WO2024047892A1 - 需要予測装置および需要予測方法 - Google Patents

需要予測装置および需要予測方法 Download PDF

Info

Publication number
WO2024047892A1
WO2024047892A1 PCT/JP2023/004048 JP2023004048W WO2024047892A1 WO 2024047892 A1 WO2024047892 A1 WO 2024047892A1 JP 2023004048 W JP2023004048 W JP 2023004048W WO 2024047892 A1 WO2024047892 A1 WO 2024047892A1
Authority
WO
WIPO (PCT)
Prior art keywords
demand
value
time
predicted
forecast
Prior art date
Application number
PCT/JP2023/004048
Other languages
English (en)
French (fr)
Inventor
勉 河村
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
Publication of WO2024047892A1 publication Critical patent/WO2024047892A1/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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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

Definitions

  • the present invention relates to an energy demand forecasting device and a demand forecasting method for inputting into an operation plan aimed at reducing energy costs and CO2 emissions of an energy system within a consumer.
  • demand forecasting uses weather forecast information (temperature, humidity, solar radiation, etc.).
  • weather forecast information temperature, humidity, solar radiation, etc.
  • information such as the number of visitors to a building or the production volume of a factory cannot be obtained in advance, the actual demand on the forecast day may deviate from the demand predicted in advance for the previous day, etc., and the optimal operation plan for the energy system may differ. Accuracy decreases.
  • Patent Document 1 discloses a method of correcting the previous day's demand forecast using the actual demand on the forecast date.
  • Patent Document 1 since the method disclosed in Patent Document 1 corrects the demand forecast using the actual demand value, the prediction accuracy may decrease as the time interval between the time of the acquired actual value and the predicted time increases. .
  • An object of the present invention is to realize a demand forecasting device and a demand forecasting method that can suppress a decline in prediction accuracy and reduce the calculation (calculation) cost and calculation time (calculation time) required for learning a prediction model.
  • the present invention is configured as follows.
  • the demand forecasting device includes a demand forecasting model storage unit storing a demand forecast value learned by a demand forecasting model based on past actual energy demand values of the consumer, and a demand forecasting model storage unit that stores the demand forecast value learned by the demand forecasting model based on the past energy demand actual value of the consumer, and A forecast date data input section for inputting energy demand requirements including actual values, and storage in the demand forecast model storage section based on the energy demand requirements of the consumer on the demand forecast date input to the forecast date data input section.
  • the demand forecast calculation unit that calculates a predicted energy demand value of the consumer on the demand forecast date using the demand forecast value
  • the demand forecast calculation unit includes a Using the input actual demand value, calculate the predicted energy demand value at the predicted time a certain period after the time when the actual demand value was obtained, and use the calculated predicted energy demand value to calculate the predicted energy demand value at the predicted time. Further, the predicted energy demand value after the predicted time after the fixed time period is calculated, and the predicted energy demand value calculated at the fixed time period immediately before the predicted time of the predicted energy demand value is used to estimate the energy demand after the fixed time period. Calculate the demand forecast value.
  • a demand forecast value is learned by a demand forecasting model based on the past energy demand record value of the consumer, and energy demand requirements including the consumer's energy demand record value on the demand forecast day are input.
  • a demand forecasting method that calculates, using the inputted actual demand value, a predicted energy demand value at a predicted time a certain period of time after the time when the actual demand value was obtained, and calculates the calculated energy demand.
  • calculate a predicted energy demand value after a predicted time further after the predicted time and calculate the predicted energy demand value calculated a certain time immediately before the predicted time of the predicted energy demand value.
  • the energy demand forecast value after a certain period of time is calculated using
  • the present invention it is possible to realize a demand forecasting device and a demand forecasting method that can suppress a decline in prediction accuracy and reduce the calculation cost and calculation time required for learning a prediction model.
  • the accuracy of demand forecasting is improved by a prediction model that has learned data from highly correlated time intervals. Furthermore, by using a single prediction model, the calculation cost due to learning can be reduced.
  • FIG. 1 is a schematic block diagram of an energy system to which an energy management device according to a first embodiment is applied.
  • FIG. 3 is a functional flow diagram of the energy management device according to the first embodiment.
  • 1 is a diagram illustrating a configuration example of an energy demand prediction device according to a first embodiment.
  • 3 is a diagram showing an example of learning of a neural network as an example of a prediction model in the energy demand prediction device according to the first embodiment.
  • FIG. FIG. 3 is a diagram showing an example of prediction by a neural network in the energy demand prediction device according to the first embodiment. This is an example different from the present invention, and is a graph showing an example of power demand prediction for comparison with the present invention.
  • 3 is a graph showing power demand prediction in Example 1.
  • FIG. 7 is a graph showing power demand prediction in Example 2.
  • FIG. 1 is a schematic block diagram showing a configuration example of an energy system of a consumer 1 such as a building, a factory, or an apartment complex to which an energy management device according to a first embodiment of the present invention is applied.
  • a consumer 1 includes a generator 3, a storage battery 4, a solar power generation facility (PV) 5, a heat source device 6, and an energy management system (EMS) 2.
  • the energy management system (EMS) 2 is called BEMS for buildings, FEM for factories, and HEMS for houses.
  • the heat source device 6 is, for example, a boiler or the like. Furthermore, the consumer 1 has a power load 7 and a heat load 8.
  • the power load 7 is air conditioning, lighting, or production equipment in a factory.
  • the heat load 8 is air conditioning and production equipment in the factory.
  • the energy management device (BEMS, FEM, HEMS) 2 includes an energy operation planning device (EMS) 20 and a control device 30, and is connected to each equipment of the energy system via a communication network within the consumer 1. In charge of planning and controlling operation plans for each facility.
  • EMS energy operation planning device
  • the consumer 1 is connected to the power system 11, and purchases the power that is insufficient in the energy system of the consumer 1 as purchased power (purchased power) 9 from a power company or the like. Furthermore, city gas 10 necessary for operating the energy system is purchased from a gas company or the like. City gas 10 is supplied to generator 3 and heat source device 6 via city gas system 12 . Thermal energy 13 generated by the generator 3 and the heat source device 6 is supplied to the heat load 8.
  • FIG. 2 is a functional flow diagram of the energy management device 2 according to the first embodiment.
  • the energy operation planning system (EMS) 20 performs the following series of processes.
  • step S1 The day before the energy system is to be controlled, weather forecast data (temperature, humidity, solar radiation, etc.) is acquired and the power and heat demand consumed by the consumer is predicted (step S1). Based on the demand forecast results made in step S1, an operation plan for the energy system is drawn up to reduce electricity charges and fuel charges (step S2). On the day of control, control is performed by supporting set points (target values) for each equipment of the energy system based on the operation plan (step S3).
  • weather forecast data temperature, humidity, solar radiation, etc.
  • FIG. 3 is a diagram showing a configuration example of the energy demand prediction device 21 according to the first embodiment.
  • the training database 22 contains the energy demand requirements before (past) the prediction day, such as date and time, day type (weekdays, holidays, etc.), and weather conditions.
  • Actual results (temperature, humidity, etc.) and energy demand actual values (electricity, steam, etc.) are stored, and data from the learning database 22 is input to the demand prediction model learning unit 23, which is a model consisting of a neural network, for learning.
  • the learned energy demand prediction model is stored in the energy demand prediction model database (demand prediction model storage unit) 24.
  • the demand forecast calculation unit 25 receives the forecast date data input unit 26 from the forecast date data input unit 26, including the date and time, type of day (weekdays, holidays, etc.), which are the energy demand requirements for the day of the electricity demand forecast, and the weather forecast (temperature, temperature, etc.). (humidity, etc.) and actual demand values (electricity, steam, etc.). Then, the energy demand prediction calculation unit 25 performs a demand prediction calculation using the energy demand prediction model stored in the demand prediction model database 24 and stores the result of the demand prediction in the demand prediction result database 27.
  • type of day weekdays, holidays, etc.
  • the energy demand prediction calculation unit 25 performs a demand prediction calculation using the energy demand prediction model stored in the demand prediction model database 24 and stores the result of the demand prediction in the demand prediction result database 27.
  • energy demand forecast data is acquired from the demand forecast result database 27.
  • the demand forecast result output unit 28 acquires the demand forecast result at the forecast date and time from the demand forecast result database 27 and outputs it.
  • the predicted energy demand value (electric power, steam, etc.) output from the demand forecast result output unit 28 is displayed on the display unit 29.
  • the demand prediction model learning unit 23 can be a model using multiple regression analysis or the like, in addition to a model consisting of a neural network.
  • FIG. 4A is a diagram showing a learning example of a neural network as an example of a prediction model in the energy demand prediction device according to the first embodiment.
  • FIG. 4B is a diagram showing an example of prediction by the neural network in the energy demand prediction device according to the first embodiment.
  • the date and time, day type (weekdays, holidays, etc.), and weather records (temperature, humidity, etc.) prior to the prediction day are input into the input layer. Furthermore, in the input A portion, actual demand values before the target time are input as data for correcting the demand forecast. The corresponding actual demand values (electricity, steam, etc.) are input into the output layer.
  • a demand prediction model is generated by inputting and learning a large number of such data sets.
  • the date and time of the prediction day, day type (weekdays, holidays, etc.), and weather forecast information are input to the input layer of the learned neural network. Further, in the input A portion, actual demand values or predicted demand values before the predicted time are input as data for correcting the demand forecast. As a result of the demand forecast calculation, demand forecast values (electricity, steam, etc.) are output from the output layer.
  • FIG. 5 is an example different from the present invention, and is a graph of an example for comparison with the present invention.
  • the example shown in FIG. 5 is an example in which the demand forecast for the previous day is corrected using the actual demand value on the forecast date.
  • FIG. 5 an example of the demand forecast value performed on the previous day (dotted chain line), the actual demand value of the current day (solid line), and the demand forecast value (dashed line) at one hour intervals is shown.
  • the input layer is the date and time, type of day (weekdays, holidays, etc.), weather forecast information (temperature, humidity, etc.) at 12 o'clock on the prediction day. ). Further, in the input A portion, the actual demand value at 11:00, which is the closest time to the predicted time of the day, is input as data for correcting the demand forecast.
  • the input layer When predicting demand at the next time (13:00), the input layer inputs the date and time, type of day (weekdays, holidays, etc.), and weather forecast information (temperature, humidity, etc.) at 13:00 on the prediction day. Further, in the input A portion, the actual demand value at 11 o'clock, which is the latest time when the actual value exists, is input as data for correcting the demand forecast.
  • the input layer inputs the date and time, type of day (weekdays, holidays, etc.), weather forecast information (temperature, humidity, etc.) at the prediction time on the prediction day, and further inputs A
  • type of day weekdays, holidays, etc.
  • weather forecast information temperature, humidity, etc.
  • the prediction time progresses, the time interval between the most recent time (11 o'clock) at which the actual value exists and the prediction time increases (for example, the prediction time 17 o'clock (prediction time 2)), so the prediction accuracy may decrease. be.
  • the neural network that is the demand forecasting model needs to generate multiple demand forecasting models corresponding to cases with different time intervals.
  • the calculation time (calculation time) for learning increases.
  • the calculation time (computation time) increases, and the calculation cost (computation cost) becomes an issue.
  • the demand forecast for the day is performed using the method shown in FIG.
  • FIG. 6 is a graph showing power demand prediction in Example 1.
  • the demand prediction calculation unit 25 performs demand prediction for a certain period of time after the current time (11 o'clock) (one hour in the illustrated example), for example, the neural network shown in FIG. 4B is used as a demand prediction model. The case used is shown.
  • the input layer is the date and time, type of day (weekdays, holidays, etc.), weather forecast information (temperature, humidity, etc.) at 12 o'clock on the prediction day. ) (input from the predicted date data input section 26). Furthermore, the actual demand value at 11 o'clock, which is the closest time to the predicted time on the current day, is input into the input A portion from the predicted day data input section 26 as data for correcting the demand forecast.
  • the input layer uses the forecast date data as the date and time, type of day (weekdays, holidays, etc.), weather forecast information (temperature, humidity, etc.) at 13:00 on the forecast day. It is input from the input section 26 to the demand forecast calculation section 25.
  • the demand forecast value of 12:00 which is the most recent time, is input instead (the demand forecast value saved in the demand forecast result DB 27 (Enter the demand forecast value for 12:00).
  • the input layer inputs the date and time, type of day (weekdays, holidays, etc.), and weather forecast information (temperature, humidity, etc.) at the prediction time on the prediction day from the prediction date data input section 26. Furthermore, in the input A part, the demand forecast value from one hour before is input from the demand forecast result DB 27 as data for correcting the demand forecast.
  • the neural network that is the demand forecast model only needs to generate one type of demand forecast model. Compared to the example shown in FIG. 5, the calculation cost can be significantly reduced.
  • the actual power demand value at the time (11 o'clock) one hour before the predicted time (for example, 12 o'clock) is used for input A during learning, so highly accurate forecasting is possible. becomes.
  • the energy demand prediction value calculated by the demand prediction calculation unit 25 and stored in the demand prediction result DB 27 is displayed on the display unit 29 via the demand prediction result output unit 28.
  • the display unit 29 can display the current day's demand forecast data (power, etc. and time). Furthermore, a graph showing the previous day's demand forecast, the current day's actual energy demand value, and the current day's predicted energy demand value as shown in FIG. 6 can also be displayed.
  • the power demand forecast value of one hour before the day of the demand forecast is used to predict the power demand at the next forecast time.
  • the demand forecast calculation unit 25 only needs to generate one type of demand forecast model. Therefore, calculation cost and calculation time can be significantly reduced. Furthermore, at the start of demand forecasting, highly accurate forecasting is possible because the actual power demand value at the time one hour before the forecasted time (11 o'clock) is used.
  • the first embodiment it is possible to realize a demand forecasting device and a demand forecasting method that can suppress a decline in prediction accuracy and reduce the calculation cost and calculation time required for learning a prediction model.
  • the energy demand prediction device 21 in Example 2 has the same configuration as the energy demand prediction device 21 in Example 1 shown in FIG. 3, so illustration and detailed description thereof will be omitted.
  • Example 2 will be described with reference to FIG. 7.
  • FIG. 7 is a graph showing power demand prediction in Example 2.
  • the input layer is the date and time, type of day (weekdays, holidays, etc.), weather forecast information (temperature, etc.) at 12 o'clock on the prediction day. , humidity, etc.) are input from the forecast date data input section 26 to the demand forecast calculation section 25.
  • actual demand values at 11 o'clock, 10 o'clock, and 9 o'clock which are multiple times most recent to the predicted time of the day, are input to the demand forecast calculation unit 25 as data for correcting the demand forecast. .
  • a more accurate demand forecast value is calculated by learning the time-series pattern of actual demand values at a plurality of recent times and predicting the power demand at the next time.
  • the input A part uses the predicted demand value at 12:00 on that day and the actual demand values at 11:00 and 10:00.
  • the actual demand value is inputted into the input A part if the actual demand value exists, and the predicted demand value is inputted if the actual demand value does not exist.
  • the neural network in the demand forecast calculation unit 25 only needs to generate one type of demand forecast model, so the calculation cost is significantly reduced compared to the conventional method. becomes possible.
  • the second embodiment it is possible to realize a demand forecasting device and a demand forecasting method that can further suppress a decline in prediction accuracy and reduce the calculation cost and calculation time required for learning a prediction model.
  • the fixed time is one hour, but it is not limited to this, and may be another time such as 30 minutes or 2 hours.

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

予測精度の低下を抑制し、予測モデルの学習に要する計算コストおよび計算時間を低減可能な需要予測装置および需要予測方法を実現する。需要予測装置21は需要家の過去の需要実績値に基づき需要予測モデル23で学習した需要予測値を保存した需要予測モデル保存部24と、需要予測日の需要実績値を含む需要要件を入力する予測日データ入力部26と、予測日データ入力部26に入力した需要予測日のエネルギー需要要件に基づき需要予測モデル保存部24に保存した需要予測値を用い、需要予測日の需要家の需要予測値を演算する需要予測演算部2とを備える。需要予測演算部25は予測日データ入力部26に入力した需要実績値を用いて需要実績値を得た時刻の一定時間後の予測時刻の需要予測値を演算し、一定時間後の予測時間後の需要予測値を演算し、需要予測値の予測時刻の直前の一定時間前に演算した需要予測値を用いて一定時間後の需要予測値を演算する。

Description

需要予測装置および需要予測方法
　本発明は、需要家内のエネルギーシステムのエネルギーコスト削減、ＣＯ２排出削減を目的とした運転計画に入力するための、エネルギーの需要予測装置および需要予測方法に関する。
　近年、電力需給の逼迫や燃料コストの増加、さらに再生可能エネルギー発電促進賦課金の増加により国内の電力料金は上昇している。このため、ビル、工場、街区などにおける需要家では、エネルギー効率向上やＢＣＰ（事業継続計画）対応のため、発電機、太陽光発電（ＰＶ）、蓄電池などで構成されるエネルギーシステムの導入が進んでいる。
　エネルギー設備の最適運転のためには、エネルギー（電力、蒸気、温水、他）の高精度な需要予測が必要である。
　一般に、需要予測では、気象予報情報（気温、湿度、日射量、他）を利用する。しかし、ビルでの訪問者数や工場の生産量などの情報を事前に入手できない場合、予測日当日の需要実績は、前日等の事前に予測した需要とずれ、エネルギーシステムの最適な運転計画の精度が低下する。
　そこで、予想日当日の需要実績を用いて、需要予測を補正するニーズが増大している。
　このような問題を解決するために、特許文献１に、予想日当日の需要実績を用いて、前日の需要予測を補正する方法が開示されている。
特許第５６１８５０１号公報
　しかしながら、特許文献１に開示された方法は、需要実績値を用いて需要予測を補正するため、取得した実績値の時刻と予測時刻との時間間隔が離れるほど予測精度が低下する可能性がある。
　また、予測時刻が複数あるため、参照する実績値の時刻と予測時刻との時間間隔ごとに予測モデルを作成する必要があり、予測モデルの学習ケースが増大し、学習に要する計算コストおよび計算時間が増大する課題がある。
　特に、予測モデルとしてニューラルネットワークによる深層学習を用いた場合、学習における計算時間が増大するため、複数の予測モデルを生成するためには、計算機台数または計算時間が増大することが課題となる。
　本発明の目的は、予測精度の低下を抑制し、予測モデルの学習に要する計算（演算）コストおよび計算時間（演算時間）を低減可能な需要予測装置および需要予測方法を実現することである。
　上記目的を達成するため、本発明は、次のように構成される。
　需要予測装置は、需要家の過去のエネルギーの需要実績値に基づいた需要予測モデルにより学習された需要予測値が保存された需要予測モデル保存部と、需要予測日の前記需要家のエネルギーの需要実績値を含むエネルギー需要要件を入力する予測日データ入力部と、前記予測日データ入力部に入力された需要予測日の前記需要家のエネルギー需要要件に基づいて、前記需要予測モデル保存部に保存された前記需要予測値を用いて、前記需要予測日の前記需要家のエネルギーの需要予測値を演算する需要予測演算部と、を備え、前記需要予測演算部は、前記予測日データ入力部に入力された前記需要実績値を用いて、前記需要実績値が得られた時刻の一定時間後の予測時刻のエネルギー需要予測値を演算し、演算した前記エネルギー需要予測値を用いて、前記予測時刻のさらに前記一定時間後の予測時間後のエネルギー需要予測値を演算し、エネルギー需要予測値の予測時刻の直前の一定時間前に演算された前記エネルギー需要予測値を用いて一定時間後の前記エネルギー需要予測値を演算する。
　需要予測方法において、需要家の過去のエネルギーの需要実績値に基づいた需要予測モデルにより需要予測値を学習し、需要予測日の前記需要家のエネルギーの需要実績値を含むエネルギー需要要件を入力し、前記入力した需要予測日の前記需要家のエネルギー需要要件に基づいて、前記学習した前記需要予測値を用いて、需要予測日の前記需要家のエネルギーの需要予測値を演算する需要予測値を演算する需要予測方法であって、前記入力した前記需要実績値を用いて、前記需要実績値が得られた時刻の一定時間後の予測時刻のエネルギー需要予測値を演算し、演算した前記エネルギー需要予測値を用いて、前記予測時刻のさらに前記一定時間後の予測時間後のエネルギー需要予測値を演算し、エネルギー需要予測値の予測時刻の直前の一定時間前に演算された前記エネルギー需要予測値を用いて一定時間後の前記エネルギー需要予測値を演算する。
　本発明により、予測精度の低下を抑制し、予測モデルの学習に要する計算コストおよび計算時間を低減可能な需要予測装置および需要予測方法を実現することができる。
　また、本発明によれば、相関の高い時間間隔のデータを学習した予測モデルにより、需要予測の精度が向上する。また、単一の予測モデルを使用することにより、学習による計算コストを低減することができる。
実施例１に係るエネルギー管理装置が適用されるエネルギーシステムの概略ブロック図である。 実施例１に係るエネルギー管理装置の機能フロー図である。 実施例１に係るエネルギー需要予測装置の構成例を示す図である。 実施例１に係るエネルギー需要予測装置における予測モデルの一例としてニューラルネットワークの学習例を示す図である。 実施例１に係るエネルギー需要予測装置におけるニューラルネットワークの予測例を示す図である。 本発明とは異なる例であり、本発明との比較のための例の電力需要予測を示すグラフである。 実施例１における電力需要予測を示すグラフである。 実施例２における電力需要予測を示すグラフである。
　本発明の実施形態について、図面を参照して説明する。
　なお、以下に説明する実施形態は特許請求の範囲に係る発明を限定するものではなく、また、実施形態の中で説明されている諸要素およびその組み合わせの全てが発明の解決手段に必須であるとは限らない。
　（実施例１）
　図１は、本発明の実施例１に係るエネルギー管理装置が適用されるビル、工場または集合住宅等の需要家１のエネルギーシステムの構成例を示す概略ブロック図である。
　図１において、需要家１は、発電機３と、蓄電池４と、太陽光発電設備（ＰＶ）５と、熱源機６と、エネルギー管理装置（ＥＭＳ）２と、を備える。ここで、エネルギー管理装置（ＥＭＳ）２は、ビル用はＢＥＭＳ、工場用はＦＥＭ、住宅用はＨＥＭＳと呼ばれる。
　熱源機６は、例えば、ボイラー等である。また、需要家１には、電力負荷７と、熱負荷８と、があり、例えば、電力負荷７は、空調、照明、または工場では生産設備である。熱負荷８は、空調、工場では生産設備である。
　エネルギー管理装置（ＢＥＭＳ、ＦＥＭ、ＨＥＭＳ）２は、エネルギー運転計画装置（ＥＭＳ）２０と、制御装置３０と、を備え、需要家１内の通信ネットワークを介してエネルギーシステムの各設備に接続されており、各設備の運転計画の立案および制御を行う。
　需要家１は、電力系統１１に接続されており、需要家１のエネルギーシステムで不足する電力を、電力会社等から購入電力（買電）９として購入する。また、エネルギーシステムの運転に必要な都市ガス１０はガス会社等から購入する。都市ガス１０は、都市ガス系統１２を介して、発電機３および熱源機６に供給される。発電機3および熱源機６が発生した熱エネルギー１３は、熱負荷８に供給される。
　図２は、実施例１に係るエネルギー管理装置２の機能フロー図である。一般に、エネルギー運転計画装置（ＥＭＳ）２０は、以下の一連の処理を行う。
　エネルギーシステムの制御を行う前日に、気象予報データ（気温、湿度、日射量、他）を取得して、需要家で消費する電力および熱需要を予測する（ステップＳ１）。ステップＳ１で行った、需要予測結果に基づき、電力料金や燃料料金を低減するようにエネルギーシステムの運転計画を立案する（ステップＳ２）。制御当日は、運転計画に基づきエネルギーシステムの各設備にセットポイント（目標値）を支持し制御を行う（ステップＳ３）。
　近年、運転計画の精度を向上するため、需要予測を前日のみでなく、当日も数時間間隔で実施し、最新の需要予測結果を用いて運転計画が行われている。
　しかし、エネルギーの需要予測において、ビルの訪問者数や工場の生産量などの情報を事前に入手できない場合、予測日当日の需要実績値は、前日等の事前に予測した需要とずれ、エネルギーシステムの最適な運転計画の精度が低下する課題がある。
　そこで、予測日当日の需要実績値を用いて、需要予測を補正するニーズが増大している。
　図３は、本実施例１に係るエネルギー需要予測装置２１の構成例を示す図である。　
　図３において、電力、蒸気等のエネルギー需要予測モデルの学習を行うため、学習データベース２２に、予測当日より前（過去）のエネルギー需要要件である日時、日種（平日、休日、他）、気象実績（気温、湿度、他）およびエネルギー需要実績値（電力、蒸気、他）が保存されており、ニューラルネットワークから成るモデルである需要予測モデル学習部２３において学習データベース２２のデータを入力して学習を行い、学習後のエネルギー需要予測モデルをエネルギーの需要予測モデルデータベース（需要予測モデル保存部）２４に保存する。
　その後、エネルギーの需要予測を行う場合、需要予測演算部２５は予測日データ入力部２６から電力需要予測当日のエネルギー需要要件である日時、日種（平日、休日、他）、気象予報（気温、湿度、他）、需要実績値（電力、蒸気、他）を取得する。そして、エネルギーの需要予測演算部２５は、需要予測モデルデータベース２４に保存されているエネルギーの需要予測モデルを用いて需要予測の演算を行い、需要予測の結果を需要予測結果データベース２７に保存する。
　需要予測の演算で予測日時より前の需要予測結果が必要な場合、需要予測結果データベース２７からエネルギーの需要予測データを取得する。需要予測結果出力部２８は需要予測結果データベース２７から予測日時の需要予測結果を取得して出力する。需要予測結果出力部２８から出力されたエネルギーの需要予測値（電力、蒸気、他）は、表示部２９に表示される。
　なお、需要予測モデル学習部２３は、ニューラルネットワークからなるモデルの他に、重回帰分析などを用いたモデルとすることができる。
　図４Ａは、実施例１に係るエネルギー需要予測装置における予測モデルの一例としてニューラルネットワークの学習例を示す図である。図４Ｂは、実施例１に係るエネルギー需要予測装置におけるニューラルネットワークの予測例を示す図である。
　図４Ａに示す学習の場合、入力層には予測当日より前の日時、日種（平日、休日、他）、気象実績（気温、湿度、他）を入力する。また、入力Ａの部分には、需要予測の補正用のデータとして、対象時刻より前の需要実績値を入力する。出力層には対応する需要実績値（電力、蒸気、他）を入力する。このようなデータセットを多数入力して学習することにより、需要予測モデルを生成する。
　図４Ｂに示す予測の場合、学習したニューラルネットワークの入力層に予測当日の日時、日種（平日、休日、他）、気象予報情報（気温、湿度、他）を入力する。また、入力Ａの部分には、需要予測の補正用のデータとして、予測時刻より前の需要実績値または需要予測値を入力する。需要予測の演算の結果、出力層から需要予測値（電力、蒸気、他）が出力される。
　図５は、本発明とは異なる例であり、本発明との比較のための例のグラフである。図５に示す例は、予測日当日の需要実績値を用いて、前日の需要予測を補正する例である。
　図５において、前日に実施した需要予測値（一点鎖線）、当日の需要実績値（実線）および需要予測値（鎖線）の１時間間隔の例を示している。
　現在時刻が１１時の場合、当日の需要実績は０時から１１時まで取得されており、前日に実施した需要予測値に対して大きく偏差が生じている。現在時刻（１１時）より一定時間（図示した例では１時間）後の時刻の需要予測を行う場合、一例として図４Ｂに示したニューラルネットワークを需要予測モデルとして用いたケースを示す。
　まず、現在時刻の次の時刻（１２時）の需要を予測する場合、入力層は予測当日の１２時における、日時、日種（平日、休日、他）、気象予報情報（気温、湿度、他）を入力する。さらに、入力Ａの部分には、需要予測の補正用のデータとして、当日の予測時刻の直近の時刻である１１時の需要実績値を入力する。
　これにより、直近の時刻の需要実績値を用いて高精度の需要予測値が計算（演算）される。
　次の時刻（１３時）の需要を予測する場合、入力層は予測当日の１３時における、日時、日種（平日、休日、他）、気象予報情報（気温、湿度、他）を入力する。さらに、入力Ａの部分には、需要予測の補正用のデータとして、実績値が存在する直近の時刻である１１時の需要実績値を入力する。
　同様に、以降の予測をする場合、入力層は予測当日の予測時刻における、日時、日種（平日、休日、他）、気象予報情報（気温、湿度、他）を入力し、さらに、入力Ａの部分には、需要予測の補正用のデータとして、実績値が存在する直近の時刻である１１時の需要実績値を入力する。
　しかしながら、予測時刻が進むにつれて実績値が存在する直近の時刻（１１時）と予測時刻の時間間隔が離れるため（例えば、予測時刻１７時（予測時刻２））、予測精度が低下する可能性がある。
　また、予測時刻により、実測値が存在する時刻との時間間隔が異なるため、需要予測モデルであるニューラルネットワークは、異なる時間間隔のケースに対応して複数の需要予測モデルを生成する必要がある。特に、予測モデルとしてニューラルネットワークによる深層学習を用いた場合、学習における計算時間（演算時間）が増大するため、複数の予測モデルを生成するためには、計算機台数（演算器台数）または計算時間（演算時間）が増大し、計算コスト（演算コスト）が課題となる。
　そこで、本実施例１では、図６に示す方法で当日の需要予測を行う。
　図６は、実施例１における電力需要予測を示すグラフである。図６において、現在時刻が１１時の場合、当日の需要実績値は０時から１１時まで取得されており、前日に実施した需要予測値（一点鎖線）に対して大きく偏差が生じている。現在時刻（１１時）より後の一定時間後（図示した例では１時間後）の時刻の需要予測を需要予測演算部２５が行う場合、一例として図４Ｂに示したニューラルネットワークを需要予測モデルとして用いたケースを示す。
　まず、現在時刻の次の時刻（１２時）の需要を予測する場合、入力層は予測当日の１２時における、日時、日種（平日、休日、他）、気象予報情報（気温、湿度、他）を（予測日データ入力部２６から入力する）。さらに、入力Ａの部分には、需要予測の補正用のデータとして、当日の予測時刻の直近の時刻である１１時の需要実績値を予測日データ入力部２６から入力する。
　これにより、直近の時刻（１１時）の需要実績値を用いて高精度の需要予測値が計算（演算）される。
　次の時刻（１３時）の需要を予測する場合、入力層は予測当日の１３時における、日時、日種（平日、休日、他）、気象予報情報（気温、湿度、他）を予測日データ入力部２６から需要予測演算部２５に入力する。
　さらに、入力Ａの部分には、需要予測の補正用のデータとして実績値が存在しないため、代わりに、直近の時刻である１２時の需要予測値を入力する（需要予測結果ＤＢ２７に保存された１２時の需要予測値を入力する）。
　同様に、以降の予測をする場合、入力層は予測当日の予測時刻における、日時、日種（平日、休日、他）、気象予報情報（気温、湿度、他）を予測日データ入力部２６から入力し、さらに、入力Ａの部分には、需要予測の補正用のデータとして、１時刻前の需要予測値を需要予測結果ＤＢ２７から入力する。
　このように、予測時刻が進んでも一定時間前（図示した例えは１時間前）の予測値を用いるため、需要予測モデルであるニューラルネットワークは、１種類の需要予測モデルを生成すればよいため、図５に示した例に比べて計算コストを大幅に低減することが可能となる。また、学習時の入力Ａの部分には、需要予測開始時には、予測する時刻（例えば、１２時）の１時間前の時刻（１１時）の電力需要実績値を用いるため高精度な予測が可能となる。
　需要予測演算部２５が演算し、需要予測結果ＤＢ２７に保存されたエネルギー需要予測値は、需要予測結果出力部２８を介して、表示部２９に表示される。表示部２９には、当日の需要予測データ（電力等と時刻）を表示することができる。また、図６に示した、前日の需要予測と当日のエネルギー需要実績値と、当日のエネルギー需要予測値とを示すグラフを表示することもできる。
　以上のように、本発明の実施例１によれば、需要予測当日の１時刻前の電力需要予測値を用いて、次の予測時刻の電力需要の予測を行うように構成されているため、需要予測演算部２５は、１種類の需要予測モデルを生成すればよい。このため、計算コストおよび計算時間を大幅に低減することが可能となる。また、需要予測開始時には、予測する時刻の１時間前の時刻（１１時）の電力需要実績値を用いるため高精度な予測が可能となる。
　よって、実施例１によれば、予測精度の低下を抑制し、予測モデルの学習に要する計算コストおよび計算時間を低減可能な需要予測装置および需要予測方法を実現することができる。
　（実施例２）
　次に、本発明の実施例２について説明する。
　実施例２におけるエネルギー需要予測装置２１は、図３に示した実施例１のエネルギー需要予測装置２１と同様な構成となるため、図示及びその詳細な説明は省略する。
　実施例２について、図７を参照して説明する。
　図７は、実施例２における電力需要予測を示すグラフである。
　図７において、現在時刻が１１時の場合、当日の需要実績値は０時から１１時まで取得されており、前日に実施した需要予測値に対して大きく偏差が生じている。現在時刻より後の時刻の需要予測を行う場合、一例として図４Ｂに示したニューラルネットワークを需要予測モデルとして用いたケースを示す。
　まず、現在時刻（１１時）の次の時刻（１２時）の需要を予測する場合、入力層は予測当日の１２時における、日時、日種（平日、休日、他）、気象予報情報（気温、湿度、他）を予測日データ入力部２６から需要予測演算部２５に入力する。
　さらに、入力Ａの部分には、需要予測の補正用のデータとして、当日の予測時刻の直近の複数時刻である１１時、１０時、９時の需要実績値を需要予測演算部２５に入力する。これにより、直近の複数の時刻の需要実績値の時系列パターンを学習して、次の時刻の電力需要を予測することにより、さらに高精度の需要予測値が計算される。
　次の時刻（１３時）の需要を予測する場合、入力Ａの部分には、当日の１２時の需要予測値、１１時と１０時の需要実績値を用いる。それ以降の予測時間の予測の場合、入力Ａの部分には、需要実績値が存在する場合には需要実績値を入力し、需要実績値が存在しない場合には需要予測値を入力する。
　この実施例２の場合も、実施例１と同様に、需要予測演算部２５におけるニューラルネットワークは、１種類の需要予測モデルを生成すればよいため、従来方法に比べて計算コストを大幅に低減することが可能となる。
　また、実施例２の場合は、学習時の入力Ａの部分には、複数時刻前の実績値を用いて、需要実績値の時系列パターンを学習して、次の時刻の電力需要を予測しているので、さらに高精度な予測が可能となる。
　よって、実施例２によれば、予測精度の低下をさらに抑制し、予測モデルの学習に要する計算コストおよび計算時間を低減可能な需要予測装置および需要予測方法を実現することができる。
　なお、上述した例においては、一定時間を１時間としたが、これに限らず、３０分や２時間等の他の時間であってもよい。
　１・・・需要家、２・・・エネルギー管理装置、３・・・発電機、４・・・蓄電池、５・・・太陽光発電設備、６・・・熱源機、７・・・電力負荷、８・・・熱負荷、９・・・購入電力（買電）、１０・・・都市ガス、１１・・・電力系統、１２・・・ガス系統、１３・・・熱エネルギー、２０・・・運転計画装置、２１・・・エネルギー需要予測装置、２２・・・学習データＤＢ、２３・・・需要予測モデル学習部、２４・・・需要予測モデルＤＢ、２５・・・需要予測演算部、２６・・・予測日データ入力部、２７・・・需要予測結果ＤＢ、２８・・・需要予測結果出力部、２９・・・表示部、３０・・・制御装置

Claims (10)

  1. 　需要家の過去のエネルギーの需要実績値に基づいた需要予測モデルにより学習された需要予測値が保存された需要予測モデル保存部と、
    　需要予測日の前記需要家のエネルギーの需要実績値を含むエネルギー需要要件を入力する予測日データ入力部と、
    　前記予測日データ入力部に入力された需要予測日の前記需要家のエネルギー需要要件に基づいて、前記需要予測モデル保存部に保存された前記需要予測値を用いて、前記需要予測日の前記需要家のエネルギーの需要予測値を演算する需要予測演算部と、
    　を備え、
    　前記需要予測演算部は、前記予測日データ入力部に入力された前記需要実績値を用いて、前記需要実績値が得られた時刻の一定時間後の予測時刻のエネルギー需要予測値を演算し、演算した前記エネルギー需要予測値を用いて、前記予測時刻のさらに前記一定時間後の予測時間後のエネルギー需要予測値を演算し、エネルギー需要予測値の予測時刻の直前の一定時間前に演算された前記エネルギー需要予測値を用いて一定時間後の前記エネルギー需要予測値を演算することを特徴とする需要予測装置。
  2. 　請求項１に記載の需要予測装置において、
    　前記需要予測演算部は、前記予測日データ入力部に入力された複数の前記需要実績値を用いて、前記需要実績値が得られた時刻の一定時間後の予測時刻のエネルギー需要予測値を演算し、複数の前記需要実績値及び演算した前記エネルギー需要予測値を用いて、前記予測時刻のさらに前記一定時間後の予測時間後のエネルギー需要予測値を演算し、エネルギー需要予測値の予測時刻の直前の一定時間前に演算されたエネルギー需要実績値と前記エネルギー需要予測値、または複数の前記エネルギー需要予測値を用いて前記エネルギー需要予測値を演算することを特徴とする需要予測装置。
  3. 　請求項１または２に記載の需要予測装置において、
    　前記需要予測モデルは、ニューラルネットワークから成るモデルであることを特徴とする需要予測装置。
  4. 　請求項１または２に記載の需要予測装置において、
    　前記需要予測モデルは、重回帰分析を用いたモデルであることを特徴とする需要予測装置。
  5. 　請求項１または２に記載の需要予測装置において、
    　需要予測演算部が演算した前記エネルギー需要予測値を表示する表示部を備えることを特徴とする需要予測装置。
  6. 　需要家の過去のエネルギーの需要実績値に基づいた需要予測モデルにより需要予測値を学習し、
    　需要予測日の前記需要家のエネルギーの需要実績値を含むエネルギー需要要件を入力し、
    　前記入力した需要予測日の前記需要家のエネルギー需要要件に基づいて、前記学習した前記需要予測値を用いて、需要予測日の前記需要家のエネルギーの需要予測値を演算する需要予測値を演算する需要予測方法であって、
    　前記入力した前記需要実績値を用いて、前記需要実績値が得られた時刻の一定時間後の予測時刻のエネルギー需要予測値を演算し、演算した前記エネルギー需要予測値を用いて、前記予測時刻のさらに前記一定時間後の予測時間後のエネルギー需要予測値を演算し、エネルギー需要予測値の予測時刻の直前の一定時間前に演算された前記エネルギー需要予測値を用いて一定時間後の前記エネルギー需要予測値を演算することを特徴とする需要予測方法。
  7. 　請求項６に記載の需要予測方法において、
    　前記入力した複数の前記需要実績値を用いて、前記需要実績値が得られた時刻の一定時間後の予測時刻のエネルギー需要予測値を演算し、複数の前記需要実績値及び演算した前記エネルギー需要予測値を用いて、前記予測時刻のさらに前記一定時間後の予測時間後のエネルギー需要予測値を演算し、エネルギー需要予測値の予測時刻の直前の一定時間前に演算されたエネルギー需要実績値と前記エネルギー需要予測値、または複数の前記エネルギー需要予測値を用いて前記エネルギー需要予測値を演算することを特徴とする需要予測方法。
  8. 　請求項６または７に記載の需要予測方法において、
    　前記需要予測モデルは、ニューラルネットワークから成るモデルであることを特徴とする需要予測方法。
  9. 　請求項６または７に記載の需要予測方法において、
    　前記需要予測モデルは、重回帰分析を用いたモデルであることを特徴とする需要予測方法。
  10. 　請求項６または７に記載の需要予測方法において、
    　前記エネルギー需要予測値を表示部に表示することを特徴とする需要予測方法。
PCT/JP2023/004048 2022-08-29 2023-02-07 需要予測装置および需要予測方法 WO2024047892A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-135717 2022-08-29
JP2022135717A JP2024032197A (ja) 2022-08-29 2022-08-29 需要予測装置および需要予測方法

Publications (1)

Publication Number Publication Date
WO2024047892A1 true WO2024047892A1 (ja) 2024-03-07

Family

ID=90099018

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/004048 WO2024047892A1 (ja) 2022-08-29 2023-02-07 需要予測装置および需要予測方法

Country Status (2)

Country Link
JP (1) JP2024032197A (ja)
WO (1) WO2024047892A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011024314A (ja) * 2009-07-14 2011-02-03 Toshiba Corp 需要予測装置、プログラムおよび記録媒体
JP2017135921A (ja) * 2016-01-29 2017-08-03 Ｊｘｔｇエネルギー株式会社 電力需要予測装置、電力需要予測方法、及び電力需要予測プログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011024314A (ja) * 2009-07-14 2011-02-03 Toshiba Corp 需要予測装置、プログラムおよび記録媒体
JP2017135921A (ja) * 2016-01-29 2017-08-03 Ｊｘｔｇエネルギー株式会社 電力需要予測装置、電力需要予測方法、及び電力需要予測プログラム

Also Published As

Publication number Publication date
JP2024032197A (ja) 2024-03-12

Similar Documents

Publication Publication Date Title
Cao et al. Optimal design and operation of a low carbon community based multi-energy systems considering EV integration
JP5789792B2 (ja) 需給制御装置、需給制御方法、および、需給制御システム
Sauter et al. Electric thermal storage system impact on northern communities’ microgrids
JP2006304402A (ja) 分散型エネルギーシステムの制御装置、制御方法、プログラム、および記録媒体
WO2019159477A1 (ja) 運転計画生成装置、及び運転計画生成方法
CN103377400A (zh) 发电站操作增强
Rahmani-Andebili et al. Price-controlled energy management of smart homes for maximizing profit of a GENCO
JP2008083971A (ja) 太陽・風力発電／コージェネレーション装置からなるシステムのシミュレーション方法
Hurwitz et al. Economic efficiency and carbon emissions in multi-energy systems with flexible buildings
Bosman et al. Planning the production of a fleet of domestic combined heat and power generators
Wei et al. Distributed scheduling of smart buildings to smooth power fluctuations considering load rebound
CN114021783A (zh) 一种考虑社会类碳排放因素和短期效益的两阶段月度机组组合和检修计划优化方法
AU2019326931B2 (en) Method for controlling an exchange of energy between energy sub-systems in adjusted harmonised conditions; control centre; energy system; computer program; and storage medium
CN118052380A (zh) 一种建筑能量管理系统日内优化调度方法及相关装置
JPH08249005A (ja) エネルギー設備の設備運用方法およびその装置
Testasecca et al. Towards Digital Twins of buildings and smart energy networks: Current and future trends
KR101705869B1 (ko) 열 에너지 수요 예측에 기반한 복합 설비 최적 운영 시스템 및 그 방법
US20240088655A1 (en) Methods and systems for controlling a chp device in a microgrid
EP3168948A1 (en) Information processing device, information processing method, and storage medium
WO2024047892A1 (ja) 需要予測装置および需要予測方法
Georgiou et al. A linear programming approach to the optimal utilization of renewable energy sources in buildings
JP3988853B2 (ja) エネルギ供給システムの制御装置およびその制御方法
JPH07151369A (ja) 熱負荷予測装置およびプラント熱負荷予測装置
CN112907030B (zh) 一种考虑需求侧响应的能源中心配置方法及系统
JPH0886490A (ja) 熱負荷予測装置

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: 23859666

Country of ref document: EP

Kind code of ref document: A1