JP2018116700A - 推定プログラム、推定方法および推定装置 - Google Patents
推定プログラム、推定方法および推定装置 Download PDFInfo
- Publication number
- JP2018116700A JP2018116700A JP2018003495A JP2018003495A JP2018116700A JP 2018116700 A JP2018116700 A JP 2018116700A JP 2018003495 A JP2018003495 A JP 2018003495A JP 2018003495 A JP2018003495 A JP 2018003495A JP 2018116700 A JP2018116700 A JP 2018116700A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- demand
- influence
- charge
- degree
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
図1は、実施例1にかかる電力需要予測を説明する図である。図1に示す情報処理装置10は、定置型蓄電池システムの電力需要予測を実行する推定装置の一例であり、例えばサーバやパーソナルコンピュータなどである。
続いて、図1で説明した充放電計画の作成について説明する。図2は、実施例1にかかる最適化の流れを説明する図である。図1で説明したように、実施例1にかかる情報処理装置10は、電力需要予測をもとにして、電気料金の削減額を大きくする蓄電器の充放電計画を生成する。
図3は、実施例1にかかる情報処理装置10の機能構成を示す機能ブロック図である。図3に示すように、情報処理装置10は、通信部11、記憶部12、制御部20を有する。通信部11は、他の装置の通信を制御する処理部であり、例えばネットワークインタフェースカードや無線インタフェースなどである。
図5は、処理の流れを示すフローチャートである。図5に示すように、処理が開始されると(S101:Yes)、最適化部21は、適切な予測モデルを選択し(S102)、最尤法で予測モデルのパラメータを最適化する(S103)。
上述したように、情報処理装置10は、電力需要予測分布から乱数を多数発生させ、需要予測の不確かさを複数のシナリオとして表す。情報処理装置10は、各シナリオを、時刻毎に微小変動させ、仮にそのシナリオが達成された時の充放電計画に対する電気料金削減額の感度係数を調べる。これらを平均することで、時刻帯ごとの達成され得る電気料金削減額の影響度を求める。したがって、情報処理装置10は、電気料金削減に関して、重要な時刻帯を検出することができる。
ここで、ある日の充放電計画を比較する。具体的には、求解部23によって生成される一般的な充放電計画1と、再求解部27によって生成される影響度(βi)を考慮した充放電計画2とを比較する。なお、後述する図6と図7の横軸は時間であり、縦軸のプラスは放電量であり、縦軸のマイナスは充電量である。
図6は、最尤法で予測パラメータを最適化したときの充放電計画1の例を示す図である。図6に示すように、充放電計画1では、電気料金が高い10時前後から25時前後まで、予測の平均値を超える放電計画が計画されるので、計画の精度が低い。また、この充放電計画1では、全時刻帯の予測の平均二乗誤差が0.649、βi>0の時刻帯の予測の平均二乗誤差が0.759である。
続いて、ある日の充放電計画による電気料金削減額の予測分布を比較して説明する。具体的には、充放電計画1における電気料金削減額の予測分布と、影響度(βi)を考慮した充放電計画2における電気料金削減額の予測分布とを比較する。
次に、150日分の充放電計画の比較を行う。図10は、各充放電計画の平均二乗誤差を説明する図である。図10に示すように、予測1(充放電計画1)では、全時刻帯の予測の平均二乗誤差が「0.3363」、影響度(βi)>0の時刻帯における予測の平均二乗誤差が「0.3415」となった。一方で、予測2(充放電計画2)では、全時刻帯の予測の平均二乗誤差が「0.3426」、影響度(βi)>0の時刻帯における予測の平均二乗誤差が「0.3370」となった。
図12は、実施例2と実施例1の全体的な処理を説明する図である。図12に示すように、実施例1では、最尤法を用いて予測モデルのパラメータを最適化し、予測モデルに対してモンテカルロサンプリングを実行し、予測確率分布のサンプリング結果から電気料金削減額(充放電計画1)を決定する。そして、電気料金削減額に対する感度分析を行うことで、各時刻が電気料金削減額に与える影響度を算出した後、重みづけした尤度による予測モデルのパラメータの再フィッティングを行って、充放電計画2を生成する。
図13は、実施例2にかかる情報処理装置10の機能構成を示す機能ブロック図である。図13に示すように、情報処理装置10は、実施例1の図3と同様、通信を実行する通信部11、プログラムやデータなどを記憶する記憶装置の一例である記憶部12、プロセッサなどである制御部20を有する。実施例1と異なる点は、感度分析部30が実行する処理であることから、実施例2では感度分析部30について説明する。
上記実施例では、電力需要の予測を例にして説明したが、これに限定されるものではなく、例えばガスの需要予測など、時刻帯によって料金が異なる他の需要予測について適用することができる。なお、時刻帯によって料金が異なる需要予測に限らず、例えば場所などによって料金が異なる需要予測に対しても同様に適用することができ、この場合、実施例1の時刻帯を場所に置き換えることで、同様に処理することができる。
上述した予測モデルやサンプリングなどの方法は一例であり、他の公知の手法を用いることもできる。また、最適化問題の解答手法も一例であり、他の公知の手法を用いることもできる。
また、本実施例において説明した各処理のうち、自動的におこなわれるものとして説明した処理の全部または一部を手動的におこなうこともできる。あるいは、手動的におこなわれるものとして説明した処理の全部または一部を公知の方法で自動的におこなうこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
図16は、情報処理装置10のハードウェア構成例を説明する図である。図16に示すように、情報処理装置10は、通信インタフェース10a、HDD(Hard Disk Drive)10b、メモリ10c、プロセッサ10dを有する。
11 通信部
12 記憶部
13 電力需要予測データDB
14 蓄電池データDB
15 電気料金プランデータDB
16 充放電計画DB
20 制御部
21 最適化部
22 サンプリング部
23 求解部
24、30 感度分析部
25 再最適化部
26 再サンプリング部
27 再求解部
Claims (7)
- コンピュータに、
過去の需要実績データに対して、所定の情報量基準により選択される予測モデルの尤度関数のパラメータを最適化し、前記最適化によって得られる前記予測モデルから得られる需要予測の確率分布を用いて、第1の需要予測を推定し、
前記第1の需要予測で予測される期待値に影響を与える特定項目の影響度を算出し、
前記影響度による重みを付加した前記尤度関数のパラメータを再度最適化して得られる前記予測モデルに基づく需要予測の確率分布を用いて、第2の需要予測を推定する
処理を実行させることを特徴とする推定プログラム。 - 前記第1の需要予測を推定する処理は、過去の電力需要データと時刻帯ごとの電気料金と蓄電容量値とを用いて、最適化された前記予測モデルによる予測に対して最適化問題を解いて、電力の需要予測に対する第1の充放電計画を推定し、
前記算出する処理は、前記第1の充放電計画で予測される電気料金に影響を与える各時刻帯の影響度を算出し、
前記第2の需要予測を推定する処理により、前記電力の需要予測に対する第2の充放電計画を推定することを特徴とする請求項1に記載の推定プログラム。 - 請求項1記載の推定プログラムであって、前記第2の需要予測を推定する処理は、前記尤度関数のパラメータから前記第1の需要予測への影響度を用いて、前記尤度関数のパラメータの再度最適化を行う、推定プログラム。
- 請求項2記載の推定プログラムであって、前記第1の需要予測を推定する処理は、前記尤度関数の確率分布から前記確率分布を近似する複数の確率変数ベクトルを生成し、前記時刻帯ごとに複数の前記確率変数ベクトルそれぞれを微小変動させて、前記時刻帯ごとに複数の前記確率変数ベクトルの微小変動の平均値を前記時刻帯ごとの影響度として算出し、
前記第2の需要予測を推定する処理は、前記時刻帯ごとの前記平均値を付加した前記尤度関数のパラメータについて再度最適化を行うことを特徴とする推定プログラム。 - 請求項4記載の推定プログラムであって、前記時間帯ごとの影響度を算出する処理は、前記時刻帯ごとに複数の前記確率変数ベクトルの微小変動の前記尤度関数のパラメータから前記第1の需要予測への影響度を反映した平均値を前記時刻帯ごとの影響度として算出することを特徴とする、推定プログラム。
- コンピュータが、
過去の需要実績データに対して、所定の情報量基準により選択される予測モデルの尤度関数のパラメータを最適化し、前記最適化によって得られる前記予測モデルから得られる需要予測の確率分布を用いて、第1の需要予測を推定し、
前記第1の需要予測で予測される期待値に影響を与える特定項目の影響度を算出し、
前記影響度による重みを付加した前記尤度関数のパラメータを再度最適化して得られる前記予測モデルに基づく需要予測の確率分布を用いて、第2の需要予測を推定する
処理を実行することを特徴とする推定方法。 - 過去の需要実績データに対して、所定の情報量基準により選択される予測モデルの尤度関数のパラメータを最適化し、前記最適化によって得られる前記予測モデルから得られる需要予測の確率分布を用いて、第1の需要予測を推定する第1の推定部と、
前記第1の需要予測で予測される期待値に影響を与える特定項目の影響度を算出する算出部と、
前記影響度による重みを付加した前記尤度関数のパラメータを再度最適化して得られる前記予測モデルに基づく需要予測の確率分布を用いて、第2の需要予測を推定する第2の推定部と
を有することを特徴とする推定装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017004564 | 2017-01-13 | ||
JP2017004564 | 2017-01-13 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018116700A true JP2018116700A (ja) | 2018-07-26 |
JP7069732B2 JP7069732B2 (ja) | 2022-05-18 |
Family
ID=62984043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018003495A Active JP7069732B2 (ja) | 2017-01-13 | 2018-01-12 | 推定プログラム、推定方法および推定装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7069732B2 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220160292A (ko) * | 2021-05-27 | 2022-12-06 | 목포대학교산학협력단 | 이차 계획법을 이용한 ess 배터리 충방전 방법 및 컴퓨터 프로그램. |
CN115775088A (zh) * | 2023-02-13 | 2023-03-10 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气巡检计划确定方法与物联网系统 |
KR102668766B1 (ko) * | 2021-11-30 | 2024-05-24 | 한국생산기술연구원 | 상품 수요예측 모델 생성방법 및 이를 이용하여 상품의 수요를 예측하는 방법 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09326029A (ja) * | 1996-06-04 | 1997-12-16 | Fujitsu Ltd | 3次元計測方法及び装置 |
WO2013141039A1 (ja) * | 2012-03-22 | 2013-09-26 | 株式会社 東芝 | エネルギー管理装置、エネルギー管理方法およびプログラム |
US20140058572A1 (en) * | 2012-08-27 | 2014-02-27 | Gridium, Inc. | Systems and methods for energy consumption and energy demand management |
JP2016099739A (ja) * | 2014-11-19 | 2016-05-30 | 富士通株式会社 | 発注量決定装置、発注量決定方法および発注量決定プログラム |
JP2016163511A (ja) * | 2015-03-05 | 2016-09-05 | 中国電力株式会社 | 電力需要量予測システム、電力需要量予測方法及びプログラム |
JP2017010436A (ja) * | 2015-06-25 | 2017-01-12 | 富士電機株式会社 | 誤差幅推定装置、誤差幅推定システム、誤差幅推定方法及びプログラム |
-
2018
- 2018-01-12 JP JP2018003495A patent/JP7069732B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09326029A (ja) * | 1996-06-04 | 1997-12-16 | Fujitsu Ltd | 3次元計測方法及び装置 |
WO2013141039A1 (ja) * | 2012-03-22 | 2013-09-26 | 株式会社 東芝 | エネルギー管理装置、エネルギー管理方法およびプログラム |
US20140058572A1 (en) * | 2012-08-27 | 2014-02-27 | Gridium, Inc. | Systems and methods for energy consumption and energy demand management |
JP2016099739A (ja) * | 2014-11-19 | 2016-05-30 | 富士通株式会社 | 発注量決定装置、発注量決定方法および発注量決定プログラム |
JP2016163511A (ja) * | 2015-03-05 | 2016-09-05 | 中国電力株式会社 | 電力需要量予測システム、電力需要量予測方法及びプログラム |
JP2017010436A (ja) * | 2015-06-25 | 2017-01-12 | 富士電機株式会社 | 誤差幅推定装置、誤差幅推定システム、誤差幅推定方法及びプログラム |
Non-Patent Citations (1)
Title |
---|
石橋 直人: "需要予測における誤差要因を考慮した信頼区間推定手法", 電気学会論文誌C, vol. 136, no. 6, JPN6021036263, 1 June 2016 (2016-06-01), JP, pages 775 - 783, ISSN: 0004593923 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220160292A (ko) * | 2021-05-27 | 2022-12-06 | 목포대학교산학협력단 | 이차 계획법을 이용한 ess 배터리 충방전 방법 및 컴퓨터 프로그램. |
KR102538113B1 (ko) | 2021-05-27 | 2023-05-26 | 목포대학교산학협력단 | 이차 계획법을 이용한 ess 배터리 충방전 방법 및 컴퓨터 프로그램. |
KR102668766B1 (ko) * | 2021-11-30 | 2024-05-24 | 한국생산기술연구원 | 상품 수요예측 모델 생성방법 및 이를 이용하여 상품의 수요를 예측하는 방법 |
CN115775088A (zh) * | 2023-02-13 | 2023-03-10 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气巡检计划确定方法与物联网系统 |
CN115775088B (zh) * | 2023-02-13 | 2023-05-05 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气巡检计划确定方法与物联网系统 |
Also Published As
Publication number | Publication date |
---|---|
JP7069732B2 (ja) | 2022-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cui et al. | A copula-based conditional probabilistic forecast model for wind power ramps | |
Alamaniotis et al. | Evolutionary multiobjective optimization of kernel-based very-short-term load forecasting | |
US9727036B2 (en) | Operation plan creating method, computer product, and operation plan creating apparatus | |
KR102239464B1 (ko) | 심층 구조를 이용한 전력 수요 예측 방법 및 장치 | |
KR102499240B1 (ko) | 전력 수요 예측 방법 및 그 시스템 | |
Alfred | A genetic-based backpropagation neural network for forecasting in time-series data | |
Muzumdar et al. | Designing a robust and accurate model for consumer-centric short-term load forecasting in microgrid environment | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
Tornai et al. | Recurrent neural network based user classification for smart grids | |
CN112468312A (zh) | 一种网络流量预测方法及通信设备和存储介质 | |
CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
JP7069732B2 (ja) | 推定プログラム、推定方法および推定装置 | |
Dong et al. | Short-term building cooling load prediction model based on DwdAdam-ILSTM algorithm: A case study of a commercial building | |
Pozzi et al. | Lexicographic model predictive control strategy in ageing-aware optimal charging procedure for lithium-ion batteries | |
CN113591957B (zh) | 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法 | |
CN114329347A (zh) | 一种电能表计量误差预测方法、装置及存储介质 | |
Qian et al. | State of health estimation of lithium-ion battery using energy accumulation-based feature extraction and improved relevance vector regression | |
Reis et al. | A scalable load forecasting system for low voltage grids | |
CN114124260A (zh) | 基于复合2d-lstm网络的频谱预测方法、装置、介质及设备 | |
CN112465266A (zh) | 一种母线负荷预测准确率分析方法、装置及计算机设备 | |
JP6607264B2 (ja) | x管理システムのための最適スケジューリングおよびリアルタイム制御の方法 | |
Hussein et al. | A review of battery state of charge estimation and management systems: Models and future prospective | |
Gomez-Rosero et al. | Deep neural network for load forecasting centred on architecture evolution | |
Kumar et al. | A novel technique of optimization for software metric using PSO | |
JP2018195034A (ja) | 推定プログラム、推定方法および推定装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201008 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210827 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210914 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211115 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220405 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220418 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7069732 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |