JP2001245432A - 需要予測装置 - Google Patents
需要予測装置Info
- Publication number
- JP2001245432A JP2001245432A JP2000053579A JP2000053579A JP2001245432A JP 2001245432 A JP2001245432 A JP 2001245432A JP 2000053579 A JP2000053579 A JP 2000053579A JP 2000053579 A JP2000053579 A JP 2000053579A JP 2001245432 A JP2001245432 A JP 2001245432A
- Authority
- JP
- Japan
- Prior art keywords
- day
- data
- demand
- similar
- date
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 239000012530 fluid Substances 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 6
- 150000001875 compounds Chemical group 0.000 abstract 1
- 230000006870 function Effects 0.000 description 70
- 238000012545 processing Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 12
- 238000013500 data storage Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000002194 synthesizing effect Effects 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 101001024616 Homo sapiens Neuroblastoma breakpoint family member 9 Proteins 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 102100037013 Neuroblastoma breakpoint family member 9 Human genes 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005316 response function 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)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
定時に、抽出した類似事象に対して、人間生活に依存し
た要素の状態変化に対応した補正方法で補正する。 【解決手段】 影響要因予測データ2、影響要因実績デ
ータ3から実績DB13をつくり、また予測日の予測要
因データテーブル14を生成する。この要因には少なく
とも日〜土曜日及び祝日、特異日の9種の日種を含む。
MBR機能15は予測要因データと実績DBの出力との
類似度を調べて類似日を複数個抽出し、NN機能16は
日種ごとに設けられたニューラルネットワークによって
これら類似日の需要量補正値を算出し、合成機能17は
類似日ごとの実績供給量を前記補正量で補正し、その後
全類似日の補正需要量の平均値を予測推定値として出力
する。
Description
り、特にエネルギー流または流体供給の需要量を算出す
るための需要予測装置に関する。
ベース化した類似事例を用いて行う装置が開発されてい
る。例えば、特開平10−240715号公報には、類
似事例検索により類似事例を取得し、その取得した類似
事例により形成した近傍事例集合に対して、分布推定演
算によりその重心値を求め、その重心値を予測・推定結
果として出力する予測・推定装置が提案されている。ま
た、特開平6−131184号公報には、与えられた問
題に対して基本事例検索をおこない、その取得した基本
事例と問題空間上の記述差異を抽出し、特定された修正
対象を適切なグループに分割して1個または複数個の補
助事例を検索し、その取得した補助事例と基本事例を合
成したものを、予測・推定結果として出力する予測・推
定装置が提案されている。
として、例えば特開平5−88714号には、エネルギ
ー流需要のある複数の対象を、需要の特徴を有する小集
合に分類し、各小集合ごとにその需要予測を演算して、
総需要を求める方法が提案されている。また同じくエネ
ルギー流需要に対する予測・推定装置としては、予測モ
デルを用いて推定を行う特開平10−224990号、
特開平5−18995号公報などの技術がある。これ
は、過去の電力実績需要量や気象データなどの一定期間
の(時系列データである)実績値を与え、(統計)予測
モデルを構成し、この予測モデルの入力値として、予測
対象日の予想最高/最低気温などの「気象データ」を与
え、前記予測モデルの出力値に対して補正用ニューラル
ネットワーク(補正用NN)を適用する構成となってい
る。そしてこの補正用NNは、経年変化への適応の為の
補正機能として用いている。但し、特開平10−224
990号公報記載のように、前述の一定期間に特異日等
が割り込んだ場合には、時系列データより特異日を除い
て予測モデルの入力として与えていた。さらにまた、特
開平7−46761号公報には、季節(春、夏、秋、
冬)毎に対応した4つのニューラルネットワークと、予
測対象日が各季節の境界に設けた季節と季節の重なり期
間に属する場合に適用されるファジー推論部とを備える
ことにより、季節毎の需要量変動特性を考慮した予測方
法が示されている。
測の技術は何れも、毎日の需要量の変動が小さい期間に
ついては良好な需要予測が行えるものの、以下に示すよ
うに、正月やお盆、ゴールデンウィークなどの非日常的
な人々の動きのある祝祭日や特異日における予測精度が
低下する問題があった。
成機能で構成される従来技術は、何れも与えられた類似
事象をベースに、与えられた問題に対する解を得る方法
であるが、エネルギー流供給に対する需要量の予測・推
定に適用した場合、類似事象を、特に人間生活に依存し
た要素である都市規模の拡大・縮小などによる経年変化
や非日常的な行事であるお盆や正月といった日毎の需要
量変化に適応した補正を行えないため、特異な状態変化
に対応した予測・推定結果を得ることが困難である。
従来の技術は、過去の実績事例より予測モデルを作成す
る段階で、モデル化しきれない要素(非線形要素)があ
るため、特にモデルから外れた非日常的な祝日や特異日
などの予測対象日の予測要因に対する適切な推定出力
(モデル出力)を得ることが困難であり、その推定出力
に対して補正を行っても予測精度が低下するという問題
点があった。なお、補正機能においては、日付の種別毎
(月〜日、祝祭日、特異日など)の状況変化への追随を
考慮した機能構成となっていないため、日付種別毎の変
動が大きい期間では、適切な補正を行えない問題があ
る。
ネルギー流供給に対する需要量の予測・推定において、
日付の種別毎の需要量の変動特性に適応した予測・推定
結果を得ることのできる需要予測装置を提供することを
目的とする。
は流体供給システムの日ごとの需要量を予測するための
需要量予測装置であって、過去の日ごとの実績供給量と
その日の供給量に影響を与えるところの、少なくとも日
種を含む複数の影響要因データとを格納した実績データ
ベースと、この実績データベースを参照して予測日の供
給量に影響を与えるところの、前記影響要因データと同
じ種類の要因から成る予測要因データを生成する予測要
因データ生成手段と、前記実績データベースの各日ごと
の影響要因データと前記予測要因データとの類似度を算
出し、その類似度が大きい順に所定の個数の実績データ
ベースのデータを抽出する類似日検出手段と、曜日対応
に設けられ、過去の実績データを学習することによりそ
の内部係数が与えられ、前記類似日検出手段により抽出
された実績データベースのデータと前記予測要因データ
とを入力として前記抽出された実績データベースのデー
タ毎の需要量補正値を算出するニューラルネットワーク
と、前記抽出された実績データベースのデータに含まれ
る実績供給量と当該データ対応に前記ニューラルネット
ワークで算出された需要量補正値とを加算して前記抽出
された実績データベース毎の予測需要量を算出し、更に
この予測需要量の平均値を求めて予測日の出力予測需要
量として出力する予測需要量算出手段と、を備えたこと
を特徴とする需要量予測装置を開示する。
の7個の曜日の他に、祝日及び特異日の9個から成るこ
とを特徴とする需要量予測装置を開示する。
の日付、この日付と予め定めた基準日との日差を年間日
数で正規化した日差係数、この日差係数に2πを乗じた
値の正弦値及び余弦値により季節を表す季節指標、当該
日の気温の最大値及び最小値、及び当該日の前日の水温
の内の1又は複数を含むことを特徴とする需要量予測装
置を開示する。
響要因データと前記予測要因データの各々の間の距離を
求め、それら距離に予め定めた重み係数を乗じて加算し
た事例間距離を算出し、この事例間距離が小さい程前記
類似度が大きいと判定するようにしたことを特徴とする
需要量予測装置を開示する。
に説明する。図1は、本発明になる需要予測システムの
構成例を示すブロック図で、予測当日の気象予報データ
等が格納された影響要因予測データ2、実績として計測
した水温データ等が格納された影響要因実績データ3、
影響要因予測データ2と影響要因実績データ3から当日
のエネルギー流または流体需要量を予測するエネルギー
流または流体の供給需要予測機能1から構成され、供給
需要予測機能1からの需要予測値を基にエネルギー流ま
たは流体の供給が供給制御装置4により制御される。
1、制御機能12、実績データベース(以降、DBと称
す)13、予測要因データテーブル14、MBR(Memo
ry Based Reasoning)機能15、ニューラルネット(以
降、NNと称す)機能16、合成機能17により構成さ
れる。
2および影響要因実績データ3と、供給制御装置4より
の供給量および需要量の実績となる計測データとを入力
し、これらを制御機能12へ渡す。また、合成機能17
より出力された当日の予測データを供給制御装置4へ出
力する。
よび影響要因実績データ3を予測要因情報として加工
し、加工した影響要因予測データは予測要因データテー
ブル14へ格納し、また、影響要因実績データ3及び供
給制御装置4からの計測データを実績DB13へ格納す
る。
ル14より当日データに対する予測要因情報を取り込
み、この予測事例と実績DB13の蓄積データの実績事
例とを正規化した後それらの事例間距離を算出し、この
事例間距離を検索キーとして蓄積データを検索し、検索
結果として抽出された類似過去実績データ(類似日デー
タ)をNN機能16および合成機能17へ出力する。
14のデータとMBR機能15より前記類似過去実績デ
ータとを入力し、日種別判定を介して日種別学習型ニュ
ーラルネットへ入力することで、当日予測データとして
補正するための予測補正データを作成し、合成機能17
へ出力する。
似過去実績データとNN機能16からの予測補正データ
とを合成して、当日予測データを作成し、これを前記入
出力I/F11を介して供給制御装置4へ出力する。
ので、実績事例入力変数と実績事例出力変数から成って
いる。実績事例入力変数は、日付係数、実績気温、前日
実績水温から構成され、実績事例出力変数は実績供給量
から構成されている。また、日付係数は、日付、日差係
数、SIN、COS、曜日コードから構成され、実績気
温は、実績データ格納当日の最高気温であるMAX、実
績データ格納当日の最低気温であるMINから構成され
ている。ここで日付は、各レコード毎の実績データに対
する格納実施日付である。また日差係数は、実績データ
の基準日付から前記日付までの日数差を係数化した値
で、以下の式より算出する。
結果で、実績データが該当する季節を表す。これらSI
NおよびCOSは以下の式より算出する。
に当たる日の実績水温データである。実績供給量は、実
績データ格納当日のガス供給量(実測値)である。
測要因データ141の例を示しており、予測事例の予測
日入力変数から構成さている。この予測日入力変数は、
予測日付の日付係数、予測要因から構成され、予測日付
の日付係数は、図2の日付係数と同様である。但し日付
をはじめ各値は、予測対象日のものである。また、予測
要因は、予測気温、前日実績水温から構成されており、
予測気温は、予測対象日付に対する最高予想気温である
MAX、予測日に対する最低予想気温であるMINから
構成されている。また前日実績水温は、予測対象日付か
ら数えて1日前に当たる日の実績水温データである。
もので、MBR定義ファイル編集機能150、MBR定
義ファイル151、類似日検索条件作成機能152、類
似日検索機能153、類似日データ格納処理154、類
似日データ155、MBR検索対象内部データベース
(以降、DBと称す)156により構成される。ここ
で、MBR定義ファイル編集機能150は、手入力操作
時に、MBR定義ファイルの定義値を編集するための機
能であり、MBR定義ファイル151は、MBR定義フ
ァイル編集機能150にて編集/設定したしきい値を保
存しておくためのファイルである。また、類似日検索条
件作成機能152は、MBR定義ファイル151の定義
データに基づいてMBR検索対象内部DB156を作成
し、また予測要因データ141における予測事例とMB
R検索対象内部DB156におけるMBR検索対象内部
実績事例データ1561の間の事例間距離を算出する。
類似日検索機能153は、前記MBR検索対象内部実績
事例データ1561の事例間距離及び後記MBR検索対
象内部DB156を用いて、類似日検索を行う機能であ
る。類似日データ格納処理154は、類似日検索機能1
53により抽出した類似日データ155を格納する処理
である。MBR検索対象内部DB156は、MBRにて
検索対象となる類似日検索条件作成機能152により作
成した内部DBである。
能150の処理構成を示すもので、類似度判定定義設定
1501、ファイル書込み処理1502から構成され
る。類似度判定定義設定1501は、MBR定義ファイ
ル151におけるしきい値や予測要因データ141を構
成する各項目データに対する正規化範囲の定義が手入力
により与えられるとこれを受け付け、ファイル書込み処
理1502へ出力する。図5にはこの類似度判定正義設
定1501による正規化範囲の定義例1503及びしき
い値の定義例1504が示されている。ファイル書込み
処理1502は、類似度判定定義設定1501より入力
された正規化データ及びしきい値をMBR定義ファイル
151へ出力する。
52の処理構成を示すもので、MBR検索対象内部DB
作成1520、入力変数間距離の算出処理1521、及
び事例間距離の算出処理1522から構成される。MB
R検索対象内部DB作成1520は、実績DB13より
定義ファイル151の定義を満たすデータを抽出して正
規化し、編集してMBR検索対象内部DB156へ格納
する。また、予測要因データ141も同様に正規化し、
内部DB156へ格納する。
測要因データ141および実績DB13より予測要因デ
ータおよび実績データを入力し、内部DB156の各実
績事例と予測日入力変数との間の入力変数間距離を算出
する。入力変数間距離は、入力変数毎に変数のレンジ幅
で正規化した距離で、今実績事例に番号kをつけ、k番
目の実績事例のj番目の値(図2の日付、日差係数、…
等)をakjとし、予測要因データのj番目の値(図3の
日付、日差係数…等)をbjとかくと、入力変数間距離
d(akj、bj)は変数akj、bjが曜日のときは
MBR定義ファイル150に定義された正規化範囲の幅
である。
入力変数間距離の算出処理1521にて算出した入力変
数間距離を用いて、予測事例と実績事例との事例間距離
Dkを次式により算出する。
数である。こうして事例間距離Dkが算出されると、類
似日データ検索機能153はこの距離DkとMBR検索
対象内部DB156から類似日データ155を取り出
す。このデータ構成は図2と同様である。
もので、各日種別(月曜日〜日曜日、祝日、特異日)に
対応した補正量算出用のニューラルネットロジックが設
けられている。この各日種別のニューラルネットロジッ
クの各々は、入力ユニットにn個(ここでは図示の9
個)の項目を持ち、これと各日種別のニューラルネット
ロジック毎に設けられた曜日別知識DB163から取得
した重み係数を適用することで、出力ユニット値からの
出力値である補正量を算出する。そして重み係数には、
各日種別毎、入力ユニットへ入力する入力項目(図7参
照)毎に学習結果を反映させておく。こうして、日種別
による傾向はもとより、類似事例の日付と予測対象日の
差分についても、その影響度を反映した結果が得られ
る。つまり、前記補正量は、需要量に対する日種別の影
響度および類似事象の過去度合を反映した値となる。
例で、これは単純パーセプトロンモデルである。入力、結
合、出力のユニット層を持ち、出力ユニット以外の各ユニ
ットの応答関数はシグモイド関数とする。入力ユニット
への入力値をXm1、その出力をYm1(m=1〜9)とす
ると、
重み係数ωmj1が乗じられて、各結合ユニットへの入力
値Xm2に換算される;
の結合ユニットから出力ユニットへの入力値を算出する
ための重み係数をωj2とすると、
て出力する。なお、(数7)、(数9)で用いる重み係
数ωmj1、ωj2は、各日種別ニューラルネットロジック
に対応する曜日別知識DB163から取得される。
においては、まず、日種別判定処理161にて予測要因
データ141の曜日コードに該当するニューラルネット
ロジック162を選定し、MBR機能15から入力した
類似日データ155および予測要因データテーブル14
から入力した予測要因データ141を用いて、図7に示
した各値を各入力ノードに設定する。次に、選定された
ニューラルネットロジック162にて、入力ノードに設
定された各データに対し、曜日コードに該当する曜日別
知識DB163より得られる重み係数を用いて(数6)
〜(数9)の演算を実行して補正量を算出し、その算出
結果(補正量)を合成機能17へ出力する。
示すもので、合成機能171及び平均値算出処理172
により構成されている。合成処理171は、MBR機能
15により求められた類似データごとの実績供給量を類
似日需要量とし、これらと、NN機能16からの類似日
対応に求められた補正量とを入力し、図9に例示したよ
うにその各々を加算する。平均値算出処理172は、合
成処理171にて得られた各需要予測データの平均値を
算出し、これを予測需要量として入出力I/F11経由
で出力する。
置の動作を示すフローチャートで、これを具体例を用い
て詳細に説明する。まず、MBR定義ファイル編集機能
150によりMBR定義ファイル151を作成する。こ
こでは図5の定義例1503、1504が定義されると
する(ステップ1001)。次にMBR検索対象内部D
B156がその作成処理1520により作成される(ス
テップ1002)。ここでは図3の予測要因データ14
1(1999年3月5日予測要因)と図2の実績DBデ
ータ131(1999年3月3日実績データ)が処理対
象とすると、MBR検索対象内部DB作成処理1520
では、MBR定義ファイル編集機能150にて定義した
しきい値条件1504を満たすデータを取りだし正規化
する。例えば実績DB13の199/3/3のデータを
以下のように正規化し、MBR検索対象内部DB156
へ格納する。
た、図3の予測要因データ141についても、正規化に
より以下のようなデータをMBR検索対象内部DB15
6へ格納する。
156が作成されると、次に入力変数間距離の算出処理
1521によりMBR検索対象内部DB156の最大4
00ケース分の各データに対して、(数3)、(数4)
を用いて予測要因データからの入力変数間距離d(ak
j、bj)を算出する(ステップ1003)。(数10)
の日付1999/3/3の正規化データでは、(数1
0)、(数11)から
は、前記算出された各入力変数間距離を用いて、(数
5)により事例間距離Dkを算出する(ステップ100
4)。(数2)の例では距離Dkの添字である事例の番
号kに変わって日付そのもので表記するとして
1とした。この事例間距離は、実績事例ごとにD1、D2
…と最大400個計算される。
理が終わると、類似日検索機能153により、事例間距
離の算出処理1522にて算出した事例間距離の最小の
ものから、MBR定義ファイル編集機能150にて定義
したしきい値の定義1504(図5)の抽出類似例の最
大件数分のデータを選択する(ステップ1005)。こ
こでは、以下のデータが事例間距離の最小のものから1
0ケース分の実績データであったとする。
似日データ155として格納される。
01〜1005により類似日データ155が得られる
と、予測要因データ141および類似日データ155は
NN機能16へ入力され、需要値の補正量が算出され
る。そのためまず、図7の日種別判定処理161によ
り、予測要因データ141における曜日コードに対応す
るニューラルネットロジックの選定を行う(ステップ1
006)。図3の1999年3月5日を予測対象日とし
た場合は、予測対象日の曜日コードが5であるため、日
種別が平日金曜日に対応する金曜日用ニューラルネット
ロジックが選定される。そこでこのニューラルネットワ
ークロジックの入力ノードに、類似日データ155の1
日分ごとの各データと、予測要因データ141のデータ
を順次設定し、学習結果を蓄積した曜日別知識DB16
3より対応する重み係数を取出し、これを用いて各類似
日データごとの補正値を算出する(ステップ100
7)。
155ごとの補正値は、類似日データの実績供給量がそ
の日の需要量として合成機能17へ出力され、合成機能
17では、この値を合成し、さらにその平均値を算出し
て(ステップ1008)、需要予測結果である需要量と
して入出力I/F11へ出力する(ステップ100
9)。図9には、類似日データ155の10個の類似日
需要量が5100、5200、5100、5150、5
250、5000であり、NN機能16より算出した1
0個の補正量が50、−30、60、10、−50、−
40であった例を示しており、それらの合成後の平均値
5167が1999年3月5日の予測需要量であるとい
う結果が得られているものとしている。
活に依存した要素の状態変化に対して、その状態変化に
見合った類似事象を補正しているので、常に適切なエネ
ルギー流需要量の予測・推定結果が得られるという効果
がある。
ック図である。
ある。
ある。
とMBR定義ファイル151の例である。
すブロック図である。
る。
る。
Claims (4)
- 【請求項1】 エネルギー又は流体供給システムの日ご
との需要量を予測するための需要量予測装置であって、
過去の日ごとの実績供給量とその日の供給量に影響を与
えるところの、少なくとも日種を含む複数の影響要因デ
ータとを格納した実績データベースと、 この実績データベースを参照して予測日の供給量に影響
を与えるところの、前記影響要因データと同じ種類の要
因から成る予測要因データを生成する予測要因データ生
成手段と、前記実績データベースの各日ごとの影響要因
データと前記予測要因データとの類似度を算出し、その
類似度が大きい順に所定の個数の実績データベースのデ
ータを抽出する類似日検出手段と、曜日対応に設けられ、
過去の実績データを学習することによりその内部係数が
与えられ、前記類似日検出手段により抽出された実績デ
ータベースのデータと前記予測要因データとを入力とし
て前記抽出された実績データベースのデータ毎の需要量
補正値を算出するニューラルネットワークと、 前記抽出された実績データベースのデータに含まれる実
績供給量と当該データ対応に前記ニューラルネットワー
クで算出された需要量補正値とを加算して前記抽出され
た実績データベース毎の予測需要量を算出し、更にこの
予測需要量の平均値を求めて予測日の出力予測需要量と
して出力する予測需要量算出手段と、を備えたことを特
徴とする需要量予測装置。 - 【請求項2】 前記日種は、日曜〜土曜までの7個の曜
日の他に、祝日及び特異日の9個から成ることを特徴と
する請求項1に記載の需要量予測装置。 - 【請求項3】 前記影響要因データは、当該日の日付、こ
の日付と予め定めた基準日との日差を年間日数で正規化
した日差係数、この日差係数に2πを乗じた値の正弦値
及び余弦値により季節を表す季節指標、当該日の気温の
最大値及び最小値、及び当該日の前日の水温の内の1又
は複数を含むことを特徴とする請求項1又は2に記載の
需要量予測装置。 - 【請求項4】 前記類似日検出手段は、前記影響要因デ
ータと前記予測要因データの各々の間の距離を求め、そ
れら距離に予め定めた重み係数を乗じて加算した事例間
距離を算出し、この事例間距離が小さい程前記類似度が
大きいと判定するようにしたことを特徴とする請求項1
又は2に記載の需要量予測装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2000053579A JP3650304B2 (ja) | 2000-02-29 | 2000-02-29 | 需要予測装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2000053579A JP3650304B2 (ja) | 2000-02-29 | 2000-02-29 | 需要予測装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2001245432A true JP2001245432A (ja) | 2001-09-07 |
JP3650304B2 JP3650304B2 (ja) | 2005-05-18 |
Family
ID=18574945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2000053579A Expired - Fee Related JP3650304B2 (ja) | 2000-02-29 | 2000-02-29 | 需要予測装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3650304B2 (ja) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009055713A (ja) * | 2007-08-27 | 2009-03-12 | Toshiba Corp | 電力変動予測システム |
US8099322B2 (en) | 2006-10-17 | 2012-01-17 | Fujitsu Limited | Time factor feature generation system, time factor feature generation method and time factor feature generation program |
JP2012079229A (ja) * | 2010-10-05 | 2012-04-19 | Hitachi Ltd | 需要予測装置及び水運用監視システム |
JP2015033203A (ja) * | 2013-08-01 | 2015-02-16 | 富士電機株式会社 | 類似日抽出装置、類似日抽出方法、プログラム |
JP2019036061A (ja) * | 2017-08-10 | 2019-03-07 | 株式会社東芝 | 要因分析装置、要因分析方法、およびプログラム |
JP2020017197A (ja) * | 2018-07-27 | 2020-01-30 | 株式会社日立製作所 | 計算機システム及び予測器が出力した予測値の根拠に関連する情報の提示方法 |
JP2020119085A (ja) * | 2019-01-21 | 2020-08-06 | 株式会社日立製作所 | 計算機システム及び対象に関する目的を達成するために有用な情報の提示方法 |
CN112052978A (zh) * | 2019-06-06 | 2020-12-08 | 株式会社日立制作所 | 水需求预测***及其方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2000
- 2000-02-29 JP JP2000053579A patent/JP3650304B2/ja not_active Expired - Fee Related
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8099322B2 (en) | 2006-10-17 | 2012-01-17 | Fujitsu Limited | Time factor feature generation system, time factor feature generation method and time factor feature generation program |
JP2009055713A (ja) * | 2007-08-27 | 2009-03-12 | Toshiba Corp | 電力変動予測システム |
JP2012079229A (ja) * | 2010-10-05 | 2012-04-19 | Hitachi Ltd | 需要予測装置及び水運用監視システム |
JP2015033203A (ja) * | 2013-08-01 | 2015-02-16 | 富士電機株式会社 | 類似日抽出装置、類似日抽出方法、プログラム |
JP2019036061A (ja) * | 2017-08-10 | 2019-03-07 | 株式会社東芝 | 要因分析装置、要因分析方法、およびプログラム |
JP2020017197A (ja) * | 2018-07-27 | 2020-01-30 | 株式会社日立製作所 | 計算機システム及び予測器が出力した予測値の根拠に関連する情報の提示方法 |
JP2020119085A (ja) * | 2019-01-21 | 2020-08-06 | 株式会社日立製作所 | 計算機システム及び対象に関する目的を達成するために有用な情報の提示方法 |
JP7051724B2 (ja) | 2019-01-21 | 2022-04-11 | 株式会社日立製作所 | 計算機システム及び対象に関する目的を達成するために有用な情報の提示方法 |
CN112052978A (zh) * | 2019-06-06 | 2020-12-08 | 株式会社日立制作所 | 水需求预测***及其方法 |
JP2020201609A (ja) * | 2019-06-06 | 2020-12-17 | 株式会社日立製作所 | 水需要予測装置、および、その方法 |
JP7399631B2 (ja) | 2019-06-06 | 2023-12-18 | 株式会社日立製作所 | 水需要予測システム、および、その方法 |
Also Published As
Publication number | Publication date |
---|---|
JP3650304B2 (ja) | 2005-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
Khotanzad et al. | A neuro-fuzzy approach to short-term load forecasting in a price-sensitive environment | |
Srinivasan et al. | Parallel neural network-fuzzy expert system strategy for short-term load forecasting: system implementation and performance evaluation | |
JP3352153B2 (ja) | 配水流量予測装置 | |
Charytoniuk et al. | Nonparametric regression based short-term load forecasting | |
Methaprayoon et al. | Multistage artificial neural network short-term load forecasting engine with front-end weather forecast | |
Ma et al. | A method for multiple periodic factor prediction problems using complex fuzzy sets | |
CN111091196B (zh) | 客流数据确定方法、装置、计算机设备和存储介质 | |
CN111027772A (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN115688579B (zh) | 一种基于生成对抗网络的流域多点水位预测预警方法 | |
Brentan et al. | Correlation analysis of water demand and predictive variables for short‐term forecasting models | |
JP2001245432A (ja) | 需要予測装置 | |
Gao et al. | A multifactorial framework for short-term load forecasting system as well as the jinan’s case study | |
CN117196695B (zh) | 一种目标产品的销量数据的预测方法及装置 | |
Ghassemi et al. | Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings | |
KR100540009B1 (ko) | 신경망을 이용한 물수요 예측 방법 | |
Erişen et al. | Short-term electricity load forecasting with special days: an analysis on parametric and non-parametric methods | |
Shah et al. | A water demand prediction model for central indiana | |
Rashid et al. | Auto-regressive recurrent neural network approach for electricity load forecasting | |
CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 | |
JP3754267B2 (ja) | 配水量予測システム | |
JP3268520B2 (ja) | ガス需要量の予測方法 | |
CN109376957A (zh) | 一种火电厂负荷的预测方法 | |
JP2000305606A (ja) | 配水需要量予測方法 | |
Hutama et al. | Medium term power load forecasting for Java and Bali power system using artificial neural network and SARIMAX |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20050203 |
|
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: 20050215 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20050217 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080225 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090225 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090225 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100225 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100225 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110225 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120225 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120225 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130225 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130225 Year of fee payment: 8 |
|
LAPS | Cancellation because of no payment of annual fees |