JP2019041473A - Electric power demand prediction method and electric power demand prediction system - Google Patents
Electric power demand prediction method and electric power demand prediction system Download PDFInfo
- Publication number
- JP2019041473A JP2019041473A JP2017161093A JP2017161093A JP2019041473A JP 2019041473 A JP2019041473 A JP 2019041473A JP 2017161093 A JP2017161093 A JP 2017161093A JP 2017161093 A JP2017161093 A JP 2017161093A JP 2019041473 A JP2019041473 A JP 2019041473A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- power demand
- demand
- power
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004378 air conditioning Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
Description
本発明は、電力のデマンド値を予測する電力デマンド予測方法及び電力デマンド予測システムに関する。 The present invention relates to a power demand prediction method and a power demand prediction system for predicting a power demand value.
デマンド値とは、電力会社が設置する３０分最大需要電力量計で計測するデータであり、３０分間の電気使用量の平均使用電力（ｋＷ）で表される。最大デマンド値とは、過去１年間の中で最も大きいデマンド値のことである。高圧受電５００ｋＷ未満の需要家の場合、最大デマンド値が電気基本料金の計算に使用され、一度でも大きなデマンド値が出ると、１年間その大きなデマンド値が適用されてしまう。また、高圧受電５００ｋＷ以上の需要家の場合、協議により契約電力が決められており、最大デマンド値が契約電力を超えると、通常より割増の違約金を払うことになり、加えてその最大デマンド値を基に契約電力変更の協議が行われる。電気料金の抑制のためには、最大デマンド値を超過しないことが重要である。ＢＥＭＳ（Building Energy Management System）は建物内の設備機器や居住環境などの使用状況や電力需要等の情報を集中管理し最適化する。 The demand value is data measured by a 30-minute maximum electricity demand meter installed by an electric power company, and is represented by an average power consumption (kW) of electricity usage for 30 minutes. The maximum demand value is the largest demand value in the past year. In the case of a consumer with a high-voltage power reception of less than 500 kW, the maximum demand value is used for calculation of the basic electricity charge, and if a large demand value is generated even once, the large demand value is applied for one year. In addition, in the case of consumers with high-voltage power reception of 500 kW or more, contract power is determined by consultation, and if the maximum demand value exceeds the contract power, an extra penalty will be paid, and the maximum demand value will be added. Based on this, the contract power change is discussed. In order to control electricity charges, it is important not to exceed the maximum demand value. BEMS (Building Energy Management System) centrally manages and optimizes information such as the usage status and power demands of equipment in the building and living environment.
電力デマンドの超過抑制を効果的に行うため、デマンド予測を行う方式として、例えば下記特許文献１に記載されたシステムがある。この特許文献１には、消費電力量が予め設定された基準電力量に達する毎に電力パルスが入力され、単位時限内の所定の周期毎に、当該周期における電力パルスの入力パルス数を計数する電力パルス計数部と、基準電力量と入力パルス数とを用いて、現在デマンド値と予測デマンド値とを周期毎に演算する電力演算部とを備えるシステム（デマンド監視制御装置）が記載されている。このシステムは、各周期の終点における終点消費電力を導出する消費電力導出部を備え、導出された終点消費電力を用いて予測デマンド値を補正する補正手段を有する。 In order to effectively suppress excess power demand, there is a system described in Patent Document 1 below as a method for performing demand prediction. In Patent Document 1, a power pulse is input every time the power consumption reaches a preset reference power amount, and the number of input pulses of the power pulse in the cycle is counted for each predetermined cycle within a unit time period. A system (demand monitoring control device) is described that includes a power pulse counting unit, and a power calculating unit that calculates a current demand value and a predicted demand value for each cycle using a reference power amount and the number of input pulses. . This system includes a power consumption deriving unit for deriving the end point power consumption at the end point of each cycle, and includes a correcting unit that corrects the predicted demand value using the derived end point power consumption.
しかし、電力の需要は時限（曜日や時間帯など）によって大きく変化するが、上記した特許文献１に記載されたシステムでは、時限に応じた需要変動を考慮してデマンド予測を行っておらず、精度の高いデマンド予測を行うことは困難である。 However, although the demand for electric power varies greatly depending on the time limit (day of the week, time zone, etc.), the system described in Patent Document 1 described above does not perform demand prediction in consideration of demand fluctuation according to the time limit. It is difficult to perform highly accurate demand prediction.
本発明は、前述した事情に鑑みてなされたものであり、時限に応じて予測方式を切り換えることで、精度の高いデマンド予測を実行することが可能な電力デマンド予測方法及び電力デマンド予測システムを提供することを目的とする。 The present invention has been made in view of the above-described circumstances, and provides a power demand prediction method and a power demand prediction system capable of executing highly accurate demand prediction by switching a prediction method according to a time limit. The purpose is to do.
上記目的を達成するために、本発明では、電力需要者の使用電力の実測データが保存されたデータベースから、任意の期間の実測データを収集する第１工程と、複数の電力デマンド予測方式を用いて、収集した実測データを適用して、過去の電力デマンドの予測値を算出する第２工程と、第２工程で算出した予測値と実測データとの予測誤差を算出する第３工程と、予測誤差の算出結果から、所定期間の平均誤差を算出する第４工程と、第４工程の算出結果から、複数の電力デマンド予測方式のうち誤差が最も小さくなる予測方式を選択する第５工程と、所定の時間帯毎に、第５工程で選択した予測方式に切り換えて、電力デマンドの予測値を算出する第６工程と、を有することを特徴とする電力デマンド予測方法を提供する。 In order to achieve the above object, the present invention uses a first step of collecting actual measurement data for an arbitrary period from a database in which actual measurement data of power used by power consumers is stored, and a plurality of power demand prediction methods. A second step of calculating the predicted value of the past power demand by applying the collected measured data, a third step of calculating a prediction error between the predicted value calculated in the second step and the measured data, and a prediction A fourth step of calculating an average error for a predetermined period from the calculation result of the error; a fifth step of selecting a prediction method having the smallest error among a plurality of power demand prediction methods from the calculation result of the fourth step; A power demand prediction method comprising: a sixth step of calculating a predicted value of a power demand by switching to the prediction method selected in the fifth step for each predetermined time period.
また、上記電力デマンド予測方法において、第４工程で、気象条件や施設内の情報を加味して実行する構成でもよい。 Moreover, in the said electric power demand prediction method, the structure which considers weather conditions and the information in a facility in a 4th process may be sufficient.
また、上記電力デマンド予測方法において、電力デマンドの予測式は、下記の数１であり、複数の電力デマンド予測法式は、下記の数２、数３、及び数４であってもよい。 In the power demand prediction method, the power demand prediction formula may be the following formula 1, and the plurality of power demand prediction formulas may be the following formula 2, formula 3, and formula 4.
また、本発明では、電力需要者の使用電力の実測データを収集する監視部と、監視部で収集した実測データを保存するデータベースと、データベースに保存された実測データに基づいて電力デマンドの予測を行う予測部と、を備え、予測部は、データベースから任意の期間の実測データを収集し、複数の電力デマンド予測方式を用いて、収集した実測データを適用して、過去の電力デマンドの予測値を算出し、予測値と実測データとの予測誤差を算出し、予測誤差の算出結果から、所定期間の平均誤差を算出し、その算出結果から、複数の電力デマンド予測方式のうち誤差が最も小さくなる予測方式を選択し、所定の時間帯毎に、選択した予測方式に切り換えて、電力デマンドの予測値を算出することを特徴とする電力デマンド予測システムを提供する。 Further, in the present invention, a monitoring unit that collects actual measurement data of power used by a power consumer, a database that stores actual measurement data collected by the monitoring unit, and prediction of power demand based on the actual measurement data stored in the database. A prediction unit configured to collect measured data for an arbitrary period from a database, apply the collected measured data using a plurality of power demand prediction methods, and predict a predicted value of past power demand , Calculate the prediction error between the predicted value and the measured data, calculate the average error for a given period from the calculation result of the prediction error, and based on the calculation result, the error is the smallest among multiple power demand prediction methods A power demand prediction system, wherein a prediction value of power demand is calculated by switching to the selected prediction method every predetermined time period To provide.
また、上記電力デマンド予測システムにおいて、予測部は、気象条件や施設内の情報を加味して実行する構成でもよい。 In the power demand prediction system, the prediction unit may be configured to execute in consideration of weather conditions and information in the facility.
また、上記電力デマンド予測システムにおいて、電力デマンドの予測式は、下記の数１であり、複数の電力デマンド予測法式は、下記の数２、数３、及び数４であてもよい。 In the power demand prediction system, the power demand prediction formula may be the following formula 1, and the plurality of power demand prediction formulas may be the following formula 2, formula 3, and formula 4.
本発明によれば、時限に応じて予測方式を切り換えることで、精度の高いデマンド予測を実行することができる。 According to the present invention, highly accurate demand prediction can be executed by switching the prediction method according to the time limit.
以下、本発明の実施形態について図面を参照して説明する。ただし、本発明はこれに限定されるものではない。また、図面においては、実施形態を説明するため、一部分を大きくまたは強調して記載するなど適宜縮尺を変更して表現することがある。 Embodiments of the present invention will be described below with reference to the drawings. However, the present invention is not limited to this. In the drawings, in order to describe the embodiment, the scale may be changed as appropriate, for example, by partially enlarging or emphasizing.
図１は、本発明に係る電力デマンド予測システム１００の構成を示すブロック図である。図１に示す電力デマンド予測システム１００は、電力デマンドの監視・予測し、予測結果に基づいて負荷制御などを行うシステムである。本実施形態における電力デマンド予測システム１００は、ＢＥＭＳ（Building Energy Management System）、すなわち、建物（ビル）内のエネルギー使用状況や設備機器の運転状況を把握し、需要予測に基づく負荷を勘案して最適な運転制御を自動で行うシステムの機能のうち、電力デマンドの監視・予測を行う部分を主要な構成要素としたシステムである。電力デマンドの超過抑制を効果的に行うためには、高精度なデマンド予測が必要となる。本実施形態では、電力デマンドを高精度に予測するための新たな方法を提案し、実測データを用いたシミュレーションにより有効性を検証した。 FIG. 1 is a block diagram showing a configuration of a power demand prediction system 100 according to the present invention. A power demand prediction system 100 illustrated in FIG. 1 is a system that monitors and predicts power demand and performs load control based on the prediction result. The power demand prediction system 100 according to this embodiment is BEMS (Building Energy Management System), that is, an energy usage status in a building (building) and an operation status of facility equipment, and is optimal in consideration of a load based on the demand prediction. Among the functions of a system that automatically performs proper operation control, the system is configured mainly to monitor and predict power demand. In order to effectively suppress excess power demand, highly accurate demand prediction is required. In the present embodiment, a new method for predicting power demand with high accuracy is proposed, and the effectiveness is verified by simulation using actually measured data.
図１に示すように、電力デマンド予測システム１００は、機器制御装置１１０、監視制御装置１２０、データベース１３０、及び操作端末１４０を備えている。機器制御装置１１０は、空調や照明などの機器を制御する装置である。機器制御装置１１０は、制御部１１１、センサー１１２、及び計測器１１３を有している。制御部１１１は、監視制御装置１２０からの指令に基づいて空調や照明などの機器の運転等を最適制御する。センサー１１２は、建物のフロアーや部屋などに設けられた温度センサー（温度を検知するセンサー）、湿度センサー（湿度を検知するセンサー）、人検知センサー（人の有無を検知するセンサー）などである。センサー１１２が検出した値（データ）は、監視制御装置１２０に送信される。計測器１１３は、電力量計、ガスメーターなどである。計測器１１３が計測した値（データ）も、監視制御装置１２０に送信される。 As illustrated in FIG. 1, the power demand prediction system 100 includes a device control device 110, a monitoring control device 120, a database 130, and an operation terminal 140. The device control device 110 is a device that controls devices such as air conditioning and lighting. The device control apparatus 110 includes a control unit 111, a sensor 112, and a measuring instrument 113. The control unit 111 optimally controls operation of equipment such as air conditioning and lighting based on a command from the monitoring control device 120. The sensor 112 is a temperature sensor (a sensor that detects temperature), a humidity sensor (a sensor that detects humidity), a human detection sensor (a sensor that detects the presence or absence of a person), and the like provided on the floor or room of a building. The value (data) detected by the sensor 112 is transmitted to the monitoring control device 120. The measuring instrument 113 is a watt hour meter, a gas meter, or the like. The value (data) measured by the measuring instrument 113 is also transmitted to the monitoring control device 120.
監視制御装置１２０は、センサー１１２から送信されるデータ及び計測器１１３から送信されるデータに基づき、エネルギー使用状況や機器の運転状況を集計・分析して把握し、需要予測を行い、機器制御装置１１０に指令を送信することで機器の最適制御を機器制御装置１１０に実行させる装置である。監視制御装置１２０は、通信部１２１、監視部１２２、及び予測部１２３を有している。 Based on the data transmitted from the sensor 112 and the data transmitted from the measuring instrument 113, the monitoring and control device 120 aggregates and analyzes the energy usage status and the operation status of the device, and performs demand prediction, and the device control device 110 is a device that causes the device control device 110 to perform optimal control of the device by transmitting a command to the device 110. The monitoring control device 120 includes a communication unit 121, a monitoring unit 122, and a prediction unit 123.
通信部１２１は、機器制御装置１１０、データベース１３０、及び操作端末１４０との間でデータ通信を行う処理部である。具体的には、通信部１２１は、センサー１１２及び計測器１１３から送信されるデータを受信する。また、通信部１２１は、制御部１１１に対して機器の制御を実行させる指令を送信する。また、通信部１２１は、センサー１１２や計測器１１３から収集したデータをデータベース１３０（図１中、「ＤＢ」と記す。）に格納する。また、通信部１２１は、操作端末１４０に各種情報を送信する。 The communication unit 121 is a processing unit that performs data communication with the device control apparatus 110, the database 130, and the operation terminal 140. Specifically, the communication unit 121 receives data transmitted from the sensor 112 and the measuring instrument 113. Further, the communication unit 121 transmits a command for causing the control unit 111 to execute control of the device. The communication unit 121 stores data collected from the sensor 112 and the measuring instrument 113 in the database 130 (denoted as “DB” in FIG. 1). Further, the communication unit 121 transmits various information to the operation terminal 140.
監視部１２２は、センサー１１２から送信されるデータ及び計測器１１３から送信されるデータをデータベース１３０に格納するとともに、それらのデータに基づきエネルギー使用状況や機器の運転状況を集計・分析して把握することにより電力デマンド（電力需要）を監視する処理部である。また、監視部１２２は、予測部１２３による電力デマンドの予測結果に基づいて、空調や照明などの機器を制御する指令を機器制御装置１１０に送信することにより、機器制御装置１１０に空調や照明などの機器の運転等を制御を実行させる。また、監視部１２２は、予測部１２３が電力デマンドの目標値を超える電力需要を予測した場合、指令を送信することで不図示の警報を鳴動させる制御を実行する。また、監視部１２２は、エネルギー使用状況や機器の運転状況を集計・分析した結果を示すデータを操作端末１４０に送信することで、そのデータを操作端末１４０の表示部（モニター、ディスプレイなど）に表示させる。予測部１２３は、監視部１２２が集計したデータに基づき、電力デマンドの予測を行う処理部である。なお、予測部１２３の電力デマンドの予測方法の詳細については後述する（図３〜図９参照）。 The monitoring unit 122 stores the data transmitted from the sensor 112 and the data transmitted from the measuring instrument 113 in the database 130, and comprehends and analyzes the energy usage status and the operation status of the equipment based on the data. This is a processing unit that monitors power demand (power demand). In addition, the monitoring unit 122 transmits a command for controlling devices such as air conditioning and lighting to the device control device 110 based on the prediction result of the power demand by the prediction unit 123, thereby causing the device control device 110 to perform air conditioning and lighting. Control the operation of the equipment. In addition, when the prediction unit 123 predicts a power demand that exceeds the target value of the power demand, the monitoring unit 122 performs control to sound an alarm (not illustrated) by transmitting a command. In addition, the monitoring unit 122 transmits data indicating the result of totaling / analyzing the energy usage status and the operation status of the device to the operation terminal 140, so that the data is displayed on the display unit (monitor, display, etc.) of the operation terminal 140. Display. The prediction unit 123 is a processing unit that predicts power demand based on the data collected by the monitoring unit 122. In addition, the detail of the prediction method of the electric power demand of the estimation part 123 is mentioned later (refer FIGS. 3-9).
データベース１３０は、センサー１１２から送信されるデータ及び計測器１１３から送信されるデータを格納する装置である。操作端末１４０は、電力デマンド予測システム１００の管理者が操作を行うコンピュータなどの端末である。なお、電力会社との取引において用いられるデマンド値とは、３０分間（デマンド時限）における平均使用電力［ｋＷ］（稼働負荷の平均容量）のことをいう。 The database 130 is a device that stores data transmitted from the sensor 112 and data transmitted from the measuring instrument 113. The operation terminal 140 is a terminal such as a computer that is operated by an administrator of the power demand prediction system 100. In addition, the demand value used in the transaction with an electric power company means the average electric power used [kW] (average capacity of working load) for 30 minutes (demand time period).
図２は、デマンド予測に基づく負荷制御を説明するための説明図である。図２の上図はデマンド予測値（デマンド計測値）に基づいてデマンドの予測を行うことを示す図であり、図２の下図はデマンドの予測に基づいて負荷制御を行うことを示す図である。図２の上図に示すように、予測部１２３が目標値（契約容量ｋＷ）を超える電力需要を予測した場合には、図２の下図に示すように、監視部１２２が不図示の警報を鳴らし、また機器を制御することで、電力需要を抑制する。予測精度を高めることで、誤報の防止や適切な機器制御が可能となる。ここで、図２の下図に示すように、予測部１２３による目標値の超過の予測が遅ければ、負荷の抑制量は大きくなってしまう。一方、予測部１２３によって、より早い時点で目標値の超過を予測できれば、負荷の抑制量は少なくて済み、業務への影響を最小限に留めることができる。 FIG. 2 is an explanatory diagram for explaining load control based on demand prediction. The upper diagram of FIG. 2 is a diagram showing that the demand is predicted based on the demand forecast value (demand measurement value), and the lower diagram of FIG. 2 is a diagram showing that the load control is performed based on the demand forecast. . As shown in the upper diagram of FIG. 2, when the prediction unit 123 predicts the power demand exceeding the target value (contract capacity kW), as shown in the lower diagram of FIG. Control power demand by controlling sound and controlling equipment. By increasing the prediction accuracy, it is possible to prevent false alarms and perform appropriate device control. Here, as shown in the lower diagram of FIG. 2, if the prediction of the excess of the target value by the prediction unit 123 is delayed, the load suppression amount increases. On the other hand, if the prediction unit 123 can predict that the target value will be exceeded at an earlier time point, the amount of load suppression can be reduced, and the impact on business operations can be minimized.
電力デマンドの予測値は、一般的に過去の電力実績データを元に式１で定義される。また、式１における第２項のＰ´ｔ〜３０は、例えば以下の［方式ａ〜ｃ］で算出する方法が考えられる。 The predicted value of power demand is generally defined by Equation 1 based on past power performance data. Further , for example, a method of calculating P ′ t to 30 of the second term in Equation 1 by the following [Methods a to c] can be considered.
ただし、Ｄ´（ｔ）：ｔ分経過時点の予測デマンド［ｋＷ］、Ｐ（ｔ）：ｔ分経過時点の負荷電力［ｋＷ］、Ｐ´ｔ〜３０：ｔ〜３０分の負荷電力予測値［ｋＷ］、ｔ：デマンドカウント時限（０≦ｔ≦３０）［分］
なお、デマンドカウント時限とは、デマンド時限（３０分毎の時間帯）内におけるデマンド時限の開始時点からの経過時間を意味する。
However, D ′ (t): predicted demand [kW] at the time when t minutes have elapsed, P (t): load power [kW] at the time when t minutes have elapsed, P ′ t- 30 : predicted load power value at t-30 minutes [KW], t: demand count time limit (0 ≦ t ≦ 30) [minutes]
The demand count time period means the elapsed time from the start time of the demand time period within the demand time period (time zone every 30 minutes).
［方式ａ］過去１０分の平均値で予測（式２） [Method a] Prediction based on average value over the past 10 minutes (Formula 2)
［方式ｂ］現在値で予測（式３） [Method b] Prediction with current value (Formula 3)
［方式ｃ］過去１週間のデマンド値を用いて予測（式４） [Method c] Prediction using demand values for the past week (Formula 4)
ただし、Ｄａｖｅ(Ｔｎ)：Ｔｎ時間帯の過去１週間平均デマンド（営業日、休業日別）［ｋＷ］、Ｄｐ(Ｔｎ)：予測当日のＴｎ時間帯のデマンド［ｋＷ］、Ｔｎ：３０分単位４８区分の時間帯（ｎ＝１〜４８、例えばＴ１は０：００〜０：３０） However, D ave (T n ): average demand for the past one week in T n time zone (business day, by holiday) [kW], D p (T n ): demand in T n time zone on the predicted day [kW] , T n : 30 minutes 48 time zones (n = 1 to 48, for example, T1 is 0: 00 to 0:30)
図３は、本発明に係る電力デマンド予測システムの動作を示すフローチャートである。図３に示す処理において、予測部１２３は、まず、電力需要家の負荷電力の実測データが保存されたデータベース１３０から任意の期間の実測データを収集する（ステップＳ１：第１工程）。次に、予測部１２３は、ステップＳ１で収集した実測データに基づき複数の電力デマンド予測方式（例えば上記［方式ａ］［方式ｂ］［方式ｃ］）を適用して、過去の電力デマンドの予測値を算出する（ステップＳ２：第２工程）。ここで、予測部１２３は、複数の電力デマンド予測方式として、過去の異なる期間の負荷電力に基づいて過去の各時点（例えば１分単位のデマンドカウント時限）の負荷電力予測値を算出し、算出した負荷電力予測値から過去の各時点における電力デマンドの予測値を算出する。上述した式１では、各時間帯の開示時点から各時点（デマンドカウント時限）までの負荷電力の積算値と、各時点から各時間帯の終了時点までの負荷電力予測値の積算値とに基づいて電力デマンドの予測値を算出する。 FIG. 3 is a flowchart showing the operation of the power demand prediction system according to the present invention. In the process illustrated in FIG. 3, the prediction unit 123 first collects actual measurement data for an arbitrary period from the database 130 in which actual measurement data of load power of the power consumer is stored (step S <b> 1: first step). Next, the prediction unit 123 applies a plurality of power demand prediction methods (for example, [Method a], [Method b], and [Method c]) based on the actual measurement data collected in Step S1 to predict past power demands. A value is calculated (step S2: second step). Here, as a plurality of power demand prediction methods, the prediction unit 123 calculates a load power prediction value at each past time point (for example, a demand count time limit in units of one minute) based on load power in different past periods. The predicted value of power demand at each past time point is calculated from the predicted load power value. In the above-described formula 1, based on the integrated value of the load power from the disclosure time of each time zone to each time point (demand count time limit) and the integrated value of the predicted load power from each time zone to the end time of each time zone. To calculate the predicted power demand.
次に、予測部１２３は、ステップＳ２で算出した過去の各時点における予測値と過去の各時点における実測データとの予測誤差を日毎に算出する（ステップＳ３：第３工程）。そして、予測部１２３は、ステップＳ３の算出結果から所定期間の平均誤差を算出する（ステップＳ４：第４工程）。また、予測部１２３は、ステップＳ４の算出結果から複数の電力デマンド予測方式のうち誤差が最も小さくなる予測方式を所定の時点の予測方式として選択する（ステップＳ５：第５工程）。予測部１２３は、所定の時間帯毎（例えば３０分毎）に、ステップＳ５で選択した電力デマンド予測方式に切り換えて、電力デマンドの予測値を算出する（ステップＳ６：第６工程）。 Next, the prediction unit 123 calculates, every day, a prediction error between the predicted value at each past time point calculated at step S2 and the actual measurement data at each past time point (step S3: third step). And the prediction part 123 calculates the average error of a predetermined period from the calculation result of step S3 (step S4: 4th process). Also, the prediction unit 123 selects a prediction method with the smallest error among the plurality of power demand prediction methods from the calculation result in step S4 as a prediction method at a predetermined time (step S5: fifth step). The prediction unit 123 switches to the power demand prediction method selected in step S5 every predetermined time period (for example, every 30 minutes), and calculates a predicted value of power demand (step S6: sixth step).
図４は、図３の処理の具体例を示すフローチャートである。本実施形態では、電力デマンドを高精度に予測するため、図４に示すように、予測部１２３は、式１のＰ´ｔ〜３０をデマンドカウント時限に応じて、［方式ａ〜ｃ］のいずれかに切り換える。予測部１２３は、各時間帯（３０分単位４８区分）毎に、予測方式の切り換えタイミング（各時間帯内の所定のデマンドカウント時限（時点））を決定することで、いずれの時間帯においても予測結果の高精度化を実現している。 FIG. 4 is a flowchart showing a specific example of the process of FIG. In the present embodiment, in order to predict the power demand with high accuracy, as shown in FIG. 4, the prediction unit 123 sets P ′ t to 30 of Equation 1 according to [Method a to c] according to the demand count time limit. Switch to one. The prediction unit 123 determines the prediction timing switching timing (predetermined demand count time period (time point) in each time zone) for each time zone (48 divisions of 30 minutes), so that in any time zone Achieves high accuracy of prediction results.
具体的には、図４に示す処理において、予測部１２３は、過去１週間の実測データ（１分サンプリングデータ）を収集する（ステップＳ１１）。このように実測データとして１分サンプリングデータを用いているので、デマンドカウント時限（各時間帯内の所定の時点）を１分単位としている。ただし、デマンドカウント時限は１分単位に限定されず、数分単位や数十秒単位などであってもよい。次に、予測部１２３は、予測式（１）のＰ´ｔ〜３０に、［方式ａ〜ｃ］を適用し、日毎に予測誤差εa_one day（Ｔｎ，ｔ），εb_one day（Ｔｎ，ｔ），εc_one day（Ｔｎ，ｔ）を算出する（ステップＳ１２）。ここで、予測誤差εa_one day（Ｔｎ，ｔ）は、方式ａを用いて算出した１日における各時間帯の各デマンドカウント時限の予測誤差を示す。予測誤差εb_one day（Ｔｎ，ｔ）は、方式ｂを用いて算出した１日における各時間帯の各デマンドカウント時限の予測誤差を示す。予測誤差εc_one day（Ｔｎ，ｔ）は、方式ｃを用いて算出した１日における各時間帯の各デマンドカウント時限の予測誤差を示す。 Specifically, in the process shown in FIG. 4, the prediction unit 123 collects actual measurement data (1-minute sampling data) for the past week (step S11). Since 1-minute sampling data is used as the actual measurement data in this way, the demand count time period (predetermined time point in each time zone) is set in 1-minute units. However, the demand count time limit is not limited to one minute unit, but may be a unit of several minutes or a unit of several tens of seconds. Next, the prediction unit 123 applies [Methods a to c] to P ′ t to 30 of the prediction formula (1), and predicts errors εa_one day (Tn, t) and εb_one day (Tn, t) for each day. , Εc_one day (Tn, t) is calculated (step S12). Here, the prediction error εa_one day (Tn, t) indicates the prediction error of each demand count time period in each time zone calculated using the method a. Prediction error εb_one day (Tn, t) indicates the prediction error of each demand count time period in each time zone calculated using method b. Prediction error εc_one day (Tn, t) indicates the prediction error of each demand count time period in each time zone calculated using method c.
次に、予測部１２３は、ステップＳ１２の算出結果から、１週間の平均誤差εa_ave（Ｔｎ，ｔ），εb_ave（Ｔｎ，ｔ），εc_ave（Ｔｎ，ｔ）を営業日、休業日別に算出する（ステップＳ１３）。ここで、平均誤差εa_ave（Ｔｎ，ｔ）は、方式ａを用いて算出した１週間の同一時間帯の同一デマンドカウント時限の予測誤差を平均した平均誤差を示す。平均誤差εb_ave（Ｔｎ，ｔ）は、方式ｂを用いて算出した１週間の同一時間帯の同一デマンドカウント時限の予測誤差を平均した平均誤差を示す。平均誤差εc_ave（Ｔｎ，ｔ）は、方式ｃを用いて算出した１週間の同一時間帯の同一デマンドカウント時限の予測誤差を平均した平均誤差を示す。そして、予測部１２３は、ステップＳ１３の算出結果から、誤差が最も小さくなる方式を最適な予測方式Pre_method（Ｔｎ，ｔ）＝｛［方式ａ］ｏｒ［方式ｂ］ｏｒ［方式ｃ］｝として決定する（営業日、休業日別）（ステップＳ１４）。最適な予測方式は、各時間帯の各デマンドカウント時限毎に決定される。 Next, the prediction unit 123 calculates the average errors εa_ave (Tn, t), εb_ave (Tn, t), and εc_ave (Tn, t) for one week according to business days and closed days from the calculation result of step S12 ( Step S13). Here, the average error εa_ave (Tn, t) indicates an average error obtained by averaging the prediction errors of the same demand count time period in the same time zone for one week calculated using the method a. The average error εb_ave (Tn, t) indicates an average error obtained by averaging the prediction errors of the same demand count time period in the same time zone for one week calculated using the method b. The average error εc_ave (Tn, t) indicates an average error obtained by averaging the prediction errors of the same demand count time period in the same time zone for one week calculated using the method c. Then, the prediction unit 123 determines the method with the smallest error as the optimal prediction method Pre_method (Tn, t) = {[method a] or [method b] or [method c]} from the calculation result of step S13. Yes (by business day and holiday) (step S14). The optimal prediction method is determined for each demand count time period in each time zone.
図５は、高圧需要家の負荷電力の例を示すグラフである。図５において、東北地方のある高圧需要家Ａで、負荷電力を１週間計測し、この計測データを用いて、提案した予測方式の精度検証を行った。図５は、高圧需要家Ａの営業日（月、水、木、金、土曜日）における負荷電力の推移である。各日とも操業開始または終了時間帯で需要が大きく変化する傾向が見られる。 FIG. 5 is a graph showing an example of load power of a high voltage consumer. In FIG. 5, a high-voltage consumer A in the Tohoku region measured the load power for one week, and verified the accuracy of the proposed prediction method using this measurement data. FIG. 5 shows the transition of the load power on the business day (Monday, Wednesday, Thursday, Friday, Saturday) of the high voltage consumer A. There is a tendency for demand to change greatly at the start or end time of operation on each day.
図６は、方式別予測誤差を示すグラフである。図６は、式１のＰ´ｔ〜３０を［方式ａ〜ｃ］で算出した場合の、水曜日の各時間帯（３０分単位４８区分）及び各デマンドカウント時限での予測誤差を示したものである（図４のステップＳ１２の処理により算出）。各方式ともデマンドカウント時限が進むにつれ、誤差は小さくなる傾向にあるものの、方式の違いにより差異が見られる。 FIG. 6 is a graph showing the prediction error for each method. FIG. 6 shows prediction errors in each time zone on Wednesday (48 divisions in 30 minutes) and each demand count time period when P ′ t to 30 in Equation 1 are calculated by [Methods a to c]. (Calculated by the process of step S12 in FIG. 4). Although the error tends to decrease as the demand count time period increases in each method, there is a difference depending on the method.
図７は、最適予測方式の算出結果を示すグラフである。図７は、図４のステップＳ１３及びステップＳ１４の処理により、営業日の最適な予測方式を算出し、代表的な時間帯について図示したものである。操業開始、終了に伴う日間の需要変動や、機器の稼働状況に伴う短時間の需要変動が複雑に影響し、各時間帯及び各デマンドカウント時限で、最適な予測方式が異なる結果となっている。 FIG. 7 is a graph showing the calculation result of the optimum prediction method. FIG. 7 illustrates a typical time zone by calculating an optimal prediction method for business days by the processing of step S13 and step S14 of FIG. Daily fluctuations due to the start and end of operations and short-term fluctuations in demand due to equipment operating conditions have a complex effect, resulting in different optimal forecasting methods for each time zone and each demand count period. .
図８は、デマンド予測結果を示すグラフである。図８は、図７の結果に基づいて、水曜日の電力デマンドを予測したものである。全体的に精度良く推定できていることが見て取れる。 FIG. 8 is a graph showing a demand prediction result. FIG. 8 is a prediction of the power demand on Wednesday based on the result of FIG. It can be seen that the overall accuracy can be estimated.
図９は、１週間の誤差の分散を示すグラフである。図９は、１週間の誤差の分散をデマンドカウント時限（５分、１５分、２５分）毎に示したものである。誤差は、操業開始、終了時間帯で大きく、それ以外の時間帯では負荷の大・小にかかわらず小さくなる傾向にある。 FIG. 9 is a graph showing the variance of error for one week. FIG. 9 shows the variance of the error for one week for each demand count period (5 minutes, 15 minutes, 25 minutes). The error tends to be large at the start and end times of the operation, and small at other times regardless of the load.
以上に説明したように、本実施形態では、デマンドカウント時限に応じて予測式（方式ａ〜ｃ）を切り換える新たな方式を提案し、シミュレーションにより有効性を確認した。このような構成によれば、精度の高いデマンド予測を実行することができる。また、過去の電力実績データを活用し、気温やイベント情報などは活用していないので、システム化の際の煩雑化を避けることができる。 As described above, in this embodiment, a new method for switching the prediction equations (methods a to c) according to the demand count time period is proposed, and the effectiveness is confirmed by simulation. According to such a configuration, highly accurate demand prediction can be executed. In addition, since past power record data is used and temperature and event information are not used, complications during systemization can be avoided.
上記した各方式ａ〜ｃの弱点としては、 As a weak point of each above-mentioned system ac,
［方式a］過去１０分の平均値で予測
予測値が電力量の増減に対応するまで時間がかかる。例えば、５ｋＷのデマンドが続いていたところに、急に５０ｋＷのデマンドが発生した場合、平均値は５ｋＷから９．５ｋＷに変化[(５ｋＷ×９分間＋５０ｋＷ×１分)÷１０分＝９．５ｋＷ]するが、平均値が５０ｋＷになるまでは１０分待つ必要がある。
[Method a] Prediction with an average value for the past 10 minutes It takes time until the predicted value corresponds to an increase or decrease in the electric energy. For example, if a demand of 50 kW suddenly occurs while a demand of 5 kW continues, the average value changes from 5 kW to 9.5 kW [(5 kW × 9 minutes + 50 kW × 1 minute) / 10 minutes = 9.5 kW However, it is necessary to wait for 10 minutes until the average value reaches 50 kW.
［方式ｂ］現在値で予測
現在値のみでの予測となるため、一時的な電力量の増減に影響を受けやすい。例えば、５ｋＷのデマンドが続いていたところに、一時的に５０ｋＷのデマンドが発生し、再び５ｋＷのデマンドに戻った場合、５０ｋＷのときだけデマンド予測値がとても高い値となって電力量削減のため空調や照明の制御などを実施してしまうが、実際はそのような制御が必要なかったなどのケースが想定される。
[Method b] Prediction based on current value Since prediction is based only on the current value, it is easily affected by a temporary increase or decrease in power consumption. For example, if a demand of 5 kW continues and a demand of 50 kW occurs temporarily and returns to a demand of 5 kW again, the demand prediction value becomes a very high value only at 50 kW to reduce power consumption. Although air conditioning and lighting control are performed, there are cases where such control is not actually required.
［方式ｃ］過去１週間のデマンド値を用いて予測
過去データとは異なる電力量の推移がある状況で精度が悪い。例えば、冷夏で電力負荷が少なかった期間の後に突然猛暑となった場合、予測値が実際のデマンドよりも低く算出されてしまう恐れがある。上述したように、時限によって予測誤差の最も小さい方式ａ〜ｃを切り換えることにより、上記した各方式ａ〜ｃの弱点を補うことができる。
[Method c] Prediction using demand values for the past week The accuracy is poor in a situation where there is a transition in the amount of power different from the past data. For example, when the heat suddenly becomes hot after a period when the power load is low in the cold summer, the predicted value may be calculated lower than the actual demand. As described above, the weak points of the above-described methods a to c can be compensated by switching the methods a to c having the smallest prediction error depending on the time limit.
以上、本発明の実施形態を説明したが、本発明の技術的範囲は、上記の実施形態に記載の範囲には限定されない。本発明の趣旨を逸脱しない範囲で、上記の実施形態に、多様な変更または改良を加えることが可能である。また、上記の実施形態で説明した要件の１つ以上は、省略されることがある。そのような変更または改良、省略した形態も本発明の技術的範囲に含まれる。また、上記した実施形態や変形例の構成を適宜組み合わせて適用することも可能である。 Although the embodiments of the present invention have been described above, the technical scope of the present invention is not limited to the scope described in the above embodiments. Various modifications or improvements can be added to the above-described embodiment without departing from the spirit of the present invention. In addition, one or more of the requirements described in the above embodiments may be omitted. Such modifications, improvements, and omitted forms are also included in the technical scope of the present invention. In addition, the configurations of the above-described embodiments and modifications can be applied in appropriate combinations.
例えば、上記の実施形態では、上記した方式ａは過去１０分の平均値で予測し、上記した方式ｃは過去１週間のデマンド値を用いて予測していたが、それらの期間はシステム（機器、その機器の使用状況など）に合わせて適宜変更することが可能である。また、上記した予測方式は方式ａ〜ｃの３つであったが、２つの方式又は４つ以上の方式を切り換える構成でもよい。また、上記の実施形態では、電力デマンドの予測値を算出する式（式１）における負荷電力予測値を算出する式２〜式４を変えることで複数の予測方式を設定していたが、このような構成に限定されず、電力デマンドの予測値を算出する複数の式を設けることで複数の予測方式を設定してもよい。 For example, in the above embodiment, the above-described method a is predicted using an average value for the past 10 minutes, and the above-described method c is predicted using a demand value for the past one week. The usage status of the device can be changed as appropriate. Further, although the above-described three prediction methods are the methods a to c, a configuration in which two methods or four or more methods are switched may be used. In the above embodiment, a plurality of prediction methods are set by changing the formulas 2 to 4 for calculating the predicted load power value in the formula (formula 1) for calculating the predicted value of the power demand. It is not limited to such a configuration, and a plurality of prediction methods may be set by providing a plurality of formulas for calculating a predicted value of power demand.
上記の実施形態では、電力デマンドを予測する際、システム化の際の複雑化を避けるため、過去の電力実績データのみを活用していた。しかし、電力デマンドの予測に気温やイベント情報などを活用してもよい。すなわち、予測部１２３は、ステップＳ４において、気象条件や施設内の情報を加味してもよい。例えば、予測部１２３は、晴れの日や雨の日を加味して最適な予測方式を選択するようにしてもよい。また、予測部１２３は、気温の急激な変化を認識した場合に、その変化を加味して予測方式（例えば方式ｂを用いること）を選択するようにしてもよい。また、予測部１２３は、施設内の情報（センサー１１２で検知される人の数や、営業日と休業日の違いなど）を付加して最適な予測方式を選択してもよい。 In the above-described embodiment, when predicting a power demand, only past power history data is used in order to avoid complication during systemization. However, temperature, event information, etc. may be used for prediction of power demand. That is, the prediction unit 123 may add weather conditions and information in the facility in step S4. For example, the prediction unit 123 may select an optimal prediction method in consideration of a sunny day or a rainy day. Further, when recognizing a sudden change in temperature, the prediction unit 123 may select a prediction method (for example, using method b) in consideration of the change. In addition, the prediction unit 123 may select an optimal prediction method by adding information in the facility (the number of people detected by the sensor 112, the difference between business days and closed days, etc.).
また、上記の実施形態では、時間帯は３０分単位としていたが、そのような時間に限定されず、３０分よりも短い時間、３０分よりも長い時間であってもよい。また、実測データは１分サンプリングデータとしていたが、所定周期のサンプリングデータであればよい。また、図４に示した処理は一例であって、このような処理に限定されない。 Moreover, in said embodiment, although the time slot | zone was made into the unit for 30 minutes, it is not limited to such time, The time shorter than 30 minutes and the time longer than 30 minutes may be sufficient. The actual measurement data is 1-minute sampling data, but it may be sampling data with a predetermined period. Moreover, the process shown in FIG. 4 is an example, and is not limited to such a process.
１００ 電力デマンド予測システム
１１０ 機器制御装置
１２０ 監視制御装置
１２１ 通信部
１２２ 監視部
１２３ 予測部
１３０ データベース
１４０ 操作端末
DESCRIPTION OF SYMBOLS 100 Electric power demand prediction system 110 Equipment control apparatus 120 Monitoring control apparatus 121 Communication part 122 Monitoring part 123 Prediction part 130 Database 140 Operation terminal
Claims (6)
複数の電力デマンド予測方式を用いて、収集した前記実測データを適用して、過去の電力デマンドの予測値を算出する第２工程と、
前記第２工程で算出した予測値と前記実測データとの予測誤差を算出する第３工程と、
前記予測誤差の算出結果から、所定期間の平均誤差を算出する第４工程と、
前記第４工程の算出結果から、前記複数の電力デマンド予測方式のうち誤差が最も小さくなる予測方式を選択する第５工程と、
所定の時間帯毎に、前記第５工程で選択した予測方式に切り換えて、電力デマンドの予測値を算出する第６工程と、
を有することを特徴とする電力デマンド予測方法。 A first step of collecting actual measurement data for an arbitrary period from a database in which actual measurement data of power consumption of power consumers is stored;
A second step of calculating a predicted value of a past power demand by applying the collected actual measurement data using a plurality of power demand prediction methods;
A third step of calculating a prediction error between the predicted value calculated in the second step and the actual measurement data;
A fourth step of calculating an average error for a predetermined period from the calculation result of the prediction error;
From a calculation result of the fourth step, a fifth step of selecting a prediction method with the smallest error among the plurality of power demand prediction methods;
A sixth step of switching to the prediction method selected in the fifth step and calculating a predicted value of power demand for each predetermined time period;
A power demand prediction method characterized by comprising:
前記監視部で収集した前記実測データを保存するデータベースと、
前記データベースに保存された前記実測データに基づいて電力デマンドの予測を行う予測部と、を備え、
前記予測部は、
前記データベースから任意の期間の実測データを収集し、
複数の電力デマンド予測方式を用いて、収集した前記実測データを適用して、過去の電力デマンドの予測値を算出し、
前記予測値と前記実測データとの予測誤差を算出し、
前記予測誤差の算出結果から、所定期間の平均誤差を算出し、
その算出結果から、前記複数の電力デマンド予測方式のうち誤差が最も小さくなる予測方式を選択し、
所定の時間帯毎に、前記選択した予測方式に切り換えて、電力デマンドの予測値を算出する
ことを特徴とする電力デマンド予測システム。 A monitoring unit that collects actual measurement data of power used by power consumers;
A database for storing the actual measurement data collected by the monitoring unit;
A prediction unit that performs prediction of power demand based on the actual measurement data stored in the database,
The prediction unit
Collect measured data for an arbitrary period from the database,
Applying the collected actual measurement data using a plurality of power demand prediction methods, calculating a predicted value of past power demand,
Calculate a prediction error between the predicted value and the measured data,
From the calculation result of the prediction error, an average error for a predetermined period is calculated,
From the calculation results, select a prediction method with the smallest error among the plurality of power demand prediction methods,
A power demand prediction system, wherein the prediction value of the power demand is calculated by switching to the selected prediction method every predetermined time period.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017161093A JP6438548B1 (en) | 2017-08-24 | 2017-08-24 | Power demand prediction method and power demand prediction system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017161093A JP6438548B1 (en) | 2017-08-24 | 2017-08-24 | Power demand prediction method and power demand prediction system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6438548B1 JP6438548B1 (en) | 2018-12-12 |
| JP2019041473A true JP2019041473A (en) | 2019-03-14 |
Family
ID=64655882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017161093A Active JP6438548B1 (en) | 2017-08-24 | 2017-08-24 | Power demand prediction method and power demand prediction system |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6438548B1 (en) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10117437A (en) * | 1996-10-09 | 1998-05-06 | Fuji Electric Co Ltd | Maximum daily power demand prediction |
| JP2004336890A (en) * | 2003-05-08 | 2004-11-25 | Hitachi Ltd | Power purchase and sale support system |
| JP2013074692A (en) * | 2011-09-27 | 2013-04-22 | Toshiba Corp | Data collection device and method thereof |
| JP2014164393A (en) * | 2013-02-22 | 2014-09-08 | Mitsubishi Electric Corp | Electric power prediction device, equipment control system, electric power prediction method and program |
| JP2017022847A (en) * | 2015-07-09 | 2017-01-26 | 株式会社東光高岳 | Demand controller |
| JP2017135921A (en) * | 2016-01-29 | 2017-08-03 | Ｊｘｔｇエネルギー株式会社 | Power demand prediction device, power demand prediction method, and power demand prediction program |
-
2017
- 2017-08-24 JP JP2017161093A patent/JP6438548B1/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10117437A (en) * | 1996-10-09 | 1998-05-06 | Fuji Electric Co Ltd | Maximum daily power demand prediction |
| JP2004336890A (en) * | 2003-05-08 | 2004-11-25 | Hitachi Ltd | Power purchase and sale support system |
| JP2013074692A (en) * | 2011-09-27 | 2013-04-22 | Toshiba Corp | Data collection device and method thereof |
| JP2014164393A (en) * | 2013-02-22 | 2014-09-08 | Mitsubishi Electric Corp | Electric power prediction device, equipment control system, electric power prediction method and program |
| JP2017022847A (en) * | 2015-07-09 | 2017-01-26 | 株式会社東光高岳 | Demand controller |
| JP2017135921A (en) * | 2016-01-29 | 2017-08-03 | Ｊｘｔｇエネルギー株式会社 | Power demand prediction device, power demand prediction method, and power demand prediction program |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6438548B1 (en) | 2018-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Coughlin et al. | Statistical analysis of baseline load models for non-residential buildings | |
| EP2251614B1 (en) | Air conditioning system and device for predicting building air conditioning facility power consumption amount | |
| JP4212369B2 (en) | Power supply service method and system | |
| US10554077B2 (en) | Automated monitoring for changes in energy consumption patterns | |
| US20170373500A1 (en) | Method for Adaptive Demand Charge Reduction | |
| JP2007020314A (en) | Power demand prediction system | |
| JP2011134325A (en) | Method and system for demand response management in network | |
| JP2008102709A (en) | Energy management system and energy management method | |
| EP3000087A2 (en) | Visualizing energy consumption and cost trends using virtual billing cycle calculations and statistical analysis | |
| WO2013090017A2 (en) | Systems, methods and devices for determining energy conservation measure savings | |
| JP2017034797A (en) | Baseline load estimation device and baseline load estimation program | |
| EP2743790A2 (en) | Information processing device, information processing method, and storage medium | |
| JP4606257B2 (en) | Demand factor analysis system and demand factor analysis method | |
| JP2017169289A (en) | Power prediction system, power prediction method, and program | |
| JP2008102816A (en) | Energy saving report preparation device and method of predicting energy consumption by using the same | |
| JP2016018483A (en) | Energy management system, method, and program | |
| JP2010113721A (en) | Method and device of predicting level of customer amount, and method and system of controlling temperature of aircondiction by using the same | |
| KR101865924B1 (en) | Appratus and method for estimation of weekly power load to improve processing time using neural network and revision factor | |
| TW201810854A (en) | Demand monitoring device, demand monitoring method, and demand monitoring program | |
| JP2020087276A (en) | Device and method for predicting energy consumption | |
| JP6438548B1 (en) | Power demand prediction method and power demand prediction system | |
| JP6456183B2 (en) | Control device, communication system, and power consumption control method | |
| JP5627331B2 (en) | Power monitor | |
| JP6103323B1 (en) | Electricity price information prediction system | |
| JP2008259308A (en) | Power management system, power control server, and power control method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180925 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181009 |
|
| 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: 20181022 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20181116 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6438548 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |