JP2018092439A5 - - Google Patents
Download PDFInfo
- Publication number
- JP2018092439A5 JP2018092439A5 JP2016236105A JP2016236105A JP2018092439A5 JP 2018092439 A5 JP2018092439 A5 JP 2018092439A5 JP 2016236105 A JP2016236105 A JP 2016236105A JP 2016236105 A JP2016236105 A JP 2016236105A JP 2018092439 A5 JP2018092439 A5 JP 2018092439A5
- Authority
- JP
- Japan
- Prior art keywords
- data
- prediction
- factor
- model
- time transition
- 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.)
- Granted
Links
Description
本発明は、データ処理システムおよびデータ処理方法に関する。
近年、過去の観測データに基づいた将来の所定期間の予測、あるいは設備制御もしくは業務プロセスに関する計画生成を行うことの重要性が増している。例えば電力事業分野では、締結した電気供給契約に基づいて需要家への電気販売を行うと共に、販売する電気を自社発電機にて発電、もしくは他の電気事業者から直接、あるいは取引所を介して調達する電気事業者は、電気の調達量と販売量とを清算時間ごとに一致させることが求められる。従って電気事業者においては、自社が契約している需要家の需要(契約需要)の合計(総契約需要)の将来の値を的確に予測することが重要となる。
上述の予測を行うための技術として、例えば特許文献1には、予測対象時間から遡った第1の累積時間の第1の平均気温データと、予測対象時間から遡った第1の累積時間より長い第2の累積時間の第2の平均気温データとを用いて、予測対象時間における電力需要を予測する技術が開示されている。
一般に、例えば最高気温や最低気温、あるいは日平均気温等の因子(説明変数)の代表値が同じであったとしても、それら因子(説明変数)の値の時間推移が異なる場合、観測される電力需要の最大値や最低値などの予測対象の値も異なる。先行技術では、第1の平均気温データと第2の平均気温データを用いるが、上述の様な因子の値の時間推移を的確に示す第1や第2の平均気温データの算出手段は具備していない。従って先行技術では、上述の様な因子の値の時間推移を反映した予測を実現できておらず、従って予測精度の向上が困難という課題があった。
本発明は以上の点を考慮してなされたものであり、予測もしくは計画算出に関わる因子の値の時間推移の違いを考慮した予測もしくは計画算出を実現することを目的とする。
この課題を解決するために本発明においては、任意の対象の予測データもしくは計画データを算出するデータ処理システムであって、前記予測データもしくは前記計画データに関わる各種因子の、値の時間推移を示す情報に基づいて、前記予測データもしくは前記計画データを算出するための演算に用いるモデルを変更する演算部を有する。この際、変更とは、ある一つのモデルのパラメータ値を変更する場合、あるモデルを、式の形が全く違う別のモデルに変更する場合を含む。また、データ処理システムとしては、予測データもしくは計画データの算出対象の観測データと、予測データもしくは計画データに関わる各種因子の観測データとから、対象の予測データもしくは計画データを算出するデータ処理システムであって、算出対象と、その因子のそれぞれの観測データとから、予測データもしくは計画データの算出に用いるモデルを同定する第一の処理部と、因子の観測データから因子の時間推移の種類を示すデータを算出し、算出した時間推移の種類を示すデータを用いて、因子の観測データを分類する第二の処理部と、分類した因子の観測データと、予測もしくは計画データ算出対象期間における因子の予報データに基づいて、予測データもしくは計画データの算出に用いるモデルを変更し、予測データもしくは計画データを算出する第三の処理部を有するもので構成できる。
またこの課題を解決するために本発明においては、予測データもしくは計画データの算出対象の観測データと、予測データもしくは計画データに関わる各種因子の観測データとから、対象の予測データもしくは計画データを算出するデータ処理方法であって、算出対象と、その因子のそれぞれの観測データとから、予測データもしくは計画データの算出に用いるモデルを同定する第一のステップと、因子の観測データから因子の時間推移の種類を示すデータを算出し、算出した時間推移の種類を示すデータを用いて、因子の観測データを分類する第二のステップと、分類した因子の観測データと、予測もしくは計画データ算出対象期間における因子の予報データに基づいて、予測データもしくは計画データの算出に用いるモデルを変更し、予測データもしくは計画データを算出する第三のステップとを有するデータ処理方法を構成することができる。
本発明によれば、予測もしくは計画算出に関わる因子の値の時間推移の違いを考慮した予測もしくは計画算出を実現することが可能となる。
以下図面について、本発明の一実施の形態を詳述する。
(1)第1の実施の形態
(1−1)全体構成
図1に、電力需要の予測において本発明を実施した場合での需給管理システム1の全体構成を示す。本需給管理システム1は、需要実績情報に基づいて任意の期間の需要の予測データを算出し、算出した需要の予測データに基づいて運用可能な発電機の運転計画の算出と制御を実行し、あるいは他の電気事業者からの直接、若しくは取引所からの電力調達取引の計画算出と実行を行うためのシステムであり、電気事業者2、系統運用者7、取引市場運用者8、公共情報提供者9、および需要家10がそれぞれ所有する各種装置および各種端末から構成される。また通信経路111および112は、需給管理システム1を構成する各種装置および端末を互いに通信可能に接続する通信経路であり、例えばLAN(Local Area Network)から構成される。
(1−1)全体構成
図1に、電力需要の予測において本発明を実施した場合での需給管理システム1の全体構成を示す。本需給管理システム1は、需要実績情報に基づいて任意の期間の需要の予測データを算出し、算出した需要の予測データに基づいて運用可能な発電機の運転計画の算出と制御を実行し、あるいは他の電気事業者からの直接、若しくは取引所からの電力調達取引の計画算出と実行を行うためのシステムであり、電気事業者2、系統運用者7、取引市場運用者8、公共情報提供者9、および需要家10がそれぞれ所有する各種装置および各種端末から構成される。また通信経路111および112は、需給管理システム1を構成する各種装置および端末を互いに通信可能に接続する通信経路であり、例えばLAN(Local Area Network)から構成される。
電気事業者2は、需給管理者3、営業管理者4、取引管理者5、および設備管理者6から構成される事業者である。
需給管理者3は、自社が保有する販売計画や今後の販売計画に基づいて、例えば30分単位の清算時間単位ごとに将来の所定期間の需要量を予測し、予測した需要量を充足できるよう電力の調達量を管理する部署または担当者であり、需要の予測データを算出するための予測演算装置30と、装置とデータのやり取りを行うための情報入出力端末31とを備える。
営業管理者4は、長期あるいは短期での電気の販売計画を立案と、需要家と電気供給の新規の契約締結と、既存の電気供給契約の管理とを行う部署または担当者であり、立案した販売計画や電気供給契約を締結した需要家の情報を管理するための販売管理装置40を備える。
取引管理者5は、他の電気事業者との直接的な契約を通じて、あるいは取引所を介して電気を調達するための取引を計画し実行する部署もしくは担当者であり、電気の調達取引計画や契約済みの電気の調達契約の情報を管理し、他の電気事業者や取引所と取引に関する電文をやり取りするための取引管理装置50を備える。
設備管理者6は、自社が保有する発電設備、あるいは自社の電気調達計画に組み入れることが可能な自社保有外の発電設備の運転計画の立案と実行を行う部署もしくは担当者であり、発電設備の情報の管理と、発電設備の運転計画の立案と、実行のための制御信号を送信するための設備管理装置60と、設備管理装置60から制御信号を受信し実際に発電設備の制御を実行するための制御装置61を備える。
一方、系統運用者7は、広範囲の地域にまたがる送配電系統設備の管理と、地域の需要家それぞれの需要実績を計測し計測値を保管する事業者であり、計測した需要家の需要実績値を配信するための系統情報管理装置70を備える。
また取引市場運用者8は、複数の電気事業者との電力の取引を行うために必要な情報や手続きを統括的に管理する事業者であり、電力取引に関する情報を配信し、各電気事業者から受け付けた注文の付け合せ処理を行うための市場運用管理装置80を備える。
公共情報提供者9は、気温、湿度、日射量などの気象に関する過去の観測情報と将来の予報情報を提供する事業者であり、気象の観測情報と予報情報を配信するための公共情報配信装置90を備える。
需要家10は、負荷設備や発電設備を有する個人または法人であり、電気事業者2もしくは系統運用者7に、所有する設備や施設、業種、在室人数、所在地などの需要や発電の傾向に影響を与えうる情報を送信するための情報入出力端末101と、需要や発電の実績量を計測するための計測装置100とを備える。
図2は、需給管理システム1の一部を構成する本実施の形態による予測演算システムとしてのデータ処理システムを示す。本実施の形態のデータ処理システム12は、予測対象である電力需要の値の予測データを算出するシステムであって、予測演算装置30、および販売管理装置40から構成される。
予測演算装置30は、因子観測データ3009Aおよび因子予報データ3010Aと、販売管理装置40が保持する対象観測データ4006Aとに基づいて、予測対象期間における予測対象である電力需要の予測データを算出し、演算結果データ3011Aに保持する。ここで演算結果データ3011Aは、少なくとも、算出した将来時点の代表需要値の予測データ、あるいは将来期間における需要値の時間推移を示す曲線、および曲線を補正することで算出した予測データの情報を含む。そして予測演算装置30は、このようにして算出した演算結果データ3011Aを設備管理装置60および取引管理装置50に送信する。
販売管理装置40は、対象観測データ4006Aを保持する。
このうち対象観測データ4006Aは、計測装置100や系統情報管理装置70から取得される契約済みの需要家や契約締結対象の需要家の過去の対象観測データ4006Aで構成される情報であり、例えば、各需要家10の過去数年間の30分毎の電力需要の実績値を含む。
このうち対象観測データ4006Aは、計測装置100や系統情報管理装置70から取得される契約済みの需要家や契約締結対象の需要家の過去の対象観測データ4006Aで構成される情報であり、例えば、各需要家10の過去数年間の30分毎の電力需要の実績値を含む。
(1−2)内部構成
図3は、データ処理システムを構成する各装置の具体的な構成を示す。図3において、予測演算装置30は、演算部として、例えばパーソナルコンピュータ、サーバコンピュータ又はハンドヘルドコンピュータなどの情報処理装置から構成され、予測演算装置30の動作を統括的に制御するCPU(Central Processing Unit)3001、入力装置3002、出力装置3003、通信装置3004および記憶装置3005を備える。
図3は、データ処理システムを構成する各装置の具体的な構成を示す。図3において、予測演算装置30は、演算部として、例えばパーソナルコンピュータ、サーバコンピュータ又はハンドヘルドコンピュータなどの情報処理装置から構成され、予測演算装置30の動作を統括的に制御するCPU(Central Processing Unit)3001、入力装置3002、出力装置3003、通信装置3004および記憶装置3005を備える。
入力装置3002は、キーボードまたはマウスから構成され、出力装置3003は、ディスプレイまたはプリンタから構成される。また通信装置3004は、無線LAN又は有線LANに接続するためのNIC(Network Interface Card)を備えて構成される。さらに記憶装置3005は、RAM(Random Access Memory)およびROM(Read Only Memory)などの記憶媒体から構成される。
記憶装置3005には、モデル同定部3006、因子データ分類部3007、モデル変更部3008などの各種コンピュータプログラムが格納される。
モデル同定部3006は、演算部に属する第一の処理部として、予測対象の過去の観測データである対象観測データ4006Aと、予測対象の値の変化を引き起こす要素である各種因子の過去の観測データである因子観測データ3009Aとから、予測対象の予測データを算出するためのモデルを同定する機能を有するプログラムである。
因子データ分類部3007は、演算部に属する第二の処理部として、因子観測データ3009Aに格納されている因子それぞれの値の時間推移を示す時系列データを、値の時間推移が類似するデータ同士で構成される複数の群(集合)に分類する機能を有するプログラムである。
モデル変更部3008は、演算部に属する第三の処理部として、予測対象期間における因子の値の時間推移の因子予報データ3010Aを用いて、値の時間推移が類似するデータ同士で分類される複数の群から、予測対象期間におけるその時間推移が、因子の値の時間推移に類似するデータ群(集合)を抽出し、抽出したデータ群を用いて、モデル同定部3006が同定したモデルを変更し、変更したモデルを用いて予測対象期間における予測対象の予測データを算出する機能を有するプログラムである。
また記憶装置3005には、因子観測データ3009、因子予報データ3010、および演算結果データ3011などのデータベースが格納されている。
因子観測データ3009は、予測対象の値の変化引き起こす要素である各種因子の過去の観測データが格納されているデータベースである。例えば予測対象が電力需要である場合、因子データは、年、月、曜日、あるいは平日や休日等を示す日種別の情報である暦日情報、気温、湿度、日射量、日照時間、気圧、風速などの気象情報、台風やイベントなどの突発事象の発生有無を示す情報、あるいは電力需要に影響を及ぼしえる各種産業の実態を示す産業動態情報などのデータである。
因子予報データ3010は、因子観測データ3009に格納されている因子それぞれについての、予測対象期間における予報データが格納されるデータベースである。
演算結果データ3011は、予測演算装置30が算出した最終的な予測結果、あるいは計算過程における中間データが格納されるデータベースであり、予測対象期間における予測対象の予測結果データ、あるいは同期間における予測対象の時間推移を表す曲線データ、あるいは曲線を補正するための補正用データ、あるいはこれらデータの算出の演算に用いるモデルの情報を含む。
他方、販売管理装置40は、例えばパーソナルコンピュータ、サーバコンピュータ又はハンドヘルドコンピュータなどの情報処理装置から構成され、販売管理装置40の動作を統括的に制御するCPU4001、入力装置4002、出力装置4003、通信装置4004および記憶装置4005を備える。
入力装置4002は、キーボードまたはマウスから構成され、出力装置4003は、ディスプレイまたはプリンタから構成される。また通信装置4004は、無線LAN又は有線LANに接続するためのNICを備えて構成される。
記憶装置4005は、RAMおよびROMなどの記憶媒体から構成され、対象観測データ4006などのデータベースが格納されている。
対象観測データ4006は、予測対象の過去の観測データが格納されるデータベースである。例えば予測対象が電力需要である場合、計測装置100や系統情報管理装置70から受信し取得した既契約の需要家10の、あるいは契約予定の需要家10の過去の需要実績情報を含む各種情報が格納される。実績情報の粒度は例えば30分単位などであり、また期間は数日から数年である。
(1−3)予測演算処理
図4は、データ処理システムにおける予測演算処理の処理手順を示す。この処理は、予測演算装置30が需給管理者3からの入力操作を受け付けた事を契機として、もしくは予め設定された時間間隔、あるいは時刻を契機として開始される処理であり、予測演算装置30によりステップS101からステップS103の処理が実行される。
図4は、データ処理システムにおける予測演算処理の処理手順を示す。この処理は、予測演算装置30が需給管理者3からの入力操作を受け付けた事を契機として、もしくは予め設定された時間間隔、あるいは時刻を契機として開始される処理であり、予測演算装置30によりステップS101からステップS103の処理が実行される。
なお実際には、予測演算装置30のCPU3001および記憶装置3005に格納されている各種コンピュータプログラムに基づいて処理が実行される。説明の便宜上、処理主体を予測演算装置30が有する各種コンピュータプログラムとして説明する。
先ずモデル同定部3006が、予測対象の過去の観測データである対象観測データ4006Aと、予測対象の値の変化を引き起こす要素である各種因子の過去の観測データである因子観測データ3009Aとから、予測対象期間における予測対象の予測データの算出に用いるモデルを同定する(S101)。なおここでのモデルとは、例えばある時刻の予測対象の値、もしくはある期間内の予測対象の値の最大値や最小値等のスカラ値を求めるための単回帰モデル、重回帰モデル、ARモデルやARIAMモデル等の時系列回帰モデル等の線形回帰モデルや、ニューラルネットワークなどの非線形な回帰モデル、あるいは、予測対象期間の値の推移を示す関数や数値ベクトルを識別するための決定木、もしくは識別するために設定した規則などである。
他方、因子データ分類部3007が、因子観測データ3009Aに格納されている因子それぞれの値の時間推移を示す時系列データを、値の時間推移が類似するデータ同士で構成される複数の群に分類する(S102)。より具体的には、例えば先ず、因子それぞれの値の時間推移を示す時系列データに対し、フーリエ変換やウェーブレット変換等の処理を施すことで、時系列データそれぞれの周期的な特徴を示す指標データを算出する。次いで、算出した指標データを特徴ベクトルとしたクラスタリング処理を施すとことで、値の時間推移が類似するデータ同士で構成される複数の群に分類する。ここでのクラスタリング処理は、k−meansアルゴリズム、EMアルゴリズムやスペクトラルクラスタリングアルゴリズムといった近傍の最適化の教師なしクラスタリングアルゴリズム、あるいは教師なしSVM(Support Vector Machine)アルゴリズムやVQ(Vector Quantization)アルゴリズム、SOM(Self−Organizing Maps)アルゴリズムといった識別面の最適化の教師なしのクラスタリングアルゴリズムなど、公知のクラスタリング技術を適用してもよい。
そして最後に、モデル変更部3008は、因子データ分類部3007が算出した因子の値の時間推移が類似するデータ同士で構成される複数の群のデータと、因子予報データ3010Aとを用いて、モデル同定部3006が算出した予測対象期間における予測対象の予測データを算出するためのモデルを変更し、変更したモデルを用いて予測データを算出する(S103)。より具体的には、例えば、因子データ分類部3007が、因子観測データ3009Aに格納されている因子それぞれの値の時間推移を示す時系列データのうち、因子予報データ3010Aに格納されている予測対象期間における因子の値の時間推移を示す時系列データと類似する因子観測データを抽出し、それら因子観測データの観測日時に対応する対象観測データへの適合度合いを強めるように、モデル同定部3006が算出したモデルを変更する。このとき適合度合いの尺度は、算出したモデルと対象観測データそれぞれとの残差平方和として計算しても良い。また類似の尺度は、例えば時系列データの周期的な特徴を示す指標データ同士のユークリッド距離で計算しても良い。
以上の処理を以って、本実施形態における予測演算処理が終了する。
以降、各処理部の実施形態の詳細を、図を用いて説明する。
以降、各処理部の実施形態の詳細を、図を用いて説明する。
(1−4)各構成要素の詳細
(1−4−1)モデル同定部
図5は、データ処理システム12におけるモデル同定部3006の詳細な実施形態を示す。
本実施形態におけるモデル同定部3006は、対象観測データ4006Aと、因子観測データ3009Aを用いて、予測対象期間における予測対象の時間推移の予測データを算出する関数を識別するための識別モデル3006Bを算出する。
(1−4−1)モデル同定部
図5は、データ処理システム12におけるモデル同定部3006の詳細な実施形態を示す。
本実施形態におけるモデル同定部3006は、対象観測データ4006Aと、因子観測データ3009Aを用いて、予測対象期間における予測対象の時間推移の予測データを算出する関数を識別するための識別モデル3006Bを算出する。
(1−4−1−1)時間推移関数群生成部
時間推移関数群生成部3006A1は、対象観測データ4006Aに格納されている予測対象の過去の観測データの時系列データから、予測対象の時間推移を示す代表的な関数群(時間推移関数群)を生成する。
時間推移関数群生成部3006A1は、対象観測データ4006Aに格納されている予測対象の過去の観測データの時系列データから、予測対象の時間推移を示す代表的な関数群(時間推移関数群)を生成する。
具体的には、先ず、予測対象の過去の観測データの時系列データを、予測対象とする期間と同一の時間間隔に細分化し、細分化した時系列データのそれぞれについてフーリエ変換やウェーブレット変換等の周波数解析処理を施すことで周期的な特徴を示す指標データを算出する。そして算出した指標データを特徴ベクトルとしたクラスタリング処理を施すことで、周期的な特徴が類似するデータ同士を一つの群となる様に、予測対象の過去の観測データの時系列データ群をクラスタ(集合)として分類する。ここでのクラスタリング処理は、k−meansアルゴリズム、EMアルゴリズムやスペクトラルクラスタリングアルゴリズムといった近傍の最適化の教師なしクラスタリングアルゴリズム、あるいは教師なしSVM(Support Vector Machine)アルゴリズムやVQ(Vector Quantization)アルゴリズム、SOM(Self−Organizing Maps)アルゴリズムといった識別面の最適化の教師なしのクラスタリングアルゴリズムなど、公知のクラスタリング技術を適用してもよい。そしてクラスタごとに、予測対象の値の時間推移を示す関数を生成する。ここでの関数とは、例えば、時刻を説明変数とした任意の式であってもよいし、あるいは時刻ごとの値の系列で構成される数値ベクトルであってもよい。
(1−4−1−2)時間推移関数識別モデル生成部
時間推移関数識別モデル生成部3006A2は、因子観測データ3009Aを用いて、時間推移関数群生成部3006A1が算出した時間推移関数群の内、予測対象期間において用いるべき時間推移関数を識別するための識別モデル3006Bを生成する。
時間推移関数識別モデル生成部3006A2は、因子観測データ3009Aを用いて、時間推移関数群生成部3006A1が算出した時間推移関数群の内、予測対象期間において用いるべき時間推移関数を識別するための識別モデル3006Bを生成する。
具体的には、時間推移関数群生成部3006A1にて算出した対象観測データの時系列データのそれぞれの所属するクラスタの番号を教師ラベルとした識別器学習アルゴリズム処理を施すことにより、因子観測データ3009Aに格納されている因子を識別子とする時間推移関数の識別モデル3006Bを算出する。ここで識別器学習アルゴリズムには、CARTアルゴリズム、ID3アルゴリズム、ランダムフォレストアルゴリズムなどの決定木学習アルゴリズムや、SVM(Support Vector Machine)アルゴリズムなどの識別平面学習アルゴリズムなどの公知の技術を適用しても良い。
(1−4−2)因子データ分類部
図6は、データ処理システム12における因子データ分類部3007の詳細な実施形態を示す。
図6は、データ処理システム12における因子データ分類部3007の詳細な実施形態を示す。
本実施形態における因子データ分類部3007は、因子観測データ3009Aに格納されている各種因子の過去の時系列観測データを、それぞれ時間推移が類似するデータ同士に分類し、分類結果データ3007Bを算出する。
(1−4−2−1)特徴量算出部
特徴量算出部3007A1は、因子観測データ3009に格納されている各種因子について、それぞれの周期的な特徴を示す指標データを算出する。
特徴量算出部3007A1は、因子観測データ3009に格納されている各種因子について、それぞれの周期的な特徴を示す指標データを算出する。
具体的には、各種因子の過去の観測データの時系列を、所定の時間間隔に細分化し、細分化した各種因子の時系列データのそれぞれについてフーリエ変換やウェーブレット変換等の周波数解析処理を施すことで周期的な特徴を示す指標データを算出する。なおここで所定の時間間隔とは、例えば予測対象期間と同一の時間間隔であってもよいし、あるいは予測対象期間における過去の予測対象の値の変化に相関が認められる前後の任煮の時間間隔であってもよい。
(1−4−2−2)特徴量分類部
特徴量分類部3007A2は、特徴量算出部3007A1が算出した指標データを特徴ベクトルとしたクラスタリング処理を施すことで、周期的な特徴が類似するデータ同士を一つの群となる様に、各種因子の時系列データ群をそれぞれクラスタとして分類する。ここでのクラスタリング処理は、k−meansアルゴリズム、EMアルゴリズムやスペクトラルクラスタリングアルゴリズムといった近傍の最適化の教師なしクラスタリングアルゴリズム、あるいは教師なしSVM(Support Vector Machine)アルゴリズムやVQ(Vector Quantization)アルゴリズム、SOM(Self−Organizing Maps)アルゴリズムといった識別面の最適化の教師なしのクラスタリングアルゴリズムなど、公知のクラスタリング技術を適用してもよい。
特徴量分類部3007A2は、特徴量算出部3007A1が算出した指標データを特徴ベクトルとしたクラスタリング処理を施すことで、周期的な特徴が類似するデータ同士を一つの群となる様に、各種因子の時系列データ群をそれぞれクラスタとして分類する。ここでのクラスタリング処理は、k−meansアルゴリズム、EMアルゴリズムやスペクトラルクラスタリングアルゴリズムといった近傍の最適化の教師なしクラスタリングアルゴリズム、あるいは教師なしSVM(Support Vector Machine)アルゴリズムやVQ(Vector Quantization)アルゴリズム、SOM(Self−Organizing Maps)アルゴリズムといった識別面の最適化の教師なしのクラスタリングアルゴリズムなど、公知のクラスタリング技術を適用してもよい。
(1−4−3)モデル変更部
図7は、データ処理システム12におけるモデル変更部3008の詳細な実施形態を示す。
本実施形態におけるモデル変更部3008は、因子予報データ3010と、因子データ分類部3007が算出した因子それぞれの過去の観測時系列の分類結果データ3007Bとを用いて、モデル同定部3006が算出したモデル(識別モデル3006B)を変更し、変更したモデルと因子予報データ3010を用いて、予測対象期間における予測対象の予測データ3008Bを算出する。
図7は、データ処理システム12におけるモデル変更部3008の詳細な実施形態を示す。
本実施形態におけるモデル変更部3008は、因子予報データ3010と、因子データ分類部3007が算出した因子それぞれの過去の観測時系列の分類結果データ3007Bとを用いて、モデル同定部3006が算出したモデル(識別モデル3006B)を変更し、変更したモデルと因子予報データ3010を用いて、予測対象期間における予測対象の予測データ3008Bを算出する。
(1−4−3−1)時間推移関数識別モデル変更部
時間推移関数識別モデル変更部3008A1は、因子予報データ3010と、因子データ分類部3007が算出した因子それぞれの過去の観測時系列の分類結果データ3007Bとを用いて、モデル同定部3006が算出したモデル(識別モデル3006B)を変更する。
時間推移関数識別モデル変更部3008A1は、因子予報データ3010と、因子データ分類部3007が算出した因子それぞれの過去の観測時系列の分類結果データ3007Bとを用いて、モデル同定部3006が算出したモデル(識別モデル3006B)を変更する。
具体的には、先ず因子データ分類部3007が算出した各種因子の過去の観測時系列データのクラスタリング後の分類結果データ3007Bの内、因子予報データ3010Aに格納されている予測対象期間におけるその時間推移が、因子の値の時間推移の予報時系列データに類似するクラスタを、因子のそれぞれについて特定する。ここで類似の尺度は、例えば各時系列データの周期的な特徴を示す指標データのユークリッド距離で定義してもよい。
そして特定したクラスタに所属する因子データそれぞれの観測日時に対応する予測対象の過去の観測データを対象観測データ4006Aから抽出し、抽出した観測データの対象観測データ4006Aへの適合をより強める様に、識別モデル(時間推移関数識別モデル)3006Bを変更する。ここでの適合の尺度は、例えば、対象観測データとモデルから算出される推定値との残差平方和などで定義してもよい。
(1−4−3−2)時間推移関数識別部
時間推移関数識別部3008A2は、時間推移関数識別モデル変更部3008A1が変更したモデルと、因子予報データ3010Aとを用いて、予測対象期間における予測対象の時間推移を算出するための時間推移関数を識別する。
時間推移関数識別部3008A2は、時間推移関数識別モデル変更部3008A1が変更したモデルと、因子予報データ3010Aとを用いて、予測対象期間における予測対象の時間推移を算出するための時間推移関数を識別する。
具体的には、時間推移関数識別モデル変更部3008A1により変更を受けた識別モデルであるところの識別器に対し、因子予報データ3010Aを入力することで、予測対象期間における予測対象の時間推移を算出するための時間推移関数を算出する。なお時間推移関数が一意に特定できず複数の関数が算出された場合、識別器から別途出力されるそれぞれの関数に対する確率や尤度等のデータで重み付けした関数としてもよいし、単純に線形結合をしてもよい。
(1−4−3−3)補正データ算出部
補正データ算出部3008A3は、因子データ分類部3007が算出した因子データの分類結果3007Bと、因子予報データ3010Aとを用いて、時間推移関数識別部3008A2が算出した予測対象期間における予測対象の時間推移を示す関数(時間推移関数)の振幅値の大小を補正するための補正データを算出する。なおここでの補正データとは、具体的には、例えば、予測対象期間もしくは予測対象期間内の任意の期間における予測対象の最大値、最小値、積算値、あるいは予測対象期間内の任意の時刻の予測対象の値、もしくは上記関数に対して加算、減算するバイアス値や、関数に対して乗算する倍率値などである。
補正データ算出部3008A3は、因子データ分類部3007が算出した因子データの分類結果3007Bと、因子予報データ3010Aとを用いて、時間推移関数識別部3008A2が算出した予測対象期間における予測対象の時間推移を示す関数(時間推移関数)の振幅値の大小を補正するための補正データを算出する。なおここでの補正データとは、具体的には、例えば、予測対象期間もしくは予測対象期間内の任意の期間における予測対象の最大値、最小値、積算値、あるいは予測対象期間内の任意の時刻の予測対象の値、もしくは上記関数に対して加算、減算するバイアス値や、関数に対して乗算する倍率値などである。
具体的には、先ず因子データ分類部3007が算出した各種因子の過去の観測時系列データのクラスタリング後の分類結果データ3007Bの内、因子予報データ3010Aに格納されている予測対象期間における因子の値の時間推移の予報時系列データと類似するクラスタを、因子のそれぞれについて特定する。ここで類似の尺度は、例えば各時系列データの周期的な特徴を示す指標データのユークリッド距離で定義してもよい。
そして特定したクラスタに所属する因子データそれぞれの観測日時に対応する予測対象の過去の観測データを対象観測データ4006Aから抽出し、抽出した対象観測データと、上記の特定したクラスタに所属する因子データとを用いて補正データを算出する。ここでの算出方法は、抽出した対象観測データの算術平均でもよいし、あるいは特定したクラスタに所属する因子データと予測対象期間における因子データの予報値との類似度を示す指標データで重み付けした平均であってもよい。あるいは特定したクラスタに所属する因子データと抽出した対象観測データとから回帰モデルを同定し、同定した回帰モデルに対して因子予報データ3010Aを入力することで補正データを算出してもよい。またこのとき、さらに特定したクラスタに所属する因子データと予測対象期間における因子データの予報値との類似度を示す指標データを重みとした重み付きでのモデル同定であってもよい。
(1−4−3−4)時間推移関数補正部
時間推移関数補正部3008A4は、補正データ算出部3008A3が算出した補正データを用いて、時間推移関数識別部3008A2が算出した予測データのその時間推移が、因子の値の時間推移に類似する関数(時間推移関数)を補正することで、予測対象期間における予測データ3008を算出する。
時間推移関数補正部3008A4は、補正データ算出部3008A3が算出した補正データを用いて、時間推移関数識別部3008A2が算出した予測データのその時間推移が、因子の値の時間推移に類似する関数(時間推移関数)を補正することで、予測対象期間における予測データ3008を算出する。
具体的には、補正データ算出部3008A3が算出した補正データに適合するように、時間推移関数識別部3008A2が算出した予測対象の時間推移を示す関数の振幅あるいは周波数を変更する。ここでの適合の尺度は、例えば、補正データと、予測対象の時間推移を示す関数から算出される推定値との平方残差和として定義しても良い。また時間推移を示す関数が計算式で表現される形態の場合、補正後の関数に対して因子予報データ3010Aに格納されている各種因子の予報値を入力することで、予測対象の予測データを算出する。あるいは、時間推移を示す関数が数値ベクトルである場合、補正後の数値ベクトルを予測対象の予測データ3008として算出する。そして算出した予測データ3008を演算結果データ3011Aとして、演算結果データ記憶部3011に格納する。
以上までに説明した予測演算処理によって算出された演算結果データ3011Aに基づいて、設備管理装置60が運用可能な発電設備の運転計画を算出し、制御装置61に送信する。運転計画を受信した制御装置61は、発電設備の具体的な制御値を算出し、実際の制御を実行する。
また取引管理装置50は、他の電気事業者や取引市場との電力の売買にかかわる取引計画を作成し、市場運用管理装置80に対して売買注文や注文取消しなどの電文を送信する。
以上の動作を以って、需給管理システム1の動作は完結する。
以上の動作を以って、需給管理システム1の動作は完結する。
(1−5)本発明の効果の説明
図8と図9に、本実施の形態による効果と原理を説明する概念図を示す。
先ず図8は、時間推移関数群生成部3006A1および時間推移関数識別モデル生成部3006A2により算出された識別モデル(時間推移関数識別モデル)3006Bに従い、予測対象期間における予測対象の時間推移を示す値の予測データ3008Bを算出する過程、および結果の概念を示している。なおここでの予測対象は日内の時刻毎の電力需要であり、また説明の簡単のため、因子は日平均気温のみとしている。
図8と図9に、本実施の形態による効果と原理を説明する概念図を示す。
先ず図8は、時間推移関数群生成部3006A1および時間推移関数識別モデル生成部3006A2により算出された識別モデル(時間推移関数識別モデル)3006Bに従い、予測対象期間における予測対象の時間推移を示す値の予測データ3008Bを算出する過程、および結果の概念を示している。なおここでの予測対象は日内の時刻毎の電力需要であり、また説明の簡単のため、因子は日平均気温のみとしている。
先ず80001に示すグラフは、予測対象期間を含めたある5日間の気温の時間推移を示すグラフである。なお80003に点線で示す部分は、予測対象期間における気温の時間推移の予測データである。次いで80002に示すグラフは、同一の5日間における予測対象である電力需要の時間推移を示すグラフであり、80004に示す枠内の電力需要の時間推移の値が予測対象である。
ここで、因子である日平均気温の値は、80001に示す様に何れの日も「0℃」であることから、因子データ分類に基づくモデル変更を行わない場合、時間推移関数識別モデル生成部3006A2が算出する識別モデルは、80002に示す4日間の電力需要の時間推移を示す曲線の平均的な曲線を表す関数を識別するようなモデルとなる。従って、80005のグラフで示す様に、予測対象期間における時間推移を示す関数は、過去4日間の平均である80005aに示す曲線をあらわす関数となる。その結果、80006のグラフ中の80007で示す真の電力需要値に対し、誤差が発生してしまう。
一方、因子データ分類に基づくモデル変更を行う場合、本実施の形態における因子データ分類部3007では、80001aから80001dに示す因子である気温の時間推移の過去の観測データを、それぞれの周期的な特徴を示す指標データに基づいて、80001aと80001cの第一の群(気温が時間推移とともに減少傾向にある指標データの群)、および80001bと80001dの第二の群(気温が時間推移ともに増加傾向にある指標データの群)に分類する。そして80003に示す予測対象期間における気温の時間推移の周期的な特徴を示す指標データ(気温が時間推移とともに減少傾向にある指標データ)と類似する第一の群の過去の観測データを抽出する。そして抽出した第一の群の気温が観測された日時に対応する電力需要の観測データである80002aと80002cに基づいて、識別モデル(時間推移関数識別モデル)を変更する。従って、80008のグラフに示す様に、変更後の識別モデルより識別された時間推移関数は、80008aで示す上記の2日分の観測データの平均的な曲線である80008bに示す時間推移を示す曲線をあらわす関数であり、この関数に基づいた予測の結果、80009のグラフに示す様に、80007で示す真の電力需要値に対する誤差が減少する。
他方、図9は、本実施の形態における補正データ算出部3008A3で行われたモデル変更の効果と原理を示している。なおここでの補正データ(予測対象)は日ごとの積算需要量であり、また説明の簡単のため、因子は日積算気温のみとしている。
先ず90001に示す散布図は、因子である日積算気温に対する、予測対象である日積算需要の、過去の観測データ上での関係を示している。ここで90002と90003で示す気温の日内の時間推移にて示す様に、日積算気温の値が同一であっても、電力需要のピーク時間帯である日中の気温推移に依存して、日積算需要の規模が異なる。同様に90004と90005のグラフにて示す様に、夏季においても同様の傾向が存在する。
このとき、因子データ分類に基づくモデル変更を行なわずに、一般的な最小二乗法によるモデル同定を行うと、90006に示す様に、全データとの残差平方和が最小となるような、平均的なモデルが同定される。しかし90007に示す様に、予測対象期間における日中の気温が低下傾向である場合、90008に示す真の日積算需要値に対し、予測される日積算需要値は、90009に示す様に過少に予測されることとなる。
一方、因子データ分類に基づくモデル変更を行う場合、本実施の形態における因子データ分類部3007では、90002、90003、90004、90005のグラフに示す様に、因子である気温の時間推移の周期的な特徴が類似するデータ同士をそれぞれ群として分類する。そして90007に示す予測対象期間における因子の時間推移(気温が時間推移とともに減少傾向にあるデータ)と類似する群である90002に示す因子観測データ(気温が時間推移とともに減少傾向にあるデータ)を抽出し、抽出した因子観測データを観測した日時に対応する予測対象の観測データとの適合が寄り強くなるよう、90010に示す様にモデルを変更する。その結果、90011に示す様に、真の日積算需要値に対する誤差が減少する。
以上のように、因子の値の時間推移に基づいて、予測データの算出に用いるモデルを変更することで、予測誤差の減少を実現することが可能となる。
(2)他の実施形態
(2−1)因子データ分類部の変形例
上記の実施形態では、因子データ分類部3007において、各種因子の周期的な特徴を示す指標データを用いたクラスタリング処理により因子データを分類するとしたが、本発明の趣旨である因子の時間推移の類似性に基づいた予測もしくは計画算出のためのモデルの変更を逸脱しない範囲で実施の形態を変形してもよい。
(2−1)因子データ分類部の変形例
上記の実施形態では、因子データ分類部3007において、各種因子の周期的な特徴を示す指標データを用いたクラスタリング処理により因子データを分類するとしたが、本発明の趣旨である因子の時間推移の類似性に基づいた予測もしくは計画算出のためのモデルの変更を逸脱しない範囲で実施の形態を変形してもよい。
例えば、各種因子における、過去の観測データの周期的な特徴を示す指標データと、予測対象期間における周期的な特徴を示す指標データとの距離あるいは差分量が、予め設定した値の範囲である因子の過去の観測データのみを抽出し、抽出した因子の過去の観測データによってモデルの変更を行うとしても良い。
あるいは、各種因子における、過去の観測データの周期的な特徴を示す指標データと、予測対象期間における周期的な特徴を示す指標データとの距離あるいは差分量を、予測もしくは計画対象の過去の観測データに対する重みとしたうえで、モデルの変更を行うとしても良い。
(2−2)モデル同定部の変形例
上記の実施形態では、モデル同定部3006が算出した予測データもしくは計画データ算出のためのモデル(識別モデル)を、モデル変更部3008が変更するとして説明したが、これに限らず、予測データもしくは計画データ算出のためのモデルの同定と変更を同時に処理するとしてもよい。すなわち、予測データもしくは計画データ算出のためのモデルの同定処理の時点において、因子データ分類部3007が算出したデータを使用した上でモデル同定を行うとしても良い。
上記の実施形態では、モデル同定部3006が算出した予測データもしくは計画データ算出のためのモデル(識別モデル)を、モデル変更部3008が変更するとして説明したが、これに限らず、予測データもしくは計画データ算出のためのモデルの同定と変更を同時に処理するとしてもよい。すなわち、予測データもしくは計画データ算出のためのモデルの同定処理の時点において、因子データ分類部3007が算出したデータを使用した上でモデル同定を行うとしても良い。
具体的には、例えば、因子データ分類部3007が算出した、予測対象期間における因子の予測データの時間推移に類似する時間推移を示す過去の因子観測データと、それら因子観測データを観測した日時に対応する予測もしくは計画対象の観測データとを用いて、予測もしくは計画データ算出のためのモデルの同定を行っても良い。あるいは、過去の観測データの周期的な特徴を示す指標データと、予測対象期間における周期的な特徴を示す指標データとの距離あるいは差分量を、予測もしくは計画対象の過去の観測データに対する重みとした上で、モデルの同定を行っても良い。より具体的には、例えば、過去の観測データの周期的な特徴を示す指標データと、予測対象期間における周期的な特徴を示す指標データとの距離あるいは差分量を、予測もしくは計画対象の過去の観測データに対する重みとした、単回帰モデルや重回帰モデルのパラメータ推定、気温波形の類似性を重みとした回帰パラメータ推定あるいは上記重みを用いたCART、ID3、ランダムフォレストなどの決定木学習や、SVM(Support Vector Machine)などの識別平面学習などである。
また、上記の実施形態では、因子データ分類部3007が算出したデータを元に新たに抽出した因子および対象の観測データを用いたモデルの同定や変更、もしくは因子データ分類部3007が算出したデータを基に算出した重み係数を用いたモデルの同定や変更について説明したが、これに限らず、因子データ分類部3007が算出したデータを新たな因子データとして、モデル同定部3006が行うモデル同定処理、もしくはモデル変更部3008が行うモデル変更処理を実施してもよい。
具体的には、例えば、因子データ分類部3007において各種因子の時間推移が類似するデータ同士をクラスタとして分類した後、各種因子データが所属するクラスタを識別する識別子を新たな因子データとして、単回帰モデルや重回帰モデルのパラメータ推定処理、あるいはCART、ID3、ランダムフォレストなどの決定木学習処理や、SVM(Support Vector Machine)などの識別平面学習処理を行っても良い。なおこの変形例の場合、予測もしくは計画対象期間における各種因子のその時間推移が、各種因子の値の時間推移に最も近い時間推移であるクラスタの識別子を特定し、特定した識別子を因子予報データ3010Aに加えることで、予測データもしくは計画データの算出を行う。また、属性候補として、「気温の時間変化の情報」を導入したプロファイリングを実行することもできる。
(2−3)対象の変形例
上記の実施形態では、予測データを算出するためのモデルを電力需要の予測モデルとして説明したが、これに限らず、予測の誤差あるいは偏差の予測データを算出するためのモデルとしてもよい。
上記の実施形態では、予測データを算出するためのモデルを電力需要の予測モデルとして説明したが、これに限らず、予測の誤差あるいは偏差の予測データを算出するためのモデルとしてもよい。
すなわち、図10に示す様に、上記の実施形態において最終的に算出する演算結果データ3011Aに格納された、現在日時までに算出した電力需要の予測データと、現在日時までに観測された対象観測データである電力需要データ4006Bとの差分である誤差もしくは偏差を算出する、そして、この誤差もしくは偏差を予測対象として、上記の実施形態で説明したモデル同定部3006、因子データ分類部3007、そしてモデル変更部3008の処理を施すことで、因子の時間推移に基づいた需要予測誤差もしくは需要予測偏差を算出するためのモデルの変更と、変更したモデルによる、需要予測誤差もしくは需要予測偏差の予測データ算出を行っても良い。なお算出した需要予測誤差もしくは需要予測偏差に、演算結果データ3011Aに格納されている予測対象期間における元の予測データに加算することで、新たな予測データ3008Cを算出する。
(2−4)対象の変形例
上記の実施形態では、データ処理システム12が行う処理は予測データの算出として説明したが、これに限らず、例えば、発電機の起動停止計画や、電力卸取引所における電力売買計画などの計画データを対象としても良い。
上記の実施形態では、データ処理システム12が行う処理は予測データの算出として説明したが、これに限らず、例えば、発電機の起動停止計画や、電力卸取引所における電力売買計画などの計画データを対象としても良い。
図11は、需給管理システム1の一部を構成する本実施の形態による計画演算システムとしてのデータ処理システムを示す。本実施の形態のデータ処理システム12は、計画対象である電力需要の値の計画データを算出するシステムであって、計画演算装置33、および設備管理装置60から構成される。
計画演算装置33は、因子観測データ3009Aおよび因子予報データ3010Aと、設備管理装置60が保持する対象観測データ4006Aとに基づいて、予測対象期間における計画対象である電力需要の予測データを算出し、演算結果データ3011Aに保持する。ここで演算結果データ3011Aは、少なくとも、算出した将来時点の代表需要値の予測データ、あるいは将来期間における需要値の時間推移を示す曲線、および曲線を補正することで算出した予測データの情報を含む。そして計画演算装置33は、このようにして算出した演算結果データ3011Aを設備管理装置60および制御装置61に送信する。
この変形例においては、データ処理システム12に入力する対象観測データ4006Aを上記計画データの過去のデータとし、以降のデータ処理は上記の実施形態で説明した処理を施せばよい。
具体的に、例えば発電機の起動停止計画では、対象観測データ4006Aは、時刻ごとに起動した発電機の台数の系列や発電機の識別子の系列、そして各発電機の時刻毎の発電出力値の系列で構成される。そして因子観測データ3009Aは、公共情報配信装置90から受信する気温等の気象情報に加え、少なくとも販売管理装置40から受信する電力需要データも含む。従って因子予報データ3010Aには、気象情報の予報データに加え、少なくとも予測演算装置30から受信する電力需要の予測データも含む。
ここで、モデル同定部3006で同定される計画作成の演算モデル13000の例を、図12を用いて説明する。図12は、因子データである気温や需要を入力とし、対象データである発電機の起動停止計画を出力データとしたときの、入出力の対応関係をモデルとした場合の概念を示した図である。具体的に、例えば演算モデル「A」は、入力データ1である気温の推移が日中に高くなり、かつ入力データ2である需要も日中にピークを迎えるような時間推移であった場合、3列目の様に、発電機a、b、cの時刻毎の起動停止計画が出力されることを示している。
以降、すでに説明した因子データ分類部3007、モデル変更部3008の処理を行うことで、図12に示す計画算出の演算モデルを変更し、発電機の起動停止計画を算出し、演算結果データ3011Aに格納する。
(2−5)モデル変更部の変形例
上記の実施形態では、因子データ分類部3007が算出したデータに基づいたモデルの変更を、ある一つのモデルを対象とする様に説明したが、これに限らず、複数のモデルからの選択もしくは切換としてのモデル変更処理であってもよい。
上記の実施形態では、因子データ分類部3007が算出したデータに基づいたモデルの変更を、ある一つのモデルを対象とする様に説明したが、これに限らず、複数のモデルからの選択もしくは切換としてのモデル変更処理であってもよい。
具体的に、図13を用いて説明する。先ずモデル同定部3006は、対象観測データ4006Aと因子観測データ3009Aとを用いて、予測データもしくは計画データを算出するためのモデルを、複数同定する。なお同定するモデルの種類数は、予め設定しておくとしてもよい。そして因子データ分類部3007、上記の実施形態で説明した特徴量算出部3007A1と特徴量分類部3007A2の処理を通じて、各種因子の値の時間推移が類似するデータ同士を群として分類する。そして関係演算部3007A3は、各種因子の値の時間推移が類似するデータ同士の群のそれぞれに対して、モデル同定部3006が算出した複数のモデルそれぞれとの適合性を示す指標データを算出する。ここで適合性を示す指標データとは、例えばそれぞれnモデルが算出する推定値と、上記のそれぞれ群に所属する因子の観測日時に対応する対象観測データの値との平方残差和として定義してもよい。そしてモデル変更部3008は、特徴量分類部3007A2が算出した群のうち、因子予報データ3010Aに格納されている各種因子のその時間推移が、各種因子の値の時間推移に類似する群を特定し、特定された群との適合性を示す指標データが最も高いモデルを選択し、選択したモデルを用いて予測データもしくは計画データを算出する。以上の処理により、本変形例におけるモデル変更部3008は、因子の時間推移に基づいて、予測データもしくは計画データを算出するためのモデルを切り替えるような変更処理を行う。
また上記の変形例では、予測されている因子の時間推移に基づいたフィードフォワードに近いモデル変更を行うものとして説明したが、予測対象期間において観測される最新の因子の時間推移に基づいて適宜モデル変更を行い続けるといったフィードバックに近いモデル変更を行うとしてもよい。
(2−6)その他の変形例
また本実施の形態における需給管理システム1では、説明の簡単のために、表示部を省いているが、各処理部の算出結果や、各処理部の算出の中間結果を、ディスプレイやプリンタなどの出力装置を通じて、適宜出力しても良い。
また本実施の形態における需給管理システム1では、説明の簡単のために、表示部を省いているが、各処理部の算出結果や、各処理部の算出の中間結果を、ディスプレイやプリンタなどの出力装置を通じて、適宜出力しても良い。
また本実施の形態におけるデータ処理システム12が行う予測では、予測対象を電力需要として説明したが、これに限らず、例えば太陽光発電や風力発電の発電量、あるいは電力取引所で売買される電力商品の約定価格や出来高など、時間推移を伴って観測される時系列データが存在する対象であれば適用してもよい。また電力の分野に限らず、例えば通信事業における基地局の通信量や、ある局所的な車両や人の通行量など、同じく時間推移を伴って観測される時系列データが存在する分野を対象に適用してもよい。なお、時間推移を示すデータは、生値の系列でも良いし、時間推移を示すデータ=特長ベクトル(生値系列をフーリエ変換することで得られる各種周波数強度のベクトル)であっても良い。また、時間推移を示すデータをモデルの新たな説明変数とすることができる。この場合、説明変数は、離散値やスカラ値となる。
1……需給管理システム、2……電気事業者、3……需給管理者、4……営業管理者、5……取引管理者、6……設備管理者、7……系統運用者、8……取引市場運用者、9……公共情報提供者、10……需要家、30……予測演算装置、31……情報入出力端末、40……販売管理装置、50……取引管理装置、60……設備管理装置、61……制御装置、70……系統情報管理装置、80……市場運用管理装置、90……公共情報配信装置、111……通信経路、112……通信経路。
Claims (16)
- 任意の対象の予測データもしくは計画データを算出するデータ処理システムであって、
前記予測データもしくは前記計画データに関わる各種因子の値の時間推移を示す情報に基づいて、前記予測データもしくは前記計画データを算出するための演算に用いるモデルを変更する演算部を有すること
を特徴とするデータ処理システム。 - 前記演算部は、
前記予測データもしくは前記計画データに関わる各種因子の観測データについて、時間推移を示すデータである第一の指標データをそれぞれ算出する第一の処理部と、
前記予測データもしくは前記計画データに関わる各種因子の予測データについて、時間推移を示すデータである第二の指標データを算出する第二の処理部と、
前記第一の指標データそれぞれについて、前記第二の指標データとの類似度を示す指標データを算出し、前記算出した前記類似度を示す指標データに基づいて、前記予測データもしくは前記計画データを算出するための演算に用いるモデルを同定もしくは変更する第三の処理部を有すること
を特徴とする請求項1に記載のデータ処理システム。 - 前記演算部は、
前記予測データもしくは前記計画データに関わる各種因子の因子観測データについて、時間推移を示すデータである第一の指標データをそれぞれ算出する第一の処理部と、
前記予測データもしくは前記計画データに関わる各種因子の因子予測データについて、時間推移を示すデータである第二の指標データを算出する第二の処理部と、
前記第一の指標データそれぞれについて、前記第二の指標データとの類似度を示す指標データを算出し、前記算出した因子の値の時間推移の類似度を示す指標データが高いデータへの適合性を高めるように、前記予測データもしくは前記計画データを算出するための演算に用いるモデルを同定もしくは変更する第三の処理部を有すること
を特徴とする請求項1に記載のデータ処理システム。 - 前記演算部は、
前記予測データもしくは前記計画データに関わる各種因子の因子観測データについて、所定の変数を示す第一の指標データをそれぞれ算出する第一の処理部と、
前記予測データもしくは前記計画データに関わる各種因子の因子予測データについて、所定の変数を示す第二の指標データを算出する第二の処理部と、
前記算出した第一の指標データおよび前記第二の指標データを新たな因子データとして用いて、前記予測データもしくは前記計画データを算出するための演算に用いるモデルを同定もしくは変更する第三の処理部を有すること
を特徴とする請求項1に記載のデータ処理システム。 - 前記所定の変数には、説明変数が含まれること
を特徴とする請求項4に記載のデータ処理システム。 - 前記第一の処理部は、
観測された予測対象の時系列データから、予測対象期間における予測対象の時間推移を示す曲線を算出するためのモデルを同定し、
前記第三の処理部は、
前記第一の処理部で同定したモデルを用いて、予測対象期間における予測対象の時間推移の予測データを示す曲線を算出し、
前記算出した曲線の振幅、もしくは周波数、もしくはその両方を変更するためのデータを算出するモデルを同定し、
前記同定したモデルを用いて算出したデータに適合するように、前記算出した曲線を変更することで、予測対象期間における予測対象の時間推移の予測データを算出すること
を特徴とする請求項2〜5のいずれか1項に記載のデータ処理システム。 - 前記第二の処理部は、
所定の時間間隔で観測された予測対象の時系列データそれぞれを、時間推移の種類を示すデータが近接している時系列の集合に分類し、
前記第三の処理部は、
前記予測対象の時系列の変動に影響を与える各種因子データを用いて、前記第二の処理部で分類した時系列の集合から、予測対象期間における予測対象の時系列を算出するためのモデルを算出すること
を特徴とする請求項6に記載のデータ処理システム。 - 前記演算部は、
予測対象もしくは計画対象の観測データと、前記予測対象もしくは前記計画対象に関わる各種因子の因子観測データとから、前記予測データもしくは前記計画データを算出するための演算に用いるモデルの候補を複数同定し、
前記因子それぞれにおける時間推移を示す情報に基づいて、前記予測データもしくは前記計画データを算出するための演算に用いるモデルを選択すること
を特徴とする請求項1に記載のデータ処理システム。 - 前記演算部は、
前記予測データもしくは前記計画データを、前記各予測データもしくは前記各計画データが関わる因子観測データのその時間推移が、因子の値の時間推移に類似するデータの集合に分類し、
前記分類したデータ集合それぞれと、前記予測データもしくは前記計画データを算出するための演算に用いる複数のモデルの候補のそれぞれとの間の適合性を示す指標データを算出し、
予測対象期間もしくは計画対象期間において予測された因子のその時間推移が、前記因子の値の時間推移に最も近い、前記分類したデータ集合を特定し、
前記特定したデータ集合との適合性を示す指標データが高いモデルを、前記予測データもしくは前記計画データを算出するための演算に用いる複数のモデルとして選択すること
を特徴とする請求項8に記載のデータ処理システム。 - 前記演算部は、
前記予測データもしくは前記計画データを、前記各予測データもしくは前記各計画データが関わる因子観測データのその時間推移が、因子の値の時間推移に類似するデータの集合に分類し、
前記分類したデータ集合それぞれと、前記予測データもしくは前記計画データを算出するための演算に用いる複数のモデルの候補のそれぞれとの間の適合性を示す指標データを算出し、
予測対象期間もしくは計画対象期間において観測された因子のその時間推移が、前記因子の値の時間推移に最も近い、前記分類したデータ集合を特定し、
前記特定したデータ集合との適合性を示す指標データが高いモデルを、前記予測データもしくは前記計画データを算出するための演算に用いる複数のモデルとして選択すること
を特徴とする請求項8もしくは請求項9に記載のデータ処理システム。 - 前記時間推移の種類を示す情報は、所定期間ごとの値の時間推移の種類を識別するための識別子、又は数値列、もしくは関数であること
を特徴とする請求項1に記載のデータ処理システム。 - 前記算出される予測データは、電力需要量、前記予測データもしくは前記計画データに関わる各種因子のデータに使用する因子データは、少なくとも気温、
もしくは、前記算出される予測データは、太陽光発電量、前記予測データもしくは前記計画データに関わる各種因子のデータに使用する因子データは、少なくとも日射量、雲量湿度、
もしくは、前記算出される予測データは、卸電力価格、前記予測データもしくは前記計画データに関わる各種因子のデータに使用する因子データは、少なくとも電力需要量、発電計画、化石燃料の取引価格、
もしくは、前記算出される計画データは、発電機起動停止計画、前記予測データもしくは前記計画データに関わる各種因子のデータに使用する因子データは、少なくとも電力需要量、卸電力価格であること
を特徴とする請求項1〜11のいずれか1項に記載のデータ処理システム。 - 前記予測データもしくは前記計画データを算出するための演算に用いるモデルは、
少なくとも、予測対象期間もしくは計画対象期間における、予測対象もしくは計画対象の、値の時間推移を示す曲線を算出するためのモデルであること
を特徴とする請求項1〜12のいずれか1項に記載のデータ処理システム。 - 前記予測データもしくは前記計画データを算出するための演算に用いるモデルは、
少なくとも、前記時間推移を示す曲線の振幅、もしくは周波数、もしくはその両方を変更するためのデータを算出するためのモデルであること
を特徴とする請求項13に記載のデータ処理システム。 - 任意の対象の予測データもしくは計画データを算出するデータ処理方法であって、
前記予測データもしくは前記計画データに関わる各種因子の値の時間推移を示す情報に基づいて、前記予測データもしくは前記計画データを算出するための演算に用いるモデルを変更する演算ステップを有すること
を特徴とするデータ処理方法。 - 前記演算ステップは、
前記予測データもしくは前記計画データに関わる各種因子の観測データについて、時間推移を示すデータである第一の指標データをそれぞれ算出する第一のステップと、
前記予測データもしくは前記計画データに関わる各種因子の予測データについて、時間推移を示すデータである第二の指標データを算出する第二のステップと、
前記第一の指標データそれぞれについて、前記第二の指標データとの類似度を示す指標データを算出し、前記算出した前記類似度を示す指標データに基づいて、前記予測データもしくは前記計画データを算出するための演算に用いるモデルを同定もしくは変更する第三のステップを有すること
を特徴とする請求項15に記載のデータ処理方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016236105A JP7319757B2 (ja) | 2016-12-05 | 2016-12-05 | データ処理システム及びデータ処理方法 |
US16/332,076 US11409498B2 (en) | 2016-12-05 | 2017-11-17 | Data processing system and data processing method |
EP17879598.5A EP3550480A4 (en) | 2016-12-05 | 2017-11-17 | DATA PROCESSING SYSTEM AND DATA PROCESSING METHOD |
PCT/JP2017/041400 WO2018105357A1 (ja) | 2016-12-05 | 2017-11-17 | データ処理システム及びデータ処理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016236105A JP7319757B2 (ja) | 2016-12-05 | 2016-12-05 | データ処理システム及びデータ処理方法 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2018092439A JP2018092439A (ja) | 2018-06-14 |
JP2018092439A5 true JP2018092439A5 (ja) | 2019-05-09 |
JP7319757B2 JP7319757B2 (ja) | 2023-08-02 |
Family
ID=62490871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016236105A Active JP7319757B2 (ja) | 2016-12-05 | 2016-12-05 | データ処理システム及びデータ処理方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11409498B2 (ja) |
EP (1) | EP3550480A4 (ja) |
JP (1) | JP7319757B2 (ja) |
WO (1) | WO2018105357A1 (ja) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6735219B2 (ja) | 2016-12-05 | 2020-08-05 | 株式会社日立製作所 | 予測システム及び予測方法 |
US11875371B1 (en) | 2017-04-24 | 2024-01-16 | Skyline Products, Inc. | Price optimization system |
CA3114157C (en) * | 2018-11-01 | 2023-06-27 | Nec Corporation | Process management device, process management method, and process management program storage medium |
US11221607B2 (en) * | 2018-11-13 | 2022-01-11 | Rockwell Automation Technologies, Inc. | Systems and methods for analyzing stream-based data for asset operation |
US11740912B2 (en) | 2019-02-01 | 2023-08-29 | Nec Corporation | Operation support apparatus, system, method, and non-transitory computer readable medium storing program |
KR102065780B1 (ko) * | 2019-03-20 | 2020-01-13 | (주)제타큐브사이언스 | 빅데이터를 활용한 인공지능 시계열 데이터 예측을 수행하는 전자 장치 및 그 예측 방법 |
JP7243361B2 (ja) * | 2019-03-25 | 2023-03-22 | 富士通株式会社 | ジョブスケジューラ及びジョブスケジュール制御方法 |
KR102628551B1 (ko) * | 2019-05-14 | 2024-01-26 | 한국전력공사 | 하이브리드 타입 단기 전력수요 예측 장치 및 방법 |
JP6857301B2 (ja) * | 2019-06-06 | 2021-04-14 | 国立大学法人九州大学 | 電力需要量予測装置及び電力需要量予測方法 |
WO2020261449A1 (ja) * | 2019-06-26 | 2020-12-30 | 日本電信電話株式会社 | 学習装置、予測装置、学習方法、予測方法、学習プログラム、及び予測プログラム |
JP7257276B2 (ja) * | 2019-07-05 | 2023-04-13 | 株式会社日立製作所 | データ予測システム及びその方法 |
US11636310B2 (en) * | 2019-08-23 | 2023-04-25 | Johnson Controls Tyco IP Holdings LLP | Building system with selective use of data for probabilistic forecasting |
JP7316233B2 (ja) * | 2020-02-12 | 2023-07-27 | 株式会社日立製作所 | データ処理システムおよびデータ処理方法 |
WO2021210107A1 (ja) * | 2020-04-15 | 2021-10-21 | 日本電信電話株式会社 | モデル作成装置、モデル作成方法、及びモデル作成プログラム |
KR20210146528A (ko) | 2020-05-27 | 2021-12-06 | 삼성전자주식회사 | 전자장치 및 그 제어방법 |
CN111784381B (zh) * | 2020-06-09 | 2023-05-16 | 北京邮电大学 | 基于隐私保护和som网络的电力客户细分方法及系统 |
JP2022178003A (ja) * | 2021-05-19 | 2022-12-02 | 株式会社日立製作所 | 推定システムおよび推定方法 |
CN114429249B (zh) * | 2022-04-06 | 2022-08-16 | 杭州未名信科科技有限公司 | 钢管束生产设备的寿命预测方法、系统、设备及存储介质 |
CN114757722B (zh) * | 2022-06-09 | 2023-11-14 | 荣耀终端有限公司 | 一种电子设备的销量预测方法和装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4660281B2 (ja) * | 2005-05-27 | 2011-03-30 | 株式会社東芝 | 電力取引支援システムと方法、およびプログラム |
JP2007199862A (ja) * | 2006-01-24 | 2007-08-09 | Nippon Telegr & Teleph Corp <Ntt> | エネルギー需要予測方法、予測装置、プログラム、および記録媒体 |
JP2009225613A (ja) | 2008-03-18 | 2009-10-01 | Tokyo Electric Power Co Inc:The | 電力需要予測装置及び電力需要予測方法 |
US9292013B2 (en) | 2012-01-12 | 2016-03-22 | Enerallies, Inc. | Energy management computer system |
JP5797599B2 (ja) * | 2012-04-19 | 2015-10-21 | 株式会社日立パワーソリューションズ | 発電量予測方法及びそのシステム |
JP2014180187A (ja) | 2013-03-15 | 2014-09-25 | Toshiba Corp | 電力需要予測装置、方法及びプログラム並びに需要抑制計画策定装置 |
JP6297466B2 (ja) * | 2014-10-22 | 2018-03-20 | 株式会社日立製作所 | 卸電力価格予測システムおよび卸電力価格予測方法 |
JP6408451B2 (ja) | 2015-05-21 | 2018-10-17 | 株式会社日立製作所 | エネルギー需要予測システム及びエネルギー需要予測方法 |
-
2016
- 2016-12-05 JP JP2016236105A patent/JP7319757B2/ja active Active
-
2017
- 2017-11-17 EP EP17879598.5A patent/EP3550480A4/en not_active Ceased
- 2017-11-17 US US16/332,076 patent/US11409498B2/en active Active
- 2017-11-17 WO PCT/JP2017/041400 patent/WO2018105357A1/ja active Application Filing
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7319757B2 (ja) | データ処理システム及びデータ処理方法 | |
JP2018092439A5 (ja) | ||
JP6895416B2 (ja) | エネルギー需要予測システム及びエネルギー需要予測方法 | |
Saber et al. | Short term load forecasting using multiple linear regression for big data | |
US11593690B2 (en) | Data prediction system and data prediction method | |
US11107094B2 (en) | Prediction system and prediction method | |
JP6837949B2 (ja) | 予測システム及び方法 | |
Mansoor et al. | Comparison of echo state network and feed-forward neural networks in electrical load forecasting for demand response programs | |
US20190228329A1 (en) | Prediction system and prediction method | |
Park et al. | A framework for baseline load estimation in demand response: Data mining approach | |
US10740773B2 (en) | Systems and methods of utilizing multiple forecast models in forecasting customer demands for products at retail facilities | |
Shchetinin | Cluster-based energy consumption forecasting in smart grids | |
El-Attar et al. | Forecasting electric daily peak load based on local prediction | |
Jurado et al. | Short-term electric load forecasting using computational intelligence methods | |
Li et al. | Machine learning algorithm generated sales prediction for inventory optimization in cross-border E-commerce | |
Chien et al. | Intelligent supply chain management modules enabling advanced manufacturing for the electric-mechanical equipment industry | |
Matsuo et al. | Forecasting daily electric load by applying artificial neural network with fourier transformation and principal component analysis technique | |
Abrishami et al. | Using real-world store data for foot traffic forecasting | |
WO2016185919A1 (ja) | エネルギー需要予測システム及びエネルギー需要予測方法 | |
Vaitkus et al. | Electrical spare parts demand forecasting | |
Oliveira et al. | Long-Term Energy Consumption Forecast for a Commercial Virtual Power Plant Using a Hybrid K-means and Linear Regression Algorithm | |
Cvrk et al. | Marketing Automation in the Services Sector with Combined Artificial Intelligence | |
Russo | Adaptive product classification for inventory optimization in multi-echelon networks | |
Zhao | Research on E-Commerce Retail Demand Forecasting Based on SARIMA Model and K-means Clustering Algorithm | |
Figlan | Short-Term Load Demand Forecasting For Transnet Port Terminal (Tpt) In East London Using Artificial Neural Network |