JPH0916555A - 需要量予測装置 - Google Patents
需要量予測装置Info
- Publication number
- JPH0916555A JPH0916555A JP18831195A JP18831195A JPH0916555A JP H0916555 A JPH0916555 A JP H0916555A JP 18831195 A JP18831195 A JP 18831195A JP 18831195 A JP18831195 A JP 18831195A JP H0916555 A JPH0916555 A JP H0916555A
- Authority
- JP
- Japan
- Prior art keywords
- demand
- demand amount
- predicted
- neural network
- amount
- 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
- 238000013528 artificial neural network Methods 0.000 claims abstract description 55
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 7
- 238000001816 cooling Methods 0.000 abstract description 4
- 238000010438 heat treatment Methods 0.000 abstract description 4
- 238000009825 accumulation Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005338 heat storage Methods 0.000 description 2
- 239000008400 supply water Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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】地域冷暖房制御や上水道配水制御等、高効率運
転を実現するために、蓄熱量や配水量等の需要量を予測
する需要量予測装置の提供。 【構成】需要量を変動させる要因のデータの一部を第１
の構造化ニューラルネットワークで予測を行った後、そ
の予測結果と需要量を変動させる要因のデータとを第２
の構造化ニューラルネットワークに入力する。所要の需
要量とその時間的前の需要量を合わせて複数個を出力す
べく、需要量を変動させる要因のデータもその時間的前
のデータと合わせて複数組入力する。過去の予測された
需要量と実需要量の時系列から、現時点で予測された需
要量を修止するための値を出力する。
転を実現するために、蓄熱量や配水量等の需要量を予測
する需要量予測装置の提供。 【構成】需要量を変動させる要因のデータの一部を第１
の構造化ニューラルネットワークで予測を行った後、そ
の予測結果と需要量を変動させる要因のデータとを第２
の構造化ニューラルネットワークに入力する。所要の需
要量とその時間的前の需要量を合わせて複数個を出力す
べく、需要量を変動させる要因のデータもその時間的前
のデータと合わせて複数組入力する。過去の予測された
需要量と実需要量の時系列から、現時点で予測された需
要量を修止するための値を出力する。
Description
【０００１】
【産業上の利用分野】本発明は需要量予測装置に関し、
特に地域冷暖房制御や上水道配水制御等、高効率運転を
実現するために、蓄熱量や配水量等の需要量を予測する
需要量予測装置に関する。
特に地域冷暖房制御や上水道配水制御等、高効率運転を
実現するために、蓄熱量や配水量等の需要量を予測する
需要量予測装置に関する。
【０００２】
【従来の技術】この種の従来の装置として、需要量を変
動させる要因のデータを入力信号、実需要量を教師信号
として、需要量を予測する予測モデルをニューラルネッ
トワークに予め学習しておき、予測時に観測された需要
量を変動させる要因のデータを入力して、予測需要量を
求めるものが各種提案されている（例えば特開平4-7333
2号公報等参照）。
動させる要因のデータを入力信号、実需要量を教師信号
として、需要量を予測する予測モデルをニューラルネッ
トワークに予め学習しておき、予測時に観測された需要
量を変動させる要因のデータを入力して、予測需要量を
求めるものが各種提案されている（例えば特開平4-7333
2号公報等参照）。
【０００３】また、予測需要量を修正する手法として
は、過去に予測された需要量と実需要量の偏差から、現
時点で予測された需要量を修正するものが、提案されて
いる（例えば特開平6-187332号公報等参照）。
は、過去に予測された需要量と実需要量の偏差から、現
時点で予測された需要量を修正するものが、提案されて
いる（例えば特開平6-187332号公報等参照）。
【０００４】
【発明が解決しようとする課題】しかしながら、上述し
た従来の需要量予測装置では、需要量を変動させる要因
となるデータのうち、例えば予測する時刻における温
度、湿度度等、需要量の変動の大きな要因と考えられる
値が、たとえ他のなんらかの手法によりさらに正確な値
が求められたとしても、需要量の予測の向上には寄与す
ることができない。これは、従来の需要量予測装置にお
いては、ニューラルネットワークからは需要量のみが導
き出され、後述する本発明とは相違して、需要量の変動
の大きな要因（例えば予測する時刻における温度等）の
予測値を個別に導出したり、ニューラルネットワークに
該要因の正確な値をデータとして入力することができな
いことによる。
た従来の需要量予測装置では、需要量を変動させる要因
となるデータのうち、例えば予測する時刻における温
度、湿度度等、需要量の変動の大きな要因と考えられる
値が、たとえ他のなんらかの手法によりさらに正確な値
が求められたとしても、需要量の予測の向上には寄与す
ることができない。これは、従来の需要量予測装置にお
いては、ニューラルネットワークからは需要量のみが導
き出され、後述する本発明とは相違して、需要量の変動
の大きな要因（例えば予測する時刻における温度等）の
予測値を個別に導出したり、ニューラルネットワークに
該要因の正確な値をデータとして入力することができな
いことによる。
【０００５】また、従来の需要量予測装置では、需要量
を時系列パタンとして扱わないことから、例えば雨が続
いた後の晴れの日は洗濯する人が多くいるため、水需要
は多くなる等という傾向を正確にモデリングすることが
できない。
を時系列パタンとして扱わないことから、例えば雨が続
いた後の晴れの日は洗濯する人が多くいるため、水需要
は多くなる等という傾向を正確にモデリングすることが
できない。
【０００６】そして、需要量の修正に関しては、過去に
予測された需要量と実需要量の移動平均の偏差を基に修
正しているので、前半は予測値が大きく、後半は実値の
方が大きいというような微妙な偏差が見られる場合の修
正には対処できていない。
予測された需要量と実需要量の移動平均の偏差を基に修
正しているので、前半は予測値が大きく、後半は実値の
方が大きいというような微妙な偏差が見られる場合の修
正には対処できていない。
【０００７】従って、本発明は上記問題点を解消し、地
域冷暖房制御や上水道配水制御等、高効率運転を実現す
るために、蓄熱量や配水量等の需要量を予測する需要量
予測装置を提供することを目的とする。
域冷暖房制御や上水道配水制御等、高効率運転を実現す
るために、蓄熱量や配水量等の需要量を予測する需要量
予測装置を提供することを目的とする。
【０００８】
【課題を解決するための手段】前記目的を達成するた
め、本発明は、需要量を変動させる要因のデータを入力
信号、実需要量を教師信号として、需要量を予測する予
測モデルをニューラルネットワークに構築する需要量予
測装置において、需要量を変動させる要因のデータの少
なくとも一を予測する第１のニューラルネットワーク
と、前記第１のニューラルネットワークによる予測結果
と、需要量を変動させる要因の所定のデータとを入力し
需要量を予測する第２のニューラルネットワークと、を
備えたことを特徴とする需要量予測装置を提供する。
め、本発明は、需要量を変動させる要因のデータを入力
信号、実需要量を教師信号として、需要量を予測する予
測モデルをニューラルネットワークに構築する需要量予
測装置において、需要量を変動させる要因のデータの少
なくとも一を予測する第１のニューラルネットワーク
と、前記第１のニューラルネットワークによる予測結果
と、需要量を変動させる要因の所定のデータとを入力し
需要量を予測する第２のニューラルネットワークと、を
備えたことを特徴とする需要量予測装置を提供する。
【０００９】本発明においては、好ましくは、前記第１
及び第２のニューラルネットワークが構造化ニューラル
ネットワークからなることを特徴とする。
及び第２のニューラルネットワークが構造化ニューラル
ネットワークからなることを特徴とする。
【００１０】また、本発明は、第２の視点において、需
要量を変動させる要因のデータを入力信号、実需要量を
教師信号として、需要量を予測する予測モデルをニュー
ラルネットワークに構築する需要量予測装置において、
所望の需要量と、該需要量に時間的に先行する需要量の
予測値とを合わせて複数個を出力すべく、需要量を変動
させる要因のデータについても前記時間的に先行する需
要量に対応するデータを合わせて複数組入力するように
構成したことを特徴とする需要量予測装置を提供する。
要量を変動させる要因のデータを入力信号、実需要量を
教師信号として、需要量を予測する予測モデルをニュー
ラルネットワークに構築する需要量予測装置において、
所望の需要量と、該需要量に時間的に先行する需要量の
予測値とを合わせて複数個を出力すべく、需要量を変動
させる要因のデータについても前記時間的に先行する需
要量に対応するデータを合わせて複数組入力するように
構成したことを特徴とする需要量予測装置を提供する。
【００１１】本発明は、第２の視点において、好ましく
は、前記ニューラルネットワークが、需要量を変動させ
る要因のデータの少なくとも一を予測する第１のニュー
ラルネットワークと、前記第１のニューラルネットワー
クによる予測結果と、需要量を変動させる要因の所定の
データとを入力し需要量を予測する第２のニューラルネ
ットワークと、を含むことを特徴とする。
は、前記ニューラルネットワークが、需要量を変動させ
る要因のデータの少なくとも一を予測する第１のニュー
ラルネットワークと、前記第１のニューラルネットワー
クによる予測結果と、需要量を変動させる要因の所定の
データとを入力し需要量を予測する第２のニューラルネ
ットワークと、を含むことを特徴とする。
【００１２】また、本発明は、好ましくは、出力された
前記複数個の予測需要量（時系列予測需要量）に基づ
き、所定の時点の予測需要量を決定する手段を備えるよ
うに構成してもよい。
前記複数個の予測需要量（時系列予測需要量）に基づ
き、所定の時点の予測需要量を決定する手段を備えるよ
うに構成してもよい。
【００１３】さらに、本発明は、好ましくは、現時点よ
りも過去に予測された需要量と実需要量の時系列から、
該現時点で予測される需要量を修正するための値を出力
する手段（「修正率決定手段」という）を備えたことを
特徴とする。
りも過去に予測された需要量と実需要量の時系列から、
該現時点で予測される需要量を修正するための値を出力
する手段（「修正率決定手段」という）を備えたことを
特徴とする。
【００１４】本発明においては、好ましくは、前記修正
率決定手段が、前記過去に予測された需要量の時系列デ
ータと実需要量の時系列データに基づき、前記現時点で
予測される需要量を最適に修正するための修正率を出力
する第３のニューラルネットワークを含むことを特徴と
する。
率決定手段が、前記過去に予測された需要量の時系列デ
ータと実需要量の時系列データに基づき、前記現時点で
予測される需要量を最適に修正するための修正率を出力
する第３のニューラルネットワークを含むことを特徴と
する。
【００１５】また、本発明においては、好ましくは、前
記第３のニューラルネットワークが、前記過去に予測さ
れた需要量の時系列データと前記実需要量との時系列デ
ータと、前記過去に予測された所定の需要量とこれに対
応する実需要量から得られる修正率と、を入力し、前記
修正率と予測需要量と実需要量との関係のモデリングを
行なうようにしたことを特徴とする。
記第３のニューラルネットワークが、前記過去に予測さ
れた需要量の時系列データと前記実需要量との時系列デ
ータと、前記過去に予測された所定の需要量とこれに対
応する実需要量から得られる修正率と、を入力し、前記
修正率と予測需要量と実需要量との関係のモデリングを
行なうようにしたことを特徴とする。
【００１６】
【作用】上記構成のもと、本発明によれば、需要量を変
動させる要因となるデータのうち変動の大きな要因自体
を予測する構成とされ、該予測された要因に基づき需要
量を予測するため（この要因の正確な予測値を得ること
も通常困難とされている）、例えば該要因の値が、他の
なんらかの手法により、さらに正確な値が求めらた場合
には、該正確な値を用いて更に高精度の予測が可能とさ
れる。
動させる要因となるデータのうち変動の大きな要因自体
を予測する構成とされ、該予測された要因に基づき需要
量を予測するため（この要因の正確な予測値を得ること
も通常困難とされている）、例えば該要因の値が、他の
なんらかの手法により、さらに正確な値が求めらた場合
には、該正確な値を用いて更に高精度の予測が可能とさ
れる。
【００１７】また、本発明によれば、需要量を時系列パ
タンとして扱うため、動的な特徴をモデリングを行なう
ことができる。
タンとして扱うため、動的な特徴をモデリングを行なう
ことができる。
【００１８】さらに、本発明によれば、過去に予測値と
実需要量の間に微妙な偏差が見られる場合にも、予測需
要量の修正係数を最適に可変制御するように構成したた
め、適切な修正を行うことができる。
実需要量の間に微妙な偏差が見られる場合にも、予測需
要量の修正係数を最適に可変制御するように構成したた
め、適切な修正を行うことができる。
【００１９】
【実施例】図面を参照して、本発明の実施例を以下に説
明する。
明する。
【００２０】
【実施例１】図１に、本発明の一実施例の需要量予測装
置の構成を示すブロック図を示す。
置の構成を示すブロック図を示す。
【００２１】図１を参照して、本実施例は、現在の需要
量と、需要量を変動させる要因となるデータ（現在の気
温、当日の天気、当日の最低気温、当日の最高気温、翌
日の予想天気、翌日の予想最低気温、翌日の予想最高気
温）計８種類の値を入力として、２４時間後の予測需要
量を出力するものである。
量と、需要量を変動させる要因となるデータ（現在の気
温、当日の天気、当日の最低気温、当日の最高気温、翌
日の予想天気、翌日の予想最低気温、翌日の予想最高気
温）計８種類の値を入力として、２４時間後の予測需要
量を出力するものである。
【００２２】図１において、１−１は第１の構造化ニュ
ーラルネットワーク、１−２は第２の構造化ニューラル
ネットワークである。
ーラルネットワーク、１−２は第２の構造化ニューラル
ネットワークである。
【００２３】第１の構造化ニューラルネットワーク１−
１は、(1)現在の気温、(2)当日の天気、(3)当日の最低
気温、(4)当日の最高気温、(5)翌日の予想天気、(6)翌
日の予想最低気温、(7)翌日の予想最高気温、の７種類
の値を入力として、２４時間後の予測気温を出力する２
４時間後気温予測用の構造化ニューラルネットワークで
ある。
１は、(1)現在の気温、(2)当日の天気、(3)当日の最低
気温、(4)当日の最高気温、(5)翌日の予想天気、(6)翌
日の予想最低気温、(7)翌日の予想最高気温、の７種類
の値を入力として、２４時間後の予測気温を出力する２
４時間後気温予測用の構造化ニューラルネットワークで
ある。
【００２４】第２の構造化ニューラルネットワーク１−
２は、(1)現在の需要量、(2)現在の気温、(3)第１の構
造化ニューラルネットワーク１−１から出力される２４
時間後の気温、の３種類の値を入力として、２４時間後
の予測需要量を出力する２４時間後需要量予測用の構造
化ニューラルネットワークである。
２は、(1)現在の需要量、(2)現在の気温、(3)第１の構
造化ニューラルネットワーク１−１から出力される２４
時間後の気温、の３種類の値を入力として、２４時間後
の予測需要量を出力する２４時間後需要量予測用の構造
化ニューラルネットワークである。
【００２５】第１、第２の構造化ニューラルネットワー
ク１−１、１−２において、予測に先立ち、過去の実際
のデータを用いて、ネットワークの重み係数を学習して
おく。
ク１−１、１−２において、予測に先立ち、過去の実際
のデータを用いて、ネットワークの重み係数を学習して
おく。
【００２６】天気情報の入力は、例えば表１に示すよう
に、感覚的に天候が良い方から０．０で、悪くなるにつ
れ１．０に近づく値として入力する。
に、感覚的に天候が良い方から０．０で、悪くなるにつ
れ１．０に近づく値として入力する。
【００２７】
【表１】
【００２８】構造化ニューラルネットワークの構築法、
学習法は、本発明者により例えば特開平７−２８６４８
号公報（特願平５−１６８０９１号）に提案されてい
る。なお、同公報には、シグモイド関数の傾きを大きく
した０−１近似関数を導入することにより、ルール前提
部のａｎｄ演算をｍｉｎ演算としたファジイ推論におけ
るメンバシップ関数を降下法で学習可能とするニューラ
ルネットワークの構成が提案されている。
学習法は、本発明者により例えば特開平７−２８６４８
号公報（特願平５−１６８０９１号）に提案されてい
る。なお、同公報には、シグモイド関数の傾きを大きく
した０−１近似関数を導入することにより、ルール前提
部のａｎｄ演算をｍｉｎ演算としたファジイ推論におけ
るメンバシップ関数を降下法で学習可能とするニューラ
ルネットワークの構成が提案されている。
【００２９】後述する第２、第３の実施例で説明され
る、天気情報、構造化ニューラルネットワークについて
も本実施例と同様であるものとする。ただし、これらの
記載は、本発明を限定するものではなく、天気情報につ
いては他の数値化法を、構造化ニューラルネットワーク
については従来の階層構造のニューラルネットワークを
含む他の構造化ニューラルネットワークを、用いても良
いことは勿論である。
る、天気情報、構造化ニューラルネットワークについて
も本実施例と同様であるものとする。ただし、これらの
記載は、本発明を限定するものではなく、天気情報につ
いては他の数値化法を、構造化ニューラルネットワーク
については従来の階層構造のニューラルネットワークを
含む他の構造化ニューラルネットワークを、用いても良
いことは勿論である。
【００３０】
【実施例２】次に、本発明を第２の実施例を説明する。
図２は、本発明の第２の実施例の需要量予測装置の構成
を示すブロック図である。本実施例は１ヶ月後の日総需
要量の予測を行うものである。
図２は、本発明の第２の実施例の需要量予測装置の構成
を示すブロック図である。本実施例は１ヶ月後の日総需
要量の予測を行うものである。
【００３１】図２において、２−１は構造化ニューラル
ネットワークである。当日がα日として、それから１ヶ
月後の同じ曜日の日（β日）における日総需要量を予測
する場合において、入出力データを３日分の時系列デー
タとして扱う例で説明を行う。
ネットワークである。当日がα日として、それから１ヶ
月後の同じ曜日の日（β日）における日総需要量を予測
する場合において、入出力データを３日分の時系列デー
タとして扱う例で説明を行う。
【００３２】本実施例では、総需要量を変動させる要因
となるデータとして、天気（天候情報）を用いる。
となるデータとして、天気（天候情報）を用いる。
【００３３】構造化ニューラルネットワーク２−１は、
入力を、α−２日（二日前）、α−１日（前日）、α日
（当日）における総需要量とそれぞれの天気、およびβ
−２日、β−１日、β日における予想天気の計２７種類
の値、出力をβ−２日、β−１日、β日における予測総
需要量とする構造化ニューラルネットワークである。予
測に先立ち、過去の実際のデータを用いて、ネットワー
クの重み係数を学習しておく。
入力を、α−２日（二日前）、α−１日（前日）、α日
（当日）における総需要量とそれぞれの天気、およびβ
−２日、β−１日、β日における予想天気の計２７種類
の値、出力をβ−２日、β−１日、β日における予測総
需要量とする構造化ニューラルネットワークである。予
測に先立ち、過去の実際のデータを用いて、ネットワー
クの重み係数を学習しておく。
【００３４】日単位で続けて予測を行なう場合、続けて
同じ日にちにおける予測総需要量が得られることにな
る。
同じ日にちにおける予測総需要量が得られることにな
る。
【００３５】例えば、α’日から１ヶ月後の同じ曜日の
日をβ’日とすると、α’日における予測ではβ’−２
日、β’−１日、β’日の予測総需要量が、α’＋１日
における予測ではβ’−１日、β’日、β’＋１日の予
測総需要量が、α’＋２日の予測ではβ’日、β’＋１
日、β’＋２日の予測総需要量が、それぞれ得られ、
β’日における予測総需要量は、３回得られることにな
る。
日をβ’日とすると、α’日における予測ではβ’−２
日、β’−１日、β’日の予測総需要量が、α’＋１日
における予測ではβ’−１日、β’日、β’＋１日の予
測総需要量が、α’＋２日の予測ではβ’日、β’＋１
日、β’＋２日の予測総需要量が、それぞれ得られ、
β’日における予測総需要量は、３回得られることにな
る。
【００３６】予測需要量決定部２−２は、３つの同じ日
（すなわちβ’日）における予測総需要量から、予測総
需要量を決定する。
（すなわちβ’日）における予測総需要量から、予測総
需要量を決定する。
【００３７】本実施例においては、予測需要量決定部２
−２は３つの平均をとることとするが、最も新しい値を
用いる等、他の方法を用いても良い。
−２は３つの平均をとることとするが、最も新しい値を
用いる等、他の方法を用いても良い。
【００３８】
【実施例３】次に、本発明の第３の実施例を説明する。
図３は、本発明の第３の実施例の需要量予測装置の構成
を示すブロック図である。本実施例はＴ時間後の予測を
行うものである。
図３は、本発明の第３の実施例の需要量予測装置の構成
を示すブロック図である。本実施例はＴ時間後の予測を
行うものである。
【００３９】図３を参照して、本実施例は、需要量予測
部３−１と、修正率決定部３−２と、予測需要量修正部
３−３とから構成されている。
部３−１と、修正率決定部３−２と、予測需要量修正部
３−３とから構成されている。
【００４０】今、時刻ｔにおいて予測を行なった結果得
られた値を、時刻ｔに予測された需要量（時刻ｔ＋Ｔに
おける予測需要量）Ｐｔと呼ぶこととする。
られた値を、時刻ｔに予測された需要量（時刻ｔ＋Ｔに
おける予測需要量）Ｐｔと呼ぶこととする。
【００４１】本実施例は、時刻ｔに予測された需要量Ｐ
ｔを、時刻ｔ以前に予測された需要量と実需要量の時系
列から修正を加えて出力するものである。
ｔを、時刻ｔ以前に予測された需要量と実需要量の時系
列から修正を加えて出力するものである。
【００４２】需要量予測部３−１は、前記第１、第２の
実施例で説明した構成の需要量予測部から構成される。
実施例で説明した構成の需要量予測部から構成される。
【００４３】時刻ｔにおいて予測に必要なデータが入力
されると、時刻ｔ＋Ｔにおける予測需要量Ｐｔが求めら
れ、修正率決定部３−２と、予測需要量修正部３−３と
に送られる。
されると、時刻ｔ＋Ｔにおける予測需要量Ｐｔが求めら
れ、修正率決定部３−２と、予測需要量修正部３−３と
に送られる。
【００４４】修正率決定部３−２では、時刻ｔ−Ｔ−Ｎ
から時刻ｔ−Ｔ−１までに予測されたＮ個の需要量（時
刻ｔ−Ｎから時刻ｔ−１におけるＮ個の予測需要量）Ｐ
t-T-N+n（ｎ＝０，１，…，Ｎ−１）と、時刻ｔ−Ｎか
ら時刻ｔ−１におけるＮ個の実需要量Ｇt-N+n（ｎ＝
０，１，…，Ｎ−１）の時系列から、時刻ｔに予測され
た需要量（時刻ｔ＋Ｔにおける予測需要量）Ｐｔを、最
適に修正する修正係数μｔが、後述する方法により求め
られる。
から時刻ｔ−Ｔ−１までに予測されたＮ個の需要量（時
刻ｔ−Ｎから時刻ｔ−１におけるＮ個の予測需要量）Ｐ
t-T-N+n（ｎ＝０，１，…，Ｎ−１）と、時刻ｔ−Ｎか
ら時刻ｔ−１におけるＮ個の実需要量Ｇt-N+n（ｎ＝
０，１，…，Ｎ−１）の時系列から、時刻ｔに予測され
た需要量（時刻ｔ＋Ｔにおける予測需要量）Ｐｔを、最
適に修正する修正係数μｔが、後述する方法により求め
られる。
【００４５】予測需要量修正部３−３では、需要量予測
部３−１からの時刻ｔに予測された需要量（時刻ｔ＋Ｔ
における予測需要量）Ｐｔが、修正率決定部３−２から
の修正係数μｔに乗ぜられることにより最適に修正さ
れ、修正後予測需要量ＯＵＴｔとして出力される。
部３−１からの時刻ｔに予測された需要量（時刻ｔ＋Ｔ
における予測需要量）Ｐｔが、修正率決定部３−２から
の修正係数μｔに乗ぜられることにより最適に修正さ
れ、修正後予測需要量ＯＵＴｔとして出力される。
【００４６】図４は、修正率決定部３−２の構成を示す
ブロック図である。
ブロック図である。
【００４７】図４を参照して、修正率決定部３−２は、
予測需要量の時系列データを格納する予測需要量リング
バッファ４−１と、実需要量の時系列データを格納する
実需要量リングバッファ４−２と、修正係数計算部４−
３と、構造化ニューラルネットワーク４−４とから構成
される。
予測需要量の時系列データを格納する予測需要量リング
バッファ４−１と、実需要量の時系列データを格納する
実需要量リングバッファ４−２と、修正係数計算部４−
３と、構造化ニューラルネットワーク４−４とから構成
される。
【００４８】まず、学習時の説明を行う。
【００４９】時刻ｔ−Ｔ−Ｎ−１から時刻ｔ−Ｔ−２ま
でに予測されたＮ個の需要量（ｔ−Ｎ−１時刻からｔ−
２時刻におけるＮ個の予測需要量）Ｐt-T-N+n（ｎ＝−
１，０，１，…，Ｎ−２）と、時刻ｔ−Ｎ−１から時刻
ｔ−２におけるＮ個の実需要量Ｇt-N+n（ｎ＝−１，
０，１，…，Ｎ−２）の時系列から、時刻ｔ−Ｔ−１に
予測された需要量（時刻ｔ−１における予測需要量）Ｐ
t-T-1を、最適に修正する修正係数μt-T-1を学習する場
合について説明する。
でに予測されたＮ個の需要量（ｔ−Ｎ−１時刻からｔ−
２時刻におけるＮ個の予測需要量）Ｐt-T-N+n（ｎ＝−
１，０，１，…，Ｎ−２）と、時刻ｔ−Ｎ−１から時刻
ｔ−２におけるＮ個の実需要量Ｇt-N+n（ｎ＝−１，
０，１，…，Ｎ−２）の時系列から、時刻ｔ−Ｔ−１に
予測された需要量（時刻ｔ−１における予測需要量）Ｐ
t-T-1を、最適に修正する修正係数μt-T-1を学習する場
合について説明する。
【００５０】需要量予測部３−１から出力される予測需
要量Ｐｋは、予測需要量リングバッファ４−１に、観測
される実需要量Ｇｋは、実需要量リングバッファ４−２
に、それぞれ逐次蓄えられる。
要量Ｐｋは、予測需要量リングバッファ４−１に、観測
される実需要量Ｇｋは、実需要量リングバッファ４−２
に、それぞれ逐次蓄えられる。
【００５１】予測需要量リングバッファ４−１には、時
刻ｔ−Ｔ−Ｎ−１から時刻ｔ−Ｔ−２までに予測された
Ｎ個の需要量（時刻ｔ−Ｎ−１から時刻ｔ−２における
Ｎ個の予測需要量）Ｐt-T-N+n（ｎ＝−１，０，１，
…，Ｎ−２）が蓄積され、実需要量リングバッファ４−
２には、時刻ｔ−Ｎ−１から時刻ｔ−２におけるＮ個の
実需要量Ｇt-N+n（ｎ＝−１，０，１，…，Ｎ−２）蓄
積されたものとする。
刻ｔ−Ｔ−Ｎ−１から時刻ｔ−Ｔ−２までに予測された
Ｎ個の需要量（時刻ｔ−Ｎ−１から時刻ｔ−２における
Ｎ個の予測需要量）Ｐt-T-N+n（ｎ＝−１，０，１，
…，Ｎ−２）が蓄積され、実需要量リングバッファ４−
２には、時刻ｔ−Ｎ−１から時刻ｔ−２におけるＮ個の
実需要量Ｇt-N+n（ｎ＝−１，０，１，…，Ｎ−２）蓄
積されたものとする。
【００５２】次に、時刻ｔ−Ｔ−１に予測された需要量
（時刻ｔ−１における予測需要量）Ｐt-T-1と、時刻ｔ
−１における実需要量Ｇt-1が得られると、修正係数計
算部４−３において、Ｇt-1／Ｐt-T-1なる計算が行わ
れ、修正係数μt-T-1が求められる。
（時刻ｔ−１における予測需要量）Ｐt-T-1と、時刻ｔ
−１における実需要量Ｇt-1が得られると、修正係数計
算部４−３において、Ｇt-1／Ｐt-T-1なる計算が行わ
れ、修正係数μt-T-1が求められる。
【００５３】さらに、予測需要量リングバッファ４−１
には、Ｐt-T-1の値が、実需要量リングバッファ４−２
には、Ｇt-1の値が更新される。
には、Ｐt-T-1の値が、実需要量リングバッファ４−２
には、Ｇt-1の値が更新される。
【００５４】この状態における、予測需要量リングバッ
ファ４−１と、実需要量リングバッファ４−２内の計２
Ｎ個のデータが入力された際に、修正係数計算部４−３
からの修正係数μt-T-1が出力される（教師信号）よう
に、追加学習が行われる。
ファ４−１と、実需要量リングバッファ４−２内の計２
Ｎ個のデータが入力された際に、修正係数計算部４−３
からの修正係数μt-T-1が出力される（教師信号）よう
に、追加学習が行われる。
【００５５】次に、修正係数出力時の説明を行う。
【００５６】時刻ｔに予測された需要量（時刻ｔ＋Ｔに
おける予測需要量）Ｐｔを最適に修正する修正係数μｔ
を出力する場合について説明する。
おける予測需要量）Ｐｔを最適に修正する修正係数μｔ
を出力する場合について説明する。
【００５７】時刻ｔにおいては、構造化ニューラルネッ
トワーク４−４には、前述のように時刻ｔ−Ｔ−１まで
の、修正係数と予測需要量と実需要量の関係がモデリン
グされている。
トワーク４−４には、前述のように時刻ｔ−Ｔ−１まで
の、修正係数と予測需要量と実需要量の関係がモデリン
グされている。
【００５８】ここで、時刻ｔに予測された需要量（時刻
ｔ＋Ｔにおける予測需要量）Ｐｔと、時刻ｔにおける実
需要量Ｇｔが得られると、予測需要量リングバッファ４
−１と、実需要量リングバッファ４−２が更新された
後、構造化ニューラルネットワーク４−４に入力され、
修正係数μｔが出力される。
ｔ＋Ｔにおける予測需要量）Ｐｔと、時刻ｔにおける実
需要量Ｇｔが得られると、予測需要量リングバッファ４
−１と、実需要量リングバッファ４−２が更新された
後、構造化ニューラルネットワーク４−４に入力され、
修正係数μｔが出力される。
【００５９】以上、本発明を上記３つの実施例に基づい
て説明したが、上記実施例は本発明を限定するものでな
い。すなわち、需要量の種類、規模、需要量を変動させ
る要因となるデータの数や種類、予測を行うインターバ
ル等は、本実施例で述べたもの以外でも良いことは勿論
である。
て説明したが、上記実施例は本発明を限定するものでな
い。すなわち、需要量の種類、規模、需要量を変動させ
る要因となるデータの数や種類、予測を行うインターバ
ル等は、本実施例で述べたもの以外でも良いことは勿論
である。
【００６０】
【発明の効果】以上説明したように、本発明によれば、
需要量を変動させる要因となるデータのうち、変動の大
きな要因と考えられる値を第１の構造化ニューラルネッ
トワークで予測し、該予測値に基づき更に第２の構造化
ニューラルネットワークで需要量を予測するように構成
したことにより、地域冷暖房制御や上水道配水制御等、
高効率運転を実現することを可能とするという効果を有
する。また、本発明によれば、需要量変動の大きな要因
と考えられる値が、他のなんらかの手法によりさらに正
確な値が求められた場合には、その値を用いて、更に正
確な予測が実現できるという利点を有する。
需要量を変動させる要因となるデータのうち、変動の大
きな要因と考えられる値を第１の構造化ニューラルネッ
トワークで予測し、該予測値に基づき更に第２の構造化
ニューラルネットワークで需要量を予測するように構成
したことにより、地域冷暖房制御や上水道配水制御等、
高効率運転を実現することを可能とするという効果を有
する。また、本発明によれば、需要量変動の大きな要因
と考えられる値が、他のなんらかの手法によりさらに正
確な値が求められた場合には、その値を用いて、更に正
確な予測が実現できるという利点を有する。
【００６１】さらに、本発明によれば、需要量を時系列
パタンとして扱うため、動的な特徴をモデリングするこ
とができるという利点を有する。
パタンとして扱うため、動的な特徴をモデリングするこ
とができるという利点を有する。
【００６２】そして、本発明によれば、過去に予測値と
実需要量の間に微妙な偏差が見られる場合にも、予測需
要量の修正係数が最適に可変制御されるため、需要量の
適切な修正が行われるという利点を有する。
実需要量の間に微妙な偏差が見られる場合にも、予測需
要量の修正係数が最適に可変制御されるため、需要量の
適切な修正が行われるという利点を有する。
【図１】本発明の第１の実施例の構成を示すブロック図
である。
である。
【図２】本発明の第２の実施例の構成を示すブロック図
である。
である。
【図３】本発明の第３の実施例の構成を示すブロック図
である。
である。
【図４】本発明の第３の実施例における修正率決定部の
構成を示すブロック図である。
構成を示すブロック図である。
１−１ 第１の構造化ニューラルネットワーク １−２ 第２の構造化ニューラルネットワーク ２−１ 構造化ニューラルネットワーク ２−２ 予測需要量決定部 ３−１ 需要量予測部 ３−２ 修正率決定部 ３−３ 予測需要量修正部 ４−１ 予測需要量リングバッファ ４−２ 実需要量リングバッファ ４−３ 修正係数計算部 ４−４ 構造化ニューラルネットワーク
Claims (8)
- 【請求項１】需要量を変動させる要因のデータを入力信
号、実需要量を教師信号として、需要量を予測する予測
モデルをニューラルネットワークに構築する需要量予測
装置において、 需要量を変動させる要因のデータの少なくとも一を予測
する第１のニューラルネットワークと、 前記第１のニューラルネットワークによる予測結果と、
需要量を変動させる要因の所定のデータとを入力し需要
量を予測する第２のニューラルネットワークと、 を備えたことを特徴とする需要量予測装置。 - 【請求項２】前記第１及び第２のニューラルネットワー
クが構造化ニューラルネットワークからなることを特徴
とする請求項１記載の需要量予測装置。 - 【請求項３】需要量を変動させる要因のデータを入力信
号、実需要量を教師信号として、需要量を予測する予測
モデルをニューラルネットワークに構築する需要量予測
装置において、 所望の需要量と、該需要量に時間的に先行する需要量の
予測値とを合わせて複数個を出力すべく、需要量を変動
させる要因のデータについても前記時間的に先行する需
要量に対応するデータを合わせて複数組入力するように
構成したことを特徴とする需要量予測装置。 - 【請求項４】前記ニューラルネットワークが、需要量を
変動させる要因のデータの少なくとも一を予測する第１
のニューラルネットワークと、前記第１のニューラルネ
ットワークによる予測結果と、需要量を変動させる要因
の所定のデータとを入力し需要量を予測する第２のニュ
ーラルネットワークと、を含むことを特徴とする請求項
３記載の需要量予測装置。 - 【請求項５】出力された前記複数個の予測需要量（時系
列予測需要量）に基づき、所定の時点の予測需要量を決
定する手段を備えたことを特徴とする請求項３記載の需
要量予測装置。 - 【請求項６】現時点よりも過去に予測された需要量と実
需要量の時系列から、該現時点で予測される需要量を修
正するための値を出力する手段（「修正率決定手段」と
いう）を備えたことを特徴とする請求項１又は３記載の
需要量予測装置。 - 【請求項７】前記修正率決定手段が、前記過去に予測さ
れた需要量の時系列データと実需要量の時系列データに
基づき、前記現時点で予測される需要量を最適に修正す
るための修正率を出力する第３のニューラルネットワー
クを含むことを特徴とする請求項６記載の需要量予測装
置。 - 【請求項８】前記第３のニューラルネットワークが、前
記過去に予測された需要量の時系列データと前記実需要
量との時系列データと、前記過去に予測された所定の需
要量とこれに対応する実需要量から得られる修正率と、
を入力し、前記修正率と予測需要量と実需要量との関係
のモデリングを行なうようにしたことを特徴とする請求
項７記載の需要量予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18831195A JP3077883B2 (ja) | 1995-06-30 | 1995-06-30 | 需要量予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18831195A JP3077883B2 (ja) | 1995-06-30 | 1995-06-30 | 需要量予測装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0916555A true JPH0916555A (ja) | 1997-01-17 |
| JP3077883B2 JP3077883B2 (ja) | 2000-08-21 |
Family
ID=16221389
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP18831195A Expired - Fee Related JP3077883B2 (ja) | 1995-06-30 | 1995-06-30 | 需要量予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3077883B2 (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11202903A (ja) * | 1998-01-07 | 1999-07-30 | Nippon Steel Corp | 製造プロセスの状態量推定方法 |
| JPH11275762A (ja) * | 1998-03-24 | 1999-10-08 | Ntt Power And Building Facilities Inc | 電力貯蔵装置 |
| US7048788B2 (en) | 2003-08-05 | 2006-05-23 | Shunichi Yamazaki | Ship bottom paint using coal ash and diatomaceous earth |
| JP2014119794A (ja) * | 2012-12-13 | 2014-06-30 | Mitsubishi Electric Corp | 予測シミュレーション装置 |
| CN104091045A (zh) * | 2014-06-16 | 2014-10-08 | 华南理工大学 | 一种基于bp神经网络的空调长效性能预测方法 |
| JP2015166962A (ja) * | 2014-03-04 | 2015-09-24 | 日本電気株式会社 | 情報処理装置、学習方法、及び、プログラム |
| CN118014166A (zh) * | 2024-04-09 | 2024-05-10 | 陕西德联新能源有限公司 | 基于大数据的供热系统的负荷预测方法及系统 |
-
1995
- 1995-06-30 JP JP18831195A patent/JP3077883B2/ja not_active Expired - Fee Related
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11202903A (ja) * | 1998-01-07 | 1999-07-30 | Nippon Steel Corp | 製造プロセスの状態量推定方法 |
| JPH11275762A (ja) * | 1998-03-24 | 1999-10-08 | Ntt Power And Building Facilities Inc | 電力貯蔵装置 |
| US7048788B2 (en) | 2003-08-05 | 2006-05-23 | Shunichi Yamazaki | Ship bottom paint using coal ash and diatomaceous earth |
| JP2014119794A (ja) * | 2012-12-13 | 2014-06-30 | Mitsubishi Electric Corp | 予測シミュレーション装置 |
| JP2015166962A (ja) * | 2014-03-04 | 2015-09-24 | 日本電気株式会社 | 情報処理装置、学習方法、及び、プログラム |
| CN104091045A (zh) * | 2014-06-16 | 2014-10-08 | 华南理工大学 | 一种基于bp神经网络的空调长效性能预测方法 |
| CN104091045B (zh) * | 2014-06-16 | 2017-04-19 | 华南理工大学 | 一种基于bp神经网络的空调长效性能预测方法 |
| CN118014166A (zh) * | 2024-04-09 | 2024-05-10 | 陕西德联新能源有限公司 | 基于大数据的供热系统的负荷预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3077883B2 (ja) | 2000-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mandal et al. | A neural network based several-hour-ahead electric load forecasting using similar days approach | |
| CN108280551B (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
| Senjyu et al. | Next day load curve forecasting using recurrent neural network structure | |
| Abdi et al. | Short-term traffic flow forecasting: parametric and nonparametric approaches via emotional temporal difference learning | |
| JP3360520B2 (ja) | 日負荷曲線予測方法 | |
| JPH0916555A (ja) | 需要量予測装置 | |
| Dash et al. | A real-time short-term peak and average load forecasting system using a self-organising fuzzy neural network | |
| Wu et al. | Automatic fuzzy model identification for short-term load forecast | |
| CN107977728A (zh) | 一种基于bp人工神经网络的中长期逐小时气温预测方法 | |
| JPH09273795A (ja) | 熱負荷予測装置 | |
| Lee et al. | Short-term load forecasting using diagonal recurrent neural network | |
| JP3650304B2 (ja) | 需要予測装置 | |
| Osowski et al. | The selforganizing neural network approach to load forecasting in the power system | |
| Momoh et al. | Artificial neural network based load forecasting | |
| JP2000305606A (ja) | 配水需要量予測方法 | |
| JP2005157685A (ja) | エネルギー需要予測システム | |
| JPH0886490A (ja) | 熱負荷予測装置 | |
| Chiang et al. | A hybrid approach of neural networks and grey modeling for adaptive electricity load forecasting | |
| JPH0922402A (ja) | 日最大電力需要量予測方法 | |
| Iizaka et al. | A novel daily peak load forecasting method using analyzable structured neural network | |
| Onoda | Next day's peak load forecasting using an artificial neural network | |
| CN114519444A (zh) | 阶层式时间序列预测方法 | |
| JPH06119291A (ja) | 配水量予測装置 | |
| JPH0784983A (ja) | 時系列データの予測装置 | |
| JPH06102908A (ja) | 需要予測装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 19990202 |
|
| LAPS | Cancellation because of no payment of annual fees |