JPH0764609A - Production method/system for demand estimation data - Google Patents
Production method/system for demand estimation dataInfo
- Publication number
- JPH0764609A JPH0764609A JP23887993A JP23887993A JPH0764609A JP H0764609 A JPH0764609 A JP H0764609A JP 23887993 A JP23887993 A JP 23887993A JP 23887993 A JP23887993 A JP 23887993A JP H0764609 A JPH0764609 A JP H0764609A
- Authority
- JP
- Japan
- Prior art keywords
- data
- information data
- map information
- extracted
- attribute
- 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.)
- Granted
Links
Landscapes
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は、特定エリアにおける電
気、都市ガス、水道水などのエネルギ需要を予測するた
めの予測データを作成する需要予測データ作成方法およ
びシステムに係り、特に実地調査（ロードサーベイ）に
基づいた手法により各需要家の特性を反映して需要予測
を行うための需要予測データ作成方法およびシステムに
関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a demand forecasting data producing method and system for producing forecasting data for forecasting energy demand of electricity, city gas, tap water, etc. in a specific area, and particularly to a field survey (loading). The present invention relates to a demand forecast data creation method and system for performing demand forecast by reflecting the characteristics of each consumer by a method based on survey.
【０００２】[0002]
【従来の技術】一般に、ガス導管などの設備の需要設計
をする際には、その地域における需要推計（配分）が重
要な問題となる。2. Description of the Related Art Generally, when designing the demand for equipment such as gas pipes, the demand estimation (allocation) in the area is an important issue.
【０００３】従来、この種の需要推計を行うための手法
として、特開昭５２−８６７５０号、特開昭５６−１４
３６６号、特公昭５９−２９４５号、特公昭６０−５３
９０４号および特公昭６１−２５１８２号公報等に開示
された方法がある。Conventionally, as a method for estimating the demand of this kind, Japanese Patent Laid-Open Nos. 52-86750 and 56-14 are available.
No. 366, Japanese Patent Publication No. 59-2945, Japanese Patent Publication No. 60-53
904 and Japanese Patent Publication No. 61-25182.
【０００４】しかし、これら公報に開示された従来の予
測方法は、過去の需要量を基に大まかな予測を行うもの
であり、予測精度としては十分実用に耐えるものではな
かった。また、一般に、需要量は業種毎に異なるもので
あり、これら業種別の特性の違いを反映しなければ、予
測誤差が大きくなる。However, the conventional prediction methods disclosed in these publications make a rough prediction based on the past demand, and the prediction accuracy is not sufficiently practical. Further, in general, the demand amount is different for each type of industry, and the prediction error becomes large unless these differences in characteristics of each type of industry are reflected.
【０００５】そこで、このような問題を解決する方法と
して、従来、特開平５−８８７１４号公報に開示された
技術（広域需要予測方法）がある。この特開平５−８８
７１４号公報に開示された広域需要予測方法は、過去の
実績需要値との関係に基づいて予測対象となる業種を分
類し、この分類した各業種の集合ごとの需要予測値を求
め、これら需要予測値を合成することにより予測総需要
量を求めるものである。Therefore, as a method for solving such a problem, there is a technique (wide area demand forecasting method) disclosed in Japanese Patent Laid-Open No. 5-88714. This Japanese Patent Laid-Open No. 5-88
The wide-area demand forecasting method disclosed in Japanese Patent No. 714 discloses that the industries to be forecast are classified based on the relationship with past actual demand values, and the demand forecast value for each set of the classified industries is calculated, and these demands are calculated. The predicted total demand is obtained by synthesizing the predicted values.
【０００６】[0006]
【発明が解決しようとする課題】しかしながら、上述の
従来の方法は、業種別の属性を反映した予測を行うこと
ができるものの、個別の需要家の使用パターン（消費傾
向）まで含めた「特性」を十分に精度良く反映したもの
ではなかった。すなわち従来の方法では、個々の需要家
における需要値の重なりの確率的な変動を考慮したもの
ではなく、単に個々の需要値の和を全体のピーク値とし
て見積もることにより最大需要値としていた。However, although the above-mentioned conventional method can make a prediction that reflects the attributes of each industry, the "characteristics" including the usage patterns (consumption tendency) of individual consumers are included. Was not reflected sufficiently accurately. That is, in the conventional method, the maximum demand value is determined by not estimating the stochastic fluctuation of the demand value overlap among individual consumers, but simply estimating the sum of the individual demand values as the overall peak value.
【０００７】したがってこのような従来の方法では、最
大需要値を正確に見積もることができず、実際よりも小
さく見積もられてしまうこととなり、予測データとして
現実に利用することが困難であるという問題があった。Therefore, according to such a conventional method, the maximum demand value cannot be accurately estimated, and the maximum demand value is estimated to be smaller than it actually is, and it is difficult to actually use it as prediction data. was there.
【０００８】また、従来の方法では、予測の安全率を求
めるための最大ピーク時の出現頻度を表す頻度分布図を
求めることができず、そのため安全率を考慮した需要予
測を行うことができないという問題があった。Further, in the conventional method, it is not possible to obtain a frequency distribution chart showing the appearance frequency at the maximum peak for obtaining the safety factor of the prediction, and therefore it is impossible to make the demand forecast considering the safety factor. There was a problem.
【０００９】本発明は上記問題点に鑑みてなされたもの
で、その目的は、需要値の重なりの確率的な変動を考慮
することにより、個々の需要家の持つ特性を十分反映す
ることができ、精度の高い需要予測を行うことが可能な
予測データを作成できる需要予測データ作成方法を提供
することにある。The present invention has been made in view of the above problems, and an object of the present invention is to sufficiently reflect the characteristics of individual consumers by considering stochastic fluctuations in the overlap of demand values. The purpose of the present invention is to provide a demand forecast data creation method capable of producing forecast data capable of performing highly accurate demand forecast.
【００１０】本発明は、また、この需要予測データ作成
方法を実現し、精度の高い需要予測を行うことが可能な
需要予測データ作成システムを提供することにある。It is another object of the present invention to provide a demand forecast data preparation system which realizes the demand forecast data preparation method and is capable of highly accurate demand forecast.
【００１１】[0011]
【課題を解決するための手段】請求項１記載の需要予測
データ作成方法は、需要家についての地図情報データが
格納された地図情報データベースから予測対象となる特
定エリア内の地図情報データを抽出する過程と、前記地
図情報データ各々に対応した需要家情報データが格納さ
れた需要家情報データベースから、前記特定エリア内の
地図情報データに対応した複数の需要家情報データを抽
出し、これら抽出した需要家情報データを属性別に分類
する過程と、実地調査に基づいて作成された現実の使用
量情報が需要家の属性別に分類整理して格納されたサン
プリングデータベースから、使用量情報を、前記需要家
情報データの属性別の分類結果に基づいて無作為に抽出
する過程と、前記無作為に抽出された使用量情報を集積
させて各属性毎の最大使用量を求め、これら最大使用量
が出現する頻度分布を求めるとともに、この頻度分布を
解析して予測データを作成する過程とを備えたものであ
る。According to a demand forecast data creation method of claim 1, map information data in a specific area to be forecasted is extracted from a map information database in which map information data of customers is stored. A plurality of customer information data corresponding to the map information data in the specific area is extracted from the process and the customer information database in which the customer information data corresponding to each of the map information data is stored, and these extracted demands are extracted. From the process of classifying the house information data by attribute and the sampling database in which the actual usage information created based on the field survey is sorted and organized according to the attributes of the customer, the usage information is stored as the customer information. The process of randomly extracting based on the classification result of each attribute of the data, and collecting the usage information extracted at random, for each attribute Obtains a large amount, with determining the frequency distribution maximum usage they appear, in which a process of creating a prediction data by analyzing the frequency distribution.
【００１２】また、請求項２記載の需要予測データ作成
システムは、需要家についての地図情報データが格納さ
れた地図情報データベースと、この地図情報データベー
スから予測対象となる特定エリア内の地図情報データを
抽出する地図情報データ抽出手段と、この地図情報デー
タ抽出手段により抽出された地図情報データを記憶する
第１の記憶手段と、前記地図情報データ各々に対応した
需要家情報データが格納された需要家情報データベース
と、この需要家情報データベースから前記第１の記憶手
段に記憶された特定エリア内の地図情報データに対応し
た需要家情報データを抽出し、これら抽出した需要家情
報データを属性別に分類する分類手段と、実地調査に基
づいて作成された現実の使用量情報が需要家の属性別に
分類整理して格納されたサンプリングデータベースと、
このサンプリングデータベースから使用量情報を前記分
類手段の分類結果に基づいて無作為に抽出するサンプリ
ング手段と、このサンプリング手段により抽出された使
用量情報を記憶する第２の記憶手段と、この第２の記憶
手段に記憶された使用量情報を集積させて各属性毎の最
大使用量を求め、これら最大使用量が出現する頻度分布
を求めるとともに、前記頻度分布を解析して予測データ
を作成する予測データ作成手段とを備えたものである。In addition, the demand forecast data creation system according to the second aspect of the present invention includes a map information database in which map information data of customers is stored and map information data in a specific area to be forecasted from this map information database. Map information data extracting means for extracting, first storage means for storing the map information data extracted by the map information data extracting means, and a customer in which customer information data corresponding to each of the map information data is stored The information database and the customer information data corresponding to the map information data in the specific area stored in the first storage means are extracted from the customer information database, and the extracted customer information data are classified by attributes. The classification means and the actual usage information created based on the field survey are sorted and stored according to the attribute of the customer. And sampling databases,
Sampling means for randomly extracting usage amount information from the sampling database based on the classification result of the classification means, second storage means for storing the usage amount information extracted by the sampling means, and the second storage means. Prediction data that accumulates the usage amount information stored in the storage unit to obtain the maximum usage amount for each attribute, obtains the frequency distribution in which these maximum usage amounts appear, and creates prediction data by analyzing the frequency distribution. And means for creating.
【００１３】なお、本明細書においては、需要家の「特
性」とは、各需要家の属する家屋の種類（木造家屋、鉄
筋家屋）、所有器具のタイプ（冷暖房、厨房等）等によ
り分類された需要家の、いわゆる属性に、個々の需要家
の使用パターン（消費傾向）を加味した特性をいうもの
とする。In the present specification, the "characteristics" of customers are classified according to the type of house to which each customer belongs (wooden house, reinforced house), type of owned equipment (cooling / heating, kitchen, etc.), etc. In addition to the so-called attributes of the customers, the characteristics are obtained by adding the usage pattern (consumption tendency) of each customer.
【００１４】すなわち、本発明の需要予測データ作成方
法では、個々の需要家の需要値が重なり合うという確率
的事象を、サンプリングデータベースからの無作為の抽
出によるシミュレーションにより算出し、これを基に予
測データを作成するものであり、これにより各需要家の
持つ特性を十分に反映した精度良い需要予測が可能とな
る。That is, in the demand forecast data generation method of the present invention, a stochastic event in which demand values of individual consumers overlap is calculated by simulation by random sampling from a sampling database, and the forecast data is calculated based on this. This makes it possible to accurately forecast the demand that sufficiently reflects the characteristics of each consumer.
【００１５】[0015]
【実施例】以下、本発明の実施例について図面を参照し
て説明する。Embodiments of the present invention will be described below with reference to the drawings.
【００１６】図１は本発明の一実施例に係る需要予測デ
ータ作成システム１の基本構成を表すブロック図であ
る。この需要予測データ作成システム１１は、地図情報
データベース１００から予測対象となる特定エリア内の
地図情報データを抽出するための地図情報データ抽出手
段１１を備えている。地図情報データベース１００には
全需要家についての地図情報データが格納されており、
この地図情報データベース１００に接続された地図情報
描画システム１１０により、特定地域を任意に検索して
表示画面上に表示できるようになっている。FIG. 1 is a block diagram showing the basic configuration of a demand forecast data creation system 1 according to an embodiment of the present invention. The demand forecast data creation system 11 includes a map information data extraction unit 11 for extracting the map information data in the specific area to be predicted from the map information database 100. The map information database 100 stores map information data for all consumers,
The map information drawing system 110 connected to the map information database 100 can arbitrarily search a specific area and display it on the display screen.
【００１７】地図情報データは、たとえば特定エリア内
に包含される各需要家固有の「ノード（分岐点）番号」
と「需要家番号」とからなるデータ群により構成されて
いる。The map information data is, for example, a "node (branch point) number" unique to each customer included in a specific area.
And a “customer number”.
【００１８】図２はその一例を表すものである。FIG. 2 shows an example thereof.
【００１９】地図情報データ抽出手段１１により抽出さ
れた地図情報データは第１の記憶手段（メモリ）１２に
転送され記憶されるようになっている。第１の記憶手段
１２に記憶された地図情報データ、すなわち「ノード番
号」と「需要家番号」とは分類手段１３へ転送されるよ
うになっている。The map information data extracted by the map information data extracting means 11 is transferred to and stored in the first storage means (memory) 12. The map information data stored in the first storage means 12, that is, the “node number” and the “customer number” are transferred to the classification means 13.
【００２０】分類手段１３では、需要家情報データベー
ス２００から地図情報データの「ノード番号」と「需要
家番号」とに対応した需要家情報データを抽出し、これ
ら抽出した需要家情報データを属性別に分類するように
なっている。The classification means 13 extracts the customer information data corresponding to the "node number" and the "customer number" of the map information data from the customer information database 200, and the extracted customer information data is classified by attributes. It is designed to be classified.
【００２１】図３はその需要家情報データの一例を表す
ものである。FIG. 3 shows an example of the customer information data.
【００２２】分類手段１３により分類された属性毎の需
要家情報データは構成比算出手段１４へ転送されるよう
になっている。構成比算出手段１４は、分類手段１３に
より分類された属性毎の需要家情報データの構成比（件
数）を算出するものである。The customer information data for each attribute classified by the classification means 13 is transferred to the composition ratio calculation means 14. The composition ratio calculation means 14 calculates the composition ratio (number of cases) of the customer information data for each attribute classified by the classification means 13.
【００２３】構成比算出手段１４により構成比が算出さ
れた需要家情報データはサンプリング手段１５へ転送さ
れるようになっている。サンプリング手段１５は構成比
算出手段１４により算出された構成比に基づきサンプリ
ングデータベース３００から使用者情報を無作為に抽出
するものである。サンプリングデータベース３００に
は、実地調査（ロードサーベイ）に基づいて作成された
現実の単位時刻毎の、たとえば１年間の使用量情報が、
サンプリング情報データとして需要家の属性別に分類整
理して格納されている。The customer information data whose composition ratio has been calculated by the composition ratio calculation means 14 is transferred to the sampling means 15. The sampling unit 15 randomly extracts user information from the sampling database 300 based on the composition ratio calculated by the composition ratio calculation unit 14. In the sampling database 300, the usage information for each actual unit time, for example, for one year, created based on a field survey (load survey),
It is stored as sampling information data classified and organized according to the attributes of customers.
【００２４】図４はこのサンプリング情報データの一例
を表すものである。使用量情報としてはたとえば各需要
者の単位時間毎のガス等の流量（使用量）が含まれてい
る。なお、このサンプリング情報データには図５に示し
たような過去の気象データ等の影響因子を含ませて、よ
り精度を向上させるようにしてもよい。FIG. 4 shows an example of this sampling information data. The usage information includes, for example, the flow rate (usage) of gas or the like of each consumer per unit time. The sampling information data may include influencing factors such as past weather data as shown in FIG. 5 to further improve the accuracy.
【００２５】なお、属性毎の分類は、需要家情報データ
群が所有している属性情報で使用パターンの特徴が最も
良く現れる属性を用いて行われる。また、この分類には
既知の統計的手法であるＡＩＤ（Automatic Interactio
n Detector) 、判別分析等の手法が用いられる。Note that the classification for each attribute is performed using the attribute in which the characteristics of the usage pattern are best shown in the attribute information owned by the consumer information data group. AID (Automatic Interactio), which is a known statistical method for this classification, is also used.
n Detector), discriminant analysis and other techniques are used.
【００２６】ここに、「属性」としては、たとえば以下
のものが挙げられる。Examples of the "attribute" include the following.
【００２７】（ａ）需要家のタイプ：木造家屋、鉄筋家
屋、独立の家屋 （ｂ）所有器具のタイプ：冷暖房、厨房、乾燥、給湯 （ｃ）家族構成：一人、２人家族等(A) Type of customer: wooden house, reinforced house, independent house (b) Type of owned equipment: air conditioning, kitchen, drying, hot water supply (c) Family composition: one or two people family
【００２８】サンプリング手段１５は、たとえばノード
ｉにおける各属性（１、２、３、…ｋ）の構成比をそれ
ぞれＮi1、Ｎi2、Ｎi3、…Ｎikとすれば、サンプリング
データベース３００から需要家情報データの有する属性
に合致するサンプリング情報データを、属性１を有する
データをＮi1回、属性２を有するデータをＮi2回、属性
３を有するデータをＮi3回、…属性Ｎを有するデータを
Ｎik回、というように抽出するようになっている。The sampling means 15 demands from the sampling database 300 if the composition ratios of the attributes (1, 2, 3, ... K) in the node i are N i1 , N i2 , N i3 , ... N ik , for example. Sampling information data that match the attributes of the house information data are N i1 times for the data having the attribute 1, N i2 times for the data having the attribute 2, N i3 times for the data having the attribute 3, ... Are extracted N ik times, and so on.
【００２９】サンプリング手段１５により抽出されたサ
ンプリング情報データは第２の記憶手段１６へ転送され
記憶されるようになっている。The sampling information data extracted by the sampling means 15 is transferred to and stored in the second storage means 16.
【００３０】第２の記憶手段１６に記憶されたサンプリ
ング情報データは予測データ作成手段１７へ転送される
ようになっている。The sampling information data stored in the second storage means 16 is transferred to the prediction data creating means 17.
【００３１】予測データ作成手段１７では、以下の手順
（１）〜（４）でデータの集積を行い頻度分布図を作成
して、これを解析（導管網解析）することにより需要予
測データを作成するようになっている。The forecast data creating means 17 collects data by the following steps (1) to (4), creates a frequency distribution map, and analyzes it (conduit network analysis) to create demand prediction data. It is supposed to do.
【００３２】（１）まず第２の記憶手段１６に記憶され
たサンプリング情報データの使用量情報フィールドのデ
ータを基に、単位時間毎に全使用量を累計する。（２）
さらに各属性（１〜ｋ）の使用量を累積して、これをノ
ードｉにおける第１回目の試行結果Ｒi1とする。（３）
上記（１）（２）のサンプリング試行をｘ回繰り返すこ
とで、試行結果Ｒi1〜Ｒixを得る。（４）次に、Ｒi1〜
Ｒix各々のピーク時の使用量（最大使用量）を求め、そ
の最大使用量が出現する頻度分布図を作成する。(1) First, based on the data in the usage amount information field of the sampling information data stored in the second storage means 16, the total usage amount is accumulated for each unit time. (2)
Further, the usage amounts of the respective attributes (1 to k) are accumulated, and this is set as the first trial result R i1 at the node i. (3)
By repeating the sampling trials of (1) and (2) above x times, trial results R i1 to R ix are obtained. (4) Next, R i1 ~
The peak usage amount (maximum usage amount) of each R ix is obtained, and a frequency distribution chart in which the maximum usage amount appears is created.
【００３３】図６は本実施例の需要予測データ作成シス
テム１の制御部２０の構成を表すものである。FIG. 6 shows the configuration of the control unit 20 of the demand forecast data creation system 1 of this embodiment.
【００３４】制御部２０はＣＰＵ（中央処理装置）２１
を備えている。このＣＰＵ２１はバスを介して装置の各
部と接続されている。このうちＲＯＭ（リード・オンリ
・メモリ）２２には、後述の流れ図（図８）に示すよう
なシステム各部の動作を制御するためのプログラムが格
納されている。記憶手段（Ａ）１２および記憶手段
（Ｂ）１６としてのＲＡＭ（ランダム・アクセス・メモ
リ）２３には、前述の地図情報データ抽出手段１１によ
り抽出された地図情報データが一時的に格納されるとと
もに、サンプリング手段１５により抽出されたサンプリ
ングデータが各々格納されるようになっている。The control unit 20 has a CPU (central processing unit) 21.
Is equipped with. The CPU 21 is connected to each unit of the device via a bus. Of these, a ROM (Read Only Memory) 22 stores a program for controlling the operation of each unit of the system as shown in the flowchart (FIG. 8) described later. In the RAM (random access memory) 23 as the storage means (A) 12 and the storage means (B) 16, the map information data extracted by the map information data extracting means 11 is temporarily stored. The sampling data extracted by the sampling means 15 are stored respectively.
【００３５】Ｉ／Ｏ（入出力）ポート２４は、地図情報
データベース１００、需要家情報データベース２００お
よびサンプリングデータベース３００各々から抽出され
たデータをＣＰＵ２１へ送るためのインターフェースで
ある。ＣＰＵ２１はこれら地図情報データベース１０
０、需要家情報データベース２００およびサンプリング
データベース３００各々から抽出されたデータに基づき
各ノード１〜ｉ毎に予測データを作成するものである。
Ｉ／Ｏ（入出力）ポート２６はこのＣＰＵ２１から送出
された予測データを地図情報描画システム１００のグラ
フィック表示部１１０ａへ送るためのインターフェース
である。グラフィック表示部１１０ａではこの予測デー
タを各ノード毎に表示するようになっている。The I / O (input / output) port 24 is an interface for sending the data extracted from the map information database 100, the customer information database 200 and the sampling database 300 to the CPU 21. CPU21 is these map information database 10
0, the prediction data is created for each node 1 to i based on the data extracted from each of the customer information database 200 and the sampling database 300.
The I / O (input / output) port 26 is an interface for sending the prediction data sent from the CPU 21 to the graphic display unit 110a of the map information drawing system 100. The graphic display unit 110a is configured to display this prediction data for each node.
【００３６】次に、本実施例の需要予測データ作成シス
テムの動作について図７に示した流れ図に沿って説明す
る。Next, the operation of the demand forecast data creation system of this embodiment will be described with reference to the flow chart shown in FIG.
【００３７】まず、ＣＰＵ２１は地図情報データベース
１００から予測対象となる特定エリア内の地図情報デー
タ、すなわち各需要家の「ノード番号」および「需要家
番号」のデータを抽出させる（ステップＳ８０１）。続
いてＣＰＵ２１は抽出した地図情報データを第１の記憶
手段１２としてのＲＡＭ２３に転送し記憶させる（ステ
ップＳ８０２）。First, the CPU 21 causes the map information database 100 to extract the map information data in the specific area to be predicted, that is, the data of the "node number" and the "customer number" of each customer (step S801). Subsequently, the CPU 21 transfers the extracted map information data to the RAM 23 as the first storage unit 12 and stores it therein (step S802).
【００３８】次にＣＰＵ２１は、需要家情報データベー
ス２００から「ノード番号」と「需要家番号」とに対応
した需要家情報データを抽出し（ステップＳ８０３）、
これら抽出した需要家情報データ（図３）を属性別に分
類する（ステップＳ８０４）。Next, the CPU 21 extracts the customer information data corresponding to the "node number" and the "customer number" from the customer information database 200 (step S803),
The extracted customer information data (FIG. 3) is classified by attribute (step S804).
【００３９】次にＣＰＵ２１は、分類した属性毎の需要
家情報データの構成比（件数）を算出し（ステップＳ８
０５）、この構成比に基づきサンプリングデータベース
３００からデータを無作為に抽出する（ステップＳ８０
６）。すなわち属性１を有するデータをＮi1回、属性２
を有するデータをＮi2回、属性３を有するデータをＮi3
回、…属性Ｎを有するデータをＮik回、というようにそ
れぞれ抽出する。Next, the CPU 21 calculates the composition ratio (number of cases) of the customer information data for each classified attribute (step S8).
05), data is randomly extracted from the sampling database 300 based on this composition ratio (step S80).
6). That is, data having attribute 1 is assigned N i1 times and attribute 2
Data having N i2 times and data having attribute 3 N i3
, ... Data having the attribute N is extracted N ik times, and so on.
【００４０】図８はこれら無作為に抽出されたデータを
表すものである。FIG. 8 shows these randomly extracted data.
【００４１】続いてＣＰＵ２１は抽出したサンプリング
情報データを第２の記憶手段１６としてのＲＡＭ２３へ
転送し記憶させる。（ステップＳ８０７）。Subsequently, the CPU 21 transfers the extracted sampling information data to the RAM 23 as the second storage means 16 and stores it therein. (Step S807).
【００４２】次にＣＰＵ２１は、ＲＡＭ２３に記憶され
たサンプリング情報データを、使用量情報フィールドの
データを基に、単位時間毎に全使用量を累計する（ステ
ップＳ８０８）。さらに各属性（１〜ｋ）毎の使用量を
累積して、これをノードｉにおける第１回目の試行結果
Ｒi1とし（ステップＳ８０９）、このサンプリング試行
をｘ回繰り返すことで、試行結果Ｒi1〜Ｒixを得る（ス
テップＳ８１０、８１１）。Next, the CPU 21 accumulates the total usage amount of the sampling information data stored in the RAM 23 for each unit time based on the data of the usage amount information field (step S808). Further, the amount of use for each attribute (1 to k) is accumulated, and this is used as the first trial result R i1 at the node i (step S809). By repeating this sampling trial x times, the trial result R i1 is obtained. ˜R ix are obtained (steps S810 and 811).
【００４３】次に、ＣＰＵ２１はＲi1〜Ｒixの中から最
大使用量Ｐi1〜Ｐixをそれぞれ求め、これら最大使用量
Ｐi1〜Ｐixが出現する時間毎の頻度分布図を作成し、画
面上に表示させる（ステップＳ８１２）。図６はノード
i における頻度分布図の一例を表すものである。Next, the CPU 21 obtains the maximum usage amounts P i1 to P ix from R i1 to R ix , respectively, and creates a frequency distribution chart for each time when these maximum usage amounts P i1 to P ix appear. It is displayed on the screen (step S812). Figure 6 is a node
It shows an example of a frequency distribution chart at i.
【００４４】最後にＣＰＵ２１は周知の方法により導管
網（ネットワーク）解析を行い、その結果を予測データ
として表示する（ステップＳ８１４）。Finally, the CPU 21 performs a conduit network analysis by a known method and displays the result as prediction data (step S814).
【００４５】このように本実施例の需要予測データ作成
システムでは、個々の需要家の需要値が重なり合うとい
う確率的事象をサンプリングデータベース３００からの
無作為の抽出によるシミュレーションにより算出し、こ
れを基に予測データを作成するようにしたので、各個人
需要家の持つ属性に加え、各需要家固有の使用パターン
（消費傾向）をも反映した予測データが作成される。し
たがって予測者は精度の良い需要予測を行うことができ
る。また、各属性毎のデータを取り出すことにより、必
要に応じて需要家の属性毎の個別の需要予測を行うこと
も可能である。As described above, in the demand forecast data generation system of the present embodiment, the stochastic event that the demand values of the individual consumers overlap is calculated by the simulation by random sampling from the sampling database 300, and based on this, the stochastic phenomenon is calculated. Since the prediction data is created, the prediction data that reflects the usage pattern (consumption tendency) peculiar to each consumer is created in addition to the attribute of each individual consumer. Therefore, the predictor can make an accurate demand forecast. Further, by extracting the data for each attribute, it is possible to individually forecast the demand for each attribute of the consumer as necessary.
【００４６】また、ランダムなサンプリングを繰り返し
て実行させることにより、何通りものシュミレーション
結果を得ることができ、これにより図９に示したよう
な、需要ピーク時の使用量の出現率の頻度分布図を作成
することができる。したがって需要ピークの安全率を求
めることが可能となり、この結果を基に導管網解析を行
うことにより、ガス管等における最適な配管設計を行う
ことができる。By repeatedly executing random sampling, various simulation results can be obtained, and as a result, the frequency distribution chart of the appearance rate of the usage amount at the peak demand as shown in FIG. 9 is obtained. Can be created. Therefore, it becomes possible to obtain the safety factor of the demand peak, and by performing a conduit network analysis based on this result, it is possible to design an optimum piping for a gas pipe or the like.
【００４７】また、需要家情報データベース２００には
各需要家の全てのデータを記憶させる必要がなく、ラン
ダムサンプリングに足る一定数の需要データを蓄積して
おくだけで、あたかも各需要家の生データそのものを使
用した場合と同様の効果を奏することができ、記憶手段
１２、１６の記憶容量を大幅に節約することも可能とな
る。Further, it is not necessary to store all the data of each customer in the customer information database 200, and by storing a certain number of demand data sufficient for random sampling, it is as if raw data of each customer is stored. It is possible to obtain the same effect as the case of using itself, and it is also possible to significantly save the storage capacity of the storage means 12 and 16.
【００４８】以上実施例を挙げて本発明を説明したが、
本発明は上記実施例に限定するものではなく、その要旨
を変更しない範囲で種々変形可能である。たとえば上記
実施例では、サンプリング手段１５において、サンプリ
ング情報データの抽出を構成比算出手段１４により求め
た需要家情報データの構成比に基づいて行うようにした
が、この抽出は必ずしも需要家情報データの構成比に基
づかなくてもよい。The present invention has been described with reference to the examples.
The present invention is not limited to the above embodiments, but can be variously modified without changing the gist thereof. For example, in the above-described embodiment, the sampling means 15 extracts the sampling information data based on the composition ratio of the customer information data obtained by the composition ratio calculating means 14. However, this extraction is not necessarily the extraction of the customer information data. It does not have to be based on the composition ratio.
【００４９】[0049]
【発明の効果】以上説明したように請求項１記載の需要
予測データ作成方法によれば、個々の需要家の需要値が
重なり合うという確率的事象をサンプリングデータベー
スからの無作為の抽出によるシミュレーションにより算
出して、これを基に予測データを作成するようにしたの
で、各個人需要家の持つ属性に、各需要家固有の使用パ
ターン（消費パターン）も反映した精度の良い予測デー
タを作成することが可能となる。As described above, according to the demand forecast data creation method of the first aspect, the stochastic event that the demand values of the individual consumers overlap with each other is calculated by the random sampling from the sampling database. Since the forecast data is created based on this, it is possible to create accurate forecast data that also reflects the usage pattern (consumption pattern) unique to each consumer in the attributes of each individual consumer. It will be possible.
【００５０】また、請求項２記載の需要予測データ作成
システムによれば、請求項１記載の方法を容易に実現で
き、精度の良い予測データを作成することができる。Further, according to the demand forecast data preparation system of claim 2, the method of claim 1 can be easily realized and the forecast data with high accuracy can be prepared.
【図１】本発明の一実施例に係る需要予測データ作成シ
ステムの概略構成を表すブロック図である。FIG. 1 is a block diagram showing a schematic configuration of a demand forecast data creation system according to an embodiment of the present invention.
【図２】地図情報データの一例を表す図である。FIG. 2 is a diagram showing an example of map information data.
【図３】需要家情報データの一例を表す図である。FIG. 3 is a diagram illustrating an example of consumer information data.
【図４】サンプリングデータの一例を表す図である。FIG. 4 is a diagram illustrating an example of sampling data.
【図５】気象データの一例を表す図である。FIG. 5 is a diagram illustrating an example of meteorological data.
【図６】図１の需要予測データ作成システムの制御部の
構成を表すブロック図である。6 is a block diagram showing a configuration of a control unit of the demand forecast data creation system of FIG.
【図７】図１の需要予測データ作成システムの動作を説
明するための流れ図である。7 is a flowchart for explaining the operation of the demand forecast data creation system of FIG.
【図８】図１の需要予測データ作成システムのデータ集
積動作を説明するための図である。FIG. 8 is a diagram for explaining a data accumulation operation of the demand forecast data generation system of FIG. 1.
【図９】任意のノードにおける最大使用量の頻度分布図
である。FIG. 9 is a frequency distribution chart of the maximum usage amount in an arbitrary node.
１ 需要予測データ作成システム １１ 地図情報データ抽出手段 １２ 記憶手段（Ａ） １３ 分類手段 １４ 構成比算出手段 １５ サンプリング手段 １６ 記憶手段（Ｂ） １７ 予測データ作成手段 １００ 地図情報データベース １１０ 地図情報描画システム ２００ 需要家情報データベース ３００ サンプリングデータベース 1 Demand Forecast Data Creation System 11 Map Information Data Extraction Means 12 Storage Means (A) 13 Classification Means 14 Composition Ratio Calculation Means 15 Sampling Means 16 Storage Means (B) 17 Prediction Data Creation Means 100 Map Information Database 110 Map Information Drawing System 200 Customer information database 300 Sampling database
Claims (2)
された地図情報データベースから予測対象となる特定エ
リア内の地図情報データを抽出する過程と、 前記地図情報データ各々に対応した需要家情報データが
格納された需要家情報データベースから、前記特定エリ
ア内の地図情報データに対応した複数の需要家情報デー
タを抽出し、これら抽出した需要家情報データを属性別
に分類する過程と、 実地調査に基づいて作成された現実の使用量情報が需要
家の属性別に分類整理して格納されたサンプリングデー
タベースから、使用量情報を、前記需要家情報データの
属性別の分類結果に基づいて無作為に抽出する過程と、 前記無作為に抽出された使用量情報を集積させて各属性
毎の最大使用量を求め、これら最大使用量が出現する頻
度分布を求めるとともに、この頻度分布を解析して予測
データを作成する過程とを具備したことを特徴とする需
要予測データ作成方法。1. A process of extracting map information data in a specific area to be predicted from a map information database that stores map information data about customers, and customer information data corresponding to each of the map information data Based on the process of extracting a plurality of customer information data corresponding to the map information data in the specific area from the stored customer information database and classifying the extracted customer information data according to attributes, and a field survey. A process of randomly extracting the usage information from the sampling database in which the created usage information is classified and organized according to the attribute of the customer and is stored based on the classification result according to the attribute of the customer information data. Then, the randomly extracted usage amount information is accumulated to obtain the maximum usage amount for each attribute, and the frequency distribution in which these maximum usage amounts appear is calculated. A method of creating demand forecast data, which comprises: obtaining and forecasting data by analyzing this frequency distribution.
された地図情報データベースと、 この地図情報データベースから予測対象となる特定エリ
ア内の地図情報データを抽出する地図情報データ抽出手
段と、 この地図情報データ抽出手段により抽出された地図情報
データを記憶する第１の記憶手段と、 前記地図情報データ各々に対応した需要家情報データが
格納された需要家情報データベースと、 この需要家情報データベースから前記第１の記憶手段に
記憶された特定エリア内の地図情報データに対応した需
要家情報データを抽出し、これら抽出した需要家情報デ
ータを属性別に分類する分類手段と、 実地調査に基づいて作成された現実の使用量情報が需要
家の属性別に分類整理して格納されたサンプリングデー
タベースと、 このサンプリングデータベースから使用量情報を前記分
類手段の分類結果に基づいて無作為に抽出するサンプリ
ング手段と、 このサンプリング手段により抽出された使用量情報を記
憶する第２の記憶手段と、 この第２の記憶手段に記憶された使用量情報を集積させ
て各属性毎の最大使用量を求め、これら最大使用量が出
現する頻度分布を求めるとともに、前記頻度分布を解析
して予測データを作成する予測データ作成手段とを具備
したことを特徴とする需要予測データ作成システム。2. A map information database in which map information data about customers is stored, map information data extracting means for extracting map information data in a specific area to be predicted from this map information database, and this map information. First storage means for storing the map information data extracted by the data extraction means, a customer information database in which customer information data corresponding to each of the map information data is stored, and the customer information database The customer information data corresponding to the map information data in the specific area stored in the first storage means is extracted, and the classification means for classifying the extracted customer information data according to the attribute, and the classification means created based on the field survey. A sampling database that stores actual usage information classified and organized according to the attributes of customers, and this sample Sampling means for randomly extracting usage amount information from the sampling database based on the classification result of the classification means, second storage means for storing the usage amount information extracted by this sampling means, and this second storage Prediction data creation that accumulates the usage information stored in the means to obtain the maximum usage amount for each attribute, obtains the frequency distribution in which these maximum usage amounts appear, and creates prediction data by analyzing the frequency distribution A demand forecasting data creation system comprising:
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP23887993A JP3310731B2 (en) | 1993-08-31 | 1993-08-31 | Demand forecast data creation method and system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP23887993A JP3310731B2 (en) | 1993-08-31 | 1993-08-31 | Demand forecast data creation method and system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0764609A true JPH0764609A (en) | 1995-03-10 |
| JP3310731B2 JP3310731B2 (en) | 2002-08-05 |
Family
ID=17036629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP23887993A Expired - Fee Related JP3310731B2 (en) | 1993-08-31 | 1993-08-31 | Demand forecast data creation method and system |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3310731B2 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09221793A (en) * | 1996-02-16 | 1997-08-26 | Hitachi Ltd | Administration system of waterworks distribution water system |
| JP2015122826A (en) * | 2013-12-20 | 2015-07-02 | 三菱電機株式会社 | Load prediction device for distribution system, and load prediction method for distribution system |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5286750A (en) * | 1976-01-14 | 1977-07-19 | Toshiba Corp | Total demand estimating method |
| JPS5614366A (en) * | 1979-07-13 | 1981-02-12 | Toshiba Corp | Forecasting unit |
| JPS592945B2 (en) * | 1979-07-17 | 1984-01-21 | 株式会社東芝 | Water demand forecasting method |
| JPS6053904B2 (en) * | 1980-03-31 | 1985-11-27 | 株式会社東芝 | Demand forecasting method |
| JPS6125182B2 (en) * | 1979-03-20 | 1986-06-14 | Tokyo Shibaura Electric Co | |
| JPS62180402A (en) * | 1986-02-04 | 1987-08-07 | Nec Corp | Setting system for demand pattern of waterworks |
| JPH0588714A (en) * | 1991-09-25 | 1993-04-09 | Hitachi Ltd | Method and device for estimation of energy demand in wide range |
-
1993
- 1993-08-31 JP JP23887993A patent/JP3310731B2/en not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5286750A (en) * | 1976-01-14 | 1977-07-19 | Toshiba Corp | Total demand estimating method |
| JPS6125182B2 (en) * | 1979-03-20 | 1986-06-14 | Tokyo Shibaura Electric Co | |
| JPS5614366A (en) * | 1979-07-13 | 1981-02-12 | Toshiba Corp | Forecasting unit |
| JPS592945B2 (en) * | 1979-07-17 | 1984-01-21 | 株式会社東芝 | Water demand forecasting method |
| JPS6053904B2 (en) * | 1980-03-31 | 1985-11-27 | 株式会社東芝 | Demand forecasting method |
| JPS62180402A (en) * | 1986-02-04 | 1987-08-07 | Nec Corp | Setting system for demand pattern of waterworks |
| JPH0588714A (en) * | 1991-09-25 | 1993-04-09 | Hitachi Ltd | Method and device for estimation of energy demand in wide range |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09221793A (en) * | 1996-02-16 | 1997-08-26 | Hitachi Ltd | Administration system of waterworks distribution water system |
| JP2015122826A (en) * | 2013-12-20 | 2015-07-02 | 三菱電機株式会社 | Load prediction device for distribution system, and load prediction method for distribution system |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3310731B2 (en) | 2002-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20070143045A1 (en) | Method and apparatus for determining energy savings by using a baseline energy use model that incorporates a neural network algorithm | |
| US20110313578A1 (en) | Method and apparatus for determining energy savings by using a baseline energy use model that incorporates an artificial intelligence algorithm | |
| CN104040583A (en) | Dynamic tagging to create logical models and optimize caching in energy management systems | |
| CN106570778A (en) | Big data-based data integration and line loss analysis and calculation method | |
| Maclennan et al. | Housing choices and the structure of housing markets | |
| WO2009039500A1 (en) | Method and apparatus for determining energy savings by using a baseline energy use model that incorporates an artificial intelligence algorithm | |
| D’Alpaos et al. | Prioritization of energy retrofit strategies in public housing: an AHP model | |
| JP4386973B2 (en) | Hierarchical prediction model construction apparatus and method | |
| Ferrantelli et al. | Evaluating the energy readiness of national building stocks through benchmarking | |
| CN111680837B (en) | Multi-scene multi-commodity chain convenience store site selection optimization method under competitive environment | |
| CN109840536A (en) | A kind of power grid power supply reliability horizontal clustering method and system | |
| Carmo et al. | Partial decomposition approach to generate load curve forecasting scenarios | |
| JPH0764609A (en) | Production method/system for demand estimation data | |
| CN111144628A (en) | Distributed energy supply type cooling, heating and power load prediction model system and method | |
| JPH0588714A (en) | Method and device for estimation of energy demand in wide range | |
| Kulendran et al. | Predicting quarterly Hong Kong tourism demand growth rates, directional changes and turning points with composite leading indicators | |
| Maniya et al. | A selection of optimal electrical energy equipment using integrated multi criteria decision making methodology | |
| CN104040548A (en) | Automatic demand parameter estimation | |
| Supriya et al. | House Price Prediction System using Machine Learning Algorithms and Visualization | |
| Radtke | A brief literature review of structuring district heating data based on measured values | |
| Naumov et al. | The Analysis of Customs Mirror Statistics of Foreign Trade of Russia, Represented by Time Series | |
| Moghadam et al. | BIM-GIS modelling for sustainable urban development | |
| Alkhalaf et al. | Comparison of regression model and artificial neural network model for energy benchmarking of accommodation buildings in Kanto, Japan | |
| Lindberg | The COVID-19 pandemic's effect on electricity consumption in Sweden | |
| Jalori | Leveraging smart meter data through advanced analytics: Applications to building energy efficiency |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |