JP2015104171A - 電力需要予測装置、電力需要予測方法および電力需要予測プログラム - Google Patents

Abstract

【課題】より高い精度で電力の削減目標を達成することが可能な電力需要予測装置、電力需要予測システム、電力需要予測方法およびプログラムを提供すること。【解決手段】電力需要予測装置は、機器の消費電力の実測値と、前記実測値に対応する外気温の情報とを用いて、第１の重回帰式を生成する第１モデル生成部と、前記第１の重回帰式を用いて算出した前記機器の消費電力の予測値と前記予測値に対応する実測値との差である予測誤差を被説明変数、前記機器が稼働しない日の外気温と、前記機器が稼働していない日の外気温の補正値を示す蓄熱因子との差分を説明変数として、前記予測誤差に基づいて前記蓄熱因子と回帰係数とを決定し、前記機器が稼働していない日の外気温と前記蓄熱因子との差分に、前記回帰係数を積算した値を前記第１の重回帰式に付加することによって、第２の重回帰式を生成する第２モデル生成部と、前記第２の重回帰式を用いて前記機器の消費電力を予測する電力予測部と、を有する。【選択図】図３

Description

本発明は、電力需要予測装置、電力需要予測方法および電力需要予測プログラムに関する。

電力事業者等の電力供給者は、需要家に対して電力を安定且つ効率的に供給するために、将来の電力需要を予測し、予測した結果に基づいて電力の供給計画を策定している。

電力需要を予測する方法としては、例えば建物についての熱の入出力の特性と室外気温とを少なくとも用いて定義される熱の入出力モデルにより建物の室内気温を予測し、予測した室内気温と電力需要との因果関係をもとに、電力需要を予測する技術が開示されている（例えば特許文献１）。

特開平０８−３２２１４７号公報 特開２０１１−２３７１２４号公報

北村豊、松田聡浩著「知識処理技術を用いた蓄熱式空調システムの効率化に関する研究」三菱総合研究所所報３６号、２０００年３月発行、ｐ．３１〜５１

電力供給者にとっては、簡易な方法で電力需要をより高精度で予測できることが好ましい。本発明の１つの側面では、簡易な方法で電力需要を予測する精度を向上させることが可能な電力需要予測装置、電力需要予測システム、電力需要予測方法および電力需要予測プログラムを提供することを目的とする。

発明の一観点によれば、機器の消費電力の実測値と、前記実測値に対応する外気温の情報とを用いて、第１の重回帰式を生成する第１モデル生成部と、前記第１の重回帰式を用いて算出した前記機器の消費電力の予測値と、前記予測値に対応する実測値との差である予測誤差を被説明変数、前記機器が稼働しない日の外気温と前記機器が稼働しない日の外気温の補正値を示す蓄熱因子との差分を説明変数として、前記予測誤差に基づいて前記蓄熱因子と回帰係数とを決定し、前記機器が稼働しない日の外気温と前記蓄熱因子との差分に、前記回帰係数を積算した値を前記第１の重回帰式に付加することによって、第２の重回帰式を生成する第２モデル生成部と、前記第２の重回帰式を用いて前記機器の消費電力を予測する電力予測部と、を有する電力需要予測装置が提供される。

一実施態様によれば、簡易な方法で電力需要を予測する精度を向上させることが可能な電力需要予測装置、電力需要予測システム、電力需要予測方法および電力需要予測プログラムを提供することができる。

図１は、建物の蓄熱量の変動の様子を説明するための図である。 図２は、冬期における消費電力及び外気温のプロファイルの一例を示す図である。 図３は、電力需要予測システムの一例を示す図である。 図４は、電力需要予測装置のハードウェア構成の一例を示す図である。 図５は、電力需要予測装置による電力需要予測方法の一例を示すフローチャートである。 図６は、Ｓ１０１における、実績ＤＢを作成する方法の一例を示すフローチャートである。 図７は、温度情報テーブルの一例を示す図である。 図８は、電力情報テーブルの一例を示す図である。 図９は、回帰係数ａおよびｂ_ｔの算出結果の一例である。 図１０は、Ｓ１０４における、第２予測モデルを生成する方法の一例を示すフローチャートである。 図１１は、Ｓ３０３における、蓄熱因子Ｔ^Ｗの平均の値毎に算出した回帰係数ｃの一例を示す図である。 図１２は、Ｓ３０４における、蓄熱因子Ｔ^Ｗの平均および回帰係数ｃを決定する方法の一例を示すフローチャートである。 図１３は、ＭＡＰＥの算出結果の一例を示す図である。 図１４は、平均ＭＡＰＥの算出結果の一例を示す図である。 図１５は、第１予測モデルおよび第２予測モデルによる休日明けの予測結果を比較した例を示す図である。

例えば、オフィスビル等の建物の電力需要を予測する際に、休日明けの予測精度が低下する傾向がある。これは、休日に空調機器の稼働を停止することによってオフィスビルの蓄熱量が変動し、この変動が休日明けの空調機器の消費電力量に影響を及ぼすためである。

図１は、建物の蓄熱量の変動の様子を説明するための図である。図１（ａ）に示すように、建物の室内の空調機器が停止している状況において、例えば夏期のように室外の気温が室内よりも高い場合、熱は高温側の室外から低温側の室内へ移動する。すると、建物の蓄熱量は、この熱の移動により上昇する。一方、図１（ｂ）に示すように、建物の室内の空調機器が停止している状況において、冬期のように室外の気温が室内よりも低い場合、熱は高温側の室内から低温側の室外へ移動する。すると、建物の蓄熱量は、この熱の移動により低下する。以下、建物の蓄熱量が低下した場合の消費電力へ及ぼす影響について、図２を参照して説明する。

図２は、冬期における消費電力及び外気温のプロファイルの一例を示す図である。横軸は測定を開始してからの日数を示しており、縦軸は外気温または消費電力を示している。また、図２中の実線は消費電力のプロファイルを示しており、点線は外気温のプロファイルを示している。

図２に示すように、消費電力および外気温は、昼間に上昇し、夜間に下降する変化を毎日繰り返している。消費電力が比較的低い時間帯は休日を表しており、６〜７日目、１３〜１４日目、２０〜２１日目、２７〜２８日目、３３〜３５日目が休日であることが推定できる。

さらに図２を参照すると、休日明けである８日目における消費電力が、同じ週の９〜１２日目の消費電力よりも高いことがわかる。また、休日明けの２２日目における消費電力も、同じ週の２３〜２６日目の消費電力よりも高いことがわかる。また、休み明けの２９日目の消費電力も、同じ週の３０〜３２日目の消費電力よりも高いことがわかる。これらは、休日に空調機器を停止したことによって室内の温度が低下したため、休日明けに空調機器を再稼働させた際に、室内の温度を復元するための電力を過剰に消費したことによるものである。

一方、休日明けである１５日目の消費電力については、同じ週の１６〜１９日目の消費電力よりも高い傾向はみられない。これは、外気温のプロファイルに示すように、休日の１３〜１４日目の外気温が６〜７日目、２０〜２１日目、２７〜２８日目、３３〜３５日目に比べて高かったため、室内の温度がさほど低下しなかったことによるものである。

このように、特に冬期において、休日明けの消費電力が他の平日よりも高くなり、休日明けの電力需要の予測精度が低下する。電力需要の予測精度の低下を抑えるためには、建物の蓄熱量の変動を考慮することが好ましい。以下では、建物の蓄熱量の変動を考慮した、本発明の実施形態について説明する。

図３は、電力需要予測システムの一例を示す図である。図３は、ＤＬＣの対象機器を空調機器とした場合の実施例である。図３に示すように、電力需要予測システムは、電力需要予測装置１０と、電力データ提供装置２０と、気温データ提供装置３０とを有している。電力需要予測装置１０と、電力データ提供装置２０と、気温データ提供装置３０とは、インターネット等のネットワーク５０を通じて相互にデータ通信可能に接続されている。

電力需要予測装置１０は、電力事業者等の電力供給者が所有する、電力需要の予測を行う装置である。電力需要予測装置１０は、例えばサーバ等のコンピュータである。電力需要予測装置１０が実行する処理の方法については後述する。

気温データ提供装置３０は、例えば気象庁や気象協会など、天気や気温の予測をする団体、会社などに設置される装置である。気温データ提供装置３０は、電力需要を予測する対象が位置するエリアにおける外気温の予報値、外気温の実測値、および外気温を実測した時刻（日時）の情報を電力需要予測装置１０に対して送信することができる。気温データ提供装置３０は、例えばサーバ等のコンピュータである。

電力データ提供装置２０は、例えば電力需要を予測する対象の建物があるエリアに設置されている機器である。電力データ提供装置２０は、当該電力データ提供装置２０と同一のサイトに設置されている空調機器７０の消費電力の情報を電力需要予測装置１０に提供することができる。

以下、電力需要予測装置１０のハードウェア構成について説明する。

図４は、電力需要予測装置１０のハードウェア構成の一例を示す図である。図４に示すように、電力需要予測装置１０は、ＣＰＵ（Central Processing Unit）６１、ＲＯＭ（Read Only Memory）６２、ＲＡＭ（Random Access Memory）６３、ストレージ装置６４、ネットワークインタフェース６５、及び可搬型記憶媒体用ドライブ６６等を備えている。

電力需要予測装置１０の構成各部は、バス６７に接続されている。ストレージ装置６４は、例えばＨＤＤ（Hard Disk Drive）である。ＲＯＭ６２あるいはストレージ装置６４に格納されているプログラム、或いは可搬型記憶媒体用ドライブ６６が可搬型記憶媒体６８から読み取ったプログラムをＣＰＵ６１等のプロセッサが実行することにより、電力需要予測装置１０の機能が実現される。

以下、電力需要予測装置１０を構成する各部の機能について説明する。図３に示すように、電力需要予測装置１０は、第１記憶部１１と、第２記憶部１２と、電力情報取得部１３と、温度情報取得部１４と、データ抽出部１５と、第１モデル生成部１６と、第２モデル生成部１７と、電力需要予測部１８と、出力部１９とを備えている。

第１記憶部１１は、例えば図４のＲＯＭ６２、ＲＡＭ６３、ストレージ装置６４、可搬型記憶媒体用ドライブ６６あるいは可搬型記憶媒体６８に対応し、本発明の処理に用いる各種情報を記憶するためのデータベース（ＤＢ；Data Base)として用いられる。なお、第１記憶部１１は、記憶部の一例である。

第２記憶部１２は、例えば図４のＲＯＭ６２、ストレージ装置６４、可搬型記憶媒体用ドライブ６６あるいは可搬型記憶媒体６８に対応し、電力需要を予測するための電力需要予測プログラムを記憶することができる。

電力情報取得部１３は、建物に設置されている空調機器の消費電力および取得した時刻（日時）の情報を電力データ提供装置２０から取得し、取得した情報を第１記憶部１１内の電力情報テーブルに格納する。電力情報取得部１３は、例えば図４のＣＰＵ６１あるいはＭＰＵ（Micro Processing Unit）等のプロセッサ、およびネットワークインタフェース６５によって実現される。

温度情報取得部１４は、気温データ提供装置３０から外気温の実測値の情報と、予報値の情報とを取得する。そして、温度情報取得部１４は、取得した情報を第１記憶部１１内の温度情報テーブルに格納する。

電力情報取得部１３および温度情報取得部１４は、例えば図４のＣＰＵ６１あるいはＭＰＵ等のプロセッサ、およびネットワークインタフェース６５によって実現される。

データ抽出部１５は、電力情報ＤＢおよび温度情報ＤＢから、第１予測モデルの生成に用いる、休日明けの空調機器の消費電力の実測値と、前記実測値に対応する外気温の情報とを抽出する。第１予測モデルの詳細については後述する。なお、データ抽出部１５は、抽出部の一例である。

第１モデル生成部１６は、データ抽出部１５によって抽出された空調機器の消費電力および外気温の情報を用いて、第１予測モデルの式に含まれる係数ａおよびｂ_ｔを回帰分析により算出し、重回帰式である第１予測モデルを生成する。

第２モデル生成部１７は、第１予測モデルを用いて、電力需要の予測に用いる第２予測モデルの式に含まれる係数ｃおよび蓄熱因子を算出する。そして、第２モデル生成部１７は、外気温の平均と蓄熱因子との差分に回帰係数ｃを積算した値を示す補正項を第１予測モデルに加えることによって、第２予測モデルを生成する。第１予測モデルおよび第２予測モデルの生成方法の詳細については後述する。

電力需要予測部１８は、第２モデル生成部１７により生成された第２予測モデルを用いて、外気温の予報値をもとに将来の電力需要を予測する。

データ抽出部１５は、第１モデル生成部１６、第２モデル生成部１７、および電力需要予測部１８は、例えば図４のＣＰＵ６１、あるいはＭＰＵ（Micro Processing Unit）等のプロセッサによって実現される。なお、データ抽出部１５は、抽出部の一例である。

出力部１９は、電力需要予測部１８によって予測された結果を出力することができる。出力部１９は、例えば液晶ディスプレイ、プラズマディスプレイまたは有機ＥＬディスプレイ等の表示装置である。

次に、本発明の実施形態における、電力需要予測装置１０による電力需要予測方法について説明する。

図５は、電力需要予測装置１０による電力需要予測方法の一例を示すフローチャートである。

まず、電力需要予測装置１０は、電力需要の予測に用いる、空調機器の消費電力および外気温の情報を登録した実績ＤＢを作成する（Ｓ１０１）。実績ＤＢは、空調機器の消費電力の情報が格納された電力情報テーブルと、外気温の情報が格納された温度テーブルとを含む。以下、Ｓ１０１の処理の具体例について説明する。

図６は、Ｓ１０１における、実績ＤＢを作成する方法の一例を示すフローチャートである。

まず、電力情報取得部１３は、ネットワーク５０を介して、電力データ提供装置２０から計測日、計測時刻および空調機器の消費電力を対応付けた消費電力の情報を受信する（Ｓ２０１）。Ｓ２０１において、電力情報取得部１３は、消費電力の情報の受信間隔を予め設定し、当該受信間隔で消費電力の情報を受信する。受信間隔は、例えば３０分である。電力情報取得部１３は、消費電力の情報を受信するたびに第１記憶部１１内の電力情報テーブルに順次格納する。これにより、電力情報取得部１３は、電力情報テーブルの情報を蓄積することができる。

続いて、温度情報取得部１４は、ネットワーク５０を介して、気温データ提供装置３０から計測日、計測時刻および外気温を対応付けた外気温の情報を受信する（Ｓ２０２）。Ｓ２０２において、温度情報取得部１４は、電力情報取得部１３が取得した各消費電力の実測値に対応する外気温の情報を受信する。電力情報取得部１３は、外気温の情報を受信するたびに第１記憶部１１内の温度情報テーブルに順次格納していく。これにより、温度情報取得部１４は、温度情報テーブルの情報を蓄積することができる。

図７は、温度情報テーブルの一例を示す図である。図７に示すように、温度情報テーブルは、計測日の情報と、計測時刻（ｔ＝０：００〜２３：３０）の情報と、計測時刻ｔ毎に計測した外気温の実測値とが対応付けられたテーブルである。

続いて、電力情報取得部１３は、計測日毎に休日明けフラグを付与する（Ｓ２０３）。Ｓ２０３において、電力情報取得部１３は、Ｓ２０１で取得した計測日の情報毎に、休日明けであれば「１」、休日明けでなければ「０」のフラグを付与する。電力情報取得部１３は、電力需要の予測対象の建物がオフィスや住宅であればカレンダーの情報、工場であれば操業日の情報を用いて、計測日が休日明けであるか否かを判定することができる。

続いて、電力情報取得部１３は、計測日毎に空調稼働フラグを付与する（Ｓ２０４）。Ｓ２０４において、電力情報取得部１３は、Ｓ２０１で取得した計測日の情報毎に、空調機器が稼働した日であれば「１」、空調機器が稼働していない日であれば「０」のフラグを付与する。ここで、稼働とは、部屋の温度制御を行うことを示しており、冬期であれば暖房、夏期であれば冷房を運転させることを示している。電力情報取得部１３は、例えば取得した消費電力の情報から得られる消費電力の時間変化に基づいて、空調機器が稼働した日であるか否かを判定することができる。あるいは、空調機器からネットワーク５０を介して、空調機器が稼働しているか否かの情報を取得することもできる。

図８は、電力情報テーブルの一例を示す図である。図８に示すように、電力情報テーブルは、休日明けフラグと、空調稼働フラグと、計測日の情報と、計測時刻（ｔ＝０：００〜２３：３０）の情報と、計測時刻ｔ毎に計測した消費電力の実測値とが対応付けられたテーブルである。

以上の処理により、電力情報テーブルおよび温度情報テーブルからなる実績ＤＢを作成することができる。

図５に戻り、Ｓ１０１の処理の後、データ抽出部１５は、実績ＤＢから、第１予測モデルの作成に用いる消費電力および外気温の情報を抽出する（Ｓ１０２）。具体的には、抽出部１５は、電力情報テーブルを参照して、休日明けフラグおよび空調稼働フラグがともに「１」となっている計測日と、当該計測日に対応する計測時刻毎の消費電力の実測値とを抽出する。さらに、データ抽出部１５は、温度情報テーブルを参照して、抽出した計測日に対応する計測時刻毎の外気温の実測値を抽出する。この処理により、電力需要予測装置１０は、空調機器の稼働が行われた休日明けの消費電力の実測値を実績ＤＢから選択的に取得することができる。図７および図８の例では、計測日が２０１１年１１月２５日（２０１１／１１／２５と表記）、２０１１年１２月５日（２０１１／１２／０５と表記）、および２０１１年１２月１２日（２０１１／１２／１２と表記）における消費電力および外気温の実測値が抽出される。

続いて、第１モデル生成部１６は、Ｓ１０２で抽出された消費電力および外気温の実測値を用いて、重回帰分析により、以下の式（１）で表される第１予測モデル
式（１）：

を満たす回帰係数ａおよび計測時刻ｔ毎の回帰係数ｂ_ｔを算出する（Ｓ１０３）。式（１）は、外気温の予測値Ｔ_ｔを説明変数とし、消費電力Ｐ_ｔの予測値を被説明変数として表した線形の重回帰式である。本実施形態では、外気温Ｔ_ｔと、空調機器７０の消費電力Ｐ_ｔとの間に相関があることに着目して、式（１）に示す線形モデルを用いることとしている。第一項の回帰係数ａは計測時刻ｔに依存しない定数である。第二項の回帰係数ｂ_ｔは計測時刻ｔに依存し、計測時刻ｔ毎に異なる係数である。

図９は、回帰係数ａおよびｂ_ｔの算出結果の一例である。第１モデル生成部１６は、算出した回帰係数ａおよびｂ_ｔの値を式（１）に代入することにより、第１予測モデルを計測時刻ｔ毎に作成することができる。なお、回帰係数ａおよびｂ_ｔの値を算出するための他の方法としては、例えばカルマンフィルタを用いる方法や、ＡＲ (Auto Regressive: 自己回帰)モデルを用いる方法など、種々の方法を用いることもできる。

次に、本実施形態において電力需要の予測に用いる第２予測モデルについて説明する。まず、休日の時刻ｉにおける建物の蓄熱量を温度の次元であるＴ_ｉ ^Ｗで表すこととし、対応する時刻の外気温をＴ_ｉ ^Ａとする。以降では、Ｔ_ｉ ^Ｗを蓄熱因子と呼称する。図１で説明したように、熱は高温から低温に移動するため、空調機器を停止する休日は外気温の影響を受け、建物の蓄熱量が変動する。

そこで、休日に建物に出入りする熱量をＱとすると、熱量Ｑは、式（２）に示すように、外気温と蓄熱量との差分の積算により表すことができる。
式（２）：

本実施形態では、休日に建物に出入りする熱量Ｑを補正項として予測モデルに導入する。式（２）を、式（１）に示す第１予測モデルの補正項として取り込んで変形すると、以下の式（３）で表される第２予測モデル
式（３）：

を得ることができる。式（３）は、外気温の予測値Ｔ_ｔを説明変数とし、消費電力の予測値Ｐ_ｔを被説明変数として表した線形の重回帰式である。ここで、休日の外気温の平均と蓄熱因子との差分に、回帰係数ｃを積算した値に相当する第３項が、第１予測モデルに付加された補正項であり、休日の建物に出入りする熱量Ｑを考慮した項である。式（３）に示すように、第１予測モデルを用いて電力需要の予測を行った場合に生じる予測誤差を第３項で相殺できれば、第１予測モデルよりも予測精度を向上させることができる。

そこで、図５に戻り、Ｓ１０３の処理の後、第２モデル生成部１７は、第１予測モデルを用いて、未定の値である回帰係数ｃおよび蓄熱因子Ｔ^Ｗの平均値を推定し、第２予測モデルを作成する（Ｓ１０４）。以下、第２予測モデルの作成方法の具体例について説明する。

図１０は、Ｓ１０４における、第２予測モデルを生成する方法の一例を示すフローチャートである。

まず、第２モデル生成部１７は、第１予測モデルを用いて、消費電力の予測値を計測時刻毎に算出する（Ｓ３０１）。具体的には、第２モデル生成部１７は、図７の温度情報テーブルに格納されている外気温の実測値を式（１）のＴ_ｔに入力することにより、消費電力の予測値を計測時刻毎に算出することができる。式（１）中の回帰係数ａおよびｂ_ｔの値は、Ｓ１０３で算出した値を用いる。

続いて、第２モデル生成部１７は、消費電力テーブルに格納されている消費電力の実測値の情報を用いて、実測値と、Ｓ３０１で算出した予測値との差分である予測誤差を計測時刻毎に算出する（Ｓ３０２）。予測誤差は、実測値と予測値との大小関係により、正又は負の値になり得る。

続いて、第２モデル生成部１７は、Ｓ３０２で算出した予測誤差を被説明変数、休日の外気温Ｔ^Ａの平均と蓄熱因子Ｔ^Ｗの平均との差分を説明変数とすることにより、蓄熱因子の平均と、回帰係数ｃとの組み合わせの候補を抽出する（Ｓ３０３）。以下、抽出方法について説明する。Ｓ３０３の処理に用いる回帰モデルは、以下の式（４）で表すことができる。
式（４）：

式（４）において、休日の外気温Ｔ^Ａの平均は、例えば図７に示す温度情報テーブルに格納されている休日の外気温の実測値を用いて算出することができる。一方、蓄熱因子Ｔ^Ｗの平均は、休日の外気温Ｔ^Ａの平均の補正値であり、未知の値である。このため、第２モデル生成部１７は、予め設定した数値範囲を探索することによって、回帰係数Ｔ^Ｗの平均を決定する。具体的には、まず、第２モデル生成部１７は、蓄熱因子Ｔ^Ｗの平均の探索範囲および探索間隔を設定する。第２モデル生成部１７は、設定された情報を、例えば第１記憶部１１に格納する。例えば、探索範囲を０〜２０℃、探索間隔を１℃と設定すると、０℃、１℃、２℃、・・・１９℃、２０℃の各値が探索の対象となる。

続いて、第２モデル生成部１７は、回帰分析により、探索範囲内にある蓄熱因子Ｔ^Ｗの平均の値毎に回帰係数ｃを算出する。

図１１は、Ｓ３０３における、蓄熱因子Ｔ^Ｗの平均の値毎に算出した回帰係数ｃの一例を示す図である。図１１に示すように、第２モデル生成部１７は、蓄熱因子Ｔ^Ｗの平均の値および回帰係数ｃの組み合わせの候補を複数抽出することができる。

続いて、第２モデル生成部１７は、Ｓ３０３で抽出した蓄熱因子Ｔ^Ｗの平均と回帰係数ｃとの組み合わせの候補の中から、消費電力の予測値と実績値との差分が最小となる回帰係数Ｔ^Ｗの平均および回帰係数ｃの組み合わせを決定する（Ｓ３０４）。

Ｓ３０４において、第２モデル生成部１７は、例えば時系列分析の予測精度の評価指標として用いられる平均絶対パーセント誤差（ＭＡＰＥ：Mean Absolute Percentage Error）に基づいて、消費電力の予測値と実績値との差分が最小となる組み合わせを決定する。ＭＡＰＥは、値が小さいほど予測精度が高いと見做され、以下の式（５）で表すことができる。
式（５）：

ここで、Ｐ_ｔは、第２予測モデルを用いて算出した値、Ｐ_ｔ ^Ａは、電力テーブルに格納されている消費電力の実測値を用いることができる。以下、Ｓ３０４の処理方法の例を説明する。

図１２は、Ｓ３０４における、蓄熱因子Ｔ^Ｗの平均および回帰係数ｃを決定する方法の一例を示すフローチャートである。まず、第２モデル生成部１７は、休日明けの計測日およびＴ^Ｗの平均をパラメータとして、ＭＡＰＥを算出する（Ｓ４０１）。

図８の例を用いて具体的に説明すると、第２モデル生成部１７は、休日明けに相当する２０１１年１１月２８日における消費電力の実測値Ｐ_ｔ ^Ａと、第２予測モデルとを用いて、蓄熱因子Ｔ^Ｗの平均の候補毎にＭＡＰＥを算出する。続いて、第２モデル生成部１７は、休日明けに相当する２０１１年１２月５日における消費電力の実測値Ｐ_ｔ ^Ａと、第２予測モデルとを用いて、蓄熱因子Ｔ^Ｗの平均の候補毎にＭＡＰＥを算出する。続いて、第２モデル生成部１７は、休日明けに相当する２０１１年１２月１２日における消費電力の実測値Ｐ_ｔ ^Ａと、第２予測モデルとを用いて、蓄熱因子Ｔ^Ｗの平均の候補毎にＭＡＰＥを算出する。

図１３は、ＭＡＰＥの算出結果の一例を示す図である。図１３には、第２予測モデルの代わりに第１予測モデルを用いて電力需要の予測を行った場合のＭＡＰＥの算出結果も併せて示している。図１３に示すように、休日明けの計測日が３日間存在する場合、蓄熱因子Ｔ^Ｗの平均として設定した値毎に３個のＭＡＰＥの値が算出されることとなる。なお、図１３では、蓄熱因子Ｔ^Ｗの平均が７℃，８℃，９℃，１５℃の場合のＭＡＰＥの値を例示している。蓄熱因子Ｔ^Ｗの平均が１℃〜６℃，１０℃〜１４℃，１６℃〜２０℃の場合におけるＭＡＰＥの値については省略している。

続いて、第２モデル生成部１７は、蓄熱因子Ｔ^Ｗの平均の候補毎にＭＡＰＥの平均を算出する（Ｓ４０２）。図１３の例をもとに算出する場合、第２モデル生成部１７は、蓄熱因子Ｔ^Ｗの平均の候補毎に、３個のＭＡＰＥの値の平均を算出する。なお、以降では、ＭＡＰＥの平均を平均ＭＡＰＥと呼称する。

図１４は、平均ＭＡＰＥの算出結果の一例を示す図である。図１４には、第２予測モデルの代わりに第１予測モデルを用いて電力需要の予測を行った場合の平均ＭＡＰＥの値も併せて示している。

続いて、第２モデル生成部１７は、算出した平均ＭＡＰＥの値を比較し、値が最小となる、すなわち、予測精度が最も高い蓄熱因子Ｔ^Ｗの平均の値を選択する（Ｓ４０３）。図１４を参照すると、蓄熱因子Ｔ^Ｗの平均＝８としたときの平均ＭＡＰＥ＝２．１９が最小である。よって、第２モデル生成部１７は、蓄熱因子Ｔ^Ｗの平均＝８と決定する。

さらに、第２モデル生成部１７は、Ｓ４０３で選択したＴ^Ｗの平均に対応する回帰係数ｃを抽出する（Ｓ４０４）。例えば図１１によれば、蓄熱因子Ｔ^Ｗの平均＝８に対応する回帰係数ｃはｃ＝−１１．５１である。そこで、第２モデル生成部１７は、ｃ＝−１１．５１を回帰係数ｃの値として決定する。

以上の処理により、第２モデル生成部１７は、候補の中から消費電力の予測値と実績値との差分が最小となる蓄熱因子Ｔ^Ｗの平均および回帰係数ｃの値を決定することができる。

図１４に示すように、Ｔ^Ｗの平均＝８における平均ＭＡＰＥの数値を、第１予測モデルを用いて予測した場合の平均ＭＡＰＥの値と比較すると、２．１９＞２．５３であり、第１予測モデルを用いて予測した場合よりも小さい数値を示している。このように、休日に建物に出入りする熱量Ｑを補正項として導入した第２予測モデルを予測に用いることにより、第１予測モデルを用いて予測した場合に比べて予測精度を向上させることができる。

なお、Ｓ３０４で決定した蓄熱因子Ｔ^Ｗの平均の値は、将来、Ｔ^Ｗの平均の探索範囲の中からＴ^Ｗの平均を再び決定する際に、探索範囲の中心値として用いることもできる。例えば蓄熱因子Ｔ^Ｗの平均＝８と決定された場合、将来実行する蓄熱因子Ｔ^Ｗの平均の探索範囲を、平均＝８℃を中心値とした０〜１６℃に設定することができる。この方法によれば、過去に決定した蓄熱因子Ｔ^Ｗの平均の値の付近の値を探索することとなるため、探索が容易となり、探索時間の短縮化を図ることができる。

蓄熱因子Ｔ^Ｗの平均および回帰係数ｃの値を決定した後、算出した各パラメータを式（３）に代入して変形することにより、時刻ｔにおける消費電力Ｐ_ｔは、以下の式（６）のように、外気温の予測値Ｔ_ｔおよび回帰係数ｂ_ｔの関数で表すことができる。
式（６）：

以上のようにして、第２予測モデルを作成することができる。

図５に戻り、Ｓ１０４の処理の後、電力需要予測部１８は、Ｓ１０４で生成した第２予測モデルを用いて電力需要の予測を実行する（Ｓ１０５）。以下、２０１１年１２月１２日の次の休日明けである２０１１年１２月１９日の１２：００の時刻における電力需要の予測を実行する例を説明する。

まず、温度情報取得部１４は、気温データ提供装置３０から２０１１年１２月１９日のｔ＝１２：００における外気温の予測値Ｔ_ｔの値を取得する。本説明では、温度情報取得部１４が取得した外気温の予測値Ｔ_ｔは６．９℃であるとする。

続いて、電力需要予測部１８は、第１記憶部１１から時刻ｔ＝１２：００における回帰係数ｂ_ｔの値を読み出す。図９によれば、時刻ｔ＝１２：００における回帰係数ｂ_ｔの値として６７８．６５７の値が読み出される。

続いて、電力需要予測部１８は、時刻ｔ＝１２：００における外気温の予測値Ｔ_ｔおよび回帰係数ｂ_ｔの値を式（６）の第２予測モデルに代入し、時刻ｔ＝１２：００における消費電力の予測値Ｐ_ｔを算出する。外気温の予測値Ｔ_ｔ＝６．９℃および回帰係数ｂ_ｔ＝６７８．６５７を式（６）に代入すると、Ｐ_ｔ＝６３５．２０５ｋＷと算出することができる。

なお、時刻ｔを変化させながら、上述の方法で消費電力の予測値Ｐ_ｔを算出することにより、一日の電力需要を予測することができる。

続いて、出力部１９は、電力需要予測部１８によって予測した電力需要の予測値Ｐ_ｔを出力する（Ｓ１０６）。具体的には、例えば出力部１９は、予測する日時と電力需要の予測値Ｐ_ｔとを対応付けてテーブルの形式で出力する。一日の電力需要の推移の予測結果を出力する場合、出力部１９は、テーブルの形式で出力する他に、時刻を横軸、電力量を縦軸としたプロファイルの形式で出力することもできる。

以上のようにして、電力需要予測部１８は、電力需要の予測を実行することができる。

図１５は、第１予測モデルおよび第２予測モデルによる休日明けの予測結果を比較した例を示す図である。図１５は、２０１１年１２月１２日における消費電力の実測値と予測値とを示しており、点線が実測値、実線が予測値を示している。図１５に示すように、第１予測モデルを用いて予測した場合よりも、第２予測モデルを用いて予測した場合の方が実測値に近い予測値が得られていることがわかる。

このように、本実施形態によれば、第１予測モデルを用いて予測した場合の予測誤差が最小となる蓄熱因子と回帰係数ｃとを決定し、休日の外気温の平均と蓄熱因子との差分に回帰係数ｃを積算した値を第１予測モデルに付加することによって、第２の予測モデルを生成する。この方法によれば、例えば休日中に建物の室内の空調機器が停止したことにより建物の蓄熱量が変動した場合であっても、休日明けの電力需要を予測する際に生じる第１予測モデルの予測誤差を、休日の外気温の平均と蓄熱因子との差分に回帰係数ｃを積算した値によって補正することができる。その結果、簡易な方法で電力需要量を推定する精度を向上させることができる。

電力需要量を推定する際は、予測する対象の日に応じて第１予測モデルまたは第２の予測モデルを使い分けることができる。例えば、休日明けの電力需要の予測には第２予測モデルを選択し、休日明け以外の平日の電力需要の予測には第１予測モデルを選択するといった方法を適用することができる。

以上、本発明の好ましい実施例について詳述したが、本発明は特定の実施例に限定されるものではなく、種々の変形や変更が可能である。例えば、本願は、空調機器が停止している期間が休日であるものとして説明したが、休日に限定されるものではない。

１０：電力需要予測装置
１１：第１記憶部
１２：第２記憶部
１３：電力情報取得部
１４：温度情報取得部
１５：データ抽出部
１６：第１モデル生成部
１７：第２モデル生成部
１８：電力需要予測部
１９：出力部
２０：電力データ提供装置
３０：気温データ提供装置
５０：ネットワーク
６１：ＣＰＵ
６２：ＲＯＭ
６３：ＲＡＭ
６４：ストレージ装置
６５：ネットワークインタフェース
６６：可搬型記憶媒体用ドライブ
６７：バス
６８：可搬型記憶媒体

Claims (7)

1. 機器の消費電力の実測値と、前記実測値に対応する外気温の情報とを用いて、第１の重回帰式を生成する第１モデル生成部と、
   前記第１の重回帰式を用いて算出した前記機器の消費電力の予測値と前記予測値に対応する実測値との差である予測誤差を被説明変数、前記機器が稼働しない日の外気温と、前記機器が稼働しない日の外気温の補正値を示す蓄熱因子との差分を説明変数として、前記予測誤差に基づいて前記蓄熱因子と回帰係数とを決定し、前記機器が稼働しない日の外気温と前記蓄熱因子との差分に、前記回帰係数を積算した値を前記第１の重回帰式に付加することによって、第２の重回帰式を生成する第２モデル生成部と、
   前記第２の重回帰式を用いて前記機器の消費電力を予測する電力予測部と、
   を有することを特徴とする電力需要予測装置。
2. 前記蓄熱因子決定部は、
   前記蓄熱因子と前記回帰係数との組み合わせの候補を回帰分析により抽出し、前記組み合わせの候補の中から、前記予測誤差が最小となる前記蓄熱因子と前記回帰係数とを決定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。
3. 前記第２モデル生成部は、
   前記蓄熱因子の数値範囲を設定し、前記数値範囲を満たす前記組み合わせの候補を抽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。
4. 前記第２モデル生成部は、過去に決定された前記蓄熱因子の値に基づいて、前記数値範囲を設定することを特徴とする請求項３記載の電力需要予測装置。
5. 前記消費電力の所定の時刻毎の実測値の情報と、前記実測値に対応する外気温の情報とを計測日毎に格納するとともに、前記計測日の各々に対応付けられた、前記計測日が休日明けであるか否かを示す第１のフラグと、前記計測日に前記機器が稼働しているか否かを示す第２フラグとを格納する記憶部と、
   前記記憶部から、前記第１のフラグが休日明けであることを示し、且つ前記第２のフラグが、前記機器が稼働していることを示す計測日に対応する、前記所定の時刻毎の実測値の情報と、前記実測値に対応する外気温の情報とを抽出する抽出部と、
   を更に有することを特徴とする請求項１〜４のいずれか１項に記載の電力需要予測装置。
6. 電力需要予測装置によって実行される情報処理方法であって、
   機器の消費電力の実測値と、前記実測値に対応する外気温の情報とを用いて、第１の重回帰式を生成し、
   前記第１の重回帰式を用いて算出した前記機器の消費電力の予測値と前記予測値に対応する実測値との差である予測誤差を被説明変数、前記機器が稼働しない日の外気温と、前記機器が稼働しない日の外気温の補正値を示す蓄熱因子との差分を説明変数として、前記予測誤差に基づいて前記蓄熱因子と回帰係数とを決定し、前記機器が稼働しない日の外気温と前記蓄熱因子との差分に、前記回帰係数を積算した値を前記第１の重回帰式に付加することによって、第２の重回帰式を生成し、
   前記第２の重回帰式を用いて前記機器の消費電力を予測する、
   ことを特徴とする電力需要予測方法。
7. 電力需要予測装置に、
   機器の消費電力の実測値と、前記実測値に対応する外気温の情報とを用いて、第１の重回帰式を生成する処理と、
   前記第１の重回帰式を用いて算出した前記機器の消費電力の予測値と前記予測値に対応する実測値との差である予測誤差を被説明変数、前記機器が稼働していない日の外気温と、前記機器が稼働していない日の外気温の補正値を示す蓄熱因子との差分を説明変数として、前記予測誤差に基づいて前記蓄熱因子と回帰係数とを決定し、前記機器が稼働していない日の外気温と前記蓄熱因子との差分に、前記回帰係数を積算した値を前記第１の重回帰式に付加することによって、第２の重回帰式を生成する処理と、
   前記第２の重回帰式を用いて前記機器の消費電力を予測する処理と、
   を実行させるための電力需要予測プログラム。

Images