JP2010218394A - エネルギー需要予測装置 - Google Patents
エネルギー需要予測装置 Download PDFInfo
- Publication number
- JP2010218394A JP2010218394A JP2009066422A JP2009066422A JP2010218394A JP 2010218394 A JP2010218394 A JP 2010218394A JP 2009066422 A JP2009066422 A JP 2009066422A JP 2009066422 A JP2009066422 A JP 2009066422A JP 2010218394 A JP2010218394 A JP 2010218394A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- energy demand
- value
- matrix
- data
- 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
- 238000000034 method Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 145
- 238000006243 chemical reaction Methods 0.000 claims description 99
- 238000012545 processing Methods 0.000 claims description 55
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 15
- 238000012935 Averaging Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 38
- 238000010586 diagram Methods 0.000 description 19
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】多重共線性が発生するデータを用いても多重共線性の影響を受けないような重回帰式と同様の予測モデルを採用することで、予測結果の根拠を運用者がわかりやすい形式で表現して予測理由の説明を容易にするとともにエネルギー需要の予測精度の高めたエネルギー需要予測装置を提供する。
【解決手段】ＰＬＳ（Partial Least Square）法により多重共線性を除いた予測モデルを構築し、このような予測モデルを用いてエネルギー需要を予測するようなエネルギー需要予測装置とした。
【選択図】図１
【解決手段】ＰＬＳ（Partial Least Square）法により多重共線性を除いた予測モデルを構築し、このような予測モデルを用いてエネルギー需要を予測するようなエネルギー需要予測装置とした。
【選択図】図１
Description
本発明は、工場、もしくは地域における電力需要・水需要・熱需要・ガス需要・蒸気需要など各種のエネルギー需要を予測対象とし、過去の実績または関連情報を用いて、将来のエネルギー需要を予測するエネルギー需要予測装置に関する。
電力需要・水需要・熱需要・ガス需要・蒸気需要など各種のエネルギー需要（以下単にエネルギー需要という。）は、暦や気象と強い相関を持つ。そこで、エネルギー需要の予測に際し、過去の実績に係るエネルギー需要情報、および、この過去の実績に係るエネルギー需要が記録された際のカレンダ情報（月日時・曜日・季節等）・気象情報（湿度・温度・天候等）・稼働スケジュール情報（工場等の稼働予定）という関連情報を用いて、エネルギー需要が予測されている。
一般的にこのようなエネルギー需要予測は、従来技術では、大きく分けて、三種の方法が存在する。具体的には、以下に述べる、
（１）予測対象のエネルギー需要または過去の類似パターンを参照して運用者の経験により運用者が予測する方法、
（２）予測対象のエネルギー需要を重回帰式による予測モデルを用いて予測する方法、
（３）予測対象日のエネルギー需要をニューラルネットワークなどの多入力多出力の予測モデルを用いて予測する方法、
などである。
（１）予測対象のエネルギー需要または過去の類似パターンを参照して運用者の経験により運用者が予測する方法、
（２）予測対象のエネルギー需要を重回帰式による予測モデルを用いて予測する方法、
（３）予測対象日のエネルギー需要をニューラルネットワークなどの多入力多出力の予測モデルを用いて予測する方法、
などである。
また、このようなエネルギー需要予測装置の従来技術として、例えば、特許文献１（特開２００６−２６０１５４号公報，発明の名称：供給量予測装置）が開示されている。この従来技術は、時間供給量及び気象データの実績値を回帰分析または重回帰分析により統計処理し、精度良く予測対象日の時間供給量の予測値を求めることができる供給量予測装置としたものである。
前述の従来技術では、それぞれ以下に示す課題がある。
（１）予測対象の需要または負荷の過去の類似パターンを参照して運用者が予測する方法では、予測対象と気象が似た過去の類似日の需要を予測値としていた。具体的には、運用者は予測対象日における気象予報を得て、この予測対象日における気象予報と、過去に類似するような日および気象におけるエネルギー需要をデータベースから抽出し、この過去の類似日のエネルギー需要を予測値としたり、さらにはその値を補正して予測値としている。類似日の抽出条件としては、需要と相関の高い、気温や湿度など経験的な因子を選択して行っていたが、必ずしも適切な類似日を抽出できていたわけではなく、その結果、予測誤差も大きくなることがあった。
（１）予測対象の需要または負荷の過去の類似パターンを参照して運用者が予測する方法では、予測対象と気象が似た過去の類似日の需要を予測値としていた。具体的には、運用者は予測対象日における気象予報を得て、この予測対象日における気象予報と、過去に類似するような日および気象におけるエネルギー需要をデータベースから抽出し、この過去の類似日のエネルギー需要を予測値としたり、さらにはその値を補正して予測値としている。類似日の抽出条件としては、需要と相関の高い、気温や湿度など経験的な因子を選択して行っていたが、必ずしも適切な類似日を抽出できていたわけではなく、その結果、予測誤差も大きくなることがあった。
例えば、夏と冬とでは気象条件が異なり、夏の電力需要は冷房需要に影響する最高気温と相関が高いが、冬の電力需要は暖房需要に影響する最低気温との相関が高い。しかし、人間ではいずれかの要因がどの程度影響するか判断することができないため、最高気温と最低気温の両方で類似日を抽出しているのが通常である。しかし、夏場では影響の低い最低気温に引きずられ、冬は影響の低い最高気温に引きずられ、適切な類似日が抽出できないため、予測精度が低くなる、という問題である。
（２）の予測対象のエネルギー需要を重回帰式による予測モデルを用いて予測する方法では、重回帰式で予測する方法が多く用いられている。運用者やオペレータに出力理由を説明する必要がある場合は、予測モデルに重回帰式を用いることで重み等を明らかにしているが、予測精度が犠牲になる。また、重回帰式は入力データである説明変数間に相関がある場合は、適切な予測モデルが構築できないという問題点がある。
（２）の予測対象のエネルギー需要を重回帰式による予測モデルを用いて予測する方法では、重回帰式で予測する方法が多く用いられている。運用者やオペレータに出力理由を説明する必要がある場合は、予測モデルに重回帰式を用いることで重み等を明らかにしているが、予測精度が犠牲になる。また、重回帰式は入力データである説明変数間に相関がある場合は、適切な予測モデルが構築できないという問題点がある。
例えば、以下のデータから予測モデルを構築する場合、
入力ｘ11，入力ｘ21，ｙ1
入力ｘ12，入力ｘ22，ｙ2
入力ｘ1n，入力ｘ2n，ｙn
もし、「入力ｘ11〜入力ｘ1n」と「入力ｘ21〜入力ｘ2n」が全く同じ値の場合は、重回帰式を構築できない（計算過程において、０割が発生する）。また、値が違っても、相関係数が１に近い値の場合は、適切な係数が得られずに予測精度の低い重回帰式になる。この現象は、一般的に多重共線性と呼ばれる。エネルギー需要予測では、過去ｎ日分、もしくは過去のｎ時間分のデータを用いるが、至近のデータは同じような動きをするため、必ず多重共線性が発生するという構造的な問題がある。
（３）の予測対象日のエネルギー需要をニューラルネットワークなどの多入力多出力の予測モデルを用いて予測する方法では、通常は、予測モデルとしてニューラルネットワークが用いられる。ニューラルネットワークによる予測モデルは過去の気象と需要の関係を非線形でモデル化して、非線形な出力を可能とした予測モデルとなり、高精度の予測が可能となる。上記したデータ予測方法における予測モデルについて、予測精度を重視するような場合は、非線形予測モデルを構築可能なニューラルネットワークが使用されることが多い。しかしながら、ニューラルネットワークはその内部がブラックボックスとなっているため内部の解析が難しく、予測結果についての予測理由の説明が難しいという問題点がある。
入力ｘ11，入力ｘ21，ｙ1
入力ｘ12，入力ｘ22，ｙ2
入力ｘ1n，入力ｘ2n，ｙn
もし、「入力ｘ11〜入力ｘ1n」と「入力ｘ21〜入力ｘ2n」が全く同じ値の場合は、重回帰式を構築できない（計算過程において、０割が発生する）。また、値が違っても、相関係数が１に近い値の場合は、適切な係数が得られずに予測精度の低い重回帰式になる。この現象は、一般的に多重共線性と呼ばれる。エネルギー需要予測では、過去ｎ日分、もしくは過去のｎ時間分のデータを用いるが、至近のデータは同じような動きをするため、必ず多重共線性が発生するという構造的な問題がある。
（３）の予測対象日のエネルギー需要をニューラルネットワークなどの多入力多出力の予測モデルを用いて予測する方法では、通常は、予測モデルとしてニューラルネットワークが用いられる。ニューラルネットワークによる予測モデルは過去の気象と需要の関係を非線形でモデル化して、非線形な出力を可能とした予測モデルとなり、高精度の予測が可能となる。上記したデータ予測方法における予測モデルについて、予測精度を重視するような場合は、非線形予測モデルを構築可能なニューラルネットワークが使用されることが多い。しかしながら、ニューラルネットワークはその内部がブラックボックスとなっているため内部の解析が難しく、予測結果についての予測理由の説明が難しいという問題点がある。
また、特許文献１に記載の従来技術でも、重回帰式を用いるものであり、多重共線性の影響を受けるおそれがあった。
このように電力、熱、蒸気などの需要予測で多重共線性の影響を排除するようにして、運用者の負担軽減や、予測精度向上、予測の自動化を可能にする手法が求められている。
また、予測により得られたエネルギー需要予測値は、そのエネルギーを供給する装置（以下、エネルギー供給装置という）によるエネルギー供給量の決定に用いられる。そして日中で最大ピークとなるエネルギー供給量を予測してエネルギー供給装置の稼働計画を立案し、複数のエネルギー供給装置を事前に確保待機させる必要が生じる。この場合、従来技術では、予測誤差を考慮して予測したエネルギー供給量により必要と判定したエネルギー供給装置の数に加え、予備のエネルギー供給装置も併せて待機させるのが一般的であった。
このように電力、熱、蒸気などの需要予測で多重共線性の影響を排除するようにして、運用者の負担軽減や、予測精度向上、予測の自動化を可能にする手法が求められている。
また、予測により得られたエネルギー需要予測値は、そのエネルギーを供給する装置（以下、エネルギー供給装置という）によるエネルギー供給量の決定に用いられる。そして日中で最大ピークとなるエネルギー供給量を予測してエネルギー供給装置の稼働計画を立案し、複数のエネルギー供給装置を事前に確保待機させる必要が生じる。この場合、従来技術では、予測誤差を考慮して予測したエネルギー供給量により必要と判定したエネルギー供給装置の数に加え、予備のエネルギー供給装置も併せて待機させるのが一般的であった。
そこで電力、熱、蒸気などのエネルギー需要予測で予測の信頼度向上を実現することにより、従来技術では必要となっていたエネルギー供給装置の予備力を少なくして、コスト削減に寄与したいという要請もあった。
この発明は上記問題点を解決するためになされたものであり、その目的は、多重共線性が発生するデータを用いても多重共線性の影響を受けず、また重回帰式と同様の予測モデルを採用することで、予測結果の根拠を運用者がわかりやすい形式で表現して予測理由の説明を容易にするとともにエネルギー需要の予測精度を高めたエネルギー需要予測装置を提供することにある。
この発明は上記問題点を解決するためになされたものであり、その目的は、多重共線性が発生するデータを用いても多重共線性の影響を受けず、また重回帰式と同様の予測モデルを採用することで、予測結果の根拠を運用者がわかりやすい形式で表現して予測理由の説明を容易にするとともにエネルギー需要の予測精度を高めたエネルギー需要予測装置を提供することにある。
上記した課題を解決するため、請求項１に記載の発明によれば、
中央処理部と、中央処理部に接続される記憶部と、中央処理部に接続される入力部と、中央処理部に接続される出力部と、を有し、エネルギー需要の過去の実績に基づいて構築された予測モデルを用いて将来のエネルギー需要を予測するエネルギー需要予測装置であって、
中央処理部は、
入力部から入力され、過去の実績に係る暦別のエネルギー需要データ、過去の実績に係る暦別の気象データ、暦についての特徴を表す暦別のカレンダデータおよび設備の稼働状態を表す暦別の稼働スケジュールデータを少なくとも一つ含む変動要因データを記憶部に登録する変動要因データ登録手段と、
変動要因データに基づいて変動要因データ行列Ｘｄを生成する変動要因データ行列生成手段と、
エネルギー需要データに基づいてエネルギー需要データ行列ｙｄを生成するエネルギー需要データ行列生成手段と、
ＰＬＳ（Partial Least Square） 法により潜在変数の個数Ａ、潜在変数行列Ｔを用いて変換される
中央処理部と、中央処理部に接続される記憶部と、中央処理部に接続される入力部と、中央処理部に接続される出力部と、を有し、エネルギー需要の過去の実績に基づいて構築された予測モデルを用いて将来のエネルギー需要を予測するエネルギー需要予測装置であって、
中央処理部は、
入力部から入力され、過去の実績に係る暦別のエネルギー需要データ、過去の実績に係る暦別の気象データ、暦についての特徴を表す暦別のカレンダデータおよび設備の稼働状態を表す暦別の稼働スケジュールデータを少なくとも一つ含む変動要因データを記憶部に登録する変動要因データ登録手段と、
変動要因データに基づいて変動要因データ行列Ｘｄを生成する変動要因データ行列生成手段と、
エネルギー需要データに基づいてエネルギー需要データ行列ｙｄを生成するエネルギー需要データ行列生成手段と、
ＰＬＳ（Partial Least Square） 法により潜在変数の個数Ａ、潜在変数行列Ｔを用いて変換される
係数行列である行列ＰT、行列Ｑおよび行列Ｗを決定して予測モデルを生成する予測モデル生成手段と、
予測モデルを検証し、最適な予測モデルとなるまでＡを増加させて学習手段と予測モデル生成手段とを繰り返す予測モデル検証手段と、
最適な予測モデルを確定する確定手段と、
確定した予測モデルに過去の実績および将来の予測に係る変動要因データを代入して将来のエネルギー需要を予測する予測手段と、
予測されたエネルギー需要を記憶部に登録して出力部により出力させる出力手段と、から構成され、
前記予測手段は，
予測モデルに代入する過去の実績および将来の予測に係る変動要因データを用いてQ統計量を算出する統計量算出手段と、
算出したQ統計量が予め定められた規定値以上のときにはアラームを出力するように出力部を制御するアラーム出力手段と、
を備えることを特徴とする。
また、請求項２に記載の発明によれば、
請求項１に記載のエネルギー需要予測装置において、
前記予測手段は、
学習に用いたｎ個のデータセットの変動要因データについてQ統計量をそれぞれ求める複数統計量算出手段と、
学習に用いたｎ個のデータセットの変動要因データを用いて予測して得た予測値と実績値との差である予測誤差を、ｎ個のデータセットの変動要因データについてそれぞれ求める予測誤差算出手段と、
予測誤差が許容値以下になるデータセットについてのQ統計量の最大値、予測誤差が許容値以下になるデータセットについてのQ統計量の最大値よりも所定値だけ低い値、または、予測誤差が許容値に近似するデータセットについてのQ統計量の平均値、の何れかを算出してQ統計量の規定値とする規定値設定手段と、
を含むことを特徴とする。
請求項１に記載のエネルギー需要予測装置において、
前記予測手段は、
学習に用いたｎ個のデータセットの変動要因データについてQ統計量をそれぞれ求める複数統計量算出手段と、
学習に用いたｎ個のデータセットの変動要因データを用いて予測して得た予測値と実績値との差である予測誤差を、ｎ個のデータセットの変動要因データについてそれぞれ求める予測誤差算出手段と、
予測誤差が許容値以下になるデータセットについてのQ統計量の最大値、予測誤差が許容値以下になるデータセットについてのQ統計量の最大値よりも所定値だけ低い値、または、予測誤差が許容値に近似するデータセットについてのQ統計量の平均値、の何れかを算出してQ統計量の規定値とする規定値設定手段と、
を含むことを特徴とする。
また、請求項３に記載の発明によれば、
請求項１または２に記載のエネルギー需要予測装置において、
前記出力手段は、
潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日ｉのエネルギー需要の変換値をそれぞれプロットするプロット手段を含むことを特徴とする。
請求項１または２に記載のエネルギー需要予測装置において、
前記出力手段は、
潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日ｉのエネルギー需要の変換値をそれぞれプロットするプロット手段を含むことを特徴とする。
また、請求項４に記載の発明によれば、
請求項１乃至３の何れか１項に記載のエネルギー需要予測装置において、
前記出力手段は、
確定した予測モデルを
請求項１乃至３の何れか１項に記載のエネルギー需要予測装置において、
前記出力手段は、
確定した予測モデルを
また、請求項５に記載の発明によれば、
請求項１乃至４の何れか１項に記載のエネルギー需要予測装置において、
前記予測モデル生成手段は、
潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日ｉのエネルギー需要の変換値をそれぞれ登録する登録手段と、
この変換座標系において予測結果に係るエネルギー需要の変換値と実績に係るエネルギー需要の変換値との距離が短い場合にその実績に係るエネルギー需要の変換値の日を類似日として抽出する類似日抽出手段と、
類似日における変換座標上のエネルギー需要の変換値および変動要因の変換値を用いてエネルギー需要の補正を行う予測モデルとする類似日需要補正手段と、
を備えることを特徴とする。
また、請求項６に記載の発明によれば、
請求項１乃至４の何れか１項に記載のエネルギー需要予測装置において、
前記予測モデル生成手段は、
潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日ｉのエネルギー需要の変換値をそれぞれ登録する登録手段と、
この変換座標系において予測結果に係るエネルギー需要の変換値と実績に係るエネルギー需要の変換値との距離が短い場合にその実績に係るエネルギー需要の変換値の日を類似日として複数抽出する複数類似日抽出手段と、
複数類似日における変換座標系のエネルギー需要の変換値および変動要因の変換値を用いてエネルギー需要の補正を行う予測モデルとする類似日需要補正手段と、
を備えることを特徴とする。
請求項１乃至４の何れか１項に記載のエネルギー需要予測装置において、
前記予測モデル生成手段は、
潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日ｉのエネルギー需要の変換値をそれぞれ登録する登録手段と、
この変換座標系において予測結果に係るエネルギー需要の変換値と実績に係るエネルギー需要の変換値との距離が短い場合にその実績に係るエネルギー需要の変換値の日を類似日として複数抽出する複数類似日抽出手段と、
複数類似日における変換座標系のエネルギー需要の変換値および変動要因の変換値を用いてエネルギー需要の補正を行う予測モデルとする類似日需要補正手段と、
を備えることを特徴とする。
また、請求項７に記載の発明によれば、
請求項１乃至４の何れか一項に記載のエネルギー需要予測装置において、
前記予測モデル生成手段は、
潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日ｉのエネルギー需要の変換値をそれぞれ登録する登録手段と、
この変換座標系において予測結果に係るエネルギー需要の変換値と実績に係るエネルギー需要の変換値との距離が短い場合にその実績に係るエネルギー需要の変換値の日を類似日として複数抽出する複数類似日抽出手段と、
複数の類似日における変換座標系のエネルギー需要の変換値の平均化および変動要因の変換値の平均化を行う平均化手段と、
平均化された変換座標系のエネルギー需要の変換値の平均値および変動要因の変換値の平均値を用いてエネルギー需要の補正を行う予測モデルとする類似日需要補正手段と、
を備えることを特徴とする。
請求項１乃至４の何れか一項に記載のエネルギー需要予測装置において、
前記予測モデル生成手段は、
潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日ｉのエネルギー需要の変換値をそれぞれ登録する登録手段と、
この変換座標系において予測結果に係るエネルギー需要の変換値と実績に係るエネルギー需要の変換値との距離が短い場合にその実績に係るエネルギー需要の変換値の日を類似日として複数抽出する複数類似日抽出手段と、
複数の類似日における変換座標系のエネルギー需要の変換値の平均化および変動要因の変換値の平均化を行う平均化手段と、
平均化された変換座標系のエネルギー需要の変換値の平均値および変動要因の変換値の平均値を用いてエネルギー需要の補正を行う予測モデルとする類似日需要補正手段と、
を備えることを特徴とする。
本発明によれば、多重共線性が発生するデータを用いても多重共線性の影響を受けず、また重回帰式と同様の予測モデルを採用することで、予測結果の根拠を運用者がわかりやすい形式で表現して予測理由の説明を容易にするとともにエネルギー需要の予測精度を高めたエネルギー需要予測装置を提供することができる。
続いて、本発明を実施するための最良の形態のエネルギー需要予測装置について図を参照しつつ説明する。説明を明瞭にするため、本形態のエネルギー需要予測装置の説明では、具体的な例として、地域単位での１日の最大電力を過去数日分の最高気温に基づいて予測する装置も併せて説明する。
図１は本形態のエネルギー需要予測装置の構成図である。エネルギー需要予測装置１００は、データ処理部１、入力部２、出力部３を備えている。データ処理部１は、さらに中央処理部１ａ、記憶部１ｂを備える。
図１は本形態のエネルギー需要予測装置の構成図である。エネルギー需要予測装置１００は、データ処理部１、入力部２、出力部３を備えている。データ処理部１は、さらに中央処理部１ａ、記憶部１ｂを備える。
データ処理部１は、例えば、コンピュータ本体であり、中央処理部１ａはＭＰＵに相当し、記憶部１ｂはメモリ・ハードディスク等の内部記憶装置に加えて、ＦＤ（Flexible Disc）・ＭＯ（Magnet Optical Disc）・ＵＢＳメモリ等の外部記憶装置も含める。
入力部２は、キーボードに加え、データを転送する他のコンピュータ・外部記憶装置も含める。
入力部２は、キーボードに加え、データを転送する他のコンピュータ・外部記憶装置も含める。
出力部３は、ディスプレイ・プリンタに加え、データ転送する他のコンピュータ・外部記憶装置も含める。
また、データ処理部１、入力部２、出力部３が共にコンピュータである場合には、ＬＡＮ構成を採用しても良い。
このようなエネルギー需要予測装置１００では、中央処理部１ａは、基本的には変動要因データ登録手段１１、変動要因データ行列生成手段１２、エネルギー需要データ行列生成手段１３、学習手段１４、予測モデル生成手段１５、予測モデル検証手段１６、確定手段１７、予測手段１８、出力手段１９として機能することでエネルギー需要の予測を行うことができる。
また、データ処理部１、入力部２、出力部３が共にコンピュータである場合には、ＬＡＮ構成を採用しても良い。
このようなエネルギー需要予測装置１００では、中央処理部１ａは、基本的には変動要因データ登録手段１１、変動要因データ行列生成手段１２、エネルギー需要データ行列生成手段１３、学習手段１４、予測モデル生成手段１５、予測モデル検証手段１６、確定手段１７、予測手段１８、出力手段１９として機能することでエネルギー需要の予測を行うことができる。
以下、詳細に説明する。
中央処理部１ａは、入力部２から入力され、エネルギー需要を変動させる要因に係るデータであって、過去の実績に係る暦別のエネルギー需要データ、過去の実績に係る暦別の気象データ、暦についての特徴を表す暦別のカレンダデータおよび設備の稼働状態を表す暦別の稼働スケジュールデータを少なくとも一つ含む変動要因データを記憶部に登録する変動要因データ登録手段１１として機能する。変動要因データは記憶部１ｂで登録する。
中央処理部１ａは、入力部２から入力され、エネルギー需要を変動させる要因に係るデータであって、過去の実績に係る暦別のエネルギー需要データ、過去の実績に係る暦別の気象データ、暦についての特徴を表す暦別のカレンダデータおよび設備の稼働状態を表す暦別の稼働スケジュールデータを少なくとも一つ含む変動要因データを記憶部に登録する変動要因データ登録手段１１として機能する。変動要因データは記憶部１ｂで登録する。
暦別のエネルギー需要データは、工場、もしくは地域における前日など過去の電力需要・水需要・熱需要・ガス需要・蒸気需要など各種のエネルギー需要を表すデータであって、過去長期間にわたり蓄積された各日時毎の実績値に係るデータである。ここに暦とは年月日時分などである。
また、暦別の気象データは、ある年月日時分における例えば気温（最高気温、最低気温、指定の時間）、湿度（最高湿度、最低湿度、指定の時間）、不快指数（最高不快指数、最低不快指数、指定の時間）、天気（晴、曇、雨、雪をそれぞれ１、２、３、４として数値化）、前線位置（予測対象地域に対する相対位置、近い、遠い、東西南北を数値化）、日照量等の全てまたは何れかを指している。このような気象データは、暦別の気象実績である。
また、暦別の気象データは、ある年月日時分における例えば気温（最高気温、最低気温、指定の時間）、湿度（最高湿度、最低湿度、指定の時間）、不快指数（最高不快指数、最低不快指数、指定の時間）、天気（晴、曇、雨、雪をそれぞれ１、２、３、４として数値化）、前線位置（予測対象地域に対する相対位置、近い、遠い、東西南北を数値化）、日照量等の全てまたは何れかを指している。このような気象データは、暦別の気象実績である。
また、暦別のカレンダデータは、暦の特徴を季節（春夏秋冬）、平日、休日、曜日などを数値化したデータである。
また、稼働スケジュールデータは、暦別の操業状態（操業日、半休、夜勤日、休業日など）を数値化したデータである。
これら、変動要因データは入力部２のキーボードなどの装置にて手入力しても良いし、データを転送する他のコンピュータ・外部記憶装置から送信されたデータとしても良い。
また、稼働スケジュールデータは、暦別の操業状態（操業日、半休、夜勤日、休業日など）を数値化したデータである。
これら、変動要因データは入力部２のキーボードなどの装置にて手入力しても良いし、データを転送する他のコンピュータ・外部記憶装置から送信されたデータとしても良い。
エネルギー需要データはエネルギー供給主体により計測されており、ネットワークを介してエネルギー供給主体から所定期間毎または常時入力されたり、所定期間毎にＵＳＢメモリなどの記憶媒体を介してデータを入力しても良い。エネルギー需要データにはエネルギー供給主体が複数ある場合には識別する識別データも付加される。このように、エネルギー需要データの取得も適宜選択することができる。
また、気象実績とは過去の記録であり、気象実績についての気象データは、気象情報サービス会社からネットワークを介して配信される気象データや、また、発電所等のエネルギー供給主体や関連施設などで独自で設置した雨量計・湿度計・温度計などの計測装置・センサから収集整理してこれらエネルギー供給主体や関連施設を経由して入力された気象データとしても良い。気象データの取得は適宜選択することができる。
カレンダデータや稼働スケジュールデータは、キーボードなどの装置にて手入力しても良いし、データを転送する他のコンピュータ・外部記憶装置から送信されたデータとしても良い。
なお、本形態の具体例である最大電力を予測するエネルギー需要予測装置１００では、暦として日を用いるものとし、また、変動要因としてある日の最高気温を、エネルギー需要としてある日の最大電力を用いるものとする。
なお、本形態の具体例である最大電力を予測するエネルギー需要予測装置１００では、暦として日を用いるものとし、また、変動要因としてある日の最高気温を、エネルギー需要としてある日の最大電力を用いるものとする。
これらエネルギー需要データも含む変動要因データはハードディスクなどの記憶部１ｂに保存蓄積される。また、必要時に何時でも取り出せるようにする。この記憶部１ｂでは計測日時・曜日・季節が特定できる暦を主キーとして変動要因データが関連付けられて登録されてデータベース化されている。
本形態のエネルギー需要予測装置１００では日別の最高気温と日別の最大電力が記憶されることとなる。
本形態のエネルギー需要予測装置１００では日別の最高気温と日別の最大電力が記憶されることとなる。
中央処理部１ａは、変動要因データから変動要因データ行列Ｘｄを生成する変動要因データ行列生成手段１２として機能する。この変動要因データ行列は多数ある変動要因データから予め決定された基準により行列を生成するものである。この変動要因データ行列は後述する予測モデル生成のための学習に用いられる。ここに本形態のエネルギー需要予測装置１００における変動要因データ行列Ｘｄは次式のようになる。
ある縦一列では連続するｎ日の最高気温をひとまとめとしている。例えば、一番左側の一列はｉからｉ−ｎ＋１までのｎ日の連続する最高気温を表している。そして、右の列になるにつれて、１日づつ過去にずれた過去の連続するｎ日の最高気温というひとまとめを表している。このように、数十日分のデータを用いてベクトル展開する。通常、これらデータは縦の列で平均が０になるように個々の値から縦の平均値を差し引き、さらに縦の列の標準偏差で除して正規化される。
中央処理部１ａは、エネルギー需要データからエネルギー需要データ行列ｙｄを生成するエネルギー需要データ行列生成手段１３として機能する。このエネルギー需要データ行列は多数あるエネルギー需要データから予め決定された基準により行列を生成するものである。このエネルギー需要データ行列は後述する予測モデル生成のための学習に用いられる。ここに本形態のエネルギー需要予測装置１００におけるエネルギー需要データ行列ｙｄは次式のようになる。
この場合も、数十日分のデータを用いてベクトル展開する。通常、これらデータは縦の列で平均が０になるように個々の値から縦の平均値を差し引き、さらに縦の列の標準偏差で除して正規化される。
中央処理部１ａは、ＰＬＳ（Partial Least Squares Regression）法により潜在変数の個数Ａ、潜在変数行列Ｔを用いて変換されるＰＬＳモデルのうち各係数行列である行列ＰT、行列Ｑおよび行列Ｗを、仮に決定した個数Ａ、変動要因データ行列Ｘｄおよびエネルギー需要データ行列ｙｄを用いて算出する学習手段１４として機能する。
まず、ＰＬＳモデルは以下のようになる。
まず、ＰＬＳモデルは以下のようになる。
続いてＰＬＳモデルのうち各係数行列である行列Ｗ，行列ＰTおよび行列ｑを、変動要因データ行列Ｘｄ、エネルギー需要データ行列ｙｄを用いて学習する。
この係数の算出では、行列ＸにおけるＮ列のうち、強い相関関係にある複数列や強い一次従属関係がある複数列（以下、多重共線性を有する複数列）の除去が行われて行列Ｘをｎ行Ｎ列からｎ行Ａ列に減少させるような係数を選択するものであり、このＡの決定も行われる。なお、多重共線性が全くない、また、あっても弱いような場合もあり、係数算出後もＡ＝Ｎの場合もありうる。まず、Ａ＝１として係数を算出する。予測式を数６の形式で定義すると算出式は数７のようになる。
この係数の算出では、行列ＸにおけるＮ列のうち、強い相関関係にある複数列や強い一次従属関係がある複数列（以下、多重共線性を有する複数列）の除去が行われて行列Ｘをｎ行Ｎ列からｎ行Ａ列に減少させるような係数を選択するものであり、このＡの決定も行われる。なお、多重共線性が全くない、また、あっても弱いような場合もあり、係数算出後もＡ＝Ｎの場合もありうる。まず、Ａ＝１として係数を算出する。予測式を数６の形式で定義すると算出式は数７のようになる。
中央処理部１ａは、係数行列である行列ｗ1，行列ｐ1 Tおよび行列ｑ1に基づいて変動要因変数行列Ｘおよびエネルギー需要ｙの関係を表す重回帰式による予測モデルを生成する予測モデル生成手段１５として機能する。Ａ＝１における予測モデルは上記数６で表される式となる。
中央処理部１ａは、予測モデルを検証するため、Ａ＝１の予測モデルに始まって最適な予測モデルとなるまでＡを増加させて学習手段１４と予測モデル生成手段１５とを繰り返す予測モデル検証手段１６として機能する。予測モデルの検証は、統計指標により行われる。統計指標は次式で表される。
中央処理部１ａは、予測モデルを検証するため、Ａ＝１の予測モデルに始まって最適な予測モデルとなるまでＡを増加させて学習手段１４と予測モデル生成手段１５とを繰り返す予測モデル検証手段１６として機能する。予測モデルの検証は、統計指標により行われる。統計指標は次式で表される。
最小のＡoptよりもＡが少ない、つまり成分数がすくなすぎると、予測が粗いモデルとなり、また、最小のＡoptよりもＡが多い、つまり成分数が多すぎると、過学習と呼ばれる現象で、学習データにはあうが、予測時には誤差が大きいモデルとなる。そこでＡＩＣが最小となるＡが、予測に適した最適な成分数とする。なお、Ａ＝１の場合は単回帰式と同じである。
中央処理部１ａは、続いてＡ＝２として学習手段１４として機能する。予測モデルを数９の形式とすると算出式は数１０のようになる。
中央処理部１ａは、生成したモデルを用いて予測誤差に基づく統計指標を取得するように機能する。上記と同様の手法にてＡ＝２のときのＡＩＣを算出する。ＡＩＣが小さくなった場合はさらにＡに１を加算して学習手段１４および予測モデル生成手段１５を繰り返して機能させる。
以下同様にして学習・予測モデル生成・検証を行ってＡの値を変更していく。Ａ＝ａの場合は次式のように表される。
以下同様にして学習・予測モデル生成・検証を行ってＡの値を変更していく。Ａ＝ａの場合は次式のように表される。
中央処理部１ａは、生成したモデルを用いて予測誤差に基づく統計指標を取得するように機能する。上記のＡＩＣを算出する。ＡＩＣが小さくなった場合はさらにＡに１を加算する。このようにＡ＝１，２，３，４，・・・，ａ，・・・Ｎと同様の処理を繰り返してそれぞれ統計指標ＡＩＣを算出し、ＡＩＣが最小になることが明らかなＡ（＝ａ）を決定する。
中央処理部１ａは、検証により最適とされた予測モデルを確定する確定手段１７として機能する。ＡＩＣが最小になるときの数１２，数１３による予測モデルとする。なお、学習時はｙをｎ日分予測させるためＸもｎ行のデータを与えていたが、予測時ではｙは１日分予測させるのみなので、確定時には、学習時に定義した行列Ｘはｎ行を１行に、行列Ｙも１行に読み替える。この結果Ｘは１行×ｎ列に、また、ｙは１行×１列つまりスカラー量となる。
この場合の変数行列Ｘや変数ｙは次式のように決定する。
さらに簡単化のため潜在変数Ｔを消去する。消去した数式は次式のようになる。
この予測モデルでは多重共線性が排除されており、予測結果の根拠を運用者がわかりやすい形式で表現して予測理由の説明を容易にする。これは各係数の値をみるとどの変数がどの程度１番目の係数に寄与しているか定量的に見ることができる。例えば、需要と相関が高いのは当日の最高気温に係る１番目の成分の係数値が最も大きくなっていることが理解できる。つまり、予測対象日の何日前の最高気温がどのくらい影響しているか判断していることを容易に判断することができる。
中央処理部１ａは、決定された予測モデルに過去の実績および将来の予測に係る変動要因データを代入して将来のエネルギー需要を予測する予測手段１８として機能する。
数１７の例での変動要因データは気象データに含まれる最高気温であり、最大気温の予測値は気象予報から取得する。気象予報とは未来の予報であり、気象予報についての気象データは、気象情報サービス会社から気象予報を受信して得たデータである。
数１７の例での変動要因データは気象データに含まれる最高気温であり、最大気温の予測値は気象予報から取得する。気象予報とは未来の予報であり、気象予報についての気象データは、気象情報サービス会社から気象予報を受信して得たデータである。
このように予測対象となるエネルギー供給箇所の気象実績の最高気温に係る気象データ、予測対象となるエネルギー供給箇所の気象予報の最高気温に係る気象データを収集する。このようにして将来（例えば当日の正午など）のエネルギー需要を予測する。
中央処理部１ａは、予測されたエネルギー需要を記憶部１ｂに登録して出力部３により出力させる出力手段１９として機能する。エネルギー需要を例えばディスプレイに出力し、オペレータに通知する。また、エネルギー需要予測データは出力部３やネットワークを介して、例えばエネルギー需要予測データが必要な工場や地域へ情報を発信することもできる。
中央処理部１ａは、予測されたエネルギー需要を記憶部１ｂに登録して出力部３により出力させる出力手段１９として機能する。エネルギー需要を例えばディスプレイに出力し、オペレータに通知する。また、エネルギー需要予測データは出力部３やネットワークを介して、例えばエネルギー需要予測データが必要な工場や地域へ情報を発信することもできる。
エネルギー需要予測装置１００はこのようなものである。
続いて、他の形態について図を参照しつつ説明する。この形態ではエネルギー需要予測装置の出力を改良した形態である。この出力部３では、予測結果、及び予測結果の根拠を提示する。図３は予測結果の出力例を説明する説明図である。図４は予測結果の根拠の出力例を説明する説明図である。出力手段１９は、潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日ｉのエネルギー需要の変換値をそれぞれプロットするようにディスプレイなどの出力装置に表示させるプロット手段としても機能する。図３において、□は予測結果に係るエネルギー需要の変換値、○は過去の実績に係るエネルギー需要の変換値（学習データの変換値）である。なお、図３を明瞭にするため、潜在変数はＴ1、Ｔ2のみであるとして図示している。図３おいて□が○の分布の範囲内であれば、信頼性の高い予測結果として判断し、範囲外であれば信頼性の低い予測結果と判断できる。
続いて、他の形態について図を参照しつつ説明する。この形態ではエネルギー需要予測装置の出力を改良した形態である。この出力部３では、予測結果、及び予測結果の根拠を提示する。図３は予測結果の出力例を説明する説明図である。図４は予測結果の根拠の出力例を説明する説明図である。出力手段１９は、潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日ｉのエネルギー需要の変換値をそれぞれプロットするようにディスプレイなどの出力装置に表示させるプロット手段としても機能する。図３において、□は予測結果に係るエネルギー需要の変換値、○は過去の実績に係るエネルギー需要の変換値（学習データの変換値）である。なお、図３を明瞭にするため、潜在変数はＴ1、Ｔ2のみであるとして図示している。図３おいて□が○の分布の範囲内であれば、信頼性の高い予測結果として判断し、範囲外であれば信頼性の低い予測結果と判断できる。
さらに図４に示した影響分析処理結果を合わせて表現する。
出力手段１９は、確定した予測モデルを次式のように表すとき、この影響度係数行列ｂを個々の係数別に出力装置に表示させる影響度表示手段としても機能する。
出力手段１９は、確定した予測モデルを次式のように表すとき、この影響度係数行列ｂを個々の係数別に出力装置に表示させる影響度表示手段としても機能する。
図４で示す影響分析結果によれば、前述のとおり係数を全て合算すると、合計値が１になるように正規化しているため、縦軸の値は需要に与える影響度合いとなる。
なお、提案手法の有効性を示すため、通常の重回帰式による結果と比較して表示している。
従来技術の重回帰式の場合、前日の気象の方が２日前の気象よりも影響度合いが小さいなど、計算結果は定性的に不適切である。
なお、提案手法の有効性を示すため、通常の重回帰式による結果と比較して表示している。
従来技術の重回帰式の場合、前日の気象の方が２日前の気象よりも影響度合いが小さいなど、計算結果は定性的に不適切である。
一方、本発明の提案手法によると、予測対象日当日から日を遡るごとに影響度合いが小さくなることが定量的に分かる。従来技術の重回帰式では係数の値が不適切になることがあり、この結果予測精度が低くなる。この結果は提案手法の有効性を示す一例である。
このように影響度係数行列ｂを個々の係数別に表示し、元のデータＸの各変数がどの程度需要に影響しているか判断してもよい。
このように影響度係数行列ｂを個々の係数別に表示し、元のデータＸの各変数がどの程度需要に影響しているか判断してもよい。
つまり、学習手段１４にて求められた係数にて、オペレータは以下の方法にて、需要に及ぼす変数の影響を判断することが可能となる。
重回帰形式に変換した上記式をみることで、どの変数が変わるとどの程度需要が変化するのか定量的に判断することができる。
これにより、変数とエネルギー需要との相関関係が明確になる。
重回帰形式に変換した上記式をみることで、どの変数が変わるとどの程度需要が変化するのか定量的に判断することができる。
これにより、変数とエネルギー需要との相関関係が明確になる。
続いて、他の形態について図を参照しつつ説明する。図５は他の形態のエネルギー需要予測装置の予測モデル生成手段の詳細を説明する説明図である。図６は類似日抽出を説明する説明図である。本形態では予測モデル生成手段１５を改良している。エネルギー需要予測装置１００の構成は図１の構成と同じである。また、他の手段、入出力については先の形態と同じであるとして重複する説明を省略する。
予測モデル生成手段１５は、変動要因変数行列Ｘおよびエネルギー需要ｙの関係を表す予測モデルを生成する予測モデル生成手段１５として機能するが、予測モデルに補正を行う点が付加されており、詳しくは、登録手段１５１、類似日抽出手段１５２、類似日需要補正手段１５３として機能する。
中央処理部１ａは、潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日ｉのエネルギー需要の変換値をそれぞれ登録する登録手段１５１として機能する。
中央処理部１ａは、潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日ｉのエネルギー需要の変換値をそれぞれ登録する登録手段１５１として機能する。
中央処理部１ａは、この変換座標系において予測結果に係るエネルギー需要の変換値と実績に係るエネルギー需要の変換値との距離が短い場合にその実績に係るエネルギー需要の変換値の日を類似日として抽出する類似日抽出手段１５２として機能する。通常は、予測対象日の最高気温に類似する日を抽出するが、この形態では潜在変数Ｔ1，Ｔ2を軸とし、この軸上でエネルギー需要の変換値が類似する日を抽出することに特徴がある。図６の類似日抽出を説明する説明図で示すように、Ｔ1軸上で予測対象日のエネルギー需要の変換値と最も近いのは◇の日である。この◇の日を類似日として選択する。
続いて中央処理部１ａは、類似日における変換座標上のエネルギー需要の変換値および変動要因の変換値を用いてエネルギー需要の補正を行う予測モデルとする類似日需要補正手段１５３として機能する。先の類似日（◇の日）における各値は、ｔ10，ｔ20，ｙ0上にある。次に◇の日を基準として、次式にて補正する。
続いて、他の形態について図を参照しつつ説明する。図７は他の形態のエネルギー需要予測装置の予測モデル生成手段の詳細を説明する説明図である。本形態では予測モデル生成手段１５の他の改良を行ったものである。エネルギー需要予測装置１００の構成は図１の構成と同じである。また、他の手段や、入力部２、出力部３については先の形態と同じであるとして重複する説明を省略する。
予測モデル生成手段１５は、変動要因変数行列Ｘおよびエネルギー需要ｙの関係を表す予測モデルを生成する予測モデル生成手段１５として機能するが、予測モデルに補正を行う点が付加されており、詳しくは、登録手段１５１、複数類似日抽出手段１５４、類似日需要補正手段１５５として機能する。
中央処理部１ａは、潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日ｉのエネルギー需要の変換値をそれぞれ登録する登録手段１５１として機能する。
中央処理部１ａは、潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日ｉのエネルギー需要の変換値をそれぞれ登録する登録手段１５１として機能する。
中央処理部１ａは、この変換座標系において予測結果に係るエネルギー需要の変換値と実績に係るエネルギー需要の変換値との距離が短い場合にその実績に係るエネルギー需要の変換値の日を類似日として複数抽出する複数類似日抽出手段１５４として機能する。通常は、予測対象日の最高気温に類似する日を抽出するが、この形態でも潜在変数Ｔ1，Ｔ2を軸とし、この軸上でエネルギー需要の変換値が類似する日を抽出することに特徴がある。図６の類似日抽出を説明する説明図で示すように、Ｔ1軸上で予測対象日のエネルギー需要データと最も近いのは◇の日である。この◇の日を類似日として選択する。この際、Ｔ1軸上の予測対象日と類似する日でだけではなく、複数の軸のユークリッド距離が最も近いものも類似日とする。
続いて中央処理部１ａは、複数類似日における変換座標系のエネルギー需要の変換値および変動要因の変換値を用いてエネルギー需要の補正を行う予測モデルとする類似日需要補正手段１５５として機能する。さきの複数の類似日を基準として、先に説明した数式にて補正する。
このような改良した形態によれば、運用者が、予測対象日と最も類似した日がどの日であるかが簡単に分かり、またどのように補正し予測結果が導かれたか簡単に分かるという利点がある。
このような改良した形態によれば、運用者が、予測対象日と最も類似した日がどの日であるかが簡単に分かり、またどのように補正し予測結果が導かれたか簡単に分かるという利点がある。
続いて、他の形態について図を参照しつつ説明する。図８は他の形態のエネルギー需要予測装置の予測モデル生成手段の詳細を説明する説明図である。本形態でも図１の予測モデル生成手段１５の他の改良を行ったものである。エネルギー需要予測装置１００の構成は図１の構成と同じである。また、他の手段や、入力部２、出力部３については先の形態と同じであるとして重複する説明を省略する。
予測モデル生成手段１５は、変動要因変数行列Ｘおよびエネルギー需要ｙの関係を表す予測モデルを生成する予測モデル生成手段１５として機能するが、予測モデルに補正を行う点が付加されており、詳しくは、登録手段１５１、複数類似日抽出手段１５４、平均化手段１５６、類似日需要補正手段１５７として機能する。
中央処理部１ａは、潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日ｉのエネルギー需要の変換値をそれぞれ登録する登録手段１５１として機能する。
中央処理部１ａは、潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日ｉのエネルギー需要の変換値をそれぞれ登録する登録手段１５１として機能する。
続いて中央処理部１ａは、この変換座標系において予測結果に係るエネルギー需要の変換値と実績に係るエネルギー需要の変換値との距離が短い場合にその実績に係るエネルギー需要の変換値の日を類似日として複数抽出する複数類似日抽出手段１５４として機能する。通常は、予測対象日の最高気温に類似する日を抽出するが、この形態でも潜在変数Ｔ1，Ｔ2を軸とし、この軸上でエネルギー需要の変換値が類似する日を抽出することに特徴がある。図６の類似日抽出を説明する説明図で示すように、Ｔ1軸上で予測対象日のエネルギー需要データと最も近いのは◇の日である。この◇の日を類似日として選択する。この際、Ｔ1軸上の予測対象日と類似する日でだけではなく、複数の軸のユークリッド距離が最も近いものも類似日とする。
続いて中央処理部１ａは、複数の類似日における変換座標系のエネルギー需要の変換値の平均化および変動要因の変換値の平均化を行う平均化手段１５６として機能する。平均値であるｔ1avg，ｔ2avg，ｙavgを得る。
続いて中央処理部１ａは、平均化された変換座標系のエネルギー需要の変換値の平均値および変動要因の変換値の平均値を用いてエネルギー需要の補正を行う予測モデルとする類似日需要補正手段１５７として機能する。さきの複数の類似日の平均値であるｔ1avg，ｔ2avg，ｙavgを基準として、次式にて補正する。
続いて中央処理部１ａは、平均化された変換座標系のエネルギー需要の変換値の平均値および変動要因の変換値の平均値を用いてエネルギー需要の補正を行う予測モデルとする類似日需要補正手段１５７として機能する。さきの複数の類似日の平均値であるｔ1avg，ｔ2avg，ｙavgを基準として、次式にて補正する。
また、複数日の類似日を求め、その補正した平均値としており、より正確な予測を可能とする。
続いて、他の形態について図を参照しつつ説明する。本形態では予想前に変動要因データの異常値を予め検出し、このような異常な変動要因データを用いないようにすることで予測精度のさらなる向上を図るものである。図９は変動要因データの異常値検出の説明図である。図１０は他の形態のエネルギー需要予測装置の予測手段の詳細を説明する説明図である。図１１，図１２は予測誤差とＱ統計量とによる散布図を用いる規定値算出の説明図である。本形態では先に説明した予測手段１８を改良している。エネルギー需要予測装置１００の構成は図１の構成と同じである。また、他の手段、入出力については先の形態と同じであるとして重複する説明を省略する。
続いて、他の形態について図を参照しつつ説明する。本形態では予想前に変動要因データの異常値を予め検出し、このような異常な変動要因データを用いないようにすることで予測精度のさらなる向上を図るものである。図９は変動要因データの異常値検出の説明図である。図１０は他の形態のエネルギー需要予測装置の予測手段の詳細を説明する説明図である。図１１，図１２は予測誤差とＱ統計量とによる散布図を用いる規定値算出の説明図である。本形態では先に説明した予測手段１８を改良している。エネルギー需要予測装置１００の構成は図１の構成と同じである。また、他の手段、入出力については先の形態と同じであるとして重複する説明を省略する。
本形態では、エネルギー需要予測が難しい日は一般的に過去にないような気象の日である点に着目した。例えば、気温が異常に高い場合や低い場合がその日にあたる。それでもこのような単純な場合ならば、気温が一定温度を上回る、もしくは一定温度を下回る、という条件で予測が外れそうだと事前に判断することも可能である。しかしながら、例えば最高気温と最低気温との差が非常に小さい日、もしくは雨が降りそうなのに湿度が低い日など、複数の気象要因を総合的に判断しなければ通常の気象状態と異なる状態が判断できないような日もある。これまで、そのような日を異常と判断することは困難であった。そこで、予測に用いる過去の実績および将来の予測に係る変動要因データを総合的に判断し、エネルギー需要予測値の信頼度を判定するものである。そして信頼度の高い変動要因データを用いてエネルギー需要予測値を予測するためエネルギー需要予測値の信頼度が高まり、その結果、エネルギー供給装置の予備力を少なくすることができることとなり、コスト削減に寄与できる。
本発明が意味するものを図９を用いて説明する。先の形態では５日分の気温にて予測する例で説明したが、ここでは理解しやすくするため、予測対象日とその前日の気温だけに注目して説明する。図９の変動要因データの異常値検出の説明図では、学習に用いたｎ日分の予測対象日の気温とその前日の気温の分布を○にて表している。通常、前日の気温が高ければ、予測対象日の気温が高い関係にあるので、図９に点線で示したような楕円形の分布になる。
もし、◆のように、前日の気温が低いにも拘わらず予測対象日の気温が高いような場合、このようなケースは学習していない、もしくは学習データが少ないため、このような変動要因データを用いると予測誤差が大きくなるおそれがある。従来技術のように１変数ずつ上下限値で判断すると、◆のような日は検知できなかった。しかしながら、本発明のＱ統計量を用いると、◆については異常であると検知できる。
続いて本形態について説明する。本形態の先に説明した中央処理部１ａの予測手段１８は、詳しくは図１０に示すように、複数統計量算出手段１８１、予測誤差算出手段１８２、規定値設定手段１８３、統計量算出手段１８４、アラーム出力手段１８５、エネルギー需要予測手段１８６として機能する。
まず、異常判定の基準となる規定値を決定することが重要である。それについては、人間が過去の経験等から決定してもよく、また、学習時のデータから中央処理部１ａが自動的に決定してもよいが、本形態では学習時のデータから自動的に決定する方法について以下に説明する。
まず、異常判定の基準となる規定値を決定することが重要である。それについては、人間が過去の経験等から決定してもよく、また、学習時のデータから中央処理部１ａが自動的に決定してもよいが、本形態では学習時のデータから自動的に決定する方法について以下に説明する。
まず中央処理部１ａは、学習に用いた複数個（ｎ個）のデータセットの変動要因データについてＱ統計量をそれぞれ求める複数統計量算出手段１８１として機能する。学習に用いた変動要因データから、複数個（ｎ個）のＱ統計量を算出する。
ここで先の予測式は潜在変数Ｔを用いない形式であったが潜在変数Ｔを用いる予測式を用いる。また、説明の簡単化のため、まず１個のＱ統計量を算出するものとして説明する。この予測式は次式に示すようになる。
ここで先の予測式は潜在変数Ｔを用いない形式であったが潜在変数Ｔを用いる予測式を用いる。また、説明の簡単化のため、まず１個のＱ統計量を算出するものとして説明する。この予測式は次式に示すようになる。
続いて、１個のデータセット（１行×Ｎ列の変動要因データ行列Ｘｄ）から、１個のＱ統計量を算出する場合について考える。潜在変数行列Ｔは次式のようになる。
次に、過去の実績に係る１個のデータセット（１行×Ｎ列の変動要因データ行列Ｘｄ）を代入して潜在変数ｔ’による値を次式のように算出する。
Ｘｄは、１行×Ｎ列のベクトルであり、１個のデータセット（１行×Ｎ列の変動要因データ行列Ｘｄ）である。
ｗ1〜ｗpは、それぞれＮ行×１列のベクトルであり、先の学習により求めた係数行列である。
続いてＱ統計量を算出する。Ｑ統計量は、次式により求められる。
続いてＱ統計量を算出する。Ｑ統計量は、次式により求められる。
なお、このような処理は、上記の数２２において、行列Ｘをｎ行Ｎ列としてｎセットのデータをまとめて取り扱うようにしても良い。この場合、行列Ｘはｎ行Ｎ列の行列とし、ｙはｎ行１列の行列とし、行列Ｔはｎ行Ａ列の行列とし、行別に数２３〜数２６の計算を行うようにすれば良い。
続いて中央処理部１ａは、先の複数統計量算出に用いたｎ個のデータセットの変動要因データを予測モデルに入力して予測して予測値を生成し、この予測値と実績値との差である予測誤差を、ｎ個のデータセットの変動要因データについてそれぞれ求める予測誤差算出手段１８２として機能する。まず、学習に用いたｎ個のデータセットの変動要因データを用いて予測モデルにより予測してそれぞれ予測値を算出する。これらの予測値に対応する実績値を準備しておく。続いてｎ個のデータセット各々について予測誤差を次式により算出する。
続いて中央処理部１ａは、先の複数統計量算出に用いたｎ個のデータセットの変動要因データを予測モデルに入力して予測して予測値を生成し、この予測値と実績値との差である予測誤差を、ｎ個のデータセットの変動要因データについてそれぞれ求める予測誤差算出手段１８２として機能する。まず、学習に用いたｎ個のデータセットの変動要因データを用いて予測モデルにより予測してそれぞれ予測値を算出する。これらの予測値に対応する実績値を準備しておく。続いてｎ個のデータセット各々について予測誤差を次式により算出する。
この規定値について説明する。Ｑ統計量と予測誤差ｅ2で散布図を作成したのが図１１である。例えばｎ個のうちｉ番目の学習データであるならば、ｉ番目の学習データによるＱ統計量と予測誤差ｅｉ2 とにより決定される座標にプロットする。このようなプロットをｎ個の学習データ全てについて行ったものである。ここで、予測誤差として許容できる許容値を設定するとき、Ｑ統計量の規定値は図１１の縦の点線のように表される。
ここにａ点よりもＱ統計量が小さければ、予測誤差ｅ2は常に許容値以下となることを示している。次に具体的なａ点の求め方を説明する。前述のとおりｎ個のｅ1 2からｅn 2に対応するＱ統計量の大きさでソートする。以下の例ではＱ統計量が小さいものから順に、左からソートしてあるものとする。例えば次式のようになる。
なお、ａ点でなく、余裕度を持ってそれより小さい値、例えばｂ点の値（予測誤差が許容値以下になるデータセットについてのＱ統計量の最大値よりも所定値（例えば２０％）低い値）としてもよい。
また、許容値の点線上およびその付近に分布するＱ統計量の平均であるｃ点の値（予測誤差が許容値に近似するデータセットについてのＱ統計量の平均値）としてもよい。
また、許容値の点線上およびその付近に分布するＱ統計量の平均であるｃ点の値（予測誤差が許容値に近似するデータセットについてのＱ統計量の平均値）としてもよい。
次に図１２のｄ点の求め方を説明する。
ｎ個のＱ統計量において、最小値から最大値までをｍ分割する。図１２は３分割した例である。次に各区分における予測誤差の平均値を縦軸に、また、Ｑ統計量の平均値を横軸とした平均値□を求める。３つある平均値をＱ統計量の小さい方から順に調べ、予測誤差が許容値を超える直前の□のＴ２座標がｄ点となり、（図１２の例では、中央の区分）このｄ点の値としてもよい。
ｎ個のＱ統計量において、最小値から最大値までをｍ分割する。図１２は３分割した例である。次に各区分における予測誤差の平均値を縦軸に、また、Ｑ統計量の平均値を横軸とした平均値□を求める。３つある平均値をＱ統計量の小さい方から順に調べ、予測誤差が許容値を超える直前の□のＴ２座標がｄ点となり、（図１２の例では、中央の区分）このｄ点の値としてもよい。
以上説明したように規定値は設定されるが、予め規定値を所定値に設定しておいて、先の複数統計量算出手段１８１、予測誤差算出手段１８２、規定値設定手段１８３については予測時に省略しても良い。
続いて中央処理部１ａは、予測モデルに代入する過去の実績および将来の予測に係る変動要因データを用いてＱ統計量を算出する統計量算出手段１８４として機能する。
続いて中央処理部１ａは、予測モデルに代入する過去の実績および将来の予測に係る変動要因データを用いてＱ統計量を算出する統計量算出手段１８４として機能する。
上記の数２２の予測モデルに予測用の１個のデータセット（１行×Ｎ列の変動要因データ行列Ｘｄ）を代入して、１個のＱ統計量を算出する。
Ｘは、１行×Ｎ列のベクトルであり、１個のデータセット（１行×Ｎ列の変動要因データ行列Ｘｄである。
ｗ1〜ｗPは、Ｎ行×１列のベクトルであり、学習により求めた係数行列である。
続いてＱ統計量を算出する。ここで、Ｑ統計量は、次式により求められる。
続いてＱ統計量を算出する。ここで、Ｑ統計量は、次式により求められる。
中央処理部１ａは、算出したＱ統計量が予め定められた規定値以下ならば学習時によく表れたパターンと判断し、また、規定値以上のときには学習時に覚えていない異常な入力パターンと判断して、予測誤差が大きくなるおそれがあるためアラームを出力するように出力部を制御するアラーム出力手段１８５として機能する。このアラームとは出力部のディスプレイの画面上のアラームや、出力部のスピーカの警報音など他のアラームも含める。これにより異常があると思われる変動要因データが含まれているときは、予測が外れるおそれが高い点を通知できるようにしたため、予測値の良否も判別できるようにしている。
続いて中央処理部１ａは、Ｑ統計量を用いて異常がない１個のデータセット（１行×Ｎ列の変動要因データ行列Ｘｄ）を用いて、先の数１６，数１７による予測モデルに代入して予測して、エネルギー需要予測手段１８６として機能する。これは先の形態で予測手段１８として説明したものであり、重複する説明を省略する。
以上、本発明について説明した。本発明ではさらに各種の変形が可能である。例えば、本形態では統計指標としてＡＩＣを用いて説明したが、統計指標はＡＩＣに限定する趣旨ではなく、他にも自由度調整寄与率など他の統計指標を用いて潜在変数の個数Ａを決定してもよい。
以上、本発明について説明した。本発明ではさらに各種の変形が可能である。例えば、本形態では統計指標としてＡＩＣを用いて説明したが、統計指標はＡＩＣに限定する趣旨ではなく、他にも自由度調整寄与率など他の統計指標を用いて潜在変数の個数Ａを決定してもよい。
またモデル構築と予測を同時に行うのではなく、モデル構築は前もって（例えば前日）に行っておき、予測は当日行うようにしても良い。さらにモデル構築も定期的（例えば１日ごと）に行うようにし、図１の変動要因データ登録手段１１から確定手段１７までの予測モデル構築をあるデータ処理部１に行わせ、予測手段１８・出力手段１９までの予測を他のデータ処理部に行わせるようにしても良い。この予測モデルの構築については適宜選択される。
加えて、予測時に行うこととした複数統計量算出手段１８１、予測誤差算出手段１８２、規定値設定手段１８３による規定値の決定を予め行うこととして、予測手段１８は予測のみ行うようにしても良い。
このような本発明によれば、従来技術と比較して優れた利点がある。従来技術には以下の（１）〜（３）のような問題点があった。
（１）従来技術の類似の変動要因データを有する日のエネルギー需要を検索する方法は、需要との相関が高い１つか２つの変数において、予測対象日と過去日との距離にて判定していたため、適切な類似日が抽出できないことがあった。
（２）需要予測における変動要因データのうち最重要データである気象データは、常に入力データ間に相関があるデータであり、従来技術の回帰式は、入力データ間に相関がある場合、精度の高い予測モデルが構築できず予測精度が低い欠点があった。
（３）従来技術のニューラルネットワークは、高い予測精度が得られる一方、計算方法が複雑で、予測結果の根拠を人間が理解することができなかった。
このような本発明によれば、従来技術と比較して優れた利点がある。従来技術には以下の（１）〜（３）のような問題点があった。
（１）従来技術の類似の変動要因データを有する日のエネルギー需要を検索する方法は、需要との相関が高い１つか２つの変数において、予測対象日と過去日との距離にて判定していたため、適切な類似日が抽出できないことがあった。
（２）需要予測における変動要因データのうち最重要データである気象データは、常に入力データ間に相関があるデータであり、従来技術の回帰式は、入力データ間に相関がある場合、精度の高い予測モデルが構築できず予測精度が低い欠点があった。
（３）従来技術のニューラルネットワークは、高い予測精度が得られる一方、計算方法が複雑で、予測結果の根拠を人間が理解することができなかった。
一方本発明によれば、統計的に重要な成分上において類似日を抽出するため、従来よりも妥当な類似日を抽出することができ、その結果高い予測結果を得ることができ、（１）の問題を解決している。
また、入力データ間に高い相関があっても、精度の高い予測結果を得ることができ、（２）の問題も解決している。
また、入力データ間に高い相関があっても、精度の高い予測結果を得ることができ、（２）の問題も解決している。
また、予測式も重回帰式と同様な形式に変換することができるため、予測結果が分かりやすく、（３）の問題も解決している。
また、本発明のエネルギー需要予測装置では、予測が外れそうな日については事前に警報を出すことができる。例えば、電力会社では、エネルギー需要予測値に基づき発電機を事前に待機させる必要があるが、従来技術は、予測誤差を考慮して一定量の予備力を持っていた。予備力は火力発電機の待機コスト上昇につながるため、好ましくない。一方、本発明によれば、予測が外れそうな日に対しては、従来通り予備力を持ち、予測が当たりそうな日は従来よりも予備力を少なくすることで、長期的視点に立てば待機コスト削減に効果がある。
また、本発明のエネルギー需要予測装置では、予測が外れそうな日については事前に警報を出すことができる。例えば、電力会社では、エネルギー需要予測値に基づき発電機を事前に待機させる必要があるが、従来技術は、予測誤差を考慮して一定量の予備力を持っていた。予備力は火力発電機の待機コスト上昇につながるため、好ましくない。一方、本発明によれば、予測が外れそうな日に対しては、従来通り予備力を持ち、予測が当たりそうな日は従来よりも予備力を少なくすることで、長期的視点に立てば待機コスト削減に効果がある。
１００：エネルギー需要予測装置
１：データ処理部
１ａ：中央処理部
１１：変動要因データ登録手段
１２：変動要因データ行列生成手段
１３：エネルギー需要データ行列生成手段
１４：学習手段
１５：予測モデル生成手段
１５１：登録手段
１５２：類似日抽出手段
１５３，１５５，１５７：類似日需要補正手段
１５４：複数類似日抽出手段
１５６：平均化手段
１６：予測モデル検証手段
１７：確定手段
１８：予測手段
１９：出力手段
１ｂ：記憶部
２：入力部
３：出力部
１：データ処理部
１ａ：中央処理部
１１：変動要因データ登録手段
１２：変動要因データ行列生成手段
１３：エネルギー需要データ行列生成手段
１４：学習手段
１５：予測モデル生成手段
１５１：登録手段
１５２：類似日抽出手段
１５３，１５５，１５７：類似日需要補正手段
１５４：複数類似日抽出手段
１５６：平均化手段
１６：予測モデル検証手段
１７：確定手段
１８：予測手段
１９：出力手段
１ｂ：記憶部
２：入力部
３：出力部
Claims (7)
- 中央処理部と、中央処理部に接続される記憶部と、中央処理部に接続される入力部と、中央処理部に接続される出力部と、を有し、エネルギー需要の過去の実績に基づいて構築された予測モデルを用いて将来のエネルギー需要を予測するエネルギー需要予測装置であって、
中央処理部は、
入力部から入力され、過去の実績に係る暦別のエネルギー需要データ、過去の実績に係る暦別の気象データ、暦についての特徴を表す暦別のカレンダデータおよび設備の稼働状態を表す暦別の稼働スケジュールデータを少なくとも一つ含む変動要因データを記憶部に登録する変動要因データ登録手段と、
変動要因データに基づいて変動要因データ行列Ｘｄを生成する変動要因データ行列生成手段と、
エネルギー需要データに基づいてエネルギー需要データ行列ｙｄを生成するエネルギー需要データ行列生成手段と、
ＰＬＳ（Partial Least Square） 法により潜在変数の個数Ａ、潜在変数行列Ｔを用いて変換される
係数行列である行列ＰT、行列Ｑおよび行列Ｗを決定して予測モデルを生成する予測モデル生成手段と、
予測モデルを検証し、最適な予測モデルとなるまでＡを増加させて学習手段と予測モデル生成手段とを繰り返す予測モデル検証手段と、
最適な予測モデルを確定する確定手段と、
確定した予測モデルに過去の実績および将来の予測に係る変動要因データを代入して将来のエネルギー需要を予測する予測手段と、
予測されたエネルギー需要を記憶部に登録して出力部により出力させる出力手段と、から構成され、
前記予測手段は，
予測モデルに代入する過去の実績および将来の予測に係る変動要因データを用いてQ統計量を算出する統計量算出手段と、
算出したQ統計量が予め定められた規定値以上のときにはアラームを出力するように出力部を制御するアラーム出力手段と、
を備えることを特徴とするエネルギー需要予測装置。 - 請求項１に記載のエネルギー需要予測装置において、
前記予測手段は、
学習に用いたｎ個のデータセットの変動要因データについてQ統計量をそれぞれ求める複数統計量算出手段と、
学習に用いたｎ個のデータセットの変動要因データを用いて予測して得た予測値と実績値との差である予測誤差を、ｎ個のデータセットの変動要因データについてそれぞれ求める予測誤差算出手段と、
予測誤差が許容値以下になるデータセットについてのQ統計量の最大値、予測誤差が許容値以下になるデータセットについてのQ統計量の最大値よりも所定値だけ低い値、または、予測誤差が許容値に近似するデータセットについてのQ統計量の平均値、の何れかを算出してQ統計量の規定値とする規定値設定手段と、
を含むことを特徴とするエネルギー需要予測装置。 - 請求項１または２に記載のエネルギー需要予測装置において、
前記出力手段は、
潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日ｉのエネルギー需要の変換値をそれぞれプロットするプロット手段を含むことを特徴とするエネルギー需要予測装置。 - 請求項１乃至３の何れか１項に記載のエネルギー需要予測装置において、
前記出力手段は、
確定した予測モデルを
- 請求項１乃至４の何れか１項に記載のエネルギー需要予測装置において、
前記予測モデル生成手段は、
潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日ｉのエネルギー需要の変換値をそれぞれ登録する登録手段と、
この変換座標系において予測結果に係るエネルギー需要の変換値と実績に係るエネルギー需要の変換値との距離が短い場合にその実績に係るエネルギー需要の変換値の日を類似日として抽出する類似日抽出手段と、
類似日における変換座標上のエネルギー需要の変換値および変動要因の変換値を用いてエネルギー需要の補正を行う予測モデルとする類似日需要補正手段と、
を備えることを特徴とするエネルギー需要予測装置。 - 請求項１乃至４の何れか１項に記載のエネルギー需要予測装置において、
前記予測モデル生成手段は、
潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日ｉのエネルギー需要の変換値をそれぞれ登録する登録手段と、
この変換座標系において予測結果に係るエネルギー需要の変換値と実績に係るエネルギー需要の変換値との距離が短い場合にその実績に係るエネルギー需要の変換値の日を類似日として複数抽出する複数類似日抽出手段と、
複数類似日における変換座標系のエネルギー需要の変換値および変動要因の変換値を用いてエネルギー需要の補正を行う予測モデルとする類似日需要補正手段と、
を備えることを特徴とするエネルギー需要予測装置。 - 請求項１乃至４の何れか１項に記載のエネルギー需要予測装置において、
前記予測モデル生成手段は、
潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日ｉのエネルギー需要の変換値をそれぞれ登録する登録手段と、
この変換座標系において予測結果に係るエネルギー需要の変換値と実績に係るエネルギー需要の変換値との距離が短い場合にその実績に係るエネルギー需要の変換値の日を類似日として複数抽出する複数類似日抽出手段と、
複数の類似日における変換座標系のエネルギー需要の変換値の平均化および変動要因の変換値の平均化を行う平均化手段と、
平均化された変換座標系のエネルギー需要の変換値の平均値および変動要因の変換値の平均値を用いてエネルギー需要の補正を行う予測モデルとする類似日需要補正手段と、
を備えることを特徴とするエネルギー需要予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2009066422A JP2010218394A (ja) | 2009-03-18 | 2009-03-18 | エネルギー需要予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2009066422A JP2010218394A (ja) | 2009-03-18 | 2009-03-18 | エネルギー需要予測装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2010218394A true JP2010218394A (ja) | 2010-09-30 |
Family
ID=42977145
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2009066422A Pending JP2010218394A (ja) | 2009-03-18 | 2009-03-18 | エネルギー需要予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2010218394A (ja) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013099143A (ja) * | 2011-11-01 | 2013-05-20 | Nippon Telegr & Teleph Corp <Ntt> | 予測モデル構築装置、方法、及びプログラム、並びに発電量予測装置、及び方法 |
| CN104850914A (zh) * | 2015-05-29 | 2015-08-19 | 东南大学 | 一种基于特征建模的新能源发电量预测方法 |
| JP2016192864A (ja) * | 2015-03-31 | 2016-11-10 | 日本電気株式会社 | 予測分布推定システム、予測分布推定方法、および予測分布推定プログラム |
| WO2017130280A1 (ja) * | 2016-01-25 | 2017-08-03 | 株式会社 東芝 | 水素需要量予測システム、水素需要量予測方法および水素需要量予測装置 |
| CN107506876A (zh) * | 2017-09-28 | 2017-12-22 | 河南理工大学 | 基于多元回归分析的液固两相流冲蚀磨损失重率的预测方法 |
| CN109164317A (zh) * | 2018-08-30 | 2019-01-08 | 杭州电力设备制造有限公司 | 一种变电站短期负荷监测方法、系统、介质及设备 |
| JP2019087030A (ja) * | 2017-11-07 | 2019-06-06 | 株式会社東芝 | 予測モデル生成装置、予測モデル生成方法及び予測モデル生成プログラム |
| CN111210093A (zh) * | 2020-03-05 | 2020-05-29 | 重庆森鑫炬科技有限公司 | 基于大数据的日用水量预测方法 |
-
2009
- 2009-03-18 JP JP2009066422A patent/JP2010218394A/ja active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013099143A (ja) * | 2011-11-01 | 2013-05-20 | Nippon Telegr & Teleph Corp <Ntt> | 予測モデル構築装置、方法、及びプログラム、並びに発電量予測装置、及び方法 |
| JP2016192864A (ja) * | 2015-03-31 | 2016-11-10 | 日本電気株式会社 | 予測分布推定システム、予測分布推定方法、および予測分布推定プログラム |
| CN104850914A (zh) * | 2015-05-29 | 2015-08-19 | 东南大学 | 一种基于特征建模的新能源发电量预测方法 |
| WO2017130280A1 (ja) * | 2016-01-25 | 2017-08-03 | 株式会社 東芝 | 水素需要量予測システム、水素需要量予測方法および水素需要量予測装置 |
| JPWO2017130280A1 (ja) * | 2016-01-25 | 2018-08-16 | 株式会社東芝 | 水素需要量予測システム、水素需要量予測方法および水素需要量予測装置 |
| CN107506876A (zh) * | 2017-09-28 | 2017-12-22 | 河南理工大学 | 基于多元回归分析的液固两相流冲蚀磨损失重率的预测方法 |
| JP2019087030A (ja) * | 2017-11-07 | 2019-06-06 | 株式会社東芝 | 予測モデル生成装置、予測モデル生成方法及び予測モデル生成プログラム |
| CN109164317A (zh) * | 2018-08-30 | 2019-01-08 | 杭州电力设备制造有限公司 | 一种变电站短期负荷监测方法、系统、介质及设备 |
| CN111210093A (zh) * | 2020-03-05 | 2020-05-29 | 重庆森鑫炬科技有限公司 | 基于大数据的日用水量预测方法 |
| CN111210093B (zh) * | 2020-03-05 | 2023-05-09 | 重庆森鑫炬科技有限公司 | 基于大数据的日用水量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2010218394A (ja) | エネルギー需要予測装置 | |
| JP5104567B2 (ja) | エネルギー需要予測装置 | |
| US10261485B2 (en) | Systems and methods for detecting changes in energy usage in a building | |
| US9852483B2 (en) | Forecast system and method of electric power demand | |
| TWI607328B (zh) | Operational auxiliary device and wind power generation system | |
| US9286582B2 (en) | Systems and methods for detecting changes in energy usage in a building | |
| US11585549B1 (en) | Thermal modeling technology | |
| JP4886322B2 (ja) | 風力発電出力予測方法、風力発電出力予測装置およびプログラム | |
| JP2009294969A (ja) | 需要予測方法および需要予測装置 | |
| JP2009225550A (ja) | 電力の需要予測処理方法及び装置、並びに発電予測処理方法 | |
| JP2016136001A (ja) | 予測装置 | |
| US10025336B2 (en) | System and method for analyzing oscillatory stability in electrical power transmission systems | |
| JP2008154418A (ja) | 配電系統の状態推定装置、状態推定方法及びそのプログラム | |
| JP6094369B2 (ja) | 電力需要予測装置、電力需要予測方法および電力需要予測プログラム | |
| JP2012010508A (ja) | 発電量予測装置、発電量予測システム、発電量予測方法、及び発電量予測プログラム | |
| CN112904266A (zh) | 一种电能表寿命预测方法及装置 | |
| CN112780486A (zh) | 用于控制风力转换器的系统和方法 | |
| JP2008225646A (ja) | 予測誤差補填方法、予測誤差補填装置、気象発電計画方法、気象発電計画装置およびプログラム | |
| JP2017169289A (ja) | 電力予測システム、電力予測方法及びプログラム | |
| JP7257117B2 (ja) | 太陽光発電システム分布推定装置、太陽光発電システム分布推定方法及び太陽光発電出力予測装置 | |
| JP2016163511A (ja) | 電力需要量予測システム、電力需要量予測方法及びプログラム | |
| JP4261471B2 (ja) | 配電系統負荷想定方法及び装置 | |
| JP6519215B2 (ja) | 電力取引支援システム、電力取引支援方法及びプログラム | |
| JP2014183720A (ja) | 最大発電量予測システム | |
| JP6628700B2 (ja) | 気象情報予測装置および電力需要予測装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20110422 |