JP4298581B2 - 電力需要予測装置、電力需要予測システム、電力需要予測プログラム、記録媒体、及び電力需要予測方法 - Google Patents

Description

本発明は、電力の需給調整に供するべく、電力需要予測方法、及び電力需要予測装置に関し、特に、カオス理論を用いた短時間電力需要の予測方法及び予測装置に関する。

決定論的カオス理論を用いて電力需要量を予測する装置が開発されている（例えば、特許文献１参照。）。すなわち、過去の電力需要に関する時系列データの振る舞いがカオス的である範囲内で決定論的因果性を失うまでの近未来のデータを予測するのである。一方、局所ファジィ再構成法を用いたカオス時系列短期予測装置も開発され、電力予測にも利用可能であることが記載されている（例えば、特許文献２参照。）。
特開平７−１２３５９０号公報 特開平９−１４６９１５号公報

ところで、例えば大電力を消費して急峻な変動を伴う負荷たる電気炉は総電力需要に占める割合が小さくない。総電力需要に対する電気炉負荷の割合は例えば約６％〜約７％である。このため、大電力を消費する電気炉の急峻な変動によって電力系統へ周波数変動をもたらす問題が生じてしまう。そこで、電力の短時間先の需要予測値を得るにあたり、全体的な総電力需要の予測値だけでなく、合わせて、特に電気炉等に関し、その短時間先の需要をリアルタイムに予測することも必要である。

そこで、本発明の目的は、全体的な総電力需要の予測値だけでなく、合わせて、短周期変動需要に関する需要予測値を得ることができる電力需要予測方法及び電力需要予測装置を提供することにある。

前記課題を解決するために、本発明は、過去の時系列的な電力需要データに基づき電力需要の予測を行う電力需要予測装置であって、
過去の時系列的な総電力需要データを所定の記憶部から読み出し、当該総電力需要データを長周期変動需要データと短周期変動需要データとに分離する需要データ分離手段と、
前記長周期変動需要データ及び前記短周期変動需要データそれぞれについて、時系列的な変動を平滑化する平滑化手段と、
平滑化された前記長周期変動需要データに基づき、推移ベクトル法により長周期変動需要について短時間先の需要予測値を演算し、平滑化された前記短周期変動需要データに基づき、局所ファジイ再構成法により短周期変動需要について短時間先の需要予測値を演算する短時間先需要予測値演算手段と、
演算された前記長周期変動需要の前記需要予測値と前記短周期変動需要の前記需要予測値とを加算することにより、総電力の需要予測値を算出する需要予測値算出手段と、を備えることとする。

電力の短時間先の需要予測値をリアルタイムに得るにあたり、予め長周期変動需要データと短周期変動需要データに分離した上で演算を行う。このため、全体的な総電力需要の予測値では、長周期変動需要及び短周期変動需要の双方の変動を考慮した正確な予測値を得ることができ、合わせて、短周期変動需要に関する需要予測値を得ることができる。よって、総電力需要及び短周期変動需要の双方について、短時間先の予測値がリアルタイムに得られることにより、人間による手動制御やＥＬＤ制御（Economic Load Dispatching Control）等の自動制御において高精度化が図れ、正確な需給調整が行える。このため、周波数変動を抑制して電力品質を向上させ、以て経済的な発電機調整が可能となる。

＝＝＝ハードウエア構成＝＝＝
本発明の一実施例について、図面を参照して説明する。まず、過去の時系列的な電力需要データに基づき電力需要の予測を行う電力需要予測装置としての需要予測サーバ１００を含む電力需要予測システムの構成図を図１に示す。図１に示すように、需要予測サーバ１００には予測結果表示用パソコン（予測結果表示用コンピュータ）２００がＬＡＮ経由で接続され、これらサーバ１００及びパソコン２００でもって需要予測システムが構成される。また、需要予測サーバ１００には、中央給電指令所記録用計算機３００がＬＡＮ経由で接続されている。計算機３００は、現実の電力需要量の現在値に関するデータを需要予測サーバ１００に出力する。このサーバ１００は、現実の総電力需要量、短周期変動需要量、及び長周期変動需要量の現在値、そして、長周期変動需要データ及び短周期変動需要（電気炉の負荷）データそれぞれの需要予測値、並びに総電力需要の予測値等の各種データをパソコン２００に出力する。パソコン２００は、受信した各種データを図２の予測イメージ画面に示すように、ディスプレイ画面に表示する。

＝＝＝電力需要の予測方法＝＝＝
図３のフローチャートを中心に参照しつつ、本実施例の需要予測サーバ１００により実行される電力需要の予測方法について説明する。まず、需要予測サーバ１００には、電気炉負荷データを含む総電力需要（図中、総需要）に関するサンプリングデータが中央給電指令所記録用計算機３００から逐次送信され、過去の時系列的な電力需要データとしてデータベース（記憶部）に蓄積されていく（Ｓ１００）。サーバ１００は、データベースからサンプリングデータを読み出し、過去の各時点における総電力需要から電気炉負荷を減算することにより、長周期変動負荷に関するサンプリングデータを算出し、データベースに格納する。このことにより、過去の各時点における総電力需要を長周期変動負荷（長周期変動需要）と電気炉負荷（短周期変動需要）とに分離した時系列のサンプリングデータを得る（Ｓ２００→Ｓ２５０→Ｓ３００，Ｓ２００→Ｓ４００）。なお、長周期変動負荷に関するサンプリングデータを得るステップＳ３００に先だって、後述するように、サンプリングデータの時系列的な変動を平滑化する処理が実行される（Ｓ２５０）。

この総電力需要に関するサンプリングデータの分離について説明すると、急激な変動を伴う電気炉負荷（以下、短周期変動負荷という）は、数分から数十分単位で急激な変動を繰り返す。一方、この負荷を総需要から除いた残りの負荷（以下、長周期変動負荷という）は、日負荷曲線にみられるように一日単位の緩やかな変動であり、時系列データとしての振舞いが異なる。本実施例で用いている電力需要実データは、総需要に占める短周期変動負荷の割合が大きく、最大で数パーセントに達するため、これを分離して個別に予測することにより予測精度の向上が期待できる。そこで、分離した短周期変動負荷および長周期変動負荷を別々に予測し、これらの和をもって総需要予測値とする方法を採用している。

次に、図３のＳ２５０及びＳ６００に示すように、Ｓ３００において長周期変動負荷のサンプリングデータとして得られるべきデータと、Ｓ４００で得られた電気炉負荷のサンプリングデータとについて時系列的な変動を平滑化する処理を実行する。なお、本実施の形態においては、ステップＳ２５０の処理の後にステップＳ３００の処理が実行されるが、これに限定されるものではなく、ステップＳ３００の処理の後にステップＳ２５０の処理が実行されてもよい。この平滑化処理では、一般的に知られている平滑化法である指数平滑化法、移動平均法等を使用してもよい。また、急激な変動を伴う短周期変動負荷に対し、位相ずれなく平滑化する方法として、グラフで表したデータを包絡線で結ぶ手法を用いることもできる。すなわち、図４（ａ）の平滑化の概念を示すグラフに示すように、サンプリングデータ（図中、「Original Data」）について、ある一定のデータ区間毎に最大値を求め、これを所定の間隔ずつずらしながら行い（図中、丸で囲まれた１から７の番号）、得られた各最大値を直線で補間する（図中、「Line by Maximums」）。さらに、同様の処理を最小値について行う（図中、「Line by Minimums」）。最後に、これらの平均値を平滑化処理済データ（図中、「Smoothed Data」）とする。

このアルゴリズムを簡潔に述べると次のStep1〜Step４の通りである。
・Step1: 最大値と最小値を時系列データの設定した時間幅から探す。
・Step2: Step１と同様の操作をひとつずつ位置をずらしながら行う。
・Step3: 最大値、最小値は各々隣同士直線でつなぐ。
・Step4: すべての時間ステップにおいて、2本の線の平均値を計算する。

なお、図４（ｂ）のグラフは、実際の短周期変動負荷のデータ（図中、「Actual Furnance Load」）に対し、従来の代表的な平滑化手法である移動平均法による平滑化の結果と、本実施例による平滑化の結果とを示す。これらを比較すると、移動平均法ではタイムラグが発生する（図中、「Data with Moving Averages」参照）一方、本実施例による平滑化法ではタイムラグがほとんど発生しない（図中、「Data with Proposed Smooting」参照）。また、除去したい数分程度の変動はよく平滑化されるが、数十分程度の長周期変動の特徴はよく残される。

次に、図３のＳ７００及びＳ８００に示すように、Ｓ２５０で平滑化された長周期変動需要データについて推移ベクトル法により短時間先の需要予測値を演算する処理と、Ｓ６００で平滑化された電気炉負荷データついて局所ファジィ再構成法により短時間先の需要予測値を演算する処理とについて説明する。

＜＜＜局所ファジイ再構成法＞＞＞
まず、局所再構成法については、良く知られており、次の通りである。まず、時刻tにおける時系列データをy(t)，時間遅れをτ とする。次に、遅延座標系を用いて、ベクトルＸ(t)＝(y(t), y(t-τ),……, y(t-(n-1)τ))T（埋め込みベクトル）をつくる。これは、n次元再構成状態空間（埋め込み次元）の1点を示す。なお、現在時点の時刻をt=iとする。また、「h」を過去のデータ数とするとともに、tの値をｉから「１」減らすことにより、ベクトルＸ(t)を過去へひとつずらしていき，埋め込みベクトルを作成していく。つまり、「t= i, i-1, i-2, ・・・・・, i-((h-1) - (n-1) τ)」とする。これにより、n次元再構成状態空間に軌跡が描ける。このn次元再構成状態空間上において、最新データより構成されたベクトルX(i)（最新ベクトル）の近傍にある複数個のベクトル（近傍ベクトル）は過去のデータであるので、これを基準にみれば予測時間における状態は既知ということになる。したがって、この性質を利用し、最新ベクトルの近未来の軌道を推定し予測を行う。ここで、近傍ベクトルは最新ベクトルX(i)に対し，ユークリッド距離の近い順に設定された個数(1,2,・・・,m)を選出する。

また、この局所再構成法によって得られる近傍ベクトルについて、限定された範囲内で近傍ベクトルの探索処理を実行する。すなわち、計算速度を向上させリアルタイム予測を可能にするため，図８のように近傍ベクトル探索範囲を限定する。電力需要は、時刻に対し、より依存するため近傍ベクトル探索範囲を過去の同時刻及びその周辺に限定する。1日のデータ点数をday、過去のデータ埋め込み日数（予測に使用する過去のデータ日数）を1、2,・・・，emdayとすると、過去に遡った現在時点と同時刻はi- em*day (ただし，em=1,2,3,・・・,emday)と表される。また、同時刻周辺の探索範囲を設定するため、過去方向及び未来方向の探索の間引き間隔について、過去に遡った現在時点から、同時刻を基点とした過去方向τ_bfまでの時点及び未来方向τ_afまでの時点の範囲とする。また、過去に遡った現在時点から、同時刻より過去方向bf*τ_bfまでのデータ、及び未来方向af*τ_afまでのデータについて、過去方向の間引き間隔τ_bf、及び未来方向の間引き間隔τ_af毎に探索する（bf，afは自然数を設定）。また，基点は，最新ベクトル及び過去の埋め込みベクトルとも第1成分を使用する。

さらに、本実施例では、短時間先の需要予測値について、局所ファジィ再構成法でもって演算するに際し、曜日の属性に基づき近傍ベクトルを探索することにより、曜日別長周期変動需要データ及び曜日別総電力需要データを生成する。このうち、曜日の属性に基づく近傍ベクトルの探索法について説明する。まず、n次元ベクトルの最後の成分の後に，曜日属性を挿入し、曜日属性をweekとすると（例えば，平日＝１，土曜日＝２，日曜日＝３）、次の通りのベクトルが得られる。Ｘ(i) ： 最新ベクトル， Ｘ(i) = (x₁, x₂, x₃,・・・, x_n,week)， Ｘ(k) ： 過去の埋め込みベクトル， Ｘ(k) = (k₁, k₂, k₃,・・・, k_n,week)

ただし，最新ベクトル第１成分x₁より予測時間先（sステップ）が属する曜日を最新ベクトルのＸ(i)の曜日属性とする。また、過去の埋め込みベクトルＸ(k)の第１成分k₁の予測時間先（sステップ）が属する曜日を埋め込みベクトルのＸ(k)の曜日属性とする。Ｘ(i)の曜日属性と過去に遡った同時刻の曜日属性が一致した場合、その時点を基点にして過去方向bf*τ_bf迄、及び未来方向af*τ_af迄のデータより、ユークリッド距離を計算する。一方、曜日属性が一致しない場合はユークリッド距離を計算しない。そして、計算されたユークリッド距離のなかで、小さい順に設定された個数(1,2,,・・・,m)を近傍ベクトルとして選出する。図９において、曜日属性を用いた近傍ベクトル探索の一例の説明図を示し、図１０において探索手順フローチャートを示す。

すなわち、図９に示すように、現在をｉ日とすると、曜日属性（例えば，平日＝１，土曜日＝２，休日（日曜日または祝日）＝３）について、例えば１日前の同時刻において、現在の曜日属性と同一であれば探索し、例えば２日前の同時刻において異なれば探索しない。また、図１０に示すように、最新ベクトルに曜日属性を付与すると（Ｓ１０）、この最新ベクトルと曜日属性が同一の過去の埋め込みベクトルをデータベースから読み出す。そして、曜日属性が互いに同一な最新ベクトル及び過去の埋め込みベクトルについて、ユークリッド距離を算出する（Ｓ２０）。次に、算出されたユークリッド距離のうち、近い（小さい）順に設定個数（ｍ個）を近傍ベクトルとして抽出処理を実行する（Ｓ３０）。なお、図１１に、曜日の属性に基づき近傍ベクトルを探索する場合の有効性についてのグラフを示す。図中、”データ曜日分類有り”のグラフの方が、”データ曜日分類無し”のグラフより、全般的にほぼ平均予測誤差が小さいことが判る。

次に、局所ファジイ再構成法による短時間先の需要予測値の算出について説明する。図５において、これら近傍ベクトルを用いて予測する際、近傍ベクトルとして選出された複数個のベクトルに対し、最新ベクトルに近いものほど予測する軌道に及ぼす影響が大きく、遠いほどその影響が小さくなるようファジィルールで表現し、このルールに基づき予測を行う（この部分が，局所ファジイ再構成法の特徴であり、この部分を除けば、タケンスの埋め込み定理を用いた予測法である局所再構成法では共通の手法となる。）。

この局所ファジイ再構成法について、図５，図６を参照して具体的に説明する。まず、前述したように、遅延座標系を用いて時系列データを多次元状態空間へ再構成した後、最新ベクトル近傍よりユークリッド距離の近い順に近傍ベクトルとしてＸ(k₁)，Ｘ(k₂)，Ｘ(k₃)（近傍ベクトル選出個数m = 3の場合）を選出する。続いて、これらベクトルの成分ごとに、図６のようにメンバーシップ関数を決定する。図６では、選出した複数個の近傍ベクトルl次元目(1≦l≦n, n:埋め込み次元)の成分の中で最新ベクトルl次元目の成分と最もユークリッド距離の遠いものをグレード0.5としている。残りの近傍ベクトルl次元目の成分のグレードは，最新ベクトルl次元目の成分とのユークリッド距離に応じて、ともに0.5以上のグレードが決定される（後記の「数１」参照）。最後に、これらグレードを用いて、後記の「数２」により予測ベクトルが決定される。図７にこれら予測手順のフローチャートを示す。まず、等サンプリング間隔時系列データを蓄積しておく（Ｓ１）。そして、多次元状態空間への時系列データの埋め込みの処理を実行する（Ｓ２）。次に、近傍ベクトルの探索を実行し（Ｓ３）、後記の「数１」に基づきグレードを算出した（Ｓ４）上で、予測値を決定する（Ｓ５）。

ここで、Ｘ(i) ： 最新ベクトル， Ｘ(i) = (x₁, x₂, x₃,・・・, x_n)，Ｘ(k_j) ： 近傍ベクトル， Ｘ(k_j) = (k_1,j, k_2,j, k_3,j,・・・, k_n,j)， Ｘ(k_j+s) ：近傍ベクトルの s ステップ先のベクトル， Ｘ(k_j+s) = (k_1,j ^s, k_2,j ^s, k_3,j ^s,・・・, k_n,j ^s)， Ｘ(i+s) ： 予測ベクトル， Ｘ(i+s) = (x₁ ^s, x₂ ^s, x₃ ^s,・・・, x_n ^s)， μ_l(j)：メンバーシップ関数グレード， l=1,・・・,n, n:埋め込み次元， j=1,・・・,m, m:近傍数

ここで、実際の需要予測値の計算例を示すと次の通りである。なお、予測ベクトルの第1成分であるx₁ ^sの計算のみで算出できる。本計算例では、埋め込み次元を４とするとともに、近傍ベクトルを３つとする。そして、次の通り、最新ベクトル及び近傍ベクトルを設定する。
最新ベクトルＸ(i) = (790, 690,590, 490 )， 近傍ベクトルＸ(k₁) = (800, 700, 600, 500 )， 第1成分のグレード＝1/(1+|800-790|/|820-790|)=0.75， 近傍ベクトルＸ(k₂) = (810, 710, 610, 510 )， 同様に、第1成分のグレード0.6，近傍ベクトルＸ(k₃) = (820,720,620, 520)
さらに、メンバーシップ関数を決定の場合と同様に、第1成分のグレードを0.5とする。

そして、近傍ベクトルの予測時間先(sステップ先)のベクトルを次の通りとする。
Ｘ(k₁+s) = (850, 750, 650, 550 )， Ｘ(k₂+s) = (860, 760, 660, 560 )， Ｘ(k₃+s) = (870, 770, 670, 570)
すると、第1成分の予測値 x₁ ^sが次の通りに得られる。予測値 x₁ ^s=(0.75×850＋0.6×860＋0.5×870)/( 0.75＋0.6＋0.5)=858.6

＜＜＜推移ベクトル法＞＞＞
本実施の形態の推移ベクトル法の詳細は、河内清次、佐々木博司：電気学会論文誌Ｂ第１２４巻１号（２００４年）ｐｐ．７７−８３等で開示されている。

本実施の形態の推移ベクトル法では、先ず、前述した局所ファジイ再構成法における最新ベクトルX(i)に対するm個の近傍ベクトルX(k₁),…,X(k_m)と、当該近傍ベクトルのsステップ先のベクトルX(k₁+s),…,X(k_m+s)（予測時間先のベクトル）との差のベクトルZ(k₁+s,k₁)(=X(k₁+s)-X(k₁)),…, Z(k_m+s,k_m)(=X(k_m+s)-X(k_m))が、各近傍ベクトルのsステップ先への推移ベクトルとして定義される。

また、本実施の形態の推移ベクトル法では、各近傍ベクトルのsステップ先への推移ベクトルを変数とし当該推移ベクトルに重み付けを行うための関数F(Z(k₁+s,k₁),…, Z(k_m+s,k_m))が、予測に用いられる推移ベクトルW(i+s)として定義される。

更に、本実施の形態の推移ベクトル法では、予測に用いられる推移ベクトルW(i+s)を最新ベクトルX(i)に合成することにより、前述した局所ファジイ再構成法における予測ベクトルに対応する予測ベクトルX(i+s)(=X(i)+W(i+s))が得られる。

ところで、前述した推移ベクトルに重み付けを行う関数F(Z(k₁+s,k₁),…, Z(k_m+s,k_m))は、選出されたm個の近傍ベクトルX(k₁),…,X(k_m)が最新ベクトルX(i)に対し近傍であるほど予想値により大きな影響を及ぼすように定義されたメンバーシップ関数から生成される。

W(i+s)の例えばl次元目の要素w_lに対応するメンバーシップ関数μ_l(j)(1≦l≦n,1≦j≦m)は、その関数形が前述した局所ファジイ再構成法に用いられた「数１」の右辺に示される関数形と同形な関数である。但し、この関数においては、“Eu_l(j)”は最新ベクトル及び近傍ベクトル間のl次元目のユークリッド距離と定義され、“Eu_l ^Max”はEu_l(j) (1≦j≦m)の最大値と定義されている。

また、w(i+s)の例えばl次元目の要素w_lと、前述のメンバーシップ関数μ_l(j)との関係は、前述した局所ファジイ再構成法に用いられた「数２」の左辺に示される“X_l ^s”をw_lで置換し、前記の「数２」の右辺に示される“k_l,j ^s”をz_l,jで置換した関係式によって定義される。但し、z_l,jはｊ番目の近傍ベクトルに対応する推移ベクトルZ(k_j+s,k_j)のl番目の要素である。

尚、本実施の形態の推移ベクトル法においても、前述した局所ファジイ再構成法の場合と同様に、n次元状態再構成空間における埋め込みベクトルに対して曜日情報が付与されており、予測日と同じ曜日情報を付与された埋め込みベクトルの中から近傍ベクトルが選出される。また、この曜日情報は、前述した時系列データの変動傾向から平日、土曜日、日曜日の３種類に分類され、平日及び土曜日に発生する祝日は土曜日に帰属され、日曜日に発生する祝日、ゴールデンウィーク、及び年末年始は日曜日に帰属されている。

つまり、図１２に例示されるように、「日曜日」に対応する最新ベクトルX(i)（図１２の黒丸）に対しては、同じく「日曜日」に対応する近傍ベクトルX(k₁),X(k₂),X(k₃)（図１２の黒丸）が選出され、たとえユークリッド距離が短くても、「土曜日」に対応する近傍ベクトル（図１２の白丸）や「平日」に対応する近傍ベクトル（図１２の二重丸）は選出されない。これにより、前述した局所ファジイ再構成法の場合と同様に、曜日別にばらつきのある電力需要に対しても予測値を得ることができる。

また、本実施の形態の推移ベクトル法では、前述したように、先ず、時系列データに対し遅延座標系を用いてn次元状態再構成空間に埋め込まれたベクトル（埋め込みベクトル）から、最新ベクトルX(i)に対してユークリッド距離の短い順に、m個分の近傍ベクトルX(k₁),…,X(k_m)が選出される。次に、このm個選出された近傍ベクトルから、その時間微分されたベクトルと、最新ベクトルの時間微分されたベクトルとのユークリッド距離の小さい順に、更に近傍ベクトルが選出されてもよい。つまり、本実施の形態の推移ベクトル法では、時間微分された時系列データにおいて近傍ベクトルが更に絞り込まれてもよい。ここで、時系列データは離散的であるから、例えば(y(t)-y(t-u))/uにより時間微分されるものとする。但し、y(t)は観測値であり、tは時刻であり、uは自然数である。

更に、本実施の形態の推移ベクトル法では、前述した局所ファジイ再構成法に用いられた埋め込み次元（n）、時間遅れ（τ）、及び近傍数（m）のうちの１又は複数をパラメータとして、当該パラメータが、需要予測値と実測値との誤差を最小とすべく予測時刻毎に決定されてもよい。前記の誤差とは、例えば絶対値平均誤差や２乗平均誤差である。つまり、予測時刻毎に可変とされたパラメータn,τ,mが、前記の誤差を最小とすべく探索（最適化）されつつ予測が行われれば、時刻により大きくダイナミックスが変化する電力需要に対するより高精度な予測が可能となる。ここで、前記の探索方法は、予め設定されたnの範囲、τの範囲、mの範囲を総当たりする厳密解法でもよいし、タブサーチ等の高精度近似解を求めるメタヒューリスティクス手法でもよい。尚、このようなパラメータの決定は、局所ファジイ再構成法を含む局所再構成法において行われてもよい。

本実施の形態の推移ベクトル法によれば、例えば過去に例がない場合の電力の長周期変動需要の予測も高精度で実施できる。この過去に例がない予測とは、図１３に例示されるように、最新ベクトルX(i)と近傍ベクトルX(k₁),X(k₂),X(k₃)とのユークリッド距離が離れているだけではなく、当該近傍ベクトルが一方向に偏っている状態の予測である。この場合、もし、前述した短周期変動需要予測に用いられた局所ファジイ再構成法を適用すると、近傍ベクトルの予測時間先のベクトルX(k₁+s),X(k₂+s),X(k₃+s)のみを用いて予測が行われるため、X(i+s)_old（図１３）に予測されてしまう虞がある。一方、推移ベクトル法によれば、最新ベクトルX(i)に対して、推移ベクトルにより得られたベクトルW(i+s)が合成されるために、予測結果はX(i+s)_new（図１３）となる。

従って、特に最大需要が連続して更新される場合、即ち、近傍ベクトルと最新ベクトルとの距離が離れるような場合において、本実施の形態の推移ベクトル法による電力の長周期変動需要の予測は、より高精度となる。

＜＜＜長周期変動需要予測値及び短周期変動需要予測値の加算＞＞＞
図３のＳ１０００に示すように、Ｓ７００で得られた長周期変動需要予測値と、Ｓ８００で得られた短周期変動需要予測値とを加算し、総需要予測値（総電力の需要予測値）を算出し、データベースに格納する。

これまで説明したＳ１００〜Ｓ１１００までの処理を需要予測サーバ１００はリアルタイムに実行する。この際、需要予測サーバ１００は、中央給電指令所記録用計算機３００から受信する電力需要量の現在値を逐次反映させながら、このリアルタイム処理を実行する。

そして、需要予測サーバ１００は、総需要予測値（総電力需要の予測値）、長周期変動負荷（需要）予測値、曜日属性探索総需要予測値（曜日別総電力需要データの予測値）、曜日属性探索長周期変動負荷（需要）予測値、及び電気炉負荷（短周期変動需要）予測値をデータベースから随時リアルタイムに読み出して予測結果表示用パソコン２００に出力する。このパソコン２００は、前述した図２のディスプレイ画面に示すように、受信した各予測値の最新データ及び履歴データをリアルタイムに描画して表示する（Ｓ１２００）。

本実施例にあっては、次の作用効果を奏する。
電力の短時間先の需要予測値をリアルタイムに得るにあたり、予め長周期変動需要データと短周期変動需要データに分離した上で演算を行う。このため、全体的な総電力需要の予測値では、長周期変動需要及び短周期変動需要の双方の変動を考慮した正確な予測値を得ることができ、合わせて、短周期変動需要に関する需要予測値を得ることができる。よって、総電力需要及び短周期変動需要の双方について、短時間先の予測値がリアルタイムに得られることにより、人間による手動制御やＥＬＤ制御（Economic Load Dispatching Control）等の自動制御において高精度化が図れ、正確な需給調整が行える。このため、周波数変動を抑制して電力品質を向上させ、以て経済的な発電機調整が可能となる。

また、局所ファジィ再構成法によって需要予測値を演算に用いる各データを平滑化することにより、標本的なデータを得ることができる。よって、平滑化による標本的なデータに基づき需要予測値を演算することにより、精度の高い需要予測値を得ることができる。

さらに、電力消費量の過大な負荷たる電気炉の消費電力の変動に対しても、適正な電力需要の予測値を得ることができる。

さらにまた、近傍ベクトルの探索範囲を限定することにより、この探索に要する処理負荷を軽減される結果、計算速度が向上し、各需要予測値をリアルタイムに算出可能となる。

また、曜日別にばらつきのある電力需要に対しても予測値を得ることができる。

加えて、特に最大需要が連続して更新されるといった場合には、電力の長周期変動需要の予測は、推移ベクトル法により、より高精度に行われる。

本発明の一実施例に係る電力需要予測装置としての需要予測サーバ１００を含む需要予測システムの構成図である。 本発明の一実施例に係る電力需要の予測結果をパソコンのディスプレイ画面に表示した様子を示す模式図である。 本発明の一実施例に係る電力需要の予測方法を示すフローチャートである。 本発明の一実施例に係る電力需要予測において平滑化の処理に関するグラフであり、（ａ）は、電気炉負荷のサンプリングデータについて時系列的な変動を平滑化する処理の概念を示し、（ｂ）は、実際の短周期変動負荷のデータに対し、従来の移動平均法による平滑化データ、及び本実施例による平滑化データを示す。 本発明の一実施例に係る電力の短周期変動需要の予測において局所ファジイ再構成法による短時間先の需要予測法を示す概念図である。 本発明の一実施例に係る電力の短周期変動需要の予測において局所ファジイ再構成法で用いられるメンバーシップ関数を示すグラフである。 本発明の一実施例に係る電力の短周期変動需要の予測において局所ファジイ再構成法による短時間先の需要予測値の算出のプロセスを示すフローチャートである。 本発明の一実施例に係る電力の短周期変動需要の予測において局所ファジイ再構成法による近傍ベクトル探索範囲を限定する様子を表す模式図である。 本発明の一実施例に係る電力需要予測において曜日属性を用いた近傍ベクトル探索の一例を示す説明図である。 本発明の一実施例に係る電力需要予測において曜日属性を用いた近傍ベクトルの探索手順を示すフローチャートである。 本発明の一実施例に係る電力需要予測において曜日の属性に基づき近傍ベクトルを探索する場合の有効性を示すグラフである。 本発明の一実施例に係る電力の長周期変動需要の予測において日曜日に対応する近傍ベクトル探索の一例を示す概念図である。 本発明の一実施例に係る電力の長周期変動需要の予測において局所ファジイ再構成法及び推移ベクトル法それぞれによる短時間先の需要予測を示す概念図である。

符号の説明

１００ 需要予測サーバ
２００ 予測結果表示用パソコン（予測結果表示用コンピュータ）
３００ 中央給電指令所記録用計算機

Claims (13)

1. 過去の時系列的な電力需要データに基づき電力需要の予測を行う電力需要予測装置であって、
   過去の時系列的な総電力需要データを所定の記憶部から読み出し、当該総電力需要データを長周期変動需要データと短周期変動需要データとに分離する需要データ分離手段と、
   前記長周期変動需要データに基づき、推移ベクトル法により長周期変動需要について短時間先の需要予測値を演算し、
   前記短周期変動需要データに基づき、局所ファジイ再構成法により短周期変動需要について短時間先の需要予測値を演算する、
   短時間先需要予測値演算手段と、
   演算された前記長周期変動需要の前記需要予測値と前記短周期変動需要の前記需要予測値とを加算することにより、総電力の需要予測値を算出する需要予測値算出手段と、
   を備えることを特徴とする電力需要予測装置。
2. 前記推移ベクトル法は、局所ファジイ再構成法に用いられる近傍ベクトルと当該近傍ベクトルの予測時間先のベクトルとの差のベクトルたる推移ベクトルに基づいて生成されたベクトルを、局所ファジイ再構成法に用いられる最新ベクトルに合成し、局所ファジイ再構成法に用いられる予測ベクトルを生成することを特徴とする請求項１に記載の電力需要予測装置。
3. 前記短時間先需要予測値演算手段は、前記推移ベクトル法でもって前記需要予測値を演算するに際し、複数の前記近傍ベクトルから、当該近傍ベクトルの時間微分されたベクトルと、局所ファジイ再構成法に用いられる最新ベクトルの時間微分されたベクトルとのユークリッド距離の小さい順に、新たな前記近傍ベクトルを選出する処理を実行することを特徴とする請求項２に記載の電力需要予測装置。
4. 前記短時間先需要予測値演算手段は、前記推移ベクトル法あるいは局所ファジイ再構成法を含む局所再構成法でもって前記需要予測値を演算するに際し、局所ファジイ再構成法に用いられる、埋め込み次元、時間遅れ、及び近傍数のうちの１又は複数からなるパラメータを、前記需要予測値と実測値との誤差を最小とすべく予測時刻毎に決定することを特徴とする請求項２または３に記載の電力需要予測装置。
5. 前記短時間先需要予測値演算手段で用いられる前記長周期変動需要データ及び前記短周期変動需要データそれぞれについて、時系列的な変動を平滑化する平滑化手段をさらに備えることを特徴とする請求項１〜４のいずれかに記載の電力需要予測装置。
6. 前記短時間先需要予測値演算手段は、前記局所ファジィ再構成法でもって前記需要予測値を演算するに際し、限定された範囲内で近傍ベクトルの探索処理を実行することを特徴とする請求項１〜５のいずれかに記載の電力需要予測装置。
7. 前記短時間先需要予測値演算手段は、前記推移ベクトル法または前記局所ファジイ再構成法でもって前記需要予測値を演算するに際し、近傍ベクトルの一成分たる曜日の属性に基づき当該近傍ベクトルを探索することにより、曜日別長周期変動需要データ及び／または曜日別総電力需要データを生成することを特徴とする請求項１〜６のいずれかに記載の電力需要予測装置。
8. 前記電力需要予測装置はサーバで構成されるとともに、当該電力需要予測装置には予測結果表示用コンピュータが接続され、
   前記電力需要予測装置は、前記長周期変動需要データ、前記短周期変動需要データ、前記総電力需要、前記曜日別長周期変動需要データ、及び前記曜日別総電力需要データのうち少なくともいずれか一つの前記予測値に関するデータを前記予測結果表示用コンピュータに出力することを特徴とする請求項７に記載の電力需要予測装置。
9. 短周期変動需要データは、電力消費する電気炉の負荷データであることを特徴とする請求項１〜８のいずれかに記載の電力需要予測装置。
10. 過去の時系列的な電力需要データに基づき電力需要の予測を行う電力需要予測装置と、当該電力需要予測装置に接続される予測結果表示用コンピュータとを含む電力需要予測システムであって、
    前記電力需要予測装置は、
    過去の時系列的な総電力需要データを所定の記憶部から読み出し、当該総電力需要データを長周期変動需要データと短周期変動需要データとに分離する需要データ分離手段と、
    前記長周期変動需要データに基づき、推移ベクトル法により長周期変動需要について短時間先の需要予測値を演算し、
    前記短周期変動需要データに基づき、局所ファジイ再構成法により短周期変動需要について短時間先の需要予測値を演算する、
    短時間先需要予測値演算手段と、
    演算された前記長周期変動需要の前記需要予測値と前記短周期変動需要の前記需要予測値とを加算することにより、総電力の需要予測値を算出する需要予測値算出手段と、
    を備える一方、
    前記予測結果表示用コンピュータは、
    前記長周期変動需要データ、前記短周期変動需要データ、前記総電力需要、前記曜日別長周期変動需要データ、及び前記曜日別総電力需要データのうち少なくもいずれか一つの前記予測値に関するデータを前記電力需要予測装置から受信し、当該予測値をディスプレイ画面に表示させる、
    ことを特徴とする電力需要予測システム。
11. コンピュータに、
    過去の時系列的な電力需要データに基づき電力需要の予測を行わせるべく、
    過去の時系列的な総電力需要データを所定の記憶部から読み出し、当該総電力需要データを長周期変動需要データと短周期変動需要データとに分離する需要データ分離手段、
    前記長周期変動需要データに基づき、推移ベクトル法により長周期変動需要について短時間先の需要予測値を演算し、前記短周期変動需要データに基づき、局所ファジイ再構成法により短周期変動需要について短時間先の需要予測値を演算する短時間先需要予測値演算手段、及び
    演算された前記長周期変動需要の前記需要予測値と前記短周期変動需要の前記需要予測値とを加算することにより、総電力の需要予測値を算出する需要予測値算出手段、
    を実行させるための電力需要予測プログラム。
12. コンピュータに、
    過去の時系列的な電力需要データに基づき電力需要の予測を行わせるべく、
    過去の時系列的な総電力需要データを所定の記憶部から読み出し、当該総電力需要データを長周期変動需要データと短周期変動需要データとに分離する需要データ分離手段、
    前記長周期変動需要データに基づき、推移ベクトル法により長周期変動需要について短時間先の需要予測値を演算し、前記短周期変動需要データに基づき、局所ファジイ再構成法により短周期変動需要について短時間先の需要予測値を演算する短時間先需要予測値演算手段、及び
    演算された前記長周期変動需要の前記需要予測値と前記短周期変動需要の前記需要予測値とを加算することにより、総電力の需要予測値を算出する需要予測値算出手段、
    を実行させるための電力需要予測プログラムを記録したコンピュータ読み取り可能な記録媒体。
13. 過去の時系列的な電力需要データに基づき電力需要の予測を行う電力需要予測方法であって、
    コンピュータが、過去の時系列的な総電力需要データを長周期変動需要データと短周期変動需要データとに分離し、
    コンピュータが、前記長周期変動需要データ及び前記短周期変動需要データそれぞれについて、時系列的な変動を平滑化し、
    コンピュータが、平滑化された前記長周期変動需要データに基づき、推移ベクトル法により長周期変動需要について短時間先の需要予測値を演算し、平滑化された前記短周期変動需要データに基づき、局所ファジイ再構成法により短周期変動需要について短時間先の需要予測値を演算し、
    コンピュータが、演算された前記長周期変動需要の前記需要予測値と前記短周期変動需要の前記需要予測値とを加算することにより、総電力需要の予測値を算出する、
    ことを特徴とする電力需要予測方法。

Images