JP2020115276A - 情報処理方法、情報処理装置、プログラム及び学習済みモデルの生成方法 - Google Patents

Abstract

【課題】電力需給に関する予測を精度良く行うことができる情報処理方法等を提供する。【解決手段】情報処理方法は、電力需給に関連する第１パラメータの実績値を時系列で示す第１データを取得し、電力需給に関連する第２パラメータの実績値及び予測値を時系列で示す第２データを取得し、第１及び第２データを入力した場合に第１パラメータの予測値を出力するよう学習済みの学習済みモデルに、各時点の第１パラメータの実績値と、該第１パラメータより所定の時間周期だけ遅らせた時点の第２パラメータの実績値又は予測値とを時系列に従って順次入力し、第１パラメータの予測値を出力する処理をコンピュータに実行させる。【選択図】図７

Description

本発明は、情報処理方法、情報処理装置、プログラム及び学習済みモデルの生成方法に関する。

需要家が消費する電力需要値など、電力需給に関連するパラメータについて種々の予測方法が提案されている。例えば特許文献１では、目的変数を電力負荷とすると共に、気温、気温の二乗値、曜日、繁忙期、直近数週間負荷平均値、及び直近数週間気温平均値を説明変数に使用した重回帰分析を行い、電力需要値の予測値を算出する電力需要予測方法が開示されている。

また、特許文献２では、過去１ヶ月の電力需要の平均値、過去１ヶ月の気温の平均値、前日の電力需要値、当日の最高気温予測値などに基づいて当日の電力需要値の予測値を出力するニューラルネットワークであって、曜日及び日付別に用意された複数のニューラルネットワークのうちいずれかを用いて電力需要予測を行う電力需要予測装置が開示されている。

特開２０１８−２３２２７号公報 特開平７−７２９０４号公報

しかしながら、特許文献１に係る発明は重回帰モデルであるため、説明力の強い目的変数自体の実績値を説明変数として考慮していない。また、特許文献２に係る発明は、説明変数の一つとして目的変数を扱っているものの、説明変数が時系列のデータである場合、予測対象時点の説明変数、すなわち説明変数の予測値を好適に取り扱えないという問題があった。

一つの側面では、電力需給に関する予測を精度良く行うことができる情報処理方法等を提供することを目的とする。

一つの側面では、情報処理方法は、電力需給に関連する第１パラメータの実績値を時系列で示す第１データを取得し、電力需給に関連する第２パラメータの実績値及び予測値を時系列で示す第２データを取得し、前記第１及び第２データを入力した場合に前記第１パラメータの予測値を出力するよう学習済みの学習済みモデルに、各時点の前記第１パラメータの実績値と、該第１パラメータより所定の時間周期だけ遅らせた時点の前記第２パラメータの実績値又は予測値とを時系列に従って順次入力し、前記第１パラメータの予測値を出力する処理をコンピュータに実行させることを特徴とする。

一つの側面では、電力需給に関する予測を精度良く行うことができる。

情報処理装置の構成例を示すブロック図である。 需要値ＤＢのレコードレイアウトの一例を示す説明図である。 需要予測モデルに関する説明図である。 複数の需要予測モデルを用いた電力需要予測に関する説明図である。 需要予測結果を示すグラフである。 需要予測モデルの生成処理の処理手順の一例を示すフローチャートである。 需要予測処理の処理手順の一例を示すフローチャートである。 実施の形態２に係るサーバの構成例を示すブロック図である。 価格ＤＢのレコードレイアウトの一例を示す説明図である。 取引価格の予測処理に関する説明図である。 価格予測モデルの生成処理の処理手順の一例を示すフローチャートである。 価格予測処理の処理手順の一例を示すフローチャートである。

以下、本発明をその実施の形態を示す図面に基づいて詳述する。
（実施の形態１）
図１は、情報処理装置１の構成例を示すブロック図である。本実施の形態では、電力需要の予測を行う情報処理装置１について説明する。

情報処理装置１は、種々の情報処理、情報の送受信が可能な情報処理装置であり、例えばサーバ装置、パーソナルコンピュータ等である。本実施の形態では情報処理装置１がサーバ装置であるものとし、以下の説明では簡潔のためサーバ１と読み替える。サーバ１は、過去に計測された電力需要値（第１パラメータ）等から、将来の電力需要値を予測する処理を行う。具体的には、サーバ１は、電力需要値と、電力需要に関連するその他のパラメータ（第２パラメータ）とを学習する機械学習を行い、これらのパラメータの時系列データを入力として、電力需要値の予測値を出力する需要予測モデル（学習済みモデル）を生成する。サーバ１は、当該需要予測モデルを用いて電力需要の予測を行う。

本実施の形態でサーバ１は、電力需要値以外に需要予測モデルに入力するその他のパラメータについて、過去時点のパラメータである実績値のみならず、予測対象時点のパラメータ、すなわち予測値を用いる。当該パラメータは、例えば気象予報値（気温、湿度、日照量等）、あるいは日付属性（例えば休平日を示すダミーフラグ）等である。サーバ１は、気象予報値、日付属性など、予測する段階で既知であるこれらの予測値も需要予測に用いることで、予測精度を高める。

例えばサーバ１は、ネットワークＮを介してパーソナルコンピュータ等の端末２に接続されている。サーバ１は、需要予測モデルから出力された電力需要値の予測値を端末２に送信し、表示させる。

サーバ１は、制御部１１、主記憶部１２、通信部１３、補助記憶部１４を備える。
制御部１１は、一又は複数のＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の演算処理装置を有し、補助記憶部１４に記憶されたプログラムＰ１を読み出して実行することにより、サーバ１に係る種々の情報処理、制御処理等を行う。主記憶部１２は、ＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）、フラッシュメモリ等の一時記憶領域であり、制御部１１が演算処理を実行するために必要なデータを一時的に記憶する。通信部１３は、通信に関する処理を行うための通信モジュールであり、外部と情報の送受信を行う。

補助記憶部１４は大容量メモリ、ハードディスク等であり、制御部１１が処理を実行するために必要なプログラムＰ１、その他のデータを記憶している。また、補助記憶部１４は、需要予測モデル１４１及び需要値ＤＢ１４２を記憶している。需要予測モデル１４１は、上述の如く機械学習によって生成された学習済みモデルである。需要値ＤＢ１４２は、需要予測に用いる各種パラメータを格納したデータベースである。

なお、補助記憶部１４はサーバ１に接続された外部記憶装置であってもよい。また、サーバ１は複数のコンピュータからなるマルチコンピュータであってもよく、ソフトウェアによって仮想的に構築された仮想マシンであってもよい。

また、本実施の形態においてサーバ１は上記の構成に限られず、例えば操作入力を受け付ける入力部、画像を表示する表示部等を含んでもよい。また、サーバ１はネットワークＮを介して他のコンピュータからプログラムＰ１をダウンロードし、補助記憶部１４に記憶しても良い。また、サーバ１は、ＣＤ（Compact Disk）−ＲＯＭ、ＤＶＤ（Digital Versatile Disc）−ＲＯＭ等の可搬型記憶媒体１ａを読み取る読取部を備え、可搬型記憶媒体１ａからプログラムＰ１を読み取って実行するようにしてもよい。あるいはサーバ１は、半導体メモリ１ｂからプログラムＰ１を読み込んでも良い。

図２は、需要値ＤＢ１４２のレコードレイアウトの一例を示す説明図である。需要値ＤＢ１４２は、日付列、時刻列、需要値列、気象列、休平日列を含む。日付列及び時刻列はそれぞれ、日付及び時刻を記憶している。需要値列、気象列、休平日列はそれぞれ、日付及び時刻と対応付けて、各時点における電力需要値、気象情報、及び休平日を示すダミーフラグを記憶している。気象情報は、気象条件を示すパラメータであり、例えば複数の地点それぞれの気温、湿度、及び日照量である。なお、気象情報は上記以外に、例えば天候、降雨量、風量等を含めてもよい。また、気象情報は観測されたパラメータそのもの（生データ）に限定されず、例えば気温の二乗値など、二次的に加工されたパラメータであってもよい。

図３は、需要予測モデル１４１に関する説明図である。以下では本実施の形態の概要を説明する。
上述の如く、サーバ１は、電力需要の実績値を学習する機械学習を行って需要予測モデル１４１を生成する。例えば需要予測モデル１４１はＬＳＴＭ（Long-Short Term Memory）に係るニューラルネットワークである。ＬＳＴＭはＲＮＮ（Recurrent Neural Network）の一種であり、予測対象時点より前の時系列データを入力として、対象時点の予測値を出力するニューラルネットワークである。

ＬＳＴＭは入力層、中間層、及び出力層を有する。入力層は、時系列に沿って各時点のパラメータの入力をそれぞれ受け付ける複数のニューロンを有する。出力層は、電力需要値の予測値を出力するニューロンを有する。中間層は、入力層の各ニューロンへの入力値から予測値を演算するためのニューロンを有する。中間層のニューロンはＬＳＴＭ Ｂｌｏｃｋと呼ばれ、過去の時点での入力値に関する中間層での演算結果を用いて次の時点での入力値に関する演算を行うことで、直近時点までの時系列データから次の時点の値を演算する。

なお、図３に示すＬＳＴＭの構成は一例であって、本実施の形態はこれに限定されるものではない。例えば中間層は一層に限定されず、二層以上であってもよい。また、出力層のニューロンの数は単数に限定されない。

また、需要予測モデル１４１はＬＳＴＭに限定されず、ＬＳＴＭ以外のニューラルネットワークであってもよい。

サーバ１は、需要値ＤＢ１４２に格納されている各種パラメータの実績値の時系列データを教師データとして用い、需要予測モデル１４１を生成する。具体的には、サーバ１は、電力需要値、気象情報、日付属性等の各時点における実績値を、時系列に従って入力層の対応する各ニューロンに順次入力し、過去のある時点（対象時点）における電力需要値の予測値を算出する。サーバ１は、対象時点における実際の電力需要値（実績値）を正解値として予測値と比較し、需要予測モデル１４１を構築する。

上述の如くサーバ１は、予測対象である電力需要値の時系列データ（第１データ）と、電力需要値以外のパラメータである気象情報、日付属性等の時系列データ（第２データ）とを需要予測モデル１４１に入力し、学習を行う。この場合にサーバ１は、気象情報、日付属性等の時系列データについては、電力需要値の時系列データから所定の時間周期だけ遅らせて入力し、学習を行う。

具体的には、サーバ１は、前者と後者とでは１日（２４時間）ずらして入力する。例えばある日付の午前０時００分の電力需要値を入力層の対応するニューロンに入力する場合、気象情報、日付属性については、翌日の午前０時００分のパラメータを入力する。すなわちサーバ１は、電力需要値から１日遅い時点のパラメータを入力する。

サーバ１は、電力需要値とその他のパラメータとを１日ずらしながら各ニューロンに順次入力していく。サーバ１は、中間層での演算を行い、最終的に対象時点の電力需要値の予測値を出力層のニューロンから出力する。サーバ１は、対象時点における実際の電力需要値（実績値）を正解値として予測値と比較し、予測値が正解値に近似するように、中間層での演算に用いるパラメータを最適化する。当該パラメータは、例えばニューロン間の重み（結合係数）、活性化関数の係数などである。パラメータの最適化の方法は特に限定されないが、例えばサーバ１は誤差逆伝播法を用いて各種パラメータの最適化を行う。

上述の処理により、サーバ１は、電力需要値とその他のパラメータとで入力値の時間軸をずらした需要予測モデル１４１を生成する。サーバ１は、生成した需要予測モデル１４１を用いて電力需要の予測を行う。

まずサーバ１は、需要値ＤＢ１４２から、電力需要値の時系列データと、気象情報、日付属性等の時系列データとを取得する。この場合にサーバ１は、気象情報、日付属性等については、過去の各時点における実績値のみならず、将来の各時点の予測値を含む時系列データを取得する。

サーバ１は学習時と同じく、時系列データを構成する各時点の電力需要値と、電力需要値から所定の時間周期だけ遅らせた時点の気象情報、日付属性等を需要予測モデル１４１に順次入力する。すなわち、サーバ１は、過去の各時点の電力需要値を入力層の対応する各ニューロンに入力すると共に、電力需要値から１日ずらした翌日時点の気象情報、日付属性等を、対応する各ニューロンに入力する。サーバ１は、電力需要値から１日ずらした気象情報、日付属性等を時系列に従って順次入力していくことで、最終的に、実績値のみならず予測値も需要予測モデル１４１に入力する。これによりサーバ１は、出力層からの出力として、対象時点における電力需要値の予測値を取得する。

上述の如く、サーバ１は電力需要値とその他のパラメータとで１日ずらした時点の値を需要予測モデル１４１に入力して予測を行う。このように、需要予測モデル１４１に入力するパラメータ、すなわち説明変数のうち、予測対象であるパラメータ、すなわち目的変数とその他の説明変数とでは時間軸をずらして入力する。説明変数として時系列のデータを取り扱う場合、一般的には時系列通りに各時点のパラメータを入力していくが、上記のように予測値が既知の説明変数（気象情報、日付属性等）については時間軸をずらして入力することで、説明変数の予測値も好適に取り扱い、予測を行うことができる。

図４は、複数の需要予測モデル１４１を用いた電力需要予測に関する説明図である。上記の需要予測を行う場合、サーバ１は、予測する対象時点に応じて異なる需要予測モデル１４１を用い、電力需要値を予測する。

具体的には、サーバ１は、上記の時間周期（１日）を所定の時間間隔で複数に区分した各時点別に需要予測モデル１４１を用意（生成）しておき、予測する対象時点に応じて、対応する需要予測モデル１４１を用いて電力需要値を予測する。所定の時間間隔は、例えば３０分間である。サーバ１は、１日（２４時間）を３０分間隔で４８通りの時点に分類し、各時点の電力需要を予測するための需要予測モデル１４１、１４１、１４１…を用意しておく。すなわちサーバ１は、例えば午前０時００分用の需要予測モデル１４１、午前０時３０分用の需要予測モデル１４１、午前１時００分用の需要予測モデル１４１…というように、３０分単位で需要予測モデル１４１を用意しておく。

例えばサーバ１は、学習時において、電力需要値、気象情報等の時系列データを構成する各時点のパラメータを、上記で区分した各時点別に分類する。すなわち、サーバ１は、各日付における午前０時００分の時系列データ、午前０時３０分の時系列データ、午前１時００分の時系列データ…という形で、４８個の時系列データに分類する。制御部１１は、分類した各時点の時系列データを、対応する対象時点の需要予測モデル１４１に入力して学習を行い、４８個の需要予測モデル１４１を生成する。

電力需要値を予測する場合、サーバ１は、予測する対象時点に応じて、需要予測モデル１４１を選択する。すなわちサーバ１は、例えば午前０時００分の電力需要値を予測する場合、午前０時００分用の需要予測モデル１４１を選択する。サーバ１は、電力需要値、気象情報等の時系列データを構成する各時点のパラメータのうち、対象時点に対応する時点（時刻）のパラメータを選択して需要予測モデル１４１に入力する。すなわちサーバ１は、午前０時００分の電力需要値を予測する場合、各日付における午前０時００分のパラメータを選択し、需要予測モデル１４１に入力する。なお、上述の如くサーバ１は、電力需要値とその他のパラメータとでは１日ずらした時点のパラメータを入力する。

サーバ１は、各対象時点に対応する需要予測モデル１４１に、対応する時点の時系列データを入力して、各対象時点の電力需要値の予測値を出力として取得する。対象時点に応じて異なる需要予測モデル１４１を用いることで、全体として各対象時点の予測値を算出する上での処理負荷を低減することができる。

なお、本実施の形態では対象時点に応じて異なる需要予測モデル１４１を用いるが、本実施の形態はこれに限定されるものではない。例えば需要予測モデル１４１をＳｅｑ２ＳｅｑのＬＳＴＭとし、連続する各対象時点の予測値を同一の需要予測モデル１４１により算出するようにしてもよい。

上述の処理により、サーバ１は、図４上側に示すように、電力需要値の日内変動を予測した予測結果を得る。

ここでサーバ１は、各対象時点の電力需要値の予測値を端末２に出力する場合に、対象時点を中央値とした所定の時間区間に属する複数の時点それぞれの予測値から移動平均値を算出し、算出した移動平均値を予測値として出力する。すなわちサーバ１は、予測結果のスムージングを行う。所定の時間区間は例えば１時間である。例えば午前０時００分の予測値を出力する場合、サーバ１は午後２３時３０分及び午前０時３０分を含む３つの時点の予測値の平均値を算出する。サーバ１は、対象時点に応じて時間区間を走査しながら移動平均値を算出していくことで、スムージングを行う。これにより、対象時点に応じて各々異なる需要予測モデル１４１から出力された予測値のボラティリティを是正し、予測精度を高めることができる。

図５は、需要予測結果を示すグラフである。サーバ１は、図５で例示する電力需要の予測結果のグラフを生成し、端末２に出力して表示させる。例えばサーバ１は、図５で例示するように、所定期間（図５では２週間）に亘る電力需要値の時系列変化を予測したグラフを生成して端末２に出力する。

この場合にサーバ１は、例えば上記の需要予測モデル１４１を用いた予測結果と共に、重回帰分析による予測結果も併せて出力し、両者を対比させたグラフを表示させる。例えばサーバ１は、説明変数及び目的変数を需要予測モデル１４１の入出力値と同じパラメータにした重回帰分析を行い、電力需要値の予測結果を得る。なお、重回帰分析を行う処理主体はサーバ１に限定されず、別のコンピュータが実行した重回帰分析の結果を取得するようにしてもよい。サーバ１は、需要予測モデル１４１を用いた予測結果と、重回帰分析による予測結果とを比較可能なように、両者を同一の時間軸上で重畳したグラフを生成し、端末２に出力して表示させる。これにより、２つの分析手法から導出された予測結果を電力需要値の指標とすることができる。

図６は、需要予測モデル１４１の生成処理の処理手順の一例を示すフローチャートである。図６に基づき、機械学習によって需要予測モデル１４１を生成する処理の処理内容について説明する。
サーバ１の制御部１１は、需要予測モデル１４１の生成に用いる教師データを取得する（ステップＳ１１）。例えば制御部１１は、電力需要値（第１パラメータ）の実績値を時系列で示すデータ（第１データ）と、気象情報、日付属性等（第２パラメータ）の実績値を時系列で示すデータ（第２データ）とを需要値ＤＢ１４２から読み出し、教師データとして用いる。

制御部１１は教師データを用いて、電力需要値の時系列データ及び気象情報、日付属性等の時系列データを入力した場合に電力需要値の予測値を出力する需要予測モデル１４１を生成する（ステップＳ１２）。具体的には、制御部１１は、過去のある時点（対象時点）の電力需要値を学習する場合、時系列データに含まれる各時点の電力需要値の実績値と、気象情報、日付属性等の実績値とを時系列に従って需要予測モデル１４１に入力し、対象時点における電力需要値の予測値を算出する。この場合に制御部１１は、電力需要値以外のパラメータ（気象情報、日付属性等）については、電力需要値から所定の時間周期だけ遅らせた時点の実績値を需要予測モデル１４１に入力し、電力需要値に予測値を算出する。所定の時間周期は、例えば１日（２４時間）である。制御部１１は、予測した値を実際の対象時点の電力需要値（実績値）と比較し、両者が近似するように中間層の重み等を最適化して需要予測モデル１４１を生成する。

この場合に制御部１１は、予測対象とする対象時点別に異なる需要予測モデル１４１、１４１、１４１…を生成するため、時系列データを構成する各時点のパラメータを、上記の時間周期を所定の時間間隔で複数に区分した各時点別に分類する。所定の時間間隔は例えば３０分間であり、制御部１１は、１日を３０分単位で区分し、４８個の時系列データに分類する。制御部１１は、上記で分類した各時点の時系列データを、対応する対象時点の需要予測モデル１４１に入力し、電力需要値の予測値を算出して最適化を行う。制御部１１は、生成した需要予測モデル１４１を補助記憶部１４に格納し、一連の処理を終了する。

図７は、需要予測処理の処理手順の一例を示すフローチャートである。図７に基づき、需要予測モデル１４１を用いて電力需要値を予測する処理の処理内容について説明する。
サーバ１の制御部１１は、需要値ＤＢ１４２から、需要予測モデル１４１に入力する各パラメータの時系列データを取得する（ステップＳ３１）。具体的には、制御部１１は、電力需要（第１パラメータ）の実績値を時系列で示すデータ（第１データ）を取得すると共に、気象情報、日付属性等のその他のパラメータ（第２パラメータ）を時系列で示すデータ（第２データ）を取得する。ここで制御部１１は、気象情報、日付属性等については、実績値のみならず予測値も含む時系列データを取得する。

制御部１１は、電力需要値を予測する対象時点に応じて、所定の時間周期を所定の時間間隔で複数に区分した各時点にそれぞれ対応する複数の需要予測モデル１４１、１４１、１４１…のうち、いずれかを選択する（ステップＳ３２）。上述の如く、所定の時間周期は１日（２４時間）であり、所定の時間間隔は３０分間である。

制御部１１は、選択した需要予測モデル１４１に、時系列データに含まれる各時点の電力需要値の実績値と、電力需要値から所定の時間周期だけ遅らせた時点の気象情報、日付属性等の実績値又は予測値とを、時系列に従って順次入力する（ステップＳ３３）。具体的には、制御部１１は、気象情報、日付属性等については、電力需要値よりも１日遅い時点のパラメータを入力する。制御部１１は、電力需要値よりも１日遅い気象情報、日付属性等を順次入力していくことで、最終的に予測値も含めて需要予測モデル１４１に入力する。この場合に制御部１１は、予測対象時点に応じて異なる需要予測モデル１４１を用いるため、上記の時間周期を区分した各時点のうち、対象時点に対応する各時点の時系列データを需要予測モデル１４１に入力する。

制御部１１は、需要予測モデル１４１からの出力として、対象時点の電力需要値の予測値を取得する（ステップＳ３４）。制御部１１は、時系列データを構成する各時点のパラメータを、予測対象時点に応じて異なる需要予測モデル１４１に順次入力し、各対象時点の電力需要値の予測値を取得する。各対象時点の電力需要値の予測値を出力する場合、制御部１１は、対象時点を中央値とした所定の時間区画に属する複数の時点それぞれの予測値から移動平均値を算出することで、電力需要値の予測値をスムージングした値を出力する。

制御部１１は、需要予測モデル１４１から出力された電力需要値の予測結果を端末２に出力し、表示させる（ステップＳ３５）。例えば制御部１１は、上述の如く各需要予測モデル１４１から出力された各対象時点の電力需要値の予測値を時系列で示すグラフを生成し、端末２に出力する。この場合、制御部１１は、上述の需要予測モデル１４１に入力した時系列データを用いて別途重回帰分析を行い、重回帰分析による予測結果と、需要予測モデル１４１による電力需要値の予測結果とを比較したグラフを出力し、表示させる。制御部１１は一連の処理を終了する。

なお、上記では需要予測モデル１４１の生成（機械学習）と需要予測とを同一のコンピュータであるサーバ１が実行するものとして説明したが、例えばサーバ１が需要予測モデル１４１を生成し、端末２にインストールして、端末２が需要予測モデル１４１を用いた需要予測を行うようにしてもよい。すなわち、機械学習処理と、機械学習の成果物を用いた処理とを別々のコンピュータが実行するようにしてもよい。

以上より、本実施の形態１によれば、電力需要に関する予測を精度良く行うことができる。

また、本実施の形態１によれば、電力需要値を予測する対象時点に応じて異なる需要予測モデル１４１を用いることで、予測精度を高めることができる。

また、本実施の形態１によれば、前後の時点の予測値との間で移動平均値を算出することで、各々異なる需要予測モデル１４１から出力された各対象時点の予測値のボラティリティを是正し、予測精度を高めることができる。

（実施の形態２）
本実施の形態では、需要予測モデル１４１から出力された電力需要値の予測値を用いて、電力市場の取引価格を予測する形態について述べる。なお、実施の形態１と重複する内容については同一の符号を付して説明を省略する。
図８は、実施の形態２に係るサーバ１の構成例を示すブロック図である。本実施の形態に係るサーバ１の補助記憶部１４は、価格予測モデル１４３、価格ＤＢ１４４を記憶している。価格予測モデル１４３は、機械学習によって生成された学習済みモデル（第２の学習済みモデル）であって、電力市場の取引価格の予測値を出力する学習済みモデルである。価格ＤＢ１４４は、電力市場の取引価格に関連する各種パラメータを格納したデータベースである。

図９は、価格ＤＢ１４４のレコードレイアウトの一例を示す説明図である。価格ＤＢ１４４は、日付列、時刻列、取引価格列、需要値列、休平日列、燃料価格列を含む。日付列及び時刻列は日付及び時刻を記憶している。取引価格列、需要値列、休平日列、及び燃料価格列はそれぞれ、日付及び時刻と対応付けて、各時点での電力市場の取引価格、電力需要値、休平日を示すダミーフラグ、及び燃料価格を記憶している。

図１０は、取引価格の予測処理に関する説明図である。図１０に基づき、本実施の形態の概要を説明する。
本実施の形態でサーバ１は、価格予測モデル１４３を用いて、電力市場における取引価格を予測する。電力市場は、例えばＪＥＰＸ（Japan Electric Power Exchange；日本電力卸電力取引所）が仲介する電力の取引市場であり、取引価格は、当該取引市場における先渡取引の価格（所謂スポットレート）である。なお、価格予測モデル１４３が予測対象とする電力市場はＪＥＰＸの市場に限定されず、その他の電力市場であってもよい。また、取引価格はスポットレートに限定されず、例えば現物取引の価格などであってもよい。

価格予測モデル１４３は、例えば需要予測モデル１４１と同様の構成を有するＬＳＴＭである。価格予測モデル１４３の入力層には、電力の取引価格（第１パラメータ）の実績値のほかに、例えば電力需要値、日付属性、燃料価格等（第２パラメータ）が入力される。価格予測モデル１４３の出力層からは、取引価格の予測値が出力される。すなわちサーバ１は、過去の取引価格や電力需要値の時系列データから、将来の取引価格を推定する。サーバ１は、各種パラメータの実績値を教師データとして価格予測モデル１４３を生成し、補助記憶部１４に格納してある。図示は省略するが、価格予測モデル１４３も需要予測モデル１４１と同様に、対象時点毎に異なる価格予測モデル１４３が生成されている。

サーバ１は、過去の各時点の取引価格の実績値を時系列で示すデータ（第１データ）と、取引価格以外の電力需要値、日付属性、燃料価格等のその他のパラメータを時系列で示すデータ（第２データ）とを価格予測モデル１４３に入力し、対象時点の取引価格の予測値を算出する。この場合にサーバ１は、電力需要の予測時と同様に、予測対象である取引価格以外のパラメータ（電力需要値等）については、取引価格から所定の時間周期だけ遅れた時点のパラメータを、入力層の対応する各ニューロンに入力する。例えばある日付の午前０時００分の取引価格の実績値を入力する場合、サーバ１は、翌日の午前０時００分の電力需要値、日付属性等を同一のニューロンに入力する。サーバ１は、時系列に従って各ニューロンに順次入力を行い、最終的には電力需要値、日付属性等の予測値も価格予測モデル１４３に入力する。

ここでサーバ１は、電力需要値の予測値として、需要予測モデル１４１を用いて算出した予測値を用いる。すなわちサーバ１は、需要予測モデル１４１の出力を価格予測モデル１４３の入力とする。サーバ１は、対象時点（時刻）に応じて異なる需要予測モデル１４１、１４１、１４１…のうち、価格予測モデル１４３と対象時点が同一の需要予測モデル１４１から出力された電力需要値の予測値を価格予測モデル１４３に入力し、演算を行う。需要予測モデル１４１（ＬＳＴＭ）から出力された予測値を用いることで、価格予測モデル１４３における取引価格の予測精度を高めることができる。

また、本実施の形態においてサーバ１は、取引価格（第１パラメータ）の実績値を入力する場合に、予測対象時点に直接対応する過去時点（時刻）の取引価格だけでなく、直近時点の取引価格の実績値も入力して予測を行う。

例えばサーバ１は、午前０時００分の取引価格を予測する場合、過去の各日付の午前０時００分における取引価格だけでなく、３０分前である前日の午前２３時３０分の取引価格も同一のニューロンに入力する。すなわち制御部１１は、対象時点と同一時刻における取引価格だけではなく、時間周期（１日）の区分単位とした時間間隔だけ遡った、３０分前の取引価格の実績値を組み合わせて価格予測モデル１４３に入力する。サーバ１は、対象時点と同一時刻の取引価格と、当該時刻の３０分前の取引価格とを入力層の同一のニューロンに入力し、中間層での演算を行う。サーバ１は、１日周期で各時点の取引価格の実績値を各ニューロンに順次入力すると共に、各時点の３０分前の取引価格の実績値も各ニューロンに順次入力する。上述の処理により、直前の実績値も考慮して取引価格の予測を行うことができ、予測精度を高めることができる。

サーバ１は、価格予測モデル１４３から出力された取引価格の予測結果を端末２に出力する。具体的には電力需要の予測時と同じく、サーバ１は対象時点に応じて異なる価格予測モデル１４３、１４３、１４３…から出力された予測値を時系列で示すグラフを生成し、端末２に出力する。予測結果の出力（表示）については実施の形態１と同様であるため、詳細の図示及び説明は省略する。

図１１は、価格予測モデル１４３の生成処理の処理手順の一例を示すフローチャートである。
サーバ１の制御部１１は、価格予測モデル１４３の生成に用いる教師データを取得する（ステップＳ２０１）。例えば制御部１１は、価格ＤＢ１４４から、取引価格（第１パラメータ）の実績値を時系列で示すデータ（第１データ）と、電力需要値、日付属性、燃料価格その他のパラメータ（第２パラメータ）の実績値を時系列で示すデータ（第２データ）とを読み出し、教師データとして用いる。

制御部１１は教師データを用いて、取引価格の時系列データ及び電力需要値、日付属性、燃料価格等の時系列データを入力した場合に取引価格の予測値を出力する価格予測モデル１４３を生成する（ステップＳ２０２）。具体的には、制御部１１は、過去のある時点（対象時点）の取引価格を学習する場合、時系列データに含まれる各時点の取引価格の実績値と、電力需要値、日付属性、燃料価格等の実績値とを時系列に従って価格予測モデル１４３に順次入力し、対象時点における電力需要値の予測値を算出する。この場合に制御部１１は、取引価格以外のパラメータ（電力需要値、日付属性等）については、取引価格から所定の時間周期だけ遅らせた時点の実績値を価格予測モデル１４３に入力し、取引価格の予測値を算出する。制御部１１は、予測値を実際の対象時点の取引価格（実績値）と比較し、両者が近似するように中間層の重み等を最適化して価格予測モデル１４３を生成する。制御部１１は、需要予測モデル１４１の生成時と同様に、上記の時間周期を所定の時間間隔で区分した各時点別に時系列データを分類し、分類した各時点の時系列データを用いて、対象時点別に異なる価格予測モデル１４３、１４３、１４３…を生成する。制御部１１は、生成した価格予測モデル１４３を補助記憶部１４に格納し、一連の処理を終了する。

図１２は、価格予測処理の処理手順の一例を示すフローチャートである。
サーバ１の制御部１１は、価格ＤＢ１４４から、価格予測モデル１４３に入力する各パラメータの時系列データを取得する（ステップＳ２２１）。具体的には、制御部１１は、取引価格（第１パラメータ）の実績値を時系列で示すデータ（第１データ）を取得すると共に、電力需要値、日付属性、燃料価格等の時系列データ（第２データ）を取得する。

また、制御部１１は、需要予測モデル１４１から出力された電力需要値の予測値を取得する（ステップＳ２２２）。具体的には上述の如く、制御部１１は、予測する対象時点に応じて異なる需要予測モデル１４１から出力された予測値を取得する。制御部１１は、対象時点に応じて、所定の時間周期を所定の時間間隔で複数に区分した各時点にそれぞれ対応する価格予測モデル１４３、１４３、１４３…のうち、いずれかを選択する（ステップＳ２２３）。

制御部１１は、選択した価格予測モデル１４３に、時系列データに含まれる各時点の取引価格の実績値と、取引価格から所定の時間周期だけ遅らせた時点の電力需要値、日付属性等とを、時系列に従って順次入力する（ステップＳ２２４）。この場合に制御部１１は、予測対象時点に応じて異なる価格予測モデル１４３を用いるため、上記の時間周期を区分した各時点のうち、対象時点に対応する各時点の時系列データを価格予測モデル１４３に入力する。

本実施の形態において制御部１１は、取引価格（第１パラメータ）については、対象時点に直接対応する各時点の取引価格だけでなく、当該時点の直近時点の取引価格、すなわち時間周期の区分単位とした時間間隔だけ遡った時点の取引価格を組み合わせて価格予測モデル１４３に入力する。すなわち制御部１１は、対象時点と同一時刻における過去の取引価格だけではなく、当該時刻の３０分前の取引価格を併せて入力する。

制御部１１は、価格予測モデル１４３からの出力として、対象時点の取引価格の予測値を取得する（ステップＳ２２５）。制御部１１は、価格予測モデル１４３から出力された取引価格の予測結果を端末２に出力し、表示させる（ステップＳ２２６）。制御部１１は一連の処理を終了する。

なお、本実施の形態では直近時点の取引価格（第１パラメータ）を入力に用いたが、本実施の形態を実施の形態１に応用してもよい。すなわちサーバ１は、需要予測モデル１４１に１日周期で同一時刻の電力需要値（第１パラメータ）を需要予測モデル１４１に入力する際に、３０分前の電力需要値も同一のニューロンに入力するようにしてもよい。

また、本実施の形態では予測対象とするパラメータ（第１パラメータ）が電力の取引価格であり、実施の形態１では電力需要値であったが、予測対象とするパラメータはこれらに限定されるものではなく、電力需給に関連する何らかのパラメータであればよい。

以上より、本実施の形態２によれば、電力需要の予測を行うだけでなく、電力市場の取引価格など、電力需給に関連する諸々のパラメータについて予測を行うことができる。特に需要予測モデル１４１からの出力を価格予測モデル１４３の入力として用いることで、電力市場の取引価格を精度良く予測することができる。

また、本実施の形態２によれば、予測対象時点に対応する時点（時刻）のパラメータだけでなく、直近時点のパラメータも用いることで、予測精度を高めることができる。

今回開示された実施の形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

１ サーバ（情報処理装置）
１１ 制御部
１２ 主記憶部
１３ 通信部
１４ 補助記憶部
Ｐ１ プログラム
１４１ 需要予測モデル
１４２ 需要値ＤＢ
１４３ 価格予測モデル
１４４ 価格ＤＢ
２ 端末

Claims (10)

1. 電力需給に関連する第１パラメータの実績値を時系列で示す第１データを取得し、
   電力需給に関連する第２パラメータの実績値及び予測値を時系列で示す第２データを取得し、
   前記第１及び第２データを入力した場合に前記第１パラメータの予測値を出力するよう学習済みの学習済みモデルに、各時点の前記第１パラメータの実績値と、該第１パラメータより所定の時間周期だけ遅らせた時点の前記第２パラメータの実績値又は予測値とを時系列に従って順次入力し、前記第１パラメータの予測値を出力する
   処理をコンピュータに実行させることを特徴とする情報処理方法。
2. 前記第１パラメータを予測する対象時点に応じて、前記時間周期を所定の時間間隔で複数に区分した各時点に夫々対応する複数の前記学習済みモデルのいずれかを選択し、
   選択した前記学習済みモデルに、前記時間周期を区分した各時点のうち、前記対象時点に対応する時点の前記第１パラメータの実績値と、前記第２パラメータの実績値又は予測値とを入力し、前記対象時点における前記第１パラメータの予測値を出力する
   ことを特徴とする請求項１に記載の情報処理方法。
3. 前記第１パラメータの予測値を出力する場合、前記対象時点を中央値とした所定の時間区間に属する複数の時点夫々の前記第１パラメータの予測値から移動平均値を算出して出力する
   ことを特徴とする請求項２に記載の情報処理方法。
4. 前記対象時点に対応する時点の前記第１パラメータの実績値と、該時点から前記時間間隔だけ遡った時点の前記第１パラメータの実績値とを組み合わせて前記学習済みモデルに入力し、前記第１パラメータの予測値を出力する
   ことを特徴とする請求項２又は３に記載の情報処理方法。
5. 前記第１パラメータが電力需要値であり、前記第２パラメータが気象情報又は日付属性である第１の前記学習済みモデルに、前記電力需要値の実績値と、前記気象情報又は日付属性の実績値又は予測値とを入力して前記電力需要値の予測値を出力する
   ことを特徴とする請求項１〜４のいずれか１項に記載の情報処理方法。
6. 前記第１パラメータが電力市場における取引価格であり、前記第２パラメータが前記電力需要値である第２の前記学習済みモデルに、前記取引価格の実績値と、前記電力需要値の実績値、又は前記第１の学習済みモデルから出力された前記電力需要値の予測値とを入力して前記取引価格の予測値を出力する
   ことを特徴とする請求項５に記載の情報処理方法。
7. 前記第１及び第２データに対する重回帰分析により前記第１パラメータを予測した予測値を取得し、
   前記学習済みモデルから出力された前記第１パラメータの予測値と、前記重回帰分析による前記第１パラメータの予測値とを比較した予測結果を出力する
   ことを特徴とする請求項１〜６のいずれか１項に記載の情報処理方法。
8. 電力需給に関連する第１パラメータの実績値を時系列で示す第１データを取得する第１取得部と、
   電力需給に関連する第２パラメータの実績値及び予測値を時系列で示す第２データを取得する第２取得部と、
   前記第１及び第２データを入力した場合に前記第１パラメータの予測値を出力するよう学習済みの学習済みモデルに、各時点の前記第１パラメータの実績値と、該第１パラメータより所定の時間周期だけ遅らせた時点の前記第２パラメータの実績値又は予測値とを時系列に従って順次入力し、前記第１パラメータの予測値を出力する出力部と
   を備えることを特徴とする情報処理装置。
9. 電力需給に関連する第１パラメータの実績値を時系列で示す第１データを取得し、
   電力需給に関連する第２パラメータの実績値及び予測値を時系列で示す第２データを取得し、
   前記第１及び第２データを入力した場合に前記第１パラメータの予測値を出力するよう学習済みの学習済みモデルに、各時点の前記第１パラメータの実績値と、該第１パラメータより所定の時間周期だけ遅らせた時点の前記第２パラメータの実績値又は予測値とを時系列に従って順次入力し、前記第１パラメータの予測値を出力する
   処理をコンピュータに実行させることを特徴とするプログラム。
10. 電力需給に関連する第１及び第２パラメータ夫々を時系列で示す第１及び第２データを取得し、
    前記第１及び第２データを用いて、各時点の前記第１パラメータと、前記第１パラメータより所定の時間周期だけ遅らせた時点の前記第２パラメータとを時系列に従って順次入力した場合に、前記第１パラメータの予測値を出力する学習済みモデルを生成する
    処理をコンピュータに実行させることを特徴とする学習済みモデルの生成方法。

Images