JP7079663B2 - 電力需要予測システム、学習装置及び電力需要予測方法 - Google Patents
電力需要予測システム、学習装置及び電力需要予測方法 Download PDFInfo
- Publication number
- JP7079663B2 JP7079663B2 JP2018101024A JP2018101024A JP7079663B2 JP 7079663 B2 JP7079663 B2 JP 7079663B2 JP 2018101024 A JP2018101024 A JP 2018101024A JP 2018101024 A JP2018101024 A JP 2018101024A JP 7079663 B2 JP7079663 B2 JP 7079663B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- power demand
- data
- prediction
- actual
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、電力需要予測システム、学習装置及び電力需要予測方法に関する。
２０１６年４月にスタートした電力小売自由化により、消費電力に応じた様々な料金プランが提供されるようになった。このような多様な料金プランに沿って施設や建物における電気料金を増大させることなく運用するために、施設等の電力需要を精度よく予測するシステムが望まれている。施設等の電力需要を精度よく予測することができれば、予測した電力需要に沿って施設等における設備の運転計画を立てることができる。そして、立案した運転計画に従って設備を稼働させることで、料金プランに沿った契約電力を超過させることなく尚且つ設備を適切に運用することができるためである。
施設等の電力需要を精度よく予測する技術としては、例えば、ニューラルネットワークなどの人工知能（ＡＩ、Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）技術の開発が活発に行われている。人工知能技術を用いて電力需要量を予測させる場合、実績データに基づいて機械学習モデル（予測を行うためのモデル）を作成する。モデルは、一般に、電力需要を予測するモデルにおいては、電力需要と相関が大きいデータを実績データに用いるほど予測精度が向上する傾向にある。例えば、実績データとして天候に関する情報（天候データ）を用いることが考えられる。特許文献１には、モデルの予測精度を演算する技術が開示されている。
実績データを用いる場合、過去において実際に観測された実績を用いる場合と、過去において予想された予想実績を用いる場合とが考えられる。例えば、実績データとして天候データを用いる場合、実際に観測された天候実績を用いる場合と、天候予報として予想された天気予報の実績を用いる場合とが考えられる。
上述した従来の例において、予測モデルが過去の天気実績又は天気予報の実績を用いて学習したモデルであり、電力需要を予測したい日（予測対象日）の天候予報を用いて、電力需要を予測することを前提とすると、モデルに電力需要を予測させようとした場合、以下の４つのケースが考えられる。
ケース１：過去の天気予報が当たっており、予測対象日の天気予報も当たっている。
ケース２：過去の天気予報が外れており、予測対象日の天気予報が当たっている。
ケース３：過去の天気予報が当たっており、予測対象日の天気予報が外れている。
ケース４：過去の天気予報が外れており、予測対象日の天気予報が外れている。
ケース１：過去の天気予報が当たっており、予測対象日の天気予報も当たっている。
ケース２：過去の天気予報が外れており、予測対象日の天気予報が当たっている。
ケース３：過去の天気予報が当たっており、予測対象日の天気予報が外れている。
ケース４：過去の天気予報が外れており、予測対象日の天気予報が外れている。
この場合、実績データとして天気実績、及び天気予報の実績の何れを用いた場合でも予測精度が悪くなる可能性がある。
ケース１の場合においては、過去の天気予報が当たっていることから、過去の天気予報と過去の天気実績とが同じ天候を示すことから、実績データとして天気予報の実績を用いても天気実績を用いても、モデルが予測する内容に変化はなく、予測の精度は変わらない。
ケース２の場合においては、過去の天気予報が外れているが、予測対象日においては天気予報が当たっているため、実績データとして天気実績を用いて学習させたモデルに予測させた方が予測精度は高くなると考えられる。
ケース３の場合においては、ケース１同様に、実績データとして天気予報の実績を用いても天気実績を用いても、モデルが予測する予測の精度に変化はない。
ケース４の場合においては、過去の天気予報が外れており、尚且つ予測対象日においても天気予報が外れているため、同じような気象条件であれば同じように天気予報を外すと考えられることから、実績データとして天気予報の実績を用いて学習させたモデルに予測させた方が予測精度は高くなると考えられる。
ケース１の場合においては、過去の天気予報が当たっていることから、過去の天気予報と過去の天気実績とが同じ天候を示すことから、実績データとして天気予報の実績を用いても天気実績を用いても、モデルが予測する内容に変化はなく、予測の精度は変わらない。
ケース２の場合においては、過去の天気予報が外れているが、予測対象日においては天気予報が当たっているため、実績データとして天気実績を用いて学習させたモデルに予測させた方が予測精度は高くなると考えられる。
ケース３の場合においては、ケース１同様に、実績データとして天気予報の実績を用いても天気実績を用いても、モデルが予測する予測の精度に変化はない。
ケース４の場合においては、過去の天気予報が外れており、尚且つ予測対象日においても天気予報が外れているため、同じような気象条件であれば同じように天気予報を外すと考えられることから、実績データとして天気予報の実績を用いて学習させたモデルに予測させた方が予測精度は高くなると考えられる。
つまり、ケース１及びケース３においては、実績データとして、天気実績及び天気予報の実績の何れを用いても予測精度に変化がないが、実績データとして天気実績を用いたモデルの場合、ケース２において予測精度が高いが、ケース４においては予測精度が悪くなる。一方、実績データとして天気予報の実績を用いたモデルの場合、ケース４において予測精度が高いが、ケース２においては、天気実績を用いたモデルと比較して予測精度が悪くなる。このように、モデルに学習させる実績データとして観測実績又は予想実績の何れかを用いたかにより、予測の精度が悪くなる場合があった。
本発明は、このような事情に鑑みてなされたものであり、その目的は、実績データとして観測実績又は予想実績の何れかを選択したことに起因する予測の精度の低下を抑制することができる電力需要予測システム、学習装置及び電力需要予測方法を提供することである。
上述した課題を解決するために本発明の一実施形態の電力需要予測システムは、電力需要量を変動させる要因となり得る変動要因の実績である変動要因実績データに、電力需要の実績である電力実績データを対応付けた第１学習データを用いて機械学習を実行することにより、電力需要を予測する第１モデルを生成する第１モデル作成部と、前記変動要因の予測の実績である変動要因予測実績データに、前記電力実績データを対応付けた第２学習データを用いて機械学習を実行することにより、電力需要を予測する第２モデルを生成する第２モデル作成部と、電力需要を予測する対象となる予測対象日に応じて、前記第１モデル及び前記第２モデルの中からいずれか一つを、前記予測対象日における電力需要を予測する予測モデルとして選択する選択部と、前記予測モデルを用いて、前記予測対象日における電力需要を予測する予測部を備えることを特徴とする電力需要予測システムである。
また、本発明の一実施形態の学習装置は、電力需要量を変動させる要因となり得る変動要因の実績である変動要因実績データに、電力需要の実績である電力実績データを対応付けた第１学習データを用いて機械学習を実行することにより、電力需要を予測する第１モデルを生成する第１モデル作成部と、前記変動要因の予測の実績である変動要因予測実績データに、前記電力実績データを対応付けた第２学習データを用いて機械学習を実行することにより、電力需要を予測する第２モデルを生成する第２モデル作成部と、電力需要を予測する対象となる予測対象日に応じて、前記第１モデル及び前記第２モデルの中からいずれか一つを、前記予測対象日における電力需要を予測する予測モデルとして選択する選択部とを備えることを特徴とする。
また、本発明の一実施形態の電力需要予測方法は、第１モデル作成部が、電力需要量を変動させる要因となり得る変動要因の実績である変動要因実績データに、電力需要の実績である電力実績データを対応付けた第１学習データを用いて機械学習を実行することにより、電力需要を予測する第１モデルを生成する第１モデル生成工程と、第２モデル作成部が、前記変動要因の予測の実績である変動要因予測実績データに、前記電力実績データを対応付けた第２学習データを用いて機械学習を実行することにより、電力需要を予測する第２モデルを生成する第２モデル生成工程と、選択部が、電力需要を予測する対象となる予測対象日に応じて、前記第１モデル及び前記第２モデルの中からいずれか一つを、前記予測対象日における電力需要を予測する予測モデルとして選択する選択工程と、予測部が、前記予測モデルを用いて、前記予測対象日における電力需要を予測する予測工程を有することを特徴とする。
また、本発明の一実施形態の電力需要予測方法は、第１モデル作成部が、電力需要量を変動させる要因となり得る変動要因の実績である変動要因実績データに、電力需要の実績である電力実績データを対応付けた第１学習データを用いて機械学習を実行することにより、電力需要を予測する第１モデルを生成する第１モデル生成工程と、第２モデル作成部が、前記変動要因の予測の実績である変動要因予測実績データに、前記電力実績データを対応付けた第２学習データを用いて機械学習を実行することにより、電力需要を予測する第２モデルを生成する第２モデル生成工程と、選択部が、電力需要を予測する対象となる予測対象日に応じて、前記第１モデル及び前記第２モデルの中からいずれか一つを、前記予測対象日における電力需要を予測する予測モデルとして選択する選択工程と、予測部が、前記予測モデルを用いて、前記予測対象日における電力需要を予測する予測工程を有することを特徴とする。
以上説明したように、この発明によれば、第１モデルと第２モデルとを予測対象日に応じて選択するため、実績データとして観測実績又は予想実績の何れかを選択したことに起因する予測の精度の低下を抑制することができる。
以下、実施形態の電力需要予測システム、学習サーバ装置を、図面を参照して説明する。
図１は、実施形態の電力需要予測システム１の構成を示す構成図である。電力需要予測システム１は、予測の対象となる施設や建物（以下、対象施設という）における電力需要量（以下、単に「電力需要」ともいう）を予測する。
電力需要予測システム１は、電力需要を変動する要因となり得る変動要因データに基づいて電力需要を予測する。ここで、変動要因データは対象施設における電力需要を変動させる要因となり得る情報であり、例えば、その対象施設における天候を示す情報である。例えば、対象施設において繁忙期や閑散期があり、電力を消費する施設や装置を駆動させる頻度が時期によって異なる場合には、時間や時期を示す情報が変動要因として用いられてもよい。以下では、変動要因データとして、対象施設や対象施設が設置されえた地域における天候を用いる場合を例示して説明するが、これに限定されることはなく、変動要因データとして天候以外の情報が用いられてよい。
電力需要予測システム１は、電力需要を変動する要因となり得る変動要因データに基づいて電力需要を予測する。ここで、変動要因データは対象施設における電力需要を変動させる要因となり得る情報であり、例えば、その対象施設における天候を示す情報である。例えば、対象施設において繁忙期や閑散期があり、電力を消費する施設や装置を駆動させる頻度が時期によって異なる場合には、時間や時期を示す情報が変動要因として用いられてもよい。以下では、変動要因データとして、対象施設や対象施設が設置されえた地域における天候を用いる場合を例示して説明するが、これに限定されることはなく、変動要因データとして天候以外の情報が用いられてよい。
電力需要予測システム１は、天候に基づいて電力需要を予測する予測モデルを用いて電力需要を予測する。ここで、予測モデルは、対象施設５０における天候と電力需要との関係を学習した学習済みモデルである。具体的に、予測モデルは、天候の実績を示すデータに電力需要の実績を示す電力実績データを対応付けた学習データを用いて機械学習を実行することにより生成される。
ここで、天候の実績を示すデータには、実際の天候として観測されたデータ、又は天気予報等で予想されたデータが用いられる。
以下の説明においては、実際の天候として観測されたデータを「天候実績データ」、天気予報等で予想されたデータを「天候予報実績データ」と称する。天候実績データ及び天候予報実績データには、天気、気温、降水量、風向き、風速、日照時間、湿度や気圧などを示す情報が含まれる。
また、天候実績データと天候予報実績データを区別しない場合には、これらのデータを単に「実績データ」と称する。
予測モデルは、学習データに基づいて、過去の様々な天候と、対象施設の電力需要との関係を学習する。予測モデルは、電力需要を予測したい日（以下、予測対象日と称する）の天候と同じか、又は似た天候を学習済みである場合、その学習済みの実績データに対応する電力実績データに基づいて現在の電力需要を予測する。
ここで、天候の実績を示すデータには、実際の天候として観測されたデータ、又は天気予報等で予想されたデータが用いられる。
以下の説明においては、実際の天候として観測されたデータを「天候実績データ」、天気予報等で予想されたデータを「天候予報実績データ」と称する。天候実績データ及び天候予報実績データには、天気、気温、降水量、風向き、風速、日照時間、湿度や気圧などを示す情報が含まれる。
また、天候実績データと天候予報実績データを区別しない場合には、これらのデータを単に「実績データ」と称する。
予測モデルは、学習データに基づいて、過去の様々な天候と、対象施設の電力需要との関係を学習する。予測モデルは、電力需要を予測したい日（以下、予測対象日と称する）の天候と同じか、又は似た天候を学習済みである場合、その学習済みの実績データに対応する電力実績データに基づいて現在の電力需要を予測する。
電力需要予測システム１は、例えば、予測モデル生成サーバ１０と、通信ネットワーク２０と、電力需要予測サーバ３０と、天候データ提供サーバ４０と、対象施設５０とを備える。予測モデル生成サーバ１０と、電力需要予測サーバ３０と、天候データ提供サーバ４０と、対象施設５０とは、通信ネットワーク２０を介して通信可能に接続されている。ここで、電力需要予測サーバ３０は、「学習装置」の一例である。また、電力需要予測サーバ３０は、「予測部」の一例である。
予測モデル生成サーバ１０は、予測モデルを生成するサーバ装置である。予測モデル生成サーバ１０は、天候データ提供サーバ４０から実績データを定期的（例えば、３０分毎）にその天候が観測された日時の情報と共に取得する。
また、予測モデル生成サーバ１０は、対象施設５０から電力実績データを定期的（例えば、３０分毎）にその電力需要が測定された日時の情報と共に取得する。
また、予測モデル生成サーバ１０は、対象施設５０から電力実績データを定期的（例えば、３０分毎）にその電力需要が測定された日時の情報と共に取得する。
予測モデル生成サーバ１０は、取得した実績データと電力実績データとを用いて、二つの学習済みモデルを生成する。予測モデル生成サーバ１０は、予測対象日に応じて、二つの学習済みモデルのうち何れかを、予測対象日における電力需要を予測する予測モデルとして選択する。
通信ネットワーク２０は、例えば、インターネット、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、プロバイダ装置、無線基地局、専用回線などのうちの一部または全部を含む通信網である。
電力需要予測サーバ３０は、対象施設５０の電力需要を予測する。電力需要予測サーバ３０は、天候データ提供サーバ４０から予測対象日における天候予報である天候予報データを取得する。電力需要予測サーバ３０は、取得した天候予報データを、予測モデル生成サーバ１０により生成された予測モデルに入力することにより得られる出力結果として、電力需要の予測値を取得する。
天候データ提供サーバ４０は、例えば、気象衛星や観測所等から得られる気象情報や、気象情報に基づいて予想される天気予報等を提供するサーバ装置である。天候データ提供サーバ４０は、例えば、予測モデル生成サーバ１０及び電力需要予測サーバ３０からの送信要求に応じて、対象施設５０における天候に関する天候データを送信する。ここでの天候データは、天候に関する情報であって、例えば、天気、気温、降水量、風向き、風速、日照時間、湿度や気圧などを示す情報である。また、天候データには、実績データと天候の予想データとが含まれる。つまり、天候データ提供サーバ４０は、現在の天候や過去の天候に関する情報、及び未来に予想される天候に関する情報を提供する。
過去の天候に関する情報には、過去において実際に観測された情報と、過去において天気予報などで予想された天候の情報とを含む。
過去の天候に関する情報には、過去において実際に観測された情報と、過去において天気予報などで予想された天候の情報とを含む。
対象施設５０は、電力需要予測システム１が電力需要を予測する対象となる建物や施設等である。対象施設５０は、例えば、工場、商業施設、オフィスビ等の建築構造物である。対象施設５０は、店舗や娯楽施設に宿泊施設や住居施設及び公共施設などを備えた複合型の建築構造物であってもよい。対象施設５０は、対象施設５０に備えられた電力量計（不図示）により電力需要の大きさが検出される。対象施設５０は、検出した電力需要の大きさを示す情報を、通信ネットワーク２０を介して送信する。
図２は、実施形態の予測モデル生成サーバ１０の構成例を示すブロック図である。予測モデル生成サーバ１０は、例えば、天候実績データ取得部１００、電力実績データ取得部１０１、第１モデル作成部１０２、第２モデル作成部１０３、選択部１０４、実績データ記憶部１０５、電力実績データ記憶部１０６、第１モデル記憶部１０７、第２モデル記憶部１０８、及び予測モデル記憶部１０９を備える。
天候実績データ取得部１００は、天候データ提供サーバ４０から天候実績データ、及び天候予報実績データを取得する。天候実績データ取得部１００は、取得した天候実績データを出力する。また、天候実績データ取得部１００は、第１モデル作成部１０２に、天候予報実績データを第２モデル作成部１０３に出力する。また、天候実績データ取得部１００は、取得した天候実績データ及び天候予報実績データを、実績データ記憶部１０５に記憶させる。
電力実績データ取得部１０１は、対象施設５０から電力実績データを取得する。電力実績データ取得部１０１は、取得した電力実績データを、第１モデル作成部１０２及び第２モデル作成部１０３に出力する。また、電力実績データ取得部１０１は、取得した電力実績データを、電力実績データ記憶部１０６に記憶させる。
第１モデル作成部１０２は、第１モデルを生成する。第１モデル作成部１０２は、天候実績データ取得部１００から出力された天候実績データと、その天候実績データに対応する電力実績データとを組み合わせることにより学習データを生成する。第１モデル作成部１０２は、生成した学習データを用いて機械学習を実行することにより、第１モデルを生成する。つまり、第１モデルは、天候実績と電力実績との関係を学習した学習済みモデルである。第１モデル作成部１０２は、作成した第１モデルを第１モデル記憶部１０７に記憶させる。
第２モデル作成部１０３は、第２モデルを生成する。第２モデル作成部１０３は、天候実績データ取得部１００から出力された天候予報実績データと、その天候予報実績データに対応する電力実績データとを組み合わせることにより学習データを生成する。第２モデル作成部１０３は、生成した学習データを用いて機械学習を実行することにより、第２モデルを生成する。つまり、第２モデルは、天候予報実績と電力実績との関係を学習した学習済みモデルである。第２モデル作成部１０３は、作成した第２モデルを第２モデル記憶部１０８に記憶させる。
選択部１０４は、予測対象日に応じて、第１モデルと第２モデルからいずれかを、予測対象日における電力需要を予測する予測モデルとして選択する。選択部１０４は、第１モデルと第２モデルのうち、予測対象日における電力需要をより精度よく予測し得るモデルを予測モデルとする。以下では、選択部１０４が予測モデルを選択する方法について説明する。
選択部１０４は、第１モデルと第２モデルの各々について、予測対象日より過去の直近の期間の実績データを用いて、当該直近の期間の電力需要を予測させる。ここで、直近の期間は、予測対象日に近い期間であり、例えば、予測対象日の一週間前から前日までの期間である。選択部１０４は、直近の期間における電力需要の予測値が、電力需要の実績により近いモデルを予測モデルとする。直近の期間の電力需要を精度よく予測することができれば、予測対象日の電力需要もより精度よく予測することができると推測されるためである。つまり、選択部１０４は、第１モデルと第２モデルのうち、予測対象日においてより精度よく電力需要を予測し得るモデルを予測モデルとする。
具体的には、選択部１０４は、予測された電力需要の精度として、第１モデルと第２モデルの各々が予測した電力需要に基づいて、下記（１）式に示す予測精度ＥＥＰ（Ｅｘｐｅｃｔｅｄ Ｅｒｒｏｒ Ｐｅｒｃｅｎｔａｇｅ、予測誤り率）を算出する。ここで、ｎはデータ数、ｙｐは予測値、ｙｄは実測値、ｙｄ、ｍａｘはｎ個の実測値のうちの最大値、をそれぞれ示す。
ここで、（１）式においては、予測された電力需要の精度を百分率で示し、精度が良い場合には小さい数値を示し、精度が悪い場合には大きい数値を示す。
選択部１０４は、第１モデルと第２モデルの各々の予測精度ＥＥＰを算出し、算出した予測精度ＥＥＰがより小さい数値であるモデルを予測モデルとして選択する。
実績データ記憶部１０５は、天候実績データ取得部１００により取得された実績データをその天候が観測された日時の情報と共に記憶する。電力実績データ記憶部１０６は、電力実績データ取得部１０１により取得された電力実績データをその電力需要が測定された日時の情報と共に記憶する。第１モデル記憶部１０７は、第１モデル作成部１０２により作成された第１モデルを記憶する。第２モデル記憶部１０８は、第２モデル作成部１０３により作成された第２モデルを記憶する。予測モデル記憶部１０９は、選択部１０４により選択された予測モデルを記憶する。
図３は、実施形態の電力需要予測サーバ３０の構成例を示すブロック図である。電力需要予測サーバ３０は、例えば、天候データ取得部３００と、予測結果取得部３０１と、天候データ出力部３０２と、予測結果出力部３０３とを備える。
天候データ取得部３００は、天候データ提供サーバ４０から、予測対象日における天候の予想データを取得し、取得した天候の予想データを天候データ出力部３０２に出力する。天候データ出力部３０２は、天候の予想データを必要に応じて予測モデルに入力可能な形式に加工し、加工した予想データを予測モデル生成サーバ１０に送信する。
予測結果取得部３０１は、天候の予想データを予測モデルに入力させた結果としての電力需要の予測値を、予測モデル生成サーバ１０から取得する。予測結果出力部３０３は、予測モデル生成サーバ１０から取得した電力需要の予測値を出力し、電力需要予測サーバ３０の表示部（不図示）に表示させたり、プリンタ（不図示）に印刷させたりする。
天候データ取得部３００は、天候データ提供サーバ４０から、予測対象日における天候の予想データを取得し、取得した天候の予想データを天候データ出力部３０２に出力する。天候データ出力部３０２は、天候の予想データを必要に応じて予測モデルに入力可能な形式に加工し、加工した予想データを予測モデル生成サーバ１０に送信する。
予測結果取得部３０１は、天候の予想データを予測モデルに入力させた結果としての電力需要の予測値を、予測モデル生成サーバ１０から取得する。予測結果出力部３０３は、予測モデル生成サーバ１０から取得した電力需要の予測値を出力し、電力需要予測サーバ３０の表示部（不図示）に表示させたり、プリンタ（不図示）に印刷させたりする。
ここで、予測モデル生成サーバ１０の動作例を、図４及び図５を用いて説明する。図４は、実施形態の予測モデル生成サーバ１０及び電力需要予測サーバ３０の動作を示す模式図である。図５は、実施形態の予測モデル生成サーバ１０の動作例を示すフローチャートである。
図４に示すように、予測モデル生成サーバ１０は、過去の所定の期間における天候実績データ及び電力実績データを用いて第１モデルを生成する（符号１１０）。また、予測モデル生成サーバ１０は、過去の所定の期間における天候予報実績データ及び電力実績データを用いて第２モデルを生成する（符号１１２）。この例では、予測モデル生成サーバ１０は、３０分毎のデータを用いて、一日一回の機械学習を行うことによりモデルを構築（作成）する。予測モデル生成サーバ１０は、過去の直近の天候予報実績データからモデルが予測した予測値と、過去の直近の電力実績値とを比較することにより予測精度を算出する（符号１１３）。そして、予測モデル生成サーバ１０は、第１モデル及び第２モデルの予測精度を比較することにより、予測対象日に使用する予測モデルを決定する。
電力需要予測サーバ３０は、予測対象日における天候予報データを取得する（符号３１０）。電力需要予測サーバ３０は、取得した天候予報データを予測モデルに入力することにより、電力需要の予測値を取得する（符号３１１）。この例では、電力需要予測サーバ３０は、一日に複数回、天候予報データを取得し、天候予報データを取得する度に電力需要を予測する。そして、電力需要予測サーバ３０は、予測対象日における電力需要の予測値（予測結果）を出力する（符号３１２）。
図４に示すように、予測モデル生成サーバ１０は、過去の所定の期間における天候実績データ及び電力実績データを用いて第１モデルを生成する（符号１１０）。また、予測モデル生成サーバ１０は、過去の所定の期間における天候予報実績データ及び電力実績データを用いて第２モデルを生成する（符号１１２）。この例では、予測モデル生成サーバ１０は、３０分毎のデータを用いて、一日一回の機械学習を行うことによりモデルを構築（作成）する。予測モデル生成サーバ１０は、過去の直近の天候予報実績データからモデルが予測した予測値と、過去の直近の電力実績値とを比較することにより予測精度を算出する（符号１１３）。そして、予測モデル生成サーバ１０は、第１モデル及び第２モデルの予測精度を比較することにより、予測対象日に使用する予測モデルを決定する。
電力需要予測サーバ３０は、予測対象日における天候予報データを取得する（符号３１０）。電力需要予測サーバ３０は、取得した天候予報データを予測モデルに入力することにより、電力需要の予測値を取得する（符号３１１）。この例では、電力需要予測サーバ３０は、一日に複数回、天候予報データを取得し、天候予報データを取得する度に電力需要を予測する。そして、電力需要予測サーバ３０は、予測対象日における電力需要の予測値（予測結果）を出力する（符号３１２）。
図５に示すように、予測モデル生成サーバ１０は、過去の所定の期間における天候実績データ及び電力実績データを取得する（ステップＳ１０１）。そして、予測モデル生成サーバ１０は、取得したデータを用いて第１学習データを生成し（ステップＳ１０２）、生成した第１学習データを用いて、第１モデルを生成する（ステップＳ１０３）。
次に、予測モデル生成サーバ１０は、過去の所定の期間における天候予報実績データ及び電力実績データを取得する（ステップＳ１０４）。そして、予測モデル生成サーバ１０は、取得したデータを用いて第２学習データを生成し（ステップＳ１０５）、生成した第２学習データを用いて、第２モデルを生成する（ステップＳ１０６）。
予測モデル生成サーバ１０は、直近の期間における天候実績データ及び電力予報実績データを取得する（ステップＳ１０７）。そして、予測モデル生成サーバ１０は、直近の期間における第１モデルの電力需要の第１予測値、及び第２モデルの電力需要の第２予測値を取得し（ステップＳ１０８）、取得した第１予測値の予測精度ＥＥＰ１、及び第２モデルの予測精度ＥＥＰ２を算出する（ステップＳ１０９）。そして、予測モデル生成サーバ１０は、予測精度ＥＥＰ１が、予測精度ＥＥＰ２以下であるか否かを判定する（ステップＳ１１０）。
予測モデル生成サーバ１０は、予測精度ＥＥＰ１が、予測精度ＥＥＰ２以下である場合、予測モデルを第１モデルとする（ステップＳ１１１）。一方、予測モデル生成サーバ１０は、予測精度ＥＥＰ１が、予測精度ＥＥＰ２より大きい場合、予測モデルを第２モデルとする（ステップＳ１１２）。
次に、予測モデル生成サーバ１０は、過去の所定の期間における天候予報実績データ及び電力実績データを取得する（ステップＳ１０４）。そして、予測モデル生成サーバ１０は、取得したデータを用いて第２学習データを生成し（ステップＳ１０５）、生成した第２学習データを用いて、第２モデルを生成する（ステップＳ１０６）。
予測モデル生成サーバ１０は、直近の期間における天候実績データ及び電力予報実績データを取得する（ステップＳ１０７）。そして、予測モデル生成サーバ１０は、直近の期間における第１モデルの電力需要の第１予測値、及び第２モデルの電力需要の第２予測値を取得し（ステップＳ１０８）、取得した第１予測値の予測精度ＥＥＰ１、及び第２モデルの予測精度ＥＥＰ２を算出する（ステップＳ１０９）。そして、予測モデル生成サーバ１０は、予測精度ＥＥＰ１が、予測精度ＥＥＰ２以下であるか否かを判定する（ステップＳ１１０）。
予測モデル生成サーバ１０は、予測精度ＥＥＰ１が、予測精度ＥＥＰ２以下である場合、予測モデルを第１モデルとする（ステップＳ１１１）。一方、予測モデル生成サーバ１０は、予測精度ＥＥＰ１が、予測精度ＥＥＰ２より大きい場合、予測モデルを第２モデルとする（ステップＳ１１２）。
なお、上述では、第１モデルを生成した後に第２モデルを生成したが、先に第２モデルを生成した後に第１モデルを生成するようにしてもよい。
以上説明したように、本実施形態の電力需要予測システムは、予測対象日に応じて、第１モデル及び第２モデルの中からいずれか一つを、予測モデルとして選択する。これにより、本実施形態の電力需要予測システムにおいては、実施形態の電力需要予測システム１は、予測対象日に応じて、より精度よく予測し得るモデルを予測モデルとして選択することができる。このため、過去の天気予報が良く当たる傾向にある場合には天候実績と電力需要との関係を学習した第１モデルを選択し、過去の天気予報が外れる傾向にある場合には天候予報実績と電力需要との関係を学習した第２モデルを選択でき、より精度よく電力需要を予測し得る予測モデルを選択することができる。
また、実施形態の電力需要予測システム１では、予測対象日の前、例えば直近の期間における学習データを用いて各モデルが予測した電力需要と、その直前の期間における実際の電力実績に基づいて、モデルを選択する。これにより、予測対象日における電力需要を精度よく予測する可能性が高いモデル、つまり予測対象日の直前の期間の電力需要を精度よく予測するモデルを選択できる。
また、実施形態の電力需要予測システム１では、モデルの予測精度ＥＥＰを算出する。これにより、予測の精度を定量的な指標により評価して、より予測の精度が高いモデルを選択できる。
また、実施形態の電力需要予測システム１では、変動要因実績データは、過去の天候に関する実績である天候実績データであり、変動要因予測実績データは、過去の天候予報に関する実績である天候予報実績データである。これにより、電力需要と相関が強い天候に関する情報を用いることができる。
また、実施形態の予測モデル生成サーバ１０（「学習装置」の一例）は、測対象日に応じて、第１モデル及び第２モデルの中からいずれか一つを、予測モデルとして選択する。これにより、二つの学習済みモデルから予測対象日における電力需要をより精度よく予測し得るモデルを選択することができ、選択したモデルを用いることで精度よく予測することが可能である。
上述した実施形態における電力需要予測システム１、予測モデル生成サーバ１０をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。
以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
１…電力需要予測システム、１０…予測モデル生成サーバ、３０…電力需要予測サーバ、４０…天候データ提供サーバ、５０…対象施設、１０２…第１モデル作成部、１０３…第２モデル作成部、１０４…選択部
Claims (5)
- 電力需要量を変動させる要因となり得る変動要因の実績である変動要因実績データに、電力需要の実績である電力実績データを対応付けた第１学習データを用いて機械学習を実行することにより、電力需要を予測する第１モデルを生成する第１モデル作成部と、
前記変動要因の予測の実績である変動要因予測実績データに、前記電力実績データを対応付けた第２学習データを用いて機械学習を実行することにより、電力需要を予測する第２モデルを生成する第２モデル作成部と、
電力需要を予測する対象となる予測対象日に応じて、前記第１モデル及び前記第２モデルの中からいずれか一つを、前記予測対象日における電力需要を予測する予測モデルとして選択する選択部と、
前記予測モデルを用いて、前記予測対象日における電力需要を予測する予測部
を備えることを特徴とする電力需要予測システム。 - 前記選択部は、前記予測対象日より前の第３期間において前記第１モデルが予測する第１予測電力需要、前記第３期間において前記第２モデルが予測する第２予測電力需要、及び前記第３期間における前記電力実績データに基づいて、前記第１モデル又は前記第２モデルのいずれかを前記予測モデルとして選択する
ことを特徴とする請求項１に記載の電力需要予測システム。 - 前記変動要因実績データは過去の天候に関する実績である天候実績データであり、前記変動要因予測実績データは過去の天候予報に関する実績である天候予報実績データである
ことを特徴とする請求項１または請求項２のいずれか一項に記載の電力需要予測システム。 - 電力需要量を変動させる要因となり得る変動要因の実績である変動要因実績データに、電力需要の実績である電力実績データを対応付けた第１学習データを用いて機械学習を実行することにより、電力需要を予測する第１モデルを生成する第１モデル作成部と、
前記変動要因の予測の実績である変動要因予測実績データに、前記電力実績データを対応付けた第２学習データを用いて機械学習を実行することにより、電力需要を予測する第２モデルを生成する第２モデル作成部と、
電力需要を予測する対象となる予測対象日に応じて、前記第１モデル及び前記第２モデルの中からいずれか一つを、前記予測対象日における電力需要を予測する予測モデルとして選択する選択部と、
を備えることを特徴とする学習装置。 - 第１モデル作成部が、電力需要量を変動させる要因となり得る変動要因の実績である変動要因実績データに、電力需要の実績である電力実績データを対応付けた第１学習データを用いて機械学習を実行することにより、電力需要を予測する第１モデルを生成する第１モデル生成工程と、
第２モデル作成部が、前記変動要因の予測の実績である変動要因予測実績データに、前記電力実績データを対応付けた第２学習データを用いて機械学習を実行することにより、電力需要を予測する第２モデルを生成する第２モデル生成工程と、
選択部が、電力需要を予測する対象となる予測対象日に応じて、前記第１モデル及び前記第２モデルの中からいずれか一つを、前記予測対象日における電力需要を予測する予測モデルとして選択する選択工程と、
予測部が、前記予測モデルを用いて、前記予測対象日における電力需要を予測する予測工程
を有することを特徴とする電力需要予測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018101024A JP7079663B2 (ja) | 2018-05-25 | 2018-05-25 | 電力需要予測システム、学習装置及び電力需要予測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018101024A JP7079663B2 (ja) | 2018-05-25 | 2018-05-25 | 電力需要予測システム、学習装置及び電力需要予測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2019204459A JP2019204459A (ja) | 2019-11-28 |
| JP7079663B2 true JP7079663B2 (ja) | 2022-06-02 |
Family
ID=68727116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018101024A Active JP7079663B2 (ja) | 2018-05-25 | 2018-05-25 | 電力需要予測システム、学習装置及び電力需要予測方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7079663B2 (ja) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102727098B1 (ko) * | 2020-06-18 | 2024-11-07 | 한국전력공사 | 스태킹 앙상블 타입 단기 전력수요 예측 방법 및 장치 |
| CN114188935B (zh) * | 2020-09-15 | 2025-09-12 | 华为技术有限公司 | 功率预测的方法、装置及设备 |
| JP7593891B2 (ja) * | 2021-06-28 | 2024-12-03 | 京セラ株式会社 | 電力管理装置、電力管理システム及び電力管理方法 |
| JP7511533B2 (ja) * | 2021-08-11 | 2024-07-05 | 三菱重工業株式会社 | 予測装置、予測方法およびプログラム |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000276460A (ja) | 1999-03-24 | 2000-10-06 | Fuji Electric Co Ltd | 電力需要量予測方法 |
| JP2004086896A (ja) | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | 適応的予測モデル構築方法及び適応的予測モデル構築システム |
| JP2013066318A (ja) | 2011-09-20 | 2013-04-11 | Hitachi Ltd | 電力需要予測システムおよび方法 |
| JP2013200586A (ja) | 2012-03-23 | 2013-10-03 | Hitachi Ltd | 特性モデル更新処理装置及び特性モデル更新方法 |
| JP2015082259A (ja) | 2013-10-23 | 2015-04-27 | 本田技研工業株式会社 | 時系列データ予測装置、時系列データ予測方法、及びプログラム |
| JP2017010436A (ja) | 2015-06-25 | 2017-01-12 | 富士電機株式会社 | 誤差幅推定装置、誤差幅推定システム、誤差幅推定方法及びプログラム |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3224641B2 (ja) * | 1993-07-27 | 2001-11-05 | 中部電力株式会社 | 最大電力需要予測方法 |
-
2018
- 2018-05-25 JP JP2018101024A patent/JP7079663B2/ja active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000276460A (ja) | 1999-03-24 | 2000-10-06 | Fuji Electric Co Ltd | 電力需要量予測方法 |
| JP2004086896A (ja) | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | 適応的予測モデル構築方法及び適応的予測モデル構築システム |
| JP2013066318A (ja) | 2011-09-20 | 2013-04-11 | Hitachi Ltd | 電力需要予測システムおよび方法 |
| JP2013200586A (ja) | 2012-03-23 | 2013-10-03 | Hitachi Ltd | 特性モデル更新処理装置及び特性モデル更新方法 |
| JP2015082259A (ja) | 2013-10-23 | 2015-04-27 | 本田技研工業株式会社 | 時系列データ予測装置、時系列データ予測方法、及びプログラム |
| JP2017010436A (ja) | 2015-06-25 | 2017-01-12 | 富士電機株式会社 | 誤差幅推定装置、誤差幅推定システム、誤差幅推定方法及びプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2019204459A (ja) | 2019-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7079662B2 (ja) | 電力需要予測システム、学習装置及び電力需要予測方法 | |
| US11796992B2 (en) | Condition-based method for malfunction prediction | |
| JP5492848B2 (ja) | 電力需要予測システムおよび方法 | |
| Fan et al. | Short-term load forecasting based on a semi-parametric additive model | |
| Pinson et al. | Ensemble‐based probabilistic forecasting at Horns Rev | |
| JP7664708B2 (ja) | 太陽光発電出力予測装置、電力系統制御システム、需給制御システム、日射強度予測装置、学習装置、太陽光発電出力予測方法および太陽光発電出力予測プログラム | |
| JP5940922B2 (ja) | 自然エネルギー量予測装置 | |
| Pinson | Adaptive calibration of (u, v)‐wind ensemble forecasts | |
| JP7079663B2 (ja) | 電力需要予測システム、学習装置及び電力需要予測方法 | |
| JP7010674B2 (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 | |
| JP6481468B2 (ja) | 予測分布推定システム、予測分布推定方法、および予測分布推定プログラム | |
| WO2013099323A1 (ja) | 電力管理システム及び電力管理方法 | |
| JP2019087030A (ja) | 予測モデル生成装置、予測モデル生成方法及び予測モデル生成プログラム | |
| JP2022121028A (ja) | 発電量管理システム及び発電量管理方法 | |
| Huchuk et al. | Evaluation of data-driven thermal models for multi-hour predictions using residential smart thermostat data | |
| Eide et al. | Bayesian model averaging for wind speed ensemble forecasts using wind speed and direction | |
| JP2022042835A (ja) | 情報処理装置、情報処理方法、情報処理システム及びコンピュータプログラム | |
| JP2009225613A (ja) | 電力需要予測装置及び電力需要予測方法 | |
| JP2015106316A (ja) | エネルギー管理システム | |
| JP2016073155A (ja) | 需要予測装置、需要予測方法、及びプログラム | |
| JP6086875B2 (ja) | 発電量予測装置および発電量予測方法 | |
| CN119624513A (zh) | 一种基于机器学习的大数据预测系统 | |
| KR20190079973A (ko) | 태양광 발전 예측시스템 및 이를 이용한 발전량 및 수익 예측 방법 | |
| CN117034744A (zh) | 海上浮式风电可靠性评估方法和装置、设备及存储介质 | |
| JP7253913B2 (ja) | データ処理装置及びデータ処理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210423 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220222 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220222 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220412 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220510 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220523 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7079663 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |