JPH09215192A - 日負荷曲線予測方法 - Google Patents

Abstract

(57)【要約】 【課題】 従来の日負荷曲線の予測方法では、所定時間
ごとに予測モデルを個別に構築しなくてはならず、膨大
な作業と時間を必要とする。また、時系列性を考慮した
予測が困難である。 【解決手段】 計算機によりニューラルネットを用いて
予測対象日の需要電力量の日負荷曲線を予測する方法に
関する。予測対象日よりも前の期間の各日の所定時間ご
との気象データ、平日・土曜・休日の区別データ、各日
の所定時間ごとの需要電力量実績値からなる学習データ
を用いてニューラルネットに学習させる第１のステップ
（ＳＡ１）と、前記学習データに加えて、予測対象日の
所定時間ごとの気象データ、平日・土曜・休日の区別デ
ータを前記ニューラルネットに入力し、所定時間ごとに
繰り返し想起させて予測対象日における所定時間ごとの
需要電力量を逐次、予測させる第２のステップ（ＳＡ
２）とからなる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、各種電力系統にお
ける中央給電指令所または地方給電指令所、系統制御所
等において、系統制御用計算機または汎用電子計算機上
で日負荷曲線を自動的に予測する方法に関する。

【０００２】

【従来の技術】電力系統における日負荷曲線の予測作業
は、熟練運用者の経験と直感的知識により行われている
ことが多く、そのほぼすべての作業を手作業に頼ってい
る。通常の予測方法としては、気象予報により得た予測
対象日の気象に類似する日の日負荷曲線と日最大電力予
測値とを参考にして、熟練運用者が直感的に予測してい
る。

【０００３】このような予測作業を自動化する例とし
て、重回帰分析に代表される統計的手法またはニューラ
ルネットワークによって図８のように予測モデルを各時
間ごとに作成し、各時間ごとの需要電力量を個別に求め
て日負荷曲線を予測する方法が提案されている。

【０００４】上記従来の予測方法では各時間ごとに予測
モデルを個別に作成しているので、そのための作業量や
所要時間が膨大なものとなる。また、日負荷曲線は１日
の需要電力量の時系列的な変化を示す曲線であるが、各
時間ごとに需要電力量を個別に予測する方法では、時系
列的な要素を加味した予測を行うことができない。

【０００５】

【発明が解決しようとする課題】電力系統を運用するた
めには膨大な専門知識が必要であるのに対し、近年で
は、この知識を有する熟練運用者は減少の一途をたどっ
ている。一方、日負荷曲線は系統運用の基盤とも言うべ
き発電計画立案の基礎となるものであり、その予測精度
の向上と自動化が切望されている。更に、前述したごと
く１日の各時間ごとに予測モデルを作成して予測する方
法では、予測モデルの作成に膨大な作業と時間が必要に
なり、また、時系列性を考慮した予測ができない。

【０００６】本発明は上記課題を解決するためになされ
たもので、熟練運用者に依存することなく、また少ない
予測モデルにより時系列性を考慮した日負荷曲線の予測
を行い、予測モデル作成時の作業量の低減と予測精度の
向上を図った日負荷曲線予測方法を提供しようとするも
のである。

【０００７】

【課題を解決するための手段】上記課題を解決するた
め、請求項１記載の発明は、計算機によりニューラルネ
ットワークを用いて予測対象日の需要電力量の日負荷曲
線を予測する方法において、予測対象日よりも前の期間
の各日の所定時間ごとの気象データ、平日・土曜・休日
の区別データ、各日の所定時間ごとの需要電力量実績値
からなる学習データを用いてニューラルネットワークに
学習させる第１のステップと、前記学習データに加え
て、予測対象日の所定時間ごとの気象データ、平日・土
曜・休日の区別データを前記ニューラルネットワークに
入力し、所定時間ごとに繰り返し想起させて予測対象日
における所定時間ごとの需要電力量を逐次、予測させる
第２のステップとからなるものである。ここで、ニュー
ラルネットワークとしては、時系列性を考慮した予測が
可能なリカレントネットワークを用いることが望まし
い。

【０００８】請求項２記載の発明は、予測対象日よりも
前の期間の各日の所定時間ごとの気象データ、平日・土
曜・休日の区別データ、昼休みの区別データ、各日の所
定時間ごとの需要電力量実績値からなる学習データを用
いてニューラルネットワークに学習させる第１のステッ
プと、前記学習データに加えて、予測対象日の所定時間
ごとの気象データ、平日・土曜・休日の区別データ、昼
休みの区別データを前記ニューラルネットワークに入力
し、所定時間ごとに繰り返し想起させて予測対象日にお
ける所定時間ごとの需要電力量を逐次、予測させる第２
のステップとからなるものである。

【０００９】請求項３記載の発明は、予測対象日よりも
前の期間の各日の所定時間ごとの気象データ、その各日
の前日または１週間前の日の同時刻からの気象差、この
同時刻からの需要電力差からなる学習データを用いてニ
ューラルネットワークに学習させる第１のステップと、
前記学習データに加えて、予測対象日の所定時間ごとの
気象データ、予測対象日の前日または１週間前の日の同
時刻からの気象差データを前記ニューラルネットワーク
に入力し、予測対象日の前日または１週間前の日の同時
刻からの需要電力差を所定時間ごとに繰り返し想起させ
て予測対象日における所定時間ごとの需要電力差を逐
次、予測させる第２のステップと、予測対象日の前日ま
たは１週間前の日の同時刻の需要電力量実績値に、第２
のステップにより予測した需要電力差を加算して予測対
象日における所定時間ごとの需要電力量を逐次、予測さ
せる第３のステップとからなるものである。

【００１０】請求項４記載の発明は、予測対象日が属す
る期間の標準的な気象及び需要電力量に基づく標準デー
タを作成する第１のステップと、予測対象日よりも前の
期間の各日の所定時間ごとの気象データ、気象の標準デ
ータとの差である気象差データ及び電力の標準データと
の差である需要電力差からなる学習データを用いてニュ
ーラルネットワークに学習させる第２のステップと、前
記学習データに加えて予測対象日の所定時間ごとの気象
データを前記ニューラルネットワークに入力し、予測対
象日における所定時間ごとの電力の標準データと（標準
電力）の差である需要電力差を逐次、予測させる第３の
ステップと、電力の標準データに、第３のステップによ
り予測した需要電力差を加算して予測対象日における所
定時間ごとの需要電力量を逐次、予測させる第４のステ
ップとからなるものである。

【００１１】請求項５記載の発明は、予測対象日よりも
前の週単位の期間の所定時間ごとの平均気象データ、昼
休みの区別データ、週単位の期間の所定時間ごとの平均
需要電力量実績値からなる学習データを用いてニューラ
ルネットワークに学習させる第１のステップと、前記学
習データに加えて、予測対象日の所定時間ごとの気象デ
ータ、昼休みの区別データを前記ニューラルネットワー
クに入力し、所定時間ごとに繰り返し想起させて予測対
象日における所定時間ごとの平均需要電力量を逐次、予
測させる第２のステップと、第２のステップにより予測
した平均需要電力量と前記週単位の期間から１日を除い
た期間の需要電力量実績値とに基づいて、予測対象日に
おける所定時間ごとの需要電力量を逐次、予測させる第
３のステップとからなるものである。

【００１２】請求項６記載の発明は、予測対象日よりも
前の期間の各日の気象データ、平日・土曜・休日の区別
データ、各日の所定時間ごとの需要電力量実績値からな
る学習データを用いて多入力多出力のニューラルネット
ワークに学習させる第１のステップと、前記学習データ
に加えて、予測対象日の１日分の気象データ、平日・土
曜・休日の区別データを前記ニューラルネットワークに
入力して想起させ、予測対象日における所定時間ごとの
需要電力量を一括して予測させる第２のステップとから
なるものである。

【００１３】請求項７記載の発明は、予測対象日よりも
前の期間の各日の気象データ、平日・土曜・休日の区別
データ、各日の所定時間ごとの需要電力量実績値、日最
大需要電力量・日最小需要電力量の一方もしくは双方か
らなる学習データを用いて多入力多出力のニューラルネ
ットワークに学習させる第１のステップと、予測対象日
の日最大需要電力量・日最小需要電力量の一方もしくは
双方を予測する第２のステップと、前記学習データに加
えて、予測対象日の１日分の気象データ、平日・土曜・
休日の区別データ、予測された日最大需要電力量・日最
小需要電力量の一方もしくは双方を前記ニューラルネッ
トワークに入力して想起させ、予測対象日における所定
時間ごとの需要電力量を一括して予測させる第３のステ
ップとからなるものである。

【００１４】

【発明の実施の形態】以下、図に沿って本発明の実施形
態を説明する。まず、請求項１に記載した発明の実施形
態を説明する。この実施形態は、図１に示すようにニュ
ーラルネットワークの学習ステップ（ＳＡ１）と、前記
ニューラルネットワークの想起ステップ（ＳＡ２）とか
らなっている。ここで、ニューラルネットワークとして
は、時系列性を考慮した予測を行うためにリカレントネ
ットワークを用いることが好ましい。

【００１５】以下、各ステップの内容を詳述する。 （１）ニューラルネットワークの学習ステップ（ＳＡ
１） 学習に用いるデータは、入力データとしては予測対象日
より前の期間（例えば予測対象日より前の数日間〜数年
間など）の各日の１時間ごとの気象データ（気温、湿度
など）、平日・土曜・休日の区別データ（１，０など）
であり、出力データとしては各日の１時間ごとの需要電
力量の実績値を用いる。例えば、予測対象日が２月１日
であるとし、それ以前の１ヶ月間のデータを用いる場合
には、１月１日〜１月３１日のデータを使用する。

【００１６】これらのデータを用いて特にリカレントネ
ットワークに学習させることにより、予測対象日の１時
間ごとの需要電力量を予測可能な予測モデルを構築す
る。

【００１７】ここで、リカレントネットワークは、周知
のように内部にフィードバック結合を含むニューラルネ
ットワークであり、１ステップ前の情報をネットワーク
内に持つことで時系列データの把握に有用なものであ
る。このリカレントネットワークモデルとしては、入力
層、隠れ層、出力層、状態層からなるＪｏｒｄａｎモデ
ル、入力層、中間層、出力層、コンテキスト層からなる
Ｅｌｍａｎモデル、入力層、出力層からなるＷｉｌｌｉ
ａｍｓ，Ｚｉｐｓｅｒモデル等を用いることができる。

【００１８】なお、学習アルゴリズムの一例を略述する
と、例えばＷｉｌｌｉａｍｓ，Ｚｉｐｓｅｒモデルで
は、ある時間の出力値の結合重みに対する感度を時間軸
に沿って逐次求め、更に、結合重みに対する出力誤差の
編微分を求め、出力誤差が最小になるように結合重みを
実時間で修正しながら学習していく手法（ＲＴＲＬ）等
がある。

【００１９】（２）ニューラルネットワークの想起ステ
ップ（ＳＡ２） 学習済みのリカレントネットワークに、学習を始めた日
（前記の例では、１月１日）から予測対象日（同じく２
月１日）の最終時までの気象データ（予測対象日につい
ては気象予報による）、平日・土曜・休日の区別デー
タ、予測対象日の前日（同じく１月３１日）までの需要
電力量の実績値を入力し、リカレントネットワークの想
起を１時間おきに２４回繰り返して予測対象日における
１時間ごとの需要電力量を逐次、予測する。この想起ス
テップで用いるデータは、予測対象日についての気象デ
ータ、平日・土曜・休日の区別データ以外は学習ステッ
プで用いたデータと同じである。

【００２０】予測対象日の１時間ごとの需要電力量は、
次の数式１のようにリカレントネットワークの想起値
（ＲＮＮ）そのものとなる。なお、ｔは予測対象日にお
ける予測対象時である。

【００２１】

【数１】需要電力量（ｔ）＝ＲＮＮ（気象データ
（ｔ），平日・土曜・休日の区別データ）

【００２２】リカレントネットワークでは前回の入力デ
ータや状態を出力に反映させることができるので、図２
に示すごとく１時間ごとに順次予測することにより、１
時間前の状態を反映させた、つまり時系列性を考慮した
予測を行うことができる。その結果、電力需要の変化傾
向を加味した日負荷曲線を得ることができる。また、予
測モデルを１つ構築してこれを繰り返し使用するだけで
も予測可能であるため、モデル構築のための作業労力や
時間を節約することができる。なお、例えば１５分ご
と、３０分ごとの予測値を得たい場合には、学習の際に
１５分ごと、３０分ごとのデータを用いればよい。

【００２３】次に、請求項２記載の発明の実施形態を説
明する。この実施形態は、請求項１記載の発明の実施形
態とほぼ同様であるが、図１における学習ステップ（Ｓ
Ａ１）及び想起ステップ（ＳＡ２）に使用するデータと
して、昼休み（１２時から１３時、特に１３時）の区別
データ（１，０など）を付加してある。

【００２４】一般に昼休みには使用電力が減少するの
で、この昼休みの区別データを学習及び想起用に追加す
ることにより、気象と需要電力量との相関関係のほかに
昼の需要電力量の減少状態も良好に表現できる予測モデ
ルを構築し、時系列性を考慮した日負荷曲線を作成する
ことができる。この場合、予測対象日の１時間ごとの需
要電力量は、次の数式２のようになる。本実施形態によ
れば、比較的予測が難しい昼休みの電力需要まで高精度
に予測できる利点がある。

【００２５】

【数２】需要電力量（ｔ）＝ＲＮＮ（気象データ
（ｔ），平日・土曜・休日の区別データ，昼休みの区別
データ）

【００２６】次に、請求項３に記載した発明の実施形態
を説明する。この実施形態は、図３に示すようにニュー
ラルネットワークの学習ステップ（ＳＢ１）と、前記ニ
ューラルネットワークの想起ステップ（ＳＢ２）と、予
測値の算出ステップ（ＳＢ３）とからなっている。ここ
で、ニューラルネットワークとしては、前期同様にリカ
レントネットワークを用いることが好ましい。

【００２７】以下、各ステップの内容を詳述する。 （１）ニューラルネットワークの学習ステップ（ＳＢ
１） 学習に用いるデータは、入力データとしては予測対象日
より前の期間（例えば予測対象日より前の数日間〜数年
間など）の各日の１時間ごとの気象データ、その各日の
前日または１週間前の日の同時刻からの気象差であり、
出力データとしては同じ基準時刻からの需要電力差を用
いる。前記の例では、１月１日〜１月３１日の各日の１
時間ごとの気象データと、これらの各日の前日または１
週間前の日の同時刻を基準とした気象差データ及び需要
電力差を用いることになる。

【００２８】これらのデータを用いてリカレントネット
ワークに学習させることにより、予測対象日の前日また
は１週間前の日の同時刻からの需要電力差を予測可能な
予測モデルを構築する。なお、学習データとして前日か
らの気象差データ、需要電力差を用いた場合には、予測
対象日の前日からの需要電力差を予測するモデルが構築
され、学習データとして１週間前の日からの気象差デー
タ、需要電力差を用いた場合には、予測対象日の１週間
前の日からの需要電力差を予測するモデルが構築され
る。ここで、気象差データは気温や湿度の差として数値
化し、入力データに用いればよい。

【００２９】（２）ニューラルネットワークの想起ステ
ップ（ＳＢ２） 学習済みのリカレントネットワークに、学習ステップで
用いたすべてのデータ、すなわち１月１日〜１月３１日
の各日の１時間ごとの気象データ、これらの各日の前日
または１週間前の日の同時刻からの気象差データ及び需
要電力差と、予測対象日である２月１日の最終時までの
気象データ（気象予報による）と、予測対象日の前日
（１月３１日）または１週間前の日（１月２５日）の同
時刻からの気象差データとを入力し、予測対象日の前日
または１週間前の日の同時刻からの需要電力差を想起す
る。この想起を１時間おきに２４回繰り返して１時間ご
との需要電力差を予測する。

【００３０】（３）予測値の算出ステップ（ＳＢ３） 上述した想起ステップによる想起値は予測対象日の各時
刻の需要電力量ではなく、その前日（１月３１日）また
は１週間前の日（１月２５日）の同時刻からの需要電力
差であるから、以下の数式３または数式４を用いて予測
対象日の各時刻の需要電力量を予測する。

【００３１】

【数３】需要電力量（ｄ，ｔ）＝ＲＮＮ（気象データ
（ｔ），気象差データ（ｔ））＋需要電力量（ｄ−１，
ｔ）

【００３２】

【数４】需要電力量（ｄ，ｔ）＝ＲＮＮ（気象データ
（ｔ），気象差データ（ｔ））＋需要電力量（ｄ−７，
ｔ）

【００３３】上記数式３，４において、ｄは予測対象日
を示す。なお、数式３は学習時及び想起時に前日（１月
３１日）からの気象差データ、需要電力差を用いた場
合、数式４は１週間前の日（１月２５日）からの気象差
データ、需要電力差を用いた場合のものである。

【００３４】ここで、気象差データ、需要電力差を求め
る基準を前日にする場合には、連続する１日１日の需要
電力量の変化を反映したものとなり、また、１週間前の
日を基準にする場合には直近の同じ曜日の需要電力量を
反映したものとなる。

【００３５】この実施形態においても、図２に示すごと
く時系列性を考慮した予測を行うことができ、電力需要
の変化傾向を加味した日負荷曲線を得ることができる。
また、単一の予測モデルだけでも予測できるため、モデ
ル構築のための作業労力や時間を節約することが可能で
ある。なお、予測対象日の需要電力量は至近の日と比べ
て急激に変化することはなく、その変化分は全体から見
れば僅かなものである。この実施形態では、ニューラル
ネットワークの想起ステップにおいて需要電力量そのも
のを想起させるのではなく、僅かな変化分としての需要
電力差を想起させているので、高精度の予測が可能にな
る。

【００３６】次に、請求項４記載の発明の実施形態を説
明する。この実施形態は、図４に示すように予測対象日
が属する月または季節の標準的な気象及び需要電力量を
標準データとする標準データ作成ステップ（ＳＣ１）
と、ニューラルネットワークの学習ステップ（ＳＣ２）
と、前記ニューラルネットワークの想起ステップ（ＳＣ
３）と、予測値の算出ステップ（ＳＣ４）とからなって
いる。ここで、ニューラルネットワークとしては、前期
同様にリカレントネットワークを用いることが好まし
い。

【００３７】以下、各ステップの内容を詳述する。 （１）標準データ作成ステップ（ＳＣ１） 予測対象日が属する月または季節において平日・休日ま
たは曜日などの条件別に、予測対象日より前の一定期間
にわたり１時間ごとの平均気象データ（平均気温、平均
湿度など）と平均需要電力量とを求め、これらのデータ
を標準データとする。この処理により、突発的な異常要
因を排除した標準的な日（標準日）の１時間ごとの気象
データ及び需要電力量を標準データとして得ることがで
きる。

【００３８】（２）ニューラルネットワークの学習ステ
ップ（ＳＣ２） 学習に用いるデータは、入力データとしては予測対象日
より前の期間（例えば予測対象日より前の数日間〜数年
間など）の各日の１時間ごとの気象データ、気象の標準
データとの差である気象差データ（気温差、湿度差）で
あり、出力データとしては各日の１時間ごとの需要電力
差を用いる。ここで、需要電力差は、各日の１時間ごと
の需要電力量の実績値と電力の標準データ（標準電力
量）との差である。前記の例では、１月１日〜１月３１
日の各日の１時間ごとの気象データと、これらの期間に
おける気象差データ、需要電力差を用いることになる。

【００３９】これらの入出力データを用いてリカレント
ネットワークに学習させることにより、予測対象日にお
ける１時間ごとの需要電力差を予測可能な予測モデルを
構築する。

【００４０】（３）ニューラルネットワークの想起ステ
ップ（ＳＣ３） 学習済みのリカレントネットワークに、学習ステップで
用いたすべてのデータ、すなわち１月１日〜１月３１日
の各日の１時間ごとの気象データ、気象差データ及び需
要電力差と、予測対象日である２月１日の最終時までの
気象データとを入力し、予測対象日における１時間ごと
の標準電力量からの需要電力差を想起する。この想起を
１時間おきに２４回繰り返して１時間ごとの需要電力差
を予測する。

【００４１】（４）予測値の算出ステップ（ＳＣ４） 上述した想起ステップによる想起値は予測対象日の各時
刻の需要電力量ではなく、標準電力量からの需要電力差
であるから、以下の数式５を用いて予測対象日の各時刻
の需要電力量を予測する。

【００４２】

【数５】需要電力量（ｔ）＝ＲＮＮ（気象データ
（ｔ），気象差データ（ｔ））＋標準電力量（ｔ）

【００４３】この実施形態においても、図２に示すごと
く時系列性を考慮した予測を可能とし、また、モデル構
築のための作業労力や時間を節約することができる。更
に、標準データという概念を導入することにより、突然
の気象変動や電力需要変動などの特異性を排除した予測
を行うことができ、普遍性に富んだ予測を可能にするも
のである。

【００４４】次いで、請求項５に記載した発明の実施形
態を説明する。この実施形態は、前記図３に示したよう
に、ニューラルネットワークの学習ステップ（ＳＢ１）
と、前記ニューラルネットワークの想起ステップ（ＳＢ
２）と、予測値の算出ステップ（ＳＢ３）とからなって
いる。請求項３の発明の実施形態との主たる相違は、予
測対象日前の１週間単位の平均気象データ及び平均需要
電力量、並びに昼休みの区別データを学習ステップ、想
起ステップで使用する点、である。ニューラルネットワ
ークとしては、前期同様にリカレントネットワークを用
いることが好ましい。

【００４５】以下、各ステップの内容を詳述する。 （１）ニューラルネットワークの学習ステップ（ＳＢ
１） 学習に用いるデータは、入力データとしては予測対象日
より前の１週間〜複数週間（週単位）の１時間ごとの平
均気象データ（平均気温、平均湿度など）、昼休みの区
別データを用い、また、出力データとしては、週単位の
１時間ごとの平均需要電力量（例えば、午前１０時の１
週間の需要電力量を平均したもの）を用いる。前記の例
では、例えば予測対象日（２月１日）より前の１週間の
データを用いる場合には、１月２５日〜１月３１日の１
時間ごとの平均気象データと昼休みの区別データ、及
び、この期間の１時間ごとの平均需要電力量を用いるこ
とになる。

【００４６】このように１週間または複数週間の平均デ
ータを用いることにより、曜日に起因する需要電力量の
変動などをなくすことができ、時系列的なデータは単純
なものとなってリカレントネットワークの学習精度を上
げることができる。これらのデータをリカレントネット
ワークに学習させることにより、気象データ及び昼休み
の区別データから予測対象日における１週間または複数
週間の平均需要電力量を予測する予測モデルが構築され
る。なお、平均気象データは、次の数式６から求めるこ
とができる。

【００４７】

【数６】

【００４８】ここで、平均気象データ（ｄ，ｔ）はｄ日
ｔ時における１週間の平均気象データであり、ｉは日数
である。平均需要電力量についても、同様の考え方によ
って求めることができる。

【００４９】（２）ニューラルネットワークの想起ステ
ップ（ＳＢ２） 学習済みのリカレントネットワークに、学習ステップで
用いたすべてのデータ、すなわち１月２５日〜１月３１
日の１時間ごとの平均気象データと昼休みの区別デー
タ、及び、この期間の１時間ごとの平均需要電力量を入
力する。更に、これらの学習データに加えて、予測対象
日の最終時までの気象データ（気象予報による）及び昼
休みの区別データを入力し、予測対象日の１時間ごとの
平均需要電力量を想起する。この想起を１時間おきに２
４回繰り返して１時間ごとの平均需要電力量を予測す
る。この平均需要電力量は、次の数式７から求めること
ができる。

【００５０】

【数７】平均需要電力量（ｄ，ｔ）＝ＲＮＮ（平均気象
データ（ｄ，ｔ），昼休みの区別データ）

【００５１】ここで、平均需要電力量（ｄ，ｔ）はｄ日
（予測対象日）ｔ時における１週間の平均需要電力量で
あり、ｉは日数である。

【００５２】（３）予測値の算出ステップ（ＳＢ３） 上述した想起ステップによる想起値は予測対象日の各時
刻の需要電力量ではなく、例えば１週間にわたるその時
刻の平均需要電力量であるから、以下の数式８を用いて
予測対象日の各時刻の需要電力量を予測する。

【００５３】

【数８】

【００５４】これにより、予測対象日の各時刻の需要電
力量を求めることができる。この実施形態においては、
学習時及び想起時の入出力データが平均値で与えられる
ため、予測される需要電力量は突発的な気象変動などに
よる影響を抑えたものとなる。時系列性を反映させた予
測モデルを用いると、時系列性により良好な予測精度が
得られる反面、時系列の途中に特異なデータが含まれる
場合には以後の予測に悪影響を与える場合がある。

【００５５】しかるに、この実施形態では、請求項４記
載の発明の実施形態と同様にニューラルネットワークに
入力する時系列データに特徴がある。すなわち、時系列
性を反映させながら特異データの悪影響を抑えるように
平均値との偏差を用いることで、予測精度が向上し、安
定した予測が可能になる。

【００５６】次に、請求項６記載の発明の実施形態を説
明する。この実施形態は、図５に示すように、ニューラ
ルネットワークの学習ステップ（ＳＤ１）と、前記ニュ
ーラルネットワークによる想起ステップ（ＳＤ２）とか
らなっており、想起ステップでは予測対象日１日分の気
象データ（気象予報による）や平日・土曜・休日の区別
データ（１，０など）を入力して１時間ごとの需要電力
量を一括して予測するように構成されている。ニューラ
ルネットワークとしては、前期同様にリカレントネット
ワークを用いることが好ましい。

【００５７】以下、各ステップの内容を詳述する。 （１）ニューラルネットワークの学習ステップ（ＳＤ
１） 学習に用いるデータは、入力データとしては予測対象日
より前の期間（例えば予測対象日より前の数日間〜数年
間など）の各日の気象データ（気温、湿度など）、平日
・土曜・休日の区別データであり、出力データとしては
需要電力量の実績値を用いる。ここで、気象データは必
ずしも一定時間ごとのデータである必要はなく、各日の
最高・最低気温、同湿度や、特定時間の気象データでも
良い。なお、出力データには１時間ごとの需要電力量を
使用する。

【００５８】学習に際しては１日分のデータをネットワ
ークに一括して入力し、予測対象日１日分の１時間ごと
の需要電力量を一括して予測、出力できるように学習さ
せる。この学習に用いるリカレントネットワークは、図
７に示すように多入力多出力（２４出力）であり、特定
の出力端子が特定の時刻の需要電力量を専門に出力する
こととなるので、良好な学習を行うことができる。

【００５９】（２）ニューラルネットワークの想起ステ
ップ（ＳＤ２） 学習済みのリカレントネットワークに、学習を始めた日
から予測対象日の最終時までの気象データ（予測対象日
については気象予報による）、平日・土曜・休日の区別
データ、予測対象日の前日までの需要電力量の実績値と
を入力し、１回の想起により予測対象日１日分の１時間
ごとの需要電力量を一括して予測する。ここで用いるデ
ータは、予測対象日についてのデータ以外は学習ステッ
プで用いたデータと同じである。

【００６０】この実施形態では、天気予報などのように
データを１時間ごとに入手できない場合でも、１日の特
徴的なデータだけで予測対象日１日分の１時間ごとの需
要電力量を一括して効率的に予測することが可能であ
る。また、多入力多出力のリカレントネットワークは各
時間ごとに一つの出力端子が対応して専用に予測するた
め、予測モデル構築のための作業や時間を削減でき、高
精度な予測を行うことができる。

【００６１】次いで、請求項７記載の発明の実施形態を
説明する。この実施形態は、図６に示すように、ニュー
ラルネットワークの学習ステップ（ＳＥ１）と、別の手
法による日最大・最小電力予測ステップ（ＳＥ２）と、
ニューラルネットワークの想起ステップ（ＳＥ３）とか
らなっている。ここでも、リカレントネットワークを使
用することが望ましい。

【００６２】以下、各ステップの内容を詳述する。 （１）ニューラルネットワークの学習ステップ（ＳＥ
１） 学習に用いるデータは、入力データとしては予測対象日
より前の期間（例えば予測対象日より前の数日間〜数年
間など）の各日の気象データ（気温、湿度など）、平日
・土曜・休日の区別データ、日最大需要電力量または日
最小需要電力量もしくはその双方の実績値を用いる。出
力データとしては各日の需要電力量の実績値を用いる。
気象データは必ずしも一定時間ごとのデータである必要
はなく、各日の最高・最低気温、同湿度や、特定時間の
気象データでも良い。なお、出力データには１時間ごと
の需要電力量を使用する。

【００６３】学習に際しては、請求項６の発明の実施形
態と同様に１日分のデータをネットワークに一括して入
力し、予測対象日１日分の１時間ごとの需要電力量を一
括して予測、出力できるように学習させる。この学習に
用いるリカレントネットワークも、図７に示すように多
入力多出力（２４出力）である。

【００６４】（２）日最大・最小電力予測ステップ（Ｓ
Ｅ２） このステップは、別の手法により予測対象日の日最大需
要電力量または日最小需要電力量もしくはその双方を予
測するステップである。具体的な予測方法としては、適
宜な数式により予測する方法、熟練運用者の経験と勘に
より予測する方法、他のニューラルネットワークを用い
て予測する方法等がある。

【００６５】（３）ニューラルネットワークの想起ステ
ップ（ＳＥ３） 学習済みのリカレントネットワークに、学習ステップで
用いたデータと予測対象日の最終時までの気象データ
（気象予報による）及び日最大需要電力量または日最小
需要電力量もしくはその双方を入力し、１回の想起によ
り予測対象日１日分の１時間ごとの需要電力量を一括し
て予測する。

【００６６】この実施形態によれば、請求項６の発明の
実施形態と同様な効果を得ることができる。更に、電力
会社にもよるが、現状では一般に、熟練運用者等により
日最大需要電力量を予測し、その後に日負荷曲線を予測
している。すなわち、日最大需要電力量とその日の気象
等から日負荷曲線を予測するものであり、本実施形態は
このような現状にも合致していて、日最大需要電力量の
予測結果を有効に利用し、時系列性や気象との相関関係
を考慮した高精度な予測方法と言うことができる。

【００６７】

【発明の効果】以上のように請求項１〜請求項７記載の
発明によれば、いずれも熟練運用者に依存することな
く、ニューラルネットワーク（特にリカレントネットワ
ーク）による１つの予測モデルにより、時系列性を考慮
しながら予測対象日の各時間の需要電力量を高精度に予
測することができる。特に、請求項１記載の発明では、
他の請求項の発明に比べて、学習に用いるデータの種類
や予測のための処理ステップも比較的少なくて済む。

【００６８】請求項２記載の発明によれば、予測が難し
い昼休みにおける電力需要まで良好に予測することがで
き、予測精度の向上に寄与することができる。請求項３
記載の発明によれば、基準の日からの変化分としての需
要電力差を予測するため、高精度の予測が可能になる。

【００６９】請求項４記載の発明や請求項５記載の発明
によれば、学習及び想起に当たって標準データや平均値
との偏差を導入することにより、時系列的なデータの中
の特異データによる悪影響を抑制し、高精度かつ安定し
た予測が可能になる。

【００７０】請求項６記載の発明によれば、気象予報の
ように各時間の気象データを用意できない場合でも、１
日の特徴的なデータだけで予測対象日１日分の需要電力
量のすべてを予測することができる。特に、多入力多出
力形のリカレントネットワークを用いれば、各出力端子
が各時間の予測を担当することとなって高精度な予測が
可能になる。

【００７１】請求項７記載の発明によれば、請求項６の
発明の効果に加え、現状の予測方法と同様に日最大需要
電力量などの予測結果を利用することができ、熟練運用
者による予測との整合性を保つことができる。

【図面の簡単な説明】

【図１】請求項１及び２に記載した発明の実施形態を示
すフローチャートである。

【図２】請求項１〜５に記載した発明の実施形態による
予測方法を概念的に示す図である。

【図３】請求項３及び５に記載した発明の実施形態を示
すフローチャートである。

【図４】請求項４に記載した発明の実施形態を示すフロ
ーチャートである。

【図５】請求項６に記載した発明の実施形態を示すフロ
ーチャートである。

【図６】請求項７に記載した発明の実施形態を示すフロ
ーチャートである。

【図７】請求項６，７に記載した発明の実施形態による
予測方法を概念的に示す図である。

【図８】従来の予測方法を概念的に示す図である。

Claims (7)

【特許請求の範囲】
1. 【請求項１】 計算機によりニューラルネットワークを
   用いて予測対象日の需要電力量の日負荷曲線を予測する
   方法において、 予測対象日よりも前の期間の各日の所定時間ごとの気象
   データ、平日・土曜・休日の区別データ、各日の所定時
   間ごとの需要電力量実績値からなる学習データを用いて
   ニューラルネットワークに学習させる第１のステップ
   と、 前記学習データに加えて、予測対象日の所定時間ごとの
   気象データ、平日・土曜・休日の区別データを前記ニュ
   ーラルネットワークに入力し、所定時間ごとに繰り返し
   想起させて予測対象日における所定時間ごとの需要電力
   量を逐次、予測させる第２のステップと、 からなることを特徴とする日負荷曲線予測方法。
2. 【請求項２】 計算機によりニューラルネットワークを
   用いて予測対象日の需要電力量の日負荷曲線を予測する
   方法において、 予測対象日よりも前の期間の各日の所定時間ごとの気象
   データ、平日・土曜・休日の区別データ、昼休みの区別
   データ、各日の所定時間ごとの需要電力量実績値からな
   る学習データを用いてニューラルネットワークに学習さ
   せる第１のステップと、 前記学習データに加えて、予測対象日の所定時間ごとの
   気象データ、平日・土曜・休日の区別データ、昼休みの
   区別データを前記ニューラルネットワークに入力し、所
   定時間ごとに繰り返し想起させて予測対象日における所
   定時間ごとの需要電力量を逐次、予測させる第２のステ
   ップと、 からなることを特徴とする日負荷曲線予測方法。
3. 【請求項３】 計算機によりニューラルネットワークを
   用いて予測対象日の需要電力量の日負荷曲線を予測する
   方法において、 予測対象日よりも前の期間の各日の所定時間ごとの気象
   データ、その各日の前日または１週間前の日の同時刻か
   らの気象差、この同時刻からの需要電力差からなる学習
   データを用いてニューラルネットワークに学習させる第
   １のステップと、 前記学習データに加えて、予測対象
   日の所定時間ごとの気象データ、予測対象日の前日また
   は１週間前の日の同時刻からの気象差データを前記ニュ
   ーラルネットワークに入力し、予測対象日の前日または
   １週間前の日の同時刻からの需要電力差を所定時間ごと
   に繰り返し想起させて予測対象日における所定時間ごと
   の需要電力差を逐次、予測させる第２のステップと、 予測対象日の前日または１週間前の日の同時刻の需要電
   力量実績値に、第２のステップにより予測した需要電力
   差を加算して予測対象日における所定時間ごとの需要電
   力量を逐次、予測させる第３のステップと、 からなることを特徴とする日負荷曲線予測方法。
4. 【請求項４】 計算機によりニューラルネットワークを
   用いて予測対象日の需要電力量の日負荷曲線を予測する
   方法において、 予測対象日が属する期間の標準的な気象及び需要電力量
   に基づく標準データを作成する第１のステップと、 予測対象日よりも前の期間の各日の所定時間ごとの気象
   データ、気象の標準データとの差である気象差データ及
   び電力の標準データとの差である需要電力差からなる学
   習データを用いてニューラルネットワークに学習させる
   第２のステップと、 前記学習データに加えて予測対象日の所定時間ごとの気
   象データを前記ニューラルネットワークに入力し、予測
   対象日における所定時間ごとの電力の標準データとの差
   である需要電力差を逐次、予測させる第３のステップ
   と、 電力の標準データに、第３のステップにより予測した需
   要電力差を加算して予測対象日における所定時間ごとの
   需要電力量を逐次、予測させる第４のステップと、 からなることを特徴とする日負荷曲線予測方法。
5. 【請求項５】 計算機によりニューラルネットワークを
   用いて予測対象日の需要電力量の日負荷曲線を予測する
   方法において、 予測対象日よりも前の週単位の期間の所定時間ごとの平
   均気象データ、昼休みの区別データ、週単位の期間の所
   定時間ごとの平均需要電力量実績値からなる学習データ
   を用いてニューラルネットワークに学習させる第１のス
   テップと、 前記学習データに加えて、予測対象日の所定時間ごとの
   気象データ、昼休みの区別データを前記ニューラルネッ
   トワークに入力し、所定時間ごとに繰り返し想起させて
   予測対象日における所定時間ごとの平均需要電力量を逐
   次、予測させる第２のステップと、 第２のステップにより予測した平均需要電力量と前記週
   単位の期間から１日を除いた期間の需要電力量実績値と
   に基づいて、予測対象日における所定時間ごとの需要電
   力量を逐次、予測させる第３のステップと、 からなることを特徴とする日負荷曲線予測方法。
6. 【請求項６】 計算機によりニューラルネットワークを
   用いて予測対象日の需要電力量の日負荷曲線を予測する
   方法において、 予測対象日よりも前の期間の各日の気象データ、平日・
   土曜・休日の区別データ、各日の所定時間ごとの需要電
   力量実績値からなる学習データを用いて多入力多出力の
   ニューラルネットワークに学習させる第１のステップ
   と、 前記学習データに加えて、予測対象日の１日分の気象デ
   ータ、平日・土曜・休日の区別データを前記ニューラル
   ネットワークに入力して想起させ、予測対象日における
   所定時間ごとの需要電力量を一括して予測させる第２の
   ステップと、 からなることを特徴とする日負荷曲線予測方法。
7. 【請求項７】 計算機によりニューラルネットワークを
   用いて予測対象日の需要電力量の日負荷曲線を予測する
   方法において、 予測対象日よりも前の期間の各日の気象データ、平日・
   土曜・休日の区別データ、各日の所定時間ごとの需要電
   力量実績値、日最大需要電力量・日最小需要電力量の一
   方もしくは双方からなる学習データを用いて多入力多出
   力のニューラルネットワークに学習させる第１のステッ
   プと、 予測対象日の日最大需要電力量・日最小需要電力量の一
   方もしくは双方を予測する第２のステップと、 前記学習データに加えて、予測対象日の１日分の気象デ
   ータ、平日・土曜・休日の区別データ、予測された日最
   大需要電力量・日最小需要電力量の一方もしくは双方を
   前記ニューラルネットワークに入力して想起させ、予測
   対象日における所定時間ごとの需要電力量を一括して予
   測させる第３のステップと、 からなることを特徴とする日負荷曲線予測方法。