WO2013042493A1 - 電力需要予測システムおよび方法 - Google Patents
電力需要予測システムおよび方法 Download PDFInfo
- Publication number
- WO2013042493A1 WO2013042493A1 PCT/JP2012/070669 JP2012070669W WO2013042493A1 WO 2013042493 A1 WO2013042493 A1 WO 2013042493A1 JP 2012070669 W JP2012070669 W JP 2012070669W WO 2013042493 A1 WO2013042493 A1 WO 2013042493A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- weather
- similarity
- power demand
- demand
- forecast
- Prior art date
Links
Images
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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Power Engineering (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
年ごとの気象環境等の変化も踏まえて、過去の同日、同週、同月、同季節の気象実績データ、需要実績データをそのまま用いることなく、予測対象日の気象予測データに誤りがあっても、予測対象日の電力需要量をより正確に把握する。電力需要量を予測する予測対象日を含む複数日からなる期間の予測気象グループおよび過去の複数日における期間の実績気象グループを対象期間として複数設定し、前記予測気象グループと前記複数の実績気象グループ間における複数の対象期間の類似度を計算し、前記計算された複数の類似度の比較に基づいて、以後の電力需要量の傾向を予測し、予測対象日の電力需要量を把握する。
Description
本発明は、過去の気象実績データ、電力の需要実績データ、および将来の気象予測データに基づいて、以後の電力の需要量を予測する電力需要予測システムおよび方法に関する発明である。
需要者に対して、安定で高信頼の電力を供給するためには、供給者側が、需要者の電力需要量のニーズを把握する必要があり、その把握に基づいた、発電所の運用計画や、電力変換器を用いた周波数制御などを行い、電力供給を行う必要がある。そのことによって、供給者側は、無駄なく効率的に発電から送電までを安定的に行うことができ、需要者側も、自身のニーズに沿った安定的な電力供給を享受することができる。
前記電力需要量を把握するために、気象データなどを用いて、予測する手法があり、電力の需要量というのは、気象の変化と相関性があると考えられるため、過去の気象実績データおよび需要実績データに基づいて、将来の電力の需要量を予測する技術が発明されており、特許文献1には、気象により変動する需要予測を所定の予測期間で求める需要予測方法において、過去の気象実績値および過去の需要実績値の相関関係データを用い前記予測期間に所定の類似する類似期間の前記相関関係データと、前記予測期間における気象予測値および前記気象予測値の確率分布の気象予測確率分布データとから、前記予測期間での需要予測値および前記需要予測値の確率分布を算出して需要予測を行う需要予測方法が記載されており、また、特許文献2には、電力および熱供給プラントを対象とし、翌日の電力や熱需要量を予測する機能および稼働実績やエネルギー販売量実績などの操業履歴を管理する機能を持つ需要予測システムにおいて、翌日の気象情報を取得する手段と、過去の需要実績値と前記気象情報を用い、重回帰分析のアルゴリズムに基づいて予測モデルを構築して需要予測値を導出する予測演算処理手段が記載されている。さらに、非特許文献1には、翌日の需要を予測する場合、前日までの気象実績データと需要実績データおよびカレンダーに基づいて予測対象の月日を含むその前後の日々の気象実績データと需要実績データを用いて、気象と需要との回帰モデルを作成し、この回帰モデルに予測対象日の気象予報を入力することにより、需要を予測する技術が記載されている。
「日種別・日射量を考慮した時刻別回帰型トレンド調整項付き需要モデリングによる電力ロードカーブ予測手法」(電気学会電力・エネルギー部門誌 Vol.129、No.12、pp1477-1485)
本発明が解決しようとする課題として、年ごとの気象環境等の変化により、将来の電力需要の予測を、過去の同日、同週、同月の気象実績データ、需要実績データから予測しても、正確性や信頼性を欠く部分があり、例えば、夏期において、最高気温が1℃変化すると電力需要も併せて3%変化することがあり、4℃変化すると12%程度も変化することになることから、過去の同日、同週、同月の最高気温が数℃以上も大きく異なる気象データを用いることは、需要予測精度の低下を招く恐れがある。
前記特許文献1の発明では、電力需要予測日に対する類似日の設定は、例えば、季節が同じ月、週、曜日が同一となる過去の日を類似日に設定する場合、月と曜日とが同一となる過去の日を類似日に設定する場合、月と週とが同一となる過去の日を類似日に設定する場合などが挙げられており、前記非特許文献1でも、カレンダーに基づいて、前年、前々年などの予測対象日前後の期間の気象実績および需要実績を用いると記載があり、前記した需要予測精度の低下は免れない。
また、前記特許文献2の発明でも、選択された検索項目(気温等)を基に予測日気象との類似度を計算し、検索期間中の対象日すべてについて、予測日気象との前記類似度を計算し、最も分散値が小さいものを気象類似日とするとの記載がされているが、ここでは、日ごとで計算をしているため、仮に予測日の予測気温等の情報が正確でなく誤っている場合、即座に前記気象類似日も正確性に欠く日を設定してしまい、結果として、前記気象類似日に基づいた予測日の電力需要予測は、予測精度としての正確性・信頼性を担保することができない。
そこで、本発明は、年ごとの気象環境等の変化も踏まえて、過去の同日、同週、同月、同季節の気象実績データ、需要実績データをそのまま用いることなく、予測対象日の気象予測データに誤りがあっても、予測対象日の電力需要量をより正確に把握することが課題である。
課題を解決する手段として、過去の気象実績データと以後の気象予測データ間の類似度を計算し、前記類似度を用いて、予測対象日の気象予測データおよび前記気象実績データに対応する電力需要データから、以後の電力需要量を予測する電力需要予測システムであって、前記類似度を計算するための条件設定を行う需要予測対象設定部と、前記類似度を計算する対象期間を設定する類似期間検索条件設定部と、前記需要予測対象設定部で設定された条件および前記類似期間検索条件設定部で設定された対象期間に基づいて、前記類似度を計算する類似度計算部と、前記類似度計算部で計算された類似度に基づいて、以後の電力需要量の傾向をモデル化する需要予測モデル構築部と、前記需要予測モデル構築部がモデル化する以後の電力需要量の傾向から、予測対象日の気象予測データに基づいて、電力需要量を予測する需要予測部とを備え、類似期間検索条件設定部は、前記電力需要量を予測する予測対象日を含む複数日からなる期間の予測気象グループおよび過去の複数日における期間の実績気象グループを前記対象期間として複数設定し、前記類似度計算部は、前記予測気象グループと前記複数の実績気象グループ間における前記類似度を計算し、前記計算された複数の類似度の比較に基づいて選択した実績気象グループを用いて、前記需要予測モデル構築部で以後の電力需要量の傾向をモデル化させ、前記需要予測部で予測対象日の電力需要量を予測させる。
本発明によれば、電力需要量を予測する予測対象日を含む複数日からなる期間の予測気象グループと、過去の複数日における期間の実績気象グループを複数設定して、それらの類似度を比較することで、以後の電力需要量の傾向を予測し、そこから予測対象日の電力需要量を予測するもので、たとえ、予測対象日の気象予測データに誤りがあっても、予測日までの電力需要傾向を把握できることから、より正確かつ信頼性のある需要予測量を提供することができる。
以下、本発明の実施例について図面を参照しながら詳細に説明する。
図1は、本発明の適用対象である需要予測装置による計算処理フロー、図2は需要予測装置1の概略全体構成図、図3は需要予測装置の詳細構成図を示す。
需要予測装置1は中央演算処理装置(CPU)2、主記憶装置3、入出力装置4および外部記憶装置5とから構成される。
図3は本発明における需要予測装置1の詳細な機能構成図である。需要予測装置1は、入力装置6、表示装置7、データベース9および読取装置10と、計算処理部20とを備える。なお、計算処理部20は、予め外部記憶装置5の記憶媒体に保持され、読取装置10を介して主記憶装置3に読み込まれたプログラムを、CPU2が実行することにより実現されるが、本発明はこのようなプログラムされた汎用プロセッサによるものに限られるわけではない。例えば、本発明の各処理を実行するワイヤードロジックを含む特定のハードウェア装置との組合せによって計算処理部20を構成することもできる。
入出力装置4は、図3に示すキーボードやマウスを備えた入力装置6と、出力装置としての表示装置7を有する。なお、入出力装置4としては、これらの代わりに、あるいは、これらと併用して、ポインティングデバイス、タッチセンサ等の入力装置や、液晶表示装置、プリンタ、スピーカ等の出力装置を設けることもできる。外部記憶装置5としては、ハードディスク装置、フロッピィディスク装置、CD-ROM(compact disc-read only memory)装置、DAT(digital videotape)装置、RAM(random access memory)装置、DVD(digital video disc)装置、不揮発性メモリ等を用いることができる。外部記憶装置5は、図3に示すデータベース9を保持するための大容量記憶装置と、処理プログラムなどを保持する記憶媒体と、該記憶媒体に保持された情報を読み取るための読取装置10とを用いているが、一つの外部記憶装置にデータベースと処理プログラムとが両方保持されているようにすることもできる。また、記憶媒体としては、フロッピィディスク、CD-ROM、磁気テープ、光ディスク、光磁気ディスク、DAT、RAM、DVD、不揮発性メモリ等を用いることができる。
入力装置6は表示装置7に表示された選択肢の選択、データの入力などを受付け、計算処理部20に伝送する。表示装置7は、入力装置6から送られたデータを表示する。計算処理部20は、入力装置6から伝送されるデータと、データベース9から読み込んだデータと、読取装置10から読み込んだ処理プログラムと、電力システム11から伝送されるデータとに基づいて供給力の運転計画を作成する。電力システム11は図示していないデータベースを備えている。電力システム11は電力系統12の計画、監視および制御を行うものである。
計算処理部20の処理結果は、表示装置7に送られて表示されると共にデータベース9に格納される。また、電力システム11の運用・計画システム、監視・制御システムが設定した気象、地域の条件での需要予測が要求された場合には、計算処理部20の作成した需要予測および予測結果は電力システム11へも通知される。この通知を受けた電力システム12は、通知された需要予測値をもとに電力系統12を計画、制御するために出力制御信号を出して電力系統の機器などを運用するための計画や制御をするとともに、電力系統11から地域ごとの電力需要実績データを取り込み、その取り込んだデータを内部データベース(図示せず)に格納する。
計算処理部20は、コントロール部21、需要予測対象設定部22、類似期間検索条件設定部23、類似度計算部24、類似度出力部25、需要予測条件設定部26、需要予測モデル構築部27、需要予測部28および需要予測結果出力部29を備える。また、計算処理部20は、送信線33を介して外部の電力システム11に接続されており、電力システム11は、実際の送発変電設備である電力系統12に接続されている。電力システム11は電力系統12の計画・運用及び制御のためのシステム、電力系統12および電力系統12の状態などを示す情報を保持するための図示していないデータベースを備えている。電力系統12の状態はセンサやリレーなどにより検出され、送信線34を介して電力システム11に通知され、電力システム11のデータベース(図示せず)に格納される。
コントロール部21は、電力システム11、および、計算処理部20内の前記した各処理部の間のデータや処理プログラムなどの授受を円滑に行うためのデータの加工・処理を行い、その授受をコントロールして、全体の処理を正常に動作させる。
需要予測対象設定部22はコントロール部21を介してデータベース9および/または読取装置10の記憶媒体に保持されている図4に示すカレンダー、需要項目、気圧、降雨量、気温、湿度、風速・風向、日照時間、雪、天気概況などの気象項目、曜日、特異日、需要異常などを読み込んで、表示装置7に表示して、必要に応じて類似度を計算するための条件および需要を予測するための条件を変更する。ここでは気象庁で公開している気象データを気象項目としているが、今後項目が追加されればその追加されたデータも格納して、利用することになる。新たに需要に影響する変数候補が見つかった場合にもそれをデータとして格納して、利用することができる。また、この変更した新規の条件をコントロール部21を介してデータベース9と主記憶装置3などに格納するとともに、コントロール部21を介して計算処理部20内の他の各処理部にこれらのデータを伝送する。なお、本実施例では、特に説明しない限り、データベース9からのデータの読み込みを行い、計算処理部20内の各処理部は相互にコントロール部21を介して、データの授受を行うとともに、必要に応じて入力装置6から入力されたデータや計算結果を表示装置7に出力、データベース9に格納する。
類似期間検索条件設定部23は、コントロール部21を介してデータベース9および/または読取装置10の記憶媒体に保持されている、予測気象グループの日数設定、探索する実績期間やその日数、類似度を計算する気温、湿度などの気象データの類似度変数、選択した実績気象グループに対する類似度の重み係数、類似度評価手法などの予測対象条件を設定するあるいは読み込んで、表示装置7に表示し、必要に応じて条件を変更、設定する。また、この設定、変更した条件はコントロール部21を介してデータベース9と主記憶装置3などに格納され、これらのデータはコントロール部21を介して必要に応じて計算処理部20内の他の各処理部に伝送する。
類似度計算部24は、コントロール部21を介してデータベース9および/または読取装置10の記憶媒体に保持されている類似期間検索条件設定部23で設定した条件をもとに、類似度を計算し、コントロール部21を介してデータベース9と主記憶装置3に計算結果を格納する。ここで、予測気象グループと実績気象グループ間の類似度を計算するものであるが、類似度の逆の指標となる距離を用いることもある。すなわち類似度が高いこと(類似していること)は類似指標が大きいことであり、距離を指標とするときはその数値が小さいことである。逆に、類似度が低いことは類似指標が小さいことであり、距離を指標とするときはその数値が大きいことである。
類似度出力部25はコントロール部21を介して類似度計算部24で計算した類似度に関する情報を表示装置7あるいは印字装置8に出力する。情報はテキスト、グラフあるいは表などを用いて、運用者に分かりやすく表示する。実績気象グループの期間毎の類似度から利用する実績気象グループを選択する。表示した類似度に関する情報および選択した気象実績グループに関する情報はデータベース9と主記憶装置3などに格納される。
需要予測条件設定部26はコントロール部21を介してデータベース9および/または読取装置10の記憶媒体に保持されているカレンダー、需要項目、気圧、降雨量、気温、湿度、風速・風向、日照時間、雪、天気概況などの気象項目、曜日、特異日、需要異常などを読み込んで表示装置7に表示し、需要予測モデル構築部27で使用するデータ、条件などを選択、あるいは必要に応じて条件を変更する。これらの条件、データはデータベース9あるいは主記憶装置3などに格納する。
需要予測モデル構築部27はコントロール部21を介して需要予測条件設定部26で設定した条件、データをデータベース9あるいは主記憶装置3などから読み込んで需要予測モデルを構築する。構築した需要予測モデルをデータベース9あるいは主記憶装置3などに格納する。
需要予測部28はコントロール部21を介して需要予測モデル構築部27で作成した需要予測モデルを読み込み、この読み込んだ需要予測モデルに予測対象日の気象予報を入力することにより、需要を予測する。この予測した結果をデータはデータベース9あるいは主記憶装置3などに格納する。
需要予測結果出力部29は、各処理部需要予測対象設定部22、類似期間検索条件設定部23、類似度出力部25、需要予測条件設定部26および需要予測部28で設定した条件、データおよび結果等の情報等を出力する。出力先は表示装置7や印字装置8などである。
次に、図1に示す処理フロー図を参照しながら本発明の発電所運用計画装置の動作を説明する。
処理101の需要予測対象設定は需要予測対象設定部22で処理される。ここでは、表示装置7に表示された需要予測の対象を選択する。対象とは予測対象日と予測対象日の中の最大需要、最小需要、あるいは指定した時刻の1時間や30分の需要、指定した需要予測日の1時間の需要予測を繰り返すことで、1日24時点の需要を予測することもできる。これらの設定条件を入力装置6により入力して、確定すると需要予測対象設定部22はデータベース9あるいは主記憶装置3などに格納する。
処理S102は類似期間を検出する条件を設定する処理であり、類似期間検索条件設定部23で処理される。この詳細処理フローは図5に示すように処理S121~S124からなる。処理S121はグループ間の類似度を計算する対象とする期間を設定する。これの画面例を図6に示す。図6では、予測気象グループと実績気象グループの期間を設定する。予測気象グループでは、実績の「日数」と「終了」する日を入力装置6から入力する。これにより、「開始」する日を自動的に計算して、表示する。予想の「日数」と「終了」する日を入力装置6から入力する。これにより、「開始」する日を自動的に計算して、表示する。予測の「日数」は予測する期間を設定するもので、ある1日でも良いし、2日以上の日数としても良い。これらの予測気象グループに含まれる合計日数の気象データを類似度の計算に利用する。この類似度を計算する相手となる実績気象グループを実績の「日数」と「終了」する日を入力装置6から入力する。これにより、「開始」する日を自動的に計算して、表示する。実績気象グループの日数は同一の値とする。ここで開始日、終了日を指定する理由は、全ての過去の期間に対して類似度を計算すると計算期間がかかること、気象が類似していたとしても、季節がまったく異なるときには適切なデータとはいえないため、ある程度スクリーニングするために設定している。実績気象グループとして、類似度を計算する対象は前年だけでなく、ここでの設定により前々年など何年かにさかのぼって類似度を計算することもできる。予測気象グループの合計日数と実績気象グループの日数を同じにした例である。
処理S122は類似度変数と重み係数を設定する処理である。これを設定する画面の例を図7に示す。ここに表示されている項目は図4に示した気象データ項目である。各データ項目で類似度計算に使用する変数の採否を入力装置6で設定する。採用する項目には「○」、不採用の項目には「×」を設定する。また、各項目の次元は異なるため、それぞれの項目で類似度を計算したときには、重み付け計算をして、総合類似度を計算する。不採用の項目の重み係数は0.00と設定されている。また、採用となっているにもかかわらず、重み係数が0.00の場合には、実態としてはその変数により計算した類似度は考慮されないことになる。ここで、風向、天気概況は数値ではないので、類似度を計算するために、数値化するものとする。
処理S123は類似評価手法を選択する処理である。手法を選択する画面を図8に示す。具体的な数式を用いた計算処理については処理S103で説明する。
ここでは、ユークリッド距離とベクトル角類似度の二つ手法を表示している。これ以外にも類似度を評価するための手法を追加することができる。使用するデータは処理S121で設定した予測気象グループと実績気象グループの対象期間の処理S122で設定した変数であり、これに該当する変数の値を処理S124でデータベースから読み込む。ユークリッド距離で個別の群平均法を採用「○」した場合、予測気象グループと実績気象グループの該当する変数ごとに両グループ間のデータの全組合せに対して距離を計算する。変数一つずつに対して距離を計算するので、ここでの距離とは変数の値の差の絶対値となる。距離は類似度と逆の指標であるため、類似度に置き換える方法として、その逆数を用いる。しかし、距離がゼロとなることを防止するために、正のベース分を距離に加算した後、その逆数とするものとする。ユークリッド距離でグループ全体を選択した場合、設定した期間全体の予測気象データの変数の平均値、最大値、最小値、標準偏差を新たな変数値として利用する。同様に、実績気象データの変数の平均値、最大値、最小値、標準偏差などの統計データを新たな変数値として利用する。これ以外の統計データ項目を表示して、選択できるようにしても良い。これらのグループ全体の値に対して、ユークリッド距離を計算する。但し、グループ全体のなかで採用「○」した項目のみが対象となる。このようにユークリッド距離を用いると例えば、最高気温が予測気象グループと実績気象グループで同じような値の時には小さくなる。小さいほど類似度が高いことになり、この高いものを選択するのがよいことになる。次に、ベクトル角類似度を用いる場合を説明する。個別、群平均法を用いる場合は、変数項目の値をベクトルで表現して、二つのベクトルの成す角(コサイン)を計算するものである。このコサイン角が小さいほど類似していることになる。グループ全体については、変数項目ごとに選択した平均値、最大値、最小値あるいは標準偏差などの統計データをベクトルとして、二つのベクトルの成す角(コサイン)を計算するものである。ベクトル角類似度を選択した場合は、その値が小さいほど類似していることになるので、逆数などで評価する必要は無く、ベース分はゼロとしている。
処理S124では処理S121で設定した期間の処理S122で設定した変数項目のデータをデータベース9から読み込む。
処理S103は処理S123で設定した条件および読み込んだデータをもとに類似度計算部24で計算する。具体的な計算式を用いて説明する。処理S102でユークリッド距離、群平均法を選択した場合、式1で距離Dp(u,v)を計算する。
ここで、サフィックスpは変数の名称を表している。例えば、pを最高気温とする。変数uは予測気象グループのデータ変数でその値は最高気温となり、合計日数がNである。変数vは実績気象グループのデータ変数でその値は最高気温とり、日数がMである。変数が一つなので、ベクトルは1次元である。
式2は個別に群平均法を用いて各グループの値に対する全組合せの距離の平均和Dpを示している。総当りの組合せ数はN×Mあるため、平均するためのこの値で割っている。
式3は最高気温およびその他の変数を含めた重み付きの距離Dを計算している。ここで重みは処理102の処理122で設定した値である。
その他の計算方法として、式1のベクトルを予測気象グループ全体を時系列に最高気温を並べることもできる。同様に式1のベクトルを実績気象グループ全体を時系列に最高気温を並べることもできる。このとき、両者の最高気温の差を計算するために、両者の期間の日数は同一である必要がある。
次に、ベクトル角類似度を用いた場合を説明する。
式5がコサイン角を用いた類似度Spである。分母は各ベクトルの大きさの積で、分子がベクトルの内積である。
式6は式2と同様に期間全体の平均を求めている。
式7は式3と同様に処理S122で設定した重み係数を使って加重平均により類似度Spを計算している。ここでは、類似度となっているためユークリッド距離のときのように逆数にすること、およびベース分を加算することは必要ない。
以上で、予測気象グループと実績気象グループの類似度の計算方法を示した。予測気象グループは固定であるが、「終了」から「開始」の期間内で実績気象グループの開始日を変更しながら、それぞれの期間での類似度を計算する。これらの計算結果はデータベース9あるいは主記憶装置3などに格納される。
処理S104は処理S103で計算した類似度の計算結果を出力するものであり、類似度出力部25で処理する。類似度出力部25で処理する計算結果は表示装置7あるいは印字装置8に出力される。
図9は、グループ間の類似度計算方法に関して、簡易的に説明した例図であり、今年における予測日(図では翌日)を含む複数日に係る予測気象グループに対する昨年の複数日に係る実績気象グループの期間を変化させながら、両者の類似度を計算することを表している。また、前記予測気象グループの複数日に係る期間を延ばすことで、前記類似度を計算する構成としても良い。ここでは、今年における気象予測グループと昨年における実績気象グループをクラスター化し、クラスターリングを行って類似度を計算している。その手法として、例えば、最短距離法(単連結法)、最長距離法、群平均法、ウォード法などがある。ここで、最短距離法は、異なるクラスターに属する二つの個体間の距離の最小値、最長距離法は、異なるクラスターに属する二つの個体間の距離の最大値から類似度を求める。また、重心法は、二つのクラスターの重心間距離を求め、群平均法は、全ての点のペアについて距離からその平均を取って類似度を求める。ウォード法は、各対象から、その対象を含むクラスターのセントロイドまでの距離の二乗の総和を最小化して類似度を求める手法である。
また、図10は前記手法によって計算した類似度を表形式で出力した画面の例である。選択ボタンにより実績気象グループとして採用するものを選択する。デフォルトでは類似度が高いあるいは距離が近いものが選択されるものとする。この例ではユークリッド距離を使った結果を示しているため、表の第一行には日付、距離、変数として採用した最高気温、最低気温、返金気温および平均湿度の距離を示している。最終的な距離は各変数の距離に最終行の重み係数を掛けて加算した値である。変数および重み係数は図7で設定した変数、重み係数である。図8でベクトル角類似度を選択したときには、これに応じて図10の第一行には日付の次に類似度が表示される。ボタンで日付を「選択」して、次に「変数グラフ」ボタンをクリックすると、図11に示すグラフが表示される。図11では類似度を計算するために使用した変数の中から変数および日数を選択する。選択したものの背景が濃くなっている。ここで、デフォルトは図10の最初の変数で予測気象グループと実績気象グループの日数の大きい方である。図11の横軸の第N日目となっているのは、予測気象グループの最初の日からの日数であり、同様に実績気象グループの最初の日からの日数である。図6で設定した予測気象グループの実績日数は10日、予測日数は1日なので、予測気象グループの折れ線の点の横軸の左から10点は実績日数の最高気温、その後の1点は予測日数の最高気温である。また、実績気象グループは選択した実績日数の11日とその先の9日分の合計20日分の最高気温を示している。これは、次の処理で使用する実績気象グループの期間を参考にして、需要モデルを作成するときに使用する期間を設定するときに、参考とするためである。ここで、プルダウンメニューで「日数」および「変数」を修正して、「表示」ボタンをクリックすることにより、変更した条件でグラフを表示する。
また、図10の「類似度グラフ」のボタンをクリックすると図12に示すように図10の評価指標となっている「距離」の変化を示すグラフを表示する。図12で「類似度グラフ」のボタンをクリックすると図13に示す「類似度」の変化を示すグラフを表示する。
処理S105は処理S103で計算した類似度の計算結果および処理S104の出力を参考にするとともに、各種の条件を設定するものであり、需要予測条件設定部26で処理する。使用する変数を選択する画面例を図14に示す。デフォルトで選択されている変数は分析で使用した変数である図7で設定した変数である。採用する変数に「○」、採用しない変数に「×」を設定する。図15は低下率を設定する画面である。数値はデフォルトが表示され、必要に応じて修正する。ここで、曜日や祝日などの条件は図4に示すデータベースから読み込んだ曜日および特異日の需要予測では月曜日から金曜日までの平日に対して、土曜日、日曜日あるいは祝日は需要が低下する。また、需要予測モデルを作成するにはある程度の実績データが必要であるが、同一時期の土曜日、日曜日あるいは祝日の日数は少ないため、平日の実績データを使って需要予測モデルを作成し、その後で、予測対象日の該当する図15に示す低下率を掛けて、需要を予測する。図15の低下率は条件があるなかで表のなかで下に位置するものを使用する。例えば、火曜日で祝日の場合は、低下率は一旦1.00となるが、その後に祝日があるため、この場合の低下率は0.60を採用することになる。GW(ゴールデンウィーク)、お盆あるいは年末年始は図4に示す実績データの特異日のところに記述される内容から判定している。図16は需要予測モデル作成のために使用するデフォルトの実績気象データで類似度が最も高い、あるいは距離がもっとも近いときのものである。このため、図10で類似度が最も高い、すなわち距離が最も短い2010年7月13日を実績気象グループの開始日となっている。デフォルトで表示された予測気象データおよび実績気象データを変更することができる。例えば、実績気象データの開始日は同じで使用する日数をデフォルトの11日から16日にして、類似している期間の先を含めることで、予測対象日の先で想定される気象も考慮することができる。実績気象グループを一つではなく、複数設定し、それぞれのグループで日数を変えることもできる。伸び率は過去の需要実績データを使うため、予測対象日時点の需要に換算するためのものであり、実績気象グループが複数設定した場合はそれぞれについて数値を設定する。以上で、需要予測モデルを作成するために使用するデータが決定されたことになる。次に、需要予測モデルの作成方法を選択する。モデル作成方法として、重回帰分析、ニューラルネット、回帰係数をPSOで決定などがある。使用するデータは指定した予測気象グループおよび実績気象グループのなかで、図4に示す「曜日」が月曜日から金曜日であり、「特異日」が通常日であり、「需要異常」が0の条件を満たすもののみである。すなわち、需要予測モデルを作成するために標準的な条件を満たすものを使用するということで図15に示す低下率1.00の条件を満たす日のデータを使用する。
処理S106では処理S105で設定したモデル作成条件をもとに需要予測モデル構築部27で処理する。ここでは、重回帰分析を用いて需要予測モデルを構築する例で説明する。使用する期間、変数を使って、式8の重回帰式F(x)を求める。
回帰係数がaである。xkは変数ベクトルxのk番目のデータである。変数ベクトルの値は、最高気温、最低気温、平均気温、平均湿度が1組となったものである。変数の数はm=4で、その順番iが1のとき、最高気温、2のとき最低気温、3のとき平均気温、4のとき平均湿度となる。それぞれの変数の次数はI(j)である。回帰係数を求める方法は誤差eの二乗和が最小となるように決定する。図14で設定した変数である、最高気温、最低気温、平均気温あるいは平均湿度に対して、それぞれ、最大次数を設定して、最小二乗法を用いて回帰係数の最適値を決定する。更に変数として、年によるベース分を考慮するためにフラグを設定する。このフラグは予測気象グループであることを示すもので、予測気象グループに対してはフラグが1、実績気象グループに対してはフラグがゼロとする。更に実績気象グループが複数年にわたる場合は、それぞれの年に対応するフラグを設定する。気象変数に対する回帰係数はそれぞれの変数に関する需要の感度に相当する。フラグについては、これが1のときには0のときに対する需要のベース分の変化となる。すなわち、予測対象日の需要は前年よりこのフラグの回帰係数分だけ増加していることになる。
変数として、気象だけではなく、予測対象日より前の需要実績を変数として追加した自己回帰式を追加することもできる。
需要予測モデルとして、重回帰モデルの他に予測気象グループの気象実績、需要実績および実績気象グループの気象実績、需要実績を用いてニューラルネットを学習させて需要予測モデルを作成することもできる。重回帰モデルでは、需要の伸び率を回帰モデル全体に掛けた非線形とした場合、PSO(Particle Swarm Optimization)などを用いて回帰係数を決定することができる。
以上により、需要予測モデルを構築することができる。このモデルは需要予測モデル構築部27からコントロール部21を介して、データベース9および主記憶装置3に格納される。
処理S107では処理S106で構築した需要予測モデルに予測気象を入力することにより、需要予測部28で需要を予測する。予測気象は予測対象日の最高気温、最低気温、平均気温および平均湿度を式9に入力することにより予測値を計算する。
以上では、重回帰モデルを用いた式を使った例であるが、ニューラルネット、PSOを使って需要予測モデルを作成した場合も同様に予測気象や需要実績などを使って予測値を計算する。
処理S108では処理S107で予測した需要予測値およびそれに関係する情報を需要予測結果出力部29で処理する。予測結果は表示装置7あるいは印字装置8に出力される。図17は需要予測結果を表示した例である。表示している項目は予測対象日、予測需要と予想気象である、最高気温、最低気温、平均気温および平均湿度である。
以上の方法である時刻の需要を予測することができ、これを24時点について繰り返して需要を予測することにより、図18に示す24時点の表形式での予測需要およびグラフ形式での予測需要を表示する。
上記本発明の実施例によれば、予測対象日とその直近を含む予測気象グループの期間の気象と類似した実績気象グループの期間を抽出し、この抽出した実績気象グループの類似度を表示し、この予測気象グループと実績気象グループの期間の気象データと需要実績を使って需要予測モデルを作成し、この需要予測モデルに気象実績、需要実績あるいは予想気象を入力することにより予測対象日の需要を予測して、この予測した需要を表示する。この結果、精度の良い需要予測値を求めることができる。
上記記載は実施例についてなされたが、本発明はそれに限らず、本発明の精神と添付の請求の範囲の範囲内で種々の変更および修正をすることができることは当業者に明らかである。
1 需要予測装置
2 中央演算処理装置CPU
3 主記憶装置
4 入出力装置
5 外部記憶装置
6 入力装置
7 表示装置
8 印字装置
9 データベース
10 読取装置
11 電力システム
12 電力系統
20 計算処理部
21 コントロール部
22 需要予測対象設定部
23 類似期間検索条件設定部
24 類似度計算部
25 類似度出力部
26 需要予測条件設定部
27 需要予測モデル構築部
28 需要予測部
29 需要予測結果出力部
2 中央演算処理装置CPU
3 主記憶装置
4 入出力装置
5 外部記憶装置
6 入力装置
7 表示装置
8 印字装置
9 データベース
10 読取装置
11 電力システム
12 電力系統
20 計算処理部
21 コントロール部
22 需要予測対象設定部
23 類似期間検索条件設定部
24 類似度計算部
25 類似度出力部
26 需要予測条件設定部
27 需要予測モデル構築部
28 需要予測部
29 需要予測結果出力部
Claims (7)
- 過去の気象実績データと以後の気象予測データ間の類似度を計算し、前記類似度を用いて、予測対象日の気象予測データおよび前記気象実績データに対応する電力需要データから、以後の電力需要量を予測する電力需要予測システムであって、
前記類似度を計算するための条件設定を行う需要予測対象設定部と、
前記類似度を計算する対象期間を設定する類似期間検索条件設定部と、
前記需要予測対象設定部で設定された条件および前記類似期間検索条件設定部で設定された対象期間に基づいて、前記類似度を計算する類似度計算部と、
前記類似度計算部で計算された類似度に基づいて、以後の電力需要量の傾向をモデル化する需要予測モデル構築部と、
前記需要予測モデル構築部がモデル化する以後の電力需要量の傾向から、予測対象日の気象予測データに基づいて、電力需要量を予測する需要予測部とを備え、
類似期間検索条件設定部は、前記電力需要量を予測する予測対象日を含む複数日からなる期間の予測気象グループおよび過去の複数日における期間の実績気象グループを前記対象期間として複数設定し、
前記類似度計算部は、前記予測気象グループと前記複数の実績気象グループ間における前記類似度を計算し、
前記計算された複数の類似度の比較に基づいて選択した実績気象グループを用いて、前記需要予測モデル構築部で以後の電力需要量の傾向をモデル化させ、前記需要予測部で予測対象日の電力需要量を予測させることを特徴とする電力需要予測システム。 - 請求項1に記載の電力需要予測システムにおいて、
前記類似度を計算するために用いる前記条件には、気圧、降水量、気温、湿度、風向、風速、日照時間、降雪量、天気、曜日、特異日のうち少なくとも一つが含まれることを特徴とする電力需要予測システム。 - 請求項1に記載の電力需要予測システムにおいて、
前記類似度計算部は、前記類似度を計算するために用いる前記条件に重み付けを行い、類似度を算出することを特徴とする電力需要予測システム。 - 請求項1に記載の電力需要予測システムにおいて、
前記類似度計算部は、前記予測気象グループと前記実績気象グループにおける前記条件に基づくデータの集合をクラスター化し、クラスター分析を用いて、類似度を計算することを特徴とする電力需要予測システム。 - 請求項1に記載の電力需要予測システムにおいて、
前記類似度計算部は、前記予測気象グループと前記実績気象グループにおける前記条件に基づくデータの集合をベクトル化し、コサイン角を用いて、類似度を計算することを特徴とする電力需要予測システム。 - 請求項1に記載の電力需要予測システムにおいて、
前記需要予測モデル構築部は、以後の電力需要量の傾向を、最小二乗法または粒子群最適化(Particle Swarm Optimization)により求める回帰式またはニューラルネットを用いて予測することを特徴とする電力需要予測システム。 - 過去の気象実績データと以後の気象予測データ間の類似度を計算し、前記類似度を用いて、予測対象日の気象予測データおよび前記気象実績データに対応する電力需要データから、以後の電力需要量を予測する電力需要予測方法であって、
前記類似度を計算するための気象条件の設定を行うステップと、
前記電力需要量を予測する予測対象日を含む複数日からなる期間の予測気象グループおよび過去の複数日における期間の実績気象グループを前記対象期間として複数設定するステップと、
前記気象条件および前記対象期間に基づいて、前記予測気象グループと前記複数の実績気象グループ間における前記類似度を計算するステップと、
前記計算された複数の類似度の比較に基づいて、以後の電力需要量の傾向をモデル化するステップと、
前記モデル化する以後の電力需要量の傾向および前記予測対象日の気象予測データに基づいて、前記予測対象日の電力需要量を予測するステップと、
を含むことを特徴とする電力需要予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/238,309 US9852483B2 (en) | 2011-09-20 | 2012-08-14 | Forecast system and method of electric power demand |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011-204049 | 2011-09-20 | ||
JP2011204049A JP5492848B2 (ja) | 2011-09-20 | 2011-09-20 | 電力需要予測システムおよび方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2013042493A1 true WO2013042493A1 (ja) | 2013-03-28 |
Family
ID=47914272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2012/070669 WO2013042493A1 (ja) | 2011-09-20 | 2012-08-14 | 電力需要予測システムおよび方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US9852483B2 (ja) |
JP (1) | JP5492848B2 (ja) |
CN (1) | CN103020725B (ja) |
WO (1) | WO2013042493A1 (ja) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2447672B (en) | 2007-03-21 | 2011-12-14 | Ford Global Tech Llc | Vehicle manoeuvring aids |
US10366403B2 (en) | 2012-10-15 | 2019-07-30 | International Business Machines Corporation | Distributed forecasting and pricing system |
JP2015011374A (ja) * | 2013-06-26 | 2015-01-19 | 京セラ株式会社 | 電力管理装置、電力管理方法、および電力管理プログラム |
JP6187003B2 (ja) * | 2013-08-01 | 2017-08-30 | 富士電機株式会社 | 類似日抽出装置、類似日抽出方法、プログラム |
JP6226367B2 (ja) * | 2013-09-18 | 2017-11-08 | 株式会社東芝 | エネルギー利用支援システムとその支援方法及び支援プログラム |
US9639642B2 (en) * | 2013-10-09 | 2017-05-02 | Fujitsu Limited | Time series forecasting ensemble |
JP2015139283A (ja) * | 2014-01-22 | 2015-07-30 | 国立大学法人名古屋大学 | 電力需要ピーク予測装置、電力需要ピーク予測方法、及び電力需要ピーク予測プログラム |
JP6314529B2 (ja) * | 2014-02-21 | 2018-04-25 | 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 |
CN103854234B (zh) * | 2014-03-03 | 2017-01-25 | 国网河南省电力公司 | 一种考虑降水影响的燃煤发电厂燃煤储备预警方法 |
DE102014010117A1 (de) * | 2014-07-08 | 2016-01-14 | Evohaus Gmbh | Prognose- und Steuerungssystem für den Strombezug von Haushalten |
JP6230500B2 (ja) * | 2014-07-15 | 2017-11-15 | 三菱電機ビルテクノサービス株式会社 | 電力管理装置及びプログラム |
WO2016088370A1 (ja) * | 2014-12-05 | 2016-06-09 | 日本電気株式会社 | 情報処理装置、モデル構築方法及びプログラム記録媒体 |
JP6575804B2 (ja) * | 2015-07-16 | 2019-09-18 | パナソニックIpマネジメント株式会社 | 節電目標決定装置、節電目標決定方法及び制御プログラム |
JP6584510B2 (ja) * | 2015-08-07 | 2019-10-02 | 三菱電機株式会社 | 太陽光発電量予測装置および太陽光発電量予測方法 |
WO2017037881A1 (ja) * | 2015-09-02 | 2017-03-09 | 株式会社日立製作所 | オンライン予測システムおよび方法 |
JP6628700B2 (ja) * | 2016-08-05 | 2020-01-15 | 三菱電機株式会社 | 気象情報予測装置および電力需要予測装置 |
CN108694460B (zh) * | 2017-04-12 | 2020-11-03 | 华为技术有限公司 | 产品需求预测方法及装置 |
CN107274012B (zh) * | 2017-06-06 | 2020-07-28 | 上海电机学院 | 基于云进化粒子群算法的短期风电功率预测方法 |
US10700523B2 (en) | 2017-08-28 | 2020-06-30 | General Electric Company | System and method for distribution load forecasting in a power grid |
CN108229786B (zh) * | 2017-11-27 | 2021-07-09 | 国网河北省电力公司经济技术研究院 | 电网投资分配处理方法及装置 |
JP7079663B2 (ja) * | 2018-05-25 | 2022-06-02 | 清水建設株式会社 | 電力需要予測システム、学習装置及び電力需要予測方法 |
JP7104561B2 (ja) * | 2018-05-31 | 2022-07-21 | 株式会社日立製作所 | エネルギー運用装置及び方法並びにシステム |
JP7157586B2 (ja) * | 2018-08-07 | 2022-10-20 | 株式会社キーエンス | データ分析装置及びデータ分析方法 |
CN109034504B (zh) * | 2018-09-14 | 2021-06-25 | 云南电网有限责任公司 | 一种短期负荷预测模型建立方法及装置 |
JP7210338B2 (ja) * | 2019-03-14 | 2023-01-23 | 株式会社東芝 | 予測装置、予測方法及びコンピュータプログラム |
WO2020209142A1 (ja) * | 2019-04-10 | 2020-10-15 | 三菱電機株式会社 | 電力管理装置 |
KR102320998B1 (ko) * | 2019-12-12 | 2021-11-03 | 대한민국 | 클라우드 기반 일간 온실 환경 의사결정지원 서버 및 이를 이용한 일간 온실 환경 의사결정지원 시스템 |
KR102320987B1 (ko) * | 2019-12-12 | 2021-11-03 | 대한민국 | 클라우드 기반 실시간 온실 환경 의사결정지원 서버 및 이를 이용한 실시간 온실 환경 의사결정지원 시스템 |
CN114879769B (zh) * | 2022-05-31 | 2023-03-14 | 友联船厂(蛇口)有限公司 | 一种船舱湿度控制方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0538051A (ja) * | 1991-07-24 | 1993-02-12 | Hitachi Ltd | 電力需要予測方法及び装置 |
JPH09233700A (ja) * | 1996-02-28 | 1997-09-05 | Fuji Electric Co Ltd | 日最大需要電力予測の信頼性評価方法 |
JP2004164388A (ja) * | 2002-11-14 | 2004-06-10 | Yokogawa Electric Corp | 需要予測システム |
JP2009294969A (ja) * | 2008-06-06 | 2009-12-17 | Mitsubishi Electric Corp | 需要予測方法および需要予測装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002041714A (ja) * | 2000-07-21 | 2002-02-08 | Hitachi Ltd | 電力の需要予測サービス方法およびシステム |
JP3994910B2 (ja) * | 2003-05-08 | 2007-10-24 | 株式会社日立製作所 | 電力売買支援システム |
CN101383023B (zh) * | 2008-10-22 | 2011-04-06 | 西安交通大学 | 基于样本动态组织与温度补偿的神经网络短期电力负荷预测 |
JP4703736B2 (ja) * | 2009-03-02 | 2011-06-15 | 株式会社東芝 | エネルギー管理システム及び方法 |
WO2011033315A1 (en) * | 2009-09-18 | 2011-03-24 | Stjohn Standley | Event reconciliation system and method |
US20110231320A1 (en) * | 2009-12-22 | 2011-09-22 | Irving Gary W | Energy management systems and methods |
US20120150707A1 (en) * | 2010-09-20 | 2012-06-14 | Johnson Controls Technology Company | Systems and methods for providing energy efficient building equipment and services |
CN102073785B (zh) * | 2010-11-26 | 2013-02-27 | 哈尔滨工程大学 | 基于广义动态模糊神经网络的燃气日负荷组合预报方法 |
CN102052739B (zh) * | 2010-12-27 | 2012-10-17 | 重庆大学 | 基于无线传感器网络的中央空调智能控制系统及方法 |
US9053438B2 (en) * | 2011-07-24 | 2015-06-09 | Hewlett-Packard Development Company, L. P. | Energy consumption analysis using node similarity |
-
2011
- 2011-09-20 JP JP2011204049A patent/JP5492848B2/ja active Active
-
2012
- 2012-08-14 US US14/238,309 patent/US9852483B2/en active Active
- 2012-08-14 WO PCT/JP2012/070669 patent/WO2013042493A1/ja active Application Filing
- 2012-08-17 CN CN201210294983.5A patent/CN103020725B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0538051A (ja) * | 1991-07-24 | 1993-02-12 | Hitachi Ltd | 電力需要予測方法及び装置 |
JPH09233700A (ja) * | 1996-02-28 | 1997-09-05 | Fuji Electric Co Ltd | 日最大需要電力予測の信頼性評価方法 |
JP2004164388A (ja) * | 2002-11-14 | 2004-06-10 | Yokogawa Electric Corp | 需要予測システム |
JP2009294969A (ja) * | 2008-06-06 | 2009-12-17 | Mitsubishi Electric Corp | 需要予測方法および需要予測装置 |
Also Published As
Publication number | Publication date |
---|---|
US20140222228A1 (en) | 2014-08-07 |
JP5492848B2 (ja) | 2014-05-14 |
CN103020725B (zh) | 2016-10-05 |
JP2013066318A (ja) | 2013-04-11 |
CN103020725A (zh) | 2013-04-03 |
US9852483B2 (en) | 2017-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5492848B2 (ja) | 電力需要予測システムおよび方法 | |
JP6895416B2 (ja) | エネルギー需要予測システム及びエネルギー需要予測方法 | |
Dong et al. | Wind power day-ahead prediction with cluster analysis of NWP | |
Hahn et al. | Electric load forecasting methods: Tools for decision making | |
US20170131435A1 (en) | Localized weather prediction | |
US20150317589A1 (en) | Forecasting system using machine learning and ensemble methods | |
Rai et al. | Analysis of classical and machine learning based short-term and mid-term load forecasting for smart grid | |
EP2859389B1 (en) | Short- to long-term temperature forecasting system for the production, management and sale of energy resources | |
WO2016136323A1 (ja) | エネルギー予測システム、エネルギー予測方法、これを実行させるためのコンピュータプログラム及びこのプログラムを記録した記録媒体並びに運転支援システム | |
JP2003242212A (ja) | ユーティリティの消費特性が類似する曜日を決定する装置および方法 | |
JP2019049850A (ja) | 予測システム及び方法 | |
JP2009225550A (ja) | 電力の需要予測処理方法及び装置、並びに発電予測処理方法 | |
Huang et al. | A Bayesian Network model for predicting cooling load of commercial buildings | |
JP2018088742A (ja) | エネルギ需要予測システム | |
JP2020202739A (ja) | 電力需要量予測装置及び電力需要量予測方法 | |
Zelikman et al. | Short-term solar irradiance forecasting using calibrated probabilistic models | |
JP2018173837A (ja) | 予測装置、予測システム、予測方法及びプログラム | |
JP5104567B2 (ja) | エネルギー需要予測装置 | |
Roebber | Seeking consensus: A new approach | |
JP2010218394A (ja) | エネルギー需要予測装置 | |
Syed et al. | Averaging ensembles model for forecasting of short-term load in smart grids | |
Panapakidis et al. | Combined forecasting system for short‐term bus load forecasting based on clustering and neural networks | |
Tziolis et al. | Comparative analysis of machine learning models for short-term net load forecasting in renewable integrated microgrids | |
Wang et al. | Acceptance sampling plan based on an exponentially weighted moving average statistic with the yield index for autocorrelation between polynomial profiles | |
JP2014085914A (ja) | 予測装置、予測方法、および、予測プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 12834040 Country of ref document: EP Kind code of ref document: A1 |
|
WWE | Wipo information: entry into national phase |
Ref document number: 14238309 Country of ref document: US |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 12834040 Country of ref document: EP Kind code of ref document: A1 |