JP3268520B2 - ガス需要量の予測方法 - Google Patents
ガス需要量の予測方法Info
- Publication number
- JP3268520B2 JP3268520B2 JP29058097A JP29058097A JP3268520B2 JP 3268520 B2 JP3268520 B2 JP 3268520B2 JP 29058097 A JP29058097 A JP 29058097A JP 29058097 A JP29058097 A JP 29058097A JP 3268520 B2 JP3268520 B2 JP 3268520B2
- Authority
- JP
- Japan
- Prior art keywords
- demand
- pattern
- day
- smoothed
- temperature
- 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
- 238000013528 artificial neural network Methods 0.000 claims description 54
- 238000000034 method Methods 0.000 claims description 20
- 238000013277 forecasting method Methods 0.000 claims description 6
- 239000007789 gas Substances 0.000 description 41
- 238000010586 diagram Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 6
- 238000009499 grossing Methods 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Landscapes
- Pipeline Systems (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
【０００１】
【発明の属する技術分野】本発明は、気象条件によって
変動するガス供給ラインのガス需要を神経回路網を用い
て予測するガス需要量の予測方法に関する。
変動するガス供給ラインのガス需要を神経回路網を用い
て予測するガス需要量の予測方法に関する。
【０００２】
【従来の技術】ガス供給ラインの運用においては、供給
信頼度の維持及び運用効率の向上を図るために、日毎の
ガス総需要の予測が必要である。特に、近年の天然ガス
需要の増大と新規ガス供給ライン建設の困難さから、ガ
ス供給ラインの効率的運用への要求は年々高まってお
り、より高精度なガス総需要量の予測が求められてい
る。現状のガス総需要の予測は、熟練運用者の経験と勘
による予測や、過去の需要実績と気温、曜日等の相関関
係を重回帰分析や時系列解析等の統計解析手法に基づく
予測モデルを作成し、これに予測対象日の予想気温を入
力して計算機により算出する方法がある。また、電力ピ
ーク需要や株価等の分野においてはニューラルネットワ
ーク（神経回路網）を用いた予測が行われている。
信頼度の維持及び運用効率の向上を図るために、日毎の
ガス総需要の予測が必要である。特に、近年の天然ガス
需要の増大と新規ガス供給ライン建設の困難さから、ガ
ス供給ラインの効率的運用への要求は年々高まってお
り、より高精度なガス総需要量の予測が求められてい
る。現状のガス総需要の予測は、熟練運用者の経験と勘
による予測や、過去の需要実績と気温、曜日等の相関関
係を重回帰分析や時系列解析等の統計解析手法に基づく
予測モデルを作成し、これに予測対象日の予想気温を入
力して計算機により算出する方法がある。また、電力ピ
ーク需要や株価等の分野においてはニューラルネットワ
ーク（神経回路網）を用いた予測が行われている。
【０００３】
【発明が解決しようとする課題】以上述べた従来の予測
方法はいずれも、予測対象の日毎の総需要或いはピーク
需要を予測するものであり、ガス供給ラインが比較的小
規模な場合は適用可能な手法である。しかしながら、複
数の需要端を持つ長距離或いはネットワーク状のガス供
給ラインに適用する場合には、次のような問題点があ
る。
方法はいずれも、予測対象の日毎の総需要或いはピーク
需要を予測するものであり、ガス供給ラインが比較的小
規模な場合は適用可能な手法である。しかしながら、複
数の需要端を持つ長距離或いはネットワーク状のガス供
給ラインに適用する場合には、次のような問題点があ
る。
【０００４】ガスは圧縮性流体であるため、ガス供給ラ
インの需要端での需要量変化によるガス供給ラインの圧
力変動の影響が、ガス供給ラインの供給端に時間的な遅
れを伴って伝わる。需要端での需要量変動の影響が供給
端に伝わるこの時間的な遅れの程度は、ガス輸送ライン
が長距離化、ネットワーク化等の要因により大規模化す
るほど大きくなる。
インの需要端での需要量変化によるガス供給ラインの圧
力変動の影響が、ガス供給ラインの供給端に時間的な遅
れを伴って伝わる。需要端での需要量変動の影響が供給
端に伝わるこの時間的な遅れの程度は、ガス輸送ライン
が長距離化、ネットワーク化等の要因により大規模化す
るほど大きくなる。
【０００５】また、長距離ガス輸送ラインにける需要端
は一般にガス事業者の場合が多いが、需要端がガス事業
者の場合には各事業者毎に安定供給確保のためガス事業
者所有のガスホルダに一旦貯蔵してから末端消費者へ供
給するため、末端消費者の消費量とガス輸送ラインから
の引き抜き量に時間的な遅れが生じる。このように、ガ
スの需要量変動の影響が大きな時間遅れを伴って供給端
に伝わる場合、ある時刻の供給量は過去の需要端の需要
量変動の影響を反映したものとなる。したがって、ある
時刻の供給量を決定するためには過去の需要端の需要量
変動を考慮するとともに、過去の需要端の需要量変動と
強い相関を持つ過去の気温情報を取り込む必要がある。
しかしながら、従来の予測方法においては、前述の過去
の需要端の需要量変動や過去の需要端の需要量変動と強
い相関を持つ過去の気温情報を取り込んでいないため、
需要端でのガスの需要量変動の影響が大きな時間遅れを
伴って供給端に伝わる大規模なガス供給ラインにおいて
は適切な需要量予測が行えないという問題点があった。
は一般にガス事業者の場合が多いが、需要端がガス事業
者の場合には各事業者毎に安定供給確保のためガス事業
者所有のガスホルダに一旦貯蔵してから末端消費者へ供
給するため、末端消費者の消費量とガス輸送ラインから
の引き抜き量に時間的な遅れが生じる。このように、ガ
スの需要量変動の影響が大きな時間遅れを伴って供給端
に伝わる場合、ある時刻の供給量は過去の需要端の需要
量変動の影響を反映したものとなる。したがって、ある
時刻の供給量を決定するためには過去の需要端の需要量
変動を考慮するとともに、過去の需要端の需要量変動と
強い相関を持つ過去の気温情報を取り込む必要がある。
しかしながら、従来の予測方法においては、前述の過去
の需要端の需要量変動や過去の需要端の需要量変動と強
い相関を持つ過去の気温情報を取り込んでいないため、
需要端でのガスの需要量変動の影響が大きな時間遅れを
伴って供給端に伝わる大規模なガス供給ラインにおいて
は適切な需要量予測が行えないという問題点があった。
【０００６】また、従来予測手法として用いられてきた
重回帰分析や時系列解析といった統計解析的手法では、
予測モデルを作成するためには予測対象のガス供給ライ
ンの需要変動特性と統計解析的手法の双方に精通してい
ないと適切な予測モデルの構築ができないこと、さらに
年々変化する需要量に適用するために予測モデルのパラ
メータをメンテナンスする必要があり、その作業は煩雑
であった。
重回帰分析や時系列解析といった統計解析的手法では、
予測モデルを作成するためには予測対象のガス供給ライ
ンの需要変動特性と統計解析的手法の双方に精通してい
ないと適切な予測モデルの構築ができないこと、さらに
年々変化する需要量に適用するために予測モデルのパラ
メータをメンテナンスする必要があり、その作業は煩雑
であった。
【０００７】また、近年、電力のピーク需要予測等に用
いられ始めた神経回路網を用いた予測においても、季節
毎に予測モデルを準備するなど取り扱いが複雑であっ
た。
いられ始めた神経回路網を用いた予測においても、季節
毎に予測モデルを準備するなど取り扱いが複雑であっ
た。
【０００８】本発明は、上述の問題点を解決するめにな
されたものであり、予測対象のガス供給ラインの需要変
動特性、統計解析的手法等の専門知識を必要とせずに、
予測モデルの構築及びそのパラメータのメンテナンスを
簡単に行うことができ、また、大規模なガス供給ライン
においても高精度なガス需要量の予測を可能にしたガス
需要量の予測方法を提供することを目的とする。
されたものであり、予測対象のガス供給ラインの需要変
動特性、統計解析的手法等の専門知識を必要とせずに、
予測モデルの構築及びそのパラメータのメンテナンスを
簡単に行うことができ、また、大規模なガス供給ライン
においても高精度なガス需要量の予測を可能にしたガス
需要量の予測方法を提供することを目的とする。
【０００９】
【課題を解決するための手段】本発明に係るガス需要量
の予測方法（請求項１）においては、ｎ日から所定時間
過去までの需要パターン実績、ｎ日から所定時間過去ま
での気温パターン実績、ｎ日から所定時間先までの実績
気温パターン及びｎ日の曜日フラグを、教師データとし
てｎ日から所定時間先までの実績需要パターンを用い、
過去所定期間の学習用データセットを作成する。ここで
ｎ日は過去の日を表している。次に学習データセットを
階層型神経回路網に入力して学習を行う。この学習には
バックプロパゲーション学習アルゴリズムが用いられ
る。その後、学習済みの階層型神経回路網に入力データ
として予測当日から所定時間過去までの需要パターン実
績、予測当日から所定時間過去までの気温パターン実
績、予測日から所定時間先までの予想気温パターン及び
予測日の曜日フラグを入力し、神経回路網の出力として
得られる需要予測パターンの開始時刻及び終了時刻を固
定し、神経回路網の入力データである当日の予想気温パ
ターンの一部を、需要予測パターン開始時刻から予想実
施時刻までの間に得られた実績気温パターンで置き換
え、需要パターンを予測する。本発明においては、前記
のように、神経回路網の出力として得られる需要予測パ
ターンの開始時刻及び終了時刻を固定し、神経回路網の
入力データである当日の予想気温パターンの一部を、需
要予測パターン開始時刻から予想実施時刻までの間に得
られた実績気温パターンで置き換えることにより、予想
気温に含まれる予測誤差の影響を低減し、需要予測精度
を向上させる。
の予測方法（請求項１）においては、ｎ日から所定時間
過去までの需要パターン実績、ｎ日から所定時間過去ま
での気温パターン実績、ｎ日から所定時間先までの実績
気温パターン及びｎ日の曜日フラグを、教師データとし
てｎ日から所定時間先までの実績需要パターンを用い、
過去所定期間の学習用データセットを作成する。ここで
ｎ日は過去の日を表している。次に学習データセットを
階層型神経回路網に入力して学習を行う。この学習には
バックプロパゲーション学習アルゴリズムが用いられ
る。その後、学習済みの階層型神経回路網に入力データ
として予測当日から所定時間過去までの需要パターン実
績、予測当日から所定時間過去までの気温パターン実
績、予測日から所定時間先までの予想気温パターン及び
予測日の曜日フラグを入力し、神経回路網の出力として
得られる需要予測パターンの開始時刻及び終了時刻を固
定し、神経回路網の入力データである当日の予想気温パ
ターンの一部を、需要予測パターン開始時刻から予想実
施時刻までの間に得られた実績気温パターンで置き換
え、需要パターンを予測する。本発明においては、前記
のように、神経回路網の出力として得られる需要予測パ
ターンの開始時刻及び終了時刻を固定し、神経回路網の
入力データである当日の予想気温パターンの一部を、需
要予測パターン開始時刻から予想実施時刻までの間に得
られた実績気温パターンで置き換えることにより、予想
気温に含まれる予測誤差の影響を低減し、需要予測精度
を向上させる。
【００１０】
【００１１】本発明に係る他のガス需要量の予測方法
（請求項２）においては、学習用データセットの作成に
先立ち予め、過去の需要及び気温実績から平滑化需要パ
ターン及び平滑化気温パターンを作成する。次にｎ日か
ら所定時間過去までの需要パターン実績と平滑化需要パ
ターンとの差、ｎ日から所定時間過去までの実績気温パ
ターンと平滑化気温パターンとの差、ｎ日から所定時間
先までの実績気温パターンと平滑化気温パターンとの差
及びｎ日の曜日フラグを、教師データとしてｎ日から所
定時間先までの実績需要パターンと平滑化需要パターン
との差を用い、過去所定期間の学習用データセットを作
成する。ここでｎ日は過去の日を表している。次に、学
習データセットを階層型神経回路網に入力し学習を行
う。この学習にはバックプロパゲーション学習アルゴリ
ズムが用いられる。その後、学習済みの階層型神経回路
網に入力データとして予測当日から所定時間過去までの
需要パターン実績と平滑化需要パターンとの差、予測当
日から所定時間過去までの気温パターン実績と平滑化気
温パターンとの差、予測日から所定時間先までの予想気
温パターンと平滑化気温パターンとの差及び予測日の曜
日フラグを入力し、神経回路網の出力として得られる需
要予測パターンと平滑化需要パターンの差の開始時刻及
び終了時刻を固定し、神経回路網の入力デー夕である当
日の予想気温パターンと平滑化気温パターンの差の一部
を、需要予測パターンと平滑化需要パターンの差の開始
時刻から予想実施時刻までの間に得られた実績気温パタ
ーンと平滑化気温パターンの差で置き換え、需要量と平
滑化需要パターンとの差を予測した後、需要パターンを
算出する。本発明においては、前記のように、神経回路
網の出力として得られる需要予測パターンと平滑化需要
パターンの差の開始時刻及び終了時刻を固定し、神経回
路網の入力デー夕である当日の予想気温パターンと平滑
化気温パターンの差の一部を、需要予測パターンと平滑
化需要パターンの差の開始時刻から予想実施時刻までの
間に得られた実績気温パターンと平滑化気温パターンの
差で置き換えることにより、予想気温に含まれる予測誤
差の影響を低減し、需要予測精度を向上させる。
（請求項２）においては、学習用データセットの作成に
先立ち予め、過去の需要及び気温実績から平滑化需要パ
ターン及び平滑化気温パターンを作成する。次にｎ日か
ら所定時間過去までの需要パターン実績と平滑化需要パ
ターンとの差、ｎ日から所定時間過去までの実績気温パ
ターンと平滑化気温パターンとの差、ｎ日から所定時間
先までの実績気温パターンと平滑化気温パターンとの差
及びｎ日の曜日フラグを、教師データとしてｎ日から所
定時間先までの実績需要パターンと平滑化需要パターン
との差を用い、過去所定期間の学習用データセットを作
成する。ここでｎ日は過去の日を表している。次に、学
習データセットを階層型神経回路網に入力し学習を行
う。この学習にはバックプロパゲーション学習アルゴリ
ズムが用いられる。その後、学習済みの階層型神経回路
網に入力データとして予測当日から所定時間過去までの
需要パターン実績と平滑化需要パターンとの差、予測当
日から所定時間過去までの気温パターン実績と平滑化気
温パターンとの差、予測日から所定時間先までの予想気
温パターンと平滑化気温パターンとの差及び予測日の曜
日フラグを入力し、神経回路網の出力として得られる需
要予測パターンと平滑化需要パターンの差の開始時刻及
び終了時刻を固定し、神経回路網の入力デー夕である当
日の予想気温パターンと平滑化気温パターンの差の一部
を、需要予測パターンと平滑化需要パターンの差の開始
時刻から予想実施時刻までの間に得られた実績気温パタ
ーンと平滑化気温パターンの差で置き換え、需要量と平
滑化需要パターンとの差を予測した後、需要パターンを
算出する。本発明においては、前記のように、神経回路
網の出力として得られる需要予測パターンと平滑化需要
パターンの差の開始時刻及び終了時刻を固定し、神経回
路網の入力デー夕である当日の予想気温パターンと平滑
化気温パターンの差の一部を、需要予測パターンと平滑
化需要パターンの差の開始時刻から予想実施時刻までの
間に得られた実績気温パターンと平滑化気温パターンの
差で置き換えることにより、予想気温に含まれる予測誤
差の影響を低減し、需要予測精度を向上させる。
【００１２】
【００１３】
（実施形態１．）図１は本発明の実施形態１に係るシス
テムの構成を示すブロック図である。このシステムは、
実績需要データベース１、実績気温データベース２、予
想気温データベース３、学習データセット作成工程４、
学習工程５、予測用データ作成工程６、予測工程７及び
神経回路網８から構成されている。
テムの構成を示すブロック図である。このシステムは、
実績需要データベース１、実績気温データベース２、予
想気温データベース３、学習データセット作成工程４、
学習工程５、予測用データ作成工程６、予測工程７及び
神経回路網８から構成されている。
【００１４】まず、図１のシステムの概略を説明する。
実績需要データベース１には、ガス供給ライン沿線需要
家毎の１時間毎の実績値が自動的に取り込まれる。実績
気温データベース２には、ガス供給ライン沿線需要家と
強い相関関係を持つ地点の１時間毎の気温実績値が自動
的に取り込まれる。予想気温データベース３には、実績
気温データベース２と同一地点の予想気温が自動的に取
り込まれ、必要があれば１時間毎のデータに補間され
る。学習用データセット作成工程４では神経回路網８の
学習に必要となる入力データ及び教師データを実績需要
データベース１及び実績気温データベース２より抽出し
て所定期間分の学習データセットを作成する。学習工程
５では学習用データセット作成工程４で作成したデータ
セットを神経回路網８に与え、神経回路網８の出力と教
師データが良く一致するよう学習を行う。この学習には
バックプロパゲーション法を用いる。
実績需要データベース１には、ガス供給ライン沿線需要
家毎の１時間毎の実績値が自動的に取り込まれる。実績
気温データベース２には、ガス供給ライン沿線需要家と
強い相関関係を持つ地点の１時間毎の気温実績値が自動
的に取り込まれる。予想気温データベース３には、実績
気温データベース２と同一地点の予想気温が自動的に取
り込まれ、必要があれば１時間毎のデータに補間され
る。学習用データセット作成工程４では神経回路網８の
学習に必要となる入力データ及び教師データを実績需要
データベース１及び実績気温データベース２より抽出し
て所定期間分の学習データセットを作成する。学習工程
５では学習用データセット作成工程４で作成したデータ
セットを神経回路網８に与え、神経回路網８の出力と教
師データが良く一致するよう学習を行う。この学習には
バックプロパゲーション法を用いる。
【００１５】予測用データ作成工程６では、神経回路網
８の予測に必要となる入力データを実績需要データベー
ス１、実績気温データベース２、予想気温データベース
３より抽出し、予測用データを作成する。予測工程７で
は予測用データ作成工程６で作成した予測用データを神
経回路網８に与え、需要パターンを算出する。
８の予測に必要となる入力データを実績需要データベー
ス１、実績気温データベース２、予想気温データベース
３より抽出し、予測用データを作成する。予測工程７で
は予測用データ作成工程６で作成した予測用データを神
経回路網８に与え、需要パターンを算出する。
【００１６】図２は図１の神経回路網８の入出力データ
の例を示す図である。図２に基づいて本実施形態をより
具体的に説明する。図２の神経回路網８は３層のラメル
ハート型の神経回路網であり、入力層にはｎ日以前の所
定期間の実績需要パターンとしてｎ日前日の１時間間隔
の２４時間分の実績需要、ｎ日以前の所定期間の実績気
温パターンとして需要量と強い相関関係をもつ地点のｎ
日前日の１時間間隔の２４時間分の実績気温、予想気温
パターンとしてｎ日以降の１時間間隔の４８時間分の予
想気温パターン、休日等を表す曜日フラグを持ち、そし
て、出力層にはｎ日以降の１時間間隔の４８時間分の予
測需要パターンが出力される。なお、ｎ日以前の実積需
要パターン及び実績気温パターンの期間は需要端での需
要量変動の影響が供給端に伝わる時間的な遅れの程度を
考慮して適切な期間を選択する必要がある。また、予想
気温パターン及び予想需要パターンの期間は、予測値が
必要となる期間から決定される。
の例を示す図である。図２に基づいて本実施形態をより
具体的に説明する。図２の神経回路網８は３層のラメル
ハート型の神経回路網であり、入力層にはｎ日以前の所
定期間の実績需要パターンとしてｎ日前日の１時間間隔
の２４時間分の実績需要、ｎ日以前の所定期間の実績気
温パターンとして需要量と強い相関関係をもつ地点のｎ
日前日の１時間間隔の２４時間分の実績気温、予想気温
パターンとしてｎ日以降の１時間間隔の４８時間分の予
想気温パターン、休日等を表す曜日フラグを持ち、そし
て、出力層にはｎ日以降の１時間間隔の４８時間分の予
測需要パターンが出力される。なお、ｎ日以前の実積需
要パターン及び実績気温パターンの期間は需要端での需
要量変動の影響が供給端に伝わる時間的な遅れの程度を
考慮して適切な期間を選択する必要がある。また、予想
気温パターン及び予想需要パターンの期間は、予測値が
必要となる期間から決定される。
【００１７】図２の神経回路網８においては、入力層の
ニューロンから入った値は重み付けされ中間層のニュー
ロンへ渡される。そして、そこから更に重み付けされ出
力層のニューロンに渡され出力値となる。したがって、
入力層と出力層にデータを与え、それらが一致するよう
に重みを調整することで、入・出力層のデータの相関を
重みの中に取り込むことができる。
ニューロンから入った値は重み付けされ中間層のニュー
ロンへ渡される。そして、そこから更に重み付けされ出
力層のニューロンに渡され出力値となる。したがって、
入力層と出力層にデータを与え、それらが一致するよう
に重みを調整することで、入・出力層のデータの相関を
重みの中に取り込むことができる。
【００１８】次に、具体的な予測手順を説明する。 （ａ）学習用データセット作成工程４では実績需要デー
タベース１と実績気温データベース２から図２の入出力
層の時間的関係を満足するような過去数十日分の入力層
データと出力層データを抽出し、入力層データと出力層
データを１セットとし学習用データセットを作成する。 （ｂ）学習工程５では学習用データセット作成工程４で
作成した過去数十日分の学習用データセットのうち、入
力層データを神経回路網８の入力層に与え、出力層デー
タを教師信号として神経回路網８の出力層に与え、各ニ
ューロンの重みを決定する。 （ｃ）予測用データ作成工程６では、実績需要データベ
ース１、実績気温データベース２及び予想気温データベ
ース３から図２に示される神経回路網８の入力層に必要
なデータを抽出する。 （ｄ）予測工程７では、予測用データ作成工程６で作成
した予測用データを神経回路網８の入力層に与えて予測
需要パターンを得る。
タベース１と実績気温データベース２から図２の入出力
層の時間的関係を満足するような過去数十日分の入力層
データと出力層データを抽出し、入力層データと出力層
データを１セットとし学習用データセットを作成する。 （ｂ）学習工程５では学習用データセット作成工程４で
作成した過去数十日分の学習用データセットのうち、入
力層データを神経回路網８の入力層に与え、出力層デー
タを教師信号として神経回路網８の出力層に与え、各ニ
ューロンの重みを決定する。 （ｃ）予測用データ作成工程６では、実績需要データベ
ース１、実績気温データベース２及び予想気温データベ
ース３から図２に示される神経回路網８の入力層に必要
なデータを抽出する。 （ｄ）予測工程７では、予測用データ作成工程６で作成
した予測用データを神経回路網８の入力層に与えて予測
需要パターンを得る。
【００１９】（実施形態２．） 図３は本発明の実施形態２に係る予想開始時刻である当
日０時から時間が経過した場合の神経回路網８の入出力
データの例を示す図である。神経回路網の構成及び学習
工程５までは上述の実施形態１と同一である。図３に示
される神経回路網８の入力用データのうち、予想気温パ
ターンについては予想開始時刻である当日０時からの時
間の経過とともに実績気温が実績気温データベース２に
格納されているため、予想気温を実績気温に置換え可能
である。本実施形態ではこれらの実績気温で置換え可能
な予想気温を実績気温で置換えることにより、予想気温
に含まれる誤差要因を低減し、需要パターンの予測精度
をあげることができる。なお、具体的な予測手順は上記
の実施形態１と同様である。
日０時から時間が経過した場合の神経回路網８の入出力
データの例を示す図である。神経回路網の構成及び学習
工程５までは上述の実施形態１と同一である。図３に示
される神経回路網８の入力用データのうち、予想気温パ
ターンについては予想開始時刻である当日０時からの時
間の経過とともに実績気温が実績気温データベース２に
格納されているため、予想気温を実績気温に置換え可能
である。本実施形態ではこれらの実績気温で置換え可能
な予想気温を実績気温で置換えることにより、予想気温
に含まれる誤差要因を低減し、需要パターンの予測精度
をあげることができる。なお、具体的な予測手順は上記
の実施形態１と同様である。
【００２０】（実施形態３．）図４は本発明の実施形態
３に係る神経回路網８の入出力データの例を示す図であ
る。図４の神経回路網８は３層のラメルハート型の神経
回路網であり、入力層にはｎ日以前の所定期間の実績需
要パターンと平滑化需要パターンの差としてｎ日前日の
１時間間隔の２４時間分の実績需要と各時刻の平滑化需
要との差、ｎ日以前の所定期間の実績気温パターンと平
滑化気温パターンの差として需要量と強い相関関係をも
つ地点のｎ日前日の１時間間隔の２４時間分の実績気温
と各時刻の平滑化気温との差、予想気温パターンと平滑
化気温パターンとの差としてｎ日以降の１時間間隔の４
８時間分の予想気温と各時刻の平滑化気温との差、休日
等を表す曜日フラグを持ち、そして、出力層にはｎ日以
降の１時間間隔の４８時間分の予測需要と各時刻の平滑
化需要との差が出力される。その後、得られたｎ日以降
の１時間間隔の４８時間分の予測需要と各時刻の平滑化
需要との差に各時刻の平滑化需要を加えｎ日以降の１時
間間隔の４８時間分の予測需要を得る。
３に係る神経回路網８の入出力データの例を示す図であ
る。図４の神経回路網８は３層のラメルハート型の神経
回路網であり、入力層にはｎ日以前の所定期間の実績需
要パターンと平滑化需要パターンの差としてｎ日前日の
１時間間隔の２４時間分の実績需要と各時刻の平滑化需
要との差、ｎ日以前の所定期間の実績気温パターンと平
滑化気温パターンの差として需要量と強い相関関係をも
つ地点のｎ日前日の１時間間隔の２４時間分の実績気温
と各時刻の平滑化気温との差、予想気温パターンと平滑
化気温パターンとの差としてｎ日以降の１時間間隔の４
８時間分の予想気温と各時刻の平滑化気温との差、休日
等を表す曜日フラグを持ち、そして、出力層にはｎ日以
降の１時間間隔の４８時間分の予測需要と各時刻の平滑
化需要との差が出力される。その後、得られたｎ日以降
の１時間間隔の４８時間分の予測需要と各時刻の平滑化
需要との差に各時刻の平滑化需要を加えｎ日以降の１時
間間隔の４８時間分の予測需要を得る。
【００２１】なお、ｎ日以前の実績需要パターン及び実
績気温パターンの期間は需要端での需要量変動の影響が
供給端に伝わる時間的な遅れの程度を考慮して適切な期
間を選択する必要がある。また、予想気温パターン及び
予想需要パターンの期間は予測値が必要となる期間から
決定される。また、季節の変化による気温変化の影響を
低減する平滑化気温パターン及び各時刻における気温変
動と需要変動の関係を明確にする平滑化需要パターンの
平滑化方法には、単純平均や指数平滑化を用いる。ま
た、平滑化の程度は短期的な気温変動の影響を考慮する
ため通常１週間から１ヶ月程度の平均値になるような平
滑化定数を選択する。なお、本実施形態においても、具
体的な予測手順は上述の実施形態１と同様である。
績気温パターンの期間は需要端での需要量変動の影響が
供給端に伝わる時間的な遅れの程度を考慮して適切な期
間を選択する必要がある。また、予想気温パターン及び
予想需要パターンの期間は予測値が必要となる期間から
決定される。また、季節の変化による気温変化の影響を
低減する平滑化気温パターン及び各時刻における気温変
動と需要変動の関係を明確にする平滑化需要パターンの
平滑化方法には、単純平均や指数平滑化を用いる。ま
た、平滑化の程度は短期的な気温変動の影響を考慮する
ため通常１週間から１ヶ月程度の平均値になるような平
滑化定数を選択する。なお、本実施形態においても、具
体的な予測手順は上述の実施形態１と同様である。
【００２２】（実施形態４．） 図５は本発明の実施形態４に係る予想開始時刻である当
日０時から時間が経過した場合の神経回路網８の入出力
データの例を示す図である。神経回路網の構成及び学習
工程５までは上述の実施形態３と同一である。図５に示
される神経回路網８の入力用データのうち、予想気温パ
ターンと平滑化気温パターンとの差については予想開始
時刻である当日０時からの時間の経過とともに実績気温
が実績気温データベース２に格納されているため予想気
温を実績気温に置換え可能である。本実施形態ではこれ
らの実績気温で置換え可能な予想気温を実績気温で置換
えることにより予想気温に含まれる誤差要因を低減し、
需要パターンの予測精度をあげることができる
日０時から時間が経過した場合の神経回路網８の入出力
データの例を示す図である。神経回路網の構成及び学習
工程５までは上述の実施形態３と同一である。図５に示
される神経回路網８の入力用データのうち、予想気温パ
ターンと平滑化気温パターンとの差については予想開始
時刻である当日０時からの時間の経過とともに実績気温
が実績気温データベース２に格納されているため予想気
温を実績気温に置換え可能である。本実施形態ではこれ
らの実績気温で置換え可能な予想気温を実績気温で置換
えることにより予想気温に含まれる誤差要因を低減し、
需要パターンの予測精度をあげることができる
【００２３】
【実施例】表１は本発明と従来法による予測誤差の比較
を示した表である。なお、予測誤差は次式で表される絶
対平均誤差（ＭＡＰＥ）を用いた。
を示した表である。なお、予測誤差は次式で表される絶
対平均誤差（ＭＡＰＥ）を用いた。
【００２４】
【表１】
【００２５】
【数１】
【００２６】ここで、Ｑｄ0 は２４時間分の需要量実績
値の総和すなわち日総需要量の実績値、Ｑｄp は２４時
間分の需要量予測値の総和すなわち日総需要量の予測
値、ｎはデータ個数である。
値の総和すなわち日総需要量の実績値、Ｑｄp は２４時
間分の需要量予測値の総和すなわち日総需要量の予測
値、ｎはデータ個数である。
【００２７】表１に示されるとおり本発明によれば、従
来技術に比べて多くの情報量を予測しながらも、予測誤
差は低下していることが分かる。
来技術に比べて多くの情報量を予測しながらも、予測誤
差は低下していることが分かる。
【００２８】図６は本発明（実施形態４）による需要予
測結果の１例を示した図である。図６においては当日６
時から翌々日の０時までの１時間間隔の４３時間分の予
測結果の例が示されている。
測結果の１例を示した図である。図６においては当日６
時から翌々日の０時までの１時間間隔の４３時間分の予
測結果の例が示されている。
【００２９】図７は上述の実施形態２及び実施形態４の
実績気温の取込効果を示す特性図である。本実施例は図
６に示した当日６時から翌々日の０時までの１時間間隔
の４３時間分の予測例において、翌日１時から翌々日０
時までの２４時間分の予測結果に対して前記の絶対平均
誤差分布（ＭＡＰＥ）を求めたものである。図中の実績
気温取込なしは当日６時時点での予測誤差であり（実施
形態１及び実施形態３に対応）、実績気温取込ありは翌
日０時すなわち当日６時から翌日０時までの実績気温を
取り込んだ場合である（実施形態２及び実施形態４に対
応）。同図から明らかなように、本発明によれば実績気
温を取り込むことにより予想気温に含まれる誤差要因を
低減し、予測誤差を大幅に低下できることが分かる。
実績気温の取込効果を示す特性図である。本実施例は図
６に示した当日６時から翌々日の０時までの１時間間隔
の４３時間分の予測例において、翌日１時から翌々日０
時までの２４時間分の予測結果に対して前記の絶対平均
誤差分布（ＭＡＰＥ）を求めたものである。図中の実績
気温取込なしは当日６時時点での予測誤差であり（実施
形態１及び実施形態３に対応）、実績気温取込ありは翌
日０時すなわち当日６時から翌日０時までの実績気温を
取り込んだ場合である（実施形態２及び実施形態４に対
応）。同図から明らかなように、本発明によれば実績気
温を取り込むことにより予想気温に含まれる誤差要因を
低減し、予測誤差を大幅に低下できることが分かる。
【００３０】
【発明の効果】以上のように本発明によれば、気象条件
によって変動するガス供給ラインのガス需要を神経回路
網を用いて予測する需要予測方法において、神経回路網
の出力と需要パターン実績値とが一致するように学習を
行わせ、学習終了後の神経回路網を用いて予測日から所
定時間先までの需要パターンを予測するようにしたの
で、予測モデルを予測対象のガス供給ラインの需要変動
特性、統計解析的手法等の専門知識を必要とせず簡単に
構築することができ、しかも、神経回路網のパラメータ
を上述の学習により自動的にメンテナンスするようにし
たので、そのメンテナンスを簡単に行うことができる。
更に、過去の需要端の需要量変動や過去の需要端の需要
量変動と強い相関を持つ過去の気温情報を取り込んでい
るために、需要端でのガス需要量変動の影響が大きな時
間遅れを伴って供給端に伝わる大規模なガス供給ライン
においても適切なガス需要予測を行うことができる。
によって変動するガス供給ラインのガス需要を神経回路
網を用いて予測する需要予測方法において、神経回路網
の出力と需要パターン実績値とが一致するように学習を
行わせ、学習終了後の神経回路網を用いて予測日から所
定時間先までの需要パターンを予測するようにしたの
で、予測モデルを予測対象のガス供給ラインの需要変動
特性、統計解析的手法等の専門知識を必要とせず簡単に
構築することができ、しかも、神経回路網のパラメータ
を上述の学習により自動的にメンテナンスするようにし
たので、そのメンテナンスを簡単に行うことができる。
更に、過去の需要端の需要量変動や過去の需要端の需要
量変動と強い相関を持つ過去の気温情報を取り込んでい
るために、需要端でのガス需要量変動の影響が大きな時
間遅れを伴って供給端に伝わる大規模なガス供給ライン
においても適切なガス需要予測を行うことができる。
【図１】本発明の実施形態１に係るガス需要の予測方法
が適用されたシステムの構成図である。
が適用されたシステムの構成図である。
【図２】図１の神経回路網の入出力データの例を示した
図である。
図である。
【図３】本発明の実施形態２における神経回路網の入出
力データの例を示した図である。
力データの例を示した図である。
【図４】本発明の実施形態３における神経回路網の入出
力データの例を示した図である。
力データの例を示した図である。
【図５】本発明の実施形態４における神経回路網の入出
力データの例を示した図である。
力データの例を示した図である。
【図６】需要予測結果を示した図である。
【図７】実績気温の取込効果を示した図である。
───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平３−235621（ＪＰ，Ａ) (58)調査した分野(Int.Cl.7，ＤＢ名) G05B 11/00 - 13/04 G05B 17/00 - 17/02
Claims (2)
- 【請求項１】 ガス供給ラインのガス需要を神経回路網
を用いて予測する需要予測方法において、前記神経回路
網に入出力される入出力データの入力データとして、予
測当日から所定時間過去までの需要パターン実績、予測
当日から所定時間過去までの気温パターン実績、予測当
日から所定時間先までの予想気温パターン及び曜日フラ
グを、出力データとして当日から所定時間先までの需要
パターンを用い、過去所定日数間の前記入出力データの
実績値を学習データとして、前記神経回路網の出力と前
記当日から所定時間先までの需要パターン実績値とが一
致するように学習を行わせ、学習終了後の前記神経回路
網に予測当日から所定時間過去までの需要パターン実
績、予測当日から所定時間過去までの気温パターン実
績、当日から所定時間先までの予想気温パターン及び曜
日フラグを入力し、 前記神経回路網の出力として得られる需要予測パターン
の開始時刻及び終了時刻を固定し、前記神経回路網の入
力データである当日の予想気温パターンの一部を、前記
需要予測パターン開始時刻から予想実施時刻までの間に
得られた実績気温パターンで置き換え、需要パターンを
予測することを特徴とする ガス需要量の予測方法。 - 【請求項２】 ガス供給ラインのガス需要を神経回路網
を用いて予測する需要予測方法において、予め所定期間
内の平滑化需要パターン及び平滑化気温パターンを作成
しておき、前記神経回路網に入出力される入出力データ
として、予測当日から所定時間過去までの需要パターン
実績と前記平滑化需要パターンとの差、予測当日から所
定時間過去までの気温パターン実績と前記平滑化気温パ
ターンの差、当日から所定時間先までの予想気温パター
ンと前記平滑化気温パターンとの差及び曜日フラグを、
出力データとして当日から所定時間先までの需要パター
ンと前記需要パターンの平滑化値との差を用い、過去所
定日数問の前記入出力データの実績値を学習データとし
て、前記神経回路網の出力と前記当日から所定時間先ま
での需要パターン実績値と前記平滑化需要パターンとの
差とが一致するように学習を行わせ、学習終了後の前記
神経回路網に予測当日から所定時間過去までの需要パタ
ーン実績と前記平滑化需要パターンとの差、予測当日か
ら所定時間過去までの気温パターン実績と前記平滑化気
温パターンとの差、当日から所定時間先までの予想気温
パターンと前記平滑化気温パターンとの差及び曜日フラ
グを入力し、 前記神経回路網の出力として得られる需要予測パターン
と前記平滑化需要パターンの差の開始時刻及び終了時刻
を固定し、前記神経回路網の入力デー夕である当日の予
想気温パターンと前記平滑化気温パターンの差の一部
を、前記需要予測パターンと前記平滑化需要パターンの
差の開始時刻から予想実施時刻までの間に得られた実績
気温パターンと前記平滑化気温パターンの差で置き換
え、 需要量 と前記平滑化需要パターンとの差を予測した後、
需要パターンを算出することを特徴とするガス需要量の
予測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP29058097A JP3268520B2 (ja) | 1997-10-23 | 1997-10-23 | ガス需要量の予測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP29058097A JP3268520B2 (ja) | 1997-10-23 | 1997-10-23 | ガス需要量の予測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH11126102A JPH11126102A (ja) | 1999-05-11 |
| JP3268520B2 true JP3268520B2 (ja) | 2002-03-25 |
Family
ID=17757867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP29058097A Expired - Fee Related JP3268520B2 (ja) | 1997-10-23 | 1997-10-23 | ガス需要量の予測方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3268520B2 (ja) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3863767B2 (ja) * | 2001-12-03 | 2006-12-27 | 大陽日酸東関東株式会社 | バルクガス配送システムおよび配送方法、並びにバルクガスローリー車の配車方法 |
| JP4099334B2 (ja) * | 2002-01-18 | 2008-06-11 | 株式会社東芝 | プラント運用制御装置 |
| JP2004164388A (ja) * | 2002-11-14 | 2004-06-10 | Yokogawa Electric Corp | 需要予測システム |
| JP2009251742A (ja) * | 2008-04-02 | 2009-10-29 | Central Res Inst Of Electric Power Ind | 需要予測装置、需要予測方法および需要予測プログラム |
| CN108444110B (zh) * | 2018-04-11 | 2019-06-25 | 南通大学 | 基于bp网络预测的空气源热泵热水系统设计方法 |
| CN117078296A (zh) * | 2023-09-04 | 2023-11-17 | 国家电投集团科学技术研究院有限公司 | 用于露天煤矿的煤炭产销智能管理系统 |
| CN116951317B (zh) * | 2023-09-20 | 2023-11-21 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气的供气成本管控方法、物联网系统与介质 |
-
1997
- 1997-10-23 JP JP29058097A patent/JP3268520B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH11126102A (ja) | 1999-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Laitner et al. | Technological change and the stock market | |
| CN111210093B (zh) | 基于大数据的日用水量预测方法 | |
| JP6445909B2 (ja) | 電力需要予測システム | |
| JP2004112869A (ja) | 電力需要予測システム | |
| BROŻYNA et al. | MULTI-SEASONALITY IN THE TBATS MODEL USING DEMAND FOR ELECTRIC ENERGY AS A CASE STUDY. | |
| CN115660725A (zh) | 多维度能源用户画像的刻画方法 | |
| JP3268520B2 (ja) | ガス需要量の予測方法 | |
| CN109472399A (zh) | 考虑预测不确定性的机票购买决策方法和系统 | |
| CN117196695B (zh) | 一种目标产品的销量数据的预测方法及装置 | |
| Salgado et al. | A short-term bus load forecasting system | |
| Valenzuela et al. | Statistical analysis of electric power production costs | |
| JP3650304B2 (ja) | 需要予測装置 | |
| US20050096964A1 (en) | Best indicator adaptive forecasting method | |
| JP3754267B2 (ja) | 配水量予測システム | |
| JPH0922402A (ja) | 日最大電力需要量予測方法 | |
| Spichakova et al. | Feature engineering for short-term forecast of energy consumption | |
| JP2000305606A (ja) | 配水需要量予測方法 | |
| Hutama et al. | Medium term power load forecasting for Java and Bali power system using artificial neural network and SARIMAX | |
| JP7079663B2 (ja) | 電力需要予測システム、学習装置及び電力需要予測方法 | |
| JP5561643B2 (ja) | 需要予測装置及び水運用監視システム | |
| CN112614006A (zh) | 负荷预测方法、装置、计算机可读存储介质以及处理器 | |
| KR20170089549A (ko) | 지능형 수요 반응 입찰 관리 시스템 및 그 방법 | |
| US20240303680A1 (en) | Method and system for managing clearance markdown | |
| US20240303679A1 (en) | Method and system for managing clearance markdown | |
| Duan | Research on hotel online sales forecast model based on improved WaveNet |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 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: 20080118 Year of fee payment: 6 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080118 Year of fee payment: 6 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090118 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090118 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100118 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100118 Year of fee payment: 8 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313115 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100118 Year of fee payment: 8 |
|
| R360 | Written notification for declining of transfer of rights |
Free format text: JAPANESE INTERMEDIATE CODE: R360 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100118 Year of fee payment: 8 |
|
| R360 | Written notification for declining of transfer of rights |
Free format text: JAPANESE INTERMEDIATE CODE: R360 |
|
| R371 | Transfer withdrawn |
Free format text: JAPANESE INTERMEDIATE CODE: R371 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100118 Year of fee payment: 8 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313115 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100118 Year of fee payment: 8 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110118 Year of fee payment: 9 |
|
| LAPS | Cancellation because of no payment of annual fees |