JP2001249916A - 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 - Google Patents
需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体Info
- Publication number
- JP2001249916A JP2001249916A JP2000062209A JP2000062209A JP2001249916A JP 2001249916 A JP2001249916 A JP 2001249916A JP 2000062209 A JP2000062209 A JP 2000062209A JP 2000062209 A JP2000062209 A JP 2000062209A JP 2001249916 A JP2001249916 A JP 2001249916A
- Authority
- JP
- Japan
- Prior art keywords
- demand
- forecast
- holiday
- value
- target
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 25
- 238000004364 calculation method Methods 0.000 claims description 47
- 238000013277 forecasting method Methods 0.000 claims description 16
- 239000004575 stone Substances 0.000 claims description 11
- 238000013500 data storage Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000006835 compression Effects 0.000 description 7
- 238000007906 compression Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- Y04S10/54—
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
考慮することができ、需要予測のさらなる精度向上を図
る。 【解決手段】 電力需要を予測する上で必要とされる情
報を蓄積するデータ蓄積部1と、予測対象日及び予測対
象日の前後1週間の日に対して休日性を示す休日フラグ
を割り当てて出力する入力変数出力部2と、午前、午
後、点灯といった時間帯ごとに最大需要予測値を演算す
る需要予測値演算部3と、予測対象日が特異日(年末年
始、ゴールデンウィーク、お盆といった所定期間に含ま
れる日)に該当する場合に、上記需要予測値演算部3に
より演算された最大需要予測値に対して補正処理を行う
補正演算部4とを備え、予測対象日の休日性や所定期間
及び季節を考慮することにより需要予測精度を向上させ
て、電力の安定供給及び設備の経済的運用を図る。
Description
予測するための需要予測装置、方法、及びコンピュータ
読み取り可能な記憶媒体に関する。
び設備の経済的運用を図るためには、電力需要を予測す
ることが不可欠である。
予測モデルを用いて需要予測値を演算したり、ニューラ
ルネットワークを用いた予測モデルにより需要予測値を
演算したりすることが知られている。
させるには、どういった予測モデルを構築するかは当然
であるが、どのようにして入力変数を決めたり、補正処
理をしたりするかが非常に重要な要素とされている。
るか否かに大きな影響を受けるため、電力予測を行う上
で、そのことを表現することが重要である。これまで
も、予測対象日が休日であるか否かを表現するために、
例えば、暦上の日曜・祝日もしくは土曜日であればフラ
グ「1」を、月〜金であればフラグ「0」を割り当て
て、そのフラグを予測モデルに入力する手法が知られて
いた。
けで、単にフラグ「1」、「0」を割り当てるだけで
は、需要予測の精度を向上させるのにも限度があった。
ものであり、需要予測日の特徴を考慮した需要予測を行
うことができるようにして、需要予測のさらなる精度向
上を図ることを目的とする。
は、予測対象日の休日性を示す入力変数を休日フラグと
して定義して、上記予測対象日の所定の予測対象につい
ての需要予測値を演算する需要予測値演算手段を備えた
需要予測装置であって、上記休日フラグとして、予め定
められている少なくとも3つ以上の値のうちのいずれか
1つの値が用いられる点に特徴を有する。
の休日性を示す入力変数を休日フラグとして定義して、
上記予測対象日の所定の予測対象についての需要予測値
を演算する需要予測値演算手段を備えた需要予測装置で
あって、上記予測対象日に対して、暦上の曜日及び祝日
に応じた第1の変数と、予め定められている所定期間に
含まれるか否かに応じた第2の変数と、前後の日との関
係に応じた第3の変数とのうち、少なくとも1つを割り
当てる変数割り当て手段を備えた点に特徴を有する。
を含む連続した複数の日に対して休日性を示す入力変数
を休日フラグとして定義して、上記休日フラグに所定の
変数を割り当てる変数割り当て手段と、上記変数割り当
て手段により上記休日フラグに割り当てられた各日の変
数を用いて、上記予測対象日の所定の予測対象について
の需要予測値を演算する需要予測値演算手段とを備えた
点に特徴を有する。
の所定の予測対象についての最大需要予測値又は最小需
要予測値のうち、少なくとも何れか一方の需要予測値を
演算する需要予測値演算手段を備えた需要予測装置であ
って、上記需要予測値演算手段は、上記予測対象日の所
定の時間帯、及び上記所定の時間帯とは別の時間帯にお
いて、最大需要予測値又は最小需要予測値のうち、少な
くとも何れか一方の需要予測値を演算する点に特徴を有
する。
の所定の予測対象についての需要予測値を演算する需要
予測値演算手段を備えた需要予測装置であって、上記予
測対象日が予め定められている所定期間に含まれている
場合に、上記予測対象日の日付に対応して予め定められ
た補正係数を用いて、上記需要予測値演算手段により演
算された需要予測値に対して補正処理を行う補正手段を
備えた点に特徴を有する。
日性を示す入力変数を休日フラグとして定義して、上記
予測対象日の所定の予測対象についての需要予測値を演
算する需要予測方法であって、上記休日フラグとして、
予め定められている少なくとも3つ以上の値のうちのい
ずれか1つの値を用いる処理を行う点に特徴を有する。
の休日性を示す入力変数を休日フラグとして定義して、
上記予測対象日の所定の予測対象についての需要予測値
を演算する需要予測方法であって、上記予測対象日に対
して、暦上の曜日及び祝日に応じた第1の変数と、予め
定められている所定期間に含まれるか否かに応じた第2
の変数と、前後の日との関係に応じた第3の変数とのう
ち、少なくとも1つを割り当てる処理を行う点に特徴を
有する。
を含む連続した複数の日に対して休日性を示す入力変数
を休日フラグとして定義して、上記休日フラグに所定の
変数を割り当てる処理と、上記各日の休日フラグに割り
当てられた入力変数を用いて、上記予測対象日の所定の
予測対象についての需要予測値を演算する処理とを行う
点に特徴を有する。
の所定の予測対象についての最大需要予測値又は最小需
要予測値のうち、少なくとも何れか一方の需要予測値を
演算する需要予測方法であって、上記予測対象日の所定
の時間帯での最大需要予測値又は最小需要予測値のう
ち、少なくとも何れか一方の需要予測値を演算する処理
と、上記所定の時間帯とは別の時間帯での最大需要予測
値又は最小需要予測値のうち、少なくとも何れか一方の
需要予測値を演算する処理とを行う点に特徴を有する。
の所定の予測対象についての需要予測値を演算する需要
予測方法であって、上記予測対象日が予め定められてい
る所定期間に含まれている場合に、上記予測対象日の日
付に対応して予め定められた補正係数を用いて、上記需
要予測値演算手段により演算された上記需要予測値に対
して補正処理を行う処理を行う点に特徴を有する。
媒体は、上記本発明の需要予測装置の各手段としてコン
ピュータを機能させるためのプログラムを格納した点に
特徴を有する。
記憶媒体は、上記本発明の需要予測方法の各処理を実行
するためのプログラムを格納した点に特徴を有する。
記憶媒体は、上記本発明の需要予測方法の各処理を実行
するためのプログラムを格納した点に特徴を有する。
して、例えば、1と0以外に0,5等の値を用いること
により、単に休日であるか否かだけでなく、休日の度合
いといったことまで表現することができ、より一般観念
に近い休日性を表現することができる。
して定義した休日フラグによって、単に暦上の曜日や祝
日を表現するだけでなく、年末年始、ゴールデンウィー
ク、お盆といった所定期間に含まれる否かを表現した
り、前後の日との関係に応じて飛び石連休や二飛び石連
休を表現したりすることができ、より一般観念に近い休
日性を表現することができる。
た複数の日に対して休日フラグを割り当てることで、例
えば、予測対象日が休日に該当する場合でも、単独の休
日であるか、連休の一部の休日であるかを表現すること
ができる。
って異なる予測対象の最大・最小需要量を予測する場合
に、複数の時間帯ごとに演算を行うことで、間接的に季
節性を考慮することが可能となる。しかも、各時間帯で
の需要予測値を演算するための学習可能な予測モデルを
構築する場合、1日の複数点の学習用データを用いるこ
とができるので、予測モデル自体の精度が落ちることも
なくなる。
ゴールデンウィーク、お盆といった所定期間に含まれる
特異日に該当する場合、その日付に対応した補正係数を
用いて補正処理を行うことで、予測誤差を小さくするこ
とができる。
予測装置、方法、及びコンピュータ読み取り可能な記憶
媒体の実施の形態について説明する。
置を示す。この電力需要予測装置は、予測対象日である
翌日の最大電力需要を予測するためのものである。
の実績情報、過去の天候や気温といった気象実績情報、
暦情報等の電力需要を予測する上で必要とされる情報を
蓄積する。
供部1から提供される暦情報に応じて、予測対象日及び
予測対象日の前後1週間の日に対して休日フラグを割り
当てる。本実施の形態では、休日であるか否かだけでな
く、休日の度合いといった休日性といった概念を導入
し、詳しくは後述するが、その休日性を示すものとして
休日フラグとして定義した入力変数を需要予測値演算手
段3へ入力することにしている。そして、予測対象日を
含む15日間の休日フラグの変化パターンを作成して、
その変化パターンを需要予測値演算部3に出力する。
予測値演算部3aと、午後の需要予測値演算部3bと、
点灯の需要予測値演算部3cとを備える。そして、上記
データ蓄積部1及び上記休日フラグ出力部2からの入
力、さらには予測対象日の予想最高・最低気温や天候予
想等の入力を用いて、当該予測対象日の午前、午後、点
灯の3つの時間帯ごとに最大需要予測値を演算し、それ
らの中から最も大きな値を予測対象日の最大需要予測値
として出力する。
日(年末年始、ゴールデンウィーク、お盆といった所定
期間に含まれる日)に該当する場合に、上記需要予測値
演算部3により演算された最大需要予測値に対して補正
処理を行う。
力部2、需要予測値演算部3、補正演算部4の詳細につ
いて説明する。
で必要とされる情報を需要予測値演算部3に出力する。
具体的には、過去の電力需要の実績、過去の最高・最低
気温や天候の実績等の情報を提供する。さらに、大口需
要家の操業予定情報や、電力需要に影響を与えるイベン
ト予定情報等の特異事情に関する情報を提供するように
してもよい。又、暦情報を休日フラグ出力部2に出力す
る。
に、変数割り当て部2aと、休日フラグ変化パターン作
成部2bと、情報圧縮部2cとを備える。
予測対象日の前後1週間の日に対して、暦上の曜日及び
祝日に応じた第1の変数と、予め定められている所定期
間に含まれるか否かに応じた第2の変数と、前後の日と
の関係に応じた第3の変数との中から、少なくとも1つ
を割り当てる。
第1の変数として、日曜・祝日には変数1.0を、土曜
日には変数0.8を、月〜金曜日には変数0を割り当て
るようにしている。
といった所定期間に含まれるか否かに応じた第2の変数
として、当該所定期間の初日を土曜日として扱い変数
0.8を、当該所定期間の初日以外の日を日曜・祝日と
して扱い変数1.0を割り当てるようにしている。な
お、当該所定期間に含まれない場合は、変数0を割り当
てる。
数として、飛び石連休の中日(土曜又は日曜・祝日とし
て扱われる日に挟まれた1日)には変数0.5を、二飛
び石連休の中日(土曜又は日曜・祝日として扱われる日
に挟まれた2日)には変数0.3を割り当てるようにし
ている。なお、飛び石連休の中日、二飛び石連休の中日
に該当しない場合は、変数0を割り当てる。
その前後1週間の12月25日〜12月31日及び1月
2日〜1月8日との15日間に対して、上記第1〜第3
の変数を割り当てた具体例を示す。この具体例では、1
2月30日〜1月2日までを年末年始として扱ってい
る。
日でない金曜日であるので、第1の変数0が割り当てら
れる。又、年末年始とした12月30日〜1月2日に含
まれないので、第2の変数0が割り当てられる。さら
に、前日の1月2日が年末年始の最終日であり日曜・祝
日として扱われ、又、翌日の1月4日が暦上の土曜日で
あることから、飛び石連休の中日に該当するので、第3
の変数0.5が割り当てられる。
第3の変数が割り当てられたならば、各日の最も大きな
変数を、その日の休日フラグとして使用する。1月3日
では、第3の変数0.5が最も大きいため、この第3の
変数0.5が1月3日の休日フラグとして使用される。
上記のように15日間に割り当てられた休日フラグ(各
日の最も大きな変数)の変化パターンを作成する。図4
には、上記具体例についての休日フラグの変化パターン
を示す。
パターン作成部2bで作成された15日間の休日フラグ
の変化パターンを需要予測値演算部3に出力するが、そ
の際に情報圧縮処理を行う。本実施の形態では、ボトル
ネックニューロによる情報圧縮処理を行っている。図5
に示すように、ニューラルネットワークの構成を、入力
層のニューロン数と出力層のニューロン数とを同じに
し、中間層のニューロン数をこれら入出力層のニューロ
ン数よりも少なくする。そして、入力データと出力デー
タとの組み合わせを学習させ、使用時には中間層の出力
データを需要予測値演算部3に出力することで情報圧縮
処理を行う。これにより、休日フラグの変化パターンの
特徴を損なうことなく抽出し、需要予測値演算部3に入
力することが可能となる。
に、フラグが「1」、「0」だけでなく、土曜日等は完
全な休日でないとする表現にしたり(休日フラグ0.
8)、飛び石連休の中日は平日と休日の中間程度とする
表現にしたり(休日フラグ0.3や0.5)している。
例えば、土曜日であればまだ勤務している企業等があっ
たり、飛び石連休の中日であれば休みをとる人が多かっ
たりすることからも、これにより、より一般観念に近い
休日性を表現することができ、需要予測の精度を向上さ
せることができる。
予測対象日を含めた15日間に休日フラグを割り当てる
ようにしたので、予測対象日の前後の休日との関連性を
表現することができる。これにより、例えば予測対象日
に休日フラグ1.0が割り当てられている場合でも、単
独の休日であるか、連休の一部の休日であるかを考慮す
ることができ、特に、年末年始、ゴールデンウィーク、
お盆といった所定期間での需要予測の精度を向上させる
ことができる。
うに、午前の需要予測値演算部3aと、午後の需要予測
値演算部3bと、点灯の需要予測値演算部3cとを備え
る。そして、各需要予測値演算部3a〜3cで演算され
た最大需要予測値のうち、最も大きな値を予測対象日の
最大需要予測値として扱う。以下では、午前の需要予測
値演算部3aについて説明するが、午後及び点灯の需要
予測値演算部3b、3cについても同様である。
部3aは、重回帰による予測モデルを用いた重回帰演算
部31と、ニューラルネットワークを用いて予測モデル
化したニューラルネットワーク演算部32とを備える。
電力需要特性の大半は線形となっていることから、線形
近似である重回帰による予測モデルを用いたものであ
る。そして、非線型性を表現可能であるニューラルネッ
トワークを用いて、残差の非線型成分を予測モデル化し
ている。
回帰による予測モデルを用いて、予測対象日の最大需要
予測値PBNを演算する。この予測モデルでは、入力変数
xiが最大需要予測値PBNに与える影響を各入力変数xi
の多項式の形で表現している。ここでは、M個の入力変
数xiを入力するようにしているが、これら入力変数xi
の具体例としては、上述した休日フラグ以外に、予測対
象日の前日の需要実績値、前日の需要実績値の数日前か
らの増加分、前日までの数日間の最高・最低気温の平均
値、予測対象日の予想最高・最低気温、予測対象日の天
候予想を表すフラグ等が挙げられる。
の次数の組の係数cirBNは、最小2乗法によって推定す
る。このとき用いるデータは予測対象日に近い特性を持
ったデータである必要があり、予測対象日至近データ
と、過去年度の同時期のデータとを利用する。
で示す予測モデルを、実績値のデータに基づいて、毎回
の予測と同時に自己修正するようにしている。
は、N1〜NMまでを指定することで一意に定めることが
できる。常にM個の入力変数xiを使用するとは限ら
ず、あるNiが0であれば、それに対応する入力変数xi
は予測モデルに含まれないことになる。下記の数2に示
すように、上記予測モデルのN1〜NMまでを並べたベク
トル(N)を定義すると、モデル構造はベクトル(N)によっ
て一意に表される。
ル構造に適当な初期値を与え、毎日新しい実績データが
手に入るたびに自動的に修正を加える。ここでは、ある
予測対象日の予測に際して、その予測対象日の前日に用
いたモデル構造、その予測対象日の前日に用いたモデル
構造のうち一つの入力変数について1だけ次数を増やし
たモデル構造、同じく一つの入力変数について1だけ次
数を減らしたモデル構造といった1+2M個のモデル候
補の中から、最も良いと判断されたものを採用するよう
にしている。
評価基準が必要である。ここで用いる評価基準は、Mall
owsのCp統計量(モデル出力によって出力変数の期待値
を推定したときの、平均2乗誤差の推定値に相当するも
の)にデータの時変性を考慮したものである。
を(i=1、2、…、p)で表現する回帰式 y=θTz+ε z=[z1、z2、…、zp]T θ:パラメータ ε:白色雑音 を求める場合に、M組のデータ{y(1)、z(1)}、
…、{y(M)、z(M)}を用いるとする。
計量にデータの重み付け(w1、w2、…)を考慮した評
価基準Cpwを導入する。この統計量では、εの定常性の
他は確率分布の形等の統計的性質を仮定しない。そし
て、上記1+2M個モデル候補の中からCpw統計量が最
小となるものを選び出して、最良のモデル構造として採
用する。
を毎回の予測と同時に自己修正するようしたので、最大
需要予測値PBNと各入力変数xiとの関係がよくわから
ない場合でも適切な予測モデルが得られ、又、最大需要
予測値PBNと各入力変数xiとの関係が変化しても、そ
れに対処するよう自動的に予測モデル構造を変化させる
ことが可能となる。
は、残差の非線型成分をニューラルネットワークで予測
モデル化する。これにより、非線型成分を表現しつつ、
ニューラルネットワークの学習誤差は残差に対してのみ
影響するので、全体予測への影響は小さくすることがで
きる。
部3を午前、午後、点灯といった3つの時間帯に分割
し、それぞれの時間帯での最大需要予測値を演算するよ
うにしたのは、春夏秋冬といった季節性を考慮するため
である。
といった季節ごとに需要予測値演算部を分割することも
考えられる。しかし、この場合、各季節ごとの需要予測
値演算部の予測モデルを構築していくのに、1年のうち
該当する季節の間の学習用データしか用いることができ
ない。すなわち、1年を通じて使用する予測モデルを構
築していくのに比べると、各予測モデルを構築していく
ための学習用データ数が約1/4に減少してしまい、そ
れぞれの予測モデル自体の精度が落ちてしまう恐れがあ
る。
を表す手法として、1日の中で電力需要のピークとなる
時間帯に着目している。図7には、各季節ごとの代表的
な1日の電力需要の推移を示す。この図7によれば、夏
季では午後(12:00〜18:00)に電力需要のピ
ークが表れるのに対して、冬季では午前(0:00〜1
2:00)と点灯(18:00〜24:00)とにピー
クが表れる。又、春秋季では、午前、午後、点灯それぞ
れの時間帯に同等のピークが表れる。このように季節に
よって電力需要のピークとなる時間帯が異なるので、午
前、午後、点灯といった3つの時間帯ごとに需要予測値
演算部を分割すれば、間接的に季節性を考慮することが
可能となる。
予測値演算部の予測モデルを構築する場合、午前、午
後、点灯といった時間帯での1日3点の学習用データを
用いることができるので、各予測モデルを構築していく
ための学習用データを、1年を通じて得ることができ、
予測モデル自体の精度が落ちることもなくなる。
により演算された最大需要予測値に対して、以下に述べ
る補正処理を行う。
2において、年末年始、ゴールデンウィーク、お盆とい
った所定期間に含まれる日を土曜日もしくは日曜・祝日
として扱うとともに、予測対象日を含む連続した複数の
日についての休日フラグの変化パターンを作成して連休
を表現することにより、特異日(年末年始、ゴールデン
ウィーク、お盆といった所定期間に含まれる日)での需
要予測の精度を向上させるようにしている。
ィーク、お盆といった所定期間に含まれる日)では、通
常の土曜日や日曜・祝日等とは異なり、その日付に応じ
た独自の需要傾向があることが分かった。
特異日に該当する場合、その日付に対応した補正係数を
用いて補正処理を行うことにしている。
数年の最大需要実績と予測モデル作成時の需要予測値演
算部3で演算した各年の最大需要予測値との誤差[%]
の平均値との関係を示す。この図8からも、特に12月
31日や1月1日付近では誤差が大きく、独自の需要傾
向を有することが分かる。そこで、日付に対応した補正
係数として、上記図8に示す最大需要実績と最大需要予
測値との誤差[%]の平均値から得た値を使用する。
上記補正係数とのテーブルを備えておく。そして、予測
対象日が特異日に該当する場合、需要予測値演算部3で
演算された最大需要予測値に、上記日付けに応じた補正
係数を掛け合わせる補正処理を行う。これにより、予測
対象日が特異日に該当する場合に、日付けに応じた独自
の需要傾向を反映させることができ、需要予測の精度を
格段に向上させることが可能となる。
えば図9に示すように、上記実施の形態で説明した休日
フラグ出力部2を廃止し、例えば、従来どおり暦上の日
曜・祝日もしくは土曜日であればフラグ1を、月〜金で
あればフラグ0を需要予測値演算部3に入力するように
してもよい。
て午前、午後、点灯といった3つの時間帯ごとに最大需
要予測値を演算することで、各時間帯ごとの予測モデル
の精度を維持しつつ、間接的に季節性を考慮することが
可能となる。
た補正係数を掛け合わせる補正処理を行うことで、年末
年始、ゴールデンウィーク、お盆といった所定期間での
需要予測を格段に向上させることが可能となる。この場
合も、所定期間の日付けごとに、過去数年の最大需要実
績と予測モデル作成時の需要予測値演算部3で演算した
各年の最大需要予測値との誤差[%]の平均値を求めて
おき、その平均値から補正係数を得るようにする。な
お、この場合における日付に対応した補正係数は、入力
変数出力部2の有無の差だけ上記実施の形態における値
とは異なるものとなる。
する例を挙げたが、最小電力需要を予測する場合も同様
である。又、予測対象としては、電力に限らず、水道、
ガス等に適用することができる。
末年始、ゴールデンウィーク、お盆といった時期や、春
夏秋冬といった季節に影響されるものであれば、本発明
を適用することができ、例えばコンビニエンスストアで
の弁当に代表される生鮮食料品の需要を予測するような
事案に適用することも可能である。
あるいはMPU、RAM、ROM等で構成されるもので
あり、RAMやROM等に記録されたプログラムが動作
することで実現される。又、上記実施の形態で述べた各
機能を実現するためのソフトウェアのプログラムコード
をコンピュータに供給するための手段、例えばかかるプ
ログラムコードを格納した記憶媒体は本発明の範疇に含
まれる。
を休日フラグとして定義し、予測対象日の特徴に応じ
て、上記休日フラグに「0」、「1」だけでなく値も与
えられるようにしたので、一般観念に近い休日性を表現
することができ、需要予測の精度を向上させることがで
きる。
ができるので、需要予測の精度を向上させることができ
る。
とができ、又、学習予測モデルを構築する場合でも、そ
の予測精度の精度が落ちるのを防止することができる。
始、ゴールデンウィーク、お盆といった所定期間に含ま
れる特異日に該当する場合、その日付に対応した補正係
数を用いて補正処理を行うので、当該所定期間での予測
誤差を小さくすることができる。
上させることができれば、電力、水道、ガス等の安定供
給及び設備の経済的運用を図ることができる。
図である。
て休日フラグを割り当てた具体例を示す図である。
化パターンを示す図である。
明するための図である。
ある。
示す図である。
需要予測値演算部3で演算した各年の最大需要予測値と
の誤差[%]の平均値との関係を示す図である。
Claims (19)
- 【請求項1】 予測対象日の休日性を示す入力変数を休
日フラグとして定義して、上記予測対象日の所定の予測
対象についての需要予測値を演算する需要予測値演算手
段を備えた需要予測装置であって、 上記休日フラグとして、予め定められている少なくとも
3つ以上の値のうちのいずれか1つの値が用いられるこ
とを特徴とする需要予測装置。 - 【請求項2】 予測対象日の休日性を示す入力変数を休
日フラグとして定義して、上記予測対象日の所定の予測
対象についての需要予測値を演算する需要予測値演算手
段を備えた需要予測装置であって、 上記予測対象日に対して、暦上の曜日及び祝日に応じた
第1の変数と、予め定められている所定期間に含まれる
か否かに応じた第2の変数と、前後の日との関係に応じ
た第3の変数とのうち、少なくとも1つを割り当てる変
数割り当て手段を備えたことを特徴とする需要予測装
置。 - 【請求項3】 上記変数割り当て手段は、上記予測対象
日に割り当てられた上記変数の中から最も大きなものを
選択して、その選択した変数を上記休日フラグとして扱
うことを特徴とする請求項2に記載の需要予測装置。 - 【請求項4】 上記変数割り当て手段は、上記第1の変
数として、上記予測対象日が暦上の日曜・祝日である場
合と、暦上の土曜日である場合と、暦上の月〜金である
場合とで互いに異なる値を割り当てることを特徴とする
請求項2又は3に記載の需要予測装置。 - 【請求項5】 上記変数割り当て手段は、上記第2の変
数として、上記予測対象日が上記所定期間の初日に該当
する場合に、上記暦上の土曜日に割り当てられた上記第
1の変数と同じ値を割り当て、上記所定期間の初日以外
の日に該当する場合に、上記暦上の日曜・祝日に割り当
てられた上記第1の変数と同じ値を割り当てることを特
徴とする請求項4に記載の需要予測装置。 - 【請求項6】 上記割り当て手段は、上記第3の変数と
して、上記予測対象日が飛び石連休の中日に該当する場
合と、二飛び石連休の中日に該当する場合とのそれぞれ
で、上記暦上の土曜日に割り当てられた上記第1の変数
の値よりも小さく、上記暦上の月〜金曜日に割り当てら
れた上記第1の変数の値よりも大きな値を割り当てるこ
とを特徴とする請求項4又は5に記載の需要予測装置。 - 【請求項7】 予測対象日を含む連続した複数の日に対
して休日性を示す入力変数を休日フラグとして定義し
て、上記休日フラグに所定の変数を割り当てる変数割り
当て手段と、 上記変数割り当て手段により上記休日フラグに割り当て
られた各日の変数を用いて、上記予測対象日の所定の予
測対象についての需要予測値を演算する需要予測値演算
手段とを備えたことを特徴とする需要予測装置。 - 【請求項8】 予測対象日の所定の予測対象についての
最大需要予測値又は最小需要予測値のうち、少なくとも
何れか一方の需要予測値を演算する需要予測値演算手段
を備えた需要予測装置であって、 上記需要予測値演算手段は、上記予測対象日の所定の時
間帯、及び上記所定の時間帯とは別の時間帯において、
最大需要予測値又は最小需要予測値のうち、少なくとも
何れか一方の需要予測値を演算することを特徴とする需
要予測装置。 - 【請求項9】 上記需要予測値演算手段は、上記所定の
時間帯及び上記所定の時間帯とは別の時間帯で演算され
た最大需要予測値のうち、最も大きな値を上記予測対象
日の最大需要予測値とし、上記所定の時間帯及び上記所
定の時間帯とは別の時間帯で演算された最小需要予測値
のうち、最も小さな値を上記予測対象日の最小需要予測
値とすることを特徴とする請求項8に記載の需要予測装
置。 - 【請求項10】 予測対象日の所定の予測対象について
の需要予測値を演算する需要予測値演算手段を備えた需
要予測装置であって、 上記予測対象日が予め定められている所定期間に含まれ
ている場合に、上記予測対象日の日付に対応して予め定
められた補正係数を用いて、上記需要予測値演算手段に
より演算された需要予測値に対して補正処理を行う補正
手段を備えたことを特徴とする需要予測装置。 - 【請求項11】 上記予測対象は電力需要であることを
特徴とする請求項1〜10の何れか1項に記載の需要予
測装置。 - 【請求項12】 予測対象日の休日性を示す入力変数を
休日フラグとして定義して、上記予測対象日の所定の予
測対象についての需要予測値を演算する需要予測方法で
あって、 上記休日フラグとして、予め定められている少なくとも
3つ以上の値のうちのいずれか1つの値を用いる処理を
行うこと特徴とする需要予測方法。 - 【請求項13】 予測対象日の休日性を示す入力変数を
休日フラグとして定義して、上記予測対象日の所定の予
測対象についての需要予測値を演算する需要予測方法で
あって、 上記予測対象日に対して、暦上の曜日及び祝日に応じた
第1の変数と、予め定められている所定期間に含まれる
か否かに応じた第2の変数と、前後の日との関係に応じ
た第3の変数とのうち、少なくとも1つを割り当てる処
理を行うことを特徴とする需要予測方法。 - 【請求項14】 予測対象日を含む連続した複数の日に
対して休日性を示す入力変数を休日フラグとして定義し
て、上記休日フラグに所定の変数を割り当てる処理と、 上記各日の休日フラグに割り当てられた入力変数を用い
て、上記予測対象日の所定の予測対象についての需要予
測値を演算する処理とを行うことを特徴とする特徴とす
る需要予測方法。 - 【請求項15】 予測対象日の所定の予測対象について
の最大需要予測値又は最小需要予測値のうち、少なくと
も何れか一方の需要予測値を演算する需要予測方法であ
って、 上記予測対象日の所定の時間帯での最大需要予測値又は
最小需要予測値のうち、少なくとも何れか一方の需要予
測値を演算する処理と、 上記所定の時間帯とは別の時間帯での最大需要予測値又
は最小需要予測値のうち、少なくとも何れか一方の需要
予測値を演算する処理とを行うことを特徴とする需要予
測方法。 - 【請求項16】 予測対象日の所定の予測対象について
の需要予測値を演算する需要予測方法であって、 上記予測対象日が予め定められている所定期間に含まれ
ている場合に、上記予測対象日の日付に対応して予め定
められた補正係数を用いて、上記需要予測値演算手段に
より演算された上記需要予測値に対して補正処理を行う
処理を行うことを特徴とする需要予測方法。 - 【請求項17】 上記予測対象は電力需要であることを
特徴とする請求項12〜17の何れか1項に記載の需要
予測方法。 - 【請求項18】 請求項1〜11に記載の各手段として
コンピュータを機能させるためのプログラムを格納した
ことを特徴とするコンピュータ読み取り可能な記憶媒
体。 - 【請求項19】 請求項12〜17に記載の各処理を実
行するためのプログラムを格納したことを特徴とするコ
ンピュータ読み取り可能な記憶媒体。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2000062209A JP4448226B2 (ja) | 2000-03-07 | 2000-03-07 | 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
JP2007121283A JP2007272911A (ja) | 2000-03-07 | 2007-05-01 | 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2000062209A JP4448226B2 (ja) | 2000-03-07 | 2000-03-07 | 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
JP2007121283A JP2007272911A (ja) | 2000-03-07 | 2007-05-01 | 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007121283A Division JP2007272911A (ja) | 2000-03-07 | 2007-05-01 | 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2001249916A true JP2001249916A (ja) | 2001-09-14 |
JP4448226B2 JP4448226B2 (ja) | 2010-04-07 |
Family
ID=50981882
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2000062209A Expired - Fee Related JP4448226B2 (ja) | 2000-03-07 | 2000-03-07 | 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
JP2007121283A Pending JP2007272911A (ja) | 2000-03-07 | 2007-05-01 | 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007121283A Pending JP2007272911A (ja) | 2000-03-07 | 2007-05-01 | 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
Country Status (1)
Country | Link |
---|---|
JP (2) | JP4448226B2 (ja) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2008117392A1 (ja) * | 2007-03-26 | 2010-07-08 | Vpec株式会社 | 電力システム |
JP2011114944A (ja) * | 2009-11-26 | 2011-06-09 | Fuji Electric Systems Co Ltd | 電力需要予測装置、そのプログラム |
JP2013005465A (ja) * | 2011-06-10 | 2013-01-07 | Azbil Corp | 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 |
JP2013009533A (ja) * | 2011-06-24 | 2013-01-10 | Omron Corp | デマンド処理装置、デマンド処理装置の制御方法、制御プログラム、記録媒体 |
JP2013174421A (ja) * | 2012-02-27 | 2013-09-05 | Daikin Industries Ltd | ヒートポンプ機器エネルギー管理装置 |
JP2015156764A (ja) * | 2014-02-21 | 2015-08-27 | 富士電機株式会社 | 配電系統の実負荷推定に資する学習データの作成方法、プログラム並びに配電系統の実負荷推定装置および推定方法 |
JP2015210557A (ja) * | 2014-04-24 | 2015-11-24 | 株式会社明電舎 | 予測装置及び予測方法 |
JP2017073935A (ja) * | 2015-10-09 | 2017-04-13 | 新日鐵住金株式会社 | 消費電力量予測方法、装置及びプログラム |
JPWO2015162887A1 (ja) * | 2014-04-23 | 2017-04-13 | パナソニックIpマネジメント株式会社 | 電力変換装置および電力変換システム |
JP2017215832A (ja) * | 2016-06-01 | 2017-12-07 | 株式会社神戸製鋼所 | 回転機械の運転状態を診断する診断装置及び診断方法 |
CN109063926A (zh) * | 2018-08-24 | 2018-12-21 | 国网河北省电力有限公司沧州供电分公司 | 周期内计划发电量确定方法、系统及终端设备 |
KR101989493B1 (ko) * | 2018-03-05 | 2019-06-14 | 숭실대학교산학협력단 | 전력 사용량 예측 시스템 및 방법 |
JP2020149232A (ja) * | 2019-03-12 | 2020-09-17 | 株式会社東芝 | 予測装置、予測方法及びコンピュータプログラム |
KR20210070877A (ko) * | 2019-12-05 | 2021-06-15 | 쿠팡 주식회사 | 인바운드 제품의 지능적인 분배를 통해 제품 인벤토리를 최적화하는 컴퓨터-구현 시스템 및 방법 |
JP2022080367A (ja) * | 2020-11-18 | 2022-05-30 | 日本電気株式会社 | モデル評価装置、モデル評価方法、およびプログラム |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
JP5618501B2 (ja) * | 2009-07-14 | 2014-11-05 | 株式会社東芝 | 需要予測装置、プログラムおよび記録媒体 |
JP6044959B2 (ja) * | 2013-07-31 | 2016-12-14 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 調査を支援する装置及び方法 |
KR102011314B1 (ko) * | 2017-10-12 | 2019-10-21 | 전자부품연구원 | 단위 가구 피크 전력 수요량 예측 방법 및 시스템 |
KR102343243B1 (ko) * | 2019-12-13 | 2021-12-28 | 상명대학교산학협력단 | 전력수요 예측 시스템의 비정상일 제거방법 |
-
2000
- 2000-03-07 JP JP2000062209A patent/JP4448226B2/ja not_active Expired - Fee Related
-
2007
- 2007-05-01 JP JP2007121283A patent/JP2007272911A/ja active Pending
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2008117392A1 (ja) * | 2007-03-26 | 2010-07-08 | Vpec株式会社 | 電力システム |
JP2011114944A (ja) * | 2009-11-26 | 2011-06-09 | Fuji Electric Systems Co Ltd | 電力需要予測装置、そのプログラム |
JP2013005465A (ja) * | 2011-06-10 | 2013-01-07 | Azbil Corp | 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 |
JP2013009533A (ja) * | 2011-06-24 | 2013-01-10 | Omron Corp | デマンド処理装置、デマンド処理装置の制御方法、制御プログラム、記録媒体 |
JP2013174421A (ja) * | 2012-02-27 | 2013-09-05 | Daikin Industries Ltd | ヒートポンプ機器エネルギー管理装置 |
JP2015156764A (ja) * | 2014-02-21 | 2015-08-27 | 富士電機株式会社 | 配電系統の実負荷推定に資する学習データの作成方法、プログラム並びに配電系統の実負荷推定装置および推定方法 |
JPWO2015162887A1 (ja) * | 2014-04-23 | 2017-04-13 | パナソニックIpマネジメント株式会社 | 電力変換装置および電力変換システム |
JP2015210557A (ja) * | 2014-04-24 | 2015-11-24 | 株式会社明電舎 | 予測装置及び予測方法 |
JP2017073935A (ja) * | 2015-10-09 | 2017-04-13 | 新日鐵住金株式会社 | 消費電力量予測方法、装置及びプログラム |
JP2017215832A (ja) * | 2016-06-01 | 2017-12-07 | 株式会社神戸製鋼所 | 回転機械の運転状態を診断する診断装置及び診断方法 |
KR101989493B1 (ko) * | 2018-03-05 | 2019-06-14 | 숭실대학교산학협력단 | 전력 사용량 예측 시스템 및 방법 |
CN109063926A (zh) * | 2018-08-24 | 2018-12-21 | 国网河北省电力有限公司沧州供电分公司 | 周期内计划发电量确定方法、系统及终端设备 |
JP2020149232A (ja) * | 2019-03-12 | 2020-09-17 | 株式会社東芝 | 予測装置、予測方法及びコンピュータプログラム |
JP7157683B2 (ja) | 2019-03-12 | 2022-10-20 | 株式会社東芝 | 情報処理装置、情報処理方法及びコンピュータプログラム |
KR20210070877A (ko) * | 2019-12-05 | 2021-06-15 | 쿠팡 주식회사 | 인바운드 제품의 지능적인 분배를 통해 제품 인벤토리를 최적화하는 컴퓨터-구현 시스템 및 방법 |
US11074548B2 (en) | 2019-12-05 | 2021-07-27 | Coupang Corp. | Computer implemented systems and methods for optimization of a product inventory by intelligent distribution of inbound products |
KR102350925B1 (ko) * | 2019-12-05 | 2022-01-13 | 쿠팡 주식회사 | 인바운드 제품의 지능적인 분배를 통해 제품 인벤토리를 최적화하는 컴퓨터-구현 시스템 및 방법 |
JP2022080367A (ja) * | 2020-11-18 | 2022-05-30 | 日本電気株式会社 | モデル評価装置、モデル評価方法、およびプログラム |
JP7259830B2 (ja) | 2020-11-18 | 2023-04-18 | 日本電気株式会社 | モデル評価装置、モデル評価方法、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2007272911A (ja) | 2007-10-18 |
JP4448226B2 (ja) | 2010-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2001249916A (ja) | 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 | |
Fan et al. | Short-term load forecasting based on a semi-parametric additive model | |
Taieb et al. | A gradient boosting approach to the Kaggle load forecasting competition | |
Zhang | Macroeconomic effects of CO2 emission limits: a computable general equilibrium analysis for China | |
US7403928B2 (en) | Identify data sources for neural network | |
CN108470233A (zh) | 一种智能电网的需求响应能力评估方法和计算设备 | |
CN109583629A (zh) | 基于偏差自校正的改进相似日短期负荷预测方法及装置 | |
JP7114956B2 (ja) | 電力需要算出装置およびプログラム | |
Marufuzzaman et al. | A Benders based rolling horizon algorithm for a dynamic facility location problem | |
Vellasco et al. | Electric load forecasting: evaluating the novel hierarchical neuro-fuzzy BSP model | |
Fahiman et al. | Robust and accurate short-term load forecasting: A cluster oriented ensemble learning approach | |
López et al. | Automatic classification of special days for short-term load forecasting | |
Yu et al. | A model integrating ARIMA and ANN with seasonal and periodic characteristics for forecasting electricity load dynamics in a state | |
Boltürk et al. | Electricity consumption forecasting using fuzzy time series | |
KR101662809B1 (ko) | 철도 역사 내 전력 수요 예측 방법 및 그 장치 | |
Wang et al. | Surgery scheduling in the presence of operating room eligibility and dedicated surgeon: an adaptive composite dispatching method | |
Rao et al. | An expert system approach to short-term load forecasting for Reliance Energy Limited, Mumbai | |
Fadly et al. | Hotel room price determination based on dynamic pricing model using nonlinear programming method to maximize revenue | |
JP3650304B2 (ja) | 需要予測装置 | |
Hartley et al. | The development of a combined water demandprediction system | |
Chiang et al. | A hybrid approach of neural networks and grey modeling for adaptive electricity load forecasting | |
Hutama et al. | Medium term power load forecasting for Java and Bali power system using artificial neural network and SARIMAX | |
JP2005157685A (ja) | エネルギー需要予測システム | |
Roy et al. | Implementation of encoder-decoder based long short-term memory network for short-term electrical load forecasting | |
JP3268520B2 (ja) | ガス需要量の予測方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20040902 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070227 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070501 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20070529 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070730 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20070802 |
|
A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20070824 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20100122 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130129 Year of fee payment: 3 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 4448226 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130129 Year of fee payment: 3 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140129 Year of fee payment: 4 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
LAPS | Cancellation because of no payment of annual fees |