JP4448226B2 - 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 - Google Patents
需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 Download PDFInfo
- Publication number
- JP4448226B2 JP4448226B2 JP2000062209A JP2000062209A JP4448226B2 JP 4448226 B2 JP4448226 B2 JP 4448226B2 JP 2000062209 A JP2000062209 A JP 2000062209A JP 2000062209 A JP2000062209 A JP 2000062209A JP 4448226 B2 JP4448226 B2 JP 4448226B2
- Authority
- JP
- Japan
- Prior art keywords
- holiday
- degree
- demand
- prediction
- day
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 44
- 238000004364 calculation method Methods 0.000 claims description 56
- 239000004575 stone Substances 0.000 claims description 27
- 238000013500 data storage Methods 0.000 claims description 23
- 238000007906 compression Methods 0.000 claims description 17
- 230000006835 compression Effects 0.000 claims description 13
- 238000009825 accumulation Methods 0.000 claims description 5
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims 1
- 239000010931 gold Substances 0.000 claims 1
- 229910052737 gold Inorganic materials 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 241000695274 Processa Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 240000008791 Antiaris toxicaria Species 0.000 description 1
- 235000000060 Malva neglecta Nutrition 0.000 description 1
- 241000219071 Malvaceae Species 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
Images
Classifications
-
- Y04S10/54—
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、電力等の需要値を予測するための需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体に関する。
【０００２】
【従来の技術】
電力を例に述べれば、電力の安定供給及び設備の経済的運用を図るためには、電力需要を予測することが不可欠である。
【０００３】
電力需要を予測するために、重回帰による予測モデルを用いて需要予測値を演算したり、ニューラルネットワークを用いた予測モデルにより需要予測値を演算したりすることが知られている。
【０００４】
【発明が解決しようとする課題】
需要予測の精度を向上させるには、どういった予測モデルを構築するかは当然であるが、どのようにして入力変数を決めたり、補正処理をしたりするかが非常に重要な要素とされている。
【０００５】
例えば、電力需要は予測対象日が休日であるか否かに大きな影響を受けるため、電力予測を行う上で、そのことを表現することが重要である。これまでも、予測対象日が休日であるか否かを表現するために、例えば、暦上の日曜・祝日もしくは土曜日であればフラグ（休日度合い）「１」を、月〜金であればフラグ（休日度合い）「０」を割り当てて、そのフラグを予測モデルに入力する手法が知られていた。
【０００６】
しかし、予測日が単に休日であるか否かだけで、単にフラグ（休日度合い）「１」、「０」を割り当てるだけでは、需要予測の精度を向上させるのにも限度があった。
【０００７】
本発明は、上述の問題点に鑑みてなされたものであり、需要予測日の特徴を考慮した需要予測を行うことができるようにして、需要予測のさらなる精度向上を図ることを目的とする。
【０００８】
【課題を解決するための手段】
本発明の需要予測装置は、予測対象日より過去の電力需要の実績情報と、暦情報を含む電力需要を予測するための情報と、を取り込んで蓄積するデータ蓄積部と、上記データ蓄積部から提供される暦情報を取り込んで、予測対象日の休日性を示す数値を休日度合いとして割り当てて出力する休日度合い出力部と、上記データ蓄積部から提供される過去の電力需要の実績情報と、電力需要を予測するための情報と、上記休日度合い出力部より提供される休日度合いと、を入力データとして取り込んで、該入力データから得られる複数の入力変数の多項式で表現される最大需要予測値を求めるための重回帰による需要予測モデルを用いるとともに該需要予測モデルの係数を最小２乗法によって計算することにより需要予測モデルを作成し、上記予測対象日の予測対象についての需要予測値を演算し出力する重回帰演算部を少なくとも備えた需要予測値演算部と、からなる上記予測対象日の予測対象についての需要予測値を演算する需要予測装置であって、上記休日度合い出力部は、上記予測対象日の休日度合いとして、暦上の曜日及び祝日に応じた第１種の休日度合いと、暦上の特異期間に含まれるか否かに応じた第２種の休日度合いと、前後の日が飛び石連休であるかまたは二飛び石連休であるかに応じた第３種の休日度合いとのうち、少なくとも１つを割り当てる休日度合い割り当て部を備えた点に特徴を有する。
【００１０】
本発明の需要予測装置は、上記休日度合い出力部は、予測対象日を含む連続した複数の日に対して上記休日度合いを割り当てる休日度合い割り当て部と、休日度合いの変化パターンを作成する休日度合い変化パターン作成部と、上記休日度合いの変化パターンを情報圧縮する情報圧縮部と、を備え、上記需要予測値演算部は、情報圧縮部で圧縮された休日度合いの変化パターンを入力データとして入力する点に特徴を有する。
【００１２】
本発明の需要予測装置は、上記予測対象日が予め定められている所定期間に含まれている場合に、上記予測対象日の日付に対応して予め定められた補正係数と、上記需要予測値演算手段により演算された需要予測値と、を入力データとして補正処理を行う補正手段を備えた点に特徴を有する。
【００１３】
本発明の需要予測方法は、予測対象日より過去の電力需要の実績情報と、暦情報を含む電力需要を予測するための情報と、を蓄積するデータ蓄積処理と、上記データ蓄積処理した暦情報を取り込んで、予測対象日の休日性を示す数値を休日度合いとして割り当てて出力する休日度合い出力処理と、上記データ蓄積処理した過去の電力需要の実績情報と、電力需要を予測するための情報と、上記休日度合いと、を入力データとして取り込んで、該入力データから得られる複数の入力変数の多項式で表現される最大需要予測値を求めるための重回帰による需要予測モデルを用いるとともに該需要予測モデルの係数を最小２乗法によって計算することにより需要予測モデルを作成し、上記予測対象日の予測対象についての需要予測値を演算する重回帰演算処理を少なくとも行う需要予測値演算処理と、からなる上記予測対象日の予測対象についての需要予測値を演算し出力する需要予測方法であって、上記休日度合い出力処理は、上記予測対象日の休日度合いとして、暦上の曜日及び祝日に応じた第１種の休日度合いと、暦上の特異期間に含まれるか否かに応じた第２種の休日度合いと、前後の日が飛び石連休であるかまたは二飛び石連休であるかに応じた第３種の休日度合いとのうち、少なくとも１つを割り当てる処理を行う点に特徴を有する。
【００１４】
本発明の需要予測方法は、予測対象日を含む連続した複数の日に対して上記休日度合いを割り当てる休日度合い割り当て処理と、休日度合いの変化パターンを作成する休日度合い変化パターン作成処理と、上記休日度合いの変化パターンを情報圧縮する情報圧縮処理と、を行い、上記需要予測値演算処理は情報圧縮部で圧縮された休日度合いの変化パターンを入力データとして入力する点に特徴を有する。
【００１５】
本発明の需要予測方法は、上記休日度合い出力処理は、予測対象日を含む連続した複数の日に対して上記休日度合いを割り当てる休日度合い割り当て処理と、休日度合いの変化パターンを作成する休日度合い変化パターン作成処理と、上記休日度合いの変化パターンを情報圧縮する情報圧縮処理と、を行い、上記需要予測値演算処理は情報圧縮部で圧縮された休日度合いの変化パターンを入力データとして入力する点に特徴を有する。
【００１７】
本発明の需要予測方法は、上記予測対象日が予め定められている所定期間に含まれている場合に、上記予測対象日の日付に対応して予め定められた補正係数と、上記需要予測値演算手段により演算された上記需要予測値と、を入力データとして補正処理を行う処理を行う点に特徴を有する。
【００１８】
本発明のコンピュータ読み取り可能な記憶媒体は、予測対象日より過去の電力需要の実績情報と、暦情報を含む電力需要を予測するための情報と、を蓄積するデータ蓄積部と、上記データ蓄積部から提供される暦情報を取り込んで、予測対象日の休日性を示す数値を休日度合いとして割り当てて出力する休日度合い出力部と、上記データ蓄積部から提供される過去の電力需要の実績情報と、電力需要を予測するための情報と、上記休日度合い出力部より提供される休日度合いと、を入力データとして取り込んで、該入力データから得られる複数の入力変数の多項式で表現される最大需要予測値を求めるための重回帰による需要予測モデルを用いるとともに該需要予測モデルの係数を最小２乗法によって計算することにより需要予測モデルを作成し、上記予測対象日の予測対象についての需要予測値を演算し出力する重回帰演算部を少なくとも備えた需要予測値演算部と、してコンピュータを機能させて、上記予測対象日の予測対象についての需要予測値を演算するプログラムを格納し、上記休日度合い出力部は、上記予測対象日の休日度合いとして、暦上の曜日及び祝日に応じた第１種の休日度合いと、暦上の特異期間に含まれるか否かに応じた第２種の休日度合いと、前後の日が飛び石連休であるかまたは二飛び石連休であるかに応じた第３種の休日度合いとのうち、少なくとも１つを割り当てる休日度合い割り当て部を備えた点に特徴を有する。
【００１９】
又、本発明のコンピュータ読み取り可能な記憶媒体は、予測対象日より過去の電力需要の実績情報と、暦情報を含む電力需要を予測するための情報と、を蓄積するデータ蓄積処理と、上記データ蓄積処理した暦情報を取り込んで、予測対象日の休日性を示す数値を休日度合いとして割り当てて出力する休日度合い出力処理と、上記データ蓄積処理した過去の電力需要の実績情報と、電力需要を予測するための情報と、上記休日度合いと、を入力データとして取り込んで、該入力データから得られる複数の入力変数の多項式で表現される最大需要予測値を求めるための重回帰による需要予測モデルを用いるとともに該需要予測モデルの係数を最小２乗法によって計算することにより需要予測モデルを作成し、上記予測対象日の予測対象についての需要予測値を演算し出力する重回帰演算処理を少なくとも行う需要予測値演算処理と、をコンピュータに実行させて、上記予測対象日の予測対象についての需要予測値を演算するプログラムを格納し、上記休日度合い出力処理は、上記予測対象日の休日度合いとして、暦上の曜日及び祝日に応じた第１種の休日度合いと、暦上の特異期間に含まれるか否かに応じた第２種の休日度合いと、前後の日が飛び石連休であるかまたは二飛び石連休であるかに応じた第３種の休日度合いとのうち、少なくとも１つを割り当てる点に特徴を有する。
【００２１】
上記のようにした本発明では休日度合いとして、例えば、１と０以外に０，５等の値を用いることにより、単に休日であるか否かだけでなく、休日の度合いといったことまで表現することができ、より一般観念に近い休日性を表現することができる。
【００２２】
又、本発明では、入力データとして入力した休日性を示す休日度合いによって、単に暦上の曜日や祝日を表現するだけでなく、年末年始、ゴールデンウィーク、お盆といった所定期間に含まれる否かを表現したり、前後の日との関係に応じて飛び石連休や二飛び石連休を表現したりすることができ、より一般観念に近い休日性を表現することができる。
【００２３】
又、本発明では、予測対象日を含む連続した複数の日に対して休日度合いを割り当てることで、例えば、予測対象日が休日に該当する場合でも、単独の休日であるか、連休の一部の休日であるかを表現することができる。
【００２５】
又、本発明では、予測対象日が年末年始、ゴールデンウィーク、お盆といった所定期間に含まれる特異日に該当する場合、その日付に対応した補正係数を用いて補正処理を行うことで、予測誤差を小さくすることができる。
【００２６】
【発明の実施の形態】
以下、図面を用いて本発明の需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体の実施の形態について説明する。
【００２７】
図１には、本実施の形態の電力需要予測装置を示す。この電力需要予測装置は、予測対象日である翌日の最大電力需要を予測するためのものである。
【００２８】
１はデータ蓄積部であり、過去の電力需要の実績情報、過去の天候や気温といった気象実績情報、暦情報等の電力需要を予測する上で必要とされる情報を蓄積する。
【００２９】
２は休日度合い出力部であり、上記情報提供部１から提供される暦情報に応じて、予測対象日及び予測対象日の前後１週間の日に対して休日度合いを割り当てる。本実施の形態では、休日であるか否かだけでなく、休日の度合いといった休日性といった概念を導入し、詳しくは後述するが、その休日性を示すものとして休日度合い入力データとして需要予測値演算手段３へ入力することにしている。そして、予測対象日を含む１５日間の休日度合いの変化パターンを作成して、その変化パターンを需要予測値演算部３に出力する。
【００３０】
３は需要予測値演算部であり、午前の需要予測値演算部３ａと、午後の需要予測値演算部３ｂと、点灯の需要予測値演算部３ｃとを備える。そして、上記データ蓄積部１及び上記休日度合い出力部２からの入力、さらには予測対象日の予想最高・最低気温や天候予想等の入力を用いて、当該予測対象日の午前、午後、点灯の３つの時間帯ごとに最大需要予測値を演算し、それらの中から最も大きな値を予測対象日の最大需要予測値として出力する。
【００３１】
４は補正演算部であり、予測対象日が特異日（年末年始、ゴールデンウィーク、お盆といった所定期間に含まれる日）に該当する場合に、上記需要予測値演算部３により演算された最大需要予測値に対して補正処理を行う。
【００３２】
以下、上記データ蓄積部１、休日度合い出力部２、需要予測値演算部３、補正演算部４の詳細について説明する。
【００３３】
データ蓄積部１は、電力需要を予測する上で必要とされる情報を需要予測値演算部３に出力する。具体的には、過去の電力需要の実績、過去の最高・最低気温や天候の実績等の情報を提供する。さらに、大口需要家の操業予定情報や、電力需要に影響を与えるイベント予定情報等の特異事情に関する情報を提供するようにしてもよい。
又、暦情報を休日度合い出力部２に出力する。
【００３４】
休日度合い出力部２は、図２に示すように、休日度合い割り当て部２ａと、休日度合い変化パターン作成部２ｂと、情報圧縮部２ｃとを備える。
【００３５】
休日度合い割り当て部２ａでは、予測対象日及び予測対象日の前後１週間の日に対して、暦上の曜日及び祝日に応じた第１種の休日度合いと、予め定められている所定期間に含まれるか否かに応じた第２種の休日度合いと、前後の日との関係に応じた第３種の休日度合いとの中から、少なくとも１つを割り当てる。
【００３６】
具体的には、暦上の曜日及び祝日に応じた第１種の休日度合いとして、日曜・祝日には数値１．０を、土曜日には数値０．８を、月〜金曜日には数値０を割り当てるようにしている。
【００３７】
又、年末年始、ゴールデンウィーク、お盆といった所定期間に含まれるか否かに応じた第２種の休日度合いとして、当該所定期間の初日を土曜日として扱い数値０．８を、当該所定期間の初日以外の日を日曜・祝日として扱い数値１．０を割り当てるようにしている。なお、当該所定期間に含まれない場合は、数値０を割り当てる。
【００３８】
更に、前後の日との関係に応じた第３種の休日度合いとして、飛び石連休の中日（土曜又は日曜・祝日として扱われる日に挟まれた１日）には数値０．５を、二飛び石連休の中日（土曜又は日曜・祝日として扱われる日に挟まれた２日）には数値０．３を割り当てるようにしている。なお、飛び石連休の中日、二飛び石連休の中日に該当しない場合は、数値０を割り当てる。
【００３９】
図３には、予測対象日である１月１日と、その前後１週間の１２月２５日〜１２月３１日及び１月２日〜１月８日との１５日間に対して、上記第１〜第３種の休日度合いを割り当てた具体例を示す。この具体例では、１２月３０日〜１月２日までを年末年始として扱っている。
【００４０】
１月３日を例にして説明すると、暦上は祝日でない金曜日であるので、第１種の休日度合い０が割り当てられる。又、年末年始とした１２月３０日〜１月２日に含まれないので、第２種の休日度合い０が割り当てられる。さらに、前日の１月２日が年末年始の最終日であり日曜・祝日として扱われ、又、翌日の１月４日が暦上の土曜日であることから、飛び石連休の中日に該当するので、第３種の休日度合い０．５が割り当てられる。
【００４１】
このようにして１５日間それぞれに第１〜第３種の休日度合いが割り当てられたならば、各日の最も大きな数値を示す休日度合いを、その日の休日度合いとして使用する。１月３日では、第３種の休日度合い０．５が最も大きいため、この第３種の休日度合い０．５が１月３日の休日度合いとして使用される。
【００４２】
休日度合い変化パターン作成部２ｂでは、上記のように１５日間に割り当てられた休日フラグ（３種の数値のうち各日の最も大きな数値）の変化パターンを作成する。図４には、上記具体例についての休日度合いの変化パターンを示す。
【００４３】
情報圧縮部２ｃでは、上記休日度合い変化パターン作成部２ｂで作成された１５日間の休日度合いの変化パターンを需要予測値演算部３に出力するが、その際に情報圧縮処理を行う。本実施の形態では、ボトルネックニューロによる情報圧縮処理を行っている。図５に示すように、ニューラルネットワークの構成を、入力層のニューロン数と出力層のニューロン数とを同じにし、中間層のニューロン数をこれら入出力層のニューロン数よりも少なくする。そして、入力データと出力データとの組み合わせを学習させ、使用時には中間層の出力データを需要予測値演算部３に出力することで情報圧縮処理を行う。これにより、休日度合いの変化パターンの特徴を損なうことなく抽出し、需要予測値演算部３に入力することが可能となる。
【００４４】
以上述べたように、休日性を表現するのに、休日度合いが「１」、「０」だけでなく、土曜日等は完全な休日でないとする表現にしたり（休日度合い０．８）、飛び石連休の中日は平日と休日の中間程度とする表現にしたり（休日度合い０．３や０．５）している。例えば、土曜日であればまだ勤務している企業等があったり、飛び石連休の中日であれば休みをとる人が多かったりすることからも、これにより、より一般観念に近い休日性を表現することができ、需要予測の精度を向上させることができる。
【００４５】
又、予測対象日の休日度合いだけでなく、予測対象日を含めた１５日間に休日度合いを割り当てるようにしたので、予測対象日の前後の休日との関連性を表現することができる。これにより、例えば予測対象日に休日度合い１．０が割り当てられている場合でも、単独の休日であるか、連休の一部の休日であるかを考慮することができ、特に、年末年始、ゴールデンウィーク、お盆といった所定期間での需要予測の精度を向上させることができる。
【００４６】
需要予測値演算部３は、図１にも示したように、午前の需要予測値演算部３ａと、午後の需要予測値演算部３ｂと、点灯の需要予測値演算部３ｃとを備える。そして、各需要予測値演算部３ａ〜３ｃで演算された最大需要予測値のうち、最も大きな値を予測対象日の最大需要予測値として扱う。以下では、午前の需要予測値演算部３ａについて説明するが、午後及び点灯の需要予測値演算部３ｂ、３ｃについても同様である。
【００４７】
図６に示すように、午前の需要予測値演算部３ａは、重回帰による予測モデルを用いた重回帰演算部３１と、ニューラルネットワークを用いて予測モデル化したニューラルネットワーク演算部３２とを備える。電力需要特性の大半は線形となっていることから、線形近似である重回帰による予測モデルを用いたものである。そして、非線型性を表現可能であるニューラルネットワークを用いて、残差の非線型成分を予測モデル化している。
【００４８】
重回帰演算部３１は、下記の数１に示す重回帰による予測モデルを用いて、予測対象日の最大需要予測値ＰBNを演算する。この予測モデルでは、入力変数ｘiが最大需要予測値ＰBNに与える影響を各入力変数ｘiの多項式の形で表現している。ここでは、Ｍ個の入力変数ｘiを入力するようにしているが、これら入力変数ｘiの具体例としては、上述した休日度合い以外に、予測対象日の前日の需要実績値、前日の需要実績値の数日前からの増加分、前日までの数日間の最高・最低気温の平均値、予測対象日の予想最高・最低気温、予測対象日の天候予想を表す度合い等が挙げられる。
【００４９】
【数１】
【００５０】
上記数１に示した予測モデルの各入力変数の次数の組の係数ｃirBNは、最小２乗法によって推定する。このとき用いるデータは予測対象日に近い特性を持ったデータである必要があり、予測対象日至近データと、過去年度の同時期のデータとを利用する。
【００５１】
又、この重回帰演算部３１では、上記数１で示す予測モデルを、実績値のデータに基づいて、毎回の予測と同時に自己修正するようにしている。
【００５２】
上記数１に示す予測モデルの具体的な形は、Ｎ1〜ＮMまでを指定することで一意に定めることができる。常にＭ個の入力変数ｘiを使用するとは限らず、あるＮiが０であれば、それに対応する入力変数ｘiは予測モデルに含まれないことになる。下記の数２に示すように、上記予測モデルのＮ1〜ＮMまでを並べたベクトル(N)を定義すると、モデル構造はベクトル(N)によって一意に表される。
【００５３】
【数２】
【００５４】
そして、上記ベクトル(Ｎ)で表されるモデル構造に適当な初期値を与え、毎日新しい実績データが手に入るたびに自動的に修正を加える。ここでは、ある予測対象日の予測に際して、その予測対象日の前日に用いたモデル構造、その予測対象日の前日に用いたモデル構造のうち一つの入力変数について１だけ次数を増やしたモデル構造、同じく一つの入力変数について１だけ次数を減らしたモデル構造といった１＋２Ｍ個のモデル候補の中から、最も良いと判断されたものを採用するようにしている。
【００５５】
上記最も良いモデル構造を判断するには、評価基準が必要である。ここで用いる評価基準は、MallowsのＣp統計量（モデル出力によって出力変数の期待値を推定したときの、平均２乗誤差の推定値に相当するもの）にデータの時変性を考慮したものである。
【００５６】
一般に、目的変数ｙをｐ個の説明変数ｚiを（ｉ＝１、２、…、ｐ）で表現する回帰式
ｙ＝θTｚ＋ε
ｚ＝［ｚ1、ｚ2、…、ｚp］T
θ：パラメータ
ε：白色雑音
を求める場合に、Ｍ組のデータ｛ｙ(１)、ｚ(１)｝、…、｛ｙ(Ｍ)、ｚ(Ｍ)｝を用いるとする。
【００５７】
そして、下記の数３に示すように、Ｃp統計量にデータの重み付け（ｗ1、ｗ2、…）を考慮した評価基準Ｃpwを導入する。この統計量では、εの定常性の他は確率分布の形等の統計的性質を仮定しない。そして、上記１＋２Ｍ個モデル候補の中からＣpw統計量が最小となるものを選び出して、最良のモデル構造として採用する。
【００５８】
【数３】
【００５９】
以上述べたように重回帰による予測モデルを毎回の予測と同時に自己修正するようしたので、最大需要予測値ＰBNと各入力変数ｘiとの関係がよくわからない場合でも適切な予測モデルが得られ、又、最大需要予測値ＰBNと各入力変数ｘiとの関係が変化しても、それに対処するよう自動的に予測モデル構造を変化させることが可能となる。
【００６０】
一方、ニューラルネットワーク演算部３２は、残差の非線型成分をニューラルネットワークで予測モデル化する。これにより、非線型成分を表現しつつ、ニューラルネットワークの学習誤差は残差に対してのみ影響するので、全体予測への影響は小さくすることができる。
【００６５】
補正演算部４は、上記需要予測値演算部３により演算された最大需要予測値に対して、以下に述べる補正処理を行う。
【００６６】
本実施の形態では、上記休日度合い出力部２において、年末年始、ゴールデンウィーク、お盆といった所定期間に含まれる日を土曜日もしくは日曜・祝日として扱うとともに、予測対象日を含む連続した複数の日についての休日度合いの変化パターンを作成して連休を表現することにより、特異日（年末年始、ゴールデンウィーク、お盆といった所定期間に含まれる日）での需要予測の精度を向上させるようにしている。
【００６７】
一方で、特異日（年末年始、ゴールデンウィーク、お盆といった所定期間に含まれる日）では、通常の土曜日や日曜・祝日等とは異なり、その日付に応じた独自の需要傾向があることが分かった。
【００６８】
そこで、補正演算部４では、予測対象日が特異日に該当する場合、その日付に対応した補正係数を用いて補正処理を行うことにしている。
【００６９】
図７には、年末年始を例に、日付と、過去数年の最大需要実績と予測モデル作成時の需要予測値演算部３で演算した各年の最大需要予測値との誤差［％］の平均値との関係を示す。この図７からも、特に１２月３１日や１月１日付近では誤差が大きく、独自の需要傾向を有することが分かる。そこで、日付に対応した補正係数として、上記図７に示す最大需要実績と最大需要予測値との誤差［％］の平均値から得た値を使用する。
【００７０】
補正演算部４には、上記所定期間の日付と上記補正係数とのテーブルを備えておく。そして、予測対象日が特異日に該当する場合、需要予測値演算部３で演算された最大需要予測値に、上記日付けに応じた補正係数を掛け合わせる補正処理を行う。これにより、予測対象日が特異日に該当する場合に、日付けに応じた独自の需要傾向を反映させることができ、需要予測の精度を格段に向上させることが可能となる。
【００７１】
なお、上記実施の形態は一例に過ぎず、上記実施の形態で説明した休日度合い出力部２を廃止し、例えば、従来どおり暦上の日曜・祝日もしくは土曜日であれば休日度合い１を、月〜金であれば休日度合い０を需要予測値演算部３に入力するようにしてもよい。
【００７３】
また、補正演算部４において特異日に応じた補正係数を掛け合わせる補正処理を行うことで、年末年始、ゴールデンウィーク、お盆といった所定期間での需要予測を格段に向上させることが可能となる。この場合も、所定期間の日付けごとに、過去数年の最大需要実績と予測モデル作成時の需要予測値演算部３で演算した各年の最大需要予測値との誤差［％］の平均値を求めておき、その平均値から補正係数を得るようにする。なお、この場合における日付に対応した補正係数は、休日度合い出力部２の有無の差だけ上記実施の形態における値とは異なるものとなる。
【００７４】
上記の実施の形態では最大電力需要を予測する例を挙げたが、最小電力需要を予測する場合も同様である。又、予測対象としては、電力に限らず、水道、ガス等に適用することができる。
【００７５】
すなわち、休日性に影響されるものや、年末年始、ゴールデンウィーク、お盆といった時期や、春夏秋冬といった季節に影響されるものであれば、本発明を適用することができ、例えばコンビニエンスストアでの弁当に代表される生鮮食料品の需要を予測するような事案に適用することも可能である。
【００７６】
上記実施の形態は、コンピュータのＣＰＵあるいはＭＰＵ、ＲＡＭ、ＲＯＭ等で構成されるものであり、ＲＡＭやＲＯＭ等に記録されたプログラムが動作することで実現される。又、上記実施の形態で述べた各機能を実現するためのソフトウェアのプログラムコードをコンピュータに供給するための手段、例えばかかるプログラムコードを格納した記憶媒体は本発明の範疇に含まれる。
【００７７】
【発明の効果】
本発明によれば、休日性を示す休日度合いを入力データとして入力し、予測対象日の特徴に応じて、上記休日度合いに「０」、「１」だけでなく値も与えられるようにしたので、一般観念に近い休日性を表現することができ、需要予測の精度を向上させることができる。
【００７８】
又、本発明によれば、連休を表現することができるので、需要予測の精度を向上させることができる。
【００８０】
又、本発明によれば、予測対象日が年末年始、ゴールデンウィーク、お盆といった所定期間に含まれる特異日に該当する場合、その日付に対応した補正係数を用いて補正処理を行うので、当該所定期間での予測誤差を小さくすることができる。
【００８１】
そして、以上のように需要予測の精度を向上させることができれば、電力、水道、ガス等の安定供給及び設備の経済的運用を図ることができる。
【図面の簡単な説明】
【図１】 本実施の形態の電力需要予測装置の構成を示す図である。
【図２】 休日度合い出力部２の構成を示す図である。
【図３】 １２月２５日〜１月８日までの１５日間に対して休日度合いを割り当てた具体例を示す図である。
【図４】 図３に示した具体例についての休日度合いの変化パターンを示す図である。
【図５】 ボトルネックニューロによる情報圧縮処理を説明するための図である。
【図６】 午前の需要予測値演算部３ａの構成を示す図である。
【図７】 年末年始の日付と、過去数年の最大需要実績と需要予測値演算部３で演算した各年の最大需要予測値との誤差［％］の平均値との関係を示す図である。
【符号の説明】
１ データ蓄積部
２ 休日度合い出力部
３ 需要予測値演算部
４ 補正演算部
２ａ 休日度合い割り当て部
２ｂ 休日度合い変化パターン作成部
２ｃ 情報圧縮部
３ａ 午前の需要予測値演算部
３ｂ 午後の需要予測値演算部
３ｃ 点灯の需要予測値演算部
３１ 重回帰演算部
３２ ニューラルネットワーク演算部
【発明の属する技術分野】
本発明は、電力等の需要値を予測するための需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体に関する。
【０００２】
【従来の技術】
電力を例に述べれば、電力の安定供給及び設備の経済的運用を図るためには、電力需要を予測することが不可欠である。
【０００３】
電力需要を予測するために、重回帰による予測モデルを用いて需要予測値を演算したり、ニューラルネットワークを用いた予測モデルにより需要予測値を演算したりすることが知られている。
【０００４】
【発明が解決しようとする課題】
需要予測の精度を向上させるには、どういった予測モデルを構築するかは当然であるが、どのようにして入力変数を決めたり、補正処理をしたりするかが非常に重要な要素とされている。
【０００５】
例えば、電力需要は予測対象日が休日であるか否かに大きな影響を受けるため、電力予測を行う上で、そのことを表現することが重要である。これまでも、予測対象日が休日であるか否かを表現するために、例えば、暦上の日曜・祝日もしくは土曜日であればフラグ（休日度合い）「１」を、月〜金であればフラグ（休日度合い）「０」を割り当てて、そのフラグを予測モデルに入力する手法が知られていた。
【０００６】
しかし、予測日が単に休日であるか否かだけで、単にフラグ（休日度合い）「１」、「０」を割り当てるだけでは、需要予測の精度を向上させるのにも限度があった。
【０００７】
本発明は、上述の問題点に鑑みてなされたものであり、需要予測日の特徴を考慮した需要予測を行うことができるようにして、需要予測のさらなる精度向上を図ることを目的とする。
【０００８】
【課題を解決するための手段】
本発明の需要予測装置は、予測対象日より過去の電力需要の実績情報と、暦情報を含む電力需要を予測するための情報と、を取り込んで蓄積するデータ蓄積部と、上記データ蓄積部から提供される暦情報を取り込んで、予測対象日の休日性を示す数値を休日度合いとして割り当てて出力する休日度合い出力部と、上記データ蓄積部から提供される過去の電力需要の実績情報と、電力需要を予測するための情報と、上記休日度合い出力部より提供される休日度合いと、を入力データとして取り込んで、該入力データから得られる複数の入力変数の多項式で表現される最大需要予測値を求めるための重回帰による需要予測モデルを用いるとともに該需要予測モデルの係数を最小２乗法によって計算することにより需要予測モデルを作成し、上記予測対象日の予測対象についての需要予測値を演算し出力する重回帰演算部を少なくとも備えた需要予測値演算部と、からなる上記予測対象日の予測対象についての需要予測値を演算する需要予測装置であって、上記休日度合い出力部は、上記予測対象日の休日度合いとして、暦上の曜日及び祝日に応じた第１種の休日度合いと、暦上の特異期間に含まれるか否かに応じた第２種の休日度合いと、前後の日が飛び石連休であるかまたは二飛び石連休であるかに応じた第３種の休日度合いとのうち、少なくとも１つを割り当てる休日度合い割り当て部を備えた点に特徴を有する。
【００１０】
本発明の需要予測装置は、上記休日度合い出力部は、予測対象日を含む連続した複数の日に対して上記休日度合いを割り当てる休日度合い割り当て部と、休日度合いの変化パターンを作成する休日度合い変化パターン作成部と、上記休日度合いの変化パターンを情報圧縮する情報圧縮部と、を備え、上記需要予測値演算部は、情報圧縮部で圧縮された休日度合いの変化パターンを入力データとして入力する点に特徴を有する。
【００１２】
本発明の需要予測装置は、上記予測対象日が予め定められている所定期間に含まれている場合に、上記予測対象日の日付に対応して予め定められた補正係数と、上記需要予測値演算手段により演算された需要予測値と、を入力データとして補正処理を行う補正手段を備えた点に特徴を有する。
【００１３】
本発明の需要予測方法は、予測対象日より過去の電力需要の実績情報と、暦情報を含む電力需要を予測するための情報と、を蓄積するデータ蓄積処理と、上記データ蓄積処理した暦情報を取り込んで、予測対象日の休日性を示す数値を休日度合いとして割り当てて出力する休日度合い出力処理と、上記データ蓄積処理した過去の電力需要の実績情報と、電力需要を予測するための情報と、上記休日度合いと、を入力データとして取り込んで、該入力データから得られる複数の入力変数の多項式で表現される最大需要予測値を求めるための重回帰による需要予測モデルを用いるとともに該需要予測モデルの係数を最小２乗法によって計算することにより需要予測モデルを作成し、上記予測対象日の予測対象についての需要予測値を演算する重回帰演算処理を少なくとも行う需要予測値演算処理と、からなる上記予測対象日の予測対象についての需要予測値を演算し出力する需要予測方法であって、上記休日度合い出力処理は、上記予測対象日の休日度合いとして、暦上の曜日及び祝日に応じた第１種の休日度合いと、暦上の特異期間に含まれるか否かに応じた第２種の休日度合いと、前後の日が飛び石連休であるかまたは二飛び石連休であるかに応じた第３種の休日度合いとのうち、少なくとも１つを割り当てる処理を行う点に特徴を有する。
【００１４】
本発明の需要予測方法は、予測対象日を含む連続した複数の日に対して上記休日度合いを割り当てる休日度合い割り当て処理と、休日度合いの変化パターンを作成する休日度合い変化パターン作成処理と、上記休日度合いの変化パターンを情報圧縮する情報圧縮処理と、を行い、上記需要予測値演算処理は情報圧縮部で圧縮された休日度合いの変化パターンを入力データとして入力する点に特徴を有する。
【００１５】
本発明の需要予測方法は、上記休日度合い出力処理は、予測対象日を含む連続した複数の日に対して上記休日度合いを割り当てる休日度合い割り当て処理と、休日度合いの変化パターンを作成する休日度合い変化パターン作成処理と、上記休日度合いの変化パターンを情報圧縮する情報圧縮処理と、を行い、上記需要予測値演算処理は情報圧縮部で圧縮された休日度合いの変化パターンを入力データとして入力する点に特徴を有する。
【００１７】
本発明の需要予測方法は、上記予測対象日が予め定められている所定期間に含まれている場合に、上記予測対象日の日付に対応して予め定められた補正係数と、上記需要予測値演算手段により演算された上記需要予測値と、を入力データとして補正処理を行う処理を行う点に特徴を有する。
【００１８】
本発明のコンピュータ読み取り可能な記憶媒体は、予測対象日より過去の電力需要の実績情報と、暦情報を含む電力需要を予測するための情報と、を蓄積するデータ蓄積部と、上記データ蓄積部から提供される暦情報を取り込んで、予測対象日の休日性を示す数値を休日度合いとして割り当てて出力する休日度合い出力部と、上記データ蓄積部から提供される過去の電力需要の実績情報と、電力需要を予測するための情報と、上記休日度合い出力部より提供される休日度合いと、を入力データとして取り込んで、該入力データから得られる複数の入力変数の多項式で表現される最大需要予測値を求めるための重回帰による需要予測モデルを用いるとともに該需要予測モデルの係数を最小２乗法によって計算することにより需要予測モデルを作成し、上記予測対象日の予測対象についての需要予測値を演算し出力する重回帰演算部を少なくとも備えた需要予測値演算部と、してコンピュータを機能させて、上記予測対象日の予測対象についての需要予測値を演算するプログラムを格納し、上記休日度合い出力部は、上記予測対象日の休日度合いとして、暦上の曜日及び祝日に応じた第１種の休日度合いと、暦上の特異期間に含まれるか否かに応じた第２種の休日度合いと、前後の日が飛び石連休であるかまたは二飛び石連休であるかに応じた第３種の休日度合いとのうち、少なくとも１つを割り当てる休日度合い割り当て部を備えた点に特徴を有する。
【００１９】
又、本発明のコンピュータ読み取り可能な記憶媒体は、予測対象日より過去の電力需要の実績情報と、暦情報を含む電力需要を予測するための情報と、を蓄積するデータ蓄積処理と、上記データ蓄積処理した暦情報を取り込んで、予測対象日の休日性を示す数値を休日度合いとして割り当てて出力する休日度合い出力処理と、上記データ蓄積処理した過去の電力需要の実績情報と、電力需要を予測するための情報と、上記休日度合いと、を入力データとして取り込んで、該入力データから得られる複数の入力変数の多項式で表現される最大需要予測値を求めるための重回帰による需要予測モデルを用いるとともに該需要予測モデルの係数を最小２乗法によって計算することにより需要予測モデルを作成し、上記予測対象日の予測対象についての需要予測値を演算し出力する重回帰演算処理を少なくとも行う需要予測値演算処理と、をコンピュータに実行させて、上記予測対象日の予測対象についての需要予測値を演算するプログラムを格納し、上記休日度合い出力処理は、上記予測対象日の休日度合いとして、暦上の曜日及び祝日に応じた第１種の休日度合いと、暦上の特異期間に含まれるか否かに応じた第２種の休日度合いと、前後の日が飛び石連休であるかまたは二飛び石連休であるかに応じた第３種の休日度合いとのうち、少なくとも１つを割り当てる点に特徴を有する。
【００２１】
上記のようにした本発明では休日度合いとして、例えば、１と０以外に０，５等の値を用いることにより、単に休日であるか否かだけでなく、休日の度合いといったことまで表現することができ、より一般観念に近い休日性を表現することができる。
【００２２】
又、本発明では、入力データとして入力した休日性を示す休日度合いによって、単に暦上の曜日や祝日を表現するだけでなく、年末年始、ゴールデンウィーク、お盆といった所定期間に含まれる否かを表現したり、前後の日との関係に応じて飛び石連休や二飛び石連休を表現したりすることができ、より一般観念に近い休日性を表現することができる。
【００２３】
又、本発明では、予測対象日を含む連続した複数の日に対して休日度合いを割り当てることで、例えば、予測対象日が休日に該当する場合でも、単独の休日であるか、連休の一部の休日であるかを表現することができる。
【００２５】
又、本発明では、予測対象日が年末年始、ゴールデンウィーク、お盆といった所定期間に含まれる特異日に該当する場合、その日付に対応した補正係数を用いて補正処理を行うことで、予測誤差を小さくすることができる。
【００２６】
【発明の実施の形態】
以下、図面を用いて本発明の需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体の実施の形態について説明する。
【００２７】
図１には、本実施の形態の電力需要予測装置を示す。この電力需要予測装置は、予測対象日である翌日の最大電力需要を予測するためのものである。
【００２８】
１はデータ蓄積部であり、過去の電力需要の実績情報、過去の天候や気温といった気象実績情報、暦情報等の電力需要を予測する上で必要とされる情報を蓄積する。
【００２９】
２は休日度合い出力部であり、上記情報提供部１から提供される暦情報に応じて、予測対象日及び予測対象日の前後１週間の日に対して休日度合いを割り当てる。本実施の形態では、休日であるか否かだけでなく、休日の度合いといった休日性といった概念を導入し、詳しくは後述するが、その休日性を示すものとして休日度合い入力データとして需要予測値演算手段３へ入力することにしている。そして、予測対象日を含む１５日間の休日度合いの変化パターンを作成して、その変化パターンを需要予測値演算部３に出力する。
【００３０】
３は需要予測値演算部であり、午前の需要予測値演算部３ａと、午後の需要予測値演算部３ｂと、点灯の需要予測値演算部３ｃとを備える。そして、上記データ蓄積部１及び上記休日度合い出力部２からの入力、さらには予測対象日の予想最高・最低気温や天候予想等の入力を用いて、当該予測対象日の午前、午後、点灯の３つの時間帯ごとに最大需要予測値を演算し、それらの中から最も大きな値を予測対象日の最大需要予測値として出力する。
【００３１】
４は補正演算部であり、予測対象日が特異日（年末年始、ゴールデンウィーク、お盆といった所定期間に含まれる日）に該当する場合に、上記需要予測値演算部３により演算された最大需要予測値に対して補正処理を行う。
【００３２】
以下、上記データ蓄積部１、休日度合い出力部２、需要予測値演算部３、補正演算部４の詳細について説明する。
【００３３】
データ蓄積部１は、電力需要を予測する上で必要とされる情報を需要予測値演算部３に出力する。具体的には、過去の電力需要の実績、過去の最高・最低気温や天候の実績等の情報を提供する。さらに、大口需要家の操業予定情報や、電力需要に影響を与えるイベント予定情報等の特異事情に関する情報を提供するようにしてもよい。
又、暦情報を休日度合い出力部２に出力する。
【００３４】
休日度合い出力部２は、図２に示すように、休日度合い割り当て部２ａと、休日度合い変化パターン作成部２ｂと、情報圧縮部２ｃとを備える。
【００３５】
休日度合い割り当て部２ａでは、予測対象日及び予測対象日の前後１週間の日に対して、暦上の曜日及び祝日に応じた第１種の休日度合いと、予め定められている所定期間に含まれるか否かに応じた第２種の休日度合いと、前後の日との関係に応じた第３種の休日度合いとの中から、少なくとも１つを割り当てる。
【００３６】
具体的には、暦上の曜日及び祝日に応じた第１種の休日度合いとして、日曜・祝日には数値１．０を、土曜日には数値０．８を、月〜金曜日には数値０を割り当てるようにしている。
【００３７】
又、年末年始、ゴールデンウィーク、お盆といった所定期間に含まれるか否かに応じた第２種の休日度合いとして、当該所定期間の初日を土曜日として扱い数値０．８を、当該所定期間の初日以外の日を日曜・祝日として扱い数値１．０を割り当てるようにしている。なお、当該所定期間に含まれない場合は、数値０を割り当てる。
【００３８】
更に、前後の日との関係に応じた第３種の休日度合いとして、飛び石連休の中日（土曜又は日曜・祝日として扱われる日に挟まれた１日）には数値０．５を、二飛び石連休の中日（土曜又は日曜・祝日として扱われる日に挟まれた２日）には数値０．３を割り当てるようにしている。なお、飛び石連休の中日、二飛び石連休の中日に該当しない場合は、数値０を割り当てる。
【００３９】
図３には、予測対象日である１月１日と、その前後１週間の１２月２５日〜１２月３１日及び１月２日〜１月８日との１５日間に対して、上記第１〜第３種の休日度合いを割り当てた具体例を示す。この具体例では、１２月３０日〜１月２日までを年末年始として扱っている。
【００４０】
１月３日を例にして説明すると、暦上は祝日でない金曜日であるので、第１種の休日度合い０が割り当てられる。又、年末年始とした１２月３０日〜１月２日に含まれないので、第２種の休日度合い０が割り当てられる。さらに、前日の１月２日が年末年始の最終日であり日曜・祝日として扱われ、又、翌日の１月４日が暦上の土曜日であることから、飛び石連休の中日に該当するので、第３種の休日度合い０．５が割り当てられる。
【００４１】
このようにして１５日間それぞれに第１〜第３種の休日度合いが割り当てられたならば、各日の最も大きな数値を示す休日度合いを、その日の休日度合いとして使用する。１月３日では、第３種の休日度合い０．５が最も大きいため、この第３種の休日度合い０．５が１月３日の休日度合いとして使用される。
【００４２】
休日度合い変化パターン作成部２ｂでは、上記のように１５日間に割り当てられた休日フラグ（３種の数値のうち各日の最も大きな数値）の変化パターンを作成する。図４には、上記具体例についての休日度合いの変化パターンを示す。
【００４３】
情報圧縮部２ｃでは、上記休日度合い変化パターン作成部２ｂで作成された１５日間の休日度合いの変化パターンを需要予測値演算部３に出力するが、その際に情報圧縮処理を行う。本実施の形態では、ボトルネックニューロによる情報圧縮処理を行っている。図５に示すように、ニューラルネットワークの構成を、入力層のニューロン数と出力層のニューロン数とを同じにし、中間層のニューロン数をこれら入出力層のニューロン数よりも少なくする。そして、入力データと出力データとの組み合わせを学習させ、使用時には中間層の出力データを需要予測値演算部３に出力することで情報圧縮処理を行う。これにより、休日度合いの変化パターンの特徴を損なうことなく抽出し、需要予測値演算部３に入力することが可能となる。
【００４４】
以上述べたように、休日性を表現するのに、休日度合いが「１」、「０」だけでなく、土曜日等は完全な休日でないとする表現にしたり（休日度合い０．８）、飛び石連休の中日は平日と休日の中間程度とする表現にしたり（休日度合い０．３や０．５）している。例えば、土曜日であればまだ勤務している企業等があったり、飛び石連休の中日であれば休みをとる人が多かったりすることからも、これにより、より一般観念に近い休日性を表現することができ、需要予測の精度を向上させることができる。
【００４５】
又、予測対象日の休日度合いだけでなく、予測対象日を含めた１５日間に休日度合いを割り当てるようにしたので、予測対象日の前後の休日との関連性を表現することができる。これにより、例えば予測対象日に休日度合い１．０が割り当てられている場合でも、単独の休日であるか、連休の一部の休日であるかを考慮することができ、特に、年末年始、ゴールデンウィーク、お盆といった所定期間での需要予測の精度を向上させることができる。
【００４６】
需要予測値演算部３は、図１にも示したように、午前の需要予測値演算部３ａと、午後の需要予測値演算部３ｂと、点灯の需要予測値演算部３ｃとを備える。そして、各需要予測値演算部３ａ〜３ｃで演算された最大需要予測値のうち、最も大きな値を予測対象日の最大需要予測値として扱う。以下では、午前の需要予測値演算部３ａについて説明するが、午後及び点灯の需要予測値演算部３ｂ、３ｃについても同様である。
【００４７】
図６に示すように、午前の需要予測値演算部３ａは、重回帰による予測モデルを用いた重回帰演算部３１と、ニューラルネットワークを用いて予測モデル化したニューラルネットワーク演算部３２とを備える。電力需要特性の大半は線形となっていることから、線形近似である重回帰による予測モデルを用いたものである。そして、非線型性を表現可能であるニューラルネットワークを用いて、残差の非線型成分を予測モデル化している。
【００４８】
重回帰演算部３１は、下記の数１に示す重回帰による予測モデルを用いて、予測対象日の最大需要予測値ＰBNを演算する。この予測モデルでは、入力変数ｘiが最大需要予測値ＰBNに与える影響を各入力変数ｘiの多項式の形で表現している。ここでは、Ｍ個の入力変数ｘiを入力するようにしているが、これら入力変数ｘiの具体例としては、上述した休日度合い以外に、予測対象日の前日の需要実績値、前日の需要実績値の数日前からの増加分、前日までの数日間の最高・最低気温の平均値、予測対象日の予想最高・最低気温、予測対象日の天候予想を表す度合い等が挙げられる。
【００４９】
【数１】
上記数１に示した予測モデルの各入力変数の次数の組の係数ｃirBNは、最小２乗法によって推定する。このとき用いるデータは予測対象日に近い特性を持ったデータである必要があり、予測対象日至近データと、過去年度の同時期のデータとを利用する。
【００５１】
又、この重回帰演算部３１では、上記数１で示す予測モデルを、実績値のデータに基づいて、毎回の予測と同時に自己修正するようにしている。
【００５２】
上記数１に示す予測モデルの具体的な形は、Ｎ1〜ＮMまでを指定することで一意に定めることができる。常にＭ個の入力変数ｘiを使用するとは限らず、あるＮiが０であれば、それに対応する入力変数ｘiは予測モデルに含まれないことになる。下記の数２に示すように、上記予測モデルのＮ1〜ＮMまでを並べたベクトル(N)を定義すると、モデル構造はベクトル(N)によって一意に表される。
【００５３】
【数２】
そして、上記ベクトル(Ｎ)で表されるモデル構造に適当な初期値を与え、毎日新しい実績データが手に入るたびに自動的に修正を加える。ここでは、ある予測対象日の予測に際して、その予測対象日の前日に用いたモデル構造、その予測対象日の前日に用いたモデル構造のうち一つの入力変数について１だけ次数を増やしたモデル構造、同じく一つの入力変数について１だけ次数を減らしたモデル構造といった１＋２Ｍ個のモデル候補の中から、最も良いと判断されたものを採用するようにしている。
【００５５】
上記最も良いモデル構造を判断するには、評価基準が必要である。ここで用いる評価基準は、MallowsのＣp統計量（モデル出力によって出力変数の期待値を推定したときの、平均２乗誤差の推定値に相当するもの）にデータの時変性を考慮したものである。
【００５６】
一般に、目的変数ｙをｐ個の説明変数ｚiを（ｉ＝１、２、…、ｐ）で表現する回帰式
ｙ＝θTｚ＋ε
ｚ＝［ｚ1、ｚ2、…、ｚp］T
θ：パラメータ
ε：白色雑音
を求める場合に、Ｍ組のデータ｛ｙ(１)、ｚ(１)｝、…、｛ｙ(Ｍ)、ｚ(Ｍ)｝を用いるとする。
【００５７】
そして、下記の数３に示すように、Ｃp統計量にデータの重み付け（ｗ1、ｗ2、…）を考慮した評価基準Ｃpwを導入する。この統計量では、εの定常性の他は確率分布の形等の統計的性質を仮定しない。そして、上記１＋２Ｍ個モデル候補の中からＣpw統計量が最小となるものを選び出して、最良のモデル構造として採用する。
【００５８】
【数３】
以上述べたように重回帰による予測モデルを毎回の予測と同時に自己修正するようしたので、最大需要予測値ＰBNと各入力変数ｘiとの関係がよくわからない場合でも適切な予測モデルが得られ、又、最大需要予測値ＰBNと各入力変数ｘiとの関係が変化しても、それに対処するよう自動的に予測モデル構造を変化させることが可能となる。
【００６０】
一方、ニューラルネットワーク演算部３２は、残差の非線型成分をニューラルネットワークで予測モデル化する。これにより、非線型成分を表現しつつ、ニューラルネットワークの学習誤差は残差に対してのみ影響するので、全体予測への影響は小さくすることができる。
【００６５】
補正演算部４は、上記需要予測値演算部３により演算された最大需要予測値に対して、以下に述べる補正処理を行う。
【００６６】
本実施の形態では、上記休日度合い出力部２において、年末年始、ゴールデンウィーク、お盆といった所定期間に含まれる日を土曜日もしくは日曜・祝日として扱うとともに、予測対象日を含む連続した複数の日についての休日度合いの変化パターンを作成して連休を表現することにより、特異日（年末年始、ゴールデンウィーク、お盆といった所定期間に含まれる日）での需要予測の精度を向上させるようにしている。
【００６７】
一方で、特異日（年末年始、ゴールデンウィーク、お盆といった所定期間に含まれる日）では、通常の土曜日や日曜・祝日等とは異なり、その日付に応じた独自の需要傾向があることが分かった。
【００６８】
そこで、補正演算部４では、予測対象日が特異日に該当する場合、その日付に対応した補正係数を用いて補正処理を行うことにしている。
【００６９】
図７には、年末年始を例に、日付と、過去数年の最大需要実績と予測モデル作成時の需要予測値演算部３で演算した各年の最大需要予測値との誤差［％］の平均値との関係を示す。この図７からも、特に１２月３１日や１月１日付近では誤差が大きく、独自の需要傾向を有することが分かる。そこで、日付に対応した補正係数として、上記図７に示す最大需要実績と最大需要予測値との誤差［％］の平均値から得た値を使用する。
【００７０】
補正演算部４には、上記所定期間の日付と上記補正係数とのテーブルを備えておく。そして、予測対象日が特異日に該当する場合、需要予測値演算部３で演算された最大需要予測値に、上記日付けに応じた補正係数を掛け合わせる補正処理を行う。これにより、予測対象日が特異日に該当する場合に、日付けに応じた独自の需要傾向を反映させることができ、需要予測の精度を格段に向上させることが可能となる。
【００７１】
なお、上記実施の形態は一例に過ぎず、上記実施の形態で説明した休日度合い出力部２を廃止し、例えば、従来どおり暦上の日曜・祝日もしくは土曜日であれば休日度合い１を、月〜金であれば休日度合い０を需要予測値演算部３に入力するようにしてもよい。
【００７３】
また、補正演算部４において特異日に応じた補正係数を掛け合わせる補正処理を行うことで、年末年始、ゴールデンウィーク、お盆といった所定期間での需要予測を格段に向上させることが可能となる。この場合も、所定期間の日付けごとに、過去数年の最大需要実績と予測モデル作成時の需要予測値演算部３で演算した各年の最大需要予測値との誤差［％］の平均値を求めておき、その平均値から補正係数を得るようにする。なお、この場合における日付に対応した補正係数は、休日度合い出力部２の有無の差だけ上記実施の形態における値とは異なるものとなる。
【００７４】
上記の実施の形態では最大電力需要を予測する例を挙げたが、最小電力需要を予測する場合も同様である。又、予測対象としては、電力に限らず、水道、ガス等に適用することができる。
【００７５】
すなわち、休日性に影響されるものや、年末年始、ゴールデンウィーク、お盆といった時期や、春夏秋冬といった季節に影響されるものであれば、本発明を適用することができ、例えばコンビニエンスストアでの弁当に代表される生鮮食料品の需要を予測するような事案に適用することも可能である。
【００７６】
上記実施の形態は、コンピュータのＣＰＵあるいはＭＰＵ、ＲＡＭ、ＲＯＭ等で構成されるものであり、ＲＡＭやＲＯＭ等に記録されたプログラムが動作することで実現される。又、上記実施の形態で述べた各機能を実現するためのソフトウェアのプログラムコードをコンピュータに供給するための手段、例えばかかるプログラムコードを格納した記憶媒体は本発明の範疇に含まれる。
【００７７】
【発明の効果】
本発明によれば、休日性を示す休日度合いを入力データとして入力し、予測対象日の特徴に応じて、上記休日度合いに「０」、「１」だけでなく値も与えられるようにしたので、一般観念に近い休日性を表現することができ、需要予測の精度を向上させることができる。
【００７８】
又、本発明によれば、連休を表現することができるので、需要予測の精度を向上させることができる。
【００８０】
又、本発明によれば、予測対象日が年末年始、ゴールデンウィーク、お盆といった所定期間に含まれる特異日に該当する場合、その日付に対応した補正係数を用いて補正処理を行うので、当該所定期間での予測誤差を小さくすることができる。
【００８１】
そして、以上のように需要予測の精度を向上させることができれば、電力、水道、ガス等の安定供給及び設備の経済的運用を図ることができる。
【図面の簡単な説明】
【図１】 本実施の形態の電力需要予測装置の構成を示す図である。
【図２】 休日度合い出力部２の構成を示す図である。
【図３】 １２月２５日〜１月８日までの１５日間に対して休日度合いを割り当てた具体例を示す図である。
【図４】 図３に示した具体例についての休日度合いの変化パターンを示す図である。
【図５】 ボトルネックニューロによる情報圧縮処理を説明するための図である。
【図６】 午前の需要予測値演算部３ａの構成を示す図である。
【図７】 年末年始の日付と、過去数年の最大需要実績と需要予測値演算部３で演算した各年の最大需要予測値との誤差［％］の平均値との関係を示す図である。
【符号の説明】
１ データ蓄積部
２ 休日度合い出力部
３ 需要予測値演算部
４ 補正演算部
２ａ 休日度合い割り当て部
２ｂ 休日度合い変化パターン作成部
２ｃ 情報圧縮部
３ａ 午前の需要予測値演算部
３ｂ 午後の需要予測値演算部
３ｃ 点灯の需要予測値演算部
３１ 重回帰演算部
３２ ニューラルネットワーク演算部
Claims (13)
- 予測対象日より過去の電力需要の実績情報と、暦情報を含む電力需要を予測するための情報と、を取り込んで蓄積するデータ蓄積部と、
上記データ蓄積部から提供される暦情報を取り込んで、予測対象日の休日性を示す数値を休日度合いとして割り当てて出力する休日度合い出力部と、
上記データ蓄積部から提供される過去の電力需要の実績情報と、電力需要を予測するための情報と、上記休日度合い出力部より提供される休日度合いと、を入力データとして取り込んで、該入力データから得られる複数の入力変数の多項式で表現される最大需要予測値を求めるための重回帰による需要予測モデルを用いるとともに該需要予測モデルの係数を最小２乗法によって計算することにより需要予測モデルを作成し、上記予測対象日の予測対象についての需要予測値を演算し出力する重回帰演算部を少なくとも備えた需要予測値演算部と、からなる上記予測対象日の予測対象についての需要予測値を演算する需要予測装置であって、
上記休日度合い出力部は、上記予測対象日の休日度合いとして、暦上の曜日及び祝日に応じた第１種の休日度合いと、暦上の特異期間に含まれるか否かに応じた第２種の休日度合いと、前後の日が飛び石連休であるかまたは二飛び石連休であるかに応じた第３種の休日度合いとのうち、少なくとも１つを割り当てる休日度合い割り当て部を備えたことを特徴とする需要予測装置。 - 上記休日度合い割り当て部は、上記予測対象日に割り当てられた上記第１種〜第３種の休日度合いの中から最も大きなものを選択して、その選択した休日度合いを上記休日度合いとして扱うことを特徴とする請求項１に記載の需要予測装置。
- 上記休日度合い割り当て部は、上記第１種の休日度合いとして、上記予測対象日が暦上の日曜・祝日である場合と、暦上の土曜日である場合と、暦上の月〜金である場合とで互いに異なる数値を割り当てることを特徴とする請求項１又は２に記載の需要予測装置。
- 上記休日度合い割り当て部は、上記第２種の休日度合いとして、上記予測対象日が上記所定期間の初日に該当する場合に、上記暦上の土曜日に割り当てられた上記第１種の休日度合いと同じ数値を割り当て、上記所定期間の初日以外の日に該当する場合に、上記暦上の日曜・祝日に割り当てられた上記第１種の休日度合いと同じ数値を割り当てることを特徴とする請求項３に記載の需要予測装置。
- 上記休日度合い割り当て部は、上記第３種の休日度合いとして、上記予測対象日が飛び石連休の中日に該当する場合と、二飛び石連休の中日に該当する場合とのそれぞれで、上記暦上の土曜日に割り当てられた上記第１種の休日度合いデータの値よりも小さく、上記暦上の月〜金曜日に割り当てられた上記第１種の休日度合いデータの数値よりも大きな数値を割り当てることを特徴とする請求項３又は４に記載の需要予測装置。
- 上記休日度合い出力部は、予測対象日を含む連続した複数の日に対して上記休日度合いを割り当てる休日度合い割り当て部と、休日度合いの変化パターンを作成する休日度合い変化パターン作成部と、上記休日度合いの変化パターンを情報圧縮する情報圧縮部と、を備え、
上記需要予測値演算部は、情報圧縮部で圧縮された休日度合いの変化パターンを入力データとして入力することを特徴とする請求項１〜５のいずれか１項に記載の需要予測装置。 - 上記予測対象日が予め定められている所定期間に含まれている場合に、上記予測対象日の日付に対応して予め定められた補正係数と、上記需要予測値演算手段により演算された需要予測値と、を入力データとして補正処理を行う補正手段を備えたことを特徴とする請求項１〜６のいずれか１項に記載の需要予測装置。
- 予測対象日より過去の電力需要の実績情報と、暦情報を含む電力需要を予測するための情報と、を蓄積するデータ蓄積処理と、
上記データ蓄積処理した暦情報を取り込んで、予測対象日の休日性を示す数値を休日度合いとして割り当てて出力する休日度合い出力処理と、
上記データ蓄積処理した過去の電力需要の実績情報と、電力需要を予測するための情報と、上記休日度合いと、を入力データとして取り込んで、該入力データから得られる複数の入力変数の多項式で表現される最大需要予測値を求めるための重回帰による需要予測モデルを用いるとともに該需要予測モデルの係数を最小２乗法によって計算することにより需要予測モデルを作成し、上記予測対象日の予測対象についての需要予測値を演算する重回帰演算処理を少なくとも行う需要予測値演算処理と、からなる上記予測対象日の予測対象についての需要予測値を演算し出力する需要予測方法であって、
上記休日度合い出力処理は、上記予測対象日の休日度合いとして、暦上の曜日及び祝日に応じた第１種の休日度合いと、暦上の特異期間に含まれるか否かに応じた第２種の休日度合いと、前後の日が飛び石連休であるかまたは二飛び石連休であるかに応じた第３種の休日度合いとのうち、少なくとも１つを割り当てる処理を行うこと特徴とする需要予測方法。 - 上記休日度合い出力処理は、予測対象日を含む連続した複数の日に対して上記休日度合いを割り当てる休日度合い割り当て処理と、休日度合いの変化パターンを作成する休日度合い変化パターン作成処理と、上記休日度合いの変化パターンを情報圧縮する情報圧縮処理と、を行い、
上記需要予測値演算処理は、情報圧縮部で圧縮された休日度合いの変化パターンを入力データとして入力することを特徴とする請求項８に記載の需要予測方法。 - 上記予測対象日が予め定められている所定期間に含まれている場合に、上記予測対象日の日付に対応して予め定められた補正係数と、上記需要予測値演算手段により演算された上記需要予測値と、を入力データとして補正処理を行う処理を行うことを特徴とする請求項８又は９に記載の需要予測方法。
- 上記予測対象は電力需要であることを特徴とする請求項８〜１０のいずれか１項に記載の需要予測方法。
- 予測対象日より過去の電力需要の実績情報と、暦情報を含む電力需要を予測するための情報と、を蓄積するデータ蓄積部と、
上記データ蓄積部から提供される暦情報を取り込んで、予測対象日の休日性を示す数値を休日度合いとして割り当てて出力する休日度合い出力部と、
上記データ蓄積部から提供される過去の電力需要の実績情報と、電力需要を予測するための情報と、上記休日度合い出力部より提供される休日度合いと、を入力データとして取り込んで、該入力データから得られる複数の入力変数の多項式で表現される最大需要予測値を求めるための重回帰による需要予測モデルを用いるとともに該需要予測モデルの係数を最小２乗法によって計算することにより需要予測モデルを作成し、上記予測対象日の予測対象についての需要予測値を演算し出力する重回帰演算部を少なくとも備えた需要予測値演算部と、してコンピュータを機能させて、上記予測対象日の予測対象についての需要予測値を演算するプログラムを格納し、
上記休日度合い出力部は、上記予測対象日の休日度合いとして、暦上の曜日及び祝日に応じた第１種の休日度合いと、暦上の特異期間に含まれるか否かに応じた第２種の休日度合いと、前後の日が飛び石連休であるかまたは二飛び石連休であるかに応じた第３種の休日度合いとのうち、少なくとも１つを割り当てる休日度合い割り当て部を備えたことを特徴とするコンピュータ読み取り可能な記憶媒体。 - 予測対象日より過去の電力需要の実績情報と、暦情報を含む電力需要を予測するための情報と、を蓄積するデータ蓄積処理と、
上記データ蓄積処理した暦情報を取り込んで、予測対象日の休日性を示す数値を休日度合いとして割り当てて出力する休日度合い出力処理と、
上記データ蓄積処理した過去の電力需要の実績情報と、電力需要を予測するための情報と、上記休日度合いと、を入力データとして取り込んで、該入力データから得られる複数の入力変数の多項式で表現される最大需要予測値を求めるための重回帰による需要予測モデルを用いるとともに該需要予測モデルの係数を最小２乗法によって計算することにより需要予測モデルを作成し、上記予測対象日の予測対象についての需要予測値を演算し出力する重回帰演算処理を少なくとも行う需要予測値演算処理と、をコンピュータに実行させて、上記予測対象日の予測対象についての需要予測値を演算するプログラムを格納し、
上記休日度合い出力処理は、上記予測対象日の休日度合いとして、暦上の曜日及び祝日に応じた第１種の休日度合いと、暦上の特異期間に含まれるか否かに応じた第２種の休日度合いと、前後の日が飛び石連休であるかまたは二飛び石連休であるかに応じた第３種の休日度合いとのうち、少なくとも１つを割り当てる処理を行うことを特徴とするコンピュータ読み取り可能な記憶媒体。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000062209A JP4448226B2 (ja) | 2000-03-07 | 2000-03-07 | 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
| JP2007121283A JP2007272911A (ja) | 2000-03-07 | 2007-05-01 | 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000062209A JP4448226B2 (ja) | 2000-03-07 | 2000-03-07 | 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
| JP2007121283A JP2007272911A (ja) | 2000-03-07 | 2007-05-01 | 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2007121283A Division JP2007272911A (ja) | 2000-03-07 | 2007-05-01 | 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2001249916A JP2001249916A (ja) | 2001-09-14 |
| JP4448226B2 true JP4448226B2 (ja) | 2010-04-07 |
Family
ID=50981882
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000062209A Expired - Fee Related JP4448226B2 (ja) | 2000-03-07 | 2000-03-07 | 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
| JP2007121283A Pending JP2007272911A (ja) | 2000-03-07 | 2007-05-01 | 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2007121283A Pending JP2007272911A (ja) | 2000-03-07 | 2007-05-01 | 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
Country Status (1)
| Country | Link |
|---|---|
| JP (2) | JP4448226B2 (ja) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8401708B2 (en) * | 2007-03-26 | 2013-03-19 | Vpec, Inc. | Electric power system |
| JP5119022B2 (ja) * | 2008-03-26 | 2013-01-16 | 東京瓦斯株式会社 | 可変的予測モデル構築方法、及び、可変的予測モデル構築システム |
| JP5618501B2 (ja) * | 2009-07-14 | 2014-11-05 | 株式会社東芝 | 需要予測装置、プログラムおよび記録媒体 |
| JP2011114944A (ja) * | 2009-11-26 | 2011-06-09 | Fuji Electric Systems Co Ltd | 電力需要予測装置、そのプログラム |
| JP5789421B2 (ja) * | 2011-06-10 | 2015-10-07 | アズビル株式会社 | 負荷量予測装置、負荷量予測方法および負荷量予測プログラム |
| JP5857471B2 (ja) * | 2011-06-24 | 2016-02-10 | オムロン株式会社 | デマンド処理装置、デマンド処理装置の制御方法、制御プログラム、記録媒体 |
| JP2013174421A (ja) * | 2012-02-27 | 2013-09-05 | Daikin Industries Ltd | ヒートポンプ機器エネルギー管理装置 |
| JP6044959B2 (ja) * | 2013-07-31 | 2016-12-14 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | 調査を支援する装置及び方法 |
| JP6314529B2 (ja) * | 2014-02-21 | 2018-04-25 | 富士電機株式会社 | 配電系統の実負荷推定に資する学習データの作成方法、プログラム並びに配電系統の実負荷推定装置および推定方法 |
| JP6384797B2 (ja) * | 2014-04-23 | 2018-09-05 | パナソニックＩｐマネジメント株式会社 | 電力変換装置および電力変換システム |
| JP6364923B2 (ja) * | 2014-04-24 | 2018-08-01 | 株式会社明電舎 | 予測装置及び予測方法 |
| JP6641867B2 (ja) * | 2015-10-09 | 2020-02-05 | 日本製鉄株式会社 | 消費電力量予測方法、装置及びプログラム |
| JP6677575B2 (ja) * | 2016-06-01 | 2020-04-08 | 株式会社神戸製鋼所 | 回転機械の運転状態を診断する診断装置及び診断方法 |
| KR102011314B1 (ko) * | 2017-10-12 | 2019-10-21 | 전자부품연구원 | 단위 가구 피크 전력 수요량 예측 방법 및 시스템 |
| KR101989493B1 (ko) * | 2018-03-05 | 2019-06-14 | 숭실대학교산학협력단 | 전력 사용량 예측 시스템 및 방법 |
| CN109063926A (zh) * | 2018-08-24 | 2018-12-21 | 国网河北省电力有限公司沧州供电分公司 | 周期内计划发电量确定方法、系统及终端设备 |
| JP7157683B2 (ja) * | 2019-03-12 | 2022-10-20 | 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 |
| US11074548B2 (en) | 2019-12-05 | 2021-07-27 | Coupang Corp. | Computer implemented systems and methods for optimization of a product inventory by intelligent distribution of inbound products |
| KR102343243B1 (ko) * | 2019-12-13 | 2021-12-28 | 상명대학교산학협력단 | 전력수요 예측 시스템의 비정상일 제거방법 |
| JP7259830B2 (ja) * | 2020-11-18 | 2023-04-18 | 日本電気株式会社 | モデル評価装置、モデル評価方法、およびプログラム |
-
2000
- 2000-03-07 JP JP2000062209A patent/JP4448226B2/ja not_active Expired - Fee Related
-
2007
- 2007-05-01 JP JP2007121283A patent/JP2007272911A/ja active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| JP2007272911A (ja) | 2007-10-18 |
| JP2001249916A (ja) | 2001-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4448226B2 (ja) | 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 | |
| Osman et al. | Neural network based approach for short-term load forecasting | |
| Law et al. | A neural network model to forecast Japanese demand for travel to Hong Kong | |
| US7987106B1 (en) | System and methods for forecasting time series with multiple seasonal patterns | |
| EP3309724A1 (en) | Methods and systems related to allocating field engineering resources for power plant maintenance | |
| CN107346502A (zh) | 一种基于大数据的迭代产品销售预测方法 | |
| Englberger et al. | Two-stage stochastic master production scheduling under demand uncertainty in a rolling planning environment | |
| CN105678414A (zh) | 对资源消耗量进行预测的数据处理方法 | |
| CN117973953A (zh) | 居民温控负荷的需求响应潜力预测模型的构建方法和装置 | |
| Goetschalckx et al. | Trading off supply chain risk and efficiency through supply chain design | |
| Wu et al. | A short-term capacity trading method for semiconductor fabs with partnership | |
| CN113610575B (zh) | 一种产品销量的预测方法及预测系统 | |
| JP2021064163A (ja) | マンアワーシステム | |
| Perez | Application of support vector machines and ANFIS to the short-term load forecasting | |
| Eljazzar et al. | Feature selection and optimization of artificial neural network for short term load forecasting | |
| Hartley et al. | The development of a combined water demandprediction system | |
| Hutama et al. | Medium term power load forecasting for Java and Bali power system using artificial neural network and SARIMAX | |
| JPH08308108A (ja) | 電力需要量予測方法およびその装置 | |
| CN111368257B (zh) | 煤改电负荷特性的分析预测方法及装置 | |
| JP2001288782A (ja) | 配水量予測システム | |
| JPH08221384A (ja) | 販売量予測方法および装置 | |
| CN114139770A (zh) | 基于索洛增长和存量递归的金属产业经济预估系统和方法 | |
| CN111242393A (zh) | 一种自适应权重的综合短期用电负荷预测方法 | |
| CN113780861A (zh) | 一种基于用户日电量调整值的成分指数评估方法及系统 | |
| CN113723663A (zh) | 电力工单数据的处理方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20040902 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070227 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070501 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20070529 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070730 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20070802 |
|
| A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20070824 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20100122 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130129 Year of fee payment: 3 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 4448226 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130129 Year of fee payment: 3 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140129 Year of fee payment: 4 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| LAPS | Cancellation because of no payment of annual fees |