JP2015076091A

JP2015076091A - 時系列予測アンサンブル

Info

Publication number: JP2015076091A
Application number: JP2014161150A
Authority: JP
Inventors: ジェットチーヴァ・ジョージェタ; Jetcheva Jorjeta; マジッドプール・モスタファ; Majidpour Mostafa
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2013-10-09
Filing date: 2014-08-07
Publication date: 2015-04-20
Anticipated expiration: 2034-08-07
Also published as: US9639642B2; JP6292076B2; US20150100295A1

Abstract

【課題】サイトの資源負荷を予測する方法を提供する。
【解決手段】サイトに関連する時系列データである過去の負荷データ及び過去の環境条件データを受信するステップ７０２と、受信されたデータから追加データを生成するステップ７０４と、複数の予測間隔の各々について、最良サブモデルを構築するステップ７０６と、予測間隔の各々について、サイトにおける資源負荷を予測するステップ７０８を備える。
【選択図】図７

Description

本明細書で論じられる実施形態は、時系列予測アンサンブルに関する。

エネルギー使用データは、グリッド切り替えポイントで測定されるエネルギー使用データなどの、電力分配システムのうち広い部分に限られている。したがって、電力分配システムにおける負荷予測は、概して、複数のサイトの総負荷、又は電力分配システムのうち広い部分に焦点を当てている。しかしながら、予測総負荷は、個々のサイトレベルでの使用に対して十分に具体的ではない。したがって、予測総負荷は、サイト固有のエネルギー効率分析において、又は需要応答（ＤＲ）分析において、有用ではない可能性がある。

本明細書に請求される対象事項は、何らかの欠点を解決し、あるいは上記で説明された環境などの環境でのみ動作する実施形態に、限定されない。むしろ、この背景は、本明細書に説明されるいくつかの実施形態が実施され得る１つの例となる技術領域を例解するために提供されるものでしかない。

こうして、予測総負荷は、サイト固有のエネルギー効率分析において、又は需要応答（ＤＲ）分析において、有用ではない可能性がある。

一実施形態の態様に従い、サイトの電力負荷を予測する方法が、過去の負荷データと過去の環境条件データとを受信するステップを含むことができる。過去の負荷データと過去の環境条件データとは、サイトに関連する時系列データとすることができる。本方法はさらに、受信された過去の負荷データと受信された過去の環境条件データとから追加データを生成するステップを含むことができる。本方法はさらに、複数の予測間隔の各々について、最良サブモデルを構築するステップを含むことができる。この構築するステップには、過去の負荷データのトレーニング部分と追加データのトレーニング部分とを同時にクラスタ化するステップと、クラスタ化されたトレーニング部分を用いてとり得るサブモデルをトレーニングするステップと、過去の負荷データと追加データとの検証部分と対照して、とり得るサブモデルから出力される予測された負荷を検証するステップと、予測された負荷の精度に基づいて、最良サブモデルについての第１のパラメータサブセットを決定するステップとを含むことができる。本方法はさらに、最良サブモデルのアンサンブルを用いて、予測間隔の各々について、サイトの電力負荷を予測するステップを含む。

本願実施形態の目的及び利点は、少なくとも、請求項に具体的に挙げられる要素、特性及び組み合わせによって実現され、達成されるものである。

前述の概要的な説明と下記の詳細な説明とは、例示及び説明であり、請求される発明を限定するものではないことを理解されたい。

例示的な実施形態が、添付図面の利用を通じてさらなる特定性及び詳細と共に説明され、解説される。
例示的な予測システムを示すブロック図である。例示的な予測システムを示すブロック図である。図１Ａ及び図１Ｂの予測システムを実施することができる一例示的電力分配システムのブロック図である。図１Ａ及び図１Ｂの予測システム内で処理されることができる一例示的時系列データセットを示す図である。図１Ａ及び図１Ｂの予測システムによって実行されることができる一例示的クラスタリングを示す図である。図１Ａ及び図１Ｂの予測システム内で実施されることができる一例示的サブモデルを示す図である。図１Ａ及び図１Ｂの予測システム内で実施されることができる一例示的サブモデル組み立てを示すブロック図である。本明細書に説明される少なくとも１つの実施形態に従って配置された、サイトの電力負荷を予測する一例示的方法のフロー図である。

本明細書に説明されるいくつかの実施形態は、予測アンサンブル（forecasting ensembles）に関する。予測アンサンブルを実施して、複数の予測間隔において個別のエンティティに関連する特定の挙動を予測することができ、例えば、サイト（群）において又はエンティティ（群）によって浪費され、あるいは消費されることになるエネルギー資源（群）を予測することができる。予測アンサンブルには、最良サブモデル（best sub-models）の組み合わせを含むことができる。サブモデルの各々は、特定の予測間隔に対して組み立てられることができ、この予測間隔に対して複数のとり得るサブモデルから選択されることができる。サブモデルを組み立てるために、予測システムは、アンサンブルモジュールとデータ処理モジュールとを含むことができる。処理モジュールは、主要データと補助データとを受信することができ、主要データ及び／又は補助データから追加データを生成することができる。アンサンブルモジュールは、主要データと、主要データ及び補助データから導出される追加データとを、クラスタ化することができる。それから、アンサンブルモジュールは、クラスタ化されたデータを用いて、複数のとり得るサブモデルをトレーニングすることができる。複数のとり得るサブモデルは、予測された挙動を出力するように構成されることができ、予測された挙動は、主要データ及び／又は追加データの部分と対照して検証されることができる。とり得るサブモデルから出力された予測された挙動の精度に基づいて、各予測間隔についての最良サブモデルのパラメータを、決定することができる。

一例示的実施形態には、サイトの電力負荷を予測するように構成された予測システムを含むことができる。予測されるサイトの負荷は、日、時間又は別の予測間隔などの比較的短い時間に固有のものとすることができる。予測される負荷は、サブモデルのアンサンブルに基づくことができ、このアンサンブルにおいて、サブモデルの各々は、予測間隔のうちの１つについて具体的に組み立てられる。サブモデルの各々を組み立てるために、過去の負荷データ、及び／又はこの過去データから導出される追加データを処理して、とり得るサブモデルをトレーニングすることができ、とり得るサブモデルは、正確な負荷データを予測するように構成されることができる。より具体的には、この実施形態及び他の実施形態において、最良サブモデルを組み立てることには、最良サブモデルを構築することと、次いで最良サブモデルをトレーニングすることとを含むことができる。予測システムは、それから、各予測間隔についての最良サブモデルを組み合わせて、予測アンサンブルにすることができる。予測システムは、それから、最良サブモデルの予測アンサンブルを用いて、予測間隔の各々におけるサイトの電力負荷を予測することができる。この実施形態及び他の実施形態のいくつかの詳細が、添付図面を参照して説明される。

図１Ａは、本明細書に説明される少なくとも１つの実施形態に従って配置された、一例示的予測システム１５４（以降、「システム１５４」）のブロック図１００Ａである。システム１５４は、予測アンサンブルを生成するように構成されることができる一般的システムを表す。システム１５４によって生成される予測アンサンブルを実施して、個別のエンティティの挙動を予測することができる。例えば、予測アンサンブルを実施して、サイトの電力負荷、サイトの他の資源負荷（例えば、水又はガスの消費）、サイトにおける労働者の生産性、サイトにおける機械装置の一部の生産性、ショッピングモールなどのサイトにおける販売強度（例えば、使われた金額、又は取引の数）、又は個別の場所における通行パターンを予測することができる。さらに、予測アンサンブルを実施して、比較的短い時間に固有の挙動を予測することができる。例えば、予測アンサンブルを実施して、１日の間に各１５分の時間周期（又は、別の定義された時間周期）で挙動を予測することができる。挙動が予測されることになるこれら周期の各々が、本明細書において予測間隔と呼ばれる。

システム１５４は、データ１２６を受信し、これに基づいて関係する挙動を予測するように構成される。図示されるとおり、システム１５４は、プロセッサ１４２、通信インタフェース１４６及びメモリ１４４を含むことができる。プロセッサ１４２、通信インタフェース１４６及びメモリ１４４は、通信バス１４８を介して通信可能に結合されることができる。通信バス１４８には、メモリバス、記憶装置インタフェースバス、バス／インタフェースコントローラ、インタフェースバス若しくは同様のもの又はこれらの任意の組み合わせを含むことができるが、これらに限定されない。

一般に、通信インタフェース１４６は、ネットワークを介した通信を容易にすることができる。通信インタフェース１４６には、ネットワークインタフェースカード、ネットワークアダプタ、ＬＡＮアダプタ、又は他の適切な通信インタフェースを含むことができるが、これらに限定されない。データ１２６は、例えば、通信インタフェース１４６を介して、システム１５４へ、及び／又はシステム１５４から伝達されることができる。

プロセッサ１４２は、本明細書に説明される機能及び動作をシステム１５４に実行させるコンピュータ命令を実行するように構成されることができる。プロセッサ１４２には、プロセッサ、マイクロプロセッサ（μＰ）、コントローラ、マイクロコントローラ（μＣ）、中央処理装置（ＣＰＵ）、デジタルシグナルプロセッサ（ＤＳＰ）、これらの任意の組み合わせ、又は他の適切なプロセッサを含むことができるが、これらに限定されない。

コンピュータ命令は、プロセッサ１４２による実行のため、メモリ１４４にロードされることができる。例えば、コンピュータ命令は、１又は複数のモジュールの形式（例えば、モジュール１０２、１０４、１０６、１０８、１１０、１１２、１１４、１１６、１１８、１２０、１２２、１２４及び１５２）にすることができる。いくつかの実施形態において、本明細書に説明される機能及び動作の実行の間に生成され、受信され、かつ／あるいは操作されるデータは、メモリ１４４に少なくとも一時的に記憶されることができる。その上、メモリ１４４は、ＲＡＭなどの揮発性記憶装置を含むことができる。より一般的に、システム１５４は、これらに限定されないが、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ若しくは他のメモリ技術、ＣＤ−ＲＯＭ、デジタル多用途ディスク（ＤＶＤ）若しくは他の光学記憶装置、磁気カセット、磁気テープ、磁気ディスク記憶装置若しくは他の磁気記憶装置などの非一時的コンピュータ読取可能媒体、又は任意の他の非一時的コンピュータ読取可能媒体を含むことができる。

システム１５４は、データ１２６を受信するように表されている。システム１５４により受信されたデータ１２６に基づいて、アンサンブルモジュール１０２は、エンティティに特有の最良サブモデルの予測アンサンブルを組み立てることができる。最良モデルの各々を予測モジュール１５２が使用して、予測間隔についての電力負荷を予測することができる。

データ１２６には、過去の主要データ１３４、過去の補助データ１３６、更新された主要データ１３８及び更新された補助データ１４０を含むことができるが、これらに限定されない。過去の主要データ１３４及び更新された主要データ１３８（集合的に、主要データ１３４／１３８）には、エンティティに関連する時系列データ、エンティティのグループ、機械装置の一部など（概して、エンティティ又はオブジェクト）を含むことができる。例えば、主要データ１３４／１３８には、サイトに関連する時系列エネルギー使用データ、オフィスビル内のオフィス労働者の全体又はサブセットに関する時系列生産性データ、或る位置における通行パターン、ショッピングモール又はストアに関する時系列消費者データ、又はサイト内の機械装置の一部に関する時系列生産性データを含むことができるが、これらに限定されない。

主要データ１３４／１３８は、エンティティ又はオブジェクトにおいてローカルに測定されることができる。さらに、又は別法として、主要データ１３４／１３８は、リモートで測定され、次いでシステム１５４に伝達されることができる。概して、主要データ１３４／１３８には、個別の時点における、又は個別の時間にわたっての、固有値又は平均値を含むことができる。

例えば、主要データ１３４／１３８が、サイトに関連するエネルギー使用データを含む実施形態において、主要データ１３４／１３８は、スマートメーターによって測定されることができる。エネルギー使用データは、システム１５４に伝達されることができ、あるいは、システム１５４は、スマートメーターからデータを受信するエンティティ内に含まれることができる。これら実施形態における主要データ１３４／１３８の個別の例として、特定の工場が、２０１３年５月２３日の午前７時から午前７時５分の間に５キロワット時（ｋＷｈ）を使用したことが示され得る。主要データ１３４／１３８は、主要データ１３４／１３８が他のエンティティ又はオブジェクトに関する他の種類のデータを含む実施形態において、同様に定量化されることができる。

過去の主要データ１３４には、定められた時間にわたるデータセットを含むことができる。更新された主要データ１３８には、処理内のイベント又はステップの実行の後、第２の又は後続のデータセットを含むことができる。例えば、過去の主要データ１３４には、１５分の増分又はいくつかの他の時間間隔の粒度での過去６か月にわたる工場のエネルギー使用データを含むことができる。過去の主要データ１３４を使用して、以下に説明されるようにサブモデルをトレーニングすることができる。この例において、更新された主要データ１３８には、サブモデルがトレーニングされた以後の、工場のエネルギー使用データを含むことができる。主要データ１３４／１３８は、主要データ１３４／１３８が他のエンティティ又はオブジェクトに関する他の種類のデータを含む実施形態において、過去の主要データ１３４と更新された主要データ１３８とに同様に体系化されることができる。

過去の補助データ１３６及び更新された補助データ１４０（集合的に、補助データ１３６／１４０）には、上記エンティティ又はオブジェクトに関し得る別の時系列データセットを含むことができる。補助データ１３６／１４０は、主要データ１３４／１３８に対して影響を有する可能性がある。例えば、補助データ１３６／１４０には、サイト、通行場所、オフィスビル又はショッピングモールに関連する時系列環境条件データ；サイト、通行場所、オフィスビル又はショッピングモールに関連する時系列温度データなどの特有の条件；又は主要データ１３４／１３８に影響し得る季節変動などの任意の他の条件を含むことができるが、これらに限定されない。

補助データ１３６／１４０は、外部のエンティティによって測定されることができ、システム１５４に伝達されることができる。さらに、又は別法として、補助データ１３６／１４０は、システム１５４においてローカルに測定されることができる。補助データ１３６／１４０には、ある時点における、又はある時間にわたる条件の固有値又は平均値を含むことができる。

例えば、補助データ１３６／１４０には、ある時点における、又はある時間にわたる室内温度、外気温度、湿度、風速及び／又は風向、大気圧などを含むことができる。これら実施形態における補助データ１３６／１４０の一例として、２０１３年５月２３日午前７時から午前７時５分までの間、特定の工場の周辺の外気温度が２５℃であったことが示され得る。補助データ１３６／１４０は、補助データ１３６／１４０が他のエンティティ又はオブジェクトに関する他の種類のデータを含む実施形態において、同様に定量化されることができる。

いくつかの実施形態において、システム１５４には、データ処理モジュール１２４を含むことができる。データ処理モジュール１２４は、主要データ１３４／１３８と補助データ１３６／１４０とのうち１又は複数から追加データ１５０を生成するように構成されることができる。データ処理モジュール１２４は、主要データ１３４／１３８と補助データ１３６／１４０とを組み合わせることができる。例えば、特定の時間に対する過去の主要データは、この特定の時間の間に過去の補助データ１３６内に表された環境条件と組み合わせることができる。図１Ａにおいて、主要データ１３４／１３８と補助データ１３６／１４０との組み合わせを表すデータが、「主要‐補助データ１３０」とラベル付けされている。単に例として、主要‐補助データ１３０には、主要データ１３４／１３８を補助データ１３６／１４０と組み合わせる表、グラフ、チャート又は関数を含むことができる。主要‐補助データ１３０は、例えば、温度データと組み合わせられた負荷データ、温度データと組み合わせられた生産性データ、季節的データと組み合わせられた消費者取引データ、主要データ１３４／１３８と補助データ１３６／１４０との任意の他の組み合わせを表すことができる。

さらに、又は別法として、データ処理モジュール１２４は、種々の特定の時間における主要データ１３４／１３８間の差分を算出することができる。例えば、差分は、各々の過去の主要データ１３４のデータムとその直前の過去の主要データ１３４のデータムとの間で算出されることができる。図１Ａにおいて、差分算出された（differenced）主要データ１３４／１３８を表すデータが、「差分主要データ１３２」とラベル付けされている。差分算出された主要データは、本明細書において、差分主要データ１３２という。単に例として、差分主要データ１３２には、主要データ１３４／１３８を差分算出する表、グラフ、チャート又は関数を含むことができる。

さらに、又は別法として、データ処理モジュール１２４は、種々の特定の時点における主要データ１３４／１３８間の差分を算出し、補助データ１３６／１４０を、差分算出された主要データ１３４／１３８に組み合わせることができる。例えば、差分は、各々の過去の主要データ１３４のデータムとその直前の過去の主要データ１３４のデータムとの間で算出されることができる。過去の主要データ１３４のデータ間の差分は、該データ間の時間における温度などの環境条件と組み合わせられることができる。図１Ａにおいて、補助データ１３６／１４０と組み合わせられた差分算出された主要データ１３４／１３８を表すデータが、「差分主要‐補助データ１２８」とラベル付けされている。さらに、補助データ１３６／１４０と組み合わせられた差分算出された主要データ１３４／１３８は、本明細書において差分主要‐補助データ１２８という。単に例として、差分主要‐補助データ１２８には、主要データ１３４／１３８を差分算出し、差分算出された主要データ１３４／１３８を補助データ１３６／１４０と組み合わせる表、グラフ、チャート又は関数を含むことができる。追加データ１５０についての上記３つの例は、本明細書に説明される実施形態に対する限定を意図するものではない。

アンサンブルモジュール１０２は、データ１２６及び／又は追加データ１５０を使用して、最良サブモデルのアンサンブルを組み立てることができる。具体的に、いくつかの実施形態において、アンサンブルモジュール１０２は、各予測間隔について、１つの最良のサブモデルを組み立てるように構成されることができる。概して、最良のサブモデルとは、個別の予測間隔におけるエンティティ又はオブジェクトについての挙動を最も正確に予測するように構成された１又は複数のパラメータを含むサブモデルである。例えば、システム１５４は、１５分間隔で１日２４時間の間、又は何らかの他の間隔で何らかの他の時間の間、負荷を予測するように構成されることができる。したがって、アンサンブルモジュール１０２は、１日に９６個の最良サブモデルを組み立てることができ、あるいはより一般的には任意の適切な数の最良サブモデルを組み立てることができる。

図１Ａにおけるアンサンブルモジュール１０２は、構築モジュール１１４及び調整モジュール１０４を含む。構築モジュール１１４及び調整モジュール１０４を使用して、複数のとり得るサブモデルから、各最良サブモデルを組み立てることができる。概して、各最良サブモデルを組み立てるために、構築モジュール１１４は、データ１２６及び／又は追加データ１５０の第１の部分を入力することができる。この第１の部分に基づいて、構築モジュール１１４は、最良サブモデルに含まれ得るクラスタリングパラメータ及び／又はサブモデルパラメータ（集合的に、パラメータ）の第１のサブセットを決定することができる。クラスタリングパラメータ及びサブモデルパラメータのいくつかの追加詳細を、以下で与える。

調整モジュール１０４は、それから、構築モジュール１１４により決定された第１のパラメータサブセットを用いて、最良サブモデルに、データ１２６及び／又は追加データ１５０の第２の部分を入力することができる。調整モジュール１０４は、それから、最良サブモデルに含まれ得るパラメータの第２のサブセットを選択することができる。この第２のパラメータサブセットを調整モジュール１０４が設定した後、アンサンブルモジュール１０２が、最良サブモデルを他の最良サブモデルと組み合わせることができる。最良サブモデルのアンサンブルを予測モジュール１５２が使用して、挙動を予測することができる。構築モジュール１１４及び調整モジュール１０４の各々を、以下でより詳細に説明する。

構築モジュール１１４は、クラスタリングモジュール１１８、トレーニングモジュール１２０、検証モジュール１１６及び決定モジュール１２２を含むことができる。クラスタリングモジュール１１８は、データ１２６、追加データ１５０、又はこれらのいくらかの部分をクラスタ化することができる。クラスタリングとは、一般に、グループ化されたサブセットが一単位として処理されるように、データセットのサブセットをグループ化することをいう。クラスタリングは、１又は複数のクラスタリングパラメータを有する１又は複数のクラスタリングアルゴリズムに従って生じさせることができる。クラスタリングパラメータのいくつかの例には、一緒にグループ化されるデータ（例えば、データ１２６）の時間間隔の数と、例えば、クラスタ化されたデータが過去の主要データ１３４、主要‐補助データ１３０、差分主要データ１３２などを含むかどうかといったデータの種類とを含むことができるが、これらに限定されない。

いくつかの実施形態において、クラスタリングモジュール１１８は、データ１２６、追加データ１５０、又はこれらのうちいくらかの部分を同時にクラスタ化することができる。例えば、追加データ１５０が差分主要‐補助データ１２８、主要‐補助データ１３０及び差分主要データ１３２を含む実施形態において、クラスタリングモジュール１１８は、過去の主要データ１３４、差分主要‐補助データ１２８、主要‐補助データ１３０及び差分主要データ１３２の各々を同時にクラスタ化することができる。

トレーニングモジュール１２０は、クラスタ化されたデータを用いて、とり得るサブモデルをトレーニングするように構成されることができる。クラスタ化されたデータには、データ１２６、追加データ１５０、又はこれらの部分のうち、クラスタ化された部分を含むことができる。とり得るサブモデルには、負荷予測精度を最適化するように構成された機械学習モデルを含むことができる。これら及び他の実施形態において、とり得るサブモデルには、ニューラルネットワーク、自己回帰和分移動平均（ＡＲＩＭＡ）、ランダムフォレストモデル、二重指数平滑化モデル、又は任意の他の適切なトレーニング可能な学習モデルを含むことができる。さらに、とり得るサブモデルには、出力を決定づける１又は複数のサブモデルパラメータを含むことができる。クラスタ化されたデータを使用して、トレーニングモジュール１２０は、とり得るサブモデルをトレーニングして、正確な負荷予測を提供するサブモデルパラメータを開発することができる。

検証モジュール１１６を使用して、とり得るサブモデルから出力された予測挙動を検証することができる。いくつかの実施形態において、とり得るサブモデルから出力される予測挙動は、データ１２６若しくは追加データ１５０又はこれらの部分のうちの検証部分と対照して、検証されることができる。したがって、これら及び他の実施形態において、とり得るサブモデルは、とり得るサブモデル自体によって出力される予測された挙動が上記モデルに従って正確になるまで、クラスタ化されたデータでトレーニングされることができる。検証モジュール１１６は、とり得るサブモデルから出力される予測された挙動を、実際のデータと対照して確認することによって、予測された挙動の精度の追加的検証を提供することができる。例えば、データ１２６には、２０１３年１月１日から２０１３年６月３０日までの期間の過去の主要データ１３４を含むことができる。とり得るサブモデルは、２０１３年５月２１日の午前７時から午前７時１５分の間に１０ｋＷｈの電力負荷を予測するように構成されることができる。検証モジュール１１６は、２０１３年５月２１日の過去の主要データ１３４にアクセスし、とり得るサブモデルが電力負荷を正確に予測しているかどうかを検証することができる。

いくつかの実施形態において、検証モジュール１１６は、誤差方程式を用いて、とり得るサブモデルによって出力される予測された挙動の精度を検証することができる。例えば、予測された挙動の精度は、平均絶対誤差率（mean absolute percentage error；ＭＡＰＥ）に従って決定されることができ、ＭＡＰＥは、一例示的ＭＡＰＥ等式において、下記のように表される。

この例示的ＭＡＰＥ等式において、変数ＭＡＰＥは、ＭＡＰＥを表す。変数ｎは、データ１２６若しくは追加データ１５０又はこれらのいくらかの部分の中の、時間間隔の数を表す。変数Ｐ_Ａは、データ（例えば、データ１２６）からの、測定された挙動を表す。変数Ｐ_Ｆは、予測された挙動を表す。

予測された挙動の精度に基づいて、決定モジュール１２２は、最良サブモデルについてのパラメータの第１のサブセットを決定することができる。この第１のパラメータサブセットを決定することには、１若しくは複数のパラメータの範囲を生成すること、１若しくは複数のパラメータのとり得る値を除外すること、１若しくは複数のパラメータの値を設定すること、パラメータを未決定のままとすること、又はこれらの任意組み合わせを含むことができる。例えば、決定モジュール１２２は、１又は複数のサブモデルパラメータの各々について、値を提供することができ、１又は複数のクラスタリングパラメータの各々について、範囲を提供することができる。

いくつかの実施形態において、予測された挙動を最小のＭＡＰＥにおいて出力するとり得るサブモデルと、これらサブモデル内で使用されるクラスタ化されたデータとが、識別されることができる。予測された挙動を最小のＭＡＰＥにおいて出力するとり得るサブモデルのサブモデルパラメータ及び／又はクラスタリングパラメータが、最良サブモデルに含まれることができる。

構築モジュール１１４は、したがって、最良サブモデルに含まれ得る１又は複数のパラメータを出力することができる。調整モジュール１０４は、（とり得るサブモデルではなく）構築モジュール１１４により出力された最良サブモデルをトレーニングして、（第１のパラメータサブセットではなく）第２のパラメータサブセットを選択するように構成されることができることを除いて、少なくともいくつかの点で構築モジュール１１４と同様とすることができる。具体的には、調整モジュール１０４には、クラスタリングモジュール１０８、トレーニングモジュール１１０、検証モジュール１０６及び選択モジュール１１２を含むことができる。クラスタリングモジュール１０８、トレーニングモジュール１１０、検証モジュール１０６及び選択モジュール１１２は、それぞれ、クラスタリングモジュール１１８、トレーニングモジュール１２０、検証モジュール１１６及び決定モジュール１２２と実質的に同様とすることができる。しかしながら、調整モジュール１０４は、データ１２６及び／又は追加データ１５０の第２の部分を受信することができ、構築モジュール１１４から出力された最良モデルをトレーニング及び検証することによって、第２のパラメータサブセットを選択することができる。

より詳細には、構築モジュール１１４は、データ１２６及び／又は追加データ１５０のトレーニング部分を受信することができる。トレーニング部分には、例えば、エネルギー使用データ、環境条件データ及びこれらから導出されるデータ（例えば、追加データ１５０）を含み得る長期間データセットを含むことができる。いくつかの実施形態において、用語「長期間データセット」は、約３５日から約１３５日までの間のエネルギー使用データ、環境条件データ及びこれらから導出されるデータを示すことができる。対照的に、調整モジュール１０４は、データ１２６及び／又は追加データ１５０の調整部分を受信することができる。調整部分には、例えば、短期間のエネルギー使用データ、環境条件データ及びこれらから導出されるデータを含み得る短期間データセットを含むことができる。いくつかの実施形態において、用語「短期間データセット」は、約３日から約７日の間のエネルギー使用データ、環境条件データ及びこれらから導出されるデータを示すことができる。

構築モジュール１１４は、本質的にはパラメータセットを用いずに、とり得るサブモデルをトレーニングすることができる。したがって、構築モジュール１１４のトレーニングモジュール１２０は、（調整モジュール１０４と比較した場合に）比較的大きなデータセットを用いて、トレーニング処理を実行することができる。対照的に、調整モジュール１０４は、決定された第１のパラメータサブセットと共に構築モジュール１１４から出力された最良サブモデルをトレーニングし、検証することができる。調整モジュール１０４は、構築モジュール１１４により決定された第１のパラメータセットを使用しながら、第２のパラメータセットを選択することができる。したがって、調整モジュール１０４から出力される最良サブモデルには、構築モジュール１１４により決定された第１のサブセット及び／又は調整モジュール１０４により選択された第２のパラメータサブセットを含むパラメータを含むことができる。

したがって、調整モジュール１０４は、大まかな意味で構築モジュール１１４と同様に機能することができる。例えば、クラスタリングモジュール１０８は、データ１２６、追加データ１５０又はこれらのうちいくらかの第２の部分を、同時にクラスタ化することができる。トレーニングモジュール１１０は、クラスタリングモジュール１０８から出力されるクラスタ化されたデータを用いて、構築モジュール１１４によって出力された最良サブモデルをトレーニングすることができる。検証モジュール１０６は、最良サブモデルから出力される予測された挙動を検証することができる。いくつかの実施形態において、検証モジュール１０６は、ＭＡＰＥを用いて、予測された挙動の精度を測定することができる。選択モジュール１１２は、予測された挙動の精度に基づいて、最良サブモデルについての第２のパラメータサブセットを選択することができる。第２のパラメータサブセットを選択することには、１若しくは複数のパラメータの範囲を生成すること、１若しくは複数のパラメータのとり得る値を除外すること、１若しくは複数のパラメータの値を設定すること、１若しくは複数のパラメータを未決定のままとすること、１若しくは複数のパラメータを決定モジュール１２２により決定されたとおりにすること、又はこれらの任意の組み合わせを含むことができる。

第１及び第２のパラメータサブセットを含む最良サブモデルは、調整モジュール１０４から出力されることができる。さらに、調整モジュール１０４は、各予測間隔についての最良サブモデルを出力することができる。各予測間隔についての最良サブモデルを、アンサンブルモジュール１０２が組み合わせることができる。予測モジュール１５２は、最良サブモデルの予測アンサンブルを使用して、エンティティ又はオブジェクトについての挙動を予測することができる。

いくつかの実施形態において、アンサンブルモジュール１０２は、最良サブモデルのアンサンブルを周期的に再組み立てするように構成されることができる。これら及び他の実施形態において、調整モジュール１０４は、調整モジュール１０４自体が以前に出力した最良サブモデルを後に調整することによって、第２のパラメータサブセットを更新するように構成されることができる。第２のパラメータサブセットを更新することは、更新された主要データ１３８及び／又は更新された補助データ１４０に基づくことができ、上記の更新されたデータは、調整モジュール１０４から以前に出力された最良サブモデルを用いて、調整モジュール１０４内で処理されることができる。したがって、調整モジュール１０４は、データ１２６、及び／又はこれらから導出される追加データ１５０の第３の部分を用いて、上記で説明された処理を実行することができる。第３の部分は、後続の調整部分と呼ぶことができる。後続の調整部分には、いくつかの実施形態において、約３日から約７日までの、更新されたエネルギー使用データを含むことができる。

第２のパラメータサブセットを更新する処理には、データ処理モジュール１２４が更新された主要データ１３８及び更新された補助データ１４０を用いて追加データ１５０を更新することを、含むことができる。さらに、クラスタリングモジュール１０８は、更新された主要データ１３８の後続の調整部分と更新された追加データ１５０の後続の調整部分とをクラスタ化することができる。さらに、トレーニングモジュール１１０は、過去の主要データ１３４及び／又は追加データ１５０のクラスタ化された更新された調整部分を用いて、調整モジュール１０４から以前に出力された最良サブモデルをトレーニングすることができる。さらに、検証モジュール１０６は、更新された主要データ１３８及び更新された追加データ１５０のうち更新された検証部分と対照して、最良サブモデルから出力される更新された予測された挙動を検証することができ、選択モジュール１１２は、更新された予測された挙動の精度に基づいて、最良サブモデルについての第２のパラメータサブセットを更新することができる。

更新された第２のパラメータサブセットは、最良サブモデルに含まれることができる。上記のとおり、各予測間隔についての更新された第２のパラメータサブセットを含むことができるものである、最良サブモデルは、アンサンブルモジュール１０２によって、他の更新された最良サブモデルと組み合わせられることができる。予測モジュール１５２は、更新された最良サブモデルのアンサンブルを使用して挙動を予測することができる。

いくつかの実施形態において、最良サブモデルは、上記の構築及び調整を含め、第１のスケジュールに従って最初に組み立てられることができ、後続の調整は、第２のスケジュールに従って実行されることができる。このようにして、最良サブモデルは、組み立てられ、次いで後に第２のスケジュールに従って更新されることができる。例えば、最良サブモデルは、最初、例えば約３か月から約６か月などおきに、周期的又は無作為に組み立てられることができ、後続の調整は、日ベース又は週ベースで、あるいは何らかの他の周期的又は無作為の間隔に従って実行されることができる。

システム１５４は、様々な応用、システム及び状況において実施されることができ、これらのうちのいくつかが本明細書で言及されている。概して、データ１２６、及び／又はこれから導出される追加データ１５０は、個別の応用と共に変化してよい。さらに、アンサンブルモジュール１０２により生成された予測アンサンブルを用いて予測される挙動は、個別の応用に基づいて異なってよい。

図１Ｂは、あるサイトに特有の電力負荷を予測するように構成されたシステム１５４の一例示的実施形態のブロック図１００Ｂを示す。図１Ｂに含まれるモジュール（例えば、１０２、１０４、１１４及び１２４）は、図１Ａを参照して論じられたモジュール（例えば、１０２、１０４、１１４及び１２４）と実質的に同様であり、かつ／あるいはこれらに対応することができるが、図１Ａのモジュールのいくつかの特性が、図１Ｂにおいて省略されている。さらに、図１Ｂに表されていないが、図１Ｂのシステム１５４には、図１Ａを参照して説明されたプロセッサ１４２、通信インタフェース１４６、メモリ１４４、通信バス１４８、又はこれらのうちいくつかの組み合わせのうち１又は複数を含むことができる。この実施形態及び他の実施形態において、データ１２６には、過去の負荷データ１５６、過去の環境条件データ１５８、更新された負荷データ１６０及び更新された環境条件データ１６２を含むことができるが、これらに限定されない。過去の負荷データ１５６は、過去の主要データ１３４に対応することができ、過去の環境条件データ１５８は、過去の補助データ１３６に対応することができ、更新された負荷データ１６０は、更新された主要データ１３８に対応することができ、更新された環境条件データ１６２は、更新された補助データ１４０に対応することができる。

さらに、追加データ１５０には、環境条件データ（過去の環境条件データ１５８及び／又は更新された環境条件データ１６２）と組み合わせられた負荷データ（例えば、過去の負荷データ１５６及び／又は更新された負荷データ１６０）を含むことができる。個別の例には、温度データと組み合わせられた負荷データを含むことができ、これは、図１Ｂにおいて「負荷‐温度」データ１６８として表されている。さらに、又は別法として、追加データ１５０には、差分算出された負荷データを含むことができ、これは、図１Ｂにおいて、「差分負荷データ１７０」で表されている。さらに、又は別法として、追加データ１５０には、環境条件データと組み合わせられた差分算出された負荷データを含むことができる。個別の例には、温度データと組み合わせられた差分算出された負荷データを含むことができ、これは、図１Ｂにおいて、「差分負荷‐温度データ１６６」として表されている。

図１Ａに表される実施形態と同じく、図１Ｂのシステム１５４は、サイトの電力負荷を予測するように構成された予測アンサンブルを組み立てることができ、サイトの電力負荷を予測することができる。具体的には、データ処理モジュール１２４が、過去の負荷データ１５６及び／又は過去の環境条件データ１５８を受信することができる。過去の負荷データ１５６及び／又は過去の環境条件データ１５８は、サイトに関連する時系列データとすることができる。例えば、過去の負荷データ１５６には、特定された時点における、又は特定された時間の間の、サイトのエネルギー使用データを含むことができる。データ処理モジュール１２４は、受信された過去の負荷データ１５６及び／又は受信された過去の環境条件データ１５８のうち１又は複数から、追加データ１５０を生成することができる。アンサンブルモジュール１０２は、各予測間隔について、最良サブモデルを構築することができる。構築モジュール１１４は、過去の負荷データ１５８のトレーニング部分及び／又は追加データ１５０のトレーニング部分を同時にクラスタ化することができる。それから、構築モジュール１１４は、過去の負荷データ１５６及び／又は追加データ１５０のうちクラスタ化されたトレーニング部分を用いて、とり得るサブモデルをトレーニングすることができる。構築モジュール１１４は、過去の負荷データ１５６及び／又は追加データ１５０の検証部分と対照して、とり得るサブモデルから出力された予測される負荷を検証することができる。構築モジュール１１４は、予測された負荷の精度に基づいて、最良サブモデルについての第１のパラメータサブセットを決定することができる。

予測間隔の各々に関して構築される最良サブモデルの各々は、調整モジュール１０４によって調整されることができる。調整モジュール１０４は、過去の負荷データ１５６の調整部分及び／又は追加データ１５０の調整部分を同時にクラスタ化することができる。調整モジュール１０４は、構築モジュール１１４によって出力された最良サブモデルを、過去の負荷データ１５６及び／又は追加データ１５０のクラスタ化された調整部分を用いてトレーニングすることができる。それから、調整モジュール１０４は、過去の負荷データ１５６及び追加データ１５０の第２の検証部分と対照して、最良サブモデルから出力される予測された負荷を検証することができる。予測された負荷の精度に基づいて、調整モジュール１０４は、それから、最良サブモデルについての第２のパラメータサブセットを選択することができる。調整モジュール１０４は、さらに、更新された負荷データ１６０及び／又は更新された環境条件データ１６２を用いて、上記で説明されたように最良サブモデルを後に調整することができる。

図２〜図６は、概して、図１Ａ及び／又は図１Ｂのシステム１５４を含み得る一例示的動作環境と、電力負荷を予測するためにシステム１５４によって実行され得る処理のブロック図とに関する。図２〜図６のシステム及び図は、図１Ａ及び図１Ｂを参照して説明された処理の例示的実施形態のいくつかの詳細を提供するものである。例示的動作環境と、システム１５４により実行され得る処理のブロック図とは、挙動を予見するために実施され得る他のシステム１５４に同様に適用可能となり得るものであり、上記挙動には、サイトの資源負荷（例えば、水又はガスの消費）、サイトにおける労働者の生産性、サイトにおける機械装置の一部の生産性、ショッピングモールなどのサイトにおける販売強度（例えば、使われた金額、又は取引の数）、又は個別の場所における通行パターンを含むが、これらに限定されない。

図２は、本明細書に説明される少なくとも１つの実施形態に従って配置される、一例示的電力分配システム（分配システム）２００のブロック図である。分配システム２００において、１又は複数のサイト２０４Ａ〜２０４Ｄ（概して、サイト２０４、又はサイト群２０４）についての電力負荷を、予測することができる。具体的に、仮想発電所（ＶＰＰ）２１０に含まれるこれらサイト２０４Ａ及び２０４Ｂなどの、単一のサイト２０４又はいくつかのサイト２０４の電力負荷を、１又は複数の予測間隔について、予測することができる。例えば、第３のサイト２０４Ｃの電力負荷は、特定の日の各々１５分の予測間隔の予測、及び／又は継続時間において１５分より長い、又は短い間隔の予測とすることができる。サイト２０４（又は、いくつかのサイト２０４）に固有の電力負荷を予測することは、サイト２０４のエネルギー管理を改良することができ、分配システム２００内の供給バランスを改良することができる。さらに、電力負荷予測は、需要応答（ＤＲ）イベントに関連付けられた分析、及び／又はＤＲイベントにおけるサイト関与に使用されることができる。例えば、ＤＲイベントには、サイト２０４のうち１又は複数がエネルギー使用を削減する特定の時間を含むことができる。ＤＲ集約体（aggregator）２０８は、予測されたサイト２０４の負荷に基づいて、どのサイト２０４をＤＲイベント内に含むべきかの判断を基礎づけることができる。

概して、分配システム２００は、公益事業体（utility）２０６、ＤＲ集約体２０８及びサイト２０４を含むことができる。図１Ａ及び／又は図１Ｂのシステム１５４は、図２の公益事業体２０６、ＤＲ集約体２０８、１若しくは複数のサイト２０４、又は電力負荷を予測するように構成され得る別のシステム（図示せず）のうち、１又は複数の中に表され、あるいは含まれることができる。サイト２０４のうちいくつかは、ＶＰＰ２１０及び／又はマイクログリッド２１２内に編成されることができる。分配システム２００において、公益事業体２０６は、サイト２０４に電力を分配することができる。さらに、いくつかの実施形態において、ＶＰＰ２１０及び／又はサイト２０４のうち１若しくは複数は、電力を生成し、生成された電力を、他のサイト２０４に、又は公益事業体２０６に供給することができる。公益事業体２０６によるサイト２０４への電力の分配は、図２において、アイテム番号２０７により指定される線で表されている。

電力がサイト２０４に分配されるとき、この電力は、メーターで測定され（metered）、あるいはその他の方法で測定されることができる。サイト２０４に分配される測定された電力は、図１Ｂの過去の負荷データ１５６などの過去の負荷データとして保存され、あるいはその他の方法で過去の負荷データに含まれることができる。過去の負荷データは、電力がある時間にわたってサイト２０４に分配されるにつれ、更新されることができる。例えば、いくつかの実施形態において、サイト２０４の各々、ＶＰＰ２１０、マイクログリッド２１２、又はこれらの任意の組み合わせには、スマートメーター（図示せず）を含むことができる。スマートメーターは、サイト２０４の各々、ＶＰＰ２１０、マイクログリッド２１２、又はこれらの任意の組み合わせに対して提供された電力を表すデータの測定及び／又は収集を可能にすることができる。コンポーネント（例えば、２０４、２０６、２０８、２１０及び２１２）の各々のいくつかの追加詳細を以下に提供する。

公益事業体２０６には、電力の生産、伝送及び／又は分配に関わる任意のエンティティを含むことができる。公益事業体２０６は、公的に、又は私的に所有されてよい。公益事業体２０６のいくつかの例には、発電所、エネルギー協同組合及び独立系統運用機関（ＩＳＯ）を含むことができるが、これらに限定されない。

一般に、サイト２０４は、構築物、構造物、設備、又は公益事業体により生成された電力を消費する他のオブジェクトとすることができる。サイト２０４には、複数の種類の構造物、構築物、設備、又は、私的な住居から大規模な産業工場若しくはオフィスビルまでにおよぶ、電力を消費する他のオブジェクトを含むことができる。サイト２０４は、例えば、ＶＰＰ２１０に編成され、あるいはその他の方法でグループ化されることができ、あるいは、マイクログリッド２１２内に含まれることができる。ＶＰＰ２１０には、単一の負荷及び／又は単一の生成ユニットに見え得る電力生産者及び／又はサイト２０４の集合を含むことができる。マイクログリッド２１２には、分配システム２００の残りの部分から切り離されたユニットとして機能する（例えば、電力需要に合う）ことができ得る１又は複数のサイト２０４を含むことができる。本実施形態は、個別のサイト２０４を参照して本明細書に説明されているが、本実施形態はさらに、ＶＰＰ２１０に、及び／又はマイクログリッド２１２に適用可能とすることができる。

ＤＲ集約体２０８は、公益事業体２０６とサイト２０４、ＶＰＰ２１０及び／又はマイクログリッド２１２との間で媒介として動作して、１又は複数のＤＲイベントの実施を協調させることができる。具体的に、ＤＲ集約体２０８は、サイト２０４、ＶＰＰ２１０及び／又はマイクログリッド２１２による累積的な電力使用削減がＤＲイベントの全体の電力削減に合うほど十分であるように、ＤＲイベントを協調させることができる。

ＤＲ集約体２０８は、公益事業体２０６及びサイト２０４に通信可能に結合されることができる。図２において、ＤＲ集約体２０８、公益事業体２０４及びサイト２０４における通信可能な結合は、点線の矢印によって表されている。公益事業体２０６、ＤＲ集約体２０８及びサイト２０４は、１又は複数の有線又は無線のネットワークを介して通信可能に結合されることができる。例えば、ネットワークには、インターネット、モバイル通信ネットワーク、１若しくは複数のローカルエリア若しくはワイドエリアのネットワーク（ＬＡＮ若しくはＷＡＮ）、これらの任意の組み合わせ、又は任意の同様のネットワーキング技術を含むことができる。

サイト２０４又はこれらのいくつかのサブセットを、ＤＲ集約体２０８が管理することができる。ＤＲ集約体２０８は、ＤＲ集約体２０８自体が管理するサイトによるＤＲイベントの実施を具体的に協調させることができる。したがって、ＤＲ集約体２０８は、どのサイト２０４が来たるＤＲイベントに関与しそうであるのかを決定するために、サイト２０４の負荷を予測することに関心を有する場合がある。さらに、サイト２０４が、来たるＤＲイベントに関与するという選択肢を有することができる。したがって、サイト２０４は、関与が有益であるかどうかを確実にするために、来たるＤＲイベントの間の電力負荷を予測することに関心を有する場合がある。

分配システム２００において、サイト２０４の負荷を予測することは、サイト２０４、公益事業体２０６、ＤＲ集約体２０８、又は別のエンティティ（図示せず）によって実行されることができる。したがって、負荷を予測することは、ローカルに、及び／又は通信ネットワークを介して実行されることができる。例えば、エンティティを借りて、サイト２０４のうち１つによって負荷予測を実行することができ、あるいはその他の方法でサイト２０４のうち対応する１つについての負荷予測を実行することができる。エンティティは、クラウドベースのサービスを介して予測のいくつか又はすべてを実行し、この結果をサイト２０４に伝達することができる。さらに、又は別法として、サイト２０４、公益事業体２０６及び／又はＤＲ集約体２０８は、ローカルに電力負荷を予測するために使用されるプロセッサ、メモリ、サーバ、通信インタフェースなどのシステムを含むことができる。

分配システム２００は、本明細書において、公益事業体２０６がサイト２０４に電力を提供するという特徴と共に説明されている。しかしながら、分配システム２００は、電力システムに限定されない。分配システム２００は、ガス、水、又は任意の他の公益事業若しくは資源などの別の資源がサイト２０４に提供されるシステムとすることができる。その上、上記で言及されたとおり、本明細書に含まれる、電力負荷の予測を説明する実施形態は、制限なく、オフィスの生産性を予測すること、個別のポイントにおける車両通行を予測すること、及び消費者需要を予測することなどの、他の挙動の予測に適用されることができる。

本開示の範囲から逸脱することなしに、分配システム２００に対して、変更、追加又は省略を行うことができる。例えば、図２は、第１、第２、第３及び第４のサイト２０４Ａ〜２０４Ｄと、１つのＶＰＰ２１０と、１つのマイクログリッド２１２とを表しているが、本開示は、１若しくは複数のサイト２０４、１若しくは複数のＶＰＰ２１０、１若しくは複数のマイクログリッド２１２、又はこれらの任意の組み合わせを有するシステム構造に適用される。さらに、図２は、１つのＤＲ集約体２０８及び１つの公益事業体２０６を含むが、分配システム２００は、複数のＤＲ集約体及び／又は複数の公益事業体を含むことができる。さらに、いくつかの実施形態において、サイト２０４のうち１又は複数は、複数のＤＲ集約体及び／又は複数の公益事業体によって扱われることができる。

図３は、図１Ａ及び／又は図１Ｂを参照して説明されたシステム１５４において処理され得る一例示的時系列データセット（データセット）３００を示す。データセット３００は、例えば、図１Ａの主要データ１３４／１３８、補助データ１３６／１４０又は追加データ１５０のデータセットを表すことができる。さらに、又は別法として、データセット３００は、図１Ｂを参照して説明された過去の負荷データ１５６及び更新された負荷データ１６０、過去の環境条件データ１５８及び更新された環境条件データ１６２、又は追加データ１５０を表すことができる。図３は、図１Ａ及び図１Ｂを合わせて参照して説明される。

データセット３００は、図３内にＴ_１〜Ｔ_ｎでラベル付けされた時間増分（time increments）を有する個々のデータ３０２Ａ〜３０２Ｊ（概して、データ３０２又はデータム３０２）を含む。いくつかの実施形態において、データセットには、トレーニング部分３０４を含むことができる。トレーニング部分３０４には、時点Ｔ_３における最初のトレーニングデータム３０２Ｃと時点Ｔ_ｎ−３における最後のトレーニングデータム３０２Ｇとの間で発生した１組のデータ３０２を含むことができる。

最初のトレーニングデータム３０２Ｃとして時点Ｔ_３のものを選択することは、最初のトレーニングデータム３０２Ｃが、データセット３００の１番目のトレーニングデータム３０２Ａを含んでもよく、あるいは含まなくてもよいことを意味する。具体的に、いくつかの状況において、データセット３００のトレーニング部分３０４は、負荷が予測されるべき時点の前のいくつかの数の時間間隔であるデータ３０２を省略することができる。例えば、いくつかの状況において、季節変動がサイトの負荷に影響する可能性がある。したがって、データセット３００が過去の夏からのデータ３０２を含む場合、トレーニング部分３０４は、この過去の夏からのデータ３０２を省略し、直近のデータ３０２だけを含むことができる。

トレーニング部分３０４は、データセット３００の比較的大きな部分を含むことができ、とり得るサブモデルをトレーニングするために構築モジュール１１４のトレーニングモジュール１２０が使用するデータ１２６又は追加データ１５０のうちの部分を表すことができる。いくつかの実施形態において、構築モジュール１１４により決定されるパラメータの１つは、トレーニング部分３０４のサイズとすることができる。

データセット３００には、さらに、調整部分３０８を含むことができる。概して、調整部分３０８は、トレーニング部分３０４より小さいセットのデータ３０２を含む。調整部分３０８は、調整モジュール１０４のトレーニングモジュール１１０が使用するデータ１２６のうちの部分とすることができる。いくつかの実施形態において、トレーニング部分３０４及び調整部分３０８は、負荷（又は、別の挙動）が予測される時間間隔の直前のデータ３０２を含むように選択されることができる。例えば、図示されている実施形態において、トレーニング部分３０４及び調整部分３０８は、時点Ｔ_Ｎ−２におけるデータム３０２Ｈに対応する予測間隔の間の負荷を予測するように選択されることができる。いくつかの実施形態において、調整モジュール１０４が決定するパラメータの１つは、調整部分３０８のサイズとすることができる。

検証部分３０６を、トレーニング部分３０４及び／又は調整部分３０８に含むことができる。検証部分３０６には、最良サブモデルの構築又は調整の間に生成される予測された負荷の精度を測定するために使用されるデータ３０２のうち１又は複数を含むことができる。例えば、検証部分３０６を使用して、とり得るサブモデルにより出力される予測負荷の精度を測定することができる。さらに、又は別法として、検証部分３０６を使用して、構築モジュール１１４により生成される最良サブモデルが出力する予測負荷の精度を測定することができる。具体的に、いくつかの実施形態において、トレーニングの間、トレーニングモジュール１１０又は１２０は、検証部分３０６に含まれるデータ３０２についての負荷を予測するように構成されることができる。検証モジュール１０６及び１１６は、検証部分３０６を抽出し、検証部分３０６と予測された負荷との間の精度を測定するように構成されることができる。図示されている実施形態において、検証部分３０６には、最後のトレーニングデータム３０２Ｇを含んでいるが、検証部分３０６には、さらに、又は別法として、他のデータ３０２を含むことができる。さらに、検証部分３０６は、トレーニング部分３０４と調整部分３０８とに共通するものとして表されているが、調整部分３０８にはある検証部分３０６を含むことができ、トレーニング部分３０４には別の検証部分３０６を含むことができる。検証部分３０６は、トレーニング部分３０４と調整部分３０８とに対して、別個とすることができる。

データセット３００は、さらに、後続の調整部分３１０を含むことができる。後続の調整部分３１０には、最後のトレーニングデータム３０２Ｇに続いて発生するデータ３０２を含むことができる。後続の調整部分３１０には、更新された主要データ１３８及び／又は更新された補助データ１４０などの更新されたデータを含むことができる。後続の調整部分は、トレーニング部分３０４及び／又は調整部分３０８をシステム１５４が処理した後、データセット３００に追加されることができる。後続の調整部分３１０には、検証部分３１２を含むことができ、これは、例えば、後に続く最良サブモデル調整の間に使用されることができる。

図４は、図１Ａ及び／又は図１Ｂのシステム１５４により実行され得る一例示的クラスタリング４００を示す。図示されているクラスタリング４００には、Ｋ平均アルゴリズムに従って図３のデータセット３００をクラスタリングすることを含む。図示されているクラスタリング４００は、本明細書に論じられる実施形態に対する限定を意味するものではない。他のクラスタリングアルゴリズムを使用して、データセット３００をクラスタ化することができる。例えば、いくつかの代替的実施形態において、クラスタリングは、階層的クラスタリング、ファジィクラスタリングなどの接続性モデル、多変量正規分布などの分布モデルに従って、あるいは他の適切なクラスタリングアルゴリズム（群）に従って実行されることができる。

Ｋ平均クラスタリングにおいて、変数Ｋの値は、データセット３００を分類するためのクラスタ４０２Ａ〜４０２Ｍ（概して、クラスタ４０２又はクラスタ群４０２）の数を決定することができる。一般に、この値Ｋは、１から、データセット３００内の時間間隔の数及び／又は予測間隔内の時間間隔の数までにおよぶことができる。例えば、日中、午前８時から午後８時まで３０分間隔で分類されたデータセットには、２５個の時間間隔を含むことができる。したがって、変数Ｋの値は、１から２５まで変化させることができる。

図示されている実施形態において、例えば、変数Ｋは、１からＮまでにおよぶことができる。第１のクラスタリング４０４Ａに示されるとおり、変数Ｋの値が１であるとき、データセット３００は単一のクラスタ４０２Ａにクラスタ化される。変数Ｋが２であるとき、第２のクラスタリング４０４Ｂに示されるとおり、データセット３００は、２つのクラスタ４０２Ｂ及び４０２Ｃにクラスタ化される。変数ＫがＮに等しいとき、データ３０２Ａ〜３０２Ｊの各々は、クラスタ４０２Ｄ〜４０２Ｍにクラスタ化されることができる。クラスタ４０２の中のデータ３０２が、同様に考えられる。このようにして、変数Ｋを変化させることは、データ３０２と計算のオーバヘッドとを変化させる。

上記で言及され、図１Ａ、図１Ｂ及び図４を合わせて参照されたとおり、図４のクラスタリング４００、及び／又は他の適切なクラスタリングアルゴリズム（群）の使用を用いて、複数のデータセット（例えば、データセット３０２）を同時にクラスタ化することができる。例えば、クラスタリング４００を使用して、過去の負荷データ１５６、差分負荷‐温度データ１６６、負荷‐温度データ１６８及び差分負荷データ１７０の各々を同時にクラスタ化することができる。クラスタリングがＫ平均クラスタリングアルゴリズムに従って実行されるとき、変数Ｋの値、及び／又は最良サブモデルにおいて使用されるデータセット（例えば、過去の負荷データ１５６、差分負荷‐温度データ１６６、負荷‐温度データ１６８及び差分負荷データ１７０）は、クラスタリングパラメータとすることができる。

図５は、図１Ａ及び図１Ｂのシステム１５４において実施され得る一例示的サブモデル５００を示す。サブモデル５００は、図４のクラスタリング４０４のうち１つの中のクラスタ化されたデータなどのクラスタデータを用いてトレーニングされているニューラルネットワークである。他の適切なトレーニング可能な学習サブモデルを使用することができるとき、システム１５４により実施されるサブモデル５００はニューラルネットワークに限定されない。

図４及び図５を合わせて参照すると、サブモデル５００は、図４のクラスタリング４０４の各々について、構築されることができる。例えば、第１のクラスタリング４０４Ａのためのサブモデル５００、第２のクラスタリング４０４Ｂのための別のサブモデル５００、第３のクラスタリング４０４Ｃのための別のサブモデル５００が存在し得る。

概して、図５のサブモデル５００は、入力５０２を受信することができ、予測された負荷５０４を出力することができる。他の挙動が予測内容であるいくつかの代替的実施形態において、サブモデル５００は、代わって、他の予測される挙動を出力することができる。サブモデル５００が入力５０２においてトレーニングされるとき、サブモデル５００の構造が、変化し得る。例えば、図示されているサブモデル５００において、１又は複数の隠れ層５１０内の１又は複数のニューロン５０８が、構造内に含まれることができる。ニューロン５０８には、重み付け係数を含むことができ、例えば、この重み付け係数は、予測された負荷５０４の決定の間に、入力５０２に適用されることができる。図示されているサブモデル５００には、ニューロン５０８を通じた入力５０２の伝達を図示するように、一組の矢印が含まれている。この一組の矢印は、サブモデル５００を通じた入力５０２の全体の伝達のうち一部だけを表し得るものである。

入力５０２には、負荷値を含むことができ、この負荷値は、図５において概して“Ｌ”とラベル付けされている。負荷値Ｌには、サブモデル５００をトレーニングするために使用されるクラスタリング４０４の負荷データを含むことができる。サブモデル５００がトレーニングされるとき、負荷値Ｌの各々に関連付けられたニューロン５０８に含まれる重み付けは、サブモデル５００が負荷値Ｌを使用して予測される負荷５０４を決定することができるように、変化させることができ、かつ／あるいは組み合わせられることができる。

さらに、又は別法として、サブモデル５００は、ラグ値５１２を含むことができる。予測された負荷５０４が特定の時間についてのものであるとき、ラグ値５１２は、この特定の時間の前の、対応する負荷値Ｌについての時間増分の数を示すことができる。例えば、予測された負荷５０４が２０１３年５月２５日についてのものであり、かつラグ値５１２が５日間に等しい場合、サブモデル５００への入力には、２０１３年５月２５日より前の５日間からの負荷値Ｌ、すなわち、２０１３年５月２０日からの負荷データを含むことができる。

より一般的に、図５に表されるサブモデル５００は、クラスタ４０２ごとに、Ｗ個の負荷値を含むクラスタリング４０４を用いてトレーニングされることができる。さらに、サブモデル５００は、Ｍ個のクラスタ４０２を含むクラスタリング４０４を用いて、トレーニングされることができる。負荷値Ｌに関連付けられた添え字は、特定の負荷値及びラグ値５１２を表す。例えば、負荷値Ｌ_１１は、１というラグ値５１２を有する１番目の負荷値を表す。負荷値Ｌ_Ｗ１は、１というラグ値を有するＷ番目の負荷値を表す。負荷値Ｌ_１Ｍは、Ｍというラグ値を有する１番目の負荷値を表す。負荷値Ｌ_ＷＭは、Ｍというラグ値５１２を有するＷ番目の負荷値を表す。楕円（ellipses）は、図示されている値の間にある各値もまた入力５０２に含まれ得ることを示す。

さらに、又は別法として、入力５０２には、別の入力５０６を含むことができる。図示されている実施形態において、他の入力５０６には、温度データ（図５において、温度データは「温度」とラベル付けされている）を含むことができ、例えば、この温度データは、図１Ａ及び図１Ｂの過去の環境条件データ１５８、更新された環境条件データ１６２、又は補助データ１３６／１４０に含まれることができる。他の入力５０６を、ニューロン５０８が重み付けし、かつ／あるいは組み合わせて、予測される負荷５０４を決定することができる。

図１Ａ、図１Ｂ及び図５を合わせて参照すると、サブモデル５００をトレーニングモジュール１２０及び／又は１１０がトレーニングする実施形態において、サブモデルパラメータには、隠れ層５１０の数、ニューロン５０８の数、隠れ層５１０ごとのニューロン５０８の数、ラグ値５１２を含むことができ、これらパラメータは、トレーニング部分のサイズ、又はサブモデル５００の構造を決定する任意の他のパラメータに関連付けられることができる。

図６は、一例示的サブモデル組み立て６００のブロック図を示す。概して、サブモデル組み立て６００は、サブモデル６０８Ａ〜６０８Ｄ（概して、サブモデル又はサブモデル群６０８）とクラスタ６０６Ａ〜６０６Ｄ（概して、クラスタ６０６又はクラスタ群６０６）とを生成することができる。サブモデル６０８とクラスタ６０６とは、図１Ｂを参照して論じられた過去の負荷データ１５６、更新された負荷データ１６０、過去の環境条件データ１５８及び更新された環境条件データ１６２のうち１又は複数から導出されるデータ６０４Ａ〜６０４Ｄに基づくことができる。他の挙動が予測内容であるいくつかの代替的実施形態において、サブモデル６０８とクラスタ６０６とは、主要データ１３４／１３８及び／又は補助データ１３６／１４０に基づくことができる。

サブモデル組み立て６００は、図１Ａ及び／若しくは図１Ｂのデータ処理モジュール１２４、構築モジュール１１４、調整モジュール１０４、又はこれらの何らかの組み合わせによって行われる１又は複数の処理を表すことができる。例えば、サブモデル組み立て６００は、例として、データ処理モジュール１２４による追加データ１５０の生成、クラスタリングモジュール１０８によるデータ１２６及び／若しくは追加データ１５０のクラスタリング、又はとり得るサブモデルの組み立てを表すことができる。

図６において、過去の負荷データ１５６、更新された負荷データ１６０、過去の環境条件データ１５８、更新された環境条件データ１６２、又はこれらの何らかの組み合わせが、データ６０４に含まれることができ、あるいはデータ６０４に含まれるように組み合わせられることができる。具体的に、この実施形態及び他の実施形態において、データ６０４は、負荷データ６０４Ａ、負荷‐温度データ６０４Ｂ、差分負荷データ６０４Ｃ及び差分負荷‐温度データ６０４Ｄを含む。負荷データ６０４Ａには、過去の負荷データ１５６及び／又は更新された負荷データ１６０を含むことができる。負荷‐温度データ６０４Ｂ、差分負荷データ６０４Ｃ及び差分負荷‐温度データ６０４Ｄは、実質的に、負荷‐温度データ１６８、差分負荷データ１７０及び差分負荷‐温度データ１６６と同様にすることができる。他の挙動が予測内容であるいくつかの代替的実施形態において、データ６０４には、図１Ａを参照して説明された主要データ１３４／１３８、差分主要‐補助データ１２８、主要‐補助データ１３０、差分主要データ１３２、又はこれらの何らかの組み合わせを含むことができる。図６において、データ処理モジュール１２４に代わって、又はデータ処理モジュール１２４に加えて、差分算出モジュール６０２が含まれて、差分算出動作を実行することができる。

データ６０４の各々が同時にクラスタ化されて、クラスタ６０６を生成することができる。クラスタ６０６には、データ６０４の各々について、かつ、１から時間増分の数までの変数Ｋの各値について、少なくとも１つのクラスタを含むことができる。時間増分の数は、図６において、変数Ｙで表されている。時間増分の数が１２に等しい場合、負荷データ６０４Ａに基づくクラスタ６０６Ａには、１から１２までの変数Ｋの値を有する１２個のクラスタを含むことができる。同様にして、負荷‐温度データ６０４Ｂに基づくクラスタ６０６Ｂには、１から１２までの変数Ｋの値を有する１２個のクラスタを含むことができる。さらに、差分負荷データ６０４Ｃ及び差分負荷‐温度データ６０４Ｄについて、その対応するクラスタ６０６の中のクラスタの数は１２に等しくすることができる。したがって、クラスタ６０６の合計数は、データの種類の数に時間増分の数を乗算したものに等しくなり得る。

サブモデル６０８には、クラスタ６０６の各々について生成されたサブモデルを含むことができる。いくつかの実施形態において、サブモデルは、図５を参照して論じられたニューラルネットワークとすることができる。図６内のサブモデルの添え字は、サブモデルの種類、負荷値繰り返し、及びラグ値繰り返しを示すものである。具体的に、サブモデル６０８Ａは、Ｎ_ＬＮとラベル付けされており、このＮ_ＬＮは、サブモデルが負荷データ６０４Ａに基づいてクラスタ６０６Ａを表していることを示すことができる。同様にして、サブモデルＮ_ＬＴＮ、Ｎ_ＤＬＮ及びＮ_ＤＬＴＮは、それぞれ、負荷‐温度データ６０４Ａ、差分負荷データ６０４Ｃ及び差分負荷‐温度データ６０４Ｄに基づいたクラスタ６０６Ｂ、６０６Ｃ及び６０６Ｄを表している。

さらに、サブモデル６０８は、負荷値及びラグ値を示す添え字を含む。例えば、負荷データ６０４Ａから生成されるサブモデル６０８Ａは、クラスタ６０６Ａから導出されることができる。クラスタ６０６Ａのうち１つは、変数Ｋの値が１に等しいとき、生成されることができる。したがって、サブモデル６０８Ａには、１に等しい変数Ｋを有するクラスタについての１つのサブモデルＮ_ＬＮ_Ａ１を含むことができる。クラスタが１つしか存在しないため、１という一定のラグ値が存在し得る。負荷値は、変数Ａによって表されるように、複数の値とすることができる。クラスタ６０６Ａのうち別のものが、変数Ｋの値が２に等しいとき、生成されることができる。したがって、サブモデル６０８Ａには、サブモデルＮ_ＬＮ_Ｄ１とＮ_ＬＮ_Ｄ２とを含むことができる。負荷値は、変数Ｄによって表されるように、複数の値とすることができる。Ｎ_ＬＮ_Ｄ１は、１というラグ値を有するサブモデルへの入力を表し、Ｎ_ＬＮ_Ｄ２は、２というラグ値を有するサブモデルへの入力を表す。より一般的に、図６において、変数Ｍはクラスタの数（例えば、変数Ｋの値）を表すことができ、変数Ｂは、複数の負荷値を表すことができる。したがって、サブモデル６０８Ａには、Ｍに等しい変数Ｋの値を有するクラスタ６０６Ａのうちの一クラスタについてのサブモデルに含まれ得る負荷値（すなわち、変数Ｂによる）とラグ値（すなわち、変数Ｍによる）の各々とを表すサブモデルＮ_ＬＮ_Ｂ１．．．Ｎ_ＬＮ_ＢＭを含むことができる。

図７は、本明細書に説明される少なくとも１つの実施形態に従って配置される、サイトの電力負荷を予測する一例示的方法のフロー図である。方法７００は、公益事業体２０６がサイト２０４に電力を提供する図２の分配システム２００などの分配システムにおいて実行されることができる。同様の方法を、他の挙動を予測するために、かつ／あるいは任意の適切な資源の負荷を予測するために実施することができる。

方法７００は、いくつかの実施形態において、図１Ａ及び図１Ｂを参照して説明されたシステム１５４によって、かつ／あるいは図２の公益事業体２０６、ＤＲ集約体２０８及びサイト２０４のうち１又は複数によってプログラム可能に実行されることができる。いくつかの実施形態において、システム１５４は、コンピュータ装置（システム１５４及び／又はプロセッサ１４２など）により実行可能なプログラミングコード又は命令を記憶した非一時的コンピュータ読取可能媒体（例えば、図１Ａのメモリ１４４）を含み、あるいは該非一時的コンピュータ読取可能媒体に通信可能に結合されて、コンピュータ装置に方法７００を実行させることができる。さらに、又は別法として、システム１５４には、コンピュータシステムに方法７００を実行させるコンピュータ命令を実行するように構成された、上記で説明されたプロセッサ１４２を含むことができる。別々のブロックとして図示されているが、種々のブロックが、所望される実装に依存して、さらなるブロックに分割され、より少ないブロックに組み合わせられ、あるいは消去されることができる。

ブロック７０２において、過去の負荷データ及び過去の環境条件データを、受信することができる。過去の負荷データ及び過去の環境条件データは、サイトに関連する時系列データとすることができる。

ブロック７０４において、追加データを、受信された過去の負荷データと受信された過去の環境条件データとのうち１又は複数から生成することができる。追加データには、温度データと組み合わせられた負荷データ、差分算出された負荷データ、及び温度データと組み合わせられた差分算出された負荷データを含むことができる。

ブロック７０６において、最良サブモデルを、複数の予測間隔の各々について構築することができる。いくつかの実施形態において、最良サブモデルを構築することには、過去の負荷データのトレーニング部分と追加データのトレーニング部分とを同時にクラスタ化すること、過去の負荷データ及び追加データのクラスタ化されたトレーニング部分を用いてとり得る予測サブモデルをトレーニングすること、過去の負荷データ及び追加データの検証部分と対照して、とり得る予測サブモデルから出力される予測された負荷を検証すること、並びに、予測された負荷の精度に基づいて、最良サブモデルの第１のパラメータサブセットを決定することを含むことができる。いくつかの実施形態において、サブモデルの精度は、ＭＡＰＥに従って測定することができる。

したがって、これら及び他の実施形態において、予測された負荷を検証することには、１又は複数のステップ又は動作を含むことができる。例えば、予測された負荷を検証することには、クラスタの各々から、過去の負荷データ及び追加データの検証部分を抽出することを含むことができる。特定の時間間隔についての予測された負荷は、該特定の時間間隔についての対応する検証部分と対照して比較されることができる。予測された負荷と対応する検証部分との間で最小の誤差を生み出すとり得るサブモデルを、最良サブモデルとして選択することができる。ブロック７０８において、予測間隔の各々におけるサイトの電力負荷を、予測間隔の各々に対して構築された最良サブモデルのアンサンブルを用いて予測することができる。

この手順及び他の手順と本明細書に開示される方法とについて、その処理及び方法内で実行される機能は異なる順序で実施することができることを、当業者には十分理解されたい。さらに、概説されているステップ及び動作は、単に例示として提供されているものであり、これらステップ及び動作のいくつかは、開示されている実施形態から逸れることなしに、任意選択とすることができ、より少ないステップ及び動作に組み合わせることができ、追加のステップ及び動作に拡張されることができる。

例えば、方法７００には、予測間隔の各々について構築された最良サブモデルの各々を調整することを含むことができる。いくつかの実施形態において、最良サブモデルの各々を調整することには、過去の負荷データの調整部分と追加データの調整部分とを同時にクラスタ化することを含むことができる。最良予測サブモデルは、過去の負荷データと追加データとのクラスタ化された調整部分を用いてトレーニングされることができる。最良サブモデルから出力される予測された負荷は、過去の負荷データ及び追加データの第２の検証部分と対照して、検証されることができる。第２のパラメータサブセットが、予測された負荷の精度に基づいて、最良サブモデルについて選択されることができる。

いくつかの実施形態において、クラスタリングは、Ｋ平均クラスタリングアルゴリズムに従って実行することができる。Ｋ平均クラスタリングアルゴリズムにおいて、変数Ｋの値には、１から、予測間隔に含まれるサブ間隔の数までの各整数を含むことができる。

さらに、又は別法として、各予測間隔についてのとり得るサブモデルには、ニューラルネットワークを含むことができる。これら及び他の実施形態において、第１のパラメータセットには、変数Ｋの範囲、トレーニング部分のサイズ、ラグ値、及びニューラルネットワーク構造を含むことができる。さらに、第２のパラメータセットには、変数Ｋの値と、最良サブモデルの基礎となる（base）クラスタのうち１つの選択物とを、含むことができる。

いくつかの実施形態において、方法７００には、最良サブモデルの各々を後に調整することを含むことができる。最良サブモデルを後に調整することには、過去の負荷データ及び過去の環境条件データを更新することを含むことができる。更新された追加データは、更新された負荷データ及び更新された環境条件データのうち１又は複数から生成することができる。更新された負荷データの後続の調整部分と更新された追加データの後続の調整部分とは、同時にクラスタ化することができる。最良サブモデルは、過去の負荷データと追加データとのクラスタ化された更新された調整部分を用いてトレーニングされることができる。最良のサブモデルから出力される更新された予測された負荷は、更新された負荷データ及び更新された追加データの更新された検証部分と対照して、検証されることができる。それから、第２のパラメータサブセットは、更新された予測された負荷の精度に基づいて、最良サブモデルについて、更新されることができる。

いくつかの実施形態において、構築及び調整は、第１のスケジュールに従って実行することができ、後続の調整は、第２のスケジュールに従って実行することができる。第１のスケジュールには、第２のスケジュールの複数の繰り返しを含むことができる。

本明細書に説明される実施形態には、以下でより詳細に論じられるとおり、種々のコンピュータハードウェア又はソフトウェアモジュールを含む特別目的又は汎用目的のコンピュータの使用を含むことができる。

本明細書に説明される実施形態は、コンピュータ実行可能命令又はデータ構造を記憶し、あるいは担体するためのコンピュータ読取可能媒体を用いて実施することができる。こうしたコンピュータ読取可能媒体は、汎用目的又は特別目的のコンピュータがアクセスすることができる任意の利用可能媒体とすることができる。限定ではなく例として、こうしたコンピュータ読取可能媒体には、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、ＣＤ−ＲＯＭ若しくは他の光学ディスク記憶装置、磁気ディスク記憶装置若しくは他の磁気記憶装置、又は、コンピュータ実行可能命令若しくはデータ構造の形式の所望されるプログラムコードを担体又は記憶するために使用することができ、かつ汎用目的若しくは特別目的のコンピュータがアクセスすることができる任意の他の非一時的記憶媒体を含む、有形の非一時的コンピュータ読取可能記憶媒体を含むことができる。上記のものの組み合わせもまた、コンピュータ読取可能媒体の範囲に含まれてよい。

コンピュータ実行可能命令には、例えば、ある機能又は一群の機能を汎用目的コンピュータ、特別目的コンピュータ又は特別目的処理装置に実行させる命令及びデータを含む。本対象事項は、構造特性及び／又は方法論的動作に固有の言語で説明されているが、別記の請求項において定義される対象事項は、必ずしも上記で説明された特定の特性又は動作に限定されないことを理解されたい。むしろ、上記で説明された特性及び動作は、請求項を実施するための例示的形態として開示されている。

本明細書において、用語「モジュール」又は「コンポーネント」は、コンピューティングシステム上で動作するソフトウェアオブジェクト又はルーチンを示すものである。本明細書に説明される種々のコンポーネント、モジュール、エンジン及びサービスは、コンピューティングシステム上で（例えば、別個のスレッドとして）動作するオブジェクト又はプロセスとして実施されることができる。本明細書に説明されるシステム及び方法は、好ましくはソフトウェアにおいて実施されるが、ハードウェア、又はソフトウェアとハードウェアとの組み合わせにおける実施もまた可能であり、考えられる。本説明において、「コンピューティングエンティティ」は、本明細書でこれまでに定義されたとおり、任意のコンピューティングシステムとすることができ、あるいはコンピューティングシステム上で実行される任意のモジュール又はモジュールの組み合わせとすることができる。

本明細書に列挙されている例示と条件を含む言語とは、当分野を進展させることに対して発明者が寄与した発明及び概念を読者が理解することを支援するための、教育上のものであり、こうした具体的に列挙された例示及び条件に限定しないと見なされるべきものである。本発明の実施形態が詳細に説明されているが、これらに対し、本発明の主旨及び範囲から逸脱することなしに、種々の変更、置換及び修正がなされ得ることを理解されたい。

１００Ａ予測システムのブロック図
１５４システム
１５２予測モジュール
１０２アンサンブルモジュール
１０４調整モジュール
１１４構築モジュール
１０６、１１６検証モジュール
１０８、１１８クラスタリングモジュール
１１０、１２０トレーニングモジュール
１１２選択モジュール
１２２決定モジュール
１２４データ処理モジュール
１２６データ
１３４過去の主要データ
１３６過去の補助データ
１３８更新された主要データ
１４０更新された補助データ
１５０追加データ
１２８差分主要‐補助データ
１３０主要‐補助データ
１３２差分主要データ
１４２プロセッサ
１４４メモリ
１４６通信インタフェース
１４８通信バス
１００Ｂ電力負荷を予測するように構成されたシステムの実施形態のブロック図
１６６差分負荷‐温度データ
１６８負荷‐温度データ
１７０差分負荷データ
１５６過去の負荷データ
１５８過去の環境条件データ
１６０更新された負荷データ
１６２更新された環境条件データ
２００電力分配システム（分配システム）
２０４サイト
２０６公益事業体
２０７公益事業体によるサイトへの電力の分配
２０８ＤＲ集約体
２１０仮想発電所（ＶＰＰ）
２１２マイクログリッド
３００時系列データセット（データセット）
３０２データ又はデータム
３０４トレーニング部分
３０６検証部分
３０８調整部分
３１０後続の調整部分
３１２検証部分
４００クラスタリング
４０２クラスタ
４０４クラスタリング
５００サブモデル
５０２入力
５０４予測された負荷
５０６温度
５０８ニューロン
５１０隠れ層
５１２ラグ値
６００サブモデル組み立て
６０２差分算出モジュール
６０４Ａ負荷データ
６０４Ｂ負荷‐温度データ
６０４Ｃ差分負荷データ
６０４Ｄ差分負荷‐温度データ
６０６クラスタ
６０８サブモデル

Claims

サイトの電力負荷を予測する方法であって、
過去の負荷データと過去の環境条件データとを受信するステップであり、前記過去の負荷データ及び前記過去の環境条件データは、サイトに関連する時系列データを含む、ステップと、
前記の受信された過去の負荷データと前記の受信された過去の環境条件データとのうち１又は複数から追加データを生成するステップと、
複数の予測間隔の各々について、最良サブモデルを構築するステップであり、該構築するステップは、
前記過去の負荷データのトレーニング部分と前記追加データのトレーニング部分とを同時にクラスタ化するステップと、
前記過去の負荷データと前記追加データとの前記のクラスタ化されたトレーニング部分を用いて、とり得るサブモデルをトレーニングするステップと、
前記過去の負荷データと前記追加データとの検証部分と対照して、前記とり得るサブモデルから出力される予測された負荷を検証するステップと、
前記予測された負荷の精度に基づいて、前記最良サブモデルについての第１のパラメータサブセットを決定するステップと、
を含む、ステップと、
前記最良サブモデルのアンサンブルを用いて、前記予測間隔の各々について、前記サイトの電力負荷を予測するステップと、
を含む方法。
前記予測間隔の各々について構築された前記最良サブモデルの各々を調整するステップ
をさらに含み、前記調整するステップは、
前記過去の負荷データの調整部分と前記追加データの調整部分とを同時にクラスタ化するステップと、
前記過去の負荷データと前記追加データとの前記のクラスタ化された調整部分を用いて、前記最良サブモデルをトレーニングするステップと、
前記過去の負荷データと前記追加データとの第２の検証部分と対照して、前記最良サブモデルから出力される予測された負荷を検証するステップと、
前記予測された負荷の精度に基づいて、前記最良サブモデルについての第２のパラメータサブセットを選択するステップと、
を含む、請求項１に記載の方法。
前記最良サブモデルの各々を後に調整するステップ
をさらに含み、前記後に調整するステップは、
前記過去の負荷データと前記過去の環境条件データとを更新するステップと、
前記の更新された負荷データと前記の更新された環境条件データとのうち１又は複数から、更新された追加データを生成するステップと、
前記更新された負荷データの後続の調整部分と前記更新された追加データの後続の調整部分とを同時にクラスタ化するステップと、
前記過去の負荷データと前記追加データとの前記のクラスタ化された更新された調整部分を用いて、前記最良サブモデルをトレーニングするステップと、
前記更新された負荷データと前記更新された追加データとの更新された検証部分と対照して、前記最良サブモデルから出力される更新された予測された負荷を検証するステップと、
前記更新された予測された負荷の精度に基づいて、前記最良サブモデルについての前記第２のパラメータサブセットを更新するステップと、
を含む、請求項２に記載の方法。
前記構築するステップと前記調整するステップとを、第１のスケジュールに従って実行するステップと、
前記後に調整するステップを、第２のスケジュールに従ってさらに実行するステップであり、前記第１のスケジュールは、前記第２のスケジュールの複数の繰り返しを含む、ステップと、
をさらに含む請求項３に記載の方法。
前記クラスタ化するステップは、Ｋ平均クラスタリングアルゴリズムに従って実行される、請求項２に記載の方法。
前記とり得るサブモデルは、ニューラルネットワークを各々含む、請求項５に記載の方法。
前記第１のパラメータサブセットは、変数Ｋの範囲、トレーニング部分のサイズ、ラグ値、及び前記ニューラルネットワークの構造を含み、
前記第２のパラメータサブセットは、変数Ｋの値と、前記最良サブモデルの基礎となるクラスタのうち１つの選択物とを含む、
請求項６に記載の方法。
前記追加データは、温度データと組み合わせられた負荷データと、差分算出された負荷データと、温度データと組み合わせられた、差分算出された負荷データとを含む、請求項１に記載の方法。
前記サブモデルの精度は、平均絶対誤差率（ＭＡＰＥ）に従って測定される、請求項１に記載の方法。
前記検証するステップは、
前記クラスタの各々から、前記過去の負荷データと前記追加データとの前記検証部分を抽出するステップと、
特定の時間間隔についての前記予測された負荷を、前記特定の時間間隔についての対応する検証部分と対照して比較するステップと、
前記予測された負荷と前記対応する検証部分との間で最小の誤差を生み出す前記とり得るサブモデルを選択するステップと、
を含む、請求項９に記載の方法。
プロセッサに動作を実行させるプログラミングコードを符号化した非一時的コンピュータ読取可能媒体であって、前記動作は、
過去の負荷データと過去の環境条件データとを受信するステップであり、前記過去の負荷データ及び前記過去の環境条件データは、サイトに関連する時系列データを含む、ステップと、
前記の受信された過去の負荷データと前記の受信された過去の環境条件データとのうち１又は複数から追加データを生成するステップと、
複数の予測間隔の各々について、最良サブモデルを構築するステップであり、該構築するステップは、
前記過去の負荷データのトレーニング部分と前記追加データのトレーニング部分とを同時にクラスタ化するステップと、
前記過去の負荷データと前記追加データとの前記のクラスタ化されたトレーニング部分を用いて、とり得るサブモデルをトレーニングするステップと、
前記過去の負荷データと前記追加データとの検証部分と対照して、前記とり得るサブモデルから出力される予測された負荷を検証するステップと、
前記予測された負荷の精度に基づいて、前記最良サブモデルについての第１のパラメータサブセットを決定するステップと、
を含む、ステップと、
前記最良サブモデルのアンサンブルを用いて、前記予測間隔の各々について、前記サイトにおける消費のための資源負荷を予測するステップと、
を含む、非一時的コンピュータ読取可能媒体。
前記動作は、前記予測間隔の各々について構築された前記最良サブモデルの各々を調整するステップをさらに含み、前記調整するステップは、
前記過去の負荷データの調整部分と前記追加データの調整部分とを同時にクラスタ化するステップと、
前記過去の負荷データと前記追加データとの前記のクラスタ化された調整部分を用いて、前記最良サブモデルをトレーニングするステップと、
前記過去の負荷データと前記追加データとの第２の検証部分と対照して、前記最良サブモデルから出力される予測された負荷を検証するステップと、
前記予測された負荷の精度に基づいて、前記最良サブモデルについての第２のパラメータサブセットを選択するステップと、
を含む、請求項１１に記載の非一時的コンピュータ読取可能媒体。
前記動作は、前記最良サブモデルの各々を後に調整するステップをさらに含み、前記後に調整するステップは、
前記過去の負荷データと前記過去の環境条件データとを更新するステップと、
前記の更新された負荷データと前記の更新された環境条件データとのうち１又は複数から、更新された追加データを生成するステップと、
前記更新された負荷データの後続の調整部分と前記更新された追加データの後続の調整部分とを同時にクラスタ化するステップと、
前記過去の負荷データと前記追加データとの前記のクラスタ化された更新された調整部分を用いて、前記最良サブモデルをトレーニングするステップと、
前記更新された負荷データと前記更新された追加データとの更新された検証部分と対照して、前記最良サブモデルから出力される更新された予測された負荷を検証するステップと、
前記更新された予測された負荷の精度に基づいて、前記最良サブモデルについての前記第２のパラメータサブセットを更新するステップと、
を含む、請求項１２に記載の非一時的コンピュータ読取可能媒体。
前記動作は、
前記構築するステップと前記調整するステップとを、第１のスケジュールに従って実行するステップと、
前記構築するステップと前記調整するステップとを、第１のスケジュールに従って実行するステップと、
前記後に調整するステップを、第２のスケジュールに従ってさらに実行するステップであり、前記第１のスケジュールは、前記第２のスケジュールの複数の繰り返しを含む、ステップと、
をさらに含む、請求項１３に記載の非一時的コンピュータ読取可能媒体。
前記クラスタ化するステップは、Ｋ平均クラスタリングアルゴリズムに従って実行される、請求項１２に記載の非一時的コンピュータ読取可能媒体。
前記とり得るサブモデルは、ニューラルネットワークを各々含む、請求項１５に記載の非一時的コンピュータ読取可能媒体。
前記第１のパラメータサブセットは、変数Ｋの範囲、トレーニング部分のサイズ、ラグ値、及び前記ニューラルネットワークの構造を含み、
前記第２のパラメータサブセットは、変数Ｋの値と、前記最良サブモデルの基礎となるクラスタのうち１つの選択物とを含む、
請求項１６に記載の非一時的コンピュータ読取可能媒体。
前記追加データは、温度データと組み合わせられた負荷データと、差分算出された負荷データと、温度データと組み合わせられた、差分算出された負荷データとを含む、請求項１１に記載の非一時的コンピュータ読取可能媒体。
前記サブモデルの精度は、平均絶対誤差率（ＭＡＰＥ）に従って測定される、請求項１１に記載の非一時的コンピュータ読取可能媒体。
前記検証するステップは、
前記クラスタの各々から、前記過去の負荷データと前記追加データとの前記検証部分を抽出するステップと、
特定の時間間隔についての前記予測された負荷を、前記特定の時間間隔についての対応する検証部分と対照して比較するステップと、
前記予測された負荷と前記対応する検証部分との間で最小の誤差を生み出す前記とり得るサブモデルを選択するステップと、
を含む、請求項１９に記載の非一時的コンピュータ読取可能媒体。