JPH09233700A - 日最大需要電力予測の信頼性評価方法 - Google Patents
日最大需要電力予測の信頼性評価方法Info
- Publication number
- JPH09233700A JPH09233700A JP6736296A JP6736296A JPH09233700A JP H09233700 A JPH09233700 A JP H09233700A JP 6736296 A JP6736296 A JP 6736296A JP 6736296 A JP6736296 A JP 6736296A JP H09233700 A JPH09233700 A JP H09233700A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- data
- reliability
- power demand
- daily
- 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
-
- Y04S10/54—
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【課題】 従来、ニューラルネットワーク等により予測
された日最大需要電力の信頼性評価方法は確立されてい
ない。また、予測データと実績データとの間に誤差が生
じた場合の誤差原因評価も困難である。 【解決手段】 予測対象日よりも前の一定期間の気象デ
ータ、日最大需要電力、土・日などの区別データを用い
て、回帰式モデル、ニューラルネットワーク等により予
測モデルを構築する（１）。次に、この予測モデルによ
り予測対象日の日最大需要電力を予測する（２）。更
に、日最大需要電力に関する過去の実績データを予測対
象年相当に補正し（３）、この実績データと予測モデル
により得た日最大需要電力に関する予測データとを、電
力相関図に重ね合わせて表示する（４）。これにより、
電力相関図上で過去の実績データから離れてプロットさ
れた予測データは、信頼性が低いものと判断される。
された日最大需要電力の信頼性評価方法は確立されてい
ない。また、予測データと実績データとの間に誤差が生
じた場合の誤差原因評価も困難である。 【解決手段】 予測対象日よりも前の一定期間の気象デ
ータ、日最大需要電力、土・日などの区別データを用い
て、回帰式モデル、ニューラルネットワーク等により予
測モデルを構築する（１）。次に、この予測モデルによ
り予測対象日の日最大需要電力を予測する（２）。更
に、日最大需要電力に関する過去の実績データを予測対
象年相当に補正し（３）、この実績データと予測モデル
により得た日最大需要電力に関する予測データとを、電
力相関図に重ね合わせて表示する（４）。これにより、
電力相関図上で過去の実績データから離れてプロットさ
れた予測データは、信頼性が低いものと判断される。
Description
【０００１】
【発明の属する技術分野】本発明は、各種電力系統の中
央給電指令所、地方給電指令所、系統制御所において、
系統制御用電子計算機または汎用電子計算機上で日最大
需要電力を予測する際の信頼性評価方法に関するもので
ある。
央給電指令所、地方給電指令所、系統制御所において、
系統制御用電子計算機または汎用電子計算機上で日最大
需要電力を予測する際の信頼性評価方法に関するもので
ある。
【０００２】
【従来の技術】電力系統における翌日または当日の日最
大需要電力の予測作業は、熟練運用者の経験と直感的知
識により行われることが多く、そのすべての作業を手作
業に頼っている。このため、予測作業を自動化する例と
して、従来から、重回帰分析に代表される統計的手法に
基づく予測モデルを作成し、これを用いて日最大需要電
力を予測する方法が提案されている。また、最近では、
ニューラルネットワークにより過去の実績データを用い
て予測モデルを構築する方法も現れている。
大需要電力の予測作業は、熟練運用者の経験と直感的知
識により行われることが多く、そのすべての作業を手作
業に頼っている。このため、予測作業を自動化する例と
して、従来から、重回帰分析に代表される統計的手法に
基づく予測モデルを作成し、これを用いて日最大需要電
力を予測する方法が提案されている。また、最近では、
ニューラルネットワークにより過去の実績データを用い
て予測モデルを構築する方法も現れている。
【０００３】しかし、一般にこれらの予測モデルを使用
して得た予測データの信頼性の評価方法はほとんどな
く、その信頼性は実績値が判明するまでわからないのが
現状である。また、誤差が生じたとしても、その原因は
人間による直観的な判断による以外は究明できない。
して得た予測データの信頼性の評価方法はほとんどな
く、その信頼性は実績値が判明するまでわからないのが
現状である。また、誤差が生じたとしても、その原因は
人間による直観的な判断による以外は究明できない。
【０００４】信頼性評価方法として唯一、提案されてい
る方法は、予測モデルの構築に用いた過去の実績データ
と予測データとの「条件付き標準偏差」に基づくものが
あり、この「条件付き標準偏差」によって誤差範囲を予
め求める方法である。この方法では、ある程度の評価が
可能であるが、「条件付き標準偏差」と誤差との相関は
非常に弱い、予測される誤差範囲も数十％台である、ま
た、予測データが予測モデル構築に用いる過去のサンプ
ルデータの範囲外（外挿のケース）では求めることがで
きない、等の欠点があり、「条件付き標準偏差」だけで
は良好な評価が困難である。
る方法は、予測モデルの構築に用いた過去の実績データ
と予測データとの「条件付き標準偏差」に基づくものが
あり、この「条件付き標準偏差」によって誤差範囲を予
め求める方法である。この方法では、ある程度の評価が
可能であるが、「条件付き標準偏差」と誤差との相関は
非常に弱い、予測される誤差範囲も数十％台である、ま
た、予測データが予測モデル構築に用いる過去のサンプ
ルデータの範囲外（外挿のケース）では求めることがで
きない、等の欠点があり、「条件付き標準偏差」だけで
は良好な評価が困難である。
【０００５】他の統計的手法として、例えば「確率密
度」、「標準偏差」を用いて評価することも考えられる
が、単体の評価手法だけでは「条件付き標準偏差」と同
様に良好な信頼性評価を行うことができない。
度」、「標準偏差」を用いて評価することも考えられる
が、単体の評価手法だけでは「条件付き標準偏差」と同
様に良好な信頼性評価を行うことができない。
【０００６】また、ニューラルネットワークを用いて予
測する場合、ニューラルネットワークの出力は一般に０
〜１に正規化された値であるため、通常学習された過去
の実績データの範囲を超える値（外挿のケース）は出力
できない。更に、正規化範囲を工夫して０．１〜０．９
のように変えた場合においても、学習されていない範囲
の予測データは極端に精度が悪いものである。
測する場合、ニューラルネットワークの出力は一般に０
〜１に正規化された値であるため、通常学習された過去
の実績データの範囲を超える値（外挿のケース）は出力
できない。更に、正規化範囲を工夫して０．１〜０．９
のように変えた場合においても、学習されていない範囲
の予測データは極端に精度が悪いものである。
【０００７】従来では、外挿を避けるために十分に多く
のデータを学習させる方法が採られているが、電力需要
は毎年増大しているため、外挿を避けることは困難であ
る。また、ニューラルネットワークは内部がブラックボ
ックスであり、内部構造の解析・予測データの信頼性評
価は通常、困難であることから、感度解析などの間接的
方法が採られてきた。
のデータを学習させる方法が採られているが、電力需要
は毎年増大しているため、外挿を避けることは困難であ
る。また、ニューラルネットワークは内部がブラックボ
ックスであり、内部構造の解析・予測データの信頼性評
価は通常、困難であることから、感度解析などの間接的
方法が採られてきた。
【０００８】
【発明が解決しようとする課題】電力系統を運用するた
めには膨大な専門的知識が必要であるが、近年ではこの
知識を有する熟練運用者が減少の一途をたどっている。
一方、最大需要電力の予測は、系統運用の基盤とも言う
べき発電計画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。
めには膨大な専門的知識が必要であるが、近年ではこの
知識を有する熟練運用者が減少の一途をたどっている。
一方、最大需要電力の予測は、系統運用の基盤とも言う
べき発電計画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。
【０００９】前述のごとく、近年では、予測業務を自動
化するために重回帰式モデル、ニューラルネットワーク
等により予測モデルを構築して用いる例が増えてきてい
るが、その予測データの信頼性を評価することが困難で
あり、また、誤差が生じた場合の原因評価も難しい。
化するために重回帰式モデル、ニューラルネットワーク
等により予測モデルを構築して用いる例が増えてきてい
るが、その予測データの信頼性を評価することが困難で
あり、また、誤差が生じた場合の原因評価も難しい。
【００１０】本発明は上記課題を解決するためになされ
たもので、計算機により求められた予測データの信頼性
を実績値の判明前に評価し、また、予測データに対する
手動または自動による補正を行うことで一層高精度の予
測を行うと共に、実績値が判明して誤差が生じていた場
合にその誤差原因をも評価できるようにした日最大需要
電力予測の信頼性評価方法を提供しようとするものであ
る。
たもので、計算機により求められた予測データの信頼性
を実績値の判明前に評価し、また、予測データに対する
手動または自動による補正を行うことで一層高精度の予
測を行うと共に、実績値が判明して誤差が生じていた場
合にその誤差原因をも評価できるようにした日最大需要
電力予測の信頼性評価方法を提供しようとするものであ
る。
【００１１】
【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、過去の実績データを用いて
構築した重回帰式モデル、ニューラルネットワーク等の
予測モデルを用いて計算機により予測した日最大需要電
力の信頼性を評価する日最大需要電力予測の信頼性評価
方法において、前記予測モデルの構築に用いた日最大需
要電力に関する過去の実績データと、前記予測モデルに
より得た日最大需要電力に関する予測データとを、電力
相関図に重ね合わせて表示して予測データの信頼性を評
価するものである。ここで、電力相関図とは、例えば最
高気温に対する日最大需要電力の過去の実績データと予
測データとを合わせて表示したものである。これによ
り、予測データが過去の実績データと異なる傾向を持つ
場合には、電力相関図上で予測データが過去の実績デー
タから大きく離れた位置にプロットされるため、運用者
は視覚的、直感的に上記予測データが信頼性の低いもの
であることを認識できる。
め、請求項１記載の発明は、過去の実績データを用いて
構築した重回帰式モデル、ニューラルネットワーク等の
予測モデルを用いて計算機により予測した日最大需要電
力の信頼性を評価する日最大需要電力予測の信頼性評価
方法において、前記予測モデルの構築に用いた日最大需
要電力に関する過去の実績データと、前記予測モデルに
より得た日最大需要電力に関する予測データとを、電力
相関図に重ね合わせて表示して予測データの信頼性を評
価するものである。ここで、電力相関図とは、例えば最
高気温に対する日最大需要電力の過去の実績データと予
測データとを合わせて表示したものである。これによ
り、予測データが過去の実績データと異なる傾向を持つ
場合には、電力相関図上で予測データが過去の実績デー
タから大きく離れた位置にプロットされるため、運用者
は視覚的、直感的に上記予測データが信頼性の低いもの
であることを認識できる。
【００１２】なお、一般的な傾向として電力需要は毎年
増大しているため、電力相関図上に表示する過去の実績
データが予測対象日の１年以上前のデータである場合に
は、請求項２に記載したように、その実績データを予測
対象年相当に補正（増加）することが望ましい。
増大しているため、電力相関図上に表示する過去の実績
データが予測対象日の１年以上前のデータである場合に
は、請求項２に記載したように、その実績データを予測
対象年相当に補正（増加）することが望ましい。
【００１３】請求項３に記載した発明は、過去の実績デ
ータを用いて構築した重回帰式モデル、ニューラルネッ
トワーク等の予測モデルを用いて計算機により予測した
日最大需要電力の信頼性を評価する日最大需要電力予測
の信頼性評価方法において、前記予測モデルの構築に用
いた過去の実績データと、前記予測モデルにより得た予
測データとの相関関係を、予測データに関する複数の数
学的指標の組み合わせに基づき判定して予測データの信
頼性を評価するものである。すなわち、個々の数学的指
標を評価するだけでは予測データの一面の評価に過ぎ
ず、高精度の信頼性評価を行うことが難しいが、本発明
のように複数の指標を用いれば、総合的な評価が可能に
なる。
ータを用いて構築した重回帰式モデル、ニューラルネッ
トワーク等の予測モデルを用いて計算機により予測した
日最大需要電力の信頼性を評価する日最大需要電力予測
の信頼性評価方法において、前記予測モデルの構築に用
いた過去の実績データと、前記予測モデルにより得た予
測データとの相関関係を、予測データに関する複数の数
学的指標の組み合わせに基づき判定して予測データの信
頼性を評価するものである。すなわち、個々の数学的指
標を評価するだけでは予測データの一面の評価に過ぎ
ず、高精度の信頼性評価を行うことが難しいが、本発明
のように複数の指標を用いれば、総合的な評価が可能に
なる。
【００１４】請求項４に記載した発明は、過去の実績デ
ータを用いて構築したニューラルネットワークからなる
予測モデルを用いて計算機により予測した日最大需要電
力の信頼性を評価する日最大需要電力予測の信頼性評価
方法において、前記ニューラルネットワークによる予測
時の入力データが過去の実績データの範囲外にあるとき
には予測データの信頼性が低いと評価するものである。
これにより、予測時においてニューラルネットワークに
学習範囲外（外挿）のデータが入力された場合には直ち
に予測データの信頼性が低いと判断することができ、運
用者にとって信頼性評価を直接的に行うことが可能にな
る。
ータを用いて構築したニューラルネットワークからなる
予測モデルを用いて計算機により予測した日最大需要電
力の信頼性を評価する日最大需要電力予測の信頼性評価
方法において、前記ニューラルネットワークによる予測
時の入力データが過去の実績データの範囲外にあるとき
には予測データの信頼性が低いと評価するものである。
これにより、予測時においてニューラルネットワークに
学習範囲外（外挿）のデータが入力された場合には直ち
に予測データの信頼性が低いと判断することができ、運
用者にとって信頼性評価を直接的に行うことが可能にな
る。
【００１５】請求項５に記載した発明は、過去の実績デ
ータを用いて構築したニューラルネットワークからなる
予測モデルを用いて計算機により予測した日最大需要電
力の信頼性を評価する日最大需要電力予測の信頼性評価
方法において、前記ニューラルネットワークの入出力関
係が非線形関数で表されるときに、予測データをニュー
ラルネットワークの出力範囲と比較して予測データの信
頼性を評価し、信頼性が低いと評価されたときに予測デ
ータを補正するものである。一般に、ニューラルネット
ワークの出力範囲の上下限に近い予測データは、非線形
関数の飽和のために信頼性が低いと判断される。よっ
て、本発明ではこれらの予測データを信頼性が低いもの
と判断し、その値に応じて＋または−の補正を行う。
ータを用いて構築したニューラルネットワークからなる
予測モデルを用いて計算機により予測した日最大需要電
力の信頼性を評価する日最大需要電力予測の信頼性評価
方法において、前記ニューラルネットワークの入出力関
係が非線形関数で表されるときに、予測データをニュー
ラルネットワークの出力範囲と比較して予測データの信
頼性を評価し、信頼性が低いと評価されたときに予測デ
ータを補正するものである。一般に、ニューラルネット
ワークの出力範囲の上下限に近い予測データは、非線形
関数の飽和のために信頼性が低いと判断される。よっ
て、本発明ではこれらの予測データを信頼性が低いもの
と判断し、その値に応じて＋または−の補正を行う。
【００１６】請求項６に記載した発明は、過去の実績デ
ータを用いて構築した予測モデルを用いて計算機により
予測した日最大需要電力の信頼性を評価する日最大需要
電力予測の信頼性評価方法において、予測対象日の実績
データと前記予測モデルにより得た予測データとの誤差
を計算し、誤差の大きい予測対象日について予測データ
に関する複数の数学的指標に基づき誤差原因を評価、解
析するものである。これにより、予測誤差が生じた場合
にその原因を特定し、予測モデルの改良に役立てること
ができる。
ータを用いて構築した予測モデルを用いて計算機により
予測した日最大需要電力の信頼性を評価する日最大需要
電力予測の信頼性評価方法において、予測対象日の実績
データと前記予測モデルにより得た予測データとの誤差
を計算し、誤差の大きい予測対象日について予測データ
に関する複数の数学的指標に基づき誤差原因を評価、解
析するものである。これにより、予測誤差が生じた場合
にその原因を特定し、予測モデルの改良に役立てること
ができる。
【００１７】なお、請求項３または請求項６おける前記
数学的指標としては、請求項７に記載したように、予測
データの過去の実績データに対する確率密度、標準偏
差、条件付き標準偏差等が用いられる。
数学的指標としては、請求項７に記載したように、予測
データの過去の実績データに対する確率密度、標準偏
差、条件付き標準偏差等が用いられる。
【００１８】
【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。はじめに、請求項１及び請求項２に記載
した発明の実施形態を図１〜図３を参照しつつ説明す
る。この実施形態は、図１に示すように、（１）予測モ
デル構築、（２）日最大電力予測、（３）年増加補正、
（４）電力相関図表示の４つのステップからなってい
る。なお、図１において、破線で示した矢印はステップ
（２）〜（４）が予測期間中、毎日繰り返し実行される
ことを示す。
態を説明する。はじめに、請求項１及び請求項２に記載
した発明の実施形態を図１〜図３を参照しつつ説明す
る。この実施形態は、図１に示すように、（１）予測モ
デル構築、（２）日最大電力予測、（３）年増加補正、
（４）電力相関図表示の４つのステップからなってい
る。なお、図１において、破線で示した矢印はステップ
（２）〜（４）が予測期間中、毎日繰り返し実行される
ことを示す。
【００１９】以下、各ステップにつき個別に説明する。 （１）予測モデル構築 このステップでは、予測モデルを、重回帰式モデル、ニ
ューラルネットワークまたはこれらを複合したものを用
いて、予測対象日よりも前の所定期間（例えば数十日〜
数年分）の気象データ、日最大需要電力、平日・土曜日
・休日等の区別データ（１，０など）からなる実績デー
タに基づいて構築する。この予測モデルは、気象条件等
と日最大需要電力との非線形な相関関係を示すものであ
り、予測モデルの入力データは気象データ、日最大需要
電力、平日・土曜日・休日等の区別データ、出力データ
は日最大需要電力である。なお、予測モデルの具体的な
構成方法は本発明の要旨ではないため、説明を省略す
る。
ューラルネットワークまたはこれらを複合したものを用
いて、予測対象日よりも前の所定期間（例えば数十日〜
数年分）の気象データ、日最大需要電力、平日・土曜日
・休日等の区別データ（１，０など）からなる実績デー
タに基づいて構築する。この予測モデルは、気象条件等
と日最大需要電力との非線形な相関関係を示すものであ
り、予測モデルの入力データは気象データ、日最大需要
電力、平日・土曜日・休日等の区別データ、出力データ
は日最大需要電力である。なお、予測モデルの具体的な
構成方法は本発明の要旨ではないため、説明を省略す
る。
【００２０】（２）日最大電力予測 予測モデルの構築に用いた気象データ、日最大需要電
力、平日・土曜日・休日等の区別データ、及び、予測対
象日の気象データ（気象予報による）並びに平日・土曜
日・休日等の区別データを入力データとし、予測モデル
によって予測対象日の日最大需要電力を予測する。予測
方法の具体的内容は本発明の要旨ではないため、説明を
省略する。
力、平日・土曜日・休日等の区別データ、及び、予測対
象日の気象データ（気象予報による）並びに平日・土曜
日・休日等の区別データを入力データとし、予測モデル
によって予測対象日の日最大需要電力を予測する。予測
方法の具体的内容は本発明の要旨ではないため、説明を
省略する。
【００２１】（３）年増加補正 電力需要は毎年増大し、年によって同じ気温でも日最大
需要電力は年々異なるのが通常である。このため、予測
モデルの構築に用いた過去の実績データが予測対象日よ
りも１年以上前の期間のデータである場合（予測対象年
のデータでない場合）には、これらの過去の本来の実績
データをそれぞれ年増加補正して、予測対象年相当に補
正することが望ましい。
需要電力は年々異なるのが通常である。このため、予測
モデルの構築に用いた過去の実績データが予測対象日よ
りも１年以上前の期間のデータである場合（予測対象年
のデータでない場合）には、これらの過去の本来の実績
データをそれぞれ年増加補正して、予測対象年相当に補
正することが望ましい。
【００２２】ここで、年増加補正するデータは日最大需
要電力のみであり、気象データや平日・土曜日・休日等
の区別データは補正しない。また、過去の実績データが
予測対象日よりも数日前〜数ヶ月前のものであるような
ときは、これらの実績データは予測対象年のデータとし
て補正の対象とはしない。要するに、この年増加補正
は、過去の異なる年のデータでも、同じ入力データに対
しては同じ日最大需要電力が得られるように補正するも
のである。
要電力のみであり、気象データや平日・土曜日・休日等
の区別データは補正しない。また、過去の実績データが
予測対象日よりも数日前〜数ヶ月前のものであるような
ときは、これらの実績データは予測対象年のデータとし
て補正の対象とはしない。要するに、この年増加補正
は、過去の異なる年のデータでも、同じ入力データに対
しては同じ日最大需要電力が得られるように補正するも
のである。
【００２３】図２はこの年増加補正の概念を示してお
り、例えば、実線で示した３年前の日最大需要電力の実
績データを、年ごとの増加率などを考慮して予測対象年
相当の値に換算する。このようにして過去の日最大需要
電力に関する実績データを年増加補正すれば、後述する
電力相関図上に異なる年の実績データを予測データと共
に表示して比較することが意味を持ってくる。
り、例えば、実線で示した３年前の日最大需要電力の実
績データを、年ごとの増加率などを考慮して予測対象年
相当の値に換算する。このようにして過去の日最大需要
電力に関する実績データを年増加補正すれば、後述する
電力相関図上に異なる年の実績データを予測データと共
に表示して比較することが意味を持ってくる。
【００２４】（４）電力相関図表示 このステップでは、図３に示すように、予測モデルによ
る日最大需要電力の予測データと、年増加補正を行った
過去の日最大需要電力の実績データとを、気温や湿度と
相関させて電力相関図上に同時に表示する。図３の例で
は、電力値を最高気温と対応させている。
る日最大需要電力の予測データと、年増加補正を行った
過去の日最大需要電力の実績データとを、気温や湿度と
相関させて電力相関図上に同時に表示する。図３の例で
は、電力値を最高気温と対応させている。
【００２５】予測モデルは過去の実績データに基づいて
構築されているので、電力相関図上で予測データが過去
の実績データの分布範囲内にある場合には高精度の予測
を期待することができる。また、分布範囲外にある場合
には、過去の実績データにないデータまたは過去とはま
ったく違う傾向を示すデータであると判断でき、予測の
信頼性が低いと考えることができる。すなわち、電力相
関図によって予測データと過去の実績データとの関係が
視覚的に表示されるため、運用者にとって直感的にわか
りやすい予測データの信頼性評価が可能になる。更に、
信頼性の低い予測データについては、改めて別の方法
（別の予測モデル、運用者の直感）により補正すること
が可能であり、高精度の日最大需要電力の予測が可能に
なる。
構築されているので、電力相関図上で予測データが過去
の実績データの分布範囲内にある場合には高精度の予測
を期待することができる。また、分布範囲外にある場合
には、過去の実績データにないデータまたは過去とはま
ったく違う傾向を示すデータであると判断でき、予測の
信頼性が低いと考えることができる。すなわち、電力相
関図によって予測データと過去の実績データとの関係が
視覚的に表示されるため、運用者にとって直感的にわか
りやすい予測データの信頼性評価が可能になる。更に、
信頼性の低い予測データについては、改めて別の方法
（別の予測モデル、運用者の直感）により補正すること
が可能であり、高精度の日最大需要電力の予測が可能に
なる。
【００２６】次に、請求項３及び請求項７に記載した発
明の実施形態を図４を参照しつつ説明する。この実施形
態は、図４に示すように、（１）予測モデル構築、
（２）日最大電力予測、（３）信頼性評価の３つのステ
ップからなっている。なお、図４において、破線で示し
た矢印はステップ（２），（３）が予測期間中、毎日繰
り返し実行されることを示す。
明の実施形態を図４を参照しつつ説明する。この実施形
態は、図４に示すように、（１）予測モデル構築、
（２）日最大電力予測、（３）信頼性評価の３つのステ
ップからなっている。なお、図４において、破線で示し
た矢印はステップ（２），（３）が予測期間中、毎日繰
り返し実行されることを示す。
【００２７】以下、各ステップにつき説明する。 （１）予測モデル構築及び（２）日最大電力予測 請求項１記載の発明の実施形態とまったく同様であり、
重回帰式モデル、ニューラルネットワークもしくはこれ
らを複合したものを用いて、予測モデルの構築及び実際
の予測を行う。
重回帰式モデル、ニューラルネットワークもしくはこれ
らを複合したものを用いて、予測モデルの構築及び実際
の予測を行う。
【００２８】（３）信頼性評価 このステップでは、予測モデルの構築に用いた過去の実
績データと予測データとの相関関係を、「確率密度」、
「標準偏差」、「条件付き標準偏差」などの複数の数学
的指標を用いて表すとともにこれらを組み合わせて分類
することにより、予測データの信頼性を評価する。ここ
で、予測が外れる原因としては、以下のように３つが考
えられる。 予測モデルの構築時に用いた過去の実績データが少な
い。 予測モデルの構築時に用いた過去の実績データのばら
つきが大きい。 予測対象日が、予測モデルの構築に用いた過去の実績
データと違う傾向の特殊な日である。
績データと予測データとの相関関係を、「確率密度」、
「標準偏差」、「条件付き標準偏差」などの複数の数学
的指標を用いて表すとともにこれらを組み合わせて分類
することにより、予測データの信頼性を評価する。ここ
で、予測が外れる原因としては、以下のように３つが考
えられる。 予測モデルの構築時に用いた過去の実績データが少な
い。 予測モデルの構築時に用いた過去の実績データのばら
つきが大きい。 予測対象日が、予測モデルの構築に用いた過去の実績
データと違う傾向の特殊な日である。
【００２９】上記を表す数学的指標としては、例えば
予測データの「確率密度」を用いる。予測データの「確
率密度」とは、予測データに類似したものが過去の実績
データにどのくらい存在するか（多いか少ないか）を表
す指標である。この確率密度が低い予測データに対する
予測モデルの精度、つまり予測精度は低いと考えられ
る。
予測データの「確率密度」を用いる。予測データの「確
率密度」とは、予測データに類似したものが過去の実績
データにどのくらい存在するか（多いか少ないか）を表
す指標である。この確率密度が低い予測データに対する
予測モデルの精度、つまり予測精度は低いと考えられ
る。
【００３０】確率密度を算出する数式の一例をあげる
と、例えば数式１のようなものが考えられる。
と、例えば数式１のようなものが考えられる。
【００３１】
【数１】確率密度＝（ａ／ｎ）ΣＫ（ａ‖Ｘ−Ｘi‖）
【００３２】但し、数式１において、 ｎ：サンプルデータの数 ａ：ぼかし定数（今回はａ＝１） Ｘ：予測対象日の入出力項目 Ｘ＝（ｘ1,ｘ2,……，ｘm,ｙ） ｙ＝ｆ（ｘ1,ｘ2,……，ｘm) Ｘi:サンプルデータの入出力項目 Ｋ（ ）：ガウス分布に従う確率密度変数 Ｋ（ｘ）＝ｅｘｐ｛−（ｘ−μ）2/２σ2}／σ√（２
π）
π）
【００３３】上記を表す数学的指標としては、例えば
予測データの「標準偏差」を用いる。予測データの「標
準偏差」とは、予測データが過去の実績データにどのく
らい近いか遠いかを表す指標である。標準偏差が大きい
ものは、予測モデルの精度つまり予測精度が低いと考え
られる。ここで、標準偏差は、例えば数式２によって求
めることができる。
予測データの「標準偏差」を用いる。予測データの「標
準偏差」とは、予測データが過去の実績データにどのく
らい近いか遠いかを表す指標である。標準偏差が大きい
ものは、予測モデルの精度つまり予測精度が低いと考え
られる。ここで、標準偏差は、例えば数式２によって求
めることができる。
【００３４】
【数２】 （標準偏差）2=‖Ｘ‖／（ｍ＋１） ＝（ｘ1 2+ｘ2 2+……ｘm 2+ｙ2)／（ｍ＋１）
【００３５】但し、数式２において、 ｍ：入力項目数 ｘ：予測日の入力項目（気温、天候など） ｙ：予測電力（予測対象日の日最大需要電力）
【００３６】更に、上記を表す数学的指標としては、
例えば予測データの「条件付き標準偏差」を用いる。こ
の「条件付き標準偏差」は、予測データと類似する過去
の実績データだけを対象にして標準偏差を求めるもので
ある。条件付き標準偏差が大きいものは、予測モデルの
精度つまり予測精度が低いと考えることができる。条件
付き標準偏差は、例えば数式３によって求めることがで
きる。
例えば予測データの「条件付き標準偏差」を用いる。こ
の「条件付き標準偏差」は、予測データと類似する過去
の実績データだけを対象にして標準偏差を求めるもので
ある。条件付き標準偏差が大きいものは、予測モデルの
精度つまり予測精度が低いと考えることができる。条件
付き標準偏差は、例えば数式３によって求めることがで
きる。
【００３７】
【数３】 条件付き標準偏差＝ｓｑｒｔ〔Σ｛Ｋ（ａ‖Ｘ−Ｘｉi‖）（ｙ−ｙi)2}〕
【００３８】但し、数式３において、 ｎ：サンプルデータの数 ａ：ぼかし定数（今回はａ＝１） Ｘ：予測対象日の入出力項目 Ｘ＝（ｘ1,ｘ2,……，ｘm,ｙ） ｙ＝ｆ（ｘ1,ｘ2,……，ｘm) Ｘi:サンプルデータの入出力項目 Ｋ（ ）：ガウス分布に従う確率密度変数 Ｋ（ｘ）＝ｅｘｐ｛−（ｘ−μ）2/２σ2}／σ√（２
π）
π）
【００３９】本実施形態では、上記３つの数学的指標を
求めた後、それぞれの値の年・季節平均値などを閾値と
して当該項目に誤差原因があるか否かを判定し、表１に
示すように８つに分類分けする。
求めた後、それぞれの値の年・季節平均値などを閾値と
して当該項目に誤差原因があるか否かを判定し、表１に
示すように８つに分類分けする。
【００４０】
【表１】
【００４１】すなわち、個々の数学的指標単独では、予
測データのある一面の評価に過ぎず、精度の良い信頼性
評価を行うことができないため、３つの指標を組み合わ
せて分類分けすることで、総合的かつ多角的な信頼性の
評価が可能になる。表１において、３つの指標のすべて
について誤差原因なしとされる分類８に分類された予測
データは、最も信頼性が高いと考えられる。このことは
シミュレーションでも確認されている。なお、３つの指
標のすべてにつき誤差原因があるとされる分類１に分類
された予測データは、最も信頼性が低いと考えることが
できる。
測データのある一面の評価に過ぎず、精度の良い信頼性
評価を行うことができないため、３つの指標を組み合わ
せて分類分けすることで、総合的かつ多角的な信頼性の
評価が可能になる。表１において、３つの指標のすべて
について誤差原因なしとされる分類８に分類された予測
データは、最も信頼性が高いと考えられる。このことは
シミュレーションでも確認されている。なお、３つの指
標のすべてにつき誤差原因があるとされる分類１に分類
された予測データは、最も信頼性が低いと考えることが
できる。
【００４２】一般に、予測データの信頼性を数学的指標
を用いて評価することは行われていないため、この実施
形態によれば、運用者は安心して予測データを使用する
ことができる。また、表１により信頼性が低いとされた
分類に属する予測データを、改めて別の方法（別の予測
モデル、運用者の直感）により補正することも可能であ
り、高精度の日最大電力予測が可能になる。
を用いて評価することは行われていないため、この実施
形態によれば、運用者は安心して予測データを使用する
ことができる。また、表１により信頼性が低いとされた
分類に属する予測データを、改めて別の方法（別の予測
モデル、運用者の直感）により補正することも可能であ
り、高精度の日最大電力予測が可能になる。
【００４３】次いで、請求項４記載の発明の実施形態を
図５、図６を参照しつつ説明する。この実施形態は、図
５に示すごとく、（１）予測モデル構築、（２）日最大
電力予測、（３）信頼性評価の３つのステップからなっ
ている。なお、図５において、破線で示した矢印はステ
ップ（２），（３）が予測期間中、毎日繰り返し実行さ
れることを示す。
図５、図６を参照しつつ説明する。この実施形態は、図
５に示すごとく、（１）予測モデル構築、（２）日最大
電力予測、（３）信頼性評価の３つのステップからなっ
ている。なお、図５において、破線で示した矢印はステ
ップ（２），（３）が予測期間中、毎日繰り返し実行さ
れることを示す。
【００４４】以下、各ステップにつき個別に説明する。 （１）予測モデル構築 予測モデルはニューラルネットワークにより構築され、
例えば予測対象日よりも前の所定期間（例えば数十日〜
数年分）の気象データ、日最大需要電力、平日・土曜日
・休日等の区別データ（１，０など）からなる実績デー
タに基づいて構築する。この予測モデルは、気象条件等
と日最大需要電力との非線形な相関関係を示すものであ
り、予測モデルの入力データは気象データ、日最大需要
電力、平日・土曜日・休日等の区別データ、出力データ
は日最大需要電力である。なお、予測モデルの具体的な
構成方法は本発明の要旨ではないため、説明を省略す
る。
例えば予測対象日よりも前の所定期間（例えば数十日〜
数年分）の気象データ、日最大需要電力、平日・土曜日
・休日等の区別データ（１，０など）からなる実績デー
タに基づいて構築する。この予測モデルは、気象条件等
と日最大需要電力との非線形な相関関係を示すものであ
り、予測モデルの入力データは気象データ、日最大需要
電力、平日・土曜日・休日等の区別データ、出力データ
は日最大需要電力である。なお、予測モデルの具体的な
構成方法は本発明の要旨ではないため、説明を省略す
る。
【００４５】（２）日最大電力予測 予測モデルの構築に用いた気象データ、日最大需要電
力、平日・土曜日・休日等の区別データ、及び、予測対
象日の気象データ（気象予報による）並びに平日・土曜
日・休日等の区別データを入力データとし、ニューラル
ネットワークからなる予測モデルによって予測対象日の
日最大需要電力を予測する。
力、平日・土曜日・休日等の区別データ、及び、予測対
象日の気象データ（気象予報による）並びに平日・土曜
日・休日等の区別データを入力データとし、ニューラル
ネットワークからなる予測モデルによって予測対象日の
日最大需要電力を予測する。
【００４６】（３）信頼性評価 予測時のニューラルネットワークへの入力データ（気象
データ、日最大需要電力、平日・土曜日・休日等の区別
データ）の全部または一部が、過去の実績データの内部
にあるか外部にあるかを判別する。ニューラルネットワ
ークにおいて、学習範囲外（外挿）のデータを用いて予
測した場合の予測精度は一般に悪い。通常行われている
ように、出力を０〜１に正規化した場合には、予測デー
タもその範囲内に限定されてしまう。つまり、入力デー
タの範囲が学習に用いられた過去の実績データの範囲外
にある外挿の場合には、その予測結果も信頼性が低いと
判断することができる。
データ、日最大需要電力、平日・土曜日・休日等の区別
データ）の全部または一部が、過去の実績データの内部
にあるか外部にあるかを判別する。ニューラルネットワ
ークにおいて、学習範囲外（外挿）のデータを用いて予
測した場合の予測精度は一般に悪い。通常行われている
ように、出力を０〜１に正規化した場合には、予測デー
タもその範囲内に限定されてしまう。つまり、入力デー
タの範囲が学習に用いられた過去の実績データの範囲外
にある外挿の場合には、その予測結果も信頼性が低いと
判断することができる。
【００４７】例えば、図６に示すように、入力データと
しての気温の入力範囲と出力データとしての日最大需要
電力の出力範囲を考えた場合、出力で０〜１に相当する
日最大需要電力は８５２５ＭＷ〜２２４４０ＭＷの範囲
に限定され、２２４４０ＭＷを超える電力値はすべて２
２４４０ＭＷ以下に予測されてしまう。これを防ぐた
め、例えば気温に関しては、１０℃〜３５℃の範囲外の
データがニューラルネットワークに入力されたときは、
それに基づいて予測される予測データは信頼性が低いと
判断する。
しての気温の入力範囲と出力データとしての日最大需要
電力の出力範囲を考えた場合、出力で０〜１に相当する
日最大需要電力は８５２５ＭＷ〜２２４４０ＭＷの範囲
に限定され、２２４４０ＭＷを超える電力値はすべて２
２４４０ＭＷ以下に予測されてしまう。これを防ぐた
め、例えば気温に関しては、１０℃〜３５℃の範囲外の
データがニューラルネットワークに入力されたときは、
それに基づいて予測される予測データは信頼性が低いと
判断する。
【００４８】一般に、ニューラルネットワークは非線形
であり、内部がブラックボックスとなっている。このた
め、内部構造の解析が困難であり、ニューラルネットワ
ークを用いた予測データの信頼性評価は、感度解析など
間接的な方法のみが使用されている。この実施形態によ
れば、入力データの範囲に基づいて予測データの信頼性
評価を直接行うことができるから、運用者は安心して予
測データを使用することができる。また、前期同様に、
信頼性が低いとされた予測データを、改めて別の方法
（別の予測モデル、運用者の直感）により補正すること
も可能であり、高精度の日最大電力予測が可能になる。
であり、内部がブラックボックスとなっている。このた
め、内部構造の解析が困難であり、ニューラルネットワ
ークを用いた予測データの信頼性評価は、感度解析など
間接的な方法のみが使用されている。この実施形態によ
れば、入力データの範囲に基づいて予測データの信頼性
評価を直接行うことができるから、運用者は安心して予
測データを使用することができる。また、前期同様に、
信頼性が低いとされた予測データを、改めて別の方法
（別の予測モデル、運用者の直感）により補正すること
も可能であり、高精度の日最大電力予測が可能になる。
【００４９】次に、請求項５記載の発明の実施形態を図
７を参照しつつ説明する。この実施形態は、図７に示す
ごとく、（１）予測モデル構築、（２）日最大電力予
測、（３）信頼性評価、（４）予測値補正の４つのステ
ップからなっている。なお、図７において、破線で示し
た矢印はステップ（２）〜（４）が予測期間中、毎日繰
り返し実行されることを示す。
７を参照しつつ説明する。この実施形態は、図７に示す
ごとく、（１）予測モデル構築、（２）日最大電力予
測、（３）信頼性評価、（４）予測値補正の４つのステ
ップからなっている。なお、図７において、破線で示し
た矢印はステップ（２）〜（４）が予測期間中、毎日繰
り返し実行されることを示す。
【００５０】以下、各ステップにつき説明する。 （１）予測モデル構築及び（２）日最大電力予測 これらのステップの処理内容は、請求項４記載の発明の
実施形態と同様であり、ニューラルネットワークを用い
て予測モデルの構築及び実際の予測を行う。
実施形態と同様であり、ニューラルネットワークを用い
て予測モデルの構築及び実際の予測を行う。
【００５１】（３）信頼性評価 予測データが、ニューラルネットワークの出力範囲の０
または１に近い場合には、信頼性が低いと判断する。例
えば、予測データが０〜０．１または０．９〜１．０の
範囲内にあるときは、ニューラルネットワークの飽和と
見なして信頼性が低いと判断する。また、請求項４の発
明による信頼性評価の手法も加味し、入力データの全部
または一部が内挿の場合には信頼性が高く、外挿の場合
には信頼性が低いと判断しても良い。このように請求項
４の発明も併用することで、予測時の入力データ及び出
力データの双方からより厳密に信頼性を評価することが
できる。
または１に近い場合には、信頼性が低いと判断する。例
えば、予測データが０〜０．１または０．９〜１．０の
範囲内にあるときは、ニューラルネットワークの飽和と
見なして信頼性が低いと判断する。また、請求項４の発
明による信頼性評価の手法も加味し、入力データの全部
または一部が内挿の場合には信頼性が高く、外挿の場合
には信頼性が低いと判断しても良い。このように請求項
４の発明も併用することで、予測時の入力データ及び出
力データの双方からより厳密に信頼性を評価することが
できる。
【００５２】一般に、ニューラルネットワークの入出力
関係は図６に示したような非線形関数によって表される
ものであり、０〜１の範囲を超える出力は非線形関数の
ために得ることができない。このため、実際には１を超
えるはずの値でも１より若干小さい値が、また、実際に
は０より小さいはずの値でも０より若干大きい値が出力
されることになる。従って、例えば予測データが０〜
０．１、０．９〜１．０の範囲内にあるときには、信頼
性が低いと判断するものである。
関係は図６に示したような非線形関数によって表される
ものであり、０〜１の範囲を超える出力は非線形関数の
ために得ることができない。このため、実際には１を超
えるはずの値でも１より若干小さい値が、また、実際に
は０より小さいはずの値でも０より若干大きい値が出力
されることになる。従って、例えば予測データが０〜
０．１、０．９〜１．０の範囲内にあるときには、信頼
性が低いと判断するものである。
【００５３】（４）予測値補正 上述のごとく、予測データが所定範囲にあって信頼性が
低いと判断された場合に、運用者に補正の必要を促して
人為的に、あるいは、計算機により自動的に予測値を補
正する。具体的には、予測データがニューラルネットワ
ークの出力の１に近い場合（０．９〜１．０）には予測
データを増加させるような＋の補正を、０に近い場合
（０〜０．１）には予測データを減少させるような−の
補正を行う。例えば、図６において、予測データが８５
００ＭＷの場合には−の補正を行い、２２０００ＭＷの
場合には＋の補正を行う。
低いと判断された場合に、運用者に補正の必要を促して
人為的に、あるいは、計算機により自動的に予測値を補
正する。具体的には、予測データがニューラルネットワ
ークの出力の１に近い場合（０．９〜１．０）には予測
データを増加させるような＋の補正を、０に近い場合
（０〜０．１）には予測データを減少させるような−の
補正を行う。例えば、図６において、予測データが８５
００ＭＷの場合には−の補正を行い、２２０００ＭＷの
場合には＋の補正を行う。
【００５４】この実施形態によれば、信頼性が低いと判
断された予測データを＋側または−側に補正することに
より、予測精度を一層向上させることが可能になる。
断された予測データを＋側または−側に補正することに
より、予測精度を一層向上させることが可能になる。
【００５５】次いで、請求項６及び請求項７記載の発明
の実施形態を図８を参照しつつ説明する。この実施形態
は、図８に示すごとく、（１）予測モデル構築、（２）
日最大電力予測、（３）誤差計算、（４）誤差原因評価
の４つのステップからなっている。なお、図８におい
て、破線で示した矢印はステップ（２）〜（４）が予測
期間中、毎日繰り返し実行されることを示す。
の実施形態を図８を参照しつつ説明する。この実施形態
は、図８に示すごとく、（１）予測モデル構築、（２）
日最大電力予測、（３）誤差計算、（４）誤差原因評価
の４つのステップからなっている。なお、図８におい
て、破線で示した矢印はステップ（２）〜（４）が予測
期間中、毎日繰り返し実行されることを示す。
【００５６】以下、各ステップにつき説明する。 （１）予測モデル構築及び（２）日最大電力予測 請求項１記載の発明の実施形態とまったく同様であり、
重回帰式モデル、ニューラルネットワークもしくはこれ
らを複合したものを用いて予測モデルの構築及び実際の
予測を行う。
重回帰式モデル、ニューラルネットワークもしくはこれ
らを複合したものを用いて予測モデルの構築及び実際の
予測を行う。
【００５７】（３）誤差計算 予測データと予測対象日の実績データとの誤差を、例え
ば数式４により求める。この誤差は、絶対誤差または相
対誤差として求めればよい。
ば数式４により求める。この誤差は、絶対誤差または相
対誤差として求めればよい。
【００５８】
【数４】 誤差＝（予測データ−実績データ）／実績データ×１００（％）
【００５９】（４）誤差原因評価 誤差計算の結果、大きな誤差が生じた予測対象日につい
て、予測データの過去の実績データに対する「確率密
度」、「標準偏差」、「条件付き標準偏差」などの数学
的指標を求め、これらを組み合わせて分類することによ
り、誤差原因を評価、解析する。ここで、誤差原因とし
ては、以下のように３つが考えられる。 予測モデルの構築時に用いた過去の実績データが少な
い。 予測モデルの構築時に用いた過去の実績データのばら
つきが大きい。 予測対象日が、予測モデルの構築に用いた過去の実績
データと違う傾向の特殊な日である。 なお、上記数学的指標の算出方法は、請求項２記載の発
明の実施形態と同様である。
て、予測データの過去の実績データに対する「確率密
度」、「標準偏差」、「条件付き標準偏差」などの数学
的指標を求め、これらを組み合わせて分類することによ
り、誤差原因を評価、解析する。ここで、誤差原因とし
ては、以下のように３つが考えられる。 予測モデルの構築時に用いた過去の実績データが少な
い。 予測モデルの構築時に用いた過去の実績データのばら
つきが大きい。 予測対象日が、予測モデルの構築に用いた過去の実績
データと違う傾向の特殊な日である。 なお、上記数学的指標の算出方法は、請求項２記載の発
明の実施形態と同様である。
【００６０】本実施形態においても、上記３つの数学的
指標を求めた後、それぞれの値の年・季節平均値などを
閾値として当該項目に誤差原因があるか否かを判定し、
前記表１に示すように８つに分類分けする。こうして３
つの指標を組み合わせて分類分けすることで、総合的か
つ多角的な誤差原因の評価が可能になる。
指標を求めた後、それぞれの値の年・季節平均値などを
閾値として当該項目に誤差原因があるか否かを判定し、
前記表１に示すように８つに分類分けする。こうして３
つの指標を組み合わせて分類分けすることで、総合的か
つ多角的な誤差原因の評価が可能になる。
【００６１】ここで、「確率密度」の低い予測データ
は、過去において類似の実績データが少なかったために
予測精度が低いことがわかり、また、「標準偏差」の大
きい予測データは、過去において実績データのばらつき
が大きいため予測精度が低いことがわかる。更に、「条
件付き標準偏差」の大きい予測データは、予測対象日が
過去とは傾向の異なる特殊な日であるため予測精度が低
いと考えることができる。
は、過去において類似の実績データが少なかったために
予測精度が低いことがわかり、また、「標準偏差」の大
きい予測データは、過去において実績データのばらつき
が大きいため予測精度が低いことがわかる。更に、「条
件付き標準偏差」の大きい予測データは、予測対象日が
過去とは傾向の異なる特殊な日であるため予測精度が低
いと考えることができる。
【００６２】この実施形態によれば、誤差原因を数値的
に評価・解析することができる。予測モデルは日々、改
良が続けられており、本実施形態のごとく誤差原因を数
値的に評価・解析することで、予測モデルを改良する際
の指標の一つとすることもできる。すなわち、個々の数
学的指標単独では、予測データのある一面を評価したに
過ぎず、精度の良い誤差原因の評価を行うことができな
いが、３つの指標を組み合わせて分類分けすることで、
総合的かつ多角的な誤差原因の評価が可能になる。
に評価・解析することができる。予測モデルは日々、改
良が続けられており、本実施形態のごとく誤差原因を数
値的に評価・解析することで、予測モデルを改良する際
の指標の一つとすることもできる。すなわち、個々の数
学的指標単独では、予測データのある一面を評価したに
過ぎず、精度の良い誤差原因の評価を行うことができな
いが、３つの指標を組み合わせて分類分けすることで、
総合的かつ多角的な誤差原因の評価が可能になる。
【００６３】
【発明の効果】以上のように本発明によれば、電力相関
図や数学的指標、ニューラルネットワークの出力範囲等
を考慮することで、予測データの信頼性を適切かつ容易
に評価することができる。また、予測データの補正によ
り一層信頼性の高い予測が可能になると共に、誤差原因
の評価、解析により、予測モデルの改良にも寄与するこ
とができる。
図や数学的指標、ニューラルネットワークの出力範囲等
を考慮することで、予測データの信頼性を適切かつ容易
に評価することができる。また、予測データの補正によ
り一層信頼性の高い予測が可能になると共に、誤差原因
の評価、解析により、予測モデルの改良にも寄与するこ
とができる。
【図１】請求項１，２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。
フローチャートである。
【図２】請求項１，２に記載した発明の実施形態におけ
る年増加補正の概念図である。
る年増加補正の概念図である。
【図３】請求項１，２に記載した発明の実施形態におけ
る電力相関図である。
る電力相関図である。
【図４】請求項３，７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。
フローチャートである。
【図５】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。
ーチャートである。
【図６】請求項４に記載した発明の実施形態におけるニ
ューラルネットワークの入出力範囲の説明図である。
ューラルネットワークの入出力範囲の説明図である。
【図７】請求項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。
ーチャートである。
【図８】請求項６，７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。
フローチャートである。
Claims (7)
- 【請求項１】 過去の実績データを用いて構築した予測
モデルを用いて計算機により予測した日最大需要電力の
信頼性を評価する日最大需要電力予測の信頼性評価方法
において、 前記予測モデルの構築に用いた日最大需要電力に関する
過去の実績データと、前記予測モデルにより得た日最大
需要電力に関する予測データとを、電力相関図に重ね合
わせて表示して予測データの信頼性を評価することを特
徴とする日最大需要電力予測の信頼性評価方法。 - 【請求項２】 請求項１記載の日最大需要電力予測の信
頼性評価方法において、 電力相関図に表示するべき日最大需要電力に関する過去
の実績データが、本来の日最大需要電力の実績データを
予測対象年相当に補正したものであることを特徴とする
日最大需要電力予測の信頼性評価方法。 - 【請求項３】 過去の実績データを用いて構築した予測
モデルを用いて計算機により予測した日最大需要電力の
信頼性を評価する日最大需要電力予測の信頼性評価方法
において、 前記予測モデルの構築に用いた過去の実績データと、前
記予測モデルにより得た予測データとの相関関係を、予
測データに関する複数の数学的指標の組み合わせに基づ
き判定して予測データの信頼性を評価することを特徴と
する日最大需要電力予測の信頼性評価方法。 - 【請求項４】 過去の実績データを用いて構築したニュ
ーラルネットワークからなる予測モデルを用いて計算機
により予測した日最大需要電力の信頼性を評価する日最
大需要電力予測の信頼性評価方法において、 前記ニューラルネットワークによる予測時の入力データ
が過去の実績データの範囲外にあるときには予測データ
の信頼性が低いと評価することを特徴とする日最大需要
電力予測の信頼性評価方法。 - 【請求項５】 過去の実績データを用いて構築したニュ
ーラルネットワークからなる予測モデルを用いて計算機
により予測した日最大需要電力の信頼性を評価する日最
大需要電力予測の信頼性評価方法において、 前記ニューラルネットワークの入出力関係が非線形関数
で表されるときに、予測データをニューラルネットワー
クの出力範囲と比較して予測データの信頼性を評価し、
信頼性が低いと評価されたときに予測データを補正する
ことを特徴とする日最大需要電力予測の信頼性評価方
法。 - 【請求項６】 過去の実績データを用いて構築した予測
モデルを用いて計算機により予測した日最大需要電力の
信頼性を評価する日最大需要電力予測の信頼性評価方法
において、 予測対象日の実績データと前記予測モデルにより得た予
測データとの誤差を計算し、誤差の大きい予測対象日に
ついて予測データに関する複数の数学的指標に基づき誤
差原因を評価、解析することを特徴とする日最大需要電
力予測の信頼性評価方法。 - 【請求項７】 請求項３または請求項６記載の日最大需
要電力予測の信頼性評価方法において、 前記数学的指標が、予測データの過去の実績データに対
する確率密度、標準偏差及び条件付き標準偏差であるこ
とを特徴とする日最大需要電力予測の信頼性評価方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6736296A JPH09233700A (ja) | 1996-02-28 | 1996-02-28 | 日最大需要電力予測の信頼性評価方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6736296A JPH09233700A (ja) | 1996-02-28 | 1996-02-28 | 日最大需要電力予測の信頼性評価方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH09233700A true JPH09233700A (ja) | 1997-09-05 |
Family
ID=13342838
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6736296A Pending JPH09233700A (ja) | 1996-02-28 | 1996-02-28 | 日最大需要電力予測の信頼性評価方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH09233700A (ja) |
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 |
| WO2013042493A1 (ja) * | 2011-09-20 | 2013-03-28 | 株式会社日立製作所 | 電力需要予測システムおよび方法 |
| CN104217131A (zh) * | 2014-09-26 | 2014-12-17 | 国家电网公司 | 一种主动配电网可靠性评估方法 |
| CN110581785A (zh) * | 2018-06-11 | 2019-12-17 | 中国移动通信集团浙江有限公司 | 一种可靠性评估方法和装置 |
| JPWO2019087374A1 (ja) * | 2017-11-06 | 2020-11-12 | 株式会社日立製作所 | 制御装置 |
| JP2022044416A (ja) * | 2020-09-07 | 2022-03-17 | 株式会社東芝 | 情報処理装置、情報処理方法及びコンピュータプログラム |
| JPWO2022180749A1 (ja) * | 2021-02-25 | 2022-09-01 | ||
| JP2022540872A (ja) * | 2019-07-08 | 2022-09-20 | ヴィアナイ システムズ， インコーポレイテッド | ニューラルネットワークの動作を変更するための手法 |
| US11640539B2 (en) | 2019-07-08 | 2023-05-02 | Vianai Systems, Inc. | Techniques for visualizing the operation of neural networks using samples of training data |
| US11681925B2 (en) | 2019-07-08 | 2023-06-20 | Vianai Systems, Inc. | Techniques for creating, analyzing, and modifying neural networks |
-
1996
- 1996-02-28 JP JP6736296A patent/JPH09233700A/ja active Pending
Cited By (16)
| 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 |
| WO2013042493A1 (ja) * | 2011-09-20 | 2013-03-28 | 株式会社日立製作所 | 電力需要予測システムおよび方法 |
| 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 |
| US9852483B2 (en) | 2011-09-20 | 2017-12-26 | Hitachi, Ltd. | Forecast system and method of electric power demand |
| CN104217131A (zh) * | 2014-09-26 | 2014-12-17 | 国家电网公司 | 一种主动配电网可靠性评估方法 |
| US11507032B2 (en) | 2017-11-06 | 2022-11-22 | Hitachi, Ltd. | Control device using artificial intelligence |
| JPWO2019087374A1 (ja) * | 2017-11-06 | 2020-11-12 | 株式会社日立製作所 | 制御装置 |
| CN110581785B (zh) * | 2018-06-11 | 2021-07-30 | 中国移动通信集团浙江有限公司 | 一种可靠性评估方法和装置 |
| CN110581785A (zh) * | 2018-06-11 | 2019-12-17 | 中国移动通信集团浙江有限公司 | 一种可靠性评估方法和装置 |
| JP2022540872A (ja) * | 2019-07-08 | 2022-09-20 | ヴィアナイ システムズ， インコーポレイテッド | ニューラルネットワークの動作を変更するための手法 |
| US11615321B2 (en) | 2019-07-08 | 2023-03-28 | Vianai Systems, Inc. | Techniques for modifying the operation of neural networks |
| US11640539B2 (en) | 2019-07-08 | 2023-05-02 | Vianai Systems, Inc. | Techniques for visualizing the operation of neural networks using samples of training data |
| US11681925B2 (en) | 2019-07-08 | 2023-06-20 | Vianai Systems, Inc. | Techniques for creating, analyzing, and modifying neural networks |
| JP2022044416A (ja) * | 2020-09-07 | 2022-03-17 | 株式会社東芝 | 情報処理装置、情報処理方法及びコンピュータプログラム |
| JPWO2022180749A1 (ja) * | 2021-02-25 | 2022-09-01 | ||
| WO2022180749A1 (ja) * | 2021-02-25 | 2022-09-01 | 日本電気株式会社 | 分析装置、分析方法、及びプログラムが格納された非一時的なコンピュータ可読媒体 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113614756A (zh) | 用于具有可编程人机混合集成学习的预报警报的系统和方法 | |
| US20020128884A1 (en) | Computer method for using sample data to predict future population and domain behaviors | |
| CN112862593B (zh) | 信用评分卡模型训练方法、装置、系统及计算机存储介质 | |
| CN111222790A (zh) | 风险事件发生概率的预测方法、装置、设备及存储介质 | |
| JPH09233700A (ja) | 日最大需要電力予測の信頼性評価方法 | |
| CN109376929B (zh) | 配送参数的确定方法、确定装置、存储介质和电子设备 | |
| CN118966814A (zh) | 一种基于物联网的公共服务数据价值评估系统 | |
| CN112883062A (zh) | 一种不基于规则的自定义规则稽查方法 | |
| CN113065683A (zh) | 车辆质押的价格预测方法、装置、设备及存储介质 | |
| CN114693367B (zh) | 一种农产品价格大数据监测与可视化系统及方法 | |
| JP2019032807A (ja) | 要因分析システム、要因分析方法およびプログラム | |
| CN120765302A (zh) | 汽车销量多维度预测模型构建系统及方法 | |
| CN120338553A (zh) | 一种用于电力营销的稽查智能分析方法及系统 | |
| CN120106658A (zh) | 一种基于人工智能的业务数据归因分析方法及系统 | |
| JPH0922402A (ja) | 日最大電力需要量予測方法 | |
| CN119886567A (zh) | 基于大数据的电力工程智能管控系统及方法 | |
| US20240420009A1 (en) | Model-agnostic multi-factor metric drift attribution | |
| CN117808487A (zh) | 异常行业分类方法、装置、设备及存储介质 | |
| CN118429117A (zh) | 基于Ai的企业工商税务信息生成方法及系统 | |
| US12406198B2 (en) | Computer-implemented event forecasting and information provision | |
| CN116910551A (zh) | 一种电力系统时空分布特征配网线损分析系统和方法 | |
| Wirawan et al. | Application of data mining to prediction of timeliness graduation of students (a case study) | |
| CN115689331A (zh) | 一种基于mlp的输变电工程量合理性分析方法 | |
| CN120125046B (zh) | 一种基于多源异构数据的动态企业画像生成方法 | |
| CN120355335B (zh) | 一种大数据智能仓库的运营管理方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20021015 |