JP2023100466A - Power demand prediction device and power demand prediction method - Google Patents

Power demand prediction device and power demand prediction method Download PDF

Info

Publication number
JP2023100466A
JP2023100466A JP2022001173A JP2022001173A JP2023100466A JP 2023100466 A JP2023100466 A JP 2023100466A JP 2022001173 A JP2022001173 A JP 2022001173A JP 2022001173 A JP2022001173 A JP 2022001173A JP 2023100466 A JP2023100466 A JP 2023100466A
Authority
JP
Japan
Prior art keywords
power demand
prediction
forecast
short
date
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
Application number
JP2022001173A
Other languages
Japanese (ja)
Other versions
JP7062144B1 (en
Inventor
優磨 古橋
Yuma Furuhashi
理 中澤
Osamu Nakazawa
俊 堂山
Shun Doyama
匡平 岩田
Kyohei Iwata
啓介 須藤
Keisuke Sudo
一樹 大森
Kazuki Omori
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tokyo Gas Co Ltd
Original Assignee
Tokyo Gas Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tokyo Gas Co Ltd filed Critical Tokyo Gas Co Ltd
Priority to JP2022001173A priority Critical patent/JP7062144B1/en
Application granted granted Critical
Publication of JP7062144B1 publication Critical patent/JP7062144B1/en
Publication of JP2023100466A publication Critical patent/JP2023100466A/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00Adapting or protecting infrastructure or their operation
    • YGENERAL 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS 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
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

To enable providing both of high predictability and an explanation property of a prediction result and to clarify flow of a prediction technique also for factors except meteorological conditions where explanation property is often missing.SOLUTION: A power demand prediction method comprises: dividing meteorological data for past several years (one to three years or so) being big data, for every similar load data for every day of the week as needed, and generating a long-term regression model by machine learning, etc.; and, on the basis of the long-term regression model, selecting short-term (for example, 30 days or so) reference days based on a prediction target day, using three kinds of prediction models, blending the prediction models weighted respectively, and correcting continuity.SELECTED DRAWING: Figure 2

Description

本発明は、電力需要予測装置及び電力需要予測方法に関するものである。 The present invention relates to a power demand forecasting device and a power demand forecasting method.

需要者に対して、安定で高信頼の電力を供給するためには、供給者側が、需要者の電力需要量のニーズを把握する必要があり、その把握に基づいた、発電所の運用計画や、電力変換器を用いた周波数制御などを行い、電力供給を行う必要がある。そのことによって、供給者側は、無駄なく効率的に発電から送電までを安定的に行うことができ、需要者側も、自身のニーズに沿った安定的な電力供給を教授することができる。 In order to supply stable and highly reliable power to consumers, it is necessary for the supplier side to grasp the needs of the demand for electricity, and based on this understanding, the power plant operation plan and , it is necessary to perform frequency control using a power converter, etc., and to supply power. As a result, the supplier side can stably carry out everything from power generation to transmission efficiently without waste, and the consumer side can also teach a stable power supply that meets their own needs.

特許文献1には、年ごとの気象環境等の変化も踏まえて、過去の同日、同週、同月、同季節の気象実績データ、需要実績データをそのまま用いることなく、予測対象日の気象予測データに誤りがあっても、予測対象日の電力需要量をより正確に把握することを目的として、電力需要量を予測する予測対象日を含む複数日からなる期間の予測気象グループおよび過去の複数日における期間の実績気象グループを対象期間として複数設定し、前記予測気象グループと前記複数の実績気象グループ間における複数の対象期間の類似度を計算し、前記計算された複数の類似度の比較に基づいて、以後の電力需要量の傾向を予測し、予測対象日の電力需要量を把握することが記載されている。 In Patent Document 1, based on changes in the weather environment etc. every year, weather forecast data for the forecast target day is used without using the actual weather data and actual demand data for the same day, week, month, and season in the past as it is. Even if there is an error in the prediction target day, the forecast weather group for the period consisting of multiple days including the target day for forecasting the power demand and the past multiple days set a plurality of actual weather groups for a period of time as target periods, calculate similarities between the forecast weather groups and the plurality of actual weather groups for the plurality of target periods, and compare the plurality of calculated similarities based on Then, it is described that the tendency of the power demand after that is predicted and the power demand of the day to be predicted is grasped.

特許文献2には、電力価格単価を変更した需要家のみの過去の実績データを用いて電力の需要予測を高精度に行うことを目的として、実績データベースにはデマンドレスポンスを実施した需要家のみの過去の電力需要を電力価格単価と対応して記憶させ、価格弾力性算出部は電力価格単価を変更しない時の電力需要と電力価格単価を変更した時の電力需要との比率を価格弾力性として算出し、価格弾力性データベースには価格弾力性が記憶され、電力需要の予測を行うときには、価格弾力性データベースから条件に合致した価格弾力性を用いて電力需要予測値を補正することで、正確な電力需要予測値を得ることが記載されている。 In Patent Document 2, for the purpose of highly accurate power demand forecasting using past performance data of only consumers whose electricity price unit price has been changed, a performance database contains data of only consumers who have performed demand response. The past power demand is stored in correspondence with the power price unit price, and the price elasticity calculation unit uses the ratio of the power demand when the power price unit price is not changed to the power demand when the power price unit price is changed as the price elasticity. The price elasticity is calculated and stored in the price elasticity database. When forecasting electricity demand, the electricity demand forecast value is corrected using the price elasticity that meets the conditions from the price elasticity database. It is described that a power demand forecast value is obtained.

特許文献3には、日負荷曲線の予測方法では、所定時間ごとに予測モデルを個別に構築しなくてはならず、膨大な作業と時間を必要とし、また、時系列性を考慮した予測が困難であることを課題とし、計算機によりニューラルネットを用いて予測対象日の需要電力量の日負荷曲線を予測する方法を提案している。より具体的には、予測対象日よりも前の期間の各日の所定時間ごとの気象データ、平日・土曜・休日の区別データ、各日の所定時間ごとの需要電力量実績値からなる学習データを用いてニューラルネットに学習させる第1のステップと、前記学習データに加えて、予測対象日の所定時間ごとの気象データ、平日・土曜・休日の区別データを前記ニューラルネットに入力し、所定時間ごとに繰り返し想起させて予測対象日における所定時間ごとの需要電力量を逐次、予測させる第2のステップとからなることが記載されている。 In Patent Document 3, in the forecast method of the daily load curve, it is necessary to build a forecast model individually for each predetermined time, which requires a huge amount of work and time, and forecasts that take chronological order into consideration. We have proposed a method to predict the daily load curve of the electricity demand for the forecast target day using a neural network on a computer. More specifically, learning data consisting of meteorological data for each day of the period preceding the forecast target day at predetermined time intervals, data distinguishing between weekdays, Saturdays, and holidays, and actual power demand values at predetermined time intervals for each day. In addition to the learning data, weather data for each predetermined time on the prediction target day and data distinguishing between weekdays, Saturdays, and holidays are input to the neural network, and input to the neural network for a predetermined time and a second step of sequentially predicting the electric power demand for each predetermined time period on the prediction target day.

非特許文献1では、重回帰モデルなどの統計学手法を用いて、電力需要予測が行われることが記載されている。 Non-Patent Document 1 describes that power demand prediction is performed using a statistical method such as a multiple regression model.

非特許文献2では、ニューラルネットワークモデルを活用して、電力需要予測が行われることが記載されている。 Non-Patent Document 2 describes that power demand prediction is performed using a neural network model.

特開2013-66318号公報JP 2013-66318 A 特開2014-220971号公報JP 2014-220971 A 特開平9-215192号公報JP-A-9-215192

「電力の翌日最大需予測装置の研究開発動向,長谷川 淳,田中 英一,電学論B,114巻,9号,平成9年」"Research and Development Trends in Next-Day Maximum Demand Forecasting System for Electricity, Jun Hasegawa, Eiichi Tanaka, Theory of Electrical Engineering B, Vol.114, No.9, 1997" 「構造化ニューラルネットワークの新しい学習法と最大電力需要予測への適用,飯坂 達也,松井 哲郎,福山 良和,電学論B,124巻,3号,2004年」"A New Learning Method for Structured Neural Networks and Its Application to Peak Power Demand Forecasting, Tatsuya Iizaka, Tetsuro Matsui, Yoshikazu Fukuyama, IEEJ, Vol.124, No.3, 2004"

しかしながら、従来技術(例えば、非特許文献1)では、予測結果の説明性が高いという利点はあるが、何らかの要因でトレンドが変わった場合、その変化を予測結果へ鋭敏に反映させることが難しい。 However, although the prior art (for example, Non-Patent Document 1) has the advantage that the predictive results are highly explainable, if the trend changes for some reason, it is difficult to sharply reflect that change in the predictive results.

また、従来技術(例えば、非特許文献2)では、何らかのトレンド変化を鋭敏に予測結果へ反映させることができる利点はあるが、予測理由を説明すること、また、モデルを改善する場合に原因を特定することが難しい。 In addition, the prior art (for example, Non-Patent Document 2) has the advantage of being able to sharply reflect some trend change in the prediction result, but it is difficult to explain the reason for prediction and to improve the model. difficult to identify.

本発明は上記事実を考慮し、予測精度と予測結果の説明性を両立することができ、説明性が失われることが多い気象条件以外の要因についても予測手順を明確化することができる電力需要予測装置及び電力需要予測方法を得ることが目的である。 In consideration of the above facts, the present invention can achieve both the accuracy of prediction and the explainability of prediction results, and can clarify the prediction procedure even for factors other than weather conditions that often lose explanation. It is an object to obtain a forecasting device and a power demand forecasting method.

第1の発明に係る電力需要予測装置は、一定期間だけ遡った時期から、前記一定期間を細分化した単位での気温及び日射量を少なくとも含む気象データ群及び電力需要の実績値を取り込み、前記実績値の変化が類似するパターンに区分し、区分したパターン毎に、前記気象データ群を説明変数とし、かつ前記実績値を目的変数とした長期回帰モデルを作成する長期回帰モデル作成部と、電力需要の予測対象日と類似するパターンから、当該予測対象日に近い所定数の短期参照日を選択して前記気象データ群及び前記実績値を取り込み、前記長期回帰モデルと、前記短期参照日の前記気象データ群及び前記実績値とを用いた複数の予測モデルの各々で予測した前記予測対象日の複数の電力需要予測値を、所定の比率で加重平均してブレンドし、前記予測対象日の電力需要予測値を取得する予測部と、を有している。 A power demand forecasting apparatus according to a first aspect of the present invention captures a group of weather data including at least temperature and amount of insolation in units obtained by subdividing the certain period of time from a time period preceding the certain period of time, and an actual value of power demand. a long-term regression model creation unit that divides patterns into similar changes in actual values and creates a long-term regression model for each of the divided patterns using the meteorological data group as an explanatory variable and using the actual values as an objective variable; A predetermined number of short-term reference dates close to the target forecast date are selected from a pattern similar to the forecast target date of demand, and the meteorological data group and the actual values are incorporated into the long-term regression model and the short-term reference date. A plurality of power demand forecast values for the forecast target day predicted by each of the plurality of forecast models using the meteorological data group and the actual values are weighted and averaged by a predetermined ratio and blended, and the electric power for the forecast target day and a prediction unit that acquires a demand prediction value.

第2の発明に係る電力需要予測装置は、一定期間だけ遡った時期から、前記一定期間を細分化した単位での気温及び日射量を少なくとも含む気象データ群及び電力需要の実績値を取り込み、前記実績値の変化が類似するパターンに区分し、区分したパターン毎に、前記気象データ群を説明変数とし、かつ前記実績値を目的変数とした長期回帰モデルを作成する長期回帰モデル作成部と、電力需要の予測対象日と類似するパターンから、当該予測対象日に近い所定数の短期参照日を選択して、前記気象データ群及び前記実績値を取り込み、前記長期回帰モデルを用いて、前記短期参照日の気象データ群から当該短期参照日の電力需要、及び前記予測対象日の気象データ群から当該予測対象日の電力需要を各々予測し、予測した前記短期参照日の電力需要と前記予測対象日の電力需要との比と、前記短期参照日の電力需要の実績値とから前記短期参照日の電力需要実績値を補正し、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第1の予測結果としての前記予測対象日の電力需要予測値を取得する第1予測部と、前記第1予測部で補正した前記短期参照日の電力需要実績値について、前記予測対象日と補正に使用した短期参照日との日付差の線形回帰を実行し、日付差0となる地点での回帰結果から、第2の予測結果としての前記予測対象日の電力需要予測値を取得する第2予測部と、前記短期参照日の電力需要の実績値を、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第3の予測結果としての前記予測対象日の電力需要予測値を取得する第3予測部と、前記第1予測部で予測した第1の予測結果、前記第2予測部で予測した第2の予測結果、及び前記第3予測部で予測した第3の予測結果である、各々の前記予測対象日の電力需要予測値を、所定の比率で加重平均してブレンドし、第4の予測結果としての前記予測対象日の電力需要予測値を取得する予測結果ブレンド部と、前記予測結果ブレンド部で得た第4の予測結果としての前記予測対象日の電力需要予測値を最終結果として出力する出力部と、を有している。 A power demand forecasting device according to a second aspect of the invention acquires a group of weather data including at least temperature and amount of insolation in units obtained by subdividing the certain period of time from a certain period of time, and an actual value of the power demand. a long-term regression model creation unit that divides patterns into similar changes in actual values and creates a long-term regression model for each of the divided patterns using the meteorological data group as an explanatory variable and using the actual values as an objective variable; Selecting a predetermined number of short-term reference dates close to the forecast target date from patterns similar to the demand forecast target date, importing the meteorological data group and the actual values, and using the long-term regression model to perform the short-term reference Predicting the power demand for the short-term reference date from the weather data group of the day and the power demand for the prediction target day from the weather data group for the prediction target day, and predicting the power demand for the short-term reference day and the prediction target day and the actual value of power demand on the short-term reference date, correcting the actual value of power demand on the short-term reference date, and calculating a weighted average based on the similarity between each short-term reference date and the forecast target date a first forecasting unit that acquires a forecasted power demand value for the forecast target day as a first forecast result; Execute linear regression of the date difference between the date and the short-term reference date used for correction, and obtain the power demand forecast value for the forecast target date as the second forecast result from the regression result at the point where the date difference is 0 a second forecasting unit that performs a weighted average of the actual values of power demand for the short-term reference dates according to the similarity between each short-term reference date and the forecast target date, and obtains the forecast target date as a third forecast result A third prediction unit that acquires a predicted value of power demand, a first prediction result predicted by the first prediction unit, a second prediction result predicted by the second prediction unit, and a prediction by the third prediction unit The power demand forecast values for each of the forecast target days, which are the third forecast results, are weighted and averaged by a predetermined ratio and blended, and the power demand forecast value for the forecast target day as the fourth forecast result is obtained. It has a prediction result blending unit that acquires, and an output unit that outputs, as a final result, the electric power demand prediction value for the prediction target day as the fourth prediction result obtained by the prediction result blending unit.

第2の発明において、前記短期参照日の電力需要の実績値に基づいて、各短期参照日の各コマと、その前の所定数のコマの平均値の比をとり、各短期参照日と前記予測対象日との類似性によって加重平均することで、自己相関を設定し、前記予測結果ブレンド部で得た第4の予測結果である前記予測対象日の電力需要予測値に対して、予め定めた比率で自己相関を適用することで連続性の補正を実行し、第5の予測結果としての前記予測対象日の電力需要予測値を取得する連続性補正部をさらに有し、前記出力部は、前記第4の予測結果に代えて、前記連続性補正部で補正した第5の予測結果としての前記予測対象日の電力予測値を最終結果として出力することを特徴としている。 In the second invention, based on the actual value of power demand on said short-term reference date, the ratio of the average value of each frame of each short-term reference date to the average value of a predetermined number of frames preceding it is calculated, and each short-term reference date and said Autocorrelation is set by weighted averaging based on similarity with the prediction target day, and a predetermined a continuity correction unit that performs continuity correction by applying autocorrelation at a ratio of and, instead of the fourth prediction result, the power prediction value for the prediction target day as the fifth prediction result corrected by the continuity correction unit is output as a final result.

第3の発明に係る電力需要予測方法は、一定期間だけ遡った時期から、前記一定期間を細分化した単位での気温及び日射量を少なくとも含む気象データ群及び電力需要の実績値を取り込み、前記実績値の変化が類似するパターンに区分し、区分したパターン毎に、前記気象データ群を説明変数とし、かつ前記実績値を目的変数とした長期回帰モデルを作成し、電力需要の予測対象日と類似するパターンから、当該予測対象日に近い所定数の短期参照日を選択して、前記気象データ群及び前記実績値を取り込み、前記長期回帰モデルを用いて、前記短期参照日の気象データ群から当該短期参照日の電力需要、及び前記予測対象日の気象データ群から当該予測対象日の電力需要を各々予測し、予測した前記短期参照日の電力需要と前記予測対象日の電力需要との比と、前記短期参照日の電力需要の実績値とから前記短期参照日の電力需要実績値を補正し、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第1の予測結果としての前記予測対象日の電力需要予測値を取得し、補正した前記短期参照日の電力需要実績値について、前記予測対象日と補正に使用した短期参照日との日付差の線形回帰を実行し、日付差0となる地点での回帰結果から、第2の予測結果としての前記予測対象日の電力需要予測値を取得し、前記短期参照日の電力需要の実績値を、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第3の予測結果としての前記予測対象日の電力需要予測値を取得し、前記第1の予測結果、前記第2の予測結果、及び前記第3の予測結果である、各々の前記予測対象日の電力需要予測値を、所定の比率で加重平均してブレンドし、第4の予測結果としての前記予測対象日の電力需要予測値を取得し、前記短期参照日の電力需要の実績値に基づいて、各短期参照日の各コマと、その前の所定数のコマの平均値の比をとり、各短期参照日と前記予測対象日との類似性によって加重平均することで、自己相関を設定し、前記第4の予測結果である前記予測対象日の電力需要予測値に対して、予め定めた比率で自己相関を適用することで連続性の補正を実行し、第5の予測結果としての前記予測対象日の電力需要予測値を取得し、前記第5の予測結果としての前記予測対象日の電力需要予測値を最終結果とする、ことを特徴としている。 A power demand forecasting method according to a third aspect of the invention captures a group of weather data including at least temperature and amount of solar radiation in units obtained by subdividing the certain period of time from a period of time preceding the certain period of time, and an actual value of power demand. A long-term regression model is created using the meteorological data group as an explanatory variable and the actual value as an objective variable for each of the divided patterns. Select a predetermined number of short-term reference dates close to the prediction target date from similar patterns, incorporate the weather data group and the actual values, and use the long-term regression model from the short-term reference date weather data group Electricity demand on the short-term reference day and electric power demand on the prediction target day are each predicted from the group of weather data on the prediction target day, and the ratio of the predicted electric power demand on the short-term reference day to the electric power demand on the prediction target day and correcting the actual value of power demand on the short-term reference date from the actual value of power demand on the short-term reference date, performing a weighted average based on the similarity between each short-term reference date and the forecast target date, and performing a first Obtaining the predicted power demand value for the forecast target date as a forecast result, and performing linear regression of the date difference between the forecast target date and the short-term reference date used for correction for the corrected actual power demand value for the short-term reference date. Execute, obtain the predicted value of power demand for the prediction target day as the second prediction result from the regression result at the point where the date difference is 0, and obtain the actual value of the power demand on the short-term reference date for each short-term reference performing a weighted average based on the similarity between the day and the prediction target day, obtaining the power demand forecast value for the prediction target day as a third prediction result, and obtaining the first prediction result and the second prediction result , and the power demand forecast value for each of the forecast target days, which is the third forecast result, are weighted and averaged by a predetermined ratio and blended, and the power demand forecast for the forecast target day as the fourth forecast result based on the actual value of power demand on the short-term reference date, take the ratio of the average value of each frame of each short-term reference date and the average value of a predetermined number of frames before that, and calculate each short-term reference date and the forecast An autocorrelation is set by performing weighted averaging based on the similarity with the target day, and the autocorrelation is applied at a predetermined ratio to the power demand forecast value for the forecast target day, which is the fourth forecast result. to correct the continuity, obtain the predicted power demand value for the prediction target day as the fifth prediction result, and obtain the predicted power demand value for the prediction target day as the fifth prediction result as the final result It is characterized by

本発明によれば、気象情報を説明変数とした長期回帰モデルによる予測結果(長期トレンド)と直近実績による補正(短期参照日による短期トレンド)の融合によって、単独の予測モデルに比べて、高精度かつ安定的に電力の需要を予測することで、高い予測精度と予測結果の説明性を両立することができ、説明性が失われることが多い気象条件以外の要因についても予測手順を明確化することができる。 According to the present invention, by combining the forecast results (long-term trend) by the long-term regression model with weather information as an explanatory variable and the correction based on the latest performance (short-term trend by short-term reference date), the accuracy is higher than that of a single forecast model. Moreover, by predicting electricity demand in a stable manner, it is possible to achieve both high prediction accuracy and explainability of prediction results. be able to.

以上説明した如く本発明では、予測精度と予測結果の説明性を両立することができ、説明性が失われることが多い気象条件以外の要因についても予測手順を明確化することができるという効果を奏する。 As described above, in the present invention, it is possible to achieve both the prediction accuracy and the explainability of the prediction results, and the effect of being able to clarify the prediction procedure even for factors other than weather conditions that often lose the explainability. Play.

(A)は本実施の形態に係る電力需要予測装置を含む電力需要予測システムの全体構成図、(B)は電力需要予測装置の制御ブロック図である。1(A) is an overall configuration diagram of a power demand prediction system including a power demand prediction device according to the present embodiment, and FIG. 1(B) is a control block diagram of the power demand prediction device. 本実施の形態に係る電力需要予測装置で実行される、電力需要の予測のための処理を機能別に分類した制御ブロック図である。FIG. 2 is a control block diagram in which processes for predicting power demand, which are executed by the power demand prediction device according to the present embodiment, are classified by function. 気象データ群を説明変数として、気温の4次、日射量の2次等の重回帰行うことで作成した回帰モデル(長期回帰モデル)である。It is a regression model (long-term regression model) created by performing multiple regression such as the 4th degree of temperature and the 2nd degree of insolation using a group of meteorological data as an explanatory variable. (A)は図3に示す気温・日射カーブにおける中間期から需要期に向かうときの日付差-予測結果特性図であり、(B)は図3に示す気温・日射カーブにおける需要期から中間期に向かうときの日付差-予測結果特性図である。(A) is a date difference-prediction result characteristic diagram from the middle period to the demand period in the temperature/solar curve shown in FIG. 3, and (B) is the temperature/insolation curve shown in FIG. It is a date difference-prediction result characteristic diagram when heading to . 気温と需要との関係を示す特性図である。FIG. 4 is a characteristic diagram showing the relationship between temperature and demand; 図2の学習部における学習処理の流れを示すフロー図である。FIG. 3 is a flow diagram showing a flow of learning processing in a learning unit in FIG. 2; 図2の第1予測部における第1予測処理のフロー図である。3 is a flow diagram of first prediction processing in the first prediction unit of FIG. 2; FIG. 図2の第2予測部における第2予測処理のフロー図である。3 is a flow diagram of second prediction processing in a second prediction unit in FIG. 2; FIG. 図2の第3予測部における第3予測処理のフロー図である。3 is a flow diagram of third prediction processing in a third prediction unit in FIG. 2; FIG. 図2の予測結果ブレンド部におけるブレンド処理のフロー図である。FIG. 3 is a flowchart of blending processing in a prediction result blending unit in FIG. 2 ; 図2の連続性補正部における連続性補正処理のフロー図である。3 is a flowchart of continuity correction processing in a continuity correction unit in FIG. 2; FIG.

図1(A)は、本実施の形態に係る電力需要予測装置10を含む電力需要予測システムの全体構成図である。 FIG. 1A is an overall configuration diagram of a power demand prediction system including a power demand prediction device 10 according to this embodiment.

ネットワーク12上には、複数の端末装置14、気象データサーバ16、及び電力需要予測装置10が接続されている。電力需要予測装置10は、この気象データサーバ16から気象データを取り込む。取り込んだ気象データは、少なくとも、過去1~3年分を電力需要予測装置10の大規模記録装置24(図1(B)参照)に、更新記憶する。 A plurality of terminal devices 14 , a weather data server 16 , and a power demand prediction device 10 are connected to the network 12 . The power demand forecasting device 10 takes in weather data from this weather data server 16 . At least the past one to three years of the captured weather data is updated and stored in the large-scale recording device 24 (see FIG. 1(B)) of the power demand forecasting device 10 .

なお、外部から気象データを取り込むのではなく、電力需要予測装置10が、自ら気象データサーバ16を持っていてもよい。 Note that the power demand prediction device 10 may have its own weather data server 16 instead of importing weather data from the outside.

端末装置14は、電力需要予測装置10へアクセスし、予測対象日の電力需要に関する情報の提供を通知する。電力需要予測装置10では、この端末装置14から通知を受けて、予測対象日の電力需要に関する情報(予測結果E(図8参照))を提供する。 The terminal device 14 accesses the power demand forecasting device 10 and notifies the provision of information on the power demand for the forecast target day. The power demand prediction device 10 receives the notification from the terminal device 14 and provides information (prediction result E (see FIG. 8)) on the power demand on the prediction target day.

図1(B)は、本実施の形態に係る電力需要予測装置10の制御ブロック図である。 FIG. 1B is a control block diagram of power demand prediction device 10 according to the present embodiment.

電力需要予測装置10は、マイクロコンピュータ18を備えている。マイクロコンピュータ18は、CPU18A、RAM18B、ROM18C、入出力装置(I/O)18D、及びこれらを接続するデータバスやコントロールバス等のバス18Eで構成される。 The power demand forecasting device 10 has a microcomputer 18 . The microcomputer 18 comprises a CPU 18A, a RAM 18B, a ROM 18C, an input/output device (I/O) 18D, and a bus 18E such as a data bus and a control bus connecting these.

I/O18Dには、ユーザI/F20が接続されている。ユーザI/F20は、例えば、入力デバイスとしてのキーボード、マウス、および出力デバイスとしてのモニタ、プリンタを含む。なお、入出力デバイスとしてタッチパネルを適用してもよい。 A user I/F 20 is connected to the I/O 18D. The user I/F 20 includes, for example, a keyboard and mouse as input devices, and a monitor and printer as output devices. Note that a touch panel may be applied as an input/output device.

また、I/O18Dには、通信I/F22が接続されており、ネットワーク12との接続を可能としている。この通信I/F22を介して、気象データサーバ16及び端末装置14との通信が実行される。 A communication I/F 22 is connected to the I/O 18D, enabling connection with the network 12. FIG. Communication with the weather data server 16 and the terminal device 14 is performed via this communication I/F 22 .

さらに、I/O18Dには、大規模記録装置24が接続されている。この大規模記録装置24は、例えば、HDD(Hard Disk Drive)やSSD(Solid State Drive)が代表的である。 Further, a large-scale recording device 24 is connected to the I/O 18D. The large-scale recording device 24 is typically an HDD (Hard Disk Drive) or an SSD (Solid State Drive), for example.

この大規模記録装置24の一部の記録領域は、本実施の形態の電力需要予測に用いる、気象データに基づき学習した長期回帰モデルが格納される、長期回帰モデルデータベースとして機能するようになっている。 A part of the recording area of the large-scale recording device 24 functions as a long-term regression model database that stores a long-term regression model learned based on weather data and used for power demand forecasting in the present embodiment. there is

図2は、電力需要予測装置10で実行される、電力需要の予測のための処理を機能別に分類した制御ブロック図である。なお、図2に示す各ブロックは、機能別に分類したものであり、電力需要予測装置10のハード構成を限定するものではない。例えば、一部又は全部の処理を、ROM18C(又は大規模記録装置24)に格納された電力需要予測プログラムに基づき処理してもよい。 FIG. 2 is a control block diagram that classifies processes for power demand prediction executed by the power demand prediction device 10 by function. Note that each block shown in FIG. 2 is classified by function, and does not limit the hardware configuration of the power demand prediction device 10 . For example, part or all of the processing may be processed based on a power demand forecasting program stored in the ROM 18C (or large-scale recording device 24).

気象データサーバ16等から入力される外部情報としての気象データは、気象データ格納部26に格納される。電力需要予測(長期データ解析)において、例えば、過去1~3年分の気象データを用いることが好ましい。 Weather data as external information input from the weather data server 16 or the like is stored in the weather data storage unit 26 . In power demand forecasting (long-term data analysis), for example, it is preferable to use meteorological data for the past one to three years.

気象データ格納部26は、学習部28に接続され、格納した気象データは、ビッグデータとして、学習部28へ送出される。 The weather data storage unit 26 is connected to the learning unit 28, and the stored weather data is sent to the learning unit 28 as big data.

学習部28では、気象データ(過去1~3年分の気温、日射量等の気象データ群)を用いて、長期回帰モデルを作成する。この長期回帰モデル作成のための準備として、電力需要の実績値を時間別(例えば、30分毎)に設定する。 The learning unit 28 creates a long-term regression model using meteorological data (a group of meteorological data such as temperature and solar radiation for the past one to three years). As a preparation for creating this long-term regression model, actual power demand values are set for each hour (for example, every 30 minutes).

また、気象は、平日(WD)、土曜(Sat)、日曜(NWD)、休日明け(FAH)等によって負荷パターンが類似する場合があり、本実施の形態では、負荷パターンが近い区分(以下、曜日区分)に分類する。 In addition, the weather may have similar load patterns depending on weekdays (WD), Saturdays (Sat), Sundays (NWD), and after holidays (FAH). days of the week).

学習部28では、曜日区分毎の電力需要を得るため、気象データ群を説明変数として回帰を行う。より具体的には、気温の4次、日射量の2次等の重回帰行い、回帰モデル(長期回帰モデル)を作成する。なお、回帰は、機械学習による回帰モデルの作成が一般的であるが、その方式は限定されるものではない。 In order to obtain power demand for each day of the week, the learning unit 28 performs regression using the weather data group as an explanatory variable. More specifically, a regression model (long-term regression model) is created by performing multiple regression such as the 4th order of the temperature and the 2nd order of the amount of insolation. For regression, a regression model is generally created by machine learning, but the method is not limited.

図3は、長期回帰モデル(曜日区分毎)の一例であり、横軸が時間、縦軸が電力需要予測である。なお、長期回帰モデルは、毎日更新する必要はなく、例えば、月、季節の変わり目(四季(春夏秋冬)、暦上の24節気(立春、節分、立夏、大寒等)毎等でもよいし、不定期であってもよい。また、図3の各特性図の左上に記載された記号は、WD(weekdays)が平日、Sat(Saturday)が土曜日、NWD(non-weekdays)が日曜日、及びFAH(first day after the holidays)が休み明けを示しているが、この負荷パターンの区分に限定されるものではない。 FIG. 3 shows an example of a long-term regression model (for each day of the week), where the horizontal axis is time and the vertical axis is power demand forecast. Note that the long-term regression model does not need to be updated every day. 3, WD (weekdays) is weekdays, Sat (Saturday) is Saturday, NWD (non-weekdays) is Sunday, and FAH (first day after the holidays) indicates the end of holidays, but is not limited to this load pattern division.

図2に示される如く、学習部28は、第1予測部30に接続されており、学習部28で作成した長期回帰モデルは、第1予測部30へ送出される。 As shown in FIG. 2 , the learning section 28 is connected to the first prediction section 30 , and the long-term regression model created by the learning section 28 is sent to the first prediction section 30 .

また、第1予測部30は、予測対象日受付部31が接続されており、例えば、端末装置14(図1参照)から要求される予測対象日を受け付ける。 The first prediction unit 30 is also connected to a prediction target date reception unit 31, and receives, for example, a prediction target date requested from the terminal device 14 (see FIG. 1).

(予測結果A「第1の予測結果」の取得)
第1予測部30では、この予測対象日受付部31で受け付けた予測対象日に基づき、気象データ格納部26から、当該予測対象日を基準とした短期参照日(例えば、予測対象日に近い30日分程度)を取り込む。
(Acquisition of prediction result A “first prediction result”)
Based on the forecast target date accepted by the forecast target date accepting unit 31, the first forecasting unit 30 retrieves from the weather data storage unit 26 a short-term reference date (for example, 30 days close to the forecast target date) based on the forecast target date. days).

また、第1予測部30では、長期回帰モデルを用いて、短期参照日の気象データ群から短期参照日の電力需要を予測する(予測1)。 Also, the first prediction unit 30 uses a long-term regression model to predict the power demand for the short-term reference date from the short-term reference date meteorological data group (prediction 1).

さらに、第1の予測部30では、長期回帰モデルを用いて、予測対象日の気象データ群から予測対象日の電力需要を予測する(予測2)。 Furthermore, the first forecasting unit 30 uses a long-term regression model to forecast the power demand for the forecast target day from the weather data group for the forecast target day (prediction 2).

第1予測部30では、上記予測1と予測2との比と、短期参照日の電力需要の実績値とから、短期参照日の電力需要実績値を補正して、各短期参照日の予測対象日との類似性(気温差、日付差等)によって加重平均を行い、予測対象日の需要の予測結果Aを得る。 The first forecasting unit 30 corrects the actual power demand value on the short-term reference date based on the ratio between the forecast 1 and the forecast 2 and the actual value of the power demand on the short-term reference date. Weighted averaging is performed according to the similarity with the day (temperature difference, date difference, etc.) to obtain the prediction result A of the demand for the prediction target day.

第1予測部30は、第2予測部32及び第3予測部34に接続されており、予測結果Aは、第2予測部32及び第3予測部34のそれぞれへ送出される。 The first prediction section 30 is connected to the second prediction section 32 and the third prediction section 34, and the prediction result A is sent to the second prediction section 32 and the third prediction section 34, respectively.

ここで、第1予測部30は、予測結果ブレンド部36に接続されており、予測結果Aは、予測結果ブレンド部36へ送出される。 Here, the first prediction section 30 is connected to the prediction result blending section 36 and the prediction result A is sent to the prediction result blending section 36 .

(予測結果B「第2の予測結果」の取得)
第2予測部32では、第1予測部30で得た、補正した短期参照日の電力需要実績値について、予測対象日と、補正に使用した短期参照日の日付差で線形回帰を行い、日付差0点での回帰結果を、対象日の需要の予測結果Bとする。
(Acquisition of prediction result B “second prediction result”)
The second forecasting unit 32 performs linear regression on the corrected short-term reference date obtained by the first forecasting unit 30, using the date difference between the forecast target date and the short-term reference date used for correction. Let the regression result with a difference of 0 be the prediction result B of the demand for the target day.

図4(A)は、図3に示す気温・日射カーブにおける中間期から需要期に向かうときの日付差-予測結果特性図であり、図4(B)は、図3に示す気温・日射カーブにおける需要期から中間期に向かうときの日付差-予測結果特性図である。何れのカーブにおいても、短期参照日による予測結果を示しているが、この予測結果の日付差による推移(傾き)が、所謂足元のトレンドとみなせるので、日付差で回帰する。すなわち、図4(A)及び図4(B)において、日付差0の切片が、トレンドからの予測結果Bとみなすことができる。 FIG. 4(A) is a date difference-prediction result characteristic diagram from the middle season to the demand season in the temperature/solar curve shown in FIG. 3, and FIG. 4(B) is the temperature/solar curve shown in FIG. is a date difference-prediction result characteristic diagram when heading from the demand period to the interim period. Each curve shows the prediction result based on the short-term reference date, but the transition (inclination) of the prediction result due to the date difference can be regarded as the so-called current trend, so the regression is performed based on the date difference. That is, in FIGS. 4A and 4B, the intercept with a date difference of 0 can be regarded as the prediction result B from the trend.

ここで、第2予測部32は、予測結果ブレンド部36に接続されており、予測結果Bは、予測結果ブレンド部36へ送出される。 Here, the second prediction section 32 is connected to the prediction result blending section 36 and the prediction result B is sent to the prediction result blending section 36 .

(予測結果C「第3の予測結果」の取得)
第3予測部34では、第1予測部30で得た、短期参照日の電力需要実績値を、各短期参照日の予測対象日との類似性(気温差、日付差等)によって加重平均を行い、予測対象日の需要の予測結果Cとする。
(Acquisition of prediction result C “third prediction result”)
The third prediction unit 34 calculates a weighted average of the short-term reference date obtained by the first prediction unit 30 based on the similarity (temperature difference, date difference, etc.) with the prediction target day of each short-term reference date. Then, the forecast result C of the demand for the forecast target day is obtained.

ここで、第3予測部34は、予測結果ブレンド部36に接続されており、予測結果Cは、予測結果ブレンド部36へ送出される。 Here, the third prediction section 34 is connected to the prediction result blending section 36 and the prediction result C is sent to the prediction result blending section 36 .

(予測結果D「第4の予測結果」の取得)
予測結果ブレンド部36は、上記のように、第1予測部30から予測結果Aが入力され、第2予測部32から予測結果Bが入力され、及び、第3予測部34から予測結果Cが入力される。
(Acquisition of prediction result D “fourth prediction result”)
As described above, the prediction result blending unit 36 receives the prediction result A from the first prediction unit 30, the prediction result B from the second prediction unit 32, and the prediction result C from the third prediction unit 34. is entered.

予測結果ブレンド部36では、予測対象日毎に予め設定された条件に基づき、予測結果比率が設定されており、予測結果A、予測結果B、及び予測結果Cを、当該予測結果比率で加重平均し、予測対象日の需要予測結果Dとする(例、予測結果D=予測結果A×0.4+予測結果B×0.3+予測結果C×0.3等)。 In the prediction result blending unit 36, a prediction result ratio is set based on a condition set in advance for each prediction target day, and the prediction result A, the prediction result B, and the prediction result C are weighted and averaged by the prediction result ratio. , the demand forecast result D for the forecast target day (eg, forecast result D=forecast result A×0.4+forecast result B×0.3+forecast result C×0.3, etc.).

加重平均の比率は、それぞれの予測手法の特性により、対象日の条件によって調整することで、予測精度の向上が見込まれる。以下に加重平均の比率の設定例1~3を示す。 The weighted average ratio is expected to improve forecast accuracy by adjusting it according to the conditions of the target day, depending on the characteristics of each forecast method. Setting examples 1 to 3 of the weighted average ratio are shown below.

(設定例1) 中間期では、需要の変化が小さくなるため(図5の極小点近傍領域X参照)、予測結果Cの比率を上げる。 (Setting Example 1) In the interim period, the change in demand is small (see local minimum point vicinity region X in FIG. 5), so the ratio of prediction result C is increased.

(設定例2) 中間期から需要期への移行期(図5の極小点から右肩上がりの傾きへ移行する領域Y参照)では、同じ気象条件でも日付経過と共に徐々に需要が増加するため、予測結果Bの比率を上げる。 (Setting example 2) In the transition period from the intermediate period to the demand period (see region Y in FIG. 5 where the slope shifts upward from the minimum point to the right), demand gradually increases with the passage of time even under the same weather conditions. Increase the ratio of prediction result B.

(設定例3) 需要期(図5の、所定以上の右肩上がりの傾きとなる領域Z参照)では、気象条件による需要変化の影響が大きいため、予測結果Aの比率を上げる。 (Setting Example 3) In the demand period (see region Z in FIG. 5, where the slope is upwardly upward to the right above a predetermined value), the influence of changes in demand due to weather conditions is large, so the ratio of forecast result A is increased.

予測結果ブレンド部36は、連続性補正部38に接続されており、予測結果ブレンド部36で得た、予測結果Dは、連続性補正部38へ送出される。 The prediction result blending section 36 is connected to the continuity correction section 38 , and the prediction result D obtained by the prediction result blending section 36 is sent to the continuity correction section 38 .

連続性補正部38では、第1予測部30で得た、短期参照日の電力需要の実績値に基づいて、各短期参照日の各コマと、その前のmコマ(mは正の整数、例えば2コマ)の平均値の比をとり、短期参照日の中で、第1予測部30で用いた重み付けに基づいて、コマ別に加重平均し、自己相関とする。 The continuity correction unit 38 calculates each frame of each short-term reference date and the previous m frames (m is a positive integer, For example, the ratio of the average values of two frames) is taken, and weighted averaging is performed for each frame based on the weighting used in the first prediction unit 30 in the short-term reference date, and the autocorrelation is obtained.

ここで、連続性補正部38は、予測結果ブレンド部36から得た予測結果Dに対して、予め定めた自己相関比率(例えば、0.5等)で、自己相関を適用し、連続性を補正して、予測結果E「第5の予測結果」とする。 Here, the continuity correcting unit 38 applies autocorrelation to the prediction result D obtained from the prediction result blending unit 36 at a predetermined autocorrelation ratio (for example, 0.5, etc.) to improve continuity. After correction, the prediction result E is defined as the "fifth prediction result".

連続性補正部38は、結果出力部40に接続されており、連続性補正部38で得た予測結果Eを、最終予測結果として、例えば、予測対象日を通知してきた端末装置14へ出力する。 The continuity correction unit 38 is connected to the result output unit 40, and outputs the prediction result E obtained by the continuity correction unit 38 as the final prediction result, for example, to the terminal device 14 that has notified the prediction target date. .

以下に、図6~図11に従い、図2の学習部28、第1予測部30、第2予測部32、第3予測部34、予測結果ブレンド部36、及び連続性補正部38で実行される処理の詳細な流れを説明する。 Below, according to FIGS. 6 to 11, the A detailed flow of processing will be described.

(学習部28における学習処理の流れ)
図6は、学習部28における学習処理の流れを示すフロー図である。
(Flow of learning process in learning unit 28)
FIG. 6 is a flowchart showing the flow of learning processing in the learning section 28. As shown in FIG.

まず、過去1~3年分の気温、日射量等の気象データ群を取り込み(ステップ100)、次いで、負荷パターンを区分して(ステップ102)、気象データを用いて、長期回帰モデルを作成する(ステップ104)。 First, a group of meteorological data such as temperature and solar radiation for the past one to three years is taken in (step 100), then load patterns are classified (step 102), and a long-term regression model is created using the meteorological data. (Step 104).

例えば、図3に示される如く、気温の4次、日射量の2次等の重回帰行い、回帰モデル(長期回帰モデル)を作成する。 For example, as shown in FIG. 3, a regression model (long-term regression model) is created by performing multiple regression such as the 4th order of temperature and the 2nd order of insolation.

作成された長期回帰モデルの作成結果は保持され(ステップ106)、以下に示す3種類の予測モデルの処理に適用される。 The created long-term regression model creation results are held (step 106) and applied to the following three types of prediction model processing.

(第1予測部30における第1予測処理の流れ) (Flow of first prediction processing in first prediction unit 30)

図7は、第1予測部30における第1予測処理のフロー図である。 FIG. 7 is a flowchart of first prediction processing in the first prediction section 30. As shown in FIG.

第1予測処理の前に、まず、短期参照日(1~n「nは2以上の整数」、一例として、n=30日分)の気象データ群を取り込むと共に、電力需要実績を取り込む(ステップ110)。また、予測対象日の気象データ群を受け付ける(ステップ112)。さらに、長期回帰モデルを読み出す(ステップ114)。 Before the first prediction process, first, a short-term reference date (1 to n "n is an integer of 2 or more", n = 30 days as an example) is imported, and the actual power demand is imported (step 110). Also, the group of weather data for the day to be predicted is received (step 112). Additionally, the long-term regression model is read (step 114).

短期参照日の気象データ群、電力需要実績、予測対象日の気象データ群、及び長期回帰モデルは、第1予測処理に適用される各種パラメータとなる。 The group of weather data for the short-term reference date, the actual power demand, the group of weather data for the prediction target day, and the long-term regression model are various parameters applied to the first prediction process.

第1予測処理では、予測1として、ステップ116,118、120に示すように、短期参照日の1~nの各々気象データ群を取り込み、長期回帰モデルを用いて、短期参照日の1~nの各々気象データ群から各短期参照日(1~n)の電力需要予測を実行する(図7の点線枠A参照)。 In the first prediction process, as prediction 1, as shown in steps 116, 118, and 120, meteorological data groups on short-term reference days 1 to n are taken in, and a long-term regression model is used to calculate the short-term reference dates 1 to n. (see dotted line frame A in FIG. 7).

また、第1予測処理では、予測2として、ステップ122、ステップ124、ステップ126に示すように、長期回帰モデルを用いて、予測対象日の気象データ群から予測対象日の電力需要の予測を実行する(図7の点線枠B参照)。 In addition, in the first prediction process, as prediction 2, as shown in steps 122, 124, and 126, a long-term regression model is used to predict the power demand on the target day for prediction from the weather data group for the target day for prediction. (see dotted line frame B in FIG. 7).

予測1の結果は集約され(ステップ128)、また、電力需要実績(短期参照日1~n)を読み出し(ステップ130)、ステップ132では、気象データ群(短期参照日1~n)と、気象データ群(予測対象日)とから類似性を算出し、次いで、ステップ134で類似性に基づき重み付けを設定する。 The results of forecast 1 are aggregated (step 128), and the actual power demand (short-term reference days 1-n) is read (step 130). Similarity is calculated from the data group (prediction target date), and then, in step 134, weighting is set based on the similarity.

ステップ136では、以下の(1)式に基づき、予測1と予測2との比と、短期参照日の電力需要の実績値とから、短期参照日の電力需要実績値を補正して、ステップ132、134で得た重み付けによって、予測対象日の需要の予測結果Aを得る(ステップ138)。 In step 136, based on the following equation (1), the actual value of power demand on the short-term reference date is corrected from the ratio between prediction 1 and prediction 2 and the actual value of power demand on the short-term reference date. , 134, the demand forecast result A for the forecast target day is obtained (step 138).

iは、1~n(nは2以上の整数) i is 1 to n (n is an integer of 2 or more)

(第2予測部32における第2予測処理の流れ)
図8は、第2予測部32における第1予測処理のフロー図である。
(Flow of Second Prediction Processing in Second Prediction Unit 32)
FIG. 8 is a flowchart of first prediction processing in the second prediction section 32. As shown in FIG.

第2の予測処理の前に、まず、第1予測部30で得た、短期参照日の電力需要実績値を、(2)式に基づき補正する(ステップ140)。 Before the second prediction process, first, the power demand actual value for the short-term reference date obtained by the first prediction unit 30 is corrected based on the formula (2) (step 140).

iは、1~n(nは2以上の整数) i is 1 to n (n is an integer of 2 or more)

第2予測処理では、補正値((2)式)について、予測対象日と補正に使用した短期参照日とで計算した日付差(ステップ142)に基づき、線形回帰を行い(ステップ144)、短期データを用いた長期回帰モデル補正のトレンドモデル(図4(A)又は(B)に示す日付差-予測結果特性図)を作成し(ステップ146)、この予測結果の日付差による推移(傾き)が、所謂足元のトレンドとみなせるので、日付差0の切片に基づき(ステップ148における日付差0点検出)、トレンドからの予測結果Bを得る(ステップ150)。 In the second prediction process, linear regression is performed on the correction value (formula (2)) based on the date difference (step 142) calculated between the prediction target date and the short-term reference date used for correction (step 144). A trend model for correction of the long-term regression model using the data (date difference-prediction result characteristic diagram shown in FIG. 4 (A) or (B)) is created (step 146), and the transition (slope) of this prediction result due to the date difference However, since it can be regarded as a so-called current trend, based on the intercept of the date difference of 0 (detection of date difference of 0 in step 148), a prediction result B from the trend is obtained (step 150).

(第3予測部34における第3予測処理の流れ)
図9は、第3予測部34における第3予測処理のフロー図である。
(Flow of third prediction processing in third prediction unit 34)
FIG. 9 is a flowchart of third prediction processing in the third prediction section 34. As shown in FIG.

第3予測処理の前に、まず、短期参照日(1~n)の電力需要実績を取り込むと共に(ステップ152)、重み付けの設定値を取り込む(ステップ154)。 Before the third prediction process, first, the actual power demand for the short-term reference days (1 to n) is taken in (step 152), and the weighting set values are taken in (step 154).

第3予測部34では、(3)式に従い、第1予測部30で得た、短期参照日の電力需要実績値に対して、各短期参照日の予測対象日との類似性(気温差、日付差等)によって加重平均(重み付け)を行い(ステップ156)、予測対象日の需要の予測結果Cを得る(ステップ158)。 In accordance with the formula (3), the third prediction unit 34 determines the similarity (temperature difference, temperature difference, A weighted average (weighting) is performed (step 156), and a prediction result C of the demand for the day to be predicted is obtained (step 158).

iは、1~n(nは2以上の整数) i is 1 to n (n is an integer of 2 or more)

(予測結果ブレンド部36における予測結果ブレンド処理の流れ)
図10は、予測結果ブレンド部36におけるブレンド処理のフロー図である。
(Flow of prediction result blending process in prediction result blending unit 36)
FIG. 10 is a flowchart of blending processing in the prediction result blending unit 36. As shown in FIG.

予測結果ブレンド処理の前に、まず、予測結果ブレンド部36では、第1予測部30から予測結果Aが入力され(ステップ160)、第2予測部32から予測結果Bが入力され(ステップ162)、及び、第3予測部34から予測結果Cが入力される(ステップ164)。 Before the prediction result blending process, the prediction result blending unit 36 first receives the prediction result A from the first prediction unit 30 (step 160) and the prediction result B from the second prediction unit 32 (step 162). , and the prediction result C is input from the third prediction unit 34 (step 164).

また、予測対象日条件を受け付け(ステップ166)、予測結果比率を設定する(ステップ168)。 Also, the prediction target date conditions are received (step 166), and the prediction result ratio is set (step 168).

予測結果ブレンド処理では、(4)式に従い、予測結果A、予測結果B、及び予測結果Cを、設定された予測結果比率Ra、Rb、Rcに基づきブレンドし(ステップ170)、予測結果Dを得る(ステップ172)。なお、Ra+Rb+Rc=1である。 In the prediction result blending process, the prediction result A, the prediction result B, and the prediction result C are blended based on the set prediction result ratios Ra, Rb, and Rc according to the formula (4) (step 170), and the prediction result D is (step 172). Note that Ra+Rb+Rc=1.

(連続性補正部38における連続性補正処理の流れ)
図11は、連続性補正部38における連続性補正処理のフロー図である。
(Flow of Continuity Correction Processing in Continuity Correction Unit 38)
FIG. 11 is a flowchart of continuity correction processing in the continuity correction unit 38. As shown in FIG.

連続性補正処理の前に、まず、短期参照日(1~n)の電力需要実績を取り込むと共に(ステップ174)、重み付けの設定値を取り込む(ステップ176)。 Before the continuity correction process, first, the actual power demand for the short-term reference days (1 to n) is fetched (step 174), and the weighting set values are fetched (step 176).

連続性補正処理では、(5)式に従い、第1予測部30で得た、短期参照日の電力需要の実績値について、各短期参照日の各コマと、その前のmコマ(mは正の整数、例えば2コマ)の平均値の比をとり、短期参照日の中で、第1予測部30で用いた重み付けに基づいて、コマ別に加重平均し、自己相関とする(ステップ178、180)。 In the continuity correction process, in accordance with the formula (5), the actual value of power demand on the short-term reference date obtained by the first prediction unit 30 is calculated for each frame of each short-term reference date and the previous m frames (m is the correct value). of integers (e.g., two frames) is taken, and weighted average is taken for each frame based on the weighting used in the first prediction unit 30 in the short-term reference date, and autocorrelation is obtained (steps 178, 180 ).

ここで、連続性補正部38は、予測結果ブレンド部36から予測結果Dを得ると共に(ステップ182)、予め定めた自己相関比率(例えば、0.5等)を得て(ステップ184)、ステップ186で、(5)式で演算した自己相関を適用し、(6)式に従い、連続性を補正して、予測結果Eを得る(ステップ188)。 Here, the continuity correction unit 38 obtains the prediction result D from the prediction result blending unit 36 (step 182), obtains a predetermined autocorrelation ratio (for example, 0.5, etc.) (step 184), and performs step At 186, the autocorrelation calculated in equation (5) is applied and the continuity is corrected according to equation (6) to obtain the prediction result E (step 188).

予測結果Eは、最終予測結果として、例えば、予測対象日を通知してきた端末装置14へ出力する。 The prediction result E is output as the final prediction result to, for example, the terminal device 14 that has notified the prediction target date.

以上説明したように、本実施の形態では、過去数年(1年~3年程度)の気象データをビッグデータとして、必要に応じて、曜日毎、類似する負荷データ毎に区分して、機械学習等により長期回帰モデルを生成し、この長期回帰モデルを基礎として、予測対象日を基準とした短期(例えば、30日程度)参照日を選択し、3種類の予測モデルを利用し、かつ、それぞれの予測モデルに重みを付けてブレンドし、連続性の補正を行った。3種類の短期参照日に基づく予測モデルは、それぞれ一長一短があり、電力需要の状況(中間期、需要期、及び需要変化率(傾き)等)に応じて、適正にブレンドすることで、単体の予測モデルに比べて、予測の精度を向上することができる。 As described above, in the present embodiment, meteorological data for the past few years (approximately one to three years) is treated as big data, and if necessary, classified by day of the week and by similar load data, Generate a long-term regression model by learning, etc., select a short-term (for example, about 30 days) reference date based on the forecast target date based on this long-term regression model, use three types of forecast models, and Each predictive model was weighted and blended to correct for continuity. Each of the three types of forecast models based on short-term reference dates has advantages and disadvantages. Prediction accuracy can be improved compared to prediction models.

なお、ブレンドの比率は、0も含む。言い換えれば、3種類の予測モデルを全て利用する必要はなく、単独又は2種類のブレンドの方が、予測精度が高い場合もあり得る。 Note that the blend ratio includes 0. In other words, it is not necessary to use all three types of prediction models, and a single model or a blend of two types may provide higher prediction accuracy.

また、ここでは、新規な3種類の予測モデルを説明したが、明示していない自明な電力予測モデルを、必要に応じて、必要な比率でブレンドしてもよい。 Also, although three types of novel prediction models have been described here, obvious power prediction models that are not explicitly shown may be blended at a required ratio as needed.

10 電力需要予測装置
12 ネットワーク
14 端末装置
16 気象データサーバ
18 マイクロコンピュータ
18A CPU
18B RAM
18C ROM
18D 入出力装置(I/O)
18E バス
20 ユーザI/F
22 通信I/F
24 大規模記録装置
26 気象データ格納部
28 学習部(長期回帰モデル作成部)
30 第1予測部(予測部)
31 予測対象日受付部
32 第2予測部(予測部)
34 第3予測部(予測部)
36 予測結果ブレンド部
38 連続性補正部
40 結果出力部
10 power demand prediction device 12 network 14 terminal device 16 weather data server 18 microcomputer 18A CPU
18B RAM
18C ROM
18D input/output device (I/O)
18E bus 20 User I/F
22 Communication I/F
24 large-scale recording device 26 meteorological data storage unit 28 learning unit (long-term regression model creation unit)
30 first prediction unit (prediction unit)
31 prediction target date reception unit 32 second prediction unit (prediction unit)
34 third predictor (predictor)
36 prediction result blend unit 38 continuity correction unit 40 result output unit

Claims (4)

一定期間だけ遡った時期から、前記一定期間を細分化した単位での気温及び日射量を少なくとも含む気象データ群及び電力需要の実績値を取り込み、前記実績値の変化が類似するパターンに区分し、区分したパターン毎に、前記気象データ群を説明変数とし、かつ前記実績値を目的変数とした長期回帰モデルを作成する長期回帰モデル作成部と、
電力需要の予測対象日と類似するパターンから、当該予測対象日に近い所定数の短期参照日を選択して前記気象データ群及び前記実績値を取り込み、前記長期回帰モデルと、前記短期参照日の前記気象データ群及び前記実績値とを用いた複数の予測モデルの各々で予測した前記予測対象日の複数の電力需要予測値を、所定の比率で加重平均してブレンドし、前記予測対象日の電力需要予測値を取得する予測部と、
を有する電力需要予測装置。
Importing a group of meteorological data including at least the temperature and the amount of solar radiation in units subdivided from the certain period of time and the actual values of power demand from a time period preceding the certain period of time, and classifying the actual values into patterns with similar changes in the actual values, a long-term regression model creation unit that creates a long-term regression model using the meteorological data group as an explanatory variable and the actual value as an objective variable for each of the divided patterns;
Selecting a predetermined number of short-term reference dates close to the prediction target date from a pattern similar to the prediction target date of power demand, incorporating the weather data group and the actual values, and creating the long-term regression model and the short-term reference date A plurality of power demand forecast values for the forecast target day predicted by each of the plurality of forecast models using the weather data group and the actual values are weighted and averaged at a predetermined ratio and blended, and the forecast target day a prediction unit that acquires a power demand prediction value;
A power demand prediction device having
一定期間だけ遡った時期から、前記一定期間を細分化した単位での気温及び日射量を少なくとも含む気象データ群及び電力需要の実績値を取り込み、前記実績値の変化が類似するパターンに区分し、区分したパターン毎に、前記気象データ群を説明変数とし、かつ前記実績値を目的変数とした長期回帰モデルを作成する長期回帰モデル作成部と、
電力需要の予測対象日と類似するパターンから、当該予測対象日に近い所定数の短期参照日を選択して、前記気象データ群及び前記実績値を取り込み、前記長期回帰モデルを用いて、前記短期参照日の気象データ群から当該短期参照日の電力需要、及び前記予測対象日の気象データ群から当該予測対象日の電力需要を各々予測し、予測した前記短期参照日の電力需要と前記予測対象日の電力需要との比と、前記短期参照日の電力需要の実績値とから前記短期参照日の電力需要実績値を補正し、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第1の予測結果としての前記予測対象日の電力需要予測値を取得する第1予測部と、
前記第1予測部で補正した前記短期参照日の電力需要実績値について、前記予測対象日と補正に使用した短期参照日との日付差の線形回帰を実行し、日付差0となる地点での回帰結果から、第2の予測結果としての前記予測対象日の電力需要予測値を取得する第2予測部と、
前記短期参照日の電力需要の実績値を、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第3の予測結果としての前記予測対象日の電力需要予測値を取得する第3予測部と、
前記第1予測部で予測した第1の予測結果、前記第2予測部で予測した第2の予測結果、及び前記第3予測部で予測した第3の予測結果である、各々の前記予測対象日の電力需要予測値を、所定の比率で加重平均してブレンドし、第4の予測結果としての前記予測対象日の電力需要予測値を取得する予測結果ブレンド部と、
前記予測結果ブレンド部で得た第4の予測結果としての前記予測対象日の電力需要予測値を最終結果として出力する出力部と、
を有する電力需要予測装置。
Importing a group of meteorological data including at least the temperature and the amount of solar radiation in units subdivided from the certain period of time and the actual values of power demand from a time period preceding the certain period of time, and classifying the actual values into patterns with similar changes in the actual values, a long-term regression model creation unit that creates a long-term regression model using the meteorological data group as an explanatory variable and the actual value as an objective variable for each of the divided patterns;
Select a predetermined number of short-term reference dates close to the target forecast date from a pattern similar to the forecast target date of power demand, incorporate the meteorological data group and the actual values, and use the long-term regression model to calculate the short-term Electric power demand for the short-term reference day is predicted from the meteorological data group for the reference date, and electric power demand for the prediction target day is predicted from the meteorological data group for the prediction target day, and the predicted electric power demand for the short-term reference day and the prediction target correcting the actual power demand value on the short-term reference date from the ratio of the power demand to the daily power demand and the actual value of the power demand on the short-term reference date, and weighted average based on the similarity between each short-term reference date and the forecast target day and a first prediction unit that acquires a power demand prediction value for the prediction target day as a first prediction result;
For the actual power demand value for the short-term reference date corrected by the first prediction unit, linear regression of the date difference between the forecast target date and the short-term reference date used for correction is performed, and the date difference at the point where the date difference is 0 A second prediction unit that acquires a power demand prediction value for the prediction target day as a second prediction result from the regression result;
Execute a weighted average of the actual values of power demand on the short-term reference dates according to the similarity between each short-term reference date and the forecast target date, and obtain the power demand forecast value for the forecast target date as a third forecast result. a third prediction unit that
Each prediction target, which is a first prediction result predicted by the first prediction unit, a second prediction result predicted by the second prediction unit, and a third prediction result predicted by the third prediction unit a prediction result blending unit for obtaining a power demand prediction value for the prediction target day as a fourth prediction result by weighted averaging and blending the power demand prediction values for each day;
an output unit that outputs, as a final result, the power demand forecast value for the forecast target day as the fourth forecast result obtained by the forecast result blending unit;
A power demand prediction device having
前記短期参照日の電力需要の実績値に基づいて、各短期参照日の各コマと、その前の所定数のコマの平均値の比をとり、各短期参照日と前記予測対象日との類似性によって加重平均することで、自己相関を設定し、前記予測結果ブレンド部で得た第4の予測結果である前記予測対象日の電力需要予測値に対して、予め定めた比率で自己相関を適用することで連続性の補正を実行し、第5の予測結果としての前記予測対象日の電力需要予測値を取得する連続性補正部をさらに有し、
前記出力部は、前記第4の予測結果に代えて、前記連続性補正部で補正した第5の予測結果としての前記予測対象日の電力予測値を最終結果として出力する、請求項2記載の電力需要予測装置。
Based on the actual value of power demand on the short-term reference date, the ratio of the average value of each frame of each short-term reference date and the average value of the predetermined number of frames before it is calculated, and the similarity of each short-term reference date and the forecast target date is calculated. The autocorrelation is set by weighted averaging according to the characteristics, and the autocorrelation is performed at a predetermined ratio with respect to the power demand forecast value for the forecast target day, which is the fourth forecast result obtained by the forecast result blending unit. a continuity correction unit that performs continuity correction by applying the
3. The output unit according to claim 2, wherein instead of the fourth prediction result, the power prediction value for the prediction target day as a fifth prediction result corrected by the continuity correction unit is output as a final result. Power demand forecasting device.
一定期間だけ遡った時期から、前記一定期間を細分化した単位での気温及び日射量を少なくとも含む気象データ群及び電力需要の実績値を取り込み、前記実績値の変化が類似するパターンに区分し、区分したパターン毎に、前記気象データ群を説明変数とし、かつ前記実績値を目的変数とした長期回帰モデルを作成し、
電力需要の予測対象日と類似するパターンから、当該予測対象日に近い所定数の短期参照日を選択して、前記気象データ群及び前記実績値を取り込み、前記長期回帰モデルを用いて、前記短期参照日の気象データ群から当該短期参照日の電力需要、及び前記予測対象日の気象データ群から当該予測対象日の電力需要を各々予測し、予測した前記短期参照日の電力需要と前記予測対象日の電力需要との比と、前記短期参照日の電力需要の実績値とから前記短期参照日の電力需要実績値を補正し、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第1の予測結果としての前記予測対象日の電力需要予測値を取得し、
補正した前記短期参照日の電力需要実績値について、前記予測対象日と補正に使用した短期参照日との日付差の線形回帰を実行し、日付差0となる地点での回帰結果から、第2の予測結果としての前記予測対象日の電力需要予測値を取得し、
前記短期参照日の電力需要の実績値を、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第3の予測結果としての前記予測対象日の電力需要予測値を取得し、
前記第1の予測結果、前記第2の予測結果、及び前記第3の予測結果である、各々の前記予測対象日の電力需要予測値を、所定の比率で加重平均してブレンドし、第4の予測結果としての前記予測対象日の電力需要予測値を取得し、
前記短期参照日の電力需要の実績値に基づいて、各短期参照日の各コマと、その前の所定数のコマの平均値の比をとり、各短期参照日と前記予測対象日との類似性によって加重平均することで、自己相関を設定し、前記第4の予測結果である前記予測対象日の電力需要予測値に対して、予め定めた比率で自己相関を適用することで連続性の補正を実行し、第5の予測結果としての前記予測対象日の電力需要予測値を取得し、
前記第5の予測結果としての前記予測対象日の電力需要予測値を最終結果とする、
電力需要予測方法。
Importing a group of meteorological data including at least the temperature and the amount of solar radiation in units subdivided from the certain period of time and the actual values of power demand from a time period preceding the certain period of time, and classifying the actual values into patterns with similar changes in the actual values, creating a long-term regression model with the meteorological data group as an explanatory variable and the actual value as an objective variable for each of the divided patterns;
Select a predetermined number of short-term reference dates close to the target forecast date from a pattern similar to the forecast target date of power demand, incorporate the meteorological data group and the actual values, and use the long-term regression model to calculate the short-term Electric power demand for the short-term reference day is predicted from the meteorological data group for the reference date, and electric power demand for the prediction target day is predicted from the meteorological data group for the prediction target day, and the predicted electric power demand for the short-term reference day and the prediction target correcting the actual power demand value on the short-term reference date from the ratio of the power demand to the daily power demand and the actual value of the power demand on the short-term reference date, and weighted average based on the similarity between each short-term reference date and the forecast target day to obtain the power demand forecast value for the forecast target day as the first forecast result,
For the actual power demand value of the corrected short-term reference date, linear regression of the date difference between the forecast target date and the short-term reference date used for correction is performed, and from the regression result at the point where the date difference is 0, the second obtain the forecasted power demand for the forecast target day as the forecast result of
Execute a weighted average of the actual values of power demand on the short-term reference dates according to the similarity between each short-term reference date and the forecast target date, and obtain the power demand forecast value for the forecast target date as a third forecast result. death,
The power demand forecast values for each forecast target day, which are the first forecast result, the second forecast result, and the third forecast result, are weighted averaged by a predetermined ratio and blended, and a fourth obtain the forecasted power demand for the forecast target day as the forecast result of
Based on the actual value of power demand on the short-term reference date, the ratio of the average value of each frame of each short-term reference date and the average value of the predetermined number of frames before that is calculated, and the similarity of each short-term reference date and the forecast target date is calculated. Autocorrelation is set by performing a weighted average according to the characteristics, and the autocorrelation is applied at a predetermined ratio to the power demand forecast value for the forecast target day, which is the fourth forecast result. Execute the correction, acquire the power demand forecast value for the forecast target day as a fifth forecast result,
The power demand forecast value for the forecast target day as the fifth forecast result is the final result,
Electricity demand forecast method.
JP2022001173A 2022-01-06 2022-01-06 Power demand forecasting device and power demand forecasting method Active JP7062144B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2022001173A JP7062144B1 (en) 2022-01-06 2022-01-06 Power demand forecasting device and power demand forecasting method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2022001173A JP7062144B1 (en) 2022-01-06 2022-01-06 Power demand forecasting device and power demand forecasting method

Publications (2)

Publication Number Publication Date
JP7062144B1 JP7062144B1 (en) 2022-05-02
JP2023100466A true JP2023100466A (en) 2023-07-19

Family

ID=81452705

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022001173A Active JP7062144B1 (en) 2022-01-06 2022-01-06 Power demand forecasting device and power demand forecasting method

Country Status (1)

Country Link
JP (1) JP7062144B1 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163429B (en) * 2019-05-10 2023-06-09 湖南大学 Short-term load prediction method based on similarity day optimization screening
CN116070804B (en) * 2023-04-06 2023-07-14 国网冀北电力有限公司 Power system load prediction method and device based on knowledge graph and data driving

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009225613A (en) * 2008-03-18 2009-10-01 Tokyo Electric Power Co Inc:The Device and method for predicting power demand
JP2014075851A (en) * 2012-10-02 2014-04-24 Tokyo Gas Co Ltd Energy consumption amount prediction system and power consumption amount prediction method
JP2015090639A (en) * 2013-11-07 2015-05-11 東京瓦斯株式会社 Energy consumption prediction system and energy consumption prediction method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009225613A (en) * 2008-03-18 2009-10-01 Tokyo Electric Power Co Inc:The Device and method for predicting power demand
JP2014075851A (en) * 2012-10-02 2014-04-24 Tokyo Gas Co Ltd Energy consumption amount prediction system and power consumption amount prediction method
JP2015090639A (en) * 2013-11-07 2015-05-11 東京瓦斯株式会社 Energy consumption prediction system and energy consumption prediction method

Also Published As

Publication number Publication date
JP7062144B1 (en) 2022-05-02

Similar Documents

Publication Publication Date Title
Doubleday et al. Benchmark probabilistic solar forecasts: Characteristics and recommendations
JP5911442B2 (en) Method and controller for predicting the output of a photovoltaic device
JP5606114B2 (en) Power generation amount prediction device, prediction method, and prediction program
Rahimi et al. A comprehensive review on ensemble solar power forecasting algorithms
JP2023100466A (en) Power demand prediction device and power demand prediction method
JP2013066318A (en) Power demand prediction system and method
Safari et al. Very short-term wind power prediction interval framework via bi-level optimization and novel convex cost function
JP2009225550A (en) Power demand predicting method and system, and power generation prediction method
Nielsen et al. Short-term wind power forecasting using advanced statistical methods
CN111222700A (en) Day-ahead electricity price probability prediction method based on dynamic network quantile model
CN114372360A (en) Method, terminal and storage medium for power load prediction
Day et al. Residential power load forecasting
CN115169746A (en) Power load short-term prediction method and device based on fusion model and related medium
JP2022121028A (en) Power generation amount management system and power generation amount management method
JP2021182319A (en) Prediction apparatus and prediction method
Zhang et al. Long-term energy and peak power demand forecasting based on sequential-XGBoost
JP2016163511A (en) Power demand amount prediction system, power demand amount prediction method, and program
CN112580844A (en) Meteorological data processing method, device, equipment and computer readable storage medium
Sarathkumar et al. Uncertainty borne balancing cost modeling for wind power forecasting
Sun et al. Machine learning derived dynamic operating reserve requirements in high-renewable power systems
WO2022162798A1 (en) Power demand prediction device, power demand prediction method, and program
US11954744B2 (en) Electric power management station
Muschinski et al. Predicting power ramps from joint distributions of future wind speeds
Guzhov et al. Development of a neural network module for forecasting demand for energy consumption by mass construction projects
Paulos et al. Load and electricity prices forecasting using Generalized Regression Neural Networks

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220107

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20220107

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: 20220329

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220419

R150 Certificate of patent or registration of utility model

Ref document number: 7062144

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150