JP2005086880A - デマンド監視装置 - Google Patents

Abstract

【課題】過大予測や過小予測を防止できるデマンド監視装置を提供する。
【解決手段】過去の使用電力量の推移データと、使用電力の増減に相関性のあるデータとを、前記自己組織化マップのアルゴリズムにより学習させ、過去のデータパターンと、前記過去のデータパターンと類似のデータパターンを発生させ、これら双方のデータパターンを前記自己組織化マップ上に記憶させ、予測の必要な日の既知のデータと相似なデータを含むデータパターンを自動検索し、この検索されたデータパターンに基づいて使用電力の推移と最大使用電力量とを予測する。前記使用電力の増減に相関性のあるデータは、温度、湿度、不快指数および天候を含む気象データを含む。
【選択図】図７

Description

本発明は、電気供給規定に基づいて電力会社と契約して受電する受変電設備において、使用した電力量が電力会社との契約電力量を超えないように、使用電力量を管理制御するデマンド監視装置に関する。

従来の技術

電力会社から電力の供給を受ける受変電設備においては電力料金の低減が必須課題であり、使用電力の管理を行うデマンド監視装置を用いることにより、常に使用電力の推移を監視して使用電力量が契約電力量からあらかじめ設定した目標使用電力量を超過する恐れが生じた時に、電力の使用者に対する事前警報を行うことによる使用電力の抑制、あるいは、予測超過電力量に見合う重要度の低い負荷設備への電力供給を遮断する等して負荷を低減し、使用電力量を目標使用電力量以下に維持するようにしている。従来のデマンド監視装置においては、時々刻々に変化する使用電力量について、その使用電力量を判定するデマンド時限内でのサンプリング周期Δｔ（時間）における使用電力量の変化分△Ｐ（ＫＷＨ）から、使用電力量の変化率ΔＰ／Δｔ（ＫＷＨ／時間）を求め、デマンド時限の残り時間における使用電力量が、この変化率で変化せず推移していった場合の使用電力量Ｐ（ＫＷＨ）を計算し、予測使用電力量としている。すなわち、図１に示すようにＰＤをあらかじめ契約電力量から設定した目標使用電力量、ＰＬを判定基準となるべき使用電力量判定線、ＰＴＶを現在までの使用電力量、ｔを現在時点までの経過時間、並びにＴはデマンド時限として使用電力量を判定する時限とした時、予測使用電力量Ｐ（ＫＷＨ）を以下の式(1)で求めている。

Ｐ＝ＰＴ＋ΔＰ×（Ｔ−ｔ） （１）

また、デマンド時限終了までの時間（Ｔ−ｔ）内に使用電力量が目標使用電力量ＰＤを超過する予測超過電力量ＰＣを以下の式（２）で求めている。

ＰＣ＝（Ｐ−ＰＤ） （２）

この時、予測超過電力量ＰＣがＰＣ＞０の場合はＰ＞ＰＤとなり、予測使用電力量Ｐが目標使用電力量ＰＤよりも大きくなるので、契約電力量を超過する可能性が高いと判断され、電力使用者に対して使用電力の抑制を目的とした事前警報を行うための警報出力が行われる。また、警報出力後も使用電力が抑制されず、反対に増加した場合などは、契約電力量を超過する可能性が高まることから、必要度の低い負荷への電力供給を停止する等して、使用電力量を契約電力量以下に抑えるようにしている。

このように従来のデマンド監視装置における使用電力量の予測手法では、予測時点での使用電力の変化率ΔＰ／Δｔ（ＫＷＨ／時間）が変化せず直線的に推移するものとして仮定して計算した使用電力量Ｐ（ＫＷＨ）を予測使用電力量としていることから、一般に１５〜６０分間のデマンド時限内での早期の予測精度は低く、このため過大予測の場合の不必要な警告による使用電力の抑制や必要でない電力供給の停止が行われる恐れがあった。また、反対に、過小予測の場合には、必要な警報が行われず放置されて契約電力量の超過が発生する恐れがあった。これは予測精度が向上するデマンド時限終了時刻付近での警報では、時間不足となり使用電力の抑制には限界があった。さらにデマンド終了時刻付近での使用電力量の超過事例では、強制的に一部の電力供給が停止されたりして、電力使用者の業務、あるいは日常生活に大きな影響を及ぼしていた。

本発明は上記事情に基づいてなされたもので、過大予測時の不必要な警告による使用電力の抑制や必要でない電力供給の停止が行われ、生産活動や業務への影響が発生することを防止すると同時に、過小予測時の契約電力量超過による電力料金の増大を防止できるデマンド監視装置を提供し、適切な電力管理を実現することを目的とする。

本発明によるデマンド監視装置は、自己組織化マップを用いて使用電力の推移と最大使用電力量の予測を行うことを特徴とする。

本発明によるデマンド監視装置の一実施例は、過去の使用電力量の推移データと、使用電力の増減に相関性のあるデータとを、前記自己組織化マップのアルゴリズムにより学習させ、過去のデータパターンと、前記過去のデータパターンと類似のデータパターンを発生させ、これら双方のデータパターンを前記自己組織化マップ上に記憶させ、予測の必要な日の既知のデータと相似なデータを含むデータパターンを自動検索し、この検索されたデータパターンに基づいて前記使用電力の推移と最大使用電力量とを予測することを特徴とする。

本発明によるデマンド監視装置の他の実施例は、前記使用電力の増減に相関性のあるデータが、温度、湿度、不快指数および天候を含む気象データを含むことを特徴とする。

本発明によるデマンド監視装置のさらに他の実施例は、前記自己組織化マップ上にない未学習のデータが入力された場合に発生する実測データとの誤差に応じて、予測に使用する前記自己組織化マップを変更することを特徴とする。

本発明によれば使用電力量を監視制御するデマンド監視装置において、デマンド時限の初期において自己組織化マップ（ＳＯＭ）を用いた高精度な使用電力量の予測を行うことによりデマンド監視を支援し、従来手法と比較して早期に正確な警報出力が行えると同時に、電力使用者に与える影響の大きい負荷制御を抑制しながら使用電力量を契約電力量以内に維持することができる。また、予測情報に基づいて電力負荷の平準化に努めることによる契約電力量の低減、並びに負荷に見合った変電設備の効率的な運用など、より適切な運用管理が行えるようになる。また、使用電力の推移と最大使用電力量の予測に必要な入力情報として、直前の電力使用量に加えて強い相関性の認められる気温、並びに不快指数などの気象情報を用いることにより、高い予測精度を得ることが出来る。さらに、マップ上に無い未学習のデータが入力された場合の予測誤差の発生に対しては、予測に使用するマップを変更することにより、大幅な予測誤差の発生を防止することが出来る。

本発明は、過去数年間の使用電力量の推移データ、及び使用電力の増減に相関性のある温度、湿度、不快指数、天候などの気象データを自己組織化マップ（ＳＯＭ）のアルゴリズムにより学習させて過去のデータパターン、及びそれらのデータパターンと類似のデータパターンを発生させることにより、両者のデータパターンをマップ上に記憶させ、その中から予測の必要な日の既知データと相似なデータパターンを自動検索し、必要な予測データとすることを特徴とするものであり、使用電力量とその変化要因との関係、月日と時間の経過などに関係なく、高精度に、しかも機械的に予測を行うことができることを特徴としている。先ず、自己組織化マップ（以下、ＳＯＭと略す）による予測の原理について説明する。

（１）ＳＯＭのアルゴリズム
ＳＯＭのアルゴリズムは、コホネンにより考案され、生物の神経細胞、主として脳の情報処理の仕方を、簡単に式（３）のように表現した。

ｍ_ｉ（ｔ＋１）＝ｍ_ｉ（ｔ）＋ｈ_ｃｉ（ｔ）［ｘ（ｔ）−ｍ_ｉ（ｔ）］ （３）

神経細胞（ノード）ｉが時刻ｔで処理している情報量をｍ_ｉ（ｔ）とするとき、外部から入力信号ｘ（ｔ）が入力されると、この細胞はこれを学習して、次の時刻には、これにより近い情報量ｍ_ｉ（ｔ＋１）を持つようになる。このとき、ｘ（ｔ）がｎ次元の入力ベクトルであれば式（４）で表される。また、ｍｉ（ｔ）は参照ベクトルとも呼ばれ、同様にｎ次元の要素を持って式（５）で表現される。

ｘ（ｔ）＝［ｘ１，ｘ２，ｘ３，ＫＫｘｎ］_Ｔ （４）
ｍ_ｉ（ｔ）＝［ｍ_ｉ３，ｍ_ｉ２，ｍ^ｉ３，ＫＫｍ_ｉｎ］^Ｔ （５）

上記式（４）及び（５）の［ＫＫ］^Ｔに付記したＴは、ベクトルの転置を示す。さらに、ｈ_ｃｉ（ｔ）は、学習率係数を含めた近傍関数と呼ばれる。なお、Ｔ＝１，２，３，ＫＫ，ｎは、離散時間座標である。なお、ＳＯＭは、図２に示すように２層のネットワークであり、第１層はｎ次元の入力層ｘ（ｔ）として、第２層は出力を視覚的に見られるように２次元に配列されており、参照ベクトルｍ_ｉ（ｔ）（ｉ＝１，２，３，ＫＫ，Ｍ）を持つＭ個のユニットで構成されている。学習は、式（３）によって行われ、入力ベクトルｘ（ｔ）を用いて、ユークリッド距離｜ｘ（ｔ）−ｍ_ｉ（ｔ）｜を最小にする参照ベクトルｍ_ｉ（ｔ）を探してｍ_ｃ（ｔ）とすれば、式（６）が得られる。

｜ｘ（ｔ）−ｍ_ｃ（ｔ）｜＝ｍｉｎ｜ｘ（ｔ）−ｍ_ｉ（ｔ）｜ （６）

この参照ベクトルｍ_ｃ（ｔ）を持つユニットを勝者ユニットと呼び、近傍関数ｈ_ｃｉ（ｔ）は、図３に示すように勝者ユニットｃの周りに近傍領域を定義し、式（７）、（８）で表現される。

近傍領域内にあるユニット内のベクトルは、入力ベクトルの方向に少し動くことにより学習し、この学習動作を繰り返し行う。このとき、α（ｔ）の値を学習率係数と呼び、０＜α（ｔ）＜１の値を持ち、式（９）で定義される。また、近傍領域Ｎ_ｃも時間の関数で表され、共に学習を重ねる毎に単調減少させる。

α（ｔ）＝α（０）（１−ｔ／Ｔ） （９）
Ｎ_ｃ（ｔ）＝Ｎ_ｃ（０）（１−ｔ／Ｔ） （１０）

ここで、α（０）はαの初期値であり、Ｔは学習回数である。図３で示すように近傍領域のサイズを学習の初期には大きく取っておき、学習が進むと徐々に縮小し、最後には勝者ユニットのみ学習させるようにする。このようにして、ＳＯＭはｎ次元の入力ベクトルｘ（ｔ）を受け取り、出力（競合）層で視覚的に見られるように２次元に配置される。

（２）ＳＯＭを用いた予測
前項で作成されたＳＯＭは、入力データにより特性づけられたユニットから構成されており、入力データのパターン特性により出力（競合）層で分類・表示されている。このＳＯＭを用いて、予測時点までの既知データを入力することにより、以後の予測したいデータを得ることが出来る。これらの予測手順を整理すると次のようになる。
ステップ１：過去の実測データ（次元）を学習することにより、ＳＯＭを作成する。この時、出力（競合）層で生成される参照ベクトルデータは、ｍ_ｉｊ（Ｔ）（ｉ＝１，２，３，ＫＫ，Ｍ、ｊ＝１，２，３，ＫＫ，ｎ）となる。
ステップ２：予測したい日のベクトルデータＰ_ｊ（ｊ＝１，２，３，Ｋ，ｌ，Ｋ，ｎ）中の既知データＰ_ｊ（ｊ＝１，２，３，ＫＫ，ｌ，ｌ＜ｎ）を入力する。この時、未知の予測データは、Ｐ_ｊ（ｊ＝ｌ＋１，ｌ＋２，ｌ＋３，ＫＫ，ｎ）となる。
ステップ３：入力された既知ベクトルデータＰ_ｊとＳＯＭ上のすべての参照ベクトルデータｍ_ｉｊ（Ｔ）を比較して、その差が最小となる、すなわち式（９）を満足するｍ_ｉｊ（Ｔ）を選択して、ベストマッチングユニット（Best Matching Unit：ＢＭＵ）とする。

ステップ４：このようにして得られたＢＭＵでの参照ベクトルデータｍ_ｉｊ（Ｔ）（ｊ＝ｌ＋１，ｌ＋２，ｌ＋３，ＫＫ，ｎ）が、予測データとなる。

予測時のデータパターンの状況を図４に、ＳＯＭを用いた予測手順を図５に示す。このようなことから、ＳＯＭ上で生成された参照ベクトルデータ数が多く、選ばれたベクトルデータと入力された既知データとの類似度が高く、予測するデータが少ないほど、得られる予測データの精度は向上する。この予測手法は、ＳＯＭを用いて最も類似したデータセットの検索をしているとも考えられる。

本発明によるデマンド監視装置において、ＳＯＭを用いて使用電力量の予測は以下の手順により行われる。

（１）入力データの収集、記録
入力データとしては、過去に記録された１日間の単位時間（１５〜６０分）毎の使用電力の推移データ、並びに１日間の最高気温値、最低気温値、あるいは湿度情報も加味された不快指数値などの気象情報を用いる。これらのデータは過去１年間程度でも予測は可能であるが、数年間のデータが用意できれば予測精度の向上が期待できる。また、使用電力と相関性のあるデータとして平均気温値、平均湿度、最高湿度、最低湿度などのデータを加えると予測精度のさらなる向上が期待できる。これらのデータ収集は自家用変電所の受電点に設置されている電圧変成器（ＰＴ）６１、変流器（ＣＴ）６２により得られた電流、電圧を電力計（ＷＭ）６３に入力して使用電力量を計量する。データ収集装置（ＤＴ）６４には、使用電力量の推移と最高気温値、最低気温値が収集、記録される。この時、使用電力と相関性のあるデータとして平均気温値、平均湿度、最高湿度、最低湿度、不快指数値などのデータを必要に応じて収集、記録する。

（２）入力データの加工（平均処理、正規化処理）
これらのデータは、データ処理装置（ＤＣ）６５により入力次元に適合した平均化処理、及び入力データの数値範囲を限定してＳＯＭによる予測精度を向上させるための正規化処理を行う。

（３）学習によるＳＯＭの構築
正規化処理した入力データを用いてＳＯＭの学習システム（ＳＯＭ）６６により学習させ、結果として、ＳＯＭデータ（ＭＡＰ）６７を作成する。これらのデータ収集とＳＯＭの学習システムを、図６に示す。次に、得られたＳＯＭを用いて使用電力量の予測を行う手順について説明する。これらのＳＯＭを用いた使用電力量予測システムを、図７に示す。

（４）既知データの収集と記録
予測に際してはＳＯＭの学習時に用いたのと同様に自家用変電所の受電点に設置されている電圧変成器（ＰＴ）７１、変流器（ＣＴ）７２により得られた電流、電圧を電力計（ＷＭ）７３に入力して、予測時点までの使用電力の推移データを得る。データ収集装置（ＤＴ）７４には、得られた予測時点までの使用電力の推移データと、ＳＯＭの学習時に入力した平均気温値、最高気温値、最低気温値、平均湿度、最高湿度、最低湿度などの使用電力と強い相関性のある既知データが収集、記録される。

（５）ＳＯＭを用いる使用電力量の予測
収集記録されたデータは、データ処理装置（ＤＣ１）７５により平均処理、並びに正規化処理され、ＳＯＭデータ（ＭＡＰ）７７に入力する。入力された既知のデータパターンとＳＯＭ上のすべてのデータパターンを比較して、その差が最小となるデータパターンを選択し、使用電力量の予測推移データとする。この時、入力された既知のデータパターンが特異な場合は、学習で得られたＳＯＭ上のデータパターンの中に相似なパターンが無く、得られる予測結果は誤差の大きなものとなる。特に実測値が予測結果に対して大きく増大すると、有効な対策を打てないままに契約電力量を超過する恐れがある。また反対に実測値が予測結果に対して小さくなる場合もある。このため、あらかじめ入力データを故意に拡大、あるいは縮小して学習させた複数のＳＯＭデータ（ＭＡＰ）を作成しておいて、予測誤差が発生した場合に切り替えて予測を行うことにより、予測精度の悪化を防止することが出来る。発生した予測誤差量と予測に使用するマップの選択の一例を表１に、さらにマップ上のデータパターンの状況を図８に示す。

（６）デマンド監視支援
ＳＯＭを用いて得られた使用電力量の予測推移データをデマンド監視装置７８に入力し、使用電力量が契約電力量からあらかじめ設定した目標使用電力量を超過するまでに、電力の使用者に対する事前警報を行うことによる使用電力の抑制、あるいは、予測超過電力量に見合う重要度の低い負荷設備への電力供給回路７９を遮断する等して、ピーク電力を低減し、使用電力量を目標使用電力量以下に維持する。また、予測情報に基づいて電力負荷の平準化に努めることにより、変電設備の効率的な運用も可能となる。ＳＯＭを用いたデマンド監視における使用電力量の予測において、契約電力量に基づく使用電力量判定線に対して予測使用電力が超過した事例を図９に示す。この事例では、時間差（Ｔ−ｔ）内にデマンド値を目標電力量ＰＤのレベルとするために必要な調整電力量ＰＣは、以下の式で求められる。

ＰＣ＝（Ｐ−ＰＤ）

この時、調整電力ＰＣがＰＣ＞０の場合はＰ＞ＰＤとなり、予測電力量が目標電力量よりも大きくなる。

従来のデマンド監視における使用電力量の予測手法を説明した図である。 自己組織化マップ（ＳＯＭ）の構造を説明した図である。 ＳＯＭ構築時の学習の進度（ｔ１＜ｔ２＜ｔ３）に伴う近傍サイズの変化を説明した図である。 ＳＯＭによる予測時のデータパターンの状況を説明した図である。 ＳＯＭを用いた予測の手順を説明した図である。 データ収集とＳＯＭの学習システムを説明した図である。 既知データの収集と使用電力量の予測システムを説明した図である。 入力データを補正して作成したマップ上のデータパターンの状況例を説明した図である。 ＳＯＭを用いたデマンド監視における使用電力量の予測を説明した図である。

符号の説明

６１ 電圧変成器
６２ 変流器
６３ 電力計
６４ データ収集装置
６５ データ処理装置
６６ ＳＯＭの学習システム
６７ ＳＯＭデータ
７１ 電圧変成器
７２ 変流器
７３ 電力計
７４ データ収集装置
７５ データ処理装置
７６ ＳＯＭデータ
７７ 予測データの評価装置
７８ デマンド監視装置
７９ 電力供給用開閉器

Claims (4)

1. 受変電設備における使用電力量を管理制御するデマンド監視装置において、自己組織化マップを用いて使用電力の推移と最大使用電力量の予測を行うことを特徴とするデマンド監視装置。
2. 請求項１に記載のデマンド監視装置において、過去の使用電力量の推移データと、使用電力の増減に相関性のあるデータとを、前記自己組織化マップのアルゴリズムにより学習させ、過去のデータパターンと、前記過去のデータパターンと類似のデータパターンを発生させ、これら双方のデータパターンを前記自己組織化マップ上に記憶させ、予測の必要な日の既知のデータと相似なデータを含むデータパターンを自動検索し、この検索されたデータパターンに基づいて前記使用電力の推移と最大使用電力量とを予測することを特徴とするデマンド監視装置。
3. 請求項２に記載のデマンド監視装置において、前記使用電力の増減に相関性のあるデータが、温度、湿度、不快指数および天候を含む気象データを含むことを特徴とするデマンド監視装置。
4. 請求項１、２または３に記載のデマンド監視装置において、前記自己組織化マップ上にない未学習のデータが入力された場合に発生する実測データとの誤差に応じて、予測に使用する前記自己組織化マップを変更することを特徴とするデマンド監視装置。

Images