(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2023100466
(43)【公開日】2023-07-19
(54)【発明の名称】電力需要予測装置及び電力需要予測方法
(51)【国際特許分類】
H02J 3/00 20060101AFI20230711BHJP
【ＦＩ】
H02J3/00 130
H02J3/00 170
【審査請求】有
【請求項の数】4
【出願形態】ＯＬ
(21)【出願番号】P 2022001173
(22)【出願日】2022-01-06
(11)【特許番号】
(45)【特許公報発行日】2022-05-02
(71)【出願人】
【識別番号】000220262
【氏名又は名称】東京瓦斯株式会社
(74)【代理人】
【識別番号】110001519
【氏名又は名称】弁理士法人太陽国際特許事務所
(72)【発明者】
【氏名】古橋 優磨
(72)【発明者】
【氏名】中澤 理
(72)【発明者】
【氏名】堂山 俊
(72)【発明者】
【氏名】岩田 匡平
(72)【発明者】
【氏名】須藤 啓介
(72)【発明者】
【氏名】大森 一樹
【テーマコード（参考）】
5G066
【Ｆターム（参考）】
5G066AA02
5G066AE01
5G066AE03
5G066AE09
5G066KB01
(57)【要約】
【課題】高い予測精度と予測結果の説明性を両立することができ、説明性が失われることが多い気象条件以外の要因についても予測手法の流れを明確化する。
【解決手段】過去数年（１年～３年程度）の気象データをビッグデータとして、必要に応じて、曜日毎、類似する負荷データ毎に区分して、機械学習等により長期回帰モデルを生成し、この長期回帰モデルを基礎として、予測対象日を基準とした短期（例えば、３０日程度）参照日を選択し、３種類の予測モデルを利用し、かつ、それぞれの予測モデルに重みを付けてブレンドし、連続性の補正を行った。
【選択図】図２
【解決手段】過去数年（１年～３年程度）の気象データをビッグデータとして、必要に応じて、曜日毎、類似する負荷データ毎に区分して、機械学習等により長期回帰モデルを生成し、この長期回帰モデルを基礎として、予測対象日を基準とした短期（例えば、３０日程度）参照日を選択し、３種類の予測モデルを利用し、かつ、それぞれの予測モデルに重みを付けてブレンドし、連続性の補正を行った。
【選択図】図２
【特許請求の範囲】
【請求項1】
一定期間だけ遡った時期から、前記一定期間を細分化した単位での気温及び日射量を少なくとも含む気象データ群及び電力需要の実績値を取り込み、前記実績値の変化が類似するパターンに区分し、区分したパターン毎に、前記気象データ群を説明変数とし、かつ前記実績値を目的変数とした長期回帰モデルを作成する長期回帰モデル作成部と、
電力需要の予測対象日と類似するパターンから、当該予測対象日に近い所定数の短期参照日を選択して前記気象データ群及び前記実績値を取り込み、前記長期回帰モデルと、前記短期参照日の前記気象データ群及び前記実績値とを用いた複数の予測モデルの各々で予測した前記予測対象日の複数の電力需要予測値を、所定の比率で加重平均してブレンドし、前記予測対象日の電力需要予測値を取得する予測部と、
を有する電力需要予測装置。
電力需要の予測対象日と類似するパターンから、当該予測対象日に近い所定数の短期参照日を選択して前記気象データ群及び前記実績値を取り込み、前記長期回帰モデルと、前記短期参照日の前記気象データ群及び前記実績値とを用いた複数の予測モデルの各々で予測した前記予測対象日の複数の電力需要予測値を、所定の比率で加重平均してブレンドし、前記予測対象日の電力需要予測値を取得する予測部と、
を有する電力需要予測装置。
【請求項2】
一定期間だけ遡った時期から、前記一定期間を細分化した単位での気温及び日射量を少なくとも含む気象データ群及び電力需要の実績値を取り込み、前記実績値の変化が類似するパターンに区分し、区分したパターン毎に、前記気象データ群を説明変数とし、かつ前記実績値を目的変数とした長期回帰モデルを作成する長期回帰モデル作成部と、
電力需要の予測対象日と類似するパターンから、当該予測対象日に近い所定数の短期参照日を選択して、前記気象データ群及び前記実績値を取り込み、前記長期回帰モデルを用いて、前記短期参照日の気象データ群から当該短期参照日の電力需要、及び前記予測対象日の気象データ群から当該予測対象日の電力需要を各々予測し、予測した前記短期参照日の電力需要と前記予測対象日の電力需要との比と、前記短期参照日の電力需要の実績値とから前記短期参照日の電力需要実績値を補正し、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第１の予測結果としての前記予測対象日の電力需要予測値を取得する第１予測部と、
前記第１予測部で補正した前記短期参照日の電力需要実績値について、前記予測対象日と補正に使用した短期参照日との日付差の線形回帰を実行し、日付差０となる地点での回帰結果から、第２の予測結果としての前記予測対象日の電力需要予測値を取得する第２予測部と、
前記短期参照日の電力需要の実績値を、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第３の予測結果としての前記予測対象日の電力需要予測値を取得する第３予測部と、
前記第１予測部で予測した第１の予測結果、前記第２予測部で予測した第２の予測結果、及び前記第３予測部で予測した第３の予測結果である、各々の前記予測対象日の電力需要予測値を、所定の比率で加重平均してブレンドし、第４の予測結果としての前記予測対象日の電力需要予測値を取得する予測結果ブレンド部と、
前記予測結果ブレンド部で得た第４の予測結果としての前記予測対象日の電力需要予測値を最終結果として出力する出力部と、
を有する電力需要予測装置。
電力需要の予測対象日と類似するパターンから、当該予測対象日に近い所定数の短期参照日を選択して、前記気象データ群及び前記実績値を取り込み、前記長期回帰モデルを用いて、前記短期参照日の気象データ群から当該短期参照日の電力需要、及び前記予測対象日の気象データ群から当該予測対象日の電力需要を各々予測し、予測した前記短期参照日の電力需要と前記予測対象日の電力需要との比と、前記短期参照日の電力需要の実績値とから前記短期参照日の電力需要実績値を補正し、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第１の予測結果としての前記予測対象日の電力需要予測値を取得する第１予測部と、
前記第１予測部で補正した前記短期参照日の電力需要実績値について、前記予測対象日と補正に使用した短期参照日との日付差の線形回帰を実行し、日付差０となる地点での回帰結果から、第２の予測結果としての前記予測対象日の電力需要予測値を取得する第２予測部と、
前記短期参照日の電力需要の実績値を、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第３の予測結果としての前記予測対象日の電力需要予測値を取得する第３予測部と、
前記第１予測部で予測した第１の予測結果、前記第２予測部で予測した第２の予測結果、及び前記第３予測部で予測した第３の予測結果である、各々の前記予測対象日の電力需要予測値を、所定の比率で加重平均してブレンドし、第４の予測結果としての前記予測対象日の電力需要予測値を取得する予測結果ブレンド部と、
前記予測結果ブレンド部で得た第４の予測結果としての前記予測対象日の電力需要予測値を最終結果として出力する出力部と、
を有する電力需要予測装置。
【請求項3】
前記短期参照日の電力需要の実績値に基づいて、各短期参照日の各コマと、その前の所定数のコマの平均値の比をとり、各短期参照日と前記予測対象日との類似性によって加重平均することで、自己相関を設定し、前記予測結果ブレンド部で得た第４の予測結果である前記予測対象日の電力需要予測値に対して、予め定めた比率で自己相関を適用することで連続性の補正を実行し、第５の予測結果としての前記予測対象日の電力需要予測値を取得する連続性補正部をさらに有し、
前記出力部は、前記第４の予測結果に代えて、前記連続性補正部で補正した第５の予測結果としての前記予測対象日の電力予測値を最終結果として出力する、請求項２記載の電力需要予測装置。
前記出力部は、前記第４の予測結果に代えて、前記連続性補正部で補正した第５の予測結果としての前記予測対象日の電力予測値を最終結果として出力する、請求項２記載の電力需要予測装置。
【請求項4】
一定期間だけ遡った時期から、前記一定期間を細分化した単位での気温及び日射量を少なくとも含む気象データ群及び電力需要の実績値を取り込み、前記実績値の変化が類似するパターンに区分し、区分したパターン毎に、前記気象データ群を説明変数とし、かつ前記実績値を目的変数とした長期回帰モデルを作成し、
電力需要の予測対象日と類似するパターンから、当該予測対象日に近い所定数の短期参照日を選択して、前記気象データ群及び前記実績値を取り込み、前記長期回帰モデルを用いて、前記短期参照日の気象データ群から当該短期参照日の電力需要、及び前記予測対象日の気象データ群から当該予測対象日の電力需要を各々予測し、予測した前記短期参照日の電力需要と前記予測対象日の電力需要との比と、前記短期参照日の電力需要の実績値とから前記短期参照日の電力需要実績値を補正し、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第１の予測結果としての前記予測対象日の電力需要予測値を取得し、
補正した前記短期参照日の電力需要実績値について、前記予測対象日と補正に使用した短期参照日との日付差の線形回帰を実行し、日付差０となる地点での回帰結果から、第２の予測結果としての前記予測対象日の電力需要予測値を取得し、
前記短期参照日の電力需要の実績値を、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第３の予測結果としての前記予測対象日の電力需要予測値を取得し、
前記第１の予測結果、前記第２の予測結果、及び前記第３の予測結果である、各々の前記予測対象日の電力需要予測値を、所定の比率で加重平均してブレンドし、第４の予測結果としての前記予測対象日の電力需要予測値を取得し、
前記短期参照日の電力需要の実績値に基づいて、各短期参照日の各コマと、その前の所定数のコマの平均値の比をとり、各短期参照日と前記予測対象日との類似性によって加重平均することで、自己相関を設定し、前記第４の予測結果である前記予測対象日の電力需要予測値に対して、予め定めた比率で自己相関を適用することで連続性の補正を実行し、第５の予測結果としての前記予測対象日の電力需要予測値を取得し、
前記第５の予測結果としての前記予測対象日の電力需要予測値を最終結果とする、
電力需要予測方法。
電力需要の予測対象日と類似するパターンから、当該予測対象日に近い所定数の短期参照日を選択して、前記気象データ群及び前記実績値を取り込み、前記長期回帰モデルを用いて、前記短期参照日の気象データ群から当該短期参照日の電力需要、及び前記予測対象日の気象データ群から当該予測対象日の電力需要を各々予測し、予測した前記短期参照日の電力需要と前記予測対象日の電力需要との比と、前記短期参照日の電力需要の実績値とから前記短期参照日の電力需要実績値を補正し、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第１の予測結果としての前記予測対象日の電力需要予測値を取得し、
補正した前記短期参照日の電力需要実績値について、前記予測対象日と補正に使用した短期参照日との日付差の線形回帰を実行し、日付差０となる地点での回帰結果から、第２の予測結果としての前記予測対象日の電力需要予測値を取得し、
前記短期参照日の電力需要の実績値を、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第３の予測結果としての前記予測対象日の電力需要予測値を取得し、
前記第１の予測結果、前記第２の予測結果、及び前記第３の予測結果である、各々の前記予測対象日の電力需要予測値を、所定の比率で加重平均してブレンドし、第４の予測結果としての前記予測対象日の電力需要予測値を取得し、
前記短期参照日の電力需要の実績値に基づいて、各短期参照日の各コマと、その前の所定数のコマの平均値の比をとり、各短期参照日と前記予測対象日との類似性によって加重平均することで、自己相関を設定し、前記第４の予測結果である前記予測対象日の電力需要予測値に対して、予め定めた比率で自己相関を適用することで連続性の補正を実行し、第５の予測結果としての前記予測対象日の電力需要予測値を取得し、
前記第５の予測結果としての前記予測対象日の電力需要予測値を最終結果とする、
電力需要予測方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、電力需要予測装置及び電力需要予測方法に関するものである。
【背景技術】
【0002】
需要者に対して、安定で高信頼の電力を供給するためには、供給者側が、需要者の電力需要量のニーズを把握する必要があり、その把握に基づいた、発電所の運用計画や、電力変換器を用いた周波数制御などを行い、電力供給を行う必要がある。そのことによって、供給者側は、無駄なく効率的に発電から送電までを安定的に行うことができ、需要者側も、自身のニーズに沿った安定的な電力供給を教授することができる。
【0003】
特許文献１には、年ごとの気象環境等の変化も踏まえて、過去の同日、同週、同月、同季節の気象実績データ、需要実績データをそのまま用いることなく、予測対象日の気象予測データに誤りがあっても、予測対象日の電力需要量をより正確に把握することを目的として、電力需要量を予測する予測対象日を含む複数日からなる期間の予測気象グループおよび過去の複数日における期間の実績気象グループを対象期間として複数設定し、前記予測気象グループと前記複数の実績気象グループ間における複数の対象期間の類似度を計算し、前記計算された複数の類似度の比較に基づいて、以後の電力需要量の傾向を予測し、予測対象日の電力需要量を把握することが記載されている。
【0004】
特許文献２には、電力価格単価を変更した需要家のみの過去の実績データを用いて電力の需要予測を高精度に行うことを目的として、実績データベースにはデマンドレスポンスを実施した需要家のみの過去の電力需要を電力価格単価と対応して記憶させ、価格弾力性算出部は電力価格単価を変更しない時の電力需要と電力価格単価を変更した時の電力需要との比率を価格弾力性として算出し、価格弾力性データベースには価格弾力性が記憶され、電力需要の予測を行うときには、価格弾力性データベースから条件に合致した価格弾力性を用いて電力需要予測値を補正することで、正確な電力需要予測値を得ることが記載されている。
【0005】
特許文献３には、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し、また、時系列性を考慮した予測が困難であることを課題とし、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を提案している。より具体的には、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、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のステップとからなることが記載されている。
【0006】
非特許文献１では、重回帰モデルなどの統計学手法を用いて、電力需要予測が行われることが記載されている。
【0007】
非特許文献２では、ニューラルネットワークモデルを活用して、電力需要予測が行われることが記載されている。
【先行技術文献】
【特許文献】
【0008】
【特許文献1】特開２０１３－６６３１８号公報
【特許文献2】特開２０１４－２２０９７１号公報
【特許文献3】特開平９－２１５１９２号公報
【非特許文献】
【0009】
【非特許文献1】「電力の翌日最大需予測装置の研究開発動向，長谷川 淳，田中 英一，電学論B，114巻，9号，平成9年」
【非特許文献2】「構造化ニューラルネットワークの新しい学習法と最大電力需要予測への適用，飯坂 達也，松井 哲郎，福山 良和，電学論B，124巻，3号，2004年」
【発明の概要】
【発明が解決しようとする課題】
【0010】
しかしながら、従来技術（例えば、非特許文献１）では、予測結果の説明性が高いという利点はあるが、何らかの要因でトレンドが変わった場合、その変化を予測結果へ鋭敏に反映させることが難しい。
【0011】
また、従来技術（例えば、非特許文献２）では、何らかのトレンド変化を鋭敏に予測結果へ反映させることができる利点はあるが、予測理由を説明すること、また、モデルを改善する場合に原因を特定することが難しい。
【0012】
本発明は上記事実を考慮し、予測精度と予測結果の説明性を両立することができ、説明性が失われることが多い気象条件以外の要因についても予測手順を明確化することができる電力需要予測装置及び電力需要予測方法を得ることが目的である。
【課題を解決するための手段】
【0013】
第１の発明に係る電力需要予測装置は、一定期間だけ遡った時期から、前記一定期間を細分化した単位での気温及び日射量を少なくとも含む気象データ群及び電力需要の実績値を取り込み、前記実績値の変化が類似するパターンに区分し、区分したパターン毎に、前記気象データ群を説明変数とし、かつ前記実績値を目的変数とした長期回帰モデルを作成する長期回帰モデル作成部と、電力需要の予測対象日と類似するパターンから、当該予測対象日に近い所定数の短期参照日を選択して前記気象データ群及び前記実績値を取り込み、前記長期回帰モデルと、前記短期参照日の前記気象データ群及び前記実績値とを用いた複数の予測モデルの各々で予測した前記予測対象日の複数の電力需要予測値を、所定の比率で加重平均してブレンドし、前記予測対象日の電力需要予測値を取得する予測部と、を有している。
【0014】
第２の発明に係る電力需要予測装置は、一定期間だけ遡った時期から、前記一定期間を細分化した単位での気温及び日射量を少なくとも含む気象データ群及び電力需要の実績値を取り込み、前記実績値の変化が類似するパターンに区分し、区分したパターン毎に、前記気象データ群を説明変数とし、かつ前記実績値を目的変数とした長期回帰モデルを作成する長期回帰モデル作成部と、電力需要の予測対象日と類似するパターンから、当該予測対象日に近い所定数の短期参照日を選択して、前記気象データ群及び前記実績値を取り込み、前記長期回帰モデルを用いて、前記短期参照日の気象データ群から当該短期参照日の電力需要、及び前記予測対象日の気象データ群から当該予測対象日の電力需要を各々予測し、予測した前記短期参照日の電力需要と前記予測対象日の電力需要との比と、前記短期参照日の電力需要の実績値とから前記短期参照日の電力需要実績値を補正し、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第１の予測結果としての前記予測対象日の電力需要予測値を取得する第１予測部と、前記第１予測部で補正した前記短期参照日の電力需要実績値について、前記予測対象日と補正に使用した短期参照日との日付差の線形回帰を実行し、日付差０となる地点での回帰結果から、第２の予測結果としての前記予測対象日の電力需要予測値を取得する第２予測部と、前記短期参照日の電力需要の実績値を、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第３の予測結果としての前記予測対象日の電力需要予測値を取得する第３予測部と、前記第１予測部で予測した第１の予測結果、前記第２予測部で予測した第２の予測結果、及び前記第３予測部で予測した第３の予測結果である、各々の前記予測対象日の電力需要予測値を、所定の比率で加重平均してブレンドし、第４の予測結果としての前記予測対象日の電力需要予測値を取得する予測結果ブレンド部と、前記予測結果ブレンド部で得た第４の予測結果としての前記予測対象日の電力需要予測値を最終結果として出力する出力部と、を有している。
【0015】
第２の発明において、前記短期参照日の電力需要の実績値に基づいて、各短期参照日の各コマと、その前の所定数のコマの平均値の比をとり、各短期参照日と前記予測対象日との類似性によって加重平均することで、自己相関を設定し、前記予測結果ブレンド部で得た第４の予測結果である前記予測対象日の電力需要予測値に対して、予め定めた比率で自己相関を適用することで連続性の補正を実行し、第５の予測結果としての前記予測対象日の電力需要予測値を取得する連続性補正部をさらに有し、前記出力部は、前記第４の予測結果に代えて、前記連続性補正部で補正した第５の予測結果としての前記予測対象日の電力予測値を最終結果として出力することを特徴としている。
【0016】
第３の発明に係る電力需要予測方法は、一定期間だけ遡った時期から、前記一定期間を細分化した単位での気温及び日射量を少なくとも含む気象データ群及び電力需要の実績値を取り込み、前記実績値の変化が類似するパターンに区分し、区分したパターン毎に、前記気象データ群を説明変数とし、かつ前記実績値を目的変数とした長期回帰モデルを作成し、電力需要の予測対象日と類似するパターンから、当該予測対象日に近い所定数の短期参照日を選択して、前記気象データ群及び前記実績値を取り込み、前記長期回帰モデルを用いて、前記短期参照日の気象データ群から当該短期参照日の電力需要、及び前記予測対象日の気象データ群から当該予測対象日の電力需要を各々予測し、予測した前記短期参照日の電力需要と前記予測対象日の電力需要との比と、前記短期参照日の電力需要の実績値とから前記短期参照日の電力需要実績値を補正し、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第１の予測結果としての前記予測対象日の電力需要予測値を取得し、補正した前記短期参照日の電力需要実績値について、前記予測対象日と補正に使用した短期参照日との日付差の線形回帰を実行し、日付差０となる地点での回帰結果から、第２の予測結果としての前記予測対象日の電力需要予測値を取得し、前記短期参照日の電力需要の実績値を、各短期参照日と前記予測対象日との類似性によって加重平均を実行し、第３の予測結果としての前記予測対象日の電力需要予測値を取得し、前記第１の予測結果、前記第２の予測結果、及び前記第３の予測結果である、各々の前記予測対象日の電力需要予測値を、所定の比率で加重平均してブレンドし、第４の予測結果としての前記予測対象日の電力需要予測値を取得し、前記短期参照日の電力需要の実績値に基づいて、各短期参照日の各コマと、その前の所定数のコマの平均値の比をとり、各短期参照日と前記予測対象日との類似性によって加重平均することで、自己相関を設定し、前記第４の予測結果である前記予測対象日の電力需要予測値に対して、予め定めた比率で自己相関を適用することで連続性の補正を実行し、第５の予測結果としての前記予測対象日の電力需要予測値を取得し、前記第５の予測結果としての前記予測対象日の電力需要予測値を最終結果とする、ことを特徴としている。
【0017】
本発明によれば、気象情報を説明変数とした長期回帰モデルによる予測結果（長期トレンド）と直近実績による補正（短期参照日による短期トレンド）の融合によって、単独の予測モデルに比べて、高精度かつ安定的に電力の需要を予測することで、高い予測精度と予測結果の説明性を両立することができ、説明性が失われることが多い気象条件以外の要因についても予測手順を明確化することができる。
【発明の効果】
【0018】
以上説明した如く本発明では、予測精度と予測結果の説明性を両立することができ、説明性が失われることが多い気象条件以外の要因についても予測手順を明確化することができるという効果を奏する。
【図面の簡単な説明】
【0019】
【図1】（Ａ）は本実施の形態に係る電力需要予測装置を含む電力需要予測システムの全体構成図、（Ｂ）は電力需要予測装置の制御ブロック図である。
【図2】本実施の形態に係る電力需要予測装置で実行される、電力需要の予測のための処理を機能別に分類した制御ブロック図である。
【図3】気象データ群を説明変数として、気温の４次、日射量の２次等の重回帰行うことで作成した回帰モデル（長期回帰モデル）である。
【図4】（Ａ）は図３に示す気温・日射カーブにおける中間期から需要期に向かうときの日付差－予測結果特性図であり、（Ｂ）は図３に示す気温・日射カーブにおける需要期から中間期に向かうときの日付差－予測結果特性図である。
【図5】気温と需要との関係を示す特性図である。
【発明を実施するための形態】
【0020】
図１（Ａ）は、本実施の形態に係る電力需要予測装置１０を含む電力需要予測システムの全体構成図である。
【0021】
ネットワーク１２上には、複数の端末装置１４、気象データサーバ１６、及び電力需要予測装置１０が接続されている。電力需要予測装置１０は、この気象データサーバ１６から気象データを取り込む。取り込んだ気象データは、少なくとも、過去１～３年分を電力需要予測装置１０の大規模記録装置２４（図１（Ｂ）参照）に、更新記憶する。
【0022】
なお、外部から気象データを取り込むのではなく、電力需要予測装置１０が、自ら気象データサーバ１６を持っていてもよい。
【0023】
端末装置１４は、電力需要予測装置１０へアクセスし、予測対象日の電力需要に関する情報の提供を通知する。電力需要予測装置１０では、この端末装置１４から通知を受けて、予測対象日の電力需要に関する情報（予測結果Ｅ（図８参照））を提供する。
【0024】
図１（Ｂ）は、本実施の形態に係る電力需要予測装置１０の制御ブロック図である。
【0025】
電力需要予測装置１０は、マイクロコンピュータ１８を備えている。マイクロコンピュータ１８は、ＣＰＵ１８Ａ、ＲＡＭ１８Ｂ、ＲＯＭ１８Ｃ、入出力装置（Ｉ／Ｏ）１８Ｄ、及びこれらを接続するデータバスやコントロールバス等のバス１８Ｅで構成される。
【0026】
Ｉ／Ｏ１８Ｄには、ユーザＩ／Ｆ２０が接続されている。ユーザＩ／Ｆ２０は、例えば、入力デバイスとしてのキーボード、マウス、および出力デバイスとしてのモニタ、プリンタを含む。なお、入出力デバイスとしてタッチパネルを適用してもよい。
【0027】
また、Ｉ／Ｏ１８Ｄには、通信Ｉ／Ｆ２２が接続されており、ネットワーク１２との接続を可能としている。この通信Ｉ／Ｆ２２を介して、気象データサーバ１６及び端末装置１４との通信が実行される。
【0028】
さらに、Ｉ／Ｏ１８Ｄには、大規模記録装置２４が接続されている。この大規模記録装置２４は、例えば、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）が代表的である。
【0029】
この大規模記録装置２４の一部の記録領域は、本実施の形態の電力需要予測に用いる、気象データに基づき学習した長期回帰モデルが格納される、長期回帰モデルデータベースとして機能するようになっている。
【0030】
図２は、電力需要予測装置１０で実行される、電力需要の予測のための処理を機能別に分類した制御ブロック図である。なお、図２に示す各ブロックは、機能別に分類したものであり、電力需要予測装置１０のハード構成を限定するものではない。例えば、一部又は全部の処理を、ＲＯＭ１８Ｃ(又は大規模記録装置２４)に格納された電力需要予測プログラムに基づき処理してもよい。
【0031】
気象データサーバ１６等から入力される外部情報としての気象データは、気象データ格納部２６に格納される。電力需要予測（長期データ解析）において、例えば、過去１～３年分の気象データを用いることが好ましい。
【0032】
気象データ格納部２６は、学習部２８に接続され、格納した気象データは、ビッグデータとして、学習部２８へ送出される。
【0033】
学習部２８では、気象データ（過去１～３年分の気温、日射量等の気象データ群）を用いて、長期回帰モデルを作成する。この長期回帰モデル作成のための準備として、電力需要の実績値を時間別（例えば、３０分毎）に設定する。
【0034】
また、気象は、平日（ＷＤ）、土曜（Ｓａｔ）、日曜（ＮＷＤ）、休日明け（ＦＡＨ）等によって負荷パターンが類似する場合があり、本実施の形態では、負荷パターンが近い区分（以下、曜日区分）に分類する。
【0035】
学習部２８では、曜日区分毎の電力需要を得るため、気象データ群を説明変数として回帰を行う。より具体的には、気温の４次、日射量の２次等の重回帰行い、回帰モデル（長期回帰モデル）を作成する。なお、回帰は、機械学習による回帰モデルの作成が一般的であるが、その方式は限定されるものではない。
【0036】
図３は、長期回帰モデル（曜日区分毎）の一例であり、横軸が時間、縦軸が電力需要予測である。なお、長期回帰モデルは、毎日更新する必要はなく、例えば、月、季節の変わり目（四季（春夏秋冬）、暦上の２４節気（立春、節分、立夏、大寒等）毎等でもよいし、不定期であってもよい。また、図３の各特性図の左上に記載された記号は、ＷＤ（weekdays)が平日、Ｓａｔ（Saturday）が土曜日、ＮＷＤ（non-weekdays）が日曜日、及びＦＡＨ（first day after the holidays）が休み明けを示しているが、この負荷パターンの区分に限定されるものではない。
【0037】
図２に示される如く、学習部２８は、第１予測部３０に接続されており、学習部２８で作成した長期回帰モデルは、第１予測部３０へ送出される。
【0038】
また、第１予測部３０は、予測対象日受付部３１が接続されており、例えば、端末装置１４（図１参照）から要求される予測対象日を受け付ける。
【0039】
（予測結果Ａ「第１の予測結果」の取得）
第１予測部３０では、この予測対象日受付部３１で受け付けた予測対象日に基づき、気象データ格納部２６から、当該予測対象日を基準とした短期参照日（例えば、予測対象日に近い３０日分程度）を取り込む。
第１予測部３０では、この予測対象日受付部３１で受け付けた予測対象日に基づき、気象データ格納部２６から、当該予測対象日を基準とした短期参照日（例えば、予測対象日に近い３０日分程度）を取り込む。
【0040】
また、第１予測部３０では、長期回帰モデルを用いて、短期参照日の気象データ群から短期参照日の電力需要を予測する（予測１）。
【0041】
さらに、第１の予測部３０では、長期回帰モデルを用いて、予測対象日の気象データ群から予測対象日の電力需要を予測する（予測２）。
【0042】
第１予測部３０では、上記予測１と予測２との比と、短期参照日の電力需要の実績値とから、短期参照日の電力需要実績値を補正して、各短期参照日の予測対象日との類似性（気温差、日付差等）によって加重平均を行い、予測対象日の需要の予測結果Ａを得る。
【0043】
第１予測部３０は、第２予測部３２及び第３予測部３４に接続されており、予測結果Ａは、第２予測部３２及び第３予測部３４のそれぞれへ送出される。
【0044】
ここで、第１予測部３０は、予測結果ブレンド部３６に接続されており、予測結果Ａは、予測結果ブレンド部３６へ送出される。
【0045】
（予測結果Ｂ「第２の予測結果」の取得）
第２予測部３２では、第１予測部３０で得た、補正した短期参照日の電力需要実績値について、予測対象日と、補正に使用した短期参照日の日付差で線形回帰を行い、日付差０点での回帰結果を、対象日の需要の予測結果Ｂとする。
第２予測部３２では、第１予測部３０で得た、補正した短期参照日の電力需要実績値について、予測対象日と、補正に使用した短期参照日の日付差で線形回帰を行い、日付差０点での回帰結果を、対象日の需要の予測結果Ｂとする。
【0046】
図４（Ａ）は、図３に示す気温・日射カーブにおける中間期から需要期に向かうときの日付差－予測結果特性図であり、図４（Ｂ）は、図３に示す気温・日射カーブにおける需要期から中間期に向かうときの日付差－予測結果特性図である。何れのカーブにおいても、短期参照日による予測結果を示しているが、この予測結果の日付差による推移（傾き）が、所謂足元のトレンドとみなせるので、日付差で回帰する。すなわち、図４（Ａ）及び図４（Ｂ）において、日付差０の切片が、トレンドからの予測結果Ｂとみなすことができる。
【0047】
ここで、第２予測部３２は、予測結果ブレンド部３６に接続されており、予測結果Ｂは、予測結果ブレンド部３６へ送出される。
【0048】
（予測結果Ｃ「第３の予測結果」の取得）
第３予測部３４では、第１予測部３０で得た、短期参照日の電力需要実績値を、各短期参照日の予測対象日との類似性（気温差、日付差等）によって加重平均を行い、予測対象日の需要の予測結果Ｃとする。
第３予測部３４では、第１予測部３０で得た、短期参照日の電力需要実績値を、各短期参照日の予測対象日との類似性（気温差、日付差等）によって加重平均を行い、予測対象日の需要の予測結果Ｃとする。
【0049】
ここで、第３予測部３４は、予測結果ブレンド部３６に接続されており、予測結果Ｃは、予測結果ブレンド部３６へ送出される。
【0050】
（予測結果Ｄ「第４の予測結果」の取得）
予測結果ブレンド部３６は、上記のように、第１予測部３０から予測結果Ａが入力され、第２予測部３２から予測結果Ｂが入力され、及び、第３予測部３４から予測結果Ｃが入力される。
予測結果ブレンド部３６は、上記のように、第１予測部３０から予測結果Ａが入力され、第２予測部３２から予測結果Ｂが入力され、及び、第３予測部３４から予測結果Ｃが入力される。
【0051】
予測結果ブレンド部３６では、予測対象日毎に予め設定された条件に基づき、予測結果比率が設定されており、予測結果Ａ、予測結果Ｂ、及び予測結果Ｃを、当該予測結果比率で加重平均し、予測対象日の需要予測結果Ｄとする（例、予測結果Ｄ＝予測結果Ａ×０．４＋予測結果Ｂ×０．３＋予測結果Ｃ×０．３等）。
【0052】
加重平均の比率は、それぞれの予測手法の特性により、対象日の条件によって調整することで、予測精度の向上が見込まれる。以下に加重平均の比率の設定例１～３を示す。
【0053】
（設定例１） 中間期では、需要の変化が小さくなるため（図５の極小点近傍領域Ｘ参照）、予測結果Ｃの比率を上げる。
【0054】
（設定例２） 中間期から需要期への移行期（図５の極小点から右肩上がりの傾きへ移行する領域Ｙ参照）では、同じ気象条件でも日付経過と共に徐々に需要が増加するため、予測結果Ｂの比率を上げる。
【0055】
（設定例３） 需要期（図５の、所定以上の右肩上がりの傾きとなる領域Ｚ参照）では、気象条件による需要変化の影響が大きいため、予測結果Ａの比率を上げる。
【0056】
予測結果ブレンド部３６は、連続性補正部３８に接続されており、予測結果ブレンド部３６で得た、予測結果Ｄは、連続性補正部３８へ送出される。
【0057】
連続性補正部３８では、第１予測部３０で得た、短期参照日の電力需要の実績値に基づいて、各短期参照日の各コマと、その前のｍコマ（ｍは正の整数、例えば２コマ）の平均値の比をとり、短期参照日の中で、第１予測部３０で用いた重み付けに基づいて、コマ別に加重平均し、自己相関とする。
【0058】
ここで、連続性補正部３８は、予測結果ブレンド部３６から得た予測結果Ｄに対して、予め定めた自己相関比率（例えば、０．５等）で、自己相関を適用し、連続性を補正して、予測結果Ｅ「第５の予測結果」とする。
【0059】
連続性補正部３８は、結果出力部４０に接続されており、連続性補正部３８で得た予測結果Ｅを、最終予測結果として、例えば、予測対象日を通知してきた端末装置１４へ出力する。
【0060】
【0061】
（学習部２８における学習処理の流れ）
図６は、学習部２８における学習処理の流れを示すフロー図である。
図６は、学習部２８における学習処理の流れを示すフロー図である。
【0062】
まず、過去１～３年分の気温、日射量等の気象データ群を取り込み（ステップ１００）、次いで、負荷パターンを区分して（ステップ１０２）、気象データを用いて、長期回帰モデルを作成する（ステップ１０４）。
【0063】
例えば、図３に示される如く、気温の４次、日射量の２次等の重回帰行い、回帰モデル（長期回帰モデル）を作成する。
【0064】
作成された長期回帰モデルの作成結果は保持され（ステップ１０６）、以下に示す３種類の予測モデルの処理に適用される。
【0065】
（第１予測部３０における第１予測処理の流れ）
【0066】
図７は、第１予測部３０における第１予測処理のフロー図である。
【0067】
第１予測処理の前に、まず、短期参照日（１～ｎ「ｎは２以上の整数」、一例として、ｎ＝３０日分）の気象データ群を取り込むと共に、電力需要実績を取り込む（ステップ１１０）。また、予測対象日の気象データ群を受け付ける（ステップ１１２）。さらに、長期回帰モデルを読み出す（ステップ１１４）。
【0068】
短期参照日の気象データ群、電力需要実績、予測対象日の気象データ群、及び長期回帰モデルは、第１予測処理に適用される各種パラメータとなる。
【0069】
第１予測処理では、予測１として、ステップ１１６，１１８、１２０に示すように、短期参照日の１～ｎの各々気象データ群を取り込み、長期回帰モデルを用いて、短期参照日の１～ｎの各々気象データ群から各短期参照日（１～ｎ）の電力需要予測を実行する（図７の点線枠Ａ参照）。
【0070】
また、第１予測処理では、予測２として、ステップ１２２、ステップ１２４、ステップ１２６に示すように、長期回帰モデルを用いて、予測対象日の気象データ群から予測対象日の電力需要の予測を実行する（図７の点線枠Ｂ参照）。
【0071】
予測１の結果は集約され（ステップ１２８）、また、電力需要実績（短期参照日１～ｎ）を読み出し（ステップ１３０）、ステップ１３２では、気象データ群（短期参照日１～ｎ）と、気象データ群（予測対象日）とから類似性を算出し、次いで、ステップ１３４で類似性に基づき重み付けを設定する。
【0072】
ステップ１３６では、以下の（１）式に基づき、予測１と予測２との比と、短期参照日の電力需要の実績値とから、短期参照日の電力需要実績値を補正して、ステップ１３２、１３４で得た重み付けによって、予測対象日の需要の予測結果Ａを得る（ステップ１３８）。
【0073】
【数1】
【0074】
ｉは、１～ｎ（ｎは２以上の整数）
【0075】
（第２予測部３２における第２予測処理の流れ）
図８は、第２予測部３２における第１予測処理のフロー図である。
図８は、第２予測部３２における第１予測処理のフロー図である。
【0076】
第２の予測処理の前に、まず、第１予測部３０で得た、短期参照日の電力需要実績値を、（２）式に基づき補正する（ステップ１４０）。
【0077】
【数2】
【0078】
ｉは、１～ｎ（ｎは２以上の整数）
【0079】
第２予測処理では、補正値（（２）式）について、予測対象日と補正に使用した短期参照日とで計算した日付差（ステップ１４２）に基づき、線形回帰を行い（ステップ１４４）、短期データを用いた長期回帰モデル補正のトレンドモデル（図４（Ａ）又は（Ｂ）に示す日付差－予測結果特性図）を作成し（ステップ１４６）、この予測結果の日付差による推移（傾き）が、所謂足元のトレンドとみなせるので、日付差０の切片に基づき（ステップ１４８における日付差０点検出）、トレンドからの予測結果Ｂを得る（ステップ１５０）。
【0080】
（第３予測部３４における第３予測処理の流れ）
図９は、第３予測部３４における第３予測処理のフロー図である。
図９は、第３予測部３４における第３予測処理のフロー図である。
【0081】
第３予測処理の前に、まず、短期参照日（１～ｎ）の電力需要実績を取り込むと共に（ステップ１５２）、重み付けの設定値を取り込む（ステップ１５４）。
【0082】
第３予測部３４では、（３）式に従い、第１予測部３０で得た、短期参照日の電力需要実績値に対して、各短期参照日の予測対象日との類似性（気温差、日付差等）によって加重平均（重み付け）を行い(ステップ１５６)、予測対象日の需要の予測結果Ｃを得る（ステップ１５８）。
【0083】
【数3】
【0084】
ｉは、１～ｎ（ｎは２以上の整数）
【0085】
（予測結果ブレンド部３６における予測結果ブレンド処理の流れ）
図１０は、予測結果ブレンド部３６におけるブレンド処理のフロー図である。
図１０は、予測結果ブレンド部３６におけるブレンド処理のフロー図である。
【0086】
予測結果ブレンド処理の前に、まず、予測結果ブレンド部３６では、第１予測部３０から予測結果Ａが入力され（ステップ１６０）、第２予測部３２から予測結果Ｂが入力され（ステップ１６２）、及び、第３予測部３４から予測結果Ｃが入力される（ステップ１６４）。
【0087】
また、予測対象日条件を受け付け（ステップ１６６）、予測結果比率を設定する（ステップ１６８）。
【0088】
予測結果ブレンド処理では、（４）式に従い、予測結果Ａ、予測結果Ｂ、及び予測結果Ｃを、設定された予測結果比率Ｒａ、Ｒｂ、Ｒｃに基づきブレンドし（ステップ１７０）、予測結果Ｄを得る（ステップ１７２）。なお、Ｒａ＋Ｒｂ＋Ｒｃ＝１である。
【0089】
【数4】
【0090】
（連続性補正部３８における連続性補正処理の流れ）
図１１は、連続性補正部３８における連続性補正処理のフロー図である。
図１１は、連続性補正部３８における連続性補正処理のフロー図である。
【0091】
連続性補正処理の前に、まず、短期参照日（１～ｎ）の電力需要実績を取り込むと共に（ステップ１７４）、重み付けの設定値を取り込む（ステップ１７６）。
【0092】
連続性補正処理では、（５）式に従い、第１予測部３０で得た、短期参照日の電力需要の実績値について、各短期参照日の各コマと、その前のｍコマ（ｍは正の整数、例えば２コマ）の平均値の比をとり、短期参照日の中で、第１予測部３０で用いた重み付けに基づいて、コマ別に加重平均し、自己相関とする（ステップ１７８、１８０）。
【0093】
【数5】
【0094】
ここで、連続性補正部３８は、予測結果ブレンド部３６から予測結果Ｄを得ると共に（ステップ１８２）、予め定めた自己相関比率（例えば、０．５等）を得て（ステップ１８４）、ステップ１８６で、（５）式で演算した自己相関を適用し、（６）式に従い、連続性を補正して、予測結果Ｅを得る（ステップ１８８）。
【0095】
【数6】
【0096】
予測結果Ｅは、最終予測結果として、例えば、予測対象日を通知してきた端末装置１４へ出力する。
【0097】
以上説明したように、本実施の形態では、過去数年（１年～３年程度）の気象データをビッグデータとして、必要に応じて、曜日毎、類似する負荷データ毎に区分して、機械学習等により長期回帰モデルを生成し、この長期回帰モデルを基礎として、予測対象日を基準とした短期（例えば、３０日程度）参照日を選択し、３種類の予測モデルを利用し、かつ、それぞれの予測モデルに重みを付けてブレンドし、連続性の補正を行った。３種類の短期参照日に基づく予測モデルは、それぞれ一長一短があり、電力需要の状況（中間期、需要期、及び需要変化率（傾き）等）に応じて、適正にブレンドすることで、単体の予測モデルに比べて、予測の精度を向上することができる。
【0098】
なお、ブレンドの比率は、０も含む。言い換えれば、３種類の予測モデルを全て利用する必要はなく、単独又は２種類のブレンドの方が、予測精度が高い場合もあり得る。
【0099】
また、ここでは、新規な３種類の予測モデルを説明したが、明示していない自明な電力予測モデルを、必要に応じて、必要な比率でブレンドしてもよい。
【符号の説明】
【0100】
１０ 電力需要予測装置
１２ ネットワーク
１４ 端末装置
１６ 気象データサーバ
１８ マイクロコンピュータ
１８Ａ ＣＰＵ
１８Ｂ ＲＡＭ
１８Ｃ ＲＯＭ
１８Ｄ 入出力装置（Ｉ／Ｏ）
１８Ｅ バス
２０ ユーザＩ／Ｆ
２２ 通信Ｉ／Ｆ
２４ 大規模記録装置
２６ 気象データ格納部
２８ 学習部（長期回帰モデル作成部）
３０ 第１予測部（予測部）
３１ 予測対象日受付部
３２ 第２予測部（予測部）
３４ 第３予測部（予測部）
３６ 予測結果ブレンド部
３８ 連続性補正部
４０ 結果出力部
１２ ネットワーク
１４ 端末装置
１６ 気象データサーバ
１８ マイクロコンピュータ
１８Ａ ＣＰＵ
１８Ｂ ＲＡＭ
１８Ｃ ＲＯＭ
１８Ｄ 入出力装置（Ｉ／Ｏ）
１８Ｅ バス
２０ ユーザＩ／Ｆ
２２ 通信Ｉ／Ｆ
２４ 大規模記録装置
２６ 気象データ格納部
２８ 学習部（長期回帰モデル作成部）
３０ 第１予測部（予測部）
３１ 予測対象日受付部
３２ 第２予測部（予測部）
３４ 第３予測部（予測部）
３６ 予測結果ブレンド部
３８ 連続性補正部
４０ 結果出力部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
