JP3039943B2 - 需要予測方法 - Google Patents
需要予測方法Info
- Publication number
- JP3039943B2 JP3039943B2 JP2028297A JP2829790A JP3039943B2 JP 3039943 B2 JP3039943 B2 JP 3039943B2 JP 2028297 A JP2028297 A JP 2028297A JP 2829790 A JP2829790 A JP 2829790A JP 3039943 B2 JP3039943 B2 JP 3039943B2
- Authority
- JP
- Japan
- Prior art keywords
- demand
- value
- actual
- values
- 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.)
- Expired - Fee Related
Links
Classifications
-
- Y04S10/54—
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
Description
【発明の詳細な説明】 〔産業上の利用分野〕 本発明は、電力需要を予測する方法、また予測結果に
基づき電力系統を監視・制御する方法に関する。
基づき電力系統を監視・制御する方法に関する。
電力需要は人間の社会活動を反映した１日あるいは１
週間単位で需要パターンが変動する。例えば、１日でみ
ると昼間は需要量が多く、逆に夜間は低くなるパターン
となる。電力系統の給電所・制御所・変電所はあらかじ
めこれらの予測値に基づいて運用計画・制御が立てられ
るので、これらの予測は重要である。これら需要パター
ンは、当日の天候や気温など外乱因子の不確定要素の影
響を強く受けるだけでなく、前日の実績パターンの影響
が当日も残る特性（履歴性）がある。従来法では、自己
回帰モデルなどの統計的手法があり、また、運転員の経
験を活かした知識工学による予測手法がある。
週間単位で需要パターンが変動する。例えば、１日でみ
ると昼間は需要量が多く、逆に夜間は低くなるパターン
となる。電力系統の給電所・制御所・変電所はあらかじ
めこれらの予測値に基づいて運用計画・制御が立てられ
るので、これらの予測は重要である。これら需要パター
ンは、当日の天候や気温など外乱因子の不確定要素の影
響を強く受けるだけでなく、前日の実績パターンの影響
が当日も残る特性（履歴性）がある。従来法では、自己
回帰モデルなどの統計的手法があり、また、運転員の経
験を活かした知識工学による予測手法がある。
従来の統計的手法を用いるには事前に多量の実績デー
タを整理して解析する必要がある。一方、知識工学を適
用する方法は、知識ルールを作成，修正，改良，追加す
るために運転員にインタビユーを行ない、経験的知識を
矛盾なく整理する必要がある。このように従来法は多大
の労力を必要とした。また、知識工学の方法では、矛盾
する結論が同時に出た場合には最終結論が出ない欠点が
あつた。
タを整理して解析する必要がある。一方、知識工学を適
用する方法は、知識ルールを作成，修正，改良，追加す
るために運転員にインタビユーを行ない、経験的知識を
矛盾なく整理する必要がある。このように従来法は多大
の労力を必要とした。また、知識工学の方法では、矛盾
する結論が同時に出た場合には最終結論が出ない欠点が
あつた。
本発明では、過去の実績に基づく需要パターン予測を
ニユーラルネツト（神経回路モデル）で行なうことを特
徴とする。運転員は天候や気温など外乱因子が需要パタ
ーンに影響する度合いや、需要パターンの履歴性を考慮
して、需要予測を経験的に行なつている。運転員の脳の
中ではこれら「過去の実績」に基づいた予測が行なわれ
ており、この作用にニユーラルネツトで実現する。ここ
で、「過去の実績」とは、過去の複数の時点での代表的
な需要パターンである。
ニユーラルネツト（神経回路モデル）で行なうことを特
徴とする。運転員は天候や気温など外乱因子が需要パタ
ーンに影響する度合いや、需要パターンの履歴性を考慮
して、需要予測を経験的に行なつている。運転員の脳の
中ではこれら「過去の実績」に基づいた予測が行なわれ
ており、この作用にニユーラルネツトで実現する。ここ
で、「過去の実績」とは、過去の複数の時点での代表的
な需要パターンである。
そこで、まず、ニユーラルネツトに過去の複数時点で
の外乱因子と実績需要パターンとを学習させる。これを
実行するニユーラルネツトの具体的構成は、ニユーロン
素子モデルを基本として構成される入力層、少なくとも
１層の中間層，出力層，比較層、並びに教師層からなる
階層構造であり、具体的学習方法は公知の誤差逆伝搬法
により行なう。次に、学習済みのニユーラルネツトに入
力層に外乱因子と需要実績値を入力して出力層に予測す
べき需要値を出力させるようにした。この動作が予測で
ある。また、学習は随時自動的に行なうか、または運転
員が任意に行ない、予測が常時的確に行なえるようにし
た。さらに、予測した需要値に基づき電力系統の運用計
画を立案したり、制御の目標値を制御するようにした。
の外乱因子と実績需要パターンとを学習させる。これを
実行するニユーラルネツトの具体的構成は、ニユーロン
素子モデルを基本として構成される入力層、少なくとも
１層の中間層，出力層，比較層、並びに教師層からなる
階層構造であり、具体的学習方法は公知の誤差逆伝搬法
により行なう。次に、学習済みのニユーラルネツトに入
力層に外乱因子と需要実績値を入力して出力層に予測す
べき需要値を出力させるようにした。この動作が予測で
ある。また、学習は随時自動的に行なうか、または運転
員が任意に行ない、予測が常時的確に行なえるようにし
た。さらに、予測した需要値に基づき電力系統の運用計
画を立案したり、制御の目標値を制御するようにした。
まずニユーラルネツトに外乱因子と需要パターンとの
履歴を学習させる。この時ニユーラルネツトの重み係数
の分布が変化する。このことは、運転員が過去の種々の
実績を記憶することに相当する。このような学習済みニ
ユーラルネツトに外乱因子の予測値と需要実績値を入力
することで、予測すべき需要値を予測することができ
る。このことは、運転員が過去の種々の実績を勘案して
需要値を予測する方法を模擬したものである。
履歴を学習させる。この時ニユーラルネツトの重み係数
の分布が変化する。このことは、運転員が過去の種々の
実績を記憶することに相当する。このような学習済みニ
ユーラルネツトに外乱因子の予測値と需要実績値を入力
することで、予測すべき需要値を予測することができ
る。このことは、運転員が過去の種々の実績を勘案して
需要値を予測する方法を模擬したものである。
本発明は、ニユーラルネツトに過去の外乱因子と需要
実績値を複数学習させ、学習済みニユーラルネツトに予
測すべき週，日，時間の外乱因子を入力して予測すべき
需要値を連想させるようにしたものである。実行工程
は、（１）学習用神経回路モデル（学習用ニユーラルネ
ツト）による学習工程、（２）学習済みニユーラルネツ
ト（予測用ニユーラルネツト）の連想による需要値の予
測工程からなる。第１図の実施例で構成と動作を説明す
る。
実績値を複数学習させ、学習済みニユーラルネツトに予
測すべき週，日，時間の外乱因子を入力して予測すべき
需要値を連想させるようにしたものである。実行工程
は、（１）学習用神経回路モデル（学習用ニユーラルネ
ツト）による学習工程、（２）学習済みニユーラルネツ
ト（予測用ニユーラルネツト）の連想による需要値の予
測工程からなる。第１図の実施例で構成と動作を説明す
る。
まず、第１図全体の構成を説明する。第１図におい
て、電力系統20内に設置された複数の測定器201,202,…
は、時々刻々変化する電流電圧，有効電力潮流，無効電
力潮流などの電力系統の状態量を測定する。ひとつまた
は複数の通信装置22Qはそれらの測定値を時系列データ
として、予測装置80の中の履歴データフアイル71Fに送
信する。履歴データフアイル71Fは、送信されたデータ
を順次記憶する。予測装置80は、コンピユータシステム
である。また、図中ネツトワークと記載されている部分
は第４図の実線702に相当する。
て、電力系統20内に設置された複数の測定器201,202,…
は、時々刻々変化する電流電圧，有効電力潮流，無効電
力潮流などの電力系統の状態量を測定する。ひとつまた
は複数の通信装置22Qはそれらの測定値を時系列データ
として、予測装置80の中の履歴データフアイル71Fに送
信する。履歴データフアイル71Fは、送信されたデータ
を順次記憶する。予測装置80は、コンピユータシステム
である。また、図中ネツトワークと記載されている部分
は第４図の実線702に相当する。
通信装置22Qより送られてくる時系列は、特定時間間
隔毎の値として値Ｑ（t,i）（ここで、t:日,i:時間）と
する。一方、オペレータ101は、デイスプレイとキーボ
ード、または音声入出力装置などからなる交信装置46を
通じて、天候，曜日，平均気温，最高気温，最低気温，
湿度，代表時間での気温，日射量，イベントの有無やそ
の程度などを外乱信号46Gとして、予測装置80の中の履
歴データフアイル71Fに入力する。また、交信装置46に
は通信線46Iを通じて外部より前記天候などのデータ信
号を入力することもできる。なお、外乱信号46Gが自動
計測器で計測される場合には自動入力とすることは勿論
である。このようにして、通信装置22Qより送られてく
る時系列データは履歴データフアイル71Fに順次記憶さ
れる。
隔毎の値として値Ｑ（t,i）（ここで、t:日,i:時間）と
する。一方、オペレータ101は、デイスプレイとキーボ
ード、または音声入出力装置などからなる交信装置46を
通じて、天候，曜日，平均気温，最高気温，最低気温，
湿度，代表時間での気温，日射量，イベントの有無やそ
の程度などを外乱信号46Gとして、予測装置80の中の履
歴データフアイル71Fに入力する。また、交信装置46に
は通信線46Iを通じて外部より前記天候などのデータ信
号を入力することもできる。なお、外乱信号46Gが自動
計測器で計測される場合には自動入力とすることは勿論
である。このようにして、通信装置22Qより送られてく
る時系列データは履歴データフアイル71Fに順次記憶さ
れる。
履歴データフアイル71Fの中から自動的にまたは交信
装置46からの指示71Sにより、通信装置22Qより送られて
くる時系列データから選択されたデータ列Ｑと外乱信号
46Gより選択されたデータ列Ｇとが各々学習用ニユーラ
ルネツト71に出力される。これらデータＱとＧを用いて
学習が実行され、学習結果71S1と71S2とが予測用ニユー
ラルネツト72に出力される。予測用ニユーラルネツト72
では実行結果71S1と71S2を受けると共に、履歴データフ
アイル71Fの中から予測に必要な通信装置22Qより送られ
てくる時系列データと外乱信号46Gのデータ列とを選択
して予測に使用する。予測結果は予測信号72Sとして交
信装置46に表示すると共に、交信装置46や通信線46Iを
介して接続された計算機において、たとえば以下の処理
に用いられる。
装置46からの指示71Sにより、通信装置22Qより送られて
くる時系列データから選択されたデータ列Ｑと外乱信号
46Gより選択されたデータ列Ｇとが各々学習用ニユーラ
ルネツト71に出力される。これらデータＱとＧを用いて
学習が実行され、学習結果71S1と71S2とが予測用ニユー
ラルネツト72に出力される。予測用ニユーラルネツト72
では実行結果71S1と71S2を受けると共に、履歴データフ
アイル71Fの中から予測に必要な通信装置22Qより送られ
てくる時系列データと外乱信号46Gのデータ列とを選択
して予測に使用する。予測結果は予測信号72Sとして交
信装置46に表示すると共に、交信装置46や通信線46Iを
介して接続された計算機において、たとえば以下の処理
に用いられる。
・需給制御 需要値の予測結果に対して発電機などからの電力供給
量を制御する。たとえば、経済負荷配分が需要制御の一
例である。
量を制御する。たとえば、経済負荷配分が需要制御の一
例である。
・需給計画 翌日，翌週，翌年予測結果に対して、発電機などから
の電力供給量についての計画を行なう。
の電力供給量についての計画を行なう。
・想定事故計算 予測結果を用いて、特定時間先の幾つかの想定事故に
対する電力系統の状態を把握し、予防制御に役立てる。
対する電力系統の状態を把握し、予防制御に役立てる。
次に、第１図を用い本発明の動作を説明する。同時
に、詳細構成と動作の説明は第２図以降を用いる。
に、詳細構成と動作の説明は第２図以降を用いる。
まず、履歴データを履歴データフアイル71Fへ記憶す
る方法について説明する。履歴データは通信装置22Qか
らの時系列データと外乱信号46Gからなる。通信装置22Q
からの時系列データをＱ（t,i）（ここで、t:日,i:時
間）とすると、当日（ｔ＝０）の１時から24時までのあ
る特定時間間隔のデータＱ（0,1）,Q（0,2）,Q（0,
3），…Ｑ（0,T）は次のようになる。これらのデータを
履歴データフアイル71Fに出力する。これを毎日繰り返
すと、ｔ＝0,−1,−２…のデータが順次記憶されてい
く。一方、交信手段46を通じて入力される外乱信号46G
をＧ（i,j）（ここで、t:日、j:外乱の番号,j＝1,N）と
すると、当日（ｔ＝１）の、たとえば以下の外乱が数値
化されて第２図のようになる。
る方法について説明する。履歴データは通信装置22Qか
らの時系列データと外乱信号46Gからなる。通信装置22Q
からの時系列データをＱ（t,i）（ここで、t:日,i:時
間）とすると、当日（ｔ＝０）の１時から24時までのあ
る特定時間間隔のデータＱ（0,1）,Q（0,2）,Q（0,
3），…Ｑ（0,T）は次のようになる。これらのデータを
履歴データフアイル71Fに出力する。これを毎日繰り返
すと、ｔ＝0,−1,−２…のデータが順次記憶されてい
く。一方、交信手段46を通じて入力される外乱信号46G
をＧ（i,j）（ここで、t:日、j:外乱の番号,j＝1,N）と
すると、当日（ｔ＝１）の、たとえば以下の外乱が数値
化されて第２図のようになる。
・その日の特徴＝Ｇ（0,1）（平日か祝祭日か、何曜日
か、工場が休みの日かなどにより分けた特徴） ・午前中の天候＝Ｇ（0,2） ・午後中の天候＝Ｇ（0,3） ・特定の時間での天候＝Ｇ（0,4） ・最高気温＝Ｇ（0,5） ・最低気温＝Ｇ（0,6） ・特定の時間での気温＝Ｇ（0,7） 他にはたとえば、体感温度，湿度，日射量，イベント
の有無，イベントの程度などの需要変動に影響を与える
因子全てを外乱信号46Gとし、履歴データフアイル71Fに
出力することも可能である。
か、工場が休みの日かなどにより分けた特徴） ・午前中の天候＝Ｇ（0,2） ・午後中の天候＝Ｇ（0,3） ・特定の時間での天候＝Ｇ（0,4） ・最高気温＝Ｇ（0,5） ・最低気温＝Ｇ（0,6） ・特定の時間での気温＝Ｇ（0,7） 他にはたとえば、体感温度，湿度，日射量，イベント
の有無，イベントの程度などの需要変動に影響を与える
因子全てを外乱信号46Gとし、履歴データフアイル71Fに
出力することも可能である。
需要値の予測には、（１）特定の時間における需要値
の予測、（２）翌日１日分の需要値の予測、（３）翌週
１週間分の需要値の予測、（４）翌年１年間分の需要値
の予測があるが、その予測に応じて学習工程における学
習用ニユーラルネツト71の動作は異なる。すなわち、学
習用ニユーラルネツト71では、履歴データフアイル71F
の中から予測の種類に応じたデータを選択する。このデ
ータ選択方法を以下に説明する。
の予測、（２）翌日１日分の需要値の予測、（３）翌週
１週間分の需要値の予測、（４）翌年１年間分の需要値
の予測があるが、その予測に応じて学習工程における学
習用ニユーラルネツト71の動作は異なる。すなわち、学
習用ニユーラルネツト71では、履歴データフアイル71F
の中から予測の種類に応じたデータを選択する。このデ
ータ選択方法を以下に説明する。
・翌日１日分の需要値の予測 第１図と第３図を用いて説明する。外乱信号Ｇ（t,
j）については第１図の学習用ニユーラルネツト71のブ
ロツクと第３図に示すように、選択された日ｔ＝t1,t2,
t3,…について一日単位の、ｔから過去へさかのぼつて
任意の日数分を用いる。
j）については第１図の学習用ニユーラルネツト71のブ
ロツクと第３図に示すように、選択された日ｔ＝t1,t2,
t3,…について一日単位の、ｔから過去へさかのぼつて
任意の日数分を用いる。
・特定の時間における需要値の予測 選択された特定の時間単位の外乱信号Ｑ（t,i）,G
（t,j）を用いる。
（t,j）を用いる。
・翌週１週間分の需要値の予測 翌日１日分の需要値の予測と同じように、過去の１週
間単位の需要値を用いる。
間単位の需要値を用いる。
・翌年１年間分の需要値の予測 翌日１日分の需要値の予測と同じように、過去の１年
間単位の需要値を用いる。
間単位の需要値を用いる。
このようにして設定した入力層710の各データ、並び
に教師層750に対して、中間層720,出力層730,比較層740
により学習が実行される。この学習方法における信号処
理方法を以下に第４図を用いて説明する。第４図の構成
と信号処理方法とは、前述した入力データの設定方法を
除いて公知である。すなわち、第４図の構成と信号処理
方法とはRunmelhartらによつて考案された公知技術であ
り、詳細は文献（Parallel Distributed Processing,M
IT Press,Vol.1,（1986））を参照されたい。
に教師層750に対して、中間層720,出力層730,比較層740
により学習が実行される。この学習方法における信号処
理方法を以下に第４図を用いて説明する。第４図の構成
と信号処理方法とは、前述した入力データの設定方法を
除いて公知である。すなわち、第４図の構成と信号処理
方法とはRunmelhartらによつて考案された公知技術であ
り、詳細は文献（Parallel Distributed Processing,M
IT Press,Vol.1,（1986））を参照されたい。
以下では、（１）特定の時間における需要値の予測と
（２）翌日１日分の需要値の予測の一実施例を示す。
（２）翌日１日分の需要値の予測の一実施例を示す。
（１）特定の時間における需要値の予測（当日６時から
12時の需要値の予測） 第５図にニユーラルネツトの構成を示す。閾値も学習
対象とするために、閾値学習用に入力層にニユーロン１
個，中間層にニユーロン１個を、第５図のニユーラルネ
ツトに追加する。したがつて、入力層のニユーロン数1
8,中間層のニユーロン数9,出力層のニユーロン数１のニ
ユーラルネツトを用いる。学習用ニユーラルネツト71の
入力層の入力値は常に1.0とし、その入力値から中間層
への出力が常に1.0となるように、閾値に対応する入力
層の閾値を非常に小さな値とする。また、同様に、閾値
に対応する中間層から出力層への出力が常に1.0となる
ように、閾値に対応する中間層の閾値を非常に小さな値
とする。
12時の需要値の予測） 第５図にニユーラルネツトの構成を示す。閾値も学習
対象とするために、閾値学習用に入力層にニユーロン１
個，中間層にニユーロン１個を、第５図のニユーラルネ
ツトに追加する。したがつて、入力層のニユーロン数1
8,中間層のニユーロン数9,出力層のニユーロン数１のニ
ユーラルネツトを用いる。学習用ニユーラルネツト71の
入力層の入力値は常に1.0とし、その入力値から中間層
への出力が常に1.0となるように、閾値に対応する入力
層の閾値を非常に小さな値とする。また、同様に、閾値
に対応する中間層から出力層への出力が常に1.0となる
ように、閾値に対応する中間層の閾値を非常に小さな値
とする。
まず、午前６時の需要実績値から、その日の午後12時
の需要値を予測する。ここでは、外乱信号を午前の天気
・午後の天気，最高気温・最低気温とする。
の需要値を予測する。ここでは、外乱信号を午前の天気
・午後の天気，最高気温・最低気温とする。
学習に用いたデータは７月１日〜８月12日の平日（火
曜日〜金曜日で祝祭日を除く）25日間のデータである。
そのデータを第１表に示す。
曜日〜金曜日で祝祭日を除く）25日間のデータである。
そのデータを第１表に示す。
午前の天気，午後の天気とは午前中の天気，午後中の
天気のタイプのことであり、晴，曇りなどの以下の７つ
のタイプのうち該当するものである。
天気のタイプのことであり、晴，曇りなどの以下の７つ
のタイプのうち該当するものである。
1:晴 2:曇り 3:雨 4:晴＋風がある 5:曇り＋風がある 6:雨＋風がある 7:その他（台風など） 入力層のニユーロンのうち、午前の天気・午後の天気
それぞれに７個のニユーロンを割り当て、該当する入力
ニユーロンの入力値を0.99、それ以外の入力ニユーロン
の入力値を0.01として入力する。それぞれ1.0,0.0とし
ても可能である。
それぞれに７個のニユーロンを割り当て、該当する入力
ニユーロンの入力値を0.99、それ以外の入力ニユーロン
の入力値を0.01として入力する。それぞれ1.0,0.0とし
ても可能である。
最高気温，最低気温，午前６時の総需要，午後12時の
総需要は、［0.0,0.99］のアナログ量に正規化して学習
する。また、それぞれに入力層のニユーロン１個を割り
当てる。正規化にあたつては、 最高気温の最大値:34.4 最高気温の最小値:26.9 最低気温の最大値:28.9 最低気温の最小値:23.0 午前６時の総需要の最大値:434.0 午前６時の総需要の最小値:314.0 午後12時の総需要の最大値:1049.0 午後12時の総需要の最小値:872.0 を用いる。たとえば、最高気温が30.0である場合には、 （正規化された最高気温）＝0.99×（30.0−最高気温の最小値）／ （最高気温の最大値−最高気温の最小値） ＝0.99×（30.0−26.9）／ （34.4−26.9） ＝0.41 最低気温、午前６時の総需要、午後12時の総需要につい
ても同様に正規化して入力する。
総需要は、［0.0,0.99］のアナログ量に正規化して学習
する。また、それぞれに入力層のニユーロン１個を割り
当てる。正規化にあたつては、 最高気温の最大値:34.4 最高気温の最小値:26.9 最低気温の最大値:28.9 最低気温の最小値:23.0 午前６時の総需要の最大値:434.0 午前６時の総需要の最小値:314.0 午後12時の総需要の最大値:1049.0 午後12時の総需要の最小値:872.0 を用いる。たとえば、最高気温が30.0である場合には、 （正規化された最高気温）＝0.99×（30.0−最高気温の最小値）／ （最高気温の最大値−最高気温の最小値） ＝0.99×（30.0−26.9）／ （34.4−26.9） ＝0.41 最低気温、午前６時の総需要、午後12時の総需要につい
ても同様に正規化して入力する。
学習データの与え方は、先に述べたように、午前の天
気，午後の天気，最高気温，最低気温，午前６時の総需
要を入力層に、午後12時の総需要を出力層に与え、学習
させる。そのニユーラルネツトの学習に際しては、 ・学習定数＝0.25 ・安定化定数＝0.9 ・収束判定基準＝（ニユーラルネツトの出力信号と教師
信号との差の絶対値）≦0.05 ・重みの初期値＝乱数により定義 とする。
気，午後の天気，最高気温，最低気温，午前６時の総需
要を入力層に、午後12時の総需要を出力層に与え、学習
させる。そのニユーラルネツトの学習に際しては、 ・学習定数＝0.25 ・安定化定数＝0.9 ・収束判定基準＝（ニユーラルネツトの出力信号と教師
信号との差の絶対値）≦0.05 ・重みの初期値＝乱数により定義 とする。
学習後、第２表の８月16日〜９月29日に対して予測を
行なう。さらに、需要実績値と比較したものが第３表で
ある。第３表中のたとえば、８月16日のニユーラルネツ
トの出力値は0.513である。0.513は正規化された値であ
り、それをMWに変換すると第３表に示すように、964.0
となる。第３表の他の日についても同様に予測値を求
め、実績値と比較する。
行なう。さらに、需要実績値と比較したものが第３表で
ある。第３表中のたとえば、８月16日のニユーラルネツ
トの出力値は0.513である。0.513は正規化された値であ
り、それをMWに変換すると第３表に示すように、964.0
となる。第３表の他の日についても同様に予測値を求
め、実績値と比較する。
ただし、以下の日時については予測結果が良いかどう
かの評価を行えない。なぜならば、以下の日時の天候は
5,6,7で、表１の学習データの中にはそれらの天候を含
まず、未学習であるからである。
かの評価を行えない。なぜならば、以下の日時の天候は
5,6,7で、表１の学習データの中にはそれらの天候を含
まず、未学習であるからである。
・８月19日 ・８月23日 ・９月 8日 ・９月28日 ・９月29日 以上の日を除く第３表において、誤差（％）は小さな
値となり、精度良く予測できていることがわかる。
値となり、精度良く予測できていることがわかる。
（２）翌日１日分の需要値の予測 １週間平日の需要の変化（火曜日→水曜日，水曜日→
木曜日，木曜日→金曜日）を学習すると、前日の需要実
績値から翌日の需要を予測することができる。
木曜日，木曜日→金曜日）を学習すると、前日の需要実
績値から翌日の需要を予測することができる。
第６図にニユーラルネツトの構成を示す。（１）と同
様に、閾値も学習対象とするために、閾値学習用に入力
層にニユーロン１個，中間層にニユーロン１個を、第６
図のニユーラルネツトに追加する。したがつて、入力層
のニユーロン数57,中間層のニユーロン数29,出力層のニ
ユーロン数24のニユーラルネツトを用いる。
様に、閾値も学習対象とするために、閾値学習用に入力
層にニユーロン１個，中間層にニユーロン１個を、第６
図のニユーラルネツトに追加する。したがつて、入力層
のニユーロン数57,中間層のニユーロン数29,出力層のニ
ユーロン数24のニユーラルネツトを用いる。
ここでは、外乱信号を前日の午前の天気・午後の天
気，最高気温・最低気温，翌日の午前の天気・午後の天
気，最高気温・最低気温とする。これらは（１）と同様
にして扱う。また、需要実績値として前日24時間の１時
間ごとの需要を入力層に、翌日24時間の１時間ごとの需
要を出力層に与える。
気，最高気温・最低気温，翌日の午前の天気・午後の天
気，最高気温・最低気温とする。これらは（１）と同様
にして扱う。また、需要実績値として前日24時間の１時
間ごとの需要を入力層に、翌日24時間の１時間ごとの需
要を出力層に与える。
学習に用いたデータは７月４週間の平日12個のデータ
である。
である。
最高気温，最低気温，前日・翌日の需要実績値は、
（１）と同様にそれぞれに入力層のニユーロン１個を割
り当て、［0.0,0.99］のアナログ量に正規化して学習す
る。
（１）と同様にそれぞれに入力層のニユーロン１個を割
り当て、［0.0,0.99］のアナログ量に正規化して学習す
る。
ニユーラルネツトの学習に際しては、 学習後、第２表の８月３日〜８月５日に対して予測を
行なう。予測値と実績値を比較したものが第４表であ
る。第４表の予測値は、（１）と同様にして出力値をMW
に変換したものである。第４表により誤差（％）は小さ
な値となり、精度良く予測できていることがわかる。
行なう。予測値と実績値を比較したものが第４表であ
る。第４表の予測値は、（１）と同様にして出力値をMW
に変換したものである。第４表により誤差（％）は小さ
な値となり、精度良く予測できていることがわかる。
（１）（２）では、特定の時間における需要値の予測
と翌日１週間分の需要値の予測の一実施例を示した。そ
の他、以下の需要予測も可能である。
と翌日１週間分の需要値の予測の一実施例を示した。そ
の他、以下の需要予測も可能である。
（３）翌週１週間分の需要値の予測 （２）と同様の考え方で、先週・翌週の外乱及び先週
１週間分の需要実績値を入力に、翌週１週間分の需要実
績値を出力に与え学習させると、翌週１週間分の需要値
の予測が可能である。
１週間分の需要実績値を入力に、翌週１週間分の需要実
績値を出力に与え学習させると、翌週１週間分の需要値
の予測が可能である。
（４）（１）〜（３）を組み合わせた需要値の予測 （１）〜（３）を組み合わせることにより、様々な予
測が可能である。たとえば、前日の需要実績値から翌日
の特定の時間の需要値の予測や、先週の需要実績値から
翌週の特定の時間の需要値の予測が可能である。
測が可能である。たとえば、前日の需要実績値から翌日
の特定の時間の需要値の予測や、先週の需要実績値から
翌週の特定の時間の需要値の予測が可能である。
以上では、需要実績や外乱変数のそのままの値を用い
たが、需要実績値の代わりに、需要実績値とある特定の
実績値との差を用いることができる。ある特定の実績値
とは、たとえば、ベースロードのようなものである。同
様に、外乱変数の代わりに、外乱変数とある特定の変数
値との差を用いることができる。
たが、需要実績値の代わりに、需要実績値とある特定の
実績値との差を用いることができる。ある特定の実績値
とは、たとえば、ベースロードのようなものである。同
様に、外乱変数の代わりに、外乱変数とある特定の変数
値との差を用いることができる。
〔発明の効果〕 従来の統計的予測方法や知識工学による需要予測方法
では、多量のデータ解析や運転員へのインタビユーなど
多くの労力を要していた。本発明を適用すれば、多量の
データ解析や運転員へのインタビユーを行なわずに、運
転員が実施している「実績と前例に即した運転」を行な
うことができる。また、知識工学では結論が出ないよう
な場合にも需要を予想することができる。また、学習を
随時行なうことが可能であるので、状況の変化に迅速に
追随して予測することができる。さらには、需要の週・
日・時間毎の特徴や天候毎の特徴を考慮して予測するこ
とができるので、従来法より精度が高い予測を行なうこ
とができる。
では、多量のデータ解析や運転員へのインタビユーなど
多くの労力を要していた。本発明を適用すれば、多量の
データ解析や運転員へのインタビユーを行なわずに、運
転員が実施している「実績と前例に即した運転」を行な
うことができる。また、知識工学では結論が出ないよう
な場合にも需要を予想することができる。また、学習を
随時行なうことが可能であるので、状況の変化に迅速に
追随して予測することができる。さらには、需要の週・
日・時間毎の特徴や天候毎の特徴を考慮して予測するこ
とができるので、従来法より精度が高い予測を行なうこ
とができる。
第１図は本発明の実施例の構成を示す図、第２図は履歴
データフアイルを説明する図、第３図は学習パターンを
説明する図、第４図はニユーラルネツトの構成を示す
図、第５図は、特定の時間における需要値の予測を行な
うニユーラルネツトの構成を示す図、第６図は翌日１日
分の需要値の予測を行なうニユーラルネツトの構成を示
す図である。 20……電力系統、22……通信装置、46……交信手段、71
……学習用ニユーラルネツト、71F……履歴データフア
イル、72……予測用ニユーラルネツト、101……オペレ
ータ、701……ニユーラルネツト素子モデル、710……入
力層、720……中間層、730……出力層、740……比較
層、750……教師層。
データフアイルを説明する図、第３図は学習パターンを
説明する図、第４図はニユーラルネツトの構成を示す
図、第５図は、特定の時間における需要値の予測を行な
うニユーラルネツトの構成を示す図、第６図は翌日１日
分の需要値の予測を行なうニユーラルネツトの構成を示
す図である。 20……電力系統、22……通信装置、46……交信手段、71
……学習用ニユーラルネツト、71F……履歴データフア
イル、72……予測用ニユーラルネツト、101……オペレ
ータ、701……ニユーラルネツト素子モデル、710……入
力層、720……中間層、730……出力層、740……比較
層、750……教師層。
───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 昭60−102822（ＪＰ，Ａ) 特開 昭60−106325（ＪＰ，Ａ) 特開 昭61−73519（ＪＰ，Ａ) 実開 平１−233579（ＪＰ，Ｕ) (58)調査した分野(Int.Cl.7，ＤＢ名) H02J 3/00 G05B 13/00 - 15/00 ＪＩＣＳＴファイル（ＪＯＩＳ)
Claims (2)
- 【請求項１】時間と共に変化する複数の外乱変数値の予
測値及び過去の需要実績値に応じて対応する需要予測値
を予測する方法において、 入力層と、少なくとも一層の中間層、および出力層から
なる階層構造の神経経路モデルを用い、 電力系統の過去の異なる、複数の需要実績値と複数の外
乱変数実績値とを入力すると共に、当該入力に対応する
複数の需要実績値を教師信号として、前記神経回路モデ
ルに与え学習させ、 該学習した神経回路モデルに、未学習の複数の外乱変数
値の予測値と需要実績値を入力することにより対応する
需要値を予測することを特徴とする需要予測方法。 - 【請求項２】時間と共に変化する複数の外乱変数値と予
想値及び過去の需要実績値に応じて対応する需要値を予
測する方法において、 入力層と少なくとも一層の中間層および出力層からなる
階層構造の神経回路モデルを用い、 電力系統の過去の異なる複数の需要実績値と特定の実績
値との差および複数の外乱変数実績値と特定の変数値と
の差を入力すると共に、当該入力に対応する複数の需要
実績値と特定の実績値との差を教師信号として前記神経
回路モデルに与え学習させ、 該学習した神経回路モデルに、未学習の複数の外乱変数
の予想値と特定の実数値との差および、需要実績値と特
定の実績値との差を入力することにより対応する需要値
を予測することを特徴とする需要予測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2028297A JP3039943B2 (ja) | 1990-02-09 | 1990-02-09 | 需要予測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2028297A JP3039943B2 (ja) | 1990-02-09 | 1990-02-09 | 需要予測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH03235621A JPH03235621A (ja) | 1991-10-21 |
| JP3039943B2 true JP3039943B2 (ja) | 2000-05-08 |
Family
ID=12244682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2028297A Expired - Fee Related JP3039943B2 (ja) | 1990-02-09 | 1990-02-09 | 需要予測方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3039943B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10117437A (ja) * | 1996-10-09 | 1998-05-06 | Fuji Electric Co Ltd | 日最大電力需要量予測方法 |
| CN101682195A (zh) * | 2007-03-26 | 2010-03-24 | Vpec株式会社 | 电力系统 |
-
1990
- 1990-02-09 JP JP2028297A patent/JP3039943B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH03235621A (ja) | 1991-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AlFuhaid et al. | Cascaded artificial neural networks for short-term load forecasting | |
| Papalexopoulos et al. | An implementation of a neural network based load forecasting model for the EMS | |
| Khotanzad et al. | A neuro-fuzzy approach to short-term load forecasting in a price-sensitive environment | |
| Petridis et al. | A Bayesian multiple models combination method for time series prediction | |
| Satish et al. | Effect of temperature on short term load forecasting using an integrated ANN | |
| JP3360520B2 (ja) | 日負荷曲線予測方法 | |
| Skarman et al. | Short-term electrical load forecasting using a fuzzy ARTMAP neural network | |
| Alhmoud et al. | Short-term load forecasting for Jordan power system based on NARX-ELMAN neural network and ARMA model | |
| Daneshi et al. | Real time load forecast in power system | |
| Dash et al. | A real-time short-term peak and average load forecasting system using a self-organising fuzzy neural network | |
| Al-Shareef et al. | Neural networks initial weights optimisation | |
| Sforna et al. | A neural network operator oriented short-term and online load forecasting environment | |
| Swarup et al. | Integrated ANN approach to forecast load | |
| JP3039943B2 (ja) | 需要予測方法 | |
| Chen et al. | Neural network based very short term load prediction | |
| Djukanovic et al. | A neural-net based short term load forecasting using moving window procedure | |
| Pal et al. | Short-Term Load Forecasting Using Adaptive Neuro-Fuzzy Inference System (ANFIS)” | |
| Zuo | Integrated forecasting models based on LSTM and TCN for short-term electricity load forecasting | |
| Papalexopoulos et al. | Short-term system load forecasting using an artificial neural network | |
| CN115660893A (zh) | 一种基于负荷特性的变电站母线负荷预测方法 | |
| CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制系统、方法和介质 | |
| Di et al. | Ultra-short term load forecasting based on elman neural network | |
| JPH06102908A (ja) | 需要予測装置 | |
| JPH05282281A (ja) | 需要予測方法および装置 | |
| JP2750067B2 (ja) | 需要予測装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090303 Year of fee payment: 9 |
|
| LAPS | Cancellation because of no payment of annual fees |