JP6094369B2 - 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 - Google Patents

Description

本発明は、需要家の電力使用量を予測する電力需要予測装置等に関する。

デマンドレスポンス（ＤＲ）とは、米国エネルギー省（ＤＯＥ）の定義によると、「時間毎に変化する電力価格単価や、卸電力価格が高い場合や電力系統が信頼度面で危機にある場合に、電力の節約を促すように設計されたインセンティブの支払いに応じて、最終需要家自らが通常の電力消費パターンから電力消費を変化させること」である。

デマンドレスポンスの手法の１つにダイナミックプライシングと呼ばれるプログラムがある。ダイナミックプライシングは、電力市場の価格を需要家の電力価格単価に反映するもので、電力事業者が翌日の電力価格単価（時間帯ごと）を需要家に通知し、需要家が電力価格単価に応じて、使用する電力量を調整するものである。

ダイナミックプライシングの一例が非特許文献１に開示されている。この非特許文献１のダイナミックプライシングでは、需要家の電力需要がピークとなる時間帯（１３時〜１７時）の電力価格単価を５段階にレベル分けしている。

ＣＥＭＳ（地域エネルギーマネジメントシステム）と呼ばれる需給制御システムは、翌日の電力需給の運用計画を作成する際に、需給バランスを考慮して翌日のピーク時間帯の電力価格単価を決定する。その際、電力価格単価を変更したときに、どのくらい需要が変化するかを予め予測しておくことが重要である。そのために、電力価格変更時の需要変化を算出し、変化の程度を係数で表した価格弾力性を算出する必要がある。

非特許文献１では、デマンドレスポンス対象地域の需要家を２つのグループに分けている。当該２つのグループは、電力価格単価を変更しないグループと電力価格単価を変更するグループとの２つのグループになる。次に、それぞれのグループにおいて、電力価格単価を変更した日の電力需要の差を算出する。最後に、２つのグループの電力需要の変化の差を算出することで、電力価格変更時の需要変化の程度を算出している。

この手法は「差分の差分法」と呼ばれており、政策効果を正確に推計できる手法として知られている。この手法では、気温等の気象条件が同じグループのデータを使って効果を算出するため、気象条件の影響を排除することができる。これにより、正確な価格弾力性を算出することが可能になる。

松岡俊和、"北九州スマートコミュニティー創造事業（北九州市提出資料）"、[online]、経済産業省 資源エネルギー庁、[２０１３年２月３日検索]、インターネット<ＵＲＬ：http://www.enecho.meti.go.jp/info/committee/kihonmondai/29th.htm>

上述した「差分の差分法」では、電力価格単価を変更する需要家グループと電力価格単価を変更しない需要家グループとの過去の需要変化の差を算出している。このため、電力価格単価を変更する需要家グループと電力価格単価を変更しない需要家グループとの２つのグループの存在が必要になる。デマンドレスポンスを実施する対象地域の全ての需要家が電力価格単価を変更する場合、すなわち電力価格単価を変更しない需要家が存在しない場合には、上述した手法を適用することができない。

また、デマンドレスポンスの実施期間が短い場合等は、それほど多くのデータが蓄積されていない。このため、蓄積されたデータ数が少なくなり、統計的な処理において精度が低下する。これにより、電力需要の予測精度が低下することになる。

そこで、本発明は、電力価格単価の変更を実施した需要家のみの過去の実績データを用いて電力の需要予測を高精度に行うことを目的とする。

以上の課題を解決するため、本発明の電力需要予測装置は、時間帯によって電力価格単価の変更を実施した需要家のみの過去の電力需要を前記電力価格単価と対応させて実績データとして記憶する実績データ記憶部と、前記実績データに基づいて前記電力価格単価を変更しない時の電力需要と、前記電力価格単価を変更した時の電力需要と、の比率を価格弾力性として算出する価格弾力性算出部と、前記電力価格単価ごとに前記価格弾力性を記憶する価格弾力性記憶部と、前記電力需要の予測対象日の電力価格単価に対応する価格弾力性を前記価格弾力性記憶部から決定する価格弾力性決定部と、前記予測対象日の電力需要予測値を予測する電力需要予測部と、前記電力需要予測部が予測した前記電力需要予測値に対して前記価格弾力性決定部が決定した前記価格弾力性で補正する電力需要値補正部と、を備えたことを特徴としている。

また、本発明の電力需要予測方法は、時間帯によって電力価格単価の変更を実施した需要家のみの過去の電力需要を前記電力価格単価と対応させて実績データとして記憶し、前記実績データに基づいて前記電力価格単価を変更しない時の電力需要と、前記電力価格単価を変更した時の電力需要と、の比率を価格弾力性として算出し、前記電力価格単価ごとに前記価格弾力性を記憶し、前記電力需要の予測対象日の電力価格単価に対応する価格弾力性を決定し、前記予測対象日の電力需要予測値を予測し、前記電力需要予測値に対して前記価格弾力性で補正する、ことを特徴としている。

また、本発明の電力需要予測プログラムは、コンピュータに、時間帯によって電力価格単価の変更を実施した需要家のみの過去の電力需要を前記電力価格単価と対応させて実績データとして記憶する手順、前記実績データに基づいて前記電力価格単価を変更しない時の電力需要と、前記電力価格単価を変更した時の電力需要と、の比率を価格弾力性として算出する手順、前記電力価格単価ごとに前記価格弾力性を記憶する手順、前記電力需要の予測対象日の電力価格単価に対応する価格弾力性を決定する手順、前記予測対象日の電力需要予測値を予測する手順、前記電力需要予測値に対して前記価格弾力性で補正する手順、を実行させることを特徴としている。

本発明は、電力価格単価を変更した需要家のみの過去の実績データを用いて電力の需要予測を高精度に行うことが可能になる。

第１の実施形態の電力需要予測装置を含むシステム構成図である。 デマンドレスポンスレベルと電力価格単価との関係を示す図である。 （ａ）は電力価格単価の変更、（ｂ）は電力価格単価を変化させたときの電力需要を示す図である。 第１の実施形態の処理の流れを示すフローチャートである。 実績データベースのデータ構成例である。 価格弾力性データベースのデータ構成例である。 第１の実施形態のデータの流れを示す図である。 （ａ）は従来の電力需要予測手法の価格弾力性、（ｂ）は従来の電力需要予測手法の電力需要予測値と実際値とを示す図である。 （ａ）は本発明の電力需要予測手法の価格弾力性、（ｂ）は本発明の電力需要予測手法の電力需要予測値と実際値とを示す図である。 価格弾力性算出部のブロック図である。 第２の実施形態のデータの処理の流れを示す図である。 回帰式による補正を説明するための図である。

＜Ａ：本発明の第１の実施形態＞
以下、図面を参照して本発明の第１の実施形態について説明する。図１は本実施形態の電力需要予測装置を含むシステム構成図を示している。図１のシステムは、スマートメーター１と電力需要予測装置３とがネットワーク２を介して接続されている。

スマートメーター１は通信機能を備える電力等の計測器である。スマートメーター１は各需要家（オフィス、工場、一般家庭等）に備えられている。各需要家に備えられるスマートメーター１は１つだけとは限らず、２つ以上備えられている場合もある。また、図１の例では、１つの需要家のみを示しているが、一般的には複数の需要家が存在している。ネットワーク２はインターネットや専用回線等の通信回線である。ネットワーク２によりスマートメーター１と電力需要予測装置３との間でデータの送受信が行われる。

スマートメーター１は各種のデータを電力需要予測装置３に送信する。例えば、“需要家Ｎｏ．（予め各需要家に割り当てられる識別番号である）”や“日時と電力需要計測値”等のデータが送信される。また、デマンドレスポンスを実施する需要家のスマートメーター１は、電力需要予測装置３からデマンドレスポンス実施予定日時とそのときの電力価格単価等のデータを受信して表示等する。

電力需要予測装置３は、例えば、電気事業者（発電事業者等）やＣＥＭＳ事業者の側に設置されている。通常、デマンドレスポンスを実施する需要家は、電気事業者等と事前に契約をしている。デマンドレスポンスを実施する際には、電気事業者等がデマンドレスポンスを実施する需要家に対して電力価格単価を任意に決定することができる。

以上の電力需要予測装置３は、データ入力部１１と実績データベース１２と価格弾力性算出部１３と価格弾力性データベース１４と価格弾力性決定部１５と電力需要予測部１６と電力需要値補正部１７とを備えている。なお、実績データベース１２および価格弾力性データベース１４は補助記憶装置に記憶させ、価格弾力性算出部１３、価格弾力性決定部１５、電力需要予測部１６、電力需要値補正部１７は図示しないＲＡＭ上に読み出されて、図示しないＣＰＵにより実行されるプログラムとして機能させることもできる。

データ入力部１１は各種のデータを入力する。例えば、キーボードやマウス等の入力手段からのデータ、ネットワーク２を介してスマートメーター１から送信されるデータ等をデータ入力部１１は入力する。また、ネットワーク２には、例えば図示しない気象予報サイトが接続されている。気象予報サイトから翌日以降の気温や湿度等の気象条件の予報情報のデータをデータ入力部１１から入力することができる。

実績データベース１２（実績データ記憶部）は、少なくとも需要家の電力需要と後述する電力価格単価のレベルとを含む各種データ（実績データ）をテーブル形式で記憶している。電力需要予測装置３はネットワーク２を介して需要家のスマートメーター１から実績データを収集している。収集した実績データは実績データベース１２に蓄積されていく。

価格弾力性算出部１３は、実績データベース１２に蓄積されている実績データを読み出して、価格弾力性Ｅを決定する。価格弾力性Ｅは以下の式（１）で示される。
「価格弾力性Ｅ＝電力価格単価を変更した時の電力需要／電力価格単価を変更しない時の電力需要」・・・式（１）
つまり、電力価格単価を変更した時の電力需要と、電力価格単価を変更した時の電力需要と、の比率を価格弾力性Ｅとして算出している。

価格弾力性データベース１４（価格弾力性記憶部）は、価格弾力性Ｅをテーブル形式で記憶している。価格弾力性算出部１３により得られた価格弾力性Ｅが条件ごとにテーブル形式のデータベースに蓄積されていく。これにより、価格弾力性データベース１４が作成される。

価格弾力性決定部１５はデマンドレスポンスを実施する予定日（予測対象日）のデマンドレスポンスレベル（以降、単にレベルと称呼する場合もある）に応じた価格弾力性Ｅを価格弾力性データベース１４から抽出する。ここで、図２に示すように、デマンドレスポンスには複数段階のレベルｉが設定されている。図２の例では５段階のレベルｉが設定されている。レベル０は電力価格単価を変更しないことを示している。一方、レベルｉ（ｉ＝１〜４）は電力価格単価を変更することを示している。そして、ｉの値が高くなるほど電力価格単価が高くなる。

電力需要予測部１６は、予測対象日データと気象予報データと実績データベース１２の実績データとを用いて、予測対象日（例えば、翌日）の電力需要予測を行う。予測対象日データは、予測対象日の年月日、曜日、平日／休日等のデータである。予測対象日データはデータ入力部１１から入力することができる。気象予報データは、予測対象日（翌日またはそれ以降）の気温、湿度、風速、天候等の気象条件に関するデータであり、上述したように、例えば気象予報サイトから取得することができる。実績データは実績データベース１２を参照することで、得ることができる。

予測対象日データと気象予報データと実績データとを用いて、電力需要予測を行う手法は既知であり、例えば以下の各参考文献に記載されている既存手法を用いることができる。つまり、需要予測は、実績データの過去の電力需要、天候、気温、季節、曜日、電力単価等を入力データとして、出力が電力需要予測値となるような需要予測モデルにより算出される。需要予測モデルとしては、下記参考文献に開示されているニューラルネットワーク等を使用することができる。
・参考文献：「Proceedings of the LASTED International Conference 248-039 “Peak Load Forecasting using Neural Networks and Fuzzy Inference”」
電力需要値補正部１７は、電力需要予測部１６が予測した電力需要（電力需要予測値）に対して、価格弾力性データベース１４から得られる価格弾力性Ｅを用いて補正を行う。補正後の電力需要予測値は補正前の電力需要予測値に比べて正確な予測値になっている。

次に、デマンドレスポンスについて説明する。デマンドレスポンスは、所定の時間帯の電力価格単価を変更することにより、電力需要を抑制または創出する手法である。デマンドレスポンスとしては、ポイントの付与やクーポン券の付与等のように何らかの形で需要家に報酬を与えるインセンティブをベースとする手法もあるが、ここでは、時間帯によって電力価格単価を変更するダイナミックプライシングの手法を説明する。

ダイナミックプライシングの場合、電力需要を抑制または創出したい需要家に応じて、デマンドレスポンスのレベルｉを決めて、電力価格単価を変更する。図２は、ダイナミックプライシングの一例を示したものであり、レベルｉに応じて電力価格単価が変化している。

図２では、レベル０（デマンドレスポンスを実施しない）の電力価格単価は「１５[円／ｋＷ]」、レベル１の電力価格単価は「５０[円／ｋＷ]」、レベル２の電力価格単価は「７５[円／ｋＷ]」、レベル３の電力価格単価は「１００[円／ｋＷ]」、レベル４の電力価格単価は「１５０[円／ｋＷ]」となっている。図２のレベルｉおよび電力価格単価はあくまでも一例であり、上述したように、レベルｉは任意に設定することができる。電力価格単価も任意に設定することができる。

図２の電力価格単価は夏季を想定している。一般に、夏季においては、時間帯１３時〜１７時の間が最も気温が高くなる。この時間帯が、空調設備が最も使用され、電力需要が最も高くなる。従って、１３時〜１７時の時間帯をピーク時間帯としている。デマンドレスポンスでは、このピーク時間帯の電力価格単価を変更している。なお、冬季の場合には、早朝および夜間がピーク時間帯となることが想定される。

図３（ａ）および（ｂ）は、デマンドレスポンスを実施した場合（破線：レベルｉ）と実施しない場合（実線：レベル０）とにおける電力需要を示している。同図（ａ）においてレベルｉが「ｉ＝１」の場合、デマンドレスポンスを実施しない場合のピーク時間帯（１３時〜１７時）の電力価格単価Ｐ０（＝１５[円／ｋＷ]）よりもデマンドレスポンスを実施する場合のピーク時間帯の電力価格単価Ｐｉ（＝５０[円／ｋＷ]）の方が高くなっている。

このときの電力需要の需要曲線が同図（ｂ）に示されている。同図（ｂ）に示されるように、ピーク時間帯における実線（デマンドレスポンスを実施しない場合）よりも破線（デマンドレスポンスを実施した場合）の方が電力需要は低くなっている。このときの差分が需要変化になる。つまり、デマンドレスポンスを実施することにより、ピーク時間帯における電力需要が抑制されたことになる（図中の網掛け部分）。

従って、デマンドレスポンスによる需要家の電力需要の変動を考慮した電力需要を高精度に予測することは重要である。そこで、図１の電力需要予測装置３は高精度に電力需要の予測を行う。

図４のフローチャートを用いて動作の説明をしていく。図１に示したように、需要家のスマートメーター１はネットワーク２を経由して、電力需要を含む実績データを所定間隔ごと（例えば、３０分ごと、１時間ごと）に電力需要予測装置３に対して送信している。これにより、電力需要予測装置３は需要家のスマートメーター１から実績データを取得する（ステップＳ１）。そして、電力需要予測装置３に入力された実績データは実績データベース１２に蓄積されていく（ステップＳ２）。

次に、実績データベース１２を参照して価格弾力性Ｅｉ（ｔ）を算出する（ステップＳ３）。価格弾力性Ｅｉ（ｔ）は、上述したニューラルネットワーク等を用いて予測した電力需要予測値の誤差を補正するために用いられる。価格弾力性Ｅｉ（ｔ）の算出方法や具体的な使用例については後述する。

このステップＳ３の処理において、まず、実績データベース１２について説明し、その後、実績データベース１２から価格弾力性Ｅｉ（ｔ）を算出する手法について説明する。
実績データベース１２について説明する。図５は、実績データベース１２のデータ構成例を示している。実績データベース１２に蓄積される実績データは過去のデータである。そして、当該実績データはデマンドレスポンスを実施した需要家のみの過去のデータでもある。図５では、実績データベース１２に蓄積される実績データはテーブル形式になっているが、テーブル形式以外の方法で記憶されてもよい。

図５に示すように、実績データベース１２の実績データはヘッダー部２１とデータ部２２とを有している。ヘッダー部２１は需要家番号またはグループ番号（図中では、需要家Ｎｏ．または グループＮｏ．）２３を有している。上述したように、需要家番号は、予め各需要家に割り当てられる識別番号である。需要家は所定数のグループ（例えば、オフィスビルや商業施設等のグループ）に分けられる場合もあり、その場合には、各グループをグループ番号により識別する。

データ部２２は日時２４と曜日２５と休日／平日２６と気温２７と湿度２８と電力需要２９と電力価格単価３０とデマンドレスポンスレベル３１とを有している。図５のデータ部２２の各情報は一例であり、これら以外の情報を有していてもよいし、全ての情報を有していなくてもよい。

図５の実績データの最初の１行は、「２０１２年４月１日の０：００」、「日曜日」、「休日」、「気温２３．４[℃]」、「湿度４１[％]」、「電力需要５．６[ｋＷ]」、「電力価格単価１５[円／ｋＷｈ]」、「デマンドレスポンレベル０」であることを示している。そして、３０分ごとに各種のデータが取得され、蓄積されている。これらは、３０分ごとに蓄積された過去の実績データになる。

次に、実績データベース１２を参照して、価格弾力性Ｅｉ（ｔ）を算出する手法について説明する。上述したように、価格弾力性Ｅは式（１）で示される。レベル０の日のピーク時間帯（デマンドレスポンスにより電力価格単価が変更される時間帯）における電力需要をＤ０（ｔ）、レベルｉの日のピーク時間帯における電力需要をＤｉ（ｔ）、電力価格単価をレベル０からレベルｉに変更した日の価格弾力性をＥｉ（ｔ）とすると、価格弾力性Ｅｉ（ｔ）は「Ｅｉ（ｔ）＝Ｄｉ（ｔ）／Ｄ０（ｔ）」となる。

ただし、このときの価格弾力性Ｅｉ（ｔ）は気象条件（例えば、ｔ＝最高気温Ｔｍａｘ）が考慮されていない。気象条件（最高気温Ｔｍａｘ）が同じ条件の価格弾力性Ｅｉ（Ｔｍａｘ）を算出することで、より正確な価格弾力性を得ることができる。そこで、価格弾力性算出部１３は、実績データベース１２の実績データから気温２７を参照して、最高気温Ｔｍａｘの日の電力需要Ｄ０（ｔ）と同じ最高気温Ｔｍａｘの日の電力需要Ｄｉ（ｔ）を抽出する。そして、電力需要Ｄｉ（ｔ）を電力需要Ｄ０（ｔ）で除算することで、価格弾力性Ｅｉ（Ｔｍａｘ）を得る。

次に、上述した手法で計算された価格弾力性Ｅｉ（ｔ）を価格弾力性データベース１４に記憶する（ステップＳ４）。このステップＳ４の処理において、まず価格弾力性データベース１４について説明し、その後、価格弾力性データベース１４に価格弾力性Ｅｉ（ｔ）を記憶させる手法について説明する。

図６は、価格弾力性データベース１４に記憶されるデータ構成例を示している。価格弾力性データベース１４の価格弾力性データは、適応月特定部３２とマトリクス部３３とを有している。適応月特定部３２はマトリクス部３３の期間を特定する。ここでは、期間は「月」であるものとし、図６では「７月」の価格弾力性Ｅのデータを示している。期間は「月」だけでなく、「週」や「年」、「季節」等であってもよい。ただし、価格弾力性Ｅのデータ数を多くするために、ある程度長い期間、例えば「月」や「季節」等であることが望ましい。

図６の例では、「７月」のマトリクス部３３を示しているが、価格弾力性データベース１４は他の月（「８月」や「９月」等）のマトリクス部３３も有している。
マトリクス部３３は、レベルｉごと且つ最高気温Ｔｍａｘごとに価格弾力性Ｅｉ（ｔ；ここではｔ＝Ｔｍａｘ）を記憶している。図６に示すように、レベルｉ（図中のデマンドレスポンスレベルｉ）はレベル０〜レベル４の５段階に分けられている。一方、最高気温は、「３１[℃]以下」、「３２[℃]±１[℃]」、「３４[℃]±１[℃]」、「３５[℃]以上」の４つに分かれている。ここでは、最高気温Ｔｍａｘを４つに分けているが、４つ以外に分けてもよい。

そして、図６に示すような価格弾力性データベース１４のマトリクス部３３に、ステップＳ３で算出された価格弾力性Ｅｉ（Ｔｍａｘ）が記憶されていく。価格弾力性算出部１３は実績データベース１２を参照して、レベルｉごと且つ最高気温Ｔｍａｘごとに価格弾力性Ｅｉ（Ｔｍａｘ）を算出している。従って、算出された価格弾力性Ｅｉ（Ｔｍａｘ）がマトリクス部３３の対応する箇所に記憶されていく。

例えば、価格弾力性Ｅｉ（Ｔｍａｘ）がＥ２（３４）であれば、マトリクス部３３のうちレベルｉが「２」の箇所、且つ最高気温Ｔｍａｘが「３４[℃]±１[℃]」の箇所に記憶される。これにより、価格弾力性データベース１４が作成される。

なお、最高気温Ｔｍａｘが上記のように所定の範囲となっている場合には、当該範囲の中に複数の価格弾力性Ｅｉ（Ｔｍａｘ）が含まれることがある。その場合には、例えば、複数の価格弾力性Ｅｉ（Ｔｍａｘ）の平均値を代表値とする。

また、図６の例ではレベル０からレベル２に変更したときの価格弾力性Ｅｉ（Ｔｍａｘ）を示しているが、この例に限らない。例えば、レベル１からレベル２に変更したときの価格弾力性Ｅｉ（Ｔｍａｘ）であっても構わない。

次に、実績データベース１２を参照して需要予測を行う（ステップＳ５）。上述したように、電力需要予測装置３はネットワーク２を介して気象予報サイトから予測対象日データと気象予報データとを入力する。予測対象日データは、年月日、曜日、平日／休日等のデータであり、気象予報データは、予測対象日における気温、湿度、風速、天候等の気象条件のデータである。

そして、電力需要予測部１６は、実績データベース１２を参照し、実績データベース１２と予測対象日データと気象予報データとに基づき、ニューラルネットワーク等を用いて、需要予測モデルを算出する。電力需要予測部１６は、この需要予測モデルに基づいて、需要予測を行うことで、予測対象日における電力需要予測値を得る。これにより、需要予測が行われる。

次に、価格弾力性データベース１４を参照して、価格弾力性Ｅｉ（Ｔｍａｘ）を決定する（ステップＳ６）。価格弾力性決定部１５は、データ入力部１１から入力されたレベルｉを入力している。また、電力需要予測装置３は、気象予報サイトから予測対象日の気象条件を入力しており、価格弾力性決定部１５は最高気温Ｔｍａｘを得ることができる。

価格弾力性決定部１５は、価格弾力性データベース１４から、レベルｉおよび最高気温Ｔｍａｘに一致した価格弾力性Ｅｉ（Ｔｍａｘ）を抽出する。これにより、価格弾力性決定部１５により価格弾力性Ｅｉ（Ｔｍａｘ）が決定される。

次に、電力需要値補正部１７は、ステップＳ５で予測された電力需要予測値に対して価格弾力性Ｅｉ（Ｔｍａｘ）を用いて補正を行う（ステップＳ７）。
電力需要予測部１６が算出した電力需要予測値と価格弾力性決定部１５が決定した価格弾力性Ｅｉ（Ｔｍａｘ）とが電力需要値補正部１７に入力される。電力需要予測部１６が算出した電力需要予測値は、価格弾力性Ｅｉ（Ｔｍａｘ）を考慮していない値であり、予測値は実際の電力需要の値に対して誤差が大きい。そこで、電力需要値補正部１７は、電力需要予測部１６が算出した電力需要予測値に対して、価格弾力性Ｅｉ（Ｔｍａｘ）で補正を行う。

そして、補正後の電力需要予測値を得る（ステップＳ８）。つまり、電力需要予測値は「電力需要予測値（補正後）＝電力需要予測値（補正前）×価格弾力性Ｅｉ（Ｔｍａｘ）」となる。

図７は電力需要予測装置３の各部のデータの流れを示している。同図の「予測対象日データ、気象予報データ」は、気象予報サイトからネットワーク２を介して電力需要予測装置３に入力されている。

同図の「ＤＲを実施した需要家の実績データベース」は図１の実績データベース１２であり、「価格弾力性データベース」は図１の価格弾力性データベース１４である。また、「デマンドレスポンスのレベルの入力」は、データ入力部１１よりレベルｉの入力がされるものである。

電力需要予測部１６は、予測対象日データおよび気象予報データを入力し、実績データベース１２を参照している。従って、電力需要予測部１６は予測対象日データと気象予報データと実績データとに基づいて、ニューラルネットワーク等を用いて電力需要予測を行う。この処理は、図７の「需要予測を行う」の処理になる。電力需要予測部１６は予測した電力需要予測値を電力需要値補正部１７に出力する。

一方、図７に示すように、価格弾力性決定部１５は、予測対象日データから予測対象日のデータ（年月日、曜日、平日／休日等）を入力する。また、価格弾力性決定部１５は、予測対象日の気象予報データを入力する。ここでは、最高気温Ｔｍａｘを入力する。

価格弾力性決定部１５にはデータ入力部１１からレベルｉが入力されている。そして、価格弾力性決定部１５は価格弾力性データベース１４を検索する。価格弾力性決定部１５には予測対象日データとして年月日が入力されているため、予測対象日の「月」を認識できる。

そこで、価格弾力性決定部１５は図６に示した価格弾力性データベース１４のうち適応月が予測対象日の「月」に該当するマトリクス部３３を検索する。価格弾力性決定部１５には最高気温Ｔｍａｘおよびレベルｉが入力されているため、これら２つのデータから抽出する価格弾力性Ｅｉ（Ｔｍａｘ）を特定することができる。これが図７に示す「価格弾力性決定」の処理になる。

これにより、価格弾力性決定部１５は価格弾力性Ｅｉ（Ｔｍａｘ）を決定する。
電力需要値補正部１７は電力需要予測部１６が予測した電力需要予測値と価格弾力性Ｅｉ（ｔ）を入力している。電力需要値補正部１７は、電力需要予測値に対して価格弾力性Ｅｉ（ｔ）を乗算する。これが、図７に示す「デマンドレスポンス補正」になる。これにより、価格弾力性Ｅｉ（Ｔｍａｘ）で補正を行う前の電力需要予測値に対して、誤差を低減した正確な電力需要予測値を得ることができる。

以上説明したように、実績データベース１２にはデマンドレスポンスを実施した需要家のみの実績データベースが記憶されており、この実績データベースに基づいて、価格弾力性データベース１４の各価格弾力性Ｅｉ（Ｔｍａｘ）が得られている。そして、価格弾力性データベース１４の各価格弾力性Ｅｉ（Ｔｍａｘ）のうち予測対象日の価格弾力性Ｅｉ（Ｔｍａｘ）を抽出することで、電力需要予測値を補正することができ、正確な電力需要予測を行うことができる。

ところで、図６で示した価格弾力性データベース１４に記憶される価格弾力性Ｅｉ（Ｔｍａｘ）はレベルｉと最高気温Ｔｍａｘとの２つの要因により得られていたが、レベルｉのみで価格弾力性Ｅｉを得るようにしてもよい。つまり、電力価格単価のみで価格弾力性Ｅｉを得るようにしてもよい。上述したように、価格弾力性Ｅｉは「Ｅｉ＝Ｄｉ／Ｄ０」により求めることができる。従って、電力需要ＤｉとＤ０との気象条件が異なっていたとしても、価格弾力性Ｅｉを得ることができる。そして、この価格弾力性Ｅｉはデマンドレスポンスを実施した需要家（時間帯によって電力価格単価の変更を実施した需要家）のみの過去の実績データに基づいて得られるものである。

ただし、同じ気象条件（最高気温Ｔｍａｘ）の電力需要ＤｉおよびＤ０を用いた方が、正確な価格弾力性Ｅｉ（Ｔｍａｘ）を得ることができる。この価格弾力性Ｅｉ（Ｔｍａｘ）を価格弾力性データベース１４に蓄積することで、正確な電力需要予測を行うことが可能になる。このとき、気象条件としては最高気温Ｔｍａｘだけでなく、最低気温、最高湿度、最低湿度等を用いることができる。つまり、電力価格単価以外の要因を一致させた条件で価格弾力性Ｅｉを算出することで、より高い精度の電力需要予測を行うことが可能になる。

電力価格単価以外の要因としては、気象条件ではなく、一定の期間を用いることができる。つまり、レベルｉと一定の期間とに基づいて価格弾力性を算出して、価格弾力性データベース１４に蓄積することで、正確な電力需要予測を行うことができる。一定の期間としては、「月」や「季節」等を用いることができる。上記の説明では価格弾力性Ｅｉをレベルｉと「温度＝ｔ」、その一例として最高気温Ｔｍａｘについて求めた。例えば、レベルｉと「温度＝ｔ」と「季節」とに基づいて価格弾力性を得る場合には、温度と季節と言う２つの要因に基づいて価格弾力性が得られるため、より高い精度の電力需要予測を行うことが可能になる。

図８は、従来の電力需要予測手法により予測される電力需要の需要曲線を示している。同図（ａ）は従来の手法による価格弾力性を示し、同図（ｂ）は電力需要を示している。同図（ｂ）の破線は従来手法の予測値であり、実線は実際の電力需要の値（実際値）を示している。同図（ａ）に示すように、価格弾力性は小さい。従って、同図（ｂ）に示されるように、ピーク時間帯（電力価格単価を変更する時間帯）における予測値と実際値との間の誤差が大きくなっている。

一方、図９は、本実施形態の電力需要予測手法により予測される電力需要の需要曲線を示している。同図(ａ)に示すように、同一の気象条件に対応した価格弾力性Ｅｉ（Ｔｍａｘ）を用いて補正を行っている。この価格弾力性Ｅｉ（Ｔｍａｘ）は従来手法と比較して大きい。これは、気象条件に対応した正確な価格弾力性を示している。そして、価格弾力性Ｅｉ（Ｔｍａｘ）を用いて補正を行っているため、同図（ｂ）に示されるように、実際値と予測値とはほぼ同じになり、誤差を低減することができる。これにより、正確な電力需要の予測を行っている。
＜Ｂ：本発明の第２の実施形態＞
デマンドレスポンスの実施期間が長い場合には、実績データベース１２に多くの実績データが蓄積され、統計的な処理の精度が高くなり、正確な電力需要予測を行うことができる。しかしながら、デマンドレスポンスの実施期間が短いような場合には、データ数が少なくなるため、統計的な処理において精度が低下する。

本実施形態では、蓄積されたデータ数が少ないような場合においても、正確な価格弾力性Ｅｉ（Ｔｍａｘ）を算出する。上述した第１の実施形態では、同一の気象条件（最高気温）である「Ｔｍａｘ」のときの価格弾力性Ｅｉ（Ｔｍａｘ）を算出していた。つまり、最高気温が「Ｔｍａｘ」の日のレベルｉの電力需要Ｄｉを最高気温「Ｔｍａｘ」の日のレベル０の電力需要Ｄ０で除算することにより、価格弾力性Ｅｉ（Ｔｍａｘ）を算出していた。

従って、最高気温が「Ｔｍａｘ」の日のレベルｉの電力需要Ｄｉと最高気温が「Ｔｍａｘ」の日のレベル０の電力需要Ｄ０との両者が揃っていなければ、価格弾力性Ｅｉ（Ｔｍａｘ）を算出することができない。

そこで、本実施形態では、データ数が少ない場合でも、回帰式により気象条件を補正することで、正確な価格弾力性Ｅｉ（Ｔｍａｘ）を算出する。図１０に示すように、本実施形態の価格弾力性算出部１３はレベルｉデータ抽出部４１とレベル０データ抽出部４２と回帰式作成部４４と気象類似日抽出部４３と気象条件補正部４５と算出部４６とを備えている。

レベルｉデータ抽出部４１は、レベルｉのデマンドレスポンスを実施した日の気象条件および電力需要を実績データベース１２から読み出す。また、レベル０データ抽出部４２は実績データベース１２に記憶されているレベル０の全ての日の気象条件および電力需要を実績データベース１２から読み出す。

気象類似日抽出部４３は、レベルｉの日の気象条件に近いレベル０の気象条件の日を気象類似日として抽出する。レベルｉの日の気象条件に最も近いレベル０の気象類似日から順番に１または複数の気象類似日を抽出する。気象類似日は１つであってもよいが、複数の気象類似日を抽出することが望ましい。

回帰式作成部４４は、レベル０データ抽出部４２が抽出したレベル０の全ての日の気象条件および電力需要に基づいて下記の式（２）で示す回帰式を作成する。
「電力需要＝Ａ×気象条件１＋Ｂ×気象条件２＋・・・＋定数」・・・（式２）
ただし、Ａ、Ｂ、・・・は回帰係数とする。

気象条件補正部４５は、気象類似日抽出部４３で抽出されたレベル０の気象類似日の電力需要を、気象条件および回帰係数を用いて補正する。そして、抽出されたレベル０の気象類似日が複数ある場合には、補正後の電力需要の平均値を演算する。

算出部４６は、レベルｉデータ抽出部４１が読み出したレベルｉの気象条件の電力需要を気象条件補正部４５が補正したレベル０の電力需要で除算することで、価格弾力性Ｅｉを算出する。また、レベルｉのデマンドレスポンスを実施した全ての日について価格弾力性Ｅｉを算出する。さらに、全てのレベルｉについて価格弾力性Ｅｉを算出する。これにより、価格弾力性Ｅｉ（Ｔｍａｘ）を得ることができ、レベルｉごと且つ気象条件ごとに価格弾力性データベース１４に価格弾力性データを蓄積することができる。このときのＥｉ（Ｔｍａｘ）は以下の式（３）で表される。
「Ｅｉ（気象条件１、気象条件２、・・・）＝Ｄｉ（気象条件１、気象条件２、・・・）／Ｄ０（気象条件１、気象条件２、・・・）」・・・式（３）
次に、図１１を参照して、本実施形態の処理の流れについて説明する。まず、レベルｉデータ抽出部４１は、図１１に示す「ＤＲを実施した需要家の実績データベース」、つまり図１の実績データベース１２を検索する。そして、レベルｉのデマンドレスポンスを実施した任意の１日を抽出する。これが図１１の「レベルｉの日を抽出」する処理になる。

気象条件としては、温度や湿度、天候等があるが、ここでは、レベルｉデータ抽出部４１は実績データベース１２から、例えば、最高気温Ｔｍａｘおよび最低気温Ｔｍｉｎを気象条件として読み出すものとする。

また、レベルｉデータ抽出部４１は実績データベース１２から抽出した日の電力需要Ｄｉ（Ｔｍａｘ）を読み出す。これが、図１１に示す「最高気温（Ｔｍａｘ）、最低気温（Ｔｍｉｎ）、電力需要Ｄｉ（Ｔｍａｘ）を読み出す」の処理になる。尚、気象条件の一例として最高気温Ｔｍａｘおよび最低気温Ｔｍｉｎを示したがこれに限らず、任意に設定する温度ｔを対象にしても構わない。

一方、レベル０データ抽出部４２は、レベル０の全ての日の気象条件および電力需要を実績データベース１２から読み出す。これが、図１１の「レベル０の日を抽出」の処理になる。レベル０データ抽出部４２が読み出した気象条件および電力需要は回帰式作成部４４に出力される。 回帰式作成部４４は、レベル０データ抽出部４２が抽出した気象条件および電力需要に基づいて、式（２）で示されるような回帰式を作成する。これが、図１１の「レベル０の回帰式作成」の処理になる。レベル０データ抽出部４２は複数の気象条件および電力需要を抽出しているため、複数のサンプルが得られる。これにより、回帰式を作成することができる。

ここでは、気象条件１が最高気温Ｔｍａｘ、気象条件２が最低気温Ｔｍｉｎとする。これにより、式（２）の回帰式は「電力需要＝Ａ×Ｔｍａｘ＋Ｂ×Ｔｍｉｎ＋定数」となる。

気象類似日抽出部４３はレベル０データ抽出部４２が抽出した気象条件（レベル０の全ての日の気象条件）を入力する。また、気象類似日抽出部４３はレベルｉデータ抽出部４１が抽出したレベルｉの気象条件（最高気温Ｔｍａｘおよび最低気温Ｔｍｉｎ）が入力される。ここでは、気象類似日抽出部４３はレベルｉの最高気温Ｔｍａｘに最も近いレベル０の最高気温を例えば５つ抽出するものとする（Ｔｍａｘ１〜Ｔｍａｘ５とする）。これが図１１の「気象類似日の抽出」の処理になる。

これら５つの最高気温の日が気象類似日となる。勿論、最低気温Ｔｍｉｎに近い５つの気象類似日が抽出されてもよい。また、地域によっては最高気温が同じでも最低気温が著しく異なる場合もある。そこで、最高気温と最低気温との両方が近い５つの気象類似日が抽出されてもよい。この場合、「最高気温との差」と「最低気温との差」の大きさを合算し、その大小で類似日を決定しても良い。

気象類似日が抽出され、回帰式の傾き「Ａ」が求められた後に、気象条件補正部４５は、気象類似日抽出部４３が抽出した気象類似日の電力需要に対して回帰式作成部４４で作成した回帰式で補正を行う。これが図１１の「気象類似日の需要を、Ｔｍａｘ、傾きＡを用いて補正」の処理になる。

図１２は回帰式による電力需要の補正を説明した図である。Ｄ０（Ｔｍａｘ１）〜Ｄ０（Ｔｍａｘ５）はそれぞれ気象類似日抽出部４３が抽出した気象類似日の電力需要を示している。同図の「Ａ」は回帰式の回帰係数（傾き）を示している。

そして、気象条件補正部４５はレベルｉの最高気温Ｔｍａｘとなるように、各気象類似日の電力需要Ｄ０（Ｔｍａｘ１）〜Ｄ０（Ｔｍａｘ５）を補正する。図１２に示すように、電力需要Ｄ０（Ｔｍａｘ１）を補正したときの、補正後の電力需要の最高気温はＴｍａｘになる。図１２では、電力需要Ｄ０（Ｔｍａｘ１）を補正した補正後の電力需要をＤ０−１（Ｔｍａｘ）とする。

同様に、電力需要Ｄ０（Ｔｍａｘ２）を補正した補正後の電力需要をＤ０−２（Ｔｍａｘ）とする。また、電力需要Ｄ０（Ｔｍａｘ３）を補正した補正後の電力需要をＤ０−３（Ｔｍａｘ）とする。また、電力需要Ｄ０（Ｔｍａｘ４）を補正した補正後の電力需要をＤ０−４（Ｔｍａｘ）とする。また、電力需要Ｄ０（Ｔｍａｘ５）を補正した補正後の電力需要をＤ０−５（Ｔｍａｘ）とする。

気象条件補正部４５はＤ０−１（Ｔｍａｘ）〜Ｄ０−５（Ｔｍａｘ）の代表値（例えば、平均値）を演算する。これが図１１の「すべての類似日について補正し、需要の平均を算出」の処理になる。

演算した結果をＤ０（Ｔｍａｘ）とする。このＤ０（Ｔｍａｘ）のＴｍａｘはレベルｉのＤｉ（Ｔｍａｘ）のＴｍａｘに近似する補正を行った最高気温の電力需要になる。つまり、レベル０の電力需要のデータは実績データベース１２に複数蓄積されている。そして、複数のデータから回帰式を作成して補正することで、Ｄ０（Ｔｍａｘ）を作成している。そこで、この計算値を実測値の代替として十分に用いることができる。

算出部４６はレベルｉデータ抽出部４１からＤｉ（Ｔｍａｘ）を入力し、気象条件補正部４５からＤ０（Ｔｍａｘ）を入力する。算出部４６が価格弾力性Ｅｉ（気象条件１、気象条件２、・・・）を算出するときには、上述した式（４）で表されるが、ここでは、価格弾力性Ｅｉ（Ｔｍａｘ）は「Ｅｉ（Ｔｍａｘ）＝Ｄｉ（Ｔｍａｘ）／Ｄ０（Ｔｍａｘ）」となる。算出部４６はレベルｉの全ての日について価格弾力性Ｅｉ（Ｔｍａｘ）を算出する。これが、図１１の「価格弾力性を算出」の処理になる。

上述したように、レベルｉの日は任意の１日を抽出していたが、価格弾力性データベース１４を作成するために、レベルｉの全ての日について価格弾力性Ｅｉ（Ｔｍａｘ）を算出する。これが、図１１の「レベルｉの全ての日について算出」の処理になる。

上述したように、価格弾力性データベース１４は各レベルｉについて記憶されるため、全てのレベルｉについて価格弾力性Ｅｉ（Ｔｍａｘ）を算出する。これが、図１１の「すべてのレベルについて算出」の処理になる。

これにより、図５で示したように、レベルｉごと且つ最高気温Ｔｍａｘごとに価格弾力性Ｅｉ（Ｔｍａｘ）が整理されたマトリクス部３３が作成される。本実施形態では、レベルｉのデマンドレスポンスを実施した日の最高気温とレベル０の日の最高気温とが等しくない場合でも、回帰式を用いて、レベル０の日の最高気温の電力需要を補正することで、高精度な価格弾力性Ｅｉ（Ｔｍａｘ）を算出することが可能になる。このため、デマンドレスポンスの実施期間が短い場合等、実績データベース１２の実績データが少ない場合でも価格弾力性Ｅｉ（Ｔｍａｘ）を算出することが可能になる。その結果、価格弾力性データベース１４に価格弾力性データを蓄積することが可能になる。

１ スマートメーター
２ ネットワーク
３ 電力需要予測装置
１１ データ入力部
１２ 実績データベース
１３ 価格弾力性算出部
１４ 価格弾力性データベース
１５ 価格弾力性決定部
１６ 電力需要予測部
１７ 電力需要値補正部
４１ レベルｉデータ抽出部
４２ レベル０データ抽出部
４３ 気象類似日抽出部
４４ 回帰式作成部
４５ 気象条件補正部
４６ 算出部

Claims (8)

1. 時間帯によって電力価格単価の変更を実施した需要家のみの過去の電力需要を前記電力価格単価と対応させて実績データとして記憶する実績データ記憶部と、
   前記実績データに基づいて前記電力価格単価を変更しない時の電力需要と、前記電力価格単価を変更した時の電力需要と、の比率を価格弾力性として算出する価格弾力性算出部と、
   前記電力価格単価ごとに前記価格弾力性を記憶する価格弾力性記憶部と、
   前記電力需要の予測対象日の電力価格単価に対応する価格弾力性を前記価格弾力性記憶部から決定する価格弾力性決定部と、
   前記予測対象日の電力需要予測値を予測する電力需要予測部と、
   前記電力需要予測部が予測した前記電力需要予測値に対して前記価格弾力性決定部が決定した前記価格弾力性で補正する電力需要値補正部と、
   を備えた電力需要予測装置。
2. 前記価格弾力性算出部は前記電力価格単価以外の要因ごとに前記価格弾力性を算出し、
   前記価格弾力性記憶部は前記電力価格単価ごと且つ前記要因ごとに前記価格弾力性を記憶し、
   前記電力需要値補正部は、前記予測対象日の前記電力価格単価と前記要因とに対応する前記価格弾力性を読み出して補正を行う、
   請求項１記載の電力需要予測装置。
3. 前記要因は気象条件または一定の期間である、
   請求項２記載の電力需要予測装置。
4. 前記価格弾力性算出部は、
   前記電力価格を変更した日の気象条件に対して前記電力価格を変更しない日の気象条件に最も近いものから順番に１または複数の日を気象類似日として前記実績データ記憶部から抽出する気象類似日抽出部と、
   前記電力価格を変更しない日の電力需要と前記気象条件とに基づいて回帰式を作成する回帰式作成部と、
   前記回帰式を用いて前記１または複数の気象類似日の前記電力需要を補正する気象条件補正部と、
   前記気象条件補正部により補正された電力需要と、前記電力価格単価を変更した時の電力需要と、の比率を前記価格弾力性として、前記電力価格単価を変更した日ごと且つ前記電力価格単価ごとに算出する算出部と、
   を備えた請求項１記載の電力需要予測装置。
5. 前記回帰式は、以下の式（１）で示されるものである、
   「電力需要＝Ａ×気象条件１＋Ｂ×気象条件２＋・・・＋定数」・・・（式１）
   ただし、Ａ、Ｂ、・・・は回帰係数を示す
   請求項４記載の電力需要予測装置。
6. 前記気象条件補正部は、前記回帰式を用いて複数の気象類似日の前記電力需要を補正し、補正後の各電力需要の代表値の演算を行う、
   請求項４記載の電力需要予測装置。
7. 時間帯によって電力価格単価の変更を実施した需要家のみの過去の電力需要を前記電力価格単価と対応させて実績データとして記憶し、
   前記実績データに基づいて前記電力価格単価を変更しない時の電力需要と、前記電力価格単価を変更した時の電力需要と、の比率を価格弾力性として算出し、
   前記電力価格単価ごとに前記価格弾力性を記憶し、
   前記電力需要の予測対象日の電力価格単価に対応する価格弾力性を決定し、
   前記予測対象日の電力需要予測値を予測し、
   前記電力需要予測値に対して前記価格弾力性で補正する、
   電力需要予測方法。
8. コンピュータに、
   時間帯によって電力価格単価の変更を実施した需要家のみの過去の電力需要を前記電力価格単価と対応させて実績データとして記憶する手順、
   前記実績データに基づいて前記電力価格単価を変更しない時の電力需要と、前記電力価格単価を変更した時の電力需要と、の比率を価格弾力性として算出する手順、
   前記電力価格単価ごとに前記価格弾力性を記憶する手順、
   前記電力需要の予測対象日の電力価格単価に対応する価格弾力性を決定する手順、
   前記予測対象日の電力需要予測値を予測する手順、
   前記電力需要予測値に対して前記価格弾力性で補正する手順、
   を実行させるための電力需要予測プログラム。