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
本発明は、電力需要予測システム、学習装置及び電力需要予測方法に関する。
２０１６年４月にスタートした電力小売自由化により、消費電力に応じた様々な料金プランが提供されるようになった。このような多様な料金プランに沿って施設や建物における電気料金を増大させることなく運用するために、施設等の電力需要を精度よく予測するシステムが望まれている。施設等の電力需要を精度よく予測することができれば、予測した電力需要に沿って施設等における設備の運転計画を立てることができる。そして、立案した運転計画に従って設備を稼働させることで、料金プランに沿った契約電力を超過させることなく尚且つ設備を適切に運用することができるためである。
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。
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。
しかしながら、電力需要予測においては、学習データの数を増やすと予測精度が悪化する場合があり得る。例えば、施設内の設備が故障して使用できない場合など、一時的に施設の運用が変更された場合、この変更により電力需要パターンが大きく変化することが考えられる。このように一時的に電力需要パターンが大きく変化した場合、その期間の電力需要のデータを学習データに用いて予測モデルを生成すると、通常運用時の電力需要パターンとは異なるパターンを学習したことにより、通常の運用に戻った場合であっても、変化時のパターンを用いて予測が行われるため、通常運用時における予測精度は悪化することが考えられる。
本発明は、このような事情に鑑みてなされたものであり、その目的は、一時的に電力需要パターンが変化した場合であっても、電力需要を精度よく予測することができる電力需要予測システム、学習装置及び電力需要予測方法を提供することである。
上述した課題を解決するために本発明の一実施形態の電力需要予測システムは、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である。
また、本発明の一実施形態の学習装置は、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である。
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。
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。
以上説明したように、この発明によれば、学習内容が異なる複数の学習済みモデルから予測モデルを選択するため、一時的に変化した電力需要パターンを学習したモデルと学習していないモデルとを、予測対象の状況に応じて選択できる。このため、一時的に電力需要パターンが変化した場合であっても、予測対象日における電力需要を精度よく予測することができる。
以下、実施形態の電力需要予測システム、学習サーバ装置を、図面を参照して説明する。
図１は、実施形態の電力需要予測システム１の構成を示す構成図である。電力需要予測システム１は、予測の対象となる施設や建物（以下、対象施設という）における電力需要量（以下、単に「電力需要」ともいう）を予測する。
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。
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。
電力需要予測システム１は、天候に基づいて電力需要を予測する予測モデルを用いて電力需要を予測する。ここで、予測モデルは、対象施設５０における天候と電力需要との関係を学習した学習済みモデルである。具体的に、予測モデルは、天候の実績である天候実績データに、電力需要の実績を示す電力実績データを対応付けた学習データを用いて機械学習を実行することにより生成される。
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。
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。
電力需要予測システム１は、例えば、予測モデル生成サーバ１０と、通信ネットワーク２０と、電力需要予測サーバ３０と、天候データ提供サーバ４０と、対象施設５０とを備える。予測モデル生成サーバ１０と、電力需要予測サーバ３０と、天候データ提供サーバ４０と、対象施設５０とは、通信ネットワーク２０を介して通信可能に接続されている。ここで、電力需要予測サーバ３０は、「学習装置」の一例である。また、電力需要予測サーバ３０は、「予測部」の一例である。
予測モデル生成サーバ１０は、予測モデルを生成するサーバ装置である。予測モデル生成サーバ１０は、天候データ提供サーバ４０から天候実績データを定期的（例えば、３０分毎）にその天候が観測された日時の情報と共に取得する。
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。
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。
予測モデル生成サーバ１０は、取得した天候実績データと電力実績データとを用いて、学習内容が互いに異なる複数の学習済みモデルを生成する。予測モデル生成サーバ１０は、予測対象日に応じて、複数の学習済みモデルのうち何れか一つを、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。また、予測モデル生成サーバ１０は、予測モデルとして選択したモデルに基づいて複数の学習済みモデルの学習内容を更新させる。以下の説明においては、予測モデル生成サーバ１０が互いに学習内容が異なる二つの学習済みモデルを生成する場合を例示して説明する。
通信ネットワーク２０は、例えば、インターネット、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、プロバイダ装置、無線基地局、専用回線などのうちの一部または全部を含む通信網である。
電力需要予測サーバ３０は、対象施設５０の電力需要を予測する。電力需要予測サーバ３０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予報である天候予報データを取得する。電力需要予測サーバ３０は、取得した天候予報データを、予測モデル生成サーバ１０により生成された予測モデルに入力することにより得られる出力結果として、電力需要の予測値を取得する。
天候データ提供サーバ４０は、例えば、気象衛星や観測所等から得られる気象情報や、気象情報に基づいて予想される天気予報等を提供するサーバ装置である。天候データ提供サーバ４０は、例えば、予測モデル生成サーバ１０及び電力需要予測サーバ３０からの送信要求に応じて、対象施設５０における天候に関する天候データを送信する。ここでの天候データは、天候に関する情報であって、例えば、天気、気温、降水量、風向き、風速、日照時間、湿度や気圧などを示す情報である。また、天候データには、天候実績データと天候の予想データとが含まれる。つまり、天候データ提供サーバ４０は、現在の天候や過去の天候に関する情報、及び未来に予想される天候に関する情報を提供する。
対象施設５０は、電力需要予測システム１が電力需要を予測する対象となる建物や施設等である。対象施設５０は、例えば、工場、商業施設、オフィスビ等の建築構造物である。対象施設５０は、店舗や娯楽施設に宿泊施設や住居施設及び公共施設などを備えた複合型の建築構造物であってもよい。対象施設５０は、対象施設５０に備えられた電力量計（不図示）により電力需要の大きさが検出される。対象施設５０は、検出した電力需要の大きさを示す情報を、通信ネットワーク２０を介して送信する。
ここで、対象施設５０においては、例えば、天気や気温に応じて施設内の設備機器（エアコン装置等）が使用された結果として、電力需要の大きさが決定される。天候と電力需要とは相関する関係にあるため、施設内の設備機器が増減するような変化がない通常の場合には、天候に応じて電力需要のパターンはある程度同じようなパターンとなる。学習済みモデルは、天候実績データと電力実績データとから、このような通常運用の状態における様々な天候と電力需要の関係を学習し、天候に応じて電力需要がどのような傾向となるかを学習する。
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。
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。
しかしながら、対象施設５０においては、天候と電力需要との関係が変化してしまうようなイレギュラーな事態が起こり得る。ここでのイレギュラーな事態とは、例えば、施設内の設備機器が故障したり、修理が必要になったりして、通常なら使用されるはずの設備機器が使用できなくなるような事態である。この場合、例えば、通常なら所定の気温以上になれば使用されるはずの設備機器が使用されないことになる。このため、天候に応じた、電力需要のパターンが、通常の場合とは異なるパターンに変化する。
学習済みモデルが、このようなイレギュラーな期間の電力実績を学習すると、天候と電力需要との関係について通常とは異なる関係を学習してしまう。この場合、学習済みモデルは、イレギュラーな運用であるにも関わらず、その状態が通常運用であると誤った認識をして電力需要を予測してしまう。このため、予測対象日において通常運用が行われている場合であっても、イレギュラーな運用が行われているとみなして電力需要を予測してしまう。この結果、学習済みモデルは、予測した電力需要が実際の電力需要から大きく異なってしまうような精度の悪い予測をしてしまうことになる。
このように、対象施設５０においては、通常の運用がなされる場合と、イレギュラーな運用がなされる場合とがある。通常の運用の状態を学習したモデルは、予測対象日において通常の運用がなされている場合には、精度よく電力需要を予測することが可能である。一方、イレギュラーな運用の状態を学習したモデルは、予測対象日において通常の運用がなされている場合には、精度よく電力需要を予測することが困難となる。このような観点から、本実施形態では、予測モデル生成サーバ１０は、互いに異なる学習のさせ方をした二つの学習済みモデルを用意する。そして、予測モデル生成サーバ１０は、二つの学習済みモデルのうち、予測対象日の運用状態を学習したモデル、つまり、より精度よく電力需要を予測し得るモデルを予測モデルとする。予測モデル生成サーバ１０が、二つのモデルに学習させる方法、及び予測の精度を算出する方法については後で詳しく説明する。
図２は、実施形態の予測モデル生成サーバ１０の構成例を示すブロック図である。予測モデル生成サーバ１０は、例えば、天候実績データ取得部１００、電力実績データ取得部１０１、第１モデル作成部１０２、第２モデル作成部１０３、選択部１０４、天候実績データ記憶部１０５、電力実績データ記憶部１０６、第１モデル記憶部１０７、第２モデル記憶部１０８、及び予測モデル記憶部１０９を備える。ここで、第１モデル作成部１０２及び第２モデル作成部１０３は、「モデル作成部」の一例である。
天候実績データ取得部１００は、天候データ提供サーバ４０から天候実績データを取得する。天候実績データ取得部１００は、取得した天候実績データを、第１モデル作成部１０２及び第２モデル作成部１０３に出力する。また、天候実績データ取得部１００は、取得した天候実績データを、天候実績データ記憶部１０５に記憶させる。
電力実績データ取得部１０１は、対象施設５０から電力実績データを取得する。電力実績データ取得部１０１は、取得した電力実績データを、第１モデル作成部１０２及び第２モデル作成部１０３に出力する。また、電力実績データ取得部１０１は、取得した電力実績データを、電力実績データ記憶部１０６に記憶させる。
第１モデル作成部１０２は、予測モデル生成サーバ１０が用意する二つの学習済みモデルの一方のモデル（以下、第１モデルと称する）を生成する。第１モデル作成部１０２は、例えば、天候実績データ取得部１００から出力された天候実績データから、過去のある時点（第１時点と称する）より前の期間（第１期間と称する）における天候実績データと、その天候実績データと対応する電力実績データとを組み合わせることにより学習データを生成する。第１モデル作成部１０２は、生成した学習データを用いて機械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１０２は、作成した第１モデルを第１モデル記憶部１０７に記憶させる。
また、第１モデル作成部１０２は、第１期間より後の期間（第２期間と称する）に取得された天候実績データと電力実績データとを組み合わせた学習データを用いて第１モデルに追加学習を行う。ここでの追加学習は、モデルに学習させた学習データとは時期が異なる天候実績データと電力実績データとを用いて、機械学習を実行することにより、更に学習済みモデルに学習をさせることである。つまり、第１モデルは、第１期間及びその後の第２期間に取得された天候と電力需要との関係を学習した学習済みモデルである。第１モデル作成部１０２は、第１モデルに追加学習させる毎に、第１モデル記憶部１０７に記憶させた第１モデルを更新させる。第１モデル作成部１０２は、例えば、第１モデルを作成した後、定期的（例えば３０分毎）に天候実績データ及び電力実績データを取得し、一日に一回、定期的に取得したデータを用いて追加学習を行う。
第２モデル作成部１０３は、予測モデル生成サーバ１０が用意する二つの学習済みモデルの他方のモデル（以下、第２モデルと称する）を生成する。第２モデル作成部１０３は、第１モデル作成部１０２と同様に、第１期間における学習データを生成する。第２モデル作成部１０３は、生成した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。ここで、第２モデルは、第１期間以降における学習データを用いて追加学習を行わない。つまり、第２モデルは、第１期間に取得された天候と電力需要との関係のみを学習した学習済みモデルである。第２モデル作成部１０３は、作成した第２モデルを第２モデル記憶部１０８に記憶させる。
選択部１０４は、予測対象日に応じて、第１モデルと第２モデルからいずれかを、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１０４は、第１モデルと第２モデルのうち、予測対象日における電力需要をより精度よく予測し得るモデルを予測モデルとする。
選択部１０４は、第１モデルに追加学習が行われる前において、第１モデルと第２モデルの何れを選択モデルとして選択してもよい。第１モデルと第２モデルの各々が共に第３期間の学習データを用いて作成されていることから、第１モデルに追加学習が行われる前においては、学習した内容が同じ内容であり、両モデルから予測される電力需要は同じ値となるためである。
選択部１０４は、追加学習がされた後の第１モデルと第２モデルの各々について、予測対象日より過去の直近の期間（第３期間と称する）の天候実績データを用いて、第３期間の電力需要を予測させる。ここで、第３期間は、第１期間よりも、予測対象日に近い期間であり、例えば、予測対象日の一週間前から前日までの期間である。選択部１０４は、第３期間における電力需要の予測値が、電力需要の実績により近いモデルを予測モデルとする。第３期間の電力需要を精度よく予測することができれば、予測対象日の電力需要もより精度よく予測することができると推測されるためである。つまり、選択部１０４は、第１モデルと第２モデルのうち、予測対象日においてより精度よく電力需要を予測し得るモデルを予測モデルとする。
選択部１０４は、予測された電力需要の精度として、第１モデルと第２モデルの各々が予測した電力需要に基づいて、下記（１）式に示す予測精度ＥＥＰ（Ｅｘｐｅｃｔｅｄ Ｅｒｒｏｒ Ｐｅｒｃｅｎｔａｇｅ、予測誤り率）を算出する。ここで、ｎはデータ数、ｙｐは予測値、ｙｄは実測値、ｙｄ、ｍａｘはｎ個の実測値のうちの最大値、をそれぞれ示す。
ここで、（１）式においては、予測された電力需要の精度を百分率で示し、精度が良い場合には小さい数値を示し、精度が悪い場合には大きい数値を示す。
選択部１０４は、第１モデルと第２モデルの各々の予測精度ＥＥＰを算出し、算出した予測精度ＥＥＰを、予め定めた所定の精度閾値ＥＥＰｔｈ（例えば、１０［％］）と比較する。選択部１０４は、一方のモデルの予測精度ＥＥＰが所定の精度閾値ＥＥＰｔｈ以上であり、他方のモデルの予測精度ＥＥＰが所定の精度閾値ＥＥＰｔｈ未満である場合、他方のモデルを予測モデルとして選択する。
具体的には、選択部１０４は、精度閾値ＥＥＰｔｈが１０［％］である場合、第１モデルの予測精度ＥＥＰが５［％］、第２モデルの予測精度ＥＥＰが１４［％］、である場合、第１モデルを予測モデルとして選択する。一方、選択部１０４は、第１モデルの予測精度ＥＥＰが１２［％］、第２モデルの予測精度ＥＥＰが５［％］、である場合、第２モデルを予測モデルとして選択する。
選択部１０４は、第１モデルと第２モデルの何れかを予測モデルとして選択した場合、選択した予測モデルに応じて、第１モデル作成部１０２、及び第２モデル作成部１０３に対して、第１モデルと第２モデルとを更新させる。
具体的には、選択部１０４は、第１モデルを予測モデルとして選択した場合、第２モデル作成部１０３に、第２モデルの学習内容を第１モデルの学習内容と同じとなるように更新させる。より具体的には、選択部１０４は、第１モデルを予測モデルとして選択した場合、第２モデルにおいて追加学習させた部分について、追加学習する前の学習状態に戻すようにする。つまり、選択部１０４は、第１モデルを予測モデルとして選択した場合、第１モデルを予測対象日において電力需要をより精度よく予測すると判定し、第２モデルに追加学習させた部分については電力需要の予測を低下させる要因とみなして学習データから削除させる。
一方、選択部１０４は、第２モデルを予測モデルとして選択した場合、第１モデル作成部１０２に、第１モデルの学習内容を第２モデルの学習内容と同じとなるように更新させる。より具体的には、選択部１０４は、第２モデルを予測モデルとして選択した場合、第２モデルにおいて追加学習させた部分について、第１モデルにも学習させるようにする。つまり、選択部１０４は、第２モデルを予測モデルとして選択した場合、第２モデルを予測対象日において電力需要をより精度よく予測すると判定し、第２モデルに追加学習させた部分が電力需要の予測を向上させる学習データであるとみなして、当該学習データを第１モデルにも学習させる。
選択部１０４は、第１モデルと第２モデルの予測精度ＥＥＰが、共に精度閾値ＥＥＰｔｈ以上である場合、予め定めた過去の所定の期間（第４期間と称する）における天候実績データを用いて、第１モデルと第２モデルの各々を作成し直す。ここで、第４期間は、第１期間よりも、予測対象日に近い期間であり、例えば、予測対象日の一か月前から前日までの期間である。
選択部１０４は、第１モデルと第２モデルの各々を第４期間の学習データで作成し直してから、第１モデルに追加学習が行われる前までの期間においては、第１モデルと第２モデルの何れを選択モデルとして選択してもよい。第１モデルと第２モデルの各々が第４期間の学習データを用いて作成されていることから、第１モデルに追加学習が行われる前においては、学習した内容が同じ内容であり、両モデルから予測される電力需要は同じ値となるためである。
天候実績データ記憶部１０５は、天候実績データ取得部１００により取得された天候実績データをその天候が観測された日時の情報と共に記憶する。電力実績データ記憶部１０６は、電力実績データ取得部１０１により取得された電力実績データをその電力需要が測定された日時の情報と共に記憶する。第１モデル記憶部１０７は、第１モデル作成部１０２により作成された第１モデルを記憶する。第２モデル記憶部１０８は、第２モデル作成部１０３により作成された第２モデルを記憶する。予測モデル記憶部１０９は、選択部１０４により選択された予測モデルを記憶する。
図３は、実施形態の電力需要予測サーバ３０の構成例を示すブロック図である。電力需要予測サーバ３０は、例えば、天候データ取得部３００と、予測結果取得部３０１と、天候データ出力部３０２と、予測結果出力部３０３とを備える。
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。
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。
ここで、予測モデル生成サーバ１０の動作例を図４及び図５を用いて説明する。図４は、実施形態の予測モデル生成サーバ１０及び電力需要予測サーバ３０の動作例を示す模式図である。図５は、実施形態の予測モデル生成サーバ１０の動作例を示すフローチャートである。
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）。
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）。
次に、図５を用いて予測モデル生成サーバ１０が行う予測モデルを選択する処理の流れを説明する。
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。
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。
以上説明したように、実施形態の電力需要予測システム１は、学習期間が異なる複数のモデルの中からいずれか一つを、予測モデルとして選択する。これにより、実施形態の電力需要予測システム１は、予測対象日に応じて電力需要を精度よく予測し得るモデルを選択できる。このため、一方のモデルに学習させた内容と予測対象日の施設状況とが整合しないために予測精度が悪くなってしまう場合でも、他方のモデルに学習させた内容が予測対象日の施設状況に整合していれば、他方のモデルを選択でき、予測精度を劣化させることなく精度よく電力需要を予測できる。
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。
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、第１モデルに追加学習を行い、第２モデルには追加学習を行わない。これにより、追加学習させる部分について、学習済みのモデルと学習しないモデルとの二つモデルを作成でき、追加学習させた部分と予測対象日と状況の相違に応じて、より予測精度の高いモデルを選択することが可能となる。
また、実施形態の電力需要予測システム１では、予測対象日の直前の期間について、二つのモデルが予測した予測値と、実際の電力需要とに基づいてモデルを選択し、選択したモデルの学習内容を、他方のモデルに学習させる。これにより、予測対象日の直前の期間の予測が実際の電力需要に近いモデルを、予測対象日により精度よく予測し得るモデルとして選択できる。また、選択したモデルの学習内容を他方のモデルに反映させることができ、他方のモデルを、予測精度の高いモデルとすることができる。
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。
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。
また、実施形態の予測モデル生成サーバ１０（「学習装置」の一例）は、学習期間が異なる複数のモデルの中からいずれか一つを、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。これにより、複数の学習済みモデルから予測対象日における電力需要をより精度よく予測し得るモデルを選択でき、選択されたモデルを用いることにより電力需要をより精度よく予測できる。
上述した実施形態における電力需要予測システム１、予測モデル生成サーバ１０の全部又は一部をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。
以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
１…電力需要予測システム、１０…予測モデル生成サーバ、３０…電力需要予測サーバ、４０…天候データ提供サーバ、５０…対象施設、１０２…第１モデル作成部、１０３…第２モデル作成部、１０４…選択部
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 |