JP2007272911A - 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

Abstract

【課題】予測対象日の所定期間や季節を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、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。
【選択図】図１

Description

本発明は、電力等の需要値を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。

電力を例に述べれば、電力の安定供給及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。

電力需要を予測するために、重回帰によ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。

需要予測の精度を向上させるには、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データを決めたり、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。

例えば、電力需要は予測対象日の季節に応じて１日の電力パターンが大きく変動するため、電力予測を行う上ではそのことを表現することが重要である。これまでにも、電力需要予測の季節変動の影響は、季節別に予測モデルを作成する方法が知られている。

しかし、季節別のモデル作成は、モデル作成に必要な電力需要値の過去のデータが４分の１になる等、データ数の減少が生じ、正確な予測モデルを作成することが困難であった。

本発明は、上述の問題点を鑑みてなされたものであり、需要予測の季節変動の影響を十分に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。

本発明の需要予測装置は、予測対象日のいくつかの異なる所定の時間帯に対して、それぞれ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、１年間におけるある１日の最大需要値を示す時間帯は、上記いくつかの異なる所定の時間帯のどれかに属し、かつ、１年間におけるある１日の最大需要値を示す時間帯が、１年間を通じて上記いくつかの異なる所定の時間帯に属さない場合はないことを特徴とする。
本発明の需要予測方法は、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。

本発明によれば、連休を表現することができるので、需要予測の精度を向上させることができる。
又、本発明によれば、季節性を考慮することができ、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。
そして、以上のように需要予測の精度を向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。

以下、図面を用いて本発明の需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体の実施の形態について説明する。

図１には、本実施の形態の電力需要予測装置を示す。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。

１はデータ蓄積部であり、過去の電力需要の実績情報、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。

２は休日フラグ出力部であり、上記情報提供部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。

３は需要予測値演算部であり、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、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。

４は補正演算部であり、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。

以下、上記データ蓄積部１、休日フラグ出力部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。

データ蓄積部１は、電力需要を予測する上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。

休日フラグ出力部２は、図２に示すように、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。

変数割り当て部２ａでは、予測対象日及び予測対象日の前後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。

具体的には、暦上の曜日及び祝日に応じた第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。

又、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。

更に、前後の日との関係に応じた第３の変数として、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。

図３には、予測対象日である１月１日と、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、１２月３０日〜１月２日までを年末年始として扱っている。

１月３日を例にして説明すると、暦上は祝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。

このようにして１５日間それぞれに第１〜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。

休日フラグ変化パターン作成部２ｂでは、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。

情報圧縮部２ｃでは、上記休日フラグ変化パターン作成部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。

以上述べたように、休日性を表現するのに、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。

又、予測対象日の休日フラグだけでなく、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。

需要予測値演算部３は、図１にも示したように、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。

図６に示すように、午前の需要予測値演算部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。

重回帰演算部３１は、下記の数１に示す重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Ｐ_BNを演算する。この予測モデルでは、入力変数ｘ_iが最大需要予測値Ｐ_BNに与える影響を各入力変数ｘ_iの多項式の形で表現している。ここでは、Ｍ個の入力変数ｘ_iを入力するようにしているが、これら入力変数ｘ_i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。

上記数１に示した予測モデルの各入力変数の次数の組の係数ｃ_irBN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。

又、この重回帰演算部３１では、上記数１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。

上記数１に示す予測モデルの具体的な形は、Ｎ₁〜Ｎ_M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ｘ_iを使用するとは限らず、あるＮ_iが０であれば、それに対応する入力変数ｘ_i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〜Ｎ_M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。

そして、上記ベクトル(Ｎ)で表されるモデ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。

上記最も良いモデル構造を判断するには、評価基準が必要である。ここで用いる評価基準は、MallowsのＣ_p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。

一般に、目的変数ｙをｐ個の説明変数ｚ_iを（ｉ＝１、２、…、ｐ）で表現する回帰式
ｙ＝θ^Tｚ＋ε
ｚ＝［ｚ₁、ｚ₂、…、ｚ_p］^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。

そして、下記の数３に示すように、Ｃ_p統計量にデータの重み付け（ｗ₁、ｗ₂、…）を考慮した評価基準Ｃ_pw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Ｃ_pw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。

以上述べたように重回帰による予測モデル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Ｐ_BNと各入力変数ｘ_i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Ｐ_BNと各入力変数ｘ_i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。

一方、ニューラルネットワーク演算部３２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。

ここで、上述したように、需要予測値演算部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。

季節性を考慮するのに、例えば、春夏秋冬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。

それに対して、本実施の形態では、季節性を表す手法として、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（０：００〜１２：００）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。

そして、上記のように各時間帯ごとの需要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。

補正演算部４は、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、以下に述べる補正処理を行う。

本実施の形態では、上記休日フラグ出力部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。

一方で、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。

そこで、補正演算部４では、予測対象日が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。

図８には、年末年始を例に、日付と、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。

補正演算部４には、上記所定期間の日付と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。

なお、上記実施の形態は一例に過ぎず、例えば図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。

この場合でも、需要予測値演算部３において午前、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。

また、補正演算部４において特異日に応じ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。

上記の実施の形態では最大電力需要を予測する例を挙げたが、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。

すなわち、休日性に影響されるものや、年末年始、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。

上記実施の形態は、コンピュータのＣＰＵ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。

以上述べたように、休日性を示す入力変数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。

又、連休を表現することができるので、需要予測の精度を向上させることができる。

又、季節性を考慮することができ、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。

又、予測対象日が年末年始、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。

そして、以上のように需要予測の精度を向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。

本実施の形態の電力需要予測装置の構成を示す図である。 休日フラグ出力部２の構成を示す図である。 １２月２５日〜１月８日までの１５日間に対して休日フラグを割り当てた具体例を示す図である。 図３に示した具体例についての休日フラグの変化パターンを示す図である。 ボトルネックニューロによる情報圧縮処理を説明するための図である。 午前の需要予測値演算部３ａの構成を示す図である。 各季節ごとの代表的な１日の電力需要の推移を示す図である。 年末年始の日付と、過去数年の最大需要実績と需要予測値演算部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。 他の電力需要予測装置の構成を示す図である。

符号の説明

１ データ蓄積部
２ 休日フラグ出力部
３ 需要予測値演算部
４ 補正演算部
２ａ 変数割り当て部
２ｂ 休日フラグ変化パターン作成部
２ｃ 情報圧縮部
３ａ 午前の需要予測値演算部
３ｂ 午後の需要予測値演算部
３ｃ 点灯の需要予測値演算部
３１ 重回帰演算部
３２ ニューラルネットワーク演算部

Claims (12)

1. 予測対象日のいくつかの異なる所定の時間帯に対して、それぞれ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、
   １年間におけるある１日の最大需要値を示す時間帯は、上記いくつかの異なる所定の時間帯のどれかに属し、かつ、１年間におけるある１日の最大需要値を示す時間帯が、１年間を通じて上記いくつかの異なる所定の時間帯に属さない場合はないことを特徴とする需要予測装置。
2. 上記演算される需要予測値のうち、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１に記載の需要予測装置。
3. 上記いくつかの異なる所定の時間帯は、午前、午後、点灯の時間帯を含むことを特徴とする請求項１又は２に記載の需要予測装置。
4. 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値と、上記需要予測値演算手段により演算された需要予測値と、を入力データと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、請求項１〜３の何れか１項に記載の需要予測装置。
5. 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１〜４の何れか１項に記載の需要予測装置。
6. 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。
7. 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１〜６の何れか１項に記載の需要予測装置。
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。
9. 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。
10. 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８又は９に記載の需要予測方法。
11. 請求項１〜７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。
12. 請求項８〜１０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。

Images