WO2013042493A1 - 電力需要予測システムおよび方法 - Google Patents

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

電力需要予測システムおよび方法

　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。

特開２００９－２９４９６９号公報 特開２００４－１６４３８８号公報

「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。

需要予測の処理フロー。 需要予測装置の全体構成。 需要予測装置の詳細構成。 データベースの項目とデータの例。 類似期間検索条件設定の詳細処理フロー。 予測気象グループと実績気象グループの期間範囲設定の画面例。 類似度計算対象の気象項目の選択とその重み係数を設定する画面の例。 類似度計算方法を選択する画面の例。 グループ間の類似度計算方法を簡易的に表した例。 類似度を計算した結果を表形式で表示した画面の例。 類似度の項目をグラフ形式で表示した画面の例。 距離を計算した結果をグラフ形式で表示した画面の例。 類似度を計算した結果をグラフ形式で表示した画面の例。 需要予測モデル作成に使用する気象項目を選択する画面の例。 低下率を示す画面の例。 実績気象グループとその伸び率を設定する画面の例。 需要予測結果を表示する画面の例。 ２４時点の需要予測結果を表示する画面の例。

　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Ｄ_p（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Ｄ_p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。

　最後に式４を用いて類似度Ｓを計算する。αは処理Ｓ１２３で設定したベースの値である。

　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

Claims (7)

1. 　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。
2. 　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。
3. 　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。
4. 　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。
5. 　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。
6. 　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。
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。

Images