JP2016224566A - 予測装置、予測方法および予測プログラム - Google Patents
予測装置、予測方法および予測プログラム Download PDFInfo
- Publication number
- JP2016224566A JP2016224566A JP2015107928A JP2015107928A JP2016224566A JP 2016224566 A JP2016224566 A JP 2016224566A JP 2015107928 A JP2015107928 A JP 2015107928A JP 2015107928 A JP2015107928 A JP 2015107928A JP 2016224566 A JP2016224566 A JP 2016224566A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- regression
- value
- sum
- error
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 230000007423 decrease Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 12
- 230000005855 radiation Effects 0.000 description 8
- 238000002790 cross-validation Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000010248 power generation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
最初に、予測手法について説明する。以下では、予測を行う時刻を「予測実施時刻」と呼ぶ。また、予測対象となる時刻を「予測対象時刻」と呼ぶ。また、予測実施時刻までに得られた観測値等を予測に用いることができることとする。なお、以下では、電力需要、PVの出力、WTの出力や気象データについては、ある時間幅の平均値を用いる。この時間幅は、例えば、10分とする。説明変数として用いる観測対象の時間幅での変動幅が比較的小さい場合は、観測対象から測定されたデータの平均値ではなく、測定されたデータそのものを予測に用いてもよい。電力需要は、系統内で消費される消費電力からPVとWTの出力を差し引いたものである。本実施例では、予測対象を電力需要とする場合を例に説明するが、これに限定されるものではない。予測対象は、多重共線性が発生しやすい複数地点で測定された複数のデータを用いて予測するものであれば、何れであってもよい。例えば、予測対象は、PVの出力、WTの出力、ある地点の日射強度または風速、ある区域の平均日射強度、または平均風速を予測対象とすることもできる。
次に、上述の予測手法を適用した予測装置10の構成について説明する。予測装置10は、上述の予測手法を用いて予測を行う装置である。なお、本実施例では、上述の予測手法を用いて、予測装置10により電力需要の予測を行う場合について説明する。予測装置10は、例えば、サーバコンピュータ、デスクトップ型PC(パーソナル・コンピュータ)、タブレット型PC、ノート型PCなどの情報処理装置である。予測装置10は、1台のコンピュータとして実装してもよく、また、複数台のコンピュータによるクラウドとして実装することもできる。なお、本実施例では、予測装置10を1台のコンピュータとした場合を例として説明する。
次に、上述の予測手法を適用した予測装置10による予測例を説明する。以下では、予測対象として、ある58地点の日射強度の和を予測する場合を例に説明する。日射強度は、10分平均値とする。12時を予測対象時刻とし、この予測対象時刻の58地点の日射強度の和を予測する。予測式の説明変数は、58の観測地点の予測実施時刻の日射強度とする。以下では、2013年の4月と5月の61日間について、予測実施時刻毎に、回帰分析により求めた予測式により予測した場合を例に説明する。予測式の回帰係数βおよび定数項Cの決定には、2011年と2012年の4月と5月の122日間のデータを用いる。すなわち、同じ予測実施時刻については、2013年の4月と5月の61日間を同一の予測式を用いて予測しており、予測実施時刻が異なると予測式の回帰係数βおよび定数項Cが異なっている。
本実施例に係る予測装置10が予測を行う予測処理の流れについて説明する。図6は、予測処理の手順の一例を示すフローチャートである。この予測処理は、所定のタイミング、例えば、受付部40により予測開始の指示を受け付けたタイミングで実行される。
上述してきたように、本実施例に係る予測装置10は、複数の説明変数から予測対象を予測する回帰式(予測式)の複数の説明変数の実績値として複数の地点の気象状況の実績値と、予測対象の実績値とが記憶された学習データ30を記憶する。予測装置10は、回帰式の複数の説明変数に、学習データ30に記憶された複数の地点の気象状況の実績値を適用して算出した予測対象の予測値の予測対象の実績値に対する予測誤差と、回帰式の回帰係数が大きいほど大きい値となるペナルティ項との和を最小化する回帰係数を算出する。予測装置10は、算出された回帰係数を適用した回帰式により予測を行う。これにより、予測装置10は、学習データとして用いる複数のデータ間の多重共線性による予測精度の低下を抑えて、予測対象の予測を行うことができる。
また、上記の実施例で説明した各種の処理は、あらかじめ用意されたプログラムをパーソナルコンピュータやワークステーションなどのコンピュータシステムで実行することによって実現することもできる。そこで、以下では、上記の実施例と同様の機能を有するプログラムを実行するコンピュータシステムの一例を説明する。図8は、予測プログラムを実行するコンピュータを示す図である。
20 表示部
21 入力部
22 記憶部
23 制御部
30 学習データ
40 受付部
41 算出部
42 予測部
43 出力制御部
Claims (6)
- 複数の説明変数から予測対象を予測する回帰式の前記複数の説明変数の実績値として複数の地点の気象状況の実績値と、前記予測対象の実績値とが記憶された学習データを記憶する記憶部と、
前記回帰式の複数の説明変数に、前記学習データに記憶された複数の地点の気象状況の実績値を適用して算出した前記予測対象の予測値の前記予測対象の実績値に対する予測誤差と、前記回帰式の回帰係数が大きいほど大きい値となるペナルティ項との和を最小化する回帰係数を算出する算出部と、
前記算出部により算出された回帰係数を適用した回帰式により予測を行う予測部と、
を有することを特徴とする予測装置。 - 前記予測誤差を、前記予測対象の予測値と前記予測対象の実績値との絶対値誤差、前記予測対象の予測値と前記予測対象の実績値との二乗誤差の何れかとし、前記ペナルティ項を、回帰係数の絶対値の和、回帰係数の二乗和、回帰係数の絶対値の和と回帰係数の二乗和の何れかとするかの選択を受け付ける受付部をさらに有し、
前記算出部は、前記受付部で選択された予測誤差とペナルティ項の和を最小化する回帰係数を算出する
ことを特徴とする請求項1に記載の予測装置。 - 前記算出部は、前記予測誤差を、前記予測対象の予測値と前記予測対象の実績値との絶対値誤差または前記予測対象の予測値と前記予測対象の実績値の二乗誤差とし、前記ペナルティ項を、回帰係数の絶対値の和、回帰係数の二乗和または回帰係数の絶対値の和と回帰係数の二乗和としたそれぞれのパターンについて予測誤差を求め、予測誤差が最も小さいパターンの回帰式と、当該回帰式の回帰係数を算出し、
前記予測部は、予測誤差が最も小さいパターンの回帰式に、当該回帰式の回帰係数を適用した回帰式により予測を行う
ことを特徴とする請求項2に記載の予測装置。 - 前記学習データは、前記予測対象の実績値として、電力需要に関する実績値が記憶され、
前記予測部は、複数の地点の気象状況から前記回帰式により電力需要に関する予測を行う
ことを特徴とする請求項1〜3の何れか1つに記載の予測装置。 - 複数の説明変数から予測対象を予測する回帰式の複数の説明変数に、複数の地点の気象状況の実績値と、前記予測対象の実績値が記憶された学習データの複数の地点の気象状況の実績値を適用して算出した前記予測対象の予測値の前記予測対象の実績値に対する予測誤差と、前記回帰式の回帰係数が大きいほど大きい値となるペナルティ項との和を最小化する回帰係数を算出し、
算出された回帰係数を適用した回帰式により予測を行う
処理をコンピュータが実行することを特徴とする予測方法。 - 複数の説明変数から予測対象を予測する回帰式の複数の説明変数に、複数の地点の気象状況の実績値と、前記予測対象の実績値が記憶された学習データの複数の地点の気象状況の実績値を適用して算出した前記予測対象の予測値の前記予測対象の実績値に対する予測誤差と、前記回帰式の回帰係数が大きいほど大きい値となるペナルティ項との和を最小化する回帰係数を算出し、
算出された回帰係数を適用した回帰式により予測を行う
処理をコンピュータに実行させることを特徴とする予測プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015107928A JP2016224566A (ja) | 2015-05-27 | 2015-05-27 | 予測装置、予測方法および予測プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015107928A JP2016224566A (ja) | 2015-05-27 | 2015-05-27 | 予測装置、予測方法および予測プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2016224566A true JP2016224566A (ja) | 2016-12-28 |
Family
ID=57748189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015107928A Pending JP2016224566A (ja) | 2015-05-27 | 2015-05-27 | 予測装置、予測方法および予測プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2016224566A (ja) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815659A (zh) * | 2017-01-20 | 2017-06-09 | 国网浙江省电力公司电力科学研究院 | 一种基于混合模型的超短期太阳辐射预测方法及其装置 |
CN107154648A (zh) * | 2017-06-09 | 2017-09-12 | 南京理工大学 | 一种考虑风速波动与预测误差的风电场双层有功分配控制方法 |
KR20180079159A (ko) * | 2016-12-30 | 2018-07-10 | 한국에너지기술연구원 | 기상위성의 청천일사량 보정방법 |
JP2020077244A (ja) * | 2018-11-08 | 2020-05-21 | Kddi株式会社 | 端末における起動中アプリケーションを推定する装置、方法及びシステム |
CN111769602A (zh) * | 2020-07-12 | 2020-10-13 | 国网山西省电力公司电力科学研究院 | 一种多时间尺度风储联合系统优化调度方法 |
KR20200129558A (ko) * | 2019-05-09 | 2020-11-18 | 한국전력공사 | 전력 수요 예측 장치 및 방법 |
JP2021009075A (ja) * | 2019-07-01 | 2021-01-28 | 一般財団法人電力中央研究所 | 日射予測装置、日射予測方法及び日射予測プログラム |
WO2021245868A1 (ja) * | 2020-06-04 | 2021-12-09 | 日本電信電話株式会社 | 需要予測装置、需要予測方法、及び需要予測プログラム |
CN115081763A (zh) * | 2022-08-24 | 2022-09-20 | 山东鲁晟精工机械有限公司 | 一种数控车床车削过程能耗预测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005274171A (ja) * | 2004-03-23 | 2005-10-06 | Osaka Gas Co Ltd | 電力消費地点の気温予測システム及び方法 |
JP2014041566A (ja) * | 2012-08-23 | 2014-03-06 | Nippon Telegr & Teleph Corp <Ntt> | 線形回帰モデル推定装置、方法、及びプログラム |
WO2014188140A1 (fr) * | 2013-05-24 | 2014-11-27 | Electricite De France | Estimation d'une consommation de fluide effacee |
-
2015
- 2015-05-27 JP JP2015107928A patent/JP2016224566A/ja active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005274171A (ja) * | 2004-03-23 | 2005-10-06 | Osaka Gas Co Ltd | 電力消費地点の気温予測システム及び方法 |
JP2014041566A (ja) * | 2012-08-23 | 2014-03-06 | Nippon Telegr & Teleph Corp <Ntt> | 線形回帰モデル推定装置、方法、及びプログラム |
WO2014188140A1 (fr) * | 2013-05-24 | 2014-11-27 | Electricite De France | Estimation d'une consommation de fluide effacee |
Non-Patent Citations (1)
Title |
---|
高橋 由佳 外2名: "ランプ対策を目的としたウィンドファーム発電量予測に関する検討", 第7回データ工学と情報マネジメントに関するフォーラム (第13回日本データベース学会年次大会) [O, vol. C3−2, JPN6019010619, 4 March 2015 (2015-03-04), JP, pages 1 - 6, ISSN: 0004126253 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180079159A (ko) * | 2016-12-30 | 2018-07-10 | 한국에너지기술연구원 | 기상위성의 청천일사량 보정방법 |
KR101960902B1 (ko) * | 2016-12-30 | 2019-03-21 | 한국에너지기술연구원 | 기상위성의 청천일사량 보정방법 |
CN106815659B (zh) * | 2017-01-20 | 2020-09-18 | 国网浙江省电力公司电力科学研究院 | 一种基于混合模型的超短期太阳辐射预测方法及其装置 |
CN106815659A (zh) * | 2017-01-20 | 2017-06-09 | 国网浙江省电力公司电力科学研究院 | 一种基于混合模型的超短期太阳辐射预测方法及其装置 |
CN107154648A (zh) * | 2017-06-09 | 2017-09-12 | 南京理工大学 | 一种考虑风速波动与预测误差的风电场双层有功分配控制方法 |
JP2020077244A (ja) * | 2018-11-08 | 2020-05-21 | Kddi株式会社 | 端末における起動中アプリケーションを推定する装置、方法及びシステム |
JP7014696B2 (ja) | 2018-11-08 | 2022-02-01 | Kddi株式会社 | 端末における起動中アプリケーションを推定する装置、方法及びシステム |
KR102229209B1 (ko) * | 2019-05-09 | 2021-03-18 | 한국전력공사 | 전력 수요 예측 장치 및 방법 |
KR20200129558A (ko) * | 2019-05-09 | 2020-11-18 | 한국전력공사 | 전력 수요 예측 장치 및 방법 |
JP2021009075A (ja) * | 2019-07-01 | 2021-01-28 | 一般財団法人電力中央研究所 | 日射予測装置、日射予測方法及び日射予測プログラム |
JP7305462B2 (ja) | 2019-07-01 | 2023-07-10 | 一般財団法人電力中央研究所 | 日射予測装置、日射予測方法及び日射予測プログラム |
WO2021245868A1 (ja) * | 2020-06-04 | 2021-12-09 | 日本電信電話株式会社 | 需要予測装置、需要予測方法、及び需要予測プログラム |
JP7480844B2 (ja) | 2020-06-04 | 2024-05-10 | 日本電信電話株式会社 | 需要予測装置、需要予測方法、及び需要予測プログラム |
CN111769602A (zh) * | 2020-07-12 | 2020-10-13 | 国网山西省电力公司电力科学研究院 | 一种多时间尺度风储联合系统优化调度方法 |
CN111769602B (zh) * | 2020-07-12 | 2022-06-21 | 国网山西省电力公司电力科学研究院 | 一种多时间尺度风储联合系统优化调度方法 |
CN115081763A (zh) * | 2022-08-24 | 2022-09-20 | 山东鲁晟精工机械有限公司 | 一种数控车床车削过程能耗预测系统 |
CN115081763B (zh) * | 2022-08-24 | 2022-11-11 | 山东鲁晟精工机械有限公司 | 一种数控车床车削过程能耗预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2016224566A (ja) | 予測装置、予測方法および予測プログラム | |
Liu et al. | Prediction of wind speed time series using modified Taylor Kriging method | |
Wan et al. | Probabilistic forecasting of wind power generation using extreme learning machine | |
Gao et al. | An effective discrete harmony search algorithm for flexible job shop scheduling problem with fuzzy processing time | |
US20170371073A1 (en) | Prediction apparatus, prediction method, and non-transitory storage medium | |
Preece et al. | Assessing the applicability of uncertainty importance measures for power system studies | |
Wang et al. | A case study of remaining storage life prediction using stochastic filtering with the influence of condition monitoring | |
Bornatico et al. | Surrogate modeling for the fast optimization of energy systems | |
Bhattacharjya et al. | Robust optimization of structures subjected to stochastic earthquake with limited information on system parameter uncertainty | |
Berry et al. | Correcting biased observation model error in data assimilation | |
Zapater et al. | Runtime data center temperature prediction using Grammatical Evolution techniques | |
JP2014157457A (ja) | 予測装置および予測方法 | |
Nicolis et al. | Dynamics of prediction errors under the combined effect of initial condition and model errors | |
US20190026644A1 (en) | Robust lyapunov controller for uncertain systems | |
JP6484449B2 (ja) | 予測装置、予測方法および予測プログラム | |
Ueno et al. | Iterative algorithm for maximum‐likelihood estimation of the observation‐error covariance matrix for ensemble‐based filters | |
Sun et al. | Quantification of model form uncertainty in the calculation of solar diffuse irradiation on inclined surfaces for building energy simulation | |
JP2010211684A (ja) | データ処理方法、データ処理プログラム、データ処理装置 | |
JP2015148934A (ja) | 発電量予測装置および発電量予測方法 | |
Vanaret et al. | Two-phase approaches to optimal model-based design of experiments: how many experiments and which ones? | |
Chang et al. | A mega-trend-diffusion grey forecasting model for short-term manufacturing demand | |
Singh et al. | Improving the quality of software by quantifying the code change metric and predicting the bugs | |
Keller et al. | The dynamics of learning about a climate threshold | |
Dertimanis et al. | Data-driven uncertainty quantification of structural systems via B-spline expansion | |
JP2023100466A (ja) | 電力需要予測装置及び電力需要予測方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20150611 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180417 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190308 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190402 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20191008 |