JP2008043191A - 発電混合予測モデル化方法 - Google Patents

Abstract

【課題】複数の発電所様式の最適混合を予測するための方法を提供する。
【解決手段】予測モデル２０を用いる方法は、複数の発電所様式の各々に付随する様々なコストの財務データ２４を収集する工程２２と、様々なコストに確率分布２６を割り当てる工程と、所定の時間期間にわたって生じることが期待される、発電所の異なる様式に起因するコストを試算するために、様々なコストに対する確率分布を用いて、試算されたコストの確率分布３２を発電所様式毎に生成する工程と、試算されたコストに少なくとも１つの変更子３０を適用する工程であって、変更子によって、複数の発電所様式のうちの少なくとも１つのコストに影響するソフト要因が考慮される工程と、発電所様式の修正試算コストのベイズコンビネーション解析に基づいて、発電所様式の最適混合３６を予想する工程とを含む。
【選択図】 図２

Description

本発明は、一般的には、発電需要の予測に関し、詳細には、様々な様式(types)の電力源に対する電力発電需要を予測する技術分野に関する。

電力事業は、原子力発電所、石炭燃料発電所、ガスタービン、水力発電所および風力タービンなどの様々な電力源から電力を生成する。電力源の各々は、場合によってはそれぞれ独自の発電コストおよび発電容量を有しており、また、電力発電に関わる他の利点および欠点を有している。これらの様々な電力源は、広範な地域の居住者や商用エネルギー使用者に電力を配電する共通の電力事業用送電網に接続する。電力送電網へのすべての使用者からの電力要求を用いて、すべての電力源に対する総電力需要を決定する。総電力需要を様々な電力源に割り当てるためには、総電力需要だけでなく、それ以外にも決定しなければならないことがある。電力源によって生成される電力は、通常、送電網に対する電力需要と整合していなければならない。
Wolfers and Zitzewitz (2004) "Prediction Markets" Journal of Economic Perspectives, 18, 107-126 Allenby, Rossi, McCulloch "Hierarchical Bayes Models: A Practitioners Guide" (Jan 2005) SSRN http://ssrn.com/abstract=655541 Harry G. Stoll. Least-Cost Electric utility Planning. Wiley-Interscience, 1989

予てより、長期間にわたる電力要求および特定の様式の発電所に対する需要を予測するための予測ツールの必要性が痛感されている。予測ツールは、新しい発電所および新しい発電所技術に対する需要を解析するために使用されている。従来の予測ツールには、様々な数学モデルを用いて発電所の経済性を解析し、かつ、需要の動向を模擬する傾向がある。数学モデルの例には、拡散モデル（たとえばＧｏｍｐｅｒｔｚ、ＦｉｓｈｅｒＰｒｙ、Ｂａｓｓ）、学習モデル（たとえばＤｉｒｉｃｈｌｅｔ、Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）、回帰（Ｒｅｇｒｅｓｓｉｏｎ）モデル（たとえば歴史データに基づく傾向化モデルまたは多変量モデル）、予測市場（たとえばWolfers and Zitzewitz (2004) “Prediction Markets” Journal of Economic Perspectives, 18, 107-126）、およびベイズ統計（Ｂａｙｅｓｉａｎ Ｓｔａｔｉｓｔｉｃｓ）（たとえばAllenby, Rossi, McCulloch “Hierarchical Bayes Models: A Practitioners Guide” (Jan 2005) SSRN http://ssrn.com/abstract=655541）がある。従来の予測ツールには、電力源に対する政府の規制または世論などのソフトコスト要因が有効に考慮されていない。

本発明により、予測モデルを用いて発電所様式の最適混合を予測するための方法であって、複数の発電所様式の各々の予測コストの財務データを収集する工程と、予測コストに確率分布を割り当てる工程と、予測コストの確率分布を発電所の様式毎に作成するために、時間期間に対する予測コストを発電所の様式毎に試算する工程と、所与の技術のコストに直接的または間接的に影響する世論および政治動向などの要因を考慮した経済上の評価に変更子を適用する工程と、ベイズコンビネーション解析に基づいて将来の発電所様式の混合を予想する工程とを含むことを特徴とする予測方法が開発された。

この方法は、発電技術毎の財務データをコンピュータスプレッドシートの見積り財務諸表に記憶する工程を含むことができる。モンテカルロ（Ｍｏｎｔｅ Ｃａｌｒｏ）解析を用いて見積り中の予測コストの確率分布を結合し、定義された評価期間に対する電気の総コストの確率分布を展開することができる。また、定量化することができない要因には、個々の発電所様式に対する政府の規制および社会の反応のリスクがある。複数の発電様式によるこの予想された発電混合によれば、予測ベース負荷エネルギー需要が満たされる。

様々な発電技術に対する需要の予測を補助するための発電混合予測モデル化システムおよび方法が開発された。

図１は、様々な様式の発電所１２（発電技術Ａ、ＢおよびＣ）、様々な電力消費者１４、および生成された電力を消費者に配電するための電力送電網１６を含んだ配電システム１０の線図である。発電所の様式には、原子力、石炭、ガスおよびオイルを燃料とするボイラ、単純サイクルガスタービンおよび複合サイクルガスタービン、風力タービン、水力発電機または他の化石燃料を燃料とする燃焼機関を含めることができる。発電所によって電気が生産され、電気送電網を介して消費者に配電される。

個々の発電所が生成すべき電力量を長期間にわたって予測する場合、電力コスト、電力需要および他の変数が一定を維持すると仮定してはならない。時間の経過、たとえば数ヶ月、数年さらには数十年の経過に伴い、燃料コストが変化し、新しい発電施設の追加および旧式の施設の廃棄によって既存の発電所の容量が変化し、新しい発電所が送電網にオンライン化され、発電所に対する政府の規制が変化し、また、電力の需要に影響する他の要因が変化する。これらの変数は、時間と共に変化することが予測され、その変化量は、全く予測が不可能である。電力の需要に影響する変数が将来的に変化する可能性は、発電所に対する需要に不確実性をもたらしている。

新しい発電施設を建設するための能力への投資を決定する場合、供給者にとって、送電網に配置される他の様式の発電設備事業計画を知ることは有用である。特定の発電技術に投資するための効用解析は、それらに限定されるものではないが、資本コスト、運転および保全（Ｏ＆Ｍ）コスト、調達コスト、燃料コスト、政府の政策および世論を始めとする多様な要因に依存している。したがって、電力設備供給者にもたらされる需要の大きさを予測するためには、電力会社が電力生産に将来的に利用可能な異なる様式の発電所の中から選択するために使用することになろう要因をいろいろと考慮する必要がある。

発電所の様式毎に、コスト、容量、利点および欠点を決定しなければならない。電力を生成するための様々な予測コストおよび様々な様式の発電所の容量を知ることは、新しい発電所および施設に対する需要を予測する上で有用である。また、予測コストは、電力送電網の個々の電力源によって生産すべき電力の量を割り当てる際に考慮されることが好ましい。

予測電力需要に対するそれら様々な様式の発電所の確率的混合を予測するための技法が開発された。この技法には、コスト、リスクおよび確率を発電所の様式毎に評価するために、発電所様式に関する経済データを受け取り、かつ、受け取ったデータを様々な解析に適用する数学モデルが含まれている。この技法の技術的な効果は、予測総ベース負荷に合致するよう、経済的に最適混合の発電所を提供するべく予測された発電所様式の提案混合が生成されることである。この技法は、ベース負荷需要予測に適しており、したがってピークおよび中間需要予測にはそれほど適していない。

本明細書において開示される、ベース負荷に対する発電所様式の最適混合を予測するための技法には、４つの解析エレメントを結合する予測モデルが含まれている。これらのエレメントには、様式の異なる発電所に関連するコストの見積り財務データのモンテカルロ解析、マクロ経済発電需要予測、モンテカルロ解析のアウトプットに対するベイズネットワーク解析、および予測ベース負荷に合致するよう、発電技術の予測分布を決定するためのマクロ経済予測のアウトプットとベイズ解析のアウトプットの統計的結合が含まれている。

この技法は、電気のコストおよび需要、コストおよびソフト要因変数、および該変数に関する確率分布に関するインプットデータを受け取るコンピュータモデル、たとえば電子スプレッドシートの中で具体化することができる。このモデルによって変数の様々な摂動に対する電気のコストが試算され、かつ、個々の技術の試算コストに対する確率分布が決定される。ソフト要因は、電力源技術のコストに直接的または間接的に影響するが、決定論的な定量化が不可能な条件である。ソフト要因を用いて修正された確率分布が、様式の異なる発電所の予測使用量を試算するために適用される。個々の予測は、異なるコスト予測を用いて実施される。コストは、確率分布に従って変化する。異なる発電所の試算予測使用量が解析され、発電所様式の最適混合が決定される。これらの電力混合を用いて新しい発電所に対する総需要を予測することができる。

図２は、ベース負荷発電所の最適混合を予測するための予測モデル２０を示す高水準流れ図である。この予測モデルを用いて、たとえば発電所のこれから先５年間、１０年間、１５年間さらにはそれ以上の需要を評価することができる。このモデルを適用して、電力需要、様式の異なる複数の電力ポイントの各々によって生成される電力のコスト、および電力需要ならびに発電所に影響する他の要因が仮定され、かつ、予測される。これらの仮定および予測は、特定の期間に対して実施され、たとえば現在からこれから先５年間、１０年間、１５年間あるいは２０年間の時間に対して実施される。このモデルによって、定義済みの期間に対する電気のコスト（ＣＯＥ）の確率分布が試算される。試算されたＣＯＥを使用することにより、このモデルを用いて、たとえば電気を送電網に提供するための発電所様式の最適混合を決定することができる。

工程２２で、見積り財務データが収集され、かつ、系統化され、様式の異なる発電技術に関連するコストが評価される。また、見積り解析（工程２２）は、燃料予測コスト、調達コスト、Ｏ＆Ｍコストおよび資本コストなどの電力コストに影響するコスト変数に関する予測値２４を受け取る。

工程２６で、見積り財務データに対するモンテカルロ統計解析が実行され、様々な様式の発電所毎にコスト確率が決定される。モンテカルロ解析によって、発電所の様式毎に電気のコスト（ＣＯＥ）確率が生成される。モンテカルロ解析によって生成された確率データは、工程２８で、ベイズコンビネーション(Bayesian Combination)解析を用いてさらに処理される。

ベイズコンビネーション解析によって、発電所の電力コストおよび能力に影響する可能性のある、定量化することができない要因を考慮するためのインプットとしてソフト要因３０が考慮される。これらのソフト要因には、場合によっては、新しい発電所の建設を地方自治体が許可する可能性、排出規制などの電力の生産に対する政府の規制、燃料のための十分な量のオイルの購入が禁止される可能性のある世界的な政治的関心が含まれている。

ソフト要因は、それらの将来的な影響に対して高い信頼性で数値を割り当てる簡単な方法がないため、柔軟であると見なされている。データを無責任に歪曲させる一方的な見解を回避するために、複数の関係者からソフト要因の大きさおよび分布を収集し、強固にすることができる（Wolfers and Zitzewitz (2004) “Prediction Markets” Journal of Economic Perspectives, 18, 107-126）。電子式需要調査または需要予測は、場合によってはこの情報を収集し、かつ、強固にするための有効な方法である。ベイズ統計を用いて、コストモデルの確率分布とソフト要因を結合することができる。

ベイズ解析のアウトプットは、ソフト要因によって調整された様々な発電所様式に対する電気のコストの一連の確率分布３２である。これらの分布および地域における将来の総電力需要予測３４を用いて、将来の需要を満たすために必要な発電所様式の最適分布を識別する潜在発電技術分布３６を生成することができる。この分布３６を用いて、様々な発電所技術に対する所与の時間期間にわたる需要を予測することができる。

図３は、様々な様式の発電所に対する将来の定義済みポイントにおける電気エネルギーの予測コストの例示的見積りキャッシュフロー解析を示したものである。見積りキャッシュフロー解析は、評価される将来の時間期間に、送電網のためのエネルギーの生産に利用することができることが予測される主要ベース負荷電気技術に対して準備される（たとえばHarry G. Stoll. Least-Cost Electric utility Planning. Wiley-Interscience, 1989）。

見積りキャッシュフロー解析は、エネルギー生産プラントの計画者によって使用される、将来のエネルギー生産コストを予測するための従来の標準ツールである。この解析によって、電気を生産するためのコストが年間コストの仮定に基づいて試算される。個々の仮定に、関連する確率分布を持たせることも可能である。

コンピュータを用いて、これから先の年毎のコストを試算することができる。たとえばコンピュータスプレッドシートプログラム（たとえばマイクロソフトエクセル（Ｍｉｃｒｏｓｏｆｔ Ｅｘｃｅｌ））を用いて、見積りキャッシュフロー解析のためのコストを試算することができる。

見積り解析は、特定の開始年に対する仮定、考慮される技術毎の運転および保全費（Ｏ＆Ｍ）、燃料価格、一般年間上昇率、技術毎の負債および債権コスト、建設に必要な時間、ヤードコスト、技術による効率、建設中の利息および発電所運転利用率などのインプットを受け取ることができる。発電所利用率は、特定の期間に発電所によって生成されるエネルギーの平均量を、全期間にわたって１００％の出力で発電所を運転した場合に生成することができる総量で割ったものである。

インプットおよび確率分布がコンピュータに入力されると、スプレッドシートによって発電所毎にコストが計算される。スプレッドシートの変数は、それらの個々の確率分布に基づいて順序を並び替えることができ、変数の様々な設定値に基づいて電気のコスト（ＣＯＥ）の分布を技術毎に展開することができる。変数は、モンテカルロ解析を用いて、それらの個々の確率分布に基づいて並び替えられる（モンテカルロ解析は、コロラド州デンバーのＤｅｃｉｓｉｏｎｅｅｒｉｎｇのＣｒｙｓｔａｌ Ｂａｌｌなどのソフトウェアパッケージを用いて実施することができる）。固定回数の試行が実施され、電気のコストが決定され、かつ、スプレッドシートに記憶される。記憶された試算を用いて確率分布が展開される。

見積りのモンテカルロ解析のアウトプットは、ベイズ統計解析を用いてさらに解析される。ベイズネットワークモデルを用いて、見積りからのコストに対する確率分布と、現在の法律または制定される可能性のある法律、社会の認知、安全リスク、廃棄政策などのソフト要因が結合される。

図４は、例示的ベイズネットワークモデルを示す電子スプレッドシートアウトプットである。このモデルによって、電気のコストに対するモンテカルロ解析の確率分布アウトプットがソフト要因変更子によって調整される。この調整は、ベイズ統計を用いて実施され、重み付けされた社会学的／政治的／経済的コストがベース負荷発電所技術毎に生成される。

図４に示す実施例では、ソフト要因の各々が、期待される最良の結果、平均的結果および最悪の結果に割り当てられた乗数および確率を有している。これらは、すべてのベース負荷技術（石炭、ガス、原子力および水力）に対して入力される。同様に、モンテカルロ解析によるコスト分布がスプレッドシートに入力される。図に示すように、四分位毎のコストが確率と共に結果毎に入力される（たとえば上部および下部四分位に対しては０．２５、また、平均に対しては０．５）。

技術毎の市場シェアまたは混合は、個々の技術の調整経済学が最も有利である確率に基づいている、という仮説に基づいて、市場シェアまたは混合の百分率を計算することができる。本質的に、この仮説は、特定の技術が有利である確率は、その技術の市場シェアに近いことを明瞭に示している。

図５は、発電所混合決定の例示的アウトプットを示す図表である。ベイズ解析のアウトプットは、個々のベース負荷技術に対する確率分布である。これらの分布を用いて、個々の技術が特定の市場に有利である特定のシナリオを存在させることができる。

図６は、総ベース負荷予測の図表である。総電気需要は、第３のパーティ源（ＥＩＡなど）から得られ、ベース負荷のみの発電、現行のベース負荷発電混合からの引き上げ、および予測の不確実性であってもよい予測のごく一部を考慮するために修正される。総予測は、特定の年数（たとえば１年、２年、５年または１０年）にグループ化され、モンテカルロ解析を用いて、最良容量追加、最悪容量追加および最もあり得る容量追加が、年数のブロック毎に展開される。

図７は、原子力に対する予想された最適電力混合予測の図表である。この図表は、これから先１年ないし５年の期間、およびこれから先６年ないし１０年の期間にわたる最適原子力発電能力の例示的予測を提供している。最適混合は、様々な様式の発電所様式に対して、異なる時間期間にわたって予想することができる。

以上、本発明について、現時点における最も実際的で、かつ、好ましい実施形態であると思われる内容に関連して説明したが、本発明は、開示した実施形態に限定されず、その逆に、本発明には、特許請求の範囲の精神および範囲に含まれる様々な改変および等価構造を包含することが意図されていることを理解されたい。

様々な消費者に電力を提供し、かつ、様々な様式の発電所によって生産される電力を配電する電力送電網を示す略図である。 予測需要に必要な電力を生産するための発電所様式の最適混合を決定する新規な方法の概要を提供する高水準流れ図である。 主要ベース負荷電力発電所の見積りキャッシュフロー解析の例示的図表である。 見積りキャッシュフロー解析に出現する経済要因を解析するための例示的ベイズネットワーク（Ｂａｙｅｓｉａｎ Ｎｅｔｗｏｒｋ）モデルを示す図である。 ベイズネットワークモデルのアウトプットに適用される確率解析モデルを示す図である。 総需要予測を示す図表である。 潜在電力混合需要を示す図表である。

符号の説明

１０ 配電システム
１２ 発電所
１４ 電力消費者
１６ 電力送電網
２０ 予測モデル
２２ 見積り解析
２４ 財務変数インプット
２６ モンテカルロ統計解析
２８ ベイズコンビネーション
３０ ソフト要因
３２ 確率解析
３４ 総需要予測
３６ 潜在分布

Claims (10)

1. 予測モデル（２０）を用いて発電所（１２）様式の最適混合を予測する予測方法であって、
   複数の発電所様式の各々に付随する様々なコストの財務データ（２４）を収集する工程（２２）と、
   前記様々なコストに確率分布（２６）を割り当てる工程と、
   所定の時間期間にわたって生じることが期待される、前記発電所様式の各々に付随するコストを試算するために、前記様々なコストに対する前記確率分布を用いて、試算されたコストの確率分布（３２）を前記発電所様式毎に生成する工程と、
   前記試算されたコストに少なくとも１つの変更子（３０）を適用する工程であって、前記変更子によって、前記複数の発電所様式のうちの少なくとも１つのコストに影響するソフト要因を考慮する工程と、
   前記発電所様式の修正試算コストのベイズコンビネーション解析に基づいて、発電所様式の最適混合（３６）を予想する工程と、を含むことを特徴とする方法。
2. 前記発電所様式の各々の前記財務データを収集する工程が、コンピュータスプレッドシート内で実行される見積り財務諸表（２２）に前記データを記憶する工程を含むことを特徴とする請求項１記載の方法。
3. 定義された評価期間に対する総電気コストの確率分布（３２）を発電所様式毎に展開するために、前記見積り諸表（２２）中のコストの前記確率分布（２６）が結合されることを特徴とする請求項２記載の方法。
4. 定義された評価期間に対する電気の総コストの確率分布を展開するために、モンテカルロ解析（２６）を用いて前記確率分布が結合されることを特徴とする請求項１記載の方法。
5. 発電所様式の前記コスト（２４）が、将来の予測運転コストの予測コストであることを特徴とする請求項１記載の方法。
6. 前記ソフト要因（３０）が、世論要因および政治動向要因のうちの少なくとも１つであることを特徴とする請求項１記載の方法。
7. 前記ソフト要因（３０）が、複数の発電様式のうちの前記少なくとも１つのコストに間接的に影響することを特徴とする請求項１記載の方法。
8. 前記ソフト要因（３０）が、定量化することができない要因であることを特徴とする請求項１記載の方法。
9. 発電所様式の前記予想された混合（３６）が、原子力発電所、石炭を燃料とする発電所およびオイルを燃料とする発電所の混合を含むことを特徴とする請求項１記載の方法。
10. 前記財務データ（２４）が、見積り財務データスプレッドシートに収集され、かつ、記憶されることを特徴とする請求項１記載の方法。