術の本』(日本冷凍空調学会 編著、日刊工業新聞社):冷凍サイクルや冷凍空調の機器の仕組みを、図を多く使って解説した入門書です。本章では冷凍機を効率の曲線として扱いましたが、その曲線がなぜ部分負荷率や冷却水の温度で変わるのかを、機器の側から理解する助けになります。

『基礎からの冷凍空調:考え方と応用力が身につく』(平田哲夫、岩田博、田中誠、石川正昭、西田耕作 共著、森北出版):冷凍空調の原理を基礎から積み上げて説明する教科書です。成績係数の考え方や冷凍サイクルの計算を確かめながら、運転の記録から効率を評価するときに何を測ればよいかを考える土台になります。

第9章 蓄電池と太陽光発電の運用、発電量の予測と充放電の計画

『太陽光発電システムの設計と施工』改訂5版(太陽光発電協会 編、オーム社):太陽光発電の業界団体が編んだ、システムの設計と施工の解説書です。この章で例題の前提に置いた、発電量を決める要因(日射・方位と角度・温度・パワーコンディショナの容量など)を、設備の側から確かめるときの手がかりになります。国立国会図書館の書誌と版元のページで確かめた範囲では、2015年の改訂5版が最新の版です。

『高信頼性蓄電システム技術と設計法』(下位法弘 著、科学情報出版):副題に「二次電池の高容量・高出力・長寿命・高速充電の実現」とある、蓄電のシステムの技術と設計を扱う本です。この章では、容量・出力・効率・劣化を計画の上の数として扱いましたが、それらが電池とシステムの設計でどう決まるかを知りたいときに、設備の側の見方を補う1冊として挙げました。

第10章 デマンドレスポンスと電力市場、需要を動かす価値とベースラインの算定

『電力システム改革の突破口 DR・VPP・アグリゲーター入門』(市村健、オーム社):書名のとおり、デマンドレスポンス・バーチャルパワープラント・アグリゲーターを、電力システム改革の流れの中で解説する入門書です。本章で入口だけを扱った当事者と市場の関係を、制度の背景から学ぶときの材料として挙げました。2021年の刊行なので、需給調整市場の商品の導入や ERAB ガイドラインの改定など、その後の変化は公式の資料で補う必要があります。

『OpenADRによるデマンドレスポンス通信』(蜷川忠三・山田倫久、森北出版):書名のとおり、本章で紹介した通信の規格 OpenADR によるデマンドレスポンスの通信を扱う本です。要請を受けてから設備を動かすまでを自動化する場合に、アグリゲーターや設備の事業者と同じ言葉で仕組みを話し合うための材料として挙げました。本書の刊行は2020年7月で、OpenADR Alliance が OpenADR 3.0 を公表したのは2023年11月28日なので、3.0 は本書の刊行の後に出た版です。

第11章 不確実さのもとでの運転計画、予測の誤差を織り込む最適化

『確率計画法』(椎名孝之 著、朝倉書店):不確実な値を確率で表して計画を作る確率計画の考え方を、日本語でまとめた本です。シナリオを使って期待値を最適にする問題の定式化を、この章の例題より一般的な形で学べます。

『Robust Optimization』(Aharon Ben-Tal、Laurent El Ghaoui、Arkadi Nemirovski、Princeton University Press):不確実な値が動く範囲を決め、その範囲のどこでも制約を守る計画を作るロバスト最適化の教科書です。この章で紹介だけに留めた不確実性集合の作り方と、計算しやすい形への書き換えを扱っています。

第12章 運用の監視と異常の検知、設備の無駄と性能の低下を見つける

『入門 機械学習による異常検知 Rによる実践ガイド』(井手剛、コロナ社):正常な状態のデータからモデルを作り、そこからの外れの度合いで異常を判定する考え方を、統計的な基礎から説明した入門書です。本章で使った、学習の期間の残差の分布から上限を決める方法や、変化を検知する方法を、より一般的な枠組みで理解する助けになります。

『異常検知と変化検知』(井手剛・杉山将、講談社):機械学習プロフェッショナルシリーズの1冊で、外れ値の検出に加えて、時系列のデータで状態が変わった時点を見つける変化検知の方法を扱っています。本章の CUSUM のように、小さなずれが続く変化を見つける問題を、より広い方法の中に位置づけて学べます。

第13章 導入の進め方と体制、エネルギー管理の内製と外部の分担

『ESCO導入ガイド 本格的導入事例126』(ESCO推進協議会 編著、省エネルギーセンター):副題のとおり ESCO の導入の事例を収めた案内書で、版元の目次には、ESCO の契約の方式、導入の業務の流れ、診断の前に準備するものが挙がっています。2008年の刊行です。外部の事業者と効果の保証や計測と検証を取り決めるときに、何を確かめるかを考える材料になると考えています。

『すぐに役立つ”節電・省エネ”104項目』(省エネルギーセンター 編、省エネルギーセンター):照明・空調・モータやポンプなどの設備別に、節電と省エネの実践の例をまとめた本です。2012年の刊行です。運用の改善の候補を洗い出すときの手がかりになると考えています。挙げられた対策を自社で試す場合は、この章で扱ったベースラインと PoC の手順で効果を確かめることを想定しています。

第14章 制度とガイドライン、省エネ法・排出量の算定と公開事例・最新動向

『サステナビリティ経営・開示のためのGHG排出量算定ガイドブック』(あずさ監査法人・KPMGあずさサステナビリティ、中央経済社):GHG プロトコルの算定のルール、スコープ1・スコープ2・スコープ3の算定の方法、スコープ1とスコープ2の削減の取組み、開示の実務上の留意点を章として扱う本です。この章で紹介したスコープ2の2つの算定の方法を、算定の手順として確かめたいときの参考になります。

『炭素会計 実務と戦略 スコープ3で始める新しい世界標準』(みずほリサーチ&テクノロジーズ、日経BP):自社の排出の把握、スコープ3の算定の基本、削減の戦略の立て方を章として扱い、炭素会計と経営の戦略を結びつける立場の本です。この章の主張である、報告のための算定を削減の判断に使うという考え方を、排出量の側から考える参考になります。

参考情報

本コラムの記述は、次の資料を2026年10月に確認して書いています。ライブラリの関数名や引数は版によって変わりますので、実際に動かす際は各ライブラリの公式ドキュメントで現行の仕様をご確認ください。

第1章

第2章

第3章

第4章

第5章

第6章

第7章

第8章

第9章

第10章

第11章

第12章

第13章

第14章