JP2001188772A

JP2001188772A - プラントの需要予測方法及びその装置

Info

Publication number: JP2001188772A
Application number: JP37410899A
Authority: JP
Inventors: Shuntaro Suzuki; 俊太郎鈴木; Shuzo Yamamoto; 修三山本; Yasuo Sakai; 康雄酒井; Yoshiyuki Yasugata; 祥行安形; Takeshi Suzuki; 猛鈴木
Original assignee: IHI Corp
Current assignee: IHI Corp
Priority date: 1999-12-28
Filing date: 1999-12-28
Publication date: 2001-07-10

Abstract

(57)【要約】【課題】需要の変動パターンの変化に容易に対応でき
ると共に、オペレーション工数を軽減できるプラントの
需要予測方法及びその装置を提供する。【解決手段】エネルギを供給するプラントに対する需
要を観測し、各時刻毎の需要からなる１日分の時系列の
パターンをパターンに共通性のある日毎に分類してデー
タベース２に記憶させておき、現在の時系列パターンを
これらの分類パターンに当てはめてどの分類パターンに
該当するかを推定し、該当する分類パターンを現在まで
の時系列で補正してその後の時系列を予測する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、過去・現在のエネ
ルギ需要から未来のエネルギ需要予測する方法・装置に
係り、特に、需要の変動パターンの変化に容易に対応で
きると共に、オペレーション工数を軽減できるプラント
の需要予測方法及びその装置に関するものである。

【０００２】

【従来の技術】ガスタービンを使って電力と蒸気とを供
給するコジェネプラントでは、１台のガスタービンで対
象地域全体の需要をまかなうのでなく、複数台のガスタ
ービンを使用するようになっている。１台の高容量のガ
スタービンを使用するよりも複数台の比較的低容量のガ
スタービンを複合して使用したほうがガスタービンの運
転トラブルによる供給停止の危険を分散することができ
る。

【０００３】複数のガスタービンを使用する際には、運
転するガスタービンを需要に見合わせて適切に選ぶこと
が大切である。即ち、個々のガスタービンの容量等を考
慮しつつ、一つのガスタービンがこまぎれに運転・停止
を繰り返したり、特定のガスタービンに偏って運転時間
が多くならないように、運転制御することが必要であ
る。このために、需要がどのように変動するかを予測す
るのが望ましい。また、ガスタービンは立ち上げ、立ち
下げに時間を要するので、この点からも需要変動を予測
して運転制御するのが望ましい。

【０００４】商用電力を製造する発電プラントなどで
は、例えば、特公平５−６１６４４号公報に記載されて
いるように、気温等の環境的要因から需要を予測するこ
とが行われている。しかし、地域を対象とするコジェネ
プラントでは、特定ユーザにおける需要変動がプラント
全体の需要変動の要因になることがある。例えば、工場
等の事業所を対象地域にかかえたコジェネプラントにお
けるエネルギ需要は、１日内の需要変動が時刻に強く依
存する傾向があり、曜日や天気が同じ日には、同じよう
な需要変動パターンが再現されるのである。

【０００５】また、時系列であらわすことのできるデー
タの未来を予測する方法として、例えば、特開平４−２
２０７５８号公報に記載されているように、時系列デー
タをニューラルネットワークに学習させて予測させる方
法が知られている。一般に、ニューラルネットワーク
は、入力される時系列データと出力される予測結果との
因果関係がよく分からないままに運用してもそれなりに
適切な予測結果が得られる利点がある。しかし、時系列
データ間に時刻や曜日について顕著な相関関係があって
も、その相関関係を予め組み込むことができない。ニュ
ーラルネットワークでは、個々の時刻のデータにかかる
重みなどの内部的なパラメータが外からは分からない
し、学習によって形成されるべきこれらのパラメータを
人為的に組み込むことは困難だからである。そこで、特
開平８−８７３０３号公報に記載されている水資源の需
要予測方法では、ニューラルネットワークや自己回帰モ
デルに曜日や天気の異なる複数の時系列データを学習さ
せておき、外部より曜日や天気を入力し、この入力に応
じてモデルとなる時系列データを選択するようになって
いる。

【０００６】

【発明が解決しようとする課題】エネルギ需要は季節に
も依存するため、季節が異なっていると曜日が同じであ
っても同じような需要変動パターンが再現されるとは限
らない。また、エネルギ需要は年々増加する傾向にあ
り、今年の需要変動パターンは去年の需要変動パターン
とは同じでない。このような季節変化、経年変化のた
め、過去のある曜日の需要変動パターンが現在の同じ曜
日の需要変動パターンの予測に役立つとは限らない。例
えば、１年を通しての過去の需要変動パターンを学習す
るニューラルネットでは、夏季と秋季との区別がなくな
ってしまう。仮に、ニューラルネットが夏季と秋季とに
別けて学習するようにした場合、現在が夏季か秋季かを
外部より入力しなくてはならないし、季節変化は徐々に
進行し、日付によって明確に区別することができないた
め、季節の入力は困難である。このように、従来方法で
は、季節変化、経年変化等の中長期的な変化に対応する
ことができない。

【０００７】また、従来方法では、外部より曜日や天気
を入力するようになっているが、コジェネプラントのよ
うに対象地域が大規模でないプラントでは、自動化によ
りオペレーション工数を軽減することが望まれる。しか
し、入力が必要な情報には、カレンダ上の曜日だけでは
なく、祝祭日やプラント特有の特異日などがある。特異
日とは、エネルギの供給を受けている工場の定休日や夏
休みなどである。これらの情報の入力を自動化すること
は困難である。従来方法では、当日にオペレータが曜日
や天気や特異日を入力するしかない。

【０００８】そこで、本発明の目的は、上記課題を解決
し、需要の変動パターンの変化に容易に対応できると共
に、オペレーション工数を軽減できるプラントの需要予
測方法及びその装置を提供することにある。

【０００９】

【課題を解決するための手段】上記目的を達成するため
に本発明の方法は、エネルギを供給するプラントに対す
る需要を観測し、各時刻毎の需要からなる１日分の時系
列のパターンをパターンに共通性のある日毎に分類して
データベースに記憶させておき、現在の時系列パターン
をこれらの分類パターンに当てはめてどの分類パターン
に該当するかを推定し、該当する分類パターンを現在ま
での時系列で補正してその後の時系列を予測するもので
ある。

【００１０】該当した分類パターンに現在の時系列パタ
ーンを加味してデータベース内の分類パターンを更新し
てもよい。

【００１１】また、本発明の装置は、エネルギを供給す
るプラントに対する需要を観測する観測部と、各時刻毎
の需要からなる１日分の時系列のパターンをパターンに
共通性のある日毎に分類して記憶させたデータベース
と、現在の時系列パターンをこれらの分類パターンに当
てはめてどの分類パターンに該当するかを推定する推定
部と、該当する分類パターンを現在までの時系列で補正
してその後の時系列を予測する補正部とを備えたもので
ある。

【００１２】該当した分類パターンに現在の時系列パタ
ーンを加味してデータベース内の分類パターンを更新す
るパターン更新部を備えてもよい。

【００１３】

【発明の実施の形態】以下、本発明の一実施形態を添付
図面に基づいて詳述する。

【００１４】本発明を実施するにあたって、過去の時系
列パターンをパターンの近似性、共通性等により分類
し、分類上の曜日を定義する。分類上の曜日として、例
えば、平日、休日、休前日、休後日を設ける。分類上の
曜日は、プラント特有のものであり、例えば、主要供給
先の工場がカレンダ上の水曜日に定休日をおいていると
すれば、このプラントではカレンダ上の水曜日は分類上
では休日となる。同じく火曜日は休前日、木曜日は休後
日となる。また、祝祭日や夏休みはカレンダ上で平日で
あっても、分類上では休日となる。祝祭日でも工場を稼
働しているときは分類上では休日にならない。

【００１５】図１に示されるように、本発明に係る需要
予測装置は、エネルギを供給するプラントに対する需要
を観測する観測部１と、各時刻毎（例えば、５分刻み）
の需要からなる１日分の時系列のパターンをパターンに
共通性のある日（分類上の曜日）毎に分類して記憶させ
たデータベース（時系列パターンデータベース）２と、
現在の時系列パターンとデータベースにある分類パター
ンとを当てはめる（データマッチング）マッチング部３
と、現在のカレンダ上の曜日を提供するカレンダ部４
と、一日前の分類上の曜日を記憶している５と、マッチ
ングによる結果とカレンダ上の曜日と前日曜日とから総
合的に現在が分類上のどの曜日に相当するかを判定する
判定部６と、判定した曜日の分類パターンに現在の時系
列パターンを加味してデータベース内の分類パターンを
更新するパターン更新部７と、判定した曜日の分類パタ
ーンを仮の当日需要パターンとして取り出す当日需要部
８と、仮の当日需要パターンを現在までの時系列で補正
してその後の時系列を予測する補正部９とからなる。

【００１６】図１の装置を用いて以下のような予測方法
が実施される。

【００１７】観測部１は、１時間毎に需要を観測して時
系列を作成し、現在の時系列パターンをマッチング部
３、パターン更新部７、補正部９に通知する。

【００１８】カレンダ部４は、現在のカレンダ上の曜日
を判定部６に通知する。

【００１９】前日曜日部５は、一日前の分類上の曜日を
判定部６に通知する。

【００２０】データベース２は、分類上の各曜日の時系
列パターン（分類パターン）をマッチング部３に通知す
る。

【００２１】マッチング部３は、現在の時系列パターン
とデータベースからの各分類パターンとの近似度を計算
し、その結果を判定部６に通知する。

【００２２】判定部６は、マッチングによる近似度とカ
レンダ上の曜日と前日曜日とから総合的に現在の分類上
曜日を判定する。判定はマッチングによる近似度を優先
する。判定した曜日は当日需要部８に通知される。

【００２３】当日需要部８は、データベース２から判定
曜日の時系列パターン（分類パターン）を取り出して仮
の当日需要パターンとして補正部９に通知する。なお、
現在時刻が０時である場合、現在の時系列パターンは実
質的に昨日のものであるから、判定された現在の分類上
曜日は昨日のものである。よって、仮の当日需要パター
ンとしては分類上で翌日の曜日になるものを取り出す。
例えば、現在が休前日なら休日の需要パターンを取り出
す。

【００２４】補正部９は、仮の当日需要パターンと現在
の時系列パターンとを用いて現在以降の時系列（需要予
測パターン）を生成する。需要予測パターンの生成に
は、例えば、現在時刻の需要を基準として仮の当日需要
パターン（判定曜日の時系列パターン）をオフセット補
正する方法などがある。予測には、１〜２時間先を予測
する短期予測と１２〜２４時間先までを予測する長期予
測とがある。短期予測には、例えば、１時間前の需要と
現時刻の需要との変化分に定数をかけたものを変化予測
値とし、現時刻の需要に変化予測値を加算して１時間後
の需要とする方法がある。

【００２５】パターン更新部７は、前日の時系列パター
ンを用いてデータベース２内の前日の分類曜日の分類パ
ターンを更新する。データベース２の更新は、例えば、
次の式により行う。

【００２６】Ｙ_n+1＝αＹ_n＋（１−α）Ｘ_n （０＜α＜１）ここで、ｎは更新回数、Ｙ_n+1は新たなデータベースの
値、Ｙ_nは現在のデータベースの値、Ｘ_nは前日の需要
の値（Ｙ_n+1、Ｙ_n、Ｘ_nはすべて同時刻の値）であ
る。αは、任意に決めることのできる定数である。αが
大きければ、新たなデータベースの値はそれまでのデー
タベースの値からあまり変化しない。αが小さければ、
新たなデータベースの値は最新の需要の値に強く影響さ
れる。αの設定方法は、分類曜日毎に設定する方法、デ
ータベース更新までの時間が長いときに大きくする方
法、需要変化の大きい季節の変わり目（３・６・９・１
２月）だけ大きめにするなど季節ごとに変化させる方法
などがある。

【００２７】以上の動作により、現在の時系列パターン
はどの分類曜日のパターンに該当するか推定され、この
推定に従ってその後の時系列が予測される。オペレータ
が曜日や天気や特異日を入力する必要はない。図１の形
態では、マッチングによる結果に加えてカレンダ上曜日
や前日曜日を判定の根拠にしたので、マッチングによる
結果から明確に分類上曜日を特定できないような場合
に、カレンダ上曜日や前日曜日から現在曜日を割り出す
ことができる。

【００２８】また、該当した分類パターンに現在の時系
列パターンを加味してデータベース内の分類パターンを
更新するようにしたので、毎日の需要変動パターンの変
化が分類パターンに取り込まれる。その結果、季節変
化、経年変化等の中長期的な変化にもよく対応すること
ができる。

【００２９】次に、本発明の他の実施形態を説明する。

【００３０】図２に示した需要予測装置は、データベー
ス２からの分類パターンを予め補正部９ａで補正してマ
ッチング部３に通知し、マッチング部３では現在の時系
列パターンと補正された分類パターンとの近似度を計算
する。当日需要部８ａでは、判定された曜日の補正され
た分類パターンを当日の需要予測パターンとする。この
場合、計算の手間はかかるが、曜日の判定が十分に行わ
れない場合の予測誤差を少なくすることができる。

【００３１】次に、需要の時系列パターンをパターンに
共通性のある日毎に分類する方法について詳しく説明す
る。ここでは、あるコジェネプラントにおいて実際に計
測した１８日分の電力需要及び蒸気需要のデータを使用
して説明する。電力需要は、ガスタービンで発電して消
費した電力と電力会社から受電した電力との合計であ
る。蒸気需要は、ボイラへの給水量を計測して蒸気需要
に換算した。各需要の１日分の時系列が図３〜図６に折
れ線グラフで示されている。グラフの右側には日付とカ
レンダ上の曜日とが付記されている。図示のように需要
の時系列パターンは、類似したものや全く異なるものが
混在していることが視覚的にも理解できる。ここでは、
分類の根拠として任意の２つの時系列パターン間の分散
を求めた。

【００３２】図７に示されるように、縦軸に一方の時系
列パターンの日付をとり、横軸には比較相手の時系列パ
ターンの日付をとり、交点に両者の平均と分散とを示し
た。分散の計算結果をいくつか説明すると、電力需要に
おいては、２１日の時系列パターンは２８日の時系列パ
ターンとの分散が最も小さい。２２日の時系列パターン
は２日の時系列パターンとの分散が最も小さい。このよ
うにして相互の類似性が図７に数値的に示される。蒸気
需要についても、任意の２つの時系列パターン間の分散
を求め、図８を得た。

【００３３】分散が小さいことはパターンの類似性が高
いことを示している。そこで、分散の小さいもの同士を
同じ分類に入れる。ただし、電力需要のパターンの類似
性と蒸気需要のパターンの類似性とが必ずしも連動して
いないことがわかったので、両者の類似性を複合して分
類することにした。

【００３４】相互に類似性を持つものをまとめ、それぞ
れに分類上の曜日を定義した。その結果、図３〜図６の
１８日分のパターンは、平日、休日１、休日２、休日１
・２、休前日、休後日の５種類に分類された。これらの
分類名称は、需要変動がコジェネプラントの主要な需要
先である工場の操業・休業に強く依存しているので与え
たが、工場が操業しているか休業しているかというデー
タは必要なく、分類は時系列パターンのみにより行うも
のである。図３〜図６のグラフの右側には分類結果を
「平」「休１」「休２」「休１・２」「休前」「休後」
というように付記した。この分類結果をいくつか説明す
ると、例えば、１１月３日は水曜日であるが祝日で工場
が休んでいたため、１１月７日の日曜日と類似してお
り、休日１・２に分類された。また、１１月６日は通常
は休みになる土曜日だが操業日数調整のために工場が操
業しており、１０月２２日の金曜日と類似することから
休前日に分類された。

【００３５】分類方法は、これに限らず、例えば、各分
類毎に平均の時系列パターンを用意しておき、この平均
時系列パターンと現在の時系列パターンとの類似性を算
出するようにしてもよい。

【００３６】本発明の需要予測方法及びその装置は、コ
ジェネプラントにおいて複数台のガスタービンを統括し
て制御する統括制御装置のための需要予測手段として利
用できる。ガスタービンは高負荷運転のときに発電効率
が高いので、統括制御装置は、必要最小限の台数を運転
して需要を下回ることのない供給を実現するよう需要計
画に沿って運転制御を行うようになっている。需要計画
は、需要予測と実際の需要との誤差を吸収する余裕量を
鑑みて設定される。従って、需要予測を実際の需要にな
るべく一致させれば効率がよくなる。

【００３７】コジェネプラントでは、電力だけではな
く、発電に伴う排熱を回収して得られる蒸気をも供給し
ている。本発明では、それぞれの実績をデータベースに
記録することにより、電力需要の変動と蒸気需要の変動
とを独立に予測することができる。即ち、図１の需要予
測装置を２台用い、電力需要用と蒸気需要用とに使用す
ることができる。もちろんこの場合、電力需要の予測機
能と蒸気需要の予測機能を１台の需要予測装置内に搭載
しても良い。

【００３８】

【発明の効果】本発明は次の如き優れた効果を発揮す
る。

【００３９】（１）データベースに記憶した過去の時系
列パターンを選択・補正して需要予測パターンを生成す
るようにしたので、予測の元になる過去の時系列パター
ンを確認することや修正することが容易になる。

【００４０】（２）現在の時系列パターンからパターン
に共通性のある日（分類上の曜日）が判定されるため、
特異日等をオペレータが入力しなくてよくなり、オペレ
ータの負担が減ると共に誤操作の可能性も減る。

【図面の簡単な説明】

【図１】本発明の一実施形態を示す需要予測装置のブロ
ック構成図である。

【図２】本発明の他の実施形態を示す需要予測装置のブ
ロック構成図である。

【図３】実測した電力需要及び蒸気需要の波形図であ
る。

【図４】実測した電力需要及び蒸気需要の波形図であ
る。

【図５】実測した電力需要及び蒸気需要の波形図であ
る。

【図６】実測した電力需要及び蒸気需要の波形図であ
る。

【図７】２つの電力需要時系列パターン間の類似性を数
値化した図である。

【図８】２つの蒸気需要時系列パターン間の類似性を数
値化した図である。

【符号の説明】

１観測部２データベース３マッチング部４カレンダ部５前日曜日部６判定部７パターン更新部８当日需要部９補正部

───────────────────────────────────────────────────── フロントページの続き (72)発明者酒井康雄東京都江東区豊洲三丁目１番15号石川島播磨重工業株式会社東京エンジニアリングセンター内 (72)発明者安形祥行東京都江東区豊洲二丁目１番１号石川島播磨重工業株式会社東京第一工場内 (72)発明者鈴木猛東京都江東区豊洲二丁目１番１号石川島播磨重工業株式会社東京第一工場内Ｆターム(参考） 5B049 BB07 CC31 EE03 EE05 EE08 EE12 FF00 5H004 GA15 GB05 GB06 HA02 HA14 JA05 JA30 KA13 KA16 KC23 KC25 KD52 LA16 9A001 HH03 JJ44

Claims

【特許請求の範囲】

【請求項１】エネルギを供給するプラントに対する需
要を観測し、各時刻毎の需要からなる１日分の時系列の
パターンをパターンに共通性のある日毎に分類してデー
タベースに記憶させておき、現在の時系列パターンをこ
れらの分類パターンに当てはめてどの分類パターンに該
当するかを推定し、該当する分類パターンを現在までの
時系列で補正してその後の時系列を予測することを特徴
とするプラントの需要予測方法。
【請求項２】該当した分類パターンに現在の時系列パ
ターンを加味してデータベース内の分類パターンを更新
することを特徴とする請求項１記載のプラントの需要予
測方法。
【請求項３】エネルギを供給するプラントに対する需
要を観測する観測部と、各時刻毎の需要からなる１日分
の時系列のパターンをパターンに共通性のある日毎に分
類して記憶させたデータベースと、現在の時系列パター
ンをこれらの分類パターンに当てはめてどの分類パター
ンに該当するかを推定する推定部と、該当する分類パタ
ーンを現在までの時系列で補正してその後の時系列を予
測する補正部とを備えたことを特徴とするプラントの需
要予測装置。
【請求項４】該当した分類パターンに現在の時系列パ
ターンを加味してデータベース内の分類パターンを更新
するパターン更新部を備えたことを特徴とする請求項２
記載のプラントの需要予測装置。