JP5789421B2 - 負荷量予測装置、負荷量予測方法および負荷量予測プログラム - Google Patents

Description

本発明は、負荷量予測装置、負荷量予測方法および負荷量予測プログラムに関する。

電力の供給不足が見込まれる場合、政府や電力会社は需要家に対して電力消費量を削減するように要求する。この場合に、需要家は、課された電力削減目標を実現するために、節電に努めることになる。下記特許文献１には、目標電力に対する現在の使用電力の割合を表示する装置が開示されている。

特開平１１−１６８８３３号公報

工場等では、電力削減目標を実現するために節電に努めると同時に、電力使用の可能な範囲でできる限り効率良く操業する必要がある。それには、現在の電力の使用状況に加え、数時間先までの電力の使用状況を予想しながら対応することが重要となる。特に、気象条件が厳しくなる夏季や冬季には、電力需要が気象条件によっても大きく左右されるため、需要変動をいち早く捉え、的確な措置を迅速にとることが求められる。上述した特許文献１の技術では、現時点での電力使用状況を把握することはできるが、電力消費量が今後どのように推移していくのかまでは把握できない。

本発明は、上述した従来技術による問題点を解消するためになされたものであり、電力消費量等に代表される負荷量の推移を的確に予測することができる負荷量予測装置、負荷量予測方法および負荷量予測プログラムを提供することを目的とする。

本発明に係る負荷量予測装置は、予測対象となる負荷量を含む時系列の実績データを取得する取得部と、気象要素の時系列の予報データを受信する受信部と、気象状態を表す因子と前記負荷量とを変数に含む回帰式に前記予報データを代入し、予測対象期間の前記負荷量の予測値を演算するとともに、曜日に応じて区分可能なパターンごとに予め登録されている前記実績データのうち前記予測値と同一の前記パターンに属する前回分の前記実績データの前記負荷量と前記予測値との間の偏差が最小になるように、前記回帰式の係数を変更する演算部と、を備える。

本発明に係る負荷量予測方法は、予測対象となる負荷量を含む時系列の実績データを取得する取得ステップと、気象要素の時系列の予報データを受信する受信ステップと、気象状態を表す因子と前記負荷量とを変数に含む回帰式に前記予報データを代入し、予測対象期間の前記負荷量の予測値を演算するとともに、曜日に応じて区分可能なパターンごとに予め登録されている前記実績データのうち前記予測値と同一の前記パターンに属する前回分の前記実績データの前記負荷量と前記予測値との間の偏差が最小になるように、前記回帰式の係数を変更する演算ステップと、を含む。

本発明に係る負荷量予測プログラムは、上記負荷量予測方法に含まれる各ステップをコンピュータに実行させる。

かかる構成を採用することにより、気象状態を表す因子と負荷量とを変数に含む回帰式に気象予報データを代入することで、予測対象期間の負荷量の予測値を演算することができるとともに、同一のパターンに属する前回分の実績データの負荷量と予測値との間の偏差が最小になるように、上記回帰式の係数を変更することができる。これにより、将来の気象条件を考慮して負荷量の予測値を演算することができるとともに、同じパターンに属する前回分の実績値の推移傾向に予測値の推移が近づくように回帰式の係数を変更することができるため、負荷量の推移予測の精度を向上させることができる。

また、上記演算部は、前記予測対象期間の前記負荷量の実測値が得られた場合に、前記実測値が属する時刻における前記実測値と前記予測値との間の差分を用いて、前記実測値が属する時刻から所定時間後までの前記予測値を補正することとしてもよい。

これにより、ノイズや瞬間的な外乱の影響によって実測値と予測値との間に一時的に誤差が生じた場合であっても、誤差が生じてから所定時間後までの予測値のみを、予測値と実績値との間の差分に応じて補正することができ、さらに、誤差が解消すると想定される所定時間を超えた先では、予測値をそのまま用いることができる。

また、上記演算部は、前記予測値を補正する際に、前記実測値が属する時刻から先の時刻になるほど、前記予測値を補正する幅が前記差分よりも徐々に小さくなるように重み付けをして補正することとしてもよい。

これにより、誤差が生じてから所定時間後までの予測値を、補正幅を徐々に小さくしながら補正していくことが可能となる。

また、上記予測値の最大値および当該最大値に対応する時刻を表示させる表示部を、さらに備えることとしてもよい。これにより、電力消費量が目標電力を超えるかどうか、超える場合にはいつ頃超えそうなのかを、画面を見て容易に推測することが可能となる。

また、上記因子は、不快指数、外気エンタルピ、湿球温度および気温のうちのいずれかであることとしてもよく、上記負荷量は、電力消費量としてもよい。

本発明によれば、電力消費量等の負荷量の推移を的確に予測することができる負荷量予測装置、負荷量予測方法および負荷量予測プログラムを提供することができる。

実施形態における負荷量予測装置の構成を例示する図である。 曜日ごとの電力消費量の推移を例示するグラフである。 電力消費量と不快指数との関連性を表す分布図である。 電力消費量と外気エンタルピとの関連性を表す分布図である。 電力消費量と湿球温度との関連性を表す分布図である。 電力消費量と気温との関連性を表す分布図である。 演算部における学習アルゴリズムの手順を例示する図である。 予測補正時間を３時間としたときの補正のイメージを例示する図である。 表示画面の一例を示す図である。

以下、図面を参照して本発明に係る実施形態について説明する。ただし、以下に説明する実施形態は、あくまでも例示であり、以下に明示しない種々の変形や技術の適用を排除するものではない。すなわち、本発明は、その趣旨を逸脱しない範囲で種々変形して実施することができる。

本実施形態では、負荷量予測装置の予測対象が電力消費量である場合について説明するが、これに限定されず、予測対象となる負荷量が、例えば、蒸気消費量や、冷水熱量、温水熱量である場合についても同様に適用することができる。

図１を参照して、実施形態における負荷量予測装置の構成について説明する。図１に示すように、負荷量予測装置１は、機能的には、例えば、受信部１１と、取得部１２と、演算部１３と、表示部１４とを有する。実績データＤＢ３は、実績データを蓄積するデータベースである。実績データには、例えば、電力消費量の実績値や、各電力消費量が測定された時点の電力消費装置の稼働状況、日時、曜日、温度、湿度等の過去の状況に関する各種の情報が含まれる。本実施形態では、電力消費量の実績値を３０分周期で出力する場合について説明するが、実績値を出力する周期は３０分には限定されず、任意に設定することができる。

実績データは、曜日に応じて区分可能なパターンごとに抽出できるように実績データＤＢ３に格納される。曜日に応じて区分可能なパターンとして、本実施形態では、第１平日パターン、第２平日パターン、土曜日パターンおよび日曜日パターンという４つのパターンを設けることとする。具体的には、月曜日を第１平日パターンに区分し、火曜日〜金曜日を第２平日パターンに区分し、土曜日を土曜日パターンに区分し、日曜日および祭日を日曜日パターンに区分する。このパターンは、測定対象となる場所（例えば工場）ごとの電力消費量の推移傾向に応じて、適宜設定することができる。

具体的には、過去の実績データを曜日ごとに分類し、曜日ごとの電力消費量の推移傾向を求め、電力消費量の推移傾向が類似する曜日同士を同じパターンに区分することで設定する。電力消費量の推移傾向が類似する曜日同士であるか否かは、例えば図２に示すような電力消費量の推移グラフにより判断することができる。

図２の場合には、以下の３つのパターンに区分することができる。月曜日〜金曜日までの推移傾向が類似していることから、月曜日〜金曜日を平日パターンに区分し、土曜日の推移傾向が独立していることから、土曜日のみを土曜パターンに区別し、日曜日と祭日の推移傾向が類似していることから、日曜日および祭日を日曜日パターンに区分する。

ここで、負荷量予測装置１は、物理的には、例えば、ＣＰＵ（Central Processing Unit）と、メモリと、入出力インターフェースとを含んで構成される。メモリには、例えば、ＣＰＵで処理されるプログラムやデータを記憶するＲＯＭ（Read Only Memory）やＨＤＤ（Hard Disk Drive）、主として制御処理のための各種作業領域として使用されるＲＡＭ（Random Access Memory）等の要素が含まれる。これらの要素は、互いにバスを介して接続される。ＣＰＵが、ＲＯＭに記憶されたプログラムを実行し、入出力インターフェースを介して受信されるデータや、ＲＡＭに展開されるデータを処理することで、負荷量予測装置１の各部が有する機能を実現することができる。

図１に示す受信部１１は、例えば、気象要素の時系列の予報データを受信する。気象要素としては、例えば、気温、湿度、気圧、風向、風速、降水量などが該当する。本実施形態では、気象要素として気温および湿度を用いた場合について説明する。予報データは、例えば、気象予報センターから定期的（例えば３時間ごと）に提供されるデータを利用することができる。なお、予報データが提供される時間は、気象予報センターの運用に合わせればよく、任意の時間でよい。

取得部１２は、演算部１３が電力消費量の予測値を演算する際や、その予測値を補正する際等に必要となる実績データを、実績データＤＢ３から取得する。

演算部１３は、気象状態を表す因子と電力消費量とを変数に含む回帰式に予報データを代入し、電力消費量の予測値を演算する。気象状態を表す因子としては、例えば、不快指数や、外気エンタルピ、湿球温度、気温が該当する。

不快指数は、気象要素を用いて下記式（１）で求めることができる。
不快指数＝0.18×気温＋0.01×湿度×（0.99×気温−14.3）＋46.3 … （１）

外気エンタルピ[kJ/kg(DA)]は、気象要素を用いて下記式（２）で求めることができる。
外気エンタルピ＝1.006×乾球温度＋（1.805×乾球温度＋2501）×絶対温度 … （２）

上記式（２）の絶対湿度[kg/kg(DA)]は、下記式（３）で求めることができる。
絶対湿度＝18.015×水蒸気圧÷（29.064×（大気圧−水蒸気圧）） … （３）

上記式（３）の水蒸気圧[hPa]は、下記式（４）で求めることができる。
水蒸気圧＝飽和水蒸気圧×相対湿度 … （４）

上記式（４）の飽和水蒸気圧[hPa]は、下記式（５）で求めることができる。
飽和水蒸気圧＝6.11×10^(7.5×^T/(T+237.3)) … （５）
上記式（５）のＴは乾球温度である。

気象状態を表す因子は、予測対象となる電力消費量との間の相関関係が高い因子ほど好ましい。相関関係の有無は、例えば図３〜図６に示すような分布図により判断することができる。図３は、電力消費量と不快指数との関連性を表す分布図である。図４は、電力消費量と外気エンタルピとの関連性を表す分布図である。図５は、電力消費量と湿球温度との関連性を表す分布図である。図６は、電力消費量と気温との関連性を表す分布図である。

図３〜図６を参照すると、不快指数、外気エンタルピ、湿球温度および気温は、それぞれが増加すると、電力消費量も増加する関係にあるため、正の相関関係があると認められる。したがって、不快指数、外気エンタルピ、湿球温度および気温は、電力消費量との間に相関関係があると判断することができる。

本実施形態では、以下において、気象状態を表す因子として不快指数を用いた場合について説明する。

演算部１３が用いる回帰式は、下記式（６）で表すことができる。
Ｑ＝ａ×Ｄ＋ｂ … （６）
上記式（６）のＱは電力消費量であり、Ｄは不快指数であり、ａおよびｂは係数である。

つまり、本実施形態における演算部１３は、上記式（６）に不快指数を代入することで、電力消費量の予測値を演算する。本実施形態では、演算部１３が、当日および翌日の合計４８時間を３０分単位に区切り、最大９６個の予測値を演算する場合について説明する。また、当日および翌日の予測値は３０分周期で繰り返し演算するが、当日の実績値が得られた時間帯については、もはや予測する必要がないため、その時間帯に属する予測値の演算は行わない。なお、予測する時間帯の幅や、演算する予測値の最大個数、演算周期については、任意に設定することができる。

演算部１３は、取得部１２により取得された実績データの電力消費量と予測値との間の偏差が最小になるように、回帰式の係数を変更する学習アルゴリズムを実行する。図７を参照して、学習アルゴリズムの手順について具体的に説明する。なお、本実施形態では、学習アルゴリズムにカルマンフィルタを用いた場合について説明するが、これに限定されず、例えば、ニューラルネットワークや遺伝的アルゴリズムを用いることとしてもよい。

最初に、演算部１３は、予測日が属するパターンの実績値のうち、前回の実績値をＱ_i（ｋ）とし、これを予測する際の基準値とする（下記式（７）参照）。例えば、予測日が水曜日である場合には、水曜日は平日パターンに属するため、前回の実績値は予測日の前日にあたる火曜日の実績値となる。また、予測日が土曜日である場合には、土曜日は土曜日パターンに属するため、前回の実績値は予測日の前週の土曜日の実績値となる。

Ｑ_i（ｋ）＝ａ_i（ｋ）×Ｄ_i（ｋ）＋ｂ_i（ｋ）＋Ｗ_i（ｋ） … （７）
上記式（７）のｉは３０分単位の時刻を表すインデックスである。例えば、１は０：００、２は０：３０、３は１：００、…、４８は２３：３０を表す。ｋは当日または翌日を表すインデックスである。１は当日、２は翌日を表す。Ｑ_i（ｋ）は時刻ｉ番目の３０分間電力消費量である。Ｄ_i（ｋ）は時刻ｉ番目の不快指数である。ａ_i（ｋ）およびｂ_i（ｋ）は未知係数である。Ｗ_i（ｋ）は観測雑音である。

続いて、演算部１３は、予測時の基準値となる前回の実績値Ｑ_i（ｋ）に対応する予測値Ｑ’_i（ｋ）を演算する（下記式（８）参照）。

Ｑ’_i（ｋ）＝ａ’_i（ｋ）×Ｄ’_i（ｋ）＋ｂ’_i（ｋ） … （８）
上記式（８）のＱ’_i（ｋ）は時刻ｉ番目の３０分間電力消費量の予測値である。Ｄ’_i（ｋ）は予報データを用いて算出した時刻ｉ番目の不快指数の予測値である。ａ’ _i（ｋ）およびｂ’ _i（ｋ）は未知係数の推定値である。

続いて、演算部１３は、前回の実績値Ｑ_i（ｋ）と予測値Ｑ’_i（ｋ）との間の偏差ε（Ｑ_i（ｋ）−Ｑ’_i（ｋ））に基づいて、この偏差εが最小になるように、上記式（８）のａ’_i（ｋ＋１）およびｂ’_i（ｋ＋１）を逐次変更していく。

例えば、当日が水曜日である場合には、前日である火曜日の時刻ｉの実績値Ｑ_i（ｋ）と予測値Ｑ’_i（ｋ）との間の偏差εに基づいて、当日である水曜日の時刻ｉの未知係数ａ’_i（ｋ＋１）およびｂ’_i（ｋ＋１）を変更する。このときに使用する予測値Ｑ’_i（ｋ）の不快指数Ｄ’_i（ｋ）は、予報データに基づいて算出した不快指数ではなく、実測された気温および湿度に基づいて算出した不快指数を用いる。

続いて、演算部１３は、変更後の未知係数ａ’_i（ｋ＋１）およびｂ’_i（ｋ＋１）を適用した上記式（８）を用いて、時刻ｉの予測値Ｑ’_i（ｋ＋１）を演算する。その後、上述した学習アルゴリズムの各手順を再度繰り返して実行する。

なお、この学習アルゴリズムは、学習時の基準にする前回が学習除外日に設定されている場合には、実行しないこととする。これは、例えば、天災が発生したときや工場内の機器に異常が発生したとき等には、実績値が特異な値になるため、このような日を、学習対象から除外することとしたものである。学習除外日は、予めカレンダー情報等に登録しておけばよい。また、一度学習した後に、その学習対象の中から新たに学習除外日が追加された場合には、追加された学習除外日を学習対象から除外して再度学習することとしてもよい。

演算部１３は、当日の実測値が得られるたびに、最新の実測値が属する時刻から所定時間後までの予測値を補正する。所定時間は、予測補正時間として、１時間から２４時間までの間で任意に設定できる。演算部１３は、例えば、以下のようにして補正する。

最初に、演算部１３は、最新の実測値の時刻における実測値と予測値との間の差分を算出する。続いて、演算部１３は、最新の実測値の時刻から先の時刻になるほど、予測値を補正する幅が差分よりも徐々に小さくなるように重み付けをして補正する。

重み付けは、先の時刻になるほど小さくなるように設定する。例えば、予測補正時間がＮ時間である場合には、以下のように重み付けを設定して予測値を補正する。ここで、実測値Ｑ_i（ｋ）と予測値Ｑ’_i（ｋ）との間の差分を、Ｅ（ｋ）とし、この差分Ｅ（ｋ）を指数平滑フィルタでフィルタリングした値を、Ｃ（ｋ＋１）とする。なお、Ｃ（ｋ＋１）＝α×Ｅ（ｋ）＋（１−α）×Ｃ（ｋ）、｛０≦α≦１｝である。

０．５時間先の予測値：Ｑ’_i+1（ｋ）＋Ｃ（ｋ＋１）×（１−０．０／Ｎ）
１．０時間先の予測値：Ｑ’_i+2（ｋ）＋Ｃ（ｋ＋１）×（１−０．５／Ｎ）
１．５時間先の予測値：Ｑ’_i+3（ｋ）＋Ｃ（ｋ＋１）×（１−１．０／Ｎ）
２．０時間先の予測値：Ｑ’_i+4（ｋ）＋Ｃ（ｋ＋１）×（１−１．５／Ｎ）
２．５時間先の予測値：Ｑ’_i+5（ｋ）＋Ｃ（ｋ＋１）×（１−２．０／Ｎ）
３．０時間先の予測値：Ｑ’_i+6（ｋ）＋Ｃ（ｋ＋１）×（１−２．５／Ｎ）
…
Ｎ時間先の予測値：Ｑ’_i+2N（ｋ）＋Ｃ（ｋ＋１）×（１−（Ｎ−０．５）／Ｎ）

予測補正時間を３時間としたときの補正のイメージを、図８に例示する。図８では、現時点を１２：００とし、この１２：００に、実測値Ｑ_i（ｋ）と予測値Ｑ’_i（ｋ）との間に差分Ｅ（ｋ）が発生した状態を示している。この１２：００に発生した差分Ｅ（ｋ）が、補正幅の基準となる。時刻が１５：００に近づくほど、予測値Ｑ’_i（ｋ）の補正幅はＥ（ｋ）よりも徐々に小さくなっていき、１５：００の予測値Ｑ’_i（ｋ）の補正幅が最小の補正幅｛Ｃ（ｋ＋１）×（０．５／３）｝となる。１５：００よりも先の時刻の予測値は、補正することなく、予測値Ｑ’_i（ｋ）をそのまま用いる。

このように、実測値と予測値との誤差に応じて、誤差が生じてから所定時間後までの予測値のみを補正することで、例えば、ノイズや瞬間的な外乱の影響によって実測値と予測値との間に一時的に誤差が生じた場合に、補正幅を差分Ｅ（ｋ）から徐々に小さくしながら補正していき、誤差が解消すると想定される所定時間を超えた先では、予測値をそのまま用いることができる。

図１に示す表示部１４は、当日および翌日の予測値の最大値や、この最大値に到達する時刻等を含む表示画面をディスプレイ５に表示させる。図９を参照して、表示画面について説明する。

図９に示す表示画面には、契約電力（2800kW）と、目標電力（2124kW）と、警告電力（2018kW）と、現在の消費電力（1740kW）と、本日の予測最大電力（1779kW）と、本日の予測最大時刻（14時00分）と、明日の予測最大電力（1119kW）と、明日の予測最大時刻（06時00分）と、本日の余裕電力（345W）と、明日の余裕電力（1005W）とが表示されている。

契約電力は電力会社との間で契約している電力であり、目標電力は節電のために設定する目標電力であり、警告電力はアラートを発行する際の基準となる電力である。現在の消費電力は現在使用している電力であり、本日の予測最大電力は本日の最大の予測値に対応する電力であり、本日の予測最大時刻は本日の予測最大電力に到達する時刻である。明日の予測最大電力は明日の最大の予測値に対応する電力であり、明日の予測最大時刻は明日の予測最大電力に到達する時刻である。本日の余裕電力は目標電力から本日の予測最大電力を減算した電力であり、明日の余裕電力は目標電力から明日の予測最大電力を減算した電力である。

また、表示画面には、本日および明日の４８時間における電力の推移実績および推移予測を示す縦棒グラフと、本日および明日の４８時間における温度・湿度の推移実績および推移予測を示す折れ線グラフとが表示される。縦棒グラフを表示するグラフ領域には、目標電力や警告電力を示す線グラフと、前回の実績値の推移を示す折れ線グラフとが合わせて表示される。

このような表示画面を表示することで、当日および翌日の電力消費量が目標電力を超えるのか否かを予測することができ、超える場合には、いつ頃、どの程度超えそうなのかを推測することが可能となる。また、当日の実績も表示されるため、当日の状況と翌日の状況とを照らし合わせて翌日の電力消費量を推測することが可能となる。

例えば、翌日の諸条件が本日と同程度であると想定される場合には、本日と同じような節電努力を行うことで、翌日も目標電力を超えることはないであろうという推測ができる。また、翌日の諸条件が本日よりも厳しくなると想定される場合には、本日と同じような節電努力を行っただけでは、翌日のピーク時に目標電力を超える恐れがあるという推測ができ、事前に、作業時間や休憩時間をシフトする等の対策をとることが可能となる。

上述してきたように、実施形態における負荷量予測装置１によれば、不快指数と電力消費量とを変数に含む回帰式に、予報データを用いて算出した不快指数を代入することで、予測対象期間の電力消費量の予測値を演算することができる。また、同じパターンに属する前回分の実績データの電力消費量と予測値との間の偏差が最小になるように、回帰式の係数を変更することができる。

これにより、将来の気象条件を考慮して電力消費量の予測値を演算することができるとともに、同じパターンに属する前回分の実績値の推移傾向に予測値の推移が近づくように回帰式の係数を変更することができるため、電力消費量の推移予測の精度を向上させることができる。

１…負荷量予測装置、３…実績データＤＢ、５…ディスプレイ、１１…受信部、１２…取得部、１３…演算部、１４…表示部。

Claims (6)

1. 予測対象となる負荷量を含む時系列の実績データを取得する取得部と、
   気象要素の時系列の予報データを受信する受信部と、
   気象状態を表す因子と前記負荷量とを変数に含む回帰式に前記予報データを代入し、予測対象期間の前記負荷量の予測値を演算する演算部と、を備え、
   前記演算部は、曜日に応じて区分可能なパターンごとに予め登録されている前記実績データのうち前記予測値と同一の前記パターンに属する前回分の前記実績データの前記負荷量と当該前回分の前記実績データの前記負荷量に対応する前記予測値との間の偏差が最小になるように、学習アルゴリズムを用いて前記回帰式に含まれる係数を変更し、当該変更後の係数を適用した前記回帰式を用いて、前記予測対象期間の前記負荷量の予測値を演算し、
   さらに、前記予測対象期間の前記負荷量の実測値が得られた場合には、当該得られた前記実測値が属する時刻における前記実測値と前記予測値との間の差分を用いて、前記得られた前記実測値が属する時刻から所定時間後までの前記予測値を補正し、当該予測値を補正する際には、前記得られた前記実測値が属する時刻から先の時刻になるほど、前記予測値を補正する幅が前記差分よりも徐々に小さくなるように重み付けをして補正する、
   ことを特徴とする負荷量予測装置。
2. 前記予測値の最大値および当該最大値に対応する時刻を表示させる表示部を、さらに備えることを特徴とする請求項１記載の負荷量予測装置。
3. 前記因子は、不快指数、外気エンタルピ、湿球温度および気温のうちのいずれかである、ことを特徴とする請求項１または２記載の負荷量予測装置。
4. 前記負荷量は、電力消費量である、ことを特徴とする請求項１〜３のいずれか１項に記載の負荷量予測装置。
5. 気象状態を表す因子と予測対象となる負荷量とを変数に含む回帰式に、気象要素の時系列の予報データを代入し、予測対象期間の前記負荷量の予測値を演算する演算ステップを含み、
   前記演算ステップは、曜日に応じて区分可能なパターンごとに予め登録されている前記負荷量を含む時系列の実績データのうち前記予測値と同一の前記パターンに属する前回分の前記実績データの前記負荷量と当該前回分の前記実績データの前記負荷量に対応する前記予測値との間の偏差が最小になるように、学習アルゴリズムを用いて前記回帰式に含まれる係数を変更し、当該変更後の係数を適用した前記回帰式を用いて、前記予測対象期間の前記負荷量の予測値を演算するとともに、
   前記予測対象期間の前記負荷量の実測値が得られた場合には、当該得られた前記実測値が属する時刻における前記実測値と前記予測値との間の差分を用いて、前記得られた前記実測値が属する時刻から所定時間後までの前記予測値を補正し、当該予測値を補正する際には、前記得られた前記実測値が属する時刻から先の時刻になるほど、前記予測値を補正する幅が前記差分よりも徐々に小さくなるように重み付けをして補正する、
   ことを特徴とする負荷量予測方法。
6. 請求項５に記載の前記演算ステップをコンピュータに実行させるための負荷量予測プログラム。