JP6742813B2 - 需要予測システム及び需要予測方法 - Google Patents

Description

本発明は、需要予測システムに関する。

資源（電力、ガス、ネガワット、水、温冷水、及び旅客輸送用車両、貨物輸送用車両、役務、物品）の供給にあたっては資源の需要を予測することが要求される。例えば、発送電分離に向けた電力会社の再編に伴い、電力会社の経営効率化に向けた電力販売ソリューションが求められている。電力販売では発電所との相対契約（容量確保）の適正化のため中長期の需要予測が要求される。

例えば、特許文献１には、契約種別や業種等により分類された需要家タイプごとに基準負荷パターンを作成し、各需要家タイプの月間使用量に合わせて基準負荷パターンを拡大縮小させることで、需要家タイプごとの電力負荷を予測する電力負荷推定方法が開示されている。

特開２００４−３２０９６３号公報

ところが、特許文献１に開示の電力負荷推定方法では、契約種別や業種が同一の需要家は需要態様も類似することを前提としているが、契約種別や業種が同じでも需要態様が異なることがあり需要タイプごとの電力負荷を精度良く予測できないため、中長期の需要を精度良く予測することができない。

上記課題を解決するために、本発明の一態様である需要予測システムは、記憶デバイスと、前記記憶デバイスに接続されるプロセッサと、を備える。前記プロセッサは、需要家集合内の複数の需要家の夫々による資源の需要の時系列データであるロードデータが、複数のグループに対応付けられ、前記記憶デバイスは、各グループ内のロードデータを代表する形状を示す需要態様データと、各グループに属する需要家数とを、取得し、各グループの需要態様データの実績値と、各グループの需要家数の実績値とに基づいて、予め設定された予測対象期間における前記需要家集合の需要の時系列データの形状を示す形状データを算出する、ように構成されている。

本発明によれば、将来の需要の予測精度を向上させることができる。

需要予測システムの全体構成図である。 年間需要想定装置の概略構成を示すブロック図である。 需要態様分類装置の概略構成を示すブロック図である。 予測演算装置の概略構成を示すブロック図である。 需要予測システムにおいて実行される一連の処理の流れを示すブロック図である。 メータデータ情報の概略構成を示す概念図である。 需要家情報の概略構成を示す概念図である。 クラスタ情報の概略構成を示す概念図である。 グループ情報の概略構成を示す概念図である。 年間需要想定処理の処理手順を示すフローチャートである。 クラスタ分析処理の処理手順を示すフローチャートである。 分類処理の処理手順を示すフローチャートである。 クラスタ数妥当性評価値算出処理の処理手順を示すフローチャートである。 最適クラスタ数決定処理の処理手順を示すフローチャートである。 最適クラスタ数決定処理の説明に供する特性曲線図である。 グループ生成処理の処理手順を示すフローチャートである。 グループ生成処理の説明に供する概念図である。 需要家数年次変化予測処理の処理手順を示すフローチャートである。 需要家数年次変化予測処理の説明に供する概念図である。 需要態様年次変化予測処理の処理手順を示すフローチャートである。 需要態様年次変化予測処理の説明に供する概念図である。 需要態様伸縮補正処理の処理手順を示すフローチャートである。 需要態様合成処理の処理手順を示すフローチャートである。 パラメータ調整処理の処理手順を示すフローチャートである。 柱上トランスごとの需要予測の説明に供する概念図である。 柱上トランスごとの電力実績量と電力推定量との推定誤差を表す概念図である。 需要態様伸縮補正処理の説明に供する概念図である。 電力予測量の算出の処理手順を示すフローチャートである。

以下図面について、本発明の一実施の形態を詳述する。

（１）全体構成
図１に、本実施の形態における需要予測システム１の全体構成を示す。需要予測システム１は、需要家２の設備制御端末２０と、経済情報管理者３の経済情報配信端末３０と、気象情報管理者４の気象情報配信端末４０と、送配電事業者５のメータデータ管理装置５０と、小売事業者６の、需要家情報管理装置６０、年間需要想定装置６１、需要態様分類装置６２、予測演算装置６３、需要実績管理装置６４、需要予測値利用装置６５、及び情報入出力端末６６とがネットワーク７を介して接続されることにより構成される。小売事業者６の需要家情報管理装置６０、年間需要想定装置６１、需要態様分類装置６２、予測演算装置６３、需要実績管理装置６４、需要予測値利用装置６５、及び情報入出力端末６６は、ネットワーク６７を介してネットワーク７に接続されている。

需要家２の設備制御端末２０は、例えばスマートメータ（小売事業者６のための電力量計や、需要家２が独自に設置した電力量計など）から構成される。以下の説明において、設備制御端末２０をメータと呼ぶことがある。設備制御端末２０は、需要家２の電力使用量を計測し、計測結果をメータデータとして送配電事業者５のメータデータ管理装置５０に送信する。メータデータは、予め設定されたサンプリング周期（例えば３０分）毎のサンプルを含む。サンプルは、電力使用量の積算値であってもよいし、サンプリング周期毎の積算値の差分であってもよい。また、サンプルは、一つのサンプリング周期内の最大電力や平均電力であってもよい。

経済情報管理者３の経済情報配信端末３０は、ＧＤＰ（Gross Domestic Product）やＩＩＰ（Indices of Industrial Production）などの経済情報を配信する機能を有するサーバ装置である。

気象情報管理者４の気象情報配信端末４０は、平均気温や最高気温などの気象情報を配信する機能を有するサーバ装置である。

送配電事業者５のメータデータ管理装置５０は、各需要家２の設備制御端末２０から送信されるメータデータを蓄積及び管理する機能を有するサーバ装置である。そしてメータデータ管理装置５０は、蓄積した各需要家２のメータデータのうち、計測期間のデータをロードデータとして、定期的に小売事業者６の需要態様分類装置６２に送信する。計測期間は、計測周期毎に区切られた期間の１つである。計測周期は例えば、１年であり、計測期間は例えば、年度である。なお、計測周期は、３ヶ月、１ヶ月等、他の時間長であってもよい。計測期間は、年、季節、月等、他の区切りで設定されてもよい。なお、需要態様分類装置６２は、メータデータ管理装置５０に対し、計測期間を指定してロードデータを要求することで、メータデータ管理装置５０からロードデータを取得してもよい。将来の計測周期の長さを有する期間が、予測対象期間として設定される。例えば、最新の計測期間の次の計測周期の長さを有する期間が、予測対象期間として設定される。

小売事業者６の需要家情報管理装置６０は、各需要家２の属性情報を蓄積及び管理する機能を有するサーバ装置である。属性情報は、各需要家２の契約名義、所在地、業種、契約種別などを含む。また、属性情報は、各需要家２のスマートメータを識別するためのメータＩＤを含む。或る需要家に対して、小売事業者６により設置された電力量計と、当該需要家により設置された電力量計とのように、複数のスマートメータが設置されている場合は、当該需要家に対して複数のメータＩＤを関連付ける。

小売事業者６の年間需要想定装置６１は、需要実績管理装置６４から受信した需要実績情報と、経済情報配信端末３０から受信した経済情報と、気象情報配信端末４０から受信した気象情報に基づいて、予測対象年度（予測対象期間）の総需要を推定する機能を有するコンピュータ装置である。なお、経済情報は、経済情報配信端末３０以外の装置に格納されて年間需要想定装置６１により取得されてもよい。また、気象情報は、気象情報配信端末４０以外の装置に格納されて年間需要想定装置６１により取得されてもよい。

小売事業者６の需要態様分類装置６２は、メータデータ管理装置５０から受信した各需要家のロードデータに基づいて、需要家を幾つかのグループに分類し、グループごとに代表的なロードデータの形状を表す需要態様を算出する機能を有するコンピュータ装置である。なお、ロードデータは、メータデータ管理装置５０以外の装置に格納されて需要態様分類装置６２により取得されてもよい。

小売事業者６の予測演算装置６３は、需要態様分類装置６２で分類されたグループごとに需要家数と需要態様の年次変化を予測し、各々掛合せ合算することで将来の電力使用量の推移を表す電力負荷曲線を推定し、推定した電力負荷曲線を用いて、年間需要想定装置６１で推定した予測対象年度の総需要を各サンプルに按分することで、予測対象年度のサンプリング周期（例えば３０分）刻みの需要時系列を推定する機能を有するコンピュータ装置である。

小売事業者６の需要実績管理装置６４は、需要の実績値を蓄積、管理する機能を有するコンピュータ装置である。

小売事業者６の需要予測値利用装置６５は、予測演算装置６３で推定された予測対象年度の需要時系列に基づいて、太陽光発電シミュレーションや収支シミュレーションなどを行う機能を有するコンピュータ装置である。

小売事業者６の情報入出力端末６６は、例えばパーソナルコンピュータであり、処理デバイスと通信デバイスと入力デバイスと表示デバイスとを含む。この情報入出力端末６６は、小売事業者６が年間需要想定、需要態様分類、及び予測演算に必要な情報を入力する際や、それぞれの処理結果を確認する際などに利用される。

（２）内部構成
図２に、小売事業者６の年間需要想定装置６１の概略構成を示す。図２に示すように、年間需要想定装置６１は、内部バス６１０を介して相互に接続されたＣＰＵ６１１、メモリ６１２、記憶部６１３、通信部６１４を含む。

ＣＰＵ６１１は、年間需要想定装置６１の動作制御を司るプロセッサである。またメモリ６１２は、主として各種プログラムやデータを一時的に記憶するために利用される。後述する年間需要想定処理６１０１のプログラムもこのメモリ６１２に格納されて保持される。

記憶部６１３は、例えばハードディスク装置を含み、プログラムやデータを長期間保持するために利用される。後述する年間需要想定情報記憶部６１０２は、この記憶部６１３に格納されて保持される。なお、記憶部６１３は、経済情報配信端末３０、気象情報配信端末４０、情報入出力端末６６等から受信したデータを記憶してもよい。

通信部６１４は、ネットワーク６７を介した、需要家情報管理装置６０、需要態様分類装置６２、予測演算装置６３、需要実績管理装置６４、需要予測値利用装置６５、及び情報入出力端末６６との通信時におけるプロトコル制御を行う。

図３に、小売事業者６の需要態様分類装置６２の概略構成を示す。図３に示すように、需要態様分類装置６２は、内部バス６２０を介して相互に接続されたＣＰＵ６２１、メモリ６２２、記憶部６２３、通信部６２４を含む。

ＣＰＵ６２１は、需要態様分類装置６２の動作制御を司るプロセッサである。またメモリ６２２は、主として各種プログラムやデータを一時的に記憶するために利用される。後述するクラスタ分析処理６２０１、及びグループ生成処理６２０３もこのメモリ６２２に格納されて保持される。

記憶部６２３は、例えばハードディスク装置を含み、プログラムやデータを長期間保持するために利用される。後述するクラスタ情報記憶部６２０２、及びグループ情報記憶部６２０４のプログラムは、この記憶部６２３に格納されて保持される。

通信部６２４は、ネットワーク６７を介した、需要家情報管理装置６０、年間需要想定装置６１、予測演算装置６３、需要実績管理装置６４、需要予測値利用装置６５、及び情報入出力端末６６との通信時におけるプロトコル制御を行う。

図４に、小売事業者６の予測演算装置６３の概略構成を示す。図４に示すように、予測演算装置６３は、内部バス６３０を介して相互に接続されたＣＰＵ６３１、メモリ６３２、記憶部６３３、通信部６３４を含む。

ＣＰＵ６３１は、予測演算装置６３の動作制御を司るプロセッサである。またメモリ６３２は、主として各種プログラムやデータを一時的に記憶するために利用される。後述する需要家数年次変化予測処理６３０１、需要態様年次変化予測処理６３０２、需要態様伸縮補正処理６３０３、需要態様合成処理６３０４、年間需要想定値按分処理６３０５、及びパラメータ調整処理６３０７のプログラムもこのメモリ６３２に格納されて保持される。

記憶部６３３は、例えばハードディスク装置を含み、プログラムやデータを長期間保持するために利用される。後述する需要予測情報記憶部６３０６のプログラムは、この記憶部６３３に格納されて保持される。

通信部６３４は、ネットワーク６７を介した、需要家情報管理装置６０、年間需要想定装置６１、需要態様分類装置６２、需要実績管理装置６４、需要予測値利用装置６５、及び情報入出力端末６６との通信時におけるプロトコル制御を行う。

なお、小売事業者６の複数の装置の何れかが一つの装置であってもよい。小売事業者６の装置の中の機能が別の装置に含まれていてもよい。また、小売事業者６が、送配電事業者５の装置を含んでいてもよい。需要予測システム１が一部の装置を含まなくてもよい。

各プログラムは、計算機が読み取り可能な記録媒体から対応する計算機にインストールされてもよい。

（３）本需要予測システムにおける処理の流れ
続いて図５を参照して、本実施の形態における需要予測システム１における処理の流れを説明する。

年間需要想定装置６１は、年間需要想定処理６１０１、及び年間需要想定情報記憶部６１０２を含む。需要態様分類装置６２は、クラスタ分析処理６２０１、クラスタ情報記憶部６２０２、グループ生成処理６２０３、及びグループ情報記憶部６２０４を含む。予測演算装置６３は、需要家数年次変化予測処理６３０１、需要態様年次変化予測処理６３０２、需要態様伸縮補正処理６３０３、需要態様合成処理６３０４、年間需要想定値按分処理６３０５、需要予測情報記憶部６３０６、及びパラメータ調整処理６３０７を含む。年間需要想定情報記憶部６１０２は、年間需要想定情報６１０２Ａを格納する。クラスタ情報記憶部６２０２は、クラスタ情報６２０２Ａを格納する。グループ情報記憶部６２０４は、グループ情報６２０４Ａを格納する。需要予測情報記憶部６３０６は、需要予測情報６３０６Ａを格納する。

年間需要想定処理６１０１は、需要実績管理装置６４から受信した需要実績情報６４０１Ａと経済情報配信端末３０から受信した経済情報３００１Ａと気象情報配信端末４０から受信した気象情報４００１Ａと需要家情報管理装置６０から受信した需要家情報６００１Ａに基づいて、年間需要想定情報６１０２Ａを生成する。

クラスタ分析処理６２０１は、メータデータ管理装置５０から受信した各需要家２のロードデータに基づいて、クラスタ情報６２０２Ａを生成する。クラスタ情報６２０２Ａは、各クラスタを識別するクラスタＩＤ、対応するクラスタに関する情報項目名、対応するクラスタに関する情報項目の値を含む。

グループ生成処理６２０３は、クラスタ情報６２０２Ａに基づきグループ情報６２０４Ａを生成する。グループ情報６２０４Ａは、各グループを識別するグループＩＤ、対応するグループに関する情報項目名、対応するグループに関する情報項目の値を含む。

需要家数年次変化予測処理６３０１は、グループ情報６２０４Ａに基づいて、各グループの将来の需要家数を予測する。

需要態様年次変化予測処理６３０２は、グループ情報６２０４Ａに基づいて、各グループの将来の需要態様を予測する。

需要態様伸縮補正処理６３０３は、需要態様年次変化予測処理６３０２で推定された各グループの将来の需要態様と予め設定されたパラメータに基づいて、各グループの需要態様の振幅成分及び直流成分（振幅の中心となる値）を補正する。

需要態様合成処理６３０４は、需要家数年次変化予測処理６３０１で予測された各グループの将来の需要家数と需要態様伸縮補正処理６３０３で補正された各グループの将来の需要態様に基づいて、各グループの需要態様と需要家数を掛合せ合算することで将来の電力使用量の推移を表す電力負荷曲線を推定する。

年間需要想定値按分処理６３０５は、年間需要想定処理６１０１で推定された年間需要想定値を、需要態様合成処理で推定された電力負荷曲線を用いて各サンプルに按分することで、予測対象年度のサンプリング周期刻みの需要時系列を推定する。

パラメータ調整処理６３０７は、需要実績管理装置６４から受信した需要実績情報６４０１Ａと需要予測情報６３０６Ａに基づいて、需要態様伸縮補正処理６３０３で用いるパラメータを補正する。

（４）各データベースの詳細
図６は、メータデータ情報５００１Ａの概念図を示す。メータデータ情報５００１Ａは、メータデータ情報を管理するために利用されるテーブルである。具体的にメータデータ情報５００１Ａは、メータ毎のエントリを有する。一つのメータのエントリは、メータＩＤ欄５００１Ａ１、メータデータ欄５００１Ａ２を含む。

メータＩＤ欄５００１Ａ１には、メータの識別番号であるメータＩＤが格納される。メータデータ欄５００１Ａ２には、対応するメータにより計測されたメータデータが格納される。

図６の例において、メータＩＤが「Ｍ０００００１」のメータについては、メータデータが「｛０．１ｋＷｈ、０．２ｋＷｈ、…、０．１ｋＷｈ｝」であることが示されている。メータデータは、サンプリング周期毎のサンプルを有するデータ列である。

図７は、需要家情報６００１Ａの概念図を示す。需要家情報６００１Ａは、需要家情報を管理するために利用されるテーブルである。具体的には需要家情報６００１Ａは、需要家毎のエントリを有する。一つの需要家のエントリは、需要家ＩＤ欄６００１Ａ１、契約名義欄６００１Ａ２、所在地欄６００１Ａ３、業種欄６００１Ａ４、契約種別欄６００１Ａ５、メータＩＤ欄６００１Ａ６を含む。

需要家ＩＤ欄６００１Ａ１には、需要家の識別番号である需要家ＩＤが格納される。契約名義欄６００１Ａ２には、対応する需要家の契約名義が格納される。所在地欄６００１Ａ３には、対応する需要家の所在地が格納される。業種欄６００１Ａ４には、対応する需要家の業種が格納される。契約種別欄６００１Ａ５には、対応する需要家の契約種別が格納される。メータＩＤ欄６００１Ａ６には、対応する需要家のメータＩＤが格納される。

図７の例において、需要家ＩＤが「Ｃ０００００１」の需要家については、契約名義が「鈴木太郎」、所在地が「東京都千代田区」、業種が「家庭」、契約種別が「従量電灯Ｂ」、メータＩＤが「Ｍ０１８７０４」であることが示されている。なお、エントリは、上記に限定されるものではなく、保有設備や家族構成などの情報を含んでも良い。

なお、一つの需要家のエントリは、その需要家の設備が連系する配電設備のＩＤを示していてもよい。例えば、配電設備のＩＤは、需要家の設備が連系する柱上トランスを示す。

図８は、クラスタ情報６２０２Ａの概念図を示す。クラスタ情報６２０２Ａは、クラスタ分析処理６２０１によって作成される情報である。クラスタ情報６２０２Ａは、クラスタ情報を管理するために利用されるテーブルである。具体的にクラスタ情報６２０２Ａは、需要家のロードデータの特徴に基づいて分類されたクラスタ毎のエントリを有する。一つのクラスタのエントリは、年度欄６２０１Ａ１、クラスタＩＤ欄６２０２Ａ２、項目欄６２０２Ａ３、値欄６２０２Ａ４を含む。

年度欄６２０２Ａ１には、年度が格納される。クラスタＩＤ欄６２０２Ａ２には、クラスタの識別番号であるクラスタＩＤが格納される。項目欄６２０２Ａ３には、対応するクラスタに関する各情報の項目名（「クラスタ代表需要態様」、「クラスタ所属需要家数」、「クラスタ所属需要家ＩＤリスト」）が格納される。値欄６２０２Ａ４には、対応するクラスタに関する各情報の項目の値が格納される。

クラスタ代表需要態様は、対応するクラスタの代表的なロードデータの形状を表す需要態様である。クラスタ所属需要家数は、当該クラスタに所属する需要家の数である。クラスタ所属需要家ＩＤリストは、当該クラスタに所属する需要家の需要家ＩＤの集合である。

図８の例において、クラスタＩＤとして「２０１０−１」が付与されたクラスタについては、クラスタ代表需要態様が「｛０．３、０．２、…、０．３｝」、クラスタ所属需要家数が「２００」、クラスタ所属需要家ＩＤリストが「｛Ｃ０００００１、Ｃ０００００６、…、Ｃ１２５４１７｝」であることが示されている。クラスタ代表需要態様は、ロードデータと同様、サンプリング周期毎のサンプルを有し計測周期の長さを有し需要の時間変化を示すデータ列である。

図９は、グループ情報６２０４Ａの概念図を示す。グループ情報６２０４Ａは、グループ生成処理６２０３によって作成される情報である。グループ情報６２０４Ａは、グループ情報を管理するために利用されるテーブルである。具体的にグループ情報６２０４Ａは、グループ毎のエントリを有する。一つのグループのエントリは、グループＩＤ欄６２０４Ａ１、年度欄６２０４Ａ２、項目欄６２０４Ａ３、値欄６２０４Ａ４を含む。

グループＩＤ欄６２０４Ａ１には、グループの識別番号であるグループＩＤが格納される。年度欄６２０４Ａ２には、年度が格納される。項目欄６２０４Ａ３には、対応するグループに関する各情報の項目名（「グループ代表需要態様」、「グループ所属需要家数」、及び「グループ所属クラスタＩＤリスト」）が格納される。

グループ代表需要態様は、対応するグループの代表的なロードデータの形状を表す需要態様である。グループ代表需要態様は、当該グループに所属するクラスタのクラスタ代表需要態様の平均であってもよいし、当該グループクラスタに所属する任意のクラスタのクラスタ代表需要態様であってもよい。グループ所属需要家数は、当該グループに所属する需要家の数である。グループ所属クラスタＩＤリストは、当該グループに所属するクラスタのクラスタＩＤの集合である。値欄６２０４Ａ４には、対応するグループに関する各情報の項目の値が格納される。

図９の例において、グループＩＤとして「Ｇ０１」が付与されたグループの２０１０年度のグループ代表需要態様が「｛０．３、０．３、…、０．１｝」、グループ所属需要家数が「３２０」、グループ所属クラスタＩＤリストが「｛２０１０−１、２０１０−６、…、２０１０−２１｝」であることが示されている。グループ代表需要態様は、ロードデータと同様、サンプリング周期毎のサンプルを有し計測周期の長さを有し需要の時間変化を示すデータ列である。

（５）各処理フローの詳細
図１０以降の図を用いて、上述の小売事業者６の年間需要想定装置６１、需要態様分類装置６２、及び予測演算装置６３において実行される各処理の具体的な処理内容について説明する。なお、年間需要想定装置６１における各処理は、メモリ６１２に格納されるプログラムであり、ＣＰＵ６１１により実行される。また、需要態様分類装置６２における各処理は、メモリ６２２に格納されるプログラムであり、ＣＰＵ６２１により実行される。また、予測演算装置６３における各処理は、メモリ６３２に格納されるプログラムであり、ＣＰＵ６３１により実行される。

（５−１）年間需要想定処理
年間需要想定処理６１０１は、過去の或る年度を基準年度とし、基準年度の全需要家の総需要に対して、気温影響、経済影響、節電影響、離脱影響のうちいずれか１つ以上の要因を考慮して算出した需要増減の見込み値を加算することで、将来の予測対象年度の総需要を推定する処理である。

本処理の一例を、図１０のフローチャートを用いて説明する。

まず、年間需要想定処理６１０１は、基準年度を１つ選択し、当該年度の需要実績情報、気象情報、経済情報、需要家情報を取得する（Ｓ１００１）。ここで、需要実績情報には当該年度の総需要や節電実績などが含まれる。また、気象情報には当該年度の平均気温や最高気温などが含まれる。また、経済情報には当該年度のＧＤＰやＩＩＰなどが含まれる。また、需要家情報には、当該年度における各需要家の節電継続率などが含まれる。次いで、年間需要想定処理６１０１は、予測対象年度の気象情報、経済情報、需要家情報を取得する（Ｓ１００２）。次いで、年間需要想定処理６１０１は、気温影響による需要増減の見込み値を算出する（Ｓ１００３）。気温影響による需要増減の見込み値は、例えば、Ｓ１００１で取得した基準年度の平均気温とＳ１００２で取得した予測対象年度の平均気温の差分値に予め設定した係数を乗算することにより求められる。次いで、年間需要想定処理６１０１は、経済影響による需要増減の見込み値を算出する（Ｓ１００４）。経済影響による需要増減の見込み値は、例えば、基準年度のＧＤＰと予測対象年度のＧＤＰの差分値に予め設定した係数を乗算することにより求められる。次いで、年間需要想定処理６１０１は、節電影響による需要増減の見込み値を算出する（Ｓ１００５）。節電影響による需要増減の見込み値は、例えば、Ｓ１００１で取得した基準年度の節電実績にＳ１００２で取得した予測対象年度の節電継続率を乗算することにより求められる。次いで、年間需要想定処理６１０１は、離脱影響による需要増減の見込み値を算出する（Ｓ１００６）。離脱影響による需要増減の見込み値は、例えば、他事業者に契約を切り替えた需要家数に予め設定した係数を乗算することにより求められる。次いで、年間需要想定処理６１０１は、Ｓ１００３〜Ｓ１００６で算出した気温影響、経済影響、節電影響、離脱影響による需要増減の見込み値を、Ｓ１００１で取得した基準年度の総需要の実績値に加算することで、予測対象年度の総需要の予測値である年間需要想定値を算出する（Ｓ１００７）。

本実施の形態では、気温影響、経済影響、節電影響、離脱影響の全ての要因を用いて年間需要想定値を算出したが、いずれか１つ、２つ、または３つの要因を用いて年間需要想定値を算出してもよい。また、気温影響、経済影響、節電影響、離脱影響以外の要因を用いて需要増減の見込み値を算出し、年間需要想定値を算出してもよい。

この処理によれば、年間需要想定処理６１０１は、気温影響、経済影響、節電影響、離脱影響を考慮して、予測対象年度の総需要を予測することができる。

（５−２）クラスタ分析処理
クラスタ分析処理６２０１は、各需要家２をロードデータの形状に基づいて幾つかのクラスタに分類し、各クラスタを代表するロードデータの形状を表すクラスタ代表需要態様を算出する処理である。

本処理の一例を、図１１のフローチャートを用いて説明する。

クラスタ分析処理６２０１は、送配電事業者５のメータデータ管理装置５０から、各需要家２の需要家ＩＤに関連付けられたメータＩＤのロードデータを取得し、取得したロードデータに基づいて、当該需要家ＩＤに対応するロードデータを取得すると、この図１１に示す処理を開始する。

まず、ステップＳ１１０１にてクラスタ分析処理６２０１は、このとき取得したＭ（Ｍは需要家２の数）個のロードデータをＫ（Ｋ＝１〜Ｍ）個のクラスタにそれぞれ分類した場合の、各クラスタのクラスタ中心の集合であるクラスタ中心集合｛Ｃ_ｋ：ｋ=１，２，…，Ｋ｝を求める、分類処理を実行する。具体的には、クラスタ分析処理６２０１は、k-means法により、全需要家のロードデータを１個のクラスタに分類した場合のそのクラスタのクラスタ中心集合｛Ｃ_１｝、かかるロードデータを２個のクラスタに分類した場合の各クラスタのクラスタ中心集合｛Ｃ_１，Ｃ_２｝、かかるロードデータを３個のクラスタに分類した場合の各クラスタのクラスタ中心集合｛Ｃ_１，Ｃ_２，Ｃ_３｝、…のように、クラスタ数Ｋを順次１個からＭ個まで変化させながら、Ｍ個のロードデータをＫ個のクラスタに振り分け、Ｋに対応するクラスタ中心集合｛Ｃ_ｋ｝を求める。

次いで、ステップＳ１１０２にてクラスタ分析処理６２０１は、上述のステップＳ１１０１の処理結果に基づいて、クラスタ数Ｋをいずれにするのが妥当かを評価するための値（以下、これを妥当性評価値と呼ぶ）を算出するクラスタ数妥当性評価値算出処理を実行する。本実施の形態の場合、クラスタ分析処理６２０１は、かかる妥当性評価値として、個々のクラスタ内におけるロードデータのまとまり度合いを表すクラスタ内適合度と、クラスタ同士の分離の度合いを表すクラスタ間平均分離度とを算出する。

最後に、ステップＳ１１０３にてクラスタ分析処理６２０１は、ステップＳ１１０２で算出したクラスタ内適合度及びクラスタ間平均分離度に基づいて、最適なクラスタ数を決定する、最適クラスタ数決定処理を実行する。

以上の処理により、各需要家２のロードデータが適切な数のクラスタに分類される。

また、クラスタ分析処理６２０１は、メータデータ情報５００１Ａから得られる特定の期間内の各年度のロードデータに対して以上の処理を実行することにより、各年度のクラスタを算出する。

（５−２−１）分類処理
図１２は、上述したクラスタ分析処理６２０１のステップＳ１１０１において実行される分類処理の具体的な処理内容を示す。

まず、クラスタ分析処理６２０１は、クラスタ数Ｋを１〜Ｍのうちいずれか１つと仮定し（Ｓ１２０１）、そのときのクラスタ中心集合｛Ｃ_ｋ：ｋ＝１，２，…，Ｋ｝の初期値をそれぞれ設定する（Ｓ１２０２）。この初期値は、どのような値でも良く、例えば、以前の分類処理の実行結果を適用することができる。次いで、クラスタ分析処理６２０１は、各需要家ｍ｛ｍ＝１，２，…，Ｍ｝の特定の年度のロードデータを取得し、取得したロードデータをそれぞれ正規化することで正規化ロードデータを生成する（Ｓ１２０３）。本実施の形態においてクラスタ分析処理６２０１は、正規化ロードデータの平均が０になり、且つ正規化ロードデータの標準偏差が１になるように正規化を行う。ロードデータを正規化することにより、ロードデータの大きさの影響を受けずに、形状が類似するロードデータをクラスタとして集めることができる。次いで、各需要家の正規化ロードデータを周波数解析することで特徴量ベクトルＳ_ｍを算出する（Ｓ１２０４）。正規化ロードデータは、時間、日、週、年等の多くの周期の成分を含む。本実施の形態においてクラスタ分析処理６２０１は、正規化ロードデータの周期性を用いて分類するために、各需要家ｍの正規化ロードデータをそれぞれ離散フーリエ変換した結果を、その需要家ｍの特徴量ベクトルＳ_ｍとする。また、上述の特徴量ベクトルＳ_ｍは各需要家ｍのロードデータの特徴を示す情報であれば離散フーリエ変換した結果以外の情報でも良く、正規化ロードデータの時系列データそのものでも良いし、ロードデータの平均値と最大値と最小値の組み合わせなどのロードデータの統計情報でも良い。また、Ｓ１２０３で正規化を行わず、各需要家のロードデータをそのまま周波数解析することで特徴量ベクトルＳ_ｍを算出しても良い。次いで、クラスタ分析処理６２０１は、全需要家の中から未処理の一人の需要家ｍを選択する（Ｓ１２０５）。そして、クラスタ分析処理６２０１は、その需要家ｍについて、各クラスタ中心と、その需要家ｍの特徴量ベクトルＳ_ｍとの間のユークリッド距離を算出する。そして、クラスタ分析処理６２０１は、需要家ｍの特徴量ベクトルＳ_ｍに対して、最も近傍のクラスタｋ（特徴量ベクトルＳ_ｍからのユークリッド距離が最小であるクラスタ中心Ｃ_ｋを持つクラスタｋ）を特定し、クラスタｋに所属する需要家のＩＤリスト（以下、クラスタ所属需要家ＩＤリストと呼ぶ）Ｘ_ｋに、需要家ｍの需要家ＩＤを登録する（Ｓ１２０６）。

次いで、クラスタ分析処理６２０１は、すべての需要家ｍについてステップＳ１２０５の処理を実行し終えたか否かを判定し（Ｓ１２０７）、否定結果を得るとステップＳ１２０５に戻る。そして、この後、クラスタ分析処理６２０１は、ステップＳ１２０５において選択する需要家ｍを未処理の他の需要家ｍに順次切り替えながら、ステップＳ１２０６〜ステップＳ１２０７の処理を繰り返す。以後、Ｋ個のクラスタにそれぞれ対応するＫ個のクラスタ所属需要家ＩＤリストＸ_ｋの集合を、クラスタ所属需要家ＩＤリスト集合｛Ｘ_ｋ｝と呼ぶ。

そして、クラスタ分析処理６２０１は、全需要家をクラスタ所属需要家ＩＤリスト集合｛Ｘ_ｋ｝に振り分け終えると（Ｓ１２０７：ＹＥＳ）、各クラスタｋに対し、クラスタ所属需要家ＩＤリストＸ_ｋに示された需要家ｍの特徴量ベクトルの平均値である平均特徴量ベクトルＳ_{ｋ＿ａｖｅ}＝｛Σ_ｍ ｓ_ｍ，１／Ｍ，Σ_ｍ ｓ_ｍ，２／Ｍ，Σ_ｍ ｓ_ｍ，３／Ｍ，…｝（但しｍ∈Ｘ_ｋ）を算出し、平均特徴量ベクトルＳ_{ｋ＿ａｖｅ}をクラスタ中心Ｃ_ｋとして、クラスタ中心集合を更新する（Ｓ１２０８）。

この後、クラスタ分析処理６２０１は、Ｓ１２０８における更新前のクラスタ中心集合と、更新後のクラスタ中心集合｛Ｃ_ｋ｝とに基づいて、クラスタ中心集合｛Ｃ_ｋ｝のうち、少なくとも１つのクラスタのクラスタ中心Ｃ_ｋのステップＳ１２０８における変更量が予め設定された変更量閾値以上であるか否かを判断する（Ｓ１２０９）。そして、クラスタ分析処理６２０１は、この判断で肯定結果を得るとステップＳ１２０５に戻り、この後、ステップＳ１２０６〜ステップＳ１２０９を繰り返す。

そして、クラスタ分析処理６２０１は、すべてのクラスタのクラスタ中心Ｃ_ｋの変更量が閾値未満となると（Ｓ１２０９：ＹＥＳ）、そのときのクラスタ中心集合｛Ｃ_ｋ｝及びクラスタ所属需要家ＩＤリスト集合｛Ｘ_ｋ｝をメモリ６００２に保存する（Ｓ１２１０）。

次いで、クラスタ分析処理６２０１は、すべてのクラスタ数ＫについてステップＳ１２０２〜ステップＳ１２１０の処理を実行し終えたか否かを判断する（Ｓ１２１１）。そして、この判断で否定結果を得ると、この後、クラスタ分析処理６２０１は、ステップＳ１２０１で選択するクラスタ数Ｋを未処理の他の値（１〜Ｍ）に変更しながらステップＳ１２０２〜ステップＳ１２１１の処理を繰り返す。

そして、クラスタ分析処理６２０１は、全てのクラスタ数Ｋ（１〜Ｍ）に対応する、クラスタ中心集合｛Ｃ_ｋ｝及びクラスタ所属需要家ＩＤリスト集合｛Ｘ_ｋ｝を保存し終えると（Ｓ１２１１：ＹＥＳ）、この分類処理を終了する。

分類処理によれば、各クラスタ数候補に対して、需要家のロードデータに基づくクラスタ群を算出することができる。

（５−２−２）クラスタ数妥当性評価値算出処理
図１３は、上述したクラスタ分析処理６２０１のステップＳ１１０２において実行されるクラスタ数妥当性評価値算出処理の具体的な処理内容を示す。クラスタ数妥当性評価値算出処理は、上述のステップＳ１１０１で算出したクラスタ数１〜Ｍのそれぞれの分類結果を、ロードデータの特徴量ベクトルとクラスタ中心との間の距離や、各クラスタ間の距離などの、複数の距離指標で評価する処理である。

まず、クラスタ分析処理６２０１は、クラスタ数Ｋとして１〜Ｍ（Ｍは全需要家数）のうちのいずれか１つを選択し（Ｓ１３０１）、クラスタ数ＫがステップＳ１３０１で選択した個数と仮定した場合について、クラスタｋ毎に、そのクラスタ所属需要家ＩＤリストＸ_ｋに属する需要家ｍの特徴量ベクトルＳ_ｍと、そのクラスタのクラスタ中心Ｃ_ｋとの間の誤差（以下、これをクラスタ内誤差と呼ぶ）Ｅ_Ｋを算出する（Ｓ１３０２）。具体的に、クラスタ分析処理６２０１は、クラスタｋに属する需要家ｍ毎に、特徴量ベクトルＳ_ｍとクラスタｋのクラスタ中心Ｃ_ｋとの間の距離を算出し、クラスタｋに属する全需要家に対して算出された距離を合計することによりクラスタ内誤差Ｅ_Ｋを算出する。

次いで、クラスタ分析処理６２０１は、ステップＳ１３０２で算出したクラスタ内誤差Ｅ_Ｋに基づいて、大きすぎるクラスタ数を抑止するためのペナルティ係数をａ、特徴量次元数をＤとして、次式によりクラスタ毎のクラスタ内適合度Ｅ（Ｋ）を算出する（Ｓ１３０３）。

このクラスタ内適合度Ｅ（Ｋ）は、上述のようにクラスタ内における個々のロードデータのまとまり度合いを表す指標であり、クラスタ内適合度Ｅ（Ｋ）が大きいそのクラスタ内においてロードデータがまとまった状態にあることを表す。また、k-means法ではクラスタ数Ｋが大きければＥ（Ｋ）は小さくなりＫ＝Ｍ（全需要家数）の場合に最小となるので、クラスタ分析処理６２０１は、k-means法におけるパラメータ数に比例するペナルティ項ａ×Ｋ×Ｄを付加する。

次いで、クラスタ分析処理６２０１は、クラスタ同士間をそれぞれ分離可能な境界面ｇを多クラスサポートベクターマシンでそれぞれ算出し（Ｓ１３０４）、この後、各クラスタ間のマージン（距離）の合計値をＭ_Ｋとして、次式によりクラスタ間平均分離度Ｂ（Ｋ）を算出する。

このクラスタ間平均分離度Ｂ（Ｋ）は、上述のようにクラスタ同士の分離の度合いを表す指標であり、大きいほどクラスタ同士が分離していることを表す。また、クラスタ間平均分離度は、クラスタ間の平均的な距離が大きければ増大する指標であればいずれでも良く、二つのクラスタの各組み合わせにおけるクラスタ中心間の距離の平均値であっても良い。

この後、クラスタ分析処理６２０１は、すべてのクラスタ数Ｋ（１〜Ｍ）についてクラスタ内適合度Ｅ（Ｋ）及びクラスタ間平均分離度Ｂ（Ｋ）を算出し終えたか否かを判断する（Ｓ１３０６）。そして、クラスタ分析処理６２０１は、この判断で否定結果を得ると、この後、ステップＳ１３０１で選択するクラスタ数Ｋを未処理の他の値（１〜Ｍ）に変更しながらステップＳ１３０１〜ステップＳ１３０６の処理を繰り返す。

そして、クラスタ分析処理６２０１は、すべてのクラスタ数Ｋ（１〜Ｍ）についてクラスタ内適合度Ｅ（Ｋ）及びクラスタ間平均分離度Ｂ（Ｋ）を算出し終えると（Ｓ１３０６：ＹＥＳ）、このクラスタ数妥当性評価値算出処理を終了する。

クラスタ数妥当性評価値算出処理によれば、各クラスタ数候補のクラスタ群を評価することができる。

（５−２−３）最適クラスタ数決定処理
図１４は、上述したクラスタ分析処理６２０１のステップＳ１１０３において実行される最適クラスタ数決定処理の具体的な処理内容を示す。

図１５は、適合度最適クラスタ数と分離度最適クラスタ数の決定方法を示す。図１５において横軸はクラスタ数を示し、縦軸は妥当性評価値を示す。妥当性評価値は、クラスタ内適合度Ｅ（Ｋ）とクラスタ間平均分離度Ｂ（Ｋ）である。適合度最適クラスタ数ＣＬ１は、クラスタ内適合度Ｅ（Ｋ）の最大値に対応するクラスタ数である。分離度最適クラスタ数ＣＬ２は、クラスタ間平均分離度Ｂ（Ｋ）の最大値に対応するクラスタ数である。なお、適合度最適クラスタ数ＣＬ１は、クラスタ数の変化量に対するクラスタ内適合度Ｅ（Ｋ）の変化量の割合が予め設定された第１の閾値以下となる最小のクラスタ数であってもよい。分離度最適クラスタ数ＣＬ２は、クラスタ数の変化量に対するクラスタ間平均分離度Ｂ（Ｋ）の変化量の割合が予め設定された第２の閾値以下となる最小のクラスタ数であってもよい。

まず、クラスタ分析処理６２０１は、クラスタ数妥当性評価値算出処理において算出したクラスタ数Ｋを１〜Ｍと仮定した場合の、クラスタ数Ｋとクラスタ内適合度Ｅ（Ｋ）の関係に基づいて、上述の適合度最適クラスタ数ＣＬ１を算出する（Ｓ１４０１）。

次いで、クラスタ分析処理６２０１は、クラスタ数妥当性評価値算出処理において算出したクラスタ数Ｋを１〜Ｍとした場合の、クラスタ数Ｋと各クラスタ間平均分離度Ｂ（Ｋ）の関係に基づいて、上述の分離度最適クラスタ数ＣＬ２を算出する（Ｓ１４０２）。

この後、クラスタ分析処理６２０１は、ステップＳ１４０１で算出した適合度最適クラスタ数ＣＬ１と、ステップＳ１４０２で算出した分離度最適クラスタ数ＣＬ２との間のクラスタ数の中から１つのクラスタ数を最適クラスタ数として決定する（Ｓ１４０３）。

具体的に、クラスタ分析処理６２０１は、適合度最適クラスタ数ＣＬ１及び分離度最適クラスタ数ＣＬ２間に少なくとも１つのクラスタ数が存在する場合には、その中央値に最も近いクラスタ数又はその中からランダムに選択したクラスタ数を最適クラスタ数として決定する。また、適合度最適クラスタ数ＣＬ１及び分離度最適クラスタ数ＣＬ２間に１つのクラスタ数も存在しない場合には、クラスタ分析処理６２０１は、適合度最適クラスタ数ＣＬ１及び分離度最適クラスタ数ＣＬ２のうちの任意の又は予め定められたいずれか一方を最適クラスタ数として決定する。

最後に、クラスタ分析処理６２０１は、ステップＳ１４０３の決定結果に基づいて、最適クラスタ数で分類した時のクラスタ情報を示すクラスタ情報５２０２Ａ（図８）を作成し（Ｓ１４０４）、この最適クラスタ数決定処理を終了する。このＳ１４０４においてクラスタ分析処理６２０１は、分類処理で生成されたデータのうち、最適クラスタ数に対応するクラスタ中心集合｛Ｃ_ｋ｝とクラスタ所属需要家ＩＤリスト集合｛Ｘ_ｋ｝とを選択する。そして、クラスタ分析処理６２０１は、各クラスタｋに対し、クラスタ中心Ｃ_ｋを逆フーリエ変換することにより、クラスタ代表需要態様を算出する。なお、クラスタ代表需要態様は、クラスタ中心Ｃ_ｋの逆フーリエ変換結果の代わりに、クラスタ内で最も多く現れた形状を持つ正規化ロードデータや、クラスタ内の特定の番号に対応する正規化ロードデータ等であってもよい。そして、クラスタ分析処理６２０１は、クラスタＩＤであるｋと、クラスタ代表需要態様と、クラスタ所属需要家ＩＤリストＸ_ｋとを用いて、クラスタ情報を作成し、クラスタ情報５２０２Ａへ登録する。なお、クラスタ分析処理６２０１は、クラスタ代表需要態様の代わりにクラスタ中心Ｃ_ｋの特徴量ベクトルをクラスタ情報５２０２Ａへ登録してもよい。そして、クラスタ分析処理６２０１は、最適クラスタ数や、クラスタ代表需要態様や、クラスタ所属需要家数や、クラスタ所属需要家ＩＤリストなど、作成されたクラスタ情報を、情報入出力端末６６へ送信することにより、その情報を情報入出力端末６６に表示させる。これにより、小売事業者６は、最適クラスタ数や、特定のクラスタの特徴を確認することができる。

この処理によれば、クラスタ分析処理６２０１は、最適クラスタ数を決定すると共に、最適クラスタ数のクラスタ群と、クラスタ群に夫々対応するクラスタ代表需要態様群とを決定することができる。これにより、クラスタ分析処理６２０１は、最適クラスタ数のクラスタ情報を作成することができ、各需要家を最適クラスタ数で分類した時のクラスタの何れか一つに関連付けることができる。

（５−３）グループ生成処理
グループ生成処理６２０３は、クラスタ代表需要態様の形状が類似する異年度のクラスタ同士を対応付け、グループ情報を生成する処理である。

本処理の一例を、図１６のフローチャートを用いて説明する。

まず、グループ生成処理６２０３は、クラスタ情報６２０２Ａの中から連続した２つの年度ｙと年度ｙ＋１を選択する（Ｓ１５０１）。次いで、グループ生成処理６２０３は、クラスタ情報６２０２Ａの中から年度ｙのクラスタｉを１つ選択し（Ｓ１５０２）、さらにクラスタ情報６２０２Ａの中から年度ｙ＋１のクラスタｊを１つ選択する（Ｓ１５０３）。次いで、グループ生成処理６２０３は、クラスタｉのクラスタ中心である特徴量ベクトルＳ_ｉとクラスタｊのクラスタ中心である特徴量ベクトルＳ_ｊを取得し、それらの特徴量ベクトル間の距離ΔＳ_ｉ，ｊを算出する（Ｓ１５０４）。次いで、グループ生成処理６２０３は、距離ΔＳ_ｉ，ｊが予め設定した閾値以下か否かを判定し（Ｓ１５０５）、肯定結果を得るとステップＳ１５０６に進みクラスタｉとクラスタｊに同一のグループＩＤを割り当て（Ｓ１５０６）、否定結果を得るとステップＳ１５０７に進みクラスタｉとクラスタｊに異なるグループＩＤを割り当てる（Ｓ１５０７）。次いで、グループ生成処理６２０３は、年度ｙ＋１のすべてのクラスタｊについてステップＳ１５０４〜Ｓ１５０７の処理を実行し終えたか否かを判定し（Ｓ１５０８）、否定結果を得るとステップＳ１５０３に戻る。そして、この後、グループ生成処理６２０３は、ステップＳ１５０３において選択するクラスタｊを未処理の他のクラスタｊに順次切り替えながら、ステップＳ１５０４〜Ｓ１５０７の処理を繰り返す。次いで、グループ生成処理６２０３は、すべてのクラスタｉについてステップＳ１５０３〜Ｓ１５０８の処理を実行し終えたか否かを判定し（Ｓ１５０９）、否定結果を得るとステップＳ１５０２に戻る。そして、この後、グループ生成処理６２０３は、ステップＳ１５０２において選択するクラスタｉを未処理の他のクラスタｉに順次切り替えながら、ステップＳ１５０３〜Ｓ１５０８の処理を繰り返す。次いで、グループ生成処理６２０３は、すべての年度ｙと年度ｙ＋１についてステップＳ１５０２〜Ｓ１５０９の処理を実行し終えたか否かを判定し（Ｓ１５１０）、否定結果を得るとステップＳ１５０１に戻る。そして、この後、グループ生成処理６２０３は、ステップＳ１５０１において選択する年度ｙと年度ｙ＋１を未処理の他の年度ｙと年度ｙ＋１に順次切り替えながら、ステップＳ１５０２〜Ｓ１５０９の処理を繰り返す。最後に、グループ生成処理６２０３は、ステップＳ１５０６、Ｓ１５０７でのグループＩＤの割り当て結果に基づいて、グループ情報を示すグループ情報６２０４Ａ（図９）を作成し（Ｓ１５１１）、この後、このグループ生成処理を終了する。このＳ１５１１においてグループ生成処理６２０３は、同一のグループＩＤを割り当てられた同年度のクラスタ代表需要態様を平均化することにより、各グループの各年度のグループ代表需要態様を算出する。なお、グループ生成処理６２０３は、グループ代表需要態様の代わりにグループ代表需要態様に対応する特徴量ベクトルをクラスタ情報５２０２Ａへ登録してもよい。

なお、Ｓ１５０１〜Ｓ１５０３において、グループ生成処理６２０３は、同じ年度内の２つのクラスタを選択してもよい。これにより、グループ生成処理６２０３は、１つの年度内の複数のクラスタの特徴量ベクトルの間の距離が近い場合に、それらのクラスタを１つのグループに集約することができる。

また、グループ生成処理６２０３は、クラスタ情報６２０２Ａの中の最初の年度のクラスタＩＤをグループＩＤとし、その後の年度のクラスタに対して、特徴量ベクトルの距離が最も近いグループのグループＩＤを割り当ててもよい。

図１７は、２０１１年度のクラスタと２０１２年度のクラスタについて、グループ生成処理を行った結果を示す概念図である。図１７では、２０１１年度のクラスタ２０１１−１と２０１２年度のクラスタ２０１２−２のクラスタ代表需要態様が類似しており、これらを対応付けることでグループＧ０１を形成している。また、２０１１年度のクラスタ２０１１−３と２０１２年度のクラスタ２０１２−４のクラスタ代表需要態様が類似しており、これらを対応付けることでグループＧ０２を形成している。また、２０１１年度のクラスタ２０１１−２とクラスタ２０１１−４のクラスタ代表需要態様が類似しているため、まずこれらを同型クラスタとして集約し、さらに２０１２年度のクラスタ２０１２−１とクラスタ２０１２−３のクラスタ代表需要態様が類似しているため、これらを同型クラスタとして集約し、さらにそれらを対応付けることでグループＧ０３を形成している。

グループ生成処理によれば、年度間のクラスタの対応関係が分かり、需要態様や需要家数の過去の年次変化を把握できる。グループ生成処理６２０３は、図１７のように、クラスタとグループの対応付けを情報入出力端末６６に表示させてもよい。

（５−４）需要家数年次変化予測処理
需要家数年次変化予測処理６３０１は、グループごとに、過去の需要家数の推移から将来の需要家数を予測する処理である。

本処理の一例を、図１８のフローチャートを用いて説明する。

まず、需要家数年次変化予測処理６３０１は、グループ情報６２０４Ａの中から１つのグループｎを選択する（Ｓ１６０１）。次いで、需要家数年次変化予測処理６３０１は、グループ情報６２０４Ａの中の、過去の複数の年度のグループｎの「グループ所属需要家数」を参照し、グループｎの需要家数の実績数を取得する（Ｓ１６０２）。次いで、需要家数年次変化予測処理６３０１は、Ｓ１６０２で取得したグループｎの需要家数の実績数を用いて、ボックスジェンキンス法などによりグループｎの需要家数に関する時系列モデル（ＡＲモデル、ＡＲＭＡモデルなど）の次数Ｐを決定する（Ｓ１６０３）。本実施の形態では、時系列モデルとしてＡＲモデルを用いる。次いで、需要家数年次変化予測処理６３０１は、最小二乗法などにより、Ｓ１６０３で決定した次数Ｐの時系列モデルの係数｛ａ_ｐ：ｐ=１，２，…，Ｐ｝を推定する（Ｓ１６０４）。次いで、Ｓ１６０４で推定した時系列モデルを用いて、グループｎの将来の予測対象年度の需要家数を予測需要家数（グループ所属需要家数の予測値）として推定する（Ｓ１６０５）。次いで、需要家数年次変化予測処理６３０１は、すべてのグループｎについてステップＳ１６０２〜Ｓ１６０５の処理を実行し終えたか否かを判定し（Ｓ１６０６）、否定結果を得るとステップＳ１６０１に戻る。そして、この後、需要家数年次変化予測処理６３０１は、ステップＳ１６０１において選択するグループｎを未処理の他のグループｎに順次切り替えながら、ステップＳ１６０２〜Ｓ１６０５の処理を繰り返す。

そして、需要家数年次変化予測処理６３０１は、すべてのグループｎについて予測対象年度の需要家数を予測し終えることによりステップＳ１６０６で肯定結果を得ると、需要家数年次変化予測処理を終了する。

本実施の形態では、時系列モデルとしてＡＲモデルを用いて需要家数を予測したが、ＡＲＭＡモデルやＡＲＩＭＡモデルなど、他の時系列モデルを用いて需要家数を予測してもよい。また、本実施の形態では、Ｓ１６０３〜Ｓ１６０５で時系列モデルを用いた予測を行っているが、外挿法などを用いて将来の需要家数を予測してもよい。

図１９は、需要家数年次変化予測処理の処理内容を示す概念図である。図１９では、２０１１年度の需要家数が１００軒、２０１２年度の需要家数が１２０軒と増えており、需要家数年次変化予測処理６３０１は、軒数増加のトレンドを捉えることで２０１３年度の需要家数を１４０軒と予測している。

需要家数年次変化予測処理によれば、各グループの需要家入れ替わりによる需要家数の年次変化を予測でき、需要の予測精度が向上する。需要家数年次変化予測処理６３０１は、図１９のように、予測対象年度の需要家数の予測値や、需要家数年次変化を情報入出力端末６６に表示させてもよい。

（５−５）需要態様年次変化予測処理
需要態様年次変化予測処理６３０２は、グループごとに、過去の需要態様の推移から将来の需要態様を予測する処理である。

本処理の一例を、図２０のフローチャートを用いて説明する。

まず、需要態様年次変化予測処理６３０２は、グループ情報６２０４Ａの中から１つのグループｎを選択する（Ｓ１７０１）。次いで、需要態様年次変化予測処理６３０２は、過去の複数の年度のグループｎの特徴量ベクトルの実績を取得する（Ｓ１７０２）。次いで、需要態様年次変化予測処理６３０２は、Ｓ１７０２で取得したグループｎの特徴量ベクトルの実績を用いて、ボックスジェンキンス法などによりグループｎの特徴量ベクトルに関する時系列モデル（ＶＡＲモデル（Vector Autoregression model）、ＶＡＲＭＡモデル（Vector Autoregression Moving-Average model）など）の次数Ｑを推定する（Ｓ１７０３）。本実施の形態では、時系列モデルとしてＶＡＲモデルを用いる。次いで、需要態様年次変化予測処理６３０２は、最小二乗法などにより、Ｓ１７０３で決定した次数Ｑの時系列モデルの係数｛ｂ_ｑ：ｑ=１，２，…，Ｑ｝を推定する（Ｓ１７０４）。次いで、需要態様年次変化予測処理６３０２は、Ｓ１７０４で推定した時系列モデルを用いてグループｎの将来の予測対象年度の特徴量ベクトルを予測する（Ｓ１７０５）。次いで、需要態様年次変化予測処理６３０２は、グループｎの予測した特徴量ベクトルを逆フーリエ変換により需要態様に変換することで、予測需要態様（グループ代表需要態様の予測値）を算出する（Ｓ１７０６）。次いで、需要態様年次変化予測処理６３０２は、すべてのグループｎについてステップＳ１７０２〜Ｓ１７０６の処理を実行し終えたか否かを判定し（Ｓ１７０７）、否定結果を得るとステップＳ１７０１に戻る。そして、この後、需要態様年次変化予測処理６３０２は、ステップＳ１７０１において選択するグループｎを未処理の他のグループｎに順次切り替えながら、ステップＳ１７０２〜Ｓ１７０６の処理を繰り返す。

そして、需要態様年次変化予測処理６３０２は、すべてのグループｎについて予測対象年度の需要態様を予測し終えることによりステップＳ１７０７で肯定結果を得ると、需要態様年次変化予測処理を終了する。

本実施の形態では、時系列モデルとしてＶＡＲモデルを用いて特徴量ベクトルを予測したが、ＶＡＲＭＡモデルやＶＡＲＩＭＡモデルなど、他の時系列モデルを用いて特徴量ベクトルを予測してもよい。また、本実施の形態では、Ｓ１７０３〜Ｓ１７０５で時系列モデルを用いた予測を行っているが、外挿法などを用いて将来の特徴量ベクトルを予測してもよい。

図２１は、需要態様年次変化予測処理の処理内容を示す概念図である。図２１では、２０１１年度から２０１２年度への特徴量ベクトルの変化のトレンド（需要態様の２山目と４山目のピークの高さが減少）を捉えることで２０１３年度の需要態様を予測している。

需要態様年次変化予測処理によれば、ライフスタイルの変化による需要態様の年次変化を予測でき、需要の予測精度が向上する。需要態様年次変化予測処理６３０２は、図２１のように、予測対象年度の需要態様の予測値や、特徴量ベクトルの予測値や、需要態様年次変化を情報入出力端末６６に表示させてもよい。

（５−６）需要態様伸縮補正処理
需要態様伸縮補正処理６３０３は、需要態様年次変化予測処理５３０２で推定された予測対象年度の各グループの需要態様に係数を乗じバイアスを加算することにより補正する処理である。

本処理の一例を、図２２のフローチャートを用いて説明する。

まず、需要態様伸縮補正処理６３０３は、グループ情報６２０４Ａの中から１つのグループｎを選択する（Ｓ１８０１）。次いで、需要態様伸縮補正処理６３０３は、グループｎの予測需要態様に係数α_ｎを乗じることにより、グループｎの予測需要態様の振幅成分の大きさを補正することで、補正需要態様を算出する（Ｓ１８０２）。次いで、需要態様伸縮補正処理６３０３は、グループｎの補正需要態様にバイアスβ_ｎを加算することにより、グループｎの補正需要態様の直流成分の大きさを補正する（Ｓ１８０３）。次いで、需要態様伸縮補正処理６３０３は、すべてのグループｎについてステップＳ１８０２〜Ｓ１８０３の処理を実行し終えたか否かを判定し（Ｓ１８０４）、否定結果を得るとステップＳ１８０１に戻る。そして、この後、需要態様伸縮補正処理６３０３は、ステップＳ１８０１において選択するグループｎを未処理の他のグループｎに順次切り替えながら、ステップＳ１８０２〜Ｓ１８０４の処理を繰り返す。

そして、需要態様伸縮補正処理６３０３は、すべてのグループｎについて需要態様伸縮補正処理を終えることによりステップＳ１８０４で肯定結果を得ると、需要態様伸縮補正処理を終了する。

（５−７）需要態様合成処理
需要態様合成処理６３０４は、グループごとに需要家数年次変化予測処理６３０１で推定された予測需要家数と需要態様伸縮補正処理６３０３で得られた補正需要態様とを掛合せ、合算することで、将来の予測対象年度の電力負荷曲線を推定する処理である。

本処理の一例を、図２３のフローチャートを用いて説明する。

まず、需要態様合成処理６３０４は、グループ情報６２０４Ａの中から１つのグループｎを選択する（Ｓ１９０１）。次いで、需要態様合成処理６３０４は、需要態様伸縮処理５３０３で得られたグループｎの補正需要態様と、需要家数年次変化予測処理で予測したグループｎの予測需要家数とを掛け合わせることで、乗算結果を得る（Ｓ１９０２）。次いで、需要態様合成処理６３０４は、すべてのグループｎについてステップＳ１９０２の処理を実行し終えたか否かを判定し（Ｓ１９０３）、否定結果を得るとステップＳ１９０１に戻る。そして、この後、需要態様合成処理６３０４は、ステップＳ１９０１において選択するグループｎを未処理の他のグループｎに順次切り替えながら、ステップＳ１９０２〜Ｓ１９０３の処理を繰り返す。次いで、需要態様合成処理６３０４は、全グループの乗算結果を合算し、将来の予測対象年度の電力負荷曲線の予測値を算出する（Ｓ１９０４）。

（５−８）年間需要想定値按分処理
年間需要想定値按分処理６３０５は、年間需要想定処理６１０１で推定された年間需要想定値を、需要態様合成処理６３０４で算出された電力負荷曲線の予測値を用いて各サンプルに按分することで、予測対象年度のサンプリング周期刻みの需要時系列を推定する処理である。

年間需要想定処理６１０１で推定された年間需要想定値をＤ、需要態様合成処理６３０４で算出された電力負荷曲線の予測値を｛Ｌ_ｋ｜ｋ＝１、２、…、Ｋ｝として（Ｋは計測周期内のサンプル数）、次式により予測対象年度におけるサンプリング周期刻みの需要時系列の予測値｛ｄ_ｋ｜ｋ＝１、２、…、Ｋ｝が求められる。

これにより、年間需要想定値按分処理６３０５は、無次元の電力負荷曲線（需要家集合の需要の時系列データの形状を示す形状データ）から、電力量を示す需要時系列を算出することできる。年間需要想定値按分処理６３０５は、電力負荷曲線や、需要時系列を、情報入出力端末６６に表示させてもよい。

（５−９）パラメータ調整処理
パラメータ調整処理６３０７は、予測対象年度の終了後に、その予測対象年度を調整対象年度として設定し、調整対象年度の需要時系列の実績値を取得し、調整対象年度の需要時系列の実績値と予測値の誤差を最小化するように、需要態様伸縮補正処理６３０３で用いる係数｛α_ｎ｜ｎ＝１、２、…、Ｎ｝とバイアス｛β_ｎ｜ｎ＝１、２、…、Ｎ｝を調整する処理である（Ｎはグループ数）。なお、パラメータ調整処理６３０７は、調整対象年度中に、調整対象年度の需要時系列の実績値のうち、取得可能な部分を用いて、パラメータを調整してもよい。

本処理の一例を、図２４のフローチャートを用いて説明する。

まず、パラメータ調整処理６３０７は、需要予測情報６３０６Ａを参照し、調整対象年度の需要時系列の予測値を取得する（Ｓ２１０１）。次いで、パラメータ調整処理６３０７は、需要実績情報６４０１Ａを参照し、Ｓ２１０１で取得した調整対象年度の需要時系列の予測値と、調整対象年度の需要時系列の実績値を取得する（Ｓ２１０２）。次いで、パラメータ調整処理６３０７は、実績値に対する予測値の二乗誤差ε^２を算出する（Ｓ２１０３）。次いで、パラメータ調整処理６３０７は、需要態様伸縮補正処理６３０３で用いる係数｛α_ｎ｜ｎ＝１、２、…、Ｎ｝とバイアス｛β_ｎ｜ｎ＝１、２、…、Ｎ｝に関して二乗誤差ε^２の偏微分を計算する（Ｓ２１０４）。最後に、パラメータ調整処理６３０７は、最急降下法により偏微分結果から、需要態様伸縮補正処理６３０３で用いる係数｛α_ｎ｜ｎ＝１、２、…、Ｎ｝とバイアス｛β_ｎ｜ｎ＝１、２、…、Ｎ｝を更新する（Ｓ２１０５）。
処理６３０７は、最急降下法にかわり、やラグランジュ緩和法やニューラルネットなどにより係数α_ｎとバイアスβ_ｎを更新するようにしてもよい。

パラメータ処理によれば、需要時系列の実績値と予測値の誤差を最小化するように、需要態様伸縮補正処理６３０３のための係数とバイアスを調整でき、次の予測対象年度の需要態様伸縮補正処理６３０３に用いることにより、次の予測対象年度の需要時系列の予測精度が向上する。また、スマートメータを設置していない需要家の需要が総需要に含まれている場合でも、これらのパラメータを用いて補正することで、需要時系列の予測精度が向上する。

なお、上述の実施形態において、電力使用の変動を表すロードデータ、クラスタ代表需要態様、グループ代表需要態様の夫々は、時間領域のデータ列であるが、周波数領域のデータ列であってもよい。

例えば、需要態様分類装置６２は、クラスタ分析処理６２０１、クラスタ情報記憶部６２０２、及びグループ生成処理６２０３を含まなくてもよい。この場合、需要態様分類装置６２は、需要家情報６００１Ａを参照して業種や契約種別などの属性毎のグループを生成する（契約種別が従量電灯Ｂの需要家はグループＧ０１、時間帯別電灯の需要家はグループＧ０２、…としてグループを生成する等）。

また、例えば、予測演算装置６３は、年間需要想定値按分処理６３０５を含まなくてもよい。この場合、予測演算装置６３は、需要態様合成処理６３０４で生成された電力負荷曲線のデータ列を需要時系列の予測値とする。

また、例えば、予測演算装置６３は、需要態様伸縮補正処理６３０３、パラメータ調整処理６３０７を含まなくてもよい。この場合、予測演算装置６３は、需要家数年次変化予測処理６３０１で推定された予測需要家数と需要態様年次変化予測処理６３０２で推定された予測需要態様とを、グループごとに掛合せ合算することで、無次元の電力負荷曲線の予測値を生成し、生成された無次元の電力負荷曲線の予測値を用いて年間需要想定値を各サンプルに按分することで、サンプリング周期刻みの需要時系列の予測値を生成する。

また、例えば、上述の実施形態において需要予測システム１は、小売事業者６と契約している全需要家の予測対象年度の総需要を推定し、推定された総需要を電力負荷曲線の予測値を用いて按分することによりサンプリング周期刻みで予測対象年度の需要時系列を推定したが、任意の柱上トランスに連系する需要家の合計需要を推定し、電力負荷曲線の予測値を用いて、推定された合計需要を各サンプルに按分することにより、当該柱上トランスについての予測対象年度の需要時系列を推定してもよい。

例えば、需要予測システム１は、図２５において柱上トランスＡの予測対象年度の需要時系列を推定する場合、需要家情報６００１Ａに基づいて、需要家情報６００１Ａに示されている需要家のうち、柱上トランスＡに連系する需要家＃１〜需要家＃２０のうちスマートメータを保有する需要家を、需要家集合として特定し、需要家集合のロードデータを取得し、取得されたロードデータに基づいて需要家集合を複数のグループに分類し、分類されたグループごとに需要家数と需要態様の年次変化を予測し、各々掛合せ合算することで柱上トランスＡの電力負荷曲線を予測し、電力負荷曲線の予測値を用いて、合計需要（需要家＃１〜需要家＃２０の需要の合計）を各サンプルに按分することにより、柱上トランスＡについての予測対象年度の需要時系列を推定する。

また、例えば、需要予測システム１は、任意の柱上トランスを用いる需要の合計である最大需要を推定し、推定した最大需要に合わせて、電力負荷曲線の予測値を各サンプルに按分することにより、当該柱上トランスについての予測対象年度のサンプリング周期刻みの需要時系列を推定してもよい。

また、例えば、需要予測システム１は、電力供給に関わる設備の過去の需要時系列（サンプリング周期ごとの電力実績量）から将来の予測対象年度の需要時系列（予測対象年度におけるサンプリング周期ごとの電力予測量）を予測してもよい。電力供給に関わる設備の過去の需要時系列は、サンプリング周期ごとの配電用変電所の送り出し電力量であってもよいし、サンプリング周期ごとの任意の柱上トランスを通過する電力量であってもよい。

例えば、需要予測システム１は、任意の柱上トランスを通過するサンプリング周期ごとの電力実績量｛Ｄ_ｔ｜ｔ＝１、２、…、Ｔ｝（図２６の実線）と、各グループの需要態様｛Ｌ_ｎ、ｔ｜ｔ＝１、２、…、Ｔ｝を補正して合算した電力推定量｛Ｄｅ_ｔ｜ｔ＝１、２、…、Ｔ｝（図２６の破線）とを用いて、推定誤差Ｅ（図２６の斜線部分）を算出し、推定誤差Ｅを最小化するように、需要態様を伸縮縮小（需要態様データを乗除算、加減算する）する補正に用いる係数｛α_ｎ｜ｎ＝１、２、…、Ｎ｝とバイアス｛β_ｎ｜ｎ＝１、２、…、Ｎ｝を調整し、調整した係数α_ｎとバイアスβ_ｎを用いて、予測対象年度における当該柱上トランスのサンプリング周期ごとの電力量を予測できる。ここで、需要予測システム１は、図２７に示すように、係数α_ｎとバイアスβ_ｎを用いて、各グループの需要態様｛Ｌ_ｎ、ｔ｜ｔ＝１、２、…、Ｔ｝の振幅と直流成分を補正して合算することで、電力推定量｛Ｄｅ_ｔ｜ｔ＝１、２、…、Ｔ｝を算出する。

本処理の一例を、図２８のフローチャートを用いて説明する。

まず、予測演算装置６３は、任意の柱上トランスを選択し、需要実績情報６４０１Ａを参照して、調整対象年度において当該柱上トランスを通過する時刻ごとの電力実績量Ｄ_ｔを取得する（Ｓ２２０１）。次いで、予測演算装置６３は、グループ情報６２０４Ａを参照して、各グループの需要態様Ｌ_ｎ、ｔを取得する（Ｓ２２０２）。グループ情報６２０４Ａは、当該トランスに連系する需要家のうち、スマートメータを保有する需要家のロードデータを用いて生成されたものである。次いで、予測演算装置６３は、図２７に示すようにＳ２２０２で取得した各グループの需要態様を、係数α_ｎとバイアスβ_ｎを用いて補正した後に合算することにより、電力推定量Ｄｅ_ｔを算出する（Ｓ２２０３）。電力推定量Ｄｅ_ｔは次式により求められる。ここで、Ｄｅは、Ｄの上に＾記号を付けることで表される。

次いで、予測演算装置６３は、電力実績量Ｄ_ｔと電力推定量Ｄｅ_ｔを用いて推定誤差Ｅを算出する（Ｓ２２０４）。推定誤差Ｅは、次式により求められる。

次いで、予測演算装置６３は、係数α_ｎとバイアスβ_ｎに関する推定誤差Ｅの偏微分を計算し、最急降下法やラグランジュ緩和法やニューラルネットなどにより係数α_ｎとバイアスβ_ｎを更新する（Ｓ２２０５）。最後に、予測演算装置６３は、Ｓ２２０２で取得した各グループの需要態様の年次変化に基づいて、予測対象年度の各グループの需要態様｛Ｌｅ_ｎ，ｔ｜ｔ＝１、２、…、Ｔ｝を予測し、それらの需要態様を、Ｓ２２０５で更新した係数α_ｎとバイアスβ_ｎを用いて補正した後に合算することにより、予測対象年度における当該柱上トランスのサンプリング周期ごとの電力予測量｛ｄ_ｔ｜ｔ＝１、２、…、Ｔ｝を算出する（Ｓ２２０６）。電力予測量ｄ_ｔは次式により求められる。ここでは、Ｌｅは、Ｌの上に＾記号を付けることで表される。

本処理によれば、任意の柱上トランスを通過する時刻ごとの電力実績量と各グループの需要態様を補正して合算した電力推定量との推定誤差を最小化するように、需要態様の補正に用いる係数とバイアスを調整でき、需要の予測精度が向上する。

以上の実施形態では、電力の需要の予測について説明したが、他の資源の需要の予測に、本発明を適用することができる。需要は、ガス、ネガワット、水、温冷水、及び旅客輸送用車両、貨物輸送用車両、役務、物品等の資源の需要としても良く、設備制御端末２０（メーター）は、ガスメータ、発電の売電メーター、浄水メーター、下水メーター、水量メーター、タクシーメーター、走行記録メーター、POS（point of sale）装置を用いることで実施される。

需要予測システムは、予測演算装置６３、需要態様分類装置６２、年間需要想定装置６１等に対応する。記憶デバイスは、記憶部６１３、６２３、６３３、メモリ６１２、６２２、６３２等に対応する。表示デバイスは、情報入出力端末６６等に対応する。需要態様データは、需要態様、特徴量ベクトル等に対応する。形状データは、電力負荷曲線等に対応する。積算需要は、総需要、合計需要等に対応する。需要時系列データは、需要時系列等に対応する。第１パラメータは、係数α_ｎ等に対応する。第２パラメータは、バイアスβ_ｎ等に対応する。代表特徴量ベクトルは、グループ代表需要態様の特徴量ベクトル等に対応する。要因データは、気象情報、経済情報、需要家情報等に対応する。

以上、本発明の実施形態を説明したが、これは本発明の説明のための例示であって、本発明の範囲を上記構成に限定する趣旨ではない。本発明は、他の種々の形態でも実施する事が可能である。

１…需要予測システム、 ２…需要家、 ３…経済情報管理者、 ４…気象情報管理者、 ５…送配電事業者、 ６…小売事業者、 ７…ネットワーク、 ２０…設備制御端末、 ３０…経済情報配信端末、 ４０…気象情報配信端末、 ５０…メータデータ管理装置、 ６０…需要家情報管理装置、 ６１…年間需要想定装置、 ６２…需要態様分類装置、 ６３…予測演算装置、 ６４…需要実績管理装置、 ６５…需要予測値利用装置、 ６６…情報入出力端末

Claims (13)

1. 記憶デバイスと、
   前記記憶デバイスに接続されるプロセッサと、
   を備え、
   前記記憶デバイスにおいては、
   需要家集合内の複数の需要家の夫々による資源の需要の時系列データであるロードデータが、複数のグループに対応付けられ、
   前記プロセッサは、
   各グループ内のロードデータを代表する形状を示す需要態様データと、各グループに属する需要家数とを取得し、
   各グループの需要態様データの実績値と、各グループの需要家数の実績値とに基づいて、予め設定された予測対象期間における前記需要家集合の需要の時系列データの形状を示す形状データを算出し、
   各計測期間における前記複数の需要家の夫々のロードデータを取得し、
   前記取得されたロードデータを、対応する計測期間の複数のクラスタの何れか一つに分類し、
   互いに異なる計測期間に対応する２以上のクラスタであって互いに類似する前記２以上のクラスタを、一つのグループに対応付けることで、各計測期間の複数のクラスタを、前記複数のグループに対応付ける、
   ように構成されている、
   需要予測システム。
2. 前記記憶デバイスは、予め設定された過去の複数の計測期間の夫々の各グループの需要家数の実績値を記憶するように構成され、
   前記プロセッサは、
   各グループに対し、前記需要家数の実績値に基づいて、前記予測対象期間における需要家数の予測値を算出し、
   前記需要態様データおよび前記需要家数の予測値に基づいて、前記形状データを算出する、
   ように構成されている、
   請求項１に記載の需要予測システム。
3. 前記記憶デバイスは、各計測期間の各グループの需要態様データの実績値を記憶するように構成され、
   前記プロセッサは、
   各グループに対し、前記需要態様データの実績値に基づいて、前記予測対象期間における需要態様データの予測値を算出し、
   前記需要態様データの予測値および前記需要家数の予測値に基づいて、前記形状データを算出する、
   ように構成されている、
   請求項２に記載の需要予測システム。
4. 前記プロセッサは、
   予め設定された期間に亘って積算される前記需要家集合の需要である積算需要について、前記複数の計測期間の少なくとも一つの基準期間における積算需要の実績値を取得し、
   需要の増減に影響する要因データを取得し、
   前記積算需要の実績値と前記要因データとに基づいて、前記予測対象期間における積算需要の予測値を算出し、
   前記積算需要の予測値および前記形状データに基づいて、前記予測対象期間における前記需要家集合の需要の時系列データである需要時系列データの予測値を算出する、
   ように構成されている、
   請求項３に記載の需要予測システム。
5. 前記プロセッサは、
   前記需要態様データの予測値に対し、第１パラメータの乗算と第２パラメータの加算とを行うことで、前記需要態様データの補正値を算出し、
   前記需要態様データの補正値および前記需要家数の予測値に基づいて、前記形状データを算出する、
   ように構成されている、
   請求項４に記載の需要予測システム。
6. 前記プロセッサは、
   前記需要時系列データの実績値を取得し、
   前記需要時系列データの実績値と、前記需要時系列データの予測値とに基づいて、前記第１パラメータおよび前記第２パラメータを調整する、
   ように構成されている、
   請求項５に記載の需要予測システム。
7. 前記プロセッサは、
   前記取得されたロードデータを周波数領域の特徴量ベクトルに変換し、
   前記特徴量ベクトルを、対応する計測期間の複数のクラスタの何れか一つに分類する、
   ように構成されている、
   請求項１に記載の需要予測システム。
8. 前記プロセッサは、
   各グループに対応する特徴量ベクトルを代表する代表特徴量ベクトルの実績値を算出し、
   各グループに対し、前記複数の計測期間の代表特徴量ベクトルの実績値に基づいて、前記予測対象期間における代表特徴量ベクトルの予測値を算出し、
   各グループに対し、前記代表特徴量ベクトルの予測値に基づいて、前記需要態様データの予測値を算出する、
   ように構成されている、
   請求項７に記載の需要予測システム。
9. 前記要因データは、気温、経済、需要家の離脱、節電のうちいずれか１つ以上を示し、
   前記プロセッサは、
   前記需要家集合の過去の積算需要の実績値を取得し、
   前記要因データに基づいて需要の増減量を算出し、
   前記積算需要の実績値に前記増減量を加算することで、前記積算需要の予測値を算出する
   ように構成されている、
   請求項４に記載の需要予測システム。
10. 前記需要家集合は、前記資源の需要について特定の契約を結んでいる需要家と、特定の配電設備に連系する設備を持つ需要家との何れかであり、
    前記記憶デバイスは、前記需要家集合を示す需要家情報を記憶するように構成されている、
    請求項４に記載の需要予測システム。
11. 各計測期間の長さと前記予測対象期間の長さは、予め設定された計測周期である、
    請求項２に記載の需要予測システム。
12. 前記プロセッサは、前記需要家数の予測値を表示デバイスに表示させるように構成されている、
    請求項２に記載の需要予測システム。
13. 記憶デバイスと、前記記憶デバイスに接続されるプロセッサと、を備える需要予測システムによる需要予測方法であって、
    前記需要予測システムにおいて、
    需要家集合内の複数の需要家の夫々による資源の需要の時系列データであるロードデータが、複数のグループに対応付けられ、
    前記需要予測システムは、
    各グループ内のロードデータを代表する形状を示す需要態様データと、各グループに属する需要家数とを、取得し、
    各グループの需要態様データの実績値と、各グループの需要家数の実績値とに基づいて、予め設定された予測対象期間における前記需要家集合の需要の時系列データの形状を示す形状データを算出し、
    各計測期間における前記複数の需要家の夫々のロードデータを取得し、
    前記取得されたロードデータを、対応する計測期間の複数のクラスタの何れか一つに分類し、
    互いに異なる計測期間に対応する２以上のクラスタであって互いに類似する前記２以上のクラスタを、一つのグループに対応付けることで、各計測期間の複数のクラスタを、前記複数のグループに対応付ける、
    ことを行う、需要予測方法。

Images