JP2013255390A - 電力需要予測装置及び電力需要予測方法 - Google Patents

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

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。

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。

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。

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。

特開平９−２８５０１０号公報 特開２０００−２７６４６０号公報

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。

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。

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。

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。 本発明の実施の形態１による電力需要予測装置を用いて電力需要量を予測する処理について示すフローチャートである。 本発明の実施の形態１による予測法選択部にて実行する選択法の学習に関する処理について示すフローチャートである。 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。 本発明の実施の形態２による電力需要予測装置を用いて電力需要量を予測する処理について示すフローチャートである。 本発明の実施の形態２による電力需要予測装置において予測法選択部にて信頼度を基に予測法を選択し、予測結果統合部にて統合（平均）する際に信頼度を用いる場合を示す構成図である。 本発明の実施の形態２による予測法選択部にて実行する予測法毎の信頼度の計算方法について示すフローチャートである。 本発明の実施の形態２による予測法選択部にて各予測法の信頼度を計算する際に用いる代表入力情報の設定方法について示すフローチャートである。

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。

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。

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。

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。

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。

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。

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。

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）。

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。

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。

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。

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。

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。

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）。

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。

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。

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。

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）。

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、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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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)。

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。

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）。

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）。

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。

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。

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。

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。

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。

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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
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。

Images