JP2007215354A - 電力負荷予測方法、及び電力負荷予測処理プログラム - Google Patents
電力負荷予測方法、及び電力負荷予測処理プログラム Download PDFInfo
- Publication number
- JP2007215354A JP2007215354A JP2006034104A JP2006034104A JP2007215354A JP 2007215354 A JP2007215354 A JP 2007215354A JP 2006034104 A JP2006034104 A JP 2006034104A JP 2006034104 A JP2006034104 A JP 2006034104A JP 2007215354 A JP2007215354 A JP 2007215354A
- Authority
- JP
- Japan
- Prior art keywords
- distribution
- power load
- equation
- variance
- prediction
- 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 title claims abstract description 60
- 238000009826 distribution Methods 0.000 claims abstract description 71
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 25
- 239000011159 matrix material Substances 0.000 description 13
- 238000004088 simulation Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002939 conjugate gradient method Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012733 comparative method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000005183 dynamical system Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【解決手段】記憶装置に記憶された事前分布に基づいて、MAP推定またはハイブリッドモンテカルロ法により演算装置が構築したガウシアンプロセスにより、演算装置が予測分布の平均と分散を算出するステップと、算出した予測分布の平均と分散とを出力装置を介して出力するステップとを有する。このようにして予測すると、GP(MAP)及びGP(HMC)の何れも、比較手法であるMLPとRBFNと比べて、平均誤差及び最大誤差において上回る結果を残すことができる。
【選択図】図9
Description
本実施形態の電力負荷予測方法では、階層的ベイズ推定を用いたガウシアンプロセスを用いて電力負荷予測の上下限値と平均値とを求める。この際、本実施形態では、後述するMAP推定あるいはハイブリッドモンテカルロ法により、ガウシアンプロセスの平均値と分散を求める。
「ベイズモデル」とは、パラメータとデータを確率変数とみなして予測値を点で推定することではなく、分布として推定するためのモデルである。また、「ガウシアンプロセス(以下、「GP」という。)」とは、ベイズモデルにおけるパラメータの事前分布として正規分布を過程するモデルである。階層的ベイズ推定モデルとはパラメータについても事前分布を仮定して、即ち、パラメータの分布のパラメータ(ハイパーパラメ−タ)を考慮したベイズモデルである。なお、階層的ベイズ推定は、特定分布の影響を緩和する働きをする。「MAP推定」は、勾配情報を用いて事後確率が最大化するようにハイパーパラメータを決定する推定手法である。そして、「ハイブリッドモンテカルロ法」は、マルコフ連鎖モンテカルロ法の一種であり、サンプリングにより事後分布の平均と分散を決定する手法である。
ここでは、ハイパーパラメータθ={θk}, (k=1,…,K)に事前分布P(θ)を設定した場合の予測分布の算出法について述べる。この場合、予測分布は、ベイズの定理から次式(式17)の様になる。なお、式17において、「D」は与えられたデータである。
先ず、MAP推定について説明する。MAP推定とは、事後確率が最大となる値を点推定する手法である。すなわち、MAP推定値を「θMAP」とすると、P(tN+1|xN+1,D)をP(tN+1|xN+1,D,θMAP)とする近似を行う。「θ」を固定するので、予測分布は正規分布となる。これを行うためには式19とハイパーパラメータ事前分布の対数を用いて式18の最大化を行うようにすればよい。式19の偏導関数は次式(式20)で与えられる。なお、式20において、Trは行列のトレースである。
次に、ハイブリッドモンテカルロによるサンプリングについて説明する。式17の予測分布を近似するもう1つの方法として、マルコフ連鎖モンテカルロ法を用いたサンプリングにより期待値などを計算する方法がある。高い確率を持つ領域から効率よくサンプルをとることができれば、サンプルが少数であっても十分に精度の高い近似値が得られる。
本例では、GPを用いて短期電力負荷予測を行い、負荷の不確定性をエラーバーにより表現可能な電力負荷予測方法を提供する。電力負荷予測問題では季節変動などの不確定要素が含まれるため、ある程度の誤差は必ず発生する。その誤差を抑えることも確かに重要だが、観測値が取り得るであろう範囲を予測して不確定性を表現し、観測値の傾向をつかむことも重要であると思われる。また、これらの情報は運用者にとっても有用な情報となりえると考えられる。GPのモデル構築には、MAP推定とHMCを用いる。それぞれの手法の流れを以下に示す。
図2は、MAP推定による電力負荷予測処理の例を示すフローチャートである。電力負荷予測処理において、演算装置2は、先ず、ハイパーパラメータの事前分布の形式とそのパラメータ、及び共分散関数の形式を決定する(ステップS11)。次いで、演算装置2は、適当な初期値から出発して式18を最大化し、θMAPを得る(ステップS12)。さらに、演算装置2は、θMAPを用いて予測分布の平均と分散を式16により求める(ステップS13)。
図3は、HMCによる電力負荷予測処理の例を示すフローチャートである。電力負荷予測処理において、演算装置2は、先ず、ハイパーパラメータの事前分布の形式とそのパラメータ、及び共分散関数の形式を決定する(ステップS21a)。また、演算装置2は、HMCの反復回数、leapfrogの反復回数、ステップサイズ、persistence,burn-inの割合を決定する(ステップS21b)。なお、θの初期値については、乱数などの適当な方法で決定する。また,演算装置2は、モーメント変数pの初期値を標準正規乱数により発生させる(ステップS22)。そして、演算装置2は、ステップS21で決定したHMCの反復回数を満たすまで、以下(ステップS23〜S28)を実行する。
先ず、シミュレーション条件について説明する。本シミュレーションでは、サンプルデータとして、平成11年から平成14年の夏季(6月〜9月)の平日データの最大電力負荷を用い、そのうち平成14年のデータをテストデータとして用いた。ただし、お盆などの特異日のデータはデータから除いてある。図4は、使用する入力変数を示す図である。なお、曜日については、図5に示すようにビット化した。よって、入力次元は11次元である。
上記のシミュレーション条件によるシミュレーション結果について説明する。先ず、図9に各手法の平均誤差と最大誤差をそれぞれ示す。図9により、GP(MAP)は比較手法であるMLPとRBFNと比べて、平均誤差において0.4063%と0.3512%、最大誤差において1.2796%と0.9535%を上回る結果を残した。
2…演算装置
3…記憶装置
4…出力装置
Claims (4)
- 記憶装置、演算装置及び出力装置を備えたコンピュータを用い電力負荷を予測する電力負荷予測方法であって、
前記記憶装置に記憶された事前分布に基づいて、MAP推定またはハイブリッドモンテカルロ法により前記演算装置が構築したガウシアンプロセスにより、前記演算装置が予測分布の平均と分散を算出するステップと、
算出した予測分布の平均と分散とを前記出力装置を介して出力するステップと
を備えたことを特徴とする電力負荷予測方法。 - 前記演算装置は、MAP推定によりMAP推定値を求めることで、ガウシアンプロセスを構築する
請求項1記載の電力負荷予測方法。 - 前記演算装置は、ハイブリッドモンテカルロ法により、サンプリングによって予測分布の平均と分散を算出する
請求項1記載の電力負荷予測方法。 - 記憶装置、演算装置及び出力装置を備えたコンピュータに用い電力負荷を予測させる電力負荷予測処理プログラムであって、
前記コンピュータに、
前記記憶装置に記憶された事前分布に基づいて、MAP推定またはハイブリッドモンテカルロ法により前記演算装置が構築したガウシアンプロセスにより、前記演算装置が予測分布の平均と分散を算出するステップと、
算出した予測分布の平均と分散とを前記出力装置を介して出力するステップと
を実行させるための電力負荷予測処理プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006034104A JP4694984B2 (ja) | 2006-02-10 | 2006-02-10 | 電力負荷予測方法、及び電力負荷予測処理プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006034104A JP4694984B2 (ja) | 2006-02-10 | 2006-02-10 | 電力負荷予測方法、及び電力負荷予測処理プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2007215354A true JP2007215354A (ja) | 2007-08-23 |
JP4694984B2 JP4694984B2 (ja) | 2011-06-08 |
Family
ID=38493283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006034104A Expired - Fee Related JP4694984B2 (ja) | 2006-02-10 | 2006-02-10 | 電力負荷予測方法、及び電力負荷予測処理プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4694984B2 (ja) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010020442A (ja) * | 2008-07-09 | 2010-01-28 | Toshiba Corp | 取引対象物に関する将来需要の予測シナリオ作成方法およびその作成装置 |
JP2011123873A (ja) * | 2009-12-14 | 2011-06-23 | Intel Corp | データセンターにおいて電力を動的に割り当てる方法および装置 |
JP2013074695A (ja) * | 2011-09-27 | 2013-04-22 | Meiji Univ | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム |
JP2013529879A (ja) * | 2010-08-27 | 2013-07-22 | ミツビシ・エレクトリック・リサーチ・ラボラトリーズ・インコーポレイテッド | 発電機の運転をスケジューリングするための方法 |
CN103746402A (zh) * | 2013-12-13 | 2014-04-23 | 国家电网公司 | 一种接入风储互补微网的配电网可靠性评估方法 |
JP2014204581A (ja) * | 2013-04-05 | 2014-10-27 | 富士通株式会社 | 計画策定装置、計画策定システム、計画策定方法および計画策定プログラム |
CN105870913A (zh) * | 2016-03-23 | 2016-08-17 | 国网山西省电力公司大同供电公司 | 考虑供暖约束的时序蒙特卡洛模拟可靠性评估方法及*** |
CN106410794A (zh) * | 2016-11-14 | 2017-02-15 | 国家电网公司 | 一种电铁牵引负荷电能质量分布特性高斯模型分析方法 |
CN107064667A (zh) * | 2017-01-11 | 2017-08-18 | 国家电网公司 | 一种基于改进高斯混合模型的电铁负荷电能质量评估*** |
CN108304623A (zh) * | 2018-01-15 | 2018-07-20 | 重庆大学 | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 |
CN110874671A (zh) * | 2019-10-24 | 2020-03-10 | 腾讯科技(深圳)有限公司 | 一种配电网的电力负荷预测方法、装置及存储介质 |
CN111697572A (zh) * | 2020-06-15 | 2020-09-22 | 西安交通大学 | 基于多阶段随机规划理论的电源及电力流结构优化方法 |
JP7518985B2 (ja) | 2020-08-31 | 2024-07-18 | 荏原環境プラント株式会社 | 減肉量を予測するための方法、プログラム、及び装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05176463A (ja) * | 1991-12-19 | 1993-07-13 | Fuji Electric Co Ltd | 経済負荷配分方法 |
JP2003134664A (ja) * | 2001-10-17 | 2003-05-09 | Sharp Corp | 運転計画装置、運転計画方法、運転計画プログラム、および該プログラムを記録した記録媒体 |
-
2006
- 2006-02-10 JP JP2006034104A patent/JP4694984B2/ja not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05176463A (ja) * | 1991-12-19 | 1993-07-13 | Fuji Electric Co Ltd | 経済負荷配分方法 |
JP2003134664A (ja) * | 2001-10-17 | 2003-05-09 | Sharp Corp | 運転計画装置、運転計画方法、運転計画プログラム、および該プログラムを記録した記録媒体 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010020442A (ja) * | 2008-07-09 | 2010-01-28 | Toshiba Corp | 取引対象物に関する将来需要の予測シナリオ作成方法およびその作成装置 |
JP2011123873A (ja) * | 2009-12-14 | 2011-06-23 | Intel Corp | データセンターにおいて電力を動的に割り当てる方法および装置 |
US8478451B2 (en) | 2009-12-14 | 2013-07-02 | Intel Corporation | Method and apparatus for dynamically allocating power in a data center |
US8914157B2 (en) | 2009-12-14 | 2014-12-16 | Intel Corporation | Method and apparatus for dynamically allocating power in a data center |
JP2013529879A (ja) * | 2010-08-27 | 2013-07-22 | ミツビシ・エレクトリック・リサーチ・ラボラトリーズ・インコーポレイテッド | 発電機の運転をスケジューリングするための方法 |
JP2013074695A (ja) * | 2011-09-27 | 2013-04-22 | Meiji Univ | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム |
US9563193B2 (en) | 2013-04-05 | 2017-02-07 | Fujitsu Limited | Information processing method, program development device, recording medium, and method |
JP2014204581A (ja) * | 2013-04-05 | 2014-10-27 | 富士通株式会社 | 計画策定装置、計画策定システム、計画策定方法および計画策定プログラム |
CN103746402A (zh) * | 2013-12-13 | 2014-04-23 | 国家电网公司 | 一种接入风储互补微网的配电网可靠性评估方法 |
CN105870913A (zh) * | 2016-03-23 | 2016-08-17 | 国网山西省电力公司大同供电公司 | 考虑供暖约束的时序蒙特卡洛模拟可靠性评估方法及*** |
CN106410794A (zh) * | 2016-11-14 | 2017-02-15 | 国家电网公司 | 一种电铁牵引负荷电能质量分布特性高斯模型分析方法 |
CN107064667A (zh) * | 2017-01-11 | 2017-08-18 | 国家电网公司 | 一种基于改进高斯混合模型的电铁负荷电能质量评估*** |
CN108304623A (zh) * | 2018-01-15 | 2018-07-20 | 重庆大学 | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 |
CN108304623B (zh) * | 2018-01-15 | 2021-05-04 | 重庆大学 | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 |
CN110874671A (zh) * | 2019-10-24 | 2020-03-10 | 腾讯科技(深圳)有限公司 | 一种配电网的电力负荷预测方法、装置及存储介质 |
CN110874671B (zh) * | 2019-10-24 | 2021-03-16 | 腾讯科技(深圳)有限公司 | 一种配电网的电力负荷预测方法、装置及存储介质 |
CN111697572A (zh) * | 2020-06-15 | 2020-09-22 | 西安交通大学 | 基于多阶段随机规划理论的电源及电力流结构优化方法 |
CN111697572B (zh) * | 2020-06-15 | 2021-09-17 | 西安交通大学 | 基于多阶段随机规划理论的电源及电力流结构优化方法 |
JP7518985B2 (ja) | 2020-08-31 | 2024-07-18 | 荏原環境プラント株式会社 | 減肉量を予測するための方法、プログラム、及び装置 |
Also Published As
Publication number | Publication date |
---|---|
JP4694984B2 (ja) | 2011-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4694984B2 (ja) | 電力負荷予測方法、及び電力負荷予測処理プログラム | |
Chorin et al. | Discrete approach to stochastic parametrization and dimension reduction in nonlinear dynamics | |
Bisoi et al. | A hybrid evolutionary dynamic neural network for stock market trend analysis and prediction using unscented Kalman filter | |
Karlsson | Forecasting with Bayesian vector autoregression | |
Sinha et al. | Robust small area estimation | |
JP4661250B2 (ja) | 予測方法、予測装置および予測プログラム | |
EP3380948B1 (en) | Environmental monitoring systems, methods and media | |
He et al. | Real time detection of structural breaks in GARCH models | |
US20060218074A1 (en) | Automated trading platform | |
WO2018150798A1 (ja) | モデル推定システム、方法およびプログラム | |
US20230306505A1 (en) | Extending finite rank deep kernel learning to forecasting over long time horizons | |
WO2019069865A1 (ja) | パラメータ推定システム、パラメータ推定方法およびパラメータ推定プログラム記録媒体 | |
Palm | Multiple-step-ahead prediction in control systems with Gaussian process models and TS-fuzzy models | |
Wijesuriya et al. | Bayes-adaptive planning for data-efficient verification of uncertain Markov decision processes | |
Warty et al. | Sequential Bayesian learning for stochastic volatility with variance‐gamma jumps in returns | |
CN116048956A (zh) | 一种软件缺陷发生情况预测方法、装置、设备及存储介质 | |
Ihshaish et al. | Towards improving numerical weather predictions by evolutionary computing techniques | |
Huang et al. | Bayesian Real-Time System Identification: From Centralized to Distributed Approach | |
Chiu et al. | Imputation of rainfall data using improved neural network algorithm | |
Ausín et al. | Bayesian analysis of aggregate loss models | |
Merkatas et al. | System identification using autoregressive Bayesian neural networks with nonparametric noise models | |
Yapeng et al. | A fast and efficient Markov Chain Monte Carlo method for market microstructure model | |
Ozoh et al. | Appraisal of Predictive Techniques using Computational Methods | |
Dos Santos et al. | Inference for the hyperparameters of structural models under classical and Bayesian perspectives: a comparison study | |
Kalina et al. | On the Bayesian Interpretation of Penalized Statistical Estimators |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090119 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20090119 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20100419 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100511 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100705 |
|
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: 20110222 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20110224 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140304 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |