JP7220133B2 - 電力負荷予測装置および電力負荷予測方法 - Google Patents

Description

本発明は、電力負荷予測装置および電力負荷予測方法に関する。

再生可能エネルギーを含む分散電源の導入拡大に伴って、電力負荷・発電の時系列パターンが複雑化している。そのため、送配電線における電力の流れを表す電力潮流が複雑化し、また電圧変動も激しくなっている。信頼性、経済性を確保した電力供給を実現するためには、この電力負荷・電力潮流・電圧の現在および将来の状況を正確に把握した上で、アダプティブにこれらを制御することが求められる。ここで、将来とは、数分先から数時間先程度の比較的短時間先を指している。

例えば、特許文献１には、「需要家集合内の複数の需要家の夫々による資源の需要の時系列データであるロードデータが、複数のグループに対応付けられ、各グループ内のロードデータを代表する形状を示す需要態様データと、各グループに属する需要家数とを取得し、各グループの需要家数の実績値とに基づいて、予め設定された予測対象期間における需要家集合の需要の時系列データの形状を示す形状データを算出する」と記載されている。また、「発送電分離に向けた電力会社の再編に伴い、電力会社の経営効率化に向けた電力販売ソリューションが求められている。電力販売では発電所との相対契約（容量確保）の適正化のため中長期の需要予測が要求される。」と記載され、また、「各グループに対し、前記需要家数の実績値に基づいて、前記予測対象期間における需要家数の予測値を算出し、前記需要態様データおよび前記需要家数の予測値に基づいて、前記形状データを算出する」とも記載されている。

特開２０１７－２０８０４６号公報

しかし、特許文献１に記載の電力負荷予測方法は、需要態様の年次変化を対象とするなど、中長期の需要予測を意図するものであり、各グループに属する需要家数、またはその予測値を用いる必要がある。このため、分単位、時間単位の制御が必要な電力負荷・電力潮流・電圧の各制御を目的とした系統状態予測にこの技術を適用して短期の予測精度を確保したり、精度を維持したりすることは困難であった。また、特許文献１に記載の電力負荷予測方法は、電力系統全体における潮流、電圧等に関する系統制約を考慮しておらず、実際の運用可能なものである保証がない。

本発明の目的は、上述の点を考慮してなされたものであり、電力系統の制約を考慮しながら各制御に資する短期の電力負荷予測を高精度に行い得るようにすることを１つの目的とする。

かかる課題を解決するため本発明においては、電力負荷予測装置は、電力系統の構成情報を格納する系統ＤＢと、前記電力系統に関連するオンライン計測データであるＩｏＴデータを格納する計測データＤＢと、前記電力系統のノードの個別負荷を予測する際に用いる個別負荷予測モデルを格納する個別負荷予測ＤＢと、前記電力系統のブランチの潮流を予測する際に用いる潮流予測モデルを格納する潮流予測ＤＢと、予測対象ノードの個別負荷予測値を、前記個別負荷予測モデルを用いて前記ＩｏＴデータに基づいて算出する個別負荷予測部と、予測対象ブランチの潮流予測値を、前記潮流予測モデルを用いて前記ＩｏＴデータに基づいて算出する潮流予測部と、前記予測対象ノードの個別負荷予測値および前記予測対象ブランチの潮流予測値のそれぞれを、前記ＩｏＴデータにおける各実績値と比較して、前記個別負荷予測モデルおよび前記潮流予測モデルを性能評価する予測モデル評価部とを備えるようにした。

本発明によれば、例えば、電力系統の制約を考慮しながら各制御に資する短期の電力負荷予測を高精度に行うことができる。

本発明の第１の実施形態に係る電力負荷予測装置の一構成例を示すブロック図。 本発明の第１の実施形態に係る電力負荷予測装置のハードウェア構成の一例を示す図。 第１の実施形態に係る電力系統の構成の一例を示す図。 系統ＤＢのデータの具体例を示す図。 ＩｏＴデータ（オンラインデータ）の具体例を示す図。 ＩｏＴデータ（履歴データ）の具体例を示す図。 個別負荷予測ＤＢのデータの具体例を示す図。 予測式種別の具体例を示す図。 系統計測データの例を示す図。 潮流予測ＤＢのデータの例を示す図。 評価ログの例を示す図。 負荷・潮流予測評価部１４の全体処理の例を示すフローチャート。 本発明の第２の実施形態に係る電力負荷予測装置の一構成例を示すブロック図。 本発明の第３の実施形態に係る電力負荷予測装置の一構成例を示すブロック図。 個別負荷予測モデル作成部の処理の例を示すフローチャート。 潮流予測モデル作成部の処理の例を示すフローチャート。 潮流予測の手法のバリエーション例を示す図。 本発明の第４の実施形態に係る電力負荷予測装置の一構成例を示すブロック図。

以下、図面を参照して本発明の実施形態について説明する。以下の説明において、同一または類似の要素および処理には、原則として同一の符号を付し、重複説明を省略する。また、以下に説明する構成および処理はあくまで一例に過ぎず、本発明に係る実施の態様が、以下の実施形態に限定されることを意図する趣旨ではない。また、各実施形態および変形例は、本発明の技術思想の範囲内および整合する範囲内でその一部または全部を組合せることができる。

以下の説明で参照する各図は、本発明の理解および実施に必要な程度で実施形態の概要を示すものであり、本発明の範囲は各図に示す構成に限定されない。

以下の説明では、例えば「ｘｘｘ１００－１」「ｘｘｘ１００－２」や、「ｘｘｘ１００ａ」「ｘｘｘ１００ｂ」のように、同一番号に枝番号が付加された符号が付与されている複数の要素を総称する場合には、同一番号のみを用いて「ｘｘｘ１００」のように表すこととする。

以下の説明では、「ａａａテーブル」の表現にて各種情報を説明することがあるが、各種情報は、テーブル以外のデータ構造で表現されていてもよい。データ構造に依存しないことを示すために「ａａａテーブル」を「ａａａ情報」と呼ぶこともできる。「ａａａテーブル」または「ａａａ情報」は、記憶資源（例えばメモリ）に確保された記憶領域に格納される。

［第１の実施形態］
図１および図２を参照し、本発明の第１の実施形態に係る電力負荷予測装置１０の構成を説明する。図１は、本発明の第１の実施形態に係る電力負荷予測装置１０の一構成例を示すブロック図である。

図１に示すように、本発明の電力負荷予測装置１０は、系統ＤＢ１１、ＩｏＴ（Internet of Things）データ１２、個別負荷予測ＤＢ１３、負荷・潮流予測評価部１４、系統計測データ１５、および潮流予測ＤＢ１６から構成され、電力負荷や電力潮流を予測し、その予測性能を評価する機能を備える。さらに、電力負荷予測装置１０は、評価ログ１７を備えることで、予測性能の評価結果を出力してもよい。ＩｏＴデータ１２、系統計測データ１５、および評価ログ１７は、それぞれＤＢ（Data Base）などの記憶部に格納される。

負荷・潮流予測評価部１４は、個別負荷予測部１４１、予測モデル評価部１４２、および潮流予測部１４３から構成され、需要家サイドや変電所などの個別負荷と送電線・配電線の線路潮流を予測し、各予測値をオンライン系統計測データと比較して予測モデルを評価する機能を備える。

図２は、本発明の第１の実施形態に係る電力負荷予測装置１０のハードウェア構成の一例を示す図である。図２示すように、電力負荷予測装置１０は、計算機システムで構成されており、ディスプレイ装置等の表示部２１、キーボードやマウス等の入力部２２、通信部２３、ＣＰＵ２４、メモリ２５、および各種データベースＤＢがデータバス２６に接続されている。

電力負荷予測装置１０には、系統ＤＢ１１、ＩｏＴデータ１２、個別負荷予測ＤＢ１３、系統計測データ１５、潮流予測ＤＢ１６、および評価ログ１７の各データが入出力される。

表示部２１は、例えば、ディスプレイ装置に代えて、またはディスプレイ装置と共に、プリンタ装置または音声出力装置等を用いる構成でもよい。入力部２２は、例えば、キーボードスイッチ、マウス等のポインティング装置、タッチパネル、音声指示装置等の少なくともいずれか一つを備えて構成できる。通信部２３は、通信ネットワークに接続するための回路及び通信プロトコルを備える。ＣＰＵ２４は、計算プログラムを実行して表示すべき画像データの指示や、各種データベース内のデータの検索等を行う。一つまたは複数の半導体チップとして構成してもよいし、または、計算サーバのようなコンピュータ装置として構成してもよい。メモリ２５は、例えば、ＲＡＭとして構成され、コンピュータプログラムを記憶したり、各処理に必要な計算結果データ及び画像データ等を記憶したりする。メモリ２５に格納された画面データは、表示部２１に送られて表示・出力される。

次に、図１の電力負荷予測装置１０を構成する各機能の詳細について説明する。

系統ＤＢ１１は、系統構成を表すデータを格納する。この系統ＤＢ１１について、図３および図４に示す具体例を用いてその詳細を説明する。図３は、第１の実施形態に係る電力系統の構成の一例を示す図である。図３に示すように、電力系統は、発電機２０１、母線２０２、変圧器２０３、負荷２０４、送電線や配電線などの線路２０５を含んで構成される。このうち、発電機２０１、母線２０２、および負荷２０４はそれぞれノードであり、変圧器２０３および線路２０５はそれぞれブランチである。

ここで、図４を用いて系統ＤＢ１１の具体的な内容について説明する。図４は、系統ＤＢ１１のデータの具体例を示す図である。図４（ａ）はノードデータであり、ノードＩＤ、ノードの種類、定格容量（ｐｕ）、定格電圧（ｋＶ）、接続ブランチＩＤなどが格納される。図４（ｂ）はブランチデータであり、ブランチＩＤ、ブランチの種類、定格容量（ｐｕ）、定格電圧（ｋＶ）、抵抗（ｐｕ）、リアクタンス（ｐｕ）、キャパシタンス（ｐｕ）、接続ノードＩＤなどが格納される。また図４（ｃ）は負荷属性データであり、ノードＩＤ、契約容量（Ａ）、料金プラン、負荷種別などが格納される。これらのデータにおいて「＊＊＊」は、データが存在しないこと（データ欠損）を意味する。

以上に示したように、系統ＤＢ１１によって、電力系統のトポロジーや設備構成がわかるようになる。なお図示していないが、電力系統には開閉器などのスイッチが含まれることがあり、これが切り替わると系統トポロジーや設備構成が変わることになる。または、系統設備の増設、移設、撤去によっても設備構成が変わる。このように、スイッチ操作や設備変更によって系統トポロジーや設備構成の変更が発生するごとに系統ＤＢ１１は更新されるものである。

図１に戻って説明を続ける。ＩｏＴデータ１２は、電力系統に関連するオンライン計測データであり、例えば電力系統に設置された各計測器によって計測されたオンライン計測データである。ＩｏＴデータ１２には、オンラインデータと、履歴データがある。図５および図６を用いてＩｏＴデータ１２の具体例について説明する。

図５に示すＩｏＴデータ１２のオンラインデータと、図６に示すＩｏＴデータ１２の履歴データには、ノードＩＤまたはブランチＩＤごとに、データ種別と、各時刻における計測値が格納される。

図５は、ＩｏＴデータ１２（オンラインデータ）の具体例を示す図である。図５の例では、オンラインデータが格納される。具体的には、各時刻における計測値（現在、現在より５分前、１０分前、・・・、現在から５分後、１０分後、・・・の各計測値）が格納される。現在および過去（５分前、１０分前、・・・）の計測値には実績値が格納され、将来（５分後、１０分後、・・・）の計測値には、例えば補間や補外により算出された予測値が格納される。

図６は、ＩｏＴデータ１２（履歴データ）の具体例を示す図である。図６の例では、各日時の実績値が例えば５分ごとに格納される。

図５および図６において、ＩｏＴデータ１２のデータ種別としては、発電、負荷、潮流、総需要などの負荷関連データを例示しているが、必ずしもこれらに限らない。例えば、電流、電圧、力率など他の電力量、電力状態を表す量に加えて、気温、日射量、風速などの気象情報など、電力負荷と相関のある他の計測情報が含まれてもよい。また、一つのノードＩＤ、ブランチＩＤに対して、必ずしも一つのデータ種別ではなく、複数のデータ種別とデータ種別に対応する計測値が格納されてもよい。また、これらのデータにおいて「＊＊＊」は、データが存在しないことを意味している。データ取得時間間隔の違いや通信不良等によるデータ欠損の場合にデータが存在しないことになる。

図５および図６の例では図示していないが、データ種別として、発電、負荷、総需要以外に電圧を含めるようにしてもよい。

図１に戻って説明を続ける。個別負荷予測ＤＢ１３は、個別負荷を予測するためのパラメータセットを格納する。個別負荷とは、個々の住宅単位、個々の事業所単位、あるいは複数の住宅、事業所をまとめた集合単位のいずれでもよく、ノードデータとしての負荷２０４が該当する。

ここで、図７を用いて個別負荷予測ＤＢ１３のデータの具体例について説明する。図７は、個別負荷予測ＤＢ１３のデータの具体例を示す図である。図７に示すように、個別負荷予測ＤＢ１３のデータテーブルには、ノードＩＤごとに、データ種別と、現在、現在から５分後、・・・、現在からｎ分後のそれぞれにおける演算要否、予測式種別、説明変数、・・・、定数項などが格納される。

演算要否とは、個別負荷予測演算が必要であるか不要であるかに関するフラグである。演算要否が「否」の場合には、個別負荷予測演算に必要なパラメータセットである予測式種別、説明変数、・・・、定数項について、データが存在しないことを意味する「＊＊＊」が格納される。演算要否が「要」の場合には、個別負荷予測演算に必要なパラメータセットについて各データが格納される。

なお、ＩｏＴデータ１２と同様に、個別負荷予測ＤＢ１３のデータテーブルには、一つのノードＩＤに対して、必ずしも一つのデータ種別ではなく、複数のデータ種別とデータ種別に対応するパラメータが格納されてもよい。例えば、同一のノードＩＤに対して、発電量を予測するパラメータセットと、負荷を予測するパラメータセットを別々に格納するようにすればよい。

図１に戻って説明を続ける。負荷・潮流予測評価部１４は、需要家サイドや変電所などの個別負荷と配電線の線路潮流を予測し、各予測値をオンライン系統計測データと比較して予測モデルを評価する機能を備える。ここで、負荷・潮流予測評価部１４を構成する各機能の詳細について説明する。負荷・潮流予測評価部１４は、個別負荷予測部１４１、予測モデル評価部１４２、および潮流予測部１４３を含む。

個別負荷予測部１４１は、図７に示した個別負荷予測ＤＢ１３を用いて各ノードの個別負荷を予測する。ここで、図７および図８を参照しつつ予測式種別について説明する。予測式種別が「１」の場合には、予測式は、下記式（１）に示す一次線形モデルであることを示している。

Ｙ（ｔ＋Ｔ）＝
ａ１・Ｘ１（ｔ＋Ｔ１）＋ａ２・Ｘ２（ｔ＋Ｔ２）＋・・・＋
ａｎ・Ｘｎ（ｔ＋Ｔｎ）＋ｂ（ｔ＋Ｔ）・・・（１）

上記式（１）において、ｉ＝１，２，・・・，ｎ（ｎは説明変数の数）として、Ｙは予測対象、Ｘｉは説明変数、ｔは現在時刻、Ｔは予測値の時刻と現在時刻の差、Ｔｉは予測に用いる各説明変数の時刻と現在時刻の差、ａｉは係数、ｂは定数項（バイアス値）である。

なお、図８は、予測式種別の具体例を示す図であるが、図８に示すように予測式種別に対応させて一次式、多次式、対数式、あるいはこれらの複合式など他の形式の予測式を予め定めておけばよく、いずれの場合でも図７に示すようにパラメータを管理することで、上述の一次線形モデルの場合と同様に予測を実施可能である。

ここで、図７を参照しながら、予測対象がノードＩＤ２０４ｂ（負荷２０４ｂ）である場合を例として、負荷・潮流予測評価部１４の処理について具体的に説明する。

まず、現在時刻（Ｔ＝０）の負荷２０４ｂを予測対象とする例について説明する。このとき、予測のための説明変数１はノードＩＤ９９９ａ（総需要）の現在値（図７における括弧内の数値「０」は現在値であることを表す）であり、その係数は０．４である。また、説明変数２はノードＩＤ２０５ｃ（線路２０５ｃ）の現在値であり、その係数は０．２である。また、このとき、定数項ｂは０．１である。

同様に、５分後（Ｔ＝５）の負荷２０４ｂを予測対象とする例について説明する。このとき、予測のための説明変数１はノードＩＤ９９９ａ（総需要）の５分後予測値（図７における括弧内の数値「＋５」は５分後予測値を表す）であり、その係数は０．３である。また、説明変数２はノードＩＤ２０１ａ（発電機２０１ａ）の５分後予測値であり、その係数は０．３である。また、このとき、定数項ｂは－０．１である。

この例では、予測対象のノードＩＤ２０４ｂに関するＩｏＴデータ１２（図５参照）において実績値および将来の予測値が完全に欠損しているため、他のノード等のＩｏＴデータを用いて空間的に補完することで予測している。

次に、別の例として、５分後（Ｔ＝５）のノードＩＤ２０４ｃ（負荷２０４ｃ）を予測対象とする例について説明する。このとき、予測のための説明変数１はノードＩＤ２０４ｃ（負荷２０４ｃ）の５分前実績値（図７における括弧内の数値「－５」は５分前実績値を表す）であり、その係数は０．４である。また、説明変数２はノードＩＤ２０４ｃの５分後予測値であり、その係数は０．５である。また、このとき、定数項ｂは－０．２である。

この例では、予測対象のノードＩＤ２０４ｃに関するＩｏＴデータ１２（図５参照）において時間的に部分欠損があるため、予測対象時刻を基準に前後の時刻のノードＩＤ２０４ｃのデータを用いて時間的に補完することで予測している。

さらに、別の例として、５分後（Ｔ＝５）のノードＩＤ２０４ｄ（負荷２０４ｄ）を予測対象とする例について説明する。このとき、予測のための説明変数１はノードＩＤ２０４ａ（負荷２０４ａ）の５分後予測値であり、その係数は０．３である。また、説明変数２はノードＩＤ２０４ｃ（負荷２０４ｃ）の５分後予測値であり、その係数は０．６である。また、このとき、定数項ｂは０．１である。

この例では、発電機２０１ａ，２０１ｂ，・・・からみて予測対象であるノードＩＤ２０４ｄの下位側に位置するノードＩＤ２０４ａ（負荷２０４ａ）とノードＩＤ２０４ｃ（負荷２０４ｃ）の各予測値を用いることで予測している。

このように、例えば、ＩｏＴデータ１２（オンラインデータ）において、予測対象のノードまたはブランチの現在のデータを空間的に補完し、その後予測対象のノードまたはブランチの予測対象の将来のデータを現在までのデータをもとに時間的に補完する。

なお、上述の空間的な補完には、対象のノードまたはブランチの電力系統における上流のノードまたはブランチの計測値を用いて補完を行うトップダウン方式や、下流のノードまたはブランチの計測値を用いて補完を行うボトムアップ方式がある。また、空間的および時間的な補完を適宜組合せて、予測対象のノードまたはブランチの予測値を算出してもよい。

予測モデル評価部１４２は、個別負荷予測部１４１や後述する潮流予測部１４３で算出された各予測値を、後述する系統計測データ１５と比較することで、各予測モデル（個別負荷予測ＤＢ１３、潮流予測ＤＢ１６）の性能を評価する。性能評価の例としては、例えば、下記式（２）に示すような予測誤差Ｅを算出すればよい。

Ｅ（ｔ＋Ｔ）＝１／ｍ・√［（Σ｛Ｙ（ｔ＋Ｔ）―ｙ（ｔ＋Ｔ）｝^２］・・・（２）

上記式（２）において、ｍは予測対象とする予測先時刻Ｔの数であり、ｙ（ｔ＋Ｔ）は予測値Ｙ（ｔ＋Ｔ）に対する真値とみなす系統計測データ１５（計測値）であり、Σは全ての予測先時刻Ｔについて予測値Ｙ（ｔ＋Ｔ）と系統計測データｙ（ｔ＋Ｔ）の差の２乗和を取ることを表す。例えば、ノードＩＤ２０４ｄ（負荷２０４ｄ）の５分後の予測値Ｙ（ｔ＋５）について、履歴データとして系統計測データｙ（ｔ＋５）が得られる（図６参照）。このように、履歴データが得られる場合には上記式（２）で予測誤差Ｅが得られる。

これに対して、ノードＩＤ（負荷２０４ｂ）のように履歴データが得られない場合の性能評価の例について述べる。例えば、下記式（３）に示すような標準偏差Ｓ（ｔ）、または下記式（４）に示すような、標準偏差Ｓ（ｔ）を正規化した変動係数ｃ（ｔ）を算出すればよい。

Ｓ（ｔ）＝１／ｍ・√［Σ｛Ｙ（ｔ＋Ｔ）―Ｙａ（ｔ＋Ｔ）｝^２］・・・（３）
ｃ（ｔ）＝Ｓ（ｔ）／｛１／ｍ・ΣＹａ（ｔ＋Ｔ）｝・・・（４）

上記式（３）および式（４）におけるＹａ（ｔ＋Ｔ）は、ｍ個の予測先時刻Ｔにおける予測値Ｙ（ｔ＋Ｔ）の平均値である。標準偏差Ｓ（ｔ＋Ｔ）または変動係数ｃ（ｔ＋Ｔ）が小さいほど各予測先時刻Ｔにおける予測値のばらつきが小さく、性能が高いとの考えに基づく。ただし、需要や発電が急変する場合においては、この考えは必ずしも成立しないので、性能評価を回避してもよい。

このため、予測モデル評価部１４２は、所定時間あたりの需要や発電の変化閾値を超えるなどの状況に応じて性能評価するか否かを判断するようにしてもよい。あるいは、予測性能の評価自体を必ずしも行う必要がない場合には、予測モデル評価部１４２を省略できる。

ここで、系統計測データ１５について、図９に示す例を用いて説明する。図９は、系統計測データ１５の例を示す図である。系統計測データ１５は、予測モデル評価部１４２で予測評価のために用いるものであり、ＩｏＴデータ１２の一部を抜粋したものである。ＩｏＴデータ１２には、オンラインデータと履歴データの２種類があるが、いずれでも予測評価に用いることができる。図９の例では、履歴データを示す。この履歴データを用いることで、ブランチＩＤ２０５ｃ（線路２０５ｃ）のように、５分後など予測時点ではオンライン計測値（真値）が得られなかったが、５分後以降ではオンライン計測値が得られるようになるため、予測モデル評価部１４２で予測モデルの性能を評価できるようになる。

潮流予測部１４３は、潮流予測ＤＢ１６を用いて、各ブランチ（送電線・配電線）の線路潮流を予測し、さらに個別負荷予測値と線路潮流予測値を用いて状態推定演算を実施する。

ここで、先ず潮流予測ＤＢ１６について説明する。潮流予測ＤＢ１６は、個別負荷予測部１４１への入力である個別負荷予測ＤＢ１３と同じ役割を持つ。潮流予測ＤＢ１６に格納されているデータは、潮流予測部１４３への入力となるデータであって、線路潮流を予測するためのパラメータセットである。線路潮流とは、送電線、配電線、または変圧器などのブランチＩＤ２０５（線路２０５）を流れる電力（有効電力、無効電力）のことである。

ここで、図１０を用いて潮流予測ＤＢ１６の具体例について説明する。図１０は、潮流予測ＤＢ１６のデータの例を示す図である。図１０に示すように、潮流予測ＤＢ１６のデータテーブルには、個別負荷予測ＤＢ１３と同様に、ノードＩＤごとに、データ種別と、現在、現在から５分後、・・・、現在からｎ分後のそれぞれにおける演算要否、予測式種別、説明変数、・・・、定数項などが格納される。これらは、個別負荷予測ＤＢ１３と同様であるため、ここでは説明を省略する。

潮流予測部１４３に戻り、説明を続ける。潮流予測部１４３における線路潮流予測演算については、個別負荷予測部１４１における処理と同様である。入力となるパラメータセットが異なるが、その構成は同様であって処理内容も同様であるので説明を省略する。

さらに、潮流予測部１４３は、個別負荷予測値（ノードで消費または発電する有効電力、無効電力）と線路潮流予測値（ブランチを通過する有効電力、無効電力）を用いて、電力系統の状態推定演算を実施する機能を備える。状態推定演算においては、ノード電圧、ノード負荷、および線路潮流に関する推定値と観測値を入力することで、潮流、電圧等に関する系統制約を考慮しつつ、推定値と観測値の総二乗誤差が最小となるようなノード負荷推定値を得る。

本実施形態において状態推定演算を適用する場合には、個別負荷予測値と線路潮流予測値を推定値とし、また、基準箇所（通常は電源ノード）の電圧や所定ノードの負荷、所定ブランチの線路潮流の各計測値を観測値としてそれぞれ入力することにより、状態推定演算可能な既存の技術がある（例えば次の文献参照：Felix F. Wu, “Power system state estimation: a survey”, International Journal of Electrical Power & Energy Systems, Volume 12, Issue 2, April 1990.）。入力の観測値は、ＩｏＴデータ１２または系統計測データ１５のノード電圧とすればよい。以上が、負荷・潮流予測評価部１４を構成する各機能の詳細説明である。

図１の電力負荷予測装置１０を構成する各機能の詳細説明に戻る。評価ログ１７は、負荷・潮流予測評価部１４によって予測・評価された結果に関する出力である。出力手段としては、表示部２１が該当し、ディスプレイ装置、プリンタ装置、または音声出力装置などが挙げられる。

図１１は、評価ログ１７の例を示す図である。図１１に示すように、予測対象ノードまたは予測対象ブランチの各ＩＤに対して、予測時刻、現在、５分後、・・・、ｎ分後の各予測における予測式種別、パラメータセット、予測値、真値、および予測誤差率、ならびに変動係数から構成される。予測誤差率および変動係数がそれぞれ一定値以下である場合に、予測モデルが妥当であると判定できる。本実施形態では、表形式でテキスト表示する例を示したが、例えば予測誤差率や変動係数などの評価結果をグラフ化することにより、視覚的にわかりやすく表示するようにしてもよい。

なお、評価ログ１７は、負荷・潮流予測評価部１４で予測・評価した結果に関する出力であるが、必ずしも必要がない場合には、評価ログ１７を出力する構成を省略できる。以上が、電力負荷予測装置１０を構成する各機能の詳細説明である。

続いて、負荷・潮流予測評価部１４の処理について説明する。図１２は、負荷・潮流予測評価部１４の全体処理の例を示すフローチャートである。負荷・潮流予測評価部１４の全体処理は、例えば各日時の実績値がＩｏＴデータ１２（履歴データ）に格納される５分ごとなどの周期的に実行される。

先ずステップＳ１２１では、負荷・潮流予測評価部１４は、系統ＤＢ１１、ＩｏＴデータ１２、個別負荷予測ＤＢ１３、系統計測データ１５、および潮流予測ＤＢ１６の各データを読み込む。次にステップＳ１２２では、個別負荷予測部１４１は、個別負荷予測ＤＢ１３を用いて各ノードの個別負荷を予測する。

次にステップＳ１２３では、予測モデル評価部１４２は、ステップＳ１２２での個別負荷予測の結果に対して予測誤差や変動係数を算出することによって、個別負荷の予測モデルを性能評価する。なお、性能評価が必要ない場合には、本ステップを省略してもよい。また、個別負荷の予測モデルの性能評価は、後述のステップＳ１２６と同様に、予測対象となる同一のノードＩＤに対する個別負荷予測の複数手法について実行してもよい。

次にステップＳ１２４では、潮流予測部１４３は、潮流予測ＤＢ１６を用いて、各ブランチ（送電線・配電線）の線路潮流を予測する。次にステップＳ１２５では、潮流予測部１４３は、個別負荷予測値と線路潮流予測値を用いて上述の状態推定演算を実施する。

次にステップＳ１２６では、潮流予測部１４３は、予測対象となる同一のブランチＩＤに対して潮流予測の全手法を実行終了したか否かを判定する。潮流予測の全手法とは、例えば、潮流予測ＤＢ１６において予測対象となる同一のブランチＩＤに対応付けられて格納されている、複数の予測式種別とそのパラメータセットをいう。潮流予測部１４３は、予測対象となる同一のブランチＩＤに対して潮流予測の全手法を実行終了した場合（ステップＳ１２６Ｙｅｓ）にステップＳ１２７へ処理を移し、全手法を実行終了していない場合（ステップＳ１２６Ｎｏ）にステップＳ１２４へ処理を戻す。潮流予測部１４３は、ステップＳ１２４およびステップＳ１２５を、未処理の潮流予測の手法がなくなるまで繰り返す。

ステップＳ１２７では、予測モデル評価部１４２は、ステップＳ１２５での状態推定の結果に対して予測誤差や変動係数を算出することによって、潮流の予測モデルを性能評価する。なお、性能評価が必要ない場合には、本ステップを省略してもよい。

次にステップＳ１２８では、負荷・潮流予測評価部１４は、ステップＳ１２３の個別負荷予測モデルの性能評価結果およびステップＳ１２７での潮流予測モデルの性能評価結果をもとに、評価ログ１７を出力し処理を終了する。

本実施形態によれば、近年利用可能となってきたＩｏＴデータを活用して、計測データの欠損を補い、分単位や時間単位の短時間先の個別負荷予測および潮流予測を、電力系統の制約を考慮しながら系統の各制御に資するように高精度に行うことができる。

［第２の実施形態］
次に、本発明の第２の実施形態について、図１３を用いて説明する。図１３は、本発明の第２の実施形態に係る電力負荷予測装置１０Ｂの一構成例を示すブロック図である。電力負荷予測装置１０Ｂの構成は、第１の実施形態に係る電力負荷予測装置１０との差分についてのみ説明する。

図１３に示すように、電力負荷予測装置１０Ｂは、電力負荷予測装置１０と比較して、さらに、予測モデル評価部１４２によって評価された予測モデルを更新する予測モデル更新部１４４を備える。

予測モデル更新部１４４は、第１の実施形態に示したような予測モデル評価部１４２における個別負荷予測（個別負荷予測ＤＢ１３）または潮流予測（潮流予測ＤＢ１６）の評価結果をもとに、個別負荷予測ＤＢ１３または潮流予測ＤＢ１６を更新する。

具体的には、予測対象となる同一のノードＩＤまたはブランチＩＤに対する個別負荷予測ＤＢ１３の複数の候補ＤＢ（予測式種別とそのパラメータセット）、および／または、潮流予測ＤＢ１６の複数の候補ＤＢ（予測式種別とそのパラメータセット）を用意する。そして、予測モデル評価部１４２は、個別負荷予測部１４１で個別負荷予測ＤＢ１３の複数の候補ＤＢのそれぞれに対する複数の予測値を算出し、および／または、潮流予測部１４３で潮流予測ＤＢ１６の複数の候補ＤＢのそれぞれに対する複数の予測値を算出する。

そして、予測モデル評価部１４２は、これらの複数の予測値に基づいて、各候補ＤＢを性能評価する。予測モデル更新部１４４は、性能評価結果が最良（例えば予測誤差率や変動係数の平均等の統計値が最小であるなど）である候補ＤＢを以って、個別負荷予測ＤＢ１３および／または潮流予測ＤＢ１６を更新すればよい。あるいは、予測モデル評価部１４２は、各候補ＤＢから性能評価結果が最良である個々の予測値を選択してマージした予測モデルを以って個別負荷予測ＤＢ１３および／または潮流予測ＤＢ１６を更新してもよい。

本実施形態によれば、予測モデルの評価結果に基づいて、予測モデルをより精度が高いものへと更新していくことができ、個別負荷予測および潮流予測の精度をより向上させていくことができる。

［第３の実施形態］
次に、本発明の第３の実施形態について、図１４～図１６を用いて説明する。図１４は、本発明の第３の実施形態に係る電力負荷予測装置１０Ｃの一構成例を示すブロック図である。電力負荷予測装置１０Ｃの構成は、第１の実施形態に係る電力負荷予測装置１０との差分についてのみ説明する。

図１３に示すように、電力負荷予測装置１０Ｂは、電力負荷予測装置１０と比較して、さらに、個別負荷予測モデル作成部１８および潮流予測モデル作成部１９を備える。図１４では、一部の接続線を省略している。

個別負荷予測モデル作成部１８は、個別負荷予測ＤＢ１３を作成する。具体的な処理手順について、図１５に図示するフローチャートを用いて説明する。図１５は、個別負荷予測モデル作成部１８の処理の例を示すフローチャートである。

先ずステップＳ１５１では、個別負荷予測モデル作成部１８は、系統ＤＢ１１およびＩｏＴデータ１２を読み込む。ただし、既存の個別負荷予測ＤＢ１３があればそれも読み込む。次にステップＳ１５２では、個別負荷予測モデル作成部１８は、ユーザによる説明変数の指定があればステップＳ１５５へ処理を移し、指定がなければステップＳ１５３へ処理を移す。

ステップＳ１５３では、個別負荷予測モデル作成部１８は、ＩｏＴデータ１２から説明変数を抽出し、抽出した説明変数と目的変数（個別負荷）との相関分析を行う。次にステップＳ１５４では、個別負荷予測モデル作成部１８は、ステップＳ１５３の相関分析の結果、目的変数と相関が高かった説明変数を選定する。ステップＳ１５４での説明変数の決定においては、例えば相関係数の閾値（０．７など）を上回るなどの所定条件を充足する説明変数を選択すればよい。または、相関の高かった順に上位Ｎ変数を選定するようにしてもよい（Ｎは予め定める設定値）。なお、選定された全ての説明変数について多重共線性の問題を回避する方がよい。多重共線性の問題回避には、相互相関係数を計算して、それが１．０に近い相関が極めて高い変数同士については、その一方を除外するようにすればよい。

ステップＳ１５５では、個別負荷予測モデル作成部１８は、ステップＳ１５４で決定された全ての説明変数と目的変数をもとに重回帰分析を行い、各説明変数の重み係数と定数項を決定する。以上が個別負荷予測モデル作成部１８の処理機能であり、作成された個別負荷予測モデルは、例えば図７のようになる。

潮流予測モデル作成部１９は、潮流予測ＤＢ１６を作成する。具体的な処理手順について、図１６に図示するフローチャートを用いて説明する。図１６は、潮流予測モデル作成部１９の処理の例を示すフローチャートである。

先ずステップＳ１６１では、潮流予測モデル作成部１９は、系統ＤＢ１１およびＩｏＴデータ１２を読み込む。ただし、既存の潮流予測ＤＢ１６があればそれも読み込む。次にステップＳ１６２では、潮流予測モデル作成部１９は、ＩｏＴデータ１２から説明変数を抽出し、抽出した説明変数と目的変数（潮流）との相関分析を行う。

次にステップＳ１６３では、潮流予測モデル作成部１９は、潮流予測の全手法のうちの未処理の１手法を選択し、選択した手法に関して、ステップＳ１６２の相関分析の結果、目的変数と相関が高かった説明変数を選定する。潮流予測モデル作成部１９は、ステップＳ１６３での説明変数の決定において、図１５に示す個別負荷予測モデル作成部１８の処理の例を示すフローチャートのステップＳ１５４と同様の方針に従う。

次にステップＳ１６４では、潮流予測モデル作成部１９は、ステップＳ１６３で決定された全ての説明変数と目的変数をもとに重回帰分析を行い、各説明変数の重み係数と定数項を決定する。

次にステップＳ１６５では、潮流予測モデル作成部１９は、潮流予測の全手法についてステップＳ１６３およびＳ１６４を実行したか否かを判定する。潮流予測モデル作成部１９は、潮流予測の全手法についてステップＳ１６３およびＳ１６４を実行した場合（ステップＳ１６５Ｙｅｓ）に潮流予測モデル作成部１９の処理を終了し、潮流予測の全手法についてステップＳ１６３およびＳ１６４を実行していない場合（ステップＳ１６５Ｎｏ）にステップＳ１６３へ処理を戻す。

ここで、潮流予測には、種々のバリエーションがある。図１７は、潮流予測の手法のバリエーション例を示す図である。さらに、図１７に示すように、潮流予測の手法には、トップダウン方式の空間的補完方法、ボトムアップ方式の空間的補完方法、時間的補完補外方法、これらの方法の組合せなどがある。トップダウン方式とは、対象のノードまたはブランチの予測値をより系統上位のノードまたはブランチの計測値に基づいて予測する方法である。ボトムアップ方式とは、対象のノードまたはブランチの予測値をより系統下位のノードまたはブランチの計測値に基づいて予測する方法である。

図１７の例では、予測対象が現在時刻（０）から５分後のブランチＩＤ２０５ｆ（線路２０５ｆ）である場合を示す。トップダウンの空間的予測（Ｎｏ．１）では、説明変数は現在時刻から５分後のノードＩＤ２０１ａ（発電機２０１ａ）およびノードＩＤ２０１ｂ（発電機２０１ｂ）の計測値である。また、ボトムアップの空間的予測（Ｎｏ．２）では、説明変数は現在時刻から５分後のノードＩＤ２０４ａ（負荷２０４ａ）、ノードＩＤ２０４ｂ（負荷２０４ｂ）、およびノードＩＤ２０４ｃ（負荷２０４ｃ）の計測値である。

また、時間的予測（Ｎｏ．３）では、説明変数は現在時刻、現在時刻より５分前、および現在時刻より１０分前のブランチＩＤ２０５ｆ（線路２０５ｆ）のそれぞれの計測値である。また、Ｎｏ．１～Ｎｏ．３の混合では、説明変数は現在時刻から５分後のノードＩＤ２０１ａ（発電機２０１ａ）、現在時刻から５分後のノードＩＤ２０４ａ（負荷２０４ａ）、および現在時刻のブランチＩＤ２０５ｆ（線路２０５ｆ）のそれぞれの計測値である。図１７は、潮流予測の手法のバリエーション例を示すに過ぎず、これら以外にも種々の手法がある。

このように、潮流予測方法には、説明変数と予測式種別の組合せについてバリエーションが存在する。ステップＳ１６３～Ｓ１６５は、このような潮流予測方法のバリエーションの全てについて説明変数および予測パラメータセットを決定する。このように説明変数および予測パラメータセットが決定された潮流予測方法の何れを用いるかは、運用時に決定される、あるいは性能評価の結果に応じて決定される。以上が潮流予測モデル作成部１９の処理機能であり、作成された潮流予測モデルは、例えば図１０のようになる。

本実施形態によれば、電力系統の制約を考慮しながら各制御に資する短期かつ高精度な個別負荷および潮流を予測できる予測モデルを作成できる。

［第４の実施形態］
次に、本発明の第４の実施形態について、図１８を用いて説明する。図１８は、本発明の第４の実施形態に係る電力負荷予測装置１０Ｄの一構成例を示すブロック図である。電力負荷予測装置１０Ｄの構成は、第２の実施形態に係る電力負荷予測装置１０Ｂとの差分についてのみ説明する。

図１８に示すように、電力負荷予測装置１０Ｄは、電力負荷予測装置１０Ｂと比較して、さらに、ユーザ評価部２０を備える。図１７では、一部の接続線を省略している。

ユーザ評価部２０は、予測モデル評価部１４２による性能評価結果、予測モデル更新部による処理結果、または評価ログ１７ユーザに対して出力することで、個別負荷予測ＤＢ１３または潮流予測ＤＢ１６を更新するか否かのユーザの意思決定を支援する出力手段である。例えば、ユーザ評価部２０は、表示部２１が該当し、ディスプレイ装置、プリンタ装置、または音声出力装置などが挙げられる。ユーザ評価部２０は、図１１のように評価ログ１７などの情報をテキスト表示するようにしてもよいし、予測誤差率や変動係数などの評価結果をグラフ表示してもよい。電力負荷予測装置１０Ｄは、ユーザ評価部２０に表示された予測モデル性能評価結果に基づいて入力部２２を介してユーザにより入力された予測モデルの選択指示に応じて、個別負荷予測ＤＢ１３または潮流予測ＤＢ１６を更新してもよい。

本実施形態によれば、電力系統の制約を考慮しながら各制御に資する短期かつ精度を維持可能な個別負荷および潮流の予測方法を、ユーザに認識させ、予測モデルの更新判断の材料とさせることができる。

なお、本発明は上記した実施形態に限定されるものではなく、様々な変形例を含む。例えば、上記した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、矛盾しない限りにおいて、ある実施形態の構成の一部を他の実施形態の構成で置き換え、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、構成の追加、削除、置換、統合、または分散をすることが可能である。また実施形態で示した構成および処理は、処理効率または実装効率に基づいて適宜分散または統合することも可能である。

１０，１０Ｂ，１０Ｃ，１０Ｄ：電力負荷予測装置、１１：系統ＤＢ、１２：ＩｏＴデータ、１３：個別負荷予測ＤＢ、１４：負荷・潮流予測評価部、１５：系統計測データ、１６：潮流予測ＤＢ、１７：評価ログ、１８：個別負荷予測モデル作成部、１９：潮流予測モデル作成部、２０：ユーザ評価部、２１：表示部、２２：入力部

Claims (12)

1. 電力系統の構成情報を格納する系統ＤＢと、
   前記電力系統に関連するオンライン計測データであるＩｏＴデータを格納する計測データＤＢと、
   前記電力系統のノードの個別負荷を予測する際に用いる個別負荷予測モデルを格納する個別負荷予測ＤＢと、
   前記電力系統のブランチの潮流を予測する際に用いる潮流予測モデルを格納する潮流予測ＤＢと、
   予測対象ノードの個別負荷予測値を、前記個別負荷予測モデルを用いて前記ＩｏＴデータに基づいて算出する個別負荷予測部と、
   予測対象ブランチの潮流予測値を、前記潮流予測モデルを用いて前記ＩｏＴデータに基づいて算出する潮流予測部と、
   前記予測対象ノードの個別負荷予測値および前記予測対象ブランチの潮流予測値のそれぞれを、前記ＩｏＴデータにおける各実績値と比較して、前記個別負荷予測モデルおよび前記潮流予測モデルを性能評価する予測モデル評価部と
   を備えたことを特徴とする電力負荷予測装置。
2. 前記個別負荷予測部は、
   前記予測対象ノードの個別負荷予測値を、前記ＩｏＴデータのうちの該予測対象ノードとは異なる他のノードの計測データを用いて空間的に補完すること、および、前記ＩｏＴデータのうちの該予測対象ノードの予測対象時刻とは異なる他の時刻の計測データを用いて時間的に補完すること、の何れかにより算出する
   ことを特徴とする請求項１に記載の電力負荷予測装置。
3. 前記潮流予測部は、
   前記予測対象ブランチの潮流予測値を、前記ＩｏＴデータのうちの該予測対象ブランチとは異なる他のブランチの計測データを用いて空間的に補完すること、および、前記ＩｏＴデータのうちの該予測対象ブランチの予測対象時刻とは異なる他の時刻の計測データを用いて時間的に補完すること、の何れかにより算出する
   ことを特徴とする請求項１または２に記載の電力負荷予測装置。
4. 前記潮流予測部は、
   前記個別負荷予測値および前記潮流予測値に基づいて、前記電力系統の状態推定を行う ことを特徴とする請求項３に記載の電力負荷予測装置。
5. 前記予測モデル評価部は、
   前記個別負荷予測値および前記潮流予測値に関する予測誤差または変動係数に基づいて、前記個別負荷予測モデルおよび前記潮流予測モデルをそれぞれ性能評価する
   ことを特徴とする請求項４に記載の電力負荷予測装置。
6. 前記予測モデル評価部は、
   前記個別負荷予測値に基づいて前記個別負荷予測モデルを性能評価し、
   前記潮流予測部は、
   前記予測モデル評価部によって前記個別負荷予測モデルの性能評価が行われた後に、前記潮流予測値を算出し、
   前記予測モデル評価部は、
   前記個別負荷予測モデルの性能評価が行われた後に前記潮流予測部によって算出された前記潮流予測値に基づいて前記潮流予測モデルを性能評価する
   ことを特徴とする請求項５に記載の電力負荷予測装置。
7. 前記予測モデル評価部による前記個別負荷予測モデルおよび前記潮流予測モデルの性能評価結果を評価ログとして出力する
   ことを特徴とする請求項６に記載の電力負荷予測装置。
8. 前記予測モデル評価部による性能評価の結果に応じて、前記個別負荷予測モデルまたは前記潮流予測モデルを更新する予測モデル更新部
   をさらに備えたことを特徴とする請求項１に記載の電力負荷予測装置。
9. 前記ＩｏＴデータをもとに前記個別負荷予測モデルを作成する個別負荷予測モデル作成部、および、前記ＩｏＴデータをもとに前記潮流予測モデルを作成する潮流予測モデル作成部の少なくとも１つ
   をさらに備えたことを特徴とする請求項１に記載の電力負荷予測装置。
10. 前記ＩｏＴデータから前記予測対象ノードの個別負荷との相関関係が所定条件を満たす説明変数を抽出し、該個別負荷を目的変数とし、該目的変数と該説明変数をもとに重回帰分析を行った結果に基づいて前記個別負荷予測モデルを作成する個別負荷予測モデル作成部、および、前記ＩｏＴデータから前記予測対象ブランチの潮流との相関関係が所定条件を満たす説明変数を抽出し、該潮流を目的変数とし、該目的変数と該説明変数をもとに重回帰分析を行った結果に基づいて前記潮流予測モデルを作成する潮流予測モデル作成部の少なくとも１つ
    をさらに備えたことを特徴とする請求項１に記載の電力負荷予測装置。
11. 前記予測モデル評価部による性能評価の結果、または、前記予測モデル更新部による処理結果をユーザに提示して、前記個別負荷予測モデルまたは前記潮流予測モデルを更新するか否かのユーザの意思決定を支援するユーザ評価部
    をさらに備えたことを特徴とする請求項８に記載の電力負荷予測装置。
12. 電力負荷予測装置が行う電力負荷予測方法であって、
    前記電力負荷予測装置は、
    電力系統の構成情報を格納する系統ＤＢと、
    前記電力系統に関連するオンライン計測データであるＩｏＴデータを格納する計測データＤＢと、
    前記電力系統のノードの個別負荷を予測する際に用いる個別負荷予測モデルを格納する個別負荷予測ＤＢと、
    前記電力系統のブランチの潮流を予測する際に用いる潮流予測モデルを格納する潮流予測ＤＢと、を備え、
    前記電力負荷予測装置が、
    予測対象ノードの個別負荷予測値を、前記個別負荷予測モデルを用いて前記ＩｏＴデータに基づいて算出し、
    予測対象ブランチの潮流予測値を、前記潮流予測モデルを用いて前記ＩｏＴデータに基づいて算出し、
    前記予測対象ノードの個別負荷予測値および前記予測対象ブランチの潮流予測値のそれぞれを、前記ＩｏＴデータにおける各実績値と比較して、前記個別負荷予測モデルおよび前記潮流予測モデルを性能評価する
    各処理を含んだことを特徴とする電力負荷予測方法。

Images