JP7217074B2 - 電力需給管理システム、電力需給管理方法、および電力需給管理装置 - Google Patents

電力需給管理システム、電力需給管理方法、および電力需給管理装置 Download PDF

Info

Publication number
JP7217074B2
JP7217074B2 JP2018106301A JP2018106301A JP7217074B2 JP 7217074 B2 JP7217074 B2 JP 7217074B2 JP 2018106301 A JP2018106301 A JP 2018106301A JP 2018106301 A JP2018106301 A JP 2018106301A JP 7217074 B2 JP7217074 B2 JP 7217074B2
Authority
JP
Japan
Prior art keywords
factor
prediction
data
value
prediction data
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
Application number
JP2018106301A
Other languages
English (en)
Other versions
JP2019211922A5 (ja
JP2019211922A (ja
Inventor
将人 内海
徹 渡辺
郁雄 茂森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2018106301A priority Critical patent/JP7217074B2/ja
Priority to EP19161867.7A priority patent/EP3576042A1/en
Priority to US16/298,598 priority patent/US20190370673A1/en
Publication of JP2019211922A publication Critical patent/JP2019211922A/ja
Publication of JP2019211922A5 publication Critical patent/JP2019211922A5/ja
Priority to JP2022179088A priority patent/JP7340081B2/ja
Application granted granted Critical
Publication of JP7217074B2 publication Critical patent/JP7217074B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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

本発明はデータ予測システム、データ予測方法、およびデータ予測装置に関し、例えば将来の需要量を予測するデータ予測システム、データ予測方法、およびデータ予測装置に適用して好適なものである。
電力事業、ガス事業などのエネルギー事業分野、通信事業分野、タクシー配送業などの運送事業分野などでは、消費者の需要に合わせた設備稼働、資源配分などを行うために、将来の需要量の予測が行われる。
例えば、電力事業の分野では、電気の発電量と需要量とを常に一致しなければならないという物理的な制約がある。必要十分な発電機を事前に待機させる必要があるため、電力需要を正確に予測する必要がある。
この点、予測対象時刻の値と相関関係を有する予測対象時刻より前での予測結果を、予測対象時刻での予測のための入力データの一部として使用する方法が開示されている（特許文献１参照）。
特開２０１１－２４３１４号公報
予測しようとする対象の値は、１つまたは複数の因子の影響を受けて特定の応答を示す性質を有することが多い。例えば、電力需要の変動は、主に外気温という因子に対して特定の応答を示すことが知られ、電力需要の多くは、空調設備によるものであり、空調設備の消費電力は、建物屋内の気温に依存する。ただし、建物躯体が有する蓄熱特性に起因し、屋外気温の変化に対して屋内気温の変化には時間的な遅れが生じる。この遅れ時間は、建物躯体の材質、窓の数および大きさ、出入り口の数および大きさといった建物の構造によっても異なる。外気温という因子に対する電力需要の応答は、上記の様な複雑な時間遅れ応答の合成である。
上記のような因子の変化に対して時間遅れを伴い応答する対象を予測する際、予測対象と因子との相関関係だけでなく、予測対象の推移変化の過程も捉えることが重要である。ただし、上記のような複雑な時間遅れ応答を厳密に同定することは困難である。したがって、従来は、近似的な同定が行われる。
上述した特許文献１に記載の予測方法は、予測対象時刻の値と相関関係を有する予測対象時刻より前での予測結果を、予測対象時刻での予測のための入力データの一部として使用する方法である。しかしながら、因子の変化に対する時間遅れを伴う応答は、時間軸上での連続的な過程であるため、過去の特定の時刻断面のみの情報ではなく、過去からの時間的に連続した情報を扱うことが望ましい。従来は、このような時間的に連続した情報まで扱っておらず、よって精度の高い予測データを得難いという問題がある。
本発明は以上の点を考慮してなされたもので、精度の高い予測データを得ることができるデータ予測システム等を提案しようとするものである。
かかる課題を解決するため本発明においては、予測の対象とする値から、前記値の推移を構成する要因を分離する要因分離部と、前記要因分離部により分離された要因と前記予測の対象に係る因子とに基づいて、各要因の予測データである要因予測データを算出する要因予測部と、前記要因予測部により算出された要因予測データに基づいて、前記予測の対象の予測データを算出する予測演算部と、を設けるようにした。
また本発明においては、要因分離部が、予測の対象とする値から、前記値の推移を構成する要因を分離する第１のステップと、要因予測部が、前記要因分離部により分離された要因と前記予測の対象に係る因子とに基づいて、各要因の予測データである要因予測データを算出する第２のステップと、予測演算部が、前記要因予測部により算出された要因予測データに基づいて、前記予測の対象の予測データを算出する第３のステップと、を設けるようにした。
上記構成によれば、例えば、予測対象の値の推移を構成する要因ごとに予測を行うことで、予測対象の値の時間的に連続した推移の変化を捉えることができるので、予測データの誤差を極力低減させることができ、精度の高い予測データを提供できるようになる。
本発明によれば、信頼性の高い予測データ算出することができる。
第１の実施の形態によるデータ管理システムに係る構成の一例を示す図である。 第１の実施の形態によるデータ予測システムに係る構成の一例を示す図である。 第１の実施の形態によるデータ予測処理におけるデータフローの一例を示す図である。 第１の実施の形態によるデータ予測処理に係る処理手順の一例を示す図である。 第１の実施の形態による要因予測データを入力し、予測対象の予測データを出力する処理を示した概念図である。 第２の実施の形態によるデータ管理システムに係る構成の一例を示す図である。 第３の実施の形態によるデータ管理システムに係る構成の一例を示す図である。 第４の実施の形態によるデータ管理システムに係る構成の一例を示す図である。 第５の実施の形態による要因予測データを入力し、予測対象の予測データを出力する処理を示した概念図である。
以下図面について、本発明の一実施の形態を詳述する。
（１）第１の実施の形態
（１－１）データ管理システムに係る構成
図１において、１０１は全体として本実施の形態によるデータ管理システムを示す。データ管理システム１０１は、例えば、電力事業の分野に適用する場合、過去の電力需要の実績量に基づいて将来の所定期間の電力需要量などの値を予測し、予測結果に基づいて発電機の運転計画の策定および実行、他の電気事業者からの電力の調達取引計画の策定および実行など、電力の需給管理を可能にするものである。
データ管理システム１０１は、データ予測装置１０２とデータ管理装置１０３とを含んで構成されるデータ予測システム１０４、計画作成・実行管理装置１０５、情報入出力端末１０６、データ観測装置１０７、およびデータ配信装置１０８を含んで構成される。また、通信経路１０９は、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）等であり、データ管理システム１０１を構成する各種装置および端末を互いに通信可能に接続する通信経路である。
データ予測装置１０２は、データ管理装置１０３に記憶された標本データなどを用いて予測対象の予測データを算出する。標本データには、データ観測装置１０７において時間の推移に伴い観測された予測対象の過去の観測データである予測対象標本データと、データ観測装置１０７において時間の推移に伴い観測された予測対象の値の増減に影響を及ぼす可能性のある各種因子の過去の観測データである因子標本データとが含まれる。
ここで、予測対象とは、電力事業の分野では、例えば、電力、ガス、水道などのエネルギーの消費量（需要量）、太陽光発電、風力発電などのエネルギーの生産量、卸取引所で取引されるエネルギーの取引価格などである。また、電力事業の分野と異なる分野では、通信基地局などで計測される通信量、自動車などの移動体の位置情報履歴、タクシーなどの移動体の時間毎の稼働台数などである。
因子とは、気温、湿度、日射量、風速、気圧などの気象、年月日、曜日、任意に設定した日の種別を示すフラグ値などの暦日、台風、イベントなどの突発事象の発生有無を示すイベント、エネルギーの消費者数、その業種、通信基地局に接続する通信端末数などである。
データ管理装置１０３は、標本データを記憶する。データ管理装置１０３は、例えば、情報入出力端末１０６を介して予め設定された過去の日時から最新の日時までの標本データを記憶する。また、データ管理装置１０３は、他装置からのデータ取得要求に応じて、標本データの検索および送信を行う。
計画作成・実行管理装置１０５は、データ予測装置１０２が出力した予測データに基づいて、所定の目標を達成するための物理的な設備の運転計画の作成と実行とを行う。
ここで、物理的な設備の運転計画とは、エネルギー事業分野においては、例えば、予測した将来の需要量または予測した将来の需要量に基づいて作成したエネルギー需要計画値を充足させるような発電機の運転計画である。より具体的には、発電機の起動台数および発電機の出力の配分計画、ガス導管に流すガスの流量および圧力の配分計画、水道管に流す水の流量および圧力の配分計画である。また、通信事業分野においては、例えば、通信基地局の収容容量を超えないように、各通信基地局に接続する通信端末数の制御計画である。また、運送事業分野においては、例えば、予測した利用者数を充足させることができるようなタクシーの配車計画である。
なお、設備の運転計画は、計画作成・実行管理装置１０５を利用する主体者による直接的な実行に限定されるものではなく、間接的に実現される形態であってもよい。間接的な設備の運転とは、電力事業の分野においては、例えば、直接的な相対取引契約、取引所を介した取引契約等に基づいた他者による物理的な設備の運転である。この場合、取引契約の実行計画が設備の運転計画に相当する。
情報入出力端末１０６は、データ予測装置１０２、データ管理装置１０３および計画作成・実行管理装置１０５へのデータの入力、これらの装置が記憶するデータまたはこれらの装置が出力するデータの表示を行う。
データ観測装置１０７は、予測対象標本データと因子標本データとを、所定の時間間隔で定期的に計測し、データ配信装置１０８および／またはデータ管理装置１０３に送信する。
データ配信装置１０８は、予測対象における因子の予報データ（予報気温など）を記憶し、データ管理装置１０３および／またはデータ予測装置１０２に送信する。
なお、データ予測装置１０２、データ管理装置１０３、計画作成・実行管理装置１０５、情報入出力端末１０６、データ観測装置１０７、およびデータ配信装置１０８の各々は、一台のコンピュータにより実現されてもよいし、複数台のコンピュータにより実現されてもよい。
（１－２）データ予測システムに係る構成
図２は、データ予測システム１０４に係る構成の一例を示す図である。データ予測システム１０４は、データ予測装置１０２とデータ管理装置１０３とを含んで構成される。
データ予測装置１０２は、データ予測装置１０２の動作を統括的に制御するＣＰＵ（Central Processing Unit）２０１、入力装置２０２、出力装置２０３、通信装置２０４、および記憶装置２０５を含んで構成される。データ予測装置１０２は、パーソナルコンピュータ、サーバコンピュータ、ハンドヘルドコンピュータなどの情報処理装置である。
入力装置２０２は、キーボード、ポインティングデバイスなどである。出力装置２０３は、ディスプレイ、プリンタなどである。なお、出力装置２０３は、後述の各処理部の出力結果、中間結果を適宜に出力（結果の表示、データ送信、印刷、ファイル出力など）してもよい。通信装置２０４は、無線ＬＡＮまたは有線ＬＡＮに接続するためのＮＩＣ（Network Interface Card）を備えて構成される。記憶装置２０５は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）などの記憶部である。
データ予測装置１０２の機能（要因分離部２０６、要因予測部２０７、予測演算部２０８などの処理部）は、例えば、ＣＰＵがＲＯＭに格納されたプログラムをＲＡＭに読み出して実行すること（ソフトウェア）により実現されてもよいし、専用の回路などのハードウェアにより実現されてもよいし、ソフトウェアとハードウェアとが組み合わされて実現されてもよい。また、データ予測装置１０２の機能の一部は、データ予測装置１０２と通信可能な他のコンピュータにより実現されてもよい。
要因分離部２０６は、予測対象の値の推移を構成する要因を標本データから分離する。要因予測部２０７は、予測対象の期間における要因それぞれの予測データである要因予測データを算出する。予測演算部２０８は、夫々の要因予測データを合成して予測対象の予測データを算出する。
予測対象の値の推移を構成する要因とは、例えば、予測対象の値の推移のデータに対してフーリエ変換、ウェーブレット変換などの周波数解析処理を施すことにより得られる周波数成分である。また、例えば、予測対象が電力需要であり、かつ、複数の電力消費者の合算値を予測対象とする場合、予測対象の値の推移を構成する要因とは、一般家庭、産業、業務用といった需要形態を示す区分ごとのデータである。また、例えば、予測対象が電力需要であり、かつ、複数の電力消費者の合算値を予測対象とする場合、予測対象の値の推移を構成する要因とは、類似する電力需要を示すグループごとのデータである。
記憶装置２０５には、予測データ記憶部２０９などのデータベースが格納されている。予測データ記憶部２０９には、予測対象の予測データ２１０が保持されている。
データ管理装置１０３は、データ管理装置１０３の動作を統括的に制御するＣＰＵ２１１、入力装置２１２、出力装置２１３、通信装置２１４、および記憶装置２１５を含んで構成される。データ管理装置１０３は、パーソナルコンピュータ、サーバコンピュータ、ハンドヘルドコンピュータなどの情報処理装置である。
入力装置２１２は、キーボード、ポインティングデバイスなどである。出力装置２１３は、ディスプレイ、プリンタなどである。通信装置２１４は、無線ＬＡＮまたは有線ＬＡＮに接続するためのＮＩＣを備えて構成される。また、記憶装置２１５は、ＲＡＭ、ＲＯＭなどの記憶部である。
記憶装置２１５には、予測対象標本データ記憶部２１６、因子標本データ記憶部２１８などのデータベースが格納されている。予測対象標本データ記憶部２１６には、予測対象標本データ２１７が保持されている。また、因子標本データ記憶部２１８には、因子標本データ２１９が保持されている。
予測対象標本データ２１７は、時間の推移に伴い観測された予測対象の過去の観測値を示すデータである。例えば、予測対象標本データ２１７は、電力、ガス、水道などのエネルギー消費量データ、通信基地局などで計測される通信量データ、自動車などの移動体の位置情報履歴データ、タクシーなどの移動体の時間毎の稼働台数データなどである。なお、これらの標本データは、計測器単位のデータ、または複数の計測器の合計を示すデータである。
因子標本データ２１９は、予測対象の値の増減に影響を与える各種因子における、時間の推移に伴い観測された過去の観測値を示すデータである。例えば、因子標本データ２１９は、気温、湿度、日射量、風速、気圧などの気象データ、年月日、曜日、任意に設定した日の種別を示すフラグ値などの暦日データ、台風、イベントなどの突発事象の発生有無を示すイベントデータ、エネルギーの消費者数データ、その業種、通信基地局に接続する通信端末数データなどである。因子標本データ２１９としては、予測対象の過去の観測データそのものなども含まれてもよい。
なお、データ管理装置１０３の機能は、例えば、ＣＰＵがＲＯＭに格納されたプログラムをＲＡＭに読み出して実行すること（ソフトウェア）により実現されてもよいし、専用の回路などのハードウェアにより実現されてもよいし、ソフトウェアとハードウェアとが組み合わされて実現されてもよい。また、データ管理装置１０３の機能の一部は、データ管理装置１０３と通信可能な他のコンピュータにより実現されてもよい。
本実施の形態では、データ予測装置１０２とデータ管理装置１０３とは、通信経路１０９を介して通信可能に接続される構成を例に挙げて説明するが、この構成に限られるものではなく、直接接続される構成であってもよいし、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）などの記録媒体（人手）を介してデータのやり取りが行われてもよい。
かかるデータ予測システム１０４において、要因分離部２０６は、予測対象標本データ２１７から要因（要因データ）を分離して出力する。より具体的には、要因分離部２０６は、予測対象標本データ２１７を用いて、予測対象の値の推移を構成する複数の要因を分離し、要因データとして出力する。なお、分離された要因データには、分離された要因それぞれの値と、予測対象標本データ２１７に元々含まれている因子データとが含まれる。
要因予測部２０７は、分離された要因データと、予測期間における因子の予報データとに基づいて、要因それぞれの要因予測データを算出して出力する。より具体的には、要因予測部２０７は、分離された要因データの各要因について要因予測データを算出するためのモデルを同定する。そして、要因予測部２０７は、同定したモデルに予報データを入力することで、予測対象の期間における分離された要因それぞれの要因予測データを算出する。
予測演算部２０８は、要因それぞれの要因予測データに基づいて、予測データ２１０を算出して出力する。より具体的には、予測演算部２０８は、要因それぞれの要因予測データを合成し、予測対象の予測データ２１０を算出する。
（１－３）データ予測システムに係る処理
図３および図４を参照して、データ予測システム１０４に係る処理（データ予測処理）について説明する。
図３は、データ予測処理におけるデータフローの一例を示す図である。
データ管理装置１０３は、データ観測装置１０７から予測対象標本データ２１７を受信し、予測対象標本データ記憶部２１６に記憶する。また、データ管理装置１０３は、データ観測装置１０７から因子標本データ２１９を受信し、因子標本データ記憶部２１８に記憶する。
データ予測装置１０２は、データ管理装置１０３に記憶された予測対象標本データ２１７を取得する。そして、データ予測装置１０２は、要因分離部２０６において、予測対象標本データ２１７に基づいて、予測対象の値の推移を構成する要因を分離する。その後、要因分離部２０６は、分離された要因データ３０２を要因予測部２０７に出力する。
データ予測装置１０２は、要因予測部２０７において、因子標本データ２１９と要因データ３０２と因子の予報を示す予報データ３０１（因子群の予測データ）とに基づいて、要因予測処理を行う。より具体的には、要因予測部２０７は、要因それぞれの要因予測データ３０３を算出するためのモデルを同定する。要因予測部２０７は、同定したそれぞれのモデルに対して予報データ３０１を入力し、要因それぞれの要因予測データ３０３を算出する。要因予測部２０７は、要因予測データ３０３を予測演算部２０８に出力する。
データ予測装置１０２は、予測演算部２０８において、要因それぞれの要因予測データ３０３を合成し、予測対象の予測データ２１０を算出する。その後、予測演算部２０８は、算出した予測データ２１０を予測データ記憶部２０９に格納する。
また、データ予測装置１０２は、算出した予測データ２１０を、計画作成・実行管理装置１０５に直接、または予測データ記憶部２０９から読み出して送信する。
次に、図４を用いて、データ予測処理に係る処理手順を説明する。データ予測処理は、データ予測装置１０２が装置利用者からの入力操作を入力装置２０２を介して受け付けたこと、または情報入出力端末１０６を介して予め設定された実行時刻になったこと等を契機として始まる処理であり、データ予測装置１０２によりステップＳ４０１からステップＳ４０４の処理が実行される。
なお、実際には、データ予測装置１０２のＣＰＵ２０１および記憶装置２０５に格納されている各種コンピュータプログラムに基づいて処理が実行される。説明の便宜上、処理主体をデータ予測装置１０２の処理部として説明する。
まず、データ予測装置１０２は、予測対象標本データ２１７および因子標本データ２１９をデータ管理装置１０３から取得し、予報データ３０１をデータ配信装置１０８から取得する（ステップＳ４０１）。なお、データを取得するタイミングは、特に限定されるものではなく、複数の処理まとめて行われてもよいし、処理ごとに行われてもよい。
続いて、要因分離部２０６は、予測対象標本データ２１７に基づいて、予測対象の値の推移を構成する要因を分離する（ステップＳ４０２）。
例えば、要因分離部２０６は、予測対象標本データ２１７を２４時間などの所定の時間間隔の標本群に分割する（以下、分割した時間間隔の標本群を時間分割標本群と呼ぶ）。そして、要因分離部２０６は、時間分割標本群の各々に含まれる予測対象の標本について周波数解析を施すことで、予測対象の値の推移を構成する要因として周波数成分を分離する。要因分離部２０６は、分離した周波数成分を要因データ３０２として出力し、動作を終了する。
なお、周波数解析の手法には、フーリエ変換、ウェーブレット変換などの公知の手法を適用することができる。
続いて、要因予測部２０７は、因子標本データ２１９と予報データ３０１と要因データ３０２とに基づいて、予測対象の期間における要因それぞれの要因予測データ３０３を算出する（ステップＳ４０３）。
より具体的には、要因予測部２０７は、要因データ３０２の各要因の要因予測データ３０３を算出するためのモデルを同定し、同定したモデルに予報データ３０１を入力することで、予測対象の期間における要因それぞれの要因予測データ３０３を算出する。
例えば、要因予測部２０７は、要因データ３０２に含まれる周波数成分のうち、ある１つの周波数Ａのデータ群を抽出する。なお、抽出した周波数Ａのデータ群は、要因分離部２０６で作成した時間分割標本群のそれぞれの周波数Ａの値（例えば、過去ｎ日分の各日の予測対象標本データ２１７の周波数Ａ成分）である。
続いて、要因予測部２０７は、時間分割標本群それぞれの観測日時と同一日時に観測された因子のデータ群（例えば、因子が気温である場合、過去ｎ日分の平均気温、最低気温、最高気温などを示すデータ）を因子標本データ２１９からそれぞれ抽出し、周波数Ａのデータ群と抽出した因子のデータ群とに基づいて、予測対象の期間における周波数Ａ成分の要因予測データ３０３を算出するためのモデルを同定する。
例えば、要因予測部２０７は、分離された周波数Ａのデータ群（ｙ１、ｙ２、・・・）と、抽出された因子のデータ群（ｘ１、ｘ２、・・・）とに基づいて、要因予測データ（ｙ）と予報データ（ｘ）とを未知数とする連立方程式（ｙ１＝αｘ１＋β、ｙ２＝αｘ２＋β、・・・）を立てて解く（α、βを求める）ことにより、要因予測データ３０３を算出するためのモデル（ｙ＝αｘ＋β）を導出する。
なお、モデルの同定は、上記の例に限られるものではなく、公知の手法を適用することができる。公知の手法とは、例えば、重回帰モデルなどの線形回帰モデル、ロジスティック回帰などの一般化線形モデルなどの線形性を利用する手法、ＡＲＸ（AutoRegressive with Exogenous）モデルなどの自己回帰性を利用する手法、Ｒｉｄｇｅ回帰、Ｌａｓｓｏ回帰、ＥｌａｓｔｉｃＮｅｔなどの縮小推定器を利用する手法、部分最小二乗法、主成分回帰などの次元縮退器を利用する手法、多項式を用いた非線形モデル、サポートベクトル回帰、回帰木、ガウス過程回帰、ニューラルネットなどのノンパラメトリックと呼ばれる手法など、である。
続いて、要因予測部２０７は、予報データ３０１（予測対象の期間における因子群の予測データ）をモデルに入力することで、予測対象の期間における周波数Ａ成分の要因予測データ３０３を算出する。
続いて、要因予測部２０７は、周波数Ａに対して行った演算処理を、要因データ３０２に含まれる他の全ての周波数に対しても同様に実行する。
続いて、要因予測部２０７は、要因それぞれの要因予測データ３０３として予測演算部２０８に出力し、動作を終了する。
続いて、予測演算部２０８は、予測対象の期間における要因それぞれの要因予測データ３０３を合成し、予測対象の予測データ２１０を算出する（ステップＳ４０４）。
例えば、予測演算部２０８は、要因それぞれの要因予測データ３０３に含まれる、各周波数成分それぞれの要因予測データ３０３に対して、要因分離部２０６で施した周波数解析における逆変換処理を施すことで、予測対象の値の推移の予測データ２１０を算出する。なお、予測演算部２０８は、例えば、算出した予測データ２１０を出力し、動作を終了する。付言するならば、データ予測装置１０２は、予測演算部２０８が算出した予測対象の予測データ２１０を、予測データ記憶部２０９に記憶したり、計画作成・実行管理装置１０５に送信したりする。
以上の処理を以って、データ予測処理が終了する。
ここで、計画作成・実行管理装置１０５は、データ予測装置１０２から予測データ２１０を受信した後、物理的な設備の運転計画を算出し、各設備の制御装置を介して実行する。例えば、電力事業の分野に適用する場合、計画作成・実行管理装置１０５は、データ予測装置１０２から予測データ２１０を充足するような発電機の運転計画を作成し、発電機の制御装置を介して発電機を運転する。また、計画作成・実行管理装置１０５は、電力の取引所への注文電文を作成し、取引所に送信する。
以上の処理を以って、本実施形態における全ての処理が終了する。
（１－４）本実施形態の効果の説明
図５を用いて、本実施の形態の効果を説明する。
図５は、要因予測部２０７が出力した要因予測データ５０１～５０４（点線で示すデータ）を予測演算部２０８に入力し、予測対象の予測データ５０５（点線で示すデータ）を出力する処理を示した概念図である。
図５では、要因予測部２０７が出力した要因予測データ５０１～５０４として、ここでは４種の周波数成分の要因予測データを図示している。要因予測データ５０１～５０４では、横軸である時間幅は、全て同一である。また、要因予測データ５０１は、１つ目の周波数成分（直流成分）、要因予測データ５０２は、２つ目の周波数成分、要因予測データ５０３は、３つ目の周波数成分、要因予測データ５０４は、４つ目の周波数成分（最も周期の短い周波数成分）の結果をそれぞれ図示したものである。
なお、説明の簡単のために、図５では、要因予測部２０７が出力した各周波数成分の要因予測データ５０１～５０４をそれぞれの図中に点線で示すと共に、本来は事後に観測される各周波数成分の観測データを実線で示している。また、説明の簡単のために、図示している周波数成分は、要因予測データ５０１～５０４の４種であるが、実際の演算処理にて扱う周波数成分の種類数は４種に限らない。
ここで、要因予測データ５０１～５０４を観察すると、直流成分である要因予測データ５０１と、２つ目の周波数成分である要因予測データ５０２の予測結果は、事後に観測される観測値（実線のデータ）に対して、振幅に僅かな誤差が生じている。しかしながら、要因予測データ５０３と要因予測データ５０４とを観察すると、事後に観測されるそれぞれの周波数の観測値に対して予測結果は周期、振幅共に一致している。したがって、予測対象の値の推移を示す予測データ５０５（点線のデータ）は、事後に観測される予測対象の値の実推移（実線のデータ）に対して、中間時間帯に僅かなバイアス誤差が生じるものの、時間ごとの細かな推移に対しては追従することができている。
このように、予測対象の値の推移を構成する要因である周波数成分をそれぞれ予測することで、長時間から短時間の様々な推移変化に追従させることが可能となり、よって予測の精度を向上させることができている。
本実施の形態では、例えば、予測の対象とする値（例えば、予測対象標本データ２１７）から、値の推移を構成する要因（例えば、要因データ３０２）を分離する要因分離部２０６と、要因分離部２０６により分離された要因と予測の対象に係る因子（例えば、因子標本データ２１９、予報データ３０１）とに基づいて、各要因の予測データである要因予測データ（例えば、要因予測データ３０３）を算出する要因予測部２０７と、要因予測部２０７により算出された要因予測データに基づいて、予測の対象の予測データ（例えば、予測データ２１０）を算出する予測演算部２０８と、を備えることを特徴とする。
かかる特徴的な構成によれば、例えば、予測対象の値の推移を構成する要因ごとに予測を行うことで、予測対象の値の時間的に連続した推移の変化を捉えることができるので、予測データの誤差を極力低減させることができ、精度の高い予測データを提供できるようになる。
（２）第２の実施の形態
第１の実施の形態では、値の推移を構成する要因を分離する対象は、予測対象に対してのみとして説明したが、これに限らず、因子標本データに対して適用してもよい。
例えば、予測対象が電力需要である場合、因子標本データは、気温、湿度、日射量、気圧などの気象データである。ただし、気象の変化に対する電力需要の応答は、建築物の躯体蓄熱等の物理的な過程に起因して時間的な遅れが生じる。したがって、気象の値の推移を構成する要因を分離し、予測対象である電力需要の時間推移を構成する要因それぞれとの応答関係をモデル化することで、より精緻なモデルの同定が可能となり、予測の精度を向上させることが可能となる。
より具体的には、図６を用いて説明する。なお、本実施の形態では、説明の簡単のため、予測対象の値の推移を構成する要因は、３種（周波数Ａ成分、周波数Ｂ成分、および周波数Ｃ成分）に分離されるものとして説明する。
図６に示すように、要因分離部２０６は、２つの要因分離処理（第１要因分離処理６０１および第２要因分離処理６０２）を実行する。第１要因分離処理６０１では、要因分離部２０６は、予測対象の値の推移を構成する要因を分離する演算を行う。なお、かかる演算は、第１の実施の形態と同様であるので、その説明を省略する。
第２要因分離処理６０２では、要因分離部２０６は、因子の値の推移を構成する要因を分離する演算を行う。より具体的には、要因分離部２０６は、因子標本データ２１９を入力として、因子の値の推移を構成する要因を出力する。出力された因子の値を構成する要因は、新たな因子標本データとして要因予測部２０７に入力される。なお、要因予測部２０７の演算において、標本データと予報データ３０１との形式は同形である必要があるため、予報データ３０１も同様に第２要因分離処理６０２にて予報の値の推移を構成する要因に分離される。
付言するならば、第１要因分離処理６０１と第２要因分離処理６０２とにおける要因を分離する手法については、同一の手法を適用してもよいし、それぞれ異なる手法を適用してもよい。
要因予測部２０７は、要因分離部２０６により分離された予測対象の値の推移を構成する要因の周波数のデータ群と因子の値の推移を構成する要因の周波数のデータ群とに基づいて、要因それぞれの要因予測データを算出する。より具体的には、要因予測部２０７は、第１要因予測処理６０３、第２要因予測処理６０４、および第３要因予測処理６０５を行い、３種の要因のそれぞれの要因予測データを算出する。
例えば、要因予測部２０７は、要因分離部２０６により分離された予測対象の値の推移を構成する要因の周波数Ａのデータ群（ｙ１、ｙ２、ｙ３）と、要因分離部２０６により分離された因子の値の推移を構成する要因の周波数のデータ群（ｘ１１，ｘ１２，ｘ１３、ｘ２１，ｘ２２，ｘ２３、ｘ３１，ｘ３２，ｘ３３）とに基づいて、要因予測データ（ｙ）と予報データ（ｘ）とを未知数とする連立方程式（ｙ１＝αｘ１１＋βｘ１２＋γｘ１３、ｙ２＝αｘ２１＋βｘ２２＋γｘ２３、ｙ３＝αｘ３１＋βｘ３２＋γｘ３３）を立てて解く（α、β、γを求める）ことにより、要因予測データを算出するためのモデル（ｙ＝αｘ１＋βｘ２＋γｘ３）を導出する。なお、ｘ１，ｘ２，ｘ３は、予報データを周波数解析して得られる値である。
なお、モデルの同定は、上記の例に限られるものではなく、公知の手法を適用することができる。なお、公知の手法については、第１の実施の形態に示した手法などを適宜に採用することができる。
続いて、要因予測部２０７は、予測対象の期間における因子群の予測データである予報データ３０１を周波数解析した値をモデルに入力することで、予測対象の期間における周波数Ａ成分の要因予測データを算出する。
続いて、要因予測部２０７は、周波数Ａ成分に対して行った演算処理を、要因データに含まれる他の全ての周波数成分（本例では、周波数Ｂ成分および周波数Ｃ成分）に対しても同様に実行する。
続いて、要因予測部２０７は、全ての要因の予測結果を併せて、要因それぞれの要因予測データとして出力し、動作を終了する。
本実施の形態では、例えば、要因分離部２０６は、因子の値の推移を構成する要因（例えば、因子の値の推移を構成する要因の周波数のデータ群）を分離し、要因予測部２０７は、要因分離部２０６により分離された値の推移を構成する要因と要因分離部２０６により分離された因子の値の推移を構成する要因とに基づいて、値の推移を構成する各要因の予測データである要因予測データを算出することを特徴とする。
かかる特徴的な構成によれば、例えば、因子の推移を構成する要因を分離し、予測対象である値の推移を構成する要因それぞれとの応答関係をモデル化することで、より精緻なモデルの同定が可能となり、予測対象の予測データをより正確に算出できるようになる。
（３）第３の実施の形態
上記の実施の形態では、予測対象の値の推移を構成する要因として周波数成分を例に挙げて説明したが、これに限らず、予測対象の値の推移を構成する他の要因を分離してもよい。
例えば、予測対象が電力需要であり、かつ、複数の計測器による計測データの合算値（合算計測データ）が予測対象である場合、予測対象の値の推移を構成する要因として各計測器の計測データを分離してもよい。
より具体的には、図７を用いて説明する。なお、図７では、本実施の形態に係るデータ管理システム１０１の主な構成を示している。
ここで、複数の計測器７０１がそれぞれ計測している電力需要は、一般家庭電力、業務用電力、産業用電力といった複数種の需要区分の電力需要である。このとき、要因分離部２０６は、需要区分（計測データの推移が類似するグループの一例）ごとに計測データを分離する（第１要因分離処理７０２の一例）。要因分離部２０６は、分離した各需要区分のデータをそれぞれ要因予測部２０７に入力してもよいし、分離した各需要区分のデータに対して、第２要因分離処理７０３（上記の実施の形態で示した周波数解析により要因を分離する演算）を更に実行し、要因予測部２０７に入力してもよい。
また、複数の計測器７０１による計測データの合算値が予測対象である場合、要因分離部２０６は、各計測器７０１の計測データの値の推移の類似性に基づいて要因を分離する処理（第１要因分離処理７０２の一例）を行ってもよい。より具体的には、要因分離部２０６は、所定期間における各計測器７０１の計測データの時間推移の類似性に基づいてクラスタリング処理を施し、各計測器７０１の計測データを複数のクラスタ（計測データの推移が類似するグループの一例）として分離する。
なお、クラスタリング処理には、公知の手法を適用してよい。公知の手法とは、ｋ－ｍｅａｎｓ、ＥＭアルゴリズム（Expectation-Maximization Algorithm）、スペクトラルクラスタリングといった近傍最適手法としてのクラスタリング手法、教師なしＳＶＭ（Support Vector Machine）、ＶＱアルゴリズム（Vector Quantization Algorithm）、ＳＯＭ（Self-Organizing Maps）といった識別境界最適としてのクラスタリング手法である。
本実施の形態では、例えば、予測対象の値は、複数の計測器７０１の各々によって計測された計測データが合算された合算計測データであり、要因分離部２０６は、推移が類似するグループごとの計測データを要因として合算計測データから分離（例えば、需要区分ごとに計測データを分離、クラスタごとに計測データを分離など）することを特徴とする。
かかる特徴的な構成によれば、例えば、複数の計測器７０１による計測データが需要区分またはクラスタによって分離されるので、分離後のそれぞれの計測データは、因子に対する予測対象の値の応答特性が類似したデータの集合となる。したがって、それぞれに適したモデルをそれぞれ個別に同定することが可能となるため、予測の精度が向上する。また、上記分離したデータは、それぞれ因子に対する応答特性が類似しているため、周波数成分などの要因の分離をさらに施すことで、より精緻なモデル同定が可能となり、予測の精度が向上する。
なお、クラスタリングを行うための特徴量は、各計測器７０１の計測データにおける時間推移の値そのものであってもよいし、各計測器７０１の計測データにおける時間推移の値を構成する周波数成分であってもよい。複数の計測器７０１の計測データをそれぞれの周波数成分でクラスタリングすることで、その後の要因を分離する演算において、より明確な要因を分離することができ、予測の精度が向上する。
（４）第４の実施の形態
上記の実施の形態では、要因予測部２０７における各要因の要因予測処理は一度のみとして説明したが、これに限らず、要因予測データを新たな因子標本データとする再帰的な演算処理を行ってもよい。
より具体的には、図８を用いて説明する。なお、ここでは、説明の簡単のため、予測対象の値の推移を構成する要因は、３種に分離されるものとして説明する。要因予測部２０７は、要因分離部２０６より３種の要因データを受け取る。そして、要因予測部２０７は、第１要因予測処理８０１、第２要因予測処理８０２、および第３要因予測処理８０３を行い、３種の要因それぞれの要因予測データを算出する。
ここで、本実施の形態では、要因予測部２０７は、上記の要因それぞれの要因予測データを新たな因子標本データとして設定し、第４要因予測処理８０４、第５要因予測処理８０５、および第６要因予測処理８０６にそれぞれ入力する。例えば、第４要因予測処理８０４では、要因予測部２０７は、従来の因子標本データ２１９に加えて、第２要因予測処理８０２と第３要因予測処理８０３とにおいて予測対象としていたそれぞれの要因の予測対象標本データをも新たな因子標本データとして設定し、モデルを同定する。
そして、要因予測部２０７は、同定したモデルに対して、予報データ３０１に加えて第２要因予測処理８０２と第３要因予測処理８０３とにおいて算出したそれぞれの要因の要因予測データを入力することで、新たな要因予測データを算出して出力する。また、要因予測部２０７は、第５要因予測処理８０５と第６要因予測処理８０６とにおいても同様の演算を行うことで、３つの要因それぞれの新たな要因予測データを算出して出力し、予測演算部２０８に入力する。
ここで、要因分離部２０６にて分離された要因それぞれの間に相関関係が存在する場合、要因間の相関関係まで捉えたモデルの同定を行うことで、予測演算部２０８が出力する予測対象の値の推移の予測データの精度が向上するが、同定したモデルから要因の要因予測データを算出するためには、他の要因の要因予測データが必要となる。
この点、本実施の形態では、例えば、要因予測部２０７は、算出した要因予測データを新たな因子とし、要因分離部２０６により分離された要因と、予測の対象に係る因子および新たな因子と、に基づいて、各要因の予測データである要因予測データを算出することを特徴とする。
かかる特徴的な構成によれば、例えば、要因同士の相関関係も捉えた予測が可能となり、予測の精度が向上する。
なお、本実施の形態では、簡単のため、再帰的な演算の回数は１回のみとして説明したが、２回以上行ってもよい。加えて、再帰的な演算の回数を最適化する場合、標本データに対して同定するモデルの適合性を示す指標が最良となる回数とする方法、要因予測部２０７が出力する要因予測データの予測誤差が最小となる回数とする方法、予測演算部２０８が出力する予測データの予測誤差が最小となる回数とする方法などを採ってもよい。
（５）第５の実施の形態
上記の実施の形態では、予測演算部２０８において出力する予測対象の値の推移の予測データは１つのみとして説明したが、これに限らず、複数の予測対象の値の推移の予測データを出力してもよい。
より具体的には、図９を用いて説明する。図９は、要因予測部２０７が出力した要因予測データ９０１～９０４（図中の上段部分に示すデータ群）を予測演算部２０８に入力し、予測対象の要因予測データ９２１～９２５（図中の下段部分に示すデータ群）を出力する演算処理を示す概念図である。
要因予測部２０７が出力した要因予測データ９０１～９０４として、ここでは、４種の周波数成分の要因予測データを図示している。要因予測データ９０１～９０４では、横軸である時間幅は全て同一である。また、要因予測データ９０１は、直流成分、要因予測データ９０２は、２つ目の周波数成分、要因予測データ９０３は、３つ目の周波数成分、要因予測データ９０４は、最も周期の短い周波数成分の結果をそれぞれ図示したものである。
ここで、それぞれの周波数成分の要因予測データ９０１～９０４には、複数の結果値が存在している。これは、それぞれの周波数成分の要因予測データ９０１～９０４を算出するモデルの観測ノイズ、またはモデル自体のシステムノイズの同定結果に従い算出したもの、またはモデルを確率モデルとして同定している場合、同定した確率分布に従って算出したものである。
本実施の形態における予測演算部２０８は、各周波数成分の複数の要因予測データ９０１～９０４から、それぞれ１つの要因予測データを取得するサンプリング部９１１～９１４を有している。例えば、サンプリング部９１１～９１４がそれぞれ、要因予測データ９０１～９０４から１つずつ要因予測データを取得し、予測演算部２０８は、取得した要因予測データから予測対象の値の推移の予測データ９２１～９２５を算出する。なお、予測データ９２１～９２５の個数については、特に限定されるものではなく、例えば、情報入出力端末１０６を介して所定の個数が予め設定されている。
本実施の形態では、例えば、要因予測部２０７は、要因ごとに複数の要因予測データを算出し、予測演算部２０８は、要因予測部２０７により算出された複数の要因予測データから、要因ごとに要因予測データを１つサンプリングし、サンプリングした要因予測データに基づいて予測の対象の予測データを算出する処理を行って複数の予測データを算出することを特徴とする。
かかる特徴的な構成によれば、例えば、可能性のある複数の予測データを出力することができる。
（６）他の実施の形態
なお上述の実施の形態においては、本発明をデータ管理システム１０１に適用するようにした場合について述べたが、本発明はこれに限らず、この他種々のシステム、方法、装置に広く適用することができる。
また上述の実施の形態においては、因子標本データと予報データとが別々に設けられる場合について述べたが、本発明はこれに限らず、一方が他方に含まれるようにしてもよい。
また上述の実施の形態においては、説明の便宜上、ＸＸテーブルを用いて各種のデータを説明したが、データ構造は限定されるものではなく、ＸＸ情報などと表現してもよい。
また、上記の説明において各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）等の記憶装置、または、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。
また上述した構成については、本発明の要旨を超えない範囲において、適宜に、変更したり、組み替えたり、組み合わせたり、省略したりしてもよい。
１０１……データ管理システム、１０２……データ予測装置、１０３……データ管理装置、１０４……データ予測システム、１０５……計画作成・実行管理装置、１０６……情報入出力端末、１０７……データ観測装置、１０８……データ配信装置、１０９……通信経路。

Claims (6)

  1. エネルギーの消費量とエネルギーの生産量との少なくとも１つを含み予測の対象とする第１の値に対して周波数解析を行い、前記周波数解析により得られる周波数成分を前記第１の値の推移を構成する要因として分離する第１の要因分離部と、
    因子標本データである第２の値に対して周波数解析を行い、前記周波数解析により得られる周波数成分を前記第２の値の推移を構成する要因として分離する第２の要因分離部と、
    前記第１の要因分離部により分離された第１の要因と、前記第２の要因分離部により分離された第２の要因とに基づいて、各要因の予測データである要因予測データを算出する要因予測部と、
    前記要因予測部により算出された要因ごとの周波数成分の要因予測データに対して、周波数解析における逆変換処理を行い、前記予測の対象の値の時間推移を示す予測データを算出する予測演算部と、
    前記予測演算部が算出した前記予測データを充足する発電機の運転計画を作成し、前記運転計画に基づき前記発電機の制御装置を介して前記発電機を運転する計画作成実行管理装置と、
    を備えることを特徴とする電力需給管理システム。
  2. 前記第１の要因分離部は、前記予測の対象の観測値を示す第１の値に対して周波数解析を行い、前記周波数解析により得られる周波数成分を第１の要因として分離し、
    前記第２の要因分離部は、
    前記予測の対象に係る因子の観測値を示す第２の値に対して前記周波数解析を行い、前記周波数解析により得られる前記周波数成分を第２の要因として分離し、
    前記因子の予報値を示す予報データに対して前記周波数解析を行い、前記周波数解析により得られる周波数成分を第３の要因として分離し、
    前記因子は、気象と、暦日と、イベントと、電力の消費者数との少なくとも１つを含み、
    前記要因予測部は、前記第１の要因分離部により分離された第１の要因および前記第２の要因分離部により分離された第２の要因に基づいて、各要因の予測データである要因予測データを算出するためのモデルを要因ごとに同定し、同定したモデルに前記第２の要因分離部により分離された第３の要因を入力し、要因ごとに要因予測データを算出する、
    ことを特徴とする請求項１に記載の電力需給管理システム。
  3. 前記要因予測部は、算出した要因予測データを新たな因子とし、前記第１の要因分離部により分離された要因と、前記予測の対象に係る因子および前記新たな因子と、に基づいて、各要因の予測データである要因予測データを算出する、
    ことを特徴とする請求項２に記載の電力需給管理システム。
  4. 前記要因予測部は、要因ごとに複数の要因予測データを算出し、
    前記予測演算部は、前記要因予測部により算出された複数の要因予測データから、要因ごとに要因予測データを１つサンプリングし、サンプリングした要因予測データに基づいて前記予測の対象の予測データを算出する処理を行って複数の予測データを算出する、
    ことを特徴とする請求項２に記載の電力需給管理システム。
  5. 第１の要因分離部が、エネルギーの消費量とエネルギーの生産量との少なくとも１つを含み予測の対象とする第１の値に対して周波数解析を行い、前記周波数解析により得られる周波数成分を前記第１の値の推移を構成する要因として分離する第１のステップと、
    第２の要因分離部が、因子標本データである第２の値に対して周波数解析を行い、前記周波数解析により得られる周波数成分を前記第２の値の推移を構成する要因として分離する第２のステップと、
    要因予測部が、前記第１の要因分離部により分離された第１の要因と、前記第２の要因分離部により分離された第２の要因とに基づいて、各要因の予測データである要因予測データを算出する第３のステップと、
    予測演算部が、前記要因予測部により算出された要因ごとの周波数成分の要因予測データに対して、周波数解析における逆変換処理を行い、前記予測の対象の値の時間推移を示す予測データを算出し、前記予測データを計画作成実行管理装置へ出力する第４のステップと、
    を備え、
    前記計画作成実行管理装置は、前記予測演算部が出力した前記予測データを充足する発電機の運転計画を作成し、前記運転計画に基づき前記発電機の制御装置を介して前記発電機を運転する装置である、
    ことを特徴とする電力需給管理方法。
  6. エネルギーの消費量とエネルギーの生産量との少なくとも１つを含み予測の対象とする第１の値に対して周波数解析を行い、前記周波数解析により得られる周波数成分を前記第１の値の推移を構成する要因として分離する第１の要因分離部と、
    因子標本データである第２の値に対して周波数解析を行い、前記周波数解析により得られる周波数成分を前記第２の値の推移を構成する要因として分離する第２の要因分離部と、
    前記第１の要因分離部により分離された第１の要因と、前記第２の要因分離部により分離された第２の要因とに基づいて、各要因の予測データである要因予測データを算出する要因予測部と、
    前記要因予測部により算出された要因ごとの周波数成分の要因予測データに対して、周波数解析における逆変換処理を行い、前記予測の対象の値の時間推移を示す予測データを算出し、前記予測データを計画作成実行管理装置へ出力する予測演算部と、
    を備え、
    前記計画作成実行管理装置は、前記予測演算部が出力した前記予測データを充足する発電機の運転計画を作成し、前記運転計画に基づき前記発電機の制御装置を介して前記発電機を運転する装置である、
    ことを特徴とする電力需給管理装置。
JP2018106301A 2018-06-01 2018-06-01 電力需給管理システム、電力需給管理方法、および電力需給管理装置 Active JP7217074B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2018106301A JP7217074B2 (ja) 2018-06-01 2018-06-01 電力需給管理システム、電力需給管理方法、および電力需給管理装置
EP19161867.7A EP3576042A1 (en) 2018-06-01 2019-03-11 Data prediction system, data prediction method, and data prediction apparatus
US16/298,598 US20190370673A1 (en) 2018-06-01 2019-03-11 Data prediction system, data prediction method, and data prediction apparatus
JP2022179088A JP7340081B2 (ja) 2018-06-01 2022-11-08 電力需給管理システム、データ予測方法、およびデータ予測装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018106301A JP7217074B2 (ja) 2018-06-01 2018-06-01 電力需給管理システム、電力需給管理方法、および電力需給管理装置

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2022179088A Division JP7340081B2 (ja) 2018-06-01 2022-11-08 電力需給管理システム、データ予測方法、およびデータ予測装置

Publications (3)

Publication Number Publication Date
JP2019211922A JP2019211922A (ja) 2019-12-12
JP2019211922A5 JP2019211922A5 (ja) 2021-04-08
JP7217074B2 true JP7217074B2 (ja) 2023-02-02

Family

ID=65801840

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2018106301A Active JP7217074B2 (ja) 2018-06-01 2018-06-01 電力需給管理システム、電力需給管理方法、および電力需給管理装置
JP2022179088A Active JP7340081B2 (ja) 2018-06-01 2022-11-08 電力需給管理システム、データ予測方法、およびデータ予測装置

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2022179088A Active JP7340081B2 (ja) 2018-06-01 2022-11-08 電力需給管理システム、データ予測方法、およびデータ予測装置

Country Status (3)

Country Link
US (1) US20190370673A1 (ja)
EP (1) EP3576042A1 (ja)
JP (2) JP7217074B2 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695733B (zh) * 2020-06-11 2022-09-09 国网天津市电力公司 一种基于改进模糊聚类算法的“煤改电”负荷预测方法
JP7476713B2 (ja) * 2020-08-04 2024-05-01 横河電機株式会社 データ管理システム、データ管理方法、および、データ管理プログラム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016181060A (ja) 2015-03-23 2016-10-13 大阪瓦斯株式会社 電力需要予測システム
WO2019207622A1 (ja) 2018-04-23 2019-10-31 株式会社 東芝 電力需要予測装置、電力需要予測方法、およびそのプログラム

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07238803A (ja) * 1994-02-28 1995-09-12 Mitsubishi Heavy Ind Ltd 発電プラント群に適用される運転制御装置
JP2005141708A (ja) 2003-11-05 2005-06-02 Yoji Mukuda 需要予測プログラム、当該需要予測プログラムを記録したコンピュータ読み取り可能な記録媒体、及び需要予測装置
JP5618501B2 (ja) 2009-07-14 2014-11-05 株式会社東芝 需要予測装置、プログラムおよび記録媒体
JP2012034444A (ja) * 2010-07-28 2012-02-16 Toshiba Corp 電力需給計画装置及びその方法
US8942959B2 (en) 2012-03-29 2015-01-27 Mitsubishi Electric Research Laboratories, Inc. Method for predicting outputs of photovoltaic devices based on two-dimensional fourier analysis and seasonal auto-regression
JP2015192586A (ja) * 2014-03-31 2015-11-02 株式会社明電舎 マイクログリッドの需給制御システムおよび需給制御方法
JP2017175845A (ja) 2016-03-25 2017-09-28 三菱重工業株式会社 エネルギー需要予測システム、エネルギー需要予測方法およびエネルギー管理システム
JP6711074B2 (ja) * 2016-03-29 2020-06-17 富士通株式会社 発電計画の自動生成プログラム、発電計画の自動生成方法および発電計画生成装置
JP6742813B2 (ja) 2016-05-20 2020-08-19 株式会社日立製作所 需要予測システム及び需要予測方法
JP6742894B2 (ja) 2016-06-09 2020-08-19 株式会社日立製作所 データ予測システムおよびデータ予測方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016181060A (ja) 2015-03-23 2016-10-13 大阪瓦斯株式会社 電力需要予測システム
WO2019207622A1 (ja) 2018-04-23 2019-10-31 株式会社 東芝 電力需要予測装置、電力需要予測方法、およびそのプログラム

Also Published As

Publication number Publication date
JP7340081B2 (ja) 2023-09-06
US20190370673A1 (en) 2019-12-05
JP2023022056A (ja) 2023-02-14
EP3576042A1 (en) 2019-12-04
JP2019211922A (ja) 2019-12-12

Similar Documents

Publication Publication Date Title
JP7340081B2 (ja) 電力需給管理システム、データ予測方法、およびデータ予測装置
JP6742894B2 (ja) データ予測システムおよびデータ予測方法
JP7319757B2 (ja) データ処理システム及びデータ処理方法
US11036766B2 (en) Time series analysis using a clustering based symbolic representation
JP6831280B2 (ja) 予測システム、及び、予測方法
JP6408451B2 (ja) エネルギー需要予測システム及びエネルギー需要予測方法
Mirowski et al. Demand forecasting in smart grids
US10989838B2 (en) Weather-driven multi-category infrastructure impact forecasting
JP6837949B2 (ja) 予測システム及び方法
Zufferey et al. Forecasting of smart meter time series based on neural networks
JP6735219B2 (ja) 予測システム及び予測方法
JP7157620B2 (ja) 予測システムおよび予測方法
JP2013255390A (ja) 電力需要予測装置及び電力需要予測方法
WO2017212880A1 (ja) データ予測システムおよびデータ予測方法
KR101838393B1 (ko) 시간별 기온을 이용한 24시간 전력수요예측장치 및 전력수요예측방법
Chadalavada et al. Electricity requirement prediction using time series and Facebook’s PROPHET
US20210248481A1 (en) Data Processing System and Data Processing Method
Gerossier et al. A novel method for decomposing electricity feeder load into elementary profiles from customer information
WO2016185919A1 (ja) エネルギー需要予測システム及びエネルギー需要予測方法
JP7257276B2 (ja) データ予測システム及びその方法
WO2024014035A1 (ja) データ予測支援方法およびデータ予測システム
US20240146580A1 (en) Estimation system and estimation method
Luque Rodríguez et al. Low-dimensional representation of monthly electricity demand profiles
Sievers et al. Secure short-term load forecasting for smart grids with transformer-based federated learning
CN111047075A (zh) 一种用于电量数据查询和统计的方法

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210219

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210219

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20211210

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211214

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20220209

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220325

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20220809

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221108

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20221108

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20221121

C21 Notice of transfer of a case for reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C21

Effective date: 20221122

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: 20230110

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230119

R150 Certificate of patent or registration of utility model

Ref document number: 7217074

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150