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
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。
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。
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。
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。
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。
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。
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。
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。
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、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。
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。
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。
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。
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 |