JP2013201874A - 電力系統の需給制御方法およびそのシステム - Google Patents

Abstract

【課題】需要側の状況に的確に対応して最適な制御周期を求める。
【解決手段】過去実績収集ステップＳ１１では過去実績収集部１１が、過去の実績データおよび日付条件データＤ１２を読み込み、実績データの中から日付条件データＤ１２に該当する実績データを取り出して分析対象データＤ１３を作成する。時系列モデルフィッティングステップＳ２２では時系列モデルフィッティング部１２が、分析対象データを読み込み、分析対象データＤ１３に近似するＡＲＭＡモデル係数Ｄ１４を求める。パワースペクトル計算ステップＳ３２ではパワースペクトル計算部１３がＡＲＭＡモデル係数Ｄ１４におけるパワースペクトルＤ１５を計算し、制御周期計算ステップＳ４２では制御周期計算部１４がパワースペクトルＤ１５の最大周波数成分を用いて制御周期Ｄ１６を計算する。
【選択図】図１

Description

本発明の実施形態は、制御周期を最適化するための電力系統の需給制御方法およびそのシステムに関する。

電力系統の需給制御は、需要家に対し、適切な電圧および周波数で電力を供給することが重要である。そのため、電力系統の需給制御方法としては、刻々と変化する電力負荷変動に合わせて発電機を制御する方法を採用している。これにより、需要に合わせた電力が需要家に届けられ、電力の需要と供給のバランスが保たれている。

ところで、実際の需要データは変動周期成分を有する。変動周期成分は一日のうちでも時間帯によって異なり、また、天候や気温、季節などの自然状況、さらには大型連休や年末年始などの社会状況によっても変わる。そのため、電力の需要に合わせて発電機の制御を行う場合は、過去の需要実績データを考慮した上で、一定の制御周期で発電機に制御指令を出力している。電力系統の需給制御技術の従来例としては特許文献１、２などがある。

特開平６−３５１１６１号公報 特開２００３−９３９１号公報

近年、電力系統を取り巻く環境は複雑さが増している。例えば、需要側では電気自動車や深夜電力を利用した給湯機が普及し、供給側では風力や太陽光等の自然エネルギーを利用した発電機や分散型電源が増大している。このように電力系統を取り巻く環境が複雑化すると、発電機への制御指令をどの制御周期で出すのが最も妥当であるかという判断が難しくなる。

具体的には、制御周期を長くして発電機へ出す制御指令が遅れたとすると、ＥＤＣ(経済負荷配分制御)での配分残が多くなり、この配分残をＬＦＣ(負荷周波数制御)で吸収せざるを得なくなる。その結果、電力系統は不経済な運転を余儀なくされる。だからといって、制御周期を短くしてＥＤＣで細かく制御し過ぎると、過制御になり、やはり不経済である。つまり、発電機への制御指令を一定の制御周期で出力するだけでは、需要側の状況に対応できなくなるおそれがあった。そこで従来から、需要側の状況に応じて最適な制御周期を決定する需給制御技術の開発が待たれていた。

本発明の実施形態は、上記の課題を解決するために提案されたものである。本実施形態の目的は、需要側の状況に的確に対応して最適な制御周期を求めることが可能な電力系統の需給制御方法およびそのシステムを提供することにある。

上記目的を達成するため、本実施形態の電力系統の需給制御方法は、次の（ａ）〜（ｅ）のステップを含むことを特徴とする。
（ａ）過去の実績データおよび予め設定された収集条件を１つまたは複数読み込み、前記実績データの中から前記収集条件に該当する実績データを取り出して分析対象データを作成する過去実績収集ステップ。
（ｂ）前記分析対象データを読み込み、前記分析対象データに近似する時系列モデルを求める時系列モデルフィッティングステップ。
（ｃ）前記時系列モデルにおけるパワースペクトルを計算するパワースペクトル計算ステップ。
（ｄ）前記パワースペクトルが最大となる周波数成分を用いて制御周期を計算する制御周期計算ステップ。
（ｅ）前記制御周期にしたがって制御演算を行い発電機への制御指令を作成する制御演算ステップ。

第１の実施形態の構成を示すブロック図。 第１の実施形態のフローチャート。 第２の実施形態の構成を示すブロック図。 第２の実施形態のフローチャート。 第３の実施形態の構成を示すブロック図。 第３の実施形態のフローチャート。 第４の実施形態の構成を示すブロック図。 第４の実施形態のフローチャート。 第５の実施形態のフローチャート。 第６の実施形態のフローチャート。 ＡＲＭＡモデル係数の算出例を示す図。

［第１の実施形態］
（構成）
図１は第１の実施形態の構成を示すブロック図である。図１に示すように、電力系統の需給制御システム１には、条件入力部９、過去実績データベース１０、過去実績収集部１１、時系列モデルフィッティング部１２、パワースペクトル計算部１３、制御周期計算部１４、制御演算部１５が設けられている。これらの構成要素はデータの送受信を行うように通信手段を介して接続されている。

過去実績データベース１０は需要データに関する過去の全ての実績データが格納された記憶装置である。条件入力部９はキーボードなどの入力装置であり、過去実績データの収集条件を入力する。過去実績収集部１１は、条件入力部９から収集条件を取り込むと共に、全ての過去実績データの中から前記収集条件に該当したデータだけを取り出すことで、所望の過去実績データを集める。

時系列モデルフィッティング部１２は、過去実績収集部１１が集めた過去実績データに対し、これに近似する時系列モデルを求める。時系列モデルとは、時間的な変化を含む過去のデータから予測される将来のデータモデルである。パワースペクトル計算部１３は時系列モデル単位で、周波数ごとの信号エネルギーであるパワースペクトルを計算する。

需要データに近似した時系列モデルにおいてパワースペクトルの最も大きい周波数成分が、主要な変動周期成分であると考えることができる。そこで制御周期計算部１４はパワースペクトルにおいて最もスペクトルの大きい周波数成分から、制御周期を求める。制御演算部１５は制御周期に従って制御演算を行い、制御指令を作成する。

（作用）
次に、電力系統の需給制御システム１の動作について図２を用いて説明する。図２は需給制御システム１のフローチャートである。需給制御システム１を動作させる前提として、条件入力部９により予め人の手で収集条件を入力しておく。ここでは収集条件を過去の時点での日付として、条件入力部９が日付条件データＤ１２を入力する。また、過去実績データベース１０に格納された過去の全ての実績データについては、過去実績総需要データＤ１１とする。主要なステップについてまとめると、Ｓ１１が収集条件読込ステップ、Ｓ１２が分析対象データ析出ステップ、Ｓ２２が時系列モデルフィッティングステップ、Ｓ３２がパワースペクトル計算ステップ、Ｓ４２が制御周期計算ステップ、Ｓ５２が制御演算処理ステップである。

ステップＳ１１では、過去実績収集部１１が日付条件データＤ１２を読み込む。ステップＳ１２では、過去実績収集部１１が過去実績総需要データＤ１１の中から日付条件データＤ１２に当てはまる日付の過去実績データを取り出す。取り出した過去実績データを分析対象データＤ１３とする。

時系列モデルフィッティング部１２は分析対象データＤ１３を読み込み（ステップＳ２１）、分析対象データＤ１３に近似する時系列モデルとして、ＡＲＭＡモデル係数Ｄ１４を算出する（ステップＳ２２）。ＡＲＭＡモデル係数Ｄ１４は以下の式（１）より与えられる。式（１）では、ａ_ｉ，ｂ_ｉをＡＲＭＡモデル係数、ＡＲＭＡ過程をｙ_ｎ、白色雑音をν_ｎとする。

続いて、パワースペクトル計算部１３がＡＲＭＡモデル係数Ｄ１４を読み込み（ステップＳ３１）、分割されたＡＲＭＡモデル単位でパワースペクトルＤ１５を計算する（ステップＳ３２）。ＡＲＭＡモデル係数Ｄ１４におけるパワースペルクトルｐ（ｆ）は以下の式より算出する。

次にステップＳ４１では、制御周期計算部１４がパワースペクトル計算部１３にて求めたパワースペクトルＤ１５を読み込む。ＡＲＭＡモデル係数Ｄ１４においてパワースペクトルＤ１５の最も大きい周波数成分を主要な変動周期成分と想定する。そのためステップＳ４２では、制御周期計算部１４がパワースペクトルＤ１５の最も大きい周波数成分から、以下の式（３）によって、制御周期Ｄ１６を求める。式（３）において、Ｔは制御周期、ｆｓはサンプリング周波数、ｆｐは最大周波数である。

制御演算部１５は制御周期計算部１４で求めた制御周期Ｄ１６を読み込み（ステップＳ５１）、制御周期Ｄ１６にしたがって制御演算を行う（ステップＳ５２）。これにより制御演算部１５は制御演算結果として制御指令Ｄ１７を作成し、この制御指令Ｄ１７を発電機に出力する。

（効果）
以上のような第１の実施形態においては、過去実績データである分析対象データＤ１３を、局所定常なＡＲＭＡモデル係数Ｄ１４を求め、分割されたＡＲＭＡモデル単位でパワースペクトルＤ１５を計算している。すなわち、観測データである分析対象データＤ１３を時系列モデルに一旦近似させてからパワースペクトルを計算する。このため、分析対象データＤ１３からパワースペクトルＤ１５を直接計算する場合に比べて、鮮明にデータの特徴を収集することが可能である。

そして、パワースペクトルＤ１５の最も大きい周波数成分を主要な変動周期成分として捉えることで、パワースペクトルＤ１５が最大となる周波数成分から、最適な制御周期Ｄ１６を求めている。第１の実施形態では、こうして求めた制御周期Ｄ１６にしたがって制御指令Ｄ１７を出すため、適切な周期で電力系統の需給制御を行うことが可能となる。その結果、需要側の状況が複雑に変化して需要データの変動周期成分が多様化したとしても、それに的確に対応することができる。これにより、過不足のない経済的で有効な需給制御を実現することが可能である。

［第２の実施形態］
（構成）
図３は第２の実施形態の構成を示すブロック図、図４は第２の実施形態のフローチャートである。なお、第２の実施形態において第１の実施形態の構成要素と同一の部分に関しては同一符号を付して説明は省略する。また、図４のフローチャートにおいて、図２に示したフローチャートと同一の部分に関しては図示を省略する。

図３に示すように、第２の実施形態は前記第１の実施形態の構成に、トレンド除去部２０１を追加した点に特徴がある。一般に時系列データはトレンドと周期変動と残差との和として表現することができる。このうち、トレンド成分は明らかに制御対象とは異なる。そこで第２の実施形態では、トレンド除去部２０１を設け、過去実績収集部１１が収集した分析対象データＤ１３からトレンドを除去するように構成する。

（作用効果）
図４のフローチャートに示すように、第２の実施形態では、ステップＳ２０１において、トレンド除去部２０１が分析対象データＤ１３からトレンドを除去し、トレンド除去後の分析対象データＤ２０１を生成する。時系列モデルフィッティング部１２はこのトレンド除去後の分析対象データＤ２０１から、時系列モデルであるＡＲＭＡモデル係数Ｄ１４を算出する（ステップＳ２２）。

このため、時系列モデルフィッティング部１２がＡＲＭＡモデル係数Ｄ１４を算出する前段階で、様々な周波数成分が存在する分析対象データＤ１３の中から、制御対象とは異なるトレンド成分を予め除去しておくことができる。したがって、トレンド除去後分析対象データＤ２０１に含まれる成分は周期変動成分と残差成分だけとなる。その結果、スペクトル計算部１３がパワースペクトルＤ１５を計算するときに、より先鋭な特徴収集が可能となる。このような第２の実施形態によれば、制御周期計算部１４は精度の高い制御周期Ｄ１６を求めることができ、需要側の状況の変化に対して、より柔軟に対応可能であり、需給制御の信頼性がいっそう向上する。

［第３の実施形態］
（構成）
図５は第３の実施形態の構成を示すブロック図、図６は第３の実施形態のフローチャートである。なお、第３の実施形態において第１の実施形態の構成要素と同一の部分に関しては同一符号を付して説明は省略する。また、図６のフローチャートにおいて、図２に示したフローチャートと同一の部分に関しては図示を省略する。

図５に示すように、第３の実施形態は前記第１の実施形態の構成に、高周波成分除去部３０１を追加した点に特徴がある。高周波成分除去部３０１は時系列データの高周波数成分を除去するためのフィルタである。高周波成分除去部３０１では、分析対象データＤ１３から発電機が追従できない高周波成分を除去するようになっている。

（作用効果）
過去実績総需要データＤ１１には様々な周波数成分が存在するが、発電機が追従不能である速い高周波成分も含まれる。そこで図６のフローチャートに示すように、第３の実施形態では、ステップＳ３０１において、高周波成分除去部３０１が分析対象データＤ１３から発電機が追従不能な高周波成分を除去し、高周波成分除去後の分析対象データＤ３０１を生成する。時系列モデルフィッティング部１２はこの高周波成分除去後の分析対象データＤ３０１から、時系列モデルであるＡＲＭＡモデル係数Ｄ１４を算出する（ステップＳ２２）。

このため、時系列モデルフィッティング部１２がＡＲＭＡモデル係数Ｄ１４を算出する前段階で、分析対象データＤ１３の中から、明らかに発電機が追従不能な高周波成分を予め除去しておくことができる。したがって、パワースペクトル計算部１３がパワースペクトルＤ１５を計算する場合、実際に制御可能な範囲の周波数のパワースペクトルＤ１５を収集することが可能である。その結果、制御周期計算部１４は精度の高い制御周期Ｄ１６を求めることができ、需給制御の安定性がより向上する。

［第４の実施形態］
（構成）
図７は第４の実施形態の構成を示すブロック図、図８は第４の実施形態のフローチャートである。なお、第４の実施形態において第１の実施形態の構成要素と同一の部分に関しては同一符号を付して説明は省略する。また、図８のフローチャートにおいて、図２に示したフローチャートと同一の部分に関しては図示を省略する。

図８に示すように、第４の実施形態は、第２の実施形態の特徴であるトレンド除去部２０１と、第３の実施形態の特徴である高周波成分除去部３０１とを、兼ね備えた点に特徴がある。

（作用効果）
以上のような第４の実施形態では、第２の実施形態の作用効果と第３の実施形態の作用効果とを併せ持つことになる。すなわち、図８のフローチャートに示すように、トレンド除去部２０１が分析対象データＤ１３からトレンドを除去してトレンド除去後の分析対象データＤ２０１を生成し（ステップＳ２０１）、これを高周波成分除去部３０１に送り出す。ステップＳ３０１では、高周波成分除去部３０１はトレンド除去後の分析対象データＤ２０１から、発電機が追従不能な高周波成分をさらに除去して、トレンドおよび高周波成分除去後の分析対象データＤ４０１を生成する。

このため、時系列モデルフィッティング部１２がＡＲＭＡモデル係数Ｄ１４を算出する前段階で、分析対象データＤ１３の中から、明らかに制御対象とは異なるトレンド成分と、明らかに発電機が追従不能な高周波成分の両方を、予め除去しておくことができる。したがって、パワースペクトル計算部１３は実運用に即した周波数のパワースペクトルＤ１５を収集することが可能である。

［第５の実施形態］
（構成）
第５の実施形態の構成は第１の実施形態と同様である。第５の実施形態では条件入力部９において入力される収集条件として、過去の日付以外の条件データが設定される点に特徴がある。第５の実施形態では、条件入力部９によって、過去の日付以外の条件データとして、気象条件や発電機運転体制を入力するようなっている。

（作用効果）
図９は第５の実施形態の過去実績収集部１１におけるフローチャートである。ステップＳ５１１では任意に設定した日付条件データＤ１２および日付以外の条件データＤ５０２を読み込む。ステップＳ１２では、日付条件データＤ１２および日付以外の条件データＤ５０２をもとにして、過去実績総需要データＤ１１、日付条件データＤ１２および条件データＤ５０２を照合して検索し、最もマッチングする過去の実績データを分析対象データＤ１３として収集する。

上記の第５の実施形態によれば、過去実績データの収集条件として、日付条件データＤ１２に加えて、気象条件や発電機運転体制など日付以外の条件データＤ５０２を複数指定することができる。このため、日付条件データＤ１２だけをもとにして分析対象データＤ１３を収集した場合と比べて、過去のその日付において系統運用と類似した過去実績データを収集することができる。したがって、当日運用に即した精度の高い需給制御を行うことが可能となる。

［第６の実施形態］
（構成）
第６の実施形態の構成も第１の実施形態の構成と同様である。第６の実施形態では、過去実績収集手段１１および時系列モデルフィッティング手段１２に特徴がある。過去実績収集手段１１は、Ｎ個の分析対象データＤ６１３を収集するとともに、あらかじめ設定しておいたＭ個の区間を読み込むように構成されている。区間とは、１日２４時間を任意の時間帯に区切ったものを指す。また、時系列モデルフィッティング手段１２は、Ｎ個の分析対象データからＡＲＭＡモデル係数を算出するとともに、各区間においてそれぞれＮ個のＡＲＭＡモデル係数の平均をとり、新たにＡＲＭＡモデル係数を作成するように構成されている。

（作用効果）
図１０は第６の実施形態における時系列モデルフィッティング手段１２についてのフローチャートを示す。ステップＳ２１では、過去実績収集手段１１で収集したＮ個の分析対象データＤ６１３と、あらかじめ設定しておいたＭ個の区間Ｄ６１６を読み込む。ステップ２２では、読み込んだ分析対象データＤ６１３とＭ個の区間Ｄ６１６に基づいて、（Ｎ×Ｍ）個のＡＲＭＡモデル係数Ｄ６１４を算出する。ステップＳ６２３では、各区間においてそれぞれＮ個のＡＲＭＡモデル係数の平均をとり、新たにＡＲＭＡモデル係数Ｄ６１５を作成して、これをパワースペクトル計算部１３に出力する。

このような第６の実施形態によれば、複数の分析対象データＤ６１３から平均化したＡＲＭＡモデル係数Ｄ６１５を算出することで、分析対象として選定されたＮ個のうち、仮に１個が特異なデータであった場合でも、平均化により特異データによる影響を低減させることができる。そのため、例えば選定日がゴールデンウィークなどの特異日であっても、特異データによる影響を低減させることができる。

［他の実施形態］
なお、上記の実施形態は、本明細書において一例として提示したものであって、発明の範囲を限定することを意図するものではない。すなわち、その他の様々な形態で実施されることが可能であり、発明の範囲を逸脱しない範囲で、種々の省略や置き換え、変更を行うことが可能である。これらの実施形態やその変形例は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

例えば、現実的な処理時間で、局所的に定常なＡＲモデルの区間を自動的に決定可能であることが知られている。そこで、時系列モデルフィッティング部のなかで、あらかじめ設定された区間を使用するのではなく、ＡＲＭＡモデル係数算出の過程において最適区間を自動算出するようにしてもよい。

具体的には、過去実績収集手段１１で収集した分析対象データのみを読み込み、読み込んだ分析対象データから、最適となるＭ個の区間と、それに対応するＭ個のＡＲＭＡモデル係数を算出する。このような実施形態によれば、ＡＲＭＡモデル係数算出のなかで最適区間を自動算出することで、区間を人間系で設定する手間を省くことができる。

さらに、時系列モデルフィッティング手段のなかで、Ｎ個の分析対象データからＡＲＭＡモデル係数を算出するとともに、最適区間を自動算出するように構成してもよい。すなわち、過去実績収集手段で収集したＮ個の分析対象データのみを読み込み、読み込んだＮ個の分析対象データから、各々最適となるＭ１，Ｍ２，・・・・，ＭＮ個の区間と、それに対応するＡＲＭＡモデル係数を算出する。そして、あらかじめ設定したＭ個の区間において、ＡＲＭＡモデル係数の移動平均をとり、新たにＡＲＭＡモデル係数として出力する。

ここで、ＡＲＭＡモデル係数の算出例を、図１１を用いて説明する。ｋ番目の分析対象データにおいて、自動算出された区間を（ａｋ，ｂｋ，ｃｋ，ｄｋ）とし、ＡＲＭＡモデル係数をそれぞれ（ｆ_ａｋ ，ｆ_ｂｋ ，ｆ_ｃｋ ，ｆ_ｄｋ）とする。この時、あらかじめ設定された区間１におけるＡＲＭＡ係数ｆ_１ｋは、次の式（４）で表すことができる。

αは、区間１の時間を１とした場合の区間ａｋの時間の割合（0.0＜α≦1.0）を表している。

次に、分析対象データＮ個の区間１におけるＡＲＭＡモデル係数の平均をとったものを、新たに区間１のＡＲＭＡモデル係数ｆ_１とする。区間２〜Ｍも同様にしてＡＲＭＡモデル係数算出する。

１１…過去実績収集部
１２…時系列モデルフィッティング部
１３…パワースペクトル計算部
１４…制御周期計算部
１５…制御演算部
２０１…トレンド除去部
３０１…高周波数成分除去部
Ｓ１１…収集条件データ読込ステップ
Ｓ１２…分析対象データ析出ステップ
Ｓ２１…データ読込ステップ
Ｓ２２…時系列モデルフィッティングステップ
Ｓ３１…ＡＲＭＡモデル係数読込ステップ
Ｓ３２…パワースペクトル計算ステップ
Ｓ４１…パワースペクトル読込ステップ
Ｓ４２…制御周期計算ステップ
Ｓ５１…制御周期読込ステップ
Ｓ５２…制御演算処理ステップ
Ｓ２０１…トレンド除去ステップ
Ｓ３０１…高周波数成分除去ステップ
Ｄ１１…過去実績総需要データ
Ｄ１２…日付条件データ
Ｄ１３…分析対象データ
Ｄ１４…ＡＲＭＡモデル係数
Ｄ１５…パワースペクトル
Ｄ１６…制御周期
Ｄ１７…制御指令
Ｄ２０１…トレンド除去後分析対象データ
Ｄ３０１…高周波数成分除去後分析対象データ
Ｄ４０１…トレンドおよび高周波数成分除去後分析対象データ

Claims (8)

1. 過去の実績データおよび予め設定された収集条件を読み込み、前記実績データの中から前記収集条件に該当する実績データを取り出して分析対象データを作成する過去実績収集ステップと、
   前記分析対象データを読み込み、前記分析対象データに近似する時系列モデルを求める時系列モデルフィッティングステップと、
   前記時系列モデルにおけるパワースペクトルを計算するパワースペクトル計算ステップと、
   前記パワースペクトルが最大となる周波数成分を用いて制御周期を計算する制御周期計算ステップと、
   前記制御周期にしたがって制御演算を行う制御演算ステップを含むことを特徴とする電力系統の需給制御方法。
2. 制御対象とは異なる周波数成分であるトレンドを、前記分析対象データからあらかじめ除去するトレンド除去ステップを含むことを特徴とする請求項１に記載の電力系統の需給制御方法。
3. 発電機で追従不能な周波数成分を、前記分析対象データからあらかじめ除去する高周波成分除去ステップを含むことを特徴とする請求項１または２に記載の電力系統の需給制御方法。
4. 前記過去実績収集ステップでは収集条件として過去の日付、気象条件、発電機運転体制のうちの少なくとも１つを含むことを特徴とする請求項１〜３のいずれか１項に記載の電力系統の需給制御方法。
5. 前記時系列モデルフィッティングステップでは、Ｎ個の分析対象データからＡＲＭＡモデル係数を算出することを特徴とする請求項１〜４のいずれか１項に記載の電力系統の需給制御方法。
6. 前記時系列モデルフィッティングステップでは、ＡＲＭＡモデル係数算出の過程において最適区間を自動算出することを特徴とする請求項１〜５のいずれか１項に記載の電力系統の需給制御方法。
7. 前記時系列モデルフィッティングステップでは、Ｎ個の分析対象データからＡＲＭＡモデル係数を算出するとともに、最適区間を自動算出することを特徴とする請求項１〜６のいずれか１項に記載の電力系統の需給制御方法。
8. 過去の実績データおよび予め設定された収集条件を１つまたは複数読み込み、前記実績データの中から前記収集条件に該当する実績データを取り出して分析対象データを作成する過去実績収集部と、
   前記分析対象データを読み込み、前記分析対象データに近似する時系列モデルを求める時系列モデルフィッティング部と、
   前記時系列モデルにおけるパワースペクトルを計算するパワースペクトル計算部と、
   前記パワースペクトルが最大となる周波数成分を用いて制御周期を計算する制御周期計算部と、
   前記制御周期にしたがって制御演算を行う制御演算部を備えたことを特徴とする電力系統の需給制御システム。

Images