JP2013005465A - Load amount prediction device, load amount prediction method and load amount prediction program - Google Patents
Load amount prediction device, load amount prediction method and load amount prediction program Download PDFInfo
- Publication number
- JP2013005465A JP2013005465A JP2011130533A JP2011130533A JP2013005465A JP 2013005465 A JP2013005465 A JP 2013005465A JP 2011130533 A JP2011130533 A JP 2011130533A JP 2011130533 A JP2011130533 A JP 2011130533A JP 2013005465 A JP2013005465 A JP 2013005465A
- Authority
- JP
- Japan
- Prior art keywords
- load amount
- predicted value
- time
- value
- predicted
- 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.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
Description
本発明は、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に関する。 The present invention relates to a load amount prediction apparatus, a load amount prediction method, and a load amount prediction program.
電力の供給不足が見込まれる場合、政府や電力会社は需要家に対して電力消費量を削減するように要求する。この場合に、需要家は、課された電力削減目標を実現するために、節電に努めることになる。下記特許文献１には、目標電力に対する現在の使用電力の割合を表示する装置が開示されている。 When power supply shortages are expected, governments and power companies require consumers to reduce power consumption. In this case, the consumer will endeavor to save power in order to achieve the imposed power reduction target. The following Patent Document 1 discloses an apparatus that displays a ratio of current power usage to target power.
工場等では、電力削減目標を実現するために節電に努めると同時に、電力使用の可能な範囲でできる限り効率良く操業する必要がある。それには、現在の電力の使用状況に加え、数時間先までの電力の使用状況を予想しながら対応することが重要となる。特に、気象条件が厳しくなる夏季や冬季には、電力需要が気象条件によっても大きく左右されるため、需要変動をいち早く捉え、的確な措置を迅速にとることが求められる。上述した特許文献１の技術では、現時点での電力使用状況を把握することはできるが、電力消費量が今後どのように推移していくのかまでは把握できない。 In factories, etc., efforts must be made to save electricity in order to achieve the power reduction target, and at the same time to operate as efficiently as possible within the range where power can be used. To this end, it is important to respond while predicting the power usage status up to several hours in addition to the current power usage status. Especially in the summer and winter when the weather conditions are severe, the demand for electric power is greatly affected by the weather conditions. Therefore, it is necessary to catch demand fluctuations quickly and take appropriate measures promptly. With the technology of Patent Document 1 described above, it is possible to grasp the current power usage status, but it is not possible to grasp how the power consumption will change in the future.
本発明は、上述した従来技術による問題点を解消するためになされたものであり、電力消費量等に代表される負荷量の推移を的確に予測することができる負荷量予測装置、負荷量予測方法および負荷量予測プログラムを提供することを目的とする。 The present invention has been made to solve the above-described problems caused by the prior art, and is a load amount prediction apparatus and load amount prediction that can accurately predict the transition of the load amount represented by power consumption and the like. It is an object to provide a method and a load amount prediction program.
本発明に係る負荷量予測装置は、予測対象となる負荷量を含む時系列の実績データを取得する取得部と、気象要素の時系列の予報データを受信する受信部と、気象状態を表す因子と前記負荷量とを変数に含む回帰式に前記予報データを代入し、予測対象期間の前記負荷量の予測値を演算するとともに、曜日に応じて区分可能なパターンごとに予め登録されている前記実績データのうち前記予測値と同一の前記パターンに属する前回分の前記実績データの前記負荷量と前記予測値との間の偏差が最小になるように、前記回帰式の係数を変更する演算部と、を備える。 A load amount prediction apparatus according to the present invention includes an acquisition unit that acquires time-series actual data including a load amount to be predicted, a reception unit that receives time-series forecast data of weather elements, and a factor representing a weather state And substituting the forecast data into a regression equation that includes the load amount as a variable, calculating a predicted value of the load amount in a prediction target period, and pre-registered for each pattern that can be classified according to the day of the week An arithmetic unit that changes a coefficient of the regression equation so that a deviation between the load amount and the predicted value of the previous actual data belonging to the same pattern as the predicted value among the actual data is minimized. And comprising.
本発明に係る負荷量予測方法は、予測対象となる負荷量を含む時系列の実績データを取得する取得ステップと、気象要素の時系列の予報データを受信する受信ステップと、気象状態を表す因子と前記負荷量とを変数に含む回帰式に前記予報データを代入し、予測対象期間の前記負荷量の予測値を演算するとともに、曜日に応じて区分可能なパターンごとに予め登録されている前記実績データのうち前記予測値と同一の前記パターンに属する前回分の前記実績データの前記負荷量と前記予測値との間の偏差が最小になるように、前記回帰式の係数を変更する演算ステップと、を含む。 The load amount prediction method according to the present invention includes an acquisition step of acquiring time-series actual data including a load amount to be predicted, a reception step of receiving time-series forecast data of weather elements, and a factor representing a weather state And substituting the forecast data into a regression equation that includes the load amount as a variable, calculating a predicted value of the load amount in a prediction target period, and pre-registered for each pattern that can be classified according to the day of the week An operation step of changing a coefficient of the regression equation so that a deviation between the load amount and the predicted value of the previous actual data belonging to the same pattern as the predicted value among the actual data is minimized. And including.
本発明に係る負荷量予測プログラムは、上記負荷量予測方法に含まれる各ステップをコンピュータに実行させる。 The load amount prediction program according to the present invention causes a computer to execute each step included in the load amount prediction method.
かかる構成を採用することにより、気象状態を表す因子と負荷量とを変数に含む回帰式に気象予報データを代入することで、予測対象期間の負荷量の予測値を演算することができるとともに、同一のパターンに属する前回分の実績データの負荷量と予測値との間の偏差が最小になるように、上記回帰式の係数を変更することができる。これにより、将来の気象条件を考慮して負荷量の予測値を演算することができるとともに、同じパターンに属する前回分の実績値の推移傾向に予測値の推移が近づくように回帰式の係数を変更することができるため、負荷量の推移予測の精度を向上させることができる。 By adopting such a configuration, by substituting weather forecast data into a regression equation that includes a factor representing the weather condition and the load amount as variables, it is possible to calculate the predicted value of the load amount for the prediction target period, The coefficient of the regression equation can be changed so that the deviation between the load amount of the previous record data belonging to the same pattern and the predicted value is minimized. This makes it possible to calculate the predicted value of the load amount in consideration of future weather conditions, and to set the coefficient of the regression equation so that the transition of the predicted value approaches the trend of the previous actual value belonging to the same pattern. Since it can be changed, the accuracy of load amount transition prediction can be improved.
また、上記演算部は、前記予測対象期間の前記負荷量の実測値が得られた場合に、前記実測値が属する時刻における前記実測値と前記予測値との間の差分を用いて、前記実測値が属する時刻から所定時間後までの前記予測値を補正することとしてもよい。 In addition, when the actual measurement value of the load amount in the prediction target period is obtained, the calculation unit uses the difference between the actual measurement value and the predicted value at the time to which the actual measurement value belongs. The predicted value from the time to which the value belongs to after a predetermined time may be corrected.
これにより、ノイズや瞬間的な外乱の影響によって実測値と予測値との間に一時的に誤差が生じた場合であっても、誤差が生じてから所定時間後までの予測値のみを、予測値と実績値との間の差分に応じて補正することができ、さらに、誤差が解消すると想定される所定時間を超えた先では、予測値をそのまま用いることができる。 As a result, even if there is a temporary error between the measured value and the predicted value due to the influence of noise or instantaneous disturbance, only the predicted value until the predetermined time after the error occurs is predicted. Correction can be made according to the difference between the value and the actual value, and further, the predicted value can be used as it is beyond a predetermined time that the error is supposed to be eliminated.
また、上記演算部は、前記予測値を補正する際に、前記実測値が属する時刻から先の時刻になるほど、前記予測値を補正する幅が前記差分よりも徐々に小さくなるように重み付けをして補正することとしてもよい。 Further, when correcting the predicted value, the arithmetic unit weights the predicted value so that the range for correcting the predicted value becomes gradually smaller than the difference as the time from the time to which the actually measured value belongs becomes earlier. May be corrected.
これにより、誤差が生じてから所定時間後までの予測値を、補正幅を徐々に小さくしながら補正していくことが可能となる。 As a result, it is possible to correct the predicted value from when the error occurs until a predetermined time later while gradually reducing the correction width.
また、上記予測値の最大値および当該最大値に対応する時刻を表示させる表示部を、さらに備えることとしてもよい。これにより、電力消費量が目標電力を超えるかどうか、超える場合にはいつ頃超えそうなのかを、画面を見て容易に推測することが可能となる。 Moreover, it is good also as providing the display part which displays the time corresponding to the maximum value of the said predicted value, and the said maximum value. Accordingly, it is possible to easily estimate whether or not the power consumption exceeds the target power, and when the power consumption exceeds the target power, by looking at the screen.
また、上記因子は、不快指数、外気エンタルピ、湿球温度および気温のうちのいずれかであることとしてもよく、上記負荷量は、電力消費量としてもよい。 Further, the factor may be any one of a discomfort index, an outside air enthalpy, a wet bulb temperature, and an air temperature, and the load amount may be a power consumption amount.
本発明によれば、電力消費量等の負荷量の推移を的確に予測することができる負荷量予測装置、負荷量予測方法および負荷量予測プログラムを提供することができる。 According to the present invention, it is possible to provide a load amount prediction device, a load amount prediction method, and a load amount prediction program capable of accurately predicting a transition of a load amount such as power consumption.
以下、図面を参照して本発明に係る実施形態について説明する。ただし、以下に説明する実施形態は、あくまでも例示であり、以下に明示しない種々の変形や技術の適用を排除するものではない。すなわち、本発明は、その趣旨を逸脱しない範囲で種々変形して実施することができる。 Embodiments according to the present invention will be described below with reference to the drawings. However, the embodiment described below is merely an example, and does not exclude application of various modifications and techniques not explicitly described below. That is, the present invention can be implemented with various modifications without departing from the spirit of the present invention.
本実施形態では、負荷量予測装置の予測対象が電力消費量である場合について説明するが、これに限定されず、予測対象となる負荷量が、例えば、蒸気消費量や、冷水熱量、温水熱量である場合についても同様に適用することができる。 In this embodiment, the case where the prediction target of the load amount prediction apparatus is power consumption will be described. However, the present invention is not limited to this, and the load amount to be predicted is, for example, steam consumption, cold water heat amount, hot water heat amount. The same can be applied to the case.
図１を参照して、実施形態における負荷量予測装置の構成について説明する。図１に示すように、負荷量予測装置１は、機能的には、例えば、受信部１１と、取得部１２と、演算部１３と、表示部１４とを有する。実績データＤＢ３は、実績データを蓄積するデータベースである。実績データには、例えば、電力消費量の実績値や、各電力消費量が測定された時点の電力消費装置の稼働状況、日時、曜日、温度、湿度等の過去の状況に関する各種の情報が含まれる。本実施形態では、電力消費量の実績値を３０分周期で出力する場合について説明するが、実績値を出力する周期は３０分には限定されず、任意に設定することができる。 With reference to FIG. 1, the structure of the load amount prediction apparatus in the embodiment will be described. As illustrated in FIG. 1, the load amount prediction device 1 functionally includes, for example, a reception unit 11, an acquisition unit 12, a calculation unit 13, and a display unit 14. The performance data DB3 is a database for accumulating performance data. The actual data includes, for example, actual values of power consumption and various information related to past conditions such as the operating status, date, day of the week, temperature, and humidity of the power consuming device at the time each power consumption is measured. It is. In the present embodiment, the case where the actual value of the power consumption is output in a cycle of 30 minutes will be described, but the cycle of outputting the actual value is not limited to 30 minutes and can be arbitrarily set.
実績データは、曜日に応じて区分可能なパターンごとに抽出できるように実績データＤＢ３に格納される。曜日に応じて区分可能なパターンとして、本実施形態では、第１平日パターン、第２平日パターン、土曜日パターンおよび日曜日パターンという４つのパターンを設けることとする。具体的には、月曜日を第１平日パターンに区分し、火曜日〜金曜日を第２平日パターンに区分し、土曜日を土曜日パターンに区分し、日曜日および祭日を日曜日パターンに区分する。このパターンは、測定対象となる場所（例えば工場）ごとの電力消費量の推移傾向に応じて、適宜設定することができる。 The performance data is stored in the performance data DB 3 so that it can be extracted for each pattern that can be classified according to the day of the week. In the present embodiment, four patterns of a first weekday pattern, a second weekday pattern, a Saturday pattern, and a Sunday pattern are provided as patterns that can be classified according to the day of the week. Specifically, Monday is divided into first weekday patterns, Tuesday to Friday are divided into second weekday patterns, Saturday is divided into Saturday patterns, and Sundays and holidays are divided into Sunday patterns. This pattern can be set as appropriate according to the trend of power consumption for each location (for example, a factory) to be measured.
具体的には、過去の実績データを曜日ごとに分類し、曜日ごとの電力消費量の推移傾向を求め、電力消費量の推移傾向が類似する曜日同士を同じパターンに区分することで設定する。電力消費量の推移傾向が類似する曜日同士であるか否かは、例えば図２に示すような電力消費量の推移グラフにより判断することができる。 Specifically, past performance data is classified for each day of the week, the trend of power consumption for each day of the week is obtained, and days of the week with similar power consumption trend are classified into the same pattern. It can be determined, for example, from a transition graph of power consumption as shown in FIG. 2 whether or not the days of transition are similar in power consumption.
図２の場合には、以下の３つのパターンに区分することができる。月曜日〜金曜日までの推移傾向が類似していることから、月曜日〜金曜日を平日パターンに区分し、土曜日の推移傾向が独立していることから、土曜日のみを土曜パターンに区別し、日曜日と祭日の推移傾向が類似していることから、日曜日および祭日を日曜日パターンに区分する。 In the case of FIG. 2, it can be divided into the following three patterns. Since the trend from Monday to Friday is similar, Monday to Friday is divided into weekday patterns, and since the trend of Saturday is independent, only Saturday is distinguished from the Saturday pattern. Since the trend is similar, Sundays and holidays are divided into Sunday patterns.
ここで、負荷量予測装置１は、物理的には、例えば、ＣＰＵ（Central Processing Unit）と、メモリと、入出力インターフェースとを含んで構成される。メモリには、例えば、ＣＰＵで処理されるプログラムやデータを記憶するＲＯＭ（Read Only Memory）やＨＤＤ（Hard Disk Drive）、主として制御処理のための各種作業領域として使用されるＲＡＭ（Random Access Memory）等の要素が含まれる。これらの要素は、互いにバスを介して接続される。ＣＰＵが、ＲＯＭに記憶されたプログラムを実行し、入出力インターフェースを介して受信されるデータや、ＲＡＭに展開されるデータを処理することで、負荷量予測装置１の各部が有する機能を実現することができる。 Here, the load amount prediction apparatus 1 physically includes, for example, a CPU (Central Processing Unit), a memory, and an input / output interface. The memory includes, for example, a ROM (Read Only Memory) and HDD (Hard Disk Drive) that store programs and data processed by the CPU, and a RAM (Random Access Memory) mainly used as various work areas for control processing. Etc. are included. These elements are connected to each other via a bus. The CPU executes the program stored in the ROM and processes the data received via the input / output interface and the data developed in the RAM, thereby realizing the functions of each unit of the load amount prediction apparatus 1. be able to.
図１に示す受信部１１は、例えば、気象要素の時系列の予報データを受信する。気象要素としては、例えば、気温、湿度、気圧、風向、風速、降水量などが該当する。本実施形態では、気象要素として気温および湿度を用いた場合について説明する。予報データは、例えば、気象予報センターから定期的（例えば３時間ごと）に提供されるデータを利用することができる。なお、予報データが提供される時間は、気象予報センターの運用に合わせればよく、任意の時間でよい。 The receiving unit 11 illustrated in FIG. 1 receives, for example, time series forecast data of weather elements. Examples of weather elements include temperature, humidity, atmospheric pressure, wind direction, wind speed, and precipitation. This embodiment demonstrates the case where temperature and humidity are used as a weather element. As the forecast data, for example, data provided periodically (for example, every 3 hours) from the weather forecast center can be used. The time when the forecast data is provided may be any time as long as it matches the operation of the weather forecast center.
取得部１２は、演算部１３が電力消費量の予測値を演算する際や、その予測値を補正する際等に必要となる実績データを、実績データＤＢ３から取得する。 The acquisition unit 12 acquires the actual data necessary when the arithmetic unit 13 calculates the predicted value of power consumption, corrects the predicted value, and the like from the actual data DB 3.
演算部１３は、気象状態を表す因子と電力消費量とを変数に含む回帰式に予報データを代入し、電力消費量の予測値を演算する。気象状態を表す因子としては、例えば、不快指数や、外気エンタルピ、湿球温度、気温が該当する。 The calculation unit 13 substitutes forecast data into a regression equation that includes a factor representing a weather condition and power consumption as variables, and calculates a predicted value of power consumption. As factors representing the weather condition, for example, discomfort index, outdoor enthalpy, wet bulb temperature, and air temperature are applicable.
不快指数は、気象要素を用いて下記式（１）で求めることができる。
不快指数＝0.18×気温＋0.01×湿度×（0.99×気温−14.3）＋46.3 … （１）
The discomfort index can be obtained by the following formula (1) using a weather element.
Discomfort index = 0.18 x temperature + 0.01 x humidity x (0.99 x temperature-14.3) + 46.3 (1)
外気エンタルピ[kJ/kg(DA)]は、気象要素を用いて下記式（２）で求めることができる。
外気エンタルピ＝1.006×乾球温度＋（1.805×乾球温度＋2501）×絶対温度 … （２）
The outside air enthalpy [kJ / kg (DA)] can be obtained by the following formula (2) using a weather element.
Outside air enthalpy = 1.006 x dry bulb temperature + (1.805 x dry bulb temperature + 2501) x absolute temperature (2)
上記式（２）の絶対湿度[kg/kg(DA)]は、下記式（３）で求めることができる。
絶対湿度＝18.015×水蒸気圧÷（29.064×（大気圧−水蒸気圧）） … （３）
The absolute humidity [kg / kg (DA)] of the above formula (2) can be obtained by the following formula (3).
Absolute humidity = 18.015 x water vapor pressure / (29.064 x (atmospheric pressure-water vapor pressure)) (3)
上記式（３）の水蒸気圧[hPa]は、下記式（４）で求めることができる。
水蒸気圧＝飽和水蒸気圧×相対湿度 … （４）
The water vapor pressure [hPa] of the above formula (3) can be obtained by the following formula (4).
Water vapor pressure = saturated water vapor pressure × relative humidity (4)
上記式（４）の飽和水蒸気圧[hPa]は、下記式（５）で求めることができる。
飽和水蒸気圧＝6.11×10(7.5×T/(T+237.3)) … （５）
上記式（５）のＴは乾球温度である。
The saturated water vapor pressure [hPa] of the above formula (4) can be obtained by the following formula (5).
Saturated water vapor pressure = 6.11 × 10 (7.5 × T / (T + 237.3)) (5)
T in the above formula (5) is the dry bulb temperature.
気象状態を表す因子は、予測対象となる電力消費量との間の相関関係が高い因子ほど好ましい。相関関係の有無は、例えば図３〜図６に示すような分布図により判断することができる。図３は、電力消費量と不快指数との関連性を表す分布図である。図４は、電力消費量と外気エンタルピとの関連性を表す分布図である。図５は、電力消費量と湿球温度との関連性を表す分布図である。図６は、電力消費量と気温との関連性を表す分布図である。 As the factor representing the weather condition, a factor having a higher correlation with the power consumption to be predicted is more preferable. Whether or not there is a correlation can be determined from distribution diagrams as shown in FIGS. FIG. 3 is a distribution diagram showing the relationship between the power consumption and the discomfort index. FIG. 4 is a distribution diagram showing the relationship between power consumption and outside air enthalpy. FIG. 5 is a distribution diagram showing the relationship between power consumption and wet bulb temperature. FIG. 6 is a distribution diagram showing the relationship between power consumption and temperature.
図３〜図６を参照すると、不快指数、外気エンタルピ、湿球温度および気温は、それぞれが増加すると、電力消費量も増加する関係にあるため、正の相関関係があると認められる。したがって、不快指数、外気エンタルピ、湿球温度および気温は、電力消費量との間に相関関係があると判断することができる。 Referring to FIGS. 3 to 6, it is recognized that the discomfort index, the outside air enthalpy, the wet bulb temperature, and the air temperature are positively correlated because the power consumption increases as they increase. Therefore, it can be determined that the discomfort index, the outside air enthalpy, the wet bulb temperature, and the air temperature are correlated with the power consumption.
本実施形態では、以下において、気象状態を表す因子として不快指数を用いた場合について説明する。 In the present embodiment, the case where the discomfort index is used as a factor representing the weather condition will be described below.
演算部１３が用いる回帰式は、下記式（６）で表すことができる。
Ｑ＝ａ×Ｄ＋ｂ … （６）
上記式（６）のＱは電力消費量であり、Ｄは不快指数であり、ａおよびｂは係数である。
The regression equation used by the calculation unit 13 can be expressed by the following equation (6).
Q = a × D + b (6)
In the above equation (6), Q is the power consumption, D is the discomfort index, and a and b are coefficients.
つまり、本実施形態における演算部１３は、上記式（６）に不快指数を代入することで、電力消費量の予測値を演算する。本実施形態では、演算部１３が、当日および翌日の合計４８時間を３０分単位に区切り、最大９６個の予測値を演算する場合について説明する。また、当日および翌日の予測値は３０分周期で繰り返し演算するが、当日の実績値が得られた時間帯については、もはや予測する必要がないため、その時間帯に属する予測値の演算は行わない。なお、予測する時間帯の幅や、演算する予測値の最大個数、演算周期については、任意に設定することができる。 That is, the calculation unit 13 in the present embodiment calculates the predicted value of power consumption by substituting the discomfort index into the above equation (6). In the present embodiment, a case will be described in which the calculation unit 13 calculates a maximum of 96 predicted values by dividing the total 48 hours of the current day and the next day into 30-minute units. In addition, the prediction value for the current day and the next day is repeatedly calculated at a 30-minute cycle. However, since it is no longer necessary to predict the time zone in which the actual value of the day was obtained, the prediction value belonging to that time zone is calculated. Absent. Note that the width of the predicted time zone, the maximum number of predicted values to be calculated, and the calculation cycle can be arbitrarily set.
演算部１３は、取得部１２により取得された実績データの電力消費量と予測値との間の偏差が最小になるように、回帰式の係数を変更する学習アルゴリズムを実行する。図７を参照して、学習アルゴリズムの手順について具体的に説明する。なお、本実施形態では、学習アルゴリズムにカルマンフィルタを用いた場合について説明するが、これに限定されず、例えば、ニューラルネットワークや遺伝的アルゴリズムを用いることとしてもよい。 The calculation unit 13 executes a learning algorithm that changes the coefficient of the regression equation so that the deviation between the power consumption of the actual data acquired by the acquisition unit 12 and the predicted value is minimized. The procedure of the learning algorithm will be specifically described with reference to FIG. In the present embodiment, a case where a Kalman filter is used as a learning algorithm will be described. However, the present invention is not limited to this. For example, a neural network or a genetic algorithm may be used.
最初に、演算部１３は、予測日が属するパターンの実績値のうち、前回の実績値をＱi（ｋ）とし、これを予測する際の基準値とする（下記式（７）参照）。例えば、予測日が水曜日である場合には、水曜日は平日パターンに属するため、前回の実績値は予測日の前日にあたる火曜日の実績値となる。また、予測日が土曜日である場合には、土曜日は土曜日パターンに属するため、前回の実績値は予測日の前週の土曜日の実績値となる。 First, the calculation unit 13 sets the previous actual value among the actual values of the pattern to which the prediction date belongs, as Q i (k), and sets this as a reference value for prediction (see the following formula (7)). For example, when the predicted date is Wednesday, since Wednesday belongs to a weekday pattern, the previous actual value is the actual value of Tuesday, which is the day before the predicted date. When the predicted date is Saturday, since Saturday belongs to the Saturday pattern, the previous actual value is the actual value of Saturday of the previous week of the predicted date.
Ｑi（ｋ）＝ａi（ｋ）×Ｄi（ｋ）＋ｂi（ｋ）＋Ｗi（ｋ） … （７）
上記式（７）のｉは３０分単位の時刻を表すインデックスである。例えば、１は０：００、２は０：３０、３は１：００、…、４８は２３：３０を表す。ｋは当日または翌日を表すインデックスである。１は当日、２は翌日を表す。Ｑi（ｋ）は時刻ｉ番目の３０分間電力消費量である。Ｄi（ｋ）は時刻ｉ番目の不快指数である。ａi（ｋ）およびｂi（ｋ）は未知係数である。Ｗi（ｋ）は観測雑音である。
Q i (k) = a i (k) × D i (k) + b i (k) + W i (k) (7)
In the above formula (7), i is an index representing time in units of 30 minutes. For example, 1 represents 0:00, 2 represents 0:30, 3 represents 1:00,..., 48 represents 23:30. k is an index representing the current day or the next day. 1 represents the current day and 2 represents the next day. Q i (k) is the power consumption for 30 minutes at the time i. D i (k) is the i-th discomfort index at the time. a i (k) and b i (k) are unknown coefficients. W i (k) is observation noise.
続いて、演算部１３は、予測時の基準値となる前回の実績値Ｑi（ｋ）に対応する予測値Ｑ’i（ｋ）を演算する（下記式（８）参照）。 Subsequently, the calculation unit 13 calculates a predicted value Q ′ i (k) corresponding to the previous actual value Q i (k) serving as a reference value at the time of prediction (see the following formula (8)).
Ｑ’i（ｋ）＝ａ’i（ｋ）×Ｄ’i（ｋ）＋ｂ’i（ｋ） … （８）
上記式（８）のＱ’i（ｋ）は時刻ｉ番目の３０分間電力消費量の予測値である。Ｄ’i（ｋ）は予報データを用いて算出した時刻ｉ番目の不快指数の予測値である。ａi（ｋ）およびｂi（ｋ）は未知係数の推定値である。
Q ′ i (k) = a ′ i (k) × D ′ i (k) + b ′ i (k) (8)
In the above equation (8), Q ′ i (k) is the predicted value of the power consumption for the 30th minute at time i. D ′ i (k) is a predicted value of the i-th discomfort index at time i calculated using the forecast data. a i (k) and b i (k) are estimates of unknown coefficients.
続いて、演算部１３は、前回の実績値Ｑi（ｋ）と予測値Ｑ’i（ｋ）との間の偏差ε（Ｑi（ｋ）−Ｑ’i（ｋ））に基づいて、この偏差εが最小になるように、上記式（８）のａ’i（ｋ＋１）およびｂ’i（ｋ＋１）を逐次変更していく。 Subsequently, the calculation unit 13 is based on a deviation ε (Q i (k) −Q ′ i (k)) between the previous actual value Q i (k) and the predicted value Q ′ i (k). In order to minimize the deviation ε, a ′ i (k + 1) and b ′ i (k + 1) in the above equation (8) are sequentially changed.
例えば、当日が水曜日である場合には、前日である火曜日の時刻ｉの実績値Ｑi（ｋ）と予測値Ｑ’i（ｋ）との間の偏差εに基づいて、当日である水曜日の時刻ｉの未知係数ａ’i（ｋ＋１）およびｂ’i（ｋ＋１）を変更する。このときに使用する予測値Ｑ’i（ｋ）の不快指数Ｄ’i（ｋ）は、予報データに基づいて算出した不快指数ではなく、実測された気温および湿度に基づいて算出した不快指数を用いる。 For example, when the current day is Wednesday, based on the deviation ε between the actual value Q i (k) and the predicted value Q ′ i (k) at the time i on Tuesday, which is the previous day, The unknown coefficients a ′ i (k + 1) and b ′ i (k + 1) at time i are changed. The discomfort index D ′ i (k) of the predicted value Q ′ i (k) used at this time is not the discomfort index calculated based on the forecast data, but the discomfort index calculated based on the actually measured temperature and humidity. Use.
続いて、演算部１３は、変更後の未知係数ａ’i（ｋ＋１）およびｂ’i（ｋ＋１）を適用した上記式（８）を用いて、時刻ｉの予測値Ｑ’i（ｋ＋１）を演算する。その後、上述した学習アルゴリズムの各手順を再度繰り返して実行する。 Subsequently, the calculation unit 13 calculates the predicted value Q ′ i (k + 1) at time i using the above equation (8) to which the unknown coefficients a ′ i (k + 1) and b ′ i (k + 1) after the change are applied. Calculate. Thereafter, each procedure of the learning algorithm described above is repeated and executed.
なお、この学習アルゴリズムは、学習時の基準にする前回が学習除外日に設定されている場合には、実行しないこととする。これは、例えば、天災が発生したときや工場内の機器に異常が発生したとき等には、実績値が特異な値になるため、このような日を、学習対象から除外することとしたものである。学習除外日は、予めカレンダー情報等に登録しておけばよい。また、一度学習した後に、その学習対象の中から新たに学習除外日が追加された場合には、追加された学習除外日を学習対象から除外して再度学習することとしてもよい。 Note that this learning algorithm is not executed when the previous learning reference date is set as a learning exclusion date. This is because, for example, when a natural disaster occurs or when an abnormality occurs in equipment in a factory, the actual value becomes a unique value, so such days are excluded from the learning target. It is. The learning exclusion date may be registered in advance in calendar information or the like. Moreover, after learning once, when a learning exclusion day is newly added from the learning object, it is good also as learning again by excluding the added learning exclusion day from a learning object.
演算部１３は、当日の実測値が得られるたびに、最新の実測値が属する時刻から所定時間後までの予測値を補正する。所定時間は、予測補正時間として、１時間から２４時間までの間で任意に設定できる。演算部１３は、例えば、以下のようにして補正する。 Every time the actual measurement value for the day is obtained, the calculation unit 13 corrects the predicted value from the time to which the latest actual measurement value belongs to a predetermined time later. The predetermined time can be arbitrarily set as a predicted correction time from 1 hour to 24 hours. For example, the calculation unit 13 corrects as follows.
最初に、演算部１３は、最新の実測値の時刻における実測値と予測値との間の差分を算出する。続いて、演算部１３は、最新の実測値の時刻から先の時刻になるほど、予測値を補正する幅が差分よりも徐々に小さくなるように重み付けをして補正する。 First, the calculation unit 13 calculates the difference between the actual measurement value and the predicted value at the time of the latest actual measurement value. Subsequently, the calculation unit 13 performs weighting and correction so that the range in which the predicted value is corrected gradually becomes smaller than the difference as the time from the time of the latest actually measured value becomes earlier.
重み付けは、先の時刻になるほど小さくなるように設定する。例えば、予測補正時間がＮ時間である場合には、以下のように重み付けを設定して予測値を補正する。ここで、実測値Ｑi（ｋ）と予測値Ｑ’i（ｋ）との間の差分を、Ｅ（ｋ）とし、この差分Ｅ（ｋ）を指数平滑フィルタでフィルタリングした値を、Ｃ（ｋ＋１）とする。なお、Ｃ（ｋ＋１）＝α×Ｅ（ｋ）＋（１−α）×Ｃ（ｋ）、｛０≦α≦１｝である。 The weighting is set so as to decrease as the previous time comes. For example, when the prediction correction time is N hours, the prediction value is corrected by setting the weighting as follows. Here, the difference between the measured value Q i (k) and the predicted value Q ′ i (k) is E (k), and the value obtained by filtering the difference E (k) with an exponential smoothing filter is expressed as C ( k + 1). Note that C (k + 1) = α × E (k) + (1−α) × C (k), {0 ≦ α ≦ 1}.
０．５時間先の予測値：Ｑ’i+1（ｋ）＋Ｃ（ｋ＋１）×（１−０．０／Ｎ）
１．０時間先の予測値：Ｑ’i+2（ｋ）＋Ｃ（ｋ＋１）×（１−０．５／Ｎ）
１．５時間先の予測値：Ｑ’i+3（ｋ）＋Ｃ（ｋ＋１）×（１−１．０／Ｎ）
２．０時間先の予測値：Ｑ’i+4（ｋ）＋Ｃ（ｋ＋１）×（１−１．５／Ｎ）
２．５時間先の予測値：Ｑ’i+5（ｋ）＋Ｃ（ｋ＋１）×（１−２．０／Ｎ）
３．０時間先の予測値：Ｑ’i+6（ｋ）＋Ｃ（ｋ＋１）×（１−２．５／Ｎ）
…
Ｎ時間先の予測値：Ｑ’i+2N（ｋ）＋Ｃ（ｋ＋１）×（１−（Ｎ−０．５）／Ｎ）
Predicted value 0.5 hours ahead: Q ′ i + 1 (k) + C (k + 1) × (1−0.0 / N)
Predicted value 1.0 hour ahead: Q ′ i + 2 (k) + C (k + 1) × (1−0.5 / N)
Predicted value 1.5 hours ahead: Q ′ i + 3 (k) + C (k + 1) × (1−1.0 / N)
Predicted value 2.0 hours ahead: Q ′ i + 4 (k) + C (k + 1) × (1−1.5 / N)
Predicted value 2.5 hours ahead: Q ′ i + 5 (k) + C (k + 1) × (1−2.0 / N)
Predicted value 3.0 hours ahead: Q ′ i + 6 (k) + C (k + 1) × (1−2.5 / N)
...
Predicted value N hours ahead: Q ′ i + 2N (k) + C (k + 1) × (1− (N−0.5) / N)
予測補正時間を３時間としたときの補正のイメージを、図８に例示する。図８では、現時点を１２：００とし、この１２：００に、実測値Ｑi（ｋ）と予測値Ｑ’i（ｋ）との間に差分Ｅ（ｋ）が発生した状態を示している。この１２：００に発生した差分Ｅ（ｋ）が、補正幅の基準となる。時刻が１５：００に近づくほど、予測値Ｑ’i（ｋ）の補正幅はＥ（ｋ）よりも徐々に小さくなっていき、１５：００の予測値Ｑ’i（ｋ）の補正幅が最小の補正幅｛Ｃ（ｋ＋１）×（０．５／３）｝となる。１５：００よりも先の時刻の予測値は、補正することなく、予測値Ｑ’i（ｋ）をそのまま用いる。 FIG. 8 illustrates an image of correction when the predicted correction time is 3 hours. FIG. 8 shows a state where the current time is 12:00 and a difference E (k) occurs between the actual measurement value Q i (k) and the predicted value Q ′ i (k) at 12:00. . The difference E (k) generated at 12:00 becomes a reference for the correction width. As the time approaches at 15:00, the predicted value Q 'correction width of i (k) is going to become gradually smaller than the E (k), 15: 00 predicted value Q of the' correction width of i (k) is The minimum correction width is {C (k + 1) × (0.5 / 3)}. The predicted value Q ′ i (k) is used as it is without correcting the predicted value at a time earlier than 15:00.
このように、実測値と予測値との誤差に応じて、誤差が生じてから所定時間後までの予測値のみを補正することで、例えば、ノイズや瞬間的な外乱の影響によって実測値と予測値との間に一時的に誤差が生じた場合に、補正幅を差分Ｅ（ｋ）から徐々に小さくしながら補正していき、誤差が解消すると想定される所定時間を超えた先では、予測値をそのまま用いることができる。 In this way, by correcting only the predicted value from when the error occurs until a predetermined time later, according to the error between the actually measured value and the predicted value, for example, the actual value and the predicted value are affected by the influence of noise or instantaneous disturbance. If an error occurs temporarily with the value, the correction width is corrected while gradually decreasing from the difference E (k), and a prediction is made beyond a predetermined time when the error is expected to be eliminated. The value can be used as it is.
図１に示す表示部１４は、当日および翌日の予測値の最大値や、この最大値に到達する時刻等を含む表示画面をディスプレイ５に表示させる。図９を参照して、表示画面について説明する。 The display unit 14 illustrated in FIG. 1 causes the display 5 to display a display screen including the maximum value of predicted values for the current day and the next day, the time when the maximum value is reached, and the like. The display screen will be described with reference to FIG.
図９に示す表示画面には、契約電力（2800kW）と、目標電力（2124kW）と、警告電力（2018kW）と、現在の消費電力（1740kW）と、本日の予測最大電力（1779kW）と、本日の予測最大時刻（14時00分）と、明日の予測最大電力（1119kW）と、明日の予測最大時刻（06時00分）と、本日の余裕電力（345W）と、明日の余裕電力（1005W）とが表示されている。 The display screen shown in Figure 9 shows the contract power (2800kW), target power (2124kW), warning power (2018kW), current power consumption (1740kW), today's predicted maximum power (1779kW), The predicted maximum time (14:00), tomorrow's predicted maximum power (1119kW), tomorrow's predicted maximum time (06:00), today's surplus power (345W), and tomorrow's surplus power (1005W) ) And are displayed.
契約電力は電力会社との間で契約している電力であり、目標電力は節電のために設定する目標電力であり、警告電力はアラートを発行する際の基準となる電力である。現在の消費電力は現在使用している電力であり、本日の予測最大電力は本日の最大の予測値に対応する電力であり、本日の予測最大時刻は本日の予測最大電力に到達する時刻である。明日の予測最大電力は明日の最大の予測値に対応する電力であり、明日の予測最大時刻は明日の予測最大電力に到達する時刻である。本日の余裕電力は目標電力から本日の予測最大電力を減算した電力であり、明日の余裕電力は目標電力から明日の予測最大電力を減算した電力である。 Contract power is power contracted with an electric power company, target power is target power set for power saving, and warning power is power used as a reference at the time of issuing an alert. The current power consumption is the power currently in use, today's predicted maximum power is the power corresponding to today's maximum predicted value, and today's predicted maximum time is the time to reach today's predicted maximum power . Tomorrow's predicted maximum power is the power corresponding to tomorrow's maximum predicted value, and tomorrow's predicted maximum time is the time to reach tomorrow's predicted maximum power. Today's surplus power is power obtained by subtracting today's predicted maximum power from the target power, and tomorrow's surplus power is power obtained by subtracting tomorrow's predicted maximum power from the target power.
また、表示画面には、本日および明日の４８時間における電力の推移実績および推移予測を示す縦棒グラフと、本日および明日の４８時間における温度・湿度の推移実績および推移予測を示す折れ線グラフとが表示される。縦棒グラフを表示するグラフ領域には、目標電力や警告電力を示す線グラフと、前回の実績値の推移を示す折れ線グラフとが合わせて表示される。 In addition, the display screen displays a vertical bar graph indicating the power transition results and transition predictions for 48 hours today and tomorrow, and a line graph indicating the temperature and humidity transition results and transition predictions for 48 hours today and tomorrow. Is done. In the graph area displaying the vertical bar graph, a line graph indicating the target power or warning power and a line graph indicating the transition of the previous actual value are displayed together.
このような表示画面を表示することで、当日および翌日の電力消費量が目標電力を超えるのか否かを予測することができ、超える場合には、いつ頃、どの程度超えそうなのかを推測することが可能となる。また、当日の実績も表示されるため、当日の状況と翌日の状況とを照らし合わせて翌日の電力消費量を推測することが可能となる。 By displaying such a display screen, it is possible to predict whether the power consumption on the current day and the next day will exceed the target power, and if so, estimate when and how much it will exceed It becomes possible. Moreover, since the results of the day are also displayed, it becomes possible to estimate the power consumption of the next day by comparing the situation of the day and the situation of the next day.
例えば、翌日の諸条件が本日と同程度であると想定される場合には、本日と同じような節電努力を行うことで、翌日も目標電力を超えることはないであろうという推測ができる。また、翌日の諸条件が本日よりも厳しくなると想定される場合には、本日と同じような節電努力を行っただけでは、翌日のピーク時に目標電力を超える恐れがあるという推測ができ、事前に、作業時間や休憩時間をシフトする等の対策をとることが可能となる。 For example, when the conditions of the next day are assumed to be the same as today, it can be estimated that the next day will not exceed the target power by performing the same power saving efforts as today. If the next day's conditions are expected to be stricter than today, it can be assumed that simply using the same power-saving efforts as today, there is a risk of exceeding the target power at the peak of the next day. It is possible to take measures such as shifting work time and break time.
上述してきたように、実施形態における負荷量予測装置１によれば、不快指数と電力消費量とを変数に含む回帰式に、予報データを用いて算出した不快指数を代入することで、予測対象期間の電力消費量の予測値を演算することができる。また、同じパターンに属する前回分の実績データの電力消費量と予測値との間の偏差が最小になるように、回帰式の係数を変更することができる。 As described above, according to the load amount predicting apparatus 1 in the embodiment, by substituting the discomfort index calculated using the forecast data into the regression equation including the discomfort index and the power consumption as variables, the prediction target A predicted value of power consumption during the period can be calculated. In addition, the coefficient of the regression equation can be changed so that the deviation between the power consumption of the previous record data belonging to the same pattern and the predicted value is minimized.
これにより、将来の気象条件を考慮して電力消費量の予測値を演算することができるとともに、同じパターンに属する前回分の実績値の推移傾向に予測値の推移が近づくように回帰式の係数を変更することができるため、電力消費量の推移予測の精度を向上させることができる。 This makes it possible to calculate the predicted value of power consumption taking into account future weather conditions, and the coefficient of the regression equation so that the transition of the predicted value approaches the trend of the previous actual value belonging to the same pattern. Therefore, it is possible to improve the accuracy of power consumption transition prediction.
１…負荷量予測装置、３…実績データＤＢ、５…ディスプレイ、１１…受信部、１２…取得部、１３…演算部、１４…表示部。 DESCRIPTION OF SYMBOLS 1 ... Load amount prediction apparatus, 3 ... Performance data DB, 5 ... Display, 11 ... Reception part, 12 ... Acquisition part, 13 ... Calculation part, 14 ... Display part.
Claims (8)
気象要素の時系列の予報データを受信する受信部と、
気象状態を表す因子と前記負荷量とを変数に含む回帰式に前記予報データを代入し、予測対象期間の前記負荷量の予測値を演算するとともに、曜日に応じて区分可能なパターンごとに予め登録されている前記実績データのうち前記予測値と同一の前記パターンに属する前回分の前記実績データの前記負荷量と前記予測値との間の偏差が最小になるように、前記回帰式の係数を変更する演算部と、
を備えることを特徴とする負荷量予測装置。 An acquisition unit for acquiring time-series performance data including the load amount to be predicted;
A receiving unit for receiving time-series forecast data of weather elements;
Substituting the forecast data into a regression equation including a factor representing a weather condition and the load amount as variables, and calculating a predicted value of the load amount in a prediction target period, and for each pattern that can be classified according to the day of the week The coefficient of the regression equation so that the deviation between the load amount and the predicted value of the previous actual data belonging to the same pattern as the predicted value among the registered actual data is minimized. An arithmetic unit for changing
A load amount prediction apparatus comprising:
気象要素の時系列の予報データを受信する受信ステップと、
気象状態を表す因子と前記負荷量とを変数に含む回帰式に前記予報データを代入し、予測対象期間の前記負荷量の予測値を演算するとともに、曜日に応じて区分可能なパターンごとに予め登録されている前記実績データのうち前記予測値と同一の前記パターンに属する前回分の前記実績データの前記負荷量と前記予測値との間の偏差が最小になるように、前記回帰式の係数を変更する演算ステップと、
を含むことを特徴とする負荷量予測方法。 An acquisition step of acquiring time-series performance data including a load amount to be predicted;
A receiving step for receiving time series forecast data of weather elements;
Substituting the forecast data into a regression equation including a factor representing a weather condition and the load amount as variables, and calculating a predicted value of the load amount in a prediction target period, and for each pattern that can be classified according to the day of the week The coefficient of the regression equation so that the deviation between the load amount and the predicted value of the previous actual data belonging to the same pattern as the predicted value among the registered actual data is minimized. A calculation step for changing
The load amount prediction method characterized by including.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011130533A JP5789421B2 (en) | 2011-06-10 | 2011-06-10 | Load amount prediction apparatus, load amount prediction method, and load amount prediction program |
| CN201210186796.5A CN102855343B (en) | 2011-06-10 | 2012-06-07 | Capacity prediction device, load Forecasting Methodology and load predictor |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011130533A JP5789421B2 (en) | 2011-06-10 | 2011-06-10 | Load amount prediction apparatus, load amount prediction method, and load amount prediction program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2013005465A true JP2013005465A (en) | 2013-01-07 |
| JP5789421B2 JP5789421B2 (en) | 2015-10-07 |
Family
ID=47401930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2011130533A Active JP5789421B2 (en) | 2011-06-10 | 2011-06-10 | Load amount prediction apparatus, load amount prediction method, and load amount prediction program |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP5789421B2 (en) |
| CN (1) | CN102855343B (en) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103606015A (en) * | 2013-11-26 | 2014-02-26 | 国网安徽省电力公司 | Short-term load forecasting method based on hourly comprehensive meteorological indexes |
| CN104134096A (en) * | 2014-06-12 | 2014-11-05 | 国网安徽省电力公司 | Intelligent load prediction method based on province and prefecture integration |
| JP2015076091A (en) * | 2013-10-09 | 2015-04-20 | 富士通株式会社 | Time series forecasting ensemble |
| WO2015183678A1 (en) * | 2014-05-27 | 2015-12-03 | Wireless Glue Networks, Inc. | Method and apparatus for selective componentized thermostatic controllable loads |
| CN105825040A (en) * | 2015-12-29 | 2016-08-03 | 海南电力技术研究院 | Short-term power load prediction method |
| WO2016129218A1 (en) * | 2015-02-09 | 2016-08-18 | 日本電気株式会社 | Display system for displaying analytical information, method, and program |
| JP2017050919A (en) * | 2015-08-31 | 2017-03-09 | 住友電気工業株式会社 | Demand power prediction device, demand power prediction method and computer program |
| WO2017104425A1 (en) * | 2015-12-14 | 2017-06-22 | 三菱電機株式会社 | Supply and demand adjustment device, supply and demand adjustment system, and energy supply-and-demand adjustment method |
| JP2018022237A (en) * | 2016-08-01 | 2018-02-08 | 日本電信電話株式会社 | Prediction device, prediction method, and program |
| CN111008727A (en) * | 2019-10-28 | 2020-04-14 | 许昌许继软件技术有限公司 | Power distribution station load prediction method and device |
| CN111127248A (en) * | 2019-12-03 | 2020-05-08 | 江苏智臻能源科技有限公司 | Short-term load prediction method based on correlation analysis and Kalman filtering method |
| CN111337742A (en) * | 2020-02-25 | 2020-06-26 | 广东电网有限责任公司 | Distribution network short-term load prediction data acquisition equipment |
| CN111461496A (en) * | 2020-03-10 | 2020-07-28 | 国网山西省电力公司经济技术研究院 | Seasonal adjustment method for medium and long-term load data |
| CN112396207A (en) * | 2019-08-15 | 2021-02-23 | 南京理工大学 | Power load prediction method based on big data |
| CN112531683A (en) * | 2020-11-19 | 2021-03-19 | 国网湖北省电力有限公司电力科学研究院 | Distribution network line load prediction method based on solution of Ornstein-Urnbek process |
| CN112583008A (en) * | 2020-12-09 | 2021-03-30 | 国家电网有限公司 | Power load prediction method based on historical annual weather law |
| CN113193551A (en) * | 2021-04-27 | 2021-07-30 | 长安大学 | Short-term power load prediction method based on multi-factor and improved feature screening strategy |
| CN116878590A (en) * | 2023-09-06 | 2023-10-13 | 山东远联信息科技有限公司 | Intelligent service collaborative operation management system |
| CN117077986A (en) * | 2023-10-16 | 2023-11-17 | 华中科技大学 | Situation awareness method and related equipment for extreme operation risk scene of power system |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105393422B (en) * | 2013-05-30 | 2019-06-18 | 东芝三菱电机产业系统株式会社 | Electrical management device |
| CN104571068B (en) * | 2015-01-30 | 2017-06-30 | 中国华电集团科学技术研究总院有限公司 | The operating and optimization control method and system of a kind of distributed energy resource system |
| CN107292413A (en) * | 2016-04-10 | 2017-10-24 | 国网山东省电力公司经济技术研究院 | Electric load analysing and predicting system based on big data and information fusion |
| CN109390938A (en) * | 2018-11-13 | 2019-02-26 | 国网天津市电力公司电力科学研究院 | A kind of Itellectualized uptown Demand-side short-term load forecasting method and its device |
| CN113837420A (en) * | 2020-06-23 | 2021-12-24 | 三菱电机(中国)有限公司 | Power consumption prediction method, power consumption prediction system, and computer-readable storage medium |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0350431A (en) * | 1989-07-14 | 1991-03-05 | Nikken Sekkei Ltd | Load estimating method |
| JP2001249916A (en) * | 2000-03-07 | 2001-09-14 | Nippon Steel Corp | Demand prediction device and method and computer readable storage medium |
| JP2004164388A (en) * | 2002-11-14 | 2004-06-10 | Yokogawa Electric Corp | Demand forecast system |
| JP2004334328A (en) * | 2003-04-30 | 2004-11-25 | Nri & Ncc Co Ltd | Merchandise demand predicting system and same system at beginning/end of year |
| JP2004336890A (en) * | 2003-05-08 | 2004-11-25 | Hitachi Ltd | Power purchase and sale support system |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102073922A (en) * | 2010-12-10 | 2011-05-25 | 沈阳工业大学 | Method for predicting short-term load by screening influence factors |
-
2011
- 2011-06-10 JP JP2011130533A patent/JP5789421B2/en active Active
-
2012
- 2012-06-07 CN CN201210186796.5A patent/CN102855343B/en not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0350431A (en) * | 1989-07-14 | 1991-03-05 | Nikken Sekkei Ltd | Load estimating method |
| JP2001249916A (en) * | 2000-03-07 | 2001-09-14 | Nippon Steel Corp | Demand prediction device and method and computer readable storage medium |
| JP2004164388A (en) * | 2002-11-14 | 2004-06-10 | Yokogawa Electric Corp | Demand forecast system |
| JP2004334328A (en) * | 2003-04-30 | 2004-11-25 | Nri & Ncc Co Ltd | Merchandise demand predicting system and same system at beginning/end of year |
| JP2004336890A (en) * | 2003-05-08 | 2004-11-25 | Hitachi Ltd | Power purchase and sale support system |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015076091A (en) * | 2013-10-09 | 2015-04-20 | 富士通株式会社 | Time series forecasting ensemble |
| CN103606015A (en) * | 2013-11-26 | 2014-02-26 | 国网安徽省电力公司 | Short-term load forecasting method based on hourly comprehensive meteorological indexes |
| WO2015183678A1 (en) * | 2014-05-27 | 2015-12-03 | Wireless Glue Networks, Inc. | Method and apparatus for selective componentized thermostatic controllable loads |
| CN104134096A (en) * | 2014-06-12 | 2014-11-05 | 国网安徽省电力公司 | Intelligent load prediction method based on province and prefecture integration |
| JPWO2016129218A1 (en) * | 2015-02-09 | 2017-11-16 | 日本電気株式会社 | Information display system, method and program for analysis |
| WO2016129218A1 (en) * | 2015-02-09 | 2016-08-18 | 日本電気株式会社 | Display system for displaying analytical information, method, and program |
| JP2017050919A (en) * | 2015-08-31 | 2017-03-09 | 住友電気工業株式会社 | Demand power prediction device, demand power prediction method and computer program |
| WO2017104425A1 (en) * | 2015-12-14 | 2017-06-22 | 三菱電機株式会社 | Supply and demand adjustment device, supply and demand adjustment system, and energy supply-and-demand adjustment method |
| JP2017112646A (en) * | 2015-12-14 | 2017-06-22 | 三菱電機株式会社 | Supply/demand adjustment device, supply/demand adjustment system, and energy supply/demand adjustment method |
| CN105825040A (en) * | 2015-12-29 | 2016-08-03 | 海南电力技术研究院 | Short-term power load prediction method |
| JP2018022237A (en) * | 2016-08-01 | 2018-02-08 | 日本電信電話株式会社 | Prediction device, prediction method, and program |
| CN112396207A (en) * | 2019-08-15 | 2021-02-23 | 南京理工大学 | Power load prediction method based on big data |
| CN111008727A (en) * | 2019-10-28 | 2020-04-14 | 许昌许继软件技术有限公司 | Power distribution station load prediction method and device |
| CN111127248A (en) * | 2019-12-03 | 2020-05-08 | 江苏智臻能源科技有限公司 | Short-term load prediction method based on correlation analysis and Kalman filtering method |
| CN111127248B (en) * | 2019-12-03 | 2023-05-02 | 江苏智臻能源科技有限公司 | Short-term load prediction method based on correlation analysis and Kalman filtering method |
| CN111337742A (en) * | 2020-02-25 | 2020-06-26 | 广东电网有限责任公司 | Distribution network short-term load prediction data acquisition equipment |
| CN111461496A (en) * | 2020-03-10 | 2020-07-28 | 国网山西省电力公司经济技术研究院 | Seasonal adjustment method for medium and long-term load data |
| CN112531683A (en) * | 2020-11-19 | 2021-03-19 | 国网湖北省电力有限公司电力科学研究院 | Distribution network line load prediction method based on solution of Ornstein-Urnbek process |
| CN112583008A (en) * | 2020-12-09 | 2021-03-30 | 国家电网有限公司 | Power load prediction method based on historical annual weather law |
| CN112583008B (en) * | 2020-12-09 | 2022-06-24 | 国家电网有限公司 | Power load prediction method based on historical annual weather law |
| CN113193551A (en) * | 2021-04-27 | 2021-07-30 | 长安大学 | Short-term power load prediction method based on multi-factor and improved feature screening strategy |
| CN116878590A (en) * | 2023-09-06 | 2023-10-13 | 山东远联信息科技有限公司 | Intelligent service collaborative operation management system |
| CN116878590B (en) * | 2023-09-06 | 2023-11-21 | 山东远联信息科技有限公司 | Intelligent service collaborative operation management system |
| CN117077986A (en) * | 2023-10-16 | 2023-11-17 | 华中科技大学 | Situation awareness method and related equipment for extreme operation risk scene of power system |
| CN117077986B (en) * | 2023-10-16 | 2024-01-30 | 华中科技大学 | Situation awareness method and related equipment for extreme operation risk scene of power system |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102855343A (en) | 2013-01-02 |
| JP5789421B2 (en) | 2015-10-07 |
| CN102855343B (en) | 2016-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5789421B2 (en) | Load amount prediction apparatus, load amount prediction method, and load amount prediction program | |
| US20230036128A1 (en) | Self-driving building energy engine | |
| JP6193400B2 (en) | Electric power demand prediction system, electric power demand prediction method, customer profiling system, and customer profiling method | |
| JP4634242B2 (en) | Energy saving amount estimation apparatus, method, and program | |
| TWI592811B (en) | Demand forecast device, program and recording medium | |
| JP2018163515A5 (en) | ||
| JP6094369B2 (en) | Power demand forecasting device, power demand forecasting method, and power demand forecasting program | |
| WO2015087470A1 (en) | Demand prediction device and program | |
| JP6617476B2 (en) | Demand power prediction apparatus, demand power prediction method, and computer program | |
| JP6605181B2 (en) | Operation control device, air conditioning system, operation control method, and operation control program | |
| JP2016019358A (en) | Demand prediction apparatus, computer program, smart meter and power storage device | |
| US20150308703A1 (en) | Integrated demand control method and integrated demand control device | |
| Qin et al. | A data-driven linear approximation of HVAC utilization for predictive control and optimization | |
| JP2017220050A (en) | Electric power amount prediction device | |
| JP2008102816A (en) | Energy saving report preparation device and method of predicting energy consumption by using the same | |
| Stoyanova et al. | Adapted methods from statistical process control for evaluation of load variations in distribution grids | |
| JP6705716B2 (en) | Power demand forecasting method and power demand forecasting program | |
| WO2016031065A1 (en) | Power consumption estimation device, appliance management system, power consumption estimation method, and program | |
| US10371861B2 (en) | Notification techniques for reducing energy usage | |
| WO2012137814A1 (en) | Controller and control method | |
| Rao et al. | An expert system approach to short-term load forecasting for Reliance Energy Limited, Mumbai | |
| JP6292515B2 (en) | Demand forecasting device, program | |
| JPH07123589A (en) | Demand estimation system | |
| JP6106052B2 (en) | Energy management system and method, and program | |
| JP6841231B2 (en) | Information processing device, its information processing method, and program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20140324 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20141218 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20150108 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20150306 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20150727 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150803 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5789421 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |