JP2005157685A

JP2005157685A - Energy demand forecasting system

Info

Publication number: JP2005157685A
Application number: JP2003394588A
Authority: JP
Inventors: Masaru Murayama; 大村山; Yasuo Takagi; 康夫高木; Kazunori Iwabuchi; 一徳岩渕; Yuji Nakada; 裕二中田; Tadashi Nakamaru; 正中丸; Tetsuya Funatsu; 徹也船津
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 2003-11-25
Filing date: 2003-11-25
Publication date: 2005-06-16

Abstract

<P>PROBLEM TO BE SOLVED: To calculate appropriate time-series forecast values of energy demand, from the time-series data on the meteorological data. <P>SOLUTION: A neural network 7 that inputs meteorological data, every three hours as input time-series data 5 sets a weighting factor 2 between nodes so as to affect forecast values of cold demand output as output time-series data 8, in a period from of one hour prior to, to six hours and a half, after this meteorological data time. <P>COPYRIGHT: (C)2005,JPO&NCIPI

Description

本発明は、一般産業プラントや発電プラント、熱供給プラントなどの各種プラントシステムにおいて、その運転・運用実績などにかかわる各種エネルギー需要データを予測するエネルギー需要予測システムに関する。 The present invention relates to an energy demand prediction system that predicts various energy demand data related to operation / operation results in various plant systems such as general industrial plants, power generation plants, and heat supply plants.

従来、一般産業プラントや発電プラント、熱供給プラントなどの各種プラントシステムにおいて、その需給データなどを時系列に予測するシステムは数多く知られている。この中でもニューラルネットワークは非線形特性を持つことから複雑な各種時系列データの予測モデルとして広く普及している。 Conventionally, in various plant systems such as a general industrial plant, a power plant, and a heat supply plant, many systems are known for predicting the supply and demand data in a time series. Among these, neural networks are widely used as prediction models for various complex time series data because of their nonlinear characteristics.

ニューラルネットワークは、複雑な構造をもつほど複雑な入出力特性をあらわすことができる。例えば、熱需要などの日負荷曲線を、ニューラルネットワークを使って予測する場合、例えば１時間毎の負荷を１日分出力するには出力が２４点必要になる。これを入力層がＮ点、中間層がＭ点、出力層が前記２４点の３層構造のニューラルネットワークを用いて構成すると、ノード間の接続数は（２４×Ｍ）×（Ｍ×Ｎ）となり、Ｍ＝Ｎ＝１０としても接続数は２４,０００となる。これらのノード間の重みをバックプロパゲーション法（逆誤差伝播法）などにより学習させる。 A neural network can represent more complex input / output characteristics as it has a more complex structure. For example, when a daily load curve such as heat demand is predicted using a neural network, for example, 24 points of output are required to output an hourly load for one day. When this is configured using a neural network having a three-layer structure in which the input layer is N points, the intermediate layer is M points, and the output layer is the 24 points, the number of connections between nodes is (24 × M) × (M × N). Thus, even if M = N = 10, the number of connections is 24,000. The weight between these nodes is learned by a back propagation method (inverse error propagation method) or the like.

時系列のエネルギー需要を予測するシステムであるエネルギー需要予測システムの予測機能を構成するニューラルネットワークは、例えば特許文献１にあるような構成となっている。 A neural network that constitutes a prediction function of an energy demand prediction system, which is a system that predicts time-series energy demand, has a configuration as disclosed in Patent Document 1, for example.

図６に、従来のエネルギー需要予測システムに用いられるニューラルネットワークの各ノード間の接続関係を示す。ここで示されるニューラルネットワークは、３層構造をもち、入力が３時間毎の気温と湿度、出力が３０分毎の冷熱デマンド（需要）である、エネルギー需要予測システムの予測機能を構成するニューラルネットワークである。図６に示したニューラルネットワークのすべての入力層ノードとすべての中間層ノード、および、すべての中間層ノードとすべての出力層ノードは、それぞれ適切な重み係数を介して接続される。このためネットワーク構成が非常に複雑になり、複数の入力のうち、どの入力を変化させることにより、どの出力がどれだけ変化を受けるかが把握することが困難になる。 FIG. 6 shows a connection relationship between each node of the neural network used in the conventional energy demand prediction system. The neural network shown here has a three-layer structure, the input is temperature and humidity every 3 hours, and the output is a cold demand (demand) every 30 minutes, which constitutes the prediction function of the energy demand prediction system. It is. All the input layer nodes and all the intermediate layer nodes and all the intermediate layer nodes and all the output layer nodes of the neural network shown in FIG. 6 are connected through appropriate weighting factors. For this reason, the network configuration becomes very complicated, and it becomes difficult to grasp which output is subjected to change by changing which input among a plurality of inputs.

また、このように予測モデルが複雑になると、その自由度が増加する。このような非常に自由度が大きなニューラルネットワークモデルが存在し得るのに対し、熱需要などの日負荷曲線は日中にピークが来るなど大まかな傾向がみられる。このような大まかな予測を行なうデータに対して予測モデルが複雑すぎる場合には、出力データが、これまでに学習したデータにオーバーフィッティングしてしまう問題がある。 Further, when the prediction model becomes complicated as described above, the degree of freedom increases. While such a neural network model with a very large degree of freedom can exist, the daily load curve such as heat demand shows a rough tendency such as a peak during the day. When the prediction model is too complicated for such rough prediction data, there is a problem that the output data is overfitted with the data learned so far.

つまり、全ての入力層ノードとすべての中間ノード、および、すべての中間ノードとすべての出力層ノードが重み係数を介して接続されているニューラルネットワークモデルを用いて計算した日負荷曲線では、前述したオーバーフィッティングが発生するため、予測した日負荷曲線が実際の熱需要の日負荷曲線と大きく異なってしまう場合がある。 In other words, in the daily load curve calculated using a neural network model in which all input layer nodes and all intermediate nodes, and all intermediate nodes and all output layer nodes are connected via weighting factors, Since overfitting occurs, the predicted daily load curve may differ greatly from the actual daily load curve of heat demand.

このオーバーフィッティングを解決する方法の一例として、小規模なニューラルネットワークを用いる方法がある。ネットワークを小さくすることで少ない自由度を持ったモデルを構成することになり、オーバーフィッティングの問題を避けることができる。例えば、日負荷曲線を、午前の立ち上がりと午後の立下り時間帯の日負荷曲線で特徴づける。次に、出力を、最高気温と最低気温を入力とするニューラルネットワークの出力として、これらの特徴量（代表値）を学習させる。そして、ニューラルネットワークから出力された特徴量から最も近い日の日負荷パターンを、予測値として出力する。 One example of a method for solving this overfitting is a method using a small-scale neural network. By making the network small, a model with a small degree of freedom is constructed, and the problem of overfitting can be avoided. For example, the daily load curve is characterized by a daily load curve in the morning rising and afternoon falling time zones. Next, these features (representative values) are learned by using the output as the output of a neural network that receives the maximum temperature and the minimum temperature. Then, the daily load pattern closest to the feature amount output from the neural network is output as a predicted value.

このようにするとオーバーフィッティングを抑えた予測モデルを構成することができる。しかし、この方法では日負荷曲線を最高気温と最低気温に関する特徴量であらわすため、日中の気温パターンを詳細に反映することができない。 In this way, a prediction model that suppresses overfitting can be configured. However, in this method, since the daily load curve is represented by the characteristic amount related to the maximum temperature and the minimum temperature, the daytime temperature pattern cannot be reflected in detail.

日中の気温パターンを詳細に反映するためには、例えば、ニューラルネットワークの入力層のノードを８点として３時間毎の気象データを用い、出力層ノードを２４点として１時間毎の予測デマンドを出力する必要がある。しかし、前述のようにオーバーフィッティングの問題が避けられない。 In order to reflect the daytime temperature pattern in detail, for example, using the meteorological data for every 3 hours with 8 nodes in the input layer of the neural network and the predicted demand for every hour with 24 points in the output layer nodes It is necessary to output. However, as described above, the problem of overfitting is unavoidable.

このオーバーフィッティングを避けることを汎化と呼び、この実現方法として、以前から構造化という手法が広く研究されている。これは入出力変数を説明可能な単位に分割し、いくつかの小さな単位のニューラルネットワークを組み合わせ、全体としてニューラルネットワークとして動作させるものである。その学習方法についても盛んに研究され、種々の方法が知られている。
特開平１０−８００６２号公報 Avoiding this overfitting is called generalization, and as a method for realizing this, a method called structuring has been widely studied. In this method, input / output variables are divided into units that can be explained, and several small unit neural networks are combined to operate as a neural network as a whole. The learning method is also actively studied, and various methods are known.
Japanese Patent Laid-Open No. 10-80062

前述のようにニューラルネットワークを使った時系列データの予測を行なう場合、きめ細かな予測を行なうには規模の大きなニューラルネットワークが必要となる。このとき生ずるオーバーフィッティングを避けるためにネットワークを汎化する必要があり、そのひとつの方法として構造化という手法が提案されている。 As described above, when predicting time-series data using a neural network, a large-scale neural network is required to perform fine prediction. In order to avoid overfitting that occurs at this time, it is necessary to generalize the network, and as one of the methods, a method of structuring has been proposed.

しかし、入力が日中の気温分布、出力が熱需要の日負荷曲線といった、入出力がともに時系列データであるような場合を考えると、例えば、夕刻の気温は朝方の熱需要と何らかの相関はあるものの、その影響は小さい。一方、朝方の気温は日中から夕方にかけての熱需要と相関が大きく、実際に大きな影響を与えている。この例に示されるように、時系列データのある時刻の値が、時間的にさかのぼって他の時系列データの値に影響を与えることが非常に小さい場合があり、あるいは全くない場合もある。 However, considering the case where the input and output are both time series data, such as the temperature distribution during the day and the daily load curve of the heat demand, for example, the evening air temperature has some correlation with the morning heat demand. Although there is a small impact. On the other hand, the morning temperature has a large correlation with the heat demand from the daytime to the evening, and has a great influence in practice. As shown in this example, there is a case where a time value of time series data goes back in time and affects the value of other time series data very little or not at all.

このような現象は、気温や湿度などの気象データを示す時系列データから熱供給プラントの熱需要デマンドの時系列データを予測する場合に特に顕著であると考えられる。このように事象間の時間に関する因果関係を考慮する考え方は、制御工学の分野などでは深く浸透しているものの、エネルギー需要予測の分野では広く用いられているとはいえない。 Such a phenomenon is considered to be particularly conspicuous when predicting the time-series data of the heat demand demand of the heat supply plant from the time-series data indicating weather data such as temperature and humidity. Although the idea of considering the causal relationship regarding the time between events in this way is deeply permeated in the field of control engineering, it cannot be said that it is widely used in the field of energy demand prediction.

そこで、本発明の目的は、かかる問題を解決し、気象データの時系列データに基づいて、エネルギー需要の時系列の適切な予測値の計算を行なうことが可能になるエネルギー需要予測システムを提供することにある。 Therefore, an object of the present invention is to provide an energy demand prediction system that can solve such a problem and can calculate an appropriate prediction value of a time series of energy demand based on time series data of weather data. There is.

すなわち、本発明に係わるエネルギー需要予測システムは、ニューラルネットワークを用いてエネルギー需要を予測するエネルギー需要予測システムであって、複数の時刻毎に、この時刻に関連付けた気象データを入力する入力手段と、この入力手段により入力した気象データを用いて、前記気象データの時刻に応じて設定した範囲の時間に影響するようにエネルギー需要の予測値を算出する算出手段とを備えたことを特徴とする。このようなエネルギー需要予測システムを用いれば、エネルギー需要予測データのオーバーフィッティングを防ぎ、適切な予測値の計算を行うことが可能になる。 That is, the energy demand prediction system according to the present invention is an energy demand prediction system that predicts energy demand using a neural network, and inputs means for inputting weather data associated with this time for each of a plurality of times; And calculating means for calculating a predicted value of energy demand so as to affect the time in the range set according to the time of the weather data, using the weather data input by the input means. By using such an energy demand prediction system, it is possible to prevent overfitting of energy demand prediction data and to calculate an appropriate prediction value.

本発明に係わるエネルギー需要予測システムでは、気象データの時刻に応じて、ニューラルネットワークを介して予め指定した範囲の時間における予測値に影響するようにエネルギー需要の予測値を算出するので、複雑なニューラルネットワークで問題となるオーバーフィッティングを抑えつつ、詳細なエネルギー需要の予測データを得ることができる。 In the energy demand prediction system according to the present invention, the predicted value of the energy demand is calculated so as to affect the predicted value in the time range specified in advance via the neural network according to the time of the weather data. It is possible to obtain detailed prediction data of energy demand while suppressing overfitting, which is a problem in the network.

以下図面により本発明の実施形態について説明する。
（第１の実施形態）
まず、本発明の第１の実施形態について説明する。
図１は、本発明の第１の実施形態にしたがったエネルギー需要予測システムが備える、冷熱デマンドの予測演算を行なうためのニューラルネットワークの内部構造を示す図である。図２は、本発明の第１の実施形態にしたがったエネルギー需要予測システムの概要図である。
図１では、本発明の特徴である入出力時系列データの時刻に関する因果関係を模擬的に表している。図１に示したニューラルネットワークは、図２中に示されているニューラルネットワーク７に相当するため、図２について説明した後、改めて図１について説明する。 Embodiments of the present invention will be described below with reference to the drawings.
(First embodiment)
First, a first embodiment of the present invention will be described.
FIG. 1 is a diagram showing an internal structure of a neural network for performing a prediction calculation of a cold / heat demand included in the energy demand prediction system according to the first embodiment of the present invention. FIG. 2 is a schematic diagram of an energy demand prediction system according to the first embodiment of the present invention.
In FIG. 1, the causal relationship regarding the time of the input-output time series data which is the characteristics of this invention is simulated. The neural network shown in FIG. 1 corresponds to the neural network 7 shown in FIG. 2, and therefore FIG. 1 will be described again after describing FIG.

図２に示したように、本実施形態にしたがったエネルギー需要予測システムは、入力時系列データ５と入力フラグ６を入力として持つ。入力フラグ６は、入力時系列データ５の属性を示すフラグである。入力時系列データ５および入力フラグ６はニューラルネットワーク７の入力層（Ａ）に入力される。 As shown in FIG. 2, the energy demand prediction system according to the present embodiment has input time series data 5 and an input flag 6 as inputs. The input flag 6 is a flag indicating an attribute of the input time series data 5. The input time series data 5 and the input flag 6 are input to the input layer (A) of the neural network 7.

ニューラルネットワーク７は、入力時系列データ５および入力フラグ６の入力にしたがって計算した出力時系列データ８を出力する。入力時系列データ５は、時刻「３：００」から「２４：００」までの３時間毎の気象データ（気温、湿度）である。本実施形態において、３時間毎の気温および湿度は、気象予報による予測値である。 The neural network 7 outputs the output time series data 8 calculated according to the input time series data 5 and the input flag 6 input. The input time series data 5 is meteorological data (temperature, humidity) every three hours from the time “3:00” to “24:00”. In this embodiment, the temperature and humidity every 3 hours are predicted values based on weather forecasts.

入力フラグ６は、休日フラグである。休日フラグとは、気象データにかかる曜日が平日か休日かを区別するフラグであり、休日ならば“１”、平日ならば“０”と示される。本実施形態では、平日とは、月曜日から金曜日であって、かつ祝日でない日を指し、休日とは、土曜日、日曜日、および祝日を指す。また、出力時系列データ８は、時刻「０：００」から「２３：３０」までの３０分毎の冷熱デマンドの予測値である。 The input flag 6 is a holiday flag. The holiday flag is a flag for distinguishing whether the day of the week for weather data is a weekday or a holiday, and is indicated as “1” for a holiday and “0” for a weekday. In the present embodiment, weekdays are days from Monday to Friday and are not holidays, and holidays are Saturdays, Sundays, and holidays. The output time-series data 8 is a predicted value of the cold demand every 30 minutes from the time “0:00” to “23:30”.

図２に示したニューラルネットワーク７は、入力層（Ａ）、中間層（Ｂ）、および出力層（Ｃ）でなる３層構造である。このニューラルネットワーク７の入力の数、つまり入力層（Ａ）のノード数は、前述した３時間毎の気温データを入力する８点、３時間毎の湿度データを入力する８点、および、休日フラグを入力する１点の計である１７点である。 The neural network 7 shown in FIG. 2 has a three-layer structure including an input layer (A), an intermediate layer (B), and an output layer (C). The number of inputs of the neural network 7, that is, the number of nodes in the input layer (A) is 8 points for inputting the temperature data every 3 hours, 8 points for inputting the humidity data every 3 hours, and a holiday flag. 17 points, which is a total of one point for inputting.

また、中間層（Ｂ）のノードの数は、入力層（Ａ）の各ノードに入力した気象データと関連付けられた各時刻に対応する８点、および、休日フラグに対応する１点の計である９点である。中間層（Ｂ）の各ノードのうち８点のノードは、入力層（Ａ）の各ノードのうち、同じ時刻における気温データおよび湿度データがそれぞれ入力された２つの入力ノードとの接続の間に重みを有する。また、中間層（Ｂ）の各ノードのうち１点のノードは、入力層（Ａ）において休日フラグが入力された入力ノードとの接続に重みをもつ。 The number of nodes in the intermediate layer (B) is a total of 8 points corresponding to each time associated with the weather data input to each node in the input layer (A) and 1 point corresponding to the holiday flag. There are 9 points. Eight nodes among the nodes in the intermediate layer (B) are connected between the two input nodes to which the temperature data and the humidity data at the same time are input, among the nodes in the input layer (A). Have weights. In addition, one of the nodes in the intermediate layer (B) has a weight in connection with the input node to which the holiday flag is input in the input layer (A).

また、中間層（Ｂ）の各ノードは、出力層（Ｃ）の各ノードのうち、当該中間層（Ｂ）のノードとの接続に重みをもつ入力層（Ａ）のノードに入力される気象データの時刻および指定した範囲の時刻における冷熱デマンド予測値を出力するところの出力ノードとの接続に重みをもつ。 Further, each node of the intermediate layer (B) is a weather input to a node of the input layer (A) having a weight in connection with the node of the intermediate layer (B) among the nodes of the output layer (C). The connection with the output node that outputs the predicted value of the cold demand at the time of the data and the time in the specified range is weighted.

ただし、中間層（Ｂ）のノードのうち、入力フラグ６である休日フラグを入力した入力ノードとの接続に重みがある中間ノードは、出力層（Ｃ）の全てのノードとの接続に重みがある。 However, among the nodes in the intermediate layer (B), the intermediate node having a weight in connection with the input node to which the holiday flag as the input flag 6 is input has a weight in the connection with all the nodes in the output layer (C). is there.

また、ニューラルネットワーク７の出力の数、つまり出力層（Ｃ）のノードの数は、前述した３０分毎の冷熱デマンド一日分の４８点である。ただし、入力層（Ａ）の各ノードのうち、休日フラグを入力した入力ノードに接続された中間層（Ｂ）のノードは、出力層（Ｃ）の全てのノードとの接続に重みが有る。 Further, the number of outputs of the neural network 7, that is, the number of nodes in the output layer (C) is 48 points per day for the above-mentioned 30 days of cooling demand. However, among the nodes in the input layer (A), the nodes in the intermediate layer (B) connected to the input node to which the holiday flag is input have a weight in connection with all the nodes in the output layer (C).

図１は、時刻「１２：００」に着目した際の、入出力の依存関係を示しているが、他の各時刻に着目して依存関係を示す場合でも、まったく同様である。このため本実施形態では、時刻「１２：００」に着目して、入出力時系列データの時間に関する因果関係を説明する。また、図１では、入力層（Ａ）において休日フラグを入力するノードと、この入力ノードとの接続に重みを有する中間層（Ｂ）のノード、さらにこの中間ノードとの接続に重みを有する出力ノードの図示は省略する。 FIG. 1 shows the input / output dependency when focusing on the time “12:00”, but the same is true even when the dependency is shown focusing on each other time. For this reason, in this embodiment, focusing on the time “12:00”, the cause-and-effect relationship regarding the time of the input / output time-series data will be described. In FIG. 1, a node that inputs a holiday flag in the input layer (A), a node in the intermediate layer (B) that has a weight for connection to this input node, and an output that has a weight in the connection to this intermediate node Illustration of the nodes is omitted.

入力時系列データ５のうち、時刻「１２：００」に該当する入力は、時刻「１２：００」における気温と時刻「１２：００」における湿度である。中間層（Ｂ）のノード３（図１参照）は、各気象データに対応した３時間毎の時刻のうち、１つの時刻の気温データと湿度データを入力した入力層（Ａ）のノード１との接続のみに重み係数２が有るので、例えば、時刻「１２：００」における気温データと時刻「１２：００」における湿度データを入力したノード１に接続される中間層ノード３は、他の時間帯、例えば、時刻「９：００」や「１５：００」における入力値が異なる気象データにはまったく影響を受けない。 In the input time series data 5, the input corresponding to the time “12:00” is the temperature at the time “12:00” and the humidity at the time “12:00”. The node 3 (see FIG. 1) of the intermediate layer (B) includes the node 1 of the input layer (A) to which the temperature data and humidity data of one time are input out of the time every 3 hours corresponding to each weather data. Therefore, for example, the intermediate layer node 3 connected to the node 1 that has input the temperature data at the time “12:00” and the humidity data at the time “12:00” The weather data having different input values at the time zone, for example, “9:00” and “15:00”, are not affected at all.

本実施形態では、中間層（Ｂ）の各ノード３（図１参照）は、出力層（Ｃ）の各ノード４（図１参照）のうち、中間層ノード３との間に重み係数２が有る入力層ノード１に入力される気象データの時刻の１時間前から６時間３０分後までの３０分毎の時刻における冷熱デマンド予測値を出力するところの出力ノードとの接続に重み係数２が有る。 In this embodiment, each node 3 (see FIG. 1) of the intermediate layer (B) has a weighting factor 2 between each node 4 (see FIG. 1) of the output layer (C) and the intermediate layer node 3. The weighting factor 2 is connected to the output node that outputs the predicted value of the cold demand at the time of every 30 minutes from 1 hour before the time of the weather data inputted to a certain input layer node 1 to 6 hours 30 minutes later. Yes.

例として、図１に示した中間層（Ｂ）のうち、時刻「１２：００」における気温データと時刻「１２：００」における湿度データを入力した入力層ノード１との接続に重み係数２が有る中間ノード３は、時刻「１１：００」から「１８：３０」までの３０分毎の冷熱予測デマンドを得るための出力層（Ｃ）の各ノード４との接続にのみ重み係数２を有する。つまり、時刻「１２：００」における気象データは、時刻「１１：００」から「１８：３０」の範囲での冷熱デマンド予測値のみに影響を与えるようになる。 As an example, in the intermediate layer (B) shown in FIG. 1, a weighting factor 2 is connected to the input layer node 1 to which the temperature data at time “12:00” and the humidity data at time “12:00” are input. An intermediate node 3 has a weighting factor of 2 only for connection with each node 4 of the output layer (C) to obtain a cold prediction demand every 30 minutes from time “11:00” to “18:30”. . That is, the meteorological data at the time “12:00” affects only the predicted value of the cooling / heating demand in the range from the time “11:00” to “18:30”.

前述した、気象データの時刻に対する、デマンド予測の時間帯は、入力層ノード１に入力される気象データの各時刻の間隔（本実施形態では３時間）にしたがって設定したものであり、前述した、気象データの時刻の１時間前から６時間３０分後までの時間帯に限らず、例えば、気象データの時刻の間隔が異なる場合には、これに応じて、気象データの時刻に対する、デマンド予測の時間範囲を変更してもよい。 The time zone for demand prediction with respect to the time of the weather data described above is set according to the time interval (3 hours in the present embodiment) of the weather data input to the input layer node 1. Not only in the time zone from 1 hour before the time of the weather data to 6 hours 30 minutes later, for example, when the time interval of the weather data is different, the demand forecast for the time of the weather data is changed accordingly. The time range may be changed.

図１では一部省略しているが、他の入力ノード１、中間ノード３、出力ノード４についても前記同様の接続関係が３時間おきの各時刻の入力データについて設定してある。このため、出力層（Ｃ）の各ノード４のうち、例えば、時刻「１５：００」の冷熱デマンドの予測値を出力するノードは、時刻「９：００」、「１２：００」および「１５：００」における各気温データおよび湿度データを入力する入力層ノード１からの影響を受けることになる。よって、出力層（Ｃ）の他のノード４も、当該ノードが出力する冷熱デマンドの予測時間帯の３時間前乃至３時間後の時刻に対応付けられる気象データの入力層ノード１から影響を受けることになる。 Although partially omitted in FIG. 1, the same connection relations as described above are set for the input data at each time every three hours for the other input node 1, intermediate node 3, and output node 4. For this reason, among the nodes 4 of the output layer (C), for example, the nodes that output the predicted value of the cold demand at the time “15:00” are the time “9:00”, “12:00”, and “15 : 00 ”, it is influenced by the input layer node 1 that inputs each temperature data and humidity data. Therefore, the other nodes 4 of the output layer (C) are also affected by the input layer node 1 of the meteorological data associated with the time 3 hours before or 3 hours after the predicted time zone of the cold demand output by the node. It will be.

図１に示したニューラルネットワークでは、出力層（Ｃ）の各ノード４において、気象データの複数の時刻と関連する入力層ノード１…から影響を受けている出力ノードが存在するが、これに限らず、気象データの各時刻に対する、冷熱デマンドの予測時間帯を全て独立させ、各予測時間帯を、１つの時刻と関連する入力層ノード１からの影響を受けるものとしても良い。 In the neural network shown in FIG. 1, in each node 4 of the output layer (C), there are output nodes that are influenced by the input layer nodes 1... Related to a plurality of times of weather data. Instead, it is also possible to make the prediction time zones of the cooling / heating demand for each time of the weather data all independent, and each prediction time zone is affected by the input layer node 1 related to one time.

このように、各時刻の冷熱デマンドの予測データを出力する出力層（Ｃ）の各ノード４は、接続の重み係数２の設定により時間的順序関係をもって中間層（Ｂ）の各ノード３と接続される。 In this way, each node 4 of the output layer (C) that outputs the prediction data of the cold demand at each time is connected to each node 3 of the intermediate layer (B) with a temporal order relationship by setting the connection weighting factor 2. Is done.

次に、入力層（Ａ）の各ノード１と中間層（Ｂ）の各ノード３との間、および、中間層（Ｂ）の各ノード３と出力層（Ｃ）の各ノード４との間の重み係数２の設定方法について説明する。重み係数２の設定は以下に示す２段階のステップに分けて行なう。 Next, between each node 1 of the input layer (A) and each node 3 of the intermediate layer (B), and between each node 3 of the intermediate layer (B) and each node 4 of the output layer (C) A method for setting the weighting factor 2 will be described. The setting of the weighting factor 2 is performed in the following two steps.

まず、第１のステップで、ニューラルネットワークの各ノードにおいて、前述したような時間的順序関係を示す重み係数以外の重み係数２はすべてゼロにする。重み係数２は各ノードの値との積演算を行なうことから、接続の重み係数２をゼロにしたノード間の接続関係はなくなる。つまり、重み係数２がゼロで接続されたノード間では一切の影響関係がなくなる。 First, in the first step, all the weighting factors 2 other than the weighting factor indicating the temporal order relationship as described above are set to zero at each node of the neural network. Since the weight coefficient 2 performs a product operation with the value of each node, there is no connection relationship between nodes with the connection weight coefficient 2 set to zero. That is, there is no influence relationship between nodes connected with the weighting factor 2 being zero.

第２のステップは、設定を行ったニューラルネットワークの学習である。図１に示したニューラルネットワークを実現するにあたり、ニューラルネットワークの学習方法で最も基本的なバックプロパゲーション法（逆誤差伝播法）を応用した。よく知られるようにバックプロパゲーション法は以下のようなアルゴリズムである。 The second step is learning of the neural network that has been set. In realizing the neural network shown in FIG. 1, the most basic back-propagation method (reverse error propagation method) was applied as a neural network learning method. As is well known, the back propagation method is the following algorithm.

手順（１）…ニューラルネットワークにランダムな値の重み係数２を設定する。
手順（２）…手順（１）で重み係数２を設定したニューラルネットワークに入力値を与え出力値を計算する。
手順（３）…手順（２）で与えた入力値に対応して出力させたい値と、現在の出力値の差分を計算する。
手順（４）…手順（３）で計算した差分を出力層（Ｃ）から中間層（Ｂ）に逆伝播させる。
手順（５）…手順（４）で逆伝播した値を使って重み係数２を更新する。
手順（６）…手順（３）に戻り、差分値が一定以下ならば計算を止める。 Procedure (1)... A random value weighting factor 2 is set in the neural network.
Step (2): An input value is given to the neural network in which the weighting factor 2 is set in step (1), and an output value is calculated.
Step (3): The difference between the value to be output corresponding to the input value given in step (2) and the current output value is calculated.
Step (4): The difference calculated in step (3) is propagated back from the output layer (C) to the intermediate layer (B).
Procedure (5)... Weighting factor 2 is updated using the value propagated back in procedure (4).
Step (6): Return to step (3) and stop the calculation if the difference value is below a certain value.

この計算において、手順（５）を次の手順（５−２）に変更することで学習を行なう。 In this calculation, learning is performed by changing the procedure (5) to the next procedure (5-2).

手順（５−２）…手順（４）で逆伝播した値を使って重み係数２を逐次更新する。ただし、第１のステップで重み係数２をゼロに設定した接続の重み係数は更新しない。 Procedure (5-2)... The weighting factor 2 is sequentially updated using the value propagated back in the procedure (4). However, the weighting factor of the connection in which the weighting factor 2 is set to zero in the first step is not updated.

以上の第１のステップおよび第２のステップからなるアルゴリズムを用いて本実施形態にしたがったエネルギー需要予測システムが用いるニューラルネットワークの学習を行なう。 The neural network used by the energy demand prediction system according to the present embodiment is learned using the algorithm including the first step and the second step.

図３は、本発明の第１の実施形態にしたがったエネルギー需要予測システムの機能ブロック図である。
図３に示したように、本発明の第１の実施形態にしたがったエネルギー需要予測システムは、データ入力部９、予測演算機能１０およびデータ出力部１１を備える。データ入力部９は予測演算機能１０と接続される。予測演算機能１０はデータ出力部１１と接続される。予測演算機能１０は、図１に示したニューラルネットワーク、つまり、図２に示したニューラルネットワーク７の機能を実現し、気象データを入力して、冷熱デマンドの予測値を算出し、これを出力する。 FIG. 3 is a functional block diagram of the energy demand prediction system according to the first embodiment of the present invention.
As shown in FIG. 3, the energy demand prediction system according to the first embodiment of the present invention includes a data input unit 9, a prediction calculation function 10, and a data output unit 11. The data input unit 9 is connected to the prediction calculation function 10. The prediction calculation function 10 is connected to the data output unit 11. The prediction calculation function 10 realizes the function of the neural network shown in FIG. 1, that is, the neural network 7 shown in FIG. 2, inputs weather data, calculates a predicted value of the cold demand, and outputs this. .

図３に示したように、データ入力部９は、入力データ（入力値）１２を入力する。入力データ１２の具体例は、図２に示した、気象データの入力時系列データ５である。
データ入力部９が入力を受け付けたデータは予測演算機能１０に出力される。このとき、予測演算機能１０は、重み係数ファイル１３を読み込む。重み係数ファイル１３は、図１に示したニューラルネットワークの各ノード間の全ての接続の重み係数２を設定したファイルである。具体的には、例えば、エネルギー需要予測システムにメモリを備え、このメモリを予測演算機能１０と接続し、メモリに重み係数ファイル１３を記憶する。重み係数ファイル１３の内容は、前述した重み係数の学習により逐次更新される。 As shown in FIG. 3, the data input unit 9 inputs input data (input value) 12. A specific example of the input data 12 is the weather data input time-series data 5 shown in FIG.
Data received by the data input unit 9 is output to the prediction calculation function 10. At this time, the prediction calculation function 10 reads the weighting coefficient file 13. The weighting coefficient file 13 is a file in which the weighting coefficient 2 of all connections between the nodes of the neural network shown in FIG. 1 is set. Specifically, for example, the energy demand prediction system includes a memory, and this memory is connected to the prediction calculation function 10, and the weight coefficient file 13 is stored in the memory. The contents of the weighting coefficient file 13 are sequentially updated by learning the weighting coefficient described above.

そして、予測演算機能１０がデータ入力部９を介して入力データ１２を取得した際に、予測演算機能１０が、メモリに記憶された重み係数ファイル１３を読み込み、各ノード間の接続の重み係数２の情報を取得する。 When the prediction calculation function 10 acquires the input data 12 via the data input unit 9, the prediction calculation function 10 reads the weighting coefficient file 13 stored in the memory, and the weighting coefficient 2 for connection between the nodes. Get information about.

また、予測演算機能１０は、重み係数ファイル１３を読み込むとともに、入出力対応付けファイル１４を読み込む。入出力対応付けファイル１４は、ニューラルネットワーク（図１参照）の各ノード間の重み係数２の有無を示すファイルである。各ノード間の重み係数２の有無は、前述のアルゴリズム、つまり、重み係数２の設定における第１のステップにしたがって設定される。予測演算機能１０は、入出力対応付けファイル１４を読み込むことで、時間に関する因果関係により重み係数２がゼロに設定された接続を取得する。 Further, the prediction calculation function 10 reads the weight coefficient file 13 and also reads the input / output association file 14. The input / output association file 14 is a file indicating the presence or absence of the weighting coefficient 2 between the nodes of the neural network (see FIG. 1). The presence / absence of the weighting factor 2 between the nodes is set according to the above-described algorithm, that is, the first step in setting the weighting factor 2. The prediction calculation function 10 reads the input / output association file 14 to acquire a connection in which the weighting factor 2 is set to zero due to the causal relationship regarding time.

具体的には、例えば、前述したメモリを予測演算機能１０と接続し、このメモリに入出力対応付けファイル１４を記憶する。予測演算機能１０は、データ入力部９を介して入力データ１２を取得した際に、メモリに記憶された入出力対応付けファイル１４を読み込む。入出力対応付けファイル１４の内容は予め設定された内容であり、前述した重み係数２の学習がなされても変化しない。 Specifically, for example, the memory described above is connected to the prediction calculation function 10 and the input / output association file 14 is stored in this memory. The prediction calculation function 10 reads the input / output association file 14 stored in the memory when the input data 12 is acquired via the data input unit 9. The contents of the input / output association file 14 are preset contents and do not change even if the weighting factor 2 is learned.

予測演算機能１０は、重み係数ファイル１３と入出力対応付けファイル１４を読み込んだ際に、各ノード間の接続のうち、入出力対応付けファイル１４により重み係数２が有ることが示された接続に関し、重み係数ファイル１３により設定された重み係数２を設定する。予測演算機能１０は、ニューラルネットワーク（図１参照）の各ノード間の重み係数２の設定が終了した後に、各時刻における冷熱デマンドの予測値を算出する。 When the prediction calculation function 10 reads the weighting coefficient file 13 and the input / output association file 14, among the connections between the nodes, the input / output association file 14 indicates that the weighting coefficient 2 is present. The weighting coefficient 2 set by the weighting coefficient file 13 is set. The prediction calculation function 10 calculates the predicted value of the cold demand at each time after the setting of the weighting factor 2 between the nodes of the neural network (see FIG. 1) is completed.

予測演算機能１０により算出された結果は、データ出力部１１を介して出力データ（予測値）１５として出力される。出力データ１５の具体例は、図２に示した、冷熱予測デマンドの出力時系列データ８である。本実施形態において、データ出力部１１は、出力データ１５を、紙などに印刷して出力する。 The result calculated by the prediction calculation function 10 is output as output data (predicted value) 15 via the data output unit 11. A specific example of the output data 15 is the output time series data 8 of the cold prediction demand shown in FIG. In the present embodiment, the data output unit 11 prints the output data 15 on paper or the like and outputs it.

前述した入力データ１２である気温と湿度が更新された場合の処理について説明する。予測演算機能１０は、データ入力部９を介して入力された入力データ１２（図２参照）の少なくとも一部が更新された場合には、冷熱デマンドの予測値を再計算し、これを、データ出力部１１を介して出力データ１５として出力する。 A process when the temperature and humidity as the input data 12 are updated will be described. When at least part of the input data 12 (see FIG. 2) input via the data input unit 9 is updated, the prediction calculation function 10 recalculates the prediction value of the cold demand, Output as output data 15 via the output unit 11.

例えば、日中の時刻「１３：００」に気温予測値が更新され、時刻「１５：００」における気温予測値を新しい予測値に更新する場合、朝方の時刻の冷熱の予測デマンドが時刻「１５：００」以降に更新された予測気温によって変化することは望ましくない。
このため、図１に示したニューラルネットワークを用いたエネルギー需要予測システムでは、あらかじめ設定した関係である、入出力データの時刻に関する因果関係に依存して、出力データ１５の一部のみを変化させることができる。 For example, when the predicted temperature value is updated at the daytime time “13:00” and the predicted temperature value at the time “15:00” is updated to a new predicted value, the predicted cold demand at the morning time is the time “15”. It is not desirable to change according to the predicted temperature updated after “0:00”.
For this reason, in the energy demand prediction system using the neural network shown in FIG. 1, only a part of the output data 15 is changed depending on the causal relationship regarding the time of the input / output data, which is a preset relationship. Can do.

以上のように、本実施形態にしたがったエネルギー需要予測システムでは、予測演算に用いるニューラルネットワークの構造を汎化し、入出力の事象間の時間に関する因果関係を考慮した上で、エネルギー需要の予測値の時系列データを出力することができる。よって、実際のエネルギー需要に対し、エネルギー需要の予測値が大幅に異なる現象を無くすことができるので、適切なエネルギー需要予測を行なうことができるようになる。 As described above, the energy demand prediction system according to the present embodiment generalizes the structure of the neural network used for the prediction calculation, and considers the causal relationship regarding the time between input and output events, and then predicts the energy demand. The time series data can be output. Therefore, a phenomenon in which the predicted value of the energy demand is significantly different from the actual energy demand can be eliminated, so that appropriate energy demand prediction can be performed.

（第２の実施形態）
次に、本発明の第２の実施形態について説明する。なお、本実施形態に係るエネルギー需要予測システムの構成は、図１〜図３に示したものと基本的にほぼ同様であるので、同一部分には同一符号を付して、その説明は省略する。 (Second Embodiment)
Next, a second embodiment of the present invention will be described. In addition, since the structure of the energy demand prediction system which concerns on this embodiment is as substantially the same as what was shown in FIGS. 1-3, the same code | symbol is attached | subjected to the same part and the description is abbreviate | omitted. .

図４は、本発明の第２の実施形態にしたがったエネルギー需要予測システムの機能ブロック図である。
図４では図示はしていないが、本実施形態にしたがったデータ入力部９は、図３に示したように、入力データ１２の入力を受け付ける。予測演算機能１０は、図３に示したように、重み係数ファイル１３と入出力対応付けファイル１４を読み込む。また、データ出力部１１は、図３に示したように、出力データ１５を出力する。 FIG. 4 is a functional block diagram of the energy demand prediction system according to the second embodiment of the present invention.
Although not shown in FIG. 4, the data input unit 9 according to the present embodiment accepts input of the input data 12 as shown in FIG. The prediction calculation function 10 reads the weighting coefficient file 13 and the input / output association file 14 as shown in FIG. Further, the data output unit 11 outputs the output data 15 as shown in FIG.

図４において、データ入力部９が入力する入力データ１２、予測演算機能１０が入力する重み係数ファイル１３と入出力対応付けファイル１４、およびデータ出力部１１が出力する出力データ１５は、第１の実施形態で説明したものと同様である。ただし、入力データ１２、および予測演算機能１０が出力したデータは、前述した時刻に加え、日付の情報と関連付けられる。 In FIG. 4, the input data 12 input by the data input unit 9, the weighting coefficient file 13 and the input / output association file 14 input by the prediction calculation function 10, and the output data 15 output by the data output unit 11 are the first This is the same as described in the embodiment. However, the input data 12 and the data output by the prediction calculation function 10 are associated with date information in addition to the time described above.

図４に示したように、本実施形態にしたがったエネルギー需要予測システムでは、第１の実施形態で説明したシステム（図３参照）と異なり、予測補正機能１６とデータ保存機能１７を備える。 As shown in FIG. 4, the energy demand prediction system according to the present embodiment includes a prediction correction function 16 and a data storage function 17, unlike the system described in the first embodiment (see FIG. 3).

予測補正機能１６は、第１の実施形態で説明した予測演算機能１０とデータ出力部１１の間に設けられる。データ保存機能１７は、予測演算機能１０、予測補正機能１６、およびデータ出力部１１と接続される。また、データ入力部９はデータ保存機能１７と接続される。 The prediction correction function 16 is provided between the prediction calculation function 10 and the data output unit 11 described in the first embodiment. The data storage function 17 is connected to the prediction calculation function 10, the prediction correction function 16, and the data output unit 11. The data input unit 9 is connected to the data storage function 17.

予測演算機能１０は、計算した冷熱デマンドの予測データを予測補正機能１６およびデータ保存機能１７に出力する。データ保存機能１７は、データ入力部９に入力された入力データ１２と、予測演算機能１０が出力したデータである冷熱デマンドの予測値を取得し、これを日付時刻の情報と関連付けて保存する。 The prediction calculation function 10 outputs the calculated prediction data of the cold demand to the prediction correction function 16 and the data storage function 17. The data storage function 17 acquires the input data 12 input to the data input unit 9 and the predicted value of the cooling / heating demand, which is the data output by the prediction calculation function 10, and stores it in association with the date / time information.

予測補正機能１６は、データ保存機能１７が保存したデータと、予測演算機能１０が出力した、各時刻の冷熱デマンドのデータを取得し、これら取得したデータに基づき、冷熱デマンドの補正値を計算し、この計算結果を、元の冷熱デマンドのデータに反映させる。そして、予測補正機能１６は、前述のように補正値を反映させた冷熱デマンドのデータをデータ出力部１１に出力する。以降の処理は、第１の実施形態で説明した処理と同様である。 The prediction correction function 16 acquires the data stored by the data storage function 17 and the data of the cooling demand at each time output by the prediction calculation function 10, and calculates the correction value of the cooling demand based on the acquired data. The calculation result is reflected in the original data of the cold demand. Then, the prediction correction function 16 outputs the data of the cold demand reflecting the correction value as described above to the data output unit 11. The subsequent processing is the same as the processing described in the first embodiment.

以上のように、本実施形態にしたがったエネルギー需要予測システムでは、第１の実施形態で説明したシステムにデータ保存機能１７を新たに設け、この機能により保存したデータを、データ出力部１１または他の機能により出力するので、過去の入出力データをさかのぼって閲覧することが可能である。これにより、システムに問題が生じた場合に原因を調査することが可能になる。 As described above, in the energy demand prediction system according to the present embodiment, the data storage function 17 is newly provided in the system described in the first embodiment, and the data stored by this function is transferred to the data output unit 11 or others. Since it is output by this function, it is possible to browse the past input / output data retrospectively. This makes it possible to investigate the cause when a problem occurs in the system.

また、第１の実施形態で説明したシステムに予測補正機能１６を新たに設け、この予測補正機能１６を用いて、データ保存機能１７により保存された過去の気象データおよび冷熱デマンドの予測結果から、予測演算機能１０が計算した冷熱デマンドの予測値の補正を行なう。よって、冷熱デマンドの、より適切な予測データを得ることができる。 In addition, a prediction correction function 16 is newly provided in the system described in the first embodiment, and the prediction correction function 16 is used to calculate the past meteorological data stored by the data storage function 17 and the prediction result of the cold demand. The predicted value of the cold demand calculated by the prediction calculation function 10 is corrected. Therefore, more appropriate prediction data of the cooling / heating demand can be obtained.

（第３の実施形態）
次に、本発明の第３の実施形態について説明する。なお、本実施形態に係るエネルギー需要予測システムの構成は、図１、図２および図４に示したものと基本的にほぼ同様であるので、同一部分には同一符号を付して、その説明は省略する。 (Third embodiment)
Next, a third embodiment of the present invention will be described. The configuration of the energy demand prediction system according to the present embodiment is basically substantially the same as that shown in FIGS. 1, 2, and 4, and therefore, the same parts are denoted by the same reference numerals and the description thereof is omitted. Is omitted.

図５は、本発明の第３の実施形態にしたがったエネルギー需要予測システムの機能ブロック図である。
図５では図示はしていないが、本実施形態にしたがったデータ入力部９は、図３に示したように、入力データ１２の入力を受け付ける。予測演算機能１０は、図３に示したように、重み係数ファイル１３と入出力対応付けファイル１４を読み込む。また、データ出力部１１は、図３に示したように、出力データ１５を出力する。 FIG. 5 is a functional block diagram of an energy demand prediction system according to the third embodiment of the present invention.
Although not shown in FIG. 5, the data input unit 9 according to the present embodiment accepts input of the input data 12 as shown in FIG. The prediction calculation function 10 reads the weighting coefficient file 13 and the input / output association file 14 as shown in FIG. Further, the data output unit 11 outputs the output data 15 as shown in FIG.

図５に示したデータ入力部９が入力する入力データ１２、予測演算機能１０が入力する重み係数ファイル１３と入出力対応付けファイル１４、およびデータ出力部１１が出力する出力データ１５は第１の実施形態で説明したものと同様である。ただし、入力データ１２、データ出力部１１が出力したデータには、日付時刻の情報が関連付けられる。 The input data 12 input by the data input unit 9 shown in FIG. 5, the weighting coefficient file 13 and the input / output association file 14 input by the prediction calculation function 10, and the output data 15 output by the data output unit 11 are the first This is the same as described in the embodiment. However, date / time information is associated with the input data 12 and the data output from the data output unit 11.

図５に示したように、本実施形態にしたがったエネルギー需要予測システムでは、第２の実施形態で説明したシステムと異なり、表示部１８を備える。表示部１８は、データ入力部９およびデータ出力部１１と接続される。表示部１８は、モニタ装置であり、データ入力部９に入力された入力データ１２と、予測演算機能１０が出力したデータを取得して、これを画面表示する。 As shown in FIG. 5, the energy demand prediction system according to this embodiment includes a display unit 18, unlike the system described in the second embodiment. The display unit 18 is connected to the data input unit 9 and the data output unit 11. The display unit 18 is a monitor device that acquires the input data 12 input to the data input unit 9 and the data output by the prediction calculation function 10 and displays them on the screen.

以上のように本実施形態にしたがったエネルギー需要予測システムでは、表示部１８を新たに備えることで、エネルギー需要予測システムの入出力データを、モニタ画面を通して確認することができる。 As described above, in the energy demand prediction system according to the present embodiment, the input / output data of the energy demand prediction system can be confirmed through the monitor screen by newly providing the display unit 18.

図５では、第２の実施形態で説明したエネルギー需要予測システムに表示部１８を備えた形態を示したが、第１の実施形態で説明したシステム（図３参照）のデータ入力部９およびデータ出力部１１に表示部１８を接続した形態でもよい。 In FIG. 5, although the form provided with the display part 18 in the energy demand prediction system demonstrated in 2nd Embodiment was shown, the data input part 9 and data of the system (refer FIG. 3) demonstrated in 1st Embodiment. The form which connected the display part 18 to the output part 11 may be sufficient.

以上説明した、各実施形態にしたがったエネルギー需要予測システムでは、冷熱の需要予測値を計算したが、これに限らず、エネルギーの需要であれば、他の需要の予測値を計算するものとしてもよい。 In the energy demand prediction system according to each embodiment described above, the cold demand prediction value is calculated. However, the present invention is not limited to this, and if it is an energy demand, the prediction value of other demand may be calculated. Good.

なお、この発明は、前記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、前記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。更に、異なる実施形態に亘る構成要素を適宜組み合せてもよい。 Note that the present invention is not limited to the above-described embodiment as it is, and can be embodied by modifying the constituent elements without departing from the scope of the invention in the implementation stage. Moreover, various inventions can be formed by appropriately combining a plurality of constituent elements disclosed in the embodiment. For example, some components may be deleted from all the components shown in the embodiment. Furthermore, you may combine suitably the component covering different embodiment.

本発明の第１の実施形態にしたがったエネルギー需要予測システムが備える、予測演算を行なうためのニューラルネットワークの内部構造を示す図。The figure which shows the internal structure of the neural network for performing the prediction calculation with which the energy demand prediction system according to the 1st Embodiment of this invention is provided. 本発明の第１の実施形態にしたがったエネルギー需要予測システムの概要図。1 is a schematic diagram of an energy demand prediction system according to a first embodiment of the present invention. 図２に示したエネルギー需要予測システムの機能ブロック図。The functional block diagram of the energy demand prediction system shown in FIG. 本発明の第２の実施形態にしたがったエネルギー需要予測システムの機能ブロック図。The functional block diagram of the energy demand prediction system according to the 2nd Embodiment of this invention. 本発明の第３の実施形態にしたがったエネルギー需要予測システムの機能ブロック図。The functional block diagram of the energy demand prediction system according to the 3rd Embodiment of this invention. 従来のエネルギー需要予測システムに用いられるニューラルネットワークにおける入力時系列データと出力時系列データの関係を表す図。The figure showing the relationship between the input time series data and output time series data in the neural network used for the conventional energy demand prediction system.

符号の説明Explanation of symbols

１…入力ノード、２…重み係数、３…中間ノード、４…出力ノード、５…入力時系列データ、６…入力フラグ、７…ニューラルネットワーク、８…出力時系列データ、９…データ入力部、１０…予測演算機能、１１…データ出力部、１２…入力データ、１３…重み係数ファイル、１４…入出力対応付けファイル、１５…出力データ、１６…予測補正機能、１７…データ保存機能、１８…表示部。 DESCRIPTION OF SYMBOLS 1 ... Input node, 2 ... Weight coefficient, 3 ... Intermediate node, 4 ... Output node, 5 ... Input time series data, 6 ... Input flag, 7 ... Neural network, 8 ... Output time series data, 9 ... Data input part, DESCRIPTION OF SYMBOLS 10 ... Prediction calculation function, 11 ... Data output part, 12 ... Input data, 13 ... Weighting coefficient file, 14 ... Input / output correspondence file, 15 ... Output data, 16 ... Prediction correction function, 17 ... Data storage function, 18 ... Display section.

Claims

ニューラルネットワークを用いてエネルギー需要を予測するエネルギー需要予測システムであって、
複数の時刻毎に、この時刻に関連付けた気象データを入力する入力手段と、
この入力手段により入力した気象データを用いて、前記気象データの時刻に応じて設定した範囲の時間に影響するようにエネルギー需要の予測値を算出する算出手段と
を備えたことを特徴とするエネルギー需要予測システム。 An energy demand forecasting system for forecasting energy demand using a neural network,
Input means for inputting the weather data associated with this time for each of a plurality of times;
Energy comprising: calculation means for calculating a predicted value of energy demand so as to affect the time in a range set according to the time of the weather data using the weather data input by the input means Demand forecasting system.

前記ニューラルネットワークにおける各層ノード間の重み係数は、
前記算出手段が、前記入力手段により入力した気象データを用いて、前記気象データの時刻に応じて予め設定された範囲の時間に影響するようにエネルギー需要の予測値を算出するように設定したことを特徴とする請求項１に記載のエネルギー需要予測システム。 The weighting factor between each layer node in the neural network is:
The calculation means is set to calculate the predicted value of energy demand so as to affect the time in a range set in advance according to the time of the weather data, using the weather data input by the input means. The energy demand prediction system according to claim 1, wherein:

前記ニューラルネットワークにおける各層ノード間の重み係数を記憶する重み係数記憶手段と、
この重み係数記憶手段に記憶された重み係数を読み出す重み係数読出し手段と
を備え、
前記ニューラルネットワークにおける各層ノード間の重み係数は、
前記重み係数読出し手段が読み出した重み係数に基づいて設定されることを特徴とする請求項２に記載のエネルギー需要予測システム。 Weight coefficient storage means for storing a weight coefficient between each layer node in the neural network;
Weight coefficient reading means for reading the weight coefficient stored in the weight coefficient storage means,
The weighting factor between each layer node in the neural network is:
3. The energy demand prediction system according to claim 2, wherein the energy demand prediction system is set based on the weighting factor read by the weighting factor reading means.

前記ニューラルネットワークにおける各層ノード間の重み係数の有無を示す情報を記憶する重み係数対応付け情報記憶手段と、
この重み係数対応付け情報記憶手段に記憶された重み係数対応付け情報を読み出す重み係数対応付け情報読出し手段と
を備え、
前記ニューラルネットワークにおける各層ノード間の重み係数は、
前記重み係数対応付け情報読出し手段により読み出した重み係数対応付け情報により前記重み係数が有ることが示された各層ノード間について、前記重み係数読出し手段が読み出した重み係数情報に基づいて設定される
ことを特徴とする請求項３に記載のエネルギー需要予測システム。 Weight coefficient association information storage means for storing information indicating the presence or absence of a weight coefficient between each layer node in the neural network;
Weight coefficient association information reading means for reading the weight coefficient association information stored in the weight coefficient association information storage means,
The weighting factor between each layer node in the neural network is:
Between each layer node indicated by the weighting factor association information read by the weighting factor association information reading unit that the weighting factor exists, it is set based on the weighting factor information read by the weighting factor reading unit. The energy demand prediction system according to claim 3, wherein:

前記入力手段は、前記気象データの属性を示すフラグをさらに入力することを特徴とする請求項１乃至請求項４のうち何れか１つに記載のエネルギー需要予測システム。 The energy demand prediction system according to any one of claims 1 to 4, wherein the input unit further inputs a flag indicating an attribute of the weather data.

前記気象データは、時間経過により更新され、
前記入力手段は、前記更新された気象データを入力し、
前記算出手段は、前記入力手段が前記更新された気象データを入力するたびに、前記エネルギー需要の予測値を再び算出する
ことを特徴とする請求項１乃至請求項４のうち何れか１つに記載のエネルギー需要予測システム。 The weather data is updated over time,
The input means inputs the updated weather data,
5. The calculation unit according to claim 1, wherein the calculation unit calculates the prediction value of the energy demand again every time the input unit inputs the updated weather data. The energy demand forecasting system described.

前記入力された気象データおよび前記算出されたエネルギー需要の予測値は日付の情報と関連付けられ、
前記気象データの過去データと、前記算出手段が算出した過去のエネルギー需要の予測値を、前記日付の情報と関連付けて保存するデータ保存手段を備えたことを特徴とする請求項１乃至請求項４のうち何れか１つに記載のエネルギー需要予測システム。 The input weather data and the calculated predicted energy demand are associated with date information;
5. A data storage unit that stores past data of the weather data and a predicted value of past energy demand calculated by the calculation unit in association with the date information. The energy demand prediction system as described in any one of these.

前記算出手段が前記エネルギー需要の予測値を算出した際に、前記データ保存手段が保存した、前記気象データの過去データおよび過去のエネルギー需要の予測値を取得する取得手段と、
この取得手段が取得した、前記気象データの過去データおよび過去のエネルギー需要の予測値と、前記算出手段が算出したエネルギー需要の予測値に基づいて、当該エネルギー需要の予測値を補正する補正手段と
を備えたことを特徴とする請求項７に記載のエネルギー需要予測システム。 When the calculation means calculates the predicted value of the energy demand, the acquisition means for acquiring the past data of the weather data and the predicted value of the past energy demand stored by the data storage means;
Correction means for correcting the predicted value of the energy demand based on the predicted value of the past data of the weather data and the predicted value of the past energy demand acquired by the acquiring means and the predicted value of the energy demand calculated by the calculating means; The energy demand prediction system according to claim 7, comprising:

前記気象データと、前記算出手段が算出したエネルギー需要の予測値を表示する表示手段を備えたことを特徴とすることを特徴とする請求項１乃至請求項４のうち何れか１つに記載のエネルギー需要予測システム。 5. The display device according to claim 1, further comprising a display unit that displays the weather data and a predicted value of energy demand calculated by the calculation unit. Energy demand forecasting system.

前記気象データは、気温および湿度の予測値であり、
前記気象データの属性を示すフラグは、当該気象データと関連する曜日が平日であるか休日であるかを区別するフラグであり、
前記エネルギー需要の予測値は、熱需要の予測値であることを特徴とする請求項５に記載のエネルギー需要予測システム。 The weather data are predicted values of temperature and humidity,
The flag indicating the attribute of the weather data is a flag for distinguishing whether the day of the week related to the weather data is a weekday or a holiday,
6. The energy demand prediction system according to claim 5, wherein the predicted value of energy demand is a predicted value of heat demand.