WO2019049546A1 - 予測システム及び方法 - Google Patents
予測システム及び方法 Download PDFInfo
- Publication number
- WO2019049546A1 WO2019049546A1 PCT/JP2018/028104 JP2018028104W WO2019049546A1 WO 2019049546 A1 WO2019049546 A1 WO 2019049546A1 JP 2018028104 W JP2018028104 W JP 2018028104W WO 2019049546 A1 WO2019049546 A1 WO 2019049546A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- prediction
- value
- module
- correction
- prediction target
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
Abstract
予測対象期間における予測対象の時間推移を予測すると共に、当該予測対象の時間推移の基準値を算出し、予測した予測対象の時間推移と予測対象の時間推移の実績値との差分と、予測した予測対象の時間推移の基準値と当該基準値の実績値との差分との少なくとも一方について、所定範囲を超える外れ値を除去するフィルタリング処理、もしくは、実績値の属性情報の一部を除去するフィルタリング処理、もしくは予測値算出で用いる属性情報に対する係数を求めるフィルタリング処理のいずれかのフィルタリング処理を実行し、フィルタリング処理の処理結果を用いて、予測された予測対象の時間推移及び又は予測された予測対象の時間推移の前記基準値を補正し、補正結果を用いて最終的な予測対象の時間推移の予測結果を算出するようにした。
Description
本発明は、予測システム及び方法に関し、例えば、将来の電力需要を予測する予測システムに適用して好適なものである。
電気事業者は、電気供給契約に基づいてユーザに電気を供給しなければならない。電気事業者は、必要な電気量を自ら発電によって創出することができるものの、電気量が不足しそうな場合には、他の電気事業者から電気を事前に調達してユーザに供給する。
電力の調達量が電気の販売量を越えると、電気事業者には負担になるために、電気事業者は、電気の調達量と販売量とが清算時間ごとで極力一致するように、電気の調達量を調整するようにしている。その為に、ユーザ全体の総電力需要を的確に予測することが重要である。
特許文献1には、電力需要を予測すべき日の環境条件に応じた電力需要パターンを選択し、気温別電力需要量データから予測日の予想気温における電力需要量の最大値及び最小値を取得し、これらを用いて、予測日の各単位時間における電力需要量を算出する需要予測モデルが開示されている。
ところで、電力需要量は、突発的に発生した事象(例えば、大雪又は台風の到来や、事故による主要鉄道の運行停止など)の影響を受けて大きく変動する。例えば、大雪の場合には、各家庭における暖房機器の使用量が増えるため電力需要量が増大する一方、主要鉄道の運行停止時には、鉄道車両を走行させない分、電力需要量が低下する。
このような事象が発生した日のデータを用いて将来の電力需要量の予測を行った場合、そのような事象が発生していない日のデータを用いて行った予測により得られた値から大きく外れた予測値が得られることになる。従って、電力需要量の予測を行うに際しては、電力需要量に大きな影響を与える事象が発生した日や時間帯のデータを予め排除した上ですることが好ましい。
しかしながら、従来、このような排除は行われておらず、このためこのようなデータによって精度の良い予測値を得難い問題があった。
本願発明は以上の点を考慮してなされたもので、予測値の誤差を従来よりも極力低減させ得る予測システム及び方法を提案しようとするものである。
かかる課題を解決するため本発明においては、任意期間における予測対象の予測値を算出する予測システムにおいて、予測対象期間における前記予測対象の時間推移を予測する時間推移予測部と、前記時間推移予測部が予測した前記予測対象の時間推移の基準値を算出する基準値算出部と、前記時間推移予測部の予測結果と前記予測対象の時間推移の実績値との差分と、前記基準値算出部の算出結果と当該基準値の実績値との差分との少なくとも一方について、所定範囲を超える外れ値を除去するフィルタリング処理を実行するフィルタ部、もしくは、実績値の属性情報の一部を除去するフィルタリング処理を実行する説明変数フィルタ部、もしくは予測値算出で用いる属性情報に対する係数を求めるフィルタリング処理を実行する重み付けフィルタ部のいずれかのフィルタ部と、前記フィルタリング処理の処理結果を用いて、予測された前記予測対象の時間推移及び又は予測された前記予測対象の時間推移の前記基準値を補正し、補正結果を用いて最終的な前記予測対象の時間推移の予測結果を算出する予測結果算出部とを設けるようにした。
また本発明においては、任意期間における予測対象の予測値を算出する予測システムにおいて実行される予測方法であって、予測対象期間における前記予測対象の時間推移を予測すると共に、当該予測対象の時間推移の基準値を算出する第1のステップと、予測した前記予測対象の時間推移と前記予測対象の時間推移の実績値との差分と、予測した前記予測対象の時間推移の前記基準値と当該基準値の実績値との差分との少なくとも一方について、所定範囲を超える外れ値を除去するフィルタリング処理、もしくは、実績値の属性情報の一部を除去するフィルタリング処理、もしくは予測値算出で用いる属性情報に対する係数を求めるフィルタリング処理のいずれかのフィルタリング処理を実行する第2のステップと、前記フィルタリング処理の処理結果を用いて、予測された前記予測対象の時間推移及び又は予測された前記予測対象の時間推移の前記基準値を補正し、補正結果を用いて最終的な前記予測対象の時間推移の予測結果を算出する第3のステップとを設けるようにした。
かかる本発明の予測システム及び方法によれば、予測結果と実績値との差分の中から外れ値を除去するフィルタリング処理の処理結果を用いて最終的な予測対象の時間推移の予測結果を算出するため、最終的な予測結果が当該外れ値の悪影響を受けることを未然に防止することができる。
本発明によれば、予測値の誤差を、従来よりも極力小さくすることができる予測システム及びその方法を実現できる。
以下図面について、本発明の一実施の形態を詳述する。
(1)本実施の形態による需給管理システムの構成
図1において、1は全体として本実施の形態による需給管理システムを示す。需給管理システム1は、過去の電力需要の実績量に基づいて将来の所定期間の電力の需要量などの値を精度良く予測し、これによって、発電機の運転計画の策定や調整、そして、他の電気事業者からの電力の調達取引計画の策定や調整など電力の需給管理を可能にするものである。
図1において、1は全体として本実施の形態による需給管理システムを示す。需給管理システム1は、過去の電力需要の実績量に基づいて将来の所定期間の電力の需要量などの値を精度良く予測し、これによって、発電機の運転計画の策定や調整、そして、他の電気事業者からの電力の調達取引計画の策定や調整など電力の需給管理を可能にするものである。
需給管理システム1は、電気事業者システムモジュール2、系統運用者システムモジュール7、取引市場運用者システムモジュール8、公共情報提供者システムモジュール9、及び、需要家システムモジュール10と、これらのモジュール間を相互に接続するLAN(Local Area Network)などからなる第1のネットワーク111とを備えて構成される。
また電気事業者システムモジュール2は、需給管理者システムモジュール3、営業管理者システムモジュール4、取引管理者システムモジュール5及び設備管理者システムモジュール6と、これらのモジュール間を相互に接続するLANなどからなる第2のネットワーク112とを備えて構成される。
需給管理者システムモジュール3は、需給管理者が保有する販売計画や今後の販売計画に基づいて、例えば30分単位の演算時間単位ごとに将来の所定期間の需要量を予測し、予測した需要量を充足できるよう電力の調達量を管理する部署又は担当者が使用するシステムであり、需要の予測値を算出するための予測演算装置30及び装置とデータのやり取りを行うための情報入出力端末31を備える。
営業管理者システムモジュール4は、長期又は短期での電気の販売計画の立案や、需要家に対する電気供給の新規契約の締結及び既存の電気供給契約の管理を行う部署又は担当者が使用するシステムであり、立案した販売計画及び電気供給契約を締結した需要家の情報を管理する販売管理装置40を備える。
取引管理者システムモジュール5は、他の電気事業者との直接的な契約を通じて、又は、取引所を介して、電気を調達するための取引を計画し実行する部署又は担当者が使用するシステムであり、電気の調達取引計画及び契約済みの電気の調達契約の情報を管理し、他の電気事業者及び取引所との取引に関する電文をやり取りするための取引管理装置50を備える。
設備管理者システムモジュール6は、自社が保有する発電設備又は自社の電気調達計画に組み入れることが可能な自社保有外の発電設備の運転計画の立案と実行を行う部署又は担当者が使用するシステムであり、設備管理装置60及び設備管理装置60から制御信号を受信し実際に発電設備の制御を実行するための制御装置61を備える。設備管理装置60は、発電設備の情報の管理、発電設備の運転計画の立案及び運転計画の実行のための制御信号の送信を行う。
一方、系統運用者システムモジュール7は、広範囲の地域にまたがる送配電系統設備の管理及び地域の需要家それぞれの需要実績を計測した計測値の保管を行う事業者が使用するシステムであり、計測した需要家の需要実績値を配信するための系統情報管理装置70を備える。
また取引市場運用者システムモジュール8は、複数の電気事業者に対して、電力の取引を行うために必要な情報や手続きを統括的に管理する事業者が使用するシステムであり、電力取引に関する情報を配信し、各電気事業者から受け付けた注文の付け合せ処理を行うための市場運用管理装置80を備える。
公共情報提供者システムモジュール9は、気温、湿度、日射量などの気象に関する過去の観測情報と将来の予報情報を提供する事業者が使用するシステムであり、気象の観測情報及び予報情報を配信するための公共情報配信装置90を備える。
需要家システムモジュール10は、負荷設備や発電設備を有する個人又は法人が使用するシステムであり、電気事業者システムモジュール2又は系統運用者システムモジュール7に、その需要家が所有する設備又は施設や、その需要家の業種、その需要家の所在地などの需要や発電の傾向に影響を与え得る各種情報を送信するための情報入出力端末101と、需要及び発電の実績量を計測するための計測装置100とを備える。
(2)本実施の形態による予測機能
次に、本実施の形態の需給管理システム1に実装された予測機能について説明する。本需給管理システム1には電力需要量を予測する予測機能が搭載されている。
次に、本実施の形態の需給管理システム1に実装された予測機能について説明する。本需給管理システム1には電力需要量を予測する予測機能が搭載されている。
図2は、需給管理システム1の一部を構成する本実施の形態による予測システム12を示す。本実施の形態の予測システム12は、電力需要を予測するシステムで、予測機能が搭載され、予測演算装置30及び販売管理装置40を備える。
予測演算装置30は、例えばパーソナルコンピュータ、サーバコンピュータ、ハンドヘルドコンピュータなどの情報処理装置から構成され、予測演算装置30の動作を統括的に制御する制御装置であるCPU(Central Processing Unit)301、入力装置302、出力装置303、通信装置304及び記憶装置305を備える。
入力装置302は、キーボード、マウス又はそれらの組み合わせから構成され、出力装置303は、ディスプレイ、プリンタ又はそれらの組み合わせから構成される。また通信装置304は、無線LAN又は有線LANに接続するためのNIC(Network Interface Card)を備えて構成される。
記憶装置305は、RAM(Random Access Memory)及びROM(Read Only Memory)の記憶媒体から構成される。記憶装置305には、属性実績情報306及び属性予報情報307のデータベースがそれぞれ格納される。
属性実績情報306は、暦日情報、気象情報、突発事象の発生の有無を示す情報又は電力需要に影響を及ぼし得る各種産業の実態を示す産業動態情報など含む。歴日情報は、年、月、曜日、平日、休日又はそれらの組み合わせを示す日種別の情報とし、気象情報は気温、湿度、日射量、日照時間、気圧、風速又はそれらの組み合わせとする。以下においては、適宜、気象情報の各項目(気温及び湿度など)の値や、台風及びイベントの突発事象の発生の有無、各種産業の実態を表す値をまとめて説明変数と呼ぶものとする。また属性予報情報307は、属性実績情報306に格納されている各種属性情報それぞれについての、予め設定した将来期間における予報データ(予報値)を含む情報である。
なお本実施の形態の場合、属性実績情報306及び属性予報情報307の説明変数には、気温に対する需要の時間遅れ応答特性を示す情報も含まれる。これは、気温に対する電気需要の時間遅れは季節によって異なるためであり、例えば、夏期(7月~9月)に属する各日にちにおける0時から1時間ごとの所定時間前(例えば3時間前)の電気需要の実績値や、冬期(12月~3月)に属する各日にちにおける0時から1時間ごとの所定時間前(例えば10時間前)からの電気需要の平均値の実測値などが説明変数として属性実績情報306に含まれる。
ただし、例えば、夏期と冬期とで必要な説明変数を入れ替えるなど、季節や状況に応じて属性実績情報306及び属性予報情報307に含ませる説明変数を入れ替えるようにしてもよい。
一方、販売管理装置40は、例えばパーソナルコンピュータ、サーバコンピュータ、ハンドヘルドコンピュータなどの情報処理装置から構成され、販売管理装置40の動作を統括的に制御するCPU401、入力装置402、出力装置403、通信装置404及び記憶装置405を備える。
入力装置402は、キーボード、マウス又はそれらの組み合わせから構成され、出力装置403は、ディスプレイ又はプリンタから構成される。また通信装置404は、無線LAN又は有線LANに接続するためのNICを備えて構成される。
記憶装置405は、RAM及びROMの記憶媒体から構成される。記憶装置405には、需要実績情報406及び販売契約予実情報407のデータベースが格納される。需要実績情報406は、計測装置100及び系統情報管理装置70から受信し取得した情報であり、既契約の需要家システムモジュール10又は契約予定の需要家システムモジュール10の過去の需要実績情報を含む。実績情報の粒度は例えば30分単位であり、また期間は数日から数年である。
また販売契約予実情報407は、営業管理者システムモジュール4が作成した電気の販売計画の予定及び実績の情報であり、過去及び未来の任意の期間に亘る日、週、月又は年単位での既契約の各需要家システムモジュール10又は契約予定の各需要家システムモジュール10の供給開始、供給終了日時、契約電力容量などの情報を含む。
他方、予測演算装置30の記憶装置305には、上述した属性実績情報306及び属性予報情報307に加えて、図3に示すように、適時性指標値設定モジュール308、信頼性指標値設定モジュール309、代表曲線算出モジュール310、補正値算出モジュール311、ダミー標本出力モジュール312、標本フィルタモジュール314、予測演算モジュール315、予測値補正モジュール316及び代表曲線補正モジュール317が格納されている。
適時性指標値設定モジュール308は、属性実績情報306及び需要実績情報406の予測に用いるデータである標本値(以下、標本データと呼ぶ)それぞれについて、予め設定した予測対象とする将来期間と時間的な相関を有するか否かの適時性を評価し、標本データそれぞれに対応した適時性を示す指標値を算出する機能を有するプログラムである。
信頼性指標値設定モジュール309は、予測演算装置30での処理過程の中間において算出される各種推定データについて、推定結果の変動範囲などの信頼性を評価し、各種推定データのそれぞれに対応した信頼性を示す指標値を算出する機能を有するプログラムである。
代表曲線算出モジュール310は、属性実績情報306、需要実績情報406、販売契約予実情報407又はそれらの組み合わせを用いて、予め設定した予測対象とする将来期間における予測対象の時間推移を示す曲線を算出する機能を有するプログラムである。代表曲線算出モジュール310は、かくして得られた予測演算結果(曲線)を第1の予測演算結果データ320Aとしてデータベース320に格納する。
補正値算出モジュール311は、属性実績情報306及び需要実績情報406の予測に用いる標本データ並びに適時性指標値設定モジュール308が算出した適時性を示す指標値に基づいて、代表曲線算出モジュール310が算出した曲線の振幅又は周波数を変更するための補正値(以下、これを補正用データと呼ぶ)を算出する機能を有するプログラムである。補正値算出モジュール311は、かくして得られた補正用データを第2の予測演算結果データ320Bとしてデータベース320に格納する。
ダミー標本出力モジュール312は、ダミーの標本データを補正値算出モジュール311に出力する機能を有するプログラムである。後述のように本実施の形態においては、補正値算出モジュール311は、需要実績情報406及び属性実績情報306を用い、補正用データである予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値の算出の演算に用いるモデルを同定する処理を実行するが、このモデルとしてガウス過程回帰モデルを生成する点を特徴の1つとしている。
しかしながら、図4(A)に示すように、生成したガウス過程回帰モデルK1では、予測対象期間の左右両側に誤差が発生しやすいという問題がある。そこで、本実施の形態においては、図4(B)に示すように、この誤差を低減させるようなダミーの標本データ(以下、これをダミー標本データと呼ぶ)をダミー標本出力モジュール312において生成し、生成したダミー標本データを補正値算出モジュール311に与える。かくして補正値算出モジュール311は、与えられたダミー標本データを用いて予測対象期間の左右両側を補正したガウス過程回帰モデルK1´を生成する。
なお、このようなダミー標本データは、重回帰モデルを用いた予測や、ARモデルなどの時系列解析を用いた予測により算出することができる。また運用者が経験的に得られる値をダミー標本データとして予め設定しておくようにしてもよい。
また標本フィルタモジュール314は、第1及び第2の予測演算結果データ320A,320Bの外れ値を除去する機能を有するプログラムである。標本フィルタモジュール314には、第1の減算器313Aにより算出された、属性実績情報306と、代表曲線算出モジュール311による予測結果(第1の予測演算結果データ320A)との差分が与えられる。また標本フィルタモジュール314には、第2の減算器313Bにより算出された、需要実績情報406と、補正値算出モジュール312による予測結果(第2の予測演算結果データ320B)との差分が与えられる。そして標本フィルタモジュール314は、これらの差分に基づいて予測演算結果データ253Aの外れ値を除去するフィルタリング処理を行う。
予測演算モジュール315は、標本フィルタモジュール314によりフィルタリング処理された、属性実績情報306及び第1の予測演算結果データ320Aの差分(予測結果と実測値との差分)と、需要実績情報406及び第2の予測演算結果データ320Bの差分(予測結果と実測値との差分)とに基づいて、所定の過去日時からの第1の予測演算部314による予測結果の誤差を算出し、その誤差の発生傾向をモデル化することで、代表曲線算出モジュール310による任意の将来日時の予測の誤差量を予測するプログラムである。予測演算モジュール315は、かくして得られた代表曲線算出モジュール310による任意の将来日時の予測の誤差量の予測値と、補正値算出モジュール311による任意の将来日時の予測の誤差量の予測値とを予測値補正モジュール316に出力する。
予測値補正モジュール316は、データベース320に格納されている上述の第1及び第2の予測演算結果データ320A,320Bを読み出し、これら第1及び第2の予測演算結果データ320A,320Bを、予測演算モジュール315から与えられた代表曲線算出モジュール310による任意の将来日時の予測の誤差量の予測値と、補正値算出モジュール311による任意の将来日時の予測の誤差量の予測値とに基づいて補正する機能を有するプログラムである。予測値補正モジュール316は、かかる補正により得られた補正された第1及び第2の予測演算結果データ320A,320Bを代表曲線補正モジュール317に出力する。
代表曲線補正モジュール317は、補正値算出モジュール311が算出した補正用データ(補正された第2の予測演算結果データ320B)と、信頼性指標値設定モジュール309が算出した補正用データそれぞれの信頼性を示す指標値とに基づいて、代表曲線算出モジュール310が算出した曲線(補正された第1の予測演算結果データ320A)の振幅又は周波数を変更する機能を有するプログラムである。
予測演算装置30が算出した最終的な予測結果又は計算過程における中間データは予測結果情報318として管理される。予測結果情報318は、予め設定した将来期間における予測対象の予測結果データ、同期間における予測対象の時間推移を表す曲線データ、曲線を補正するための補正用データ又はこれらデータの算出の演算に用いる演算式である演算モデル(以下、モデルとする)の情報を含む。この予測結果情報318は、この後、設備管理装置60及び取引管理装置50により利用される。
(3)予測処理
図5は、予測システム12における予測処理の処理手順を示す。この処理は、予測演算装置30が需給管理者システムモジュール3からの入力操作を受け付けたこと、予め設定された時間間隔又は時刻を契機として開始される処理である。なお以下においては、各種処理の処理主体をプログラム(「……モジュール」)として説明するが、実際上は、予測演算装置30のCPU301がそのプログラムに基づいてその処理を実行することは言うまでもない。
図5は、予測システム12における予測処理の処理手順を示す。この処理は、予測演算装置30が需給管理者システムモジュール3からの入力操作を受け付けたこと、予め設定された時間間隔又は時刻を契機として開始される処理である。なお以下においては、各種処理の処理主体をプログラム(「……モジュール」)として説明するが、実際上は、予測演算装置30のCPU301がそのプログラムに基づいてその処理を実行することは言うまでもない。
まず適時性指標値設定モジュール308が、需要実績情報406及び属性実績情報306より、予測のために用いる標本データセットを抽出する。そして標本データセット内の各標本データについて、予測対象期間との時間的な相関の程度尺度である適時性を評価し、適時性を示す指標値を算出する(S1)。
ここで標本データセット内の各標本データ及び予測対象期間の時間的な相関の評価とは、例えば予測対象期間に対して時間的により近い標本データを強相関と評価する。そしてこの評価に基づいて算出する適時性を示す指標値とは、時間の関数として算出され、例えば予測対象期間からの日数や経過の間隔の逆数として算出される。この場合、指標値が大きい程、予測対象期間との相関が強いことを意味する。
標本データセット内の各標本データ及び予測対象期間の時間的な相関の評価は、予測対象の時間周期的な変動傾向に基づいた評価であってもよい。例えば予測対象が季節性の周期的変動傾向を有する場合、予測対象期間と同季節の前年標本データを強相関と評価し、適時性を示す指標値は、時間軸上での三角関数を用いて算出される。
例えば予測対象が曜日性の周期的変動傾向を有する場合、予測対象期間と同曜日の標本データが強相関と評価され、適時性を示す指標値は、予測対象期間と同曜日の標本データを“1”、それ以外の曜日の標本データを“0”とされる。これは曜日の他、例えば平日や休日を示す日種別に基づいた周期的変動傾向を有する場合であっても同様である。
次に代表曲線算出モジュール310が、需要実績情報406、属性実績情報306及び属性予報情報307を用いて、予測対象の値の時間推移を示す曲線を算出し、算出した曲線のデータを第1の予測演算結果データ320Aとしてデータベース320に格納する(S2)。
予測対象の値の時間推移を示す曲線の算出に際しては、適時性指標値設定モジュール308が算出した適時性を示す指標値を用いる。具体的には、各標本データに対して、適時性を示す指標値が重み係数として乗算された上で、曲線が算出される。これにより、予測対象期間と時間的相関が強い標本データをより重視した曲線が算出され、予測対象期間に観測されると予測される曲線の形状により近い曲線が算出され得る。
また他方で、補正値算出モジュール311が、需要実績情報406、属性実績情報306及び属性予報情報307を用いて、代表曲線算出モジュール310が算出した曲線を補正するための補正用データを算出し、算出した補正用データを第2の予測演算結果データ320Bとしてデータベース320に格納する(S3)。
ここで曲線の補正とは、具体的には、曲線の量軸上でのスケール補正である振幅の変更又は曲線の時間軸上でのスケール補正である周波数の変更を意味する。従って補正用データは、予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値である。
補正用データの算出に際しては、適時性指標値設定モジュール308が算出した適時性を示す指標値が用いられる。具体的には、各標本データに対して、適時性を示す指標値を重み係数として乗算した上で、補正用データである予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値が算出される。
これにより、予測対象期間と時間的相関が強い標本データをより重視した補正用データが算出され、予測対象期間に観測されると予測される予測対象の値により近い予測値を算出するような曲線に補正され得る。
次に信頼性指標値設定モジュール309が、算出した補正用データである予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値のそれぞれについて、量的及び時間的の2種の信頼性を評価し、信頼性を示す指標値を算出する(S4)。信頼性を示す指標値とは、例えば、各補正用データの信頼区間や予測区間である。
続いて、減算器313Aが、データベース320に格納された所定の過去期間の第1の予測演算結果データ320Aから予測値を取得すると共に、需要実績情報406から取得した同一期間の実計測値を取得し、これら予測値と実計測値との差分を算出し、算出結果を予測誤差データ(誤差系列322)として標本フィルタモジュール314に出力する(S5)。
次に標本フィルタモジュール314が、予測誤差データ(誤差系列322)のデータ中に外れ値が混在している場合、外れ値を除去する(S6)。具体的には、予測誤差データの平均および標準偏差を算出し、標準偏差に所定の乗数を乗算した値を平均に加算および減算した値をそれぞれ閾値として、閾値を超過する予測誤差データを外れ値として除外する。
なおこの外れ値の検出方法はこれに限らず、例えば予測誤差データの平均値との乖離量の平均と標準偏差を評価する処理であってもよい。具体的には、先ず予測誤差データの全標本の平均を算出する。そしてこの平均に対する予測誤差データの各標本の差分をそれぞれ算出する。この差分の平均と標準偏差を用いて、上述の外れ値検出処理を行う。あるいはスミルノフ・グラブス検定などの一般的な統計的な検定法や、1クラスSVMなどの機械学習手法などを用いても良い。また予測誤差データを直接する前述の方法意外にも、予測誤差データの夫々を観測した日時に対応する曜日や気温等の属性値に対して、前述の外れ値検出方法を適用することで、予測誤差データの外れ値を除去してもよい。
この後、予測演算モジュール315が、標本フィルタモジュール314によりフィルタリング処理された予測誤差データ(誤差系列322)でなる第1及び第2の予測演算結果データ320A,320Bに基づいて、誤差の発生傾向のモデルを作成し、作成したモデルより、予め定めた将来期間の第1及び第2の予測演算結果データ320A,320Bの予測誤差量を算出する(S7)。予測演算モジュール315が予測を行うに際して用いる手法は、上述の代表曲線算出モジュール310や補正値算出モジュール311が予測を行うに際して用いる手法と同様とし、ここでは説明を省略する。
続いて、予測値補正モジュール316が、予測演算モジュール315が算出した予測誤差量に基づいて、第1及び第2の予測演算結果データ320A,320Bを補正し、補正結果を代表曲線補正モジュール317に出力する(S8)。具体的に、予測値補正モジュール316は、例えば、予測誤差量を、第1及び第2の予測演算結果データ320A,320Bに加算することで補正する。
最後に代表曲線補正モジュール317が、予測値補正モジュール316から与えられた第2の予測演算結果データ320Bに基づいて、予測値補正モジュール316から与えられた第1の予測演算結果データ320Aに基づく曲線の振幅、周波数又はその両方の変更を行い、補正結果を予測値として予測結果情報318に格納する(S9)。
なお代表曲線補正モジュール317が上述の補正を行う際には、信頼性指標値設定モジュール309が算出した各補正用データに対する信頼性を示す指標値が用いられる。具体的には、信頼性を示す指標値が補正時の重み係数として用いられることで、曲線の補正量を制御する。以上の処理を以って、本実施形態における予測処理が終了する。
(4)各処理モジュールの詳細
(4-1)代表曲線算出モジュールの第1の実施の形態
図6は、予測システム12における代表曲線算出モジュール310の第1の実施の形態を示す。代表曲線算出モジュール310は、時間単位クラスタリングモジュール310A1及び時間単位プロファイリング処理モジュール310A2を備える。
(4-1)代表曲線算出モジュールの第1の実施の形態
図6は、予測システム12における代表曲線算出モジュール310の第1の実施の形態を示す。代表曲線算出モジュール310は、時間単位クラスタリングモジュール310A1及び時間単位プロファイリング処理モジュール310A2を備える。
本実施形態における代表曲線算出モジュール310は、需要値データである、需要実績情報406、属性実績情報306及び属性予報情報307を入力標本として用いて、予め設定した予測対象とする将来期間における予測対象の時間推移を示す曲線310Bを算出する。
(4-1-1)時間単位クラスタリングモジュール
時間単位クラスタリングモジュール310A1は、予測対象の周期的な変動を示す特徴量に基づいて、需要実績情報406から抽出した標本データを分類する。
時間単位クラスタリングモジュール310A1は、予測対象の周期的な変動を示す特徴量に基づいて、需要実績情報406から抽出した標本データを分類する。
まず、時間単位クラスタリングモジュール310A1は、予め設定した時間粒度で需要実績情報406から抽出した標本データを分割し、新たな第2の標本値(以下、第2の標本データとする)のセット(第2の標本データセット)を算出する。分割した標本データのそれぞれに対してフーリエ変換又はウェーブレット変換の周波数解析を用いることで周期的な特徴を示す特徴量が算出される。そして算出した特徴量に対してクラスタリング処理が行われ、例えば24時間単位の波形形状が類似する標本データ同士がクラスタ(以下、これを時間クラスタと呼ぶ)として分類される。
なおこのようなクラスタを用いるクラスタリング処理に用いるアルゴリズムとして、公知の手法が適用されてもよい。公知の手法としては、近傍の最適化の教師なしクラスタリングアルゴリズムであるk-means、EMアルゴリズム及びスペクトラルクラスタリングが挙げられる。また、識別面の最適化の教師なしのクラスタリングアルゴリズムである教師なしSVM(Support Vector Machine)、VQアルゴリズム及びSOM(Self-Organizing Maps)も公知の手法として挙げられる。
また特徴量の算出に当たって、標本データのそれぞれは、例えば平均が0、標準偏差が1となるように正規化される。正規化が施されることにより、各標本データの値の規模の大小に依存しない周期的な特徴のみが抽出される。
(4-1-2)時間単位プロファイリングモジュール
時間単位プロファイリング処理モジュール310A2は、時間単位クラスタリングモジュール310A1が算出した各時間クラスタのそれぞれについて、共通的に存在する属性の特定及びその値の範囲の算出を行うことで、各時間クラスタを識別する識別器を同定する。
時間単位プロファイリング処理モジュール310A2は、時間単位クラスタリングモジュール310A1が算出した各時間クラスタのそれぞれについて、共通的に存在する属性の特定及びその値の範囲の算出を行うことで、各時間クラスタを識別する識別器を同定する。
具体的には、各時間クラスタを特定する番号及び名称の識別子を教師ラベル及び属性実績情報306に格納されている属性情報のそれぞれを予測子とする標本データセットを用いた教師有り学習アルゴリズムを用い、標本データセットとの適合性が最も高くなるような識別器を同定する。なおここで適合性を計る指標は、エントロピーやジニ係数などの標本データセットの識別度合いを示す指標値や、識別器同定の過程において行う交差検定時のテスト誤差やなどである。またこの識別器は、予測対象の時間推移を示す曲線を算出する演算モデルを構成する要素の一つである。
この算出の際、適時性指標値設定モジュール308が算出した各標本データに対する適時性を示す指標値が重み係数として利用される。これにより、予測対象の年を経るごとの変化(以下、経年変化とする)などが反映された識別器が算出され得る。換言すれば、予測対象の時間推移を示す曲線を算出するモデルである識別器の構造は、適時性を示す指標値に応じて変更され得る。
算出された識別器に対して属性予報情報307を入力することで、予測対象期間における予測対象の時間推移を示す曲線が所属すると予測される時間クラスタが識別される。識別された時間クラスタから予測対象の時間推移を示す曲線が算出される方法は、例えば識別された時間クラスタに所属する標本データ群の算術平均として算出される方法である。又は、識別器から算出される全時間クラスタの所属確率を重み係数とした加重平均にて算出される。なおこの識別された時間クラスタから予測対象の時間推移を示す曲線が算出する処理部分が、予測対象の時間推移を示す曲線を算出する演算モデルを構成するもう要素の一つである。
なお識別器算出アルゴリズムは公知の手法が適用されてもよい。公知の手法としては、例えば、CART、ID3、ランダムフォレストの決定木学習アルゴリズム及びSVM(Support Vector Machine)の識別平面学習アルゴリズムが挙げられる。
(4-2)適時性指標値設定モジュール
適時性指標値設定モジュール308は、標本データセット内の各標本データについて、標本データセット内の各標本データ及び予測対象期間の時間的な相関の程度尺度である適時性を評価し、適時性を示す指標値を算出する。
適時性指標値設定モジュール308は、標本データセット内の各標本データについて、標本データセット内の各標本データ及び予測対象期間の時間的な相関の程度尺度である適時性を評価し、適時性を示す指標値を算出する。
具体的には、需要実績情報406及び属性実績情報306より、予測のために用いる標本データセットが抽出される。そして標本データセット内の各標本データについて、予測対象期間との時間的な相関の程度尺度である適時性が評価され、適時性を示す指標値が算出される。
ここで予測対象期間との時間的な相関の評価は、例えば予測対象期間に対して時間的により近い標本データを強相関と評価される。そしてこの評価に基づいて算出する適時性を示す指標値とは、時間の関数として算出されるものであり、例えば予測対象期間からの日数又は経過の間隔の逆数として算出されてもよい。この場合、指標値が大きい程、予測対象期間との相関が強くなる。また、予測対象期間からの日数を7(週の日数)もしくは365(年の日数)、予測対象期間からの時間を8760(年の時間数)で割った剰余の値の近さを用いて評価するようにしても良い。
予測対象期間との時間的な相関の評価は、予測対象の時間周期的な変動傾向に基づいた評価であってもよい。例えば予測対象が季節性の周期的変動傾向を有する場合、予測対象期間と同季節の前年標本データが強相関と評価され、適時性を示す指標値は、時間軸上での三角関数を用いて算出される。
また予測対象が曜日性の周期的変動傾向を有する場合、予測対象期間と同曜日の標本データが強相関と評価され、適時性を示す指標値は、予測対象期間と同曜日の標本データが“1”、それ以外の曜日の標本データが“0”とされる。これは曜日の他、例えば平日や休日を示す日種別に基づいた周期的変動傾向を有する場合であっても同様である。
適時性指標値設定モジュール308が算出した適時性を示す指標値は、上述のように、時間単位プロファイリング処理モジュール310A2での識別器算出過程において、重み係数として用いられる。またこの他に、補正値算出モジュール311での演算においても用いられる。いずれにおいても得られる効果は同様であり、予測対象期間と時間的な相関が強い標本データに重きを置いた学習処理を施すことが可能となり、従って算出されるデータは、予測対象の経年変化を反映したより正確なデータとなる。
(4-3)補正値算出モジュールの第1の実施の形態
図8は、予測システム12における補正値算出モジュール311の第1の実施の形態を示す。補正値算出モジュール311は、モデル同定モジュール311A1、補正値推定モジュール311A2及び選択モジュール311A4を備える。
図8は、予測システム12における補正値算出モジュール311の第1の実施の形態を示す。補正値算出モジュール311は、モデル同定モジュール311A1、補正値推定モジュール311A2及び選択モジュール311A4を備える。
本実施形態における補正値算出モジュール311は、需要実績情報406と属性実績情報306及び属性予報情報307とを用いて、代表曲線算出モジュール310が算出した曲線を補正するための補正用データを算出する。
ここで曲線の補正とは、具体的には、曲線の量軸上でのスケール補正である振幅の変更又は曲線の時間軸上でのスケール補正である周波数の変更を意味する。従って補正用データは、予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値である。これらの予測値が補正基準点として用いられる。
(4-3-1)選択モジュール
まず選択モジュール311A4は、需要実績情報406及び属性実績情報306に含まれる説明変数(時間、日及び曜日、時間の剰余の値などの暦日情報の各属性、天気、湿度、最高気温及び最低気温などの気象情報の各属性、並びに、台風、イベント及び重大事故などの突発事故の各属性など)の中から、モデル同定モジュールがモデルの同定を行う際に利用する説明変数を選択する。
まず選択モジュール311A4は、需要実績情報406及び属性実績情報306に含まれる説明変数(時間、日及び曜日、時間の剰余の値などの暦日情報の各属性、天気、湿度、最高気温及び最低気温などの気象情報の各属性、並びに、台風、イベント及び重大事故などの突発事故の各属性など)の中から、モデル同定モジュールがモデルの同定を行う際に利用する説明変数を選択する。
具体的に、選択モジュール311A4は、かかる説明変数ごとに、例えば364日分の説明変数でモデル(例えば、後述するガウス過程回帰モデル)を作成し、そのモデルを用いて残りの1日分の説明変数の予測精度を判定する交差検定を行う。そして選択モジュールは、交差検定の結果が良い順に説明変数をランキングし、ランキング結果に基づいて、一般的な手法(例えば上位10個、又は、下位10個以外のすべてなど)で説明変数を選択する。換言すればこの処理は、説明変数(すなわち属性データ(属性実績情報、属性予報情報、属性値と標記))として利用する項目をフィルタする説明変数フィルタ処理である。本発明は、前述の標本フィルタモジュール314と、説明変数フィルタをもつ特徴がある。
そして選択モジュール311A4は、このようにして選択した各説明変数の情報のみを需要実績情報406及び属性実績情報306としてモデル同定モジュール311A1に出力する。
(4-3-2)モデル同定モジュール
モデル同定モジュール311A1は、選択モジュール311A4から与えられる需要実績情報406及び属性実績情報306を用い、補正用データである予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値の算出の演算に用いるモデルを同定する。本実施の形態においては、このようなモデルとして、ノンパラメトリックなモデル(非線形モデル)であるガウス過程回帰モデルを同定するものとする。
モデル同定モジュール311A1は、選択モジュール311A4から与えられる需要実績情報406及び属性実績情報306を用い、補正用データである予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値の算出の演算に用いるモデルを同定する。本実施の形態においては、このようなモデルとして、ノンパラメトリックなモデル(非線形モデル)であるガウス過程回帰モデルを同定するものとする。
例えば、補正用データである予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値をy、ある過去日時tに観測したyの説明変数のベクトルをx_t(x_tは、x1_t,x2_t、……、xn_tのn個の要素で構成されるベクトル)、予測対象日のyの説明変数のベクトルをx_pとしたとき、次式の関係が成り立つとする。
ここで、Yは予測対象としている最大値や最小値または積算値の過去の各日時での観測値のベクトルである。またKは、説明変数ベクトルx_t(t=1、……、n)同士の類似度を示す行列(カーネル行列もしくはグラム行列)であり、過去の各日時での説明変数ベクトルx_tで構成される行列Xを、カーネル関数φを用いて変換する事で算出される。またKsは、予測対象日の説明変数ベクトルx_pと過去の各日時での説明変数ベクトルx_tとの類似度を示すベクトルであり、予測対象日の説明変数ベクトルx_pを、前述のカーネル関数φを用いて変換する事で算出される。
換言すればこの処理は、類似度を示す行列Kならびに類似度を示すベクトルKsにより、説明変数ベクトルの要素に対して予測値yの算出における重み付けを与えるフィルタの処理(重み付けフィルタ処理)である。本発明は、前述の標本フィルタモジュール(標本フィルタ処理)と、前述の説明変数フィルタ処理と、重み付けフィルタ処理をもつ特徴がある。
ここでx1、x2は、例えば平均気温や前日のyの実績値であり、具体的な数値は属性実績情報306に格納されている。モデル同定モジュールは、(1)式に記載の係数a、b、c、dを、xとyとの適合性が最も高くなるように推定することで、演算モデルを同定する。具体的には、例えば最小二乗法により係数を推定する。その際、適合性を計る指標は、同定したモデルと標本データの残差二乗和であり、適合性が最も高くなるとは、残差二乗和が最も小さくなることを意味する。
なお係数を推定するにあたっては、適時性指標値設定モジュール308が算出した各標本データに対する適時性を示す指標値が用いられる。具体的には、適時性を示す指標値を重み係数とした、重み付き最小二乗法により係数a、b、c、dが推定され、補正用データの算出の演算に用いるモデルの同定結果として算出される。これにより、yの経年変化を反映したより的確な補正用データが算出され得る。
(4-3-3)補正値推定モジュール
そして補正値推定モジュール311A2は、モデル同定モジュール311A1が算出した補正用データの算出の演算に用いるモデルに、属性予報情報307に格納されている説明変数xの予報値が入力されることで、予測対象期間における時間推移を示す曲線の補正値を、補正用データとして算出する。
そして補正値推定モジュール311A2は、モデル同定モジュール311A1が算出した補正用データの算出の演算に用いるモデルに、属性予報情報307に格納されている説明変数xの予報値が入力されることで、予測対象期間における時間推移を示す曲線の補正値を、補正用データとして算出する。
ここで補正用データには、補正値そのものの情報(補正用データ311B1)及び各補正値の時刻範囲に関する情報(補正用データ311B2)の、少なくとも2種類の情報が含まれる。各補正値の時刻範囲に関する情報とは、例えば予測対象期間内の任意の期間における最大値又は最小値を補正用データとする場合は、それぞれの値が出現する時刻の範囲である。
加えて補正値推定モジュール311A2は、最小二乗法の計算時の標本誤差データを補正用データの一部として算出する。このデータは、信頼性指標値設定モジュール309が信頼性を示す指標価を算出する際に使用するデータである。またこのデータは、モデル同定モジュール311A1が算出した補正用データの算出の演算に用いるモデル又はモデル同定モジュール311A1が補正用データの算出の演算に用いるモデルを同定するため行った最小二乗法の計算結果のデータである。
なお、電力の販売契約の予実情報である販売契約予実情報407が使用できる場合、さらに的確な予測がされ得る。具体的には、補正値推定モジュール311A2が算出した補正用データ311B1が、一度、現時点での総契約電力容量で除算され、1契約電力容量あたりの原単位補正値が算出される。
そしてこの原単位補正値に対して、予測対象期間における総契約電力容量が乗算され、新たに補正用データ311B1が算出される。これにより、契約需要家数が増減する場合においても、より的確な曲線補正用データが算出され得る。
(4-4)代表曲線補正モジュールの第1の実施の形態
図10は、予測システム12における代表曲線補正モジュール317の第1の実施の形態を示す。代表曲線補正モジュール317は、振幅補正モジュール317A1及び周波数補正モジュール310A2を備える。
図10は、予測システム12における代表曲線補正モジュール317の第1の実施の形態を示す。代表曲線補正モジュール317は、振幅補正モジュール317A1及び周波数補正モジュール310A2を備える。
本実施形態における代表曲線補正モジュール317は、補正値算出モジュール311が算出した補正用データを用いて、代表曲線算出モジュール310が算出した曲線の振幅もしくは周波数を変更する。このとき、信頼性指標値設定モジュール309が算出した補正用データそれぞれの信頼性を示す指標値が用いられることで、より的確な予測値が算出される。
(4-4-1)振幅補正モジュール
まず、振幅補正モジュール317A1が、補正値算出モジュール311が算出した補正用データ311B1を用いて、代表曲線算出モジュール310が算出した予測対象期間における予測対象の時間推移を示す曲線310Bの振幅を変更する。具体的には補正後の曲線f^(t)は次式で与えられる。
まず、振幅補正モジュール317A1が、補正値算出モジュール311が算出した補正用データ311B1を用いて、代表曲線算出モジュール310が算出した予測対象期間における予測対象の時間推移を示す曲線310Bの振幅を変更する。具体的には補正後の曲線f^(t)は次式で与えられる。
ここで、f(t)は、予測対象期間における予測対象の時間推移を示す曲線であり、時刻tの関数である。またα及びβは、曲線f(t)の変更係数である。すなわち振幅補正モジュール317A1は、補正用データ311B1である予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値それぞれと、補正後の曲線f^(t)との残差平方和が最小となるように、変更係数α及びβを推定する処理を行う。
なおα及びβの推定においては、信頼性指標値設定モジュール309が算出した各補正用データに対する信頼性を示す指標値が用いられる。具体的には、それぞれの補正用データに対する量的な信頼性を示す指標値が、それぞれの補正用データの値及び曲線f^(t)の残差に対する重み係数として乗算された上で、変更係数α及びβが推定される。
これにより、信頼性指標値設定モジュール309が算出した各補正用データと、信頼性の低い補正用データよりも信頼性の高い補正用データの値との残差をより小さくすることを優先として曲線f(t)が補正され、このことで最終的な予測精度が向上する。
(4-4-2)周波数補正モジュール
そして周波数補正モジュール310A2は、補正値算出モジュール311が算出した補正用データ311B2を用いて、代表曲線算出モジュール310が算出した予測対象期間における予測対象の時間推移を示す曲線310Bの周波数を変更する。
そして周波数補正モジュール310A2は、補正値算出モジュール311が算出した補正用データ311B2を用いて、代表曲線算出モジュール310が算出した予測対象期間における予測対象の時間推移を示す曲線310Bの周波数を変更する。
例えば、補正用データが予測対象期間内の任意の期間における最大値や最小値の予測値である場合、補正用データ311B2に格納されているそれぞれの出現時刻範囲の平均値又は最頻値と、補正後の曲線f^(t)の当該時刻とが一致又は残差平方和が最小となるように、曲線f(t)の周波数が変更される。そして補正後の曲線f^(t)が、予測対象期間における予測対象の予測値として算出され、予測結果情報318に格納される。
なお補正においては、信頼性指標値設定モジュール309が算出した各補正用データに対する信頼性を示す指標値が用いられる。具体的には、それぞれの補正用データに対する時間的な信頼性を示す指標値を、それぞれの補正用データの値と曲線f^(t)との残差に対する重み係数として乗算した上で、補正処理が行われる。これにより、信頼性指標値設定モジュール309が算出した各補正用データと、信頼性の低い補正用データよりも信頼性の高い補正用データの値との残差をより小さくすることを優先として曲線f(t)が補正され、このとこで最終的な予測精度が向上する。
(4-4-3)信頼性指標値設定モジュール
信頼性指標値設定モジュール309は、算出した補正用データである予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値のそれぞれについて、量的及び時間的の2種の信頼性を評価し、信頼性を示す指標値を算出する。
信頼性指標値設定モジュール309は、算出した補正用データである予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値のそれぞれについて、量的及び時間的の2種の信頼性を評価し、信頼性を示す指標値を算出する。
具体的には、補正値推定モジュール311A2が算出した補正用データ311B1に含まれている、各補正用データの算出の演算に用いるモデル又はモデル同定の過程で算出した標本誤差データから、それぞれの補正用データの推定値の信頼区間や予測区間又は標本誤差の分散や標準偏差が算出され、量的な信頼性を示す指標値として算出される。
また補正値推定モジュール311A2が算出した補正用データ311B2に含まれている、各補正用データの値の出現する時刻範囲の情報から、それぞれの補正用データの時間軸上の信頼区間や予測区間又は時刻範囲の情報の分散や標準偏差が算出され、時間的な信頼性を示す指標値として算出される。
上述した様に、これら信頼性を示す指標値を代表曲線補正モジュール317が使用することで、最終的に算出される予測値の予測精度が向上し得る。
以上までに説明した予測処理によって算出された予測結果情報318に基づいて、設備管理装置60が運用可能な発電設備の運転計画を算出し、制御装置61に送信する。運転計画を受信した制御装置61は、発電設備の具体的な制御値を算出し、実際の制御を実行する。
また取引管理装置50は、他の電気事業者や取引市場との電力の売買にかかわる取引計画を作成し、市場運用管理装置80に対して売買注文や注文取消しの電文を送信する。
(5)本実施の形態の効果
図13に示すように、代表曲線算出モジュール310が出力する予測対象期間における予測対象の時間推移を示す曲線の算出結果は、適時性指標値設定モジュール308が算出する標本データそれぞれの適時性を示す指標値を用いた場合及びそうでない場合で異なる。
図13に示すように、代表曲線算出モジュール310が出力する予測対象期間における予測対象の時間推移を示す曲線の算出結果は、適時性指標値設定モジュール308が算出する標本データそれぞれの適時性を示す指標値を用いた場合及びそうでない場合で異なる。
まず図13のグラフ501は、ある1年間における日ごとの平均気温の推移を示している。ここで、仮に代表曲線算出モジュール310における時間単位プロファイリング処理モジュール310A2が算出した時間クラスタの識別器において、最も主要な属性が日平均気温であった場合、予測対象期間と同一の平均気温の標本データが所属する時間クラスタが、予測対象期間に観測されると予測される時間推移を示す曲線が所属する時間クラスタとして識別される。
具体的には、図13のグラフ502及びグラフ503に示す2つの時間クラスタが、識別される候補の時間クラスタである。ここでは、予測対象の時間推移を示す曲線は、1年を経て、グラフ502に示す曲線から、グラフ503に示す曲線に変化しているとする。
ここで上記の識別器の算出の過程において、仮に、標本データそれぞれの適時性を示す指標値を使用しなかったとする。その場合に算出される識別器では、図13のグラフ502及びグラフ503の時間クラスタはほぼ同確率として識別される。従って、予測対象期間における予測対象の時間推移を示す曲線は、図13のグラフ504に示す様に、両時間クラスタの平均的な曲線として算出され、曲線の経年変化を捉えることができない。
一方、標本データそれぞれの適時性を示す指標値を使用した場合、図13のグラフ505に示す様に、経年変化を経た直近の曲線により近い形状として、予測対象期間における予測対象の時間推移を示す曲線が算出される。従って、最終的な予測精度を向上することができる。
標本データそれぞれの適時性を示す指標値は、補正値算出モジュール311においても使用され、その効果及び原理は、上記で説明した内容と同様である。
また図14は、信頼性指標値設定モジュール309が算出する、曲線の補正用データに対する信頼性を示す指標値を使用したときの、代表曲線補正モジュール317が算出する最終的な予測結果である補正後の曲線への影響を示す。
信頼性指標値設定モジュール309が算出する曲線の補正用データに対する信頼性を示す指標値には、量的な信頼性及び時間的な信頼性の、少なくとも2種類の信頼性を示す指標値が存在する。
まず図14のグラフ601には、量的な信頼性を概念的に示している。ここでは、曲線の補正用データとして、例えば、早朝の最小値、正午前後の最大値及び夕方前後の最大値が使用される。
このとき、それぞれの信頼性を示す指標値は、それぞれ図14のグラフ602、グラフ603及びグラフ604に示す確率密度関数上の分散として定義される。なお説明を簡単にするため、指標値を高低の二値で表す。
ここでは、早朝の最小値及び夕方前後の最大値の信頼性が高く、正午前後の最大値の信頼性が低い。従って曲線の振幅の変更は、図14のグラフ609に示す様に、曲線及び正午前後の最大値の量軸上での残差が拡大することを許容した上で、曲線及び早朝の最小値の量軸上での残差と曲線及び夕方前後の最大値の量軸上での残差とを最小化するように補正を行う。
他方、図14のグラフ605には、時間的な信頼性を概念的に示している。ここでは上記と同様に、曲線の補正用データとして、早朝の最小値、正午前後の最大値及び夕方前後の最大値を使用していることとする。
このとき、それぞれの信頼性を示す指標値は、それぞれ図14のグラフ606、グラフ607及びグラフ608に示す過去の観測値の範囲として定義しているとする。なお説明を簡単にするため、指標値を高低の2値で表す。
ここでは、早朝の最小値及び正午前後の最大値の信頼性が高く、夕方前後の最大値の信頼性が低い。従って曲線の振幅の変更は、図14のグラフ610に示す様に、曲線及び夕方前後の最大値の時間軸上での残差が拡大することを許容した上で、曲線及び早朝の最小値の時間軸上での残差と曲線及び正午前後の最大値の時間軸上での残差とを最小化するように補正を行う。
以上のように、信頼性の高い補正用データを優先した曲線補正を行うことで、最終的な予測値である補正後の曲線を、よりもっともらしい曲線とすることができる。つまり、予測における標本値及び処理途中で得られる加工データそれぞれの信頼性などの有用性を考慮した予測値を得ることができる。
また本実施の形態によれば、第1及び第2の予測演算結果データ320A,320Bの外れ値を標本フィルタモジュール314(図3)により除去するようにしたことにより、最終的に得られる予測結果情報318の誤差が当該外れ値の影響により拡大することを防止することができる。かくするにつき、予測値の誤差を、従来よりも極力小さくすることができる予測システムを実現できる。
(6)各モジュールの他の実施形態
(6-1)代表曲線算出モジュールの第2の実施の形態
上述の代表曲線算出モジュール310の第1の実施の形態においては、予測対象期間における予測対象の時間推移を示す曲線を算出する方法として、予測対象の周期的な変動の特徴を示す特徴量を用いたクラスタリングアルゴリズムを利用した場合について述べたが、本発明はこれに限らず、例えば、代表曲線算出モジュール310は予測対象日と同一日種別の過去数日分を標本データとして、その算術平均にて曲線を算出するようにしてもよい。
(6-1)代表曲線算出モジュールの第2の実施の形態
上述の代表曲線算出モジュール310の第1の実施の形態においては、予測対象期間における予測対象の時間推移を示す曲線を算出する方法として、予測対象の周期的な変動の特徴を示す特徴量を用いたクラスタリングアルゴリズムを利用した場合について述べたが、本発明はこれに限らず、例えば、代表曲線算出モジュール310は予測対象日と同一日種別の過去数日分を標本データとして、その算術平均にて曲線を算出するようにしてもよい。
また上述の代表曲線算出モジュール310の第1の実施の形態においては、需要実績情報406に格納されている予測対象のデータは、1つの計量器にて計測された1つのデータ又は複数の計量器で計測された複数のデータを合計した1つのデータとした場合について述べたが、本発明はこれに限らず、例えば、電力需要データの場合、予測対象のデータを電力の需要家ごとに設置された計量器のそれぞれの計測データとしてより正確な予測を実現するようにしてもよい。
具体的には、図7に示すように、代表曲線算出モジュール310は計量単位クラスタリングモジュール310A3をさらに備える。計量単位クラスタリングモジュール310A3は、需要実績情報406に格納されている計量器ごとのデータを、それぞれ例えば過去365日分の同一期間分として抽出し、需要家ごとのメータデータを入力標本データとする。
そして各標本データに対してフーリエ変換やウェーブレット変換の周波数解析が施されることで、周期的な特徴を示す特徴量が算出される。そして算出された特徴量に対してクラスタリング処理が行われることで、例えば365日(8760時間)単位の波形形状が類似する標本データ同士がクラスタ(以下、これを計量器クラスタと呼ぶ)として分類される。
以下においては上述の代表曲線算出モジュール310の第1の実施の形態と同様の時間クラスタリング処理及び時間単位プロファイリング処理が、各計量器クラスタの代表波形に対して施される。なお各計量器クラスタの代表波形の算出方法は、例えば、各計量器クラスタの算術平均とする。
このように、長期間における予測対象の値の変動が類似する計量点ごとに予めデータが分類されることで、標本データにおける標本分散を減少させることができ、以降の処理により算出される予測対象期間における予測対象の時間推移を示す曲線の精度を向上させることができる。
(6-2)補正値算出モジュールの第2の実施の形態
上述の補正値算出モジュール311の第1の実施の形態においては、予測対象期間における予測対象の時間推移を示す曲線を、予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値又は積算値の予測値に対して一致又はそれぞれの残差和が最小となるように、曲線の振幅又は周波数を補正した場合について述べたが、本発明はこれに限らず、例えば、(2)式で示す変更係数αとβを補正用データとして扱うなど、変更係数を補正用データとして直接扱うようにしてもよい。
上述の補正値算出モジュール311の第1の実施の形態においては、予測対象期間における予測対象の時間推移を示す曲線を、予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値又は積算値の予測値に対して一致又はそれぞれの残差和が最小となるように、曲線の振幅又は周波数を補正した場合について述べたが、本発明はこれに限らず、例えば、(2)式で示す変更係数αとβを補正用データとして扱うなど、変更係数を補正用データとして直接扱うようにしてもよい。
本実施の形態による補正値算出モジュール311は、図9に示すように補正係数算出モジュール311A3をさらに備え、曲線の補正係数を直接予測する。補正係数算出モジュール311A3が、需要実績情報406から抽出した標本データを用いて、変更係数αとβの標本データを算出する。
次に図8を用いて説明した処理と同様に、モデル同定モジュール311A1によって変更係数α及びβの算出の演算に用いるモデルが同定され、同定されたモデルに属性予報情報307から抽出した説明変数値が補正値推定モジュール311A2によって入力されることで、予測対象期間における予測対象の時間推移を示す曲線の変更係数α及びβが算出される。
またモデル同定モジュール311A1における変更係数α及びβの算出の演算に用いるモデル同定においては、図8を用いて説明したとおり、適時性指標値設定モジュール308が算出した適時性を示す指標値が用いられる。
また上述の補正値算出モジュール311の第1の実施の形態においては、補正用データの算出の演算に用いるモデルを(1)式に示すモデルを用いるようにした場合について述べたが、本発明はこれに限らず、例えば計算式の形態や使用する説明変数は任意のものが用いられる。
説明変数は、例えば平均気温の二乗値であってもよく、さらにこれら変数を含めた計画行列として用いられてもよい。これにより、モデルは線形式とされつつも、予測対象及び属性の間に存在する非線形な関係がモデルとして表現され得る。具体的には、標本値から第2の標本値を算出するのと同様に、第2の標本値から第3の標本値を算出する。
また上述の補正値算出モジュール311の第1の実施の形態においては、説明変数として使用する属性を予め一意に設定した場合について述べたが、本発明はこれに限らず、例えばリッジ回帰やラッソ回帰又はエラスティックネットなど、説明変数が自動的に選択される方法を採用してもよい。なお、主成分回帰や部分最小二乗法の説明変数から新たな成分を算出するような方法を採用してもよいし、ニューラルネットワークの非線形なモデルを使用する方法を採用してもよい。
何れの方法を採用する場合においても、適時性指標値設定モジュール308が算出する適時性を示す指標値はモデル同定時に使用されてもよく、これにより図13を用いて説明したものと同様の効果を得ることができるのみならず、適時性に応じた説明変数が自動選択され得る。換言すれば、このことで補正用データの算出の演算に用いるモデルの変更が行われ得る。
また上述の補正値算出モジュール311の第1の実施の形態においては、補正用データである予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値のうち、何れかが使用されるかは予め設定されるようにした場合について述べたが、本発明はこれに限らず、例えば、信頼性指標値設定モジュール309が算出した信頼性を示す指標値に基づいて、自動的に設定されるようにしてもよい。
具体的には、各補正用データに対する信頼性の指標値を比較し、信頼性が高い順に予め設定した順位までの補正用データを、以降の代表曲線補正モジュール317で使用するとしてもよい。また、最も高い信頼性を示す指標値を“1”に、最も低い信頼性を示す指標値を“0”になるように各補正用データの信頼性を示す指標値を標準化した上で、すべての補正用データを以降の代表曲線補正モジュール317で使用するとしてもよい。
この場合、指標値が“0”である補正用データは、結果として曲線補正には使用されることは無く、従って補正用データの自動的な選択が達成される。また各補正用データの指標値のべき乗を新たな指標値とする信頼性を示す指標値の大小の差を極端なもとのする補正がされてもよい。この場合、最も大きい指標値に対し、最も小さい指標値は相対的に“0”と等しくなるため、前述の指標値が“0”の場合と同様に、結果として曲線補正には、最も小さい指標値は現実的には使用されず、従って補正用データの自動的な選択が達成される。
(6-3)代表曲線補正モジュールの第2の実施の形態
上述の代表曲線補正モジュール317の第1の実施の形態においては、予測対象の時間推移を示す曲線の振幅、周波数又はその両方の変更のみを代表曲線補正モジュール317が行う補正処理とするようにした場合について述べたが、本発明はこれに限らず、例えば、振幅、周波数又はその両方の変更によって算出された最終的な予測値に、季節特異な、又は、曜日特異な誤差が定常的に発生する場合、これは予測系に残存する潜在的な偏差であることから、この定常的な偏差を補正する処理を加えるようにしてもよい。
上述の代表曲線補正モジュール317の第1の実施の形態においては、予測対象の時間推移を示す曲線の振幅、周波数又はその両方の変更のみを代表曲線補正モジュール317が行う補正処理とするようにした場合について述べたが、本発明はこれに限らず、例えば、振幅、周波数又はその両方の変更によって算出された最終的な予測値に、季節特異な、又は、曜日特異な誤差が定常的に発生する場合、これは予測系に残存する潜在的な偏差であることから、この定常的な偏差を補正する処理を加えるようにしてもよい。
図10では、振幅補正モジュール317A1及び周波数補正モジュール317A2を経て算出された補正後の曲線を最終的な予測値として出力していたが、本実施の形態では、図11に示すように、定常偏差補正モジュール317A3が、補正後の曲線と事後的に観測される需要実績情報406を用いて、上記の定常的な偏差の補正を行い、最終的な予測値として予測結果情報318に格納する。このことで、代表曲線補正モジュール317は定常的に発生する誤差を事前に補正する。
具体的には、図12に示すように、代表曲線補正モジュール317は定常偏差補正モジュール317A3をさらに備える。定常偏差補正モジュール317A3は、補正後の曲線317A2B及び事後的に観測される需要実績情報406の差である偏差を算出する。そして定常偏差量推定モジュール317A31は、残差を説明するモデルを同定し、同定したモデルによって、予測対象期間において発生し得る残差の推定値を算出する。算出された残差の推定値が補正後の曲線317A2Bに加算されることで、最終的な予測値が算出される。
ここで、定常偏差量推定モジュール317A31で使用されるアルゴリズムは、例えば、図6を用いて説明した代表曲線算出モジュール310のアルゴリズムでもよい。すなわち、入力としていた需要実績情報406を、補正後の曲線317A2B及び事後的に観測される需要実績情報406の差である偏差に置き換える。
このアルゴリズムによって、時間単位クラスタリング処理モジュール310A1及び時間単位プロファイリング処理モジュール310A2と同様の処理を経て、予測対象期間において発生し得る残差の曲線が算出される。
この際、入力される残差に対する正規化処理は省くことで、出力される残差の曲線は量の情報を含んだ推定残差そのものとなる。また、ARモデルやARIMAモデルで代表される時系列解析の手法を用いて、予測対象期間において発生し得る残差の曲線が算出されてもよい。以上の様に、定常偏差補正モジュール317A3は、予測系において説明しきれていない予測対象の微細な変動を補正することができる。
さらに定常偏差量推定モジュール317A31におけるモデル同定の際に、適時性指標値設定モジュール308が算出した適時性を示す指標値が使用されてもよい。ただしここでの適時性指標値設定モジュール308への入力は、上記の残差とする。
すなわち、過去に発生した残差それぞれの適時性を示す指標値を適用することで、予測対象期間に発生し得る定常偏差としてよりもっともらしい値が算出され得る。換言すれば、適時性に応じて補正の演算に用いるモデルが適宜変更されることで、最終的な予測精度を向上することができる。
(7)他の実施の形態
なお上述の実施形態においては、適時性及び信頼性を示す指標値は、それぞれ適時性指標値設定モジュール308及び信頼性指標値設定モジュール309で算出されるようにした場合について述べたが、本発明はこれに限らず、例えば、適時性及び信頼性の指標値のそれぞれについて、予め設定した値が直接的に使用されるようにしてもよい。
なお上述の実施形態においては、適時性及び信頼性を示す指標値は、それぞれ適時性指標値設定モジュール308及び信頼性指標値設定モジュール309で算出されるようにした場合について述べたが、本発明はこれに限らず、例えば、適時性及び信頼性の指標値のそれぞれについて、予め設定した値が直接的に使用されるようにしてもよい。
また上述の実施形態においては、説明を簡単にするために、表示部を省略するようにした場合について述べたが、本発明はこれに限らず、例えば、各処理モジュールの算出結果や各処理モジュールの中間結果が、ディスプレイやプリンタの出力装置を通じて、適宜表示されてもよい。
さらに上述の実施形態においては、標本フィルタモジュール314は予測誤差データ(誤差系列322)にのみ適用する場合について述べたが、本発明はこれに限らず、需要実績情報406、あるいは属性実績情報306などの、標本データそのものに対して適用してもよい。需要実績情報406、あるいは属性実績情報306に記憶されている標本自体から外れ値を除去することで、代表曲線算出モジュール310および補正値算出モジュール311における予測結果の精度を向上させることができる。
さらに上述の実施形態においては、モデル同定モジュール311A1で用いる予測のためのモデルとしてガウス過程回帰モデルを適用するようにした場合について述べたが、本発明はこれに限らず、サポートベクトル回帰やスプライン関数を用いた回帰などのノンパラメトリックなモデルや、重回帰モデルやロジスティック回帰、ニューラルネットワークなどのパラメトリックなモデルや、ARモデルなどの時系列解析手法や、カルマンフィルタや状態空間法などのシステム同定の様な手法など、他の一般的に使用される予測のためのモデルや手法を適用してもよい。同様に、予測演算モジュール315についても、ガウス過程回帰や、上述の手法群を適用してもよい。
さらに上述の実施形態においては、選択モジュール311A4における説明変数の選択に関わる処理は、すべての変数を夫々に交差検定することで選択するようにした場合について述べたが、本発明はこれに限らず、予め設定した変数群の単位で処理してもよい。例えば、ある地域全体の電力需要の予測に関わる場合、その説明変数として当該地域の各地点における気象データを用いるとする。このとき、各地域の気象データより生成した日最高気温や日最低気温などの説明変数を一つの群として、地域ごとのこれらの説明変数群に対して、選択モジュール311A4の処理を行うようにしてもよい。
さらに上述の実施形態においては、選択モジュール311A4における説明変数の選択に関わる処理を、使用する変数と使用しない変数とを明確に切り分ける(すなわち使用する変数の重みを1、使用しない変数の重みを0とする)ような処理として実行するようにした場合について述べたが、本発明はこれに限らず、各変数に対する重みを連続値として与えるような処理であってもよい。例えば、上述の実施径庭において、変数1と変数2の重みはそれぞれ1と0(変数1は使用する、変数2は使用しないことを意味する)であったところを、それぞれ0.7と0.3としてもよい。この場合、それぞれの説明変数の値に対してそれぞれの重みを乗算した値を夫々の新たな説明変数の値として、以降の予測に変わる処理を行う。なお連続値の重みは、選択モジュール311A4にて行った各変数に対する交差検定の結果として算出される予測誤差の値に基づいて算出する。
さらに上述の実施形態においては、電力の需要を予測するようにした場合について述べたが、本発明はこれに限らず、時間推移を伴って観測される時系列データが存在する対象であれば適用してもよい。時間推移を伴って観測される時系列データとは、例えば太陽光発電や風力発電の発電量、電力取引所で売買される電力商品の約定価格、出来高などである。
さらに上述の実施の形態においては、標本フィルタモジュール314が、第1及び第2の予測演算結果データ320A,320Bの双方の外れ値を除去する機能を有するように構成するようにした場合について述べたが、本発明はこれに限らず、第1及び第2の予測演算結果データ320A,320Bについてのみ外れ値を除去するフィルタ(つまり実績値の属性情報の一部を除去するフィルタリング処理を実行する説明変数フィルタ部、又は、予測値算出で用いる属性情報に対する係数を求めるフィルタリング処理を実行する重み付けフィルタ部のいずれかのフィルタ)として機能するように標準フィルタモジュール314を構成するようにしてもよい。
また電力の分野に限らず、例えば通信事業における基地局の通信量、ある局所的な車両や人の通行量など同じく時間推移を伴って観測される時系列データが存在する分野を対象に広く適用することができる。
1……需給管理システム、2……電気事業者システムモジュール、3……需給管理者システムモジュール、4……営業管理者システムモジュール、5……取引管理者システムモジュール、6……設備管理者システムモジュール、7……系統運用者システムモジュール、8……取引市場運用者システムモジュール、9……公共情報提供者システムモジュール、10……需要家システムモジュール、30……予測演算装置、31……情報入出力端末、40……販売管理装置、50……取引管理装置、60……設備管理装置、61……制御装置、70……系統情報管理装置、80……市場運用管理装置、90……公共情報配信装置、111……ネットワーク、112……ネットワーク。
Claims (10)
- 任意期間における予測対象の予測値を算出する予測システムにおいて、
予測対象期間における前記予測対象の時間推移を予測する時間推移予測部と、
前記時間推移予測部が予測した前記予測対象の時間推移の基準値を算出する基準値算出部と、
前記時間推移予測部の予測結果と前記予測対象の時間推移の実績値との差分と、前記基準値算出部の算出結果と当該基準値の実績値との差分との少なくとも一方について、所定範囲を超える外れ値を除去するフィルタリング処理を実行するフィルタ部、もしくは、実績値の属性情報の一部を除去するフィルタリング処理を実行する説明変数フィルタ部、もしくは予測値算出で用いる属性情報に対する係数を求めるフィルタリング処理を実行する重み付けフィルタ部のいずれかのフィルタ部と、
前記フィルタリング処理の処理結果を用いて、予測された前記予測対象の時間推移及び又は予測された前記予測対象の時間推移の前記基準値を補正し、補正結果を用いて最終的な前記予測対象の時間推移の予測結果を算出する予測結果算出部と
を備えることを特徴とする予測システム。 - 前記時間推移予測部は、
必要な1又は複数の説明変数の実績値と、前記説明変数の将来の予測値と、前記予測対象の実績値とに基づいて前記予測対象期間における前記予測対象の時間推移を予測し、
前記基準値算出部は、
必要な前記説明変数の実績値、及び、前記予測対象の実績値に基づいて、前記時間推移予測部が予測した前記予測対象の時間推移の前記基準値を算出し、
前記基準値算出部は、
前記予測対象期間内の任意の期間における前記基準値の算出の演算に用いるモデルを同定するモデル同定部と、
前記モデル同定部により同定された前記モデルに基づいて、前記補正値を推定する補正値推定部と、
前記モデル同定部が前記モデルの同定を行う際に利用する前記説明変数を選択する選択部と
を備える
ことを特徴とする請求項1に記載の予測システム。 - 前記モデル同定部は、
前記モデルとしてガウス過程回帰モデルを生成する
ことを特徴とする請求項2に記載の予測システム。 - 前記モデルの端部の誤差を補正するためのダミーの標本を前記基準値算出部に出力するダミー標本出力部を備え、
前記基準値算出部は、
前記ダミー標本を用いて前記モデルを同定する
ことを特徴とする請求項2に記載の予測システム。 - 前記説明変数として、所定の前記説明変数に関する需要の時間遅れ応答性能を示す情報を含む
ことを特徴とする請求項2に記載の予測システム。 - 任意期間における予測対象の予測値を算出する予測システムにおいて実行される予測方法であって、
予測対象期間における前記予測対象の時間推移を予測すると共に、当該予測対象の時間推移の基準値を算出する第1のステップと、
予測した前記予測対象の時間推移と前記予測対象の時間推移の実績値との差分と、予測した前記予測対象の時間推移の前記基準値と当該基準値の実績値との差分との少なくとも一方について、所定範囲を超える外れ値を除去するフィルタリング処理、もしくは、実績値の属性情報の一部を除去するフィルタリング処理、もしくは予測値算出で用いる属性情報に対する係数を求めるフィルタリング処理のいずれかのフィルタリング処理を実行する第2のステップと、
前記フィルタリング処理の処理結果を用いて、予測された前記予測対象の時間推移及び又は予測された前記予測対象の時間推移の前記基準値を補正し、補正結果を用いて最終的な前記予測対象の時間推移の予測結果を算出する第3のステップと
を備えることを特徴とする予測方法。 - 前記第1のステップでは、
必要な1又は複数の説明変数の実績値と、前記説明変数の将来の予測値と、前記予測対象の実績値とに基づいて前記予測対象期間における前記予測対象の時間推移を予測すると共に、必要な前記説明変数の実績値、及び、前記予測対象の実績値に基づいて、前記時間推移予測部が予測した前記予測対象の時間推移の前記基準値を算出し、
前記第1のステップは、
前記予測対象期間内の任意の期間における前記基準値の算出の演算に用いるモデルを同定するモデル同定ステップと、
同定した前記モデルに基づいて、前記補正値を推定する補正値推定ステップとを有し、
前記モデル同定ステップの実行前に、前記モデルの同定を行う際に利用する前記説明変数を選択する
ことを特徴とする請求項6に記載の予測方法。 - 前記モデル同定ステップでは、
前記モデルとしてガウス過程回帰モデルを生成する
ことを特徴とする請求項7に記載の予測方法。 - 前記モデル同定ステップでは、
モデルの端部の誤差を補正するためのダミーの標本を用いて前記モデルを同定する
ことを特徴とする請求項7に記載の予測方法。 - 前記説明変数として、所定の前記説明変数に関する需要の時間遅れ応答性能を示す情報を含む
ことを特徴とする請求項7に記載の予測方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017173542A JP6837949B2 (ja) | 2017-09-08 | 2017-09-08 | 予測システム及び方法 |
JP2017-173542 | 2017-09-08 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2019049546A1 true WO2019049546A1 (ja) | 2019-03-14 |
Family
ID=65634768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2018/028104 WO2019049546A1 (ja) | 2017-09-08 | 2018-07-26 | 予測システム及び方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6837949B2 (ja) |
WO (1) | WO2019049546A1 (ja) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298475A (zh) * | 2019-05-10 | 2019-10-01 | 华北电力大学 | 一种基于序列成分分解与神经网络的中期电量预测方法 |
CN113632131A (zh) * | 2019-04-10 | 2021-11-09 | 三菱电机株式会社 | 电力管理装置 |
WO2021260982A1 (ja) * | 2020-06-22 | 2021-12-30 | 株式会社日立製作所 | 予測システムおよび予測方法 |
CN114066036A (zh) * | 2021-11-10 | 2022-02-18 | 华东交通大学 | 一种基于自修正融合模型的成本预测方法以及装置 |
US11288602B2 (en) | 2019-09-18 | 2022-03-29 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
US11328177B2 (en) | 2019-09-18 | 2022-05-10 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
US11334645B2 (en) | 2011-08-19 | 2022-05-17 | Hartford Steam Boiler Inspection And Insurance Company | Dynamic outlier bias reduction system and method |
US11550874B2 (en) | 2014-04-11 | 2023-01-10 | Hartford Steam Boiler Inspection And Insurance Company | Future reliability prediction based on system operational and performance data modelling |
US11615348B2 (en) | 2019-09-18 | 2023-03-28 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
US11636292B2 (en) | 2018-09-28 | 2023-04-25 | Hartford Steam Boiler Inspection And Insurance Company | Dynamic outlier bias reduction system and method |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7257276B2 (ja) * | 2019-07-05 | 2023-04-13 | 株式会社日立製作所 | データ予測システム及びその方法 |
CN117795805A (zh) * | 2021-08-18 | 2024-03-29 | 三菱电机楼宇解决方案株式会社 | 功耗估计装置、功耗估计方法以及功耗估计程序 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070055477A1 (en) * | 2005-09-02 | 2007-03-08 | Microsoft Corporation | Web data outlier detection and mitigation |
JP2009253362A (ja) * | 2008-04-01 | 2009-10-29 | Mitsubishi Electric Corp | ネットワーク性能予測システム、ネットワーク性能予測方法およびプログラム |
JP2016044029A (ja) * | 2014-08-22 | 2016-04-04 | 株式会社アールファイブ | 在庫管理システム、在庫管理方法、及びプログラム |
-
2017
- 2017-09-08 JP JP2017173542A patent/JP6837949B2/ja active Active
-
2018
- 2018-07-26 WO PCT/JP2018/028104 patent/WO2019049546A1/ja active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070055477A1 (en) * | 2005-09-02 | 2007-03-08 | Microsoft Corporation | Web data outlier detection and mitigation |
JP2009253362A (ja) * | 2008-04-01 | 2009-10-29 | Mitsubishi Electric Corp | ネットワーク性能予測システム、ネットワーク性能予測方法およびプログラム |
JP2016044029A (ja) * | 2014-08-22 | 2016-04-04 | 株式会社アールファイブ | 在庫管理システム、在庫管理方法、及びプログラム |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11334645B2 (en) | 2011-08-19 | 2022-05-17 | Hartford Steam Boiler Inspection And Insurance Company | Dynamic outlier bias reduction system and method |
US11868425B2 (en) | 2011-08-19 | 2024-01-09 | Hartford Steam Boiler Inspection And Insurance Company | Dynamic outlier bias reduction system and method |
US11550874B2 (en) | 2014-04-11 | 2023-01-10 | Hartford Steam Boiler Inspection And Insurance Company | Future reliability prediction based on system operational and performance data modelling |
US11803612B2 (en) | 2018-09-28 | 2023-10-31 | Hartford Steam Boiler Inspection And Insurance Company | Systems and methods of dynamic outlier bias reduction in facility operating data |
US11636292B2 (en) | 2018-09-28 | 2023-04-25 | Hartford Steam Boiler Inspection And Insurance Company | Dynamic outlier bias reduction system and method |
CN113632131A (zh) * | 2019-04-10 | 2021-11-09 | 三菱电机株式会社 | 电力管理装置 |
CN110298475A (zh) * | 2019-05-10 | 2019-10-01 | 华北电力大学 | 一种基于序列成分分解与神经网络的中期电量预测方法 |
US11288602B2 (en) | 2019-09-18 | 2022-03-29 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
US11328177B2 (en) | 2019-09-18 | 2022-05-10 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
US11615348B2 (en) | 2019-09-18 | 2023-03-28 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
JP7001766B2 (ja) | 2020-06-22 | 2022-01-20 | 株式会社日立製作所 | 予測システムおよび予測方法 |
JP2022002063A (ja) * | 2020-06-22 | 2022-01-06 | 株式会社日立製作所 | 予測システムおよび予測方法 |
WO2021260982A1 (ja) * | 2020-06-22 | 2021-12-30 | 株式会社日立製作所 | 予測システムおよび予測方法 |
CN114066036B (zh) * | 2021-11-10 | 2022-05-06 | 华东交通大学 | 一种基于自修正融合模型的成本预测方法以及装置 |
CN114066036A (zh) * | 2021-11-10 | 2022-02-18 | 华东交通大学 | 一种基于自修正融合模型的成本预测方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2019049850A (ja) | 2019-03-28 |
JP6837949B2 (ja) | 2021-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6837949B2 (ja) | 予測システム及び方法 | |
JP6895416B2 (ja) | エネルギー需要予測システム及びエネルギー需要予測方法 | |
JP7319757B2 (ja) | データ処理システム及びデータ処理方法 | |
JP6735219B2 (ja) | 予測システム及び予測方法 | |
US11593690B2 (en) | Data prediction system and data prediction method | |
JP2018092439A5 (ja) | ||
JP6831280B2 (ja) | 予測システム、及び、予測方法 | |
Aytac et al. | Characterization of demand for short life-cycle technology products | |
WO2019056499A1 (zh) | 预测模型训练方法、数据监控方法、装置、设备及介质 | |
Park et al. | A framework for baseline load estimation in demand response: Data mining approach | |
WO2017212880A1 (ja) | データ予測システムおよびデータ予測方法 | |
WO2016185919A1 (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 | |
KR102266494B1 (ko) | 수요반응을 위한 딥러닝 기반 고객 분류 장치 및 방법 | |
Uppal et al. | Short term load forecasting through heat index biasing approach for smart grid sustainability | |
Rueda et al. | Important variables in explaining real-time peak price in the independent power market of Ontario | |
Liu | Combining sister load forecasts | |
Peláez et al. | Bootstrap prediction regions for daily curves of electricity demand and price using functional data | |
Sinitsyna et al. | Identification of Electric Power Consumption Patterns in Relation to Standard Load Profiles | |
Oliveira et al. | Long-Term Energy Consumption Forecast for a Commercial Virtual Power Plant Using a Hybrid K-means and Linear Regression Algorithm | |
WO2024014035A1 (ja) | データ予測支援方法およびデータ予測システム | |
Klimberg et al. | Development of a Method to Improve Statistical Forecasts Using Interpolation and Cluster Analysis | |
Zhao | Research on E-Commerce Retail Demand Forecasting Based on SARIMA Model and K-means Clustering Algorithm | |
Du et al. | Classified Forecasting of Electricity Purchased by Agent Based on Risk Transfer Chains | |
Konda | Peak Load Forecast using Long Short Term Memory Networks. | |
Li | Comparison study on time series forecasting techniques for apparel retailing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 18853785 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 18853785 Country of ref document: EP Kind code of ref document: A1 |