JPH10117437A - 日最大電力需要量予測方法 - Google Patents

Abstract

(57)【要約】 【課題】 従来の日負荷曲線予測方法では、地理的に広
範囲にわたる電力系統において高精度な日最大電力需要
量の予測が困難である。また、熟練運用者が不足してい
るので、人為的な予測にも限界がある。 【解決手段】 計算機により予測対象日の最大電力需要
量を予測する方法に関する。予測対象である電力系統内
の複数の地域ごとの日負荷曲線を予測する第１ステップ
Ｓ１と、第１ステップにより得た各地域ごとの日負荷曲
線を合成して電力系統全体の日負荷曲線を求める第２ス
テップＳ２と、第２ステップにより得た日負荷曲線の最
大値に基づき、送電損失を考慮して電力系統全体の日最
大電力需要量を推定する第３ステップＳ３とを有する。

Description

【発明の詳細な説明】

【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
で系統全体の日最大電力需要量を自動的に予測する方法
に関する。

【０００２】

【従来の技術及び発明が解決しようとする課題】電力系
統における例えば翌日の日最大電力需要量（日負荷曲
線）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も
のとして、電力系統内の代表地点の気象情報を用いた重
回帰分析に代表される統計的手法により、またはニュー
ラルネットワークを用いて予測する方法が提案されてい
る。

【０００３】しかし、日最大電力需要量を予測する場
合、予測対象の電力系統が地理的に広範囲にわたってい
るときには、各地域での気象条件が大きく異なる場合が
多い。一般的にこの種の予測を行う際には、電力系統内
の代表地点を選定すると共に、その地点での気象条件と
日最大電力需要量との相関モデルを重回帰分析により、
またはニューラルネットワークを用いて作成し、その相
関モデルを用いて予測を行っている。

【０００４】しかるに、電力系統が地理的に広範囲にわ
たる場合には、適当な代表地点そのものの選定が困難で
あり、予測精度が悪くなる。これは、代表地点の気象条
件と日最大電力需要量との相関関係が、他地域にそのま
ま適用できないからである。

【０００５】また、代表地点を複数選定して各地域ごと
に当該地域の日最大電力需要量を予測し、これらを合成
して系統全体の日最大電力需要量を予測する手法もあ
る。更には、複数選定した代表地点の電力需要量の割合
に応じて気象要因の重み平均をとり、得られた気象情報
と日最大電力需要量との相関モデルにより予測する手法
もある。しかしながら、これらの手法においても、各地
域における日最大電力の発生時間が異なることが多く、
単純な合計では高精度な予測は望めないといった問題が
ある。

【０００６】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。更に、前述したように、現状
では、地理的に広範囲にわたる電力系統における高精度
な日最大電力需要量の予測は極めて困難である。そこで
本発明は、熟練運用者に依存することなく、広範囲の電
力系統に対しても高精度に予測を行うことができる日最
大電力需要量予測方法を提供しようとするものである。

【０００７】

【課題を解決するための手段】上記課題を解決するた
め、本発明は、電力系統内を複数の地域に分けて各地域
ごとの日負荷曲線を予測する第１ステップと、これらの
予測により得られた日負荷曲線を合成する第２ステップ
と、合成後の日負荷曲線から電力系統全体の日最大電力
需要量を推定する第３ステップとから構成される。

【０００８】まず、第１ステップでは、電力系統を構成
する各地域につき個別に日負荷曲線を予測する。ここで
各地域とは、電力系統内の各地方給電指令所または系統
制御所の管轄系統を指す。

【０００９】各地域ごとの日負荷曲線の予測方法の一例
を挙げると、次のとおりである。すなわち、本出願人に
よる特願平８−２３５２９１号に示されるように、当該
地域における予測対象日の気象予報データ及び至近日の
実績気象データ等を気象モデルに入力して予測対象日の
詳細な気象を予測するステップと、このステップにより
得られた予測気象データを日負荷曲線予測モデルに入力
して予測対象日の電力需要を予測するステップとからな
る日負荷曲線予測方法を用いる。ここで、前記予測気象
データとしては当該地域の一定時間ごとの気温または湿
度を用いると良い。また、日負荷曲線予測モデルには、
時系列データの把握に有用なリカレントネットワーク
（Elmanモデルなど）を用いることが望ましい。

【００１０】第２ステップでは、各地域の日負荷曲線を
合成して電力系統全体の日負荷曲線を得る。この合成
は、数式１に示すごとく各時間における電力需要量の代
数和を計算し、これを１日全体につき行う。例えば、時
間ｉにおける電力系統全体の電力需要量は、以下のとお
りである。なお、数式１において、ｊは各地域を表す添
え字である。

【００１１】

【数１】

【００１２】第３ステップでは、合成された電力系統全
体の１日の電力需要量（日負荷曲線）に基づいて日最大
電力需要量を予測する。但し、各地域の日負荷曲線、す
なわち、各地方給電指令所で得られる電力需要量は送電
端での値となるため、日最大電力需要量として必要な発
電端の値は、送電損失を考慮した値となる。従って、経
験的に得られている系統の送電損失から算出された送電
損失係数を用いて補正を行い、以下の数式２によって最
終的な日最大電力需要量を求める。

【００１３】

【数２】日最大電力需要量＝ｍａｘ｛電力系統全体の電
力需要量（ｉ）｝／送電損失係数

【００１４】

【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。本実施形態は、図１に示すように、電力
系統内に分割形成された各地域ごとに日負荷曲線を予測
する第１ステップＳ１と、これらの日負荷曲線をすべて
合成して電力系統全体の日負荷曲線を得る第２ステップ
Ｓ２と、電力系統全体の日負荷曲線から日最大電力需要
量を推定する第３ステップＳ３とを有している。なお、
第１ステップＳ１の前のステップＳ０は、電力系統内の
すべての地域について日負荷曲線を予測したかどうかを
判断するステップである。

【００１５】以下、第１〜第３ステップの内容を詳述す
る。 （１）地域ごとの日負荷曲線予測ステップ（第１ステッ
プＳ１） このステップでは、図２に示すように予測対象の電力系
統全体を複数の地域、例えばａ〜ｃに分割し、各地域ａ
〜ｃについて日負荷曲線を予測する。各地域の日負荷曲
線予測方法としては、例えば当該地域の代表地点の気象
情報などを選定し、この気象情報と当該地域における電
力需要量との相関モデルを用いる方法や、予測対象日の
気象条件と類似する気象条件を示す日を予測対象日の過
去の至近日の中から選定し、経験的な補正を加える方法
（一般的には、熟練運用者が行っている方法）などがあ
る。しかるに、本発明では特に具体的な予測方法を限定
するものではないので、日負荷曲線を予測できる方法で
あればいかなる方法でも良い。

【００１６】ちなみに、前述した特願平８−２３５２９
１号に示す予測方法は、次の通りである。まず、この日
負荷曲線予測方法は、図示されていないが、対象となる
電力系統内の各地域ごとに、気象モデルを用いて予測対
象日の僅かな気象予報データ等に基づいて詳細な気象を
予測するステップＡと、このステップＡによる予測気象
データから予測対象日の一定時間ごとの電力需要（日負
荷曲線）を予測するステップＢとからなる。予測に用い
る気象モデルは、回帰式モデル、ニューラルネットワー
ク等により構築され、例えば過去数年分の実績データか
らパラメータの同定や学習が行われる。

【００１７】ステップＡにおいて、気象モデルでは、気
象予報から得られる予測対象日の最高気温、最低気温、
最低湿度、天気等の僅かな気象予報データ及び至近日の
実績気象データを入力することにより、予測対象日の一
定時間ごとの気温、湿度、天気等、より詳細な気象を予
測する。

【００１８】気象モデルの構築例を以下に説明する。ま
ず、気象予報から得られる予測対象日の最高気温、最低
気温、最低湿度、午前の天気、午後の天気を用いて３時
間ごとの気温及び湿度を予測する気象モデルを構築する
こととし、階層型ニューラルネットワークを用いてモデ
ル化する。この気象モデルは、例えば気温、湿度の両方
を予測できるモデル（モデル１〜４）と、気温、湿度の
一方だけを予測できるモデル（モデル５：気温モデル，
湿度モデル）とを用意し、目的に応じて適宜使い分ける
と良い。

【００１９】図３は、最高気温、最低気温の２入力から
３時間おきの気温、湿度を予測するモデル１，３の概念
図であり、図４は、最高気温、最低気温、最低湿度、午
前（９時）の天気、午後（１５時）の天気という５入力
から３時間おきの気温、湿度を予測するモデル２，４の
概念図である。図５は、最高気温、最低気温の２入力か
ら３時間おきの気温を予測するモデル５を示し、図６
は、最高気温、最低気温、最低湿度、午前（９時）の天
気、午後（１５時）の天気という５入力から３時間おき
の湿度を予測するモデル５を示している。

【００２０】なお、図７は上記５つのモデルの実施条件
を示しており、すべてのケースについて良好な気象予測
結果を得ることができた。図８はモデル５による気温想
起結果、図９は同じくモデル５による湿度想起結果を示
しており、何れについても想起値が実績値に良く一致し
ている。

【００２１】ここで、気象モデルとして用いた階層型ニ
ューラルネットワークの学習アルゴリズムとしては、例
えばバックプロパゲーション（誤差逆伝播）を用いるこ
とができる。バックプロパゲーションは、周知のように
ネットワークに入力が与えられた時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たどって
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。

【００２２】次に、上記ステップＡにより得られた予測
気象データを用いて、ステップＢでは日負荷曲線予測を
行う。日負荷曲線予測モデルとしては、ニューラルネッ
トワークの一種であるリカレントネットワークを用い
た。リカレントネットワークは、周知のようにフィード
バック結合を含むニューラルネットワークであり、１ス
テップ前の情報をネットワーク内に持つことで、電力需
要などの時系列データの把握に有用なものである。

【００２３】リカレントネットワークモデルとしては、
例えば入力層、中間層、出力層、コンテクスト層からな
るElmanモデルを用いることができる。図１０は日負荷
曲線予測モデル（Elmanモデル）の一例を示しており、
入力層には平日・土曜日・休日の区別フラグ（１，０な
ど）、予測気象データとしての３時間ごとの気温及び湿
度、日最大電力予測値が入力され、中間層の出力をコン
テクスト層にフィードバックして、出力層から予測対象
日の１時間ごとの電力需要（予測値）が出力される。

【００２４】図１１は、日負荷曲線予測モデルによる学
習・予測概念図であり、例えば最初の２週間のデータを
用いて初期学習を行い、以後毎日、追加学習を行って予
測対象日の１日分の予測を行っている。

【００２５】図１２は、当該地域における予測対象日の
実際の気象データ（「実績値」として示す）と、この実
績値を使用して予測した結果（「実績気象使用」として
示す）とを併せて示した日負荷曲線予測結果である。ま
た、図１３は、図１２と同じ「実績値」と、前述の気象
モデルにより得た予測気象データを使用して予測した結
果（「気象モデル使用」として示す）とを併せて示した
日負荷曲線予測結果である。

【００２６】図１２の予測結果は、当該地域における予
測対象日の実績気象を用いているので、実際には実現不
可能な理想状態の予測結果ということができる。この予
測結果と図１３の予測結果とを比較すると、両者は比較
的良く近似しており、図１３のように気象モデルによる
予測気象データを使用すれば良好な予測結果が得られる
ことが明らかである。

【００２７】このようにして、複数の地域について各地
域ごとに日負荷曲線を予測する。例えば、図２に示した
ように系統内を３つの地域ａ，ｂ，ｃに分け、これらの
すべてにつき日負荷曲線を予測する。いま、仮に図２の
地域ａ，ｂでは午後２時に最大電力が発生し、地域ｃで
は午前１１時に最大電力が発生するというように最大電
力需要の発生時間が異なる場合、従来の代表地点のみの
気象条件を用いる予測方法では良好な予測精度を得るこ
とが不可能である。この点、本実施形態では複数地域の
日負荷曲線を予測し、下述のごとくこれらを合成して系
統全体の日負荷曲線を予測するので、各地域の特性が良
く反映され、予測精度の向上が可能になる。

【００２８】（２）すべての日負荷曲線の合成ステップ
（第２ステップＳ２） 各地域の日負荷曲線を合成して電力系統全体の日負荷曲
線を得る。具体的には、図２における地域ａ，ｂ，ｃの
日負荷曲線を時間ごとに加算して、予測対象日の系統全
体の日負荷曲線を作成する。これは、前述した数式１の
演算による。

【００２９】（３）日最大電力需要量の予測ステップ
（第３ステップＳ３） このステップでは、合成された系統全体の日負荷曲線か
ら、日最大電力需要量を推定する。この推定にあたって
は、図２に示した系統全体の日負荷曲線の中の最大値を
示す電力需要量を日最大電力需要量Ａとする。但し、前
述のごとく、日最大電力需要量として必要な発電端の値
は送電損失を考慮した値であるから、経験的に得られる
送電損失係数を用いて補正を行い、前述の数式２によっ
て最終的な電力系統全体の日最大電力需要量Ｂを予測す
る。

【００３０】

【発明の効果】以上のように本発明は、電力系統内を複
数に分けて各地域の日負荷曲線を予測し、次に系統全体
の日負荷曲線を予測すると共に、最後に送電損失を考慮
しながら最終的な日最大電力需要量を推定するものであ
る。このため、電力系統が地理的に広範囲にわたり、系
統内の各地域に存在する気象条件や日最大電力発生時間
に大きな相違がある場合でも、これらを反映させて高精
度に日最大電力需要量を予測することができる。また、
運用者にとっては、各地域における日負荷曲線を用いて
各時間帯での電力需要の発生状況を把握することができ
るので、予測結果を理解しやすい予測方法を実現するこ
とができる。

【図面の簡単な説明】

【図１】本発明の実施形態を示すフローチャートであ
る。

【図２】実施形態の作用を示す概念図である。

【図３】気象モデルの一例を示す概念図である。

【図４】気象モデルの一例を示す概念図である。

【図５】気象モデルの一例を示す概念図である。

【図６】気象モデルの一例を示す概念図である。

【図７】気象モデルの実施条件を示す図である。

【図８】気象モデル５による気温想起結果を示す図であ
る。

【図９】気象モデル５による湿度想起結果を示す図であ
る。

【図１０】日負荷曲線予測モデルの一例を示す概念図で
ある。

【図１１】日負荷曲線予測モデルの学習・予測概念図で
ある。

【図１２】日負荷曲線予測結果を示す図である。

【図１３】日負荷曲線予測結果を示す図である。

Claims (1)

【特許請求の範囲】
1. 【請求項１】 計算機により予測対象日の最大電力需要
   量を予測する方法において、 予測対象である電力系統内を複数の地域に分割し、これ
   らの地域ごとの日負荷曲線を予測する第１ステップと、 第１ステップにより得た各地域ごとの日負荷曲線を合成
   して電力系統全体の日負荷曲線を求める第２ステップ
   と、 第２ステップにより得た電力系統全体の日負荷曲線の最
   大値に基づき、送電損失を考慮して電力系統全体の日最
   大電力需要量を推定する第３ステップと、 を有することを特徴とする日最大電力需要量予測方法。