JP2012244897A

JP2012244897A - 短期電力負荷を予測する方法及び装置

Info

Publication number: JP2012244897A
Application number: JP2012106592A
Authority: JP
Inventors: Yang Yuhang; ヤン・ユィハン; Yao Mon; モン・ヤオ; Yingju Xia; シア・インジュ; Lu Yingliang; ルゥ・インリアン; Hao Yui; ユィ・ハオ
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2011-05-13
Filing date: 2012-05-08
Publication date: 2012-12-10
Anticipated expiration: 2032-05-08
Also published as: JP5962190B2; CN102779223B; CN102779223A

Abstract

【課題】短期電力負荷の予測の複雑化の程度を低減することができ、更に予測結果の精度を改善することができる短期電力負荷を予測する方法及び装置を提供する。
【解決手段】本発明の短期電力負荷予測の方法は、学習用の履歴電力負荷データを取得する段階、取得された履歴電力負荷データを圧縮する段階、圧縮された履歴電力負荷データに対してフィルタリングする段階、フィルタリングされた履歴電力負荷データを用いて予測モデルをトレーニングする段階、トレーニングされた予測モデルに基づいて目標電力負荷を予測する段階を含む。本方法により、短期電力負荷を予測する複雑さの程度を低減することができ、更に、予測結果の精度を改善することができる。
【選択図】図１

Description

本発明は、電力データ処理分野、特に短期電力負荷を予測する方法及び装置に関する。

電力負荷の予測は電力システムの計画の重要な部分で、電力システムの経済的な運用の基礎であり、電力システムの計画と運用にとって極めて重要である。短期電力負荷の予測（Short Term Load Forecasting）は、一日を超える又は一週間内のシステムの負荷を予測することを目的とし、電力システムの制御及びスケジューリングの基礎を築くとともに、短期電力負荷の予測結果は電力消費量を更に解析する基礎とすることもできる。

従来の技術における短期電力負荷を予測する方法は、基本的に異なる予測モデル、例えば線形回帰、指数平滑法、ランダム過程、自己回帰移動平均（ARMA）モデル、データマイニングモデル、及び良く使われる人工ニューラルネットワーク（ANN）モデルを選択して予測精度を向上することを原理とする。しかしながら、前記の異なるモデルには、それぞれ問題が存在する。例えば、線形回帰モデルは自己学習の能力が不足である一方、時間序列方法、例えば自己回帰移動平均モデルは、その予測結果がほとんど履歴データの大きさ及び品質に依存する。

また、従来の技術で短期電力負荷を予測する際に、履歴データは品質が良くない、或いは量が大きすぎることにより、予測の精度が十分でない場合がある。さらに、従来の技術における前記予測モデルによる各種の短期電力負荷を予測する方法を採用して電力予測を行うと、その結果が各種のモデル自身の欠陥又は履歴データの原因で、精度が十分でない場合がある。これにより、電力の短期内の負荷状況を正確に推定できず、短期電力負荷の予測の過程が複雑、煩瑣になりすぎることになる。

つまり、従来の技術において、短期電力負荷の予測は履歴データ自身及び予測モデルの原因で、予測結果が精度において十分でないという問題がある。さらに、短期電力負荷の予測の過程が複雑になるという問題もある。

以上の点に鑑みて、本発明の目的は、短期電力負荷の予測の複雑化の程度を低減することができ、更に、予測結果の精度を改善することができる短期電力負荷を予測する方法及び装置を提供することにある。

本発明の１つの態様によれば、短期電力負荷を予測する方法であって、学習用の履歴電力負荷データを取得し、取得された履歴電力負荷データを圧縮し、圧縮された履歴電力負荷データに対してフィルタリングを行い、フィルタリングされた履歴電力負荷データを用いて予測モデルをトレーニングし、トレーニングされた予測モデルに基づいて目標電力負荷を予測する段階を含むものである。

また、本発明の別の態様によれば、短期電力負荷を予測する装置であって、学習用の履歴電力負荷データを取得する第１の取得モジュールと、取得された履歴電力負荷データを圧縮する第１の圧縮モジュールと、圧縮された履歴電力負荷データに対してフィルタリングを行う第１のフィルタモジュールと、フィルタリングされた履歴電力負荷データを用いて予測モデルをトレーニングするトレーニングモジュールと、トレーニングされた予測モデルに基づいて目標電力負荷を予測する予測モジュールとを備えるものである。

さらに、本発明の別の態様によれば、記憶媒体であって、当該記憶媒体は、コンピュータが読み取り可能なプログラムコードを含む。このプログラムコードは、コンピュータにより実行されたときに、コンピュータに、本発明に係る短期電力負荷を予測する方法を実行させるものである。

さらに、本発明の別の態様によれば、プログラムプロダクトであって、当該プログラム製品はコンピュータが読み取り可能な命令を含む。この命令は、コンピュータにより実行されたときに、コンピュータに本発明に係る短期電力負荷を予測する方法を実行させる。

本発明に係る１つの方法によれば、履歴電力負荷データを圧縮することにより、履歴電力負荷データのデータ規模を縮小でき、これを基礎としてさらに短期電力負荷の予測を行うことにより、従来の技術における短期電力負荷を予測するときの複雑化の程度を低減し、さらに、予測結果の精度を改善することができる。
以下の明細書において本発明の実施の形態のその他の態様が提供された。実施の形態の詳細な説明は、本発明に係る実施の形態の最適な実施の形態を十分に開示するものであって、本発明を限定するものではない。

以下、本発明の上記目的及び利点、並びに他の目的及び利点について、具体的な実施の形態を参照して説明する。図面において、同一又は対応する技術的特徴又は構成要素は、同一又は対応する符号により示される。
本発明の実施の形態による１つの方法を示すフローチャートである。図１に示された１つの方法におけるステップ１０３を示すフローチャートである。本発明の実施の形態による別の方法を示すフローチャートである。図３に示された別の方法におけるステップ３０４を示すフローチャートである。本発明の実施の形態による別の方法を示すフローチャートである。本発明の実施の形態による別の方法を示すフローチャートである。本発明の実施の形態による第１の装置を示す機能ブロック図である。図７に示された第１の装置における第１のフィルタモジュール７０３の機能ブロック図である。本発明の実施の形態による第２の装置を示す機能ブロック図である。本発明の実施の形態による第３の装置を示す機能ブロック図である。本発明の実施の形態による第４の装置を示す機能ブロック図である。本発明の実施の形態による情報処理装置であるパーソナルコンピュータの例示的な構成を示すブロック図である。

以下、本発明の実施の形態を添付図面を参照しながら説明する。
本発明の実施の形態は、従来の技術における短期電力負荷を予測する方法に存在する、予測結果において精度が十分でないという問題、及び短期電力負荷を予測する過程が複雑であるという問題に対して、相応する解決方法を提案するものである。

図１を参照して、本発明の実施の形態に係る短期電力負荷を予測する方法は、以下のステップを備える。
Ｓ１０１：第１の取得部が、学習用の履歴電力負荷データを取得する。まず、履歴電力負荷データを取得する。取得されたデータを後で生成したデータと区別するために原始電力負荷データと呼ぶ。ここで、履歴電力負荷データは、原始電力負荷データから直接に選択した、例えば日を単位とする電力負荷曲線であり、または、その他の時間を単位とする電力負荷曲線である場合がある。また、一連の原始履歴電力負荷データを選択した後、学習用の履歴電力負荷データとして、日付タイプ及び/又は天気タイプの情報を利用して同じ日付タイプ又は/及び同じ天気タイプを有する履歴電力負荷データを抽出する場合がある。例えば、学習用の履歴電力負荷データとして、全ての月曜日の電力負荷データを抽出し、又は、学習用の履歴電力負荷データとして、温度が摂氏18℃〜20℃の間にある電力負荷データを抽出し、又は、学習用の履歴電力負荷データとして、月曜日の電力負荷データであって、温度が摂氏18℃〜20℃の間にある電力負荷データを抽出する等である。以下では、抽出されたひとつひとつの履歴電力負荷データ、例えば日毎の電力負荷曲線をグループと呼ぶ。また、需要曲線のなかの特定の時刻をノード、その時刻での電力負荷をノード値と呼ぶ。

Ｓ１０２：第１の圧縮部が、前記履歴電力負荷データを圧縮する。ステップＳ１０１で取得した学習用の履歴電力負荷データのデータ規模が極めて大きい可能性があり、例えば履歴電力負荷データの総データ量が過大で、又は履歴電力負荷データの各グループの電力負荷曲線のいずれも多いノードを有する、すなわち電力の測定が短い時間間隔で頻繁に行われている場合等である。そのため、このような履歴電力負荷データに基づき電力負荷の予測を行うときに、演算量の膨大により速度が遅くなり、演算が複雑化することになる。従って、本ステップでまず取得した前記履歴電力負荷データを圧縮することによって、演算速度を向上して電力負荷の予測速度を速めることができる。

ここで、当業者が本ステップを明らかに理解するため、履歴電力負荷データを圧縮する具体例を挙げる。ｎグループの履歴電力負荷データX1, X2, …, Xnを考える。各グループ毎のデータはｍ次元のベクトル、即ちｍ個のデータポイントの電力負荷曲線である。ここで、Xi={xi1, xi2, …, xim}である。まず、以下の式（１）に従って、各電力負荷曲線のクラスタ中心を算出する。

本実施の形態において具体的に圧縮過程を行う際に、与えられた履歴電力負荷データの統計情報(par)を算出し、当該parと、処理待ちの時間序列及びクラスタ中心における各ノードとの比較結果に基づいて原始履歴電力負荷データを圧縮することにより、対応する原始履歴電力負荷データの時間序列を二進法で表現したコード列に変換する。ここで、parは必要に応じて異なる値、例えば人為的に定義された閾値、又は履歴電力負荷データのうち、異常の原因になる平均値を採用することができる。式（２）を用いて、前記電力負荷曲線における各ノード値を二進法で表現した初期圧縮データに変換する。

ここでX_ij’は圧縮後の履歴電力負荷データ、X_ijは圧縮前の履歴電力負荷データである。また、前記電力負荷曲線のクラスタ中心の平均値C_aveは代表的な統計情報であって、良好な効果を取得できる統計情報であるため、本実施例においてC_aveをparとする。C_aveの算出方法としては、式（３）を利用して算出を行うことができる。

算出された平均値C_aveに基づいて、式（４）に従って前記電力負荷曲線における各ノード値を二進法で表現した初期圧縮データに変換する。

Ｓ１０３：第１のフィルタ部が、圧縮した履歴電力負荷データに対してフィルタリングを行う。実際に取得された履歴電力負荷データには、多くのノイズ情報が存在する可能性がある。例えば、あるタイミングでの電力使用状況が特別になるため電力負荷曲線における幾つかのノード値、すなわち幾つかの時刻での電力負荷が異常になる場合、或いは、ある日の電力負荷曲線が正常状況における電力消費状況を反映したものではない場合に、これらの電力負荷曲線は履歴電力負荷データのノイズ電力曲線になる。従って、履歴電力負荷データを圧縮した後に、本ステップで圧縮後の履歴電力負荷データに対してフィルタリングを行う必要がある。図２に示されるように、具体的な実施時に、本ステップは以下のようなステップを備えても良い。

Ｓ２０１：第１のサブ算出部が、前記圧縮後の履歴電力負荷データの圧縮クラスタ中心を算出する。まず、圧縮後の履歴電力負荷データに対して、履歴電力負荷データの圧縮クラスタ中心を算出する。具体的に、圧縮後の履歴電力負荷データX_ij’に対して、その圧縮クラスタ中心における各ノード値は、式（５）により算出することができる。

ここで前記C_aveは前記電力負荷曲線の平均値、前記C_jは圧縮前のクラスタ中心のノード値、前記C_j’は圧縮後のクラスタ中心のノード値である。

Ｓ２０２：第２のサブ算出部が、前記圧縮クラスタ中心と前記圧縮後の履歴電力負荷データにおける各電力負荷曲線との距離を算出する。具体的に、式（６）を用いて、圧縮クラスタ中心と前記圧縮後の履歴電力負荷データにおける各電力負荷曲線との距離を算出することができる。

さらに、式（７）を用いて、圧縮後の電力負荷曲線の各ノードと圧縮クラスタ中心の各ノードとの距離を算出することができる。

Ｓ２０３：サブフィルタ部が、前記距離が予め設定された閾値より大きい電力負荷曲線をフィルタリングする。ある圧縮後の電力負荷曲線と圧縮クラスタ中心との距離が大き過ぎる場合、例えばある予め設定された閾値より大きい場合、当該圧縮後の電力負荷曲線が異常曲線であると考える。この予め設定された閾値は必要に応じて調整することができる。例えば、平均距離d_aveの２倍又は３倍の値を取ることができる。平均距離は、式（８）を用いて算出することができる。

Ｓ１０４：トレーニング部が、フィルタリングが行われた履歴電力負荷データを用いて予測モデルをトレーニングする。異常電力負荷曲線がフィルタリングされた履歴電力負荷データを取得した後に、フィルタリングが行われた履歴電力負荷データを用いて予測モデルをトレーニングする。

Ｓ１０５：予測部が、前記予測モデルに基づいて目標電力負荷を予測する。最後に、フィルタリングが行われた履歴電力負荷データによる予測モデルに基づいて、短期間の電力負荷を予測する。ステップＳ１０４とＳ１０５は、従来の技術と同じであるため、ここでは詳しく説明しない。

以上により、本発明の実施の形態に係る方法により、履歴電力負荷データを圧縮することで、履歴電力負荷データのデータ規模を縮小することができる。これを基礎として更に短期電力負荷を予測することで、従来の技術における短期電力負荷を予測する際の複雑さの程度を低減することができ、更に、予測結果の精度を改善することができる。本発明の実施の形態に係る方法は、正常でない電力負荷データをフィルタリングして除去し、正常である履歴電力負荷データを解析して短期電力負荷を予測することによって、予測性能を改善することができる。

図３を参照して、本発明の実施の形態は別の短期電力負荷を予測する方法が提供される。当該方法は、以下のステップを含む。

Ｓ３０１：第１の取得部が、学習用の履歴電力負荷データを取得する。ここでの履歴電力負荷データの取得手段としては、一連の原始履歴電力負荷データが与えられた後に、日付タイプ及び/又は天気タイプの情報を用いて、同じ日付タイプ又は／及び同じ天気タイプを有する履歴電力負荷データを学習用の履歴電力負荷データとして抽出する方法がある。

Ｓ３０２：第１の判断部が、前記履歴電力負荷データのデータ規模が予め設定された閾値より大きいか否かを判断し、前記履歴電力負荷データのデータ規模が予め設定された閾値より大きい場合に、ステップＳ２０３に進む。本実施の形態では、実際に得られた学習用の履歴電力負荷データのデータ規模が小さいである可能性もあるため、まず学習用の履歴電力負荷データのデータ規模が予め設定された閾値より大きいか否かを判断する。学習用の履歴電力負荷データのデータ規模が予め設定された閾値より大きい場合に、さらに当該履歴電力負荷データを圧縮する。これにより、本実施の形態に係る方法は、演算量を低減できると共に、各種タイプの履歴電力負荷データに適用することもできる。

Ｓ３０３：第１の圧縮部が、データ規模が予め設定された閾値より大きい履歴電力負荷データを圧縮する。履歴電力負荷データのデータ規模が予め設定された閾値より大きいという結果が得られた場合、履歴電力負荷データを圧縮する。例えば、取得した圧縮後の二進法で表現した初期圧縮データは、以下のようになることができる。
0000000000000000000000111111111111001000111111111111111111111111
Ｓ３０４：第１の算出部が、圧縮後の履歴電力負荷データの圧縮クラスタ中心を算出する。本ステップは、前の実施の形態において既に詳細に説明したため、その説明を参照されたい。
Ｓ３０５：第２の算出部が、前記圧縮クラスタ中心と前記圧縮後の履歴電力負荷データにおける各電力負荷曲線との距離を算出する。

Ｓ３０６：第１のフィルタ部が、前記距離が予め設定された閾値より大きい電力負荷曲線をフィルタリングする。圧縮クラスタ中心と圧縮後の各電力負荷曲線との距離が極めて大きいである可能性があるため、本実施の形態は、具体的に実施するときに、必要に応じて閾値を予め設定しておくことができ、距離がこの予め設定された閾値より大きい場合に、対応する原始電力負荷曲線が異常データであると考える。この時に、距離が予め設定された閾値より大きい電力負荷曲線をフィルタリングすることになる。

Ｓ３０７：第１のトレーニング部が、フィルタリングされた履歴電力負荷データを用いて予測モデルをトレーニングする。
Ｓ３０８：第１の予測部が、前記予測モデルに基づいて目標電力負荷を予測する。

説明する必要があるのは、圧縮後の履歴電力負荷データの圧縮クラスタ中心を算出するときに、前記ステップ３０４を以下のようなステップで置換することができる。

Ｓ４０１：サブカウント部が、前記二進法で表現した初期圧縮データのうち、隣接する０と１の個数をカウントする。圧縮後の初期圧縮データが得られた場合に、まず二進法で表現した初期圧縮データのうち、隣接する０と１の個数をカウントする。

Ｓ４０２：サブ圧縮部が、カウントの結果に基づいて、前記初期圧縮データを更に圧縮する。隣接する０と１の個数のカウントの結果に基づいて、ステップ３０３で得られた二進法データを、「22#0, 11#1, 2#0, 1#1, 3#0, 24#1」のような形式に変換することができる。これは、初期圧縮データにおいて、隣接する０が２２個存在し、次は隣接する１が１１個存在する。さらに、次は２個隣接する０であることを意味する。このように、類推すれば良い。

実際の応用において、一桁で表せる数は０と１だけであるため、前記圧縮後の初期圧縮データを、「22#0,11,2,1,3,24」のような形式に更に圧縮することができる。あるいは、二進法の０と１をそれぞれ異なる符号、例えば@と！で置換することができる。この場合に、「@22,！11, @2, ！1, @3, ！24」の形式になる。
Ｓ４０３：サブ算出部が、圧縮後の履歴電力負荷データの圧縮クラスタ中心を算出する。

説明する必要があるのは、ステップＳ４０１とＳ４０２で初期圧縮データをさらに圧縮したが、圧縮後の履歴電力負荷データの圧縮クラスタ中心の算出を具体的に考えると、ステップ３０３の圧縮結果を採用する。ステップＳ４０１とＳ４０２は、履歴電力負荷データを記憶する時にデータの記憶領域を節約するように実行される。従って、本実施の形態は、実際の応用において更にメモリリソースを節約することができる。

つまり、本発明の実施の形態に係る第２の短期電力負荷を予測する方法によれば、履歴電力負荷データのデータ規模の大きさを判断することにより、データ規模が大きい場合に、履歴電力負荷データを圧縮してから、圧縮した履歴電力負荷データに基づいて短期電力負荷予測を行うことができる。これにより、演算量をさらに低減でき、性能を向上することができる。

図５を参照して、本発明の実施の形態は、別の短期電力負荷を予測する方法を提供する。当該方法は、以下のようなステップを含む。
Ｓ５０１：第１の取得部が、学習用の履歴電力負荷データを取得する。
Ｓ５０２：第１の判断部が、前記履歴電力負荷データのデータ規模が予め設定された閾値より大きいか否かを判断し、前記履歴電力負荷データのデータ規模が予め設定された閾値より大きくない場合に、ステップＳ５０３に進む。本実施の形態において、取得した学習用の履歴電力負荷データのデータ規模は、予め設定された閾値より小さい。

Ｓ５０３：第２の取得部が、前記履歴電力負荷データに含まれた全ての電力負荷曲線の初期クラスタ中心を取得する。

前記履歴電力負荷データのデータ規模が予め設定された閾値より小さい場合に、前記履歴電力負荷データを圧縮する必要がない。従って、本ステップで全ての原始電力負荷曲線の初期クラスタ中心を直接に取得し、上記式（１）を用いて算出を行うことができる。

Ｓ５０４：第１の算出部が、前記履歴電力負荷データにおける各電力負荷曲線のそれぞれと前記初期クラスタ中心との距離を算出する。本実施の形態において、初期クラスタ中心が得られた後に、各グループ毎の電力負荷曲線と前記初期クラスタ中心との距離を直接に算出する。式（９）を採用することができる。

Ｓ５０５：第１のフィルタ部が、前記履歴電力負荷データのうちの異常電力曲線をフィルタリングする。前記異常電力負荷曲線と前記初期クラスタ中心との距離は、予め設定された閾値より大きい。さらに、どの距離が予め設定された閾値より大きいかを判断する。初期クラスタ中心との距離が予め設定された閾値より大きい原始電力負荷曲線は、履歴電力負荷データのうちの異常電力負荷曲線であると考えられる。従って、それをフィルタリングする。

Ｓ５０６：第１のトレーニング部が、フィルタリングが行われた履歴電力負荷データを用いて予測モデルをトレーニングする。
Ｓ５０７：第１の予測部が、前記予測モデルに基づいて目標電力負荷を予測する。つまり、本実施の形態において、履歴電力負荷データのデータ規模がそれほど大きくない場合に、原始の履歴電力負荷データに対して直接にフィルタリングを行う。これにより、電力負荷の予測のステップを節約し、処理フローを短縮し、電力負荷の予測の性能を向上することができる。

図６を参照して、本発明の実施の形態は、別の短期電力負荷を予測する方法を提供する。当該方法は、以下のステップを含む。
Ｓ６０１：第１の取得部が、学習用の履歴電力負荷データを取得する。
Ｓ６０２：第２の取得部が、前記履歴電力負荷データに含まれた全ての電力負荷曲線の初期クラスタ中心を取得する。
Ｓ６０３：第１の算出部が、各電力負荷曲線毎における各ノードに対して、前記各ノードのそれぞれの値から前記初期クラスタ中心における対応するノードまでの距離を算出する。

初期クラスタ中心が得られた後に、各電力負荷曲線毎における各ノードに対して、さらに各ノードのそれぞれから前記初期クラスタ中心における対応するノードまでの距離を算出する。従来の技術に２つのノード間の距離を算出する方法が多く存在し、且つ本発明の実現を影響しないため、本実施の形態では詳しく説明しない。

Ｓ６０４：第１の設定部が、距離が予め設定された閾値を超えるノードを前記電力負荷曲線の異常点とする。２つのノードの距離が予め設定された閾値を超えれば、対応するノードがその電力負荷曲線における異常点であると考えられる。

Ｓ６０５：第１の判断部が、各グループの電力負荷曲線における異常点の個数が予め設定された閾値を超えたか否かを判断し、各グループの電力負荷曲線における異常点の個数が予め設定された閾値を超える場合に、ステップＳ６０６へ進む。電力負荷曲線における全ての異常点が得られた後に、各グループの電力負荷曲線に対して、各グループ毎の電力負荷曲線における異常点の個数が予め設定された閾値を超えたか否かを判断する。

Ｓ６０６：第１のフィルタ部が、当該グループの電力負荷曲線をノイズ電力負荷曲線としてフィルタリングする。ある電力負荷曲線における異常点の個数が予め設定された閾値を超えれば、当該グループの電力負荷曲線がノイズ電力負荷曲線であると考えられる。ノイズ電力負荷曲線は、電力負荷予測の正確さに影響を与えることになり、それをフィルタリングする。

本実施の形態におけるＳ６０２〜Ｓ６０６は異常点をフィルタリングする過程である。履歴電力負荷データの圧縮を行う前に、まずノイズ電力負荷曲線をフィルタリングして除去することにより、電力負荷予測の演算量を更に低減することができる。

Ｓ６０７：第２の設定部が、ノイズ電力負荷曲線がフィルタリングされた履歴電力負荷データを学習用の履歴電力負荷データとする。
Ｓ６０８：第２の判断部が、前記履歴電力負荷データのデータ規模が予め設定された閾値より大きいか否かを判断し、前記履歴電力負荷データのデータ規模が予め設定された閾値より大きい場合にステップ６０９へ進む。ノイズ電力負荷曲線がフィルタリングされた履歴電力負荷データを学習用の履歴電力負荷データとし、前記履歴電力負荷データのデータ規模が予め設定された閾値より大きいか否かを判断する。

Ｓ６０９：第１の圧縮部が、前記履歴電力負荷データを圧縮する。
Ｓ６１０：第２のフィルタ部が、圧縮後の履歴電力負荷データに対してフィルタリングを行う。
Ｓ６１１：第１のトレーニング部が、フィルタリングが行われた履歴電力負荷データを用いて予測モデルをトレーニングする。
Ｓ６１２：第１の予測部が、前記予測モデルに基づいて目標電力負荷を予測する。つまり、本発明の実施の形態により開示された、異常点をフィルタリングしてからデータを圧縮し、さらに圧縮後の履歴電力負荷データに対してフィルタリングを行う方法により、トレーニングされた予測モデルを正確にすることができ、演算量を低減し且つ性能を向上すると共に、本方法の複雑さの程度を低減することができる。

本発明の実施の形態で提供される第１の短期電力負荷を予測する方法に対応して、本発明の実施の形態は、短期電力負荷を予測する装置を更に提供する。図７を参照して、当該装置は、以下の構成を備える。

第１の取得モジュール７０１は、学習用の履歴電力負荷データを取得する。実際の応用では、前記第１の取得モジュール７０１は、以下のように構成され、即ち、与えられた一連の原始履歴電力負荷データに対して、日付タイプ及び/又は天気変化情報を利用して、学習用の履歴電力負荷データとして一つのグループの同じ日付セット又は／及び同じ天気を有する履歴電力負荷データを抽出する。

第１の圧縮モジュール７０２は、前記履歴電力負荷データを圧縮する。実際の応用では、前記第１の圧縮モジュールは、前記履歴電力負荷データにおける各電力負荷曲線に対して、式（４）に従って前記電力負荷曲線における各ノード値を二進法で表現した初期圧縮データに変換する。ここで、前記C_aveは前記電力負荷曲線の平均値、前記X_ijは原始履歴電力負荷データ、前記X_ij’は圧縮後の履歴電力負荷データである。

第１のフィルタモジュール７０３は、圧縮後の履歴電力負荷データに対してフィルタリングを行う。図８で示されたように、実際の応用では、前記第１のフィルタモジュール７０３は、以下の構成を備える。

第１の算出サブモジュール８０１は、前記圧縮後の履歴電力負荷データの圧縮クラスタ中心を算出する。
第２の算出サブモジュール８０２は、前記圧縮クラスタ中心と前記圧縮後の履歴電力負荷データにおける各電力負荷曲線との距離を算出する。
フィルタサブモジュール８０３は、前記距離が予め設定された閾値より大きい電力負荷曲線をフィルタリングする。
トレーニングモジュール７０４は、フィルタリングが行われた履歴電力負荷データを用いて予測モデルをトレーニングする。
予測モジュール７０５は、前記予測モジュールに基づいて目標電力負荷を予測する。

本発明の実施の形態で提供される前記装置によれば、履歴電力負荷データを圧縮することにより、履歴電力負荷データのデータ規模を縮小し、これを基礎として更に短期電力負荷の予測を行う。これにより、従来の技術における短期電力負荷を予測する際の複雑さの程度を低減することができ、更に予測結果の精度を改善することができる。本発明の実施の形態に係る装置は、正常でない電力負荷データをフィルタリングして除去し、正常な履歴電力負荷データを解析して短期電力負荷を予測することができる。これにより、予測性能が確保される。

本発明の実施の形態に提供される第２の短期電力負荷を予測する方法に対応して、本発明の実施の形態は、更なる１つの短期電力負荷を予測する装置を更に提供する。図７に示されたモジュールに加えて、図９を参照して、前記装置は更に以下の構成要素を備える。

第１の判断モジュール９０１は、前記履歴電力負荷データのデータ規模が予め設定された閾値より大きいか否かを判断する。対応する前記第１の圧縮モジュール７０２は、前記履歴電力負荷データのデータ規模が予め設定された閾値より大きい場合に、前記履歴電力負荷データを圧縮する。

本発明の実施の形態は、短期電力負荷を予測する装置を更に提供する。図１０を参照して、前記装置は、以下の構成要素を備える。
カウントモジュール１００１は、前記二進法で表現した初期圧縮データにおいて隣接する０と１の個数をカウントする。
第２の圧縮モジュール１００２は、カウントの結果に基づいて前記初期圧縮データをさらに圧縮する。

本発明の実施の形態は、短期電力負荷予測の装置を更に提供する。図１１を参照して、前記装置は、以下の構成要素を更に備える。
第２の取得モジュール１１０１は、前記履歴電力負荷データに含まれた全ての電力負荷曲線の初期クラスタ中心を取得する。
第１の算出モジュール１１０２は、前記全ての電力負荷曲線における各ノードに対して、前記各ノードから前記初期クラスタ中心における対応するクラスタ点までの距離を算出する。
第２の判断モジュール１１０３は、距離が予め設定された閾値を超えるノードを電力負荷曲線の異常点とし、各グループの電力負荷曲線における異常点の個数が予め設定された閾値を超えたか否かを判断する。
第２のフィルタモジュール１１０４は、各グループの電力負荷曲線における異常点の個数が予め設定された閾値を超える場合に、当該グループの電力負荷曲線をノイズ電力負荷曲線としてフィルタリングし、ノイズ電力負荷曲線がフィルタリングされた履歴電力負荷データを学習用の履歴電力負荷データとする。

本発明の実施の形態により開示された前記装置によれば、当該装置がまず異常点をフィルタリングしてからデータを圧縮し、更に圧縮後の履歴電力負荷データに対してフィルタリングを行う。これにより、トレーニングされた予測モデルをより正確にすることができ、演算量を減少し且つ性能を向上すると共に、本方法の複雑さの程度を低減することができる。

また、上記一連の処理及び装置は、ソフトウェア及び／又はファームウェアにより実現可能である。ソフトウェア及び／又はファームウェアにより実現される場合に、記憶媒体又はネットワークから専用のハードウェア構成を有するコンピュータ、例えば図１２に示された汎用のパーソナルコンピュータ１２００へ当該ソフトウェアを構成するプログラムをインストールする。当該コンピュータは、各種のプログラムがインストールされている場合に、各機能等を実行することができる。

図１２において、中央処理装置（CPU）１２０１が、読取専用メモリ（ROM）１２０２に記憶されたプログラム又は記憶部１２０８からランダムアクセスメモリ（RAM）１２０３にロードされたプログラムに基づいて各種の処理を実行する。RAM１２０３は、必要に応じてCPU１２０１が各種の処理等を実行するために必要なデータを記憶する。

CPU１２０１、ROM１２０２とRAM１２０３は、バス１２０４を介して互いに接続される。入力／出力インタフェース１２０５は、バス１２０４に接続されている。入力部１２０６（キーボード、マウス等を含む）と、出力部１２０７（ディスプレイ、例えばブラウン管（CRT）、液晶ディスプレイ（LCD）等とスピーカ等を含む）と、記憶部１２０８（ハードディスク等を含む）と、通信部１２０９（ネットワークインターフェースカード、例えばLANカード、モデム等を含む）は、入力／出力インタフェース１２０５に接続される。通信部１２０９は、ネットワーク、例えばインターネットを経由して通信処理を実行する。

必要に応じて、入力／出力インタフェース１２０５は、ドライブ１２１０に接続される。磁気ディスク、光ディスク、光磁気ディスク、半導体メモリ等のような取り外し可能な媒体１２１１は、必要に応じてドライブ１２１０に装着可能である。これにより、読み出されたコンピュータプログラムは必要に応じて記憶部１２０８にインストールされる。

ソフトウェアで上記一連の処理を実現する場合に、ネットワーク、例えばインターネット、又は記憶媒体、例えば取外し可能な媒体１２１１からソフトウェアを構成するプログラムがインストールされる。

このような記憶媒体は、図１２に示された、その中にプログラムが記憶されており、デバイスから離れて伝送されてユーザにプログラムを提供する取り外し可能な媒体１２１１に限定されないことを、当業者は理解すべきである。取り外し可能な媒体１２１１として、例えば、磁気ディスク（フロッピー（登録商標）ディスク含む）、光ディスク（コンパクトディスクリードオンリーメモリ（CD−ROM）やディジタルヴァーサタイルディスク（DVD）を含む）、光磁気ディスク（ミニディスク（MD）（登録商標）含む）及び半導体メモリを含む。または、記憶媒体は、ROM１２０２、記憶部１２０８に含まれるハードディスクであって、プログラムが記憶されており、且つそれらを含むデバイスと一緒にユーザに配送されるハードディスクなどであっても良い。
また、前記一連の処理のステップを実行する時に、そのまま説明された順序に従い、時間順で実行しても良いが、時間順に限定されない。幾つかのステップは並行で、又は互い独立に実行しても良い。

本発明及びその利点を詳細に説明したが、特許請求の範囲に限定された本発明の要旨と範囲から逸脱しない限り、各種の変更、置換及び変換が可能である。そして、本発明の実施の形態の専門語「含む」、「有する」、又は如何なる他の同等体は、非排他的な含みを覆うことを意図し、一連の要素を含む過程、方法、物品又は装置がそれらの要素を含むだけではなく、明確に列挙されていない他の要素、又はこのような過程、方法、物品又は装置の固有要素も含まれる。更なる限定のない場合に、語句「一つの…を含む」により限定された要素は、前記要素を含む過程、方法、物品又は装置において更に別の同一の要素が存在することを排除しない。

以下に付記する。
（付記１）
短期電力負荷を予測する方法であって、
コンピュータが、
学習用の履歴電力負荷データを取得し、
取得された履歴電力負荷データを圧縮し、
圧縮された履歴電力負荷データに対してフィルタリングを行い、フィルタリングされた履歴電力負荷データを用いて予測モデルをトレーニングし、
トレーニングされた予測モデルに基づいて目標電力負荷を予測する、
ことを特徴とする方法。
（付記２）
前記履歴電力負荷データを圧縮することは、
前記履歴電力負荷データのデータ規模が予め設定された閾値より大きいか否かを判断し、
前記履歴電力負荷データのデータ規模が予め設定された閾値より大きい場合に、前記履歴電力負荷データを圧縮する、
ことを含む付記１記載の方法。
（付記３）
前記履歴電力負荷データを圧縮すること、
前記履歴電力負荷データにおける各電力負荷曲線に対して、以下の式、

に従って、前記電力負荷曲線における各ノード値を二進法で表現した初期圧縮データに変換することを含み、
前記parは予め決定された閾値、前記X_ijは原始履歴電力負荷データ、前記X_ij’は圧縮後の履歴電力負荷データである、
付記１記載の方法。
（付記４）
前記parは、具体的に前記電力負荷曲線のクラスタ中心の平均値C_aveである、
付記３記載の方法。
（付記５）
前記コンピュータが、さらに、
前記の二進法で表現した初期圧縮データのうち、隣接する０と１の個数をカウントし、
カウントした結果に基づいて前記初期圧縮データを更に圧縮する、
付記３記載の方法。
（付記６）
圧縮された履歴電力負荷データに対してフィルタリングを行うことは、
前記圧縮された履歴電力負荷データの圧縮クラスタ中心を算出し、
前記圧縮クラスタ中心と前記圧縮された履歴電力負荷データにおける各電力負荷曲線との距離を算出し、
前記距離が予め設定された閾値よりも大きい電力負荷曲線を除く、
ことを含む付記１記載の方法。
（付記７）
前記の学習用の履歴電力負荷データを取得することの後に、
前記履歴電力負荷データに含まれた全ての電力負荷曲線の初期クラスタ中心を取得し、
各電力負荷曲線における各原始ノードに対して、前記各原始点から前記初期クラスタ中心における対応するノードまでの距離を算出し、
距離が予め設定された閾値を超える原始ノードを前記電力負荷曲線の異常点とし、
各グループの電力負荷曲線における異常点の個数が予め設定された閾値を超えたか否かを判断し、
各グループの電力負荷曲線における異常点の個数が予め設定された閾値を超えた場合に、当該グループの電力負荷曲線をノイズ電力負荷曲線として除き、ノイズ電力負荷曲線が除かれた履歴電力負荷データを学習用の履歴電力負荷データとする、
ことを更に含む付記１記載の方法。
（付記８）
学習用の履歴電力負荷データを取得することは、
与えられた一連の原始履歴電力負荷データに対して、日付タイプ及び／又は天気タイプの情報を利用して、同じ日付タイプ又は／及び同じ天気タイプを有する履歴電力負荷データを学習用の履歴電力負荷データとして抽出することを含む、
付記１記載の方法。
（付記９）
短期電力負荷を予測する装置であって、
学習用の履歴電力負荷データを取得する第１の取得モジュールと、
取得された履歴電力負荷データを圧縮する第１の圧縮モジュールと、
圧縮された履歴電力負荷データに対してフィルタリングを行う第１のフィルタモジュールと、
フィルタリングされた履歴電力負荷データを用いて予測モデルをトレーニングするトレーニングモジュールと、
トレーニングされた予測モデルに基づいて目標電力負荷を予測する予測モジュールと、
を備えることを特徴とする装置。
（付記１０）
当該装置は、
前記履歴電力負荷データのデータ規模が予め設定された閾値より大きいか否かを判断する第１の判断モジュールを更に備え、
前記第１の圧縮モジュールは、前記履歴電力負荷データのデータ規模が予め設定された閾値より大きい場合に、前記履歴電力負荷データを圧縮する、
付記９記載の装置。
（付記１１）
前記第１の圧縮モジュールは、前記履歴電力負荷データにおける各電力負荷曲線に対して、以下の式

に従って、前記電力負荷曲線における各ノード値を二進法で表現した初期圧縮データに変換し、
前記parは予め決定された閾値、前記X_ijは原始履歴電力負荷データ、前記X_ij’は圧縮後の履歴電力負荷データである、
付記９記載の装置。
（付記１２）
前記parは、具体的に前記電力負荷曲線のクラスタ中心の平均値C_aveである、
付記１１記載の装置。
（付記１３）
前記二進法で表現した初期圧縮データのうち、隣接する０と１の個数をカウントするかウントモジュールと、
カウントした結果に基づいて前記初期圧縮データを更に圧縮する第２の圧縮モジュールと、
を更に備える付記１１記載の装置。
（付記１４）
前記第１のフィルタモジュールは、
前記圧縮された履歴電力負荷データの圧縮クラスタ中心を算出する第１の算出サブモジュールと、
前記圧縮クラスタ中心と前記圧縮された履歴電力負荷データにおける各電力負荷曲線との距離を算出する第２の算出サブモジュールと、
前記距離が予め設定された閾値よりも大きい電力負荷曲線を除くフィルタサブモジュールと、
を備える付記９記載の装置。
（付記１５）
前記履歴電力負荷データに含まれた全ての電力負荷曲線の初期クラスタ中心を取得する第２の取得モジュールと、
前記全ての電力負荷曲線における各原始ノードに対して、前記各原始ノードから前記初期クラスタ中心における対応するクラスタ点までの距離を算出する第１の算出モジュールと、
距離が予め設定された閾値を超えた原始ノードを電力負荷曲線の異常点とし、各グループの電力負荷曲線における異常点の個数が予め設定された閾値を超えたか否かを判断する第２の判断モジュールと、
各グループの電力負荷曲線における異常点の個数が予め設定された閾値を超えた場合に、当該グループの電力負荷曲線をノイズ電力負荷曲線をとして除き、ノイズ電力負荷曲線が除かれた履歴電力負荷データを学習用の履歴電力負荷データとする第２のフィルタモジュールと、
を更に備える付記９記載の装置。
（付記１６）
前記第１の取得モジュールは、
与えられた一連の原始履歴電力負荷データに対して、日付タイプ及び／又は天気変化情報を利用して、一つのグループの、同じ日付の集合又は／及び同じ天気を有する履歴電力負荷データを学習用の履歴電力負荷データとして抽出する、
付記９記載の装置。

Claims

短期電力負荷を予測する方法であって、
学習用の履歴電力負荷データを取得する段階と、
前記履歴電力負荷データを圧縮する段階と、
圧縮された履歴電力負荷データに対してフィルタリングを行い、フィルタリングされた履歴電力負荷データを用いて予測モデルをトレーニングする段階と、
トレーニングされた予測モデルに基づいて目標電力負荷を予測する段階と、
を含むことを特徴とする方法。
前記履歴電力負荷データを圧縮する段階は、
前記履歴電力負荷データのデータ規模が予め設定された閾値より大きいか否かを判断する段階と、
前記履歴電力負荷データのデータ規模が予め設定された閾値より大きい場合に、前記履歴電力負荷データを圧縮する段階と、
を更に含む請求項１記載の方法。
前記履歴電力負荷データを圧縮する段階は、
前記履歴電力負荷データにおける各電力負荷曲線に対して、下記の式

に従って、前記電力負荷曲線における各ノード値を二進法で表現した初期圧縮データに変換する段階を含み、
前記parは予め決定された閾値、前記X_ijは圧縮前の履歴電力負荷データ、前記X_ij’は圧縮後の履歴電力負荷データである、
請求項１記載の方法。
前記parは、前記電力負荷曲線のクラスタ中心の平均値C_aveである、
請求項３記載の方法。
二進法で表現した初期圧縮データのうち、隣接する０と１の個数をカウントする段階と、
カウントした結果に基づいて前記初期圧縮データを更に圧縮する段階と、
を更に含む請求項３記載の方法。
圧縮された履歴電力負荷データに対してフィルタリングを行う段階は、
前記圧縮された履歴電力負荷データの圧縮クラスタ中心を算出する段階と、
算出された圧縮クラスタ中心と前記圧縮された履歴電力負荷データにおける各電力負荷曲線との距離を算出する段階と、
算出された距離が予め設定された閾値よりも大きい電力負荷曲線を除く段階と、
を含む請求項１記載の方法。
短期電力負荷を予測する装置であって、
学習用の履歴電力負荷データを取得する第１の取得モジュールと、
取得された履歴電力負荷データを圧縮する第１の圧縮モジュールと、
圧縮された履歴電力負荷データに対してフィルタリングを行う第１のフィルタモジュールと、
フィルタリングされた履歴電力負荷データを用いて予測モデルをトレーニングするトレーニングモジュールと、
トレーニングされた予測モデルに基づいて目標電力負荷を予測する予測モジュールと、
を備える装置。
前記装置は、
前記履歴電力負荷データのデータ規模が予め設定された閾値よりも大きいか否かを判断する第１の判断モジュールを更に備え、
前記第１の圧縮モジュールは、前記履歴電力負荷データのデータ規模が予め設定された閾値よりも大きい場合に、前記履歴電力負荷データを圧縮する、
請求項７記載の装置。
前記第１の圧縮モジュールは、
前記履歴電力負荷データにおける各電力負荷曲線に対して、

に従って、前記電力負荷曲線における各ノード値を二進法で表現した初期圧縮データに変換し、
前記parは統計した閾値、前記X_ijは圧縮される前の履歴電力負荷データ、前記X_ij’は圧縮された履歴電力負荷データである、
請求項６記載の装置。
前記二進法で表現した初期圧縮データのうち、隣接する０と１の個数をカウントするカウントモジュールと、
カウントした結果に基づいて前記初期圧縮データを更に圧縮する第２の圧縮モジュールと、
を更に備える請求項８記載の装置。