JPH07123589A - 需要予測装置 - Google Patents

需要予測装置

Info

Publication number
JPH07123589A
JPH07123589A JP26067593A JP26067593A JPH07123589A JP H07123589 A JPH07123589 A JP H07123589A JP 26067593 A JP26067593 A JP 26067593A JP 26067593 A JP26067593 A JP 26067593A JP H07123589 A JPH07123589 A JP H07123589A
Authority
JP
Japan
Prior art keywords
temperature
value
predicted
demand
day
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
Application number
JP26067593A
Other languages
English (en)
Inventor
Kenzo Yonezawa
憲造 米沢
Hikari Hoshi
光 星
Tadashi Nakamaru
正 中丸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toshiba Corp
Original Assignee
Toshiba Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toshiba Corp filed Critical Toshiba Corp
Priority to JP26067593A priority Critical patent/JPH07123589A/ja
Publication of JPH07123589A publication Critical patent/JPH07123589A/ja
Pending legal-status Critical Current

Links

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)
  • Control Of Temperature (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Sampling And Sample Adjustment (AREA)

Abstract

(57)【要約】 【目的】 需要量予測値の精度を大幅に向上させること
にある。 【構成】 前日に翌日を予想した最低気温，最高気温な
どに基づいて翌日の電力などの需要量を予測する需要量
予測値演算手段１１と、日の出近傍時刻の外気温度実測
値から前記最低気温予想値を修正し前記演算手段を用い
て需要量を修正演算する第１の気温予想値修正演算手段
１２と、予め外気温度日変動モデル式を記憶する外気温
度日変動モデル式記憶手段３１およびこのモデル式を用
いて日の出近傍時刻以降の午前のある時刻において外気
温度実測値および日の出近傍時刻に求めた外気温度実測
値を用いて最高温度を推定する最高温度予想値推定演算
手段３３とを有する最高温度予想手段３と、この推定最
高温度を用いて前日に予想された前記最高気温予想値を
修正し前記演算手段１１を用い、さらに需要量を修正演
算する第２の気温予想値修正演算手段１２とを設けた需
要予測装置である。

Description

【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明は、電力活用システム、地
域冷暖房システムなどの熱の安定供給、効率的な運用を
確保するために利用される需要予測装置に係わり、特に
気象情報に基づいて電力やビル等で消費される熱等の需
要量を正確に予測する需要予測装置に関する。
【０００２】
【従来の技術】地域冷暖房プラントは、ボイラ，ターボ
冷凍機，吸収冷凍機，ヒートポンプなどの熱源機器や蓄
熱槽から構成されているが、以上のようなプラントにお
いてエネルギーを有効に活用するためには、熱需要量や
エネルギー発生量を的確に予測し、前記各構成機器の高
性能・高効率化運転を行うとともに、プラントの総合的
な観点から最適化運転を実行する必要がある。
【０００３】地域冷暖房制御システムでは、熱の安定供
給と蓄熱システムの効率的な運用が重要であり、特に夜
間電力の利用やピークカット運転を行うためには、熱需
要の予測に従った計画的な運転が必要になってくる。
【０００４】そこで、熱需要の予測を取りいれたプラン
トの運用計画を決定する場合、前日に翌日の熱需要を予
測する一方、ビルの空調負荷が大きくなる正午すぎごろ
に備えて、当日の午前中に前記予測量を修正し、当日で
の現時点以降の熱需要の正確な量および傾向を把握し、
当日の運用運転計画を再検討する。そして、必要があれ
ば、運用運転計画を修正し、現状に合った操業を続け
る。なお、熱需要の多くの部分はビルの空調用に利用さ
れることから、当日の気象条件に大きく影響される。
【０００５】一方、電気の需要は、景気の動向，季節や
曜日の違い，社会的なイベントのテレビ放映による視聴
率の変化などの影響を受け、多数の需要家が必要な時に
必要な量の電力を消費することになり、各日ごとに時々
刻々と複雑に変動するものである。特に、近年では、生
活水準の向上や安全で便利な電気の利用増加から、一般
家庭にはクーラーを含む冷房機器或いは電気カーペッ
ト、冷暖房兼用のルームエアコンなどの冷暖房機器が普
及しており、また各ビルの事務所や電子機器・精密機器
工場などには各種の空調設備が設置されているが、これ
らの設備の運転は、年間を通じて気温，湿度，天候など
の気象要因の変化に敏感に影響され、しかも近年の天候
不順による影響も手伝ってその電力変動量も年々大きく
なっている。
【０００６】ところで、従来、具体的な需要予測手法と
しては、統計的な手法がよく用いられている。この手法
にも事象のとらえ方により種々の予測方法が考えられて
いる。
【０００７】その中でも代表的な方法は、 （１） 線形回帰や重回帰による統計的予測方法 （２） カルマンフィルタによる予測方法 が上げられる。線形回帰は最も基本的な統計的予測方法
である。また、重回帰は線形回帰の拡張と考えられ、ど
ちらも基本的には多次元一次式を用いて対象の予測値を
求めるものである。この多次元一次式を用いて予測する
方法は、推定区間の設定や許容誤差の範囲等により、各
種の事象の予測に利用されている。
【０００８】この多次元一次式は、幾つかの説明変数と
回帰係数とをかけて和をとったものであり、例えば熱需
要や電力需要の予測に用いる説明変数は前日の需要実績
値，翌日の最適気温予測値，翌日の最高気温予測値など
が用いられる。回帰係数は多くの入力データを用いて統
計的に求めている。
【０００９】一方、カルマンフィルタによる予測方法
は、回帰予測と同じ多次元一次式を用いて予測する。回
帰分析と異なる点は回帰係数の求め方にある。回帰分析
では複数のデータと正規方程式と呼ばれる連立１次方程
式を立て、これを回帰係数について解くことにより求め
ている。これに対し、カルマンフィルタによる方法は、
予測値のフィードバックを考えることにより、回帰係数
を求めるための計算が簡略化されている。
【００１０】次に、統計的手法以外の予測手法として
は、ファジィ理論を利用したもの、ニューラルネットワ
ークを利用したもの、さらには最近ではファジィとニュ
ーラルネットワークとを組合せたものが発表されてい
る。
【００１１】
【発明が解決しようとする課題】従って、以上述べたよ
うに電気の需要は、年間を通して気温，湿度，天候など
の気象要因の変化に敏感に影響され、またその需要の変
動量も年々大きくなっている。因みに、東京電力では、
気温の変化に対する電力需要の変動について、図５のよ
うな調査報告書をまとめている。この調査報告書は、夏
季の東京における最高気温と最大需要電力との関係につ
いてグラフ化しているが、この図から明らかなように３
０°Ｃ付近での１°Ｃの温度変化に対し、需要の変動量
は約１１０ｋｗ程度になっている。
【００１２】このように需要が大きく変動する原因は、
夏季における最大電力のうち，約１／３が冷房需要で占
められているためである。冬季は、夏季ほどではない
が、電力需要と気温との間には強い相関がある。これは
気温の低下によって暖房需要が増加するためである。
【００１３】また、ビルの冷暖房用に使用する，地域冷
暖房システムでの熱需要についても、当然電力と同様に
気象，特に気温との間に強い相関関係がある。このよう
に需要予測には気象情報の予測が必要不可欠なものであ
るが、気象庁から発表された気象情報の予測はあくまで
も前日における翌日の気象情報の予測であり、それだけ
に気象情報の予測に基づいて電力や熱の需要予測を行っ
ても精度的に問題があり、信頼性の高い需要予測ができ
なかった。本発明は上記実情に鑑みてなされたものであ
って、需要の予測値の精度を大幅に上げうる需要予測装
置を提供することを目的とする。
【００１４】
【課題を解決するための手段】上記課題を解決するため
に、請求項１に対応する発明は、前日に翌日の最低気温
予想値および最高気温予想値などに基づいて翌日の電力
や熱などの需要量を演算予測する需要量予測値演算手段
と、当日の最低気温の生ずる日の出近傍時刻の外気温度
実測値から前記最低気温予想値を修正して、前記需要量
予測値演算手段を用いて前記需要量を修正演算予測する
第１の気温予想値修正演算手段と、前記日の出近傍時刻
から午前中のある時刻までの外気温度実測値および照度
の実測推移に基づいて最高温度を予想する最高温度予想
手段と、この最高温度予想手段によって予想された最高
温度を用いて前記前日に予想された前記最高気温予想値
を修正して、前記需要量予測値演算手段を用いて、さら
に需要量を修正演算予測する第２の気温予想値修正演算
手段とを設けた需要予測装置である。
【００１５】次に、請求項２に対応する発明は、前日に
翌日の最低気温予想値および最高気温予想値などに基づ
いて翌日の電力や熱などの需要量を演算予測する需要量
予測値演算手段と、当日の最低気温の生ずる日の出近傍
時刻の外気温度実測値から前記最低気温予想値を修正し
て、前記需要量予測値演算手段を用いて前記需要量を修
正演算予測する第１の気温予想値修正演算手段と、予め
空調シミュレーションなどに用いられている外気温度日
変動モデル式を記憶する外気温度日変動モデル式記憶手
段および前記外気温度日変動モデル式を用いて日の出近
傍時刻以降の午前のある時刻において外気温度実測値お
よび前記日の出近傍時刻に求めた外気温度実測値を用い
て最高温度を予想する最高温度予想値推定演算手段とを
有する最高温度予想手段と、この最高温度予想手段によ
って予想された最高温度の予想値を用いて前記前日の最
高気温予想値を修正して、前記需要量予測値演算手段を
用いて、さらに需要量を修正演算予測する第２の気温予
想値修正演算手段とを設けた需要予測装置である。
【００１６】さらに、請求項３に対応する発明は、前日
に翌日の最低気温予想値および最高気温予想値などに基
づいて翌日の電力や熱などの需要量を演算予測する需要
量予測値演算手段と、当日の最低気温の生ずる日の出近
傍時刻の外気温度実測値から前記最低気温予想値を修正
して、前記需要量予測値演算手段を用いて前記需要量を
修正演算予測する第１の気温予想値修正演算手段と、季
節および照度に基づいて複数の外気温度日変動モデル式
に分類記憶され、毎日の外気温度から当該モデル式に用
いる係数および最高気温の生ずる時刻データなどを学習
するモデル式分類学習手段および当日の季節および照度
を引数として最適な外気温度日変動モデル式を検索し、
このモデル式を用いて日の出近傍時刻以降の午前のある
時刻において外気温度実測値および前記日の出近傍時刻
に求めた外気温度実測値を用いて最高温度を予想する最
高温度予想値推定演算手段を有する最高温度予想手段
と、この最高温度予想手段によって予想された最高温度
を用いて前記前日の最高気温予想値を修正して、前記需
要量予測値演算手段を用いて、さらに需要量を修正演算
予測する第２の気温予想値修正演算手段とを設けた需要
予測装置である。
【００１７】
【作用】従って、請求項１に対応する発明は、以上のよ
うな手段を講じたことにより、需要量予測値演算手段に
て前日に予想された最低気温予想値および最高気温予想
値を用いて翌日の電力、熱などの需要予測を行うが、当
日に至ったときには、最低気温の生ずる日の出近傍時刻
の外気温度実績値を取り込んで前記最低気温予想値と置
換して当日の需要量を修正し、さらに日の出近傍時刻か
ら午前中のある時刻までの外気温度実測値や照度の実測
推移に基づいて当日の最高温度を予想し、同様に前日の
最高気温予想値と置換して当日の需要量を修正するの
で、精度の高い需要量を予測できる。
【００１８】次に、請求項２に対応する発明において
は、請求項１に対応する発明と同様に日の出近傍時刻の
外気温度実績値を取り込んで前記最低気温予想値と置換
して当日の需要量を修正するが、特に最高温度予想手段
において予めで得られる外気温度日変動モデル式を記憶
し、この外気温度日変動モデル式を適用して最高温度を
予想し、この予想された最高温度に従って需要量を修正
するので、さらに精度の高い需要量を予測できる。
【００１９】さらに、請求項３に対応する発明は、季節
および照度に基づいて外気温度日変動モデル式を分類分
けし、当日の季節，照度に応じて最適とされるモデル式
を用いて最高温度を予想し、しかも各モデル式に用いる
係数や最高温度の生ずる時刻を学習し、モデル式に生か
すようにするので、最高温度の予想に基づいて非常に精
度の高い需要量を予測できる。
【００２０】
【実施例】以下、本発明装置の実施例について図面を参
照して説明する。図１は請求項１に係わる発明の一実施
例を示す全体構成図である。同図において１は前日の夜
に気象庁から発表される翌日の最高気温予想値や最低気
温予想値などを用いて需要量を予測する需要量予測モデ
ルである。この需要量予測モデル１は、機能的には例え
ば重回帰モデルやニューラルネットワーク等を用いて電
力や熱などの需要量を予測する需要量予測値演算手段１
１と、当日の早い時刻に最低気温および最高気温を予想
し、これらの気温を前日の最低気温予想値および最高気
温予想値と置換して、前記需要量予測値演算手段１１を
用いて再度需要量を予測する気温予想値修正演算手段１
２とが設けられている。
【００２１】この需要量予測値演算手段１１、具体的に
は、この種の分野でよく行われるように、予測対象の変
数がその過去のデータの時系列で表せるとみなし、例え
ば次のような演算式を用いて翌日の需要量予測値Ｙk を
求める。
【００２２】 ＹK ＝ａ1 ・ｙK-1 ＋ａ2 ・ｙK-2 ＋ｂ1 ・ｘ1 ＋ｂ2 ・ｘ2 ＋ｃ…（１） 但し、この式においてｙK-1 ：前日の需要量実績値，ｙ
K-2 ：前前日需要量実績値，ｘ1 ：気象庁から発表され
る翌日の最低気温予想値，ｘ2 ：気象庁から発表される
翌日の最高気温予想値、ａ1 ，ａ2 ，ｂ1 ，ｂ2 ，ｃ：
モデルパラメータである。従って、需要量予測モデル１
としては、需要量予測値Ｙk を演算するために必要な各
種データを保存する記憶ファイルや時間を刻時し予め定
めた時間に気温修正のための最低気温および最高気温を
取り込むための機能が設けられている。
【００２３】２はパラメータ同定手段であって、これは
需要量予測モデル１において需要量予測値Ｙk を求める
ときに使用するモデルパラメータを求めるものであり、
そのうち、ａ1 ，ａ2 ，ｂ1 ，ｂ2 は回帰モデルのパラ
メータであり、ｃは定数項である。このａ1 ，ａ2 ，ｂ
1 ，ｂ2 等のパラメータは重回帰モデルなどの過去の実
績データを用いて統計的手法によって求める。このパラ
メータ同定手段２には過去の実績データである最高気温
実績値，最低気温実績値を求めるために外気温度を取り
込んで保存する記憶手段が設けられている。この記憶手
段には過去の実績データとして需要量実績値も記憶され
る。
【００２４】なお、カルマンフィルタの理論を用いる場
合には、ｃはシステムのノイズ（白色ガウス雑音）であ
る。さらに、需要量予測モデル１の気温予想値修正演算
手段１２では、前述したように最低気温予想値，最高気
温予想値を修正する機能をもっており、そのうち最低気
温予想値の修正は次のようにして行われる。つまり、最
低気温の生ずる日の出時刻前後ごろの外気温度の実測値
を取り込み、この取り込んだ外気温度の実測値を前記
（１）式に代入し、当日の需要量予測値を修正する。次
に、気温予想値修正演算手段１２により最高気温予想値
を修正するが、この場合には最高気温予想手段３による
最高気温の予想値に基づいて修正処理を行う。
【００２５】この最高気温予想手段３は、前記最低気温
の生ずる日の出時刻から例えば午前９時ごろまでの実際
の外気温度，照度（天候）の実測推移から当日の最高温
度（午後２時〜３時ごろに生ずる温度）を予想し、この
予想最高気温と日の出時刻前後に取り込んだ最低気温と
を前記（１）式に代入し、当日の需要量予測値を修正す
る。
【００２６】次に、請求項２に係わる発明の一実施例に
ついて図２および図３を参照して説明する。この実施例
は、実際の外気温度等の実測値を用いて最高気温を予想
する最高気温予想手段３を下記のように行う。機能的に
は、図３に示す外気温度の日変動モデルから得られる外
気温度日変動モデル式を記憶するモデル式記憶手段３１
と、所定の時分ごとに実績の外気温度を記憶する外気温
度記憶手段３２と、この外気温度記憶手段３２に記憶さ
れた外気温度から求める最低温度とモデル式記憶手段３
１のモデル式とを用いて最高気温を予想する最高気温予
想値推定演算手段３３とによって構成されている。
【００２７】先ず、外気温度日変動モデル式を求める必
要があるが、図３の外気温度の日変動モデルから求める
ものである。図３は空調設備の設計・解析時に行われる
シミュレーションなどでよく使われる外気温度の日変動
モデルを表した図である。これは、１日の外気温度につ
いて、最低気温の生ずる時刻（日の出時刻）から最高気
温の生ずる時刻（午後２時〜３時）までの区間Ｂと、最
高気温の生ずる時刻から翌日の最低気温の生ずる時刻ま
での区間Ａとに２分し、これらを三角関数のｃｏｓ曲線
で近似したものであるこの実施例では、最高気温予想値
推定演算手段３３において区間Ｂのモデル式を利用し、
外気温度Ｔａ，最低温度Ｔmin などから最高気温予想値
Ｔmax を推定することにあり、具体的には下記式によっ
て表わすことができる。
【００２８】 Ｔａ＝Ｔmin ＋（Ｔmax −Ｔmin ）・ ｛ｂ0 ＋ｂ1 cos ｗ＋ｂ2 cos （２ｗ＋ｂ3 ）｝ ……（２） ここで、時刻ｔはｔmn＜ｔ＜ｔmx、ｔmn：日の出時刻、
ｔmx：最高気温の生ずる時刻（例えば１５時）、Ｔmin
：最低気温（日の出時刻の外気温度）、Ｔmax：最高気
温である。
【００２９】 ｗ＝（ｔ−ｔmn）π／（ｔmx−ｔmn） ……（３） よく用いられるｂ0 ，ｂ1 ，ｂ2 ，ｂ3 の数値例を下記
に示す。 ｂ0 ＝０．５８４、ｂ1 ＝−０．５、ｂ2 ＝−０．１、ｂ3 ＝０．５６７ ……（４） これらｂ0 ，ｂ1 ，ｂ2 ，ｂ3 の係数は前記（２）式に
既知の複数のＴａ，Ｔmi，Ｔmax 等の実績値を代入した
ときに、右辺と左辺とが近似する関係になるように統計
的手法によって求められる。
【００３０】なお、ｔmnの日の出時刻は年月日と緯度，
経度を与えれば計算できる。すなわち、この実施例は、
請求項１の発明と同様に需要量予測モデル１の気温予想
値修正演算手段１２にて日の出時刻ごろの実際の外気温
度実測値を取り込んで前日に気象庁から発表された最低
気温予想値と置換正し、前記（１）式を用いて当日の需
要量予測値を修正する。このときの外気温度実測値がＴ
min である。
【００３１】次に、最高気温予想値推定演算手段３３に
て例えば午前９時（ｔ＝９）頃に実際の外気温度Ｔａを
計測する。このとき、Ｔmin も既知となっているので、
これらｔ，Ｔａ，Ｔmin を前記（２）式に代入すると、
この（２）式から簡単に最高気温予想値Ｔmax を逆算す
ることができる。
【００３２】そこで、最高気温予想値推定演算手段３３
によって予想された最高気温予想値Ｔmax を求めたなら
ば、このＴmax を需要量予測モデル１に送出する。ここ
で、需要量予測モデル１の気温予想値修正演算手段１２
では、Ｔmax が前日の気象庁発表の最高気温予想値より
も確度の高い最高気温予想値なので、このＴmax および
既知Ｔmin とを用いて前記（１）式から当日の需要量予
測値を修正するものである。
【００３３】次に、請求項３に係わる発明の実施例につ
いて図４を参照して説明する。この実施例は、請求項２
と同様に最高気温予想手段３を改良したものである。こ
の最高気温予想手段３は、機能的には季節や照度（天
候）などによって係数ｂ0 ，ｂ1 ，ｂ2 ，ｂ3 および最
高気温の生ずる時刻ｔmxが異なる前記（２）式の複数の
モデル式に分類し学習記憶する外気温度日変動モデル式
分類学習手段３４と、季節や計測照度等に基づいて前記
分類学習手段３４から最適なモデル式を検索する外気温
度日変動モデル式検索手段３５と、最高気温予想値推定
演算手段３３とによって構成されている。
【００３４】なお、外気温度日変動モデル式分類学習手
段３４は、初期設定時には過去の経験に基づいて必要な
係数ｂ0 ，ｂ1 ，ｂ2 ，ｂ3 および最高気温の生ずる時
刻ｔmxをもつ分類分けした複数のモデル式を仮に記憶す
る。或いは、学習前なので、どのモデル式の係数とも同
じ値、例えば前記（４）式の値に仮設定しておく。
【００３５】次に、毎日の外気温度の日変動パターンを
得るために、外気温度を例えば３０分間隔で一定期間実
測し、それを季節，照度（天候）により、幾つかに分類
して記憶する。この分類された外気温度日変動パターン
のデータを用いれば、季節，照度（天候）ごとに最高気
温の生ずる時刻ｔmxが求まり、さらに最小２乗法などの
統計的手法を用いれば、季節，照度ごとに幾つかに分類
した、外気温度日変動モデル式の係数ｂ0 ，ｂ1 ，ｂ
2 ，ｂ3 を得ることができ、ひいては最適なモデル式を
作成できる。
【００３６】請求項２で示した（４）式のｂ0 ，ｂ1 ，
ｂ2 ，ｂ3 やｔmxの値は、ほぼ季節，天候，地域にかか
わらず、一般的に成立するものであるが、その分だけ精
度が高いとはいえない。
【００３７】そこで、この実施例では、それぞれの地域
の気象条件や季節を考慮に入れながら統計的手法によっ
て学習すれば、その気象条件にあった精度のよいモデル
式を得ることができる。
【００３８】従って、以上のような実施例の構成によれ
ば、先ず最初に季節，照度および過去の経験等を踏まえ
ながら複数種類の係数ｂ0 〜ｂ3 および最高気温の生ず
る時刻ｔmxを設定し、これに伴って複数の外気温度日変
動モデル式に仮に分類分けする。或いは、学習前なの
で、どのモデル式の係数とも同じ値、例えば前記の
（４）式の値に仮に設定しておく。しかる後、実際に照
度，外気温度を一定期間取り込んで、係数ｂ0 ，ｂ1 ，
ｂ2 ，ｂ3 および最高気温の生ずる時刻ｔmxを学習し、
その地域の気象条件にあった係数ｂ0 ，ｂ1 ，ｂ2 ，ｂ
3 および最高気温の生ずる時刻ｔmxを見い出す。
【００３９】このようして学習した後、前日に気象庁か
ら発表される翌日の最低気温予想値および最高気温予想
値を需要量予測モデル１に供給し、前記（１）式に基づ
いて翌日の需要量予測値を求めて出力する。つまり、翌
日の需要量予測値を知ることにより、構成機器の準備そ
の他の対策等を立てることになる。
【００４０】そして、実際の当日、需要量予測モデル１
が自身の時間計測手段により最低気温とされる日の出時
刻の前後にスイッチ手段を切り替え、最低気温実測値を
取り込み、前日の最低気温予想値と置換し、再度前記
（１）式に基づいて当日の最低気温実測値に基づいて需
要量を予測する。
【００４１】さらに、午前９時頃、最高気温予想値推定
演算手段３３は、実際に外気温度を実測する一方、照度
計測データを外気温度日変動モデル式検索手段３５に送
出する。ここで、外気温度日変動モデル式検索手段３５
は、照度計測データと季節とから、分類学習された外気
温度日変動モデル式を検索する。
【００４２】ここで、最高気温予想値推定演算手段３３
は、外気温度日変動モデル式検索手段３５によって検索
された（２）式に相当するモデル式を用い、現在の外気
温度実測値と日の出近傍時刻に既に計測した最低温度気
温実測値とを代入し、当日の最高気温予想値Ｔmax を逆
算し、需要量予測モデル１に送出する。
【００４３】この需要量予測モデル１では、最高気温予
想値推定演算手段３３によって求めた確度の高い最高気
温予想値Ｔmax と既に測定した最低気温実績値とを用
い、前記（１）式に基づいて当日の需要量予測値を修正
する。
【００４４】なお、上記実施例では、需要予測を求める
統計的手法として（１）式を用いたが、要は前日に翌日
の最低気温予想値および翌日の最高気温予想値を含むも
のであれば、他の形式による式を用いて求めてもよい。
また、需要に影響を与える他の変数として、例えば湿度
などを含めてよいものである。
【００４５】また、需要予測を求める手法としては、前
日に翌日の最低気温予想値および翌日の最高気温予想値
を含むものであれば、統計的手法以外の構成、例えばニ
ューラルネットワークその他の手法を用いて求めるよう
にしてもよい。その他、本発明はその要旨を逸脱しない
範囲で種々変形して実施できる。
【００４６】
【発明の効果】以上説明したように本発明によれば、既
に前日に予想した最低気温予想値および最高気温予想値
に基づいて翌日の需要量を予測するが、当日の午前中の
早い時期に時々刻々変化する外気温度実測値や照度に基
づいて最低気温および最高気温の予想値を精度よく修正
し、当該最低気温および最高気温に基づいて正確に需要
量を修正するので、需要量予測値の精度を大幅に向上さ
せることができる。
【図面の簡単な説明】
【図１】請求項１に係わる発明の一実施例を示す構成
図。
【図２】請求項２に係わる発明の一実施例を示す構成
図。
【図３】図２において最高温度を予想するときに用いる
外気温度日変動モデルを図式化した図。
【図４】請求項３に係わる発明の一実施例を示す構成
図。
【図５】東京電力によって調査報告された夏期の電力と
温度との関係を示す図。
【符号の説明】
１…需要量予測モデル、２…パラメータ同定手段、３…
最高気温予想手段、１１…需要量予測値演算手段、１２
…気温予想値修正演算手段、３１…外気温度日変動モデ
ル式記憶手段、３３…最高気温予想値推定演算手段、３
４…外気温度日変動モデル式分類学習手段。

Claims (3)

    【特許請求の範囲】
  1. 【請求項１】 前日に翌日の最低気温予想値および最高
    気温予想値などに基づいて翌日の電力や熱などの需要量
    を演算予測する需要量予測値演算手段と、 当日の最低気温の生ずる日の出近傍時刻の外気温度実測
    値から前記最低気温予想値を修正して、前記需要量予測
    値演算手段を用いて前記需要量を修正演算予測する第１
    の気温予想値修正演算手段と、 前記日の出時刻前後から午前中のある時刻までの外気温
    度実測値および照度の実測推移に基づいて最高温度を予
    想する最高温度予想手段と、 この最高温度予想手段によって予想された最高温度を用
    いて前記前日に予想された前記最高気温予想値を修正し
    て、前記需要量予測値演算手段を用いて、さらに需要量
    を修正演算予測する第２の気温予想値修正演算手段と、 を備えたことを特徴とする需要予測装置。
  2. 【請求項２】 前日に翌日の最低気温予想値および最高
    気温予想値などに基づいて翌日の電力や熱などの需要量
    を演算予測する需要量予測値演算手段と、 当日の最低気温の生ずる日の出近傍時刻の外気温度実測
    値から前記最低気温予想値を修正して、前記需要量予測
    値演算手段を用いて前記需要量を修正演算予測する第１
    の気温予想値修正演算手段と、 予め空調シミュレーションなどに用いられている外気温
    度日変動モデル式を記憶する外気温度日変動モデル式記
    憶手段および前記外気温度日変動モデル式を用いて日の
    出近傍時刻以降の午前のある時刻において外気温度実測
    値および前記日の出近傍時刻に求めた外気温度実測値を
    用いて最高温度を推定する最高温度予想値推定演算手段
    とを有する最高温度予想手段と、 この最高温度予想手段によって推定された最高温度を用
    いて前記前日に予想された前記最高気温予想値を修正し
    て、前記需要量予測値演算手段を用いて、さらに需要量
    を修正演算予測する第２の気温予想値修正演算手段と、 を備えたことを特徴とする需要予測装置。
  3. 【請求項３】 前日に翌日の最低気温予想値および最高
    気温予想値などに基づいて翌日の電力や熱などの需要量
    を演算予測する需要量予測値演算手段と、 当日の最低気温の生ずる日の出近傍時刻の外気温度実測
    値から前記最低気温予想値を修正して、前記需要量予測
    値演算手段を用いて前記需要量を修正演算予測する第１
    の気温予想値修正演算手段と、 季節および照度に基づいて複数の外気温度日変動モデル
    式に分類記憶され、毎日の外気温度から当該モデル式に
    用いる係数および最高気温の生ずる時刻データなどを学
    習するモデル式分類学習手段および当日の季節および照
    度を引数として最適な外気温度日変動モデル式を検索
    し、このモデル式を用いて日の出近傍時刻以降の午前の
    ある時刻において外気温度実測値および前記日の出近傍
    時刻に求めた外気温度実測値を用いて最高温度を推定す
    る最高温度予想値推定演算手段を有する最高温度予想手
    段と、 この最高温度予想手段によって推定された最高温度の予
    想値を用いて前記前日の最高気温予想値を修正して、前
    記需要量予測値演算手段を用いて、さらに需要量を修正
    演算予測する第２の気温予想値修正演算手段と、 を備えたことを特徴とする需要予測装置。
JP26067593A 1993-10-19 1993-10-19 需要予測装置 Pending JPH07123589A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP26067593A JPH07123589A (ja) 1993-10-19 1993-10-19 需要予測装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP26067593A JPH07123589A (ja) 1993-10-19 1993-10-19 需要予測装置

Publications (1)

Publication Number Publication Date
JPH07123589A true JPH07123589A (ja) 1995-05-12

Family

ID=17351214

Family Applications (1)

Application Number Title Priority Date Filing Date
JP26067593A Pending JPH07123589A (ja) 1993-10-19 1993-10-19 需要予測装置

Country Status (1)

Country Link
JP (1) JPH07123589A (ja)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000333367A (ja) * 1999-05-19 2000-11-30 Toshiba Corp 熱電需要予測システム
JP2004164388A (ja) * 2002-11-14 2004-06-10 Yokogawa Electric Corp 需要予測システム
JP2004355460A (ja) * 2003-05-30 2004-12-16 Sanki Eng Co Ltd エネルギ需要予測方法及びエネルギ管理方法
JP2009153252A (ja) * 2007-12-19 2009-07-09 Toko Electric Corp デマンド監視システム
JP2015023724A (ja) * 2013-07-22 2015-02-02 富士通株式会社 電力消費量予測システム、方法、及びプログラム
JP2015090639A (ja) * 2013-11-07 2015-05-11 東京瓦斯株式会社 エネルギー消費量予測システムおよびエネルギー消費量予測方法
JP2015096831A (ja) * 2013-11-15 2015-05-21 沖電気工業株式会社 情報処理装置、情報処理方法及びプログラム
WO2016098320A1 (ja) * 2014-12-17 2016-06-23 パナソニックＩｐマネジメント株式会社 運用管理サーバ、運用管理システムおよび運用管理方法
JP2016142555A (ja) * 2015-01-30 2016-08-08 中国電力株式会社 気温予測システム、気温予測方法およびプログラム
JP2018021856A (ja) * 2016-08-05 2018-02-08 三菱電機株式会社 気象情報予測装置および電力需要予測装置

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000333367A (ja) * 1999-05-19 2000-11-30 Toshiba Corp 熱電需要予測システム
JP2004164388A (ja) * 2002-11-14 2004-06-10 Yokogawa Electric Corp 需要予測システム
JP2004355460A (ja) * 2003-05-30 2004-12-16 Sanki Eng Co Ltd エネルギ需要予測方法及びエネルギ管理方法
JP2009153252A (ja) * 2007-12-19 2009-07-09 Toko Electric Corp デマンド監視システム
JP2015023724A (ja) * 2013-07-22 2015-02-02 富士通株式会社 電力消費量予測システム、方法、及びプログラム
JP2015090639A (ja) * 2013-11-07 2015-05-11 東京瓦斯株式会社 エネルギー消費量予測システムおよびエネルギー消費量予測方法
JP2015096831A (ja) * 2013-11-15 2015-05-21 沖電気工業株式会社 情報処理装置、情報処理方法及びプログラム
WO2016098320A1 (ja) * 2014-12-17 2016-06-23 パナソニックＩｐマネジメント株式会社 運用管理サーバ、運用管理システムおよび運用管理方法
JP2016142555A (ja) * 2015-01-30 2016-08-08 中国電力株式会社 気温予測システム、気温予測方法およびプログラム
JP2018021856A (ja) * 2016-08-05 2018-02-08 三菱電機株式会社 気象情報予測装置および電力需要予測装置

Similar Documents

Publication Publication Date Title
Xu et al. Improving prediction performance for indoor temperature in public buildings based on a novel deep learning method
Zhang et al. A systematic feature selection procedure for short-term data-driven building energy forecasting model development
Yun et al. Building hourly thermal load prediction using an indexed ARX model
US10223167B2 (en) Discrete resource management
US8620634B2 (en) Energy resource allocation including renewable energy sources
US9395712B2 (en) Building energy usage reduction by automation of optimized plant operation times and sub-hourly building energy forecasting to determine plant faults
CN103513632B (zh) 能源管理系统
CN108709287B (zh) 一种空调系统冷负荷预测方法及冷水机组群控的策略
JP2013005465A (ja) 負荷量予測装置、負荷量予測方法および負荷量予測プログラム
JPH07123589A (ja) 需要予測装置
KR102028601B1 (ko) 시설물의 에너지 사용량 예측 방법 및 장치
KR102628551B1 (ko) 하이브리드 타입 단기 전력수요 예측 장치 및 방법
CN108346009A (zh) 一种基于用户模型自学习的电力生产配置方法和装置
CN110298765A (zh) 一种基于客观关联因素的配电网用电功率异常检测方法
Shabani et al. Predicting building energy consumption using engineering and data driven approaches: A review
JPH09273795A (ja) 熱負荷予測装置
Palak et al. Smart building energy management using deep learning based predictions
Steindl et al. Comparison of black box models for load profile generation of district heating networks
JP3160693B2 (ja) 熱負荷予測装置
JP2021131627A (ja) Ｄｒ発動予測システム
CN116432524A (zh) 一种变压器油温预测方法、装置、设备及存储介质
Nguyen et al. A machine learning-based approach for the prediction of electricity consumption
Spencer et al. Forecasting internal temperature in a home with a sensor network
JPH07151369A (ja) 熱負荷予測装置およびプラント熱負荷予測装置
Pichler et al. Test buildings with TABS for MPC-performance evaluation—Comparability and system identification