CN101159046A - 后援电力购入量预约支援系统 - Google Patents
后援电力购入量预约支援系统 Download PDFInfo
- Publication number
- CN101159046A CN101159046A CNA2007101619023A CN200710161902A CN101159046A CN 101159046 A CN101159046 A CN 101159046A CN A2007101619023 A CNA2007101619023 A CN A2007101619023A CN 200710161902 A CN200710161902 A CN 200710161902A CN 101159046 A CN101159046 A CN 101159046A
- Authority
- CN
- China
- Prior art keywords
- demand
- mentioned
- electric power
- unit
- forecast
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002787 reinforcement Effects 0.000 claims description 110
- 238000003860 storage Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 abstract description 27
- 238000005457 optimization Methods 0.000 abstract description 19
- 238000010248 power generation Methods 0.000 abstract 3
- 230000005611 electricity Effects 0.000 description 104
- 238000004458 analytical method Methods 0.000 description 51
- 238000000034 method Methods 0.000 description 26
- 238000009826 distribution Methods 0.000 description 20
- 238000000611 regression analysis Methods 0.000 description 7
- 239000012467 final product Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000033228 biological regulation Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000001447 compensatory effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000003292 diminished effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012011 method of payment Methods 0.000 description 1
- 238000010202 multivariate logistic regression analysis Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种电力买卖支援系统,在用自家发电机+电力公司等的后援电力,进行电力零售时,使发电+电力购入成本最小,使电力零售商的收益最大化。使特殊的需求之日的需求预测的精度提高,以降低后援电力购入成本。为此,该电力买卖支援系统具备,需求预测装置,需求预测的预测误差的评价装置,需求预测值的追加比率(量)决策装置,自家发电/买电比率(量)决策装置,根据成本的最佳值的评价装置,最佳需求预测值的追加比率(量)、最佳自家发电/买电比率(量)的显示装置。
Description
本申请是申请号为200410036670.5,申请日为2004年4月29日,发明名称为“电力买卖支援系统”的申请的分案申请。
技术领域
本发明涉及,用于在电力自由化中所出现的电力零售商将自己所拥有的自家发电机,与从其他(电力公司、电力交易市场、其他的电力零售商等)所购入的电力(后援电力)合并起来对顾客(需求方)进行销售(供给)的情况下,对怎样预计需求,进而怎样计划自家发电机和购入电力(后援电力)的量(比例)为好(收益提高),进行评价/研究/最优化的系统。
发明内容
近年来,由于电力自由化出现了电力零售商。虽然电力零售商,拥有自家发电机来供给电力,但若持有与需求高峰时一致的容量的自家发电机则发电机的运转率下降,并且使收益下降。因此,在高峰时从电力公司等(也可以是电力交易所、其他的电力零售商、有剩余电力的自家发电机拥有者等)购入后援电力。由于一般电力不能保存,又很难迅速地增减发电量(特别是急剧地增加),故在购入后援电力的情况下,需要在供给日之前事先将各时刻的电力的购入量(需求量)申报给接受后援供给的对方(电力公司、电力交易所、其他的电力零售商等)。可是,如果需求与预测偏离,特别是若超过基准值(例如,合同电力的3%)接受过多的后援电力的供给时,则必须支付高额的罚金,对电力的零售商来说,降低为了接受后援供给所花费的成本是个重要的课题。
如前所述的那样,由于电力一般不好保存,又很难迅速地增加发电量,故在购入后援电力的情况下,就有必须在供给日之前事先进行申报,若申报了(预测了)的与需求发生变动,需求增多时,则对于比已申报的量多的部分,必须追加大额的罚金,反之,即使比已申报的量还少,也必须支付已申报的部分的费用等,具有电力特有的(伴随电力不能保存)严格条件。尽管进行了提高需求预测精度的尝试,但是,需求从预测偏离是在所难免的。因此,本系统的目的是求得最优的需求预测值的追加比率(量)、最优的自家发电/买电比率(量),使得即便在根据前一天的需求预测变动了的情况下也能够仅用利用自家发电机的输出进行调整,不会因后援电力使用量的基准值(例如:3%)以上的增加而支付高额的罚金、且能够尽量利用成本便宜的自家发电机,以使电力零售商的收益最大化。
本系统,还能够利用于电力零售商提高自己的收益,或者在电力交易所等中作为面向电力零售商的服务来提供,或者在拥有发电及废热供暖等的发电设备的工厂中订立发电设备的运行计划。
以往,发电仅由电力公司进行。过去,电力公司为了订立次日的发电机的运行计划,开发了预测次日的电力需求的技术,众所周知有使用神经或多重回归分析进行预测的技术。
以往,由于发电仅由电力公司进行,故对于当日的需求的变动,电力公司进行本公司拥有的发电机的输出调整。在日本专利文献特开2002-84661号公报(下面,称为专利文献1)中,公开了在当日,根据是否是可进行供需调整的发电机(或者买电合同)、最低发电容量(购入量)的制约条件,从成本便宜的发电机(买电合同)来分配电力供给所需要的电力的方法。
在日本专利文献特开2001-327074号公报(下面,称为专利文献2)中,公开了电力零售商,用网络收集顾客需求,对需求方提示次日的电力需求预测结果,需求方,就能够根据该结果容易地、高精度地申报次日的电力使用量这样的方法。另外,在日本专利文献特开2002-315191号公报(下面,称为专利文献3)中,公开了请需求方自己预测需求,依照该预测命中多少、对应于预测精度来改变电力费用这样的方法。
发明内容
可是,近年来,由于电力自由化出现了电力零售商。虽然电力零售商,拥有自家发电机来供给电力,但若持有与需求高峰时一致的容量的自家发电机则发电机的运转率下降,并且使收益下降。因此,在高峰时从电力公司等(也可以是电力交易所、其他的电力零售商、有剩余电力的自家发电机拥有者等)购入后援电力。由于一般电力不能保存,又很难迅速地增减发电量(特别是急剧地增加),故在购入后援电力的情况下,需要在供给日之前事先将各时刻的电力的购入量(需求量)申报给接受后援供给的对方(电力公司、电力交易所、其他的电力零售商等)。可是,如果需求与预测偏离,特别是若超过基准值(例如,合同电力的3%)接受过多的后援电力的供给时,则必须支付高额的罚金。
这是由于一般电力不好保存,又很难迅速地增加发电量,故在购入后援电力的情况下,就会有在供给日之前事先进行申报,进而若申报了(预测了)的与需求发生变动,需求增多时,则对于比已申报的量多的部分,必须追加大额的罚金,反之,即使比已申报的量还少,也必须支付已申报的部分的费用这样的,严格的后援电力购入条件。
实际上,需求从预测变动是不能避免的。为了不支付罚金,预先预算过多的需求来申报买电量。或者,降低利用自家发电机的发电比率使其持有余量,能够对应需求的变动即可,不论哪一个都不使用能够以便宜的单价进行发电的自家发电机,为了过多地购入高额的后援电力,不论哪一个,不适当地设定比率/量会使核算恶化。
对电力的零售商来说,为接受此后援供给所花费的成本的降低是个重要的课题。
本发明就是鉴于上述问题点而完成的,本发明的第1目的是,在用自家发电机+电力公司等的后援电力,进行电力零售时,求出用于使发电+电力购入成本最小的
(a)最佳需求预测值的追加比率(量)
(b)最佳自家发电/买电比率(量),
使电力零售商的收益最大化。即,本发明的第1目的是,求出最佳需求预测值的追加比率、最佳自家发电/买电比率,使得即便在根据前一天的需求预测变动了的情况下也能够仅用利用自家发电机的输出进行调整,不会因增加大于后援电力使用量的3%而支付高额的罚金、且能够尽量利用成本便宜的自家发电机。
本发明的第2课题是,在需求方中进行特殊的事件(例如:百货商店的廉价出售、文娱事件等)的情况下,如何取得因事件引起的电力需求的变化,降低后援电力成本这样的课题。
一般,在事件(例如:百货商店的廉价出售、文娱事件等)进行的情况,电力需求与通常大不相同的情况很多。但是,由于通常进行需求预测的人员(电力零售商等),不可能知道在需求方何时进行怎样的事件,故事件举办之日的需求也与通常的情况相同的量进行需求预测。于是,需求预测大大偏离通常的量,由于需求量比通常极端地增多故必须支付罚款,或者尽管需求量比通常极端地减少也要履行不需要的后援电力的购入合同,使核算恶化。
如果,在事前能从需求方获知有与需求的变动有关的事件,则可进行与该事件相应的电力需求的预测。但是,对需求方来说,(因与电力零售商支付的罚金没有关系)即使通知事件也没有任何好处,故不会特意跟电力零售商联系事件等的信息。
因此,本发明的第2目的是,提供一种系统,其设置对因需求方的事件预测需求变动的装置、取得来自需求方的事件的举办信息的装置、以及对于来自需求方的事件信息进行电气费用打折的费用计算的装置,若从需求方取得事件的举办信息,则对需求的变动进行预测的同时,通过对于来自需求方的事件信息进行电气费用打折的费用计算,可使需求方积极地进行事件的通知(持有鼓励而得到)。即目的是提供一种通过使得能够正确地预测因事件引起的需求变动,来谋求后援电力成本的降低这样的系统。
此外,在专利文献3中,通过使需求方自己进行需求预测,并依照该预测精度来改变电气费用,对需求方给与鼓励。但是,通常百货商店、宾馆、事务所等、一般大多数的需求方,都不能专门地进行自己的电力需求的分析/预测等,使需求方自己进行需求预测实际上困难很多。
相对于此,在本发明中,由于在系统侧设置了对因需求方的事件引起的需求变动进行预测的装置,故需求方仅通知与需求的变动有关系的事件,就受到电气费用的打折,所以需求方有积极地进行事件通知的好处。即使对进行需求预测的一侧(电力零售商等)来说,由于通过从需求方提示事件信息,自己就可进行事件和需求变动量的关系的分析,所以就有能够用自己最新的预测技术正确地预测与事件信息对应的需求量,进而有能够降低后援成本的好处(本发明的第1目的是,即使有预测误差,可以求出其中使收益最大的后援合同,但原本的需求预测误差(误差分布的幅度)较小时,可以得到更大的收益)。
为了达到本发明的第1目的,需要考虑利用自家发电机的发电所花费的成本、来自电力公司的买电成本、由于预测错误造成的罚金,求得使发电+电力购入成本最小的(a)最佳需求预测值的追加比率(量)、(b)最佳自家发电/买电比率(量)。为此,需要以下6个装置。
(1-1)需求预测装置;
(1-2)需求预测的预测误差的评价装置;
(1-3)需求预测值的追加比率(量)决策装置;
(1-4)自家发电/买电比率(量)决策装置;
(1-5)根据成本的(1-3)(1-4)的最佳值的评价装置;
(1-6)最佳需求预测值的追加比率(量)、最佳自家发电/买电比率(量)的显示装置。
为了达到本发明的第2目的,需要以下3个装置。
(2-1)对事件、生产计划、人数等的信息和需求量或者需求的变动量的关系进行决策的装置
(2-2)取得来自需求方的事件、生产计划、人数等的信息的装置
(2-3)从需求方得到事件、生产计划、人数等、与需求变动有关的信息后,给予需求方费用的折扣等的利益的装置。
关于细节,下面用发明的实施方式来进行说明。
附图说明
图1是本发明的一个实施例的功能框图。
图2是本发明的一个实施例的处理流程图。
图3是本发明的一个实施例的分析数据集指定画面的例子。
图4是本发明的一个实施例的新分析数据集创建画面的例子。
图5是本发明的一个实施例的分析菜单画面的例子。
图6是本发明的一个实施例的最佳需求方式分析菜单画面的例子。
图7是本发明的一个实施例的需求预测模型的分析(更新学习)画面的例子。
图8是本发明的一个实施例的模式分类的手动选择支援画面的例子。
图9是本发明的一个实施例的需求实绩数据分析结果画面的例子。
图10是本发明的一个实施例的最佳需求预测方式和预测误差画面的例子。
图11是本发明的一个实施例的根据过去的需求数据的收益分析画面的例1。
图12是本发明的一个实施例的根据过去的需求数据的收益分析画面的例2。
图13是本发明的一个实施例的次日需求预测画面的例子。
图14是本发明的一个实施例的次日收益分析(后援买电合同最优化)画面的例子。
图15是本发明的一个实施例的对于来自需求方的事件等信息取得的电力费用打折系统的构成。
图16是本发明的一个实施例的对于来自需求方的事件等信息取得的电力费用折扣系统的例子。
图17是本发明的一个实施例的电力交易所中的“需求预测和后援合同最优化服务”提供的例子。
图18是本发明的一个实施例的次日收益分析(后援买电合同最优化/同时同量未达到分析)画面的例子。
图19是本发明的一个实施例的次日收益分析(后援买电合同最优化)曲线的例子。
图20是本发明的一个实施例的次日收益分析(后援买电合同最优化/同时同量未达到分析)曲线的例子。
具体实施方式
下面,使用附图对本发明的实施方式详细进行说明。
(第1发明)
在图1中示出本发明第1个功能框图。本发明的功能框图由需求预测装置(101),需求预测误差评价装置(102),(a)需求预测的追加比率(量)决策装置(103),(b)自家发电/买电比率(量)决策装置(104),根据成本的(a)需求预测的追加比率(量)、(b)自家发电/买电比率(量)的最优化装置(105)以及最佳的(a)需求预测的追加比率(量)、(b)自家发电/买电比率(量)的显示装置(106)组成。
需求预测装置(101),预测电力、蒸气等的需求。
需求预测误差评价装置(102),评价在由需求预测装置(101)进行的需求预测结果中,包含多大的预测误差。
(a)需求预测的追加比率(量)决策装置(103),根据需求预测中存在误差的情况,来决策(在需求产生了变动时不会有高额的罚款这样的)需求预测值的追加比率(量)。
(b)自家发电/买电比率(量)决策装置(104),也根据需求预测中存在误差的情况,来决策(在需求产生了变动时通过自家发电机的输出调整等而不会有高额的罚款这样的)(b)自家发电/买电比率(量)。
根据成本的(a)需求预测的追加比率(量)、(b)自家发电/买电比率(量)的最优化装置(105),根据(比一天签订了买电合同的值有所变动,特别是比基准值变动较多的情况下发生大额罚款这样的)买电费用体系、自家发电成本、买电单价等成本信息,来求解最佳的(a)需求预测的追加比率(量)和(b)自家发电/买电比率(量)。这里所说的最佳是指,例如即使在收益的期待值高,且收益差的情况下,也使其在容许范围。
最佳的(a)需求预测的追加比率(量)/(b)自家发电/买电比率(量)的显示装置(106),显示被最优化的(a)需求预测的追加比率(量)/(b)自家发电/买电比率(量)。
此外,使用图2对详细的处理流程进行说明。图2表示本发明的处理流程。首先,从条件DB(气象/事件/日历等)(211)输入气温/事件等与电力或蒸气等的需求量的变动有关的信息,并从需求实绩DB(212)输入需求方的需求实绩的信息,进行需求预测公式的学习(更新),并存储需求预测公式(参数)(214)(201)。然后,这一次使用需求预测公式(参数)(214),计算出根据需求预测公式的需求,并存储到需求预测结果DB(213)(202)。接着,输入需求实绩DB(212)和需求预测结果DB(213),评价需求预测的预测误差,并存储预测误差信息(215)(203)。接着,参考此预测误差信息(215),来设定适当的需求预测追加比率(量)参数(a)(204)。进而,适当地设定需求量(供给量)中,利用自家发电机的供给量和来自电力公司等的后援电力买电比率(量)的参数(b)(205)。对预测/实绩的不吻合中利用自家发电的调整量和后援购入变动量进行评价(206),从自家发电成本信息(216)计算出自家发电所花费的成本(207),从后援电力成本信息(217)计算出包含罚款的后援买电成本(208)。进而,如果需求总是超过预测值或合同电力,必须变更明年度的合同电力或合同内容的话,则也对其成本进行评价(209)。用多个需求预测值追加参数(a)以及自家发电/买电比(量)参数(b)实行204~209,来决定成为最佳(在需求变动风险范围内收益为最大)的需求预测值追加参数(a)/自家发电/买电比(量)参数(b)(210)。
条件DB(气象/事件/日历等)(211)的信息,能够使用气温(最高气温、最低气温、平均气温等)、风速、风向、湿度、天气等气象信息,百货商店或超市的甩卖、情人节、圣诞节减价、宾馆的结婚式或事件大厅的事件信息等事件信息,休息日、纪念日、星期等日历信息,工厂的生产计划、宾馆的客人数等成为需求的变动要因的各种各样的条件数据。此外,冷暖气设备的电力需求等,(不单单根据气温的高低)容易受到人的感觉影响(例如:由于气温比昨天下降OO℃,故感觉突然变冷,要使用暖气设备等)。所以,若加上表示人的感觉这样的参数(例如,前一天和当天的气温差等),则对需求预测是有效果的。
需求实绩DB(212)是保持过去的需求实绩值的数据库。存储着过去每30分钟或者每1小时等的需求实绩。如果在后援合同中前一天进行申报的是每30分钟则希望有每30分钟的数据,如果是每1小时则希望有每1小时的数据(但是,即使在只有每1小时的数据的情况下,例如,对前后时间的需求进行加权,对每30分钟的数据进行在内部分割并处理等的对应即可)。
需求预测公式的学习(更新)(201)的方法,例如对最高气温和电力需求的关系进行单回归分析,将其关系式(参数)作为需求预测公式(参数)214进行学习(存储)即可。即通过最小二乘法等求解表示为(电力量)=A×(最高气温)+B的回归直线的参数A和B的值,并将此公式(参数)存储到需求预测公式(参数)214为好。如果在后援合同中前一天进行申报的是每1小时,则每1小时求解需求预测公式(参数),并存储到需求预测公式(参数)214为好。如果是如事务所等那样需求的倾向因星期而异的情况,则在对表示相同需求倾向之日的数据进行汇总(模式分类)后,求解需求预测公式(参数)为好。此外,利用最小二乘法的回归直线参数的算出方法的细节,请参照共立出版的个人计算机统计手册(1)基础统计篇26页的利用最小二乘法的回归直线的求解方法等。
需求预测公式的学习(更新)(201)的方法,除了上述对最高气温和电力需求的关系进行单回归分析以外,例如还可以,对最高气温、前一天的最高气温和当天的最高气温的气温差、风速和电力需求的关系进行多重回归分析,将其关系式(参数)作为需求预测公式(参数)214进行学习(存储)。即求解表示为(电力量)=A×(最高气温)+B×(前一天的最高气温和当天的最高气温的气温差)+C×(风速)+D的参数A、B、C、D的值,并将此公式(参数)存储到需求预测公式(参数)214即可。参数的算出方法的细节,请参照共立出版的个人计算机统计手册(2)多变量分析篇1页的多重回归分析的项目等。
另外,需求预测公式的学习(更新)(201)的方法,除了通过上述的单回归分析、多重回归分析来求解需求预测公式(参数)以外,还能够利用使用神经网络从气温、事件等信息求解电力需求的方法,利用数据挖掘的方法,单纯地将过去数天的数据的平均值作为预测值的方法等、各种各样的需求预测方式。另外,也可以用这些多个需求预测方式来求解需求预测公式(参数),选择在其中需求预测误差较小的方式。
在预测误差评价(203)中,比较从需求预测公式所求出的需求预测结果DB(213)的值和需求实绩DB(212)的值进行评价。进行预测误差的平均(绝对误差的平均)、误差分布的标准偏差等预测误差的分布/大小等的评价。预测误差的求解方法之一是((需求预测结果-需求实绩)/合同电力)的方法。在将相对合同电力存在百分之几的误差作为基准的情况下容易进行利用。除此以外,还可以将((需求预测结果-需求实绩)/需求实绩)或者(需求预测结果-需求实绩)作为指标。然后,就能够将此预测误差的绝对误差的平均、和预测误差的分布的标准偏差等的值,作为过去的需求预测误差的大小的指标进行利用。
如果需求预测结果、需求实绩为每1小时的数据,则每个时刻都可求解预测误差。在需求的倾向因日而异,被模式分类的情况下,每个模式、每个时刻求解预测误差为好。此外,也可以参考每个模式、每个时刻所求出的预测误差的平均(绝对误差的平均)、误差分布的标准偏差等的每个模式的24小时的平均、全部模式的24小时的平均等来求解。
需求预测追加比率(量)参数(a)的设定(204)以及自家发电/买电比(量)参数(b)的设定(205),以用预测误差信息(215)所求出的、需求预测误差分布的标准偏差等为基准来进行。如果预测误差是正态分布,则需求预测误差的范围为通常-3×标准偏差~+3×标准偏差的范围,包含99%的情形。在该范围之间,进行设定(调整)参数这样的处理,以求出适当的需求预测追加比率(量)参数(a)和自家发电/买电比(量)参数(b)。然后,进行从206到209的根据成本的评价(基于成本的需求预测追加比率(量)参数(a)和自家发电/买电比(量)参数(b)的最优化)。此外,关于处理204~处理210,由于使用附图进行说明就容易明白,故随后使用图14来详细说明需求预测追加比率(量)参数(a)和自家发电/买电比(量)参数(b)的最优化方法。
接着,使用图3~图14,对本发明的需求分析&后援合同最优化系统的画面进行说明。
图3是本系统的最初的画面。有由于打开分析数据集的指定和新分析数据集的创建画面的按钮。分析数据集是指,用于将需求预测或成本计算中所用的数据类(条件DB(211)、需求实绩DB(212)、自家发电成本信息(216)、后援电力成本信息(217)等)汇总起来进行管理的信息。若将需求预测或成本计算中所用的数据类汇总起来进行管理,则在(每天)反复进行需求预测/后援合同最优化研究的情况下,操作就变得容易。因此,若选择“新分析数据集”按钮,则显示图4的画面,创建需求预测或成本计算中所用的数据的集合(此外,在选择了左侧的菜单中已经创建好的分析数据集指定的情况下,将图4那样画面作为数据确认用画面进行显示。)。
图4表示分析数据集的创建画面。将数据名称、数据简称、合同电力、数据种类、和电力/蒸气的需求数据的数据文件(目录)、成为需求变动的要因的需求条件数据(气象数据、事件数据)的目录、电力价格数据(卖电价格、发电价格、后援买电价格、负荷变动接续供给费用)等,在需求预测或成本计算中所用的数据类汇总起来作为数据集进行管理。
电力或蒸气的需求数据,是过去的电力或蒸气的需求实绩数据,例如每30分钟或者1小时所计测的过去的需求数据。希望是如果为了后援电力的买卖合同,需要申报每30分钟的预测需求则有每30分钟的数据,如果每1小时进行申报则有每1小时的数据(但是,如前所述,也可以从每1小时的数据来预测(分割)每30分钟的数据)。此外,数据例如是,对过去之日记录了每个时刻的需求量的CSV数据等,如果文件按每个期间被拆分开,则用保存了该数据的目录名等进行指定即可。此外。蒸气的需求数据,仅在需要蒸气的需求预测的情况下进行设置即可。
需求条件数据,是气象数据或事件数据等、与需求的增减有关系的数据。在这里,由气象数据和事件数据组成。
气象数据,如前所述是将气温(最高气温、最低气温、平均气温等)、风速、风向、湿度、天气、与前一天的气温差等、与电力的需求变动有关系的气象信息,与过去的年月日一起进行了记录的数据。在这里,设为记录了年月日和气温(最高气温、最低气温、平均气温等)、风速、风向、湿度、天气、与前一天的气温差等的CSV数据。为了对需求进行预测,对气象数据和电力(蒸气)需求数据的关系进行调查等中使用。
事件数据,如前所述是百货商店或超市的甩卖、情人节、圣诞节减价、宾馆的结婚式或事件大厅的事件信息等与需求的变动有关的事件的信息。是记录了年月日、在该日所进行(将进行)的事件的种类的数据。类似的事件也可以作为相同名称的事件(例如,特殊A、特殊B)进行登录。这样一来,需求数据的分类就变得容易。
电力价格数据,由卖电价格、发电价格、后援买电价格、负荷变动接续供给价格等组成。卖电价格数据是用于计算电力零售商将电力供给需求方时的价格的公式或参数等的数据。一般有对合同电力所花费的基本费用和依照电力使用量所花费的重量费用等。发电价格数据是用于计算在使用自家发电机进行发电的情况下所花费的成本的数据。是能够根据输出,计算每kWh所花费的成本等的公式或参数等的数据。
后援买电价格、负荷变动接续供给价格是用于计算买电成本的数据。在后援买电价格中,保存有规定用于计算在前一天进行了申报的部分的买电成本的公式或参数等的数据,在负荷变动接续供给价格中,保存有规定用于计算托运费用或在与前一天的申报偏离的情况下的罚金等的公式或参数等的数据。此外,在本实施例中,合并后援买电价格和负荷变动接续供给价格,作为买电成本进行说明。此外,在接受后援电力(本来预先知道不足的电力)的供给的对方,与接受负荷变动相对应电力(预定外的电力)供给或者请求电力的托运的对方不一样等情况下,也可以分别将成本分开进行计算。
使用上述所说明的数据集,求解需求预测公式,或者进行成本的计算。若在本画面(401)中按下确认按钮,则转移到图5的主菜单。
图5表示本系统的主菜单的、“分析菜单”画面(501)。分析菜单,由『利用过去的需求数据学习的“最佳需求预测方式分析”“收益分析”』和『次日的预测&收益分析的“次日需求预测”“次日收益分析”』4个菜单组成。首先,若选择『利用过去的需求数据学习的“最佳需求预测方式分析”』菜单,就成为图6的“最佳需求预测方式分析”画面。
图6表示“最佳需求预测方式分析”画面(601)。在“最佳需求预测方式分析”画面中,设置“需求预测模型的分析(更新学习)”和“规定的需求预测模型的显示”2个菜单。“需求预测模型的分析(更新学习)”是用于使用过去的数据进行需求预测模型的分析/更新学习的菜单。“规定的需求预测模型的显示”是用于显示已经用“需求预测模型的分析(更新学习)”求出的最佳的需求预测模型的菜单。设置“规定的需求预测模型的显示”菜单,是考虑到在用“需求预测模型的分析(更新学习)”进行关于多种预测模型的分析后,进行从其中求出最佳的预测模型这样的处理的情况下,由于有时分析要花费较长的时间,故在保持进行了1次分析的结果,可用“规定的需求预测模型的显示”立刻只进行显示。那么,首先对选择了“需求预测模型的分析(更新学习)”的情况进行说明。
图7表示“需求预测模型的分析(更新学习)”画面(701)。这是用于决定需求预测模型的画面。在画面左上的“最佳需求预测方式的决定”栏中,决定在本系统中使用的最佳的需求预测方式进行“自动评价”或者“手动选择”。此外,在本系统的例子中,支持如画面右上的菜单所示那样的、多个需求预测方式/参数((A1)平均化(3日):3日量的平均化、(A2)平均化(7日):7日量的平均化,(B1)单回归“最高气温”(1个月):1个月量的数据的最高气温和电力需求的单回归、(B2)单回归“最高气温”(1年):1年量的数据的最高气温和电力需求的单回归,(C1)多重回归“最高气温+最低气温”(1个月):1个月量的数据的最高气温、最低气温和电力需求的多重回归、(C2)多重回归“最高气温+最低气温”(1年):1年量的数据的最高气温、最低气温和电力需求的多重回归,等)(各个需求预测公式的计算的方法,在图2的需求预测公式的学习(更新)(201)项中已说明)。从这些菜单中所包含的多个需求预测方式/参数之中选择是“自动评价”还是“手动选择”最佳的需求预测方式。如果是进行“自动评价”的情况,就需要决定其评价基准。作为菜单准备了“误差分布的标准偏差最小”和“误差平均(绝对误差)最小”,从其中进行选择。另外,在“自动评价”的情况下,决定用于评价最好的方式/参数的评价期间。在这里,从菜单选择决定“自动评价期间”。
在计算出需求预测模型(需求预测公式(参数))之前,需要进行数据的分类处理。例如,在考虑事务所的电力需求的情况下,在平日(周一~周五)和休息日中,白天的电力使用量完全不同。另外,即使在休息日在周六和周日中,例如在周六,工作没做完而有少数人休息日上班,在周日就基本没有等、需求的倾向不同。在这种情况下,例如在适用需求预测方式(A1)3日量的平均化的情况下,若周一~周日全部的数据混在一起,则不能得到各日的正确的平均值。因此,就需要预先按每个具有相同需求倾向的数据对数据进行分类后,再决定需求预测公式或参数。因此,使用画面左下的“最佳模式分类的决定”栏,来决定模式分类的方法。在这里,如画面右下所示那样,一般较多将利用日的模式分类的候补(A)周一~周日(纪念日),(B)周一~周五、周六周日(纪念日)、(C)周一~周五、周六、周日(纪念日),(D)周一、周二~周五、周六、周日(纪念日),和除此以外(对全部的星期进行分类)(E)周一、周二、周三、周四、周五、周六、周日(纪念日),作为模式分类候补在菜单中进行提示。在这里,从画面右下所示的模式分类菜单之中选择是“自动评价”还是“手动选择”最佳模式分类。在“自动评价”的情况下,决定是“根据预测误差的评价”还是“根据需求的最大/最小幅度的评价”。“根据预测误差的评价”是与“最优需求预测方式的决定”(画面左上)一起将预测误差作为基准来决定最佳模式分类的方法。也就是,从(模式分类候补数)×(需求预测模型/参数候补数)的组合之中,以合理的预测误差的基准选择最佳。在“根据需求的最大/最小幅度的评价”中,自动选择需求的各时刻的最大值/最小值的幅度较小的模式分类。
在没有选择“自动评价”进行了“手动选择”的情况下,用户为了决定那个模式分类恰当,就需要用来决定的援助的信息。因此,按下“手动选择支援”按钮。于是,就出现图8的“手动选择支援”画面,显示用户可以决定恰当的模式分类那样的信息。
图8表示“手动选择支援”画面(801)。在“手动选择支援”画面中,提示在存在多个的模式分类之中,选择哪个模式分类,使需求的各时刻的最大值/最小值的幅度变小、用户能够在视觉上进行判断的信息。在画面中央,显示模式分类的种类((A)周一~周五,周六,周日(纪念日))。此模式分类的种类,对((A)周一~周五,周六,周日(纪念日)~(E)周一、周二、周三、周四、周五、周六、周日(纪念日))的种可以类进行切换。并且,在其下,对相当于模式分类的每个模式((a)周一~周五、(b)周六周日(纪念日)、(c)特殊A、(d)特殊B),显示表示各时刻及其需求量的最大/平均/最小的曲线。如果是能够熟练进行模式分类的情况,每个模式((a)(b)(c)(d))的曲线的需求的最大/最小的幅度,在各时刻都变窄。相对于此,在不同模式混在一起的情况下(例如:将图(a)和(b)放在一起的情况),各时刻的需求的最大/最小的幅度就会变宽。因此,用户就能够用菜单切换模式分类的种类(A)~(E),确认每个模式的曲线的需求的最大/最小的幅度,选择各模式最大/最小的幅度都变窄那样的模式分类。此外,图8中,在(A)周一~周五、周六周日(纪念日)的分类上,加上(c)特殊A、(d)特殊B,是为了在通常的需求之日的分类(a)周一~周五、(b)周六周日(纪念日)上,还加上在事件信息中所登录的特殊的需求之日(c)特殊A、(d)特殊B的分类来进行分类。即,在菜单上,表示通常的需求之日的分类,但实际上,加上通常之日,还需要在计算出需求预测公式(参数)前,对在事件信息中所登录的特殊的需求之日(c)特殊A、(d)特殊B,进行数据分类。
若在图8的曲线中寻找最佳模式分类,用菜单选择最优的模式分类并按下“确认”按钮,则返回到图7的画面(701)。
在图7的需求预测模型的分析(更新学习)画面(701)中,选择画面左上的“最佳需求预测方式的决定”栏,进而,对画面左下的“最佳模式分类的决定”进行“自动评价”或者利用图8所示的“手动选择支援”进行“手动选择”,然后按下“确认”按钮。于是,需求预测模型的分析/更新学习就得以进行。
需求预测模型的分析/更新学习,通过在图2的需求预测公式的学习(更新)(201)中所说明的方法,使用图4中所指定的电力(蒸气)需求数据和气象/事件信息等需求条件数据,计算出需求预测公式(参数)。此外,在计算需求预测公式(参数)时,如果对模式分类进行手动选择,则按照其对数据进行分类后计算出需求预测公式(参数)。在自动分类的情况、进行根据需求的最大/最小幅度的分类的情况下,在需求预测公式(参数)算出之前,事先以需求的最大/最小幅度为基准从(A)~(E)之中评价/决定哪个模式分类适当,并按照其对数据进行分类后计算出需求预测公式(参数)。但是,在自动评价最佳模式分类,自动评价基准被选择的情况下,由于从(模式分类候补数)×(需求预测模型/参数候补数)的组合之中,为了以合理的预测误差的基准选择最佳的,故在用全部的分类方法对数据进行分类后计算出需求预测公式(参数)。在自动评价最佳需求预测公式的决定的情况下,进行使用需求预测公式(参数)计算出的需求和需求的实绩数据的比较,求出预测误差。在用菜单将最优需求预测方式的自动评价基准设为“误差分布的标准偏差最小”的情况下,将误差分布的标准偏差成为最小的需求预测公式(参数),作为最佳的需求预测公式(参数)进行选择/决定。在用图7的菜单,将最佳需求预测方式的自动评价基准设为“误差平均(绝对误差)最小”的情况下,将误差平均(绝对误差)成为最小的需求预测公式(参数),作为最佳的需求预测公式(参数)进行选择/决定。此外,需求预测公式(参数),如果每1小时进行需求预测,则每个时刻求出最佳的预测公式(参数)。作为分析/更新学习的结果,显示图9、图10的画面。
图9表示“需求实绩数据分析结果”画面(901)。在此画面中,显示各时刻的电力需求量为怎样的值/范围这样的需求数据的概要。在画面上部,表示进行了分析评价的数据的期间、数据数、所选择的需求模式分类。在画面下部,表示每个模式各时刻和需求量的曲线。若在曲线中还显示需求量的平均值或对各时刻的需求分布的标准偏差进行了追加/扣除的值等,则需求的变动范围或容易变动的时刻等就一目了然。如果还按各分类模式的每个时刻,结合表示需求量的分布的曲线进行显示,则每个时刻中的需求分布就更加一目了然。
图10表示“最优需求预测方式和预测误差”画面(1001)。在此画面中,表示通过将需求预测误差作为基准的自动评价、或者手动选择所选择的最佳需求预测模型/参数和预测误差的信息。在画面上部,表示全体(全部分类模式、全部时刻平均)中的预测误差分布的标准偏差以及预测误差(绝对值)的平均。在其下部,对每个分类模式(图中为(a)周一~周五),示出表示各时刻的预测误差分布的标准偏差和预测误差(绝对误差)的平均的曲线。另外,表示在该分类模式内的各时刻的平均的预测误差的标准偏差以及预测误差(绝对值)的平均。另外,按分类模式(图中为(a)周一~周五)的每个时刻(图中为12点的例子),表示最佳预测方式和预测公式(参数)以及预测误差的分布、预测误差分布的标准偏差和预测误差(绝对值)的平均。在画面中,能够切换分类模式(图中为(a)周一~周五)和时刻(图中为12点),来确认全部的每个分类模式的各时刻的最佳需求预测方式和需求预测公式/参数等。
接着,在图5的分析菜单画面(501)中,对选择了『利用过去的需求数据学习的“收益分析”』菜单时的动作进行说明。若选择『利用过去的需求数据学习的“收益分析”』菜单,则显示图11的画面。
图11表示“利用过去的需求数据学习的收益分析”画面(1101)。首先,设定收益分析的评价期间、后援合同的选择条件。在图中,例如,用过去1年间的数据进行评价,作为后援合同的条件,进行指定以选择2σ范围内的收益最差为400,000日元/日以上,其中收益的期待值成为最大的最佳后援合同(关于最优的后援合同的决定方法,随后在图14“次日收益分析”之处详细进行说明)。于是,系统在进行由本系统的后援合同最优化技术所求出的最佳后援合同的情况下,用过去的数据计算出收益是多少。即,在本系统中,由于对每个时刻求出最佳需求预测公式(参数),所以能够使用过去的气象/事件数据等需求条件数据和过去的需求数据,可以准备(从气象/事件/日历等信息)过去的某日的需求在前一天进行了多少需求预测,实际上为多少需求这样的、在前一天所预测的需求信息和当天的实际信息的数据。从而,由前一天进行了的最优化的合同,就可知实际在当天花费了多少自家发电成本/后援买电成本,营业额是多少,有多少收入。因此,如图11那样,就能够显示过去的平均收益或、每月、每日的营业额、收益、自家发电成本、后援买电成本(以及后援买电成本中,负荷变动/接续供给部分的成本)、需求量等。如果需要显示详细的信息,则也可以如图12那样,关于营业额、收益、自家发电成本、后援买电成本、负荷变动/接续供给成本、需求量等信息,可以显示每月的平均值或每日的平均值等。上面,关于利用过去的数据的收益分析结果的创建方法、显示方法进行了表示。
接着,对在图5的分析菜单画面(501)中,对选择了『次日的预测&收益分析的“次日需求预测”』菜单时的动作进行说明。若选择『次日的预测&收益分析的“次日需求预测”』菜单,则显示图13的画面。
图13表示“次日需求预测”画面(1301)。在这里,输入想进行需求预测的日期(次日的日期)、星期、该日的预想最高气温和预想最低气温、风速等影响到需求的条件,并按下“确认”按钮。于是,使用在图5的『利用过去的需求数据学习的“最优需求预测方式分析”』菜单中用图10的画面进行指定求出的、每个模式分类/时刻的最佳需求预测公式,计算出次日的各时刻的需求量,并用如图那样的曲线等进行显示。进而,过去数据中的需求的变动(对预测误差的标准偏差量进行了追加、扣除的值等)也进行显示为好。从此信息,就能够得知次日的各时刻的需求量的预测值及其变动范围。那么,虽然在这里,用需求预测在每个时刻进行的例子来表示,但除每1小时以外,还经常有每30分钟进行等情形。
接着,对在图5的分析菜单画面(501)中,对选择了『次日的预测&收益分析的“次日收益分析”』菜单时的动作进行说明。若选择『次日的预测&收益分析的“次日收益分析”』菜单,则显示图14那样的画面。
图14表示“次日收益分析”画面(1401)。在这里,进行对于图13中所求出的次日的需求预测结果的收益的分析。画面中,显示次日的日期。另外,由于需求预测结果对每个时刻进行求解,故用中央的菜单指定时刻。于是,显示该时刻的需求预测值和需求分布的标准偏差以及图表。图表在纵轴显示估计需求量/买电合同量,在横轴显示实际的需求及其发生频率。
对估计需求量/买电合同量和实际的需求及其发生频率的表进行说明。纵轴中所示的估计需求量是指在次日的此时刻,估计成为此需求的需求量。买电合同量是表示,如果成为此估计需求量是准确的情况,则买电合同签订多少为好的值。若设估计需求量是绝对的情况,则在估计需求量之中,可用成本便宜的自家发电机进行供应的尽量用自家发电机来供应,剩余的从电力公司等购入后援电力为上策。也就是,在估计需求量已决定时,对于其的最优的买电合同量为,
(买电合同量)=(估计需求量)-(自家发电机的MAX输出)
例如,对图中带颜色的栏进行说明,若假设(估计)次日12时的需求为
(需求预测值)+2×(需求分布标准偏差)
准确,则最佳买电合同量就为,
(买电合同量)=(估计需求量)-(自家发电机的MAX输出)=(需求预测值)+2×(需求分布标准偏差)-(自家发电机的MAX输出)。那么,即使这样进行估计(签订买电合同),实际上需求是怎样,如图表的横轴所示那样,
(a)成为需求预测值的概率:38.3%
(b)成为需求预测值+需求分布标准偏差的概率:24.2%
(c)成为需求预测值-需求分布标准偏差的概率:24.2%
(d)成为需求预测值+2×需求分布标准偏差的概率:6.1%
(e)成为需求预测值-2×需求分布标准偏差的概率:6.1%
越靠近需求预测值,成为该值的概率就越高(这里,成为实际的需求量多少的概率为百分之几,从需求预测误差的分布的平均/标准偏差求出。)。
尽管将后援电力的买电合同设成
(买电合同量)=(估计需求量)-(自家发电机的MAX输出)=(需求预测值)+2×(需求分布标准偏差)-(自家发电机的MAX输出)
但实际的需求成为(c)需求预测值或(d)需求预测值+需求分布标准偏差时的卖电量、卖电价格、(自家)发电量、(自家)发电成本、(后援)买电量、(后援)买电成本从自家发电成本信息或后援电力成本信息(+接续供给成本)求出。然后,例如,实际的需求成为(c)需求预测值情形的收益,由:
(收益(c))=(卖电价格)-(自家发电成本)-(后援买电成本)。
所求出。
根据上面的信息,将后援电力的买电合同设成:
(买电合同量)=(估计需求量)-(自家发电机的MAX输出)=(需求预测值)+2×(需求分布标准偏差)-(自家发电机的MAX输出)
时的收益的期待值由:
(收益的期待值)
=(收益(a)×成为收益(a)的(实际的需求成为(a))的频率)
+(收益(b)×成为收益(b)(实际的需求成为(b))的频率)
+(收益(c)×成为收益(c)(实际的需求成为(c))的频率)
+(收益(d)×成为收益(d)(实际的需求成为(d))的频率)
+(收益(e)×成为收益(e)(实际的需求成为(e))的频率)
所求出。
如果求解对于各个估计需求量/买电合同量的收益的期待值,则能够求得相对后援电力的买电成本或自家发电的成本,收益的期待值成为最高的估计需求量/买电合同量。此外,尽管在图中的例子,估计需求量/买电合同量和实际的需求仅是各记录5个,但(即使在只显示5个的情况下)以更加细小的刻度来进行计算,期待值的精度当然会变好。
关于显示,在将图右下的纵横轴参数的选择按钮选择为“固定”时,也只显示预测值-2×标准偏差(a)、预测值-标准偏差(b)、预测值(c)、预测值+标准偏差(d)、预测值+2×标准偏差(e)5种情形,若将参数的选择按钮设为“任意”,则假设还能够使用画面滚动条等,详细地显示例如,预测值-3.0×标准偏差、预测值-2.9×标准偏差、...、预测值+2.9×标准偏差、预测值+3.0×标准偏差等。此时,期待值成为最大的估计需求量/后援买电合同量的栏,加上颜色,或者最先显示在画面上等,设法使用户容易看见为好。
为研究将后援买电合同设为多少为好,将参数设为“任意”(详细),确认收益的期待值成为最大的后援买电合同值,或者在该情况下,最差情形(例如:2σ、在包含95%中最差的情形)下的收益为多少(在该收益下能否经受得住)为好,如果收益的期待值成为最大的后援买电合同值,是不能容许最差情形下的收益的情况,则选择能够容许最差情形下的收益、且在其中收益的期待值成为最大的后援买电合同为好。
此外,在图11、图12中所说明的、利用过去数据的收益分析中,就能够用图14中所说明那样的方法(指定在最差情形(例如:2σ、在包含95%中最差的情形)下能够容许的收益,选取在其中收益的期待值成为最大的后援买电合同,从实际的需求量求出收益)进行分析。收益的期待值成为最大的后援买电合同(估计需求量)的情形下的估计需求量亦即,按成本进行了最优化的(a)需求预测追加比率(量)(在这里,估计需求量为对需求预测值加上了追加的量)。另外,收益的期待值成为最大的后援买电合同(估计需求量)的情形下的自家发电MAX和买电合同量亦即,按成本进行了最优化的(b)自家发电/买电比率(量)。
此外,也可以如图19所示那样,将买电合同量(或者估计需求量)和收益的期待值的关系用曲线显示。也可以在曲线中,显示收益的期待值成为最高的最佳买电合同量1901和此时(最佳买电合同时)的收益的期待值1902以及该点等。通过进行曲线显示,买电合同量和收益的期待值的关系就更加容易明白。
进而,也可以如图18所示那样,显示对各估计需求/后援合同,必须支付罚款(同时同量未达到)的情形以及其概率。在必须支付罚款(同时同量未达到)的情形频繁发生的情况下,例如从管理电力系统的人员(电力公司等)有提高明年度的合同电力的指导。在该情况下,由于在明年度为提高合同电力所花费的成本增加,故成为对于其进行考虑用的参考。
也可以如图20所示那样,用曲线显示买电合同量(或者估计需求量)和收益的期待值、以及买电合同量(或者估计需求量)和同时同量未达到概率的关系。由此,在明白收益的期待值成为最高的最佳买电合同量2002和此时(最佳买电合同时)的收益的期待值2001的同时,还在视觉上容易明白同时同量成为未达到的概率2003。另外,参照此曲线,还可选择即使收益的期待值略低一些,但减少同时同量未达到的概率那样的买电合同。
在需求预测&后援合同最优化系统中,从预测误差分布信息求得最优的需求预测追加比率(量)和自家发电/买电比率(量)的方法,可以不限于图14所示的方法(例如:根据从需求预测模型求出的值和实际的需求者之差求得需求预测误差分布,使用仿真求得使后援合同各种各样进行变化情况下的收益,以求得最佳需求预测追加比率(量)和自家发电/买电比率(量)等)。
通过上面处理,就能够实现需求预测&后援合同最优化系统。
(第2发明)
接着,对为了削减后援成本,提高需求预测精度用的努力进行说明。在进行需求预测上,提高有特别事件这样的特殊日的预测精度是重要的。但是,是不是特殊日,一般如果需求方不公开信息就不会知道。为了让需求方积极地进行信息公开,在从需求方得到事件等有关需求变动的信息时,支付对于该信息的补偿是有效的。作为补偿的支付方法,可考虑由享受到因需求预测精度提高带来的后援成本削减的好处的电力零售商,以电气费用的折扣之类的形式进行还原。或者,在需求预测/后援合同最优化作为服务进行销售的公司从需求方得到信息的情况下,也可以由服务公司对于有益于需求预测精度提高的信息的提供进行补偿来支付。图15中示出用于实现上面处理的装置(构成)。由根据事件等信息的需求(变动)预测装置(1501)、来自需求方的事件等信息取得装置(1502)、以及对于来自需求方的信息的电气费用折扣装置(或者补偿支付装置)(1503)组成。在专利文献1中,有需求方预测自己的电力需求,根据实际上预测命中多少对电气费用打折扣的实施例。但是在此专利文献1所记载的技术中,需求方必须预测自己的需求。但是,需求方(例如,百货商店、事务所)预测自己的需求较难。在本发明中,持有需求预测&后援合同最优化技术的一方,由于具备事件等信息的需求(变动)预测装置(1501),由此需求方,仅通过提供事件等似乎与需求的变动有关的信息,就能够受到电气费用的折扣,实用且方便。
还有将包含图15的构成的需求预测(后援合同最优化)系统,例如与宾馆的(因特网)预约系统联合起来,进行电气费用的打折这样的方法。除此以外,还可以与流通业的事件(甩卖/文娱事件)管理系统、工厂的生产管理系统、事务所的工作日历/上班管理系统等各种各样的系统联合起来,接受与需求变动有关的信息的提供。如果进行这样的系统联合,则能够节省需求方周电话/文件等提交事件等信息的工作(但是,即使没有进行系统联合,只要具有能够从需求方取得事件等信息的装置、根据事件等信息来预测需求(变动)的装置、以及如果取得来自需求方的事件则进行对于来自需求方的信息的电气费用打折(补偿支付)的计算的装置,并能够取得事件等信息就可得到所期待的效果)。
接着,对本系统的利用形态进行说明。本系统并不仅停留于电力零售商为了提高自己的收益而进行利用,还可考虑各种各样的利用形态。图17表示电力自由化后的电力市场及其参与者。本系统也可以作为在电力市场上进行需求预测&后援合同最优化的服务的服务公司,来进行服务的提供。除此以外,还可用于电力交易所的运营中介单位为提高其附加价值而作为服务进行提供,或者电力零售商自己进行利用(或者提供服务),或者发电企业自己进行利用(或者提供服务),或者需求方自己进行利用(或者提供服务),以分别取得后援成本的削减或、利用服务的利益教授、或者电气费用的折扣等利益。另外,本系统的利用并不限定于国内,在国外的各种各样的电力市场、各国的状况下也可进行利用。
通过上面处理,就能够实施本发明。
能够求得在用自家发电机+电力公司等的后援电力,进行电力零售时,用于使发电+电力购入成本最小的
(a)最佳需求预测值的追加比率(量)
(b)最佳自家发电/买电比率(量),
使电力零售商的收益最大化。
能够使特殊的需求之日的需求预测的精度提高,以降低后援电力购入成本。
Claims (5)
1.一种后援电力购入量预约支援系统,其特征在于,备有:
具有预测需求方的需求的多个预测模型的数据库;
根据上述多个预测模型,求出各自的多个过去的需求预测结果的单元;
用于存储上述各个的多个过去的需求预测结果的数据库;
存储过去的实际的需求方的需求量的需求实绩数据库;
将上述各自的多个过去的需求预测结果和上述过去的实际的需求方的需求量进行比较,选择最佳的预测模型的单元;
存储上述最佳预测模型的数据库;
根据上述最佳预测模型,求出将来的需求预测以及其变动范围的单元;
存储上述将来的需求预测和上述其变动范围的数据库;
对上述将来的需求预测和上述其变动范围,决定在设定后援电力的购入预约量时使所期待的后援电力购入成本的期待值成为最小的后援电力购入预约量的单元。
2.一种后援电力购入量预约支援系统,其特征在于,备有:
预测需求方的需求的多个预测单元;
通过上述多个预测单元,求出各个的多个过去的需求预测结果的单元;
用于存储上述各个的多个过去的需求预测结果的数据库;
存储过去的实际的需求方的需求量的需求实绩数据库;
将上述各个的多个过去的需求预测结果和上述过去的实际的需求方的需求量进行比较,选择最佳的预测单元的单元;
根据上述最佳预测单元,求出将来的需求预测以及其变动范围的单元;
存储上述将来的需求预测和上述其变动范围的数据库;
对上述将来的需求预测和上述其变动范围,决定在设定后援电力的购入预约量时使所期待的后援电力购入成本的期待值成为最小的后援电力购入预约量的单元。
3.一种后援电力购入量预约支援系统,其特征在于,备有:
接收与需求方的需求变动有关的信息的单元;
存储上述与需求方的需求变动有关的信息的数据库;
具有预测需求方的需求的多个预测模型的数据库;
根据上述多个预测模型,求出各个的多个过去的需求预测结果的单元;
存储上述各个的多个过去的需求预测结果的数据库;
存储过去的实际的需求方的需求量的需求实绩数据库;
将上述各个的多个过去的需求预测结果和上述过去的实际的需求方的需求量进行比较,选择最佳的预测模型的单元;
存储上述最佳预测模型的数据库;
根据上述最佳预测模型和与上述需求方的需求变动有关的信息,求出第1个将来的需求预测以及其第1个变动范围的单元;
存储上述第1个将来的需求预测和上述其第1个变动范围的数据库;
对于上述第1个将来的需求预测和上述其第1个变动范围,决定在设定了后援电力的购入预约量时使所期待的后援电力购入成本的期待值成为最小的第1个后援电力购入预约量的单元;
存储上述第1个后援电力购入预约量的数据库;
不根据与上述需求方的需求变动有关的信息,而是根据上述最佳预测模型,求出第2个将来的需求预测以及其第2个变动范围的单元;
存储上述第2个将来的需求预测以及上述其第2个变动范围的数据库;
对于上述将来第2个将来的需求预测和上述其第2个变动范围,决定在设定了后援电力的购入预约量时使所期待的后援电力购入成本的期待值成为最小的第2个后援电力购入预约量的单元;
存储上述第2个后援电力购入预约量的数据库;
在到了实际预测的时间点时,当购入上述第1个后援电力购入预约量所需的成本比购入上述第2个后援电力购入预约量所需的成本小时,将节约了的成本的一部分还给需求方的单元。
4.一种后援电力购入量预约支援系统,其特征在于,备有:
接收与需求方的需求变动有关的信息的单元;
存储与上述需求方的需求变动有关的信息的数据库;
预测需求方的需求的多个预测单元;
根据上述多个预测单元,求出各个的多个过去的需求预测结果的单元;
存储上述各个的多个过去的需求预测结果的数据库;
存储过去的实际的需求方的需求量的需求实绩数据库;
将上述各个的多个过去的需求预测结果和上述过去的实际的需求方的需求量进行比较,选择最佳的预测单元的单元;
根据上述最佳预测单元和与上述需求方的需求变动有关的信息,求出第1个将来的需求预测以及其第1个变动范围的单元;
存储上述第1个将来的需求预测和上述其第1个变动范围的数据库;
对于上述第1个将来的需求预测和上述其第1个变动范围,决定在设定了后援电力的购入预约量时使所期待的后援电力购入成本的期待值成为最小的第1个后援电力购入预约量的单元;
存储上述第1个后援电力购入预约量的数据库;
不根据与上述需求方的需求变动有关的信息,而是根据上述最佳预测单元,求出第2个将来的需求预测以及其第2个变动范围的单元;
存储上述第2个将来的需求预测以及上述其第2个变动范围的数据库;
对于上述将来第2个将来的需求预测和上述其第2个变动范围,决定在设定了后援电力的购入预约量时使所期待的后援电力购入成本的期待值成为最小的第2个后援电力购入预约量的单元;
存储上述第2个后援电力购入预约量的数据库;
在到了实际预测的时间点时,当购入上述第1个后援电力购入预约量所需的成本比购入上述第2个后援电力购入预约量所需的成本小时,将节约了的成本的一部分还给需求方的单元。
5.如权利要求1至4中任意一项所述的后援电力购入量预约支援系统,其特征在于:
上述将来是指次日。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2003129682A JP3994910B2 (ja) | 2003-05-08 | 2003-05-08 | 電力売買支援システム |
JP129682/2003 | 2003-05-08 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2004100366705A Division CN1574537A (zh) | 2003-05-08 | 2004-04-29 | 电力买卖支援系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101159046A true CN101159046A (zh) | 2008-04-09 |
Family
ID=33505409
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2004100366705A Pending CN1574537A (zh) | 2003-05-08 | 2004-04-29 | 电力买卖支援系统 |
CNA2007101619023A Pending CN101159046A (zh) | 2003-05-08 | 2004-04-29 | 后援电力购入量预约支援系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2004100366705A Pending CN1574537A (zh) | 2003-05-08 | 2004-04-29 | 电力买卖支援系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US7711655B2 (zh) |
JP (1) | JP3994910B2 (zh) |
CN (2) | CN1574537A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103123696A (zh) * | 2011-11-17 | 2013-05-29 | 索尼公司 | 电力管理设备和电力管理方法 |
US10447035B2 (en) | 2013-02-27 | 2019-10-15 | Hitachi, Ltd. | Electric power creation control system and method |
CN110610252A (zh) * | 2018-06-14 | 2019-12-24 | 株式会社日立物流 | 预测系统以及预测方法 |
CN113168656A (zh) * | 2018-11-30 | 2021-07-23 | 三菱电机株式会社 | 交易价格预测装置以及交易价格预测方法 |
Families Citing this family (112)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7873442B2 (en) * | 2002-05-20 | 2011-01-18 | The Energy Authority, Inc. | System and method for managing and optimizing power use |
US9811061B1 (en) | 2001-05-18 | 2017-11-07 | The Energy Authority, Inc. | Method for management and optimization of hydropower generation and consumption |
JP2006157984A (ja) * | 2004-11-25 | 2006-06-15 | Hitachi Ltd | 電力需要予測システム |
JP4405415B2 (ja) * | 2005-03-16 | 2010-01-27 | 中部電力株式会社 | 電力取引評価支援システムと方法、プログラム、サーバ、および端末 |
JP2006330775A (ja) * | 2005-05-23 | 2006-12-07 | Hitachi Ltd | 電力取引契約支援システム |
JP2006350920A (ja) * | 2005-06-20 | 2006-12-28 | Toshiba Corp | エネルギー需要予測システム及び需要予測方法 |
JP4352028B2 (ja) * | 2005-06-29 | 2009-10-28 | 富士通株式会社 | 運用ポリシー評価システムおよび運用ポリシー評価プログラム |
JP2007097310A (ja) * | 2005-09-29 | 2007-04-12 | Sanyo Electric Co Ltd | 系統連係システム |
JP2007241360A (ja) * | 2006-03-06 | 2007-09-20 | Osaka Gas Co Ltd | エネルギ需要量予測支援システム |
JP5208388B2 (ja) * | 2006-08-23 | 2013-06-12 | 中国電力株式会社 | 電気料金契約・清算システム |
JP2008102115A (ja) * | 2006-09-21 | 2008-05-01 | Toshiba Corp | 気象予測システム及び気象予測方法 |
WO2008039759A2 (en) * | 2006-09-25 | 2008-04-03 | Intelligent Management Systems Corporation | System and method for resource management |
US8650057B2 (en) * | 2007-01-19 | 2014-02-11 | Accenture Global Services Gmbh | Integrated energy merchant value chain |
JP5063146B2 (ja) * | 2007-03-12 | 2012-10-31 | 中国電力株式会社 | 電力取引予測システムおよび電力取引予測プログラム |
US9195508B1 (en) * | 2007-05-08 | 2015-11-24 | Hewlett-Packard Development Company, L.P. | Allocation of resources among computer partitions using plural utilization prediction engines |
US7979360B2 (en) * | 2007-05-29 | 2011-07-12 | Accenture Global Services Limited | Error propagation in calculation with conditional alternatives |
JP5242988B2 (ja) * | 2007-10-23 | 2013-07-24 | 株式会社エヌ・ティ・ティ・データ | 統合需要予測装置、統合需要予測方法、及び統合需要予測プログラム |
US8013861B2 (en) * | 2007-10-31 | 2011-09-06 | International Business Machines Corporation | Reducing a display quality of an area in a virtual universe to conserve computing resources |
US8214750B2 (en) | 2007-10-31 | 2012-07-03 | International Business Machines Corporation | Collapsing areas of a region in a virtual universe to conserve computing resources |
US8127297B2 (en) | 2007-10-31 | 2012-02-28 | International Business Machines Corporation | Smart virtual objects of a virtual universe independently select display quality adjustment settings to conserve energy consumption of resources supporting the virtual universe |
US8127235B2 (en) | 2007-11-30 | 2012-02-28 | International Business Machines Corporation | Automatic increasing of capacity of a virtual space in a virtual world |
US8447993B2 (en) * | 2008-01-23 | 2013-05-21 | Palo Alto Research Center Incorporated | Integrated energy savings and business operations in data centers |
JP5119022B2 (ja) * | 2008-03-26 | 2013-01-16 | 東京瓦斯株式会社 | 可変的予測モデル構築方法、及び、可変的予測モデル構築システム |
JP2009251742A (ja) * | 2008-04-02 | 2009-10-29 | Central Res Inst Of Electric Power Ind | 需要予測装置、需要予測方法および需要予測プログラム |
US7996164B2 (en) * | 2008-05-06 | 2011-08-09 | International Business Machines Corporation | Managing energy usage by devices associated with a virtual universe resource conservation region |
US8199145B2 (en) * | 2008-05-06 | 2012-06-12 | International Business Machines Corporation | Managing use limitations in a virtual universe resource conservation region |
US7873485B2 (en) * | 2008-05-08 | 2011-01-18 | International Business Machines Corporation | Indicating physical site energy usage through a virtual environment |
US20090281885A1 (en) * | 2008-05-08 | 2009-11-12 | International Business Machines Corporation | Using virtual environment incentives to reduce real world energy usage |
US8140873B2 (en) * | 2008-06-27 | 2012-03-20 | International Business Machines Corporation | User imposed power constraints on web server based on user preferences |
US9268385B2 (en) * | 2008-08-20 | 2016-02-23 | International Business Machines Corporation | Introducing selective energy efficiency in a virtual environment |
US8086544B2 (en) * | 2008-09-03 | 2011-12-27 | International Business Machines Corporation | Analysis of energy-related factors for selecting computational job locations |
US8234016B2 (en) | 2008-09-03 | 2012-07-31 | International Business Machines Corporation | Power metadata transfer over power lines |
US8214843B2 (en) * | 2008-09-03 | 2012-07-03 | International Business Machines Corporation | Framework for distribution of computer workloads based on real-time energy costs |
US8065098B2 (en) * | 2008-12-12 | 2011-11-22 | Schneider Electric USA, Inc. | Progressive humidity filter for load data forecasting |
JP5139967B2 (ja) * | 2008-12-19 | 2013-02-06 | 株式会社 日立東日本ソリューションズ | 需要予測装置 |
JP4703736B2 (ja) * | 2009-03-02 | 2011-06-15 | 株式会社東芝 | エネルギー管理システム及び方法 |
JP5467339B2 (ja) * | 2009-07-21 | 2014-04-09 | パナソニック株式会社 | 燃料電池システム |
JP2011095946A (ja) * | 2009-10-29 | 2011-05-12 | Mitsubishi Electric Corp | 予測誤差評価装置及び予測誤差評価方法及び予測誤差評価プログラム |
JP2011101534A (ja) * | 2009-11-06 | 2011-05-19 | Panasonic Electric Works Co Ltd | 電力融通システム |
JP5606114B2 (ja) * | 2010-03-19 | 2014-10-15 | 株式会社東芝 | 発電量予測装置、予測方法及び予測プログラム |
JP5101675B2 (ja) * | 2010-09-09 | 2012-12-19 | 株式会社東芝 | 需給バランス制御装置 |
CN102918735B (zh) * | 2010-10-27 | 2016-10-12 | 松下知识产权经营株式会社 | 电力供应系统 |
JP5654866B2 (ja) * | 2010-12-22 | 2015-01-14 | 中部電力株式会社 | 逆潮流想定方法 |
US20120179596A1 (en) * | 2011-01-11 | 2012-07-12 | Kenji Mitsumoto | Power reserve margin trading system and power reserve margin trading method |
JP5487125B2 (ja) * | 2011-01-11 | 2014-05-07 | 株式会社東芝 | 電力需給調整予備力取引システムおよび電力需給調整予備力取引方法 |
JP5596220B2 (ja) * | 2011-03-07 | 2014-09-24 | 株式会社日立製作所 | エネルギー消費管理のためのシステム、方法及びコンピュータプログラム |
JP2012190385A (ja) * | 2011-03-14 | 2012-10-04 | Yokogawa Electric Corp | 集計解析支援装置およびコンピュータプログラム |
CN102156918B (zh) * | 2011-04-19 | 2016-04-20 | 中国科学院深圳先进技术研究院 | 智能电网播报系统及方法 |
JP5789421B2 (ja) * | 2011-06-10 | 2015-10-07 | アズビル株式会社 | 負荷量予測装置、負荷量予測方法および負荷量予測プログラム |
JP5492848B2 (ja) * | 2011-09-20 | 2014-05-14 | 株式会社日立製作所 | 電力需要予測システムおよび方法 |
WO2013065114A1 (ja) * | 2011-10-31 | 2013-05-10 | 三菱電機株式会社 | 配電系統電圧制御システム、配電系統電圧制御方法、及び集中電圧制御装置 |
US20150012147A1 (en) * | 2012-01-20 | 2015-01-08 | Energy Aware Technology Inc. | System and method of compiling and organizing power consumption data and converting such data into one or more user actionable formats |
US20190317463A1 (en) | 2012-05-19 | 2019-10-17 | Growing Energy Labs, Inc. | Adaptive energy storage operating system for multiple economic services |
US9817376B1 (en) | 2012-05-19 | 2017-11-14 | Growing Energy Labs, Inc. | Adaptive energy storage operating system for multiple economic services |
US9251543B2 (en) * | 2012-06-21 | 2016-02-02 | Christopher Sticht | Predictive method, apparatus and program product |
US20160162606A1 (en) * | 2012-06-21 | 2016-06-09 | Christopher Sticht | Method, Apparatus and Program Product for Prediction |
US20160140268A1 (en) * | 2012-06-21 | 2016-05-19 | Christopher Sticht | Prediction Using Method, Apparatus and Program Product |
JP6029901B2 (ja) * | 2012-09-13 | 2016-11-24 | アズビル株式会社 | 負荷量予測装置および負荷量予測方法 |
JP2014078127A (ja) * | 2012-10-10 | 2014-05-01 | Sharp Corp | 情報処理装置、情報処理方法及びプログラム |
JP2014078137A (ja) * | 2012-10-10 | 2014-05-01 | Sharp Corp | 情報処理装置、情報処理方法及びプログラム |
US10366403B2 (en) | 2012-10-15 | 2019-07-30 | International Business Machines Corporation | Distributed forecasting and pricing system |
JP5551806B2 (ja) * | 2013-04-04 | 2014-07-16 | 株式会社エヌ・ティ・ティ・データ | 統合需要予測装置、統合需要予測方法、及び統合需要予測プログラム |
CN105324790A (zh) * | 2013-06-26 | 2016-02-10 | 三菱电机株式会社 | 供需计划装置、供需计划方法、供需计划程序及记录介质 |
EP3016229B1 (en) * | 2013-06-27 | 2017-08-09 | Panasonic Corporation | Power adjustment device, power adjustment method, power adjustment system, power storage device, server, program |
JP6233686B2 (ja) * | 2013-08-09 | 2017-11-22 | パナソニックIpマネジメント株式会社 | 電力調整装置、プログラム |
EP3032692A4 (en) | 2013-08-09 | 2016-08-03 | Panasonic Ip Man Co Ltd | POWER ADJUSTMENT DEVICE, POWER ADJUSTMENT METHOD AND PROGRAM |
JP6104116B2 (ja) * | 2013-09-26 | 2017-03-29 | アズビル株式会社 | エネルギー削減量予測方法および装置 |
US10637240B2 (en) | 2014-01-24 | 2020-04-28 | Fujitsu Limited | Energy curtailment event implementation based on uncertainty of demand flexibility |
US20150213466A1 (en) * | 2014-01-24 | 2015-07-30 | Fujitsu Limited | Demand response aggregation optimization |
JP5864821B1 (ja) * | 2014-07-24 | 2016-02-17 | 三菱電機株式会社 | 需給制御装置、充放電制御装置、蓄電装置、需給制御システムおよび需給制御方法 |
EP3699834A1 (en) * | 2014-07-31 | 2020-08-26 | Growing Energy Labs Inc. | Predicting and optimizing energy storage lifetime performance with adaptive automation control software |
US9778673B2 (en) * | 2014-08-26 | 2017-10-03 | Nec Corporation | Collaborative load balancing within a community of energy nodes |
JP6467216B2 (ja) * | 2014-12-18 | 2019-02-06 | 株式会社日立製作所 | 熱源システム管理装置、熱源システム管理方法、及びプログラム |
JP6520142B2 (ja) * | 2015-01-23 | 2019-05-29 | 中国電力株式会社 | 最適取引量決定システム、最適取引量決定方法及びプログラム |
JP6467953B2 (ja) * | 2015-01-30 | 2019-02-13 | 中国電力株式会社 | 気温予測システム、気温予測方法およびプログラム |
JP6793320B2 (ja) * | 2015-02-23 | 2020-12-02 | パナソニックIpマネジメント株式会社 | 給電計画装置、給電計画方法、およびプログラム |
US10205322B1 (en) | 2015-03-09 | 2019-02-12 | Cummins Power Generation Ip, Inc. | Economically efficient operation of a power generator |
JP6615500B2 (ja) * | 2015-06-10 | 2019-12-04 | 株式会社東芝 | 契約電力決定支援装置、契約電力決定支援方法及び契約電力決定支援プログラム |
JP2017045197A (ja) * | 2015-08-25 | 2017-03-02 | 富士通株式会社 | 情報処理装置、マイグレーション制御プログラムおよび情報処理システム |
JP6587889B2 (ja) * | 2015-10-05 | 2019-10-09 | 株式会社東芝 | 電気料金メニュー推定装置、電気料金メニュー推定方法、及び電気料金メニュー推定プログラム |
JP6819607B2 (ja) * | 2015-11-30 | 2021-01-27 | 日本電気株式会社 | 情報処理システム、情報処理方法および情報処理用プログラム |
CN108292860B (zh) * | 2015-12-10 | 2022-04-08 | 三菱电机株式会社 | 电力控制装置、运转计划制定方法以及记录介质 |
KR101785344B1 (ko) * | 2015-12-30 | 2017-10-17 | 주식회사 효성 | 전력 공급 제어방법 및 시스템 |
WO2017126069A1 (ja) * | 2016-01-21 | 2017-07-27 | 富士通株式会社 | 電力需要値算出システム、電力需要値算出方法および電力需要値算出プログラム |
JP6513039B2 (ja) * | 2016-01-27 | 2019-05-15 | 三菱電機株式会社 | エネルギー需給計画装置およびエネルギー需給計画プログラム |
WO2017149780A1 (ja) * | 2016-03-04 | 2017-09-08 | 楽天株式会社 | 情報処理装置、情報処理方法、および情報処理プログラム |
JP6706957B2 (ja) * | 2016-04-06 | 2020-06-10 | 三菱電機株式会社 | エネルギー需給計画策定装置及びエネルギー需給計画策定プログラム |
JP2018013934A (ja) * | 2016-07-20 | 2018-01-25 | 株式会社東芝 | 電力価格予測装置 |
JP6893323B2 (ja) * | 2016-10-04 | 2021-06-23 | パナソニックIpマネジメント株式会社 | 発電設備情報推定システムおよび発電設備情報推定方法 |
JP6911507B2 (ja) * | 2016-10-31 | 2021-07-28 | 富士通株式会社 | 推定方法、推定装置および推定プログラム |
JP6177410B1 (ja) * | 2016-11-07 | 2017-08-09 | 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 |
JP6464129B2 (ja) * | 2016-11-07 | 2019-02-06 | 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 |
US20180225684A1 (en) * | 2017-02-03 | 2018-08-09 | General Electric Company | Strategic operation of variable generation power plants |
JP6727149B2 (ja) * | 2017-02-10 | 2020-07-22 | 株式会社日立製作所 | 電力取引支援装置および市場価格予測情報生成方法 |
JP6894283B2 (ja) * | 2017-04-20 | 2021-06-30 | 清水建設株式会社 | 発電機運転制御装置、及び発電機運転制御方法 |
JP6848647B2 (ja) * | 2017-04-21 | 2021-03-24 | 富士電機株式会社 | 需給計画計算支援装置、方法、及びプログラム |
JP6845091B2 (ja) * | 2017-06-02 | 2021-03-17 | 株式会社東芝 | 電力小売り事業評価装置および電力小売り事業評価方法 |
JP6438548B1 (ja) * | 2017-08-24 | 2018-12-12 | 東北電力株式会社 | 電力デマンド予測方法及び電力デマンド予測システム |
JP2019087027A (ja) * | 2017-11-07 | 2019-06-06 | 株式会社東芝 | 需要予測装置、需要予測方法および需要予測プログラム |
JP6845819B2 (ja) * | 2018-02-22 | 2021-03-24 | 株式会社日立製作所 | 分析装置、分析方法、および分析プログラム |
JP6640954B2 (ja) * | 2018-10-17 | 2020-02-05 | 日本電信電話株式会社 | 電力制御システム、制御装置及び電力制御方法 |
CN109583658A (zh) * | 2018-12-06 | 2019-04-05 | 广东电力交易中心有限责任公司 | 一种电量曲线分解预测方法、装置、设备及存储介质 |
DE102019200738A1 (de) * | 2019-01-22 | 2020-07-23 | Siemens Aktiengesellschaft | Computergestütztes Verfahren zur Simulation eines Betriebes eines Energiesystems sowie Energiemanagementsystem |
JP7233964B2 (ja) * | 2019-02-26 | 2023-03-07 | 三菱重工業株式会社 | 運転指標提示装置、運転指標提示方法、およびプログラム |
US11079786B2 (en) | 2019-06-07 | 2021-08-03 | Christopher Sticht | Predictive method, apparatus and program product for weather adjustment of resource usage data |
JP7330077B2 (ja) * | 2019-11-22 | 2023-08-21 | 清水建設株式会社 | 電力需要予測システムおよび電力需要予測システムの制御方法 |
US11455695B2 (en) * | 2019-12-16 | 2022-09-27 | Saudi Arabian Oil Company | System and method for modelling and forecasting electricity demand |
JP6828132B1 (ja) * | 2019-12-25 | 2021-02-10 | 典志 藤本 | アクシデント発生予測システム及びアクシデント発生予測方法 |
CN111507766B (zh) * | 2020-04-16 | 2021-06-18 | 宁波谦屹节能科技有限公司 | 应用区块链和人工智能的微电网电力大数据交易管理系统 |
JP7492407B2 (ja) | 2020-08-19 | 2024-05-29 | 株式会社日立製作所 | 業務支援システム |
JP7514148B2 (ja) * | 2020-09-03 | 2024-07-10 | 株式会社東芝 | 情報処理装置、情報処理方法、情報処理システム及びコンピュータプログラム |
CN115660208B (zh) * | 2022-11-10 | 2024-06-07 | 国网冀北电力有限公司计量中心 | 一种考虑消纳责任权重的电网企业月度购电优化方法 |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04131600A (ja) * | 1990-09-19 | 1992-05-06 | Hitachi Ltd | 都市エネルギーシステム |
JP3176960B2 (ja) * | 1991-07-25 | 2001-06-18 | 東京電力株式会社 | 電力需要推定システム |
JPH05204412A (ja) * | 1992-01-29 | 1993-08-13 | Hitachi Ltd | 需要量予測方法 |
JPH07231569A (ja) * | 1994-02-21 | 1995-08-29 | Mitsubishi Heavy Ind Ltd | 発電配分決定装置 |
JPH08202406A (ja) * | 1995-01-23 | 1996-08-09 | Hitachi Ltd | エネルギ供給プラントの運転計画立案方法 |
JPH09285010A (ja) * | 1996-04-11 | 1997-10-31 | Toshiba Corp | 電力需要予測支援装置 |
JP3767954B2 (ja) * | 1996-11-07 | 2006-04-19 | 富士通株式会社 | 需要予測装置 |
JPH10224990A (ja) * | 1997-02-10 | 1998-08-21 | Fuji Electric Co Ltd | 電力需要量予測値補正方法 |
JP3498786B2 (ja) * | 1999-01-19 | 2004-02-16 | 住友金属工業株式会社 | 使用電力量予測方法 |
JP2000253583A (ja) * | 1999-02-27 | 2000-09-14 | Waken Kikai Sangyo Kk | 自家用常用発電所システム構成方法及び運転システム |
JP2000270473A (ja) * | 1999-03-15 | 2000-09-29 | Fuji Electric Co Ltd | 電力需要量予測方法 |
JP2000276460A (ja) * | 1999-03-24 | 2000-10-06 | Fuji Electric Co Ltd | 電力需要量予測方法 |
US20020010754A1 (en) * | 2000-04-07 | 2002-01-24 | Brown Keith R. | Electric power metering package |
JP4034498B2 (ja) | 2000-05-11 | 2008-01-16 | 大阪瓦斯株式会社 | 受電計画作成支援方法 |
JP2001357237A (ja) * | 2000-06-14 | 2001-12-26 | Mitsubishi Electric Corp | 電力販売方法および電力販売装置 |
JP4102006B2 (ja) | 2000-06-22 | 2008-06-18 | 大阪瓦斯株式会社 | 電力供給計画作成方法 |
US7080026B2 (en) * | 2000-10-27 | 2006-07-18 | Manugistics, Inc. | Supply chain demand forecasting and planning |
JP2002209335A (ja) * | 2001-01-12 | 2002-07-26 | Nippon Telegraph & Telephone East Corp | 需要家消費電力制御管理システム |
JP2002304443A (ja) * | 2001-04-04 | 2002-10-18 | Mitsubishi Electric Corp | 電力売買契約支援装置 |
JP4023101B2 (ja) | 2001-04-13 | 2007-12-19 | 株式会社日立製作所 | 電力需給制御方法および装置 |
US7280893B2 (en) * | 2001-05-10 | 2007-10-09 | Siemens Power Generation, Inc. | Business management system and method for a deregulated electric power market |
WO2002101905A2 (en) * | 2001-06-13 | 2002-12-19 | Automated Energy, Inc. | Utility metering slider bar |
US20030189420A1 (en) * | 2001-09-28 | 2003-10-09 | Hiroyuki Hashimoto | Method for assisting in planning of power supply schedule |
JP3753113B2 (ja) * | 2002-08-23 | 2006-03-08 | 三菱電機株式会社 | 発電機制御装置 |
US20040117236A1 (en) * | 2002-12-13 | 2004-06-17 | Dharmashankar Subramanian | Automated optimization tool for electric utility sypply services |
JP3778899B2 (ja) * | 2003-03-10 | 2006-05-24 | 大阪瓦斯株式会社 | 給電計画システム |
-
2003
- 2003-05-08 JP JP2003129682A patent/JP3994910B2/ja not_active Expired - Fee Related
-
2004
- 2004-04-29 CN CNA2004100366705A patent/CN1574537A/zh active Pending
- 2004-04-29 CN CNA2007101619023A patent/CN101159046A/zh active Pending
- 2004-05-04 US US10/837,611 patent/US7711655B2/en not_active Expired - Fee Related
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103123696A (zh) * | 2011-11-17 | 2013-05-29 | 索尼公司 | 电力管理设备和电力管理方法 |
US10447035B2 (en) | 2013-02-27 | 2019-10-15 | Hitachi, Ltd. | Electric power creation control system and method |
CN110610252A (zh) * | 2018-06-14 | 2019-12-24 | 株式会社日立物流 | 预测系统以及预测方法 |
CN113168656A (zh) * | 2018-11-30 | 2021-07-23 | 三菱电机株式会社 | 交易价格预测装置以及交易价格预测方法 |
CN113168656B (zh) * | 2018-11-30 | 2023-11-14 | 三菱电机株式会社 | 交易价格预测装置以及交易价格预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN1574537A (zh) | 2005-02-02 |
US7711655B2 (en) | 2010-05-04 |
JP2004336890A (ja) | 2004-11-25 |
JP3994910B2 (ja) | 2007-10-24 |
US20040254899A1 (en) | 2004-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101159046A (zh) | 后援电力购入量预约支援系统 | |
Carreiro et al. | Energy management systems aggregators: A literature survey | |
Conejo et al. | Energy procurement for large consumers in electricity markets | |
Rashidizadeh-Kermani et al. | Stochastic programming model for scheduling demand response aggregators considering uncertain market prices and demands | |
Algarvio et al. | Multi-agent electricity markets: Retailer portfolio optimization using Markowitz theory | |
Conejo et al. | Optimal involvement in futures markets of a power producer | |
Hatami et al. | Optimal selling price and energy procurement strategies for a retailer in an electricity market | |
Carrion et al. | Forward contracting and selling price determination for a retailer | |
KR101691085B1 (ko) | 환경적 인센티브들을 적용하는 방법 및 시스템 | |
KR102094137B1 (ko) | 전력거래 중계방법 | |
US20120259760A1 (en) | Hybrid energy market and currency system for total energy management | |
JP5695848B2 (ja) | 同時同量装置、その制御方法およびそのプログラム | |
JP2019082935A (ja) | 管理装置および管理方法 | |
Beraldi et al. | Short-term electricity procurement: A rolling horizon stochastic programming approach | |
Sgouridis et al. | Tangible and fungible energy: Hybrid energy market and currency system for total energy management. A Masdar City case study | |
Poletti | The economics of electricity markets: theory and policy | |
Nourollahi et al. | Risk-based purchasing energy for electricity consumers by retailer using information gap decision theory considering demand response exchange | |
Faruqui et al. | Bringing demand-side management to the kingdom of Saudi Arabia | |
Black | Integrating demand into the US electric power system: technical, economic, and regulatory frameworks for responsive load | |
JP7470832B2 (ja) | 需要調整システム、需要調整方法及びプログラム | |
JP2006285351A (ja) | 電力取引支援システムとその方法、およびプログラム | |
Li et al. | Risk-constrained generation asset arbitrage in power systems | |
JP6803596B1 (ja) | 電力取引システム、電力取引方法および電力取引プログラム | |
Michaillat et al. | A theory of aggregate supply and aggregate demand as functions of market tightness with prices as parameters | |
Apornak et al. | Presenting an economic interaction bi-level model between electricity retailer and customer in bilateral electricity market contract |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20080409 |