「今月の電気代が高い」——でも本当に異常なのか、それとも増産や猛暑のせいなのか。生産量や外気温を説明変数として正常な電力ベースラインを推定できれば、条件の違いを差し引いた上で「説明のつかない乖離」だけを異常候補として拾えます。本記事はその考え方と、モデルが裏切る場面までを扱います。
電力単価の高騰、省エネ法の定期報告、取引先からのCO2排出量の開示要請——工場や物流拠点の現場担当者にとって、電力量はいまや「払っておしまい」の費目ではなく、説明を求められるデータになりました。ところが月次の電気代明細や日別のkWhグラフをいくら眺めても、「先月より2割増えた」という事実の先に進めない、という声をよく聞きます。増えた理由が増産なのか、猛暑でチラーが回り続けたのか、それともどこかの設備が無駄に電気を食っているのか。絶対値の増減だけでは、この切り分けができないからです。
この「切り分けられなさ」は現場の実務を確実に鈍らせます。増産期に電力が増えるのは当然なのに、そのグラフを見て「省エネしろ」と言われても打ち手がない。逆に、生産が落ちているのに電力が下がらない月があっても、全体の数字に紛れて気づけない。工場の電力異常を検知したいという要望の裏には、たいていこの「条件の違いを差し引いて見たい」という切実な願いが隠れています。
本記事が扱うのは、その願いに応えるための一つの考え方——電力ベースラインのモデル化です。生産量や外気温といった「電力を左右する条件」から、その日あるべき電力（正常値）を推定し、実測との差だけを見る。差が説明できなければ異常候補として拾う。単純ですが、絶対値を見るのとは根本的に異なるアプローチです。同時に、このモデルが平気で裏切る場面も正直にお伝えします。
電力ベースラインとは、ごく素朴に言えば「与えられた条件のもとで期待される電力量」です。たとえば同じ工場でも、フル稼働で真夏の日と、半日稼働で春の日とでは、消費電力が違って当たり前です。この「当たり前」を条件ごとに数式で表したものがベースラインであり、実測がその線からどれだけ離れているかを見るのが、モデル化の目的になります。
電力の見える化ツールは、現状のkWhをグラフに描いてくれます。しかしグラフは「何が正常で何が異常か」の基準を持ちません。ベースラインは、その基準そのものを条件付きで用意する試みです。言い換えれば、見える化が「今いくら使っているか」を示すのに対し、ベースラインは「今の条件なら、いくら使うのが妥当か」を示します。この一歩の差が、改善行動につながるかどうかを分けると考えられます。
生産量あたりの電力量を示すエネルギー原単位も、条件を差し引いて評価する道具です。原単位（kWh／生産数）は「生産量」という一つの条件で電力を割った、いわばベースラインの簡易版と捉えることもできます。ただし原単位は、生産量がゼロに近い日や、外気温の影響が大きい空調・冷凍設備では歪みやすい。ベースラインのモデル化は、生産量以外の条件（外気温・稼働台数・曜日など）も同時に扱うことで、原単位だけでは説明しきれない変動を分解しようとする発想だと整理できます。
ベースラインの精度は、どの条件（説明変数）を使うかでほぼ決まります。ここで大切なのは、統計的にきれいに当てはまる変数ではなく、物理的に電力を動かしている要因を選ぶことです。因果の裏付けがない相関に頼ると、条件が変わった瞬間にモデルは崩れます。現場でまず候補になるのは次のような変数だと考えられます。
生産数、加工点数、ライン稼働時間、稼働設備の台数など。多くの製造現場で電力の最大の説明要因になります。ただし「生産数」と一口に言っても、品種によって消費電力が大きく異なる場合があります。多品種の現場では、単純な生産数ではなく品種を区別した指標や、加工時間ベースの指標のほうが素直に効くことがあります。
空調、チラー、冷凍冷蔵倉庫、コンプレッサーなどは外気温や湿度に強く依存します。ここで注意したいのは、外気温と電力の関係が直線ではないことです。ある温度を超えると急に冷房負荷が立ち上がる、といった折れ曲がり（しきい値）があるのが普通です。日平均気温だけでなく、最高気温や「冷房が必要な度合い」を表す指標（暑さの積算的な考え方）まで踏み込むと、当てはまりが変わることがあります。
曜日、シフト、休日、立ち上げ・立ち下げの時間帯。待機電力や段取りの電力は生産量に比例しないため、これらを無視すると休日や夜間の乖離を「異常」と誤検知しがちです。逆に言えば、稼働していないはずの時間帯に電力が落ちない、という乖離こそが待機電力の無駄を示す貴重なサインになりえます。何を正常とみなすかを、時間帯まで含めて定義しておくことが重要だと考えます。
モデル化と聞くと機械学習を思い浮かべるかもしれませんが、最初から複雑なモデルに飛びつくことはおすすめしません。理由は精度ではなく、解釈可能性です。現場で使うベースラインは、外れたときに「なぜ外れたか」を人が説明できることに価値があります。まずは説明変数と電力の散布図を描き、関係の形（直線か、折れ曲がりか、頭打ちか）を目で確かめるところから始めるのが健全だと考えます。
生産量と外気温を説明変数にした重回帰は、係数が「生産1単位あたり何kWh」「気温1度あたり何kWh」と読めるため、現場の直感と照らし合わせやすいのが利点です。外気温のしきい値がある場合は、区分ごとに傾きを変える（折れ線的に扱う）と実態に近づきます。決定係数などの当てはまり指標だけでなく、残差（実測−推定）を時系列で並べて、特定の時期や条件で偏っていないかを必ず確認します。残差の偏りは、モデルが取りこぼしている要因の存在を示すからです。
要因が多く非線形が強い場合は、勾配ブースティングなどの手法で当てはまりを上げられることがあります。ただし柔軟なモデルほど過学習しやすく、学習データの範囲外（未経験の猛暑や新製品）で外れ方が読めなくなります。柔軟さと解釈性はトレードオフだと理解し、「この設備でそこまでの複雑さが本当に要るか」を都度問うのが実務的です。こうした比較検証こそ、AI PoC開発で対象を絞って確かめるべき論点だと考えます。
電力・生産・気象のデータを常時突き合わせて推定を回すなら、データの置き場所と処理場所も設計対象になります。生産データを外部クラウドに出すことに制約がある現場では、エッジAIによる工場内データ処理のように、工場内でデータを完結させながらベースライン推定と乖離判定を回す構成も選択肢になりえます。回線が細い・止まる拠点でも監視を絶やさないという観点でも、現場側での処理には意味があると考えます。
ベースラインができても、実測との差が出るたびに騒いでいては現場は疲弊します。運用の肝は、乖離をそのまま異常と呼ばず「確認すべき候補」として扱い、閾値と優先順位を設けることです。残差のばらつき（普段どのくらい上下するか）を把握し、その通常変動を超えた乖離が、一定時間・一定回数続いたときに初めてアラートにする、といった設計が現実的だと考えられます。
「推定より多い」乖離は無駄・故障予兆・段取り不良を、「推定より少ない」乖離は生産の停滞やセンサー欠測を示すことがあります。乖離が出たら、その時刻に何が起きていたか（品種切替、設備トラブル、外気の急変）を現場記録と突き合わせる。この突き合わせを繰り返すことで、モデルの弱点も改善余地も同時に見えてきます。乖離は答えではなく、現場に問いを投げる装置だと捉えるのが健全です。
ベースラインは異常検知だけでなく、省エネ施策の効果検証にも使えます。施策の前後で単純に電力を比べると、生産量や気温の違いに結果が埋もれます。そこで施策前のデータで作ったベースラインに施策後の条件を入れ、「施策をしなかった場合の推定電力」と実測を比べれば、条件差を差し引いた効果に近づけます。ただしこれはあくまで推定であり、モデルの前提が成り立つ範囲でのみ意味を持つ点は、社内でも正直に共有すべきだと考えます。
乖離の記録が溜まってくると、「なぜ先週この設備で乖離が続いたか」を人手で読み解く負担が増えます。乖離データと現場イベント（品種・気温・保全記録）をローカルLLMに整理させ、要因の仮説出しや月次報告のたたき台作成を支援させる使い方は、報告負担の軽減につながりうると考えられます。ただしLLMの出力は仮説であり、最終判断は現場の確認を経ることが前提です。
ベースラインは強力ですが、条件が前提から外れると簡単に嘘をつきます。導入前に知っておくべき代表的な落とし穴を挙げます。楽観的な導入計画ほど、これらでつまずくと考えられます。
これらはどれも「やってみないと、その現場でどれが効くか分からない」性質を持ちます。だからこそ、いきなり全設備・全拠点に展開するのではなく、対象を絞って外れ方を観察する検証から入るべきだと考えます。
最後に、現場で無理なく始めるための順序を示します。大がかりな投資の前に、手元のデータでどこまで見えるかを確かめることが、遠回りに見えて確実な道だと考えます。
第一に、電力の絶対値が大きく、かつ条件依存が強い設備（空調・チラー・コンプレッサー・冷凍倉庫など）を1つ選ぶ。第二に、その設備の電力データと、生産実績・気象データ（近隣観測点）を時刻で突き合わせる。第三に、散布図を描いて関係の形を目で確かめ、単純な回帰でベースラインを作る。第四に、残差を時系列で並べ、どの条件で外れるかを観察する。ここまでで「モデル化する価値がある設備か」の見当がつくことが多いと考えられます。
どの設備から、どの変数で、どう効果を測るか——この検証設計こそが成否を分けます。対象設備を絞った検証の組み方は小規模PoCから始める相談として一緒に設計できます。自社のデータで本当にベースラインが立つのか、まずは現物で確かめるところから始めたい方は、お気軽に相談いただければと考えます。
ベースラインのモデル化は、魔法の異常検知装置ではありません。条件を差し引いて電力を見るための、地に足のついた道具です。過学習や条件変化という限界を理解した上で、乖離を現場への問いとして使い、改善と効果検証を回し続ける。その積み重ねが、電気代・待機電力・拠点比較・報告負担といった実務課題を、少しずつ扱えるものに変えていくと考えます。
見える化は今のkWhをグラフで示しますが、何が正常かの基準は持ちません。ベースラインは生産量や外気温などの条件から「その条件ならこのくらいが妥当」という基準線を推定し、実測との乖離を見ます。条件の違いを差し引いて評価できる点が本質的な差だと考えられます。ただし推定である以上、前提が崩れれば外れる点には注意が必要です。
物理的に電力を動かしている要因を選ぶのが基本です。多くの現場では生産量や稼働時間、そして空調・冷凍系では外気温が主要因になります。曜日やシフトなど待機電力に関わる時間要因も重要です。統計的に当てはまるだけの相関変数は、条件が変わると破綻しやすいので慎重に扱うべきだと考えます。現場によって効く変数は異なるため、検証が前提になります。
必ずしもそうとは限りません。生産量と外気温を使った回帰でも、実務的に十分役立つベースラインが立つことは少なくないと考えられます。回帰は係数が現場の直感と照らせる利点があります。要因が多く非線形が強い場合に柔軟なモデルが有効なこともありますが、過学習や解釈性低下と引き換えです。まず単純なモデルで外れ方を観察するのが健全だと考えます。
条件を差し引いた電力評価は、省エネ施策の効果検証や原単位管理の土台として役立ちうると考えられます。ただし省エネ法の定期報告やCO2算定の具体的な要件・区分・係数は制度で定められており、本記事の推定手法とは別物です。適用範囲や数値は所管省庁の最新の公表資料でご確認ください。モデルはあくまで社内の把握・改善のための道具と位置づけるのが適切です。
設備更新や断熱改修、生産品目の入れ替えがあると、正常の定義そのものが変わり、過去データで作ったモデルは合わなくなります。これはコンセプトドリフトと呼ばれる現象で、ベースラインは定期的に作り直す前提を持つべきです。いつ何を変えたかの記録を残し、変更後は再学習・再検証する運用を組み込むことが重要だと考えます。
どの設備から、どの変数で始めるか——成否は検証設計で決まります。まずは対象を1設備に絞り、既存の電力・生産・気象データで散布図と残差を確かめるところから。現物での検証を出発点に、無理のない範囲でご一緒に設計します。
電力ベースラインの検証について相談する