JPH08163778A - 電力需要予測システム - Google Patents
電力需要予測システムInfo
- Publication number
- JPH08163778A JPH08163778A JP33054894A JP33054894A JPH08163778A JP H08163778 A JPH08163778 A JP H08163778A JP 33054894 A JP33054894 A JP 33054894A JP 33054894 A JP33054894 A JP 33054894A JP H08163778 A JPH08163778 A JP H08163778A
- Authority
- JP
- Japan
- Prior art keywords
- value
- demand
- power demand
- error
- forecast
- 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.)
- Pending
Links
Classifications
-
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
(57)【要約】
【目的】 気象予測値の誤差の範囲を推定することによ
り、電力需要を精度良く推定する。 【構成】 気象の予測結果を加味して電力需要量を予測
する電力需要予測システムにおいて、過去の気象変数の
履歴を用い現在までの気象変数の値を基に未来の気象変
数の値を予測する気象予測サブシステム20と、前記気象
予測値を基にして電力需要量を予測する電力需要予測サ
ブシステム30とを有し、前記気象予測サブシステムには
気象予測値の誤差範囲を推定する気象誤差推定手段23を
備えた。
り、電力需要を精度良く推定する。 【構成】 気象の予測結果を加味して電力需要量を予測
する電力需要予測システムにおいて、過去の気象変数の
履歴を用い現在までの気象変数の値を基に未来の気象変
数の値を予測する気象予測サブシステム20と、前記気象
予測値を基にして電力需要量を予測する電力需要予測サ
ブシステム30とを有し、前記気象予測サブシステムには
気象予測値の誤差範囲を推定する気象誤差推定手段23を
備えた。
Description
【０００１】
【産業上の利用分野】本発明は気象情報と電力需要との
関係を用いて電力需要量を予測する電力需要予測システ
ムに関する。
関係を用いて電力需要量を予測する電力需要予測システ
ムに関する。
【０００２】
【従来の技術】一般に、電力系統の運用においては、供
給信頼度の維持及び運用効率の向上を図るために、日毎
の電力需要の予測が不可欠である。この予測方法として
は、例えば電力需要や気象変数（気象の変化が電力需要
量に与える関係量）の時系列解析による方法や、経済指
標との相関を用いる方法等がある。中でも、近年の冷暖
房機器の普及による電力需要と気象変数との関連性の強
化に伴ない、過去の気象変数と電力需要との統計的な関
係を抽出し、その関係と気象予測値とによって電力需要
を予測する方法が普及している。しかし、従来の技術に
は以下の問題点がある。
給信頼度の維持及び運用効率の向上を図るために、日毎
の電力需要の予測が不可欠である。この予測方法として
は、例えば電力需要や気象変数（気象の変化が電力需要
量に与える関係量）の時系列解析による方法や、経済指
標との相関を用いる方法等がある。中でも、近年の冷暖
房機器の普及による電力需要と気象変数との関連性の強
化に伴ない、過去の気象変数と電力需要との統計的な関
係を抽出し、その関係と気象予測値とによって電力需要
を予測する方法が普及している。しかし、従来の技術に
は以下の問題点がある。
【０００３】
【発明が解決しようとする課題】 需要予測のもとになる気象予測値には予測誤差が含
まれている。この誤差の範囲を推定することは、電力需
要の予測範囲の推定や、電力需要予測に用いる気象変数
の整定を定量的に行なうために不可欠である。しかし、
気象変数の予測モデルは一般に非線形であり、予測誤差
の範囲を統計的に推定する手法は確立されていない。
まれている。この誤差の範囲を推定することは、電力需
要の予測範囲の推定や、電力需要予測に用いる気象変数
の整定を定量的に行なうために不可欠である。しかし、
気象変数の予測モデルは一般に非線形であり、予測誤差
の範囲を統計的に推定する手法は確立されていない。
【０００４】 電力需要の予測範囲を推定すること
は、運用業務として発電計画を作成する場合に設定され
る発電予備力を、電力需要の予測範囲に応じて定量的に
定めるために重要である。ところがたとえ気象予測誤差
が正確に推定されたとしても、需要予測モデル自体が誤
差を含んでいるため、この誤差を定量的に推定すること
ができなければ、電力需要の予測範囲を正確に見積るこ
とはできない。しかし、この誤差は需要予測モデルの非
線形性のため、統計的に推定することは困難である。
は、運用業務として発電計画を作成する場合に設定され
る発電予備力を、電力需要の予測範囲に応じて定量的に
定めるために重要である。ところがたとえ気象予測誤差
が正確に推定されたとしても、需要予測モデル自体が誤
差を含んでいるため、この誤差を定量的に推定すること
ができなければ、電力需要の予測範囲を正確に見積るこ
とはできない。しかし、この誤差は需要予測モデルの非
線形性のため、統計的に推定することは困難である。
【０００５】 電力需要を予測する場合、電力需要と
関係が強く、かつ予測誤差が小さいと推定される気象変
数を選択することが、高精度な予測のために必要であ
る。しかし両方の条件が相反する状況は実際の需要予測
時にはしばしば発生する。このとき、条件の優先度づけ
や重みづけを定量的に行なう手法は確立されていない。
関係が強く、かつ予測誤差が小さいと推定される気象変
数を選択することが、高精度な予測のために必要であ
る。しかし両方の条件が相反する状況は実際の需要予測
時にはしばしば発生する。このとき、条件の優先度づけ
や重みづけを定量的に行なう手法は確立されていない。
【０００６】本発明は上記課題を解決するためになされ
たものであり、気象予測値及び需要予測モデルの誤差を
推定し、更に電力需要と気象変数の関連度及び気象誤差
推定値を基にして高精度、かつ安定に電力需要予測の可
能な電力需要予測システムを提供することを目的として
いる。
たものであり、気象予測値及び需要予測モデルの誤差を
推定し、更に電力需要と気象変数の関連度及び気象誤差
推定値を基にして高精度、かつ安定に電力需要予測の可
能な電力需要予測システムを提供することを目的として
いる。
【０００７】
【課題を解決するための手段】本発明の［請求項１］に
係る電力需要予測システムは、気象の予測結果を加味し
て電力需要量を予測する電力需要予測システムにおい
て、過去の気象変数の履歴を用い現在までの気象変数の
値を基に未来の気象変数の値を予測する気象予測サブシ
ステムと、前記気象予測値を基にして電力需要量を予測
する電力需要予測サブシステムとを有し、前記気象予測
サブシステムには気象予測値の誤差範囲を推定する気象
誤差推定手段を備えた。
係る電力需要予測システムは、気象の予測結果を加味し
て電力需要量を予測する電力需要予測システムにおい
て、過去の気象変数の履歴を用い現在までの気象変数の
値を基に未来の気象変数の値を予測する気象予測サブシ
ステムと、前記気象予測値を基にして電力需要量を予測
する電力需要予測サブシステムとを有し、前記気象予測
サブシステムには気象予測値の誤差範囲を推定する気象
誤差推定手段を備えた。
【０００８】本発明の［請求項２］に係る電力需要予測
システムは、［請求項１］において、電力需要サブシス
テムには、需要予測モデルの不確定さを推定するために
設けた不確定度推定手段と、前記需要予測モデルの不確
定さ及び気象誤差範囲推定値から電力需要値の上下限を
求める誤差範囲格納手段を備えた。
システムは、［請求項１］において、電力需要サブシス
テムには、需要予測モデルの不確定さを推定するために
設けた不確定度推定手段と、前記需要予測モデルの不確
定さ及び気象誤差範囲推定値から電力需要値の上下限を
求める誤差範囲格納手段を備えた。
【０００９】本発明の［請求項３］に係る電力需要予測
システムは、［請求項１］において、電力需要サブシス
テムには、気象誤差推定値をもとに需要予測モデル候補
を選択する予測モデル選択手段と、前記各需要予測モデ
ルの不確定さを推定する不確定度推定手段と、前記需要
予測モデルの不確定さと気象誤差推定値とをもとに各予
測モデルの電力需要予測の誤差範囲を推定する誤差範囲
格納手段と、各予測モデルの推定された需要誤差推定値
をもとに最終的な予測結果を選択する予測結果選択手段
を備えた。
システムは、［請求項１］において、電力需要サブシス
テムには、気象誤差推定値をもとに需要予測モデル候補
を選択する予測モデル選択手段と、前記各需要予測モデ
ルの不確定さを推定する不確定度推定手段と、前記需要
予測モデルの不確定さと気象誤差推定値とをもとに各予
測モデルの電力需要予測の誤差範囲を推定する誤差範囲
格納手段と、各予測モデルの推定された需要誤差推定値
をもとに最終的な予測結果を選択する予測結果選択手段
を備えた。
【００１０】
【作用】本発明の［請求項１］に係る電力需要予測シス
テムは、需要予測手段に対して気象データの誤差分を含
んだデータ、即ち、（気象データ予測値−誤差推定値）
から（気象データ予測値＋誤差推定値）までの幅をもっ
たものを入力し、これに対応した出力を計算する。この
状態による出力の内で、既に誤差範囲格納器に格納され
ている最大値及び最小値の値と比較し、これらを超えて
いるものがあれば、前記格納データを更新する。そして
需要予測手段への入力値が気象データの予測値の場合、
これらに対応する出力を需要データの予測値として格納
する。そして誤差範囲格納器に保持されている最大値，
最小値を需要データの誤差推定値とする。
テムは、需要予測手段に対して気象データの誤差分を含
んだデータ、即ち、（気象データ予測値−誤差推定値）
から（気象データ予測値＋誤差推定値）までの幅をもっ
たものを入力し、これに対応した出力を計算する。この
状態による出力の内で、既に誤差範囲格納器に格納され
ている最大値及び最小値の値と比較し、これらを超えて
いるものがあれば、前記格納データを更新する。そして
需要予測手段への入力値が気象データの予測値の場合、
これらに対応する出力を需要データの予測値として格納
する。そして誤差範囲格納器に保持されている最大値，
最小値を需要データの誤差推定値とする。
【００１１】本発明の［請求項２］に係る電力需要予測
システムは、［請求項１］の気象変数の予測誤差推定に
加えて、需要予測モデルの不確定さを加味するようにし
たものである。即ち、気象実績データ，需要実績デー
タ，気象予測値をもとに電力需要を予測し、需要予測モ
デルの不確定さを推定すると共に、気象誤差推定値及び
需要予測モデルの不確定さをもとに電力需要予測の誤差
範囲を推定するようにしたものである。
システムは、［請求項１］の気象変数の予測誤差推定に
加えて、需要予測モデルの不確定さを加味するようにし
たものである。即ち、気象実績データ，需要実績デー
タ，気象予測値をもとに電力需要を予測し、需要予測モ
デルの不確定さを推定すると共に、気象誤差推定値及び
需要予測モデルの不確定さをもとに電力需要予測の誤差
範囲を推定するようにしたものである。
【００１２】本発明の［請求項３］に係る電力需要予測
システムは、気象実績データ，需要実績データ，気象予
測値をもとに電力需要を予測し、気象誤差推定値をもと
に需要予測モデル候補を選択し、各需要予測モデルの不
確定さを推定すると共に、気象誤差推定値及び需要予測
モデルの不確定さをもとに各予測モデルの電力需要予測
の誤差範囲を推定すると共に、各予測モデルの推定され
た需要誤差推定値をもとに最終的な予測結果を選択す
る。
システムは、気象実績データ，需要実績データ，気象予
測値をもとに電力需要を予測し、気象誤差推定値をもと
に需要予測モデル候補を選択し、各需要予測モデルの不
確定さを推定すると共に、気象誤差推定値及び需要予測
モデルの不確定さをもとに各予測モデルの電力需要予測
の誤差範囲を推定すると共に、各予測モデルの推定され
た需要誤差推定値をもとに最終的な予測結果を選択す
る。
【００１３】
【実施例】以下図面を参照して実施例を説明する。図１
は本発明の［請求項１］に係る電力需要予測システムの
一実施例の構成図である。図１において、10は、気象デ
ータ11と需要データ12とからなるデータベース、20は、
類似データ検索器21と気象予測値計算器22と気象誤差推
定器23とからなる気象予測サブシステム、30は、神経回
路網学習器31と需要予測神経回路網32と誤差範囲格納器
33とからなる電力需要予測サブシステムである。
は本発明の［請求項１］に係る電力需要予測システムの
一実施例の構成図である。図１において、10は、気象デ
ータ11と需要データ12とからなるデータベース、20は、
類似データ検索器21と気象予測値計算器22と気象誤差推
定器23とからなる気象予測サブシステム、30は、神経回
路網学習器31と需要予測神経回路網32と誤差範囲格納器
33とからなる電力需要予測サブシステムである。
【００１４】なお、気象データ11は、気象変数の実績値
111 ，気象変数の予測値112 ，気象予測値の誤差推定値
113 を有し、需要データ12は、過去から予測日前日まで
の需要実績値121 ，予測日の需要予測値122 ，予測日の
需要予測値の誤差推定値123を有する。即ち、データベ
ース10には上記データが格納されている。
111 ，気象変数の予測値112 ，気象予測値の誤差推定値
113 を有し、需要データ12は、過去から予測日前日まで
の需要実績値121 ，予測日の需要予測値122 ，予測日の
需要予測値の誤差推定値123を有する。即ち、データベ
ース10には上記データが格納されている。
【００１５】ここで電力需要予測システムの機能は以下
に示す４つである。 １．予測日前日まで１時間ごとの、対象地域の各地点に
おける天候，風向，風力，気温，湿度，気圧の各気象デ
ータをもとに、予測日の１時間ごと２４時間の前記気象
変数を予測する。 ２．前記気象変数の予測誤差範囲の推定を行なう。 ３．気象実績データ，需要実績データ，気象予測値をも
とに電力需要を予測する。 ４．気象変数の予測誤差推定値をもとに、需要予測の誤
差範囲を推定する。
に示す４つである。 １．予測日前日まで１時間ごとの、対象地域の各地点に
おける天候，風向，風力，気温，湿度，気圧の各気象デ
ータをもとに、予測日の１時間ごと２４時間の前記気象
変数を予測する。 ２．前記気象変数の予測誤差範囲の推定を行なう。 ３．気象実績データ，需要実績データ，気象予測値をも
とに電力需要を予測する。 ４．気象変数の予測誤差推定値をもとに、需要予測の誤
差範囲を推定する。
【００１６】しかも、このように構成されたシステム
は、以下に示す３つのモードで動作する。 １．気象予測モード。 ２．需要予測神経回路網学習モード。 ３．需要予測モード。
は、以下に示す３つのモードで動作する。 １．気象予測モード。 ２．需要予測神経回路網学習モード。 ３．需要予測モード。
【００１７】以下、各部の機能をモードごとに説明す
る。 気象予測モード このモードは、予測日前日の気象データがデータベース
の気象変数実績値111に格納されることにより起動さ
れ、気象変数の予測と予測誤差範囲の推定が行なわれ
る。 気象データの構成 気象データの構成を図２に示す。実績値111 には予測日
前日まで１時間ごとの、対象地域の各地点における雲
量，降水量，風向，風力，気温，湿度，気圧の各気象変
数の実績値が蓄積される。予測値112 には予測日の各気
象変数の予測値が格納される。この値は毎日予測される
度に更新される。誤差推定値113 には予測日の各気象変
数の誤差推定値が格納される。この値は毎日予測される
度に更新される。
る。 気象予測モード このモードは、予測日前日の気象データがデータベース
の気象変数実績値111に格納されることにより起動さ
れ、気象変数の予測と予測誤差範囲の推定が行なわれ
る。 気象データの構成 気象データの構成を図２に示す。実績値111 には予測日
前日まで１時間ごとの、対象地域の各地点における雲
量，降水量，風向，風力，気温，湿度，気圧の各気象変
数の実績値が蓄積される。予測値112 には予測日の各気
象変数の予測値が格納される。この値は毎日予測される
度に更新される。誤差推定値113 には予測日の各気象変
数の誤差推定値が格納される。この値は毎日予測される
度に更新される。
【００１８】各気象変数の値及び誤差推定値は以下のよ
うに表現される。 雲量…全天に対して雲が覆っている面積の比率（０％〜
１００％）。 予測変数値：ｘｘ％、誤差推定値：＋ｘ％，−ｘ％。 降水量…予測変数値：ｘｘmm、誤差推定値：＋ｘmm，−
ｘmm。 風向…北，北北東，北東，東北東，東，東南東，南東，
南南東，南，南南西，南西，西南西，西，西北西，北
西，北北西１６方位に対応する０〜１５の整数値。 予測変数値：ｘｘ(0〜15) 、誤差推定値：＋ｘ(0〜7)，
−ｘ(0〜7)。
うに表現される。 雲量…全天に対して雲が覆っている面積の比率（０％〜
１００％）。 予測変数値：ｘｘ％、誤差推定値：＋ｘ％，−ｘ％。 降水量…予測変数値：ｘｘmm、誤差推定値：＋ｘmm，−
ｘmm。 風向…北，北北東，北東，東北東，東，東南東，南東，
南南東，南，南南西，南西，西南西，西，西北西，北
西，北北西１６方位に対応する０〜１５の整数値。 予測変数値：ｘｘ(0〜15) 、誤差推定値：＋ｘ(0〜7)，
−ｘ(0〜7)。
【００１９】風力０〜１５の整数値 予測変数値：ｘｘ(0〜15) 、誤差推定値：＋ｘ(0〜7)，
−ｘ(0〜7)。 気温…予測変数値ｘｘ℃、誤差推定値＋ｘ℃，−ｘ℃。 湿度…予測変数値ｘｘ％、誤差推定値：＋ｘ％，−ｘ
％。 気圧…予測変数値：ｘｘｈＰａ、誤差推定値：＋ｘｈＰ
ａ，−ｘｈＰａ。
−ｘ(0〜7)。 気温…予測変数値ｘｘ℃、誤差推定値＋ｘ℃，−ｘ℃。 湿度…予測変数値ｘｘ％、誤差推定値：＋ｘ％，−ｘ
％。 気圧…予測変数値：ｘｘｈＰａ、誤差推定値：＋ｘｈＰ
ａ，−ｘｈＰａ。
【００２０】気象変数の予測方法及び気象変数の予測誤
差範囲の推定方法 本実施例では予測日前日までの気象データをもとに、予
測日の１時から２４時までの１時間ごと２４点の予測
と、各予測値の誤差範囲の推定を行なう。具体的な処理
について図３を用いて説明する。
差範囲の推定方法 本実施例では予測日前日までの気象データをもとに、予
測日の１時から２４時までの１時間ごと２４点の予測
と、各予測値の誤差範囲の推定を行なう。具体的な処理
について図３を用いて説明する。
【００２１】ステップＳ１では類似データ検索器21によ
り、予測日の前日と似ている日を過去データから検索す
る。具体的には、以下に定義されるデータ間の距離が設
定された値以下である日を類似日とする。
り、予測日の前日と似ている日を過去データから検索す
る。具体的には、以下に定義されるデータ間の距離が設
定された値以下である日を類似日とする。
【数１】
【００２２】なお、気象変数１は雲量，２は降水量，３
は風向，４は風力，５は気温，６は湿度，７は気圧であ
る。予測日の前日をＮ日、類似日の選択基準距離をＤと
すると、ｄ（Ｎ，Ｎ′）≦ＤなるＮ′日を類似日とす
る。ここではＮ1 ，Ｎ2 ，…，Ｎk のｋ日をデータが検
索されたとする。
は風向，４は風力，５は気温，６は湿度，７は気圧であ
る。予測日の前日をＮ日、類似日の選択基準距離をＤと
すると、ｄ（Ｎ，Ｎ′）≦ＤなるＮ′日を類似日とす
る。ここではＮ1 ，Ｎ2 ，…，Ｎk のｋ日をデータが検
索されたとする。
【００２３】ステップＳ２では検索されたＮ1 ，Ｎ2 ，
…，Ｎk 日の翌日データを類似データ検索器21により検
索する。これらを（Ｎ＋１）1 ，（Ｎ＋１）2 ，…，
（Ｎ＋１））k 日とする。ステップＳ３では気象予測値
計算器22により、Ｎ日とＮk 日との距離によって（Ｎ＋
１）k 日のデータを荷重平均し、Ｎ＋１日の予測値を求
める。
…，Ｎk 日の翌日データを類似データ検索器21により検
索する。これらを（Ｎ＋１）1 ，（Ｎ＋１）2 ，…，
（Ｎ＋１））k 日とする。ステップＳ３では気象予測値
計算器22により、Ｎ日とＮk 日との距離によって（Ｎ＋
１）k 日のデータを荷重平均し、Ｎ＋１日の予測値を求
める。
【数２】 ここで求められた予測値はデータベースの気象予測値11
2 に格納される。
2 に格納される。
【００２４】ステップＳ４では気象誤差推定器23によ
り、（Ｎ＋１）1 ，（Ｎ＋１）2 ，…，（Ｎ＋１））k
日データ間の距離を測定し、その最大値ｍａｘl,m （ｄ
（（Ｎ＋１）l ，（Ｎ＋１）m ））を予測誤差の推定値
とする。ここで求められた推定値はデータベースの気象
誤差推定値113 に格納される。
り、（Ｎ＋１）1 ，（Ｎ＋１）2 ，…，（Ｎ＋１））k
日データ間の距離を測定し、その最大値ｍａｘl,m （ｄ
（（Ｎ＋１）l ，（Ｎ＋１）m ））を予測誤差の推定値
とする。ここで求められた推定値はデータベースの気象
誤差推定値113 に格納される。
【００２５】需要予測神経回路網学習モード このモードは、予測日前日の気象データがデータベース
の気象変数実績値111に格納されることにより起動さ
れ、気象予測モードと並行して、需要予測神経回路網32
の学習が神経回路網学習器31により行なわれる。図４に
需要予測神経回路網32の構成を示す。この需要予測神経
回路網32はいわゆる多層パーセプトロン型神経回路網
に、入力データの規格化処理器と出力データの実数値化
処理器を接続したものである。
の気象変数実績値111に格納されることにより起動さ
れ、気象予測モードと並行して、需要予測神経回路網32
の学習が神経回路網学習器31により行なわれる。図４に
需要予測神経回路網32の構成を示す。この需要予測神経
回路網32はいわゆる多層パーセプトロン型神経回路網
に、入力データの規格化処理器と出力データの実数値化
処理器を接続したものである。
【００２６】各入力データは０から１の間に規格化さ
れ、入力層へ入力され、中間層及び出力層ユニットで総
和演算，閾値処理がほどこされて出力される。この出力
データは実数値化処理器により、電力需要量のレンジに
変換される。本神経回路網の学習方法としては、気象デ
ータの実績値の入力に対応する需要データの実績値を出
力するように、例えばバックプロパゲーション学習アル
ゴリズムにより需要予測神経回路網32のユニット間の荷
重値が調整される。
れ、入力層へ入力され、中間層及び出力層ユニットで総
和演算，閾値処理がほどこされて出力される。この出力
データは実数値化処理器により、電力需要量のレンジに
変換される。本神経回路網の学習方法としては、気象デ
ータの実績値の入力に対応する需要データの実績値を出
力するように、例えばバックプロパゲーション学習アル
ゴリズムにより需要予測神経回路網32のユニット間の荷
重値が調整される。
【００２７】需要予測モード このモードは、予測日の気象データの予測値と誤差推定
値が、夫々データベースの気象予測値112 と誤差推定値
113 に格納され、かつ需要予測神経回路網32の学習終了
したことにより起動される。具体的な処理について図５
を用いて説明する。
値が、夫々データベースの気象予測値112 と誤差推定値
113 に格納され、かつ需要予測神経回路網32の学習終了
したことにより起動される。具体的な処理について図５
を用いて説明する。
【００２８】ステップＳ51では需要予測神経回路網32へ
（気象データ予測値−誤差推定値）から（気象データ予
測値＋誤差推定値）まで、刻幅σで増加する値を入力す
る。ステップＳ52では需要予測神経回路網32は入力デー
タに対応する出力を計算する。ステップＳ53では需要予
測神経回路網32からの出力がステップＳ51での繰り返し
の中で、最大値より大きい又は最小値未満であれば、誤
差範囲格納器33に格納されているこれまでの最大値，最
小値を更新する。ステップＳ54では需要予測神経回路網
32への入力値が気象データの予測値の場合、対応する出
力を需要データの予測値とし、需要データ予測値112 に
格納する。ステップＳ55では誤差範囲格納器33で保持さ
れている最大値，最小値を需要データの誤差推定値と
し、需要データ誤差推定値123 へ格納する。
（気象データ予測値−誤差推定値）から（気象データ予
測値＋誤差推定値）まで、刻幅σで増加する値を入力す
る。ステップＳ52では需要予測神経回路網32は入力デー
タに対応する出力を計算する。ステップＳ53では需要予
測神経回路網32からの出力がステップＳ51での繰り返し
の中で、最大値より大きい又は最小値未満であれば、誤
差範囲格納器33に格納されているこれまでの最大値，最
小値を更新する。ステップＳ54では需要予測神経回路網
32への入力値が気象データの予測値の場合、対応する出
力を需要データの予測値とし、需要データ予測値112 に
格納する。ステップＳ55では誤差範囲格納器33で保持さ
れている最大値，最小値を需要データの誤差推定値と
し、需要データ誤差推定値123 へ格納する。
【００２９】本実施例によれば、電力需要予測に用いら
れる気象変数の予測誤差範囲を定量的に推定できるた
め、電力需要の予測範囲を精度良く推定することができ
る。
れる気象変数の予測誤差範囲を定量的に推定できるた
め、電力需要の予測範囲を精度良く推定することができ
る。
【００３０】図６は本発明の［請求項２］に係る電力需
要予測システムの一実施例の構成図である。図６におい
て図１と同一部分又は同一機能部分については同一符号
を付して説明を省略する。本実施例において図１と異な
る機能は、気象変数の予測誤差推定値と需要予測モード
の不確定さをもとに、需要予測の誤差範囲を推定する点
である。
要予測システムの一実施例の構成図である。図６におい
て図１と同一部分又は同一機能部分については同一符号
を付して説明を省略する。本実施例において図１と異な
る機能は、気象変数の予測誤差推定値と需要予測モード
の不確定さをもとに、需要予測の誤差範囲を推定する点
である。
【００３１】図において、34で示す部分が不確定度推定
神経回路網である。そして本実施例においても、気象予
測モードと需要予測神経回路網学習モードと需要予測モ
ードの３つのモードで動作することは上記実施例の通り
である。以下に各モードの動作を説明するが、気象予測
モードは上記実施例（［請求項１］）で説明したものと
同じであるため説明を省略する。
神経回路網である。そして本実施例においても、気象予
測モードと需要予測神経回路網学習モードと需要予測モ
ードの３つのモードで動作することは上記実施例の通り
である。以下に各モードの動作を説明するが、気象予測
モードは上記実施例（［請求項１］）で説明したものと
同じであるため説明を省略する。
【００３２】需要予測神経回路網学習モード このモードは、予測日前日の気象データがデータベース
10の気象変数実績値111 に格納されることにより起動さ
れ、気象予測モードと並行して、需要予測神経回路網32
及び不確定度推定神経回路網34の学習が神経回路網学習
器31により行なわれる。需要予測神経回路網32の機能，
構成については図１に記載の内容と同一であるので説明
は省略する。
10の気象変数実績値111 に格納されることにより起動さ
れ、気象予測モードと並行して、需要予測神経回路網32
及び不確定度推定神経回路網34の学習が神経回路網学習
器31により行なわれる。需要予測神経回路網32の機能，
構成については図１に記載の内容と同一であるので説明
は省略する。
【００３３】図７は不確定度推定神経回路網の構成図で
あり、この神経回路網は、出力変数が需要予測神経回路
網32の学習誤差であることを除くと、需要予測神経回路
網32と同一である。即ち、不確定度推定神経回路網34
は、需要予測神経回路網32の学習時の学習誤差値を神経
回路網学習器31より受けとり、これを出力データとして
気象データ入力との関係を学習する。
あり、この神経回路網は、出力変数が需要予測神経回路
網32の学習誤差であることを除くと、需要予測神経回路
網32と同一である。即ち、不確定度推定神経回路網34
は、需要予測神経回路網32の学習時の学習誤差値を神経
回路網学習器31より受けとり、これを出力データとして
気象データ入力との関係を学習する。
【００３４】需要予測モード このモードは、予測日の気象データの予測値と誤差推定
値が、夫々データベースの気象予測値112 と誤差推定値
113 に格納され、かつ需要予測神経回路網32及び不確定
度推定神経回路網34の学習が終了したことにより起動さ
れる。具体的な処理については図８を用いて説明する。
ステップＳ１．…，ステップＳ４までは上記実施例と同
一であるため省略する。
値が、夫々データベースの気象予測値112 と誤差推定値
113 に格納され、かつ需要予測神経回路網32及び不確定
度推定神経回路網34の学習が終了したことにより起動さ
れる。具体的な処理については図８を用いて説明する。
ステップＳ１．…，ステップＳ４までは上記実施例と同
一であるため省略する。
【００３５】ステップＳ５では不確定度推定神経回路網
34へ気象データ予測値を入力し、需要予測神経回路網32
の予測誤差を推定する。ステップＳ６では不確定度推定
神経回路網34の出力と、誤差範囲格納器33で保持されて
いる最大値との大きい方を、需要データの誤差推定値の
最大とし、これを誤差範囲格納器33で保持されている最
小値とともに需要データ誤差推定値123へ格納する。
34へ気象データ予測値を入力し、需要予測神経回路網32
の予測誤差を推定する。ステップＳ６では不確定度推定
神経回路網34の出力と、誤差範囲格納器33で保持されて
いる最大値との大きい方を、需要データの誤差推定値の
最大とし、これを誤差範囲格納器33で保持されている最
小値とともに需要データ誤差推定値123へ格納する。
【００３６】本実施例によれば、電力需要予測に用いる
予測モードの誤差傾向を不確定度推定神経回路網により
定量的に推定することができるため、電力需要の予測範
囲を精度良く推定することができる。
予測モードの誤差傾向を不確定度推定神経回路網により
定量的に推定することができるため、電力需要の予測範
囲を精度良く推定することができる。
【００３７】図９は本発明の［請求項３］に係る電力需
要予測システムの一実施例の構成図である。図９におい
て図１及び図６と同一部分及び同一機能部分については
同一符号を付して説明を省略する。本実施例で図１，図
６と異なる点は需要予測神経回路網が複数個321 〜32n
であって、これらが神経回路網格納器37に格納されてお
り、神経回路網選択器36にて選択出力されるものであ
る。なお、需要予測神経回路網32がｎ個あるため、不確
定度推定神経回路網34もｎ個341 〜34n 設けた。35は予
測結果選択器である。
要予測システムの一実施例の構成図である。図９におい
て図１及び図６と同一部分及び同一機能部分については
同一符号を付して説明を省略する。本実施例で図１，図
６と異なる点は需要予測神経回路網が複数個321 〜32n
であって、これらが神経回路網格納器37に格納されてお
り、神経回路網選択器36にて選択出力されるものであ
る。なお、需要予測神経回路網32がｎ個あるため、不確
定度推定神経回路網34もｎ個341 〜34n 設けた。35は予
測結果選択器である。
【００３８】本実施例においても、気象予測モードと需
要予測神経回路網学習モードと需要予測モードの３つの
モードで動作することは前記各実施例の場合と同様であ
る。以下に各モードの動作を説明する。前記同様気象予
測モードは上記実施例と同様であため説明を省略する。
要予測神経回路網学習モードと需要予測モードの３つの
モードで動作することは前記各実施例の場合と同様であ
る。以下に各モードの動作を説明する。前記同様気象予
測モードは上記実施例と同様であため説明を省略する。
【００３９】需要予測神経回路網学習モード このモードは、予測日前日の気象データがデータベース
の気象変数実績値111に格納されることにより起動さ
れ、気象予測モードと並行して、需要予測神経回路網32
1 〜32n が神経回路網格納器37から神経回路網選択器36
により選択され、不確定度推定神経回路網341 〜34n と
ともに神経回路網学習器31により学習される。
の気象変数実績値111に格納されることにより起動さ
れ、気象予測モードと並行して、需要予測神経回路網32
1 〜32n が神経回路網格納器37から神経回路網選択器36
により選択され、不確定度推定神経回路網341 〜34n と
ともに神経回路網学習器31により学習される。
【００４０】神経回路網選択器36は、気象データの誤差
推定値113 が予め設定された許容値以下である変数を入
力とする神経回路網を神経回路網格納器37から選択す
る。ここでは許容値以下である変数の組み合わせがｎ通
りあり、ｎ個の神経回路網が選択されたとする。なお、
この許容値の設定は、神経回路網選択器36のマンマシン
インターフェイスを用いて行なわれる。不確定度推定神
経回路網341 〜34n は、需要予測神経回路網321 〜32n
の学習誤差を夫々学習する。その構成は図７に記載の内
容と同一であるので説明は省略する。
推定値113 が予め設定された許容値以下である変数を入
力とする神経回路網を神経回路網格納器37から選択す
る。ここでは許容値以下である変数の組み合わせがｎ通
りあり、ｎ個の神経回路網が選択されたとする。なお、
この許容値の設定は、神経回路網選択器36のマンマシン
インターフェイスを用いて行なわれる。不確定度推定神
経回路網341 〜34n は、需要予測神経回路網321 〜32n
の学習誤差を夫々学習する。その構成は図７に記載の内
容と同一であるので説明は省略する。
【００４１】需要予測モード このモードは、予測日の気象データの予測値と誤差推定
値が、夫々データベースの気象予測値112 と誤差推定値
113 に格納され、かつ需要予測神経回路網321〜32n 及
び不確定度推定神経回路網341 〜34n の学習が終了した
ことにより起動される。具体的な処理について図10，図
11を用いて説明する。なお、図10と図11は本来１つの図
であるが、記載の便宜上から２図に分けている。
値が、夫々データベースの気象予測値112 と誤差推定値
113 に格納され、かつ需要予測神経回路網321〜32n 及
び不確定度推定神経回路網341 〜34n の学習が終了した
ことにより起動される。具体的な処理について図10，図
11を用いて説明する。なお、図10と図11は本来１つの図
であるが、記載の便宜上から２図に分けている。
【００４２】ステップＳ101 では需要予測神経回路網
（321 〜32n ）へ（気象データ予測値−誤差推定値）か
ら（気象データ予測値＋誤差推定値）まで、刻幅σで増
加する値を入力する。ステップＳ102 からステップＳ10
5 までの処理を需要予測神経回路網321 〜32n （ｉ＝１
からｎ）まで繰り返す。
（321 〜32n ）へ（気象データ予測値−誤差推定値）か
ら（気象データ予測値＋誤差推定値）まで、刻幅σで増
加する値を入力する。ステップＳ102 からステップＳ10
5 までの処理を需要予測神経回路網321 〜32n （ｉ＝１
からｎ）まで繰り返す。
【００４３】ステップＳ103 では需要予測神経回路網32
i は入力データに対応する出力を計算する。ステップＳ
104 では需要予測神経回路網32i からの出力がステップ
Ｓ102 の繰り返しの中で最大値より大きい、又は最小値
未満であれば、誤差範囲格納器33に格納されているこれ
までの最大値，最小値を更新する。
i は入力データに対応する出力を計算する。ステップＳ
104 では需要予測神経回路網32i からの出力がステップ
Ｓ102 の繰り返しの中で最大値より大きい、又は最小値
未満であれば、誤差範囲格納器33に格納されているこれ
までの最大値，最小値を更新する。
【００４４】ステップＳ105 では需要予測神経回路網32
i への入力値が気象データの予測値の場合、対応する出
力を需要データの予測値候補とし、誤差範囲格納器33に
格納する。ステップＳ106 ではステップＳ107 ，Ｓ108
の処理を341 〜34n （ｉ＝１からｎ）まで繰り返す。ス
テップＳ107 では不確定度推定神経回路34i へ気象デー
タ予測値を入力し、需要予測神経回路網32i の予測誤差
を推定する。
i への入力値が気象データの予測値の場合、対応する出
力を需要データの予測値候補とし、誤差範囲格納器33に
格納する。ステップＳ106 ではステップＳ107 ，Ｓ108
の処理を341 〜34n （ｉ＝１からｎ）まで繰り返す。ス
テップＳ107 では不確定度推定神経回路34i へ気象デー
タ予測値を入力し、需要予測神経回路網32i の予測誤差
を推定する。
【００４５】ステップＳ108 では不確定度推定回路網34
i の出力と、誤差範囲格納器33で保持されている需要予
測神経回路網32i の最大値との大きい方を、需要データ
の誤差推定値の最大とし、これを誤差範囲格納器33で保
持されている最小値とともに予測結果選択器35へ格納す
る。
i の出力と、誤差範囲格納器33で保持されている需要予
測神経回路網32i の最大値との大きい方を、需要データ
の誤差推定値の最大とし、これを誤差範囲格納器33で保
持されている最小値とともに予測結果選択器35へ格納す
る。
【００４６】ステップＳ109 では予測結果選択器35に格
納された、需要予測神経回路網（321 〜32n ）の需要予
測誤差推定値が、最大となる需要予測神経回路網を選択
し、これを32m とする。ステップＳ100 では需要予測神
経回路網32m の出力を最終的な需要予測値とし、この予
測値と需要予測誤差推定値を夫々需要データ予測値122
，需要データ誤差推定値123 に格納する。
納された、需要予測神経回路網（321 〜32n ）の需要予
測誤差推定値が、最大となる需要予測神経回路網を選択
し、これを32m とする。ステップＳ100 では需要予測神
経回路網32m の出力を最終的な需要予測値とし、この予
測値と需要予測誤差推定値を夫々需要データ予測値122
，需要データ誤差推定値123 に格納する。
【００４７】本実施例によれば、電力需要予測に用いる
気象変数の予測誤差と、予測モードの誤差傾向をあわせ
て、最終的な需要予測モードを選択することができるた
め、予測時の状況によらず安定で高精度な需要予測を行
なうことができる。
気象変数の予測誤差と、予測モードの誤差傾向をあわせ
て、最終的な需要予測モードを選択することができるた
め、予測時の状況によらず安定で高精度な需要予測を行
なうことができる。
【００４８】
【発明の効果】以上説明したように、本発明によれば気
象変数を加味した電力需要予測が精度良く推定できる。
象変数を加味した電力需要予測が精度良く推定できる。
【図１】本発明の［請求項１］に係る電力需要予測シス
テムの一実施例の構成図。
テムの一実施例の構成図。
【図２】データベースの気象データの構成図。
【図３】気象変数の予測及び気象変数の予測誤差範囲の
推定方法を示すフローチャート。
推定方法を示すフローチャート。
【図４】需要予測神経回路網の構成図。
【図５】需要予測及び需要予測誤差範囲推定の方法を示
すフローチャート。
すフローチャート。
【図６】本発明の［請求項２］に係る電力需要予測シス
テムの一実施例の構成図。
テムの一実施例の構成図。
【図７】不確定度推定神経回路網の構成図。
【図８】需要予測及び需要予測誤差範囲推定の方法を示
すフローチャート。
すフローチャート。
【図９】本発明の［請求項３］に係る電力需要予測シス
テムの一実施例の構成図。
テムの一実施例の構成図。
【図10】需要予測及び需要予測誤差範囲推定の方法を示
すフローチャート。
すフローチャート。
【図11】需要予測及び需要予測誤差範囲推定の方法を示
すフローチャート。
すフローチャート。
10 データベース 11 気象データ 111 実績値 112 予測値 113 誤差推定値 12 需要データ 121 実績値 122 予測値 123 誤差推定値 20 気象予測サブシステム 21 類似データ検索器 22 気象予測値計算器 23 気象誤差推定器 30 電力需要予測サブシステム 31 神経回路網学習器 32 需要予測神経回路網 33 誤差範囲格納器 34 不確定度推定神経回路網 35 予測結果選択器 36 神経回路網選択器 37 神経回路網格納器
Claims (3)
- 【請求項１】 気象の予測結果を加味して電力需要量を
予測する電力需要予測システムにおいて、過去の気象変
数の履歴を用い現在までの気象変数の値を基に未来の気
象変数の値を予測する気象予測サブシステムと、前記気
象予測値を基にして電力需要量を予測する電力需要予測
サブシステムとを有し、前記気象予測サブシステムには
気象予測値の誤差範囲を推定する気象誤差推定手段を備
えたことを特徴とする電力需要予測システム。 - 【請求項２】 電力需要サブシステムには、需要予測モ
デルの不確定さを推定するために設けた不確定度推定手
段と、前記需要予測モデルの不確定さ及び気象誤差範囲
推定値から電力需要値の上下限を求める誤差範囲格納手
段を備えたことを特徴とする請求項１記載の電力需要予
測システム。 - 【請求項３】 電力需要サブシステムには、気象誤差推
定値をもとに需要予測モデル候補を選択する予測モデル
選択手段と、前記各需要予測モデルの不確定さを推定す
る不確定度推定手段と、前記需要予測モデルの不確定さ
と気象誤差推定値とをもとに各予測モデルの電力需要予
測の誤差範囲を推定する誤差範囲格納手段と、各予測モ
デルの推定された需要誤差推定値をもとに最終的な予測
結果を選択する予測結果選択手段を備えたことを特徴と
する請求項１記載の電力需要予測システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP33054894A JPH08163778A (ja) | 1994-12-07 | 1994-12-07 | 電力需要予測システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP33054894A JPH08163778A (ja) | 1994-12-07 | 1994-12-07 | 電力需要予測システム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08163778A true JPH08163778A (ja) | 1996-06-21 |
Family
ID=18233879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP33054894A Pending JPH08163778A (ja) | 1994-12-07 | 1994-12-07 | 電力需要予測システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH08163778A (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012108832A (ja) * | 2010-11-19 | 2012-06-07 | Mitsubishi Electric Corp | 情報処理装置、情報処理方法および情報処理プログラム |
| JP2016134053A (ja) * | 2015-01-21 | 2016-07-25 | 日通システム株式会社 | 経営管理支援システム、経営管理支援方法、及び、経営管理支援プログラム |
| 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 |
| JP2018021856A (ja) * | 2016-08-05 | 2018-02-08 | 三菱電機株式会社 | 気象情報予測装置および電力需要予測装置 |
| JP2021025939A (ja) * | 2019-08-07 | 2021-02-22 | 三菱重工サーマルシステムズ株式会社 | 気象観測所選択装置、予測システム、空調システム、気象観測所選択方法およびプログラム |
| JP2023100472A (ja) * | 2022-01-06 | 2023-07-19 | 株式会社グリッド | 情報処理装置 |
| CN116951317A (zh) * | 2023-09-20 | 2023-10-27 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气的供气成本管控方法、物联网系统与介质 |
-
1994
- 1994-12-07 JP JP33054894A patent/JPH08163778A/ja active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012108832A (ja) * | 2010-11-19 | 2012-06-07 | Mitsubishi Electric Corp | 情報処理装置、情報処理方法および情報処理プログラム |
| JP2016134053A (ja) * | 2015-01-21 | 2016-07-25 | 日通システム株式会社 | 経営管理支援システム、経営管理支援方法、及び、経営管理支援プログラム |
| 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 |
| JP2018021856A (ja) * | 2016-08-05 | 2018-02-08 | 三菱電機株式会社 | 気象情報予測装置および電力需要予測装置 |
| JP2021025939A (ja) * | 2019-08-07 | 2021-02-22 | 三菱重工サーマルシステムズ株式会社 | 気象観測所選択装置、予測システム、空調システム、気象観測所選択方法およびプログラム |
| JP2023100472A (ja) * | 2022-01-06 | 2023-07-19 | 株式会社グリッド | 情報処理装置 |
| CN116951317A (zh) * | 2023-09-20 | 2023-10-27 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气的供气成本管控方法、物联网系统与介质 |
| CN116951317B (zh) * | 2023-09-20 | 2023-11-21 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气的供气成本管控方法、物联网系统与介质 |
| US12148054B2 (en) | 2023-09-20 | 2024-11-19 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods, internet of things systems, and storage mediums for controlling gas supply cost based on smart gas |
| US12288268B2 (en) | 2023-09-20 | 2025-04-29 | Chengdu Qinchuan Iot Technology Co., Ltd. | Method, internet of things system, and storage medium for determining gas compensation scheme based on smart gas |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112285807B (zh) | 一种气象信息预测方法及装置 | |
| CN110009140B (zh) | 一种日电力负荷预测方法及预测装置 | |
| JP2020064446A (ja) | 予測システムおよび予測方法 | |
| CN114399235B (zh) | 一种基于雨情数据判定灾害风险等级的方法及系统 | |
| CN113159224B (zh) | 一种径流预报模型构建方法、装置、电子设备和介质 | |
| CN118427702A (zh) | 应用于气象服务的数据挖掘方法及系统 | |
| CN105373849A (zh) | 光伏电池组件温度的分步预测方法 | |
| CN112465266A (zh) | 一种母线负荷预测准确率分析方法、装置及计算机设备 | |
| CN114325877B (zh) | 气象预报数据的评估方法和装置 | |
| CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
| CN114548567A (zh) | 一种负荷预测方法、装置、设备及可读存储介质 | |
| CN121791111A (zh) | 一种光伏发电功率的动态融合预测方法、系统及存储介质 | |
| CN120280901A (zh) | 一种基于用户行为分析的电动汽车充电负荷预测方法 | |
| CN119167260A (zh) | 一种基于时空数据的极端天气诱发电力故障的预警方法和系统 | |
| CN114757441A (zh) | 一种负荷预测方法及相关装置 | |
| CN118278558A (zh) | 基于智能划分和神经网络的光伏发电功率区间预测方法 | |
| CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
| JP2019204459A (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 | |
| CN117147396A (zh) | 一种花粉浓度分布预测方法和系统 | |
| CN115908051A (zh) | 一种电力系统储能容量确定方法 | |
| KR20230072219A (ko) | 날씨 예측 데이터를 이용한 확률적 시나리오 기법의 최적 입찰량 결정 시스템 | |
| CN119046685A (zh) | 光伏发电量预测模型的训练方法及光伏发电量预测方法 | |
| CN115293461B (zh) | 建筑体供暖碳排放预测方法及系统 | |
| CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
| CN117410955A (zh) | 一种风电功率预测方法、装置、电子设备及可读存储介质 |