JP3707589B2 - 電力需要量予測方法 - Google Patents
電力需要量予測方法 Download PDFInfo
- Publication number
- JP3707589B2 JP3707589B2 JP10605398A JP10605398A JP3707589B2 JP 3707589 B2 JP3707589 B2 JP 3707589B2 JP 10605398 A JP10605398 A JP 10605398A JP 10605398 A JP10605398 A JP 10605398A JP 3707589 B2 JP3707589 B2 JP 3707589B2
- Authority
- JP
- Japan
- Prior art keywords
- temperature
- power demand
- prediction
- data
- year
- 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
Images
Classifications
-
- Y04S10/54—
Landscapes
- Supply And Distribution Of Alternating Current (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、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により電力需要量を自動的に予測する方法に関する。
【０００２】
【従来の技術】
電力系統における例えば翌日の電力需要量（日最大電力や日負荷曲線）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。
このため、予測作業を自動化するものとして、電力系統内の代表地点の気象情報等を用いた重回帰分析に代表される統計的手法により、またはニューラルネットワークを用いて予測する方法が近年提案され、確立されつつある。これらの方法では、過去の実績データを用いて予測モデルを構築している。
【０００３】
予測モデルの予測精度は、モデルの構築に用いた実績データ数に大きく依存するため、過去数年分のデータを用いるのが一般的である。しかし、電力需要は毎年増加するため、そのままでは高精度な予測モデルを構築することが難しい。この問題を解決する方法として、以下の二つの方法が知られている。
【０００４】
一番目の方法は、過去数年分のデータを、電力需要量の伸びからある特定年相当（通常は予測対象年の前年相当）の電力需要量に補正し、この補正データを用いて予測モデルを構築する方法である。
図１１はこの補正概念を示すもので、予測対象年の２年以前の破線で示した各年の電力需要量が、補正後の電力需要量である。この補正に用いる係数を年増加係数といい、各年ごとにその値が異なっている。すなわち、年増加係数自体が年々補正されると考えることができる。
この方法により構築したモデルを用いて実際に予測する場合、上記特定年相当（予測対象年の前年相当）から予測対象年への電力需要量の増加率を考慮して更に補正を行う必要がある。
【０００５】
二番目の方法は、過去の実績データを補正せずに、各年度ごとに予測モデルを構築する。各年度用の予測モデルの予測値は、各年度相当の予測しかできないため、予測当年用に変換した後、更にそれぞれの予測値の平均を求める等の方法により、一つの予測値を得る。
【０００６】
上述した何れの方法でも、年増加係数は各年度とも一つ、または各年度の各季節ごとに一つ計算している。
【０００７】
【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厖大な専門的知識が必要であるが、近年では、この知識を有する熟練運用者が特に減少の一途をたどっている。一方、電力需要量、特に日最大電力需要量の予測は、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。
【０００８】
ここで、電力需要量は、エアコンなどの普及により冷暖房需要の伸びが大きい。このため、冷房需要が多い夏の高温時や暖房需要が多い冬の低温時に特に電力需要量の伸びが大きく、気温帯によって年増加係数は異なっている。
図１２は気温と電力需要量との関係を近年及び数年前につき示したもので、現時点に近いほど特性線は全体的に上側に位置している。
【０００９】
従来では、各年の平均気温等の条件により抽出した日の電力需要量から年増加係数を算出していた。つまり、各年ごとに一つずつ、または各年の季節ごとにひとつずつの年増加係数を算出し、使用していた。
この方法によると、各年の中温時の年増加係数を用いることになり、夏の高温時や冬の低温時の電力需要量の変化を正確に反映したものとは言えない。
【００１０】
そこで本発明は、気温帯ごとに年増加係数を算出し、この年増加係数に基づいて過去の実績データを補正するとともに、補正された実績データを用いて気温帯別に予測モデルを構築し、気温帯の境界部分の予測においては隣接気温帯の予測モデルによる予測結果をファジー融合する等の手段により、電力需要量の予測精度を向上させるようにした電力需要量予測方法を提供しようとするものである。
【００１１】
【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、過去の電力需要量の実績データを年増加係数を用いて補正し、この補正後の実績データに基づいて構築した予測モデルを用いて予測対象日の電力需要量を予測する方法において、過去の実績データの気象条件により複数の気温帯の温度区分を決定するステップと、前記気温帯に従って過去の該当日を抽出するステップと、抽出した該当日の電力需要量から気温帯ごとに年増加係数を算出するステップと、を有するものである。
【００１２】
請求項２記載の発明は、計算機により、過去の電力需要量の実績データを年増加係数を用いて補正し、この補正後の実績データに基づいて構築した予測モデルを用いて予測対象日の電力需要量を予測する方法において、過去複数年の電力需要量の実績データに基づいて予測モデルを構築する際に、請求項１に記載した気温帯ごとの年増加係数を用いて実績データを補正するものである。
【００１３】
請求項３記載の発明は、請求項２記載の電力需要量予測方法において、複数の気温帯別に予測モデルを構築するものである。
【００１４】
請求項４記載の発明は、請求項３記載の電力需要量予測方法において、複数の気温帯別に構築した予測モデルによる予測値をファジー理論により融合するものである。
【００１５】
【発明の実施の形態】
以下、本発明の実施形態を図に沿って説明する。
まず、請求項１に記載した発明の実施形態を説明する。この発明は、気温帯ごとに異なる電力需要量の年増加係数を、過去の実績データの統計分析に基づいて求めるものである。その処理内容は、図１に示すように、気温帯区分決定（Ｓ１１）、データ抽出（Ｓ１２）、年増加係数算出（Ｓ１３）からなっている。
以下、各処理の内容を説明する。
【００１６】
（１）気温帯区分決定（Ｓ１１）
過去の実績データの気象条件から、最高気温、平均気温、最低気温等を求め、各気温帯の温度区分を求める。
気温帯の分割は、過去における１日の最高気温の最高と最低とを求めてそれを等分割したり、冷夏や猛暑など特定年度の平均気温を用いて分割する。
【００１７】
以下に、気温帯の区分方法の例を示す。
・例１
図２は、近年の電力需要量及び数年前の電力需要量について、１日の最高気温と電力需要量との関係を示すグラフ上で気温帯を区分した一例を示す図である。図において、低温帯の下限温度は、過去５年間における１日の最高気温のうち最低の温度であり、ここでは１１．９℃である。また、高温帯の上限温度は、過去５年間における１日の最高気温のうち最高の温度であり、ここでは３５．６℃である。
更に、
低温帯と中温帯との温度境界＝最低気温＋（最高気温−最低気温）／３，
中温帯と高温帯との温度境界＝最低気温＋２（最高気温−最低気温）／３
により決定する。ただし、ここにおける「最低気温」とは１日の最低気温ではなく、過去５年の最高気温のうち最低のもの、同じく「最高気温」とは１日の最高気温ではなく、過去５年の最高気温のうち最高のものをいう。
【００１８】
・例２
図３は、近年の電力需要量及び数年前の電力需要量について、１日の平均気温と電力需要量との関係を示すグラフ上で気温帯を区分した一例を示す図である。
この場合、
夏の低温帯と中温帯との温度境界＝冷夏年の平均気温，
夏の中温帯と高温帯との温度境界＝猛暑年の平均気温
により決定する。
【００１９】
（２）データ抽出（Ｓ１２）
次に、年増加係数算出のため、各気温帯に当てはまる日、もしくは各気温帯を代表する日を抽出する。抽出条件の例を以下に示す。
例えば、前述の例１（図 ２）では、
低温帯：１日の最高気温が低温帯に当てはまるすべての日，
中温帯：１日の最高気温が中温帯に当てはまるすべての日，
高温帯：１日の最高気温が高温帯に当てはまるすべての日，
また、前述の例２（図 ３）では、
低温帯：平均気温が冷夏年の平均気温の±１℃の範囲に属するすべての日，
中温帯：平均気温が過去５年の平均気温の±１℃の範囲に属するすべての日，
高温帯：平均気温が猛暑年の平均気温の±１℃の範囲に属するすべての日
としてデータを抽出する。
【００２０】
（３）年増加係数算出（Ｓ１３）
抽出したデータを用いて各年度の平均電力需要量を計算し、気温帯別に年度間の年増加係数を算出する。例えば、１９９４年度の電力需要量を１９９５年度相当に補正するための各気温帯ごとの年増加係数は、次のようにして算出される。
年増加係数（低温）＝平均電力需要量（１９９５年度低温帯）／平均電力需要量（１９９４年度低温帯），
年増加係数（中温）＝平均電力需要量（１９９５年度中温帯）／平均電力需要量（１９９４年度中温帯），
年増加係数（高温）＝平均電力需要量（１９９５年度高温帯）／平均電力需要量（１９９４年度高温帯）
【００２１】
次に、本実施形態の第１実施例としての気温帯別年増加係数算出方法を説明する。この実施例は前述の図２に対応しており、年増加係数の算出に用いたデータは過去５年分の実績データである。
まず、５年分のデータについて、表１の季節区分により季節毎に１日の最高気温の最高と最低とを求め、両者の間の温度範囲を三分割して表２のように低温帯、中温帯、高温帯とする。
【００２２】
【表１】
【００２３】
【表２】
【００２４】
そして、上記気温帯に属する日の平均電力需要量を、季節ごと、各年ごとに求める。この結果を表３に示す。
【００２５】
【表３】
【００２６】
この表３に基づき、気温帯別の各年毎の年増加係数を求めた結果が表４である。
すなわち、表３における１９９５年度の平均電力需要量を１とした場合の、各年、各季節の平均電力需要量の比率の逆数が年増加係数として求められる。例えば、低温帯の１９９１年度春季の年増加係数は、表３の（ａ）から１７２３０．１２／１５７７３．３３≒１．０９２３５７となる（表４（ａ）の該当個所参照）。
【００２７】
【表４】
【００２８】
このように本実施例によれば、気温体別の電力需要量の変化を考慮した年増加補正が可能になる。
【００２９】
次に、本実施形態の第２実施例を説明する。この実施例は、前述の図３に対応している。
上述した第１実施例では、過去の最高気温の最高と最低との間の温度範囲を三分割して気温帯を決めている。しかし、この方法では、例えば冷夏の年の高温帯に該当する日はごく少ないため、統計計算を行うにはサンプル数が少なくて年増加係数を算出できない事態が生じる。
【００３０】
そこで本実施例では、過去５年間の猛暑の年の平均気温を高温帯境界温度、冷夏の年の平均気温を低温帯境界温度として算出する。また、データとして抽出する日は、低温帯については平均気温が冷夏年の平均気温の±１℃の範囲に属するすべての日、中温帯については平均気温が過去５年の平均気温の±１℃の範囲に属するすべての日、高温帯については平均気温が猛暑年の平均気温の±１℃の範囲に属するすべての日である。
但し、各年度とも抽出される日が５日未満であるときには、０．５℃刻みで抽出幅を拡げて最低５日以上抽出することとする。
【００３１】
表５に、過去５年間の季節ごとの平均気温、季節ごとの高温（最高温度）、低温（最低温度）を示す。この例では、１９９３年度が冷夏、１９９４年度が猛暑であり、データ抽出時には、低温帯について１９９３年度の平均気温の±１℃の範囲、高温帯について１９９４年度の平均気温の±１℃の範囲に属する日が対象となる。
【００３２】
【表５】
【００３３】
そして、各気温帯に属する日の平均電力需要量を、季節ごと、各年ごとに求める。この結果を表６に示す。この表６に基づき、気温帯別の各年毎の年増加係数を求めた結果が表７である。
この実施例の年増加係数の算出方法は第１実施例と同様であり、異なるのは、気温帯区分方法と、年増加係数算出のためのデータ抽出方法である。
【００３４】
【表６】
【００３５】
【表７】
【００３６】
ここで、図４（ａ）は夏季における従来の年増加係数の概念を示し、図４（ｂ）は請求項１の発明における夏季の年増加係数の概念を示している。
つまり、従来では、各年につき一つの年増加係数を用いて年増加補正を行っていたが、本発明では低温帯、中温帯、高温帯といった気温帯別に年増加係数を算出してきめ細かく補正するものである。
【００３７】
次いで、請求項２に記載した発明の実施形態を説明する。
過去複数年のデータを用いて予測モデルを構築する場合、電力需要量を特定年の電力需要量相当に補正しなくてはならない。通常は、予測対象年の前年相当に補正している。
しかし、電力需要量の伸びは気温帯によって異なるにも関わらず、従来では、気温帯により異なる電力需要量の伸びをまったく考慮せず、全気温帯とも一律に同じ年増加係数を用いて補正していた。
【００３８】
そこで、請求項２記載の発明は、請求項１の発明により算出した気温帯ごとの年増加係数を用い、気温帯毎に異なる電力需要量の伸びを考慮して学習データを変換（補正）し、予測モデルを構築するものである。
従来では、気温の高い部分と低い部分との補正がうまくいかず誤差原因となっていたのに対し、この方法によれば気温帯毎に補正するので従来よりも良好な補正が可能になる。
【００３９】
図５は請求項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。
その処理内容は、図５に示すように、気温帯別年増加係数算出（Ｓ２１）、データ補正（Ｓ２２）、予測モデル構築（Ｓ２３）からなっている。
以下、各処理の内容を説明する。
【００４０】
（１）気温帯別年増加係数算出（Ｓ２１）
請求項１の発明を用いて、気温帯別の年増加係数を算出する。
（２）データ補正（Ｓ２２）
気温帯別の年増加係数を用いて、各年度データの電力需要量を特定年相当（予測対象年の前年相当）に変換する。
（３）予測モデル構築（Ｓ２３）
上記（２）の処理で変換したデータを用いて、予測モデルを構築する。モデル化の手法にはニューラルネットワーク、重回帰式などの方法があるが、本発明の要旨でないので説明を省略する。
【００４１】
以下、本発明の実施例を説明する。ここでは、請求項１の発明の第２実施例により算出した年増加係数を用いて各年度データを補正し、そのデータを用いて予測モデルを構築して電力需要量を予測する。
予測モデルにはニューラルネットワークを用い、学習データは過去５年分（１９９１年〜１９９５年度）の実績データを用いた。
学習方法としてはバックプロパゲーションを用い、季節ごとに学習した。
各年の電力需要量を年増加補正するに当たっては、前述のように気温帯別の年増加補正係数を用いて予測対象年前年相当の電力需要量に補正した。
なお、予測対象年は１９９６年度の春、夏、秋である。
【００４２】
表８は、ニューラルネットワークの入力項目であり、表中、ｉは予測対象日、ｉ−２，ｉ−７はそれぞれ２日前、７日前を示す。特異日フラグとは、土曜日や休日の電力需要量は平日と大きく異なるのでそれを考慮するためのものである。
【００４３】
【表８】
【００４４】
表９は、本実施例により構築した予測モデルを用いて電力需要量を予測した場合の予測誤差を示している。本実施例によれば、絶対平均誤差が３％以下であり、良好に予測することができた。
【００４５】
【表９】
【００４６】
なお、図６（ａ）は２年前の需要量を１年前の需要量に補正する場合の概念図であり、図６（ｂ）は一つの年増加係数によりデータを補正する従来技術の概念図、図６（ｃ）は気温帯ごとの年増加係数を用いてデータを補正する請求項２の発明の概念図である。
請求項２の発明では、気温帯ごとの年増加係数を考慮して学習データを作成し、このデータを用いて予測モデルを構築するので、予測精度の向上が可能である。
【００４７】
次に、請求項３に記載した発明の実施形態を説明する。
予測モデルは、１つのモデルを構築して予測するよりも、ある特定の条件に特化してモデルを構築する方が予測精度が向上する。
そこで、請求項３記載の発明では、気温帯別に複数の予測モデルを構築することにより予測精度を向上させるものである。請求項２の発明では、気温帯による需要の変化を考慮して補正した実績データを用いて単一の予測モデルを構築したが、請求項３では、気温帯別に複数の予測モデルを構築するようにした。
【００４８】
図７（ａ）は従来の予測モデル構築方法を示す概念図、図７（ｂ）は本実施形態による予測モデル構築方法を示す概念図である。
従来では、年増加係数により補正した学習用データを用いて単一の予測モデルを構築し予測していたが、請求項３記載の発明の実施形態では、例えば低温帯用、中温帯用、高温帯用というように気温帯別にそれぞれ予測モデルを構築し、予測するものである。
電力需要量の予測は非線形問題の一種であり、季節ごとに予測モデルを構築する方法は従来から提案されているが、本発明では更に気温帯ごとに予測モデルを構築することにより、一層良好な予測を行うことができる。
【００４９】
最後に、請求項４に記載した発明の実施形態を説明する。
請求項３の発明により構築された気温帯別の予測モデルでは、気温帯の境界では予測値が不連続になったり、予測精度が低下したりする場合がある。
そこで請求項３の発明では、気温帯の境界において隣接する２つの予測モデルの予測値をファジー推論により融合し、予測精度の向上を図ったものである
【００５０】
図８は、この実施形態の処理を示すフローチャートであり、気温帯別予測（Ｓ４１）及びファジー融合（Ｓ４２）のステップから構成される。
以下に、各処理の内容を説明する。
【００５１】
（１）気温帯別予測（Ｓ４１）
各気温帯（低温帯、中温帯、高温帯）別の予測モデルを用いて、予測を行う。
【００５２】
（２）ファジー融合（Ｓ４２）
予測対象日の気象条件を判断して、各気温帯別予測モデルの予測値を融合する。本実施形態におけるファジー融合方法としては、以下の方法を用いる。
３つの気温帯（低温帯、中温帯、高温帯）があり、それぞれの電力需要量予測値をｙl,ｙm,ｙhとして気象との適合度をωl,ωm,ωhとすると、最終的な予測値ｙは次の式で表される。
ｙ＝（ωlyl+ωmym+ωhyh)／（ωl+ωm+ωh)
但し、適合度ω（０〜１の範囲の値）は、図９のようなメンバシップ関数からより求める。例えば、図９のメンバシップ関数を用いた場合は、予測対象日の最高気温が１５℃以下ならば低温帯予測用のモデルを用いて予測し、最高気温が１７．５℃ならば低温帯用モデルと中温帯用モデルとの両方を用いて予測を行い、その平均を最終的な予測値とする。
【００５３】
図１０は、この実施形態による予測方法の概念を示した図である。各気温帯別の予測モデルを用いて低温時予測値、中温時予測値、高温時予測値を求め、図９のメンバシップ関数に示したように最高気温が低温でもあり中温でもある場合には、低温用予測モデルによる予測結果と中温用予測モデルによる予測結果とをファジー融合して低〜中温時の予測値を求める。また、最高気温が中温でもあり高温でもある場合には中温用予測モデルによる予測結果と高温用予測モデルによる予測結果とをファジー融合して中〜高温時の予測値を求めるものである。
本実施形態によれば、低温帯と中温帯、または中温と高温帯といった隣接する気温帯の境界における予測精度の低下を防ぎ、気温帯全般にわたって高精度な需要量の予測が可能になる。
【００５４】
【発明の効果】
以上述べたように、請求項１記載の発明は、年増加係数の算出方法に関するものである。従来の年増加係数は、年度や季節ごとに一つずつであったため、電力需要量構成の変化（エアコン需要の増加など）に伴う需要量の伸びに対応していない。つまり、エアコンが使用され易い夏場の高気温時と冬場の低気温時の電力需要量の伸びが大きいため、本来は、気温帯によって電力需要量の伸び率が大きく異なるものである。
従来の方法では、平均的な気温時における電力需要量に基づいて年増加係数を算出していたため、特に冷暖房需要が大きい夏の高温時や冬の低温時において予測精度が低下する可能性がある。
これに対し、本発明によれば、電力需要の構成の変化に対応して適切な年増加係数を算出することができる。
【００５５】
請求項２記載の発明では、気温帯別の年増加係数を用いて予測モデルを構築することにより、良好な予測モデルを構築することができる。従来の単一の年増加係数により補正したデータを用いて予測モデルを構築した場合、この年増加係数は平均的な温度帯におけるものであるため、高温時や低温時においては誤差が大きくなるおそれがある。
この点、本発明によれば、気温帯ごとに異なる電力需要量の伸びを考慮した予測を行うことが可能になる。
【００５６】
請求項３記載の発明は、請求項２の発明を更に発展させて、気温帯別に予測モデルを構築する方法である。非線形問題の場合、一般に、一つのモデルによって多くの条件の下での予測を精度良く行うことは難しい。従来の日最大電力需要量予測は、季節ごとに予測モデルを分割して予測していたが、本発明では、更に気温帯ごとに予測モデルを構築することにより、一層高精度な予測を行うことができる。
【００５７】
請求項４記載の発明は、請求項３の発明を用いる場合に、ファジー理論を応用して更に予測精度を向上させる方法である。気温帯ごとに予測モデルを構築すると、気温帯の境界付近では予測精度が低下する場合があるが、本発明によれば、隣接する気温帯の予測モデルによる予測値のファジー融合により、気温帯境界付近についても高精度な予測が可能になる。
【図面の簡単な説明】
【図１】請求項１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。
【図２】図１の実施形態における第１実施例のデータ抽出対象を示す図である。
【図３】図１の実施形態における第２実施例のデータ抽出対象を示す図である。
【図４】従来技術及び図１の実施形態における年増加係数の概念図である。
【図５】請求項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。
【図６】従来技術及び図５の実施形態における学習データの生成概念図である。
【図７】従来技術及び請求項３に記載した実施形態における予測モデル構築方法の概念図である。
【図８】請求項４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。
【図９】図８の実施形態において用いられるメンバシップ関数の一例を示す図である。
【図１０】請求項４に記載した発明の実施形態による予測方法の概念図である。
【図１１】従来の年増加係数の補正概念を示す図である。
【図１２】気温と電力需要量との関係を示す図である。
【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により電力需要量を自動的に予測する方法に関する。
【０００２】
【従来の技術】
電力系統における例えば翌日の電力需要量（日最大電力や日負荷曲線）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。
このため、予測作業を自動化するものとして、電力系統内の代表地点の気象情報等を用いた重回帰分析に代表される統計的手法により、またはニューラルネットワークを用いて予測する方法が近年提案され、確立されつつある。これらの方法では、過去の実績データを用いて予測モデルを構築している。
【０００３】
予測モデルの予測精度は、モデルの構築に用いた実績データ数に大きく依存するため、過去数年分のデータを用いるのが一般的である。しかし、電力需要は毎年増加するため、そのままでは高精度な予測モデルを構築することが難しい。この問題を解決する方法として、以下の二つの方法が知られている。
【０００４】
一番目の方法は、過去数年分のデータを、電力需要量の伸びからある特定年相当（通常は予測対象年の前年相当）の電力需要量に補正し、この補正データを用いて予測モデルを構築する方法である。
図１１はこの補正概念を示すもので、予測対象年の２年以前の破線で示した各年の電力需要量が、補正後の電力需要量である。この補正に用いる係数を年増加係数といい、各年ごとにその値が異なっている。すなわち、年増加係数自体が年々補正されると考えることができる。
この方法により構築したモデルを用いて実際に予測する場合、上記特定年相当（予測対象年の前年相当）から予測対象年への電力需要量の増加率を考慮して更に補正を行う必要がある。
【０００５】
二番目の方法は、過去の実績データを補正せずに、各年度ごとに予測モデルを構築する。各年度用の予測モデルの予測値は、各年度相当の予測しかできないため、予測当年用に変換した後、更にそれぞれの予測値の平均を求める等の方法により、一つの予測値を得る。
【０００６】
上述した何れの方法でも、年増加係数は各年度とも一つ、または各年度の各季節ごとに一つ計算している。
【０００７】
【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厖大な専門的知識が必要であるが、近年では、この知識を有する熟練運用者が特に減少の一途をたどっている。一方、電力需要量、特に日最大電力需要量の予測は、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。
【０００８】
ここで、電力需要量は、エアコンなどの普及により冷暖房需要の伸びが大きい。このため、冷房需要が多い夏の高温時や暖房需要が多い冬の低温時に特に電力需要量の伸びが大きく、気温帯によって年増加係数は異なっている。
図１２は気温と電力需要量との関係を近年及び数年前につき示したもので、現時点に近いほど特性線は全体的に上側に位置している。
【０００９】
従来では、各年の平均気温等の条件により抽出した日の電力需要量から年増加係数を算出していた。つまり、各年ごとに一つずつ、または各年の季節ごとにひとつずつの年増加係数を算出し、使用していた。
この方法によると、各年の中温時の年増加係数を用いることになり、夏の高温時や冬の低温時の電力需要量の変化を正確に反映したものとは言えない。
【００１０】
そこで本発明は、気温帯ごとに年増加係数を算出し、この年増加係数に基づいて過去の実績データを補正するとともに、補正された実績データを用いて気温帯別に予測モデルを構築し、気温帯の境界部分の予測においては隣接気温帯の予測モデルによる予測結果をファジー融合する等の手段により、電力需要量の予測精度を向上させるようにした電力需要量予測方法を提供しようとするものである。
【００１１】
【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、過去の電力需要量の実績データを年増加係数を用いて補正し、この補正後の実績データに基づいて構築した予測モデルを用いて予測対象日の電力需要量を予測する方法において、過去の実績データの気象条件により複数の気温帯の温度区分を決定するステップと、前記気温帯に従って過去の該当日を抽出するステップと、抽出した該当日の電力需要量から気温帯ごとに年増加係数を算出するステップと、を有するものである。
【００１２】
請求項２記載の発明は、計算機により、過去の電力需要量の実績データを年増加係数を用いて補正し、この補正後の実績データに基づいて構築した予測モデルを用いて予測対象日の電力需要量を予測する方法において、過去複数年の電力需要量の実績データに基づいて予測モデルを構築する際に、請求項１に記載した気温帯ごとの年増加係数を用いて実績データを補正するものである。
【００１３】
請求項３記載の発明は、請求項２記載の電力需要量予測方法において、複数の気温帯別に予測モデルを構築するものである。
【００１４】
請求項４記載の発明は、請求項３記載の電力需要量予測方法において、複数の気温帯別に構築した予測モデルによる予測値をファジー理論により融合するものである。
【００１５】
【発明の実施の形態】
以下、本発明の実施形態を図に沿って説明する。
まず、請求項１に記載した発明の実施形態を説明する。この発明は、気温帯ごとに異なる電力需要量の年増加係数を、過去の実績データの統計分析に基づいて求めるものである。その処理内容は、図１に示すように、気温帯区分決定（Ｓ１１）、データ抽出（Ｓ１２）、年増加係数算出（Ｓ１３）からなっている。
以下、各処理の内容を説明する。
【００１６】
（１）気温帯区分決定（Ｓ１１）
過去の実績データの気象条件から、最高気温、平均気温、最低気温等を求め、各気温帯の温度区分を求める。
気温帯の分割は、過去における１日の最高気温の最高と最低とを求めてそれを等分割したり、冷夏や猛暑など特定年度の平均気温を用いて分割する。
【００１７】
以下に、気温帯の区分方法の例を示す。
・例１
図２は、近年の電力需要量及び数年前の電力需要量について、１日の最高気温と電力需要量との関係を示すグラフ上で気温帯を区分した一例を示す図である。図において、低温帯の下限温度は、過去５年間における１日の最高気温のうち最低の温度であり、ここでは１１．９℃である。また、高温帯の上限温度は、過去５年間における１日の最高気温のうち最高の温度であり、ここでは３５．６℃である。
更に、
低温帯と中温帯との温度境界＝最低気温＋（最高気温−最低気温）／３，
中温帯と高温帯との温度境界＝最低気温＋２（最高気温−最低気温）／３
により決定する。ただし、ここにおける「最低気温」とは１日の最低気温ではなく、過去５年の最高気温のうち最低のもの、同じく「最高気温」とは１日の最高気温ではなく、過去５年の最高気温のうち最高のものをいう。
【００１８】
・例２
図３は、近年の電力需要量及び数年前の電力需要量について、１日の平均気温と電力需要量との関係を示すグラフ上で気温帯を区分した一例を示す図である。
この場合、
夏の低温帯と中温帯との温度境界＝冷夏年の平均気温，
夏の中温帯と高温帯との温度境界＝猛暑年の平均気温
により決定する。
【００１９】
（２）データ抽出（Ｓ１２）
次に、年増加係数算出のため、各気温帯に当てはまる日、もしくは各気温帯を代表する日を抽出する。抽出条件の例を以下に示す。
例えば、前述の例１（図 ２）では、
低温帯：１日の最高気温が低温帯に当てはまるすべての日，
中温帯：１日の最高気温が中温帯に当てはまるすべての日，
高温帯：１日の最高気温が高温帯に当てはまるすべての日，
また、前述の例２（図 ３）では、
低温帯：平均気温が冷夏年の平均気温の±１℃の範囲に属するすべての日，
中温帯：平均気温が過去５年の平均気温の±１℃の範囲に属するすべての日，
高温帯：平均気温が猛暑年の平均気温の±１℃の範囲に属するすべての日
としてデータを抽出する。
【００２０】
（３）年増加係数算出（Ｓ１３）
抽出したデータを用いて各年度の平均電力需要量を計算し、気温帯別に年度間の年増加係数を算出する。例えば、１９９４年度の電力需要量を１９９５年度相当に補正するための各気温帯ごとの年増加係数は、次のようにして算出される。
年増加係数（低温）＝平均電力需要量（１９９５年度低温帯）／平均電力需要量（１９９４年度低温帯），
年増加係数（中温）＝平均電力需要量（１９９５年度中温帯）／平均電力需要量（１９９４年度中温帯），
年増加係数（高温）＝平均電力需要量（１９９５年度高温帯）／平均電力需要量（１９９４年度高温帯）
【００２１】
次に、本実施形態の第１実施例としての気温帯別年増加係数算出方法を説明する。この実施例は前述の図２に対応しており、年増加係数の算出に用いたデータは過去５年分の実績データである。
まず、５年分のデータについて、表１の季節区分により季節毎に１日の最高気温の最高と最低とを求め、両者の間の温度範囲を三分割して表２のように低温帯、中温帯、高温帯とする。
【００２２】
【表１】
【表２】
そして、上記気温帯に属する日の平均電力需要量を、季節ごと、各年ごとに求める。この結果を表３に示す。
【００２５】
【表３】
この表３に基づき、気温帯別の各年毎の年増加係数を求めた結果が表４である。
すなわち、表３における１９９５年度の平均電力需要量を１とした場合の、各年、各季節の平均電力需要量の比率の逆数が年増加係数として求められる。例えば、低温帯の１９９１年度春季の年増加係数は、表３の（ａ）から１７２３０．１２／１５７７３．３３≒１．０９２３５７となる（表４（ａ）の該当個所参照）。
【００２７】
【表４】
このように本実施例によれば、気温体別の電力需要量の変化を考慮した年増加補正が可能になる。
【００２９】
次に、本実施形態の第２実施例を説明する。この実施例は、前述の図３に対応している。
上述した第１実施例では、過去の最高気温の最高と最低との間の温度範囲を三分割して気温帯を決めている。しかし、この方法では、例えば冷夏の年の高温帯に該当する日はごく少ないため、統計計算を行うにはサンプル数が少なくて年増加係数を算出できない事態が生じる。
【００３０】
そこで本実施例では、過去５年間の猛暑の年の平均気温を高温帯境界温度、冷夏の年の平均気温を低温帯境界温度として算出する。また、データとして抽出する日は、低温帯については平均気温が冷夏年の平均気温の±１℃の範囲に属するすべての日、中温帯については平均気温が過去５年の平均気温の±１℃の範囲に属するすべての日、高温帯については平均気温が猛暑年の平均気温の±１℃の範囲に属するすべての日である。
但し、各年度とも抽出される日が５日未満であるときには、０．５℃刻みで抽出幅を拡げて最低５日以上抽出することとする。
【００３１】
表５に、過去５年間の季節ごとの平均気温、季節ごとの高温（最高温度）、低温（最低温度）を示す。この例では、１９９３年度が冷夏、１９９４年度が猛暑であり、データ抽出時には、低温帯について１９９３年度の平均気温の±１℃の範囲、高温帯について１９９４年度の平均気温の±１℃の範囲に属する日が対象となる。
【００３２】
【表５】
そして、各気温帯に属する日の平均電力需要量を、季節ごと、各年ごとに求める。この結果を表６に示す。この表６に基づき、気温帯別の各年毎の年増加係数を求めた結果が表７である。
この実施例の年増加係数の算出方法は第１実施例と同様であり、異なるのは、気温帯区分方法と、年増加係数算出のためのデータ抽出方法である。
【００３４】
【表６】
【表７】
ここで、図４（ａ）は夏季における従来の年増加係数の概念を示し、図４（ｂ）は請求項１の発明における夏季の年増加係数の概念を示している。
つまり、従来では、各年につき一つの年増加係数を用いて年増加補正を行っていたが、本発明では低温帯、中温帯、高温帯といった気温帯別に年増加係数を算出してきめ細かく補正するものである。
【００３７】
次いで、請求項２に記載した発明の実施形態を説明する。
過去複数年のデータを用いて予測モデルを構築する場合、電力需要量を特定年の電力需要量相当に補正しなくてはならない。通常は、予測対象年の前年相当に補正している。
しかし、電力需要量の伸びは気温帯によって異なるにも関わらず、従来では、気温帯により異なる電力需要量の伸びをまったく考慮せず、全気温帯とも一律に同じ年増加係数を用いて補正していた。
【００３８】
そこで、請求項２記載の発明は、請求項１の発明により算出した気温帯ごとの年増加係数を用い、気温帯毎に異なる電力需要量の伸びを考慮して学習データを変換（補正）し、予測モデルを構築するものである。
従来では、気温の高い部分と低い部分との補正がうまくいかず誤差原因となっていたのに対し、この方法によれば気温帯毎に補正するので従来よりも良好な補正が可能になる。
【００３９】
図５は請求項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。
その処理内容は、図５に示すように、気温帯別年増加係数算出（Ｓ２１）、データ補正（Ｓ２２）、予測モデル構築（Ｓ２３）からなっている。
以下、各処理の内容を説明する。
【００４０】
（１）気温帯別年増加係数算出（Ｓ２１）
請求項１の発明を用いて、気温帯別の年増加係数を算出する。
（２）データ補正（Ｓ２２）
気温帯別の年増加係数を用いて、各年度データの電力需要量を特定年相当（予測対象年の前年相当）に変換する。
（３）予測モデル構築（Ｓ２３）
上記（２）の処理で変換したデータを用いて、予測モデルを構築する。モデル化の手法にはニューラルネットワーク、重回帰式などの方法があるが、本発明の要旨でないので説明を省略する。
【００４１】
以下、本発明の実施例を説明する。ここでは、請求項１の発明の第２実施例により算出した年増加係数を用いて各年度データを補正し、そのデータを用いて予測モデルを構築して電力需要量を予測する。
予測モデルにはニューラルネットワークを用い、学習データは過去５年分（１９９１年〜１９９５年度）の実績データを用いた。
学習方法としてはバックプロパゲーションを用い、季節ごとに学習した。
各年の電力需要量を年増加補正するに当たっては、前述のように気温帯別の年増加補正係数を用いて予測対象年前年相当の電力需要量に補正した。
なお、予測対象年は１９９６年度の春、夏、秋である。
【００４２】
表８は、ニューラルネットワークの入力項目であり、表中、ｉは予測対象日、ｉ−２，ｉ−７はそれぞれ２日前、７日前を示す。特異日フラグとは、土曜日や休日の電力需要量は平日と大きく異なるのでそれを考慮するためのものである。
【００４３】
【表８】
表９は、本実施例により構築した予測モデルを用いて電力需要量を予測した場合の予測誤差を示している。本実施例によれば、絶対平均誤差が３％以下であり、良好に予測することができた。
【００４５】
【表９】
なお、図６（ａ）は２年前の需要量を１年前の需要量に補正する場合の概念図であり、図６（ｂ）は一つの年増加係数によりデータを補正する従来技術の概念図、図６（ｃ）は気温帯ごとの年増加係数を用いてデータを補正する請求項２の発明の概念図である。
請求項２の発明では、気温帯ごとの年増加係数を考慮して学習データを作成し、このデータを用いて予測モデルを構築するので、予測精度の向上が可能である。
【００４７】
次に、請求項３に記載した発明の実施形態を説明する。
予測モデルは、１つのモデルを構築して予測するよりも、ある特定の条件に特化してモデルを構築する方が予測精度が向上する。
そこで、請求項３記載の発明では、気温帯別に複数の予測モデルを構築することにより予測精度を向上させるものである。請求項２の発明では、気温帯による需要の変化を考慮して補正した実績データを用いて単一の予測モデルを構築したが、請求項３では、気温帯別に複数の予測モデルを構築するようにした。
【００４８】
図７（ａ）は従来の予測モデル構築方法を示す概念図、図７（ｂ）は本実施形態による予測モデル構築方法を示す概念図である。
従来では、年増加係数により補正した学習用データを用いて単一の予測モデルを構築し予測していたが、請求項３記載の発明の実施形態では、例えば低温帯用、中温帯用、高温帯用というように気温帯別にそれぞれ予測モデルを構築し、予測するものである。
電力需要量の予測は非線形問題の一種であり、季節ごとに予測モデルを構築する方法は従来から提案されているが、本発明では更に気温帯ごとに予測モデルを構築することにより、一層良好な予測を行うことができる。
【００４９】
最後に、請求項４に記載した発明の実施形態を説明する。
請求項３の発明により構築された気温帯別の予測モデルでは、気温帯の境界では予測値が不連続になったり、予測精度が低下したりする場合がある。
そこで請求項３の発明では、気温帯の境界において隣接する２つの予測モデルの予測値をファジー推論により融合し、予測精度の向上を図ったものである
【００５０】
図８は、この実施形態の処理を示すフローチャートであり、気温帯別予測（Ｓ４１）及びファジー融合（Ｓ４２）のステップから構成される。
以下に、各処理の内容を説明する。
【００５１】
（１）気温帯別予測（Ｓ４１）
各気温帯（低温帯、中温帯、高温帯）別の予測モデルを用いて、予測を行う。
【００５２】
（２）ファジー融合（Ｓ４２）
予測対象日の気象条件を判断して、各気温帯別予測モデルの予測値を融合する。本実施形態におけるファジー融合方法としては、以下の方法を用いる。
３つの気温帯（低温帯、中温帯、高温帯）があり、それぞれの電力需要量予測値をｙl,ｙm,ｙhとして気象との適合度をωl,ωm,ωhとすると、最終的な予測値ｙは次の式で表される。
ｙ＝（ωlyl+ωmym+ωhyh)／（ωl+ωm+ωh)
但し、適合度ω（０〜１の範囲の値）は、図９のようなメンバシップ関数からより求める。例えば、図９のメンバシップ関数を用いた場合は、予測対象日の最高気温が１５℃以下ならば低温帯予測用のモデルを用いて予測し、最高気温が１７．５℃ならば低温帯用モデルと中温帯用モデルとの両方を用いて予測を行い、その平均を最終的な予測値とする。
【００５３】
図１０は、この実施形態による予測方法の概念を示した図である。各気温帯別の予測モデルを用いて低温時予測値、中温時予測値、高温時予測値を求め、図９のメンバシップ関数に示したように最高気温が低温でもあり中温でもある場合には、低温用予測モデルによる予測結果と中温用予測モデルによる予測結果とをファジー融合して低〜中温時の予測値を求める。また、最高気温が中温でもあり高温でもある場合には中温用予測モデルによる予測結果と高温用予測モデルによる予測結果とをファジー融合して中〜高温時の予測値を求めるものである。
本実施形態によれば、低温帯と中温帯、または中温と高温帯といった隣接する気温帯の境界における予測精度の低下を防ぎ、気温帯全般にわたって高精度な需要量の予測が可能になる。
【００５４】
【発明の効果】
以上述べたように、請求項１記載の発明は、年増加係数の算出方法に関するものである。従来の年増加係数は、年度や季節ごとに一つずつであったため、電力需要量構成の変化（エアコン需要の増加など）に伴う需要量の伸びに対応していない。つまり、エアコンが使用され易い夏場の高気温時と冬場の低気温時の電力需要量の伸びが大きいため、本来は、気温帯によって電力需要量の伸び率が大きく異なるものである。
従来の方法では、平均的な気温時における電力需要量に基づいて年増加係数を算出していたため、特に冷暖房需要が大きい夏の高温時や冬の低温時において予測精度が低下する可能性がある。
これに対し、本発明によれば、電力需要の構成の変化に対応して適切な年増加係数を算出することができる。
【００５５】
請求項２記載の発明では、気温帯別の年増加係数を用いて予測モデルを構築することにより、良好な予測モデルを構築することができる。従来の単一の年増加係数により補正したデータを用いて予測モデルを構築した場合、この年増加係数は平均的な温度帯におけるものであるため、高温時や低温時においては誤差が大きくなるおそれがある。
この点、本発明によれば、気温帯ごとに異なる電力需要量の伸びを考慮した予測を行うことが可能になる。
【００５６】
請求項３記載の発明は、請求項２の発明を更に発展させて、気温帯別に予測モデルを構築する方法である。非線形問題の場合、一般に、一つのモデルによって多くの条件の下での予測を精度良く行うことは難しい。従来の日最大電力需要量予測は、季節ごとに予測モデルを分割して予測していたが、本発明では、更に気温帯ごとに予測モデルを構築することにより、一層高精度な予測を行うことができる。
【００５７】
請求項４記載の発明は、請求項３の発明を用いる場合に、ファジー理論を応用して更に予測精度を向上させる方法である。気温帯ごとに予測モデルを構築すると、気温帯の境界付近では予測精度が低下する場合があるが、本発明によれば、隣接する気温帯の予測モデルによる予測値のファジー融合により、気温帯境界付近についても高精度な予測が可能になる。
【図面の簡単な説明】
【図１】請求項１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。
【図２】図１の実施形態における第１実施例のデータ抽出対象を示す図である。
【図３】図１の実施形態における第２実施例のデータ抽出対象を示す図である。
【図４】従来技術及び図１の実施形態における年増加係数の概念図である。
【図５】請求項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。
【図６】従来技術及び図５の実施形態における学習データの生成概念図である。
【図７】従来技術及び請求項３に記載した実施形態における予測モデル構築方法の概念図である。
【図８】請求項４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。
【図９】図８の実施形態において用いられるメンバシップ関数の一例を示す図である。
【図１０】請求項４に記載した発明の実施形態による予測方法の概念図である。
【図１１】従来の年増加係数の補正概念を示す図である。
【図１２】気温と電力需要量との関係を示す図である。
Claims (4)
- 計算機により、過去の電力需要量の実績データを年増加係数を用いて補正し、この補正後の実績データに基づいて構築した予測モデルを用いて予測対象日の電力需要量を予測する方法において、
過去の実績データの気象条件により複数の気温帯の温度区分を決定するステップと、前記気温帯に従って過去の該当日を抽出するステップと、抽出した該当日の電力需要量から気温帯ごとに年増加係数を算出するステップと、
を有することを特徴とする電力需要量予測方法。 - 計算機により、過去の電力需要量の実績データを年増加係数を用いて補正し、この補正後の実績データに基づいて構築した予測モデルを用いて予測対象日の電力需要量を予測する方法において、
過去複数年の電力需要量の実績データに基づいて予測モデルを構築する際に、請求項１に記載した気温帯ごとの年増加係数を用いて実績データを補正することを特徴とする電力需要量予測方法。 - 請求項２記載の電力需要量予測方法において、
複数の気温帯別に予測モデルを構築することを特徴とする電力需要予測方法。 - 請求項３記載の電力需要量予測方法において、
複数の気温帯別に構築した予測モデルによる予測値をファジー理論により融合することを特徴とする電力需要量予測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP10605398A JP3707589B2 (ja) | 1998-04-16 | 1998-04-16 | 電力需要量予測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP10605398A JP3707589B2 (ja) | 1998-04-16 | 1998-04-16 | 電力需要量予測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH11299096A JPH11299096A (ja) | 1999-10-29 |
| JP3707589B2 true JP3707589B2 (ja) | 2005-10-19 |
Family
ID=14423888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP10605398A Expired - Fee Related JP3707589B2 (ja) | 1998-04-16 | 1998-04-16 | 電力需要量予測方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3707589B2 (ja) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004164388A (ja) * | 2002-11-14 | 2004-06-10 | Yokogawa Electric Corp | 需要予測システム |
| JP5137869B2 (ja) * | 2009-02-04 | 2013-02-06 | 中国電力株式会社 | 設備の環境負荷評価システムおよび環境負荷評価方法 |
| JP5665501B2 (ja) * | 2010-11-19 | 2015-02-04 | 三菱電機株式会社 | 情報処理装置およびプログラム |
| JP6705716B2 (ja) * | 2016-08-04 | 2020-06-03 | 東日本旅客鉄道株式会社 | 電力需要予測方法および電力需要予測プログラム |
| CN108898252A (zh) * | 2018-07-02 | 2018-11-27 | 河南师范大学 | 一种全国对流层大气折射率剖面的预测方法 |
-
1998
- 1998-04-16 JP JP10605398A patent/JP3707589B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH11299096A (ja) | 1999-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102812303B (zh) | Hvac控制系统和方法 | |
| US20070244604A1 (en) | Energy and cost savings calculation system | |
| CN114484557B (zh) | 一种基于目标能耗管控的建筑群供热负荷调控方法 | |
| CN110458340B (zh) | 基于模式分类的建筑空调冷负荷自回归预测方法 | |
| CN111461466B (zh) | 基于lstm时间序列的供暖户阀调节方法、系统及设备 | |
| CN111539844B (zh) | 一种基于k-l信息量和arima误差修正的月度电量预测方法 | |
| CN111723085B (zh) | 公共建筑空调用电能耗数据清洗方法及系统 | |
| CN112651543A (zh) | 一种基于vmd分解与lstm网络的日用电量预测方法 | |
| CN116167250A (zh) | 一种基于温差加权和时间序列算法的机房环境评估方法 | |
| JP3707589B2 (ja) | 電力需要量予測方法 | |
| JP3641918B2 (ja) | 電力需要量予測値補正方法 | |
| CN113887833A (zh) | 一种分布式能源用户侧逐时负荷预测方法及系统 | |
| JP2000276460A (ja) | 電力需要量予測方法 | |
| CN113888202A (zh) | 一种电价预测模型的训练方法及应用方法 | |
| Amasyali et al. | A machine learning-based approach to predict the aggregate flexibility of hvac systems | |
| CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
| CN112686442A (zh) | 基于运行多样性空调末端能耗预测方法和系统 | |
| CN116777027A (zh) | 一种非正常日的负荷预测方法及系统 | |
| JPH0922402A (ja) | 日最大電力需要量予測方法 | |
| CN115759422A (zh) | 供暖热负荷预测方法、系统、设备和介质 | |
| WO2022162798A1 (ja) | 電力需要予測装置、電力需要予測方法およびプログラム | |
| CN114861555A (zh) | 一种基于Copula理论的区域综合能源系统短期负荷预测方法 | |
| CN114066025A (zh) | 长期负荷预测方法及系统 | |
| Janicki | Methods of weather variables introduction into short-term electric load forecasting models-a review | |
| Zhang et al. | Dynamic building energy consumption forecast using weather forecast interpolations |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20040902 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040908 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20050714 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20050727 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080812 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090812 Year of fee payment: 4 |
|
| LAPS | Cancellation because of no payment of annual fees |