JP3302081B2 - 電力需要量予測装置 - Google Patents
電力需要量予測装置Info
- Publication number
- JP3302081B2 JP3302081B2 JP06398293A JP6398293A JP3302081B2 JP 3302081 B2 JP3302081 B2 JP 3302081B2 JP 06398293 A JP06398293 A JP 06398293A JP 6398293 A JP6398293 A JP 6398293A JP 3302081 B2 JP3302081 B2 JP 3302081B2
- Authority
- JP
- Japan
- Prior art keywords
- power demand
- neural network
- data
- weather
- learning
- 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
-
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、気象変数および電力需
要量の統計的な性質から電力需要量を予測する電力需要
量予測装置に関するものである。
要量の統計的な性質から電力需要量を予測する電力需要
量予測装置に関するものである。
【０００２】
【従来の技術】一般に、電力の系統運用においては、供
給信頼度の維持、および運用効率の向上を図るために、
日毎の電力需要量の予測が不可欠である。従来から、こ
の予測方法としては、例えば電力需要量や気象変数の時
系列解析による方法や、経済指標との相関を用いる方法
等がある。中でも、近年の冷暖房機器の普及による電力
需要量と気象変数との関連性の強化に伴ない、過去の気
象変数と電力需要量との統計的な関係を抽出し、その関
係と気象予報値とによって電力需要量を予測する方法が
普及している。一般に、気象変数と電力需要量との関係
は非線形であることから、非線形な関係をデータの学習
によって抽出する能力を持つ神経回路網の適用が多数提
案されてきている。
給信頼度の維持、および運用効率の向上を図るために、
日毎の電力需要量の予測が不可欠である。従来から、こ
の予測方法としては、例えば電力需要量や気象変数の時
系列解析による方法や、経済指標との相関を用いる方法
等がある。中でも、近年の冷暖房機器の普及による電力
需要量と気象変数との関連性の強化に伴ない、過去の気
象変数と電力需要量との統計的な関係を抽出し、その関
係と気象予報値とによって電力需要量を予測する方法が
普及している。一般に、気象変数と電力需要量との関係
は非線形であることから、非線形な関係をデータの学習
によって抽出する能力を持つ神経回路網の適用が多数提
案されてきている。
【０００３】ところで、従来の神経回路網は、学習デー
タの内挿によって未学習データの推定を行なうので、高
精度の予測を実現するためには、様々な状況に対応した
大量のデータを学習する必要がある。
タの内挿によって未学習データの推定を行なうので、高
精度の予測を実現するためには、様々な状況に対応した
大量のデータを学習する必要がある。
【０００４】しかしながら、電力需要量の予測に関して
は、種類、数量ともに充分な学習データを用意すること
は困難である。なぜならば、曜日、季節、年によって、
気象要因と電力需要量との関係が異なるからである。そ
して、もし、これらの傾向の異なるデータをそのまま併
せて学習すれば、予測する期間とは異なった関係が学習
されてしまう。また、傾向が等しいと思われるデータの
みを学習すれば、学習データ数は極端に少なくなってし
まう。いずれの場合においても、神経回路網による高精
度な予測を行なうことは困難である。
は、種類、数量ともに充分な学習データを用意すること
は困難である。なぜならば、曜日、季節、年によって、
気象要因と電力需要量との関係が異なるからである。そ
して、もし、これらの傾向の異なるデータをそのまま併
せて学習すれば、予測する期間とは異なった関係が学習
されてしまう。また、傾向が等しいと思われるデータの
みを学習すれば、学習データ数は極端に少なくなってし
まう。いずれの場合においても、神経回路網による高精
度な予測を行なうことは困難である。
【０００５】
【発明が解決しようとする課題】以上のように、従来の
神経回路網による予測においては、要求される予測精度
を実現するために、必要な種類、数量の学習データを用
意できないという問題があった。
神経回路網による予測においては、要求される予測精度
を実現するために、必要な種類、数量の学習データを用
意できないという問題があった。
【０００６】本発明の目的は、神経回路網が構成する写
像の満たすべき性質を気象変数と電力需要量との統計分
析より求め、これを神経回路網の学習における制約条件
とすることにより、少ない学習データで高精度な電力需
要量予測を実現することが可能な極めて信頼性の高い電
力需要量予測装置を提供することにある。
像の満たすべき性質を気象変数と電力需要量との統計分
析より求め、これを神経回路網の学習における制約条件
とすることにより、少ない学習データで高精度な電力需
要量予測を実現することが可能な極めて信頼性の高い電
力需要量予測装置を提供することにある。
【０００７】
【課題を解決するための手段】上記の目的を達成するた
めに本発明では、過去および予測当日の気象データと、
過去の電力需要量のデータを取り込み蓄積するデータベ
ースと、データベースに蓄積されたデータの学習、およ
びこれらのデータより予測日の電力需要量の予測を行な
う神経回路網手段と、気象と電力需要量との統計的に関
係するある特定の要因による変化量を求める傾向変化分
析手段と、傾向変化分析手段により求められた気象と電
力需要量との統計的に関係するある特定の要因による変
化量から神経回路網手段の入出力関数特性に対する必要
条件を設定する条件設定手段と、条件設定手段により設
定された必要条件を逸脱しない範囲で、神経回路網手段
の構造を修正できる範囲を計算し、その値を格納する修
正可能範囲計算手段と、データベースに蓄積されている
データを神経回路網手段に学習させるために必要な神経
回路網手段の構造の修正量を計算する修正量計算手段
と、修正量計算手段により計算された修正量が修正可能
範囲計算手段により計算された修正可能範囲内にある場
合に、神経回路網手段の構造を修正する手段と、神経回
路網手段の学習、および予測の両処理の切り替えを行な
う処理切り替え手段とを備えて構成している。特に、神
経回路網手段はデータベースに蓄積されている過去のデ
ータのうち予測至近日より前のデータを用いて学習を行
い、修正量計算手段はデータベースに蓄積されている過
去のデータのうち予測至近日のデータを用いて修正量を
計算する。
めに本発明では、過去および予測当日の気象データと、
過去の電力需要量のデータを取り込み蓄積するデータベ
ースと、データベースに蓄積されたデータの学習、およ
びこれらのデータより予測日の電力需要量の予測を行な
う神経回路網手段と、気象と電力需要量との統計的に関
係するある特定の要因による変化量を求める傾向変化分
析手段と、傾向変化分析手段により求められた気象と電
力需要量との統計的に関係するある特定の要因による変
化量から神経回路網手段の入出力関数特性に対する必要
条件を設定する条件設定手段と、条件設定手段により設
定された必要条件を逸脱しない範囲で、神経回路網手段
の構造を修正できる範囲を計算し、その値を格納する修
正可能範囲計算手段と、データベースに蓄積されている
データを神経回路網手段に学習させるために必要な神経
回路網手段の構造の修正量を計算する修正量計算手段
と、修正量計算手段により計算された修正量が修正可能
範囲計算手段により計算された修正可能範囲内にある場
合に、神経回路網手段の構造を修正する手段と、神経回
路網手段の学習、および予測の両処理の切り替えを行な
う処理切り替え手段とを備えて構成している。特に、神
経回路網手段はデータベースに蓄積されている過去のデ
ータのうち予測至近日より前のデータを用いて学習を行
い、修正量計算手段はデータベースに蓄積されている過
去のデータのうち予測至近日のデータを用いて修正量を
計算する。
【０００８】ここで、特に上記傾向変化分析手段として
は、気象と電力需要量の統計的な関係のある特定の要因
として、年度による電力需要傾向の変化を設定し、この
設定から年度変化により神経回路網手段の構造修正可能
範囲を計算し、当該構造修正可能範囲内で神経回路網手
段の構造を修正するようにしている。
は、気象と電力需要量の統計的な関係のある特定の要因
として、年度による電力需要傾向の変化を設定し、この
設定から年度変化により神経回路網手段の構造修正可能
範囲を計算し、当該構造修正可能範囲内で神経回路網手
段の構造を修正するようにしている。
【０００９】また、上記傾向変化分析手段としては、気
象と電力需要量との統計的に関係するある特定の要因と
して、曜日による電力需要傾向の変化を設定し、この設
定から曜日の変化による神経回路網手段の構造修正可能
範囲を計算し、当該構造修正可能範囲内で神経回路網手
段の構造を修正するようにしている。
象と電力需要量との統計的に関係するある特定の要因と
して、曜日による電力需要傾向の変化を設定し、この設
定から曜日の変化による神経回路網手段の構造修正可能
範囲を計算し、当該構造修正可能範囲内で神経回路網手
段の構造を修正するようにしている。
【００１０】さらに、上記傾向変化分析手段としては、
気象と電力需要量の統計的な関係のある特定の要因とし
て、天候による電力需要傾向の変化を設定し、この設定
から天候の変化による神経回路網手段の構造修正可能範
囲を計算し、当該構造修正可能範囲内で神経回路網手段
の構造を修正するようにしている。
気象と電力需要量の統計的な関係のある特定の要因とし
て、天候による電力需要傾向の変化を設定し、この設定
から天候の変化による神経回路網手段の構造修正可能範
囲を計算し、当該構造修正可能範囲内で神経回路網手段
の構造を修正するようにしている。
【００１１】
【作用】従って、本発明の電力需要量予測装置において
は、次のようにして電力需要量予測が行なわれる。
は、次のようにして電力需要量予測が行なわれる。
【００１２】まず、気象と電力需要量との統計的に関係
するある特定の要因による変化量を求め、これより神経
回路網手段の入出力関数特性に対する必要条件を設定
し、その必要条件を逸脱しない範囲で神経回路網手段の
構造を修正できる範囲を計算する。次に、予測日に適合
する特定の要因があてはまらない、一般の状況における
気象データと電力需要量データとの関係を神経回路網に
学習させる。次に、予測日に適合する特定の要因があて
はまる状況での気象データと電力需要量データとの関係
を、上記で求めた範囲内で神経回路網に追加学習させ
る。次に、学習後の神経回路網に予測日の気象データを
入力し、電力需要量を推定する。
するある特定の要因による変化量を求め、これより神経
回路網手段の入出力関数特性に対する必要条件を設定
し、その必要条件を逸脱しない範囲で神経回路網手段の
構造を修正できる範囲を計算する。次に、予測日に適合
する特定の要因があてはまらない、一般の状況における
気象データと電力需要量データとの関係を神経回路網に
学習させる。次に、予測日に適合する特定の要因があて
はまる状況での気象データと電力需要量データとの関係
を、上記で求めた範囲内で神経回路網に追加学習させ
る。次に、学習後の神経回路網に予測日の気象データを
入力し、電力需要量を推定する。
【００１３】すなわち、あらかじめ気象と電力需要との
一般的な関係を神経回路網に学習させておき、神経回路
網が構成する写像の満たすべき性質を気象変数と電力需
要量との統計分析より求め、これを神経回路網の追加学
習における制約条件とすることにより、予測日と同じ条
件である学習データが少ない場合においても、高精度な
電力需要量予測を実現することができる。
一般的な関係を神経回路網に学習させておき、神経回路
網が構成する写像の満たすべき性質を気象変数と電力需
要量との統計分析より求め、これを神経回路網の追加学
習における制約条件とすることにより、予測日と同じ条
件である学習データが少ない場合においても、高精度な
電力需要量予測を実現することができる。
【００１４】
【実施例】以下、本発明の一実施例について図面を参照
して説明する。図１は、本発明による電力需要量予測装
置の全体構成例を示すブロック図である。
して説明する。図１は、本発明による電力需要量予測装
置の全体構成例を示すブロック図である。
【００１５】すなわち、本実施例の電力需要量予測装置
は、図１に示すように、データベース１と、処理切り替
え手段であるデータ分別器２と、神経回路網３と、予測
値格納部４と、傾向変化分析器５と、条件設定手段であ
る入出力関数条件設定器６と、荷重値修正可能範囲計算
器７と、修正量計算器８と、神経回路網３の構造を修正
する手段である神経回路網学習器９とから構成してい
る。ここで、データベース１は、過去から予測日前日ま
での気象データおよび電力需要量データと、予測日の予
報気象データが蓄積されているものである。
は、図１に示すように、データベース１と、処理切り替
え手段であるデータ分別器２と、神経回路網３と、予測
値格納部４と、傾向変化分析器５と、条件設定手段であ
る入出力関数条件設定器６と、荷重値修正可能範囲計算
器７と、修正量計算器８と、神経回路網３の構造を修正
する手段である神経回路網学習器９とから構成してい
る。ここで、データベース１は、過去から予測日前日ま
での気象データおよび電力需要量データと、予測日の予
報気象データが蓄積されているものである。
【００１６】また、データ分別器２は、データの傾向分
析、神経回路網の学習、電力需要量予測値の推定といっ
た各処理に用いられるデータを、データベース１から取
り出し分別し、各処理部へ与えるものである。なお、こ
のデータ分別器２は、上記各処理の切り替えも行なうも
のである。
析、神経回路網の学習、電力需要量予測値の推定といっ
た各処理に用いられるデータを、データベース１から取
り出し分別し、各処理部へ与えるものである。なお、こ
のデータ分別器２は、上記各処理の切り替えも行なうも
のである。
【００１７】さらに、神経回路網３は、予測日までの気
象変数を入力とし、予測日の電力需要量を出力とするも
のである。また、その構成方法としては、例えば層状構
造のパーセプトロン型の神経回路網を用いることができ
る。
象変数を入力とし、予測日の電力需要量を出力とするも
のである。また、その構成方法としては、例えば層状構
造のパーセプトロン型の神経回路網を用いることができ
る。
【００１８】すなわち、この神経回路網３は、データベ
ース１に蓄積されている過去の気象データと電力需要デ
ータとの関係を学習するものである。ここで、気象変数
と電力需要量との一般的な傾向の学習には、予測年度よ
りも過去の過年度データを用い、予測日至近の傾向の追
加学習には、予測日の前日から２週間程度前までの至近
日データを用いる。そして、予測日の予報気象データか
ら電力需要量予測値を推定し、この予測値を予測値格納
部４に格納する。
ース１に蓄積されている過去の気象データと電力需要デ
ータとの関係を学習するものである。ここで、気象変数
と電力需要量との一般的な傾向の学習には、予測年度よ
りも過去の過年度データを用い、予測日至近の傾向の追
加学習には、予測日の前日から２週間程度前までの至近
日データを用いる。そして、予測日の予報気象データか
ら電力需要量予測値を推定し、この予測値を予測値格納
部４に格納する。
【００１９】一方、傾向変化分析器５は、気象データと
電力需要量データとの関係について、予測年度よりも過
去の過年度データと、予測日至近の至近日データとの、
電力需要量の平均値の差や、気象変数の変化に対する電
力需要量の変化率、すなわち感度の差を計算するもので
ある。
電力需要量データとの関係について、予測年度よりも過
去の過年度データと、予測日至近の至近日データとの、
電力需要量の平均値の差や、気象変数の変化に対する電
力需要量の変化率、すなわち感度の差を計算するもので
ある。
【００２０】また、入出力関数条件設定器６は、傾向変
化分析器５により計算された電力需要量の平均値や感度
の差から、至近日データの追加学習における神経回路網
３の入出力特性に対する必要条件、すなわち出力は、感
度の変化許容範囲を設定するものである。
化分析器５により計算された電力需要量の平均値や感度
の差から、至近日データの追加学習における神経回路網
３の入出力特性に対する必要条件、すなわち出力は、感
度の変化許容範囲を設定するものである。
【００２１】さらに、荷重値修正可能範囲計算器７は、
神経回路網３の入出力特性が、入出力関数条件設定器６
により設定された必要条件を逸脱しない範囲で、神経回
路網３の構造、すなわち各荷重値および各しきい値の修
正できる範囲を計算し、蓄積するものである。
神経回路網３の入出力特性が、入出力関数条件設定器６
により設定された必要条件を逸脱しない範囲で、神経回
路網３の構造、すなわち各荷重値および各しきい値の修
正できる範囲を計算し、蓄積するものである。
【００２２】一方、修正量計算器８は、データベース１
に蓄積されているデータを神経回路網３に学習させるた
めに必要な神経回路網３の構造の修正量を計算するもの
である。この修正量計算器８は、ユーザーインターフェ
イスを装備し、オペレータがデータの各段階での学習を
打ち切るための打ち切り誤差を入力するためのインター
フェイスを備えている。
に蓄積されているデータを神経回路網３に学習させるた
めに必要な神経回路網３の構造の修正量を計算するもの
である。この修正量計算器８は、ユーザーインターフェ
イスを装備し、オペレータがデータの各段階での学習を
打ち切るための打ち切り誤差を入力するためのインター
フェイスを備えている。
【００２３】また、神経回路網学習器９は、神経回路網
３の学習を行なう機能と、修正量計算器８により計算さ
れた修正量が荷重値修正可能範囲計算器７により計算さ
れた修正可能範囲内にある場合に、神経回路網３の構造
を修正する機能を有するものである。この神経回路網学
習器９は、ユーザーインターフェイスを装備し、上記修
正可能範囲内で学習が行なわれたか否かをオペレータに
提示するインターフェイスを備えている。次に、以上の
ように構成した本実施例の電力需要量予測装置の作用に
ついて、図２に示すフロー図を用いて説明する。まず、
本実施例の電力需要量予測装置は、次の４つの動作モー
ドを有する。これらのモードの切り替えは、データ分別
器２により行なわれる。 （１）神経回路網３の至近日データの追加学習における
荷重値修正可能範囲を計算するモード （２）神経回路網３に過年度データを学習するモード （３）神経回路網３に至近日データを追加学習するモー
ド （４）予測日の電力需要量を推定するモード
３の学習を行なう機能と、修正量計算器８により計算さ
れた修正量が荷重値修正可能範囲計算器７により計算さ
れた修正可能範囲内にある場合に、神経回路網３の構造
を修正する機能を有するものである。この神経回路網学
習器９は、ユーザーインターフェイスを装備し、上記修
正可能範囲内で学習が行なわれたか否かをオペレータに
提示するインターフェイスを備えている。次に、以上の
ように構成した本実施例の電力需要量予測装置の作用に
ついて、図２に示すフロー図を用いて説明する。まず、
本実施例の電力需要量予測装置は、次の４つの動作モー
ドを有する。これらのモードの切り替えは、データ分別
器２により行なわれる。 （１）神経回路網３の至近日データの追加学習における
荷重値修正可能範囲を計算するモード （２）神経回路網３に過年度データを学習するモード （３）神経回路網３に至近日データを追加学習するモー
ド （４）予測日の電力需要量を推定するモード
【００２４】なお、以下で述べる実施例では、４つのモ
ードが（１），（２），（３），（４）と順番に遷移す
る例をとりあげるが、モード（１）と（２）は並行して
作動させることも、データ分別器２の設定により可能で
ある。最初に、至近日データの追加学習における荷重値
修正可能範囲を計算するモードについて、図２の（１）
を用いて述べる。
ードが（１），（２），（３），（４）と順番に遷移す
る例をとりあげるが、モード（１）と（２）は並行して
作動させることも、データ分別器２の設定により可能で
ある。最初に、至近日データの追加学習における荷重値
修正可能範囲を計算するモードについて、図２の（１）
を用いて述べる。
【００２５】まず、予測年度よりも過去の年度である過
年度における気象データおよび電力需要量データが、デ
ータ分別器２により傾向変化分析器５に与えられる（ス
テップＳ１）。
年度における気象データおよび電力需要量データが、デ
ータ分別器２により傾向変化分析器５に与えられる（ス
テップＳ１）。
【００２６】すると、傾向変化分析器５では、気象デー
タと電力需要量データとの関係式が、統計処理により各
年度毎に求められる（ステップＳ２）。この場合の関係
式の算出例を以下に示す。
タと電力需要量データとの関係式が、統計処理により各
年度毎に求められる（ステップＳ２）。この場合の関係
式の算出例を以下に示す。
【００２７】（例１） 予測日の最高気温、および予測
日の３日前から前日までの最高気温の２つの変数を説明
変数、予測日の電力需要量を目的変数として重回帰計算
が行なわれる。
日の３日前から前日までの最高気温の２つの変数を説明
変数、予測日の電力需要量を目的変数として重回帰計算
が行なわれる。
【００２８】（例２） 例１で求められた回帰係数の比
で各説明変数を重み付けしたものを合成気温とし、合成
気温と電力需要量との３次式による非線形回帰計算が行
なわれる。
で各説明変数を重み付けしたものを合成気温とし、合成
気温と電力需要量との３次式による非線形回帰計算が行
なわれる。
【００２９】ここで、求められた関係式を年度間で比較
することにより、１年間の電力需要の増加量や、気象変
数の変化に対する電力需要量の変化率、すなわち感度の
伸び率が求められる（ステップＳ３）。そして、これら
の値から、至近日データの追加学習における神経回路網
３の入出力特性に対する必要条件、すなわち出力、感度
の変化許容範囲が入出力関数条件設定器６により設定さ
れる（ステップＳ４）。
することにより、１年間の電力需要の増加量や、気象変
数の変化に対する電力需要量の変化率、すなわち感度の
伸び率が求められる（ステップＳ３）。そして、これら
の値から、至近日データの追加学習における神経回路網
３の入出力特性に対する必要条件、すなわち出力、感度
の変化許容範囲が入出力関数条件設定器６により設定さ
れる（ステップＳ４）。
【００３０】例えば、傾向変化分析器５より、１年間の
電力需要量の増加量がａ（ＭＷ）、感度の増加量がｂ
（％）であることが明らかになった場合、予測前年度ま
でのデータを学習した神経回路網３へ、予測年度の至近
日データを追加学習する時の電力需要量の増加量はａ×
１．１（ＭＷ）以内、感度の増加量はｂ×１．１（％）
以内、等の設定が行なわれる。そして、これらの設定値
から、神経回路網３の荷重値およびしきい値の修正可能
範囲が、荷重値修正可能範囲計算器７により計算され、
格納される（ステップＳ５）。その後、修正可能範囲設
定終了の信号が、神経回路網学習器９よりデータ分別器
２へ送出される。
電力需要量の増加量がａ（ＭＷ）、感度の増加量がｂ
（％）であることが明らかになった場合、予測前年度ま
でのデータを学習した神経回路網３へ、予測年度の至近
日データを追加学習する時の電力需要量の増加量はａ×
１．１（ＭＷ）以内、感度の増加量はｂ×１．１（％）
以内、等の設定が行なわれる。そして、これらの設定値
から、神経回路網３の荷重値およびしきい値の修正可能
範囲が、荷重値修正可能範囲計算器７により計算され、
格納される（ステップＳ５）。その後、修正可能範囲設
定終了の信号が、神経回路網学習器９よりデータ分別器
２へ送出される。
【００３１】次に、神経回路網３に過年度データを学習
するモードについて、図２の（２）を用いて述べる。こ
のモードは、修正可能範囲設定終了の信号をデータ分別
器２が受入れることにより作動する。
するモードについて、図２の（２）を用いて述べる。こ
のモードは、修正可能範囲設定終了の信号をデータ分別
器２が受入れることにより作動する。
【００３２】まず、過年度の気象データと電力需要量デ
ータが、データ分別器２により修正量計算器８に与えら
れる（ステップＳ１１）。そして、神経回路網学習器９
は、修正量計算器８に、過年度のデータを学習するため
に必要な荷重値およびしきい値の修正量を計算させる
（ステップＳ１２）。
ータが、データ分別器２により修正量計算器８に与えら
れる（ステップＳ１１）。そして、神経回路網学習器９
は、修正量計算器８に、過年度のデータを学習するため
に必要な荷重値およびしきい値の修正量を計算させる
（ステップＳ１２）。
【００３３】次に、神経回路網学習器９では、神経回路
網３の荷重値およびしきい値が修正され（ステップＳ１
３）、データ分別器２に過年度データ学習終了の信号が
送出される。
網３の荷重値およびしきい値が修正され（ステップＳ１
３）、データ分別器２に過年度データ学習終了の信号が
送出される。
【００３４】次に、神経回路網３に至近日データを追加
学習するモードについて、図２の（３）を用いて述べ
る。このモードは、過年度データ学習終了の信号をデー
タ分別器２が受入れることにより作動する。
学習するモードについて、図２の（３）を用いて述べ
る。このモードは、過年度データ学習終了の信号をデー
タ分別器２が受入れることにより作動する。
【００３５】まず、予測日至近の気象データと電力需要
量データが、データ分別器２により修正計算器８に与え
られる（ステップＳ２１）。そして、神経回路網学習器
９は、修正量計算器８に、至近日のデータを学習するた
めに必要な荷重値およびしきい値の修正量を計算させる
（ステップＳ２２）。
量データが、データ分別器２により修正計算器８に与え
られる（ステップＳ２１）。そして、神経回路網学習器
９は、修正量計算器８に、至近日のデータを学習するた
めに必要な荷重値およびしきい値の修正量を計算させる
（ステップＳ２２）。
【００３６】次に、神経回路網学習器９では、修正量計
算器８により求められた修正量と、荷重値修正可能範囲
計算器７に格納されている荷重値またはしきい値の修正
可能範囲とが比較される（ステップＳ２３）。そして、
この比較結果、修正量が修正可能範囲内におさまってい
る場合には、神経回路網３の荷重値およびしきい値が修
正され（ステップＳ２４）、データ分別器２に至近日デ
ータ学習終了の信号が送出される。
算器８により求められた修正量と、荷重値修正可能範囲
計算器７に格納されている荷重値またはしきい値の修正
可能範囲とが比較される（ステップＳ２３）。そして、
この比較結果、修正量が修正可能範囲内におさまってい
る場合には、神経回路網３の荷重値およびしきい値が修
正され（ステップＳ２４）、データ分別器２に至近日デ
ータ学習終了の信号が送出される。
【００３７】これに対して、修正量が修正可能範囲内に
おさまらない場合には、神経回路網学習器９では、荷重
値・しきい値の修正量を、修正可能範囲の上限または下
限値に置き換えて（ステップＳ２５）、神経回路網３の
荷重値およびしきい値が修正され（ステップＳ２４）、
データ分別器２に至近日データ学習終了の信号が送出さ
れる。この時、修正量が修正可能範囲を超えていること
を、神経回路網学習器９のインターフェイスによってオ
ペレータに報知するようにしてもよい。
おさまらない場合には、神経回路網学習器９では、荷重
値・しきい値の修正量を、修正可能範囲の上限または下
限値に置き換えて（ステップＳ２５）、神経回路網３の
荷重値およびしきい値が修正され（ステップＳ２４）、
データ分別器２に至近日データ学習終了の信号が送出さ
れる。この時、修正量が修正可能範囲を超えていること
を、神経回路網学習器９のインターフェイスによってオ
ペレータに報知するようにしてもよい。
【００３８】最後に、予測日の電力需要量を推定するモ
ードについて、図２の（４）を用いて説明する。このモ
ードは、至近日データ学習終了の信号をデータ分別器２
が受入れることにより作動する。
ードについて、図２の（４）を用いて説明する。このモ
ードは、至近日データ学習終了の信号をデータ分別器２
が受入れることにより作動する。
【００３９】まず、予測日の気象データがデータ分別器
２により神経回路網３に与えられる（ステップ３１）。
これにより、予測日の気象データが神経回路網３に入力
され（ステップ３２）、神経回路網３ではこの入力され
たデータに対して処理が行なわれ、データが出力される
（ステップ３３）。そして、この出力結果は、予測値格
納部４に格納される（ステップ３４）。
２により神経回路網３に与えられる（ステップ３１）。
これにより、予測日の気象データが神経回路網３に入力
され（ステップ３２）、神経回路網３ではこの入力され
たデータに対して処理が行なわれ、データが出力される
（ステップ３３）。そして、この出力結果は、予測値格
納部４に格納される（ステップ３４）。
【００４０】上述したように、本実施例の電力需要量予
測装置は、過去から予測日前日までの気象データおよび
電力需要量データと、予測日の予報気象データが蓄積さ
れているデータベース１と、データの傾向分析、神経回
路網の学習、電力需要量予測値の推定といった各処理に
用いられるデータを、データベース１から取り出し分別
し、各処理部へ与えると共に、上記各処理の切り替えを
行なうデータ分別器２と、予測日までの気象変数を入力
とし、データベース１に蓄積されている過去の気象デー
タと電力需要データとの関係を学習して、予測日の電力
需要量を出力する神経回路網３と、気象データと電力需
要量データとの関係について、予測年度よりも過去の過
年度データと、予測日至近の至近日データとの、電力需
要量の平均値の差や、気象変数の変化に対する電力需要
量の変化率、すなわち感度の差を計算する傾向変化分析
器５と、傾向変化分析器５により計算された電力需要量
の平均値や感度の差から、至近日データの追加学習にお
ける神経回路網３の入出力特性に対する必要条件、すな
わち出力は、感度の変化許容範囲を設定する入出力関数
条件設定器６と、神経回路網３の入出力特性が、入出力
関数条件設定器６により設定された必要条件を逸脱しな
い範囲で、神経回路網３の構造、すなわち各荷重値およ
び各しきい値の修正できる範囲を計算し、蓄積する荷重
値修正可能範囲計算器７と、データベース１に蓄積され
ているデータを神経回路網３に学習させるために必要な
神経回路網３の構造の修正量を計算する修正量計算器８
と、神経回路網３の学習を行なう機能と、修正量計算器
８により計算された修正量が荷重値修正可能範囲計算器
７により計算された修正可能範囲内にある場合に、神経
回路網３の構造を修正する機能を有する神経回路網学習
器９とから構成したものである。
測装置は、過去から予測日前日までの気象データおよび
電力需要量データと、予測日の予報気象データが蓄積さ
れているデータベース１と、データの傾向分析、神経回
路網の学習、電力需要量予測値の推定といった各処理に
用いられるデータを、データベース１から取り出し分別
し、各処理部へ与えると共に、上記各処理の切り替えを
行なうデータ分別器２と、予測日までの気象変数を入力
とし、データベース１に蓄積されている過去の気象デー
タと電力需要データとの関係を学習して、予測日の電力
需要量を出力する神経回路網３と、気象データと電力需
要量データとの関係について、予測年度よりも過去の過
年度データと、予測日至近の至近日データとの、電力需
要量の平均値の差や、気象変数の変化に対する電力需要
量の変化率、すなわち感度の差を計算する傾向変化分析
器５と、傾向変化分析器５により計算された電力需要量
の平均値や感度の差から、至近日データの追加学習にお
ける神経回路網３の入出力特性に対する必要条件、すな
わち出力は、感度の変化許容範囲を設定する入出力関数
条件設定器６と、神経回路網３の入出力特性が、入出力
関数条件設定器６により設定された必要条件を逸脱しな
い範囲で、神経回路網３の構造、すなわち各荷重値およ
び各しきい値の修正できる範囲を計算し、蓄積する荷重
値修正可能範囲計算器７と、データベース１に蓄積され
ているデータを神経回路網３に学習させるために必要な
神経回路網３の構造の修正量を計算する修正量計算器８
と、神経回路網３の学習を行なう機能と、修正量計算器
８により計算された修正量が荷重値修正可能範囲計算器
７により計算された修正可能範囲内にある場合に、神経
回路網３の構造を修正する機能を有する神経回路網学習
器９とから構成したものである。
【００４１】従って、あらかじめ気象と電力需要との一
般的な関係を神経回路網に学習させておき、神経回路網
が構成する写像の満たすべき性質を気象変数と電力需要
量との統計分析より求め、これを神経回路網の追加学習
における制約条件とするため、予測日と同じ条件での学
習データが少ない場合においても、極めて高精度な電力
需要量予測を行なうことが可能となる。尚、本発明は上
記実施例に限定されるものではなく、次のようにしても
同様に実施できるものである。
般的な関係を神経回路網に学習させておき、神経回路網
が構成する写像の満たすべき性質を気象変数と電力需要
量との統計分析より求め、これを神経回路網の追加学習
における制約条件とするため、予測日と同じ条件での学
習データが少ない場合においても、極めて高精度な電力
需要量予測を行なうことが可能となる。尚、本発明は上
記実施例に限定されるものではなく、次のようにしても
同様に実施できるものである。
【００４２】（ａ）上記実施例では、神経回路網３の入
力変数として予測日までの気象変数のみを用いる場合に
ついて説明したが、これに限らず、気象変数以外にも、
過去の電力需要量や経済指標等を用いることが可能であ
る。
力変数として予測日までの気象変数のみを用いる場合に
ついて説明したが、これに限らず、気象変数以外にも、
過去の電力需要量や経済指標等を用いることが可能であ
る。
【００４３】（ｂ）上記実施例では、気象変数と電力需
要量との関係が年度によって変化することから、過年度
データと予測日至近のデータとの学習を分けて行なう場
合について述べたが、これに限らず、傾向の異なるデー
タを分けて学習するという本発明の他の電力需要量予測
にも適用することが可能である。例えば、電力需要量
は、平日と土日曜日とでは格差があるので、平日のデー
タを学習した後で土，日曜日のデータを追加学習すると
いうことができる。
要量との関係が年度によって変化することから、過年度
データと予測日至近のデータとの学習を分けて行なう場
合について述べたが、これに限らず、傾向の異なるデー
タを分けて学習するという本発明の他の電力需要量予測
にも適用することが可能である。例えば、電力需要量
は、平日と土日曜日とでは格差があるので、平日のデー
タを学習した後で土，日曜日のデータを追加学習すると
いうことができる。
【００４４】また、冬季においては、降雪によって電力
需要が増加するので、降雪の無い日のデータを学習した
後で降雪のある日のデータを学習するという適用方法も
可能である。
需要が増加するので、降雪の無い日のデータを学習した
後で降雪のある日のデータを学習するという適用方法も
可能である。
【００４５】
【発明の効果】以上説明したように本発明によれば、過
去および予測当日の気象データと、過去の電力需要量の
データを取り込み蓄積するデータベースと、データベー
スに蓄積されたデータの学習、およびこれらのデータよ
り予測日の電力需要量の予測を行なう神経回路網手段
と、気象と電力需要量との統計的に関係するある特定の
要因による変化量を求める傾向変化分析手段と、傾向変
化分析手段により求められた気象と電力需要量との統計
的に関係するある特定の要因による変化量から神経回路
網手段の入出力関数特性に対する必要条件を設定する条
件設定手段と、条件設定手段により設定された必要条件
を逸脱しない範囲で、神経回路網手段の構造を修正でき
る範囲を計算し、その値を格納する修正可能範囲計算手
段と、データベースに蓄積されているデータを神経回路
網手段に学習させるために必要な神経回路網手段の構造
の修正量を計算する修正量計算手段と、修正量計算手段
により計算された修正量が修正可能範囲計算手段により
計算された修正可能範囲内にある場合に、神経回路網手
段の構造を修正する手段と、神経回路網手段の学習、お
よび予測の両処理の切り替えを行なう処理切り替え手段
とを備えて構成したので、少ない学習データで高精度な
電力需要量予測を実現することが可能な極めて信頼性の
高い電力需要量予測装置が提供できる。
去および予測当日の気象データと、過去の電力需要量の
データを取り込み蓄積するデータベースと、データベー
スに蓄積されたデータの学習、およびこれらのデータよ
り予測日の電力需要量の予測を行なう神経回路網手段
と、気象と電力需要量との統計的に関係するある特定の
要因による変化量を求める傾向変化分析手段と、傾向変
化分析手段により求められた気象と電力需要量との統計
的に関係するある特定の要因による変化量から神経回路
網手段の入出力関数特性に対する必要条件を設定する条
件設定手段と、条件設定手段により設定された必要条件
を逸脱しない範囲で、神経回路網手段の構造を修正でき
る範囲を計算し、その値を格納する修正可能範囲計算手
段と、データベースに蓄積されているデータを神経回路
網手段に学習させるために必要な神経回路網手段の構造
の修正量を計算する修正量計算手段と、修正量計算手段
により計算された修正量が修正可能範囲計算手段により
計算された修正可能範囲内にある場合に、神経回路網手
段の構造を修正する手段と、神経回路網手段の学習、お
よび予測の両処理の切り替えを行なう処理切り替え手段
とを備えて構成したので、少ない学習データで高精度な
電力需要量予測を実現することが可能な極めて信頼性の
高い電力需要量予測装置が提供できる。
【図１】本発明による電力需要量予測装置の一実施例を
示すブロック図。
示すブロック図。
【図２】同実施例における電力需要量予測装置の作用を
説明するためのフロー図。
説明するためのフロー図。
１…データベース、２…データ分別器、３…神経回路
網、４…予測値格納部、５…傾向変化分析器、６…入出
力関数条件設定器、７…荷重値修正可能範囲計算器、８
…修正量計算器、９…神経回路網学習器。
網、４…予測値格納部、５…傾向変化分析器、６…入出
力関数条件設定器、７…荷重値修正可能範囲計算器、８
…修正量計算器、９…神経回路網学習器。
フロントページの続き (72)発明者 岸 靖久 富山県富山市牛島町15番１号 北陸電力 株式会社内 (72)発明者 小野 雅也 東京都府中市東芝町１番地 株式会社東 芝府中工場内 (72)発明者 島田 和恵 東京都府中市東芝町１番地 株式会社東 芝府中工場内 (72)発明者 川原 ゆう子 東京都府中市東芝町１番地 株式会社東 芝府中工場内 (72)発明者 范 建誼 東京都府中市東芝町１番地 株式会社東 芝府中工場内 (72)発明者 功刀 正彦 東京都府中市東芝町１番地 株式会社東 芝府中工場内 (56)参考文献 特開 平４−372046（ＪＰ，Ａ) 特開 平３−235621（ＪＰ，Ａ) 特開 平５−38051（ＪＰ，Ａ) (58)調査した分野(Int.Cl.7，ＤＢ名) H02J 3/00 - 5/00
Claims (4)
- 【請求項１】 過去および予測当日の気象データと、過
去の電力需要量のデータを取り込み蓄積するデータベー
スと、 前記データベースに蓄積されたデータの学習、およびこ
れらのデータより予測日の電力需要量の予測を行なう神
経回路網手段と、 気象と電力需要量との統計的に関係するある特定の要因
による変化量を求める傾向変化分析手段と、 前記傾向変化分析手段により求められた気象と電力需要
量との統計的に関係するある特定の要因による変化量か
ら神経回路網手段の入出力関数特性に対する必要条件を
設定する条件設定手段と、 前記条件設定手段により設定された必要条件を逸脱しな
い範囲で、前記神経回路網手段の構造を修正できる範囲
を計算し、その値を格納する修正可能範囲計算手段と、 前記データベースに蓄積されているデータを前記神経回
路網手段に学習させるために必要な神経回路網手段の構
造の修正量を計算する修正量計算手段と、 前記修正量計算手段により計算された修正量が前記修正
可能範囲計算手段により計算された修正可能範囲内にあ
る場合に、前記神経回路網手段の構造を修正する手段
と、 前記神経回路網手段の学習、および予測の両処理の切り
替えを行なう処理切り替え手段とを備え、前記神経回路網手段は前記データベースに蓄積されてい
る過去のデータのうち予測至近日より前のデータを用い
て前記学習を行い、前記修正量計算手段は前記データベ
ースに蓄積されている過去のデータのうち予測至近日の
データを用いて前記修正量を計算する ことを特徴とする
電力需要量予測装置。 - 【請求項２】 前記傾向変化分析手段としては、気象と
電力需要量との統計的に関係するある特定の要因とし
て、年度による電力需要傾向の変化を設定し、この設定
から年度変化により神経回路網手段の構造修正可能範囲
を計算し、当該構造修正可能範囲内で神経回路網手段の
構造を修正することを特徴とする請求項１に記載の電力
需要量予測装置。 - 【請求項３】 前記傾向変化分析手段としては、気象と
電力需要量の統計的な関係のある特定の要因として、曜
日による電力需要傾向の変化を設定し、この設定から曜
日の変化による神経回路網手段の構造修正可能範囲を計
算し、当該構造修正可能範囲内で神経回路網手段の構造
を修正することを特徴とする請求項１に記載の電力需要
量予測装置。 - 【請求項４】 前記傾向変化分析手段としては、気象と
電力需要量の統計的な関係のある特定の要因として、天
候による電力需要傾向の変化を設定し、この設定から天
候の変化による神経回路網手段の構造修正可能範囲を計
算し、当該構造修正可能範囲内で神経回路網手段の構造
を修正することを特徴とする請求項１に記載の電力需要
量予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP06398293A JP3302081B2 (ja) | 1993-03-23 | 1993-03-23 | 電力需要量予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP06398293A JP3302081B2 (ja) | 1993-03-23 | 1993-03-23 | 電力需要量予測装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH06276681A JPH06276681A (ja) | 1994-09-30 |
| JP3302081B2 true JP3302081B2 (ja) | 2002-07-15 |
Family
ID=13245006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP06398293A Expired - Fee Related JP3302081B2 (ja) | 1993-03-23 | 1993-03-23 | 電力需要量予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3302081B2 (ja) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4501619B2 (ja) * | 2004-09-24 | 2010-07-14 | アイシン・エィ・ダブリュ株式会社 | ナビゲーションシステム |
| JP6178045B2 (ja) | 2012-04-16 | 2017-08-09 | 株式会社東芝 | エネルギー管理システム、エネルギー管理方法、プログラムおよびサーバ装置 |
| JP6009976B2 (ja) | 2013-03-07 | 2016-10-19 | 株式会社東芝 | エネルギー管理システム、エネルギー管理方法、プログラムおよびサーバ |
| JP6400403B2 (ja) * | 2014-09-12 | 2018-10-03 | 株式会社東芝 | 契約電力選択装置、契約電力選択方法、及び、契約電力選択プログラム |
| KR101835045B1 (ko) * | 2015-04-30 | 2018-03-09 | 단국대학교 산학협력단 | 예측전력 프로파일을 통한 건물 실시간 수요관리 및 에너지 저감 방법과 이를 위한 시스템 |
| CN110111885B (zh) * | 2019-05-09 | 2023-09-19 | 腾讯科技（深圳）有限公司 | 属性预测方法、装置、计算机设备及计算机可读存储介质 |
-
1993
- 1993-03-23 JP JP06398293A patent/JP3302081B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH06276681A (ja) | 1994-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xie et al. | An advanced PLS approach for key performance indicator-related prediction and diagnosis in case of outliers | |
| Hou et al. | The model-free learning adaptive control of a class of SISO nonlinear systems | |
| Charytoniuk et al. | Nonparametric regression based short-term load forecasting | |
| JP4922597B2 (ja) | 燃料電池システムの診断方法および診断装置 | |
| CN114660399B (zh) | 一种环网柜设备状态监测及故障诊断方法 | |
| CN109597967A (zh) | 一种电力系统配变电站负荷数据异常检测与修复方法 | |
| CN110852476A (zh) | 客流预测方法、装置、计算机设备和存储介质 | |
| CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
| JP3302081B2 (ja) | 電力需要量予測装置 | |
| Reston Filho et al. | Energy price prediction multi-step ahead using hybrid model in the Brazilian market | |
| JPH0636061A (ja) | 階層型ニューラルネットワークの学習方式 | |
| CN114037138A (zh) | 基于双层分解和深度学习的地铁短时进站客流预测系统及实施方法 | |
| JPH0518995A (ja) | 電力総需要量予測装置 | |
| CN113344467A (zh) | 一种电力工程资金预测方法和装置 | |
| CN111275246A (zh) | 一种基于大数据技术的单品种农产品价格预测方法 | |
| Osowski et al. | Regularisation of neural networks for improved load forecasting in the power system | |
| CN101446828A (zh) | 一种非线性过程质量预报方法 | |
| CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
| CN116760033B (zh) | 一种基于人工智能的实时电力需求预测系统 | |
| CN116682062B (zh) | 一种基于电网高影响气象要素的灾害智能识别与监控方法、系统和存储介质 | |
| CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
| JP3641918B2 (ja) | 電力需要量予測値補正方法 | |
| JP2005237187A (ja) | 配電系統負荷想定方法及び装置 | |
| JPH0922402A (ja) | 日最大電力需要量予測方法 | |
| CN115796000A (zh) | 一种基于堆叠机器学习算法的短期气温预报集合订正方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
| 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: 20080426 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090426 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100426 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100426 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110426 Year of fee payment: 9 |
|
| LAPS | Cancellation because of no payment of annual fees |