JP6867145B2 - エネルギ需要予測システム - Google Patents
エネルギ需要予測システム Download PDFInfo
- Publication number
- JP6867145B2 JP6867145B2 JP2016230229A JP2016230229A JP6867145B2 JP 6867145 B2 JP6867145 B2 JP 6867145B2 JP 2016230229 A JP2016230229 A JP 2016230229A JP 2016230229 A JP2016230229 A JP 2016230229A JP 6867145 B2 JP6867145 B2 JP 6867145B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- power demand
- neural network
- prediction
- consumer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 238000002945 steepest descent method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 230000005611 electricity Effects 0.000 description 6
- 238000000034 method Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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
[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。
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。
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。
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。
できる。
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。
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。
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。
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。
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。
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。
Claims (5)
- 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。 - 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。 - 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。 - 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016230229A JP6867145B2 (ja) | 2016-11-28 | 2016-11-28 | エネルギ需要予測システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016230229A JP6867145B2 (ja) | 2016-11-28 | 2016-11-28 | エネルギ需要予測システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018088742A JP2018088742A (ja) | 2018-06-07 |
JP6867145B2 true JP6867145B2 (ja) | 2021-04-28 |
Family
ID=62493044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016230229A Active JP6867145B2 (ja) | 2016-11-28 | 2016-11-28 | エネルギ需要予測システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6867145B2 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985515B (zh) * | 2018-07-24 | 2021-11-26 | 国网河南省电力公司电力科学研究院 | 一种基于独立循环神经网络的新能源出力预测方法及系统 |
US11545829B2 (en) | 2018-07-31 | 2023-01-03 | Honda Motor Co., Ltd. | Power prediction system, power prediction device, power prediction method, program, and storage medium |
JP6476338B1 (ja) * | 2018-08-28 | 2019-02-27 | 新日鉄住金エンジニアリング株式会社 | 電力需要予測システム、電力需要予測モデルの構築方法、プログラム、及び営業支援システム |
JP7168393B2 (ja) * | 2018-09-21 | 2022-11-09 | 日鉄ソリューションズ株式会社 | 情報処理装置、情報処理方法、プログラム及び記憶媒体 |
CN111144611A (zh) * | 2019-11-22 | 2020-05-12 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于聚类和非线性自回归的空间负荷预测方法 |
CN112994092B (zh) * | 2021-02-24 | 2022-07-29 | 中南大学 | 一种基于功率预测的独立风光储微电网系统尺寸规划方法 |
CN113450141B (zh) * | 2021-06-09 | 2023-09-01 | 重庆锦禹云能源科技有限公司 | 一种基于电力大客户群体售电量特征的智能预测方法及装置 |
JP2023064334A (ja) * | 2021-10-26 | 2023-05-11 | 株式会社日立製作所 | 電力系統制御装置および方法 |
CN117273802B (zh) * | 2023-09-25 | 2024-01-19 | 国网四川省电力公司广安供电公司 | 一种基于深度神经网络的中短期售电量预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02308359A (ja) * | 1989-05-24 | 1990-12-21 | Japan Radio Co Ltd | 多層ニューラルネットワーク |
JPH0588714A (ja) * | 1991-09-25 | 1993-04-09 | Hitachi Ltd | 広域需要予測方法および需要予測装置 |
JP2003337932A (ja) * | 2002-05-21 | 2003-11-28 | Yoshiki Mizukami | ニューラルネットワークによる予測装置、予測方法、および予測プログラム |
JP2004086896A (ja) * | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | 適応的予測モデル構築方法及び適応的予測モデル構築システム |
JP6384065B2 (ja) * | 2014-03-04 | 2018-09-05 | 日本電気株式会社 | 情報処理装置、学習方法、及び、プログラム |
JP5649756B1 (ja) * | 2014-08-08 | 2015-01-07 | 株式会社博報堂Dyホールディングス | 情報処理システム、及び、プログラム。 |
-
2016
- 2016-11-28 JP JP2016230229A patent/JP6867145B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2018088742A (ja) | 2018-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6867145B2 (ja) | エネルギ需要予測システム | |
AU2017368470B2 (en) | System and method for dynamic energy storage system control | |
Ma et al. | A method for multiple periodic factor prediction problems using complex fuzzy sets | |
JP5492848B2 (ja) | 電力需要予測システムおよび方法 | |
JP6079215B2 (ja) | 電力需要予測装置、プログラム | |
WO2020160427A1 (en) | Advanced power distribution platform | |
CN106126391A (zh) | 系统监控方法和装置 | |
EP3648279B1 (en) | Method, electrical grid and computer program product for predicting overloads in an electrical grid | |
CN114596693A (zh) | 用于能源监控和管理的方法、系统、介质和程序产品 | |
Depuru | Modeling, detection, and prevention of electricity theft for enhanced performance and security of power grid | |
Hampton et al. | A review of current analytical methods, modelling tools and development frameworks applicable for future retail electricity market design | |
Mystakidis et al. | Energy generation forecasting: elevating performance with machine and deep learning | |
Matijašević et al. | A systematic review of machine learning applications in the operation of smart distribution systems | |
Mehta et al. | A Review for Green Energy Machine Learning and AI Services | |
JP7316233B2 (ja) | データ処理システムおよびデータ処理方法 | |
JP2021128478A5 (ja) | ||
Graditi et al. | Machine Learning Applications for Renewable-Based Energy Systems | |
Ngo et al. | Implementing a web-based optimized artificial intelligence system with metaheuristic optimization for improving building energy performance | |
Kumru et al. | Calendar-based short-term forecasting of daily average electricity demand | |
JP2023025801A (ja) | 予測装置、予測方法およびプログラム | |
Mbuya | Short-term forecast techniques for energy management systems in microgrid applications | |
Sáenz-Peñafiel et al. | A Comprehensive Solution for Electrical Energy Demand Prediction Based on Auto-Regressive Models | |
Zhang et al. | Research on Electricity Customer Behavior Prediction Based on Improved Time Convolutional Network | |
Elsarague | Impacts of COVID-19 on Ontario's Electricity Market | |
Vespucci et al. | Integration of wind power production in a conventional power production system: Stochastic models and performance measures |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20161209 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191031 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200826 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200915 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20201030 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210114 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20210114 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210323 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210408 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6867145 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |