JPH11346438A - 電力需要量予測方法 - Google Patents
電力需要量予測方法Info
- Publication number
- JPH11346438A JPH11346438A JP15086198A JP15086198A JPH11346438A JP H11346438 A JPH11346438 A JP H11346438A JP 15086198 A JP15086198 A JP 15086198A JP 15086198 A JP15086198 A JP 15086198A JP H11346438 A JPH11346438 A JP H11346438A
- Authority
- JP
- Japan
- Prior art keywords
- data
- prediction model
- actual data
- prediction
- power demand
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013277 forecasting method Methods 0.000 claims 2
- 238000010276 construction Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013075 data extraction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Classifications
-
- Y04S10/54—
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
(57)【要約】
【課題】 電力系統の安全運用のため、経済性を損なわ
ない範囲で大きめに予測する予測方法を提供する。 【解決手段】 計算機により、過去の実績データに基づ
いて構築した予測モデルを用いて電力需要量を予測する
方法に関する。過去の実績データに基づいて予め予測モ
デルを構築する第１のステップＳ１１と、第１のステッ
プにより構築した予測モデルの出力を基準として、この
出力よりも大きい値を持つ実績データと小さい値を持つ
実績データとに２分割する第２のステップＳ１２と、第
２のステップにより２分割されたもののうち一方の実績
データの数を増加させる第３のステップＳ１３と、第３
のステップにより数を増加させた実績データを含むすべ
ての実績データに基づいて予測モデルを構築する第４の
ステップＳ１４とを有する。
ない範囲で大きめに予測する予測方法を提供する。 【解決手段】 計算機により、過去の実績データに基づ
いて構築した予測モデルを用いて電力需要量を予測する
方法に関する。過去の実績データに基づいて予め予測モ
デルを構築する第１のステップＳ１１と、第１のステッ
プにより構築した予測モデルの出力を基準として、この
出力よりも大きい値を持つ実績データと小さい値を持つ
実績データとに２分割する第２のステップＳ１２と、第
２のステップにより２分割されたもののうち一方の実績
データの数を増加させる第３のステップＳ１３と、第３
のステップにより数を増加させた実績データを含むすべ
ての実績データに基づいて予測モデルを構築する第４の
ステップＳ１４とを有する。
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
所などにおいて、系統制御用計算機や汎用計算機上で電
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
所などにおいて、系統制御用計算機や汎用計算機上で電
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電力需要量予測
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、その全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、重回帰分析や
ニューラルネットワークによる予測が近年提案され、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。
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、その全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、重回帰分析や
ニューラルネットワークによる予測が近年提案され、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。
【０００３】電力系統の信頼性・安全性を保つために
は、予測値が実際よりも低めであることは望ましくな
い。もし、実際の電力需要量が予備供給力を上回ってし
まう場合には電圧・周波数の低下を引き起こし、最悪の
場合には大停電に至ってしまう。そのため、予測値は少
し大きめになることが望ましいが、重回帰式やニューラ
ルネットワークを用いる場合には、大きめに予測する方
法はほとんど存在しない。よって、実際の運用において
は、電力需要量予測値にある程度の運用予備力を持たせ
る方法が一般的である。
は、予測値が実際よりも低めであることは望ましくな
い。もし、実際の電力需要量が予備供給力を上回ってし
まう場合には電圧・周波数の低下を引き起こし、最悪の
場合には大停電に至ってしまう。そのため、予測値は少
し大きめになることが望ましいが、重回帰式やニューラ
ルネットワークを用いる場合には、大きめに予測する方
法はほとんど存在しない。よって、実際の運用において
は、電力需要量予測値にある程度の運用予備力を持たせ
る方法が一般的である。
【０００４】運用者支援の１つの方法として、電力値の
上下限を予測する方法が提案されている。例えば、「最
大電力の区間予測への加重値調整回帰の適用」（平成９
年電気学会電力・エネルギー部門大会，Ｎｏ．１８４）
では、モデル構築用のデータのうち電力値が大きめ、も
しくは低めのデータの重みを大きくして重回帰式を構築
することで、電力値の上下限を予測している。図９はこ
の様子を概念的に示したものであり、通常の回帰式より
も上限予測用回帰式が若干大きめとなっている。
上下限を予測する方法が提案されている。例えば、「最
大電力の区間予測への加重値調整回帰の適用」（平成９
年電気学会電力・エネルギー部門大会，Ｎｏ．１８４）
では、モデル構築用のデータのうち電力値が大きめ、も
しくは低めのデータの重みを大きくして重回帰式を構築
することで、電力値の上下限を予測している。図９はこ
の様子を概念的に示したものであり、通常の回帰式より
も上限予測用回帰式が若干大きめとなっている。
【０００５】
【発明が解決しようとする課題】電力系統を運用するた
めには膨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。
めには膨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。
【０００６】近年、重回帰式、ニューラルネットワーク
による予測作業の自動化が試みられているが、その予測
値は予測モデルより得られる１点のみであり、５０％の
確率で大きめ、５０％の確率で小さめに予測していた。
これは、重回帰式、ニューラルネットワークを用いた予
測モデルは、モデルを構築する段階で基本的にすべての
モデル構築用データ（学習データ）で誤差が少なくなる
ように同定されるため、モデル構築用データの分布（通
常は正規分布）の中心付近の値を出力するモデルが作ら
れることによる。
による予測作業の自動化が試みられているが、その予測
値は予測モデルより得られる１点のみであり、５０％の
確率で大きめ、５０％の確率で小さめに予測していた。
これは、重回帰式、ニューラルネットワークを用いた予
測モデルは、モデルを構築する段階で基本的にすべての
モデル構築用データ（学習データ）で誤差が少なくなる
ように同定されるため、モデル構築用データの分布（通
常は正規分布）の中心付近の値を出力するモデルが作ら
れることによる。
【０００７】前記論文による方法は、電力値の上下限を
予測するものであるため、１００％に近い確率で実際の
電力値よりも大きめに予測することができるが、大きめ
に予測し過ぎるために経済性を損なう欠点を持ってい
る。また、この方法は回帰式に特化した方法であるの
で、ニューラルネットワークのような手法には適用不可
能である。
予測するものであるため、１００％に近い確率で実際の
電力値よりも大きめに予測することができるが、大きめ
に予測し過ぎるために経済性を損なう欠点を持ってい
る。また、この方法は回帰式に特化した方法であるの
で、ニューラルネットワークのような手法には適用不可
能である。
【０００８】そこで本発明は、電力系統の安全運用のた
め、経済性を損なわない範囲で電力需要量を大きめに予
測可能であり、回帰式、ニューラルネットワークなど多
くの予測モデルに汎用的に適用できるようにした予測方
法を提供しようとするものである。
め、経済性を損なわない範囲で電力需要量を大きめに予
測可能であり、回帰式、ニューラルネットワークなど多
くの予測モデルに汎用的に適用できるようにした予測方
法を提供しようとするものである。
【０００９】
【課題を解決するための手段】上記課題を解決するた
め、請求項１記載の発明は、計算機により、過去の実績
データに基づいて構築した予測モデルを用いて電力需要
量を予測する方法において、過去の実績データに基づい
て予め予測モデルを構築する第１のステップと、第１の
ステップにより構築した予測モデルの出力を基準とし
て、この出力よりも大きい値を持つ実績データと小さい
値を持つ実績データとに２分割する第２のステップと、
第２のステップにより２分割されたもののうち一方（例
えば、予測モデルの出力よりも大きい値を持つ方）の実
績データの数を増加させる第３のステップと、第３のス
テップにより数を増加させた実績データを含むすべての
実績データに基づいて予測モデルを構築する第４のステ
ップと、を有するものである。
め、請求項１記載の発明は、計算機により、過去の実績
データに基づいて構築した予測モデルを用いて電力需要
量を予測する方法において、過去の実績データに基づい
て予め予測モデルを構築する第１のステップと、第１の
ステップにより構築した予測モデルの出力を基準とし
て、この出力よりも大きい値を持つ実績データと小さい
値を持つ実績データとに２分割する第２のステップと、
第２のステップにより２分割されたもののうち一方（例
えば、予測モデルの出力よりも大きい値を持つ方）の実
績データの数を増加させる第３のステップと、第３のス
テップにより数を増加させた実績データを含むすべての
実績データに基づいて予測モデルを構築する第４のステ
ップと、を有するものである。
【００１０】請求項２記載の発明は、計算機により、過
去の実績データに基づいて構築した予測モデルを用いて
電力需要量を予測する方法において、過去の実績データ
に基づいて予め予測モデルを構築する第１のステップ
と、第１のステップにより構築した予測モデルの出力と
実績データとを用いて、実績データに関するデータ分布
を作成する第２のステップと、予測変化量を設定する第
３のステップと、第２のステップにより作成したデータ
分布を、第３のステップにより設定した予測変化量を用
いて変化させる第４のステップと、第４のステップによ
る変化後のデータ分布に従った実績データに基づいて予
測モデルを構築する第５のステップと、を有するもので
ある。
去の実績データに基づいて構築した予測モデルを用いて
電力需要量を予測する方法において、過去の実績データ
に基づいて予め予測モデルを構築する第１のステップ
と、第１のステップにより構築した予測モデルの出力と
実績データとを用いて、実績データに関するデータ分布
を作成する第２のステップと、予測変化量を設定する第
３のステップと、第２のステップにより作成したデータ
分布を、第３のステップにより設定した予測変化量を用
いて変化させる第４のステップと、第４のステップによ
る変化後のデータ分布に従った実績データに基づいて予
測モデルを構築する第５のステップと、を有するもので
ある。
【００１１】請求項３記載の発明は、計算機により、過
去の実績データに基づいて構築した予測モデルを用いて
電力需要量を予測する方法において、予測対象日の条件
を設定する第１のステップと、第１のステップにより設
定した条件に合致する過去の実績データを抽出し、この
実績データに関するデータ分布を作成する第２のステッ
プと、第２のステップにより作成したデータ分布を統計
的指標に従い統計処理して予測対象日における電力需要
量の上下限を求める第３のステップと、を有するもので
ある。
去の実績データに基づいて構築した予測モデルを用いて
電力需要量を予測する方法において、予測対象日の条件
を設定する第１のステップと、第１のステップにより設
定した条件に合致する過去の実績データを抽出し、この
実績データに関するデータ分布を作成する第２のステッ
プと、第２のステップにより作成したデータ分布を統計
的指標に従い統計処理して予測対象日における電力需要
量の上下限を求める第３のステップと、を有するもので
ある。
【００１２】請求項４記載の発明は、計算機により、過
去の実績データに基づいて構築した予測モデルを用いて
電力需要量を予測する方法において、予測対象日の条件
を設定する第１のステップと、第１のステップにより設
定した条件に類似する過去の実績データを抽出し、この
実績データに関するデータ分布を作成する第２のステッ
プと、第２のステップにより作成したデータ分布を統計
的指標に従い統計処理して予測対象日における電力需要
量の上下限を求める第３のステップと、を有するもので
ある。
去の実績データに基づいて構築した予測モデルを用いて
電力需要量を予測する方法において、予測対象日の条件
を設定する第１のステップと、第１のステップにより設
定した条件に類似する過去の実績データを抽出し、この
実績データに関するデータ分布を作成する第２のステッ
プと、第２のステップにより作成したデータ分布を統計
的指標に従い統計処理して予測対象日における電力需要
量の上下限を求める第３のステップと、を有するもので
ある。
【００１３】
【発明の実施の形態】まず、請求項１の発明の実施形態
を説明する。図１は、２ｎ個の過去の実績データを用い
て構築する予測モデルの概念図であり、気温に対する電
力値の関係を示している。通常の構築方法では、過去の
実績データに最も合うように、各データの中心（電力分
布の中心）を通るように予測値を求めている。つまり、
予測モデルの出力（予測値）を基準としてこれより大き
めの実績データがｎ個、小さめの実績データがｎ個存在
する。
を説明する。図１は、２ｎ個の過去の実績データを用い
て構築する予測モデルの概念図であり、気温に対する電
力値の関係を示している。通常の構築方法では、過去の
実績データに最も合うように、各データの中心（電力分
布の中心）を通るように予測値を求めている。つまり、
予測モデルの出力（予測値）を基準としてこれより大き
めの実績データがｎ個、小さめの実績データがｎ個存在
する。
【００１４】これに対し、本実施形態では、通常の構築
方法により構築した予測モデルの出力を基準として、過
去の実績データのうち電力需要量が大きめのデータの値
はそのままとしてデータの数をｍ倍にする。つまり、全
体として（ｎ×ｍ）＋ｎ個の実績データを用いて学習す
ることで、通常よりも大きめに予測するようにする。
方法により構築した予測モデルの出力を基準として、過
去の実績データのうち電力需要量が大きめのデータの値
はそのままとしてデータの数をｍ倍にする。つまり、全
体として（ｎ×ｍ）＋ｎ個の実績データを用いて学習す
ることで、通常よりも大きめに予測するようにする。
【００１５】この方法の利点は、小さめの実績データの
数はそのままで、大きめの実績データだけ多くするの
で、小さめの実績データの特徴を損なうことなく、少し
だけ大きめに予測することができる点である。また、実
績データの数を変化させているだけであるため、多くの
予測モデル構築において汎用的に適用可能である。
数はそのままで、大きめの実績データだけ多くするの
で、小さめの実績データの特徴を損なうことなく、少し
だけ大きめに予測することができる点である。また、実
績データの数を変化させているだけであるため、多くの
予測モデル構築において汎用的に適用可能である。
【００１６】図２は、この実施形態の処理を示すフロー
チャートである。以下、その内容を順次説明する。 （１）予測モデル構築１（Ｓ１１） 過去の実績データを用いて予測モデルを構築する。通
常、モデル構築用のデータは最高気温、最低気温、湿
度、曜日種別、実績電力などの実績データである。予測
モデルは、ニューラルネットワークや重回帰式、ファジ
ー推論モデルなど考えられるが、その具体的内容は本発
明の要旨ではないため、説明を省略する。なお、ここで
は、予測モデルの構築に用いる実績データの数を２ｎ個
と仮定する。
チャートである。以下、その内容を順次説明する。 （１）予測モデル構築１（Ｓ１１） 過去の実績データを用いて予測モデルを構築する。通
常、モデル構築用のデータは最高気温、最低気温、湿
度、曜日種別、実績電力などの実績データである。予測
モデルは、ニューラルネットワークや重回帰式、ファジ
ー推論モデルなど考えられるが、その具体的内容は本発
明の要旨ではないため、説明を省略する。なお、ここで
は、予測モデルの構築に用いる実績データの数を２ｎ個
と仮定する。
【００１７】（２）データ２分割（Ｓ１２） ステップＳ１１により構築した予測モデルを用いて、ス
テップＳ１１で用いたデータを予測する。そして、予測
モデルの出力よりも大きい実績データと小さい実績デー
タの２つのグループに分割する。この場合、予測モデル
の出力は、予測値よりも大きいｎ個の実績データと予測
値よりも小さいｎ個の実績データの中心（電力分布の中
心）を通ることになる。
テップＳ１１で用いたデータを予測する。そして、予測
モデルの出力よりも大きい実績データと小さい実績デー
タの２つのグループに分割する。この場合、予測モデル
の出力は、予測値よりも大きいｎ個の実績データと予測
値よりも小さいｎ個の実績データの中心（電力分布の中
心）を通ることになる。
【００１８】（３）データ量増加（Ｓ１３） ステップＳ１２により２つに分割した実績データのう
ち、予測値よりも大きい実績データの数をｍ倍に増加さ
せる。従って、次のステップの予測モデル構築に使用す
るデータ数は（ｎ×ｍ）＋ｎ個となる。
ち、予測値よりも大きい実績データの数をｍ倍に増加さ
せる。従って、次のステップの予測モデル構築に使用す
るデータ数は（ｎ×ｍ）＋ｎ個となる。
【００１９】（４）予測モデル構築２（Ｓ１４） ステップＳ１３により増加させたデータを用いて、予測
モデルを再構築する。
モデルを再構築する。
【００２０】例えば、表１に示すデータ番号１〜４の４
個の実績データを用いて、予測モデル（最高気温、湿度
から電力を予測するモデル）を構築する場合、予測モデ
ル出力よりも実績電力が大きいデータ（データ番号２，
４）の数を２倍にすれば、表２のように６個のデータが
得られる。本実施形態では、これらの６個のデータを用
いて新たに予測モデルを構築する。
個の実績データを用いて、予測モデル（最高気温、湿度
から電力を予測するモデル）を構築する場合、予測モデ
ル出力よりも実績電力が大きいデータ（データ番号２，
４）の数を２倍にすれば、表２のように６個のデータが
得られる。本実施形態では、これらの６個のデータを用
いて新たに予測モデルを構築する。
【００２１】
【表１】
【００２２】
【表２】
【００２３】これにより、運用者は、予測値に一定の予
備力を持たせて翌日の運用計画を作成することができ
る。すなわち、予測値が小さすぎる場合には予備力が不
足して系統運用の安全性が低下する恐れがあり、予測値
の上限一杯で運用計画を作成すると経済性が低下する。
よって、本実施形態のように大きめに予測することで、
経済性を損なわない範囲で系統運用の安全性を確保する
ことができる。なお、特別の事情により小さめの予測を
行いたい場合には、必要に応じて、過去の実績データの
うち電力需要量が小さめのデータの数を増加させるよう
にしてもよい。
備力を持たせて翌日の運用計画を作成することができ
る。すなわち、予測値が小さすぎる場合には予備力が不
足して系統運用の安全性が低下する恐れがあり、予測値
の上限一杯で運用計画を作成すると経済性が低下する。
よって、本実施形態のように大きめに予測することで、
経済性を損なわない範囲で系統運用の安全性を確保する
ことができる。なお、特別の事情により小さめの予測を
行いたい場合には、必要に応じて、過去の実績データの
うち電力需要量が小さめのデータの数を増加させるよう
にしてもよい。
【００２４】次に、請求項２の発明の実施形態を説明す
る。この発明は、過去の実績データの分布を任意に加工
することにより、任意の大きさの予測値を得る方法であ
る。図１において、実績データと予測モデルの出力との
差を横軸にとり、データの個数（度数）を縦軸にとる
と、図３の実線に示すような正規分布となる。
る。この発明は、過去の実績データの分布を任意に加工
することにより、任意の大きさの予測値を得る方法であ
る。図１において、実績データと予測モデルの出力との
差を横軸にとり、データの個数（度数）を縦軸にとる
と、図３の実線に示すような正規分布となる。
【００２５】電力需要量を大きめに予測する予測モデル
を構築したい場合には、誤差が＋側のデータを増加させ
て点線の分布に変化させることにより、任意の大きめ予
測が可能になる（平均で＋１００ＭＷ，＋２％など）。
小さめの予測モデルを構築する場合には、逆に誤差が−
側のデータを減少させてデータの分布を変化させる。
を構築したい場合には、誤差が＋側のデータを増加させ
て点線の分布に変化させることにより、任意の大きめ予
測が可能になる（平均で＋１００ＭＷ，＋２％など）。
小さめの予測モデルを構築する場合には、逆に誤差が−
側のデータを減少させてデータの分布を変化させる。
【００２６】この実施形態の特徴は、実績データの分布
を変化させることで任意の大きさに予測できることにあ
り、そのため、どの範囲のデータをどのくらい多くすれ
ばよいかを予測モデル構築の時点で決定できる点であ
る。以下、本実施形態の処理内容を順次説明する。
を変化させることで任意の大きさに予測できることにあ
り、そのため、どの範囲のデータをどのくらい多くすれ
ばよいかを予測モデル構築の時点で決定できる点であ
る。以下、本実施形態の処理内容を順次説明する。
【００２７】（１）予測モデル構築１（Ｓ２１） 請求項１の発明の実施形態におけるステップＳ１１と同
様であり、過去の実績データを用いて予測モデルを構築
する。モデル構築用のデータは、最高気温、最低気温、
湿度、曜日種別、実績電力などの実績データである。
様であり、過去の実績データを用いて予測モデルを構築
する。モデル構築用のデータは、最高気温、最低気温、
湿度、曜日種別、実績電力などの実績データである。
【００２８】（２）データ分布作成（Ｓ２２） 予測モデルの出力と実績データとの誤差を横軸にとり、
度数を縦軸にとった度数分布グラフを作成する。
度数を縦軸にとった度数分布グラフを作成する。
【００２９】（３）予測変化量設定（Ｓ２３） 構築する予測モデルによりどのくらい大きめに予測して
ほしいのかを、予測変化量として設定する。
ほしいのかを、予測変化量として設定する。
【００３０】（４）データ量増加（Ｓ２４） ステップＳ２３により設定した予測変化量をもとに、デ
ータ量を増加させてステップＳ２３で作成した度数分布
の形状を変化させる。
ータ量を増加させてステップＳ２３で作成した度数分布
の形状を変化させる。
【００３１】（５）予測モデル構築２（Ｓ２５） 請求項１の発明の実施形態におけるステップＳ１４と同
様であり、上記ステップＳ２４により増加させたデータ
を用いて、予測モデルを再構築する。
様であり、上記ステップＳ２４により増加させたデータ
を用いて、予測モデルを再構築する。
【００３２】前述した請求項１の発明の実施形態では、
どの程度大きめ予測することができるかは予測時点でわ
からないが、この実施形態によれば、データの分布を考
慮して任意の大きさで予測することが可能になる。
どの程度大きめ予測することができるかは予測時点でわ
からないが、この実施形態によれば、データの分布を考
慮して任意の大きさで予測することが可能になる。
【００３３】次いで、請求項３の発明の実施形態を説明
する。この実施形態は、過去の実績データの分布を統計
処理することにより、予測対象日における電力需要量の
上下限を推定する方法である。図５は、通常通りに予測
した場合である。過去の実績データと照らし合わせる
と、同じ気温でも電力需要にはかなりの幅がある。つま
り、この幅の分だけ予測誤差が生じる可能性がある。
する。この実施形態は、過去の実績データの分布を統計
処理することにより、予測対象日における電力需要量の
上下限を推定する方法である。図５は、通常通りに予測
した場合である。過去の実績データと照らし合わせる
と、同じ気温でも電力需要にはかなりの幅がある。つま
り、この幅の分だけ予測誤差が生じる可能性がある。
【００３４】予測対象日の気温の断面で度数分布を作成
したものを図６に示す。この度数分布から、信頼区間、
最大値などを統計処理した結果より電力値の上下限を決
定することができる。統計的指標として最大値を用いる
と、純粋にその気温における電力値の上限が求められ
る。また、信頼区間を用いると、特異な日を除いた電力
値の上下限を求めることができる。
したものを図６に示す。この度数分布から、信頼区間、
最大値などを統計処理した結果より電力値の上下限を決
定することができる。統計的指標として最大値を用いる
と、純粋にその気温における電力値の上限が求められ
る。また、信頼区間を用いると、特異な日を除いた電力
値の上下限を求めることができる。
【００３５】図７は、請求項３の実施形態の処理手順を
示すフローチャートである。 （１）予測日条件設定（Ｓ３１） 予測対象日の条件を設定する。通常は、予測対象日の最
高気温などの気温に対して、相関の高いデータを与え
る。
示すフローチャートである。 （１）予測日条件設定（Ｓ３１） 予測対象日の条件を設定する。通常は、予測対象日の最
高気温などの気温に対して、相関の高いデータを与え
る。
【００３６】（２）実績データ抽出（Ｓ３２） 過去の実績データから、ステップＳ３１で設定した条件
に合致するデータ全てを抽出する。ここで、図６に示し
たように横軸に電力値、縦軸に度数をとった度数分布グ
ラフを作成する。
に合致するデータ全てを抽出する。ここで、図６に示し
たように横軸に電力値、縦軸に度数をとった度数分布グ
ラフを作成する。
【００３７】（３）統計処理（Ｓ３３） ステップＳ３２で求めた度数分布を統計処理して、電力
値の上下限を求める。統計処理の方法は、統計的指標と
して最大値・最小値、信頼区間を用いる方法など、種々
考えられる。
値の上下限を求める。統計処理の方法は、統計的指標と
して最大値・最小値、信頼区間を用いる方法など、種々
考えられる。
【００３８】前述した請求項１、請求項２の発明の実施
形態では、電力値を例えば少しだけ大きめに予測するも
のである。しかるに、運用者としては、系統運用の安全
性を期するために電力値の上下限を知りたい場合があ
る。そこで、この実施形態によれば、過去の実績データ
の分布範囲に基づいて統計処理により電力値の上下限を
求めることができる。
形態では、電力値を例えば少しだけ大きめに予測するも
のである。しかるに、運用者としては、系統運用の安全
性を期するために電力値の上下限を知りたい場合があ
る。そこで、この実施形態によれば、過去の実績データ
の分布範囲に基づいて統計処理により電力値の上下限を
求めることができる。
【００３９】次に、請求項４の発明の実施形態を説明す
る。この実施形態は、予測対象日の類似日として抽出さ
れた複数の日の電力値を統計処理することで、電力値の
上下限を提示する方法である。
る。この実施形態は、予測対象日の類似日として抽出さ
れた複数の日の電力値を統計処理することで、電力値の
上下限を提示する方法である。
【００４０】請求項３の発明の実施形態では、予測対象
日の気温断面から度数分布を作成して電力値の上下限を
求めていた。そのため、予測対象日と同じ気温の日がな
い場合には求めることができない。また、複数の条件要
素が複雑に組み合わさって構成される電力需要予測にお
いては、１つの条件だけでは正確さが欠けることも予想
される。そこで、請求項４の発明の実施形態では、予測
対象日の気象条件（最高・最低気温、湿度、天気）や季
節から過去の類似日を抽出し、これらの類似日の実績デ
ータから度数分布を作成して電力値の上下限を求めるこ
ととした。
日の気温断面から度数分布を作成して電力値の上下限を
求めていた。そのため、予測対象日と同じ気温の日がな
い場合には求めることができない。また、複数の条件要
素が複雑に組み合わさって構成される電力需要予測にお
いては、１つの条件だけでは正確さが欠けることも予想
される。そこで、請求項４の発明の実施形態では、予測
対象日の気象条件（最高・最低気温、湿度、天気）や季
節から過去の類似日を抽出し、これらの類似日の実績デ
ータから度数分布を作成して電力値の上下限を求めるこ
ととした。
【００４１】図８は、この実施形態の処理手順を示して
いる。以下、順に説明する。 （１）予測日条件設定（Ｓ４１） 予測対象日の条件を設定する。通常は、予測対象日の最
高気温、最低気温、過去数日分の気温パターン、曜日種
別、季節、湿度、天候、特殊要因など複数の条件を設定
する。
いる。以下、順に説明する。 （１）予測日条件設定（Ｓ４１） 予測対象日の条件を設定する。通常は、予測対象日の最
高気温、最低気温、過去数日分の気温パターン、曜日種
別、季節、湿度、天候、特殊要因など複数の条件を設定
する。
【００４２】（２）類似日抽出（Ｓ４２） 過去の実績データから、ステップＳ４１で設定した条件
に近い実績データを有する日（類似日）を抽出する。類
似日が少ない場合には、正常な統計処理を行うことがで
きない。そこで、類似日がｎ日以下の場合には、検索条
件を緩和して再帰的に類似日を抽出する（気温条件を±
１℃に緩和する、湿度を±１０％に緩和する、など）よ
うにしてもよい。抽出した類似日の実績データに基づ
き、請求項３の実施形態と同様に、横軸に電力値、縦軸
に度数をとった度数分布グラフを作成する。
に近い実績データを有する日（類似日）を抽出する。類
似日が少ない場合には、正常な統計処理を行うことがで
きない。そこで、類似日がｎ日以下の場合には、検索条
件を緩和して再帰的に類似日を抽出する（気温条件を±
１℃に緩和する、湿度を±１０％に緩和する、など）よ
うにしてもよい。抽出した類似日の実績データに基づ
き、請求項３の実施形態と同様に、横軸に電力値、縦軸
に度数をとった度数分布グラフを作成する。
【００４３】（３）統計処理（Ｓ４３） ステップＳ４２で求めた度数分布を統計処理して、電力
量の上下限を求める。統計処理の方法は、統計的指標と
して最大値・最小値、信頼区間を用いる方法など、種々
考えられる。
量の上下限を求める。統計処理の方法は、統計的指標と
して最大値・最小値、信頼区間を用いる方法など、種々
考えられる。
【００４４】この実施形態は請求項３の実施形態を改良
したものであり、予測対象日と同一の気象条件の日が過
去にない場合でも、電力値の上下限を精度良く求めるこ
とができる。
したものであり、予測対象日と同一の気象条件の日が過
去にない場合でも、電力値の上下限を精度良く求めるこ
とができる。
【００４５】
【発明の効果】以上述べたように、請求項１または２記
載の発明によれば、電力需要量を少しだけ大きめに予測
する等の手段により、経済性を損なうことなく、しかも
電力系統の安全性を高めるような予測を行うことができ
る。また、請求項３または４記載の発明によれば、更な
る運用者支援機能として、電力需要量の上下限を判定可
能として運用者への安心感を与えることも可能である。
更に、いずれの発明も、特定の予測手法に特化した方法
ではなく汎用的に適用することができる。
載の発明によれば、電力需要量を少しだけ大きめに予測
する等の手段により、経済性を損なうことなく、しかも
電力系統の安全性を高めるような予測を行うことができ
る。また、請求項３または４記載の発明によれば、更な
る運用者支援機能として、電力需要量の上下限を判定可
能として運用者への安心感を与えることも可能である。
更に、いずれの発明も、特定の予測手法に特化した方法
ではなく汎用的に適用することができる。
【図１】通常の予測モデルの概念図である。
【図２】請求項１の発明の実施形態を示すフローチャー
トである。
トである。
【図３】請求項２の発明の実施形態におけるデータ分布
の調整概念の説明図である。
の調整概念の説明図である。
【図４】請求項２の発明の実施形態を示すフローチャー
トである。
トである。
【図５】請求項３の発明の実施形態を説明するための通
常の予測範囲の概念図である。
常の予測範囲の概念図である。
【図６】請求項３の発明の実施形態を説明するための予
測信頼区間の説明図である。
測信頼区間の説明図である。
【図７】請求項３の発明の実施形態を示すフローチャー
トである。
トである。
【図８】請求項４の発明の実施形態を示すフローチャー
トである。
トである。
【図９】上限予測用回帰式の概念図である。
Claims (4)
- 【請求項１】 計算機により、過去の実績データに基づ
いて構築した予測モデルを用いて電力需要量を予測する
方法において、 過去の実績データに基づいて予め予測モデルを構築する
第１のステップと、 第１のステップにより構築した予測モデルの出力を基準
として、この出力よりも大きい値を持つ実績データと小
さい値を持つ実績データとに２分割する第２のステップ
と、 第２のステップにより２分割されたもののうち一方の実
績データの数を増加させる第３のステップと、 第３のステップにより数を増加させた実績データを含む
すべての実績データに基づいて予測モデルを構築する第
４のステップと、 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、過去の実績データに基づ
いて構築した予測モデルを用いて電力需要量を予測する
方法において、 過去の実績データに基づいて予め予測モデルを構築する
第１のステップと、 第１のステップにより構築した予測モデルの出力と実績
データとを用いて、実績データに関するデータ分布を作
成する第２のステップと、 予測変化量を設定する第３のステップと、 第２のステップにより作成したデータ分布を、第３のス
テップにより設定した予測変化量を用いて変化させる第
４のステップと、 第４のステップによる変化後のデータ分布に従った実績
データに基づいて予測モデルを構築する第５のステップ
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３】 計算機により、過去の実績データに基づ
いて構築した予測モデルを用いて電力需要量を予測する
方法において、 予測対象日の条件を設定する第１のステップと、 第１のステップにより設定した条件に合致する過去の実
績データを抽出し、この実績データに関するデータ分布
を作成する第２のステップと、 第２のステップにより作成したデータ分布を統計的指標
に従い統計処理して予測対象日における電力需要量の上
下限を求める第３のステップと、 を有することを特徴とする電力需要量予測方法。 - 【請求項４】 計算機により、過去の実績データに基づ
いて構築した予測モデルを用いて電力需要量を予測する
方法において、 予測対象日の条件を設定する第１のステップと、 第１のステップにより設定した条件に類似する過去の実
績データを抽出し、この実績データに関するデータ分布
を作成する第２のステップと、 第２のステップにより作成したデータ分布を統計的指標
に従い統計処理して予測対象日における電力需要量の上
下限を求める第３のステップと、 を有することを特徴とする電力需要量予測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP15086198A JPH11346438A (ja) | 1998-06-01 | 1998-06-01 | 電力需要量予測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP15086198A JPH11346438A (ja) | 1998-06-01 | 1998-06-01 | 電力需要量予測方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH11346438A true JPH11346438A (ja) | 1999-12-14 |
Family
ID=15505993
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP15086198A Withdrawn JPH11346438A (ja) | 1998-06-01 | 1998-06-01 | 電力需要量予測方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH11346438A (ja) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6665590B2 (en) | 2001-10-30 | 2003-12-16 | Hitachi, Ltd. | Operation support system |
| JP2005278335A (ja) * | 2004-03-25 | 2005-10-06 | Toshiba Corp | 電力託送運用計画作成支援システム及び電力託送運用計画作成支援プログラム |
| JP2009169930A (ja) * | 2007-12-21 | 2009-07-30 | Fuji Electric Systems Co Ltd | エネルギー需要予測装置 |
| JP2011101553A (ja) * | 2009-11-09 | 2011-05-19 | Shimizu Corp | エネルギー貯蔵システム |
| JP2012044739A (ja) * | 2010-08-16 | 2012-03-01 | Tokyo Electric Power Co Inc:The | 配電区間の負荷予測方法および配電系統制御システム |
| JP2014513840A (ja) * | 2011-05-06 | 2014-06-05 | オーパワー， インコーポレイテッド | 類似した消費者を選択する方法およびシステム |
| WO2014141841A1 (ja) * | 2013-03-15 | 2014-09-18 | 株式会社 東芝 | 電力需要予測装置、方法及びプログラム並びに需要抑制計画策定装置 |
| JP2015156764A (ja) * | 2014-02-21 | 2015-08-27 | 富士電機株式会社 | 配電系統の実負荷推定に資する学習データの作成方法、プログラム並びに配電系統の実負荷推定装置および推定方法 |
| JP2015162133A (ja) * | 2014-02-27 | 2015-09-07 | 富士通株式会社 | 最大電力値の推定方法、最大電力値の推定装置及びプログラム |
| WO2016132796A1 (ja) * | 2015-02-19 | 2016-08-25 | 日本電気株式会社 | 電力消費量推定装置、電力消費量推定方法およびプログラム |
| JP2017182324A (ja) * | 2016-03-29 | 2017-10-05 | 富士通株式会社 | 発電計画の自動生成プログラム、発電計画の自動生成方法および発電計画生成装置 |
| WO2017183337A1 (ja) * | 2016-04-22 | 2017-10-26 | 住友電気工業株式会社 | デマンド監視装置、デマンド監視システム、デマンド監視方法およびデマンド監視プログラム |
-
1998
- 1998-06-01 JP JP15086198A patent/JPH11346438A/ja not_active Withdrawn
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SG112824A1 (en) * | 2001-10-30 | 2005-07-28 | Hitachi Ltd | Operation support system |
| US6665590B2 (en) | 2001-10-30 | 2003-12-16 | Hitachi, Ltd. | Operation support system |
| JP2005278335A (ja) * | 2004-03-25 | 2005-10-06 | Toshiba Corp | 電力託送運用計画作成支援システム及び電力託送運用計画作成支援プログラム |
| JP2009169930A (ja) * | 2007-12-21 | 2009-07-30 | Fuji Electric Systems Co Ltd | エネルギー需要予測装置 |
| JP2011101553A (ja) * | 2009-11-09 | 2011-05-19 | Shimizu Corp | エネルギー貯蔵システム |
| JP2012044739A (ja) * | 2010-08-16 | 2012-03-01 | Tokyo Electric Power Co Inc:The | 配電区間の負荷予測方法および配電系統制御システム |
| JP2014513840A (ja) * | 2011-05-06 | 2014-06-05 | オーパワー， インコーポレイテッド | 類似した消費者を選択する方法およびシステム |
| US10345770B2 (en) | 2013-03-15 | 2019-07-09 | Kabushiki Kaisha Toshiba | Power demand estimating apparatus, method, program, and demand suppressing schedule planning apparatus |
| WO2014141841A1 (ja) * | 2013-03-15 | 2014-09-18 | 株式会社 東芝 | 電力需要予測装置、方法及びプログラム並びに需要抑制計画策定装置 |
| JP2015156764A (ja) * | 2014-02-21 | 2015-08-27 | 富士電機株式会社 | 配電系統の実負荷推定に資する学習データの作成方法、プログラム並びに配電系統の実負荷推定装置および推定方法 |
| JP2015162133A (ja) * | 2014-02-27 | 2015-09-07 | 富士通株式会社 | 最大電力値の推定方法、最大電力値の推定装置及びプログラム |
| WO2016132796A1 (ja) * | 2015-02-19 | 2016-08-25 | 日本電気株式会社 | 電力消費量推定装置、電力消費量推定方法およびプログラム |
| JPWO2016132796A1 (ja) * | 2015-02-19 | 2017-04-27 | 日本電気株式会社 | 電力消費量推定装置、電力消費量推定方法およびプログラム |
| US10416211B2 (en) | 2015-02-19 | 2019-09-17 | Nec Corporation | Apparatus for estimating power consumption, method of estimating power consumption, and program |
| JP2017182324A (ja) * | 2016-03-29 | 2017-10-05 | 富士通株式会社 | 発電計画の自動生成プログラム、発電計画の自動生成方法および発電計画生成装置 |
| WO2017183337A1 (ja) * | 2016-04-22 | 2017-10-26 | 住友電気工業株式会社 | デマンド監視装置、デマンド監視システム、デマンド監視方法およびデマンド監視プログラム |
| CN109075573A (zh) * | 2016-04-22 | 2018-12-21 | 住友电气工业株式会社 | 需求监视装置、需求监视系统、需求监视方法和需求监视程序 |
| JPWO2017183337A1 (ja) * | 2016-04-22 | 2019-02-28 | 住友電気工業株式会社 | デマンド監視装置、デマンド監視システム、デマンド監視方法およびデマンド監視プログラム |
| AU2017253053B2 (en) * | 2016-04-22 | 2021-07-08 | Sumitomo Electric Industries, Ltd. | Demand monitoring device, demand monitoring method, and demand monitoring program |
| US11125793B2 (en) | 2016-04-22 | 2021-09-21 | Sumitomo Electric Industries, Ltd. | Demand monitoring device, demand monitoring system, demand monitoring method, and demand monitoring program |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3458981B1 (en) | System and methods for improving the accuracy of solar energy and wind energy forecasts for an electric utility grid | |
| CN109617134B (zh) | 计及不确定量预测误差时空相关性的鲁棒机组组合方法 | |
| JP6645043B2 (ja) | 誤差幅推定装置、誤差幅推定システム、誤差幅推定方法及びプログラム | |
| JPH11346438A (ja) | 電力需要量予測方法 | |
| Dehghani et al. | Multi-stage resilience management of smart power distribution systems: A stochastic robust optimization model | |
| CN101408769A (zh) | 一种基于乘积arima模型的在线能源预测系统及方法 | |
| CN117411189B (zh) | 一种微电网协调控制器的监测数据增强方法 | |
| CA3162838A1 (en) | System and method for load and source forecasting for increasing electrical grid component longevity | |
| CN111917111B (zh) | 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质 | |
| CN114548756A (zh) | 基于主成分分析的综合能源项目综合效益评价方法及装置 | |
| Pérez‐Rúa et al. | Reliability‐based topology optimization for offshore wind farm collection system | |
| Khan et al. | Probabilistic generation model for grid connected wind DG | |
| JPH09215192A (ja) | 日負荷曲線予測方法 | |
| KR102628551B1 (ko) | 하이브리드 타입 단기 전력수요 예측 장치 및 방법 | |
| Li et al. | PFR ancillary service in low‐inertia power system | |
| CN111179108A (zh) | 用电能耗的预测方法和装置 | |
| CN115663922A (zh) | 一种分布式电源多自由度优化配置方法及系统 | |
| CN111126707A (zh) | 能耗方程构建、能耗预测方法与装置 | |
| CN116502771B (zh) | 一种基于电力物资预测的配电方法及系统 | |
| CN111105050B (zh) | 风机维护计划的生成方法、装置、设备及存储介质 | |
| CN117595488A (zh) | 一种基于负荷动态匹配的电力调度监控方法及系统 | |
| CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
| WO2022162798A1 (ja) | 電力需要予測装置、電力需要予測方法およびプログラム | |
| CN113837486A (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
| Zhang et al. | Data-driven feature description of heat wave effect on distribution system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20050802 |