JP6752369B1

JP6752369B1 - 取引価格予測装置および取引価格予測方法

Info

Publication number: JP6752369B1
Application number: JP2019528782A
Authority: JP
Inventors: 飛仙平田
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2018-11-30
Filing date: 2018-11-30
Publication date: 2020-09-09
Anticipated expiration: 2038-11-30
Also published as: CN113168656A; CN113168656B; DE112018008094T5; US20210264483A1; WO2020110297A1; JPWO2020110297A1

Abstract

取引価格予測装置（１）は、買入札量を予測する第１の予測モデルを用いて予測対象日時における買入札量を予測し、取引価格を予測する第２の予測モデルを用いて予測対象日時における取引価格を予測する。

Description

本発明は、卸商品取引市場における商品の取引価格を予測する取引価格予測装置および取引価格予測方法に関する。

近年では、卸電力取引市場が活性化しており、電力取引価格予測へのニーズが高まっている。電力の約定価格および約定量は、入札当日における、電力の売入札量と売入札価格との関係を示す売入札曲線と、電力の買入札量と買入札価格との関係を示す買入札曲線との交点で決定される。

一方、日本卸電力取引市場（以下、ＪＥＰＸと記載する）のスポット市場は、ブラインドシングルプライスオークション方式という約定方式が採用されており、電力の入札動向が非公開である。このため、入札者は、入札当日の入札曲線の実態を把握できない。

これに対して、特許文献１に記載された入札支援システムでは、予め与えられた市場の電力供給曲線と電力需要曲線に対して、市場において落札される電力量あるいは収益あるいは供給高が最大になるように入札曲線を推定している。このように推定された入札曲線を用いることで、入札者は、入札動向が非公開の市場であっても、電力の取引価格を予測することができる。

特開２００５−３３９５２７号公報

電力の入札動向が非公開であると、特許文献１に記載された入札支援システムによって推定された入札曲線では、予測対象日時における取引状況を反映しているかどうかが把握できず、取引市場における予測結果の妥当性を判断できないという課題があった。

本発明は上記課題を解決するものであり、予測対象日時における取引状況が反映された取引価格の予測を行うことができる取引価格予測装置および取引価格予測方法を得ることを目的とする。

本発明に係る取引価格予測装置は、買入札量と需要量に影響を与える条件との相関に基づいて買入札量を予測する第１の予測モデルに対して、予測対象日時における需要量に影響を与える条件の予測値を適用することで、予測対象日時における買入札量を予測する第１の予測部と、取引価格を予測する第２の予測モデルに対して、第１の予測部によって予測された買入札量と、予測対象日時における需要量に影響を与える条件の予測値とを適用することで、予測対象日時における取引価格を予測する第２の予測部とを備え、買入札量の実績値を含む情報と、需要量に影響を与える条件の実績値を含む情報とを用いて、第１の予測モデルとして、需要量に影響を与える条件に応じた買入札量を予測する予測モデルを学習する第１のモデル学習部と、買入札量の実績値と取引価格の実績値と需要量に影響を与える条件の実績値とを含む情報を用いて、第２の予測モデルとして、買入札量および需要量に影響を与える条件の予測値に応じた取引価格を予測する予測モデルを学習する第２のモデル学習部と、を備える。

本発明によれば、買入札量を予測する第１の予測モデルを用いて予測対象日時における買入札量を予測し、取引価格を予測する第２の予測モデルを用いて予測対象日時における買入札量に対応する取引価格を予測する。これにより、予測対象日時における取引状況が反映された取引価格の予測を行うことができる。

実施の形態１に係る取引価格予測装置の構成例を示すブロック図である。実施の形態１に係る取引価格予測方法を示すフローチャートである。実施の形態１における第１の予測モデルの例を示す図である。実施の形態１における第２の予測モデルの例を示す図である。実施の形態１における予測結果の提示態様の例を示す図である。図６Ａは、実施の形態１に係る取引価格予測装置の機能を実現するハードウェア構成を示すブロック図である。図６Ｂは、実施の形態１に係る取引価格予測装置の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。

実施の形態１．
実施の形態１に係る取引価格予測装置および取引価格予測方法は、取引市場で売り買いの入札が行われる様々な商品の取引価格の予測に適用することができる。以下、実施の形態１に係る取引価格予測装置および取引価格予測方法を用いて、ＪＥＰＸのスポット市場の予測対象日時における電力の約定価格を予測する場合について説明する。図１は、実施の形態１に係る取引価格予測装置１の構成例を示すブロック図である。取引価格予測装置１は、第１の予測モデルを用いて予測対象日時における買入札量を予測し、第２の予測モデルを用いて予測対象日時における電力の約定価格を予測する。

第１の予測モデルは、第１の情報と第２の情報とを用いて買入札量を予測するよう学習された予測モデルである。第１の情報は、買入札量の実績値を含む取引情報であり、例えば、予測対象日時よりも過去に得られ、ＪＥＰＸのスポット市場で公開された電力の買入札総量および約定価格である。第１の情報取得部２は、第１の情報を取得して第１の情報記憶部３に記憶する。第１の情報取得部２は、インターネットなどの通信回線を経由して第１の情報を取得する通信装置であってもよいし、ユーザによる第１の情報の手動入力を受け付ける入力装置であってもよい。

第２の情報は、入札に影響を与える条件の実績値を示す情報であり、例えば、予測対象日時よりも過去に得られた、気象情報、カレンダ情報、および発電機の運転情報といった電力の需要量に影響を与える情報である。気象情報には、気温、天気情報および日射量が含まれる。カレンダ情報は、電力需要量の増減が予想される日であり、例えば祝祭日および電力需要量の多い企業の営業日がある。発電機の運転情報は、例えば、定期点検、故障または事故によって発電機が停止しているか否かを示す情報である。また、電力系統同士を接続している連系線の分断の有無を第２の情報に含めてもよい。

第２の情報取得部４は、第２の情報を取得して第２の情報記憶部５に記憶する。第２の情報取得部４は、インターネットなどの通信回線を経由して第２の情報を取得する通信装置であってもよいし、ユーザによる第２の情報の手動入力を受け付ける入力装置であってもよい。また、第１の情報記憶部３および第２の情報記憶部５は、取引価格予測装置１による情報の読み出しが可能な記憶装置である。

第２の予測モデルは、買入札量と第２の情報とを用いて電力の約定価格（取引価格）を予測するよう学習された予測モデルである。第２の予測モデルに対して第３の情報を適用することで、予測対象日時における電力の約定価格が予測される。第３の情報は、予測対象日時における需要量に影響を与える条件の予測値であり、第２の情報と条件項目は共通しているが、予測対象日時における予測情報である点で異なる。例えば、第３の情報は、予測対象日時における、気象予報情報、カレンダ情報および発電機の運転計画情報である。第３の情報取得部６は、インターネットなどの通信回線を経由して第３の情報を取得する通信装置であってもよく、ユーザによる第３の情報の手動入力を受け付ける入力装置であってもよい。

取引価格予測装置１は、図１に示すように、第１のモデル学習部１１、第２のモデル学習部１２、第１の予測部１３、第２の予測部１４および提示部１５を備えて構成される。第１のモデル学習部１１は、第１の情報と第２の情報とを用いて第１の予測モデルを学習する。第１の予測モデルは、予測対象日時における電力の買入札量を予測するための予測モデルである。第１のモデル学習部１１は、第１の情報記憶部３から読み出した第１の情報と第２の情報記憶部５から読み出した第２の情報とを用いて、第１の予測モデルを学習する。

第２のモデル学習部１２は、第１の情報と第２の情報とを用いて、第２の予測モデルを学習する。第２の予測モデルは、予測対象日時における電力の約定価格を予測するための予測モデルである。第２のモデル学習部１２は、第１の情報記憶部３から読み出した第１の情報と第２の情報記憶部５から読み出した第２の情報とを用いて、第２の予測モデルを学習する。

第１の予測部１３は、第３の情報を第１の予測モデルに適用して、予測対象日時における電力の買入札量を予測する。例えば、第１の予測部１３は、第１のモデル学習部１１によって学習された第１の予測モデルに対して、第３の情報取得部６によって予測対象日時に取得された第３の情報を適用することで、予測対象日時における電力の買入札量を予測する。

第２の予測部１４は、第１の予測部１３によって予測された買入札量と第３の情報とを第２の予測モデルに適用することで、予測対象日時における電力の約定価格を予測する。例えば、第２の予測部１４は、第２のモデル学習部１２によって学習された第２の予測モデルに対して、第１の予測部１３によって予測された電力の買入札量と第３の情報取得部６によって取得された第３の情報とを適用することで、予測対象日時における電力の約定価格を予測する。

提示部１５は、第２の予測モデル、第１の予測部１３によって予測された買入札量および第２の予測部１４によって予測された約定価格を提示する。例えば、提示部１５は、電力の約定価格の予測に用いられた第２の予測モデルとともに、電力の買入札量の予測値の確率分布と電力の約定価格の予測値の確率分布とを、図１に不図示の表示部に表示する。また、提示部１５は、買入札量の予測に用いられた第３の情報および第１の予測モデルを表示部に表示してもよい。

なお、図１において、第１のモデル学習部１１、第２のモデル学習部１２および提示部１５は、取引価格予測装置１とは別の外部装置に設けられてもよい。
すなわち、取引価格予測装置１は、第１のモデル学習部１１、第２のモデル学習部１２および提示部１５を備えず、外部装置が備える第１のモデル学習部１１および第２のモデル学習部１２によって学習された予測モデルを受信して予測を行い、予測結果および予測モデルを外部装置に送信して提示部１５に提示させてもよい。また、予測結果および予測モデルを表示させる表示部は、取引価格予測装置１が備えてもよいし、取引価格予測装置１とは別の外部装置に設けられてもよい。

次に動作について説明する。
図２は、実施の形態１に係る取引価格予測方法を示すフローチャートである。
まず、第１のモデル学習部１１が、第１の予測モデルを学習する（ステップＳＴ１）。例えば、第１のモデル学習部１１が、電力の買入札量と約定価格とを含む第１の情報を、この入札が行われた日時とともに、第１の情報記憶部３から取得する。この買入札量と約定価格が得られた日時は、電力の入札に影響を与える条件、例えば、電力需要量に影響を与える条件が、予測対象日時と類似していると期待される日時であることが望ましい。例えば、当該日時は、予測対象日時の至近１週間内の日時、あるいは予測対象日時の前年で同月の日時であってもよい。電力の需要量に影響を与える条件が類似すると期待される日時をカレンダ情報から特定してもよい。以降の説明では、第１の情報が得られた日時を“類似日時”と呼ぶ。

続いて、第１のモデル学習部１１は、類似日時における第２の情報を、当該日時とともに、第２の情報記憶部５から取得する。例えば、類似日時における、気象情報、カレンダ情報および発電機の運転情報が、第２の情報として取得される。

第１のモデル学習部１１は、第１の情報と第２の情報とを、それぞれの情報が得られた日時をキーとして紐付けし、これらの情報を用いて第１の予測モデルを学習する。第１の予測モデルは、電力の需要量に影響を与える条件を説明変数として電力の買入札量を予測するモデルである。例えば、第１の予測モデルは、下記式（１）に示すような簡易な予測モデルであってもよい。第１のモデル学習部１１は、類似日時における第１の情報および第２の情報の実績値を用いて、下記式（１）に含まれるパラメータα１の値とパラメータα２の値を学習する。第１の予測モデルの学習方法として、最も簡易なものに線形回帰法があるが、サポートベクトル回帰、ベイズ回帰およびその他の学習方法を用いてもよい。
買入札量＝α１＋α２×気温・・・（１）

一方、本願の発明者は、電力取引市場における入札動向を検討した結果、電力取引市場では、電力の買入札量が需要量と高い相関を持つことを見出した。第１の予測モデルは、この知見に基づいた予測モデルである。また、第１のモデル学習部１１は、予測対象日時における電力需要量に影響を与える条件の実績値と、上記条件と同じ項目の予測値である第３の情報との誤差を考慮して、電力の買入札量を確率分布として予測する第１の予測モデルを学習してもよい。

図３は、実施の形態１における第１の予測モデル３０の例を示す図である。図３に示す第１の予測モデル３０は、気温に対する電力の買入札量の変動を学習したモデルであり、予測対象日時における気温の予測値に応じた電力の買入札量を予測する。例えば、気温が上昇すると、冷房機器の稼働率が上昇して電力需要量が増加する。電力需要量が増加すると、入札者は確実に電力を確保したいと考えるので、買入札量も増加する。一方、冷房が不要な温度まで気温が低下すると、冷房機器の稼働率が下降するので、電力需要量が減少して、これに伴い電力の買入札量も減少する。

次に、第２のモデル学習部１２が、第２の予測モデルを学習する（ステップＳＴ２）。例えば、第２のモデル学習部１２が、電力の買入札量と約定価格との組みを、この入札が行われた日時とともに、第１の情報記憶部３から取得する。ここで、第２のモデル学習部１２によって取得される第１の情報は、第１のモデル学習部１１によって取得された第１の情報および第２の情報と同じ日時（類似日時）に得られた情報である。

続いて、第２のモデル学習部１２は、類似日時における第２の情報を、当該日時とともに、第２の情報記憶部５から取得する。すなわち、第２のモデル学習部１２によって取得された第２の情報は、第１のモデル学習部１１によって取得された第１の情報および第２の情報と同じ日時に得られた情報である。

なお、電力取引市場において電力需要に影響を与える条件には、前述した気象情報などの他に、冷熱機器の稼働率があり、原油価格がある。ただし、原油価格は、一般的に冷熱機器の稼働率と比較して緩やかに変動する。このため、第２のモデル学習部１２が、第２の情報として原油価格を取得する場合、原油価格は、必ずしも、第１のモデル学習部１１によって取得された第２の情報と同じ日時に得られたものでなくてもよい。例えば、至近１年間に得られた原油価格であってもよい。すなわち、電力需要に影響を与える条件を示す情報のうち、変動が緩やか（例えば、一定期間内の変動量が閾値未満）な情報は、許容範囲内の変動であると予想される期間内に得られたものであれば、第１のモデル学習部１１によって取得された第２の情報と同じ日時に得られたものでなくてもよい。

第２のモデル学習部１２は、第１の情報として取得した電力の買入札量と約定価格と、第２の情報とを、それぞれの情報が得られた日時をキーとして紐付けし、これらの情報を用いて第２の予測モデルを学習する。第２の予測モデルは、電力の買入札量と第２の情報とを説明変数として、電力の約定価格を予測するモデルである。第２の予測モデルの学習方法は、例えば、電力の買入札量に対する約定価格の分布をヒストグラムで表して、買入札量と約定価格との関係を学習してもよい。また、買入札量に対する約定価格の分布を、確率密度推定法を用いて表して、買入札量と約定価格との関係を学習してもよい。第２の予測モデルの学習には、線形回帰法、サポートベクトル回帰、ベイズ回帰およびその他の学習方法を用いてもよい。

また、第２のモデル学習部１２は、第２の予測モデルの学習に用いる情報を、第２の情報を用いて選別してもよい。例えば、第２のモデル学習部１２は、第１の情報の中から、絞り込み用の第２の情報に対応する第１の情報を選別し、選別した第１の情報を、第２の予測モデルの学習に用いる。絞り込み用の第２の情報は、類似日時の第２の情報のうち、予測対象日時における条件に類似すると推定された情報であってもよい。例えば、第１の情報として取得された電力の買入札量と約定価格との組みのうち、絞り込み用の第２の情報で選別した組みが、前述したヒストグラムの算出に用いられる。

本願の発明者が、電力取引市場における電力の入札動向を検討した結果、電力取引市場において、電力の約定価格は、買入札量に対して不連続に階段状に変化し、同じ買入札量で複数の約定価格が設定されることがあるという知見が得られた。これは、ある買入札量に対して複数の約定価格が離散的に対応していることを意味する。第２の予測モデルは、電力の買入札量に対して複数の離散的な約定価格が相応の確率で対応することを表現可能な学習方法で学習される。このため、第２の予測モデルを表す関係式は複雑なものになることが予想される。ただし、第２の予測モデルを第１の予測モデルと同様な単純な関係式で近似した場合は、例えば、取引価格＝α１＋α２×買入札量、といった式で第２の予測モデルを表すことができる。この場合、第２のモデル学習部１２は、第１の情報と第２の情報を用いて、パラメータα１の値とパラメータα２の値を学習する。

図４は、実施の形態１における第２の予測モデル４０の例を示す図である。図４に示す第２の予測モデル４０は、電力の買入札量に対して約定価格が不連続に階段状に変化する関係を示している。また、図４において矢印で示すように、同じ買入札量に対して複数の約定価格が予測されることがある。なお、第２のモデル学習部１２は、予測対象日時における実際の条件と第３の情報との間の誤差、および第１の予測モデルによって予測された買入札量と予測対象日時における実際の買入札量との間の誤差を考慮して、電力の約定価格を確率分布として予測する第２の予測モデルを学習してもよい。

図２の説明に戻る。
第１の予測部１３が、予測対象日時における電力の買入札量を予測する（ステップＳＴ３）。例えば、第１の予測部１３は、第３の情報取得部６によって取得された予測対象日時における第３の情報を、第１のモデル学習部１１によって学習された第１の予測モデルに適用することで、予測対象日時における電力の買入札量を予測する。また、第１の予測部１３は、第１の予測モデルを用いて、予測対象日時における電力の買入札量の予測値の確率分布を併せて算出してもよい。

第２の予測部１４が、予測対象日時における電力の約定価格を予測する（ステップＳＴ４）。例えば、第２の予測部１４は、第３の情報取得部６から予測対象日時における第３の情報を取得し、第１の予測部１３によって予測された電力の買入札量を取得して、これらの情報を第２の予測モデルに適用することで、予測対象日時における電力の約定価格を予測する。また、第２の予測部１４は、第２の予測モデルを用いて、予測対象日時における電力の約定価格の予測値の確率分布を併せて算出してもよい。

提示部１５が、予測モデルおよび予測結果を提示する（ステップＳＴ５）。例えば、提示部１５は、電力の約定価格の予測を行った第２の予測モデル、第１の予測部１３によって予測された予測対象日時における電力の買入札量および第２の予測部１４によって予測された予測対象日時における電力の約定価格を、表示部に表示させる。また、提示部１５は、電力の買入札量の予測に用いた第１の予測モデルを予測結果の買入札量と併せて表示部に表示させてもよい。

電力の約定価格は買入札量に対して離散的に変化するので、電力の約定価格を、平均値または分散値といった代表値で提示するのは困難である。そこで、提示部１５が、第２の予測モデルと、電力の買入札量の確率分布と、電力の約定価格の確率分布との対応関係を可視化し、第２の予測モデルを用いて買入札量の確率分布から約定価格の確率分布が導出される過程を認識可能な態様で提示してもよい。

図５は、実施の形態１における予測結果の提示態様の例を示す図である。図５に示すように、提示部１５が、第２の予測モデルを用いて算出された電力の約定価格の予測値４０Ａを、電力の買入札量と電力の約定価格との関係を示すグラフにプロットすることで、第２の予測モデルが可視化される。入札者は、図５に示すグラフを参照することで、電力の約定価格の予測値４０Ａが買入札量に対して離散的に変化していることを認識できる。

さらに、提示部１５は、第１の予測部１３によって予測された電力の買入札量の確率分布５０、電力の買入札量の主要な分布領域を示す帯状部６０、および第２の予測部１４によって予測された電力の約定価格の確率分布７０を、図５に示すグラフに設定している。これにより、図５に示すグラフが表示部に表示されたときに、電力の買入札量の確率分布５０および電力の約定価格の確率分布７０が可視化される。

入札者は、図５に示すグラフに設定された帯状部６０を参照することで、帯状部６０に含まれる約定価格の予測値４０Ａから、電力の約定価格の確率分布７０が導出されることを把握できる。第２の予測モデルを用いて予測された約定価格の予測値４０Ａの分布密度を等高線または色の濃淡で表示してもよい。また、図３に示したような第１の予測モデルを、図５に示すグラフに設定してもよい。

このように、取引価格予測装置１では、電力の約定価格の予測に用いられた第２の予測モデル、電力の買入札量の予測値および電力の約定価格の予測値を可視化し、第２の予測モデルを用いて買入札量の確率分布から約定価格の確率分布が導出される過程を認識可能な態様で提示する。これにより、入札者は、ＪＥＰＸのスポット市場のように入札動向が非公開の取引市場であっても、予測結果の取引価格が決定される取引状況を把握することができ、予測結果の妥当性を判断することができる。

なお、図２に示したステップＳＴ１からステップＳＴ５までの各処理は、一連の処理として実行してもよい。また、第１の予測部１３または第２の予測部１４が、事前に作成された第１の予測モデルまたは第２の予測モデルを呼び出して、それぞれの予測処理を非同期に実行してもよい。予測モデルの学習処理は、この学習に用いる情報の絞り込み条件の変更に応じて再帰的に実行してもよく、予測値の算出処理は、予測値の変更に応じて再帰的に実行してもよい。

また、前述したように、取引価格予測装置１が、第１の予測部１３および第２の予測部１４から構成される場合、取引価格予測装置１は、図２に示したフローチャートのうち、ステップＳＴ３の処理とステップＳＴ４の処理とを実行する。すなわち、実施の形態１に係る取引価格予測方法は、第１の予測部１３が、第１の予測モデルを用いて予測対象日時における買入札量を予測するステップと、第２の予測部１４が、第２の予測モデルを用いて、予測対象日時における取引価格を予測するステップを備える。

次に、取引価格予測装置１の機能を実現するハードウェア構成について説明する。
取引価格予測装置１における第１のモデル学習部１１、第２のモデル学習部１２、第１の予測部１３、第２の予測部１４および提示部１５の機能は、処理回路によって実現される。すなわち、取引価格予測装置１は、図２に示したステップＳＴ１からステップＳＴ５の処理を実行するための処理回路を備える。処理回路は、専用のハードウェアであってもよいが、メモリに記憶されたプログラムを実行するＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）であってもよい。

図６Ａは、取引価格予測装置１の機能を実現するハードウェア構成を示すブロック図である。図６Ｂは、取引価格予測装置１の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。図６Ａおよび図６Ｂにおいて、第１のインタフェース１００は、取引価格予測装置１と、第１の情報記憶部３および第２の情報記憶部５を実現する記憶装置との情報のやり取りを中継するインタフェースである。第２のインタフェース１０１は、取引価格予測装置１と、第３の情報取得部６を実現する通信装置または入力装置との情報のやり取りを中継するインタフェースである。第３のインタフェース１０２は、取引価格予測装置１から出力された予測結果を表示装置に出力するインタフェースである。

処理回路が、図６Ａに示す専用のハードウェアの処理回路１０３である場合、処理回路１０３は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（ＡｐｐｌｉｃａｔｉｏｎＳｐｅｃｉｆｉｃＩｎｔｅｇｒａｔｅｄＣｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ−ＰｒｏｇｒａｍｍａｂｌｅＧａｔｅＡｒｒａｙ）、またはこれらを組み合わせたものが該当する。取引価格予測装置１における第１のモデル学習部１１、第２のモデル学習部１２、第１の予測部１３、第２の予測部１４および提示部１５の機能を別々の処理回路で実現してもよく、これらの機能をまとめて１つの処理回路で実現してもよい。

処理回路が、図６Ｂに示すプロセッサ１０４である場合、取引価格予測装置１における第１のモデル学習部１１、第２のモデル学習部１２、第１の予測部１３、第２の予測部１４および提示部１５の機能は、ソフトウェア、ファームウェアまたはソフトウェアとファームウェアとの組み合わせによって実現される。なお、ソフトウェアまたはファームウェアは、プログラムとして記述されてメモリ１０５に記憶される。

プロセッサ１０４は、メモリ１０５に記憶されたプログラムを読み出して実行することで、取引価格予測装置１における第１のモデル学習部１１、第２のモデル学習部１２、第１の予測部１３、第２の予測部１４および提示部１５の機能を実現する。すなわち、取引価格予測装置１は、プロセッサ１０４によって実行されるときに、図２に示したフローチャートにおけるステップＳＴ１からステップＳＴ５までの処理が結果的に実行されるプログラムを記憶するためのメモリ１０５を備える。これらのプログラムは、取引価格予測装置１における第１のモデル学習部１１、第２のモデル学習部１２、第１の予測部１３、第２の予測部１４および提示部１５の手順または方法をコンピュータに実行させる。メモリ１０５は、コンピュータを、取引価格予測装置１における第１のモデル学習部１１、第２のモデル学習部１２、第１の予測部１３、第２の予測部１４および提示部１５として機能させるためのプログラムが記憶されたコンピュータ可読記憶媒体であってもよい。

メモリ１０５は、例えば、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（ＥｒａｓａｂｌｅＰｒｏｇｒａｍｍａｂｌｅＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ−ＥＰＲＯＭ）などの不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤなどが該当する。

取引価格予測装置１における第１のモデル学習部１１、第２のモデル学習部１２、第１の予測部１３、第２の予測部１４および提示部１５の機能について一部を専用のハードウェアで実現し、一部をソフトウェアまたはファームウェアで実現してもよい。例えば、第１のモデル学習部１１および第２のモデル学習部１２は、専用のハードウェアである処理回路１０３で機能を実現し、第１の予測部１３、第２の予測部１４および提示部１５は、プロセッサ１０４がメモリ１０５に記憶されたプログラムを読み出して実行することによって機能を実現する。このように、処理回路は、ハードウェア、ソフトウェア、ファームウェアまたはこれらの組み合わせにより上記機能を実現することができる。

以上のように、実施の形態１に係る取引価格予測装置１では、第１の予測モデルおよび第２の予測モデルを用いることで、予測対象日時における電力取引状況が反映された電力の約定価格の予測が可能である。

また、実施の形態１に係る取引価格予測装置１は、約定価格を予測した第２の予測モデル、予測結果の買入札量および予測結果の約定価格を提示する提示部１５を備えるので、入札者は、約定価格が決定される取引状況を把握でき、予測結果の妥当性を判断できる。

また、実施の形態１に係る取引価格予測装置１において、第１の予測部１３は、予測対象日時に実績値を取得可能な第３の情報を第１の予測モデルに適用して、予測対象日時における買入札量を予測する。第２の予測部１４は、予測対象日時に実績値を取得可能な第３の情報と買入札量の予測結果とを第２の予測モデルに適用して、予測対象日時における約定価格を予測する。これにより、予測モデルによる予測結果の妥当性を、予測対象日時における実績値を用いて客観的に検証することができる。

例えば、第３の情報を予測モデルに適用して得られた予測値と、予測対象日時における実績値、すなわち第３の情報と同じ条件項目の実績値を予測モデルに適用して得られた値との間の誤差が許容範囲を超える検証結果が得られた場合に、予測した取引価格が外れた原因が検討される。

実施の形態１に係る取引価格予測装置１において、取引価格の予測値が外れた原因は、例えば、まず、（１）の原因として、天気予報の外れによって需要予測以降の各予測が外れた場合が検討される。天気予報が当たっていた場合、（２）の原因として、第１の予測モデルに問題があるために買入札量の予測が外れた場合が検討される。第１の予測モデルによる買入札量の予測が当たっていた場合、（３）の原因として、第２の予測モデルに問題があるために約定価格の予測が外れた場合が検討される。第２の予測モデルによる約定価格の予測が適切だった場合、（４）の原因として、図４に示したように、買入札量に対して約定価格が不連続に階段状に変化することに起因して約定価格の誤差が大きくなったか否かが検討される。

従来の取引価格の予測は、一般的に気温などから直接的に取引価格を予測する予測モデルのみを用いるので、（１）に示した原因と、（２）から（４）に示した原因による複合的な状態とが検討されるだけであった。これに対して、実施の形態１に係る取引価格予測装置１では、買入札量を予測する第１の予測モデルと、第１の予測モデルの予測値を用いて取引価格を予測する第２の予測モデルとを用いるので、特に（３）および（４）に示した原因の検討を行うことが可能であり、より詳細な検討ができる。例えば、第１の予測モデルによって予測された買入札量の予測値に問題がないと判断された場合には、第２の予測モデルに入力した情報と第２の予測モデルから出力された情報とを検討して、取引価格の予測値が過去の同一条件における取引価格の実績値から乖離して分布していると判断される場合、（３）に示した原因で取引価格に大きな誤差を生じたと判断することができる。この場合、第２の予測モデルの学習に用いるデータの絞り込み条件を見直して再学習を行う。これにより、精度の高い取引価格の予測が可能となる。

さらに、実施の形態１に係る取引価格予測装置１において、第２の予測モデル、買入札量の予測値および約定価格の予測値を可視化して、第２の予測モデルを用いて電力の買入札量の確率分布から約定価格の確率分布が導出される過程を認識可能な態様で提示する。これにより、入札者は、約定価格の予測値が決定された過程を把握することができ、予測結果の妥当性を判断することができる。

なお、これまでの説明では、取引価格の予測対象の商品が電力である場合を示したが、実施の形態１に係る取引価格予測装置１は、取引市場において売り買いの入札が行われる商品であれば、電力以外の商品であっても適用可能である。

なお、本発明は上記実施の形態に限定されるものではなく、本発明の範囲内において、実施の形態の任意の構成要素の変形もしくは実施の形態の任意の構成要素の省略が可能である。

本発明に係る取引価格予測装置は、予測対象日時における取引状況が反映され、かつ取引価格の予測結果の妥当性を判定することができるので、例えば、電力の入札動向が非公開の卸電力取引市場における電力の約定価格を予測するシステムに利用可能である。

１取引価格予測装置、２第１の情報取得部、３第１の情報記憶部、４第２の情報取得部、５第２の情報記憶部、６第３の情報取得部、１１第１のモデル学習部、１２第２のモデル学習部、１３第１の予測部、１４第２の予測部、１５提示部、３０第１の予測モデル、４０第２の予測モデル、４０Ａ予測値、５０，７０確率分布、６０帯状部、１００第１のインタフェース、１０１第２のインタフェース、１０２第３のインタフェース、１０３処理回路、１０４プロセッサ、１０５メモリ。

Claims

買入札量と需要量に影響を与える条件との相関に基づいて買入札量を予測する第１の予測モデルに対して、予測対象日時における需要量に影響を与える条件の予測値を適用することで、予測対象日時における買入札量を予測する第１の予測部と、
取引価格を予測する第２の予測モデルに対して、前記第１の予測部によって予測された買入札量と、予測対象日時における需要量に影響を与える条件の予測値とを適用することで、予測対象日時における取引価格を予測する第２の予測部と、
を備え、
買入札量の実績値を含む情報と、需要量に影響を与える条件の実績値を含む情報とを用いて、前記第１の予測モデルとして、需要量に影響を与える条件に応じた買入札量を予測する予測モデルを学習する第１のモデル学習部と、
買入札量の実績値と取引価格の実績値と需要量に影響を与える条件の実績値とを含む情報を用いて、前記第２の予測モデルとして、買入札量および需要量に影響を与える条件の予測値に応じた取引価格を予測する予測モデルを学習する第２のモデル学習部と、
を備えたことを特徴とする取引価格予測装置。
前記第２の予測モデル、前記第１の予測部によって予測された買入札量および前記第２の予測部によって予測された取引価格を提示する提示部、
を備えたことを特徴とする請求項１記載の取引価格予測装置。
前記第２の予測モデルは、取引価格を確率分布として予測すること
を特徴とする請求項１記載の取引価格予測装置。
前記第２のモデル学習部は、前記第２の予測モデルの学習に用いる情報を、前記需要量に影響を与える条件の実績値を用いて選別すること
を特徴とする請求項１記載の取引価格予測装置。
前記第２の予測部は、予測対象日時における取引価格の確率分布を算出し、
前記提示部は、前記第２の予測部によって算出された取引価格の確率分布を提示すること
を特徴とする請求項２記載の取引価格予測装置。
前記提示部は、取引価格の確率分布を、前記第２の予測モデルと併せて提示すること
を特徴とする請求項５記載の取引価格予測装置。
前記第１の予測部は、予測対象日時における買入札量の確率分布を算出し、
前記提示部は、前記第１の予測部によって算出された買入札量の確率分布を提示すること
を特徴とする請求項６記載の取引価格予測装置。
前記提示部は、前記第２の予測モデルの算出に用いた、買入札量と取引価格との関係を、グラフにプロットすることで、前記第２の予測モデルを可視化するとともに、
前記第１の予測部によって予測された買入札量の確率分布、および、前記第２の予測部によって予測された取引価格の確率分布を、前記第２の予測モデルを可視化したグラフに設定することで、
前記第２の予測モデルと、買入札量の確率分布と、取引価格の確率分布との対応関係を可視化すること
を特徴とする請求項７記載の取引価格予測装置。
第１のモデル学習部と、第２のモデル学習部と、第１の予測部と、第２の予測部とを備えた取引価格予測装置による取引価格予測方法であって、
前記第１の予測部が、買入札量と需要量に影響を与える条件との相関に基づいて買入札量を予測する第１の予測モデルに対して、予測対象日時における需要量に影響を与える条件の予測値を適用することで、予測対象日時における買入札量を予測するステップと、
前記第２の予測部が、取引価格を予測する第２の予測モデルに対して、前記第１の予測部によって予測された買入札量と、予測対象日時における需要量に影響を与える条件の予測値とを適用することで、予測対象日時における取引価格を予測するステップと、
を備え、
前記第１のモデル学習部が、買入札量の実績値を含む情報と、需要量に影響を与える条件の実績値を含む情報とを用いて、前記第１の予測モデルとして、需要量に影響を与える条件に応じた買入札量を予測する予測モデルを学習するステップと、
前記第２のモデル学習部が、買入札量の実績値と取引価格の実績値と需要量に影響を与える条件の実績値とを含む情報を用いて、前記第２の予測モデルとして、買入札量および需要量に影響を与える条件の予測値に応じた取引価格を予測する予測モデルを学習するステップと、
を備えたことを特徴とする取引価格予測方法。