CN103020725A - 电力需求预测系统以及方法 - Google Patents

Abstract

本发明提供电力需求预测系统以及方法。设定多个由包含预测电力需求量的预测对象日在内的多天构成的期间的预测气象组以及过去的多天的期间的实绩气象组作为对象期间，计算所述预测气象组和所述多个实绩气象组之间的多个对象期间的相似度，基于计算出的所述多个相似度的比较来预测以后的电力需求量的倾向，掌握预测对象日的电力需求量。不是直接使用过去的相同日子、相同周次、相同月份、相同季节的气象实绩数据、需求实绩数据，还基于每年的气象环境等的变化来预测电力需求量，即使预测对象日的气象预测数据中存在错误，也能更正确地掌握预测对象日的电力需求量。

Description

电力需求预测系统以及方法

技术领域

本发明涉及基于过去的气象实绩数据、电力的需求实绩数据、以及将来的气象预测数据来预测以后的电力的需求量的电力需求预测系统以及方法。

背景技术

为了对需求者提供稳定且高可靠的电力，提供者侧需要掌握需求者的电力需求量的需求，需要基于所掌握的情况来进行发电站的运营计划、使用了电力变换器的频率控制等，来进行电力提供。由此，提供者侧能没有浪费、有效率且稳定地进行从发电到送电，需求者侧也能享受与自身的需求相应的稳定的电力提供。

为了掌握所述电力需求量，有使用气象数据等来进行预测的方法。由于认为电力的需求量与气象的变化具有相关性，因此提出了基于过去的气象实绩数据以及需求实绩数据来预测将来的电力的需求量的技术。在专利文献1中，记载有如下的需求预测方法，在规定的预测期间内求取根据气象而变动的需求预测的需求预测方法中，使用过去的气象实绩值以及过去的需求实绩值的相关关系数据，根据所述预测期间中规定的相似的相似期间的所述相关关系数据、和所述预测期间中的气象预测值以及所述气象预测值的概率分布的气象预测概率分布数据，算出在所述预测期间的需求预测值以及所述需求预测值的概率分布，来进行需求预测。另外，在专利文献2中，在需求预测系统中，具有取得次日的气象信息的单元；和使用过去的需要实绩值和所述气象信息，基于重回归分析的算法构建预测模型来导出需求预测值的预测运算处理单元，其中，所述需求预测系统具有：以电力以及热提供设备为对象，预测次日的电力、热需求量的功能；和管理运行实绩和能量出售量实绩等的操作履历的功能。进而，在非专利文献1中记载了如下的技术，在预测次日的需求的情况下，基于到前一天为止的气象实绩数据和需求实绩数据以及日历，使用包含预测对象的月份日期在内的其前后的各天的气象实绩数据和需求实绩数据，作成气象与需求的回归模型，通过对该回归模型输入预测对象日的气象预报，来预测需求。

专利文献

专利文献1：JP特开2009-294969号公报

专利文献2：JP特开2004-164388号公报

非专利文献

非专利文献1：“基于考虑了日期分类、日照量的按时刻分类回归型带趋势调整项的需求模型的电力负载曲线预测手法”(电气学会电力、能量部门志，Vol.129、No.12、pp1477-1485)(「日種別·日射量を考慮した時刻别回帰型トレンド調整項付き需要モデリングによる電力口一ド力一ブ予测手法」(電気学会電力·エネルギ一部門誌Vol.129、No.12、pp 1477-1485))

作为本发明要解决的课题，即使根据每年的气象环境等的变化，从过去的同一天、同一周、同一月份的气象实绩数据、需求实绩数据来预测将来的电力需求，也有欠缺正确性和可靠性的部分，例如，在夏季，最高气温变化1℃，电力需求也要随之变化3％，若最高气温变化4℃，则电力需求随之变化12％程度，因此，若使用过去同一天、同一周、同一月份的最高气温有数℃以上的较大的差异的气象数据，有可能会招致需求预测精度的降低。

在所述专利文献1的发明中，针对电力需求预测日的相似日的设定例如能举出：将季节相同、月份、周次、星期几相同的过去的日子设定为相似日的情况；将月份和星期几相同的过去的日子设定为相似日的情况；将月份和周次相同的过去的日子设定为相似日的情况等，即使在所述非专利文献1中，也记载有基于日历使用上一年、上上年等的预测对象日前后的期间的气象实绩以及需求实绩，而无法避免所述的需求预测精度的降低。

另外，在所述专利文献2的发明中，也记载有以所选择的检索项目(气温等)为基础来计算与预测日气象的相似度，对检索期间中的全部对象日计算与预测日气象的所述相似度，将方差值最小的日期设为气象相似日。但在此由于是按每一天进行计算，因此在假使预测日的预测气温等的信息不正确而错误的情况下，就会立即将欠缺正确性的日子设定为所述气象相似日，其结果，基于所述气象相似日的预测日的电力需求预测无法担保作为预测精度的正确性、可靠性。

发明内容

因此，本发明课题在于不是就这么使用过去的同一天、相同周次、相同月份、相同季节的气象实绩数据、需求实绩数据，还根据每年的气象环境等的变化来进行预测，即使在预测对象日的气象预测数据中存在错误，也能更正确地掌握预测对象日的电力需求量。

作为解决课题的手段，提出一种电力需求预测系统，计算过去的气象实绩数据和以后的气象预测数据之间的相似度，使用所述相似度，根据预测对象日的气象预测数据以及与所述气象实绩数据对应的电力需求数据来预测以后的电力需求量，其特征在于，具备：需求预测对象设定部，其进行用于计算所述相似度的条件设定；相似期间检索条件设定部，其设定计算所述相似度的对象期间；相似度计算部，其基于由所述需求预测对象设定部设定的条件以及由所述相似期间检索条件设定部设定的对象期间来计算所述相似度；需求预测模型构建部，其基于由所述相似度计算部计算出的相似度，将以后的电力需求量的倾向模型化；和需求预测部，其根据所述需求预测模型构建部所模型化后的以后的电力需求量的倾向，基于预测对象日的气象预测数据来预测电力需求量；所述相似期间检索条件设定部设定多个由包含预测所述电力需求量的预测对象日在内的多天构成的期间的预测气象组以及过去的多天的期间的实绩气象组作为所述对象期间，所述相似度计算部计算所述预测气象组和所述多个实绩气象组之间的所述相似度，使用基于计算出的多个所述相似度的比较而选择的实绩气象组，由所述需求预测模型构建部将以后的电力需求量的倾向模型化，由所述需求预测部来预测预测对象日的电力需求量。

发明效果

根据本发明，通过设定多个由包含预测电力需求量的预测对象日在内的多天构成的期间的预测气象组以及过去的多天的期间的实绩气象组，并比较它们的相似度，来预测以后的电力需求量的倾向，并据此来预测预测对象日的电力需求量，即使预测对象日的气象预测数据中有错，也能把握到预测日为止的电力需求倾向，因此能提供更正确且更有可靠性的需求预测量。

附图说明

图1是需求预测的处理流程。

图2是需求预测装置的整体构成。

图3是需求预测装置的详细构成。

图4是数据库的项目和数据的示例。

图5是相似期间检索条件设定的详细处理流程。

图6是预测气象组和实绩气象组的期间范围设定的画面例。

图7是相似度计算对象的气象项目的选择和设定其权重系数的画面的示例。

图8是选择相似度计算方法的画面的示例。

图9是简易表示组间的相似度计算方法的示例。

图10是以表形式来显示计算相似度的结果的画面的示例。

图11是以曲线图形式来显示相似度的项目的画面的示例。

图12是以曲线图形式来显示计算距离的结果的画面的示例。

图13是以曲线图形式来显示计算相似度的结果的画面的示例。

图14是选择在需求预测模型作成中使用的气象项目的画面的示例。

图15是表示降低率的画面的示例。

图16是设定实绩气象组和设定其延伸率的画面的示例。

图17是显示需求预测结果的画面的示例。

图18是显示24个时间点的需求预测结果的画面的示例。

符号说明：

1  需求预测装置

2  中央运算处理装置CPU

3  主存储装置

4  输入输出装置

5  外部存储装置

6  输入装置

7  显示装置

8  印刷装置

9  数据库

10  读取装置

11  电力系统

12  电力系统

20  计算处理部

21  控制部

22  需求预测对象设定部

23  相似期间检索条件设定部

24  相似度计算部

25  相似度输出部

26  需求预测条件设定部

27  需求预测模型构建部

28  需求预测部

29  需求预测结果输出部

具体实施方式

下面，参照附图来详细说明本发明的实施例。

实施例1

图1是本发明的应用对象即需求预测装置进行的计算处理的流程，图2是需求预测装置1的概略整体构成图，图3表示需求预测装置的详细构成图。

需求预测装置1由中央运算处理装置(CPU)2、主存储装置3、输入输出装置4以及外部存储装置5构成。

图3是本发明的需求预测装置1的详细的功能构成图。需求预测装置1具备：上述的输入装置6、显示装置7、数据库9以及读取装置10、和计算处理部20。另外，计算处理部20通过CPU2执行预先保存在外部存储装置5的存储介质中并经由读取装置10而被读取到主存储装置3中的程序来实现，但本发明并不限定于这样的由泛用处理器来执行程序。例如，还能通过与包含执行本发明的各处理的布线逻辑在内的特定的硬件装置的组合来构成计算处理部20。

输入输出装置4具有：具备图3所示的键盘或鼠标的输入装置6、和作为输出装置的显示装置7。另外，作为输入输出装置4，也可以取代它们或与它们并用而设置指示设备、触摸传感器等的输入装置、液晶显示装置、打印机、扬声器等的输出装置。作为外部存储装置5，能使用硬盘装置、软盘装置、CD-ROM(Compact disc-read only memory)装置、DAT(digital videotape)装置、RAM(random access memory)装置、DVD(digitalvideo disc)装置、非易失性存储器等。外部存储装置5使用用于保存图3所示的数据库9的大容量存储装置、保存处理程序等的存储介质、和用于读取保存于该存储介质中的信息的读取装置10，但还能在一个外部存储装置中保存数据库和处理程序两者。另外，作为记录介质，能使用软盘、CD-ROM、磁带、光盘、光磁盘、DAT、RAM、DVD、非易失性存储器等。

输入装置6接受显示于显示装置7的选项的选择、数据的输入等，并将它们传输给计算处理部20。显示装置7显示从输入装置6送来的数据。计算处理部20基于从输入装置6传输来的数据、从数据库9读取的数据、从读取装置10读取的处理程序、和从电力系统11传送来的数据，来作成供给能力的运营计划。电力系统11具备未图示的数据库。电力系统11进行电力系统12的计划、监视以及控制。

计算处理部20的处理结果被送往显示装置7来进行显示并被容纳于数据库9。另外，在电力系统11的运用、计划系统、监视/控制系统所设定的气象、地域的条件下来请求需求预测的情况下，还将计算处理部20所作成的需求预测以及预测结果通知给电力系统11。接收到该通知的电力系统12以通知的需求预测值为基础，为了对电力系统12进行计划、控制，而发出输出控制信号，来进行用于运行电力系统的设备等的计划和控制，并从电力系统11读取每个地域的电力需求实绩数据，在内部数据库(未图示)中容纳该读取的数据。

计算处理部20具备：控制部21、需求预测对象设定部22、相似期间检索条件设定部23、相似度计算部24、相似度输出部25、需求预测条件设定部26、需求预测模型构建部27、需求预测部28以及需求预测结果输出部29。另外，计算处理部20经由发送线33而与外部的电力系统11连接，电力系统11与实际的送电发电变电设备即电力系统12连接。电力系统11是用于电力系统12的计划、运行以及控制的系统，具备用于保存表示电力系统12以及电力系统12的状态等的信息的未图示的数据库。电力系统12的状态通过传感器或继电器等检测出，经由发送线34而通知给电力系统11，并容纳在电力系统11的数据库(未图示)中。

控制部21进行数据的加工、处理，用于顺利地进行电力系统11以及计算处理部20内的所述的各处理部间的数据和处理程序等的授受，并控制该授受来使整体的处理正常地进行动作。

需求预测对象设定部22经由控制部21而读取保存在数据库9以及/或者读取装置10的存储介质中的图4所示的日历、需求项目、气压、降雨量、气温、湿度、风速/风向、日照时间、雪、天气概况等的气象项目、星期几、特异日、需求异常等，并将它们显示于显示装置7，根据需要来改变用于计算相似度的条件和用于预测需求的条件。在此，将气象厅公开的气象数据作为气象项目，但若今后追加了项目，则也可以容纳并利用该追加的数据。在新发现了对需求产生影响的变量候补的情况下，也可以将其作为数据而容纳、利用。另外，将该变更的新的条件经由控制部21容纳到数据库9和主存储装置3等中，并经由控制部21将这些数据传输给计算处理部20内的其它的各处理部。另外，在本实施例中只要没有特别的说明，都是读取来自数据库9的数据，计算处理部20内的各处理部相互经由控制部21来进行数据的授受，并根据需要将从输入装置6输入的数据和计算结果输出给显示装置7，并容纳于数据库9中。

相似期间检索条件设定部23经由控制部21对保存在数据库9以及/或者读取装置10的存储介质中的预测气象组的天数设定、搜索的实绩期间及其天数、计算相似度的气温、湿度等的气象数据的相似度变量、选择的针对实绩气象组的相似度的权重系数、相似度评价手法等的预测对象条件进行设定或读取，并显示于显示装置7，根据需要来对条件进行变更、设定。另外，该设定、变更的条件经由控制部21而容纳到数据库9和主存储装置3等中，根据需要经由控制部21将这些数据传输给计算处理部20内的其它的各处理部。

相似度计算部24基于经由控制部21而保存到数据库9以及/或者读取装置10的存储介质中的由相似期间检索条件设定部23所设定的条件，来计算相似度，并经由控制部21将计算结果容纳到数据库9和主存储装置3中。在此，计算预测气象组和实绩气象组间的相似度，但也使用成为相似度的相反的指标的距离。即，相似度较高(相似)意味着相似指标较大，将距离设为指标时则意味着其数值较小。反之，相似度较低意味着相似指标较小，将距离设为指标时则意味着其数值较大。

相似度输出部25经由控制部21将由相似度计算部24计算出的相似度相关的信息输出给显示装置7或印刷装置8。使用文本、曲线图或表等，将信息易于理解地显示给运用者。根据实绩气象组的每个期间的相似度来选择要利用的实绩气象组。将显示的与相似度相关的信息以及与选择的气象实绩组相关的信息容纳到数据库9和主存储装置3等中。

需求预测条件设定部26经由控制部21读取保存在数据库9以及/或者读取装置10的存储介质中的日历、需求项目、气压、降雨量、气温、湿度、风速/风向、日照时间、雪、天气概况等的气象项目、星期几、特异日、需求异常等，并将它们显示于显示装置7，选择由需求预测模型构建部27所使用的数据、条件等，或者根据需要来变更条件。将这些条件、数据容纳在数据库9或者主存储装置3等中。

需求预测模型构建部27经由控制部21从数据库9或主存储装置3等中读取由需求预测条件设定部26设定的条件、数据，来构建需求预测模型。将构建的需求预测模型容纳到数据库9或者主存储装置3等中。

需求预测部28经由控制部21读取由需求预测模型构建部27作成的需求预测模型，通过将预测对象日的气象预报输入到该读取的需求预测模型中，来预测需求。将该预测的结果数据容纳到数据库9或主存储装置3等中。

需求预测结果输出部29将各处理部的需求预测对象设定部22、相似期间检索条件设定部23、相似度输出部25、需求预测条件设定部26以及需求预测部28设定的条件、数据以及结果等信息等输出。输出目的地是显示装置7或印刷装置8等。

接下来，参照图1所示的处理流程图来说明本发明的发电站运用计划装置的动作。

处理101的需求预测对象设定在需求预测对象设定部22进行处理。在此，选择在显示装置7中显示的需求预测的对象。所谓对象是预测对象日，通过反复进行预测对象日中的最大需求、最小需求、或者指定的时刻的1个小时或30分钟的需求、指定的需求预测日的1个小时的需求预测，能预测1天的24个时间点的需求。通过输入装置6将这些设定条件输入，在确认之后，需求预测对象设定部22将这些设定条件容纳到数据库9或主存储装置3等中。

处理S102是设定检测相似期间的条件的处理，在相似期间检索条件设定部23进行处理。该详细处理流程由图5所示的处理S121～S124构成。处理S121设定作为计算组间的相似度的对象的期间。在图6中示出该画面例。在图6中设定预测气象组和实绩气象组的期间。在预测气象组中，从输入装置6输入实绩的“天数”和“结束”的日子。由此，自动地计算“开始”的日子，并进行显示。从输入装置6输入预想的“天数”和“结束”的日子。由此，自动地计算“开始”的日子，并进行显示。预测的“天数”是设定预测的期间的条件，也可以是某一天，也可以是2天以上的天数。在相似度的计算中利用这些包含在预测气象组中的合计天数的气象数据。从输入装置6输入实绩的“天数”和“结束”的日子的成为计算该相似度的对象的实绩气象组。由此，自动计算“开始”的日子，并进行显示。实绩气象组的天数设为相同的值。在此，指定开始、结束的原因是如果对全部的过去的期间来计算相似度则会花费计算期间，由于即使气象相似，但在季节完全不同时也不能说是适当的数据，因此为了进行某种程度筛选(screening)而进行开始、结束的设定。作为实绩气象组，计算相似度的对象不仅是上一年，通过这里的设定也能追朔到上上年等哪一年来计算相似度。这是预测气象组的合计天数和实绩气象组的天数设为相同的示例。

处理S122是设定相似度变量和权重系数的处理。在图7中示出设定它们的画面的例子。在此显示的项目是图4所示的气象数据项目。用输入装置6设定在各数据项目中是否采用在相似度计算中使用的变量。对采用的项目设定“○”，对不采用的项目设定“×”。另外，由于各项目的维数不同，因此在用各个项目来计算相似度时，要进行加权计算，来计算综合相似度。将不予采用的项目的权重系数设定为0.00。另外，不管是否采用，在权重系数设定为0.00的情况下，在实际形态中，都不再考虑根据该变量而计算出的相似度。在此，由于风向、天气概况不是数值，因此为了计算相似度而将它们数值化。

处理S123是选择相似评价手法的处理。在图8中示出选择手法的画面。在处理S103中说明使用了具体的数学式的计算处理。

在此，显示有欧几里德距离和向量角相似度这2个手法。除此之外，还能追加用于评价相似度的手法。使用的数据是在处理S121中设定的预测气象组和实绩气象组的对象期间的处理S122中设定的变量，在处理S124中从数据库读取与其相应的变量的值。在欧几里德距离下采用个别的群平均法来设为“○”的情况下，按每个预测气象组和实绩气象组的相应的变量，对两组间的数据的全部组合来计算距离。由于对一个一个的变量来计算距离，因此，在此的距离成为变量的值的差的绝对值。由于距离和相似度是相反的指标，因此作为将距离置换为相似度的方法，采用其倒数。但是，为了防止距离成为零的情况，在距离上加上正的基数量之后，再取其倒数。在欧几里德距离下选择组整体的情况下，将设定的期间整体的预测气象数据的变量的平均值、最大值、最小值、标准偏差作为新的变量值来利用。同样地，将实绩气象数据的变量的平均值、最大值、最小值、标准偏差等的统计数据作为新的变量值来利用。也可以使得能显示、选择除此之外的统计数据项目。对这些组整体的值计算欧几里德距离。但是，仅将组整体中采用设为“○”的项目作为对象。如此，若使用欧几里德距离，则例如在最高气温在预测气象组和实绩气象组中都为相同的值时，欧几里德距离变小。欧几里德距离越小则相似度越高，可以选择该相似度较高的欧几里德距离。接下来，说明使用向量角相似度的情况。在使用个别、群平均法的情况下，用向量来表现变量项目的值，来计算2个向量所成的角(余弦)。该余弦角越小则越相似。对组整体，将按每个变量项目而选择的平均值、最大值、最小值或标准偏差等的统计数据作为向量，来计算2个向量所成的角(余弦)。在选择向量角相似度的情况下，其值越小则越相似，因此不需要用倒数等来评价，将基数量设为零。

在处理124中，从数据库9读取在处理S121中设定的期间的在处理S122中设定的变量项目的数据。

处理S103基于处理S123中设定的条件以及读取的数据，由相似度计算部24来计算相似度。使用具体的计算式来进行说明。在处理S102中选择欧几里德距离、群平均法的情况下，用式1来计算距离D_p(u，v)。

[数1]

$D_p(u_i,v_j)=\left|\right|u_i-v_j\left|\right|={\left(\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{(u_{\mathrm{ik}}-v_{\mathrm{jk}})}^2\right)}^{1/2}$

u_i＝(u_i，1，u_i，2，…，u_i，N)                           …式1

v_i＝(v_i，1，v_i，2，…，v_i，N)

在此，下标“p”表示变量的名称。例如，设p为最高气温。变量u是预测气象组的数据变量，其值成为最高气温，合计天数是N。变量v是实绩气象组的数据变量，其值取最高气温，天数为M。由于变量为1个，因此向量是一维。

式2使用个别的群平均法来表示针对各组的值的全部组合的距离的平均和D_p。全部的组合数为N×M，因此除以用于进行平均的该值。

[数2]

$D_p=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{D}_p(v_i,w_j)}{N\×M}$ …式2

式3计算包含最高气温以及其它的变量在内的加权的距离D。在此，权重使用处理102的处理122中设定的值。

[数3]

$D=\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{w}_p{D}_p$ …式3

最后，使用式4来计算相似度S。α是在处理S123中设定的基数的值。

[数4]

$S=\frac{1}{\mathrm{\α}+D}$ …式4

作为其它的计算方法，还能使预测气象组整体成为时间序列地来排列式1的向量，由此来排列最高气温。同样地，还能使实绩气象组整体成为时间序列地来排列式1的向量，由此来排列最高气温。此时，为了计算两者的最高气温的差，需要两者的期间的天数相同。

接下来，说明使用了向量角相似度的情况。

式5是使用了余弦角的相似度Sp。分母是各向量的大小的积，分子是向量的内积。

[数5]

$S_p(u_i,v_j)=\frac{u_i\·v_j}{\left|\right|u_i\left|\right|\·\left|\right|v_j\left|\right|}$ …式5

式6与式2同样地求取期间整体的平均。

[数6]

$S_p=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{S}_p(v_i,w_j)}{N\×M}$ …式6

式7使用与式3相同地在处理S122中设定的权重系数，通过加权平均来计算相似度Sp。在此，由于已经成为相似度，因此不用像欧几里德距离时那样要求倒数以及加上基数量。

[数7]

$S=\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{w}_p{S}_p$ …式7

以上，示出了预测气象组和实绩气象组的相似度的计算方法。预测气象组为固定，在“结束”到“开始”的期间内，一边变更实绩气象组的开始日，一边计算各个期间中的相似度。将这些计算结果容纳到数据库9或主存储装置3等中。

处理S104是输出处理S103中计算出的相似度的计算结果的处理，在相似度算出部25中进行处理。在相似度算出部25中进行处理的计算结果输出给显示装置7或印刷装置8。

图9是对组间的相似度计算方法进行简易说明的示例图，示出一边改变与今年中的包含预测日(在图中为次日)的多天所涉及的预测气象组相对的去年的多天所涉及的实绩气象组的期间，一边计算两者的相似度。另外，也可以构成为，通过延长所述预测气象组的多日所涉及的期间来计算所述相似度。在此，将今年中的气象预测组和去年中的实绩气象组群集化，进行分群来计算相似度。作为其手法，例如有最短距离法(单连结法)、最长距离法、群平均法、Ward法等。在此，最短距离法根据属于不同的群集的2个个体间的距离的最小值来求取相似度，最长距离法根据属于不同的群集的2个个体间的距离的最大值来求取相似度。另外，重心法求取2个群集的重心间距离来求取相似度，群平均法针对全部的点的配对根据距离取它们的平均来求取相似度。Ward法将从各对象到包含该对象的群集的重心为止的距离的平方的总和最小化来求取相似度。

另外，图10是以表形式来输出通过所述手法来计算出的相似度的画面的示例。通过选择按钮来选择作为实绩气象组而采用的组。默认中选择相似度高或距离近的。由于在该示例中示出了使用欧几里德距离的结果，因此，在表的第1列示出作为日期、距离、变量而采用的最高气温、最低气温、平均气温以及平均湿度的距离。最终的距离是在各变量的距离上乘以最终行的权重系数之后再相加而得到的值。变量以及权重系数是在图7中设定的变量、权重系数。在图8中选择向量角相似度时，与此相应地在图10的第1行，紧接着日期而显示相似度。若用按钮“选择”日期，并在接下来点击“变量曲线图”按钮，则显示如图11所示的曲线图。在图11中从为了计算相似度而使用的变量中选择变量以及天数。使选择的部分的背景变深。在此，默认是图10的最初的变量下预测气象组和实绩气象组的天数较大的一方。图11的横轴的成为第N天的是从预测气象组的最初的一天起的天数，同样是从实绩气象组的最初一天起的天数。由于在图6中设定的预测气象组的实绩天数为10天，预测天数为1天，因此，在预测气象组的折线的点的横轴的左侧起，10点为实绩天数的最高气温，之后的1点是预测天数的最高气温。另外，实绩气象组示出选择的实绩天数为11天和之后的9天合计20天的最高气温。这是因为，在对参考接下来的处理中使用的实绩气象组的期间来作成需求模型时所使用的期间进行设定时，将其作为参考。在此，在下拉菜单中修正“天数”以及“变量”，通过点击“显示”按钮，在变更后的条件下显示曲线图。

另外，点击图10的“相似度曲线图”的按钮后，如图12所示，显示表示成为图10的评价指标的“距离”的变化的曲线图。点击图12的“相似度曲线图”的按钮后，显示表示图13所示的“相似度”的变化的曲线图。

处理S105将在处理S103中计算出的相似度的计算结果以及处理S104的输出作为参考，并设定各种条件，由需求预测条件设定部26来进行处理。在图14中示出选择要使用的变量的画面例。默认下选择的变量是在分析中使用的变量即图7中设定的变量。对采用的变量设定“○”，对未采用的变量设定“×”。图15是设定降低率的画面。数值显示默认值，根据需要来进行修正。从图4所示的数据库读取了星期几和节日等的条件的星期几以及特异日的需求预测中，相对于从星期一到星期五的工作日，星期六、星期日或者节日的需求降低。另外，为了作成需求预测模型需要某种程度的实绩数据，但由于同一时期的星期六、星期日或者节日的天数较少，因此，是使用工作日的实绩数据来作成需求预测模型，之后，乘上与预测对象日相应的图15所示的降低率来预测需求。图15的降低率使用某一条件下的表中较低的值。例如，在星期二是节日的情况下，降低率暂时先成为1.00，之后由于是节日，所以这种情况下的降低率采用0.60。根据图4所示的实绩数据的特异日处所记述的内容来判定GW(黄金周：Golden Week)、盂兰盆节或者年末年初。图16是为了需求预测模型作成而使用的默认的实绩气象数据下相似度最高，或者距离最近时的图。因此，将图10中相似度最高即距离最短的2010年7月13日作为实绩气象组的开始日。能变更默认下显示的预测气象数据以及实绩气象数据。例如，通过使实绩气象数据的开始日相同而使用的天数设为默认的11日到16日，从而将相似的期间的后面的日期也包含在内，从而能将在预测对象日的后面的日期所设想的气象也纳入考虑。还能使实绩气象组不为1个而是设定多个，在各个组中改变天数。延伸率由于使用过去的需求实绩数据，因此是用于换算成预测对象日时间点的需求的数值，在设定了多个实绩气象组的情况下，分别对它们来设定数值。以上，决定了为了作成需求预测模型而使用的数据。接下来，选择需求预测模型的作成方法。作为模型作成方法，有重回归分析、神经网络、用PSO来决定回归系数等。使用的数据是在指定的预测气象组以及实绩气象组中的图4所示的“星期几”为从星期一到星期五，“特异日”是通常日，“需求异常”仅满足0的条件。即，为了作成需求预测模型，通过使用满足标准条件的日子来使用满足图15所示的满足降低率1.00的条件的日子的数据。

在处理S106中，基于在处理S105中设定的模型作成条件，由需求预测模型构建部27来进行处理，在此，以使用重回归分析来构建需求预测模型为例进行说明。使用要使用的期间、变量来求取式8的重回归式F(x)。

[数8]

$F\left(x_k\right)=e_k+\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=0}{\overset{I\left(i\right)}{\mathrm{\Σ}}}{a}_{i,j}{x_{k,i}}^j$ …式8

回归系数为a。x_k是变量向量x的第k个数据。变量向量的数值是1组的最高气温、最低气温、平均气温、平均湿度。变量的数量为m＝4，在其顺序i为1时成为最高气温，在2时成为最低气温，在3时成为平均气温，在4时成为平均湿度。各个变量的次数为I(j)。按照误差e的平方和成为最小的方式来决定求取回归系数的方法。对于在图14中设定的变量即最高气温、最低气温、平均气温或平均湿度分别设定最大次数，使用最小二乘法来决定回归系数的最合适值。进而，作为变量，为了考虑基于年份的基数量而设定标记。该标记表示“是预测气象组”，对预测气象组，标记置1，对实绩气象组，标记置0。进而，实绩气象组是跨多年的情况下，与每一年对应来设定标记。与气象变量相对的回归系数相当于与各个变量相关的需求的灵敏度。关于标记，在其为1时，成为与为0时相对的需求的基数量的变化。即，预测对象日的需求在上一年的基础上增加了该标记的回归系数的量。

作为变量，不仅是气象，还能增加追加了预测对象日之前的需求实绩来作为变量的自回归式。

作为预测需求模型，除了重回归模型以外，还能使用预测气象组的气象实绩、需求实绩以及实绩气象组的气象实绩、需求实绩来使神经网络进行学习，从而作成需求预测模型。在重回归模型中，在为需求的延伸率与回归模型整体相乘的非线性的情况下，能使用PSO(Particle SwarmOptimization，粒子群最优化)等来决定回归系数。

由此，能构建需求预测模型。该模型从需求预测模型构建部27经由控制部21容纳到数据库9以及主存储装置3中。

在处理S107中，通过将预测气象输入到处理S106中构建的需求预测模型中，由需求预测部28来预测需求。预测气象通过将预测对象日的最高气温、最低气温、平均气温以及平均湿度输入到式9来计算预测值。

[数9]

$f\left(x_k\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=0}{\overset{I\left(i\right)}{\mathrm{\Σ}}}{a}_{i,j}{x_{k,i}}^j$ …式9

以上是使用了重回归模型的数学式的例子，但在使用神经网络、PSO来作成需求预测模型的情况下也同样使用预测气象和需求实绩等来计算预测值。

在处理S108中，在需求预测结果输出部29中处理在处理S107中预测的需求预测值以及与其相关的信息。将预测结果输出给显示装置7或者印刷装置8。图17是显示需求预测结果的示例。显示的项目是预测对象日、预测需求和作为预测气象的最高气温、最低气温、平均气温以及平均湿度。

能用以上的方法来预测时刻的需求，对24个时间点反复上述的预测来预测需求，显示图18所示的24个时间点的表形式的预测需求以及曲线图形式的预测需求。

根据上述本发明的实施例，提取与包含预测对象日和紧挨着其的前后的日期在内的预测气象组的期间的气象相似的实绩气象组的期间，显示该提取出的实绩气象组的相似度，使用该预测气象组和实绩气象组的期间的气象数据和需求实绩来作成需求预测模型，通过将气象实绩、需求实绩或预想气象输入到该需求预测模型来预测预测对象日的需求，显示该预测的需求。其结果，能够求取精度良好的需求预测值。

Claims (7)

1.一种电力需求预测系统，计算过去的气象实绩数据和以后的气象预测数据之间的相似度，使用所述相似度，根据预测对象日的气象预测数据以及与所述气象实绩数据对应的电力需求数据来预测以后的电力需求量，其特征在于，具备：

需求预测对象设定部，其进行用于计算所述相似度的条件设定；

相似期间检索条件设定部，其设定计算所述相似度的对象期间；

相似度计算部，其基于由所述需求预测对象设定部设定的条件以及由所述相似期间检索条件设定部设定的对象期间来计算所述相似度；

需求预测模型构建部，其基于由所述相似度计算部计算出的相似度，将以后的电力需求量的倾向模型化；和

需求预测部，其根据所述需求预测模型构建部所模型化后的以后的电力需求量的倾向，基于预测对象日的气象预测数据来预测电力需求量，

所述相似期间检索条件设定部设定多个由包含预测所述电力需求量的预测对象日在内的多天构成的期间的预测气象组以及过去的多天的期间的实绩气象组作为所述对象期间，

所述相似度计算部计算所述预测气象组和所述多个实绩气象组之间的所述相似度，

使用基于计算出的多个所述相似度的比较而选择的实绩气象组，由所述需求预测模型构建部将以后的电力需求量的倾向模型化，由所述需求预测部来预测预测对象日的电力需求量。

2.根据权利要求1所述的电力需求预测系统，其特征在于，

在计算所述相似度而使用的所述条件中，包含气压、降水量、气温、湿度、风向、风速、日照时间、降雪量、天气、星期几、特异日中的至少一者。

3.根据权利要求1所述的电力需求预测系统，其特征在于，

所述相似度计算部对为了计算所述相似度而使用的所述条件进行加权，由此算出相似度。

4.根据权利要求1所述的电力需求预测系统，其特征在于，

所述相似度计算部将所述预测气象组和所述实绩气象组中的基于所述条件的数据的集合群集化，使用群集分析来计算相似度。

5.根据权利要求1所述的电力需求预测系统，其特征在于，

所述相似度计算部将所述预测气象组和所述实绩气象组中的基于所述条件的数据的集合向量化，使用余弦角来计算相似度。

6.根据权利要求1所述的电力需求预测系统，其特征在于，

所述需求预测模型构建部使用通过最小二乘法或粒子群最优化而求取的回归式、或神经网络，来预测以后的电力需求量的倾向。

7.一种电力需求预测方法，计算过去的气象实绩数据和以后的气象预测数据之间的相似度，使用所述相似度，根据预测对象日的气象预测数据以及与所述气象实绩数据对应的电力需求数据来预测以后的电力需求量，其特征在于，包括：

进行用于计算所述相似度的气象条件的设定的步骤；

设定多个由包含预测所述电力需求量的预测对象日在内的多天构成的期间的预测气象组以及过去的多天的期间的实绩气象组作为所述对象期间的步骤；

基于所述气象条件以及所述对象期间来计算所述预测气象组和多个所述实绩气象组之间的所述相似度的步骤；

基于计算出的多个所述相似度的比较来将以后的电力需求量的倾向模型化的步骤；和

基于模型化后的所述以后的电力需求量的倾向以及所述预测对象日的气象预测数据来预测所述预测对象日的电力需求量的步骤。

Images