JP7457581B2 - 時間変量予測装置、時間変量予測方法及びプログラム - Google Patents
時間変量予測装置、時間変量予測方法及びプログラム Download PDFInfo
- Publication number
- JP7457581B2 JP7457581B2 JP2020096929A JP2020096929A JP7457581B2 JP 7457581 B2 JP7457581 B2 JP 7457581B2 JP 2020096929 A JP2020096929 A JP 2020096929A JP 2020096929 A JP2020096929 A JP 2020096929A JP 7457581 B2 JP7457581 B2 JP 7457581B2
- Authority
- JP
- Japan
- Prior art keywords
- variable
- period
- value
- prediction
- prediction model
- 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
- 238000000034 method Methods 0.000 title claims description 30
- 238000009826 distribution Methods 0.000 claims description 78
- 238000003860 storage Methods 0.000 description 26
- 238000012937 correction Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000004378 air conditioning Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本開示は、時間変量予測装置、時間変量予測方法及びプログラムに関する。
従来から、予測モデルに基づいて電力需要予測を行う技術が提供されている。例えば、特許文献１には、ニューラルネットワークなどの非線形回帰モデルを用いて予測した１日の電力需要のピーク値および時間帯ごとのピーク値に対する相対値に基づいて、工場における時間帯ごとの電力需要を予測する電力需要予測装置が開示されている。また、特許文献２には、多数のパラメータを必要とするニューラルネットワーク等を用いずに、気温、電力消費などの最低限のパラメータから時間帯ごとの電力需要を予測する技術が開示されている。
電力の需要予測に限らず、様々な変量の時間帯ごとの値を、精度よく予測する技術が求められている。
本開示は、上述の課題を解決することのできる時間変量予測装置、時間変量予測方法及びプログラムを提供することを目的としている。
本開示の時間変量予測装置は、所定の長さを有する対象期間における所定の変量の値を予測する第１予測モデルに基づいて、前記長さを有する所定の第１期間全体での前記変量の値を予測し、前記対象期間全体での前記変量の値に対する前記対象期間を構成する単位期間ごとの前記変量の値の割合を予測する第２予測モデルに基づいて、前記第１期間における前記単位期間ごとの前記変量の分布量を予測し、前記第１期間全体での前記変量の値に前記分布量を乗じて、前記第１期間における前記単位期間ごとの前記変量の値を予測する予測部、を備え、前記第１予測モデルは、前記第１期間における前記単位期間ごとの前記変量の値を出力し、前記予測部は、前記第１予測モデルの作成に使用する学習データに含まれる前記変量の値について、前記対象期間ごとの前記変量の値の分散が所定の閾値以上の場合、前記第１期間の前記変量の値に前記分布量を乗じて、前記変量の前記単位期間ごとの値を予測し、前記分散が前記閾値未満の場合、前記第１予測モデルが出力した前記単位期間ごとの前記変量の値を、第１期間における前記単位期間ごとの前記変量の予測値とする。
また、本開示の時間変量予測方法は、所定の長さを有する対象期間における所定の変量の値を予測する第１予測モデルに基づいて、前記長さを有する所定の第１期間全体での前記変量の値を予測するステップと、前記対象期間全体での前記変量の値に対する前記対象期間を構成する単位期間ごとの前記変量の値の割合を予測する第２予測モデルに基づいて、前記第１期間における前記単位期間ごとの前記変量の分布量を予測するステップと、前記第１期間全体での前記変量の値に前記分布量を乗じて、前記第１期間における前記単位期間ごとの前記変量の値を予測するステップと、を有し、前記第１予測モデルは、前記第１期間における前記単位期間ごとの前記変量の値を出力し、前記予測するステップでは、前記第１予測モデルの作成に使用する学習データに含まれる前記変量の値について、前記対象期間ごとの前記変量の値の分散が所定の閾値以上の場合、前記第１期間の前記変量の値に前記分布量を乗じて、前記変量の前記単位期間ごとの値を予測し、前記分散が前記閾値未満の場合、前記第１予測モデルが出力した前記単位期間ごとの前記変量の値を、第１期間における前記単位期間ごとの前記変量の予測値とする。
また、本開示のプログラムは、コンピュータに、所定の長さを有する対象期間における所定の変量の値を予測する第１予測モデルに基づいて、前記長さを有する所定の第１期間全体での前記変量の値を予測するステップと、前記対象期間全体での前記変量の値に対する前記対象期間を構成する単位期間ごとの前記変量の値の割合を予測する第２予測モデルに基づいて、前記第１期間における前記単位期間ごとの前記変量の分布量を予測するステップと、前記第１期間全体での前記変量の値に前記分布量を乗じて、前記第１期間における前記単位期間ごとの前記変量の値を予測するステップと、を実行させ、前記第１予測モデルは、前記第１期間における前記単位期間ごとの前記変量の値を出力し、前記予測するステップでは、前記第１予測モデルの作成に使用する学習データに含まれる前記変量の値について、前記対象期間ごとの前記変量の値の分散が所定の閾値以上の場合、前記第１期間の前記変量の値に前記分布量を乗じて、前記変量の前記単位期間ごとの値を予測し、前記分散が前記閾値未満の場合、前記第１予測モデルが出力した前記単位期間ごとの前記変量の値を、第１期間における前記単位期間ごとの前記変量の予測値とする。
上述の時間変量予測装置、時間変量予測方法及びプログラムによれば、精度よく変量の値を予測することができる。
＜実施形態＞
以下、本開示の一実施形態による時間変量予測装置を図１～図６を参照して説明する。
（構成）
図１は、一実施形態に係る時間変量予測装置の一例を示す機能ブロック図である。
時間変量予測装置１０は、時間の経過に伴って変化し得る所定の変量について、その変量の単位時間ごとの値を予測する。変量とは、例えば、空調機等の機器が必要とする電力量の需要量、給湯システムにおける湯水の需要量、イベントへの来場者数、店舗への来客数、商品の販売数、駅の乗降者数等である。例えば、空調機の時間ごとの電力量の需要が予測できると、その電力量の推移に基づいて空調機を運転させることのより、効率の良い運転を実現することができる。あるいは、時間ごとの商品の販売数が予測できれば、それに合わせて商品の製造や出荷を計画することができる。このような目的のために単位時間ごとの変量の値を高精度に予測することが要求される場合がある。時間変量予測装置１０は、単位時間ごとの変量の値を高精度に予測する。
以下、本開示の一実施形態による時間変量予測装置を図１～図６を参照して説明する。
（構成）
図１は、一実施形態に係る時間変量予測装置の一例を示す機能ブロック図である。
時間変量予測装置１０は、時間の経過に伴って変化し得る所定の変量について、その変量の単位時間ごとの値を予測する。変量とは、例えば、空調機等の機器が必要とする電力量の需要量、給湯システムにおける湯水の需要量、イベントへの来場者数、店舗への来客数、商品の販売数、駅の乗降者数等である。例えば、空調機の時間ごとの電力量の需要が予測できると、その電力量の推移に基づいて空調機を運転させることのより、効率の良い運転を実現することができる。あるいは、時間ごとの商品の販売数が予測できれば、それに合わせて商品の製造や出荷を計画することができる。このような目的のために単位時間ごとの変量の値を高精度に予測することが要求される場合がある。時間変量予測装置１０は、単位時間ごとの変量の値を高精度に予測する。
図示するように時間変量予測装置１０は、データ取得部１１と、予測モデル作成部１２と、予測部１３と、記憶部１４と、を備える。
データ取得部１１は、変量の予測に必要なパラメータ、変量を予測する予測モデルの作成に必要な学習データなどを取得する。
予測モデル作成部１２は、学習データに対して回帰分析、機械学習等を実行することによって、単純予測モデル１４１と形状予測モデル１４２を作成する。単純予測モデル１４１とは、所定の長さを有する対象期間（例えば、１日）の変量の値の予測に用いるモデルである。形状予測モデル１４２とは、対象期間を構成する単位期間ごとの変量の値の分布、つまり、対象期間全体での変量の値を１としたときに、各単位期間における変量の値が占める割合を予測するモデルである。
予測部１３は、対象期間における単位期間ごとの変量の値を予測する。例えば、予測部１３は、単純予測モデル１４１に基づいて対象期間全体における変量の値を予測し、形状予測モデル１４２に基づいて対象期間における単位期間ごとの変量の分布を予測し、対象期間全体における変量の予測値に、単位期間ごとの分布の予測値を乗じて、対象期間における単位期間ごとの変量の値を予測する。
記憶部１４は、データ取得部１１が取得したパラメータや学習データ、単純予測モデル１４１、形状予測モデル１４２などを記憶する。
データ取得部１１は、変量の予測に必要なパラメータ、変量を予測する予測モデルの作成に必要な学習データなどを取得する。
予測モデル作成部１２は、学習データに対して回帰分析、機械学習等を実行することによって、単純予測モデル１４１と形状予測モデル１４２を作成する。単純予測モデル１４１とは、所定の長さを有する対象期間（例えば、１日）の変量の値の予測に用いるモデルである。形状予測モデル１４２とは、対象期間を構成する単位期間ごとの変量の値の分布、つまり、対象期間全体での変量の値を１としたときに、各単位期間における変量の値が占める割合を予測するモデルである。
予測部１３は、対象期間における単位期間ごとの変量の値を予測する。例えば、予測部１３は、単純予測モデル１４１に基づいて対象期間全体における変量の値を予測し、形状予測モデル１４２に基づいて対象期間における単位期間ごとの変量の分布を予測し、対象期間全体における変量の予測値に、単位期間ごとの分布の予測値を乗じて、対象期間における単位期間ごとの変量の値を予測する。
記憶部１４は、データ取得部１１が取得したパラメータや学習データ、単純予測モデル１４１、形状予測モデル１４２などを記憶する。
次に、図２を用いて、単純予測モデル１４１および形状予測モデル１４２の作成処理について説明する。
図２は、一実施形態に係る予測モデルの作成処理を説明する図である。
以下の説明では、対象期間を１日、単位期間を１時間、変量を空調機が消費する消費電力量（ｋＷｈ）とする。
図２は、一実施形態に係る予測モデルの作成処理を説明する図である。
以下の説明では、対象期間を１日、単位期間を１時間、変量を空調機が消費する消費電力量（ｋＷｈ）とする。
（単純予測モデルの作成）
単純予測モデル１４１は、ある1日における１時間ごとの空調機の消費電力量の実績値を目的変数、空調機の消費電力量に影響を与える各種パラメータの単位時間ごとの実績値を説明変数として、説明変数と目的変数の関係を学習して構築される予測モデルである。単純予測モデル１４１の作成処理の概要を図２の上段に示す。単純予測モデル１４１の作成に用いられる説明変数は、例えば、過去のある１日（日（ｎ）とする。ｎ＝１～Ｎ）における時間ごとの気温、湿度等のセンサデータＩ１や、同じ日（ｎ）の時間ごとの天候、空調対象エリアで稼働する機器の稼働台数、空調対象エリアに存在する人の数等の非センサデータＩ２である。また、単純予測モデル１４１の作成に用いられる目的変数は、日（ｎ）における１時間ごとの空調機による消費電力量の実績値を含む消費電力量データＯ１である。予測モデル作成部１２は、日（ｎ）（ｎ＝１～Ｎ）の上記したデータＩ１，Ｉ２，Ｏ１に含まれる各時間のセンサデータ、非センサデータ、消費電力量、を学習データとして、機械学習や回帰分析等の手法によって、単純予測モデル１４１を作成する。具体的には、予測モデル作成部１２は、日（ｎ）のある時間のセンサデータや非センサデータを入力すると、同じ時間に空調機によって消費された電力量を出力するように、単純予測モデル１４１を作成する。
単純予測モデル１４１は、ある1日における１時間ごとの空調機の消費電力量の実績値を目的変数、空調機の消費電力量に影響を与える各種パラメータの単位時間ごとの実績値を説明変数として、説明変数と目的変数の関係を学習して構築される予測モデルである。単純予測モデル１４１の作成処理の概要を図２の上段に示す。単純予測モデル１４１の作成に用いられる説明変数は、例えば、過去のある１日（日（ｎ）とする。ｎ＝１～Ｎ）における時間ごとの気温、湿度等のセンサデータＩ１や、同じ日（ｎ）の時間ごとの天候、空調対象エリアで稼働する機器の稼働台数、空調対象エリアに存在する人の数等の非センサデータＩ２である。また、単純予測モデル１４１の作成に用いられる目的変数は、日（ｎ）における１時間ごとの空調機による消費電力量の実績値を含む消費電力量データＯ１である。予測モデル作成部１２は、日（ｎ）（ｎ＝１～Ｎ）の上記したデータＩ１，Ｉ２，Ｏ１に含まれる各時間のセンサデータ、非センサデータ、消費電力量、を学習データとして、機械学習や回帰分析等の手法によって、単純予測モデル１４１を作成する。具体的には、予測モデル作成部１２は、日（ｎ）のある時間のセンサデータや非センサデータを入力すると、同じ時間に空調機によって消費された電力量を出力するように、単純予測モデル１４１を作成する。
なお、単純予測モデル１４１の作成に用いる説明変数は、上記したセンサデータＩ１だけでも良いし、非センサデータＩ２だけでも良い。また、例えば、センサデータＩ１のうちの気温だけでもよい。後述するように、本開示では、単純予測モデル１４１が予測する需要量の予測値を、形状予測モデル１４２が出力する形状データを用いて補正することにより、予測精度の向上を図る。これにより、単純予測モデル１４１だけで精度の高い予測を得ようとする場合には、多くの種類の説明変数と消費電力量の関係を学習しなければならないところ、本開示では、単純予測モデル１４１の説明変数の種類を、単純予測モデル１４１だけで精度の高い予測を得ようとする場合に比べ低減することができる。
（形状予測モデルの作成）
形状予測モデル１４２は、日（ｎ）における１時間ごとの空調機の消費電力量が日（ｎ）全体での空調機の消費電力量に占める割合を目的変数、同じ日（ｎ）における１時間ごとの空調機の消費電力量が日（ｎ）全体での空調機の消費電力量に占める割合を説明変数として、説明変数と目的変数の関係を学習して構築される予測モデルである。（以下、１時間ごとの空調機の消費電力量が１日全体での空調機の消費電力量に占める割合のことを“消費電力量の割合”と記載する。）形状予測モデル１４２の目的変数および説明変数は、単純予測モデル１４１の目的変数である日（ｎ）の消費電力量データＯ１を正規化して得ることができる。正規化とは、日（ｎ）の各時間の消費電力量の実績値に相当する値（消費電力量の割合）を合計すると１となるように、各時間の実績値に相当する値を設定する処理である。各日（ｎ）（ｎ＝１～Ｎ）の消費電力量データＯ１を正規化してＮ個の目的変数および説明変数を得ることができる。時間ごとの消費電力量の割合を、縦軸を割合、横軸を時間とするグラフで可視化すると、そのグラフの形状が、各時間に消費された電力量の変動を示すことから正規化したデータを形状データと呼ぶ。予測モデル作成部１２は、日（ｎ）の各時間の消費電力量の割合を含む形状データＯ２、日（ｎ）の各時間の消費電力量の割合を含む形状データＩ３、を学習データとして、機械学習や回帰分析等の手法によって形状予測モデル１４２を作成する。具体的には、予測モデル作成部１２は、日（ｎ）のある時間の消費電力量の割合を入力すると、日（ｎ）の同じ時間における消費電力量の割合を出力するように、形状予測モデル１４２を作成する。
形状予測モデル１４２は、日（ｎ）における１時間ごとの空調機の消費電力量が日（ｎ）全体での空調機の消費電力量に占める割合を目的変数、同じ日（ｎ）における１時間ごとの空調機の消費電力量が日（ｎ）全体での空調機の消費電力量に占める割合を説明変数として、説明変数と目的変数の関係を学習して構築される予測モデルである。（以下、１時間ごとの空調機の消費電力量が１日全体での空調機の消費電力量に占める割合のことを“消費電力量の割合”と記載する。）形状予測モデル１４２の目的変数および説明変数は、単純予測モデル１４１の目的変数である日（ｎ）の消費電力量データＯ１を正規化して得ることができる。正規化とは、日（ｎ）の各時間の消費電力量の実績値に相当する値（消費電力量の割合）を合計すると１となるように、各時間の実績値に相当する値を設定する処理である。各日（ｎ）（ｎ＝１～Ｎ）の消費電力量データＯ１を正規化してＮ個の目的変数および説明変数を得ることができる。時間ごとの消費電力量の割合を、縦軸を割合、横軸を時間とするグラフで可視化すると、そのグラフの形状が、各時間に消費された電力量の変動を示すことから正規化したデータを形状データと呼ぶ。予測モデル作成部１２は、日（ｎ）の各時間の消費電力量の割合を含む形状データＯ２、日（ｎ）の各時間の消費電力量の割合を含む形状データＩ３、を学習データとして、機械学習や回帰分析等の手法によって形状予測モデル１４２を作成する。具体的には、予測モデル作成部１２は、日（ｎ）のある時間の消費電力量の割合を入力すると、日（ｎ）の同じ時間における消費電力量の割合を出力するように、形状予測モデル１４２を作成する。
なお、説明変数を日（ｎ）の時間ごとの消費電力量の割合、つまり、同日の時間ごとの消費電力量の割合としたが、複数日の時間ごとの消費電力の割合を説明変数としてもよい。例えば、予測モデル作成部１２は、直前の３日間、例えば、日（ｎ）、日（ｎ－１）、日（ｎ－２）の３日間、又は、日（ｎ－１）、日（ｎ－２）、日（ｎ－３）の３日間それぞれのある時間の消費電力量の割合を入力すると、日（ｎ）の同じ時間における消費電力量の割合を出力するように、形状予測モデル１４２を作成してもよい。あるいは、日（ｎ）と気温、天候などの条件が類似する過去の３日間のある時間の消費電力量の割合を入力すると、日（ｎ）の同じ時間における消費電力量の割合を出力するように、形状予測モデル１４２を作成してもよい。
また、単純予測モデル１４１と同様に、時間ごとの気温、湿度等のセンサデータＩ４や、時間ごとの天候、機器の稼働台数、空調対象エリアに存在する人の人数等の非センサデータＩ５を説明変数としてもよい。また、日（ｎ）よりも過去の1日又は複数日（日（ｎ）を含んでもよい。）における時間ごとの消費電力量の割合と、日（ｎ）の時間ごとのセンサデータＩ４、非センサデータＩ５の全て説明変数として用いて、ある時間におけるこれらのパラメータの値を入力すると、日（ｎ）の同じ時間における消費電力量の割合を出力するように、形状予測モデル１４２を作成してもよい。
しかし、上述したように、本開示の時間変量予測装置１０では、単純予測モデル１４１と形状予測モデル１４２を用いて精度の高い需要予測を可能にするため、形状予測モデル１４２についても、単純予測モデル１４１だけで精度の高い予測を得ようとする場合に比べ、少ない種類の説明変数で十分な精度の形状予測モデル１４２を作成することができる。例えば、1又は複数の対応する時間の過去の実績値を説明変数として形状予測モデル１４２を作成してもよいし、１つのセンサデータ“気温”を説明変数として形状予測モデル１４２を作成してもよい。
一般に、学習データのパラメータの種類が多い程、数多くの学習データを用意しなければ予測モデルを構築できないが、パラメータの種類を少なく抑えることで、比較的限られた学習データによって、単純予測モデル１４１と形状予測モデル１４２を構築することができる。また、パラメータの種類が多い程、例えば、天候データのように購入しなければ入手できないパラメータが増加する可能性が高くなるが、パラメータの数を少なく抑えることで、学習データの入手に必要なコストを抑制することができる。
形状予測モデル１４２の作成処理の概要を図２の下段に示す。図示するように形状予測モデル１４２は、１日の消費電力量の時間ごとの分布を予測する。形状データＯ２が示す分布の形状は、例えば、冷房が必要な暑い日、暖房が必要な寒い日、冷暖房があまり必要ではない日によって異なる。また、同じ暑い日であっても、空調対象エリアに人が存在する平日と空調対象エリアにほとんど人が存在しない休日とでは、分布の形状は異なる。そこで、予測モデル作成部１２は、例えば、暑い日の平日（パターン１）、暑い日の休日（パターン２）、寒い日の平日（パターン３）、寒い日の休日（パターン４）、冷暖房をあまり使用しない日（パターン５）の５つのパターン別に形状予測モデル１４２を作成してもよい。例えば、暑い平日用の形状予測モデル１４２については、ある暑い平日の時間ごとの消費電力量の割合を目的変数、その日以前の１又は複数の平日であって同様に暑い日の時間ごとの消費電力量の割合を説明変数として、形状予測モデル１４２を作成する。このように条件別に形状予測モデル１４２を用意することで、形状予測モデル１４２の予測精度を向上することができる。
形状予測モデル１４２を作成する意義について説明する。例えば、時間ごとの気温を説明変数、時間ごとの消費電力量を目的変数として予測モデルを作成する。学習データには、暑い日および涼しい日の時間ごとの気温および空調機の消費電力量が含まれているとする。このような学習データを用いて学習を行うと、時間ごとの気温と消費電力量（ｋＷｈ）の関係を学習して予測モデルが作成されるが、日ごとの消費電力量の大小（暑い日は冷房による消費電力量が大、涼しい日は小）の影響を受け、１日の推移の観点からみると、各学習データが公平に扱われない可能性がある。例えば、涼しい日の日中の１時間あたりの消費電力量は暑い日に比べ小さいが１日の消費電力量の推移の中でみると大である（日中以外冷房を使用しない）のに対し、暑い日の日中の１時間あたりの消費電力量は大だが１日の推移の中ではそれほど大きいわけではない（１日中冷房を使用する）といったことが起こり得る。しかし、消費電力量データはｋＷｈの単位を有し、この単位が付されたままのスケールで学習を行うと、例えば、３時間で１ｋＷｈ、１．１ｋＷｈ、１ｋＷｈと推移するデータも、０．１ｋＷｈ、０．２ｋＷｈ、０．１ｋＷｈと推移するデータも同様に２時間目で０．１ｋＷｈの上昇という扱いを受けて予測モデルが作成される可能性がある。このような予測モデルでは、１日の中での消費電力量の推移にずれが生じた予測結果が得られる可能性がある。これに対し、形状予測モデル１４２の作成においては、最初に正規化を行って、消費電力量の大小の影響を取り除いてから消費電力量の推移の形状を学習する。従って、上記したデータの例では、前者のデータでは２時間目で１．１倍、後者のデータでは２時間目で２倍となり、１日の消費電力量の変動を正確に反映した学習データに基づいて学習が行われる為、１日の消費電力量の推移を正確に予測する形状予測モデル１４２を得ることができる。次に説明するように、本開示では、１日全体の消費電力量を単純予測モデル１４１に基づいて予測し、この予測値に形状予測モデル１４２が予測する時間ごとの消費電力の割合を掛け合わせることで、時間ごとの消費電力量を精度よく予測する。
（予測処理）
次に、図３を用いて、消費電力量の需要予測を例に、単純予測モデル１４１および形状予測モデル１４２を用いた予測処理について説明する。
図３は、一実施形態に係る予測処理を説明する図である。
まず、予測部１３が、予測対象日における時間ごとの気温、湿度等の予測値（センサデータＩ６）、空調対象エリアの機器の稼働台数や人数などの予測値（非センサデータＩ７）を、単純予測モデル１４１へ入力する。単純予測モデル１４１は、予測対象日における時間ごとの消費電力量の予測値を出力する。予測部１３は、単純予測モデル１４１が出力した予測値を補正する（Ｓ３１）。例えば、予測部１３は、予測値に負の値が含まれていればその時間の消費電力量を０に切り上げる。これにより、予測部１３は、予測対象日における消費電力量データの予測値Ｄ１を得る。この予測値Ｄ１を単純予測結果と呼ぶ。
次に、図３を用いて、消費電力量の需要予測を例に、単純予測モデル１４１および形状予測モデル１４２を用いた予測処理について説明する。
図３は、一実施形態に係る予測処理を説明する図である。
まず、予測部１３が、予測対象日における時間ごとの気温、湿度等の予測値（センサデータＩ６）、空調対象エリアの機器の稼働台数や人数などの予測値（非センサデータＩ７）を、単純予測モデル１４１へ入力する。単純予測モデル１４１は、予測対象日における時間ごとの消費電力量の予測値を出力する。予測部１３は、単純予測モデル１４１が出力した予測値を補正する（Ｓ３１）。例えば、予測部１３は、予測値に負の値が含まれていればその時間の消費電力量を０に切り上げる。これにより、予測部１３は、予測対象日における消費電力量データの予測値Ｄ１を得る。この予測値Ｄ１を単純予測結果と呼ぶ。
1日の中での消費電力量の分布のずれを補正するために、予測部１３は、以下の形状補正処理を行う。つまり、予測部１３が、予測対象日の前日等における時間ごとの消費電力量の割合の実績値（形状データＩ８）を形状予測モデル１４２へ入力する。（あるいは、形状予測モデル１４２が時間ごとのセンサデータや非センサデータと、時間ごとの消費電力量に占める割合の関係を学習して作成された予測モデルであれば、予測対象日における時間ごとのセンサデータＩ９や非センサデータＩ１０の予測値を形状予測モデル１４２へ入力する。）形状予測モデル１４２は、予測対象日における時間ごとの消費電力量の割合を示す形状データを出力する。予測部１３は、形状予測モデル１４２が出力した形状データを補正する（Ｓ３２）。例えば、予測部１３は、形状データに負の値が含まれていればその時間の消費電力量の割合を０に切り上げる。また、予測部１３は、形状データを正規化する。具体的には、形状データの各時間の消費電力量の割合を合計すると１となるように各時間の消費電力量の割合を調整する。例えば、各時間の消費電力量の割合を合計すると１．１となるようであれば、予測部１３は、各時間の消費電力量の割合を１．１で除算することにより正規化を行う。これにより、予測部１３は、予測対象日の形状データＤ２を得る。次に予測部１３は、消費電力量データの予測値Ｄ１について各時間の消費電力量の予測値を２４時間分合計する（Ｓ３３）。つまり、予測部１３は、予測対象日全体での消費電力量の予測値を算出する。次に予測部１３は、消費電力量の予測値の合計値（１日の消費電力量予測値）に、形状データＤ２を乗じる（Ｓ３４）。この形状補正処理によって、１日における消費電力量の分布が補正された時間ごとの消費電力量の予測値が得られる。この予測値を形状補正予測結果と呼ぶ。
出願人の検証によると、消費電力量データの予測値Ｄ１の各時間の消費電力量を合計した１日あたりの消費電力量の予測値の予測精度はある基準を満たしていたが、１日における時間ごとの消費電力量の推移の観点では、実績値からずれる場合があった。このような場合に、上記の形状補正処理を行って形状補正予測結果を算出すると、算出された形状補正予測結果の予測精度は基準を満たすことが確認された。
なお、ある空調機について、所定期間にわたって単純予測結果と形状補正予測結果の両方を算出して実際の消費電力量の実績値と比較し、単純予測結果が形状補正予測結果よりも予測精度が高い場合には単純予測結果を採用してもよいし、形状補正予測結果が単純予測結果よりも予測精度が高い場合には単純予測結果を採用してもよい。あるいは、上記したパターン１～パターン５のそれぞれについて、単純予測結果と形状補正予測結果の予測精度の比較を行い、パターン別に何れの方法で消費電力量の需要予測を行うかを決定してもよい。例えば、ユーザは、パターン別に単純予測結果と形状補正予測結果の何れによって予測を行うかを時間変量予測装置１０に設定する。記憶部１４には、単純予測結果と形状補正予測結果の何れによって予測を行うかの設定がパターン別に記録される。
また、単純予測モデル１４１の作成に使用する学習データの消費電力量データＯ１について、日ごとの消費電力量（１日の合計）の分散が所定の閾値以上の場合、そのような学習データに基づいて作成された単純予測モデル１４１では、消費電力量の絶対値が小さい日のデータと大きい日のデータが1日における消費電力量の分布の観点から公平に扱われない可能性があることを理由に形状補正予測結果を採用し、学習データに含まれる日ごとの消費電力量の分散が閾値未満であれば、単純予測結果を採用してもよい。この場合、例えば、予測モデル作成部１２が、単純予測モデル１４１の作成時（学習時）に消費電力量データＯ１に含まれる日ごとの消費電力量の分散を計算し、分散が閾値以上であれば、形状補正予測結果によって予測を行うこと、閾値未満であれば、単純予測結果によって予測を行うこと、を記憶部１４に記録する。
（予測モデルの作成処理）
次に予測モデルの作成処理の流れについて説明する。
図４は、一実施形態に係る予測モデル作成処理の一例を示すフローチャートである。
まず、データ取得部１１が、単純予測モデル用の学習データを取得する（ステップＳ１）。例えば、データ取得部１１は、過去の所定期間における時間ごとの気温（センサデータＩ１）と、時間ごとの空調機の消費電力量（消費電力量データＯ１）を取得する。データ取得部１１は、これらのデータを記憶部１４に記録する。
次に予測モデル作成部１２は、単純予測モデル１４１を作成する（ステップＳ２）。例えば、予測モデル作成部１２は、時間ごとの気温と消費電力量の関係を学習して単純予測モデル１４１を作成する。予測モデル作成部１２は、単純予測モデル１４１を記憶部１４に記録する。
次に予測モデルの作成処理の流れについて説明する。
図４は、一実施形態に係る予測モデル作成処理の一例を示すフローチャートである。
まず、データ取得部１１が、単純予測モデル用の学習データを取得する（ステップＳ１）。例えば、データ取得部１１は、過去の所定期間における時間ごとの気温（センサデータＩ１）と、時間ごとの空調機の消費電力量（消費電力量データＯ１）を取得する。データ取得部１１は、これらのデータを記憶部１４に記録する。
次に予測モデル作成部１２は、単純予測モデル１４１を作成する（ステップＳ２）。例えば、予測モデル作成部１２は、時間ごとの気温と消費電力量の関係を学習して単純予測モデル１４１を作成する。予測モデル作成部１２は、単純予測モデル１４１を記憶部１４に記録する。
次に予測モデル作成部１２は、単純予測モデル用の学習データのうち目的変数に用いたデータを正規化する（ステップＳ３）。例えば、予測モデル作成部１２は、所定期間における時間ごとの消費電力量を正規化し、時間ごとの消費電力量の割合を算出する。予測モデル作成部１２は、正規化後の時間ごとの消費電力量の割合を記憶部１４に記録する。
次にデータ取得部１１が、形状予測モデル用の学習データを取得する（ステップＳ４）。例えば、説明変数に気温（センサデータＩ４）を用いる場合、データ取得部１１は、過去の所定期間における時間ごとの気温を取得する。説明変数に同日の対応する時間における消費電力量の割合（形状データＩ３）を用いる場合、予測モデル作成部１２は、ステップＳ３で正規化したデータの中から、同日の同じ時間の消費電力量の割合を読み出して、それらを対応付ける。あるいは、予測モデル作成部１２は、より過去に遡って複数日分の消費電力量データを取得して正規化し、学習データとなる形状データを生成してもよい。
次にデータ取得部１１が、形状予測モデル用の学習データを取得する（ステップＳ４）。例えば、説明変数に気温（センサデータＩ４）を用いる場合、データ取得部１１は、過去の所定期間における時間ごとの気温を取得する。説明変数に同日の対応する時間における消費電力量の割合（形状データＩ３）を用いる場合、予測モデル作成部１２は、ステップＳ３で正規化したデータの中から、同日の同じ時間の消費電力量の割合を読み出して、それらを対応付ける。あるいは、予測モデル作成部１２は、より過去に遡って複数日分の消費電力量データを取得して正規化し、学習データとなる形状データを生成してもよい。
次に予測モデル作成部１２は、形状予測モデル１４２を作成する（ステップＳ５）。例えば、予測モデル作成部１２は、ある日（ｎ）の時間ごとの消費電力量の割合と、同日（ｎ）の対応する時間（同じ時間）の消費電力量の割合の関係を学習して形状予測モデル１４２を作成する。又は、予測モデル作成部１２は、ある日（ｎ）の時間ごとの消費電力量の割合と、日（ｎ）より前の１又は複数の日（日（ｎ）を含んでもよい。）における対応する時間（同じ時間）の消費電力量の割合の関係を学習して形状予測モデル１４２を作成する。予測モデル作成部１２は、形状予測モデル１４２を記憶部１４に記録する。
（予測処理）
次に予測処理の流れについて説明する。
図５は、一実施形態に係る予測処理の一例を示すフローチャートである。
まず、データ取得部１１は、単純予測モデル用の入力パラメータを取得する（ステップＳ１１）。例えば、翌日の空調機の電力量の需要を予測する場合、データ取得部１１は、翌日の時間ごとの気温の予測値（センサデータＩ６）を取得する。次に予測部１３は、記憶部に保存された単純予測モデル１４１に基づいて単純予測結果を算出する（ステップＳ１２）。例えば、予測部１３は、単純予測モデル１４１にステップＳ１１で取得した時間ごとの気温の予測値を入力する。単純予測モデル１４１は、翌日の時間ごとの消費電力量の予測値を出力する。予測部１３は、消費電力量の予測値に対して、負の値を０とする等の補正を行い、単純予測結果を算出する。次に予測部１３は、単純予測結果を採用するかどうかの判定を行う（ステップＳ１３）。例えば、記憶部１４に形状補正予測結果によって予測することが設定されている場合、予測部１３は、形状補正予測結果を採用すると決定する。また、記憶部１４にパターン別に単純予測結果と形状補正予測結果の何れによって予測を行うかが設定されている場合、予測部１３は、ユーザによるパターンの入力を受け付けて、ユーザから指定されたパターンについて設定された方法による予測結果を採用すると決定する。例えば、パターン１（暑い日の平日）について形状補正予測結果を採用することが設定されていて、ユーザからパターン１の指定を受けた場合、予測部１３は、形状補正予測結果を採用すると決定する。単純予測結果を採用すると決定した場合（ステップＳ１３；Ｙｅｓ）、予測部１３は、ステップＳ１２で算出した単純予測結果を予測結果として出力する（ステップＳ１８）。単純予測結果には、時間ごとの消費電力量の予測値が含まれている。
次に予測処理の流れについて説明する。
図５は、一実施形態に係る予測処理の一例を示すフローチャートである。
まず、データ取得部１１は、単純予測モデル用の入力パラメータを取得する（ステップＳ１１）。例えば、翌日の空調機の電力量の需要を予測する場合、データ取得部１１は、翌日の時間ごとの気温の予測値（センサデータＩ６）を取得する。次に予測部１３は、記憶部に保存された単純予測モデル１４１に基づいて単純予測結果を算出する（ステップＳ１２）。例えば、予測部１３は、単純予測モデル１４１にステップＳ１１で取得した時間ごとの気温の予測値を入力する。単純予測モデル１４１は、翌日の時間ごとの消費電力量の予測値を出力する。予測部１３は、消費電力量の予測値に対して、負の値を０とする等の補正を行い、単純予測結果を算出する。次に予測部１３は、単純予測結果を採用するかどうかの判定を行う（ステップＳ１３）。例えば、記憶部１４に形状補正予測結果によって予測することが設定されている場合、予測部１３は、形状補正予測結果を採用すると決定する。また、記憶部１４にパターン別に単純予測結果と形状補正予測結果の何れによって予測を行うかが設定されている場合、予測部１３は、ユーザによるパターンの入力を受け付けて、ユーザから指定されたパターンについて設定された方法による予測結果を採用すると決定する。例えば、パターン１（暑い日の平日）について形状補正予測結果を採用することが設定されていて、ユーザからパターン１の指定を受けた場合、予測部１３は、形状補正予測結果を採用すると決定する。単純予測結果を採用すると決定した場合（ステップＳ１３；Ｙｅｓ）、予測部１３は、ステップＳ１２で算出した単純予測結果を予測結果として出力する（ステップＳ１８）。単純予測結果には、時間ごとの消費電力量の予測値が含まれている。
形状補正予測結果を採用すると決定した場合（ステップＳ１３；Ｎｏ）、データ取得部１１は、形状予測モデル用の入力パラメータを取得する（ステップＳ１４）。例えば、１日分の消費電力量の形状データによって、翌日の消費電力量の形状データを予測する場合、データ取得部１１は、任意の１日間、例えば、直前の１日、あるいは、翌日と気温や天候などが類似すると推定される過去の１日の時間ごとの消費電力量の実績値を正規化した形状データＩ８を取得する。また、例えば、直前の３日間の消費電力量の形状データによって、翌日の消費電力量の形状データを予測する場合、データ取得部１１は、直前の３日間の時間ごとの消費電力量の実績値を正規化した形状データＩ８を取得する。次に予測部１３は、記憶部１４に保存された形状予測モデル１４２に基づいて形状データを算出する（ステップＳ１５）。例えば、予測部１３は、形状予測モデル１４２にステップＳ１４で取得した1日分、又は、３日分の時間ごとの消費電力量の割合の実績値を入力する。形状予測モデル１４２は、翌日の時間ごとの消費電力量の割合の実績値を出力する。予測部１３は、この実績値に対して、負の値を０とする処理や正規化する等の補正を行い、形状データＤ２を算出する。
次に予測部１３は、単純予測結果の合計を算出する（ステップＳ１６）。具体的には、予測部１３は、ステップＳ１２で得られた時間ごとの消費電力量の予測値を２４時間分足し合わせて、単純予測結果の合計を算出する。次に予測部１３は、形状補正予測結果を算出する（ステップＳ１７）。予測部１３は、ステップＳ１６で算出した単純予測結果の合計に、ステップＳ１５で算出した形状データＩ８を乗じて、形状補正予測結果を算出する。予測部１３は、形状補正予測結果を予測結果として出力する（ステップＳ１８）。
以上説明したように、時間変量予測装置１０によれば、単純予測モデル１４１だけでは時間ごとの消費電力量を高精度に予測できない場合であっても、形状予測モデル１４２を用いて単純予測結果を補正することによって、時間ごとの消費電力量の予測を精緻化することができる。
なお、上記の実施形態では、単純予測結果と形状補正予測結果のうち予測精度の高い方を採用することとしたが、時間変量予測装置１０は、常に形状補正予測結果を最終的な予測結果として出力するように構成されていてもよい。また、上記の実施形態では、単純予測モデル１４１を時間ごとのセンサデータ等を入力すると時間ごとの消費電力量を出力するモデルとして構成する例を示したが、単純予測モデル１４１は、例えば、1日の時間ごとのセンサデータ等を入力すると１日の消費電力量の合計を出力するように構成されていてもよい。
なお、上記の実施形態では、単純予測結果と形状補正予測結果のうち予測精度の高い方を採用することとしたが、時間変量予測装置１０は、常に形状補正予測結果を最終的な予測結果として出力するように構成されていてもよい。また、上記の実施形態では、単純予測モデル１４１を時間ごとのセンサデータ等を入力すると時間ごとの消費電力量を出力するモデルとして構成する例を示したが、単純予測モデル１４１は、例えば、1日の時間ごとのセンサデータ等を入力すると１日の消費電力量の合計を出力するように構成されていてもよい。
また、単純予測モデルは、センサデータＩ１、非センサデータＩ２に加え、又はそれらに代えて、直前のｉ日間、例えば、日（ｎ－１）、日（ｎ－２）、日（ｎ－３）、・・・、（ｎ－ｉ）のｉ日間の対応する時間における消費電力量を入力すると、日（ｎ）の同じ時間における消費電力量を出力するように作成されてもよい。また、予測においても、センサデータＩ６、非センサデータＩ７に加え、又はそれらに代えて、直前のｉ日間の各時間の消費電力量の実績を単純予測モデルへ入力して、予測対象日における時間毎の消費電力量を得るようにしてもよい。
なお、変量の種類は、空調機等の消費電力量に限定されず、他の変量の予測にも用いることができる。例えば、給湯システムにおける湯水の需要量の場合、気温、曜日等を説明変数、実際に消費された湯量を目的変数として単純予測モデル１４１を作成し、日（ｎ）のある時間に消費された湯水の１日に占める割合を説明変数、日（ｎ）の同じ時間に消費された湯水の１日に占める割合を目的変数として形状予測モデル１４２を作成することができる。また、イベントへの来場者数、店舗への来客数、商品の販売数、駅の乗降者数についても、天候、曜日、季節等を説明変数として単純予測モデル１４１を作成し、同日の同じ時間における形状データが示す実績値を説明変数として形状予測モデル１４２を作成することができる。
図６は、一実施形態に係る時間変量予測装置のハードウェア構成の一例を示す図である。コンピュータ９００は、ＣＰＵ９０１、主記憶装置９０２、補助記憶装置９０３、入出力インタフェース９０４、通信インタフェース９０５を備える。
上述の時間変量予測装置１０は、コンピュータ９００に実装される。そして、上述した各機能は、プログラムの形式で補助記憶装置９０３に記憶されている。ＣＰＵ９０１は、プログラムを補助記憶装置９０３から読み出して主記憶装置９０２に展開し、当該プログラムに従って上記処理を実行する。また、ＣＰＵ９０１は、プログラムに従って、記憶領域を主記憶装置９０２に確保する。また、ＣＰＵ９０１は、プログラムに従って、処理中のデータを記憶する記憶領域を補助記憶装置９０３に確保する。
上述の時間変量予測装置１０は、コンピュータ９００に実装される。そして、上述した各機能は、プログラムの形式で補助記憶装置９０３に記憶されている。ＣＰＵ９０１は、プログラムを補助記憶装置９０３から読み出して主記憶装置９０２に展開し、当該プログラムに従って上記処理を実行する。また、ＣＰＵ９０１は、プログラムに従って、記憶領域を主記憶装置９０２に確保する。また、ＣＰＵ９０１は、プログラムに従って、処理中のデータを記憶する記憶領域を補助記憶装置９０３に確保する。
なお、時間変量予測装置１０の全部または一部の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより各機能部による処理を行ってもよい。ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、ＣＤ、ＤＶＤ、ＵＳＢ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また、このプログラムが通信回線によってコンピュータ９００に配信される場合、配信を受けたコンピュータ９００が当該プログラムを主記憶装置９０２に展開し、上記処理を実行しても良い。また、上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
以上のとおり、本開示に係るいくつかの実施形態を説明したが、これら全ての実施形態は、例として提示したものであり、発明の範囲を限定することを意図していない。これらの実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で種々の省略、置き換え、変更を行うことができる。これらの実施形態及びその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
＜付記＞
各実施形態に記載の時間変量予測装置１０、時間変量予測方法及びプログラムは、例えば以下のように把握される。
各実施形態に記載の時間変量予測装置１０、時間変量予測方法及びプログラムは、例えば以下のように把握される。
（１）第１の態様に係る時間変量予測装置１０は、所定の長さを有する対象期間（例えば、１日）における所定の変量（電力量など）の値を予測する第１予測モデル（単純予測モデル１４１）に基づいて、前記長さを有する所定の第１期間（予測対象日）全体での前記変量の値を予測し、前記第１期間における前記変量の値の時間的な推移について、前記対象期間全体での前記変量の値に対する前記対象期間を構成する単位期間（例えば、１時間）ごとの前記変量の値の分布（割合）を予測する第２予測モデル（形状予測モデル１４２）に基づいて、前記第１期間における前記単位期間ごとの前記変量の分布量（消費電力の割合）を予測し、前記第１期間全体での前記変量の値に前記分布量を乗じて、前記第１期間における前記単位期間ごとの前記変量の値を予測する予測部１３、を備える。
これにより、単位期間ごとの変量の値を精度よく予測することができる。
これにより、単位期間ごとの変量の値を精度よく予測することができる。
（２）第２の態様に係る時間変量予測装置１０は、（１）の時間変量予測装置１０であって、前記第１予測モデル（単純予測モデル１４１）は、前記第１期間（予測対象日）における前記単位期間ごとの前記変量の値を出力し、前記予測部１３は、前記単位期間ごとの前記変量の値を合計して、前記第１期間の前記変量の値を予測する。
（３）第３の態様に係る時間変量予測装置１０は、（２）の時間変量予測装置１０であって、前記予測部１３は、前記第１予測モデル（単純予測モデル１４１）の作成に使用する学習データに含まれる前記変量の値について、前記対象期間ごとの前記変量の値の分散（１日ごとの消費電力量の日ごとのばらつき）が所定の閾値以上の場合、前記第１期間の前記変量の値に前記分布量を乗じて、前記変量の前記単位期間ごとの値を予測し、前記分散が前記閾値未満の場合、前記第１予測モデルが出力した前記単位期間ごとの前記変量の値を、第１期間における前記単位期間ごとの前記変量の予測値とする。
これにより、例えば、学習データに含まれる日ごとの消費電力量の大小にばらつきがあり、そのスケール（消費電力量（ｋＷｈ）の大小）の影響で、単純予測モデル１４１の予測では１日内の消費電力量の推移の予測精度に不安がある場合、形状予測モデル１４２による補正を行って予測精度を向上することができる。
これにより、例えば、学習データに含まれる日ごとの消費電力量の大小にばらつきがあり、そのスケール（消費電力量（ｋＷｈ）の大小）の影響で、単純予測モデル１４１の予測では１日内の消費電力量の推移の予測精度に不安がある場合、形状予測モデル１４２による補正を行って予測精度を向上することができる。
（４）第４の態様に係る時間変量予測装置１０は、（１）～（３）の時間変量予測装置１０であって、前記第１予測モデル（単純予測モデル１４１）が、第１の説明変数を入力すると、前記変量の値を目的変数として出力し、前記第２予測モデル（形状予測モデル１４２）が、第２の説明変数を入力すると、前記分布量を目的変数として出力する場合に、前記第１の説明変数と前記第２の説明変数の種類を異ならせることができる。
対象期間における変量の値を予測する第１予測モデルと、対象期間における変量の値の分布を予測する第２予測モデルとを用いることにより、それぞれの特性に適したパラメータを説明変数とすることができる。これにより、第１予測モデルだけで精度向上を図るために説明変数を多く用いようとする場合に比べて少ない数の説明変数で、第１予測モデルと第２予測モデルを構築することができる。
対象期間における変量の値を予測する第１予測モデルと、対象期間における変量の値の分布を予測する第２予測モデルとを用いることにより、それぞれの特性に適したパラメータを説明変数とすることができる。これにより、第１予測モデルだけで精度向上を図るために説明変数を多く用いようとする場合に比べて少ない数の説明変数で、第１予測モデルと第２予測モデルを構築することができる。
（５）第５の態様に係る時間変量予測装置１０は、（４）の時間変量予測装置１０であって、前記第２の説明変数は、過去の任意の前記対象期間における前記単位期間ごとの前記分布量である。
（６）第６の態様に係る時間変量予測装置１０は、（１）～（５）の時間変量予測装置１０であって、前記予測部１３は、所定の条件別（暑い平日など、パターン１～５に対応する条件）に用意された複数の前記第２予測モデル（形状予測モデル１４２）の中から、前記第１期間における前記条件に適した前記第２予測モデル（形状予測モデル１４２）を選択し、選択した前記第２予測モデルに基づいて、前記分布量を予測する。
変量の値の分布形状は種々の条件に依存するので、条件に応じた第２予測モデルを用いることで予測精度を向上することができる。
変量の値の分布形状は種々の条件に依存するので、条件に応じた第２予測モデルを用いることで予測精度を向上することができる。
（７）第７の態様に係る時間変量予測装置１０は、（１）～（６）の時間変量予測装置１０であって、前記予測部１３は、予測対象の１日における気温の予測値を含む所定の説明変数を前記第１予測モデルに入力して、前記１日の空調機の消費電力量を予測し、過去の所定の日における時間帯ごとの消費電力量の前記分布量の実績値を含む所定の説明変数を前記第２予測モデルに入力して、前記予測対象の１日における時間帯ごとの前記消費電力量の前記分布量を予測し、予測した前記予測対象の１日の前記消費電力量に前記分布量を乗じて、当該１日における時間帯ごとの消費電力量を予測する。
これにより、空調機の電力需要予測を高精度に行うことができる。
これにより、空調機の電力需要予測を高精度に行うことができる。
（８）第８の態様に係る時間変量予測方法は、所定の長さを有する対象期間における所定の変量の値を予測する第１予測モデルに基づいて、前記長さを有する所定の第１期間全体での前記変量の値を予測するステップと、前記第１期間における前記変量の値の時間的な推移について、前記対象期間全体での前記変量の値に対する前記対象期間を構成する単位期間ごとの前記変量の値の分布（割合）を予測する第２予測モデルに基づいて、前記第１期間における前記単位期間ごとの前記変量の分布量を予測するステップと、前記第１期間全体での前記変量の値に前記分布量を乗じて、前記第１期間における前記単位期間ごとの前記変量の値を予測するステップと、を有する。
（９）第９の態様に係るプログラムは、コンピュータ９００に、所定の長さを有する対象期間における所定の変量の値を予測する第１予測モデルに基づいて、前記長さを有する所定の第１期間全体での前記変量の値を予測するステップと、前記第１期間における前記変量の値の時間的な推移について、前記対象期間全体での前記変量の値に対する前記対象期間を構成する単位期間ごとの前記変量の値の分布（割合）を予測する第２予測モデルに基づいて、前記第１期間における前記単位期間ごとの前記変量の分布量を予測するステップと、前記第１期間全体での前記変量の値に前記分布量を乗じて、前記第１期間における前記単位期間ごとの前記変量の値を予測するステップと、を実行させる。
１０・・・時間変量予測装置
１１・・・データ取得部
１２・・・予測モデル作成部
１３・・・予測部
１４・・・記憶部
１４１・・・単純予測モデル
１４２・・・形状予測モデル
９００・・・コンピュータ
９０１・・・ＣＰＵ
９０２・・・主記憶装置
９０３・・・補助記憶装置
９０４・・・入出力インタフェース
９０５・・・通信インタフェース
１１・・・データ取得部
１２・・・予測モデル作成部
１３・・・予測部
１４・・・記憶部
１４１・・・単純予測モデル
１４２・・・形状予測モデル
９００・・・コンピュータ
９０１・・・ＣＰＵ
９０２・・・主記憶装置
９０３・・・補助記憶装置
９０４・・・入出力インタフェース
９０５・・・通信インタフェース
Claims (12)
- 所定の長さを有する対象期間における所定の変量の値を予測する第１予測モデルに基づいて、前記長さを有する所定の第１期間全体での前記変量の値を予測し、
前記対象期間全体での前記変量の値に対する前記対象期間を構成する単位期間ごとの前記変量の値の割合を予測する第２予測モデルに基づいて、前記第１期間における前記単位期間ごとの前記変量の分布量を予測し、
前記第１期間全体での前記変量の値に前記分布量を乗じて、前記第１期間における前記単位期間ごとの前記変量の値を予測する予測部、
を備え、
前記第１予測モデルは、前記第１期間における前記単位期間ごとの前記変量の値を出力し、
前記予測部は、前記第１予測モデルの作成に使用する学習データに含まれる前記変量の値について、前記対象期間ごとの前記変量の値の分散が所定の閾値以上の場合、前記第１期間の前記変量の値に前記分布量を乗じて、前記変量の前記単位期間ごとの値を予測し、前記分散が前記閾値未満の場合、前記第１予測モデルが出力した前記単位期間ごとの前記変量の値を、第１期間における前記単位期間ごとの前記変量の予測値とする、
時間変量予測装置。 - 前記予測部は、前記単位期間ごとの前記変量の値を合計して、前記第１期間の前記変量の値を予測する、
請求項１に記載の時間変量予測装置。 - 前記第１予測モデルが、第１の説明変数を入力すると、前記変量の値を目的変数として出力し、前記第２予測モデルが、第２の説明変数を入力すると、前記分布量を目的変数として出力する場合に、前記第１の説明変数と前記第２の説明変数の種類が異なる、
請求項１から請求項２の何れか１項に記載の時間変量予測装置。 - 所定の長さを有する対象期間における所定の変量の値を予測する第１予測モデルに基づいて、前記長さを有する所定の第１期間全体での前記変量の値を予測し、
前記対象期間全体での前記変量の値に対する前記対象期間を構成する単位期間ごとの前記変量の値の割合を予測する第２予測モデルに基づいて、前記第１期間における前記単位期間ごとの前記変量の分布量を予測し、
前記第１期間全体での前記変量の値に前記分布量を乗じて、前記第１期間における前記単位期間ごとの前記変量の値を予測する予測部、
を備え、
前記第１予測モデルが、第１の説明変数を入力すると、前記変量の値を目的変数として出力し、前記第２予測モデルが、第２の説明変数を入力すると、前記分布量を目的変数として出力する場合に、前記第２の説明変数は、過去の任意の前記対象期間における前記単位期間ごとの前記分布量である、
時間変量予測装置。 - 前記予測部は、所定の条件別に用意された複数の前記第２予測モデルの中から、前記第１期間における前記条件に適した前記第２予測モデルを選択し、選択した前記第２予測モデルに基づいて、前記分布量を予測する、
請求項１から請求項４の何れか１項に記載の時間変量予測装置。 - 所定の長さを有する対象期間における所定の変量の値を予測する第１予測モデルに基づいて、前記長さを有する所定の第１期間全体での前記変量の値を予測し、
前記対象期間全体での前記変量の値に対する前記対象期間を構成する単位期間ごとの前記変量の値の割合を予測する第２予測モデルに基づいて、前記第１期間における前記単位期間ごとの前記変量の分布量を予測し、
前記第１期間全体での前記変量の値に前記分布量を乗じて、前記第１期間における前記単位期間ごとの前記変量の値を予測する予測部、
を備え、
前記予測部は、
予測対象の１日における気温の予測値を含む所定の説明変数を前記第１予測モデルに入力して、前記１日の空調機の消費電力量を予測し、
過去の所定の日における時間帯ごとの消費電力量の前記分布量の実績値を含む所定の説明変数を前記第２予測モデルに入力して、前記予測対象の１日における時間帯ごとの前記消費電力量の前記分布量を予測し、
予測した前記予測対象の１日の前記消費電力量に前記分布量を乗じて、当該１日における時間帯ごとの消費電力量を予測する、
時間変量予測装置。 - コンピュータによって実行される時間変量予測方法であって、
所定の長さを有する対象期間における所定の変量の値を予測する第１予測モデルに基づいて、前記長さを有する所定の第１期間全体での前記変量の値を予測するステップと、
前記対象期間全体での前記変量の値に対する前記対象期間を構成する単位期間ごとの前
記変量の値の割合を予測する第２予測モデルに基づいて、前記第１期間における前記単位期間ごとの前記変量の分布量を予測するステップと、
前記第１期間全体での前記変量の値に前記分布量を乗じて、前記第１期間における前記単位期間ごとの前記変量の値を予測するステップと、
を有し、
前記第１予測モデルは、前記第１期間における前記単位期間ごとの前記変量の値を出力し、
前記予測するステップでは、前記第１予測モデルの作成に使用する学習データに含まれる前記変量の値について、前記対象期間ごとの前記変量の値の分散が所定の閾値以上の場合、前記第１期間の前記変量の値に前記分布量を乗じて、前記変量の前記単位期間ごとの値を予測し、前記分散が前記閾値未満の場合、前記第１予測モデルが出力した前記単位期間ごとの前記変量の値を、第１期間における前記単位期間ごとの前記変量の予測値とする、
時間変量予測方法。 - コンピュータによって実行される時間変量予測方法であって、
所定の長さを有する対象期間における所定の変量の値を予測する第１予測モデルに基づいて、前記長さを有する所定の第１期間全体での前記変量の値を予測するステップと、
前記対象期間全体での前記変量の値に対する前記対象期間を構成する単位期間ごとの前
記変量の値の割合を予測する第２予測モデルに基づいて、前記第１期間における前記単位期間ごとの前記変量の分布量を予測するステップと、
前記第１期間全体での前記変量の値に前記分布量を乗じて、前記第１期間における前記単位期間ごとの前記変量の値を予測するステップと、
を有し、
前記第１予測モデルが、第１の説明変数を入力すると、前記変量の値を目的変数として出力し、前記第２予測モデルが、第２の説明変数を入力すると、前記分布量を目的変数として出力する場合に、前記第２の説明変数は、過去の任意の前記対象期間における前記単位期間ごとの前記分布量である、
時間変量予測方法。 - コンピュータによって実行される時間変量予測方法であって、
所定の長さを有する対象期間における所定の変量の値を予測する第１予測モデルに基づいて、前記長さを有する所定の第１期間全体での前記変量の値を予測するステップと、
前記対象期間全体での前記変量の値に対する前記対象期間を構成する単位期間ごとの前
記変量の値の割合を予測する第２予測モデルに基づいて、前記第１期間における前記単位期間ごとの前記変量の分布量を予測するステップと、
前記第１期間全体での前記変量の値に前記分布量を乗じて、前記第１期間における前記単位期間ごとの前記変量の値を予測するステップと、
を有し、
前記予測するステップでは、
予測対象の１日における気温の予測値を含む所定の説明変数を前記第１予測モデルに入力して、前記１日の空調機の消費電力量を予測し、
過去の所定の日における時間帯ごとの消費電力量の前記分布量の実績値を含む所定の説明変数を前記第２予測モデルに入力して、前記予測対象の１日における時間帯ごとの前記消費電力量の前記分布量を予測し、
予測した前記予測対象の１日の前記消費電力量に前記分布量を乗じて、当該１日における時間帯ごとの消費電力量を予測する、
時間変量予測方法。 - コンピュータに、
所定の長さを有する対象期間における所定の変量の値を予測する第１予測モデルに基づいて、前記長さを有する所定の第１期間全体での前記変量の値を予測するステップと、
前記対象期間全体での前記変量の値に対する前記対象期間を構成する単位期間ごとの前記変量の値の割合を予測する第２予測モデルに基づいて、前記第１期間における前記単位期間ごとの前記変量の分布量を予測するステップと、
前記第１期間全体での前記変量の値に前記分布量を乗じて、前記第１期間における前記単位期間ごとの前記変量の値を予測するステップと、
を実行させ、
前記第１予測モデルは、前記第１期間における前記単位期間ごとの前記変量の値を出力し、
前記予測するステップでは、前記第１予測モデルの作成に使用する学習データに含まれる前記変量の値について、前記対象期間ごとの前記変量の値の分散が所定の閾値以上の場合、前記第１期間の前記変量の値に前記分布量を乗じて、前記変量の前記単位期間ごとの値を予測し、前記分散が前記閾値未満の場合、前記第１予測モデルが出力した前記単位期間ごとの前記変量の値を、第１期間における前記単位期間ごとの前記変量の予測値とする、
プログラム。 - コンピュータに、
所定の長さを有する対象期間における所定の変量の値を予測する第１予測モデルに基づいて、前記長さを有する所定の第１期間全体での前記変量の値を予測するステップと、
前記対象期間全体での前記変量の値に対する前記対象期間を構成する単位期間ごとの前記変量の値の割合を予測する第２予測モデルに基づいて、前記第１期間における前記単位期間ごとの前記変量の分布量を予測するステップと、
前記第１期間全体での前記変量の値に前記分布量を乗じて、前記第１期間における前記単位期間ごとの前記変量の値を予測するステップと、
を実行させ、
前記第１予測モデルが、第１の説明変数を入力すると、前記変量の値を目的変数として出力し、前記第２予測モデルが、第２の説明変数を入力すると、前記分布量を目的変数として出力する場合に、前記第２の説明変数は、過去の任意の前記対象期間における前記単位期間ごとの前記分布量である、
プログラム。 - コンピュータに、
所定の長さを有する対象期間における所定の変量の値を予測する第１予測モデルに基づいて、前記長さを有する所定の第１期間全体での前記変量の値を予測するステップと、
前記対象期間全体での前記変量の値に対する前記対象期間を構成する単位期間ごとの前記変量の値の割合を予測する第２予測モデルに基づいて、前記第１期間における前記単位期間ごとの前記変量の分布量を予測するステップと、
前記第１期間全体での前記変量の値に前記分布量を乗じて、前記第１期間における前記単位期間ごとの前記変量の値を予測するステップと、
を実行させ、
前記予測するステップでは、
予測対象の１日における気温の予測値を含む所定の説明変数を前記第１予測モデルに入力して、前記１日の空調機の消費電力量を予測し、
過去の所定の日における時間帯ごとの消費電力量の前記分布量の実績値を含む所定の説明変数を前記第２予測モデルに入力して、前記予測対象の１日における時間帯ごとの前記消費電力量の前記分布量を予測し、
予測した前記予測対象の１日の前記消費電力量に前記分布量を乗じて、当該１日における時間帯ごとの消費電力量を予測する、
プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020096929A JP7457581B2 (ja) | 2020-06-03 | 2020-06-03 | 時間変量予測装置、時間変量予測方法及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020096929A JP7457581B2 (ja) | 2020-06-03 | 2020-06-03 | 時間変量予測装置、時間変量予測方法及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021189950A JP2021189950A (ja) | 2021-12-13 |
| JP7457581B2 true JP7457581B2 (ja) | 2024-03-28 |
Family
ID=78849645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020096929A Active JP7457581B2 (ja) | 2020-06-03 | 2020-06-03 | 時間変量予測装置、時間変量予測方法及びプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7457581B2 (ja) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014180187A (ja) | 2013-03-15 | 2014-09-25 | Toshiba Corp | 電力需要予測装置、方法及びプログラム並びに需要抑制計画策定装置 |
| JP2015106952A (ja) | 2013-11-28 | 2015-06-08 | 富士通株式会社 | 推定プログラム、推定方法および推定装置 |
| JP2016091101A (ja) | 2014-10-30 | 2016-05-23 | 未来工業株式会社 | 電力量監視装置 |
-
2020
- 2020-06-03 JP JP2020096929A patent/JP7457581B2/ja active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014180187A (ja) | 2013-03-15 | 2014-09-25 | Toshiba Corp | 電力需要予測装置、方法及びプログラム並びに需要抑制計画策定装置 |
| JP2015106952A (ja) | 2013-11-28 | 2015-06-08 | 富士通株式会社 | 推定プログラム、推定方法および推定装置 |
| JP2016091101A (ja) | 2014-10-30 | 2016-05-23 | 未来工業株式会社 | 電力量監視装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021189950A (ja) | 2021-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10495337B2 (en) | Smart thermostat with model predictive control | |
| US20210279583A1 (en) | Controller training based on historical data | |
| Hahn et al. | Electric load forecasting methods: Tools for decision making | |
| Rapson | Durable goods and long-run electricity demand: Evidence from air conditioner purchase behavior | |
| Saez-Gallego et al. | A data-driven bidding model for a cluster of price-responsive consumers of electricity | |
| JP6118975B2 (ja) | エネルギー予測システム、エネルギー予測システムの動作方法、これを実行させるためのコンピュータプログラム及びこの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並びに運転支援システム | |
| US11585549B1 (en) | Thermal modeling technology | |
| US9740183B2 (en) | Building energy management system learning | |
| JP2009237832A (ja) | 可変的予測モデル構築方法、及び、可変的予測モデル構築システム | |
| JP2013514510A (ja) | Ｈｖａｃ制御システムおよび方法 | |
| CN109945420B (zh) | 基于负荷预测的空调控制方法、装置及计算机存储介质 | |
| US20170169344A1 (en) | Methods, systems, and computer readable media for a data-driven demand response (dr) recommender | |
| CN110398029B (zh) | 控制方法和计算机可读存储介质 | |
| JP2009225613A (ja) | 電力需要予測装置及び電力需要予測方法 | |
| Ruan et al. | Estimating demand flexibility using Siamese LSTM neural networks | |
| JP2016163511A (ja) | 電力需要量予測システム、電力需要量予測方法及びプログラム | |
| JP6249982B2 (ja) | 費用予測装置およびプログラム | |
| JP7457581B2 (ja) | 時間変量予測装置、時間変量予測方法及びプログラム | |
| Lee et al. | On-policy learning-based deep reinforcement learning assessment for building control efficiency and stability | |
| McKee et al. | Deep reinforcement learning for residential HVAC control with consideration of human occupancy | |
| Meimand et al. | A personal touch to demand response: An occupant-centric control strategy for HVAC systems using personalized comfort models | |
| CN113825955A (zh) | 确定温度设置值的方法、装置、系统、存储介质和处理器 | |
| JP2005122517A (ja) | エネルギー需要予測方法、エネルギー需要予測装置、エネルギー需要予測プログラムおよび記録媒体 | |
| Khadgi et al. | A simulation study for residential electricity user behavior under dynamic variable pricing with demand charge | |
| US20150268650A1 (en) | Power modeling based building demand management system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A625 | Written request for application examination (by other person) |
Free format text: JAPANESE INTERMEDIATE CODE: A625 Effective date: 20230217 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231220 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240116 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240215 |
|
| 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: 20240227 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240315 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7457581 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |