JP6554696B1 - 電力需要予測システム、電力需要予測方法、及びプログラム - Google Patents

Abstract

【課題】電力部分供給を含むエリア全体の電力需要予測を所定のモデル式を用いて高精度で行う電力需要予測システム、方法、及びプログラムを提供する。【解決手段】本発明は、解析部１１ｃは、過去の電力データから負荷追随実績電力を含む全量実績電力を算出し、予測日の所定日数以上前の最大電力が出ている日を抽出し、最大電力を基に基準電力を算出し、全量実績電力から基準電力を減算し、その結果を基準値とし、予測部１１ｄは、時間帯コードと、基準値と負荷追随実績電力との差分値との関数からなるモデル式に時間帯コードを代入し、回帰的に算出した差分値を算出し、基準値に差分値を加算した値を負荷追随需要予測電力とする電力需要予測システムである。【選択図】図２

Description

本発明は、電力部分供給に係る電力需要予測を行うための電力需要予測システム、電力需要予測方法、及びプログラムに関する。

今日、電力市場においては、従来の一般電気事業者に加え、新規事業者として電力供給を行う小売電気事業者が参入している。そして、小売電気事業者は、既存の送配電事業者が所有している送配電網を借用するため、様々な責務が課されている。

例えば、送配電網の利用料金である託送料金の支払い、エリア全体の安定供給の為の供給力の確保や計画値同時同量の達成などである。

さらに、小売電気事業者には、電力広域的運営推進機関（OCCTO；Organization for Cross-regional Coordination of Transmission Operators, JAPAN）に提出した計画値と実需要との同時同量の達成が求められている。

ここで、未達時の電力の需給の過不足をインバランス、「供給量＞需要実績」を余剰インバランス、「供給量＜需要実績」を不足インバランスと称する。

図１１に示されるように、インバランスについては、送配電事業者との間で余剰は買い取られ、不足は補給され、最終的に清算される。しかし、インバランスが大きく逸脱した場合は、勧告等の指導を受ける可能性がある。したがって、同時同量達成のためには、電力需要予測の精度向上が必要不可欠となる。

一方、２つの電力会社から行う需要家に対する電力供給を電力部分供給という。その供給方式には、主に横切り型部分供給、縦切り型部分供給、及び通告型部分供給の３種類あるが、現在では横切り型部分供給が主流となっている。

横切り型部分供給とは、図１２に示されるように、２つの電力会社のうち一方の電力会社が一定量のベース供給を行い、他方がベース供給電力を超えた負荷追随供給を行う供給形態のことをいう。

このような電力部分供給による電力需要予測及び電力供給において、実際の電力供給の手順としては、送配電管内毎の合計の電力需要予測を立て、電力供給量を決定した計画をOCCTOに提出する必要がある。つまり、電力供給形態に関わらずエリア全体の契約需要家の合計予測値を推定し見積もる必要がある。

ここで、部分供給に関する技術としては、例えば、特許文献１では、同一時間帯に部分供給契約電力Ａ，Ｂが複数ある時間帯に対しては、目標電力設定部により、複数の部分供給用契約電力Ａ，Ｂの合計（Ａ＋Ｂ）を基に目標電力Ｗ２が設定され、目標現在電力Ｗ３は目標電力Ｗ２を最終値として算出され、電力比較部により現在電力Ｗ１と比較され、比較の結果、所定の場合に警告が発せられる部分供給対応デマンドコントロール装置が開示されている。

特開２０１７−６３５８４号公報

使用電力全量については、様々な特性はあるものの、既存の知見にて予測が試みられている。即ち、従来技術では、例えば、図１３（ａ）、１３（ｂ）に示されるように、需要家ごとに使用電力の予測を立て、ベース契約電力で切り出し、個々の負荷追随供給電力を予測することが行われている。

しかしながら、個々の案件では少なく見える誤差も、需要家の数が膨大になると、積み上げた際には拡大する可能性が高い。さらに、ハードウェア、ソフトウェアの両面において負荷が増大し、予測システムとしての運用は困難を極める。

よって、システム的な負荷を軽減させた上で、電力部分供給を含むエリア全体の電力需要予測を立てようとした場合には、個々の案件ではなくエリア内の全需要家の負荷追随供給電力の合計値を予測しなければならず、それには何らかのモデル式の構築、システム開発が必要不可欠となる。しかし、前述した特許文献１をはじめ、従来技術では、そのようなモデル式の構築を前提とした電力需要予測は行われていなかった。

また、使用量が増える時間帯においては、電力全量供給と比較すると、電力部分供給の方が小売全体の需要が大きく変動しやすい。そのため、特にピーク時間帯で不明瞭な需要予測となってしまい、発電側と需要側とのミスマッチが生じているのが現状である。従って、今日では、このような実環境において生じている不明瞭な電力部分供給に係る電力需要予測を明確にすることが嘱望されている。

本発明は、このような課題に鑑みてなされたものであり、その目的とするところは、電力部分供給に係る電力需要予測について、モデル式を構築し、当該モデル式を用いて電力需要予測を高精度且つ迅速に行うことにある。

上記課題を解決するため、本発明の第１の態様に係る電力需要予測システムは、少なくとも過去の電力データを解析する解析部と、需要予測電力の予測を行う予測部と、少なくとも電力データを記憶する記憶部と、を備え、前記解析部は、前記過去の電力データから負荷追随実績電力を含む全量実績電力を特定し、対象日の所定日数以上前の最大電力が出ている日を抽出し、次式により前記最大電力を前記対象日の特徴を有するデータＡ’に変換し、
Ａ’＝Ａ×全量契約電力比×月負荷率比
次式により前記最大電力を切り取る基準電力Ｂ’を算出し、
基準電力Ｂ’＝Ａ’×（対象日負荷追随契約電力／対象日全量契約電力）
前記最大電力が出ている日と対象日の負荷追随契約状態の相違を反映するために、負荷追随契約電力比率ｒを次式により算出し、
ｒ＝（対象日負荷追随契約電力／最大電力日負荷追随契約電力）
前記基準値を次式により算出し、
基準値＝（全量実績電力−基準電力）×ｒ
前記予測部は、時間帯コードと、前記基準値と前記負荷追随実績電力との差分値との関数に時間帯コードを代入し、前記時間帯コードに対応する差分値を特定し、前記基準値に前記差分値を加算した値を負荷追随需要予測電力とする。

本発明の第２の態様に係る電力需要予測方法は、解析部が、記憶部の過去の電力データから負荷追随実績電力を含む全量実績電力を特定し、対象日の所定日数以上前の最大電力が出ている日を抽出し、次式により前記最大電力を前記対象日の特徴を有するデータＡ’に変換し、
Ａ’＝Ａ×全量契約電力比×月負荷率比
次式により前記最大電力を切り取る基準電力Ｂ’を算出し、
基準電力Ｂ’＝Ａ’×（対象日負荷追随契約電力／対象日全量契約電力）
前記最大電力が出ている日と対象日の負荷追随契約状態の相違を反映するために、負荷追随契約電力比率ｒを次式により算出し、
ｒ＝（対象日負荷追随契約電力／最大電力日負荷追随契約電力）
前記基準値を次式により算出し、
基準値＝（全量実績電力−基準電力）×ｒ
予測部が、時間帯コードと、前記基準値と前記負荷追随実績電力との差分値との関数に時間帯コードを代入し、前記時間帯コードに対応する差分値を特定し、前記基準値に前記差分値を加算した値を負荷追随需要予測電力とする。

本発明の第３の態様に係るプログラムは、コンピュータを、少なくとも過去の電力データを解析する解析部と、需要予測電力の予測を行う予測部と、少なくとも電力データを記憶する記憶部と、して機能させ、前記解析部は、前記過去の電力データから負荷追随実績電力を含む全量実績電力を特定し、対象日の所定日数以上前の最大電力が出ている日を抽出し、次式により前記最大電力を前記対象日の特徴を有するデータＡ’に変換し、
Ａ’＝Ａ×全量契約電力比×月負荷率比
次式により前記最大電力を切り取る基準電力Ｂ’を算出し、
基準電力Ｂ’＝Ａ’×（対象日負荷追随契約電力／対象日全量契約電力）
前記最大電力が出ている日と対象日の負荷追随契約状態の相違を反映するために、負荷追随契約電力比率ｒを次式により算出し、
ｒ＝（対象日負荷追随契約電力／最大電力日負荷追随契約電力）
前記基準値を次式により算出し、
基準値＝（全量実績電力−基準電力）×ｒ
前記予測部は、時間帯コードと、前記基準値と前記負荷追随実績電力との差分値との関数に時間帯コードを代入し、前記時間帯コードに対応する差分値を特定し、前記基準値に前記差分値を加算した値を負荷追随需要予測電力とする。

本発明によれば、電力部分供給に係る電力需要予測について、モデル式を構築し、当該モデル式を用いて電力需要予測を高精度且つ迅速に行うことが可能な電力需要予測システム、電力需要予測方法、及びプログラムを提供することができる。

本発明の一実施形態に係る電力需要予測システムの構成図である。 同システムのサーバ装置の構成図である。 同システムの情報端末の構成図である。 同システムによるモデル式算定の手順を示すフローチャートである。 同システムによる電力需要予測の手順を示すフローチャートである。 モデル式を算出する各領域について説明する図である。 電力の実績値と基準予測値、各要素を反映した値の関係を示す図である。 電力需要予測に関わる影響因子を示す一覧である。 電力の実績値と予測値との関係を示す図である。 モデル式の学習サイクルを示す図である。 一般的な電力の需給グラフである。 一般的な負荷追随供給電力を説明する図である。 一般的なベース契約電力と使用電力の関係を示す図である。

以下、図面を参照しつつ本発明の一実施形態について説明する。

本実施形態に係る電力需要予測システムは、少なくとも以下の特徴を有している。
・ハードウェア、ソフトウェアの両面での負荷の軽いシステム
・予測手順が簡便なシステム
・電力部分供給の割合を問わず運用可能なシステム

図１には、本発明の一実施形態に係る電力需要予測システムの構成を示し説明する。

同図に示されるように、電力需要予測システムは、電力需要予測サービスの提供者のサーバ装置１と、クライアントの情報端末２と、電力会社のサーバ装置３とが、インターネット等のネットワーク４を介して通信自在に接続され、構成されている。

このような構成において、電力会社のサーバ装置３は、例えば、グループごとの契約電力、過去の使用電力、及び過去の負荷追随供給電力等のデータを提供する。サーバ装置１は、電力会社のサーバ装置３からの各種データを取得し、当該データを解析し、需要予測電力、特に負荷追随需要予測電力を算出するための基礎となるモデル式を構築する。

クライアントの情報端末２より、電力需要予測に係るリクエストを受けると、サーバ装置１は、構築しているモデル式を用いて、需要予測電力、特に負荷追随需要予測電力の算出を行い、その算出結果を情報端末２に提供する。

情報端末２では、ブラウザの機能により、この需要予測電力、特に負荷追需要随予測電力の算出結果を確認可能となる。その後、サーバ装置２では、算出した需要予測電力に対して、気温、曜日、日照時間、及び降水量等の各要素（影響因子）による影響度を割り出し、機械学習により自動学習させ、先に構築したモデル式を随時更新する。

図２には、本発明の一実施形態に係る電力需要予測システムにおけるサーバ装置の構成を示し説明する。

同図に示されるように、サーバ装置１は、全体の制御を司るＣＰＵ（Central Processing Unit）等の制御部１１を備えており、この制御部１１は、通信部１２、記憶部１３と電気的に接続されている。

このような構成において、通信部１２は、インターネット等のネットワーク４を介してクライアントの情報端末２等と通信するための通信インタフェース（Ｉ／Ｆ）である。記憶部１３は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等のメモリや、ＨＤＤ（Hard Disc Drive）等からなり、制御部１１で実行されるプログラム１６を記憶し、その実行時にはワークエリアを提供する。

また、記憶部１３は、電力ＤＢ１４とモデル式ＤＢ１５を備えている。電力ＤＢ１４には、過去の電力データ等が記憶されている。各電力データは、例えば、気温、曜日、日照時間、及び降水量等の各要素（影響因子）と対応付けられている。

モデル式ＤＢ１５には、演算により算出されたモデル式が記憶されている。構築されたモデル式は、機械学習により随時更新されるが、モデル式ＤＢ１５には、過去のモデル式から最新のモデル式まで全て記憶されている。

制御部１１は、記憶部１３のプログラム１６を実行することで、主制御部１１ａ、入力制御部１１ｂ、解析部１１ｃ、予測部１１ｄ、学習部１１ｅ、及び表示データ生成部１１ｆとして機能する。

主制御部１１ａは、電力データについて特性ごとのグルーピングを実施する。この例では、独自の業種区分を使用してグルーピングを実施している。

入力制御部１１ｂは、モデル式の構築に用いる各種データの入力を受け付ける。ここでは、通信部１２を介して電力会社のサーバ装置３等より、或いは記憶部１３より、グループに対応した契約電力、過去の使用電力、及び過去の負荷追随供給電力等の電力ビッグデータ、並びに気象データ等の入力を受け付けることになる。

解析部１１ｃは、統計学的観点から入力制御部１１ｂを介して取得した各種データを解析し、電力需要予測に用いるモデル式を構築する。詳細は後述するが、モデル式は、時間帯コードｘと、基準値と負荷追実績電力の差分値ｙとの関数になっている。

予測部１１ｄは、使用電力合計予測を、記憶部１３のモデル式ＤＢ１４に記憶されているモデル式のうち最新のモデル式に投入し、需要予測電力、特に負荷追随需要予測電力を予測することになる。

学習部１１ｅは、解析部１１ｃで構築されたモデル式を機械学習により更新する。より詳細には、この学習部１１ｅは、記憶部１３より種々の要素（例えば、気温、湿度、日射量、曜日、祝日、及び災害等のイベント等の影響因子）を学習要素として取り込み、それら影響因子の影響度を既に構築されているモデル式に反映させるべく、ディープラーニング等の手法等による機械学習を実施し、既に構築されているモデル式を更新し、記憶部１３のモデル式ＤＢ１５に最新のモデル式を記憶する。

表示データ生成部１１ｆは、演算により算出された需要予測電力、特に負荷追随需要予測電力に係る画面データを生成し、ＨＴＭＬ（Hyper Text Markup Language）形式等で通信部１２を介してクライアントの情報端末２に送信するよう制御する。

図３には、本発明の一実施形態に係る電力需要予測システムにおける情報端末の構成を示し説明する。同図に示されるように、情報端末２は、全体の制御を司るＣＰＵ等の制御部２１を備えており、制御部２１は、通信部２２、操作部２３、表示部２４、及び記憶部２５と接続されている。

このような構成において、通信部２２は、インターネット等のネットワーク４を介してサーバ装置１等と通信するための通信Ｉ／Ｆである。操作部２３は、マウスやキーボード等の操作デバイスである。表示部２４は、液晶ディスプレイ等の表示デバイスである。操作部２３と表示部２４をタッチパネルとして一体に構成してもよい。記憶部２５は、ＲＯＭ，ＲＡＭやＨＤＤ等で構成されており、制御部２１で実行されるプログラム２６を記憶し、該プログラム２６の実行時にはワークエリアを提供する。

そして、制御部２１は、記憶部２５のプログラム２６を実行することで、主制御部２１ａ、ブラウザ部２１ｂ、及び表示制御部２１ｃとして機能する。主制御部２１ａは、サーバ装置１との通信等、統括的な役割を担う。ブラウザ部２１ｂは、サーバ装置１から送られた需要予測電力、特に負荷追随需要予測電力等に係るＨＴＭＬデータに基づく閲覧を可能とする。そして、表示制御部２１ｃは、表示部２４での表示を制御する。

以下、図４のフローチャートを参照して、基本モデル式の構築手順について説明する。

処理を開始すると、主制御部１１ａは、エリア毎、業種毎にデータを分類（例えば、製造業、老健施設、病院、及びコンビニ等）する（Ｓ１）。

続いて、解析部１１ｃは、過去の実績データを基に、全量での需要実績電力（以下、全量実績電力という）を抽出する（Ｓ２）。なお、ここでは、解析部１１ｃにより、負荷追随実績電力も同時に算出されることになる。

そして、解析部１１ｃは、対象日の所定日数（この例では３日）以上前の最大電力が出ている日を抽出し、最大電力Ａ［ｋＷ］を基に基準電力Ｂ’を算出する（Ｓ３）。この例で所定日数を３日としたのは、予測は対象日の２日前までに作成することが好ましく、その場合、予測に必要なデータは３日以上前のものしか揃わないからである。

より詳細には、解析部１１ｃは、過去の最大電力Ａを対象日の特徴を有するデータＡ’に変換する。
Ａ’＝Ａ×全量契約電力比×月負荷率比
例えば、過去のデータの取得日と対象日とで契約状況や月負荷率が異なる場合でも、上記演算によれば、それらの特徴を過去の最大電力Ａに反映できる。そして、解析部１１ｃは、過去の最大電力Ａを切り取る基準電力Ｂ’を次式により算出する。
基準電力Ｂ’＝Ａ’×（対象日負荷追契約電力／対象日全量契約電力）

続いて、解析部１１ｃは、全量実績電力から基準電力Ｂ’を切り取り、その結果を基準値とする（Ｓ４）。

より詳細には、解析部１１ｃは、過去の最大電力が出ている日と対象日の負荷追随契約状態の相違を反映するために、負荷追随契約電力比率ｒを次式により算出する。
負荷追随契約電力比率ｒ＝（対象日負荷追随契約電力／最大電力日負荷追随契約電力）
そして、基準値を次式により算出する。
基準値＝（全量実績電力−基準電力Ｂ’）×負荷追随契約電力比率ｒ
従って、上記演算によれば、算出された基準値には、過去の最大電力が出ている日と対象日との負荷追随契約状況の違いが十分反映されることになる。

次に、解析部１１ｃは、図６に示されるような、基準値と負荷追随実績電力の差分値（＝ｙ）を算出する（Ｓ５）。

そして、解析部１１ｃは、４８コマ毎（この例では、３０分単位で１日２４時間を４８コマに分類）の差分値ｙの平均値と時間帯コードｘ（ｘ＝１〜４８）に基づき統計的解析手法を用いて、基本モデル式を算出する（Ｓ６）。

ここで、基本モデル式は、基本的に年単位もしくは季節単位等の適切なブロック単位で算出するものとする。また、基本モデル式は、エリア毎、業種毎に算出する。統計的解析手法については、データの分散から近似式を求めるような手法を採用しているが、これには限定されない。本実施形態では、基本モデル式は、例えば、時間帯コードｘと差分値ｙの関数で定義されるが、これには限定されない。

こうして、図６に示されるように、特性の全域を有意性が高くなる時間帯で領域（領域ａ，ｂ，ｃ…）分けし、各領域について、それぞれの基本モデル式を決定する。有意性の高低については、統計的評価を中心に用いて決定すればよい。

次に、図５のフローチャートを参照して、需要予測電力の算出処理を説明する。

この算出処理を概説すると、先に求めた基本モデル式から時間帯コードに基づき差分値を求め、負荷追随需要予測電力を算出し、負荷追随需要予測電力に対して、気温・曜日・日照時間・降水量等の各要素の影響度を割り出し、機械学習により自動学習させ、先に求めたモデル式を随時更新するものである。以下、詳述する。

この処理に入ると、先ず、解析部１１ｃは、エリア毎、業種毎の過去データから全量での需要予測電力（全量予測電力）を算出する（Ｓ１１）。なお、ここでは、解析部１１ｃにより、負荷追随実績電力も同時に算出されることになる。

続いて、解析部１１ｃは、予測日の基準値を算出する。即ち、予測日の所定日数（この例では３日）以上前の最大電力が出ている日を抽出し、最大電力Ａ［ｋＷ］を基に基準電力Ｂ’を算出する（Ｓ１２）。

詳細には、解析部１１ｃは、過去の最大電力Ａを対象日の特徴を有するデータＡ’に変換する。
Ａ’＝Ａ×全量契約電力比×月負荷率比
例えば、過去のデータの取得日と対象日とで契約状況や月負荷率が異なる場合でも、上記演算によれば、それらの特徴を過去の最大電力Ａに反映できる。そして、解析部１１ｃは、過去の最大電力Ａを切り取る基準電力Ｂ’を次式により算出する。
基準電力Ｂ’＝Ａ’×（対象日負荷追契約電力／対象日全量契約電力）

そして、解析部１１ｃは、全量実績電力から基準電力Ｂ’を切り取り、その結果を基準値とする（Ｓ１３）。

詳細には、解析部１１ｃは、過去の最大電力が出ている日と対象日の負荷追契約状態の相違を反映するために、負荷追契約電力比率ｒを次式により算出する。
負荷追契約電力比率ｒ＝（対象日負荷追契約電力／最大電力日負荷追契約電力）
そして、解析部１１ｃは、基準値を次式により算出する。
基準値＝（全量実績電力−基準電力Ｂ’）×負荷追契約電力比率ｒ

次に、予測部１１ｄは、基本モデル式に時間帯コードｘを代入し、回帰的に算出した差分値ｙ’を算出する（Ｓ１４）。そして、予測部１１ｄは、基準値＋差分値ｙ’を負荷追随需要予測電力とする（Ｓ１５）。

そして、学習部１１ｅは、負荷追随需要予測電力に対して、気温、曜日、日照時間、降水量等の各要素の影響度を割り出し、機械学習を以て自動学習させ、モデル式を更新することになる（Ｓ１６）。

次に、モデル式の機械学習による更新処理について詳細に説明する。

先ず、学習部１１ｅは、エリア毎、業種毎に各要素の重要度を割り出す。すなわち、前述した負荷追随需要予測電力（基準予測値）を基に、要素を適用した予測値を各月毎に算出し、実績値と比較する。ここで、「要素」とは、例えば、気温、曜日、日照時間、及び降水量等の各要素を意味する。

そして、学習部１１ｅは、時間帯コードｘに対応する各４８コマの比較結果である差分を平均し、実績値と予測値との差分が所定の割合下になった要素を、影響因子とする。

例えば、図７の例では、
実績値と基準予測値の差分平均 ： １．３７５
実績値と要素Ａを反映した予測値との差分平均 ： ０．２５
実績値と要素Ｂを反映した予測値との差分平均 ： ５．２０８３３
となる。そして、例えば所定の割合を実績値と基準予測値との差分平均とした場合、それ以下である要素Ａを影響因子とし、それ以上である要素Ｂは予測値の算出において考慮対象外とする。この影響因子か否かの棲み分けについては、例えば、図８に示されるような一覧で各要素の解析状態としてまとめられる。

続いて、学習部１１ｅは、図９に示されるように、要素を適用した予測値のうち、先に影響因子とされた要素を適用した予測値の平均を予測値として、電力需要予測を行う。そして、電力需要予測から導き出される予測値を情報として蓄積し、この蓄積された情報から最新の要素別影響度を算出することで、予測精度の向上を図る。

こうして、学習部１１ｅは、予測した日、つまり対象日の実績が出た後に、上記ステップを自動的に繰り返すことで、影響因子の再計算を行い、その計算結果をふまえて機械学習による自動学習を行い、モデル式を更新する。

以上のモデル式の自動更新で用いる予測値の再計算は、図１０に示されるような処理の繰り返しにより実現される。即ち、学習部１１ｅにより「蓄積」、「学習」、「再予測」の連続により常に最新の予測値に基づくモデル式の更新が実現される。

詳細には、学習部１１ｅは、要素別影響度算出から導き出される計算式で毎日計算を行い、その結果を情報として蓄積し、この蓄積された情報から、最新の要素別影響度を更に算出することで予測精度を向上させ、学習結果を基に再度予測値を再算出するという処理を繰り返すことになる。

従って、本実施形態に係る電力需要予測システムによれば、以下の効果が奏される。
・精度向上による部分供給の更なる普及を図ることができる。これにより、新電力の参入障壁の低減、インバランス・収支改善による経営健常化を実現する。
・需要と発電のバランスを改善することができる。即ち、電力部分供給によって変動が大きくなり不明瞭となっていた電力需要を明確にし、ミスマッチだった発電と需要とのバランスを改善することができる。

以上、本発明の一実施形態について説明したが、本発明はこれに限定されることなくその趣旨を逸脱しない範囲で種々の改良・変更が可能であることは勿論である。

例えば、モデル式の機械学習による学習サイクルの中で、実際にモデル式を用いて算出した需要予測電力、特に負荷追随需要予測電力のフィードバックを受け、モデル式の適正化を図り、その更新に役立てるようにしてもよい。

１…サーバ装置、２…情報端末、３…サーバ装置、１１…制御部、１１ａ…主制御部、１１ｂ…入力制御部、１１ｃ…解析部、１１ｄ…予測部、１１ｅ…学習部、１１ｆ…表示データ生成部、１２…通信部、１３…記憶部、１４…電力ＤＢ、１５…モデル式ＤＢ、２１…制御部、２１ａ…主制御部、２１ｂ…ブラウザ部、２１ｃ…表示制御部、２２…通信部、２３…操作部、２４…表示部、２５…記憶部。

Claims (3)

1. 少なくとも過去の電力データを解析する解析部と、
   需要予測電力の予測を行う予測部と、
   少なくとも電力データを記憶する記憶部と、を備え、
   前記解析部は、前記過去の電力データから負荷追随実績電力を含む全量実績電力を特定し、対象日の所定日数以上前の最大電力が出ている日を抽出し、次式により前記最大電力を前記対象日の特徴を有するデータＡ’に変換し、
   Ａ’＝Ａ×全量契約電力比×月負荷率比
   次式により前記最大電力を切り取る基準電力Ｂ’を算出し、
   基準電力Ｂ’＝Ａ’×（対象日負荷追随契約電力／対象日全量契約電力）
   前記最大電力が出ている日と対象日の負荷追随契約状態の相違を反映するために、負荷追随契約電力比率ｒを次式により算出し、
   ｒ＝（対象日負荷追随契約電力／最大電力日負荷追随契約電力）
   前記基準値を次式により算出し、
   基準値＝（全量実績電力−基準電力）×ｒ
   前記予測部は、時間帯コードと、前記基準値と前記負荷追随実績電力との差分値との関数に時間帯コードを代入し、前記時間帯コードに対応する差分値を特定し、前記基準値に前記差分値を加算した値を負荷追随需要予測電力とする
   電力需要予測システム。
2. 解析部が、記憶部の過去の電力データから負荷追随実績電力を含む全量実績電力を特定し、対象日の所定日数以上前の最大電力が出ている日を抽出し、次式により前記最大電力を前記対象日の特徴を有するデータＡ’に変換し、
   Ａ’＝Ａ×全量契約電力比×月負荷率比
   次式により前記最大電力を切り取る基準電力Ｂ’を算出し、
   基準電力Ｂ’＝Ａ’×（対象日負荷追随契約電力／対象日全量契約電力）
   前記最大電力が出ている日と対象日の負荷追随契約状態の相違を反映するために、負荷追随契約電力比率ｒを次式により算出し、
   ｒ＝（対象日負荷追随契約電力／最大電力日負荷追随契約電力）
   前記基準値を次式により算出し、
   基準値＝（全量実績電力−基準電力）×ｒ
   予測部が、時間帯コードと、前記基準値と前記負荷追随実績電力との差分値との関数に時間帯コードを代入し、前記時間帯コードに対応する差分値を特定し、前記基準値に前記差分値を加算した値を負荷追随需要予測電力とする
   電力需要予測方法。
3. コンピュータを、
   少なくとも過去の電力データを解析する解析部と、
   需要予測電力の予測を行う予測部と、
   少なくとも電力データを記憶する記憶部と、して機能させ、
   前記解析部は、前記過去の電力データから負荷追随実績電力を含む全量実績電力を特定し、対象日の所定日数以上前の最大電力が出ている日を抽出し、次式により前記最大電力を前記対象日の特徴を有するデータＡ’に変換し、
   Ａ’＝Ａ×全量契約電力比×月負荷率比
   次式により前記最大電力を切り取る基準電力Ｂ’を算出し、
   基準電力Ｂ’＝Ａ’×（対象日負荷追随契約電力／対象日全量契約電力）
   前記最大電力が出ている日と対象日の負荷追随契約状態の相違を反映するために、負荷追随契約電力比率ｒを次式により算出し、
   ｒ＝（対象日負荷追随契約電力／最大電力日負荷追随契約電力）
   前記基準値を次式により算出し、
   基準値＝（全量実績電力−基準電力）×ｒ
   前記予測部は、時間帯コードと、前記基準値と前記負荷追随実績電力との差分値との関数に時間帯コードを代入し、前記時間帯コードに対応する差分値を特定し、前記基準値に前記差分値を加算した値を負荷追随需要予測電力とする
   プログラム。