JP6245030B2

JP6245030B2 - 消費電力予測方法、消費電力予測プログラム及び消費電力予測装置

Info

Publication number: JP6245030B2
Application number: JP2014066873A
Authority: JP
Inventors: 由起子関; 園田　俊浩; 俊浩園田
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2014-03-27
Filing date: 2014-03-27
Publication date: 2017-12-13
Anticipated expiration: 2034-03-27
Also published as: JP2015192502A

Description

本発明は、消費電力の予測を行う消費電力予測方法、消費電力予測プログラム及び消費電力予測装置に関する。

今般の電力事情に伴い、事業所の各日の電力需要について、ピーク値の予測だけではなく、１日の電力需要が時刻・時間帯によってどのように変動しそうかを詳しく把握したいという要望がある。１日の事業所の電力需要時系列には、「午前中がこのくらいの電力需要の場合は、午後はこのくらいの電力需要になる」といった変動パターンが何通りか存在し、その日の状況によってそれらのうちの１つが出現する傾向がある。その点に着目して、本願発明者は、事業所の電力需要時系列について、各日に出現しそうな何通りかの日内変動パターンをリストアップし、その中で最も出現しそうなパターンを精度良く予測する予測装置等を提案している（特許文献１）。

特開２０１３−１１４６２９号公報

しかしながら、上述の従来技術には以下の様な課題がある。季節の変わり目等に、それまでと異なる日内変動パターンが急に出現し始めること（以下、「状態変化」ともいう。）がある。その際、従来法では、適切な日内変動パターンを選び出せず、精度良い予測日内変動パターンが作り出せないことがある。そして、状態変化後しばらくの間、それを繰り返すことがある。

１つの側面では、本発明は予測精度の悪化を抑える消費電力予測方法等を提供することを目的とする。

１つの態様では、消費電力予測方法は、所定の時刻から始まる２４時間を日の単位とし、消費電力及び時刻が対応付けられた１単位日毎の実績時系列の複数日分を、所定数の群に非類似度を用いて分類してある時系列群及び該時系列群に含まれる実績時系列より算出した代表時系列を取得し、予測対象単位日における第１の時間帯における消費電力と時刻とを含む参照時系列を取得し、過去の消費電力予測の結果に基づき、消費電力の傾向に変化が現れている状態変化時又は前記変化は現れていない通常時のいずれかに設定されている出現状態情報を取得し、取得した出現状態情報が状態変化時であるとき、取得した参照時系列と、予測対象単位日Ｎ日前（ＮはＮ＞２の自然数）から予測対象単位日前日までのＮ個の実績時系列それぞれとの非類似度を算出し、算出した非類似度が最小である１の実績時系列を特定し、特定した実績時系列と前記代表時系列それぞれとの非類似度を算出し、算出した非類似度が最小である代表時系列を選択し、選択した代表時系列の前記第１の時間帯に続く第２の時間帯に対応する部分を、前記予測対象単位日の消費電力を予測した予測時系列として取得し、取得した予測時系列を出力する。

本発明の一観点によれば、日内変動パターンの出現傾向が大きく変動している状況を検知した場合、日内変動パターンの選択尺度を切り替えるので、予測精度の悪化を抑えることが可能となる。

消費電力予測装置のハードウェア構成の一例を示すブロック図である。消費電力時系列の一例を示すグラフである。消費電力時系列ＤＢのレコードレイアウトの一例を示す図である。消費電力予測処理の処理手順の一例を示すフローチャートである。Ｐｆに基づく予測時系列生成処理の処理手順の一例を示すフローチャートである。Ｎｃに基づく予測時系列生成処理の処理手順の一例を示すフローチャートである。時系列パターンの出現状態情報更新処理の処理手順の一例を示すフローチャートである。Ｐｆに基づくクラスター選択の結果を示した表である。参照時系列と過去３日分の部分時系列を示したグラフである。参照時系列と各部分時系列との非類似度の算出結果を示す表である。クラスターの選択と、各クラスターによる予測誤差を示した表である。代表クラスター、実績時系列を示したグラフである。クラスター選択方法を切り替えて予測を行った場合の結果を示すグラフである。予測成績の評価結果の一覧表である。予測結果出力の一例を示す説明図である。消費電力予測装置の機能構成例を示すブロック図である。

図１は消費電力予測装置１のハードウェア構成の一例を示すブロック図である。消費電力予測装置１は、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）１１、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）１２、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）１３、大容量記憶装置１４、通信部１５、読取部１６を含む。各構成はバスで接続されている。

ＣＰＵ１１はＲＯＭ１３に記憶された制御プログラム１Ｐに従いハードウェア各部を制御する。ＲＡＭ１２は例えばＳＲＡＭ（ＳｔａｔｉｃＲＡＭ）、ＤＲＡＭ（ＤｙｎａｍｉｃＲＡＭ）、フラッシュメモリである。ＲＡＭ１２はＣＰＵ１１によるプログラムの実行時に発生するデータを一時的に記憶する。

大容量記憶装置１４は例えばハードディスク、ＳＳＤ（ＳｏｌｉｄＳｔａｔｅＤｒｉｖｅ）である。大容量記憶装置１４は消費電力時系列ＤＢ１４１、予測時系列ＤＢ１４２、成績・状態ＤＢ１４３を記憶する。また、制御プログラム１Ｐを大容量記憶装置１４に記憶するようにしておいても良い。なお、消費電力時系列ＤＢ１４１、予測時系列ＤＢ１４２、成績・状態ＤＢ１４３は、消費電力予測装置１とネットワークＮを介して接続された他のコンピュータに記憶しておいても良い。

通信部１５はネットワークＮを介して、他のコンピュータと通信を行う。読取部１６はＣＤ（ＣｏｍｐａｃｔＤｉｓｋ）−ＲＯＭ、ＤＶＤ（ＤｉｇｉｔａｌＶｅｒｓａｔｉｌｅＤｉｓｃ）−ＲＯＭを含む可搬型記憶媒体１ａを読み取る。ＣＰＵ１１が読取部１６を介して、制御プログラム１Ｐを可搬型記憶媒体１ａより読み取り、大容量記憶装置１４に記憶しても良い。また、ネットワークＮを介して他のコンピュータからＣＰＵ１１が制御プログラム１Ｐをダウンロードし、大容量記憶装置１４に記憶しても良い。さらにまた、半導体メモリ１ｂから、ＣＰＵ１１が制御プログラム１Ｐを読み込んでも良い。

以下の説明では、所定の時刻から始まる２４時間を日の単位とする。そして、それぞれの日を単位日と呼ぶ。例えば、午前６時を開始時刻とした場合、午前６時から翌午前６時までが１単位日となる。また、予測を行う日のことを予測対象単位日又は予測対象日と呼ぶ。本実施の形態においては、午前０時から翌午前０時までの２４時間を１単位日とするので、単位日と暦上の１日は一致している。

図２は消費電力時系列の一例を示すグラフである。図３は消費電力時系列ＤＢ１４１のレコードレイアウトの一例を示す図である。図２の横軸は日時、縦軸は消費電力の時系列値である。図２、図３に示す時系列値は、実際に観測された消費電力の値を、基準となる電力値を１としたときの比の値であるから単位は無次元である。消費電力の値は、例えば、毎時の０〜２９分における消費電力の最大値をａ（Ｋｗ）、３０〜５９分における消費電力の最大値をｂ（Ｋｗ）としたとき、２つの値の平均値＝（ａ＋ｂ）／２を、次の正時（０分）の値として記録したものである。例えば、１０時０分から１０時２９分までの消費電力の最大値、及び１０時３０分から１０時５９分までの消費電力の最大値の平均値が、１１時０分の値として記録されている。なお、本実施の形態において、消費電力を計測する対象は企業の事業所を想定している。土日、祝日の休業日については消費電力の記録、予測を行わない。そのため、図２、図３に示すデータは抜けている日付がある。

本実施の形態で扱う消費電力の時系列値は、実際に計測された値を、その日に計測された最大値で割った値とする。予測対象日当日については、予測を行う時点では最大値は確定していないから、時系列値は過去１週間前までの各営業日の最大値の平均値で割った値とする。時系列値を比の値とするのは、日毎に値のバラツキがあったとしても、ある日の値の変動傾向と、別の日の値の変動傾向とが比較できるように、値を正規化するためである。なお、以降の説明においては、特に明記しない限り、消費電力の値については、正規化された比の値を示すものとする。

矩形ｄ０は８月２４日一日分の時系列を囲んだものである。矩形ｄ１は８月２４日の６時から２０時まで時系列を囲んだものである。矩形ｄ３は予測を行う９月２７日の６時から２０時まで時系列を囲んだものである。

時系列は３つの時間帯に分けられている。参照時間帯（第１の時間帯）、予測時間帯（第２の時間帯）、その他の時間帯である。参照時間帯は６時から９時であり、この時間帯は予測を行わない。参照時間帯の消費電力の値は、予測時間帯の消費電力を予測するのに用いられる。予測時間帯は１０時から２０時までであり、消費電力の予測を行う時間帯である。予測時間帯では、消費電力の値を消費電力時系列ＤＢ１４１に記憶することも行われる。その他の時間帯は、２１時から翌日５時までである。その他の時間帯については、消費電力の値を消費電力時系列ＤＢ１４１に記憶する。

参照時間帯、予測時間帯、その他の時間帯についての設定は、予測の目的に応じて定めれば良い。本実施の形態では、毎朝、当日の夜までの消費電力の予測を行うのが目的であるため、上述のような設定となっている。また、予測を行うに際しては、予測日当日の前日から、何日前まで遡ったデータを用いるかを決める必要がある。本実施の形態では、２８日前までとする。なお、休業日については計測データがないため、予測日によっては、予測に用いる過去の計測データ数が変動する場合あるが、それを許容するものとする。すなわち、過去の計測データ数が少ないとしても、２８日前よりも過去のデータは使用しないものとする。これは、あまり過去まで遡ってしまうと、消費電力の変動パターンが直近の変動パターンとは大きく異なるものが含まれてしまう可能性があり、精度の低下に繋がるおそれがあるからである。以上の設定はあくまでも一例である。例えば、毎朝６時から９時までの時系列を用いて、その日の１０時から翌日の２０時までの消費電力を予測しても良い。なお、参照時間帯、予測時間帯、その他の時間帯の設定する、何日前まで遡った計測データを用いるかを決定するに当たっては、過去のデータを用いた予備実験を行い、望まれる精度で予測が可能であるか否かを見極めることが望ましい。

図３に示すように消費電力時系列ＤＢ１４１は、日時欄、値欄を含む。日時欄は日付と、毎正時の時刻とが記憶される。値欄は、消費電力の実績値が記憶される。

本実施の形態では、９月２７日の予測を行うものとする。すなわち、９月２７日の６時から９時までの実績値から、１０時から２０時までの予測を行うものとする。

図４は消費電力予測処理の処理手順の一例を示すフローチャートである。消費電力予測装置１のＣＰＵ１１は、参照時系列、学習用部分時系列を、消費電力時系列ＤＢ１４１より取得する（ステップＳ１）。参照時系列は、予測日当日の６時から９時のデータである。図３において、１４１ａの符号を付した矩形内のデータである。学習用部分時系列（以下、「部分時系列」と記す。）は、予測日当日の前日から、２８日前までの時系列データであって、参照時間帯及び予測時間帯の実績のデータである。ここでは、８月３０日から９月２６日までの時系列データであって、各日の１０時から２０時までのデータである。

まず、ＣＰＵ１１は、部分時系列の任意の２つについて非類似度を算出する（ステップＳ２）。非類似度ｄｉｓｔＲＰ（ｓ_i，ｓ_j）の算出は、例えば以下の式（１）に従い行う。

ここで、ｒｅｆｅｒは参照時間帯を、ｐｒｅｄは予測時間帯を示す。時間帯ｐｅｒｉｏｄの時点数をｎｕｍ（ｐｅｒｉｏｄ）で表す。ｓ_i［ｔ］は、部分時系列ｓ_i上の時刻ｔの値を示す。非類似度の算出はすべての組み合わせについて行う。

次に、ＣＰＵ１１は、求めた非類似度を用いて、学習用部分時系列のクラスタリングを行う（ステップＳ３）。本実施の形態では、５個のクラスター（時系列群）に分類する。例えば、各クラスターＣ_kにおいて、Ｃ_kに属する部分時系列の各時点での平均値を中心点とする、クラスター数Ｋのｋ−ｍｅａｎｓ法によってクラスタリングする。なお、最初のＫ個の中心点はＫＫＺ法によって生成する。これに限られず、他のクラスタリング手法を用いても良い。

なお、クラスターの個数については、予備実験の結果に基づいて、対象となる事業所の時系列パターンに合ったクラスター数を決める。例えば、ある事業所の場合、だいたい（１）休み明け、（２）休日前、（３）定時退社日、（４）それ以外の日の４パターンに分かれるとする。この場合、さらに、４パターン以外の変則的なパターンの出現可能性を考慮すると、４に１加算した５つのクラスター数に分けると、良い予測精度が得られる。その他のクラスター数の決め方としては、スタージェス（Ｓｔｕｒｇｅｓ）の公式（要素数Ｎに対して、（１＋ｌ_og2Ｎ）をクラスター数とする）等を用いることも可能である。

続いて、ＣＰＵ１１は、各クラスターの代表時系列ｒｅｐ（Ｃ_k）を生成する（ステップＳ４）。例えば、クラスターＣ_kに属する部分時系列の各時点での平均値を取ったものを代表時系列ｒｅｐ（Ｃ_k）とする。

さらに、ＣＰＵ１１は、出現状態が通常時であるか否かを判定する（ステップＳ５）。通常時とは、消費電力の傾向に変化はなく、従来法による予測が有効と想定される状態をいう。状態変化時は、部分時系列パターンを大きく変動させる要因が発生したために、消費電力の傾向に変化が現れている場合である。状態変化時は、消費電力の傾向に変化があるため、従来法による予測では予測精度が悪化してしまうことが想定される。

ＣＰＵ１１は、出現状態が通常時であると判定した場合（ステップＳ５でＹＥＳ）、従来法であるＰｆに基づく予測時系列を生成する（ステップＳ６）。ＣＰＵ１１は、続いて、生成した予測時系列を表示し（ステップＳ７）、予測時系列（通常予測時系列）を予測時系列ＤＢ１４２に記憶し（ステップＳ１１）、処理を終了する。なお、予測時系列ＤＢ１４２のレコードレイアウトは、消費電力時系列ＤＢ１４１と同様である。

ＣＰＵ１１は、出現状態が状態変化時と判定した場合（ステップＳ５でＮＯ）、Ｎｃに基づく予測時系列を生成する（ステップＳ８）。ＣＰＵ１１は、続いて、生成した予測時系列を表示する（ステップＳ９）。さらに、Ｐｆに基づく予測時系列の生成も行う（ステップＳ１０）。そして、生成したＰｆに基づく予測時系列を予測時系列ＤＢ１４２に記憶し（ステップＳ１１）、処理を終了する。

次に、Ｐｆに基づく予測時系列の生成処理について説明する。図５はＰｆに基づく予測時系列生成処理の処理手順の一例を示すフローチャートである。まず、ＣＰＵ１１は参照時系列、クラスター間の非類似度を算出する（ステップＳ２１）。クラスターは図４のステップＳ３で求めたクラスターである。すべてのクラスターについて、参照時系列との非類似度を計算する。

まず、各クラスターに含まれる時系列ｓ_ｉと参照時系列の非類似度ｄｉｓｔＲ（ｓ_i，Ｔ_p）の算出を行う。非類似度ｄｉｓｔＲ（ｓ_i，Ｔ_p）の算出は、例えば、以下の数式（２）に従って行う。

ここで、Ｔ_pは予測対象日を表す。ｓ_p［ｔ］は予測対象日の部分時系列を示す。予測を実行する時点では、参照時間帯（ｒｅｆｅｒ）の消費電力は明らかになっている。各クラスタについて、クラスタに含まれるすべての時系列について、非類似度ｄｉｓｔＲ（ｓ_i，Ｔ_p）の算出を行う。

求めた非類似度ｄｉｓｔＲ（ｓ_i，Ｔ_p）を用いて、クラスターと参照時系列との非類似度ＤｉｓｔＲ（Ｃ_k，Ｔ_p）を算出する。非類似度ＤｉｓｔＲ（Ｃ_k，Ｔ_p）の算出は、以下の数式（３）に従って行う。

ここで、ｋ＝０から５の自然数である。Ｃ_kはクラスターを示す。ｓ_k（j）は、クラスタ−Ｃ_kに含まれる部分時系列を示している。

次に、ＣＰＵ１１はクラスターの選択を行う（ステップＳ２３）。まず、各クラスタ−について、ステップＳ２１で求めた非類似度ＤｉｓｔＲ（Ｃ_k，Ｔ_p）及びクラスターのメンバー数に基づいて、予測対象日Ｔ_ｐに対するクラスターの実現度Ｐｒｅｆ（Ｃ_k，Ｔ_p）を算出する（ステップＳ２２）。実現度Ｐｒｅｆ（Ｃ_k，Ｔ_p）の算出は、以下の数式（４）に従って行う。

ここで、ｎｕｍ（Ｓ）＝ｎｕｍ（Ｃ_０）＋ｎｕｍ（Ｃ_１）…＋ｎｕｍ（Ｃ_４）、総メンバー数である。

ＣＰＵ１１は実現度が最大のクラスターを選択する。ＣＰＵ１１は選択されたクラスターの代表時系列の予測時間帯に対応する部分を予測時系列として生成し（ステップＳ２４）、処理を呼び出し元に戻す。

次に、Ｎｃに基づく予測時系列生成処理について説明する。図６は、Ｎｃに基づく予測時系列生成処理の処理手順の一例を示すフローチャートである。まず、ＣＰＵ１１は予測対象日の前日から、予測対象日のｃ日前までの部分時系列を取得する（ステップＳ３１）。本実施の形態においては、ｃ＝３とする。部分時系列の時間帯は、参照時間帯及び予測時間帯である。続いて、ＣＰＵ１１は、参照時系列と取得した各部分時系列との非類似度を算出する（ステップＳ３２）。非類似度ｄｉｓｔＰ（ｓ_i，Ｔ_p）の算出は、上述の数式（２）に従って行う。そのため、ステップＳ３２に到達する前に、既に算出が行われておりＲＡＭ１２や大容量記憶装置１４に記憶されているものについては、記憶されている値を再利用可能であるので、算出は省略可能である。

引き続いて、ＣＰＵ１１は、算出した非類似度ｄｉｓｔＰ（ｓ_i，Ｔ_p）の中で最小値となった部分時系列を選択する（ステップＳ３３）。次に、ＣＰＵ１１は、各クラスターについて、代表時系列と選択した部分時系列の予測時間帯の非類似度を算出する（ステップＳ３４）。非類似度ｄｉｓｔＰ（ｒｅｐ（Ｃ_k），ｓ_ic）の算出は、以下の数式（５）に従って行う。

ここで、ｓ_iをクラスターの代表時系列、ｓ_jを選択した部分時系列として、算出を行う。

次に、ＣＰＵ１１は、部分時系列との非類似度が最小のクラスターを選択する（ステップＳ３５）。そして、ＣＰＵ１１は、選択したクラスターより、予測時系列を生成し（ステップＳ３６）、処理を呼び出し元に戻す。予測時系列は、選択したクラスターの代表時系列の予測時間帯の部分である。以上のように図４から図６に示した処理により、消費電力予測装置１は予測対象日の参照時間帯経過後（９時経過後）に、その日の予測時間帯（１０時から２０時）の消費電力の予測を行うことが可能となる。

次に、時系列パターンの出現状態情報の更新について、説明する。時系列パターンの出現状態情報の更新は、予測対象日の予測時間帯経過後に行われる処理である。出現状態の更新は予測時系列に対応する実績時系列の取得が必要であり、予測時間帯経過後でなければ、実績時系列は取得できないからである。

図７は時系列パターンの出現状態情報更新処理の処理手順の一例を示すフローチャートである。消費電力予測装置１のＣＰＵ１１は、評価対象となる予測対象日のＰｆに基づく予測時系列及び実績時系列を取得する（ステップＳ４１）。ＣＰＵ１１は取得した予測時系列の予測成績を算出する（ステップＳ４２）。予測成績値は、例えば、ＭＡＤ（ＭｅａｎＡｂｓｏｌｕｔｅＤｅｖｉａｔｉｏｎ平均絶対偏差）の値とする。この場合、予測成績値の算出は、以下の数式（６）に従い行う。

ここで、ｓは予測時系列、ｓ_pは実績時系列、Ｔ_pは予測対象日、ｐｒｅｄは予測時間帯、ｎｕｍ（ｐｒｅｄ）は時間帯ｐｒｅｄの時点数、ｓ［ｔ］は、予測時系列ｓ上の時刻ｔの値を示す。同様にｓ_p［ｔ］は、実績時系列ｓ_p上の時刻ｔの値を示す。

次に、ＣＰＵ１１は算出した予測成績が基準を満たすか否かを判定する（ステップＳ４３）。ここでは、予測成績値が、０．０７より小さければ、ＣＰＵ１１は予測成績が基準を満たすと判定する。予測成績値が０．０７以上であれば、ＣＰＵ１１は予測成績が基準を満たさないと判定する。ＣＰＵ１１は予測成績が基準を満たすと判定した場合（ステップＳ４３でＹＥＳ）、ｐｆ＿ｃｏｕｎｔｅｒ（カウンタ）が０を越えているか否かを判定する（ステップＳ４４）。ｐｆ＿ｃｏｕｎｔｅｒが０を越えている場合（ステップＳ４４でＹＥＳ）、ＣＰＵ１１はｐｆ＿ｃｏｕｎｔｅｒを１減算する（ステップＳ４５）。ＣＰＵ１１はｐｆ＿ｃｏｕｎｔｅｒが０であるか否かを判定する（ステップＳ４６）。ｐｆ＿ｃｏｕｎｔｅｒが０である場合（ステップＳ４６でＹＥＳ）、ＣＰＵ１１は出現状態を通常時とする（ステップＳ４７）。ｐｆ＿ｃｏｕｎｔｅｒが０でない場合（ステップＳ４６でＮＯ）、ＣＰＵ１１は処理を終了する。ステップＳ４４でｐｆ＿ｃｏｕｎｔｅｒが０以下であると判定された場合（ステップＳ４４でＮＯ）、ＣＰＵ１１は処理を終了する。

ＣＰＵ１１は予測成績が基準を満たさないと判定した場合（ステップＳ４３でＮＯ）、ＣＰＵ１１はｐｆ＿ｃｏｕｎｔｅｒが２を下回っているか否かを判定する（ステップＳ４８）。ｐｆ＿ｃｏｕｎｔｅｒが２を下回っている場合（ステップＳ４８でＹＥＳ）、ＣＰＵ１１はｐｆ＿ｃｏｕｎｔｅｒを１加算する（ステップＳ４９）。ＣＰＵ１１はｐｆ＿ｃｏｕｎｔｅｒが２であるか否かを判定する（ステップＳ５０）。ｐｆ＿ｃｏｕｎｔｅｒが２である場合（ステップＳ５０でＹＥＳ）、ＣＰＵ１１は出現状態を状態変化時とする（ステップＳ５１）。ｐｆ＿ｃｏｕｎｔｅｒが２でない場合（ステップ５０でＮＯ）、ＣＰＵ１１は処理を終了する。ステップＳ４８でｐｆ＿ｃｏｕｎｔｅｒが２以上である場合（ステップＳ４８でＮＯ）、ＣＰＵ１１は処理を終了する。

図７で示した処理により、予測成績が２日間連続で基準を満たさない場合、出現状態は状態変化時と設定される。予測成績が２日間連続で基準を満たした場合、出現状態は通常時と設定される。なお、基準値である０．０７は一例である。基準値は実験を行った上で、適切な値を設定する。出現状態を切り替えるための閾値である２の値についても、実験を行った上で適切な値を設定する。

次に、図２、図３に示したデータを用いた場合の予測時系列の算出について説明する。ここでの算出条件は次の通りである。参照時間帯は６時から９時、予測時間帯は１０時から２０時である。予測に使用するデータは、予測対象日前日から２８日前までの営業日のデータ、クラスタリングのクラスター数は５である。予測対象日は９月２７日、２８日前までの営業日数１９日である。

図８はＰｆに基づくクラスター選択の結果を示した表である。クラスターメンバー数は、クラスターＣ_０が７（８月３０日、８月３１日、９月３日、９月１１日、９月１２日、９月１３日、９月１４日）、Ｃ_１が２（９月２４日、９月２５日）、Ｃ_２が４（９月７日、９月１９日、９月２０日、９月２１日）Ｃ_３が５（９月４日、９月５日、９月６日、９月１０日、９月１８日）、Ｃ_４が１（９月２６日）である。予測対象日（Ｔｐ）の参照時系列と、各クラスター（Ｃｋ）との非類似度は、クラスターＣ_０から順に、０．２９１９、０．２３６７、０．２３５７、０．３１５５、０．１９１３である。非類似度の最小値を取ったのは、クラスターＣ_４である。しかしながら、実現度Ｐｒｅｆ（Ｃ_k，Ｔ_p）はクラスターＣ_０から順に、０．２４１４、０．０８５、０．１７０８、０．１５９５、０．０５２６であり、クラスターＣ_０が最も大きな値を取るため、クラスターＣ_０が選ばれる。ここで、９月２７日の実績時系列を用いて、各クラスターの代表時系列に予測誤差（ＭＡＤ）を求めると、クラスターＣ_０から順に、０．１４８６、０．０８６６、０．１０２０、０．１３９７、０．０６４６となり、最小値となるクラスターはクラスターＣ_４であることが判明する。すなわち、選択すべき最良クラスターはＣ_４であった。

次に、Ｎｃに基づくクラスター選択について説明する。ここで、クラスターを選択するために用いるデータ数（ｃ）は３とする。すなわち、予測対象日の前日から過去３日分を用いる。図９は参照時系列と過去３日分の部分時系列を示したグラフである。横軸が時刻、縦軸が実績値である。予測対象日９月２７日の参照時系列、９月２４日、９月２５日、９月２６日の過去３日分の部分時系列が示されている。図１０は、参照時系列と各部分時系列との非類似度の算出結果を示す表である。非類似度の値は、９月２４日から順に、０．２３１７、０．２４１７、０．１９１３となっており、最小値となるのは９月２６日である。部分時系列のうち、９月２６日の部分時系列が選択される。

図１１はクラスターの選択と、各クラスターによる予測誤差を示した表である。表の上段は、選択された９月２６日の部分時系列と各クラスターの代表時系列との非類似度の値を示している。クラスターＣ_０から順に、０．１１２４、０．０６９、０．０６８、０．１０６５、０．０となっている。よって、最小値０．０を取るクラスターＣ_４が選択される。表の下段は、９月２７日の実績時系列を用いて、各クラスターの代表時系列の予測誤差（ＭＡＤ）である。図８と同様である。Ｎｃによるクラスター選択では、最良クラスターＣ_４が選択されたことが分かる。図１２は代表クラスター、実績時系列を示したグラフである。図１２Ａはクラスター０の代表時系列と、９月２７日の実績時系列を示している。図１２ＢはＣ_４の代表時系列と、９月２７日の実績時系列を示している。共に横軸は時刻、縦軸は正規化された消費電力を表す値である。図１２Ａと図１２Ｂとを比較しても、クラスターＣ_４が最良クラスターであることが分かる。

図１３はクラスター選択方法を切り替えて予測を行った場合の結果を示すグラフである。横軸は日付、縦軸はＭＡＤ値またはｐｆ＿ｃｏｕｎｔｅｒの値である。グラフ１３ａは、Ｐｆによる予測とＮｃによる予測を切り替えて予測した場合の予測時系列の予測成績値（ＭＡＤ）を示している。グラフ１３ｂはＰｆによる予測時系列の予測成績値（ＭＡＤ）を示している。グラフ１３ｃはｐｆ＿ｃｏｕｎｔｅｒの値を示している。グラフ１３ｄはＮｃによる予測を実行した日を示している。図１３より明らかなように、状態変化時と判定された日については、従来のＰｆによる予測と比べてＮｃによる予測を併用する場合の方が、成績が良くなることが分かる。

図１４は予測成績の評価結果の一覧表である。予測成績の平均μ、標準偏差σ、平均＋標準偏差（μ＋σ）値を評価している。図１４の左側の３列はすべての日の予測についての評価であり、右側の３列は状態変化時と判断された日の予測についての評価である。なお、改善率は、以下の数式（７）に従って算出している。
改善率＝（Ｐｆのみの値）−（Ｐｆ−Ｎｃ切り替えの値）／（Ｐｆの値）…（７）

予測成績は値が小さいほど良いから、平均値が小さくなれば改善したといえる。標準偏差はバラつきを表す指標であるから、値が小さいほど良い。同様に平均値＋標準偏差も小さいほど良い。図１４に示す一覧より、平均値μ、標準偏差σ、平均値＋標準偏差のいずれも、値が減少している。Ｐｆのみの予測よりも、Ｎｃを併用した予測は、精度が高くなることを示している。特に、出現状態が状態変化時のみ場合には、図１４に示すように、データ全体の場合と比較しても、若干成績が向上することが明らかである。

図１５は予測結果出力の一例を示す説明図である。図１５に示すのは９月２７日の予測時系列を表示している例である。横軸は日時、縦軸は実績値又は予測値である。縦軸の値は上述のように、日毎にその日の最大の消費電力を１としたときの比の値であり、無次元である。予測時系列については、予測した消費電力値を、過去１週間前までの各営業日の最大値の平均値で割った値である。グラフ１５１は９月２７日の予測時系列である。グラフ１５２は８月３０日０時から９月２７日９時までの実績時系列である。実績時系列については、参照時間帯（６時から９時）、予測時間帯（１０時から２０時）、その他時間帯（２１時から翌５時）のいずれの時間帯の値であるのか判別できるようになっている。状態変化時マーク１５３は、出現状態が通常時ではなく、状態変化時であることを示す。図１５の例では、９月２５日、２６日、２７日が状態変化時と判定されている。２５日、２６日は、Ｐｆに基づく予測時系列と実施席時系列により、出現状態が状態変化時であると判定されたことを示し、予測対象日当日である２７日については、出現状態が状態変化時であるとの判定に基づき、Ｎｃに基づく予測時系列が出力されていることを示す。消費電力予測装置１は出力として、実績時系列及び予測時系列に加えて、状態変化時である又はあったことを示す状態変化時マーク１５３を表示するので、それを踏まえた発電計画、節電計画を実行することが可能となる。

図１６は消費電力予測装置１の機能構成例を示すブロック図である。消費電力予測装置１は、取得部１１ａ、参照取得部１１ｂ、状態取得部１１ｃ、算出部１１ｄ、特定部１１ｅ、第２算出部１１ｆ、第２取得部１１ｇを含む。ＣＰＵ１１が制御プログラム１Ｐ等を実行することにより、消費電力予測装置１は以下のように動作する。

取得部１１ａは、消費電力及び時刻が対応付けられた１単位日毎の実績時系列の複数日分を、所定数の群に非類似度用いて分類してある時系列群及び該時系列群に含まれる実績時系列より算出した代表時系列を取得する。参照取得部１１ｂは、予測対象単位日における第１の時間帯における消費電力と時刻とを含む参照時系列を取得する。状態取得部１１ｃは、過去の消費電力予測の結果に基づき、消費電力の傾向に変化が現れている状態変化時又は前記変化は現れていない通常時を示す出現状態情報を取得する。算出部１１ｄは、取得した出現状態が状態変化時であるとき、取得した参照時系列と、予測対象単位日Ｎ日前（ＮはＮ＞２の自然数）から予測対象単位日前日までのＮ個の実績時系列それぞれとの非類似度を算出する。特定部１１ｅは、算出した非類似度が最小である１の実績時系列を特定する。第２算出部１１ｆは、特定した実績時系列と前記代表時系列それぞれとの非類似度を算出する。第２取得部１１ｇは、算出した非類似度が最小である代表時系列を選択し、選択した代表時系列の前記第１の時間帯に引き続く第２の時間帯に対応する部分を、前記予測対象単位日の消費電力を予測した予測時系列として取得する。

各実施例で記載されている技術的特徴（構成要件）はお互いに組合せ可能であり、組み合わせすることにより、新しい技術的特徴を形成することができる。
今回開示された実施の形態はすべての点で例示であって、制限的なものでは無いと考えられるべきである。本発明の範囲は、上記した意味では無く、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

以上の実施の形態に関し、さらに以下の付記を開示する。

（付記１）
コンピュータにより消費電力を予測する消費電力予測方法であって、
所定の時刻から始まる２４時間を日の単位とし、
消費電力及び時刻が対応付けられた１単位日毎の実績時系列の複数日分を、所定数の群に非類似度を用いて分類してある時系列群及び該時系列群に含まれる実績時系列より算出した代表時系列を取得し、
予測対象単位日における第１の時間帯における消費電力と時刻とを含む参照時系列を取得し、
過去の消費電力予測の結果に基づき、消費電力の傾向に変化が現れている状態変化時又は前記変化は現れていない通常時のいずれかに設定されている出現状態情報を取得し、
取得した出現状態情報が状態変化時であるとき、取得した参照時系列と、予測対象単位日Ｎ日前（ＮはＮ＞２の自然数）から予測対象単位日前日までのＮ個の実績時系列それぞれとの非類似度を算出し、
算出した非類似度が最小である１の実績時系列を特定し、
特定した実績時系列と前記代表時系列それぞれとの非類似度を算出し、
算出した非類似度が最小である代表時系列を選択し、
選択した代表時系列の前記第１の時間帯に続く第２の時間帯に対応する部分を、前記予測対象単位日の消費電力を予測した予測時系列として取得し、
取得した予測時系列を出力する
消費電力予測方法。

（付記２）
前記出現状態情報が状態変化時であることを、取得した予測時系列とともに出力する
付記１に記載の消費電力予測方法。

（付記３）
前記参照時系列と、前記時系列群それぞれに含まれる実績時系列との非類似度を算出し、
算出した非類似度に基づいて、前記予測対象単位日の実績時系列として出現する可能性の高さを示す実現度を時系列群毎に算出し、
算出した実現度が最大である１の時系列群を選択し、
選択した時系列群の前記代表時系列の第２の時間帯に対応する部分を通常予測時系列として記憶し、
前記出現状態が通常時であるとき、取得した前記予測対象単位日前日までの実績時系列、予測対象単位日における参照時系列、及び通常予測時系列を出力する
付記１に記載の消費電力予測方法。

（付記４）
最新の通常予測時系列、該通常予測時系列に対応する実績時系列を取得し、
取得した実績時系列に基づき、最新の通常予測時系列の予測成績に反比例する評価値を算出し、
予測成績の悪化を示すカウンタの計数値を取得し、
算出した評価値が所定の基準値未満であり、取得した計数値が０を越えている場合、前記計数値を１減算し、減算後に計数値が０のとき、前記出現状態情報を通常時に設定し、
算出した評価値が前記基準値以下であり、取得した計数値が所定の上限値未満である場合、前記計数値を１加算し、加算後の計数値が上限値と等しいとき、前記出現状態情報を状態変化時に設定する
付記３に記載の消費電力予測方法。

（付記５）
前記Ｎは３である
付記１から４のいずれか１つに記載の消費電力予測方法。

（付記６）
前記予測時系列の評価値は、前記予測時系列と実績時系列との平均絶対偏差であり、
前記基準値は０．０７である
付記４又は５に記載の消費電力予測方法。

（付記７）
前記上限値は２である
付記４から６のいずれか１つに記載の消費電力予測方法。

（付記８）
所定の時刻から始まる２４時間を日の単位とし、
消費電力及び時刻が対応付けられた１日単位毎の実績時系列の複数日分を、所定数の群に非類似度を用いて分類してある時系列群及び該時系列群に含まれる実績時系列より算出した代表時系列を取得し、
予測対象単位日における第１の時間帯における消費電力と時刻とを含む参照時系列を取得し、
過去の消費電力予測の結果に基づき、消費電力傾向に変化が現れている状態変化時又は前記変化は現れていない通常時のいずれかに設定されている出現状態情報を取得し、
取得した出現状態情報が状態変化時であるとき、取得した参照時系列と、予測対象単位日Ｎ日前（ＮはＮ＞２の自然数）から予測対象単位日前日までのＮ個の実績時系列それぞれとの非類似度を算出し、
算出した非類似度が最小である１の実績時系列を特定し、
特定した実績時系列と前記代表時系列それぞれとの非類似度を算出し、
算出した非類似度が最小である代表時系列を選択し、
選択した代表時系列の前記第１の時間帯に引き続く第２の時間帯に対応する部分を、前記予測対象単位日の消費電力を予測した予測時系列として取得する
処理をコンピュータに実行させる消費電力予測プログラム。

（付記９）
所定の時刻から始まる２４時間を日の単位とし、
消費電力及び時刻が対応付けられた１単位日毎の実績時系列の複数日分を、所定数の群に非類似度用いて分類してある時系列群及び該時系列群に含まれる実績時系列より算出した代表時系列を取得する取得部、
予測対象単位日における第１の時間帯における消費電力と時刻とを含む参照時系列を取得する参照取得部、
過去の消費電力予測の結果に基づき、消費電力の傾向に変化が現れている状態変化時又は前記変化は現れていない通常時を示す出現状態情報を取得する状態取得部、
取得した出現状態が状態変化時であるとき、取得した参照時系列と、予測対象単位日Ｎ日前（ＮはＮ＞２の自然数）から予測対象単位日前日までのＮ個の実績時系列それぞれとの非類似度を算出する算出部、
算出した非類似度が最小である１の実績時系列を特定する特定部、
特定した実績時系列と前記代表時系列それぞれとの非類似度を算出する第２算出部、及び
算出した非類似度が最小である代表時系列を選択し、選択した代表時系列の前記第１の時間帯に引き続く第２の時間帯に対応する部分を、前記予測対象単位日の消費電力を予測した予測時系列として取得する第２取得部
を備える消費電力予測装置。

１消費電力予測装置
１ａ可搬型記憶媒体
１ｂ半導体メモリ
１１ＣＰＵ
１２ＲＡＭ
１３ＲＯＭ
１４大容量記憶装置
１４１消費電力時系列ＤＢ
１４２予測時系列ＤＢ
１４３成績・状態ＤＢ
１５通信部
１６読取部

Claims

コンピュータにより消費電力を予測する消費電力予測方法であって、
所定の時刻から始まる２４時間を日の単位とし、
消費電力及び時刻が対応付けられた１単位日毎の実績時系列の複数日分を、所定数の群に非類似度を用いて分類してある時系列群及び該時系列群に含まれる実績時系列より算出した代表時系列を取得し、
予測対象単位日における第１の時間帯における消費電力と時刻とを含む参照時系列を取得し、
過去の消費電力予測の結果に基づき、消費電力の傾向に変化が現れている状態変化時又は前記変化は現れていない通常時のいずれかに設定されている出現状態情報を取得し、
取得した出現状態情報が状態変化時であるとき、取得した参照時系列と、予測対象単位日Ｎ日前（ＮはＮ＞２の自然数）から予測対象単位日前日までのＮ個の実績時系列それぞれとの非類似度を算出し、
算出した非類似度が最小である１の実績時系列を特定し、
特定した実績時系列と前記代表時系列それぞれとの非類似度を算出し、
算出した非類似度が最小である代表時系列を選択し、
選択した代表時系列の前記第１の時間帯に続く第２の時間帯に対応する部分を、前記予測対象単位日の消費電力を予測した予測時系列として取得し、
取得した予測時系列を出力する
消費電力予測方法。
前記出現状態情報が状態変化時であることを、取得した予測時系列とともに出力する
請求項１に記載の消費電力予測方法。
前記参照時系列と、前記時系列群それぞれに含まれる実績時系列との非類似度を算出し、
算出した非類似度に基づいて、前記予測対象単位日の実績時系列として出現する可能性の高さを示す実現度を時系列群毎に算出し、
算出した実現度が最大である１の時系列群を選択し、
選択した時系列群の前記代表時系列の第２の時間帯に対応する部分を通常予測時系列として記憶し、
前記出現状態が通常時であるとき、取得した前記予測対象単位日前日までの実績時系列、予測対象単位日における参照時系列、及び通常予測時系列を出力する
請求項１に記載の消費電力予測方法。
所定の時刻から始まる２４時間を日の単位とし、
消費電力及び時刻が対応付けられた１日単位毎の実績時系列の複数日分を、所定数の群に非類似度を用いて分類してある時系列群及び該時系列群に含まれる実績時系列より算出した代表時系列を取得し、
予測対象単位日における第１の時間帯における消費電力と時刻とを含む参照時系列を取得し、
過去の消費電力予測の結果に基づき、消費電力傾向に変化が現れている状態変化時又は前記変化は現れていない通常時のいずれかに設定されている出現状態情報を取得し、
取得した出現状態情報が状態変化時であるとき、取得した参照時系列と、予測対象単位日Ｎ日前（ＮはＮ＞２の自然数）から予測対象単位日前日までのＮ個の実績時系列それぞれとの非類似度を算出し、
算出した非類似度が最小である１の実績時系列を特定し、
特定した実績時系列と前記代表時系列それぞれとの非類似度を算出し、
算出した非類似度が最小である代表時系列を選択し、
選択した代表時系列の前記第１の時間帯に引き続く第２の時間帯に対応する部分を、前記予測対象単位日の消費電力を予測した予測時系列として取得する
処理をコンピュータに実行させる消費電力予測プログラム。
所定の時刻から始まる２４時間を日の単位とし、
消費電力及び時刻が対応付けられた１単位日毎の実績時系列の複数日分を、所定数の群に非類似度用いて分類してある時系列群及び該時系列群に含まれる実績時系列より算出した代表時系列を取得する取得部、
予測対象単位日における第１の時間帯における消費電力と時刻とを含む参照時系列を取得する参照取得部、
過去の消費電力予測の結果に基づき、消費電力の傾向に変化が現れている状態変化時又は前記変化は現れていない通常時を示す出現状態情報を取得する状態取得部、
取得した出現状態が状態変化時であるとき、取得した参照時系列と、予測対象単位日Ｎ日前（ＮはＮ＞２の自然数）から予測対象単位日前日までのＮ個の実績時系列それぞれとの非類似度を算出する算出部、
算出した非類似度が最小である１の実績時系列を特定する特定部、
特定した実績時系列と前記代表時系列それぞれとの非類似度を算出する第２算出部、及び
算出した非類似度が最小である代表時系列を選択し、選択した代表時系列の前記第１の時間帯に引き続く第２の時間帯に対応する部分を、前記予測対象単位日の消費電力を予測した予測時系列として取得する第２取得部
を備える消費電力予測装置。