JP7212310B2 - 電力需要予測装置、電力需要予測方法、そのプログラム - Google Patents
電力需要予測装置、電力需要予測方法、そのプログラム Download PDFInfo
- Publication number
- JP7212310B2 JP7212310B2 JP2018216271A JP2018216271A JP7212310B2 JP 7212310 B2 JP7212310 B2 JP 7212310B2 JP 2018216271 A JP2018216271 A JP 2018216271A JP 2018216271 A JP2018216271 A JP 2018216271A JP 7212310 B2 JP7212310 B2 JP 7212310B2
- Authority
- JP
- Japan
- Prior art keywords
- weather
- data
- weather forecast
- power demand
- weight
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Description
データベース140は、電力需要実績データ141、気象実績データ142、気象予報データ143を記憶する。
電力需要予測部170は、電力需要実績データ、気象実績データおよび気象予報データから、電力需要を予測する。予測方法は、前述したが、構築した予測モデル用いる方法または類似日を抽出する方法がある。まず一つ目は、電力需要と関係性の強い予測因子(例えば、気温や湿度)と、電力需要との関係を、重回帰式やニューラルネットワークなどを用いて予測モデルとして構築する方法である。その予測モデルと予測因子から電力需要予測を得る。例えば、特許文献1は、重回帰分析を用いて、説明変数と目的関数との関係を線形関数にてモデル化している。次に二つ目は、過去の電力需要量が予測対象日の電力需要量に類似すると推定される日を類似日として抽出する方法である。例えば、特許文献2では、予測日と条件(曜日や気象条件)が類似する類似日の電力量実績を抽出する抽出部と、抽出された類似日の電力量実績を用いて、前記予測日の電力量の予測値を算出している。
記憶部102は、電力需要予測装置100が使うデータ、プログラムおよび設定値等を記憶する。また、記憶部102は、いわゆるメモリ等である。なお、記憶部102は、ハードディスク(harddisk)等の補助記憶装置等を有してもよい。プログラムは、電力需要予測プログラムであり、コンピュータを、予測対象日における電力需要予測する電力需要予測部として機能させる。
なお、電力需要予測装置100は、各ハードウェア資源による処理等を補助する補助装置を更に有する構成でもよい。また、電力需要予測装置100は、各種処理を並列、冗長又は分散して処理する構成でもよい。さらに、電力需要予測装置100は、複数の情報処理装置で構成されてもよい。
データ入力部130は、電力需要実績データ141、過去の気象実績データ142を取得する(ステップS1)。
さらに、データ入力部130は、複数の気象予報提供者からの気象予報データ143を取得する(ステップS2)。
前処理部150は、複数の気象予報データ143に含まれる気象要因データ(気温、湿度、天気等)の順序やデータ数を揃えたデータ形式で、気象予報データXを生成し、気象予報データXをデータベースに格納する。また、前処理部150は、気象予報データに加えて気象実績データのデータ形式も同様に揃える。同時に異常値や外れ値の判断を行い、それらの値は消去してもよい。(ステップS3)。
データ統合部160は、データ形式が揃った複数の気象予報データXを入力とし、気象予報統合値Yを演算し、出力する(ステップS4)。
次に、データ統合部160での処理内容を詳しく説明する。ここで、気象予報事業者数はMとする。また、需要予測に影響を与える要因のうち、気象に関する要因である気象要因の数はNとする(気象要因の例:前日10時の気温、湿度、最高気温等)。
データ統合部160は、式1に示すように、前処理部150で生成した気象予報データXの重み付き平均をとり、Yを出力する。ここで、Yは気象予報統合値、Rは重み付き平均の重み、Xは前処理部150で生成した複数の気象予報データを表す。
データ統合部160で用いる重みRの設定方法の実施例1を説明する。実施例1では、M個の気象予報値の単純平均を取ることで、統合を行う。
データ統合部160は、重みRおよび気象予報データXをデータベース140から取得する(ステップS11)。
データ統合部160は重み行列Rと気象予報行列Xの乗算をする(ステップS12)。
データ統合部160は統合後気象予報行列Yを出力する(ステップS13)。
次に数値例を用いて説明する。気象予報提供者が3社(M=3)あり、気象要因は気温と湿度の2つ(N=2)であり、気象予報データXや重みRが式10で表される場合、気象予報統合値Yは式1で計算され、式11のようになる。
<実施例2>
データ統合部160で用いる重みRの設定方法についての実施例2を説明する。実施例1では、M個の気象予報値の単純平均を取ることで統合を行ったが、実施例2では、過去のある期間において、各気象予報の精度を評価し、予報精度が高い気象予報データの重みを大きくすることで統合をする。
本発明の実施例2における電力需要予測装置100の機能構成を図6に示す。図1との違いは、データベース140に格納するデータに、気象予報の過去データ144と評価期間情報T145が追加となった点と、データ統合部160から160bとなった点である。その他の構成は同じであるため、説明は省略する。
図7は、データ統合部160bの機能構成を表した図である。データ統合部160bに、評価期間情報T145、気象予報の過去データ144、気象実績データ142および気象予報データXが入力され、予測精度評価部1602と乗算部1601を経て、その結果である気象予報統合値Yが出力される。気象予報の過去データ144は、気象予報データXを評価期間情報Tのデータ分だけ記憶部に記憶させておいたものを用いてもよい。
予測精度評価部1602では、評価期間Tにおける気象予報の精度を評価する。具体的には、気象予報の過去データと気象実績データの差(誤差)を算出し、気象予報の誤差の大きさを算出・比較する。予測精度評価部1602の結果は、重みRとして出力する。
下記フローチャートを用いて、詳細に説明をする。
図8は、本発明の実施例2におけるデータ統合部160bのフローチャートである。
データ統合部160bは、評価期間情報T145、気象実績データ142、過去の気象予報データ144および、気象予報データXをデータベース140から取得する(ステップS21)。
データ統合部160bは、重みRの全ての要素を0に初期化する(ステップS22)。
予測精度評価部1602は、全ての気象予報提供会社のデータに関して、全ての気象要因についての、評価期間Tにおける過去の気象予報データと気象実績データの誤差を算出する(ステップS23~26)。
予測精度評価部1602は、ある特定の気象要因について誤差をM個分算出した後に、その中で最も誤差が小さい気象予報提供者の重みRを大きく設定する(ステップS27)。
データ統合部160bは、重み行列Rと気象予報データXの乗算をする(ステップS29)。
データ統合部160bは統合後気象予報行列Yを出力する(ステップS30)。
次に、数値を用いた具体例を説明する。気象要因が“10時における気温”と“湿度”の2つ(N=2)で、気象予報提供者数が3(M=3)である場合、気象予報データXは例えば式12のように表される。
<実施例3>
データ統合部160で用いる重みRの設定方法についての実施例3を説明する。実施例3は、過去のある評価期間において、予報精度に関する評価が最大となるように重みRを決定する。
本発明の実施例3における電力需要予測装置100の機能構成を図9に示す。図6との違いは、データ統合部160bから160cとなった点である。その他の構成は同じであるため、説明は省略する。
図10は、データ統合部160cの機能構成を表した図である。データ統合部160cに、評価期間情報T145、気象予報の過去データ144、気象実績データ142および気象予報データXが入力され、最適化部1603と乗算部1601を経て、その結果である気象予報統合値Yが出力される。
最適化部1603では、過去のある期間において、予報精度に関する評価が最大となるように重みRを決定する。具体的には、式15に示す、気象予報の過去データと気象実績データの差(誤差)の総和をとる誤差評価関数を目的関数とし、式16、17を制約条件とし、重みRを決定変数とした最小化問題を解く。最適化部1603の結果は、重みRとして出力する。
図11は、本発明の実施例3におけるデータ統合部160cのフローチャートである。
データ統合部160cは、評価期間情報T145、気象実績データ142、過去の気象予報データ144および、気象予報データXをデータベース140から取得する(ステップS31)。
データ統合部160cは、重みRの全ての要素を0に初期化する(ステップS32)。
最適化部1603は、過去の評価期間Tにおける気象予報値の統合値と実績値の誤差評価関数が最小となる重みRを、気象要因毎に求める(ステップS33~35)。
乗算部1601は、重み行列Rと気象予報データXの乗算をする(ステップS36)。
データ統合部160cは統合後気象予報行列Yを出力する(ステップS37)。
以上の実施例3におけるデータ統合部160cによると、各気象因子において、過去の評価期間内で過去の気象予報データXを統合した、過去の気象予報統合値Yと気象の実績値とが最も近くなるように重みRを求めることでき、そのため将来の気象予報統合値Yを精度よく求めることができる重みRを設定することができる。
上記の実施例では、複数の気象予報提供サーバを備える場合を示したが、電力需要予測装置100が気象予報手段を持ち、その手段によるデータを用いてもよい。
上記の実施例では、全ての気象要因についての評価を行う場合について記載したが、全ての気象要因ではなくある特定の気象要因についての評価を行ってもよい。例えば、電力需要に影響を大きく与える気象要因に対し、誤差評価を行い、その評価結果を他の気象要因に対する重みを用いてもよい。
Claims (5)
- 電力需要予測に影響を与える気象要因を複数含む気象予報データを複数の気象予報提供者から取得する気象予報取得部と、
前記複数の気象予報提供者から取得した前記気象予報データに基づいて、電力需要予測のための気象予報データを算出するデータ統合部と、
過去の電力需要の実績データと過去の気象実績データに含まれる気象要因とを関連付けた電力需要の予測モデルに、前記電力需要予測のための気象予報データに含まれる気象要因を入力して、電力需要の予測値を得る電力需要予測部と、
を有することを特徴とする電力需要予測装置。 - 前記データ統合部は、前記複数の気象予報提供者の気象予報データに含まれる気象要因それぞれに、前記気象予報提供者の前記気象要因毎に予め設定された重みを乗算して得られる値を、前記電力需要予測のための気象予報データに含まれるそれぞれの気象要因として算出する
ことを特徴とする請求項1に記載の電力需要予測装置。 - 前記データ統合部は、過去の評価期間における前記気象予報提供者の気象予報データに含まれる気象要因の値と過去の気象実績データに含まれる気象要因の値との差分から誤差指標を算出し、前記誤差指標を基に前記複数の気象要因毎の前記重みを設定する重み設定部を備える
ことを特徴とする請求項2に記載の電力需要予測装置。 - 前記重み設定部は、
前記気象要因毎に、前記誤差指標が相対的に小さい前記気象予報提供者ほど高い重みを設定し、前記誤差指標が相対的に高い前記気象予報提供者ほど低い重みを設定するとともに、
前記気象要因毎の、前記気象予報提供者それぞれに設定される重みの合計値が1となるように重み設定を行う
ことを特徴とする請求項3に記載の電力需要予測装置。 - 前記重み設定部は、
前記過去の評価期間における前記気象予報提供者の気象予報データに含まれる気象要因の値と気象要因の実績データに含まれる気象要因の値との差に基づく誤差のばらつき指標を算出し、
前記誤差のばらつき指標が相対的に小さい前記気象予報提供者ほど前記重みが高くなるように前記重みを補正し、前記誤差のばらつき指標が相対的に大きい前記気象予報提供者ほど前記重みが小さくなるように前記重みを補正する
ことを特徴とする請求項3に記載の電力需要予測装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018216271A JP7212310B2 (ja) | 2018-11-19 | 2018-11-19 | 電力需要予測装置、電力需要予測方法、そのプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018216271A JP7212310B2 (ja) | 2018-11-19 | 2018-11-19 | 電力需要予測装置、電力需要予測方法、そのプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020088944A JP2020088944A (ja) | 2020-06-04 |
JP7212310B2 true JP7212310B2 (ja) | 2023-01-25 |
Family
ID=70909242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018216271A Active JP7212310B2 (ja) | 2018-11-19 | 2018-11-19 | 電力需要予測装置、電力需要予測方法、そのプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7212310B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115481788B (zh) * | 2022-08-31 | 2023-08-25 | 北京建筑大学 | 相变储能系统负荷预测方法及系统 |
CN116805210B (zh) * | 2023-08-21 | 2024-01-12 | 国网安徽省电力有限公司合肥供电公司 | 一种基于大数据的电网风险智能识别管控方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005027417A (ja) | 2003-07-02 | 2005-01-27 | Hitachi Ltd | 同期整流回路及び電源装置 |
JP2008008772A (ja) | 2006-06-29 | 2008-01-17 | Toshiba Corp | 気象予測システム |
JP2013121208A (ja) | 2011-12-06 | 2013-06-17 | Hitachi Ltd | 電力系統制御システム及び電力系統制御方法 |
JP2016073155A (ja) | 2014-10-01 | 2016-05-09 | 中国電力株式会社 | 需要予測装置、需要予測方法、及びプログラム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06105465A (ja) * | 1992-09-21 | 1994-04-15 | Tokyo Electric Power Co Inc:The | 最大需要予測方法及び装置 |
JPH08322147A (ja) * | 1995-05-25 | 1996-12-03 | Hitachi Ltd | 電力需要予測システム |
-
2018
- 2018-11-19 JP JP2018216271A patent/JP7212310B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005027417A (ja) | 2003-07-02 | 2005-01-27 | Hitachi Ltd | 同期整流回路及び電源装置 |
JP2008008772A (ja) | 2006-06-29 | 2008-01-17 | Toshiba Corp | 気象予測システム |
JP2013121208A (ja) | 2011-12-06 | 2013-06-17 | Hitachi Ltd | 電力系統制御システム及び電力系統制御方法 |
JP2016073155A (ja) | 2014-10-01 | 2016-05-09 | 中国電力株式会社 | 需要予測装置、需要予測方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2020088944A (ja) | 2020-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5751045B2 (ja) | プラントの運転条件最適化システム、プラントの運転条件最適化方法、プラントの運転条件最適化プログラム | |
Bessa et al. | Reserve setting and steady-state security assessment using wind power uncertainty forecast: A case study | |
US20020194042A1 (en) | Method of business analysis | |
JP2009089594A (ja) | 検針データを利用した電力設備の時空間負荷分析システム及び負荷の計算方法 | |
JP7212310B2 (ja) | 電力需要予測装置、電力需要予測方法、そのプログラム | |
JP2009225550A (ja) | 電力の需要予測処理方法及び装置、並びに発電予測処理方法 | |
CN112613642B (zh) | 应急物资需求预测方法和装置、存储介质及电子设备 | |
EP3576029A1 (en) | Method and device for determining energy system operating scenarios | |
JP6857301B2 (ja) | 電力需要量予測装置及び電力需要量予測方法 | |
KR20190027419A (ko) | 의사결정 지원 기반의 상수관망최적관리시스템 | |
KR101838393B1 (ko) | 시간별 기온을 이용한 24시간 전력수요예측장치 및 전력수요예측방법 | |
JP2019096164A (ja) | 電力市場価格予測装置、電力市場価格予測方法、および電力市場価格予測プログラム | |
Zelikman et al. | Short-term solar irradiance forecasting using calibrated probabilistic models | |
US10998725B2 (en) | Electric power generation prediction method based on expected value calculation, electric power generation prediction system based on expected value calculation, and electric power generation prediction program product based on expected value calculation | |
JP2017169289A (ja) | 電力予測システム、電力予測方法及びプログラム | |
Yang et al. | Sub-minute probabilistic solar forecasting for real-time stochastic simulations | |
JP7128106B2 (ja) | Pv出力予測支援装置、pv出力予測装置、pv出力予測支援方法及びpv出力予測支援プログラム | |
JP2005237187A (ja) | 配電系統負荷想定方法及び装置 | |
CN116050636A (zh) | 光伏电站的出力预测方法、装置、设备及介质 | |
CN109213800A (zh) | 一种烟草虫情预测系统及方法 | |
JP7332554B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
WO2020209142A1 (ja) | 電力管理装置 | |
CN107622173B (zh) | 风力发电机组可靠性水平预测的方法及系统 | |
CN112836900B (zh) | 风电预测误差概率计算方法、装置及可读存储介质 | |
KR102524158B1 (ko) | 디지털 트윈 기반 태양광 발전소 관리 솔루션 제공 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211014 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220826 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220830 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221026 |
|
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: 20221214 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221227 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7212310 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |