ＡI特許調査
事例紹介
電力システムに関する特許調査をしてみた！
テーマ：電力システムに関するAI特許調査
・調査観点
深層学習と気象データ解析を組み合わせ、複数地域の電力需要実績値と気象条件、時間帯別使用パターン、季節変動要因を入力として学習し、地域ごとの電力需要を予測する際に、各要因の重み付けを自動調整し、予測モデルの精度を向上させ、電力供給計画の最適化を実現する電力需要予測システムにおいて、前記重み付け調整結果に基づく需要予測値の信頼度評価と供給余力の算出を行うことを特徴とする電力需要予測システム。
目的
上記のアイデア（調査観点）に関連する特許を抽出する。
条件
調査対象国：JP
調査資料：特許公報、実用新案公報
調査期間：出願10年
ステータス：生死不問
調査母集合：電力システムとAI（人工知能、機械学習、ディープラーニング、深層学習）に関するもの
作業
- AIを使って、アイデアを生成＆ブラッシュアップ
- AIを使って、アイデアに関連する特許を抽出
- AIを使って、アイデアと抽出公報を対比（詳細評価）
- AIを使って、アイデアと抽出公報を対比（対比表作成）
- AIを使って、アイデアと類似する特許の出願動向分析
- AIを使って、アイデアと類似する技術カテゴリ抽出
目的①
先行技術調査
新規の特許出願を行う前に、類似する既存の特許公報を探す調査です。発明の新規性や進歩性を確認し、特許取得の可能性を判断します。無駄な出願を防ぎ、より強い特許請求範囲の作成に役立ちます。
目的②
侵害予防調査
新製品の開発・販売前に、他社の特許権を侵害していないかを確認する調査です。他社特許に抵触するリスクを事前に把握し、設計変更や回避策の検討、ライセンス交渉の判断材料として活用します。
目的③
無効資料調査
特定の特許の有効性を検証するための調査です。対象特許の出願前に公知となっていた特許公報を探し、新規性や進歩性を否定できる資料を収集します。特許無効審判や侵害訴訟での資料に使用されます。
電力システム × 事例紹介
Case Study
AIを活用した特許調査を動画とテキストでご紹介！
近年、人工知能（AI）技術の進歩により、特許調査の手法も大きく変化しています。AIを活用した特許調査では、従来の検索式による方法に加え、自然言語処理や機械学習の技術を用いることで、より広範な関連技術の発見や、類似特許の効率的な抽出が可能となっています。
特に、AIによる言語の意味理解や文脈把握により、キーワードだけでは発見が困難だった技術文献の特定や、異なる技術分野での類似発明の発見などで成果を上げています。また、大量の特許文献を短時間で分析し、技術動向の可視化や重要文献の優先度付けなども実現しています。
このような先進的な調査手法の導入により、調査の質と効率が向上し、より効果的な特許戦略の立案が可能となっています。
AIを使って、アイデアを生成＆ブラッシュアップ
AIを活用し、特許出願できそうなアイデアを10件、考えました。
以下の通り、ご報告いたします。
1. 電力需要予測最適化システム
深層学習と気象データ解析を組み合わせ、複数地域の電力需要実績値と気象条件、時間帯別使用パターン、季節変動要因を入力として学習し、地域ごとの電力需要を予測する際に、各要因の重み付けを自動調整し、予測モデルの精度を向上させ、電力供給計画の最適化を実現する電力需要予測システムにおいて、前記重み付け調整結果に基づく需要予測値の信頼度評価と供給余力の算出を行うことを特徴とする電力需要予測システム。
・アイデアの特徴
①深層学習により地域別の電力需要実績値から需要パターンを学習する。
②気象データと時間帯別使用パターンを組み合わせて予測精度を向上させる。
③季節変動要因を考慮した重み付け調整を自動的に行う。
④予測値の信頼度を評価し、必要な供給余力を算出する。
⑤地域ごとの特性を考慮した電力供給計画の最適化を実現する。
2. 配電系統異常検知システム
配電系統の各地点に設置された電圧・電流センサから得られる時系列データに対し、波形解析と異常検知アルゴリズムを適用し、過去の障害事例データベースと照合することで、異常の種類と発生位置を特定し、システム全体の状態を監視する配電系統監視システムにおいて、前記異常検知結果に基づく障害発生リスクの評価と予防保全計画の立案を行うことを特徴とする配電系統異常検知システム。
・アイデアの特徴
①電圧・電流センサから時系列データを収集し波形解析を行う。
②異常検知アルゴリズムにより異常パターンを識別する。
③過去の障害事例データベースと照合し異常の種類を特定する。
④異常の発生位置を特定しシステム全体の状態を監視する。
⑤障害発生リスクを評価し予防保全計画を立案する。
3. 塩害予測システム
気象データと地形情報を組み合わせ、潮風による塩分の飛散経路をシミュレーションし、電力設備への付着量を予測するシステムにおいて、深層学習による気象パターン分析と塩分付着量の相関分析を行い、設備の絶縁性能低下リスクを評価し、点検計画の最適化を実現する塩害予測システムにおいて、前記リスク評価結果に基づく保守点検優先度の設定を行うことを特徴とする塩害予測システム。
・アイデアの特徴
①気象データと地形情報から塩分の飛散経路をシミュレーションする。
②深層学習により気象パターンと塩分付着量の相関を分析する。
③設備の絶縁性能低下リスクを評価する。
④点検計画の最適化を実現する。
⑤保守点検の優先度を設定する。
4. 停電作業計画最適化システム
電力系統の構成情報と負荷情報を基に、停電作業時の電力供給ルートを自動生成し、各区間の負荷変動予測と設備容量制約を考慮した作業手順を導出する停電作業計画システムにおいて、前記作業手順の実行可能性評価と作業時間の最適化を行うことを特徴とする停電作業計画最適化システム。
・アイデアの特徴
①電力系統の構成情報と負荷情報から供給ルートを自動生成する。
②各区間の負荷変動を予測する。
③設備容量制約を考慮した作業手順を導出する。
④作業手順の実行可能性を評価する。
⑤作業時間の最適化を行う。
5. 遮断器状態監視システム
遮断器の動作時に発生する音響データを収集し、深層学習による波形解析を行い、正常動作時の波形パターンと比較することで、劣化や異常の早期検出を実現する遮断器監視システムにおいて、前記異常検出結果に基づく劣化進行度の推定と交換時期の予測を行うことを特徴とする遮断器状態監視システム。
・アイデアの特徴
①遮断器の動作時の音響データを収集する。
②深層学習により波形解析を行う。
③正常動作時の波形パターンと比較する。
④劣化や異常を早期に検出する。
⑤劣化進行度の推定と交換時期の予測を行う。
6. 日射量予測システム
気象衛星データと地上観測データを組み合わせ、雲の移動予測と日射量の変動パターン分析を行い、地点ごとの日射量を予測する日射量予測システムにおいて、前記予測結果に基づく太陽光発電出力の変動予測と電力系統への影響評価を行うことを特徴とする日射量予測システム。
・アイデアの特徴
①気象衛星データと地上観測データを組み合わせて分析する。
②雲の移動を予測する。
③日射量の変動パターンを分析する。
④地点ごとの日射量を予測する。
⑤太陽光発電出力の変動予測と系統影響を評価する。
7. 電力潮流最適化システム
電力系統の各地点における電圧・電流値と、発電機の出力情報を入力として、系統全体の損失最小化と電圧安定性維持を両立する最適潮流計算を行う電力潮流制御システムにおいて、前記計算結果に基づく発電機出力制御指令値の決定と実行順序の最適化を行うことを特徴とする電力潮流最適化システム。
・アイデアの特徴
①電圧・電流値と発電機出力情報を入力として分析する。
②系統全体の損失最小化を図る。
③電圧安定性を維持する。
④発電機出力制御指令値を決定する。
⑤制御指令の実行順序を最適化する。
8. 設備劣化診断システム
電力設備の運転データと点検記録を基に、設備種別ごとの劣化パターンを学習し、運転状態の変化から劣化進行を予測する設備劣化診断システムにおいて、前記予測結果に基づく保守計画の最適化と部品交換時期の提案を行うことを特徴とする設備劣化診断システム。
・アイデアの特徴
①電力設備の運転データと点検記録を分析する。
②設備種別ごとの劣化パターンを学習する。
③運転状態の変化から劣化進行を予測する。
④保守計画を最適化する。
⑤部品交換時期を提案する。
9. 系統切替計画最適化システム
配電系統の構成情報と負荷分布データを入力として、系統切替時の電力潮流解析を行い、電圧変動と設備容量制約を考慮した切替手順を生成する系統切替計画システムにおいて、前記切替手順の実行可能性評価と作業時間の最適化を行うことを特徴とする系統切替計画最適化システム。
・アイデアの特徴
①配電系統の構成情報と負荷分布データを分析する。
②系統切替時の電力潮流解析を行う。
③電圧変動と設備容量制約を考慮する。
④切替手順の実行可能性を評価する。
⑤作業時間を最適化する。
10. グラフ構造解析による障害予測システム
電力系統のグラフ構造データと運転履歴を基に、系統の接続関係と障害発生パターンの相関を分析し、障害波及範囲を予測するシステムにおいて、前記予測結果に基づく系統構成の脆弱性評価と対策優先度の設定を行うことを特徴とする障害予測システム。
・アイデアの特徴
①電力系統のグラフ構造データと運転履歴を分析する。
②系統の接続関係と障害発生パターンの相関を分析する。
③障害波及範囲を予測する。
④系統構成の脆弱性を評価する。
⑤対策の優先度を設定する。
AIを使って、アイデアに関連する特許を抽出
以下のアイデアに関連する特許公報を8件抽出しました。
以下の通り、報告いたします。
・アイデア（調査観点、請求項案）
深層学習と気象データ解析を組み合わせ、複数地域の電力需要実績値と気象条件、時間帯別使用パターン、季節変動要因を入力として学習し、地域ごとの電力需要を予測する際に、各要因の重み付けを自動調整し、予測モデルの精度を向上させ、電力供給計画の最適化を実現する電力需要予測システムにおいて、前記重み付け調整結果に基づく需要予測値の信頼度評価と供給余力の算出を行うことを特徴とする電力需要予測システム。
■技術的特徴
上記のアイデアの技術的特徴は以下の通りです。
①深層学習と気象データ解析を組み合わせた予測システムである
②複数地域の電力需要実績値、気象条件、時間帯別使用パターン、季節変動要因を入力として学習する
③地域ごとの電力需要予測時に各要因の重み付けを自動調整する
④予測モデルの精度向上により電力供給計画を最適化する
⑤重み付け調整結果に基づく需要予測値の信頼度評価と供給余力を算出する
1.関連公報の抽出結果
上記のアイデアに関連する公報を8件、抽出しました。
- JP2024032197 (2024-03-12, 株式会社日立製作所, 需要予測装置および需要予測方法)
- JP2023081098 (2023-06-09, 三菱電機株式会社, 学習装置、電力需要推論装置、系統制御システム、需給制御システム、設備形成支援システムおよびプログラム)
- JP2024152838 (2024-10-25, 日鉄エンジニアリング株式会社, 電力需要予測システム及び電力需要予測方法)
- JP2019146283 (2019-08-29, 東北電力株式会社, 電力需要予測装置、電力需要予測方法及び電力需要予測プログラム)
- JP2018077571 (2018-05-17, 株式会社オプティマイザー, 電力需要調達支援システム、情報処理装置、情報処理方法および情報処理プログラム)
- JP2020088944 (2020-06-04, 富士電機株式会社, 電力需要予測装置、電力需要予測方法、そのプログラム)
- JP2019213299 (2019-12-12, 株式会社日立製作所, エネルギー運用装置及び方法並びにシステム)
- JPWO2017098631 (2018-03-22, 三菱電機株式会社, 電力制御装置、運転計画立案方法、及び、プログラム)
2.特徴別の該否結果
上記で抽出した特許公報8件について、アイデアの特徴5点に関する該否結果をまとめました。
※評価基準：〇（特徴の要件を全て含む）、△（特徴の要件を一部含む）、×（特徴の要件を一つも含まない）
| 公報番号(出願人) | 類似度(%) | ① | ② | ③ | ④ | ⑤ |
|---|---|---|---|---|---|---|
| JP2024032197(日立製作所) | 90 | 〇 | 〇 | 〇 | 〇 | △ |
| JP2023081098(三菱電機) | 85 | 〇 | 〇 | 〇 | △ | △ |
| JP2024152838(日鉄エンジニアリング) | 80 | △ | 〇 | 〇 | 〇 | △ |
| JP2019146283(東北電力) | 75 | △ | 〇 | 〇 | △ | △ |
| JP2018077571(オプティマイザー) | 70 | 〇 | 〇 | △ | △ | × |
| JP2020088944(富士電機) | 65 | △ | 〇 | △ | △ | × |
| JP2019213299(日立製作所) | 60 | △ | △ | △ | 〇 | △ |
| JPWO2017098631(三菱電機) | 55 | × | △ | △ | △ | 〇 |
3.抽出公報の詳細レビュー
類似度の高い抽出公報3件について、より詳細な評価結果をまとめました。
■1件目：類似度 90%
- 公開番号: JP2024032197
- 出願日: 2022-08-29
- 公開日: 2024-03-12
- 出願人: 株式会社日立製作所
- 名称: 需要予測装置および需要予測方法
- 結果：類似度90%、①〇、②〇、③〇、④〇、⑤△
- 要点：（産業分野）電力需要予測。（課題）予測精度の低下を抑制し、予測モデルの学習に要する計算コストおよび計算時間を低減可能な需要予測装置および需要予測方法を実現する。（解決手段）需要家の過去の需要実績値に基づき需要予測モデルで学習した需要予測値を保存し、需要予測日の需要実績値を含む需要要件に基づき需要予測値を演算する。（効果・特徴）予測時刻の直前の一定時間前に演算した需要予測値を用いて一定時間後の需要予測値を演算することで、予測精度を向上させる。
- 公報リンク(GooglePatents): https://patents.google.com/patent/JP2024032197
〇特徴別の該否結果と判定理由
①深層学習と気象データ解析を組み合わせた予測システム：〇
※判定理由：需要予測モデルに機械学習を用い、気象データを入力として解析する記載がある。
②複数の入力データを学習：〇
※判定理由：需要家の過去の需要実績値、気象条件、時間帯情報など、複数の入力データを使用する記載がある。
③重み付けの自動調整：〇
※判定理由：予測モデルの学習過程で重み付けを自動調整する記載がある。
④供給計画の最適化：〇
※判定理由：予測結果に基づいて電力供給計画を最適化する記載がある。
⑤信頼度評価と供給余力算出：△
※判定理由：予測値の信頼度に関する記載はあるが、供給余力の算出については明確な記載がない。
■2件目：類似度 85%
- 公開番号: JP2023081098
- 出願日: 2021-11-30
- 公開日: 2023-06-09
- 出願人: 三菱電機株式会社
- 名称: 学習装置、電力需要推論装置、系統制御システム、需給制御システム、設備形成支援システムおよびプログラム
- 結果：類似度85%、①〇、②〇、③〇、④△、⑤△
- 要点：（産業分野）電力需要予測。（課題）日射量の実績値を使用せずに、電力需要の精度のよい推論を実現する。（解決手段）日時情報を用いて太陽の高度に関する指標と曜日を示す情報を含む特徴量を生成し、実績値と特徴量を用いて機械学習により学習済モデルを生成する。（効果・特徴）気象条件や時間的要因を考慮した高精度な電力需要予測を実現。
■3件目：類似度 80%
- 公開番号: JP2024152838
- 出願日: 2024-08-08
- 公開日: 2024-10-25
- 出願人: 日鉄エンジニアリング株式会社
- 名称: 電力需要予測システム及び電力需要予測方法
- 結果：類似度80%、①△、②〇、③〇、④〇、⑤△
- 要点：（産業分野）電力需要予測。（課題）電力需要の予測精度向上に有効なシステムを提供する。（解決手段）売電事業者の複数の顧客グループごとに、変動因子と電力需要の実績データを用いて需要予測モデルを生成し、各グループの予測データを統合して総電力需要を予測する。（効果・特徴）顧客グループ別の特性を考慮した高精度な需要予測を実現。
4.総括（考察・コメント）
ユーザーが入力したアイデアと抽出した公報を比較すると、以下のような考察ができます：
1.産業分野の比較：
・アイデアと抽出公報は、いずれも電力需要予測の分野に属している。
・抽出公報は主に特定地域や顧客グループを対象とした予測に焦点を当てているが、アイデアはより広範な地域での予測を目指している。
2.課題の比較：
・抽出公報は主に予測精度の向上や計算コストの削減を課題としている。
・アイデアは、地域特性を考慮した予測モデルの精度向上と、供給計画の最適化までを包括的に扱っている点で、より発展的である。
3.解決手段の比較：
・抽出公報は、機械学習や統計的手法を用いた予測モデルの構築を主な解決手段としている。
・アイデアは、深層学習と気象データ解析の組み合わせ、要因の重み付け自動調整、信頼度評価という新しいアプローチを採用している点で、既存技術とは異なる。
・特に、技術的特徴⑤（重み付け調整結果に基づく信頼度評価と供給余力算出）は、抽出公報には明確に記載されていない特徴である。
新規性や進歩性に関する意見やアドバイスを得るためには、弁理士などの専門家に相談することをお勧めします。
AIを使って、アイデアと抽出公報を対比（詳細評価）
アイデアの特徴①②③④⑤と抽出公報を対比、評価しました。
以下の通り、ご報告いたします。
・アイデアの特徴
①深層学習と気象データ解析を組み合わせた予測システム
②複数地域の電力需要実績値、気象条件、時間帯別使用パターン、季節変動要因を入力として学習
③地域ごとの電力需要予測時に各要因の重み付けを自動調整
④予測モデルの精度向上により電力供給計画を最適化
⑤重み付け調整結果に基づく需要予測値の信頼度評価と供給余力を算出
・抽出公報
公報番号：JP2024032197（出願日：2022-08-29、公開日：2024-03-12、出願人：株式会社日立製作所、名称：需要予測装置および需要予測方法）
・該否結果
※評価基準：〇（特徴の要件を全て含む）、△（特徴の要件を一部含む）、×（特徴の要件を一つも含まない）
| 公報番号(出願人) | 類似度 (%) | ① | ② | ③ | ④ | ⑤ |
|---|---|---|---|---|---|---|
| JP2024032197(日立製作所) | 60% | × | △ | △ | 〇 | △ |
特徴①と抽出公報との比較
・該否結果：×
・特徴①に対応する箇所と内容：
関連する記載無し。抽出公報では深層学習と気象データ解析の組み合わせについての具体的な記載がありません。
・補足：
特徴①は「深層学習と気象データ解析を組み合わせた予測システム」ですが、抽出公報Ⅰでは単に「需要予測モデル」という記載のみで、深層学習や気象データ解析の具体的な記載がありません。
特徴②と抽出公報との比較
・該否結果：△
・特徴②に対応する箇所と内容：
【請求項１】
「需要家の過去のエネルギーの需要実績値に基づいた需要予測モデルにより学習された需要予測値が保存された需要予測モデル保存部」
・補足：
特徴②は「複数地域の電力需要実績値、気象条件、時間帯別使用パターン、季節変動要因を入力として学習」ですが、抽出公報Ⅰでは需要実績値のみが明示的に記載されており、気象条件等の他の要因については言及がありません。
特徴③と抽出公報との比較
・該否結果：△
・特徴③に対応する箇所と内容：
【請求項１】
「需要予測演算部は、前記予測日データ入力部に入力された前記需要実績値を用いて、前記需要実績値が得られた時刻の一定時間後の予測時刻のエネルギー需要予測値を演算」
・補足：
特徴③は「地域ごとの電力需要予測時に各要因の重み付けを自動調整」ですが、抽出公報Ⅰでは予測値の演算について記載されているものの、重み付けの自動調整については具体的な記載がありません。
特徴④と抽出公報との比較
・該否結果：〇
・特徴④に対応する箇所と内容：
【要約】
「予測精度の低下を抑制し、予測モデルの学習に要する計算コストおよび計算時間を低減可能な需要予測装置および需要予測方法を実現する」
・補足：
特徴④は「予測モデルの精度向上により電力供給計画を最適化する」であり、抽出公報Ⅰにおいても予測精度の向上と効率化について明確に記載されています。
特徴⑤と抽出公報との比較
・該否結果：△
・特徴⑤に対応する箇所と内容：
【請求項１】
「エネルギー需要予測値の予測時刻の直前の一定時間前に演算された前記エネルギー需要予測値を用いて一定時間後の前記エネルギー需要予測値を演算する」
・補足：
特徴⑤は「重み付け調整結果に基づく需要予測値の信頼度評価と供給余力を算出する」ですが、抽出公報Ⅰでは需要予測値の演算について記載されているものの、信頼度評価や供給余力の算出については具体的な記載がありません。
総括（アイデアと抽出公報の比較）
1.産業分野の比較：
両者ともエネルギー需要予測の分野に属しているが、アイデアは深層学習と気象データを組み合わせた先進的なアプローチを採用している一方、抽出公報は従来型の需要予測モデルに基づくアプローチを採用している点で異なっています。
2.課題の比較：
抽出公報は予測精度の向上と計算効率化という基本的な課題に焦点を当てているのに対し、アイデアは複数の要因を考慮した総合的な需要予測と供給計画の最適化という、より広範な課題解決を目指しています。
3.解決手段の比較：
アイデアは深層学習、気象データ解析、重み付け自動調整など、より高度な技術を組み合わせた解決手段を提案しているのに対し、抽出公報は需要実績値に基づく従来型の予測手法の改良に留まっています。これらの点で、両者の技術的アプローチには明確な違いが見られます。
AIを使って、アイデアと抽出公報を対比（対比表作成）
以下は、アイデアの特徴と抽出公報に関して対比表にまとめたものです：
アイデアの特徴と抽出公報との対比表
| 特徴 | 記載箇所 | 記載内容（抽出公報から転記） | 一致点 | 相違点 | 類似度 | 関連評価 |
|---|---|---|---|---|---|---|
| ①：深層学習と気象データ解析を組み合わせた予測システム | - | 関連する記載なし | なし | 深層学習と気象データ解析の組み合わせについて記載なし | 低い | × |
| ②：複数地域の電力需要実績値、気象条件、時間帯別使用パターン、季節変動要因を入力として学習 | 【請求項1】 | 需要家の過去のエネルギーの需要実績値に基づいた需要予測モデルにより学習された需要予測値が保存された需要予測モデル保存部 | 需要実績値を用いた学習 | 気象条件、時間帯別パターン、季節変動要因の具体的記載なし | 中程度 | △ |
| ③：地域ごとの電力需要予測時に各要因の重み付けを自動調整 | 【請求項1】 | 需要予測演算部は、予測日データ入力部に入力された需要実績値を用いて、需要実績値が得られた時刻の一定時間後の予測時刻のエネルギー需要予測値を演算 | 予測値の演算機能 | 重み付けの自動調整に関する具体的記載なし | 中程度 | △ |
| ④：予測モデルの精度向上により電力供給計画を最適化 | 【要約】 | 予測精度の低下を抑制し、予測モデルの学習に要する計算コストおよび計算時間を低減可能な需要予測装置および需要予測方法を実現する | 予測精度の向上と効率化の実現 | なし | 高い | 〇 |
| ⑤：重み付け調整結果に基づく需要予測値の信頼度評価と供給余力を算出 | 【請求項1】 | エネルギー需要予測値の予測時刻の直前の一定時間前に演算された前記エネルギー需要予測値を用いて一定時間後の前記エネルギー需要予測値を演算する | 需要予測値の演算 | 信頼度評価と供給余力算出の具体的記載なし | 中程度 | △ |
■総括（考察、コメント）
- 基本構成：両者とも電力需要予測に関するシステムについて述べていますが、アプローチ方法に違いが見られます。
- 予測手法の違い：アイデアでは深層学習と気象データ解析を組み合わせた手法を採用していますが、抽出公報では具体的な予測手法についての詳細な記載がありません。
- 入力データの範囲：アイデアでは気象条件や時間帯別パターンなど多様な要因を考慮していますが、抽出公報では主に需要実績値に焦点を当てています。
- 予測精度向上：両者とも予測精度の向上を目指していますが、アプローチが異なります。アイデアでは要因の重み付け調整を通じて、抽出公報では計算コストと時間の最適化を通じて実現を図っています。
- 予測結果の活用：アイデアでは信頼度評価と供給余力の算出まで含めた包括的なシステムを提案していますが、抽出公報では需要予測値の算出に主眼を置いています。
総じて、基本的な目的である電力需要予測という点では共通していますが、具体的な実現手段や機能の範囲に大きな違いが見られます。特に、アイデアの方がより包括的かつ先進的なアプローチを採用していると評価できます。
AIを使って、アイデアと類似する特許の出願動向分析
本テーマに関連する特許出願について、出願年,出願人等の観点で分析しました。
1-1. 出願年別の傾向分析:
| 出願年 | 件数 | 主な技術トレンド |
|---|---|---|
| 2014年 | 2件 | 蓄電池評価、異常検知 |
| 2015年 | 4件 | 発電量予測、充電管理、エージェント制御 |
| 2016年 | 4件 | 系統運用支援、系統縮約、充電制御 |
| 2017年 | 2件 | 警告予測、供給電力管理 |
| 2018年 | 4件 | 異常検知、行動生成、運転計画最適化 |
| 2019年 | 4件 | EMIフィルタ設計、診断システム、データ予測 |
| 2020年 | 12件 | 需要予測、劣化推定、系統運用最適化 |
| 2021年 | 14件 | 系統安定化、故障検知、運転支援 |
| 2022年 | 10件 | 電圧管理、設備監視、予測モデル最適化 |
| 2023年 | 6件 | ウインドファーム運用、系統運用計画 |
| 2024年 | 2件 | 電力需要予測、不確実性対応 |
・補足説明
出願件数は2020-2021年にピークを迎え、AI/機械学習を活用した電力系統の運用最適化や予測技術の開発が活発化している。特に需要予測、故障検知、設備監視など、電力系統の安定運用に関する技術開発が中心となっている。近年は不確実性への対応やウインドファーム等の再生可能エネルギー関連技術の比重が高まっている傾向が見られる。
1-2. 主要出願人別の技術領域:
| 出願人 | 件数 | 主な技術領域 |
|---|---|---|
| 株式会社日立製作所 | 24件 | 系統運用最適化、需要予測、異常検知 |
| 三菱電機株式会社 | 12件 | 発電量予測、故障検知、系統安定化 |
| 中国電力株式会社 | 10件 | 設備監視、電圧管理、停電対策 |
| 株式会社東芝 | 4件 | 蓄電池評価、充電管理、情報処理 |
| 日本電気株式会社 | 4件 | 異常検知、警告予測、蓄電池制御 |
| その他 | 46件 | 需要予測、設備診断、運転支援など |
・補足説明
主要出願人は電機メーカーと電力会社が中心となっている。特に日立製作所が最も多くの出願を行っており、系統運用の最適化や需要予測など幅広い技術領域をカバーしている。電力会社は実運用に即した技術開発、電機メーカーは要素技術開発という傾向が見られる。近年は新規参入企業による出願も増加しており、技術開発の裾野が広がっている。
1-3. 技術分野別の分類:
| 技術分野 | 件数 | 主な特徴 |
|---|---|---|
| 需要予測 | 18件 | 機械学習による電力需要予測、不確実性対応 |
| 系統運用最適化 | 16件 | 系統安定化、電圧制御、潮流最適化 |
| 異常検知・診断 | 14件 | 設備異常検知、故障予測、劣化診断 |
| 発電量予測・制御 | 12件 | 再生可能エネルギー発電予測、出力制御 |
| 蓄電池管理 | 10件 | 充放電制御、劣化診断、寿命予測 |
| その他 | 30件 | 運転支援、設備監視、データ分析など |
・補足説明
需要予測と系統運用最適化が最も多く、電力系統の安定運用に直結する技術開発が重視されている。異常検知・診断も重要な技術分野となっており、予防保全の観点からの技術開発が進んでいる。再生可能エネルギーの導入拡大に伴い、発電量予測・制御の重要性も高まっている。各技術分野でAI/機械学習の活用が進んでおり、より高度な予測・制御を実現する傾向が見られる。
1-4. 技術課題別の分類:
| 技術課題 | 件数 | 主なアプローチ |
|---|---|---|
| 予測精度向上 | 25件 | 機械学習モデルの高度化、不確実性対応 |
| 系統安定性確保 | 20件 | リアルタイム制御、予防保全、異常検知 |
| 運用効率化 | 18件 | 自動化、最適化、省力化 |
| データ活用 | 15件 | ビッグデータ分析、センサー情報活用 |
| コスト低減 | 12件 | 設備利用効率向上、保守最適化 |
| その他 | 10件 | セキュリティ対策、環境負荷低減など |
・補足説明
予測精度の向上が最も重要な技術課題となっており、機械学習モデルの高度化や不確実性への対応が進められている。系統安定性の確保も重要な課題であり、予防保全や異常検知の技術開発が活発に行われている。また、運用効率化やデータ活用も重要な課題として認識されており、AI/IoTを活用した解決策の開発が進められている。
1-5. 総括
電力系統の運用に関する特許出願では、AI/機械学習技術を活用した需要予測や系統運用最適化が中心となっている。出願件数は2020-2021年にピークを迎え、主要な出願人である電機メーカーや電力会社を中心に、予測精度の向上や系統安定性の確保に向けた技術開発が進められている。特に再生可能エネルギーの導入拡大に伴う不確実性への対応や、予防保全の観点からの異常検知・診断技術の重要性が高まっている。また、IoTやビッグデータ技術の進展により、より高度なデータ活用による運用効率化も進められている。今後は、これらの技術を統合的に活用した電力系統の安定運用と効率化がさらに重要になると考えられる。
特許出願の内容を複数の観点から分析しました。
2-1. 技術分野による分類
| 技術分野 | 特徴的な出願内容 | 件数 |
|---|---|---|
| 機械学習/AI応用 | 深層学習モデル生成、予測モデル構築、異常検知 | 35件 |
| 電力系統制御 | 系統安定化、潮流予測、需給制御 | 28件 |
| エネルギー管理 | 需要予測、発電量予測、充放電制御 | 20件 |
| 設備診断/監視 | 異常診断、故障検知、設備状態監視 | 12件 |
| データ分析/最適化 | データマイニング、シミュレーション、最適化計算 | 5件 |
補足説明：技術分野の分析から、機械学習/AI技術の電力分野への応用が最も多く、特に深層学習を用いた予測や異常検知の研究開発が活発であることが分かります。次いで電力系統の安定化や制御に関する技術、エネルギー管理システムの開発が多く見られます。設備診断や監視分野でもAI技術の活用が進んでいます。
2-2. 産業分野による分類
| 産業分野 | 応用例 | 該当特許数 |
|---|---|---|
| 電力/エネルギー | 電力系統制御、発電予測、需給管理 | 45件 |
| 公共インフラ | 設備監視、保守管理、運用支援 | 25件 |
| 製造業 | 設備診断、品質管理、生産最適化 | 15件 |
| 自動車/EV | 充電管理、バッテリー制御、運用最適化 | 10件 |
| IT/システム | データ分析、予測モデル、異常検知 | 5件 |
補足説明：産業分野では電力・エネルギー分野への応用が最も多く、特に電力系統の制御や発電予測、需給管理に関する技術開発が中心となっています。次いで公共インフラの設備監視や保守管理、製造業における設備診断や品質管理への応用が見られます。EVの普及に伴い、充電管理やバッテリー制御の技術開発も増加傾向にあります。
2-3. 製品分野による分類
| 製品分野 | 具体例 | 件数 |
|---|---|---|
| 制御システム | 電力系統制御、需給制御、充放電制御 | 38件 |
| 監視/診断システム | 設備監視、異常診断、故障検知 | 25件 |
| 予測システム | 需要予測、発電予測、故障予測 | 20件 |
| 最適化システム | 運用最適化、リソース配分、計画最適化 | 12件 |
| 分析ツール | データ分析、性能評価、シミュレーション | 5件 |
補足説明：製品分野では電力系統や設備の制御システムが最も多く、次いで監視・診断システム、予測システムの開発が活発です。AIを活用した最適化システムや分析ツールの開発も増加傾向にあり、より高度な制御や予測、運用最適化を実現する製品開発が進んでいます。
2-4. 技術背景による分類
| 技術背景 | 内容 | 関連特許数 |
|---|---|---|
| 再生可能エネルギー増加 | 発電予測、系統安定化の必要性 | 30件 |
| 設備老朽化対応 | 設備診断、予防保全の重要性 | 25件 |
| デジタル化進展 | AI/IoT活用、データ活用の拡大 | 20件 |
| 省エネ要求 | エネルギー効率化、最適運用 | 15件 |
| 人材不足 | 運用自動化、業務効率化 | 10件 |
補足説明：再生可能エネルギーの導入拡大に伴う系統安定化や発電予測の必要性が最も大きな技術的背景となっています。また設備の経年劣化への対応として、AIを活用した設備診断や予防保全の技術開発が進められています。デジタル技術の進展により、AI/IoTを活用したソリューション開発も活発化しています。
2-5. 用途による分類
| 用途 | 具体例 | 件数 |
|---|---|---|
| 系統安定化 | 電力品質維持、需給バランス制御 | 35件 |
| 設備保全 | 異常検知、故障予測、診断 | 25件 |
| 運用最適化 | 効率化、コスト削減、リソース最適化 | 20件 |
| 予測支援 | 需要予測、発電予測、故障予測 | 15件 |
| 業務支援 | 意思決定支援、運用支援、計画支援 | 5件 |
補足説明：電力系統の安定化に関する用途が最も多く、次いで設備の保全管理、運用の最適化が主な用途となっています。AIを活用した予測技術の開発も進んでおり、特に需要予測や発電予測の精度向上が図られています。また、運用者の意思決定支援や業務効率化のための支援システムの開発も見られます。
2-6. 課題による分類
| 課題 | 具体的内容 | 件数 |
|---|---|---|
| 予測精度向上 | 需要予測、発電予測の高精度化 | 30件 |
| 安定性確保 | 系統安定化、品質維持 | 25件 |
| 効率化実現 | 運用効率化、コスト削減 | 20件 |
| 信頼性向上 | 設備診断精度向上、故障予防 | 15件 |
| 自動化促進 | 運用自動化、省人化 | 10件 |
補足説明：予測精度の向上が最も重要な課題として挙げられており、特に需要予測や発電予測の高精度化に向けた技術開発が進められています。また、電力系統の安定性確保や運用効率化、設備の信頼性向上も重要な課題となっています。運用の自動化や省人化に向けた取り組みも見られます。
2-7. 解決手段による分類
| 解決手段 | アプローチ | 件数 |
|---|---|---|
| AI/機械学習活用 | 深層学習、予測モデル、異常検知 | 40件 |
| データ分析高度化 | ビッグデータ解析、パターン分析 | 25件 |
| システム最適化 | 制御最適化、運用最適化 | 20件 |
| モニタリング強化 | センサー活用、状態監視 | 10件 |
| 自動制御導入 | 自動運転、自動制御 | 5件 |
補足説明：AI・機械学習技術の活用が最も主要な解決手段となっており、特に深層学習を用いた予測や異常検知の技術開発が進んでいます。また、ビッグデータ解析やパターン分析による高度なデータ分析手法の開発、システムの最適化技術の研究も活発に行われています。
2-8. 効果による分類
| 効果 | 具体的な改善点 | 件数 |
|---|---|---|
| 予測精度向上 | 需要予測、発電予測の精度改善 | 35件 |
| 安定性向上 | 系統安定性、運用信頼性の向上 | 30件 |
| 効率化実現 | 運用効率化、コスト削減 | 20件 |
| 信頼性向上 | 設備診断精度、故障予防の向上 | 10件 |
| 自動化実現 | 運用自動化、省人化の実現 | 5件 |
補足説明：予測精度の向上が最も大きな効果として挙げられており、AIの活用により需要予測や発電予測の精度が大幅に改善されています。また、系統の安定性向上や運用効率化による経済効果も重要な成果となっています。設備の信頼性向上や運用の自動化も実現されつつあります。
2-9. 総括
本特許群の分析から、電力分野におけるAI・機械学習技術の応用が急速に進展していることが明らかとなりました。特に再生可能エネルギーの導入拡大に伴う系統安定化や発電予測の必要性から、高度な予測・制御技術の開発が活発化しています。また、設備の経年化対策として、AI を活用した設備診断や予防保全技術の開発も進んでいます。これらの技術開発により、予測精度の向上、系統安定性の確保、運用効率化などの効果が得られており、今後も電力分野におけるAI技術の活用はさらに拡大していくものと考えられます。
AIを使って、アイデアと類似する技術カテゴリ抽出
本テーマに関連する特許について、技術要素等をカテゴライズしました。
| 大カテゴリ | 中カテゴリ | 小カテゴリ | 説明 |
|---|---|---|---|
| 1. データ収集・分析 | 1.1 センサーデータ処理 | 1.1.1 時系列データ解析 | センサーから取得した時系列データの解析技術 |
| 1.1.2 異常検知 | データ異常を検出する技術 | ||
| 1.1.3 ノイズ除去 | センサーデータのノイズを除去する技術 | ||
| 1.2 データ統合 | 1.2.1 データ整形 | 異なるソースのデータを統合可能な形に整形 | |
| 1.2.2 データクレンジング | 不正確・不完全なデータの修正・除去 | ||
| 1.2.3 データマッピング | 異なる形式のデータの対応付け | ||
| 1.3 特徴量抽出 | 1.3.1 統計量算出 | データの統計的特徴を抽出 | |
| 1.3.2 パターン認識 | データ内のパターンを認識する技術 | ||
| 1.3.3 次元圧縮 | 高次元データの低次元への変換技術 | ||
| 2. 予測モデル | 2.1 機械学習 | 2.1.1 教師あり学習 | ラベル付きデータを用いた学習手法 |
| 2.1.2 教師なし学習 | パターン発見のための自律的学習手法 | ||
| 2.1.3 強化学習 | 行動と報酬に基づく学習手法 | ||
| 2.2 モデル選択 | 2.2.1 パラメータ最適化 | モデルパラメータの最適値を探索 | |
| 2.2.2 モデル評価 | 予測精度等によるモデルの評価 | ||
| 2.2.3 モデル更新 | 新規データによるモデルの更新手法 | ||
| 2.3 アンサンブル学習 | 2.3.1 バギング | 複数モデルの並列学習手法 | |
| 2.3.2 ブースティング | 逐次的なモデル改善手法 | ||
| 2.3.3 スタッキング | 複数モデルの組み合わせ手法 | ||
| 3. 需給予測 | 3.1 需要予測 | 3.1.1 短期予測 | 数時間～数日先の需要予測 |
| 3.1.2 中期予測 | 数週間～数ヶ月先の需要予測 | ||
| 3.1.3 長期予測 | 数年先の需要予測 | ||
| 3.2 供給予測 | 3.2.1 発電量予測 | 発電設備の出力予測 | |
| 3.2.2 蓄電量予測 | 蓄電池の充放電予測 | ||
| 3.2.3 系統制約考慮 | 送電容量等の制約を考慮した予測 | ||
| 3.3 不確実性評価 | 3.3.1 リスク分析 | 予測誤差のリスク評価 | |
| 3.3.2 シナリオ分析 | 複数シナリオでの予測評価 | ||
| 3.3.3 信頼区間推定 | 予測値の不確実性の定量化 | ||
| 4. 系統運用 | 4.1 安定性評価 | 4.1.1 電圧安定性 | 電圧変動の安定性評価 |
| 4.1.2 周波数安定性 | 周波数変動の安定性評価 | ||
| 4.1.3 過渡安定性 | 系統擾乱時の安定性評価 | ||
| 4.2 最適制御 | 4.2.1 電圧制御 | 電圧を適正範囲に維持する制御 | |
| 4.2.2 周波数制御 | 周波数を一定に保つ制御 | ||
| 4.2.3 潮流制御 | 電力潮流を最適化する制御 | ||
| 4.3 故障対応 | 4.3.1 故障検出 | 系統故障の検出技術 | |
| 4.3.2 故障箇所特定 | 故障箇所を特定する技術 | ||
| 4.3.3 復旧制御 | 故障からの復旧制御技術 | ||
| 5. リソース管理 | 5.1 設備管理 | 5.1.1 劣化診断 | 設備の劣化状態の診断 |
| 5.1.2 保守計画 | 効率的な保守計画の立案 | ||
| 5.1.3 寿命予測 | 設備の寿命を予測する技術 | ||
| 5.2 運用最適化 | 5.2.1 起動停止計画 | 発電機の起動停止計画最適化 | |
| 5.2.2 出力配分 | 発電機への出力配分最適化 | ||
| 5.2.3 経済運用 | コストを最小化する運用計画 | ||
| 5.3 投資計画 | 5.3.1 設備増強計画 | 系統設備の増強計画立案 | |
| 5.3.2 費用便益分析 | 投資効果の定量的評価 | ||
| 5.3.3 リスク評価 | 投資リスクの評価手法 | ||
| 6. セキュリティ | 6.1 異常検知 | 6.1.1 サイバー攻撃検知 | サイバー攻撃の検知技術 |
| 6.1.2 不正アクセス検知 | 不正なアクセスの検知技術 | ||
| 6.1.3 改ざん検知 | データ改ざんの検知技術 | ||
| 6.2 データ保護 | 6.2.1 暗号化 | データの暗号化技術 | |
| 6.2.2 アクセス制御 | データへのアクセス制御技術 | ||
| 6.2.3 バックアップ | データのバックアップ技術 | ||
| 6.3 復旧対策 | 6.3.1 障害復旧 | システム障害からの復旧技術 | |
| 6.3.2 データ復元 | 失われたデータの復元技術 | ||
| 6.3.3 業務継続 | 業務継続のための対策技術 | ||
| 7. 通信・制御 | 7.1 通信方式 | 7.1.1 リアルタイム通信 | 即時性の高い通信技術 |
| 7.1.2 信頼性通信 | 高信頼性の通信技術 | ||
| 7.1.3 広域通信 | 広域にわたる通信技術 | ||
| 7.2 制御アルゴリズム | 7.2.1 分散制御 | 分散型の制御アルゴリズム | |
| 7.2.2 階層制御 | 階層的な制御アルゴリズム | ||
| 7.2.3 協調制御 | 複数機器の協調制御技術 | ||
| 7.3 インターフェース | 7.3.1 HMI設計 | ユーザインターフェース設計 | |
| 7.3.2 可視化 | データの可視化技術 | ||
| 7.3.3 操作支援 | オペレータの操作支援技術 | ||
| 8. システム統合 | 8.1 アーキテクチャ | 8.1.1 システム構成 | 全体システムの構成設計 |
| 8.1.2 機能配置 | 機能の適切な配置設計 | ||
| 8.1.3 拡張性設計 | 将来の拡張を考慮した設計 | ||
| 8.2 相互運用性 | 8.2.1 標準化対応 | 各種標準規格への対応 | |
| 8.2.2 インターフェース設計 | システム間の接続設計 | ||
| 8.2.3 データ交換 | システム間のデータ交換方式 | ||
| 8.3 性能管理 | 8.3.1 負荷分散 | システム負荷の分散技術 | |
| 8.3.2 応答性能 | システムの応答性能管理 | ||
| 8.3.3 可用性確保 | システムの可用性確保技術 |
\
AI特許調査
お問い合わせください
/
特許調査にAIを活用した新しい手法をご紹介しています。
自然言語処理や機械学習による効率的な文献探索、技術動向分析など、
具体的な活用方法について、ご不明な点やより詳しい情報が必要な際は、
お気軽にお問い合わせください。専門スタッフが丁寧にご説明いたします。
