TW201407530A - 負載量預測裝置及負載量預測方法 - Google Patents

負載量預測裝置及負載量預測方法 Download PDF

Info

Publication number
TW201407530A
TW201407530A TW102123150A TW102123150A TW201407530A TW 201407530 A TW201407530 A TW 201407530A TW 102123150 A TW102123150 A TW 102123150A TW 102123150 A TW102123150 A TW 102123150A TW 201407530 A TW201407530 A TW 201407530A
Authority
TW
Taiwan
Prior art keywords
load amount
prediction
time
history data
measured
Prior art date
Application number
TW102123150A
Other languages
English (en)
Inventor
Hirohide Takeuchi
Jyunnji Fukumoto
Ryou Nohara
Hideyuki Yoshimoto
Original Assignee
Azbil Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Azbil Corp filed Critical Azbil Corp
Publication of TW201407530A publication Critical patent/TW201407530A/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本發明係準確地預測以電力消耗量等為代表之負載量。本發明之負載量預測裝置具備：登錄部11，登錄履歷資料，該履歷資料係將與已測定之負載量之測定時刻為相同時刻且在測定日之前不同的兩天測定出之負載量、在測定時刻測定出之熱焓及負載量設為一組而構成一個資料；獲取部12，獲取與預測時刻為相同時刻且在預測日之前不同的兩天測定出之負載量、及在預測時刻預想之熱焓即預想熱焓作為預測用參數；選定部13，根據所獲取到之預測用參數，自所登錄之履歷資料選定類似於預測用參數之履歷資料；及預測部14，使用所選定之履歷資料，算出成為代表之履歷資料，將成為代表之履歷資料所含之測定時刻測定出之負載量所對應之負載量作為預測時刻之負載量。

Description

負載量預測裝置及負載量預測方法
本發明係關於一種負載量預測裝置及負載量預測方法。
於下述專利文獻1中揭示有根據自來水廠測量到之預測變數資料而預測特定時間後之處理水之濁度之系統。於該系統中，當預測特定時間後之處理水濁度時，應用如下之拓撲案例模型法(Topological Case Based Modeling，TCBM)進行運算。首先，將過去獲得之履歷資料案例化而生成案例模型。當獲得新輸入資料時，自案例模型中選定最接近該輸入資料之案例。藉由將所選定之案例平均化而算出與新輸入資料對應之輸出值。藉由使用此種案例模型，可不使用複雜模型而進行基於過去之實際成績之預測。
[先前技術文獻] [專利文獻]
[專利文獻1]日本專利特開2002-119956號公報
此外，針對最近備受矚目之電力之供給不足，為了實現所承擔之電力削減目標，而要求用戶努力省電。另一方面，在工廠等中，必須 一面努力省電，一面在可使用之電力之範圍內儘可能效率良好地進行操作。對此，關鍵在於除當前時點之電力之使用狀況以外，亦要預測並且應對其後數小時之電力之使用狀況。尤其於氣象條件變得嚴峻之夏季或冬季，電力需求亦會因氣象條件而大幅度變化，因此要求立即掌握需求變動，迅速地採取準確措施。於上述專利文獻1所記載之系統中，預先利用案例模型預測處理水之濁度，藉由應用此種案例模型，有可能會效率良好地把握電力消耗量今後會以何種方式推移。
本發明之目的在於提供一種可準確地預測以電力消耗量等為代表之負載量之負載量預測裝置、及負載量預測方法。
本發明之負載量預測裝置係對預測時刻之負載量進行預測，其具備：登錄部，登錄履歷資料，該履歷資料係將與已測定出之負載量即第1負載量之測定時刻為相同時刻且在測定日之前不同的兩天測定出之負載量即第2負載量及第3負載量、以及在上述測定時刻測定出之熱焓及上述第1負載量設為一組而構成一個資料；獲取部，獲取與上述預測時刻為相同時刻且在預測日之前不同的兩天測定出之負載量即第4負載量及第5負載量、以及在上述預測時刻預想之熱焓即預想熱焓作為預測用參數；選定部，根據由上述獲取部獲取到之上述預測用參數，自藉由上述登錄部登錄之上述履歷資料中選定類似於上述預測用參數之一個或複數個上述履歷資料；及預測部，使用由上述選定部選定之上述履歷資料，算出成為代表之上述履歷資料，將該成為代表之上述履歷資料所含之上述第1負載量所對應之負載量作為上述預測時刻之負載量。
本發明之負載量預測方法係對預測時刻之負載量進行預測，其包含：登錄步驟，登錄履歷資料，該履歷資料係將與已測定出之負載量即第1負載量之測定時刻為相同時刻且在測定日之前不同的兩天測定 出之負載量即第2負載量及第3負載量、以及在上述測定時刻測定出之熱焓及上述第1負載量設為一組而構成一個資料；獲取步驟，獲取與上述預測時刻為相同時刻且在預測日之前不同的兩天測定出之負載量即第4負載量及第5負載量、以及在上述預測時刻預想之熱焓即預想熱焓作為預測用參數；選定步驟，根據上述獲取步驟中所獲取到之上述預測用參數，自上述登錄步驟中所登錄之上述履歷資料中，選定類似於上述預測用參數之一個或複數個上述履歷資料；及預測步驟，使用上述選定步驟中所選定之上述履歷資料，算出成為代表之上述履歷資料，將該成為代表之上述履歷資料所含之上述第1負載量所對應之負載量作為上述預測時刻之負載量。
藉由採用該構成，可將實際測出之第1負載量及熱焓與在該實測日之前不同的兩天之與實測時刻為相同時刻測定出之第2負載量及第3負載量建立關聯，並將其等作為履歷資料儲存。並且，當獲取到預測用參數時，可自所儲存之履歷資料中選定與在預測日之前不同的兩天之與預測時刻為相同時刻測定出之第4負載量及第5負載量以及預測時刻之預想熱焓之組合類似之履歷資料，將使用該選定之履歷資料算出之成為代表之履歷資料中所含之第1負載量所對應之負載量作為預測時刻之負載量。
又，上述之前不同的兩天可為上述測定日或上述預測日之前一天、及上述測定日或上述預測日之7天前之那一天。
根據本發明，可提供一種能夠準確地預測以電力消耗量等為代表之負載量之負載量預測裝置及負載量預測方法。
1‧‧‧負載量預測裝置
3‧‧‧案例模型DB
11‧‧‧登錄部
12‧‧‧獲取部
13‧‧‧選定部
14‧‧‧預測部
圖1係例示實施形態之負載量預測裝置之構成之圖。
圖2係用以說明輸入空間之量化處理之圖。(A)係例示履歷資料之圖， (B)係例示三維之輸入輸出空間x1-x2-y之圖，(C)係例示輸出變數y之輸出變動範圍與輸出誤差之允許範圍ε之關係之圖，(D)係例示由網格劃分之輸入空間x1-x2之圖。
圖3(A)係模式性地表示選定履歷資料之一群之狀態之圖，(B)係模式性地表示自履歷資料之一群算出一個代表值之狀態之圖。
圖4係例示顯示於顯示器上之電力消耗量之推移曲線之圖。
以下，參照圖式對本發明之實施形態進行說明。但，以下所說明之實施形態僅為例示，不排除應用以下未明示之各種變形或技術。即，本發明可於不脫離其主旨之範圍內進行各種變形而實施。
於本實施形態中，對由負載量預測裝置預測之負載量為電力消耗量之情形進行說明，但並不限定於此，對於所要預測之負載量為例如蒸氣消耗量、或冷水熱量、溫水熱量之情形亦可同樣地適用。
參照圖1，對實施形態之負載量預測裝置之構成進行說明。如圖1所示，負載量預測裝置1在功能上例如具有登錄部11、獲取部12、選定部13、及預測部14。案例模型DB3係儲存下述案例模型之資料庫。於本實施形態中，登錄部11實現下述學習功能，獲取部12、選定部13及預測部14實現下述預測功能。
此處，負載量預測裝置1在物理上例如包含CPU(Central Processing Unit)、記憶體、及輸入輸出介面而構成。記憶體中例如包含記憶由CPU處理之程式或資料之ROM(Read Only Memory)或HDD(Hard Disk Drive)、主要用作用於控制處理之各種作業區域之RAM(Random Access Memory)等要素。該等要素相互經由匯流排而連接。藉由CPU執行記憶於ROM之程式，處理經由輸入輸出介面接收之資料、或RAM中展開之資料， 可實現負載量預測裝置1之各部所具有之功能。
登錄部11具有學習功能，該學習功能係使用測定資料生成案例模型，其後，使用以特定間隔連續獲得之測定資料更新案例模型。以下，對學習功能進行說明。
登錄部11將履歷資料登錄於案例模型DB3。履歷資料例如係將某測定時刻測定出之電力消耗量(第1負載量)及熱焓、該測定日之前一天之與測定時刻為相同時刻(測定時刻之24小時前)測定出之電力消耗量(第2負載量)、以及該測定日之7天前之與測定時刻為相同時刻(測定時刻之168小時前)測定出之電力消耗量(第3負載量)設為一組而構成一個資料。
登錄部11包含使用履歷資料生成案例模型，將該生成之案例模型登錄於案例模型DB3之案例生成登錄部。關於由案例生成登錄部生成之案例模型，以下進行說明。再者，該案例模型可獲取上述專利文獻1所記載之拓撲案例模型法之理論或方法而應用。
案例模型為導入位相(Topology)之概念而製成之模型，且根據所期望之輸出允許誤差將輸入空間量化，以每單位輸入空間(以下稱為「網格」)定義輸入輸出間之關係。
輸入空間之量化能夠以如下方式進行。此處，為了方便說明，對將輸入變數設為x1與x2該兩者，將輸出變數設為y該一者之情形進行說明。其原因在於：藉由將輸入變數設為兩個，將輸出變數設為一個，可使用三維之輸入輸出空間進行說明，能夠相對容易理解地說明輸入空間之量化。另一方面，於本實施形態中，履歷資料中，測定時刻之熱焓、前一天之電力消耗量及7天前之電力消耗量該三者屬於上述輸入變數，測定時刻之電力消耗量屬於上述輸出變數，輸入輸出空間成為四維空間。即便輸入輸出空間成為四維空間，亦可根據與三維空間之情形相同之原理進行。
如圖2(A)所示，履歷資料係藉由過去測定出之輸入變數x1、x2與輸出變數y之組而構成一個資料。若將該履歷資料示於三維之輸入輸出空間x1-x2-y上，則如圖2(B)所示般分佈。再者，圖2(B)係以將x1-x2平面配置於紙面上之狀態表示之圖，與x1-x2平面正交之輸出軸y係以於x1-x2平面之原點位置自紙面之內側朝向表側配置之狀態表示。
當決定輸入空間x1-x2之網格時，如圖2(C)所示，以同一網格內之輸出變數y之輸出變動範圍收斂於輸出誤差之允許範圍ε之方式決定網格之大小(輸入量化數)。於該例示中，如圖2(D)所示，以將輸入變數x1分割為10份，將輸入變數x2分割為6份之尺寸來決定網格之大小。其結果，輸入空間x1-x2由60個網格劃分。再者，圖2(D)與上述圖2(B)同樣地係以將x1-x2平面配置於紙面上之狀態表示之圖。
輸出誤差之允許範圍ε係表示允許使用案例模型輸出之預測值與實際值之間的誤差可達到何種程度之值，且預先設定為模擬條件。藉由使用此種允許範圍ε來決定網格之大小，並製成案例模型，可將使用屬於該案例模型之輸入資料預測之輸出資料之誤差收斂於允許範圍ε之範圍內。
圖1所示之獲取部12、選定部13及預測部14具有參照登錄於案例模型DB3之案例模型，對預測時刻之電力消耗量進行預測之預測功能。以下，對預測功能進行說明。
獲取部12獲取對預測時刻之電力消耗量進行預測時使用之預測用參數。預測用參數中例如包含預測日之前一天之與預測時刻為相同時刻(預測時刻之24小時前)測定出之電力消耗量(第4負載量)、預測日之7天前之與預測時刻為相同時刻(預測時刻之168小時前)測定出之電力消耗量(第5負載量)、及預測時刻所預想之熱焓(以下稱為「預想熱焓」)。
選定部13根據由獲取部12獲取到之預測用參數並參照案例 模型DB3，自登錄於案例模型DB3之履歷資料中，選定類似於預測用參數之一個或複數個履歷資料。以下具體地進行說明。
選定部13將作為預測用參數之前一天之電力消耗量、7天前之電力消耗量及預想熱焓分配於案例模型之輸入輸出空間。預測用參數中所含之三個要素(前一天之電力消耗量、7天前之電力消耗量及預想熱焓)與製成案例模型時之三個輸入變數一致。因此，選定部13藉由將該等三個要素分配於案例模型之輸入輸出空間，可特定與三個要素對應之輸入空間之網格。選定部13將所特定之網格中所含之履歷資料選定為類似於預測用參數之履歷資料。
再者，除所特定之網格中所含之履歷資料以外，亦可將存在於該特定之網格之周邊之網格中所含之履歷資料添加於類似於預測用參數之履歷資料。
預測部14使用由選定部13選定出之履歷資料算出成為代表之履歷資料。預測部14將成為代表之履歷資料中所含之與測定時刻之電力消耗量對應之電力消耗量作為預測時刻之電力消耗量。參照圖3具體地進行說明。圖3與上述圖2同樣地為將輸入變數設為x1與x2該兩者，將輸出變數設為y該一者之情形時之例示。
如圖3(A)所示，於由選定部13選定三個履歷資料之情形時，預測部14分別算出該等三個履歷資料中所含之各要素(x1、x2、y)之平均值。預測部14如圖3(B)所示般將以所算出之各平均值為各要素之值之履歷資料作為成為代表之履歷資料。預測部14將成為代表之履歷資料中所含之測定時刻之電力消耗量(y)之平均值(81.9)作為預測時刻之電力消耗量。再者，求出成為代表之履歷資料之方法並不限定於算出平均值而求出。
由預測部14預測出之電力消耗量例如可經曲線化而顯示於 顯示器5上。圖4中例示顯示於顯示器5上之電力消耗量之推移曲線。圖4中表示有電力消耗量之推移曲線P與熱焓之推移曲線E。當前時刻向右側為後24小時內之預測值之推移，當前時刻向左側成為前7天之實際值之推移。p1為預測日之7天前之電力消耗量，p2為預測日之前一天(當前時刻)之電力消耗量，p3為預測時刻之電力消耗量。e1為預測日之前一天(當前時刻)之熱焓，e2為預測時刻之熱焓。
此處，履歷資料或預測用參數中包含熱焓係取決於以下理由。認為某設施中之電力量成為有關設備之運用之電力量、受外氣溫度影響之電力量、及其以外之電力量之總和。受外氣溫度影響之電力量為所謂之負載熱量，其受外氣溫度或外氣濕度之影響。因此，藉由利用外氣溫度或外氣濕度作為預測電力消耗量時之輸入變數，可使預測精度提高。然而，若將外氣溫度或外氣濕度添加至輸入變數，則變數增加，輸入輸出空間之維度增加，因此若為使用案例模型之預測方法，則有精度降低之虞。
亦考慮有將自外氣溫度與外氣濕度求出之不適指數用作輸入變數。然而，本申請案發明者將與不適指數同樣地自外氣溫度與外氣濕度求出之熱焓與不適指數進行比較，並且重複進行實驗，結果可知，熱焓較不適指數而言可將相對於空調之熱負載量之變動範圍設定為較大。即，藉由將熱焓用作輸入變數，與使用不適指數之情形相比，可使電力消耗量之預測性能提高。
熱焓[kJ/kg(DA)]可使用氣象要素由下述式(1)求出。外氣熱焓=1.006×乾球溫度+(1.805×乾球溫度+2501)×絕對溫度
(1)
上述式(1)之絕對濕度[kg/kg(DA)]可由下述式(2)求出。
絕對濕度=18.015×水蒸氣壓÷(29.064×(大氣壓-水蒸氣壓))
(2)
上述式(2)之水蒸氣壓[hPa]可由下述式(3)求出。
水蒸氣壓=飽和水蒸氣壓×相對濕度 (3)
上述式(3)之飽和水蒸氣壓[hPa]可由下述式(4)求出。
飽和水蒸氣壓=6.11×10(7.5×T/(T+237.3)) (4)
上述式(4)之T為乾球溫度。
如上述般，根據本實施形態之負載量預測裝置1，可將實際測出之電力消耗量及熱焓與該實測日之前一天及7天前之與實測時刻為相同時刻測定出之電力消耗量建立關聯，並將其等作為履歷資料儲存。而且，當獲取到預測用參數時，可自所儲存之履歷資料中選定與預測日之前一天及7天前之與預測時刻為相同時刻測定出之電力消耗量以及預測時刻之預想熱焓之組合類似之履歷資料，將使用該選定之履歷資料算出之成為代表之履歷資料中所含之與實測時刻測定出之電力消耗量對應之電力消耗量作為預測時刻之電力消耗量。
藉此，對於存在以7天間隔重複相同之電力消耗量之推移之傾向，且存在與前一天之間不易產生熱焓之明顯差別之傾向之工廠之電力消耗量，可考慮前一天及7天前之相同時刻之電力消耗量，算出預測時刻之電力消耗量。
又，根據本實施形態之負載量預測裝置1，藉由在履歷資料或預測用參數中包含熱焓，與例如使用不適指數等其他表示氣象狀態之因數之情形相比，可增大相對於空調之熱負載量之變動範圍。
因此，根據本實施形態之負載量預測裝置1，可使電力消耗量之預測精度提高。
[變形例]
再者，於上述實施形態中，當進行學習及預測時，使用前一天及7天前之相同時刻之電力消耗量，但並不限定於此。例如，亦可根據 預測日與預測日之前一天及預測日之7天前為普通日或休息日，而決定使用哪一時點之電力消耗量作為過去之不同的兩天之電力消耗量。例如，亦可根據預測日、預測日之前一天及預測日之7天前之日曆資訊，由以下8個模式來決定過去之不同的兩天。
(1)於預測日、預測日之前一天、預測日之7天前均為普通日之情形時，使用前一天及7天前之相同時刻之電力消耗量。
(2)於預測日、預測日之前一天、預測日之7天前為休息日、普通日、普通日之情形時，使用前一天及最近之星期六之相同時刻之電力消耗量。
(3)於預測日、預測日之前一天、預測日之7天前為普通日、休息日、普通日之情形時，使用前一天及最近之星期一之相同時刻之電力消耗量。
(4)於預測日、預測日之前一天、預測日之7天前為休息日、休息日、普通日之情形時，使用最近之星期六及最近之星期日之相同時刻之電力消耗量。
(5)於預測日、預測日之前一天、預測日之7天前為普通日、普通日、休息日之情形時，使用前一天及14天前之相同時刻之電力消耗量。
(6)於預測日、預測日之前一天、預測日之7天前為休息日、普通日、休息日之情形時，使用前一天及最近之星期六之相同時刻之電力消耗量。
(7)於預測日、預測日之前一天、預測日之7天前為普通日、休息日、休息日之情形時，使用前一天及最近之星期一之相同時刻之電力消耗量。
(8)於預測日、預測日之前一天、預測日之7天前均為休息日之情形時，使用最近之星期六及最近之星期日之相同時刻之電力消耗量。
又，於上述實施形態中，算出預測時刻之電力消耗量，但並非將本發明限定為僅算出預測時刻之電力消耗量。例如，亦可藉由相同之方法，以30分鐘間隔依序算出自當前時刻起後24小時或後48小時內之電力消耗量。又，亦可於算出24小時內或48小時內之電力消耗量之情形時， 每當獲得最新之實測值時，均修正自最新之實測值所屬之時刻起特定時間後之預測值。於此情形時，只要算出最新實測值之時刻之實測值與預測值之間的差量，以自最新實測值之時刻至未來之時刻，修正預測值之範圍較差量逐漸變小之方式進行加權，並進行修正即可。
1‧‧‧負載量預測裝置
3‧‧‧案例模型DB
5‧‧‧顯示器
11‧‧‧登錄部
12‧‧‧獲取部
13‧‧‧選定部
14‧‧‧預測部

Claims (4)

  1. 一種負載量預測裝置，係對預測時刻之負載量進行預測，其特徵在於，具備：登錄部，登錄履歷資料，該履歷資料係將與已測定出之負載量即第1負載量之測定時刻為相同時刻且在測定日之前不同的兩天測定出之負載量即第2負載量及第3負載量、以及在上述測定時刻測定出之熱焓及上述第1負載量設為一組而構成一個資料；獲取部，獲取與上述預測時刻為相同時刻且在預測日之前不同的兩天測定出之負載量即第4負載量及第5負載量、以及在上述預測時刻預想之熱焓即預想熱焓作為預測用參數；選定部，根據由上述獲取部獲取到之上述預測用參數，自藉由上述登錄部登錄之上述履歷資料中選定類似於上述預測用參數之一個或複數個上述履歷資料；及預測部，使用由上述選定部選定出之上述履歷資料，算出成為代表之上述履歷資料，將該成為代表之上述履歷資料所含之上述第1負載量所對應之負載量作為上述預測時刻之負載量。
  2. 如申請專利範圍第1項之負載量預測裝置，其中上述之前不同的兩天為上述測定日或上述預測日之前一天、及上述測定日或上述預測日之7天前之那一天。
  3. 一種負載量預測方法，係對預測時刻之負載量進行預測，其特徵在於，包含：登錄步驟，登錄履歷資料，該履歷資料係將與已測定出之負載量即第1負載量之測定時刻為相同時刻且在測定日之前不同的兩天測定出之負載量即第2負載量及第3負載量、以及在上述測定時刻測定出之熱焓及上述第1負載量設為一組而構成一個資料； 獲取步驟，獲取與上述預測時刻為相同時刻且在預測日之前不同的兩天測定出之負載量即第4負載量及第5負載量、以及在上述預測時刻預想之熱焓即預想熱焓作為預測用參數；選定步驟，係根據上述獲取步驟中所獲取到之上述預測用參數，自上述登錄步驟中所登錄之上述履歷資料中，選定類似於上述預測用參數之一個或複數個上述履歷資料；及預測步驟，使用上述選定步驟中選定出之上述履歷資料，算出成為代表之上述履歷資料，將該成為代表之上述履歷資料所含之上述第1負載量所對應之負載量作為上述預測時刻之負載量。
  4. 如申請專利範圍第3項之負載量預測方法，其中上述之前不同的兩天為上述測定日或上述預測日之前一天、及上述測定日或上述預測日之7天前之那一天。
TW102123150A 2012-06-29 2013-06-28 負載量預測裝置及負載量預測方法 TW201407530A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2012147518A JP5902055B2 (ja) 2012-06-29 2012-06-29 負荷量予測装置および負荷量予測方法

Publications (1)

Publication Number Publication Date
TW201407530A true TW201407530A (zh) 2014-02-16

Family

ID=49782816

Family Applications (1)

Application Number Title Priority Date Filing Date
TW102123150A TW201407530A (zh) 2012-06-29 2013-06-28 負載量預測裝置及負載量預測方法

Country Status (3)

Country Link
JP (1) JP5902055B2 (zh)
TW (1) TW201407530A (zh)
WO (1) WO2014002645A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6029901B2 (ja) * 2012-09-13 2016-11-24 アズビル株式会社 負荷量予測装置および負荷量予測方法
JP6103323B1 (ja) * 2015-10-20 2017-03-29 国際航業株式会社 電気料金情報予測システム
JP6841231B2 (ja) * 2015-12-14 2021-03-10 日本電気株式会社 情報処理装置、その情報処理方法、およびプログラム
JP6782606B2 (ja) * 2016-10-13 2020-11-11 アズビル株式会社 トレンド予測装置および負荷予測装置
CN108090663B (zh) * 2017-12-11 2020-06-26 囯网河北省电力有限公司电力科学研究院 供热机组深度调峰最低出力的评估方法及系统
JP7286428B2 (ja) * 2019-06-17 2023-06-05 大和ハウス工業株式会社 電力需要予測システム
CN111553529B (zh) * 2020-04-27 2023-02-17 新奥数能科技有限公司 负荷预测方法、装置、计算机可读存储介质及电子设备
CN114330902B (zh) * 2021-12-31 2024-10-18 河北工业大学 一种基于解耦机制的配电线路负荷预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2632117B2 (ja) * 1992-09-14 1997-07-23 山武ハネウエル株式会社 事例ベース推論装置
JP4146610B2 (ja) * 2000-10-17 2008-09-10 株式会社山武 濁度予測システム、濁度制御システムおよび濁度管理システム
JP2009189085A (ja) * 2008-02-04 2009-08-20 Meidensha Corp 電力・熱負荷の予測システム

Also Published As

Publication number Publication date
JP2014010683A (ja) 2014-01-20
WO2014002645A1 (ja) 2014-01-03
JP5902055B2 (ja) 2016-04-13

Similar Documents

Publication Publication Date Title
TW201407530A (zh) 負載量預測裝置及負載量預測方法
Jain et al. Data-driven model predictive control with regression trees—an application to building energy management
Yun et al. Building hourly thermal load prediction using an indexed ARX model
JP6292076B2 (ja) 時系列予測アンサンブル
Qiang et al. An improved office building cooling load prediction model based on multivariable linear regression
JP6503305B2 (ja) 空調制御システム、空調計画装置、及び、計画方法
US9559549B2 (en) Energy management server, energy management method, and program
US9454173B2 (en) Predictive alert system for building energy management
CN106663142B (zh) 用于检测建筑信息的方法和设备
CN103513632A (zh) 能源管理系统
JP2019213299A (ja) エネルギー運用装置及び方法並びにシステム
JP2014157457A (ja) 予測装置および予測方法
US10289763B2 (en) Estimation device, estimation method, and non-transitory computer readable medium
Papas et al. Energy consumption optimization through dynamic simulations for an intelligent energy management of a BIPV building
Shabani et al. Predicting building energy consumption using engineering and data driven approaches: A review
JP2020086595A (ja) 数値解析装置及び方法
Petri et al. Cloud supported building data analytics
JP2017016206A (ja) エネルギー消費量用途分解装置及び省エネルギー支援装置
Wang et al. A modified discrete grey model with improved prediction performance for indoor air temperatures in laying hen houses
KR101671362B1 (ko) 다항함수를 이용한 건물의 연간부하 예측방법
WO2015159652A1 (ja) エネルギー管理システム、エネルギー管理方法、およびプログラム
JP2015210222A (ja) 気象予測補正装置及び気象予測補正方法
Vajjala A novel solution to use Big Data technologies and improve demand response program in aggregated residential houses
Marantos et al. A flexible decision-making mechanism targeting smart thermostats
JP2012017930A (ja) 空調システム内機器の使用エネルギー量推定方法、及び、この方法が実装された使用エネルギー量推定装置