JP2013255390A - 電力需要予測装置及び電力需要予測方法 - Google Patents
電力需要予測装置及び電力需要予測方法 Download PDFInfo
- Publication number
- JP2013255390A JP2013255390A JP2012130780A JP2012130780A JP2013255390A JP 2013255390 A JP2013255390 A JP 2013255390A JP 2012130780 A JP2012130780 A JP 2012130780A JP 2012130780 A JP2012130780 A JP 2012130780A JP 2013255390 A JP2013255390 A JP 2013255390A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- power demand
- data acquisition
- prediction method
- methods
- 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
Images
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
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】複数の予測法を用いることで高い予測精度を実現しながら、更に、電力需要量の予測に必要なリソースや計算量を低減する。
【解決手段】データ取得部101により取得した情報に基づいて、複数の予測法1041〜104nのうちから最も高精度に予測可能な1つの予測法104iを選択する予測法選択部103を備え、予測処理部104は、予測法選択部103により選択された予測法104iを用いてデータ取得部101により取得した情報に応じた電力需要量の予測結果を算出する。
複数の予測法1041〜104nを用いることで高い予測精度を実現しながら、更に、電力需要量の予測に必要なリソースや計算量を低減することができる。
【選択図】図1
【解決手段】データ取得部101により取得した情報に基づいて、複数の予測法1041〜104nのうちから最も高精度に予測可能な1つの予測法104iを選択する予測法選択部103を備え、予測処理部104は、予測法選択部103により選択された予測法104iを用いてデータ取得部101により取得した情報に応じた電力需要量の予測結果を算出する。
複数の予測法1041〜104nを用いることで高い予測精度を実現しながら、更に、電力需要量の予測に必要なリソースや計算量を低減することができる。
【選択図】図1
Description
本発明は、電力需要量を予測する電力需要予測装置及び電力需要予測方法に関する。
電力需要量を予測する技術は、これまで特に供給家(電力会社等)が安定かつ効率的に電力需要量を供給するために必要とされてきた。
しかし、近年、需要家(ビルや家庭等)でも電力不足の影響により、省エネの必要性が高まり、電力需要予測装置及び方法が必要となっている。
これは、需要家が電力需要量を予測しておくことで、事前に節電が必要な時間帯や減らすべき節電量が分かるため、必要最低限の空調や照明だけを停止する等、より計画的な制御ができるようになるからである。
しかし、近年、需要家(ビルや家庭等)でも電力不足の影響により、省エネの必要性が高まり、電力需要予測装置及び方法が必要となっている。
これは、需要家が電力需要量を予測しておくことで、事前に節電が必要な時間帯や減らすべき節電量が分かるため、必要最低限の空調や照明だけを停止する等、より計画的な制御ができるようになるからである。
このように需要家にとっても電力需要予測装置及び方法の必要性は高まっているが、電力需要量は、気温や天候等により複雑に変化するため、高精度に予測するのは困難であった。
特に、単一の予測法では、複雑な電力需要量の変化に対応できず、予測精度が大きく低下することがあった。
そのため、従来の技術では、特性(長所・短所)の異なる複数の予測法を用いて予測精度を向上させていた。
特に、単一の予測法では、複雑な電力需要量の変化に対応できず、予測精度が大きく低下することがあった。
そのため、従来の技術では、特性(長所・短所)の異なる複数の予測法を用いて予測精度を向上させていた。
下記特許文献1は、供給家向けの電力需要予測装置を提案したものである。
特許文献1では、複数の予測法で電力需要量を予測し、その結果を選択・平均して、最適な予測結果を1つ求めることで、電力需要量の変化に対応していた。
特許文献1では、複数の予測法で電力需要量を予測し、その結果を選択・平均して、最適な予測結果を1つ求めることで、電力需要量の変化に対応していた。
また、下記特許文献2は、供給家向けの電力需要予測方法を提案したものである。
特許文献2では、既に電力需要量の実測値が計測されている近来のデータを用いて、複数の予測法で電力需要量を予測して、そのうちから最も予測精度が良くなった予測法を選択し、電力需要量を予測することで、電力需要量の変化に対応していた。
特許文献2では、既に電力需要量の実測値が計測されている近来のデータを用いて、複数の予測法で電力需要量を予測して、そのうちから最も予測精度が良くなった予測法を選択し、電力需要量を予測することで、電力需要量の変化に対応していた。
従来の電力需要予測装置及び方法は、以上のように構成されているので、最適な予測法や予測結果を選択するために、複数の予測法を全て用いて電力需要量を予測しているため、膨大なリソースや計算量が必要となる課題があった。
このリソースとは、CPUの処理能力やメモリ容量、ハードディスクの容量等のことである。
そのため、この技術の導入には制限があり、供給家や一部の需要家のように、高精度な計算機が導入されている環境でのみ使うことが可能であった。
このリソースとは、CPUの処理能力やメモリ容量、ハードディスクの容量等のことである。
そのため、この技術の導入には制限があり、供給家や一部の需要家のように、高精度な計算機が導入されている環境でのみ使うことが可能であった。
一般の需要家の場合は、電力需要量の予測に高精度な計算機が導入されているとは限らないため、供給家を想定した従来の技術の導入は難しい。
また、需要家では、電力需要量の予測を行うだけでなく、省エネのための機器(空調や照明等)の制御を高速かつ並列で実行しなければならないため、予測に用いることができるリソースには制限があり、従来の技術の導入の妨げとなっていた。
また、需要家では、電力需要量の予測を行うだけでなく、省エネのための機器(空調や照明等)の制御を高速かつ並列で実行しなければならないため、予測に用いることができるリソースには制限があり、従来の技術の導入の妨げとなっていた。
本発明は、上記のような課題を解消するためになされたもので、複数の予測法を用いることで高い予測精度を実現しながら、更に、電力需要量の予測に必要なリソースや計算量を低減することを目的とする。
本発明の電力需要予測装置は、電力需要量の予測に必要な情報を取得するデータ取得手段と、電力需要量を各々異なる予測法に基づいて予測する複数の予測手段を含む予測処理手段と、データ取得手段により取得した情報に基づいて複数の予測手段から1つの予測手段を選択する予測法選択手段とを備え、予測処理手段は、予測法選択手段により選択された予測手段を用いてデータ取得手段により取得した情報に応じた電力需要量の予測結果を算出する。
本発明によれば、データ取得手段により取得した情報に基づいて複数の予測手段から1つの予測手段を選択する予測法選択手段を備え、予測処理手段は、予測法選択手段により選択された予測手段を用いてデータ取得手段により取得した情報に応じた電力需要量の予測結果を算出するので、複数の予測法を用いることで高い予測精度を実現しながら、更に、電力需要量の予測に必要なリソースや計算量を低減することができる効果がある。
実施の形態1.
図1は本発明の実施の形態1による電力需要予測装置を示す構成図である。
図示の電力需要予測装置は、例えば、一般的なコンピュータ(サーバ、パソコン等)やコントローラにより実現される。
図示の電力需要予測装置は、データ取得部101、データ記憶部102、予測法選択部103、予測法1041〜104nを含む予測処理部104、予測結果出力部105を有する。
図1は本発明の実施の形態1による電力需要予測装置を示す構成図である。
図示の電力需要予測装置は、例えば、一般的なコンピュータ(サーバ、パソコン等)やコントローラにより実現される。
図示の電力需要予測装置は、データ取得部101、データ記憶部102、予測法選択部103、予測法1041〜104nを含む予測処理部104、予測結果出力部105を有する。
データ取得部(データ取得手段)101は、予測に必要な情報(以下、入力情報)を取得する。
例えば、建物内のネットワーク(内部LAN)に接続し、気温計等のセンサーや分電盤、電力量計(電力メーター)、建物内の機器(空調や照明等)を管理するサーバ等の情報を取得しても良い。
又は、インターネットに接続し、気象庁等から情報を取得しても良い。
更に、キーボード等を介して、ユーザが直接入力して情報を取得することも可能である。
他にも、可搬型記憶媒体(メモリカード、CD−ROM等)からデータを読み出しても良い。
また、データ取得部101は、電力需要量の実測値を取得する。
取得の方法としては、例えば、上記の入力情報と同様に建物内のネットワーク(内部LAN)やインターネット、ユーザによる入力、可搬型記憶媒体から取得しても良い。
例えば、建物内のネットワーク(内部LAN)に接続し、気温計等のセンサーや分電盤、電力量計(電力メーター)、建物内の機器(空調や照明等)を管理するサーバ等の情報を取得しても良い。
又は、インターネットに接続し、気象庁等から情報を取得しても良い。
更に、キーボード等を介して、ユーザが直接入力して情報を取得することも可能である。
他にも、可搬型記憶媒体(メモリカード、CD−ROM等)からデータを読み出しても良い。
また、データ取得部101は、電力需要量の実測値を取得する。
取得の方法としては、例えば、上記の入力情報と同様に建物内のネットワーク(内部LAN)やインターネット、ユーザによる入力、可搬型記憶媒体から取得しても良い。
データ記憶部(データ記憶手段)102は、データ取得部101に接続されており、データ取得部101から送信される入力情報と電力需要量の実測値を保存する。
また、データ記憶部102は、予測結果出力部105に接続されており、予測結果出力部105から送信される予測結果を保存する。
データ記憶部102の例としては、ハードディスクやメモリ等の記憶媒体である。
また、データ記憶部102は、予測結果出力部105に接続されており、予測結果出力部105から送信される予測結果を保存する。
データ記憶部102の例としては、ハードディスクやメモリ等の記憶媒体である。
予測法選択部(予測法選択手段)103は、データ取得部101から送信される入力情報を基に、予測処理部104に保持された予測法1041〜104nのうちから最適な予測法を1つ選択する。
また、予測法選択部103は、データ取得部101から送信される入力情報のうちから最適な予測法に必要な情報のみを抽出し、抽出した情報と最適な予測法を予測処理部104に送信する。
更に、予測法選択部103は、データ記憶部102から送信される過去の入力情報と電力需要量の実測値を基に選択法の学習を行う。
また、予測法選択部103は、データ取得部101から送信される入力情報のうちから最適な予測法に必要な情報のみを抽出し、抽出した情報と最適な予測法を予測処理部104に送信する。
更に、予測法選択部103は、データ記憶部102から送信される過去の入力情報と電力需要量の実測値を基に選択法の学習を行う。
予測処理部(予測処理手段)104は、複数の予測法(予測手段)1041〜104nを保持しており、予測法選択部103により選択された予測法(最適な予測法による予測手段)104iを用いて電力需要量を予測する。
予測処理部104が保持している予測法1041〜104nは、予め設定されたものだけでも良いし、自動や手動で予測法を追加・削除しても良い。
また、予測処理部104に保持されている予測法1041〜104nの個数は任意であり、2つ以上であればいくつでも良い。
予測処理部104が保持している予測法1041〜104nは、予め設定されたものだけでも良いし、自動や手動で予測法を追加・削除しても良い。
また、予測処理部104に保持されている予測法1041〜104nの個数は任意であり、2つ以上であればいくつでも良い。
予測結果出力部105は、予測処理部104から予測結果を受け取る。
予測結果出力部105は、予測結果を上記のデータ記憶部102に出力する他、建物内の機器(空調や照明等)を管理するサーバ等の装置に出力する。
また、予測結果出力部105は、予測結果をディスプレイ等に代表される表示機器に出力する。
予測結果出力部105は、予測結果を上記のデータ記憶部102に出力する他、建物内の機器(空調や照明等)を管理するサーバ等の装置に出力する。
また、予測結果出力部105は、予測結果をディスプレイ等に代表される表示機器に出力する。
次に動作について説明する。
以降では、実施の形態1の動作の流れを、データ取得部101、予測処理部104、及び予測結果出力部105が以下の表1の条件である場合を例に、図1及び図2を用いて説明する。
ここで、図2は、図1の予測処理部104が2つの予測法(予測法a、予測法b)を保持しているものとして説明する。
以降では、実施の形態1の動作の流れを、データ取得部101、予測処理部104、及び予測結果出力部105が以下の表1の条件である場合を例に、図1及び図2を用いて説明する。
ここで、図2は、図1の予測処理部104が2つの予測法(予測法a、予測法b)を保持しているものとして説明する。
図2は、本発明の実施の形態1による電力需要予測装置及び方法を用いて電力需要量を予測する処理の流れを示すフローチャートである。
図2では、表1に記載の通りの条件を例に説明する。
図2では、表1に記載の通りの条件を例に説明する。
予測開始は、ユーザ等が事前に設定した任意の時間帯(午前0時等)や時間間隔(1時間おきや1日おき、1ヶ月おき等)で自動的に開始されるか、ユーザがキーボード等を用いて任意のタイミングで開始される(ステップST201)。
電力需要量の予測が開始されると、データ取得部101が入力情報を取得する。
データ取得部101が取得する情報は、過去数日間の24時間分の電力需要量と最高気温、予測日の予想最高気温である(ステップST202:データ取得工程)。
データ取得部101が取得する情報は、過去数日間の24時間分の電力需要量と最高気温、予測日の予想最高気温である(ステップST202:データ取得工程)。
なお、図2の説明では、データ取得部101が取得する入力情報を、過去数日間の24時間分の電力需要量と最高気温、予測日の予想最高気温に限定しているが、予測処理部104に保持されている予測法1041〜104nに合わせて、他の情報を取得しても良い。
他の入力情報としては、例えば、日付、曜日、時刻、天候、気温(最高気温の他に各時間帯の気温、平均気温、最低気温等)、湿度、季節等がある。
また、電力需要量を予測する対象がオフィスビルであるならば、出張者の数、来客者の数、特別な行事があったか否か、各時刻に建物内にいた人数、空調や照明、OA機器等の機器制御履歴等の情報もある。
なお、これらの入力情報は、過去の実測値だけではなく、未来の予測値(天気予報等)を用いても良い。
他の入力情報としては、例えば、日付、曜日、時刻、天候、気温(最高気温の他に各時間帯の気温、平均気温、最低気温等)、湿度、季節等がある。
また、電力需要量を予測する対象がオフィスビルであるならば、出張者の数、来客者の数、特別な行事があったか否か、各時刻に建物内にいた人数、空調や照明、OA機器等の機器制御履歴等の情報もある。
なお、これらの入力情報は、過去の実測値だけではなく、未来の予測値(天気予報等)を用いても良い。
更に、データ取得部101は、予測結果出力部105が取得する最終的な予測結果に合せて、他の情報を取得しても良い。
図2では、予測結果出力部105が取得する出力結果が、24時間分の電力需要量であったため、入力情報も過去数日分の24時間分の電力需要量としているが、例えば、予測結果出力部105が取得する予測結果が、翌日の最大電力需要量であるならば、入力情報も過去数日分の最大電力需要量としても良い。
図2では、予測結果出力部105が取得する出力結果が、24時間分の電力需要量であったため、入力情報も過去数日分の24時間分の電力需要量としているが、例えば、予測結果出力部105が取得する予測結果が、翌日の最大電力需要量であるならば、入力情報も過去数日分の最大電力需要量としても良い。
データ取得部101にて取得した入力情報は、次に、予測法選択部103に送信される。
予測法選択部103では、予め設定された選択法と、入力情報に基づき最適な予測法104iを1つ選択する(ステップST203:予測法選択工程)。
最適な予測法104iとは、電力需要量を高精度に予測できる予測法のことであり、電力需要量は未知であるため、データ取得部101にて取得した入力情報から推測する。
なお、選択法の学習方法は図3にて説明する。
予測法選択部103では、予め設定された選択法と、入力情報に基づき最適な予測法104iを1つ選択する(ステップST203:予測法選択工程)。
最適な予測法104iとは、電力需要量を高精度に予測できる予測法のことであり、電力需要量は未知であるため、データ取得部101にて取得した入力情報から推測する。
なお、選択法の学習方法は図3にて説明する。
予測法選択部103の選択法としては、表1の条件に従って、予測法aと予測法bを使い分ける場合を例として説明する。
予測法bは、最高気温の変化により急激に電力需要量が変化した場合に高精度な予測が可能であり、前日の最高気温と予測日の予想最高気温の変化が大きい場合に、予測法aよりも高精度な予測が可能となる。
つまり、予測法選択部103では、最高気温の変化が小さいなら、予測日の電力需要量が前日の電力需要量と類似すると考えて予測法aを選択し、大きいなら予測日の電力需要量は前日と比べて急激に変化すると考えて予測法bを選択する。
予測法bは、最高気温の変化により急激に電力需要量が変化した場合に高精度な予測が可能であり、前日の最高気温と予測日の予想最高気温の変化が大きい場合に、予測法aよりも高精度な予測が可能となる。
つまり、予測法選択部103では、最高気温の変化が小さいなら、予測日の電力需要量が前日の電力需要量と類似すると考えて予測法aを選択し、大きいなら予測日の電力需要量は前日と比べて急激に変化すると考えて予測法bを選択する。
また、予測法選択部103では、最適な予測法104iを選択すると同時に、データ取得部101から送信される入力情報のうちから最適な予測法104iに必要な情報のみ抽出する。
例えば、予測法選択部103では、データ取得部101より入力情報として過去数日間の24時間分の電力需要量と最高気温、予測日の予想最高気温を受信している。
このとき、もし、予測法aでは、過去数日間の最高気温と予測日の予想最高気温が不要である場合、予測法選択部103では、予測法aに必要な過去数日間の24時間分の電力需要量のみ抽出し、予測処理部104に送信する。
例えば、予測法選択部103では、データ取得部101より入力情報として過去数日間の24時間分の電力需要量と最高気温、予測日の予想最高気温を受信している。
このとき、もし、予測法aでは、過去数日間の最高気温と予測日の予想最高気温が不要である場合、予測法選択部103では、予測法aに必要な過去数日間の24時間分の電力需要量のみ抽出し、予測処理部104に送信する。
なお、図2の予測法選択部103では、予測処理部104に保持されている予測法1041〜104nが予測法aと予測法bの2つとして選択を行っているが、予測法選択部103は、予測処理部104に保持される予測法1041〜104nの個数に合せて選択を行うこともできる。
また、図2の予測法選択部103では、予測日の予想最高気温と過去の最高気温を基に、最適な予測法104iを選択しているが、これらの情報に限定することなく、いずれの入力情報を用いても予測法1041〜104nの選択は可能である。
また、図2の予測法選択部103では、予測日の予想最高気温と過去の最高気温を基に、最適な予測法104iを選択しているが、これらの情報に限定することなく、いずれの入力情報を用いても予測法1041〜104nの選択は可能である。
予測処理部104では、予測法選択部103から最適な予測法104iに必要な情報を受信し、予測法選択部103にて選ばれた予測法104iを用いて電力需要量を予測する処理を実行する(ステップST204a,ST204b:予測処理工程)。
その後、得られた予測結果を予測結果出力部105に送信し、実施の形態1の電力需要予測装置及び方法の一連の処理は終了する(ステップST205)。
その後、得られた予測結果を予測結果出力部105に送信し、実施の形態1の電力需要予測装置及び方法の一連の処理は終了する(ステップST205)。
なお、図2の予測処理部104では、予測法1041〜104nを予測法aと予測法bの2つと限定しているが、他の予測法を多数保持しても良い。
例えば、各季節に適した予測法や人数が変化した場合に精度の高い予測法、天気が変化した場合に精度の高い予測法等、各状況に適した予測法を複数保持しておき、入力情報を基に各予測法を適切に使い分ければ高精度な電力需要量の予測を実現できる。
予測処理部104にて保持する予測法1041〜104nとしては、例えば、ニューラルネットワークを用いた予測法や統計分析(重回帰分析や単回帰分析等)を用いた予測法、時系列分析(ARモデルやARIMAモデル等)を用いた予測法等がある。
また、これらの予測法に限定することなく、いずれの予測法でも本発明は用いることができる。
更に、予測処理部104は、同じアルゴリズムの予測法でも電力需要量の予測に用いる入力情報の量(過去1日や過去1週間等)や種類(気温や湿度等)の違いにより、別の予測法として扱うことも可能である。
例えば、各季節に適した予測法や人数が変化した場合に精度の高い予測法、天気が変化した場合に精度の高い予測法等、各状況に適した予測法を複数保持しておき、入力情報を基に各予測法を適切に使い分ければ高精度な電力需要量の予測を実現できる。
予測処理部104にて保持する予測法1041〜104nとしては、例えば、ニューラルネットワークを用いた予測法や統計分析(重回帰分析や単回帰分析等)を用いた予測法、時系列分析(ARモデルやARIMAモデル等)を用いた予測法等がある。
また、これらの予測法に限定することなく、いずれの予測法でも本発明は用いることができる。
更に、予測処理部104は、同じアルゴリズムの予測法でも電力需要量の予測に用いる入力情報の量(過去1日や過去1週間等)や種類(気温や湿度等)の違いにより、別の予測法として扱うことも可能である。
また、図2の予測処理部104と予測結果出力部105では、予測結果を24時間分の電力需要量としているが、電力需要量に関する他の予測結果でも良い。
例えば、5分後や30分後の短期間な電力需要量や、翌日や1ヶ月先の最大電力需要量等を予測結果としても良い。
例えば、5分後や30分後の短期間な電力需要量や、翌日や1ヶ月先の最大電力需要量等を予測結果としても良い。
図3は予測法選択部103にて実行される選択法の学習に関する処理の流れを示すフローチャートであり、選択する予測法1041〜104nが表1の予測法aと予測法bである場合を例に示している。
選択法の学習開始は、事前に設定された任意の間隔(1ヶ月おきや1年おき等)で自動的に行われる処理である。
又は、ユーザがキーボード等を介して選択法の学習開始を指示することも可能である。
更に、最近の予測精度を検証し、予測精度の低下が見られる場合に、自動で選択法の学習を実行することも可能である(ステップST301)。
選択法の学習開始は、事前に設定された任意の間隔(1ヶ月おきや1年おき等)で自動的に行われる処理である。
又は、ユーザがキーボード等を介して選択法の学習開始を指示することも可能である。
更に、最近の予測精度を検証し、予測精度の低下が見られる場合に、自動で選択法の学習を実行することも可能である(ステップST301)。
選択法の学習が開始されると、予測法選択部103は、データ記憶部102より一定期間の入力情報(過去数日間の24時間分の電力需要量と最高気温、予測日の予想最高気温)と電力需要量の実測値を学習データとして取得する(ステップST302)。
この一定期間とは事前に定められた任意の期間であり、例えば、これまでデータ記憶部102に保存されてきた全てのデータを用いることも可能である。
又は、過去数年や過去数ヶ月のデータを用いるように設定することも可能である。
更に、一定期間のデータは、必ずしも連続したデータである必要はなく、データ記憶部102から特定の条件で検索し、該当データのみを学習データとすることも可能である。
又は、過去数年や過去数ヶ月のデータを用いるように設定することも可能である。
更に、一定期間のデータは、必ずしも連続したデータである必要はなく、データ記憶部102から特定の条件で検索し、該当データのみを学習データとすることも可能である。
次に、予測法選択部103では、データ記憶部102から受信した学習データの入力情報毎に、予測処理部104に保持されている予測法aと予測法bで電力需要量を予測し、データ記憶部102から受信した学習データの電力需要量の実測値を用いて予測精度を計算する(ステップST303)。
計算後、予測法aと予測法bの予測精度を比較し、予測法aの精度の方が良いのであれば、現在の入力情報をクラスaのパターン、予測法bの精度の方が良いのであれば、クラスbのパターンとして分類する(ステップST304,ST305a,ST305b)。
これらの処理(ステップST303〜ステップST305)を学習データの全ての入力情報で繰り返し(ステップST306)、各入力情報で予測精度が最も良くなる予測法を特定し、各クラスに分類する。
その後、クラスaとクラスbを2クラスの最適化することで識別境界を求める(ステップST307)。
クラスaとクラスbは、それぞれ予測法aと予測法bにて精度が良くなる入力情報で構成されている。
そのため、最適化で求めた識別境界によって、クラスaと識別された入力情報は、予測法aを用いることで予測精度が良くなる可能性が高いということである。
よって、この最適化された識別境界を選択法として設定することで、入力情報を基に予測法aと予測法bを適切に使い分けることが可能となり(ステップST308)、選択法の学習は終了する(ステップST309)。
クラスaとクラスbは、それぞれ予測法aと予測法bにて精度が良くなる入力情報で構成されている。
そのため、最適化で求めた識別境界によって、クラスaと識別された入力情報は、予測法aを用いることで予測精度が良くなる可能性が高いということである。
よって、この最適化された識別境界を選択法として設定することで、入力情報を基に予測法aと予測法bを適切に使い分けることが可能となり(ステップST308)、選択法の学習は終了する(ステップST309)。
上記の2クラス識別問題の最適化法としては、例えば、サポートベクターマシンを用いて最適化を行うことが可能である。
また、ユーザが手動で識別境界を設定することも可能である。
更に、より正確な識別境界を設定するため、入力情報を用いてクラス内分散クラス間分散比を計算し、各クラスを識別しやすい入力情報を1つから複数特定しても良い。
なお、これらの最適化法に限定することなく、いずれの最適化法でも、本発明は用いることができる。
また、ユーザが手動で識別境界を設定することも可能である。
更に、より正確な識別境界を設定するため、入力情報を用いてクラス内分散クラス間分散比を計算し、各クラスを識別しやすい入力情報を1つから複数特定しても良い。
なお、これらの最適化法に限定することなく、いずれの最適化法でも、本発明は用いることができる。
また、入力情報をそのまま識別問題の最適化に用いるのではなく、前日の最高気温と予想最高気温の誤差や過去数日間の最大電力需要量の分散等、入力情報を組合せて得られる情報を基に識別境界を設定しても良い。
例えば、クラスaとクラスbの場合、予測法bは最高気温の変化に着目して電力需要量を予測する手法であるので、入力情報をそのまま用いるのではなく、前日の最高気温と予想最高気温の誤差等の入力情報を組み合わせた情報を用いることで、より適切に2つの予測法を使い分ける選択法の設定が可能となる。
例えば、クラスaとクラスbの場合、予測法bは最高気温の変化に着目して電力需要量を予測する手法であるので、入力情報をそのまま用いるのではなく、前日の最高気温と予想最高気温の誤差等の入力情報を組み合わせた情報を用いることで、より適切に2つの予測法を使い分ける選択法の設定が可能となる。
なお、図3では、予測処理部104に保持されている予測法1041〜104nが予測法aと予測法bの2つである場合を例に説明したが、図3の選択法の学習は、予測法1041〜104nが3つ以上であっても良い。
予測処理部104に保持されている予測法1041〜104nが3つ以上であるとした場合、図3のステップST303、ステップST304、ステップST307の各処理は、以下のように変更される。
予測処理部104に保持されている予測法1041〜104nが3つ以上であるとした場合、図3のステップST303、ステップST304、ステップST307の各処理は、以下のように変更される。
ステップST303では、予測処理部104に保持されている複数の予測法1041〜104nを全て用いて電力需要量を予測し、精度を計算するものとなる。
また、ステップST304では、全ての予測法1041〜104nの予測精度を比較し、各入力情報を予測精度が最も良くなる予測法のクラスに分類するものとなる。
更に、予測法1041〜104nが2つであった場合、ステップST307は、2クラスの識別問題であったが、予測法1041〜104nが3つ以上である場合は、3クラス以上の識別問題を最適化するものとなる。
3クラス以上の識別問題の最適化法としては、例えば、ニューラルネットワークや3クラス以上の識別に拡張したサポートベクターマシン等がある。
また、この最適化法に限定することなく、いずれの最適化法でも本発明は用いることができる。
また、ステップST304では、全ての予測法1041〜104nの予測精度を比較し、各入力情報を予測精度が最も良くなる予測法のクラスに分類するものとなる。
更に、予測法1041〜104nが2つであった場合、ステップST307は、2クラスの識別問題であったが、予測法1041〜104nが3つ以上である場合は、3クラス以上の識別問題を最適化するものとなる。
3クラス以上の識別問題の最適化法としては、例えば、ニューラルネットワークや3クラス以上の識別に拡張したサポートベクターマシン等がある。
また、この最適化法に限定することなく、いずれの最適化法でも本発明は用いることができる。
上記の処理(ステップST303、ステップST304、ステップST307)を変更することにより、図3の選択法の学習は、3つ以上の予測法1041〜104nでも用いることができ、入力情報を基に複数の予測法1041〜104nの中から最適な予測法104iを選択することが可能となる。
図3の選択法の学習では、最適な予測法104iとして選ばれる可能性の小さい予測法を一時的に選択候補から除外することができる。
例えば、夏季の予測を行うために、1年前の夏季の入力情報と電力需要量の実測値を用いて、図3の選択法の学習をした場合、冬季に適した予測法が予測処理部104に保持されていても、ステップST304で冬季に適した予測法で予測精度が最も良くなる入力情報は存在しない。
その場合、ステップST307で最適化されるクラス(予測法)に、冬季に適した予測法は含まれないため、この最適化で得られる選択法では冬季に適した予測法が選ばれることがなく、一時的に選択候補から除外することができる。
再び選択候補に加える場合は、選択法の学習のステップST304で冬季に適した予測法で予測精度が最も良くなる入力情報が存在すれば、自動的に予測法の選択候補に含まれる。
例えば、夏季の予測を行うために、1年前の夏季の入力情報と電力需要量の実測値を用いて、図3の選択法の学習をした場合、冬季に適した予測法が予測処理部104に保持されていても、ステップST304で冬季に適した予測法で予測精度が最も良くなる入力情報は存在しない。
その場合、ステップST307で最適化されるクラス(予測法)に、冬季に適した予測法は含まれないため、この最適化で得られる選択法では冬季に適した予測法が選ばれることがなく、一時的に選択候補から除外することができる。
再び選択候補に加える場合は、選択法の学習のステップST304で冬季に適した予測法で予測精度が最も良くなる入力情報が存在すれば、自動的に予測法の選択候補に含まれる。
選択法の学習では、特許文献1や特許文献2のように、複数の予測法1041〜104iを全て用いて電力需要量を予測する処理(ステップST303)がある。
しかし、図3の選択法の学習では、入力情報を基に複数の予測法1041〜104iのうちから最適な予測法104iを選択することが可能であるため、選択法の学習は頻繁に実行しなくても良い。
例えば、予測処理部104で各季節に適した予測法を保持し、学習データとして過去1年分の入力情報と電力需要量の実測値を与えて、図3の選択法の学習を実行すれば、入力情報毎に各季節に適した予測法を使い分ける選択法を設定できるので、1年間は選択法の学習をしなくてもよくなる。
このように、選択法の学習は、頻繁に実行しなくても良いので、リソースや計算量の大きな影響にはならない。
しかし、図3の選択法の学習では、入力情報を基に複数の予測法1041〜104iのうちから最適な予測法104iを選択することが可能であるため、選択法の学習は頻繁に実行しなくても良い。
例えば、予測処理部104で各季節に適した予測法を保持し、学習データとして過去1年分の入力情報と電力需要量の実測値を与えて、図3の選択法の学習を実行すれば、入力情報毎に各季節に適した予測法を使い分ける選択法を設定できるので、1年間は選択法の学習をしなくてもよくなる。
このように、選択法の学習は、頻繁に実行しなくても良いので、リソースや計算量の大きな影響にはならない。
このように、本発明の実施の形態1によれば、予測法選択部103を予測処理部104の前段に設置することにより、予測開始前に入力情報を基に最適な予測法104iを1つ選択するようにしたので、複数の予測法1041〜104iを全て用いて電力需要量を予測する必要がなくなり、リソースや計算量を減らすことが可能である。
本発明の実施の形態1も特許文献1や特許文献2のように、複数の予測法1041〜104iを全て用いて電力需要量を予測する処理がある。
しかし、その処理は、特許文献1や特許文献2のように予測毎に実施するのではなく、予測法選択部103の選択法を学習する場合のみ実施する。
選択法の学習は、任意で実施されるが、予測処理より頻度は少ないため、リソースや計算量の大きな影響にはならない。
しかし、その処理は、特許文献1や特許文献2のように予測毎に実施するのではなく、予測法選択部103の選択法を学習する場合のみ実施する。
選択法の学習は、任意で実施されるが、予測処理より頻度は少ないため、リソースや計算量の大きな影響にはならない。
また、予測法選択部103で選択法の学習を行う際、各予測法1041〜104iで予測精度が向上する入力情報の条件を分析し、その条件を基に予測法104iの選択をしているため、電力需要量の変化に対応しながら高精度な予測を行うことが可能である。
これにより、特許文献2では、近来のデータで予測精度が最も良かった予測法で電力需要量を予測するため、近来のデータにはない突発的な電力需要量の変化が起きた場合、予測精度が低下する課題があったが、この特許文献2では対応できなかった近来のデータにはない突発的な電力需要量の変化でも、過去に同様の電力需要量の変化が発生し、そのデータが予測法選択部103の選択法の学習の学習データとして用いられているのであれば、高精度な予測が可能となる。
これにより、特許文献2では、近来のデータで予測精度が最も良かった予測法で電力需要量を予測するため、近来のデータにはない突発的な電力需要量の変化が起きた場合、予測精度が低下する課題があったが、この特許文献2では対応できなかった近来のデータにはない突発的な電力需要量の変化でも、過去に同様の電力需要量の変化が発生し、そのデータが予測法選択部103の選択法の学習の学習データとして用いられているのであれば、高精度な予測が可能となる。
本発明の実施の形態1では、予測法選択部103の選択法の学習により、最適な予測法104iとして選択される見込みのない予測法を選択候補から除外することができる。
また、除外された予測法を選択候補に追加することも選択法の学習により実行できる。
これにより、自動で選択候補から不要な予測法が削除され、必要な予測法が追加されるため、より精度の良い予測が可能となる。
また、除外された予測法を選択候補に追加することも選択法の学習により実行できる。
これにより、自動で選択候補から不要な予測法が削除され、必要な予測法が追加されるため、より精度の良い予測が可能となる。
本発明は、電力需要量の予測に必要なリソースや計算量を減らしたことにより、高精度な計算機を持っていない需要家でも導入が可能である。
また、複数の予測法1041〜104iを使い分けることで、高い予測精度を実現できるため、供給家でも用いることが可能である。
また、複数の予測法1041〜104iを使い分けることで、高い予測精度を実現できるため、供給家でも用いることが可能である。
実施の形態2.
図4は本発明の実施の形態2による電力需要予測装置を示す構成図である。
実施の形態1と異なる点は、実施の形態1の予測法選択部103では、1つの予測法104iを選択していたが、実施の形態2の予測法選択部(予測法選択手段)403では、複数の予測法、ここでは3つの予測法104i〜104kを選択する点である。
図4は本発明の実施の形態2による電力需要予測装置を示す構成図である。
実施の形態1と異なる点は、実施の形態1の予測法選択部103では、1つの予測法104iを選択していたが、実施の形態2の予測法選択部(予測法選択手段)403では、複数の予測法、ここでは3つの予測法104i〜104kを選択する点である。
また、実施の形態1の予測処理部104は、予測法選択部103にて選択された1つの予測法104iを用いて電力需要量を予測していたが、実施の形態2の予測処理部(予測処理手段)404では、予測法選択部403にて選択された複数の予測法104i〜104kを用いて複数の電力需要量の予測結果を算出する。
実施の形態2では、上記の予測法選択部403と予測処理部404の変更に伴い、複数の予測結果を統合(選択もしくは平均)して1つの予測結果を求める予測結果統合部(予測結果統合手段)406が予測処理部404と予測結果出力部105の間に追加され、接続されている。
予測結果統合部406は、予測処理部404から複数の予測結果を受信し、統合(選択もしくは平均)することで、予測結果を1つ求める。
また、予測結果統合部406は、求めた1つの予測結果を、予測結果出力部105に送信する。
予測結果統合部406は、予測処理部404から複数の予測結果を受信し、統合(選択もしくは平均)することで、予測結果を1つ求める。
また、予測結果統合部406は、求めた1つの予測結果を、予測結果出力部105に送信する。
次に動作について説明する。
図5は、本発明の実施の形態2による電力需要予測装置及び方法を用いて電力需要量を予測する処理の流れを示すフローチャートである。
データ取得部101にて入力情報を取得し、予測法選択部403に送信するまでの処理(ステップST501,ステップST502:データ取得工程)は、実施の形態1(図2のステップST201,ステップST202)と同様である。
図5は、本発明の実施の形態2による電力需要予測装置及び方法を用いて電力需要量を予測する処理の流れを示すフローチャートである。
データ取得部101にて入力情報を取得し、予測法選択部403に送信するまでの処理(ステップST501,ステップST502:データ取得工程)は、実施の形態1(図2のステップST201,ステップST202)と同様である。
予測法選択部403では、予め設定された選択法と、入力情報に基づき最適な複数の予測法104i〜104kを選択する(ステップST503:予測法選択工程)。
選択の方法は、例えば、データ取得部101にて取得した入力情報を基に予測処理部404で保持されている各予測法1041〜104nの信頼度を計算し、信頼度が高い順に複数の予測法104i〜104kを選択するようにしても良い。
また、信頼度が閾値以上の予測法を複数選択するようにしても良い。
選択の方法は、例えば、データ取得部101にて取得した入力情報を基に予測処理部404で保持されている各予測法1041〜104nの信頼度を計算し、信頼度が高い順に複数の予測法104i〜104kを選択するようにしても良い。
また、信頼度が閾値以上の予測法を複数選択するようにしても良い。
また、予測法選択部403では、実施の形態1(図2)と同様に、最適な複数の予測法104i〜104kを選択すると同時に、データ取得部101から送信される入力情報のうちからそれぞれの最適な予測法104i〜104kに必要な情報のみ抽出し、各予測法104i〜104kに送信する。
予測処理部404では、予測法選択部403から複数の最適な予測法104i〜104kに必要な情報を受信し、予測法選択部403にて選ばれた複数の最適な予測法104i〜104kを用いて電力需要量を予測する(ステップST504:予測処理工程)。
その後、得られた複数の予測結果を予測結果統合部406に送信する。
その後、得られた複数の予測結果を予測結果統合部406に送信する。
予測結果統合部406では、受信した複数の電力需要量の予測結果を統合して最終的な1つの予測結果を得る(ステップST505:予測結果統合工程)。
統合して最終的な1つの予測結果を得る方法としては、複数の電力需要量の予測結果から最終的な1つの予測結果を選択しても良い。
選択法としては、例えば、複数の予測結果の統計分布を基に、分布の中心に近い予測結果を選択しても良い。
また、統合の方法としては、例えば、加重平均して最終的な1つの予測結果を得ても良い。
重みの付け方としては、例えば、複数の電力需要量の予測結果に平等な重みを付ける単純平均でも良いし、複数の予測結果の統計分布を基に、分布の中心からに近いほど大きな重みを与えても良い。
統合して最終的な1つの予測結果を得る方法としては、複数の電力需要量の予測結果から最終的な1つの予測結果を選択しても良い。
選択法としては、例えば、複数の予測結果の統計分布を基に、分布の中心に近い予測結果を選択しても良い。
また、統合の方法としては、例えば、加重平均して最終的な1つの予測結果を得ても良い。
重みの付け方としては、例えば、複数の電力需要量の予測結果に平等な重みを付ける単純平均でも良いし、複数の予測結果の統計分布を基に、分布の中心からに近いほど大きな重みを与えても良い。
なお、予測法選択部403にて最適な複数の予測法104i〜104kを選択する際(ステップST503)に、入力情報を基に各予測法1041〜104nの信頼度を計算している場合は、その信頼度を各予測結果の重みとして加重平均しても良い。
しかし、信頼度を加重平均の重みとして用いる場合は、実施の形態2の構成図(図4)を変更する必要がある。
しかし、信頼度を加重平均の重みとして用いる場合は、実施の形態2の構成図(図4)を変更する必要がある。
図6は、信頼度を加重平均の重みとして最終的な1つの予測結果を得る場合の電力需要予測装置を示す構成図である。
予測法選択部(予測法選択手段)603は、最適な複数の予測法104i〜104kを選択する際に、入力情報を基に各予測法1041〜104nの信頼度を計算する。
また、予測結果統合部(予測結果統合手段)606は、その信頼度を各予測結果の重みとして加重平均する。
信頼度を加重平均の重みとして用いる場合は、予測法選択部603と予測結果統合部606を接続し、予測結果統合部606が予測法選択部603から各予測法1041〜104nの信頼度を受信する必要がある。
予測法選択部(予測法選択手段)603は、最適な複数の予測法104i〜104kを選択する際に、入力情報を基に各予測法1041〜104nの信頼度を計算する。
また、予測結果統合部(予測結果統合手段)606は、その信頼度を各予測結果の重みとして加重平均する。
信頼度を加重平均の重みとして用いる場合は、予測法選択部603と予測結果統合部606を接続し、予測結果統合部606が予測法選択部603から各予測法1041〜104nの信頼度を受信する必要がある。
図5に戻り、予測結果統合部406にて最終的な1つの電力需要量の予測結果を求めた後、予測結果出力部105に送信し、電力需要予測装置及び方法の一連の処理は終了する(ステップST506)。
図7は、予測法選択部603で、最適な複数の予測法104i〜104kを選択する際(ステップST503)に実行される予測法1041〜104n毎の信頼度の計算方法について示したフローチャートである。
信頼度は、データ取得部101にて取得した入力情報と、各予測法1041〜104nにて予測精度が高くなる代表入力情報との距離(誤差)で求めることができる。
代表入力情報の設定方法は、図8にて説明する。
信頼度は、データ取得部101にて取得した入力情報と、各予測法1041〜104nにて予測精度が高くなる代表入力情報との距離(誤差)で求めることができる。
代表入力情報の設定方法は、図8にて説明する。
信頼度の計算開始(ステップST701)は、予測法選択部603にて最適な複数の予測法104i〜104kを選択する際に、予測処理部404にて保持されている予測法1041〜104n毎に実行される。
信頼度の計算では、データ取得部101にて取得した入力情報を受信し(ステップST702)、各予測法1041〜104nの代表入力情報との距離(誤差)を計算する(ステップST703)。
計算する距離としては、例えば、標準ユークリッド距離等を用いても良い。
その後、計算した距離を信頼度とすることで、信頼度の計算は終了する(ステップST704)。
信頼度の計算では、データ取得部101にて取得した入力情報を受信し(ステップST702)、各予測法1041〜104nの代表入力情報との距離(誤差)を計算する(ステップST703)。
計算する距離としては、例えば、標準ユークリッド距離等を用いても良い。
その後、計算した距離を信頼度とすることで、信頼度の計算は終了する(ステップST704)。
代表入力情報は、各予測法1041〜104nにて予測精度が良くなる入力情報であるので、データ取得部101にて取得した入力情報が代表入力情報と近ければ、その予測法を用いて電力需要量を予測することで、予測精度が良くなる可能性が高くなる。
そのため、データ取得部101にて取得した入力情報と各予測法1041〜104nの代表入力情報との距離を信頼度として用いることが可能である。
そのため、データ取得部101にて取得した入力情報と各予測法1041〜104nの代表入力情報との距離を信頼度として用いることが可能である。
図8は、図7で述べた各予測法1041〜104nの予測精度が良くなる代表入力情報の設定方法について示したフローチャートである。
代表入力情報の設定は、予測法選択部603において予測処理部404にて保持されている予測法1041〜104n毎に実行される。
以下の説明では、予測処理部404にて保持されている予測法1041〜104nの1つである予測法cの代表入力情報の設定を例に説明する。
代表入力情報の設定は、予測法選択部603において予測処理部404にて保持されている予測法1041〜104n毎に実行される。
以下の説明では、予測処理部404にて保持されている予測法1041〜104nの1つである予測法cの代表入力情報の設定を例に説明する。
代表入力情報の設定開始は、事前に設定された任意の間隔(1ヶ月おきや1年おき等)で自動的に行われる処理である。
又は、ユーザがキーボード等を介して、代表入力情報の設定開始を指示することも可能である。
更に、最近の予測精度を検証し、予測精度の低下が見られる場合に、自動で代表入力情報の設定開始を実行することも可能である(ステップST801)。
又は、ユーザがキーボード等を介して、代表入力情報の設定開始を指示することも可能である。
更に、最近の予測精度を検証し、予測精度の低下が見られる場合に、自動で代表入力情報の設定開始を実行することも可能である(ステップST801)。
代表入力情報の設定が開始されると、予測法選択部603は、データ記憶部102より一定期間の入力情報と電力需要量の実測値を学習データとして取得する(ステップST802)。
次に、予測法cを用いて学習データに含まれる全ての入力情報で電力需要量を予測し、学習データの電力需要量の実測値を用いて予測精度を計算する(ステップST803)。
その後、全ての予測精度を比較し、学習データに含まれる全ての入力情報のうちから予測精度が最も良い入力情報を特定する。
その特定した入力情報を、予測法cの代表入力情報とすることで、設定は終了する(ステップST804,ステップST805)。
次に、予測法cを用いて学習データに含まれる全ての入力情報で電力需要量を予測し、学習データの電力需要量の実測値を用いて予測精度を計算する(ステップST803)。
その後、全ての予測精度を比較し、学習データに含まれる全ての入力情報のうちから予測精度が最も良い入力情報を特定する。
その特定した入力情報を、予測法cの代表入力情報とすることで、設定は終了する(ステップST804,ステップST805)。
図8の処理(ステップST801〜ステップST805)を予測処理部404にて保持されている予測法1041〜104n毎に実行することにより、予測処理部404にて保持されている各予測法1041〜104nにて予測精度が良くなる代表入力情報を設定することができる。
図8の代表入力情報の設定は、特許文献1や特許文献2と同様に全ての予測法1041〜104nを用いて電力需要量を予測する処理である。
しかし、実施の形態1の選択法の学習(図3)と同様に、代表入力情報の設定は、1年間隔等で良く、頻繁に実施しなくても良い。
これは、過去1年間等の十分に長い期間の入力情報を学習データとして与えて、各予測法1041〜104nにて予測精度が最も良くなる代表入力情報を設定(図8)していれば、その代表入力情報より精度が良くなる入力情報は頻繁に現れないからである。
よって、代表入力情報の設定(図8)は、数週間単位等で実施しても、各予測法1041〜104nの代表入力情報が変更しない可能性が高いため、数ヶ月や1年間隔で良く、リソースや計算量の大きな影響にはならない。
しかし、実施の形態1の選択法の学習(図3)と同様に、代表入力情報の設定は、1年間隔等で良く、頻繁に実施しなくても良い。
これは、過去1年間等の十分に長い期間の入力情報を学習データとして与えて、各予測法1041〜104nにて予測精度が最も良くなる代表入力情報を設定(図8)していれば、その代表入力情報より精度が良くなる入力情報は頻繁に現れないからである。
よって、代表入力情報の設定(図8)は、数週間単位等で実施しても、各予測法1041〜104nの代表入力情報が変更しない可能性が高いため、数ヶ月や1年間隔で良く、リソースや計算量の大きな影響にはならない。
このように、本発明の実施の形態2によれば、予測法選択部403にて複数の予測法104i〜104kを選択するようにし、予測結果統合部406を追加することにより、複数の電力需要量の予測結果を比較しつつ統合(選択又は平均)することで、最終的な予測結果を1つ得ることができるため、より高精度な予測が可能となる。
また、予測法選択部403を予測処理部404の前段に設置し、予測開始前に入力情報を基に最適な予測法104i〜104kを選択することは変わらないため、従来の技術のように、複数の予測法1041〜104nを全て用いて電力需要量を予測する必要はなく、リソースや計算量を減らす効果は保たれている。
なお、実施の形態1の場合、予測処理部104に保持されている予測法1041〜104nの個数は任意であり、2つ以上であればいくつでも良かった。
本実施の形態2の場合、予測処理部404に保持されている予測法1041〜104nの個数は任意であり、3つ以上であればいくつでも良く、また、予測法選択部403が選択する予測法の個数は、予測法1041〜104nの個数よりも小さく、2つ以上であればいくつでも良い。
また、予測法選択部403を予測処理部404の前段に設置し、予測開始前に入力情報を基に最適な予測法104i〜104kを選択することは変わらないため、従来の技術のように、複数の予測法1041〜104nを全て用いて電力需要量を予測する必要はなく、リソースや計算量を減らす効果は保たれている。
なお、実施の形態1の場合、予測処理部104に保持されている予測法1041〜104nの個数は任意であり、2つ以上であればいくつでも良かった。
本実施の形態2の場合、予測処理部404に保持されている予測法1041〜104nの個数は任意であり、3つ以上であればいくつでも良く、また、予測法選択部403が選択する予測法の個数は、予測法1041〜104nの個数よりも小さく、2つ以上であればいくつでも良い。
本発明の実施の形態2も特許文献1や特許文献2のように、複数の予測法1041〜104nを全て用いて電力需要量を予測する処理(図8)がある。
しかし、その処理は、特許文献1や特許文献2のように予測毎に実施するのではなく、予測法選択部603の選択法を学習(信頼度を計算するための代表入力情報を設定)する場合のみ実施する。
選択法の学習は、任意で実施されるが、予測処理より頻度は少ないため、リソースや計算量の大きな影響にはならない。
しかし、その処理は、特許文献1や特許文献2のように予測毎に実施するのではなく、予測法選択部603の選択法を学習(信頼度を計算するための代表入力情報を設定)する場合のみ実施する。
選択法の学習は、任意で実施されるが、予測処理より頻度は少ないため、リソースや計算量の大きな影響にはならない。
また、実施の形態1の選択法の学習(図3)と同様に、予測法選択部603で選択法の学習を行い、各予測法1041〜104nで予測精度が向上する入力情報の条件を分析し、その条件を基に複数の予測法104i〜104kを選択するようにすれば、電力需要量の変化に対応しながら高精度な予測を行うことが可能である。
これにより、特許文献2では対応できなかった、近来のデータにはない突発的な電力需要量の変化でも、過去に同様の電力需要量の変化が発生し、そのデータが予測法選択部603の選択法の学習の学習データとして用いられているのであれば、高精度な予測が可能となる。
これにより、特許文献2では対応できなかった、近来のデータにはない突発的な電力需要量の変化でも、過去に同様の電力需要量の変化が発生し、そのデータが予測法選択部603の選択法の学習の学習データとして用いられているのであれば、高精度な予測が可能となる。
本発明は、電力需要量の予測に必要なリソースや計算量を減らしたことにより、高精度な計算機を持っていない需要家でも導入が可能である。
また、複数の予測法1041〜104nを使い分けることで、高い予測精度を実現できるため、供給家でも用いることが可能である。
また、複数の予測法1041〜104nを使い分けることで、高い予測精度を実現できるため、供給家でも用いることが可能である。
なお、本願発明は、その発明の範囲内において、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
101 データ取得部(データ取得手段)、102 データ記憶部(データ記憶手段)、103,403,603 予測法選択部(予測法選択手段)、104,404 予測処理部(予測処理手段)、105 予測結果出力部、406,606 予測結果統合部(予測結果統合手段)、1041〜104n 予測法(予測手段)。
Claims (13)
- 電力需要量の予測に必要な情報を取得するデータ取得手段と、
電力需要量を各々異なる予測法に基づいて予測する複数の予測手段を含む予測処理手段と、
上記データ取得手段により取得した情報に基づいて複数の上記予測手段から1つの予測手段を選択する予測法選択手段とを備え、
上記予測処理手段は、
上記予測法選択手段により選択された予測手段を用いて上記データ取得手段により取得した情報に応じた電力需要量の予測結果を算出することを特徴とする電力需要予測装置。 - 電力需要量の予測に必要な情報を取得するデータ取得手段と、
電力需要量を各々異なる予測法に基づいて予測するM(Mは3以上の任意の自然数)個の予測手段を含む予測処理手段と、
上記予測処理手段により算出された複数の電力需要量の予測結果から最終的な1つの予測結果を導出する予測結果統合手段と、
上記データ取得手段により取得した情報に基づいてM個の上記予測手段からN(NはM未満かつ2以上の任意の自然数)個の予測手段を選択する予測法選択手段とを備え、
上記予測処理手段は、
上記予測法選択手段により選択されたN個の予測手段を用いて上記データ取得手段により取得した情報に応じた電力需要量の予測結果を各々算出し、上記予測結果統合手段に出力することを特徴とする電力需要予測装置。 - 予測法選択手段は、
データ取得手段により取得した情報のうちから、当該予測法選択手段が選択した予測手段に必要な情報のみを抽出し、予測処理手段に出力することを特徴とする請求項1又は請求項2記載の電力需要予測装置。 - 電力需要量の予測に必要な情報に対応する電力需要量の実測値を複数組備えた学習データを保存するデータ記憶手段を備え、
予測法選択手段は、
上記データ記憶手段から学習データを1組ずつ取得して、予測処理手段の複数の予測手段を用いて該学習データの電力需要量の予測に必要な情報に応じた電力需要量の予測結果を各々算出させると共に、該学習データの電力需要量の予測に必要な情報に対応する電力需要量の実測値と、複数の予測手段を用いた各々の電力需要量の予測結果とから各々の予測手段の予測精度を算出し、
算出された予測精度のうちの最も予測精度の良い予測手段を選択すると共に、該学習データの電力需要量の予測に必要な情報を該選択された最も予測精度の良い予測手段のクラスに分類し、
これらの処理を複数組の学習データについて行い、各々のクラス毎の識別境界を求め、
求められた識別境界とデータ取得手段により取得した情報に基づいて複数の上記予測手段から1つの予測手段を選択することを特徴とする請求項1記載の電力需要予測装置。 - 予測結果統合手段は、
予測処理手段により算出されたN個の電力需要量の予測結果から求めた予測結果の統計分布の中心に最も近い予測結果を最終的な1つの予測結果として導出することを特徴とする請求項2記載の電力需要予測装置。 - 予測結果統合手段は、
予測処理手段により算出されたN個の電力需要量の予測結果を平均することにより最終的な1つの予測結果を導出することを特徴とする請求項2記載の電力需要予測装置。 - 予測結果統合手段は、
予測処理手段により算出されたN個の電力需要量の予測結果から求めた予測結果の統計分布の中心への近さにより複数の予測結果を重み付けして加重平均をすることにより最終的な1つの予測結果を導出することを特徴とする請求項2記載の電力需要予測装置。 - 予測法選択手段は、
M個の予測手段の信頼度を算出し、該信頼度に基づいてM個の上記予測手段からN個の予測手段を選択し、
予測結果統合手段は、
予測処理手段により算出されたN個の電力需要量の予測結果に対し、上記予測法選択手段により算出された対応する信頼度を重み付けして加重平均をすることにより最終的な1つの予測結果を導出することを特徴とする請求項2記載の電力需要予測装置。 - 予測法選択手段は、
データ取得手段により取得した情報と、予め設定されM個の予測手段の各々にて電力需要量の予測精度が最も良くなる代表入力情報との誤差に基づいてM個の上記予測手段の信頼度を算出することを特徴とする請求項8記載の電力需要予測装置。 - データ取得手段は、
電力需要量の予測に必要な情報として、日付、曜日、時刻、天候、気温、湿度、季節、電力需要量のうちのいずれか一つ、あるいは複数を取得することを特徴とする請求項1から請求項9のうちのいずれか1項記載の電力需要予測装置。 - データ取得手段は、
電力需要量の予測に必要な情報として、出張者の数や来客者の数、特別な行事があるか否か、建物内にいる人数、空調や照明、OA機器の機器制御履歴のうちのいずれか一つ、あるいは複数を取得することを特徴とする請求項10記載の電力需要予測装置。 - 電力需要量の予測に必要な情報を取得するデータ取得工程と、
上記データ取得工程により取得した情報に基づいて、電力需要量を各々異なる方式により予測する複数の予測法のうちから1つの予測法を選択する予測法選択工程と、
上記予測法選択工程により選択された予測法を用いて上記データ取得工程により取得した情報に応じた電力需要量の予測結果を算出する予測処理工程とを備えた電力需要予測方法。 - 電力需要量の予測に必要な情報を取得するデータ取得工程と、
上記データ取得工程により取得した情報に基づいて、電力需要量を各々異なる方式により予測するM(Mは3以上の任意の自然数)個の予測法のうちからN(NはM未満かつ2以上の任意の自然数)個の予測法を選択する予測法選択工程と、
上記予測法選択工程により選択されたN個の予測法を用いて上記データ取得工程により取得した情報に応じた電力需要量の予測結果を各々算出する予測処理工程と、
上記予測処理工程により算出されたN個の電力需要量の予測結果から最終的な1つの予測結果を導出する予測結果統合工程とを備えた電力需要予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012130780A JP2013255390A (ja) | 2012-06-08 | 2012-06-08 | 電力需要予測装置及び電力需要予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012130780A JP2013255390A (ja) | 2012-06-08 | 2012-06-08 | 電力需要予測装置及び電力需要予測方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2013255390A true JP2013255390A (ja) | 2013-12-19 |
Family
ID=49952455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012130780A Pending JP2013255390A (ja) | 2012-06-08 | 2012-06-08 | 電力需要予測装置及び電力需要予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2013255390A (ja) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015139283A (ja) * | 2014-01-22 | 2015-07-30 | 国立大学法人名古屋大学 | 電力需要ピーク予測装置、電力需要ピーク予測方法、及び電力需要ピーク予測プログラム |
KR20160037583A (ko) * | 2014-09-29 | 2016-04-06 | 한국전력공사 | 전력 수요 예측 장치 및 방법 |
JP6086561B1 (ja) * | 2015-12-29 | 2017-03-01 | 株式会社Looop | 部分供給制御装置、部分供給方法および部分供給用プログラム |
JP2017153333A (ja) * | 2016-02-26 | 2017-08-31 | 国立大学法人九州大学 | 電力需要予測装置およびこれを備えた電力需要予測システムならびに電力需要予測方法 |
WO2017183337A1 (ja) * | 2016-04-22 | 2017-10-26 | 住友電気工業株式会社 | デマンド監視装置、デマンド監視システム、デマンド監視方法およびデマンド監視プログラム |
CN107993033A (zh) * | 2017-11-14 | 2018-05-04 | 广东电网有限责任公司物流服务中心 | 一种电力物资预测方法 |
JP2018174667A (ja) * | 2017-03-31 | 2018-11-08 | アイシン高丘株式会社 | デマンド制御システム |
JP2019146283A (ja) * | 2018-02-15 | 2019-08-29 | 東北電力株式会社 | 電力需要予測装置、電力需要予測方法及び電力需要予測プログラム |
JP2020119110A (ja) * | 2019-01-22 | 2020-08-06 | 株式会社日立製作所 | データアセット分析支援システムおよびデータ分析方法 |
JP2020140571A (ja) * | 2019-02-28 | 2020-09-03 | パナソニックIpマネジメント株式会社 | 監視方法、プログラム及びデマンド監視システム |
JP2022510667A (ja) * | 2018-12-12 | 2022-01-27 | ヤンジョン・インテリジェント・エレクトリカル・インスティテュート,ノース・チャイナ・エレクトリック・パワー・ユニバーシティ | エネルギー消費量を予測するための方法および装置 |
US11455544B2 (en) | 2017-11-07 | 2022-09-27 | Kabushiki Kaisha Toshiba | Prediction model generation device, prediction model generation method, and recording medium |
-
2012
- 2012-06-08 JP JP2012130780A patent/JP2013255390A/ja active Pending
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015139283A (ja) * | 2014-01-22 | 2015-07-30 | 国立大学法人名古屋大学 | 電力需要ピーク予測装置、電力需要ピーク予測方法、及び電力需要ピーク予測プログラム |
KR20160037583A (ko) * | 2014-09-29 | 2016-04-06 | 한국전력공사 | 전력 수요 예측 장치 및 방법 |
KR101639402B1 (ko) * | 2014-09-29 | 2016-07-13 | 한국전력공사 | 전력 수요 예측 장치 및 방법 |
JP6086561B1 (ja) * | 2015-12-29 | 2017-03-01 | 株式会社Looop | 部分供給制御装置、部分供給方法および部分供給用プログラム |
JP2017120599A (ja) * | 2015-12-29 | 2017-07-06 | 株式会社Looop | 部分供給制御装置、部分供給方法および部分供給用プログラム |
JP2017153333A (ja) * | 2016-02-26 | 2017-08-31 | 国立大学法人九州大学 | 電力需要予測装置およびこれを備えた電力需要予測システムならびに電力需要予測方法 |
JPWO2017183337A1 (ja) * | 2016-04-22 | 2019-02-28 | 住友電気工業株式会社 | デマンド監視装置、デマンド監視システム、デマンド監視方法およびデマンド監視プログラム |
CN109075573A (zh) * | 2016-04-22 | 2018-12-21 | 住友电气工业株式会社 | 需求监视装置、需求监视系统、需求监视方法和需求监视程序 |
WO2017183337A1 (ja) * | 2016-04-22 | 2017-10-26 | 住友電気工業株式会社 | デマンド監視装置、デマンド監視システム、デマンド監視方法およびデマンド監視プログラム |
AU2017253053B2 (en) * | 2016-04-22 | 2021-07-08 | Sumitomo Electric Industries, Ltd. | Demand monitoring device, demand monitoring method, and demand monitoring program |
US11125793B2 (en) | 2016-04-22 | 2021-09-21 | Sumitomo Electric Industries, Ltd. | Demand monitoring device, demand monitoring system, demand monitoring method, and demand monitoring program |
JP2018174667A (ja) * | 2017-03-31 | 2018-11-08 | アイシン高丘株式会社 | デマンド制御システム |
US11455544B2 (en) | 2017-11-07 | 2022-09-27 | Kabushiki Kaisha Toshiba | Prediction model generation device, prediction model generation method, and recording medium |
CN107993033A (zh) * | 2017-11-14 | 2018-05-04 | 广东电网有限责任公司物流服务中心 | 一种电力物资预测方法 |
JP2019146283A (ja) * | 2018-02-15 | 2019-08-29 | 東北電力株式会社 | 電力需要予測装置、電力需要予測方法及び電力需要予測プログラム |
JP7075772B2 (ja) | 2018-02-15 | 2022-05-26 | 東北電力株式会社 | 電力需要予測装置、電力需要予測方法及び電力需要予測プログラム |
JP2022510667A (ja) * | 2018-12-12 | 2022-01-27 | ヤンジョン・インテリジェント・エレクトリカル・インスティテュート,ノース・チャイナ・エレクトリック・パワー・ユニバーシティ | エネルギー消費量を予測するための方法および装置 |
JP2020119110A (ja) * | 2019-01-22 | 2020-08-06 | 株式会社日立製作所 | データアセット分析支援システムおよびデータ分析方法 |
JP7227772B2 (ja) | 2019-01-22 | 2023-02-22 | 株式会社日立製作所 | データアセット分析支援システムおよびデータ分析方法 |
JP7018585B2 (ja) | 2019-02-28 | 2022-02-14 | パナソニックIpマネジメント株式会社 | 監視方法、プログラム及びデマンド監視システム |
JP2020140571A (ja) * | 2019-02-28 | 2020-09-03 | パナソニックIpマネジメント株式会社 | 監視方法、プログラム及びデマンド監視システム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2013255390A (ja) | 電力需要予測装置及び電力需要予測方法 | |
Wang et al. | Review of smart meter data analytics: Applications, methodologies, and challenges | |
US11036189B2 (en) | Energy disaggregation techniques for low resolution whole-house energy consumption data | |
He et al. | Non-intrusive load disaggregation using graph signal processing | |
Kong et al. | Improving nonintrusive load monitoring efficiency via a hybrid programing method | |
Azizi et al. | Residential household non-intrusive load monitoring via smart event-based optimization | |
Jain et al. | Forecasting energy consumption of multi-family residential buildings using support vector regression: Investigating the impact of temporal and spatial monitoring granularity on performance accuracy | |
JP6784745B2 (ja) | リアルタイムデータ駆動型の電力測定およびコスト推定システム | |
Khandelwal et al. | Amazon EC2 spot price prediction using regression random forests | |
WO2015196133A2 (en) | Energy infrastructure sensor data rectification using regression models | |
Welikala et al. | Implementation of a robust real-time non-intrusive load monitoring solution | |
Cai et al. | Two-layer transfer-learning-based architecture for short-term load forecasting | |
US20150227846A1 (en) | Behavioral demand response dispatch | |
Machlev et al. | MO-NILM: A multi-objective evolutionary algorithm for NILM classification | |
US20130124436A1 (en) | Profiling Energy Consumption | |
JP2012526281A (ja) | 電力の公共使用、監視および管理のためのシステムおよび方法 | |
JP2017142781A (ja) | 確率的価格及び急変予測 | |
JP2017021772A (ja) | コピュラ理論に基づく特徴選択 | |
Tang et al. | A distributed and scalable approach to semi-intrusive load monitoring | |
Raiker et al. | Approach to non-intrusive load monitoring using factorial hidden markov model | |
JP7340081B2 (ja) | 電力需給管理システム、データ予測方法、およびデータ予測装置 | |
JP2021039739A (ja) | 予測装置、予測プログラム、及び予測方法 | |
JP2019215831A (ja) | 予測システム及び予測方法 | |
Neupane et al. | Utilizing device-level demand forecasting for flexibility markets | |
Wang et al. | A factorial hidden markov model for energy disaggregation based on human behavior analysis |