JP3650304B2

JP3650304B2 - Demand forecasting device

Info

Publication number: JP3650304B2
Application number: JP2000053579A
Authority: JP
Inventors: 宏明高橋; 博之森山; 一彰佐々木; 伸悟前田; 勝美大森
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2000-02-29
Filing date: 2000-02-29
Publication date: 2005-05-18
Anticipated expiration: 2020-02-29
Also published as: JP2001245432A

Description

【０００１】
【発明の属する技術分野】
本発明は、需要予測装置に係り、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。
【０００２】
【従来の技術】
ガス、電力、上水等の需要予測を、データ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。
【０００３】
次に、エネルギー流需要に対する予測方法として、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１０−２２４９９０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。
【０００４】
【発明が解決しようとする課題】
上記した従来の需要予測の技術は何れも、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。
【０００５】
まず、類似事例検索機能とその類似事例合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。
【０００６】
また、予測モデルと補正機能で構成される従来の技術は、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。
【０００７】
本発明は、かかる問題点を除去し、特にエ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。
【０００８】
【課題を解決するための手段】
本発明は、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を開示する。
【０００９】
さらに本発明は、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需要量予測装置を開示する。
【００１０】
さらに本発明は、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需要量予測装置を開示する。
【００１１】
さらに本発明は、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需要量予測装置を開示する。
【００１２】
【発明の実施の形態】
以下、本発明の実施の形態を詳細に説明する。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。
【００１３】
供給需要予測機能１は、入出力Ｉ／Ｆ１１、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（Memory 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。
【００１４】
入出力Ｉ／Ｆ１１は、影響要因予測データ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。
【００１５】
制御機能１２は、影響要因予測データ２お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。
【００１６】
ＭＢＲ機能１５は、予測要因データテーブル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。
【００１７】
ＮＮ機能１６は、予測要因データテーブル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。
【００１８】
合成機能１７は、ＭＢＲ機能１５よりの類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。
【００１９】
図２は、実績ＤＢ１３のデータ例を示すもので、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。
【数１】

前記ＳＩＮおよびＣＯＳは、日差係数をもとに計算した結果で、実績データが該当する季節を表す。これらＳＩＮおよびＣＯＳは以下の式より算出する。
【数２】

前日実績水温は、実績データ格納当日から数えて１日前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。
【００２０】
図３は、予測要因データテーブル１４の予測要因データ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。
【００２１】
図４は、ＭＢＲ機能１５の機能構成を示すもので、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ＭＢＲ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１５３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。
【００２２】
図５は、図４のＭＢＲ定義ファイル編集機能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。
【００２３】
図６は、図４の類似日検索条件作成機能１５２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。ＭＢＲ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。
【００２４】
入力変数間距離の算出処理１５２１は、予測要因データ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
【数３】

である。また変数ａkj、ｂjが数値データのときは
【数４】

で定められる。但しＢは、当該変数に対して定義されたＭＢＲ定義ファイル１５０に定義された正規化範囲の幅である。
【００２５】
図６の事例間距離の算出処理１５２２は、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５】

但しＷkjは実績事例の各変数ａkjに対して定めた重み係数である。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。
【００２６】
図７は、図１のＮＮ機能１６の構成を示すもので、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。
【００２７】
図８は、ニューラルネットロジックの構成例で、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、
【数６】

である。これらの入力ユニットの出力値Ｙm1の各々には重み係数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；
【数７】

従って各結合ユニットの出力Ｙj2は
【数８】

である。同様にして出力ユニットの入力値Ｘ3はｊ番目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、
【数９】

出力ユニットではその入力値Ｘ3をそのまま補正量として出力する。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。
【００２８】
以上に示した図７の予測要因ＮＮ機能１６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。
【００２９】
図９は、図１の合成機能１７の処理構成を示すもので、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。
【００３０】
図１０は、本発明になる図１の需要予測装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ＤＢ１５６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１４１（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。
【数１０】

このデータは、最大事例数４００まで格納される。また、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ＤＢ１５６へ格納する。
【数１１】

【００３１】
以上のようにしてＭＢＲ検索対象ファイル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４００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（ａkj、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１０）、（数１１）から
【数１２】

【００３２】
次に、事例間距離の算出処理１５２２では、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１００４）。（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
【数１３】

となる。但しここでは、（数５）の重み係数Ｗkjは全て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。
【００３３】
以上で類似日検索条件機能１５２による処理が終わると、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１０ケース分の実績データであったとする。
【数１４】

これらのデータは類似日データ格納処理１５４により類似日データ１５５として格納される。
【００３４】
以上のＭＢＲ機能１５の処理ステップ１００１〜１００５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１００６）。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ＤＢ１６３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１００７）。
【００３５】
以上のようにして算出された類似日データ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１００９）。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、５２５０、５０００であり、ＮＮ機能１６より算出した１０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。
【００３６】
【発明の効果】
本発明は、以上説明したように、人間生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。
【図面の簡単な説明】
【図１】本発明になる需要予測装置の構成例を示すブロック図である。
【図２】実績ＤＢ１３のデータ構成例である。
【図３】予測要因データテーブル１４のデータ構成例である。
【図４】ＭＢＲ機能１５の機能構成を示すブロック図である。
【図５】ＭＢＲ定義ファイル編集機能１５０の処理構成とＭＢＲ定義ファイル１５１の例である。
【図６】類似日検索条件作成機能１５２の処理構成を示すブロック図である。
【図７】ＮＮ機能１６の構成説明図である。
【図８】前記ＮＮ機能１６のユニット構成を示す図である。
【図９】合成機能１７の処理構成を示す図である。
【図１０】図１の装置の動作を示すフローチャートである。
【符号の説明】
１供給需要予測機能
２影響要因予測データ
３影響要因実績データ
１２制御機能
１３実績データベース（ＤＢ）
１４予測要因データテーブル
１５ＭＢＲ（Memory Based Reasoning）機能
１６ＮＮ（ニューラルネット）機能
１７合成機能
１３１実績データ
１４１予測要因データ
１５０ＭＢＲ定義ファイル編集機能
１５１ＭＢＲ定義ファイル
１５２類似日検索条件作成機能
１５３類似日検索機能
１５４類似日データ格納処理
１５５類似日データテーブル
１５６ＭＢＲ検索対象内部データベース（ＤＢ）
１６１日種別判定処理
１６２ニューラルネットロジック
１６３曜日別知識データベース（ＤＢ）
１７１合成処理
１７２平均値算出処理
１５０１類似度判定定義設定処理
１５０２ファイル書込み処理
１５２０ＭＢＲ検索対象内部ＤＢ作成処理
１５２１入力変数間距離の算出処理
１５２２事例間距離の算出処理
１５６１ＭＢＲ検索対象内部実績事例データ[0001]
BACKGROUND OF THE INVENTION
The present invention relates to a demand prediction apparatus, and more particularly to a demand prediction apparatus for calculating a demand amount of an energy flow or a fluid supply.
[0002]
[Prior art]
Devices that perform demand prediction of gas, electric power, water supply, etc. using similar cases in a database have been developed. For example, in Japanese Patent Laid-Open No. 10-240715, a similar case is acquired by a similar case search, a centroid value is obtained by a distribution estimation operation for a neighboring case set formed by the acquired similar case, and the centroid value is obtained. Has been proposed as a prediction / estimation device that outputs a prediction / estimation result. In Japanese Patent Laid-Open No. 6-131184, a basic case search is performed for a given problem, a description difference between the acquired basic case and the problem space is extracted, and the specified correction target is assigned to an appropriate group. There has been proposed a prediction / estimation device that searches for one or a plurality of auxiliary cases and synthesizes the acquired auxiliary cases and basic cases and outputs the result as a prediction / estimation result.
[0003]
Next, as a prediction method for energy flow demand, for example, in Japanese Patent Laid-Open No. 5-88714, a plurality of objects having energy flow demand are classified into small sets having demand characteristics, and the demand prediction is performed for each small set. A method for calculating the total demand by calculating Similarly, as a prediction / estimation device for energy flow demand, there are technologies such as Japanese Patent Application Laid-Open No. 10-224990 and Japanese Patent Application Laid-Open No. 5-18995 that perform estimation using a prediction model. This gives the actual value (which is time-series data) of a certain period such as the past actual power demand and weather data, constitutes a (statistical) prediction model, and uses the prediction target date as an input value of this prediction model “Meteorological data” such as the predicted maximum / minimum temperature is given, and a correction neural network (correction NN) is applied to the output value of the prediction model. The correction NN is used as a correction function for adaptation to aging. However, as described in Japanese Patent Application Laid-Open No. 10-224990, when a singular day or the like is interrupted during the above-described fixed period, the singular day is excluded from the time series data and is given as an input of the prediction model. Furthermore, Japanese Patent Application Laid-Open No. 7-46761 discloses four neural networks corresponding to each season (spring, summer, autumn, winter), and the period and season overlap period provided by the prediction target date at the boundary of each season. The prediction method which considered the demand amount fluctuation | variation characteristic for every season is shown by providing the fuzzy inference part applied when belonging to.
[0004]
[Problems to be solved by the invention]
Although all of the conventional demand forecasting technologies described above can provide good demand forecasts during periods when daily demand fluctuations are small, as shown below, There was a problem that the accuracy of predictions on moving holidays and special days declined.
[0005]
First of all, the conventional techniques composed of a similar case search function and a similar case synthesis function are methods for obtaining a solution to a given problem based on a given similar event. When applied to forecasting / estimation of the city, similar events can be applied to changes in daily demand, such as aging due to the expansion or contraction of the city scale, which is an element that depends on human life, and daily activities such as the Bon Festival and New Year. Since adaptive correction cannot be performed, it is difficult to obtain a prediction / estimation result corresponding to a specific state change.
[0006]
In addition, the conventional technology that consists of a prediction model and a correction function has an element that cannot be modeled (nonlinear element) at the stage of creating a prediction model from past actual cases, so it is particularly unusual to deviate from the model. It is difficult to obtain an appropriate estimated output (model output) for the forecasting factors of the forecast target days such as special holidays and singular days, and even if the estimated output is corrected, the prediction accuracy is lowered. there were. Note that the correction function does not have a functional configuration that takes into account changes in the status of each date type (month to day, public holidays, singular days, etc.). There is a problem that correct correction cannot be performed.
[0007]
The present invention eliminates such problems, and in particular, a demand prediction device capable of obtaining a prediction / estimation result adapted to fluctuation characteristics of demand for each type of date in the prediction / estimation of demand for energy flow supply. The purpose is to provide.
[0008]
[Means for Solving the Problems]
The present invention is a demand amount prediction device for predicting the daily demand amount of an energy or fluid supply system,
An actual database that stores past actual supply volume for each day and multiple influence factor data including at least the day type that affects the supply volume for that day;
Predicting factor data generating means for generating predicting factor data composed of factors of the same type as the influencing factor data, which affects the supply amount of the forecasting date with reference to the results database;
A similarity date detecting means for calculating the degree of similarity between the influence factor data for each day of the performance database and the prediction factor data, and extracting a predetermined number of results database data in descending order of the similarity;
Provided for the day of the week, given the internal coefficient by learning the past result data, and extracted from the result database extracted by the similar date detection means and the prediction factor data A neural network for calculating a demand amount correction value for each of the data,
Adding the actual supply amount included in the extracted actual database data and the demand amount correction value calculated by the neural network corresponding to the data to calculate the predicted demand amount for each extracted actual database; Further, a predicted demand amount calculating means for obtaining an average value of the predicted demand amount and outputting as an output predicted demand amount on the prediction day;
A demand amount prediction apparatus characterized by comprising:
[0009]
Furthermore, the present invention discloses a demand amount prediction device characterized in that the day type is composed of nine holidays and special days in addition to seven days of the week from Sunday to Saturday.
[0010]
Further, according to the present invention, the influence factor data includes the date of the day, a day difference coefficient obtained by normalizing the day difference between the date and a predetermined reference date by the number of days in a year, and a sine of a value obtained by multiplying the day difference coefficient by 2π. Disclosed is a demand amount prediction apparatus including one or more of a seasonal index that represents a season by a value and a cosine value, a maximum value and a minimum value of the temperature of the day, and a water temperature of the day before the day.
[0011]
Further, according to the present invention, the similar date detection means calculates a distance between each of the influence factor data and the prediction factor data, calculates a distance between cases by multiplying the distance by a predetermined weighting factor, Disclosed is a demand amount prediction device characterized in that the similarity is determined to be greater as the distance between cases is smaller.
[0012]
DETAILED DESCRIPTION OF THE INVENTION
Hereinafter, embodiments of the present invention will be described in detail. FIG. 1 is a block diagram showing a configuration example of a demand prediction system according to the present invention, in which influence factor prediction data 2 storing weather forecast data and the like on the day of prediction, and influence factor storing water temperature data measured as actual results are stored. Demand prediction from the supply demand prediction function 1 is composed of an energy flow or fluid supply demand prediction function 1 that predicts the current energy flow or fluid demand amount from the actual data 3, the influence factor prediction data 2 and the influence factor actual data 3 Based on the value, the supply control device 4 controls the supply of energy flow or fluid.
[0013]
Supply demand prediction function 1 includes input / output I / F 11, control function 12, results database (hereinafter referred to as DB) 13, forecast factor data table 14, MBR (Memory Based Reasoning) function 15, neural network (hereinafter referred to as NN). It is composed of a function 16 and a composition function 17.
[0014]
The input / output I / F 11 inputs the influence factor prediction data 2 and the influence factor result data 3, and the measurement data as the results of the supply amount and the demand amount from the supply control device 4, and passes them to the control function 12. In addition, the prediction data of the day output from the synthesis function 17 is output to the supply control device 4.
[0015]
The control function 12 processes the influence factor prediction data 2 and the influence factor result data 3 as prediction factor information, stores the processed influence factor prediction data in the prediction factor data table 14, and also affects the influence factor result data 3 and the supply control. Measurement data from the device 4 is stored in the result DB 13.
[0016]
The MBR function 15 takes in the prediction factor information for the current day data from the prediction factor data table 14, normalizes this prediction case and the result case of the accumulated data in the result DB 13, and then calculates the distance between the cases. The stored data is searched using the distance as a search key, and similar past record data (similar date data) extracted as a search result is output to the NN function 16 and the composition function 17.
[0017]
The NN function 16 receives the data of the prediction factor data table 14 and the similar past performance data from the MBR function 15, and inputs it to the day type learning type neural network through the day type determination, thereby correcting as the current day prediction data. Prediction correction data to be generated is output to the synthesis function 17.
[0018]
The synthesizing function 17 synthesizes the similar past performance data from the MBR function 15 and the prediction correction data from the NN function 16 to create the current day prediction data, which is supplied to the supply control device via the input / output I / F 11. Output to 4.
[0019]
FIG. 2 shows an example of data in the performance DB 13, and is composed of a performance case input variable and a performance case output variable. The actual case input variable is composed of a date coefficient, the actual temperature, and the actual water temperature of the previous day, and the actual case output variable is composed of the actual supply amount. The date coefficient is composed of date, day difference coefficient, SIN, COS and day code, and the actual temperature is composed of MAX which is the highest temperature on the actual data storage day and MIN which is the lowest temperature on the actual data storage day. ing. Here, the date is a storage execution date for the record data for each record. The day difference coefficient is a value obtained by converting the difference in days from the reference date of the actual data to the date, and is calculated from the following formula.
[Expression 1]

The SIN and COS are the results calculated based on the daily difference coefficient, and represent the season in which the actual data corresponds. These SIN and COS are calculated from the following equations.
[Expression 2]

The previous day actual water temperature is actual water temperature data on the day one day before counting from the actual data storage day. The actual supply amount is a gas supply amount (actual measurement value) on the actual data storage day.
[0020]
FIG. 3 shows an example of the prediction factor data 141 of the prediction factor data table 14, which is composed of prediction date input variables of prediction examples. This forecast date input variable is composed of a date coefficient of the forecast date and a forecast factor, and the date coefficient of the forecast date is the same as the date coefficient of FIG. However, each value including the date is for the prediction target date. Further, the prediction factor is composed of the predicted temperature and the actual water temperature on the previous day, and the predicted temperature is composed of MAX that is the highest predicted temperature for the prediction target date and MIN that is the lowest predicted temperature for the predicted date. The previous day actual water temperature is actual water temperature data on the day one day before counting from the prediction target date.
[0021]
FIG. 4 shows the functional configuration of the MBR function 15. The MBR definition file editing function 150, the MBR definition file 151, the similar date search condition creation function 152, the similar date search function 153, the similar date data storage process 154, the similar date It consists of data 155 and an MBR search target internal database (hereinafter referred to as DB) 156. Here, the MBR definition file editing function 150 is a function for editing the definition value of the MBR definition file at the time of manual input operation. The MBR definition file 151 is edited / set by the MBR definition file editing function 150. This file is used to save threshold values. The similar date search condition creation function 152 creates the MBR search target internal DB 156 based on the definition data in the MBR definition file 151, and also predicts the prediction factor data 141 and the MBR search target internal performance in the MBR search target internal DB 156. The distance between cases between the case data 1561 is calculated. The similar date search function 153 is a function for performing a similar date search using the distance between cases of the MBR search target internal performance case data 1561 and the MBR search target internal DB 156 described later. The similar date data storage processing 154 is processing for storing the similar date data 155 extracted by the similar date search function 153. The MBR search target internal DB 156 is an internal DB created by the similar date search condition creation function 152 to be searched by the MBR.
[0022]
FIG. 5 shows the processing configuration of the MBR definition file editing function 150 shown in FIG. 4, and includes a similarity determination definition setting 1501 and a file write processing 1502. The similarity determination definition setting 1501 accepts a threshold value in the MBR definition file 151 and a normalization range definition for each item data constituting the prediction factor data 141 given by manual input, and outputs them to the file writing process 1502. To do. FIG. 5 shows a normalization range definition example 1503 and threshold value definition example 1504 based on the similarity determination justice setting 1501. The file writing process 1502 outputs the normalized data and threshold values input from the similarity determination definition setting 1501 to the MBR definition file 151.
[0023]
FIG. 6 shows the processing configuration of the similar date search condition creation function 152 of FIG. 4, which is composed of MBR search target internal DB creation 1520, input variable distance calculation processing 1521, and inter-case distance calculation processing 1522. The The MBR search target internal DB creation 1520 extracts and normalizes data satisfying the definition of the definition file 151 from the performance DB 13, edits it, and stores it in the MBR search target internal DB 156. Also, the prediction factor data 141 is normalized in the same manner and stored in the internal DB 156.
[0024]
Input variable distance calculation processing 1521 inputs prediction factor data and result data from the prediction factor data 141 and the result DB 13, and calculates the distance between input variables between each result case in the internal DB 156 and the prediction date input variable. . The distance between input variables is the distance normalized for each input variable with the range width of the variable. The number k is assigned to the actual case, and the j-th value of the k-th case (date, day difference coefficient, , Etc.) is akj, and the jth value of the predictive factor data (date in FIG. 3, date difference coefficient, etc.) is bj, the distance d (akj, bj) between the input variables is the variable akj, bj is the day of the week When [Formula 3]

It is. When the variables akj and bj are numerical data,

Determined by However, B is the width of the normalization range defined in the MBR definition file 150 defined for the variable.
[0025]
The inter-case distance calculation process 1522 in FIG. 6 calculates the inter-case distance Dk between the predicted case and the actual case by using the inter-input variable distance calculated in the inter-input variable distance calculation process 1521.
[Equation 5]

However, Wkj is a weighting coefficient determined for each variable akj of the actual case. When the inter-case distance Dk is thus calculated, the similar date data search function 153 retrieves the similar date data 155 from the distance Dk and the MBR search target internal DB 156. This data structure is the same as in FIG.
[0026]
FIG. 7 shows the configuration of the NN function 16 of FIG. 1, and a neural network logic for correction amount calculation corresponding to each day type (Monday to Sunday, public holiday, and special day) is provided. Each neural network logic of each day type has n items (9 shown here) in the input unit, and is acquired from this and the knowledge database 163 by day of week provided for each neural network logic of each day type. By applying the weighting factor, a correction amount that is an output value from the output unit value is calculated. The weighting factor reflects the learning result for each day type and for each input item (see FIG. 7) input to the input unit. In this way, a result reflecting the degree of influence is obtained for the difference between the date of the similar case and the prediction target date as well as the tendency by day type. In other words, the correction amount is a value reflecting the influence of the day type on the demand amount and the past degree of similar events.
[0027]
FIG. 8 shows a configuration example of the neural network logic, which is a simple perceptron model. It has input, coupling, and output unit layers, and the response function of each unit other than the output unit is a sigmoid function. If the input value to the input unit is Xm1, and the output is Ym1 (m = 1-9),
[Formula 6]

It is. Each of the output values Ym1 of these input units is multiplied by a weighting factor ωmj1 to be converted into an input value Xm2 to each coupling unit;
[Expression 7]

Therefore, the output Yj2 of each coupling unit is:

It is. Similarly, if the input unit X3 of the output unit is ωj2 as the weighting factor for calculating the input value from the jth coupling unit to the output unit,
[Equation 9]

The output unit outputs the input value X3 as a correction amount as it is. The weighting coefficients ωmj1 and ωj2 used in (Equation 7) and (Equation 9) are acquired from the knowledge DB 163 for each day corresponding to each day type neural network logic.
[0028]
In the prediction factor NN function 16 of FIG. 7 shown above, first, the neural network logic 162 corresponding to the day code of the prediction factor data 141 is selected in the day type determination processing 161 and the similar date input from the MBR function 15 is selected. Each value shown in FIG. 7 is set in each input node using the data 155 and the prediction factor data 141 input from the prediction factor data table 14. Next, the selected neural network logic 162 uses the weighting coefficient obtained from the day-of-week knowledge DB 163 corresponding to the day code for each data set in the input node (Equation 6) to (Equation 9). The correction amount is calculated by executing the above calculation, and the calculation result (correction amount) is output to the synthesis function 17.
[0029]
FIG. 9 shows a processing configuration of the synthesis function 17 of FIG. 1, and is composed of a synthesis function 171 and an average value calculation process 172. The synthesizing process 171 uses the actual supply amount for each similar data obtained by the MBR function 15 as the similar day demand amount, and inputs these and the correction amount obtained for the similar day correspondence from the NN function 16, and FIG. Each of them is added as illustrated in the above. The average value calculation process 172 calculates the average value of each demand prediction data obtained in the synthesis process 171 and outputs the average value as a predicted demand amount via the input / output I / F 11.
[0030]
FIG. 10 is a flowchart showing the operation of the demand prediction apparatus of FIG. 1 according to the present invention, which will be described in detail using a specific example. First, the MBR definition file 151 is created by the MBR definition file editing function 150. Here, it is assumed that definition examples 1503 and 1504 in FIG. 5 are defined (step 1001). Next, the MBR search target internal DB 156 is created by the creation process 1520 (step 1002). Here, if the prediction factor data 141 (March 5, 1999 prediction factor) in FIG. 3 and the result DB data 131 (March 3, 1999 result data) in FIG. In 1520, data satisfying the threshold condition 1504 defined by the MBR definition file editing function 150 is extracted and normalized. For example, 199/3/3 data in the performance DB 13 is normalized as follows and stored in the MBR search target internal DB 156.
[Expression 10]

This data is stored up to a maximum number of 400 cases. Also for the prediction factor data 141 of FIG. 3, the following data is stored in the MBR search target internal DB 156 by normalization.
[Expression 11]

[0031]
When the MBR search target file 156 is created as described above, the calculation process 1521 for the distance between input variables is performed on each data for up to 400 cases in the MBR search target internal DB 156 (Equation 3), ( The distance d (akj, bj) between the input variables from the prediction factor data is calculated using Equation 4) (step 1003). In the normalized data of the date 1999/3/3 of (Equation 10), from (Equation 10) and (Equation 11),

[0032]
Next, in the inter-case distance calculation processing 1522, the inter-case distance Dk is calculated by (Equation 5) using the calculated distances between the input variables (step 1004). In the example of (Equation 2), instead of the case number k which is a subscript of the distance Dk, it is expressed by the date itself.

It becomes. However, here, the weighting factors Wkj of (Equation 5) are all set to 1. The maximum distance between cases is calculated as D1, D2,...
[0033]
When the processing by the similar date search condition function 152 is completed, the MBR definition file editing function 150 defines the minimum distance between cases calculated by the distance calculation processing 1522 by the similar date search function 153. Data corresponding to the maximum number of extracted similar examples in the threshold definition 1504 (FIG. 5) is selected (step 1005). Here, it is assumed that the following data is actual data for 10 cases from the smallest distance between cases.
[Expression 14]

These data are stored as similar date data 155 by the similar date data storage processing 154.
[0034]
When the similar date data 155 is obtained by the above processing steps 1001 to 1005 of the MBR function 15, the prediction factor data 141 and the similar date data 155 are input to the NN function 16, and the correction amount of the demand value is calculated. Therefore, first, the neural network logic corresponding to the day code in the prediction factor data 141 is selected by the day type determination processing 161 of FIG. 7 (step 1006). When March 5, 1999 in FIG. 3 is set as the prediction target day, since the day code of the prediction target day is 5, the neural network logic for Friday corresponding to the day type Friday is selected. Therefore, each day of the similar day data 155 and the data of the predictive factor data 141 are sequentially set in the input node of the neural network logic, and the corresponding weighting factor is obtained from the day-to-day knowledge DB 163 in which the learning results are accumulated. Taking out and using this, a correction value for each similar date data is calculated (step 1007).
[0035]
The correction value for each similar date data 155 calculated as described above is output to the combining function 17 as the actual supply amount of the similar date data as the demand amount for that day, and the combining function 17 combines this value, The average value is calculated (step 1008), and is output to the input / output I / F 11 as a demand amount which is a demand prediction result (step 1009). In FIG. 9, the 10 similar day demand amounts of the similar day data 155 are 5100, 5200, 5100, 5150, 5250, and 5000, and the 10 correction amounts calculated from the NN function 16 are 50, −30, 60. The example which was 10, -50, -40 is shown, and the result that the average value 5167 after those synthesis | combination is the prediction demand amount of March 5, 1999 shall be obtained.
[0036]
【The invention's effect】
As described above, the present invention corrects the similar event corresponding to the state change with respect to the state change of the element depending on the human life. Is effective.
[Brief description of the drawings]
FIG. 1 is a block diagram showing a configuration example of a demand prediction apparatus according to the present invention.
FIG. 2 is a data configuration example of a performance DB 13;
FIG. 3 is a data configuration example of a prediction factor data table 14;
4 is a block diagram showing a functional configuration of an MBR function 15. FIG.
5 shows an example of the processing configuration of an MBR definition file editing function 150 and an MBR definition file 151. FIG.
6 is a block diagram showing a processing configuration of a similar date search condition creation function 152. FIG.
FIG. 7 is an explanatory diagram of a configuration of an NN function 16;
FIG. 8 is a diagram showing a unit configuration of the NN function 16;
FIG. 9 is a diagram showing a processing configuration of a composition function 17;
10 is a flowchart showing the operation of the apparatus shown in FIG.
[Explanation of symbols]
DESCRIPTION OF SYMBOLS 1 Supply demand prediction function 2 Influence factor prediction data 3 Influence factor performance data 12 Control function 13 Performance database (DB)
14 Prediction factor data table 15 MBR (Memory Based Reasoning) function 16 NN (Neural network) function 17 Composition function 131 Result data 141 Prediction factor data 150 MBR definition file editing function 151 MBR definition file 152 Similar day search condition creation function 153 Similar date Search function 154 Similar date data storage processing 155 Similar date data table 156 MBR search target internal database (DB)
161 Day type determination processing 162 Neural network logic 163 Knowledge database (DB) by day of week
171 Composition processing 172 Average value calculation processing 1501 Similarity determination definition setting processing 1502 File writing processing 1520 MBR search target internal DB creation processing 1521 Input variable distance calculation processing 1522 Inter-case distance calculation processing 1561 MBR search target internal actual case data

Claims

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。A demand amount prediction device for predicting the daily demand amount of an energy or fluid supply system,
An actual database that stores past actual supply volume for each day and multiple influence factor data including at least the day type that affects the supply volume for that day;
Predicting factor data generating means for generating predicting factor data composed of factors of the same type as the influencing factor data, which affects the supply amount of the forecasting date with reference to the results database;
A similarity date detecting means for calculating the degree of similarity between the influence factor data for each day of the performance database and the prediction factor data, and extracting a predetermined number of results database data in descending order of the similarity;
Provided for the day of the week, given the internal coefficient by learning the past result data, and extracted from the result database extracted by the similar date detection means and the prediction factor data A neural network for calculating a demand amount correction value for each of the data,
Adding the actual supply amount included in the extracted actual database data and the demand amount correction value calculated by the neural network corresponding to the data to calculate the predicted demand amount for each extracted actual database; Further, a predicted demand amount calculating means for obtaining an average value of the predicted demand amount and outputting as an output predicted demand amount on the prediction day;
A demand amount prediction device characterized by comprising:

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。The demand amount prediction apparatus according to claim 1, wherein the day type includes nine holidays and special days in addition to seven days of the week from Sunday to Saturday.

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。The influence factor data includes the date of the day, a day difference coefficient obtained by normalizing the day difference between this date and a predetermined reference date by the number of days in a year, and a sine value and a cosine value obtained by multiplying the day difference coefficient by 2π. The demand amount prediction apparatus according to claim 1, comprising one or more of a seasonal index representing the season, a maximum value and a minimum value of the temperature of the day, and a water temperature of the previous day of the day. .

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。The similar date detection means calculates a distance between each of the influence factor data and the prediction factor data, calculates a distance between cases by multiplying the distance by a predetermined weighting factor, and the distance between cases is The demand amount prediction apparatus according to claim 1 or 2, wherein the smaller the smaller the degree of similarity, the larger the degree of similarity is determined.