JP5957725B2 - 予測装置、予測方法、および、予測プログラム - Google Patents
予測装置、予測方法、および、予測プログラム Download PDFInfo
- Publication number
- JP5957725B2 JP5957725B2 JP2012235506A JP2012235506A JP5957725B2 JP 5957725 B2 JP5957725 B2 JP 5957725B2 JP 2012235506 A JP2012235506 A JP 2012235506A JP 2012235506 A JP2012235506 A JP 2012235506A JP 5957725 B2 JP5957725 B2 JP 5957725B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- prediction
- classification
- period
- target
- 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
- 238000000034 method Methods 0.000 title claims description 37
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000013075 data extraction Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 description 18
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000005484 gravity Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
スマートシティとは、エネルギーの利用や地域の交通システムなどを都市単位で変革する次世代の社会システムであり、特に、スマートグリッド(次世代送電網)によって、電力の流れをきめ細かく制御することが実現される。
スマートグリッドの管理会社は、電力供給源が分散化され、出力が不安定な発電がエネルギーインフラに組み込まれたときに、管轄内における発電種別ごとの供給可能量や需要家の電力需要をつぶさに把握しながら、安定的かつ経済的な電力供給計画を立案する必要がある。
特許文献1には、過去の気温や湿度などの気象実績と電力需要との間に線形な相関関係が成立することを前提として、過去の気温実績を説明変数として電力需要を算出する重回帰モデルの予測式が記載されている。
特許文献2には、気象や暦から予測した電力負荷の予測値に対して、過去の類似電力負荷データを用いて、予測値を修正するシステムが記載されている。
特許文献3には、「当日補正モード」として、予測対象日当日の例えば朝方から当該予測対象時刻以前の所定の時刻までの需要実績データを入力データとして、予測対象日当日の需要予測処理を実行するシステムが記載されている。
電力予測データの計算対象期間である予測期間と、電力需要データをクラスに分類するための期間であり、前記予測期間より前の時間に位置する分類用期間の入力を受け付ける期間入力部と、
予測対象日当日の前記分類用期間の電力需要データを対象分類用データとして読み込み、予測対象日より過去日の前記分類用期間の電力需要データを過去分類用データとして読み込み、予測対象日より過去日の前記予測期間の電力需要データを過去予測期間データとして読み込むデータ取得部と、
前記対象分類用データおよび前記過去分類用データそれぞれの電力需要データに対して、所定の平均値と所定の標準偏差とを所定の値として正規化演算するデータ標準化部と、
正規化演算された前記対象分類用データおよび前記過去分類用データの電力需要データをもとに、複数のクラスのいずれかに分類するデータ分類部と、
分類された前記過去分類用データのうち、前記対象分類用データと同じクラスの前記過去分類用データを抽出する類似データ抽出部と、
抽出された前記過去分類用データに対応する前記過去予測期間データの統計値を、予測対象日当日の前記予測期間における前記電力予測データである対象予測期間データとして計算するデータ予測部と、
計算した前記対象予測期間データを出力するデータ出力部と、を有することを特徴とする。
その他の手段は、後記する。
対象分類用データ71は、対象データ70の前部に位置する予測対象日当日の電力需要量の実績値である。対象分類用データ71は、対象データ70と他のデータとの類似判定に用いる「クラス」の計算用に使用される。
対象予測期間データ72は、対象データ70の後部に位置する予測対象日当日の電力需要量の予測値である。この対象予測期間データ72を高精度に求めて出力することが、本実施形態の主な目的である。
過去分類用データ81は、対象分類用データ71と同様に、「クラス」の計算用に使用される。図1(b)の過去分類用データ81から「クラス=1」が計算され、図1(c)の過去分類用データ81から「クラス=7」が計算される。
過去予測期間データ82は、対象予測期間データ72の計算用に使用されるが、対象予測期間データ72とは異なり、電力需要量の実績値である。
まず、図1(a)の対象データ70のクラス=1と、図1(b)の過去データ80のクラス=1とが一致するので、図1(a)の対象データ70と、図1(b)の過去データ80とが類似関係にあると判定される。ここで、対象データ70と類似関係にある過去データ80を、類似データ90と呼ぶ。つまり、過去データ80の集合から、類似データ90の集合へと、クラスによって候補が絞り込まれる。類似データ90内の分類用期間(T)のデータを「類似分類用データ91」とし、類似データ90内の予測期間(F)のデータを「類似予測期間データ92」とする。
そして、対象予測期間データ72は、1つ以上の類似予測期間データ92の統計値(平均値、中央値など)として計算される。
予測装置1は、電力需要データベース12内の電力需要量の実績値をもとに、図1で示したように、予測期間(F)の電力需要量の予測値(対象予測期間データ72)を計算する。
予測装置1は、期間入力部11と、電力需要データベース12と、データ取得部13と、第1格納部21と、データ標準化部22と、データ分類部23と、第2格納部31と、類似データ抽出部32と、データ予測部33と、第3格納部41と、データ出力部42とを含めて構成される。
以下、電力需要データベース12には、現在時刻(9/9 9:00)までの電力需要量が1時間単位で収集されている例で説明するが、電力需要量の分解能は他の分解能(1分単位など)であってもよいし、電力需要量の収集期間は任意(例えば、過去3年間)であってもよい。
さらに、電力需要量の収集処理について、スマートシティのエネルギー管理会社(電力会社でもよい)が過去に提供した電力供給量を電力需要量とみなしてもよいし、電力計などにより消費者から収集した実際の電力消費量を電力需要量とみなしてもよい。
ここでの標準化は、正規化(normalization)とも呼ばれ、例えば、標準化前のデータを入力として、所定の平均値と所定の標準偏差とになるようなZ変換の関数を計算することにより実現される。
換言すると、データ標準化部22は、第1格納部21に格納された分類用期間(T)のデータに対して、所定の平均値と所定の標準偏差とを所定の値として正規化演算する。
この標準化処理により、平休や季節による電力需要の多寡の影響を取り除くことができ、電力需要傾向が類似する分類用期間(T)のデータ群を互いに類似する(同じクラスに属する)ものとして扱うヒット率を向上させることができる。
第2格納部31は、第1格納部21に格納されたデータに対して、データ標準化部22により標準化処理がなされ、データ分類部23によりクラスが割り当てられたデータを格納する(詳細は、図3(b)で後記)。
データ予測部33は、類似データ抽出部32により抽出されたM個の類似データ90内の類似予測期間データ92から、対象予測期間データ72を計算する。対象予測期間データ72の計算では、例えば、1つ以上の類似予測期間データ92の平均値を予測値とし、1つ以上の類似予測期間データ92の標準偏差から求まる平均値からのバラツキ度合いを予測期間における予測値の信頼区間とする。
第3格納部41は、データ予測部33により計算された対象予測期間データ72を格納する。データ出力部42は、第3格納部41の対象予測期間データ72(予測値、予測値の信頼区間)を、図示しない表示装置に表示するとともに、電力需要データベース12にデータ出力する。
データ取得部13は、対象データ70や過去データ80を電力需要データベース12から読み込むたびに、重複しないようにデータ番号を採番する。例えば、対象データ70の(i−1)日前の過去データ80には、i番のデータ番号が採番される。
カウンタ変数iを、1からFまで1つずつ増加させる
i番目の信頼上限値=D[i] + 1.96 × S[i]
i番目の信頼下限値=D[i] - 1.96 × S[i]
ただし、S[i]は、予測期間(F)に応じて設定される所定の係数であり、例えば、変数iが大きくなるほど単調増加する係数である。
S101〜S106として、データ標準化部22は、N+1個の分類用期間(T)の期間データを、選択期間データとして1つずつ順に選択するループを実行する。
S102として、データ標準化部22は、S101の選択期間データの平均値μ、および、選択期間データの標準偏差σを計算する。
S103〜S105として、データ標準化部22は、S101の選択期間データの1時点データ(ある1つの時刻における需要量を示すデータ)を、D[i](i=1〜T)として順に選択するループを実行する。
S104として、データ標準化部22は、S103で選択されたD[i]を、計算式「D[i]=(D[i]−μ)/σ」により標準化する。
S201として、データ分類部23は、K個のクラスを初期化する。具体的には、各クラスkの重心C[k]の初期値として、r番目(rは、1〜N+1のいずれかの乱数値)の分類用データを示すベクトル値V[r]を代入する。なお、各分類用データは、分類用期間(T)分の需要量データ(時系列に並ぶT個の需要量データ)から構成されており、これらのT個のデータをT次元空間内の1つのベクトル値に変換しておく。
S203〜S206として、データ分類部23は、K個のクラスを選択クラスとして、1つずつ順に選択(k=1〜K)するループを実行する。つまり、k回目のループ実行時に、k番目のクラスが選択される。
S204として、データ分類部23は、C[k]とV[n]とのベクトル距離を計算する。
S205として、データ分類部23は、計算したベクトル距離が最小距離なら、クラスkを所属クラスとして保持する。このS205を実行するために、S203において、あらかじめ最小距離を充分に大きい値(∞など)とし、所属クラスを「なし」に初期化しておく。
S209として、データ分類部23は、各クラスkの重心C[k](k=1〜K)を再計算する。重心C[k]は、クラスkに属する各分類用データのベクトルV[]から計算できる。
S210として、データ分類部23は、重心C[k]がS209の再計算によって変更されたか否かを判定し、変更されたときには、処理をS202に戻す。
また、k-means法による分類は重心間線分を垂直2等分線した線形分離となるため、超平面で分類できない時系列データに対しては正しい分類ができなくなる。このような場合には、データ分類部23は、カーネル関数と呼ばれる関数で分類対象の時系列データを変換し、変換後のデータをk-means法で分類するなどの方法を用いることもできる。
そのため、データ分類部23は、MapReduceなどの分散処理フレームワークを用いてクラスタリング処理を並列化してもよい。図6のフローチャートでは、外側のループ(S202〜S208)は、並列化処理が可能である。
なお、MapReduceとは、処理対象の1つのデータを1つのkeyに対応付ける「Map」処理と、複数の同一keyを集約することでデータを減らす「Reduce」処理とを並列化するアルゴリズムである。本実施形態では、クラスが「Map」処理におけるkeyに該当する。
S301として、データ予測部33は、対象予測期間データ72を格納する配列E[i](i=1〜F)を、代入値「0」で初期化する。
S302〜S307として、データ予測部33は、M個の類似データ90を選択類似データとして、1つずつ順に選択する。
S303として、データ予測部33は、S302の選択類似データの類似予測期間データ92を取得する。
S304〜S306として、データ予測部33は、S303の類似予測期間データ92の1時点データをD[i](i=1〜F)として、1つずつ順に選択する。
S305として、データ予測部33は、計算式「E[i]=E[i]+D[i]/M」により、E[i]にD[i]成分を反映する。
そのため、データ予測部33は、ヒットした多くの類似予測期間データ92をもとに、予測対象日当日の需要予測を高精度に求めることができる。
また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。
また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。また、上記の各構成、機能、処理部、処理手段などは、それらの一部または全部を、例えば集積回路で設計するなどによりハードウェアで実現してもよい。
また、前記の各構成、機能などは、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。
11 期間入力部
12 電力需要データベース
13 データ取得部
21 第1格納部
22 データ標準化部
23 データ分類部
31 第2格納部
32 類似データ抽出部
33 データ予測部
41 第3格納部
42 データ出力部
70 対象データ
71 対象分類用データ
72 対象予測期間データ
80 過去データ
81 過去分類用データ
82 過去予測期間データ
90 類似データ
91 類似分類用データ
92 類似予測期間データ
Claims (7)
- 電力予測データの計算対象期間である予測期間と、電力需要データをクラスに分類するための期間であり、前記予測期間より前の時間に位置する分類用期間の入力を受け付ける期間入力部と、
予測対象日当日の前記分類用期間の電力需要データを対象分類用データとして読み込み、予測対象日より過去日の前記分類用期間の電力需要データを過去分類用データとして読み込み、予測対象日より過去日の前記予測期間の電力需要データを過去予測期間データとして読み込むデータ取得部と、
前記対象分類用データおよび前記過去分類用データそれぞれの電力需要データに対して、所定の平均値と所定の標準偏差とを所定の値として正規化演算するデータ標準化部と、
正規化演算された前記対象分類用データおよび前記過去分類用データの電力需要データをもとに、複数のクラスのいずれかに分類するデータ分類部と、
分類された前記過去分類用データのうち、前記対象分類用データと同じクラスの前記過去分類用データを抽出する類似データ抽出部と、
抽出された前記過去分類用データに対応する前記過去予測期間データの統計値を、予測対象日当日の前記予測期間における前記電力予測データである対象予測期間データとして計算するデータ予測部と、
計算した前記対象予測期間データを出力するデータ出力部と、を有することを特徴とする
予測装置。 - 前記データ分類部は、前記分類用期間分のT個の時系列データである前記対象分類用データおよび前記過去分類用データの電力需要データを、それぞれT次元のベクトル値に変換し、各クラスが属するベクトル値の重心位置と、クラスの分類対象のベクトル値の重心位置とのベクトル距離を計算し、そのベクトル距離が最小距離となる重心位置のクラスを分類対象のベクトル値が属するクラスとして分類することを特徴とする
請求項1に記載の予測装置。 - 前記データ予測部は、前記過去予測期間データの統計値として、前記過去予測期間データの平均値を計算して、その結果を前記対象予測期間データとすることを特徴とする
請求項1に記載の予測装置。 - 予測装置は、期間入力部と、データ取得部と、データ標準化部と、データ分類部と、類似データ抽出部と、データ予測部と、データ出力部とを有しており、
前記期間入力部は、電力予測データの計算対象期間である予測期間と、電力需要データをクラスに分類するための期間であり、前記予測期間より前の時間に位置する分類用期間の入力を受け付け、
前記データ取得部は、予測対象日当日の前記分類用期間の電力需要データを対象分類用データとして読み込み、予測対象日より過去日の前記分類用期間の電力需要データを過去分類用データとして読み込み、予測対象日より過去日の前記予測期間の電力需要データを過去予測期間データとして読み込み、
前記データ標準化部は、前記対象分類用データおよび前記過去分類用データそれぞれの電力需要データに対して、所定の平均値と所定の標準偏差とを所定の値として正規化演算し、
前記データ分類部は、正規化演算された前記対象分類用データおよび前記過去分類用データの電力需要データをもとに、複数のクラスのいずれかに分類し、
前記類似データ抽出部は、分類された前記過去分類用データのうち、前記対象分類用データと同じクラスの前記過去分類用データを抽出し、
前記データ予測部は、抽出された前記過去分類用データに対応する前記過去予測期間データの統計値を、予測対象日当日の前記予測期間における前記電力予測データである対象予測期間データとして計算し、
前記データ出力部は、計算した前記対象予測期間データを出力することを特徴とする、前記予測装置を用いることを特徴とする
予測方法。 - 前記データ分類部は、前記分類用期間分のT個の時系列データである前記対象分類用データおよび前記過去分類用データの電力需要データを、それぞれT次元のベクトル値に変換し、各クラスが属するベクトル値の重心位置と、クラスの分類対象のベクトル値の重心位置とのベクトル距離を計算し、そのベクトル距離が最小距離となる重心位置のクラスを分類対象のベクトル値が属するクラスとして分類することを特徴とする
請求項4に記載の予測方法。 - 前記データ予測部は、前記過去予測期間データの統計値として、前記過去予測期間データの平均値を計算して、その結果を前記対象予測期間データとすることを特徴とする
請求項4に記載の予測方法。 - 請求項4ないし請求項6のいずれか1項に記載の予測方法を、コンピュータである前記予測装置に実行させるための予測プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012235506A JP5957725B2 (ja) | 2012-10-25 | 2012-10-25 | 予測装置、予測方法、および、予測プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012235506A JP5957725B2 (ja) | 2012-10-25 | 2012-10-25 | 予測装置、予測方法、および、予測プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2014085914A JP2014085914A (ja) | 2014-05-12 |
JP5957725B2 true JP5957725B2 (ja) | 2016-07-27 |
Family
ID=50788906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012235506A Expired - Fee Related JP5957725B2 (ja) | 2012-10-25 | 2012-10-25 | 予測装置、予測方法、および、予測プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5957725B2 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6351790B2 (ja) * | 2016-05-10 | 2018-07-04 | 株式会社メテオテック・ラボ | 海上気象予報提供方法 |
JP7099805B2 (ja) * | 2017-03-31 | 2022-07-12 | 三菱重工業株式会社 | 予測装置、予測システム、予測方法及びプログラム |
CN110705770B (zh) * | 2019-09-26 | 2022-07-05 | 国家电网公司华北分部 | 用于光伏电站的光伏功率预测优化方法和装置 |
CN117424290B (zh) * | 2023-10-07 | 2024-04-19 | 国家电网有限公司华东分部 | 新能源纳入比例计算方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0830581A (ja) * | 1994-07-20 | 1996-02-02 | Mitsubishi Electric Corp | 需要量予測方法 |
US7058522B2 (en) * | 2003-05-13 | 2006-06-06 | Siemens Power Transmission & Distribution, Inc. | Very short term load prediction |
JP4614793B2 (ja) * | 2005-03-02 | 2011-01-19 | 大阪瓦斯株式会社 | エネルギ負荷データ作成装置及びコージェネレーションシステム |
JP5300761B2 (ja) * | 2010-02-25 | 2013-09-25 | 株式会社東芝 | エネルギー配分計算装置 |
-
2012
- 2012-10-25 JP JP2012235506A patent/JP5957725B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2014085914A (ja) | 2014-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Godahewa et al. | Monash time series forecasting archive | |
Fan et al. | Development of prediction models for next-day building energy consumption and peak power demand using data mining techniques | |
Constantinescu et al. | A computational framework for uncertainty quantification and stochastic optimization in unit commitment with wind power generation | |
JP5492848B2 (ja) | 電力需要予測システムおよび方法 | |
Fan et al. | Short-term load forecasting based on a semi-parametric additive model | |
Wang et al. | Analysis of conservation voltage reduction effects based on multistage SVR and stochastic process | |
JP5537304B2 (ja) | 情報処理装置およびそのプログラム | |
US10846715B2 (en) | Energy operation apparatus, method, and system | |
TWI745907B (zh) | 發電量預測裝置、發電量預測方法、及程式 | |
US20210334914A1 (en) | System and method for determining power production in an electrical power grid | |
JP7521291B2 (ja) | 予測装置、予測プログラム、及び予測方法 | |
JP5957725B2 (ja) | 予測装置、予測方法、および、予測プログラム | |
CN116186548B (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
CN108898248A (zh) | 电力负荷影响因素量化分析方法、装置、设备及介质 | |
Day et al. | Residential power load forecasting | |
JP2018173837A (ja) | 予測装置、予測システム、予測方法及びプログラム | |
Yen et al. | Solar power prediction via support vector machine and random forest | |
JP7316233B2 (ja) | データ処理システムおよびデータ処理方法 | |
Kim et al. | Tutorial on time series prediction using 1D-CNN and BiLSTM: A case example of peak electricity demand and system marginal price prediction | |
CN116316617A (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
Gochhait et al. | Regression model-based short-term load forecasting for load despatch centre | |
JP2021128478A5 (ja) | ||
Tena-García et al. | Implementing data reduction strategies for the optimal design of renewable energy systems | |
Jiang et al. | An optimized forecasting approach based on grey theory and Cuckoo search algorithm: a case study for electricity consumption in New South Wales | |
Fujiwara et al. | Load forecasting method for Commercial facilities by determination of working time and considering weather information |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150723 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20160512 |
|
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: 20160524 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160527 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5957725 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |