JP5104567B2 - エネルギー需要予測装置 - Google Patents
エネルギー需要予測装置 Download PDFInfo
- Publication number
- JP5104567B2 JP5104567B2 JP2008151423A JP2008151423A JP5104567B2 JP 5104567 B2 JP5104567 B2 JP 5104567B2 JP 2008151423 A JP2008151423 A JP 2008151423A JP 2008151423 A JP2008151423 A JP 2008151423A JP 5104567 B2 JP5104567 B2 JP 5104567B2
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- energy demand
- value
- matrix
- data
- 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.)
- Active
Links
Images
Description
(1)予測対象のエネルギー需要または過去の類似パターンを参照して運用者の経験により運用者が予測する方法、
(2)予測対象のエネルギー需要を重回帰式による予測モデルを用いて予測する方法、
(3)予測対象日のエネルギー需要をニューラルネットワークなどの多入力多出力の予測モデルを用いて予測する方法、
などである。
(1)予測対象の需要または負荷の過去の類似パターンを参照して運用者が予測する方法では、予測対象と気象が似た過去の類似日の需要を予測値としていた。具体的には、運用者は予測対象日における気象予報を得て、この予測対象日における気象予報と、過去に類似するような日および気象におけるエネルギー需要をデータベースから抽出し、この過去の類似日のエネルギー需要を予測値としたり、さらにはその値を補正して予測値としている。類似日の抽出条件としては、需要と相関の高い、気温や湿度など経験的な因子を選択して行っていたが、必ずしも適切な類似日を抽出できていたわけではなく、その結果、予測誤差も大きくなることがあった。
入力x11,入力x21,y1
入力x12,入力x22,y2
入力x1n,入力x2n,yn
もし、「入力x11〜入力x1n」と「入力x21〜入力x2n」が全く同じ値の場合は、重回帰式を構築できない(計算過程において、0割が発生する)。また、値が違っても、相関係数が1に近い値の場合は、適切な係数が得られずに予測精度の低い重回帰式になる。この現象は、一般的に多重共線性と呼ばれる。エネルギー需要予測では、過去n日分、もしくは過去のn時間分のデータを用いるが、至近のデータは同じような動きをするため、必ず多重共線性が発生するという構造的な問題がある。
このように電力、熱、蒸気などの需要予測で多重共線性の影響を排除するようにして、運用者の負担軽減や、予測精度向上、予測の自動化を可能にする手法が求められている。
そこで電力、熱、蒸気などのエネルギー需要予測で予測の信頼度向上を実現することにより、従来技術では必要となっていたエネルギー供給装置の予備力を少なくして、コスト削減に寄与したいという要請もあった。
中央処理部と、中央処理部に接続される記憶部と、中央処理部に接続される入力部と、中央処理部に接続される出力部と、を有し、エネルギー需要の過去の実績に基づいて構築された予測モデルを用いて将来のエネルギー需要を予測するエネルギー需要予測装置であって、
中央処理部は、
入力部から入力され、過去の実績に係る暦別のエネルギー需要データ、過去の実績に係る暦別の気象データ、暦についての特徴を表す暦別のカレンダデータおよび設備の稼働状態を表す暦別の稼働スケジュールデータを少なくとも一つ含む変動要因データを記憶部に登録する変動要因データ登録手段と、
変動要因データに基づいて変動要因データ行列Xdを生成する変動要因データ行列生成手段と、
エネルギー需要データに基づいてエネルギー需要データ行列ydを生成するエネルギー需要データ行列生成手段と、
PLS(Partial Least Square) 法により潜在変数の個数A、潜在変数行列Tを用いて変換される
係数行列である行列PT、行列Qおよび行列Wを決定して予測モデルを生成する予測モデル生成手段と、
予測モデルを検証し、最適な予測モデルとなるまでAを増加させて学習手段と予測モデル生成手段とを繰り返す予測モデル検証手段と、
最適な予測モデルを確定する確定手段と、
確定した予測モデルに過去の実績および将来の予測に係る変動要因データを代入して将来のエネルギー需要を予測する予測手段と、
予測されたエネルギー需要を記憶部に登録して出力部により出力させる出力手段と、
を備えることを特徴とする。
請求項1に記載のエネルギー需要予測装置において、
前記出力手段は、
潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日iのエネルギー需要の変換値をそれぞれプロットするプロット手段を含むことを特徴とする。
請求項1または請求項2に記載のエネルギー需要予測装置において、
前記出力手段は、
確定した予測モデルを
請求項1〜請求項3の何れか一項に記載のエネルギー需要予測装置において、
前記予測モデル生成手段は、
潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日iのエネルギー需要の変換値をそれぞれ登録する登録手段と、
この変換座標系において予測結果に係るエネルギー需要の変換値と実績に係るエネルギー需要の変換値との距離が短い場合にその実績に係るエネルギー需要の変換値の日を類似日として抽出する類似日抽出手段と、
類似日における変換座標上のエネルギー需要の変換値および変動要因の変換値を用いてエネルギー需要の補正を行う予測モデルとする類似日需要補正手段と、
を備えることを特徴とする。
請求項1〜請求項3の何れか一項に記載のエネルギー需要予測装置において、
前記予測モデル生成手段は、
潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日iのエネルギー需要の変換値をそれぞれ登録する登録手段と、
この変換座標系において予測結果に係るエネルギー需要の変換値と実績に係るエネルギー需要の変換値との距離が短い場合にその実績に係るエネルギー需要の変換値の日を類似日として複数抽出する複数類似日抽出手段と、
複数類似日における変換座標系のエネルギー需要の変換値および変動要因の変換値を用いてエネルギー需要の補正を行う予測モデルとする類似日需要補正手段と、
を備えることを特徴とする。
請求項1〜請求項3の何れか一項に記載のエネルギー需要予測装置において、
前記予測モデル生成手段は、
潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日iのエネルギー需要の変換値をそれぞれ登録する登録手段と、
この変換座標系において予測結果に係るエネルギー需要の変換値と実績に係るエネルギー需要の変換値との距離が短い場合にその実績に係るエネルギー需要の変換値の日を類似日として複数抽出する複数類似日抽出手段と、
複数の類似日における変換座標系のエネルギー需要の変換値の平均化および変動要因の変換値の平均化を行う平均化手段と、
平均化された変換座標系のエネルギー需要の変換値の平均値および変動要因の変換値の平均値を用いてエネルギー需要の補正を行う予測モデルとする類似日需要補正手段と、
を備えることを特徴とする。
請求項1〜請求項6の何れか一項に記載のエネルギー需要予測装置において、
前記予測手段は、
予測モデルに代入する過去の実績および将来の予測に係る変動要因データを用いてT2 Hotelling統計量を算出する統計量算出手段と、
算出したT2 Hotelling統計量が予め定められた規定値以上のときにはアラームを出力するように出力部を制御するアラーム出力手段と、
を含むことを特徴とする。
請求項7に記載のエネルギー需要予測装置において、
前記予測手段は、
学習に用いたn個のデータセットの変動要因データについてT2 Hotelling統計量をそれぞれ求める複数統計量算出手段と、
学習に用いたn個のデータセットの変動要因データを用いて予測して得た予測値と、実績値と、の差である予測誤差を、n個のデータセットの変動要因データについてそれぞれ求める予測誤差算出手段と、
予測誤差が許容値以下になるデータセットについてのT2 Hotelling統計量の最大値、予測誤差が許容値以下になるデータセットについてのT2 Hotelling統計量の最大値よりも所定値低い値、または、予測誤差が許容値に近似するデータセットについてのT2 Hotelling統計量の平均値、の何れかを算出してT2 Hotelling統計量の規定値とする規定値設定手段と、
を含むことを特徴とする。
図1は本形態のエネルギー需要予測装置の構成図である。エネルギー需要予測装置100は、データ処理部1、入力部2、出力部3を備えている。データ処理部1は、さらに中央処理部1a、記憶部1bを備える。
入力部2は、キーボードに加え、データを転送する他のコンピュータ・外部記憶装置も含める。
出力部3は、ディスプレイ・プリンタに加え、データ転送する他のコンピュータ・外部記憶装置も含める。
また、データ処理部1、入力部2、出力部3が共にコンピュータである場合には、LAN構成を採用しても良い。
中央処理部1aは、入力部2から入力され、エネルギー需要を変動させる要因に係るデータであって、過去の実績に係る暦別のエネルギー需要データ、過去の実績に係る暦別の気象データ、暦についての特徴を表す暦別のカレンダデータおよび設備の稼働状態を表す暦別の稼働スケジュールデータを少なくとも一つ含む変動要因データを記憶部に登録する変動要因データ登録手段11として機能する。変動要因データは記憶部1bで登録する。
また、暦別の気象データは、ある年月日時分における例えば気温(最高気温、最低気温、指定の時間)、湿度(最高湿度、最低湿度、指定の時間)、不快指数(最高不快指数、最低不快指数、指定の時間)、天気(晴、曇、雨、雪をそれぞれ1、2、3、4として数値化)、前線位置(予測対象地域に対する相対位置、近い、遠い、東西南北を数値化)、日照量等の全てまたは何れかを指している。このような気象データは、暦別の気象実績である。
また、暦別のカレンダデータは、暦の特徴を季節(春夏秋冬)、平日、休日、曜日などを数値化したデータである。
また、稼働スケジュールデータは、暦別の操業状態(操業日、半休、夜勤日、休業日など)を数値化したデータである。
エネルギー需要データはエネルギー供給主体により計測されており、ネットワークを介してエネルギー供給主体から所定期間毎または常時入力されたり、所定期間毎にUSBメモリなどの記憶媒体を介してデータを入力しても良い。エネルギー需要データにはエネルギー供給主体が複数ある場合には識別する識別データも付加される。このように、エネルギー需要データの取得も適宜選択することができる。
カレンダデータや稼働スケジュールデータは、キーボードなどの装置にて手入力しても良いし、データを転送する他のコンピュータ・外部記憶装置から送信されたデータとしても良い。
本形態のエネルギー需要予測装置100では日別の最高気温と日別の最大電力が記憶されることとなる。
ある縦一列では連続するn日の最高気温をひとまとめとしている。例えば、一番左側の一列はiからi−n+1までのn日の連続する最高気温を表している。そして、右の列になるにつれて、1日づつ過去にずれた過去の連続するn日の最高気温というひとまとめを表している。このように、数十日分のデータを用いてベクトル展開する。通常、これらデータは縦の列で平均が0になるように個々の値から縦の平均値を差し引き、さらに縦の列の標準偏差で除して正規化される。
この場合も、数十日分のデータを用いてベクトル展開する。通常、これらデータは縦の列で平均が0になるように個々の値から縦の平均値を差し引き、さらに縦の列の標準偏差で除して正規化される。
まず、PLSモデルは以下のようになる。
続いてPLSモデルのうち各係数行列である行列W,行列PTおよび行列qを、変動要因データ行列Xd、エネルギー需要データ行列ydを用いて学習する。
この係数の算出では、行列XにおけるN列のうち、強い相関関係にある複数列や強い一次従属関係がある複数列(以下、多重共線性を有する複数列)の除去が行われて行列Xをn行N列からn行A列に減少させるような係数を選択するものであり、このAの決定も行われる。なお、多重共線性が全くない、また、あっても弱いような場合もあり、係数算出後もA=Nの場合もありうる。まず、A=1として係数を算出する。予測式を数8の形式で定義すると算出式は数9のようになる。
この場合の変数行列Xや変数yは次式のように決定する。
数19の例での変動要因データは気象データに含まれる最高気温であり、最大気温の予測値は気象予報から取得する。気象予報とは未来の予報であり、気象予報についての気象データは、気象情報サービス会社から気象予報を受信して得たデータである。
このように予測対象となるエネルギー供給箇所の気象実績の最高気温に係る気象データ、予測対象となるエネルギー供給箇所の気象予報の最高気温に係る気象データを収集する。このようにして将来(例えば当日の正午など)のエネルギー需要を予測する。
エネルギー需要予測装置100はこのようなものである。
出力手段19は、確定した予測モデルを次式のように表すとき、この影響度係数行列bを個々の係数別に出力装置に表示させる影響度表示手段としても機能する。
なお、提案手法の有効性を示すため、通常の重回帰式による結果と比較して表示している。
一方、本発明の提案手法によると、予測対象日当日から日を遡るごとに影響度合いが小さくなることが定量的に分かる。従来技術の重回帰式では係数の値が不適切になることがあり、この結果予測精度が低くなる。この結果は提案手法の有効性を示す一例である。
つまり、学習手段14にて求められた係数にて、オペレータは以下の方法にて、需要に及ぼす変数の影響を判断することが可能となる。
重回帰形式に変換した上記式をみることで、どの変数が変わるとどの程度需要が変化するのか定量的に判断することができる。
これにより、変数とエネルギー需要との相関関係が明確になる。
中央処理部1aは、潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日iのエネルギー需要の変換値をそれぞれ登録する登録手段151として機能する。
中央処理部1aは、潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日iのエネルギー需要の変換値をそれぞれ登録する登録手段151として機能する。
また、複数日の類似日を求め、その補正した平均値としており、より正確な予測を可能とする。
ここで先の予測式は潜在変数Tを用いない形式であったが潜在変数Tを用いる予測式を用いる。また、説明の簡単化のため、まず1個のT2 Hotelling統計量を算出するものとして説明する。この予測式は次式に示すようになる。
次に、過去の実績に係る1個のデータセット(1行×N列の変動要因データ行列Xd)を代入して潜在変数t’による値を次式のように算出する。
Xdは、1行×N列のベクトルであり、1個のデータセット(1行×N列の変動要因データ行列Xd)である。
w1〜wPは、それぞれN行×1列のベクトルであり、先の学習により求めた係数行列である。
また、許容値の点線上およびその付近に分布するT2 Hotelling統計量の平均であるc点の値(予測誤差が許容値に近似するデータセットについてのT2 Hotelling統計量の平均値)としてもよい。
n個のT2 Hotelling統計量において、最小値から最大値までをm分割する。図12は3分割した例である。次に各区分における予測誤差の平均値を縦軸に、また、T2 Hotelling統計量の平均値を横軸とした平均値■を求める。3つある平均値をT2 Hotelling統計量の小さい方から順に調べ、予測誤差が許容値を超える直前の■のT2座標がd点となり、(図12の例では、中央の区分)このd点の値としてもよい。
以上説明したように規定値は設定されるが、予め規定値を所定値に設定しておいて、先の複数統計量算出手段181、予測誤差算出手段182、規定値設定手段183については予測時に省略しても良い。
Xは、1行×N列のベクトルであり、1個のデータセット(1行×N列の変動要因データ行列Xdである。
w1〜wPは、N行×1列のベクトルであり、学習により求めた係数行列である。
加えて、予測時に行うこととした複数統計量算出手段181、予測誤差算出手段182、規定値設定手段183による規定値の決定を予め行うこととして、予測手段18は予測のみ行うようにしても良い。
(1)従来技術の類似の変動要因データを有する日のエネルギー需要を検索する方法は、需要との相関が高い1つか2つの変数において、予測対象日と過去日との距離にて判定していたため、適切な類似日が抽出できないことがあった。
(2)需要予測における変動要因データのうち最重要データである気象データは、常に入力データ間に相関があるデータであり、従来技術の回帰式は、入力データ間に相関がある場合、精度の高い予測モデルが構築できず予測精度が低い欠点があった。
(3)従来技術のニューラルネットワークは、高い予測精度が得られる一方、計算方法が複雑で、予測結果の根拠を人間が理解することができなかった。
また、入力データ間に高い相関があっても、精度の高い予測結果を得ることができ、(2)の問題も解決している。
また、予測式も重回帰式と同様な形式に変換することができるため、予測結果が分かりやすく、(3)の問題も解決している。
1:データ処理部
1a:中央処理部
11:変動要因データ登録手段
12:変動要因データ行列生成手段
13:エネルギー需要データ行列生成手段
14:学習手段
15:予測モデル生成手段
151:登録手段
152:類似日抽出手段
153,155,157:類似日需要補正手段
154:複数類似日抽出手段
156:平均化手段
16:予測モデル検証手段
17:確定手段
18:予測手段
19:出力手段
1b:記憶部
2:入力部
3:出力部
Claims (8)
- 中央処理部と、中央処理部に接続される記憶部と、中央処理部に接続される入力部と、中央処理部に接続される出力部と、を有し、エネルギー需要の過去の実績に基づいて構築された予測モデルを用いて将来のエネルギー需要を予測するエネルギー需要予測装置であって、
中央処理部は、
入力部から入力され、過去の実績に係る暦別のエネルギー需要データ、過去の実績に係る暦別の気象データ、暦についての特徴を表す暦別のカレンダデータおよび設備の稼働状態を表す暦別の稼働スケジュールデータを少なくとも一つ含む変動要因データを記憶部に登録する変動要因データ登録手段と、
変動要因データに基づいて変動要因データ行列Xdを生成する変動要因データ行列生成手段と、
エネルギー需要データに基づいてエネルギー需要データ行列ydを生成するエネルギー需要データ行列生成手段と、
PLS(Partial Least Square) 法により潜在変数の個数A、潜在変数行列Tを用いて変換される
係数行列である行列PT、行列Qおよび行列Wを決定して予測モデルを生成する予測モデル生成手段と、
予測モデルを検証し、最適な予測モデルとなるまでAを増加させて学習手段と予測モデル生成手段とを繰り返す予測モデル検証手段と、
最適な予測モデルを確定する確定手段と、
確定した予測モデルに過去の実績および将来の予測に係る変動要因データを代入して将来のエネルギー需要を予測する予測手段と、
予測されたエネルギー需要を記憶部に登録して出力部により出力させる出力手段と、
を備えることを特徴とするエネルギー需要予測装置。 - 請求項1に記載のエネルギー需要予測装置において、
前記出力手段は、
潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日iのエネルギー需要の変換値をそれぞれプロットするプロット手段を含むことを特徴とするエネルギー需要予測装置。 - 請求項1〜請求項3の何れか一項に記載のエネルギー需要予測装置において、
前記予測モデル生成手段は、
潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日iのエネルギー需要の変換値をそれぞれ登録する登録手段と、
この変換座標系において予測結果に係るエネルギー需要の変換値と実績に係るエネルギー需要の変換値との距離が短い場合にその実績に係るエネルギー需要の変換値の日を類似日として抽出する類似日抽出手段と、
類似日における変換座標上のエネルギー需要の変換値および変動要因の変換値を用いてエネルギー需要の補正を行う予測モデルとする類似日需要補正手段と、
を備えることを特徴とするエネルギー需要予測装置。 - 請求項1〜請求項3の何れか一項に記載のエネルギー需要予測装置において、
前記予測モデル生成手段は、
潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日iのエネルギー需要の変換値をそれぞれ登録する登録手段と、
この変換座標系において予測結果に係るエネルギー需要の変換値と実績に係るエネルギー需要の変換値との距離が短い場合にその実績に係るエネルギー需要の変換値の日を類似日として複数抽出する複数類似日抽出手段と、
複数類似日における変換座標系のエネルギー需要の変換値および変動要因の変換値を用いてエネルギー需要の補正を行う予測モデルとする類似日需要補正手段と、
を備えることを特徴とするエネルギー需要予測装置。 - 請求項1〜請求項3の何れか一項に記載のエネルギー需要予測装置において、
前記予測モデル生成手段は、
潜在変数行列の変数を軸とする変換座標系にこれら予測対象日のエネルギー需要の変換値および複数の過去日iのエネルギー需要の変換値をそれぞれ登録する登録手段と、
この変換座標系において予測結果に係るエネルギー需要の変換値と実績に係るエネルギー需要の変換値との距離が短い場合にその実績に係るエネルギー需要の変換値の日を類似日として複数抽出する複数類似日抽出手段と、
複数の類似日における変換座標系のエネルギー需要の変換値の平均化および変動要因の変換値の平均化を行う平均化手段と、
平均化された変換座標系のエネルギー需要の変換値の平均値および変動要因の変換値の平均値を用いてエネルギー需要の補正を行う予測モデルとする類似日需要補正手段と、
を備えることを特徴とするエネルギー需要予測装置。 - 請求項1〜請求項6の何れか一項に記載のエネルギー需要予測装置において、
前記予測手段は、
予測モデルに代入する過去の実績および将来の予測に係る変動要因データを用いてT2 Hotelling統計量を算出する統計量算出手段と、
算出したT2 Hotelling統計量が予め定められた規定値以上のときにはアラームを出力するように出力部を制御するアラーム出力手段と、
を含むことを特徴とするエネルギー需要予測装置。 - 請求項7に記載のエネルギー需要予測装置において、
前記予測手段は、
学習に用いたn個のデータセットの変動要因データについてT2 Hotelling統計量をそれぞれ求める複数統計量算出手段と、
学習に用いたn個のデータセットの変動要因データを用いて予測して得た予測値と、実績値と、の差である予測誤差を、n個のデータセットの変動要因データについてそれぞれ求める予測誤差算出手段と、
予測誤差が許容値以下になるデータセットについてのT2 Hotelling統計量の最大値、予測誤差が許容値以下になるデータセットについてのT2 Hotelling統計量の最大値よりも所定値低い値、または、予測誤差が許容値に近似するデータセットについてのT2 Hotelling統計量の平均値、の何れかを算出してT2 Hotelling統計量の規定値とする規定値設定手段と、
を含むことを特徴とするエネルギー需要予測装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008151423A JP5104567B2 (ja) | 2007-12-21 | 2008-06-10 | エネルギー需要予測装置 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007330280 | 2007-12-21 | ||
JP2007330280 | 2007-12-21 | ||
JP2008151423A JP5104567B2 (ja) | 2007-12-21 | 2008-06-10 | エネルギー需要予測装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2009169930A JP2009169930A (ja) | 2009-07-30 |
JP5104567B2 true JP5104567B2 (ja) | 2012-12-19 |
Family
ID=40970978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008151423A Active JP5104567B2 (ja) | 2007-12-21 | 2008-06-10 | エネルギー需要予測装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5104567B2 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5510642B2 (ja) * | 2010-02-25 | 2014-06-04 | 富士電機株式会社 | 予測・診断モデルの構築装置 |
JP5258832B2 (ja) * | 2010-04-22 | 2013-08-07 | 技研商事インターナショナル株式会社 | 拠点分析システム |
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 |
CN103971170B (zh) * | 2014-04-17 | 2017-09-29 | 北京百度网讯科技有限公司 | 一种用于对特征信息的变化进行预测的方法和装置 |
CN106548270B (zh) * | 2016-09-30 | 2020-08-14 | 许昌许继软件技术有限公司 | 一种光伏电站功率异常数据辨识方法及装置 |
KR102422807B1 (ko) * | 2021-07-22 | 2022-07-20 | 주식회사 엘시스 | 재생에너지 융합형 스마트팜 통합관리시스템 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11346438A (ja) * | 1998-06-01 | 1999-12-14 | Fuji Electric Co Ltd | 電力需要量予測方法 |
JP4317701B2 (ja) * | 2003-03-12 | 2009-08-19 | 東京エレクトロン株式会社 | 処理結果の予測方法及び予測装置 |
JP2005122517A (ja) * | 2003-10-17 | 2005-05-12 | Fuji Electric Holdings Co Ltd | エネルギー需要予測方法、エネルギー需要予測装置、エネルギー需要予測プログラムおよび記録媒体 |
-
2008
- 2008-06-10 JP JP2008151423A patent/JP5104567B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2009169930A (ja) | 2009-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2010218394A (ja) | エネルギー需要予測装置 | |
US10739741B2 (en) | Systems and methods for detecting changes in energy usage in a building | |
US9575475B2 (en) | Systems and methods for generating an energy usage model for a building | |
US10261485B2 (en) | Systems and methods for detecting changes in energy usage in a building | |
US9852483B2 (en) | Forecast system and method of electric power demand | |
JP5104567B2 (ja) | エネルギー需要予測装置 | |
TWI607328B (zh) | Operational auxiliary device and wind power generation system | |
US11585549B1 (en) | Thermal modeling technology | |
JP2009225550A (ja) | 電力の需要予測処理方法及び装置、並びに発電予測処理方法 | |
US10025336B2 (en) | System and method for analyzing oscillatory stability in electrical power transmission systems | |
CN102687089A (zh) | Mppt控制器、太阳能电池控制装置、阳光发电系统、mppt控制程序、以及mppt控制器的控制方法 | |
CN102591323A (zh) | 用于在生产过程中校正预测故障的系统和方法 | |
JP6094369B2 (ja) | 電力需要予測装置、電力需要予測方法および電力需要予測プログラム | |
WO2021005943A1 (ja) | 故障確率評価システムおよびその方法 | |
JP6813291B2 (ja) | 太陽光発電の性能評価方法 | |
JP5989754B2 (ja) | 予測装置 | |
CN112780486A (zh) | 用于控制风力转换器的系统和方法 | |
JP2008225646A (ja) | 予測誤差補填方法、予測誤差補填装置、気象発電計画方法、気象発電計画装置およびプログラム | |
Zelikman et al. | Short-term solar irradiance forecasting using calibrated probabilistic models | |
CN111680398B (zh) | 一种基于Holt-Winters模型的单机性能退化预测方法 | |
JP6520228B2 (ja) | 電力需要量予測システム、電力需要量予測方法及びプログラム | |
JPH08249005A (ja) | エネルギー設備の設備運用方法およびその装置 | |
JP7068531B1 (ja) | 情報処理装置、情報処理方法、情報処理システム及びコンピュータプログラム | |
JP4261471B2 (ja) | 配電系統負荷想定方法及び装置 | |
JP6046530B2 (ja) | 最大発電量予測システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A625 | Written request for application examination (by other person) |
Free format text: JAPANESE INTERMEDIATE CODE: A625 Effective date: 20110414 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20110422 |
|
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: 20120904 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20120917 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5104567 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20151012 Year of fee payment: 3 |
|
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 |
|
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 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: R3D02 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |