WO2017199578A1 - 需要予測システム及び需要予測方法 - Google Patents

需要予測システム及び需要予測方法 Download PDF

Info

Publication number
WO2017199578A1
WO2017199578A1 PCT/JP2017/011638 JP2017011638W WO2017199578A1 WO 2017199578 A1 WO2017199578 A1 WO 2017199578A1 JP 2017011638 W JP2017011638 W JP 2017011638W WO 2017199578 A1 WO2017199578 A1 WO 2017199578A1
Authority
WO
WIPO (PCT)
Prior art keywords
demand
group
cluster
data
customer
Prior art date
Application number
PCT/JP2017/011638
Other languages
English (en)
French (fr)
Inventor
岡本　佳久
渡辺　徹
将人 内海
郁雄 茂森
洋 飯村
信広 後藤田
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to EP17799012.4A priority Critical patent/EP3460742A4/en
Priority to US16/099,447 priority patent/US20190147465A1/en
Publication of WO2017199578A1 publication Critical patent/WO2017199578A1/ja

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • 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
    • 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
    • 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
    • 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
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/16—Energy services, e.g. dispersed generation or demand or load or energy savings aggregation

Definitions

  • the present invention relates to a demand prediction system.
  • Patent Document 1 by creating a reference load pattern for each consumer type classified by contract type, industry type, etc., and expanding or reducing the reference load pattern according to the monthly usage of each consumer type, A power load estimation method for predicting a power load for each consumer type is disclosed.
  • a demand prediction system includes a storage device and a processor connected to the storage device.
  • load data which is time-series data of resource demand by each of a plurality of consumers in a consumer set
  • the storage device represents the load data in each group
  • Demand mode data indicating the shape to be obtained and the number of consumers belonging to each group are acquired, and preset based on the actual value of the demand mode data of each group and the actual value of the number of consumers of each group It is configured to calculate shape data indicating the shape of the time series data of the demand of the customer set in the prediction target period.
  • FIG. 1 is an overall configuration diagram of a demand prediction system. It is a block diagram which shows schematic structure of an annual demand assumption apparatus. It is a block diagram which shows schematic structure of a demand aspect classification apparatus. It is a block diagram which shows schematic structure of a prediction calculating device. It is a block diagram which shows the flow of a series of processes performed in a demand prediction system. It is a conceptual diagram which shows schematic structure of meter data information. It is a conceptual diagram which shows schematic structure of customer information. It is a conceptual diagram which shows schematic structure of cluster information. It is a conceptual diagram which shows schematic structure of group information. It is a flowchart which shows the process sequence of an annual demand assumption process. It is a flowchart which shows the process sequence of a cluster analysis process.
  • the demand prediction system 1 includes an equipment control terminal 20 of a consumer 2, an economic information distribution terminal 30 of an economic information manager 3, a weather information distribution terminal 40 of a weather information manager 4, and meter data of a power transmission and distribution company 5.
  • An input / output terminal 66 is connected via the network 7.
  • a consumer information management device 60, an annual demand assumption device 61, a demand mode classification device 62, a prediction calculation device 63, a demand performance management device 64, a demand predicted value utilization device 65, and an information input / output terminal 66 of the retailer 6 are: It is connected to the network 7 via the network 67.
  • the facility control terminal 20 of the customer 2 is composed of, for example, a smart meter (a power meter for the retailer 6 or a power meter uniquely installed by the customer 2).
  • the equipment control terminal 20 may be called a meter.
  • the facility control terminal 20 measures the amount of power used by the customer 2 and transmits the measurement result to the meter data management device 50 of the power transmission and distribution company 5 as meter data.
  • the meter data includes a sample every preset sampling period (for example, 30 minutes).
  • the sample may be an integrated value of power consumption, or a difference of integrated values for each sampling period.
  • the sample may be the maximum power or the average power within one sampling period.
  • the economic information distribution terminal 30 of the economic information manager 3 is a server device having a function of distributing economic information such as GDP (Gross Domestic Product) and IIP (Indices of Industrial Production).
  • the weather information distribution terminal 40 of the weather information manager 4 is a server device having a function of distributing weather information such as average temperature and maximum temperature.
  • the meter data management device 50 of the power transmission and distribution company 5 is a server device having a function of accumulating and managing meter data transmitted from the facility control terminal 20 of each customer 2. Then, the meter data management device 50 periodically transmits the data of the measurement period among the accumulated meter data of each customer 2 to the demand mode classification device 62 of the retailer 6 as load data.
  • the measurement period is one of the periods divided for each measurement cycle.
  • the measurement cycle is, for example, one year, and the measurement period is, for example, a year.
  • the measurement cycle may be another time length such as three months or one month.
  • the measurement period may be set at other intervals such as year, season, month, and the like.
  • the demand mode classification device 62 may acquire the load data from the meter data management device 50 by requesting the meter data management device 50 to specify the measurement period and request the load data.
  • a period having a length of a future measurement cycle is set as a prediction target period. For example, a period having the length of the measurement cycle next to the latest measurement period is set as the prediction target period.
  • the consumer information management device 60 of the retailer 6 is a server device having a function of accumulating and managing attribute information of each customer 2.
  • the attribute information includes the contract name, location, business type, contract type, etc. of each customer 2.
  • the attribute information includes a meter ID for identifying the smart meter of each customer 2.
  • the annual demand estimation device 61 of the retailer 6 is based on the demand record information received from the demand record management device 64, the economic information received from the economic information distribution terminal 30, and the weather information received from the weather information distribution terminal 40.
  • the computer device has a function of estimating the total demand in the forecast year (prediction term). Economic information may be stored in a device other than the economic information distribution terminal 30 and acquired by the annual demand assumption device 61.
  • the weather information may be stored in a device other than the weather information distribution terminal 40 and acquired by the annual demand assumption device 61.
  • the demand mode classification device 62 of the retailer 6 classifies the customers into several groups, and representative load data for each group. It is a computer apparatus which has a function which calculates the demand aspect showing a shape.
  • the load data may be stored in a device other than the meter data management device 50 and acquired by the demand mode classification device 62.
  • the prediction calculation device 63 of the retailer 6 predicts annual changes in the number of consumers and demand modes for each group classified by the demand mode classification device 62, and adds up each to calculate the future power consumption.
  • a power load curve representing a transition is estimated, and using the estimated power load curve, the total demand in the prediction target year estimated by the annual demand assumption device 61 is apportioned to each sample, so that the sampling period of the prediction target year (for example, 30 minutes)
  • the demand record management device 64 of the retailer 6 is a computer device having a function of accumulating and managing the record value of demand.
  • the demand forecast value utilization device 65 of the retailer 6 is a computer device having a function of performing a photovoltaic power generation simulation, a balance simulation, and the like based on the demand time series of the forecast target year estimated by the forecast calculation device 63.
  • the information input / output terminal 66 of the retailer 6 is, for example, a personal computer, and includes a processing device, a communication device, an input device, and a display device.
  • the information input / output terminal 66 is used when the retailer 6 inputs information necessary for annual demand assumption, demand mode classification, and prediction calculation, or when checking each processing result.
  • FIG. 2 shows a schematic configuration of the annual demand assumption device 61 of the retailer 6.
  • the annual demand assumption device 61 includes a CPU 611, a memory 612, a storage unit 613, and a communication unit 614 that are connected to each other via an internal bus 610.
  • the CPU 611 is a processor that controls the operation of the annual demand assumption device 61.
  • the memory 612 is mainly used for temporarily storing various programs and data. A program of annual demand assumption processing 6101 described later is also stored and held in this memory 612.
  • the storage unit 613 includes, for example, a hard disk device, and is used to hold programs and data for a long period of time. An annual demand forecast information storage unit 6102 to be described later is stored and held in the storage unit 613.
  • the storage unit 613 may store data received from the economic information distribution terminal 30, the weather information distribution terminal 40, the information input / output terminal 66, and the like.
  • the communication unit 614 communicates with the customer information management device 60, the demand mode classification device 62, the prediction calculation device 63, the demand result management device 64, the demand predicted value utilization device 65, and the information input / output terminal 66 via the network 67. Performs protocol control during communication.
  • FIG. 3 shows a schematic configuration of the demand mode classification device 62 of the retailer 6.
  • the demand mode classification device 62 includes a CPU 621, a memory 622, a storage unit 623, and a communication unit 624 that are connected to each other via an internal bus 620.
  • the CPU 621 is a processor that controls the operation of the demand mode classification device 62.
  • the memory 622 is mainly used for temporarily storing various programs and data.
  • a cluster analysis process 6201 and a group generation process 6203, which will be described later, are also stored and held in this memory 622.
  • the storage unit 623 includes a hard disk device, for example, and is used to hold programs and data for a long period of time. Programs in a cluster information storage unit 6202 and a group information storage unit 6204, which will be described later, are stored and held in the storage unit 623.
  • the communication unit 624 communicates with the customer information management device 60, the annual demand assumption device 61, the prediction calculation device 63, the demand result management device 64, the demand predicted value utilization device 65, and the information input / output terminal 66 via the network 67. Performs protocol control during communication.
  • FIG. 4 shows a schematic configuration of the prediction calculation device 63 of the retailer 6.
  • the prediction calculation device 63 includes a CPU 631, a memory 632, a storage unit 633, and a communication unit 634 that are connected to each other via an internal bus 630.
  • the CPU 631 is a processor that controls the operation of the prediction arithmetic device 63.
  • the memory 632 is mainly used for temporarily storing various programs and data.
  • the storage unit 633 includes, for example, a hard disk device, and is used to hold programs and data for a long period of time.
  • a program in a demand forecast information storage unit 6306, which will be described later, is stored and held in the storage unit 633.
  • the communication unit 634 includes a customer information management device 60, an annual demand assumption device 61, a demand mode classification device 62, a demand performance management device 64, a demand predicted value utilization device 65, and an information input / output terminal 66 via the network 67. Protocol control during communication.
  • any one of the plurality of devices of the retailer 6 may be one device.
  • the functions in the device of the retailer 6 may be included in another device.
  • the retailer 6 may include a device of the power transmission / distribution carrier 5.
  • the demand prediction system 1 may not include some devices.
  • Each program may be installed in a corresponding computer from a computer-readable recording medium.
  • the annual demand assumption device 61 includes an annual demand assumption process 6101 and an annual demand assumption information storage unit 6102.
  • the demand mode classification device 62 includes a cluster analysis process 6201, a cluster information storage unit 6202, a group generation process 6203, and a group information storage unit 6204.
  • the prediction calculation device 63 includes a customer number annual change prediction process 6301, a demand mode annual change prediction process 6302, a demand mode expansion / contraction correction process 6303, a demand mode synthesis process 6304, an annual demand expected value apportioning process 6305, and a demand prediction information storage.
  • the annual demand assumption information storage unit 6102 stores annual demand assumption information 6102A.
  • the cluster information storage unit 6202 stores cluster information 6202A.
  • the group information storage unit 6204 stores group information 6204A.
  • the demand prediction information storage unit 6306 stores demand prediction information 6306A.
  • the annual demand assumption process 6101 includes demand record information 6401A received from the demand record management device 64, economic information 3001A received from the economic information distribution terminal 30, weather information 4001A received from the weather information distribution terminal 40, and customer information management device 60. Based on the customer information 6001A received from, annual demand assumption information 6102A is generated.
  • Cluster analysis processing 6201 generates cluster information 6202A based on the load data of each customer 2 received from the meter data management device 50.
  • the cluster information 6202A includes a cluster ID for identifying each cluster, an information item name related to the corresponding cluster, and a value of the information item related to the corresponding cluster.
  • the group generation process 6203 generates group information 6204A based on the cluster information 6202A.
  • the group information 6204A includes a group ID for identifying each group, an information item name related to the corresponding group, and a value of the information item related to the corresponding group.
  • Customer number annual change prediction process 6301 predicts the future number of consumers of each group based on group information 6204A.
  • Demand mode annual change prediction processing 6302 predicts the future demand mode of each group based on the group information 6204A.
  • the demand mode expansion / contraction correction process 6303 is based on the future demand mode of each group estimated in the demand mode annual change prediction process 6302 and a preset parameter, and the amplitude component and DC component (amplitude) of the demand mode of each group. The value that is the center of).
  • the demand mode composition processing 6304 is based on the number of future customers of each group predicted by the number of customers annual change prediction processing 6301 and the future demand mode of each group corrected by the demand mode expansion / contraction correction processing 6303.
  • a power load curve representing a transition of future power consumption is estimated by multiplying the demand mode of each group and the number of consumers.
  • the annual demand estimated value apportioning process 6305 apportions the annual demand estimated value estimated in the annual demand assumed process 6101 to each sample using the power load curve estimated in the demand mode synthesis process. Estimate demand time series in sampling period increments.
  • the parameter adjustment processing 6307 corrects the parameters used in the demand mode expansion / contraction correction processing 6303 based on the demand performance information 6401A and the demand prediction information 6306A received from the demand performance management device 64.
  • FIG. 6 shows a conceptual diagram of meter data information 5001A.
  • the meter data information 5001A is a table used for managing meter data information. Specifically, the meter data information 5001A has an entry for each meter. One meter entry includes a meter ID column 5001A1 and a meter data column 5001A2.
  • meter ID column 5001A1 a meter ID which is a meter identification number is stored. Meter data measured by the corresponding meter is stored in the meter data column 5001A2.
  • the meter data is “ ⁇ 0.1 kWh, 0.2 kWh,..., 0.1 kWh ⁇ ” for the meter with the meter ID “M000001”.
  • the meter data is a data string having a sample for each sampling period.
  • FIG. 7 shows a conceptual diagram of customer information 6001A.
  • the customer information 6001A is a table used for managing customer information. Specifically, customer information 6001A has an entry for each customer.
  • One customer entry includes a customer ID column 6001A1, a contract name column 6001A2, a location column 6001A3, an industry column 6001A4, a contract type column 6001A5, and a meter ID column 6001A6.
  • the customer ID column 6001A1 stores a customer ID that is a customer identification number.
  • the contract name column 6001A2 stores the contract name of the corresponding customer.
  • the location column 6001A3 stores the location of the corresponding customer.
  • the industry column 6001A4 stores the industry of the corresponding customer.
  • the contract type column 6001A5 stores the contract type of the corresponding customer.
  • the meter ID column 6001A6 stores the meter ID of the corresponding customer.
  • the contract name is “Taro Suzuki”
  • the location is “Chiyoda-ku, Tokyo”
  • the business type is “Home”
  • the contract type is “Constant Light B”.
  • the meter ID is “M018704”.
  • the entry is not limited to the above, and may include information such as owned facilities and family structure.
  • one customer entry may indicate the ID of a power distribution facility connected to the customer's facility.
  • the ID of the power distribution facility indicates a pole transformer with which the customer's facility is linked.
  • FIG. 8 shows a conceptual diagram of the cluster information 6202A.
  • the cluster information 6202A is information created by the cluster analysis process 6201.
  • the cluster information 6202A is a table used for managing cluster information. Specifically, the cluster information 6202A has an entry for each cluster classified based on the characteristics of the customer load data.
  • the entry of one cluster includes a year column 6201A1, a cluster ID column 6202A2, an item column 6202A3, and a value column 6202A4.
  • the year is stored in the year column 6202A1.
  • the cluster ID column 6202A2 stores a cluster ID that is a cluster identification number.
  • the item column 6202A3 stores item names (“cluster representative demand mode”, “number of cluster-affiliated customers”, “cluster-affiliated customer ID list”) of each information related to the corresponding cluster.
  • the value column 6202A4 stores the value of each information item regarding the corresponding cluster.
  • the cluster representative demand mode is a demand mode representing the shape of the representative load data of the corresponding cluster.
  • the number of customers belonging to the cluster is the number of customers belonging to the cluster.
  • the cluster-affiliated customer ID list is a set of customer IDs of consumers belonging to the cluster.
  • the cluster representative demand mode is “ ⁇ 0.3, 0.2,... Is “200” and the cluster affiliation customer ID list is “ ⁇ C000001, C000006,..., C125417 ⁇ ”.
  • the cluster representative demand mode is a data string that includes a sample for each sampling period, has a measurement period length, and indicates a change in demand over time.
  • FIG. 9 shows a conceptual diagram of the group information 6204A.
  • the group information 6204A is information created by the group generation process 6203.
  • the group information 6204A is a table used for managing group information. Specifically, the group information 6204A has an entry for each group. An entry of one group includes a group ID column 6204A1, a year column 6204A2, an item column 6204A3, and a value column 6204A4.
  • the group ID column 6204A1 stores a group ID which is a group identification number.
  • the year column is stored in the year column 6204A2.
  • item names (“group representative demand mode”, “number of group affiliated consumers”, and “group affiliated cluster ID list”) relating to the corresponding group are stored.
  • the group representative demand aspect is a demand aspect representing the shape of the representative load data of the corresponding group.
  • the group representative demand mode may be an average of cluster representative demand modes of clusters belonging to the group, or may be a cluster representative demand mode of an arbitrary cluster belonging to the group cluster.
  • the number of customers belonging to a group is the number of customers belonging to the group.
  • the group belonging cluster ID list is a set of cluster IDs of clusters belonging to the group.
  • the value column 6204A4 stores the value of each information item regarding the corresponding group.
  • the group representative demand mode of the group given “G01” as the group ID in 2010 is “ ⁇ 0.3, 0.3,..., 0.1 ⁇ ”, and the number of group affiliated consumers is “320” indicates that the group belonging cluster ID list is “ ⁇ 2010-1, 2010-6,..., 2010-21 ⁇ ”.
  • the group representative demand mode is a data string that includes a sample for each sampling period, has a length of the measurement period, and indicates a change in demand over time.
  • each process in the annual demand assumption device 61 is a program stored in the memory 612 and executed by the CPU 611.
  • Each process in the demand mode classification device 62 is a program stored in the memory 622 and is executed by the CPU 621.
  • each process in the prediction arithmetic device 63 is a program stored in the memory 632 and is executed by the CPU 631.
  • the annual demand assumption processing 6101 uses a certain past year as the base year, and affects the temperature demand, economic impact, power saving impact, and withdrawal impact on the total demand of all customers in the base year. It is the process which estimates the total demand of the future forecast object year by adding the expected value of the demand fluctuation calculated considering any one or more factors.
  • the annual demand assumption process 6101 selects one reference year, and acquires demand record information, weather information, economic information, and customer information for the relevant year (S1001).
  • the demand record information includes the total demand and the power saving record of the current year.
  • the weather information includes the average temperature and the maximum temperature of the year.
  • the economic information includes GDP, IIP, etc. of the current year.
  • the consumer information includes the power saving continuation rate of each consumer in the current year.
  • the annual demand assumption process 6101 acquires weather information, economic information, and customer information for the prediction target year (S1002).
  • the annual demand assumption process 6101 calculates the expected increase / decrease value due to the temperature effect (S1003).
  • the expected value of the demand increase / decrease due to the temperature effect is obtained, for example, by multiplying the difference value between the average temperature of the reference year acquired in S1001 and the average temperature of the prediction target year acquired in S1002 by a preset coefficient.
  • the annual demand assumption process 6101 calculates an expected value of demand fluctuation due to economic influence (S1004).
  • the expected value of the demand increase / decrease due to the economic influence is obtained, for example, by multiplying the difference value between the GDP of the base year and the GDP of the prediction target year by a preset coefficient.
  • the annual demand assumption process 6101 calculates the expected increase / decrease value due to the power saving effect (S1005).
  • the expected value of the increase or decrease in demand due to the power saving effect is obtained, for example, by multiplying the power saving performance in the base year acquired in S1001 by the power saving continuation rate in the prediction target year acquired in S1002.
  • the annual demand assumption process 6101 calculates the expected increase / decrease value due to the withdrawal effect (S1006).
  • the expected increase / decrease value due to the withdrawal effect is obtained, for example, by multiplying the number of consumers who have switched contracts with other operators by a preset coefficient.
  • the annual demand estimation process 6101 adds the estimated value of the demand increase / decrease due to the temperature effect, economic effect, power saving effect, and withdrawal effect calculated in S1003 to S1006 to the actual value of the total demand in the base year acquired in S1001.
  • an estimated annual demand value that is a predicted value of the total demand in the forecast target year is calculated (S1007).
  • the annual demand estimate is calculated using all the factors of temperature effect, economic effect, power saving effect, and withdrawal effect, but annual demand is calculated using any one, two, or three factors.
  • An assumed value may be calculated.
  • an expected demand increase / decrease value may be calculated using factors other than the temperature effect, economic effect, power saving effect, and withdrawal effect, and the annual demand estimate may be calculated.
  • the annual demand estimation process 6101 can predict the total demand in the prediction target year in consideration of the temperature effect, the economic effect, the power saving effect, and the withdrawal effect.
  • the cluster analysis processing 6201 classifies each customer 2 into several clusters based on the shape of the load data, and displays a cluster representative demand mode representing the shape of the load data representing each cluster. This is a calculation process.
  • the cluster analysis process 6201 obtains load data of the meter ID associated with the customer ID of each customer 2 from the meter data management device 50 of the power transmission and distribution company 5, and based on the obtained load data, the demand When the load data corresponding to the house ID is acquired, the processing shown in FIG. 11 is started.
  • the cluster analysis process 6201 uses the k-means method to classify all customer load data into one cluster, the cluster center set ⁇ C 1 ⁇ of the cluster, and two such load data.
  • Cluster center set ⁇ C 1 , C 2 ⁇ for each cluster when classified into three clusters cluster center set ⁇ C 1 , C 2 , C 3 ⁇ for each cluster when such load data is classified into three clusters ..,..., While sequentially changing the number of clusters K from 1 to M, the M load data is distributed to K clusters, and a cluster center set ⁇ C k ⁇ corresponding to K is obtained .
  • step S1102 the cluster analysis process 6201 is based on the result of the above-described step S1101, and a value for evaluating which of the number of clusters K is appropriate (hereinafter referred to as a validity evaluation value).
  • Cluster number validity evaluation value calculation processing is executed.
  • the cluster analysis processing 6201 uses, as the validity evaluation value, an intra-cluster fitness indicating the degree of load data grouping in each cluster and an inter-cluster average separation indicating the degree of separation between clusters. Calculate the degree.
  • step S1103 the cluster analysis process 6201 executes an optimal cluster number determination process that determines the optimal number of clusters based on the intra-cluster fitness and the intercluster average separation calculated in step S1102.
  • the load data of each customer 2 is classified into an appropriate number of clusters.
  • the cluster analysis processing 6201 calculates the cluster for each year by executing the above processing on the load data for each year within a specific period obtained from the meter data information 5001A.
  • FIG. 12 shows specific processing contents of the classification processing executed in step S1101 of the cluster analysis processing 6201 described above.
  • load data having similar shapes can be collected as clusters without being affected by the size of the load data. Then, it calculates a feature amount vector S m by the normalized load data for each consumer to frequency analysis (S1204).
  • Normalized load data includes many periodic components such as hours, days, weeks, and years.
  • the cluster analysis processing 6201 performs a discrete Fourier transform on the normalized load data of each customer m in order to classify using the periodicity of the normalized load data. Let it be a quantity vector S m .
  • the feature vector S m described above may be information other than the result of discrete Fourier transform as long as it is information indicating the characteristics of the load data of each customer m, or the time-series data itself of normalized load data, or the load It may be statistical information of load data such as a combination of average value, maximum value and minimum value of data. Further, the feature quantity vector Sm may be calculated by performing frequency analysis on the load data of each customer as it is without performing normalization in S1203. Next, the cluster analysis process 6201 selects one unprocessed consumer m from all the consumers (S1205). Then, the cluster analysis process 6201, for that customer m, calculates each cluster center, the Euclidean distance between the feature vector S m of the customer m.
  • the cluster analysis process 6201 the feature quantity vector S m of customer m, closest to the cluster k a (cluster k having the cluster center C k Euclidean distance is minimum, from the feature quantity vector S m)
  • the customer ID of the customer m is registered in the ID list (hereinafter referred to as a cluster-affiliated customer ID list) Xk of the customer belonging to the cluster k (S1206).
  • the cluster analysis process 6201 determines whether or not the process of step S1205 has been completed for all the customers m (S1207), and if a negative result is obtained, the process returns to step S1205. Thereafter, the cluster analysis process 6201 repeats the processes of steps S1206 to S1207 while sequentially switching the consumer m selected in step S1205 to another unprocessed consumer m.
  • a set of K cluster-affiliated customer ID lists X k corresponding to K clusters is referred to as a cluster-affiliated customer ID list set ⁇ X k ⁇ .
  • the cluster analysis processing 6201 when all the customers have been assigned to the cluster-affiliated customer ID list set ⁇ X k ⁇ (S1207: YES), is indicated in the cluster-affiliated customer ID list X k for each cluster k.
  • Average feature vector S k_ave ⁇ m s m, 1 / M, ⁇ m s m, 2 / M, ⁇ m s m, 3 / M ,. (Where m ⁇ X k ) is calculated, and the cluster center set is updated with the average feature vector S k_ave as the cluster center C k (S1208).
  • the cluster analysis processing 6201 performs clustering of at least one cluster in the cluster center set ⁇ C k ⁇ based on the cluster center set before update in S1208 and the cluster center set ⁇ C k ⁇ after update.
  • change amount in step S1208 of the center C k is equal to or a predetermined change amount threshold value or more (S1209). If the cluster analysis process 6201 obtains a positive result in this determination, it returns to step S1205, and thereafter repeats step S1206 to step S1209.
  • the cluster analysis processing 6201 determines the cluster center set ⁇ C k ⁇ and the cluster-affiliated customer ID list set ⁇ X k ⁇ is stored in the memory 6002 (S1210).
  • the cluster analysis process 6201 determines whether or not the processes in steps S1202 to S1210 have been executed for all the cluster numbers K (S1211). If a negative result is obtained in this determination, the cluster analysis processing 6201 thereafter changes the number K of clusters selected in step S1201 to another value (1 to M) that has not been processed yet, in steps S1202 to S1211. Repeat the process.
  • a cluster group based on customer load data can be calculated for each cluster number candidate.
  • FIG. 13 shows specific processing contents of the cluster number validity evaluation value calculation processing executed in step S1102 of the cluster analysis processing 6201 described above.
  • the classification results of the number of clusters 1 to M calculated in step S1101 described above are used to calculate the distance between the feature vector of the load data and the cluster center, and the distance between the clusters. It is a process of evaluating with a plurality of distance indexes.
  • the cluster analysis processing 6201 selects any one of 1 to M (M is the total number of customers) as the number of clusters K (S1301), and assumes that the number of clusters K is the number selected in step S1301.
  • M is the total number of customers
  • the number of clusters K is the number selected in step S1301.
  • an error between the feature vector S m of the customer m belonging to the cluster-affiliated customer ID list X k and the cluster center C k of the cluster hereinafter referred to as an intra-cluster error).
  • the cluster analysis process 6201 calculates the distance between the feature vector S m and the cluster center C k of the cluster k for each customer m belonging to the cluster k, and determines all the consumers belonging to the cluster k. calculating a cluster error E K by summing the distance calculated for.
  • the cluster analysis process 6201 on the basis of the cluster within the error E K calculated in step S1302, the penalty coefficient for suppressing the number is too large clusters a, the number of feature dimensions as D, the following equation for each cluster
  • the intra-cluster fitness E (K) is calculated (S1303).
  • the cluster analysis process 6201 calculates boundary surfaces g that can be separated from each other with a multi-class support vector machine (S1304), and then calculates the total value of the margin (distance) between the clusters as M K.
  • the average intercluster separation B (K) is calculated by the following equation.
  • the intercluster average separation degree B (K) is an index representing the degree of separation between clusters as described above, and the larger the cluster, the more separated the clusters are. Further, the average degree of separation between clusters may be any index that increases as long as the average distance between clusters is large, and may be an average value of distances between cluster centers in each combination of two clusters.
  • the cluster analysis processing 6201 determines whether or not the intra-cluster fitness E (K) and the inter-cluster average separation B (K) have been calculated for all the numbers of clusters K (1 to M) (S1306). ). If the cluster analysis process 6201 obtains a negative result in this determination, then the cluster analysis process 6201 changes the number K of clusters selected in step S1301 to another value (1 to M) that has not been processed, and then in steps S1301 to S1306. Repeat the process.
  • each cluster number candidate cluster group can be evaluated.
  • FIG. 14 shows specific processing contents of the optimal cluster number determination processing executed in step S1103 of the cluster analysis processing 6201 described above.
  • FIG. 15 shows a method for determining the optimal number of clusters for goodness of fit and the optimal number of clusters for separability.
  • the horizontal axis indicates the number of clusters, and the vertical axis indicates the validity evaluation value.
  • Validity evaluation values are intra-cluster fitness E (K) and inter-cluster average separation B (K).
  • the fitness degree optimal cluster number CL1 is the number of clusters corresponding to the maximum value of the intra-cluster fitness E (K).
  • the separation degree optimal cluster number CL2 is the number of clusters corresponding to the maximum value of the intercluster average separation degree B (K).
  • the fitness degree optimal cluster number CL1 may be the minimum number of clusters in which the ratio of the amount of change in the intra-cluster fitness E (K) to the amount of change in the number of clusters is equal to or less than a preset first threshold value.
  • the separation degree optimum cluster number CL2 may be the minimum number of clusters in which the ratio of the change amount of the intercluster average separation degree B (K) to the change amount of the cluster number is equal to or less than a preset second threshold value.
  • the cluster analysis processing 6201 is based on the relationship between the number of clusters K and the intra-cluster fitness E (K) when the number of clusters K calculated in the cluster number validity evaluation value calculation processing is assumed to be 1 to M.
  • the above-mentioned optimum fitness cluster number CL1 is calculated (S1401).
  • the cluster analysis process 6201 is based on the relationship between the number of clusters K and the average degree of separation between clusters B (K) when the number of clusters K calculated in the cluster number validity evaluation value calculation process is 1 to M. Then, the above-described optimum degree of separation cluster CL2 is calculated (S1402).
  • the cluster analysis process 6201 determines one cluster number from among the cluster numbers between the fitness degree optimal cluster number CL1 calculated in step S1401 and the separation degree optimal cluster number CL2 calculated in step S1402. (S1403).
  • the cluster analysis processing 6201 when there is at least one cluster number between the optimum fitness cluster number CL1 and the optimum separation degree cluster number CL2, the cluster analysis processing 6201 is the number of clusters closest to the median value or a random number among them. The number of clusters selected in step 1 is determined as the optimum number of clusters. In addition, when there is no single cluster number between the fitness optimum cluster number CL1 and the separation optimum cluster number CL2, the cluster analysis processing 6201 performs the fitness optimization cluster number CL1 and the separation optimum cluster number CL2. Any one or predetermined one is determined as the optimum number of clusters.
  • the cluster analysis process 6201 creates cluster information 5202A (FIG. 8) indicating the cluster information when classified by the optimal number of clusters based on the determination result of step S1403 (S1404), and this optimal cluster number determination process Exit.
  • the cluster analysis process 6201 selects a cluster center set ⁇ C k ⁇ and a cluster-affiliated customer ID list set ⁇ X k ⁇ corresponding to the optimal number of clusters from the data generated by the classification process. Then, the cluster analysis processing 6201 calculates a cluster representative demand mode by performing inverse Fourier transform on the cluster center C k for each cluster k.
  • the cluster representative demand mode is normalized load data having a shape that appears most frequently in the cluster, or normalized load data corresponding to a specific number in the cluster, instead of the inverse Fourier transform result of the cluster center Ck.
  • cluster analysis processing 6201 by using the k is a cluster ID, and the cluster representative demand aspect, the cluster affiliation customer ID list X k, to create a cluster information, and registers it in the cluster information 5202A.
  • the cluster analysis process 6201 may register the feature vector of the cluster center C k in the cluster information 5202A instead of the cluster representative demand mode.
  • the cluster analysis processing 6201 transmits the created cluster information to the information input / output terminal 66, such as the optimal number of clusters, the cluster representative demand mode, the number of cluster-affiliated customers, and the cluster-affiliated customer ID list.
  • the information is displayed on the information input / output terminal 66.
  • the retailer 6 can confirm the optimal number of clusters and the characteristics of a specific cluster.
  • the cluster analysis processing 6201 can determine the optimum number of clusters, and can determine the optimum number of clusters and the cluster representative demand mode group corresponding to each cluster group. Thereby, the cluster analysis processing 6201 can create cluster information of the optimal number of clusters, and can associate each consumer with any one of the clusters when classified by the optimal number of clusters.
  • the group generation processing 6203 is processing for generating group information by associating clusters in different years with similar cluster representative demand modes.
  • the group generation process 6203 selects two consecutive years y and year y + 1 from the cluster information 6202A (S1501). Next, the group generation processing 6203 selects one cluster i for the year y from the cluster information 6202A (S1502), and further selects one cluster j for the year y + 1 from the cluster information 6202A (S1503). Next, the group generation processing 6203 obtains a feature vector S i that is the cluster center of the cluster i and a feature vector S j that is the cluster center of the cluster j, and sets a distance ⁇ S i, j between these feature vectors. Calculate (S1504).
  • the group generation processing 6203 determines whether or not the distance ⁇ S i, j is equal to or smaller than a preset threshold value (S1505). If a positive result is obtained, the process proceeds to step S1506, and the same group ID is assigned to the cluster i and the cluster j. If a negative result is obtained (S1506), the process proceeds to step S1507, and different group IDs are assigned to cluster i and cluster j (S1507). Next, the group generation process 6203 determines whether or not the processes of steps S1504 to S1507 have been executed for all the clusters j in the year y + 1 (S1508), and if a negative result is obtained, returns to step S1503.
  • a preset threshold value S1505
  • the group generation processing 6203 repeats the processing of steps S1504 to S1507 while sequentially switching the cluster j selected in step S1503 to another cluster j that has not been processed.
  • the group generation process 6203 determines whether or not the processes of steps S1503 to S1508 have been executed for all the clusters i (S1509), and returns to step S1502 if a negative result is obtained.
  • the group generation processing 6203 repeats the processing in steps S1503 to S1508 while sequentially switching the cluster i selected in step S1502 to another unprocessed cluster i.
  • the group generation process 6203 determines whether or not the processes of steps S1502 to S1509 have been executed for all the years y and y + 1 (S1510), and if a negative result is obtained, returns to step S1501. Thereafter, the group generation processing 6203 repeats the processing of steps S1502 to S1509 while sequentially switching the year y and year y + 1 selected in step S1501 to another year y and year y + 1 that have not been processed. Finally, the group generation process 6203 creates group information 6204A (FIG. 9) indicating the group information based on the group ID assignment results in steps S1506 and S1507 (S1511). finish.
  • the group generation processing 6203 calculates the group representative demand mode of each group for each year by averaging the cluster representative demand modes of the same year assigned the same group ID. Note that the group generation processing 6203 may register a feature quantity vector corresponding to the group representative demand mode in the cluster information 5202A instead of the group representative demand mode.
  • the group generation process 6203 may select two clusters in the same year. Accordingly, the group generation processing 6203 can aggregate the clusters into one group when the distance between the feature amount vectors of the plurality of clusters in one year is close.
  • the group generation processing 6203 uses the cluster ID of the first year in the cluster information 6202A as the group ID, and assigns the group ID of the group having the closest feature vector distance to the cluster of the subsequent year. Good.
  • FIG. 17 is a conceptual diagram showing a result of performing group generation processing for the cluster of 2011 and the cluster of 2012.
  • the cluster representative demand modes of the cluster 2011-1 in 2011 and the cluster 2012-2 in 2012 are similar, and a group G01 is formed by associating them.
  • the cluster representative demand modes of the cluster 2011-3 in 2011 and the cluster 2012-4 in 2012 are similar, and a group G02 is formed by associating them.
  • the cluster representative demand modes of the cluster 2011-2 and the cluster 2011-4 in the 2011 fiscal year are similar, these are first aggregated as the same type cluster, and then the cluster 2012-1 and the cluster 2012-3 cluster in the 2012 fiscal year. Since the representative demand modes are similar, these are aggregated as the same type cluster and further associated with each other to form a group G03.
  • the group generation processing 6203 may display the association between clusters and groups on the information input / output terminal 66 as shown in FIG.
  • the customer number annual change prediction process 6301 is a process for predicting the future number of consumers from the transition of the number of past customers for each group.
  • the customer number annual change prediction process 6301 selects one group n from the group information 6204A (S1601).
  • the number-of-customers-number annual change prediction process 6301 refers to the “number of group-affiliated customers” of the group n in the past plural years in the group information 6204A, and determines the actual number of customers of the group n.
  • Obtain S1602
  • the number-of-customers-number annual change prediction process 6301 uses the actual number of customers in group n acquired in S1602, and uses the time series model (AR model, ARMA) regarding the number of customers in group n by the Box Jenkins method or the like.
  • the order P of the model etc. is determined (S1603).
  • an AR model is used as a time series model.
  • the number of consumers in the future prediction target year of group n is estimated as the predicted number of consumers (the predicted value of the number of group-affiliated consumers) (S1605).
  • the customer number annual change prediction process 6301 determines whether or not the processes of steps S1602 to S1605 have been executed for all the groups n (S1606), and if a negative result is obtained, the process returns to step S1601. Thereafter, the customer number annual change prediction process 6301 repeats the processes in steps S1602 to S1605 while sequentially switching the group n selected in step S1601 to another unprocessed group n.
  • step S1606 the number of consumers annual change prediction process 6301 obtains a positive result in step S1606 by finishing predicting the number of consumers in the prediction target year for all the groups n. To do.
  • the number of consumers is predicted using an AR model as a time series model, but the number of consumers may be predicted using another time series model such as an ARMA model or an ARIMA model.
  • prediction using a time series model is performed in S1603 to S1605.
  • the number of future customers may be predicted using an extrapolation method or the like.
  • FIG. 19 is a conceptual diagram showing the processing contents of the customer number annual change prediction process.
  • the number of customers in 2011 has increased to 100, and the number of customers in 2012 has increased to 120.
  • the number-of-customers annual change prediction process 6301 captures the trend of increase in the number of houses in 2013.
  • the number of customers is estimated to be 140.
  • the customer number annual change prediction process it is possible to predict the annual change in the number of customers due to the replacement of consumers in each group, and the demand prediction accuracy is improved.
  • the customer number annual change prediction process 6301 may cause the information input / output terminal 66 to display the predicted value of the number of consumers in the prediction target year and the customer number annual change.
  • the demand mode annual change prediction process 6302 is a process for predicting a future demand mode from the transition of the past demand mode for each group.
  • the demand mode annual change prediction process 6302 selects one group n from the group information 6204A (S1701). Next, the demand mode annual change prediction process 6302 obtains the record of the feature quantity vector of the group n in a plurality of past years (S1702). Next, the demand mode annual change prediction process 6302 uses the actual result of the feature vector of the group n acquired in S1702 and uses a box jenkins method or the like to create a time series model (VAR model (Vector Autoregression model) for the feature vector of the group n. ), And the order Q of the VARMA model (Vector Autoregression Moving-Average model) is estimated (S1703). In this embodiment, a VAR model is used as the time series model.
  • VAR model Vector Autoregression model
  • VARMA model Vector Autoregression Moving-Average model
  • the demand mode annual change prediction process 6302 predicts the feature quantity vector of the future prediction target year of the group n using the time series model estimated in S1704 (S1705).
  • the demand mode annual change prediction process 6302 calculates the predicted demand mode (the predicted value of the group representative demand mode) by converting the predicted feature quantity vector of the group n into the demand mode by inverse Fourier transform (S1706). ).
  • the demand mode annual change prediction process 6302 determines whether or not the processes of steps S1702 to S1706 have been executed for all the groups n (S1707), and if a negative result is obtained, returns to step S1701. Thereafter, the demand mode annual change prediction process 6302 repeats the processes in steps S1702 to S1706 while sequentially switching the group n selected in step S1701 to another unprocessed group n.
  • step S1707 the demand mode annual change prediction process 6302 obtains a positive result in step S1707 by completing the prediction of the demand mode in the prediction target year for all the groups n.
  • the feature quantity vector is predicted using the VAR model as the time series model, but the feature quantity vector may be predicted using another time series model such as a VARMA model or a VARIMA model.
  • prediction using a time series model is performed in S1703 to S1705, but a future feature vector may be predicted using an extrapolation method or the like.
  • FIG. 21 is a conceptual diagram showing the processing contents of the demand mode annual change prediction process.
  • the demand mode of 2013 is predicted by capturing the trend of changes in the feature vector from 2011 to 2012 (the peak heights of the second and fourth peaks of the demand mode are reduced). Yes.
  • the demand mode annual change prediction process the annual change of the demand mode due to the lifestyle change can be predicted, and the demand prediction accuracy is improved.
  • the demand mode annual change prediction process 6302 causes the information input / output terminal 66 to display the predicted value of the demand mode in the prediction target year, the predicted value of the feature vector, and the annual change of the demand mode. Also good.
  • Demand mode expansion / contraction correction processing is performed by multiplying the demand mode of each group in the forecast target year estimated by the demand mode annual change prediction processing 5302 by a coefficient and adding a bias. It is processing to do.
  • the demand mode expansion / contraction correction processing 6303 selects one group n from the group information 6204A (S1801).
  • the demand mode expansion / contraction correction processing 6303 calculates a corrected demand mode by correcting the magnitude of the amplitude component of the predicted demand mode of group n by multiplying the predicted demand mode of group n by the coefficient ⁇ n ( S1802).
  • the demand mode expansion / contraction correction processing 6303 corrects the magnitude of the DC component of the corrected demand mode of group n by adding the bias ⁇ n to the corrected demand mode of group n (S1803).
  • the demand mode expansion / contraction correction processing 6303 determines whether or not the processing of steps S1802 to S1803 has been executed for all the groups n (S1804), and if a negative result is obtained, returns to step S1801. Thereafter, the demand mode expansion / contraction correction processing 6303 repeats the processing of steps S1802 to S1804 while sequentially switching the group n selected in step S1801 to another unprocessed group n.
  • step S1804 the demand mode expansion / contraction correction processing 6303 obtains a positive result in step S1804 by completing the demand mode expansion / contraction correction processing for all the groups n.
  • the demand aspect synthesizing process 6304 is a corrected demand aspect obtained by the predicted consumer number estimated by the customer number annual change prediction process 6301 and the demand aspect expansion / contraction correction process 6303 for each group. Is the process of estimating the power load curve for the future forecast year by multiplying and summing.
  • the demand mode composition process 6304 selects one group n from the group information 6204A (S1901).
  • the demand mode synthesis process 6304 multiplies the corrected demand mode of group n obtained in the demand mode expansion / contraction process 5303 and the predicted number of consumers of group n predicted by the number-of-customers annual change prediction process. The multiplication result is obtained (S1902).
  • the demand mode synthesis process 6304 determines whether or not the process of step S1902 has been executed for all the groups n (S1903), and if a negative result is obtained, the process returns to step S1901.
  • the demand mode composition process 6304 repeats the processes of steps S1902 to S1903 while sequentially switching the group n selected in step S1901 to another unprocessed group n.
  • the demand mode synthesis process 6304 adds the multiplication results of all the groups, and calculates the predicted value of the power load curve for the future forecast target year (S1904).
  • Annual demand assumed value apportioning process is the predicted value of the power load curve calculated by the demand mode composition process 6304 using the annual demand estimated value estimated in the annual demand forecasting process 6101. This is a process of estimating the demand time series of the sampling period in the forecast target year by apportioning each sample using.
  • the annual demand estimated value apportioning process 6305 can calculate the demand time series indicating the electric energy from the dimensionless power load curve (shape data indicating the shape of the time series data of the demand of the consumer set).
  • the annual demand estimated value apportioning process 6305 may display the power load curve and the demand time series on the information input / output terminal 66.
  • the parameter adjustment processing 6307 sets the prediction target year as the adjustment target year after the end of the prediction target year, acquires the actual value of the demand time series in the adjustment target year, and Coefficient ⁇ n
  • n 1, 2,..., N ⁇ and bias ⁇ n
  • n used in the demand mode expansion / contraction correction processing 6303 so as to minimize the error between the actual value and the predicted value of the demand time series. 1, 2,..., N ⁇ is adjusted (N is the number of groups). Note that the parameter adjustment process 6307 may adjust the parameters using the obtainable portion of the actual value of the demand time series in the adjustment target year during the adjustment target year.
  • the parameter adjustment process 6307 refers to the demand prediction information 6306A, and acquires a demand time series predicted value for the year to be adjusted (S2101).
  • the parameter adjustment process 6307 refers to the demand record information 6401A, and acquires the predicted value of the demand time series of the adjustment target year acquired in S2101 and the result value of the demand time series of the adjustment target year (S2102).
  • the parameter adjustment processing 6307 calculates a square error ⁇ 2 of the predicted value with respect to the actual value (S2103).
  • the parameter adjustment processing 6307 performs a square error with respect to the coefficients ⁇ n
  • n 1, 2,..., N ⁇ and biases ⁇ n
  • n 1, 2,.
  • the partial derivative of ⁇ 2 is calculated (S2104).
  • the parameter adjustment process 6307 uses the coefficient ⁇ n
  • n 1, 2,..., N ⁇ used in the demand mode expansion / contraction correction process 6303 and the bias ⁇ n
  • n 1 from the partial differential result by the steepest descent method. ,..., N ⁇ are updated (S2105).
  • the coefficient ⁇ n and the bias ⁇ n may be updated by a Lagrangian relaxation method or a neural network.
  • the coefficient and bias for the demand mode expansion / contraction correction processing 6303 can be adjusted so as to minimize the error between the actual value and the prediction value of the demand time series, and the demand mode expansion / contraction correction for the next forecast target year.
  • the prediction accuracy of the demand time series in the next forecast target year is improved.
  • the prediction accuracy of the demand time series is improved by correcting using these parameters.
  • each of the load data, the cluster representative demand mode, and the group representative demand mode indicating the fluctuation in power usage is a time domain data string, but may be a frequency domain data string.
  • the demand mode classification device 62 may not include the cluster analysis process 6201, the cluster information storage unit 6202, and the group generation process 6203.
  • the demand mode classification device 62 refers to the customer information 6001A and generates a group for each attribute such as the type of business and the contract type (the consumer whose contract type is the metered lamp B is the group G01, the time zone lamps). The customer creates a group as group G02,...
  • the prediction calculation device 63 may not include the annual demand estimated value apportioning process 6305. In this case, the prediction calculation device 63 uses the data sequence of the power load curve generated in the demand mode synthesis process 6304 as the demand time series predicted value.
  • the prediction calculation device 63 may not include the demand mode expansion / contraction correction process 6303 and the parameter adjustment process 6307. In this case, the prediction calculation device 63 multiplies the predicted demand number estimated in the demand mode annual change prediction process 6302 and the predicted demand mode estimated in the demand number annual change prediction process 6301 for each group. By adding together, a predicted value of the dimensionless power load curve is generated, and the estimated annual demand value is prorated to each sample using the generated predicted value of the dimensionless power load curve. Generate forecast values for demand time series.
  • the demand prediction system 1 estimates the total demand in the prediction target year of all consumers who have contracted with the retailer 6, and uses the estimated total demand as the predicted value of the power load curve.
  • the demand time series of the forecast target year was estimated in steps of the sampling period by apportioning using, but the total demand of consumers linked to any pole transformer was estimated and the predicted value of the power load curve was used.
  • the demand time series of the prediction target year for the pole transformer may be estimated by apportioning the estimated total demand to each sample.
  • the demand prediction system 1 estimates the demand time series of the prediction target year of the pole transformer A in FIG. 25, based on the customer information 6001A, among the consumers shown in the customer information 6001A, Among the customers # 1 to # 20 linked to the pole transformer A, the customer having the smart meter is identified as the customer set, the load data of the customer set is acquired, and the acquired load data Based on the above, the consumer set is classified into a plurality of groups, the annual change in the number of consumers and the demand mode is predicted for each classified group, and the power load curve of the pole transformer A is calculated by multiplying each.
  • the forecast target year for the pole transformer A is calculated by dividing the total demand (the total demand of customer # 1 to customer # 20) into each sample using the forecast value of the power load curve. To estimate the demand time series.
  • the demand prediction system 1 estimates the maximum demand that is the sum of demands using any pole transformer, and distributes the predicted value of the power load curve to each sample according to the estimated maximum demand.
  • the demand time series of the sampling target for the prediction target year for the pole transformer may be estimated.
  • the demand prediction system 1 is configured such that the demand time series of the future prediction target year (the power for each sampling period in the prediction target year) from the past demand time series (the actual power amount for each sampling period) of the equipment related to power supply. (Predicted amount) may be predicted.
  • the past demand time series of facilities related to power supply may be the amount of power sent from the distribution substation for each sampling cycle, or the amount of power passing through any pole transformer for each sampling cycle. Good.
  • the demand prediction system 1 includes the actual power amount ⁇ D t
  • t 1, 2,..., T ⁇ (solid line in FIG. 26) for each sampling period passing through an arbitrary pole transformer and the demand mode of each group.
  • t 1, 2,.
  • n used for correction that calculates an estimation error E (shaded portion in FIG. 26) and expands / contracts the demand mode (multiply / divide / add / subtract the demand mode data) so as to minimize the estimation error E.
  • the demand forecasting system 1 uses the coefficient ⁇ n and the bias ⁇ n and the amplitude of the demand mode ⁇ L n, t
  • t 1, 2,..., T ⁇ of each group. And the DC component are corrected and summed to calculate a power estimation amount ⁇ De t
  • t 1, 2,..., T ⁇ .
  • the prediction arithmetic device 63 selects an arbitrary pole transformer, refers to the demand record information 6401A, and acquires the actual power amount D t for each time passing through the pole transformer in the year to be adjusted (S2201). ).
  • the prediction arithmetic device 63 refers to the group information 6204A and acquires the demand mode L n, t of each group (S2202).
  • the group information 6204A is generated using the load data of the consumer who has the smart meter among the consumers linked to the transformer.
  • the predictive calculation device 63 calculates the power estimation amount De t by correcting the demand mode of each group acquired in S2202 using the coefficient ⁇ n and the bias ⁇ n and adding them up. (S2203).
  • the power estimation amount De t is obtained by the following equation.
  • De is represented by adding a ⁇ symbol on D.
  • the prediction calculation unit 63 calculates the estimated error E using the actual power quantity D t and the power estimator De t (S2204).
  • the estimation error E is obtained by the following equation.
  • the prediction calculation unit 63 calculates the partial differential of the estimated error E relates coefficient alpha n and bias beta n, updating the coefficients alpha n and bias beta n by steepest descent method or Lagrange relaxation method or a neural network (S2205 ).
  • the prediction calculation device 63 demands the group ⁇ Demand, Le n, t
  • t 1, 2,. ⁇ , And after correcting these demand modes using the coefficient ⁇ n and the bias ⁇ n updated in S2205, the predicted power amount for each sampling period of the pole transformer in the prediction target year ⁇ d t
  • t 1, 2,..., T ⁇ is calculated (S2206).
  • the predicted power amount dt is obtained by the following equation.
  • Le is represented by adding a ⁇ symbol on L.
  • the demand mode is corrected so as to minimize the estimation error between the actual power amount for each time passing through any pole transformer and the estimated power amount obtained by correcting the demand mode of each group. Can adjust the coefficient and bias used to improve demand forecasting accuracy.
  • the demand may be demand for resources such as gas, negative wattage, water, hot / cold water, passenger transport vehicles, freight transport vehicles, services, goods, etc., and the equipment control terminal 20 (meter) It is implemented by using a meter, a water purification meter, a sewage meter, a water meter, a taxi meter, a travel recording meter, and a POS (point of sale) device.
  • resources such as gas, negative wattage, water, hot / cold water, passenger transport vehicles, freight transport vehicles, services, goods, etc.
  • the equipment control terminal 20 meter It is implemented by using a meter, a water purification meter, a sewage meter, a water meter, a taxi meter, a travel recording meter, and a POS (point of sale) device.
  • the demand prediction system corresponds to the prediction calculation device 63, the demand mode classification device 62, the annual demand assumption device 61, and the like.
  • the storage devices correspond to the storage units 613, 623, 633, the memories 612, 622, 632, and the like.
  • the display device corresponds to the information input / output terminal 66 and the like.
  • the demand mode data corresponds to a demand mode, a feature vector, and the like.
  • the shape data corresponds to a power load curve or the like.
  • the accumulated demand corresponds to total demand, total demand, and the like.
  • the demand time series data corresponds to the demand time series and the like.
  • the first parameter corresponds to the coefficient ⁇ n and the like.
  • the second parameter corresponds to the bias ⁇ n and the like.
  • the representative feature quantity vector corresponds to a feature quantity vector or the like of the group representative demand mode.
  • the factor data corresponds to weather information, economic information, customer information, and the like.
  • SYMBOLS 1 ... Demand prediction system, 2 ... Consumer, 3 ... Economic information manager, 4 ... Weather information manager, 5 ... Transmission / distribution company, 6 ... Retailer, 7 ... Network, 20 ... Equipment control terminal, 30 ... Economic information distribution terminal, 40 ... Weather information distribution terminal, 50 ... Meter data management device, 60 ... Consumer information management device, 61 ... Annual demand assumption device, 62 ... Demand mode classification device, 63 ... Forecast calculation device, 64 ... Demand Results management device, 65 ... Demand predicted value utilization device, 66 ... Information input / output terminal

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

将来の需要の予測精度を向上させる。 需要予測システムは、記憶デバイスと、記憶デバイスに接続されるプロセッサと、を備える。プロセッサは、需要家集合内の複数の需要家の夫々による資源の需要の時系列データであるロードデータが、複数のグループに対応付けられ、記憶デバイスは、各グループ内のロードデータを代表する形状を示す需要態様データと、各グループに属する需要家数とを、取得し、各グループの需要態様データの実績値と、各グループの需要家数の実績値とに基づいて、予め設定された予測対象期間における需要家集合の需要の時系列データの形状を示す形状データを算出する、ように構成されている。

Description

需要予測システム及び需要予測方法
　本発明は、需要予測システムに関する。
　資源（電力、ガス、ネガワット、水、温冷水、及び旅客輸送用車両、貨物輸送用車両、役務、物品）の供給にあたっては資源の需要を予測することが要求される。例えば、発送電分離に向けた電力会社の再編に伴い、電力会社の経営効率化に向けた電力販売ソリューションが求められている。電力販売では発電所との相対契約（容量確保）の適正化のため中長期の需要予測が要求される。
　例えば、特許文献１には、契約種別や業種等により分類された需要家タイプごとに基準負荷パターンを作成し、各需要家タイプの月間使用量に合わせて基準負荷パターンを拡大縮小させることで、需要家タイプごとの電力負荷を予測する電力負荷推定方法が開示されている。
特開２００４－３２０９６３号公報
　ところが、特許文献１に開示の電力負荷推定方法では、契約種別や業種が同一の需要家は需要態様も類似することを前提としているが、契約種別や業種が同じでも需要態様が異なることがあり需要タイプごとの電力負荷を精度良く予測できないため、中長期の需要を精度良く予測することができない。
　上記課題を解決するために、本発明の一態様である需要予測システムは、記憶デバイスと、前記記憶デバイスに接続されるプロセッサと、を備える。前記プロセッサは、需要家集合内の複数の需要家の夫々による資源の需要の時系列データであるロードデータが、複数のグループに対応付けられ、前記記憶デバイスは、各グループ内のロードデータを代表する形状を示す需要態様データと、各グループに属する需要家数とを、取得し、各グループの需要態様データの実績値と、各グループの需要家数の実績値とに基づいて、予め設定された予測対象期間における前記需要家集合の需要の時系列データの形状を示す形状データを算出する、ように構成されている。
　本発明によれば、将来の需要の予測精度を向上させることができる。
需要予測システムの全体構成図である。 年間需要想定装置の概略構成を示すブロック図である。 需要態様分類装置の概略構成を示すブロック図である。 予測演算装置の概略構成を示すブロック図である。 需要予測システムにおいて実行される一連の処理の流れを示すブロック図である。 メータデータ情報の概略構成を示す概念図である。 需要家情報の概略構成を示す概念図である。 クラスタ情報の概略構成を示す概念図である。 グループ情報の概略構成を示す概念図である。 年間需要想定処理の処理手順を示すフローチャートである。 クラスタ分析処理の処理手順を示すフローチャートである。 分類処理の処理手順を示すフローチャートである。 クラスタ数妥当性評価値算出処理の処理手順を示すフローチャートである。 最適クラスタ数決定処理の処理手順を示すフローチャートである。 最適クラスタ数決定処理の説明に供する特性曲線図である。 グループ生成処理の処理手順を示すフローチャートである。 グループ生成処理の説明に供する概念図である。 需要家数年次変化予測処理の処理手順を示すフローチャートである。 需要家数年次変化予測処理の説明に供する概念図である。 需要態様年次変化予測処理の処理手順を示すフローチャートである。 需要態様年次変化予測処理の説明に供する概念図である。 需要態様伸縮補正処理の処理手順を示すフローチャートである。 需要態様合成処理の処理手順を示すフローチャートである。 パラメータ調整処理の処理手順を示すフローチャートである。 柱上トランスごとの需要予測の説明に供する概念図である。 柱上トランスごとの電力実績量と電力推定量との推定誤差を表す概念図である。 需要態様伸縮補正処理の説明に供する概念図である。 電力予測量の算出の処理手順を示すフローチャートである。
　以下図面について、本発明の一実施の形態を詳述する。
（１）全体構成
　図１に、本実施の形態における需要予測システム１の全体構成を示す。需要予測システム１は、需要家２の設備制御端末２０と、経済情報管理者３の経済情報配信端末３０と、気象情報管理者４の気象情報配信端末４０と、送配電事業者５のメータデータ管理装置５０と、小売事業者６の、需要家情報管理装置６０、年間需要想定装置６１、需要態様分類装置６２、予測演算装置６３、需要実績管理装置６４、需要予測値利用装置６５、及び情報入出力端末６６とがネットワーク７を介して接続されることにより構成される。小売事業者６の需要家情報管理装置６０、年間需要想定装置６１、需要態様分類装置６２、予測演算装置６３、需要実績管理装置６４、需要予測値利用装置６５、及び情報入出力端末６６は、ネットワーク６７を介してネットワーク７に接続されている。
　需要家２の設備制御端末２０は、例えばスマートメータ（小売事業者６のための電力量計や、需要家２が独自に設置した電力量計など）から構成される。以下の説明において、設備制御端末２０をメータと呼ぶことがある。設備制御端末２０は、需要家２の電力使用量を計測し、計測結果をメータデータとして送配電事業者５のメータデータ管理装置５０に送信する。メータデータは、予め設定されたサンプリング周期（例えば３０分）毎のサンプルを含む。サンプルは、電力使用量の積算値であってもよいし、サンプリング周期毎の積算値の差分であってもよい。また、サンプルは、一つのサンプリング周期内の最大電力や平均電力であってもよい。
　経済情報管理者３の経済情報配信端末３０は、ＧＤＰ（Gross Domestic Product）やＩＩＰ（Indices of Industrial Production）などの経済情報を配信する機能を有するサーバ装置である。
　気象情報管理者４の気象情報配信端末４０は、平均気温や最高気温などの気象情報を配信する機能を有するサーバ装置である。
　送配電事業者５のメータデータ管理装置５０は、各需要家２の設備制御端末２０から送信されるメータデータを蓄積及び管理する機能を有するサーバ装置である。そしてメータデータ管理装置５０は、蓄積した各需要家２のメータデータのうち、計測期間のデータをロードデータとして、定期的に小売事業者６の需要態様分類装置６２に送信する。計測期間は、計測周期毎に区切られた期間の１つである。計測周期は例えば、１年であり、計測期間は例えば、年度である。なお、計測周期は、３ヶ月、１ヶ月等、他の時間長であってもよい。計測期間は、年、季節、月等、他の区切りで設定されてもよい。なお、需要態様分類装置６２は、メータデータ管理装置５０に対し、計測期間を指定してロードデータを要求することで、メータデータ管理装置５０からロードデータを取得してもよい。将来の計測周期の長さを有する期間が、予測対象期間として設定される。例えば、最新の計測期間の次の計測周期の長さを有する期間が、予測対象期間として設定される。
　小売事業者６の需要家情報管理装置６０は、各需要家２の属性情報を蓄積及び管理する機能を有するサーバ装置である。属性情報は、各需要家２の契約名義、所在地、業種、契約種別などを含む。また、属性情報は、各需要家２のスマートメータを識別するためのメータＩＤを含む。或る需要家に対して、小売事業者６により設置された電力量計と、当該需要家により設置された電力量計とのように、複数のスマートメータが設置されている場合は、当該需要家に対して複数のメータＩＤを関連付ける。
　小売事業者６の年間需要想定装置６１は、需要実績管理装置６４から受信した需要実績情報と、経済情報配信端末３０から受信した経済情報と、気象情報配信端末４０から受信した気象情報に基づいて、予測対象年度（予測対象期間）の総需要を推定する機能を有するコンピュータ装置である。なお、経済情報は、経済情報配信端末３０以外の装置に格納されて年間需要想定装置６１により取得されてもよい。また、気象情報は、気象情報配信端末４０以外の装置に格納されて年間需要想定装置６１により取得されてもよい。
　小売事業者６の需要態様分類装置６２は、メータデータ管理装置５０から受信した各需要家のロードデータに基づいて、需要家を幾つかのグループに分類し、グループごとに代表的なロードデータの形状を表す需要態様を算出する機能を有するコンピュータ装置である。なお、ロードデータは、メータデータ管理装置５０以外の装置に格納されて需要態様分類装置６２により取得されてもよい。
　小売事業者６の予測演算装置６３は、需要態様分類装置６２で分類されたグループごとに需要家数と需要態様の年次変化を予測し、各々掛合せ合算することで将来の電力使用量の推移を表す電力負荷曲線を推定し、推定した電力負荷曲線を用いて、年間需要想定装置６１で推定した予測対象年度の総需要を各サンプルに按分することで、予測対象年度のサンプリング周期（例えば３０分）刻みの需要時系列を推定する機能を有するコンピュータ装置である。
　小売事業者６の需要実績管理装置６４は、需要の実績値を蓄積、管理する機能を有するコンピュータ装置である。
　小売事業者６の需要予測値利用装置６５は、予測演算装置６３で推定された予測対象年度の需要時系列に基づいて、太陽光発電シミュレーションや収支シミュレーションなどを行う機能を有するコンピュータ装置である。
　小売事業者６の情報入出力端末６６は、例えばパーソナルコンピュータであり、処理デバイスと通信デバイスと入力デバイスと表示デバイスとを含む。この情報入出力端末６６は、小売事業者６が年間需要想定、需要態様分類、及び予測演算に必要な情報を入力する際や、それぞれの処理結果を確認する際などに利用される。
（２）内部構成
　図２に、小売事業者６の年間需要想定装置６１の概略構成を示す。図２に示すように、年間需要想定装置６１は、内部バス６１０を介して相互に接続されたＣＰＵ６１１、メモリ６１２、記憶部６１３、通信部６１４を含む。
　ＣＰＵ６１１は、年間需要想定装置６１の動作制御を司るプロセッサである。またメモリ６１２は、主として各種プログラムやデータを一時的に記憶するために利用される。後述する年間需要想定処理６１０１のプログラムもこのメモリ６１２に格納されて保持される。
　記憶部６１３は、例えばハードディスク装置を含み、プログラムやデータを長期間保持するために利用される。後述する年間需要想定情報記憶部６１０２は、この記憶部６１３に格納されて保持される。なお、記憶部６１３は、経済情報配信端末３０、気象情報配信端末４０、情報入出力端末６６等から受信したデータを記憶してもよい。
　通信部６１４は、ネットワーク６７を介した、需要家情報管理装置６０、需要態様分類装置６２、予測演算装置６３、需要実績管理装置６４、需要予測値利用装置６５、及び情報入出力端末６６との通信時におけるプロトコル制御を行う。
　図３に、小売事業者６の需要態様分類装置６２の概略構成を示す。図３に示すように、需要態様分類装置６２は、内部バス６２０を介して相互に接続されたＣＰＵ６２１、メモリ６２２、記憶部６２３、通信部６２４を含む。
　ＣＰＵ６２１は、需要態様分類装置６２の動作制御を司るプロセッサである。またメモリ６２２は、主として各種プログラムやデータを一時的に記憶するために利用される。後述するクラスタ分析処理６２０１、及びグループ生成処理６２０３もこのメモリ６２２に格納されて保持される。
　記憶部６２３は、例えばハードディスク装置を含み、プログラムやデータを長期間保持するために利用される。後述するクラスタ情報記憶部６２０２、及びグループ情報記憶部６２０４のプログラムは、この記憶部６２３に格納されて保持される。
　通信部６２４は、ネットワーク６７を介した、需要家情報管理装置６０、年間需要想定装置６１、予測演算装置６３、需要実績管理装置６４、需要予測値利用装置６５、及び情報入出力端末６６との通信時におけるプロトコル制御を行う。
　図４に、小売事業者６の予測演算装置６３の概略構成を示す。図４に示すように、予測演算装置６３は、内部バス６３０を介して相互に接続されたＣＰＵ６３１、メモリ６３２、記憶部６３３、通信部６３４を含む。
　ＣＰＵ６３１は、予測演算装置６３の動作制御を司るプロセッサである。またメモリ６３２は、主として各種プログラムやデータを一時的に記憶するために利用される。後述する需要家数年次変化予測処理６３０１、需要態様年次変化予測処理６３０２、需要態様伸縮補正処理６３０３、需要態様合成処理６３０４、年間需要想定値按分処理６３０５、及びパラメータ調整処理６３０７のプログラムもこのメモリ６３２に格納されて保持される。
　記憶部６３３は、例えばハードディスク装置を含み、プログラムやデータを長期間保持するために利用される。後述する需要予測情報記憶部６３０６のプログラムは、この記憶部６３３に格納されて保持される。
　通信部６３４は、ネットワーク６７を介した、需要家情報管理装置６０、年間需要想定装置６１、需要態様分類装置６２、需要実績管理装置６４、需要予測値利用装置６５、及び情報入出力端末６６との通信時におけるプロトコル制御を行う。
　なお、小売事業者６の複数の装置の何れかが一つの装置であってもよい。小売事業者６の装置の中の機能が別の装置に含まれていてもよい。また、小売事業者６が、送配電事業者５の装置を含んでいてもよい。需要予測システム１が一部の装置を含まなくてもよい。
　各プログラムは、計算機が読み取り可能な記録媒体から対応する計算機にインストールされてもよい。
（３）本需要予測システムにおける処理の流れ
　続いて図５を参照して、本実施の形態における需要予測システム１における処理の流れを説明する。
　年間需要想定装置６１は、年間需要想定処理６１０１、及び年間需要想定情報記憶部６１０２を含む。需要態様分類装置６２は、クラスタ分析処理６２０１、クラスタ情報記憶部６２０２、グループ生成処理６２０３、及びグループ情報記憶部６２０４を含む。予測演算装置６３は、需要家数年次変化予測処理６３０１、需要態様年次変化予測処理６３０２、需要態様伸縮補正処理６３０３、需要態様合成処理６３０４、年間需要想定値按分処理６３０５、需要予測情報記憶部６３０６、及びパラメータ調整処理６３０７を含む。年間需要想定情報記憶部６１０２は、年間需要想定情報６１０２Ａを格納する。クラスタ情報記憶部６２０２は、クラスタ情報６２０２Ａを格納する。グループ情報記憶部６２０４は、グループ情報６２０４Ａを格納する。需要予測情報記憶部６３０６は、需要予測情報６３０６Ａを格納する。
　年間需要想定処理６１０１は、需要実績管理装置６４から受信した需要実績情報６４０１Ａと経済情報配信端末３０から受信した経済情報３００１Ａと気象情報配信端末４０から受信した気象情報４００１Ａと需要家情報管理装置６０から受信した需要家情報６００１Ａに基づいて、年間需要想定情報６１０２Ａを生成する。
　クラスタ分析処理６２０１は、メータデータ管理装置５０から受信した各需要家２のロードデータに基づいて、クラスタ情報６２０２Ａを生成する。クラスタ情報６２０２Ａは、各クラスタを識別するクラスタＩＤ、対応するクラスタに関する情報項目名、対応するクラスタに関する情報項目の値を含む。
　グループ生成処理６２０３は、クラスタ情報６２０２Ａに基づきグループ情報６２０４Ａを生成する。グループ情報６２０４Ａは、各グループを識別するグループＩＤ、対応するグループに関する情報項目名、対応するグループに関する情報項目の値を含む。
　需要家数年次変化予測処理６３０１は、グループ情報６２０４Ａに基づいて、各グループの将来の需要家数を予測する。
　需要態様年次変化予測処理６３０２は、グループ情報６２０４Ａに基づいて、各グループの将来の需要態様を予測する。
　需要態様伸縮補正処理６３０３は、需要態様年次変化予測処理６３０２で推定された各グループの将来の需要態様と予め設定されたパラメータに基づいて、各グループの需要態様の振幅成分及び直流成分（振幅の中心となる値）を補正する。
　需要態様合成処理６３０４は、需要家数年次変化予測処理６３０１で予測された各グループの将来の需要家数と需要態様伸縮補正処理６３０３で補正された各グループの将来の需要態様に基づいて、各グループの需要態様と需要家数を掛合せ合算することで将来の電力使用量の推移を表す電力負荷曲線を推定する。
　年間需要想定値按分処理６３０５は、年間需要想定処理６１０１で推定された年間需要想定値を、需要態様合成処理で推定された電力負荷曲線を用いて各サンプルに按分することで、予測対象年度のサンプリング周期刻みの需要時系列を推定する。
　パラメータ調整処理６３０７は、需要実績管理装置６４から受信した需要実績情報６４０１Ａと需要予測情報６３０６Ａに基づいて、需要態様伸縮補正処理６３０３で用いるパラメータを補正する。
（４）各データベースの詳細
　図６は、メータデータ情報５００１Ａの概念図を示す。メータデータ情報５００１Ａは、メータデータ情報を管理するために利用されるテーブルである。具体的にメータデータ情報５００１Ａは、メータ毎のエントリを有する。一つのメータのエントリは、メータＩＤ欄５００１Ａ１、メータデータ欄５００１Ａ２を含む。
　メータＩＤ欄５００１Ａ１には、メータの識別番号であるメータＩＤが格納される。メータデータ欄５００１Ａ２には、対応するメータにより計測されたメータデータが格納される。
　図６の例において、メータＩＤが「Ｍ０００００１」のメータについては、メータデータが「｛０．１ｋＷｈ、０．２ｋＷｈ、…、０．１ｋＷｈ｝」であることが示されている。メータデータは、サンプリング周期毎のサンプルを有するデータ列である。
　図７は、需要家情報６００１Ａの概念図を示す。需要家情報６００１Ａは、需要家情報を管理するために利用されるテーブルである。具体的には需要家情報６００１Ａは、需要家毎のエントリを有する。一つの需要家のエントリは、需要家ＩＤ欄６００１Ａ１、契約名義欄６００１Ａ２、所在地欄６００１Ａ３、業種欄６００１Ａ４、契約種別欄６００１Ａ５、メータＩＤ欄６００１Ａ６を含む。
　需要家ＩＤ欄６００１Ａ１には、需要家の識別番号である需要家ＩＤが格納される。契約名義欄６００１Ａ２には、対応する需要家の契約名義が格納される。所在地欄６００１Ａ３には、対応する需要家の所在地が格納される。業種欄６００１Ａ４には、対応する需要家の業種が格納される。契約種別欄６００１Ａ５には、対応する需要家の契約種別が格納される。メータＩＤ欄６００１Ａ６には、対応する需要家のメータＩＤが格納される。
　図７の例において、需要家ＩＤが「Ｃ０００００１」の需要家については、契約名義が「鈴木太郎」、所在地が「東京都千代田区」、業種が「家庭」、契約種別が「従量電灯Ｂ」、メータＩＤが「Ｍ０１８７０４」であることが示されている。なお、エントリは、上記に限定されるものではなく、保有設備や家族構成などの情報を含んでも良い。
　なお、一つの需要家のエントリは、その需要家の設備が連系する配電設備のＩＤを示していてもよい。例えば、配電設備のＩＤは、需要家の設備が連系する柱上トランスを示す。
　図８は、クラスタ情報６２０２Ａの概念図を示す。クラスタ情報６２０２Ａは、クラスタ分析処理６２０１によって作成される情報である。クラスタ情報６２０２Ａは、クラスタ情報を管理するために利用されるテーブルである。具体的にクラスタ情報６２０２Ａは、需要家のロードデータの特徴に基づいて分類されたクラスタ毎のエントリを有する。一つのクラスタのエントリは、年度欄６２０１Ａ１、クラスタＩＤ欄６２０２Ａ２、項目欄６２０２Ａ３、値欄６２０２Ａ４を含む。
　年度欄６２０２Ａ１には、年度が格納される。クラスタＩＤ欄６２０２Ａ２には、クラスタの識別番号であるクラスタＩＤが格納される。項目欄６２０２Ａ３には、対応するクラスタに関する各情報の項目名（「クラスタ代表需要態様」、「クラスタ所属需要家数」、「クラスタ所属需要家ＩＤリスト」）が格納される。値欄６２０２Ａ４には、対応するクラスタに関する各情報の項目の値が格納される。
　クラスタ代表需要態様は、対応するクラスタの代表的なロードデータの形状を表す需要態様である。クラスタ所属需要家数は、当該クラスタに所属する需要家の数である。クラスタ所属需要家ＩＤリストは、当該クラスタに所属する需要家の需要家ＩＤの集合である。
　図８の例において、クラスタＩＤとして「２０１０－１」が付与されたクラスタについては、クラスタ代表需要態様が「｛０．３、０．２、…、０．３｝」、クラスタ所属需要家数が「２００」、クラスタ所属需要家ＩＤリストが「｛Ｃ０００００１、Ｃ０００００６、…、Ｃ１２５４１７｝」であることが示されている。クラスタ代表需要態様は、ロードデータと同様、サンプリング周期毎のサンプルを有し計測周期の長さを有し需要の時間変化を示すデータ列である。
　図９は、グループ情報６２０４Ａの概念図を示す。グループ情報６２０４Ａは、グループ生成処理６２０３によって作成される情報である。グループ情報６２０４Ａは、グループ情報を管理するために利用されるテーブルである。具体的にグループ情報６２０４Ａは、グループ毎のエントリを有する。一つのグループのエントリは、グループＩＤ欄６２０４Ａ１、年度欄６２０４Ａ２、項目欄６２０４Ａ３、値欄６２０４Ａ４を含む。
　グループＩＤ欄６２０４Ａ１には、グループの識別番号であるグループＩＤが格納される。年度欄６２０４Ａ２には、年度が格納される。項目欄６２０４Ａ３には、対応するグループに関する各情報の項目名（「グループ代表需要態様」、「グループ所属需要家数」、及び「グループ所属クラスタＩＤリスト」）が格納される。
　グループ代表需要態様は、対応するグループの代表的なロードデータの形状を表す需要態様である。グループ代表需要態様は、当該グループに所属するクラスタのクラスタ代表需要態様の平均であってもよいし、当該グループクラスタに所属する任意のクラスタのクラスタ代表需要態様であってもよい。グループ所属需要家数は、当該グループに所属する需要家の数である。グループ所属クラスタＩＤリストは、当該グループに所属するクラスタのクラスタＩＤの集合である。値欄６２０４Ａ４には、対応するグループに関する各情報の項目の値が格納される。
　図９の例において、グループＩＤとして「Ｇ０１」が付与されたグループの２０１０年度のグループ代表需要態様が「｛０．３、０．３、…、０．１｝」、グループ所属需要家数が「３２０」、グループ所属クラスタＩＤリストが「｛２０１０－１、２０１０－６、…、２０１０－２１｝」であることが示されている。グループ代表需要態様は、ロードデータと同様、サンプリング周期毎のサンプルを有し計測周期の長さを有し需要の時間変化を示すデータ列である。
（５）各処理フローの詳細
　図１０以降の図を用いて、上述の小売事業者６の年間需要想定装置６１、需要態様分類装置６２、及び予測演算装置６３において実行される各処理の具体的な処理内容について説明する。なお、年間需要想定装置６１における各処理は、メモリ６１２に格納されるプログラムであり、ＣＰＵ６１１により実行される。また、需要態様分類装置６２における各処理は、メモリ６２２に格納されるプログラムであり、ＣＰＵ６２１により実行される。また、予測演算装置６３における各処理は、メモリ６３２に格納されるプログラムであり、ＣＰＵ６３１により実行される。
（５－１）年間需要想定処理
　年間需要想定処理６１０１は、過去の或る年度を基準年度とし、基準年度の全需要家の総需要に対して、気温影響、経済影響、節電影響、離脱影響のうちいずれか１つ以上の要因を考慮して算出した需要増減の見込み値を加算することで、将来の予測対象年度の総需要を推定する処理である。
　本処理の一例を、図１０のフローチャートを用いて説明する。
　まず、年間需要想定処理６１０１は、基準年度を１つ選択し、当該年度の需要実績情報、気象情報、経済情報、需要家情報を取得する（Ｓ１００１）。ここで、需要実績情報には当該年度の総需要や節電実績などが含まれる。また、気象情報には当該年度の平均気温や最高気温などが含まれる。また、経済情報には当該年度のＧＤＰやＩＩＰなどが含まれる。また、需要家情報には、当該年度における各需要家の節電継続率などが含まれる。次いで、年間需要想定処理６１０１は、予測対象年度の気象情報、経済情報、需要家情報を取得する（Ｓ１００２）。次いで、年間需要想定処理６１０１は、気温影響による需要増減の見込み値を算出する（Ｓ１００３）。気温影響による需要増減の見込み値は、例えば、Ｓ１００１で取得した基準年度の平均気温とＳ１００２で取得した予測対象年度の平均気温の差分値に予め設定した係数を乗算することにより求められる。次いで、年間需要想定処理６１０１は、経済影響による需要増減の見込み値を算出する（Ｓ１００４）。経済影響による需要増減の見込み値は、例えば、基準年度のＧＤＰと予測対象年度のＧＤＰの差分値に予め設定した係数を乗算することにより求められる。次いで、年間需要想定処理６１０１は、節電影響による需要増減の見込み値を算出する（Ｓ１００５）。節電影響による需要増減の見込み値は、例えば、Ｓ１００１で取得した基準年度の節電実績にＳ１００２で取得した予測対象年度の節電継続率を乗算することにより求められる。次いで、年間需要想定処理６１０１は、離脱影響による需要増減の見込み値を算出する（Ｓ１００６）。離脱影響による需要増減の見込み値は、例えば、他事業者に契約を切り替えた需要家数に予め設定した係数を乗算することにより求められる。次いで、年間需要想定処理６１０１は、Ｓ１００３～Ｓ１００６で算出した気温影響、経済影響、節電影響、離脱影響による需要増減の見込み値を、Ｓ１００１で取得した基準年度の総需要の実績値に加算することで、予測対象年度の総需要の予測値である年間需要想定値を算出する（Ｓ１００７）。
　本実施の形態では、気温影響、経済影響、節電影響、離脱影響の全ての要因を用いて年間需要想定値を算出したが、いずれか１つ、２つ、または３つの要因を用いて年間需要想定値を算出してもよい。また、気温影響、経済影響、節電影響、離脱影響以外の要因を用いて需要増減の見込み値を算出し、年間需要想定値を算出してもよい。
　この処理によれば、年間需要想定処理６１０１は、気温影響、経済影響、節電影響、離脱影響を考慮して、予測対象年度の総需要を予測することができる。
（５－２）クラスタ分析処理
　クラスタ分析処理６２０１は、各需要家２をロードデータの形状に基づいて幾つかのクラスタに分類し、各クラスタを代表するロードデータの形状を表すクラスタ代表需要態様を算出する処理である。
　本処理の一例を、図１１のフローチャートを用いて説明する。
　クラスタ分析処理６２０１は、送配電事業者５のメータデータ管理装置５０から、各需要家２の需要家ＩＤに関連付けられたメータＩＤのロードデータを取得し、取得したロードデータに基づいて、当該需要家ＩＤに対応するロードデータを取得すると、この図１１に示す処理を開始する。
　まず、ステップＳ１１０１にてクラスタ分析処理６２０１は、このとき取得したＭ（Ｍは需要家２の数）個のロードデータをＫ（Ｋ＝１～Ｍ）個のクラスタにそれぞれ分類した場合の、各クラスタのクラスタ中心の集合であるクラスタ中心集合｛Ｃｋ：ｋ=１，２，…，Ｋ｝を求める、分類処理を実行する。具体的には、クラスタ分析処理６２０１は、k-means法により、全需要家のロードデータを１個のクラスタに分類した場合のそのクラスタのクラスタ中心集合｛Ｃ１｝、かかるロードデータを２個のクラスタに分類した場合の各クラスタのクラスタ中心集合｛Ｃ１，Ｃ２｝、かかるロードデータを３個のクラスタに分類した場合の各クラスタのクラスタ中心集合｛Ｃ１，Ｃ２，Ｃ３｝、…のように、クラスタ数Ｋを順次１個からＭ個まで変化させながら、Ｍ個のロードデータをＫ個のクラスタに振り分け、Ｋに対応するクラスタ中心集合｛Ｃｋ｝を求める。
　次いで、ステップＳ１１０２にてクラスタ分析処理６２０１は、上述のステップＳ１１０１の処理結果に基づいて、クラスタ数Ｋをいずれにするのが妥当かを評価するための値（以下、これを妥当性評価値と呼ぶ）を算出するクラスタ数妥当性評価値算出処理を実行する。本実施の形態の場合、クラスタ分析処理６２０１は、かかる妥当性評価値として、個々のクラスタ内におけるロードデータのまとまり度合いを表すクラスタ内適合度と、クラスタ同士の分離の度合いを表すクラスタ間平均分離度とを算出する。
　最後に、ステップＳ１１０３にてクラスタ分析処理６２０１は、ステップＳ１１０２で算出したクラスタ内適合度及びクラスタ間平均分離度に基づいて、最適なクラスタ数を決定する、最適クラスタ数決定処理を実行する。
　以上の処理により、各需要家２のロードデータが適切な数のクラスタに分類される。
　また、クラスタ分析処理６２０１は、メータデータ情報５００１Ａから得られる特定の期間内の各年度のロードデータに対して以上の処理を実行することにより、各年度のクラスタを算出する。
（５－２－１）分類処理
　図１２は、上述したクラスタ分析処理６２０１のステップＳ１１０１において実行される分類処理の具体的な処理内容を示す。
　まず、クラスタ分析処理６２０１は、クラスタ数Ｋを１～Ｍのうちいずれか１つと仮定し（Ｓ１２０１）、そのときのクラスタ中心集合｛Ｃｋ：ｋ＝１，２，…，Ｋ｝の初期値をそれぞれ設定する（Ｓ１２０２）。この初期値は、どのような値でも良く、例えば、以前の分類処理の実行結果を適用することができる。次いで、クラスタ分析処理６２０１は、各需要家ｍ｛ｍ＝１，２，…，Ｍ｝の特定の年度のロードデータを取得し、取得したロードデータをそれぞれ正規化することで正規化ロードデータを生成する（Ｓ１２０３）。本実施の形態においてクラスタ分析処理６２０１は、正規化ロードデータの平均が０になり、且つ正規化ロードデータの標準偏差が１になるように正規化を行う。ロードデータを正規化することにより、ロードデータの大きさの影響を受けずに、形状が類似するロードデータをクラスタとして集めることができる。次いで、各需要家の正規化ロードデータを周波数解析することで特徴量ベクトルＳｍを算出する（Ｓ１２０４）。正規化ロードデータは、時間、日、週、年等の多くの周期の成分を含む。本実施の形態においてクラスタ分析処理６２０１は、正規化ロードデータの周期性を用いて分類するために、各需要家ｍの正規化ロードデータをそれぞれ離散フーリエ変換した結果を、その需要家ｍの特徴量ベクトルＳｍとする。また、上述の特徴量ベクトルＳｍは各需要家ｍのロードデータの特徴を示す情報であれば離散フーリエ変換した結果以外の情報でも良く、正規化ロードデータの時系列データそのものでも良いし、ロードデータの平均値と最大値と最小値の組み合わせなどのロードデータの統計情報でも良い。また、Ｓ１２０３で正規化を行わず、各需要家のロードデータをそのまま周波数解析することで特徴量ベクトルＳｍを算出しても良い。次いで、クラスタ分析処理６２０１は、全需要家の中から未処理の一人の需要家ｍを選択する（Ｓ１２０５）。そして、クラスタ分析処理６２０１は、その需要家ｍについて、各クラスタ中心と、その需要家ｍの特徴量ベクトルＳｍとの間のユークリッド距離を算出する。そして、クラスタ分析処理６２０１は、需要家ｍの特徴量ベクトルＳｍに対して、最も近傍のクラスタｋ（特徴量ベクトルＳｍからのユークリッド距離が最小であるクラスタ中心Ｃｋを持つクラスタｋ）を特定し、クラスタｋに所属する需要家のＩＤリスト（以下、クラスタ所属需要家ＩＤリストと呼ぶ）Ｘｋに、需要家ｍの需要家ＩＤを登録する（Ｓ１２０６）。
　次いで、クラスタ分析処理６２０１は、すべての需要家ｍについてステップＳ１２０５の処理を実行し終えたか否かを判定し（Ｓ１２０７）、否定結果を得るとステップＳ１２０５に戻る。そして、この後、クラスタ分析処理６２０１は、ステップＳ１２０５において選択する需要家ｍを未処理の他の需要家ｍに順次切り替えながら、ステップＳ１２０６～ステップＳ１２０７の処理を繰り返す。以後、Ｋ個のクラスタにそれぞれ対応するＫ個のクラスタ所属需要家ＩＤリストＸｋの集合を、クラスタ所属需要家ＩＤリスト集合｛Ｘｋ｝と呼ぶ。
　そして、クラスタ分析処理６２０１は、全需要家をクラスタ所属需要家ＩＤリスト集合｛Ｘｋ｝に振り分け終えると（Ｓ１２０７：ＹＥＳ）、各クラスタｋに対し、クラスタ所属需要家ＩＤリストＸｋに示された需要家ｍの特徴量ベクトルの平均値である平均特徴量ベクトルＳｋ＿ａｖｅ＝｛Σｍ ｓｍ，１／Ｍ，Σｍ ｓｍ，２／Ｍ，Σｍ ｓｍ，３／Ｍ，…｝（但しｍ∈Ｘｋ）を算出し、平均特徴量ベクトルＳｋ＿ａｖｅをクラスタ中心Ｃｋとして、クラスタ中心集合を更新する（Ｓ１２０８）。
　この後、クラスタ分析処理６２０１は、Ｓ１２０８における更新前のクラスタ中心集合と、更新後のクラスタ中心集合｛Ｃｋ｝とに基づいて、クラスタ中心集合｛Ｃｋ｝のうち、少なくとも１つのクラスタのクラスタ中心ＣｋのステップＳ１２０８における変更量が予め設定された変更量閾値以上であるか否かを判断する（Ｓ１２０９）。そして、クラスタ分析処理６２０１は、この判断で肯定結果を得るとステップＳ１２０５に戻り、この後、ステップＳ１２０６～ステップＳ１２０９を繰り返す。
　そして、クラスタ分析処理６２０１は、すべてのクラスタのクラスタ中心Ｃｋの変更量が閾値未満となると（Ｓ１２０９：ＹＥＳ）、そのときのクラスタ中心集合｛Ｃｋ｝及びクラスタ所属需要家ＩＤリスト集合｛Ｘｋ｝をメモリ６００２に保存する（Ｓ１２１０）。
　次いで、クラスタ分析処理６２０１は、すべてのクラスタ数ＫについてステップＳ１２０２～ステップＳ１２１０の処理を実行し終えたか否かを判断する（Ｓ１２１１）。そして、この判断で否定結果を得ると、この後、クラスタ分析処理６２０１は、ステップＳ１２０１で選択するクラスタ数Ｋを未処理の他の値（１～Ｍ）に変更しながらステップＳ１２０２～ステップＳ１２１１の処理を繰り返す。
　そして、クラスタ分析処理６２０１は、全てのクラスタ数Ｋ（１～Ｍ）に対応する、クラスタ中心集合｛Ｃｋ｝及びクラスタ所属需要家ＩＤリスト集合｛Ｘｋ｝を保存し終えると（Ｓ１２１１：ＹＥＳ）、この分類処理を終了する。
　分類処理によれば、各クラスタ数候補に対して、需要家のロードデータに基づくクラスタ群を算出することができる。
（５－２－２）クラスタ数妥当性評価値算出処理
　図１３は、上述したクラスタ分析処理６２０１のステップＳ１１０２において実行されるクラスタ数妥当性評価値算出処理の具体的な処理内容を示す。クラスタ数妥当性評価値算出処理は、上述のステップＳ１１０１で算出したクラスタ数１～Ｍのそれぞれの分類結果を、ロードデータの特徴量ベクトルとクラスタ中心との間の距離や、各クラスタ間の距離などの、複数の距離指標で評価する処理である。
　まず、クラスタ分析処理６２０１は、クラスタ数Ｋとして１～Ｍ（Ｍは全需要家数）のうちのいずれか１つを選択し（Ｓ１３０１）、クラスタ数ＫがステップＳ１３０１で選択した個数と仮定した場合について、クラスタｋ毎に、そのクラスタ所属需要家ＩＤリストＸｋに属する需要家ｍの特徴量ベクトルＳｍと、そのクラスタのクラスタ中心Ｃｋとの間の誤差（以下、これをクラスタ内誤差と呼ぶ）ＥＫを算出する（Ｓ１３０２）。具体的に、クラスタ分析処理６２０１は、クラスタｋに属する需要家ｍ毎に、特徴量ベクトルＳｍとクラスタｋのクラスタ中心Ｃｋとの間の距離を算出し、クラスタｋに属する全需要家に対して算出された距離を合計することによりクラスタ内誤差ＥＫを算出する。
　次いで、クラスタ分析処理６２０１は、ステップＳ１３０２で算出したクラスタ内誤差ＥＫに基づいて、大きすぎるクラスタ数を抑止するためのペナルティ係数をａ、特徴量次元数をＤとして、次式によりクラスタ毎のクラスタ内適合度Ｅ（Ｋ）を算出する（Ｓ１３０３）。
Figure JPOXMLDOC01-appb-M000001
　このクラスタ内適合度Ｅ（Ｋ）は、上述のようにクラスタ内における個々のロードデータのまとまり度合いを表す指標であり、クラスタ内適合度Ｅ（Ｋ）が大きいそのクラスタ内においてロードデータがまとまった状態にあることを表す。また、k-means法ではクラスタ数Ｋが大きければＥ（Ｋ）は小さくなりＫ＝Ｍ（全需要家数）の場合に最小となるので、クラスタ分析処理６２０１は、k-means法におけるパラメータ数に比例するペナルティ項ａ×Ｋ×Ｄを付加する。
　次いで、クラスタ分析処理６２０１は、クラスタ同士間をそれぞれ分離可能な境界面ｇを多クラスサポートベクターマシンでそれぞれ算出し（Ｓ１３０４）、この後、各クラスタ間のマージン（距離）の合計値をＭＫとして、次式によりクラスタ間平均分離度Ｂ（Ｋ）を算出する。
Figure JPOXMLDOC01-appb-M000002
　このクラスタ間平均分離度Ｂ（Ｋ）は、上述のようにクラスタ同士の分離の度合いを表す指標であり、大きいほどクラスタ同士が分離していることを表す。また、クラスタ間平均分離度は、クラスタ間の平均的な距離が大きければ増大する指標であればいずれでも良く、二つのクラスタの各組み合わせにおけるクラスタ中心間の距離の平均値であっても良い。
　この後、クラスタ分析処理６２０１は、すべてのクラスタ数Ｋ（１～Ｍ）についてクラスタ内適合度Ｅ（Ｋ）及びクラスタ間平均分離度Ｂ（Ｋ）を算出し終えたか否かを判断する（Ｓ１３０６）。そして、クラスタ分析処理６２０１は、この判断で否定結果を得ると、この後、ステップＳ１３０１で選択するクラスタ数Ｋを未処理の他の値（１～Ｍ）に変更しながらステップＳ１３０１～ステップＳ１３０６の処理を繰り返す。
　そして、クラスタ分析処理６２０１は、すべてのクラスタ数Ｋ（１～Ｍ）についてクラスタ内適合度Ｅ（Ｋ）及びクラスタ間平均分離度Ｂ（Ｋ）を算出し終えると（Ｓ１３０６：ＹＥＳ）、このクラスタ数妥当性評価値算出処理を終了する。
　クラスタ数妥当性評価値算出処理によれば、各クラスタ数候補のクラスタ群を評価することができる。
（５－２－３）最適クラスタ数決定処理
　図１４は、上述したクラスタ分析処理６２０１のステップＳ１１０３において実行される最適クラスタ数決定処理の具体的な処理内容を示す。
　図１５は、適合度最適クラスタ数と分離度最適クラスタ数の決定方法を示す。図１５において横軸はクラスタ数を示し、縦軸は妥当性評価値を示す。妥当性評価値は、クラスタ内適合度Ｅ（Ｋ）とクラスタ間平均分離度Ｂ（Ｋ）である。適合度最適クラスタ数ＣＬ１は、クラスタ内適合度Ｅ（Ｋ）の最大値に対応するクラスタ数である。分離度最適クラスタ数ＣＬ２は、クラスタ間平均分離度Ｂ（Ｋ）の最大値に対応するクラスタ数である。なお、適合度最適クラスタ数ＣＬ１は、クラスタ数の変化量に対するクラスタ内適合度Ｅ（Ｋ）の変化量の割合が予め設定された第１の閾値以下となる最小のクラスタ数であってもよい。分離度最適クラスタ数ＣＬ２は、クラスタ数の変化量に対するクラスタ間平均分離度Ｂ（Ｋ）の変化量の割合が予め設定された第２の閾値以下となる最小のクラスタ数であってもよい。 
　まず、クラスタ分析処理６２０１は、クラスタ数妥当性評価値算出処理において算出したクラスタ数Ｋを１～Ｍと仮定した場合の、クラスタ数Ｋとクラスタ内適合度Ｅ（Ｋ）の関係に基づいて、上述の適合度最適クラスタ数ＣＬ１を算出する（Ｓ１４０１）。
　次いで、クラスタ分析処理６２０１は、クラスタ数妥当性評価値算出処理において算出したクラスタ数Ｋを１～Ｍとした場合の、クラスタ数Ｋと各クラスタ間平均分離度Ｂ（Ｋ）の関係に基づいて、上述の分離度最適クラスタ数ＣＬ２を算出する（Ｓ１４０２）。
　この後、クラスタ分析処理６２０１は、ステップＳ１４０１で算出した適合度最適クラスタ数ＣＬ１と、ステップＳ１４０２で算出した分離度最適クラスタ数ＣＬ２との間のクラスタ数の中から１つのクラスタ数を最適クラスタ数として決定する（Ｓ１４０３）。
　具体的に、クラスタ分析処理６２０１は、適合度最適クラスタ数ＣＬ１及び分離度最適クラスタ数ＣＬ２間に少なくとも１つのクラスタ数が存在する場合には、その中央値に最も近いクラスタ数又はその中からランダムに選択したクラスタ数を最適クラスタ数として決定する。また、適合度最適クラスタ数ＣＬ１及び分離度最適クラスタ数ＣＬ２間に１つのクラスタ数も存在しない場合には、クラスタ分析処理６２０１は、適合度最適クラスタ数ＣＬ１及び分離度最適クラスタ数ＣＬ２のうちの任意の又は予め定められたいずれか一方を最適クラスタ数として決定する。
　最後に、クラスタ分析処理６２０１は、ステップＳ１４０３の決定結果に基づいて、最適クラスタ数で分類した時のクラスタ情報を示すクラスタ情報５２０２Ａ（図８）を作成し（Ｓ１４０４）、この最適クラスタ数決定処理を終了する。このＳ１４０４においてクラスタ分析処理６２０１は、分類処理で生成されたデータのうち、最適クラスタ数に対応するクラスタ中心集合｛Ｃｋ｝とクラスタ所属需要家ＩＤリスト集合｛Ｘｋ｝とを選択する。そして、クラスタ分析処理６２０１は、各クラスタｋに対し、クラスタ中心Ｃｋを逆フーリエ変換することにより、クラスタ代表需要態様を算出する。なお、クラスタ代表需要態様は、クラスタ中心Ｃｋの逆フーリエ変換結果の代わりに、クラスタ内で最も多く現れた形状を持つ正規化ロードデータや、クラスタ内の特定の番号に対応する正規化ロードデータ等であってもよい。そして、クラスタ分析処理６２０１は、クラスタＩＤであるｋと、クラスタ代表需要態様と、クラスタ所属需要家ＩＤリストＸｋとを用いて、クラスタ情報を作成し、クラスタ情報５２０２Ａへ登録する。なお、クラスタ分析処理６２０１は、クラスタ代表需要態様の代わりにクラスタ中心Ｃｋの特徴量ベクトルをクラスタ情報５２０２Ａへ登録してもよい。そして、クラスタ分析処理６２０１は、最適クラスタ数や、クラスタ代表需要態様や、クラスタ所属需要家数や、クラスタ所属需要家ＩＤリストなど、作成されたクラスタ情報を、情報入出力端末６６へ送信することにより、その情報を情報入出力端末６６に表示させる。これにより、小売事業者６は、最適クラスタ数や、特定のクラスタの特徴を確認することができる。
　この処理によれば、クラスタ分析処理６２０１は、最適クラスタ数を決定すると共に、最適クラスタ数のクラスタ群と、クラスタ群に夫々対応するクラスタ代表需要態様群とを決定することができる。これにより、クラスタ分析処理６２０１は、最適クラスタ数のクラスタ情報を作成することができ、各需要家を最適クラスタ数で分類した時のクラスタの何れか一つに関連付けることができる。
（５－３）グループ生成処理
　グループ生成処理６２０３は、クラスタ代表需要態様の形状が類似する異年度のクラスタ同士を対応付け、グループ情報を生成する処理である。
　本処理の一例を、図１６のフローチャートを用いて説明する。
　まず、グループ生成処理６２０３は、クラスタ情報６２０２Ａの中から連続した２つの年度ｙと年度ｙ＋１を選択する（Ｓ１５０１）。次いで、グループ生成処理６２０３は、クラスタ情報６２０２Ａの中から年度ｙのクラスタｉを１つ選択し（Ｓ１５０２）、さらにクラスタ情報６２０２Ａの中から年度ｙ＋１のクラスタｊを１つ選択する（Ｓ１５０３）。次いで、グループ生成処理６２０３は、クラスタｉのクラスタ中心である特徴量ベクトルＳｉとクラスタｊのクラスタ中心である特徴量ベクトルＳｊを取得し、それらの特徴量ベクトル間の距離ΔＳｉ，ｊを算出する（Ｓ１５０４）。次いで、グループ生成処理６２０３は、距離ΔＳｉ，ｊが予め設定した閾値以下か否かを判定し（Ｓ１５０５）、肯定結果を得るとステップＳ１５０６に進みクラスタｉとクラスタｊに同一のグループＩＤを割り当て（Ｓ１５０６）、否定結果を得るとステップＳ１５０７に進みクラスタｉとクラスタｊに異なるグループＩＤを割り当てる（Ｓ１５０７）。次いで、グループ生成処理６２０３は、年度ｙ＋１のすべてのクラスタｊについてステップＳ１５０４～Ｓ１５０７の処理を実行し終えたか否かを判定し（Ｓ１５０８）、否定結果を得るとステップＳ１５０３に戻る。そして、この後、グループ生成処理６２０３は、ステップＳ１５０３において選択するクラスタｊを未処理の他のクラスタｊに順次切り替えながら、ステップＳ１５０４～Ｓ１５０７の処理を繰り返す。次いで、グループ生成処理６２０３は、すべてのクラスタｉについてステップＳ１５０３～Ｓ１５０８の処理を実行し終えたか否かを判定し（Ｓ１５０９）、否定結果を得るとステップＳ１５０２に戻る。そして、この後、グループ生成処理６２０３は、ステップＳ１５０２において選択するクラスタｉを未処理の他のクラスタｉに順次切り替えながら、ステップＳ１５０３～Ｓ１５０８の処理を繰り返す。次いで、グループ生成処理６２０３は、すべての年度ｙと年度ｙ＋１についてステップＳ１５０２～Ｓ１５０９の処理を実行し終えたか否かを判定し（Ｓ１５１０）、否定結果を得るとステップＳ１５０１に戻る。そして、この後、グループ生成処理６２０３は、ステップＳ１５０１において選択する年度ｙと年度ｙ＋１を未処理の他の年度ｙと年度ｙ＋１に順次切り替えながら、ステップＳ１５０２～Ｓ１５０９の処理を繰り返す。最後に、グループ生成処理６２０３は、ステップＳ１５０６、Ｓ１５０７でのグループＩＤの割り当て結果に基づいて、グループ情報を示すグループ情報６２０４Ａ（図９）を作成し（Ｓ１５１１）、この後、このグループ生成処理を終了する。このＳ１５１１においてグループ生成処理６２０３は、同一のグループＩＤを割り当てられた同年度のクラスタ代表需要態様を平均化することにより、各グループの各年度のグループ代表需要態様を算出する。なお、グループ生成処理６２０３は、グループ代表需要態様の代わりにグループ代表需要態様に対応する特徴量ベクトルをクラスタ情報５２０２Ａへ登録してもよい。
　なお、Ｓ１５０１～Ｓ１５０３において、グループ生成処理６２０３は、同じ年度内の２つのクラスタを選択してもよい。これにより、グループ生成処理６２０３は、１つの年度内の複数のクラスタの特徴量ベクトルの間の距離が近い場合に、それらのクラスタを１つのグループに集約することができる。
　また、グループ生成処理６２０３は、クラスタ情報６２０２Ａの中の最初の年度のクラスタＩＤをグループＩＤとし、その後の年度のクラスタに対して、特徴量ベクトルの距離が最も近いグループのグループＩＤを割り当ててもよい。
　図１７は、２０１１年度のクラスタと２０１２年度のクラスタについて、グループ生成処理を行った結果を示す概念図である。図１７では、２０１１年度のクラスタ２０１１－１と２０１２年度のクラスタ２０１２－２のクラスタ代表需要態様が類似しており、これらを対応付けることでグループＧ０１を形成している。また、２０１１年度のクラスタ２０１１－３と２０１２年度のクラスタ２０１２－４のクラスタ代表需要態様が類似しており、これらを対応付けることでグループＧ０２を形成している。また、２０１１年度のクラスタ２０１１－２とクラスタ２０１１－４のクラスタ代表需要態様が類似しているため、まずこれらを同型クラスタとして集約し、さらに２０１２年度のクラスタ２０１２－１とクラスタ２０１２－３のクラスタ代表需要態様が類似しているため、これらを同型クラスタとして集約し、さらにそれらを対応付けることでグループＧ０３を形成している。
　グループ生成処理によれば、年度間のクラスタの対応関係が分かり、需要態様や需要家数の過去の年次変化を把握できる。グループ生成処理６２０３は、図１７のように、クラスタとグループの対応付けを情報入出力端末６６に表示させてもよい。
（５－４）需要家数年次変化予測処理
　需要家数年次変化予測処理６３０１は、グループごとに、過去の需要家数の推移から将来の需要家数を予測する処理である。
　本処理の一例を、図１８のフローチャートを用いて説明する。
　まず、需要家数年次変化予測処理６３０１は、グループ情報６２０４Ａの中から１つのグループｎを選択する（Ｓ１６０１）。次いで、需要家数年次変化予測処理６３０１は、グループ情報６２０４Ａの中の、過去の複数の年度のグループｎの「グループ所属需要家数」を参照し、グループｎの需要家数の実績数を取得する（Ｓ１６０２）。次いで、需要家数年次変化予測処理６３０１は、Ｓ１６０２で取得したグループｎの需要家数の実績数を用いて、ボックスジェンキンス法などによりグループｎの需要家数に関する時系列モデル（ＡＲモデル、ＡＲＭＡモデルなど）の次数Ｐを決定する（Ｓ１６０３）。本実施の形態では、時系列モデルとしてＡＲモデルを用いる。次いで、需要家数年次変化予測処理６３０１は、最小二乗法などにより、Ｓ１６０３で決定した次数Ｐの時系列モデルの係数｛ａｐ：ｐ=１，２，…，Ｐ｝を推定する（Ｓ１６０４）。次いで、Ｓ１６０４で推定した時系列モデルを用いて、グループｎの将来の予測対象年度の需要家数を予測需要家数（グループ所属需要家数の予測値）として推定する（Ｓ１６０５）。次いで、需要家数年次変化予測処理６３０１は、すべてのグループｎについてステップＳ１６０２～Ｓ１６０５の処理を実行し終えたか否かを判定し（Ｓ１６０６）、否定結果を得るとステップＳ１６０１に戻る。そして、この後、需要家数年次変化予測処理６３０１は、ステップＳ１６０１において選択するグループｎを未処理の他のグループｎに順次切り替えながら、ステップＳ１６０２～Ｓ１６０５の処理を繰り返す。
　そして、需要家数年次変化予測処理６３０１は、すべてのグループｎについて予測対象年度の需要家数を予測し終えることによりステップＳ１６０６で肯定結果を得ると、需要家数年次変化予測処理を終了する。
　本実施の形態では、時系列モデルとしてＡＲモデルを用いて需要家数を予測したが、ＡＲＭＡモデルやＡＲＩＭＡモデルなど、他の時系列モデルを用いて需要家数を予測してもよい。また、本実施の形態では、Ｓ１６０３～Ｓ１６０５で時系列モデルを用いた予測を行っているが、外挿法などを用いて将来の需要家数を予測してもよい。
　図１９は、需要家数年次変化予測処理の処理内容を示す概念図である。図１９では、２０１１年度の需要家数が１００軒、２０１２年度の需要家数が１２０軒と増えており、需要家数年次変化予測処理６３０１は、軒数増加のトレンドを捉えることで２０１３年度の需要家数を１４０軒と予測している。
　需要家数年次変化予測処理によれば、各グループの需要家入れ替わりによる需要家数の年次変化を予測でき、需要の予測精度が向上する。需要家数年次変化予測処理６３０１は、図１９のように、予測対象年度の需要家数の予測値や、需要家数年次変化を情報入出力端末６６に表示させてもよい。
（５－５）需要態様年次変化予測処理
　需要態様年次変化予測処理６３０２は、グループごとに、過去の需要態様の推移から将来の需要態様を予測する処理である。
　本処理の一例を、図２０のフローチャートを用いて説明する。
　まず、需要態様年次変化予測処理６３０２は、グループ情報６２０４Ａの中から１つのグループｎを選択する（Ｓ１７０１）。次いで、需要態様年次変化予測処理６３０２は、過去の複数の年度のグループｎの特徴量ベクトルの実績を取得する（Ｓ１７０２）。次いで、需要態様年次変化予測処理６３０２は、Ｓ１７０２で取得したグループｎの特徴量ベクトルの実績を用いて、ボックスジェンキンス法などによりグループｎの特徴量ベクトルに関する時系列モデル（ＶＡＲモデル（Vector Autoregression model）、ＶＡＲＭＡモデル（Vector Autoregression Moving-Average model）など）の次数Ｑを推定する（Ｓ１７０３）。本実施の形態では、時系列モデルとしてＶＡＲモデルを用いる。次いで、需要態様年次変化予測処理６３０２は、最小二乗法などにより、Ｓ１７０３で決定した次数Ｑの時系列モデルの係数｛ｂｑ：ｑ=１，２，…，Ｑ｝を推定する（Ｓ１７０４）。次いで、需要態様年次変化予測処理６３０２は、Ｓ１７０４で推定した時系列モデルを用いてグループｎの将来の予測対象年度の特徴量ベクトルを予測する（Ｓ１７０５）。次いで、需要態様年次変化予測処理６３０２は、グループｎの予測した特徴量ベクトルを逆フーリエ変換により需要態様に変換することで、予測需要態様（グループ代表需要態様の予測値）を算出する（Ｓ１７０６）。次いで、需要態様年次変化予測処理６３０２は、すべてのグループｎについてステップＳ１７０２～Ｓ１７０６の処理を実行し終えたか否かを判定し（Ｓ１７０７）、否定結果を得るとステップＳ１７０１に戻る。そして、この後、需要態様年次変化予測処理６３０２は、ステップＳ１７０１において選択するグループｎを未処理の他のグループｎに順次切り替えながら、ステップＳ１７０２～Ｓ１７０６の処理を繰り返す。
　そして、需要態様年次変化予測処理６３０２は、すべてのグループｎについて予測対象年度の需要態様を予測し終えることによりステップＳ１７０７で肯定結果を得ると、需要態様年次変化予測処理を終了する。
　本実施の形態では、時系列モデルとしてＶＡＲモデルを用いて特徴量ベクトルを予測したが、ＶＡＲＭＡモデルやＶＡＲＩＭＡモデルなど、他の時系列モデルを用いて特徴量ベクトルを予測してもよい。また、本実施の形態では、Ｓ１７０３～Ｓ１７０５で時系列モデルを用いた予測を行っているが、外挿法などを用いて将来の特徴量ベクトルを予測してもよい。
　図２１は、需要態様年次変化予測処理の処理内容を示す概念図である。図２１では、２０１１年度から２０１２年度への特徴量ベクトルの変化のトレンド（需要態様の２山目と４山目のピークの高さが減少）を捉えることで２０１３年度の需要態様を予測している。
　需要態様年次変化予測処理によれば、ライフスタイルの変化による需要態様の年次変化を予測でき、需要の予測精度が向上する。需要態様年次変化予測処理６３０２は、図２１のように、予測対象年度の需要態様の予測値や、特徴量ベクトルの予測値や、需要態様年次変化を情報入出力端末６６に表示させてもよい。
（５－６）需要態様伸縮補正処理
　需要態様伸縮補正処理６３０３は、需要態様年次変化予測処理５３０２で推定された予測対象年度の各グループの需要態様に係数を乗じバイアスを加算することにより補正する処理である。
　本処理の一例を、図２２のフローチャートを用いて説明する。
　まず、需要態様伸縮補正処理６３０３は、グループ情報６２０４Ａの中から１つのグループｎを選択する（Ｓ１８０１）。次いで、需要態様伸縮補正処理６３０３は、グループｎの予測需要態様に係数αｎを乗じることにより、グループｎの予測需要態様の振幅成分の大きさを補正することで、補正需要態様を算出する（Ｓ１８０２）。次いで、需要態様伸縮補正処理６３０３は、グループｎの補正需要態様にバイアスβｎを加算することにより、グループｎの補正需要態様の直流成分の大きさを補正する（Ｓ１８０３）。次いで、需要態様伸縮補正処理６３０３は、すべてのグループｎについてステップＳ１８０２～Ｓ１８０３の処理を実行し終えたか否かを判定し（Ｓ１８０４）、否定結果を得るとステップＳ１８０１に戻る。そして、この後、需要態様伸縮補正処理６３０３は、ステップＳ１８０１において選択するグループｎを未処理の他のグループｎに順次切り替えながら、ステップＳ１８０２～Ｓ１８０４の処理を繰り返す。
　そして、需要態様伸縮補正処理６３０３は、すべてのグループｎについて需要態様伸縮補正処理を終えることによりステップＳ１８０４で肯定結果を得ると、需要態様伸縮補正処理を終了する。
（５－７）需要態様合成処理
　需要態様合成処理６３０４は、グループごとに需要家数年次変化予測処理６３０１で推定された予測需要家数と需要態様伸縮補正処理６３０３で得られた補正需要態様とを掛合せ、合算することで、将来の予測対象年度の電力負荷曲線を推定する処理である。
　本処理の一例を、図２３のフローチャートを用いて説明する。
　まず、需要態様合成処理６３０４は、グループ情報６２０４Ａの中から１つのグループｎを選択する（Ｓ１９０１）。次いで、需要態様合成処理６３０４は、需要態様伸縮処理５３０３で得られたグループｎの補正需要態様と、需要家数年次変化予測処理で予測したグループｎの予測需要家数とを掛け合わせることで、乗算結果を得る（Ｓ１９０２）。次いで、需要態様合成処理６３０４は、すべてのグループｎについてステップＳ１９０２の処理を実行し終えたか否かを判定し（Ｓ１９０３）、否定結果を得るとステップＳ１９０１に戻る。そして、この後、需要態様合成処理６３０４は、ステップＳ１９０１において選択するグループｎを未処理の他のグループｎに順次切り替えながら、ステップＳ１９０２～Ｓ１９０３の処理を繰り返す。次いで、需要態様合成処理６３０４は、全グループの乗算結果を合算し、将来の予測対象年度の電力負荷曲線の予測値を算出する（Ｓ１９０４）。
（５－８）年間需要想定値按分処理
　年間需要想定値按分処理６３０５は、年間需要想定処理６１０１で推定された年間需要想定値を、需要態様合成処理６３０４で算出された電力負荷曲線の予測値を用いて各サンプルに按分することで、予測対象年度のサンプリング周期刻みの需要時系列を推定する処理である。
　年間需要想定処理６１０１で推定された年間需要想定値をＤ、需要態様合成処理６３０４で算出された電力負荷曲線の予測値を｛Ｌｋ｜ｋ＝１、２、…、Ｋ｝として（Ｋは計測周期内のサンプル数）、次式により予測対象年度におけるサンプリング周期刻みの需要時系列の予測値｛ｄｋ｜ｋ＝１、２、…、Ｋ｝が求められる。
Figure JPOXMLDOC01-appb-M000003
　これにより、年間需要想定値按分処理６３０５は、無次元の電力負荷曲線（需要家集合の需要の時系列データの形状を示す形状データ）から、電力量を示す需要時系列を算出することできる。年間需要想定値按分処理６３０５は、電力負荷曲線や、需要時系列を、情報入出力端末６６に表示させてもよい。
（５－９）パラメータ調整処理
　パラメータ調整処理６３０７は、予測対象年度の終了後に、その予測対象年度を調整対象年度として設定し、調整対象年度の需要時系列の実績値を取得し、調整対象年度の需要時系列の実績値と予測値の誤差を最小化するように、需要態様伸縮補正処理６３０３で用いる係数｛αｎ｜ｎ＝１、２、…、Ｎ｝とバイアス｛βｎ｜ｎ＝１、２、…、Ｎ｝を調整する処理である（Ｎはグループ数）。なお、パラメータ調整処理６３０７は、調整対象年度中に、調整対象年度の需要時系列の実績値のうち、取得可能な部分を用いて、パラメータを調整してもよい。
　本処理の一例を、図２４のフローチャートを用いて説明する。
　まず、パラメータ調整処理６３０７は、需要予測情報６３０６Ａを参照し、調整対象年度の需要時系列の予測値を取得する（Ｓ２１０１）。次いで、パラメータ調整処理６３０７は、需要実績情報６４０１Ａを参照し、Ｓ２１０１で取得した調整対象年度の需要時系列の予測値と、調整対象年度の需要時系列の実績値を取得する（Ｓ２１０２）。次いで、パラメータ調整処理６３０７は、実績値に対する予測値の二乗誤差ε２を算出する（Ｓ２１０３）。次いで、パラメータ調整処理６３０７は、需要態様伸縮補正処理６３０３で用いる係数｛αｎ｜ｎ＝１、２、…、Ｎ｝とバイアス｛βｎ｜ｎ＝１、２、…、Ｎ｝に関して二乗誤差ε２の偏微分を計算する（Ｓ２１０４）。最後に、パラメータ調整処理６３０７は、最急降下法により偏微分結果から、需要態様伸縮補正処理６３０３で用いる係数｛αｎ｜ｎ＝１、２、…、Ｎ｝とバイアス｛βｎ｜ｎ＝１、２、…、Ｎ｝を更新する（Ｓ２１０５）。
　処理６３０７は、最急降下法にかわり、やラグランジュ緩和法やニューラルネットなどにより係数αｎとバイアスβｎを更新するようにしてもよい。
　パラメータ処理によれば、需要時系列の実績値と予測値の誤差を最小化するように、需要態様伸縮補正処理６３０３のための係数とバイアスを調整でき、次の予測対象年度の需要態様伸縮補正処理６３０３に用いることにより、次の予測対象年度の需要時系列の予測精度が向上する。また、スマートメータを設置していない需要家の需要が総需要に含まれている場合でも、これらのパラメータを用いて補正することで、需要時系列の予測精度が向上する。　
　なお、上述の実施形態において、電力使用の変動を表すロードデータ、クラスタ代表需要態様、グループ代表需要態様の夫々は、時間領域のデータ列であるが、周波数領域のデータ列であってもよい。
　例えば、需要態様分類装置６２は、クラスタ分析処理６２０１、クラスタ情報記憶部６２０２、及びグループ生成処理６２０３を含まなくてもよい。この場合、需要態様分類装置６２は、需要家情報６００１Ａを参照して業種や契約種別などの属性毎のグループを生成する（契約種別が従量電灯Ｂの需要家はグループＧ０１、時間帯別電灯の需要家はグループＧ０２、…としてグループを生成する等）。
　また、例えば、予測演算装置６３は、年間需要想定値按分処理６３０５を含まなくてもよい。この場合、予測演算装置６３は、需要態様合成処理６３０４で生成された電力負荷曲線のデータ列を需要時系列の予測値とする。
　また、例えば、予測演算装置６３は、需要態様伸縮補正処理６３０３、パラメータ調整処理６３０７を含まなくてもよい。この場合、予測演算装置６３は、需要家数年次変化予測処理６３０１で推定された予測需要家数と需要態様年次変化予測処理６３０２で推定された予測需要態様とを、グループごとに掛合せ合算することで、無次元の電力負荷曲線の予測値を生成し、生成された無次元の電力負荷曲線の予測値を用いて年間需要想定値を各サンプルに按分することで、サンプリング周期刻みの需要時系列の予測値を生成する。
　また、例えば、上述の実施形態において需要予測システム１は、小売事業者６と契約している全需要家の予測対象年度の総需要を推定し、推定された総需要を電力負荷曲線の予測値を用いて按分することによりサンプリング周期刻みで予測対象年度の需要時系列を推定したが、任意の柱上トランスに連系する需要家の合計需要を推定し、電力負荷曲線の予測値を用いて、推定された合計需要を各サンプルに按分することにより、当該柱上トランスについての予測対象年度の需要時系列を推定してもよい。
　例えば、需要予測システム１は、図２５において柱上トランスＡの予測対象年度の需要時系列を推定する場合、需要家情報６００１Ａに基づいて、需要家情報６００１Ａに示されている需要家のうち、柱上トランスＡに連系する需要家＃１～需要家＃２０のうちスマートメータを保有する需要家を、需要家集合として特定し、需要家集合のロードデータを取得し、取得されたロードデータに基づいて需要家集合を複数のグループに分類し、分類されたグループごとに需要家数と需要態様の年次変化を予測し、各々掛合せ合算することで柱上トランスＡの電力負荷曲線を予測し、電力負荷曲線の予測値を用いて、合計需要（需要家＃１～需要家＃２０の需要の合計）を各サンプルに按分することにより、柱上トランスＡについての予測対象年度の需要時系列を推定する。
　また、例えば、需要予測システム１は、任意の柱上トランスを用いる需要の合計である最大需要を推定し、推定した最大需要に合わせて、電力負荷曲線の予測値を各サンプルに按分することにより、当該柱上トランスについての予測対象年度のサンプリング周期刻みの需要時系列を推定してもよい。
　また、例えば、需要予測システム１は、電力供給に関わる設備の過去の需要時系列（サンプリング周期ごとの電力実績量）から将来の予測対象年度の需要時系列（予測対象年度におけるサンプリング周期ごとの電力予測量）を予測してもよい。電力供給に関わる設備の過去の需要時系列は、サンプリング周期ごとの配電用変電所の送り出し電力量であってもよいし、サンプリング周期ごとの任意の柱上トランスを通過する電力量であってもよい。
　例えば、需要予測システム１は、任意の柱上トランスを通過するサンプリング周期ごとの電力実績量｛Ｄｔ｜ｔ＝１、２、…、Ｔ｝（図２６の実線）と、各グループの需要態様｛Ｌｎ、ｔ｜ｔ＝１、２、…、Ｔ｝を補正して合算した電力推定量｛Ｄｅｔ｜ｔ＝１、２、…、Ｔ｝（図２６の破線）とを用いて、推定誤差Ｅ（図２６の斜線部分）を算出し、推定誤差Ｅを最小化するように、需要態様を伸縮縮小（需要態様データを乗除算、加減算する）する補正に用いる係数｛αｎ｜ｎ＝１、２、…、Ｎ｝とバイアス｛βｎ｜ｎ＝１、２、…、Ｎ｝を調整し、調整した係数αｎとバイアスβｎを用いて、予測対象年度における当該柱上トランスのサンプリング周期ごとの電力量を予測できる。ここで、需要予測システム１は、図２７に示すように、係数αｎとバイアスβｎを用いて、各グループの需要態様｛Ｌｎ、ｔ｜ｔ＝１、２、…、Ｔ｝の振幅と直流成分を補正して合算することで、電力推定量｛Ｄｅｔ｜ｔ＝１、２、…、Ｔ｝を算出する。
　本処理の一例を、図２８のフローチャートを用いて説明する。
　まず、予測演算装置６３は、任意の柱上トランスを選択し、需要実績情報６４０１Ａを参照して、調整対象年度において当該柱上トランスを通過する時刻ごとの電力実績量Ｄｔを取得する（Ｓ２２０１）。次いで、予測演算装置６３は、グループ情報６２０４Ａを参照して、各グループの需要態様Ｌｎ、ｔを取得する（Ｓ２２０２）。グループ情報６２０４Ａは、当該トランスに連系する需要家のうち、スマートメータを保有する需要家のロードデータを用いて生成されたものである。次いで、予測演算装置６３は、図２７に示すようにＳ２２０２で取得した各グループの需要態様を、係数αｎとバイアスβｎを用いて補正した後に合算することにより、電力推定量Ｄｅｔを算出する（Ｓ２２０３）。電力推定量Ｄｅｔは次式により求められる。ここで、Ｄｅは、Ｄの上に＾記号を付けることで表される。
Figure JPOXMLDOC01-appb-M000004
　次いで、予測演算装置６３は、電力実績量Ｄｔと電力推定量Ｄｅｔを用いて推定誤差Ｅを算出する（Ｓ２２０４）。推定誤差Ｅは、次式により求められる。
Figure JPOXMLDOC01-appb-M000005
　次いで、予測演算装置６３は、係数αｎとバイアスβｎに関する推定誤差Ｅの偏微分を計算し、最急降下法やラグランジュ緩和法やニューラルネットなどにより係数αｎとバイアスβｎを更新する（Ｓ２２０５）。最後に、予測演算装置６３は、Ｓ２２０２で取得した各グループの需要態様の年次変化に基づいて、予測対象年度の各グループの需要態様｛Ｌｅｎ，ｔ｜ｔ＝１、２、…、Ｔ｝を予測し、それらの需要態様を、Ｓ２２０５で更新した係数αｎとバイアスβｎを用いて補正した後に合算することにより、予測対象年度における当該柱上トランスのサンプリング周期ごとの電力予測量｛ｄｔ｜ｔ＝１、２、…、Ｔ｝を算出する（Ｓ２２０６）。電力予測量ｄｔは次式により求められる。ここでは、Ｌｅは、Ｌの上に＾記号を付けることで表される。
Figure JPOXMLDOC01-appb-M000006
　本処理によれば、任意の柱上トランスを通過する時刻ごとの電力実績量と各グループの需要態様を補正して合算した電力推定量との推定誤差を最小化するように、需要態様の補正に用いる係数とバイアスを調整でき、需要の予測精度が向上する。
　以上の実施形態では、電力の需要の予測について説明したが、他の資源の需要の予測に、本発明を適用することができる。需要は、ガス、ネガワット、水、温冷水、及び旅客輸送用車両、貨物輸送用車両、役務、物品等の資源の需要としても良く、設備制御端末２０（メーター）は、ガスメータ、発電の売電メーター、浄水メーター、下水メーター、水量メーター、タクシーメーター、走行記録メーター、POS（point of sale）装置を用いることで実施される。
　需要予測システムは、予測演算装置６３、需要態様分類装置６２、年間需要想定装置６１等に対応する。記憶デバイスは、記憶部６１３、６２３、６３３、メモリ６１２、６２２、６３２等に対応する。表示デバイスは、情報入出力端末６６等に対応する。需要態様データは、需要態様、特徴量ベクトル等に対応する。形状データは、電力負荷曲線等に対応する。積算需要は、総需要、合計需要等に対応する。需要時系列データは、需要時系列等に対応する。第１パラメータは、係数αｎ等に対応する。第２パラメータは、バイアスβｎ等に対応する。代表特徴量ベクトルは、グループ代表需要態様の特徴量ベクトル等に対応する。要因データは、気象情報、経済情報、需要家情報等に対応する。
　以上、本発明の実施形態を説明したが、これは本発明の説明のための例示であって、本発明の範囲を上記構成に限定する趣旨ではない。本発明は、他の種々の形態でも実施する事が可能である。
１…需要予測システム、　２…需要家、　３…経済情報管理者、　４…気象情報管理者、　５…送配電事業者、　６…小売事業者、　７…ネットワーク、　２０…設備制御端末、　３０…経済情報配信端末、　４０…気象情報配信端末、　５０…メータデータ管理装置、　６０…需要家情報管理装置、　６１…年間需要想定装置、　６２…需要態様分類装置、　６３…予測演算装置、　６４…需要実績管理装置、　６５…需要予測値利用装置、　６６…情報入出力端末

 

Claims (14)

  1. 　記憶デバイスと、
    　前記記憶デバイスに接続されるプロセッサと、
    を備え、
    　前記プロセッサは、
    　　需要家集合内の複数の需要家の夫々による資源の需要の時系列データであるロードデータが、複数のグループに対応付けられ、前記記憶デバイスは、各グループ内のロードデータを代表する形状を示す需要態様データと、各グループに属する需要家数とを取得し、
    　　各グループの需要態様データの実績値と、各グループの需要家数の実績値とに基づいて、予め設定された予測対象期間における前記需要家集合の需要の時系列データの形状を示す形状データを算出する、
    ように構成されている、
    需要予測システム。
  2. 　前記記憶デバイスは、予め設定された過去の複数の計測期間の夫々の各グループの需要家数の実績値を記憶するように構成され、
    　前記プロセッサは、
    　　各グループに対し、前記需要家数の実績値に基づいて、前記予測対象期間における需要家数の予測値を算出し、
    　　前記需要態様データおよび前記需要家数の予測値に基づいて、前記形状データを算出する、
    ように構成されている、
    請求項１に記載の需要予測システム。
  3. 　前記記憶デバイスは、各計測期間の各グループの需要態様データの実績値を記憶するように構成され、
    　前記プロセッサは、
    　　各グループに対し、前記需要態様データの実績値に基づいて、前記予測対象期間における需要態様データの予測値を算出し、
    　　前記需要態様データの予測値および前記需要家数の予測値に基づいて、前記形状データを算出する、
    ように構成されている、
    請求項２に記載の需要予測システム。
  4. 　前記プロセッサは、
    　　予め設定された期間に亘って積算される前記需要家集合の需要である積算需要について、前記複数の計測期間の少なくとも一つの基準期間における積算需要の実績値を取得し、
    　　需要の増減に影響する要因データを取得し、
    　　前記積算需要の実績値と前記要因データとに基づいて、前記予測対象期間における積算需要の予測値を算出し、
    　　前記積算需要の予測値および前記形状データに基づいて、前記予測対象期間における前記需要家集合の需要の時系列データである需要時系列データの予測値を算出する、
    ように構成されている、
    請求項３に記載の需要予測システム。
  5. 　前記プロセッサは、
    　　前記需要態様データの予測値に対し、第１パラメータの乗算と第２パラメータの加算とを行うことで、前記需要態様データの補正値を算出し、
    　　前記需要態様データの補正値および前記需要家数の予測値に基づいて、前記形状データを算出する、
    ように構成されている、
    請求項４に記載の需要予測システム。
  6. 　前記プロセッサは、
    　　前記需要時系列データの実績値を取得し、
    　　前記需要時系列データの実績値と、前記需要時系列データの予測値とに基づいて、前記第１パラメータおよび前記第２パラメータを調整する、
    ように構成されている、
    請求項５に記載の需要予測システム。
  7. 　前記プロセッサは、
    　　各計測期間における前記複数の需要家の夫々のロードデータを取得し、
    　　前記取得されたロードデータを、対応する計測期間の複数のクラスタの何れか一つに分類し、
    　　互いに異なる計測期間に対応する２以上のクラスタであって互いに類似する前記２以上のクラスタを、一つのグループに対応付けることで、各計測期間の複数のクラスタを、前記複数のグループに対応付ける、
    ように構成されている、
    請求項３に記載の需要予測システム。
  8. 　前記プロセッサは、
    　　前記取得されたロードデータを周波数領域の特徴量ベクトルに変換し、
    　　前記特徴量ベクトルを、対応する計測期間の複数のクラスタの何れか一つに分類する、
    ように構成されている、
    請求項７に記載の需要予測システム。
  9. 　前記プロセッサは、
    　　各グループに対応する特徴量ベクトルを代表する代表特徴量ベクトルの実績値を算出し、
    　　各グループに対し、前記複数の計測期間の代表特徴量ベクトルの実績値に基づいて、前記予測対象期間における代表特徴量ベクトルの予測値を算出し、
    　　各グループに対し、前記代表特徴量ベクトルの予測値に基づいて、前記需要態様データの予測値を算出する、
    ように構成されている、
    請求項８に記載の需要予測システム。
  10. 　前記要因データは、気温、経済、需要家の離脱、節電のうちいずれか１つ以上を示し、
    　前記プロセッサは、
    　　前記需要家集合の過去の積算需要の実績値を取得し、
    　　前記要因データに基づいて需要の増減量を算出し、
    　　前記積算需要の実績値に前記増減量を加算することで、前記積算需要の予測値を算出する
    ように構成されている、
    請求項４に記載の需要予測システム。
  11. 　前記需要家集合は、前記資源の需要について特定の契約を結んでいる需要家と、特定の配電設備に連系する設備を持つ需要家との何れかであり、
    　前記記憶デバイスは、前記需要家集合を示す需要家情報を記憶するように構成されている、
    請求項４に記載の需要予測システム。
  12. 　各計測期間の長さと前記予測対象期間の長さは、予め設定された計測周期である、
    請求項２に記載の需要予測システム。
  13. 　前記プロセッサは、前記需要家数の予測値を表示デバイスに表示させるように構成されている、
    請求項２に記載の需要予測システム。
  14. 　需要家集合内の複数の需要家の夫々による資源の需要の時系列データであるロードデータが、複数のグループに対応付けられ、各グループ内のロードデータを代表する形状を示す需要態様データと、各グループに属する需要家数とを、取得し、
    　各グループの需要態様データの実績値と、各グループの需要家数の実績値とに基づいて、予め設定された予測対象期間における前記需要家集合の需要の時系列データの形状を示す形状データを算出する、
    ことを行う、需要予測方法。

     
PCT/JP2017/011638 2016-05-20 2017-03-23 需要予測システム及び需要予測方法 WO2017199578A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP17799012.4A EP3460742A4 (en) 2016-05-20 2017-03-23 DEMAND FORECASTING SYSTEM AND DEMAND FORECASTING PROCEDURE
US16/099,447 US20190147465A1 (en) 2016-05-20 2017-03-23 Demand prediction system and demand prediction method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016-101896 2016-05-20
JP2016101896A JP6742813B2 (ja) 2016-05-20 2016-05-20 需要予測システム及び需要予測方法

Publications (1)

Publication Number Publication Date
WO2017199578A1 true WO2017199578A1 (ja) 2017-11-23

Family

ID=60325912

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/011638 WO2017199578A1 (ja) 2016-05-20 2017-03-23 需要予測システム及び需要予測方法

Country Status (4)

Country Link
US (1) US20190147465A1 (ja)
EP (1) EP3460742A4 (ja)
JP (1) JP6742813B2 (ja)
WO (1) WO2017199578A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378510A (zh) * 2019-05-30 2019-10-25 国网浙江绍兴市上虞区供电有限公司 一种基于时间序列和层次聚合的配网物资需求预测方法
CN111598378A (zh) * 2020-03-30 2020-08-28 国网山东省电力公司济南供电公司 一种居民电热水器负荷需求侧响应可调控潜力评估方法
CN112448478A (zh) * 2020-11-16 2021-03-05 贵州电网有限责任公司 一种变压器负载管控方法
CN115630772A (zh) * 2022-12-19 2023-01-20 国网浙江省电力有限公司宁波供电公司 综合能源检测配电方法、系统、设备及存储介质

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017147331A1 (en) * 2016-02-24 2017-08-31 Alibaba Group Holding Limited User behavior-based dynamic resource adjustment
WO2018221330A1 (ja) * 2017-05-29 2018-12-06 京セラ株式会社 管理方法及び管理装置
JP7217074B2 (ja) 2018-06-01 2023-02-02 株式会社日立製作所 電力需給管理システム、電力需給管理方法、および電力需給管理装置
JP7370710B2 (ja) * 2018-08-28 2023-10-30 日鉄エンジニアリング株式会社 電力需要予測システム、電力需要予測モデルの構築方法、プログラム、及び営業支援システム
CN111755106A (zh) * 2019-03-28 2020-10-09 株式会社日立制作所 一种门诊量的预测方法及装置
KR102390471B1 (ko) * 2020-04-21 2022-04-26 김영민 최대 전력 부하 관리를 위한 정보 시스템
US11537966B2 (en) * 2020-06-19 2022-12-27 Demand Driven Technologies, Inc. Systems and methods for use of a global registry with automated demand profiling via machine learning to optimize inventory management
KR102484001B1 (ko) * 2020-11-30 2022-12-30 연세대학교 산학협력단 주파수 응답 과도 상태 최적화 방법 및 장치
CN116306794B (zh) * 2023-03-09 2023-10-31 河源市广师大研究院 作物需水量预测方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004320963A (ja) 2003-04-21 2004-11-11 Hitachi Ltd 電力負荷推定方法，装置及び電力料金請求方法
JP2008015921A (ja) * 2006-07-07 2008-01-24 Mitsubishi Electric Corp 電力負荷代表パターン作成装置および電力負荷代表パターン作成プログラム
JP2011229374A (ja) * 2010-04-19 2011-11-10 General Electric Co <Ge> 網において需要応答事象を計画するシステム及び方法
US20130079938A1 (en) * 2011-09-22 2013-03-28 Sap Ag Customer segmentation based on smart meter data
JP2015132461A (ja) * 2013-12-12 2015-07-23 国立研究開発法人産業技術総合研究所 給湯需給マネジメント装置、集中情報処理推定策定装置及び地域の中長期給湯需給マネジメントシステム
WO2015133635A1 (ja) * 2014-03-07 2015-09-11 株式会社日立製作所 データ分析システム及び方法
JP2016019358A (ja) * 2014-07-08 2016-02-01 住友電気工業株式会社 需要予測装置、コンピュータプログラム、スマートメーター及び蓄電装置
JP2016077051A (ja) * 2014-10-03 2016-05-12 株式会社東芝 デマンドレスポンス量配分システム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004320963A (ja) 2003-04-21 2004-11-11 Hitachi Ltd 電力負荷推定方法，装置及び電力料金請求方法
JP2008015921A (ja) * 2006-07-07 2008-01-24 Mitsubishi Electric Corp 電力負荷代表パターン作成装置および電力負荷代表パターン作成プログラム
JP2011229374A (ja) * 2010-04-19 2011-11-10 General Electric Co <Ge> 網において需要応答事象を計画するシステム及び方法
US20130079938A1 (en) * 2011-09-22 2013-03-28 Sap Ag Customer segmentation based on smart meter data
JP2015132461A (ja) * 2013-12-12 2015-07-23 国立研究開発法人産業技術総合研究所 給湯需給マネジメント装置、集中情報処理推定策定装置及び地域の中長期給湯需給マネジメントシステム
WO2015133635A1 (ja) * 2014-03-07 2015-09-11 株式会社日立製作所 データ分析システム及び方法
JP2016019358A (ja) * 2014-07-08 2016-02-01 住友電気工業株式会社 需要予測装置、コンピュータプログラム、スマートメーター及び蓄電装置
JP2016077051A (ja) * 2014-10-03 2016-05-12 株式会社東芝 デマンドレスポンス量配分システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3460742A4

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378510A (zh) * 2019-05-30 2019-10-25 国网浙江绍兴市上虞区供电有限公司 一种基于时间序列和层次聚合的配网物资需求预测方法
CN110378510B (zh) * 2019-05-30 2023-08-18 国网浙江绍兴市上虞区供电有限公司 一种基于时间序列和层次聚合的配网物资需求预测方法
CN111598378A (zh) * 2020-03-30 2020-08-28 国网山东省电力公司济南供电公司 一种居民电热水器负荷需求侧响应可调控潜力评估方法
CN111598378B (zh) * 2020-03-30 2023-10-03 国网山东省电力公司济南供电公司 一种居民电热水器负荷需求侧响应可调控潜力评估方法
CN112448478A (zh) * 2020-11-16 2021-03-05 贵州电网有限责任公司 一种变压器负载管控方法
CN115630772A (zh) * 2022-12-19 2023-01-20 国网浙江省电力有限公司宁波供电公司 综合能源检测配电方法、系统、设备及存储介质

Also Published As

Publication number Publication date
JP6742813B2 (ja) 2020-08-19
EP3460742A1 (en) 2019-03-27
EP3460742A4 (en) 2019-12-18
US20190147465A1 (en) 2019-05-16
JP2017208046A (ja) 2017-11-24

Similar Documents

Publication Publication Date Title
WO2017199578A1 (ja) 需要予測システム及び需要予測方法
JP6408451B2 (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
JP6742894B2 (ja) データ予測システムおよびデータ予測方法
Tom et al. Smart energy management and demand reduction by consumers and utilities in an IoT-fog-based power distribution system
Quigley Housing demand in the short run: An analysis of polytomous choice
Hayn et al. Electricity load profiles in Europe: The importance of household segmentation
JP7319757B2 (ja) データ処理システム及びデータ処理方法
JP6603485B2 (ja) 電力事業損益試算システム
CN109376971B (zh) 一种面向电力用户的负荷曲线预测方法及系统
JP6445909B2 (ja) 電力需要予測システム
WO2019049546A1 (ja) 予測システム及び方法
Schwarz et al. Two-stage stochastic, large-scale optimization of a decentralized energy system: a case study focusing on solar PV, heat pumps and storage in a residential quarter
Bandyopadhyay et al. Individual and aggregate electrical load forecasting: One for all and all for one
Boulaire et al. Statistical modelling of district-level residential electricity use in NSW, Australia
US9607343B2 (en) Generating a demand response for an energy-consuming facility
WO2017212880A1 (ja) データ予測システムおよびデータ予測方法
JP2006011715A (ja) 資源消費量の推定方法及び装置
Ke et al. Load profile analysis and short-term building load forecast for a university campus
CN110675087A (zh) 一种区域综合能源系统投资潜力评估方法
JP2005293048A (ja) 資源計画作成プログラム
JP6933996B2 (ja) 電力計画支援装置
Gerossier et al. A novel method for decomposing electricity feeder load into elementary profiles from customer information
Schönheit et al. A statistical approach to generation shift keys
Kim et al. Short-term residential load forecasting using 2-step SARIMAX
Bock Forecasting energy demand by clustering smart metering time series

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17799012

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2017799012

Country of ref document: EP

Effective date: 20181220