JP3224641B2 - 最大電力需要予測方法 - Google Patents
最大電力需要予測方法Info
- Publication number
- JP3224641B2 JP3224641B2 JP20475593A JP20475593A JP3224641B2 JP 3224641 B2 JP3224641 B2 JP 3224641B2 JP 20475593 A JP20475593 A JP 20475593A JP 20475593 A JP20475593 A JP 20475593A JP 3224641 B2 JP3224641 B2 JP 3224641B2
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- learning
- data
- neural network
- maximum power
- 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 - Lifetime
Links
- 238000013277 forecasting method Methods 0.000 title 1
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 17
- 230000001932 seasonal effect Effects 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 10
- 230000003442 weekly effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 235000010724 Wisteria floribunda Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、電力系統の中央給電指
令所において、系統制御用計算機や汎用計算機等を用
い、翌日または当日、翌月、翌週の最大電力需要を予測
する方法に関する。
令所において、系統制御用計算機や汎用計算機等を用
い、翌日または当日、翌月、翌週の最大電力需要を予測
する方法に関する。
【０００２】
【従来の技術】電力需要の予測精度向上は、電力の安定
供給及び経済運用に重要な役割を果たす。特に、最大電
力需要予測は発電計画の基盤となる業務であり、近年の
電力供給が逼迫した状況から、その精度向上への要求は
年々高まっている。現状の最大電力需要予測は、過去の
需要実績から気温感応分や天候感応分を分析して翌日の
天気予報をもとに気温需要や天候需要を求め、これらを
積算して予想値を求めているが、熟練運用者の経験や専
門的知識を必要とする部分も残っている。これらの予測
作業を自動化するものとしては、重回帰分析に代表され
る統計的手法に基づく予測モデルを作成し、これを用い
て計算機により予測する方法がある。
供給及び経済運用に重要な役割を果たす。特に、最大電
力需要予測は発電計画の基盤となる業務であり、近年の
電力供給が逼迫した状況から、その精度向上への要求は
年々高まっている。現状の最大電力需要予測は、過去の
需要実績から気温感応分や天候感応分を分析して翌日の
天気予報をもとに気温需要や天候需要を求め、これらを
積算して予想値を求めているが、熟練運用者の経験や専
門的知識を必要とする部分も残っている。これらの予測
作業を自動化するものとしては、重回帰分析に代表され
る統計的手法に基づく予測モデルを作成し、これを用い
て計算機により予測する方法がある。
【０００３】
【発明が解決しようとする課題】近年、熟練運用者は次
第に減少する傾向にあり、これらの者が有する経験や知
識を利用するのも困難になりつつある。また、上述した
計算機による予測方法によると、予測作業の自動化は可
能になるものの予測モデルの構築が非常に困難であり、
また、このモデルでは、十分に実用的な精度が得られな
いという問題点がある。
第に減少する傾向にあり、これらの者が有する経験や知
識を利用するのも困難になりつつある。また、上述した
計算機による予測方法によると、予測作業の自動化は可
能になるものの予測モデルの構築が非常に困難であり、
また、このモデルでは、十分に実用的な精度が得られな
いという問題点がある。
【０００４】本発明は上記問題点を解決するためになさ
れたもので、その目的とするところは、熟練運用者に依
存することなく予測作業の自動化が可能であり、しかも
最大電力の予測精度を高めることができる最大電力需要
予測方法を提供することにある。
れたもので、その目的とするところは、熟練運用者に依
存することなく予測作業の自動化が可能であり、しかも
最大電力の予測精度を高めることができる最大電力需要
予測方法を提供することにある。
【０００５】
【課題を解決するための手段及び作用】上記目的を達成
するため、請求項１に記載した第１の発明においては、
春夏秋冬の季節ごとに設けた階層型ニューラルネットワ
ークに、学習データとして、気温や湿度等の気象条件や
電力需要に関する過去の実績データ、及び、教師値とし
て予測対象日（例えば翌日や当日）の最大電力を入力し
てバックプロパゲーション等の学習アルゴリズムにより
学習させると共に、前記学習データを用いて、隣接する
２つの季節の重なり期間における温度と季節適合度との
関係を示すメンバシップ関数を作成する学習フェイズ
と、予測対象日が該当する季節の学習済みニューラルネ
ットワークを予測モデルとして用い、予測対象日を基準
とした過日の気象実績データまたは気象予報データをニ
ューラルネットワークに入力して予測対象日における最
大電力需要を予測させる予測フェイズとを有する。 そし
て、予測対象日が各季節の境界に設けた重なり期間に属
する場合には、隣接する２つの季節に対応するニューラ
ルネットワークを用いて季節ごとに予測することにより
２つの予測値を生成し、予測対象日の予想気温に応じて
前記メンバシップ関数により求めた季節適合度と前記２
つの予測値とを用いてファジィ推論を行い、単一の最終
的な予測値を求めるものである。
するため、請求項１に記載した第１の発明においては、
春夏秋冬の季節ごとに設けた階層型ニューラルネットワ
ークに、学習データとして、気温や湿度等の気象条件や
電力需要に関する過去の実績データ、及び、教師値とし
て予測対象日（例えば翌日や当日）の最大電力を入力し
てバックプロパゲーション等の学習アルゴリズムにより
学習させると共に、前記学習データを用いて、隣接する
２つの季節の重なり期間における温度と季節適合度との
関係を示すメンバシップ関数を作成する学習フェイズ
と、予測対象日が該当する季節の学習済みニューラルネ
ットワークを予測モデルとして用い、予測対象日を基準
とした過日の気象実績データまたは気象予報データをニ
ューラルネットワークに入力して予測対象日における最
大電力需要を予測させる予測フェイズとを有する。 そし
て、予測対象日が各季節の境界に設けた重なり期間に属
する場合には、隣接する２つの季節に対応するニューラ
ルネットワークを用いて季節ごとに予測することにより
２つの予測値を生成し、予測対象日の予想気温に応じて
前記メンバシップ関数により求めた季節適合度と前記２
つの予測値とを用いてファジィ推論を行い、単一の最終
的な予測値を求めるものである。
【０００６】
【０００７】
【０００８】 また、請求項２に記載した第２の発明
は、季節ごとに設けた階層型ニューラルネットワーク
に、学習データとして、気象条件及び電力需要に関する
実績データと教師値である最大電力とを入力して学習さ
せる学習フェイズと、予測対象の週（例えば翌週）が該
当する季節の学習済みニューラルネットワークを予測モ
デルとして用い、予測対象の週の平年気象データを週間
気象予報データにより補正したものをニューラルネット
ワークに入力して予測対象の週における最大電力需要を
予測させる予測フェイズとを有するものである。
は、季節ごとに設けた階層型ニューラルネットワーク
に、学習データとして、気象条件及び電力需要に関する
実績データと教師値である最大電力とを入力して学習さ
せる学習フェイズと、予測対象の週（例えば翌週）が該
当する季節の学習済みニューラルネットワークを予測モ
デルとして用い、予測対象の週の平年気象データを週間
気象予報データにより補正したものをニューラルネット
ワークに入力して予測対象の週における最大電力需要を
予測させる予測フェイズとを有するものである。
【０００９】
【実施例】以下、図に沿って各発明の実施例を説明す
る。図１ないし図４は、第１の発明の実施例を示すもの
で、この発明は日単位（例えば翌日または当日）の最大
電力需要を予測する場合のものである。まず、図１に示
すように、この実施例の予測方法は、ニューラルネット
ワークの学習フェイズＳＡ１、ニューラルネットワーク
による予測フェイズＳＡ２、ファジィ推論フェイズＳＡ
３から構成されている。以下、各フェイズにつき詳細に
説明する。
る。図１ないし図４は、第１の発明の実施例を示すもの
で、この発明は日単位（例えば翌日または当日）の最大
電力需要を予測する場合のものである。まず、図１に示
すように、この実施例の予測方法は、ニューラルネット
ワークの学習フェイズＳＡ１、ニューラルネットワーク
による予測フェイズＳＡ２、ファジィ推論フェイズＳＡ
３から構成されている。以下、各フェイズにつき詳細に
説明する。
【００１０】始めに、学習フェイズＳＡ１は、階層型ニ
ューラルネットワークにより、多数の実績データ及び教
師値を用いて学習するフェイズであり、年度の始めに一
度だけ実行される。ここで、図２は、本実施例で使用さ
れる階層型ニューラルネットワークの構成を示してお
り、複数のニューロンを持つ入力層Ｘ1、適当数のニュ
ーロンを持つ中間層Ｘ2、単一ニューロンを持つ出力層
Ｘ3からなる３階層型ネットワークが用いられている。
なお、上記ニューラルネットワークは、春夏秋冬の四季
分、用意されている。
ューラルネットワークにより、多数の実績データ及び教
師値を用いて学習するフェイズであり、年度の始めに一
度だけ実行される。ここで、図２は、本実施例で使用さ
れる階層型ニューラルネットワークの構成を示してお
り、複数のニューロンを持つ入力層Ｘ1、適当数のニュ
ーロンを持つ中間層Ｘ2、単一ニューロンを持つ出力層
Ｘ3からなる３階層型ネットワークが用いられている。
なお、上記ニューラルネットワークは、春夏秋冬の四季
分、用意されている。
【００１１】図１における学習フェイズＳＡ１は、学習
データ作成ステップＳＡ１１、学習ステップＳＡ１２、
メンバシップ関数作成ステップＳＡ１３に細分される。
学習データ作成ステップＳＡ１１では、例えば過去５年
間の４月１日から３月３１日までの気象条件及び最大電
力等の電力需要に関する実績データを四季に分類して、
学習データを作成する。四季の分類は便宜上、 春季：４月１日〜６月３０日 夏季：７月１日〜９月１５日 秋季：９月１６日〜１０月３１日 冬季：１１月１日〜３月３１日 とする。
データ作成ステップＳＡ１１、学習ステップＳＡ１２、
メンバシップ関数作成ステップＳＡ１３に細分される。
学習データ作成ステップＳＡ１１では、例えば過去５年
間の４月１日から３月３１日までの気象条件及び最大電
力等の電力需要に関する実績データを四季に分類して、
学習データを作成する。四季の分類は便宜上、 春季：４月１日〜６月３０日 夏季：７月１日〜９月１５日 秋季：９月１６日〜１０月３１日 冬季：１１月１日〜３月３１日 とする。
【００１２】学習データのうち教師値を除く実績データ
の範囲及び項目としては、図３に示すように予測対象日
から最長で過去１週間程度の最高気温、最低気温、最小
湿度、天気からなる気象データと、土曜日・休日を平日
から区別するための特異日フラグ（ダミーデータ）と、
最大電力からなる電力データである。なお、図３（及び
図２）において、ｉは予測対象日を、ｉ−ｎはそのｎ日
前をそれぞれ示している。ここで、学習データの範囲や
項目は、図３の例に限定されないのは勿論である。
の範囲及び項目としては、図３に示すように予測対象日
から最長で過去１週間程度の最高気温、最低気温、最小
湿度、天気からなる気象データと、土曜日・休日を平日
から区別するための特異日フラグ（ダミーデータ）と、
最大電力からなる電力データである。なお、図３（及び
図２）において、ｉは予測対象日を、ｉ−ｎはそのｎ日
前をそれぞれ示している。ここで、学習データの範囲や
項目は、図３の例に限定されないのは勿論である。
【００１３】図３において、季節によって気象データの
範囲や採用の有無が異なるのは、例えば夏季では、通
常、高温の日が長期に渡って継続することにより最大電
力需要に大きく影響し、また冬季では湿度や天気が最大
電力需要にそれほど影響しない等の経験的事実を考慮し
たものである。これらの学習データは毎年更新され、ま
た、学習に適さないデータを取り除くために学習データ
に対しスクリーニングを行う。
範囲や採用の有無が異なるのは、例えば夏季では、通
常、高温の日が長期に渡って継続することにより最大電
力需要に大きく影響し、また冬季では湿度や天気が最大
電力需要にそれほど影響しない等の経験的事実を考慮し
たものである。これらの学習データは毎年更新され、ま
た、学習に適さないデータを取り除くために学習データ
に対しスクリーニングを行う。
【００１４】次に、図１の学習ステップＳＡ１２では、
季節ごとに作成した学習データ（予測対象日の教師値と
しての最大電力を含む）を用いてニューラルネットワー
クの学習を行う。ここで使用する学習アルゴリズムとし
ては、ネットワークが多層構造であるためバックプロパ
ゲーション（逆誤差伝播法）を用いる。既に知られてい
るように、バックプロパゲーション学習アルゴリズム
は、シナプス結合にある初期値を与えた状態で入力層に
学習入力を与え、この時の出力層からの出力と教師値と
の誤差が設定値よりも小さくなるまで出力層側から下位
の層との間のシナプス結合を変更していくものである。
この学習は、４個のニューラルネットワークについて、
前記分類による四季の学習データを用いてそれぞれ実行
される。その結果、学習済みの春季ネットワーク、夏季
ネットワーク、秋季ネットワーク、冬季ネットワークを
得ることができる。
季節ごとに作成した学習データ（予測対象日の教師値と
しての最大電力を含む）を用いてニューラルネットワー
クの学習を行う。ここで使用する学習アルゴリズムとし
ては、ネットワークが多層構造であるためバックプロパ
ゲーション（逆誤差伝播法）を用いる。既に知られてい
るように、バックプロパゲーション学習アルゴリズム
は、シナプス結合にある初期値を与えた状態で入力層に
学習入力を与え、この時の出力層からの出力と教師値と
の誤差が設定値よりも小さくなるまで出力層側から下位
の層との間のシナプス結合を変更していくものである。
この学習は、４個のニューラルネットワークについて、
前記分類による四季の学習データを用いてそれぞれ実行
される。その結果、学習済みの春季ネットワーク、夏季
ネットワーク、秋季ネットワーク、冬季ネットワークを
得ることができる。
【００１５】次いで、後述するファジィ推論フェイズＳ
Ａ３で用いるメンバシップ関数の作成ステップＳＡ１３
に移行する。ここで、第１の発明では、予測対象日が属
する季節に応じて各季節のネットワークを使い分けるも
のであるが、季節の変わり目には何れの季節とも決し難
い期間（以下、季節の重なり期間という）が存在するに
も関わらず、単純に前記分類〜の境界日で予測用の
ネットワークを切り替えると境界日前後で予測精度が悪
化することが予想される。
Ａ３で用いるメンバシップ関数の作成ステップＳＡ１３
に移行する。ここで、第１の発明では、予測対象日が属
する季節に応じて各季節のネットワークを使い分けるも
のであるが、季節の変わり目には何れの季節とも決し難
い期間（以下、季節の重なり期間という）が存在するに
も関わらず、単純に前記分類〜の境界日で予測用の
ネットワークを切り替えると境界日前後で予測精度が悪
化することが予想される。
【００１６】 従って、年間を通じた正確な予測を可能
にするために、季節の重なり期間を設定し（例えば、春
季と夏季の変わり目に相当する期間として６月及び７月
の全期間、夏季と秋季の変わり目に相当する期間として
９月の全期間）、これらの重なり期間に属する予測対象
日については隣接する２つの季節に対応する２つの予測
値を求めるようにした。
にするために、季節の重なり期間を設定し（例えば、春
季と夏季の変わり目に相当する期間として６月及び７月
の全期間、夏季と秋季の変わり目に相当する期間として
９月の全期間）、これらの重なり期間に属する予測対象
日については隣接する２つの季節に対応する２つの予測
値を求めるようにした。
【００１７】 そして、予測対象日の気温に応じてメン
バシップ関数により求めた季節適合度と前記２つの予測
値とを用いてファジィ推論を行い、単一の最終的な予測
値を求める。ここで、上記メンバシップ関数は、最高気
温等の気温を変数として、この変数と予測対象日の季節
適合度との関係を示したものである。図１におけるメン
バシップ関数作成ステップＳＡ１３は、このファジィ推
論に用いるメンバシップ関数を作成するためのステップ
である。
バシップ関数により求めた季節適合度と前記２つの予測
値とを用いてファジィ推論を行い、単一の最終的な予測
値を求める。ここで、上記メンバシップ関数は、最高気
温等の気温を変数として、この変数と予測対象日の季節
適合度との関係を示したものである。図１におけるメン
バシップ関数作成ステップＳＡ１３は、このファジィ推
論に用いるメンバシップ関数を作成するためのステップ
である。
【００１８】具体的には、季節ごとに作成した学習デー
タにおける最高気温の度数分布に基づき、図４に示すよ
うなメンバシップ関数ＭＳＦを作成した。なお、図４
は、一例として春季と夏季との重なり期間（６月及び７
月の全期間）における所定温度の日数の度数分布及びメ
ンバシップ関数ＭＳＦを示している。このメンバシップ
関数ＭＳＦは学習データの更新に伴って毎年、修正され
るので、その確度は後のファジィ推論によって算出され
る最適値にも反映されることになる。なお、メンバーシ
ップ関数ＭＳＦは、最高気温ばかりでなく平均気温を変
数として決定しても良い。
タにおける最高気温の度数分布に基づき、図４に示すよ
うなメンバシップ関数ＭＳＦを作成した。なお、図４
は、一例として春季と夏季との重なり期間（６月及び７
月の全期間）における所定温度の日数の度数分布及びメ
ンバシップ関数ＭＳＦを示している。このメンバシップ
関数ＭＳＦは学習データの更新に伴って毎年、修正され
るので、その確度は後のファジィ推論によって算出され
る最適値にも反映されることになる。なお、メンバーシ
ップ関数ＭＳＦは、最高気温ばかりでなく平均気温を変
数として決定しても良い。
【００１９】再び図１において、ニューラルネットワー
クによる予測フェイズＳＡ２では、学習済みの４個のネ
ットワークのうち、予測対象日が属する季節のネットワ
ークを用いて最大電力需要を予測する。図１の予測用デ
ータ入力ステップＳＡ２１では、学習時の入力データと
同一項目の過日の気象実績データまたは気象予報データ
をネットワークに入力し、次の予測ステップＳＡ２２に
よりネットワークを用いて実際の予測を行う。更に、予
測対象日が季節の重なり期間に属する場合を考慮し、ス
テップＳＡ２３を介して該当する２つの季節ネットワー
クについてそれぞれ予測させる。
クによる予測フェイズＳＡ２では、学習済みの４個のネ
ットワークのうち、予測対象日が属する季節のネットワ
ークを用いて最大電力需要を予測する。図１の予測用デ
ータ入力ステップＳＡ２１では、学習時の入力データと
同一項目の過日の気象実績データまたは気象予報データ
をネットワークに入力し、次の予測ステップＳＡ２２に
よりネットワークを用いて実際の予測を行う。更に、予
測対象日が季節の重なり期間に属する場合を考慮し、ス
テップＳＡ２３を介して該当する２つの季節ネットワー
クについてそれぞれ予測させる。
【００２０】上記予測フェイズＳＡ２では最大で２個の
予測値が得られることになるが、最終的には１つの予測
値を最適値として決定することが望まれる。そこで、次
のファジィ推論フェイズＳＡ３により最終的に１つの予
測値を決定する。すなわち、予測対象日が例えば春季と
夏季の重なり期間に属する場合には、気象予報により予
想される最高気温から、図４のメンバシップ関数ＭＳＦ
により春季及び夏季に対する季節適合度をステップＳＡ
３１にて計算する。そして、各季節について先のステッ
プＳＡ２２により求めた予測値と季節適合度から、重み
平均を求めるファジィ推論により、ステップＳＡ３２に
よって最終的な予測値を算出する。
予測値が得られることになるが、最終的には１つの予測
値を最適値として決定することが望まれる。そこで、次
のファジィ推論フェイズＳＡ３により最終的に１つの予
測値を決定する。すなわち、予測対象日が例えば春季と
夏季の重なり期間に属する場合には、気象予報により予
想される最高気温から、図４のメンバシップ関数ＭＳＦ
により春季及び夏季に対する季節適合度をステップＳＡ
３１にて計算する。そして、各季節について先のステッ
プＳＡ２２により求めた予測値と季節適合度から、重み
平均を求めるファジィ推論により、ステップＳＡ３２に
よって最終的な予測値を算出する。
【００２１】一例を挙げれば、予測対象日の予想最高気
温が２８〔°Ｃ〕であり、これに対応する季節適合度は
春季が０．２、夏季が０．８であるとする。また、春季
ネットワークを用いたステップＳＡ２２による最大電力
需要の予測値が１５０００〔ＭＷ〕、同じく夏季ネット
ワークを用いた予測値が２００００〔ＭＷ〕であるとす
ると、最終的な予測値は以下の計算により求めることが
できる。 ０．２×１５０００＋０．８×２００００＝１９０００〔ＭＷ〕
温が２８〔°Ｃ〕であり、これに対応する季節適合度は
春季が０．２、夏季が０．８であるとする。また、春季
ネットワークを用いたステップＳＡ２２による最大電力
需要の予測値が１５０００〔ＭＷ〕、同じく夏季ネット
ワークを用いた予測値が２００００〔ＭＷ〕であるとす
ると、最終的な予測値は以下の計算により求めることが
できる。 ０．２×１５０００＋０．８×２００００＝１９０００〔ＭＷ〕
【００２２】 次に、参考例として、月単位（例えば翌
月）の最大電力需要を予測する方法につき説明する。こ
の例は、図５に示すように、ニューラルネットワークの
学習フェイズＳＢ１とニューラルネットワークによる予
測フェイズＳＢ２とからなる。学習フェイズＳＢ１は、
図１の学習フェイズＳＡ１からメンバシップ関数の作成
ステップＳＡ１３を省略したものと実質的に同一であっ
て前記同様に年度の始めに１度だけ実行されるものであ
り、学習データ作成ステップＳＢ１１及び学習ステップ
ＳＢ１２から構成されている。なお、階層型ニューラル
ネットワークの構成、学習データの項目や範囲、学習ア
ルゴリズム等についても図１ないし図３の実施例と変り
はない。
月）の最大電力需要を予測する方法につき説明する。こ
の例は、図５に示すように、ニューラルネットワークの
学習フェイズＳＢ１とニューラルネットワークによる予
測フェイズＳＢ２とからなる。学習フェイズＳＢ１は、
図１の学習フェイズＳＡ１からメンバシップ関数の作成
ステップＳＡ１３を省略したものと実質的に同一であっ
て前記同様に年度の始めに１度だけ実行されるものであ
り、学習データ作成ステップＳＢ１１及び学習ステップ
ＳＢ１２から構成されている。なお、階層型ニューラル
ネットワークの構成、学習データの項目や範囲、学習ア
ルゴリズム等についても図１ないし図３の実施例と変り
はない。
【００２３】また、予測フェイズＳＢ２では、学習済み
の季節ごとのネットワークを用いて予測を行う。予測用
データの入力ステップＳＢ２１では、学習データと同一
項目のものを入力する。ここで、翌日予測や当日予測の
ように日単位の予測では前日、前々日程度まで実績デー
タが判明しているが、月単位、例えば翌月予測では最大
で１ヶ月前の実績データしか判明していない。更に、気
象予報データについても、予測に使用できるような詳細
な予報結果が得られていない。すなわち、予測段階では
実績データや気象予報データが不完全、不十分であって
使用できないので、予測用データの入力ステップＳＢ２
１では翌月の毎日分の平年気象データを入力し、次の予
測ステップＳＢ２２により予測を行う。なお、ニューラ
ルネットワークは１日の最大電力需要を求めるように作
成されているため、翌月の１ケ月分を予測し終わるまで
ステップＳＢ２３を介して繰り返し予測することとす
る。
の季節ごとのネットワークを用いて予測を行う。予測用
データの入力ステップＳＢ２１では、学習データと同一
項目のものを入力する。ここで、翌日予測や当日予測の
ように日単位の予測では前日、前々日程度まで実績デー
タが判明しているが、月単位、例えば翌月予測では最大
で１ヶ月前の実績データしか判明していない。更に、気
象予報データについても、予測に使用できるような詳細
な予報結果が得られていない。すなわち、予測段階では
実績データや気象予報データが不完全、不十分であって
使用できないので、予測用データの入力ステップＳＢ２
１では翌月の毎日分の平年気象データを入力し、次の予
測ステップＳＢ２２により予測を行う。なお、ニューラ
ルネットワークは１日の最大電力需要を求めるように作
成されているため、翌月の１ケ月分を予測し終わるまで
ステップＳＢ２３を介して繰り返し予測することとす
る。
【００２４】 次に、第２の発明の実施例を図６に従っ
て説明する。この発明は、週単位（例えば翌週）の最大
電力需要を予測するためのものである。この実施例も、
図６に示すように、ニューラルネットワークの学習フェ
イズＳＣ１とニューラルネットワークによる予測フェイ
ズＳＣ２とからなる。学習フェイズＳＣ１は、学習デー
タ作成ステップＳＣ１１及び学習ステップＳＣ１２から
なり、図５の学習フェイズＳＢ１と実質的に同一であっ
て翌月予測用のネットワークと同一のものを使用するこ
とができる。
て説明する。この発明は、週単位（例えば翌週）の最大
電力需要を予測するためのものである。この実施例も、
図６に示すように、ニューラルネットワークの学習フェ
イズＳＣ１とニューラルネットワークによる予測フェイ
ズＳＣ２とからなる。学習フェイズＳＣ１は、学習デー
タ作成ステップＳＣ１１及び学習ステップＳＣ１２から
なり、図５の学習フェイズＳＢ１と実質的に同一であっ
て翌月予測用のネットワークと同一のものを使用するこ
とができる。
【００２５】図６の予測フェイズＳＣ２では、学習済み
の季節ごとのネットワークを用いて予測を行う。予測用
データとしては、学習データと同一項目のものを使用す
る。このとき、本実施例は翌週予測であるため、予測段
階では実績データが不完全な場合がある。一方、気象予
報データには週間予報としてある程度信頼のおけるもの
も存在する。
の季節ごとのネットワークを用いて予測を行う。予測用
データとしては、学習データと同一項目のものを使用す
る。このとき、本実施例は翌週予測であるため、予測段
階では実績データが不完全な場合がある。一方、気象予
報データには週間予報としてある程度信頼のおけるもの
も存在する。
【００２６】従って、基本的には、実績データが判明し
ていない日については平年気象データに週間気象予報デ
ータ（平年に比べて気温が高い、低い等）を反映させて
使用し、予測を行う。具体的には、図６に示すごとくス
テップＳＣ２１により予め平年気象データを取得してお
き、週間気象予報データに基づき「平年最高気温及び平
年最低気温に対し＋１．５〔°Ｃ〕」というような補正
値（＋１．５〔°Ｃ〕を補正値とする）をステップＳＣ
２２により設定する。ステップＳＣ２３では、上記補正
値により平年気象データを補正したもの（実績データが
使用可能なものについては実績データ）を予測用データ
として入力し、次のステップＳＣ２４においてニューラ
ルネットワークにより予測を行う。この実施例において
も、ニューラルネットワークは１日の最大電力需要を求
めるように作成されているため、翌週の１週間分を予測
するまでステップＳＣ２５を介して繰り返し予測するこ
ととする。
ていない日については平年気象データに週間気象予報デ
ータ（平年に比べて気温が高い、低い等）を反映させて
使用し、予測を行う。具体的には、図６に示すごとくス
テップＳＣ２１により予め平年気象データを取得してお
き、週間気象予報データに基づき「平年最高気温及び平
年最低気温に対し＋１．５〔°Ｃ〕」というような補正
値（＋１．５〔°Ｃ〕を補正値とする）をステップＳＣ
２２により設定する。ステップＳＣ２３では、上記補正
値により平年気象データを補正したもの（実績データが
使用可能なものについては実績データ）を予測用データ
として入力し、次のステップＳＣ２４においてニューラ
ルネットワークにより予測を行う。この実施例において
も、ニューラルネットワークは１日の最大電力需要を求
めるように作成されているため、翌週の１週間分を予測
するまでステップＳＣ２５を介して繰り返し予測するこ
ととする。
【００２７】 上記各実施例は、例えば学習用のエンジ
ニアリングワークステーションと予測用のパーソナルコ
ンピュータとからなる予測システムにより実現可能であ
る。また、上記各実施例において予測用入力データの時
間的範囲を変更することにより、第１の発明では任意の
日、第２の発明では任意の週についての予測を行うこと
も可能である。
ニアリングワークステーションと予測用のパーソナルコ
ンピュータとからなる予測システムにより実現可能であ
る。また、上記各実施例において予測用入力データの時
間的範囲を変更することにより、第１の発明では任意の
日、第２の発明では任意の週についての予測を行うこと
も可能である。
【００２８】
【発明の効果】以上のように第１または第２の発明にお
いては、従来のような熟練運用者の経験や知識に依存す
ることなく自動的に日単位、週単位の最大電力需要を予
測することができ、シミュレーションによれば、ニュー
ラルネットワークの学習により従来以上の予測精度が得
られることが確認されている。また、予測モデルも比較
的簡単な階層型ネットワークにより構築できるため、信
頼性、経済性に優れている。特に、第１の発明では季節
の重なり期間についてファジィ推論により最適な予測値
を求めるようにしたので、予測精度を一層向上させるこ
とができる。
いては、従来のような熟練運用者の経験や知識に依存す
ることなく自動的に日単位、週単位の最大電力需要を予
測することができ、シミュレーションによれば、ニュー
ラルネットワークの学習により従来以上の予測精度が得
られることが確認されている。また、予測モデルも比較
的簡単な階層型ネットワークにより構築できるため、信
頼性、経済性に優れている。特に、第１の発明では季節
の重なり期間についてファジィ推論により最適な予測値
を求めるようにしたので、予測精度を一層向上させるこ
とができる。
【図１】 第１の発明の実施例を示すフローチャートで
ある。
ある。
【図２】 各発明の実施例に用いられる階層型ニューラ
ルネットワークの構成図である。
ルネットワークの構成図である。
【図３】 ニューラルネットワークの学習に用いる実績
データの内容を示す図である。
データの内容を示す図である。
【図４】 第１の発明の実施例に用いられるメンバシッ
プ関数の説明図である。
プ関数の説明図である。
【図５】 参考例を示すフローチャートである。
【図６】 第２の発明の実施例を示すフローチャートで
ある。
ある。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 松井 哲郎 神奈川県川崎市川崎区田辺新田１番１号 富士電機株式会社内 (72)発明者 植木 芳照 神奈川県川崎市川崎区田辺新田１番１号 富士電機株式会社内 (72)発明者 山口 勝美 神奈川県川崎市川崎区田辺新田１番１号 富士電機株式会社内 (56)参考文献 特開 平３−235621（ＪＰ，Ａ) 平成４年電気学会全国大会論文集 「1004 最大需要予測支援システムの予 測精度向上に関する検討（２）」（平４ −３−25）ｐ．９−25，26 平成４年電気学会全国大会論文集 「1003 最大需要予測支援システムの予 測精度向上に関する検討（１）」（平４ −３−25）ｐ．９−23，24 (58)調査した分野(Int.Cl.7，ＤＢ名) H02J 3/00
Claims (2)
- 【請求項１】 季節ごとに設けた階層型ニューラルネッ
トワークに、学習データとして、気象条件及び電力需要
に関する実績データと教師値である最大電力とを入力し
て学習させると共に、前記学習データを用いて、隣接す
る２つの季節の重なり期間における温度と季節適合度と
の関係を示すメンバシップ関数を作成する学習フェイズ
と、 予測対象日が該当する季節の学習済みニューラルネット
ワークを予測モデルとして用い、予測対象日を基準とし
た過日の気象実績データまたは気象予報データをニュー
ラルネットワークに入力して予測対象日における最大電
力需要を予測させる予測フェイズとを有し、 予測対象日が各季節の境界に設けた重なり期間に属する
場合には、隣接する２つの季節に対応するニューラルネ
ットワークを用いて季節ごとに予測することにより２つ
の予測値を生成し、予測対象日の予想気温に応じて前記
メンバシップ関数により求めた季節適合度と前記２つの
予測値とを用いてファジィ推論を行い、単一の最終的な
予測値を求めることを特徴とする最大電力需要予測方
法。 - 【請求項２】 季節ごとに設けた階層型ニューラルネッ
トワークに、学習データとして、気象条件及び電力需要
に関する実績データと教師値である最大電力とを入力し
て学習させる学習フェイズと、 予測対象の週が該当する季節の学習済みニューラルネッ
トワークを予測モデルとして用い、予測対象の週の平年
気象データを週間気象予報データにより補正したものを
ニューラルネットワークに入力して予測対象の週におけ
る最大電力需要を予測させる予測フェイズとを有するこ
とを特徴とする最大電力需要予測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP20475593A JP3224641B2 (ja) | 1993-07-27 | 1993-07-27 | 最大電力需要予測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP20475593A JP3224641B2 (ja) | 1993-07-27 | 1993-07-27 | 最大電力需要予測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0746761A JPH0746761A (ja) | 1995-02-14 |
| JP3224641B2 true JP3224641B2 (ja) | 2001-11-05 |
Family
ID=16495813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP20475593A Expired - Lifetime JP3224641B2 (ja) | 1993-07-27 | 1993-07-27 | 最大電力需要予測方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3224641B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102622515A (zh) * | 2012-02-21 | 2012-08-01 | 北京联合大学 | 一种天气预测方法 |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09273795A (ja) * | 1996-04-01 | 1997-10-21 | Tokyo Electric Power Co Inc:The | 熱負荷予測装置 |
| JP4202890B2 (ja) * | 2003-10-30 | 2008-12-24 | 株式会社東芝 | 気象予測システム及び電力需要予測システムと気象予測方法及び電力需要予測方法 |
| US9323886B2 (en) | 2012-06-26 | 2016-04-26 | Honda Motor Co., Ltd. | Performance predicting apparatus, performance predicting method, and program |
| JP5969836B2 (ja) * | 2012-06-26 | 2016-08-17 | 本田技研工業株式会社 | モデル適用装置、モデル適用方法、及びプログラム |
| US10467249B2 (en) * | 2014-08-07 | 2019-11-05 | Opower, Inc. | Users campaign for peaking energy usage |
| JP6128624B2 (ja) | 2015-02-19 | 2017-05-17 | 日本電気株式会社 | 電力消費量推定装置、電力消費量推定方法およびプログラム |
| CN105159093B (zh) * | 2015-10-08 | 2018-06-29 | 国电南京自动化股份有限公司 | 基于模型自适应的微电网能量优化控制系统及其设计方法 |
| CN106815652A (zh) * | 2016-12-16 | 2017-06-09 | 国家电网公司 | 一种基于大数据相关性分析的配电网供电可靠性预测方法 |
| JP7079662B2 (ja) * | 2018-05-25 | 2022-06-02 | 清水建設株式会社 | 電力需要予測システム、学習装置及び電力需要予測方法 |
| JP7079663B2 (ja) * | 2018-05-25 | 2022-06-02 | 清水建設株式会社 | 電力需要予測システム、学習装置及び電力需要予測方法 |
| CN110363334B (zh) * | 2019-06-21 | 2023-05-12 | 西安工程大学 | 基于灰色神经网络模型的光伏并网的电网线损预测方法 |
| CN110782074A (zh) * | 2019-10-09 | 2020-02-11 | 深圳供电局有限公司 | 一种基于深度学习进行用户电力月负荷预测的方法 |
-
1993
- 1993-07-27 JP JP20475593A patent/JP3224641B2/ja not_active Expired - Lifetime
Non-Patent Citations (2)
| Title |
|---|
| 平成４年電気学会全国大会論文集「１００３ 最大需要予測支援システムの予測精度向上に関する検討（１）」（平４−３−２５）ｐ．９−２３，２４ |
| 平成４年電気学会全国大会論文集「１００４ 最大需要予測支援システムの予測精度向上に関する検討（２）」（平４−３−２５）ｐ．９−２５，２６ |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102622515A (zh) * | 2012-02-21 | 2012-08-01 | 北京联合大学 | 一种天气预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0746761A (ja) | 1995-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3224641B2 (ja) | 最大電力需要予測方法 | |
| Huang et al. | A new artificial intelligent peak power load forecaster based on non-fixed neural networks | |
| US20210133536A1 (en) | Load prediction method and apparatus based on neural network | |
| Bae et al. | Monthly dam inflow forecasts using weather forecasting information and neuro-fuzzy technique | |
| Khotanzad et al. | An adaptive modular artificial neural network hourly load forecaster and its implementation at electric utilities | |
| Hong et al. | A neuro-fuzzy price forecasting approach in deregulated electricity markets | |
| Senjyu et al. | Next day load curve forecasting using recurrent neural network structure | |
| Kermanshahi et al. | Artificial neural network for forecasting daily loads of a Canadian electric utility | |
| CN107517481A (zh) | 一种基站负载均衡的管理方法及系统 | |
| CN107609583A (zh) | 分类模型的参数优化方法、装置、计算机设备及存储介质 | |
| Srivastava et al. | Predictive analysis of RNN, GBM and LSTM network for short-term wind power forecasting | |
| NKOUNGA et al. | Short-term forecasting for solar irradiation based on the multi-layer neural network with the Levenberg-Marquardt algorithm and meteorological data: application to the Gandon site in Senegal | |
| UNUTMAZ et al. | Electrical energy demand forecasting using artificial neural network | |
| CN109002943B (zh) | 考虑负荷分类的分布式风电源与电容器联合动态规划方法 | |
| JPH04372046A (ja) | 需要量予測方法及び装置 | |
| Al-Shareef et al. | Neural networks initial weights optimisation | |
| Senthil et al. | Improved tabu search algorithm to economic emission dispatch with transmission line constraint | |
| CN108805313A (zh) | 面向全球供应链的需求预测方法、装置、以及系统 | |
| Silva et al. | Development of Brazilian multi region short-term load forecasting model considering climate variables weighting in ANN model | |
| Abdellatif et al. | A thermal control methodology based on a machine learning forecasting model for indoor heating | |
| Banda et al. | Short term load forecasting based on hybrid ANN and PSO | |
| Park et al. | A comparison of neural network-based methods for load forecasting with selected input candidates | |
| López et al. | Analysis of the influence of meteorological variables on real-time short-term load forecasting in Balearic Islands | |
| Coelho et al. | A heuristic fuzzy algorithm bio-inspired by evolution strategies for energy forecasting problems | |
| JP3056324B2 (ja) | 学習／想起方法および装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20010814 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20070824 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080824 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080824 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090824 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090824 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100824 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110824 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110824 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120824 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120824 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130824 Year of fee payment: 12 |
|
| EXPY | Cancellation because of completion of term |