JPH0588714A - 広域需要予測方法および需要予測装置 - Google Patents
広域需要予測方法および需要予測装置Info
- Publication number
- JPH0588714A JPH0588714A JP24614491A JP24614491A JPH0588714A JP H0588714 A JPH0588714 A JP H0588714A JP 24614491 A JP24614491 A JP 24614491A JP 24614491 A JP24614491 A JP 24614491A JP H0588714 A JPH0588714 A JP H0588714A
- Authority
- JP
- Japan
- Prior art keywords
- demand
- energy
- forecasting
- amount
- objects
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013277 forecasting method Methods 0.000 claims description 12
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 abstract description 5
- 108010071289 Factor XIII Proteins 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001308 synthesis method Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 241001590997 Moolgarda engeli Species 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000003287 bathing Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【目的】予測誤差が少なく、広範囲のエネルギー需要の
予測に対応することができる需要予測方法を提供する。 【構成】エネルギーの需要のある複数の対象物で構成さ
れる集合のエネルギー総需要量を予測する方法におい
て、前記集合を類似した需要の特徴を有する小集合に分
類し、小集合毎の需要予測量を、過去の実績需要量と、
需要量に影響を与える影響因子とを用いて予測し、各小
集合の需要予測量を演算して総需要量を求めることを特
徴とする。
予測に対応することができる需要予測方法を提供する。 【構成】エネルギーの需要のある複数の対象物で構成さ
れる集合のエネルギー総需要量を予測する方法におい
て、前記集合を類似した需要の特徴を有する小集合に分
類し、小集合毎の需要予測量を、過去の実績需要量と、
需要量に影響を与える影響因子とを用いて予測し、各小
集合の需要予測量を演算して総需要量を求めることを特
徴とする。
Description
【０００１】
【産業上の利用分野】本発明は、エネルギー資源等の需
要予測方法に関する。
要予測方法に関する。
【０００２】
【従来の技術】複数個の対象物で構成される集合の総需
要量を予測する方法としては以下のものが知られてい
る。
要量を予測する方法としては以下のものが知られてい
る。
【０００３】（１） D.C.Park, et al, Electrical Loa
d Forecasting Using An ArtificialNeural Network, T
rans. of IEEE RES Summer Meeting, (6,1990) （２） 村田純一, 相良節夫, モデルの自己組織化によ
る１日先電力負荷予測,電気学会論文集, Vol.110-C, N
o.5, pp349-357, (1990) これらは、いずれも一定地域内の電力需要量を予測する
もので、地域内の総需要量を一括して予測している。
d Forecasting Using An ArtificialNeural Network, T
rans. of IEEE RES Summer Meeting, (6,1990) （２） 村田純一, 相良節夫, モデルの自己組織化によ
る１日先電力負荷予測,電気学会論文集, Vol.110-C, N
o.5, pp349-357, (1990) これらは、いずれも一定地域内の電力需要量を予測する
もので、地域内の総需要量を一括して予測している。
【０００４】また、エネルギーの総需要を予測する方法
として、特開昭６０−１０６３２５のように、天気予報
の予想最高気温と、過去の実績をもとにエネルギー需要
を予測する方法が提案されている。また、各家庭の入浴
用エネルギーの予測方法として、特開平１−２６３４３
２、特開平１−２０４１１３および特開平１−２６３４
３２のように、各家庭の過去のエネルギー消費パターン
から特徴を抽出し、そのパターンによって、各家庭のエ
ネルギーの需要を予測する方法が提案されている。
として、特開昭６０−１０６３２５のように、天気予報
の予想最高気温と、過去の実績をもとにエネルギー需要
を予測する方法が提案されている。また、各家庭の入浴
用エネルギーの予測方法として、特開平１−２６３４３
２、特開平１−２０４１１３および特開平１−２６３４
３２のように、各家庭の過去のエネルギー消費パターン
から特徴を抽出し、そのパターンによって、各家庭のエ
ネルギーの需要を予測する方法が提案されている。
【０００５】
【発明が解決しようとする課題】上記従来の複数の予測
対象物から構成される集合の総需要量を一括して予測す
る方法では、影響因子や予測手法がことなる予測対象物
を一括して予測するため、予測誤差が大きかった。ま
た、予測誤差の原因となっている複数の予測対象物個々
の有する影響因子や予測手法の誤差を、総需要の予測誤
差から抽出することは困難であるため、誤差を補正する
ことが難しかった。
対象物から構成される集合の総需要量を一括して予測す
る方法では、影響因子や予測手法がことなる予測対象物
を一括して予測するため、予測誤差が大きかった。ま
た、予測誤差の原因となっている複数の予測対象物個々
の有する影響因子や予測手法の誤差を、総需要の予測誤
差から抽出することは困難であるため、誤差を補正する
ことが難しかった。
【０００６】また、従来の個々の予測対象物の需要パタ
ーンを用いて、各予測対象物の需要を予測する方法で
は、各予測対象物ごとに需要パターンの分析を行う必要
がある。そのため、この方法を複数の予測対象物からな
る集合の総需要を予測するのに用いた場合、計算量が膨
大になり、広い地域のエネルギー需要を予測するのに用
いることは実際的に不可能であった。
ーンを用いて、各予測対象物の需要を予測する方法で
は、各予測対象物ごとに需要パターンの分析を行う必要
がある。そのため、この方法を複数の予測対象物からな
る集合の総需要を予測するのに用いた場合、計算量が膨
大になり、広い地域のエネルギー需要を予測するのに用
いることは実際的に不可能であった。
【０００７】本発明の目的は、予測誤差が少なく、広範
囲のエネルギー需要の予測に対応することができる需要
予測方法を提供することにある。
囲のエネルギー需要の予測に対応することができる需要
予測方法を提供することにある。
【０００８】
【課題を解決するための手段】本発明によれば、エネル
ギーの需要のある複数の対象物で構成される集合のエネ
ルギー総需要量を予測する方法において、前記集合を類
似した需要の特徴を有する小集合に分類し、小集合毎の
需要予測量を、過去の実績需要量と、需要量に影響を与
える影響因子とを用いて予測し、各小集合の需要予測量
を演算して総需要量を求めることを特徴とする需要予測
方法が提供される。
ギーの需要のある複数の対象物で構成される集合のエネ
ルギー総需要量を予測する方法において、前記集合を類
似した需要の特徴を有する小集合に分類し、小集合毎の
需要予測量を、過去の実績需要量と、需要量に影響を与
える影響因子とを用いて予測し、各小集合の需要予測量
を演算して総需要量を求めることを特徴とする需要予測
方法が提供される。
【０００９】
【作用】本発明では、予測対象集合を、複数の需要特性
別の小集合に分類して、該小集合毎に需要特性に適した
予測方法で需要予測を行う。得られた小集合毎の需要予
測量を合成することにより総需要を予測する。従って、
小集合毎の、需要特性に適した予測方法や影響因子を選
択することができるので予測精度が向上する。また、実
際の総需要を用いて、小集合毎に適した影響因子や予測
方法、あるいは合成方法を特定することができる。実際
に適する影響因子や予測方法が、変化した場合にも、実
際の総需要を用いて、変化した部分を特定することがで
きる。従って、その影響因子や予測方法あるいは合成方
法を用いて、予測を行うことにより、さらに予測精度を
向上させることができる。
別の小集合に分類して、該小集合毎に需要特性に適した
予測方法で需要予測を行う。得られた小集合毎の需要予
測量を合成することにより総需要を予測する。従って、
小集合毎の、需要特性に適した予測方法や影響因子を選
択することができるので予測精度が向上する。また、実
際の総需要を用いて、小集合毎に適した影響因子や予測
方法、あるいは合成方法を特定することができる。実際
に適する影響因子や予測方法が、変化した場合にも、実
際の総需要を用いて、変化した部分を特定することがで
きる。従って、その影響因子や予測方法あるいは合成方
法を用いて、予測を行うことにより、さらに予測精度を
向上させることができる。
【００１０】
【実施例】本発明の第１の実施例の電力需要予測装置を
図１を用いて説明する。本実施例の電力需要予測装置
は、ある地域の需要対象物の電力消費データ１４を、需
要パターンが類似している業種ごとに分類する需要パタ
ーン識別手段１１と、分類された業種ごとに、電力の需
要を予測する需要予測手段４と、業種ごとの予測値３を
演算して総需要１を求める演算手段２とを有している。
また、需要予測手段４が需要を予測するために必要な、
気象状態等の影響因子１３を予測する影響因子予測手段
１２をさらに備えている。
図１を用いて説明する。本実施例の電力需要予測装置
は、ある地域の需要対象物の電力消費データ１４を、需
要パターンが類似している業種ごとに分類する需要パタ
ーン識別手段１１と、分類された業種ごとに、電力の需
要を予測する需要予測手段４と、業種ごとの予測値３を
演算して総需要１を求める演算手段２とを有している。
また、需要予測手段４が需要を予測するために必要な、
気象状態等の影響因子１３を予測する影響因子予測手段
１２をさらに備えている。
【００１１】需要パターン識別手段１１は、実際の各対
象物の需要データＤ１４を次式のように時間ｔの関数化
し、各需要データの｜（ａ1／ａ2）｜および｜ａ1｜の
類似度を比較することにより、需要パターンが類似して
いる業種ごとに分類する。
象物の需要データＤ１４を次式のように時間ｔの関数化
し、各需要データの｜（ａ1／ａ2）｜および｜ａ1｜の
類似度を比較することにより、需要パターンが類似して
いる業種ごとに分類する。
【００１２】Ｄ＝ａ1ｔ1＋ａ2ｔ2＋・・・・ａnｔn 本実施例では、需要対象物を事務所、店舗、病院、ホテ
ルの４業種に分類した。
ルの４業種に分類した。
【００１３】需要予測手段４は、分類された各需要デー
タ１５を受信し、需要の予測に必要なデータのパターン
や、データ数を記憶する。また、影響因子予測手段１２
は、気圧、気温、湿度および水温１６を測定し、そのデ
ータと過去の気象データをもとに、予想気温、予想湿度
および予想日射量１３を予測する。各需要予測手段４
は、予測した予想気温、予想湿度および予想日射量１３
から、需要予測に適した影響因子１３を選択し、この影
響因子１３と、過去の実績需要値との関係に基づいて、
各業種の集合ごとの需要を予測し、特性別需要予測値３
を得る。特性別需要予測手段４で用いる予測手法として
は、従来知られている複数個の対象物で構成される集合
の総需要量を予測する方法を用いる。例えば、以下の方
法を用いることができる。
タ１５を受信し、需要の予測に必要なデータのパターン
や、データ数を記憶する。また、影響因子予測手段１２
は、気圧、気温、湿度および水温１６を測定し、そのデ
ータと過去の気象データをもとに、予想気温、予想湿度
および予想日射量１３を予測する。各需要予測手段４
は、予測した予想気温、予想湿度および予想日射量１３
から、需要予測に適した影響因子１３を選択し、この影
響因子１３と、過去の実績需要値との関係に基づいて、
各業種の集合ごとの需要を予測し、特性別需要予測値３
を得る。特性別需要予測手段４で用いる予測手法として
は、従来知られている複数個の対象物で構成される集合
の総需要量を予測する方法を用いる。例えば、以下の方
法を用いることができる。
【００１４】（１） D.C.Park, et al, Electrical Loa
d Forecasting Using An ArtificialNeural Network, T
rans. of IEEE RES Summer Meeting, (6,1990) （２） 村田純一, 相良節夫, モデルの自己組織化によ
る１日先電力負荷予測,電気学会論文集, Vol.110-C, N
o.5, pp349-357, (1990) 需要予測手段４の予測方法は、需要特性毎にそれぞれ異
なる予測手法を用いることができる。
d Forecasting Using An ArtificialNeural Network, T
rans. of IEEE RES Summer Meeting, (6,1990) （２） 村田純一, 相良節夫, モデルの自己組織化によ
る１日先電力負荷予測,電気学会論文集, Vol.110-C, N
o.5, pp349-357, (1990) 需要予測手段４の予測方法は、需要特性毎にそれぞれ異
なる予測手法を用いることができる。
【００１５】需要予測手段４により予測された特性別需
要予測値３は、演算手段２に入力されて合成演算され、
総需要予測値１に合成される。演算手段２は、予測総需
要値２をＱとし、各需要対象物の需要予測値３をｐとし
た場合、次式を用いて演算する。
要予測値３は、演算手段２に入力されて合成演算され、
総需要予測値１に合成される。演算手段２は、予測総需
要値２をＱとし、各需要対象物の需要予測値３をｐとし
た場合、次式を用いて演算する。
【００１６】Ｑ＝ｋ1ｐ1＋ｋ1ｐ2＋・・・＋ｋｎｐｎ ここでｋｎは係数であり、予め、実際の総需要値を予測
総需要値Ｑに代入した方程式を解く等の数学的な手段に
より求め、最適化しておく。
総需要値Ｑに代入した方程式を解く等の数学的な手段に
より求め、最適化しておく。
【００１７】図２に、下記の文献に記載されている業種
別（事務所、店舗、病院、ホテル）の日間冷熱需要特性
の一例を示した。
別（事務所、店舗、病院、ホテル）の日間冷熱需要特性
の一例を示した。
【００１８】千葉孝男, 空調給湯負荷と電力負荷, 冷
凍, 第６２巻第７１２号, pp147-157,(2,1987) 図２は、冷房用の冷熱エネルギ−の需要量を一日の積算
値を１００％として時刻毎の需要比率を表している。図
２（ａ）は事務所の場合であり、始業時刻付近から業務
終了時刻の範囲でのみ需要が存在し、それ以外の時間帯
の需要は０である。また、昼の休憩時間には業務を停止
するので一時的に需要が低下するという需要特性があ
る。図２（ｂ）は店舗の場合であり、開店時刻付近から
業務終了時刻の範囲でのみ需要が存在する特性は事務所
の場合と同様であるが、営業時間中に業務を中断する時
間は存在しないので需要が低下することはなく、むしろ
日中は需要が増加する傾向にある。図２（ｃ）は病院の
場合であり、入院患者を収容しているので業務を停止す
る時間帯が存在せず、夜間の需要は比較的小さいものの
事務所や店舗のように需要が０になる時間帯は無い。図
２（ｄ）はホテルの場合であり、病院の場合と同様に需
要が０になる時間帯は存在しないが、チェックアウト時
刻からチェックイン時刻の時間帯では宿泊客が減少する
ため夜間よりも需要量が小さいという需要特性を持つ。
凍, 第６２巻第７１２号, pp147-157,(2,1987) 図２は、冷房用の冷熱エネルギ−の需要量を一日の積算
値を１００％として時刻毎の需要比率を表している。図
２（ａ）は事務所の場合であり、始業時刻付近から業務
終了時刻の範囲でのみ需要が存在し、それ以外の時間帯
の需要は０である。また、昼の休憩時間には業務を停止
するので一時的に需要が低下するという需要特性があ
る。図２（ｂ）は店舗の場合であり、開店時刻付近から
業務終了時刻の範囲でのみ需要が存在する特性は事務所
の場合と同様であるが、営業時間中に業務を中断する時
間は存在しないので需要が低下することはなく、むしろ
日中は需要が増加する傾向にある。図２（ｃ）は病院の
場合であり、入院患者を収容しているので業務を停止す
る時間帯が存在せず、夜間の需要は比較的小さいものの
事務所や店舗のように需要が０になる時間帯は無い。図
２（ｄ）はホテルの場合であり、病院の場合と同様に需
要が０になる時間帯は存在しないが、チェックアウト時
刻からチェックイン時刻の時間帯では宿泊客が減少する
ため夜間よりも需要量が小さいという需要特性を持つ。
【００１９】以上のように、冷熱需要は業種によってか
なり特徴のある需要特性を持つ。冷熱需要に限らず温
熱、水、電力等の各種エネルギー需要についてもそれぞ
れ業種別に特有の需要特性を持つと考えられる。従っ
て、本実施例の電力需要総予測装置を用いることによ
り、業種別の対象物の小集合ごとに、影響因子や予測方
法をを選択することができ、また、予測値の合成演算方
法を選択することができるので、予測精度が高い。
なり特徴のある需要特性を持つ。冷熱需要に限らず温
熱、水、電力等の各種エネルギー需要についてもそれぞ
れ業種別に特有の需要特性を持つと考えられる。従っ
て、本実施例の電力需要総予測装置を用いることによ
り、業種別の対象物の小集合ごとに、影響因子や予測方
法をを選択することができ、また、予測値の合成演算方
法を選択することができるので、予測精度が高い。
【００２０】本実施例の電力需要予測装置では、当初、
需要パターン識別手段１１に、需要データ１４を入力し
識別を行うが、一旦、業種の分類、業種毎の需要パター
ンと予測対象物数を記憶し、予測方法および演算方法を
確立した後には、影響因子１３を入力するだけで、需要
データ１４を用いずに、総需要１を予測することができ
るまた本実施例では、影響因子１３として予想気温、予
想湿度および予想日射量を用いたがこれらに限定される
ものではなく、曜日、祝祭日、催しもの等電力需要に影
響を与えるものを用いることがある。これらは、予め影
響因子予測手段１２に記憶させておけば良い。また、本
実施例では、影響因子予測手段１２が、予想気温、予想
湿度および予想日射量を予測したが、天気予報等予め他
の手段で予測されたものを用いることも可能である。
需要パターン識別手段１１に、需要データ１４を入力し
識別を行うが、一旦、業種の分類、業種毎の需要パター
ンと予測対象物数を記憶し、予測方法および演算方法を
確立した後には、影響因子１３を入力するだけで、需要
データ１４を用いずに、総需要１を予測することができ
るまた本実施例では、影響因子１３として予想気温、予
想湿度および予想日射量を用いたがこれらに限定される
ものではなく、曜日、祝祭日、催しもの等電力需要に影
響を与えるものを用いることがある。これらは、予め影
響因子予測手段１２に記憶させておけば良い。また、本
実施例では、影響因子予測手段１２が、予想気温、予想
湿度および予想日射量を予測したが、天気予報等予め他
の手段で予測されたものを用いることも可能である。
【００２１】また、本実施例で、需要データから事務
所、店舗、病院、ホテルの４業種に分類したが、これに
限定されるものではなく、住宅、商業施設、学校、映画
館など種々の分類が可能である。また、需要パターン識
別手段１１を備えず、予め、顧客データを用いて分類し
ても良い。さらに、本実施例では、電力の総需要予測し
たが、電力に限らず本システムを用いて、熱、水、物流
等を予測することができる。
所、店舗、病院、ホテルの４業種に分類したが、これに
限定されるものではなく、住宅、商業施設、学校、映画
館など種々の分類が可能である。また、需要パターン識
別手段１１を備えず、予め、顧客データを用いて分類し
ても良い。さらに、本実施例では、電力の総需要予測し
たが、電力に限らず本システムを用いて、熱、水、物流
等を予測することができる。
【００２２】また、本実施例では、識別手段１１の識別
方法として、データを関数化し係数を比較したがこれに
限定されるものではなく、種々の識別方法を用いること
ができる。例えば、文字認識等に用いるものと同様な認
識装置を用いて、信号トレンドのパターンを認識する方
法や、ニューラルネットワークの学習機能を用いてパタ
ーンの認識をする方法を用いることが可能である。例え
ば、ニューラルネットワークを用いる場合、予め、分類
すべき特徴を示す複数の需要パターンを学習させてお
き、これに未提示のパターンを入力して分類させること
ができる。
方法として、データを関数化し係数を比較したがこれに
限定されるものではなく、種々の識別方法を用いること
ができる。例えば、文字認識等に用いるものと同様な認
識装置を用いて、信号トレンドのパターンを認識する方
法や、ニューラルネットワークの学習機能を用いてパタ
ーンの認識をする方法を用いることが可能である。例え
ば、ニューラルネットワークを用いる場合、予め、分類
すべき特徴を示す複数の需要パターンを学習させてお
き、これに未提示のパターンを入力して分類させること
ができる。
【００２３】さらに、需要予測手段４として、回帰分析
結果に基づく予測方法やニュ−ラルネットの学習及び想
起機能を応用した予測方法等を用いることができる。
結果に基づく予測方法やニュ−ラルネットの学習及び想
起機能を応用した予測方法等を用いることができる。
【００２４】また、本実施例の需要予測システムでは、
実際の総需要を用いて、小集合毎に適した影響因子や予
測方法、あるいは合成方法を特定することができるの
で、実際に適する影響因子や予測方法が変化した場合に
も、実際の総需要を用いて、変化した部分を特定するこ
とができる。従って、変化した影響因子や予測方法ある
いは合成方法を用いて予測を行うことにより、さらに予
測精度を向上させることができる。
実際の総需要を用いて、小集合毎に適した影響因子や予
測方法、あるいは合成方法を特定することができるの
で、実際に適する影響因子や予測方法が変化した場合に
も、実際の総需要を用いて、変化した部分を特定するこ
とができる。従って、変化した影響因子や予測方法ある
いは合成方法を用いて予測を行うことにより、さらに予
測精度を向上させることができる。
【００２５】本発明の第２の実施例の地域冷暖房システ
ムを図３を用いて説明する。一定地域内で必要な熱エネ
ルギーを需要量の経時変化に応じて発生させ、地域内の
各需要家に供給する地域冷暖房システムにおいて、一定
地域内のエネルギ−需要予測を行う場合がある。上記の
ような業種別、または地区別に需要特性の共通な小集合
に分割して予測し、得られた小集合毎の需要予測結果は
所定の演算方法によって地域内の総需要予測値に合成さ
れる。該演算方法としては、それぞれの予測値の和を取
る方法、一つまたは複数の予測値に部分的または全体的
な修正を施したのち和を取る方法等がある。
ムを図３を用いて説明する。一定地域内で必要な熱エネ
ルギーを需要量の経時変化に応じて発生させ、地域内の
各需要家に供給する地域冷暖房システムにおいて、一定
地域内のエネルギ−需要予測を行う場合がある。上記の
ような業種別、または地区別に需要特性の共通な小集合
に分割して予測し、得られた小集合毎の需要予測結果は
所定の演算方法によって地域内の総需要予測値に合成さ
れる。該演算方法としては、それぞれの予測値の和を取
る方法、一つまたは複数の予測値に部分的または全体的
な修正を施したのち和を取る方法等がある。
【００２６】本発明の第１の実施例で用いた需要予測装
置では、該小集合毎にそれぞれの需要特性に適した予測
手法や影響因子を選択して予測することができること、
該小集合ごとの予測値に個別に修正を加えることができ
ることにより予測精度が向上する。また、地域内の総需
要値に対する予測誤差の原因を小集合毎に検討できるの
で、予測誤差への対策が容易である。
置では、該小集合毎にそれぞれの需要特性に適した予測
手法や影響因子を選択して予測することができること、
該小集合ごとの予測値に個別に修正を加えることができ
ることにより予測精度が向上する。また、地域内の総需
要値に対する予測誤差の原因を小集合毎に検討できるの
で、予測誤差への対策が容易である。
【００２７】従って、本発明の第１の実施例に示した需
要予測装置を用いて、図３に示すように、予測結果に基
づいて運転計画作成手段６によりエネルギ−機器の運転
計画を作成する運転計画作成システムを構築することが
できる。運転計画作成手段６は、予測した需要量を満足
し、かつ運転費最小等の望ましい運転状態になるように
プラント機器の負荷配分と起動・停止時間を決定する機
能を持つ。
要予測装置を用いて、図３に示すように、予測結果に基
づいて運転計画作成手段６によりエネルギ−機器の運転
計画を作成する運転計画作成システムを構築することが
できる。運転計画作成手段６は、予測した需要量を満足
し、かつ運転費最小等の望ましい運転状態になるように
プラント機器の負荷配分と起動・停止時間を決定する機
能を持つ。
【００２８】さらに図４に示すように、予測結果に基づ
いて作成された運転計画７に従って運転制御手段８によ
りプラントの運転制御を行う制御システムにも利用でき
る。例えば、プラント機器として、大、中、小のガスタ
ービンを用いた場合、需要に応じて、稼働する大、中、
小のガスタービンの組合せを変えることにより、需要の
変化に対応することができ、効率的にエネルギーを供給
することができる。
いて作成された運転計画７に従って運転制御手段８によ
りプラントの運転制御を行う制御システムにも利用でき
る。例えば、プラント機器として、大、中、小のガスタ
ービンを用いた場合、需要に応じて、稼働する大、中、
小のガスタービンの組合せを変えることにより、需要の
変化に対応することができ、効率的にエネルギーを供給
することができる。
【００２９】
【発明の効果】以上のように本発明によれば、予測対象
集合を、複数の需要特性別の小集合に分類して予測する
ことにより、小集合毎に需要特性に適した予測方法で需
要予測を行うため、予想誤差が少なく、広範囲のエネル
ギー需要の予測に対応することができる。
集合を、複数の需要特性別の小集合に分類して予測する
ことにより、小集合毎に需要特性に適した予測方法で需
要予測を行うため、予想誤差が少なく、広範囲のエネル
ギー需要の予測に対応することができる。
【図１】本発明により提供される電力需要予測装置一例
の構成を示すブロック図。
の構成を示すブロック図。
【図２】業種別冷熱需要特性の一例を表すグラフ。
【図３】本発明により提供されるプラント運転計画シス
テムの構成を示すブロック図。
テムの構成を示すブロック図。
【図４】本発明により提供されるプラント運転制御シス
テムの構成を示すブロック図。
テムの構成を示すブロック図。
１…総需要予測値、２…演算手段、３…需要予測値、４
…需要予測手段、６…運転計画作成手段、７…運転計
画、８…運転制御手段、１１…需要パターン識別手段、
１２…影響因子予測手段、１３…影響因子、１４…需要
データ、１５…需要パターン別需要データ。
…需要予測手段、６…運転計画作成手段、７…運転計
画、８…運転制御手段、１１…需要パターン識別手段、
１２…影響因子予測手段、１３…影響因子、１４…需要
データ、１５…需要パターン別需要データ。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 中原 正二 茨城県日立市大みか町五丁目２番１号 株 式会社日立製作所大みか工場内 (72)発明者 吉岡 正博 茨城県日立市大みか町五丁目２番１号 株 式会社日立製作所大みか工場内 (72)発明者 坂内 正明 東京都千代田区神田駿河台四丁目６番地 株式会社日立製作所システム事業部内
Claims (5)
- 【請求項１】エネルギー需要のある複数の対象物で構成
される集合のエネルギー総需要量を予測する方法におい
て、 前記集合を類似した需要の特徴を有する小集合に分類
し、小集合毎の需要予測量を、過去の実績需要量と、需
要量に影響を与える影響因子とを用いて予測し、各小集
合の需要予測量を演算して総需要量を求めることを特徴
とする需要予測方法。 - 【請求項２】エネルギー需要のある対象物の集合につい
て、それぞれの需要パターンの特徴を識別して、識別さ
れたパターンをもとに、対象物の集合を類似した特徴を
有する小集合に分類する需要パターン識別手段と、分類
された小集合毎に需要量を予測する需要予測手段と、各
小集合の予測需要量を合成し予測総需要量を求める演算
手段とを有することを特徴とする需要予測システム。 - 【請求項３】請求項２において、前記需要予測手段は、
前記対象物の過去の実績値需要量と、需要に影響を与え
る影響因子とを用いて予測する特徴とする需要予測シス
テム。 - 【請求項４】エネルギーを発生させて、複数のエネルギ
ー需要のある対象物に対してエネルギーを供給するエネ
ルギープラントの、運転計画を作製する運転計画システ
ムにおいて、 エネルギー需要のある対象物の集合について、それぞれ
の需要パターンの特徴を識別して、識別されたパターン
をもとに、対象物の集合を類似した特徴を有する小集合
に分類する需要パターン識別手段と、分類された小集合
毎に需要量を予測する需要予測手段と、各小集合の予測
需要量を合成し予測総需要量を求める演算手段と、前記
予測総需要を用いてエネルギー発生プラントの運転計画
を作製する運転計画作製手段とを有することを特徴とす
る運転計画システム。 - 【請求項５】エネルギーを発生させて、複数のエネルギ
ー需要のある対象物に対してエネルギーを供給するエネ
ルギープラントの、運転を制御するプラント運転制御シ
ステムにおいて、 エネルギー需要のある対象物の集合を、需要の特徴を識
別して類似した特徴を有する小集合に分類する需要パタ
ーン識別手段と、分類された小集合毎に需要量を予測す
る需要予測手段と、各小集合の予測需要量を合成し予測
総需要量を求める演算手段と、前記予測総需要を用いて
エネルギー発生プラントの運転計画を作製する運転計画
作製手段と、前記運転計画に基づいて運転を制御する制
御手段とを有することを特徴とするプラント運転制御シ
ステム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP24614491A JPH0588714A (ja) | 1991-09-25 | 1991-09-25 | 広域需要予測方法および需要予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP24614491A JPH0588714A (ja) | 1991-09-25 | 1991-09-25 | 広域需要予測方法および需要予測装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0588714A true JPH0588714A (ja) | 1993-04-09 |
Family
ID=17144143
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP24614491A Pending JPH0588714A (ja) | 1991-09-25 | 1991-09-25 | 広域需要予測方法および需要予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0588714A (ja) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05119808A (ja) * | 1991-10-25 | 1993-05-18 | Toshiba Corp | 配水量パタン予測装置 |
| JPH0764609A (ja) * | 1993-08-31 | 1995-03-10 | Tokyo Gas Co Ltd | 需要予測データ作成方法およびシステム |
| JPH10117437A (ja) * | 1996-10-09 | 1998-05-06 | Fuji Electric Co Ltd | 日最大電力需要量予測方法 |
| JPH10326294A (ja) * | 1997-05-23 | 1998-12-08 | Matsushita Electric Ind Co Ltd | 環境解析シミュレーション用入力データ作成装置 |
| JP2002324112A (ja) * | 2001-04-25 | 2002-11-08 | Osaka Gas Co Ltd | ユーティリティ使用量予測システムおよび方法 |
| JP2006085645A (ja) * | 2004-09-17 | 2006-03-30 | Canon System Solutions Inc | データ予測装置及びデータ予測方法並びにプログラム |
| JP2006221482A (ja) * | 2005-02-14 | 2006-08-24 | Osaka Gas Co Ltd | 温室効果ガス排出量設定支援装置及び方法 |
| US7490501B2 (en) | 2002-10-01 | 2009-02-17 | Amada Company, Limited | Method of processing formed product, and metal cope and metal drag used for the method |
| JP2018088742A (ja) * | 2016-11-28 | 2018-06-07 | アイフォーコムホールディングス株式会社 | エネルギ需要予測システム |
-
1991
- 1991-09-25 JP JP24614491A patent/JPH0588714A/ja active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05119808A (ja) * | 1991-10-25 | 1993-05-18 | Toshiba Corp | 配水量パタン予測装置 |
| JPH0764609A (ja) * | 1993-08-31 | 1995-03-10 | Tokyo Gas Co Ltd | 需要予測データ作成方法およびシステム |
| JPH10117437A (ja) * | 1996-10-09 | 1998-05-06 | Fuji Electric Co Ltd | 日最大電力需要量予測方法 |
| JPH10326294A (ja) * | 1997-05-23 | 1998-12-08 | Matsushita Electric Ind Co Ltd | 環境解析シミュレーション用入力データ作成装置 |
| JP2002324112A (ja) * | 2001-04-25 | 2002-11-08 | Osaka Gas Co Ltd | ユーティリティ使用量予測システムおよび方法 |
| JP4608127B2 (ja) * | 2001-04-25 | 2011-01-05 | 大阪瓦斯株式会社 | ユーティリティ使用量予測システムおよび方法 |
| US7490501B2 (en) | 2002-10-01 | 2009-02-17 | Amada Company, Limited | Method of processing formed product, and metal cope and metal drag used for the method |
| JP2006085645A (ja) * | 2004-09-17 | 2006-03-30 | Canon System Solutions Inc | データ予測装置及びデータ予測方法並びにプログラム |
| JP2006221482A (ja) * | 2005-02-14 | 2006-08-24 | Osaka Gas Co Ltd | 温室効果ガス排出量設定支援装置及び方法 |
| JP2018088742A (ja) * | 2016-11-28 | 2018-06-07 | アイフォーコムホールディングス株式会社 | エネルギ需要予測システム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Taieb et al. | Forecasting uncertainty in electricity smart meter data by boosting additive quantile regression | |
| Chan et al. | Prioritizing the technical measures in quality function deployment | |
| CN110458340B (zh) | 基于模式分类的建筑空调冷负荷自回归预测方法 | |
| US5566084A (en) | Process for identifying patterns of electric energy effects of proposed changes, and implementing such changes in the facility to conserve energy | |
| González-Vidal et al. | Data driven modeling for energy consumption prediction in smart buildings | |
| CN104657788B (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
| Senjyu et al. | Future load curve shaping based on similarity using fuzzy logic approach | |
| CN107750323A (zh) | 用于控制空调装置的激活的方法及其设备 | |
| Balachandra et al. | Modelling electricity demand with representative load curves | |
| CN110245798A (zh) | 一种写字楼电力系统月度用电量预测方法及系统 | |
| Sülo et al. | Energy efficient smart buildings: LSTM neural networks for time series prediction | |
| JPH0588714A (ja) | 広域需要予測方法および需要予測装置 | |
| CN110782094A (zh) | 一种居民用户细粒度用电行为的分项负荷预测方法 | |
| Killian et al. | Short-term occupancy prediction and occupancy based constraints for MPC of smart homes | |
| Maki et al. | Employing electricity-consumption monitoring systems and integrative time-series analysis models: A case study in Bogor, Indonesia | |
| Nair et al. | Optimal operation of residential EVs using DNN and clustering based energy forecast | |
| Jain et al. | Data predictive control for peak power reduction | |
| Gellings et al. | Electric load curve synthesis-a computer simulation of an electric utility load shape | |
| CN111652422A (zh) | 基于建筑物分类的供热系统负荷预测方法、装置及系统 | |
| Gerossier et al. | A novel method for decomposing electricity feeder load into elementary profiles from customer information | |
| JP3927040B2 (ja) | 配電系統負荷推定装置 | |
| Huang et al. | Load forecasting based on deep long short-term memory with consideration of costing correlated factor | |
| CN112288278A (zh) | 一种基于知识图谱的设备资产管理方法 | |
| Azad et al. | Grid serving deployment of smart meter data in the context of distribution grid automation | |
| Popoola et al. | Residential lighting load profile modelling: ANFIS approach using weighted and non-weighted data |