特許 7607548 学習装置、電力需要推論装置、系統制御システム、需給制御システム、設備形成支援システムおよびプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-12-19

(45)【発行日】2024-12-27

(54)【発明の名称】学習装置、電力需要推論装置、系統制御システム、需給制御システム、設備形成支援システムおよびプログラム

(51)【国際特許分類】

   H02J 3/00 20060101AFI20241220BHJP

   H02J 3/38 20060101ALI20241220BHJP

【ＦＩ】

H02J3/00 130

H02J3/38 130

H02J3/00 170

【請求項の数】 20

(21)【出願番号】P 2021194799

(22)【出願日】2021-11-30

(65)【公開番号】P2023081098

(43)【公開日】2023-06-09

【審査請求日】2023-12-11

(73)【特許権者】

【識別番号】000006013

【氏名又は名称】三菱電機株式会社

(74)【代理人】

【識別番号】100118762

【弁理士】

【氏名又は名称】高村 順

(72)【発明者】

【氏名】松田 啓史

(72)【発明者】

【氏名】安並 一浩

【審査官】大濱 伸也

(56)【参考文献】

【文献】特開２０２０－１１５２７６（ＪＰ，Ａ）

【文献】特開平０７－１２３５８９（ＪＰ，Ａ）

【文献】特開２０１０－１９３５９４（ＪＰ，Ａ）

【文献】特開２０１４－１４３８３５（ＪＰ，Ａ）

【文献】特開２０１９－１０９６３８（ＪＰ，Ａ）

【文献】特開２０２０－１９４２３９（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０２Ｊ ３／００

Ｈ０２Ｊ ３／３８

(57)【特許請求の範囲】

【請求項1】

電力需要の実績値と、当該実績値に対応する日時を示す日時情報とを取得する取得部と、
前記日時情報を用いて、太陽の高度に関する指標と曜日を示す情報とを含む特徴量を生成する特徴量生成部と、
正解データである前記実績値と当該実績値に対応する前記特徴量とを用いて、前記特徴量から電力需要を推論するための学習済モデルを機械学習により生成する学習モデル生成部と、
を備えることを特徴とする学習装置。

【請求項2】

前記指標は、南中時刻における理論日射強度であり、
前記特徴量生成部は、前記実績値に対応する需要家の緯度と、前記実績値に対応する前記日時情報とを用いて前記指標を算出することを特徴とする請求項１に記載の学習装置。

【請求項3】

前記学習済モデルは時間帯ごとに生成されることを特徴とする請求項１または２に記載の学習装置。

【請求項4】

前記特徴量は、さらに、前記日時情報から抽出された月を含むことを特徴とする請求項１から３のいずれか１つに記載の学習装置。

【請求項5】

前記特徴量は、さらに、前記実績値に対応する日時の気温および湿度のうちの少なくとも一方を含むことを特徴とする請求項１から４のいずれか１つに記載の学習装置。

【請求項6】

前記特徴量は、さらに、前記日時情報に対応する日の前日の電力需要の実績値を含むことを特徴とする請求項１から５のいずれか１つに記載の学習装置。

【請求項7】

前記特徴量は、さらに、前記日時情報に対応する日における電力需要の実績値を含むことを特徴とする請求項１から６のいずれか１つに記載の学習装置。

【請求項8】

電力需要の推論対象の日時を示す推論対象日時情報を取得する取得部と、
前記推論対象日時情報を用いて、太陽の高度に関する指標と曜日を示す情報とを含む特徴量を生成する特徴量生成部と、
太陽の高度に関する指標と曜日を示す情報とを含む特徴量から電力需要を推論するための学習済モデルに、前記特徴量生成部によって生成された前記特徴量を入力することにより電力需要を推論する推論部と、
を備えることを特徴とする電力需要推論装置。

【請求項9】

前記指標は、南中時刻における理論日射強度であり、
前記特徴量生成部は、電力需要の推論対象の需要家の緯度と、前記推論対象日時情報とを用いて前記指標を算出することを特徴とする請求項８に記載の電力需要推論装置。

【請求項10】

前記学習済モデルは時間帯ごとに生成され、
前記推論部は、前記推論対象日時情報に対応する前記学習済モデルを選択し、選択した前記学習済モデルに前記特徴量を入力することにより電力需要を推論することを特徴とする請求項８または９に記載の電力需要推論装置。

【請求項11】

前記特徴量は、さらに、前記推論対象日時情報から抽出された月を含むことを特徴とする請求項８から１０のいずれか１つに記載の電力需要推論装置。

【請求項12】

前記特徴量は、さらに、前記推論対象日時情報が示す日時の気温および湿度のうちの少なくとも一方を含むことを特徴とする請求項８から１１のいずれか１つに記載の電力需要推論装置。

【請求項13】

前記特徴量は、さらに、前記推論対象日時情報に対応する日の前日の電力需要の実績値を含むことを特徴とする請求項８から１２のいずれか１つに記載の電力需要推論装置。

【請求項14】

前記特徴量は、さらに、前記推論対象日時情報に対応する日における電力需要の実績値を含むことを特徴とする請求項８から１３のいずれか１つに記載の電力需要推論装置。

【請求項15】

電力需要の実績値と、当該実績値に対応する日時を示す日時情報とを取得する取得部と、
前記日時情報を用いて、太陽の高度に関する指標と曜日を示す情報とを含む特徴量を生成する特徴量生成部と、
正解データである前記実績値と当該実績値に対応する前記特徴量とを用いて、前記特徴量から電力需要を推論するための学習済モデルを機械学習により生成する学習モデル生成部と、
前記学習済モデルを用いて電力需要を推論する推論部と、
を備え、
前記取得部は、電力需要の推論対象の日時を示す推論対象日時情報を取得し、
前記特徴量生成部は、前記推論対象日時情報を用いて、太陽の高度に関する指標と曜日を示す情報とを含む推論用特徴量を生成し、
前記推論部は、前記推論用特徴量を前記学習済モデルに入力することで前記電力需要を推論することを特徴とする電力需要推論装置。

【請求項16】

電力需要を推論する電力需要推論装置と、
前記電力需要推論装置によって推論された前記電力需要を用いて電力系統の電圧を制御する制御装置と、
を備え、
前記電力需要推論装置は、
電力需要の推論対象の日時を示す推論対象日時情報を取得する取得部と、
前記推論対象日時情報を用いて、太陽の高度に関する指標と曜日を示す情報とを含む特徴量を生成する特徴量生成部と、
太陽の高度に関する指標と曜日を示す情報とを含む特徴量から電力需要を推論するための学習済モデルに、前記特徴量生成部によって生成された前記特徴量を入力することにより電力需要を推論する推論部と、
を備えることを特徴とする系統制御システム。

【請求項17】

電力需要を推論する電力需要推論装置と、
前記電力需要推論装置によって推論された前記電力需要を用いて電力の需給制御を行う需給制御装置と、
を備え、
前記電力需要推論装置は、
電力需要の推論対象の日時を示す推論対象日時情報を取得する取得部と、
前記推論対象日時情報を用いて、太陽の高度に関する指標と曜日を示す情報とを含む特徴量を生成する特徴量生成部と、
太陽の高度に関する指標と曜日を示す情報とを含む特徴量から電力需要を推論するための学習済モデルに、前記特徴量生成部によって生成された前記特徴量を入力することにより電力需要を推論する推論部と、
を備えることを特徴とする需給制御システム。

【請求項18】

電力需要を推論する電力需要推論装置と、
前記電力需要推論装置によって推論された前記電力需要を用いて電力系統の状態を提示する状態管理装置と、
を備え、
前記電力需要推論装置は、
電力需要の推論対象の日時を示す推論対象日時情報を取得する取得部と、
前記推論対象日時情報を用いて、太陽の高度に関する指標と曜日を示す情報とを含む特徴量を生成する特徴量生成部と、
太陽の高度に関する指標と曜日を示す情報とを含む特徴量から電力需要を推論するための学習済モデルに、前記特徴量生成部によって生成された前記特徴量を入力することにより電力需要を推論する推論部と、
を備えることを特徴とする設備形成支援システム。

【請求項19】

コンピュータシステムに、
電力需要の実績値と、当該実績値に対応する日時を示す日時情報とを取得するステップと、
前記日時情報を用いて、太陽の高度に関する指標と曜日を示す情報とを含む特徴量を生成するステップと、
正解データである前記実績値と当該実績値に対応する前記特徴量とを用いて、前記特徴量から電力需要を推論するための学習済モデルを機械学習により生成するステップと、
を実行させることを特徴とするプログラム。

【請求項20】

コンピュータシステムに、
電力需要の推論対象の日時を示す推論対象日時情報を取得するステップと、
前記推論対象日時情報を用いて、太陽の高度に関する指標と曜日を示す情報とを含む特徴量を生成するステップと、
太陽の高度に関する指標と曜日を示す情報とを含む特徴量から電力需要を推論するための学習済モデルに、生成された前記特徴量を入力することにより電力需要を推論するステップと、
を実行させることを特徴とするプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、電力需要を推論するための学習を行う学習装置、電力需要推論装置、系統制御システム、需給制御システム、設備形成支援システムおよびプログラムに関する。

【背景技術】

【0002】

電力系統においては、需給制御、設備形成、電力系統の電圧制御をはじめとして様々な目的で電力需要の予測や推定が行われている。例えば、特許文献１には、時刻ｔの需要予測を行う際に、「予測実施時点から所定期間（例えば、４９日間）の時刻ｔの平均電力需要」、「予測実施時点における平均需要と需要の実績値の差」、「冷暖房効果変数（気温）」、「土曜ダミー変数（土曜日の識別フラグ）」、「日曜・祝日ダミー変数（日曜、祝日の識別フラグ）」、「日射影響変数（日射量）」等を入力データとして利用し、重回帰分析により、需要予測を行う技術が開示されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１７－２２０９８０号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１に記載の技術では、回帰分析日射量を予測するために日射量の実績値の取得が必要である。日射量の実績値は取得できない地域が多く所望の地域の日射量を取得するために日射計の設置が必要となりコストが増加する。このため、日射量の実績値を使用せずに、精度よく電力需要を推論するための技術が望まれる。

【0005】

本開示は、上記に鑑みてなされたものであって、日射量の実績値を使用せずに、電力需要の精度のよい推論を実現することができる学習装置を得ることを目的とする。

【課題を解決するための手段】

【0006】

上述した課題を解決し、目的を達成するために、本開示にかかる学習装置は、電力需要の実績値と、当該実績値に対応する日時を示す日時情報とを取得する取得部と、日時情報を用いて、太陽の高度に関する指標と曜日を示す情報とを含む特徴量を生成する特徴量生成部と、正解データである実績値と当該実績値に対応する特徴量とを用いて、特徴量から電力需要を推論するための学習済モデルを機械学習により生成する学習モデル生成部と、を備える。

【発明の効果】

【0007】

本開示にかかる学習装置は、日射量の実績値を使用せずに、電力需要の精度のよい推論を実現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】

【0008】

【図1】実施の形態１にかかる学習装置を含む系統制御システムの構成例を示す図

【図2】実施の形態１の需要家情報の一例を示す図

【図3】実施の形態１の学習装置における学習時の処理手順の一例を示すフローチャート

【図4】「南中時刻における理論日射強度」の一例を示す図

【図5】実施の形態１の電力需要推論装置における電力需要の推論時の処理手順の一例を示すフローチャート

【図6】実施の形態１の学習済モデルを用いた推論の検証結果を示す図

【図7】実施の形態１の学習済モデルを用いた推論の検証結果を示す図

【図8】実施の形態１の学習装置および電力需要推論装置を実現するコンピュータシステムの構成例を示す図

【図9】実施の形態２にかかる学習装置を含む系統制御システムの構成例を示す図

【図10】実施の形態２において特徴量として用いられる電力需要の実績値の一例を示す図

【図11】実施の形態２の電力需要推論装置における電力需要の推論時の処理手順の一例を示すフローチャート

【図12】実施の形態２の学習済モデルを用いた推論の検証結果を示す図

【図13】実施の形態２の学習済モデルを用いた推論の検証結果を示す図

【図14】実施の形態３において特徴量として用いられる電力需要の実績値の一例を示す図

【図15】実施の形態３の学習済モデルを用いた推論の検証結果を示す図

【図16】実施の形態３の学習済モデルを用いた推論の検証結果を示す図

【発明を実施するための形態】

【0009】

以下に、実施の形態にかかる学習装置、電力需要推論装置、系統制御システム、需給制御システム、設備形成支援システムおよびプログラムを図面に基づいて詳細に説明する。

【0010】

実施の形態１．
図１は、実施の形態１にかかる学習装置を含む系統制御システムの構成例を示す図である。本実施の形態の系統制御システム４は、学習装置１、電力需要推論装置２および制御装置３を備える。学習装置１は、「南中時刻における理論日射強度」、「月」、「曜日（祝日は別扱い）」、「平日／土日祝日の種別」を特徴量とし、電力需要を正解データとした機械学習により電力需要を予測するための学習済モデルを生成する。電力需要推論装置２は、推論対象の日の特徴量を学習装置１によって生成された学習済モデルに入力することで電力需要を推論する。制御装置３は、電力需要推論装置２によって推論された電力需要を用いて、例えば、電力系統の制御機器や分散電源を用いて電流・電圧を制御する。

【0011】

正解データとして与えられる電力需要は、例えば、スマートメータと呼ばれる電力量の計量装置による計測値、または当該計量装置の計測値から算出された値である。詳細には、例えば、発電設備を有していない需要家については、負荷によって消費された電力が計量装置によって計測されているため、計量装置の計測値を正解データとして用いることができる。また、全量買取制度の契約（以下、全量買取契約という）の対象となっている需要家においては、発電出力と電力需要とが個別に計測されているため、計測された電力需要を正解データとして用いることができる。一方、余剰電力買取制度の契約（以下、余剰買取契約という）の対象となっている需要家については、電力需要から発電出力が差し引かれた残余需要が計量装置によって計測されるため、計測された残余需要に発電出力が加えられた電力需要を正解データとして用いることができる。このとき用いられる発電出力は、計量装置とは別に計測された値であってもよいし、任意の方法で推定された値であってもよい。なお、正解データとして与えられる電力需要は、上述した例に限定されず、他の手段によって計測された実績値または他の方法で算出されたものであってもよい。

【0012】

電力需要推論装置２によって推論が行われる際の推論対象の日は、将来であってもよいし、過去であってもよい。すなわち、電力需要推論装置２は、学習済モデルを用いて電力需要を予測してもよいし、学習済モデルを用いて現在または過去の電力需要を推定してもよい。図１に示した例では、電力系統の電圧および電流のうち少なくとも１つの制御に用いられるため、推論対象の日は例えば将来である。または、制御装置３が、電力系統における電圧、電流または電力量の計測値を用いて電力需要を算出し、算出した電力需要を用いて制御を行う場合に、欠測が生じたときに、電力需要推論装置２によって推論された電力需要を、計測結果の現在値の代用として用いてもよい。

【0013】

図１では、学習装置１および電力需要推論装置２が、系統制御システム４に含まれ、電力需要推論装置２によって推論された電力需要が系統制御に用いられる例を示しているが、これに限らず、推論された電力需要は、例えば、需給制御、設備形成などに用いられてもよい。また、電力需要推論装置２によって推論された電力需要は、ＶＰＰ（Virtual Power Plant）やＤＲ（Demand Response）の制御に用いられてもよいし、需要家におけるエネルギー管理に用いられてもよい。ＶＰＰやＤＲの制御に用いられる場合には、推論の対象となる電力需要および正解データは、複数の需要家の電力需要の合計値であってもよい。また、電力需要推論装置２によって推論された電力需要が需要家におけるエネルギー管理に用いられる場合、例えば、需要家におけるエネルギー管理装置が、推定された電力需要を表示してもよいし、分散型電源（需要家の蓄電池など）の制御を行う際に推定された電力需要を用いてもよい。

【0014】

電力需要推論装置２によって推論された電力需要が需給制御に用いられる場合、例えば、需給制御システムが、学習装置１および電力需要推論装置２を備えるとともに、需給制御を行う需給制御装置を備え、需給制御装置が、電力需要推論装置２によって予測された電力需要を用いて、電力の需給制御を行う。また、電力需要推論装置２によって推論された電力需要が設備形成の支援のために用いられる場合、設備形成支援システムが、学習装置１および電力需要推論装置２を備えるとともに、電力系統の状態を管理する状態管理装置を備え、状態管理装置が、電力需要推論装置２によって推論された電力需要を用いて電力系統の状態を管理し、運用者に電力系統の状態を提示することで設備形成を支援する。例えば、状態管理装置は、電力需要推論装置２によって予測された電力需要を用いて電力系統の将来の状態を求めてもよいし、電力需要推論装置２によって推論された電力需要を、計量装置の欠測値の代わりに用いて電力系統の過去の状態を推定してもよい。すなわち、電力需要推論装置２による推論結果が欠測値の補完に用いられてもよい。

【0015】

また、学習装置１によって生成される学習済モデルが複数の電力需要推論装置２で用いられてもよい。例えば、学習装置１を１つ設け、当該学習装置１によって生成された学習済モデルを記憶する電力需要推論装置２を、需給制御システムと設備形成支援システムとにそれぞれ設けてもよい。

【0016】

次に、学習装置１および電力需要推論装置２の構成例について説明する。図１に示すように、学習装置１は、取得部１１、特徴量生成部１２、学習モデル生成部１３、モデル記憶部１４およびデータ保存部１５を備える。

【0017】

取得部１１は、電力需要の実績値と、当該実績値に対応する日時を示す日時情報とを取得する。具体的には、取得部１１は、タイムスタンプ付きの電力需要である電力需要データを取得し、取得した電力需要データをデータ保存部１５へ格納する。タイムスタンプは、電力需要の実績値である電力需要データに対応する日時を示す日時情報である。なお、以下に述べる例では、電力需要の実績値として上述した計量装置の計測値または計量装置の計測値を用いて算出された電力需要を用いることとする。タイムスタンプは、例えば、計量装置によって計測されたタイミングで付与されるが、これに限らず、計測値を収集するサーバなどの他の装置によって、当該他の装置が計測値を受信したタイミングで付与されてもよい。取得部１１は、例えば、図示しない装置から電力需要データを取得する。また、ここでは、計量装置は、３０分周期で計測値を送信しているとし、タイムスタンプ付きの電力需要も３０分ごとの値が得られるとする。なお、複数の需要家の電力需要の合計値を推論の対象とする場合には、取得部１１が取得する電力需要データ自体が複数の需要家の電力需要の合計値であってもよいし、取得部１１が取得する電力需要データは需要家単位であり、特徴量生成部１２がデータ保存部１５に格納された需要家データを用いて複数の需要家の電力需要の合計値を算出してもよい。

【0018】

特徴量生成部１２は、データ保存部１５に格納された電力需要データに付与されたタイムスタンプを用いて特徴量を生成し、生成した特徴量を電力需要データに対応付けてデータ保存部１５に格納する。具体的には、特徴量生成部１２は、タイムスタンプから「南中時刻における理論日射強度」、「月」、「曜日（祝日は別扱い）」、「平日／土日祝日の種別」を算出する。特徴量の算出方法については後述する。

【0019】

学習モデル生成部１３は、正解データである電力需要の実績値と当該実績値に対応する特徴量とを用いて、特徴量から電力需要を推論するための学習済モデルを機械学習により生成する。具体的には、学習モデル生成部１３は、データ保存部１５に格納されている特徴量と当該特徴量に対応する正解データである電力需要データとを用いて、機械学習によって学習済モデルを生成し、生成した学習済モデルをモデル記憶部１４に格納する。学習済モデルは、１日における時間帯ごとに作成される。例えば、計測値の取得周期と同じ３０分ごとに、学習済モデルを生成する。すなわち、例えば、０時に対応する学習済モデル、０時３０分に対応する学習済モデル、１時に対応する学習済モデル、…といったように、４８個の学習済モデルが生成される。例えば、０時３０分に対応する学習済モデルは、タイムスタンプで示される時刻が０時３０分の電力需要データを用いて生成される。また、各計測値は、例えば、タイムスタンプで示される時刻から３０分間の積算値であるが、これに限らず、タイムスタンプで示される時刻を中心とする３０分間の積算値であってもよいし、タイムスタンプで示される時刻より３０分前からタイムスタンプで示される時刻までの３０分間の積算値でもよく、タイムスタンプと対応する３０分の積算期間との関係はこの例に限定されない。なお、ここでは、学習済モデルが作成される時間単位を３０分とした例について説明するが、学習済モデルが作成される時間単位は３０分に限定されない。

【0020】

学習済モデルを生成するための機械学習のアルゴリズムとしては、例えば、ランダムフォレスト（Random Forest）、回帰木、重回帰、サポートベクトル回帰、ニューラルネットワークを用いることができるが、これらに限らず、回帰型のアルゴリズムであればどのようなものが用いられてもよい。

【0021】

モデル記憶部１４は学習済モデルを記憶する。また、モデル記憶部１４には、学習途中の学習モデルが記憶されてもよい。データ保存部１５は、需要家の緯度を含む需要家情報と、電力需要データと、特徴量とを記憶する。需要家の緯度は、後述するように、「南中時刻における理論日射強度」の算出に用いられる。

【0022】

図２は、本実施の形態の需要家情報の一例を示す図である。需要家情報は、例えば、各需要家の契約内容や住所を示す契約情報に基づいて作成される。図２に示した例では、需要家情報は、需要家ごとの、契約電力と、住所と、緯度とを含む。緯度は、住所に基づいてあらかじめ算出されて需要家情報として格納される。ここでは、緯度があらかじめ算出される例を説明するが、特徴量の生成時に、住所に基づいて緯度が算出されてもよい。また、図２に示した例は一例であり、需要家情報は、需要家の緯度、または需要家の緯度を算出するために必要な情報が含まれていればよく、需要家情報の構成は図２に示した例に限定されない。

【0023】

図１の説明に戻る。電力需要推論装置２は、モデル記憶部２１、取得部２２、特徴量生成部２３、推論部２４、出力部２５およびデータ保存部２６を備える。

【0024】

モデル記憶部２１には、学習装置１によって生成された学習済モデルが格納される。モデル記憶部２１にあらかじめこの学習済モデルが格納されてもよいし、電力需要推論装置２の図示しない通信部が学習装置１からこの学習済モデルを受信してモデル記憶部２１に格納してもよい。

【0025】

取得部２２は、電力需要の推論の対象日時を示す推論対象日時情報を取得し、取得した推論対象日時情報を特徴量生成部２３および推論部２４へ出力する。取得部２２は、運用者などから入力を受け付けることで推論対象日時情報を取得してもよいし、他の装置から推論対象日時情報を受信することで推論対象日時情報を取得してもよい。特徴量生成部２３は、推論対象日時情報を用いて特徴量生成部１２と同様に特徴量を生成し、データ保存部２６に格納する。

【0026】

推論部２４は、モデル記憶部２１に格納されている学習済モデルにデータ保存部２６に格納されている特徴量を入力することで電力需要を推論し、推論結果をデータ保存部２６に格納する。電力需要の予測を行う場合には、推論結果は電力需要の予測値であり、欠測値の補完に用いられる場合には、推論結果は欠測が生じた日時に対応する電力需要の推定値である。出力部２５は、データ保存部２６に格納されている推論結果を読み出し、読み出した推論結果を制御装置３へ送信する。なお、出力部２５は、表示機能を有し推論結果を表示してもよい。

【0027】

データ保存部２６は、需要家情報、特徴量および推論結果を記憶する。需要家情報は、学習装置１のデータ保存部１５に格納される需要家情報と同様である。

【0028】

図１に示した例では、学習装置１と電力需要推論装置２とが個別に設けられているが、これに限らず、電力需要推論装置２が学習装置１としての機能を有することで、学習装置１と電力需要推論装置２とが一体化されていてもよい。この場合、電力需要推論装置２に学習モデル生成部１３が追加され、学習モデル生成部１３は学習済モデルをモデル記憶部２１に格納する。また、この場合、取得部１１、特徴量生成部１２、データ保存部１５が、電力需要推論装置２に追加されてもよいが、取得部２２、特徴量生成部２３、データ保存部２６が、それぞれ取得部１１、特徴量生成部１２、データ保存部１５としての機能も有することで取得部２２、特徴量生成部２３、データ保存部２６が学習時と推論時とで共用されてもよい。

【0029】

次に、本実施の形態の動作について説明する。図３は、本実施の形態の学習装置１における学習時の処理手順の一例を示すフローチャートである。図３に示すように、学習装置１は、電力需要データを取得する（ステップＳ１）。詳細には、取得部１１が、タイムスタンプ付きの電力需要データを取得し、データ保存部１５に格納する。

【0030】

次に、学習装置１は、特徴量を生成する（ステップＳ２）。詳細には、特徴量生成部１２が、次のように、「南中時刻における理論日射強度」、「月」、「曜日（祝日は別扱い）」および「平日／土日祝日の種別」を、特徴量として算出する。

【0031】

例えば、特徴量生成部１２は、日付ごとの、曜日と祝日であるか否かを示す情報とを含むカレンダー情報を保持し、カレンダー情報を用いてタイムスタンプに対応する日の「曜日（祝日は別扱い）」、「平日／土日祝日の種別」を算出する。なお、カレンダー情報として、一般的な曜日および祝日を示すカレンダーを示す情報を用いてもよいし、地域特有の休日を反映したカレンダーを示す情報を用いてもよいし、企業、事業所といった需要家特有の勤務日と休日とを反映したカレンダーを示す情報を用いてもよい。特徴量生成部１２は、「曜日（祝日は別扱い）」については、例えば、各タイムスタンプに対応する曜日を求めた後に、祝日を抽出し祝日として抽出されたタイムスタンプに対応する「曜日（祝日は別扱い）」を「祝日」とし、祝日以外については曜日をそのまま「曜日（祝日は別扱い）」として用いる。「月」については、特徴量生成部１２は、タイムスタンプから「月」に対応する部分を抽出する。

【0032】

また、特徴量生成部１２は、タイムスタンプとデータ保存部１５に格納されている需要家情報に含まれる需要家の緯度とに基づいて、電力需要データに対応する「南中時刻における理論日射強度」を算出する。具体的には、例えば、特徴量生成部１２は、「水環境の気象学」（近藤純正編著、朝倉書店、１９９４年）に記載されている下記式によって「南中時刻における理論日射強度」であるＳ_ｔを算出する。なお、Ｉ_００は太陽定数（１３６５Ｗ／ｍ^２）、θは天頂角、φは緯度、δは太陽の赤緯、ｈは太陽の南中からの時角、Ｍは月、ＤＡＹは日、ＨＯＵＲは時間、Ｈ_ｎは南中時刻である。
Ｓ_ｔ＝Ｉ_００・（ｄ_０／ｄ）^２・ｃｏｓθ
ｃｏｓθ＝ｓｉｎφｓｉｎδ＋ｃｏｓφｃｏｓδｃｏｓｈ
（ｄ_０／ｄ）^２＝１．０００１１＋０．０３４２２１ｃｏｓη
＋０．００１２８ｓｉｎη＋０．０００７１９ｃｏｓ２η
＋０．００００７７ｓｉｎ２η
δ＝ｓｉｎ^－１（０．３９８ｓｉｎａ_２）
ａ_２＝４．８７１＋η＋０．０３３ｓｉｎη
η＝（２π／３６５）・ｉ
ｉ＝３０．３６・（Ｍ－１）＋ＤＡＹ
ｈ＝（ＨＯＵＲ－Ｈ_ｎ）・１５°

【0033】

南中時刻においては、ＨＯＵＲ＝Ｈ_ｎであるため、ｈ＝０である。上記式のうち、Ｉ_００は定数であり、（ｄ_０／ｄ）^２は月日によって定まる値であり、ｃｏｓθは月日と緯度によって定める値であるため、計算対象の月日と緯度とを入力すれば、「南中時刻における理論日射強度」が算出できることになる。

【0034】

図４は、「南中時刻における理論日射強度」の一例を示す図である。図４において、横軸は日付を示し縦軸は日射強度を示している。このように、「南中時刻における理論日射強度」は、１年を１周期として変化し、春と秋では同程度の値となり、夏は春および秋より高く冬は春および秋より低い値となる。本実施の形態では、このように、内部的に保持している情報である需要家の緯度と、月日とを用いて「南中時刻における理論日射強度」を算出することができる。このため、外部から情報を取得したり、日射計を設置したりする必要がない。後述する推論時にも、同様に、推論対象日時情報と緯度とから特徴量を算出することができる。このため、コストを抑えて電力需要を推論することができる。

【0035】

また、各需要家の住所に基づく緯度を用いる代わりに、エリア単位で同一の緯度を用いてもよい。例えば、都道府県または市町村などのエリアごとに代表の緯度を定めておき、同一のエリア内の需要家に関しては同一の代表の緯度を用いてもよい。代表の緯度は、エリアの幾何中心であってもよいし、都道府県庁などの庁舎の存在する位置であってもよい。また、推論の対象となる需要家が存在する地理的範囲が定められており需要家間の緯度の差が少ない場合には、需要家ごとの緯度を用いずに代表値としてあらかじめ定めた緯度を需要家によらずに用いてもよい。例えば、同一県内の需要家の電力需要を推定対象とする場合には、県庁所在地などの代表値の緯度を用いてもよい。

【0036】

また、複数の需要家の電力需要の合計値を推論の対象とする場合には、特徴量生成部１２は、複数の需要家の緯度の重心を用いて「南中時刻における理論日射強度」を算出してもよい。または、特徴量生成部１２は、複数の需要家の緯度を、各需要家の契約電力で重み付けして算出した重心を用いて「南中時刻における理論日射強度」を算出してもよい。

【0037】

本実施の形態では、特徴量に「南中時刻における理論日射強度」を含む例を説明するが、「南中時刻における理論日射強度」に限らず、１年における変化が「南中時刻における理論日射強度」と同様であれば「南中時刻における理論日射強度」以外の量を「南中時刻における理論日射強度」の代わりに用いてもよい。すなわち、特徴量として、太陽の高度に関する指標を用いればよく、太陽の高度に関する指標は、「南中時刻における理論日射強度」であってもよいし、南中時刻から一定時刻ずれた時刻における理論日射強度であってもよいし、南中時刻の太陽高度であってもよいし、日の出から日の入までの時間の長さであってもよいし、日の出時刻および日の入時刻のうちの少なくとも一方であってもよい。また、これらの値を組み合わせて用いてもよい。例えば、「南中時刻における理論日射強度」と日の出時刻と日の入時刻とを特徴量に含めてもよい。

【0038】

また、ここでは、特徴量として「南中時刻における理論日射強度」、「月」、「曜日（祝日は別扱い）」および「平日／土日祝日の種別」を用いる例を説明するが、特徴量は太陽の高度に関する指標と曜日に関する情報とを含めばよく、「月」は特徴量として用いられなくてもよい。「曜日（祝日は別扱い）」および「平日／土日祝日の種別」は、いずれも曜日に関する情報であり、曜日に関する情報は、「曜日（祝日は別扱い）」および「平日／土日祝日の種別」の両方であってもよいし一方であってもよい。例えば、「南中時刻における理論日射強度」と「曜日（祝日は別扱い）」との２つを特徴量として用いてもよい。すなわち、特徴量生成部１２は、タイムスタンプを用いて、太陽の高度に関する指標と曜日を示す情報とを含む特徴量を生成すればよい。特徴量は、さらに、タイムスタンプから抽出された「月」を含んでいてもよく、さらに、電力需要の実績値に対応する日時の気温および湿度のうちの少なくとも一方を含んでいてもよい。学習時に生成される特徴量が電力需要の実績値に対応する日時の気温および湿度のうちの少なくとも一方を含む場合推論時に生成される特徴量も、同様に推論対象日時情報が示す日時の気温および湿度のうちの少なくとも一方を含む。

【0039】

また、特徴量に、さらに、気温および湿度のうちの少なくとも一方を含めてもよい。気温および湿度は、日射量に比べて取得しやすい情報であるため、これらのうちの少なくとも一方を追加した場合であってもコストの増加は軽微であると想定される。

【0040】

図３の説明に戻る。次に、学習装置１は、機械学習処理すなわち学習済モデルの生成を実行し（ステップＳ３）、処理を終了する。詳細には、ステップＳ３では、学習モデル生成部１３が、データ保存部１５に格納されている特徴量と当該特徴量に対応する正解データである電力需要データとを用いて、機械学習によって学習済モデルを生成し、生成した学習済モデルをモデル記憶部１４に格納する。上述したように、学習済モデルは、時間帯ごとに生成される。例えば、３０分単位の各時間帯に対応する４８個の学習済モデルが生成される。

【0041】

以上の処理により、電力需要を推論するための学習済モデルが生成される。例えば、学習装置１は、１年分以上のタイムスタンプ付きの電力需要の実績値を用いて学習を行うことで、どの季節についても電力需要を精度良く推論可能な学習済モデルを生成することができる。

【0042】

次に、本実施の形態の電力需要推論装置２における推論について説明する。図５は、本実施の形態の電力需要推論装置２における電力需要の推論時の処理手順の一例を示すフローチャートである。

【0043】

電力需要推論装置２は、特徴量を生成する（ステップＳ１１）。詳細には、取得部２２が取得した推論対象の日時を示す推論対象日時情報を取得し、取得した推論対象日時情報を特徴量生成部２３へ出力する。特徴量生成部２３は、推論対象日時情報とデータ保存部２６に含まれる需要家情報の緯度とを用いて、学習装置１の特徴量生成部１２と同様に、「南中時刻における理論日射強度」、「月」、「曜日（祝日は別扱い）」および「平日／土日祝日の種別」を特徴量として算出する。

【0044】

次に、電力需要推論装置２は、電力需要推論処理を実行する（ステップＳ１２）。詳細には、推論部２４が、モデル記憶部２１に格納されている学習装置１によって生成された学習済モデル、すなわち太陽の高度に関する指標と曜日を示す情報とを含む特徴量から電力需要を推論するための学習済モデルに、特徴量を入力することで電力需要の推論結果である推論値を取得し、取得した推論値を推論データ（電力需要推論データ）としてデータ保存部２６に格納する。より詳細には、推論部２４は、モデル記憶部２１に格納されている４８個の学習済モデルのうち、取得部２２から入力された推論対象日時情報に対応する学習済モデルを選択し、選択した学習済モデルに特徴量を入力することで推論値を取得する。

【0045】

次に、電力需要推論装置２は、電力需要推論データを送信し（ステップＳ１３）、処理を終了する。詳細には、ステップＳ１３では、出力部２５が、データ保存部２６に推論結果として格納されている推論データを制御装置へ送信する。なお、電力需要の予測を行う場合には、ステップＳ１１では、予測対象の日時を示す推論対象日時情報が入力され、ステップＳ１２では、予測対象の日時に対応する予測値が推論結果として取得される。また、欠測値の代わりとなる値を推定する場合には、ステップＳ１１では、欠測値に対応する日時を示す推論対象日時情報が入力され、ステップＳ１２では、欠測値に対応する推定データが推論結果として取得される。本実施の形態では、例えば、１週間分の欠測がある場合でも、１週間分の欠測値の代用として、電力需要の推論結果を用いることができる。

【0046】

次に、本実施の形態の効果について説明する。図６および図７は、本実施の形態の学習済モデルを用いた推論の検証結果を示す図である。図６および図７において、横軸は日付を示し、縦軸は有効電力を示している。また、図６および図７において、破線は本実施の形態の学習済モデルを用いた推論によって予測された予測値を示し、実線は対応する日時の実測値を示す。図６では、秋季における予測値と実績値との比較を示し、図７では、冬季における予測値と実績値との比較を示す。図６および図７に示すように、本実施の形態の学習済モデルを用いた推論によって予測された予測値は実測値とほぼ一致する。このように、本実施の形態では、電力需要を推論するための精度の高い学習済モデルを生成することができる。これにより、日射量の実績値を使用せずに、電力需要の精度のよい推論を実現することができる。

【0047】

次に、本実施の形態の学習装置１および電力需要推論装置２のハードウェア構成について説明する。本実施の形態の学習装置１は、コンピュータシステム上で、学習装置１における処理が記述されたコンピュータプログラムが実行されることにより、コンピュータシステムが学習装置１として機能する。本実施の形態の電力需要推論装置２も同様に、コンピュータシステム上で、電力需要推論装置２における処理が記述されたコンピュータプログラムが実行されることにより、コンピュータシステムが電力需要推論装置２として機能する。図８は、本実施の形態の学習装置１および電力需要推論装置２を実現するコンピュータシステムの構成例を示す図である。図８に示すように、このコンピュータシステムは、制御部１０１と入力部１０２と記憶部１０３と表示部１０４と通信部１０５と出力部１０６とを備え、これらはシステムバス１０７を介して接続されている。

【0048】

図８において、制御部１０１は、例えば、ＣＰＵ（Central Processing Unit）等のプロセッサであり、本実施の形態の学習装置１または電力需要推論装置２における処理が記述されたプログラムを実行する。なお、制御部１０１の一部が、ＧＰＵ（Graphics Processing Unit），ＦＰＧＡ（Field-Programmable Gate Array）などの専用ハードウェアにより実現されてもよい。入力部１０２は、例えばキーボード、マウスなどで構成され、コンピュータシステムの使用者が、各種情報の入力を行うために使用する。記憶部１０３は、ＲＡＭ（Random Access Memory），ＲＯＭ（Read Only Memory）などの各種メモリおよびハードディスクなどのストレージデバイスを含み、上記制御部１０１が実行すべきプログラム、処理の過程で得られた必要なデータ、などを記憶する。また、記憶部１０３は、プログラムの一時的な記憶領域としても使用される。表示部１０４は、ディスプレイ、ＬＣＤ（液晶表示パネル）などで構成され、コンピュータシステムの使用者に対して各種画面を表示する。通信部１０５は、通信処理を実施する受信機および送信機である。出力部１０６は、プリンタ、スピーカなどである。なお、図８は、一例であり、コンピュータシステムの構成は図８の例に限定されない。

【0049】

ここで、本実施の形態のプログラムが実行可能な状態になるまでのコンピュータシステムの動作例について説明する。上述した構成をとるコンピュータシステムには、例えば、図示しないＣＤ（Compact Disc）－ＲＯＭドライブまたはＤＶＤ（Digital Versatile Disc）－ＲＯＭドライブにセットされたＣＤ－ＲＯＭまたはＤＶＤ－ＲＯＭから、コンピュータプログラムが記憶部１０３にインストールされる。そして、プログラムの実行時に、記憶部１０３から読み出されたプログラムが記憶部１０３の主記憶領域に格納される。この状態で、制御部１０１は、記憶部１０３に格納されたプログラムに従って、本実施の形態の学習装置１または電力需要推論装置２としての処理を実行する。

【0050】

なお、上記の説明においては、ＣＤ－ＲＯＭまたはＤＶＤ－ＲＯＭを記録媒体として、学習装置１または電力需要推論装置２における処理を記述したプログラムを提供しているが、これに限らず、コンピュータシステムの構成、提供するプログラムの容量などに応じて、例えば、通信部１０５を経由してインターネットなどの伝送媒体により提供されたプログラムを用いることとしてもよい。

【0051】

本実施の形態のプログラムは、例えば、コンピュータシステムに、電力需要の実績値と、当該実績値に対応する日時を示す日時情報とを取得するステップと、日時情報を用いて、太陽の高度に関する指標と曜日を示す情報とを含む特徴量を生成するステップと、正解データである実績値と当該実績値に対応する特徴量とを用いて、特徴量から電力需要を推論するための学習済モデルを機械学習により生成するステップと、を実行させる。また、本実施の形態のプログラムは、例えば、コンピュータシステムに、電力需要の推論対象の日時を示す推論対象日時情報を取得するステップと、推論対象日時情報を用いて、太陽の高度に関する指標と曜日を示す情報とを含む特徴量を生成するステップと、太陽の高度に関する指標と曜日を示す情報とを含む特徴量とから電力需要を推論するための学習済モデルに、生成された特徴量を入力することにより電力需要を推論するステップと、を実行させる。

【0052】

図１に示した特徴量生成部１２および学習モデル生成部１３は、図８に示した記憶部１０３に記憶されたコンピュータプログラムが図８に示した制御部１０１により実行されることにより実現される。図１に示した特徴量生成部１２および学習モデル生成部１３の実現には、図８に示した記憶部１０３も用いられる。図１に示した取得部１１は、図８に示した通信部１０５により実現される。また、図１に示した取得部１１が、オペレータからの入力を受け付ける場合には、取得部１１は図８に示した入力部１０２により実現される。図１に示したモデル記憶部１４およびデータ保存部１５は、図８に示した記憶部１０３の一部である。また、学習装置１は、複数のコンピュータシステムにより実現されてもよい。例えば、学習装置１は、クラウドコンピュータシステムにより実現されてもよい。

【0053】

図１に示した特徴量生成部２３および推論部２４は、図８に示した記憶部１０３に記憶されたコンピュータプログラムが図８に示した制御部１０１により実行されることにより実現される。図１に示した特徴量生成部２３および推論部２４の実現には、図８に示した記憶部１０３も用いられる。図１に示した取得部２２および出力部２５は、図８に示した通信部１０５により実現される。また、図１に示した取得部２２が、オペレータからの入力を受け付ける場合には、取得部２２は図８に示した入力部１０２により実現される。出力部２５が表示機能を有する場合には、出力部２５は図８に示した表示部１０４により実現される。図１に示したモデル記憶部２１およびデータ保存部２６は、図８に示した記憶部１０３の一部である。また、電力需要推論装置２は、複数のコンピュータシステムにより実現されてもよい。例えば、電力需要推論装置２は、クラウドコンピュータシステムにより実現されてもよい。また、学習装置１および電力需要推論装置２が、１つのコンピュータシステムにより実現されてもよい。

【0054】

以上のように、本実施の形態の学習装置１は、太陽の高度に関する指標と曜日に関する情報とを特徴量として用いるとともに電力需要の実績値を正解データとして用いて機械学習により、特徴量から電力需要を推論するための学習済モデルを生成する。そして、本実施の形態の電力需要推論装置２は、推論対象の日時を示す推論対象日時情報を用いて特徴量を生成し、生成した特徴量を学習済モデルに入力することで電力需要を推論するようにした。このため、日射量の実績値を使用せずに、電力需要を精度よく推論することができる。

【0055】

実施の形態２．
次に、実施の形態２について説明する。図９は、実施の形態２にかかる学習装置を含む系統制御システムの構成例を示す図である。本実施の形態の系統制御システム４ａは、学習装置１、電力需要推論装置２ａおよび制御装置３を備える。制御装置３は、実施の形態１と同様である。学習装置１の構成は実施の形態１と同様である。電力需要推論装置２ａの構成は、データ保存部２６の代わりにデータ保存部２６ａを備える以外は実施の形態１と同様である。学習装置１および電力需要推論装置２ａによる推論結果の利用目的も実施の形態１と同様である。以下、実施の形態１と異なる点を主に説明し、実施の形態１と重複する説明を省略する。

【0056】

本実施の形態では、実施の形態１の特徴量に、推論対象日の前日の電力需要の実績値が追加される。図１０は、本実施の形態において特徴量として用いられる電力需要の実績値の一例を示す図である。図１０に示した例では、電力需要推論装置２ａによる推論時、すなわち予測時に、特徴量として、推論対象日である予測対象日の前日の４８点の電力需要の実績値（以下、需要実績ともいう）が追加される。このため、学習装置１による学習時には、正解データとして用いる電力需要に対応する日の前日の１日分の電力需要の実績値が特徴量として追加される。すなわち、本実施の形態では、学習時に生成される特徴量は、さらに、電力需要の実績値に付加されるタイムスタンプに対応する日の前日の電力需要の実績値を含む。なお、ここでは、前日の１日分の電力需要の実績値を用いる例を説明するが、前日と前々日の２日分の電力需要の実績値を用いてもよく、この場合、特徴量として前日を含むＮ（Ｎは１以上の整数）日分の電力需要の実績値を用いればよい。また、特徴量として、１日分より短い期間の電力需要の実績値を用いてもよい。このように、特徴量として用いる電力需要の実績値の長さ（期間）は、１日に限定されず、１日より長くてもよいし短くてもよい。

【0057】

本実施の形態では、学習時に、図３に示した処理のステップＳ２において、特徴量生成部１２が、特徴量として、「南中時刻における理論日射強度」、「月」、「曜日（祝日は別扱い）」、「平日／土日祝日の種別」に加えて、「前日の電力需要の実績値」（正解データとして用いられる電力需要の実績値の前日の電力需要の実績値）を生成する。詳細には、特徴量生成部１２は、データ保存部１５から前日の電力需要データを読み出すことで「前日の電力需要の実績値」を特徴量として生成する。また、図３に示したステップＳ３において、学習モデル生成部１３は、「南中時刻における理論日射強度」、「月」、「曜日（祝日は別扱い）」、「平日／土日祝日の種別」に加えて、「前日の電力需要の実績値」を特徴量として用いて機械学習により学習済モデルを生成する。上述した以外の学習時の動作は、実施の形態１と同様である。

【0058】

図１１は、本実施の形態の電力需要推論装置２ａにおける電力需要の推論時の処理手順の一例を示すフローチャートである。電力需要推論装置２ａは、電力需要データを取得する（ステップＳ２１)。詳細には、取得部２２が、推定対象日時情報だけでなく推定対象日時の前日の電力需要データを取得し、取得した電力需要データをデータ保存部２６ａに格納する。ステップＳ１１では、電力需要推論装置２ａの特徴量生成部２３が、特徴量を生成するが、このとき、生成される特徴量は実施の形態１で述べた特徴量に、推定対象日の前日の電力需要データが追加されたものとなる。ステップＳ１２では、実施の形態１と同様に、推論部２４が、特徴量をモデル記憶部２１に格納されている学習済モデルに入力することで推論結果である予測値を算出するが、このとき、特徴量には上述したように推定対象日の前日の電力需要データが追加されている。ステップＳ１３は実施の形態１と同様である。

【0059】

また、上述した例では、前日の電力需要を特徴量として追加することで翌日（推論対象の当日）の電力需要を予測する例を説明したが、本実施の形態の処理は欠測補完にも適用可能である。欠測補完を行う場合には、電力需要推論装置２ａが、欠測値に対応する前日の電力需要の実績値を特徴量として用いることで欠測値に対応する電力需要を推定することができる。

【0060】

図１２および図１３は、本実施の形態の学習済モデルを用いた推論の検証結果を示す図である。図１２および図１３において、横軸は日付を示し、縦軸は有効電力を示している。また、図１２および図１３において、破線は本実施の形態の学習済モデルを用いた推論によって予測された予測値を示し、実線は対応する日時の実測値を示す。図１２では、秋季における予測値と実績値との比較を示し、図１３では、冬季における予測値と実績値との比較を示す。図１２および図１３に示すように、本実施の形態の学習済モデルを用いた推論によって予測された予測値は実測値とほぼ一致する。このように、本実施の形態では、日射量の実績値を使用せずに、電力需要を推論するための精度の高い学習済モデルを生成することができる。

【0061】

以上のように、本実施の形態では、特徴量に前日の電力需要の実績値を追加する。これにより、実施の形態１と同様の効果が得られるとともに、前日の需要が推定対象日時の需要と関連性がある場合や前日の推定対象日時の需要と類似する場合に、実施の形態１に比べて推論結果の精度を向上させることができる。また、推論対象の年度に特有の電力需要の傾向がある場合などに、実施の形態１に比べて推論結果の精度を向上させることができる。

【0062】

実施の形態３．
次に、実施の形態３について説明する。本実施の形態の学習装置１および電力需要推論装置２ａの構成は実施の形態２と同様である。学習装置１および電力需要推論装置２ａによる推論結果の利用目的も実施の形態１と同様である。以下、実施の形態１または２と異なる点を主に説明し、実施の形態１または２と重複する説明を省略する。

【0063】

実施の形態２では、実施の形態１の特徴量に前日の電力需要の実績値が追加されたが、本実施の形態では、実施の形態１の特徴量に、当日における推論対象時間の一定時間前までの電力需要の実績値が追加される。当日とは、学習時においては正解データに対応する電力需要データに付加されているタイムスタンプに対応する日であり、推論時においては推論対象日である。図１４は、本実施の形態において特徴量として用いられる電力需要の実績値の一例を示す図である。図１４に示した例では、電力需要推論装置２ａによる推論時、すなわち予測時に、特徴量として、予測対象日当日の０時に対応する点から予測対象時間のｎ（ｎは１以上の整数）点前までの電力需要の実績値が追加される。図１４に示した例では、予測対象時間が１２時であるため、予測対象日の０時に対応する点から１２時のｎ点前の需要実績が特徴量として用いられる。学習装置１による学習時には、正解データとして用いる需要実績に対応する日における０時に対応する点から予測対象時間のｎ点前までの需要実績が特徴量として追加される。すなわち、本実施の形態では、学習時に生成される特徴量は、さらに、正解データとして用いられる電力需要の実績値に付加されるタイムスタンプに対応する日における、０時からタイムスタンプに対応する時刻の一定時間前までの電力需要の実績値を含む。

【0064】

本実施の形態の学習装置１における学習時の処理は、「前日の電力需要の実績値」の代わりに「当日の０時に対応する点から対象時間のｎ点前の電力需要の実績値」が用いられる以外は、実施の形態２と同様である。

【0065】

また、本実施の形態の電力需要推論装置２ａの処理は、実施の形態２の図１１に示した処理において、「前日の電力需要の実績値」の代わりに「当日の０時に対応する点から対象時間のｎ点前の電力需要の実績値」が用いられる以外は実施の形態２と同様である。

【0066】

なお、上述した例では、特徴量として「当日の０時に対応する点から対象時間のｎ点前の電力需要の実績値」を含むが、これに限らず、特徴量として、「対象時間のｍ（ｍはｎ以上の整数）時点前からｎ時点前までの電力需要の実績値」を含めばよい。対象時間のｍ時点前は、対象日の前日であってもよいし、対象時間の０時より後であってもよい。すなわち、特徴量として当日の電力需要の実績値を含めばよく、電力需要の実績値に対応する期間の開始時点は当日であっても前日であってもよい。

【0067】

また、上述した例では、「当日の０時に対応する点から対象時間のｎ点前の電力需要の実績値」を特徴量として追加することで電力需要を予測する例を説明したが、本実施の形態の処理は欠測補完にも適用可能である。欠測補完を行う場合には、電力需要推論装置２ａが、欠測値に対応する日の「当日の０時に対応する点から対象時間のｎ点前の電力需要の実績値」を特徴量として用いることで欠測値に対応する電力需要を推定することができる。

【0068】

図１５および図１６は、本実施の形態の学習済モデルを用いた推論の検証結果を示す図である。図１５および図１６において、横軸は日付を示し、縦軸は有効電力を示している。また、図１５および図１６において、破線は本実施の形態の学習済モデルを用いた推論によって予測された予測値を示し、実線は対応する日時の実測値を示す。図１５では、秋季における予測値と実績値との比較を示し、図１６では、冬季における予測値と実績値との比較を示す。図１５および図１６に示すように、本実施の形態の学習済モデルを用いた推論によって予測された予測値は実測値とほぼ一致する。このように、本実施の形態では、日射量の実績値を使用せずに、電力需要を推論するための精度の高い学習済モデルを生成することができる。

【0069】

以上のように、本実施の形態では、特徴量に当日における推論対象時間の一定時間前までの電力需要の実績値を追加する。これにより、実施の形態１と同様の効果が得られるとともに、推論対象の日に特有の電力需要の傾向がある場合などに、実施の形態１に比べて推論結果の精度を向上させることができる。換言すると、本実施の形態では、当日における推論対象時間の一定時間前までの電力需要の実績値を特徴量として追加することにより、直前の電力需要を見て推論値を補正している（当日補正を行っている）ことに相当しており、これにより実施の形態１に比べて推論結果の精度を向上させることができる。

【0070】

以上の実施の形態に示した構成は、一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、実施の形態同士を組み合わせることも可能であるし、要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。

【符号の説明】

【0071】

１ 学習装置、２，２ａ 電力需要推論装置、３ 制御装置、４，４ａ 系統制御システム、１１，２２ 取得部、１２，２３ 特徴量生成部、１３ 学習モデル生成部、１４，２１ モデル記憶部、１５，２６，２６ａ データ保存部、２４ 推論部、２５ 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】

【図12】

【図13】

【図14】

【図15】

【図16】