JP6520228B2 - Power demand forecasting system, power demand forecasting method and program - Google Patents
Power demand forecasting system, power demand forecasting method and program Download PDFInfo
- Publication number
- JP6520228B2 JP6520228B2 JP2015043338A JP2015043338A JP6520228B2 JP 6520228 B2 JP6520228 B2 JP 6520228B2 JP 2015043338 A JP2015043338 A JP 2015043338A JP 2015043338 A JP2015043338 A JP 2015043338A JP 6520228 B2 JP6520228 B2 JP 6520228B2
- Authority
- JP
- Japan
- Prior art keywords
- temperature
- predicted
- data
- demand
- value
- 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
- 238000013277 forecasting method Methods 0.000 title description 2
- 238000000034 method Methods 0.000 claims description 59
- 230000008859 change Effects 0.000 claims description 38
- 230000005611 electricity Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010248 power generation Methods 0.000 description 99
- 238000005259 measurement Methods 0.000 description 46
- 230000008569 process Effects 0.000 description 31
- 230000006870 function Effects 0.000 description 25
- 238000004891 communication Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 16
- 238000000611 regression analysis Methods 0.000 description 16
- 238000013500 data storage Methods 0.000 description 11
- 238000004378 air conditioning Methods 0.000 description 8
- 239000006185 dispersion Substances 0.000 description 8
- 238000010438 heat treatment Methods 0.000 description 8
- 230000001932 seasonal effect Effects 0.000 description 8
- 230000001186 cumulative effect Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000001816 cooling Methods 0.000 description 5
- 238000005315 distribution function Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000008774 maternal effect Effects 0.000 description 4
- 230000006641 stabilisation Effects 0.000 description 4
- 238000011105 stabilization Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 235000014347 soups Nutrition 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
本発明は、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に関する。 The present invention relates to a power demand forecasting system, a power demand forecasting method, and a program.
近年、電力市場においては、電力取引(電力の売買)が自由に行えるようになってきている。電力取引を行う場合、将来のある期間に対して電力の取引価格を決定して、電力の売買を行う(例えば、2日前に30分単位で売買)。 In recent years, in the power market, it has become possible to freely trade power (buy and sell power). In the case of conducting a power transaction, the trading price of the power is determined for a certain future period, and the power is traded (for example, trades every 30 minutes two days ago).
このような背景から、電力供給者が電力取引においてリスク管理できるように、取引対象日(例えば、2日後)の電力需要量を予測する手法等が提案されている(特許文献1参照) From such a background, there has been proposed a method and the like for predicting the amount of power demand on a trading day (for example, two days later) so that the power supplier can manage risk in the power transaction (see Patent Document 1)
上記のような背景から、過去の電力需要量に関するデータが蓄積され、事前に工場施設等での電力需要量をある程度正確に予測することが可能となってきている。しかし、このように算出された電力需要量の予測値は、ぶれ幅を有するものである。電力取引等においては、リスクを算出するため、電力需要量の予測値のぶれ幅を正確に把握することが望まれる。 From the background as described above, data relating to the amount of power demand in the past has been accumulated, and it has become possible to predict in advance the amount of power demand in a plant facility etc. accurately to some extent. However, the predicted value of the power demand calculated as described above has a fluctuation range. In the power transaction etc., in order to calculate the risk, it is desirable to accurately grasp the fluctuation range of the predicted value of the power demand amount.
上記課題を解決するための本発明の主たる発明は、電力の需要量を予測するシステムであって、気象情報を記憶する第1の記憶部と、気温および前記需要量の関係を表すデータを記憶する第3の記憶部と、日照時間および前記需要量の関係を表すデータを記憶する第4の記憶部と、測定気温に関する過去のデータを記憶する第5の記憶部と、電力の需要量に関する過去のデータを記憶する第6の記憶部と、日照時間に関する過去のデータを記憶する第7の記憶部と、前記気象情報に基づいて予測気温の確率分布データを算出する気温予測部と、前記日照時間の予測値を取得する日照時間予測部と、前記気温および需要量の関係を表すデータ、前記日照時間および需要量の関係を表すデータ、前記予測気温の確率分布データ、ならびに前記日照時間の予測値に基づいて、前記需要量の確率分布データを算出する需要予測部と、を備え、前記需要予測部は、前記測定気温に関する過去のデータと、前記需要量に関する過去のデータと、前記日照時間に関する過去のデータとに基づいて、少なくとも前記予測気温と略摂氏18度の差と、前記予測気温と略摂氏18度の差の二乗と、前記日照時間とを説明変数として、気温及び日照時間と需要量との回帰式を算出し、前記回帰式と前記予測気温の確率分布データと前記日照時間の予測値とに基づいて、前記需要量の確率分布データを算出することを特徴とする。 The main invention of the present invention for solving the above-mentioned problems is a system for predicting the demand amount of electric power, which stores a first storage unit for storing weather information, data representing the relationship between air temperature and the demand amount. A fourth storage unit for storing data representing a relationship between sunshine duration and the demand amount, a fifth storage unit for storing past data on measured air temperature , and a power demand amount A sixth storage unit for storing past data, a seventh storage unit for storing past data on sunshine duration, an air temperature prediction unit for calculating probability distribution data of predicted air temperature based on the weather information; A sunshine time prediction unit for acquiring a predicted value of sunshine time, data representing a relationship between the air temperature and the demand amount, data representing a relationship between the sunshine time and the demand amount, probability distribution data of the air temperature forecast, and the sunshine Based on the predicted values between, and a demand prediction unit for calculating a probability distribution data of the demand, the demand prediction unit, and historical data on the measured temperature, the historical data relating to the demand, Based on the past data on the sunshine time, the temperature and the difference between the predicted air temperature and about 18 degrees Celsius, the square of the difference between the predicted air temperature and about 18 degrees Celsius, and the sunshine time as explanatory variables; calculating a regression equation between sunshine duration and demand, based on the predicted value of the regression equation and the probability distribution data of the predicted temperature the daylight hours, it characterized that you calculate the probability distribution data of the demand I assume.
また、本発明の電力需要量予測システムでは、前記日照時間予測部は、前記日照時間の予測値の確率分布データを前記日照時間の予測値として取得するようにしてもよい。 Further, in the power demand amount prediction system of the present invention, the sunshine duration prediction unit may acquire probability distribution data of a predicted value of the sunshine duration as a predicted value of the sunshine duration.
また、本発明の電力需要量予測システムは、電力の需要量を予測するシステムであって、時間帯ごとの気温の実績値を記憶する実績値記憶部と、前記実績値を正規化して前記時間帯ごとの気温の変化を表す基準カーブを作成する基準カーブ作成部と、気象情報を記憶する第1の記憶部と、気温および前記需要量の関係を表すデータを記憶する第3の記憶部と、日照時間および前記需要量の関係を表すデータを記憶する第4の記憶部と、前記気象情報に基づいて予測気温の確率分布データを算出すると共に、最高気温および最低気温ならびに前記基準カーブに基づいて前記時間帯ごとの予測気温を算出する気温予測部と、前記最高気温および前記最低気温のそれぞれの過去の予測値および将来の予測値を取得する最高最低気温取得部と、前記最高気温および前記最低気温の前記過去の予測値を与えて前記気温予測部に過去の前記予測気温を算出させ、前記過去の予測気温の予測誤差を算出する予測誤差算出部と、前記日照時間の予測値を取得する日照時間予測部と、前記気温および需要量の関係を表すデータ、前記日照時間および需要量の関係を表すデータ、前記予測気温の確率分布データ、ならびに前記日照時間の予測値に基づいて、前記需要量の確率分布データを算出する需要予測部と、を備え、前記気温予測部は、前記最高気温および前記最低気温ならびに前記基準カーブに基づいて将来の前記予測気温を算出し、前記将来の予測気温と前記予測誤差とに基づいて、前記予測気温の確率分布データを算出するようにしてもよい。 Further, the power demand forecasting system of the present invention is a system for forecasting a demand for power, and a performance value storage unit for storing performance values of air temperature for each time zone, and normalizing the performance values to calculate the time Reference curve creation unit that creates a reference curve that represents the change in temperature of each band, a first storage unit that stores weather information, and a third storage unit that stores data that represents the relationship between the temperature and the demand amount A fourth storage unit for storing data representing the relationship between sunshine hours and the demand amount, and calculating probability distribution data of predicted temperatures based on the weather information, and based on the maximum temperature and the minimum temperature and the reference curve Temperature forecasting unit for computing predicted temperatures for each time zone, a maximum / minimum temperature obtaining unit for obtaining past forecast values and future forecast values of the maximum temperature and the minimum temperature, and A prediction error calculation unit for giving the prediction temperature of the past to the temperature prediction unit by giving the prediction value of the past of the air temperature and the minimum temperature, and calculating a prediction error of the prediction temperature of the past; and prediction of the sunshine time A sunshine time prediction unit for acquiring a value, data representing the relationship between the air temperature and the demand amount, data representing the relationship between the sunshine time and the demand amount, probability distribution data of the predicted air temperature, and a predicted value of the sunshine time A demand forecasting unit that computes probability distribution data of the demand amount, and the air temperature forecasting unit calculates the forecasted air temperature in the future based on the highest temperature, the lowest temperature, and the reference curve, The probability distribution data of the predicted temperature may be calculated based on the predicted temperature of the future and the prediction error .
また、本発明の他の態様は、電力の需要量を予測する方法であって、コンピュータが、気象情報を記憶するステップと、気温および前記需要量の関係を表すデータを記憶するステップと、日照時間および前記需要量の関係を表すデータを記憶するステップと、測定気温に関する過去のデータを記憶するステップと、電力の需要量に関する過去のデータを記憶するステップと、日照時間に関する過去のデータを記憶するステップと、前記気象情報に基づいて予測気温の確率分布データを算出するステップと、前記日照時間の予測値を取得するステップと、前記気温および需要量の関係を表すデータ、前記日照時間および需要量の関係を表すデータ、前記予測気温の確率分布データ、ならびに前記日照時間の予測値に基づいて、前記需要量の確率分布データを算出するステップと、を実行し、前記需要量の確率分布データを算出する前記ステップは、前記測定気温に関する過去のデータと、前記需要量に関する過去のデータと、前記日照時間に関する過去のデータとに基づいて、少なくとも前記予測気温と略摂氏18度の差と、前記予測気温と略摂氏18度の差の二乗と、前記日照時間とを説明変数として、気温及び日照時間と需要量との回帰式を算出し、前記回帰式と前記予測気温の確率分布データと前記日照時間の予測値とに基づいて、前記需要量の確率分布データを算出する。 Another aspect of the present invention is a method of predicting a demand for power, which comprises the steps of: storing weather information; storing data representing a relationship between air temperature and the demand; Storing data representing a relationship between time and the demand amount, storing past data regarding measured air temperature, storing past data regarding power demand, and storing past data regarding sunshine duration Calculating the probability distribution data of predicted air temperature based on the weather information, acquiring the predicted value of the sunshine time, and data representing the relationship between the air temperature and the demand amount, the sunshine time and the demand The probability of the demand amount based on the data representing the quantity relationship, the probability distribution data of the predicted temperature, and the predicted value of the sunshine time Calculating the cloth data, and calculating the probability distribution data of the demand amount, the past step regarding the measured air temperature, the past data regarding the demand amount, and the past regarding the sunshine time Based on the data, at least the difference between the predicted air temperature and about 18 degrees Celsius, the square of the difference between the predicted air temperature and about 18 degrees Celsius, and the sunshine hours as the explanatory variables The probability distribution data of the demand amount is calculated based on the regression expression, the probability distribution data of the predicted air temperature, and the predicted value of the sunshine time.
また、本発明の他の態様は、電力の需要量を予測するためのプログラムであって、コンピュータに、気象情報を記憶するステップと、気温および前記需要量の関係を表すデータを記憶するステップと、日照時間および前記需要量の関係を表すデータを記憶するステップと、測定気温に関する過去のデータを記憶するステップと、電力の需要量に関する過去のデータを記憶するステップと、日照時間に関する過去のデータを記憶するステップと、前記気象情報に基づいて予測気温の確率分布データを算出するステップと、前記日照時間の予測値を取得するステップと、前記気温および需要量の関係を表すデータ、前記日照時間および需要量の関係を表すデータ、前記予測気温の確率分布データ、ならびに前記日照時間の予測値に基づいて、前記需要量の確率分布データを算出するステップと、を実行させるためのプログラムであって、前記需要量の確率分布データを算出する前記ステップは、前記測定気温に関する過去のデータと、前記需要量に関する過去のデータと、前記日照時間に関する過去のデータとに基づいて、少なくとも前記予測気温と略摂氏18度の差と、前記予測気温と略摂氏18度の差の二乗と、前記日照時間とを説明変数として、気温及び日照時間と需要量との回帰式を算出し、前記回帰式と前記予測気温の確率分布データと前記日照時間の予測値とに基づいて、前記需要量の確率分布データを算出する。 Another aspect of the present invention is a program for predicting a demand for power, which comprises storing weather information in a computer, and storing data representing the relationship between air temperature and the demand. Storing the data representing the relationship between the sunshine hours and the demand amount, storing the past data on the measured air temperature, storing the past data on the power demand, and the past data on the sunshine hours Storing the temperature of the weather, calculating the probability distribution data of the predicted temperature based on the weather information, acquiring the predicted value of the sunshine duration, and data representing the relationship between the temperature and the demand, the sunshine duration And data representing a relationship between demand amount, probability distribution data of the predicted temperature, and the predicted value of the sunshine time, A program for executing the step of calculating probability distribution data of the required amount, wherein the step of calculating the probability distribution data of the demand amount includes: past data regarding the measured air temperature; and a past regarding the demand amount Of the difference between the predicted temperature and approximately 18 degrees Celsius, the square of the difference between the predicted temperature and approximately 18 degrees Celsius, and the sunshine time As a, the regression equation of the temperature and the sunshine time and the demand amount is calculated, and the probability distribution data of the demand amount is calculated based on the regression equation, the probability distribution data of the predicted temperature, and the predicted value of the sunshine time. .
また、本発明の他の態様は、電力の需要量を予測する方法であって、コンピュータが、時間帯ごとの気温の実績値を記憶するステップと、前記実績値を正規化して前記時間帯ごとの気温の変化を表す基準カーブを作成するステップと、気象情報を記憶するステップと、気温および前記需要量の関係を表すデータを記憶するステップと、日照時間および前記需要量の関係を表すデータを記憶するステップと、前記気象情報に基づいて予測気温の確率分布データを算出すると共に、最高気温および最低気温ならびに前記基準カーブに基づいて前記時間帯ごとの予測気温を算出するステップと、前記最高気温および前記最低気温のそれぞれの過去の予測値および将来の予測値を取得するステップと、前記最高気温および前記最低気温の前記過去の予測値ならびに前記基準カーブに基づいて前記時間帯ごとの過去の前記予測気温を算出し、前記過去の予測気温の予測誤差を算出するステップと、前記日照時間の予測値を取得するステップと、前記気温および需要量の関係を表すデータ、前記日照時間および需要量の関係を表すデータ、前記予測気温の確率分布データ、ならびに前記日照時間の予測値に基づいて、前記需要量の確率分布データを算出するステップと、を実行し、前記時間帯ごとの予測気温を算出する前記ステップは、前記最高気温および前記最低気温ならびに前記基準カーブに基づいて将来の前記予測気温を算出し、前記将来の予測気温と前記予測誤差とに基づいて、前記予測気温の確率分布データを算出することとする。 Further, another aspect of the present invention is a method of predicting a demand amount of power, wherein a computer stores a temperature value of an air temperature for each time zone, and the performance value is normalized to obtain the time value. Creating a reference curve representing a change in air temperature, storing weather information, storing data representing a relationship between air temperature and the demand amount, data representing a relationship between sunshine duration and the demand amount Storing the probability distribution data of predicted air temperature based on the weather information, calculating the predicted air temperature for each time zone based on the highest temperature and the lowest temperature, and the reference curve; And obtaining respective past predicted values and future predicted values of the lowest temperature, and the past prediction of the highest temperature and the lowest temperature. A step value and based on the reference curve to calculate the past the prediction temperature of each of the time zones, and calculates a prediction error of the prediction temperatures of the past, obtaining a predicted value of the daylight hours, the air temperature And the data representing the relationship between the demand amount, the data representing the relationship between the sunshine duration and the demand amount, the probability distribution data of the predicted air temperature, and the predicted value of the sunshine duration, the probability distribution data of the demand amount is calculated Performing the step of calculating the predicted air temperature for each of the time zones, calculating the predicted air temperature in the future based on the maximum air temperature, the minimum air temperature, and the reference curve; Probability distribution data of the predicted air temperature is calculated based on the prediction error.
また、本発明の他の態様は、電力の需要量を予測するためのプログラムであって、コンピュータに、時間帯ごとの気温の実績値を記憶するステップと、前記実績値を正規化して前記時間帯ごとの気温の変化を表す基準カーブを作成するステップと、気象情報を記憶するステップと、気温および前記需要量の関係を表すデータを記憶するステップと、日照時間および前記需要量の関係を表すデータを記憶するステップと、前記気象情報に基づいて予測気温の確率分布データを算出すると共に、最高気温および最低気温ならびに前記基準カーブに基づいて前記時間帯ごとの予測気温を算出するステップと、前記最高気温および前記最低気温のそれぞれの過去の予測値および将来の予測値を取得するステップと、前記最高気温および前記最低気温の前記過去の予測値ならびに前記基準カーブに基づいて前記時間帯ごとの過去の前記予測気温を算出し、前記過去の予測気温の予測誤差を算出するステップと、前記日照時間の予測値を取得するステップと、前記気温および需要量の関係を表すデータ、前記日照時間および需要量の関係を表すデータ、前記予測気温の確率分布データ、ならびに前記日照時間の予測値に基づいて、前記需要量の確率分布データを算出するステップと、を実行させるためのプログラムであって、前記時間帯ごとの予測気温を算出する前記ステップは、前記最高気温および前記最低気温ならびに前記基準カーブに基づいて将来の前記予測気温を算出し、前記将来の予測気温と前記予測誤差とに基づいて、前記予測気温の確率分布データを算出することとする。 Further, another aspect of the present invention is a program for predicting a demand amount of electric power, which comprises the steps of storing in a computer a performance value of temperature in each time zone, and normalizing the performance value to calculate the time A step of creating a reference curve representing a change in air temperature for each zone, a step of storing weather information, a step of storing data representing a relationship between air temperature and the demand amount, a relationship between sunshine duration and the demand amount Storing data, calculating probability distribution data of predicted air temperature based on the weather information, and calculating predicted air temperature for each of the time zones based on the maximum temperature and the minimum temperature and the reference curve; Obtaining a past forecast value and a future forecast value of each of the maximum temperature and the minimum temperature; Serial calculates past the predicted temperature of each past predicted value and the time zone based on the reference curve, a step of calculating a prediction error of the prediction temperatures of the past, obtaining a predicted value of the daylight hours The data representing the relationship between the temperature and the demand, the data representing the relationship between the sunshine time and the demand, the probability distribution data of the predicted temperature, and the probability distribution of the demand based on the predicted value of the sunshine time Calculating a data, wherein the step of calculating the predicted air temperature for each of the time zones is the future predicted air temperature based on the maximum air temperature, the minimum air temperature, and the reference curve. Is calculated, and probability distribution data of the predicted air temperature is calculated based on the future predicted air temperature and the prediction error.
その他本願が開示する課題やその解決方法については、発明の実施形態の欄及び図面により明らかにされる。 Other problems disclosed in the present application and their solutions will be made clear by the section of the embodiments of the present invention and the drawings.
本発明によれば、電力需要量の予測値のぶれ幅を正確に把握することができる。 According to the present invention, the fluctuation range of the predicted value of the power demand can be accurately grasped.
本明細書および添付図面の記載により、少なくとも以下の事項が明らかとなる。 At least the following matters will be made clear by the present specification and the description of the accompanying drawings.
<第1実施形態>
===予測システムについて===
本実施形態では、現実の電力需要量が、電力需要量の予測値から変動する要因の一つに、気温変動に起因する冷暖房需要の変動があるという理解に基づき、所定時間帯の気温の確率分布から、当該時間帯における電力需要量の確率分布を算出するものである。
First Embodiment
=== About the prediction system ===
In the present embodiment, the probability of the temperature of the predetermined time zone is based on the understanding that the amount of the actual power demand fluctuates from the predicted value of the power demand based on the fluctuation of the air conditioning demand due to the temperature fluctuation. From the distribution, the probability distribution of the power demand amount in the relevant time zone is calculated.
そして、本実施形態の後述する予測システムは、当該時間帯の電力需要量の確率分布に基づいて、一定量の電力取引を行った場合の利益値の確率分布を算出している。 And the prediction system which this embodiment mentions later calculates the probability distribution of the profit value at the time of performing a fixed quantity of power transactions based on the probability distribution of the amount of power demand of the time slot concerned.
図1に、本実施形態における、電力取引における利益額の予測を実現する予測システムの一例を示す。本実施形態に係る予測システムは、予測装置100と取引情報提供装置200等から構成される。これらの装置は、LAN接続等による通信網300を利用して、データの送受信を行う。 FIG. 1 shows an example of a prediction system for realizing the prediction of the profit amount in the power transaction in the present embodiment. The prediction system according to the present embodiment includes the prediction device 100, the transaction information providing device 200, and the like. These devices transmit and receive data using the communication network 300 by LAN connection or the like.
予測装置100は、使用者が操作を行うコンピュータである。また、取引情報提供装置200は、予測装置100からのリクエストに応じてデータを送信するコンピュータである。本実施形態に係る予測装置100は、取引情報提供装置200から、取引価格等に関する取引情報を取得することで、利益額を予測する構成としている。 The prediction device 100 is a computer operated by the user. In addition, the transaction information providing device 200 is a computer that transmits data in response to a request from the prediction device 100. The prediction device 100 according to the present embodiment is configured to predict a profit amount by acquiring transaction information related to a transaction price and the like from the transaction information providing device 200.
図2Aに、本実施形態の予測装置100のハードウェア構成を示す。 FIG. 2A shows the hardware configuration of the prediction device 100 of the present embodiment.
予測装置100は、制御手段100A、記憶手段100B、通信手段100C、入力手段100D、表示手段100Eを有している。 The prediction device 100 includes a control unit 100A, a storage unit 100B, a communication unit 100C, an input unit 100D, and a display unit 100E.
制御手段100Aは、CPU等であり、バス等を介して、記憶手段100B、通信手段100C、入力手段100D、表示手段100Eと接続されている。そして、制御手段100Aは、記憶手段100Bに記憶されたコンピュータプログラムに基づいて、記憶手段100B、通信手段100C、入力手段100D、表示手段100Eとデータ通信を行うとともに、それらの動作を制御する。 The control unit 100A is a CPU or the like, and is connected to the storage unit 100B, the communication unit 100C, the input unit 100D, and the display unit 100E via a bus or the like. Then, based on the computer program stored in the storage unit 100B, the control unit 100A performs data communication with the storage unit 100B, the communication unit 100C, the input unit 100D, and the display unit 100E, and controls their operation.
記憶手段100Bは、揮発性メモリー(RAM)、不揮発性メモリー(フラッシュメモリー)等からなる。そして、記憶手段100Bには、予測装置100を制御するためのコンピュータプログラム、後述する電力需要量と発電費用を対応付けるデータ等が記憶されている。尚、記憶手段100Bは、後述する回帰モデル、各機能部で計算された中間データ、最終データ、取得した分析対象データ等を記憶する記憶部も有している(図示せず)。 The storage unit 100B includes volatile memory (RAM), non-volatile memory (flash memory), and the like. The storage unit 100B stores a computer program for controlling the prediction device 100, data to be described later that associates the amount of power demand and the power generation cost, and the like. The storage unit 100B also includes a storage unit (not shown) that stores a regression model described later, intermediate data calculated by each functional unit, final data, acquired analysis target data, and the like.
通信手段100Cは、通信コントローラ等であり、有線や無線によるLAN接続による通信網300等を利用して、取引情報提供装置200とデータの送受信を行う。 The communication unit 100C is a communication controller or the like, and transmits / receives data to / from the transaction information providing apparatus 200 using the communication network 300 or the like by LAN connection by wire or wireless.
入力手段100Dは、スイッチ、タッチパネル等であり、予測装置100に対する使用者の操作指示を受付ける。 The input unit 100D is a switch, a touch panel, or the like, and receives a user's operation instruction to the prediction device 100.
表示手段100Eは、各種の情報を表示する液晶ディスプレイ等であり、後述する予測される利益額の確率分布等を表示する。 The display unit 100E is a liquid crystal display or the like that displays various types of information, and displays a probability distribution or the like of a predicted profit amount described later.
図2Bに、本実施形態の取引情報提供装置200のハードウェア構成を示す。 FIG. 2B shows a hardware configuration of the transaction information providing device 200 of the present embodiment.
取引情報提供装置200は、制御手段200A、記憶手段200B、通信手段200Cを有している。 The transaction information providing apparatus 200 includes a control unit 200A, a storage unit 200B, and a communication unit 200C.
制御手段200Aは、CPU等であり、バス等を介して、記憶手段200B、通信手段200Cと接続されている。そして、制御手段200Aは、記憶手段200Bに記憶されたコンピュータプログラムに基づいて、通信手段200C、記憶手段200Bとデータ通信を行うとともに、それらの動作を制御する。 The control unit 200A is a CPU or the like, and is connected to the storage unit 200B and the communication unit 200C via a bus or the like. Then, based on the computer program stored in the storage unit 200B, the control unit 200A performs data communication with the communication unit 200C and the storage unit 200B, and controls those operations.
記憶手段200Bは、揮発性メモリー(RAM)、不揮発性メモリー(フラッシュメモリー)等からなる。そして、記憶手段200Bには、取引情報提供装置200を制御するためのコンピュータプログラム、後述する取引情報に関するデータM3等が記憶されている。 The storage unit 200B includes volatile memory (RAM), non-volatile memory (flash memory), and the like. The storage unit 200B stores a computer program for controlling the transaction information providing apparatus 200, data M3 related to transaction information to be described later, and the like.
通信手段200Cは、通信コントローラ等であり、有線や無線によるLAN接続による通信網300等を利用して、予測装置100とデータの送受信を行う。 The communication unit 200C is a communication controller or the like, and transmits / receives data to / from the prediction device 100 using a communication network 300 or the like by LAN connection by wire or wireless.
本実施形態の予測装置100の記憶手段100Bに記憶された電力需要量と発電費用を対応付けるデータは、後述する発電手段に関するデータテーブルM1と、発電手段の稼働優先度に関するデータテーブルM2に基づいて算出される。 The data for correlating the power demand amount and the power generation cost stored in the storage unit 100B of the prediction device 100 of the present embodiment is calculated based on a data table M1 for power generation means described later and a data table M2 for operation priority of the power generation means Be done.
図3Aに、本実施形態の発電手段に関するデータテーブルM1の一例を示す。 FIG. 3A shows an example of the data table M1 regarding the power generation means of the present embodiment.
発電手段に関するデータM1は、電力供給者が有する複数の発電手段についての最低発電量(MWh/h)、発電可能量(MWh/h)、限界費用(円/MWh)である。 The data M1 on the power generation means are the minimum power generation amount (MWh / h), the power generation amount (MWh / h), and the marginal cost (yen / MWh) for the plurality of power generation means owned by the power supplier.
電力供給者は、水力発電、太陽光発電、原子力発電、火力発電等、複数の発電手段を有している。そして、それらの限界費用、発電可能量等は、発電手段の種類、又、発電効率等の性能により異なっている。例えば、原子力発電は、稼働の停止が困難であるため、常に稼働させる発電手段として予定されることになる。一方、火力発電は、燃料価格等に応じて、限界費用が高騰する場合もある。その他、水力発電は、他の発電手段に比して、限界費用が安価である等の特徴もある。 A power supplier has a plurality of power generation means such as hydroelectric power generation, solar power generation, nuclear power generation, and thermal power generation. The marginal cost, the amount of power that can be generated, and the like differ depending on the type of power generation means and the performance such as the power generation efficiency. For example, since nuclear power generation is difficult to stop operation, it will be scheduled as a means of power generation to always operate. On the other hand, in thermal power generation, the marginal cost may rise depending on the fuel price and the like. Besides, hydroelectric power generation is also characterized in that its marginal cost is cheaper than other power generation means.
図3Aのデータテーブルに示す、発電手段A、B、C・・・は、それらの発電手段の一つを表す。また、最低発電量(例えば1MWh/h)は、マストラン電源(上記した原子力発電のように、発電費用等の観点から、稼働の停止が困難であり、常に稼働させる発電手段として予定される発電源)による発電量を表す。また、発電可能量(例えば1MWh/h)は、それらの各発電手段の発電能力の限界値である。また、限界費用(円/MWh)とは、単位発電量(例えば1MWh)あたりに必要となる発電費用を表す。 The power generation means A, B, C,... Shown in the data table of FIG. 3A represent one of those power generation means. In addition, the minimum amount of power generation (for example, 1 MWh / h) is difficult to stop operation from the viewpoint of the power generation cost, etc., as in the mass transit power source (the above-mentioned nuclear power generation) Represents the amount of power generated by Also, the power generation capacity (for example, 1 MWh / h) is a limit value of the power generation capacity of each of the power generation means. The marginal cost (yen / MWh) represents the power generation cost required per unit power generation (for example, 1 MWh).
ここで、限界費用は、その稼働率、すなわち当該発電手段の発電能力の限界値のうち発揮させている発電能力に応じて異なるように設定してもよいし、稼働率0〜100%の平均値を設定してもよい。尚、図3Aのデータテーブルで、発電手段A、B、C・・の限界費用について、A(x1)、B(x2)、C(x3)・・・と記載しているのは、各発電手段の稼働率x1、x2、x3・・・に応じた限界費用関数を表す。尚、その記憶形式は、テーブル形式等であってもよい。 Here, the marginal cost may be set differently depending on the operation rate, that is, the power generation capacity being exhibited among the limit values of the power generation capacity of the power generation means, and the average of the operation rate 0 to 100% You may set a value. In the data table of FIG. 3A, the marginal costs of the power generation means A, B, C, ... are described as A (x 1), B (x 2), C (x 3), ... This represents a marginal cost function according to the operating rates x1, x2, x3. The storage format may be a table format or the like.
図3Bに、本実施形態における、発電手段の稼働優先度に関するデータテーブルM2の一例を示す。 FIG. 3B shows an example of the data table M2 related to the operation priority of the power generation means in the present embodiment.
発電手段の稼働優先度に関するデータM2は、マストラン電源に関する優先度、限界費用に関する優先度の2種類を有している。マストラン電源に関する優先度は、限界費用に関する優先度よりも高い優先度が設定されている。また、限界費用に関する優先度は、限界費用が低いものから優先的に稼働するように設定されている。尚、上記実施形態では、稼働優先度に関するデータとして、マストラン電源に関する優先度、限界費用に関する優先度を記載したが、限界費用に関する優先度のみが設定される態様であってもよいし、その他の優先度が設定されてもよい。また、各発電手段の稼働優先度に関するデータM2は、使用者が各々の発電手段の状況等を考慮して設定するものであってもよいし、利益額を算出するときに都度、利益予測部104等が設定するものであってもよい。 The data M2 relating to the operation priority of the power generation means has two types of priority relating to the mass transit power source and priority relating to the marginal cost. The priority for the mass transit power source is set higher than the priority for the marginal cost. In addition, the priority for marginal costs is set to operate in order from the one with the lowest marginal cost. In the above embodiment, the priority relating to the mass transit power source and the priority relating to the marginal cost are described as data relating to the operating priority, but it may be an aspect in which only the priority relating to the marginal cost is set. Priority may be set. In addition, data M2 related to the operation priority of each power generation means may be set by the user in consideration of the situation of each power generation means, etc., and when calculating the amount of profit, the profit prediction unit 104 or the like may be set.
図3Cに、本実施形態の取引情報提供装置200の記憶手段200Bに記憶された取引情報に関するデータテーブルM3の一例を示す。 FIG. 3C shows an example of the data table M3 related to the transaction information stored in the storage unit 200B of the transaction information providing device 200 of the present embodiment.
取引情報に関するデータM3は、取引の対象となっている所定時間帯(例えば11時〜12時)の単位発電量(例えば1MWh/h)あたりの取引価格に関するデータ、及び取引可能量に関するデータである。ここで、取引情報に関するデータは、確定値であっても、予測値であってもよい。尚、データテーブルM3には、1時間ごとの取引価格及び取引可能量が記憶されている。 Data M3 on transaction information is data on the transaction price per unit power generation amount (for example, 1 MWh / h) in a predetermined time zone (for example, 11 o'clock to 12 o'clock) which is the object of the transaction, and data on the tradable amount . Here, the data related to the transaction information may be a fixed value or a predicted value. The data table M3 stores the transaction price and the tradable amount per hour.
電力取引は、当該取引価格に基づいて行われる。具体的には、電力供給者が、所定量の電力の売りを行った場合、当該取引価格に基づいて、電力供給者は、その売り分を余分に電力供給する代わりに、その売り分を収益として得ることができる。同様に、電力供給者が、所定量の電力の買いを行った場合、当該取引価格に基づいて、電力供給者は、その買い分の電力供給を取引対象者から受ける代わりに、その買い分の金額を支払うという態様である。また、取引可能量は、電力供給者が電力取引において取引が可能な上限値を表す。 Power trading is conducted based on the transaction price. Specifically, when a power supplier sells a predetermined amount of power, based on the transaction price, the power supplier earns the sale instead of supplying the sale extra power. Can be obtained as Similarly, when the power supplier buys a predetermined amount of power, the power supplier uses the power supply for the buy instead of receiving the power supply for the buy from the transaction target person based on the transaction price. It is an aspect of paying the amount of money. Also, the tradable amount represents the upper limit value that the power supplier can trade in the power transaction.
尚、取引可能量に関するデータは、電力供給者の発電手段の運用上の都合で設定するものであってもよい。例えば、上記したとおり、マストラン電源は、常時稼働させておくことが前提となっているため、当該マストラン電源の稼働による電力分は取引不能として設定しておいてもよい。また、取引可能量に関するデータは、必ずしも設定されている必要はない。 The data relating to the tradable amount may be set by the operation convenience of the power generation means of the power supplier. For example, as described above, since it is premised that the mass transit power supply is always operated, the power due to the operation of the mass transit power supply may be set as untradable. In addition, data on tradable volume need not necessarily be set.
図4に、本実施形態の予測装置100の機能構成の一例を示す。 FIG. 4 shows an example of a functional configuration of the prediction device 100 of the present embodiment.
予測装置100は、記憶手段100Bに記憶されたコンピュータプログラム、及び上記したハードウェア構成(100A〜100E)により、以下に説明する取得部101、気温予測部102、需要予測部103、利益予測部104、提示部105の機能を実現する。 The prediction device 100 includes an acquisition unit 101, an air temperature prediction unit 102, a demand prediction unit 103, and a profit prediction unit 104 described below according to the computer program stored in the storage unit 100B and the above hardware configuration (100A to 100E). , Implement the function of the presentation unit 105.
取得部101は、取引情報提供装置200等他の装置と通信をしてデータを取得する。 The acquisition unit 101 communicates with other devices such as the transaction information providing device 200 to acquire data.
気温予測部102は、気象庁の予測した予測最高気温、予測最低気温、天気情報等に基づいて、未来の所定時間帯の予測気温の確率分布に関するデータを算出する。 The air temperature prediction unit 102 calculates data on the probability distribution of predicted air temperature in a predetermined time zone in the future, based on the predicted highest temperature, predicted lowest temperature, weather information and the like predicted by the Japan Meteorological Agency.
需要予測部103は、予測気温の確率分布に関するデータ、気温と電力需要量の関係式に基づいて、未来の所定時間帯の電力需要量の確率分布に関するデーを算出する。 The demand prediction unit 103 calculates data on the probability distribution of the power demand in a predetermined time zone in the future based on the data on the probability distribution of the predicted air temperature and the relational expression of the temperature and the power demand.
利益予測部104は、電力需要量の確率分布に関するデータと、電力需要量と発電費用を対応付けるデータとに基づいて、所定量の電力取引を行った場合の発電費用の変化費用を確率分布として算出する。そして、所定量の電力取引を行った場合の取引価格を算出し、当該発電費用の変化費用との差を電力取引の利益額の確率分布として算出する。ここで、電力需要量と発電費用を対応付けるデータは、例えば、発電手段に関するデータM1と、発電手段の稼働優先度に関するデータM2を利用して算出された限界費用線に関するデータである。 The profit prediction unit 104 calculates, as a probability distribution, the change cost of the power generation cost when performing a power transaction of a predetermined amount based on the data on the probability distribution of the power demand amount and the data for correlating the power demand amount and the power generation cost. Do. And the transaction price at the time of performing a predetermined amount of power transaction is calculated, and the difference with the change expense of the power generation cost concerned is computed as probability distribution of the amount of profits of power transaction. Here, the data for correlating the power demand amount and the power generation cost is, for example, data on a marginal cost line calculated using data M1 on the power generation means and data M2 on the operation priority of the power generation means.
提示部105は、利益額の確率分布データに対して所定の画像処理を施して、予測装置100の使用者が予測利益の確率分布を認識できるような態様で提示する。一例として、提示部105は、利益額の確率分布として、95%の確率で実現値としてとり得る、利益額の最低額と最大額の範囲を表示手段100Eに表示する。 The presentation unit 105 performs predetermined image processing on the probability distribution data of the profit amount, and presents the probability distribution of the predicted profit in such a manner that the user of the prediction device 100 can recognize the probability distribution. As an example, the presentation unit 105 displays, on the display unit 100E, the range between the minimum amount and the maximum amount of profit that can be taken as actual values with a probability of 95% as the probability distribution of the amount of profit.
尚、本実施形態における確率分布に関するデータ(以下、「確率分布データ」という)とは、実現し得る値の予測値からのばらつきを示すものであり、例えば、未来の所定時間帯(例えば、2013/2/1の7時)に95%の確率で実現し得る予測気温、電力需要量、利益額の幅(信頼区間)を意味する。また、確率分布データは、予測値に関する確率密度関数を表すデータや、確率分布関数を表すデータ、サンプルの累積確率より算出された信頼区間に関するデータ、実現し得る確率と予測値の幅の対応関係を示すデータ、予測値に関する分散係数等であってもよい。 The data on probability distribution in the present embodiment (hereinafter referred to as “probability distribution data”) indicates the variation of the value that can be realized from the predicted value, and, for example, a predetermined future time zone (for example, 2013) It means the predicted temperature, the amount of power demand, and the range of the amount of profit (confidence interval) that can be realized with a probability of 95% at 7 o'clock on 2/1/1). Further, the probability distribution data includes data representing a probability density function related to a predicted value, data representing a probability distribution function, data related to a confidence interval calculated from the cumulative probability of samples, correspondence between the probability that can be realized and the width of the predicted value Data indicating a variance, a variance coefficient related to a predicted value, or the like.
===予測システムの動作について===
次に、予測システムの動作について説明する。
=== About the operation of the prediction system ===
Next, the operation of the prediction system will be described.
図5に、本実施形態のフローチャートの一例を示す。 FIG. 5 shows an example of a flowchart of the present embodiment.
(S1)は、予測装置100の使用者が、予測対象の期間(例えば、2013/2/1の7時〜8時)を入力する工程である。 (S1) is a step in which the user of the prediction device 100 inputs a period to be predicted (for example, 7 o'clock to 8 o'clock of 2013/2/1).
(S2)は、予測装置100が、取引情報提供装置200から、取引情報を取得する工程である。具体的には、予測装置100の取得部101は、取引情報提供装置200に対して、予測対象の期間に関する取得価格、及び取引可能量をリクエストする。そして、取引情報提供装置200は、当該リクエストを受けて、取引情報に関するデータテーブルM3より予測対象の所定時間帯に関する取引価格及び取引可能量を、予測装置100に送信する。 (S2) is a process in which the prediction device 100 acquires transaction information from the transaction information providing device 200. Specifically, the acquisition unit 101 of the prediction device 100 requests the transaction information providing device 200 about the acquired price and the tradeable amount for the period to be predicted. Then, in response to the request, the transaction information provision device 200 transmits the transaction price and the tradeable amount regarding the predetermined time slot to be predicted from the data table M3 regarding the transaction information to the prediction device 100.
(S3)は、予測装置100の気温予測部102が、気象庁の予測した予測最高気温、予測最低気温、天気情報等に基づいて、予測対象の所定時間帯の気温の予測値を確率分布として算出する工程である。ここで、電力取引の対象期間が数時間に跨る長い時間である場合、対応する複数の時間帯についての気温の予測値を算出してもよい。図6に、予測気温の確率分布のイメージ図を示す。図6は、理解容易のため説明変数Xを一つとした場合の予測気温の確率分布を示している。 In (S3), the temperature prediction unit 102 of the prediction apparatus 100 calculates the predicted value of the temperature of the predetermined time zone to be predicted as the probability distribution, based on the predicted maximum temperature predicted by the Japan Meteorological Agency, predicted minimum temperature, weather information, etc. Process. Here, when the target period of the power transaction is a long time spanning several hours, the predicted value of the air temperature for a plurality of corresponding time zones may be calculated. FIG. 6 shows an image of the probability distribution of predicted air temperature. FIG. 6 shows the probability distribution of predicted temperatures when one explanatory variable X is used for easy understanding.
尚、本実施形態は、予測気温のばらつきが、電力需要量のばらつきに繋がるという理解に基づくものであり、予測気温の確率分布の算出方法は、一定の精度であれば任意である。予測気温の確率分布の算出方法の一例については、後述する。 In addition, this embodiment is based on the understanding that the dispersion | variation in prediction air temperature leads to the dispersion | distribution of electric power demand amount, and the calculation method of probability distribution of prediction air temperature is arbitrary if a fixed precision. An example of a method of calculating the probability distribution of predicted air temperatures will be described later.
(S4)は、予測装置100の需要予測部103が、(S3)で算出した予測気温の確率分布データ、曜日情報、昨年の同月同日における電力需要量等に基づいて、予測対象の所定時間帯の電力需要量の予測値を確率分布として算出する工程である。 (S4) is a predetermined time zone to be predicted based on the probability distribution data of predicted air temperature calculated by (S3) by the demand prediction unit 103 of the prediction device 100, the day of the week information, the power demand on the same month last year, etc. Calculating the predicted value of the power demand amount as a probability distribution.
本実施形態では、現実の電力需要量が、電力需要量の予測値から変動する要因の一つに、気温変動に起因する冷暖房需要の変動があるという理解に基づき、所定時間帯の予測気温の確率分布から、当該時間帯における電力需要量の確率分布を算出している。これによって、電力需要量の確率分布を正確に算出することができる。尚、電力需要量の確率分布の算出方法は、一定の精度であれば任意であり、気温と電力需要量との関係を表すデータを予めデータテーブルとして記憶していてもよい。需要予測の確率分布の算出方法の一例については、後述する。 In the present embodiment, based on the understanding that the amount of actual power demand fluctuates from the predicted value of the amount of power demand based on the understanding that the fluctuation of the air conditioning demand caused by the fluctuation of the air temperature From the probability distribution, the probability distribution of the power demand in the relevant time zone is calculated. As a result, the probability distribution of the power demand can be accurately calculated. The method of calculating the probability distribution of the power demand amount is arbitrary as long as it has a certain accuracy, and data representing the relationship between the air temperature and the power demand amount may be stored in advance as a data table. An example of the method of calculating the probability distribution of demand forecast will be described later.
(S5)は、利益予測部104が、発電手段に関するデータM1、マストラン電源に関する優先度、限界費用に関する優先度に関するデータM2に基づいて、電力取引の対象となる期間において、複数の発電手段をどのように稼働させるか、すなわち限界費用線に関するデータを算出する工程である。限界費用線に関するデータは、電力需要量と発電費用を対応付けるデータの一例であり、必要とする発電量(電力需要量)と対応させて、当該発電量を補うためにどのように発電手段を稼働させるについて特定したデータである。尚、限界費用線に関するデータが予め記憶されている場合、(S5)の工程は省略することができる。 In (S5), the profit prediction unit 104 determines a plurality of power generation means in a period subject to the power transaction based on the data M1 on the power generation means, the priority on the mass transit power source, and the data M2 on the priority It is a process of operating as it is, that is, calculating data on marginal cost lines. The data on marginal cost lines is an example of data for correlating the power demand amount with the power generation cost, and how to use the power generation means to compensate the power generation amount in correspondence with the required power generation amount (power demand amount) It is the data specified about In addition, when the data regarding a marginal expense line are stored beforehand, the process of (S5) can be skipped.
以下に、(S5)で算出する限界費用線に関するデータについて、グラフ化した限界費用線により説明する。 The data on the marginal cost line calculated in (S5) will be described below in the form of a graphed marginal cost line.
図7Aは、発電手段に関するデータM1、及び発電手段の稼働優先度に関するデータM2より算出された限界費用線である。横軸は必要とする発電量(電力需要量)を表し、縦軸はそれぞれの発電手段の限界費用を表している。右方向にいくほど発電量(電力需要量)が大きいことを表し、上方向にいくほど限界費用が大きいことを表す。また、限界費用線下の区画は、稼働させる発電手段の違いを表している(図7B、図7Cも同様)。ここで、マストラン電源に関する優先度を限界費用に関する優先度よりも高い優先度として設定しているため、限界費用線は、マストラン電源優先領域Aと、限界費用優先領域Bの2領域から構成されている。すなわち、発電手段A、B、Cを、限界費用が低い発電手段Dよりも先に稼働させることを表している。 FIG. 7A is a marginal cost line calculated from data M1 on the power generation means and data M2 on the operation priority of the power generation means. The horizontal axis represents the required amount of power generation (the amount of power demand), and the vertical axis represents the marginal cost of each power generation means. The rightward direction indicates that the amount of power generation (the amount of power demand) is large, and the upward direction indicates that the marginal cost is large. Also, the section under the marginal cost line represents the difference in the means of power generation to be operated (the same applies to FIGS. 7B and 7C). Here, since the priority relating to the mass transit power source is set as a higher priority than the priority relating to the marginal cost, the marginal cost line is composed of two regions, the mass transit power source priority area A and the marginal cost priority area B There is. In other words, this means that the power generation means A, B, C are operated earlier than the power generation means D with lower marginal cost.
図7Bは、電力需要量の予測値と、稼働させる発電手段との関係を示す。図7Bでは、電力需要量がNのとき、発電手段Fまで稼働させることを表している。 FIG. 7B shows the relationship between the predicted value of the amount of power demand and the power generation means to be operated. FIG. 7B shows that the power generation unit F is operated when the amount of power demand is N.
(S6)は、利益予測部104が、所定量Cの電力取引を行った場合の発電費用の変化費用を算出する工程である。 (S6) is a step in which the profit prediction unit 104 calculates the change cost of the power generation cost when the power transaction of the predetermined amount C is performed.
利益予測部104は、(S4)の工程で算出した電力需要量の確率分布データ、及び(S5)で算出した限界費用線に関するデータに基づいて、所定量Cの電力取引を行った場合の発電費用の変化費用を算出する。 The profit prediction unit 104 generates power when the power transaction of the predetermined amount C is performed based on the probability distribution data of the power demand amount calculated in the process of (S4) and the data regarding the marginal cost line calculated in (S5) Calculate the cost of change.
ここで、図7B、図7Cにより、所定量Cの電力取引を行った場合の発電費用の変化費用について説明する。図7Bは、電力需要量がNである場合に必要となる発電費用を表している。図7Bの斜線で示す領域の面積の合計値が、必要となる発電費用となる。したがって、このとき発電費用は、式(1)より表すことができる。 Here, with reference to FIG. 7B and FIG. 7C, the change cost of the power generation cost when the power transaction of the predetermined amount C is performed will be described. FIG. 7B shows the power generation cost required when the amount of power demand is N. The total value of the areas of the shaded areas in FIG. 7B is the required power generation cost. Therefore, the power generation cost can be expressed by equation (1) at this time.
ここで、F(W)は、各発電手段の限界費用に関するデータM1、及び稼働優先度等に基づいて算出される。
Here, F (W) is calculated based on data M1 on the marginal cost of each power generation means, operation priority, and the like.
また、図7Cは、電力取引の対象となる期間に取引量Cの取引(電力買い)を行った場合の発電費用の変化費用(減少)を示す。図7Cに示すように、取引量Cの電力買いを行った場合の発電費用の変化費用は、F(W)が、W軸の電力需要量Nと取引後N−Cで囲まれる領域である。具体的には、発電費用の変化費用は、式(2)より表すことができる。 Moreover, FIG. 7C shows the change cost (reduction) of the power generation cost when the transaction of the transaction amount C (power purchase) is performed in the period targeted for the power transaction. As shown in FIG. 7C, the change cost of the power generation cost at the time of buying the power of the trading amount C is a region where F (W) is surrounded by the power demand amount N of the W axis and the post-trade N-C. . Specifically, the change cost of the power generation cost can be expressed by equation (2).
(S7)は、利益予測部104が、取引情報に関するデータM3に基づいて、電力取引の対象となる期間に所定量の電力取引を行った場合の取引収支を算出する工程である。具体的には、電力取引の対象となる期間の取引価格が一定値Rである場合、所定量Cの取引(電力買い)を行った場合の取引収支(支払額)は、式(3)より表すことができる。 (S7) is a process in which the profit prediction unit 104 calculates the balance of transaction when the power transaction of a predetermined amount is performed in the period targeted for the power transaction based on the data M3 related to the transaction information. Specifically, when the transaction price in the period subject to the power transaction is a constant value R, the transaction balance (payment amount) in the case of performing a transaction (a power purchase) of a predetermined amount C is Can be represented.
ここで、上記したとおり、電力需要量は、確率分布を含むデータとなっている。これより、電力需要量の確率分布データに基づいて、利益額Yの確率分布を算出することができる。尚、(S6)、(S7)の工程は、実質的に(S8)の工程に集約されるから省略してもよい。 Here, as described above, the power demand amount is data including probability distribution. From this, the probability distribution of the profit amount Y can be calculated based on the probability distribution data of the power demand amount. The steps (S6) and (S7) may be omitted because they are substantially integrated into the step (S8).
尚、利益額の確率分布の算出方法の具体的内容については、後述する。 The specific contents of the method of calculating the probability distribution of profit will be described later.
(S9)は、提示部105が、(S8)において算出された電力取引における利益額の確率分布を予測装置100の使用者が認識できるように所定の画像処理を施して提示する工程である。例えば、提示部105は、予測利益の確率分布として、所定量の電力取引を行った場合、95%の確率で実現し得る予測利益の幅等をテキストデータとして表示手段100Eに表示する。 (S9) is a process in which the presentation unit 105 performs predetermined image processing and presents the probability distribution of the profit amount in the power transaction calculated in (S8) so that the user of the prediction device 100 can recognize it. For example, the presentation unit 105 displays, as text data, the width or the like of the predicted profit that can be realized with a probability of 95% as the probability distribution of the predicted profit when performing a power transaction of a predetermined amount.
このように、本実施形態によって、本システムの使用者は、気温変動に起因した電力需要量の変動を考慮して、電力取引における利益額の確率分布を把握することができる。 As described above, according to the present embodiment, the user of the present system can grasp the probability distribution of the profit amount in the power transaction in consideration of the fluctuation of the power demand amount caused by the temperature fluctuation.
また、上記実施形態では、電力買いの場合について説明したが、電力売りの場合についても同様である。すなわち、電力売りの場合、取引収支(収入額)から発電費用の変化費用(増額)を減じた差分が、電力供給者にとっての利益となる。このとき、利益額Yは、式(5)と表せる。 Further, in the above embodiment, the case of power purchase has been described, but the same applies to the case of power sale. That is, in the case of the power seller, the difference between the balance of transactions (the amount of income) and the cost of change (increase) of the generation cost is the benefit for the power supplier. At this time, the profit amount Y can be expressed as Expression (5).
また、上記実施形態では、取引価格Rは、取引量Cによらず一定である場合について説明した。しかし、取引価格Rが、取引量Cに応じて変動するものであってもよい。その場合、式(4)のRは、Cの関数R(C)として表せる。 Further, in the above embodiment, the case where the transaction price R is constant regardless of the transaction amount C has been described. However, the transaction price R may be variable according to the transaction amount C. In that case, R in equation (4) can be expressed as a function R (C) of C.
また、上記実施形態では、予測システムは、利益額を算出するものとしたが、利益値に関するデータであれば、利益額に限らず、所定のポイント等であってもよい。 Further, in the above embodiment, although the prediction system calculates the amount of profit, it is not limited to the amount of profit but may be predetermined points or the like as long as it is data relating to the value of profit.
===気温予測部の動作について===
次に、気温予測部102の動作の一例について説明する。
=== About the operation of the temperature prediction unit ===
Next, an example of the operation of the air temperature prediction unit 102 will be described.
本実施形態では、気温は、その日の予測最高気温、予測最低気温、及びそのときの時間帯と関係性を有するという理解に基づいて、気温の予測を行う。すなわち、過去の気温の測定結果、予測最高気温、予測最低気温より、回帰分析により、その時間帯における気温と予測最高気温、予測最低気温の関係性を回帰式として算出する。そして、回帰分析における、誤差項の標準偏差sより予測気温の確率分布を算出する。 In the present embodiment, the temperature is predicted based on the understanding that the temperature is related to the predicted maximum temperature of the day, the predicted minimum temperature, and the time zone at that time. That is, from the measurement result of the past temperature, the predicted maximum temperature and the predicted minimum temperature, regression analysis is performed to calculate the relationship between the temperature in the time zone and the predicted maximum temperature and the predicted minimum temperature as a regression equation. Then, the probability distribution of predicted air temperature is calculated from the standard deviation s of the error term in the regression analysis.
図8に、本実施形態のフローチャートを示す。 FIG. 8 shows a flowchart of this embodiment.
本実施形態では、予測装置100が、気象情報予測装置400とLAN接続等による通信網300を利用して(図1には図示せず)、過去の日に関する、気温の実測値、予測最高気温、予測最低気温等のデータ、未来の日に関する、予測最高気温、予測最低気温の予測データ等の送受信を行うことで、気温の予測を行う。 In the present embodiment, the prediction device 100 uses the weather information prediction device 400 and the communication network 300 such as LAN connection (not shown in FIG. 1) to measure actual temperatures and predicted maximum temperatures regarding past days. By performing transmission and reception of data such as predicted minimum temperature, predicted maximum temperature and predicted minimum temperature regarding future days, temperature prediction is performed.
尚、気象情報予測装置400は、予測装置100からのリクエストに応じてデータを送信するコンピュータである。また、気象情報予測装置400は、図2Bに示す取引情報提供装置200と同様のハードウェア構成となっている。 The weather information prediction apparatus 400 is a computer that transmits data in response to a request from the prediction apparatus 100. Further, the weather information prediction apparatus 400 has a hardware configuration similar to that of the transaction information providing apparatus 200 shown in FIG. 2B.
図9A〜図9Cに、気象情報予測装置400の記憶手段に記憶された、気温に関するデータテーブルの一例を示す。図9Aは過去の日の気温の実測値、図9Bは過去の日の予測最高気温、予測最低気温、図9Cは未来の予測最高気温、予測最低気温に関するデータである。 FIGS. 9A to 9C show an example of the air temperature related data table stored in the storage unit of the weather information prediction apparatus 400. FIG. 9A is the actual temperature of the past day, FIG. 9B is the predicted maximum temperature of the past day, the predicted minimum temperature, and FIG. 9C is the data about the predicted maximum temperature of the future, the predicted minimum temperature.
図9Aは、1時間毎に測定された気温のデータテーブルM4である。このデータテーブルM4には、所定時に測定された気温の測定結果(以下、「実測値」という)が測定日時と対応づけられて記憶されている。ここで、測定結果は、例えば、1時間単位で、外気の気温を温度計で測定したものである。測定日時は、当該測定がなされた年月日、及び時刻である。 FIG. 9A is a data table M4 of the air temperature measured every hour. In the data table M4, the measurement result of the air temperature measured at a predetermined time (hereinafter, referred to as "measured value") is stored in association with the measurement date and time. Here, the measurement result is, for example, one obtained by measuring the temperature of the outside air with a thermometer on an hourly basis. The measurement date is the date and time when the measurement was made.
図9Bは、気象庁等で予測された気温のデータテーブルM2である。このデータテーブルM5には、気象庁等で予測された予測最高気温T1max、予測最低気温T1minであって、過去の日に関するデータが、当該予測の対象となった日と対応づけられて記憶されている。尚、データテーブルM4の気温の測定日は、データテーブルM5の日と対応する形式で記憶されておればよく、同一のデータテーブル内に対応づけられた形式で記憶されていてもよい。また、年月日に代えて、所定の符号で対応づけられた形式で記憶されていてもよい。また、測定がなされた時刻についても、1日のうちの時刻と関連する、所定のタイミング等の形式で記憶されていてもよい。 FIG. 9B is a data table M2 of the temperature predicted by the Japan Meteorological Agency or the like. In this data table M5, the predicted maximum temperature T1 max and the predicted minimum temperature T1 min predicted by the Japan Meteorological Agency etc., and the data regarding the past days are stored in correspondence with the days on which the target of the forecast was made ing. The measurement date of the air temperature of the data table M4 may be stored in a format corresponding to the date of the data table M5, and may be stored in a format associated with the same data table. Also, instead of the date, it may be stored in a form associated with a predetermined code. Further, the time when the measurement is performed may also be stored in the form of a predetermined timing or the like associated with the time of day.
図9Cは、予測対象となる日について、事前に、気象庁等で予測された気温のデータテーブルM6である。このデータテーブルM6には、気象庁等で予測された予測最高気温T2max、予測最低気温T2minであって、未来の日に関するデータが、予測対象日と対応づけられて記憶されている。 FIG. 9C is a data table M6 of the temperature predicted in advance by the Japan Meteorological Agency etc. for the day to be predicted. In this data table M6, predicted maximum temperature T2 max and predicted minimum temperature T2 min predicted by the Japan Meteorological Agency etc., and data on future days are stored in association with the target dates.
図8の(S31)は、予測装置100の取得部101が、気象情報提供装置400に対して、過去のデータのうち、電力取引の対象である所定時間帯に測定された測定温度、及び当該測定日に関する予測最高気温T1max、予測最低気温T1minを要求する工程である。 In (S31) of FIG. 8, the acquisition unit 101 of the prediction device 100 causes the weather information providing device 400 to measure, among the past data, the measured temperature measured during a predetermined time zone that is the target of the power transaction, This is a process for requesting the predicted maximum temperature T1 max and the predicted minimum temperature T1 min on the measurement date.
(S32)は、気象情報提供装置400が、当該要求を受けて、過去データの実測値に係るデータテーブルM4から対応する所定時間帯に測定された実測値を取得し、予測装置100に対して、当該データを送信する工程である。加えて、気象情報提供装置400は、過去データの事前に気象庁等で予測された予測最高気温、予測最低気温に関するデータテーブルM5から、当該実測値の測定日に対応する予測最高気温T1max、予測最低気温T1minを取得し、予測装置100に対して、当該データを送信する。 In (S32), the weather information providing device 400 receives the request, acquires the measured value measured in the corresponding predetermined time period from the data table M4 related to the measured value of the past data, , And transmitting the data. In addition, the weather information provision device 400 predicts the predicted maximum temperature T1 max corresponding to the measurement date of the actual measurement value from the data table M5 related to the predicted maximum temperature and predicted minimum temperature predicted by the Japan Meteorological Agency etc. in advance of past data. The minimum temperature T1 min is acquired, and the data is transmitted to the prediction device 100.
一例として、電力取引の対象期間が、2013/2/1の7時〜8時である場合、取得部101は、過去の測定気温に関するデータM4の7時、又は8時に測定された実測値と、当該測定日の予測最高気温T1max、予測最低気温T1minを取得する。 As an example, when the target period of the power transaction is 7 o'clock to 8 o'clock in 2013/2/1, the acquiring unit 101 determines that the actual value measured at 7 o'clock or 8 o'clock in the data M4 related to the measured temperature in the past Obtain the predicted maximum temperature T1 max and the predicted minimum temperature T1 min of the measurement date.
尚、本実施形態において、(S31)で過去データから取得する、予測を希望する時間帯に関するデータは、時間帯と予測最高気温、予測最低気温の関係性を明らかにするうえで支障のない範囲内を意味する。そのため、例えば、予測対象とする時間帯が7時〜8時である場合、過去の実測値が7時15分や6時45分に測定されたデータであっても、7時を示す過去データとして取得対象となる。また、同様に、本発明における「時間帯」の語義は、必ずしも14時00分〜15時00分等の時分を表すものではなく、一日の時刻の推移の中での所定の区間を意味する。 In the present embodiment, the data on the time zone for which a prediction is desired, which is acquired from the past data in (S31), is a range in which there is no problem in clarifying the relationship between the time zone, the predicted maximum temperature, and the predicted minimum temperature. It means inside. Therefore, for example, when the time slot to be predicted is 7 o'clock to 8 o'clock, the past data showing 7 o'clock even if the past measured value is data measured at 7:15 or 6:45. It becomes an acquisition target. Similarly, the meaning of “time zone” in the present invention does not necessarily indicate time, such as 14:00 to 15:00, and a predetermined section in the transition of the time of day. means.
(S33)は、予測装置100の気温予測部102が、取得した過去のデータに基づいて、気温予測式を算出する工程である。具体的には、予測装置100は、実測値T1、予測最高気温T1max、予測最低気温T1minに基づいて、回帰分析を実行し、当該所定時間帯における予測気温T2に係る気温予測式を算出するとともに、予測気温T2の確率分布を算出する。 (S33) is a process in which the air temperature prediction unit 102 of the prediction device 100 calculates the air temperature prediction formula based on the acquired past data. Specifically, the prediction device 100 executes regression analysis based on the actual measurement value T1, the predicted maximum temperature T1 max , and the predicted minimum temperature T1 min , and calculates the temperature prediction equation relating to the predicted temperature T2 in the predetermined time zone. At the same time, the probability distribution of the predicted temperature T2 is calculated.
回帰分析は、例えば、予測最高気温と予測最低気温を説明変数とする式(6)の回帰モデルについて、最小二乗法により行う。 The regression analysis is performed by, for example, the least squares method with respect to the regression model of Equation (6) using the predicted maximum temperature and the predicted minimum temperature as explanatory variables.
これより、当該回帰モデルのβ0、β1、β2を決定し、気温予測式として回帰式(7)を算出する。
From this, β 0 , β 1 , and β 2 of the regression model are determined, and regression equation (7) is calculated as a temperature prediction equation.
また、このとき、予測気温の確率分布を算出するため、予測気温のばらつきに関する係数として、誤差項の標準偏差sを、式(8)に基づいて算出する。
Further, at this time, in order to calculate the probability distribution of the predicted air temperature, the standard deviation s of the error term is calculated based on the equation (8) as a coefficient relating to the variation of the predicted air temperature.
そして、本実施形態では、各実測値の分布は、以下の正規分布に従うとすると、予測気温T2の確率分布は、説明変数の値によらず、一律に誤差項の標準偏差s2を母分散とする正規分布とみなすことができる。
Then, in the present embodiment, assuming that the distribution of each actually measured value follows the normal distribution, the probability distribution of the predicted air temperature T2 uniformly varies the standard deviation s 2 of the error term regardless of the value of the explanatory variable. It can be regarded as a normal distribution.
図10に、予測気温T2の確率分布のイメージ図に示す。 FIG. 10 shows an image of the probability distribution of the predicted temperature T2.
また、予測気温T2の確率分布は、信頼区間として算出することもできる。例えば、信頼区間は、確率密度関数f(T3)の区間積分に基づいて算出することができる。この場合、68.2%の信頼区間は、予測気温T2からsだけずれた気温T2±sの間の気温となる。
Further, the probability distribution of the predicted air temperature T2 can also be calculated as a confidence interval. For example, the confidence interval can be calculated based on the interval integral of the probability density function f (T3). In this case, the 68.2% confidence interval is the temperature between the predicted air temperature T2 and the air temperature T2 ± s that is shifted by s.
図10の斜線部は、68.3%の信頼区間と確率密度関数f(T3)の関係を表している。 The shaded area in FIG. 10 represents the relationship between the 68.3% confidence interval and the probability density function f (T3).
(S34)は、予測装置100の取得部101が、気象情報提供装置400に対して、予測対象日である2013/2/1に関する予測最高気温T2Max、予測最低気温T2minを要求する工程である。 (S34) is a process in which the acquisition unit 101 of the prediction device 100 requests the weather information providing device 400 to generate the predicted maximum temperature T2 Max and the predicted minimum temperature T2 min for the target date of 2013/2/1. is there.
(S35)は、気象情報提供装置400が、当該要求を受けて、気象庁等で予測された予測最高気温T2max、予測最低気温T2minであって、未来の日に関するデータM6から、予測対象日(例えば、2013/2/1)に関する予測最高気温T2max、予測最低気温T2minを取得し、予測装置100に対して、当該データを送信する工程である。 In (S35), the weather information providing apparatus 400 receives the request, and the predicted maximum temperature T2 max and the predicted minimum temperature T2 min predicted by the Japan Meteorological Agency etc. are predicted target dates from data M6 regarding future days This is a step of acquiring the predicted maximum temperature T2 max and the predicted minimum temperature T2 min regarding (for example, 2013/2/1), and transmitting the data to the prediction device 100.
(S36)は、予測装置100の気温予測部102が、取得した予測データと、算出された気温予測式、及び予測気温T2のばらつきに関する係数に基づいて、予測対象日の所定時間帯(例えば、2013/2/1の7時〜8時)の予測気温T2、及びその確率分布データを算出する工程である。 (S36) is based on the prediction data acquired by the air temperature prediction unit 102 of the prediction device 100, the calculated air temperature prediction formula, and a coefficient relating to the variation of the predicted air temperature T2, a predetermined time slot of the prediction target date (for example, It is a process of calculating predicted temperature T2 of 7 o'clock to 8 o'clock of 2013/2/1 and its probability distribution data.
このように、本実施形態の気温予測部102によって、気象情報から予測気温の確率分布を高い精度で算出することができる。 As described above, the air temperature prediction unit 102 according to the present embodiment can calculate the probability distribution of predicted air temperature from the weather information with high accuracy.
尚、確率分布データは、確率に応じた信頼区間を算出してもよく、その場合、標準偏差sに対して信頼度に応じた係数を乗ずることによって算出することができる。例えば、信頼度70%の場合、標準偏差sに対して係数1.28を乗ずればよいし、信頼度90%の場合、標準偏差sに対して係数1.53を乗ずればよい。 The probability distribution data may be calculated as a confidence interval corresponding to the probability, in which case the standard deviation s can be calculated by multiplying a coefficient corresponding to the reliability. For example, in the case of the reliability 70%, the standard deviation s may be multiplied by a coefficient 1.28, and in the case of the reliability 90%, the standard deviation s may be multiplied by a coefficient 1.53.
また、確率分布データは、過去データにおける累積分布関数により、信頼区間を算出してもよい。図11は、過去データから取得した複数のサンプルにより、累積確率を算出し、信頼区間を算出した一例である。誤差の列は回帰式(7)に対する誤差項Eiの値を表し、頻度の列は当該誤差に対応するサンプル数、確率密度の列はサンプル数と頻度から算出される確率密度、累積確率の列はサンプル数と頻度から算出される累積確率を表す。例えば、図11では、回帰式から予測される値からの誤差0.8℃の範囲が70%の信頼区間であることを表している。 In addition, as the probability distribution data, a confidence interval may be calculated by using a cumulative distribution function in past data. FIG. 11 is an example in which the cumulative probability is calculated by using a plurality of samples acquired from the past data, and the confidence interval is calculated. Column of the error represents the value of the error term E i for regression equation (7), the column of frequency sample number corresponding to the error, the column of the probability density probability density calculated from the number of samples and frequency, the cumulative probability The columns represent the cumulative probability calculated from the number of samples and the frequency. For example, FIG. 11 shows that the range of 0.8 ° C. error from the value predicted from the regression equation is a 70% confidence interval.
また、上記実施形態では、電力取引の時間帯が2013/2/1の7時〜8時の1時間の場合に、気温予測部102が7時〜8時に関する回帰式を算出することを記載した。しかしながら、電力取引の時間帯が2013/2/1の7時〜10時の3時間の場合等、長時間を取引対象とする場合、7時〜8時、8時〜9時、9時〜10時等に関する回帰式を別々に算出してもよい。 Moreover, in the said embodiment, when the time slot | zone of a power transaction is 1 hour of 7 o'clock-8 o'clock of 2013/2/1, it describes that the temperature prediction part 102 calculates the regression about 7 o'clock-8 o'clock did. However, when dealing with long hours, such as when the time zone of the power transaction is 3 hours from 7 o'clock to 10 o'clock of 2013/2/1, 7 o'clock to 8 o'clock, 8 o'clock to 9 o'clock, 9 o'clock to 9 o'clock Regression equations for 10 o'clock etc may be calculated separately.
また、上記実施形態では、予測最高気温と予測最低気温のみを説明変数とする予測気温を算出する回帰モデルを用いた。しかしながら、気象情報から予測気温の確率分布をある程度の精度で算出することができれば、回帰モデルは、上記に限る必要はない。例えば、予測最高気温、予測最低気温の一方のみを説明変数とする回帰モデルを用いてもよい。予測気温の確率分布を算出するために参照する気象情報としては、予測最高気温、予測最低気温、天気情報、風速情報、大気圧等があげられる。他方、予測精度を向上させるため、説明変数として、季節情報、地域情報等を追加してもよい。また、サンプルの分散を安定化させるため、分散安定化変換を行って、回帰モデルを適応してもよい。 Moreover, in the said embodiment, the regression model which calculates the prediction air temperature which makes only the prediction highest temperature and the prediction lowest temperature the explanatory variable was used. However, if the probability distribution of predicted air temperature can be calculated with a certain degree of accuracy from weather information, the regression model does not have to be limited to the above. For example, a regression model in which only one of the predicted maximum temperature and the predicted minimum temperature is used as an explanatory variable may be used. As weather information to be referred to in order to calculate the probability distribution of predicted temperatures, predicted maximum temperatures, predicted minimum temperatures, weather information, wind speed information, atmospheric pressure and the like can be mentioned. On the other hand, seasonal information, area information, etc. may be added as explanatory variables in order to improve the prediction accuracy. Also, in order to stabilize the dispersion of the sample, a dispersion stabilization transformation may be performed to adapt the regression model.
尚、季節情報を反映させた回帰式の一例を、式(11)に示す。 An example of a regression equation reflecting seasonal information is shown in equation (11).
回帰式(11)によれば、予測最高気温Tmax、予測最低気温Tminの影響度と、季節による影響度を適切に調整した予測気温を算出することができる。尚、図12に、回帰式(11)により、時刻毎に算出した予測気温の信頼区間の結果の一例を示す。
また、気温予測部102は、予測気温の確率分布を正確に把握することによって、電力需要量の確率分布を算出することを目的としているから、その他の既知の予測気温の確率分布の算出方法を採用してもよい。
According to the regression equation (11), it is possible to calculate the predicted temperature with the influence of the predicted maximum temperature T max and the predicted minimum temperature T min appropriately adjusted with the influence by the season. Note that FIG. 12 shows an example of the result of the confidence interval of the predicted air temperature calculated for each time by regression (11).
Further, since the temperature prediction unit 102 aims to calculate the probability distribution of the power demand amount by accurately grasping the probability distribution of the predicted temperature, the calculation method of the probability distribution of the other known predicted temperatures is It may be adopted.
===需要予測部の動作について===
次に、需要予測部103の動作の一例について説明する。
=== About the operation of the demand forecasting unit ===
Next, an example of the operation of the demand prediction unit 103 will be described.
本実施形態では、現実の電力需要量が、電力需要量の予測値から変動する要因の一つに、気温変動に起因する冷暖房需要の変動があるという理解に基づいて、電力需要量の予測を行う。すなわち、気温予測部102で算出した予測気温の確率分布より、電力需要量の確率分布を算出する。そして、本実施形態では、需要予測部103は、気温の実測値と過去の電力需要量の実測値に基づいて、気温と電力需要量の関係式を算出することにより、電力需要量の確率分布を算出する。 In the present embodiment, the prediction of the amount of power demand is based on the understanding that the fluctuation of the heating and cooling demand due to the temperature change is one of the factors that the actual amount of power demand changes from the predicted value of the amount of power demand. Do. That is, from the probability distribution of the predicted air temperature calculated by the air temperature prediction unit 102, the probability distribution of the power demand amount is calculated. Then, in the present embodiment, the demand prediction unit 103 calculates the relationship between the temperature and the amount of power demand based on the actual value of the temperature and the actual value of the amount of power demand in the past, thereby obtaining the probability distribution of the amount of power demand. Calculate
図13に、本実施形態のフローチャートの一例を示す。 FIG. 13 shows an example of a flowchart of the present embodiment.
本実施形態では、予測装置100が、気象情報提供装置400、需要情報提供装置500とLAN接続等による通信網300を利用して(図1には図示せず)、気温の実測値、及びそのときの電力需要量に関する過去のデータ等の送受信を行うことで、電力需要量の予測を行う。 In this embodiment, the prediction device 100 uses the weather information providing device 400, the demand information providing device 500, and the communication network 300 such as a LAN connection (not shown in FIG. 1) to measure the actual temperature, and By performing transmission and reception of past data and the like regarding the power demand amount at the time, the power demand amount is predicted.
尚、需要情報提供装置500は、予測装置100からのリクエストに応じてデータを送信するコンピュータである。また、需要情報提供装置500は、図2Bに示す取引情報提供装置200と同様のハードウェア構成となっている。 The demand information providing device 500 is a computer that transmits data in response to a request from the prediction device 100. Further, the demand information providing device 500 has the same hardware configuration as the transaction information providing device 200 shown in FIG. 2B.
図14に、需要情報提供装置500の記憶手段に記憶された、過去に実測された電力需要量に関するデータテーブルM7の一例を示す。このデータテーブルM7には、所定時間帯の電力需要量が日時と対応づけられて、1時間単位で記憶されている。 FIG. 14 shows an example of a data table M7 related to the amount of power demand actually measured and stored in the storage means of the demand information providing device 500. In the data table M7, the power demand in a predetermined time zone is associated with the date and time, and is stored on an hourly basis.
図13の(S41)は、予測装置100の取得部101が、需要情報提供装置500に対して、電力取引の対象である所定時間帯に関する過去の電力需要量を要求する工程である。 (S41) in FIG. 13 is a process in which the acquiring unit 101 of the prediction device 100 requests the demand information providing device 500 for the past amount of power demand related to the predetermined time slot that is the target of the power transaction.
(S42)は、需要情報提供装置500が、当該要求を受けて、過去の電力需要量に係るデータテーブルM7から、電力需要量を取得し、予測装置100に対して、当該データを送信する工程である。 (S42) is a step in which the demand information providing device 500 receives the request, acquires the power demand amount from the data table M7 related to the past power demand amount, and transmits the data to the prediction device 100. It is.
一例として、電力取引の対象期間が、2013/2/1の7時〜8時である場合、取得部101は、過去(昨年度の同月)の電力需要量に関するデータM7の7時〜8時のデータを取得する。尚、当該取得する対象の電力需要量の時間帯等は、電力取引の対象期間との類似性等を考慮して適宜変更することができる。 As an example, when the target period of the power transaction is 7 o'clock to 8 o'clock in 2013/2/1, the acquisition unit 101 is 7 o'clock to 8 o'clock in the data M7 related to the amount of power demand in the past (the same month last year). Get data The time zone and the like of the power demand amount to be acquired can be appropriately changed in consideration of the similarity to the target period of the power transaction and the like.
(S43)は、予測装置100の取得部101が、気象情報提供装置400に対して、(S42)で取得した電力需要量の時間帯に関する、過去の気温の実測値を要求する工程である。 (S43) is a process in which the acquiring unit 101 of the prediction device 100 requests the weather information providing device 400 to measure the past air temperature regarding the time zone of the power demand acquired in (S42).
(S44)は、気象情報提供装置400が、当該要求を受けて、過去の測定気温に係るデータテーブルM4から、実測値を取得し、予測装置100に対して、当該データを送信する工程である。 (S44) is a step in which the weather information providing device 400 receives the request, acquires an actual measurement value from the data table M4 related to the past measured air temperature, and transmits the data to the prediction device 100. .
一例として、(S42)で取得した電力需要量の時間帯が、2012/2/1〜2012/2/8の7時〜8時である場合、取得部101は、2012/2/1〜2012/2/8の測定気温に関するデータM4の7時、又は8時のデータを取得する。 As an example, when the time zone of the amount of power demand acquired in (S42) is 7 o'clock to 8 o'clock of 2012/2/1 to 2012/2/8, the acquiring unit 101 is 2012/2/1 to 2012 The data of 7 o'clock or 8 o'clock of data M4 related to the measured temperature of 2/8 is acquired.
(S45)は、予測装置100の需要予測部103が、取得した過去のデータに基づいて、需要予測式を算出する工程である。具体的には、予測装置100は、(S44)で取得した所定時間帯の気温の実測値T1、及び電力需要量N1に基づいて、電力需要量と気温の関係式を算出するための回帰分析を行う。 (S45) is a process in which the demand prediction unit 103 of the prediction device 100 calculates a demand prediction formula based on the acquired past data. Specifically, the prediction apparatus 100 is a regression analysis for calculating the relational expression between the amount of power demand and the temperature based on the actual value T1 of the temperature in the predetermined time zone and the amount of power demand N1 acquired in (S44). I do.
回帰分析は、例えば、電力需要量Nを目的変数、標準気温18℃と実測値の差、及び標準気温18℃と実測値の差の二乗を説明変数とする、式(12)の回帰モデルについて、最小二乗法により行う。 The regression analysis is, for example, the regression model of the equation (12) in which the power demand N is the objective variable, the difference between the standard temperature 18 ° C. and the actual measurement value, and the square of the difference between the standard temperature 18 ° C. and the actual measurement value , By the least squares method.
ここで、標準気温18℃と実測値(気温)の差を説明変数としているのは、冷暖房需要による電力需要量の変動量は、標準気温18℃のときには、冷暖房需要は実質的に0であるとみなせるためである。また、標準気温18℃と実測値(気温)の差の二乗を説明変数とすることによって、冷暖房の需要は、気温が標準気温18℃から離れるにつれて、急激に増加するという一般的社会現象をより正確に反映させることができる。
Here, the difference between the standard temperature of 18 ° C and the actual measurement value (air temperature) is taken as an explanatory variable because the amount of fluctuation of the power demand due to the heating and cooling demand is substantially zero when the standard temperature is 18 ° C. It can be regarded as. Also, by taking the square of the difference between the standard temperature 18 ° C and the actual measurement (air temperature) as an explanatory variable, the demand for air conditioning and heating will increase from the general social phenomenon that the temperature rapidly increases as it deviates from the standard temperature 18 ° C. It can be accurately reflected.
また、式(12)は、18℃以上か18℃以下かによって式を2分し、冷房需要と暖房需要とを別としている。尚、式(12)では省略しているが、天気情報、曜日情報等の説明変数を追加して回帰分析を行ってもよい。 Further, the equation (12) divides the equation into two depending on whether it is 18 ° C. or more or 18 ° C. or less, and the cooling demand and the heating demand are separated. Although omitted in the equation (12), regression analysis may be performed by adding explanatory variables such as weather information and day information.
これより、当該回帰モデルのγ0、γ1、γ2、δ0、δ1、δ2を決定し、需要予測式として回帰式(13)を算出する。 From this, γ 0 , γ 1 , γ 2 , δ 0 , δ 1 and δ 2 of the regression model are determined, and regression equation (13) is calculated as a demand forecast equation.
一例として、予測気温の確率分布データが、予測気温の期待値T2と、68.2%の信頼区間として気温T2±sで表されている場合、電力需要量の確率分布(信頼区間)は、次のようになる。 As an example, when the probability distribution data of the predicted temperature is represented by the expected value T2 of the predicted temperature and the temperature T2 ± s as a confidence interval of 68.2%, the probability distribution (reliable interval) of the power demand amount is It becomes as follows.
すなわち、式(13)の気温Tに対して、予測気温の確率分布の期待値T2を代入することによって、電力需要量の期待値を算出する。そして、電力需要量の予測値の信頼区間の上限値と下限値は、式(13)にT2+s、T2−sそれぞれを代入することによって算出することができる(式(13A)は、気温Tについて単調減少関数とみなせる。式(13B)は、気温Tについて単調増加関数とみなせる。)
尚、予測気温の確率分布の期待値T0は、予測気温の確率密度関数がf(T)である場合、式(14)より算出できる。
That is, the expected value of the amount of power demand is calculated by substituting the expected value T2 of the probability distribution of the predicted air temperature into the air temperature T of Expression (13). Then, the upper limit value and the lower limit value of the confidence interval of the predicted value of the power demand amount can be calculated by substituting T2 + s and T2-s into equation (13) (equation (13A) is for temperature T) It can be regarded as a monotonically decreasing function.Equation (13B) can be regarded as a monotonically increasing function with respect to the temperature T.)
The expected value T0 of the probability distribution of predicted air temperatures can be calculated from equation (14) when the probability density function of the predicted air temperatures is f (T).
尚、本実施形態では、標準気温18℃と実測値(気温)の差、及び標準気温18℃と実測値(気温)の差の二乗を説明変数とする、回帰モデルを用いた。しかしながら、予測気温の確率分布から電力需要量の確率分布をある程度の精度で算出することができれば、回帰モデルは、上記に限る必要はない。例えば、標準気温18℃と実測値(気温)の差の二乗については、説明変数を省略してもよいし、標準気温18℃と実測値(気温)の差に代えて、通常の実測値(気温)を説明変数としてもよい。また、標準気温は略18℃であればよく、17℃や19℃と設定してもよい。また、説明変数として予測最高気温、予測最低気温、天気情報、地域情報、曜日情報等を追加してもよい。 In the present embodiment, a regression model is used in which the difference between the standard temperature 18 ° C. and the actual measurement (air temperature) and the square of the difference between the standard air temperature 18 ° C. and the actual measurement (air temperature) are explanatory variables. However, if the probability distribution of the power demand can be calculated with a certain degree of accuracy from the probability distribution of the predicted temperature, the regression model does not have to be limited to the above. For example, for the square of the difference between the standard temperature 18 ° C and the actual measurement (air temperature), the explanatory variable may be omitted, or instead of the difference between the standard temperature 18 ° C and the actual measurement (air temperature) Temperature) may be used as an explanatory variable. The standard temperature may be approximately 18 ° C., and may be set to 17 ° C. or 19 ° C. Also, predicted maximum temperature, predicted minimum temperature, weather information, regional information, day of the week information, etc. may be added as explanatory variables.
また、上記実施形態では、需要予測式を算出する際、需要情報提供装置500から、予測対象日の時刻と同時刻の過去データを取得する構成とした。しかし、予測対象日の時刻と同時刻の過去データに基づいて、気温予測式を算出する手法であれば、他の方法であってもよい。例えば、予め式(12)の回帰モデルにダミー変数として時刻に係る変数を追加し、予測装置100の需要予測部103が回帰分析を行う際に、他の時刻情報が除外される方法であってもよい。この場合、同時刻であるときには1、それ以外は0となるように設定すればよい。 Further, in the above embodiment, when calculating the demand forecasting equation, the demand information providing device 500 is configured to acquire past data at the same time as the forecast target date. However, any other method may be used as long as it is a method of calculating the air temperature prediction formula based on past data at the same time as the time of the prediction target date. For example, a variable relating to time is added as a dummy variable to the regression model of equation (12) in advance, and other time information is excluded when the demand prediction unit 103 of the prediction device 100 performs regression analysis. It is also good. In this case, it may be set to be 1 at the same time and 0 otherwise.
また、サンプルの分散を安定化させるため、分散安定化変換を行って、回帰モデルを適応してもよい。需要予測式を算出する式(12)の回帰モデルにおいて、分散安定化変換を行った場合の一例を、式(15)に示す。 Also, in order to stabilize the dispersion of the sample, a dispersion stabilization transformation may be performed to adapt the regression model. In the regression model of Formula (12) which calculates a demand forecast formula, an example at the time of performing dispersion | distribution stabilization conversion is shown to Formula (15).
式(12)の回帰モデルの場合、気温の値によっては、ばらつきが大きくなる傾向があるが、式(15)の回帰モデルによれば、ばらつきを均一にすることができる。
In the case of the regression model of equation (12), the variation tends to increase depending on the temperature value, but according to the regression model of equation (15), the variation can be made uniform.
また、需要予測部103は、電力需要量の確率分布を正確に把握することによって、利益額の確率分布を算出することを目的としているから、回帰式に代えて、既知の電力需要量の確率分布の算出方法を採用してもよい。 Further, the purpose of the demand forecasting unit 103 is to calculate the probability distribution of the profit amount by accurately grasping the probability distribution of the power demand amount. Therefore, instead of the regression equation, the probability of the known power demand amount is calculated. A distribution calculation method may be adopted.
===利益予測部の動作について===
次に、利益予測部104の動作について説明する。
=== About the operation of the profit forecasting unit ===
Next, the operation of the profit prediction unit 104 will be described.
本実施形態では、利益予測部104は、需要予測部103が算出した電力需要量の確率分布データに基づいて、利益額Yの確率分布データを算出する。 In the present embodiment, the profit prediction unit 104 calculates probability distribution data of the profit amount Y based on the probability distribution data of the amount of power demand calculated by the demand prediction unit 103.
利益額Yの算出方法については、上記式(4)又は式(5)において説明したとおりである。以下では、電力需要量の確率分布データが、電力需要量の期待値N0と、信頼区間に関するデータN2〜N3である場合について、利益額Yの確率分布を算出する方法を説明する。 The method of calculating the profit amount Y is as described in the above equation (4) or (5). In the following, a method of calculating the probability distribution of the profit amount Y will be described in the case where the probability distribution data of the power demand amount is the expected value N0 of the power demand amount and the data N2 to N3 regarding the confidence interval.
利益額Yの期待値は、式(4)の電力需要量Nに対して、電力需要量の期待値N0を代入することによって、算出することができる。 The expected value of the profit amount Y can be calculated by substituting the expected value N0 of the power demand amount for the power demand amount N of equation (4).
また、利益額Yの信頼区間の上限値Y2と下限値Y3は、式(4)にN2、N3それぞれを代入することによって算出することができる(式(4)は、Cが一定のとき電力需要量Nについて単調増加関数とみなせる)。 Further, the upper limit value Y2 and the lower limit value Y3 of the confidence interval of the profit amount Y can be calculated by substituting N2 and N3 respectively into the equation (4) (equation (4) is the power when C is constant) It can be regarded as a monotonically increasing function of the demand amount N).
このように、利益予測部104によって、電力需要量の確率分布に基づいて、利益額の確率分布を算出することができる。 As described above, the profit prediction unit 104 can calculate the probability distribution of the profit amount based on the probability distribution of the power demand amount.
以上のように、本実施形態によれば、利益額の確率分布に、時間単位で算出された予測気温の確率分布を反映させることが可能となる。すなわち、利益額の確率分布に、時間単位で冷暖房需要に起因する電力需要量の変動を反映させた態様とすることができる。 As described above, according to the present embodiment, it is possible to reflect the probability distribution of predicted air temperatures calculated in units of time on the probability distribution of profit. That is, it is possible to set the aspect in which the fluctuation of the amount of power demand due to the air conditioning demand on a time basis is reflected in the probability distribution of the profit amount.
これより、システム使用者は、一定量の電力取引を行った場合の利益額の確率分布を認識することが可能となる。 Thus, the system user can recognize the probability distribution of the amount of profit when performing a certain amount of power transaction.
尚、上記実施形態では、電力取引における取引量を所定量Cとしたが、利益額Yの確率分布に基づいて、利益額Yが最大となるC’を最適取引量として算出してもよい。その場合、例えば、電力需要量の予測値Nが期待値N0の場合について、Yが最大となるC’を算出すればよい。 In the above embodiment, although the trading volume in the power transaction is set to the predetermined volume C, C ′ at which the profit Y becomes maximum may be calculated as the optimal trading volume based on the probability distribution of the profit Y. In that case, for example, C ′ at which Y becomes maximum may be calculated when the predicted value N of the power demand amount is the expected value N0.
<第2実施形態>
本実施形態では、電力需要量の予測基準値が、中央給電指令所等により提示している場合に、電力需要量の予測基準値について確率分布を算出する方法について説明する。
Second Embodiment
In the present embodiment, a method of calculating the probability distribution for the predicted reference value of the power demand amount will be described when the predicted reference value of the power demand amount is presented by the central power supply command center or the like.
中央給電指令所等が、過去の実績、気象情報等に基づいて、電力需要量の予測基準値を算出し、電力供給者に提示する場合がある。そして、このように算出された電力需要量の予測基準値は、過去の実績を反映した高い精度を担保した情報となっている。 The central power supply command center or the like may calculate a forecast reference value of the amount of power demand based on past results, weather information, etc., and present it to the power supplier. And the prediction reference value of the amount of power demand calculated in this way is information in which the high accuracy reflecting the past results is secured.
しかし、このように算出された電力需要量の予測値であっても、第1実施形態で述べたとおり、気温の変動があった場合には、冷暖房需要の変動に起因して変動するものである。 However, even with the predicted value of the amount of power demand calculated in this manner, as described in the first embodiment, if there is a change in temperature, it fluctuates due to a change in air conditioning and heating demand. is there.
そこで、本実施形態では、需要予測部103’は、中央給電指令所等により提示された電力需要量の予測基準値を活用しつつ、その確率分布を算出する。すなわち、需要予測部103’は、過去のデータに基づいて、予測気温から、気温が1度変化した場合に、電力需要量が予測基準値からどの程度の変動するのかの関係式を明らかにする。そして、当該関係式と、予測気温の確率分布に基づいて、電力需要量の確率分布を算出する。本実施形態では、算出された予測気温の確率分布の期待値T0に対して、1度気温がずれた場合の電力需要量の変動量を算出する関係式を算出する。 So, in this embodiment, demand forecasting part 103 'computes the probability distribution, making use of the prediction standard value of the amount of electric power demand presented by the central electric power feeding order place etc. That is, demand forecasting part 103 'will clarify the relational expression of how much the amount of power demand fluctuates from a prediction standard value, when air temperature changes 1 degree from predicted air temperature based on past data . Then, the probability distribution of the power demand amount is calculated based on the relational expression and the probability distribution of the predicted temperature. In the present embodiment, a relational expression is calculated to calculate the fluctuation amount of the power demand amount when the air temperature deviates by 1 degree with respect to the expected value T0 of the probability distribution of the predicted air temperature.
尚、需要予測部103’以外の構成については、第1実施形態と共通するため説明を省略する。 The configuration other than the demand prediction unit 103 'is the same as that of the first embodiment, and thus the description thereof is omitted.
図15に、本実施形態の需要予測部103’の動作を表すフローチャートの一例を示す。 FIG. 15 shows an example of a flowchart showing the operation of the demand prediction unit 103 'of this embodiment.
本実施形態では、予測装置100が、気象情報提供装置400、需要情報提供装置500とLAN接続等による通信網300を利用して(図1には図示せず)、気温の実測値、及びそのときの電力需要量に関する過去のデータ等の送受信を行うことで、電力需要量の予測を行う。 In this embodiment, the prediction device 100 uses the weather information providing device 400, the demand information providing device 500, and the communication network 300 such as a LAN connection (not shown in FIG. 1) to measure the actual temperature, and By performing transmission and reception of past data and the like regarding the power demand amount at the time, the power demand amount is predicted.
図16Aに、需要情報提供装置500の記憶手段に記憶された、過去の電力需要量に関するデータテーブルM8の一例を示す。このデータテーブルM8には、過去のデータとして、所定時間帯の電力需要量の実測値、当該所定時間帯について予測されていた電力需要量、当該所定時間帯について予測されていた気温(℃)が、日時と対応づけられて1時間単位で記憶されている。
また、図16Bに、需要情報提供装置500の記憶手段に記憶された、電力需要量の予測値(以下、「電力需要量の予測基準値」と言う。)に関するデータテーブルM9の一例を示す。このデータテーブルM9には、未来の電力需要量の予測値が、日時と対応づけられて1時間単位で記憶されている。
FIG. 16A shows an example of a data table M8 regarding the past amount of power demand stored in the storage means of the demand information providing device 500. In this data table M8, as the past data, the actual value of the power demand in the predetermined time zone, the power demand predicted for the predetermined time zone, and the air temperature (° C.) predicted for the predetermined time zone , Are associated with the date and time, and are stored on an hourly basis.
Further, FIG. 16B shows an example of a data table M9 related to the predicted value of the power demand (hereinafter referred to as “the predicted reference value of the power demand”) stored in the storage unit of the demand information providing device 500. In the data table M9, predicted values of the future power demand are stored in one-hour units in association with date and time.
図15の(S41’)は、予測装置100の取得部101が、需要情報提供装置500に対して、電力取引の対象である所定時間帯に関する過去の電力需要量を要求する工程である。ここで、取得部101は、過去のデータのうち、予測気温T2のときの電力需要量を要求する。 (S41 ') of FIG. 15 is a process in which the acquiring unit 101 of the prediction device 100 requests the demand information providing device 500 for the past amount of power demand related to the predetermined time slot that is the target of the power transaction. Here, the acquisition unit 101 requests the amount of power demand at the predicted temperature T2 among the past data.
尚、予測気温T2について回帰式を算出するのは、冷暖房需要に起因した電力需要量の変化量は、気温ごとに異なっているからである。例えば、予測気温19℃から現実には20℃に変化した場合と、予測気温30℃から現実には31℃に変化した場合とで、電力需要量の変化量は異なっている。 The reason why the regression equation is calculated for the predicted air temperature T2 is that the amount of change in the amount of power demand caused by the air conditioning and heating demand is different for each air temperature. For example, the amount of change in the power demand differs between when the predicted temperature 19 ° C. actually changes to 20 ° C. and when the predicted temperature 30 ° C. actually changes 31 ° C.
(S42’)は、需要情報提供装置500が、当該要求を受けて、過去の電力需要量に係るデータテーブルM8から、実測された所定時間帯の電力需要量、当該所定時間帯について予測されていた電力需要量、当該所定時間帯について予測されていた気温を取得し、予測装置100に対して、当該データを送信する工程である。 In (S42 '), the demand information providing device 500 receives the request, and is predicted about the power demand of the predetermined time zone actually measured and the predetermined time zone from the data table M8 related to the power demand in the past. This is a step of acquiring the power demand amount and the air temperature predicted for the predetermined time period, and transmitting the data to the prediction device 100.
一例として、電力取引の対象期間が、2013/2/1の7時〜8時であり、予測気温の期待値が20度である場合、取得部101は、過去(昨年度の同月)の電力需要量に関するデータM8の7時〜8時でかつ、予測気温が20度のときのデータを取得する。 As an example, when the target period of the power transaction is 7 o'clock to 8 o'clock in 2013/2/1, and the expected value of the predicted temperature is 20 degrees, the acquiring unit 101 obtains the power demand of the past (the same month of last year) Data on quantity M7 at 7 to 8 o'clock and the temperature when the predicted temperature is 20 degrees are acquired.
(S43’)は、予測装置100の取得部101が、気象情報提供装置400に対して、(S42’)で取得した電力需要量の時間帯に関する、過去の気温の実測値を要求する工程である。 (S43 ′) is a process in which the acquiring unit 101 of the prediction device 100 requests the weather information providing device 400 to measure the past air temperature regarding the time zone of the power demand acquired in (S42 ′). is there.
(S44’)は、気象情報提供装置400が、当該要求を受けて、過去の測定気温に係るデータテーブルM4から、実測値を取得し、予測装置100に対して、当該データを送信する工程である。 (S44 ′) is a process in which the weather information providing device 400 receives the request, acquires an actual measurement value from the data table M4 related to the past measured air temperature, and transmits the data to the prediction device 100. is there.
一例として、(S42’)で取得した電力需要量の時間帯が、2012/2/1〜2012/2/8の7時〜8時である場合、取得部101は、2012/2/1〜2012/2/8の測定気温に関するデータM4の7時、又は8時のデータを取得する。 As an example, when the time zone of the amount of power demand acquired in (S 42 ′) is 7 o'clock to 8 o'clock of 2012/2/1 to 12/2/2/8, the acquiring unit 101 performs the process from 2012/2/1 to 2012/01 The 7 o'clock or 8 o'clock data of data M4 regarding the measured air temperature of 2012/2/8 is acquired.
(S45’−1)は、予測装置100の需要予測部103’が、取得した過去のデータに基づいて、需要予測式を算出する工程である。具体的には、予測装置100は、(S42’)と(S44’)で取得した所定時間帯の実測された電力需要量、当該所定時間帯について予測されていた電力需要量、当該所定時間帯について予測されていた気温、及び所定時間帯の気温の実測値に基づいて、予測気温T0から1℃気温が変化したとき、電力需要量が、電力需要量の予測値からどの程度変化するかについて、回帰分析を行う。 (S45'-1) is a process in which the demand prediction unit 103 'of the prediction device 100 calculates a demand prediction formula based on the acquired past data. Specifically, the prediction device 100 measures the measured power demand amount of the predetermined time zone acquired in (S42 ′) and (S44 ′), the power demand amount predicted for the predetermined time zone, and the predetermined time zone The amount of electricity demand changes from the predicted value of electricity demand when the air temperature changes from 1 oC to 1 oC based on the air temperature predicted for the above and the measured value of the air temperature for a predetermined time period Perform regression analysis.
回帰分析は、電力需要量Nfの実測値を目的変数、予測気温T0と実測値Tfの差、及び予測気温T0と実測値Tfの差の二乗を説明変数とする、式(16)の回帰モデルについて、最小二乗法により行う。尚、電力需要量の予測値からのずれ値を算出するための回帰モデルであるため、電力需要量の予測値N0に対する演算式としている。 The regression analysis is a regression model of equation (16) using the actual value of the power demand Nf as the objective variable, the difference between the predicted air temperature T0 and the actual measurement Tf, and the square of the difference between the predicted air temperature T0 and the actual measurement Tf as the explanatory variable. For the least squares method. In addition, since it is a regression model for calculating the deviation value from the predicted value of the amount of power demand, it is an arithmetic expression for the predicted value N0 of the amount of power demand.
本実施形態では、気温が予測値から1℃変化した場合の冷暖房需要による電力需要量の変動量を予測するため、予測気温T0と実測値Tfの差、及び予測気温T0と実測値Tfの差の二乗を説明変数とする、2次関数回帰モデルを用いている。また、式(12)と同様に、18℃以上か、18℃以下かによって、式を2分している。
In this embodiment, the difference between the predicted air temperature T0 and the actual measurement value Tf, and the difference between the predicted air temperature T0 and the actual measurement value Tf, in order to predict the fluctuation amount of the power demand due to the air conditioning demand when the air temperature changes 1 ° C from the prediction value. A quadratic regression model is used, with the square of x as the explanatory variable. Further, as in the case of the equation (12), the equation is divided into two depending on whether the temperature is 18 ° C. or more or 18 ° C. or less.
これより、当該回帰モデルのγ1、γ2、δ1、δ2を決定し、需要予測式として回帰式(17)を算出する。 From this, γ 1 , γ 2 , δ 1 and δ 2 of the regression model are determined, and regression equation (17) is calculated as a demand forecast equation.
(S45’−3)は、需要情報提供装置500が、当該要求を受けて、未来の電力需要量の予測基準値に係るデータテーブルM9から、予測対象の所定時間帯についての電力需要量の予測基準値を取得し、予測装置100に対して、当該データを送信する工程である。 In (S45'-3), the demand information providing device 500 receives the request and predicts the power demand for the predetermined time period to be forecast from the data table M9 according to the forecast reference value of the future power demand. This is a step of acquiring a reference value and transmitting the data to the prediction device 100.
(S46)は、予測装置100の需要予測部103’が、上記回帰式(17)と、気温予測部102が算出した予測気温の確率分布データに基づいて、電力需要量の確率分布を算出する工程である。 In (S46), the demand prediction unit 103 ′ of the prediction device 100 calculates the probability distribution of the power demand based on the regression equation (17) and the probability distribution data of the predicted temperature calculated by the temperature prediction unit 102. It is a process.
一例として、予測気温の確率分布データが、期待値T0、及び期待値T0からsだけずれた気温T0±sである場合、電力需要量の確率分布(信頼区間)は、式(17)により算出できる。すなわち、電力需要量の信頼区間の上限値と下限値は、式(17)の電力需要量の予測値N0に予測基準値を代入するとともに、Tfに対して予測気温の期待値T0からずれた気温T0±sを代入することにより算出することができる(式(17)は、気温Tについて単調増加関数とみなせる)。 As an example, when the probability distribution data of the predicted air temperature is the expected value T0 and the air temperature T0 ± s shifted by s from the expected value T0, the probability distribution (reliable interval) of the power demand amount is calculated by equation (17) it can. That is, the upper limit value and the lower limit value of the confidence interval of the power demand amount are shifted from the expected value T0 of the predicted air temperature with respect to Tf while substituting the prediction reference value for the predicted value N0 of the power demand amount of equation (17) It can be calculated by substituting the temperature T0 ± s (Eq. (17) can be regarded as a monotonically increasing function of the temperature T).
このように、本実施形態の需要予測部103’によって、電力需要量の予測基準値に対する確率分布を高い精度で算出することができる。 As described above, the demand prediction unit 103 'of the present embodiment can calculate the probability distribution with respect to the prediction reference value of the power demand amount with high accuracy.
尚、上記実施形態では、回帰式(17)を用いた(S46)の工程で、予測気温の確率分布データとして、期待値T0、及び期待値T0からsだけずれた気温T0±sにより、電力需要量の確率分布を算出した。しかし、これに代えて、中央給電指令所が予測気温T0を提示している場合、予測気温T0は、需要情報提供装置500から電力需要量の予測基準値とともに取得する値としてもよい。また、予測気温T0からのずれとして、図11で示した累積確率より算出した信頼区間に関するデータを用いてもよい。そして、予測気温の信頼度ごと(確率ごと)に、電力需要量の基準値に対するぶれ幅を算出してもよい。 In the above embodiment, in the process of (S46) using the regression equation (17), the expected value T0 and the air temperature T0 ± s shifted by s from the expected value T0 are used as the probability distribution data of the predicted air temperature. The probability distribution of demand was calculated. However, instead of this, when the central power supply command center presents the predicted air temperature T0, the predicted air temperature T0 may be a value acquired from the demand information providing device 500 together with the prediction reference value of the amount of power demand. Further, as a deviation from the predicted air temperature T0, data on the confidence interval calculated from the cumulative probability shown in FIG. 11 may be used. Then, for each reliability (for each probability) of the predicted air temperature, a fluctuation range relative to the reference value of the amount of power demand may be calculated.
尚、上記回帰式(17)に代えて、次の回帰式(18)を用いて、標準気温18℃と実測値との差で、γ1、γ2、δ1、δ2を算出してもよい。 Incidentally, instead of the regression equation (17), using the following regression equation (18), the difference between the standard temperature 18 ° C. and the measured value, γ 1, γ 2, δ 1, to calculate the [delta] 2 It is also good.
そして、電力需要量の予測基準値の確率分布(ぶれ幅)は、算出した回帰式(18)のN0に対して電力需要量の予測基準値を代入するとともに、Tfに対して予測気温の期待値T0からずれた気温T0±sを代入することにより算出することができる。 Then, for the probability distribution (blur width) of the forecast reference value of the power demand amount, the forecast reference value of the power demand amount is substituted for N0 of the calculated regression equation (18) It can be calculated by substituting the temperature T0 ± s shifted from the value T0.
また、需要情報提供装置500から電力需要量の予測基準値とともに予測気温T0を取得する場合(中央給電指令所の予測気温)、予測気温T0から気温Tfにずれた場合の電力需要量の予測基準値の確率分布(ぶれ幅)は、本実施形態における他の態様として、次の式(19B)を用いることもできる。 In addition, when the predicted air temperature T0 is acquired from the demand information providing device 500 together with the predicted reference value of the amount of power demand (predicted air temperature of the central power supply command center), the prediction standard of the power demand amount when shifted from the predicted air temperature T0 to the air temperature Tf. The following equation (19B) can also be used as the probability distribution (blur width) of values as another aspect in the present embodiment.
式(19B)のγN+1、γN+2、γN+3、γN+4は、式(15)の回帰係数γN+1、γN+2、γN+3、γN+4を用いているから、過去の電力需要量の実測値と、過去の気温の実績値から、簡易に予測式を算出することができる。
Gamma N + 1 of the formula (19B), γ N + 2 , γ N + 3, γ N + 4 are regression coefficients gamma N + 1 of the formula (15), γ N + 2 , γ N + 3, since using a gamma N + 4, past power demand amount of the measured values And, it is possible to calculate the prediction formula easily from the past actual temperature value.
そして、電力需要量の予測基準値の確率分布(ぶれ幅)は、算出した回帰式(19B)のN0に対して電力需要量の予測基準値を代入するとともに、T0に対して需要情報提供装置500から取得した予測気温、Tfに対して予測気温T0からずれた気温T0±s(又は上記予測気温の信頼区間に関するデータ)を代入することにより算出することができる。 Then, the probability distribution (blur width) of the forecast reference value of the power demand amount substitutes the forecast reference value of the power demand amount into N0 of the calculated regression equation (19B), and the demand information provision device for T0 It can calculate by substituting the temperature T0 +/- s (or the data regarding the reliability section of the above-mentioned predicted air temperature) which shifted from predicted air temperature T0 to predicted air temperature acquired from 500 and Tf.
式(19B)において、ΔDT1、ΔDT1 2、ΔDT2、ΔDT2 2を説明変数としているのは、中央給電指令所の予測気温T0からずれてTfとなる場合、電力需要量への影響度は、ΔDT1、ΔDT1 2、ΔDT2、ΔDT2 2により表せるためである。 In equation (19B), ΔDT 1 , ΔDT 1 2 , ΔDT 2 , and ΔDT 2 2 are used as explanatory variables when Tf deviates from predicted air temperature T0 of the central power supply command station, and the degree of influence on the amount of power demand Is because it can be expressed by ΔDT 1 , ΔDT 1 2 , ΔDT 2 , and ΔDT 2 2 .
また、予測気温T0から1℃ずれた場合の電力需要量の変化量に関する係数(気温感応度)は、式(15)ですでに算出しているγN+1、γN+2、γN+3、γN+4と略同一とみなすことができるため、式(19B)において、式(15)で算出したγN+1、γN+2、γN+3、γN+4を用いている。 The coefficient relating the amount of change in power demand amount when shifted 1 ℃ from the predicted temperature T0 (temperature sensitivity) already calculated and are gamma N + 1 in equation (15), γ N + 2 , γ N + 3, and gamma N + 4 since can be regarded as substantially the same, in the formula (19B), γ N + 1 is calculated by the formula (15), γ N + 2 , γ N + 3, it is used gamma N + 4.
<その他の実施形態>
上記実施形態では、予測気温の確率分布を、利益額の確率分布に変数変換する際、予測気温の確率分布から算出した所定の信頼区間を、電力需要量の信頼区間に変換し、電力需要量の信頼区間から予測利益の信頼区間に変換する方法を用いた。
<Other Embodiments>
In the above embodiment, when the probability distribution of predicted air temperature is converted into a probability distribution of profit, a predetermined confidence interval calculated from the probability distribution of predicted air temperature is transformed into a confidence interval of power demand, and the power demand is calculated. We used a method to convert from confidence intervals of to confidence intervals of forecasted profits.
しかしながら、予測気温の確率分布を変数変換して、予測利益の確率分布に反映させる算出方法は任意である。 However, the calculation method for converting the probability distribution of the predicted temperature into a variable and reflecting the result on the probability distribution of the predicted profit is arbitrary.
例えば、予測気温の確率密度関数を、回帰式(13)等に基づいて、変数変換して、電力需要量の確率密度関数として表し、同様に、電力需要量の確率密度関数を予測利益の確率密度関数に変換して表してもよい。 For example, the probability density function of predicted air temperature is subjected to variable conversion based on regression equation (13) etc., and expressed as a probability density function of power demand, and similarly, the probability density function of power demand is probability of forecast profit It may be converted to a density function.
図17は、確率密度関数の変数変換のイメージ図である。確率密度関数f(x)を、確率密度関数g(y)に変換する場合、変数変換したg(y)は、式(20)を変形して式(21)のように表せる。 FIG. 17 is an image diagram of variable conversion of the probability density function. When the probability density function f (x) is converted to the probability density function g (y), the variable-converted g (y) can be expressed as Expression (21) by transforming Expression (20).
また、同様に、予測気温のばらつきに関する係数(誤差項の標準偏差s)を、上記回帰式(13)に基づいて、電力需要量のばらつきに関する係数に変数変換し、電力需要量のばらつきに関する係数を上記式(4)に基づいて、予測利益のばらつきに関する係数に変数変換してもよい。 Similarly, the coefficient (standard deviation s of the error term) related to the variation of the predicted air temperature is converted into a coefficient related to the variation of the power demand based on the regression equation (13), and the coefficient related to the variation of the power demand May be variable-transformed into a coefficient relating to the variation of the predicted profit on the basis of the above equation (4).
また、上記実施形態では、現実の電力需要量が電力需要量の予測値から変動する要因として、気温変動に起因する冷暖房需要の変動が最も大きいとみなして、電力需要量のばらつきを算出する際、式(12)、式(15)、式(16)等の誤差項に関しては、考慮しない態様とした。しかしながら、式(12)、式(15)、式(16)等の誤差項に関しても、式(8)の誤差項の標準偏差sと同様に、誤差項の標準偏差を算出し、電力需要量の確率分布を算出する際に考慮に入れる態様としてもよい。その場合、周知の誤差伝搬の法則により、標準偏差を統合すればよい。 Further, in the above embodiment, the fluctuation of the demand for electricity is calculated as the largest fluctuation of the demand for heating and cooling due to the fluctuation of the air temperature as a factor that the actual amount of demand for electric power fluctuates from the predicted value of the amount of electricity demand. The error terms such as Equation (12), Equation (15), and Equation (16) are not considered. However, the standard deviation of the error term is calculated in the same manner as the standard deviation s of the error term of equation (8) also for the error terms such as equations (12), (15), and (16), It is good also as an aspect considered in calculating probability distribution of. In that case, the standard deviation may be integrated according to the well-known error propagation law.
また、上記実施形態では、予測気温の確率分布は、説明変数の値(予測最高気温、予測最低気温の値)によらず、一律に誤差項の標準偏差s2を母分散とする正規分布とみなした。しかし、予測気温の信頼区間は、説明変数の値(予測最高気温、予測最低気温の値)によって分布関数を異ならせる、t分布に基づく信頼区間として算出してもよい。その場合、予測気温T2のばらつきに関する係数は、自由度n−3で割った不偏推定量としての、誤差項の標準偏差s’は式(22)で表せる。 Further, in the above embodiment, the probability distribution of the predicted air temperature is a normal distribution uniformly taking the standard deviation s 2 of the error term as the population variance regardless of the values of the explanatory variables (predicted maximum air temperature and predicted low air temperature). I regarded it. However, the confidence interval of the predicted temperature may be calculated as a confidence interval based on the t distribution in which the distribution function is made different depending on the values of the explanatory variables (predicted maximum temperature and predicted minimum temperature). In that case, the coefficient relating to the variation of the predicted air temperature T2 can be expressed by equation (22) as the standard deviation s' of the error term as an unbiased estimator divided by n-3 degrees of freedom.
この場合の予測気温T2の信頼区間は、予測最高気温T2maxと予測最低気温T2min、誤差項の標準偏差s’に基づいて、式(24)によって算出することができる。
The confidence interval of the predicted air temperature T2 in this case can be calculated by the equation (24) based on the predicted highest temperature T2 max , the predicted lowest temperature T2 min , and the standard deviation s' of the error term.
このように、予測気温T2の確率分布をt分布に基づく信頼区間として表した場合、観測点の数が少ない場合、観測点に偏りがある場合、予測対象日の予測最高気温T2max、予測最低気温T2minが通常と異なる温度域を示している場合等においても、高い精度で予測気温の確率分布を算出することができる。 Thus, when the probability distribution of the predicted air temperature T2 is represented as a confidence interval based on the t distribution, when the number of observation points is small, and when the observation points are biased, the predicted highest temperature T2 max of the prediction target day, the predicted lowest Even in the case where the temperature T2 min indicates a temperature range different from normal, etc., it is possible to calculate the probability distribution of predicted temperatures with high accuracy.
また、上記実施形態では、予測気温T2の確率分布を示すデータとして、他の分布関数を利用したものであってもよく、χ2分布やF分布に基づくデータであってもよい。 In the above embodiment, as the data indicating the probability distribution of the predicted temperature T2, may be obtained by using other distribution function, it may be data based on the chi 2 distribution and F distribution.
また、上記実施形態では、回帰分析の手法として、最小二乗法を示した。しかし、最小二乗法に代えて、モーメント法や最丈法を利用してもよい。 In the above embodiment, the least squares method is shown as a method of regression analysis. However, instead of the least squares method, the moment method or the maximum length method may be used.
また、上記実施形態では、予測対象の日時が設定されるに応じて、気温予測式、及び需要予測式を算出する工程を行うとしたが、気温予測式、及び需要予測式を予め生成して記憶手段100Bに記憶しておき、予測対象の日時が設定されるに応じて、対応する日時の気温予測式、及び需要予測式を記憶手段100Bから取得する態様としてもよい。 In the above embodiment, the air temperature prediction equation and the demand prediction equation are calculated according to the date and time of the prediction target being set, but the air temperature prediction equation and the demand prediction equation are generated in advance It is good also as a mode stored in storage means 100B, and according to the date and time of prediction object being set, the temperature prediction formula of a corresponding date and time, and a demand forecasting formula being acquired from storage means 100B.
また、上記実施形態では、予測装置100が、気温予測部102、需要予測部103、利益予測部104を機能部として有する構成とした。しかし、これらの機能部又はその一部は、他の装置に分散されていてもよい。同様に、各記憶手段に記憶されたデータの記憶領域は、任意の場所でよい。例えば、予測装置100に集約されていてもよいし、複数のコンピュータから構成されるクラウドシステム上に分散して記憶される構成であってもよい。 Moreover, in the said embodiment, it was set as the structure which the prediction apparatus 100 has the air temperature prediction part 102, the demand prediction part 103, and the profit prediction part 104 as a function part. However, these functional units or parts thereof may be distributed to other devices. Similarly, the storage area of data stored in each storage means may be any place. For example, it may be integrated in the prediction device 100, or may be distributed and stored on a cloud system composed of a plurality of computers.
<第3実施形態>
本実施形態では、電力需要量の予測に日照時間を考慮する。第1実施形態の式(12)では、電力需要量Nを目的変数とし、標準気温18℃と実測値との差、及び標準気温18℃と実測値との差の二乗を説明変数としたが、本実施形態ではこれに日照時間を説明変数として加える。具体的には、需要予測部103は、図13の(S45)において、次式(12’)の回帰モデルについて最小二乗法により回帰分析を行う。
Third Embodiment
In the present embodiment, the sunshine duration is considered in the prediction of the power demand. In the equation (12) of the first embodiment, the power demand amount N is used as the objective variable, and the difference between the standard temperature 18 ° C. and the actual measurement value and the square of the difference between the standard air temperature 18 ° C. and the actual measurement value In the present embodiment, the sunshine time is added to this as an explanatory variable. Specifically, the demand prediction unit 103 performs regression analysis by the least square method on the regression model of the following equation (12 ′) in (S45) of FIG.
式(12’)により求められる電力需要量Nは、需要家による総需要量から太陽光発電による発電量を引いたもの、すなわち電力会社等の電力供給者にとっての電力需要量である。日照時間を説明変数としているのは、太陽光発電による電力供給量の増減によって電力供給者に対する電力需要量が変動するからである。これにより、電力供給者にとっての冷暖房需要を正確に予測することが可能となる。 The power demand amount N determined by the equation (12 ') is the total demand amount by the customer minus the power generation amount by solar power generation, that is, the power demand amount for a power supplier such as a power company. The reason why sunshine duration is used as an explanatory variable is that the amount of power demand to the power supplier fluctuates due to the increase and decrease of the amount of power supply by solar power generation. This makes it possible to accurately predict the heating and cooling demand for the power supplier.
予測装置100の取得部101は、気象情報提供装置400に対して要求を送信し、気象情報提供装置400は、当該要求に応じて、データテーブルM4から気温の実測値を取得するとともに、データテーブルM10から日照時間の実測値を取得し、これらを予測装置100に対して送信するようにする。予測装置100の需要予測部103は、気温の実測値と、日照時間の実測値とを用いて、当該回帰モデルのγ0、γ1、γ2、δ0、δ1、δ2に加えてμを決定し、需要予測式として次の回帰式(13’)を算出する。 The acquiring unit 101 of the prediction device 100 transmits a request to the weather information providing device 400, and the weather information providing device 400 acquires the measured value of the air temperature from the data table M4 in response to the request, and the data table The measured values of the sunshine duration are acquired from M10 and transmitted to the prediction device 100. The demand prediction unit 103 of the prediction device 100 adds the γ 0 , the γ 1 , the γ 2 , the δ 2 , the δ 0 , the δ 1 , and the δ 2 of the regression model using the actual temperature and the actual sunshine time. Determine μ and calculate the following regression equation (13 ′) as a demand forecast equation.
図19は、日照時間の予測値に関するデータテーブルM11の一例を示す図である。図19の例では、データテーブルM11には、各時間帯についての日照時間の予測値Sの10,30,50,70,90パーセンタイル値が含まれている。また図19の例では、時間帯の長さは30分であり、1日の48時間帯のそれぞれについて、日照時間の予測値の値を設定している。同図に示すように、50パーセンタイル値が日照時間の期待値(予想通り)であり、予想以下の日照時間として10、30パーセンタイル値が設定され、予想以上の日照時間として70、90パーセンタイル値が設定されている。 FIG. 19 is a diagram showing an example of the data table M11 related to the predicted value of sunshine duration. In the example of FIG. 19, the data table M11 includes 10th, 30th, 50th, 70th, and 90th percentile values of the predicted value S of sunshine duration for each time zone. Further, in the example of FIG. 19, the length of the time zone is 30 minutes, and the value of the predicted value of the sunshine duration is set for each of the 48 hour zones of one day. As shown in the figure, the 50th percentile value is the expected value of sunshine duration (as expected), 10th and 30th percentile values are set as sunshine durations below the forecast, and 70th and 90th percentile values as sunshine durations above the forecast. It is set.
尚、日照時間の予測値は、気象庁や気象会社などが日照時間の予報値を提供している場合にはその予報値を取得するようにしてもよいし、過去の気象データに基づいて日照時間を予測するようにしてもよい。 In addition, when the meteorological agency or the meteorological company provides the forecast value of the sunshine time, the forecast value of the sunshine time may be obtained as the forecast value of the sunshine time, or the sunshine time may be acquired based on the past weather data. May be predicted.
図20は需要予測部103が算出する電力需要量の予測値の一例を示す図である。図20の例では、日照時間の入力に合わせて、電力需要量の予測に係る10,30,50,70,90パーセンタイル値が算出されている。 FIG. 20 is a diagram illustrating an example of the predicted value of the amount of power demand calculated by the demand prediction unit 103. In the example of FIG. 20, the 10th, 30th, 50th, 70th, and 90th percentile values related to the prediction of the power demand amount are calculated in accordance with the input of the sunshine hours.
また、式(12’)において分散安定化変換を行った場合の回帰モデルを示す式(15’)を用いるようにしてもよい。 Further, equation (15 ′) indicating a regression model in the case of performing dispersion stabilization conversion in equation (12 ′) may be used.
以上のように日照時間を説明変数として加えることにより、太陽光発電による見かけ上の需要量の低下を考慮して、電力会社等の電力提供者にとっての電力需要量の予測値を精度良く求めることができる。
As described above, by adding the sunshine time as an explanatory variable, it is possible to accurately obtain the predicted value of the power demand for the power provider such as the power company, considering the decrease in the apparent demand due to the solar power generation. Can.
<第4実施形態>
本実施形態では、電力需要量の予測基準値が、中央給電指令所等により提示している場合に、日照時間を考慮しつつ電力需要量の予測基準値について確率分布を算出する。具体手金は、需要予測部103’は、図15の(S45’−1)において式(16)に代えて、次の式(16’)を用いて回帰分析を行う。
Fourth Embodiment
In the present embodiment, when the predicted reference value of the power demand amount is presented by the central power supply command center or the like, the probability distribution is calculated for the predicted reference value of the power demand amount while considering the sunshine time. Specifically, the demand prediction unit 103 ′ performs regression analysis using the following equation (16 ′) instead of the equation (16) in (S45′-1) of FIG.
式(16’)の回帰モデルについて最小二乗法により回帰分析を行う。これにより、中央給電指令書等が提示する予測気温T0から1℃気温が変化したときに、電力需要量の予測値から電力需要量がどの程度変化するか(γ1、γ2、δ1、δ2;気温感応度)と、日照時間の予測値S0から0.1時間日照時間が変化したときに、電力需要量の予測値からどの程度変化するか(μ;日照時間感応度)とを求めることができる。 A regression analysis is performed by the least squares method for the regression model of equation (16 '). By this, when the air temperature changes from the predicted temperature T0 presented by the central power supply instruction document etc., how much the power demand amount changes from the predicted value of the power demand amount (γ 1 , γ 2 , δ 1 , δ 2 : Temperature sensitivity) and how much the power demand changes from the predicted value when the sunshine time changes from 0.1 to 0.1 hours (μ; sunshine time sensitivity) It can be asked.
回帰分析により上記式(16’)の回帰モデルのγ1、γ2、δ1、δ2、μを決定し、需要予測式として次の式(17’)を算出する。 By regression analysis, γ 1 , γ 2 , δ 1 , δ 2 and μ of the regression model of the above equation (16 ′) are determined, and the following equation (17 ′) is calculated as a demand forecast equation.
予測装置100の需要予測部103’は、上記回帰式(17’)と、気温予測部102が算出した予測気温の確率分布データと、入力された日照時間の確率分布データとに基づいて、電力需要量の確率分布を算出することができる。
The demand prediction unit 103 ′ of the prediction device 100 calculates the power based on the above regression equation (17 ′), the probability distribution data of the predicted temperature calculated by the temperature prediction unit 102, and the probability distribution data of the input sunshine time. The probability distribution of demand can be calculated.
尚、上記回帰式(17)に代えて、次の回帰式(18)を用いて、標準気温18℃と実測値との差で、γ1、γ2、δ1、δ2、μを算出してもよい。 In addition, it replaces with the said regression equation (17), and calculates (gamma) 1 , (gamma) 2 , (delta) 1 , (delta) 2 , (mu) by difference of standard temperature 18 degreeC and actual value using following regression equation (18) You may
以上のようにして、日射量を考慮して電力需要量の予測を行うことができる。 As described above, it is possible to predict the amount of power demand in consideration of the amount of solar radiation.
<第5実施形態>
本実施形態では、気温予測装置10が気温を予測し、予測装置100の気温予測部102は気温予測装置10から気温の予測値を取得する。図21は本実施形態に係る予測システムの一構成例を示す。同図に示すように、予測装置100、取引情報提供装置200及び気温予測装置10は通信網300に接続され、通信網300を介してデータの送受信を行う。
Fifth Embodiment
In the present embodiment, the air temperature prediction device 10 predicts the air temperature, and the air temperature prediction unit 102 of the prediction device 100 acquires the air temperature prediction value from the air temperature prediction device 10. FIG. 21 shows one configuration example of the prediction system according to the present embodiment. As shown in the figure, the prediction device 100, the transaction information providing device 200, and the air temperature prediction device 10 are connected to the communication network 300, and transmit and receive data via the communication network 300.
本実施形態の気温予測装置10は、過去の気温の実績値を正規化して1日における気温の変化を表すカーブ(以下、基準カーブという。)を求め、基準カーブに基づいて気温の予測を行う。本実施形態における正規化は、時間帯ごとの実績値の平均値を求め、1日の最低気温を「0」とし、最高気温を「1」とすることにより行うものとする。したがって、基準カーブに最高気温から最低気温を減算した値を乗算して最低気温を加算することで時間帯ごとの気温予測値を算出することができる。 The air temperature prediction apparatus 10 according to the present embodiment normalizes the past actual temperature values to obtain a curve (hereinafter referred to as a reference curve) representing a change in air temperature in one day, and predicts air temperature based on the reference curve. . The normalization in the present embodiment is performed by obtaining an average value of actual values for each time zone, setting the minimum temperature of one day to “0”, and setting the maximum temperature to “1”. Therefore, the temperature prediction value for each time zone can be calculated by multiplying the reference curve by a value obtained by subtracting the minimum temperature from the maximum temperature and adding the minimum temperature.
また、本実施形態の気温予測装置10は、基準カーブに基づく気温予測の予測誤差の平均値μと標準偏差σ(または分散σ2)とを求めておき、将来の予測時に気温予測を確率分布として算出する。 In addition, the air temperature prediction device 10 of the present embodiment obtains the average value μ and the standard deviation σ (or variance σ 2 ) of prediction errors of air temperature prediction based on the reference curve, and performs temperature distribution prediction in the future prediction. Calculated as
なお、本実施形態では、中国地方の電力需要を予測するべく気温を予測することを想定しており、電力供給を行う対象となるのは広島県、岡山県、島根県、鳥取県、山口県の5県(以下、予測対象地域ともいう。)であることを想定している。そこで本実施形態では、まずは上記予測対象地域の気温をそれぞれ予測したうえで、電力需要量の割合に応じた重み付けをした加重平均値を中国地方全体の気温予測値とする。 In this embodiment, it is assumed that the temperature is predicted to predict the power demand in the Chugoku region, and the power supply target is Hiroshima, Okayama, Shimane, Tottori, Yamaguchi. It is assumed that it is five prefectures (hereinafter referred to as the forecast target area). Therefore, in the present embodiment, first, the air temperature of the above-described forecast target area is predicted, and then a weighted average value weighted according to the ratio of the power demand amount is used as the air temperature forecast value of the entire Chinese region.
===気温予測装置10の構成===
気温予測装置10は、図2Aに示した予測装置100と同様のハードウェア構成を備える。
=== Configuration of Temperature Prediction Device 10 ===
The air temperature prediction apparatus 10 has a hardware configuration similar to that of the prediction apparatus 100 shown in FIG. 2A.
図22は本実施形態に係る気温予測装置10のソフトウェア構成例を示す図である。気温予測装置10は、実績値取得部111、予測値取得部112、基準カーブ作成部113、気温予測部114、誤差分析部115、確率分布作成部116、予測値出力部117、実績値記憶部131、予測値記憶部132、基準カーブ記憶部133、重み記憶部134および誤差データ記憶部135を備える。 FIG. 22 is a diagram showing an example of the software configuration of the air temperature prediction apparatus 10 according to the present embodiment. The air temperature prediction apparatus 10 includes an actual value acquisition unit 111, a predicted value acquisition unit 112, a reference curve generation unit 113, an air temperature prediction unit 114, an error analysis unit 115, a probability distribution generation unit 116, an estimated value output unit 117, and an actual value storage unit. 131 includes a predicted value storage unit 132, a reference curve storage unit 133, a weight storage unit 134, and an error data storage unit 135.
なお、実績値取得部111、予測値取得部112、基準カーブ作成部113、気温予測部114、誤差分析部115、確率分布作成部116および予測値出力部117は、気温予測装置10が備える制御手段100Aが記憶手段100Bに記憶されているプログラムを読み出して実行することにより実現され、実績値記憶部131、予測値記憶部132、基準カーブ記憶部133、重み記憶部134および誤差データ記憶部135は、気温予測装置10が備える記憶手段100Bが提供する記憶領域の一部として実現されるようにすることができる。 The actual value acquisition unit 111, the predicted value acquisition unit 112, the reference curve creation unit 113, the air temperature prediction unit 114, the error analysis unit 115, the probability distribution creation unit 116, and the predicted value output unit 117 are controlled by the air temperature prediction apparatus 10. It is realized by the means 100A reading and executing the program stored in the storage means 100B, and is realized by the actual value storage unit 131, the predicted value storage unit 132, the reference curve storage unit 133, the weight storage unit 134 and the error data storage unit 135. Can be realized as part of the storage area provided by the storage means 100B provided in the air temperature prediction apparatus 10.
実績値取得部111は、気温の実績値を取得する。本実施形態において、気温の実績値は、所定時間(本実施形態では1時間とするが、任意の時間とすることができる。)ごとに外気の気温を温度計で測定したもの、すなわち、時間帯ごとの実績値とする。本実施形態では、時間帯は1時間単位とし、1時から24時までの24区分であるものとする。実績値取得部111は、例えば気温の計測器から自動的に送信される測定結果を受信し、あるいは計測器にアクセスして測定結果を取得するようにすることができる。気温の実績値は、たとえば気象庁や気象会社などにより提供される値であってもよく、この場合には、気象庁や気象会社のコンピュータにアクセスして、気温の実績値を取得することができる。実績値取得部111は、複数の測定場所について気温の実績値を取得する。測定場所としては、気象予報の提供される地域名、すなわち「広島」「岡山」「松江」「鳥取」「山口」のいずれかが設定される。実績値取得部111は、取得した気温の実績値を実績値記憶部131に登録する。 The actual value acquisition unit 111 acquires the actual value of the temperature. In the present embodiment, the actual temperature value is obtained by measuring the temperature of the outside air with a thermometer every predetermined time (one hour in the present embodiment, but may be any time), that is, time It will be the actual value for each band. In the present embodiment, the time zone is in units of one hour, and is divided into 24 segments from 1 o'clock to 24 o'clock. The actual value acquisition unit 111 can receive a measurement result automatically transmitted from, for example, a measurement device of air temperature, or can access the measurement device to acquire a measurement result. The actual temperature value may be, for example, a value provided by the Japan Meteorological Agency or a meteorological company. In this case, the actual temperature value can be obtained by accessing the computer of the meteorological agency or the meteorological company. The actual value acquisition unit 111 acquires actual temperature values for a plurality of measurement locations. As a measurement place, an area name to which a weather forecast is provided, that is, one of “Hiroshima”, “Okayama”, “Matsue”, “Tottori”, and “Yamaguchi” is set. The actual value acquisition unit 111 registers the acquired actual value of the temperature in the actual value storage unit 131.
実績値記憶部131は気温の実績値を記憶する。図23は実績値記憶部131の構成例を示す図である。実績値記憶部131は、測定日(日)、時間帯および季節情報に対応付けて、測定場所ごとの実績値が記憶される。もちろん、測定場所は任意に設定できるが、最高気温および最低気温の予測値が提供される地点と同一(または一致させることが可能)であるものとする。季節情報は任意に区切った季節区分を表すものであり、本実施形態では日時に応じて所定のルールにより決定されるものとし、季節情報は「冬」「初春」「春」「初夏」「梅雨」「夏」「秋」の7区分であるものとする。季節情報はたとえば「梅雨」については隔年任意に設定してもよい。実績値記憶部131には過去10年分の実績値が予め記憶されているものとする。なお、測定装置から測定結果を取得したり、オペレータから測定結果の入力を受け付けて実績値記憶部131に登録する実績値登録部を設けたりするようにしてもよい。また、10年分よりも少なくまたは多くの実績値を登録するようにしてもよい。 The actual value storage unit 131 stores the actual value of the temperature. FIG. 23 is a view showing a configuration example of the actual value storage unit 131. As shown in FIG. The actual value storage unit 131 stores an actual value for each measurement location in association with the measurement date (day), the time zone, and the season information. Of course, the measurement location can be set arbitrarily, but it should be the same as (or able to coincide with) the point at which the predicted values of the maximum temperature and the minimum temperature are provided. The season information represents season segments divided arbitrarily, and in the present embodiment, it is determined according to a predetermined rule according to the date and time, and the season information is "winter", "early spring", "spring", "early summer", "Saiyu" "Summer" "Autumn" shall be divided into seven divisions. The seasonal information may be set, for example, every other year for "Suiyu". In the actual value storage unit 131, actual values for the past 10 years are stored in advance. Note that a measurement result may be acquired from the measurement apparatus, or an actual value registration unit may be provided to receive an input of the measurement result from the operator and register the result in the actual value storage unit 131. Also, less than or more than 10 years worth of actual value may be registered.
予測値取得部112は、予測対象日の最高気温および最低気温の予測値を取得する。予測値取得部112は、たとえば気象庁や気象会社のコンピュータにアクセスして気象庁や気象会社が発表した予報値を含むデータ(気象データ)を受信することができる。予測値取得部112がオペレータから最高気温および最低気温の予測値の入力を受け付けるようにしてもよい。 The predicted value acquisition unit 112 acquires predicted values of the maximum temperature and the minimum temperature of the prediction target day. The predicted value acquisition unit 112 can, for example, access a computer of the Meteorological Agency or a meteorological company to receive data (meteorological data) including a predicted value announced by the Meteorological Agency or the meteorological company. The predicted value acquisition unit 112 may receive input of predicted values of the maximum temperature and the minimum temperature from the operator.
本実施形態では、2日後の電力需要予測をするために2日後の気温予測を行うことを前提とし、予測値取得部112は、予測対象日の2日前に2日後の最高気温および最低気温の予測値を取得するものとする。また、予測値取得部112は、予測対象となる地域ごとに最高気温および最低気温の予測値を取得する。すなわち、予測値取得部112は、「広島」「岡山」「松江」「鳥取」「山口」の気象予報としての最高気温および最低気温の予報値を取得する。本実施形態では、気象庁の発表した天気、降水確率、最高気温および最低気温の予報値を含む気象データを取得するものとする。 In the present embodiment, it is premised that the temperature forecasting after two days is performed to forecast the power demand after two days, and the forecasted value acquiring unit 112 calculates the maximum temperature and the minimum temperature two days after the two days before the forecast target day. Assume that a predicted value is to be obtained. Further, the predicted value acquisition unit 112 acquires predicted values of the maximum temperature and the minimum temperature for each area to be predicted. That is, the predicted value acquisition unit 112 acquires predicted values of the maximum temperature and the minimum temperature as weather forecasts for “Hiroshima”, “Okayama”, “Matsue”, “Tottori” and “Yamaguchi”. In the present embodiment, it is assumed that weather data including weather forecasted by the Japan Meteorological Agency, the probability of precipitation, and predicted values of the maximum temperature and the minimum temperature are acquired.
予測値取得部112は、定期的に(たとえば毎日所定の時刻に)、2日後の最高気温および最低気温の予測値を含む気象データを気象庁や気象会社から取得する。予測値取得部112は取得した予測値を予測値記憶部132に登録する。 The predicted value acquisition unit 112 periodically (for example, every day at a predetermined time) acquires weather data including predicted values of the maximum temperature and the minimum temperature two days later from the Meteorological Agency or a meteorological company. The predicted value acquisition unit 112 registers the acquired predicted value in the predicted value storage unit 132.
予測値記憶部132は、最高気温および最低気温のそれぞれの予測値を記憶する。図24は予測値記憶部132の構成例を示す図である。予測値記憶部132は、予測対象地域の名称(地域名)および予測対象日に対応付けて、天気、降水確率、最高気温および最低気温のそれぞれの予測値を記憶する。地域名は「広島」「岡山」「松江」「鳥取」「山口」のいずれかである。本実施形態では、予測対象日に対応する最高気温の予測値および最低気温の予測値は1組のみが予測値記憶部132に記憶されるものとする。上述したように、過去に発表された2日後の予測値が予測値記憶部132には登録されることになる。また、本実施形態では、予測値記憶部132には過去3年分の予測値が記憶されているものとする。 The predicted value storage unit 132 stores predicted values of the maximum temperature and the minimum temperature. FIG. 24 is a view showing a configuration example of the predicted value storage unit 132. As shown in FIG. The predicted value storage unit 132 stores predicted values of weather, rainfall probability, maximum temperature, and minimum temperature in association with the name (area name) of the prediction target area and the prediction target date. The area name is either "Hiroshima", "Okayama", "Matsue", "Tottori" or "Yamaguchi". In the present embodiment, it is assumed that only one set of the predicted value of the highest temperature and the predicted value of the lowest temperature corresponding to the prediction target day is stored in the predicted value storage unit 132. As described above, the predicted value two days after announced in the past is registered in the predicted value storage unit 132. Further, in the present embodiment, it is assumed that predicted values for the past three years are stored in the predicted value storage unit 132.
基準カーブ作成部113は基準カーブを作成する。具体的には、基準カーブ作成部113は、1年間の各日付と予測対象となる各地域について、実績値記憶部131に記憶されている同月同日の当該地域に対応する気温の実績値を、最低気温を「0」とし、最高気温を「1」として正規化する。具体的には、基準カーブ作成部113は、1年間の各日付と各地域について、実績値記憶部131から同月同日の当該地域の10年分(2月29日については過去10年間における閏年の数)の気温の実績値を読み出し、時間帯ごとに気温の実績値の平均値を算出し、平均値の最低値(以下、平均最低気温という。)と平均値の最高気温(以下、平均最高気温という。)とを選択し、各実績値の平均値から平均最低気温を減算したうえで、平均最高気温から平均最低気温を減算した値で除算した値を正規化値として算出する。この時間帯ごとの正規化値を時間帯の順に並べたのが基準カーブである。基準カーブ作成部113は、作成した基準カーブを基準カーブ記憶部133に登録する。 The reference curve creation unit 113 creates a reference curve. Specifically, the reference curve creation unit 113 records, for each date of one year and each region to be predicted, the actual temperature value corresponding to the region of the same month on the same month stored in the actual value storage unit 131, Make the lowest temperature "0" and normalize the highest temperature "1". More specifically, the reference curve creation unit 113 uses the actual value storage unit 131 for the same month on the same day of the same month on each day of the one year and each area (the leap year in the past ten years for February 29 for February 29). The actual value of the temperature of the number) is read out, the average value of the actual value of the temperature is calculated for each time zone, the lowest value of the average (hereinafter referred to as the average lowest temperature) and the highest temperature of the average (hereinafter referred to as the average highest Temperature is selected, and the average minimum temperature is subtracted from the average value of each actual value, and then a value obtained by subtracting the average minimum temperature from the average maximum temperature is calculated as a normalized value. It is a standard curve that arranged the normalization value for every time zone in order of time zone. The reference curve creation unit 113 registers the created reference curve in the reference curve storage unit 133.
基準カーブ記憶部133は予測対象地域ごとの基準カーブを記憶する。図25は基準カーブ記憶部133の構成例を示す図である。図25に示すように、基準カーブ記憶部133には、予測対象地域の名称(地域名)に対応付けて、1年の各日付について、各時間帯の気温を「0」から「1」までの間の数値(図25の例では0%から100%までのパーセント単位)で表現された平均気温の正規化値(以下、正規化気温という。)が格納される。 The reference curve storage unit 133 stores a reference curve for each prediction target area. FIG. 25 is a diagram showing a configuration example of the reference curve storage unit 133. As shown in FIG. As shown in FIG. 25, the reference curve storage unit 133 associates the temperature of each time zone from “0” to “1” for each date of one year in association with the name (area name) of the prediction target area. A normalized value of the average temperature (hereinafter referred to as normalized temperature) expressed by a numerical value between (in the example of FIG. 25, a percentage from 0% to 100%) is stored.
重み記憶部134は、地域ごとの重みを記憶する。図26は重み記憶部134の構成例を示す図である。本実施形態では、重みは各地域における電力需要量の比を用いるものとする。なお、ユーザが重みを任意に変更できるようにしてもよいし、電力需要量とは関係なく重みを設定するようにしてもよい。 The weight storage unit 134 stores weights for each area. FIG. 26 is a view showing a configuration example of the weight storage unit 134. As shown in FIG. In the present embodiment, the weight uses the ratio of the power demand in each area. The user may change the weight arbitrarily, or may set the weight regardless of the amount of power demand.
気温予測部114は基準カーブを用いて気温を予測する。気温予測部114には予測対象地域と最高気温および最低気温とが与えられ、気温予測部114は、与えられた最高気温から与えられた最低気温を減算した値を、与えられた予測対象地域に対応する基準カーブの数値に乗算し、これに与えられた最低気温を加算することにより、当該予測対象地域の気温予測値を算出する。また、気温予測部114は、重み記憶部134に記憶されている重みを用いて、予測対象地域の気温予測値を加重平均し、全体(本実施形態では中国地方)の気温予測値を算出する。 The temperature prediction unit 114 predicts the temperature using the reference curve. The temperature prediction unit 114 is given the prediction target area and the highest and lowest temperatures, and the temperature prediction unit 114 takes a value obtained by subtracting the given lowest temperature from the given highest temperature as the given prediction target area. The temperature prediction value of the prediction target area is calculated by multiplying the numerical value of the corresponding reference curve and adding the lowest temperature given thereto. Further, the air temperature prediction unit 114 uses the weights stored in the weight storage unit 134 to perform weighted averaging of the air temperature prediction values of the area to be predicted, and calculates the air temperature prediction value of the whole (in this embodiment, the Chugoku region). .
誤差分析部115は基準カーブを用いた気温の予測に係る予測誤差を分析する。誤差分析部115は、過去の日付についての最高気温および最低気温の予測値を予測値記憶部132から読み出し、読み出した最高気温および最低気温の予測値を気温予測部114に与えて気温予測値を算出させる。誤差分析部115は、実績値記憶部131に記憶されている気温の実績値に対応する季節情報ごとに、気温予測部114が算出した気温予測値と対応する日付および時間帯の実績値との差(予測誤差)を算出し、季節情報および時間帯ごとに、予測誤差の平均値μと標準偏差σとを算出する。誤差分析部115は、季節情報および時間帯ごとの平均値μおよび標準偏差σを誤差データ記憶部135に登録する。 The error analysis unit 115 analyzes a prediction error relating to the prediction of the temperature using the reference curve. The error analysis unit 115 reads predicted values of the maximum temperature and the minimum temperature for the past date from the predicted value storage unit 132, gives the predicted values of the read maximum temperature and the minimum temperature to the temperature prediction unit 114, and obtains the predicted temperature. Calculate it. The error analysis unit 115 compares the predicted air temperature value calculated by the air temperature prediction unit 114 with the corresponding date and time zone actual value for each season information corresponding to the actual temperature value stored in the actual value storage unit 131. The difference (prediction error) is calculated, and the average value μ and the standard deviation σ of the prediction error are calculated for each of the season information and the time zone. The error analysis unit 115 registers the seasonal information and the average value μ and the standard deviation σ for each time zone in the error data storage unit 135.
誤差データ記憶部135は、予測誤差に関するデータ(以下、誤差データという。)を記憶する。図27は誤差データ記憶部135の構成例を示す図である。誤差データ記憶部135は、季節情報(冬、早春、春、初夏、つゆ、夏、秋の7区分)に対応付けて、時間帯ごとの平均値μおよび標準偏差σを記憶する。 The error data storage unit 135 stores data on prediction errors (hereinafter referred to as error data). FIG. 27 is a view showing a configuration example of the error data storage unit 135. As shown in FIG. The error data storage unit 135 stores the average value μ and the standard deviation σ for each time zone in association with the season information (winter, early spring, spring, early summer, soup, summer, autumn 7 sections).
確率分布作成部116は、気温予測部114が予測した予測値を確率分布で表すデータ(以下、確率分布データという。)を作成する。本実施形態では、気温の予測値は正規分布であるものとして、予測誤差の平均値(期待値)μに気温の予測値を加算したうえで、標準偏差σから正規分布N(μ,σ2)を表すデータ(たとえば正規分布の確率密度関数f(x))を作成する。本実施形態では、確率分布作成部116は、予測誤差の平均値μと標準偏差σから予測誤差の正規分布N(μ,σ2)を表すデータを作成し、予測誤差についての10パーセンタイル値、30パーセンタイル値、50パーセンタイル値、70パーセンタイル値および90パーセンタイル値を求め、これらに対応する時間帯の気温の予測値を加算することにより、気温の予測値の確率分布を作成する。 The probability distribution creation unit 116 creates data (hereinafter referred to as probability distribution data) that represents the predicted value predicted by the air temperature prediction unit 114 with a probability distribution. In this embodiment, assuming that the predicted value of the air temperature is a normal distribution, the predicted value of the air temperature is added to the average value (expected value) of the prediction error, and then the standard distribution σ is changed to the normal distribution N (μ, σ 2 Create data (eg, probability density function f (x) of normal distribution) representing. In the present embodiment, the probability distribution generator 116 generates data representing the normal distribution N (μ, σ 2 ) of the prediction error from the average value μ of the prediction error and the standard deviation σ, and generates the 10th percentile value for the prediction error. A probability distribution of predicted temperature values is created by calculating the 30th percentile value, the 50th percentile value, the 70th percentile value, and the 90th percentile value, and adding the predicted values of the temperature of the corresponding time zone.
予測値出力部117は、気温の予測値を出力する。予測値出力部117は、確率分布作成部116により作成された確率分布に基づいて気温の予測値を出力する。本実施形態では、予測値出力部117は、確率分布の10パーセンタイル値、30パーセンタイル値、50パーセンタイル値、70パーセンタイル値、90パーセンタイル値の5つの値を気温の予測値として時間帯毎に出力する。なお、予測値出力部117は、平均値(期待値)μを気温の予測値として出力したり、時間帯毎に正規分布のグラフを出力したりすることもできる。本実施形態では、予測値出力部117は予測装置100に予測値を送信し、予測装置100の気温予測部102が予測値出力部117が送信した予測値を取得する。 The predicted value output unit 117 outputs a predicted temperature value. The predicted value output unit 117 outputs a predicted temperature value based on the probability distribution created by the probability distribution creation unit 116. In this embodiment, the predicted value output unit 117 outputs five values of the 10th percentile value, the 30th percentile value, the 50th percentile value, the 70th percentile value, and the 90th percentile value of the probability distribution as predicted temperatures for each time zone. . The predicted value output unit 117 can also output the average value (expected value) μ as a predicted value of the air temperature, or can output a graph of normal distribution for each time zone. In the present embodiment, the prediction value output unit 117 transmits the prediction value to the prediction device 100, and the air temperature prediction unit 102 of the prediction device 100 acquires the prediction value transmitted by the prediction value output unit 117.
また、予測値出力部117は、1時間単位の時間帯の予測値から30分単位の時間帯の予測値を作成して出力することもできる。図28に示すように、各時間帯の予測値は、各時間帯の中間時刻の予測値であるものとし、これを時間帯の長さで按分することにより任意の長さの時間帯の予測値を求めることができる。たとえば、1時間単位のある時間帯Xにおける気温の予測値をTXとすると、時間帯Xの開始時刻Xsにおける気温の予測値TXSと、時間帯X+1の開始時刻(X+1)Sにおける気温予測値T(X+1)Sとは次式により求められる。 The predicted value output unit 117 can also create and output a predicted value in a time zone of 30 minutes from the predicted value in a time zone of 1 hour unit. As shown in FIG. 28, it is assumed that the predicted value of each time zone is the predicted value of the intermediate time of each time zone, and this is divided by the length of the time zone to predict a time zone of any length. You can determine the value. For example, assuming that the predicted value of air temperature in a certain time zone X in one hour unit is T X , the predicted temperature T XS of air temperature at the start time Xs of time zone X and the air temperature forecast at the start time (X + 1) S of time zone X + 1 The value T (X + 1) S is obtained by the following equation.
以下、本実施形態の気温予測装置10により実行される処理について説明する。
Hereinafter, the process performed by the air temperature prediction apparatus 10 of this embodiment is demonstrated.
<事前処理>
図29は気温予測を行う前に行う事前処理の流れを示す図である。
<Pre-processing>
FIG. 29 is a diagram showing a flow of pre-processing performed before temperature prediction.
実績値取得部111は、気温の実績値を取得して実績値記憶部131に登録し(S201)、予測値取得部112は気象データを取得して予測値記憶部132に登録する(S202)。基準カーブ作成部113は、気温の実績値から基準カーブを作成する(S203)。 The actual value acquisition unit 111 acquires the actual value of the air temperature and registers it in the actual value storage unit 131 (S201), and the predicted value acquisition unit 112 acquires the weather data and registers it in the predicted value storage unit 132 (S202) . The reference curve creation unit 113 creates a reference curve from the actual temperature value (S203).
図30は、基準カーブの作成処理の流れを示す図である。基準カーブ作成部113はまず、各地域および1年の各日付(2月29日を含む。)について、同月同日同地域の気温の実績値を実績値記憶部131から読み出し(S221)、読み出した気温の実績値を時間帯ごとに平均して時間帯ごとの平均気温を算出する(S222)。基準カーブ作成部113は、平均気温の中から平均最高気温および平均最低気温を選択する(S223)。基準カーブ作成部113は、各平均気温から平均最低気温を減算し(S224)、減算した平均気温を平均最高気温から平均最低気温を引いた値で割って正規化値を算出する(S225)。基準カーブ作成部113は、正規化値を時間帯の順に並べた基準カーブを基準カーブ記憶部133に登録する(S226)。 FIG. 30 is a diagram showing the flow of the process of creating a reference curve. The reference curve creation unit 113 first reads out the actual value of the temperature of the same area on the same month and the same day from the actual value storage section 131 for each area and each day of the year (including February 29) (S221) The actual temperature values are averaged for each time zone to calculate the average temperature for each time zone (S222). The reference curve creation unit 113 selects an average maximum temperature and an average minimum temperature from among the average temperatures (S223). The reference curve creation unit 113 subtracts the average lowest temperature from each average temperature (S224), and divides the subtracted average temperature by the value obtained by subtracting the average lowest temperature from the average highest temperature to calculate a normalized value (S225). The reference curve creation unit 113 registers, in the reference curve storage unit 133, a reference curve in which normalized values are arranged in order of time zone (S226).
図29に戻り、気温予測部114は、地域および日付ごとに過去の気温予測を行う(S204)。 Referring back to FIG. 29, the temperature prediction unit 114 performs past temperature prediction for each region and date (S204).
図31は、過去の気温予測処理の流れを示す図である。 FIG. 31 is a diagram showing a flow of past temperature prediction processing.
気温予測部114は、予測値記憶部132に記憶されている全ての予測対象日、すなわち、過去3年分の予測対象日のそれぞれについて以下の処理を行う。 The air temperature prediction unit 114 performs the following processing for all the prediction target days stored in the prediction value storage unit 132, that is, each of the prediction target days for the past three years.
気温予測部114は、「広島」「岡山」「松江」「鳥取」「山口」の各地域について、当該地域および予測対象日に対応する最高気温および最低気温の予測値を予測値記憶部132から読み出し(S241)、当該地域および日付に対応する基準カーブを基準カーブ記憶部133から読み出す(S242)。気温予測部114は、読み出した基準カーブに含まれる各時間帯の正規化値に、読み出した最高気温の予測値から読み出した最低気温の予測値を引いた値を乗じ、当該乗算結果に対して、読み出した最低気温の予測値を加算することにより、時間帯ごとの気温の予測値を算出する(S243)。 The temperature prediction unit 114 calculates predicted values of the maximum temperature and the minimum temperature corresponding to the target area and the target date for each area of “Hiroshima”, “Okayama”, “Matsue”, “Tottori” and “Yamaguchi” from the predicted value storage unit 132 Reading (S241), the reference curve corresponding to the area and date is read from the reference curve storage unit 133 (S242). The air temperature prediction unit 114 multiplies the normalized value of each time zone included in the read reference curve by a value obtained by subtracting the predicted value of the lowest air temperature read out from the read out predicted value of the highest air temperature, The prediction value of the air temperature for each time zone is calculated by adding the prediction value of the minimum air temperature read out (S243).
図29に戻り、誤差分析部115は、予測誤差の分析処理を行う(S205)。 Referring back to FIG. 29, the error analysis unit 115 analyzes the prediction error (S205).
図32は、誤差分析部115による予測誤差の分析処理の流れを示す図である。 FIG. 32 is a diagram showing a flow of analysis processing of a prediction error by the error analysis unit 115.
誤差分析部115は、予測値記憶部132に記憶されている全ての予測対象日、すなわち、過去3年分の各予測対象日と、各地域と各時間帯とについて、予測対象日、地域および時間帯に対応する気温の実績値および季節情報を実績値記憶部131から読み出し(S261)、読み出した気温の実績値と、上記気温予測部114により算出された、当該時間帯、当該地域および当該予測対象日に対応する気温の予測値との差(予測誤差)を算出する(S262)。 The error analysis unit 115 calculates prediction target dates, regions, and all the prediction target dates stored in the prediction value storage unit 132, that is, each prediction target date for the past three years, each region, and each time zone. The actual temperature value and the seasonal information corresponding to the time zone are read out from the actual value storage unit 131 (S261), and the read actual temperature value of the temperature and the time zone, the area, and the area calculated by the air temperature prediction unit 114 A difference (prediction error) with the predicted value of the air temperature corresponding to the prediction target day is calculated (S262).
誤差分析部115は、以上の処理を行った後、地域および季節情報ごとに、予測誤差の平均値μと、標準偏差σとを算出する(S263)。なお、平均値μおよび標準偏差σの算出処理については一般的な手法を用いるものとしてここでは詳細を省略する。誤差分析部115は、季節情報に対応付けて、算出した平均値μおよび標準偏差σを誤差データ記憶部135に登録する(S264)。 After performing the above processing, the error analysis unit 115 calculates the average value μ of the prediction error and the standard deviation σ for each area and seasonal information (S263). In addition, about the calculation process of average value (micro | micron | mu) and standard deviation (sigma), it abbreviate | omits details here as what uses a general method. The error analysis unit 115 registers the calculated average value μ and standard deviation σ in the error data storage unit 135 in association with the season information (S 264).
以上のようにして、地域別の基準カーブが作成されて基準カーブ記憶部133に登録され、地域および季節別の予測誤差に係る平均値μおよび標準偏差σが計算されて誤差データ記憶部135に登録される。 As described above, the reference curve for each region is created and registered in the reference curve storage unit 133, and the average value μ and the standard deviation σ concerning the prediction error for each region and season are calculated and are stored in the error data storage unit 135. be registered.
<予測処理>
図33は、将来の気温予測処理の流れを示す図である。
<Prediction process>
FIG. 33 is a diagram showing a flow of air temperature prediction processing in the future.
気温予測部114は、予測値記憶部132に記憶されている最新の予測対象日を読み出し(S301)、「広島」「岡山」「松江」「鳥取」「山口」の各地域について以下の処理が行われる。 The temperature prediction unit 114 reads the latest prediction target date stored in the prediction value storage unit 132 (S301), and the following processing is performed for each area of "Hiroshima", "Okayama", "Matsue", "Tottori" and "Yamaguchi" To be done.
気温予測部114は、予測対象日および地域に対応する最高気温および最低気温の予測値を予測値記憶部132から読み出し(S302)、地域に対応する基準カーブを基準カーブ記憶部133から読み出す(S303)。気温予測部114は、読み出した基準カーブに含まれる各時間帯の正規化値に、読み出した最高気温の予測値から読み出した最低気温の予測値を引いた値を乗じ、当該乗算結果に対して、読み出した最低気温の予測値を加算することにより、時間帯ごとの気温の予測値を算出する(S304)。確率分布作成部116は、算出された予測値の確率分布を作成する(S305)。 The air temperature prediction unit 114 reads the predicted values of the highest temperature and the lowest temperature corresponding to the prediction target day and area from the prediction value storage unit 132 (S302), and reads the reference curve corresponding to the area from the reference curve storage unit 133 (S303) ). The air temperature prediction unit 114 multiplies the normalized value of each time zone included in the read reference curve by a value obtained by subtracting the predicted value of the lowest air temperature read out from the read out predicted value of the highest air temperature, The predicted value of the temperature for each time zone is calculated by adding the read predicted value of the lowest temperature (S304). The probability distribution creation unit 116 creates a probability distribution of the calculated predicted value (S305).
図34は、時間帯ごとの気温予測値の確率分布を作成する処理の流れを示す図である。 FIG. 34 is a diagram showing a flow of processing for creating a probability distribution of predicted air temperature values for each time zone.
確率分布作成部116は、予測対象日に対応する季節情報を特定する(S321)。なお、上述したように、季節情報は予測対象日に応じて所定のルールにより決定されるものとするが、確率分布作成部116が季節情報の入力を受け付けるようにしてもよい。 The probability distribution creation unit 116 identifies season information corresponding to the prediction target date (S321). As described above, the season information is determined according to a predetermined rule according to the prediction target date, but the probability distribution creation unit 116 may receive input of the season information.
確率分布作成部116は、誤差データ記憶部135から季節情報に対応する平均値μおよび標準偏差σを読み出し(S322)、読み出した平均値μおよび標準偏差σを用いて、時間帯ごとに予測誤差eに係る正規分布の確率密度関数f(e)を作成する(S323)。 The probability distribution creating unit 116 reads the average value μ and the standard deviation σ corresponding to the season information from the error data storage unit 135 (S322), and uses the read average value μ and the standard deviation σ to calculate the prediction error for each time zone A probability density function f (e) of normal distribution according to e is created (S323).
確率分布作成部116は、10,30,50,70,90をそれぞれXとして、時間帯についての確率密度関数f(e)から予測誤差についてのXパーセンタイル値を求め(S324)、時間帯の気温の予測値に予測誤差のXパーセンタイル値を加算して、気温予測値のXパーセンタイル値を算出する(S325)。 The probability distribution creation unit 116 obtains X percentile values for prediction errors from the probability density function f (e) for a time zone, where X is 10, 30, 50, 70, and 90, respectively (S324). The X percentile value of the predicted temperature value is calculated by adding the X percentile value of the prediction error to the predicted value of (S325).
図33に戻り、上記の処理を各時間帯について行った後、予測値出力部117は、30分単位の時間帯の予測値を作成する(S306)。 Referring back to FIG. 33, after performing the above-described processing for each time zone, the predicted value output unit 117 creates a predicted value of a time zone in units of 30 minutes (S306).
図35は、30分単位の時間帯の予測値を算出する処理の流れを示す図である。 FIG. 35 is a diagram showing a flow of processing for calculating a predicted value in a time zone of 30 minutes.
予測値出力部117は、各時間帯iについて、10,30,50,70,90をXとして、当該時間帯iのひとつ前の時間帯i−1に係る気温予測値のXパーセンタイル値をTi−1 Xとし(S341)、当該時間帯iに係る気温予測値のXパーセンタイル値をTi Xとし(S342)、当該時間帯iの次の時間帯i+1に係る気温予測値のXパーセンタイル値をTi+1 Xとして(S343)、次式により当該時間帯iの正時から始まる30分の時間帯iAに係る気温の予測値iAXを算出する(S344)。 The predicted value output unit 117 sets the X percentile value of the predicted air temperature value related to the time zone i-1 immediately before the time zone i to X, assuming 10, 30, 50, 70, 90 as X for each time zone i. i-1 X (S341), the X percentile value of the predicted air temperature value for the time zone i is T i X (S342), and the X percentile value of the air temperature forecast value for the next time zone i + 1 of the time zone i Let T i + 1 be X (S343), and the predicted value iA X of the air temperature related to the time zone iA for 30 minutes starting from the hour of the time zone i concerned is calculated by the following equation (S344).
図36は、予測値出力部117により出力される気温の予測値の一例を示す図である。同図に示すように、予測値出力部117は、1Aないし24Bまでの30分の時間帯iA,iBのそれぞれについて、気温予測値の10%値(予測値iA10%,iB10%)、30%値(予測値iA30%,iB30%)、50%値(予測値iA50%,iB50%)、70%値(予測値iA70%,iB70%)および90%値(予測値iA90%,iB90%)を出力している。このように、予測値出力部117は、気温の予測値をそのばらつきを含めて一覧で表示することができる。よって、ユーザは気温の予測についてより詳細に把握することが可能となる。 FIG. 36 is a diagram showing an example of the predicted temperature value output by the predicted value output unit 117. As shown in FIG. As shown in the figure, the predicted value output unit 117 calculates the 10% value (estimated value iA 10% , iB 10% ) of the predicted air temperature value for each of the time zones iA and iB for 30 minutes from 1A to 24B, 30% (predicted value iA 30% , iB 30% ), 50% value (predicted value iA 50% , iB 50% ), 70% value (predicted value iA 70% , iB 70% ) and 90% value (predicted value) The values iA 90% and iB 90% are output. As described above, the predicted value output unit 117 can display the predicted values of the air temperature in a list including variations thereof. Thus, the user can grasp the prediction of the air temperature in more detail.
===気温予測の効果===
以上説明したように、本実施形態の気温予測装置10によれば、過去の気温の実績値に基づいて1日の気温の変化を表す基準カーブを作成し、当該基準カーブに基づいて気温の予測を行うことができる。したがって、たとえば過去の気温の実績値の平均値や中央値を現在の気温とするのではなく、1日の気温の変化の傾向に応じて気温を予測することが可能となり、予測精度が向上することが期待される。
=== Effect of temperature prediction ===
As described above, according to the air temperature prediction device 10 of the present embodiment, a reference curve representing a change in air temperature per day is created based on the past actual temperature value, and the air temperature is predicted based on the reference curve. It can be performed. Therefore, for example, instead of using the average value or the median value of past actual temperature values as the current temperature, it is possible to predict the temperature according to the tendency of the daily temperature change, and the prediction accuracy is improved. It is expected.
また、本実施形態の気温予測装置10では、最低気温から最高気温までの間の変化を表すように正規化した値を基準カーブとして用いている。したがって、気温差の幅や、最低最高気温の高低によらず、気温の変化に着目した分析を行うことができる。よって、気温の変化の傾向を把握し、気温予測に生かすことが可能となり、予測精度の向上が期待される。 Moreover, in the air temperature prediction apparatus 10 of this embodiment, the value normalized so that the change from the lowest temperature to the highest temperature may be used is used as a reference | standard curve. Therefore, it is possible to conduct an analysis focusing on the change of the temperature regardless of the range of the temperature difference and the rise and fall of the lowest maximum temperature. Therefore, it becomes possible to grasp the tendency of change of temperature and to utilize for temperature prediction, and the improvement of prediction accuracy is expected.
また、地域によって1日の気温の変化具合は異なることがあるところ、本実施形態の気温予測装置10では、地域ごとに基準カーブを作成している。したがって、本実施形態の基準カーブは地域に特徴的な温度の変化を適切に表すことが可能となり、気温の予測精度を向上させることができる。 Moreover, although the change condition of the air temperature on the 1st may differ with areas, in the air temperature prediction apparatus 10 of this embodiment, the standard curve is created for every area. Therefore, the reference curve of the present embodiment can appropriately represent the characteristic temperature change in the area, and the prediction accuracy of the air temperature can be improved.
また、日によって1日の気温の変化具合は異なることがあるところ、本実施形態の気温予測装置10では、日付ごとに基準カーブを作成している。したがって、基準カーブは季節等の特徴を反映させるとともに、日によって特徴的な温度の変化を反映させて、1日の温度変化を表すことが可能となり、気温の予測精度を向上させることができる。 Moreover, although the change condition of the air temperature of 1st may differ with days, in the air temperature prediction apparatus 10 of this embodiment, the standard curve is created for every date. Therefore, the reference curve reflects characteristics such as the season and reflects the characteristic temperature change depending on the day, so that the temperature change of one day can be represented, and the prediction accuracy of the air temperature can be improved.
また、本実施形態の気温予測装置10によれば、基準カーブによる気温の予測値に係る予測誤差を算出し、予測誤差による修正を行っている。したがって、予測精度を向上することができる。 Moreover, according to the air temperature prediction apparatus 10 of this embodiment, the prediction error concerning the prediction value of the air temperature by the reference curve is calculated, and the correction based on the prediction error is performed. Therefore, the prediction accuracy can be improved.
また、本実施形態の気温予測装置10では、予測誤差の確率分布から気温予測値の確率分布を生成している。これにより、気温予測値のばらつきを把握することが可能となり、気温に基づく意思決定に有用である。また、本実施形態の気温予測装置10では、時間帯ごとに誤差データを管理しているので、時間帯によって予測誤差にばらつきが出る場合にも対応して予測精度を高く保つことができる。 Moreover, in the air temperature prediction apparatus 10 of this embodiment, the probability distribution of the air temperature predicted value is generated from the probability distribution of the prediction error. This makes it possible to grasp the variation in the predicted temperature value, which is useful for making decisions based on the temperature. Further, in the air temperature prediction apparatus 10 of the present embodiment, the error data is managed for each time zone, so that the prediction accuracy can be kept high corresponding to the case where the prediction error varies depending on the time zone.
なお、本実施形態では、気温予測装置10は1台のコンピュータであるものとしたが、複数台のコンピュータにより実現することもできる。たとえば、複数台のコンピュータにより1台の仮想コンピュータを実現するようにすることもできるし、機能部を実装した処理コンピュータと、記憶部を実装したデータベースサーバとからシステムを構成するようにすることもできる。また、気象データ(気象庁による予報値および計測器による計測結果を含む。)を管理する気象サーバを設け、気象予測装置10がこの気象サーバに問い合わせを行うようにしてもよい。 In the present embodiment, the air temperature prediction apparatus 10 is a single computer, but may be realized by a plurality of computers. For example, one virtual computer can be realized by a plurality of computers, or a system can be configured by a processing computer having a functional unit mounted thereon and a database server mounted with a storage unit. it can. A weather server may be provided to manage weather data (including forecast values by the Meteorological Agency and measurement results by measuring instruments), and the weather prediction device 10 may inquire the weather server.
また、本実施形態では、気温予測は気温予測装置10のみによって行うものとしたが、これに限らず、たとえば、基準カーブを作成するコンピュータと、誤差を分析するコンピュータと、予測を行うコンピュータとを別のコンピュータとすることもできる。 In the present embodiment, the air temperature prediction is performed only by the air temperature prediction device 10. However, the present invention is not limited to this. For example, a computer that creates a reference curve, a computer that analyzes an error, and a computer that performs prediction It can be another computer.
また、本実施形態では、予測誤差を平均することにより基準カーブを求めるものとしたが、これに限らず、たとえば曲線あてはめにより近似式を求めて基準カーブとしてもよい。 Further, in the present embodiment, the reference curve is determined by averaging the prediction errors. However, the present invention is not limited to this. For example, an approximate expression may be determined by curve fitting to be used as the reference curve.
また、本実施形態では、地域および日付ごとに基準カーブを作成して基準カーブ記憶部133に記憶するものとしたが、これに限らず、各地域に共通した日付ごとに1つの基準カーブを作成して記憶するようにしてもよいし、地域および季節ごとの基準カーブを作成して記憶するようにしてもよい。各地域に共通した季節ごとの基準カーブを作成して記憶するようにしてもよい。 In the present embodiment, the reference curve is created for each area and date and stored in the reference curve storage unit 133. However, the present invention is not limited to this, and one reference curve is created for each date common to each area. May be stored, or local and seasonal reference curves may be created and stored. A reference curve for each season common to each area may be created and stored.
また、本実施形態では、季節ごとに予測誤差の統計値(平均値μおよび標準偏差σ)を求めて誤差データ記憶部135に記憶するものとしたが、全体で1つの予測誤差の統計値を求めて記憶するようにしてもよいし、地域ごとに予測誤差の統計値を求めて記憶するようにしてもよい。また、地域と季節とに対応する予測誤差の統計値を求めて記憶するようにしてもよい。 Further, in the present embodiment, the statistical value (average value μ and standard deviation σ) of the prediction error is obtained for each season and stored in the error data storage unit 135. However, one statistical error value as a whole is used. It may be determined and stored, or statistical values of prediction errors may be determined and stored for each area. Further, statistical values of prediction errors corresponding to the region and the season may be obtained and stored.
===需要予測の効果===
以上のように予測装置100の気温予測部102は、気温予測装置10により予測した気温の予測値を取得し、これを用いて需要予測部103は電力需要量の予測を行うことができる。上述したように、本実施形態の気温予測装置10によれば、予測精度の向上が期待され、電力需要量は気温による冷暖房需要に大きく影響されることから、需要予測部103による電力需要量の予測精度の向上も期待される。
=== Effect of Demand Forecasting ===
As described above, the air temperature prediction unit 102 of the prediction device 100 acquires the predicted value of the air temperature predicted by the air temperature prediction device 10, and the demand prediction unit 103 can predict the amount of power demand using this. As described above, according to the air temperature prediction device 10 of the present embodiment, since the improvement of the prediction accuracy is expected and the amount of power demand is greatly affected by the air conditioning demand due to the air temperature, An improvement in prediction accuracy is also expected.
なお、本実施形態では、気温予測装置10を予測装置100とは異なるコンピュータであるものとしたが、予測装置100が気温予測装置10の機能部及び記憶部を備えるようにして、予測装置100が基準カーブを用いた本実施形態に係る気温の予測手法を用いるようにしてもよい。 In the present embodiment, although the air temperature prediction apparatus 10 is a computer different from the prediction apparatus 100, the prediction apparatus 100 includes the functional unit and the storage unit of the air temperature prediction apparatus 10, The prediction method of the air temperature according to the present embodiment using the reference curve may be used.
===結言===
以上より、上記各実施形態は、次のように記載できる。
=== Conclusion ====
As mentioned above, said each embodiment can be described as follows.
上記各実施形態は、電力取引における利益値(Y)を予測する予測システムであって、電力取引が行われる時間帯Pの複数の日の気象情報を記憶する第1の記憶部(上記実施形態では、データテーブルM6に対応)と、電力需要量と発電費用との関係を表すデータを記憶する第2の記憶部(上記実施形態では、データテーブルM1、M2により算出された限界費用線に関するデータに対応)と、時間帯Pにおける電力取引量及びと取引価格を記憶する第3の記憶部(上記実施形態では、データテーブルM3に対応)と、気温と電力需要量との関係を表すデータを記憶する第4の記憶部(上記実施形態では、式(13)、式(15)、式(17)、式(18)、式(19)に対応)と、時間帯Pの複数の日の気象情報に基づいて、時間帯Pの予測気温の確率分布データを算出する気温予測部(102)と、予測気温の確率分布データと、気温と電力需要量との関係を表すデータと、に基づいて、時間帯Pの電力需要量(N)の確率分布データを算出する需要予測部(103、103’)と、電力需要量の確率分布データ、前記電力需要量と発電費用を対応付けるデータ、及び電力取引における取引量(C)とから算出される前記取引量の電力取引を行う場合の発電費用の変化費用と、前記取引量の電力取引を行う場合の取引価格との差に基づいて、電力取引における利益値の確率分布データを算出する利益予測部(104)と、を有することを特徴とする予測システムを開示するものである。 Each of the above embodiments is a prediction system that predicts a profit value (Y) in power transaction, and a first storage unit that stores weather information of a plurality of days in a time zone P in which the power transaction is performed (the above embodiment In the second storage unit (which corresponds to the data table M6) and the data representing the relationship between the amount of power demand and the power generation cost (in the above embodiment, the data relating to the marginal cost line calculated by the data tables M1 and M2) , And a third storage unit (corresponding to the data table M3 in the above embodiment) that stores the power transaction amount in the time zone P and the transaction price, and data representing the relationship between the temperature and the power demand amount. A fourth storage unit (in the above embodiment, corresponding to Equations (13), (15), (17), (18), (19) in the above embodiment)) and a plurality of days in time zone P Based on the weather information, time zone P Based on the temperature prediction unit (102) that calculates the probability distribution data of temperature, the probability distribution data of predicted temperature, and the data representing the relationship between the temperature and the amount of power demand, the amount of power demand in time zone P (N Calculated from the demand forecasting unit (103, 103 ') which calculates probability distribution data of), probability distribution data of power demand amount, data correlating the power demand amount with generation cost, and the transaction amount (C) in the power transaction Calculating the probability distribution data of profit value in the power transaction based on the difference between the change cost of the power generation cost in the case of conducting the power transaction of the transaction volume and the transaction price in the case of conducting the power transaction of the transaction volume And a profit prediction unit (104).
これによって、電力供給者は、電力取引を行った場合の利益額の確率分布(例えば、ぶれ幅)を認識することが可能となる。 By this, the power supplier can recognize the probability distribution (for example, fluctuation range) of the profit amount when the power transaction is performed.
ここで、予測システムは、測定がなされた時と関連付けて記憶された測定気温に関する過去のデータを記憶する第5の記憶部(上記実施形態では、データテーブルM4に対応)と、測定がなされた時と関連付けて記憶された電力需要量に関する過去のデータを記憶する第6の記憶部(上記実施形態では、データテーブルM7に対応)を更に有し、需要予測部は、測定気温に関する過去のデータと、電力需要量に関する過去のデータに基づいて、気温と電力需要量の回帰式(上記実施形態では、式(13)、式(15)、式(17)、式(18)、式(19)に対応)を算出し、回帰式と予測気温の確率分布データに基づいて、時間帯Pの電力需要量の確率分布データを算出するものであってもよい。このとき、需要予測部は、少なくとも予測気温と略摂氏18度の差と、予測気温と略摂氏18度の差の二乗を説明変数として、回帰式を算出する。また、予測システムは、時間帯Pの電力需要量の予測基準値を記憶する第7の記憶部(上記実施形態では、データテーブルM9に対応)を更に備え、回帰式は、予測気温の確率分布データに基づく、電力需要量の予測基準値からの変動量を表す回帰式(上記実施形態では、式(17)、式(18)、式(19)に対応)であってもよい。 Here, the prediction system has a fifth storage unit (corresponding to the data table M4 in the above embodiment) storing the past data related to the measured air temperature stored in association with the time at which the measurement was performed. It further includes a sixth storage unit (corresponding to the data table M7 in the above embodiment) that stores past data related to the amount of power demand stored in association with time, and the demand prediction unit And the regression equation of the temperature and the power demand based on the past data on the power demand (in the above embodiment, the equations (13), (15), (17), (18), and (18), and (19) ) May be calculated, and the probability distribution data of the power demand amount of the time zone P may be calculated based on the regression equation and the probability distribution data of the predicted air temperature. At this time, the demand prediction unit calculates a regression equation using at least a difference between the predicted air temperature and about 18 degrees Celsius and a square of the difference between the predicted air temperature and about 18 degrees Celsius as an explanatory variable. In addition, the prediction system further includes a seventh storage unit (corresponding to the data table M9 in the above embodiment) that stores the prediction reference value of the power demand in the time zone P, and the regression equation represents the probability distribution of predicted air temperature. It may be a regression equation (corresponding to the equation (17), the equation (18), and the equation (19) in the above embodiment) representing the amount of fluctuation from the predicted reference value of the power demand based on the data.
これによって、電力供給者は、気温の確率分布を電力需要量の確率分布に正確に反映させることができる。 By this, the power supplier can accurately reflect the probability distribution of the temperature on the probability distribution of the power demand amount.
ここで、利益予測部は、利益値の確率分布データに基づいて、利益値が最大となる電力取引量を算出するものであってもよい。 Here, the profit prediction unit may calculate the amount of traded power at which the profit value is maximum, based on the probability distribution data of the profit value.
これによって、電力供給者は、利益の最大化を図ることができる。 By this, the power supplier can maximize profit.
ここで、第2の記憶部に記憶された電力需要量と発電費用との関係を表すデータは、複数の発電手段の発電可能量と、複数の発電手段の単位発電量あたりの発電費用と、複数の発電手段に対する稼働優先度に基づいて算出された限界費用線に関するデータであってもよい。 Here, the data representing the relationship between the power demand amount and the power generation cost stored in the second storage unit includes the power generation potential of the plurality of power generation means, the power generation cost per unit power generation amount of the plurality of power generation means, It may be data on a marginal cost line calculated based on the operation priorities for a plurality of power generation means.
ここで、第3の記憶部に記憶された時間帯Pの電力取引量と取引価格との関係を表すデータは、単位発電量あたりの取引価格に基づいて、電力取引量に応じた取引価格を算出するデータであってもよい。 Here, the data representing the relationship between the power transaction amount in the time zone P and the transaction price stored in the third storage unit is a transaction price corresponding to the power transaction amount based on the transaction price per unit power generation amount. It may be data to be calculated.
また、上記各実施形態は、電力取引における利益値を予測する予測方法であって、時間帯Pの複数の日の気象情報に基づいて、時間帯Pの予測気温の確率分布データを算出する気温予測工程と、予測気温の確率分布データと、気温と電力需要量との関係を表すデータとに基づいて、時間帯Pの電力需要量の確率分布データを算出する需要予測工程と、電力需要量の確率分布データ、電力需要量と発電費用を対応付けるデータ、及び電力取引における取引量とから算出される前記取引量の電力取引を行う場合の発電費用の変化費用と、前記取引量の電力取引を行う場合の取引価格との差に基づいて、電力取引における利益値の確率分布データを算出する利益予測工程と、を有することを特徴とする予測方法を開示するものである。 Further, each of the above embodiments is a prediction method for predicting a profit value in power trading, and calculates the temperature distribution of predicted temperature of time zone P based on weather information of a plurality of days of time zone P. A demand forecasting process for calculating probability distribution data of the power demand in the time zone P based on the forecasting process, the probability distribution data of the predicted air temperature, and the data representing the relationship between the air temperature and the power demand, Of the power generation cost in the case of conducting the power transaction of the above-mentioned transaction volume calculated from the probability distribution data of the data, the data of correlating the power demand amount and the power generation cost, and the transaction volume in the power transaction And a profit prediction step of calculating probability distribution data of a profit value in a power transaction based on the difference between the price and the transaction price in the case of performing the transaction.
これによって、電力供給者は、電力取引を行った場合の利益額の確率分布(例えば、ぶれ幅)を認識することが可能となる。 By this, the power supplier can recognize the probability distribution (for example, fluctuation range) of the profit amount when the power transaction is performed.
以上、本発明の具体例を詳細に説明したが、これらは例示にすぎず、請求の範囲を限定するものではない。請求の範囲に記載の技術には、以上に例示した具体例を様々に変形、変更したものが含まれる。 Although the specific examples of the present invention have been described above in detail, these are merely examples and do not limit the scope of the claims. The art set forth in the claims includes various variations and modifications of the specific examples illustrated above.
100 予測装置
101 取得部
102 気温予測部
103 需要予測部
104 利益予測部
105 提示部
200 取引情報提供装置
300 通信網
400 気象情報提供装置
500 需要情報提供装置
P 予測対象の時間帯
DESCRIPTION OF SYMBOLS 100 forecasting apparatus 101 acquisition part 102 air temperature forecasting part 103 demand forecasting part 104 profit forecasting part 105 presentation part 200 transaction information provision apparatus 300 communication network 400 weather information provision apparatus 500 demand information provision apparatus P time zone of prediction object
Claims (7)
気象情報を記憶する第1の記憶部と、
気温および前記需要量の関係を表すデータを記憶する第3の記憶部と、
日照時間および前記需要量の関係を表すデータを記憶する第4の記憶部と、
測定気温に関する過去のデータを記憶する第5の記憶部と、
電力の需要量に関する過去のデータを記憶する第6の記憶部と、
日照時間に関する過去のデータを記憶する第7の記憶部と、
前記気象情報に基づいて予測気温の確率分布データを算出する気温予測部と、
前記日照時間の予測値を取得する日照時間予測部と、
前記気温および需要量の関係を表すデータ、前記日照時間および需要量の関係を表すデータ、前記予測気温の確率分布データ、ならびに前記日照時間の予測値に基づいて、前記需要量の確率分布データを算出する需要予測部と、
を備え、
前記需要予測部は、前記測定気温に関する過去のデータと、前記需要量に関する過去のデータと、前記日照時間に関する過去のデータとに基づいて、少なくとも前記予測気温と略摂氏18度の差と、前記予測気温と略摂氏18度の差の二乗と、前記日照時間とを説明変数として、気温及び日照時間と需要量との回帰式を算出し、前記回帰式と前記予測気温の確率分布データと前記日照時間の予測値とに基づいて、前記需要量の確率分布データを算出することを特徴とする電力需要量予測システム。 A system that predicts the demand for electricity,
A first storage unit that stores weather information;
A third storage unit storing data representing the relationship between the temperature and the demand amount;
A fourth storage unit storing data representing the relationship between sunshine hours and the demand amount;
A fifth storage unit for storing past data on measured temperature;
A sixth storage unit for storing past data on the amount of power demand;
A seventh storage unit for storing past data regarding sunshine hours;
A temperature prediction unit that calculates probability distribution data of predicted temperature based on the weather information;
A sunshine time prediction unit for acquiring the predicted value of the sunshine time;
Based on the data representing the relationship between the temperature and the demand amount, the data representing the relationship between the sunshine duration and the demand amount, the probability distribution data of the predicted temperature, and the predicted value of the sunshine duration, the probability distribution data of the demand amount Demand forecasting part to calculate,
Equipped with
The demand forecasting unit is based on past data on the measured air temperature, past data on the demand amount, and past data on the sunshine duration, and at least a difference of about 18 degrees Celsius from the predicted air temperature; Using the square of the difference between the predicted temperature and approximately 18 degrees Celsius and the sunshine time as an explanatory variable, calculate the regression equation of the temperature and sunshine time and the demand amount, and calculate the regression equation and the probability distribution data of the predicted temperature and the above based on the predicted value of the daylight hours, the demand of the probability distribution data electricity demand forecasting system, characterized that you calculated.
前記日照時間予測部は、前記日照時間の予測値の確率分布データを前記日照時間の予測値として取得すること、
を特徴とする電力需要量予測システム。 The power demand forecasting system according to claim 1, wherein
The sunshine time prediction unit acquires probability distribution data of a predicted value of the sunshine time as a predicted value of the sunshine time.
Power demand forecasting system characterized by
時間帯ごとの気温の実績値を記憶する実績値記憶部と、
前記実績値を正規化して前記時間帯ごとの気温の変化を表す基準カーブを作成する基準カーブ作成部と、
気象情報を記憶する第1の記憶部と、
気温および前記需要量の関係を表すデータを記憶する第3の記憶部と、
日照時間および前記需要量の関係を表すデータを記憶する第4の記憶部と、
前記気象情報に基づいて予測気温の確率分布データを算出すると共に、最高気温および最低気温ならびに前記基準カーブに基づいて前記時間帯ごとの予測気温を算出する気温予測部と、
前記最高気温および前記最低気温のそれぞれの過去の予測値および将来の予測値を取得する最高最低気温取得部と、
前記最高気温および前記最低気温の前記過去の予測値を与えて前記気温予測部に過去の前記予測気温を算出させ、前記過去の予測気温の予測誤差を算出する予測誤差算出部と、
前記日照時間の予測値を取得する日照時間予測部と、
前記気温および需要量の関係を表すデータ、前記日照時間および需要量の関係を表すデータ、前記予測気温の確率分布データ、ならびに前記日照時間の予測値に基づいて、前記需要量の確率分布データを算出する需要予測部と、
を備え、
前記気温予測部は、前記最高気温および前記最低気温ならびに前記基準カーブに基づいて将来の前記予測気温を算出し、前記将来の予測気温と前記予測誤差とに基づいて、前記予測気温の確率分布データを算出することを特徴とする電力需要量予測システム。 A system that predicts the demand for electricity,
An actual value storage unit that stores actual values of temperature for each time zone;
A reference curve creation unit that normalizes the actual value and creates a reference curve that represents a change in temperature for each time zone;
A first storage unit that stores weather information;
A third storage unit storing data representing the relationship between the temperature and the demand amount;
A fourth storage unit storing data representing the relationship between sunshine hours and the demand amount;
A temperature prediction unit that calculates probability distribution data of predicted temperatures based on the weather information, and calculates predicted temperatures for each of the time zones based on the maximum temperature and the minimum temperature and the reference curve ;
A maximum minimum temperature acquisition unit for acquiring past predicted values and future prediction values of the maximum temperature and the minimum temperature;
A prediction error calculation unit which gives the predicted temperature of the past to the temperature prediction unit by giving the predicted values of the past of the maximum temperature and the minimum temperature, and calculates a prediction error of the predicted temperature of the past;
A sunshine time prediction unit for acquiring the predicted value of the sunshine time;
Based on the data representing the relationship between the temperature and the demand amount, the data representing the relationship between the sunshine duration and the demand amount, the probability distribution data of the predicted temperature, and the predicted value of the sunshine duration, the probability distribution data of the demand amount Demand forecasting part to calculate,
Equipped with
The air temperature prediction unit calculates the future predicted air temperature based on the highest temperature, the lowest air temperature, and the reference curve, and based on the future predicted air temperature and the prediction error, probability distribution data of the predicted air temperature electricity demand forecasting system, characterized that you calculated.
コンピュータが、
気象情報を記憶するステップと、
気温および前記需要量の関係を表すデータを記憶するステップと、
日照時間および前記需要量の関係を表すデータを記憶するステップと、
測定気温に関する過去のデータを記憶するステップと、
電力の需要量に関する過去のデータを記憶するステップと、
日照時間に関する過去のデータを記憶するステップと、
前記気象情報に基づいて予測気温の確率分布データを算出するステップと、
前記日照時間の予測値を取得するステップと、
前記気温および需要量の関係を表すデータ、前記日照時間および需要量の関係を表すデータ、前記予測気温の確率分布データ、ならびに前記日照時間の予測値に基づいて、前記需要量の確率分布データを算出するステップと、
を実行し、
前記需要量の確率分布データを算出する前記ステップは、前記測定気温に関する過去のデータと、前記需要量に関する過去のデータと、前記日照時間に関する過去のデータとに基づいて、少なくとも前記予測気温と略摂氏18度の差と、前記予測気温と略摂氏18度の差の二乗と、前記日照時間とを説明変数として、気温及び日照時間と需要量との回帰式を算出し、前記回帰式と前記予測気温の確率分布データと前記日照時間の予測値とに基づいて、前記需要量の確率分布データを算出する
ことを特徴とする電力需要量予測方法。 A method of forecasting the amount of electricity demand,
The computer is
Storing weather information;
Storing data representing the relationship between the temperature and the demand amount;
Storing data representing a relationship between daylight hours and the demand amount;
Storing past data on measured temperature;
Storing historical data on the demand for electricity;
Storing past data about daylight hours;
Calculating probability distribution data of predicted air temperature based on the weather information;
Obtaining a predicted value of the sunshine duration;
Based on the data representing the relationship between the temperature and the demand amount, the data representing the relationship between the sunshine duration and the demand amount, the probability distribution data of the predicted temperature, and the predicted value of the sunshine duration, the probability distribution data of the demand amount Calculating steps;
Run
The step of calculating the probability distribution data of the demand amount is based on at least the predicted air temperature on the basis of past data on the measured air temperature, past data on the demand amount, and past data on the sunshine duration. Using the difference of 18 degrees Celsius, the square of the difference between the predicted air temperature and the difference of about 18 degrees Celsius, and the sunshine hours as the explanatory variables, a regression equation of the temperature and sunshine hours and the demand amount is calculated. A method of predicting a power demand amount , wherein the probability distribution data of the demand amount is calculated based on the probability distribution data of predicted air temperature and the predicted value of the sunshine duration .
コンピュータに、
気象情報を記憶するステップと、
気温および前記需要量の関係を表すデータを記憶するステップと、
日照時間および前記需要量の関係を表すデータを記憶するステップと、
測定気温に関する過去のデータを記憶するステップと、
電力の需要量に関する過去のデータを記憶するステップと、
日照時間に関する過去のデータを記憶するステップと、
前記気象情報に基づいて予測気温の確率分布データを算出するステップと、
前記日照時間の予測値を取得するステップと、
前記気温および需要量の関係を表すデータ、前記日照時間および需要量の関係を表すデータ、前記予測気温の確率分布データ、ならびに前記日照時間の予測値に基づいて、前記需要量の確率分布データを算出するステップと、
を実行させるためのプログラムであって、
前記需要量の確率分布データを算出する前記ステップは、前記測定気温に関する過去のデータと、前記需要量に関する過去のデータと、前記日照時間に関する過去のデータとに基づいて、少なくとも前記予測気温と略摂氏18度の差と、前記予測気温と略摂氏18度の差の二乗と、前記日照時間とを説明変数として、気温及び日照時間と需要量との回帰式を算出し、前記回帰式と前記予測気温の確率分布データと前記日照時間の予測値とに基づいて、前記需要量の確率分布データを算出する
ことを特徴とするプログラム。 It is a program for forecasting the demand for electricity,
On the computer
Storing weather information;
Storing data representing the relationship between the temperature and the demand amount;
Storing data representing a relationship between daylight hours and the demand amount;
Storing past data on measured temperature;
Storing historical data on the demand for electricity;
Storing past data about daylight hours;
Calculating probability distribution data of predicted air temperature based on the weather information;
Obtaining a predicted value of the sunshine duration;
Based on the data representing the relationship between the temperature and the demand amount, the data representing the relationship between the sunshine duration and the demand amount, the probability distribution data of the predicted temperature, and the predicted value of the sunshine duration, the probability distribution data of the demand amount Calculating steps;
A program for executing,
The step of calculating the probability distribution data of the demand amount is based on at least the predicted air temperature on the basis of past data on the measured air temperature, past data on the demand amount, and past data on the sunshine duration. Using the difference of 18 degrees Celsius, the square of the difference between the predicted air temperature and the difference of about 18 degrees Celsius, and the sunshine hours as the explanatory variables, a regression equation of the temperature and sunshine hours and the demand amount is calculated. The probability distribution data of the demand amount is calculated based on the probability distribution data of the predicted temperature and the predicted value of the sunshine time
A program characterized by
コンピュータが、
時間帯ごとの気温の実績値を記憶するステップと、
前記実績値を正規化して前記時間帯ごとの気温の変化を表す基準カーブを作成するステップと、
気象情報を記憶するステップと、
気温および前記需要量の関係を表すデータを記憶するステップと、
日照時間および前記需要量の関係を表すデータを記憶するステップと、
前記気象情報に基づいて予測気温の確率分布データを算出すると共に、最高気温および最低気温ならびに前記基準カーブに基づいて前記時間帯ごとの予測気温を算出するステップと、
前記最高気温および前記最低気温のそれぞれの過去の予測値および将来の予測値を取得するステップと、
前記最高気温および前記最低気温の前記過去の予測値ならびに前記基準カーブに基づいて前記時間帯ごとの過去の前記予測気温を算出し、前記過去の予測気温の予測誤差を算出するステップと、
前記日照時間の予測値を取得するステップと、
前記気温および需要量の関係を表すデータ、前記日照時間および需要量の関係を表すデータ、前記予測気温の確率分布データ、ならびに前記日照時間の予測値に基づいて、前記需要量の確率分布データを算出するステップと、
を実行し、
前記時間帯ごとの予測気温を算出する前記ステップは、前記最高気温および前記最低気温ならびに前記基準カーブに基づいて将来の前記予測気温を算出し、前記将来の予測気温と前記予測誤差とに基づいて、前記予測気温の確率分布データを算出することを特徴とする電力需要量予測方法。 A method of forecasting the amount of electricity demand,
The computer is
Storing the actual temperature value for each time zone;
Normalizing the actual value to create a reference curve representing a change in temperature for each time zone;
Storing weather information;
Storing data representing the relationship between the temperature and the demand amount;
Storing data representing a relationship between daylight hours and the demand amount;
Calculating probability distribution data of predicted air temperature based on the meteorological information, and calculating predicted air temperature for each of the time zones based on a maximum temperature and a minimum temperature and the reference curve;
Obtaining respective past forecast values and future forecast values of the maximum temperature and the minimum temperature;
A step of the highest temperature and on the basis of the past estimated value and the reference curve of the minimum temperature to calculate the past the prediction temperature of each of the time zones, and calculates a prediction error of the prediction temperatures of the past,
Obtaining a predicted value of the sunshine duration;
Based on the data representing the relationship between the temperature and the demand amount, the data representing the relationship between the sunshine duration and the demand amount, the probability distribution data of the predicted temperature, and the predicted value of the sunshine duration, the probability distribution data of the demand amount Calculating steps;
Run
The step of calculating the predicted air temperature for each of the time zones calculates the future predicted air temperature based on the maximum temperature and the minimum air temperature and the reference curve, and based on the future predicted air temperature and the prediction error And calculating a probability distribution data of the predicted air temperature.
コンピュータに、
時間帯ごとの気温の実績値を記憶するステップと、
前記実績値を正規化して前記時間帯ごとの気温の変化を表す基準カーブを作成するステップと、
気象情報を記憶するステップと、
気温および前記需要量の関係を表すデータを記憶するステップと、
日照時間および前記需要量の関係を表すデータを記憶するステップと、
前記気象情報に基づいて予測気温の確率分布データを算出すると共に、最高気温および最低気温ならびに前記基準カーブに基づいて前記時間帯ごとの予測気温を算出するステップと、
前記最高気温および前記最低気温のそれぞれの過去の予測値および将来の予測値を取得するステップと、
前記最高気温および前記最低気温の前記過去の予測値ならびに前記基準カーブに基づいて前記時間帯ごとの過去の前記予測気温を算出し、前記過去の予測気温の予測誤差を算出するステップと、
前記日照時間の予測値を取得するステップと、
前記気温および需要量の関係を表すデータ、前記日照時間および需要量の関係を表すデータ、前記予測気温の確率分布データ、ならびに前記日照時間の予測値に基づいて、前記需要量の確率分布データを算出するステップと、
を実行させるためのプログラムであって、
前記時間帯ごとの予測気温を算出する前記ステップは、前記最高気温および前記最低気温ならびに前記基準カーブに基づいて将来の前記予測気温を算出し、前記将来の予測気温と前記予測誤差とに基づいて、前記予測気温の確率分布データを算出することを特徴とするプログラム。 It is a program for forecasting the demand for electricity,
On the computer
Storing the actual temperature value for each time zone;
Normalizing the actual value to create a reference curve representing a change in temperature for each time zone;
Storing weather information;
Storing data representing the relationship between the temperature and the demand amount;
Storing data representing a relationship between daylight hours and the demand amount;
Calculating probability distribution data of predicted air temperature based on the meteorological information, and calculating predicted air temperature for each of the time zones based on a maximum temperature and a minimum temperature and the reference curve;
Obtaining respective past forecast values and future forecast values of the maximum temperature and the minimum temperature;
A step of the highest temperature and on the basis of the past estimated value and the reference curve of the minimum temperature to calculate the past the prediction temperature of each of the time zones, and calculates a prediction error of the prediction temperatures of the past,
Obtaining a predicted value of the sunshine duration;
Based on the data representing the relationship between the temperature and the demand amount, the data representing the relationship between the sunshine duration and the demand amount, the probability distribution data of the predicted temperature, and the predicted value of the sunshine duration, the probability distribution data of the demand amount Calculating steps;
A program to execute
The step of calculating the predicted air temperature for each of the time zones calculates the future predicted air temperature based on the maximum temperature and the minimum air temperature and the reference curve, and based on the future predicted air temperature and the prediction error A program for calculating probability distribution data of the predicted temperature.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015043338A JP6520228B2 (en) | 2015-03-05 | 2015-03-05 | Power demand forecasting system, power demand forecasting method and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015043338A JP6520228B2 (en) | 2015-03-05 | 2015-03-05 | Power demand forecasting system, power demand forecasting method and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016163511A JP2016163511A (en) | 2016-09-05 |
JP6520228B2 true JP6520228B2 (en) | 2019-05-29 |
Family
ID=56847534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015043338A Active JP6520228B2 (en) | 2015-03-05 | 2015-03-05 | Power demand forecasting system, power demand forecasting method and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6520228B2 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI806611B (en) * | 2022-04-25 | 2023-06-21 | 緯創資通股份有限公司 | Optimization systems and methods for operating air compressor groups |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7069732B2 (en) * | 2017-01-13 | 2022-05-18 | 富士通株式会社 | Estimator program, estimation method and estimation device |
DE112018008094T5 (en) * | 2018-11-30 | 2021-07-15 | Mitsubishi Electric Corporation | TRANSACTION PRICE FORECAST DEVICE AND TRANSACTION FORECAST PROCEDURES |
CN111222285A (en) * | 2019-12-31 | 2020-06-02 | 国网安徽省电力有限公司 | Transformer high active value prediction method based on voiceprint and neural network |
JP7437163B2 (en) | 2020-01-06 | 2024-02-22 | 三菱重工業株式会社 | Diagnostic equipment, diagnostic methods and programs |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08145436A (en) * | 1994-11-25 | 1996-06-07 | Toshiba Corp | Cooling and heating demand-predicting method for building and air conditioning characteristic finding method |
JP2009294969A (en) * | 2008-06-06 | 2009-12-17 | Mitsubishi Electric Corp | Demand forecast method and demand forecast device |
JP5493886B2 (en) * | 2010-01-08 | 2014-05-14 | 富士電機株式会社 | Photovoltaic power generation amount prediction system and solar power generation amount prediction method |
US20140122181A1 (en) * | 2012-09-15 | 2014-05-01 | Honeywell International Inc. | Demand response load forecaster |
JP5592576B1 (en) * | 2014-01-29 | 2014-09-17 | 中国電力株式会社 | Power calculation apparatus, control method for power calculation apparatus, and program |
-
2015
- 2015-03-05 JP JP2015043338A patent/JP6520228B2/en active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI806611B (en) * | 2022-04-25 | 2023-06-21 | 緯創資通股份有限公司 | Optimization systems and methods for operating air compressor groups |
Also Published As
Publication number | Publication date |
---|---|
JP2016163511A (en) | 2016-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6520228B2 (en) | Power demand forecasting system, power demand forecasting method and program | |
JP6018106B2 (en) | Prediction system, prediction method | |
JP6837949B2 (en) | Prediction system and method | |
JP6735219B2 (en) | Prediction system and prediction method | |
JP6472615B2 (en) | Power trading support device, power trading system, control method and control program | |
Goldberg et al. | Measurement and verification for demand response | |
US7231299B2 (en) | Method, program, and system for estimating weather risk | |
US20190026660A1 (en) | Optimization system, optimization method, and recording medium | |
JP4154373B2 (en) | Power supply business risk management support system | |
US20190018823A1 (en) | Information processing device, information processing method, and recording medium | |
JP6519385B2 (en) | Baseline load estimation device and baseline load estimation program | |
US20140365276A1 (en) | Data-driven inventory and revenue optimization for uncertain demand driven by multiple factors | |
JP2020149475A (en) | Prediction device, prediction method and computer program | |
US20180225684A1 (en) | Strategic operation of variable generation power plants | |
JP2008225646A (en) | Prediction error compensation method and device, weather power generation planning method and device, and program | |
JP6519215B2 (en) | Power transaction support system, power transaction support method and program | |
Boero et al. | The microeconomics of residential photovoltaics: Tariffs, network operation and maintenance, and ancillary services in distribution-level electricity markets | |
WO2022168357A1 (en) | System for managing power generation amount and method for managing power generation amount | |
JP2004252967A (en) | Power transaction risk management system and power transaction risk management method | |
Li et al. | Modelling the evolution of wind and solar power infeed forecasts | |
JP6467953B2 (en) | Temperature prediction system, temperature prediction method and program | |
JP6520142B2 (en) | Optimal trading volume determination system, optimal trading volume determination method and program | |
JP6507734B2 (en) | Power trading volume determination system, power trading volume determining method and program | |
Matos et al. | Operating reserve adequacy evaluation using uncertainties of wind power forecast | |
JP6383209B2 (en) | Power trading support device, power trading support method and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180221 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20181126 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20181211 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190122 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190205 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190315 |
|
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: 20190402 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190415 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6520228 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |