JP2016019358A - Demand prediction apparatus, computer program, smart meter and power storage device - Google Patents
Demand prediction apparatus, computer program, smart meter and power storage device Download PDFInfo
- Publication number
- JP2016019358A JP2016019358A JP2014140439A JP2014140439A JP2016019358A JP 2016019358 A JP2016019358 A JP 2016019358A JP 2014140439 A JP2014140439 A JP 2014140439A JP 2014140439 A JP2014140439 A JP 2014140439A JP 2016019358 A JP2016019358 A JP 2016019358A
- Authority
- JP
- Japan
- Prior art keywords
- demand
- power
- day
- data
- value
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 39
- 238000004590 computer program Methods 0.000 title claims description 9
- 238000000034 method Methods 0.000 claims description 64
- 238000012937 correction Methods 0.000 claims description 55
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000010248 power generation Methods 0.000 description 32
- 238000004364 calculation method Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 9
- 230000014509 gene expression Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000010365 information processing Effects 0.000 description 5
- 230000002354 daily effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
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
Description
本発明は、電力設備の電力需要を予測する需要予測装置、この装置に適用するコンピュータプログラム、その装置を有するスマートメーター及び蓄電装置に関する。 The present invention relates to a demand prediction device that predicts the power demand of a power facility, a computer program applied to the device, a smart meter having the device, and a power storage device.
この種の需要予測装置として、例えば特許文献１〜３に記載の装置が知られている。
特許文献１の需要予測装置では、過去の電力需要の実績と気象データから求めた気温と電力需要との関係式から、当該日の需要を予測する。
また、この需要予測装置では、予想対象日とその前日、前前日の３日間での予想気象の変化パターンと類似する気象データをもつ過去の参照日の電力需要実績によって補正をかけ、最終的な電力需要予測値を算出している。
As this type of demand prediction device, for example, devices described in Patent Literatures 1 to 3 are known.
In the demand prediction apparatus of patent document 1, the demand of the said day is estimated from the relational expression of the temperature and electric power demand calculated | required from the track record of the past electric power demand, and meteorological data.
In addition, in this demand forecasting device, correction is made based on the power demand record of the past reference date having weather data similar to the forecasted date, the previous day, and the change pattern of the forecasted weather for the previous three days. Electricity demand forecast value is calculated.
特許文献２の需要予測装置では、重回帰による予測モデルを用いて、予測対象日の最大需要予測値を演算している。
また、この需要予測装置では、暦上の曜日及び祝日に応じた第１の変数と、予め定められている所定期間に含まれるか否かに応じた第２の変数と、前後の日との関係に応じた第３の変数との中から、少なくとも１つを割り当て、これを係数として需要予測値を演算している。
In the demand prediction apparatus of patent document 2, the maximum demand prediction value of a prediction object day is calculated using the prediction model by multiple regression.
Moreover, in this demand prediction apparatus, the 1st variable according to a calendar day of the week and a holiday, the 2nd variable according to whether it is included in the predetermined period defined beforehand, and the day before and behind At least one of the third variables corresponding to the relationship is assigned, and the demand forecast value is calculated using this as a coefficient.
特許文献３の需要予測装置では、電力負荷の最大値及び最小値など、対象日の電力負荷の一部を気象や暦から予測する。
また、この需要予測装置では、予測対象日の最高気温及び最低気温予報値と、抽出した各過去日の最高気温及び最低気温実績値との二乗誤差が最も小さい過去日を類似日と決定し、類似日の需要実績により、演算した予想値を補正している。類似日の条件としては、前後の暦区分が同じであることが採用されている。
In the demand prediction device of Patent Literature 3, a part of the power load on the target day, such as the maximum value and the minimum value of the power load, is predicted from the weather or the calendar.
Further, in this demand prediction device, the past day having the smallest square error between the highest temperature and lowest temperature forecast values of the prediction target day and the highest temperature and lowest temperature actual value of each extracted past day is determined as a similar day, The calculated forecast value is corrected based on the actual demand on the same day. As a condition for similar days, it is adopted that the calendar divisions before and after are the same.
特許文献１では、過去の膨大なデータから類似する気象パターンを見つけ出す必要があるため、処理コストが高くなるという問題がある。
また、特許文献２の需要予測装置では、重回帰による予測モデルを用いるために演算処理が膨大であり、特許文献３の需要予測装置では、過去の膨大なデータから類似日を特定する必要があるため、同様に処理コストが高くなるという問題がある。
In Patent Document 1, since it is necessary to find a similar weather pattern from a huge amount of past data, there is a problem that the processing cost increases.
Further, in the demand prediction apparatus of Patent Document 2, the calculation process is enormous because a prediction model based on multiple regression is used, and in the demand prediction apparatus of Patent Document 3, it is necessary to specify a similar date from a huge amount of past data. Therefore, there is a problem that the processing cost is similarly increased.
このように、特許文献１〜３の需要予測装置は総じて処理コストが高いことから、例えば低コストのマイコンで処理できるようにするなど、安価に実装するのが困難であるという問題があった。
本発明は、かかる従来の問題点に鑑み、低コストで実装することができる需要予測装置等を提供することを目的とする。
As described above, since the demand prediction apparatuses of Patent Documents 1 to 3 generally have a high processing cost, there is a problem that it is difficult to mount at a low cost, for example, by enabling processing with a low-cost microcomputer.
The present invention has been made in view of such conventional problems, and an object of the present invention is to provide a demand prediction device and the like that can be implemented at low cost.
（１） 本発明の一態様に係る装置は、電力設備の電力需要を予測する装置であって、前記電力需要の実績値の時系列データである需要実績データを記憶する記憶部と、予測日と同じ曜日の過去日の前記需要実績データから需要変動パターンを生成し、生成した前記需要変動パターンを現時点の実績値に連結して、現時点以後の前記電力需要の予測パターンである基本変動パターンを算出する制御部と、を備える。 (1) An apparatus according to an aspect of the present invention is an apparatus that predicts the power demand of a power facility, and stores a storage unit that stores actual demand data that is time-series data of actual values of the power demand; A demand fluctuation pattern is generated from the actual demand data of the past day of the same day of the week, and the generated demand fluctuation pattern is connected to the current actual value to obtain a basic fluctuation pattern which is a prediction pattern of the power demand after the current time. A control unit for calculating.
（８） 本発明の他の態様は、電力設備の電力需要を予測する処理をコンピュータに実行させるためのコンピュータプログラムであって、前記コンピュータを、前記電力需要の実績値の時系列データである需要実績データを記憶する記憶部、及び、予測日と同じ曜日の過去日の前記需要実績データから需要変動パターンを生成し、生成した需要変動パターンを現時点の実績値と連結して、現時点以後の前記電力需要の予測パターンである基本変動パターンを算出する制御部、として機能させるコンピュータプログラムである。 (8) Another aspect of the present invention is a computer program for causing a computer to execute a process of predicting the power demand of power equipment, wherein the computer is a time series data of actual values of the power demand. A storage unit for storing the actual data, and a demand fluctuation pattern is generated from the demand actual data on the past day of the same day as the forecast date, and the generated demand fluctuation pattern is connected with the current actual value to It is a computer program that functions as a control unit that calculates a basic fluctuation pattern that is a predicted pattern of power demand.
（９） 本発明の他の態様に係る装置は、電力設備に含まれる電力機器と通信可能なスマートメーターであって、電力需要の実績値の時系列データである需要実績データを記憶する記憶部と、予測日と同じ曜日の過去日の前記需要実績データから需要変動パターンを生成し、生成した需要変動パターンを現時点の実績値と連結して、現時点以後の前記電力需要の予測パターンである基本変動パターンを算出する制御部と、を備える。 (9) An apparatus according to another aspect of the present invention is a smart meter that can communicate with power equipment included in power equipment, and stores demand result data that is time-series data of actual values of power demand. And the demand fluctuation pattern is generated from the demand actual data on the past day of the same day as the forecast date, and the generated demand fluctuation pattern is connected to the current actual value, and the basic power pattern is the forecast pattern of the power demand after the present time. And a control unit that calculates a variation pattern.
（１０） 本発明の他の態様に係る装置は、電力設備に含まれる電力機器と通信可能な蓄電装置であって、電力需要の実績値の時系列データである需要実績データを記憶する記憶部と、予測日と同じ曜日の過去日の前記需要実績データから需要変動パターンを生成し、生成した需要変動パターンを現時点の実績値と連結して、現時点以後の前記電力需要の予測パターンである基本変動パターンを算出する制御部と、を備える。 (10) A device according to another aspect of the present invention is a power storage device that can communicate with a power device included in a power facility, and stores a storage unit that stores actual demand data that is time-series data of actual power demand values. And the demand fluctuation pattern is generated from the demand actual data on the past day of the same day as the forecast date, and the generated demand fluctuation pattern is connected to the current actual value, and the basic power pattern is the forecast pattern of the power demand after the present time. And a control unit that calculates a variation pattern.
本発明によれば、低コストで実装することができる。 According to the present invention, it can be mounted at low cost.
＜本発明の実施形態の概要＞
以下、本発明の実施形態の概要を列記して説明する。
（１） 本発明の実施形態に係る需要予測装置は、電力設備の電力需要を予測する装置であって、前記電力需要の実績値の時系列データである需要実績データを記憶する記憶部と、予測日と同じ曜日の過去日の前記需要実績データから需要変動パターンを生成し、生成した前記需要変動パターンを現時点の実績値に連結して、現時点以後の前記電力需要の予測パターンである基本変動パターンを算出する制御部と、を備える。
<Outline of Embodiment of the Present Invention>
Hereinafter, an outline of embodiments of the present invention will be listed and described.
(1) A demand prediction device according to an embodiment of the present invention is a device that predicts the power demand of power equipment, and stores a storage unit that stores actual demand data that is time-series data of actual values of the power demand; A basic fluctuation which is a prediction pattern of the power demand after the present time by generating a demand fluctuation pattern from the demand actual data of the past day of the same day as the forecast date, and connecting the generated demand fluctuation pattern to a current actual value. A control unit for calculating a pattern.
本実施形態の需要予測装置によれば、制御部が、予測日と同じ曜日の過去日の需要実績データから需要変動パターンを生成し、生成した需要変動パターンを現時点の実績値に連結して、現時点以後の電力需要の予測パターンである基本変動パターンを算出するので、膨大なデータから気象パターンを探索したり、重回帰モデルを使用したりする従来装置に比べて、低い処理コストで電力需要を予測することができる。従って、従来装置に比べて低コストで実装することができる。 According to the demand prediction apparatus of the present embodiment, the control unit generates a demand fluctuation pattern from the demand actual data on the past day of the same day as the forecast date, and connects the generated demand fluctuation pattern to the current actual value, Since the basic fluctuation pattern, which is the prediction pattern of power demand after the present time, is calculated, the power demand can be reduced at a lower processing cost compared to conventional devices that search for weather patterns from a vast amount of data or use multiple regression models. Can be predicted. Therefore, it can be mounted at a lower cost than the conventional device.
（２） 本実施形態の需要予測装置において、前記電力設備の操業方針を管理者が決定できる特定日について、当該入力装置を備えることが好ましい。
この場合、特定日がどの曜日に対応するかの設定入力を入力装置によって行うことができるので、入力装置により、需要実績データが類似しそうな曜日を特定日に指定することができ、電力設備の実態に即した柔軟な運用を行うことができる。
(2) In the demand prediction device of the present embodiment, it is preferable that the input device is provided for a specific date on which an administrator can determine an operation policy of the power facility.
In this case, the input device can be used to set which day the specific day corresponds to, so the input device can specify the day of the week on which the demand record data is likely to be similar, It can be operated flexibly according to the actual situation.
（３） 本実施形態の需要予測装置において、前記制御部は、現時点から過去の直近数日についての前記需要実績データの最大値及び最小値を用いて、前記基本変動パターンを補正することが好ましい。
このようにすれば、現時点の実績値に大きな変動があった場合に発生する、基本変動パターンの最大値と最小値の誤差を極力抑えることができ、電力需要の予測精度を向上することができる。
(3) In the demand prediction apparatus of the present embodiment, it is preferable that the control unit corrects the basic variation pattern using the maximum value and the minimum value of the demand performance data for the past few days from the present time. .
In this way, it is possible to suppress the error between the maximum value and the minimum value of the basic fluctuation pattern that occurs when there is a large fluctuation in the current actual value, and to improve the power demand prediction accuracy. .
（４） 本実施形態の需要予測装置において、前記制御部は、現時点から過去の直近数日を、前記需要実績データに相関が認められる同じグループの中から選択することが好ましい。
この場合、相関が高い需要実績データのみから需要変動パターンを生成できるので、連続する直近数日の需要実績データを無条件で選択する場合に比べて、電力需要の予測精度を向上することができる。
(4) In the demand prediction apparatus of the present embodiment, it is preferable that the control unit selects the last few days in the past from the current time from the same group in which correlation is recognized in the demand result data.
In this case, since the demand fluctuation pattern can be generated only from demand record data having a high correlation, it is possible to improve the prediction accuracy of power demand compared to the case where the demand record data of the last few consecutive days is selected unconditionally. .
（５） 具体的には、前記需要実績データに相関が認められるグループは、土曜日と日曜日よりなる休日、休日前の金曜日、休日後の月曜日、及びそれら以外の平日にグループ分けすればよい。
その理由は、例えば工場などの電力設備では、負荷装置の稼働状況が曜日によって大きく変動することから、需要実績データの相関を上記の４つのグループに分けることが適切と考えられるからである。
(5) Specifically, the groups in which correlation is recognized in the demand result data may be grouped into a holiday consisting of Saturday and Sunday, a Friday before the holiday, a Monday after the holiday, and other weekdays.
The reason is that, for example, in power facilities such as factories, the operating status of the load device varies greatly depending on the day of the week, so it is considered appropriate to divide the correlation of demand performance data into the above four groups.
（６） 本実施形態の需要予測装置において、前記制御部は、現時点から過去の直近数日についての前記需要実績データの最大値及び最小値を、現時点から近いほど大きい重みでそれぞれ平均化した平均最大値及び平均最小値を算出し、算出した前記平均最大値及び平均最小値を用いて、前記基本変動パターンを補正することが好ましい。
その理由は、直近の極値（最大値と最小値）ほど、予測日の極値の傾向をより正確に反映していると考えられるからである。
(6) In the demand prediction apparatus according to the present embodiment, the control unit averages the maximum value and the minimum value of the actual demand data for the most recent days in the past from the current time with a greater weight as the distance from the current time is closer. Preferably, a maximum value and an average minimum value are calculated, and the basic variation pattern is corrected using the calculated average maximum value and average minimum value.
The reason is that the latest extreme values (maximum value and minimum value) are considered to more accurately reflect the trend of extreme values on the forecast date.
（７） 本実施形態の需要予測装置において、前記制御部は、最大の電力需要が予測される時刻又は時間帯の予想気温と、前記過去日の同じ時刻又は時間帯の気温の平均値との温度差に基づいて、前記基本変動パターンに適用する電力需要の補正量を算出することにしてもよい。
このようにすれば、気温の急変による電力需要の増加を電力需要の予測値に反映できるようになるので、電力需要の予測精度を向上することができる。
(7) In the demand prediction device of the present embodiment, the control unit is configured to calculate an estimated temperature at a time or time zone when the maximum power demand is predicted, and an average value of air temperatures at the same time or time zone of the past day. Based on the temperature difference, a correction amount of power demand applied to the basic fluctuation pattern may be calculated.
In this way, an increase in power demand due to a sudden change in temperature can be reflected in the predicted value of power demand, so that the power demand prediction accuracy can be improved.
（８） また、本実施形態の需要予測装置において、前記制御部は、最高気温又は最低気温となることが予測される時刻又は時間帯の予想気温と、前記過去日の同じ時刻又は時間帯の気温の平均値との温度差に基づいて、前記基本変動パターンに適用する電力需要の補正量を算出することにしてもよい。
この場合においても、気温の急変による電力需要の増加を電力需要の予測値に反映できるようになるので、電力需要の予測精度を向上することができる。
(8) Moreover, in the demand prediction apparatus of this embodiment, the said control part of the time or time slot | zone estimated that it becomes the highest temperature or the lowest temperature, and the same time or time slot | zone of the said past day. Based on the temperature difference from the average value of the temperature, the correction amount of the power demand applied to the basic fluctuation pattern may be calculated.
Even in this case, since the increase in power demand due to a sudden change in temperature can be reflected in the predicted value of power demand, the power demand prediction accuracy can be improved.
（９） 本実施形態のコンピュータプログラムは、上述の需要予測装置が行う処理をコンピュータに実行させるためのプログラムに関する。従って、本実施形態のコンピュータプログラムは、上述の需要予測装置と同様の作用効果を奏する。 (9) The computer program of this embodiment is related with the program for making a computer perform the process which the above-mentioned demand prediction apparatus performs. Therefore, the computer program of this embodiment has the same operation effect as the above-mentioned demand prediction device.
（１０） 本実施形態のスマートメーターは、上述の需要予測装置と同様の処理を行うスマートメーターに関する。従って、本実施形態のスマートメーターは、上述の需要予測装置と同様の作用効果を奏する。 (10) The smart meter of this embodiment is related with the smart meter which performs the process similar to the above-mentioned demand prediction apparatus. Therefore, the smart meter of this embodiment has the same operation effect as the above-mentioned demand prediction device.
（１１） 本実施形態の蓄電装置は、上述の需要予測装置と同様の処理を行う蓄電装置に関する。従って、本実施形態の蓄電装置は、上述の需要予測装置と同様の作用効果を奏する。 (11) The power storage device of the present embodiment relates to a power storage device that performs the same processing as the above-described demand prediction device. Therefore, the power storage device of the present embodiment has the same effects as the above demand prediction device.
＜本発明の実施形態の詳細＞
以下、図面を参照して、本発明の実施形態の詳細を説明する。なお、以下に記載する実施形態の少なくとも一部を任意に組み合わせてもよい。
〔システムの全体構成〕
図１は、本発明の実施形態に係る電力システムの全体構成を示すブロック図である。
<Details of Embodiment of the Present Invention>
Hereinafter, details of embodiments of the present invention will be described with reference to the drawings. In addition, you may combine arbitrarily at least one part of embodiment described below.
[Overall system configuration]
FIG. 1 is a block diagram showing an overall configuration of a power system according to an embodiment of the present invention.
図１に示すように、本実施形態の電力システムは、管理対象となる電力設備１と、電力設備１に含まれる各種の電力機器の運転状態を管理するエネルギー管理システム（以下、「ＥＭＳ」ともいう。）２とを含む。
本実施形態の電力設備１は、例えば工場に設置される電力設備であり、工場内に配線された直流配電線３よりなる配電網と、直流配電線３にそれぞれ接続された負荷装置４，５、蓄電装置６及び発電装置７，８とを備えている。
As shown in FIG. 1, the power system of the present embodiment includes a power facility 1 to be managed and an energy management system (hereinafter referred to as “EMS”) that manages the operating states of various power devices included in the power facility 1. 2).
The power facility 1 according to the present embodiment is a power facility installed in a factory, for example, and includes a distribution network composed of DC distribution lines 3 wired in the factory, and load devices 4 and 5 connected to the DC distribution lines 3, respectively. The power storage device 6 and the power generation devices 7 and 8 are provided.
負荷装置４は、例えば、照明、エアコンなどの消費電力の調整が可能な調整型の負荷装置よりなる。負荷装置５は、工場の生産機械などの電力調整が不可能あるいは可能であっても実際上調整が許されない非調整型の負荷装置よりなる。
これらの負荷装置４，５は、それぞれスマートタップ（図示せず）を介して電力線１３に接続されており、電力線１３は、ＤＣ／ＡＣ変換器１０を介して直流配電線３に接続されている。
The load device 4 is composed of an adjustable load device capable of adjusting power consumption, such as lighting and an air conditioner. The load device 5 is composed of a non-adjustment type load device such as a factory production machine that is not allowed to be adjusted even if power adjustment is impossible or possible.
These load devices 4 and 5 are each connected to the power line 13 via a smart tap (not shown), and the power line 13 is connected to the DC distribution line 3 via the DC / AC converter 10. .
蓄電装置６は、例えば、レドックスフロー（ＲＦ）電池、リチウムイオン電池、溶融塩電池、鉛蓄電池などよりなる。この蓄電装置６は、ＤＣ／ＤＣ変換器１１を介して直流配電線３に接続されている。
発電装置７は、例えば、太陽光や風力などの自然エネルギーを電気エネルギーに変換する自然エネルギー発電装置よりなる。発電装置８は、ガスやディーゼル油などの燃焼エネルギーを電気エネルギーに変換する非常用の発電装置よりなる。これらの発電装置７，８は、それぞれＤＣ／ＤＣ変換器１１を介して直流配電線３に接続されている。
The power storage device 6 includes, for example, a redox flow (RF) battery, a lithium ion battery, a molten salt battery, a lead storage battery, or the like. The power storage device 6 is connected to the DC distribution line 3 via a DC / DC converter 11.
The power generation device 7 includes a natural energy power generation device that converts natural energy such as sunlight and wind power into electric energy, for example. The power generation device 8 includes an emergency power generation device that converts combustion energy such as gas or diesel oil into electric energy. These power generators 7 and 8 are each connected to the DC distribution line 3 via the DC / DC converter 11.
本実施形態の電力設備１では、ＡＣ／ＤＣ変換器１２とスマートメーター（電力量計）１５を経由して直流配電線３が商用電源１４と繋がっている。このため、電力設備１は、商用電源１４に対する系統連系が可能となっている。 In the power facility 1 of the present embodiment, the DC distribution line 3 is connected to the commercial power supply 14 via the AC / DC converter 12 and the smart meter (electric energy meter) 15. For this reason, the power facility 1 can be connected to the commercial power supply 14.
ＥＭＳ２は、有線ＬＡＮ（Local Area Network）又はその他の通信方式により、通信線１６を介して電力設備１の各種の電力機器と通信可能である。なお、ＥＭＳ２と電力機器との通信は、無線ＬＡＮなどの無線通信であってもよい。
ＥＭＳ２は、複数種類の制御指令Ｅ１〜Ｅ３を電力設備１に含まれる通信可能な電力機器に送信可能である。ＥＭＳ２は、電力設備１の運転状況を示す現在情報Ｓ１を通信可能なそれらの電力機器から受信可能である。
The EMS 2 can communicate with various power devices of the power facility 1 via the communication line 16 by a wired LAN (Local Area Network) or other communication method. Note that the communication between the EMS 2 and the power device may be wireless communication such as a wireless LAN.
The EMS 2 can transmit a plurality of types of control commands E <b> 1 to E <b> 3 to communicable power devices included in the power equipment 1. The EMS 2 can receive the current information S <b> 1 indicating the operation status of the power facility 1 from those power devices that can communicate.
例えば、ＥＭＳ２は、制御指令Ｅ１によって負荷装置４，５が接続されたスマートタップの接続または接続解除することができる。ＥＭＳ２は、消費電力を調整可能な負荷装置４に対しては、制御指令Ｅ１によってその消費電力の調整を行うこともできる。
ＥＭＳ２は、制御指令Ｅ２によって蓄電装置６のＤＣ／ＤＣ変換器１１を接続または接続解除することができる。蓄電装置６のＤＣ／ＤＣ変換器１１には、ＰＷＭ回路が含まれている。
For example, the EMS 2 can connect or disconnect the smart tap to which the load devices 4 and 5 are connected by the control command E1. The EMS 2 can also adjust the power consumption by the control command E1 for the load device 4 capable of adjusting the power consumption.
The EMS 2 can connect or disconnect the DC / DC converter 11 of the power storage device 6 according to the control command E2. The DC / DC converter 11 of the power storage device 6 includes a PWM circuit.
従って、ＥＭＳ２は、制御指令Ｅ２によって上記ＰＷＭ回路のデューティー比を可変に設定することができ、これにより、直流配電線３に接続中の蓄電装置６に対する充電電力又は放電電力を調整することができる。
ＥＭＳ２は、制御指令Ｅ３によって発電装置７，８のＤＣ／ＤＣ変換器１１を接続または接続解除することができる。ＥＭＳ２は、発電量を調整可能な発電装置８に対しては、制御指令Ｅ３によってその発電量の調整を行うこともできる。
Therefore, the EMS 2 can variably set the duty ratio of the PWM circuit according to the control command E2, thereby adjusting the charging power or discharging power for the power storage device 6 connected to the DC distribution line 3. .
The EMS 2 can connect or disconnect the DC / DC converter 11 of the power generation devices 7 and 8 according to the control command E3. EMS2 can also adjust the electric power generation amount with respect to the electric power generating apparatus 8 which can adjust electric power generation amount by control instruction E3.
ＥＭＳ２は、電力設備１に含まれる各種の変換器１０〜１２とスマートタップの接続状況（オン／オフ）、各装置４〜８の稼働状況と電力値などよりなる現在情報Ｓ１を、所定時間（例えば１０分）ごとに収集している。
現在情報Ｓ１には、電力設備１における現時点の電力需要も含まれる。現時点の電力需要は、現時点における受電電力（スマートメーター１５の計測値）と発電電力を合計することによって算出することができる。また、現時点の電力需要は、各負荷装置４，５の現時点の電力消費（稼働実績）を合計することによって算出してもよい。
The EMS 2 displays the current information S1 including the connection status (ON / OFF) between the various converters 10 to 12 and the smart tap included in the power facility 1 and the operation status and power value of each device 4 to 8 for a predetermined time ( For example, every 10 minutes).
The current information S1 includes the current power demand in the power facility 1. The current power demand can be calculated by totaling the received power (measured value of the smart meter 15) and the generated power at the current time. The current power demand may be calculated by summing the current power consumption (actual operation results) of the load devices 4 and 5.
〔エネルギー管理システムの構成〕
図２は、エネルギー管理システム２の構成例を示すブロック図である。
図２に示すように、ＥＭＳ２は、制御装置２１と記憶装置２２とを含むコンピュータ装置によって構成されている。制御装置２１は、ＣＰＵ（Central Processing Unit）等を含む情報処理装置よりなる。記憶装置２２は、ＲＡＭ（Random Access Memory）等よりなるメモリと、ＨＤＤ（Hard Disk Drive）等よりなる大容量記憶部とを有する。
[Configuration of energy management system]
FIG. 2 is a block diagram illustrating a configuration example of the energy management system 2.
As shown in FIG. 2, the EMS 2 is configured by a computer device including a control device 21 and a storage device 22. The control device 21 includes an information processing device including a CPU (Central Processing Unit) and the like. The storage device 22 includes a memory including a RAM (Random Access Memory) and a large capacity storage unit including an HDD (Hard Disk Drive).
ＥＭＳ２を構成するコンピュータ装置には、通信装置２３、入力装置２４及び表示装置２５が接続されている。
通信装置２３は、有線ＬＡＮ、無線ＬＡＮあるいはその他の通信方式によって電力設備１に含まれる各種の電力機器と通信する。入力装置２４は、電力設備１の管理者が操作入力を行うためのマウスやキーボードなどよりなる。表示装置２５は、制御装置２１が出力する画像を管理者に提示するための液晶ディスプレイなどよりなる。
A communication device 23, an input device 24, and a display device 25 are connected to the computer device constituting the EMS 2.
The communication device 23 communicates with various power devices included in the power facility 1 by a wired LAN, a wireless LAN, or other communication methods. The input device 24 includes a mouse, a keyboard, and the like for an administrator of the power facility 1 to perform operation input. The display device 25 includes a liquid crystal display for presenting an image output from the control device 21 to the administrator.
制御装置２１は、記憶装置２２に格納されたコンピュータプログラムを読み出して実行することにより、通信装置２３に対する通信制御、入力装置２４及び表示装置２５に対するデバイス制御、及び後述のエネルギー管理などの各種の制御を行う。
例えば、通信装置２３は、制御装置２１の通信制御に基づき、制御指令Ｅ１〜Ｅ３を電力設備１に含まれる通信可能な電力機器に送信し、電力設備１の運転状況を示す現在情報Ｓ１を電力機器から受信して制御装置２１に転送する。
The control device 21 reads out and executes a computer program stored in the storage device 22, thereby performing various controls such as communication control for the communication device 23, device control for the input device 24 and the display device 25, and energy management described later. I do.
For example, the communication device 23 transmits the control commands E1 to E3 to the communicable power device included in the power facility 1 based on the communication control of the control device 21, and uses the current information S1 indicating the operation status of the power facility 1 as the power. Received from the device and transferred to the control device 21.
通信装置２３は、インターネットなどの公衆通信網に接続されており、公衆通信網に繋がる他のサーバー装置（図示せず）と通信することもできる。
入力装置２４は、制御装置２１の入力に関するデバイス制御に基づき、管理者の操作入力に応じた操作信号を制御装置２１に送信する。
表示装置２５は、制御装置２１の出力に関するデバイス制御に基づき、制御装置２１から入力された静止画又は動画よりなる画像信号を自装置の画面に表示させる。
The communication device 23 is connected to a public communication network such as the Internet, and can communicate with another server device (not shown) connected to the public communication network.
The input device 24 transmits an operation signal corresponding to the operation input of the administrator to the control device 21 based on device control related to the input of the control device 21.
The display device 25 displays an image signal composed of a still image or a moving image input from the control device 21 on the screen of the own device based on device control related to the output of the control device 21.
図２に示すように、ＥＭＳ２の制御装置２１は、電力設備１に対するエネルギー管理に関する機能部分として、発電予測部３１、需要予測部３２、計画演算部３３、及び計画実行部３４を備えている。
発電予測部３１は、気象情報の提供サービスを業とする提供主体（以下、「気象情報提供者」という。）のサーバー装置から取得した気象情報に基づいて、現時点から所定の予測期間だけ先までの自然エネルギー発電装置７の発電量の予測値を算出する。
As shown in FIG. 2, the control device 21 of the EMS 2 includes a power generation prediction unit 31, a demand prediction unit 32, a plan calculation unit 33, and a plan execution unit 34 as functional parts related to energy management for the power equipment 1.
The power generation prediction unit 31 is based on the weather information acquired from the server device of a provider (hereinafter referred to as “meteorological information provider”) who operates a service for providing weather information, from the present time until a predetermined prediction period. The predicted value of the power generation amount of the natural energy power generation device 7 is calculated.
例えば、気象情報提供者がＡＭ６：００に発表する気象情報には、２７時間先までの気象情報が含まれている。
この場合、発電予測部３１は、上記の２７時間分の気象情報に含まれる日射量や風速などに基づいて、２７時間以内の予測期間だけ先までの自然エネルギー発電装置７の発電量の予測値を単位時間（例えば１０分）ごとに算出し、算出した予測値を記憶装置２２に含まれる発電予測用のデータベースＤＢ３に記録する。
For example, weather information provided by a weather information provider at AM 6:00 includes weather information up to 27 hours ahead.
In this case, the power generation prediction unit 31 predicts the power generation amount of the natural energy power generation apparatus 7 for the prediction period of 27 hours or less based on the amount of solar radiation and wind speed included in the 27 hours of weather information. Is calculated every unit time (for example, 10 minutes), and the calculated predicted value is recorded in the power generation prediction database DB3 included in the storage device 22.
需要予測部３２は、過去の需要実績と気象情報に基づいて、電力設備１に含まれる負荷装置４，５における将来の電力需要の予測値を算出する。本実施形態では、需要予測部３２は、「第１処理」→「第２処理」→「第３処理」の順に情報処理を実行して、現時点以降の電力需要の予測値を算出する。なお、これらの情報処理の詳細については後述する。
需要予測部３２は、上記の情報処理により、現時点から所定の予測期間（例えば４８時間）だけ先までの電力需要の予測値を単位時間（例えば１０分）ごとに算出し、算出した予測値を記憶装置２２に含まれる需要予測用のデータベースＤＢ２に記録する。
The demand prediction unit 32 calculates a predicted value of the future power demand in the load devices 4 and 5 included in the power facility 1 based on the past demand record and weather information. In the present embodiment, the demand prediction unit 32 performs information processing in the order of “first process” → “second process” → “third process”, and calculates a predicted value of power demand after the current time. Details of these information processes will be described later.
The demand prediction unit 32 calculates a predicted value of power demand for a predetermined prediction period (for example, 48 hours) from the present time for each unit time (for example, 10 minutes) by the above information processing, and calculates the calculated predicted value. It records in database DB2 for demand prediction contained in storage device 22.
計画演算部３３は、発電予測部３１がデータベースＤＢ３に記録した発電量の予測値と、需要予測部３２がデータベースＤＢ２に記録した電力需要の予測値と、現在情報Ｓ１に含まれる電力機器のステータス情報（状態変数）とを用いて、電力設備１に含まれる各装置４〜８のうちの少なくとも１つの対象装置について、所定の計画期間における運転計画の演算を繰り返し実行する。 The plan calculation unit 33 includes a predicted value of the power generation amount recorded by the power generation prediction unit 31 in the database DB3, a predicted value of power demand recorded by the demand prediction unit 32 in the database DB2, and the status of the power equipment included in the current information S1. Using the information (state variable), the operation plan calculation in a predetermined plan period is repeatedly executed for at least one target device among the devices 4 to 8 included in the power facility 1.
具体的には、計画演算部３３は、現在から未来の所定時間長（例えば４５時間）の計画期間Ｔｐを、予め設定された時間間隔Δｔごとの時刻ステップｔｋ（ｋ＝１〜Ｎ：Ｎ＝Ｔｐ／Δｔ）に区切る。
そして、計画演算部３３は、電力設備１に含まれる電力機器の状態変数（当該装置のオンオフや接続、接続解除、電力量などを表す変数）を、Ｎ次元の時間ステップｔｋ（時間変数）の関係式に展開する。
Specifically, the plan calculation unit 33 sets a plan period Tp having a predetermined time length (for example, 45 hours) from the present to the future in a time step tk (k = 1 to N: N = every preset time interval Δt). (Tp / Δt).
And the plan calculation part 33 makes the state variable (variable showing the ON / OFF of the said apparatus, connection, connection cancellation | release, electric energy etc.) of the electric power equipment contained in the electric power equipment 1 of N-dimensional time step tk (time variable). Expands to a relational expression.
その後、計画演算部３３は、所定の目的関数が最小（または最大）となる各時間ステップｔｋの変数値を求めることにより、電力設備１の各装置４〜８のうちの少なくとも１つについての、時間ステップｔｋごとの運転計画を演算する。
すなわち、運転計画は、所定の計画期間Ｔｐに含まれる時間ステップｔｋごとの、対象装置の運転状態を表す。計画演算部３３による計画演算を行う場合のアルゴリズムは、例えば、線形計画法に代表される数理計画法を用いることができる。
Thereafter, the plan calculation unit 33 obtains a variable value of each time step tk at which the predetermined objective function is minimum (or maximum), thereby at least one of the devices 4 to 8 of the power equipment 1. An operation plan for each time step tk is calculated.
That is, the operation plan represents the operation state of the target device for each time step tk included in the predetermined plan period Tp. For example, mathematical programming represented by linear programming can be used as an algorithm when performing the planning calculation by the plan calculation unit 33.
なお、計画演算部３３は、所定の再計画期間（例えば１５分）ごとに運転計画を繰り返し算出し、算出した運転計画を計画実行部３４に出力する。 The plan calculation unit 33 repeatedly calculates an operation plan every predetermined re-planning period (for example, 15 minutes), and outputs the calculated operation plan to the plan execution unit 34.
計画実行部３４は、計画演算部３３から運転計画が入力されると、その運転計画に基づいて制御指令Ｅ１〜Ｅ３を生成し、通信装置２３を介して制御指令Ｅ１〜Ｅ３を電力設備１の電力機器に送信する。
具体的には、計画実行部３４は、負荷装置４，５の接続または接続解除や消費電力の調整のための制御指令Ｅ１を取得すると、その制御指令Ｅ２を、電力設備１内のスマートタップや、消費電力の調整対象である負荷装置４に送信する。
When the operation plan is input from the plan calculation unit 33, the plan execution unit 34 generates control commands E <b> 1 to E <b> 3 based on the operation plan, and transmits the control commands E <b> 1 to E <b> 3 of the power equipment 1 via the communication device 23. Send to power equipment.
Specifically, when the plan execution unit 34 acquires the control command E1 for connecting or disconnecting the load devices 4 and 5 and adjusting the power consumption, the plan execution unit 34 sends the control command E2 to the smart tap in the power facility 1 or the like. And transmitted to the load device 4 that is the adjustment target of the power consumption.
計画実行部３４は、蓄電装置６の接続または接続解除や充放電電力の調整のための制御指令Ｅ２を取得すると、その制御指令Ｅ２を、蓄電装置６用のＤＣ／ＤＣ変換器１１に送信する。
計画実行部３４は、発電装置７，８の接続または接続解除や発電量の調整のための制御指令Ｅ３を取得すると、その制御指令Ｅ３を、発電装置７，８用のＤＣ／ＤＣ変換器１１や、発電量の調整対象である発電装置８に送信する。
When the plan execution unit 34 acquires a control command E2 for connection or disconnection of the power storage device 6 or adjustment of charge / discharge power, the plan execution unit 34 transmits the control command E2 to the DC / DC converter 11 for the power storage device 6. .
When the plan execution unit 34 acquires the control command E3 for connecting or disconnecting the power generation devices 7 and 8 and adjusting the power generation amount, the plan execution unit 34 uses the control command E3 for the DC / DC converter 11 for the power generation devices 7 and 8. Or, it is transmitted to the power generation device 8 that is the adjustment target of the power generation amount.
計画実行部３４は、計画演算部３３から入力された運転計画を、インターネットなどの公衆通信網を介して管理者のサーバー装置に送信することもできる。
管理者のサーバー装置は、公衆通信網を介して他のコンピュータ端末とも通信可能である。従って、エネルギー管理システム２の管理者（ユーザー）は、他のコンピュータ端末からサーバー装置にアクセスすることにより、計画演算部３３が生成した運転計画の内容を閲覧することができる。
The plan execution unit 34 can also transmit the operation plan input from the plan calculation unit 33 to the server device of the administrator via a public communication network such as the Internet.
The administrator's server device can also communicate with other computer terminals via a public communication network. Therefore, the manager (user) of the energy management system 2 can browse the contents of the operation plan generated by the plan calculation unit 33 by accessing the server device from another computer terminal.
図２に示すように、記憶装置２２には、カレンダー情報ＣＬとデータベースＤＢ１〜ＤＢ３が含まれている。
カレンダー情報ＣＬは、過去から将来に渡る数十年分の年月日データが含まれている。年月日データには、当該年月日がどの曜日であるかの曜日データと、当該年月日が特定日に該当するか否かの特定日データが対応づけられている。
As shown in FIG. 2, the storage device 22 includes calendar information CL and databases DB1 to DB3.
The calendar information CL includes date data for several decades from the past to the future. The day / month / day data is associated with day-of-the-week data indicating which day of the week is the day of the week, and specific date data indicating whether the day / month / day is a specific day.
「特定日」とは、例えば、年末年始、お盆休み、国民の祝日など、特に曜日とは関係なく、電力設備１の負荷装置４，５を非稼働にし得る日のことをいう。
従って、本実施形態のような工場の電力設備１の場合には、工場の事業者が独自に設定した非営業日も特定日に該当する。
The “specific day” refers to a day when the load devices 4 and 5 of the power equipment 1 can be deactivated, regardless of the day of the week, such as the year-end and New Year holidays, Bon holidays, national holidays, and the like.
Therefore, in the case of the power equipment 1 of the factory as in the present embodiment, the non-business day uniquely set by the factory operator also corresponds to the specific day.
データベースＤＢ１は、電力需要の実績値用のデータベース、すなわち、電力設備１における電力需要の実績値（負荷装置４，５の稼働実績値）を、年月日データと対応づけて時系列に蓄積するためのデータベースである。
制御装置２１は、電力設備１における電力需要の実績値を含む現在情報Ｓ１を通信装置２３から取得すると、取得した実績値を、その取得日及び取得時刻と対応づけてデータベースＤＢ１に時系列に格納する。
The database DB1 stores the power demand actual value database, that is, the power demand actual value (the operation actual value of the load devices 4 and 5) in the power equipment 1 in association with the date data in time series. It is a database for.
When the control device 21 acquires the current information S1 including the actual value of power demand in the power facility 1 from the communication device 23, the acquired actual value is stored in time series in the database DB1 in association with the acquisition date and the acquisition time. To do.
データベースＤＢ２は、電力需要の予測値用のデータベース、すなわち、需要予測部３２が算出した電力需要の予測値を、年月日データと対応づけて時系列に蓄積するためのデータベースである。
需要予測部３２は、算出した電力需要の予測値を、その予測日及び予測時刻と対応づけてデータベースＤＢ２に時系列に格納する。このように、電力需要の予測値をデータベースＤＢ２に蓄積すれば、データベースＤＢ１に含まれる同じ年月日の電力需要の実績値と対比することにより、予測値の精度（実績値に対する誤差）を評価することができる。
The database DB2 is a database for predicting a power demand value, that is, a database for storing the predicted power demand value calculated by the demand prediction unit 32 in time series in association with date data.
The demand prediction unit 32 stores the calculated predicted value of power demand in the database DB2 in time series in association with the prediction date and the prediction time. Thus, if the predicted value of power demand is accumulated in the database DB2, the accuracy of the predicted value (error with respect to the actual value) is evaluated by comparing with the actual power demand value of the same date contained in the database DB1. can do.
データベースＤＢ３は、発電量の予測値用のデータベース、すなわち、発電予測部３１が算出した発電量の予測値を、年月日データと対応づけて時系列に蓄積するためのデータベースである。
発電予測部３１は、算出した発電量の予測値を、その予測日及び予測時刻と対応づけてデータベースＤＢ１に時系列に格納する。このように、発電量の予測値をデータベースＤＢ１に蓄積すれば、同じ年月日の発電量の実績値と対比することにより、予測値の精度（実績値に対する誤差）を評価することができる。
The database DB3 is a database for the predicted value of the power generation amount, that is, a database for storing the predicted value of the power generation amount calculated by the power generation prediction unit 31 in time series in association with the date data.
The power generation prediction unit 31 stores the calculated predicted value of the power generation amount in time series in the database DB1 in association with the predicted date and the predicted time. Thus, if the predicted value of the power generation amount is accumulated in the database DB1, the accuracy of the predicted value (error with respect to the actual value) can be evaluated by comparing with the actual value of the power generation amount on the same date.
〔需要実績データの一例〕
図３は、電力設備１における需要実績データの一例を示すグラフである。
具体的には、図３のグラフは、ある大規模工場の電力設備１における、１日の電力需要の実績パターンの一例である。横軸は範囲が１日（２４時間）である時間軸を示し、縦軸は１日における時刻ごとの電力需要（Ｗ）を示す。
[Example of actual demand data]
FIG. 3 is a graph showing an example of demand record data in the power facility 1.
Specifically, the graph of FIG. 3 is an example of a daily power demand performance pattern in the power facility 1 of a large-scale factory. The horizontal axis indicates a time axis whose range is one day (24 hours), and the vertical axis indicates the power demand (W) for each time in one day.
図３（ａ）では、４週間（＝２８日）に含まれるすべての曜日の２８本の需要実績データが、１つの座標に重ねて表示されている。
図３（ｂ）では、図３（ａ）から土曜日、日曜日及び月曜日の需要実績データが除かれており、４週間に含まれる火曜日から金曜日までの１６日分の需要実績データが、１つの座標に重ねて表示されている。
In FIG. 3A, 28 demand record data for all days of the week included in 4 weeks (= 28 days) are displayed superimposed on one coordinate.
In FIG. 3 (b), the demand performance data for Saturday, Sunday and Monday is excluded from FIG. 3 (a), and the demand performance data for 16 days from Tuesday to Friday included in 4 weeks is one coordinate. It is displayed overlaid on.
図３（ａ）及び（ｂ）に示すように、火曜日、水曜日、木曜日及び金曜日の需要実績データは、概ねＭ字状となる点でパターンが類似している。
これに対し、土曜日と日曜日の需要実績データは、全時間帯を通じて電力需要が低い点でパターンが類似している。また、月曜日の需要実績データは、立ち上がり（週明けの朝方）の電力需要が低いが、次第に電力需要が高くなり、午後には他の平日と同様のＭ次状のパターンに近づく傾向がある。
As shown in FIGS. 3A and 3B, the demand performance data on Tuesday, Wednesday, Thursday and Friday are similar in pattern in that they are generally M-shaped.
On the other hand, the actual demand data on Saturday and Sunday have similar patterns in that the power demand is low throughout the time. Further, the actual demand data on Monday has a low power demand at the beginning (in the morning of the beginning of the week), but the power demand gradually increases, and in the afternoon, there is a tendency to approach an M-order pattern similar to other weekdays.
このように、工場の電力設備１において、曜日によって需要実績データの傾向が異なる理由は、工場では、日々の業務（製造機械の稼働など）が曜日を基準としてスケジューリングされることが多いからと考えられる。 As described above, the reason why the trend of the demand record data varies depending on the day of the week in the power equipment 1 of the factory is considered that daily operations (such as operation of the manufacturing machine) are often scheduled on the day of the week in the factory. It is done.
図４は、曜日ごとの需要実績データの相関に関する評価表である。
図４において「二重丸印」は相関が非常に高いことを示し、「丸印」は相関が高いことを示し、「バツ印」は相関が低いことを示す。
図４に示す上記の相関の評価は、図３の場合と同じ需要実績データ、すなわち、大規模工場の電力設備１における１日の需要実績データについて、対比する２つの需要実績データの移動平均値の差分を所定の閾値と対比することによって行われている。
FIG. 4 is an evaluation table regarding the correlation of the demand record data for each day of the week.
In FIG. 4, “double circle” indicates that the correlation is very high, “circle” indicates that the correlation is high, and “cross” indicates that the correlation is low.
The above-described correlation evaluation shown in FIG. 4 is the same as the actual demand data shown in FIG. 3, that is, the daily average demand data in the power facility 1 of the large-scale factory. This is done by comparing the difference between them with a predetermined threshold.
図４の１行目から７行目までの曜日ごとの相関の評価結果を順に説明すると、次の通りである。
月曜日の需要実績データ：
７日前の月曜日の需要実績データとの相関が非常に高い。
６日前の火曜日から１日前の日曜日までの需要実績データとの相関が低い。その理由は、月曜日の場合には、週明けの朝方の電力需要の立ち上がりが悪く、午後からは平日の電力需要に近づくという、他の曜日にはない特性があるからと考えられる。
The correlation evaluation results for each day of the week from the first line to the seventh line in FIG. 4 will be described in order as follows.
Monday demand data:
The correlation with the actual demand data on Monday 7 days ago is very high.
The correlation with the demand record data from Tuesday 6 days ago to Sunday 1 day ago is low. The reason for this is considered to be that, in the case of Monday, power demand rises early in the morning at the beginning of the week, and there is a characteristic that does not exist on other days of the week.
火曜日の需要実績データ：
７日前の火曜日の需要実績データとの相関が非常に高い。
６日前の水曜日から４日前の金曜日までの需要実績データとの相関が高い。
３日前の土曜日から１日前の月曜日までの需要実績データとの相関が低い。
Demand data on Tuesday:
The correlation with the actual demand data on Tuesday 7 days ago is very high.
The correlation with the demand record data from Wednesday 6 days ago to Friday 4 days ago is high.
The correlation with the actual demand data from Saturday three days ago to Monday one day ago is low.
水曜日の需要実績データ：
７日前の水曜日の需要実績データとの相関が非常に高い。
６日前の木曜日から５日前の金曜日までの需要実績データとの相関が高い。１日前の火曜日の需要実績データとの相関が高い。
４日前の土曜日から２日前の月曜日までの需要実績データとの相関が低い。
Wednesday demand data:
The correlation with the demand record data on Wednesday 7 days ago is very high.
There is a high correlation with the actual demand data from Thursday 6 days ago to Friday 5 days ago. The correlation with the actual demand data on Tuesday one day ago is high.
Correlation with demand record data from Saturday 4 days ago to Monday 2 days ago is low.
木曜日の需要実績データ：
７日前の木曜日の需要実績データとの相関が非常に高い。
６日前の金曜日の需要実績データとの相関が高い。２日前の火曜日から１日前の水曜日までの需要実績データとの相関が高い。
５日前の土曜日から３日前の月曜日までの需要実績データとの相関が低い。
Thursday actual demand data:
The correlation with the actual demand data on Thursday 7 days ago is very high.
Correlation with demand data on Friday 6 days ago is high. The correlation with the demand record data from Tuesday two days ago to Wednesday one day ago is high.
Correlation with demand record data from Saturday 5 days ago to Monday 3 days ago is low.
金曜日の需要実績データ：
７日前の金曜日の需要実績データとの相関が非常に高い。
６日前の土曜日の電力需要から４日前の月曜日までの需要実績データとの相関が低い。
３日前の火曜日から１日前の木曜日までの需要実績データとの相関が高い。
Demand data on Friday:
Correlation with demand data on Friday 7 days ago is very high.
The correlation with the power demand data from Saturday 6 days ago to Monday 4 days ago is low.
The correlation with the demand record data from Tuesday three days ago to Thursday one day ago is high.
土曜日の需要実績データ：
７日前の土曜日の需要実績データとの相関が非常に高い。
６日前の日曜日の需要実績データとの相関が高い。
５日前の月曜日から１日前の金曜日までの需要実績データとの相関が低い。
Demand data for Saturday:
The correlation with the actual demand data on Saturday 7 days ago is very high.
The correlation with the demand data on Sunday 6 days ago is high.
Correlation with the actual demand data from Monday 5 days ago to Friday 1 day ago is low.
日曜日の需要実績データ：
７日前の日曜日の需要実績データとの相関が非常に高い。
６日前の月曜日から２日前の金曜日までの需要実績データとの相関が低い。
１日前の土曜日の需要実績データとの相関が高い。
Sunday demand data:
The correlation with the actual demand data on Sunday 7 days ago is very high.
Correlation with the actual demand data from Monday 6 days ago to Friday 2 days ago is low.
The correlation with the actual demand data on Saturday one day ago is high.
〔日種別のグループ分けと設定方法〕
図３に示す需要実績データの一例では、金曜日の需要実績データが他の平日の需要実績データと相関が高くなっている。
しかし、翌日（土曜日）の休業に備えて、週末の金曜日の夕方から製造機械を早めに停止させる工場などの場合には、図３（ｂ）に仮想線で示すように、朝方から午後までは他の平日の需要実績データと類似するが、夕方に電力需要が急激に立ち下がるという、他の曜日にはない特性が生じる場合もある。
[Grouping and setting method by day type]
In the example of the demand record data shown in FIG. 3, the demand record data on Friday is highly correlated with the demand record data on other weekdays.
However, in preparation for the next day (Saturday) holiday, in the case of a factory that shuts down the manufacturing machine early from the evening of the weekend Friday, as shown by the phantom line in FIG. Although it is similar to other weekday demand record data, there may be a characteristic that power demand falls sharply in the evening, which is not found on other days of the week.
以上から、需要実績データに相関が認められる年月日データを曜日に基づいてグループ分けすると、例えば次のようになる。
グループＹ１：休日（土曜日又は日曜日）の年月日データ（ただし、特定日を除く。）
グループＹ２：休日の前日（＝金曜日）の年月日データ
グループＹ３：休日の翌日（＝月曜日）の年月日データ
グループＹ４：平日（＝火曜日から木曜日）の年月日データ
From the above, when the date data on which correlation is recognized in the demand record data is grouped based on the day of the week, for example, the following is obtained.
Group Y1: Date of holiday (Saturday or Sunday) (excluding specific days)
Group Y2: Date data of the day before the holiday (= Friday) Group Y3: Date data of the day after the holiday (= Monday) Group Y4: Date data of the weekday (= Tuesday to Thursday)
ところで、「特定日」は、工場の操業方針によって休業日になる場合もあるし、操業日となる場合もある。特定日が休業日の場合は、特定日の需要実績データは休日（土曜日又は日曜日）の需要実績データと類似し、特定日が操業日の場合は、特定日の需要実績データは平日（火曜日から木曜日）の需要実績データと類似すると考えられる。
そこで、本実施形態では、カレンダー情報ＣＬの特定日データに、各々の特定日をどの曜日と対応付けるかを指定する「対象曜日」の格納領域が含まれている。
By the way, the “specific day” may be a closed day or an operating day depending on the operation policy of the factory. If a specific day is a closed day, the actual demand data is similar to the actual demand data on a holiday (Saturday or Sunday). If the specific day is a business day, the specific day demand actual data is a weekday (from Tuesday It is considered to be similar to the actual demand data on Thursday.
Therefore, in the present embodiment, the specific day data of the calendar information CL includes a storage area of “target day” for designating which day of the week each specific day is associated with.
従って、電力設備１の管理者は、入力装置２４からの設定入力（コンフィグ）より、特定日の「対象曜日」を月曜日から日曜日までのいずれかの曜日に指定することができる。
また、「対象曜日」には、月曜日から日曜日以外の仮想の曜日（ユーザー指定日）を指定することもできる。その理由は、管理者が操業方針を任意に決定できる特定日の場合には、午前中だけ操業して午後から休業とするなど、月曜日から日曜日までの通常日にはない独特の需要実績データとなる場合もあるからである。
Therefore, the manager of the power facility 1 can designate the “target day” of the specific day as any day of the week from Monday to Sunday by setting input (configuration) from the input device 24.
In addition, a virtual day of the week (user specified day) other than Monday through Sunday can be designated as the “target day of the week”. The reason is that, on a specific day when the manager can arbitrarily decide the operation policy, it operates only in the morning and is closed from the afternoon, such as unique demand performance data that is not on a regular day from Monday to Sunday. It is because it may become.
なお、本実施形態において、入力装置２４からの設定入力（コンフィグ）が可能な他の入力情報としては、例えば次のものがある。
「過去対象期間」：電力需要の予測値を算出するために、過去の何時までの期間（例えば２８日）の実績値を用いるかを指定するための入力情報である。
「必要日数」：後述の第１処理において、需要変動パターンを求めるのに必要とする需要実績データの数（例えば４つ）のことである。
In the present embodiment, other input information that can be input from the input device 24 (configuration) includes, for example, the following.
“Past target period”: Input information for designating what past period (for example, 28 days) to use in order to calculate a predicted value of power demand.
“Necessary days”: This is the number (for example, four) of demand record data necessary for obtaining a demand fluctuation pattern in the first process described later.
〔需要予測部の処理内容〕
図５は、需要予測部３２が行う情報処理の内容を示すシーケンス図である。
図５に示すように、需要予測部３２が行う処理は、第１処理（ステップＳ１１〜Ｓ１３）、第２処理（ステップＳ２１〜Ｓ２３）及び第３処理（ステップＳ３１〜Ｓ３３）に大別され、第１処理→第２処理→第３処理の順で実行される。なお、以下において、「予測日」とは、電力需要を予測する現時点を含む年月日のことである。
[Processing of the demand forecasting department]
FIG. 5 is a sequence diagram showing the contents of information processing performed by the demand prediction unit 32.
As shown in FIG. 5, the process performed by the demand prediction unit 32 is roughly divided into a first process (steps S11 to S13), a second process (steps S21 to S23), and a third process (steps S31 to S33). The first process, the second process, and the third process are executed in this order. In the following, the “forecast date” is the date including the current time for forecasting power demand.
（第１処理：基本変動パターンの生成処理）
第１処理は、過去対象期間で指定された期間分の電力需要の実績値を用いて、現時点における電力需要の基本的な変動パターン（以下、「基本変動パターン」という。）を生成する処理である。
需要予測部３２は、所定の処理指令の受信をトリガーとして、第１処理を開始する。この処理指令は、所定の処理周期（例えば１０分）の経過、あるいは計画演算部３３からの処理要求などが含まれる。
(First process: Basic variation pattern generation process)
The first process is a process of generating a basic fluctuation pattern of power demand at the present time (hereinafter referred to as “basic fluctuation pattern”) using the actual value of power demand for the period specified in the past target period. is there.
The demand prediction unit 32 starts the first process with the reception of a predetermined processing command as a trigger. This processing command includes the elapse of a predetermined processing cycle (for example, 10 minutes) or a processing request from the plan calculation unit 33.
上記の処理指令を受信すると、需要予測部３２は、予測日より前の過去対象期間（本実施形態では、この期間を例えば２８日（＝４週間）とする。）に含まれる年月日のうち、予測日と曜日データが同じである年月日についての、電力需要の実績値の時系列データ（＝需要実績データ）を、指定された必要日数分だけデータベースＤＢ１から抽出する（ステップＳ１１）。 When the above processing command is received, the demand prediction unit 32 includes the year / month / day included in the past target period (in the present embodiment, this period is, for example, 28 days (= 4 weeks)) before the prediction date. Among them, the time series data (= demand actual data) of the actual value of the power demand for the date on which the forecast date and the day of the week data are the same is extracted from the database DB1 for the designated required number of days (step S11). .
例えば、指定された必要日数が４日であり、予測日の曜日データが「木曜日」である場合には、需要予測部３２は、過去４週間に含まれる「１週前の木曜日」の需要実績データ、「２週前の木曜日」の需要実績データ、「３週前の木曜日」の需要実績データ、及び「４週前の木曜日」の需要実績データを、データベースＤＢ１から抽出する。 For example, if the specified required number of days is four days and the forecast day data is “Thursday”, the demand forecasting unit 32 demand history of “Thursday before one week” included in the past four weeks. Data, demand result data of “Thursday before 2 weeks”, demand result data of “Thursday before 3 weeks”, and demand result data of “Thursday before 4 weeks” are extracted from the database DB1.
なお、上記の４つの木曜日の中には、「対象曜日」が木曜日に指定された特定日が含まれる場合（例えば、木曜日が国民の祝日であるが操業日である場合）もある。
また、予測日が特定日である場合には、需要予測部３２は、その特定日の「対象曜日」で予め指定された曜日の需要実績データをデータベースＤＢ１から抽出する。このように、本実施形態では、対象曜日に対する曜日の指定により、管理者が特定日を他の曜日と同等に扱うことができる。
In addition, the above four Thursdays may include a specific day in which “target day” is designated as a Thursday (for example, Thursday is a national holiday but an operating day).
When the forecast date is a specific day, the demand prediction unit 32 extracts the actual demand data for the day of the week designated in advance on the “target day” of the specific date from the database DB1. As described above, in the present embodiment, the specific day can be handled in the same manner as other days by specifying the day of the week for the target day.
以下において、抽出された４つの需要実績データを「Ｄｉｊ」（ｉ＝１〜４）と記載する。なお、添え字「ｉ」（＝１〜４）は、４つの需要実績データＤｉｊの識別子であり、添え字「ｊ」は、需要実績データＤｉｊの１日２４時間を所定時間（例えば１０分）ごとに等分した離散時刻の時刻ステップを表す。 Hereinafter, the four demand record data extracted are described as “Dij” (i = 1 to 4). The subscript “i” (= 1 to 4) is an identifier of the four demand record data Dij, and the subscript “j” is 24 hours a day of the demand record data Dij for a predetermined time (for example, 10 minutes). The time step of the discrete time divided equally every time is represented.
需要予測部３２は、抽出した４つの需要実績データＤｉｊ（ｉ＝１〜４）を平均化することにより、時刻ｊごとの需要変動パターンＶｊを算出する（ステップＳ１２）。
すなわち、需要予測部３２は、４つの需要実績データＤ１ｊ，Ｄ２ｊ，Ｄ３ｊ，Ｄ４ｊの時刻ｊにおける平均値を、時刻ｊにおける需要変動パターンＶｊの値とする。もっとも、この統計的処理においては、平均値ではなく、中央値などの他の統計値を採用することにしてもよい。
The demand prediction unit 32 calculates the demand fluctuation pattern Vj for each time j by averaging the four pieces of extracted demand record data Dij (i = 1 to 4) (step S12).
That is, the demand prediction unit 32 sets the average value at time j of the four demand record data D1j, D2j, D3j, and D4j as the value of the demand fluctuation pattern Vj at time j. However, in this statistical process, other statistical values such as the median may be adopted instead of the average value.
次に、需要予測部３２は、需要変動パターンＶｊを現在の電力需要の実績値に連結することにより、基本変動パターンＡｊを算出する（ステップＳ１３）。
図６は、基本変動パターンＡｊの算出方法を示す概念図である。
図６において、ｃ（current）は「現時点」（予測時点）を表し、Ｐｃは現時点ｃにおける電力需要の実績値を表す。Ｖｃは、需要変動パターンＶｊにおける現時点ｃのデータ値を表す。
Next, the demand prediction unit 32 calculates the basic fluctuation pattern Aj by connecting the demand fluctuation pattern Vj to the actual value of the current power demand (step S13).
FIG. 6 is a conceptual diagram showing a method for calculating the basic variation pattern Aj.
In FIG. 6, c (current) represents “current time” (predicted time), and Pc represents the actual value of power demand at the current time c. Vc represents the data value at the current time point c in the demand fluctuation pattern Vj.
需要予測部３２は、現時点ｃの実績値Ｐｃとこれに対応するデータ値Ｖｃとの差分ΔＰｃを算出し、算出した差分ΔＰｃを各時刻ｊの需要変動パターンＶｊに加算することにより、基本変動パターンＡｊを算出する。
なお、基本変動パターンＡｊの算出処理（ステップＳ１３）は、現時点ｃの実績値Ｐｃとこれに対応するデータ値Ｖｃとの比率を算出し、算出した比率を各時刻ｊの需要変動パターンＶｊに乗算する処理であってもよい。
The demand prediction unit 32 calculates a difference ΔPc between the actual value Pc at the current point c and the data value Vc corresponding thereto, and adds the calculated difference ΔPc to the demand fluctuation pattern Vj at each time j, thereby obtaining the basic fluctuation pattern. Aj is calculated.
In the basic fluctuation pattern Aj calculation process (step S13), the ratio between the actual value Pc at the current point c and the data value Vc corresponding thereto is calculated, and the demand fluctuation pattern Vj at each time j is multiplied by the calculated ratio. It may be a process to do.
（第１処理の効果）
上述の通り、需要予測部３２は、予測日と同じ曜日の過去日の需要実績データを平均化した需要変動パターンＶｊを生成し、生成した需要変動パターンＶｊを現時点の実績値に連結して基本変動パターンＡｊを算出するので、基本変動パターンＡｊを簡単に算出することができる。このため、膨大なデータから気象パターンを探索したり、重回帰モデルを使用したりする従来装置に比べて、低い処理コストで電力需要を予測でき、より低コストで実装することができる。
(Effect of the first treatment)
As described above, the demand prediction unit 32 generates a demand fluctuation pattern Vj obtained by averaging the demand actual data on the past day of the same day as the forecast date, and connects the generated demand fluctuation pattern Vj to the current actual value. Since the fluctuation pattern Aj is calculated, the basic fluctuation pattern Aj can be easily calculated. For this reason, compared with the conventional apparatus which searches a weather pattern from huge data, or uses a multiple regression model, an electric power demand can be estimated at a low processing cost, and it can implement at lower cost.
また、本実施形態の制御装置２１では、特定日がどの曜日に対応するかの設定入力を管理者が入力装置２４を用いて行うことができる。
このため、特定日を休業日にする場合は土曜日又は日曜日に指定し、特定日を操業日とする場合は火曜日などの平日に指定するなど、需要実績データが類似しそうな曜日を特定日に指定することができ、電力設備１の実態に即した柔軟な運用を行うことができる。
Further, in the control device 21 of the present embodiment, the administrator can perform setting input as to which day of the week a specific day corresponds using the input device 24.
For this reason, if a specific day is a holiday, specify it on Saturday or Sunday, and if the specific day is an operation day, specify it on a weekday such as Tuesday, etc. It is possible to perform flexible operation in accordance with the actual state of the power facility 1.
ところで、電力設備１における現時点ｃの電力需要の実績値Ｐｃは、時々刻々と変動するので、その実績値Ｐｃは何らかの急激な変動が生じた時の実績値である可能性がある。
この点、第１処理では、需要変動パターンＶｊを現時点ｃの実績値Ｐｃに単純に連結しているので、連結後の基本変動パターンＡｊの極値（最大値と最小値）には、現時点ｃの実績値Ｐｃの変動分だけ比較的大きい誤差が生じている可能性がある。
By the way, since the actual value Pc of the power demand at the present time c in the electric power facility 1 fluctuates every moment, there is a possibility that the actual value Pc is an actual value when some sudden fluctuation occurs.
In this regard, in the first process, the demand fluctuation pattern Vj is simply connected to the actual value Pc at the current time c, so that the extreme value (maximum value and minimum value) of the basic fluctuation pattern Aj after the connection is the current value c. There may be a relatively large error corresponding to the fluctuation of the actual value Pc.
（第２処理：極値補正パターンの生成処理）
そこで、基本変動パターンＡｊの極値（最大値と最小値）に生じているかも知れない誤差を極力少なくするため、需要予測部３２は、予測する電力需要の極値がより正確な極値となるように基本変動パターンＡｊを補正することにより、極値補正パターンＢｊを生成する。図７は、極値補正パターンＢｊの算出方法を示す概念図である。
(Second process: extreme value correction pattern generation process)
Therefore, in order to minimize errors that may occur in the extreme values (maximum value and minimum value) of the basic fluctuation pattern Aj, the demand prediction unit 32 determines that the extreme value of the predicted power demand is more accurate. The extreme value correction pattern Bj is generated by correcting the basic variation pattern Aj so as to be. FIG. 7 is a conceptual diagram showing a method for calculating the extreme value correction pattern Bj.
図７において、Ｂｍａｘは、直近の過去数日間（例えば３日間）の電力需要の実績値の平均最大値であり、Ｂｍｉｎは、直近の過去数日間（例えば３日間）の電力需要の実績値の平均最小値である。
図７に示すように、第２処理は、基本変動パターンＡｊの極値が、直近の過去数日間の電力需要の極値（最大値と最小値）と一致するように、基本変動パターンＡｊを補正することで、極値補正パターンＢｊを生成する処理である。
In FIG. 7, Bmax is the average maximum value of the actual power demand values for the last few days (for example, three days), and Bmin is the actual power demand value for the most recent past days (for example, three days). The average minimum value.
As shown in FIG. 7, the second process is to change the basic fluctuation pattern Aj so that the extreme value of the basic fluctuation pattern Aj coincides with the extreme value (maximum value and minimum value) of the power demand in the last few days. This is a process of generating an extreme value correction pattern Bj by correcting.
ここで、予測日の電力需要の最大値と最小値は、直近の過去数日間の電力需要の実績値の最大値と最小値の傾向（トレンド）に適合するものと考えられる。すなわち、予測日の電力需要は、極値に関しては直近数日間の傾向（トレンド）と概ね一致すると考えるのが合理的である。
従って、第２処理では、予測日と類似の傾向を示す直近の過去３日間の電力需要の最大値と最小値を用いて、基本変動パターンＡｊを補正する。
Here, it is considered that the maximum value and the minimum value of the power demand on the forecast date are adapted to the trend (trend) of the maximum value and the minimum value of the actual value of the power demand in the past few days. In other words, it is reasonable to assume that the power demand on the forecast date is approximately the same as the trend for the most recent days regarding the extreme value.
Therefore, in the second process, the basic fluctuation pattern Aj is corrected using the maximum value and the minimum value of the power demand for the last three days that show a tendency similar to the forecast date.
もっとも、例えば予測日が月曜日である場合には、前日の日曜日の電力需要が予測日（月曜日）の電力需要と大きく異なることは明らかである。
従って、直近の過去３日間と言っても、単純に連続した３日分の電力需要の実績値を使用することはできず、直近の過去３日間の実績値の選択は、予測日と需要実績データの傾向が同じグループＹ１〜Ｙ４である曜日から選択する必要がある。
However, for example, when the forecast date is Monday, it is clear that the power demand on the previous Sunday is significantly different from the power demand on the forecast date (Monday).
Therefore, even if it is the last three past days, it is not possible to simply use the actual power demand values for three consecutive days. It is necessary to select from the days of the week whose data trends are the same groups Y1 to Y4.
図５に戻り、需要予測部３２は、第２処理において、まず、予測日と同一グループＹ１〜Ｙ４の中から直近の過去３日間を選択し、その３日間分の電力需要の実績値の最大値と最小値を抽出する（ステップＳ２１）。 Returning to FIG. 5, in the second process, the demand prediction unit 32 first selects the last three days in the same group Y1 to Y4 that are the same as the prediction date, and the maximum of the actual value of the power demand for the three days. A value and a minimum value are extracted (step S21).
例えば、予測日が日曜日（＝グループＹ１）である場合には、需要予測部３２は、直近過去３日として、予測日の前日の土曜日と、予測日の前週の日曜日と、この前日の土曜日とを選択する。
また、予測日が金曜日（＝グループＹ２）である場合には、需要予測部３２は、直近過去３日として、予測日の前週の金曜日と、その前週の金曜日と、更にその前週の金曜日とを選択する。
For example, when the forecast date is Sunday (= group Y1), the demand forecasting unit 32 sets the last three days as the previous day, the Saturday the day before the forecast date, the Sunday the week before the forecast date, and the Saturday of the previous day. Select.
When the forecast date is Friday (= group Y2), the demand forecasting unit 32 determines the last three days of the previous week, the previous week's Friday, the previous week's Friday, and the previous week's Friday. select.
更に、予測日が月曜日（＝グループＹ３）である場合には、需要予測部３２は、直近過去３日として、予測日の前週の月曜日と、その前週の月曜日と、更にその前週の月曜日とを選択する。
また、予測日が木曜日（＝グループＹ４）である場合には、需要予測部３２は、直近過去３日として、予測日の前日の水曜日と、その前日の火曜日と、予測日の前週の木曜日とを選択する。
Furthermore, when the forecast date is Monday (= group Y3), the demand forecasting unit 32 calculates the last three days of the previous week, the previous week Monday, the previous week Monday, and the previous week Monday. select.
When the forecast date is Thursday (= group Y4), the demand forecasting unit 32 sets the last three days as Wednesday, the day before the forecast date, Tuesday the day before, the Thursday the week before the forecast date, Select.
次に、需要予測部３２は、抽出した同じグループＹ１〜Ｙ４についての直近過去３日分の最大値及び最小値を、所定の重みを付けて平均化することにより、電力需要の平均最大値Ｂｍａｘと平均最小値Ｂｍｉｎを算出する（ステップＳ２２）。
上記の重み付け平均に用いる重みは、直近ほど大きくなる値、例えば直近から順に６：３：１となるように設定されている。その理由は、直近の極値データほど、予測日の極値データの傾向をより正確に反映していると考えられるからである。
Next, the demand prediction unit 32 averages the maximum value and the minimum value for the last three days of the same group Y1 to Y4 extracted with a predetermined weight, thereby averaging the average maximum value Bmax of power demand. And an average minimum value Bmin are calculated (step S22).
The weight used for the above-mentioned weighted average is set so as to become a value that increases as it is closest, for example, 6: 3: 1 in order from the latest. The reason is that the latest extreme value data is considered to reflect the trend of extreme value data on the forecast date more accurately.
例えば、直近過去３日分の最大値を、直近から順にＢｍａｘ１、Ｂｍａｘ２及びＢｍａｘ３とし、直近過去３日分の最小値を、直近から順にＢｍｉｎ１、Ｂｍｉｎ２及びＢｍｉｎ３とする。
そして、それらの極値に適用する重みをそれぞれα１、α２及びα３（α１＞α２＞α３）とすると、需要予測部３２は、次の式を用いて需要実績の平均最大値Ｂｍａｘと平均最小値Ｂｍｉｎを算出する。
For example, the maximum values for the last three days are set to Bmax1, Bmax2, and Bmax3 in order from the latest, and the minimum values for the latest three days are set to Bmin1, Bmin2, and Bmin3 in order from the latest.
Then, assuming that the weights applied to these extreme values are α1, α2 and α3 (α1>α2> α3), the demand prediction unit 32 uses the following formula to calculate the average maximum value Bmax and the average minimum value of the demand results. Bmin is calculated.
Ｂｍａｘ＝（α１・Ｂｍａｘ１＋α２・Ｂｍａｘ２＋α３・Ｂｍａｘ３）
／（α１＋α２＋α３）
Ｂｍｉｎ＝（α１・Ｂｍｉｎ１＋α２・Ｂｍｉｎ２＋α３・Ｂｍｉｎ３）
／（α１＋α２＋α３）
Bmax = (α1 · Bmax1 + α2 · Bmax2 + α3 · Bmax3)
/ (Α1 + α2 + α3)
Bmin = (α1 · Bmin1 + α2 · Bmin2 + α3 · Bmin3)
/ (Α1 + α2 + α3)
次に、需要予測部３２は、平均最大値Ｂｍａｘと平均最小値Ｂｍｉｎから求めた補正量ΔＡを基本変動パターンＡｊに加算することにより、極値補正パターンＢｊを算出する（ステップＳ２３）。
図８は、基本変動パターンＡｊとその補正量ΔＡの関係を示すグラフである。
図８のグラフにおいて、横軸は基本変動パターンＡｊであり、縦軸は基本変動パターンＡｊに適用する補正量ΔＡである。また、Ａｍａｘ及びＡｍｉｎは、それぞれ基本変動パターンＡｊの最大値と最小値である。
Next, the demand prediction unit 32 calculates the extreme value correction pattern Bj by adding the correction amount ΔA obtained from the average maximum value Bmax and the average minimum value Bmin to the basic variation pattern Aj (step S23).
FIG. 8 is a graph showing the relationship between the basic fluctuation pattern Aj and its correction amount ΔA.
In the graph of FIG. 8, the horizontal axis is the basic fluctuation pattern Aj, and the vertical axis is the correction amount ΔA applied to the basic fluctuation pattern Aj. Amax and Amin are the maximum value and the minimum value of the basic variation pattern Aj, respectively.
図８に示すように、本実施形態では、補正量ΔＡの算出式を次の一次式によって定義している。
ΔＡ＝ａ×Ａｊ＋ｂ
ここで、補正量ΔＡの一次式の傾きａは、ＢｍａｘとＢｍｉｎの差分をＡｍａｘとＡｍｉｎの差分で割った値であり、線形式の切片ｂは、補正量ΔＡの一次式が縦軸（＝ΔＡ）と交差する値である。
As shown in FIG. 8, in the present embodiment, the calculation formula for the correction amount ΔA is defined by the following linear expression.
ΔA = a × Aj + b
Here, the slope a of the linear expression of the correction amount ΔA is a value obtained by dividing the difference between Bmax and Bmin by the difference between Amax and Amin, and the linear intercept b is expressed by the vertical axis (= It is a value that intersects ΔA).
需要予測部３２は、ＡｍｉｎからＡｍａｘまでの範囲に含まれる基本変動パターンＡｊの値を上記の一次式に代入して補正量ΔＡを求め、求めた補正量ΔＡを元の基本変動パターンＡｊに加算して、極値補正パターンＢｊを算出する。
従って、補正量ΔＡの算出式は、基本変動パターンＡｊの最大値Ａｍａｘが平均最大値ΔＢｍａｘと一致し、かつ、基本変動パターンＡｊの最小値Ａｍａｘが平均最小値ΔＢｍｉｎと一致するように、基本変動パターンＡｊの各時刻ｊに補正量を比例配分するための式である。
The demand prediction unit 32 substitutes the value of the basic fluctuation pattern Aj included in the range from Amin to Amax into the linear expression to obtain the correction amount ΔA, and adds the obtained correction amount ΔA to the original basic fluctuation pattern Aj. Then, an extreme value correction pattern Bj is calculated.
Therefore, the calculation formula for the correction amount ΔA is such that the maximum value Amax of the basic variation pattern Aj matches the average maximum value ΔBmax, and the minimum value Amax of the basic variation pattern Aj matches the average minimum value ΔBmin. This is an equation for proportionally distributing the correction amount to each time j of the pattern Aj.
（第２処理の効果）
上述の通り、需要予測部３２は、現時点から過去の直近数日（本実施形態では３日）についての需要実績データの最大値Ｂｍａｘ１，Ｂｍａｘ２，Ｂｍａｘ３及び最小値Ｂｍｉｎ１，Ｂｍｉｎ２，Ｂｍｉｎ３を用いて、基本変動パターンＡｊを補正するので、現時点ｃの実績値に大きな変動があることによって発生し得る、基本変動パターンＡｊの最大値Ａｍａｘと最小値Ａｍｉｎの誤差を極力抑えることができ、電力需要の予測精度を向上することができる。
(Effect of the second treatment)
As described above, the demand prediction unit 32 uses the maximum values Bmax1, Bmax2, Bmax3 and the minimum values Bmin1, Bmin2, Bmin3 of the demand performance data for the past few days (3 days in the present embodiment) from the present time, Since the basic fluctuation pattern Aj is corrected, an error between the maximum value Amax and the minimum value Amin of the basic fluctuation pattern Aj, which may occur when there is a large fluctuation in the actual value at the present time c, can be suppressed as much as possible, and power demand can be predicted. Accuracy can be improved.
また、需要予測部３２が、現時点ｃから過去の直近数日（本実施形態では３日）を、需要実績データに相関が認められる同じグループＹ１〜Ｙ４の中から選択するので、相関が高い需要実績データのみから需要変動パターンＶｊを生成することができる。
このため、連続する直近数日の需要実績データを無条件で選択する場合に比べて、電力需要の予測精度を向上することができる。
In addition, since the demand prediction unit 32 selects the last few days in the past from the present c (3 days in the present embodiment) from the same groups Y1 to Y4 in which correlation is recognized in the actual demand data, demand with high correlation The demand fluctuation pattern Vj can be generated only from the actual data.
For this reason, the prediction accuracy of power demand can be improved as compared with the case of selecting demand condition data for the last few consecutive days unconditionally.
ところで、一般に、夏の暑い日には冷房のための電力需要が増加し、冬の寒い日は暖房のための電力需要が増加する。
この点、第２処理は、上記の通り、現時点ｃにおいて実績値Ｐｃに急変動が生じていたかも知れないことを考慮して、基本変動パターンＡｊを補正する処理である。従って、第２処理を行うだけでは、気温の急変による冷房や暖房などによる電力需要の増減を、電力需要の予測値に反映することができない。
By the way, generally, the power demand for cooling increases on a hot summer day, and the power demand for heating increases on a cold winter day.
In this regard, the second process is a process of correcting the basic variation pattern Aj in consideration of the fact that the actual value Pc may have suddenly changed at the current point c as described above. Therefore, simply by performing the second process, the increase or decrease in power demand due to cooling or heating due to a sudden change in temperature cannot be reflected in the predicted value of power demand.
（第３処理：温度補正パターンの生成処理）
そこで、気温の急変に伴う電力需要の変動を電力需要の予測値に反映させるため、需要予測部３２は、気温変動による電力需要の補正量を極値補正パターンＢｊに加算することにより、温度補正パターンＣｊを生成する。図９は、温度補正パターンＣｊの算出方法を示す概念図である。
(Third process: temperature correction pattern generation process)
Therefore, in order to reflect the fluctuation in the power demand accompanying the sudden change in the temperature in the predicted value of the power demand, the demand prediction unit 32 adds the correction amount of the power demand due to the temperature fluctuation to the extreme value correction pattern Bj, thereby correcting the temperature. A pattern Cj is generated. FIG. 9 is a conceptual diagram showing a method for calculating the temperature correction pattern Cj.
図９において、「予想気温」は、前述の気象情報に含まれる予測日の予想気温であり、「実績気温」は、過去４週間における予測日と同じ曜日の気温の平均値である。また、ｔｍａｘは、極値変動パターンＢｊが最大値となる時刻（最大需要時刻）であり、ΔＴは、最大需要時刻における予想気温と実績気温の温度差である。
図９に示すように、第３処理は、上記の温度差ΔＴに基づいて、各時刻ｊに割り振る予測値の補正量ΔＰｔを算出し、その補正量ΔＰｔを補正変動パターンＢｊに加算して温度補正パターンＣｊを算出するものである。
In FIG. 9, “expected temperature” is the predicted temperature of the predicted date included in the aforementioned weather information, and “actual temperature” is the average value of the temperatures on the same day of the week as the predicted date in the past four weeks. Further, tmax is a time (maximum demand time) when the extreme value fluctuation pattern Bj becomes the maximum value, and ΔT is a temperature difference between the predicted temperature and the actual temperature at the maximum demand time.
As shown in FIG. 9, the third process calculates a correction amount ΔPt of a predicted value to be allocated at each time j based on the temperature difference ΔT, and adds the correction amount ΔPt to the correction fluctuation pattern Bj. The correction pattern Cj is calculated.
図５に戻り、需要予測部３２は、第３処理において、まず、極値補正パターンＢｊの最大需要時ｔｍａｘの予想気温と、過去４週間における予測日と同じ曜日の同時刻ｔｍａｘの気温の平均値との温度差ΔＴを算出する（ステップＳ３１）。
次に、需要予測部３２は、予め求めた相関関係（図１０）に上記の温度差ΔＴを適用して、最高気温時の補正量である「基準補正量」を求める（ステップＳ３２）。
Returning to FIG. 5, in the third process, the demand prediction unit 32 first calculates an average of the predicted temperature at the maximum demand time tmax of the extreme value correction pattern Bj and the temperature at the same time tmax on the same day of the week as the predicted date in the past four weeks. A temperature difference ΔT from the value is calculated (step S31).
Next, the demand prediction unit 32 obtains a “reference correction amount”, which is a correction amount at the highest temperature, by applying the temperature difference ΔT to the correlation (FIG. 10) obtained in advance (step S32).
図１０は、１日における気温と最大需要の相関の一例を示すグラフである。
図１０に示すように、本実施形態では、電力設備１の１日における気温と最大需要の相関について多数の実測データが得られているものとする。
そして、１８度未満の低温域、１８度以上２８度未満の中温域、及び２８度以上の高温域において、それぞれ線形関係式が決定されている。
FIG. 10 is a graph showing an example of the correlation between the temperature and the maximum demand in one day.
As shown in FIG. 10, in the present embodiment, it is assumed that a lot of actual measurement data is obtained for the correlation between the daily temperature of the power equipment 1 and the maximum demand.
Linear relational expressions are determined in a low temperature range of less than 18 degrees, a medium temperature range of 18 degrees or more and less than 28 degrees, and a high temperature range of 28 degrees or more.
そこで、需要予測部３２は、上記の線形関係式の傾きを温度差ΔＴに乗算して、最大気温時における電力需要の予測値の補正量ΔＰｔである「基準補正量」を算出する。
例えば、温度差ΔＴが低温域にある場合には、需要予測部３２は、低温域の線形関係式の傾きを温度差ΔＴに乗算することにより、基準補正量を算出する。また、温度差ΔＴが中温域にある場合には、需要予測部３２は、中温域の線形関係式の傾きを温度差ΔＴに乗算することにより、基準補正量を算出する。
Therefore, the demand prediction unit 32 calculates the “reference correction amount” that is the correction amount ΔPt of the predicted value of the power demand at the maximum temperature by multiplying the temperature difference ΔT by the slope of the above linear relational expression.
For example, when the temperature difference ΔT is in the low temperature range, the demand prediction unit 32 calculates the reference correction amount by multiplying the temperature difference ΔT by the slope of the linear relational expression in the low temperature range. When the temperature difference ΔT is in the middle temperature range, the demand prediction unit 32 calculates the reference correction amount by multiplying the temperature difference ΔT by the slope of the linear relational expression in the middle temperature range.
次に、需要予測部３２は、極値補正パターンＢｊの各時刻ｊに適用する補正量ΔＰｔを、次の式によって基準補正量から算出し、算出した補正量ΔＰｔを極値補正パターンＢｊに加算することにより、温度補正パターンＣｊを算出する（ステップＳ３３）。
補正量ΔＰｔ
＝基準補正量×（予測開始からの時間）／（最低気温から最高気温時間までの時間）
Next, the demand prediction unit 32 calculates the correction amount ΔPt applied to each time j of the extreme value correction pattern Bj from the reference correction amount by the following formula, and adds the calculated correction amount ΔPt to the extreme value correction pattern Bj. Thus, the temperature correction pattern Cj is calculated (step S33).
Correction amount ΔPt
= Standard correction amount x (Time from start of prediction) / (Time from minimum temperature to maximum temperature time)
第３処理によって得られた温度補正パターンＣｊは、需要予測部３２が生成する最終の予測値である。
従って、需要予測部３２は、第３処理によって温度補正パターンＣｊを算出すると、算出した温度補正パターンＣｊをデータベースＤＢ２に記録し、処理を終了する。
The temperature correction pattern Cj obtained by the third process is a final predicted value generated by the demand prediction unit 32.
Accordingly, when the temperature prediction pattern Cj is calculated by the third process, the demand prediction unit 32 records the calculated temperature correction pattern Cj in the database DB2, and ends the process.
なお、図５に示すシーケンスでは、第１処理→第２処理→第３処理の順で処理を進行しているが、第１処理→第３処理→第２処理の順で処理を進行してもよい。
この場合、基本変動パターンＡｊに第３処理の温度補正が先に行われてから第２処理が実行されるので、第３処理によって得られた温度補正パターンＣｊに対して第２処理が行われ、最終の予測値として極値補正パターンＢｊが得られることになる。
In the sequence shown in FIG. 5, the process proceeds in the order of the first process → the second process → the third process, but the process proceeds in the order of the first process → the third process → the second process. Also good.
In this case, since the second process is performed after the temperature correction of the third process is first performed on the basic variation pattern Aj, the second process is performed on the temperature correction pattern Cj obtained by the third process. The extreme value correction pattern Bj is obtained as the final predicted value.
（第３処理の効果）
上述の通り、需要予測部３２は、最大の電力需要が予測される時刻ｔｍａｘの予想気温と、過去日の同じ時刻ｔｍａｘの気温の平均値との温度差ΔＴとに基づいて、基本変動パターンＡｊに適用する電力需要の補正量ΔＰｔを算出するので、気温の急変による電力需要の増加を電力需要の予測値に反映することができ、電力需要の予測精度を向上することができる。
(Effect of the third treatment)
As described above, the demand prediction unit 32 determines the basic fluctuation pattern Aj based on the temperature difference ΔT between the predicted temperature at the time tmax at which the maximum power demand is predicted and the average temperature at the same time tmax in the past. Since the correction amount ΔPt of the power demand to be applied to is calculated, an increase in the power demand due to a sudden change in temperature can be reflected in the predicted value of the power demand, and the prediction accuracy of the power demand can be improved.
上述の第３処理では、最大需要時刻ｔｍａｘにおける予測気温と実績気温の温度差ΔＴから補正量ΔＰｔを算出しているが、最大需要時刻ｔｍａｘは、ある程度の時間幅（例えば数十分）を持った時間帯であってもよい。
すなわち、第３処理に用いる予測気温と実績気温の温度差ΔＴは、極地補正パターンＢｊの最大値を含む所定の時間幅を有する時間帯における、予測気温と実績気温の温度差であってもよい。
In the third process described above, the correction amount ΔPt is calculated from the temperature difference ΔT between the predicted temperature and the actual temperature at the maximum demand time tmax. The maximum demand time tmax has a certain time width (for example, several tens of minutes). It may be a different time zone.
That is, the temperature difference ΔT between the predicted temperature and the actual temperature used in the third process may be a temperature difference between the predicted temperature and the actual temperature in a time zone having a predetermined time width including the maximum value of the polar correction pattern Bj. .
また、上述の第３処理において、最大需要時刻ｔｍａｘや最大需要となる時間帯における予測気温と実績気温の温度差ΔＴではなく、予測日において予想される最高気温又は最低気温と実績気温の温度差から補正量ΔＰｔを算出することにしてもよい。
すなわち、第３処理に用いる予測気温と実績気温の温度差ΔＴは、予測日において最高気温又は最低気温となることが予想される時刻又は時間帯における、予想気温と実績気温との温度差であってもよい。
Further, in the third process described above, the temperature difference between the predicted maximum temperature or the minimum temperature and the actual temperature is not the temperature difference ΔT between the predicted temperature and the actual temperature in the maximum demand time tmax or the time period when the maximum demand is reached. From this, the correction amount ΔPt may be calculated.
That is, the temperature difference ΔT between the predicted temperature and the actual temperature used in the third process is the temperature difference between the predicted temperature and the actual temperature at the time or time period when the highest temperature or the lowest temperature is expected on the predicted date. May be.
〔第１の変形例〕
上述の実施形態では、ＥＭＳ２の制御装置２１が需要予測機能（需要予測部３２）を備える場合を例示したが、需要予測部３２を電力設備１に含まれる通信可能な別の装置に組み込むことにしてもよい。
例えば、需要予測部３２は、図１に示すスマートメーター１５の制御装置（図示せず）に設けることにしてもよい。また、需要予測部３２は、図１に示す蓄電装置６の制御装置（図示せず）に設けることにしてもよい。
[First Modification]
In the above-described embodiment, the case where the control device 21 of the EMS 2 includes the demand prediction function (demand prediction unit 32) is illustrated, but the demand prediction unit 32 is incorporated in another communicable device included in the power facility 1. May be.
For example, the demand prediction unit 32 may be provided in a control device (not shown) of the smart meter 15 shown in FIG. Moreover, you may decide to provide the demand estimation part 32 in the control apparatus (not shown) of the electrical storage apparatus 6 shown in FIG.
〔その他の変形例〕
今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内での全ての変更が含まれることが意図される。
[Other variations]
The embodiment disclosed this time should be considered as illustrative in all points and not restrictive. The scope of the present invention is defined by the terms of the claims, and is intended to include any modifications within the scope and meaning equivalent to the terms of the claims.
例えば、上述の実施形態では、工場の電力設備１の電力需給を管理するＥＭＳ２（ＦＥＭＳ：Factory Energy Management System）の制御装置２が、需要予測部３２を備える場合を例示したが、需要予測部３２は、例えば、下記に示す他の種類のＥＭＳに採用することにしてもよい。
ＢＥＭＳ（Building Energy Management System）
ＭＥＭＳ（Mansion Energy Management System）
For example, in the above-described embodiment, the case where the control device 2 of the EMS 2 (FEMS: Factory Energy Management System) that manages the power supply and demand of the power equipment 1 in the factory includes the demand prediction unit 32 is exemplified. May be adopted in other types of EMS shown below, for example.
BEMS (Building Energy Management System)
MEMS (Mansion Energy Management System)
また、ＥＭＳ２が電力需給を管理する電力設備１の最小構成としては、商用電源１４に連系されていることを前提として、少なくとも負荷装置４，５と蓄電装置６を含むものであればよく、発電装置７，８を含まない電力設備１であってもよい。 In addition, as a minimum configuration of the power equipment 1 in which the EMS 2 manages power supply and demand, as long as it includes at least the load devices 4 and 5 and the power storage device 6 on the assumption that the power equipment 1 is linked to the commercial power supply 14, The power equipment 1 may not include the power generation devices 7 and 8.
１ 電力設備
２ エネルギー管理システム（ＥＭＳ）
３ 直流配電線
４ 調整型の負荷装置
５ 非調整型の負荷装置
６ 蓄電装置
７ 自然エネルギー発電装置
８ 非常用の発電装置
１０ ＤＣ／ＡＣ変換器
１１ ＤＣ／ＤＣ変換器
１２ ＡＣ／ＤＣ変換器
１３ 電力線
１４ 商用電源
１５ スマートメーター（電力量計）
１６ 通信線
２１ 制御装置（制御部）
２２ 記憶装置（記憶部）
２３ 通信装置
２４ 入力装置
２５ 表示装置
３１ 発電予測部
３２ 需要予測部
３３ 計画演算部
３４ 計画実行部
ＣＬ カレンダー情報
ＤＢ１ データベース
ＤＢ２ データベース
ＤＢ３ データベース
1 Electric power equipment 2 Energy management system (EMS)
Reference Signs List 3 DC distribution line 4 Adjustable load device 5 Non-adjustable load device 6 Power storage device 7 Natural energy power generator 8 Emergency power generator 10 DC / AC converter 11 DC / DC converter 12 AC / DC converter 13 Power line 14 Commercial power supply 15 Smart meter (power meter)
16 Communication line 21 Control device (control unit)
22 Storage device (storage unit)
23 communication device 24 input device 25 display device 31 power generation prediction unit 32 demand prediction unit 33 plan calculation unit 34 plan execution unit CL calendar information DB1 database DB2 database DB3 database
Claims (11)
前記電力需要の実績値の時系列データである需要実績データを記憶する記憶部と、
予測日と同じ曜日の過去日の前記需要実績データから需要変動パターンを生成し、生成した前記需要変動パターンを現時点の実績値に連結して、現時点以後の前記電力需要の予測パターンである基本変動パターンを算出する制御部と、を備える需要予測装置。 An apparatus for predicting the power demand of power equipment,
A storage unit that stores demand result data that is time-series data of the actual value of the power demand;
A basic fluctuation which is a prediction pattern of the power demand after the present time by generating a demand fluctuation pattern from the demand actual data of the past day of the same day as the forecast date, and connecting the generated demand fluctuation pattern to a current actual value. A demand prediction apparatus comprising: a control unit that calculates a pattern.
前記電力需要の実績値の時系列データである需要実績データを記憶する記憶部、及び、
予測日と同じ曜日の過去日の前記需要実績データから需要変動パターンを生成し、生成した需要変動パターンを現時点の実績値と連結して、現時点以後の前記電力需要の予測パターンである基本変動パターンを算出する制御部、として機能させるコンピュータプログラム。 A computer program for causing a computer to execute a process for predicting the power demand of a power facility, the computer comprising:
A storage unit for storing actual demand data that is time-series data of actual values of the power demand, and
A basic fluctuation pattern that is a prediction pattern of the power demand after the present time by generating a demand fluctuation pattern from the demand actual data of the past day of the same day as the forecast date and concatenating the generated demand fluctuation pattern with the current actual value A computer program that functions as a control unit that calculates a value.
電力需要の実績値の時系列データである需要実績データを記憶する記憶部と、
予測日と同じ曜日の過去日の前記需要実績データから需要変動パターンを生成し、生成した需要変動パターンを現時点の実績値と連結して、現時点以後の前記電力需要の予測パターンである基本変動パターンを算出する制御部と、を備えるスマートメーター。 A smart meter capable of communicating with power equipment included in a power facility,
A storage unit for storing actual demand data that is time-series data of actual values of power demand;
A basic fluctuation pattern that is a prediction pattern of the power demand after the present time by generating a demand fluctuation pattern from the demand actual data of the past day of the same day as the forecast date and concatenating the generated demand fluctuation pattern with the current actual value And a smart meter comprising a control unit for calculating
電力需要の実績値の時系列データである需要実績データを記憶する記憶部と、
予測日と同じ曜日の過去日の前記需要実績データから需要変動パターンを生成し、生成した需要変動パターンを現時点の実績値と連結して、現時点以後の前記電力需要の予測パターンである基本変動パターンを算出する制御部と、を備える蓄電装置。 A power storage device capable of communicating with a power device included in a power facility,
A storage unit for storing actual demand data that is time-series data of actual values of power demand;
A basic fluctuation pattern that is a prediction pattern of the power demand after the present time by generating a demand fluctuation pattern from the demand actual data of the past day of the same day as the forecast date and concatenating the generated demand fluctuation pattern with the current actual value And a control unit that calculates
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014140439A JP2016019358A (en) | 2014-07-08 | 2014-07-08 | Demand prediction apparatus, computer program, smart meter and power storage device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014140439A JP2016019358A (en) | 2014-07-08 | 2014-07-08 | Demand prediction apparatus, computer program, smart meter and power storage device |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2016019358A true JP2016019358A (en) | 2016-02-01 |
Family
ID=55234224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2014140439A Pending JP2016019358A (en) | 2014-07-08 | 2014-07-08 | Demand prediction apparatus, computer program, smart meter and power storage device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2016019358A (en) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6188883B1 (en) * | 2016-07-13 | 2017-08-30 | 三菱電機株式会社 | Management device, management method, and management program |
| CN107145986A (en) * | 2017-05-24 | 2017-09-08 | 北京中电普华信息技术有限公司 | A kind of charge capacity Forecasting Methodology and device |
| WO2017199578A1 (en) * | 2016-05-20 | 2017-11-23 | 株式会社日立製作所 | Demand forecast system and demand forecast method |
| JP2018011418A (en) * | 2016-07-13 | 2018-01-18 | 三菱電機株式会社 | Management unit, management method, and management program |
| JP2018206172A (en) * | 2017-06-07 | 2018-12-27 | 株式会社Ｎｔｔファシリティーズ | Electric power demand prediction device, electric power demand prediction method, and program |
| KR20190005456A (en) * | 2017-07-06 | 2019-01-16 | 두산중공업 주식회사 | Method and Apparatus for Predicting Power Demand and Apparatus and Method for Controlling Charge/Discharge of ESS based on It |
| JP2019200594A (en) * | 2018-05-16 | 2019-11-21 | 株式会社日立製作所 | Electric power planning support device |
| JP2020098528A (en) * | 2018-12-19 | 2020-06-25 | 清水建設株式会社 | Simulation device and simulation method |
| JP2022018848A (en) * | 2020-07-16 | 2022-01-27 | Kddi株式会社 | Power demand prediction method and system |
| US11556447B2 (en) | 2019-11-27 | 2023-01-17 | Fujitsu Limited | Usage prediction method and storage medium |
| JP7395811B2 (en) | 2022-03-02 | 2023-12-12 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | Load prediction method, device, electronic device, and storage medium |
-
2014
- 2014-07-08 JP JP2014140439A patent/JP2016019358A/en active Pending
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017199578A1 (en) * | 2016-05-20 | 2017-11-23 | 株式会社日立製作所 | Demand forecast system and demand forecast method |
| JP2017208046A (en) * | 2016-05-20 | 2017-11-24 | 株式会社日立製作所 | Demand prediction system and demand prediction method |
| JP6188883B1 (en) * | 2016-07-13 | 2017-08-30 | 三菱電機株式会社 | Management device, management method, and management program |
| JP2018011418A (en) * | 2016-07-13 | 2018-01-18 | 三菱電機株式会社 | Management unit, management method, and management program |
| JP2018010461A (en) * | 2016-07-13 | 2018-01-18 | 三菱電機株式会社 | Management device, management method and management program |
| CN107145986A (en) * | 2017-05-24 | 2017-09-08 | 北京中电普华信息技术有限公司 | A kind of charge capacity Forecasting Methodology and device |
| CN107145986B (en) * | 2017-05-24 | 2021-02-05 | 北京中电普华信息技术有限公司 | Charging electric quantity prediction method and device |
| JP2018206172A (en) * | 2017-06-07 | 2018-12-27 | 株式会社Ｎｔｔファシリティーズ | Electric power demand prediction device, electric power demand prediction method, and program |
| KR101962539B1 (en) * | 2017-07-06 | 2019-03-26 | 두산중공업 주식회사 | Method and Apparatus for Predicting Power Demand and Apparatus and Method for Controlling Charge/Discharge of ESS based on It |
| KR20190005456A (en) * | 2017-07-06 | 2019-01-16 | 두산중공업 주식회사 | Method and Apparatus for Predicting Power Demand and Apparatus and Method for Controlling Charge/Discharge of ESS based on It |
| JP2019200594A (en) * | 2018-05-16 | 2019-11-21 | 株式会社日立製作所 | Electric power planning support device |
| JP2020098528A (en) * | 2018-12-19 | 2020-06-25 | 清水建設株式会社 | Simulation device and simulation method |
| US11556447B2 (en) | 2019-11-27 | 2023-01-17 | Fujitsu Limited | Usage prediction method and storage medium |
| JP2022018848A (en) * | 2020-07-16 | 2022-01-27 | Kddi株式会社 | Power demand prediction method and system |
| JP7328940B2 (en) | 2020-07-16 | 2023-08-17 | Kddi株式会社 | Power demand forecasting method and system |
| JP7395811B2 (en) | 2022-03-02 | 2023-12-12 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | Load prediction method, device, electronic device, and storage medium |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2016019358A (en) | Demand prediction apparatus, computer program, smart meter and power storage device | |
| US11159022B2 (en) | Building energy optimization system with a dynamically trained load prediction model | |
| US11163271B2 (en) | Cloud based building energy optimization system with a dynamically trained load prediction model | |
| US10855081B2 (en) | Energy storage controller with battery life model | |
| CN106351793B (en) | System and method for improving wind power generation | |
| EP3002848B1 (en) | Demand-side grid-level load balancing aggregation system | |
| US9634508B2 (en) | Method for balancing frequency instability on an electric grid using networked distributed energy storage systems | |
| JP5596220B2 (en) | System, method and computer program for energy consumption management | |
| KR101872557B1 (en) | Energy consumption management | |
| US8880355B2 (en) | Emission factor calculating apparatus and emission factor calculating method | |
| WO2018200861A1 (en) | Building energy system with stochastic model predictive control | |
| Lin et al. | Situation awareness of active distribution network: Roadmap, technologies, and bottlenecks | |
| JP6543145B2 (en) | Peak power prediction device, power management system and peak power prediction method | |
| JP6617476B2 (en) | Demand power prediction apparatus, demand power prediction method, and computer program | |
| CN109670627A (en) | Method for controlling the automatic cloud of energy storage system | |
| US11249121B2 (en) | Method of utility usage divergence identification between recurring consumption data indicative of repeating periodic consumption patterns and utility consumption data | |
| EP2972643A2 (en) | Electric power system control with planning of energy demand and energy efficiency using ami-based data analysis | |
| KR101493264B1 (en) | a control method for the Regulating Energy and system for that | |
| Huang et al. | Real-time data and energy management in microgrids | |
| JP6293291B2 (en) | Power consumption estimation device, device management system, power consumption estimation method and program | |
| JP2019068667A (en) | Charge discharge control device | |
| Tazi et al. | Demand and energy management in smart grid: Techniques and implementation | |
| JP2016127622A (en) | Power demand prediction system | |
| TWI808647B (en) | Voltage management device, voltage instruction device, power monitoring system, measurement device, voltage management method and storage medium | |
| JP2016134936A (en) | Energy management system, computer program, and calculation method for operation plan |