JP7098400B2

JP7098400B2 - 電力需要予測装置、電力需要予測方法及び電力需要予測プログラム

Info

Publication number: JP7098400B2
Application number: JP2018082383A
Authority: JP
Inventors: 秀徳小松; 宰木村
Original assignee: Central Research Institute of Electric Power Industry
Current assignee: Central Research Institute of Electric Power Industry
Priority date: 2018-04-23
Filing date: 2018-04-23
Publication date: 2022-07-11
Anticipated expiration: 2038-04-23
Also published as: JP2019191817A

Description

本発明は、電力需要予測装置、電力需要予測方法及び電力需要予測プログラムに関する。

近年、我が国において全世帯及び全事業所へのスマートメータの導入が計画されており、様々な需要家に対しての導入が進展している。スマートメータを各需要家に設置する事により、スマートメータから取得される電力消費量などの電力需要データが大量に利用可能となる。そして、スマートメータから得られるデータは、様々な利活用の方策が検討されている。

また、電力の供給を受ける需要家の中には、実際に使用した電力の最大需要により決定される契約電力に基づく料金体系で電力会社と契約する需要家がいる。特に、法人などにおいて契約電力が利用される場合が多い。

事業所の契約電力の基本料金は、直前１２ヶ月の最大需要電力で決まることが一般的である。そのため、最大需要電力を抑制することはコスト削減の重要な課題である。そこで、需要予測に基づき最大需要電力発生の可能性を精度よく報せる情報提供サービスが求められている。スマートメータから得られるデータは、このような情報提供サービスに活用することができる。

電力需要の高精度の予測結果の通知を受けた需要家は、需要家設備を用いて適当なタイミングで電力消費を行うことができる。具体的には、需要家は、需要予測結果に応じて蓄電池や負荷を含む需要家設備を制御することにより、各時間帯での電力需要をコントロールすることができる。これにより、需要家は、最大需要電力を低減させることができ、需要予測結果に応じた需要家設備の制御によるコスト削減を図ることができる。

このような需要予測の技術として、Demand Response（ＤＲ）の発生前の２時間の温度を用いたSupport Vector Regression（ＳＶＲ）の予測モデルを基に電力予測を行う従来技術がある。

Chen, Y., et al., Short-term electrical load forecasting using the Support Vector Regression (SVR) model to calculate the demand response baseline for office buildings, Applied Energy, Vol.195, pp.659-670, 2017.

しかしながら、従来の電力需要予測では入力データとして入手が困難なデータを用いる場合があり、精度の良い電力需要の予測を容易に実施することは難しい。また、ＳＶＲを用いた予測では、精度の良い予測を実現するために不感帯が設けられるが、この不感帯を指定するための情報が従来技術では利用者にとって理解することが難しい。そのため、精度の良い電力需要の予測を容易に実施することが困難となっている。

開示の技術は、上記に鑑みてなされたものであって、精度の良い電力需要の予測を容易に実施する電力需要予測装置、電力需要予測方法及び電力需要予測プログラムを提供することを目的とする。

本願の開示する電力需要予測装置、電力需要予測方法及び電力需要予測プログラムの一つの態様において、情報取得部は、過去の電力需要の情報及び過去の気象情報を外部装置から取得する。予測実施部は、予測値に応じた不感帯を算出するための情報の入力を入力装置から受け、前記過去の電力需要の情報及び前記過去の気象情報、予め決められた予測式及び前記予測値に応じた前記不感帯を算出するための情報を基に学習を行い前記予測値を決定する。報知部は、前記予測値を報知する。

１つの側面では、本発明は、精度の良い電力需要の予測を容易に実施することができる。

図１は、実施形態に係る電力需要予測装置のブロック図である。図２は、残差を説明するための図である。図３は、短時間先のアラートのメールの一例を表す図である。図４は、翌日のアラートのメールの一例を表す図である。図５は、電力需要の予測によるアラートの発動を説明するための図である。図６は、電力需要の予測からアラート発動までの処理のフローチャートである。図７は、予測の対象とする事業所を表す図である。図８は、全事業所平均のＭＡＰＥを表す図である。図９は、負荷率とＭＡＰＥの相関関係を表す図である。図１０は、各アラートが発動された場合の予測精度を表す図である。図１１は、実際に電力需要が最大需要電力に近づきアラートも発動された日の実際の需要と予測値とを表す図である。図１２は、電力需要予測装置のハードウェア構成図である。

以下に、本願の開示する電力需要予測装置、電力需要予測方法及び電力需要予測プログラムの実施形態を図面に基づいて詳細に説明する。なお、以下の実施形態により本願の開示する電力需要予測装置、電力需要予測方法及び電力需要予測プログラムが限定されるものではない。

実施形態

図１は、実施形態に係る電力需要予測装置のブロック図である。本実施形態に係る電力需要予測装置１は、データ収集部１１、予測実施部１２、格納部１３及予測結果報知部１４を有する。ここでは、特定の事業所における電力需要を予測する場合について説明する。

データ収集部１１は、事業所に設置されたスマートメータ２に接続される。さらに、データ収集部１１は、気象庁などが提供する気象情報提供装置３に接続される。

データ収集部１１は、事業所の電力需要の３０分値を含むスマートメータデータをスマートメータ２から取得する。また、データ収集部１１は、事業所の所在地の代表地点における気温の実測値データ及び日照時間の実測値データを気象情報提供装置３から取得する。ここで、本実施形態では、気温の実測値データ及び日照時間の実測値データは、１時間毎のデータである。データ収集部１１は、取得した事業所の電力需要の３０分値のデータ、気温の実測値データ及び日照時間の実測値データを予測実施部１２へ出力する。この気温の実測値データ及び日照時間の実測値データが、「過去の気象情報」の一例にあたる。

ここで、本実施形態では、データ収集部１１は、事業所の所在地を代表地点と対応させ、気象庁が公開した実測値データを利用するが、気象の実測値データは他の情報を用いてもよい。例えば、データ収集部１１は、事業所で個別に計測した気温の実測値データ及び日照時間の実測値データを取得してもよい。このデータ収集部１１が、「情報取得部」の一例にあたる。

このように、本実施形態に係る電力需要予測装置１は、電力需要の３０分値、気温の実測値データ及び日照時間の実測値データを電力需要の予測に用いる。これら３種類のデータは、取得することが比較的容易なデータである。これらの入手が容易なデータを用いることで、電力需要予測装置１を導入するハードルを下げることができ、より多くの中小事業所において本実施形態に係る電力需要予測装置１の導入が可能となる。

格納部１３は、以下の数式（１）に示す線形の予測式を予め保持する。ここで、予測対象時刻ｔは、電力需要の予測の対象とする時刻である。また、予測時点ｔ０は、予測を実施する時刻である。

数式（１）は、予測対象時刻ｔの電力需要を目標変数とし、至近２８日間の予測対象時刻ｔの平均需要Ａ_ｔ、予測時点_ｔ０の需要偏差Ｄ_ｔ０、気温実績値を変換した値ＣＨ_ｔ０及び日照時間実績値ＬＩ_ｔ０を説明変数とした重回帰分析による予測モデルである。係数ａ_１～ａ_５は、各説明変数の係数である。後述するように、係数ａ_１～ａ_５は、過去の実績データを基に、予測式の残差から計算されるペナルティが最小となるように決定される値である。以下に各説明変数について説明する。

至近２８日間の予測対象時刻ｔの平均需要Ａ_ｔは、次の数式（２）で計算される、至近２８日間の予測対象時刻ｔにおける電力需要の平均である。

なお、平均需要Ａ_ｔの計算に用いる期間については、予備実験の結果最も精度が良くなるものが２８日間であったため、２８日間を採用した。ただし、計算に用いる期間はこれに限らず、実際の運用環境において予測精度が最良となる期間を選択することが好ましい。この数式（２）は、格納部１３に格納される。

予測時点_ｔ０の需要偏差Ｄ_ｔ０は、予測時点ｔ０における至近２８日間の平均需要と実績との偏差である。より具体的には、予測時点_ｔ０の需要偏差Ｄ_ｔ０は、数式（２）から算出される至近２８日間の予測対象時刻ｔの平均需要Ａ_ｔと、実際の需要との差であり、次の数式（３）で算出される。この数式（３）は、格納部１３に格納される。

気温実績値を変換した値ＣＨ_ｔ０について説明する。気温が上昇すると冷房機器の使用による負荷が増えるなど、気温は電力需要に影響を与える。ここで、電力需要の説明変数として、気温の予報値を基にした値を用いる場合がある。しかし、一方で数時間先程度であれば予測時点ｔ０の気温の実績値から気温が極端に大きく変化することは多くない。さらに、事業所の場合、気温変化に応じた電力需要の変化には、ある程度の時間差があることが知られている。これらのことから、極端に遠い将来の需要予測でなければ、それ自体に予測誤差が含まれる気温の予報値を使用するよりも、気温実績値を利用した方が良い予測結果を得られる場合がある。そこで、予測時点ｔ０の気温実績値に対して、次の数式（４）で算出される値を、説明変数である気温実績を変換した値ＣＨ_ｔ０とした。

ここで、Ｔ_ｔ０は、予測時点ｔ０の気温実績値である。また、数式（４）の場合分けの閾値である２３度及び１９度は、それぞれ冷房と暖房の使用を開始すると仮定した気温である。この閾値については、予備実験の結果、予測精度が最も良かった値を採用した。ただし、閾値の値はこれに限らず、実際の運用環境において予測精度が最良となる値を採用することが好ましい。この数式（４）は、格納部１３に格納される。

次に、日照時間実績値ＬＩ_ｔ０について説明する。雲が多くなると点灯負荷が増えるなど、天候による日射量の変化も電力需要に影響を与える。そこで、本実施形態では、予測時点ｔ０の日照時間実績値ＬＩ_ｔ０を説明変数とした。

なお、気温実績値及び日照時間実績値ＬＩ_ｔ０は、特定の１地点で記録されたものを用いる。具体的には、本実施形態では、後述するように、気象情報提供装置３から取得した時間毎の気温の実測値データ及び日照時間の実測値データに対して線形補完を用いて３０分毎の値へ変換した値が、気温実績値及び日照時間実績値ＬＩ_ｔ０として用いられる。

予測実施部１２は、事業所の電力需要の３０分値のデータ、気温の実測値データ及び日照時間の実測値データの入力をデータ収集部１１から受ける。さらに、予測実施部１２は、格納部１３から数式（１）～（４）を取得する。

次に、予測実施部１２は、数式（２）に事業所の電力需要の３０分値のデータを用いて、至近２８日間の予測対象時刻ｔの平均需要Ａ_ｔを求める。また、予測実施部１２は、数式（３）に事業所の電力需要の３０分値のデータ及び至近２８日間の予測対象時刻ｔの平均需要Ａ_ｔを用いて予測時点ｔ０の需要偏差Ｄ_ｔ０を求める。

次に、予測実施部１２は、１時間毎の気温の実測値データ及び日照時間の実測値データに対して線形補完を用いて３０分毎の値へ変換した値を気温の実測値データ及び日照時間の実測値データとして取得する。そして、予測実施部１２は、数式（４）に取得した気温の実測値データを用いて気温実績値を変換した値ＣＨ_ｔ０を求める。

そして、予測実施部１２は、数式（１）に算出した各説明変数の値を代入する。次に、予測実施部１２は、許容する残差の範囲を求めるための情報の入力を入力端末４から受ける。本実施形態では、予測実施部１２は、算出する予測値に対する割合、すなわち算出する予測値に対して何％の値を許容する残差の範囲とするかを表す情報の入力を受ける。ここでは、予測実施部１２は、予測値に対するα％を許容する残差の範囲とするように指示を受ける。

残差とは、算出される電力需要の予測値と実際の電力需要の値との差である。そして、許容する残差とは、回帰直線から不感帯とする範囲内にある残差である。ただし、許容する残差が設定された場合、残差は、許容する残差の境界値と実際の電力需要の値との差となる。以下では、許容する残差の範囲を「不感帯の範囲」と呼ぶ場合がある。そして、入力された許容する残差の範囲を求めるための情報、すなわちα％が、「予測値に応じた不感帯を算出するための情報」の一例にあたる。

具体的には、図２に示す直線１００を予測対象時刻ｔの電力需要を目的変数とする回帰直線とした場合、許容する残差は、範囲１０１及び１０２に含まれる残差である。図２は、残差を説明するための図である。予測実施部１２は、算出される予測値から不感帯の範囲内に含まれる残差は０として考え、不感帯の範囲を超える残差については、その残差から不感帯の境界値を減算した値を残差として扱う。

例えば、図２における点１０３が実際の電力需要として計測された値の場合、許容する残差を用いなければ、点１０３で表される値は残差１３１を有するが、本実施形態では、残差１３２となる。また、点１０４などの破線の丸で表される値の残差は０である。このように不感帯を設けることで、最大需要電力などのまれなデータに対する説明力を高めた回帰式を生成することができる。

予測実施部１２は、予測対象時刻ｔと同じ時間帯の直前２８日分の電力需要の実測値データを最大値が１となり最低値が０となるようにスケーリングし、算出用データとする。次に、予測実施部１２は、スケーリングした１時間毎の気温の実測値データの平均値を予測値の初期値とする。ここでは計算当初は予測の実施前でありその時点での仮の予測値が得られていないため、実測値データの平均値を仮の予測値の初期値として導入した。予測実施部１２は、初期値のα％を不感帯の範囲εとする。

次に、予測実施部１２は、モデルの汎化性能を制御する正則化パラメータＣとして事前に用意したいくつかの候補値を与え、算出用データを用いて、正則化パラメータＣをそれぞれの候補値とした場合について交差検定法によって評価する。例えば、予測実施部１２は、Ｃ＝２，４，８，１６，３２の５パターンを正則化パラメータＣの事前に用意した候補値とする。ここで、本実施形態では、正則化パラメータＣのパターンを５パターンとしたが、これ以外の値を採用してもよく、例えば、もっと細かくいろいろな数値を探索してもよい。

具体的には、予測実施部１２は、予測対象時刻ｔと同じ時間帯の直前２８日分の電力需要の実測値データを正規化したデータを生成し、その生成したデータを正則化パラメータＣで与えられる数の群に分割する。そして、予測実施部１２は、分割したデータ群のうち１つの群を予測対象、且つ残りのデータ群を学習データとした状態で予測を実施する。

例えば、正則化パラメータＣ＝４として、Ａ，Ｂ，Ｃ，Ｄ群に分けたとした場合、予測実施部１２は、ＢＣＤ群を学習データとしてＡ群を予測し、ＡＣＤ群を学習データとしてＢ群を予測し、ＡＢＤ群を学習データとしてＣ群を予測し、ＡＢＣ群を学習データとしてＤ群を予測する。

そして、予測実施部１２は、各予測について不感帯を範囲εとしてＳＶＲにより予測結果のペナルティを計算し、それらペナルティの平均を算出する。ここで、ペナルティとは、各実測値の残差から得られる値であり、実測値の予測値からの乖離度合いを表す情報である。例えば、残差をそのままペナルティとしてもよい。予測実施部１２は、このペナルティの平均の算出を分割した群の数分繰り返す。

次に、予測実施部１２は、正則化パラメータＣのそれぞれのパターンについて算出したペナルティの平均の中から、最もペナルティの平均が低いものを特定する。そして、予測実施部１２は、特定した正則化パラメータＣを用いた場合の係数ａ１～ａ５を算出する。次に、予測実施部１２は、算出した係数ａ１～ａ５を割り当てた数式（１）を用いて予測対象時刻ｔにおける電力需要の仮の予測値を算出する。

次に、予測実施部１２は、算出した仮の予測値が予測対象時刻ｔと同じ時間帯の直前２８日分の電力需要の実測値データの最大値と最小値とを比較する。

算出した仮の予測値が、予測対象時刻ｔと同じ時間帯の直前２８日分の電力需要の実測値データの最大値と最小値の間に含まれる場合、予測実施部１２は、最後に得られた仮の予測値を予測値とする。これに対して、出した仮の予測値が、予測対象時刻ｔと同じ時間帯の直前２８日分の電力需要の実測値データの最大値と最小値の間に含まれない場合、予測実施部１２は、その仮の予測値を同じ時間帯の直前２８日分の電力需要の実測値データを含むその時点の算出用データに加えて新たな算出用データとする。例えば、１回目の予測の実施が完了した時点であれば、予測実施部１２は、同じ時間帯の直前２８日分の電力需要の実測値データに初期値から算出した仮の予測値を加えた２９個のデータを算出用データとする。そして、予測実施部１２は、算出用データの最大値が１となり最小値が０となるように正規化する。

その後、予測実施部１２は、仮の予測値を加えた新たな算出用データを用いて、正則化パラメータＣをそれぞれの候補値とした場合について交差検定法によって評価する。例えば、２回目の予測の実施時であれば、予測実施部１２は、２９個の算出用データを用いて正則化パラメータＣをそれぞれの候補値とした場合について交差検定法により評価する。そして、予測実施部１２は、正則化パラメータＣをそれぞれの候補値とした場合毎に、不感帯を範囲εとしてＳＶＲを用いて各予測結果のペナルティを計算し、それらペナルティの平均を算出する。

予測実施部１２は、最もペナルティの平均が小さくなる正則化パラメータＣを選択した際の仮の予測値が０から１の間に収まるまで、算出した仮の予測値を算出用データに組み込み次の仮の予測値を算出する処理を繰り返す。そして、予測実施部１２は、最もペナルティの平均が小さくなる正則化パラメータＣを選択した際の仮の予測値が０から１の間に収まった場合、その仮の予測値を予測値として確定する。

ただし、仮の予測値が０から１の間に収まらないもしくは収まるのに時間が掛かる場合が考えられる。そこで、予測実施部１２は、予め決められた所定回数の仮の予測値の算出を行った場合、その時点での仮の予測値を予測値として確定する。その後、予測実施部１２は、確定した予測対象時刻ｔにおける電力需要の予測値を予測結果報知部１４へ出力する。

予測結果報知部１４は、予測対象時刻ｔにおける電力需要の予測値の入力を予測実施部１２から受ける。そして、予測結果報知部１４は、取得した予測対象時刻ｔにおける電力需要の予測値をモニタなどに表示させるなどして利用者に報知する。また、予測結果報知部１４は、予測対象時刻ｔにおける電力需要の予測値を他の装置へ送信してもよい。

さらに、予測結果報知部１４は、予測対象時刻ｔにおける電力需要の予測値を用いてアラートを上げる。例えば、予測実施部１２が、予測対象時刻ｔとして、１時間先、６時間先、１２時間先及び２４時間先の時刻の予測値を求めた場合で説明する。このうち、１時間先及び６時間先の電力需要予測については、当日内に最大需要電力が発生する可能性を判定するための予測である。また、１２時間先及び２４時間先の電力需要予測については、前日の時点で翌日に最大需要電力が発生する可能性を判定するための予測である。

以下では、１時間先及び６時間先の電力需要予測を「短時間先の予測」と言い、その予測に基づくアラートを「短時間先のアラート」と言う。また、１２時間先及び２４時間先の電力需要予測を「翌日の予測」と言い、その予測に基づくアラートを「翌日のアラート」と言う。

本実施形態では、予測結果報知部１４は、評価対象となる１年分の電力需要のデータのうち、予測対象期間内の最大値の９０％を最大需要電力発生の閾値として設定する。ここで、予測結果報知部１４は、１年分の電力需要のデータをスマートメータ２から取得する。ただし、最大需要電力に近づく可能性を判定する判定基準をどのように設定するかは、実際の運用環境や電力需要の状況に応じて決定されることが好ましい。

予測結果報知部１４は、短時間先のアラートの発動の判定には特定の時間の需要を単一の値で予測する方法を用いる。以下では、この方法を「点アラート」と呼ぶ。予測結果報知部１４は、予測対象期間内の電力需要の最大値の９０％を予測値が超えた場合、アラートを発動する。例えば、予測結果報知部１４は、事業所に図３に示す内容のメールを送信することで、事業所の担当者に対して短時間先のアラートを通知する。図３は、短時間先のアラートのメールの一例を表す図である。図３に示すように、短時間先のアラートでは、電力超過に対する警告及び節電対策の喚起とともに、現在の電力需要と、電力超過の発生が予測された予測対象時刻ｔ及びその時の電力需要の予測値が通知される。

また、予測結果報知部１４は、翌日のアラートの発動の判定には、予測値の誤差を見込んだ予測値の最大値及び最小値を用いた予測幅により判定を行う方法を採用する。以下では、この方法を「幅アラート」と呼ぶ。ここで、本実施形態では、予測値のα％の区間を不感帯として扱うため、予測値も上下α％以内で変動する可能性がある。そこで、予測結果報知部１４は、予測値の上限値を予測値×（１＋α）とし、下限値を予測値×（１－α）とする。そして、予測結果報知部１４は、予測値の上限値が予測対象期間内の電力需要の最大値の９０％を超えた場合、アラートを発動する。

ここで、翌日の予測に関しては、運用上は最大需要電力発生の可能性があるか否かが事前に検出できれば十分と言え、その正確な発生時刻に関する情報までは求められない場合もある。さらには、正確な発生時刻は当日になってから改めて予測することもできる。そこで、予測結果報知部１４は、予測実施部１２により行われた翌日全ての時間帯について翌日の予測の結果を取得し、翌日内にアラートの発動の契機となる時間帯があるか否かを判定する。そして、アラートの発動の契機となる時間帯が翌日内にある場合、予測結果報知部１４は、アラートを発動する。例えば、予測結果報知部１４は、事業所に図４に示す内容のメールを送信することで、事業所の担当者に対して翌日のアラートを通知する。図４は、翌日のアラートのメールの一例を表す図である。図４に示すように、翌日のアラートでは、電力超過に対する警告及び節電対策の喚起とともに、予測時点ｔ０の日の電力需要の最大値と、その翌日の電力需要の最大値の予測値が通知される。

次に、図５を参照して、本実施例に係る電力需要予測装置１における電力需要の予測によるアラートの発動の全体的な流れについて説明する。図５は、電力需要の予測によるアラートの発動を説明するための図である。データ収集部１１は、予測時点ｔ０から至近２８日間の予測対象時刻ｔの電力需要を含むスマートメータデータ２０１、気温実績値２０２及び日照時間実績値２０３を取得する。例えば、予測時点ｔ０の１時間後から３０分毎の電力需要を予測する場合、データ収集部１１は、予測時点ｔ０の１時間後から３０分毎の電力需要を、それぞれ２８日分取得する。

そして、予測実施部１２は、データ収集部１１からスマートメータデータ２０１、気温実績値２０２及び日照時間実績値２０３を取得して、予測時点ｔ０の１時間後から３０分毎の電力需要の予測を予測時点ｔ０の２４時間後まで行う。

予測結果報知部１４は、予測時点ｔ０の１時間後から３０分毎の電力需要の予測の結果を予測実施部１２から取得する。また、予測結果報知部１４は、過去の電力需要の実績データをスマートメータ２から取得し、取得したデータを用いて閾値２１０を算出し、この閾値２１０を警戒水準とする。

そして、予測結果報知部１４は、１時間後から６時間後までの短時間先のアラートに関しては点アラートの方法を用いて各時間でアラートを発動するか否かを判定する。例えば、１時間後の予測値が閾値２１０を超えた場合、予測結果報知部１４は、１時間先の最大需要電力発生の警告を通知するアラートメール２２１を事業所へ送信する。

また、予測結果報知部１４は、１２時間後から２４時間後までの翌日のアラートに関しては幅アラートの方法を用いて各時間帯で予測値の上限値が閾値２１０を超えるか否かを判定する。例えば２４時間後の予測値の上限値が閾値２１０を超えるなどのように、予測値の上限値が閾値２１０を超える時間帯が存在する場合、予測結果報知部１４は、翌日の最大需要電力発生の警告を通知するアラートメール２２２を事業所へ送信する。この予測結果報知部１４が、「報知部」の一例にあたる。

次に、図６を参照して、電力需要の予測からアラート発動までの処理の流れについて説明する。図６は、電力需要の予測からアラート発動までの処理のフローチャートである。

データ収集部１１は、至近２８日間の３０分毎の電力需要のデータ、気温の実績値データ及び日照時間の実績値データを収集する（ステップＳ１）。そして、データ収集部１１は、収集したデータを予測実施部１２へ出力する。

予測実施部１２は、データ収集部１１により収集されたデータの入力を受ける。また、予測実施部１２は、不感帯の範囲を指定するための情報として、予測値の何％を不感帯とするかの情報を取得する（ステップＳ２）。ここでは、予測実施部１２は、予測値のα％を不感帯とする情報の入力を受ける。

次に、予測実施部１２は、１時間毎の気温の実績値データ及び日照時間の実績値データを線形補完により補完して３０分毎のデータへ変換する。さらに、予測実施部１２は、至近２８日間の３０分毎の電力需要のデータの最大値が１になり最小値が０になるようにスケーリングする（ステップＳ３）。

次に、予測実施部１２は、数式（１）～（４）の計算式を格納部１３から取得する。そして、予測実施部１２は、数式（１）における各説明変数の値を算出する（ステップＳ４）。

次に、予測実施部１２は、至近２８日間の予測対象時刻ｔにおける電力需要の実績値の平均値を算出して初期値とする（ステップＳ５）。

次に、予測実施部１２は、入力された不感帯の範囲を指定するための情報、すなわちα％を仮の予測値に乗算して不感帯の範囲εを算出する（ステップＳ６）。ここで、予測実施部１２は、１回目の不感帯の範囲の算出の場合、仮の予測値として初期値を用いる。

次に、予測実施部１２は、正則化パラメータＣの候補値毎に交差検定法を行い、予測を実施する（ステップＳ７）。

さらに、予測実施部１２は、正則化パラメータＣの候補値毎の予測結果に対して、不感帯を使用したＳＶＲを用いて各予測値のペナルティを算出する（ステップＳ８）。

次に、予測実施部１２は、正則化パラメータＣの候補値毎にペナルティの平均を求める。そして、予測実施部１２は、ペナルティの平均が最小の正則化パラメータＣを選択する。さらに、予測実施部１２は、選択した正則化パラメータＣを用いた場合の係数を各説明変数の係数ａ１～ａ５として決定する（ステップＳ９）。

次に、予測実施部１２は、選択した正則化パラメータＣ及び決定した係数ａ１～ａ５を用いて予測対象時刻ｔにおける電力需要の予測を実施し、仮の予測値を算出する（ステップＳ１０）。

次に、予測実施部１２は、算出した仮の予測値が０から１の範囲に収まるか否かを判定する（ステップＳ１１）。仮の予測値が０から１の範囲に収まらない場合（ステップＳ１１：否定）、予測実施部１２は、仮の予測値の算出を所定回数行ったか否かを判定する（ステップＳ１２）。

仮の予測値の算出を所定回数行っていない場合（ステップＳ１２：否定）、予測実施部１２は、仮の予測値を算出用データに組み込む（ステップＳ１３）。

次に、予測実施部１２は、至近２８日間の予測対象時刻ｔの電力需要のデータに仮の予測値を加えた算出用データについて、最大値が１となり最小値が０となるようにスケーリングを行う（ステップＳ１４）。その後、予測実施部１２は、ステップＳ６へ戻る。

仮の予測値が０から１の範囲に収まる場合（ステップＳ１１：肯定）又は仮の予測値の算出を所定回数行っている場合（ステップＳ１２：肯定）、予測実施部１２は、算出した仮の予測値を予測値として確定する（ステップＳ１５）。そして、予測実施部１２は、確定した予測値を予測結果報知部１４へ出力する。ここでは、予測実施部１２は、予測時点ｔ０の１時間後から２４時間後まで３０分毎の各時刻を予測対象時刻ｔとして電力需要の予測を行ったものとする。

予測結果報知部１４は、各予測対象時刻ｔの電力需要の予測結果の入力を予測実施部１２から受ける。さらに、予測結果報知部１４は、予測対象期間内における電力需要の実績値のデータから閾値を算出する。そして、予測結果報知部１４は、１時間後から６時間後までの３０分毎の各時刻の電力需要、すなわち短時間先の予測値が閾値を超えるか否かを判定する（ステップＳ１６）。予測値が閾値を超える時刻が存在しない場合（ステップＳ１６：否定）、予測結果報知部１４は、ステップＳ１８へ進む。

これに対して、予測値が閾値を超える時刻が存在する場合（ステップＳ１６：肯定）、予測結果報知部１４は、予測値が閾値を超える時刻について短時間先のアラートを発動する（ステップＳ１７）。

次に、予測結果報知部１４は、１２時間後から２４時間後までの３０分毎の各時刻の電力需要を求め、翌日の予測値の上限値が閾値を超える時間帯が存在するか否かを判定する（ステップＳ１８）。予測値の上限値が閾値を超える時間帯が存在しない場合（ステップＳ１８：否定）、予測結果報知部１４は、アラートの発動処理を終了する。

これに対して、予測値の上限値が閾値を超える時間帯が存在する場合（ステップＳ１８：肯定）、翌日の最大需要電力発生の可能性を通知する翌日のアラートを発動する（ステップＳ１９）。その後、予測結果報知部１４は、アラートの発動処理を終了する。

次に、本実施形態に係る電力需要予測装置の予測精度について説明する。ここでは、図７に示した２１件の事業所を対象として予測を行った場合で説明する。図７は、予測の対象とする事業所を表す図である。また、ここでは、最大需要電力の９０％が警戒水準である閾値として、その値をアラートを発動するための閾値として使用する。

需要予測の精度を評価するための代表的な指標の１つにＭＡＰＥ（Mean Absolute Percentage Error、平均絶対誤差率）がある。ここで、ＳＶＲは、小さい残差が生じる予測においては予測精度を犠牲にしつつ、極力大きな残差を抑えるという性質を持つ学習手法である。そのため、ＳＶＲは、ＭＡＰＥの向上には適していない。ただし、通年で全時間帯を予測した場合の平均的な予測精度を知るためには有用な指標であるため、ここでは、ＭＡＰＥを用いて予測精度について検証する。

１時間、６時間、１２時間、２４時間先の需要について、不感帯の範囲を指定する情報であるα％を、１％、３％、５％、１０％と変化させて予測した場合のＭＡＰＥを、図７の全事業所について平均した値で示すと、図８のようになる。図８は、全事業所平均のＭＡＰＥを表す図である。

図８に示すように、長期先を予測するにしたがって、ＭＡＰＥが増加する傾向がある。また、αの値は、ＭＡＰＥにほとんど影響しないことが分かる。

図８では、全事業所での平均的な予測精度を示したが、個別の事業所ではＭＡＰＥにバラつきがあり、ＭＡＰＥが小さく予測が比較的容易な事業所とそうでない事業所とが混在している。そこで、事象所毎の負荷率とＭＡＰＥとの相関を取った結果が図９である。図９は、負荷率とＭＡＰＥの相関関係を表す図である。ここで、負荷率とは、年間平均消費量の年間最大需要電力に対する割合である。また、図９は、α％を３％とした場合の一時間先の予測についてのＭＡＰＥを表す。図９の縦軸はＭＡＰＥを表し、横軸は負荷率を表す。

図９に示すように、負荷率が高い事業所ほどＭＡＰＥが小さく予測しやすい事業所である傾向が有意となった。また、図７のα％＝３％、１時間先の予測以外のケースにおいても、負荷率とＭＡＰＥの負の相関が有意な結果となる。すなわち、本実施形態に係る電力需要予測装置１の予測性能は、予測対象の事業所の負荷率が高いほど向上する可能性があるといえる。このことから、例えば、予測実施部１２は、スマートメータデータから各事業所の負荷率を算出し、負荷率が所定値よりも高い場合に予測を行う構成にしてもよい。

次に、本実施形態に係る電力需要予測装置１がアラートを発動する場合の予測精度について説明する。図１０は、各アラートが発動された場合の予測精度を表す図である。図１０は、予測結果報知部１４による短時間先のアラート及び翌日のアラートについての、再現率、適合率を示したものである。

再現率は、実際に電力需要が警戒水準を超えた場合のうち、予測結果報知部１４がアラートを発することができた割合を指す。すなわち、再現率は、実際に警戒水準を超えた場合をどれだけ見逃さずに予測することができたかを示す指標である。適合率は、アラートを発した場合のうち、実際に電力需要が警戒水準を超えた場合がどれだけあったかの割合を指す。すなわち、適合率は、アラートが誤報ではなかった程度を示す指標である。

ここで、需要が警戒水準を超える頻度が高い事業所ほどアラートの精度が高く、最良のケースでは、図１０に示すように、１時間先を予測対象時刻ｔとして点アラートを用いた場合の再現率は７４％である。また、２４時間先を予測対象時刻ｔとして幅アラートを用いた場合の再現率は９６．７％である。さらに、１時間先を予測対象時刻ｔとして点アラートを用いた場合の適合率は８６．３％である。また、２４時間先を予測対象時刻ｔとして幅アラートを用いた場合の適合率は６１．４％である。このように、本実施形態に係る電力需要予測装置１が発した短時間先のアラート及び翌日のアラート共に、再現率及び適合率のいずれも高い水準となっている。

さらに、図１１は、実際に電力需要が最大需要電力に近づきアラートも発動された日の実際の需要と予測値とを表す図である。図１１の縦軸は電力需要を表し、横軸は時刻を表す。また、グラフ３０１が実際の電力需要を表し、グラフ３０２が予測値を表す。そして、点線３０３が警戒水準を表す。

この場合、朝の需要の立ち上がり時及び深夜の需要の低下開始時では、実際の電力需要の値に対して予測値が遅れて同じ値を取っているが、点線３０３で表される警戒水準を超え始める時間と水準以下に下がり始める時間については正しく予測ができている。すなわち、本実施形態に係る電力需要予測装置１の予測は十分高い精度を有するといえる。

以上に説明したように、本実施形態に係る電力需要予測装置は、入手が容易なデータを用いて高精度の電力需要の予測を行うことができる。また、本実施形態に係る電力需要予測装置は、不感帯とする範囲の指定を予測値に対する割合で行うので、利用者は直感的に不感帯の範囲を指定することができ、ＳＶＲを用いた学習を行わせる場合において、予測外れの発生頻度を抑える適切な値を容易に指定することができる。

さらに、運用時には、適合率よりも再現率が重視される場合がある。この点、本実施形態に係る電力需要予測装置は、幅アラートを用いることでこのような状況に対応でき、予測幅を大きくすることで再現率を高めることができる。

また、本実施形態に係る電力需要予測装置ではアラートメールを事業所に送る場合について説明したが、アラートの通知方法はこれに限らない。例えば、事業所以外の家庭向けの省エネ情報提供として、本実施形態に係る電力需要予測装置は、スマートフォンのアプリケーションで省エネ情報提供を行うサービスにアラートを送信してもよい。この場合、本実施形態に係る電力需要予測装置は、電力需要が増加することが予想されるタイミングで、定期的にスマートフォンにアラートを発信することで、総消費量の抑制に寄与することができる。

（ハードウェア構成）
図１２は、電力需要予測装置のハードウェア構成図である。電力需要予測装置１は、ＣＰＵ（Central Processing Unit）９１、メモリ９２、ハードディスク９３及びネットワークインタフェース９４を有する。ＣＰＵ９１は、メモリ９２、ハードディスク９３及びネットワークインタフェース９４とバスで接続される。

ネットワークインタフェース９４は、例えば、スマートメータ２、気象情報提供装置３及び入力端末４と通信を行うためのインタフェースである。

ハードディスク９３は、図１に例示したデータ収集部１１、予測実施部１２及び予測結果報知部１４の機能を実現するためのプログラムを含む各種プログラムを格納する。また、ハードディスク９３は、格納部１３の機能を有する。

ＣＰＵ９１は、図１に例示した、データ収集部１１、予測実施部１２及び予測結果報知部１４の機能を実現するためのプログラムを含む各種プログラムをハードディスク９３から読み出し、メモリ９２上に展開して実行する。これにより、ＣＰＵ９１及びメモリ９２は、図１に例示した、データ収集部１１、予測実施部１２及び予測結果報知部１４の機能を実現する。

１電力需要予測装置
２スマートメータ
３気象情報提供装置
４入力端末
１１データ収集部
１２予測実施部
１３格納部
１４予測結果報知部

Claims

過去の電力需要の情報及び過去の気象情報を外部装置から取得する情報取得部と、
予測値に応じた不感帯を算出するための情報の入力を入力装置から受け、前記過去の電力需要の情報、前記過去の気象情報、所定の予測式及び前記予測値に応じた前記不感帯を算出するための情報を基に学習を行い前記予測値を決定する予測実施部と、
前記予測値を報知する報知部と
を備えたことを特徴とする電力需要予測装置。
前記予測実施部は、前記予測値に対して許容する残差の範囲を前記不感帯として算出するための前記予測値に対する前記不感帯の割合を取得することを特徴とする請求項１に記載の電力需要予測装置。
前記予測実施部は、前記過去の電力需要の情報を基に仮の予測値の初期値を算出し、前記初期値、前記予測値に応じた前記不感帯を算出するための情報、前記過去の電力需要の情報及び前記過去の気象情報を前記予測式に代入して仮の予測値を算出し、前記仮の予測値が所定条件を満たさない場合、前記仮の予測値、前記予測値に応じた前記不感帯を算出するための情報、前記過去の電力需要の情報及び前記過去の気象情報を前記予測式に代入して次の仮の予測値を再度算出することを繰り返し、順次算出した前記仮の予測値が前記所定条件を満たした場合、前記所定条件を満たす前記仮の予測値を予測値として決定することを特徴とする請求項１又は２に記載の電力需要予測装置。
前記報知部は、前記予測値が予め決められた閾値を超えた場合にアラートを発行することを特徴とする請求項１～３のいずれか一つに記載の電力需要予測装置。
前記報知部は、前記予測値に応じた前記不感帯を算出するための情報を基に前記予測値の上限値を求め、前記予測値の前記上限値が予め決められた閾値を超えた場合にアラートを発行することを特徴とする請求項１～３のいずれか一つに記載の電力需要予測装置。
過去の電力需要の情報及び過去の気象情報を外部装置から取得し、
予測値に応じた不感帯を算出するための情報の入力を入力装置から受け付け、
前記過去の電力需要の情報、前記過去の気象情報、所定の予測式及び前記予測値に応じた前記不感帯を算出するための情報を基に学習を行い前記予測値を決定し、
前記予測値を報知する
処理をコンピュータに実行させることを特徴とする電力需要予測方法。
過去の電力需要の情報及び過去の気象情報を外部装置から取得し、
予測値に応じた不感帯を算出するための情報の入力を入力装置から受け付け、
前記過去の電力需要の情報、前記過去の気象情報、所定の予測式及び前記予測値に応じた前記不感帯を算出するための情報を基に学習を行い前記予測値を決定し、
前記予測値を報知する
処理をコンピュータに実行させることを特徴とする電力需要予測プログラム。