JP6867145B2 - エネルギ需要予測システム - Google Patents

Description

本発明は、エネルギ需要予測システムに関する。

近年、省エネルギの観点から、エネルギ需要の高精度な予測が求められるようになった。とりわけ電力分野では、我が国における電力自由化の流れもあり、この分野に対するいわゆる新電力会社の新規参入が相次ぎ、それに伴い電力需要予測システムの需要が高まっている。

しかし、従来の電力需要予測システムの多くは一般電気事業者等が行う大規模事業者に向けたものであり、電力の安定供給を目的とした最大電力需要量を予測するものであった。これに対し、新電力会社に見られるような他事業者から電力を調達し各需要者に供給する小・中規模事業者は、時系列の電力需要量を予測する必要がある。また、電力需要量は、地域の気温など各ユーザ固有の様々な要因によって変動するが、その影響は、当然、大規模事業よりも小・中規模事業にとって大きな影響となる。

特開２００４−８６８９６号公報

本発明は、以上の点を鑑みてなされたもので、小・中規模のエネルギ需要を高精度に予測するエネルギ需要予測システムを提供することを目的とする。

本発明の実施形態に係るエネルギ需要予測システムは、ユーザの過去のエネルギ需要実績を時系列で示す複数の実績データを含むユーザデータから前記ユーザの将来のエネルギ需要予測を時系列で示す複数の予測データを生成するエネルギ需要予測システムであって、複数の前記ユーザを前記ユーザデータに基づいて複数のクラスタに分類する入力層と、多層構造のニューラルネットワークを有し、クラスタ毎に過去の前記予測データと前記ユーザデータに基づいて前記ニューラルネットワークを学習させる学習機能と、前記ニューラルネットワークによってクラスタ毎に前記ユーザデータから将来の前記予測データを生成する予測機能を持つ、予測処理層と、前記予測処理層によって生成された前記予測データを出力する出力層とを備え、前記予測処理層は、誤差関数として二乗誤差関数、活性化関数としてランプ関数を用いた最急降下法によって前記ニューラルネットワークを学習させることを特徴とする。

本発明は、以上の点を鑑みてなされたもので、小・中規模のエネルギ需要を高精度に予測するエネルギ需要予測システムを提供することを目的とする。

本発明の実施形態に係る電力需要予測システムにおけるニューラルネットワークの学習の流れを示す図である。 同電力需要予測システムにおける電力需要量の予測の流れを示す図である。 同電力需要予測システムで用いられるデータの全体構造を示す図である。 同電力需要予測システムにおけるニューラルネットワークの入力データの構造を示す図である。 同電力需要予測システムにおけるニューラルネットワークの教師データ及び予測データの構造を示す図である。 同電力需要予測システムにおけるクラスタリングの概念図である。 同電力需要予測システムにおけるクラスタリングに用いられる統計値及び電力需要量の波形の例を示す図である。 残差ネットワークの概念図である。 残差ネットワークの概念図である。 同電力需要予測システムの機能ブロック図である。 同電力需要予測システムにおけるユーザインタフェースの表示画面の一例を示す図である。 同電力需要予測システムにおけるユーザインタフェースの表示画面の一例を示す図である。

以下では、本発明の実施形態に係るエネルギ需要予測システムの一例として電力需要予測システム（以下、「本システム」と称することもある）について説明する。

［電力需要予測システムの概要］
ここでは、本実施形態の電力需要予測システムの概要について説明する。
先ず、本システムの目的及びそれを実現するための課題について言及する。

第１に、本システムは、新電力会社に多くみられる小・中規模事業者が利用可能なシステムであり、例えば需要者（ユーザ）数が概ね１００程度であっても電力需要量を高精度に予測できるものとする。
この点、電力需要量は気温など様々な要因で変動するが、その影響は一般的に大規模事業と比べて小・中規模事業の方が大きくなる。また、小・中規模事業の場合、全需要者の電力需要量に対する１需要者の電力需要量の寄与度も当然大きくなるため、ある１需要者の電力需要量が大きく変動した場合、全体の電力需要量も大きく変動する。そしてこれらの点が、小・中規模事業を対象とする本システムの予測精度を向上させる上で問題となる。

第２に、本システムは、過去の電力需要量を基に、未来となる例えば２日後の２４時間分（３０分間隔で４８点）の電力需要量を予測できるものとする。
この点、電力の安定供給を目的として所定期間内の最大電力需要量を如何に正確に予測するかが重要となる大規模事業とは異なり、小・中規模事業では、電力需要量を例えば３０分間隔で４８点の時系列のデータとして予測することが求められる。本システムではニューラルネットワークを用いて電力需要量を予測するが、電力需要量を時系列で予測するには、非常に複雑な非線形曲線の学習を必要とする。また、気温等の変動要因に応じて適切に電力需要量を変動させる必要もある。

第３に、本システムは、電力需要量の予測に際してできるだけ少ない種類の電力需要量の変動要因のみを利用するものとする。
この点、電力需要量に影響を与える要因は多く存在するが、これら要因をデータとして収集・管理する時間的・金銭的コストを考慮すると、その種類は少ない方が良い。本システムの利用が業務の効率化に繋がるように、電力需要量の予測精度を損なわない範囲において可能な限り利用する変動要因の種類を削減する必要がある。

次に、本システムの概要について説明する。
なお、以下の説明では、本システムが予測した電力需要量のデータを「予測データ」、実際に需要者が使用した電力量のデータを「実績データ」、本システムを用いて予測する日を「対象日」と称することもある。

本システムは、前述の課題を解決すべく、ビッグデータのクラスタリング技術と多層構造のニューラルネットワーク（深層ニューラルネットワーク）を組み合せて実現される。

具体的には、始めに、過去の実績データから複数の需要者を複数のクラスタに分類する。これによって、電力需要傾向の似た需要者同士が同じクラスタに分類される。更に、クラスタ毎に異なるニューラルネットワークを用意する。続いて、需要者毎に各需要者が属するクラスタに対応するニューラルネットワークを学習させる。これによって、クラスタ毎の予測精度の向上を図ることができる。続いて、各需要者に対応する学習結果を用いて、需要者毎に各需要者が属するクラスタに対応するニューラルネットワークによって将来の電力需要量を予測する。最後に、各需要者の予測データを合算することで、全需要者の電力需要量を求める。

次に、本システムの持つニューラルネットワークの学習機能について説明する。
図１は、本実施形態に係る電力需要予測システムにおけるニューラルネットワークの学習の流れを示す図である。
始めに、ステップＳ１０１では、全需要者の対象日（過去の所定の日）よりも前の実績データ１０１に基づいて複数の需要者を複数のクラスタ１０２に分類する。各需要者の実績データ１０１は需要者毎が持つ需要者データ（ユーザデータ）に含まれており、この需要者データには対象日や実績データ等の日が営業日か休業日かを示す休業日フラグも含まれる。

続いて、ステップＳ１０２では、クラスタリングされた需要者の需要者データに対して実績データ１０１の日にちに対応した気温データ１０３が付加される。この気温データ１０３が付加された需要者データがニューラルネットワーク１０５の入力データ１０４となる。ここで、学習機能における気温データ１０３とは、各需要者が電力を使用した地域の最高・最低気温の実際のデータであり、外部機関によって提供される過去の気象データ等を利用することが可能である。

最後に、ステップＳ１０３では、入力データ１０４及び教師データ１０６を用いてニューラルネットワーク１０５を学習させる。この学習は、需要者単位、１日単位で実行される。ここで、ニューラルネットワーク１０５は、上述の通り、クラスタ毎に用意される。また、教師データ１０６は、各需要者の対象日の実績データとなる。
以上が、本システムの持つニューラルネットワークの学習機能の概要である。

次に、本システムの持つ電力需要量の予測機能について説明する。
図２は、本実施形態に係る電力需要予測システムにおける電力需要量の予測の全体的な流れを示す図である。
始めに、ステップＳ２０１では、全需要者の対象日（予測したい日）よりも前の実績データ２０１に基づいて複数の需要者を複数のクラスタ２０２に分類する。この実績データ２０１も学習機能の場合と同様、需要者データに含まれる。

続いて、ステップＳ２０２では、クラスタリングされた需要者の需要者データに対して実績データ２０１の日にち及び対象日当日の気温データ２０３が付加される。この気温データ２０３が付加された需要者データがニューラルネットワーク１０５の入力データ２０４となる。ここで、予測機能における対象日当日の気温データ２０３とは、各需要者が電力を使用する地域の最高・最低気温の予報データであり、外部機関によって提供される気象予報データ等を利用することができる。

続いて、ステップＳ２０３では、ステップＳ１０３で学習されたニューラルネットワーク１０５を用いて入力データ２０４から対象日の予測データ２０５を生成する。このステップＳ２０３では、需要者単位、１日単位で予測データを生成する。

最後に、ステップＳ２０４では、ステップＳ２０３で生成された各需要者の予測データを全需要者分足し合わせ、対象日における全需要者の総電力需要量（予測データ）を生成する。なお、ステップＳ２０４では、前述のように全需要者の予測データを単純に足し合わせる他、これら予測データを用いたアンサンブル学習によっても総電力需要量を生成することができる。

以上が、本システムの持つ電力需要量の予測機能の概要である。なお、上記学習機能及び予測機能の説明では、需要家の実績データに基づいてクラスタリングしていたが、本システムでは、後述するように、休業日フラグも用いてクラスタリングする。

［電力需要予測システムのデータ構造］
ここでは、本実施形態の電力需要予測システムで用いられるデータ構造について説明する。
図４は、本実施形態に係る電力需要予測システムで用いられるデータの全体構造を示す図である。
本システムは、電気事業者の電力需要量を予測するものであるため、データの最上位のノードは「電力事業者」となる。「電力事業者」ノードの下には、複数の「需要者グループ」ノードが置かれる。なお、ここでいう「需要者グループ」とは、何らかの指標に基づいて需要者を便宜上分類したまとまりであり、図１及び２に示すクラスタとは直接関係するものではない。

「需要者グループ」ノードの下には、複数の「需要者」ノードが置かれる。この「需要者」ノードの下には、「電力予測値」、「電力実績値」、「営業日／休業日」がぶら下がる。また、「需要者」ノードの下には、需要者の「地域」に基づいた「最高・最低気温」もぶら下がる。

「電力予測値」は、本システムで予測した予測データに該当する。「電力実績値」は、需要者が実際に使用した電力量を示す実績データに該当し、需要者から提供されたものを利用する。「営業日／休業日」は、対象日等が需要者によって異なる営業日か休業日かを示す休業日フラグに該当し、例えば、休業日＝１、営業日＝０といった２つの値を取る。また、「最高・最低気温」は、電力が使用される地域の最高・最低気温を示す気温データに該当する。この気温データは、地域単位で得られるため、需要者毎に設定された地域に基づいて採用される。「需要者」ノードにぶら下がる「電力予測値」、「電量実績値」、「営業日／休業日」、及び「最高・最低気温」が需要者データの構成の一部となる。

次に、本システムのニューラルネットワークの入力データと予測データ及び教師データの構造について説明する。
図４は、本実施形態に係る電力需要予測システムにおけるニューラルネットワークの入力データの構造を示す図である。
入力データは、対象日、需要者ＩＤ、実績データ、気温データ、及び休業日フラグで構成される。このうち需要者ＩＤは、需要者を識別するための符号である。
本システムでは、ニューラルネットワークの学習と電力需要予測に際し、例えば、対象日７日前の０時〜２３時３０分の３０分毎のデータ４８点、対象日２日前の１８時〜２３時３０分の３０分毎のデータ１２点、対象日１日間の０時〜１７時３０分の３０分毎のデータ３６点の実績データが用いられる。また、入力データには、実績データに合わせて、対象日７日前、２日前、及び１日前の気温データ及び休業日フラグも含まれる。前述の通り、気温データは、最高・最低気温を示すデータであり日毎に２点ある。また、休業日フラグは、営業日／休業日を示すフラグであり日毎に１点ある。

なお、本発明では、図４に示す例に限らず、例えば、実績データとして、対象日２〜８日前の７日分（１６８時間分）の３０分毎のデータ３３６点を用いても良い。また、気温データとして、日単位の最高・最低気温に替えて、実績データと同じ粒度である３０分単位の気温を用いても良い。

図５は、本実施形態に係る電力需要予測システムにおけるニューラルネットワークの教師データ及び予測データの構造を示す図である。
教師データ及び予測データは同じ構造を持っており、対象日、需要者ＩＤ、及び予測データで構成される。
本システムでは、対象日の０時〜２３時３０分の３０分毎のデータ４８点によって対象日の電力需要量を予測して出力する。
以上のように、本システムでは、電力需要量そのものを示す予測データ及び実績データを除き、気温データ及び休業日フラグしか利用しないため、本システム運用で生じる時間的・金銭的コストを抑えることができる。

なお、本発明では、システム運用への時間的・金銭的コストに余裕があれば、予測データ、実績データ、気温データ、及び休業日フラグ以外にも、種々のデータを利用することが可能である。例えば、入力データに対し、気温データの他、湿度のデータを含ませることもできる。また、休業日フラグの他、土曜日フラグや日曜日フラグを含ませることもできる。ここで、土曜日フラグとは対象日や実績データ等の日が土曜日か否かを示すフラグであり、土曜日＝１、その他＝０といった２つの値を取る。同様に、日曜日フラグとは対象日や実績データ等の日が日曜日か否かを示すフラグであり、日曜日＝１、その他＝０といった２つの値を取る。このようにデータの種類が増やせれば、より高精度な電力需要量の予測が期待できる。

［電力需要予測システムの個別処理］
ここでは、本実施形態の電力需要システムの個別処理について説明する。
先ず、図１のステップＳ１０１及び図２のステップＳ２０１となるユーザのクラスタリングについて説明する。
ニューラルネットワークは一般的に、似たデータの集合を予測することを得意としており、ニューラルネットワークの性能を十分に発揮させるためには、事前のクラスタリングが重要となる。

本システムでは、確率的潜在意味解析法（ｐＬＳＡ）によって、需要者をクラスタリングする。本システムによれば、ｐＬＳＡを用いることで、電力需要量の変動要因を示すデータが少なくてもクラスタリングが可能である。また、クラスタリングの際の人為的な視点、つまり思い込みや固定概念を排除することができる。つまり、本システムによれば、ｐＬＳＡの利用によって、統計的根拠に基づいた自動的なクラスタリングが可能となる。

図６は、本実施形態に係る電力需要予測システムにおけるクラスタリングの概念図であり、図７は、同電力需要予測システムにおけるクラスタリングに用いられる統計値と電力需要量の波形の例を示す図である。

本システムでは、１日分４８点の実績データから負荷率、標準偏差、及び夜間率の３つの統計値を算出し、それら統計値と休日フラグを用いてクラスタリングする。ｐＬＳＡによって統計値を次元圧縮し、赤池情報量基準値（ＡＩＣ）に基づいて需要者を適切な数のクラスタに分類する。更に、クラスタ化された需要者の中で、対象日が営業日か休業日かを分類する。
統計値の算出には、正規化後の実績データを用いる。実績データの正規化は数１の通りである。

［数１］
正規化後の各実績データ＝各実績データ／４８点の実績データの最大値

負荷率、標準偏差、及び夜間率の３つの統計値は、数２〜数４によって算出される。なお数２〜数４において正規化された実績データを「正規化データ」と示す。

［数２］
負荷率（値範囲：０％〜１００％）＝４８点の正規化データの平均値／４８点の正規化データの最大値

［数３］
標準偏差（値範囲：０％〜１００％）＝４８点の正規化データの標準偏差

［数４］
夜間率（値範囲：０％〜１００％）＝（４８点の正規化データの合計値−８時〜２２時の正規化データの合計値）／４８点の正規化データの合計値

なお、３つの統計値（負荷率、標準偏差、及び夜間率）と４８点の実績データをプロットしてなる波形の具体例は図７に示されている。また、本システムでは、クラスタリングに際し、負荷率、標準偏差、及び夜間率の３つの統計値を全て用いるが、必要に応じてこれら３つの統計値の一部のみを用いたり、或いは更に他の統計値を組み合わせたりすることも可能である。

図６の中央にあるデータ６０１には、クラスタ化される対象のデータであり、需要者別の１日分の実績データが需要者数×日数分含まれる。需要者単位で見て、このデータ６０１をｐＬＳＡでクラスタリングすると、例えば図６の上側にあるように３つのクラスタ６０１（Ａ）、６０２（Ｂ）、及び６０３（Ｃ）に分類される。このクラスタリングでは、前述の通り負荷率、標準偏差、及び夜間率の３つの統計値に基づいて行われる。そのため結果的に、１日の電力需要量のトレンド（波形）が似ている需要者同士が同じクラスタにまとめられる傾向にある。なお、図６では、需要者は３つのクラスタに分類されるが、ｐＬＳＡを用いた場合、実績データに基づいて最適なクラスタ数に分類される。この需要者のクラスタリングでは、営業日／休業日（休業日フラグ）に関係なく、ニューラルネットワークの学習に用いられる全期間の実績データが用いられる。
更に、日単位で見た場合、対象日が営業日か休業日かによって図６の下側にある２つのクラスタ６０５及び６０６に分類される。

したがって、図６の場合、需要者単位で見るクラスタが６０２〜６０４の３つ、日単位で見るクラスタが６０５及び６０６の２つとなるため、データ６０１は、合計６つのクラスタに分類される。この場合、ニューラルネットワークも６つ必要になる。

なお、本発明では、クラスタリングの手法として、前述のｐＬＳＡの他、ｋ平均法を用いることもできる。

次に、図１のステップＳ１０３及び図２のステップＳ２０３となるニューラルネットワークの学習とそれを用いた電力需要量の予測について説明する。
本システムでは、前述の通り、電力需要量を４８点の時系列データとして予測するため、深層ニューラルネットワークを用いる。また、本システムではその中でも残差ネットワークを利用する。ニューラルネットワークを多層構造にした場合、勾配消失問題や過学習といった問題が起こり易くなるが、残差ネットワークを用いれば、１００層を超えるような多層構造にした場合であっても、ニューラルネットワークの安定した学習が可能であり、比較的精度の高い電力需要量の予測が可能である。

ここで、残差ネットワークの学習の概念について言及しておく。
図８は、残差ネットワークの学習の概念図である。図８中の「ＲｅＬＵ」は活性化関数（ランプ関数）である。
入力ｘが２つの重み層８０１及び８０２（隠れ層）を通った値をＦ（ｘ）とすると、出力Ｈ（ｘ）はＦ（ｘ）にｘの恒等写像を足し合わせたＨ（ｘ）＝Ｆ（ｘ）＋ｘとなる。重み層８０１及び８０２は、入力と重みの内積を求め、バイアスを付加する処理を行っている。残差ネットワークでは、２つの重み層８０１及び８０２を通った値がＨ（ｘ）になるようにＦ（ｘ）＋ｘを学習する。ｘの恒等写像が最適なら重みは０になる。このように残差ネットワークでは、入力から最適な出力を学習するという問題を残差の学習という問題に置き換えることで、ニューラルネットワークの最適化を容易にしている。

したがって、残差ネットワークを利用することで、発散しやすい深層ネットワークの学習が収束しやすくなる。本システムのように、電力需要量を時系列のデータで取り扱う場合、学習が困難であるが、残差ネットワークの考え方を取り入れることで学習を容易にすることが
できる。

図８では、重み層が２層の場合を示しているが、この図８に示すネットワークを繋げていけば更に多層のネットワークを構築することができる。参考までに、重み層が６層の場合の例を図９に示す。

なお、本システムでは、残差ネットワークの学習方法として、例えば、誤差関数として二乗誤差関数、活性化関数としてランプ関数を用いた最急降下法を用いる。

例えば、重み層のユニット数を１９２、重み層の層数を１２層の残差ネットワークを用いる場合、学習率０．１にて５万回ステップの計算と、学習率０．０１にて５万回ステップの計算とで学習させると良い。また、学習する際に用いられる実績データ及び予測データは、１年分程度あれば良く、２年分程度あれば予測精度を高くすることができる。

なお、本システムでは、深層ニューラルネットワークとして、残差ネットワークを用いたが、本発明では、この他、ＲＢＦ（放射既定関数）ネットワーク、多層パーセプトロン、ホップフィールドネットワーク等を利用することもできる。

また、深層ニューラルネットワークの学習・予測能力を向上させるために、オートエンコーダ、バッチノーマライゼーション等の技術を利用することも可能である。

［電力需要予測システムの実装］
ここまで、本実施形態の電力需要予測システムの概要について説明してきたが、ここでは、その実装例について説明する。
図１０は、本実施形態に係る電力需要予測システムの機能ブロック図である。
本システムは、電力需要予測インタフェース部Ａ１０（以下、単に「インタフェース部」と称することもある）と電力需要予測処理部Ａ２０（以下、単に「処理部」と称することもある）とを備える。

電力需要予測インタフェース部Ａ１０は、需要者データを外部から受信した後、この需要者データに必要な処理を加えて処理部Ａ２０に引き渡したり、処理部Ａ２０が生成した予測データを様々な形式で出力したりする。

インタフェース部Ａ１０は、データ取込部Ａ１１、データベース部Ａ１２、データ処理部Ａ１３、ユーザインタフェース部Ａ１４、及びウェブＡＰＩ部Ａ１５を有する。一方、処理部Ａ２０は、クラスタリング部Ａ２１、学習処理部Ａ２２、予測処理部Ａ２３、エンドポイント保存部Ａ２４、及び学習結果分析部Ａ２５を有する。

なお、本システムを入力層、予測処理層、及び出力層に分けた場合、データ取込部Ａ１１、データベース部Ａ１２、データ処理部Ａ１３、及びクラスタリング部Ａ２１は、入力層に含まれる。学習処理部Ａ２２、予測処理部Ａ２３、エンドポイント保存部Ａ２４、及び学習結果分析部Ａ２５は、予測処理層に含まれる。また、ユーザインタフェース部Ａ１４、及びウェブＡＰＩ部Ａ１５は、出力層に含まれる。

上記構成を持つ電力需要予測システムの大まかな処理の流れは次のようになる。
始めに、外部から送信された各需要者の需要者データや気温データがデータ取込部Ａ１１に取り込まれる。ここで需要者データには、需要者の過去に実際に使用した電力量である実績データが含まれる。需要者データの取り込みには、例えばＣＳＶ（Ｃｏｍｍａ−Ｓｅｐａｒａｔｅｄ Ｖａｌｕｅｓ）形式ファイルの手動による取り込みでも良いし、外部システムからの自動取り込みでも良い。
続いて、データ取込部Ａ１１に取り込まれた需要者データ及び気温データが、一旦データベース部Ａ１２に格納される。

続いて、データ処理部Ａ１３によって、データベース部Ａ１２に格納された需要者データが学習・予測に必要なデータ形式に加工される。この加工データは、データ処理部Ａ１３から処理部Ａ２０のクラスタリング部Ａ２１に送信される。

続いて、クラスタリング部Ａ２１では、データ処理部Ａ１３から送信された加工データに基づいて複数の需要者がいくつかのクラスタに分類される。このクラスタリングには、ｐＬＳＡが用いられる。その後、クラスタリング部Ａ２１は、クラスタリングされた需要者データと気温データを組み合せた入力データを学習処理部Ａ２２に送信する。

続いて、学習処理部Ａ２２では、入力された入力データに基づいて、残差ネットワークの学習が行われる。学習された残差ネットワークの最新の状態はエンドポイントとしてエンドポイント保存部Ａ２４に保存される。このエンドポイント保存部Ａ２４に保存されたエンドポイントは、学習結果分析部Ａ２５で可視化された後、学習結果の分析に供される。

続いて、予測処理部Ａ２３では、最新の学習された残差ネットワークに対して、クラスタリング部Ａ２１から受信した入力データに基づいて予測データが生成される。この予測データは、インタフェース部Ａ１０に戻される。

最後に、インタフェース部Ａ１０では、データ処理部Ａ１３によってデータベース部Ａ１２に予測データが格納されると共に、ユーザインタフェース部Ａ１４やウェブＡＰＩ部Ａ１５に送信される。

ユーザインタフェース部Ａ１５は、予測データを外部からの各種設定に基づいて、例えば表示装置に表示させたり、ＣＳＶ形式ファイルとして出力したりする。また、ウェブＡＰＩ部Ａ１５では、ＨＴＴＰリクエストに応じてウェブブラウザで利用可能なＪＳＯＮ（ＪａｖａＳｃｒｉｐｔ（登録商標） Ｏｂｊｅｃｔ Ｎｏｔａｔｉｏｎ）等のデータ記述言語で出力したりする。

次に、ユーザインタフェースの画面の例について説明する。
図１１及び１２は、本実施形態に係る電力需要予測システムのユーザインタフェースの表示画面の例を示す図である。
表示装置の画面上部には、図１１に示すように、メニューバーＢ０１が表示される。ここには将来の予測結果を表示する「当日予測」画面、過去の電力需要量の実績等を各種形式で入出力するための「データ連携」画面、過去の予測データと実績データを表示する「過去履歴」画面等へのショートカットが並ぶ。

図１１は、「過去履歴」画面の例である。表示領域Ｂ０２は、履歴を表示させたいグループ（クラスタ）や対象日を選択する領域である。表示領域Ｂ０３は、表示領域Ｂ０２によって選択された対象日とグループについて本システムによる予測結果、実績、それらの誤差量と誤差率について数値で表示する。また、表示領域Ｂ０４では、表示領域Ｂ０３の数値データをグラフとして表示する。

図１２は、「データ連携」画面の例である。この画面では、実績データ、気温データ、及び予測データを選択したファイル形式によって取り込むことができる。また、予測データをＣＳＶ形式等で取り出すこともできる。

［まとめ］
本システムでは、電力需要予測に深層ニューラルネットワークを利用するが、その中でも残差ネットワークを用いることで、深層ニューラルネットワークにおける学習の問題点を回避している。

また、本システムでは、ニューラルネットワークの学習・予測に先駆けて需要者を複数のクラスタに分類し、クラスタ毎に異なるニューラルネットワークを用いて電力需要量を予測している。また、クラスタリングには、電力需要量の視点だけでなく、同じ需要者であっても電力需要の傾向が大きく異なる要因となる営業日／休業日の視点でもクラスタを分けているため、ニューラルネットワークの特性を十分に活かした高精度な電力需要量の予測が可能である。

また、本システムでは、一旦、需要者単位・日単位でニューラルネットワークの学習及び電量需要量の予測を行い、それらの合計から全需要者の電力需要量を算出している。そのため、ある需要者に電力需要量の大きな変動があったとしても、その影響を全体の電力需要予測に即時に反映させることができる。仮に、ある需要者が電力事業者のサービスから抜けた場合であっても、その需要者に関する学習結果等を削除すれば良いだけなので、その影響を電力需要量の予測にすぐに反映することが可能である。

更に、本システムでは、電力需要量の予測に、電力需要量の他、最高・最低気温と営業日／休業日の２つの変動要因しか用いていないため、システム運用に金銭的・時間的コストを掛けられない小・中規模の電気事業者であっても、運用しやすいものとなっている。

勿論、以上の効果を持つ本システムは、小・中規模事業者に限らず、大規模事業者の事業の効率化にも寄与するものである。また、本システムは、電力需要量に関するものであるが、勿論、本システムはガス等の他のエネルギの需要予測にも流用することが可能である。
以上、本実施形態によれば、小・中規模のエネルギ需要を高精度に予測するエネルギ需要予測システムを提供することができる。

［その他］
なお、ここまで、発明の実施形態の一例を説明したが、本発明はこれらに限定されるものではなく、発明の趣旨を逸脱しない範囲内において、種々の変更、追加等が可能である。

１０１、２０１、６０１・・・実績データ、１０２、２０２・・・クラスタ、１０３、２０３・・・気温データ、１０４、２０４・・・入力データ、１０５・・・残差ニューラルネットワーク、１０６・・・教師データ、２０６・・・予測データ、２０７・・・全需要者の総需要量、６０２〜６０６・・・クラスタ、８０１、８０２・・・重み層（隠れ層）、Ａ１０・・・電力需要予測インタフェース部、Ａ１１・・・データ取込部、Ａ１２・・・データベース部、Ａ１３・・・データ処理部、Ａ１４・・・ユーザインタフェース部、Ａ１５・・・ウェブＡＰＩ部、Ａ２０・・・電力需要予測処理部、Ａ２１・・・クラスタリング部、Ａ２２・・・学習処理部、Ａ２３・・・予測処理部、Ａ２４・・・エンドポイント保存部、Ａ２５・・・学習結果分析部、Ｂ０１・・・メニューバー、Ｂ０２〜Ｂ０４・・・表示領域。

Claims (5)

1. ユーザの過去のエネルギ需要実績を時系列で示す複数の実績データを含むユーザデータから前記ユーザの将来のエネルギ需要予測を時系列で示す複数の予測データを生成するエネルギ需要予測システムであって、
   複数の前記ユーザを前記ユーザデータに基づいて複数のクラスタに分類する入力層と、
   多層構造のニューラルネットワークを有し、クラスタ毎に過去の前記実績データと前記ユーザデータに基づいて前記ニューラルネットワークを学習させる学習機能と、前記ニューラルネットワークによってクラスタ毎に前記ユーザデータから将来の前記予測データを生成する予測機能を持つ、予測処理層と、
   前記予測処理層によって生成された前記予測データを出力する出力層と
   を備え、
   前記入力層は、所定期間の前記実績データの最大値に対する前記所定期間の前記実績データの平均値の割合を示す負荷率、及び前記複数の実績データ全体の合計に対する夜間の前記実績データの合計の割合を示す夜間率に基づいて前記複数のユーザを前記複数のクラスタに分類し、
   前記予測処理層は、前記ニューラルネットワークとして残差ネットワークを有し、誤差関数として二乗誤差関数、活性化関数としてランプ関数を用いた最急降下法によって前記ニューラルネットワークを学習させ、前記予測データを予測する対象日の７日前及び直前の所定期間の前記実績データを用いて学習及び前記予測データの生成を行う
   ことを特徴とするエネルギ需要予測システム。
2. 前記ユーザデータは、前記ユーザの地域の気温を示す気温データを含む
   ことを特徴とする請求項１記載のエネルギ需要予測システム。
3. 前記入力層は、確率的潜在意味解析を用いて前記複数のユーザを前記複数のクラスタに分類する
   ことを特徴とする請求項１又は２記載のエネルギ需要予測システム。
4. 前記入力層は、
   前記負荷率、
   前記複数の実績データの標準偏差、及び
   前記夜間率
   に基づいて前記複数のユーザを前記複数のクラスタに分類する
   ことを特徴とする請求項１〜３のいずれか１項記載のエネルギ需要予測システム。
5. 前記入力層は、ユーザの営業日／休業日を示す休業日データに基づいて前記クラスタを分類する
   ことを特徴とする請求項１〜４のいずれか１項記載のエネルギ需要予測システム。

Images