JPH11299096A - 電力需要量予測方法 - Google Patents
電力需要量予測方法Info
- Publication number
- JPH11299096A JPH11299096A JP10605398A JP10605398A JPH11299096A JP H11299096 A JPH11299096 A JP H11299096A JP 10605398 A JP10605398 A JP 10605398A JP 10605398 A JP10605398 A JP 10605398A JP H11299096 A JPH11299096 A JP H11299096A
- Authority
- JP
- Japan
- Prior art keywords
- power demand
- temperature
- prediction
- past
- increase coefficient
- 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
Classifications
-
- Y04S10/54—
Abstract
を正確に反映できる予測モデルを構築し、予測精度を向
上させる。 【解決手段】 計算機により、過去の電力需要量の実績
データを年増加係数を用いて補正し、この補正後の実績
データに基づいて構築した予測モデルを用いて予測対象
日の電力需要量を予測する方法に関する。過去の実績デ
ータの気象条件により複数の気温帯の温度区分を決定す
るステップと、前記気温帯に従って過去の該当日を抽出
するステップと、抽出した該当日の電力需要量から気温
帯ごとに年増加係数を算出するステップとを有し、過去
複数年の電力需要量の実績データに基づいて予測モデル
を構築する際に、気温帯ごとの年増加係数を用いて実績
データを補正する。
Description
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に
より電力需要量を自動的に予測する方法に関する。
量(日最大電力や日負荷曲線)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
表地点の気象情報等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
て予測する方法が近年提案され、確立されつつある。こ
れらの方法では、過去の実績データを用いて予測モデル
を構築している。
用いた実績データ数に大きく依存するため、過去数年分
のデータを用いるのが一般的である。しかし、電力需要
は毎年増加するため、そのままでは高精度な予測モデル
を構築することが難しい。この問題を解決する方法とし
て、以下の二つの方法が知られている。
電力需要量の伸びからある特定年相当(通常は予測対象
年の前年相当)の電力需要量に補正し、この補正データ
を用いて予測モデルを構築する方法である。図11はこ
の補正概念を示すもので、予測対象年の2年以前の破線
で示した各年の電力需要量が、補正後の電力需要量であ
る。この補正に用いる係数を年増加係数といい、各年ご
とにその値が異なっている。すなわち、年増加係数自体
が年々補正されると考えることができる。この方法によ
り構築したモデルを用いて実際に予測する場合、上記特
定年相当(予測対象年の前年相当)から予測対象年への
電力需要量の増加率を考慮して更に補正を行う必要があ
る。
せずに、各年度ごとに予測モデルを構築する。各年度用
の予測モデルの予測値は、各年度相当の予測しかできな
いため、予測当年用に変換した後、更にそれぞれの予測
値の平均を求める等の方法により、一つの予測値を得
る。
年度とも一つ、または各年度の各季節ごとに一つ計算し
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、電力需要量、特に日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。
及により冷暖房需要の伸びが大きい。このため、冷房需
要が多い夏の高温時や暖房需要が多い冬の低温時に特に
電力需要量の伸びが大きく、気温帯によって年増加係数
は異なっている。図12は気温と電力需要量との関係を
近年及び数年前につき示したもので、現時点に近いほど
特性線は全体的に上側に位置している。
抽出した日の電力需要量から年増加係数を算出してい
た。つまり、各年ごとに一つずつ、または各年の季節ご
とにひとつずつの年増加係数を算出し、使用していた。
この方法によると、各年の中温時の年増加係数を用いる
ことになり、夏の高温時や冬の低温時の電力需要量の変
化を正確に反映したものとは言えない。
を算出し、この年増加係数に基づいて過去の実績データ
を補正するとともに、補正された実績データを用いて気
温帯別に予測モデルを構築し、気温帯の境界部分の予測
においては隣接気温帯の予測モデルによる予測結果をフ
ァジー融合する等の手段により、電力需要量の予測精度
を向上させるようにした電力需要量予測方法を提供しよ
うとするものである。
め、請求項1記載の発明は、計算機により、過去の電力
需要量の実績データを年増加係数を用いて補正し、この
補正後の実績データに基づいて構築した予測モデルを用
いて予測対象日の電力需要量を予測する方法において、
過去の実績データの気象条件により複数の気温帯の温度
区分を決定するステップと、前記気温帯に従って過去の
該当日を抽出するステップと、抽出した該当日の電力需
要量から気温帯ごとに年増加係数を算出するステップ
と、を有するものである。
去の電力需要量の実績データを年増加係数を用いて補正
し、この補正後の実績データに基づいて構築した予測モ
デルを用いて予測対象日の電力需要量を予測する方法に
おいて、過去複数年の電力需要量の実績データに基づい
て予測モデルを構築する際に、請求項1に記載した気温
帯ごとの年増加係数を用いて実績データを補正するもの
である。
力需要量予測方法において、複数の気温帯別に予測モデ
ルを構築するものである。
力需要量予測方法において、複数の気温帯別に構築した
予測モデルによる予測値をファジー理論により融合する
ものである。
って説明する。まず、請求項1に記載した発明の実施形
態を説明する。この発明は、気温帯ごとに異なる電力需
要量の年増加係数を、過去の実績データの統計分析に基
づいて求めるものである。その処理内容は、図1に示す
ように、気温帯区分決定(S11)、データ抽出(S1
2)、年増加係数算出(S13)からなっている。以
下、各処理の内容を説明する。
温、最低気温等を求め、各気温帯の温度区分を求める。
気温帯の分割は、過去における1日の最高気温の最高と
最低とを求めてそれを等分割したり、冷夏や猛暑など特
定年度の平均気温を用いて分割する。
いて、1日の最高気温と電力需要量との関係を示すグラ
フ上で気温帯を区分した一例を示す図である。図におい
て、低温帯の下限温度は、過去5年間における1日の最
高気温のうち最低の温度であり、ここでは11.9℃で
ある。また、高温帯の上限温度は、過去5年間における
1日の最高気温のうち最高の温度であり、ここでは3
5.6℃である。更に、 低温帯と中温帯との温度境界=最低気温+(最高気温−
最低気温)/3, 中温帯と高温帯との温度境界=最低気温+2(最高気温
−最低気温)/3 により決定する。ただし、ここにおける「最低気温」と
は1日の最低気温ではなく、過去5年の最高気温のうち
最低のもの、同じく「最高気温」とは1日の最高気温で
はなく、過去5年の最高気温のうち最高のものをいう。
いて、1日の平均気温と電力需要量との関係を示すグラ
フ上で気温帯を区分した一例を示す図である。この場
合、 夏の低温帯と中温帯との温度境界=冷夏年の平均気温, 夏の中温帯と高温帯との温度境界=猛暑年の平均気温 により決定する。
日、もしくは各気温帯を代表する日を抽出する。抽出条
件の例を以下に示す。例えば、前述の例1(図 2)で
は、 低温帯:1日の最高気温が低温帯に当てはまるすべての
日, 中温帯:1日の最高気温が中温帯に当てはまるすべての
日, 高温帯:1日の最高気温が高温帯に当てはまるすべての
日, また、前述の例2(図 3)では、 低温帯:平均気温が冷夏年の平均気温の±1℃の範囲に
属するすべての日, 中温帯:平均気温が過去5年の平均気温の±1℃の範囲
に属するすべての日, 高温帯:平均気温が猛暑年の平均気温の±1℃の範囲に
属するすべての日 としてデータを抽出する。
し、気温帯別に年度間の年増加係数を算出する。例え
ば、1994年度の電力需要量を1995年度相当に補
正するための各気温帯ごとの年増加係数は、次のように
して算出される。 年増加係数(低温)=平均電力需要量(1995年度低
温帯)/平均電力需要量(1994年度低温帯), 年増加係数(中温)=平均電力需要量(1995年度中
温帯)/平均電力需要量(1994年度中温帯), 年増加係数(高温)=平均電力需要量(1995年度高
温帯)/平均電力需要量(1994年度高温帯)
温帯別年増加係数算出方法を説明する。この実施例は前
述の図2に対応しており、年増加係数の算出に用いたデ
ータは過去5年分の実績データである。まず、5年分の
データについて、表1の季節区分により季節毎に1日の
最高気温の最高と最低とを求め、両者の間の温度範囲を
三分割して表2のように低温帯、中温帯、高温帯とす
る。
需要量を、季節ごと、各年ごとに求める。この結果を表
3に示す。
増加係数を求めた結果が表4である。すなわち、表3に
おける1995年度の平均電力需要量を1とした場合
の、各年、各季節の平均電力需要量の比率の逆数が年増
加係数として求められる。例えば、低温帯の1991年
度春季の年増加係数は、表3の(a)から17230.
12/15773.33≒1.092357となる(表
4(a)の該当個所参照)。
電力需要量の変化を考慮した年増加補正が可能になる。
る。この実施例は、前述の図3に対応している。上述し
た第1実施例では、過去の最高気温の最高と最低との間
の温度範囲を三分割して気温帯を決めている。しかし、
この方法では、例えば冷夏の年の高温帯に該当する日は
ごく少ないため、統計計算を行うにはサンプル数が少な
くて年増加係数を算出できない事態が生じる。
年の平均気温を高温帯境界温度、冷夏の年の平均気温を
低温帯境界温度として算出する。また、データとして抽
出する日は、低温帯については平均気温が冷夏年の平均
気温の±1℃の範囲に属するすべての日、中温帯につい
ては平均気温が過去5年の平均気温の±1℃の範囲に属
するすべての日、高温帯については平均気温が猛暑年の
平均気温の±1℃の範囲に属するすべての日である。但
し、各年度とも抽出される日が5日未満であるときに
は、0.5℃刻みで抽出幅を拡げて最低5日以上抽出す
ることとする。
温、季節ごとの高温(最高温度)、低温(最低温度)を
示す。この例では、1993年度が冷夏、1994年度
が猛暑であり、データ抽出時には、低温帯について19
93年度の平均気温の±1℃の範囲、高温帯について1
994年度の平均気温の±1℃の範囲に属する日が対象
となる。
要量を、季節ごと、各年ごとに求める。この結果を表6
に示す。この表6に基づき、気温帯別の各年毎の年増加
係数を求めた結果が表7である。この実施例の年増加係
数の算出方法は第1実施例と同様であり、異なるのは、
気温帯区分方法と、年増加係数算出のためのデータ抽出
方法である。
年増加係数の概念を示し、図4(b)は請求項1の発明
における夏季の年増加係数の概念を示している。つま
り、従来では、各年につき一つの年増加係数を用いて年
増加補正を行っていたが、本発明では低温帯、中温帯、
高温帯といった気温帯別に年増加係数を算出してきめ細
かく補正するものである。
態を説明する。過去複数年のデータを用いて予測モデル
を構築する場合、電力需要量を特定年の電力需要量相当
に補正しなくてはならない。通常は、予測対象年の前年
相当に補正している。しかし、電力需要量の伸びは気温
帯によって異なるにも関わらず、従来では、気温帯によ
り異なる電力需要量の伸びをまったく考慮せず、全気温
帯とも一律に同じ年増加係数を用いて補正していた。
の発明により算出した気温帯ごとの年増加係数を用い、
気温帯毎に異なる電力需要量の伸びを考慮して学習デー
タを変換(補正)し、予測モデルを構築するものであ
る。従来では、気温の高い部分と低い部分との補正がう
まくいかず誤差原因となっていたのに対し、この方法に
よれば気温帯毎に補正するので従来よりも良好な補正が
可能になる。
を示すフローチャートである。その処理内容は、図5に
示すように、気温帯別年増加係数算出(S21)、デー
タ補正(S22)、予測モデル構築(S23)からなっ
ている。以下、各処理の内容を説明する。
する。 (2)データ補正(S22) 気温帯別の年増加係数を用いて、各年度データの電力需
要量を特定年相当(予測対象年の前年相当)に変換す
る。 (3)予測モデル構築(S23) 上記(2)の処理で変換したデータを用いて、予測モデ
ルを構築する。モデル化の手法にはニューラルネットワ
ーク、重回帰式などの方法があるが、本発明の要旨でな
いので説明を省略する。
は、請求項1の発明の第2実施例により算出した年増加
係数を用いて各年度データを補正し、そのデータを用い
て予測モデルを構築して電力需要量を予測する。予測モ
デルにはニューラルネットワークを用い、学習データは
過去5年分(1991年〜1995年度)の実績データ
を用いた。学習方法としてはバックプロパゲーションを
用い、季節ごとに学習した。各年の電力需要量を年増加
補正するに当たっては、前述のように気温帯別の年増加
補正係数を用いて予測対象年前年相当の電力需要量に補
正した。なお、予測対象年は1996年度の春、夏、秋
である。
目であり、表中、iは予測対象日、i−2,i−7はそ
れぞれ2日前、7日前を示す。特異日フラグとは、土曜
日や休日の電力需要量は平日と大きく異なるのでそれを
考慮するためのものである。
ルを用いて電力需要量を予測した場合の予測誤差を示し
ている。本実施例によれば、絶対平均誤差が3%以下で
あり、良好に予測することができた。
前の需要量に補正する場合の概念図であり、図6(b)
は一つの年増加係数によりデータを補正する従来技術の
概念図、図6(c)は気温帯ごとの年増加係数を用いて
データを補正する請求項2の発明の概念図である。請求
項2の発明では、気温帯ごとの年増加係数を考慮して学
習データを作成し、このデータを用いて予測モデルを構
築するので、予測精度の向上が可能である。
を説明する。予測モデルは、1つのモデルを構築して予
測するよりも、ある特定の条件に特化してモデルを構築
する方が予測精度が向上する。そこで、請求項3記載の
発明では、気温帯別に複数の予測モデルを構築すること
により予測精度を向上させるものである。請求項2の発
明では、気温帯による需要の変化を考慮して補正した実
績データを用いて単一の予測モデルを構築したが、請求
項3では、気温帯別に複数の予測モデルを構築するよう
にした。
示す概念図、図7(b)は本実施形態による予測モデル
構築方法を示す概念図である。従来では、年増加係数に
より補正した学習用データを用いて単一の予測モデルを
構築し予測していたが、請求項3記載の発明の実施形態
では、例えば低温帯用、中温帯用、高温帯用というよう
に気温帯別にそれぞれ予測モデルを構築し、予測するも
のである。電力需要量の予測は非線形問題の一種であ
り、季節ごとに予測モデルを構築する方法は従来から提
案されているが、本発明では更に気温帯ごとに予測モデ
ルを構築することにより、一層良好な予測を行うことが
できる。
態を説明する。請求項3の発明により構築された気温帯
別の予測モデルでは、気温帯の境界では予測値が不連続
になったり、予測精度が低下したりする場合がある。そ
こで請求項3の発明では、気温帯の境界において隣接す
る2つの予測モデルの予測値をファジー推論により融合
し、予測精度の向上を図ったものである
チャートであり、気温帯別予測(S41)及びファジー
融合(S42)のステップから構成される。以下に、各
処理の内容を説明する。
用いて、予測を行う。
ルの予測値を融合する。本実施形態におけるファジー融
合方法としては、以下の方法を用いる。3つの気温帯
(低温帯、中温帯、高温帯)があり、それぞれの電力需
要量予測値をyl,ym,yhとして気象との適合度をωl,
ωm,ωhとすると、最終的な予測値yは次の式で表され
る。 y=(ωlyl+ωmym+ωhyh)/(ωl+ωm+ωh) 但し、適合度ω(0〜1の範囲の値)は、図9のような
メンバシップ関数からより求める。例えば、図9のメン
バシップ関数を用いた場合は、予測対象日の最高気温が
15℃以下ならば低温帯予測用のモデルを用いて予測
し、最高気温が17.5℃ならば低温帯用モデルと中温
帯用モデルとの両方を用いて予測を行い、その平均を最
終的な予測値とする。
概念を示した図である。各気温帯別の予測モデルを用い
て低温時予測値、中温時予測値、高温時予測値を求め、
図9のメンバシップ関数に示したように最高気温が低温
でもあり中温でもある場合には、低温用予測モデルによ
る予測結果と中温用予測モデルによる予測結果とをファ
ジー融合して低〜中温時の予測値を求める。また、最高
気温が中温でもあり高温でもある場合には中温用予測モ
デルによる予測結果と高温用予測モデルによる予測結果
とをファジー融合して中〜高温時の予測値を求めるもの
である。本実施形態によれば、低温帯と中温帯、または
中温と高温帯といった隣接する気温帯の境界における予
測精度の低下を防ぎ、気温帯全般にわたって高精度な需
要量の予測が可能になる。
は、年増加係数の算出方法に関するものである。従来の
年増加係数は、年度や季節ごとに一つずつであったた
め、電力需要量構成の変化(エアコン需要の増加など)
に伴う需要量の伸びに対応していない。つまり、エアコ
ンが使用され易い夏場の高気温時と冬場の低気温時の電
力需要量の伸びが大きいため、本来は、気温帯によって
電力需要量の伸び率が大きく異なるものである。従来の
方法では、平均的な気温時における電力需要量に基づい
て年増加係数を算出していたため、特に冷暖房需要が大
きい夏の高温時や冬の低温時において予測精度が低下す
る可能性がある。これに対し、本発明によれば、電力需
要の構成の変化に対応して適切な年増加係数を算出する
ことができる。
加係数を用いて予測モデルを構築することにより、良好
な予測モデルを構築することができる。従来の単一の年
増加係数により補正したデータを用いて予測モデルを構
築した場合、この年増加係数は平均的な温度帯における
ものであるため、高温時や低温時においては誤差が大き
くなるおそれがある。この点、本発明によれば、気温帯
ごとに異なる電力需要量の伸びを考慮した予測を行うこ
とが可能になる。
更に発展させて、気温帯別に予測モデルを構築する方法
である。非線形問題の場合、一般に、一つのモデルによ
って多くの条件の下での予測を精度良く行うことは難し
い。従来の日最大電力需要量予測は、季節ごとに予測モ
デルを分割して予測していたが、本発明では、更に気温
帯ごとに予測モデルを構築することにより、一層高精度
な予測を行うことができる。
用いる場合に、ファジー理論を応用して更に予測精度を
向上させる方法である。気温帯ごとに予測モデルを構築
すると、気温帯の境界付近では予測精度が低下する場合
があるが、本発明によれば、隣接する気温帯の予測モデ
ルによる予測値のファジー融合により、気温帯境界付近
についても高精度な予測が可能になる。
ーチャートである。
出対象を示す図である。
出対象を示す図である。
数の概念図である。
ーチャートである。
タの生成概念図である。
ける予測モデル構築方法の概念図である。
ーチャートである。
プ関数の一例を示す図である。
測方法の概念図である。
る。
Claims (4)
- 【請求項1】 計算機により、過去の電力需要量の実績
データを年増加係数を用いて補正し、この補正後の実績
データに基づいて構築した予測モデルを用いて予測対象
日の電力需要量を予測する方法において、 過去の実績データの気象条件により複数の気温帯の温度
区分を決定するステップと、前記気温帯に従って過去の
該当日を抽出するステップと、抽出した該当日の電力需
要量から気温帯ごとに年増加係数を算出するステップ
と、 を有することを特徴とする電力需要量予測方法。 - 【請求項2】 計算機により、過去の電力需要量の実績
データを年増加係数を用いて補正し、この補正後の実績
データに基づいて構築した予測モデルを用いて予測対象
日の電力需要量を予測する方法において、 過去複数年の電力需要量の実績データに基づいて予測モ
デルを構築する際に、請求項1に記載した気温帯ごとの
年増加係数を用いて実績データを補正することを特徴と
する電力需要量予測方法。 - 【請求項3】 請求項2記載の電力需要量予測方法にお
いて、 複数の気温帯別に予測モデルを構築することを特徴とす
る電力需要予測方法。 - 【請求項4】 請求項3記載の電力需要量予測方法にお
いて、 複数の気温帯別に構築した予測モデルによる予測値をフ
ァジー理論により融合することを特徴とする電力需要量
予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP10605398A JP3707589B2 (ja) | 1998-04-16 | 1998-04-16 | 電力需要量予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP10605398A JP3707589B2 (ja) | 1998-04-16 | 1998-04-16 | 電力需要量予測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH11299096A true JPH11299096A (ja) | 1999-10-29 |
JP3707589B2 JP3707589B2 (ja) | 2005-10-19 |
Family
ID=14423888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP10605398A Expired - Fee Related JP3707589B2 (ja) | 1998-04-16 | 1998-04-16 | 電力需要量予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3707589B2 (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004164388A (ja) * | 2002-11-14 | 2004-06-10 | Yokogawa Electric Corp | 需要予測システム |
JP2010182042A (ja) * | 2009-02-04 | 2010-08-19 | Chugoku Electric Power Co Inc:The | 設備の環境負荷評価システムおよび環境負荷評価方法 |
JP2012108832A (ja) * | 2010-11-19 | 2012-06-07 | Mitsubishi Electric Corp | 情報処理装置、情報処理方法および情報処理プログラム |
JP2018023227A (ja) * | 2016-08-04 | 2018-02-08 | 東日本旅客鉄道株式会社 | 電力需要予測方法および電力需要予測プログラム |
CN108898252A (zh) * | 2018-07-02 | 2018-11-27 | 河南师范大学 | 一种全国对流层大气折射率剖面的预测方法 |
-
1998
- 1998-04-16 JP JP10605398A patent/JP3707589B2/ja not_active Expired - Fee Related
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004164388A (ja) * | 2002-11-14 | 2004-06-10 | Yokogawa Electric Corp | 需要予測システム |
JP2010182042A (ja) * | 2009-02-04 | 2010-08-19 | Chugoku Electric Power Co Inc:The | 設備の環境負荷評価システムおよび環境負荷評価方法 |
JP2012108832A (ja) * | 2010-11-19 | 2012-06-07 | Mitsubishi Electric Corp | 情報処理装置、情報処理方法および情報処理プログラム |
JP2018023227A (ja) * | 2016-08-04 | 2018-02-08 | 東日本旅客鉄道株式会社 | 電力需要予測方法および電力需要予測プログラム |
CN108898252A (zh) * | 2018-07-02 | 2018-11-27 | 河南师范大学 | 一种全国对流层大气折射率剖面的预测方法 |
Also Published As
Publication number | Publication date |
---|---|
JP3707589B2 (ja) | 2005-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11454410B2 (en) | Forecast-based automatic scheduling of a distributed network of thermostats with learned adjustment | |
Xu et al. | Improving prediction performance for indoor temperature in public buildings based on a novel deep learning method | |
US20200356087A1 (en) | Model predictive maintenance system with event or condition based performance | |
US9429961B2 (en) | Data-driven HVAC optimization | |
CN102812303B (zh) | Hvac控制系统和方法 | |
CN108664682A (zh) | 一种变压器顶层油温的预测方法及其系统 | |
JP2004086896A (ja) | 適応的予測モデル構築方法及び適応的予測モデル構築システム | |
CN114484557B (zh) | 一种基于目标能耗管控的建筑群供热负荷调控方法 | |
JP6094369B2 (ja) | 電力需要予測装置、電力需要予測方法および電力需要予測プログラム | |
Huang et al. | Energy demand forecasting: combining cointegration analysis and artificial intelligence algorithm | |
KR101301123B1 (ko) | 냉난방부하 예측방법 | |
Ozoh et al. | A comparative analysis of techniques for forecasting electricity consumption | |
Yang et al. | Developing data-driven models to predict BEMS energy consumption for demand response systems | |
JPH09215192A (ja) | 日負荷曲線予測方法 | |
JP3641918B2 (ja) | 電力需要量予測値補正方法 | |
JP2000276460A (ja) | 電力需要量予測方法 | |
JP3707589B2 (ja) | 電力需要量予測方法 | |
JPH0922402A (ja) | 日最大電力需要量予測方法 | |
JPH09233700A (ja) | 日最大需要電力予測の信頼性評価方法 | |
Kuo et al. | A novel framework short-term load forecasting for micro-grid energy management system | |
JPH08132108A (ja) | 圧延条件推定モデルによる圧延条件の推定方法 | |
JP3268520B2 (ja) | ガス需要量の予測方法 | |
Carpenter et al. | A comparison of Gaussian process regression and change-point regression for the baseline model in industrial facilities | |
Maia et al. | A methodology for short-term electric load forecasting based on specialized recursive digital filters | |
Zhang et al. | Dynamic building energy consumption forecast using weather forecast interpolations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20040902 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040908 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20050714 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20050727 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080812 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090812 Year of fee payment: 4 |
|
LAPS | Cancellation because of no payment of annual fees |