JP7079662B2 - 電力需要予測システム、学習装置及び電力需要予測方法 - Google Patents
電力需要予測システム、学習装置及び電力需要予測方法 Download PDFInfo
- Publication number
- JP7079662B2 JP7079662B2 JP2018101023A JP2018101023A JP7079662B2 JP 7079662 B2 JP7079662 B2 JP 7079662B2 JP 2018101023 A JP2018101023 A JP 2018101023A JP 2018101023 A JP2018101023 A JP 2018101023A JP 7079662 B2 JP7079662 B2 JP 7079662B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- prediction
- power demand
- data
- predicted
- 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
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
Description
このため、ニューラルネットワークなどの人工知能(AI、Artificial Intelligence)技術を活用した電力需要を予測するシステムの開発が活発になっている。
人工知能技術を用いて電力需要量を予測させる場合、過去の実績データに基づいて機械学習モデル(予測を行うためのモデル)を作成する。過去の実績データには、例えば、電力需要と相関が大きい天候情報等が用いられる。
例えば、特許文献1には、ニューラルネットワークを用いる分析により電力需要量を予測する手法が開示されている。特許文献1には、電力需要量を変動させる要因となり得る変動要因と電力需要とを対応づけた学習データを用いて作成した学習済みの予測モデルを用いて電力需要量を予測する。一般的に、機械学習モデルが予測した内容の確かさ(予測精度)は、学習データの数に依存し、学習データの数が多いほど予測精度が向上する傾向にある。このため、機械学習モデルを作成する場合には、学習データをより多く用いたほうが良いとされている。
また、本発明の一実施形態の電力需要予測方法は、モデル作成部が、電力需要量を変動させる要因となり得る変動要因の実績である変動要因実績データに、電力需要の実績である電力実績データを対応付けた学習データであって、互いに異なる期間に対応する学習データを用いて機械学習を実行することにより、電力需要を予測する学習済みモデルを複数生成するモデル生成工程と、選択部が、電力需要を予測する対象となる予測対象日に応じて、複数の前記学習済みモデルの中からいずれか一つを、前記予測対象日における電力需要を予測する予測モデルとして選択する選択工程と、予測部が、前記予測モデルを用いて、前記予測対象日における電力需要を予測する予測工程とを含み、前記モデル生成工程は、過去の第1時点より前の第1期間における前記学習データを用いて生成した学習済みモデルに、前記第1時点より後の第2期間における前記学習データを用いて追加学習を実行することにより第1モデルを生成する第1モデル生成工程と、前記第1期間における前記学習データを用いて機械学習を実行することにより第2モデルを生成する第2モデル生成工程と、を含み、前記選択工程は、前記第1モデルが予測する前記予測対象日より前の第3期間における第1予測電力需要と前記第3期間における前記電力実績データとに基づいて電力需要を予測する予測精度である第1予測誤り率を算出し、前記第2モデルが予測する前記第3期間における第2予測電力需要と前記第3期間における前記電力実績データとに基づいて前記予測精度である第2予測誤り率を算出し、前記第1予測誤り率及び前記第2予測誤り率のうち一方が所定の閾値未満であり、他方が所定の閾値以上である場合、前記一方の予測精度で予測した前記学習済みモデルを前記予測モデルとして選択し、前記第1予測誤り率及び前記第2予測誤り率がともに所定の閾値以上である場合、前記予測対象日より前の第4期間における前記学習データを用いて生成し直した前記第1モデル又は前記第2モデルの何れかを前記予測モデルとして選択し、前記第1予測誤り率及び前記第2予測誤り率がともに所定の閾値未満である場合、前記第1モデルと前記第2モデルのうち、選択済みである予測モデルから変更を行わない電力需要予測方法である。
電力需要予測システム1は、電力需要を変動する要因となり得る変動要因データに基づいて電力需要を予測する。ここで、変動要因データは、対象施設における電力需要を変動させる要因となり得る情報であり、例えば、その対象施設における天候を示す情報である。例えば、対象施設において繁忙期や閑散期があり、電力を消費する施設や装置を駆動させる頻度が時期によって異なる場合には、時間や時期を示す情報が変動要因として用いられてもよい。以下では、変動要因データとして、対象施設や対象施設が設置されえた地域における天候を用いる場合を例示して説明するが、これに限定されることはなく、変動要因データとして天候以外の情報が用いられてよい。
予測モデルは、学習データに基づいて、過去の様々な天候と、対象施設の電力需要との関係を学習する。予測モデルは、電力需要を予測したい日(予測対象日)の天候と同じか、又は似た天候を学習済みである場合、その学習済みの天候実績データに対応する電力実績データに基づいて現在の電力需要を予測する。
また、予測モデル生成サーバ10は、対象施設50から電力実績データを定期的(例えば、30分毎)にその電力需要が測定された日時の情報と共に取得する。
そして、学習済みモデルは、予測対象日の天候や天気予報のデータに基づいて、学習済みのデータから予測対象日の天候と一致するか、又は似た天候がないか探索を行う。学習済みモデルは、学習済みモデルに予測対象日の天候と一致するか、又は似た天候がある場合には、その天候実績データに対応付けられた電力実績データに基づいて予測対象日における電力需要を予測する。
天候データ取得部300は、天候データ提供サーバ40から、予測対象日における天候の予想データを取得し、取得した天候の予想データを天候データ出力部302に出力する。天候データ出力部302は、天候の予想データを必要に応じて予測モデルに入力可能な形式に加工し、加工した予想データを予測モデル生成サーバ10に送信する。
予測結果取得部301は、天候の予想データを予測モデルに入力させた結果としての電力需要の予測値を、予測モデル生成サーバ10から取得する。予測結果出力部303は、予測モデル生成サーバ10から取得した電力需要の予測値を出力し、電力需要予測サーバ30の表示部(不図示)に表示させたり、プリンタ(不図示)に印刷させたりする。
図4では、予測モデル生成サーバ10は、第1期間における天候実績データ及び電力実績データを取得し、取得したデータを用いて第1期間における学習データを生成し、生成した学習データを用いて、第1モデル及び第2モデルを生成する。そして、予測モデル生成サーバ10は、第1モデル及び第2モデルの何れかを予測モデルとして選択済みであることを前提とする。
図4に示すように、予測モデル生成サーバ10は、第2期間における天候実績データ及び電力実績データを取得し、第2期間における学習データを用いて、第1モデルを追加学習させる(符号111)。この例では、予測モデル生成サーバ10は、30分毎の天候実績データ及び電力実績データを用いて、第1モデルに一日一回の追加学習を行う。
一方、予測モデル生成サーバ10は、第2モデルには追加学習を行わない(符号112)。
そして、予測モデル生成サーバ10は、第3期間(図4では、「過去の直近」と記載)の天候予測実績データからモデルが予測した予測値と、過去の直近の電力実績値とを比較することにより予測精度を算出する(符号113)。そして、予測モデル生成サーバ10は、第1モデル及び第2モデルの予測精度を、精度閾値と比較することにより、予測対象日に使用する予測モデルを決定する。
ここで、予測モデル生成サーバ10は、予測モデルとして選択した第1モデル又は第2モデルの予測精度が、精度閾値以上であった場合(図4では、「予測精度が悪化した場合」と記載)、予測モデルを交換する(符号114)。
電力需要予測サーバ30は、予測対象日における天候予報データを取得する(符号310)。電力需要予測サーバ30は、取得した天候予報データを予測モデルに入力することにより、電力需要の予測値を取得する(符号311)。この例では、電力需要予測サーバ30は、一日複数回天候予報データを取得し、取得する度に電力需要を予測する。そして、電力需要予測サーバ30は、予測対象日における電力需要の予測値(予測結果)を出力する(符号312)。
予測モデル生成サーバ10は、第3期間における天候実績データ及び電力実績データを取得する(ステップS201)。そして、予測モデル生成サーバ10は、第3期間における第1モデルの電力需要の第1予測値、及び第2モデルの電力需要の第2予測値を取得し(ステップS202)、取得した第1予測値の予測精度EEP1、及び第2モデルの予測精度EEP2を算出する(ステップS203)。そして、予測モデル生成サーバ10は、予測精度EEP1、予測精度EEP2及び精度閾値EEPthを比較する(ステップS204)。
予測モデル生成サーバ10は、予測精度EEP1と予測精度EEP2とが共に精度閾値EEPth未満である場合、予測モデルを変更しない(ステップS205)。
予測モデル生成サーバ10は、予測精度EEP1が精度閾値EEPth未満であり、予測精度EEP2が精度閾値EEPth以上である場合、予測モデルを第1モデルとする(ステップS206)。
予測モデル生成サーバ10は、予測精度EEP1が精度閾値EEPth以上であり、予測精度EEP2が精度閾値EEPth未満である場合、予測モデルを第2モデルとする(ステップS207)。
予測モデル生成サーバ10は、予測精度EEP1と予測精度EEP2とが共に精度閾値EEPth以上である場合、第4期間における天候実績データ及び電力実績データを取得する(ステップS208)。
上述したステップS208に示す処理が行われることにより、モデル1及びモデル2が生成し直される。そして、作成し直されたモデル1には、図4の符号111に対応する追加学習が行われる。
例えば、施設内の設備機器の更新や撤去等により、電力需要の推移が普段と異なるイレギュラーな状況をモデルが学習してしまった場合でも、そのモデルの予測精度が悪ければ、イレギュラーな状況を学習していないモデルに切り替えて予測させることができ、予測精度の悪化を抑制できる。
このため、予測対象日において施設の設備における運転計画を、高い精度で立案することができ、施設において、天候に応じて最適に、尚且つ、契約電力等に基づく制約条件を満すように設備の運転を行うことができ、省エネルギー、節電に寄与することができる。
また、実施形態の電力需要予測システム1では、モデルの予測精度EEPを算出し、所定の閾値と比較することによりモデルを選択する。これにより、モデルが予測する予測の精度を定量的な指標により評価して予測精度の高いモデルを選択できる。
また、実施形態の電力需要予測システム1では、モデルが予測した予測値が所定の閾値以上である場合、学習内容を変えてモデルを生成し直す。これにより、何れのモデルの予測精度も悪い場合に、予測対象日に近い期間の学習データを用いてモデルを作成し直すことができ、より予測精度の高いモデルを予測モデルとして選択することができる。
また、実施形態の電力需要予測システム1では、変動要因実績データは、天候に関する実績である天候実績データである。これにより、電力需要の変動と関連性が高い天候データを用いてモデルに学習をさせることができ、より予測精度が高いモデルを作成できる。
Claims (5)
- 電力需要量を変動させる要因となり得る変動要因の実績である変動要因実績データに、電力需要の実績である電力実績データを対応付けた学習データであって、互いに異なる期間に対応する学習データを用いて機械学習を実行することにより、電力需要を予測する学習済みモデルを複数生成するモデル作成部と、
電力需要を予測する対象となる予測対象日に応じて、複数の前記学習済みモデルの中からいずれか一つを、前記予測対象日における電力需要を予測する予測モデルとして選択する選択部と、
前記予測モデルを用いて、前記予測対象日における電力需要を予測する予測部
を備え、
前記モデル作成部は、
過去の第1時点より前の第1期間における前記学習データを用いて生成した学習済みモデルに、前記第1時点より後の第2期間における前記学習データを用いて追加学習を実行することにより第1モデルを生成する第1モデル作成部と、
前記第1期間における前記学習データを用いて機械学習を実行することにより第2モデルを生成する第2モデル作成部と
を備え、
前記選択部は、
前記第1モデルが予測する前記予測対象日より前の第3期間における第1予測電力需要と前記第3期間における前記電力実績データとに基づいて電力需要を予測する予測精度である第1予測誤り率を算出し、
前記第2モデルが予測する前記第3期間における第2予測電力需要と前記第3期間における前記電力実績データとに基づいて前記予測精度である第2予測誤り率を算出し、
前記第1予測誤り率及び前記第2予測誤り率のうち一方が所定の閾値未満であり、他方が所定の閾値以上である場合、前記一方の予測精度で予測した前記学習済みモデルを前記予測モデルとして選択し、
前記第1予測誤り率及び前記第2予測誤り率がともに所定の閾値以上である場合、前記予測対象日より前の第4期間における前記学習データを用いて生成し直した前記第1モデル又は前記第2モデルの何れかを前記予測モデルとして選択し、
前記第1予測誤り率及び前記第2予測誤り率がともに所定の閾値未満である場合、前記第1モデルと前記第2モデルのうち、選択済みである予測モデルから変更を行わない
電力需要予測システム。 - 前記選択部は、前記第1モデルが予測する前記予測対象日より前の第3期間における第1予測電力需要、前記第2モデルが予測する前記第3期間における第2予測電力需要、及び前記第3期間における前記電力実績データに基づいて、前記第1モデル又は前記第2モデルのいずれかを前記予測モデルとして選択し、選択した前記第1モデル又は前記第2モデルの一方の学習内容を、他方のモデルに学習させることにより前記他方のモデルを更新させる
請求項1に記載の電力需要予測システム。 - 前記変動要因実績データは、天候に関する実績である天候実績データである
請求項1または2に記載の電力需要予測システム。 - 電力需要量を変動させる要因となり得る変動要因の実績である変動要因実績データに、電力需要の実績である電力実績データを対応付けた学習データであって、互いに異なる期間に対応する学習データを用いて機械学習を実行することにより、電力需要を予測する学習済みモデルを複数生成するモデル作成部と、
電力需要を予測する対象となる予測対象日に応じて、複数の前記学習済みモデルの中からいずれか一つを、前記予測対象日における電力需要を予測する予測モデルとして選択する選択部とを備え、
前記モデル作成部は、
過去の第1時点より前の第1期間における前記学習データを用いて生成した学習済みモデルに、前記第1時点より後の第2期間における前記学習データを用いて追加学習を実行することにより第1モデルを生成する第1モデル作成部と、
前記第1期間における前記学習データを用いて機械学習を実行することにより第2モデルを生成する第2モデル作成部と
を備え、
前記選択部は、
前記第1モデルが予測する前記予測対象日より前の第3期間における第1予測電力需要と前記第3期間における前記電力実績データとに基づいて電力需要を予測する予測精度である第1予測誤り率を算出し、
前記第2モデルが予測する前記第3期間における第2予測電力需要と前記第3期間における前記電力実績データとに基づいて前記予測精度である第2予測誤り率を算出し、
前記第1予測誤り率及び前記第2予測誤り率のうち一方が所定の閾値未満であり、他方が所定の閾値以上である場合、前記一方の予測精度で予測した前記学習済みモデルを前記予測モデルとして選択し、
前記第1予測誤り率及び前記第2予測誤り率がともに所定の閾値以上である場合、前記予測対象日より前の第4期間における前記学習データを用いて生成し直した前記第1モデル又は前記第2モデルの何れかを前記予測モデルとして選択し、
前記第1予測誤り率及び前記第2予測誤り率がともに所定の閾値未満である場合、前記第1モデルと前記第2モデルのうち、選択済みである予測モデルから変更を行わない
学習装置。 - モデル作成部が、電力需要量を変動させる要因となり得る変動要因の実績である変動要因実績データに、電力需要の実績である電力実績データを対応付けた学習データであって、互いに異なる期間に対応する学習データを用いて機械学習を実行することにより、電力需要を予測する学習済みモデルを複数生成するモデル生成工程と、
選択部が、電力需要を予測する対象となる予測対象日に応じて、複数の前記学習済みモデルの中からいずれか一つを、前記予測対象日における電力需要を予測する予測モデルとして選択する選択工程と、
予測部が、前記予測モデルを用いて、前記予測対象日における電力需要を予測する予測工程とを含み、
前記モデル生成工程は、
過去の第1時点より前の第1期間における前記学習データを用いて生成した学習済みモデルに、前記第1時点より後の第2期間における前記学習データを用いて追加学習を実行することにより第1モデルを生成する第1モデル生成工程と、
前記第1期間における前記学習データを用いて機械学習を実行することにより第2モデルを生成する第2モデル生成工程と、を含み、
前記選択工程は、
前記第1モデルが予測する前記予測対象日より前の第3期間における第1予測電力需要と前記第3期間における前記電力実績データとに基づいて電力需要を予測する予測精度である第1予測誤り率を算出し、
前記第2モデルが予測する前記第3期間における第2予測電力需要と前記第3期間における前記電力実績データとに基づいて前記予測精度である第2予測誤り率を算出し、
前記第1予測誤り率及び前記第2予測誤り率のうち一方が所定の閾値未満であり、他方が所定の閾値以上である場合、前記一方の予測精度で予測した前記学習済みモデルを前記予測モデルとして選択し、
前記第1予測誤り率及び前記第2予測誤り率がともに所定の閾値以上である場合、前記予測対象日より前の第4期間における前記学習データを用いて生成し直した前記第1モデル又は前記第2モデルの何れかを前記予測モデルとして選択し、
前記第1予測誤り率及び前記第2予測誤り率がともに所定の閾値未満である場合、前記第1モデルと前記第2モデルのうち、選択済みである予測モデルから変更を行わない
電力需要予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018101023A JP7079662B2 (ja) | 2018-05-25 | 2018-05-25 | 電力需要予測システム、学習装置及び電力需要予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018101023A JP7079662B2 (ja) | 2018-05-25 | 2018-05-25 | 電力需要予測システム、学習装置及び電力需要予測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019204458A JP2019204458A (ja) | 2019-11-28 |
JP7079662B2 true JP7079662B2 (ja) | 2022-06-02 |
Family
ID=68727099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018101023A Active JP7079662B2 (ja) | 2018-05-25 | 2018-05-25 | 電力需要予測システム、学習装置及び電力需要予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7079662B2 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111163430B (zh) * | 2019-12-30 | 2023-11-21 | 上海云瀚科技股份有限公司 | 基于手机基站用户定位数据的水量预测的方法 |
JP7462259B2 (ja) | 2020-01-14 | 2024-04-05 | パナソニックIpマネジメント株式会社 | 計測装置、システム、計測方法、及びプログラム |
JP7357225B2 (ja) | 2020-03-27 | 2023-10-06 | パナソニックIpマネジメント株式会社 | 推論実行方法 |
JP7474623B2 (ja) * | 2020-03-27 | 2024-04-25 | 本田技研工業株式会社 | 電力算出装置 |
WO2021252734A1 (en) * | 2020-06-11 | 2021-12-16 | DataRobot, Inc. | Systems and methods for managing machine learning models |
JP7379286B2 (ja) * | 2020-06-25 | 2023-11-14 | 株式会社日立プラントサービス | 学習装置、予測システム、および、学習方法 |
CN112365280B (zh) * | 2020-10-20 | 2024-04-19 | 国网冀北电力有限公司计量中心 | 电力需求的预测方法及装置 |
KR102622917B1 (ko) * | 2021-06-15 | 2024-01-10 | 한국전력공사 | 이중 시계열 분석을 통한 계통측정정보 상태 판정 방법 및 상태 판정 장치 |
CN116070804B (zh) * | 2023-04-06 | 2023-07-14 | 国网冀北电力有限公司 | 基于知识图谱和数据驱动的电力系统负荷预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000276460A (ja) | 1999-03-24 | 2000-10-06 | Fuji Electric Co Ltd | 電力需要量予測方法 |
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 |
JP2004094437A (ja) | 2002-08-30 | 2004-03-25 | Fuji Electric Holdings Co Ltd | データ予測方法及びデータ予測システム |
JP2013200586A (ja) | 2012-03-23 | 2013-10-03 | Hitachi Ltd | 特性モデル更新処理装置及び特性モデル更新方法 |
JP2015082259A (ja) | 2013-10-23 | 2015-04-27 | 本田技研工業株式会社 | 時系列データ予測装置、時系列データ予測方法、及びプログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3224641B2 (ja) * | 1993-07-27 | 2001-11-05 | 中部電力株式会社 | 最大電力需要予測方法 |
-
2018
- 2018-05-25 JP JP2018101023A patent/JP7079662B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000276460A (ja) | 1999-03-24 | 2000-10-06 | Fuji Electric Co Ltd | 電力需要量予測方法 |
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 |
JP2004094437A (ja) | 2002-08-30 | 2004-03-25 | Fuji Electric Holdings Co Ltd | データ予測方法及びデータ予測システム |
JP2013200586A (ja) | 2012-03-23 | 2013-10-03 | Hitachi Ltd | 特性モデル更新処理装置及び特性モデル更新方法 |
JP2015082259A (ja) | 2013-10-23 | 2015-04-27 | 本田技研工業株式会社 | 時系列データ予測装置、時系列データ予測方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2019204458A (ja) | 2019-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7079662B2 (ja) | 電力需要予測システム、学習装置及び電力需要予測方法 | |
Faber et al. | Reservoir optimization using sampling SDP with ensemble streamflow prediction (ESP) forecasts | |
Douglas et al. | Risk due to load forecast uncertainty in short term power system planning | |
US20150317589A1 (en) | Forecasting system using machine learning and ensemble methods | |
US20120095608A1 (en) | Demand prediction apparatus, and computer readable, non-transitory storage medium | |
JP2006304402A (ja) | 分散型エネルギーシステムの制御装置、制御方法、プログラム、および記録媒体 | |
JPWO2020179849A1 (ja) | 計画装置、制御装置、方法、およびプログラム | |
US10770898B2 (en) | Methods and systems for energy use normalization and forecasting | |
JP4347030B2 (ja) | 風力発電出力予測方法 | |
US11796992B2 (en) | Condition-based method for malfunction prediction | |
CN105809264B (zh) | 电力负载预测方法和装置 | |
JP2009225613A (ja) | 電力需要予測装置及び電力需要予測方法 | |
Faiq et al. | Prediction of energy consumption in campus buildings using long short-term memory | |
WO2022168357A1 (ja) | 発電量管理システム及び発電量管理方法 | |
WO2020175239A1 (ja) | 運転指標提示装置、運転指標提示方法、およびプログラム | |
CN112200366B (zh) | 负荷预测方法、装置、电子设备及可读存储介质 | |
JP7079663B2 (ja) | 電力需要予測システム、学習装置及び電力需要予測方法 | |
JP7330077B2 (ja) | 電力需要予測システムおよび電力需要予測システムの制御方法 | |
JP2022189386A (ja) | 情報処理装置、情報処理方法及びプログラム | |
Hasche et al. | Effects of improved wind forecasts on operational costs in the German electricity system | |
KR20220078243A (ko) | 시계열 네트워크 데이터에 대한 예측 장치 및 그 방법 | |
JPH11126102A (ja) | ガス需要量の予測方法 | |
Swide et al. | Energy Demand Prediction Based on Deep Learning Techniques | |
JP2020115276A (ja) | 情報処理方法、情報処理装置、プログラム及び学習済みモデルの生成方法 | |
EP3889698A1 (en) | Method, computer-implemented tool and power plant control device for determining a performance of a hybrid power plant and hybrid power plant system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210423 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220222 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220222 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220419 |
|
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: 20220510 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220523 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7079662 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |