GIS×電力統計×原単位で作る「まちごとロードカーブ」完全ガイドライン都市とまちの電力需要

序章：なぜ今、「まちごとロードカーブ」の推計が日本の脱炭素化に不可欠なのか？

日本のエネルギー政策は、2050年カーボンニュートラルの実現に向け、かつてない変革の只中にあります。

その主役となるのが、太陽光や風力といった変動性再生可能エネルギー（VRE: Variable Renewable Energy）です。しかし、これらの電源は天候に左右されるため、電力の安定供給という大原則を維持するためには、需要と供給を常に一致させる「同時同量」の仕組みが、これまで以上に高度化・複雑化しています。

この新たな課題に直面する中で、従来の電力需要予測手法はその限界を露呈しつつあります。これまでの予測は、経済成長率や人口動態といったマクロ経済指標から、電力エリア全体といった大きな単位での需要を推計する「トップダウンアプローチ」が主流でした ¹。この手法は、国や社会全体の大きなトレンドを捉える上では有効でしたが、現代のエネルギー需要の動態を捉えるには解像度があまりにも粗すぎるのです。

電気自動車（EV）の充電需要が特定の地域に集中したり、エネルギー消費の大きいデータセンターが局所的に建設されたり ⁴、あるいはデマンドレスポンス（DR）によって需要パターンが人為的に操作されたりと、電力需要はますます「局所化」し「多様化」しています。トップダウン予測では、こうしたミクロな変動を捉えることはできず、結果として配電網の過負荷や電圧変動といった問題を引き起こしかねません。

この課題を克服するため、世界的には個々の需要家のエネルギー消費を積み上げて全体の需要を推計する「ボトムアップアプローチ」へのシフトが加速しています ³。個々の建物、個々の機器レベルから需要を積み上げることで、特定の技術導入（例：太陽光パネルの設置）や政策（例：省エネ基準の強化）が、どの場所で、いつ、どの程度の影響を与えるのかを、極めて高い解像度でシミュレーションすることが可能になります。

本稿では、このボトムアップアプローチの中でも、特に日本の公開データを活用して実践可能な「合成法」について、世界最高水準の知見を基に、網羅的かつ構造的に詳説します。この手法は、以下の3つのデータピラーを統合するものです。

GIS（地理情報システム）： 「どこで」電力が使われるのかを、建物の位置・形状データから特定します。
電力統計（用途別原単位）： 「どのくらい」の電力が使われるのかを、建物の用途ごとの平均的なエネルギー消費強度から推計します。
ロードプロファイル： 「いつ」電力が使われるのかを、スマートメーターデータから生成した標準的な需要パターンを用いて定義します。

これらを合成することで、都市を構成する一軒一軒の建物が、1年8760時間にわたってどのように電力を消費するのかを推計し、それらをすべて足し合わせることで「まちごとロードカーブ」を描き出すことができます。これは、いわば都市の「エネルギー版デジタルツイン」を構築する試みです。このモデルがあれば、再生可能エネルギーの最適な導入計画から、EV充電インフラの戦略的配置、災害時のエネルギー供給計画まで、データに基づいた精緻な意思決定が可能となります。

本稿は、その理論的背景から具体的な実践手法、そして未来への展望までを網羅した、日本のエネルギー専門家のための決定版ガイドです。

第1部：理論的基盤 – 空間電力需要予測（SLF）の原理と実践

本稿で解説する合成法を深く理解するためには、まずその背景にある「ロードカーブ」と「空間電力需要予測」という2つの基本概念、そして予測アプローチの二大潮流である「トップダウン」と「ボトムアップ」の違いを明確に把握する必要があります。このセクションでは、これらの理論的基盤を体系的に整理します。

1.1. ロードカーブとは何か？：都市のエネルギー消費の「心電図」を読み解く

ロードカーブ（負荷曲線）とは、ある特定の期間における電力需要（単位：kW）の時間的な変動をグラフ化したものです。横軸に時間、縦軸に電力需要をとり、通常は1日（24時間）、1週間、あるいは1年（8760時間）といった期間で描かれます。

このカーブは、まさに都市の活動を映し出す「心電図」に例えることができます。朝、人々が起床し活動を始めると需要は上昇し、オフィスや工場が稼働する日中には高いレベルで推移します。そして夜、人々が家庭に戻り、やがて就寝すると需要は再び下降します。夏の猛暑日にはエアコンの使用で午後に鋭いピークが生まれ、休日は平日に比べて全体的に需要が低くなるなど、ロードカーブは私たちの社会活動や気象条件に密接に連動して、その形を刻一刻と変化させます。

この「心電図」を読み解く上で、いくつかの基本用語が重要となります。

ベース需要： 1日を通じて常に消費される、電力需要の基底部分。深夜でも稼働し続ける工場、インフラ、冷蔵庫などが該当します。
ピーク需要： 特定の期間（通常は1日または1年）で最も高くなる瞬間の電力需要。電力システムは、この最大瞬間風速に耐えられるだけの供給能力を確保する必要があります。
日負荷率（Daily Load Factor）： 1日の平均電力需要を、同日のピーク需要で割った値。この値が1に近いほど、1日を通じて電力需要が平準化されていることを意味し、発電設備を効率的に利用できていると言えます。
年負荷率（Annual Load Factor）： 1年間の平均電力需要を、同年間のピーク需要で割った値。これも同様に、年間を通じた電力利用の効率性を示す指標です。

都市全体のロードカーブを正確に把握することは、発電計画、送配電網の設備設計、そして電力料金の設定に至るまで、電力事業のあらゆる側面の基礎となります。

1.2. 空間電力需要予測（Spatial Load Forecasting – SLF）のフロンティア

従来のロードカーブ分析が主に「いつ、どれだけの電力が必要か」という時間的な側面に焦点を当てていたのに対し、空間電力需要予測（SLF）は、そこに「どこで」という地理的な次元を加えた、より高度な予測手法です ⁵。SLFは、都市や地域を細かい地理的単位（例：メッシュ、町丁目、あるいは個々の建物）に分割し、それぞれの単位で将来の電力需要がどのように分布し、成長していくのかを予測します。

この「どこで」という情報が、現代の電力システム計画において決定的に重要です。例えば、以下のような問いに答えるためにはSLFが不可欠です。

将来の需要増に対して、どの変電所を増強し、どこに新しい変電所を建設すべきか？ ⁹
再生可能エネルギー（特に屋根上太陽光）の導入ポテンシャルが高い地域はどこか？
EVの普及が進んだ場合、どの地域の配電網が最初に容量不足に陥る可能性があるか？

海外の先進的な電力会社では、すでにSLFが送配電網の長期設備投資計画を策定するための標準的なツールとして導入されています ⁹。GISを用いて、都市計画データ（将来の土地利用計画）、人口動態、経済成長予測などを空間的に分析し、将来の需要分布をマッピングすることで、リアクティブ（事後対応的）な設備増強から、プロアクティブ（予見的）で効率的なインフラ投資へと転換を図っています。

SLFはもはや学術的な概念ではなく、電力システムの信頼性と経済性を両立させるための、極めて実践的な技術なのです。

1.3.【徹底比較】トップダウンアプローチ vs. ボトムアップアプローチ

電力需要予測の手法は、その計算の起点によって大きく「トップダウン」と「ボトムアップ」の2つに大別されます。本稿で詳説する合成法はボトムアップアプローチに分類されますが、その特徴と優位性を理解するために、両者を比較検討することが不可欠です。

トップダウン：マクロ経済指標からのアプローチ

トップダウンアプローチは、国や電力供給エリアといったマクロな単位から予測を始め、それをより小さな単位に分解していく手法です ¹。具体的には、GDP成長率、人口推計、エネルギー価格、気象データといったマクロ変数と、過去の総電力消費量の関係を重回帰分析などの統計モデルを用いて分析します。このモデルを使って将来のマクロ変数をインプットとし、エリア全体の総需要を予測します。その後、予測された総需要を、過去の実績比率などに基づいて、産業別、業務別、家庭別といったセクターや、都道府県などの地域に配分（ブレークダウン）していきます ³。

長所： 比較的少ないデータで、マクロ経済全体の大きなトレンドを反映した長期予測を立てることが可能です ³。国レベルでのエネルギー政策の整合性を取る上では重要な役割を果たします。
短所： 最大の弱点は、その空間的・技術的な解像度の低さです。例えば、省エネ技術の革新や、特定の地域での大規模な再開発、データセンターの建設といった局所的で非連続な変化の影響をモデルに織り込むことが困難です ¹¹。また、総量を下位の階層に配分する際の「比率」が将来も安定しているという仮定に依存するため、下位レベルにいくほど予測精度が著しく低下する傾向があります ¹。

ボトムアップ：積み上げ式アプローチ

ボトムアップアプローチは、トップダウンとは正反対に、最も小さな単位から需要を積み上げて全体の需要を推計する手法です ³。その単位は、個々の需要家（住宅、ビル）、あるいはさらにミクロな個々の電気機器（エアコン、照明）レベルにまで及びます。例えば、あるエリアの家庭部門の需要を予測する場合、そのエリアの世帯数、各世帯が保有する家電製品の種類と数、それらの機器のエネルギー効率、そして人々の利用パターンなどを基に、一世帯あたりの需要を算出し、それを全世帯分足し合わせる、といったプロセスを辿ります。

長所： 特定の技術（例：太陽光パネル、EV、高効率エアコン）の導入や、特定の政策（例：省エネ基準の強化、DRプログラム）が需要に与える影響を、非常に詳細にシミュレーションできる点が最大の強みです。本稿のテーマであるSLFのように、需要の地理的な分布を高い解像度で把握することにも長けています ³。
短所： 個々の建物や機器に関する膨大なデータが必要となり、データ収集と管理、そして計算にかかるコストが高いという課題があります ³。

比較項目	トップダウンアプローチ	ボトムアップアプローチ
予測の起点	マクロ（国、電力エリア全体）	ミクロ（個々の需要家、建物、機器）
主要データ	経済指標（GDP）、人口動態、エネルギー価格	建物情報、機器保有率、エネルギー効率、利用パターン
空間解像度	低い（都道府県、電力エリア単位）	高い（町丁目、メッシュ、建物単位）
時間解像度	低い（年、月単位が主）	高い（時間、分単位も可能）
得意な分析	マクロ経済トレンドの反映、国レベルの長期見通し	技術導入・政策効果の評価、空間的な需要分布の把握
不得意な分析	局所的な開発や技術革新の影響評価	マクロ経済との整合性確保（単独では困難）
主な用途	国のエネルギー基本計画、電力広域機関の需給見通し	配電網計画、自治体の再エネ導入計画、DRポテンシャル評価
課題	下位レベルの予測精度、構造変化への追随性	データ収集コスト、計算負荷、プライバシー

両アプローチは対立するものではなく、むしろ相補的な関係にあります。実際、最も高度な予測体系は、これらを組み合わせた「階層的予測（Hierarchical Forecasting）」の枠組みで構築されます。例えば、電力広域的運営推進機関（OCCTO）がトップダウンで算定した供給エリア全体の長期需給見通し ¹³ をマクロな「総量制約」としつつ、その枠内で各地域の需要がどのように空間的・時間的に分布するのかをボトムアップで詳細に推計する、といったハイブリッドアプローチが考えられます。学術的には、トップダウン予測とボトムアップ予測の結果の矛盾を統計的に調整し、全体の整合性を取る「Forecast Reconciliation」という手法も確立されています ¹⁵。

本稿で紹介する合成法は、このハイブリッドモデルを構築する上で、最も精緻さが求められるボトムアップ部分の核心をなす技術と位置づけることができます。VREの大量導入やスマートシティ化が進む現代の都市・エネルギー計画において、空間的な解像度と技術変化への対応力を持つボトムアップアプローチの重要性は、ますます高まっています。

第2部：合成法を支える3つのデータピラー

「まちごとロードカーブ」を合成する手法は、3つの異なる種類のデータを有機的に結合させることで成り立っています。それは、①空間の器を定義する「GISデータ」、②エネルギーの強度を割り当てる「電力統計（原単位）」、そして③時間のダイナミクスを吹き込む「ロードプロファイル」です。このセクションでは、それぞれのデータピラーについて、日本で入手可能な公開データを中心に、その内容と活用法を詳説します。

2.1. 空間の器を捉える：国土地理院データ活用術

ボトムアップアプローチの出発点は、需要が発生する物理的な空間、すなわち「建物」を特定することです。そのための最も強力なツールがGIS（地理情報システム）であり、日本では国土地理院などが整備する質の高い地理空間データが公開されています。

基盤地図情報（建築物外周線）

本手法の最も基本的な空間単位となるのが、国土地理院が提供する「基盤地図情報」に含まれる「建築物の外周線」データです ¹⁶。これは、日本全国のほぼすべての建物の位置と形状を、多角形（ポリゴン）のベクトルデータとして整備したものです。このデータをGISソフトで読み込むことで、分析対象エリアに存在する一つ一つの建物をデジタル空間上に再現することができます。データのダウンロードには国土地理院のサイトでのユーザー登録（無料）が必要ですが、その後は誰でも利用可能です ¹⁷。この建物ポリゴンが、後続の分析でエネルギー消費量を割り当てるための「器」となります。

国土数値情報（土地利用細分メッシュ）

基盤地図情報の建物ポリゴンは、形状と位置の情報は持っていますが、「その建物が何に使われているか（用途）」という属性情報は含んでいません。この決定的に重要な情報を補うために活用するのが、国土交通省が提供する「国土数値情報」の「土地利用細分メッシュ」データです ²²。これは、日本全国を約100m四方のメッシュに区切り、それぞれのメッシュの代表的な土地利用種別（例：田、森林、建物用地、商業用地、幹線交通用地など）をコードで示したものです ²³。GISの空間結合（Spatial Join）という機能を使えば、各建物ポリゴンがどの土地利用メッシュに位置しているかを判定し、そのメッシュの土地利用コードを建物の属性として付与することができます。これにより、「商業用地メッシュ内にある建物は商業施設である可能性が高い」といった形で、建物の用途を推定する手がかりが得られます。ただし、このメッシュは緯度経度に基づいて定義されているため、高緯度地域と低緯度地域では実際の面積が異なる点には注意が必要です ²⁶。

データ取得から前処理までの実践的ワークフロー

データダウンロード： 国土地理院の「基盤地図情報ダウンロードサービス」から対象エリアの建築物外周線（XML形式、ファイル名に”BldL”を含む）をダウンロードします ¹⁶。同様に、国土交通省の「国土数値情報ダウンロードサイト」から土地利用細分メッシュ（シェープファイル形式など）をダウンロードします。
データインポートと座標系変換： QGISやArcGISといったGISソフトウェアを起動し、ダウンロードした両方のデータを読み込みます。日本の公開データは異なる座標系で提供されることがあるため、分析の前にすべてのデータを同一の平面直角座標系などに統一（投影変換）します。
属性情報の付与： GISの空間結合機能を用いて、建築物外周線レイヤーに土地利用細分メッシュレイヤーを結合します。これにより、各建物ポリゴンに、それが含まれるメッシュの土地利用コードが新たな属性として追加されます。このプロセスにより、何十万という建物に対して、自動的に用途の推定情報を付与することが可能になります。

データソース名	提供機関	データ形式	主な内容	空間解像度	更新頻度	本手法での主な役割
基盤地図情報建築物外周線	国土地理院	XML (GML)	全国の建物の位置と形状（ポリゴン）	建物単位	不定期（数年ごと）	エネルギー消費を割り当てる基本空間単位（器）の定義
国土数値情報土地利用細分メッシュ	国土交通省	シェープファイル, GML	約100mメッシュごとの土地利用分類	約100mメッシュ	数年ごと	建物ポリゴンに用途を推定するための補助情報
国土数値情報人口集中地区	国土交通省	シェープファイル, GML	国勢調査に基づく人口集中地区（DID）の範囲	ポリゴン	5年ごと（国勢調査ごと）	都市部と郊外を区別し、原単位を補正する際の参考情報

2.2. [電力統計] エネルギー強度を定義する：用途別「原単位」の読み解き方

GISによって建物の「器」とその推定用途が準備できたら、次のステップは、それぞれの器に「どのくらいのエネルギーが使われるか」という強度、すなわち「エネルギー消費原単位」を割り当てることです。原単位とは、一般的に「単位面積あたり、単位時間あたりのエネルギー消費量」を指し、本稿では主に「年間・床面積1㎡あたりのエネルギー消費量（単位：MJ/㎡・年または kWh/㎡・年）」を用います。

建築物エネルギー消費量調査報告書等の公的統計

日本において、建物用途別のエネルギー消費原単位に関する最も信頼性の高い情報源の一つが、一般財団法人日本ビルヂング経営センター（BEMA）が定期的に公表している「建築物エネルギー消費量調査報告書」です ²⁷。この報告書は、全国の多数のオフィスビルや商業施設などを対象とした詳細な調査に基づいており、用途別（事務所、デパート・スーパー、店舗・飲食店、ホテル、病院、学校、マンションなど）のエネルギー消費原単位（電気、ガス、油、およびそれらを合計した一次エネルギー）の実績値を提供しています ²⁷。

例えば、2019年度の調査では、建物全体のエネルギー消費原単位の加重平均値は1,456 MJ/㎡・年であったと報告されています ²⁷。用途別に見ると、24時間稼働し、高度な医療機器を多数使用する「病院」や、大規模な空調・照明・冷凍冷蔵設備を持つ「デパート・スーパー」はエネルギー集約的で原単位が高くなる一方、「事務所」や「学校」は比較的低い値を示すなど、用途によってエネルギー消費の強度に大きな差があることがデータから読み取れます ²⁷。家庭部門に関しても、国立研究開発法人建築研究所などが公表する「家庭用エネルギー統計年報」などから、世帯あたりのエネルギー消費量のデータを得ることができます ²⁸。

課題：年間データから時間別データへどうブリッジするか？

これらの公的統計が提供する原単位データは非常に有用ですが、決定的な限界も抱えています。それは、これらの値が基本的に「年間」の合計値であるという点です ²⁷。つまり、「デパートの年間電力消費量は1㎡あたりXXX kWh」ということは分かっても、「その電力が1年のうち、いつ、どのようなパターンで消費されたのか」という時間的な情報は、このデータだけでは全く分かりません。夏の平日の昼間にピークを迎え、夜間や休日は低い、というようなダイナミクスをモデルに組み込むためには、次のデータピラーが不可欠となります。

2.3. [ロードプロファイル] 時間のダイナミクスを吹き込む：スマートメーターデータからのパターン生成

年間の総エネルギー消費量という静的な数値を、時間変動を伴う動的なロードカーブに変換する役割を担うのが、「標準ロードプロファイル」です。これは、特定の用途（例：住宅、事務所）や条件（例：平日/休日、季節）における、典型的な1日の電力消費パターンを正規化（合計値が1になるように調整）したものです。このプロファイルを年間の消費量に乗じることで、時間別のロードカーブを生成します。そして、このロードプロファイルの作成に革命をもたらしたのが、スマートメーターの普及です。

スマートメーターデータが拓く可能性とプライバシーへの配慮

スマートメーターは、従来型の月１回の検針メーターとは異なり、30分ごと（将来的にはさらに短い5分値の取得も計画）といった高い時間解像度で電力消費量を計測・記録します ²⁹。この高頻度のデータは、需要家の電力利用実態を前例のない詳細さで明らかにし、精緻なロードプロファイルの作成を可能にします ³¹。一方で、電力消費パターンからは、その家の世帯構成や在宅状況、生活リズムまで推測できてしまうため、個人のプライバシー保護が極めて重要な課題となります ³⁰。そのため、実データを利用する際には、個人が特定できないように匿名化処理を施したり、多数のデータを統計的に処理したりといった配慮が不可欠です。

クラスタリング分析による代表的需要パターンの抽出

何千、何万という需要家から得られる膨大なスマートメーターデータの中から、典型的な消費パターンを見つけ出すために用いられるのが、「クラスタリング」と呼ばれる機械学習の手法です ³¹。これは、特別な指示（教師データ）なしに、データの中から似たもの同士を自動的にグループ分けする技術です。

電力需要パターンの分析では、特に「k-means法」というアルゴリズムが広く用いられます ³³。この手法では、まず分析者が「いくつのグループ（クラスター）に分けたいか」という数（k）を決めます。すると、アルゴリズムが自動的にデータをk個のグループに分類し、各グループの「中心（セントロイド）」、すなわちそのグループに属する全データの平均的なパターンを計算します。このセントロイドこそが、そのグループを代表する「標準ロードプロファイル」となるのです。

例えば、住宅のスマートメーターデータ（平日分）をクラスタリングすると、以下のような特徴的なパターンが抽出されることがあります ³⁵。

クラスター1：朝夕ピーク型（多くの就業者世帯に見られる、朝と夕食後の時間帯に需要のピークがあるパターン）
クラスター2：日中在宅型（専業主婦（主夫）や高齢者の世帯に見られる、日中も比較的高い需要が続くパターン）
クラスター3：夜型（単身者などに見られる、活動開始が遅く、深夜まで需要が高いパターン）

このようにして、建物用途（住宅、事務所、店舗など）、曜日（平日/休日）、季節（夏期/冬期/中間期）の組み合わせごとに標準ロードプロファイルを作成しておくことで、あらゆる建物に対して、その属性に応じた時間消費パターンを割り当てることが可能になります。データの次元削減（例：主成分分析PCA、ウェーブレット変換）などの前処理を行うことで、クラスタリングの精度と計算効率を向上させる研究も進んでいます ³⁶。

これら3つのデータピラーは、それぞれ異なる性質と、そして異なる「不確実性」を内包しています。GISデータにおける用途推定の誤差、原単位データが持つ平均値としてのばらつき、ロードプロファイルが代表するパターンの単純化。これらをナイーブに掛け合わせるだけでは、誤差が積み重なり、信頼性の低い結果になりかねません。

高度な推計モデルとは、まさにこれらの不確実性を統計的に管理し、最も確からしい全体像を描き出すプロセスそのものなのです。例えば、ある建物が「80%の確率で商業施設、20%の確率で事務所」といった確率的な用途を持たせたり、原単位に統計的な分布を仮定してモンテカルロシミュレーションを行ったりすることで、単一の予測値だけでなく、その信頼区間を含めた、よりロバストな推計が可能になります。

第3部：実践編 – 「まちごとロードカーブ」合成プロセス・ステップバイステップ

第2部で詳説した3つのデータピラーを統合し、実際に「まちごとロードカーブ」を合成する具体的な手順を、数式や疑似コードを交えながら解説します。ここでは、オープンソースのGISソフトウェアであるQGISと、データ分析で広く使われるプログラミング言語Python（特にPandasやGeoPandasといったライブラリ）の使用を想定したワークフローを示します。

Step 1：GIS上での都市モデル構築（建物ポリゴンと属性情報の統合）

すべての分析の基礎となる、デジタル上の都市モデルを構築します。

QGISを起動し、国土地理院からダウンロードした対象エリアの「建築物外周線」データ（XML/GML形式）を読み込みます。
読み込まれた建物ポリゴンレイヤーの属性テーブルを開き、各ポリゴン（＝各建物）に一意のID（例：Building_ID）を付与します。これは後のデータ結合の際にキーとなります。
QGISのフィールド計算機を使い、各建物ポリゴンの面積を計算し、新しい属性フィールド（例：Area_sqm）に保存します。この時点では、これは建物の建築面積（ footprint area）です。
もし、別途建物の階数情報（Num_Floors）が利用可能であれば（例えば、自治体が公開するデータや、3D都市モデルPLATEAUのデータなど）、これを建物ポリゴンに結合します。そして、延床面積（FloorArea_sqm）を Area_sqm × Num_Floors で計算します。階数情報がない場合は、土地利用種別ごとに平均階数を仮定する（例：商業地は5階、第一種低層住居専用地域は2階など）といった簡便法を用いることになりますが、これが推計誤差の一因となることを認識しておく必要があります。

Step 2：各建物への用途分類と延床面積の割り当て

次に、各建物が何に使われているのかを推定し、属性として付与します。

国土交通省からダウンロードした「土地利用細分メッシュ」データをQGISに読み込みます。
QGISの「空間結合（Join attributes by location）」機能を用いて、建物ポリゴンレイヤー（入力レイヤー）に土地利用メッシュレイヤー（結合レイヤー）を結合します。これにより、各建物ポリゴンは、自身が位置するメッシュの土地利用コード（例：L03_b_100）を新たな属性として受け取ります。
土地利用コードの定義に基づき、各建物に推定用途（Use_Type）を割り当てます。例えば、土地利用コードが「商業地」を示すものであればUse_Typeを「商業」、「住宅地」を示すものであれば「住宅」と分類します。一つのメッシュに複数の用途が混在するケースも多いため、都市計画用途地域（例：商業地域、工業地域、住居専用地域）のデータを重ね合わせるなど、複数の地理情報を組み合わせることで、用途推定の精度を高めることができます ⁹。

Step 3：建物ごとの年間電力消費量の推計（延床面積 × 電力原単位）

各建物の物理的な情報（延床面積）と用途情報が揃ったところで、エネルギー消費の「強度」を掛け合わせます。

BEMAの「建築物エネルギー消費量調査報告書」 ²⁷ などに基づき、建物用途（Use_Type）と、それに対応する年間・単位面積あたりの電力消費原単位（EUI_kWh_per_sqm_year）をまとめたテーブル（CSVファイルなど）を準備します。

Use_Type	EUI_kWh_per_sqm_year
事務所	130
商業	250
住宅	60
…	…

GISで作成した建物属性テーブルをPython（Pandas）で読み込み、この原単位テーブルをUse_Typeをキーとして結合（マージ）します。
各建物 i について、以下の計算式を用いて年間の総電力消費量（Annual_kWh_Building_i）を推計します。

Annual_kWh_Building_i = FloorArea_sqm_i \times EUI_kWh_per_sqm_year_{(Use_Type_i)}

この計算をすべての建物について実行することで、エリア内の各建物が1年間に消費する電力の総量が推計されます。

Step 4：標準ロードプロファイルの適用による時間解像度データへの変換

年間の総消費量を、1年8760時間の時間別データに分解します。

第2.3節で解説したクラスタリングなどの手法により、事前に用途別（Use_Type）、季節別（Season）、曜日別（DayType：平日/休日）の標準ロードプロファイル（LP_profile）を準備しておきます。各プロファイルは、1時間ごとの電力消費の割合を示す8760個の数値からなる配列（または24個の数値の繰り返し）で、1年間の合計値が1になるように正規化されています。
各建物 i の、ある特定の時間 t における電力需要 LoadCurve_kW_Building_i(t) を、以下の計算式で生成します。

LoadCurve_kW_Building_i (t) = Annual_kWh_Building_i \times LP_profile_{(Use_Type_i, Season(t), DayType(t))}

ここで、Season(t) は時間 t が属する季節（夏期/冬期/中間期）を、DayType(t) は時間 t が属する曜日タイプを返す関数です。この計算を、エリア内のすべての建物 i と、1年間のすべての時間 t（1から8760まで）について実行します。これにより、建物ごとの時間別ロードカーブが生成されます。

Step 5：全建物のロードカーブの積算と「まちごとロードカーブ」の完成

最後に、エリア内のすべての建物の需要を時間ごとに足し合わせます。

分析対象エリアに含まれる全建物（N棟とする）について、各時間 t の電力需要を合計します。

Total_LoadCurve_kW_City (t) = i = 1 \sum N LoadCurve_kW_Building_i (t)

この計算を t = 1 から 8760 まで行うことで、都市全体の1年間の時間別ロードカーブが完成します。結果はグラフとして可視化し、例えば夏の平日のピークが14時頃に現れるか、冬の休日は朝と夕方の2つの山を持つか、といった特徴を確認し、推計結果の妥当性を定性的に評価します。

Step 6：既知の変電所データ等を用いた推計結果の検証と補正

この合成法は、用途推定、平均的な原単位、代表的なロードプロファイルなど、多くの仮定に基づいています。そのため、モデルの信頼性を確保するためには、実データを用いた検証（Validation）と補正（Calibration）のプロセスが不可欠です。

検証： もし、分析対象エリアを管轄する変電所の総需要データや、自治体単位での電力消費量の統計データなど、比較可能な「正解データ」が入手できる場合、Step 5で推計したロードカーブの合計値やパターンをそれらと比較します。
補正： 推計値と実測値の間に大きな乖離が見られる場合、その原因を探ります。例えば、エリア全体のピークが推計よりも高い場合、原単位の値を全体的に上方修正したり、ピーク時間帯のロードプロファイルの値を大きくしたりといった調整を行います。特定の用途（例：大規模工場やデータセンター）がエリア内に存在し、それが誤差の主要因であると特定された場合は、その施設だけは平均的な原単位を使わず、個別の情報に基づいて需要をモデルに組み込むといった対応も必要です。

この検証と補正のサイクルを繰り返すことで、推計モデルの精度と信頼性は着実に向上していきます。

第4部：応用と展開 – 推計モデルが拓く未来の都市・エネルギーマネジメント

第3部で構築した高解像度の電力需要モデルは、単に将来の需要を予測するだけのツールに留まりません。このモデルの本質的な価値は、都市のエネルギーシステムに関する多様な「what-if」シナリオを、時空間的に評価できるシミュレーションプラットフォームとしての機能にあります。これは、静的な予測ツールではなく、政策立案者や都市計画者が様々な施策の影響を事前にテストし、比較検討するための動的な「政策実験室（Policy Laboratory）」として機能します。このセクションでは、その具体的なユースケースを3つの側面から探ります。

4.1. ユースケース1：再生可能エネルギー導入ポテンシャル評価

屋根上太陽光発電の適地分析と発電量シミュレーション

都市部における再生可能エネルギー導入の切り札である屋根上太陽光発電のポテンシャルを、建物レベルで詳細に評価できます。GIS上で、本モデルで作成した建物ポリゴンデータに、日射量データベースや航空レーザー測量から得られる屋根の傾斜・方位情報を組み合わせることで、各建物の屋根に設置可能な太陽光パネルの面積と、その年間推定発電量を算出します。さらに、推計した建物ごとの電力需要カーブと、時間別の日射量からシミュレートした発電量カーブを重ね合わせることで、各建物、あるいは町丁目といったエリア単位でのエネルギー自給率や、電力系統へ逆潮流する余剰電力量を時間単位で精密に評価できます。これにより、「どの地域に太陽光パネルを重点的に導入すれば、地域の電力ピークカットに最も貢献できるか」といった戦略的な導入計画の立案が可能になります。

EV充電インフラの最適配置計画

電気自動車（EV）の普及には、充電インフラの整備が不可欠ですが、無計画な設置は配電網に大きな負荷をかけます。本モデルを用いることで、EV充電需要を時空間的にシミュレーションし、最適な配置計画を策定できます。例えば、住宅地では夜間の帰宅後から翌朝にかけての基礎充電需要が、商業施設では日中の買い物時間中の急速充電需要が、オフィス街では勤務時間中の普通充電需要が支配的になります。これらの異なる需要パターンを、それぞれの土地利用に対応する建物のロードカーブに上乗せする形でモデル化します。これにより、「どの時間帯に、どの地域の配電網が逼迫するリスクがあるか」を可視化し、系統への負荷が比較的小さく、かつ利用者の利便性も高い充電ステーションの設置場所を科学的に特定することができます。

4.2. ユースケース2：次世代電力系統運用

デマンドレスポンス（DR）やVPP（仮想発電所）の効果算定

DRやVPPは、電力の需要側を能動的に制御することで、供給とのバランスを取る未来の電力システムの鍵となる技術です。本モデルは、これらの施策がもたらす効果を定量的に評価するための強力なツールとなります。例えば、「夏の電力需要がピークを迎える14時から17時の間、対象エリア内のすべての事務所ビルの空調設定温度を1℃上げる」というDR施策を実行した場合、エリア全体のピーク需要が何kW削減されるのかをシミュレーションできます。事務所ビル一棟あたりの空調需要の割合と、設定温度変更による削減率をパラメータとしてモデルに組み込むことで、建物ごとの削減量を算出し、それをエリア全体で集計するのです。これにより、机上の空論ではない、地域の実態に即したDRリソースのポテンシャル量を評価し、効果的なインセンティブ設計などに繋げることができます。

配電網のボトルネック予測と設備投資計画の高度化

本モデルで推計した建物レベルの電力需要を、電力会社が保有する配電系統図（どの建物がどの配電線・変圧器に接続されているかを示す地図）にマッピングすることで、電力系統の運用・計画を劇的に高度化できます ⁹。例えば、GIS上で「この地域に500戸の大規模マンションが建設される」という将来の都市開発シナリオを想定します。モデル上で新たな建物ポリゴンを追加し、用途を「集合住宅」として需要カーブを生成・加算するだけで、その開発によって周辺のどの配電線や変圧器が容量オーバーの危機に瀕するかを、何年も前に予測することが可能になります。これは、問題が発生してから対応する従来のリアクティブな設備管理とは一線を画すものです。将来の需要増を空間的に予測し、最も費用対効果の高いタイミングと場所で設備投資を行う「プロアクティブなアセットマネジメント」を実現し、電力インフラ投資の全体的な効率化に貢献します。

4.3. ユースケース3：スマートシティ・まちづくり

3D都市モデル（PLATEAU）との連携によるエネルギー可視化

国土交通省が主導する3D都市モデル整備プロジェクト「PLATEAU」は、都市のデジタルツイン構築に向けた重要な基盤です。本手法で推計した建物ごとの年間エネルギー消費量や時間別ロードカーブを、PLATEAUが提供する精緻な3D建物モデルに属性情報として統合することで、都市のエネルギー消費状況を誰にでも直感的に理解できる形で3D可視化できます ³⁷。例えば、エネルギー消費量の多い建物を赤く、少ない建物を青く色分けして表示したり、時間とともに変化する需要の様子をアニメーションで示したりすることが可能です。こうした「見える化」は、市民や事業者に対する省エネルギー行動の喚起や、新たなまちづくり計画に対する合意形成のプロセスにおいて、強力なコミュニケーションツールとなります。

都市再開発がエネルギー需要に与える影響の事前評価

まちづくりや都市計画は、一度実行すると後戻りが難しい、長期的な影響を及ぼす意思決定です。本モデルは、エネルギーという側面から、持続可能な都市計画を支援します。「駅前のこの区画を、低層の商業ビル群から、オフィス・商業・住宅の複合高層ビルに建て替えた場合、地域のロードカーブや年間エネルギー消費量はどのように変化するのか？」といった問いに対して、具体的な答えを提示できます。GIS上で対象区画の建物ポリゴンの属性（用途、延床面積、階数など）を変更し、再度需要計算を実行するだけで、再開発前後のエネルギー需要の変化を定量的に比較・評価できるのです。これにより、複数の開発シナリオをエネルギー効率の観点から比較検討し、より環境負荷の少ない、持続可能なまちづくり計画の策定に貢献します。

第5部：課題、そして未来へ – 高精度化に向けた挑戦と展望

本稿で提示した合成法は、都市の電力需要を高い解像度で理解するための強力な枠組みですが、決して万能ではありません。その精度と実用性をさらに高めていくためには、克服すべきいくつかの課題が存在します。この最終部では、現在の課題を直視しつつ、機械学習（ML）や人工知能（AI）といった最先端技術が切り拓く未来の展望を描きます。

5.1. 横たわる課題：データ入手性、プライバシー保護、計算コスト

データ入手性

モデルの精度は、入力データの質と量に大きく依存します。現状ではいくつかのデータギャップが存在します。

スマートメーターデータへのアクセス： 電力会社が保有する個々の需要家の詳細な消費データ（生データ）は、プライバシーと情報セキュリティの観点から、研究者や自治体が自由にアクセスすることは困難です。統計的に処理されたデータや、限定的なサンプルデータに頼らざるを得ないのが現状です。
建物の詳細属性データ： 建物の正確な延床面積を算出するために不可欠な「階数」や、建築年、構造、断熱性能といった、エネルギー消費に影響を与える詳細な属性データは、全国的に統一された形で整備されていません。
特殊施設のデータ： 大規模な工場、冷凍倉庫、そして特に近年急増しているデータセンター ⁴ などは、一般的な建物とは全く異なる特殊な需要パターンと桁違いの消費量を持つため、公開統計に基づく平均的な原単位では全くモデル化できません。これらの施設については、個別のヒアリングや公表情報に基づくデータ収集が不可欠となります。

プライバシー保護

スマートメーターデータの活用が進むほど、プライバシー保護の重要性は増していきます ³⁰。個々の電力消費パターンは、その人のライフスタイルを映し出す鏡であり、その取り扱いには最大限の注意が必要です。個人の同意取得プロセスを明確化するとともに、データを匿名化・統計化する技術（例：差分プライバシー）の導入や、データ利用に関する社会的なルール作りを、技術開発と並行して進めていく必要があります。

計算コスト

大都市全域を対象に、何十万、何百万という建物一つ一つについて、1年8760時間の電力需要を計算するプロセスは、相応の計算機リソース（CPU、メモリ、ストレージ）と時間を要します。特に、シナリオ分析で多数の計算を繰り返し行う場合、計算コストは無視できない問題となります。効率的なアルゴリズムの開発や、クラウドコンピューティングの活用などが、実用化に向けた鍵となります。

5.2. さらなる高みへ：機械学習・AIによる予測精度向上

これらの課題を乗り越え、モデルをさらに高精度化する上で、機械学習やAI技術が大きな可能性を秘めています。

用途推定の高度化

現在の土地利用メッシュに依存した用途推定は、精度に限界があります。この点を克服するため、高解像度の衛星画像や航空写真から、ディープラーニング（深層学習）の一種であるCNN（畳み込みニューラルネットワーク）を用いて建物の外観的特徴を抽出し、その用途を自動で分類する研究が世界的に進んでいます ⁸。例えば、屋根に多数の室外機が並んでいれば商業施設、大きな駐車場が併設されていれば大規模店舗、といったように、画像から得られる情報を用いて、より確からしい用途を建物ごとに割り当てることが可能になります。

ロードプロファイルの動的生成

本稿で示した手法は、あらかじめ用意された静的な「標準ロードプロファイル」を適用するものでした。しかし、実際の電力需要は、その日の気温、湿度、日射量、あるいは地域のイベントの有無など、様々な要因によって動的に変動します。この変動を捉えるため、LSTM（Long Short-Term Memory）に代表される時系列データ処理に優れたリカレントニューラルネットワーク（RNN）を用いるアプローチが有望です ¹⁰。過去の電力需要データと、それに対応する気象データやカレンダー情報（曜日、祝日など）をAIに学習させることで、将来の気象予報を入力として、その日の状況に応じたロードカーブを建物ごと、あるいはエリアごとに動的に生成することが可能になります。これにより、特に需要が極端に振れる猛暑日や厳冬日における予測精度を大幅に向上させることが期待できます。

5.3. 未来展望：リアルタイムデータと連携した「都市エネルギー・デジタルツイン」の構築

本稿で解説してきたボトムアップ合成モデルの最終的な進化形は、リアルタイムデータと連携し、常に現実世界と同期し続ける「都市エネルギー・デジタルツイン」の構築です。

これは、GIS上の静的な都市モデルを、リアルタイムで流入するデータによって生命を吹き込まれた動的なモデルへと昇華させるビジョンです。スマートメーターから送られてくる数分単位の電力消費データ、気象センサーが捉える刻一刻と変化する気温や日射量、交通システムが把握する人々の移動データ、SNSから発信されるイベント情報。これらの多様なリアルタイムデータをモデルに統合し、常に数分後、数時間後のエネルギー需要の未来を予測し続けます。

このデジタルツインが実現すれば、真のスマートグリッド、スマートシティの司令塔として機能します。例えば、デジタルツイン上で猛暑による電力需要の急増が予測された場合、AIが自動的に最も効果的なエリアと需要家を特定し、DRの発動を要請する。EVの充電が特定の配電網に集中し始めたことを検知し、充電タイミングを自律的に分散させるよう誘導する。あるいは、大規模災害で送電網が寸断された際には、地域の太陽光発電や蓄電池、EVを最適に組み合わせ、重要な施設への電力供給を維持するマイクログリッドの運用計画を瞬時に立案する。

道のりはまだ長く、技術的・制度的な課題も山積していますが、本稿で詳説したボトムアップでの「まちごとロードカーブ」の推計は、この壮大なビジョンを実現するための、確かな第一歩となるものです。

結論：データ駆動型アプローチが加速させる日本のエネルギー転換

本稿では、「GIS×電力統計×用途別原単位の合成法」というボトムアップアプローチを用いて、都市全体の電力需要ロードカーブを高い解像度で推計する手法について、その理論的背景から具体的な実践プロセス、応用展開、そして未来の展望までを網羅的に解説しました。

この手法は、日本のエネルギー転換が直面する根源的な課題、すなわち「天候に左右される再生可能エネルギーの出力と、時々刻々と変動する電力需要を、いかにして時空間的に調和させるか」という極めて複雑な問いに対する、具体的かつ強力なソリューションの一つです。

従来のトップダウン型予測では捉えきれなかった、都市内部のエネルギー消費の不均一性やダイナミクスを解き明かし、データに基づいて精緻なシミュレーションを可能にすること。この能力こそが、不確実性が増す未来において、賢明なインフラ投資や効果的なエネルギー政策を立案するための羅針盤となります。

配電事業者がボトルネックを予見し、効率的な設備投資を行うために。自治体が地域の特性に合った再生可能エネルギー導入計画を策定するために。そして、新たなエネルギーサービス事業者が、DRやVPPといった未来のビジネスを創造するために。本稿で提示したデータ駆動型アプローチは、あらゆるステークホルダーにとって、行動を起こすための共通の地図となり得ます。

もちろん、データの壁やプライバシーの課題など、乗り越えるべきハードルは存在します。しかし、オープンデータを活用し、スモールスタートでモデルを構築し、検証と改善を繰り返していくことで、着実にその価値を高めていくことができます。データに基づき、解像度高く未来をシミュレートする能力を獲得すること。それこそが、日本のカーボンニュートラルへの道を加速させる、最も確かな推進力となるでしょう。

【付録】

FAQ（よくある質問）

Q1. この手法を始めるために最低限必要なデータとツールは何ですか？

A: 最低限必要なのは、①国土地理院の基盤地図情報（建築物外周線）、②国土交通省の国土数値情報（土地利用細分メッシュ）、③BEMAなどが公表する建物用途別のエネルギー消費原単位統計、の3種類のデータです。ツールとしては、オープンソースのGISソフトウェアであるQGISと、基本的なデータ処理・計算を行うためのスプレッドシートソフト（Excelなど）があれば、基本的な推計は可能です。より大規模な分析や自動化を目指す場合は、Python（Pandas, GeoPandasライブラリ等）やRといったデータ分析向けのプログラミング環境の利用が推奨されます。

Q2. 個人住宅レベルの精度はどの程度期待できますか？

A: このモデルは、個々の住宅の電力消費量をピンポイントで正確に予測することを目的としていません。個々の家庭のライフスタイルは多様であり、平均的なパターンからの乖離が大きいため、個別住戸レベルでの予測誤差は大きくなる傾向があります。このモデルの真価は、多数の建物を集計した町丁目、あるいは変電所の供給エリアといった「集合体」レベルで、統計的に確からしい需要パターンと総量を再現することにあります。個々の誤差はプラスマイナスで相殺され、集合体として見ると実態に近い結果が得られる「大数の法則」が働くためです ¹¹。

Q3. データセンターや大規模工場など、特殊な施設の扱いはどうすればよいですか？

A: これらのエネルギー多消費施設は、一般的な建物用途の「その他」として平均的な原単位を適用すると、結果に極めて大きな誤差を生じさせる原因となります。したがって、これらの施設はモデルの中で特別に扱う必要があります。可能な限り、企業のCSR報告書、環境報告書、ニュースリリース、あるいは自治体への届出情報などから、その施設の公称消費電力量や契約電力を調査します。そして、それらを平均原単位に基づく推計値に置き換えるか、あるいは独立した「点」の需要源としてモデルに個別に追加することが、全体の精度を向上させる上で極めて重要です。

Q4. このモデルの更新頻度はどのくらいが適切ですか？

A: モデルの更新は、基礎となる入力データの更新サイクルに合わせて行うのが合理的です。基盤地図情報や国土数値情報といったGISデータの更新は数年に一度、エネルギー消費統計は年1回が基本です。したがって、都市構造の大きな変化（大規模な再開発など）や、省エネ技術のトレンド、エネルギー消費原単位の変化をモデルに反映させるためには、年1回程度の頻度でモデル全体を更新・再計算するのが現実的かつ適切と考えられます。

Q5. 海外の都市でもこの手法は適用可能ですか？

A: はい、適用可能です。本稿で解説した「GISで建物を特定し、統計でエネルギー強度を割り当て、代表パターンで時間分解する」という手法の原理は普遍的です。ただし、実際に適用する際には、その国や都市で利用可能なデータソースに合わせて、入力データを置き換える必要があります。例えば、米国の場合は国勢調査局のTIGER/Lineファイルや、各郡の固定資産税（Property tax）評価データが建物の位置や用途の特定に利用できます。エネルギー消費統計についても、米国エネルギー情報局（EIA）が公表するCBECS（商業ビル）やRECS（住宅）といった詳細な調査データが存在します。各国のデータ事情に合わせて、適切な情報源を探索・選択することが成功の鍵となります。

【Table 3: 主な建物用途別の電力消費原単位（年間）の例】

建物用途	電力消費原単位 (kWh/㎡・年)	一次エネルギー消費原単位 (MJ/㎡・年)	出典（参考）
事務所	133.6	1,515	BEMA 建築物エネルギー消費量調査報告書第44報 (2020年度値)
デパート・スーパー	275.6	3,111	BEMA 建築物エネルギー消費量調査報告書第44報 (2020年度値)
店舗・飲食店	215.8	2,714	BEMA 建築物エネルギー消費量調査報告書第44報 (2020年度値)
ホテル	204.4	2,827	BEMA 建築物エネルギー消費量調査報告書第44報 (2020年度値)
病院	231.7	3,244	BEMA 建築物エネルギー消費量調査報告書第44報 (2020年度値)
学校	63.9	948	BEMA 建築物エネルギー消費量調査報告書第44報 (2020年度値)
マンション	60.0	920	BEMA 建築物エネルギー消費量調査報告書第44報 (2020年度値)

注：上記はあくまで一例であり、実際の値は調査年度、建物の規模や築年数、地域などによって変動します。電力から一次エネルギーへの換算係数も年度により見直されます。正確な分析には、最新の報告書を参照することが不可欠です。

本稿のファクトチェック・サマリー

本記事で引用したデータや数値は、国土地理院、国土交通省、経済産業省、一般財団法人日本ビルヂング経営センターなどの公的機関および業界団体が公表した統計、報告書、審議会資料に基づいています。
本稿で解説した手法に関する記述は、IEEE Transactions on Power Systems、Renewable and Sustainable Energy Reviewsなどの査読付き学術論文や、Esri User Conferenceなどの国際会議プロシーディングスで発表・検証された科学的知見を参考に構成されています。
スマートメーターに関する技術仕様やデータ活用の議論については、経済産業省の次世代スマートメーター制度検討会の公開資料に基づいています ²⁹。
各情報の正確な出典元は、以下の引用・参考文献一覧に明記しており、すべての情報源は追跡可能です。