JPH0922402A - 日最大電力需要量予測方法 - Google Patents
日最大電力需要量予測方法Info
- Publication number
- JPH0922402A JPH0922402A JP28924595A JP28924595A JPH0922402A JP H0922402 A JPH0922402 A JP H0922402A JP 28924595 A JP28924595 A JP 28924595A JP 28924595 A JP28924595 A JP 28924595A JP H0922402 A JPH0922402 A JP H0922402A
- Authority
- JP
- Japan
- Prior art keywords
- day
- power demand
- maximum power
- data
- learning
- 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 description 21
- 238000013528 artificial neural network Methods 0.000 claims description 104
- 230000000306 recurrent effect Effects 0.000 claims description 18
- 238000013277 forecasting method Methods 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 abstract description 43
- 230000003203 everyday effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
(57)【要約】
【課題】 日最大電力需要量の予測精度を向上させる。
【解決手段】 予測対象日から少なくとも過去１年間の
各日の気象データ、曜日の区別、最大電力需要量等を用
いて主予測モデルに学習させるステップ（Ｓ１１）、予
測対象日至近の一定期間につき主予測モデルから出力さ
れた各日の最大電力需要量予測値と実績値との偏差また
は比率を教師値として補正モデルに学習させるステップ
（Ｓ１２）、主予測モデルに学習時と同項目のデータを
入力し、前年度相当の日最大電力需要量を出力させるス
テップ（Ｓ１３）、学習させた補正モデルに学習時と同
項目のデータを入力し、日最大電力需要量の前年度相当
値及び今年度相当値の偏差または比率を出力させるステ
ップ（Ｓ１４）、ステップＳ１３による前年度相当の日
最大電力需要量を、ステップＳ１４による偏差または比
率により補正して日最大電力需要量予測値を得るステッ
プ（Ｓ１５）からなる。
各日の気象データ、曜日の区別、最大電力需要量等を用
いて主予測モデルに学習させるステップ（Ｓ１１）、予
測対象日至近の一定期間につき主予測モデルから出力さ
れた各日の最大電力需要量予測値と実績値との偏差また
は比率を教師値として補正モデルに学習させるステップ
（Ｓ１２）、主予測モデルに学習時と同項目のデータを
入力し、前年度相当の日最大電力需要量を出力させるス
テップ（Ｓ１３）、学習させた補正モデルに学習時と同
項目のデータを入力し、日最大電力需要量の前年度相当
値及び今年度相当値の偏差または比率を出力させるステ
ップ（Ｓ１４）、ステップＳ１３による前年度相当の日
最大電力需要量を、ステップＳ１４による偏差または比
率により補正して日最大電力需要量予測値を得るステッ
プ（Ｓ１５）からなる。
Description
【０００１】
【発明の属する技術分野】本発明は、各種電力系統にお
ける中央給電指令所または地方給電指令所、系統制御所
等において、系統制御用計算機または汎用電子計算機上
で日最大電力需要量を自動的に予測する方法に関する。
ける中央給電指令所または地方給電指令所、系統制御所
等において、系統制御用計算機または汎用電子計算機上
で日最大電力需要量を自動的に予測する方法に関する。
【０００２】
【従来の技術】電力系統における翌日の日最大電力需要
量の予測作業は、熟練運用者の経験と直感的知識により
行われていることが多く、そのほぼすべての作業を手作
業に頼っている。このため、予測作業を自動化する例と
して、重回帰分析に代表される統計的手法に基づく予測
モデルを作成し、これを用いて日最大電力需要量を予測
する方法が提案されている。
量の予測作業は、熟練運用者の経験と直感的知識により
行われていることが多く、そのほぼすべての作業を手作
業に頼っている。このため、予測作業を自動化する例と
して、重回帰分析に代表される統計的手法に基づく予測
モデルを作成し、これを用いて日最大電力需要量を予測
する方法が提案されている。
【０００３】一方、最近では、ニューラルネットワーク
を用いた日最大電力需要量の予測方法が幾つか紹介され
ている。この予測方法を大別すると、以下の二つにな
る。
を用いた日最大電力需要量の予測方法が幾つか紹介され
ている。この予測方法を大別すると、以下の二つにな
る。
【０００４】一つは、ニューラルネットワークの学習デ
ータに、予測対象日以前であって至近（１週間〜２，３
ヵ月程度）の実績データを用いる方法である。ここで、
ニューラルネットワークの学習とは、学習データに対す
る入出力関係のモデル化を行うことである。このため、
ニューラルネットワークの出力値は、学習データの収集
期間に対応する出力となる。このように予測対象日至近
の学習データを用いる場合には、ニューラルネットワー
クの出力値に対して年増加分の補正を行う必要はない
が、週・月単位での最大電力需要量の増加分が反映され
ず、学習データの量が少ないため、一般的に予測精度は
余り良好ではない。
ータに、予測対象日以前であって至近（１週間〜２，３
ヵ月程度）の実績データを用いる方法である。ここで、
ニューラルネットワークの学習とは、学習データに対す
る入出力関係のモデル化を行うことである。このため、
ニューラルネットワークの出力値は、学習データの収集
期間に対応する出力となる。このように予測対象日至近
の学習データを用いる場合には、ニューラルネットワー
クの出力値に対して年増加分の補正を行う必要はない
が、週・月単位での最大電力需要量の増加分が反映され
ず、学習データの量が少ないため、一般的に予測精度は
余り良好ではない。
【０００５】もう一つは、学習データに予測対象日が属
する年の前年あるいは過去数年の実績データを用いる方
法である。この場合、ニューラルネットワークの出力値
は前年度相当で出力されるため、最大電力の年増加分を
補正する必要がある。この方法によれば、十分な学習デ
ータを用いることができるため、良好な予測精度を得る
ことができる。従来、上述した年増加分の補正に当たっ
ては、春季、秋季の冷暖房需要を含まない電力需要の比
率から算出した年増加補正係数や、経験的に決定した年
増加補正係数が用いられていた。
する年の前年あるいは過去数年の実績データを用いる方
法である。この場合、ニューラルネットワークの出力値
は前年度相当で出力されるため、最大電力の年増加分を
補正する必要がある。この方法によれば、十分な学習デ
ータを用いることができるため、良好な予測精度を得る
ことができる。従来、上述した年増加分の補正に当たっ
ては、春季、秋季の冷暖房需要を含まない電力需要の比
率から算出した年増加補正係数や、経験的に決定した年
増加補正係数が用いられていた。
【０００６】
【発明が解決しようとする課題】電力系統を運用するた
めには、厖大な専門的知識が必要であるが、近年では、
この知識を有する熟練運用者が特に減少の一途をたどっ
ている。一方、最大電力需要量の予測は、系統運用の基
盤とも言うべき発電計画立案の基礎となるものであり、
その予測精度の向上と自動化が切望されている。
めには、厖大な専門的知識が必要であるが、近年では、
この知識を有する熟練運用者が特に減少の一途をたどっ
ている。一方、最大電力需要量の予測は、系統運用の基
盤とも言うべき発電計画立案の基礎となるものであり、
その予測精度の向上と自動化が切望されている。
【０００７】更に、前述したように予測対象日が属する
年の前年あるいは過去数年の実績データを用いて学習さ
せたニューラルネットワークにおいて、従来の年増加補
正方法では、基本的に前年からの伸び率に従っているた
め、予測対象日が属する年に異常気象や景気変動といっ
た電力需要量を大きく左右する要因が発生した場合に
は、正確な年増加補正を望むことができない。
年の前年あるいは過去数年の実績データを用いて学習さ
せたニューラルネットワークにおいて、従来の年増加補
正方法では、基本的に前年からの伸び率に従っているた
め、予測対象日が属する年に異常気象や景気変動といっ
た電力需要量を大きく左右する要因が発生した場合に
は、正確な年増加補正を望むことができない。
【０００８】本発明は上記課題を解決するためになされ
たもので、熟練運用者に依存することなく、また、正確
な年増加補正を可能にして予測精度を向上させることが
できる日最大電力需要量予測方法を提供しようとするも
のである。更に、予測対象日の間近に異常気象や景気変
動などが発生した場合であっても、正確な予測を行える
ようにした日最大電力需要量予測方法を提供するもので
ある。
たもので、熟練運用者に依存することなく、また、正確
な年増加補正を可能にして予測精度を向上させることが
できる日最大電力需要量予測方法を提供しようとするも
のである。更に、予測対象日の間近に異常気象や景気変
動などが発生した場合であっても、正確な予測を行える
ようにした日最大電力需要量予測方法を提供するもので
ある。
【０００９】
【課題を解決するための手段及び作用】上記課題を解決
するため、請求項１記載の発明は、予測対象日から少な
くとも過去１年間の各日ごとの気象データ、平日・土曜
日・日祭日の区別及び最大電力需要量実績値等からなる
学習データを用いて、主予測モデルとしての第１のニュ
ーラルネットワークに学習させる第１のステップと、予
測対象日以前であって至近の一定期間について、第１の
ニューラルネットワークにより予測して出力された各日
ごとの最大電力需要量予測値と最大電力需要量実績値と
の偏差、または両者の比率を教師値とし、第１のニュー
ラルネットワークと同等または一部の入力データを用い
て補正モデルとしての第２のニューラルネットワークに
学習させる第２のステップと、第１のニューラルネット
ワークに学習時と同項目のデータを入力し、前年度相当
の日最大電力需要量を出力させる第３のステップと、学
習させた第２のニューラルネットワークに学習時と同項
目のデータを入力し、前年度相当の日最大電力需要量と
今年度相当の日最大電力需要量との偏差または比率を出
力させる第４のステップと、第３のステップにより出力
された前年度相当の日最大電力需要量を、第４のステッ
プにより出力された偏差または比率により補正して予測
対象日の最大電力需要量予測値を得る第５のステップと
からなるものである。
するため、請求項１記載の発明は、予測対象日から少な
くとも過去１年間の各日ごとの気象データ、平日・土曜
日・日祭日の区別及び最大電力需要量実績値等からなる
学習データを用いて、主予測モデルとしての第１のニュ
ーラルネットワークに学習させる第１のステップと、予
測対象日以前であって至近の一定期間について、第１の
ニューラルネットワークにより予測して出力された各日
ごとの最大電力需要量予測値と最大電力需要量実績値と
の偏差、または両者の比率を教師値とし、第１のニュー
ラルネットワークと同等または一部の入力データを用い
て補正モデルとしての第２のニューラルネットワークに
学習させる第２のステップと、第１のニューラルネット
ワークに学習時と同項目のデータを入力し、前年度相当
の日最大電力需要量を出力させる第３のステップと、学
習させた第２のニューラルネットワークに学習時と同項
目のデータを入力し、前年度相当の日最大電力需要量と
今年度相当の日最大電力需要量との偏差または比率を出
力させる第４のステップと、第３のステップにより出力
された前年度相当の日最大電力需要量を、第４のステッ
プにより出力された偏差または比率により補正して予測
対象日の最大電力需要量予測値を得る第５のステップと
からなるものである。
【００１０】本発明においては、長期的に見た気象条件
と電力需要との相関関係を主予測モデルとして構築し、
これに予測対象年に特有の相関関係や年増加、主予測モ
デルの誤差等を吸収する補正モデルを補助的に用いるこ
とにより、主予測モデルに対する年増加補正、予測誤差
補正、前年から予測対象年への気象感応度の変化分への
対応などが可能になり、日最大電力需要量を高精度に予
測することができる。
と電力需要との相関関係を主予測モデルとして構築し、
これに予測対象年に特有の相関関係や年増加、主予測モ
デルの誤差等を吸収する補正モデルを補助的に用いるこ
とにより、主予測モデルに対する年増加補正、予測誤差
補正、前年から予測対象年への気象感応度の変化分への
対応などが可能になり、日最大電力需要量を高精度に予
測することができる。
【００１１】請求項２記載の発明は、前記第１のステッ
プと、予測対象日の前日または前々日から少なくとも過
去１年分の実績データを用い、第１のニューラルネット
ワークと同等または一部、及び、学習データ開始日を１
日とする日数を表わす変数を入力データとして、年増加
補正係数算出用の第２のニューラルネットワークに学習
させる第２のステップと、前記第３のステップと、学習
させた第２のニューラルネットワークに、予測対象日に
対し学習データの開始日から数えた日数、または学習デ
ータの開始日から数えた日数−３６５日からなる日数デ
ータ、及び、これらの日数データに対応する気象条件を
入力して、予測対象日の気象条件に対する今年度相当の
最大電力需要量及び前年度相当の最大電力需要量を求
め、これらの最大電力需要量の比から年増加補正係数を
算出する第４のステップと、第３のステップにより出力
された前年度相当の日最大電力需要量に、第４のステッ
プにより求めた年増加補正係数を乗じて予測対象日の最
大電力需要量予測値を得る第５のステップとからなるも
のである。
プと、予測対象日の前日または前々日から少なくとも過
去１年分の実績データを用い、第１のニューラルネット
ワークと同等または一部、及び、学習データ開始日を１
日とする日数を表わす変数を入力データとして、年増加
補正係数算出用の第２のニューラルネットワークに学習
させる第２のステップと、前記第３のステップと、学習
させた第２のニューラルネットワークに、予測対象日に
対し学習データの開始日から数えた日数、または学習デ
ータの開始日から数えた日数−３６５日からなる日数デ
ータ、及び、これらの日数データに対応する気象条件を
入力して、予測対象日の気象条件に対する今年度相当の
最大電力需要量及び前年度相当の最大電力需要量を求
め、これらの最大電力需要量の比から年増加補正係数を
算出する第４のステップと、第３のステップにより出力
された前年度相当の日最大電力需要量に、第４のステッ
プにより求めた年増加補正係数を乗じて予測対象日の最
大電力需要量予測値を得る第５のステップとからなるも
のである。
【００１２】本発明においては、ニューラルネットワー
クとして時系列特性を把握するリカレントネットワーク
を用いることにより、景気変動などに起因する電力需要
量やその変化量の変動にも対応できるため、日最大電力
需要量の予測に当たり極めて有効である。
クとして時系列特性を把握するリカレントネットワーク
を用いることにより、景気変動などに起因する電力需要
量やその変化量の変動にも対応できるため、日最大電力
需要量の予測に当たり極めて有効である。
【００１３】請求項３記載の発明は、予測対象日から少
なくとも過去１年間の各日ごとの気象データの前日から
の偏差、平日・土曜日・日祭日の区別及び当該日の最大
電力需要量実績値の前日からの偏差等からなる学習デー
タを用いて、主予測モデルとしてのニューラルネットワ
ークに学習させる第１のステップと、上記ニューラルネ
ットワークに学習時と同項目のデータを入力し、最大電
力需要量の前日からの偏差を出力値として得る第２のス
テップと、予測対象日の前日の最大電力需要量実績値に
上記出力値を加算して予測対象日の最大電力需要量予測
値を得る第３のステップとからなるものである。
なくとも過去１年間の各日ごとの気象データの前日から
の偏差、平日・土曜日・日祭日の区別及び当該日の最大
電力需要量実績値の前日からの偏差等からなる学習デー
タを用いて、主予測モデルとしてのニューラルネットワ
ークに学習させる第１のステップと、上記ニューラルネ
ットワークに学習時と同項目のデータを入力し、最大電
力需要量の前日からの偏差を出力値として得る第２のス
テップと、予測対象日の前日の最大電力需要量実績値に
上記出力値を加算して予測対象日の最大電力需要量予測
値を得る第３のステップとからなるものである。
【００１４】本発明においては、最大電力需要量を学習
させるのではなく、気象データや最大電力需要量実績値
の前日からの偏差を学習させることにより、至近実績デ
ータを考慮した正確な最大電力需要量の予測を行うこと
ができる。
させるのではなく、気象データや最大電力需要量実績値
の前日からの偏差を学習させることにより、至近実績デ
ータを考慮した正確な最大電力需要量の予測を行うこと
ができる。
【００１５】請求項４記載の発明は、過去のある日か
ら、予測対象日より何日か前の日までの各日ごとの気象
データ、平日・土曜日・日祭日の区別及び当該日の最大
電力需要量実績値等からなる学習データを用いて、リカ
レントネットワークに初期学習させる初期学習する第１
のステップと、上記初期学習の対象となった最終日から
予測対象日までの実績データを用いてリカレントネット
ワークに追加学習させる第２のステップと、追加学習を
終えたリカレントネットワークを用いて、予測対象日の
最大電力需要量予測値を得る第３のステップとからなる
ものである。
ら、予測対象日より何日か前の日までの各日ごとの気象
データ、平日・土曜日・日祭日の区別及び当該日の最大
電力需要量実績値等からなる学習データを用いて、リカ
レントネットワークに初期学習させる初期学習する第１
のステップと、上記初期学習の対象となった最終日から
予測対象日までの実績データを用いてリカレントネット
ワークに追加学習させる第２のステップと、追加学習を
終えたリカレントネットワークを用いて、予測対象日の
最大電力需要量予測値を得る第３のステップとからなる
ものである。
【００１６】本発明においては、リカレントネットワー
クにより予測対象日至近の実績データを用いて追加学習
させるため、ネットワーク内部に蓄積される誤差が減少
すると共に、異常気象や景気の変動を反映させたネット
ワークを構築して高精度な予測を行うことができる。
クにより予測対象日至近の実績データを用いて追加学習
させるため、ネットワーク内部に蓄積される誤差が減少
すると共に、異常気象や景気の変動を反映させたネット
ワークを構築して高精度な予測を行うことができる。
【００１７】請求項５記載の発明は、予測対象日が属す
る年の前年または過去複数年間の各日ごとの気象デー
タ、平日・土曜日・日祭日の区別及び当該日の最大電力
需要量実績値等からなる学習データを用いて、階層型ニ
ューラルネットワークに初期学習させる第１のステップ
と、予測対象日が属する年の初日から予測対象日までの
実績データを年増加補正係数により補正して追加学習に
用いる学習データを作成する第２のステップと、上記第
２のステップにより得た学習データを用いて階層型ニュ
ーラルネットワークに追加学習させる第３のステップ
と、追加学習を終えた階層型ニューラルネットワークを
用いて、予測対象日の最大電力需要量予測値を得る第４
のステップとからなるものである。
る年の前年または過去複数年間の各日ごとの気象デー
タ、平日・土曜日・日祭日の区別及び当該日の最大電力
需要量実績値等からなる学習データを用いて、階層型ニ
ューラルネットワークに初期学習させる第１のステップ
と、予測対象日が属する年の初日から予測対象日までの
実績データを年増加補正係数により補正して追加学習に
用いる学習データを作成する第２のステップと、上記第
２のステップにより得た学習データを用いて階層型ニュ
ーラルネットワークに追加学習させる第３のステップ
と、追加学習を終えた階層型ニューラルネットワークを
用いて、予測対象日の最大電力需要量予測値を得る第４
のステップとからなるものである。
【００１８】本発明においては、階層型ニューラルネッ
トワークにより予測対象日至近の実績データを用いて追
加学習させるため、異常気象や景気の変動を反映させた
ネットワークを構築して高精度な予測を行うことができ
る。
トワークにより予測対象日至近の実績データを用いて追
加学習させるため、異常気象や景気の変動を反映させた
ネットワークを構築して高精度な予測を行うことができ
る。
【００１９】
【発明の実施の形態】以下、図に沿って本発明の実施形
態を説明する。まず、請求項１に記載した発明の実施形
態を説明する。この実施形態では、２種類のニューラル
ネットワークを用いている。第１のニューラルネットワ
ークは主予測モデルであり、このモデルの作成には階層
型ニューラルネットワークを用いる。このニューラルネ
ットワークにより、予測対象日から過去１年間または数
年間の各日ごとの気象条件と最大電力需要量実績値の非
線形な相関関係を、実績データを用いて学習させる。
態を説明する。まず、請求項１に記載した発明の実施形
態を説明する。この実施形態では、２種類のニューラル
ネットワークを用いている。第１のニューラルネットワ
ークは主予測モデルであり、このモデルの作成には階層
型ニューラルネットワークを用いる。このニューラルネ
ットワークにより、予測対象日から過去１年間または数
年間の各日ごとの気象条件と最大電力需要量実績値の非
線形な相関関係を、実績データを用いて学習させる。
【００２０】予測段階においては、主予測モデルのニュ
ーラルネットワークの出力値である最大電力需要量予測
値と最大電力需要量実績値との偏差を予測の進行に伴っ
て蓄積していく。この偏差には、前年からの最大電力需
要量の年増加成分、及び気象条件と最大電力需要量の前
年からの変動分、並びに、主予測モデルの出力値に含ま
れている誤差を内包している。
ーラルネットワークの出力値である最大電力需要量予測
値と最大電力需要量実績値との偏差を予測の進行に伴っ
て蓄積していく。この偏差には、前年からの最大電力需
要量の年増加成分、及び気象条件と最大電力需要量の前
年からの変動分、並びに、主予測モデルの出力値に含ま
れている誤差を内包している。
【００２１】第２のニューラルネットワークは補正モデ
ルであり、上述した、主予測モデルの出力値である最大
電力需要量予測値と最大電力需要量実績値との偏差を補
正するために用いられる。すなわち、予測対象日至近
（２週間〜１ヵ月程度）の蓄積された主予測モデルの出
力値と最大電力需要量実績値との偏差を教師値として、
年増加補正用のニューラルネットワークに学習させる。
ネットワークへの入力データには、主予測モデルと同様
か、またはこれを簡略化したものを用いる。
ルであり、上述した、主予測モデルの出力値である最大
電力需要量予測値と最大電力需要量実績値との偏差を補
正するために用いられる。すなわち、予測対象日至近
（２週間〜１ヵ月程度）の蓄積された主予測モデルの出
力値と最大電力需要量実績値との偏差を教師値として、
年増加補正用のニューラルネットワークに学習させる。
ネットワークへの入力データには、主予測モデルと同様
か、またはこれを簡略化したものを用いる。
【００２２】予測実行時には、主予測モデルが前年度相
当の最大電力需要量を出力し、補正モデルは、前年度相
当の最大電力需要量と今年度相当の最大電力需要量との
偏差または比率を出力する。これにより、主予測モデル
から出力される前年度相当の最大電力需要量と、補正モ
デルから出力される偏差または比率とを用いて、後述す
る演算式により今年度の予測対象日における最大電力需
要量を予測することができる。
当の最大電力需要量を出力し、補正モデルは、前年度相
当の最大電力需要量と今年度相当の最大電力需要量との
偏差または比率を出力する。これにより、主予測モデル
から出力される前年度相当の最大電力需要量と、補正モ
デルから出力される偏差または比率とを用いて、後述す
る演算式により今年度の予測対象日における最大電力需
要量を予測することができる。
【００２３】次に、この実施形態の作用を図１を参照し
つつ説明する。 主予測モデルとしてのニューラルネットワークの学習
１（Ｓ１１） 学習データは、予測対象日から過去１年間または数年間
の各日ごとの気象データ、平日・土曜日・日祭日を区別
するためのダミーデータ（１，０等）、及び当該日にお
ける日最大電力需要量実績値等である。
つつ説明する。 主予測モデルとしてのニューラルネットワークの学習
１（Ｓ１１） 学習データは、予測対象日から過去１年間または数年間
の各日ごとの気象データ、平日・土曜日・日祭日を区別
するためのダミーデータ（１，０等）、及び当該日にお
ける日最大電力需要量実績値等である。
【００２４】これらの学習データを用いて、主予測モデ
ルとしての第１のニューラルネットワークに学習させ
る。ここで使用されるニューラルネットワークは入力
層、中間層、出力層の３階層ネットワークであるので、
学習アルゴリズムとしてバックプロパゲーション（誤差
逆伝播）を用いる。ここで、バックプロパゲーション
は、ネットワークに入力が与えられたときの教師値と出
力との誤差を出力層から中間層、入力層へと逆方向に辿
っていき、各層における誤差を減少させるように重みを
訂正する手法であるが、その具体的な内容は本発明の要
旨ではないため、説明を省略する。
ルとしての第１のニューラルネットワークに学習させ
る。ここで使用されるニューラルネットワークは入力
層、中間層、出力層の３階層ネットワークであるので、
学習アルゴリズムとしてバックプロパゲーション（誤差
逆伝播）を用いる。ここで、バックプロパゲーション
は、ネットワークに入力が与えられたときの教師値と出
力との誤差を出力層から中間層、入力層へと逆方向に辿
っていき、各層における誤差を減少させるように重みを
訂正する手法であるが、その具体的な内容は本発明の要
旨ではないため、説明を省略する。
【００２５】補正モデルとしてのニューラルネットワ
ークの学習２（Ｓ１２） 予測対象日の前日かまたは前々日から至近の２週間〜１
ヵ月程度の期間について、主予測モデルにより予測して
出力された各日ごとの最大電力需要量予測値を蓄積して
おき、補正モデルの学習に使用する。すなわち、各日ご
との最大電力需要量予測値と最大電力需要量実績値との
偏差、または両者の比率を求め、これらを教師値とし
て、主予測モデルと同等または一部の入力データを用い
て補正モデルとして第２のニューラルネットワークに学
習させる。ここでも、３階層ネットワークによるバック
プロパゲーションが用いられる。
ークの学習２（Ｓ１２） 予測対象日の前日かまたは前々日から至近の２週間〜１
ヵ月程度の期間について、主予測モデルにより予測して
出力された各日ごとの最大電力需要量予測値を蓄積して
おき、補正モデルの学習に使用する。すなわち、各日ご
との最大電力需要量予測値と最大電力需要量実績値との
偏差、または両者の比率を求め、これらを教師値とし
て、主予測モデルと同等または一部の入力データを用い
て補正モデルとして第２のニューラルネットワークに学
習させる。ここでも、３階層ネットワークによるバック
プロパゲーションが用いられる。
【００２６】主予測モデルとしてのニューラルネット
ワークの想起１（Ｓ１３） ニューラルネットワークへの入力データは、学習データ
と同項目のものを使用し、主予測モデルとしてのニュー
ラルネットワークの出力値を得る。この出力値は、前年
度相当の日最大電力需要量である。
ワークの想起１（Ｓ１３） ニューラルネットワークへの入力データは、学習データ
と同項目のものを使用し、主予測モデルとしてのニュー
ラルネットワークの出力値を得る。この出力値は、前年
度相当の日最大電力需要量である。
【００２７】補正モデルとしてのニューラルネットワ
ークの想起２（Ｓ１４） ニューラルネットワークへの入力データは、学習データ
と同項目のものを使用し、補正モデルとしてのニューラ
ルネットワークの出力値を得る。この出力値は、前年度
相当の日最大電力需要量と今年度相当の日最大電力需要
量との偏差または比率である。
ークの想起２（Ｓ１４） ニューラルネットワークへの入力データは、学習データ
と同項目のものを使用し、補正モデルとしてのニューラ
ルネットワークの出力値を得る。この出力値は、前年度
相当の日最大電力需要量と今年度相当の日最大電力需要
量との偏差または比率である。
【００２８】予測値の算出（Ｓ１５） 上記，の出力値を用いて予測対象日の最大電力需要
量予測値を求める。予測対象日の主予測モデルをＮＮ１
（ｔ）、補正モデルをＮＮ２（ｔ）とした場合、補正モ
デルとして、前年度相当の日最大電力需要量と今年度相
当の日最大電力需要量との偏差を用いたときには、予測
対象日の最大電力需要量予測値は数１となる。また、前
年度相当の日最大電力需要量と今年度相当の日最大電力
需要量との比率を用いたときには、予測対象日の最大電
力需要量予測値は数式２となる。
量予測値を求める。予測対象日の主予測モデルをＮＮ１
（ｔ）、補正モデルをＮＮ２（ｔ）とした場合、補正モ
デルとして、前年度相当の日最大電力需要量と今年度相
当の日最大電力需要量との偏差を用いたときには、予測
対象日の最大電力需要量予測値は数１となる。また、前
年度相当の日最大電力需要量と今年度相当の日最大電力
需要量との比率を用いたときには、予測対象日の最大電
力需要量予測値は数式２となる。
【００２９】
【数１】予測値（ｔ）＝ＮＮ１（ｔ）＋ＮＮ２（ｔ）
【００３０】
【数２】予測値（ｔ）＝ＮＮ１（ｔ）×ＮＮ２（ｔ）
【００３１】なお、図１において破線で示したループ
は、予測期間に対して繰返し実行される。これは、後述
する図２、図３においても同様である。
は、予測期間に対して繰返し実行される。これは、後述
する図２、図３においても同様である。
【００３２】この実施形態によれば、長期的に見た気象
条件と電力需要との相関関係を主予測モデルとして構築
し、これに予測対象年に特有の相関関係や年増加、主予
測モデルの誤差等を吸収する補正モデルを補助的に用い
ることにより、主予測モデルに対する年増加補正、予測
誤差補正、前年から予測対象年への気象感応度の変化分
への対応などが可能になり、日最大電力需要量を高精度
に予測することができる。なお、シミュレーションによ
っても良好な結果が得られている。
条件と電力需要との相関関係を主予測モデルとして構築
し、これに予測対象年に特有の相関関係や年増加、主予
測モデルの誤差等を吸収する補正モデルを補助的に用い
ることにより、主予測モデルに対する年増加補正、予測
誤差補正、前年から予測対象年への気象感応度の変化分
への対応などが可能になり、日最大電力需要量を高精度
に予測することができる。なお、シミュレーションによ
っても良好な結果が得られている。
【００３３】次に、請求項２記載の発明の実施形態を説
明する。この実施形態では、主予測モデルとしてのニュ
ーラルネットワークのほかに、年増加補正係数算出用の
ニューラルネットワークを用いている。すなわち、補正
係数算出用のニューラルネットワークに、予測対象日の
前日または前々日から少なくとも過去１年分の実績デー
タを用いて学習させる。このニューラルネットワークの
入力データは、主予測モデルと同等かまたはその一部、
及び学習データの開始日を１日とする日数を表わす変数
とする。
明する。この実施形態では、主予測モデルとしてのニュ
ーラルネットワークのほかに、年増加補正係数算出用の
ニューラルネットワークを用いている。すなわち、補正
係数算出用のニューラルネットワークに、予測対象日の
前日または前々日から少なくとも過去１年分の実績デー
タを用いて学習させる。このニューラルネットワークの
入力データは、主予測モデルと同等かまたはその一部、
及び学習データの開始日を１日とする日数を表わす変数
とする。
【００３４】年増加補正を行う際には、学習させた補正
係数算出用ニューラルネットワークに、予測対象日に対
する該当する２種類の入力データを入力して年増加補正
係数を算出する。この際、予測対象日に対し、 Ａ．補正係数算出用ニューラルネットワークの学習デー
タの開始日から数えた日数 Ｂ．補正係数算出用ニューラルネットワークの学習デー
タの開始日から数えた日数−３６５日の二通りの入力デ
ータを計算する。
係数算出用ニューラルネットワークに、予測対象日に対
する該当する２種類の入力データを入力して年増加補正
係数を算出する。この際、予測対象日に対し、 Ａ．補正係数算出用ニューラルネットワークの学習デー
タの開始日から数えた日数 Ｂ．補正係数算出用ニューラルネットワークの学習デー
タの開始日から数えた日数−３６５日の二通りの入力デ
ータを計算する。
【００３５】ここで、（入力データＡによる出力）／
（入力データＢによる出力）の演算により、予測対象日
の気象条件に合致した前年度相当の日最大電力需要量か
ら今年度相当の日最大電力需要量への年増加補正係数が
算出される。つまり、予測対象日をｉとして、年増加補
正係数算出用ニューラルネットワークをＮＮ３（気象条
件ｉ，日数ｉ）とすると、年増加補正係数は数式３とな
る。
（入力データＢによる出力）の演算により、予測対象日
の気象条件に合致した前年度相当の日最大電力需要量か
ら今年度相当の日最大電力需要量への年増加補正係数が
算出される。つまり、予測対象日をｉとして、年増加補
正係数算出用ニューラルネットワークをＮＮ３（気象条
件ｉ，日数ｉ）とすると、年増加補正係数は数式３とな
る。
【００３６】
【数３】年増加補正係数＝ＮＮ３（気象条件ｉ，日数
ｉ）／ＮＮ３（気象条件ｉ，日数ｉ−３６５）
ｉ）／ＮＮ３（気象条件ｉ，日数ｉ−３６５）
【００３７】この年増加補正係数を主予測モデルとして
のニューラルネットワークから出力された前年度相当の
日最大電力需要量に乗じることにより、予測対象日ｉの
最大電力需要量予測値を得ることができる。
のニューラルネットワークから出力された前年度相当の
日最大電力需要量に乗じることにより、予測対象日ｉの
最大電力需要量予測値を得ることができる。
【００３８】図２を参照しつつ、この実施形態の作用を
説明する。 主予測モデルとしてのニューラルネットワークの学習
１（Ｓ２１） 予測対象日から過去１年間または数年間の各日ごとの気
象データ、平日・土曜日・日祭日を区別するためのダミ
ーデータ（１，０等）、及び当該日における日最大電力
需要量実績値等を用いて、主予測モデルとしての第１の
ニューラルネットワークに学習させる。この処理は図１
のＳ１１と同一であるため、説明を省略する。
説明する。 主予測モデルとしてのニューラルネットワークの学習
１（Ｓ２１） 予測対象日から過去１年間または数年間の各日ごとの気
象データ、平日・土曜日・日祭日を区別するためのダミ
ーデータ（１，０等）、及び当該日における日最大電力
需要量実績値等を用いて、主予測モデルとしての第１の
ニューラルネットワークに学習させる。この処理は図１
のＳ１１と同一であるため、説明を省略する。
【００３９】補正係数算出用ニューラルネットワーク
の学習２（Ｓ２２） 予測対象日の前日かまたは前々日から少なくとも過去１
年分の実績データを用いて、補正係数算出用の第２のニ
ューラルネットワークに学習させる。ネットワークの入
力データは、主予測モデルと同等またはその一部、及び
学習データ開始日を１日とする日数を表わす変数であ
る。ここでの学習の目的は、少なくとも１年前から予測
対象日までの最大電力需要量の時系列特性を把握させる
ことにある。このため、使用するニューラルネットワー
クには、階層型ニューラルネットワークか、または内部
にフィードバック結合を有するリカレントニューラルネ
ットワークと呼ばれるものが適している。
の学習２（Ｓ２２） 予測対象日の前日かまたは前々日から少なくとも過去１
年分の実績データを用いて、補正係数算出用の第２のニ
ューラルネットワークに学習させる。ネットワークの入
力データは、主予測モデルと同等またはその一部、及び
学習データ開始日を１日とする日数を表わす変数であ
る。ここでの学習の目的は、少なくとも１年前から予測
対象日までの最大電力需要量の時系列特性を把握させる
ことにある。このため、使用するニューラルネットワー
クには、階層型ニューラルネットワークか、または内部
にフィードバック結合を有するリカレントニューラルネ
ットワークと呼ばれるものが適している。
【００４０】主予測モデルとしてのニューラルネット
ワークの想起１（Ｓ２３） 図１のＳ１３と同様に、ニューラルネットワークへの入
力データは、学習データと同項目のものを使用し、主予
測モデルとしてのニューラルネットワークの出力値を得
る。この出力値は、前年度相当の日最大電力需要量であ
る。
ワークの想起１（Ｓ２３） 図１のＳ１３と同様に、ニューラルネットワークへの入
力データは、学習データと同項目のものを使用し、主予
測モデルとしてのニューラルネットワークの出力値を得
る。この出力値は、前年度相当の日最大電力需要量であ
る。
【００４１】補正係数算出用のニューラルネットワー
クの想起２（Ｓ２４） 補正係数算出用の第２のニューラルネットワークに、予
測対象日に対する前記Ａ，Ｂのデータを入力する。この
うち、入力データＡにより予測対象日の気象条件に対す
る今年度相当の最大電力需要量を、入力データＢにより
予測対象日の気象条件に対する前年度相当の最大電力需
要量を、それぞれ出力として得ることができる。
クの想起２（Ｓ２４） 補正係数算出用の第２のニューラルネットワークに、予
測対象日に対する前記Ａ，Ｂのデータを入力する。この
うち、入力データＡにより予測対象日の気象条件に対す
る今年度相当の最大電力需要量を、入力データＢにより
予測対象日の気象条件に対する前年度相当の最大電力需
要量を、それぞれ出力として得ることができる。
【００４２】ここで、第２のニューラルネットワークか
らは今年度相当の予測対象日の最大電力需要量を得るこ
とができるが、予測対象日についての正確な予測値を得
るためではなく、過去からの最大電力需要量の時系列特
性を表現させるために用いている。そして、前述した数
式３の演算により、予測対象日の気象条件に合致した、
前年度相当の日最大電力需要量から今年度相当の日最大
電力需要量への年増加補正係数が得られる。
らは今年度相当の予測対象日の最大電力需要量を得るこ
とができるが、予測対象日についての正確な予測値を得
るためではなく、過去からの最大電力需要量の時系列特
性を表現させるために用いている。そして、前述した数
式３の演算により、予測対象日の気象条件に合致した、
前年度相当の日最大電力需要量から今年度相当の日最大
電力需要量への年増加補正係数が得られる。
【００４３】予測値の算出（Ｓ２５） 上記，の出力値を用いて予測対象日の最大電力需要
量予測値を求める。つまり、前年度相当の日最大電力需
要量に年増加補正係数を乗じることにより、予測対象日
の最大電力需要量予測値を算出する。
量予測値を求める。つまり、前年度相当の日最大電力需
要量に年増加補正係数を乗じることにより、予測対象日
の最大電力需要量予測値を算出する。
【００４４】一般に、最大電力需要量の年増加は線形関
数により表現することが多いが、この手法は単に過去の
年増加の伸びをそのまま予測対象年に適用することに相
当するので、景気変動などの要因により電力需要が変動
した場合には適当ではない。この点、本実施形態のよう
にニューラルネットワーク、特に、時系列特性を把握す
るリカレントネットワークでは、電力需要量やその変化
量の変動にも対応できるため、日最大電力需要量の予測
に当たり極めて有効である。
数により表現することが多いが、この手法は単に過去の
年増加の伸びをそのまま予測対象年に適用することに相
当するので、景気変動などの要因により電力需要が変動
した場合には適当ではない。この点、本実施形態のよう
にニューラルネットワーク、特に、時系列特性を把握す
るリカレントネットワークでは、電力需要量やその変化
量の変動にも対応できるため、日最大電力需要量の予測
に当たり極めて有効である。
【００４５】次に、請求項３記載の発明の実施形態を説
明する。この実施形態では、年増加補正を不要にするた
め、主予測モデルの学習を行なう際に、教師値としての
日最大電力需要量の絶対値ではなく、日最大電力需要量
の前日からの偏差を用いて学習させる。この際の入力デ
ータとしては、気象条件の前日からの偏差、土曜・休日
等を表す特異日等を用いる。ここで得られたニューラル
ネットワークを主予測モデル２とする。
明する。この実施形態では、年増加補正を不要にするた
め、主予測モデルの学習を行なう際に、教師値としての
日最大電力需要量の絶対値ではなく、日最大電力需要量
の前日からの偏差を用いて学習させる。この際の入力デ
ータとしては、気象条件の前日からの偏差、土曜・休日
等を表す特異日等を用いる。ここで得られたニューラル
ネットワークを主予測モデル２とする。
【００４６】主予測モデル２による出力値は、予測対象
日の日最大電力需要量の絶対値ではなく、前日からの偏
差分として得られる。従って、予測対象日の予測値は、
以下の数式４により得ることができる。ｔ日の最大電力
需要量実績値をＰ（ｔ）、主予測モデル２の出力値をＮ
Ｎ４（ｔ）とすると、予測対象日ｔの最大電力需要量予
測値は数式４により得ることができる。
日の日最大電力需要量の絶対値ではなく、前日からの偏
差分として得られる。従って、予測対象日の予測値は、
以下の数式４により得ることができる。ｔ日の最大電力
需要量実績値をＰ（ｔ）、主予測モデル２の出力値をＮ
Ｎ４（ｔ）とすると、予測対象日ｔの最大電力需要量予
測値は数式４により得ることができる。
【００４７】
【数４】予測値（ｔ）＝Ｐ（ｔ−１）＋ＮＮ４（ｔ）
【００４８】以下、この実施形態の作用を図３を参照し
つつ説明する。 ニューラルネットワークの学習（Ｓ３１） 予測対象日から過去１年間または数年間について、各日
ごとの気象データの前日からの偏差、平日・土曜日・日
祭日を区別するためのダミーデータ（１，０等）、日最
大電力需要量の前日からの偏差等を用いて主予測モデル
２のニューラルネットワークの学習を行なう。ここで使
用するネットワークは三階層型ニューラルネットワーク
であるため、学習アルゴリズムとしてはバックプロパゲ
ーションを用いる。
つつ説明する。 ニューラルネットワークの学習（Ｓ３１） 予測対象日から過去１年間または数年間について、各日
ごとの気象データの前日からの偏差、平日・土曜日・日
祭日を区別するためのダミーデータ（１，０等）、日最
大電力需要量の前日からの偏差等を用いて主予測モデル
２のニューラルネットワークの学習を行なう。ここで使
用するネットワークは三階層型ニューラルネットワーク
であるため、学習アルゴリズムとしてはバックプロパゲ
ーションを用いる。
【００４９】ニューラルネットワークの想起（Ｓ３
２） ニューラルネットワークへの入力データには学習データ
と同項目のものを使用し、主予測モデル２のニューラル
ネットワークの出力値を得る。この出力値は、前述した
数式４のＮＮ４（ｔ）に相当し、最大電力需要量の前日
からの偏差である。
２） ニューラルネットワークへの入力データには学習データ
と同項目のものを使用し、主予測モデル２のニューラル
ネットワークの出力値を得る。この出力値は、前述した
数式４のＮＮ４（ｔ）に相当し、最大電力需要量の前日
からの偏差である。
【００５０】予測値の算出（Ｓ３３） 上記により得られた出力値を用いて、予測対象日の最
大電力需要量予測値を算出する。すなわち、数式４によ
り、前日の最大電力需要量実績値に上記により得られ
た偏差を加算して予測値を得る。
大電力需要量予測値を算出する。すなわち、数式４によ
り、前日の最大電力需要量実績値に上記により得られ
た偏差を加算して予測値を得る。
【００５１】主予測モデルとしてのニューラルネットワ
ークを過年度の実績データを用いて学習させた場合に
は、一般的には予測対象年の至近実績データの追加学習
が困難である。これは、最初に学習した過年度実績デー
タに対し追加で学習しようとする予測対象年度データが
最大電力需要量の年増加ににより増大しているため、同
様の気象条件に対する教師値が大きく異なることに起因
している。しかるに、本実施形態では、最大電力需要量
を学習させるのではなく、前日からの偏差を学習させる
ため、至近実績データを考慮した正確な最大電力需要量
の予測を行うことができる。
ークを過年度の実績データを用いて学習させた場合に
は、一般的には予測対象年の至近実績データの追加学習
が困難である。これは、最初に学習した過年度実績デー
タに対し追加で学習しようとする予測対象年度データが
最大電力需要量の年増加ににより増大しているため、同
様の気象条件に対する教師値が大きく異なることに起因
している。しかるに、本実施形態では、最大電力需要量
を学習させるのではなく、前日からの偏差を学習させる
ため、至近実績データを考慮した正確な最大電力需要量
の予測を行うことができる。
【００５２】次に、請求項４記載の発明の実施形態を説
明する。例えば請求項２記載の発明の実施形態では、年
増加補正係数算出用の第２のニューラルネットワークと
してリカレントネットワークを用い、予測対象日の至近
の実績データを使用して学習させることにより適切な年
増加補正係数を算出して、異常気象や景気変動に対応可
能な予測値を得ることができる。
明する。例えば請求項２記載の発明の実施形態では、年
増加補正係数算出用の第２のニューラルネットワークと
してリカレントネットワークを用い、予測対象日の至近
の実績データを使用して学習させることにより適切な年
増加補正係数を算出して、異常気象や景気変動に対応可
能な予測値を得ることができる。
【００５３】しかるに、この方法では予測期間中は学習
が行われておらず、予測段階でネットワークの出力部に
誤差が生じるとその誤差がネットワーク内にフィードバ
ックされて入力されるため、予測の進行と共にネットワ
ーク内に誤差が蓄積されていって予測精度が次第に低下
していくという問題がある。また、突然の経済変動が生
じたり気象が学習時と大きく変わってしまった場合に
は、これらの事態を予測できないため大きな誤差要因と
なる。
が行われておらず、予測段階でネットワークの出力部に
誤差が生じるとその誤差がネットワーク内にフィードバ
ックされて入力されるため、予測の進行と共にネットワ
ーク内に誤差が蓄積されていって予測精度が次第に低下
していくという問題がある。また、突然の経済変動が生
じたり気象が学習時と大きく変わってしまった場合に
は、これらの事態を予測できないため大きな誤差要因と
なる。
【００５４】そこで、請求項４記載の発明の実施形態で
は、ニューラルネットワークとしてリカレントねとワー
クを用い、予測対象日至近までの各日の気象データ及び
最大電力需要量等をリカレントネットワークに初期学習
させ、学習の対象となった最終日から予測対象日までに
判明した実績データを毎日または一定期間ごとに追加学
習させて予測精度を向上させるようにした。
は、ニューラルネットワークとしてリカレントねとワー
クを用い、予測対象日至近までの各日の気象データ及び
最大電力需要量等をリカレントネットワークに初期学習
させ、学習の対象となった最終日から予測対象日までに
判明した実績データを毎日または一定期間ごとに追加学
習させて予測精度を向上させるようにした。
【００５５】以下、この実施形態の作用を図４、図５を
参照しつつ説明する。 ニューラルネットワークの初期学習（Ｓ４１） 過去のある日から、予測対象日より何日か前の日までの
気象データ、平日・土曜日・日祭日を区別するためのダ
ミーデータ（１，０等）、日最大電力需要量実績値等を
用いて、リカレントネットワークの初期学習を行なう。
すなわち、図５に示すように、予測対象日Ｄ２の日最大
電力需要量を予測する場合には、過去のある日から、Ｄ
２より何日か前のＤ１までの期間の実績データを用いて
初期学習を行う。
参照しつつ説明する。 ニューラルネットワークの初期学習（Ｓ４１） 過去のある日から、予測対象日より何日か前の日までの
気象データ、平日・土曜日・日祭日を区別するためのダ
ミーデータ（１，０等）、日最大電力需要量実績値等を
用いて、リカレントネットワークの初期学習を行なう。
すなわち、図５に示すように、予測対象日Ｄ２の日最大
電力需要量を予測する場合には、過去のある日から、Ｄ
２より何日か前のＤ１までの期間の実績データを用いて
初期学習を行う。
【００５６】ニューラルネットワークの追加学習（Ｓ
４２） 上記初期学習において学習の対象となった最終日、すな
わちＤ１から予測対象日Ｄ２までの実績データを用い、
リカレントネットワークに追加学習させる。
４２） 上記初期学習において学習の対象となった最終日、すな
わちＤ１から予測対象日Ｄ２までの実績データを用い、
リカレントネットワークに追加学習させる。
【００５７】ニューラルネットワークの予測（Ｓ４
３） 上記追加学習を終えたリカレントネットワークを用い
て、予測対象日の最大電力需要量を予測する。なお、図
４において破線で示したループは、予測期間に対して繰
り返し実行される。これは後述の図６においても同様で
ある。
３） 上記追加学習を終えたリカレントネットワークを用い
て、予測対象日の最大電力需要量を予測する。なお、図
４において破線で示したループは、予測期間に対して繰
り返し実行される。これは後述の図６においても同様で
ある。
【００５８】この実施形態によれば、リカレントネット
ワークにより長期に予測を行った場合でも、予測日至近
の実績データを用いて追加学習することで、内部に蓄積
される誤差を少なくすることができる。また、予測対象
日直前の気候の変化や景気変動にも対応可能であり、高
精度の予測を行うことができる。
ワークにより長期に予測を行った場合でも、予測日至近
の実績データを用いて追加学習することで、内部に蓄積
される誤差を少なくすることができる。また、予測対象
日直前の気候の変化や景気変動にも対応可能であり、高
精度の予測を行うことができる。
【００５９】次に、請求項５記載の発明の実施形態を説
明する。請求項１または３記載の発明の実施形態のよう
に、階層型ニューラルネットワークを用いて予測を行う
場合、予測対象日が属する年（予測対象年）の前年また
は過去数年の実績データを用いる時には、ニューラルネ
ットワークの出力は前年相当のものとなる。このため、
予測年度に大きな気象変化や景気変動が生じた場合に
は、良好な予測ができなくなってしまう。
明する。請求項１または３記載の発明の実施形態のよう
に、階層型ニューラルネットワークを用いて予測を行う
場合、予測対象日が属する年（予測対象年）の前年また
は過去数年の実績データを用いる時には、ニューラルネ
ットワークの出力は前年相当のものとなる。このため、
予測年度に大きな気象変化や景気変動が生じた場合に
は、良好な予測ができなくなってしまう。
【００６０】そこで、請求項５記載の発明では、予測対
象年または過去数年間の実績データを用いた初期学習の
後で、予測対象年の初日から予測対象日までに判明した
実績データを毎日、または一定期間ごとにネットワーク
に追加学習させて予測精度を向上させるようにした。こ
の実施形態では、ネットワークとして階層型ニューラル
ネットワークを使用し、学習アルゴリズムとしてバック
プロパゲーションを用いる。
象年または過去数年間の実績データを用いた初期学習の
後で、予測対象年の初日から予測対象日までに判明した
実績データを毎日、または一定期間ごとにネットワーク
に追加学習させて予測精度を向上させるようにした。こ
の実施形態では、ネットワークとして階層型ニューラル
ネットワークを使用し、学習アルゴリズムとしてバック
プロパゲーションを用いる。
【００６１】初期学習における学習データは予測対象年
の前年または過去数年間の毎日の気象データ及び日最大
電力需要量実績値等であり、これにより気象条件と最大
電力需要量との非線形の相関関係が学習される。その
後、予測対象年の初日から予測対象日までに判明した実
績データを用いて追加学習を行うが、予測対象年のデー
タには電力値の年増加分が含まれているので、電力需要
量を年増加補正係数により前年相当に補正した値を用い
る。
の前年または過去数年間の毎日の気象データ及び日最大
電力需要量実績値等であり、これにより気象条件と最大
電力需要量との非線形の相関関係が学習される。その
後、予測対象年の初日から予測対象日までに判明した実
績データを用いて追加学習を行うが、予測対象年のデー
タには電力値の年増加分が含まれているので、電力需要
量を年増加補正係数により前年相当に補正した値を用い
る。
【００６２】以下、図６、図７を参照しつつこの実施形
態の作用を説明する。 ニューラルネットワークの初期学習（Ｓ５１） 予測対象年の前年または過去数年間の気象データ、平日
・土曜日・日祭日を区別するためのダミーデータ（１，
０等）、日最大電力需要量実績値等を用いて、階層型ニ
ューラルネットワークの初期学習を行なう。例えば、図
７に示すように、予測対象年の３年前から前年までの実
績データを用いて初期学習を行う。ここで、２年前、３
年前の実線で示したデータは補正前のものであり、これ
を前年相当に補正した破線のデータを用いて初期学習を
行う。なお、前年のデータはそのまま初期学習に使用す
る。
態の作用を説明する。 ニューラルネットワークの初期学習（Ｓ５１） 予測対象年の前年または過去数年間の気象データ、平日
・土曜日・日祭日を区別するためのダミーデータ（１，
０等）、日最大電力需要量実績値等を用いて、階層型ニ
ューラルネットワークの初期学習を行なう。例えば、図
７に示すように、予測対象年の３年前から前年までの実
績データを用いて初期学習を行う。ここで、２年前、３
年前の実線で示したデータは補正前のものであり、これ
を前年相当に補正した破線のデータを用いて初期学習を
行う。なお、前年のデータはそのまま初期学習に使用す
る。
【００６３】追加学習データの作成（Ｓ５２） 追加学習に先立ち、これに用いるデータを作成する。予
測対象年の電力需要量は、前年の電力需要量からの年増
加分を含んでいるため、予測対象年の初日から予測対象
日までの実績データを年増加補正係数により補正し、学
習用のデータを得る。この補正されたデータが、図７の
追加学習期間における破線のデータである。
測対象年の電力需要量は、前年の電力需要量からの年増
加分を含んでいるため、予測対象年の初日から予測対象
日までの実績データを年増加補正係数により補正し、学
習用のデータを得る。この補正されたデータが、図７の
追加学習期間における破線のデータである。
【００６４】ニューラルネットワークの追加学習（Ｓ
５３） ステップＳ５２により作成された学習データを用いて、
階層型ニューラルネットワークにより追加学習を行う。
５３） ステップＳ５２により作成された学習データを用いて、
階層型ニューラルネットワークにより追加学習を行う。
【００６５】ニューラルネットワークの予測（Ｓ５
４） ステップＳ５３により追加学習されたニューラルネット
ワークを用いて、予測対象日の最大電力需要量予測値を
得る。この予測値は前年度相当の需要量であるため、年
増加補正係数を用いて予測年度相当に補正する。
４） ステップＳ５３により追加学習されたニューラルネット
ワークを用いて、予測対象日の最大電力需要量予測値を
得る。この予測値は前年度相当の需要量であるため、年
増加補正係数を用いて予測年度相当に補正する。
【００６６】この実施形態によれば、予測対象日至近の
データを用いて追加学習することで、予測対象日直前に
気候の変化や景気変動が生じた場合にも、これらをニュ
ーラルネットワークに反映させて高精度の予測を行うこ
とができる。
データを用いて追加学習することで、予測対象日直前に
気候の変化や景気変動が生じた場合にも、これらをニュ
ーラルネットワークに反映させて高精度の予測を行うこ
とができる。
【００６７】
【発明の効果】以上のように請求項１〜３記載の発明に
よれば、熟練運用者に依存することなく自動的に年増加
補正や予測誤差補正を行い、かつ、景気変動に起因する
電力需要量の変動などを考慮して、高精度に日最大電力
需要量を予測することができる。また、請求項４，５記
載の発明によれば、予測対象日至近の実績データを用い
て追加学習したリカレントネットワークや階層型ニュー
ラルネットワークを使用することで、誤差が少ない高精
度な予測が可能になる。
よれば、熟練運用者に依存することなく自動的に年増加
補正や予測誤差補正を行い、かつ、景気変動に起因する
電力需要量の変動などを考慮して、高精度に日最大電力
需要量を予測することができる。また、請求項４，５記
載の発明によれば、予測対象日至近の実績データを用い
て追加学習したリカレントネットワークや階層型ニュー
ラルネットワークを使用することで、誤差が少ない高精
度な予測が可能になる。
【図１】請求項１記載の発明の実施形態を示すフローチ
ャートである。
ャートである。
【図２】請求項２記載の発明の実施形態を示すフローチ
ャートである。
ャートである。
【図３】請求項３記載の発明の実施形態を示すフローチ
ャートである。
ャートである。
【図４】請求項４記載の発明の実施形態を示すフローチ
ャートである。
ャートである。
【図５】図４の実施形態における学習期間の説明図であ
る。
る。
【図６】請求項５記載の発明の実施形態を示すフローチ
ャートである。
ャートである。
【図７】図６の実施形態における学習期間の説明図であ
る。
る。
Claims (5)
- 【請求項１】 計算機によりニューラルネットワークを
用いて予測対象日の最大電力需要量を予測する方法にお
いて、 予測対象日から少なくとも過去１年間の各日ごとの気象
データ、平日・土曜日・日祭日の区別及び最大電力需要
量実績値等からなる学習データを用いて、主予測モデル
としての第１のニューラルネットワークに学習させる第
１のステップと、 予測対象日以前であって至近の一定
期間について、第１のニューラルネットワークにより予
測して出力された各日ごとの最大電力需要量予測値と最
大電力需要量実績値との偏差、または両者の比率を教師
値とし、第１のニューラルネットワークと同等または一
部の入力データを用いて補正モデルとしての第２のニュ
ーラルネットワークに学習させる第２のステップと、 第１のニューラルネットワークに学習時と同項目のデー
タを入力し、前年度相当の日最大電力需要量を出力させ
る第３のステップと、 学習させた第２のニューラルネットワークに学習時と同
項目のデータを入力し、前年度相当の日最大電力需要量
と今年度相当の日最大電力需要量との偏差または比率を
出力させる第４のステップと、 第３のステップにより出力された前年度相当の日最大電
力需要量を、第４のステップにより出力された偏差また
は比率により補正して予測対象日の最大電力需要量予測
値を得る第５のステップと、 からなることを特徴とする日最大電力需要量予測方法。 - 【請求項２】 計算機によりニューラルネットワークを
用いて予測対象日の最大電力需要量を予測する方法にお
いて、 予測対象日から少なくとも過去１年間の各日ごとの気象
データ、平日・土曜日・日祭日の区別及び当該日の最大
電力需要量実績値等からなる学習データを用いて、主予
測モデルとしての第１のニューラルネットワークに学習
させる第１のステップと、 予測対象日の前日または前々日から少なくとも過去１年
分の実績データを用い、第１のニューラルネットワーク
と同等または一部、及び、学習データ開始日を１日とす
る日数を表わす変数を入力データとして、年増加補正係
数算出用の第２のニューラルネットワークに学習させる
第２のステップと、 第１のニューラルネットワークに学習時と同項目のデー
タを入力し、前年度相当の日最大電力需要量を出力させ
る第３のステップと、 学習させた第２のニューラルネットワークに、予測対象
日に対し学習データの開始日から数えた日数、または学
習データの開始日から数えた日数−３６５日からなる日
数データ、及び、これらの日数データに対応する気象条
件を入力して、予測対象日の気象条件に対する今年度相
当の最大電力需要量及び前年度相当の最大電力需要量を
求め、これらの最大電力需要量の比から年増加補正係数
を算出する第４のステップと、 第３のステップにより出力された前年度相当の日最大電
力需要量に、第４のステップにより求めた年増加補正係
数を乗じて予測対象日の最大電力需要量予測値を得る第
５のステップと、 からなることを特徴とする日最大電力需要量予測方法。 - 【請求項３】 計算機によりニューラルネットワークを
用いて予測対象日の最大電力需要量を予測する方法にお
いて、 予測対象日から少なくとも過去１年間の各日ごとの気象
データの前日からの偏差、平日・土曜日・日祭日の区別
及び当該日の最大電力需要量実績値の前日からの偏差等
からなる学習データを用いて、主予測モデルとしてのニ
ューラルネットワークに学習させる第１のステップと、 上記ニューラルネットワークに学習時と同項目のデータ
を入力し、最大電力需要量の前日からの偏差を出力値と
して得る第２のステップと、 予測対象日の前日の最大電力需要量実績値に上記出力値
を加算して予測対象日の最大電力需要量予測値を得る第
３のステップと、 からなることを特徴とする日最大電力需要量予測方法。 - 【請求項４】 計算機によりニューラルネットワークを
用いて予測対象日の最大電力需要量を予測する方法にお
いて、 過去のある日から、予測対象日より何日か前の日までの
各日ごとの気象データ、平日・土曜日・日祭日の区別及
び当該日の最大電力需要量実績値等からなる学習データ
を用いて、リカレントネットワークに初期学習させる初
期学習する第１のステップと、 上記初期学習の対象となった最終日から予測対象日まで
の実績データを用いてリカレントネットワークに追加学
習させる第２のステップと、 追加学習を終えたリカレントネットワークを用いて、予
測対象日の最大電力需要量予測値を得る第３のステップ
と、 からなることを特徴とする日最大電力需要量予測方法。 - 【請求項５】 計算機によりニューラルネットワークを
用いて予測対象日の最大電力需要量を予測する方法にお
いて、 予測対象日が属する年の前年または過去複数年間の各日
ごとの気象データ、平日・土曜日・日祭日の区別及び当
該日の最大電力需要量実績値等からなる学習データを用
いて、階層型ニューラルネットワークに初期学習させる
第１のステップと、 予測対象日が属する年の初日から予測対象日までの実績
データを年増加補正係数により補正して追加学習に用い
る学習データを作成する第２のステップと、 上記第２のステップにより得た学習データを用いて階層
型ニューラルネットワークに追加学習させる第３のステ
ップと、 追加学習を終えた階層型ニューラルネットワークを用い
て、予測対象日の最大電力需要量予測値を得る第４のス
テップと、 からなることを特徴とする日最大電力需要量予測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP28924595A JPH0922402A (ja) | 1995-05-01 | 1995-10-11 | 日最大電力需要量予測方法 |
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP13111795 | 1995-05-01 | ||
| JP7-131117 | 1995-05-01 | ||
| JP28924595A JPH0922402A (ja) | 1995-05-01 | 1995-10-11 | 日最大電力需要量予測方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0922402A true JPH0922402A (ja) | 1997-01-21 |
Family
ID=26466047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP28924595A Pending JPH0922402A (ja) | 1995-05-01 | 1995-10-11 | 日最大電力需要量予測方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0922402A (ja) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006126647A1 (ja) * | 2005-05-25 | 2006-11-30 | National University Corporation Okayama University | 石油精製プラントのパラメータ予測装置及びパラメータ予測方法 |
| JP2013081297A (ja) * | 2011-10-03 | 2013-05-02 | Seikatsu Kyodo Kumiai Coop Sapporo | 電源管理サーバ、及び電源管理処理プログラム |
| JP2015032267A (ja) * | 2013-08-06 | 2015-02-16 | 東芝テック株式会社 | 需要予測装置及びプログラム |
| JP2018181184A (ja) * | 2017-04-20 | 2018-11-15 | オムロン株式会社 | 評価装置、評価方法及びそのプログラム |
| WO2019049210A1 (ja) * | 2017-09-05 | 2019-03-14 | 楽天株式会社 | 推定システム、推定方法及びプログラム |
| EP3582156A1 (en) | 2018-06-14 | 2019-12-18 | Hitachi Transport System, Ltd. | Prediction system and prediction method |
| JP2020149209A (ja) * | 2019-03-12 | 2020-09-17 | 株式会社日立製作所 | 残差特性推定モデル作成方法および残差特性推定モデル作成システム |
| JP2020155068A (ja) * | 2019-03-22 | 2020-09-24 | 東芝情報システム株式会社 | 状態変動検出装置及び状態変動検出用プログラム |
| US11048448B2 (en) | 2019-02-25 | 2021-06-29 | Fujitsu Limited | Information processing apparatus and power estimation method |
-
1995
- 1995-10-11 JP JP28924595A patent/JPH0922402A/ja active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006126647A1 (ja) * | 2005-05-25 | 2006-11-30 | National University Corporation Okayama University | 石油精製プラントのパラメータ予測装置及びパラメータ予測方法 |
| JP2013081297A (ja) * | 2011-10-03 | 2013-05-02 | Seikatsu Kyodo Kumiai Coop Sapporo | 電源管理サーバ、及び電源管理処理プログラム |
| JP2015032267A (ja) * | 2013-08-06 | 2015-02-16 | 東芝テック株式会社 | 需要予測装置及びプログラム |
| JP2018181184A (ja) * | 2017-04-20 | 2018-11-15 | オムロン株式会社 | 評価装置、評価方法及びそのプログラム |
| WO2019049210A1 (ja) * | 2017-09-05 | 2019-03-14 | 楽天株式会社 | 推定システム、推定方法及びプログラム |
| JP6510153B1 (ja) * | 2017-09-05 | 2019-05-08 | 楽天株式会社 | 推定システム、推定方法及びプログラム |
| EP3582156A1 (en) | 2018-06-14 | 2019-12-18 | Hitachi Transport System, Ltd. | Prediction system and prediction method |
| US11048448B2 (en) | 2019-02-25 | 2021-06-29 | Fujitsu Limited | Information processing apparatus and power estimation method |
| JP2020149209A (ja) * | 2019-03-12 | 2020-09-17 | 株式会社日立製作所 | 残差特性推定モデル作成方法および残差特性推定モデル作成システム |
| JP2020155068A (ja) * | 2019-03-22 | 2020-09-24 | 東芝情報システム株式会社 | 状態変動検出装置及び状態変動検出用プログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12039446B2 (en) | Controller training based on historical data | |
| CN105956690A (zh) | 一种供水预测方法及系统 | |
| CN104846306B (zh) | 一种镀锌厚度控制系统及方法 | |
| CN104679989A (zh) | 一种基于改进型bp神经网络的氢原子钟钟差预测方法 | |
| EP2312506A1 (en) | Computer-based method and device for automatically providing a prediction on a future energy demand to an energy source | |
| CN109657878A (zh) | 一种空调负荷预测方法及装置 | |
| CN105243449A (zh) | 售电量预测结果修正方法及装置 | |
| CN112330012B (zh) | 一种基于迁移学习的建筑能耗预测方法及设备 | |
| JP3360520B2 (ja) | 日負荷曲線予測方法 | |
| JPH0922402A (ja) | 日最大電力需要量予測方法 | |
| CN111435469B (zh) | 一种梯级电站中下游电站入库流量的预测方法 | |
| JP3641918B2 (ja) | 電力需要量予測値補正方法 | |
| CN111598328A (zh) | 一种计及疫情事件的电力负荷预测方法 | |
| KR20130044765A (ko) | 예측 속도 향상을 위한 신경망과 보정계수를 이용한 주간 부하 예측 장치 및 방법 | |
| JPH0764965A (ja) | 販売量予測方法 | |
| JP3650304B2 (ja) | 需要予測装置 | |
| JP3268520B2 (ja) | ガス需要量の予測方法 | |
| JPH09233700A (ja) | 日最大需要電力予測の信頼性評価方法 | |
| US6793806B2 (en) | Water distribution amount predicting system | |
| CN109376957A (zh) | 一种火电厂负荷的预测方法 | |
| JP7079663B2 (ja) | 電力需要予測システム、学習装置及び電力需要予測方法 | |
| JP3324265B2 (ja) | 日最大電力需要予測方法 | |
| JP3707589B2 (ja) | 電力需要量予測方法 | |
| JPH06102908A (ja) | 需要予測装置 | |
| JP2020115276A (ja) | 情報処理方法、情報処理装置、プログラム及び学習済みモデルの生成方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20030917 |