JP2017182266A - 電力需要予測装置 - Google Patents

Abstract

【課題】電力量計が設置されている需要家についての未来の電力需要の予測の精度を改善すること。【解決手段】実施形態の電力需要予測装置は、スマートメータが設置されている複数の需要家それぞれについての電力計測データであるスマートメータデータと、電力量計が設置されている複数の需要家それぞれについての電力計測データである電力量計データと、を用いて、電力量計が設置されている需要家の未来の電力需要を予測する。スマートメータデータ予測部は、スマートメータデータのグループそれぞれについて、過去のスマートメータデータから未来の電力需要を予測する。電力量計データ予測部は、電力量計データのグループそれぞれについて、予測モデルと、予測されたスマートメータデータの各グループの未来の電力需要と、を用いて、未来の電力需要を予測する。【選択図】図２

Description

本発明の実施形態は、電力需要予測装置に関する。

電力の自由化により、多くの新電力会社が電力事業に参入できるようになった。電力事業を実施する場合、未来の電力需要を、例えば３０分単位、日単位、月単位等で、高精度で予測することが重要となる。

また、我が国では、一般家庭等の低圧需要家（以下、単に「需要家」という。）向けのスマートメータの普及は始まったばかりである。ここで、スマートメータとは、従来のアナログ式の電力量計（以下、単に「電力量計」という。）と異なり、消費電力をデジタル計測し、計測結果を外部に送信することができる装置である。スマートメータは、例えば３０分ごとに消費電力を計測し、計測結果を外部に送信する。したがって、新電力会社等は、３０分ごとに計測結果を取得できる。

一方、スマートメータが設置されていない需要家には、電力量計が設置されている。電力量計の場合、検針員が例えば月１回の頻度で検針を実施している。したがって、新電力会社等は、月１回ごとにしか計測結果を取得できない。

未来の電力需要を予測する場合、なるべく近い過去の消費電力がわかっているほうが良い。よって、スマートメータではなく電力量計が設置されている需要家については、高精度で電力需要を予測することが難しい。電力量計が設置されている需要家の電力需要を予測する技術としては、例えば、次のようなものがある。

まず、属性（家族人数、居住地、契約アンペア等）の類似する需要家をグループ化しておく。次に、グループ化した需要家の平均的な消費電力を計算しておく。そして、需要家それぞれについて、属性の類似するグループの消費電力を元に、未来の電力需要を予測する。これにより、ある程度の精度で電力需要を予測できる。

特許第４０２５１５７号公報

電力量計が設置されている需要家についての未来の電力需要の予測の精度に関して、さらなる改善が望まれている。

実施形態の電力需要予測装置は、第１グループ作成部と、第２グループ作成部と、モデル構築部と、スマートメータデータ予測部と、電力量計データ予測部と、を備える。第１グループ作成部は、スマートメータが設置されている複数の需要家それぞれについての電力計測データであるスマートメータデータをグループ化する。第２グループ作成部は、電力量計が設置されている複数の需要家それぞれについての電力計測データである電力量計データをグループ化する。モデル構築部は、グループごとの前記電力量計データを、各グループの前記スマートメータデータから予測する予測モデルを構築する。スマートメータデータ予測部は、前記スマートメータデータのグループそれぞれについて、過去のスマートメータデータから未来の電力需要を予測する。電力量計データ予測部は、前記電力量計データのグループそれぞれについて、前記予測モデルと、前記予測されたスマートメータデータの各グループの未来の電力需要と、を用いて、未来の電力需要を予測する。

図１は、第１実施形態の電力需要予測装置のハードウェア構成例を示す図である。 図２は、第１実施形態の電力需要予測装置の機能構成例を示す図である。 図３は、第１実施形態の第１予測部の機能構成例を示す図である。 図４は、気象データ例を示す図である。 図５は、スマートメータデータ例を示す図である。 図６は、需要家属性データ＃１の例を示す図である。 図７は、需要家のグルーピング例の説明図である。 図８は、電力量計データ例を示す図である。 図９は、第１実施形態の電力需要予測装置による予測結果＃１の算出処理を示すフローチャートである。 図１０は、第２実施形態の電力需要予測装置の機能構成例を示す図である。 図１１は、第２実施形態で算出する予測結果＃３の説明図である。 図１２は、第２実施形態における予測結果＃３の算出処理の説明図である。 図１３は、第２実施形態における電力量計データの計算の説明図である。 図１４は、第２実施形態の電力需要予測装置による予測結果＃３の算出処理を示すフローチャートである。 図１５は、第３実施形態の電力需要予測装置の機能構成例を示す図である。 図１６は、第３実施形態の電力需要予測装置によるグループ数の自動調整の処理を示すフローチャートである。

以下、実施形態の電力需要予測装置について説明する。

（第１実施形態）
図１は、第１実施形態の電力需要予測装置１のハードウェア構成例を示す図である。電力需要予測装置１は、スマートメータが設置されている複数の需要家それぞれについての電力計測データであるスマートメータデータと、電力量計が設置されている複数の需要家それぞれについての電力計測データである電力量計データと、を用いて、電力量計が設置されている需要家の未来の電力需要を予測するコンピュータ装置である。電力需要予測装置１は、例えばパーソナルコンピュータ（ＰＣ）であり、バス７で互いに接続されたＣＰＵ（Central Processing Unit）２、メモリ３（記憶手段）、ハードディスク４（記憶手段）、ＧＵＩ（Graphical User Interface）５、および、インタフェース６を備える。

電力需要予測装置１における後述する各機能を実現するプログラムは、例えば、ハードディスク４上に格納され、実行時にメモリ３上へと展開された後、ＣＰＵ２によって手順に従って実行される。インタフェース６に対しては、気象データ、スマートメータデータ、需要家属性データ＃１、電力量計データ、需要家属性データ＃２が入力される。また、インタフェース６からは、予測結果＃１が出力される。

また、後述するスマートメータグループデータ、電力量計グループデータ、予測モデル＃１（第１予測モデル）の各データ（図２）は、メモリ３上で管理してもよいし、ハードディスク４上に格納してもよい。また、これらの各データを、ＧＵＩ５を通じて運用者に可視化してもよい。

図２は、第１実施形態の電力需要予測装置１の機能構成例を示す図である。図２に示すように、電力需要予測装置１は、機能構成として、第１グループ作成部１１、第２グループ作成部１２、第１モデル構築部１３（モデル構築部）、および、第１予測部１４を備える。また、図３に示すように、第１予測部１４は、スマートメータデータ予測部１４１と電力量計データ予測部１４２とを備える。

図２に戻って、前記したように、電力需要予測装置１には、気象データ、スマートメータデータ、需要家属性データ＃１、電力量計データ、および、需要家属性データ＃２が入力される。また、電力需要予測装置１は、予測結果＃１を算出する。予測結果＃１は、電力量計のみが設置されている需要家の未来の３０分ごとの総電力需要の予測値である。また、電力需要予測装置１は、中間データとして、スマートメータグループデータ、電力量計グループデータ、予測モデル＃１を保持する。

以下、予測結果＃１を算出する手順を、データの説明と処理の説明を交えながら説明する。気象データは、ある地区の気象情報を収集したデータである。図４は、気象データ例を示す図である。図４に示すように、気象データは、例えば、日時、気温、湿度、降水量の各情報から構成される。なお、気象データは、複数の地区についてでもよい。また、気象データは、例えば、過去のデータについては事実データであり、また、未来のデータについては予測データである。

スマートメータデータは、スマートメータが設置されている複数の需要家それぞれについての３０分ごとの消費電力の計測データである。図５は、スマートメータデータ例を示す図である。図５に示すように、スマートメータデータは、需要家＃１，＃２，＃３についての３０分ごとの消費電力の計測データから構成される。

需要家属性データ＃１は、スマートメータが設置されている複数の需要家それぞれの属性を表すデータである。図６は、需要家属性データ＃１の例を示す図である。図６に示すように、需要家属性データ＃１は、例えば、需要家ごとの家族人数、居住地、契約アンペア、暖房の種類、床面積等の属性の情報から構成される。

第１グループ作成部１１は、過去の電力消費の傾向、および／または、需要家属性に基づいてスマートメータデータをグループ化する。つまり、第１グループ作成部１１は、複数のスマートメータデータから、消費電力波形（以下、単に「波形」という。）の類似度、および／または、需要家属性データ＃１における属性の類似度に基づいて、スマートメータグループデータを作成する。以下、具体例について説明する。

需要家ｉの時刻ｔのスマートメータデータをｘ_ｉ（ｔ）と表す。また、スマートメータグループｊの時刻ｔの電力需要をｚ_ｊ（ｔ）と表す。スマートメータグループｊに属する需要家をｋとすると、ｚ_ｊ（ｔ）は次の式（１）のように表される。

図７は、需要家のグルーピング例の説明図である。グループ化の手法としては、例えば、K-means法、凝集法等を用いることができるが、それらは公知技術であるので詳細な説明を省略する。図７（ａ）では、需要家＃１（属性＝ａ）、需要家＃２（属性＝ｂ）、需要家＃３（属性＝ａ）、需要家＃４（属性＝ｂ）それぞれの波形を示す。

波形の類似度でグルーピングすると、図７（ｂ）に示すように、需要家＃１と需要家＃２が同じグループになり、需要家＃３と需要家＃４が同じグループになる。各グループの波形は、各波形を足し合わせたものとなる。

また、属性の類似度でグルーピングすると、図７（ｃ）に示すように、需要家＃１と需要家＃３が同じグループになり、需要家＃２と需要家＃４が同じグループになる。各グループの波形は、各波形を足し合わせたものとなる。

なお、グループの数は、電力需要予測装置１のユーザがあらかじめ決めておいてもよく、また、自動的に決めることも可能である。自動的な決め方については、第３実施形態で説明する。

図２に戻って、電力量計データは、電力量計が設置されている複数の需要家それぞれについての１か月ごとの消費電力の計測データである。図８は、電力量計データ例を示す図である。図８に示すように、電力量計データは、需要家＃１１，＃１２，＃１３についての１か月ごとの消費電力の計測データから構成される。

図２に戻って、需要家属性データ＃２は、電力量計が設置されている複数の需要家それぞれの属性を表すデータである。需要家属性データ＃２は、図６に示す需要家属性データ＃１と同様であるので、図示と説明を省略する。

第２グループ作成部１２は、過去の電力消費の傾向、および／または、需要家属性に基づいて電力量計データをグループ化する。つまり、第２グループ作成部１２は、複数の電力量計データから、波形の類似度、および／または、需要家属性データ＃２における属性の類似度に基づいて、電力量計グループデータを作成する。以下、具体例について説明する。

需要家ｌの時刻ｔの電力量計データをｕ_ｌ（ｔ）と表す。また、電力量計グループｍの時刻ｔの電力需要をｖ_ｍ（ｔ）と表す。電力量計グループｍに属する需要家をｎとすると、ｖ_ｍ（ｔ）は次の式（２）のように表される。

グルーピングの方法は、第１グループ作成部１１の場合と同様であるので、説明を省略する。

第１モデル構築部１３は、グループごとの電力量計データを、各グループのスマートメータデータから予測する予測モデル（予測モデル＃１）を構築する。第１モデル構築部１３は、例えば、回帰モデル、ニューラルネットワークモデル、加重平均等を用いて、予測モデルを構築する。なお、回帰モデル、ニューラルネットワークモデル、加重平均それぞれについては公知技術であるので、詳細な説明を省略する。以下では、回帰モデルを例にとって説明する。

第１モデル構築部１３は、電力量計グループの数だけ予測モデルを生成し、予測モデル＃１（図２）として記憶手段に格納する。予測モデルの構築方法は下記の通りである。

予測モデルの構築に先立ち、スマートメータグループの３０分データを１か月データに変換する。ある月の３０分データを１か月分足し合わせたものが１か月データである。一か月データを「ｚ’_ｊ（ｔ）」と示す。

電力量計グループデータをスマートメータグループデータから予測するモデルは、例えば、回帰モデル「Ｙ＝α＋βＸ」を用いることができる。ここで、Ｙは「ｖ_ｍ（ｔ）」であり、Ｘは「ｚ’_ｊ（ｔ）」である。

例えば、スマートメータグループが３つで、それらの１か月データをｚ_１’、ｚ_２’、ｚ_３’とする。また、電力量計グループが２つで、それらの電力需要をｖ_１、ｖ_２とする。その場合、まず、ｚ_１’、ｚ_２’、ｚ_３’を用いてｖ_１を予測する予測モデルを構築する。次に、ｚ_１’、ｚ_２’、ｚ_３’を用いてｖ_２を予測する予測モデルを構築する。そして、それぞれの予測モデルにおけるα、βの値は、記憶手段に格納される。

なお、予測モデルを構築する際は、期間ごとに区切った時系列データの一部を教師データとし、残りをテストデータとして、交差検定を行って予測モデルのチューニングを実施し、ロバストな予測モデルを構築してもよい。

第１予測部１４におけるスマートメータデータ予測部１４１は、スマートメータデータのグループそれぞれについて、過去のスマートメータデータから未来の電力需要、例えば翌日の３０分データ（例えば２４時間分４８点）を予測する。この予測は、先に述べた回帰モデル「Ｙ＝α＋βＸ」を用いて行うことができる。ここで、Ｙは未来の時刻のｚ_ｊ（ｔ）であり、Ｘは、過去の時刻のｚ_ｊ（ｔ）である。なお、気象データを加味してもよい。予測結果は、電力量計データ予測部１４２へと渡される。

第１予測部１４における電力量計データ予測部１４２は、電力量計データのグループそれぞれについて、予測モデル＃１と、予測されたスマートメータデータの各グループの未来の電力需要と、を用いて、未来の電力需要を予測する。なお、気象データを加味してもよい。

最後に、電力量計データ予測部１４２は、電力量計グループデータの未来の電力需要の予測値を全てのグループについて足し合わせることで、電力量計グループデータの３０分ごとの総電力需要の予測値を得ることができる。式で表すと次の式（３）に示す通りである。

次に、図９を参照して、予測結果＃１の算出処理の流れについて説明する。図９は、第１実施形態の電力需要予測装置１による予測結果＃１の算出処理を示すフローチャートである。

まず、電力需要予測装置１は、気象データ、スマートメータデータ、需要家属性データ＃１、電力量計データ、需要家属性データ＃２を入力する（ステップＳ１）。

次に、第１グループ作成部１１は、複数のスマートメータデータから、波形の類似度、および／または、需要家属性データ＃１における属性の類似度に基づいて、スマートメータグループデータを作成する（ステップＳ２）。

次に、第２グループ作成部１２は、複数の電力量計データから、波形の類似度、および／または、需要家属性データ＃２における属性の類似度に基づいて、電力量計グループデータを作成する（ステップＳ３）。

次に、第１モデル構築部１３は、スマートメータグループデータから電力量計グループデータを予測する予測モデル＃１を構築する（ステップＳ４）。

次に、第１予測部１４は、予測結果＃１を算出する（ステップＳ５）。具体的には、まず、スマートメータデータ予測部１４１が、スマートメータデータのグループそれぞれについて、過去のスマートメータデータから未来（翌日等）の電力需要を予測する。次に、電力量計データ予測部１４２は、電力量計データのグループそれぞれについて、予測モデル＃１と、予測されたスマートメータデータの各グループの未来の電力需要と、を用いて、未来の電力需要を予測する。最後に、電力量計データ予測部１４２は、電力量計グループデータの未来の電力需要の予測値を全てのグループについて足し合わせることで、電力量計グループデータの３０分ごとの総電力需要の予測値（予測結果＃１）を得る。

このようにして、第１実施形態の電力需要予測装置１によれば、予測モデル＃１を用いることで、電力量計が設置されている需要家の未来の電力需要を高精度で予測することができる。つまり、１か月単位の計測データしか得ることができない電力量計が設置されている需要家について、未来の３０分単位の電力需要を高精度で予測することができる。

（第２実施形態）
次に、第２実施形態について説明する。図１０は、第２実施形態の電力需要予測装置１ａの機能構成例を示す図である。図２の電力需要予測装置１と同じ構成には同じ符号を付しており、重複する説明は省略する。電力需要予測装置１ａは、スマートメータが設置されている複数の需要家それぞれについてのスマートメータデータと、電力量計が設置されている複数の需要家それぞれについての電力量計データと、を用いて、電力量計が設置されている需要家の今月の電力需要を月の途中で予測するコンピュータ装置である。図１０の電力需要予測装置１ａは、図２の電力需要予測装置１と比較して、第２モデル構築部１５、第２予測部１６、予測修正部１７が追加されている点で相違している。

ここで、以下で用いる用語である予測結果＃２と予測結果＃３について説明する。予測結果＃２とは、電力量計が設置されている需要家について、電力量計データから算出する今月の総電力需要（予測値）である。また、予測結果＃３とは、予測結果＃１と予測結果＃２を用いて計算される、電力量計が設置されている需要家の今月の総電力需要を３０分単位に変換した値である。予測結果＃３について、さらに詳しく説明する。

従来、予測結果＃３に対応する値（過去の値）として、ある月が終了した時点でその月の一か月分の消費電力が確定したのち、その確定した一か月分の消費電力を３０分あたりの消費電力に平均化した値（以下、「月平均３０分消費電力」という。）がある。図１１は、第２実施形態で算出する予測結果＃３の説明図である。例えば、４月の消費電力が１４４ｋＷｈと確定した場合、４月の月平均３０分消費電力は、１４４ｋＷｈ÷３０（日）÷４８＝１００Ｗｈとなる。予測結果＃３は、この月平均３０分消費電力を、月の途中で予測するものである。

まず、予測結果＃２の計算方法を示す。第２モデル構築部１５は、電力量計データのグループそれぞれについて、過去の電力量計データから今月の電力需要を予測する予測モデル＃２（第２予測モデル）を構築する。

これまでと同様に、回帰モデル「Ｙ＝α＋βＸ」を用いると、「Ｙ＝α＋βＸ」の誤差を最小化するαとβを求めることで予測モデル＃２を構築できる。ここで、Ｙは「ｖ_ｍ（ｔ）」でｔは予測月（今月）の時刻であり、Ｘも「ｖ_ｍ（ｔ）」でｔは予測月より前の月（先月）の時刻である。予測モデル＃２を用いて、第２予測部１６で電力量計グループごとの今月の電力需要を計算し、その合計を計算することで、電力量計が設置されている需要家の今月の総電力需要（予測結果＃２）を予測することができる。

次に、予測結果＃３の作成について説明する。ここでは、スマートメータデータを用いて、日々の電力の実績値と予測結果の両方を用いた方法で予測結果＃３を作成する方法について、以下に説明する。

図１２は、予測結果＃３の算出処理の説明図である（図１２の四角の中の数字は日付）。図１２において、現在をある月（１日〜３０日）の５日とすると、１日〜５日のスマートメータデータは実績値であり、６日は予測値である。また、電力量計データの１日〜５日は、スマートメータデータから変換した推定値であり、６日は予測値である。さらに、７日〜３０日は、予測結果＃２から計算した平均値である。なお、ここでは、説明や計算を簡潔にするために、３０分電力需要（消費電力）は１日の間でずっと同じであると仮定する。予測結果＃３は、図１２における電力量計データの１日〜３０日の値を合計し、３０分単位に平均化したものである。

これらを踏まえて図１０に戻ると、第２予測部１６は、電力量計データのグループそれぞれについて、予測モデル＃２を用いて、過去の電力量計データから今月の電力需要を予測し、予測値を全てのグループについて足し合わせることで、予測結果＃２を算出する。

予測修正部１７は、電力量計データのグループそれぞれについて、まず、予測モデル＃１と、今月の当日までのスマートメータデータの各グループの消費電力と、を用いて、今月の当日までの消費電力を推定する。次に、予測修正部１７は、予測モデル＃１と、前記予測されたスマートメータデータの各グループの翌日の電力需要と、を用いて、翌日の電力需要を予測する。次に、予測修正部１７は、前記予測された今月の電力需要を用いて、翌日から今月末日までの電力需要を予測する。次に、予測修正部１７は、前記した今月の当日までの消費電力と、翌日の電力需要と、翌日から今月末日までの電力需要と、を合計することで、今月の電力需要を予測する。また、予測修正部１７は、その電力需要を全てのグループについて足し合わせ、さらに３０分単位に変換することで、予測結果＃３を算出する。

なお、予測修正部１７は、予測された今月の電力需要を用いて、翌日から今月末日までの電力需要を予測する際、月初から月末までの電力消費の変化の傾向に基づいて予測してもよい。つまり、上記の例では、電力量計の翌日より後の値（図１２の電力量計データの７日〜３０日の部分）を、予測結果＃２のうち一月分に占める日数の割合で計算したが、月初と月末の１日あたりの消費電力の差を反映させて決めることもできる。図１３は、この場合の電力量計データの計算の説明図である。

図１３において、折れ線実線Ｌ１は、各月の電力需要（消費電力）を直線で結んだものである。そして、破線Ｌ２は、それらの点を滑らかに結んだものであり、例えば２次元の回帰、スプライン補間で作成できる。この破線Ｌ２を仮想的な日ごとの電力需要と想定する。ここで、４月に着目する。図１２において、４／７〜３０の計算をする場合、４月全体の電力需要を日ごとの電力需要で按分（比例配分）する。これにより、月内における日ごとの電力需要の差の傾向を反映した予測結果＃３を作成することができる。

次に、図１４を参照して、予測結果＃３の算出処理の流れについて説明する。図１４は、第２実施形態の電力需要予測装置１ａによる予測結果＃３の算出処理を示すフローチャートである。なお、ステップＳ１〜Ｓ５は図９の場合と同様であるので説明を省略し、ステップＳ６〜Ｓ８について説明する。

ステップＳ５の後、ステップＳ６において、第２モデル構築部１５は、電力量計グループの今月の電力需要を予測するための予測モデル＃２を構築する。

次に、ステップＳ７において、第２予測部１６は、電力量計が設置されている需要家の今月の総電力需要（予測結果＃２）を計算する。つまり、第２予測部１６は、電力量計データのグループそれぞれについて、予測モデル＃２を用いて、過去の電力量計データから今月の電力需要を予測し、予測値を全てのグループについて足し合わせることで、予測結果＃２を算出する。

次に、ステップＳ８において、予測修正部１７は、今月の途中（当日）までのスマートメータデータの実績値、および、翌日の予測値と、予測結果＃２の翌日の次の日から月末までの電力量計の予測値を用いて、予測結果＃３を計算する。具体的には、予測修正部１７は、電力量計データのグループそれぞれについて、まず、予測モデル＃１と、今月の当日までのスマートメータデータの各グループの消費電力と、を用いて、今月の当日までの消費電力を推定する。次に、予測修正部１７は、予測モデル＃１と、前記予測されたスマートメータデータの各グループの翌日の電力需要と、を用いて、翌日の電力需要を予測する。次に、予測修正部１７は、前記予測された今月の電力需要を用いて、翌日から今月末日までの電力需要を予測する。次に、予測修正部１７は、前記した今月の当日までの消費電力と、翌日の電力需要と、翌日から今月末日までの電力需要と、を合計することで、今月の電力需要を予測する。また、予測修正部１７は、その電力需要を全てのグループについて足し合わせ、さらに３０分単位に変換することで、予測結果＃３を算出する。

このようにして、第２実施形態の電力需要予測装置１ａによれば、月の途中で、その月の電力量計グループの電力需要を３０分単位に変換した値である予測結果＃３を高精度で算出することができる。

（第３実施形態）
次に、第３実施形態について説明する。図１５は、第３実施形態の電力需要予測装置１ｂの機能構成例を示す図である。図１０の電力需要予測装置１ａと同じ構成には同じ符号を付しており、重複する説明は省略する。図１５の電力需要予測装置１ｂは、図１０の電力需要予測装置１ａと比較して、グループ数決定部１８が追加されている点で相違している。

グループ数決定部１８は、第１グループ作成部１１で使われるグループ数（スマートメータグループ数）、および、第２グループ作成部１２で使われるグループ数（電力量計グループ数）のそれぞれを変化させ、未来の電力需要の予測値と実測値（スマートメータデータ、電力量計データで収集された実測データ）とを比較し、それらの差が最小になるように各グループ数を決定する。

例えば、グループ数決定部１８は、スマートメータグループ数、および、電力量計グループ数のそれぞれを「１」から開始して、それらのグループ数を少しずつ増やしていき、前記した差が最小になるように各グループ数を決定する。

また、例えば、グループ数決定部１８は、スマートメータグループ数、および、電力量計グループ数のそれぞれを大きな数（それぞれの需要家数、または、ユーザが設定する「１０００」等の大きな数）から開始して、それらのグループ数を少しずつ減らしていき、前記した差が最小になるように各グループ数を決定する。

次に、図１６を参照して、グループ数の自動調整の処理の流れについて説明する。図１６は、第３実施形態の電力需要予測装置１ｂによるグループ数の自動調整の処理を示すフローチャートである。なお、ステップＳ１〜Ｓ８は図１４の場合と同様であるので説明を省略し、ステップＳ１１，Ｓ１２について説明する。

ステップＳ１の後、ステップＳ１１において、グループ数決定部１８は、スマートメータグループ数、および、電力量計グループ数を選定する。

ステップＳ８の後、ステップＳ１２において、グループ数決定部１８は、前記した差（誤差）が減少したか否かを判定し、Ｙｅｓの場合はステップＳ１１に進み、Ｎｏの場合は処理を終了する。

このようにして、第３実施形態の電力需要予測装置１ｂによれば、スマートメータグループ数、および、電力量計グループ数を自動的に適切な値に決定することができる。なお、グループ数決定部１８は、第１実施形態の電力需要予測装置１に対して設けてもよい。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１，１ａ，１ｂ 電力需要予測装置
２ ＣＰＵ
３ メモリ
４ ハードディスク
５ ＧＵＩ
６ インタフェース
７ バス
１１ 第１グループ作成部
１２ 第２グループ作成部
１３ 第１モデル構築部
１４ 第１予測部
１４１ スマートメータデータ予測部
１４２ 電力量計データ予測部
１５ 第２モデル構築部
１６ 第２予測部
１７ 予測修正部
１８ グループ数決定部

Claims (8)

1. スマートメータが設置されている複数の需要家それぞれについての電力計測データであるスマートメータデータをグループ化する第１グループ作成部と、
   電力量計が設置されている複数の需要家それぞれについての電力計測データである電力量計データをグループ化する第２グループ作成部と、
   グループごとの前記電力量計データを、各グループの前記スマートメータデータから予測する予測モデルを構築するモデル構築部と、
   前記スマートメータデータのグループそれぞれについて、過去のスマートメータデータから未来の電力需要を予測するスマートメータデータ予測部と、
   前記電力量計データのグループそれぞれについて、前記予測モデルと、前記予測されたスマートメータデータの各グループの未来の電力需要と、を用いて、未来の電力需要を予測する電力量計データ予測部と、
   を備える電力需要予測装置。
2. 前記スマートメータデータ予測部は、気象データも用いて、前記スマートメータデータのグループそれぞれについて、過去のスマートメータデータから未来の電力需要を予測し、
   前記電力量計データ予測部は、気象データも用いて、前記電力量計データのグループそれぞれについて、前記予測モデルと、前記予測されたスマートメータデータの各グループの未来の電力需要と、を用いて、未来の電力需要を予測する、請求項１に記載の電力需要予測装置。
3. 前記第１グループ作成部は、過去の電力消費の傾向、および／または、需要家属性に基づいて、前記スマートメータデータをグループ化し、
   前記第２グループ作成部は、過去の電力消費の傾向、および／または、需要家属性に基づいて、前記電力量計データをグループ化する、請求項１または請求項２に記載の電力需要予測装置。
4. 前記第１グループ作成部、および／または、前記第２グループ作成部は、グループ化の手法として、K-means法、または、凝集法を用いる、請求項１から請求項３までのいずれか一項に記載の電力需要予測装置。
5. 前記モデル構築部は、回帰モデル、ニューラルネットワークモデル、加重平均のいずれかを用いて、前記予測モデルを構築する、請求項１から請求項４までのいずれか一項に記載の電力需要予測装置。
6. 前記電力需要予測装置は、
   前記第１グループ作成部で使われるグループ数、および、前記第２グループ作成部で使われるグループ数のそれぞれを変化させ、未来の電力需要の予測値と実測値とを比較し、それらの差が最小になるように各グループ数を決定するグループ数決定部を、さらに備える、請求項１から請求項５までのいずれか一項に記載の電力需要予測装置。
7. スマートメータが設置されている複数の需要家それぞれについての電力計測データであるスマートメータデータをグループ化する第１グループ作成部と、
   電力量計が設置されている複数の需要家それぞれについての電力計測データである電力量計データをグループ化する第２グループ作成部と、
   グループごとの前記電力量計データを、各グループの前記スマートメータデータから予測する第１予測モデルを構築する第１モデル構築部と、
   前記スマートメータデータのグループそれぞれについて、過去のスマートメータデータから翌日の電力需要を予測するスマートメータデータ予測部と、
   前記電力量計データのグループそれぞれについて、前記第１予測モデルと、前記予測されたスマートメータデータの各グループの翌日の電力需要と、を用いて、翌日の電力需要を予測する電力量計データ予測部と、
   前記電力量計データのグループそれぞれについて、過去の電力量計データから今月の電力需要を予測する第２予測モデルを構築する第２モデル構築部と、
   前記電力量計データのグループそれぞれについて、前記第２予測モデルを用いて、過去の電力量計データから今月の電力需要を予測する第２予測部と、
   前記電力量計データのグループそれぞれについて、
   前記第１予測モデルと、今月の当日までのスマートメータデータの各グループの消費電力と、を用いて、今月の当日までの消費電力を推定し、
   前記第１予測モデルと、前記予測されたスマートメータデータの各グループの翌日の電力需要と、を用いて、翌日の電力需要を予測し、
   前記予測された今月の電力需要を用いて、翌日から今月末日までの電力需要を予測し、
   前記した今月の当日までの消費電力と、翌日の電力需要と、翌日から今月末日までの電力需要と、を合計することで、電力量計が設置されている需要家の今月の電力需要を予測する予測修正部と、
   を備える電力需要予測装置。
8. 前記予測修正部は、前記予測された今月の電力需要を用いて、翌日から今月末日までの電力需要を予測する際、月初から月末までの電力消費の変化の傾向に基づいて予測する、請求項７に記載の電力需要予測装置。

Images