JP7212310B2

JP7212310B2 - 電力需要予測装置、電力需要予測方法、そのプログラム

Info

Publication number: JP7212310B2
Application number: JP2018216271A
Authority: JP
Inventors: 祐一島崎
Original assignee: Fuji Electric Co Ltd
Current assignee: Fuji Electric Co Ltd
Priority date: 2018-11-19
Filing date: 2018-11-19
Publication date: 2023-01-25
Anticipated expiration: 2038-11-19
Also published as: JP2020088944A

Description

本発明は、電力需要を予測する電力需要予測装置、電力需要予測方法およびコンピュータプログラムに関する。

安全性および経済性を考慮した発電機の運用計画を立てる上で重要な役目を持つ電力需要予測は、従来から様々な研究開発が行われてきている。電力需要を予測する方法として、大きく二つの方法がある。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。

特開２０１８－２３２２７号公報特開２０１７－２２００５０号公報

しかしながら、従来の方法では、電力需要予測の予測精度は、その予測因子である気象予報の予報精度に依存するという課題がある。つまり、気象予報が外れた場合には電力需要予測も外れやすい。

本発明の電力需要予測装置は、電力需要予測に影響を与える要因である気象予報データを複数種類の気象予報手段から取得する気象予報取得部と、前記複数種類の気象予報データを統合するデータ統合部と、過去の電力需要データと、過去の気象実績データと、前記統合した気象予報データを用いて、電力需要予測を行う電力需要予測部と、を有することを特徴とする。

本発明は、気象予報の予報精度に依存しにくい電力需要予測装置を提供することである。

本発明の実施例１における電力需要予測装置１００の構成を表すブロック図である。本発明における電力需要予測装置１００のハードウェアの一例を示す図である。本発明における電力需要予測装置１００のフローチャートである。本発明の実施例１におけるデータ統合部１６０の構成を表すブロック図である。本発明の実施例１におけるデータ統合部１６０のフローチャートである。本発明の実施例２における電力需要予測装置１００の構成を表すブロック図である。本発明の実施例２におけるデータ統合部１６０ｂの構成図である。本発明の実施例２におけるデータ統合部１６０のフローチャートである。本発明の実施例３における電力需要予測装置１００の構成を表すブロック図である。本発明の実施例３におけるデータ統合部１６０ｃの構成を表すブロック図である。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。

図１は、本発明における電力需要予測装置１００の機能構成図である。電力需要予測装置１００は、複数の気象予報提供者１～３（サーバ）および電力会社サーバ１０と、ネットワーク２０を介して接続される。電力需要予測装置１００は、データ入力部１３０、データベース１４０、前処理部１５０、データ統合部１６０および電力需要予測部１７０から構成される。

データ入力部１３０は、ネットワーク２０を介して、複数の気象予報提供者１～３（サーバ）から気象予報データを取得する。気象予報データは、ある特定の地域における気温、湿度、日射量、天気（晴れ、曇り、雨、雪、台風等）、気圧、雲量、風速、風向、降水量等の一つまたは複数を含む。気象予報提供者１～３は、気象庁や民間の気象予報事業者である。データ入力部１３０は、ネットワーク２０を介して、電力会社サーバ１０から、電力需要実績データを取得する。電力会社サーバ10には、ある特定の地域における電力系統で消費された電力量である電力需要実績データが格納されている。データ入力部１３０は、ネットワーク２０を介して例えば気象庁のサーバから気象実績データを取得する。
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。

前処理部１５０は、データ入力部１３０で取得した気象予報データ、気象実績データの前処理として、各データを取得した日時およびデータ形式を揃える。例えば、複数の気象予報提供者からの気象予報データのデータ形式を揃える場合は、気象予報の気温、湿度、などのデータ順序および個数を揃える。気象予報データおよび気象実績データのなかに、異常値や外れ値が含まれる場合には削除することが望ましい。異常値とは、計測、記入ミスなどが原因で起こる異常な値である。異常値の判定には、予め定められた数値範囲を外れているか否かで判定してもよい。また、外れ値とは、統計において他の値から大きく外れる値である。異常値の判定は、公知の技術である、スミルノフ・グラブス検定などの統計手法を用いてもよい。

データ統合部１６０は、複数の気象予報提供者からの気象予報データを統合し、１つの気象予報データに加工する。詳細は後述する。
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。

図２は、本発明における電力需要予測装置１００のハードウェアの一例を示す図である。電力需要予測装置１００は、ＣＰＵ１０１（中央演算装置）、記憶部１０２、ネットワークＩ／Ｆ１０３（ネットワークインターフェース）、入力Ｉ／Ｆ１０４（入力インターフェース）、および出力Ｉ／Ｆ１０５（出力インターフェース）を備える。電力需要予測装置１００は、パーソナルコンピュータ、サーバ、またはワークステーション等の情報処理装置、すなわち、コンピュータである。

ＣＰＵ１０１は、電力需要予測装置１００が実行する各種処理および各種制御を実現するための演算と各種データの加工とを行う演算装置である。さらに、ＣＰＵ１０１は、電力需要予測装置１００が有するハードウェアを制御する制御装置である。
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。

ネットワークＩ／Ｆ１０３は、ＬＡＮ（ＬｏｃａｌＡｒｅａＮｅｔｗｏｒｋ）等のネットワークを介して接続される装置との間で各種データ等を送受信するためのネットワークインターフェースである。例えば、ネットワークＩ／Ｆ１０３は、ＮＩＣ（ＮｅｔｗｏｒｋＩｎｔｅｒｆａｃｅＣｏｎｔｒｏｌｌｅｒ）およびＬＡＮケーブルを接続させるコネクタ等である。なお、ネットワークＩ／Ｆ１０３は、ネットワークを利用するＩ／Ｆに限られず、ケーブル、無線又はコネクタ等によって外部装置と送受信するＩ／Ｆであってもよい。

入力Ｉ／Ｆ１０４および出力Ｉ／Ｆ１０５は、電力需要予測装置１００を使うユーザとのインターフェースである。具体的には、入力Ｉ／Ｆ１０４はユーザの設定を受け入れ、出力Ｉ／Ｆ１０５は、電力需要予測装置１００が行う各種処理の処理結果等をユーザに出力する。例えば、出力Ｉ／Ｆ１０５は、ディスプレイ等の出力装置および出力装置を電力需要予測装置１００に接続させるコネクタ等である。
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。

図３は、本発明の実施形態における電力需要予測装置１００の全体処理の一例を示すフローチャートである。
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）。

電力需要予測部１７０は、過去の電力需要実績データ１４１、過去の気象実績データ１４２および統合した気象予報統合値Yを入力として、電力需要予測値を演算し、出力する（ステップＳ５）。
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。

気象予報統合値Yは、式２に示すように要素N個のベクトルとなる。例えば、気象要因が気温と湿度の２つの場合は、N=2となる。Tは転置行列を表す。

複数の気象予報データXは、式３、４に示すように要素M個のベクトルがN個含まれる行列となる。つまり、複数の気象予報データXは、（M×N）行１列の行列となる。

式５，６に示すように、重み行列Rは、N行（N×M）列の行列となる。

＜実施例１＞
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。

図４は、データ統合部１６０の機能構成を表した図である。データ統合部１６０に、重みRと気象予報データXが入力され、乗算部にて、RとXの乗算を行い、気象予報統合値Yが出力される。

重みRの要素ｒｎ１～ｒｎMは、式７、８に示す条件にて予め設定されデータベース１４０に格納されている。例えば、気象予報事業者数Mが3、気象要因数Nが2の場合は、式９に示すように、各気象要因に対する重みは1/3に設定される。重みRは、予めユーザに設定されデータベース１４０に格納されていてもよい。

図５は、本発明の実施例１におけるデータ統合部１６０のフローチャートである。
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１におけるデータ統合部１６０によると、各気象予報値の平均をとることで、気象予報が外れた場合の影響を受けにくい気象予報統合値を得ることができ、その気象予報統合値を用いた需要予測手法においては気象予報精度に依存しにくい結果を得ることが可能となる。
＜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。

また、“10時の気温”の実績値と、“10時の気温”を予報した過去の予報値１～３は、評価期間Tが2017年12月1日から13日の13日間である場合は、表１に示すようなデータとなる。

予測精度評価部１６０２は、例えば表２に示す誤差指標の式を用いて、ａとｂに実績データと予測データをそれぞれ当てはめることで、評価期間Tにおける各気象予報提供者が提供した予報値１～３の評価を行う。

その結果は、例えば表３のように、各予報値１～３の誤差指標が計算される。誤差を表す、平均誤差（ＭＥ）、平均絶対誤差（ＭＡＥ）、平均誤差率（ＭＰＥ）、平均絶対誤差率（ＭＡＰＥ）、平均二乗誤差（ＭＳＥ）、平均平方二乗誤差（ＲＭＳＥ）、および平均平方二乗誤差率（ＲＭＳＰＥ）は、０に近いほど、誤差が小さく予測精度が高いことを表す。また、誤差のばらつきを表す、標準偏差、絶対誤差の標準偏差、誤差率の標準偏差および絶対誤差率の標準偏差の指標値は値が小さいほど誤差のばらつきが少なく、予測精度が高いことを表す。誤差のばらつきを表す指標値（標準偏差、絶対誤差の標準偏差、誤差率の標準偏差および絶対誤差率の標準偏差）は、誤差を表す指標値（平均誤差、平均絶対誤差、平均誤差率、平均絶対誤差率、平均二乗誤差、平均平方二乗誤差、および平均平方二乗誤差率）と併用することで、より予測精度が高い評価を行うことができる。例えば、誤差が少なく、誤差のばらつきが少ない予測値が最も精度が高いと評価できる。

その結果を用いて、予測精度評価部１６０２は、予報値１～３から算出した誤差指標のなかで、最も予測精度が高いと思われる予報値を選定し、その重みを“１”とする。予報値１～３に対する誤差指標の結果を比較し、誤差を表す指標値（平均誤差、平均絶対誤差、平均誤差率、平均絶対誤差率、平均二乗誤差、平均平方二乗誤差、および平均平方二乗誤差率）は最も０に近い結果が出ている予報値１が最も精度が高いといえる。本実施例では、予測精度評価部１６０２が算出した誤差指標のなかで、ある特定の気象予報提供者の重みは１と設定し、その他の重みは０に設定する。その結果、式１３のRの１行１列の要素に重み“１”が入る。次の気象因子である湿度に関しても、気温と同様に、各予報値の予測精度の評価を行い、最も予測精度が高い予報値３の重みを“１”に設定する。その結果、式１３のRの２行６列の要素に重み“１”が入る。

予測精度評価部１６０２が設定した式１３に示す重みRと式１２に示す予報値データXを乗算し、式１４のように統合値Yを出力する。

以上実施例２におけるデータ統合部によると、各気象因子において、評価期間内の最も予測精度が高い予報値を選択することで、気象因子全体として気象予報の精度を高いデータとして統合することができる。
＜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。

下記フローチャートを用いて、詳細に説明をする。
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。

１～３・・・気象予報提供者、１０・・・電力会社サーバ、２０・・・通信ネットワーク、１００・・・電力需要予測装置、１３０・・・データ入力部、１４０・・・データベース、１５０・・・前処理部、１６０、１６０ｂ、１６０ｃ・・データ統合部、１７０・・・電力需要予測部

Claims

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。