JP2016086519A - 消費電力の非線形予測方法および装置 - Google Patents

消費電力の非線形予測方法および装置 Download PDF

Info

Publication number
JP2016086519A
JP2016086519A JP2014217480A JP2014217480A JP2016086519A JP 2016086519 A JP2016086519 A JP 2016086519A JP 2014217480 A JP2014217480 A JP 2014217480A JP 2014217480 A JP2014217480 A JP 2014217480A JP 2016086519 A JP2016086519 A JP 2016086519A
Authority
JP
Japan
Prior art keywords
power consumption
data
prediction
people
observation
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
Application number
JP2014217480A
Other languages
English (en)
Inventor
英朋 境野
Hidetomo Sakaino
英朋 境野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2014217480A priority Critical patent/JP2016086519A/ja
Publication of JP2016086519A publication Critical patent/JP2016086519A/ja
Pending legal-status Critical Current

Links

Images

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】消費電力の実測値以外の複数の要因因子から消費電力の予測を可能にし、電力計の設置が困難な環境であっても簡易に消費電力を予測することができる消費電力予測方法および装置を提供すること。【解決手段】消費電力量、人数、気象などといった観測データを入力インターフェース部１１０より入力し、複数の観測源の異なる時系列データを記憶装置１２０のデータ蓄積部１２１に保存する。統計解析部１２２は、データ蓄積部１２１に保存した各種時系列データからデータ特徴量や観測源の異なるデータ間の因果関係を非線形重回帰モデルに基づき解析する。特に、時間因子を含めて解析することで、データ数が少なくても精度の高い予測が可能になる。データ予測部１３０で予め解析して求められた予測モデル式に気象や人数のデータを代入することで未知の消費電力量の予測を行い、最終結果を出力インターフェース１４０からモニタ１６０に出力する。【選択図】図２

Description

本発明は、複数の要因因子から消費電力の予測を行う消費電力の非線形予測方法および装置に関する。
時系列データ予測は重要な手段の１つである。予測問題では、単調あるいは滑らかに変化していくデータについては、これまで数多くの手法が考案されてきているが、不連続的なデータについては一般に取り扱いが難しいことが知られている。
都道府県単位や電力系統単位など大規模なエリアにおける消費電力の需要予測については電力会社などで既になされており、工場などの大型施設でも、設備特性を考慮した独自の方法での需要予測がなされている。
一方で、電力計を設置できるエリアが限定されていることや数理的な予測法に依存する場合は、そのエリアでの過去データの蓄積が必要となる、過去の消費電力データに直接時系列予測モデルを適用して予測する方法が多い。このような予測方法を用いる場合、消費電力の実測値が必須であり、予測するエリアに電力計がない場合、新たに電力計を設置するか、別の何らかの手段によって消費電力を計測する必要があった。そのため、電力計が無い場合にも、新たに電力計を設置することなく消費電力予測を可能とする、簡易な消費電力予測法が求められている。
"電力量計"、［online］、［平成26年10月7日検索］、インターネット＜URL:http://ja.wikipedia.org/wiki/%E9%9B%BB%E5%8A%9B%E9%87%8F%E8%A8%88＞ P. P. Vaidyanathan、"The Theory of Linear Prediction"、 2008、Morgan & Claypool、［online］、［平成26年10月7日検索］、インターネット＜URL:http://authors.library.caltech.edu/25063/1/S00086ED1V01Y200712SPR003.pdf＞ 灰田 武史、武藤 昭一、"重回帰手法に基づいた最大需要予測支援システムの開発"、オペレーションズ・リサーチ、ｖｏｌ．４１、ｐｐ．４７６−４８０ H. Sakaino, "Video based tracking, learning, and recognition method for multiple moving objects," IEEE Trans. Circuits and Systems for Video Technology, 2013, vol. 23, no. 10, pp. 1661-1674 赤穂昭太郎、"サポートベクターマシン"、［online］、産業技術総合研究所、［平成26年10月7日検索］、インターネット＜URL:http://www.ism.ac.jp/~fukumizu/ISM_lecture_2006/svm-ism.pdf＞
しかしながら、特定エリア内の人数変化や、環境変化等の消費電力に影響を及ぼす要因因子と、消費電力量変化との対応づけができておらず、また、複数の要因因子と消費電力量との統計的な関係も示されていなかったために、消費電力の実測値無しに消費電力量変化を予測することは難しいという課題があった。
さらに、従来からの予測法のいずれも、因子間の時間変動性という重要な特徴量がモデルパラメータの推定過程（非特許文献３参照）に含まれていなかったため、データに周期性がある場合にも膨大なデータの学習が必要となっていたため、少数データから周期性を抽出し、それを反映させることが課題であった。
本発明は、このような課題に鑑みてなされたもので、その目的とするところは、消費電力の実測値以外の複数の要因因子から消費電力の予測を可能にし、電力計の設置が困難な環境であっても簡易に消費電力を予測することができる消費電力予測方法および装置を提供することにある。人数因子、時間因子を加えることで、消費電力の予測精度、特に、大きな時間変動性への追従性が高まり、予測誤差を低下させることができる。また、時間因子が考慮されたことで、少数の観測データからでも高い予測精度を確保することができる。
上記の課題を解決するために、本発明は、消費電力の非線形予測装置であって、所定の領域内の人の数を数える手段と、前記所定の領域周辺の気象を観測する手段と、前記所定の領域内で消費される消費電力量を計測する手段と、前記人の数、前記気象、および前記消費電力量の時系列の観測データを取得して、格納するデータ蓄積部と、前記データ蓄積部に格納された前記観測データについて、消費電力に対する観測源の異なる観測データ間の因果関係を、時間因子を含めて非線形重回帰モデルに基づき解析する統計解析部と、前記統計解析部の解析結果に基づく予測モデル式に、対応する消費電力量が未知である前記人の数および前記気象の観測データを代入することで、消費電力量の予測を行うデータ予測部と、を備えたことを特徴とすることを特徴する。
請求項２に記載の発明は、請求項１記載の消費電力予測装置であって、前記人の数を数える手段は、前記所定の領域を撮影するカメラと、前記カメラで撮影された映像を画像処理して人の数を数える人数計測装置を含むことを特徴とする。
請求項３に記載の発明は、請求項１又は２に記載の消費電力予測装置であって、前記観測データは、確立分布で近似表現されることを特徴とする。
請求項４に記載の発明は、消費電力の非線形予測方法であって、所定の領域内の人の数を数えるステップと、前記所定の領域周辺の気象を観測するステップと、前記所定の領域内で消費される消費電力量を計測するステップと、前記人の数、前記気象、および前記消費電力量の時系列の観測データを取得して、データ蓄積部に格納するステップと、前記データ蓄積部に格納された前記観測データについて、消費電力に対する観測源の異なる観測データ間の因果関係を、時間因子を含めて非線形重回帰モデルに基づき解析するステップと、前記統計解析部の解析結果に基づく予測モデル式に、対応する消費電力量が未知である前記人の数および前記気象の観測データを代入することで、消費電力量の予測を行うステップと、を有することを特徴とすることを特徴する。
請求項５に記載の発明は、請求項４記載の消費電力予測方法において、前記人の数を数える手段は、前記所定の領域を撮影するカメラと、前記カメラで撮影された映像を画像処理して人の数を数える人数計測装置を含むことを特徴とする。
請求項６に記載の発明は、請求項４又は５に記載の消費電力予測方法において、前記観測データは、確立分布で近似表現されることを特徴とする。
本発明では、複数の要因因子と消費電力との統計的な解析を施すことで、消費電力の実測値以外の要因因子から消費電力の予測を可能にし、電力計の設置が困難な環境であっても簡易に消費電力を予測することができる。また、人数因子、時間因子を加えることで、消費電力の予測精度、特に、大きな時間変動性への追従性が高まり、予測誤差を低下させることができる。また、時間因子が考慮されたことで、少数の観測データからでも高い予測精度を確保することができる。
本発明の一実施形態に係る消費電力予測装置の構成例を示す図である。 本発明の一実施形態に係る消費電力予測の主な処理のフローチャートである。 従来からの消費電力予測の例を示す図である。 本発明における一実施形態に係る複数の要因因子を用いた消費電力予測法を示す図である。 本発明におけるモデルパラメータ学習過程における時間因子の有無の効果の違いを説明する図である。 従来法と本発明の予測方法とにおける予測誤差の違いを比較した図である。 学習用データ数の増減による従来予測法と本発明予測法との予測誤差の相違を示す図である。
図１に、本発明の一実施形態に係る消費電力予測装置の構成例を示す。本発明を構成するデータ蓄積部１２１、統計解析部１２２、データ予測部１２３は、記憶装置１２０に格納され、処理装置１３０で実行可能なソフトウェアとして構成可能である。
図２に、本発明の一実施形態に係る消費電力予測の主な処理の流れを示す。本発明は、消費電力量、人数、気象などといった観測データを入力インターフェース部１１０より入力し、複数の観測源の異なる時系列データを記憶装置１２０のデータ蓄積部１２１に保存する（ステップ２０１）。統計解析部１２２は、データ蓄積部１２１に保存した各種時系列データからデータ特徴量や観測源の異なるデータ間の因果関係を非線形重回帰モデルに基づき解析する（ステップ２０２）。特に、時間因子を含めて解析することで、データ数が少なくても精度の高い予測が可能になる。データ予測部１３０で予め解析して求められた予測モデル式に気象や人数のデータを代入することで未知の消費電力量の予測を行い、最終結果を出力インターフェース１４０からモニタ１６０に出力する（ステップ２０３）。
尚、消費電力量は、電力計から目視で読み取ったものを入力装置１５０から予測装置１００に入力したり、電力計が通信機能を備えていれば、電力計から通信回線を介して予測装置１００に入力したりすることができる。
人数は、所定のエリアをカメラで撮影し、撮影された映像を画像処理することで人の数を特定する人数計測装置から予測装置１００に入力したりすることができる（非特許文献４参照）。
気象データについては、気温、湿度、風などを気象観測所のデータベースから予測装置１００に入力したり、エリア内に設置した複数の気象センサから予測装置１００に入力したりすることができる。
尚、各観測データについては、後述するように確率的なモデルで近似表現して用いる。
図３に、従来からの消費電力予測の例を示す。電力計で計測された消費電力については、図３にあるように、大きな変動を伴っていることが多い。その時系列的な変化:ｙについては、線形予測により予測することができる（非特許文献２参照）。この例では、１分ごとに計測された消費電力（Ｗ）：ｙについて、ｙ＝ａｘ＋ｂという最も簡単な一次回帰式を適用することを考え、未知数ａ、ｂを線形最小二乗法により容易に推定することができる（図３（ａ））。
しかし、データのばらつきに関する外れ値の影響をどのように考慮するかによって、線形予測モデルを用いた予測結果は大きく異なるものとなるという問題があった。そのため、消費電力の予測については、大きな予測誤差による省電力対策に違いが生じていた。
予測誤差の改善のために、気温といった気象因子を考慮し、過去に蓄積された最大電力需要量との間で、線形重回帰予測法や変数に２乗項を非線形重回帰予測法（図３（ｂ））が適用されている。
しかし、電力会社など、特殊な条件のもとで蓄積された過去データに基づいた手法であり、一般の消費電力量の予測モデルには適用できないモデルである。そのため、より汎用的な手法および一般に入手しやすい観測データ、計測データを利用した予測モデルが求められてきた。
図４に、本発明における一実施形態に係る複数の要因因子を用いた消費電力予測法を示す。本発明では、消費電力について関連する複数の要因因子として、気象要素（気温、雨量、湿度、日射量など）と人数を考慮する。各気象要素の時間変化はそれぞれに異なるものとなり、人数についても変化しているが消費電力（原信号）との定性的な関連はこのままでは見出すことができない。
気象要素については、気象庁から提供されるデータや市販の観測機器を利用してその時系列データを容易に得ることができる。一方、人数については、カメラ画像を利用して従来からの手法を適用することで計測することができる（非特許文献４参照）。
入力データを
Figure 2016086519
とする。データ数はｌとする。次に複数の因子の影響を考慮するために、ベクトルＸｉを
Figure 2016086519
とおく。ただし、Ｐ、Ｔ、Ｎ、Ｈ、Ｄはそれぞれ、消費電力量、気温、人数、湿度、時間（離散時間ステップ数）である。これまでは、消費電力量予測問題に、人数や時間が因子に入った予測モデルは示されていなかったが、本発明では、気温、湿度に加えて人数、時間を因子として取り込んでいる。特に、時間因子については、日変動のように、２４時間ごとの周期性が見られる場合は、時間因子を含めることで、Ｐ、Ｔ、Ｎ、Ｈの時間推移の順序性が加味されることになるため、時間変動性を強く予測結果に反映させることが期待できる。
ここで、
Figure 2016086519
とおき、
Figure 2016086519
とする。このとき最小化すべき目的関数はｗに関して、
Figure 2016086519
と定義される。ただし、拘束条件として、
Figure 2016086519
Figure 2016086519
Figure 2016086519
を課す。ｉ＝１，２，３，．．．，ｌ、δは微小量、εｉ、εｉ ＊はスラック変数、Ｃ（ε）は損失関数、ｃはペナルティ係数である。核関数にはガウス分布、ポアソン分布などを利用して解くことができる（非特許文献５参照）。
これにより、複数の因子と消費電力の関係から、予測モデルを得ることができ、変動性が大きい時系列データ（観測）に対しても、図４の点線のように、極大値および極小値に対する追従性も高い予測が得られる。
図５に、本発明におけるモデルパラメータ学習過程における時間因子の有無の効果の違いを説明する図を示す。計測された時系列データとして電力、人数、気温を予測モデルパラメータの推定のために用いる。従来予測法において、時系列データについては、時系列な組がつくられて学習に用いられてきた（図５（ａ））。入力データとして、電力、人数、気温といった因子が含まれていたが、時間因子は入力データとしては直接含まれておらず、入力データのベクトルの成分を区別するものとして時間に相当するｔが用いられていた。
これに対して、本発明では、入力データのベクトルに時間因子を直接的に含めることが特徴であり、このデータを用いて予測モデルのパラメータを学習する（図５（ｂ））。時間因子を増やすだけであるので、予測モデルアルゴリズムを抜本的に修正する必要は一切生じないことも利用上、大きな利点である。
尚、未知の消費電力については、消費電力以外の実際に観測される人数、気温、湿度等の値を事前に学習して得られている非線形予測式に代入することで予測することが可能である。
図６に、従来法と本発明の予測方法とにおける予測誤差の違いを比較した図を示す。一定期間において、消費電力の予測を行い、実際の消費電力と予測されたものを比較する。このとき、誤差は電力値となり、単位電力当りのコストがわかる。図６に示すように、従来の線形予測法と本発明法を比較すると、本発明は予測誤差が少なくなる。特に、本発明法で、多次元因子を気温（ａ）、人数（ｂ）、気温と人数（ｃ）、気温と人数、時間（ｄ）と増やしていくと、予測誤差が小さくなっていくことが確認できた。
図７に、学習用データ数の増減による従来予測法と本発明予測法との予測誤差の相違を示す。一般に、学習用データ数が多いほど予測誤差は減少していき、学習用データ数が少ないほど予測誤差が大きくなる。一方、本発明では、時間因子が考慮されているため、少数データからでも因子の時間変動性が反映されるため、予測誤差はそれほど増大しない特徴がある。このように、少数データからでも一定以上の予測精度を確保できることは、さまざまなエリア、環境条件において利活用できることにつながる。
１００ 消費電力予測装置
１１０ 入力インターフェース
１２０ 記憶装置
１２１ データ蓄積部
１２２ 統計解析部
１２３ データ予測部
１３０ 処理装置
１４０ 出力インターフェース
１５０ 入力装置
１６０ モニタ

Claims (6)

  1. 所定の領域内の人の数を数える手段と、
    前記所定の領域周辺の気象を観測する手段と、
    前記所定の領域内で消費される消費電力量を計測する手段と、
    前記人の数、前記気象、および前記消費電力量の時系列の観測データを取得して、格納するデータ蓄積部と、
    前記データ蓄積部に格納された前記観測データについて、消費電力に対する観測源の異なる観測データ間の因果関係を、時間因子を含めて非線形重回帰モデルに基づき解析する統計解析部と、
    前記統計解析部の解析結果に基づく予測モデル式に、対応する消費電力量が未知である前記人の数および前記気象の観測データを代入することで、消費電力量の予測を行うデータ予測部と、
    を備えたことを特徴とすることを特徴する消費電力の非線形予測装置。
  2. 前記人の数を数える手段は、前記所定の領域を撮影するカメラと、前記カメラで撮影された映像を画像処理して人の数を数える人数計測装置を含むことを特徴とする請求項１記載の消費電力予測装置。
  3. 前記観測データは、確立分布で近似表現されることを特徴とする請求項１又は２に記載の消費電力予測装置。
  4. 所定の領域内の人の数を数えるステップと、
    前記所定の領域周辺の気象を観測するステップと、
    前記所定の領域内で消費される消費電力量を計測するステップと、
    前記人の数、前記気象、および前記消費電力量の時系列の観測データを取得して、データ蓄積部に格納するステップと、
    前記データ蓄積部に格納された前記観測データについて、消費電力に対する観測源の異なる観測データ間の因果関係を、時間因子を含めて非線形重回帰モデルに基づき解析するステップと、
    前記統計解析部の解析結果に基づく予測モデル式に、対応する消費電力量が未知である前記人の数および前記気象の観測データを代入することで、消費電力量の予測を行うステップと、
    を有することを特徴とすることを特徴する消費電力の非線形予測方法。
  5. 前記人の数を数える手段は、前記所定の領域を撮影するカメラと、前記カメラで撮影された映像を画像処理して人の数を数える人数計測装置を含むことを特徴とする請求項４記載の消費電力予測方法。
  6. 前記観測データは、確立分布で近似表現されることを特徴とする請求項４又は５に記載の消費電力予測方法。
JP2014217480A 2014-10-24 2014-10-24 消費電力の非線形予測方法および装置 Pending JP2016086519A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2014217480A JP2016086519A (ja) 2014-10-24 2014-10-24 消費電力の非線形予測方法および装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2014217480A JP2016086519A (ja) 2014-10-24 2014-10-24 消費電力の非線形予測方法および装置

Publications (1)

Publication Number Publication Date
JP2016086519A true JP2016086519A (ja) 2016-05-19

Family

ID=55973920

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014217480A Pending JP2016086519A (ja) 2014-10-24 2014-10-24 消費電力の非線形予測方法および装置

Country Status (1)

Country Link
JP (1) JP2016086519A (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017050971A (ja) * 2015-09-01 2017-03-09 株式会社Ｌｏｏｏｐ 電力消費量予測制御装置、電力消費量予測方法および電力消費量予測プログラム
JPWO2017217466A1 (ja) * 2016-06-17 2019-04-04 パナソニックＩｐマネジメント株式会社 電力管理システム
WO2022162778A1 (ja) * 2021-01-27 2022-08-04 株式会社日立情報通信エンジニアリング 状態予測装置及び状態予測方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017050971A (ja) * 2015-09-01 2017-03-09 株式会社Ｌｏｏｏｐ 電力消費量予測制御装置、電力消費量予測方法および電力消費量予測プログラム
JPWO2017217466A1 (ja) * 2016-06-17 2019-04-04 パナソニックＩｐマネジメント株式会社 電力管理システム
WO2022162778A1 (ja) * 2021-01-27 2022-08-04 株式会社日立情報通信エンジニアリング 状態予測装置及び状態予測方法

Similar Documents

Publication Publication Date Title
Fan et al. Deep learning-based feature engineering methods for improved building energy prediction
Jain et al. Forecasting energy consumption of multi-family residential buildings using support vector regression: Investigating the impact of temporal and spatial monitoring granularity on performance accuracy
US20150371151A1 (en) Energy infrastructure sensor data rectification using regression models
CN102763048B (zh) 在虚拟量测中使用适应性预测算法及决定何时使用适应性预测算法的方法及设备
Sevlian et al. Short term electricity load forecasting on varying levels of aggregation
Genta et al. Product complexity and design of inspection strategies for assembly manufacturing processes
US9208209B1 (en) Techniques for monitoring transformation techniques using control charts
JP2009294969A (ja) 需要予測方法および需要予測装置
Liu et al. Empirical investigation on using wind speed volatility to estimate the operation probability and power output of wind turbines
JP6216294B2 (ja) 重回帰分析装置および重回帰分析方法
De Wilde et al. Building simulation approaches for the training of automated data analysis tools in building energy management
Zhou et al. A control chart based on likelihood ratio test for detecting patterned mean and variance shifts
CN110298765B (zh) 一种基于客观关联因素的配电网用电功率异常检测方法
Lujic et al. Adaptive recovery of incomplete datasets for edge analytics
JP2016126718A (ja) 時系列データ予測装置及び時系列データ予測方法
Gallagher et al. IntelliMaV: A cloud computing measurement and verification 2.0 application for automated, near real-time energy savings quantification and performance deviation detection
JP2016086519A (ja) 消費電力の非線形予測方法および装置
Frisén et al. Sufficient reduction in multivariate surveillance
JP2016086521A (ja) 消費電力予測方法および装置
Alomari et al. Advancing aircraft engine RUL predictions: an interpretable integrated approach of feature engineering and aggregated feature importance
Cardot et al. Comparison of different sample designs and construction of confidence bands to estimate the mean of functional data: An illustration on electricity consumption
Lin et al. A Kernel-Density based Semi-Parametric stochastic degradation model with dependent increments
Zhang et al. An adaptive Shiryaev-Roberts procedure for monitoring dispersion
Heghedus et al. Neural network architectures for electricity consumption forecasting
Salehin et al. Electricity energy dataset “BanE-16”: Analysis of peak energy demand with environmental variables for machine learning forecasting