JP2020160932A - 電力予測方法及び電力予測システム - Google Patents
電力予測方法及び電力予測システム Download PDFInfo
- Publication number
- JP2020160932A JP2020160932A JP2019061170A JP2019061170A JP2020160932A JP 2020160932 A JP2020160932 A JP 2020160932A JP 2019061170 A JP2019061170 A JP 2019061170A JP 2019061170 A JP2019061170 A JP 2019061170A JP 2020160932 A JP2020160932 A JP 2020160932A
- Authority
- JP
- Japan
- Prior art keywords
- power consumption
- power
- home appliance
- relationship
- prediction
- 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 21
- 230000007704 transition Effects 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims description 40
- 230000003247 decreasing effect Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000000926 separation method Methods 0.000 description 7
- 238000012790 confirmation Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 241000352333 Amegilla alpha Species 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】将来の突発的に増減する消費電力データの予測精度を向上する電力予測方法及び電力予測システムを提供する。【解決手段】電力予測システムにおいて、電力予測方法は、需要家の家電(負荷機器)203aの過去の消費電力の推移情報に基づいて家電203aの所定期間における消費電力値分布を算出する工程と、家電203aと他の家電203bと間の稼働状態の関係性を算出する工程と、消費電力値分布と関係性と予測対象期間の所定時刻までの家電203aの消費電力の推移情報とに基づいて需要家の所定時刻以降の消費電力の推移情報を予測する工程とを有する。【選択図】図2
Description
本発明は、電力予測方法及び電力予測システムに関する。
従来、各需要家において所定時刻までに消費する電力の積算電力を予測する技術が知られている(例えば、特許文献1参照)。
しかしながら、上述の従来技術では、将来の突発的に増減する消費電力データの予測が困難であるという問題点があった。
そこで、本発明は、上述の課題に鑑みてなされたものであり、将来の突発的に増減する消費電力データの予測精度を向上させることができる電力予測方法及び電力予測システムを提供することを目的とする。
本発明の実施形態の第1の特徴は、電力予測方法であって、需要家の負荷機器の過去の消費電力の推移情報に基づいて、前記負荷機器の所定期間における消費電力値分布を算出する工程Aと、前記負荷機器と他の負荷機器と間の稼働状態の関係性を算出する工程Bと、前記消費電力値分布と前記関係性と予測対象期間の所定時刻までの前記負荷機器の消費電力の推移情報とに基づいて、前記需要家の前記所定時刻以降の消費電力の推移情報を予測する工程Cとを有することを要旨とする。
本発明の実施形態の第2の特徴は、電力予測システムであって、需要家の負荷機器の過去の消費電力の推移情報に基づいて、前記負荷機器の所定期間における消費電力値分布を算出する電力値分布を算出する電力値分布計算部と、前記負荷機器と他の負荷機器と間の稼働状態の関係性を算出する稼働関係性計算部と、前記消費電力値分布と前記関係性と予測対象期間の所定時刻までの前記負荷機器の消費電力の推移情報とに基づいて、前記需要家の前記所定時刻以降の消費電力の推移情報を予測する予測計算部とを有することを要旨とする。
本発明の実施形態によれば、将来の突発的に増減する消費電力データの予測精度を向上させることができる電力予測方法及び電力予測システムを提供することができる。
以下、本発明の実施形態に係る制御システムについて図面を参照しながら説明する。なお、以下の図面の記載において、同一又は類似の部分には、同一又は類似の符号を付している。
(第1実施形態)
以下、図1〜図7を参照して、本発明の第1実施形態について説明する。図1は、本実施形態に係る電力システム1の構成の一例を示す図である。
以下、図1〜図7を参照して、本発明の第1実施形態について説明する。図1は、本実施形態に係る電力システム1の構成の一例を示す図である。
図1に示すように、電力システム1は、電力予測システム100と、需要家200とを有する。
電力予測システム100は、1つのサーバ装置によって構成されていてもよいし、複数のサーバ装置によって構成されていてもよい。なお、電力予測システム100は、発電事業者、送配電事業者或いは小売事業者、リソースアグリゲータ等の電力事業者によって管理されていてもよい。リソースアグリゲータは、VPP(Virtual Power Plant)において発電事業者、送配電事業者及び小売事業者などに逆潮流の電力を提供する電力事業者である。
図1では、需要家200として、1つの需要家200が例示されているが、通常、かかる電力システム1には、複数の需要家200が設けられている。各需要家は、電力系統(図示せず)接続される施設300に対応する。
需要家200は、通信部201と、電力計202と、家電(負荷機器)203(203a/203b)とを有している。図1では、家電203として、2つの家電203a/203が例示されているが、家電203の数は、任意の数であってもよい。
通信部201は、通信モジュールによって構成されており、電力予測システム100の通信部101と通信を行うように構成されている。
電力計202は、家電203(203a/203)の消費電力を測定するように構成されている。
家電203(203a/203)は、電力を消費する負荷機器である。例えば、家電203a/203は、空調機器、照明機器、給湯機器、AV(Audio Visual)機器、電気自動車及び充放電器等である。
電力予測システム100は、通信部101と、記憶部102と、個宅需要予測部103とを有している。
通信部101は、通信モジュールによって構成されており、各需要家200の通信部201と通信を行うように構成されている。
記憶部102は、不揮発性メモリ又は/及びHDD等の記憶媒体によって構成されており、収集データ記憶部1021と、予測値記憶部1022とを有している。
収集データ記憶部1021は、通信部101を介して各需要家から収集した各需要家200の過去の消費電力の時系列データ(推移情報)を記憶するように構成されている。
予測値記憶部1022は、後述する予測計算部1035によって算出された各需要家200の所定時刻以降の消費電力の時系列データ(推移情報)の予測値を記憶するように構成されている。
個宅需要予測部103は、メモリ及びCPU等を含む制御回路によって実現されるものであり、家電単位データ分離部1031と、家電別電力値分布計算部1032と、家電別稼働情報変換部1033と、家電間稼働関係性計算部1034と、予測計算部1035とを有する。
家電単位データ分離部1031は、図2に示すように、収集データ記憶部1021によって記憶されている各需要家200の過去の消費電力の時系列データから、各需要家200の各家電203の過去の消費電力の時系列データを分離するように構成されている。
例えば、家電単位データ分離部1031は、ディスアグリゲーション(disaggregation)技術を用いて、各需要家200の各家電203の過去の消費電力の時系列データを分離するように構成されていてもよい。かかるディスアグリゲーション技術とは、需要家200全体の消費電力量に基づいて、どのような家電でどのくらいの電力が使われているかを推定する手法である。かかるディスアグリゲーション技術には、ディープラーニングやニューラルネットワークといった手法が用いられる。
家電別電力値分布計算部1032は、図2に示すように、家電単位データ分離部1031によって分離された各需要家200の各家電203の過去の消費電力の時系列データに基づいて、各需要家200の家電203の所定期間における消費電力値分布を算出するように構成されている。
例えば、家電別電力値分布計算部1032は、図3Aに示す家電Aの過去の消費電力の時系列データ(図3Aの例では、2019年1月1日の家電Aの消費電力の時系列データ及び2019年1月2日の家電Aの消費電力の時系列データ)を用いて、ガウス過程(Gaussian process)やカーネル密度推定(KDE:Kernel Density Estimation)等のノンパラメトリックな手法によって、図3(b)に示すように、家電Aの所定期間における消費電力値分布(図3Bの例では、24時間の消費電力パターンの確率密度分布fA(E,t))を算出するように構成されていてもよい。ここで、Eは、N日分の時系列データにおける消費電力値を示し、tは、N日分の時系列データにおける時刻を示す。
ここで、家電別電力値分布計算部1032は、例えば、ガウス過程を用いて、図3Cに示すように、家電Aの所定期間における消費電力値分布において、各時刻の平均値及び95%信頼区間を算出するように構成されている。ここで、95%信頼区間は、95%の確率で各時刻の消費電力値の母平均が含まれる範囲を示す予測範囲(予測区間)である。
家電別稼働情報変換部1033は、図2に示すように、家電単位データ分離部1031によって分離された各需要家200の各家電203の過去の消費電力の時系列データを、各需要家200の各家電203の稼働情報(離散状態)の時系列データに変換するように構成されている。
例えば、家電別稼働情報変換部1033は、図4Aに示す家電Aの所定期間における消費電力値分布fA(E,t))において、図4Bに示すように、
となる時刻と、
となる時刻との中間に境界Xを設定するように構成されていてもよい。
ここで、家電別稼働情報変換部1033は、かかる境界Xに基づいて、図4Cに示すように、「0:00〜10:00」の時間帯を稼働時間帯αに設定し、「10:00〜17:00」の時間帯を稼働時間帯βに設定し、「17:00〜24:00」の時間帯を稼働時間帯γに設定するように構成されていてもよい。
そして、家電別稼働情報変換部1033は、図4Dに示す家電Aの過去の消費電力の時系列データ(図4Dの例では、2019年1月1日の家電Aの消費電力の時系列データ及び2019年1月2日の家電Aの消費電力の時系列データ)に基づいて、各需要家200の家電Aの稼働情報(離散状態)の時系列データとして、図4Eに示すように、稼働時間帯別の稼働状態Sijを算出するように構成されていてもよい。ここで、「i」は、家電の識別情報に対応するインデックスであり、「j」は、稼働時間帯の識別情報に対応するインデックスである。なお、図4Eにおいて、「1」は、稼働時間帯jにおいて家電iが稼働中であることを示し、「0」は、稼働時間帯jにおいて家電iが非稼働であることを示す。
家電間稼働関係性計算部1034は、複数の家電203の間、例えば、家電203aと他の家電203bと間の稼働状態の関係性を算出するように構成されている。具体的には、家電間稼働関係性計算部1034は、図2に示すように、家電別稼働情報変換部1033によって算出された各需要家200の各家電203の稼働情報(離散状態)の時系列データに基づいて、複数の家電203間の稼働状態の関係性を算出するように構成されている。
以下、図5を参照して、家電間稼働関係性計算部1034の動作の一例について説明する。
図5Aに示すように、ステップS1033aにおいて、家電間稼働関係性計算部1034は、家電Aの稼働情報の時系列データ(稼働時間帯jにおける家電Aの稼働状態)SAjに基づいて、稼働時間帯jにおける家電Aの稼動確率P(SAj)を算出する。すなわち、家電間稼働関係性計算部1034は、日毎に、例えば、図5Bに示す「P(SAα)=2/3」及び「P(SAβ)=2/3」を算出する。
ステップS1033bにおいて、家電間稼働関係性計算部1034は、稼働時間帯jにおける家電Aの稼働状態SAjとの間の関係性が算出されていない家電の稼働状態が存在するか否かについて判定する。
存在する場合、本動作は、ステップS1033cに進み、存在しない場合、本動作は、終了する。
ステップS1033cにおいて、家電間稼働関係性計算部1034は、稼働時間帯jにおける家電Aの稼働状態SAjとの間の関係性が算出されていない家電iの稼働状態Sikを選出する。
ステップS1033dにおいて、家電間稼働関係性計算部1034は、稼働時間帯jにおける家電Aの稼働状態SAjに基づいて、ステップS1033cにおいて選出した家電iと家電Aとの間の稼働状態の関係性として、稼動確率P(Sik,SAj)を算出する。なお、稼動確率P(Sik,SAj)は、稼働時間帯kにおいて家電iが稼働中であり且つ稼働時間帯jにおいて家電Aが稼働中である確率を示す。
すなわち、ステップS1033dにおいて、家電間稼働関係性計算部1034は、日毎に、例えば、図5Bに示す「P(SAα,SBα)=1/3」や「P(SAβ,SBα)=2/3」や「P(SAβ,SBα)=2/3」や「P(SAα,SBβ)=1/3」等を算出する。
予測計算部1035は、図2に示すように、家電別電力値分布計算部1032によって算出された家電Aの消費電力値分布と、家電間稼働関係性計算部1034によって算出された関係性(すなわち、稼動確率P(Sik,SAj))と、家電単位データ分離部1031によって分離された予測対象期間の所定時刻までの家電Aの消費電力の時系列データとに基づいて、需要家200の所定時刻以降の消費電力の時系列データを予測するように構成されている。
ここで、予測対象期間としては、例えば、「日」単位の予測対象日や、「週」単位の予測対象週や、「月」単位の予測対象月や、「年」単位の予測対象年等、任意の期間を予測単位とする期間を用いることができる。
具体的には、第1に、図6Aに示すように、予測計算部1035は、確定情報S0に基づいて、事後確率P(Sij|S0)を算出するように構成されている。
ここで、確定情報S0は、予測対象日の所定時刻までの家電iの消費電力の時系列データ(稼働時間帯jにおける家電iの稼働状態)Sijを示し、事後確率P(Sik|S0)は、稼働時間帯jにおける家電iの稼働状態を考慮した上での予測対象日の所定時刻以降(例えば、稼働時間帯k)に家電iが稼働中である確率を示す。
例えば、図6Aの例では、確定情報S0として「SAα=1」及び「SAα=1」が記憶されている場合、予測計算部1035は、図6Aに示す(式1)によって事後確率P(SAβ|S0)を算出し、図6Aに示す(式2)によって事後確率P(SBβ|S0)を算出するように構成されている。
すなわち、予測計算部1035は、図6Bに示すように、確定情報S0としての稼働時間帯αにおける家電Aの稼働状態SAα及び家電Bの稼働状態SBαに基づいて、稼働時間帯βにおける家電Aの稼働状態SAβ及び家電Bの稼働状態SBβを算出するように構成されている。
第2に、図6Cに示すように、予測計算部1035は、家電A及び家電Bの消費電力値分布に基づいて、すなわち、(式3)を用いて、所定時刻以降の消費電力の時系列データを予測するように構成されている。
ここで、図6Cに示すように、予測計算部1035は、上述の消費電力値分布に基づいて、所定時刻以降の消費電力の推移情報の精度としての予測範囲(95%信頼区間)を算出するように構成されていてもよい。
なお、予測計算部1035は、予測対象日の属性に応じて、上述の所定時刻以降の消費電力の時系列データを予測するように構成されていてもよい。例えば、平日と休日とで使用される家電の種類や消費電力が異なるため、予測計算部1035は、予測対象日の属性(休日か平日か)に応じて、上述の所定時刻以降の消費電力の時系列データを予測するように構成されていてもよい。
以下、図7を参照して、本実施形態に係る電力予測システム100の動作の一例について説明する。
ステップS101において、電力予測システム100は、予測対象日に合わせて、訓練データ(すなわち、各需要家200の消費電力の時系列データ)を休日用データ及び平日用データに分ける。
ステップS102において、電力予測システム100は、家電単位の訓練データ(すなわち、各需要家200の各家電の203の消費電力の時系列データ)に分離する。
ステップS103において、電力予測システム100は、予測対象日の確定情報(予測対象日の所定時刻までの家電203の消費電力の時系列データ)が存在するか否かについて判定する。存在する場合、本動作は、ステップS106に進み、存在しない場合、本動作は、ステップS104に進む。
ステップS104において、電力予測システム100は、ステップS102において分離された訓練データに基づいて、各需要家200の各家電203の消費電力値分布を推定する。
ステップS105において、電力予測システム100は、ステップS104において推定された各家電203の消費電力値分布における所定時刻以降の消費電力の時系列データを、各需要家200の各家電203の所定時刻以降の消費電力の時系列データとする。
ステップS106において、電力予測システム100は、ステップS102において分離された訓練データに基づいて、各需要家200の各家電203の消費電力値分布を推定する。
ステップS107において、電力予測システム100は、複数の家電203の稼働状態に基づいて、複数の家電203の間の稼働状態の関係性として、稼動確率P(Sik,SAj)を算出する。
ステップS108において、電力予測システム100は、複数の家電203の間の稼働状態の関係性に基づいて、各需要家200の各家電203の稼動確率を算出する。
ステップS109において、電力予測システム100は、各需要家200の各家電203の稼動確率及び消費電力値分布に基づいて、各需要家200の各家電203の所定時刻以降の消費電力の時系列データを予測する。
ステップS110において、電力予測システム100は、各需要家200の各家電203の所定時刻以降の消費電力の時系列データを合計する。
ここで、ステップS103、S104、S106及びS107は、学習パートであり、ステップS105、S108、S109及びS110は、予測パートである。
本実施形態に係る電力システム1によれば、各需要家200の各家電203の所定時刻以降の消費電力の時系列データを正確に予測することができるため、将来の突発的に増減する消費電力データの予測精度を向上させることができる。
また、本実施形態に係る電力システム1によれば、各需要家200の各家電203の所定時刻以降の消費電力の時系列データについての予測幅を算出することによって、かかる消費電力の時系列データの予測精度をより向上させることができる。
さらに、本実施形態に係る電力システム1によれば、ディスアグリゲーション技術を採用することで、各家電203にセンサを取り付けることなく、各需要家200の各家電203の所定時刻以降の消費電力の時系列データを予測することができる。
(第2実施形態)
以下、本発明の第2実施形態について、上述の第1実施形態との相違点に着目して説明する。
(第2実施形態)
以下、本発明の第2実施形態について、上述の第1実施形態との相違点に着目して説明する。
n個の家電203が存在し、m個の稼働時間帯が存在する場合、上述の複数の家電203の間の稼働状態の関係性の組み合わせ総数Nは、以下の(式3)によって算出される。
したがって、「n」及び「m」の増加に伴い、電力予測システム100において、上述の関係性を算出するためのコストが指数関数的に増加することになる。
本実施形態では、かかる不都合を解決するために、家電間稼働関係性計算部1034は、消費電力が所定閾値を超える家電(すなわち、消費電力が大きい家電)を優先して、上述の複数の家電203の間の稼働状態の関係性を算出するように構成されていてもよい。
かかる場合、家電間稼働関係性計算部1034は、消費電力が所定閾値を下回る家電については、上述の予測値への影響が小さいものとして、上述の複数の家電203の間の稼働状態の関係性を算出しないように構成されていてもよい。
本実施形態に係る電力システム1によれば、複数の家電203の間の稼働状態の関係性の算出コストの指数関数的な増加を抑制しつつ、消費電力の時系列データの予測精度を向上させることができる。
(第3実施形態)
以下、図8及び図9を参照して、本発明の第3実施形態について、上述の第1実施形態及び第2実施形態との相違点に着目して説明する。
(第3実施形態)
以下、図8及び図9を参照して、本発明の第3実施形態について、上述の第1実施形態及び第2実施形態との相違点に着目して説明する。
図8に示すように、複数の操作状態(例えば、エアコンにおける「切」「強」「弱」等)が存在する家電203の場合、消費電力値分布(図8に示す確率密度分布fA(E,t))が広がってしまうため、予測対象日の所定時刻以降の消費電力の時系列データの予測幅が広がり、かかる消費電力の時系列データの精度が下がってしまう可能性がある。
したがって、本実施形態に係る電力予測システム100は、家電203の操作状態毎に、予測対象日の所定時刻以降の消費電力の時系列データを算出するように構成されていてもよい。
例えば、家電別電力値分布計算部1032は、図9に示すように、家電203の操作状態1〜3毎に、所定期間における消費電力値分布を算出するように構成されていてもよい。
また、家電間稼働関係性計算部1034は、家電203の操作状態1〜3毎に、上述の操作状態の関係性を算出するように構成されていてもよい。
さらに、予測計算部1035は、家電23の操作状態1〜3毎に、上述の所定時刻以降の消費電力の時系列データを予測するように構成されている。
本実施形態に係る電力システム1によれば、複数の操作状態が存在する家電203についても、適切に消費電力の時系列データを予測することができる。
1…電力システム
100…電力予測システム
101、201…通信部
102…記憶部
1021…収集データ記憶部
1022…予測値記憶部
103…個宅需要予測部
1031…家電単位データ分離部
1032…家電別電力値分布計算部
1033…家電別稼働情報変換部
1034…家電間稼働関係性計算部
1035…予測計算部
200…需要家
202…家電
100…電力予測システム
101、201…通信部
102…記憶部
1021…収集データ記憶部
1022…予測値記憶部
103…個宅需要予測部
1031…家電単位データ分離部
1032…家電別電力値分布計算部
1033…家電別稼働情報変換部
1034…家電間稼働関係性計算部
1035…予測計算部
200…需要家
202…家電
Claims (6)
- 需要家の負荷機器の過去の消費電力の推移情報に基づいて、前記負荷機器の所定期間における消費電力値分布を算出する工程Aと、
前記負荷機器と他の負荷機器と間の稼働状態の関係性を算出する工程Bと、
前記消費電力値分布と前記関係性と予測対象期間日の所定時刻までの前記負荷機器の消費電力の推移情報とに基づいて、前記需要家の前記所定時刻以降の消費電力の推移情報を予測する工程Cとを有する、電力予測方法。 - 前記消費電力値分布に基づいて、前記所定時刻以降の消費電力の推移情報の精度を算出する工程Dとを更に有する、請求項1に記載の電力予測方法。
- 前記工程Cにおいて、前記予測対象期間の属性に応じて、前記所定時刻以降の消費電力の推移情報を予測する、請求項1又は2に記載の電力予測方法。
- 前記工程Bにおいて、消費電力が所定閾値を超える前記負荷機器に係る前記関係性を優先して算出する、請求項1〜3のいずれか一項に記載の電力予測方法。
- 前記工程Aにおいて、前記負荷機器の操作状態毎に、前記消費電力値分布を算出し、
前記工程Bにおいて、前記負荷機器の操作状態毎に、前記関係性を算出し、
前記工程Cにおいて、前記負荷機器の操作状態毎に、前記所定時刻以降の消費電力の推移情報を予測する、請求項1〜4のいずれか一項に記載の電力予測方法。 - 需要家の負荷機器の過去の消費電力の推移情報に基づいて、前記負荷機器の所定期間における消費電力値分布を算出する電力値分布を算出する電力値分布計算部と、
前記負荷機器と他の負荷機器と間の稼働状態の関係性を算出する稼働関係性計算部と、
前記消費電力値分布と前記関係性と予測対象期間の所定時刻までの前記負荷機器の消費電力の推移情報とに基づいて、前記需要家の前記所定時刻以降の消費電力の推移情報を予測する予測計算部とを有する、電力予測システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019061170A JP2020160932A (ja) | 2019-03-27 | 2019-03-27 | 電力予測方法及び電力予測システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019061170A JP2020160932A (ja) | 2019-03-27 | 2019-03-27 | 電力予測方法及び電力予測システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020160932A true JP2020160932A (ja) | 2020-10-01 |
Family
ID=72639513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019061170A Pending JP2020160932A (ja) | 2019-03-27 | 2019-03-27 | 電力予測方法及び電力予測システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020160932A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220161849A (ko) * | 2021-05-31 | 2022-12-07 | 주식회사 스마트에버 | 장단기 메모리 기반 비 간섭 부하 모니터링을 이용한 가전기기 전력 사용 상태 예측 방법 및 그를 위한 장치 |
-
2019
- 2019-03-27 JP JP2019061170A patent/JP2020160932A/ja active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220161849A (ko) * | 2021-05-31 | 2022-12-07 | 주식회사 스마트에버 | 장단기 메모리 기반 비 간섭 부하 모니터링을 이용한 가전기기 전력 사용 상태 예측 방법 및 그를 위한 장치 |
KR102542488B1 (ko) | 2021-05-31 | 2023-06-12 | 주식회사 스마트에버 | 장단기 메모리 기반 비 간섭 부하 모니터링을 이용한 가전기기 전력 사용 상태 예측 방법 및 그를 위한 장치 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hahn et al. | Electric load forecasting methods: Tools for decision making | |
US9753477B2 (en) | Load forecasting for residential sector demand response | |
US10282687B2 (en) | Systems and methods for managing power generation resources | |
Kodaira et al. | Optimal energy storage system operation for peak reduction in a distribution network using a prediction interval | |
US20140074300A1 (en) | Thermostat Classification Method and System | |
JPWO2017217466A1 (ja) | 電力管理システム | |
CN106233321A (zh) | 用于优化电力消耗的智能系统的操作方法和装置 | |
TWI481881B (zh) | 耗電預測裝置、方法及其電腦程式產品 | |
JP2012205385A (ja) | 予備力計算装置およびその方法、コンピュータプログラム | |
WO2015087470A1 (ja) | 需要予測装置、プログラム | |
Ozoh et al. | A comparative analysis of techniques for forecasting electricity consumption | |
JP2015106316A (ja) | エネルギー管理システム | |
JP2017169289A (ja) | 電力予測システム、電力予測方法及びプログラム | |
JP2017034797A (ja) | ベースライン負荷推定装置及びベースライン負荷推定プログラム | |
Xiang et al. | Smart Households' Available Aggregated Capacity Day-ahead Forecast Model for Load Aggregators under Incentive-based Demand Response Program | |
JP2008102816A (ja) | 省エネルギー報告書作成装置およびその装置を使用してエネルギー使用量を予測する方法 | |
CN111047163B (zh) | 储能策略数据处理系统、方法、装置及介质 | |
Huang et al. | Designing customized energy services based on disaggregation of heating usage | |
JP6293291B2 (ja) | 消費電力推定装置、機器管理システム、消費電力推定方法及びプログラム | |
US10333305B2 (en) | Management device, management system, control method for management device, and control program | |
Song et al. | Dynamic thermal line rating model of conductor based on prediction of meteorological parameters | |
JP2020160932A (ja) | 電力予測方法及び電力予測システム | |
JP2014155389A (ja) | 電力需給管理装置及び電力需給管理方法 | |
JP6103323B1 (ja) | 電気料金情報予測システム | |
Akasiadis et al. | Predicting agent performance in large-scale electricity demand shifting |