JP3360520B2 - 日負荷曲線予測方法 - Google Patents
日負荷曲線予測方法Info
- Publication number
- JP3360520B2 JP3360520B2 JP04659496A JP4659496A JP3360520B2 JP 3360520 B2 JP3360520 B2 JP 3360520B2 JP 04659496 A JP04659496 A JP 04659496A JP 4659496 A JP4659496 A JP 4659496A JP 3360520 B2 JP3360520 B2 JP 3360520B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- day
- demand
- power
- power demand
- 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
Classifications
-
- Y04S10/54—
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Description
【０００１】
【発明の属する技術分野】本発明は、各種電力系統にお
ける中央給電指令所または地方給電指令所、系統制御所
等において、系統制御用計算機または汎用電子計算機上
で日負荷曲線を自動的に予測する方法に関する。
ける中央給電指令所または地方給電指令所、系統制御所
等において、系統制御用計算機または汎用電子計算機上
で日負荷曲線を自動的に予測する方法に関する。
【０００２】
【従来の技術】電力系統における日負荷曲線の予測作業
は、熟練運用者の経験と直感的知識により行われている
ことが多く、そのほぼすべての作業を手作業に頼ってい
る。通常の予測方法としては、気象予報により得た予測
対象日の気象に類似する日の日負荷曲線と日最大電力予
測値とを参考にして、熟練運用者が直感的に予測してい
る。
は、熟練運用者の経験と直感的知識により行われている
ことが多く、そのほぼすべての作業を手作業に頼ってい
る。通常の予測方法としては、気象予報により得た予測
対象日の気象に類似する日の日負荷曲線と日最大電力予
測値とを参考にして、熟練運用者が直感的に予測してい
る。
【０００３】このような予測作業を自動化する例とし
て、重回帰分析に代表される統計的手法またはニューラ
ルネットワークによって図５のように予測モデルを各時
間ごとに作成し、各時間ごとの需要電力量を個別に求め
て日負荷曲線を予測する方法が提案されている。
て、重回帰分析に代表される統計的手法またはニューラ
ルネットワークによって図５のように予測モデルを各時
間ごとに作成し、各時間ごとの需要電力量を個別に求め
て日負荷曲線を予測する方法が提案されている。
【０００４】上記従来の予測方法では各時間ごとに予測
モデルを個別に作成しているので、そのための作業員や
所要時間が膨大なものとなる。また、日負荷曲線は１日
の需要電力量の時系列的な変化を示す曲線であるが、各
時間ごとに需要電力量を個別に予測する方法では、時系
列的な要素を加味した予測を行うことができない。
モデルを個別に作成しているので、そのための作業員や
所要時間が膨大なものとなる。また、日負荷曲線は１日
の需要電力量の時系列的な変化を示す曲線であるが、各
時間ごとに需要電力量を個別に予測する方法では、時系
列的な要素を加味した予測を行うことができない。
【０００５】
【発明が解決しようとする課題】電力系統を運用するた
めには膨大な専門知識が必要であるのに対し、近年で
は、この知識を有する熟練運用者は減少の一途をたどっ
ている。一方、日負荷曲線は系統運用の基盤とも言うべ
き発電計画立案の基礎となるものであり、その予測精度
の向上と自動化が切望されている。更に、前述したごと
く１日の各時間ごとに予測モデルを作成して予測する方
法では、予測モデルの作成に膨大な作業と時間が必要に
なり、また、時系列性を考慮した予測ができない。
めには膨大な専門知識が必要であるのに対し、近年で
は、この知識を有する熟練運用者は減少の一途をたどっ
ている。一方、日負荷曲線は系統運用の基盤とも言うべ
き発電計画立案の基礎となるものであり、その予測精度
の向上と自動化が切望されている。更に、前述したごと
く１日の各時間ごとに予測モデルを作成して予測する方
法では、予測モデルの作成に膨大な作業と時間が必要に
なり、また、時系列性を考慮した予測ができない。
【０００６】本発明は上記課題を解決するためになされ
たもので、熟練運用者に依存することなく、また少ない
予測モデルにより時系列性を考慮した日負荷曲線の予測
を行い、予測モデル作成時の作業量の低減と予測精度の
向上を図った日負荷曲線予測方法を提供しようとするも
のである。
たもので、熟練運用者に依存することなく、また少ない
予測モデルにより時系列性を考慮した日負荷曲線の予測
を行い、予測モデル作成時の作業量の低減と予測精度の
向上を図った日負荷曲線予測方法を提供しようとするも
のである。
【０００７】
【課題を解決するための手段】上記課題を解決するた
め、請求項１記載の発明は、計算機によりニューラルネ
ットワークを用いて予測対象日の需要電力量の日負荷曲
線を予測する方法において、予測対象日よりも前の期間
の各日の所定時間ごとの気象データ、その各日の前日ま
たは１週間前の日の同時刻からの気象差、この同時刻か
らの需要電力差からなる学習データを用いてニューラル
ネットワークに学習させる第１のステップと、前記学習
データに加えて、予測対象日の所定時間ごとの気象デー
タ、予測対象日の前日または１週間前の日の同時刻から
の気象差データを前記ニューラルネットワークに入力
し、予測対象日の前日または１週間前の日の同時刻から
の需要電力差を所定時間ごとに繰り返し想起させて予測
対象日における所定時間ごとの需要電力差を逐次、予測
させる第２のステップと、予測対象日の前日または１週
間前の日の同時刻の需要電力量実績値に、第２のステッ
プにより予測した需要電力差を加算して予測対象日にお
ける所定時間ごとの需要電力量を逐次、予測させる第３
のステップとからなるものである。ここで、ニューラル
ネットワークとしては、時系列性を考慮した予測が可能
なリカレントネットワークを用いることが望ましい。
め、請求項１記載の発明は、計算機によりニューラルネ
ットワークを用いて予測対象日の需要電力量の日負荷曲
線を予測する方法において、予測対象日よりも前の期間
の各日の所定時間ごとの気象データ、その各日の前日ま
たは１週間前の日の同時刻からの気象差、この同時刻か
らの需要電力差からなる学習データを用いてニューラル
ネットワークに学習させる第１のステップと、前記学習
データに加えて、予測対象日の所定時間ごとの気象デー
タ、予測対象日の前日または１週間前の日の同時刻から
の気象差データを前記ニューラルネットワークに入力
し、予測対象日の前日または１週間前の日の同時刻から
の需要電力差を所定時間ごとに繰り返し想起させて予測
対象日における所定時間ごとの需要電力差を逐次、予測
させる第２のステップと、予測対象日の前日または１週
間前の日の同時刻の需要電力量実績値に、第２のステッ
プにより予測した需要電力差を加算して予測対象日にお
ける所定時間ごとの需要電力量を逐次、予測させる第３
のステップとからなるものである。ここで、ニューラル
ネットワークとしては、時系列性を考慮した予測が可能
なリカレントネットワークを用いることが望ましい。
【０００８】請求項２記載の発明は、予測対象日よりも
前の週単位の期間の所定時間ごとの平均気象データ、昼
休みの区別データ、週単位の期間の所定時間ごとの平均
需要電力量実績値からなる学習データを用いてニューラ
ルネットワークに学習させる第１のステップと、前記学
習データに加えて、予測対象日の所定時間ごとの気象デ
ータ、昼休みの区別データを前記ニューラルネットワー
クに入力し、所定時間ごとに繰り返し想起させて予測対
象日における所定時間ごとの平均需要電力量を逐次、予
測させる第２のステップと、第２のステップにより予測
した平均需要電力量と前記週単位の期間から１日を除い
た期間の需要電力量実績値とに基づいて、予測対象日に
おける所定時間ごとの需要電力量を逐次、予測させる第
３のステップとからなるものである。
前の週単位の期間の所定時間ごとの平均気象データ、昼
休みの区別データ、週単位の期間の所定時間ごとの平均
需要電力量実績値からなる学習データを用いてニューラ
ルネットワークに学習させる第１のステップと、前記学
習データに加えて、予測対象日の所定時間ごとの気象デ
ータ、昼休みの区別データを前記ニューラルネットワー
クに入力し、所定時間ごとに繰り返し想起させて予測対
象日における所定時間ごとの平均需要電力量を逐次、予
測させる第２のステップと、第２のステップにより予測
した平均需要電力量と前記週単位の期間から１日を除い
た期間の需要電力量実績値とに基づいて、予測対象日に
おける所定時間ごとの需要電力量を逐次、予測させる第
３のステップとからなるものである。
【０００９】請求項３記載の発明は、予測対象日よりも
前の期間の各日の気象データ、平日・土曜・休日の区別
データ、各日の所定時間ごとの需要電力量実績値、日最
大需 要電力量・日最小需要電力量の一方もしくは双方か
らなる学習データを用いて多入力多出力のニューラルネ
ットワークに学習させる第１のステップと、予測対象日
の日最大需要電力量・日最小需要電力量の一方もしくは
双方を予測する第２のステップと、前記学習データに加
えて、予測対象日の１日分の気象データ、平日・土曜・
休日の区別データ、予測された日最大需要電力量・日最
小需要電力量の一方もしくは双方を前記ニューラルネッ
トワークに入力して想起させ、予測対象日における所定
時間ごとの需要電力量を一括して予測させる第３のステ
ップとからなるものである。
前の期間の各日の気象データ、平日・土曜・休日の区別
データ、各日の所定時間ごとの需要電力量実績値、日最
大需 要電力量・日最小需要電力量の一方もしくは双方か
らなる学習データを用いて多入力多出力のニューラルネ
ットワークに学習させる第１のステップと、予測対象日
の日最大需要電力量・日最小需要電力量の一方もしくは
双方を予測する第２のステップと、前記学習データに加
えて、予測対象日の１日分の気象データ、平日・土曜・
休日の区別データ、予測された日最大需要電力量・日最
小需要電力量の一方もしくは双方を前記ニューラルネッ
トワークに入力して想起させ、予測対象日における所定
時間ごとの需要電力量を一括して予測させる第３のステ
ップとからなるものである。
【００１０】
【発明の実施の形態】
以下、図に沿って本発明の実施形
態を説明する。まず、請求項１に記載した発明の実施形
態を説明する。この実施形態は、図１に示すようにニュ
ーラルネットワークの学習ステップ（ＳＢ１）と、前記
ニューラルネットワークの想起ステップ（ＳＢ２）と、
予測値の算出ステップ（ＳＢ３）とからなっている。こ
こで、ニューラルネットワークとしては、リカレントネ
ットワークを用いることが好ましい。
態を説明する。まず、請求項１に記載した発明の実施形
態を説明する。この実施形態は、図１に示すようにニュ
ーラルネットワークの学習ステップ（ＳＢ１）と、前記
ニューラルネットワークの想起ステップ（ＳＢ２）と、
予測値の算出ステップ（ＳＢ３）とからなっている。こ
こで、ニューラルネットワークとしては、リカレントネ
ットワークを用いることが好ましい。
【００１１】ここで、リカレントネットワークは、周知
のように内部にフィードバック結合を含むニューラルネ
ットワークであり、１ステップ前の情報をネットワーク
内に持つことで時系列データの把握に有用なものであ
る。このリカレントネットワークモデルとしては、入力
層、隠れ層、出力層、状態層からなるＪｏｒｄａｎモデ
ル、入力層、中間層、出力層、コンテキスト層からなる
Ｅｌｍａｎモデル、入力層、出力層からなるＷｉｌｌｉ
ａｍｓ，Ｚｉｐｓｅｒモデル等を用いることができる。
のように内部にフィードバック結合を含むニューラルネ
ットワークであり、１ステップ前の情報をネットワーク
内に持つことで時系列データの把握に有用なものであ
る。このリカレントネットワークモデルとしては、入力
層、隠れ層、出力層、状態層からなるＪｏｒｄａｎモデ
ル、入力層、中間層、出力層、コンテキスト層からなる
Ｅｌｍａｎモデル、入力層、出力層からなるＷｉｌｌｉ
ａｍｓ，Ｚｉｐｓｅｒモデル等を用いることができる。
【００１２】なお、学習アルゴリズムの一例を略述する
と、例えばＷｉｌｌｉａｍｓ，Ｚｉｐｓｅｒモデルで
は、ある時間の出力値の結合重みに対する感度を時間軸
に沿って逐次求め、更に、結合重みに対する出力誤差の
偏微分を求め、出力誤差が最小になるように結合重みを
実時間で修正しながら学習していく手法（ＲＴＲＬ）等
がある。
と、例えばＷｉｌｌｉａｍｓ，Ｚｉｐｓｅｒモデルで
は、ある時間の出力値の結合重みに対する感度を時間軸
に沿って逐次求め、更に、結合重みに対する出力誤差の
偏微分を求め、出力誤差が最小になるように結合重みを
実時間で修正しながら学習していく手法（ＲＴＲＬ）等
がある。
【００１３】以下、各ステップの内容を詳述する。 （１）ニューラルネットワークの学習ステップ（ＳＢ
１） 学習に用いるデータは、入力データとしては予測対象日
より前の期間（例えば予測対象日より前の数日間〜数年
間など）の各日の１時間ごとの気象データ、その各日の
前日または１週間前の日の同時刻からの気象差であり、
出力データとしては同じ基準時刻からの需要電力差を用
いる。例えば、予測対象日が２月１日であるとし、それ
以前の１ヶ月間のデータを用いる場合には、１月１日〜
１月３１日の各日の１時間ごとの気象データと、これら
の各日の前日または１週間前の日の同時刻を基準とした
気象差データ及び需要電力差を用いることになる。
１） 学習に用いるデータは、入力データとしては予測対象日
より前の期間（例えば予測対象日より前の数日間〜数年
間など）の各日の１時間ごとの気象データ、その各日の
前日または１週間前の日の同時刻からの気象差であり、
出力データとしては同じ基準時刻からの需要電力差を用
いる。例えば、予測対象日が２月１日であるとし、それ
以前の１ヶ月間のデータを用いる場合には、１月１日〜
１月３１日の各日の１時間ごとの気象データと、これら
の各日の前日または１週間前の日の同時刻を基準とした
気象差データ及び需要電力差を用いることになる。
【００１４】これらのデータを用いてリカレントネット
ワークに学習させることにより、予測対象日の前日また
は１週間前の日の同時刻からの需要電力差を予測可能な
予測モデルを構築する。なお、学習データとして前日か
らの気象差データ、需要電力差を用いた場合は、予測対
象日の前日からの需要電力差を予測するモデルが構築さ
れ、学習データとして１週間前の日からの気象差デー
タ、需要電力差を用いた場合には、予測対象日の１週間
前の日からの需要電力差を予測するモデルが構築され
る。ここで、気象差データは気温や湿度の差として数値
化し、入力データに用いればよい。
ワークに学習させることにより、予測対象日の前日また
は１週間前の日の同時刻からの需要電力差を予測可能な
予測モデルを構築する。なお、学習データとして前日か
らの気象差データ、需要電力差を用いた場合は、予測対
象日の前日からの需要電力差を予測するモデルが構築さ
れ、学習データとして１週間前の日からの気象差デー
タ、需要電力差を用いた場合には、予測対象日の１週間
前の日からの需要電力差を予測するモデルが構築され
る。ここで、気象差データは気温や湿度の差として数値
化し、入力データに用いればよい。
【００１５】（２）ニューラルネットワークの想起ステ
ップ（ＳＢ２） 学習済みのリカレントネットワークに、学習ステップで
用いたすべてのデータ、すなわち１月１日〜１月３１日
の各日の１時間ごとの気象データ、これらの各日の前日
または１週間前の日の同時刻からの気象差データ及び需
要電力差と、予測対象日である２月１日の最終時までの
気象データ（気象予報による）と、予測対象日の前日
（１月３１日）または１週間前の日（１月２５日）の同
時刻からの 気象差データとを入力し、予測対象日の前日
または１週間前の日の同時刻からの需要電力差を想起す
る。この想起を１時間おきに２４回繰り返して１時間ご
との需要電力差を予測する。
ップ（ＳＢ２） 学習済みのリカレントネットワークに、学習ステップで
用いたすべてのデータ、すなわち１月１日〜１月３１日
の各日の１時間ごとの気象データ、これらの各日の前日
または１週間前の日の同時刻からの気象差データ及び需
要電力差と、予測対象日である２月１日の最終時までの
気象データ（気象予報による）と、予測対象日の前日
（１月３１日）または１週間前の日（１月２５日）の同
時刻からの 気象差データとを入力し、予測対象日の前日
または１週間前の日の同時刻からの需要電力差を想起す
る。この想起を１時間おきに２４回繰り返して１時間ご
との需要電力差を予測する。
【００１６】（３）予測値の算出ステップ（ＳＢ３） 上述した想起ステップによる想起値は予測対象日の各時
刻の需要電力量ではなく、その前日（１月３１日）また
は１週間前の日（１月２５日）の同時刻からの需要電力
差であるから、以下の数式１または数式２を用いて予測
対象日の各時刻の需要電力量を予測する。
刻の需要電力量ではなく、その前日（１月３１日）また
は１週間前の日（１月２５日）の同時刻からの需要電力
差であるから、以下の数式１または数式２を用いて予測
対象日の各時刻の需要電力量を予測する。
【００１７】
【数１】需要電力量（ｄ，ｔ）＝ＲＮＮ（気象データ
（ｔ），気象差データ（ｔ））＋需要電力量（ｄ−１，
ｔ）
（ｔ），気象差データ（ｔ））＋需要電力量（ｄ−１，
ｔ）
【００１８】
【数２】需要電力量（ｄ，ｔ）＝ＲＮＮ（気象データ
（ｔ），気象差データ（ｔ））＋需要電力量（ｄ−７，
ｔ）
（ｔ），気象差データ（ｔ））＋需要電力量（ｄ−７，
ｔ）
【００１９】上記数式１，２において、ｄは予測対象
日、ｔは予測対象日における予測対象時、ＲＮＮはリカ
レントネットワークの想起値を示す。なお、数式１は学
習時及び想起時に前日（１月３１日）からの気象差デー
タ、需要電力差を用いた場合、数式２は１週間前の日
（１月２５日）からの気象差データ、需要電力差を用い
た場合のものである。
日、ｔは予測対象日における予測対象時、ＲＮＮはリカ
レントネットワークの想起値を示す。なお、数式１は学
習時及び想起時に前日（１月３１日）からの気象差デー
タ、需要電力差を用いた場合、数式２は１週間前の日
（１月２５日）からの気象差データ、需要電力差を用い
た場合のものである。
【００２０】ここで、気象差データ、需要電力差を求め
る基準を前日にする場合には、連続する１日１日の需要
電力量の変化を反映したものとなり、また、１週間前の
日を基準にする場合には直近の同じ曜日の需要電力量を
反映したものとなる。
る基準を前日にする場合には、連続する１日１日の需要
電力量の変化を反映したものとなり、また、１週間前の
日を基準にする場合には直近の同じ曜日の需要電力量を
反映したものとなる。
【００２１】この実施形態においては、図２に示すごと
く、１時間ごとに順次予測すること で１時間前の状態を
反映させた時系列性を考慮した予測を行うことができ、
電力需要の変化傾向を加味した日負荷曲線を得ることが
できる。また、単一の予測モデルだけでも予測できるた
め、モデル構築のための作業労力や時間を節約すること
が可能である。なお、予測対象日の需要電力量は至近の
日と比べて急激に変化することはなく、その変化分は全
体から見れば僅かなものである。この実施形態では、ニ
ューラルネットワークの想起ステップにおいて需要電力
量そのものを想起させるのではなく、僅かな変化分とし
ての需要電力差を想起させているので、高精度の予測が
可能になる。
く、１時間ごとに順次予測すること で１時間前の状態を
反映させた時系列性を考慮した予測を行うことができ、
電力需要の変化傾向を加味した日負荷曲線を得ることが
できる。また、単一の予測モデルだけでも予測できるた
め、モデル構築のための作業労力や時間を節約すること
が可能である。なお、予測対象日の需要電力量は至近の
日と比べて急激に変化することはなく、その変化分は全
体から見れば僅かなものである。この実施形態では、ニ
ューラルネットワークの想起ステップにおいて需要電力
量そのものを想起させるのではなく、僅かな変化分とし
ての需要電力差を想起させているので、高精度の予測が
可能になる。
【００２２】次いで、請求項２に記載した発明の実施形
態を説明する。この実施形態は、前記図１に示したよう
に、ニューラルネットワークの学習ステップ（ＳＢ１）
と、前記ニューラルネットワークの想起ステップ（ＳＢ
２）と、予測値の算出ステップ（ＳＢ３）とからなって
いる。請求項１の発明の実施形態との主たる相違は、予
測対象日前の１週間単位の平均気象データ及び平均需要
電力量、並びに昼休みの区別データを学習ステップ、想
起ステップで使用する点である。ニューラルネットワー
クとしては、前記同様にリカレントネットワークを用い
ることが好ましい。
態を説明する。この実施形態は、前記図１に示したよう
に、ニューラルネットワークの学習ステップ（ＳＢ１）
と、前記ニューラルネットワークの想起ステップ（ＳＢ
２）と、予測値の算出ステップ（ＳＢ３）とからなって
いる。請求項１の発明の実施形態との主たる相違は、予
測対象日前の１週間単位の平均気象データ及び平均需要
電力量、並びに昼休みの区別データを学習ステップ、想
起ステップで使用する点である。ニューラルネットワー
クとしては、前記同様にリカレントネットワークを用い
ることが好ましい。
【００２３】以下、各ステップの内容を詳述する。 （１）ニューラルネットワークの学習ステップ（ＳＢ
１） 学習に用いるデータは、入力データとしては予測対象日
より前の１週間〜複数週間（週単位）の１時間ごとの平
均気象データ（平均気温、平均湿度など）、昼休みの区
別データを用い、また、出力データとしては、週単位の
１時間ごとの平均需要電力量（例えば、午前１０時の１
週間の需要電力量を平均したもの）を用いる。前記の例
では、例えば予測対象日（２月１日）より前の１週間の
データを用いる場合には、１月２５日〜１月３１日の１
時間ごとの平均気象データと昼休みの 区別データ、及
び、この期間の１時間ごとの平均需要電力量を用いるこ
とになる。
１） 学習に用いるデータは、入力データとしては予測対象日
より前の１週間〜複数週間（週単位）の１時間ごとの平
均気象データ（平均気温、平均湿度など）、昼休みの区
別データを用い、また、出力データとしては、週単位の
１時間ごとの平均需要電力量（例えば、午前１０時の１
週間の需要電力量を平均したもの）を用いる。前記の例
では、例えば予測対象日（２月１日）より前の１週間の
データを用いる場合には、１月２５日〜１月３１日の１
時間ごとの平均気象データと昼休みの 区別データ、及
び、この期間の１時間ごとの平均需要電力量を用いるこ
とになる。
【００２４】このように１週間または複数週間の平均デ
ータを用いることにより、曜日に起因する需要電力量の
変動などをなくすことができ、時系列的なデータは単純
なものとなってリカレントネットワークの学習精度を上
げることができる。これらのデータをリカレントネット
ワークに学習させることにより、気象データ及び昼休み
の区別データから予測対象日における１週間または複数
週間の平均需要電力量を予測する予測モデルが構築され
る。なお、平均気象データは、次の数式３から求めるこ
とができる。
ータを用いることにより、曜日に起因する需要電力量の
変動などをなくすことができ、時系列的なデータは単純
なものとなってリカレントネットワークの学習精度を上
げることができる。これらのデータをリカレントネット
ワークに学習させることにより、気象データ及び昼休み
の区別データから予測対象日における１週間または複数
週間の平均需要電力量を予測する予測モデルが構築され
る。なお、平均気象データは、次の数式３から求めるこ
とができる。
【００２５】
【数３】
【００２６】ここで、平均気象データ（ｄ，ｔ）はｄ日
ｔ時における１週間の平均気象データであり、ｉは日数
である。平均需要電力量についても、同様の考え方によ
って求めることができる。
ｔ時における１週間の平均気象データであり、ｉは日数
である。平均需要電力量についても、同様の考え方によ
って求めることができる。
【００２７】（２）ニューラルネットワークの想起ステ
ップ（ＳＢ２） 学習済みのリカレントネットワークに、学習ステップで
用いたすべてのデータ、すなわち１月２５日〜１月３１
日の１時間ごとの平均気象データと昼休みの区別デー
タ、及び、この期間の１時間ごとの平均需要電力量を入
力する。更に、これらの学習データに加えて、予測対象
日の最終時までの気象データ（気象予報による）及び昼
休みの区別データを入力し、予測対象日の１時間ごとの
平均需要電力量を想起する。この想起を１時間おきに２
４回繰り返して１時間ごとの平均需要電力量を予測す
る。この平均需要電力量は、次の数式４から求めること
ができる。
ップ（ＳＢ２） 学習済みのリカレントネットワークに、学習ステップで
用いたすべてのデータ、すなわち１月２５日〜１月３１
日の１時間ごとの平均気象データと昼休みの区別デー
タ、及び、この期間の１時間ごとの平均需要電力量を入
力する。更に、これらの学習データに加えて、予測対象
日の最終時までの気象データ（気象予報による）及び昼
休みの区別データを入力し、予測対象日の１時間ごとの
平均需要電力量を想起する。この想起を１時間おきに２
４回繰り返して１時間ごとの平均需要電力量を予測す
る。この平均需要電力量は、次の数式４から求めること
ができる。
【００２８】
【数４】平均需要電力量（ｄ，ｔ）＝ＲＮＮ（平均気象
データ（ｄ，ｔ），昼休みの区別データ）
データ（ｄ，ｔ），昼休みの区別データ）
【００２９】ここで、平均需要電力量（ｄ，ｔ）はｄ日
（予測対象日）ｔ時における１週間の平均需要電力量で
あり、ｉは日数である。
（予測対象日）ｔ時における１週間の平均需要電力量で
あり、ｉは日数である。
【００３０】（３）予測値の算出ステップ（ＳＢ３） 上述した想起ステップによる想起値は予測対象日の各時
刻の需要電力量ではなく、例えば１週間にわたるその時
刻の平均需要電力量であるから、以下の数式５を用いて
予測対象日の各時刻の需要電力量を予測する。
刻の需要電力量ではなく、例えば１週間にわたるその時
刻の平均需要電力量であるから、以下の数式５を用いて
予測対象日の各時刻の需要電力量を予測する。
【００３１】
【数５】
【００３２】これにより、予測対象日の各時刻の需要電
力量を求めることができる。この実施形態においては、
学習時及び想起時の入出力データが平均値で与えられる
ため、予測される需要電力量は突発的な気象変動などに
よる影響を抑えたものとなる。時系列性を反映させた予
測モデルを用いると、時系列性により良好な予測精度が
得られる反面、時系列の途中に特異なデータが含まれる
場合には以後の予測に悪影響を与える場合がある。
力量を求めることができる。この実施形態においては、
学習時及び想起時の入出力データが平均値で与えられる
ため、予測される需要電力量は突発的な気象変動などに
よる影響を抑えたものとなる。時系列性を反映させた予
測モデルを用いると、時系列性により良好な予測精度が
得られる反面、時系列の途中に特異なデータが含まれる
場合には以後の予測に悪影響を与える場合がある。
【００３３】しかるに、この実施形態では、ニューラル
ネットワークに入力する時系列データに特徴がある。す
なわち、時系列性を反映させながら特異データの悪影響
を抑えるように平均値との偏差を用いることで、予測精
度が向上し、安定した予測が可能となる。
ネットワークに入力する時系列データに特徴がある。す
なわち、時系列性を反映させながら特異データの悪影響
を抑えるように平均値との偏差を用いることで、予測精
度が向上し、安定した予測が可能となる。
【００３４】次いで、請求項３記載の発明の実施形態を
説明する。この実施形態は、図３に示すように、ニュー
ラルネットワークの学習ステップ（ＳＥ１）と、別の手
法による日最大・最小電力予測ステップ（ＳＥ２）と、
ニューラルネットワークの想起ステップ（ＳＥ３）とか
らなっている。ここでも、リカレントネットワークを使
用することが望ましい。
説明する。この実施形態は、図３に示すように、ニュー
ラルネットワークの学習ステップ（ＳＥ１）と、別の手
法による日最大・最小電力予測ステップ（ＳＥ２）と、
ニューラルネットワークの想起ステップ（ＳＥ３）とか
らなっている。ここでも、リカレントネットワークを使
用することが望ましい。
【００３５】以下、各ステップの内容を詳述する。 （１）ニューラルネットワークの学習ステップ（ＳＥ
１） 学習に用いるデータは、入力データとしては予測対象日
より前の期間（例えば予測対象日より前の数日間〜数年
間など）の各日の気象データ（気温、湿度など）、平日
・土曜・休日の区別データ、日最大需要電力量または日
最小需要電力量もしくはその双方の実績値を用いる。出
力データとしては各日の需要電力量の実績値を用いる。
気象データは必ずしも一定時間ごとのデータである必要
はなく、各日の最高・最低気温、同湿度や、特定時間の
気象データでも良い。なお、出力データには１時間ごと
の需要電力量を使用する。
１） 学習に用いるデータは、入力データとしては予測対象日
より前の期間（例えば予測対象日より前の数日間〜数年
間など）の各日の気象データ（気温、湿度など）、平日
・土曜・休日の区別データ、日最大需要電力量または日
最小需要電力量もしくはその双方の実績値を用いる。出
力データとしては各日の需要電力量の実績値を用いる。
気象データは必ずしも一定時間ごとのデータである必要
はなく、各日の最高・最低気温、同湿度や、特定時間の
気象データでも良い。なお、出力データには１時間ごと
の需要電力量を使用する。
【００３６】学習に際しては、１日分のデータをネット
ワークに一括して入力し、予測対象日１日分の１時間ご
との需要電力量を一括して予測、出力できるように学習
させる。この学習に用いるリカレントネットワークは、
図４に示すように多入力多出力（２４出力）である。
ワークに一括して入力し、予測対象日１日分の１時間ご
との需要電力量を一括して予測、出力できるように学習
させる。この学習に用いるリカレントネットワークは、
図４に示すように多入力多出力（２４出力）である。
【００３７】（２）日最大・最小電力予測ステップ（Ｓ
Ｅ２） このステップは、別の手法により予測対象日の日最大需
要電力量または日最小需要電力量もしくはその双方を予
測するステップである。具体的な予測方法としては、適
宜な数式により予測する方法、熟練運用者の経験と勘に
より予測する方法、他のニューラルネットワークを用い
て予測する方法等がある。
Ｅ２） このステップは、別の手法により予測対象日の日最大需
要電力量または日最小需要電力量もしくはその双方を予
測するステップである。具体的な予測方法としては、適
宜な数式により予測する方法、熟練運用者の経験と勘に
より予測する方法、他のニューラルネットワークを用い
て予測する方法等がある。
【００３８】（３）ニューラルネットワークの想起ステ
ップ（ＳＥ３） 学習済みのリカレントネットワークに、学習ステップで
用いたデータと予測対象日の最終時までの気象データ
（気象予報による）及び日最大需要電力量または日最小
需要電力量もしくはその双方を入力し、１回の想起によ
り予測対象日１日分の１時間ごとの需要電力量を一括し
て予測する。
ップ（ＳＥ３） 学習済みのリカレントネットワークに、学習ステップで
用いたデータと予測対象日の最終時までの気象データ
（気象予報による）及び日最大需要電力量または日最小
需要電力量もしくはその双方を入力し、１回の想起によ
り予測対象日１日分の１時間ごとの需要電力量を一括し
て予測する。
【００３９】この実施形態によれば、天気予報などのよ
うにデータを１時間ごとに入手できない場合でも、１日
の特徴的なデータだけで予測対象日１日分の１時間ごと
の需要電力量を一括して効率的に予測することが可能で
ある。また、多入力多出力のリカレントネットワークは
各時間ごとに一つの出力端子が対応して専用に予測する
ため、予測モデル構築のための作業や時間を削減でき、
高精度な予測を行うことができる。 更に、電力会社にも
よるが、現状では一般に、熟練運用者等により日最大需
要電力量を予測し、その後に日負荷曲線を予測してい
る。すなわち、日最大需要電力量とその日の気象等から
日負荷曲線を予測するものであり、本実施形態はこのよ
うな現状にも合致していて、日最大需要電力量の予測結
果を有効に利用し、時系列性や気象との相関関係を考慮
した高精度な予測方法と言うことができる。
うにデータを１時間ごとに入手できない場合でも、１日
の特徴的なデータだけで予測対象日１日分の１時間ごと
の需要電力量を一括して効率的に予測することが可能で
ある。また、多入力多出力のリカレントネットワークは
各時間ごとに一つの出力端子が対応して専用に予測する
ため、予測モデル構築のための作業や時間を削減でき、
高精度な予測を行うことができる。 更に、電力会社にも
よるが、現状では一般に、熟練運用者等により日最大需
要電力量を予測し、その後に日負荷曲線を予測してい
る。すなわち、日最大需要電力量とその日の気象等から
日負荷曲線を予測するものであり、本実施形態はこのよ
うな現状にも合致していて、日最大需要電力量の予測結
果を有効に利用し、時系列性や気象との相関関係を考慮
した高精度な予測方法と言うことができる。
【００４０】
【発明の効果】以上のように請求項１〜請求項３記載の
発明によれば、いずれも熟練運用者に依存することな
く、ニューラルネットワーク（特にリカレントネットワ
ーク）による１つの予測モデルにより、時系列性を考慮
しながら予測対象日の各時間の需要電力量を高精度に予
測することができる。特に、請求項１記載の発明によれ
ば、基準の日からの変化分としての需要電力差を予測す
るため、高精度の予測が可能になる。
発明によれば、いずれも熟練運用者に依存することな
く、ニューラルネットワーク（特にリカレントネットワ
ーク）による１つの予測モデルにより、時系列性を考慮
しながら予測対象日の各時間の需要電力量を高精度に予
測することができる。特に、請求項１記載の発明によれ
ば、基準の日からの変化分としての需要電力差を予測す
るため、高精度の予測が可能になる。
【００４１】請求項２記載の発明によれば、学習及び想
起に当たって標準データや平均値との偏差を導入するこ
とにより、時系列的なデータの中の特異データによる悪
影響を抑制し、高精度かつ安定した予測が可能になる。
起に当たって標準データや平均値との偏差を導入するこ
とにより、時系列的なデータの中の特異データによる悪
影響を抑制し、高精度かつ安定した予測が可能になる。
【００４２】請求項３記載の発明によれば、気象予報の
ように各時間の気象データを用意できない場合でも、１
日の特徴的なデータだけで予測対象日１日分の需要電力
量のすべてを予測することができる。特に、多入力多出
力形のリカレントネットワークを用いれば、各出力端子
が各時間の予測を担当することとなって高精度な予測が
可能になる。また、現状の予測方法と同様に日最大需要
電力量などの予測結果を利用することができ、熟練運用
者による予測との整合性を保つことができる。
ように各時間の気象データを用意できない場合でも、１
日の特徴的なデータだけで予測対象日１日分の需要電力
量のすべてを予測することができる。特に、多入力多出
力形のリカレントネットワークを用いれば、各出力端子
が各時間の予測を担当することとなって高精度な予測が
可能になる。また、現状の予測方法と同様に日最大需要
電力量などの予測結果を利用することができ、熟練運用
者による予測との整合性を保つことができる。
【図１】請求項１及び２に記載した発明の実施形態を示
すフローチャートである。
すフローチャートである。
【図２】請求項１及び２に記載した発明の実施形態によ
る予測方法を概念的に示す図である。
る予測方法を概念的に示す図である。
【図３】請求項３に記載した発明の実施形態を示すフロ
ーチャートである。
ーチャートである。
【図４】請求項３に記載した発明の実施形態による予測
方法を概念的に示す図である。
方法を概念的に示す図である。
【図５】従来の予測方法を概念的に示す図である。
───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平４−372046（ＪＰ，Ａ) 特開 平３−235621（ＪＰ，Ａ) 特開 昭60−102822（ＪＰ，Ａ) 特開 昭61−73519（ＪＰ，Ａ) (58)調査した分野(Int.Cl.7，ＤＢ名) H02J 3/00 - 5/00 G06N 3/00 560
Claims (3)
- 【請求項１】計算機によりニューラルネットワークを用
いて予測対象日の需要電力量の日負荷曲線を予測する方
法において、 予測対象日よりも前の期間の各日の所定時間ごとの気象
データ、その各日の前日または１週間前の日の同時刻か
らの気象差、この同時刻からの需要電力差からなる学習
データを用いてニューラルネットワークに学習させる第
１のステップと、 前記学習データに加えて、予測対象日の所定時間ごとの
気象データ、予測対象日の前日または１週間前の日の同
時刻からの気象差データを前記ニューラルネットワーク
に入力し、予測対象日の前日または１週間前の日の同時
刻からの需要電力差を所定時間ごとに繰り返し想起させ
て予測対象日における所定時間ごとの需要電力差を逐
次、予測させる第２のステップと、 予測対象日の前日または１週間前の日の同時刻の需要電
力量実績値に、第２のステップにより予測した需要電力
差を加算し て予測対象日における所定時間ごとの需要電
力量を逐次、予測させる第３のステップと、 からなることを特徴とする日負荷曲線予測方法。 - 【請求項２】計算機によりニューラルネットワークを用
いて予測対象日の需要電力量の日負荷曲線を予測する方
法において、 予測対象日よりも前の週単位の期間の所定時間ごとの平
均気象データ、昼休みの区別データ、週単位の期間の所
定時間ごとの平均需要電力量実績値からなる学習データ
を用いてニューラルネットワークに学習させる第１のス
テップと、 前記学習データに加えて、予測対象日の所定時間ごとの
気象データ、昼休みの区別データを前記ニューラルネッ
トワークに入力し、所定時間ごとに繰り返し想起させて
予測対象日における所定時間ごとの平均需要電力量を逐
次、予測させる第２のステップと、 第２のステップにより予測した平均需要電力量と前記週
単位の期間から１日を除いた期間の需要電力量実績値と
に基づいて、予測対象日における所定時間ごとの需要電
力量を逐次、予測させる第３ のステップと、 からなることを特徴とする日負荷曲線予測方法。 - 【請求項３】計算機によりニューラルネットワークを用
いて予測対象日の需要電力量の日負荷曲線を予測する方
法において、 予測対象日よりも前の期間の各日の気象データ、平日・
土曜・休日の区別データ、各日の所定時間ごとの需要電
力量実績値、日最大需要電力量・日最小需要電力量の一
方もしくは双方からなる学習データを用いて多入力多出
力のニューラルネットワークに学習させる第１のステッ
プと、 予測対象日の日最大需要電力量・日最小需要電力量の一
方もしくは双方を予測する第２のステップと、 前記学習データに加えて、予測対象日の１日分の気象デ
ータ、平日・土曜・休日の区別データ、予測された日最
大需要電力量・日最小需要電力量の一方もしくは双方を
前記ニューラルネットワークに入力して想起させ、予測
対象日における所定時間ごとの需要電力量を一括して 予
測させる第３のステップと、 からなることを特徴とする日負荷曲線予測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP04659496A JP3360520B2 (ja) | 1996-02-08 | 1996-02-08 | 日負荷曲線予測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP04659496A JP3360520B2 (ja) | 1996-02-08 | 1996-02-08 | 日負荷曲線予測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH09215192A JPH09215192A (ja) | 1997-08-15 |
| JP3360520B2 true JP3360520B2 (ja) | 2002-12-24 |
Family
ID=12751634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP04659496A Expired - Lifetime JP3360520B2 (ja) | 1996-02-08 | 1996-02-08 | 日負荷曲線予測方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3360520B2 (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103065201A (zh) * | 2012-12-19 | 2013-04-24 | 福建省电力有限公司 | 基于温度及节假日因素的电力用电负荷预测方法 |
| CN103646349B (zh) * | 2013-09-27 | 2017-02-08 | 华北电力大学 | 一种电力负荷曲线分段识别方法 |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| JP5618501B2 (ja) * | 2009-07-14 | 2014-11-05 | 株式会社東芝 | 需要予測装置、プログラムおよび記録媒体 |
| JP5777404B2 (ja) * | 2011-05-27 | 2015-09-09 | 株式会社東芝 | 時系列データの予測装置、予測方法、予測プログラムおよび記憶媒体 |
| KR101865924B1 (ko) * | 2011-10-24 | 2018-06-11 | 한국전력공사 | 예측 속도 향상을 위한 신경망과 보정계수를 이용한 주간 부하 예측 장치 및 방법 |
| JP2013235512A (ja) | 2012-05-10 | 2013-11-21 | Internatl Business Mach Corp <Ibm> | 数理計画問題を解くための装置、プログラムおよび方法 |
| KR101354628B1 (ko) * | 2012-11-16 | 2014-01-27 | 한국전기연구원 | 전기 사용자의 전력부하곡선을 산출하기 위한 장치 및 그 방법 |
| JP6079215B2 (ja) * | 2012-12-21 | 2017-02-15 | 富士電機株式会社 | 電力需要予測装置、プログラム |
| JP5654074B2 (ja) * | 2013-03-28 | 2015-01-14 | 中国電力株式会社 | 電力使用量予測装置、電力使用量予測方法およびプログラム |
| CN106022530A (zh) * | 2016-05-26 | 2016-10-12 | 国网山东省电力公司电力科学研究院 | 一种电力需求侧柔性负荷有功功率预测方法 |
| CN110009140B (zh) * | 2019-03-20 | 2021-10-08 | 华中科技大学 | 一种日电力负荷预测方法及预测装置 |
| JP7424389B2 (ja) * | 2019-11-27 | 2024-01-30 | 日本電信電話株式会社 | 学習装置、推定装置、学習方法、推定方法、及びプログラム |
| CN112686447B (zh) * | 2020-12-30 | 2024-05-31 | 中国海洋石油集团有限公司 | 海上油气田开发多能流耦合负荷预测方法 |
| CN113408820B (zh) * | 2021-07-09 | 2022-05-31 | 吉林大学 | 一种蓄热式电锅炉用户可调节潜力挖掘方法、系统及设备 |
| CN113776164B (zh) * | 2021-09-09 | 2022-08-30 | 广州珠江新城能源有限公司 | 用于集中供冷系统的自控方法及控制系统 |
| KR20230095165A (ko) * | 2021-12-21 | 2023-06-29 | 한국전기연구원 | 인공신경망 기반의 특성 곡선 예측 방법 |
-
1996
- 1996-02-08 JP JP04659496A patent/JP3360520B2/ja not_active Expired - Lifetime
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103065201A (zh) * | 2012-12-19 | 2013-04-24 | 福建省电力有限公司 | 基于温度及节假日因素的电力用电负荷预测方法 |
| CN103065201B (zh) * | 2012-12-19 | 2016-03-30 | 福建省电力有限公司 | 基于温度及节假日因素的电力用电负荷预测方法 |
| CN103646349B (zh) * | 2013-09-27 | 2017-02-08 | 华北电力大学 | 一种电力负荷曲线分段识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH09215192A (ja) | 1997-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3360520B2 (ja) | 日負荷曲線予測方法 | |
| López et al. | Parsimonious short-term load forecasting for optimal operation planning of electrical distribution systems | |
| Singh et al. | Short term load forecasting using artificial neural network | |
| CN111461392B (zh) | 一种基于图神经网络的电力故障预测方法及系统 | |
| Khotanzad et al. | A neuro-fuzzy approach to short-term load forecasting in a price-sensitive environment | |
| Song et al. | Hybrid load forecasting method with analysis of temperature sensitivities | |
| Srinivasan et al. | Parallel neural network-fuzzy expert system strategy for short-term load forecasting: system implementation and performance evaluation | |
| Feinberg et al. | Load forecasting | |
| Charytoniuk et al. | Nonparametric regression based short-term load forecasting | |
| Zhang et al. | Energy clearing price prediction and confidence interval estimation with cascaded neural networks | |
| Gonzalez et al. | Prediction of hourly energy consumption in buildings based on a feedback artificial neural network | |
| Kassaei et al. | A hybrid fuzzy, neural network bus load modeling and predication | |
| Rahman | Formulation and analysis of a rule-based short-term load forecasting algorithm | |
| Senjyu et al. | Future load curve shaping based on similarity using fuzzy logic approach | |
| Thokala et al. | A deployable electrical load forecasting solution for commercial buildings | |
| Silva et al. | Advanced fuzzy time series applied to short term load forecasting | |
| Skarman et al. | Short-term electrical load forecasting using a fuzzy ARTMAP neural network | |
| de Andrade et al. | Very short-term load forecasting based on NARX recurrent neural networks | |
| JP3215279B2 (ja) | エネルギー設備の設備運用方法およびその装置 | |
| JPH1080062A (ja) | 日負荷曲線予測方法 | |
| Salgado et al. | A short-term bus load forecasting system | |
| Minhas et al. | Short term load forecasting using hybrid adaptive fuzzy neural system: The performance evaluation | |
| Chen et al. | Neural network based very short term load prediction | |
| JPH0922402A (ja) | 日最大電力需要量予測方法 | |
| JP3268520B2 (ja) | ガス需要量の予測方法 |
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: 20020917 |
|
| 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: 20081018 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091018 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101018 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111018 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121018 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131018 Year of fee payment: 11 |
|
| 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 |
|
| EXPY | Cancellation because of completion of term |