JP6705716B2 - Power demand forecasting method and power demand forecasting program - Google Patents
Power demand forecasting method and power demand forecasting program Download PDFInfo
- Publication number
- JP6705716B2 JP6705716B2 JP2016153449A JP2016153449A JP6705716B2 JP 6705716 B2 JP6705716 B2 JP 6705716B2 JP 2016153449 A JP2016153449 A JP 2016153449A JP 2016153449 A JP2016153449 A JP 2016153449A JP 6705716 B2 JP6705716 B2 JP 6705716B2
- Authority
- JP
- Japan
- Prior art keywords
- temperature
- power demand
- prediction
- power
- value
- 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.)
- Active
Links
- 238000013277 forecasting method Methods 0.000 title claims description 14
- 238000000034 method Methods 0.000 claims description 22
- 238000000611 regression analysis Methods 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、電力需要予測方法および電力需要予測プログラムに関し、電力会社や鉄道事業者の電力供給システムにおける電力需要予測に利用して有効な技術に関する。 The present invention relates to a power demand forecasting method and a power demand forecasting program, and relates to a technique effectively used for power demand forecasting in a power supply system of a power company or a railway company.
電力事業者等の電力供給者は、需要家に対して電力を安定且つ効率的に供給するために、将来の電力需要を予測し、予測した結果に基づいて電力の供給計画を策定している。
従来、電力需要予測方法としては様々な方法が提案されており、電力会社において重回帰式を利用して電力需要を予測する方法として例えば特許文献１に開示されているものがある。また、鉄道事業者の電力供給システムにおける電力負荷（電力消費）を予測する発明として、例えば特許文献２に開示されているものがある。
Electric power suppliers such as electric power companies predict future electric power demand and formulate electric power supply plans based on the predicted results in order to supply electric power to consumers in a stable and efficient manner. ..
Conventionally, various methods have been proposed as a power demand prediction method, and as a method for predicting power demand using a multiple regression equation in a power company, there is one disclosed in Patent Document 1, for example. Further, as an invention for predicting a power load (power consumption) in a power supply system of a railway company, there is one disclosed in Patent Document 2, for example.
特許文献１に開示されている電力需要予測方法は重回帰式を利用して予測するため、コンピュータを用いて比較的精度の高い予測が可能であるが、電力事業者向けに開発された電力需要予測方法であり、一般の建物における電力需要を予測することに向けられており、鉄道設備における電力需要を反映していないため、鉄道設備における電力需要の占める割合が多い電力会社にとっては精度の高い予測値が得られない。また、鉄道事業者の電力供給システムにおける電力需要を予測するには適していない。
一方、特許文献２に開示されている発明は、鉄道事業者向けに開発された電力需要予測方法であるが、列車の車両数や走行距離、加速距離などをパラメータとして負荷電力量を予測しており、気温等を加味した電力需要予測ではないため、精度の高い予測結果が得られないという課題がある。
Since the power demand forecasting method disclosed in Patent Document 1 uses multiple regression equations for forecasting, it is possible to perform forecasting with relatively high accuracy using a computer, but the power demand developed for electric power companies. This is a forecasting method, and it is aimed at predicting the power demand in general buildings, and does not reflect the power demand in railway equipment, so it is highly accurate for electric power companies where the proportion of power demand in railway equipment is large. The predicted value cannot be obtained. In addition, it is not suitable for predicting the power demand in the power supply system of railway operators.
On the other hand, the invention disclosed in Patent Document 2 is a power demand prediction method developed for a railway operator, but predicts the load power amount using parameters such as the number of train cars, mileage, and acceleration distance. However, there is a problem in that a highly accurate forecast result cannot be obtained because it is not a power demand forecast that takes into account temperature and the like.
現在、鉄道事業者の電力供給システムでは、電力会社の発電所もしくは自社管理の発電所から電力供給を受け、電車の運転・空調・各種サービス機器、現業機関、駅ビル等の電力需要を賄っている。電力会社や鉄道事業者の発電所では、翌日以降の発電計画を基に発電業務を行なっており、発電計画の立案に際しては、 翌日の電力需要を予測して計画を立てることが行われている。 Currently, the railway company's power supply system receives power from a power company's power plant or a power plant managed by the company to cover the power demand for train operation, air conditioning, various service equipment, operating organizations, station buildings, etc. There is. The power plants of electric power companies and railway operators carry out power generation operations based on the power generation plan from the next day, and when formulating a power generation plan, the power demand of the next day is predicted to make a plan. .
ところで、鉄道事業者管理下の発電所はもちろん電力会社において、発電の計画値を定める上では、翌日の電力需要を正確に予測することが不可欠であり、従来は担当者が手作業で需要予測を行なっていることがあるが、その場合、長年の勘と経験に依存する部分が大きく、誰もが同等の精度を出せる手法としては確立されていない。また、人に依存する需要予測では予測結果が得られるまでに時間がかかってしまうという課題があった。 By the way, not only power plants under the control of railway operators but also electric power companies, it is essential to accurately predict the power demand of the next day when determining the planned value of power generation. However, in that case, there is a large part that depends on intuition and experience for many years, and it has not been established as a method that can give the same accuracy to everyone. Further, there is a problem that it takes time to obtain a forecast result in demand forecast that depends on people.
本発明は上記のような課題に着目してなされたもので、人の勘と経験によらず電力需要を短時間で高精度に予測することが可能な電力需要予測方法および電力需要予測プログラムを提供することを目的とする。
本発明の他の目的は、鉄道事業者や電力会社が発電所における発電計画を立案するのに利用して有効な電力需要予測方法および電力需要予測プログラムを提供することにある。
The present invention has been made in view of the above problems, and provides a power demand prediction method and a power demand prediction program capable of accurately predicting power demand in a short time without depending on human intuition and experience. The purpose is to provide.
Another object of the present invention is to provide a power demand forecasting method and a power demand forecasting program which are effectively used by a railway company or a power company to make a power generation plan at a power plant.
上記課題を解決するために、本出願の発明に係る電力需要予測方法は、
重回帰分析によって所定時間単位で電力の需要を予測する電力需要予測方法であって、
目的変数を電力負荷とするとともに、説明変数として、少なくとも、気温、気温の２乗、曜日、繁忙期、直近数週間負荷平均値、直近数週間気温平均値を使用し、基本演算式として、次の回帰式
目的変数＝ａ＋ｂ*Ｘ1＋ｃ*Ｘ2+ｄ*Ｘ3＋ｅ*Ｘ4＋ｆ*Ｘ5＋ｇ*Ｘ6
を、平日と平日以外の条件と、温度境界条件と、時間帯条件とに応じて分割して複数の予測式を作成し、該複数の予測式の前記目的変数と前記説明変数Ｘ1,Ｘ2,Ｘ3,Ｘ4,Ｘ5,Ｘ6に、過去数年分の実績値を入れて、各予測式に対応した定数ａおよび係数ｂ，ｃ，ｄ，ｅ，ｆ，ｇの値を得た後、
予測対象の説明変数Ｘ1,Ｘ2,Ｘ3,Ｘ4,Ｘ5,Ｘ6を対応する予測式に代入して、電力需要の予測値を算出するようにしたものである。
In order to solve the above problems, the power demand forecasting method according to the invention of the present application,
A power demand forecasting method for forecasting power demand in predetermined time units by multiple regression analysis,
The objective variable is the power load, and at least the temperature, the square of the temperature, the day of the week, the busy season, the load average value for the last few weeks, and the average temperature value for the last few weeks are used as the explanatory variables. Regression formula of a =a+b*X1+c*X2+d*X3+e*X4+f*X5+g*X6
Is divided into weekdays and conditions other than weekdays, temperature boundary conditions, and time zone conditions to create a plurality of prediction formulas, and the objective variables and the explanatory variables X1, X2, and After putting the actual values for the past few years into X3, X4, X5, and X6 to obtain the values of the constant a and the coefficients b, c, d, e, f, and g corresponding to each prediction formula,
The predictive value of the power demand is calculated by substituting the explanatory variables X1, X2, X3, X4, X5, and X6 of the prediction target into the corresponding prediction formulas.
上記のような方法によれば、人の勘と経験に頼ることなく、従来の人による電力需要予測と比べても遜色のない電力需要予測を行うことができる。特に、本発明方法は、重回帰分析による予測式の説明変数に、一般的な「気温」の他に「気温の２乗」を含んでいるため、精度の高い電力需要予測が可能である。また、コンピュータを利用して予測を行うことができるため、短時間に予測結果が得られるとともに、省力化を達成することができる。なお、本明細書において、「実績」なる語は「実測」と同義である。また、「過去数年」には１年も含まれる。 According to the method as described above, it is possible to perform power demand forecasting that is comparable to conventional power demand forecasting by humans without relying on human intuition and experience. In particular, since the method of the present invention includes the "square of the temperature" in addition to the general "temperature" as the explanatory variables of the prediction formula by the multiple regression analysis, it is possible to accurately predict the power demand. In addition, since the prediction can be performed using a computer, the prediction result can be obtained in a short time and labor saving can be achieved. In the present specification, the term “actual result” is synonymous with “actual measurement”. Moreover, one year is included in the "past several years".
ここで、望ましくは、鉄道事業者の電力供給システムにおける電力の需要を予測する場合において、前記温度境界条件を負荷−気温特性の最小点近傍の温度とするようにする。
上記のような方法によれば、鉄道事業者が発電所における発電計画を立案する際に、冷房運転や暖房運転の影響を考慮した電力需要を、人の勘と経験によらず短時間に高精度で予測することができる。
Here, it is desirable that the temperature boundary condition is set to a temperature near the minimum point of the load-air temperature characteristic when predicting the demand for electric power in the electric power supply system of the railway company.
According to the above method, when a railway operator makes a power generation plan at a power plant, the power demand considering the effects of cooling operation and heating operation can be increased in a short time regardless of human intuition and experience. It can be predicted with accuracy.
さらに、望ましくは、前記説明変数のうち気温および気温の２乗について、前日の予報気温もしくは当日の予報気温、または前日の予報気温および当日の予報気温、を説明変数として予測式を作成し、作成した前記予測式を用いて電力需要を予測するようにする。
このような方法とすることにより、従来の人による電力需要予測よりも高精度に電力需要を予測することができる。
Furthermore, it is preferable that, regarding the temperature and the square of the temperature among the explanatory variables, a prediction formula is created by using the predicted temperature of the previous day or the predicted temperature of the day, or the predicted temperature of the previous day and the predicted temperature of the day as the explanatory variables. The power demand is predicted using the above-described prediction formula.
By adopting such a method, the power demand can be predicted with higher accuracy than the conventional power demand prediction by a person.
また、望ましくは、前記電力負荷の実績値を記憶する記憶装置には、異常値であることを示すフラグを付記した実績データを格納しておいて、前記基本演算式を用いて定数ａおよび係数ｂ，ｃ，ｄ，ｅ，ｆ，ｇの値を得る際に、前記フラグが付いている実績データを除いたデータを用いるようにする。
かかる方法によれば、異常発生時の実績データを除いた状態で電力需要の予測式の定数や係数を決定することができ、それによって電力需要をより高精度に予測することができる。
Preferably, the storage device for storing the actual value of the power load stores actual data with a flag indicating an abnormal value, and uses the basic arithmetic expression to calculate a constant a and a coefficient. When obtaining the values of b, c, d, e, f and g, the data excluding the actual data having the flag is used.
According to this method, the constants and coefficients of the power demand prediction equation can be determined in a state where the actual data at the time of occurrence of an abnormality is excluded, and thereby the power demand can be predicted with higher accuracy.
本発明によれば、人の勘と経験によらず電力需要を短時間で高精度に予測することが可能な電力需要予測方法および電力需要予測プログラムを提供することができる。また、鉄道事業者が発電所における発電計画を立案するのに利用して有効な電力需要予測方法および電力需要予測プログラムを提供できるという効果がある。 According to the present invention, it is possible to provide a power demand forecasting method and a power demand forecasting program that can accurately forecast power demand in a short time without depending on human intuition and experience. Further, there is an effect that the railway company can provide an effective power demand forecasting method and power demand forecasting program that can be used by the power plant to prepare a power generation plan.
以下、図面を参照しながら、本発明に係る電力需要予測方法の実施の形態について説明する。本実施形態においては、図１に示すような機能ブロックからなるシステムを利用して電力需要予測を行うことができる。
図１に示すシステムは、一般的なコンピュータシステムにより実現することができるもので、マイクロプロセッサ（ＭＰＵ）のようなプログラム方式の演算処理装置１１およびＲＯＭ（読出し専用メモリ）１２やＲＡＭ（随時読出し書込み可能なメモリ）１３のような記憶手段を備えた電力需要予測実行部１０と、電力需要予測に必要なデータを記憶した記憶装置２１と、ユーザインタフェース（ユーザＩ／Ｆ）２２と、キーボードやマウスなどの入力装置２３と、液晶表示パネルのような表示装置２４と、を備えている。
An embodiment of a power demand prediction method according to the present invention will be described below with reference to the drawings. In the present embodiment, it is possible to perform power demand prediction using a system including functional blocks as shown in FIG.
The system shown in FIG. 1 can be realized by a general computer system, and includes a program-type arithmetic processing unit 11 such as a microprocessor (MPU), a ROM (read-only memory) 12, and a RAM (read-write as needed). Power demand forecasting execution unit 10 having storage means such as a possible memory) 13, a storage device 21 storing data required for power demand forecasting, a user interface (user I/F) 22, a keyboard and a mouse. And an input device 23 such as a display device 24 such as a liquid crystal display panel.
上記記憶装置２１には、本実施形態の電力需要予測に必要なデータとして、過去数年間（例えば２年間）の日毎、時間帯毎の実測気温データおよび日毎、時間帯毎の電力負荷データ（電力使用量の実測値）が実績値として格納されるようになっている。
電力需要予測の実行に必要なプログラムおよび基本演算式は電力需要予測実行部１０のＲＯＭ１２に記憶されており、マイクロプロセッサ（ＭＰＵ）１１が該プログラムに従って電力需要予測に必要な演算処理を実行する。ここで、演算処理には、基本演算式に基づく予測式の作成および予測値の算出が含まれる。
In the storage device 21, as the data necessary for the power demand prediction of the present embodiment, the actual temperature data for each day and each time zone for the past several years (for example, two years) and the power load data (power for each time zone) The measured value of the usage amount) is stored as the actual value.
The programs and basic arithmetic expressions required for executing the power demand forecast are stored in the ROM 12 of the power demand forecasting execution unit 10, and the microprocessor (MPU) 11 executes the computing process required for the power demand forecast according to the program. Here, the arithmetic processing includes creation of a prediction formula based on a basic calculation formula and calculation of a prediction value.
本発明に係る電力需要予測は、重回帰分析を利用するもので、重回帰式における説明変数として、例えば以下のようなパラメータを選択したことを特徴としており、特に（２）の「気温の２乗」をパラメータとして選択したことおよび後に説明するように複数個（例えば９６個）の予測式を作成するようにしたことにも特徴がある。
［説明変数の例］
（１）気温 ：Ｘ1
（２）気温の２乗 ：Ｘ2
（３）曜日 ：Ｘ3
（４）繁忙期 ：Ｘ4
（５）直近数週間負荷平均値：Ｘ5
（６）直近数週間気温平均値：Ｘ6
ここで「繁忙期」とはゴールデンウィークのような連休期間や盆、暮れ、正月のように公共交通機関を利用した人の移動が非常に多い期間を指す。
The power demand forecast according to the present invention uses multiple regression analysis, and is characterized in that, for example, the following parameters are selected as explanatory variables in the multiple regression equation. It is also characterized in that "square" is selected as a parameter and that a plurality of (for example, 96) prediction formulas are created as described later.
[Example of explanatory variables]
(1) Temperature: X1
(2) Square of temperature: X2
(3) Day of the week: X3
(4) Busy season: X4
(5) Load average for the last few weeks: X5
(6) Average temperature in recent weeks: X6
Here, the "busy season" refers to a period of consecutive holidays such as Golden Week, or periods such as Bon, Dusk, and New Year, when there are very many people using public transportation.
例えば上記６つの説明変数Ｘ1〜Ｘ6を用いた基本演算式としての重回帰式は、次式
目的変数＝ａ＋ｂ*Ｘ1＋ｃ*Ｘ2+ｄ*Ｘ3＋ｅ*Ｘ4＋ｆ*Ｘ5＋ｇ*Ｘ6
で示される。上式で「目的変数」は電力負荷（電力消費量）である。本実施形態では、記憶装置２１に記憶されている過去２年分の実測値から、重回帰分析によって、上記式における定数ａおよび係数ｂ〜ｇを決定し、例えば９６個の予測式を作成する。そして、作成した予測式を用いて、時間帯ごとに電力需要量を予測していく。この予測式は、
予測値Ｅ＝ａ＋ｂ*Ｘ1＋ｃ*Ｘ2+ｄ*Ｘ3＋ｅ*Ｘ4＋ｆ*Ｘ5＋ｇ*Ｘ6
で示される。定数ａおよび係数ｂ〜ｇは上記重回帰分析によって決定されているので、その値を用いることで予測値Ｅが得られる。
For example, the multiple regression equation as a basic arithmetic equation using the above six explanatory variables X1 to X6 is the following objective variable=a+b*X1+c*X2+d*X3+e*X4+f*X5+g*X6
Indicated by. In the above equation, the "objective variable" is the power load (power consumption). In the present embodiment, the constant a and the coefficients b to g in the above equation are determined by the multiple regression analysis from the measured values for the past two years stored in the storage device 21, and, for example, 96 prediction equations are created. .. Then, using the created prediction formula, the power demand is predicted for each time period. This prediction formula is
Predicted value E=a+b*X1+c*X2+d*X3+e*X4+f*X5+g*X6
Indicated by. Since the constant a and the coefficients b to g are determined by the above multiple regression analysis, the predicted value E can be obtained by using the values.
上記定数ａおよび係数ｂ〜ｇを決定する際に、目的変数および説明変数Ｘ1〜Ｘ6に入れる値は、記憶装置２１から読み出された実績値であり、予測式の数に対応した時間単位のデータを用いる。具体的には、予測式の数が図２に示すように９６個の場合、１時間単位のデータを用いることとなる。
上記予測式を用いて予測値Ｅを算出する際に、上記説明変数Ｘ1とＸ2に入れる値は、それぞれ予想する日の予報気温と予報気温の２乗である。また、上記予測式を用いて、繁忙期以外の電力予測値Ｅを算出する場合には説明変数Ｘ4は使用しない。
When determining the constant a and the coefficients b to g, the values to be entered in the objective variables and the explanatory variables X1 to X6 are the actual values read from the storage device 21, and are the time units corresponding to the number of prediction formulas. Use the data. Specifically, when the number of prediction formulas is 96 as shown in FIG. 2, one hour unit data is used.
When the predicted value E is calculated using the above prediction formula, the values to be entered in the explanatory variables X1 and X2 are the predicted temperature on the predicted day and the square of the predicted temperature, respectively. Further, the explanatory variable X4 is not used when the power prediction value E other than the busy season is calculated using the above prediction formula.
なお、重回帰分析は、公知の分析用ソフトウェアによって行うことができるので、詳しい説明は省略する。
直近数週間負荷平均値Ｘ5と直近数週間気温平均値Ｘ6を説明変数として選択したのは、気象現象等に起因して冷夏時や暖冬時のように過去のその時期の平均気温からずれている場合にも、精度の高い予測結果が得られるようにするためである。
Since the multiple regression analysis can be performed by a known analysis software, detailed description will be omitted.
The load average value X5 for the last few weeks and the mean temperature value X6 for the last few weeks were selected as explanatory variables because they are deviated from the average temperature in the past such as during cold summer or warm winter due to weather phenomenon. Even in such a case, a highly accurate prediction result can be obtained.
一方、上述したように、９６個の予測式を作成することとしたのは、鉄道事業に特有の電力需要を考慮した結果であり、以下にその理由を説明する。
本発明者らは、本発明に係る電力需要予測方法を開発するに当たり、過去の実測データの特徴について検討した。まず、鉄道事業における電力需要は、社会一般の電力需要と異なり走行させる列車の本数の影響を受ける。そして、列車本数は、平日と平日以外（土日、正月等）とで大きく異なる。また、列車本数は時間帯によっても異なっている。なお、鉄道事業者の電力供給システムにおける電力負荷には、列車が消費する電力の他、駅舎等で消費する電力も含まれるが、列車が消費する電力の方が全体に占める割合が大きい。
On the other hand, as described above, the reason why 96 prediction formulas are created is the result of considering the electric power demand peculiar to the railway business, and the reason will be described below.
The present inventors examined the characteristics of past measured data when developing the power demand prediction method according to the present invention. First, the electric power demand in the railway business is affected by the number of trains that run, unlike the general electric power demand in society. And, the number of trains is significantly different between weekdays and non-weekdays (Saturday, Sunday, New Year, etc.). Also, the number of trains varies depending on the time of day. Note that the electric power load in the electric power supply system of the railway company includes electric power consumed by trains as well as electric power consumed by station buildings and the like, but the electric power consumed by trains has a larger proportion in the whole.
これらのことから、時間帯を２４に分けた場合、さらに平日と平日以外を区別すると４８パターンに分かれることが分かる。また、過去の実測データを分析したところ、エアコン使用の冷房帯、暖房帯の境界と想定される気温１６度近傍を境に、分割して予測することが有効であることが分かった。そこで、気温１６度以上と１６度未満とで予測式を異ならせることとした。その結果、合計で９６個の予測式を使用することが有効であるとの結論に達した。なお、１６度については、固定ではなく、環境などに応じて変化する可能性がある。この１６度等の温度が、特許請求の範囲における負荷−気温特性の最小点近傍の温度である。 From these, it can be seen that when the time zone is divided into 24, when the weekdays and non-weekdays are further distinguished, there are 48 patterns. In addition, analysis of past measured data has revealed that it is effective to divide and predict the boundary between the cooling zone and the heating zone using the air conditioner, which is assumed to be around 16 degrees in temperature. Therefore, it was decided to use different prediction formulas for temperatures above 16 degrees and below 16 degrees. As a result, it was concluded that it is effective to use a total of 96 prediction formulas. Note that 16 degrees is not fixed and may change depending on the environment. The temperature of 16 degrees or the like is the temperature near the minimum point of the load-air temperature characteristic in the claims.
図２に、９６個の予測式の分け方（パターン分割）のイメージを示す。図２において、例えば式（２）は、「平日」の「２時」台であって予測気温が１６度以上の場合に使用する予測式であることを意味する。なお、この「１６度」などの気温は本発明者らが想定したエリアでの値であり、予測式の作成および予測値の算出に用いる気温はそのエリア内の適当な地点の値が選択される。
また、説明変数として、気温Ｘ1の他に、気温２乗Ｘ2を含ませることとしたのは、横軸に気温、縦軸に電力負荷（任意単位(a.u.)）をとったグラフに過去２年分の実測値をプロットしたところ、図３に示すような結果が得られたためである。なお、図３は「平日のある時間」に関するものであるが、「休日」に関してもほぼ同様なグラフとなった。図３より、各点は下向きに凸状をなす曲線に集中している。このことから、本実施形態のように、気温２乗を説明変数として用いることが有効であることが分かる。
FIG. 2 shows an image of how to divide the 96 prediction expressions (pattern division). In FIG. 2, for example, Expression (2) means that it is a prediction expression to be used in the case of “2 o'clock” on “weekdays” and the predicted temperature is 16 degrees or higher. The temperature such as "16 degrees" is a value in the area assumed by the present inventors, and the temperature used for creating the prediction formula and calculating the prediction value is a value at an appropriate point in the area. It
In addition to the temperature X1, the temperature squared X2 is included as an explanatory variable because the temperature is plotted on the horizontal axis and the electric power load (arbitrary unit (au)) is plotted on the vertical axis for the past two years. This is because when the measured values of minutes were plotted, the results shown in FIG. 3 were obtained. Note that FIG. 3 relates to “sometime on weekdays”, but the graphs for “holidays” are almost the same. From FIG. 3, the points are concentrated on the downwardly convex curve. From this, it can be seen that it is effective to use the temperature squared as the explanatory variable as in the present embodiment.
また、本実施形態においては、記憶装置２１内に格納されている過去の実績データ（実測電力負荷）に、輸送障害等が発生した日のデータには異常値であることを示すフラグを時間帯毎に付記して格納しておいて、上記重回帰分析を実行するに際して、スクリーニングを行なって異常フラグが付いているデータを予測のための演算に使用しないようにしている。さらに、大きなイベントが開催された等の理由で一時的に電力消費が増加したと考えられるようなデータがあった場合、そのデータにも異常フラグを付記して、電力需要予測に使用しないようにしても良い。 Further, in the present embodiment, in the past performance data (actually measured power load) stored in the storage device 21, a flag indicating that the data on the day when the transportation failure or the like is an abnormal value is a time zone. Each data is additionally stored and stored, and when the multiple regression analysis is performed, screening is performed so that the data with the abnormality flag is not used in the calculation for prediction. In addition, if there is data that seems to have caused a temporary increase in power consumption due to a large event being held, etc., add an abnormal flag to that data as well to prevent it from being used for power demand forecasting. May be.
次に、上記予測式を用いた本実施形態の電力需要予測手法の評価結果について説明する。
本発明者らは、過去２年分の実績データを用いて上記予測式を用いた電力需要予測手法による予測結果について、予測精度の評価指数としての決定係数Ｒ2と平均絶対誤差率（ＭＡＰＥ）を用いた評価を行なったので、その評価結果と比較結果について説明する。
Next, the evaluation result of the power demand prediction method of the present embodiment using the above prediction formula will be described.
The inventors of the present invention have used the past two years of actual data to predict the prediction result of the power demand prediction method using the above prediction formula, and determine the coefficient of determination R 2 and the average absolute error rate (MAPE) as the evaluation index of the prediction accuracy. Since the evaluation was performed using, the evaluation result and the comparison result will be described.
図４は、上記電力需要予測手法によって行なった電力需要予測値（任意単位(a.u.)）と実際に計測された電力需要実績値（任意単位(a.u.)）との関係を示す。図４より、各点はほぼ１本の直線の近傍に集中していることが分かる。また、これらの予測値と実績値とから決定係数Ｒ2を求めたところ、Ｒ2は０．９９以上であった。決定係数は、予測精度を示す評価指標であり、相関係数Ｒの２乗で表わされる値で、「１」に近いほど精度が高いことを意味している。 FIG. 4 shows the relationship between the power demand forecast value (arbitrary unit (au)) performed by the power demand forecasting method and the actually measured power demand actual value (arbitrary unit (au)). It can be seen from FIG. 4 that each point is concentrated in the vicinity of one straight line. Further, when the coefficient of determination R 2 was calculated from these predicted values and actual values, R 2 was 0.99 or more. The coefficient of determination is an evaluation index indicating the prediction accuracy, and is a value represented by the square of the correlation coefficient R, and the closer to “1”, the higher the accuracy.
また、上記電力需要予測手法によって行なった予測値と実績値とに基づいて求めた絶対誤差率を検証した。平均絶対誤差率（ＭＡＰＥ）は、予測値と実績値の差を実績値で割ったものの平均値であり、値が小さいほど精度が高いことを意味している。本実施形態の予測結果の場合、３％前後であった。
図４から、本実施形態の電力需要予測手法は非常に精度が高いこと分かる。
さらに、予測式における（１）と（２）の説明変数の「気温」と「気温の２乗」として、「当日発表の予報気温」を使用することで、より高い精度で予測が行えることが分かった。
Further, the absolute error rate obtained based on the predicted value and the actual value performed by the power demand prediction method was verified. The average absolute error rate (MAPE) is an average value of the difference between the predicted value and the actual value divided by the actual value, and the smaller the value, the higher the accuracy. In the case of the prediction result of this embodiment, it was around 3%.
It can be seen from FIG. 4 that the power demand forecasting method of this embodiment is very accurate.
Furthermore, by using the "predicted temperature announced on the day" as the "ambient temperature" and the "square of the temperature" of the explanatory variables (1) and (2) in the prediction formula, it is possible to perform prediction with higher accuracy. Do you get it.
さらに、重回帰分析に使用する説明変数は前述の６種類に限定されるものではなく、「予報気温」として「前日予報気温」と「当日の予報気温」をそれぞれ説明変数として用いたり、「直近数時間の電力負荷実測値」など他の説明変数を加えたりして、７種類、８種類……としても良く、それによって予測の精度をさらに高めることが可能である。
また、前日の予測では、前述の６種類の説明変数を使用し、当日の予測では前述の６種類のうち、気温と気温２乗を当日の予報値とすることで、従来の人手による予測の精度と同等以上の精度が得られることを確認することができている。
Furthermore, the explanatory variables used in the multiple regression analysis are not limited to the six types described above, and the "predicted temperature" can be "predicted temperature on the previous day" and "predicted temperature on the current day", respectively, or Other explanatory variables such as “actual power load measured value for several hours” may be added to obtain seven types, eight types, and the like, which can further improve the accuracy of prediction.
In the previous day's prediction, the above-mentioned six types of explanatory variables are used, and in the day's prediction, the temperature and the temperature squared of the above-mentioned six types are used as the forecast value of the day, and thus the conventional manual prediction is performed. It has been confirmed that an accuracy equal to or higher than the accuracy can be obtained.
以上、本発明の各実施の形態について説明したが、本発明は上記実施形態に限定されるものではなく、種々の変形や変更が可能である。例えば、上記実施形態では９６個の予測式を使用するとしたが、例えば３０分毎、９０分毎あるいは２時間毎に式を切り替えるようにすることで、１９２個や６４個、４８個等任意の数の予測式を立てるようにすることができる。１分毎に予測式を切り替えることも可能である。
また、説明変数「直近数週間負荷平均値」と「直近数週間気温平均値」としては、例えば直近１〜３週間あるいは１０〜２０日間の負荷平均値と気温平均値を用いても良い。要するに、任意の期間を定めその期間の平均値をとるようにすることができる。
Although the respective embodiments of the present invention have been described above, the present invention is not limited to the above embodiments, and various modifications and changes can be made. For example, in the above-described embodiment, 96 prediction formulas are used, but by switching the formulas every 30 minutes, 90 minutes, or 2 hours, for example, 192, 64, 48, etc. can be selected. A number prediction formula can be set up. It is also possible to switch the prediction formula every minute.
Further, as the explanatory variables “load average value for recent weeks” and “average temperature value for recent weeks”, for example, load average value and average temperature value for the latest 1 to 3 weeks or 10 to 20 days may be used. In short, it is possible to set an arbitrary period and take the average value of the period.
１０ 演算処理装置
１１ ＭＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
２１ データ記憶装置
２２ ユーザインタフェース
２３ 入力装置
２４ 表示装置
10 arithmetic processing unit 11 MPU
12 ROM
13 RAM
21 data storage device 22 user interface 23 input device 24 display device
Claims (5)
目的変数を電力負荷とするとともに、説明変数として、少なくとも、気温、気温の２乗、曜日、繁忙期、直近数週間負荷平均値、直近数週間気温平均値を使用し、基本演算式として、次の回帰式
目的変数＝ａ＋ｂ*Ｘ1＋ｃ*Ｘ2+ｄ*Ｘ3＋ｅ*Ｘ4＋ｆ*Ｘ5＋ｇ*Ｘ6
を、平日と平日以外の条件と、温度境界条件と、時間帯条件とに応じて分割して複数の予測式を作成し、該複数の予測式の前記目的変数と前記説明変数Ｘ1,Ｘ2,Ｘ3,Ｘ4,Ｘ5,Ｘ6に、過去数年分の実績値を入れて、各予測式に対応した定数ａおよび係数ｂ，ｃ，ｄ，ｅ，ｆ，ｇの値を得た後、
予測対象の説明変数Ｘ1,Ｘ2,Ｘ3,Ｘ4,Ｘ5,Ｘ6を対応する予測式に代入して、電力需要の予測値を算出することを特徴とする電力需要予測方法。 A power demand forecasting method for forecasting power demand in predetermined time units by multiple regression analysis,
The objective variable is the power load, and at least the temperature, the square of the temperature, the day of the week, the busy season, the load average value for the last few weeks, and the average temperature value for the last few weeks are used as the explanatory variables. Regression formula of a =a+b*X1+c*X2+d*X3+e*X4+f*X5+g*X6
Is divided into weekdays and conditions other than weekdays, temperature boundary conditions, and time zone conditions to create a plurality of prediction formulas, and the objective variables and the explanatory variables X1, X2, and After putting the actual values for the past few years into X3, X4, X5, and X6 to obtain the values of the constant a and the coefficients b, c, d, e, f, and g corresponding to each prediction formula,
A power demand forecasting method, characterized in that the forecasted value of power demand is calculated by substituting the predictive variables X1, X2, X3, X4, X5, X6 into the corresponding forecasting equations.
目的変数を電力負荷とするとともに、説明変数として、少なくとも、気温、気温の２乗、曜日、繁忙期、直近数週間負荷平均値、直近数週間気温平均値を使用し、基本演算式として、次の回帰式
目的変数＝ａ＋ｂ*Ｘ1＋ｃ*Ｘ2+ｄ*Ｘ3＋ｅ*Ｘ4＋ｆ*Ｘ5＋ｇ*Ｘ6
を、平日と平日以外の条件と、温度境界条件と、時間帯条件とに応じて分割して複数の予測式を作成する処理と、
前記複数の予測式の前記目的変数と前記説明変数Ｘ1,Ｘ2,Ｘ3,Ｘ4,Ｘ5,Ｘ6に、過去数年分の実績値を入れて、各予測式に対応した定数ａおよび係数ｂ，ｃ，ｄ，ｅ，ｆ，ｇの値を求める処理と、
予測対象の説明変数Ｘ1,Ｘ2,Ｘ3,Ｘ4,Ｘ5,Ｘ6を対応する予測式に代入して、電力需要の予測値を算出する処理と、
を実行させるための電力需要予測プログラム。 On the computer,
The objective variable is the power load, and at least the temperature, the square of the temperature, the day of the week, the busy season, the load average value for the last few weeks, and the average temperature value for the last few weeks are used as the explanatory variables. Regression formula of a =a+b*X1+c*X2+d*X3+e*X4+f*X5+g*X6
Processing to create a plurality of prediction formulas by dividing according to weekday and non-weekday conditions, temperature boundary conditions, and time zone conditions,
Actual values for the past several years are put in the objective variables and the explanatory variables X1, X2, X3, X4, X5, X6 of the plurality of prediction formulas, and constants a and coefficients b, c corresponding to the respective prediction formulas are entered. , D, e, f, g values, and
Substituting the predictive explanatory variables X1, X2, X3, X4, X5, X6 into the corresponding prediction formulas to calculate the predicted value of the power demand,
Electric power demand forecasting program to execute.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016153449A JP6705716B2 (en) | 2016-08-04 | 2016-08-04 | Power demand forecasting method and power demand forecasting program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016153449A JP6705716B2 (en) | 2016-08-04 | 2016-08-04 | Power demand forecasting method and power demand forecasting program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2018023227A JP2018023227A (en) | 2018-02-08 |
| JP6705716B2 true JP6705716B2 (en) | 2020-06-03 |
Family
ID=61164678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2016153449A Active JP6705716B2 (en) | 2016-08-04 | 2016-08-04 | Power demand forecasting method and power demand forecasting program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6705716B2 (en) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020141478A (en) * | 2019-02-28 | 2020-09-03 | 東京電力ホールディングス株式会社 | Information processing device, information processing method, and program |
| JP7335087B2 (en) * | 2019-03-29 | 2023-08-29 | 三機工業株式会社 | Air conditioning load prediction method and system, and air conditioning system energy management method and system |
| US10862302B1 (en) | 2019-07-01 | 2020-12-08 | Oracle International Corporation | Intelligent data preprocessing technique to facilitate loadshape forecasting for a utility system |
| WO2021156912A1 (en) * | 2020-02-03 | 2021-08-12 | 三菱電機株式会社 | Simulation device, simulation method, and simulation program |
| CN114664389B (en) * | 2022-03-24 | 2023-09-22 | 南方电网电力科技股份有限公司 | Prediction method and device for reaction conditions of urea hydrolysis ammonia production |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3707589B2 (en) * | 1998-04-16 | 2005-10-19 | 富士電機システムズ株式会社 | Electricity demand forecast method |
| JP2005229758A (en) * | 2004-02-13 | 2005-08-25 | Tyrell Express Kk | System for managing energy consumption |
| JP4154373B2 (en) * | 2004-08-06 | 2008-09-24 | 株式会社日立製作所 | Power supply business risk management support system |
| JP2009225613A (en) * | 2008-03-18 | 2009-10-01 | Tokyo Electric Power Co Inc:The | Device and method for predicting power demand |
| JP5119022B2 (en) * | 2008-03-26 | 2013-01-16 | 東京瓦斯株式会社 | Variable prediction model construction method and variable prediction model construction system |
| US8065098B2 (en) * | 2008-12-12 | 2011-11-22 | Schneider Electric USA, Inc. | Progressive humidity filter for load data forecasting |
| JP2015134523A (en) * | 2014-01-16 | 2015-07-27 | 株式会社日立製作所 | Electric railroad power control system and method |
-
2016
- 2016-08-04 JP JP2016153449A patent/JP6705716B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2018023227A (en) | 2018-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6705716B2 (en) | Power demand forecasting method and power demand forecasting program | |
| Lee et al. | A hybrid dynamic and fuzzy time series model for mid-term power load forecasting | |
| US20170211830A1 (en) | Air-conditioning control system, air-conditioning planning device, and planning method | |
| TWI592811B (en) | Demand forecast device, program and recording medium | |
| US10223167B2 (en) | Discrete resource management | |
| JP5789421B2 (en) | Load amount prediction apparatus, load amount prediction method, and load amount prediction program | |
| Behl et al. | Data-driven modeling, control and tools for cyber-physical energy systems | |
| US10846715B2 (en) | Energy operation apparatus, method, and system | |
| CN105091076B (en) | Energy-saving effect computational methods and device | |
| CN103513632A (en) | Energy management system | |
| JP2008109813A (en) | Demand controller and power consumption system | |
| Khamma et al. | Generalized additive models: An efficient method for short-term energy prediction in office buildings | |
| JP7099805B2 (en) | Predictors, prediction systems, prediction methods and programs | |
| WO2015075978A1 (en) | Power suppression optimization system and power suppression optimization method | |
| JP2009225613A (en) | Device and method for predicting power demand | |
| JP2014220971A (en) | Power demand prediction device, power demand prediction method, and power demand prediction program | |
| JP2016110255A (en) | Supply-demand adjustment system | |
| JP2018147234A (en) | Maintenance plan creation device and method | |
| Biemann et al. | Data Center HVAC Control Harnessing Flexibility Potential via Real-Time Pricing Cost Optimization Using Reinforcement Learning | |
| Shiel et al. | Effects of building energy optimisation on the predictive accuracy of external temperature in forecasting models | |
| JP6519215B2 (en) | Power transaction support system, power transaction support method and program | |
| Kang et al. | Forecasting Airport Building Electricity Demand on the Basis of Flight Schedule Information for Demand Response Applications | |
| JP6194246B2 (en) | Refrigerator performance evaluation apparatus and method | |
| JP2021131627A (en) | DR activation prediction system | |
| Márquez et al. | Modelling on-line reliability and risk to schedule the preventive maintenance of repairable assets in network utilities |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190708 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200422 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200512 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200514 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6705716 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |