JP2019049850A - 予測システム及び方法 - Google Patents
予測システム及び方法 Download PDFInfo
- Publication number
- JP2019049850A JP2019049850A JP2017173542A JP2017173542A JP2019049850A JP 2019049850 A JP2019049850 A JP 2019049850A JP 2017173542 A JP2017173542 A JP 2017173542A JP 2017173542 A JP2017173542 A JP 2017173542A JP 2019049850 A JP2019049850 A JP 2019049850A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- value
- module
- correction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000004364 calculation method Methods 0.000 claims abstract description 139
- 230000007704 transition Effects 0.000 claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000001914 filtration Methods 0.000 claims abstract description 28
- 238000012937 correction Methods 0.000 claims description 199
- 230000008569 process Effects 0.000 claims description 42
- 230000002123 temporal effect Effects 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 3
- 238000013215 result calculation Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 32
- 230000005611 electricity Effects 0.000 description 23
- 230000006870 function Effects 0.000 description 23
- 230000008859 change Effects 0.000 description 20
- 238000010248 power generation Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 239000013598 vector Substances 0.000 description 13
- 230000000737 periodic effect Effects 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 9
- 239000000203 mixture Substances 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000005303 weighing Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
Description
図1において、1は全体として本実施の形態による需給管理システムを示す。需給管理システム1は、過去の電力需要の実績量に基づいて将来の所定期間の電力の需要量などの値を精度良く予測し、これによって、発電機の運転計画の策定や調整、そして、他の電気事業者からの電力の調達取引計画の策定や調整など電力の需給管理を可能にするものである。
次に、本実施の形態の需給管理システム1に実装された予測機能について説明する。本需給管理システム1には電力需要量を予測する予測機能が搭載されている。
図5は、予測システム12における予測処理の処理手順を示す。この処理は、予測演算装置30が需給管理者システムモジュール3からの入力操作を受け付けたこと、予め設定された時間間隔又は時刻を契機として開始される処理である。なお以下においては、各種処理の処理主体をプログラム(「……モジュール」)として説明するが、実際上は、予測演算装置30のCPU301がそのプログラムに基づいてその処理を実行することは言うまでもない。
(4−1)代表曲線算出モジュールの第1の実施の形態
図6は、予測システム12における代表曲線算出モジュール310の第1の実施の形態を示す。代表曲線算出モジュール310は、時間単位クラスタリングモジュール310A1及び時間単位プロファイリング処理モジュール310A2を備える。
時間単位クラスタリングモジュール310A1は、予測対象の周期的な変動を示す特徴量に基づいて、需要実績情報406から抽出した標本データを分類する。
時間単位プロファイリング処理モジュール310A2は、時間単位クラスタリングモジュール310A1が算出した各時間クラスタのそれぞれについて、共通的に存在する属性の特定及びその値の範囲の算出を行うことで、各時間クラスタを識別する識別器を同定する。
適時性指標値設定モジュール308は、標本データセット内の各標本データについて、標本データセット内の各標本データ及び予測対象期間の時間的な相関の程度尺度である適時性を評価し、適時性を示す指標値を算出する。
図8は、予測システム12における補正値算出モジュール311の第1の実施の形態を示す。補正値算出モジュール311は、モデル同定モジュール311A1、補正値推定モジュール311A2及び選択モジュール311A4を備える。
まず選択モジュール311A4は、需要実績情報406及び属性実績情報306に含まれる説明変数(時間、日及び曜日、時間の剰余の値などの暦日情報の各属性、天気、湿度、最高気温及び最低気温などの気象情報の各属性、並びに、台風、イベント及び重大事故などの突発事故の各属性など)の中から、モデル同定モジュールがモデルの同定を行う際に利用する説明変数を選択する。
モデル同定モジュール311A1は、選択モジュール311A4から与えられる需要実績情報406及び属性実績情報306を用い、補正用データである予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値の算出の演算に用いるモデルを同定する。本実施の形態においては、このようなモデルとして、ノンパラメトリックなモデル(非線形モデル)であるガウス過程回帰モデルを同定するものとする。
そして補正値推定モジュール311A2は、モデル同定モジュール311A1が算出した補正用データの算出の演算に用いるモデルに、属性予報情報307に格納されている説明変数xの予報値が入力されることで、予測対象期間における時間推移を示す曲線の補正値を、補正用データとして算出する。
図10は、予測システム12における代表曲線補正モジュール317の第1の実施の形態を示す。代表曲線補正モジュール317は、振幅補正モジュール317A1及び周波数補正モジュール310A2を備える。
まず、振幅補正モジュール317A1が、補正値算出モジュール311が算出した補正用データ311B1を用いて、代表曲線算出モジュール310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曲線310Bの振幅を変更する。具体的には補正後の曲線f^(t)は次式で与えられる。
そして周波数補正モジュール310A2は、補正値算出モジュール311が算出した補正用データ311B2を用いて、代表曲線算出モジュール310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曲線310Bの周波数を変更する。
信頼性指標値設定モジュール309は、算出した補正用データである予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値のそれぞれについて、量的及び時間的の2種の信頼性を評価し、信頼性を示す指標値を算出する。
図13に示すように、代表曲線算出モジュール310が出力する予測対象期間における予測対象の時間推移を示す曲線の算出結果は、適時性指標値設定モジュール308が算出する標本データそれぞれの適時性を示す指標値を用いた場合及びそうでない場合で異なる。
(6−1)代表曲線算出モジュールの第2の実施の形態
上述の代表曲線算出モジュール310の第1の実施の形態においては、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方法として、予測対象の周期的な変動の特徴を示す特徴量を用いたクラスタリングアルゴリズムを利用した場合について述べたが、本発明はこれに限らず、例えば、代表曲線算出モジュール310は予測対象日と同一日種別の過去数日分を標本データとして、その算術平均にて曲線を算出するようにしてもよい。
上述の補正値算出モジュール311の第1の実施の形態においては、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、予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値又は積算値の予測値に対して一致又はそれぞれの残差和が最小となるように、曲線の振幅又は周波数を補正した場合について述べたが、本発明はこれに限らず、例えば、(2)式で示す変更係数αとβを補正用データとして扱うなど、変更係数を補正用データとして直接扱うようにしてもよい。
上述の代表曲線補正モジュール317の第1の実施の形態においては、予測対象の時間推移を示す曲線の振幅、周波数又はその両方の変更のみを代表曲線補正モジュール317が行う補正処理とするようにした場合について述べたが、本発明はこれに限らず、例えば、振幅、周波数又はその両方の変更によって算出された最終的な予測値に、季節特異な、又は、曜日特異な誤差が定常的に発生する場合、これは予測系に残存する潜在的な偏差であることから、この定常的な偏差を補正する処理を加えるようにしてもよい。
なお上述の実施形態においては、適時性及び信頼性を示す指標値は、それぞれ適時性指標値設定モジュール308及び信頼性指標値設定モジュール309で算出されるようにした場合について述べたが、本発明はこれに限らず、例えば、適時性及び信頼性の指標値のそれぞれについて、予め設定した値が直接的に使用されるようにしてもよい。
Claims (10)
- 任意期間における予測対象の予測値を算出する予測システムにおいて、
予測対象期間における前記予測対象の時間推移を予測する時間推移予測部と、
前記時間推移予測部が予測した前記予測対象の時間推移の基準値を算出する基準値算出部と、
前記時間推移予測部の予測結果と前記予測対象の時間推移の実績値との差分と、前記基準値算出部の算出結果と当該基準値の実績値との差分との少なくとも一方について、所定範囲を超える外れ値を除去するフィルタリング処理を実行するフィルタ部、もしくは、実績値の属性情報の一部を除去するフィルタリング処理を実行する説明変数フィルタ部、もしくは予測値算出で用いる属性情報に対する係数を求めるフィルタリング処理を実行する重み付けフィルタ部のいずれかのフィルタ部と、
前記フィルタリング処理の処理結果を用いて、予測された前記予測対象の時間推移及び又は予測された前記予測対象の時間推移の前記基準値を補正し、補正結果を用いて最終的な前記予測対象の時間推移の予測結果を算出する予測結果算出部と
を備えることを特徴とする予測システム。 - 前記時間推移予測部は、
必要な1又は複数の説明変数の実績値と、前記説明変数の将来の予測値と、前記予測対象の実績値とに基づいて前記予測対象期間における前記予測対象の時間推移を予測し、
前記基準値算出部は、
必要な前記説明変数の実績値、及び、前記予測対象の実績値に基づいて、前記時間推移予測部が予測した前記予測対象の時間推移の前記基準値を算出し、
前記基準値算出部は、
前記予測対象期間内の任意の期間における前記基準値の算出の演算に用いるモデルを同定するモデル同定部と、
前記モデル同定部により同定された前記モデルに基づいて、前記補正値を推定する補正値推定部と、
前記モデル同定部が前記モデルの同定を行う際に利用する前記説明変数を選択する選択部と
を備える
ことを特徴とする請求項1に記載の予測システム。 - 前記モデル同定部は、
前記モデルとしてガウス過程回帰モデルを生成する
ことを特徴とする請求項2に記載の予測システム。 - 前記モデルの端部の誤差を補正するためのダミーの標本を前記基準値算出部に出力するダミー標本出力部を備え、
前記基準値算出部は、
前記ダミー標本を用いて前記モデルを同定する
ことを特徴とする請求項2に記載の予測システム。 - 前記説明変数として、所定の前記説明変数に関する需要の時間遅れ応答性能を示す情報を含む
ことを特徴とする請求項2に記載の予測システム。 - 任意期間における予測対象の予測値を算出する予測システムにおいて実行される予測方法であって、
予測対象期間における前記予測対象の時間推移を予測すると共に、当該予測対象の時間推移の基準値を算出する第1のステップと、
予測した前記予測対象の時間推移と前記予測対象の時間推移の実績値との差分と、予測した前記予測対象の時間推移の前記基準値と当該基準値の実績値との差分との少なくとも一方について、所定範囲を超える外れ値を除去するフィルタリング処理、もしくは、実績値の属性情報の一部を除去するフィルタリング処理、もしくは予測値算出で用いる属性情報に対する係数を求めるフィルタリング処理のいずれかのフィルタリング処理を実行する第2のステップと、
前記フィルタリング処理の処理結果を用いて、予測された前記予測対象の時間推移及び又は予測された前記予測対象の時間推移の前記基準値を補正し、補正結果を用いて最終的な前記予測対象の時間推移の予測結果を算出する第3のステップと
を備えることを特徴とする予測方法。 - 前記第1のステップでは、
必要な1又は複数の説明変数の実績値と、前記説明変数の将来の予測値と、前記予測対象の実績値とに基づいて前記予測対象期間における前記予測対象の時間推移を予測すると共に、必要な前記説明変数の実績値、及び、前記予測対象の実績値に基づいて、前記時間推移予測部が予測した前記予測対象の時間推移の前記基準値を算出し、
前記第1のステップは、
前記予測対象期間内の任意の期間における前記基準値の算出の演算に用いるモデルを同定するモデル同定ステップと、
同定した前記モデルに基づいて、前記補正値を推定する補正値推定ステップとを有し、
前記モデル同定ステップの実行前に、前記モデルの同定を行う際に利用する前記説明変数を選択する
ことを特徴とする請求項6に記載の予測方法。 - 前記モデル同定ステップでは、
前記モデルとしてガウス過程回帰モデルを生成する
ことを特徴とする請求項7に記載の予測方法。 - 前記モデル同定ステップでは、
モデルの端部の誤差を補正するためのダミーの標本を用いて前記モデルを同定する
ことを特徴とする請求項7に記載の予測方法。 - 前記説明変数として、所定の前記説明変数に関する需要の時間遅れ応答性能を示す情報を含む
ことを特徴とする請求項7に記載の予測方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017173542A JP6837949B2 (ja) | 2017-09-08 | 2017-09-08 | 予測システム及び方法 |
PCT/JP2018/028104 WO2019049546A1 (ja) | 2017-09-08 | 2018-07-26 | 予測システム及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017173542A JP6837949B2 (ja) | 2017-09-08 | 2017-09-08 | 予測システム及び方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019049850A true JP2019049850A (ja) | 2019-03-28 |
JP6837949B2 JP6837949B2 (ja) | 2021-03-03 |
Family
ID=65634768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017173542A Active JP6837949B2 (ja) | 2017-09-08 | 2017-09-08 | 予測システム及び方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6837949B2 (ja) |
WO (1) | WO2019049546A1 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021012539A (ja) * | 2019-07-05 | 2021-02-04 | 株式会社日立製作所 | データ予測システム及びその方法 |
WO2023021607A1 (ja) * | 2021-08-18 | 2023-02-23 | 三菱電機ビルソリューションズ株式会社 | 消費電力推定装置、消費電力推定方法および消費電力推定プログラム |
JP7491724B2 (ja) | 2020-04-22 | 2024-05-28 | 株式会社 日立産業制御ソリューションズ | 情報処理装置および情報処理方法 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9069725B2 (en) | 2011-08-19 | 2015-06-30 | Hartford Steam Boiler Inspection & Insurance Company | Dynamic outlier bias reduction system and method |
CA3116974A1 (en) | 2014-04-11 | 2015-10-15 | Hartford Steam Boiler Inspection And Insurance Company | Improving future reliability prediction based on system operational and performance data modelling |
US11636292B2 (en) | 2018-09-28 | 2023-04-25 | Hartford Steam Boiler Inspection And Insurance Company | Dynamic outlier bias reduction system and method |
US11954744B2 (en) * | 2019-04-10 | 2024-04-09 | Mitsubishi Electric Corporation | Electric power management station |
CN110298475A (zh) * | 2019-05-10 | 2019-10-01 | 华北电力大学 | 一种基于序列成分分解与神经网络的中期电量预测方法 |
CN114556382A (zh) | 2019-09-18 | 2022-05-27 | 哈佛蒸汽锅炉检验和保险公司 | 被配置为在机器学习模型中实现动态离群值偏倚减少的基于计算机的系统、计算组件和计算对象 |
US11615348B2 (en) | 2019-09-18 | 2023-03-28 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
US11328177B2 (en) | 2019-09-18 | 2022-05-10 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
JP7001766B2 (ja) * | 2020-06-22 | 2022-01-20 | 株式会社日立製作所 | 予測システムおよび予測方法 |
CN114066036B (zh) * | 2021-11-10 | 2022-05-06 | 华东交通大学 | 一种基于自修正融合模型的成本预测方法以及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070055477A1 (en) * | 2005-09-02 | 2007-03-08 | Microsoft Corporation | Web data outlier detection and mitigation |
JP2009253362A (ja) * | 2008-04-01 | 2009-10-29 | Mitsubishi Electric Corp | ネットワーク性能予測システム、ネットワーク性能予測方法およびプログラム |
JP2016044029A (ja) * | 2014-08-22 | 2016-04-04 | 株式会社アールファイブ | 在庫管理システム、在庫管理方法、及びプログラム |
-
2017
- 2017-09-08 JP JP2017173542A patent/JP6837949B2/ja active Active
-
2018
- 2018-07-26 WO PCT/JP2018/028104 patent/WO2019049546A1/ja active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070055477A1 (en) * | 2005-09-02 | 2007-03-08 | Microsoft Corporation | Web data outlier detection and mitigation |
JP2009253362A (ja) * | 2008-04-01 | 2009-10-29 | Mitsubishi Electric Corp | ネットワーク性能予測システム、ネットワーク性能予測方法およびプログラム |
JP2016044029A (ja) * | 2014-08-22 | 2016-04-04 | 株式会社アールファイブ | 在庫管理システム、在庫管理方法、及びプログラム |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021012539A (ja) * | 2019-07-05 | 2021-02-04 | 株式会社日立製作所 | データ予測システム及びその方法 |
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 |
JP7491724B2 (ja) | 2020-04-22 | 2024-05-28 | 株式会社 日立産業制御ソリューションズ | 情報処理装置および情報処理方法 |
WO2023021607A1 (ja) * | 2021-08-18 | 2023-02-23 | 三菱電機ビルソリューションズ株式会社 | 消費電力推定装置、消費電力推定方法および消費電力推定プログラム |
JPWO2023021607A1 (ja) * | 2021-08-18 | 2023-02-23 | ||
JP7391274B2 (ja) | 2021-08-18 | 2023-12-04 | 三菱電機ビルソリューションズ株式会社 | 消費電力推定装置、消費電力推定方法および消費電力推定プログラム |
GB2623693A (en) * | 2021-08-18 | 2024-04-24 | Mitsubishi Electric Corp | Power consumption estimation device, power consumption estimation method, and power consumption estimation program |
Also Published As
Publication number | Publication date |
---|---|
WO2019049546A1 (ja) | 2019-03-14 |
JP6837949B2 (ja) | 2021-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6837949B2 (ja) | 予測システム及び方法 | |
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 | |
JP6735219B2 (ja) | 予測システム及び予測方法 | |
JP7319757B2 (ja) | データ処理システム及びデータ処理方法 | |
US11593690B2 (en) | Data prediction system and data prediction method | |
JP2018092439A5 (ja) | ||
JP6831280B2 (ja) | 予測システム、及び、予測方法 | |
Aytac et al. | Characterization of demand for short life-cycle technology products | |
WO2019056499A1 (zh) | 预测模型训练方法、数据监控方法、装置、设备及介质 | |
Park et al. | A framework for baseline load estimation in demand response: Data mining approach | |
WO2017212880A1 (ja) | データ予測システムおよびデータ予測方法 | |
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 | |
KR102266494B1 (ko) | 수요반응을 위한 딥러닝 기반 고객 분류 장치 및 방법 | |
Uppal et al. | Short term load forecasting through heat index biasing approach for smart grid sustainability | |
Sinitsyna et al. | Identification of Electric Power Consumption Patterns in Relation to Standard Load Profiles | |
Oliveira et al. | Long-Term Energy Consumption Forecast for a Commercial Virtual Power Plant Using a Hybrid K-means and Linear Regression Algorithm | |
WO2024014035A1 (ja) | データ予測支援方法およびデータ予測システム | |
Klimberg et al. | Development of a Method to Improve Statistical Forecasts Using Interpolation and Cluster Analysis | |
Zhao | Research on E-Commerce Retail Demand Forecasting Based on SARIMA Model and K-means Clustering Algorithm | |
Chitwadgi | Manufacturing Production Demand Forecasting Using the Prophet Algorithm | |
Du et al. | Classified Forecasting of Electricity Purchased by Agent Based on Risk Transfer Chains | |
Zhao | E-Commerce Demand Forecasting Using SARIMA Model and K-means Clustering Analysis | |
Li | Comparison study on time series forecasting techniques for apparel retailing | |
PETRONIO et al. | On load forecasting methodology and applications. | |
Tekin et al. | Store-Based Demand Forecasting: Comparison Between Ensemble Learning Approach and Time Series Approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200117 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201215 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210108 |
|
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: 20210126 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210210 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6837949 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |