JP6750494B2 - 電力需要予測プログラム、電力需要予測装置、および電力需要予測方法 - Google Patents

Description

本発明は、電力需要予測プログラム、電力需要予測装置、および電力需要予測方法に関する。

従来、需要電力の予測を、過去の消費電力を学習データとして推定する技術がある。関連する先行技術として、例えば、最大電力需要と気象条件等との相関関係についての学習を行って１年間の学習データを作成し、この学習データに予測対象日の入力データを入力することにより最大電力需要を予測するものがある。

特開２０００−２７０４７６号公報 特開２００４−３４０９５４号公報 特開２００４−２１５３５４号公報 特開平７−６４９４６号公報

しかしながら、従来技術において、学習データが少なくなるほど、予測対象期間における需要電力の予測精度が劣化する。例えば、電力の使い方の傾向が、東日本大震災による電力使用抑制により変化したため、東日本大震災前のデータを学習データとすることは不適切な場合がある。このような場合、東日本大震災以降のデータを学習データとして用いることとなり、学習データが少なくなるために、翌日の需要電力の予測精度が劣化する。

１つの側面では、本発明は、予測対象期間における需要電力の予測精度の劣化を抑える電力需要予測プログラム、電力需要予測装置、および電力需要予測方法を提供することを目的とする。

本発明の一側面によれば、単位時間当たりの消費電力を示す消費電力情報、および、消費電力が最大となる時間帯を目的変数とする説明変数の値が時刻に対応付けられて蓄積された時刻別情報に基づき、所定の期間ごとに、所定の期間を区切った複数の時間帯のうちの最大の消費電力となった時間帯を特定し、所定の期間ごとに特定した時間帯と所定の期間ごとの説明変数の値とに基づいて、入力される説明変数により消費電力が最大となる時間帯が複数の時間帯のいずれであるかを判別する判別モデルを生成し、判別モデルを用いて、予測対象期間において最大の消費電力となる時間帯を特定し、消費電力情報のうち、特定した時間帯で最大の消費電力となる所定の期間の消費電力情報に基づいて、予測対象期間における需要電力の傾向を特定する電力需要予測プログラム、電力需要予測装置、および電力需要予測方法が提案される。

本発明の一態様によれば、予測対象期間における需要電力の予測精度の劣化を抑えるという効果を奏する。

図１は、実施の形態１における電力需要予測装置１０１の動作例を示す説明図である。 図２は、電力需要予測装置１０１のハードウェア構成例を示す説明図である。 図３は、実施の形態１における電力需要予測処理例を示す説明図である。 図４は、実施の形態１における電力需要予測装置１０１の機能構成例を示す説明図である。 図５は、実績ＤＢ作成処理手順の一例を示すフローチャートである。 図６は、実施の形態１における電力需要予測処理手順の一例を示すフローチャートである。 図７は、時間帯推定処理手順の一例を示すフローチャートである。 図８は、時間帯推定処理の動作例を示す説明図である。 図９は、時間帯推定処理の補足説明図である。 図１０は、最大時間帯予測処理手順の一例を示すフローチャートである。 図１１は、最大時間帯予測処理の動作例を示す説明図である。 図１２は、実施の形態１における電力波形作成処理手順の一例を示すフローチャートである。 図１３は、電力波形作成処理の動作例を示す説明図である。 図１４は、最大電力予測処理手順の一例を示すフローチャートである。 図１５は、最大電力予測処理の動作例を示す説明図である。 図１６は、需要予測処理手順の一例を示すフローチャートである。 図１７は、予測値の精度評価方法の一例を示す説明図である。 図１８は、実施の形態１における予測値の精度評価例を示す説明図（その１）である。 図１９は、実施の形態１における予測値の精度評価例を示す説明図（その２）である。 図２０は、説明変数の他の例を示す説明図である。 図２１は、実施の形態２における電力需要予測装置２１０１の機能構成例を示す説明図である。 図２２は、実施の形態２における電力需要予測処理例を示す説明図である。 図２３は、実施の形態２における電力需要予測処理手順の一例を示すフローチャートである。 図２４は、最大分割時間帯予測処理手順の一例を示すフローチャートである。 図２５は、最大分割時間帯予測処理の動作例を示す説明図（その１）である。 図２６は、最大分割時間帯予測処理の動作例を示す説明図（その２）である。 図２７は、実施の形態２における電力波形作成処理手順の一例を示すフローチャートである。 図２８は、実施の形態２における予測結果の精度評価例を示す説明図である。

以下に図面を参照して、開示の電力需要予測プログラム、電力需要予測装置、および電力需要予測方法の実施の形態を詳細に説明する。

（実施の形態１の説明）
図１は、実施の形態１における電力需要予測装置１０１の動作例を示す説明図である。電力需要予測装置１０１は、電力需要を予測するコンピュータである。電力需要予測装置１０１は、例えば、サーバである。例えば、電力需要予測装置１０１の利用者は、電力需要予測装置１０１が予測した１日の最大電力が発生する時刻と、最大電力に基づいて契約電力を設定することにより、電気料金の削減を行うことができる。近年、東日本大震災前と比べて電気料金が上昇しており、特に製造業に深刻な影響を与えている。

ここで、電気料金は、契約電力に応じた基本料金と、電力量料金とを含む。そして、基本料金は、電力量料金に比べ、数時間の節電対策により、コスト削減が可能である。しかしながら、節電対策によっては、対策前後の電力に影響がでるものがあり、予測精度が悪いと、契約電力が上がってしまうことがある。具体的には、下記に示す参考文献１には、節電対策として、エアコンをこまめにＯＮ／ＯＦＦすると、エアコンの再始動後に消費電力が急増することが示されている。そして、このような急増した消費電力によって予測が外れると、契約電力が上がってしまうことになる。
（参考文献１：夏に活躍するエアコン、つけっ放しとマメに切る場合とではどっちがお得？ − ｜ Ｔｅｃｈｎｉｔｙ、［平成２８年５月２０日検索］、ｇｇｓｏｋｕ．ｃｏｍ／ｔｅｃｈ／ｅｆｆｉｃｉｅｎｔ−ｕｓｅ−ｏｆ−ａｉｒｃｏｎ／）

このように、基本料金を削減することはハイリスク・ハイリターンであり、精度良く最大電力となる時刻を予測できないと契約電力が上がってしまい、損をする恐れがある。ここで、例えば、３年間から５年間の学習データを用いることにより、最大電力の誤差率で予測精度を評価する技術がある。

しかしながら、前述の技術では、学習データが少なくなるほど、予測対象期間における需要電力の予測精度が劣化する。例えば、電力の使い方の傾向が、東日本大震災による電力使用抑制により変化したため、東日本大震災前のデータを学習データとすることは不適切な場合がある。このような場合、東日本大震災以降のデータを学習データとして用いることとなり、学習データが少なくなるために、予測精度が劣化する。

そこで、本実施の形態では、所定の期間ごとの最大電力となる時間帯と気象情報とから生成した判別モデルに、予測対象期間の気象予測を入力して予測対象期間の最大電力となる時間帯を特定し、その時間帯で最大電力となる実績から予測対象期間の電力を予測する。

図１を用いて、電力需要予測装置１０１の動作例について説明する。本実施の形態では、予測対象期間は、どのような長さでもよく、１日間でもよいし１週間でもよい。予測対象期間の長さは、例えば、電力需要予測装置１０１の利用者によって設定される。本実施の形態では、予測対象期間の長さは、１日間とする。そして、予測を行う日を、予測日とする。例えば、予測日は、当日である。また、予測対象期間は、いつであってもよいが、以下の説明では、翌日とする。また、電力需要予測装置１０１は、判別モデルを生成する際に、所定の期間ごとのデータに基づいて判別モデルを生成する。所定の期間の長さは、予測対象期間の長さと同一であることが好ましい。従って、本実施の形態では、所定の期間の長さは、１日間とする。また、所定の期間の始期と終期は、所定の期間の長さ以下であればどのようなものでもよい。例えば、所定の期間が１日間である場合、０：００〜２４：００としてもよいし、１日の営業時間の開始時刻から終了時刻までとしてもよいし、９：００〜次の日の９：００というように、日を跨ってもよい。

電力需要予測装置１０１は、単位時間当たりの消費電力を示す消費電力情報１０２、および消費電力が最大となる時間帯を目的変数とする説明変数の値が時刻に対応付けて蓄積した時刻別情報にアクセス可能である。時刻別情報は、例えば、電力需要予測装置１０１の記憶部に格納されている。単位時間当たりの消費電力は、どのような時間の長さでもよいが、例えば、３０分ごとの消費電力である。また、目的変数や説明変数は、回帰分析に関する用語である。そして、回帰分析は、１つまたは複数の説明変数と、１つの目的変数の関係を求め、説明変数から目的変数を推定する分析方法である。従って、説明変数には、目的変数を説明する変数が設定される。また、目的変数は、回帰分析によって予測したい変数が設定される。

そして、判別モデルを生成する際における説明変数は、目的変数を説明する変数であればどのようなものでもよい。例えば、説明変数は、気象情報として、最高気温、代表湿度、代表天気等がある。ここで、気象情報は、消費電力を消費した消費者の位置に応じた気象情報であることが好ましい。そして、代表湿度は、所定の期間を代表する湿度である。また、代表天気は、所定の期間を代表する天気の種別である。例えば、最高気温は、最高気温が高い程、エアコンによる消費電力が増えることが予想されるため、消費電力が最大となる時間帯を説明するものと言える。電力需要予測装置１０１の利用者は、１以上の任意の説明変数を設定することができる。

以下の説明では、説明変数は、最高気温、代表湿度、代表天気を含む気象情報であるとする。例えば、電力需要予測装置１０１は、消費電力情報１０２と気象情報とを時刻に対応付けて蓄積した記憶部を有する。より詳細には、消費電力情報１０２は、時刻に対応付けられた３０分ごとの消費電力を示す。例えば、消費電力情報１０２は、８：００〜８：３０の消費電力、８：３０〜９：００の消費電力、…を示す。

また、気象情報は、時刻に対応付けられた最高気温、代表湿度、代表天気を示す。例えば、気象情報は、所定の期間が１日であれば、１月１日における最高気温、代表気温、代表天気、１月２日における最高気温、代表湿度、代表天気、…を示す。または、気象情報は、所定の期間より細かい粒度の時刻、例えば、１時間ごとの気温、湿度、天気を示してもよい。そして、電力需要予測装置１０１の利用者が、所定の期間を１日と設定した際に、電力需要予測装置１０１は、気象情報に基づいて、所定の期間ごとの最高気温、代表湿度、代表天気を求めてもよい。

電力需要予測装置１０１は、図１の（１）で示すように、時刻別情報に含まれる消費電力情報１０２を参照して、所定の期間ごとに、所定の期間を区切った複数の時間帯のうちの最大の消費電力となった時間帯を特定する。図１で示すグラフ１１１は、日ごとに、１日を区切った複数の時間帯のうちの最大の消費電力となった時間帯の頻度を示す。そして、グラフ１１１の例では、複数の時間帯として、時間帯ｚ１〜ｚ３を示す。例えば、電力需要予測装置１０１は、ある日において最大の消費電力となった時間帯がｚ１であり、別の日において最大の消費電力となった時間帯がｚ２である、というように特定する。

次に、電力需要予測装置１０１は、図１の（２）で示すように、所定の期間ごとに特定した時間帯と所定の期間ごとの説明変数の値とに基づいて、判別モデルを生成する。ここで、生成する判別モデルは、入力される説明変数により消費電力が最大となる時間帯が複数の時間帯のいずれであるかを判別するモデルである。また、判別モデルは、例えば、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）を用いて生成することができる。

図１の例では、電力需要予測装置１０１は、判別モデルを生成するために、時刻別情報に含まれる、所定の期間ごとに特定した時間帯を、所定の期間ごとの気象情報に対応付けたデータセット１０３を作成する。図１では、データセット１０３を、図１のグラフ１１１の右側の図として示す。例えば、データセット１０３は、ある日について特定した時間帯がｚ１であることと、ある日の気象情報とを対応付けたデータを含む。さらに、データセット１０３は、別の日について特定した時間帯がｚ３であることと、別の日の気象情報とを対応付けたデータを含む。

図１で示すグラフ１２１は、図面上での表示のし易さのため、説明変数を最高気温と代表湿度とし、目的変数を時間帯とした際に、生成した判別モデルによって示される時間帯ｚ１、ｚ２、ｚ３の境界となる直線１２２〜１２４とデータセット１０３との関係を示す。グラフ１２１内にプロットした三角形、ひし形、四角形は、データセット１０３の各データを示す。

そして、電力需要予測装置１０１は、図１の（３）で示すように、生成した判別モデルを用いて、予測対象期間において最大の消費電力となる時間帯を特定する。具体的には、電力需要予測装置１０１は、予測対象期間における説明変数の値を、生成した判別モデルに入力することにより、予測対象期間において最大の消費電力となる時間帯を得る。予測対象期間において最大の消費電力となる時間帯を、以下、「予測時間帯」と称する。図１の例では、電力需要予測装置１０１は、予測対象期間における説明変数の値として、翌日の気象情報を生成した判別モデルに入力することにより、予測時間帯がｚ１であると特定する。

次に、電力需要予測装置１０１は、図１の（４）で示すように、消費電力情報１０２のうち、予測時間帯で最大の消費電力となる所定の期間の消費電力情報に基づいて、予測対象期間における需要電力の傾向を特定する。ここで、予測対象期間における需要電力の傾向は、予測対象期間の各時刻における需要電力として、予測対象期間の電力波形を示してもよいし、単に、予測対象期間のうちの最大需要となる時刻と、その時刻における需要電力を示してもよい。

図１では、消費電力情報１０２のうち、時間帯ｚ１に最大電力となる日の消費電力情報の電力波形を示すグラフ１３１と、時間帯ｚ２に最大電力となる日の消費電力情報の電力波形を示すグラフ１３２とを示す。電力需要予測装置１０１は、消費電力情報１０２のうち、グラフ１３１が示す消費電力情報のように、時間帯ｚ１に最大電力となる日の消費電力情報に基づいて、翌日の需要電力の傾向を特定する。ここで、時間帯ｚ１に最大電力となる日の消費電力情報から、翌日の需要電力の傾向を特定する方法は、例えば、時間帯ｚ１に最大電力となる日の消費電力情報を学習データとして、回帰分析を行う。

以上により、電力需要予測装置１０１は、時間方向に関して予測に利用するデータを絞り込んでいるため、学習データが少なくとも、１日の中で最大電力となる時間帯の予測精度が正確になり、翌日の需要電力の予測精度の劣化を抑えることができる。また、電力需要予測装置１０１は、最大電力の予測を行い、予測した最大電力を用いて補正することにより、電力方向に関して、さらに予測精度を向上させることができる。予測した最大電力を用いて補正することについては、図３で説明する。

また、図１の説明において、消費電力を消費する消費者は、どのような者でもよい。例えば、消費者は、企業、自治体等の事業所や、個人でもよい。事業所は、例えば、事務を行う事務所や、工場である。

また、図１の説明では、説明変数は、消費電力を消費した消費者の位置に応じた気象情報であることを説明したが、これに限らない。例えば、説明変数は、消費電力を消費した消費者が生産する物の数でもよい。ここで、消費者が生産する物は、電力を用いて生産するものであればどのようなものでもよく、例えば、コンピュータ、半導体部品等である。

また、所定の期間および予測対象期間の長さは、１日間としたが、１週間としてもよい。所定の期間および予測対象期間の長さを１週間とする場合、所定の期間の始期と終期について、日曜日から土曜日までとしてもよいし、月曜日から日曜日までとしてもよいし、平日となる月曜日から金曜日までとしてもよい。また、所定の期間および予測対象期間の長さを１週間とする場合、電力需要予測装置１０１は、複数の時間帯の各時間帯を、１日間としてもよいし、１日の営業時間としてもよいし、１日の午前、午後１、午後２というようにしてもよい。次に、電力需要予測装置１０１のハードウェア構成について、図２を用いて説明する。

（電力需要予測装置１０１のハードウェア構成例）
図２は、電力需要予測装置１０１のハードウェア構成例を示す説明図である。図２において、電力需要予測装置１０１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）２０１と、ＲＯＭ（Ｒｅａｄ−Ｏｎｌｙ Ｍｅｍｏｒｙ）２０２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）２０３と、を含む。また、電力需要予測装置１０１は、ディスクドライブ２０４およびディスク２０５と、通信インターフェース２０６と、を含む。また、ＣＰＵ２０１〜ディスクドライブ２０４、通信インターフェース２０６はバス２０７によってそれぞれ接続される。

ＣＰＵ２０１は、電力需要予測装置１０１の全体の制御を司る演算処理装置である。また、ＣＰＵ２０１は、複数のプロセッサコアを有してもよい。ＲＯＭ２０２は、ブートプログラムなどのプログラムを記憶する不揮発性メモリである。ＲＡＭ２０３は、ＣＰＵ２０１のワークエリアとして使用される揮発性メモリである。

ディスクドライブ２０４は、ＣＰＵ２０１の制御に従ってディスク２０５に対するデータのリードおよびライトを制御する制御装置である。ディスクドライブ２０４には、例えば、磁気ディスクドライブ、光ディスクドライブ、ソリッドステートドライブなどを採用することができる。ディスク２０５は、ディスクドライブ２０４の制御で書き込まれたデータを記憶する不揮発性メモリである。例えばディスクドライブ２０４が磁気ディスクドライブである場合、ディスク２０５には、磁気ディスクを採用することができる。また、ディスクドライブ２０４が光ディスクドライブである場合、ディスク２０５には、光ディスクを採用することができる。また、ディスクドライブ２０４がソリッドステートドライブである場合、ディスク２０５には、半導体素子によって形成された半導体メモリ、いわゆる半導体ディスクを採用することができる。

通信インターフェース２０６は、ネットワークと内部のインターフェースを司り、他の装置からのデータの入出力を制御する制御装置である。具体的に、通信インターフェース２０６は、通信回線を通じてネットワークを介して他の装置に接続される。通信インターフェース２０６には、例えば、モデムやＬＡＮアダプタなどを採用することができる。

また、電力需要予測装置１０１の管理者が、電力需要予測装置１０１を直接操作する場合、電力需要予測装置１０１は、ディスプレイ、キーボード、マウスといったハードウェアを有してもよい。

次に、電力需要予測装置１０１が行う電力需要予測処理を、フローチャートとして図３を用いて説明する。

図３は、実施の形態１における電力需要予測処理例を示す説明図である。電力需要予測処理は、図３で示すように、需要予測を行う処理と、最大電力を予測する処理という２つの処理に分かれる。電力需要予測装置１０１は、需要予測を行う処理と、最大電力を予測する処理とをそれぞれ独立に実行する。従って、電力需要予測装置１０１は、需要予測を行う処理を行った後に最大電力を予測する処理を行ってもよいし、また、逆の順序で行ってもよいし、それぞれ並列に行ってもよい。

需要予測を行う処理では、電力需要予測装置１０１は、事業所ごとの統計情報から、推定すべき時間帯を設定する（ステップＳ３０１）。次に、電力需要予測装置１０１は、判別分析によって、日の最大電力が発生する時間帯を特定し、特定した時間帯に発生する実績情報を学習情報として回帰分析を行うことにより、需要予測する（ステップＳ３０２）。

一方、最大電力を予測する処理では、電力需要予測装置１０１は、回帰分析により、最大電力を予測する（ステップＳ３０３）。そして、電力需要予測装置１０１は、需要予測の結果と、予測した最大電力とを合成する（ステップＳ３０４）。これにより、電力需要予測装置１０１は、日の最大電力と最大電力発生時刻の誤差率が低い需要予測を作成することができる。

（電力需要予測装置１０１の機能構成例）
図４は、実施の形態１における電力需要予測装置１０１の機能構成例を示す説明図である。電力需要予測装置１０１は、制御部４００を有する。制御部４００は、外気温取得部４０１と、消費電力取得部４０２と、時間帯推定部４０３と、最大時間帯予測部４０４と、電力波形作成部４０５と、最大電力予測部４０６と、需要予測部４０７とを含む。制御部４００は、記憶装置に記憶されたプログラムをＣＰＵ２０１が実行することにより、各部の機能を実現する。記憶装置とは、具体的には、例えば、図２に示したＲＯＭ２０２、ＲＡＭ２０３、ディスク２０５などである。また、各部の処理結果は、ＲＡＭ２０３、ＣＰＵ２０１のレジスタや、ＣＰＵ２０１のキャッシュメモリ等に格納される。

また、電力需要予測装置１０１は、第１記憶部４１０と、第２記憶部４１２とにアクセス可能である。第１記憶部４１０は、ＲＡＭ２０３、ディスク２０５といった記憶装置である。第１記憶部４１０は、実績ＤＢ４１１を有する。第２記憶部４１２は、実施の形態１にかかるプログラムを記憶する。実績ＤＢ４１１は、図１で説明した時刻別情報に相当する。第２記憶部４１２は、ＲＯＭ２０２やディスク２０５といった記憶装置である。

外気温取得部４０１は、気象情報を取得する。取得する気象情報は、消費者の位置に応じた気象情報であることが好ましい。例えば、外気温取得部４０１は、気象庁のＷｅｂページにアクセスして、気象情報として、消費者の所在地における気温、湿度、天気を示す値を取得する。

消費電力取得部４０２は、消費者が消費した消費電力情報１０２を取得する。消費電力取得部４０２は、例えば、消費者が消費した消費電力を測定するスマートメータから、消費電力情報１０２を取得する。消費電力取得部４０２は、取得した消費電力情報１０２を、第１記憶部４１０内の実績ＤＢ４１１に格納する。

時間帯推定部４０３は、実績ＤＢ４１１を参照して、所定の期間ごとに、所定の期間を区切った複数の時間帯のうちの最大の消費電力となった時間帯を特定する。時間帯推定部４０３の具体的な処理内容については、図７〜図９を用いて詳細に説明する。

最大時間帯予測部４０４は、実績ＤＢ４１１を参照して、所定の期間ごとに特定した時間帯と所定の期間ごとの説明変数の値とに基づいて、入力される説明変数により消費電力が最大となる時間帯が複数の時間帯のいずれであるかを判別する判別モデルを生成する。そして、最大時間帯予測部４０４は、予測対象期間における説明変数の値を、生成した判別モデルに入力することにより、予測時間帯を特定する。最大時間帯予測部４０４の具体的な処理内容については、図１０、図１１を用いて説明する。

電力波形作成部４０５は、実績ＤＢ４１１に記憶された消費電力情報のうち、最大時間帯予測部４０４で予測した予測時間帯で最大の消費電力となる所定の期間の消費電力情報に基づいて、予測対象期間における電力波形を作成する。電力波形作成部４０５の具体的な処理内容については、図１２、図１３を用いて説明する。なお、図１において、予測対象期間における需要電力の傾向として、予測対象期間における電力波形を示してもよいし、単に、予測対象期間のうちの最大需要となる時刻と、その時刻における需要電力を示してもよいことを説明した。従って、電力波形作成部４０５は、予測対象期間のうちの最大需要となる時刻と、その時刻における需要電力を出力してもよい。

最大電力予測部４０６は、実績ＤＢ４１１を参照して、所定の期間ごとの最大の消費電力と、所定の期間ごとの説明変数の値とに基づいて、入力される説明変数により最大の消費電力を出力するモデルを生成する。そして、最大電力予測部４０６は、生成したモデルを用いて、予測対象期間における最大の消費電力を特定する。具体的には、最大電力予測部４０６は、予測対象期間における説明変数の値を、生成したモデルに入力することにより出力される値を、予測対象期間における最大の消費電力として特定する。最大電力予測部４０６の具体的な処理内容については、図１４、図１５を用いて説明する。

需要予測部４０７は、電力波形作成部４０５が作成した電力波形を、最大電力予測部４０６が予測した予測対象期間における最大の消費電力で補正する。需要予測部４０７の具体的な処理内容については、図１６を用いて説明する。また、電力波形作成部４０５が、予測対象期間のうちの最大需要となる時刻と、その時刻における需要電力を出力してもよいことを説明した。この場合、需要予測部４０７は、電力波形作成部４０５が出力する需要電力の代わりに、最大電力予測部４０６が予測した最大の消費電力を、その時刻における需要電力とする。

以下、図４に示した各機能の詳細を、図５〜図１６を用いて説明する。図５〜図１６の説明では、予測対象期間を翌日とする。

図５は、実績ＤＢ作成処理手順の一例を示すフローチャートである。実績ＤＢ作成処理は、最大時間帯予測部４０４や最大電力予測部４０６で作成するモデルに用いるデータセットを作成するためのデータを実績ＤＢ４１１に蓄積する処理である。実績ＤＢ作成処理は、定期的に実行される。

電力需要予測装置１０１は、消費電力情報１０２と気象情報とを、実績ＤＢ４１１に格納する（ステップＳ５０１）。ステップＳ５０１の処理終了後、電力需要予測装置１０１は、実績ＤＢ作成処理を終了する。

図６は、実施の形態１における電力需要予測処理手順の一例を示すフローチャートである。電力需要予測処理は、翌日の電力需要を予測する処理である。電力需要予測装置１０１は、図６に示すステップＳ６０１〜Ｓ６０３の処理と、ステップＳ６０４の処理とを、独立に実行することができる。

電力需要予測装置１０１は、時間帯推定部４０３が有する機能により、時間帯推定処理を実行する（ステップＳ６０１）。時間帯推定処理については、図７〜図９で説明する。次に、電力需要予測装置１０１は、最大時間帯予測部４０４が有する機能により、最大時間帯予測処理を実行する（ステップＳ６０２）。最大時間帯予測処理については、図１０、図１１で説明する。そして、電力需要予測装置１０１は、電力波形作成部４０５が有する機能により、電力波形作成処理を実行する（ステップＳ６０３）。電力波形作成処理については、図１２、図１３で説明する。

また、電力需要予測装置１０１は、最大電力予測部４０６が有する機能により、最大電力予測処理を実行する（ステップＳ６０４）。最大電力予測処理については、図１４、図１５で説明する。

ステップＳ６０３、および、ステップＳ６０４の処理終了後、電力需要予測装置１０１は、需要予測部４０７が有する機能により、需要予測処理を実行する（ステップＳ６０５）。需要予測処理については、図１６で説明する。ステップＳ６０５の処理終了後、電力需要予測装置１０１は、電力需要予測処理を終了する。

（時間帯推定部４０３の処理）
次に、時間帯推定部４０３による時間帯推定処理について、図７〜図９を用いて説明する。まず、図７、図８を用いて、時間帯推定処理を説明し、図９で、時間帯推定処理の補足説明を行う。

図７は、時間帯推定処理手順の一例を示すフローチャートである。また、図８は、時間帯推定処理の動作例を示す説明図である。図７で示す各ステップについて、図８を用いて説明を行う。時間帯推定処理は、予測する時間帯を推定する処理である。

電力需要予測装置１０１は、実績ＤＢ４１１に蓄積された過去の消費電力情報から、日ごとに、１日の中で最大電力が発生する時刻を特定する（ステップＳ７０１）。そして、電力需要予測装置１０１は、日ごとに特定した時刻を集計する（ステップＳ７０２）。ステップＳ７０１、Ｓ７０２について、図８の（１）を用いて説明する。図８の（１）で示すグラフ８０１は、事業所Ａにおける時刻と最大電力との関係を示すグラフである。グラフ８０１の横軸は、１日の中の３０分ごとの時刻を示す。グラフ８０１の縦軸は、１日の３０分ごとの各時刻で最大電力となった頻度を示す。例えば、グラフ８０１は、９時に最大電力となった日が１８日あったことを示す。従って、電力需要予測装置１０１は、実績ＤＢ４１１に蓄積された過去の消費電力情報から、日ごとに、１日の中の最大電力が発生する時刻を特定し、日ごとに特定した時刻を集計する。

図７の説明に戻り、ステップＳ７０２の処理後、電力需要予測装置１０１は、集計した時刻群から、任意の閾値以下の時刻を除去する（ステップＳ７０３）。ステップＳ７０３について、図８の（２）を用いて説明する。図８の（２）では、電力需要予測装置１０１は、任意の閾値を頻度１として、集計した時刻群から、頻度１以下となる頻度の時刻を除去する。図８の例では、電力需要予測装置１０１は、集計した時刻群から、頻度１以下となる８：３０、１４：３０、１５：００を除去する。すると、電力需要予測装置１０１は、９：００−１１：３０の６ポイントを残すことになる。

図７の説明に戻り、ステップＳ７０３の処理後、電力需要予測装置１０１は、残った時刻をＮ等分し、予測する時間帯を設定する（ステップＳ７０４）。ここで、Ｎは、２以上の自然数である。また、Ｎ等分内では、時刻が連続するようにする。ステップＳ７０４の処理修了後、電力需要予測装置１０１は、時間帯推定処理を終了する。ステップＳ７０４について、図８の（３）を用いて説明する。図８の（３）では、Ｎを３とした場合の例を示す。電力需要予測装置１０１は、３つの時間帯として、９：００−９：３０の２ポイントをゾーン１に設定し、１０：００−１０：３０の２ポイントをゾーン２に設定し、１１：００−１１：３０の２ポイントをゾーン３に設定する。

図９は、時間帯推定処理の補足説明図である。図９では、次回帯推定処理の補足説明として、静的に等分すると、ピーク発生時刻が偏った事業所に対して判別精度が低下する例を示す。

図９に示すグラフ９０１、９０２、９０３は、それぞれ、事業所として、事務所Ａ、Ｂ、工場Ｃにおける時刻と最大電力との関係を示すグラフである。例えば、１０：００−１１：００、１３：００−１４：００、１５：００−１６：００というように静的に３等分するとする。すると、事務所Ａでは、グラフ９０１が示すように、均等にピークが発生しており、３クラスの判別問題となるが、事務所Ｂでは、グラフ９０２が示すように、午後だけにピークが発生しており、２クラスの判別問題となってしまう。さらに、工場Ｃでは、グラフ９０３が示すように、午前だけにピークが発生しており、１クラスの判別問題となってしまう。従って、ステップＳ７０３、Ｓ７０４の処理で説明したように、任意の閾値を除いて残った時刻を等分するという、動的に等分することが好ましい。

（最大時間帯予測部４０４の処理）
次に、最大時間帯予測部４０４による最大時間帯予測処理について、図１０、１１を用いて説明する。

図１０は、最大時間帯予測処理手順の一例を示すフローチャートである。また、図１１は、最大時間帯予測処理の動作例を示す説明図である。最大時間帯予測処理は、判別モデルを生成し、生成した判別モデルから、予測対象期間の最大の消費電力となる時間帯を予測する処理である。図１０で示す各ステップについて、図１１を用いて説明を行う。

電力需要予測装置１０１は、判別モデルを生成するため、１日の代表の気象情報を説明変数とし、Ｎ等分した時間帯のうち、１日の中で最大の消費電力となる時刻が含まれる時間帯を目的変数とするデータセットを作成する（ステップＳ１００１）。ステップＳ１００１について、図１１の（１）を用いて説明する。図１１の（１）では、目的変数が時間帯であり、説明変数が、最高気温、代表湿度、代表天気である場合のデータセット１１０１を示す。図１１の（１）では、３つのレコード１１０１−１〜３を示す。そして、１つのレコードが１日分のデータを示す。具体的には、電力需要予測装置１０１は、実績ＤＢ４１１に記憶されている気温、湿度、天気から、１日の中の最高気温と、代表湿度、代表天気とを取得する。最高気温は、１日の中での最高気温である。代表気温は、例えば、１日の気温の平均値や中央値である。代表天気は、例えば、１日の天気で最も多かった天気の種別である。そして、電力需要予測装置１０１は、Ｎ個の時間帯のうちの前述の時刻が含まれると判定した時間帯と、取得した気温、湿度、天気とを、判別モデルのデータセットとして作成する。

図１０の説明に戻り、ステップＳ１００１の処理終了後、電力需要予測装置１０１は、作成したデータセットに基づいて、判別モデルを生成する（ステップＳ１００２）。ステップＳ１００２について、図１１の（２）を用いて説明する。図１１の（２）で示すグラフ１１０２は、図面上での表示のし易さのため説明変数を最高気温と代表湿度とし、目的変数を時間帯とした際に、生成した判別モデルと、データセット１１０１との関係を示す。ここで、グラフ１１０２で示すように、生成した判別モデルは、ゾーン１、２、３の境界となる直線１１０３〜１１０５で示される。グラフ１１０２内にプロットした三角形、ひし形、四角形は、データセット１１０１の各データを示す。

図１０の説明に戻り、ステップＳ１００２の処理終了後、電力需要予測装置１０１は、翌日の気象情報を取得する（ステップＳ１００３）。ステップＳ１００３について、図１１の（３）を用いて説明する。電力需要予測装置１０１は、例えば気象庁のＷｅｂページにアクセスし、表１１１１に示すように、最高気温２４度、代表湿度８５％、代表天気「曇り」という翌日の気象情報を取得する。

図１０の説明に戻り、ステップＳ１００３の処理終了後、電力需要予測装置１０１は、生成した判別モデルに、取得した翌日の気象情報を入力することにより、翌日の最大電力になる予測時間帯を特定する（ステップＳ１００４）。ステップＳ１００４の処理終了後、電力需要予測装置１０１は、最大時間帯予測処理を終了する。ステップＳ１００４について、図１１の（４）を用いて説明する。電力需要予測装置１０１は、ステップＳ１００２の処理によって生成した判別モデルに、表１１１１で示す翌日の気象情報を入力することにより、翌日の最大電力になる予測時間帯を特定する。図１１の例では、電力需要予測装置１０１は、表１１１２で示すように、翌日の最大電力になる予測時間帯がゾーン１であると特定する。

より具体的には、生成した判別モデルの一例として、図１１の（２）の例を用いて説明する。電力需要予測装置１０１は、生成した判別モデルとして、直線１１０３を示す式、直線１１０４を示す式、直線１１０５を示す式を生成する。図１１の（２）の例では、ｘを最高気温とし、ｙを代表湿度とし、ａ１〜ａ３を最高気温の係数、ｂ１〜ｂ３を代表湿度の係数とし、ｃ１〜ｃ３を切片とする、ａ１ｘ＋ｂ１ｙ＋ｃ１＝０、ａ２ｘ＋ｂ２ｙ＋ｃ２＝０、ａ３ｘ＋ｂ３ｙ＋ｃ３＝０という式を得る。そして、電力需要予測装置１０１は、直線を示す式のそれぞれの左辺に、翌日の気象情報をそれぞれ入力して得られる値の正負の組み合わせにより、予測時間帯がゾーン１〜３のうちのどのゾーンとなるかを特定することができる。例えば、翌日の気象情報を入力した結果、直線１１０３を示す式の左辺が負となり、かつ、直線１１０４を示す式の左辺が正となる場合、電力需要予測装置１０１は、翌日の最大電力になる予測時間帯がゾーン１であると特定する。

（電力波形作成部４０５の処理）
次に、電力波形作成部４０５による電力波形作成処理について、図１２、図１３を用いて説明する。

図１２は、実施の形態１における電力波形作成処理手順の一例を示すフローチャートである。また、図１３は、電力波形作成処理の動作例を示す説明図である。電力波形作成処理は、特定した予測時間帯で最大電力となる過去データから、予測対象日となる翌日の電力波形を作成する処理である。図１２で示すステップＳ１２０２について、図１３を用いて説明を行う。

電力需要予測装置１０１は、実績ＤＢ４１１を参照して、予測日から過去Ｍ日分の過去データを取得する（ステップＳ１２０１）。Ｍは、自然数である。例えば、Ｍは３０である。

次に、電力需要予測装置１０１は、取得した過去データのうち、予測時間帯に最大電力となる過去データのみ収集する（ステップＳ１２０２）。ステップＳ１２０２について、図１３を用いて説明する。図１３では、ステップＳ１２０１で取得したデータとして、それぞれ、グラフ１３０１、１３０２、１３０３で示す過去データがあるとする。そして、グラフ１３０１で示す過去データは、ゾーン１で最大電力が発生しており、グラフ１３０２で示す過去データは、ゾーン２で最大電力が発生しており、グラフ１３０３で示す過去データは、ゾーン３で最大電力が発生しているとする。そして、翌日の最大電力が発生する時間帯は、図１１の（４）で示したように、ゾーン１とする。この場合、電力需要予測装置１０１は、取得した過去データのうち、グラフ１３０１で示す過去データのみ収集する。

図１２の説明に戻り、電力需要予測装置１０１は、収集した過去データに基づいて、需要予測を示す電力波形を作成する（ステップＳ１２０３）。ステップＳ１２０３の処理終了後、電力波形作成処理を終了する。

（最大電力予測部４０６の処理）
次に、最大電力予測部４０６による最大電力予測処理について、図１４、図１５を用いて説明する。

図１４は、最大電力予測処理手順の一例を示すフローチャートである。また、図１５は、最大電力予測処理の動作例を示す説明図である。図１４で示すステップＳ１４０２〜Ｓ１４０５について、図１５を用いて説明を行う。最大電力予測処理は、過去データから、予測対象日となる翌日における最大電力を予測する処理である。

電力需要予測装置１０１は、実績ＤＢ４１１を参照して、予測日から過去Ｍ日分の過去データを取得する（ステップＳ１４０１）。

次に、電力需要予測装置１０１は、取得した過去データから、最大電力を目的変数、最大電力以外の項目を説明変数としたデータセットを作成する（ステップＳ１４０２）。最大電力以外の項目は、実績ＤＢ４１１に蓄えられた情報のうちの消費電力を除く情報であり、例えば気象情報である。ステップＳ１４０２について、図１５を用いて説明する。図１５の（１）では、目的変数が最大電力であり、説明変数が、最高気温、代表湿度、代表天気である場合のデータセット１５０１を示す。図１５の（１）では、３つのデータ１５０１−１〜３を示す。ステップＳ１４０１において、Ｍ日分の過去データを取得するため、データセット１５０１に含まれるデータの個数は、Ｍとなる。

図１４の説明に戻り、電力需要予測装置１０１は、作成したデータセットに基づいて、重回帰分析による回帰分析モデルを生成（ステップＳ１４０３）。例えば、電力需要予測装置１０１は、回帰分析モデルとして、下記（１）式のようなモデルを生成する。

ｙ＝β₀＋β₁最大気温＋β₂代表湿度＋…＋β_nｘ …（１）

ここで、ｙは、最大電力である。β₀は、切片である。β₁は、説明変数となる最大気温の係数である。β₂は、説明変数となる代表湿度の係数である。β_nは、説明変数ｘの係数である。

図１４の説明に戻り、電力需要予測装置１０１は、翌日の気象情報を取得する（ステップＳ１４０４）。ステップＳ１４０４について、図１５の（２）を用いて説明する。電力需要予測装置１０１は、例えば気象庁のＷｅｂページにアクセスし、表１５１１に示すように、最高気温２４度、代表湿度８５％、代表天気「曇り」という翌日の気象情報を取得する。

図１４の説明に戻り、電力需要予測装置１０１は、生成した回帰分析モデルに、取得した翌日の気象情報を入力することにより、翌日の予測最大電力を特定する（ステップＳ１４０５）。ステップＳ１４０５の処理終了後、電力需要予測装置１０１は、最大電力予測処理を終了する。ステップＳ１４０５について、図１５の（３）を用いて説明する。電力需要予測装置１０１は、β₀〜β_nの値が決まった（１）式に、取得した翌日の気象情報を入力することにより、表１５１２で示すように、翌日の予測最大電力を１４８０［Ｗ］と特定する。

（需要予測部４０７の処理）
次に、需要予測部４０７による需要予測処理について、図１６を用いて説明する。

図１６は、需要予測処理手順の一例を示すフローチャートである。需要予測処理は、翌日の需要電力を予測する処理である。

電力需要予測装置１０１は、ステップＳ１４０５の処理で得られた、予測最大電力を取得する（ステップＳ１６０１）。例えば、電力需要予測装置１０１は、図１５で示した１４８０［Ｗ］を取得する。また、電力需要予測装置１０１は、ステップＳ１２０３の処理で得られた、需要予測を示す電力波形から最大電力を取得する（ステップＳ１６０２）。例えば、電力需要予測装置１０１は、需要予測を示す電力波形から、１３５０［Ｗ］を取得する。ここで、需要予測を示す電力波形について、ステップＳ１２０３の処理では、予測時間帯に最大電力となる過去データを用いて予測を行うが、予測時間帯という幅があるため平均化されるので、最大電力が低下することになる。従って、一般的に、ステップＳ１６０２で得られる値は、ステップＳ１６０１で得られる値より小さいものとなる。

そして、電力需要予測装置１０１は、ステップＳ１６０１の処理で得られた予測最大電力と、ステップＳ１６０２の処理で得られた最大電力とから、補正係数を算出する（ステップＳ１６０３）。例えば、電力需要予測装置１０１は、予測最大電力を最大電力で除することにより、補正係数を算出する。具体的には、電力需要予測装置１０１は、補正係数を、予測最大電力＝１４８０÷１３５０≒１．１と算出する。

次に、電力需要予測装置１０１は、作成した電力波形と、予測した最大電力との合成として、需要予測を示す電力波形に、補正係数を乗算する（ステップＳ１６０４）。ステップＳ１６０３の例を用いると、需要予測を示す電力波形を示す各電力に、補正係数として、１．１を乗算する。ステップＳ１６０４の処理終了後、電力需要予測装置１０１は、需要予測処理を終了する。

図１７は、予測値の精度評価方法の一例を示す説明図である。図１７で示すグラフ１７０１は、予測値の評価方法を説明するために、実測値と予測値とを比較したグラフである。グラフ１７０１の横軸は、３０分刻みの時刻を示す。グラフ１７０１の縦軸は、消費電力［Ｗ］を示す。そして、グラフ１７０１の実線が実測値を示し、グラフ１７０１の破線が予測値を示す。

予測値の精度評価方法として、実施の形態１では、ピーク時刻誤差、ピーク電力誤差率を用いる。ピーク時刻誤差は、実測値のピーク時刻と予測値のピーク時刻との差分である。ピーク電力誤差率は、実測値のピーク消費電力に対する、実測値のピーク消費電力と予測値のピーク消費電力との差分である。

例えば、図１７で示す予測値を評価すると、ピーク時刻誤差は、実測値のピーク時刻＝１１：００であり、予測値のピーク時刻＝１３：００であるから、１３−１１＝２［ｈ］となる。また、ピーク電力誤差率は、実測値のピーク消費電力＝１０００であり、予測値のピーク消費電力＝９５０であるから、（１０００−９５０）／１０００＊１００＝５［％］となる。

次に、図１７で示した精度評価方法を用いて、最大電力予測部により得られた最大電力で補正を行わない場合の予測値の精度評価を図１８で示し、補正を行う場合の予測値の精度評価を図１９で示す。また、図１８と図１９とで共通する説明として、ＳＶＭおよびステップワイズ法による重回帰分析を行う実施の形態１にかかる方法に対する一般的な方法を、ステップワイズ法による重回帰分析だけを行ったものとする。そして、実施の形態１にかかる方法と、一般的な方法とにおいて、学習データを１年分とし、上位３日について、精度評価を行う。従って、ピーク時刻誤差を、下記（２）式のように算出し、ピーク電力誤差率を、下記（３）式のように算出する。

ピーク時刻誤差＝Σ｜実測値のピーク時刻−予測値のピーク時刻｜÷３ …（２）
ピーク電力誤差率＝Σ｜実測値のピーク消費電力−予測値のピーク消費電力｜÷実測値のピーク消費電力×１００÷３ …（３）

ここで、（２）式、（３）式における「÷３」は、データの数から由来した値である。

図１８は、実施の形態１における予測値の精度評価例を示す説明図（その１）である。図１８に示す表１８０１は、事務所Ａ、Ｂ、工場Ｃについて、一般的な方法と、最大電力予測部による最大電力で補正を行わない場合の実施の形態１にかかる方法とについて、（２）式で求めたピーク時刻誤差と（３）式で求めたピーク電力誤差率とを示す。表１８０１が有するレコード１８０１−１は、事務所Ａに関するレコードであり、レコード１８０１−２は、事務所Ｂに関するレコードであり、レコード１８０１−３は、工場Ｃに関するレコードである。

表１８０１のピーク時刻誤差フィールド内の改善効果フィールドには、一般的な方法におけるピーク時刻誤差から、実施の形態１にかかる方法におけるピーク時刻誤差を引いた値が格納されている。同様に、表１８０１のピーク電力誤差率フィールド内の改善効果フィールドには、一般的な方法におけるピーク電力誤差率から、実施の形態１にかかる方法におけるピーク電力誤差率を引いた値が格納されている。

レコード１８０１−１〜３のピーク時刻誤差フィールド内の改善効果フィールドが示すように、全てのレコードで０以上であり、実施の形態１にかかる方法は、一般的な方法と比較して、ピークが発生する時刻の予測精度が向上していることがわかる。同様に、レコード１８０１−１〜３のピーク電力誤差率フィールド内の改善効果フィールドが示すように、全てのレコードで０以上であり、実施の形態１にかかる方法は、一般的な方法と比較して、ピーク電力の予測精度が向上していることがわかる。

図１９は、実施の形態１における予測値の精度評価例を示す説明図（その２）である。図１９に示す表１９０１は、事務所Ａ、Ｂ、工場Ｃについて、一般的な方法と、最大電力予測部による最大電力で補正を行う場合の実施の形態１にかかる方法とについて、（２）式で求めたピーク時刻誤差と（３）式で求めたピーク電力誤差率とを示す。表１９０１が有するレコード１９０１−１は、事務所Ａに関するレコードであり、レコード１９０１−２は、事務所Ｂに関するレコードであり、レコード１９０１−３は、工場Ｃに関するレコードである。

レコード１９０１−１〜３の２つの改善効果フィールドが示すように、実施の形態１にかかる方法は、一般的な方法と比較して、ピークが発生する時刻の予測精度、ピーク電力の予測精度ともに向上していることがわかる。

さらに、レコード１９０１−１〜３のピーク電力誤差率フィールド内の改善効果フィールドと、レコード１８０１−１〜３のピーク電力誤差率フィールド内の改善効果フィールドとを比較すると、レコード１９０１−１〜３の方が、数値が小さくなっている。このように、電力需要予測装置１０１は、最大電力予測部による最大電力で補正を行うことにより、ピーク電力の予測精度をさらに向上させることができる。

実施の形態１では、説明変数は気象情報であることを説明したが、これに限られない。図２０を用いて、説明変数の他の例について説明する。

図２０は、説明変数の他の例を示す説明図である。データセット２００１は、図１１で示したデータセット１１０１の代わりとなるものである。図２０で示すデータセット２００１は、３つのレコード２００１−１〜３を示す。そして、１つのレコードが１日分のデータを示す。データセット２００１では、説明変数として、図１１で説明した最高気温、代表湿度、代表天気に加え、生産予定数午前、生産予定数午後１、生産予定数午後２を示す。ここで、生産予定数午前、生産予定数午後１、生産予定数午後２とは、それぞれの時間帯におけるコンピュータの生産予定台数である。ここで、データセット２００１には、最高気温、代表湿度、代表天気が含まれるが、最高気温、代表湿度、代表天気がなくてもよい。

また、電力需要予測装置１０１は、データセット２００１を使用する際には、図１５で示した最大電力を予測する際にも、生産予定数午前、生産予定数午後１、生産予定数午後２を説明変数に加えたデータセットを作成する。

以上説明したように、電力需要予測装置１０１は、日ごとの最大電力となる時間帯と気象情報とから生成した判別モデルに、翌日の気象予測を入力して翌日の最大電力となる時間帯を特定し、その時間帯で最大電力となる実績から翌日の電力を予測する。これにより、電力需要予測装置１０１は、時間方向に関して予測に利用するデータを絞り込んでいるため、学習データが少なくとも、１日の中で最大電力となる時刻の予測精度の劣化を抑制することができる。また、電力需要予測装置１０１は、電力の方向、および時間方向の双方の予測精度を向上させることができる。

また、電力需要予測装置１０１は、翌日の電力の予測とは別に、最大電力を予測し、翌日の電力の予測を、予測した最大電力で補正してもよい。図１６で説明したように、翌日の電力の予測では、予測時間帯という幅があるために平均化されるので、最大電力が低下することになる。従って、電力需要予測装置１０１は、予測した最大電力で補正することにより、最大電力について、予測精度をより向上させることができる。

また、説明変数は、消費電力を消費した消費者の位置に応じた気象情報としてもよい。これにより、電力需要予測装置１０１は、消費電力が気象情報により影響されるものである際に、予測精度を向上させることができる。

また、説明変数は、消費電力を消費した消費者が生産する物の数でもよい。これにより、電力需要予測装置１０１は、消費電力が、消費者が生産する物の数により影響されるものである際に、予測精度を向上させることができる。

また、所定の期間および予測対象期間の長さが、１日間であるとしてもよい。これにより、電力需要予測装置１０１は、１日の中で最大電力となる時刻や、その時刻における最大電力を予測することができる。また、所定の期間および予測対象期間の長さが、１週間であるとしてもよい。これにより、電力需要予測装置１０１は、１週間の中で最大電力となる日の需要電力を予測することができる。電力需要予測装置１０１は、例えば、１週間の中で、週の先頭である月曜日や週末である金曜日等に最大電力となることを予測することができる。さらに、電力需要予測装置１０１は、最大電力となる曜日の最大電力を予測することができる。

（実施の形態２の説明）
実施の形態２では、実施の形態１よりさらに予測精度を向上させる方法について説明する。なお、実施の形態１において説明した箇所と同様の箇所については、同一符号を付して図示および説明を省略する。

図２１は、実施の形態２における電力需要予測装置２１０１の機能構成例を示す説明図である。電力需要予測装置２１０１は、制御部２１０２を有する。制御部２１０２は、外気温取得部４０１〜時間帯推定部４０３と、最大時間帯予測部２１０３と、電力波形作成部２１０４と、最大電力予測部４０６と、需要予測部４０７とを含む。制御部２１０２は、記憶装置に記憶されたプログラムをＣＰＵ２０１が実行することにより、各部の機能を実現する。記憶装置とは、具体的には、例えば、図２に示したＲＯＭ２０２、ＲＡＭ２０３、ディスク２０５などである。また、各部の処理結果は、ＲＡＭ２０３、ＣＰＵ２０１のレジスタや、ＣＰＵ２０１のキャッシュメモリ等に格納される。

また、電力需要予測装置２１０１は、第１記憶部４１０と、第２記憶部４１２とにアクセス可能である。第１記憶部４１０は、ＲＡＭ２０３、ディスク２０５といった記憶装置である。第１記憶部４１０は、実績ＤＢ４１１を有する。第２記憶部４１２は、実施の形態２にかかるプログラムを記憶する。実績ＤＢ４１１は、図１で説明した時刻別情報に相当する。第２記憶部４１２は、ＲＯＭ２０２やディスク２０５といった記憶装置である。

最大時間帯予測部２１０３は、実績ＤＢ４１１に含まれる、特定した時間帯で最大の消費電力となる時刻と、該当の時刻に対応付けられた説明変数の値とに対してブートストラップ法を実施する。ブートストラップ法の実施により、最大時間帯予測部２１０３は、時刻と説明変数の値とを含む第１の複数の組み合わせを生成する。この複数の組み合わせを、「第１の学習データ」と称する。また、ブートストラップ法は、ある標本集団から母集団の性質を推定するための方法である。具体的には、ブートストラップ法は、手元のデータのランダムサンプリングを行う。また、ブートストラップ法として、標本となるデータに対して、ランダムノイズを加えた平滑化ブートストラップ法を採用してもよい。ブートストラップ法の利点の１つとしては、母集団が正規分布に従うと仮定する、といった母集団が従う分布の仮定をしなくてよい点がある。

次に、最大時間帯予測部２１０３は、生成した第１の学習データに基づき、特定した時間帯を分割した複数の分割時間帯のうち消費電力が最大となる分割時間帯がいずれであるかを入力される説明変数により判別する判別モデルを生成する。以下、実施の形態１で説明した判別モデルと区別するため、複数の分割時間帯のうち消費電力が最大となる分割時間帯がいずれであるかを入力される説明変数により判別する判別モデルを、「分割時間帯判別モデル」と称する。ここで、特定した時間帯の分割数をＬとする。Ｌは、２以上の整数である。具体的には、最大時間帯予測部２１０３は、生成した第１の学習データから、１日の代表の気象情報を説明変数とし、１日の中で最大電力となる時刻が含まれる分割時間帯を目的変数とするデータセットを作成する。そして、最大時間帯予測部２１０３は、作成したデータセットに基づいて、分割時間帯判別モデルを生成する。そして、最大時間帯予測部２１０３は、生成した分割時間帯判別モデルを用いて、予測対象期間において最大の消費電力となる分割時間帯を特定する。

また、最大時間帯予測部２１０３は、実績ＤＢ４１１に含まれる、特定した時間帯で最大の消費電力となる時刻と、該当の時刻に対応付けられた説明変数の値とに基づき、特定した時間帯における時刻の信頼区間を算出してもよい。ここで、信頼区間は、ある確率で母平均が含まれる範囲である。ある確率としては、例えば、９５［％］や９９［％］が使用される。特定した時間帯における時刻の信頼区間を、「基準信頼区間」と呼称する。

次に、最大時間帯予測部２１０３は、実績ＤＢ４１１に基づき、特定した時間帯のうちのいずれかの分割時間帯で最大の消費電力となる時刻と、該当の時刻に対応付けられた説明変数の値に対してブートストラップ法を実施する。ブートストラップ法を実施することにより、最大時間帯予測部２１０３は、時刻と説明変数の値とを含む第２の学習データを生成する。例えば、特定した時間帯がゾーン１であり、Ｌ＝３として、ゾーン１を、ゾーン１−１、１−２、１−３と分割したとする。この場合、例えば、最大時間帯予測部２１０３は、ゾーン１−１、１−２のいずれかで最大の消費電力となる時刻と、該当の時刻に対応付けられた説明変数の値に対してブートストラップ法を実施する。また、最大時間帯予測部２１０３は、分割時間帯が取り得る全ての組み合わせのそれぞれに対して、ブートストラップ法を実施してもよい。

そして、最大時間帯予測部２１０３は、第１の学習データに基づき第１の学習データにおける時刻の信頼区間を算出するとともに、第２の学習データに基づき第２の学習データにおける時刻の信頼区間を算出する。以下、第１の学習データにおける時刻の信頼区間を、「第１信頼区間」と称し、第２の学習データにおける時刻の信頼区間を、「第２信頼区間」と称する。

次に、最大時間帯予測部２１０３は、算出した第１信頼区間および基準信頼区間の差と、算出した第２信頼区間および基準信頼区間の差との比較結果に基づいて、第１の学習データまたは第２の学習データからいずれかの学習データを特定する。２つの信頼区間の差を、「信頼区間差」と称する。具体的には、最大時間帯予測部２１０３は、信頼区間差を、下記（４）式に基づいて算出する。

信頼区間差＝｜基準信頼区間の下限値−第１信頼区間または第２信頼区間の下限値｜＋｜基準信頼区間の上限値−第１信頼区間または第２信頼区間の上限値｜…（４）

ただし、｜ｘ｜は、ｘの絶対値を示す。信頼区間差が小さいほど、比較対象の信頼区間が基準信頼区間と類似することになる。従って、最大時間帯予測部２１０３は、信頼区間差が小さい組み合わせを特定する。

そして、最大時間帯予測部２１０３は、特定したいずれかの学習データに基づき、分割時間帯判別モデルを生成する。そして、最大時間帯予測部２１０３は、生成した分割時間帯判別モデルを用いて、予測対象期間において最大の消費電力となる分割時間帯を特定する。

電力波形作成部２１０４は、実績ＤＢ４１１に記憶された消費電力情報のうち、最大時間帯予測部２１０３で予測した予測分割時間帯で最大の消費電力となる所定の期間の消費電力情報に基づいて、予測対象期間における電力波形を作成する。

図２２は、実施の形態２における電力需要予測処理例を示す説明図である。実施の形態２における電力需要予測処理は、実施の形態１における電力需要予測処理と比較して、ステップＳ２２０２で示す処理だけが異なるため、ステップＳ２２０２で示す処理だけを説明する。

最大時間帯予測部２１０３は、判別分析によって、日の最大電力が発生する時間帯を特定する。さらに、最大時間帯予測部２１０３は、ブートストラップ法によって、特定した時間帯から、時間帯を分割した分割時間帯へ絞り込み、絞り込んだ分割時間帯に発生する実績情報を学習情報として回帰分析を行うことにより、需要予測する（ステップＳ２２０２）。

図２３は、実施の形態２における電力需要予測処理手順の一例を示すフローチャートである。電力需要予測装置１０１は、図２３に示すステップＳ２３０１〜Ｓ２３０４の処理と、ステップＳ２３０５の処理とを、独立に実行することができる。ここで、ステップＳ３０１、Ｓ２３０２、Ｓ２３０５、Ｓ２３０６の処理は、それぞれ、図６に示したステップＳ６０１、Ｓ６０２、Ｓ６０４、Ｓ６０５の処理と一致するため、説明を省略する。

ステップＳ２３０２の処理終了後、電力需要予測装置２１０１は、最大時間帯予測部２１０３が有する機能により、最大分割時間帯予測処理を実行する（ステップＳ２３０３）。最大分割時間帯予測処理については、図２４〜図２６で説明する。そして、電力需要予測装置２１０１は、電力波形作成部４０５が有する機能により、実施の形態２における電力波形作成処理を実行する（ステップＳ２３０４）。実施の形態２における電力波形作成処理については、図２７で説明する。

（最大分割時間帯予測処理）
次に、最大分割時間帯予測処理について、図２４〜図２６を用いて説明する。

図２４は、最大分割時間帯予測処理手順の一例を示すフローチャートである。また、図２５は、最大分割時間帯予測処理の動作例を示す説明図（その１）である。また、図２６は、最大分割時間帯予測処理の動作例を示す説明図（その２）である。最大分割時間帯予測処理は、ブートストップ法を用いて、特定した予測時間帯から、最大の消費電力となる分割時間帯を絞り込む処理である。

図２４で示すステップＳ２４０１〜Ｓ２４０３については、図２５を用いて説明し、図２４で示すステップＳ２４０５、Ｓ２４１２については、図２６を用いて説明する。また、電力需要予測装置２１０１は、ステップＳ２４０１〜Ｓ２４０４の処理と、ステップＳ２４０５〜Ｓ２４１１の処理とを独立に実行することができる。ここで、図２４で示すステップＳ２４０１〜Ｓ２４０４の処理は、図２１で説明した第１信頼区間に関する処理である。一方で、図２４で示すステップＳ２４０５〜Ｓ２４１１の処理は、図２１で説明した第２信頼区間に関する処理である。

電力需要予測装置２１０１は、ステップＳ１００４で特定した予測時間帯に対して、ブートストラップ法を実施し、第１の学習データを作成する（ステップＳ２４０１）。ステップＳ２４０１について、図２５の（１）を用いて説明する。図２５の（１）で示すグラフ２５０１は、ステップＳ１００４で特定した予測時間帯がゾーン１の際に、ブートストラップ法を実施する前の状態を示し、グラフ２５０１’は、ブートストラップ法を実施した後の状態を示す。電力需要予測装置２１０１は、実績ＤＢ４１１を参照して、予測日から過去Ｍ日分の過去データのうち、ゾーン１が最大電力となった日のゾーン１のデータを抽出する。そして、電力需要予測装置２１０１は、抽出したデータに対して、ブートストラップ法を実施する。

図２４の説明に戻り、ステップＳ２４０１の処理終了後、電力需要予測装置２１０１は、１日の代表の気象情報を説明変数とし、Ｌ個の分割時間帯のうち、１日の中で最大の消費電力となる時刻が含まれる分割時間帯を目的変数とするデータセットを作成する（ステップＳ２４０２）。ステップＳ２４０２について、図２５の（２）を用いて説明する。図２５の（２）では、目的変数が分割時間帯であり、説明変数が、最高気温、代表湿度、代表天気である場合のデータセット２５０２を示す。図２５の（２）では、３つのレコード２５０２−１〜３を示す。具体的には、電力需要予測装置１０１は、ステップＳ２４０１の処理によって作成した第１の学習データから、最大の消費電力となる時刻が含まれる最大分割時間帯と、最高気温と、代表湿度、代表天気とを、分割時間帯判別モデルのデータセットとして作成する。

図２４の説明に戻り、ステップＳ２４０２の処理終了後、電力需要予測装置２１０１は、作成したデータセットに基づいて、分割時間帯判別モデルを生成する（ステップＳ２４０３）。ステップＳ２４０３について、図２５の（３）を用いて説明する。図２５の（３）で示すグラフ２５０３は、図面上での表示のし易さのため説明変数を最高気温と代表湿度とし、目的変数を分割時間帯とした際に、生成した判別モデルと、データセット２５０２との関係を示す。また、Ｌ＝３であるとする。ここで、グラフ２５０３で示すように、生成した分割時間帯判別モデルは、ゾーン１−１、１−２、１−３の境界となる直線２５０４〜２５０６で示される。グラフ２５０３内にプロットした三角形、ひし形、四角形は、データセット２５０２の各データを示す。

図２４の説明に戻り、ステップＳ２４０３の処理終了後、電力需要予測装置２１０１は、生成した分割時間帯判別モデルを用いて、翌日の最大電力になる予測分割時間帯を特定する（ステップＳ２４０４）。具体的には、電力需要予測装置２１０１は、図１０で求めた翌日の最大電力になる予測時間帯を特定する方法と同様に、生成した分割時間帯判別モデルに、取得した翌日の気象情報を入力することにより、翌日の最大電力になる予測分割時間帯を特定する。

一方、電力需要予測装置２１０１は、ステップＳ１００４で特定した予測時間帯をＬ分割したＬ個の分割時間帯から、学習データのフィルタリングの組み合わせとして、いずれかの分割時間帯を抽出する組み合わせを作成する（ステップＳ２４０５）。ステップＳ２４０５について、図２６を用いて説明する。図２６で示す表２６０１は、電力需要予測装置２１０１が、Ｌ＝３とした場合における、３個の分割時間帯から、いずれかの分割時間帯を抽出する全ての組み合わせを作成した場合の例を示す。図２６に示す表２６０１は、レコード２６０１−１〜７を有する。なお、レコード２６０１−１は、３個の分割時間帯から、全ての分割時間帯を抽出した組み合わせを示し、実質、ステップＳ２４０１が示す学習データとなるため、ステップＳ２４０５で作成される組み合わせに含まなくてよい。

また、レコード２６０１−２〜４は、３個の分割時間帯から、２つの分割時間帯を抽出する組み合わせを示し、レコード２６０１−５〜７は、３個の分割時間帯から、１つの分割時間帯を抽出する組み合わせを示す。電力需要予測装置２１０１は、学習データのフィルタリングの組み合わせとして、ゾーン１−１、１−２と、ゾーン１−２、１−３と、ゾーン１−１、１−３と、ゾーン１−１と、ゾーン１−２と、ゾーン１−３という６つの組み合わせを作成する。

図２６の例では、電力需要予測装置２１０１は、Ｌ個の分割時間帯から、いずれかの分割時間帯を抽出する全ての組み合わせを作成したが、これに限らない。例えば、電力需要予測装置２１０１は、Ｌ個の分割時間帯から、所定数以上の分割時間帯を抽出する組み合わせを作成してもよい。

図２４の説明に戻り、ステップＳ２４０５の処理終了後、電力需要予測装置２１０１は、作成した組み合わせの数分、ステップＳ２４０６〜Ｓ２４１１の処理を繰り返す。電力需要予測装置２１０１は、組み合わせに含まれる分割時間帯に対して、ブートストラップ法を実施し、第２の学習データを作成する（ステップＳ２４０７）。

そして、電力需要予測装置２１０１は、作成した第２の学習データから、１日の代表の気象情報を説明変数とし、Ｌ個の分割時間帯のうち、１日の中で最大の消費電力となる時刻が含まれる分割時間帯を目的変数とするデータセットを作成する（ステップＳ２４０８）。次に、電力需要予測装置２１０１は、作成したデータセットに基づいて、分割時間帯判別モデルを生成する（ステップＳ２４０９）。そして、電力需要予測装置２１０１は、生成した分割時間帯判別モデルを用いて、翌日の最大電力になる予測分割時間帯を特定する（ステップＳ２４１０）。予測分割時間帯を特定する方法は、ステップＳ２４０４の処理と同一であるため、説明を省略する。

ステップＳ２４０８の処理、かつ、作成した組み合わせの数分、ステップＳ２４０６〜Ｓ２４１１の処理を繰り返したとする。この後、電力需要予測装置２１０１は、第１信頼区間における信頼区間差と、第２信頼区間における各組み合わせの信頼区間差とから、学習データをフィルタリングする組み合わせを特定する（ステップＳ２４１２）。ステップＳ２４１１について、図２６を用いて説明する。電力需要予測装置２１０１は、第１信頼区間における信頼区間差と、第２信頼区間における各組み合わせの信頼区間差とを（４）式に基づいて算出し、算出した信頼区間差の値が最も小さい組み合わせを、学習データをフィルタリングする組み合わせとして特定する。図２６の例では、信頼区間差が最も小さいゾーン１−１、１−３を、学習データをフィルタリングする組み合わせとして特定する。

ここで、（４）式について、図２６を用いて説明する。図２６の右上で示すグラフ２６０２は、実施の形態１に相当し、ゾーン１が最大電力となった日のゾーン１のデータの分布を示す。グラフ２６０２内の網掛けを付与した９５％信頼区間が、基準信頼区間となる。また、図２６の右下で示すグラフ２６０３は、レコード２６０１−１〜７のいずれかが示す分割時間帯でブートストラップ法を実施した後のデータの分布を示す。グラフ２６０３内の網掛けを付与した９５％信頼区間が、第１信頼区間または第２信頼区間となる。（１）式で求められる信頼区間差は、グラフ２６０２の９５％信頼区間の下限値とグラフ２６０３の９５％信頼区間の下限値との差の絶対値と、グラフ２６０２の９５％信頼区間の上限値とグラフ２６０３の９５％信頼区間の上限値との差の絶対値との合計となる。

なお、図２４で示したフローチャートでは、ステップＳ２４０４、Ｓ２４１０で、予測分割時間帯を特定したが、これに限らない。例えば、電力需要予測装置２１０１は、ステップＳ２４０３、Ｓ２４０４、Ｓ２４０９、Ｓ２４１０の処理を行わず、ステップＳ２４１２で特定した組み合わせに対して、分割時間帯判別モデルを生成し、予測分割時間帯を特定してもよい。

また、図２４で示したフローチャートでは、第１信頼区間と第２信頼区間とを独立に求めたが、これに限らない。例えば、電力需要予測装置２１０１は、ステップＳ２４０１〜Ｓ２４０４の処理を実行し、第１信頼区間の信頼区間差が所定値以下であれば、学習データをフィルタリングする組み合わせを、全ての分割時間帯としてもよい。

一方、第１信頼区間の信頼区間差が所定値より大きい場合、電力需要予測装置２１０１は、ステップＳ２４０５〜Ｓ２４１１の処理を実行し、第１信頼区間および第２信頼区間の信頼区間差を比較し、最も小さい信頼区間差となる組み合わせを特定してもよい。このとき、ステップＳ２４０５の処理について、電力需要予測装置２１０１は、Ｌ個の分割時間帯から、Ｌ−１個の分割時間帯を抽出する組み合わせだけを作成してもよい。さらに、Ｌ−１個の分割時間帯を抽出する組み合わせだけを作成したとする。このとき、第１信頼区間の信頼区間差と第２信頼区間の信頼区間差との全てが所定値以上であれば、電力需要予測装置２１０１は、Ｌ個の分割時間帯から、Ｌ−２個の分割時間帯を抽出する組み合わせを作成し、作成した組み合わせに対応する信頼区間差を算出する。このように、電力需要予測装置２１０１は、抽出する分割時間帯の数を１つずつ減らしていってもよい。

図２７は、実施の形態２における電力波形作成処理手順の一例を示すフローチャートである。ここで、図２７に示すステップＳ２７０１、Ｓ２７０３の処理は、図１２で示したステップＳ１２０１、Ｓ１２０３の処理と同一であるため、説明を省略する。

ステップＳ２７０１の処理終了後、電力需要予測装置２１０１は、ステップＳ２４１２の処理で特定した組み合わせについて、ステップＳ２４１０の処理で特定した予測分割時間帯に最大電力となる過去データのみ収集する（ステップＳ２７０２）。そして、電力需要予測装置２１０１は、ステップＳ２７０３の処理を実行する。

図２８は、実施の形態２における予測結果の精度評価例を示す説明図である。図２８に示す表２８０１は、実施の形態１にかかる方法と、実施の形態２にかかる方法と、一般的な方法とについて、予測結果として、最大電力となる時刻を比較した例を示す。さらに、実施の形態２にかかる方法については、信頼区間差をさらに示す。表２８０１は、レコード２８０１−１〜７を有する。ここで、レコード２８０１−１は、実施の形態１にかかる方法に関するレコードである。また、レコード２８０１−２〜６は、実施の形態２にかかる方法に関するレコードである。また、レコード２８０１−７は、一般的な方法に関するレコードである。また、図２８において、正解となる時刻が、ゾーン２に含まれる１４：００であるとする。

電力需要予測装置２１０１は、レコード２８０１−２〜６のうち、信頼区間差が最小であるレコード２８０１−４がゾーン２−１、２−３、２−４を学習データに決定する。ゾーン２−１、２−３、２−４を学習データに決定した場合、電力需要予測装置２１０１は、最大電力となる時刻が１４：００であると決定する。

図２８で示すように、レコード２８０１−１が示す予測結果や、レコード２８０１−４が示す予測結果は、一般的な方法による予測結果と比較すると、正解の時刻により近い。従って、実施の形態１、２にかかる方法は、一般的な方法と比較して、予測精度がより向上していることがわかる。さらに、レコード２８０１−４が示す予測結果は、レコード２８０１−１が示す予測結果と比較すると、正解の時刻により近い。従って、実施の形態２にかかる方法は、実施の形態１にかかる方法と比較して、予測精度がより向上していることがわかる。

以上説明したように、電力需要予測装置２１０１は、翌日の最大電力となると特定した時間帯で最大の消費電力となる時刻と、該当の時刻に対応付けられた説明変数の値とに対してブートストラップ法を実施し、最大の消費電力となる時間をさらに絞り込んでもよい。これにより、電力需要予測装置２１０１は、実施の形態１と比較して、予測精度をさらに向上させることができる。

また、電力需要予測装置２１０１は、第１の学習データの信頼区間差と、第２の学習データの信頼区間差との比較結果から特定した学習データに基づき、分割時間帯判別モデルを生成してもよい。これにより、電力需要予測装置２１０１は、信頼区間が元データに最も類似するデータを学習データとするため、より予測精度を向上することができる。

そして、電力需要予測装置２１０１は、実施の形態１と比較して、予測精度がさらに向上することにより、節電対策によって年間最大電力を上げるリスクをさらに減らすことができる。

なお、実施の形態１、２で説明した電力需要予測方法は、予め用意されたプログラムをパーソナル・コンピュータやワークステーション等のコンピュータで実行することにより実現することができる。本電力需要予測プログラムは、ハードディスク、フレキシブルディスク、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ−Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）等のコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行される。また本電力需要予測プログラムは、インターネット等のネットワークを介して配布してもよい。

上述した実施の形態１、２に関し、さらに以下の付記を開示する。

（付記１）コンピュータに、
単位時間当たりの消費電力を示す消費電力情報、および、前記消費電力が最大となる時間帯を目的変数とする説明変数の値が時刻に対応付けられて蓄積された時刻別情報に基づき、所定の期間ごとに、前記所定の期間を区切った複数の時間帯のうちの最大の消費電力となった時間帯を特定し、
前記所定の期間ごとに特定した時間帯と前記所定の期間ごとの前記説明変数の値とに基づいて、入力される説明変数により消費電力が最大となる時間帯が前記複数の時間帯のいずれであるかを判別する判別モデルを生成し、
前記判別モデルを用いて、予測対象期間において最大の消費電力となる時間帯を特定し、
前記消費電力情報のうち、特定した前記時間帯で最大の消費電力となる前記所定の期間の消費電力情報に基づいて、前記予測対象期間における需要電力の傾向を特定する、
処理を実行させる電力需要予測プログラム。

（付記２）前記コンピュータに、
前記所定の期間ごとの最大の消費電力と、前記所定の期間ごとの前記説明変数の値とに基づいて、入力される説明変数により最大の消費電力を出力するモデルを生成し、
生成した前記モデルを用いて、前記予測対象期間における最大の消費電力を特定し、
特定した前記予測対象期間における需要電力の傾向を、特定した前記予測対象期間における最大の消費電力で補正する、
処理を実行させる付記１に記載の電力需要予測プログラム。

（付記３）前記コンピュータに、
前記時刻別情報に含まれる、特定した前記時間帯で最大の消費電力となる時刻と、当該時刻に対応付けられた説明変数の値とに対してブートストラップ法を実施することにより、時刻と説明変数の値とを含む第１の複数の組み合わせを生成し、
生成した前記第１の複数の組み合わせに基づき、特定した前記時間帯を分割した複数の分割時間帯のうち消費電力が最大となる分割時間帯がいずれであるかを入力される説明変数により判別する判別モデルを生成し、
当該判別モデルを用いて、前記予測対象期間において最大の消費電力となる分割時間帯を特定し、
前記消費電力情報のうち、特定した前記分割時間帯で最大の消費電力となる前記所定の期間の消費電力情報に基づいて、前記予測対象期間における需要電力の傾向を特定する、
処理を実行させる付記１または２に記載の電力需要予測プログラム。

（付記４）前記コンピュータに、
前記時刻別情報に含まれる、特定した前記時間帯で最大の消費電力となる時刻と、当該時刻に対応付けられた説明変数の値とに基づき、前記時間帯における時刻の信頼区間を算出し、
前記時刻別情報に基づき、特定した前記時間帯のうちのいずれかの分割時間帯で最大の消費電力となる時刻と、当該時刻に対応付けられた説明変数の値に対してブートストラップ法を実施することにより、時刻と説明変数の値とを含む第２の複数の組み合わせを生成し、
前記第１の複数の組み合わせに基づき前記第１の複数の組み合わせにおける時刻の信頼区間を算出するとともに、前記第２の複数の組み合わせに基づき前記第２の複数の組み合わせにおける時刻の信頼区間を算出し、
算出した前記第１の複数の組み合わせにおける時刻の信頼区間および前記時間帯における時刻の信頼区間の差と、算出した前記第２の複数の組み合わせにおける時刻の信頼区間および前記時間帯における時刻の信頼区間の差との比較結果に基づいて、前記第１の複数の組み合わせまたは前記第２の複数の組み合わせから、いずれかの複数の組み合わせを特定し、
特定した前記いずれかの複数の組み合わせに基づき、前記複数の分割時間帯のうち消費電力が最大となる分割時間帯がいずれであるかを入力される説明変数により判別する判別モデルを生成する、
処理を実行させる付記３に記載の電力需要予測プログラム。

（付記５）前記説明変数は、前記消費電力を消費した消費者の位置に応じた気象情報であることを特徴とする付記１〜４のいずれか一つに記載の電力需要予測プログラム。

（付記６）前記気象情報は、前記所定の期間または前記予測対象期間における最大電力、代表湿度、代表天気であることを特徴とする付記５に記載の電力需要予測プログラム。

（付記７）前記説明変数は、前記消費電力を消費した消費者が生産する物の数であることを特徴とする付記１〜４のいずれか一つに記載の電力需要予測プログラム。

（付記８）前記所定の期間および前記予測対象期間の長さは、１日間であることを特徴とする付記１〜７のいずれか一つに記載の電力需要予測プログラム。

（付記９）前記所定の期間および前記予測対象期間の長さは、１週間であることを特徴とする付記１〜７のいずれか一つに記載の電力需要予測プログラム。

（付記１０）単位時間当たりの消費電力を示す消費電力情報、および、前記消費電力が最大となる時間帯を目的変数とする説明変数の値が時刻に対応付けられて蓄積された記憶部を参照して、所定の期間ごとに、前記所定の期間を区切った複数の時間帯のうちの最大の消費電力となった時間帯を特定し、
前記記憶部を参照して、前記所定の期間ごとに特定した時間帯と前記所定の期間ごとの前記説明変数の値とに基づいて、入力される説明変数により消費電力が最大となる時間帯が前記複数の時間帯のいずれであるかを判別する判別モデルを生成し、
前記判別モデルを用いて、予測対象期間において最大の消費電力となる時間帯を特定し、
前記記憶部に記憶された前記消費電力情報のうち、特定した前記時間帯で最大の消費電力となる前記所定の期間の消費電力情報に基づいて、前記予測対象期間における需要電力の傾向を特定する、
制御部を有する電力需要予測装置。

（付記１１）コンピュータが、
単位時間当たりの消費電力を示す消費電力情報、および、前記消費電力が最大となる時間帯を目的変数とする説明変数の値が時刻に対応付けられて蓄積された記憶部を参照して、所定の期間ごとに、前記所定の期間を区切った複数の時間帯のうちの最大の消費電力となった時間帯を特定し、
前記記憶部を参照して、前記所定の期間ごとに特定した時間帯と前記所定の期間ごとの前記説明変数の値とに基づいて、入力される説明変数により消費電力が最大となる時間帯が前記複数の時間帯のいずれであるかを判別する判別モデルを生成し、
前記判別モデルを用いて、予測対象期間において最大の消費電力となる時間帯を特定し、
前記記憶部に記憶された前記消費電力情報のうち、特定した前記時間帯で最大の消費電力となる前記所定の期間の消費電力情報に基づいて、前記予測対象期間における需要電力の傾向を特定する、
処理を実行する電力需要予測方法。

１０１、２１０１ 電力需要予測装置
１０２ 消費電力情報
４００、２１０２ 制御部
４０１ 外気温取得部
４０２ 消費電力取得部
４０３ 時間帯推定部
４０４、２１０３ 最大時間帯予測部
４０５、２１０４ 電力波形作成部
４０６ 最大電力予測部
４０７ 需要予測部

Claims (10)

1. コンピュータに、
   単位時間当たりの消費電力を示す消費電力情報、および、前記消費電力が最大となる時間帯を目的変数とする説明変数の値が時刻に対応付けられて蓄積された時刻別情報に基づき、所定の期間ごとに、前記所定の期間を区切った複数の時間帯のうちの最大の消費電力となった時間帯を特定し、
   前記所定の期間ごとに特定した時間帯と前記所定の期間ごとの前記説明変数の値とに基づいて、入力される説明変数により消費電力が最大となる時間帯が前記複数の時間帯のいずれであるかを判別する判別モデルを生成し、
   前記判別モデルを用いて、予測対象期間において最大の消費電力となる時間帯を特定し、
   前記消費電力情報のうち、特定した前記時間帯で最大の消費電力となる前記所定の期間の消費電力情報に基づいて、前記予測対象期間における需要電力の傾向を特定する、
   処理を実行させる電力需要予測プログラム。
2. 前記コンピュータに、
   前記所定の期間ごとの最大の消費電力と、前記所定の期間ごとの前記説明変数の値とに基づいて、入力される説明変数により最大の消費電力を出力するモデルを生成し、
   生成した前記モデルを用いて、前記予測対象期間における最大の消費電力を特定し、
   特定した前記予測対象期間における需要電力の傾向を、特定した前記予測対象期間における最大の消費電力で補正する、
   処理を実行させる請求項１に記載の電力需要予測プログラム。
3. 前記コンピュータに、
   前記時刻別情報に含まれる、特定した前記時間帯で最大の消費電力となる時刻と、当該時刻に対応付けられた説明変数の値とに対してブートストラップ法を実施することにより、時刻と説明変数の値とを含む第１の複数の組み合わせを生成し、
   生成した前記第１の複数の組み合わせに基づき、特定した前記時間帯を分割した複数の分割時間帯のうち消費電力が最大となる分割時間帯がいずれであるかを入力される説明変数により判別する判別モデルを生成し、
   当該判別モデルを用いて、前記予測対象期間において最大の消費電力となる分割時間帯を特定し、
   前記消費電力情報のうち、特定した前記分割時間帯で最大の消費電力となる前記所定の期間の消費電力情報に基づいて、前記予測対象期間における需要電力の傾向を特定する、
   処理を実行させる請求項１または２に記載の電力需要予測プログラム。
4. 前記コンピュータに、
   前記時刻別情報に含まれる、特定した前記時間帯で最大の消費電力となる時刻と、当該時刻に対応付けられた説明変数の値とに基づき、前記時間帯における時刻の信頼区間を算出し、
   前記時刻別情報に基づき、特定した前記時間帯のうちのいずれかの分割時間帯で最大の消費電力となる時刻と、当該時刻に対応付けられた説明変数の値に対してブートストラップ法を実施することにより、時刻と説明変数の値とを含む第２の複数の組み合わせを生成し、
   前記第１の複数の組み合わせに基づき前記第１の複数の組み合わせにおける時刻の信頼区間を算出するとともに、前記第２の複数の組み合わせに基づき前記第２の複数の組み合わせにおける時刻の信頼区間を算出し、
   算出した前記第１の複数の組み合わせにおける時刻の信頼区間および前記時間帯における時刻の信頼区間の差と、算出した前記第２の複数の組み合わせにおける時刻の信頼区間および前記時間帯における時刻の信頼区間の差との比較結果に基づいて、前記第１の複数の組み合わせまたは前記第２の複数の組み合わせから、いずれかの複数の組み合わせを特定し、
   特定した前記いずれかの複数の組み合わせに基づき、前記複数の分割時間帯のうち消費電力が最大となる分割時間帯がいずれであるかを入力される説明変数により判別する判別モデルを生成する、
   処理を実行させる請求項３に記載の電力需要予測プログラム。
5. 前記説明変数は、前記消費電力を消費した消費者の位置に応じた気象情報であることを特徴とする請求項１〜４のいずれか一つに記載の電力需要予測プログラム。
6. 前記説明変数は、前記消費電力を消費した消費者が生産する物の数であることを特徴とする請求項１〜４のいずれか一つに記載の電力需要予測プログラム。
7. 前記所定の期間および前記予測対象期間の長さは、１日間であることを特徴とする請求項１〜６のいずれか一つに記載の電力需要予測プログラム。
8. 前記所定の期間および前記予測対象期間の長さは、１週間であることを特徴とする請求項１〜６のいずれか一つに記載の電力需要予測プログラム。
9. 単位時間当たりの消費電力を示す消費電力情報、および、前記消費電力が最大となる時間帯を目的変数とする説明変数の値が時刻に対応付けられて蓄積された記憶部を参照して、所定の期間ごとに、前記所定の期間を区切った複数の時間帯のうちの最大の消費電力となった時間帯を特定し、
   前記記憶部を参照して、前記所定の期間ごとに特定した時間帯と前記所定の期間ごとの前記説明変数の値とに基づいて、入力される説明変数により消費電力が最大となる時間帯が前記複数の時間帯のいずれであるかを判別する判別モデルを生成し、
   前記判別モデルを用いて、予測対象期間において最大の消費電力となる時間帯を特定し、
   前記記憶部に記憶された前記消費電力情報のうち、特定した前記時間帯で最大の消費電力となる前記所定の期間の消費電力情報に基づいて、前記予測対象期間における需要電力の傾向を特定する、
   制御部を有する電力需要予測装置。
10. コンピュータが、
    単位時間当たりの消費電力を示す消費電力情報、および、前記消費電力が最大となる時間帯を目的変数とする説明変数の値が時刻に対応付けられて蓄積された記憶部を参照して、所定の期間ごとに、前記所定の期間を区切った複数の時間帯のうちの最大の消費電力となった時間帯を特定し、
    前記記憶部を参照して、前記所定の期間ごとに特定した時間帯と前記所定の期間ごとの前記説明変数の値とに基づいて、入力される説明変数により消費電力が最大となる時間帯が前記複数の時間帯のいずれであるかを判別する判別モデルを生成し、
    前記判別モデルを用いて、予測対象期間において最大の消費電力となる時間帯を特定し、
    前記記憶部に記憶された前記消費電力情報のうち、特定した前記時間帯で最大の消費電力となる前記所定の期間の消費電力情報に基づいて、前記予測対象期間における需要電力の傾向を特定する、
    処理を実行する電力需要予測方法。

Images