ラオスの電力コストをAIで管理する方法 — EDL検針データの活用術

リード文
EDLの検針データを表計算ソフトで整理し、異常値検出と消費予測を組み合わせることで、ラオスの光熱費削減につながる具体的な改善点を数値で特定できます。この記事は、ラオスで工場やホテルを運営し、EDLの電気代負担を減らす方法を探している施設管理者・経営者に向けた内容です。読み終えると、検針データの準備から整理、統計的な閾値判定と予測計算による使用パターン分析、改善策の実行、効果検証までの4ステップを自社で一通り実践できるようになります。データ入手経路や分析に必要なツール、投資判断の目安、よくある失敗の避け方も具体的に取り上げます。
電力コストのAI分析は、EDLの検針データという原データが手元にあって初めて動き出します。顧客ID・メーター番号・過去請求データを揃え、取得経路と分析体制を先に固めておくことが、後工程の精度を左右します。
EDLの検針データの入手方法
現時点で確実に使える経路は、EDL公式モバイルアプリまたは請求書PDFからの履歴取得です。EDLアプリはGoogle PlayとApp Storeの両方で提供されており、顧客ID・メーター番号を登録すれば消費履歴の確認と請求支払いが可能です。月次の使用量(kWh)と請求金額をアプリ内の履歴画面から1件ずつ確認し、できれば過去12か月分をスプレッドシートに書き出しておくと、後の分析で季節変動を比較できます。
アプリでの履歴表示が不十分な場合は、紙またはPDFの請求書に記載されたメーター番号・読み取り日・使用量・金額を手入力で控える方法が現実的です。件数が多い施設では、請求書を月単位でスキャンし、OCRで数値を抽出してから目視確認する運用も検討できます。
もう一つの経路として、スマートメーターとHES(Head-End System)・MDMS(Meter Data Management System)の導入が挙げられます。これはEDLの配電網整備に関する報道や国際機関の支援案件で言及されることがある仕組みで、導入が進めば対象地域や大口契約者向けに、より細かい間隔のデータが取得できるようになる可能性があります。ただし、具体的な導入スケジュールや対象範囲について筆者はEDLまたは関連省庁による公式な発表を確認できておらず、現時点では推測の域を出ません。自社のメーターがこうした仕組みの対象になっているかどうかは、EDLへの直接確認が必要です。当面はアプリと請求書からのデータ取得を主軸にし、スマートメーター経由のデータは利用可能になった時点で追加する形が現実的です。
分析に必要なITツールとスキル
施設規模とデータ取得経路によって、必要なツールは大きく変わります。アプリや請求書から月次データを集める段階では、表計算ソフトとピボット集計で十分に分析できます。メーター番号・読み取り日・使用量・金額の列を揃えたスプレッドシートがあれば、月別の使用量推移やピーク月の特定までは専門ツールなしで進められます。
将来スマートメーター経由でインターバルデータ(15分や30分単位の使用量)を取得できるようになった場合は、扱うデータ量が一気に増えます。この段階では、データを蓄積する時系列データベースと、ダッシュボードで可視化するBIツール、異常検出や予測モデルを動かす分析環境(Python や R などの統計処理環境)が必要になります。配電側では HES や MDMS が生データの品質チェックとフォーマット統一を担うため、施設側で受け取るデータはすでに整理された形式になっている想定です。
どの段階にいるかを判断する基準は、手元のデータの時間粒度です。月次1件のデータしかない間は表計算で足りますが、日次・時間帯別の数値が増えてきたら、ピボット表の作成に時間がかかり始めます。その時点が分析環境を導入する目安です。
スキル面では、月次集計やグラフ作成は施設管理者自身で対応できますが、消費予測や異常検知のアルゴリズムを運用するにはデータエンジニアやアナリストの知識が要ります。社内に専任者がいない場合は、まず表計算での可視化から始め、データ量が増えた段階で外部の分析支援を検討する進め方が無理のない選択です。
ステップ1:検針データを整理するには?

月次データが積み上がってきたら、分析の前に生データの粒度と項目をメーター単位で揃える作業が欠かせません。日付・使用量・金額の表記ゆれをそのままにすると、集計や可視化の段階で数値が合わなくなります。
データ形式の統一とクリーニング
表記ゆれをなくすには、スプレッドシートに固定の列構成を決めてから入力することが出発点になります。最低限必要な列は、メーター番号、読み取り日(年月日)、使用量(kWh)、請求金額(LAK)の4つです。アプリの履歴画面と紙の請求書では日付の書式が異なることがあるため、入力時点で「YYYY-MM-DD」のように1つの形式に揃え、全角数字と半角数字が混在しないよう統一します。
欠測や重複にも対処が必要です。請求書が見つからない月があればセルを空欄にせず「欠測」と明記し、後の集計で平均値に欠測月を含めないようにします。同じメーター番号の行が2件入力されてしまった場合は、請求日と金額を照合してどちらが正しいかを確認してから片方を削除します。異常に大きい、または小さい数値が入っている行は、入力ミスか実際の使用量変化かを請求書の原本と照合して判別し、ミスであれば修正、実際の変化であれば注記を残して集計に含めます。
数値の単位も揃えます。使用量をkWhで統一し、金額はLAKで統一したうえで、桁区切りのカンマや単位記号(kWh、LAK)を数値セル自体には入れず、別の列見出しに記載する形にすると、後工程での自動集計がしやすくなります。複数の施設や複数のメーターを管理している場合は、施設名やメーター番号で行を並べ替えられるよう、施設IDの列も追加しておくと集計範囲を絞り込みやすくなります。これらの作業は手間がかかりますが、月次1件程度のデータ量であれば表計算ソフトの範囲内で完結します。
時間帯別・月別の使用量の可視化
整理した列構成ができたら、使用量の数値をグラフに変換することで、ムダの場所が見えやすくなります。月次データしかない段階では、横軸に月、縦軸に使用量(kWh)を置いた折れ線グラフを作り、12か月分を1枚に並べることから始めます。これだけで乾季・雨季の差や、製造業であれば稼働の多い月、ホテル業であれば宿泊客の多い月との重なりが読み取れます。
ピボットテーブルを使えば、施設IDやメーター番号ごとに月別使用量を自動集計できます。複数の建物やメーターを管理している場合は、ピボットの行に施設ID、列に月、値に使用量(kWh)を置くと、どの施設がどの時期に使用量を伸ばしているかを一覧で比較できます。請求金額(LAK)も同じ形式で並べておくと、使用量の変化と金額の変化が一致しているかを見比べられます。
グラフの縮尺にも注意します。複数施設を1枚のグラフに重ねる場合、規模の大きい施設の線だけが目立ち、小規模施設の変動が埋もれてしまうことがあります。施設ごとの規模差が大きいときは、使用量を前年同月比の増減率に変換したグラフを別に用意すると、規模に関係なく変動の大きさを比較できます。
将来スマートメーター経由で日次・時間帯別のデータが取得できるようになった段階では、1日を24時間に分けた折れ線や、曜日別の棒グラフを追加します。これにより、稼働時間外に使用量が残っていないか、昼間と夜間でどちらにピークが集中しているかが分かり、次の分析ステージで異常値やピークを検出する判断材料になります。
ステップ2:AIで使用パターンを分析するには?

月別の折れ線やピボット集計で傾向をつかんだ後は、数値の中から「普段と違う動き」と「先の使用量」を切り分ける段階に入ります。記述的な集計と異なり、ここでは閾値判定や過去データとの比較計算を使い、見た目では気づきにくいムダを数値で拾い出します。
異常値・ピーク使用の検出方法
閾値を決め、その閾値を超えた月や日を自動で抽出する仕組みを作ると、目視では見落とす異常が数値で浮かび上がります。月次データの段階では、過去12か月の使用量(kWh)から平均と標準偏差を計算し、平均を大きく上回る月を異常候補として洗い出す方法が扱いやすい出発点です。
計算例:過去12か月の使用量の平均と標準偏差を求め、平均+2標準偏差を超えた月を異常候補とします。この月が実際にあれば、請求書の原本に戻って読み取りミスか、稼働台数の増加か、空調設定の変更かを突き合わせて原因を切り分けます。
スプレッドシートでは、IF関数で閾値超えをフラグ化する列を1つ追加するだけで運用できます。
# 擬似コード(関数名・引数は使用する表計算ソフトのヘルプで確認してください) = IF(使用量 > 平均 + 2*標準偏差, "異常候補", "正常")
日次・時間帯別データが取得できる段階では、稼働時間外(深夜・休業日)の使用量がゼロに近いはずの時間帯で一定値が続いていないかを確認します。これは空調や機器の待機電力が消え残っている状態を示すものであり、閾値判定とは別に「本来ゼロに近いはずの時間帯」の抽出条件を設けておくと、ピーク検出だけでは拾えないムダを見つけられます。
閾値の設定値は固定ではなく、季節ごとに見直す点にも注意が必要です。乾季と雨季で空調負荷が変わる施設では、通年で1つの平均・標準偏差を使うと誤検知が増えるため、乾季・雨季それぞれの期間でデータを分けて計算し、異常候補の判定基準を期間別に持つ運用が実務的です。閾値を超えた行には判定日・原因・対応結果を記録する欄を設けておくと、翌月以降の見直し作業が短時間で済みます。
機器別・時間帯別の消費予測モデル
過去の使用量データから翌月・翌週の使用量を見積もる予測モデルは、異常検知とは別の計算として組み立てます。月次データのみの段階では、直近3〜6か月の移動平均に前年同月との比率を掛け合わせる方法が扱いやすく、特別な分析環境を用意せずスプレッドシートで計算できます。
計算例:直近3か月の平均使用量が3,400kWhで、前年同月が3,000kWh、前々年同月が2,800kWhだった場合、前年同月比の伸び率(約7%)を直近3か月平均に適用し、翌月の予測値を約3,640kWhとします。この予測値と実際の請求額を毎月比較し、差が大きい月があれば稼働状況の変化(新設備の導入、客室稼働率の変動など)を確認します。
機器別に予測を分けたい場合は、エアコンやボイラーなど主要設備ごとに稼働時間と定格出力から推定使用量を算出し、メーター全体の実測値との差分を取る方法が有効です。この差分が大きいほど、計測対象外の設備や配線ロスなど未把握の消費源が隠れている可能性を示します。
日次・時間帯別データが取得できる段階では、曜日や時間帯を変数に加えた回帰分析で、稼働パターンごとの予測精度を高められます。製造業であれば生産ラインの稼働シフト、ホテル業であれば宿泊客数やチェックイン時間帯を説明変数に追加すると、単純な移動平均より季節要因以外の変動を捉えやすくなります。予測と実測のズレが一時的でなく継続する設備があれば、設備の劣化や設定ミスを疑い、次の改善策の検討対象として記録します。予測の見直し頻度は月1回を目安にし、稼働状況が大きく変わった月はその都度モデルの前提を更新します。
ステップ3:分析結果から改善策を立てるには?

異常候補や予測のズレが積み上がった段階で初めて、どの設備を直すか、どの投資に踏み出すかの判断材料がそろいます。数値を眺めるだけでは費用削減につながらず、原因の種類ごとに対応先と投資規模を分けて考える必要があります。
設備運用の見直しポイント
異常候補や予測のズレの原因は、設備の種類によって対応の仕方が変わります。まず原因を3つに分けて整理すると、どこから手をつけるべきかが明確になります。
| 原因の種類 | 具体的な症状 | 見直す対象 |
|---|---|---|
| 稼働時間外の消費残り | 深夜・休業日でも一定値が続く | 空調・照明の自動停止設定、待機電力の遮断 |
| ピーク時間帯の集中 | 特定の時間帯だけ使用量が急増 | 稼働スケジュールの分散、ピークシフト |
| 設備単体の効率低下 | 稼働時間は変わらないのに使用量が増加 | 力率の確認、老朽設備の点検・交換 |
稼働時間外の消費残りは、空調や照明のタイマー設定を見直すだけで解消できる場合があります。追加投資なしで対応できるため、最初に確認する対象として適しています。
ピーク時間帯の集中は、稼働開始時刻をずらす、設備の稼働時間を分散させるなど、運用スケジュールの変更で対応します。設備を変えずに済むため、投資判断の前段階として試す価値があります。
設備単体の効率低下は、力率の低下や老朽化が疑われるケースです。この場合は点検や部品交換、場合によっては設備の入れ替えが必要になり、次の投資対効果の見積もりに進む対象となります。原因の種類を分けて記録しておくと、どの施策にどれだけの費用をかけるべきかの判断材料がそのまま次の工程に引き継がれます。
投資対効果の見積もり方
設備単体の効率低下に対応する投資は、回収までの期間を数値で示してから判断します。もっとも扱いやすい指標は簡易回収期間で、投資額を年間削減額で割るだけで計算できます。
計算例(説明用の仮定値であり、実際の料金はEDLの公表料金表で確認してください):老朽化した空調設備の交換に3,000万 LAK かかり、交換後の月間使用量削減が1,200kWh、月額単価を5,000 LAK/kWhと仮定した場合、年間削減額は1,200kWh × 5,000 LAK × 12か月 = 600万 LAK です。この場合の簡易回収期間は3,000万 ÷ 600万 = 5年です。この年数が設備の残り使用年数より短ければ投資を進める判断がしやすく、長い場合は交換より部分点検での延命を優先する方向に傾きます。実際に計算する際は、対象施設の業種区分や従量帯に応じたEDLの公表単価を確認し、それに置き換えてください。
複数の改善策を同時に検討する場合は、簡易回収期間だけでなく割引率を考慮した正味現在価値(NPV)や内部収益率(IRR)で比較すると、投資規模が異なる施策同士でも優先順位をつけやすくなります。NPVやIRRの計算には将来の料金水準の前提が必要になるため、現行の料金体系をEDLまたは関連省庁の公表情報で確認してから数値を当てはめます。料金改定が予定されている時期は、改定前後の2つの前提で計算し、どちらでも回収期間が許容範囲に収まるかを確認しておくと、投資判断の後戻りを避けられます。
判断に迷う案件は優先度を一段階下げ、稼働時間外の消費残りやピーク時間帯の分散といった無投資の施策を先に実行してから、削減後の実測値を使って投資案を再計算する順序が無理のない進め方です。これにより、過大な削減効果を前提に投資を決めてしまう失敗を避けられます。
ステップ4:改善策を実行し効果を検証するには?

投資判断を下しただけでは費用は減りません。実行した施策が狙った分だけ使用量を下げたかを数値で確認し、効果が薄ければ条件を調整する仕組みを組み込んでおくことで、改善策が一度きりの対応で終わらずに済みます。
施策実行後のモニタリング体制
施策を実行した月から、その施策専用の比較基準を1つ決めておくと効果判定がぶれません。基準となるのはEnPI(エネルギー性能指標)で、使用量そのものではなく「稼働量あたりの使用量」を指標にする点が重要です。製造業なら生産量1単位あたりのkWh、ホテル業なら客室稼働1室あたりのkWhを計算し、施策実行前の3〜6か月分を基準値として固定します。
計算例:施策前の基準値が生産量1トンあたり120kWhで、施策後3か月の実測が1トンあたり105kWhであれば、稼働量の変動を除いた実質の削減率は約12.5%です。使用量の絶対値だけで比較すると、生産量や客室稼働率が変わった影響と施策の効果が混ざってしまうため、EnPIで割り算した値を毎月記録する運用に切り替えます。
モニタリングの頻度は月1回を基本にし、設備単体の効率低下に対応した投資案件は、回収期間の計算に使った想定削減額とEnPIの実測値を並べて記録します。想定より削減率が低い月が2〜3か月続いた場合は、設定変更の戻りや新たな異常候補の発生を疑い、異常値検出の工程に戻って原因を再確認します。記録表には施策名・実行日・基準値・実測EnPI・差分の5列を用意しておくと、後から見直す際に経緯を追いやすくなります。
季節要因が大きい施設では、乾季・雨季それぞれで別のEnPI基準値を持つ判断も有効です。1つの基準値で通年を評価すると、空調負荷の変化が施策の効果と混同され、実際には効果が出ている施策を誤って見直し対象にしてしまう恐れがあります。基準値を期間別に分けておけば、この誤判定を避けられます。
継続的な改善サイクルの作り方
1回の施策とモニタリングで終えると、翌年の同じ時期に同じ異常が再発する可能性があります。EnPIの記録表に蓄積した実測値を、半年ごとに一段上の見直し作業にかける仕組みを組み込むことで、単発の対応を積み重ねる運用に変えられます。
半年ごとの見直しでは、次の3点を確認します。1つは、記録表に残した施策の削減率が維持されているかどうかです。設定変更の戻りが起きていないかを過去の実測EnPIと比較し、戻りが見つかれば再度の設定調整を実施日ごと記録に残します。2つめは、設備単体の効率低下として投資対効果の見積もりに回した案件のうち、未着手のまま残っているものがないかの確認です。回収期間の前提にした料金水準が変わっていれば、現行の公表情報で数値を更新し、着手の優先順位を入れ替えます。3つめは、異常候補の閾値を乾季・雨季それぞれで見直す作業です。設備の増設や稼働パターンの変化があった施設では、平均と標準偏差を最新の期間で再計算し、閾値をその都度置き換えます。
この半年ごとの確認を経営層や施設責任者が目を通す場を設けておくと、個々の担当者だけで判断が止まることを避けられます。確認結果は記録表に追記し、次の半年の基準値として引き継ぐことで、見直し作業そのものが毎回ゼロから始まる手間を減らせます。
よくある失敗は何か?

電力コストのAI分析で費用削減につながらないケースは、原因を2種類に分けられます。原データの質が低く分析結果そのものが信頼できない失敗と、分析結果は正しくても現場で実行されずに終わる失敗です。どちらも、手順を飛ばさず前段の工程に戻って確認することで防げます。
データ不足による分析精度の低下
月次データが6か月分も揃わないうちに異常検知や予測モデルを組もうとすると、平均と標準偏差の計算そのものが安定せず、閾値判定が的外れになります。異常候補の判定で使う「平均+2標準偏差」は、データ点数が少ないほど極端な値に引き寄せられ、普段と変わらない月まで異常候補に上げてしまうことがあります。原因は入力漏れと欠測の扱い方の2つに分けられます。
入力漏れは、請求書の一部が見つからず月次データに穴が空いたまま集計してしまう状態です。欠測月を空欄のまま平均計算に含めると、その月の数値がゼロとして扱われ、平均と標準偏差が実態より低く算出されます。
欠測の扱いを誤るケースでは、欠測月を「0kWh」と入力してしまい、翌月以降の異常判定が過敏になる例があります。対処は、欠測月をデータ範囲から除外して平均・標準偏差を計算し直すことです。
もう1つの見落としやすい原因は、メーター交換や契約変更があった月の数値をそのまま時系列に混ぜてしまうことです。メーター番号が切り替わった月は読み取り期間が通常より短くなる場合があり、1か月分として単純比較すると使用量が不自然に低く見えます。この月は「参考値」の注記をつけて集計から外し、前後の期間で補う形にします。
データが12か月分に達するまでは、異常候補の判定結果を参考値として扱い、原因の裏付けを請求書の原本で確認する運用に留め、データ不足による誤判定を実行計画に持ち込まずに済ませます。
改善策が現場に定着しない問題
分析結果に基づいて設定変更やスケジュール分散を決めても、実行した担当者が異動や退職で入れ替わった時点で、元の設定に戻ってしまう例があります。空調のタイマー設定や稼働開始時刻の分散は、担当者個人の判断で元に戻せる程度の変更であるため、記録に残さないと誰も覚えていない状態になりやすい施策です。
この再発を防ぐには、設定変更の内容を口頭や個人の記憶に頼らず、EnPI の記録表とは別に「設定値そのもの」を書面で残します。タイマーの設定時刻、ピークシフトで変更した稼働開始時刻、点検・交換した設備の型番と作業日を1枚にまとめ、設備の近くや管理室に貼っておくと、担当者が変わっても同じ状態を復元できます。
複数のシフトや複数拠点で同じ設備を運用している場合は、1枚の記録では担当者全員に伝わらないことがあります。シフトごとの引継ぎノートに設定値の確認欄を追加し、交代時に実際の表示値と記録値を照合する項目を入れておくと、誰かが気づかないうちに設定が戻る事態を減らせます。
もう1つの定着しない原因は、施策の効果を示す数値が現場の担当者に共有されず、変更の意味が伝わらないまま終わることです。半年ごとの見直しで確認した削減率を、設定変更を担当した部署にも簡単な形で戻し、変更が数値にどう結びついたかを示すと、元に戻す判断を現場が自分から避けるようになります。設定を元に戻す際は上長の承認を経る運用にしておくと、個人の判断だけで変更が無効化される事態も防げます。
よくある質問

データ入手経路、分析体制、施設規模ごとの進め方について、ここまでの手順を補う形で3点に絞って整理します。
Q1: EDLの検針データはどこで入手できるか?
現時点で確実な入手経路は、EDL公式モバイルアプリと紙・PDFの請求書の2つです。アプリは顧客ID・メーター番号を登録すれば消費履歴と請求支払いを確認でき、請求書は読み取り日・使用量・金額を手入力で控える形になります。配電改善プロジェクトで導入予定のスマートメーター経由のデータは、対象地域や大口契約者から段階的に利用可能になる見込みで、全施設が対象になっているわけではありません。自社のメーターが対象かどうかは EDL への確認が必要です。
Q2: AI分析に専門のデータサイエンティストが必要か?
分析の段階によって答えが変わります。月次集計やピボットでの可視化、閾値によるフラグ化までは、施設管理者自身が表計算ソフトで対応できます。回帰分析による消費予測や、インターバルデータを使った高度な異常検知に進む段階では、データエンジニアやアナリストの知識が要ります。社内に専任者がいなければ、その段階で外部の分析支援を検討する判断でも遅くはありません。
Q3: 小規模な施設でも電力コストのAI管理は始められるか?
小規模施設でも始められます。月次1件の請求データしかなくても、表計算ソフトでの集計と閾値判定までは実施可能であり、設備数が少ないほど原因の切り分けも早く進みます。
小規模施設に合う進め方は次の通りです。
- 過去12か月分の使用量と金額をEDLアプリまたは請求書から記録する
- 月別のグラフで季節変動を把握する
- 平均と標準偏差で異常候補を洗い出す
- 稼働時間外の消費残りなど、投資を伴わない施策から着手する
大口向けスマートメーターのような細かい間隔のデータが無くても、月次データだけで異常候補の特定と無投資の改善までは進められます。設備数が少ない施設では、効率低下の原因を特定した後の投資対効果の見積もりも、1〜2件の設備に絞って計算すれば済み、分析規模を無理に大きくする必要はありません。
まとめ

EDLの検針データをAIで分析する流れは、データの準備から効果検証までひと続きです。まずEDLアプリや請求書から過去12か月分の使用量と金額を取得し、メーター番号・読み取り日・使用量・金額の列を揃えて表記ゆれをなくします。月別・時間帯別のグラフで季節変動を可視化したうえで、平均と標準偏差から異常候補を洗い出し、移動平均や前年同月比で翌月の使用量を予測します。原因を稼働時間外の消費残り・ピーク集中・設備効率低下の3種類に分け、投資を伴わない施策から着手し、効率低下への投資は簡易回収期間で判断します。実行後はEnPIで稼働量あたりの使用量を基準値と比較し、半年ごとに閾値と施策の削減率を見直すことで、単発の対応を積み重ねる運用に変えられます。データ不足のまま判定を急いだり、設定変更を記録せず現場に戻してしまったりすると、せっかくの分析結果が実行段階で失われます。まずは過去12か月分のデータを1枚のスプレッドシートに整理することから始めてください。
参考文献
- www.nta.go.jp/about/organization/ntc/kenkyu/ronsou/111/04/04.pdf閲覧日 2026年11月18日
- samrepo.nlr.gov/help/revenue_ppa.html閲覧日 2026年11月18日
- www.meti.go.jp/policy/it_policy/jinzai/AIguidebook_DemandForecasts_FIX.pdf閲覧日 2026年11月18日
- www.enecho.meti.go.jp/category/saving_and_new/saving/enterprise/factory/report/…閲覧日 2026年11月18日
- cloud.google.com/blog/ja/products/management-tools/cloud-monitoring-adds-long-l…閲覧日 2026年11月18日
著者・監修者
Chi
ラオス国立大学で情報科学を専攻し、在学中は統計ソフトウェアの開発に従事。データ分析とプログラミングの基礎を実践的に培った。2021 年より Web・アプリケーション開発の道に進み、2023 年からはフロントエンドとバックエンドの両領域で本格的な開発経験を積む。当社では AI を活用した Web サービスの設計・開発を担当し、自然言語処理(NLP)、機械学習、生成 AI・大規模言語モデル(LLM)を業務システムに統合するプロジェクトに携わる。最新技術のキャッチアップに貪欲で、技術検証から本番実装までのスピード感を大切にしている。


