JP2019117601A - 需要予測装置、需要予測方法及びコンピュータプログラム - Google Patents

Abstract

【課題】より高い精度で需要予測をすることができる需要予測装置、需要予測方法及びコンピュータプログラムを提供することである。【解決手段】実施形態の需要予測装置は、第１予測決定部と、第２予測決定部とを持つ。第１予測決定部は、所定の情報の予測値を含む予報データと、需要の実績値を含む第１実績データと、に基づいて需要の予測値を示す第１予測データを決定する。第２予測決定部は、第１予測データが所定の条件を満たす場合、第１実績データと、所定の情報の実績値を含む第２実績データと、に基づいて需要の予測値を示す第２予測データを決定する。【選択図】図１

Description

本発明の実施形態は、需要予測装置、需要予測方法及びコンピュータプログラムに関する。

従来、電力などの需要の予測に用いられる予測モデルには、気象予報値が用いられることが多い。しかし、気象予報値は、実績値と異なる場合がある。したがって、需要予測結果は、気象予報値と実績値との誤差の影響を受ける。そこで、需要予測結果を補正するために、誤差の影響を考慮した補正モデルが用いられる。しかし、補正モデルの構築にあたり、需要予測結果が用いられる場合、構築される補正モデルにも誤差が含まれる。したがって、補正モデルを用いても、正確な予測ができない場合があった。

特許第３９４６５４８号公報

本発明が解決しようとする課題は、より高い精度で需要予測をすることができる需要予測装置、需要予測方法及びコンピュータプログラムを提供することである。

実施形態の需要予測装置は、第１予測決定部と、第２予測決定部とを持つ。第１予測決定部は、所定の情報の予測値を含む予報データと、需要の実績値を含む第１実績データと、に基づいて前記需要の予測値を示す第１予測データを決定する。第２予測決定部は、前記第１予測データが所定の条件を満たす場合、前記第１実績データと、前記所定の情報の実績値を含む第２実績データと、に基づいて前記需要の予測値を示す第２予測データを決定する。

第１の実施形態の需要予測装置１００の機能構成を表す機能ブロック図。 第１の実施形態のデータテーブルの一具体例を示す図。 第１の実施形態の予測モデルテーブルの一具体例を示す図。 第１の実施形態の補正データ算出の処理の流れを示すフローチャート。 第１の実施形態の補正データ算出の処理の流れを示すフローチャート。 第１の実施形態の補正データ算出の処理の流れを示すシーケンス図。 第１の実施形態の予測結果の表示の一具体例を示す図。 第２の実施形態のデータテーブルの一具体例を示す図。 第２の実施形態の予測モデルテーブルの一具体例を示す図。 第２の実施形態のモデル選択の処理の流れを示すフローチャート。 第２の実施形態の予測結果の表示の一具体例を示す図。 第３の実施形態の予測モデルテーブルの一具体例を示す図。 第３の実施形態の補正データ算出の処理の流れを示すフローチャート。 第３の実施形態の補正データ算出の処理の流れを示すフローチャート。 第４の実施形態のデータテーブルの一具体例を示す図。 第４の実施形態の予測モデルテーブルの一具体例を示す図。 第４の実施形態の補正データ算出の処理の流れを示すフローチャート。 第４の実施形態の補正データ算出の処理の流れを示すフローチャート。

以下、実施形態の需要予測装置、需要予測方法及びコンピュータプログラムを、図面を参照して説明する。

（第１の実施形態）
図１は、第１の実施形態の需要予測装置１００の機能構成を表す機能ブロック図である。需要予測装置１００は、パーソナルコンピュータ又はサーバ等の情報処理装置である。需要予測装置１００は、バスで接続されたプロセッサやメモリや補助記憶装置などを備え、需要予測プログラムを実行することによって通信部１０１、入力部１０２、表示部１０３、記憶部１０４及び制御部１０５を備える装置として機能する。なお、通信部１０１、入力部１０２、表示部１０３、記憶部１０４及び制御部１０５の各機能の全て又は一部は、ＡＳＩＣ（Application Specific Integrated Circuit）やＰＬＤ（Programmable Logic Device）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェアを用いて実現されてもよい。需要予測プログラムは、コンピュータ読み取り可能な記録媒体に記録されてもよい。コンピュータ読み取り可能な記録媒体とは、例えばフレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置である。需要予測プログラムは、電気通信回線を介して送信されてもよい。

通信部１０１は、ネットワークインタフェースである。通信部１０１はネットワークを介して、データを受信する。通信部１０１は、例えば無線ＬＡＮ（Local Area Network）、有線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈ（登録商標）又はＬＴＥ（Long Term Evolution）（登録商標）等の通信方式で通信してもよい。

入力部１０２は、タッチパネル、マウス及びキーボード等の入力装置を用いて構成される。入力部１０２は、入力装置を需要予測装置１００に接続するためのインタフェースであってもよい。この場合、入力部１０２は、入力装置において入力された入力信号から入力データ（例えば、需要予測装置１００に対する指示を示す指示情報）を生成し、需要予測装置１００に入力する。

表示部１０３は、ＣＲＴ（Cathode Ray Tube）ディスプレイ、液晶ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ等の出力装置である。表示部１０３は、出力装置を需要予測装置１００に接続するためのインタフェースであってもよい。この場合、表示部１０３は、映像データから映像信号を生成し自身に接続されている映像出力装置に映像信号を出力する。

記憶部１０４は、磁気ハードディスク装置や半導体記憶装置等の記憶装置を用いて構成される。記憶部１０４は、需要予測に用いられる各種のデータを記憶する。記憶部１０４は、データ記憶部１０６、予測モデル記憶部１０７及び補正モデル記憶部１０８を記憶する。

データ記憶部１０６は、データテーブルを記憶する。予測モデル記憶部１０７は、予測モデル及び更新予測モデルを記憶する。予測モデルは、需要の予測データを算出するために用いられる数式である。更新予測モデルは、実績データに基づいて更新された予測モデルを表す。予測モデル記憶部１０７に記憶された更新予測モデルは、予測モデルとして扱われる。補正モデル記憶部１０８は、補正モデル及び更新補正モデルを記憶する。補正モデルは、需要の補正データを算出するために用いられる数式である。更新補正モデルは、実績データ及び再予測データに基づいて更新された補正モデルを表す。補正モデル記憶部１０８に記憶された更新補正モデルは、補正モデルとして扱われる。

制御部１０５は、需要予測装置１００の各部の動作を制御する。制御部１０５は、例えばプロセッサ及びメモリを備えた装置により実行される。制御部１０５は、需要予測プログラムを実行することによって、データ管理部１０９、予測モデル管理部１１０、補正モデル管理部１１１、予測部１１２、補正部１１３及び指令送信部１１４として機能する。

データ管理部１０９は、データ取得部１１５及び欠測補間部１１６を備える。データ取得部１１５は、予報データ及び実績データを取得する。予報データは、所定の期間に関する気温等の気象情報に関する予測値である。実績データは、所定の期間に関する気温等の気象情報（予報データ）又は需要に関する実績値である。欠測補間部１１６は、取得したデータのうち、欠測データを補間する。欠測データとは、取得できなかった予報データ又は実績データである。需要の実績値に関する実績データは、第１実績データの一態様である。予報データに関する実績データは、第２実績データの一態様である。

欠測補間部１１６は、取得したデータに欠測データが含まれるか否かを判定する。欠測補間部１１６は、欠測データが含まれる場合、欠測データを所定の方法で補間する。所定の方法は、例えば、線形補間、多項式補間又はスプライン補間等であってもよく、どのような方法が用いられてもよい。データ管理部１０９は、取得したデータ又は補完したデータをデータ記憶部１０６に記録する。データ管理部１０９は、異なるタイミングで、欠測データに関する予報データ又は実績データが取得できた場合、補間されたデータに対して取得したデータを上書きする。

予測モデル管理部１１０は、予測モデル構築・更新部１１７を備える。予測モデル管理部１１０が、モデル更新指示を受信すると、予測モデル構築・更新部１１７は、実績データに基づいて予測モデルを更新し、更新予測モデルを生成する。予測モデル管理部１１０は、更新予測モデルを、予測モデル記憶部１０７に記録する。

予測モデルは、下記の数式（１）のように表される。数式（１）のＤ（ｔ）は、需要の実績データを表す。Ｄ_ｐ（ｔ）は、需要の予測データを表す。Ｔ_ｐ（ｔ）は、気温の予報データを表す。ｔは予測対象時刻を表す。Δｔは、予測対象時刻と使用する実績データとの時間差を表す。α、β及びγは所定の係数である。予測モデルの更新に用いられる実績データＤ（ｔ）、予測データＤ_ｐ（ｔ）及び気温予報データＴ_ｐ（ｔ）の期間は、例えば、直近１か月、１年、1年間の同一曜日、直近３か月間の同一時刻等であってもよい。また、予測モデルは線形モデルに限定されず、ニューラルネットなどの非線形モデル又はパターンマッチング手法等のどのようなモデルが用いられてもよい。

予測モデルには、以下の数式（２）のように、入力に予測データＤ_ｐ（ｔ）が含まれてもよい。

予測モデル構築・更新部１１７は、予測モデルを更新する場合、予測データＤ_ｐ（ｔ）及び気温予報データＴ_ｐ（ｔ）に対応する実績値Ｄ（ｔ）及びＴ（ｔ）を用いる。したがって、予測モデルを表す数式（１）又は数式（２）は、以下の数式（３）で表される。所定の係数α、β又はγを最小二乗法などによって決定される。予測モデル構築・更新部１１７は、係数α、β又はγを決定する際にはデータの重み付けをしてもよい。

補正モデル管理部１１１は、補正モデル構築・更新部１１８を備える。補正モデル構築・更新部１１８は、モデル更新指示を受信すると、予測部１１２に対して予測再演算指令を送信する。補正モデル構築・更新部１１８は、データ管理部１０９に記録された実績データ及び再予測データに基づいて、補正モデルを更新し、更新補正モデルを生成する。補正モデル管理部１１１は、更新補正モデルを、補正モデル記憶部１０８に記録する。再予測データは、実績データと予測モデルとに基づいて算出される予測データである。補正モデルは、予測データを補正する補正データを算出する規則を示す。

補正モデルは、下記の数式（４）のように表される。数式（４）のＤ（ｔ）は、需要の実績データを表す。Ｄ_ｐ（ｔ）は、需要の予測データを表す。Ｄ_ｃ（ｔ）は、需要の補正データを表す。ｔ´は、補正対象時刻を表す。Δｔ´は、補正対象時刻と使用する実績データとの時間差を表す。α、β及びγは所定の係数である。

予測部１１２は、予測演算部１１９及び予測再演算部１２０を備える。予測演算部１１９は、予測モデル、予報データ及び実績データに基づいて、予測データを算出する。予測演算部１１９は、予測データをデータ記憶部１０６に記録する。予測演算部１１９は、年間予測、月間予測、週間予測又は翌日予測等のようにまとまった時刻分を一度に算出してもよい。予測演算部１１９は、第１予測決定部の一態様である。第１予測決定部は、予報データと、第１実績データと、に基づいて需要の予測値を示す第１予測データを決定する。予測データは第１予測データの一態様である。

予測再演算部１２０は、予測部１１２が予測再演算指令を受信すると、予測モデルと実績データとに基づいて、再予測データを算出する。予測再演算部１２０は、再予測データを数式（１）の入力値である気温予報データＴ_ｐ（ｔ）に実績値Ｔ（ｔ）を入力することで、算出する。算出結果は、数式（５）で表される。数式（５）のＤ_ｐ´（ｔ）は、再予測データを表す。予測再演算部１２０は、第２予測決定部の一態様である。第２予測決定部は、第１実績データと、第２実績データと、に基づいて第２予測データを決定する。再予測データは、第２予測データの一態様である。

予測再演算部１２０は、再予測データを算出する期間として、前回の処理によって算出された期間の続きを算出してもよいし、予め指定された期間を算出してもよい。また、予測再演算部１２０は、再予測データの算出に使用される実績データに関して、補間された欠測データを除く処理を加えてもよい。予測再演算部１２０は、再予測データをデータ記憶部１０６に記録する。

補正モデル構築・更新部１１８は、補正モデルを更新する場合、補正データＤ_ｃ（ｔ）及び予測データＤ_ｐ（ｔ）に対応する実績値Ｄ（ｔ）及び再予測データＤ_ｐ´（ｔ）を用いる。したがって、補正モデルを表す数式（４）は、以下の数式（６）で表される。所定の係数ａ、ｂ又はｃを最小二乗法などによって決定される。補正モデル構築・更新部１１８は、所定の係数ａ、ｂ又はｃを決定する際にはデータの重み付けをしてもよい。

補正部１１３は、補正演算部１２１を備える。補正演算部１２１は、補正モデル、予報データ、実績データ及び予測データに基づいて補正データを算出する。補正部１１３は、補正データをデータ記憶部１０６に記録する。補正演算部１２１は、補正データを、予測データが算出されるよりも短い間隔で算出する。

指令送信部１１４は、モデル判断部１２２を備える。モデル判断部１２２は、予測モデル又は補正モデルを更新するか否かを判定する。モデル判断部１２２は、予測モデルを更新するか否かを、所定の条件に基づいて判定してもよいし、ユーザからの入力に基づいて判定してもよい。所定の条件とは、前回の予測モデル更新からの経過日数又は経過時間、予測演算部１１９が予測モデルを用いて算出した予測データの予測精度又は閾値を超える誤差の発生の割合等を予測モデル更新をするか否かの判定条件としてもよい。モデル判断部１２２は、予測モデルを更新すると判定した場合、モデル更新指示を予測モデル管理部１１０に送信する。モデル判断部１２２は、補正モデルを更新するか否かを、上記の所定の条件に基づいて判定してもよいし、予測モデルが更新されたタイミングとしてもよいし、どのような条件であってもよい。モデル判断部１２２は、補正モデルを更新すると判定した場合、モデル更新指示を補正モデル管理部１１１に送信する。

図２は、第１の実施形態のデータテーブルの一具体例を示す図である。データテーブルは、データレコードを有する。データレコードは、日時、実績データ、予測データ、再予測データ、補正データ、予報データ及び実績データの各値を有する。日時は、データレコードの各値がどの期間の値を示すのかを表す。実績データは、実際に需要家によって消費された電力の実績を示す値である。予測データは、予測モデルと予報データに基づいて算出される。予測データは、日時に示される期間に、需要家によって消費されると予測される電力を示す値である。再予測データは、予測データが算出された後、過去の実績データに基づいて算出される。再予測データは、日時に示される期間に関して、需要家によって消費されると予測される電力を示す値である。補正データは、これまでの実績データと予報データとに基づいて算出される値である。予報データは、日時に示される期間に関して、予報される気温等の気象情報である。

図２に示される例では、データテーブルの最上段のデータレコードは、日時の値が“2016/12/01 00：00-00：29”実績データの値が“１０５”、予測データの値が“１００”、再予測データの値が“１０３”、補正データの値が“１２０”、予報データの値が“５．５”、実績データの値が“５．２”である。従って、データテーブルの最上段のデータレコードによると、日時が“２０１６年１２月１日 ０時０分から０時２９分”の期間におけるデータであり、その時の実績データは、“１０５Ｗｈ”であり、予測データは“１００Ｗｈ”であり、再予測データは“１０３Ｗｈ”であり、補正データは“１２０Ｗｈ”であり、予報データは“５．５℃”であり、実績データは“５．２℃”であることがわかる。図２の補正データ列の６行目のセルは、現在、補正データが算出されているセルである。なお、図２に示されるデータテーブルは一具体例に過ぎない。そのため、図２とは異なる態様でデータテーブルが構成されてもよい。

図３は、第１の実施形態の予測モデルテーブルの一具体例を示す図である。予測モデルテーブルは、予測モデルレコードを有する。予測モデルレコードは、モデル名、α、β及びγの各値を有する。モデル名は、予測モデルの識別子を示す。α、β及びγは、予測モデルの係数を示す。

図３に示される例では、予測モデルテーブルの最上段の予測モデルレコードは、モデル名の値が“予測モデル”、αの値が“０．８”、βの値が“０.３”、γの値が“２０”である。従って、予測モデルテーブルの最上段の予測モデルレコードによると、モデル名が“予測モデル”に関する、予測モデルの係数の値あり、αは、“０．８”であり、βは“０．３”であり、γは“２０”であることがわかる。なお、図３に示される予測モデルテーブルは一具体例に過ぎない。そのため、図３とは異なる態様で予測モデルテーブルが構成されてもよい。例えば、予測モデルテーブルは、補正モデルに関するレコードを有するように構成されてもよい。

図４及び図５は、第１の実施形態の補正データ算出の処理の流れを示すフローチャートである。データ取得部１１５は、予報データ及び実績データを取得する（ステップＳ１０１）。欠測補間部１１６は、取得したデータに欠測データが含まれるか否かを判定する（ステップＳ１０２）。欠測データが含まれる場合（ステップＳ１０２：ＹＥＳ）、欠測補間部１１６は、欠測データを所定の方法で補間し、ステップＳ１０４へ遷移する（ステップＳ１０３）。欠測データが含まれない場合（ステップＳ１０２：ＮＯ）、データ管理部１０９は、予報データ、実績データ及び欠測データをデータ記憶部１０６に記録する（ステップＳ１０４）。

モデル判断部１２２は、所定の条件に基づいて予測モデルを更新するか否かを判定する(ステップＳ１０５)。予測モデルを更新すると判定された場合（ステップＳ１０５：ＹＥＳ）、モデル判断部１２２は、モデル更新指示を予測モデル管理部１１０に送信する。予測モデル構築・更新部１１７は、実績データに基づいて予測モデルを更新し、更新予測モデルを生成する（ステップＳ１０６）。予測モデル管理部１１０は、更新予測モデルを、予測モデル記憶部１０７に記録し、ステップＳ１０８に遷移する（ステップＳ１０７）。予測モデルを更新しないと判定された場合（ステップＳ１０５：ＮＯ）、ステップＳ１０８に遷移する。

予測演算部１１９は、予測モデル、予報データ及び実績データに基づいて、予測データを算出する（ステップＳ１０８）。予測部１１２は、予測データをデータ記憶部１０６に記録する（ステップＳ１０９）。

モデル判断部１２２は、所定の条件に基づいて補正モデルを更新するか否かを判定する(ステップＳ１１０)。補正モデルを更新すると判定された場合（ステップＳ１１０：ＹＥＳ）、モデル判断部１２２は、モデル更新指示を補正モデル管理部１１１に送信する。補正モデル管理部１１１は、モデル更新指示を受信すると、予測再演算指示を予測部１１２に送信する。予測再演算部１２０は、予測モデルと実績データとに基づいて、再予測データを算出する（ステップＳ１１１）。予測再演算部１２０は、再予測データをデータ記憶部１０６に記録する（ステップＳ１１２）。補正モデル構築・更新部１１８は、実績データ及び再予測データに基づいて、更新補正モデルを生成する（ステップＳ１１３）。補正モデル管理部１１１は、更新補正モデルを、補正モデル記憶部１０８に記録し、ステップＳ１１５に遷移する（ステップＳ１１４）。補正モデルを更新しないと判定された場合（ステップＳ１１０：ＮＯ）、ステップＳ１１５に遷移する。

補正演算部１２１は、補正モデル、予報データ、実績データ及び予測データに基づいて補正データを算出する（ステップＳ１１５）。補正部１１３は、補正データをデータ記憶部１０６に記録する（ステップＳ１１６）。

図６は、第１の実施形態の補正データ算出の処理の流れを示すシーケンス図である。図４、図５に示されるフローチャートでは、データ取得、予測モデルの更新、予測データの算出、補正モデルの更新及び補正データの算出が同じ回数ずつ実施される。しかし、図６のシーケンス図に示されるように、需要予測装置１００は、ステップS１０１からS１０４までは毎時刻実施し、ステップS１０５からＳ１０８までは毎月実施し、ステップS１０８からS１１４までは毎日実施し、ステップS１１５からS１１６までは毎時刻実施してもよい。また、それぞれのステップは、図６とは異なる頻度で実行されてもよい。

図７は、第１の実施形態の予測結果の表示の一具体例を示す図である。図７の上段のグラフは、従来の予測結果を示すグラフの一具体例である。図７の下段のグラフは、第１の実施形態による、再予測データが含まれる予測結果を示すグラフの一具体例である。図７の各グラフは、縦軸が需要又は気温、横軸が時間を表す。図７の上段のグラフは、気温の予報データ、気温の実績データ、需要の予測データ、需要の補正データ及び需要の実績データの各値がプロットされた図を表す。図７の下段のグラフは、気温の予報データ、気温の実績データ、需要の予測データ、需要の補正データ、需要の実績データ及び需要の再予測データの各値がプロットされた図を表す。

図７の上段のグラフによると、補正演算部１２１は、予測データと実績データとを学習することで、補正データを算出する。これに対して、図７の下段のグラフによると、補正演算部１２１は、予測データと実績データとを学習することで、元補正データを算出する点は、図７の上段のグラフと同じである。元補正データは、図７上段のグラフに示される補正データと同一のデータである。さらに、補正演算部１２１は、実績データと再予測データとに基づいて、新補正データを算出する。

このように構成された需要予測装置１００では、予測演算部１１９が、気温の予報データと、需要の実績データと、に基づいて需要の予測データとを算出する。補正演算部１２１は、予測データと実績データとに基づいて、補正データを算出する。しかし、需要の予測データの算出に用いられる予報データは、誤差を含む。したがって、補正データには、予報データが含む誤差が含まれる。そこで、予測再演算部１２０が、需要の実績データと、予測モデルと、に基づいて、需要の再予測データを算出する。算出された再予測データは、予報データを含まないため、誤差を含まない。補正演算部１２１は、再予測データと実績データとに基づいて、補正データを算出する。算出された補正データは、気象予報値などの予報データの誤差の影響を含まないため、予測精度を向上させることができる。

（第２の実施形態）
次に、第２の実施形態における需要予測装置１００について説明する。第２の実施形態では、第１の実施形態と異なる点について説明する。

第２の実施形態では、予測モデル記憶部１０７は、予測対象に対して、複数の予測モデルを記憶してもよい。第２の実施形態では、補正モデル記憶部１０８は、予測対象に対して、複数の補正モデルを記憶してもよい。

第２の実施形態では、需要予測装置１００は、複数の予測モデル及び補正モデル毎に、図４及び図５に示すステップＳ１０１からステップＳ１１６の各ステップを実行する。需要予測装置１００は、ステップＳ１０１からステップＳ１１６の各ステップを実行し、予測モデル及び補正モデルの更新と予測データ、再予測データ及び補正データの算出とを実行する。

モデル判断部１２２は、複数の予測モデルの中から予測データの算出に用いられる予測モデルを選択する。モデル判断部１２２は、複数の補正モデルの中から補正データの算出に用いられる補正モデルを選択する。モデル判断部１２２は、予測モデル又は補正モデルを選択する場合、所定のモデル決定条件を満たすモデルを選択する。所定のモデル決定条件は、例えば、ステップＳ１１６までに算出された予測データ、再予測データ又は補正データの予測精度、閾値を超える誤差の発生割合、四季、曜日、営業日、時刻、天気、気温、降水量、降雪量、イベントの有無又は使用する変数の個数等が用いられてもよいし、入力部１０２を介してユーザによって指定されてもよい。モデル判断部１２２は、予測モデルを更新する場合、選択した予測モデルを予測モデル記憶部１０７に記録する。モデル判断部１２２は、補正モデルを更新する場合、選択した補正モデルを補正モデル記憶部１０８に記録する。記録された予測モデル又は補正モデルは、次回の予測データ又は補正データの算出に用いられる。

図８は、第２の実施形態のデータテーブルの一具体例を示す図である。データテーブルは、データレコードを有する。図８のデータテーブルは、予測モデル及び補正モデルが、それぞれ２種類記録されている場合のデータテーブルである。図８のデータテーブルでは、それぞれ２種類の予測モデル及び補正モデルを第１予測モデル、第２予測モデル、第１補正モデル及び第２補正モデルとして説明する。

第２の実施形態のデータレコードは、日時、実績データ、第１予測データ、第１再予測データ、第２予測データ、第２再予測データ２、第１１補正データ、第１２補正データ、第２１補正データ、第２２補正データ、予報データ及び実績データの各値を有する。日時は、データレコードが示す値がどの期間の値を示すのかを表す。実績データは、実際に需要家によって消費された電力の実績を示す値である。第１予測データは、第１予測モデルと予報データとに基づいて算出される。第１予測データは、日時に示される期間に、需要家によって消費されると予測される電力を示す値である。第１再予測データは、第１予測モデルと過去の実績データとに基づいて算出される。第１再予測データは、日時に示される期間に関して、需要家によって消費されると予測される電力を示す値である。第２予測データは、第２予測モデルと予報データとに基づいて算出される。第２予測データは、日時に示される期間に、需要家によって消費されると予測される電力を示す値である。第２再予測データは、第２予測モデルと過去の実績データとに基づいて算出される。第２再予測データは、日時に示される期間に関して、需要家によって消費されると予測される電力を示す値である。第１１補正データは、第１予測データ及び第１補正データに基づいて算出される補正データである。第１２補正データは、第１予測データ及び第２補正データに基づいて算出される補正データである。第２１補正データは、第２予測データ及び第１補正データに基づいて算出される補正データである。第２２補正データは、第２予測データ及び第２補正データに基づいて算出される補正データである。

図８に示される例では、データテーブルの最上段のデータレコードは、日時の値が“2016/12/01 00：00-00：29”実績データの値が“１０５”、第１予測データの値が“１００”、第１再予測データの値が“１０３”、第２予測データの値が“９０”、第２再予測データの値が“９２”、第１１補正データの値が“１２０”、第１２補正データの値が“１１０”、第２１補正データの値が“１０５”、第２２補正データの値が“９５”、予報データの値が“５．５”、実績データの値が“５．２”である。従って、データテーブルの最上段のデータレコードによると、日時が“２０１６年１２月１日 ０時０分から０時２９分”の期間におけるデータであり、その時の実績データは、“１０５Ｗｈ”であり、第１予測データは“１００Ｗｈ”であり、第１再予測データは“１０３Ｗｈ”であり、第２予測データは“９０Ｗｈ”であり、第２再予測データは“９２Ｗｈ”であり、第１１補正データは“１２０Ｗｈ”であり、第１２補正データは“１１０Ｗｈ”であり、第２１補正データは“１０５Ｗｈ”であり、第２２補正データは“９５Ｗｈ”であり、予報データは“５．５℃”であり、実績データは“５．２℃”であることがわかる。

第１１補正データの列及び第１２補正データの列の６行目のセルは、現在、算出されている補正データのセルである。なお、図８に示されるデータテーブルは一具体例に過ぎない。そのため、図８とは異なる態様でデータテーブルが構成されてもよい。図８のデータテーブルでは、２種類の予測モデルと補正モデルとの全ての組み合わせによって算出された４種類の補正データが記録されている。しかし、予測モデルと補正モデルとの組み合わせのうち、一部の組み合わせで算出された補正データが記録されていてもよい。例えば、データテーブルは、最適な予測データが算出された予測モデルと２種類の補正モデルとの組み合わせで算出された２種類の補正データを記録するように構成されてもよい。

図９は、第２の実施形態の予測モデルテーブルの一具体例を示す図である。予測モデルテーブルは、予測モデルレコードを有する。予測モデルレコードは、モデル名、α、β、ω、γ及び使用フラグの各値を有する。モデル名は、予測モデルの識別子を示す。α、β及びγは、予測モデルの係数を示す。使用フラグは、現在、予測部１１２によって用いられている予測モデルを示す。使用フラグは、例えば１又は０で表される。使用フラグが１である場合、予測部１１２によって用いられている予測モデルであることを表す。使用フラグが０である場合、予測部１１２によって用いられていない予測モデルであることを表す。

図９に示される例では、予測モデルテーブルの最上段の予測モデルレコードは、モデル名の値が“第１予測モデル”、αの値が“０．８”、βの値が“０.３”、ωの値がｎｕｌｌ、γの値が“２０”、使用フラグの値が“１”である。従って、予測モデルテーブルの最上段の予測モデルレコードによると、“第１予測モデル”に関する予測モデルであり、予測モデルの係数の値であるαは、“０．８”であり、βは“０．３”であり、ωは使用されていない、γは“２０”であることがわかる。また、予測部１１２は、“第１予測モデル”を予測データを算出するために用いていることがわかる。なお、図９に示される予測モデルテーブルは一具体例に過ぎない。そのため、図９とは異なる態様で予測モデルテーブルが構成されてもよい。例えば、使用フラグは、１又は０の２値ではなく、使用割合が入力されてもよい。この場合、第１予測モデルと第２予測モデルとの算出結果を０．４：０．６の割合で加算することで、予測データが算出されるように構成されてもよい。また、予測モデルテーブルは、補正モデルに関するレコードを有するように構成されてもよい。

図９に示される第１予測モデルは数式（１）、第２予測モデルは数式（７）で表されてもよい。

数式（１）及び数式（７）によると、第１予測モデルと第２予測モデルとには共通の入力が含まれるが、第１予測モデルと第２予測モデルとには、異なる値が入力されてもよい。また、数式（１）及び数式（７）は、どちらも線形モデルであるが、非線形モデルでも、パターンマッチングで予測するものでも、その他の予測手法でもよい。また、第１予測モデルが線形モデルとして、第２予測モデルが非線形モデルとするように、異なるモデルが用いられてもよい。

図１０は、第２の実施形態のモデル選択の処理の流れを示すフローチャートである。需要予測装置１００は、ステップＳ１０１からステップＳ１１６までの処理を実行する（ステップＳ２０１）。モデル判断部１２２は、予測モデル又は補正モデルを更新するか否かを判定する（ステップＳ２０２）。判定条件は、例えば、ステップＳ２０１にて算出された予測データ、再予測データ及び補正データの予測精度、閾値を超える誤差の発生割合又は使用する変数の個数等が用いられてもよいし、入力部１０２を介してユーザによって指定されてもよい。予測モデル又は更新モデルを更新しない場合（ステップＳ２０２：ＮＯ）、処理を終了する。

予測モデル又は更新モデルを更新する場合（ステップＳ２０２：ＹＥＳ）、モデル判断部１２２は、所定のモデル決定条件に基づいて、複数の予測モデル又は補正モデルの中から予測モデルと補正モデルとを選択する（ステップＳ２０３）。所定のモデル決定条件は、例えば、ステップＳ２０１にて算出された予測データ、再予測データ及び補正データの予測精度、閾値を超える誤差の発生割合又は使用する変数の個数等が用いられてもよいし、入力部１０２を介してユーザによって指定されてもよい。モデル判断部１２２は、選択した予測モデルを予測モデル記憶部１０７に記録する（ステップＳ２０４）。モデル判断部１２２は、予測モデルテーブルの使用フラグを更新する。モデル判断部１２２は、選択した補正モデルを補正モデル記憶部１０８に記録する（ステップＳ２０５）。

図１１は、第２の実施形態の予測結果の表示の一具体例を示す図である。図１１によると、需要予測装置１００は、補正モデルは第１〜第３補正モデルを有する。図１１の上段のテーブルは、各時刻における、実績データ、予測データ、第１補正データ、第２補正データ及び第３補正データの各値を示すテーブルである。第１〜第３補正データは、それぞれ、第１補正モデル、第２補正モデル及び第３補正モデルによって算出された補正データである。

図１１の中段のグラフは、予測結果を示すグラフの一具体例である。図１１の中段のグラフの縦軸は、需要を表す。横軸は時間を表す。図１１の中段のグラフは、予測データ、実績データ、再予測データ及び第１から第３の補正データの各値がプロットされた図を表す。

図１１の下段は、図１１上段のテーブルと図１１中段のグラフとの、設定情報を表す。設定情報は、日付、需要種別及び算出結果で構成される。日付は、いつのデータを表示させるかを表す。需要種別は、電力、冷熱又は温熱等のいずれの需要に関するデータを表示させるかを表す。算出結果は、予測モデル又は補正モデルとして、いずれのモデルを使用するかを表す。需要予測装置１００は、入力部１０２を介してユーザから日付、需要種別及び算出結果の各値の指定指示を受け付ける。具体的には、ユーザは、入力部１０２を介して各設定情報に隣接する逆三角形の画像を操作することで、各設定情報の各値を指定する指定指示を入力できる。制御部１０５は、受け付けた指定指示により受け付けた各値に基づいて、図１１上段のテーブルと図１１中段のグラフとを更新して表示部１０３に表示させる。

このように構成された需要予測装置１００では、複数の予測モデル又は補正モデルから、最適なモデルを選択することができる。したがって、需要予測装置１００は、さらに予測精度を向上させることができる。

（第３の実施形態）
次に、第３の実施形態における需要予測装置１００について説明する。第３の実施形態では、第１〜第２の実施形態と異なる点について説明する。

第３の実施形態では、予測モデル記憶部１０７及び補正モデル記憶部１０８は、所定の条件に応じて使用される複数の予測モデル及び補正モデルを記憶してもよい。所定の条件は、例えば、時刻又は日時であってもよいし、平日又は休日であってもよいし、どのような条件であってもよい。

第３の実施形態では、モデル判断部１２２は、予測モデルを新たに構築するか否かを判定する。モデル判断部１２２は、予測モデル記憶部１０７に予測モデルが記憶されていない場合、予測モデルを新たに構築すると判定する。モデル判断部１２２は、予測モデル記憶部１０７に予測モデルが記憶されている場合、かつ所定の条件を満たす場合、予測モデルを新たに構築すると判定する。所定の条件とは、例えば、複数のグループにグルーピングされた予測データ及び実績データの各グループが、有効であるか否かで判定される。

モデル判断部１２２は、グルーピングを行うに当たり、数十日分〜数年分の予測データ及び実績データに基づいて、予測モデルを分ける条件（条件データ）を決定する。予測モデルを分ける条件は、予報データと実績データとの差分の大きさ、季節、曜日、営業日、時刻、天気、気温、降水量、降雪量、イベントの有無等である。モデル判断部１２２は、予測データ及び実績データをグループに分けた後、グループ内の各データを用いて相関値、平均値、分散値、中央値等の統計情報を算出する。モデル判断部１２２は、統計情報に基づいて、グループ分けが有効かを判定する。モデル判断部１２２は、例えば予め与えられた閾値と統計情報とを比較して、統計情報が閾値を超えている場合に、グループ分けが有効であると判定する。モデル判断部１２２は、グループ分けが有効であると判断した場合、予測モデルを構築すると判定する。

モデル判断部１２２は、グループ分けが有効ではないと判断した場合、他の条件でのグループ分けを行う。モデル判断部１２２は、グループ分けが有効かを判断する。モデル判断部１２２は、全ての条件でグループ分けが有効ではないと判断された場合、予測モデルを構築しないと判定する。モデル判断部１２２は、予測モデルを構築すると判定した場合、予測モデル管理部１１０に対して、新規モデル構築指令を送信する。新規モデル構築指令には、予測モデルをグルーピングした条件データが含まれる。

予測モデル管理部１１０が、新規モデル構築指令を受信した場合、予測モデル構築・更新部１１７は、新規モデル構築指令に含まれる条件データに当てはまる実績データに基づいて、新規の予測モデルを構築する。予測モデル構築・更新部１１７は、新規の予測モデルを構築するに当たり、ステップＳ１０５〜ステップＳ１０７の処理と同様の方法で予測モデルを構築する。予測モデル構築・更新部１１７は、条件データ及び構築した予測モデルを予測モデル記憶部１０７に記録する。

モデル判断部１２２は、補正モデルを新たに構築するか否かを判定する。モデル判断部１２２は、補正モデル記憶部１０８に補正モデルが記憶されていない場合、補正モデルを新たに構築すると判定する。モデル判断部１２２は、補正モデル記憶部１０８に補正モデルが記憶されている場合、かつ所定の条件を満たす場合、補正モデルを新たに構築すると判定する。所定の条件とは、例えば、予測モデルを新たに構築する場合と同じ条件であってもよい。モデル判断部１２２は、補正モデルを構築すると判定した場合、補正モデル管理部１１１に対して、新規モデル構築指令を送信する。新規モデル構築指令には、補正モデルをグルーピングした条件データが含まれる。

図１２は、第３の実施形態の予測モデルテーブルの一具体例を示す図である。第３の実施形態の予測モデルテーブルでは、使用される予測モデルを決定する条件として、平日又は休日が記録される。したがって、予測部１１２は、平日では第１予測モデル、休日では第２予測モデルを使用して、予測データ又は再予測データを算出する。なお、休日とは、例えば、土日祝日であってもよいし、それ以外の曜日で構成されてもよい。休日は、ユーザによって指定されてもよい。平日とは、休日以外の日である。

第３の実施形態の予測モデルレコードは、モデル名、Ｄ_{（ｔ−Δｔ）}、Ｔ_ｐ（ｔ）、定数項及び条件の各値を有する。モデル名は、予測モデルの識別子を示す。、Ｄ_{（ｔ−Δｔ）}、Ｔ_ｐ（ｔ）、定数項は、予測モデルを表す数式で使用される具体的な数値を示す。条件は、予測モデルが使用される具体的なタイミングを表す。

図１２に示される例では、予測モデルテーブルの最上段の予測モデルレコードは、モデル名の値が“第１予測モデル”、Ｄ_{（ｔ−Δｔ）}の値が“０．８”、Ｔ_ｐ（ｔ）の値が“０．３”、定数項の値が“２０”、条件の値が“平日”である。従って、予測モデルテーブルの最上段の予測モデルレコードによると、予測モデルレコードは、“第１予測モデル”に関する予測モデルであり、予測データ又は再予測データの算出に当たり、Ｄ_{（ｔ−Δｔ）}の値として“０．８”、Ｔ_ｐ（ｔ）の値として“０．３”、定数項の値として“２０”が用いられる。“第１予測モデル”は、平日に使用される予測モデルであることがわかる。なお、図１２に示される予測モデルテーブルは一具体例に過ぎない。そのため、図１２とは異なる態様で予測モデルテーブルが構成されてもよい。例えば、条件は、平日又は休日ではなく、具体的な曜日が入力されてもよい。例えば、条件１つに対して、複数の予測モデルを有するように構成されてもよい。また、予測モデルテーブルは、補正モデルに関するレコードを有するように構成されてもよい。

図１３及び図１４は、第３の実施形態の補正データ算出の処理の流れを示すフローチャートである。データ取得部１１５は、予報データ及び実績データを取得する（ステップＳ３０１）。欠測補間部１１６は、取得したデータに欠測データが含まれるか否かを判定する（ステップＳ３０２）。欠測データが含まれる場合（ステップＳ３０２：ＹＥＳ）、欠測補間部１１６は、欠測データを所定の方法で補間し、ステップＳ３０４へ遷移する（ステップＳ３０３）。欠測データが含まれない場合（ステップＳ３０２：ＮＯ）、データ管理部１０９は、予報データ、実績データ及び欠測データをデータ記憶部１０６に記録する（ステップＳ３０４）。

モデル判断部１２２は、予測モデルを新たに構築するか否か判定する（ステップＳ３０５）。予測モデルを新たに構築しない場合（ステップＳ３０５：ＮＯ）、処理はステップＳ３０８に遷移する。予測モデルを新たに構築する場合（ステップＳ３０５：ＹＥＳ）、モデル判断部１２２は、新規モデル構築指令を予測モデル管理部１１０に送信する。予測モデル管理部１１０が新規モデル構築指令を受信すると、予測モデル構築・更新部１１７は、新規モデル構築指令に含まれる条件データに当てはまる実績データに基づいて、新規の予測モデルを構築する（ステップＳ３０６）。予測モデル構築・更新部１１７は、条件データ及び構築した予測モデルを予測モデル記憶部１０７に記録する（ステップＳ３０７）。

モデル判断部１２２は、所定の条件に基づいて予測モデルを更新するか否かを判定する(ステップＳ３０８)。予測モデルを更新すると判定された場合（ステップＳ３０８：ＹＥＳ）、モデル判断部１２２は、モデル更新指示を補正モデル管理部１１１に送信する。予測モデル構築・更新部１１７は、実績データに基づいて予測モデルを更新し、更新予測モデルを生成する（ステップＳ３０９）。予測モデル管理部１１０は、更新予測モデルを、予測モデル記憶部１０７に記録し、ステップＳ３１１に遷移する（ステップＳ３１０）。予測モデルを更新しないと判定された場合（ステップＳ３０８：ＮＯ）、ステップＳ３１１に遷移する。

予測演算部１１９は、予測モデル、予報データ及び実績データに基づいて、予測データを算出する（ステップＳ３１１）。予測部１１２は、予測データをデータ記憶部１０６に記録する（ステップＳ３１２）。

モデル判断部１２２は、補正モデルを新たに構築するか否かを判定する(ステップＳ３１３)。補正モデルを新たに構築しない場合（ステップＳ３１３：ＮＯ）、処理はステップＳ３１８に遷移する。補正モデルを新たに構築する場合（ステップＳ３１３：ＹＥＳ）、モデル判断部１２２は、新規モデル構築指令を補正モデル管理部１１１に送信する。補正モデル管理部１１１は、新規モデル更新指令を受信すると、予測再演算指示を予測部１１２に送信する。予測再演算部１２０は、予測モデルと実績データとに基づいて、再予測データを算出する（ステップＳ３１４）。予測再演算部１２０は、再予測データをデータ記憶部１０６に記録する（ステップＳ３１５）。補正モデル構築・更新部１１８は、新規モデル構築指令に含まれる条件データに当てはまる実績データに基づいて、新規の補正モデルを構築する（ステップＳ３１６）。補正モデル構築・更新部１１８は、条件データ及び構築した補正モデルを補正モデル記憶部１０８に記録し、ステップＳ３１８に遷移する（ステップＳ３１７）。

モデル判断部１２２は、所定の条件に基づいて補正モデルを更新するか否かを判定する(ステップＳ３１８)。補正モデルを更新すると判定された場合（ステップＳ３１８：ＹＥＳ）、モデル判断部１２２は、モデル更新指示を補正モデル管理部１１１に送信する。補正モデル管理部１１１は、モデル更新指示を受信すると、予測再演算指示を予測部１１２に送信する。予測再演算部１２０は、予測モデルと実績データとに基づいて、再予測データを算出する（ステップＳ３１９）。予測再演算部１２０は、再予測データをデータ記憶部１０６に記録する（ステップＳ３２０）。補正モデル構築・更新部１１８は、実績データ及び再予測データに基づいて、更新補正モデルを生成する（ステップＳ３２１）。補正モデル管理部１１１は、更新補正モデルを、補正モデル記憶部１０８に記録し、ステップＳ１１５に遷移する（ステップＳ３２２）。補正モデルを更新しないと判定された場合（ステップＳ３１８：ＮＯ）、ステップＳ１１５に遷移する。

補正演算部１２１は、補正モデル、予報データ、実績データ及び予測データに基づいて補正データを算出する（ステップＳ３２３）。補正部１１３は、補正データをデータ記憶部１０６に記録する（ステップＳ３２４）。

このように構成された需要予測装置１００では、指定された条件に応じて予測モデル又は補正モデルから最適なモデルを構築することができる。したがって、需要予測装置１００は、さらに予測精度を向上させることができる。

（第４の実施形態）
次に、第４の実施形態における需要予測装置１００について説明する。第４の実施形態では、第１〜第３の実施形態と異なる点について説明する。第４の実施形態では、補正対象となる需要が、複数の需要家の予測データの合計値となる。需要家とは、電力などの需要予測対象を消費する建物やエリアなどを表す。

データ記憶部１０６は、需要家毎にデータテーブルを記憶する。データ記憶部１０６は、各需要家のデータテーブルの各値を加算した合計データテーブルを記憶する。制御部１０５は、需要家毎のデータテーブルの各値を加算することで、合計データテーブルを生成する。制御部１０５は、合計データテーブルをデータ記憶部１０６に記録する。なお、合計データテーブルの生成にあたり、所定の条件を満たす需要家を対象として、合計データテーブルを生成してもよい。所定の条件とは、例えば、同じ気温データを用いた需要家であってもよいし、予め定められた需要量以上の需要をする需要家であってもよい。予測モデル記憶部１０７は、需要家毎に、予測モデルテーブルを記録する。

図１５は、第４の実施形態のデータテーブルの一具体例を示す図である。図１５は、図１５（ａ）と図１５（ｂ）とを含む。図１５（ａ）は、データテーブルを表す。図１５（ａ）に表されるデータテーブルは、需要家Ａ及び需要家Ｂの２種類のデータテーブルである。図１５（ｂ）は、合計データテーブルを表す。合計データテーブルは、需要家Ａ及び需要家Ｂの実績データ及び補正データの合計値を表す。

図１６は、第４の実施形態の予測モデルテーブルの一具体例を示す図である。図１６に表される予測モデルテーブルは、需要家Ａ、需要家Ｂ及び需要家Ｃの３種類の予測モデルテーブルである。

図１７及び図１８は、第４の実施形態の補正データ算出の処理の流れを示すフローチャートである。データ取得部１１５は、予報データ及び実績データを取得する（ステップＳ４０１）。欠測補間部１１６は、取得したデータに欠測データが含まれるか否かを判定する（ステップＳ４０２）。欠測データが含まれる場合（ステップＳ４０２：ＹＥＳ）、欠測補間部１１６は、欠測データを所定の方法で補間し、ステップＳ４０４へ遷移する（ステップＳ４０３）。欠測データが含まれない場合（ステップＳ４０２：ＮＯ）、データ管理部１０９は、予報データ、実績データ及び欠測データをデータ記憶部１０６に記録する（ステップＳ４０４）。

モデル判断部１２２は、所定の条件に基づいて予測モデルを更新するか否かを判定する(ステップＳ４０５)。予測モデルを更新すると判定された場合（ステップＳ４０５：ＹＥＳ）、モデル判断部１２２は、モデル更新指示を補正モデル管理部１１１に送信する。予測モデル構築・更新部１１７は、実績データに基づいて予測モデルを更新し、更新予測モデルを生成する（ステップＳ４０６）。予測モデル管理部１１０は、更新予測モデルを、予測モデル記憶部１０７に記録し、ステップＳ４０８に遷移する（ステップＳ４０７）。予測モデルを更新しないと判定された場合（ステップＳ４０５：ＮＯ）、ステップＳ４０８に遷移する。

予測演算部１１９は、予測モデル、予報データ及び実績データに基づいて、予測データを算出する（ステップＳ４０８）。予測部１１２は、予測データをデータ記憶部１０６に記録する（ステップＳ４０９）。制御部１０５は、需要家毎の予測データを加算し、加算した値をデータ記憶部１０６に記録する（ステップＳ４１０）。

モデル判断部１２２は、所定の条件に基づいて補正モデルを更新するか否かを判定する(ステップＳ４１１)。補正モデルを更新すると判定された場合（ステップＳ４１１：ＹＥＳ）、モデル判断部１２２は、モデル更新指示を補正モデル管理部１１１に送信する。補正モデル管理部１１１は、モデル更新指示を受信すると、予測再演算指示を予測部１１２に送信する。予測再演算部１２０は、予測モデルと実績データとに基づいて、再予測データを算出する（ステップＳ４１２）。予測再演算部１２０は、再予測データをデータ記憶部１０６に記録する（ステップＳ４１３）。補正モデル構築・更新部１１８は、実績データ及び再予測データに基づいて、更新補正モデルを生成する（ステップＳ４１４）。補正モデル管理部１１１は、更新補正モデルを、補正モデル記憶部１０８に記録し、ステップＳ４１６に遷移する（ステップＳ４１５）。補正モデルを更新しないと判定された場合（ステップＳ４１１：ＮＯ）、ステップＳ４１６に遷移する。

補正演算部１２１は、補正モデル、予報データ、実績データ及び予測データに基づいて補正データを算出する（ステップＳ４１６）。補正部１１３は、補正データをデータ記憶部１０６に記録する（ステップＳ４１７）。制御部１０５は、需要家毎の補正データを加算し、加算した値をデータ記憶部１０６に記録する（ステップＳ４１８）。

このように構成された需要予測装置１００では、予測データを算出する場合に、需要家毎に異なる需要の傾向を考慮して、需要予測ができる。また、需要予測装置１００は、予報データに誤差が含まれていたとしても、複数の需要家の合計値で補正データを算出することで、誤差の影響を許容範囲に抑えることができる。したがって、需要予測装置１００は、さらに予測精度を向上させることができる。

第４の実施形態では、需要予測装置１００は、各需要家の補正モデルを構築する代わりに需要家毎の需要の合計値の補正モデルを構築した。しかし、需要予測装置１００は、各需要家の補正モデルに加えて、合計値の補正モデルを構築するように構成されてもよい。この場合、モデル判断部１２２は、需要家毎に補正データを算出するか、需要家の需要の合計値に対する補正データを算出するか、決定してもよい。モデル判断部１２２は、決定にあたって、第１形態１〜第３の実施形態の判断材料と同様又はそれ以外の判断材料を用いて決定してもよいし、入力部１０２を介してユーザからの指示を受付けて決定してもよい。

上記の各実施形態では、電力需要の予測及び電力需要予測の補正に関して説明をした。しかし、各実施形態の適用先は電力需要に限られない。例えば、各実施形態は、温熱、冷熱、上下水、水素又は食糧等の需要の予測及び予測の補正に適用されてもよい。さらに、上記の各実施形態に用いられる予報データは、気温の予報データとして説明をした。しかし、予報データは気温に限られない。例えば、予報データは、気象予報データとして、気温、天気、湿度、降水量、降雪量、日射量、日照時間、風速、気圧等が用いられてもよいし、気象予報データから算出された熱需要予測データが用いられてもよい。例えば、予報データは、スケジュール予報データとして、各種花粉の飛散、熱中症、桜等の花の開花、台風の進路、デマンドレスポンスの発令等が用いられてもよい。例えば、予報データは、価格予報データとして、デマンドレスポンスの対価、スポット市場や時間前市場におけるα値等の速報値等が用いられてもよい。例えば、予報データは、グリーンエネルギーの発電量予報データとして、太陽光発電量、風力発電量等が用いられてもよい。また、上記の各実施形態に用いられる実績データは、電力需要と気温の実績値とを用いた場合に関して説明した。しかし、実績データには、上記予報値の実績データが用いられてもよい。

上記の各実施形態では、予測モデル構築・更新部１１７が予測モデルを構築する場合、ニューラルネットワーク等の他変数の相関を学習する手法が用いられてもよい。この場合、予測モデル構築・更新部１１７は、変数として過去の予測データを用いることで、補正データを含めた一括予測をするように構成されてもよい。このように構成された需要予測装置１００では、補正モデルを有さない場合であっても、補正データを生成することができる。

上記各実施形態では、データ管理部１０９、予測モデル管理部１１０、補正モデル管理部１１１、予測部１１２、補正部１１３及び指令送信部１１４はソフトウェア機能部であるものとしたが、ＬＳＩ等のハードウェア機能部であってもよい。

以上説明した少なくともひとつの実施形態によれば、予測再演算部１２０を持つことにより、より高い精度で需要予測をすることができる。

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

１００…需要予測装置、１０１…通信部、１０２…入力部、１０３…表示部、１０４…記憶部、１０５…制御部、１０６…データ記憶部、１０７…予測モデル記憶部、１０８…補正モデル記憶部、１０９…データ管理部、１１０…予測モデル管理部、１１１…補正モデル管理部、１１２…予測部、１１３…補正部、１１４…指令送信部、１１５…データ取得部、１１６…欠測補間部、１１７…予測モデル構築・更新部、１１８…補正モデル構築・更新部、１１９…予測演算部、１２０…予測再演算部、１２１…補正演算部、１２２…モデル判断部

Claims (9)

1. 所定の情報の予測値を含む予報データと、需要の実績値を含む第１実績データと、に基づいて前記需要の予測値を示す第１予測データを決定する第１予測決定部と、
   前記第１予測データが所定の条件を満たす場合、前記第１実績データと、前記所定の情報の実績値を含む第２実績データと、に基づいて前記需要の予測値を示す第２予測データを決定する第２予測決定部と、
   を備える、需要予測装置。
2. 前記第１予測データと前記第２実績データとの差分が所定の条件を満たす場合、前記第２予測データに基づいて、前記第１予測データを補正する補正データを算出する規則を示す補正モデルを生成する補正モデル構築部を更に備える、
   請求項１に記載の需要予測装置。
3. 前記第１予測データ又は前記第２予測データを算出する規則を示す予測モデル又は前記補正モデルを複数記憶する記憶部と、
   所定のモデル決定条件に基づいて、複数の前記予測モデル又は複数の前記補正モデルのうち、すくなくともいずれか１つを決定するモデル決定部と、
   をさらに備える、
   請求項２に記載の需要予測装置。
4. 前記所定のモデル決定条件は、前記第１予測データ、前記第２予測データ又は前記補正データの予測精度と、閾値を超える前記差分の発生割合と、四季、曜日、営業日、時刻、天気、気温、降水量、降雪量又はイベントの有無のうち少なくとも１つである、
   請求項３に記載の需要予測装置。
5. 前記予測モデルを生成する予測モデル構築部を更に備え、
   前記予測モデル構築部又は前記補正モデル構築部は、前回の更新からの経過日数、経過時間、前記第２予測データ又は前記補正データの予測精度、閾値を超える前記差分の発生割合のうち、少なくとも１つに基づいて、前記予測モデル又は前記補正モデルを更新する、
   請求項３または４に記載の需要予測装置。
6. 前記予報データは、気象予報データ、スケジュール予報データ、価格予報データ、発電量予報データ又は熱需要予測データのうち、少なくとも１つ以上である、
   請求項２から５のいずれか１項に記載の需要予測装置。
7. 前記補正データを、前記第１予測データが算出されるよりも短い間隔で算出する補正演算部を更に備える、
   請求項２から６のいずれか１項に記載の需要予測装置。
8. 需要予測装置が、所定の情報の予測値を含む予報データと、需要の実績値を含む第１実績データと、に基づいて前記需要の予測値を示す第１予測データを決定する第１予測決定ステップと、
   需要予測装置が、前記第１予測データが所定の条件を満たす場合、前記第１実績データと、前記所定の情報の実績値を含む第２実績データと、に基づいて前記需要の予測値を示す第２予測データを決定する第２予測決定ステップと、
   を備える、需要予測方法。
9. 請求項１から７のいずれか一項に記載の需要予測装置としてコンピュータを機能させるためのコンピュータプログラム。

Images