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
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 Download PDFInfo
- Publication number
- JP2007272911A JP2007272911A JP2007121283A JP2007121283A JP2007272911A JP 2007272911 A JP2007272911 A JP 2007272911A JP 2007121283 A JP2007121283 A JP 2007121283A JP 2007121283 A JP2007121283 A JP 2007121283A JP 2007272911 A JP2007272911 A JP 2007272911A
- Authority
- JP
- Japan
- Prior art keywords
- demand
- forecast
- value
- prediction
- day
- 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.)
- Pending
Links
Images
Classifications
-
- Y04S10/54—
-
- Y04S10/545—
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
【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。
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。
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。
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。
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〜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。
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。
一般に、目的変数yをp個の説明変数zi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。
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。
そして、下記の数3に示すように、Cp統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。
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。
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。
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
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)
- 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。 - 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。
- 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。
- 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。 - 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。
- 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。 - 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。
- 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。 - 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。 - 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。
- 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。
- 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。
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 Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2000062209A Division 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2007272911A true JP2007272911A (ja) | 2007-10-18 |
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 Before (1)
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 |
Country Status (1)
Country | Link |
---|---|
JP (2) | JP4448226B2 (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009237832A (ja) * | 2008-03-26 | 2009-10-15 | Tokyo Gas Co Ltd | 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 |
JP2015032046A (ja) * | 2013-07-31 | 2015-02-16 | 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 |
EP2469676A4 (en) * | 2009-07-14 | 2017-11-15 | Kabushiki Kaisha Toshiba | Demand-prediction device, program, and recording medium |
WO2019074173A1 (ko) * | 2017-10-12 | 2019-04-18 | 전자부품연구원 | 단위 가구 피크 전력 수요량 예측 방법 및 시스템 |
KR20210076274A (ko) * | 2019-12-13 | 2021-06-24 | 상명대학교산학협력단 | 전력수요 예측 시스템의 비정상일 제거방법 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2136450A4 (en) * | 2007-03-26 | 2013-06-19 | Vpec Inc | FEEDING SYSTEM |
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 |
JP5789421B2 (ja) * | 2011-06-10 | 2015-10-07 | アズビル株式会社 | 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 |
JP5857471B2 (ja) * | 2011-06-24 | 2016-02-10 | オムロン株式会社 | 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 |
JP6314529B2 (ja) * | 2014-02-21 | 2018-04-25 | 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 |
JP6384797B2 (ja) * | 2014-04-23 | 2018-09-05 | 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 |
JP6364923B2 (ja) * | 2014-04-24 | 2018-08-01 | 株式会社明電舎 | 予測装置及び予測方法 |
JP6641867B2 (ja) * | 2015-10-09 | 2020-02-05 | 日本製鉄株式会社 | 消費電力量予測方法、装置及びプログラム |
JP6677575B2 (ja) * | 2016-06-01 | 2020-04-08 | 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 |
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 |
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 |
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 |
-
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
Non-Patent Citations (1)
Title |
---|
JPN6009059271, 灰田武史、外4名, "時間帯別モデルを用いた最大需要予測について", 電気学会研究会資料, 19921003, Vol.PE−92,No.160−171, P.79−87, 社団法人電気学会 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009237832A (ja) * | 2008-03-26 | 2009-10-15 | Tokyo Gas Co Ltd | 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 |
EP2469676A4 (en) * | 2009-07-14 | 2017-11-15 | Kabushiki Kaisha Toshiba | Demand-prediction device, program, and recording medium |
JP2015032046A (ja) * | 2013-07-31 | 2015-02-16 | 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 |
WO2019074173A1 (ko) * | 2017-10-12 | 2019-04-18 | 전자부품연구원 | 단위 가구 피크 전력 수요량 예측 방법 및 시스템 |
KR20190041263A (ko) * | 2017-10-12 | 2019-04-22 | 전자부품연구원 | 단위 가구 피크 전력 수요량 예측 방법 및 시스템 |
KR102011314B1 (ko) * | 2017-10-12 | 2019-10-21 | 전자부품연구원 | 단위 가구 피크 전력 수요량 예측 방법 및 시스템 |
KR20210076274A (ko) * | 2019-12-13 | 2021-06-24 | 상명대학교산학협력단 | 전력수요 예측 시스템의 비정상일 제거방법 |
KR102343243B1 (ko) * | 2019-12-13 | 2021-12-28 | 상명대학교산학협력단 | 전력수요 예측 시스템의 비정상일 제거방법 |
Also Published As
Publication number | Publication date |
---|---|
JP2001249916A (ja) | 2001-09-14 |
JP4448226B2 (ja) | 2010-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2007272911A (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 | |
Zhang | Macroeconomic effects of CO2 emission limits: a computable general equilibrium analysis for China | |
Levén et al. | Inventory control with a modified Croston procedure and Erlang distribution | |
Singh et al. | An efficient time series forecasting model based on fuzzy time series | |
Osman et al. | Neural network based approach for short-term load forecasting | |
Wang et al. | Prediction of system marginal price in the UK Power Pool using neural networks | |
US7403928B2 (en) | Identify data sources for neural network | |
Englberger et al. | Two-stage stochastic master production scheduling under demand uncertainty in a rolling planning environment | |
EP3309724A1 (en) | Methods and systems related to allocating field engineering resources for power plant maintenance | |
JP2010213477A (ja) | 発電計画作成方法、装置、プログラムおよび記憶装置 | |
CN105701570A (zh) | 一种基于全过程技术提升的短期电力需求分析方法 | |
Fan et al. | Forecasting electricity demand in australian national electricity market | |
JP2006011715A (ja) | 資源消費量の推定方法及び装置 | |
El-Hawary | Advances in Electric Power and Energy Systems: Load and Price Forecasting | |
Yuill et al. | Application of Adaptive Neuro Fuzzy Inference System (ANFIS) based short term load forecasting in South African power networks | |
US20040019504A1 (en) | Multi-tier forecast-based hospital staffing system | |
Rao et al. | An expert system approach to short-term load forecasting for Reliance Energy Limited, Mumbai | |
Shah et al. | A water demand prediction model for central indiana | |
Gallón et al. | Forecasting the colombian electricity spot price under a functional approach | |
JP6605342B2 (ja) | 電力需要予測装置、電力需要予測方法、及び電力需要予測プログラム | |
CN111512326A (zh) | 基于负载形状分析的能量计划通信控制系统及方法 | |
JP6908444B2 (ja) | 電力需要予測装置、電力需要予測方法およびプログラム | |
JP2001288782A (ja) | 配水量予測システム | |
Davis | The division of labor and the growth of government |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20091117 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20100323 |