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
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 Download PDFInfo
- Publication number
- JP2020115276A JP2020115276A JP2019006341A JP2019006341A JP2020115276A JP 2020115276 A JP2020115276 A JP 2020115276A JP 2019006341 A JP2019006341 A JP 2019006341A JP 2019006341 A JP2019006341 A JP 2019006341A JP 2020115276 A JP2020115276 A JP 2020115276A
- Authority
- JP
- Japan
- Prior art keywords
- value
- parameter
- demand
- time point
- time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000010365 information processing Effects 0.000 title claims abstract description 25
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 16
- 230000003111 delayed effect Effects 0.000 claims abstract description 11
- 238000000611 regression analysis Methods 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 description 21
- 238000010586 diagram Methods 0.000 description 9
- 239000000446 fuel Substances 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000001404 mediated effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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。
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。
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。
(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。
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。
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。
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。
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。
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。
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。
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。
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
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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019006341A JP2020115276A (ja) | 2019-01-17 | 2019-01-17 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019006341A JP2020115276A (ja) | 2019-01-17 | 2019-01-17 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020115276A true JP2020115276A (ja) | 2020-07-30 |
Family
ID=71778540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019006341A Pending JP2020115276A (ja) | 2019-01-17 | 2019-01-17 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020115276A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7458268B2 (ja) | 2020-08-21 | 2024-03-29 | 株式会社東芝 | 情報処理装置、情報処理方法、コンピュータプログラム及び情報処理システム |
-
2019
- 2019-01-17 JP JP2019006341A patent/JP2020115276A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7458268B2 (ja) | 2020-08-21 | 2024-03-29 | 株式会社東芝 | 情報処理装置、情報処理方法、コンピュータプログラム及び情報処理システム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784806B (zh) | 供应链控制方法、系统以及存储介质 | |
JP5606114B2 (ja) | 発電量予測装置、予測方法及び予測プログラム | |
JP6992526B2 (ja) | 需要予測プログラム、需要予測方法および需要予測装置 | |
US20140310059A1 (en) | System , method and computer program forecasting energy price | |
JPWO2017056368A1 (ja) | 最適化システム、最適化方法および最適化プログラム | |
JP2014157457A (ja) | 予測装置および予測方法 | |
WO2017056367A1 (ja) | 情報処理システム、情報処理方法および情報処理用プログラム | |
US20190138913A1 (en) | Prediction model generation device, prediction model generation method, and recording medium | |
CN110610382A (zh) | 车辆销售量预测方法、装置、计算机设备和存储介质 | |
CN107958297A (zh) | 一种产品需求预测方法及产品需求预测装置 | |
JP2019096164A (ja) | 電力市場価格予測装置、電力市場価格予測方法、および電力市場価格予測プログラム | |
WO2017056366A1 (ja) | 最適化システム、最適化方法および最適化プログラム | |
CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
JP7062144B1 (ja) | 電力需要予測装置及び電力需要予測方法 | |
JPH04372046A (ja) | 需要量予測方法及び装置 | |
JP2021012439A (ja) | 気象数値解析システム、予測対象データ生成システムおよび気象数値解析方法 | |
CN117557375A (zh) | 基于虚拟电厂的交易评估方法及相关装置 | |
JP2020115276A (ja) | 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 | |
CN114841461B (zh) | 基于时序缺失感知和多源因素融合的空气质量集成预测方法 | |
US20200034859A1 (en) | System and method for predicting stock on hand with predefined markdown plans | |
WO2023150936A1 (en) | Spatio-temporal graph neural network for time series prediction | |
JP7436697B2 (ja) | 電力市場取引支援プラットフォーム | |
JP7060130B1 (ja) | 運用支援装置、運用支援方法及びプログラム | |
CN110858355A (zh) | 项目预算结余预测方法及装置 | |
JP2004272674A (ja) | 予測システム及び予測方法 |