WO2022162798A1 - 電力需要予測装置、電力需要予測方法およびプログラム - Google Patents

電力需要予測装置、電力需要予測方法およびプログラム Download PDF

Info

Publication number
WO2022162798A1
WO2022162798A1 PCT/JP2021/002897 JP2021002897W WO2022162798A1 WO 2022162798 A1 WO2022162798 A1 WO 2022162798A1 JP 2021002897 W JP2021002897 W JP 2021002897W WO 2022162798 A1 WO2022162798 A1 WO 2022162798A1
Authority
WO
WIPO (PCT)
Prior art keywords
power demand
abnormality
degree
data
predicted value
Prior art date
Application number
PCT/JP2021/002897
Other languages
English (en)
French (fr)
Inventor
美帆 岩本
将樹 香西
裕也 南
徹 田中
Original Assignee
日本電信電話株式会社
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 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to PCT/JP2021/002897 priority Critical patent/WO2022162798A1/ja
Publication of WO2022162798A1 publication Critical patent/WO2022162798A1/ja

Links

Images

Classifications

    • 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

Definitions

  • the present invention relates to a power demand forecasting device, a power demand forecasting method, and a program.
  • Non-Patent Document 1 past actual demand, past actual weather, and calendar information are input, parameters are calculated by learning processing, and predicted values output based on the calculated parameters and the latest weather forecast are:
  • a power demand forecasting system is disclosed that makes corrections based on past demand forecasts, past actual demand, latest actual demand, and the like.
  • the problem with conventional technology is that it does not consider demand characteristics that are smoothed over a wide area, such as human behavior, because it is a prediction that targets a wide area.
  • human behavior is limited to limited elements such as the day of the week, and there is a risk that prediction errors will increase if abnormal behavior that cannot be predicted with the elements considered occurs.
  • the disclosed technology aims to expand the scope of demand characteristics that are considered in forecasting electricity demand.
  • the disclosed technology includes a predicted value calculation unit that calculates a predicted value of power demand in a prediction target region, and an abnormality degree that calculates the degree of abnormality of the behavior based on action schedule data that indicates the schedule of human behavior in the region.
  • the power demand forecasting device includes a calculator and a forecasted value corrector that corrects the forecasted value based on the degree of abnormality.
  • FIG. 1 is a functional configuration diagram of a power demand forecasting device.
  • the power demand prediction device 10 acquires the history data 20 and the schedule data 30, and executes a process of predicting power demand.
  • Power demand is the demand for power consumption in the target area.
  • the target area is determined in advance according to the application, such as relatively large-scale areas such as municipalities or small-scale facilities such as office buildings.
  • history data 20 and the schedule data 30 may be stored in one database or the like, or may be stored in a plurality of databases or the like. Also, the history data 20 and the schedule data 30 may be stored in a server that provides various services, a cloud storage, or the like.
  • the history data 20 is data used for machine learning such as building a prediction model and calculating thresholds. Specifically, the history data 20 includes weather history information 21 , actual power demand data 22 , calendar history information 23 , and action history data 24 .
  • the weather history information 21 is information indicating the history of weather in the target area.
  • the weather history information 21 is, for example, information in which values such as temperature, humidity, discomfort index, and amount of solar radiation are associated with dates, times, and the like.
  • the actual power demand data 22 is data indicating the actual power demand.
  • the actual power demand data 22 is, for example, information in which the actual value of power consumption in the target area is associated with the date, time, and the like.
  • the power demand record data 22 is used as teacher data in machine learning.
  • the calendar history information 23 is information indicating history related to dates such as days of the week and holidays in the target area.
  • holidays include those set for each country, but are not limited thereto, and may include those set for regions, schools, companies, and the like.
  • the action history data 24 is data indicating the history of human actions in the target area.
  • the action history data 24 is, for example, people flow data, based on location information by GPS (Global Positioning System) installed in mobile terminals (smartphones, etc.), schedule information managed by a schedule management system, etc. This data shows the positions of people in chronological order.
  • the action history data 24 may be not only a person's position, but may be an index that quantifies the content of a person's action. For example, if the target area is an office, it may be information indicating a history of being in the room.
  • the scheduled data 30 is data used for calculating predicted values, calculating the degree of anomaly, and the like.
  • the schedule data 30 includes weather forecast information 31 , calendar schedule information 32 , and action schedule data 33 .
  • the weather forecast information 31 is information indicating the weather forecast for the target area.
  • the weather forecast information 31 is information in which estimated values of, for example, temperature, humidity, discomfort index, amount of solar radiation, etc. are associated with future dates, times, and the like.
  • the calendar schedule information 32 is information indicating schedules related to dates such as days of the week and holidays in the target area.
  • the action schedule data 33 is data indicating a person's action schedule in the target area.
  • the action schedule data 33 is, for example, people flow data, and is data showing schedules of people's positions in chronological order. It should be noted that the action schedule data 33 may be not only a person's position, but may be an index that quantifies a person's action schedule. For example, if the target area is an office, it may be information indicating a schedule for staying in the room.
  • the action schedule data 33 may include schedule information of the prediction target time or predicted values of people flow data at the prediction target time based on real-time people flow data.
  • the power demand prediction device 10 includes a storage unit 11, a prediction model construction unit 12, a threshold calculation unit 13, a prediction value calculation unit 14, an abnormality degree calculation unit 15, a prediction value correction unit 16, and a prediction value output unit. 17 and.
  • the storage unit 11 stores various types of information, specifically, a power demand forecast model 901 and threshold information 902 .
  • the prediction model building unit 12 builds a power demand prediction model 901 based on the weather history information 21 , the power demand performance data 22 and the calendar history information 23 of the history data 20 .
  • the power demand forecast model 901 is a forecast model that defines an algorithm for calculating a forecast value of power demand.
  • the constructed power demand forecast model 901 is stored in the storage unit 11 .
  • the threshold calculation unit 13 calculates a threshold for determining whether a person's behavior is normal or abnormal, based on the actual power demand data 22, the calendar history information 23, and the behavior history data 24 of the history data 20.
  • a threshold value is a value that is compared with an index that quantifies a person's behavior.
  • Threshold information 902 indicating the calculated threshold is stored in the storage unit 11 .
  • the predicted value calculation unit 14 uses the weather forecast information 31 and the calendar schedule information 32 of the schedule data 30 as input parameters, and executes the processing specified in the power demand forecast model 901 to calculate the predicted value. For example, regression analysis, ARIMA (autoregressive moving average model), machine learning method, etc. are applied as a method for calculating the predicted value.
  • regression analysis for example, regression analysis, ARIMA (autoregressive moving average model), machine learning method, etc. are applied as a method for calculating the predicted value.
  • the anomaly degree calculation unit 15 calculates the degree of anomaly of an action based on the calendar plan information 32 and the action plan data 33 of the plan data 30 . Specifically, the abnormality degree calculation unit 15 refers to the threshold information 902 to sort the numerical values included in the action schedule data into normal or abnormal, and calculates the degree of abnormality of the numerical values classified as abnormal.
  • the predicted value correction unit 16 corrects the predicted value calculated by the predicted value calculation unit 14 based on the calculated degree of abnormality.
  • the predicted value output unit 17 outputs the corrected predicted value as the predicted value of power demand.
  • FIG. 2 is a flowchart showing prediction model construction processing. The prediction model construction process is executed before starting the prediction of power demand.
  • the prediction model construction unit 12 acquires history data 20 (weather history information 21, power demand record data 22, calendar history information 23) (step S11). Then, the prediction model building unit 12 builds the power demand prediction model 901 based on the acquired history data 20 (step S12).
  • the predictive model construction unit 12 may use decision trees, neural networks, support vector machines, deep learning, etc. as known machine learning methods. For example, the prediction model construction unit 12 performs supervised learning using the weather history information 21 and the calendar history information 23 as input parameters and the actual power demand data 22 as teacher data.
  • the power demand forecasting device 10 may update the power demand forecasting model 901 at any time or periodically using the same procedure.
  • the generated power demand forecast model 901 improves the accuracy of power demand forecast using the weather forecast information 31 and the calendar schedule information 32 as input parameters.
  • FIG. 3 is a flowchart showing threshold calculation processing. The threshold calculation process is executed before starting power demand prediction.
  • the threshold calculation unit 13 acquires history data 20 (actual power demand data 22, calendar history information 23, action history data 24) (step S21). Then, the threshold calculator 13 calculates a threshold based on the acquired history data 20 (step S22).
  • each split model will have 243 data for the weekday model and 122 data for the holiday model. contains data for Then, the threshold calculation unit 13 calculates the values of the top 8% and the bottom 8% of all data of each model as the threshold of each model.
  • the conditions for dividing the data in units of one hour, in units of several minutes, and handling of special days
  • the reference period period to be referred to
  • the power demand prediction device 10 may update the threshold information 902 at any time or periodically using the same procedure. This improves the calculation accuracy of the degree of abnormality.
  • FIG. 4 is a flowchart showing power demand prediction processing.
  • the power demand prediction device 10 acquires the schedule data 30 (step S31).
  • the predicted value calculator 14 calculates a predicted value of power demand based on the weather forecast information 31 and the calendar schedule information 32 included in the schedule data 30 (step S32).
  • the abnormality degree calculation unit 15 extracts abnormal data from the action schedule data 33 based on the threshold information 902 and the calendar schedule information 32 (step S33). Then, the degree-of-abnormality calculator 15 calculates the degree of abnormality of the extracted abnormal data (step S34). Specific examples of steps S33 and S34 will be described later.
  • step S35 the predicted value correction unit 16 corrects the predicted value of power demand calculated in step S32 based on the calculated degree of abnormality (step S35).
  • step S35 A specific example of step S35 will also be described later.
  • the predicted value output unit 17 outputs the corrected predicted value as the predicted value of power demand (step S36).
  • FIG. 5 is a diagram for explaining the method of calculating the degree of anomaly. Note that the vertical axis in FIG. 5 is the value of the normalized power consumption P. As shown in FIG. The horizontal axis of FIG. 5 is the flow of people h (for example, the number of people present in each model on the date and time in the prediction target area).
  • step S ⁇ b>33 shown in FIG. 4 the abnormality degree calculation unit 15 extracts abnormal data from the action schedule data 33 based on the threshold information 902 and the calendar schedule information 32 . Specifically, first, the degree-of-abnormality calculator 15 calculates the average ⁇ h of all data for each model. Next, the degree-of-abnormality calculation unit 15 determines whether or not each data is abnormal based on the threshold. For example, the top 8% and bottom 8% data of each model are determined to be abnormal.
  • step S34 shown in FIG. 4 the degree-of-abnormality calculator 15 calculates distances Dth1 and Dth2 on the h-axis between the value hx determined to be abnormal and the average ⁇ h.
  • Dth 1 is a value when h x > ⁇ h
  • Dth 2 is a value when h x ⁇ h .
  • the average ⁇ h is calculated by the formula (1).
  • Dth 1 and Dth 2 are calculated by equations (2) and (3), respectively.
  • ⁇ h is an example of a reference value, and may be a median value, a mode value, or the like.
  • Distances Dth 1 and Dth 2 on the h-axis are examples of values indicating the difference between the value of the extracted abnormal data and the reference value.
  • the degree-of-abnormality calculation unit 15 normalizes the distance obtained above to obtain the degree of abnormality.
  • a standard for normalizing the distance is defined in advance, and an abnormality degree 1 is defined as a boundary indicating whether or not a change in the number of people has little effect on power demand. That is, the value of the power consumption P is a reference value when determining the reference value of the degree of abnormality.
  • the range of the flow of people h that is considered to have a small effect on the power consumption P is set as a reference value (for example, the degree of abnormality 1). For example, in an area where 2,000 people normally exist, if the number of days with less than 1,000 people in a year is 50% or more, and a strong correlation occurs between power demand and human behavior, 1,000 is set as the degree of abnormality 1.
  • the predicted value correction unit 16 may correct the predicted value of power demand when the calculated degree of abnormality exceeds a reference value (for example, 1).
  • FIG. 6 is a diagram for explaining a method of correcting predicted values. Three examples of correction formulas corrected by the predicted value correction unit 16 in step S35 shown in FIG. 4 are shown below. Pd: power demand forecast value after correction; Pb: power demand forecast value before correction; Abnormality.
  • FIG. 7 is a diagram illustrating a hardware configuration example of a power demand prediction device.
  • the power demand prediction apparatus 10 can be implemented, for example, by causing a computer to execute a program describing the processing details described in the present embodiment. Note that this "computer” may be a physical machine or a virtual machine on the cloud. When using a virtual machine, the "hardware" described here is virtual hardware.
  • the above program can be recorded on a computer-readable recording medium (portable memory, etc.), saved, or distributed. It is also possible to provide the above program through a network such as the Internet or e-mail.
  • FIG. 9 is a diagram showing a hardware configuration example of the computer.
  • the computer of FIG. 9 has a drive device 1000, an auxiliary storage device 1002, a memory device 1003, a CPU 1004, an interface device 1005, a display device 1006, an input device 1007, an output device 1008, etc., which are connected to each other via a bus B.
  • a program that implements the processing in the computer is provided by a recording medium 1001 such as a CD-ROM or memory card, for example.
  • a recording medium 1001 such as a CD-ROM or memory card
  • the program is installed from the recording medium 1001 to the auxiliary storage device 1002 via the drive device 1000 .
  • the program does not necessarily need to be installed from the recording medium 1001, and may be downloaded from another computer via the network.
  • the auxiliary storage device 1002 stores installed programs, as well as necessary files and data.
  • the memory device 1003 reads and stores the program from the auxiliary storage device 1002 when a program activation instruction is received.
  • the CPU 1004 implements functions related to the device according to programs stored in the memory device 1003 .
  • the interface device 1005 is used as an interface for connecting to the network.
  • a display device 1006 displays a GUI (Graphical User Interface) or the like by a program.
  • An input device 1007 is composed of a keyboard, a mouse, buttons, a touch panel, or the like, and is used to input various operational instructions.
  • the output device 1008 outputs the calculation result.
  • the degree of abnormality of behavior is calculated based on the behavior schedule data indicating the schedule of human behavior in the target area, and the predicted value is calculated based on the calculated degree of abnormality. to correct.
  • the degree of abnormality of behavior is calculated based on the behavior schedule data indicating the schedule of human behavior in the target area, and the predicted value is calculated based on the calculated degree of abnormality. to correct.
  • information such as a scheduler can be used to identify abnormalities on the next business day, for example, based on the cross section of the closing time of a certain day. It can be used for detection and correction.
  • This specification describes at least the power demand forecasting device, the power demand forecasting method, and the program described in each of the following items.
  • (Section 1) a predicted value calculation unit that calculates a predicted value of power demand in a prediction target area; an anomaly degree calculation unit that calculates an anomaly degree of the action based on action schedule data indicating a plan of action of a person in the area; A predicted value correction unit that corrects the predicted value based on the degree of abnormality, Power demand forecasting device.
  • the abnormality degree calculation unit extracts abnormality data from the action schedule data based on a predetermined threshold, normalizes the difference between the value of the extracted abnormality data and a reference value, and calculates the degree of abnormality.
  • the power demand prediction device according to claim 1.
  • (Section 3) Further comprising a threshold calculation unit for calculating the threshold based on actual power demand data indicating the actual power demand in the region and action history data indicating the history of human actions in the region, The power demand prediction device according to claim 2.
  • the abnormality degree calculation unit calculates the abnormality degree based on the action schedule data for each of a plurality of models divided by date type and time period.
  • the power demand prediction device according to any one of items 1 to 3.
  • (Section 5) The predicted value correction unit corrects the predicted value when the degree of abnormality exceeds a reference value.
  • the power demand prediction device according to any one of items 1 to 4.
  • the activity schedule data includes schedule information for the prediction target time or predicted values of people flow data at the prediction target time based on current people flow data, The power demand prediction device according to any one of items 1 to 5.
  • the activity schedule data includes schedule information for the prediction target time or predicted values of people flow data at the prediction target time based on current people flow data, The power demand prediction device according to any one of items 1 to 5.
  • (Section 7) A computer implemented method comprising: calculating a predicted value of power demand in the region to be predicted; calculating the degree of abnormality of the action based on action schedule data indicating the action schedule of the person in the area; A step of correcting the predicted value based on the degree of abnormality; Electricity demand forecast method.
  • (Section 8) A program for causing a computer to function as each unit in the power demand prediction device according to any one of items 1 to 6.

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

予測対象の領域における電力需要の予測値を算出する予測値算出部と、前記領域における人の行動の予定を示す行動予定データに基づいて前記行動の異常度を算出する異常度算出部と、前記異常度に基づいて前記予測値を補正する予測値補正部と、を備える電力需要予測装置である。

Description

電力需要予測装置、電力需要予測方法およびプログラム
　本発明は、電力需要予測装置、電力需要予測方法およびプログラムに関する。
　気象状況により出力が変動する自然エネルギーの普及に伴い、電力の同時同量を維持するための需給調整が重要になっている。そこで、対象の領域における電力需要を予測するシステムが開発されている。
　例えば、非特許文献１には、過去の需要実績、過去の気象実績およびカレンダー情報を入力としてパラメータを学習処理によって算出し、算出されたパラメータと最新の気象予測に基づいて出力した予測値を、過去の需要予測、過去の需要実績、最新の需要実績等に基づいて補正する電力需要予測システムが開示されている。
福田　健，「電力需要予測システムの導入」，［online］，２０１８年８月，中部電力　技術開発ニュース（１５９号），［令和３年１月１３日検索］，インターネット＜ＵＲＬ：https://www.chuden.co.jp/resource/seicho_kaihatsu/kaihatsu/kai_library/news/news_159_12.pdf＞
　従来の技術では、広域を対象とした予測であるため、例えば人の行動のような、広域において平滑化されてしまう需要特性を考慮していないという問題がある。例えば、人の行動については曜日といった限定的な要素による考慮にとどまり、考慮された要素では予測できないような異常な行動が行われた場合に予測誤差が大きくなるおそれがある。
　開示の技術は、電力需要の予測において考慮する需要特性の対象を拡大することを目的とする。
　開示の技術は、予測対象の領域における電力需要の予測値を算出する予測値算出部と、前記領域における人の行動の予定を示す行動予定データに基づいて前記行動の異常度を算出する異常度算出部と、前記異常度に基づいて前記予測値を補正する予測値補正部と、を備える電力需要予測装置である。
　電力需要の予測において考慮する需要特性の対象を拡大することができる。
電力需要予測装置の機能構成図である。 予測モデル構築処理を示すフローチャートである。 閾値算出処理を示すフローチャートである。 電力需要予測処理を示すフローチャートである。 異常度の算出方法を説明するための図である。 予測値の補正方法を説明するための図である。 電力需要予測装置のハードウェア構成例を示す図である。
　以下、図面を参照して本発明の実施の形態（本実施の形態）を説明する。以下で説明する実施の形態は一例に過ぎず、本発明が適用される実施の形態は、以下の実施の形態に限られるわけではない。
　（電力需要予測装置１０の機能構成）
　図１は、電力需要予測装置の機能構成図である。電力需要予測装置１０は、履歴データ２０および予定データ３０を取得して、電力需要を予測する処理を実行する。
　電力需要とは、対象となる領域における消費電力の需要である。対象となる領域は、市町村など比較的大規模なエリアやオフィスビルなど小規模な設備等のように、用途に応じてあらかじめ決定される。
　なお、履歴データ２０および予定データ３０は、１つのデータベース等に格納されていても良いし、複数のデータベース等に格納されていても良い。また、履歴データ２０および予定データ３０は、各種サービスを提供するサーバ、クラウドストレージ等に格納されていても良い。
　履歴データ２０は、予測モデルの構築、閾値の算出等の機械学習に使用するデータである。具体的には、履歴データ２０は、気象履歴情報２１と、電力需要実績データ２２と、カレンダー履歴情報２３と、行動履歴データ２４と、を含む。
　気象履歴情報２１は、対象の領域における気象の履歴を示す情報である。気象履歴情報２１は、例えば気温、湿度、不快指数、日射量等の値が年月日、時刻等に関連付けられた情報である。
　電力需要実績データ２２は、電力需要の実績を示すデータである。電力需要実績データ２２は、例えば、対象となる領域における消費電力の実績値が年月日、時刻等に関連付けられた情報である。電力需要実績データ２２は、機械学習における教師データとして使用される。
　カレンダー履歴情報２３は、対象となる領域における曜日、休日等の日付に関連する履歴を示す情報である。例えば、休日は、国ごとに設定されているものを含むが、それに限定されず、地域、学校、企業等に設定されているものを含んでも良い。
　行動履歴データ２４は、対象となる領域における人の行動の履歴を示すデータである。行動履歴データ２４は、例えば、人流データであって、携帯端末（スマートフォン等）に搭載されたＧＰＳ（Global Positioning System）による位置情報、またはスケジュール管理システム等に管理されたスケジュール情報等に基づいて、人の位置を時系列に沿って示したデータである。なお、行動履歴データ２４は、人の位置だけではなく、人の行動の内容を数値化した指標であれば、他でも良い。例えば、対象となる領域がオフィスである場合には、在室の履歴を示す情報であっても良い。
　予定データ３０は、予測値の算出、異常度の算出等に使用するデータである。具体的には、予定データ３０は、気象予報情報３１と、カレンダー予定情報３２と、行動予定データ３３と、を含む。
　気象予報情報３１は、対象の領域における気象の予報を示す情報である。気象予報情報３１は、例えば気温、湿度、不快指数、日射量等についての推定値が、未来の年月日、時刻等に関連付けられた情報である。
　カレンダー予定情報３２は、対象となる領域における曜日、休日等の日付に関連する予定を示す情報である。
　行動予定データ３３は、対象となる領域における人の行動の予定を示すデータである。行動予定データ３３は、例えば、人流データであって、人の位置の予定を時系列に沿って示したデータである。なお、行動予定データ３３は、人の位置だけではなく、人の行動の予定を数値化した指標であれば、他でも良い。例えば、対象となる領域がオフィスである場合には、在室の予定を示す情報であっても良い。行動予定データ３３は、予測対象時刻のスケジュール情報またはリアルタイムの人流データに基づく予測対象時刻の人流データの予測値を含んでも良い。
　電力需要予測装置１０は、記憶部１１と、予測モデル構築部１２と、閾値算出部１３と、予測値算出部１４と、異常度算出部１５と、予測値補正部１６と、予測値出力部１７と、を備える。
　記憶部１１は、各種情報を記憶し、具体的には、電力需要予測モデル９０１と、閾値情報９０２と、を記憶する。
　予測モデル構築部１２は、履歴データ２０のうち、気象履歴情報２１、電力需要実績データ２２およびカレンダー履歴情報２３に基づいて、電力需要予測モデル９０１を構築する。電力需要予測モデル９０１は、電力需要の予測値を算出するためのアルゴリズムが規定された予測モデルである。構築された電力需要予測モデル９０１は、記憶部１１に格納される。
　閾値算出部１３は、履歴データ２０のうち、電力需要実績データ２２、カレンダー履歴情報２３および行動履歴データ２４に基づいて、人の行動が正常か異常かを判定するための閾値を算出する。閾値は、人の行動を数値化した指標と比較される値である。算出された閾値を示す閾値情報９０２は、記憶部１１に格納される。
　予測値算出部１４は、予定データ３０のうち、気象予報情報３１およびカレンダー予定情報３２を入力パラメータとして、電力需要予測モデル９０１に規定された処理を実行して、予測値を算出する。予測値の算出方法としては、例えば、回帰分析、ＡＲＩＭＡ（自己回帰移動平均モデル）、機械学習手法などが適用される。
　異常度算出部１５は、予定データ３０のうち、カレンダー予定情報３２および行動予定データ３３に基づいて、行動の異常度を算出する。具体的には、異常度算出部１５は、閾値情報９０２を参照して行動予定データに含まれる数値を正常か異常かに振り分けて、異常に振り分けられた数値の異常度を算出する。
　予測値補正部１６は、算出された異常度に基づいて、予測値算出部１４によって算出された予測値を補正する。
　予測値出力部１７は、補正された予測値を、電力需要の予測値として出力する。
　（電力需要予測装置１０の動作概要）
　次に、電力需要予測装置１０の動作について説明する。図２は、予測モデル構築処理を示すフローチャートである。予測モデル構築処理は、電力需要の予測を開始する前に実行される。
　予測モデル構築部１２は、履歴データ２０（気象履歴情報２１、電力需要実績データ２２、カレンダー履歴情報２３）を取得する（ステップＳ１１）。そして、予測モデル構築部１２は、取得した履歴データ２０に基づいて、電力需要予測モデル９０１を構築する（ステップＳ１２）。
　具体的には、予測モデル構築部１２は、既知の機械学習方法として、決定木、ニューラルネットワーク、サポートベクターマシン、ディープラーニング等を用いても良い。例えば、予測モデル構築部１２は、気象履歴情報２１およびカレンダー履歴情報２３を入力パラメータとし、電力需要実績データ２２を教師データとした教師あり学習を行う。
　なお、電力需要予測装置１０は、電力需要予測モデル９０１を随時または定期的に、同様の手順によって更新しても良い。これによって、生成される電力需要予測モデル９０１は、気象予報情報３１およびカレンダー予定情報３２を入力パラメータとした電力需要の予測精度を向上させる。
　図３は、閾値算出処理を示すフローチャートである。閾値算出処理は、電力需要の予測を開始する前に実行される。
　閾値算出部１３は、履歴データ２０（電力需要実績データ２２、カレンダー履歴情報２３、行動履歴データ２４）を取得する（ステップＳ２１）。そして、閾値算出部１３は、取得した履歴データ２０に基づいて、閾値を算出する（ステップＳ２２）。
　具体的には、前提として、例えば、平日か否か（カレンダー履歴情報２３より取得）と時間帯とによって分割された行動履歴データ２４および電力需要実績データ２２は、正規分布に従うと仮定する。そして、閾値算出部１３は、ステップＳ２２において、基準となる期間の行動履歴データ２４および電力需要実績データ２２を、「時間帯」および「平日か否か」により、２４×２＝４８種類からなる複数のモデルに分割する。なお、「平日か否か」は日付の種類の一例である。
　例えば、１年間３６５日中に平日が２４３日であり、１日１個のデータである場合、分割された各モデルは、平日のモデルの場合は２４３個のデータ、休日のモデルの場合は１２２個のデータを含む。そして、閾値算出部１３は、各モデルの全データの上位８％および下位８％の値を、各モデルにおける閾値として算出する。
　データの分割条件（１時間単位・数分単位・特異日の扱い）や基準となる期間（参照する期間）等は、あらかじめ設定できるようにしても良い。
　なお、電力需要予測装置１０は、閾値情報９０２を随時または定期的に、同様の手順によって更新しても良い。これによって、異常度の算出精度を向上させる。
　図４は、電力需要予測処理を示すフローチャートである。電力需要予測処理を開始すると、電力需要予測装置１０は、予定データ３０を取得する（ステップＳ３１）。そして、予測値算出部１４は、予定データ３０に含まれる気象予報情報３１およびカレンダー予定情報３２に基づいて、電力需要の予測値を算出する（ステップＳ３２）。
　続いて、異常度算出部１５は、閾値情報９０２およびカレンダー予定情報３２に基づいて、行動予定データ３３から異常データを抽出する（ステップＳ３３）。そして、異常度算出部１５は、抽出された異常データの異常度を算出する（ステップＳ３４）。ステップＳ３３およびステップＳ３４の具体例については後述する。
　次に、予測値補正部１６は、算出された異常度に基づいて、ステップＳ３２で算出された電力需要の予測値を補正する（ステップＳ３５）。ステップＳ３５の具体例についても後述する。
　予測値出力部１７は、補正された予測値を、電力需要の予測値として出力する（ステップＳ３６）。
　図５は、異常度の算出方法を説明するための図である。なお、図５の縦軸は正規化された消費電力Ｐの値である。図５の横軸は、人流ｈ（例えば予測対象の領域において各モデルの日時に存在する人数）である。
　図４に示したステップＳ３３において、異常度算出部１５は、閾値情報９０２およびカレンダー予定情報３２に基づいて、行動予定データ３３から異常データを抽出する。具体的には、まず、異常度算出部１５は、各モデルで全データの平均μｈを算出する。次に、異常度算出部１５は、閾値をもとに各データが異常か否かを判定する。例えば、各モデルの上位８％および下位８％のデータが異常と判定される。
　次に、図４に示したステップＳ３４において、異常度算出部１５は、異常と判定した値ｈｘと平均μｈとのｈ軸上の距離Ｄｔｈ１、Ｄｔｈ２を算出する。なお、Ｄｔｈ１は、ｈｘ＞μｈの場合における値であり、Ｄｔｈ２は、ｈｘ＜μｈの場合における値である。
　例えば、平日１２時のデータがＮ個、人数がｈである場合、平均μｈは式（１）によって算出される。
Figure JPOXMLDOC01-appb-M000001
　また、Ｄｔｈ１およびＤｔｈ２は、式（２）および式（３）によって、それぞれ算出される。
Figure JPOXMLDOC01-appb-M000002
Figure JPOXMLDOC01-appb-M000003
　したがって、ｈｘ＝ｔｈ１のときＤｔｈ１＝１となり、ｈｘ＝ｔｈ２のときＤｔｈ２＝１となる。
　なお、上述した平均μｈは、基準となる値の一例であって、中央値、最頻値等であっても良い。またｈ軸上の距離Ｄｔｈ１、Ｄｔｈ２は、抽出された異常データの値と基準となる値との差分を示す値の一例である。
　次に、異常度算出部１５は、上記で求めた距離を正規化して、異常度とする。距離を正規化する基準は、あらかじめ規定されていて、人数の変動が電力需要に与える影響が少ないか否かの境界を異常度１と定義しておく。すなわち、消費電力Ｐの値は、異常度の基準値を定める際の参考となる値である。具体的には、消費電力Ｐと人流ｈとの相関から、消費電力Ｐへの影響が小さいと考えられる人流ｈの範囲を基準値（例えば異常度１）と定める。例えば、普段は２０００人存在する領域において、１年のうち１０００人を下回る日が５０％以上になると、電力需要と人の行動に強い相関が発生する場合には、１０００を異常度１とする。
　なお、予測値補正部１６は、算出された異常度が基準値（例えば１）を超えた場合に、電力需要の予測値を補正するようにしても良い。
　図６は、予測値の補正方法を説明するための図である。図４に示したステップＳ３５において、予測値補正部１６が補正する補正式の例を以下３つ示す。なお、Ｐｄ:補正後の電力需要予測値、Ｐｂ：補正前の電力需要予測値、Ｐｈ：人に起因して変動する消費電力量を示すパラメータ（正でも負でも可）、α：算出された異常度とする。
　（ａ）Ｐｄ＝Ｐｂ＋αＰｈ
　（ｂ）Ｐｄ＝Ｐｂ＋（α―１）Ｐｈ
　（ｃ）Ｐｄ＝Ｐｂ＋（ｌｏｇα）Ｐｈ
　（電力需要予測装置１０のハードウェア構成例）
　図７は、電力需要予測装置のハードウェア構成例を示す図である。電力需要予測装置１０は、例えば、コンピュータに、本実施の形態で説明する処理内容を記述したプログラムを実行させることにより実現可能である。なお、この「コンピュータ」は、物理マシンであってもよいし、クラウド上の仮想マシンであってもよい。仮想マシンを使用する場合、ここで説明する「ハードウェア」は仮想的なハードウェアである。
　上記プログラムは、コンピュータが読み取り可能な記録媒体（可搬メモリ等）に記録して、保存したり、配布したりすることが可能である。また、上記プログラムをインターネットや電子メール等、ネットワークを通して提供することも可能である。
　図９は、上記コンピュータのハードウェア構成例を示す図である。図９のコンピュータは、それぞれバスＢで相互に接続されているドライブ装置１０００、補助記憶装置１００２、メモリ装置１００３、ＣＰＵ１００４、インタフェース装置１００５、表示装置１００６、入力装置１００７、出力装置１００８等を有する。
　当該コンピュータでの処理を実現するプログラムは、例えば、ＣＤ－ＲＯＭ又はメモリカード等の記録媒体１００１によって提供される。プログラムを記憶した記録媒体１００１がドライブ装置１０００にセットされると、プログラムが記録媒体１００１からドライブ装置１０００を介して補助記憶装置１００２にインストールされる。但し、プログラムのインストールは必ずしも記録媒体１００１より行う必要はなく、ネットワークを介して他のコンピュータよりダウンロードするようにしてもよい。補助記憶装置１００２は、インストールされたプログラムを格納すると共に、必要なファイルやデータ等を格納する。
　メモリ装置１００３は、プログラムの起動指示があった場合に、補助記憶装置１００２からプログラムを読み出して格納する。ＣＰＵ１００４は、メモリ装置１００３に格納されたプログラムに従って、当該装置に係る機能を実現する。インタフェース装置１００５は、ネットワークに接続するためのインタフェースとして用いられる。表示装置１００６はプログラムによるＧＵＩ（Ｇｒａｐｈｉｃａｌ　Ｕｓｅｒ　Ｉｎｔｅｒｆａｃｅ）等を表示する。入力装置１００７はキーボード及びマウス、ボタン、又はタッチパネル等で構成され、様々な操作指示を入力させるために用いられる。出力装置１００８は演算結果を出力する。
　本実施形態に係る電力需要予測装置１０によれば、対象の領域における人の行動の予定を示す行動予定データに基づいて行動の異常度を算出し、算出された異常度に基づいて予測値を補正する。これによって、人の異常な行動という需要特性に対応した電力需要の予測を行うことができ、電力需要の予測において考慮する需要特性の対象を拡大することができる。
　例えば、オフィスを対象とする場合、オフィスビルに滞在する人の大幅な行動の変化であれば、スケジューラなどの情報を活用することで、例えばある日の終業時刻の断面で、翌営業日の異常検知、補正に利用可能である。
　一方で、対象のビルの外から人が集まるような、スケジューラ等では予測がつかないイベントでは、人流データなどを活用することで、より直近の異常検知、補正が可能となる。例えば、当日の午前９時の時点での異常検知を午後１３時の電力需要の予測値の補正に利用するなど、日をまたがずに予測値を補正することができる。
　（実施の形態のまとめ）
　本明細書には、少なくとも下記の各項に記載した電力需要予測装置、電力需要予測方法およびプログラムが記載されている。
（第１項）
　予測対象の領域における電力需要の予測値を算出する予測値算出部と、
　前記領域における人の行動の予定を示す行動予定データに基づいて前記行動の異常度を算出する異常度算出部と、
　前記異常度に基づいて前記予測値を補正する予測値補正部と、を備える、
　電力需要予測装置。
（第２項）
　前記異常度算出部は、あらかじめ決められた閾値に基づいて、前記行動予定データから異常データを抽出し、抽出された異常データの値と基準となる値との差分を正規化して異常度を算出する、
　第１項に記載の電力需要予測装置。
（第３項）
　前記領域における電力需要の実績を示す電力需要実績データと、前記領域における人の行動の履歴を示す行動履歴データと、に基づいて、前記閾値を算出する閾値算出部をさらに備える、
　第２項に記載の電力需要予測装置。
（第４項）
　前記異常度算出部は、日付の種類および時間帯によって分割された複数のモデルごとに、前記行動予定データに基づく前記異常度を算出する、
　第１項から第３項のいずれか１項に記載の電力需要予測装置。
（第５項）
　前記予測値補正部は、前記異常度が基準値を超えた場合に、前記予測値を補正する、
　第１項から第４項のいずれか１項に記載の電力需要予測装置。
（第６項）
　前記行動予定データは、予測対象時刻のスケジュール情報または現在の人流データに基づく予測対象時刻の人流データの予測値を含む、
　第１項から第５項のいずれか１項に記載の電力需要予測装置。
（第７項）
　コンピュータが実行する方法であって、
　予測対象の領域における電力需要の予測値を算出するステップと、
　前記領域における人の行動の予定を示す行動予定データに基づいて前記行動の異常度を算出するステップと、
　前記異常度に基づいて前記予測値を補正するステップと、を備える、
　電力需要予測方法。
（第８項）
　コンピュータを第１項から第６項のいずれか１項に記載の電力需要予測装置における各部として機能させるためのプログラム。
　以上、本実施の形態について説明したが、本発明はかかる特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。
　１０　電力需要予測装置
　１１　記憶部
　１２　予測モデル構築部
　１３　閾値算出部
　１４　予測値算出部
　１５　異常度算出部
　１６　予測値補正部
　１７　予測値出力部

Claims (8)

  1. 　予測対象の領域における電力需要の予測値を算出する予測値算出部と、
    　前記領域における人の行動の予定を示す行動予定データに基づいて前記行動の異常度を算出する異常度算出部と、
    　前記異常度に基づいて前記予測値を補正する予測値補正部と、を備える、
    　電力需要予測装置。
  2. 　前記異常度算出部は、あらかじめ決められた閾値に基づいて、前記行動予定データから異常データを抽出し、抽出された異常データの値と基準となる値との差分を正規化して異常度を算出する、
    　請求項１に記載の電力需要予測装置。
  3. 　前記領域における電力需要の実績を示す電力需要実績データと、前記領域における人の行動の履歴を示す行動履歴データと、に基づいて、前記閾値を算出する閾値算出部をさらに備える、
    　請求項２に記載の電力需要予測装置。
  4. 　前記異常度算出部は、日付の種類および時間帯によって分割された複数のモデルごとに、前記行動予定データに基づく前記異常度を算出する、
    　請求項１から３のいずれか１項に記載の電力需要予測装置。
  5. 　前記予測値補正部は、前記異常度が基準値を超えた場合に、前記予測値を補正する、
    　請求項１から４のいずれか１項に記載の電力需要予測装置。
  6. 　前記行動予定データは、予測対象時刻のスケジュール情報または現在の人流データに基づく予測対象時刻の人流データの予測値を含む、
    　請求項１から５のいずれか１項に記載の電力需要予測装置。
  7. 　コンピュータが実行する方法であって、
    　予測対象の領域における電力需要の予測値を算出するステップと、
    　前記領域における人の行動の予定を示す行動予定データに基づいて前記行動の異常度を算出するステップと、
    　前記異常度に基づいて前記予測値を補正するステップと、を備える、
    　電力需要予測方法。
  8. 　コンピュータを請求項１から６のいずれか１項に記載の電力需要予測装置における各部として機能させるためのプログラム。
PCT/JP2021/002897 2021-01-27 2021-01-27 電力需要予測装置、電力需要予測方法およびプログラム WO2022162798A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/002897 WO2022162798A1 (ja) 2021-01-27 2021-01-27 電力需要予測装置、電力需要予測方法およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/002897 WO2022162798A1 (ja) 2021-01-27 2021-01-27 電力需要予測装置、電力需要予測方法およびプログラム

Publications (1)

Publication Number Publication Date
WO2022162798A1 true WO2022162798A1 (ja) 2022-08-04

Family

ID=82653151

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/002897 WO2022162798A1 (ja) 2021-01-27 2021-01-27 電力需要予測装置、電力需要予測方法およびプログラム

Country Status (1)

Country Link
WO (1) WO2022162798A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116777305A (zh) * 2023-08-18 2023-09-19 河北思极科技有限公司 电力数据质量提升方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017153333A (ja) * 2016-02-26 2017-08-31 国立大学法人九州大学 電力需要予測装置およびこれを備えた電力需要予測システムならびに電力需要予測方法
JP2017208952A (ja) * 2016-05-19 2017-11-24 株式会社日立製作所 需給運用支援装置および需給運用支援方法
JP2020166530A (ja) * 2019-03-29 2020-10-08 Kddi株式会社 消費電力予測システム、方法およびプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017153333A (ja) * 2016-02-26 2017-08-31 国立大学法人九州大学 電力需要予測装置およびこれを備えた電力需要予測システムならびに電力需要予測方法
JP2017208952A (ja) * 2016-05-19 2017-11-24 株式会社日立製作所 需給運用支援装置および需給運用支援方法
JP2020166530A (ja) * 2019-03-29 2020-10-08 Kddi株式会社 消費電力予測システム、方法およびプログラム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116777305A (zh) * 2023-08-18 2023-09-19 河北思极科技有限公司 电力数据质量提升方法、装置、电子设备及存储介质
CN116777305B (zh) * 2023-08-18 2023-11-10 河北思极科技有限公司 电力数据质量提升方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
US11593690B2 (en) Data prediction system and data prediction method
US11876374B2 (en) System and method for optimal control of energy storage system
US10520905B2 (en) Using forecasting to control target systems
EP3458981B1 (en) System and methods for improving the accuracy of solar energy and wind energy forecasts for an electric utility grid
US20190228329A1 (en) Prediction system and prediction method
Khan et al. Genetic algorithm based optimized feature engineering and hybrid machine learning for effective energy consumption prediction
US20150317589A1 (en) Forecasting system using machine learning and ensemble methods
Barbeito et al. Assessing thermal comfort and energy efficiency in buildings by statistical quality control for autocorrelated data
JP2020501491A (ja) 動的エネルギーストレージシステム制御のためのシステムおよび方法
Sengar et al. Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm
JP2019049850A (ja) 予測システム及び方法
WO2017212880A1 (ja) データ予測システムおよびデータ予測方法
KR101860457B1 (ko) 기상 영향 분석 방법 및 이를 수행하기 위한 장치
Dong et al. Short-term building cooling load prediction model based on DwdAdam-ILSTM algorithm: A case study of a commercial building
Syed et al. Averaging ensembles model for forecasting of short-term load in smart grids
Maki et al. Employing electricity-consumption monitoring systems and integrative time-series analysis models: A case study in Bogor, Indonesia
JP7231504B2 (ja) 気象数値解析システム、予測対象データ生成システムおよび気象数値解析方法
WO2022162798A1 (ja) 電力需要予測装置、電力需要予測方法およびプログラム
Mishra et al. Performance evaluation of prophet and STL-ETS methods for load forecasting
Graditi et al. Machine Learning Applications for Renewable-Based Energy Systems
JP6628700B2 (ja) 気象情報予測装置および電力需要予測装置
Singh et al. Load forecasting at distribution transformer using IoT based smart meter data from 6000 Irish homes
Kim et al. Using the National Digital Forecast Database for model-based building controls
JP2016001950A (ja) 電力需要予測装置、プログラム
Bhatnagar et al. Short-Term Electric Load Forecast Model Using the Combination of Ant Lion Optimization with Bi-LSTM Network

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: 21922820

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: 21922820

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP