JP2001245432A

JP2001245432A - 需要予測装置

Info

Publication number: JP2001245432A
Application number: JP2000053579A
Authority: JP
Inventors: Hiroaki Takahashi; 宏明高橋; Hiroyuki Moriyama; 博之森山; Kazuaki Sasaki; 一彰佐々木; Shingo Maeda; 伸悟前田; Katsumi Omori; 勝美大森
Original assignee: Hitachi Ltd; Hitachi Information and Control Systems Inc
Current assignee: Hitachi Ltd; Hitachi Information and Control Systems Inc
Priority date: 2000-02-29
Filing date: 2000-02-29
Publication date: 2001-09-07
Anticipated expiration: 2020-02-29
Also published as: JP3650304B2

Abstract

(57)【要約】【課題】エネルギー流供給に対する需要量の予測・推
定時に、抽出した類似事象に対して、人間生活に依存し
た要素の状態変化に対応した補正方法で補正する。【解決手段】影響要因予測データ２、影響要因実績デ
ータ３から実績ＤＢ１３をつくり、また予測日の予測要
因データテーブル１４を生成する。この要因には少なく
とも日〜土曜日及び祝日、特異日の９種の日種を含む。
ＭＢＲ機能１５は予測要因データと実績ＤＢの出力との
類似度を調べて類似日を複数個抽出し、ＮＮ機能１６は
日種ごとに設けられたニューラルネットワークによって
これら類似日の需要量補正値を算出し、合成機能１７は
類似日ごとの実績供給量を前記補正量で補正し、その後
全類似日の補正需要量の平均値を予測推定値として出力
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、需要予測装置に係
り、特にエネルギー流または流体供給の需要量を算出す
るための需要予測装置に関する。

【０００２】

【従来の技術】ガス、電力、上水等の需要予測を、データ
ベース化した類似事例を用いて行う装置が開発されてい
る。例えば、特開平１０−２４０７１５号公報には、類
似事例検索により類似事例を取得し、その取得した類似
事例により形成した近傍事例集合に対して、分布推定演
算によりその重心値を求め、その重心値を予測・推定結
果として出力する予測・推定装置が提案されている。ま
た、特開平６−１３１１８４号公報には、与えられた問
題に対して基本事例検索をおこない、その取得した基本
事例と問題空間上の記述差異を抽出し、特定された修正
対象を適切なグループに分割して１個または複数個の補
助事例を検索し、その取得した補助事例と基本事例を合
成したものを、予測・推定結果として出力する予測・推
定装置が提案されている。

【０００３】次に、エネルギー流需要に対する予測方法
として、例えば特開平５−８８７１４号には、エネルギ
ー流需要のある複数の対象を、需要の特徴を有する小集
合に分類し、各小集合ごとにその需要予測を演算して、
総需要を求める方法が提案されている。また同じくエネ
ルギー流需要に対する予測・推定装置としては、予測モ
デルを用いて推定を行う特開平１０−２２４９９０号、
特開平５−１８９９５号公報などの技術がある。これ
は、過去の電力実績需要量や気象データなどの一定期間
の（時系列データである）実績値を与え、（統計）予測
モデルを構成し、この予測モデルの入力値として、予測
対象日の予想最高／最低気温などの「気象データ」を与
え、前記予測モデルの出力値に対して補正用ニューラル
ネットワーク（補正用ＮＮ）を適用する構成となってい
る。そしてこの補正用ＮＮは、経年変化への適応の為の
補正機能として用いている。但し、特開平１０−２２４
９９０号公報記載のように、前述の一定期間に特異日等
が割り込んだ場合には、時系列データより特異日を除い
て予測モデルの入力として与えていた。さらにまた、特
開平７−４６７６１号公報には、季節（春、夏、秋、
冬）毎に対応した４つのニューラルネットワークと、予
測対象日が各季節の境界に設けた季節と季節の重なり期
間に属する場合に適用されるファジー推論部とを備える
ことにより、季節毎の需要量変動特性を考慮した予測方
法が示されている。

【０００４】

【発明が解決しようとする課題】上記した従来の需要予
測の技術は何れも、毎日の需要量の変動が小さい期間に
ついては良好な需要予測が行えるものの、以下に示すよ
うに、正月やお盆、ゴールデンウィークなどの非日常的
な人々の動きのある祝祭日や特異日における予測精度が
低下する問題があった。

【０００５】まず、類似事例検索機能とその類似事例合
成機能で構成される従来技術は、何れも与えられた類似
事象をベースに、与えられた問題に対する解を得る方法
であるが、エネルギー流供給に対する需要量の予測・推
定に適用した場合、類似事象を、特に人間生活に依存し
た要素である都市規模の拡大・縮小などによる経年変化
や非日常的な行事であるお盆や正月といった日毎の需要
量変化に適応した補正を行えないため、特異な状態変化
に対応した予測・推定結果を得ることが困難である。

【０００６】また、予測モデルと補正機能で構成される
従来の技術は、過去の実績事例より予測モデルを作成す
る段階で、モデル化しきれない要素（非線形要素）があ
るため、特にモデルから外れた非日常的な祝日や特異日
などの予測対象日の予測要因に対する適切な推定出力
（モデル出力）を得ることが困難であり、その推定出力
に対して補正を行っても予測精度が低下するという問題
点があった。なお、補正機能においては、日付の種別毎
（月〜日、祝祭日、特異日など）の状況変化への追随を
考慮した機能構成となっていないため、日付種別毎の変
動が大きい期間では、適切な補正を行えない問題があ
る。

【０００７】本発明は、かかる問題点を除去し、特にエ
ネルギー流供給に対する需要量の予測・推定において、
日付の種別毎の需要量の変動特性に適応した予測・推定
結果を得ることのできる需要予測装置を提供することを
目的とする。

【０００８】

【課題を解決するための手段】本発明は、エネルギー又
は流体供給システムの日ごとの需要量を予測するための
需要量予測装置であって、過去の日ごとの実績供給量と
その日の供給量に影響を与えるところの、少なくとも日
種を含む複数の影響要因データとを格納した実績データ
ベースと、この実績データベースを参照して予測日の供
給量に影響を与えるところの、前記影響要因データと同
じ種類の要因から成る予測要因データを生成する予測要
因データ生成手段と、前記実績データベースの各日ごと
の影響要因データと前記予測要因データとの類似度を算
出し、その類似度が大きい順に所定の個数の実績データ
ベースのデータを抽出する類似日検出手段と、曜日対応
に設けられ、過去の実績データを学習することによりそ
の内部係数が与えられ、前記類似日検出手段により抽出
された実績データベースのデータと前記予測要因データ
とを入力として前記抽出された実績データベースのデー
タ毎の需要量補正値を算出するニューラルネットワーク
と、前記抽出された実績データベースのデータに含まれ
る実績供給量と当該データ対応に前記ニューラルネット
ワークで算出された需要量補正値とを加算して前記抽出
された実績データベース毎の予測需要量を算出し、更に
この予測需要量の平均値を求めて予測日の出力予測需要
量として出力する予測需要量算出手段と、を備えたこと
を特徴とする需要量予測装置を開示する。

【０００９】さらに本発明は、日種は、日曜〜土曜まで
の７個の曜日の他に、祝日及び特異日の９個から成るこ
とを特徴とする需要量予測装置を開示する。

【００１０】さらに本発明は、影響要因データは、当該日
の日付、この日付と予め定めた基準日との日差を年間日
数で正規化した日差係数、この日差係数に２πを乗じた
値の正弦値及び余弦値により季節を表す季節指標、当該
日の気温の最大値及び最小値、及び当該日の前日の水温
の内の１又は複数を含むことを特徴とする需要量予測装
置を開示する。

【００１１】さらに本発明は、類似日検出手段は、前記影
響要因データと前記予測要因データの各々の間の距離を
求め、それら距離に予め定めた重み係数を乗じて加算し
た事例間距離を算出し、この事例間距離が小さい程前記
類似度が大きいと判定するようにしたことを特徴とする
需要量予測装置を開示する。

【００１２】

【発明の実施の形態】以下、本発明の実施の形態を詳細
に説明する。図１は、本発明になる需要予測システムの
構成例を示すブロック図で、予測当日の気象予報データ
等が格納された影響要因予測データ２、実績として計測
した水温データ等が格納された影響要因実績データ３、
影響要因予測データ２と影響要因実績データ３から当日
のエネルギー流または流体需要量を予測するエネルギー
流または流体の供給需要予測機能１から構成され、供給
需要予測機能１からの需要予測値を基にエネルギー流ま
たは流体の供給が供給制御装置４により制御される。

【００１３】供給需要予測機能１は、入出力Ｉ／Ｆ１
１、制御機能１２、実績データベース（以降、ＤＢと称
す）１３、予測要因データテーブル１４、ＭＢＲ（Memo
ry Based Reasoning）機能１５、ニューラルネット（以
降、ＮＮと称す）機能１６、合成機能１７により構成さ
れる。

【００１４】入出力Ｉ／Ｆ１１は、影響要因予測データ
２および影響要因実績データ３と、供給制御装置４より
の供給量および需要量の実績となる計測データとを入力
し、これらを制御機能１２へ渡す。また、合成機能１７
より出力された当日の予測データを供給制御装置４へ出
力する。

【００１５】制御機能１２は、影響要因予測データ２お
よび影響要因実績データ３を予測要因情報として加工
し、加工した影響要因予測データは予測要因データテー
ブル１４へ格納し、また、影響要因実績データ３及び供
給制御装置４からの計測データを実績ＤＢ１３へ格納す
る。

【００１６】ＭＢＲ機能１５は、予測要因データテーブ
ル１４より当日データに対する予測要因情報を取り込
み、この予測事例と実績ＤＢ１３の蓄積データの実績事
例とを正規化した後それらの事例間距離を算出し、この
事例間距離を検索キーとして蓄積データを検索し、検索
結果として抽出された類似過去実績データ（類似日デー
タ）をＮＮ機能１６および合成機能１７へ出力する。

【００１７】ＮＮ機能１６は、予測要因データテーブル
１４のデータとＭＢＲ機能１５より前記類似過去実績デ
ータとを入力し、日種別判定を介して日種別学習型ニュ
ーラルネットへ入力することで、当日予測データとして
補正するための予測補正データを作成し、合成機能１７
へ出力する。

【００１８】合成機能１７は、ＭＢＲ機能１５よりの類
似過去実績データとＮＮ機能１６からの予測補正データ
とを合成して、当日予測データを作成し、これを前記入
出力Ｉ／Ｆ１１を介して供給制御装置４へ出力する。

【００１９】図２は、実績ＤＢ１３のデータ例を示すも
ので、実績事例入力変数と実績事例出力変数から成って
いる。実績事例入力変数は、日付係数、実績気温、前日
実績水温から構成され、実績事例出力変数は実績供給量
から構成されている。また、日付係数は、日付、日差係
数、ＳＩＮ、ＣＯＳ、曜日コードから構成され、実績気
温は、実績データ格納当日の最高気温であるＭＡＸ、実
績データ格納当日の最低気温であるＭＩＮから構成され
ている。ここで日付は、各レコード毎の実績データに対
する格納実施日付である。また日差係数は、実績データ
の基準日付から前記日付までの日数差を係数化した値
で、以下の式より算出する。

【数１】前記ＳＩＮおよびＣＯＳは、日差係数をもとに計算した
結果で、実績データが該当する季節を表す。これらＳＩ
ＮおよびＣＯＳは以下の式より算出する。

【数２】前日実績水温は、実績データ格納当日から数えて１日前
に当たる日の実績水温データである。実績供給量は、実
績データ格納当日のガス供給量（実測値）である。

【００２０】図３は、予測要因データテーブル１４の予
測要因データ１４１の例を示しており、予測事例の予測
日入力変数から構成さている。この予測日入力変数は、
予測日付の日付係数、予測要因から構成され、予測日付
の日付係数は、図２の日付係数と同様である。但し日付
をはじめ各値は、予測対象日のものである。また、予測
要因は、予測気温、前日実績水温から構成されており、
予測気温は、予測対象日付に対する最高予想気温である
ＭＡＸ、予測日に対する最低予想気温であるＭＩＮから
構成されている。また前日実績水温は、予測対象日付か
ら数えて１日前に当たる日の実績水温データである。

【００２１】図４は、ＭＢＲ機能１５の機能構成を示す
もので、ＭＢＲ定義ファイル編集機能１５０、ＭＢＲ定
義ファイル１５１、類似日検索条件作成機能１５２、類
似日検索機能１５３、類似日データ格納処理１５４、類
似日データ１５５、ＭＢＲ検索対象内部データベース
（以降、ＤＢと称す）１５６により構成される。ここ
で、ＭＢＲ定義ファイル編集機能１５０は、手入力操作
時に、ＭＢＲ定義ファイルの定義値を編集するための機
能であり、ＭＢＲ定義ファイル１５１は、ＭＢＲ定義フ
ァイル編集機能１５０にて編集／設定したしきい値を保
存しておくためのファイルである。また、類似日検索条
件作成機能１５２は、ＭＢＲ定義ファイル１５１の定義
データに基づいてＭＢＲ検索対象内部ＤＢ１５６を作成
し、また予測要因データ１４１における予測事例とＭＢ
Ｒ検索対象内部ＤＢ１５６におけるＭＢＲ検索対象内部
実績事例データ１５６１の間の事例間距離を算出する。
類似日検索機能１５３は、前記ＭＢＲ検索対象内部実績
事例データ１５６１の事例間距離及び後記ＭＢＲ検索対
象内部ＤＢ１５６を用いて、類似日検索を行う機能であ
る。類似日データ格納処理１５４は、類似日検索機能１
５３により抽出した類似日データ１５５を格納する処理
である。ＭＢＲ検索対象内部ＤＢ１５６は、ＭＢＲにて
検索対象となる類似日検索条件作成機能１５２により作
成した内部ＤＢである。

【００２２】図５は、図４のＭＢＲ定義ファイル編集機
能１５０の処理構成を示すもので、類似度判定定義設定
１５０１、ファイル書込み処理１５０２から構成され
る。類似度判定定義設定１５０１は、ＭＢＲ定義ファイ
ル１５１におけるしきい値や予測要因データ１４１を構
成する各項目データに対する正規化範囲の定義が手入力
により与えられるとこれを受け付け、ファイル書込み処
理１５０２へ出力する。図５にはこの類似度判定正義設
定１５０１による正規化範囲の定義例１５０３及びしき
い値の定義例１５０４が示されている。ファイル書込み
処理１５０２は、類似度判定定義設定１５０１より入力
された正規化データ及びしきい値をＭＢＲ定義ファイル
１５１へ出力する。

【００２３】図６は、図４の類似日検索条件作成機能１
５２の処理構成を示すもので、ＭＢＲ検索対象内部ＤＢ
作成１５２０、入力変数間距離の算出処理１５２１、及
び事例間距離の算出処理１５２２から構成される。ＭＢ
Ｒ検索対象内部ＤＢ作成１５２０は、実績ＤＢ１３より
定義ファイル１５１の定義を満たすデータを抽出して正
規化し、編集してＭＢＲ検索対象内部ＤＢ１５６へ格納
する。また、予測要因データ１４１も同様に正規化し、
内部ＤＢ１５６へ格納する。

【００２４】入力変数間距離の算出処理１５２１は、予
測要因データ１４１および実績ＤＢ１３より予測要因デ
ータおよび実績データを入力し、内部ＤＢ１５６の各実
績事例と予測日入力変数との間の入力変数間距離を算出
する。入力変数間距離は、入力変数毎に変数のレンジ幅
で正規化した距離で、今実績事例に番号ｋをつけ、ｋ番
目の実績事例のｊ番目の値（図２の日付、日差係数、…
等）をａkjとし、予測要因データのｊ番目の値（図３の
日付、日差係数…等）をｂjとかくと、入力変数間距離
ｄ（ａkj、ｂj）は変数ａkj、ｂjが曜日のときは

【数３】である。また変数ａkj、ｂjが数値データのときは

【数４】で定められる。但しＢは、当該変数に対して定義された
ＭＢＲ定義ファイル１５０に定義された正規化範囲の幅
である。

【００２５】図６の事例間距離の算出処理１５２２は、
入力変数間距離の算出処理１５２１にて算出した入力変
数間距離を用いて、予測事例と実績事例との事例間距離
Ｄｋを次式により算出する。

【数５】但しＷkjは実績事例の各変数ａkjに対して定めた重み係
数である。こうして事例間距離Ｄkが算出されると、類
似日データ検索機能１５３はこの距離ＤkとＭＢＲ検索
対象内部ＤＢ１５６から類似日データ１５５を取り出
す。このデータ構成は図２と同様である。

【００２６】図７は、図１のＮＮ機能１６の構成を示す
もので、各日種別（月曜日〜日曜日、祝日、特異日）に
対応した補正量算出用のニューラルネットロジックが設
けられている。この各日種別のニューラルネットロジッ
クの各々は、入力ユニットにｎ個（ここでは図示の９
個）の項目を持ち、これと各日種別のニューラルネット
ロジック毎に設けられた曜日別知識ＤＢ１６３から取得
した重み係数を適用することで、出力ユニット値からの
出力値である補正量を算出する。そして重み係数には、
各日種別毎、入力ユニットへ入力する入力項目（図７参
照）毎に学習結果を反映させておく。こうして、日種別
による傾向はもとより、類似事例の日付と予測対象日の
差分についても、その影響度を反映した結果が得られ
る。つまり、前記補正量は、需要量に対する日種別の影
響度および類似事象の過去度合を反映した値となる。

【００２７】図８は、ニューラルネットロジックの構成
例で、これは単純パーセプトロンモデルである。入力、結
合、出力のユニット層を持ち、出力ユニット以外の各ユニ
ットの応答関数はシグモイド関数とする。入力ユニット
への入力値をＸm1、その出力をＹm1（m＝１〜９）とす
ると、

【数６】である。これらの入力ユニットの出力値Ｙm1の各々には
重み係数ωmj1が乗じられて、各結合ユニットへの入力
値Ｘm2に換算される；

【数７】従って各結合ユニットの出力Ｙj2は

【数８】である。同様にして出力ユニットの入力値Ｘ3はｊ番目
の結合ユニットから出力ユニットへの入力値を算出する
ための重み係数をωj2とすると、

【数９】出力ユニットではその入力値Ｘ3をそのまま補正量とし
て出力する。なお、（数７）、（数９）で用いる重み係
数ωmj1、ωj2は、各日種別ニューラルネットロジック
に対応する曜日別知識ＤＢ１６３から取得される。

【００２８】以上に示した図７の予測要因ＮＮ機能１６
においては、まず、日種別判定処理１６１にて予測要因
データ１４１の曜日コードに該当するニューラルネット
ロジック１６２を選定し、ＭＢＲ機能１５から入力した
類似日データ１５５および予測要因データテーブル１４
から入力した予測要因データ１４１を用いて、図７に示
した各値を各入力ノードに設定する。次に、選定された
ニューラルネットロジック１６２にて、入力ノードに設
定された各データに対し、曜日コードに該当する曜日別
知識ＤＢ１６３より得られる重み係数を用いて（数６）
〜（数９）の演算を実行して補正量を算出し、その算出
結果(補正量)を合成機能１７へ出力する。

【００２９】図９は、図１の合成機能１７の処理構成を
示すもので、合成機能１７１及び平均値算出処理１７２
により構成されている。合成処理１７１は、ＭＢＲ機能
１５により求められた類似データごとの実績供給量を類
似日需要量とし、これらと、ＮＮ機能１６からの類似日
対応に求められた補正量とを入力し、図９に例示したよ
うにその各々を加算する。平均値算出処理１７２は、合
成処理１７１にて得られた各需要予測データの平均値を
算出し、これを予測需要量として入出力Ｉ／Ｆ１１経由
で出力する。

【００３０】図１０は、本発明になる図１の需要予測装
置の動作を示すフローチャートで、これを具体例を用い
て詳細に説明する。まず、ＭＢＲ定義ファイル編集機能
１５０によりＭＢＲ定義ファイル１５１を作成する。こ
こでは図５の定義例１５０３、１５０４が定義されると
する（ステップ１００１）。次にＭＢＲ検索対象内部Ｄ
Ｂ１５６がその作成処理１５２０により作成される（ス
テップ１００２）。ここでは図３の予測要因データ１４
１（１９９９年３月５日予測要因）と図２の実績ＤＢデ
ータ１３１（１９９９年３月３日実績データ）が処理対
象とすると、ＭＢＲ検索対象内部ＤＢ作成処理１５２０
では、ＭＢＲ定義ファイル編集機能１５０にて定義した
しきい値条件１５０４を満たすデータを取りだし正規化
する。例えば実績ＤＢ１３の１９９／３／３のデータを
以下のように正規化し、ＭＢＲ検索対象内部ＤＢ１５６
へ格納する。

【数１０】このデータは、最大事例数４００まで格納される。ま
た、図３の予測要因データ１４１についても、正規化に
より以下のようなデータをＭＢＲ検索対象内部ＤＢ１５
６へ格納する。

【数１１】

【００３１】以上のようにしてＭＢＲ検索対象ファイル
１５６が作成されると、次に入力変数間距離の算出処理
１５２１によりＭＢＲ検索対象内部ＤＢ１５６の最大４
００ケース分の各データに対して、（数３）、（数４）
を用いて予測要因データからの入力変数間距離ｄ（ａk
j、ｂj）を算出する（ステップ１００３）。（数１０）
の日付１９９９／３／３の正規化データでは、（数１
０）、（数１１）から

【数１２】

【００３２】次に、事例間距離の算出処理１５２２で
は、前記算出された各入力変数間距離を用いて、（数
５）により事例間距離Ｄkを算出する（ステップ１００
４）。（数２）の例では距離Ｄkの添字である事例の番
号ｋに変わって日付そのもので表記するとして

【数１３】となる。但しここでは、（数５）の重み係数Ｗkjは全て
１とした。この事例間距離は、実績事例ごとにＤ1、Ｄ2
…と最大４００個計算される。

【００３３】以上で類似日検索条件機能１５２による処
理が終わると、類似日検索機能１５３により、事例間距
離の算出処理１５２２にて算出した事例間距離の最小の
ものから、ＭＢＲ定義ファイル編集機能１５０にて定義
したしきい値の定義１５０４（図５）の抽出類似例の最
大件数分のデータを選択する（ステップ１００５）。こ
こでは、以下のデータが事例間距離の最小のものから１
０ケース分の実績データであったとする。

【数１４】これらのデータは類似日データ格納処理１５４により類
似日データ１５５として格納される。

【００３４】以上のＭＢＲ機能１５の処理ステップ１０
０１〜１００５により類似日データ１５５が得られる
と、予測要因データ１４１および類似日データ１５５は
ＮＮ機能１６へ入力され、需要値の補正量が算出され
る。そのためまず、図７の日種別判定処理１６１によ
り、予測要因データ１４１における曜日コードに対応す
るニューラルネットロジックの選定を行う（ステップ１
００６）。図３の１９９９年３月５日を予測対象日とし
た場合は、予測対象日の曜日コードが５であるため、日
種別が平日金曜日に対応する金曜日用ニューラルネット
ロジックが選定される。そこでこのニューラルネットワ
ークロジックの入力ノードに、類似日データ１５５の１
日分ごとの各データと、予測要因データ１４１のデータ
を順次設定し、学習結果を蓄積した曜日別知識ＤＢ１６
３より対応する重み係数を取出し、これを用いて各類似
日データごとの補正値を算出する（ステップ１００
７）。

【００３５】以上のようにして算出された類似日データ
１５５ごとの補正値は、類似日データの実績供給量がそ
の日の需要量として合成機能１７へ出力され、合成機能
１７では、この値を合成し、さらにその平均値を算出し
て（ステップ１００８）、需要予測結果である需要量と
して入出力Ｉ／Ｆ１１へ出力する（ステップ１００
９）。図９には、類似日データ１５５の１０個の類似日
需要量が５１００、５２００、５１００、５１５０、５
２５０、５０００であり、ＮＮ機能１６より算出した１
０個の補正量が５０、−３０、６０、１０、−５０、−
４０であった例を示しており、それらの合成後の平均値
５１６７が１９９９年３月５日の予測需要量であるとい
う結果が得られているものとしている。

【００３６】

【発明の効果】本発明は、以上説明したように、人間生
活に依存した要素の状態変化に対して、その状態変化に
見合った類似事象を補正しているので、常に適切なエネ
ルギー流需要量の予測・推定結果が得られるという効果
がある。

【図面の簡単な説明】

【図１】本発明になる需要予測装置の構成例を示すブロ
ック図である。

【図２】実績ＤＢ１３のデータ構成例である。

【図３】予測要因データテーブル１４のデータ構成例で
ある。

【図４】ＭＢＲ機能１５の機能構成を示すブロック図で
ある。

【図５】ＭＢＲ定義ファイル編集機能１５０の処理構成
とＭＢＲ定義ファイル１５１の例である。

【図６】類似日検索条件作成機能１５２の処理構成を示
すブロック図である。

【図７】ＮＮ機能１６の構成説明図である。

【図８】前記ＮＮ機能１６のユニット構成を示す図であ
る。

【図９】合成機能１７の処理構成を示す図である。

【図１０】図１の装置の動作を示すフローチャートであ
る。

【符号の説明】

１供給需要予測機能２影響要因予測データ３影響要因実績データ１２制御機能１３実績データベース（ＤＢ）１４予測要因データテーブル１５ＭＢＲ（Memory Based Reasoning）機能１６ＮＮ（ニューラルネット）機能１７合成機能１３１実績データ１４１予測要因データ１５０ＭＢＲ定義ファイル編集機能１５１ＭＢＲ定義ファイル１５２類似日検索条件作成機能１５３類似日検索機能１５４類似日データ格納処理１５５類似日データテーブル１５６ＭＢＲ検索対象内部データベース（ＤＢ）１６１日種別判定処理１６２ニューラルネットロジック１６３曜日別知識データベース（ＤＢ）１７１合成処理１７２平均値算出処理１５０１類似度判定定義設定処理１５０２ファイル書込み処理１５２０ＭＢＲ検索対象内部ＤＢ作成処理１５２１入力変数間距離の算出処理１５２２事例間距離の算出処理１５６１ＭＢＲ検索対象内部実績事例データ

───────────────────────────────────────────────────── フロントページの続き (72)発明者森山博之茨城県日立市大みか町五丁目２番１号株式会社日立情報制御システム内 (72)発明者佐々木一彰茨城県日立市大みか町五丁目２番１号株式会社日立情報制御システム内 (72)発明者前田伸悟茨城県日立市大みか町五丁目２番１号株式会社日立製作所大みか事業所内 (72)発明者大森勝美茨城県日立市大みか町五丁目２番１号株式会社日立製作所大みか事業所内Ｆターム(参考） 5B049 AA06 BB00 CC11 DD01 EE01 EE05 FF00 FF09 5G066 AA02 AE01 AE05 AE07 AE09 5H004 GA15 GB06 GB07 GB08 HA02 HA14 HB01 HB02 HB14 JB07 KC01 KC23 KD31 9A001 HH06 JJ73 KK55

Claims

【特許請求の範囲】

【請求項１】エネルギー又は流体供給システムの日ご
との需要量を予測するための需要量予測装置であって、
過去の日ごとの実績供給量とその日の供給量に影響を与
えるところの、少なくとも日種を含む複数の影響要因デ
ータとを格納した実績データベースと、この実績データベースを参照して予測日の供給量に影響
を与えるところの、前記影響要因データと同じ種類の要
因から成る予測要因データを生成する予測要因データ生
成手段と、前記実績データベースの各日ごとの影響要因
データと前記予測要因データとの類似度を算出し、その
類似度が大きい順に所定の個数の実績データベースのデ
ータを抽出する類似日検出手段と、曜日対応に設けられ、
過去の実績データを学習することによりその内部係数が
与えられ、前記類似日検出手段により抽出された実績デ
ータベースのデータと前記予測要因データとを入力とし
て前記抽出された実績データベースのデータ毎の需要量
補正値を算出するニューラルネットワークと、前記抽出された実績データベースのデータに含まれる実
績供給量と当該データ対応に前記ニューラルネットワー
クで算出された需要量補正値とを加算して前記抽出され
た実績データベース毎の予測需要量を算出し、更にこの
予測需要量の平均値を求めて予測日の出力予測需要量と
して出力する予測需要量算出手段と、を備えたことを特
徴とする需要量予測装置。
【請求項２】前記日種は、日曜〜土曜までの７個の曜
日の他に、祝日及び特異日の９個から成ることを特徴と
する請求項１に記載の需要量予測装置。
【請求項３】前記影響要因データは、当該日の日付、こ
の日付と予め定めた基準日との日差を年間日数で正規化
した日差係数、この日差係数に２πを乗じた値の正弦値
及び余弦値により季節を表す季節指標、当該日の気温の
最大値及び最小値、及び当該日の前日の水温の内の１又
は複数を含むことを特徴とする請求項１又は２に記載の
需要量予測装置。
【請求項４】前記類似日検出手段は、前記影響要因デ
ータと前記予測要因データの各々の間の距離を求め、そ
れら距離に予め定めた重み係数を乗じて加算した事例間
距離を算出し、この事例間距離が小さい程前記類似度が
大きいと判定するようにしたことを特徴とする請求項１
又は２に記載の需要量予測装置。