JP4975287B2 - Prediction device - Google Patents
Prediction device Download PDFInfo
- Publication number
- JP4975287B2 JP4975287B2 JP2005230132A JP2005230132A JP4975287B2 JP 4975287 B2 JP4975287 B2 JP 4975287B2 JP 2005230132 A JP2005230132 A JP 2005230132A JP 2005230132 A JP2005230132 A JP 2005230132A JP 4975287 B2 JP4975287 B2 JP 4975287B2
- Authority
- JP
- Japan
- Prior art keywords
- input
- data
- learning
- output
- 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.)
- Expired - Fee Related
Links
- 230000013016 learning Effects 0.000 claims description 145
- 239000013598 vector Substances 0.000 claims description 99
- 238000004378 air conditioning Methods 0.000 claims description 89
- 238000013528 artificial neural network Methods 0.000 claims description 84
- 230000006870 function Effects 0.000 claims description 54
- 238000004364 calculation method Methods 0.000 claims description 49
- 238000013500 data storage Methods 0.000 claims description 37
- 230000005540 biological transmission Effects 0.000 claims description 15
- 230000001364 causal effect Effects 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims 1
- 238000000034 method Methods 0.000 description 36
- 238000010586 diagram Methods 0.000 description 9
- 230000002354 daily effect Effects 0.000 description 8
- 230000003203 everyday effect Effects 0.000 description 7
- 238000009499 grossing Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005338 heat storage Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、例えば、家屋、ビル、または工場など需要家のエネルギー需要を予測するための予測装置および手法、そのアルゴリズムに関するものである。 The present invention relates to a prediction apparatus and method for predicting energy demand of a consumer such as a house, a building, or a factory, and an algorithm thereof.
家屋、ビル、工場など需要家は各種のエネルギーを利用している。例えば、空調エネルギー、給湯エネルギーなどである。これらさまざまなエネルギーの需要に関し、未来のエネルギーの需要を予測することは、エネルギーを効率よく使用する上で重要である。 Consumers such as houses, buildings and factories use various types of energy. For example, air conditioning energy and hot water supply energy. Regarding these various energy demands, it is important to predict the future energy demand in order to use energy efficiently.
例えば、蓄熱システムを持つビルでは、翌日の空調エネルギー需要予測に基づき、安い深夜電力を用いて無駄なく蓄熱することでコストを削減している。 For example, in a building having a heat storage system, the cost is reduced by storing heat without waste using cheap late-night power based on the air-conditioning energy demand forecast for the next day.
需要家が消費する空調エネルギー需要は、当日の気温・湿度などの気象条件などと因果関係が強いと考えられるため、当日の空調エネルギー需要を予測するためには、入力を当日の気象条件、出力を空調エネルギー需要とする予測モデルを構築することが必要となる。 The demand for air conditioning energy consumed by consumers is considered to have a strong causal relationship with the weather conditions such as the temperature and humidity of the day. Therefore, it is necessary to construct a prediction model that uses air conditioning energy demand.
需要の予測モデルを構築するためには、ニューラルネットワークが有用である。これは、非線形な入出力関係に対しても予測モデルを構築できるためである。また、入出力データを与えると学習により自動的に予測モデルを構築できるなどの利点もある。 Neural networks are useful for building demand prediction models. This is because a prediction model can be constructed even for nonlinear input / output relationships. In addition, when input / output data is given, there is an advantage that a prediction model can be automatically constructed by learning.
例えば、蓄熱システムを持つビルで空調エネルギー需要を予測する場合には、気温情報を入力とし、空調エネルギー需要を出力としたニューラルネットワークで学習を行い、需要予測モデルを構築する。しかし、同じ気温情報が入力である場合でも、空調エネルギー需要が大きく異なる場合がある。これは、入力以外に空調エネルギー需要に影響を与える要因があるからである。例えば、ビル内で業務する人の数により空調エネルギー需要は変動する。このような要因による空調エネルギー需要の変動をばらつきと呼ぶ。ばらつきに対応するために、例えばビル内の人数などを入力に追加することで、ばらつきに対応することが考えられるが、空調エネルギー需要に因果関係を持つ要因は例えば空調機器の設定温度など他にも多数にあるので、結果的に完全にはばらつきを無くすことはできない。 For example, when predicting air-conditioning energy demand in a building having a heat storage system, learning is performed with a neural network using temperature information as input and air-conditioning energy demand as output, and a demand prediction model is constructed. However, even when the same temperature information is input, the demand for air conditioning energy may vary greatly. This is because there are factors that affect the air conditioning energy demand in addition to the input. For example, the air conditioning energy demand varies depending on the number of people working in a building. Variations in air-conditioning energy demand due to such factors are called variations. In order to deal with the variation, for example, the number of people in the building can be added to the input to cope with the variation, but factors that have a causal relationship to the air conditioning energy demand include other factors such as the set temperature of the air conditioning equipment. As a result, the variation cannot be completely eliminated.
このようにばらつきが生じる需要データを、ニューラルネットワークで学習を行う場合に問題が生じていた。ニューラルネットワークの学習を行う際、教師データと呼ばれる学習対象のデータを学習しすぎると、データの中のばらつきまでも学習する過学習(オーバーフィッティング)と呼ばれる状態となり、学習後の予測において大きな誤差が出てしまう問題があった。 There has been a problem when learning demand data with such variations using a neural network. When learning the neural network, if too much data to be learned, called teacher data, is learned, it becomes a state called over-fitting (learning) that even learns the variation in the data, and there is a large error in prediction after learning. There was a problem that came out.
このような問題を解決するために、以下の先行技術が提案されている。特許文献1の発明の構成を図14に示し、この構成について以下に説明する。学習データ蓄積手段1403は、需要データを、入力データ蓄積手段1404は、需要データと因果関係の強い入力データを取得し蓄積する。需要データ平滑化処理手段1401は、学習データ蓄積手段1403から蓄積需要データを取得し、ある需要データと、入力が隣接する需要データとを平滑化し平滑化需要データを算出する。例えば、時刻に対しての空調エネルギー需要を予測する場合、2時の平滑化空調エネルギー需要は、1時・2時・3時の空調エネルギー需要を加算し、3で割ることで算出される。学習予測処理手段1402では、需要データ平滑化処理手段1401から平滑化需要データを、入力データ蓄積手段1404から蓄積入力データを取得し、ニューラルネットワークによる学習を行い予測モデルを構築する。また、学習予測処理手段1402は予測を行いたい入力データに対して予測需要データを算出する。
In order to solve such a problem, the following prior art has been proposed. The configuration of the invention of Patent Document 1 is shown in FIG. 14, and this configuration will be described below. The learning
このような構成によれば、需要データ平滑化処理手段1401で需要データ内のばらつきによる変動を緩和したものを教師データとしているため、教師データのばらつきが小さくなる。従って、過学習の抑制が可能となる。
According to such a configuration, since the demand data
また、特許文献2の発明の構成を図15に示し、この構成について以下に説明する。学習データ蓄積手段1504は、需要データを、入力データ蓄積手段1505は、入力データを取得し蓄積する。需要データ分類手段1501は学習データ蓄積手段1504より蓄積需要データを、入力データ蓄積手段1505より蓄積入力データを取得し、チェック用需要データとチェック用需要データに対応するチェック用入力データとの組と、学習用需要データと学習用需要データに対応する学習用入力データとの組に分類する。学習予測処理手段1503は、需要データ分類手段1501より学習用需要データと学習用入力データを取得し、ニューラルネットワークによる学習を行い予測モデルを構築する。また、学習予測処理手段1503は予測を行いたい入力データに対して予測需要データを、チェック用入力データに対してチェック用予測需要データを算出する。学習停止判断手段1502は、需要データ分類手段からチェック用需要データを、学習予測処理手段1503からチェック用予測需要データを取得し、学習停止信号を算出する。
The configuration of the invention of Patent Document 2 is shown in FIG. 15, and this configuration will be described below. The learning
このような構成にすることで、需要データ分類手段1501により分類されたチェック用入力データを、学習途中のニューラルネットワークに入力し、チェック用予測需要データを算出する。このチェック用予測需要データと、チェック用需要データとの誤差が最小の学習回数で学習を停止する判定を、学習停止判断手段1502により行う。これは、チェック用予測需要データとチェック用需要データとの誤差を予測誤差とし、予測誤差最小となる学習回数で学習停止判断を行うことで、過学習となる以前に学習を停止し、過学習の抑制が可能となる。例えば、時刻に対しての空調エネルギー需要を予測する場合、需要データ分類手段1501で12時の空調エネルギー需要をチェック用とし、12時以外の空調エネルギー需要を学習用として分類する。学習予測処理手段1503は、学習用の12時以外の時刻情報を入力、入力と同時刻の空調エネルギー需要を出力としたニューラルネットワークで学習を行う。学習を行う毎に12時の時刻情報を入力し、出力を求める。学習停止判断手段1502で、この出力と実際の12時の空調エネルギー需要との誤差を算出する。この誤差が最小となる学習回数で学習を停止することができる。従って、過学習の抑制が可能となる。
しかしながら、特許文献1および2などの従来技術によれば、過学習を防止することで、ある程度の予測精度の向上は実現できるものの、ばらつきが大きい場合に予測精度が低いという課題があった。この理由を以下に説明する。 However, according to the prior arts such as Patent Documents 1 and 2, there is a problem that the prediction accuracy is low when the variation is large, although the prediction accuracy can be improved to some extent by preventing overlearning. The reason for this will be described below.
需要データは、様々な種類の要因から影響を受け、その影響は複雑である。例えば、空調エネルギー需要は気温、湿度、天気などから影響を受ける。これら全てを取得し、空調エネルギー需要を予測することは現実的には困難であるので、空調エネルギー需要に影響が大きいと思われる要因のみを、入力データとして選択することになる。また、需要データに影響が大きいと思われる入力データを選択しても、ばらつきのある需要データへの影響は複雑である。例えば、気温と空調エネルギー需要の関係は、気温による建物内の温度への影響が断熱性能により変化することで空調設定が異なり、空調エネルギー需要が変化することや、気温により同一の空調設定を行っても空調機器の性能により空調エネルギー需要が変化することなど、様々である。これらの影響には、それぞれ需要データへの影響の大きさに違いがあるので、これらをまとめて数1のように考えることができる。 Demand data is affected by various types of factors, and the impact is complex. For example, air conditioning energy demand is affected by temperature, humidity, weather, and the like. Since it is actually difficult to acquire all of these and predict the air conditioning energy demand, only factors that are considered to have a large influence on the air conditioning energy demand are selected as input data. Moreover, even if input data that seems to have a large influence on demand data is selected, the influence on the demand data having variations is complicated. For example, the relationship between air temperature and air conditioning energy demand is that the air conditioning setting varies depending on the effect of the air temperature on the temperature in the building due to the insulation performance, the air conditioning energy demand changes, and the same air conditioning setting is performed depending on the air temperature. However, the demand for air conditioning energy varies depending on the performance of the air conditioning equipment. Each of these effects has a difference in the magnitude of the influence on the demand data.
数1において、xは入力データを示している。また、F(x)は入力データからの影響が大きい成分であり、G(x)はF(x)以外の入力データからの影響が小さい成分を示している。Rは、入力データからの影響を受けない成分を示している。 In Equation 1, x indicates input data. Further, F (x) is a component having a large influence from input data, and G (x) represents a component having a small influence from input data other than F (x). R represents a component that is not affected by the input data.
数1の各成分は、例えば気温情報を入力とし、空調エネルギー需要を出力とした需要の予測モデルを学習により構築する場合では、F(x)は夏季に気温が上昇する毎にビル内部の気温も上昇し、建物全体で空調の設定温度が下降し、空調エネルギー需要が上昇するなどの関係を示している。G(x)は、気温により設定された一定の空調設定で、より空調の設定温度を下げたい人と、現在の空調設定で快適なので空調設定を変更して欲しい人との両方が存在するなど、気温によって空調を設定したとしてもビル内で業務を行っている人の体調によって空調設定が異なり、空調エネルギー需要が変化するなどの関係を示している。Rは、不規則的な人の在・不在で空調を利用している部屋が増減し、空調エネルギーが変化するなどの関係を示している。 For each component of Equation 1, for example, when building a demand prediction model using temperature information as an input and air conditioning energy demand as an output, F (x) is the temperature inside the building every time the temperature rises in summer. The air conditioning set temperature has fallen and the demand for air conditioning energy has risen. G (x) is a constant air conditioning setting set according to the temperature, and there are both people who want to lower the air conditioning setting temperature and those who want to change the air conditioning setting because they are comfortable with the current air conditioning setting, etc. Even if the air conditioning is set according to the temperature, the air conditioning setting varies depending on the physical condition of the person working in the building, and the air conditioning energy demand changes. R shows a relationship such that the number of rooms using air conditioning increases or decreases due to the presence or absence of irregular people, and the air conditioning energy changes.
数1を用いて、ばらつきのある需要データの例を図12で示す。これは、気温情報xと、その気温情報における空調エネルギー需要について示している。空調エネルギー需要F(x)+G(x)+Rは入力データからの影響を受けない成分Rがばらつきとなり、入力データからの影響を受ける成分F(x)+G(x)を中心として分布する。そのため、F(x)+G(x)+Rは、成分Rが気温情報x以外のデータによる影響を受けて変化するために、F(x)+G(x)+Rの上限値と下限値の範囲に分布することとなる。例えば、気温がx1の場合には、空調エネルギー需要は気温xにより影響を受ける成分から算出されるF(x1)+G(x1)に、気温xの影響を受けず、湿度の影響から算出されるR1が加算されたものになる。同一の気温xでも湿度が異なればR1は異なった値が算出される。 FIG. 12 shows an example of demand data with variation using Equation 1. This shows the air temperature information x and the air conditioning energy demand in the air temperature information. In the air-conditioning energy demand F (x) + G (x) + R, the component R that is not affected by the input data varies and is distributed around the component F (x) + G (x) that is affected by the input data. Therefore, F (x) + G (x) + R changes within the range between the upper limit value and the lower limit value of F (x) + G (x) + R because the component R changes due to the influence of data other than the temperature information x. Will be distributed. For example, when the temperature is x1, the air-conditioning energy demand is calculated from the influence of humidity without being affected by the temperature x in F (x1) + G (x1) calculated from the component affected by the temperature x. R1 is added. If the humidity is different even at the same temperature x, a different value is calculated for R1.
このような需要データを従来技術と本発明で予測した結果について図11を用いて説明する。特許文献1の発明では、過学習により入力データからの影響を受けない成分Rまで学習してしまうことを防ぐために、需要データ平滑化処理手段1401で平滑化処理を行う。これにより、G(x)+Rがばらつきであると見なされて、平滑化されるため、予測結果はF(x)に類似する。そのため、G(x)の学習が行えない分、予測精度を向上することができず、G(x)が大きいほど予測精度は悪くなる。この発明の課題は、G(x)が入力データからの影響を受ける成分であるにもかかわらず、入力データxからの影響を受けない成分Rと区別ができないことである。
The result of having predicted such demand data with the prior art and this invention is demonstrated using FIG. In the invention of Patent Document 1, a demand data
また、特許文献2の発明では、需要データ分類手段1501により、ばらつきが含まれている需要データからチェック用需要データを選択するため、チェック用需要データの選択によっては、入力データからの影響を受けない成分Rが大きく含まれている場合がある。この場合には、学習停止判断手段1502で、成分Rが大きく含まれたチェック用需要データに対しての誤差を、予測誤差として学習停止判断を行ってしまう。その結果、学習により構築された予測モデルは、Rを含んだ出力を予測するようになり、過学習が起きている状態と同様に予測誤差が大きいものになる。仮にF(x)+G(x)とRが区別可能ならば、Rが小さいチェック用データを選択することができるが、G(x)+Rが区別されないためにG(x)+Rが小さいチェック用データを選択することとなり、Rが大きく含まれたチェック用データを選択してしまうことがあるため予測誤差が大きいものとなる。この発明の課題も、特許文献1の課題と同様に、G(x)は入力データからの影響を受ける成分であるにもかかわらず、入力データxからの影響を受けない成分Rと区別ができないことである。
Further, in the invention of Patent Document 2, the demand data classification means 1501 selects check demand data from demand data including variations, and therefore the selection of check demand data is affected by input data. There may be a case where a large component R is not included. In this case, the learning
本発明は前記従来の課題を解決するもので、ばらつきのある需要データに対して従来区別できないために、ばらつきと見なされていた成分G(x)+Rを、入力データからの影響を受ける成分F(x)+G(x)と、入力データからの影響を受けない成分Rに区別することで、G(x)とRに区別する。これにより、ばらつきがRのみで学習を行うことで、予測結果はF(x)+G(x)に類似するものとなり予測精度が向上する。本発明の目的は、ばらつきの大きい需要データに対しても予測精度を向上させるようにした予測装置および手法、そのアルゴリズムを提供することにある。 The present invention solves the above-mentioned conventional problem, and since it cannot be distinguished conventionally from the demand data with variation, the component G (x) + R, which has been regarded as variation, is replaced with the component F affected by input data. A distinction is made between G (x) and R by distinguishing between (x) + G (x) and component R that is not affected by the input data. As a result, by performing learning using only R as the variation, the prediction result is similar to F (x) + G (x), and the prediction accuracy is improved. An object of the present invention is to provide a prediction device and method, and an algorithm for improving the prediction accuracy even for demand data having large variations.
上記課題を解決するために、本発明は、
学習に用いる学習データを蓄積する学習データ蓄積手段と、
前記学習データと因果関係を持つ入力データを蓄積し、予測用の入力データを作成する入力データ蓄積手段と、
前記学習データと前記入力データの第1の関係を所定の第1の関数で構成し、前記第1の関係を近似する前記第1の関数の第1の係数と第1の関数を算出する入出力関係算出手段と、
前記入出力関係算出手段により得られる前記第1の係数と前記入力データの第2の関係を所定の第2の関数で構成し、前記第2の関係を近似する前記第2の関数の第2の係数を算出し、前記第2の係数を前記第2の関数の係数として設定することで構成される関数へ、前記予測用の入力データを入力することで得られる出力を、前記入出力関係算出手段により得られた第1の関数の係数として設定することで構成される関数へ、前記予測用の入力データを入力することで予測データを得る学習予測処理手段とを備える。
In order to solve the above problems, the present invention provides:
Learning data storage means for storing learning data used for learning;
Input data storage means for storing input data having a causal relationship with the learning data, and creating input data for prediction;
The first relationship between the learning data and the input data is configured by a predetermined first function, and the first coefficient and the first function of the first function that approximate the first relationship are calculated. Output relation calculating means;
A second relationship between the first coefficient obtained by the input / output relationship calculation means and the second relationship between the input data is constituted by a predetermined second function, and the second of the second function approximating the second relationship. The output obtained by inputting the input data for prediction into a function configured by calculating the coefficient of the second and setting the second coefficient as a coefficient of the second function is the input / output relationship. Learning prediction processing means for obtaining prediction data by inputting the input data for prediction into a function configured by setting as a coefficient of the first function obtained by the calculation means.
本発明は、学習データと入力データの関係の近似関数を算出した結果得られる係数を算出する入出力関係算出手段と、前記入出力関係算出手段により得られる前記係数と前記入力データの関係の近似関数を算出した結果得られる前記係数の予測値から近似関数を構成し、この近似関数へ予測用の入力データを入力することで予測データを算出する学習予測処理手段とを備えることを特徴とする。 The present invention provides an input / output relationship calculating means for calculating a coefficient obtained as a result of calculating an approximate function of a relationship between learning data and input data, and an approximation of the relationship between the coefficient obtained by the input / output relationship calculating means and the input data. A learning prediction processing means for constructing an approximate function from predicted values of the coefficients obtained as a result of calculating a function, and calculating prediction data by inputting input data for prediction to the approximate function. .
このような構成としたことで、入力データからの影響を受ける成分と、受けない成分に区別可能な近似関数の係数を算出し、この近似関数の係数を学習することでばらつきに対応でき、ばらつきが大きい需要データに対しても高精度に予測することができる。 With this configuration, it is possible to cope with variations by calculating the coefficients of approximate functions that can be distinguished from components that are affected by input data and components that are not affected, and learning the coefficients of this approximate function. Can be predicted with high accuracy even for large demand data.
以下、本発明の実施の形態について、図面を参照しながら説明する。 Hereinafter, embodiments of the present invention will be described with reference to the drawings.
図1は、本発明の実施の形態に係わる予測装置および手法、そのアルゴリズムの構成図である。この図を参照し、本発明の構成について以下に説明する。 FIG. 1 is a configuration diagram of a prediction apparatus and method, and an algorithm thereof according to an embodiment of the present invention. The configuration of the present invention will be described below with reference to this figure.
本実施の形態では、当日から6日前までの7日間の毎日12時の気温情報を入力データ、空調エネルギー需要を学習データとすることでニューラルネットワークの学習により予測モデルを構築し、予測を行いたい気温情報での12時の空調エネルギー需要を予測するものである。気温情報は空調エネルギー需要への影響が大きいため、空調エネルギー需要を予測する際の入力とした。 In the present embodiment, it is desired to construct a prediction model by learning a neural network by using temperature information at 12:00 every day for 7 days from the current day to 6 days before as input data and air-conditioning energy demand as learning data. The air-conditioning energy demand at 12:00 in the temperature information is predicted. The air temperature information has a large influence on the air conditioning energy demand, so it was used as an input when predicting the air conditioning energy demand.
図1において、毎日12時の気温情報を取得し蓄積する入力データ蓄積手段104と、毎日12時の空調エネルギー需要を取得し蓄積する学習データ蓄積手段103と、学習データ蓄積手段103から7日間の空調エネルギー需要を、入力データ蓄積手段104から7日間の気温情報を取得し、ニューラルネットワークの学習により7日間の入出力重みベクトルと重みベクトル算出ニューラルネットを算出する入出力関係算出手段101と、入出力関係算出手段101より7日間の入出力重みベクトルと重みベクトル算出ニューラルネットを、入力データ蓄積手段104から7日分の気温情報を取得し、ニューラルネットワークの学習により予測モデルを構築する学習予測処理手段102により構成される。
In FIG. 1, the input data storage means 104 for acquiring and storing temperature information at 12:00 every day, the learning data storage means 103 for acquiring and storing the air conditioning energy demand at 12:00 every day, and the learning data storage means 103 for 7 days. Input / output relation calculation means 101 for obtaining air conditioning energy demand from the input data storage means 104 for seven days of temperature information and calculating a seven-day input / output weight vector and weight vector calculation neural network by learning a neural network; 7-day input / output weight vector and weight vector calculation neural network from the output relation calculation means 101, temperature information for 7 days from the input data storage means 104, and learning prediction processing for constructing a prediction model by learning the neural network Consists of
次に、入出力関係算出手段101の詳細な構成を図2に示す。入出力関係算出手段101は、学習データ蓄積手段103より当日から6日前までの7日間の空調エネルギー需要を、入力データ蓄積手段104より当日から6日前までの7日間の気温情報を取得し、7日間のうち1日の気温情報を関係関数近似手段201の入力へ、気温情報と同じ1日の空調エネルギー需要を関係関数近似手段201の出力へ送信する入出力関係算出用データ送信手段202と、図4に示すような重みベクトル算出ニューラルネットと呼ぶニューラルネットワークで構成されており、入出力関係算出用データ送信手段202より送信された気温情報をニューラルネットワークの入力、同じ日の空調エネルギー需要をニューラルネットワークの出力とし、学習により入出力モデルを構築し7日間のうち1日の入出力重みベクトルと、重みベクトル算出ニューラルネットを算出する関係関数近似手段201と、関係関数近似手段201により算出された1日の重みベクトルを蓄積し、7日間の重みベクトルを入出力重みベクトルとして算出する重みベクトル蓄積手段203により構成される。
Next, a detailed configuration of the input / output
次に、学習予測処理手段102の詳細な構成を図3に示す。学習予測処理手段102は、入力データ蓄積手段104より7日間の気温情報を、入出力関係算出手段101より7日間の入出力重みベクトルを取得し、関係係数近似手段301の入力へ1日の気温情報を、出力へ気温情報と同じ1日の入出力重みベクトルを、予測出力算出手段303の入力へ予測を行いたい気温情報を送信する学習予測用データ送信手段302と、図5に示すようなニューラルネットワークで構成されており、学習予測用データ送信手段302より送信された1日の気温情報をニューラルネットワークの入力、気温情報と同じ1日の入出力重みベクトルをニューラルネットワークの出力とし、学習を行うことで予測モデルを構築して、学習予測用データ送信手段302より予測を行いたい気温情報を取得することで予測入出力重みベクトルを算出する関係係数近似手段301と、入出力関係算出手段101より取得した重みベクトル算出ニューラルネットを用いて、図6に示すような関係関数近似手段201のニューラルネットワークと同一のニューラルネットワークを構成し、学習予測用データ送信手段302より送信された予測を行いたい気温情報と、関係係数近似手段301より予測入出力重みベクトルとを取得し、ニューラルネットワークの重みの値を予測入出力重みベクトルに設定し出力計算を行い、予測空調エネルギー需要を算出する予測出力算出手段303により構成される。
Next, the detailed configuration of the learning prediction processing means 102 is shown in FIG. The learning prediction processing means 102 acquires the temperature information for 7 days from the input data storage means 104, the input / output weight vector for 7 days from the input / output relation calculation means 101, and inputs the temperature of the day to the input of the relation coefficient approximation means 301. As shown in FIG. 5, a learning prediction
以下、本実施の形態における動作について説明する。学習データ蓄積手段103では、毎日12時の空調エネルギー需要(例えば400wH)を取得・蓄積し、入力データ蓄積手段104では、学習データ蓄積手段103と同じく毎日12時に取得・蓄積される気温情報(例えば28℃)を蓄積する。 Hereinafter, the operation in the present embodiment will be described. The learning data storage means 103 acquires and stores the air conditioning energy demand (for example, 400 wH) at 12:00 every day, and the input data storage means 104 acquires temperature information (for example, at 12:00 every day, as with the learning data storage means 103, for example) 28 ° C).
次に、入出力関係算出手段101の動作について説明する。入出力関係算出用データ送信手段202は、取得した7日間の気温情報と空調エネルギー需要の中から、関係関数近似手段201の入力へ気温情報を、出力へ気温情報と同じ日の空調エネルギー需要を送信する。このため、ニューラルネットワークで近似する関係は1入力・1出力であるので、このニューラルネットワークの入力層のニューロン数は1個、出力層のニューロン数も1個となっている。ニューラルネットワークは重みと呼ばれるパラメータw1,w2,・・・で構成されており、関係関数近似手段201を構成するニューラルネットワークの重みの総数をm個とする。このニューラルネットワークの重みの集合を重みベクトル{w1,w2,・・・,wm}と呼ぶ。なお、ニューラルネットワークの重みの総数m個は、ニューラルネットワークの入出力データの個数、中間層のニューロンの個数により決まる値である。
Next, the operation of the input / output
この関係関数近似手段201を構成するニューラルネットワークについて図4を用いて説明する。このニューラルネットワークはバックプロパゲーション法により学習を行い、気温情報と、気温情報と同じ1日の空調エネルギー需要の入出力モデルを構築する。バックプロパゲーション法の処理をフローチャート図10に示す。まず、入出力関係算出手段101からの指示により学習が開始され(S1001)、重みw1,w2,・・・,wmを微小な乱数(例えばw1=0.001,w2=0.002,・・・)に初期化する(S1002)。次に、入力された気温情報と重みの値から出力計算を行い(S1003)、算出された出力と空調エネルギー需要との誤差を算出する(S1004)。算出された誤差を小さくするように重みw1,w2,・・・,wmを更新し(S1005)、S1004で算出された誤差が目標値(例えば、空調エネルギー需要の0.1%)を満足したかどうかの判定を行う(S1006)。満足しているならば学習は終了し(S1007)、満足していないならば再度学習を行うためにステップS1003へ進む。なお、学習の終了条件を誤差の目標値としたが、一定の学習回数等でもよい。 A neural network constituting the relational function approximating means 201 will be described with reference to FIG. This neural network learns by the back-propagation method, and constructs the temperature information and the same daily input / output model of air-conditioning energy demand as the temperature information. The processing of the back propagation method is shown in the flowchart of FIG. First, learning is started in accordance with an instruction from the input / output relationship calculating means 101 (S1001), and the weights w1, w2,..., Wm are set to minute random numbers (for example, w1 = 0.001, w2 = 0.002,... )) (S1002). Next, an output calculation is performed from the input temperature information and the weight value (S1003), and an error between the calculated output and the air conditioning energy demand is calculated (S1004). The weights w1, w2,..., Wm are updated so as to reduce the calculated error (S1005), and the error calculated in S1004 satisfies a target value (for example, 0.1% of air conditioning energy demand). It is determined whether or not (S1006). If satisfied, the learning ends (S1007). If not satisfied, the process proceeds to step S1003 to perform learning again. Although the learning end condition is set as the error target value, it may be a fixed number of times of learning.
上記バックプロパゲーション法の学習の結果、気温情報と空調エネルギー需要との入出力モデルが関係関数近似手段201により構築される。このニューラルネットワークの重みベクトルを入出力重みベクトル{wI1,wI2,・・・,wIm}と呼び、重みベクトル蓄積手段203に蓄積する。この入出力重みベクトルはm個の要素で構成されたベクトルである。また、この関係関数近似手段201を構成するニューラルネットワークを、重みベクトル算出ニューラルネットと呼び、この重みベクトル算出ニューラルネットを学習予測処理手段102へ送信する。 As a result of learning by the back propagation method, an input / output model of the temperature information and the air conditioning energy demand is constructed by the relational function approximating means 201. The neural network weight vectors are called input / output weight vectors {wI1, wI2,..., WIm} and are stored in the weight vector storage means 203. This input / output weight vector is a vector composed of m elements. The neural network constituting the relational function approximating means 201 is called a weight vector calculating neural network, and this weight vector calculating neural network is transmitted to the learning prediction processing means 102.
重みベクトル蓄積手段203は、7日間の入出力重みベクトル{wI1,wI2,・・・,wIm}を蓄積し、学習予測処理手段102へ送信する。
The weight
次に、学習予測処理手段102の動作について説明する。学習予測用データ送信手段302は、取得した7日間の気温情報と入出力重みベクトルにより、関係係数近似手段301を構成するニューラルネットワークの入力へ気温情報を、出力へ気温情報と同じ日の入出力重みベクトル{wI1,wI2,・・・,wIm}を送信する。このため、ニューラルネットワークで近似する関係は1入力・m出力であるので、このニューラルネットワークの入力層のニューロン数は1個、出力層のニューロン数もm個となっている。
Next, the operation of the learning prediction processing means 102 will be described. The learning prediction
この関係係数近似手段301を構成するニューラルネットワークについて図5を用いて説明する。このニューラルネットワークはバックプロパゲーション法により学習を行い、気温情報を入力、気温情報と同じ日の入出力重みベクトルを出力とした予測モデルを構築する。バックプロパゲーション法の処理のフローチャートは図10に示されている。関係係数近似手段301を構成するニューラルネットワークの学習では学習予測用データ送信手段302より、気温情報と入出力重みベクトルを、1日ずつ7日間分を一定の規則で取得する。例えば、当日の気温情報と入出力重みベクトルを学習すると、次は1日前の気温情報をニューラルネットワークの入力へ入出力重みベクトルをニューラルネットワークの出力として学習する。1日前の次の学習では2日前、6日前の次の学習では当日、の気温情報と入出力重みベクトルとして学習する。学習終了条件S1006は、当日から6日前までの入出力データ全てに対して重み更新S1005を行った回数を学習回数1回として、学習回数が3000回に達したらS1007へ進み学習を終了し、そうでない場合はS1003へ進み学習を継続する。なお、学習回数を3000回としているが、過学習が起きない範囲での設定であれば1000回や2000回でもよい。また、過学習を抑制する学習法を使用してもよい。 A neural network constituting the relation coefficient approximating means 301 will be described with reference to FIG. This neural network learns by the back-propagation method, and constructs a prediction model that inputs the temperature information and outputs the input / output weight vector of the same day as the temperature information. A flowchart of the process of the back propagation method is shown in FIG. In the learning of the neural network constituting the relation coefficient approximating means 301, the temperature information and the input / output weight vector are acquired from the learning prediction data transmitting means 302 for 7 days per day according to a certain rule. For example, when the temperature information on the current day and the input / output weight vector are learned, the temperature information of the previous day is learned as the input of the neural network, and the input / output weight vector is learned as the output of the neural network. In the next learning one day before, learning is performed as temperature information and input / output weight vectors for two days before, and in the next learning six days before that day. The learning end condition S1006 is that the number of times the weight update S1005 has been performed on all the input / output data from the current day to 6 days before is defined as one learning count, and when the learning count reaches 3000, the process proceeds to S1007 and the learning ends. If not, the process proceeds to S1003 and learning is continued. Although the number of learning is 3000, it may be 1000 or 2000 as long as it is set in a range where overlearning does not occur. A learning method that suppresses overlearning may be used.
また、関係係数近似手段301を構成するニューラルネットワークの入力を気温情報、出力を入出力重みベクトルとした学習により構築した予測モデルへ、予測を行いたい気温情報xPを入力し出力計算を行うと、重みベクトルの予測値が算出される。この重みベクトルの予測値を予測入出力重みベクトル{wP1,wP2,・・・,wPm}として算出する。 When the temperature information xP to be predicted is input to the prediction model constructed by learning using the temperature information as the input of the neural network constituting the relation coefficient approximating means 301 and the output as the input / output weight vector, the output calculation is performed. A predicted value of the weight vector is calculated. The predicted value of this weight vector is calculated as a predicted input / output weight vector {wP1, wP2,..., WPm}.
予測出力算出手段303は、重みベクトル算出ニューラルネットを取得し、図6に示すように関係関数近似手段201と同一のニューラルネットワークを構成する。次に、予測出力算出手段303は予測入出力重みベクトルを取得し、構成したニューラルネットワークの各重みへ入力する。構成したニューラルネットワークの重みwN1,wN2,・・・,wNmへ、予測入出力重みベクトル{wP1,wP2,・・・,wPm}の各値が入力され、wN1=wP1,wN2=wP2,・・・,wNm=wPmとなる。これにより、予測出力算出手段303には、気温情報を入力、空調エネルギー需要を出力とした予測モデルが構築される。この予測出力算出手段303へ予測を行いたい気温情報xPを入力し、出力処理を行うと予測空調エネルギー需要を算出する。 The prediction output calculation means 303 acquires a weight vector calculation neural network, and constitutes the same neural network as the relational function approximation means 201 as shown in FIG. Next, the prediction output calculation means 303 acquires a prediction input / output weight vector and inputs it to each weight of the constructed neural network. Each value of the predicted input / output weight vector {wP1, wP2,..., WPm} is input to the weights wN1, wN2,..., WNm of the constructed neural network, and wN1 = wP1, wN2 = wP2,. ·, WNm = wPm. Thus, a prediction model is constructed in the prediction output calculation means 303 with the temperature information as input and the air conditioning energy demand as output. The predicted air-conditioning energy demand is calculated by inputting the temperature information xP to be predicted to the predicted output calculating means 303 and performing the output process.
次に、図7のフローチャートを参照して、この発明の実施の形態に係わる予測装置および手法、そのアルゴリズムの空調エネルギー需要予測処理について説明する。 Next, with reference to the flowchart of FIG. 7, the prediction apparatus and method concerning this Embodiment of this invention, and the air-conditioning energy demand prediction process of the algorithm are demonstrated.
まず、毎日12時に予測装置により空調エネルギー需要予測処理の開始指示が出される(S701)。次に、入力データ蓄積手段104は当日12時の気温情報を取得し、学習データ蓄積手段103は当日の12時の空調エネルギー需要を取得し、蓄積する(S702)。S702以前に学習データ蓄積手段103と入力データ蓄積手段104には、6日前までの気温情報と空調エネルギー需要が蓄積されており、S702の処理により当日から6日前までの7日間の気温情報と空調エネルギー需要が蓄積される。 First, an instruction to start air conditioning energy demand prediction processing is issued by the prediction device at 12:00 every day (S701). Next, the input data storage means 104 acquires temperature information at 12:00 on that day, and the learning data storage means 103 acquires and stores air conditioning energy demand at 12:00 on that day (S702). Prior to S702, the learning data storage means 103 and the input data storage means 104 have stored temperature information and air conditioning energy demand up to 6 days ago, and temperature information and air conditioning for 7 days from the current day to 6 days before by the processing of S702. Energy demand is accumulated.
次に、入出力関係算出手段101で処理される入出力関係算出処理S703を図8のフローチャートを用いて詳細に説明する。当日12時の気温情報と空調エネルギー需要を取得すると、入出力関係算出処理S703の開始指示が出され(S801)、入出力関係算出用データ送信手段202は当日から6日前までの7日間の気温情報と空調エネルギー需要を、学習データ蓄積手段103と入力データ蓄積手段104から取得し、蓄積する(S802)。入出力関係算出用データ送信手段202は、取得したデータの中から、関係関数近似手段201を構成するニューラルネットワークの入力へ当日の気温情報を、出力へ当日の空調エネルギー需要を送信し(S803)、関係関数近似手段201を構成するニューラルネットワークは図10の処理によりバックプロパゲーション法の学習を行う(S804)。バックプロパゲーション法の学習が終了処理S1007に進むと、その時点で関係関数近似手段201を構成するニューラルネットワークの重みを当日の入出力重みベクトルとして、重みベクトル蓄積手段203へ送信し(S805)、当日から6日前までの7日間の入出力重みベクトルが重みベクトル蓄積手段203に蓄積されているか判定する(S806)が、当日の入出力重みベクトルのみが蓄積されているので、再度ステップS803へ進む。取得したデータの中から、関係関数近似手段201の入力へ1日前の気温情報を、出力へ1日前の空調エネルギー需要を送信し(S803)、入力を1日前の気温情報、出力を1日前の空調エネルギー需要とした関係関数近似手段201を構成するニューラルネットワークにより学習を行い(S804)、学習が終了すると、1日前の入出力重みベクトルを重みベクトル蓄積手段203へ蓄積する(S805)。このように、S803からS806の処理を当日から6日前までの7日間の気温情報と空調エネルギー需要に対して完了すると、関係関数近似手段201を構成するニューラルネットワークを重みベクトル算出ニューラルネットとして送信し(S807)、入出力関係算出処理S703は終了する(S808)。
Next, the input / output relationship calculation processing S703 processed by the input / output relationship calculation means 101 will be described in detail with reference to the flowchart of FIG. When the temperature information and the air conditioning energy demand at 12:00 on the day are acquired, an instruction to start the input / output relationship calculation process S703 is issued (S801), and the input / output relationship calculation data transmission means 202 performs the temperature for 7 days from the current day to 6 days ago. Information and air-conditioning energy demand are acquired from the learning data storage means 103 and the input data storage means 104 and stored (S802). The input / output relationship calculation
次に、学習予測処理手段102で処理される、学習処理S704および予測処理S705を図9のフローチャートを用いて詳細に説明する。入出力関係算出処理が終了すると(S808)、学習処理および予測処理が開始され(S901)、学習予測用データ送信手段302は、入力データ蓄積手段104より当日から6日前までの7日間の気温情報を取得し、重みベクトル蓄積手段203より当日から6日前までの7日間の入出力重みベクトルを取得し、蓄積する(S902)。蓄積したデータより、関係係数近似手段301を構成するニューラルネットワークの入力へ当日から6日前までの7日間の気温情報を、出力へ当日から6日前までの7日間の入出力重みベクトルを一定の規則で送信し(S903)、図10の処理によりバックプロパゲーション法の学習を行う(S904)。前述の通り、当日、1日前、・・・、6日前、当日、1日前、・・・という規則により学習終了判定S1006が満足されるまで学習が行われる。
Next, learning processing S704 and prediction processing S705 processed by the learning prediction processing means 102 will be described in detail with reference to the flowchart of FIG. When the input / output relationship calculation process is completed (S808), the learning process and the prediction process are started (S901), and the learning prediction
学習が終了すると、関係係数近似手段301を構成するニューラルネットワークへ学習予測用データ送信手段302より予測を行いたい気温情報を送信し、関係係数近似手段301を構成するニューラルネットワークで出力を算出する(S905)。算出された値は、予測を行いたい気温情報に対する予測入出力重みベクトルである。次に、予測出力算出手段303は重みベクトル算出ニューラルネットを取得し、関係関数近似手段201と同一のニューラルネットワークを構成し、このニューラルネットワークの各重みw1,w2,・・・,wmへ予測入力重みベクトルを入力する。さらに、このニューラルネットワークへ学習予測用データ送信手段302より予測を行いたい気温情報を入力し、出力を算出することにより、予測空調エネルギー需要データが得られ(S906)、学習処理および予測処理が終了する(S907)。予測処理S705が終了すると、空調エネルギー需要予測処理が終了する(S706)。
When learning is completed, temperature information to be predicted is transmitted from the learning prediction
以下、本実施の形態における効果について説明する。まずは、関係関数近似手段201を構成するニューラルネットワークで算出された入出力重みベクトル{wI1,wI2,・・・,wIm}のばらつきについて説明する。 Hereinafter, effects in the present embodiment will be described. First, the variation of the input / output weight vectors {wI1, wI2,..., WIm} calculated by the neural network constituting the relational function approximating means 201 will be described.
関係関数近似手段201を構成するニューラルネットワークではバックプロパゲーション法を用いて、気温情報と、気温情報と同じ1日の空調エネルギー需要とを学習することで入出力モデルを構築しているので、数1での空調エネルギー需要F(x)+G(x)+Rは、気温情報xを入力とした入出力モデル構築によりF(x)とG(x)が区別されていない。数2を用いると、この入出力モデルの入出力関係は、H(x)+Rの入出力関係と同一であり、この入出力関係は、入出力重みベクトル{wI1,wI2・・・,wIm}により構成されている。従って、各重み要素wI1,wI2,・・・,wImのばらつきは、入力データからの影響を受けない成分Rの影響のみとなり、数3のように表される。 In the neural network constituting the relational function approximating means 201, an input / output model is constructed by learning the air temperature information and the same daily air-conditioning energy demand as the air temperature information using the back-propagation method. As for the air conditioning energy demand F (x) + G (x) + R in FIG. 1, F (x) and G (x) are not distinguished by the input / output model construction using the temperature information x as an input. Using Equation 2, the input / output relationship of this input / output model is the same as the input / output relationship of H (x) + R, and this input / output relationship is the input / output weight vector {wI1, wI2..., WIm}. It is comprised by. Therefore, the variation of each of the weight elements wI1, wI2,..., WIm is only the influence of the component R that is not affected by the input data, and is expressed as shown in Equation 3.
数2において、H(x)は、入力データからの影響を受ける成分を示している。 In Equation 2, H (x) indicates a component affected by input data.
また、数3において、wI1は、関係関数近似手段201を構成するニューラルネットワークにより算出された1日の入出力重みベクトル{wI1,wI2,・・・,wIm}の重みw1要素を示している。また、wH1はH(x)を関係関数近似手段201を構成するニューラルネットワークの学習により入出力モデルを構築した場合の入出力重みベクトル{wH1,wH2,・・・,wHm}の重みw1要素を示している。wR1は、入力データからの影響を受けない成分Rが、入出力重みベクトルを算出した際にwI1に与える、wI1とwH1との差分を示している。数3では入出力重みベクトルの重みw1要素についてのみ記述してあるが、m個の重み全てに対して数3は成り立つ。 In Equation 3, wI1 represents the weight w1 element of the daily input / output weight vector {wI1, wI2,..., WIm} calculated by the neural network constituting the relational function approximating means 201. WH1 is the weight w1 element of the input / output weight vector {wH1, wH2,..., WHm} when the input / output model is constructed by learning H (x) with the neural network constituting the relational function approximating means 201. Show. wR1 indicates the difference between wI1 and wH1 that is given to wI1 when the component R not affected by the input data calculates the input / output weight vector. In Equation 3, only the weight w1 element of the input / output weight vector is described, but Equation 3 holds for all m weights.
この入出力モデルの入出力重みベクトル{wI1,wI2,・・・,wIm}と、気温情報xとの関係を図13を用いて説明する。図12に示すような気温情報がx1、空調エネルギー需要がF(x1)+G(x1)+R1の1日の入出力モデルを関係関数近似手段201を構成するニューラルネットワークにより構築した場合、入出力モデルの入出力関係は前記のようにH(x1)+R1の入出力関係と同一となる。図13には、気温情報x1の日とは異なるの日の気温情報と空調エネルギー需要から算出された入出力重みベクトルについても示している。各気温xにおいての入出力重みベクトルのw1要素wI1は、成分Rが前記のように一定の範囲で気温情報x以外のデータによる影響を受けて変化するために、入出力重みもwH1+wR1の上限値と下限値の範囲に分布することとなる。例えば、気温がx1の場合には、湿度の影響からR1が算出され、そのR1からwR1が算出されるが、同一の気温xでも湿度が異なればR1が異なり、wR1も異なった算出される。従って、wI1はwH1を、wI2はwH2を、wImはwHmを中心としてばらつく。 The relationship between the input / output weight vector {wI1, wI2,..., WIm} of the input / output model and the temperature information x will be described with reference to FIG. When an input / output model for one day with temperature information x1 and air conditioning energy demand F (x1) + G (x1) + R1 as shown in FIG. As described above, the input / output relationship of is the same as the input / output relationship of H (x1) + R1. FIG. 13 also shows the input / output weight vector calculated from the temperature information on the day different from the day of the temperature information x1 and the air conditioning energy demand. The w1 element wI1 of the input / output weight vector at each temperature x changes due to the influence of the data other than the temperature information x on the component R within a certain range as described above. Therefore, the input / output weight is also the upper limit of wH1 + wR1. Will be distributed in the range of the lower limit. For example, when the temperature is x1, R1 is calculated from the influence of humidity, and wR1 is calculated from the R1. However, even at the same temperature x, if the humidity is different, R1 is different and wR1 is also calculated differently. Therefore, wI1 varies around wH1, wI2 varies around wH2, and wIm varies around wHm.
次に、入出力重みベクトルの学習により得られる前記予測入出力重みベクトルについて図13を用いて説明する。関係係数近似手段301は、気温情報を入力、出力重みベクトルの各重み要素wI1,wI2,・・・,wImを出力として、前述のように過学習を起こさない学習回数で学習を行うことで予測モデルを構築しているので、wI1のばらつきであるwR1が小さくなった予測モデルとなる。従って、予測を行いたい気温情報xPに対しての予測入出力重みベクトル{wP1,wP2,・・・,wPm}は、H(x)を関係関数近似手段201を構成するニューラルネットワークの学習により入出力モデルを構築した場合の入出力重みベクトル{wH1,wH2,・・・,wHm}と類似するので、それぞれの各重み要素の関係は、wP1≒wH1,wP2≒wH2,・・・,wPm≒wHmとなる。 Next, the predicted input / output weight vector obtained by learning the input / output weight vector will be described with reference to FIG. The relation coefficient approximating means 301 receives the temperature information, outputs the weight elements wI1, wI2,..., WIm of the output weight vector, and predicts by performing learning with the number of learnings that does not cause overlearning as described above. Since the model is constructed, it becomes a prediction model in which wR1, which is a variation in wI1, is reduced. Therefore, the prediction input / output weight vector {wP1, wP2,..., WPm} for the temperature information xP to be predicted is input by learning of the neural network constituting the relational function approximating means 201 with H (x). Since it is similar to the input / output weight vector {wH1, wH2,..., WHm} when the output model is constructed, the relationship between the respective weight elements is wP1≈wH1, wP2≈wH2,. wHm.
次に、上記入出力重みベクトルを用いて予測出力算出手段303から算出される予測空調エネルギー需要について説明する。予測出力算出手段303は、予測入出力重みベクトル{wP1,wP2,・・・,wPm}の各重み要素を、関係関数近似手段201を構成するニューラルネットワークと同一の構成のニューラルネットワークの重みへ入力することで、予測入出力重みベクトルと同一の入出力関係を持つ入出力モデルを構築する。一般的にニューラルネットワークを構成する重みベクトルが類似していれば、類似した入出力モデルとなるので、前述の通りwP1≒wH1,wP2≒wH2,・・・,wPm≒wHmであるこの入出力モデルは、H(x)の入出力モデルに類似している。従って、予測出力算出手段303へ予測を行いたい気温情報xPを入力した場合の出力である予測空調エネルギー需要はH(xP)に類似している。
Next, the predicted air conditioning energy demand calculated from the predicted output calculation means 303 using the input / output weight vector will be described. The prediction output calculation means 303 inputs each weight element of the prediction input / output weight vector {wP1, wP2,..., WPm} to the weight of the neural network having the same configuration as that of the neural network constituting the relation function approximation means 201. By doing so, an input / output model having the same input / output relationship as the predicted input / output weight vector is constructed. In general, if the weight vectors constituting the neural network are similar, the input / output model is similar. Therefore, as described above, this input / output model where wP1≈wH1, wP2≈wH2,..., WPm≈wHm. Is similar to the input / output model of H (x). Therefore, the predicted air-conditioning energy demand, which is an output when the temperature information xP to be predicted is input to the predicted
上記一連の処理により、従来の技術では、入力データからの影響が小さい成分G(x)と入力データから影響を受けない成分Rが区別できないため予測空調エネルギー需要はF(x)に類似したものであったが、本発明によればG(x)とRが区別されるため、H(x)に類似した予測空調エネルギー需要の算出が可能となり、予測精度が向上するという効果を得る。 With the above-described series of processes, in the conventional technology, the component G (x) that is less influenced by the input data and the component R that is not affected by the input data cannot be distinguished, so the predicted air conditioning energy demand is similar to F (x). However, according to the present invention, since G (x) and R are distinguished, it is possible to calculate the predicted air-conditioning energy demand similar to H (x), and the effect of improving the prediction accuracy is obtained.
本発明にかかる構成によれば、入出力重みベクトルを算出する入出力関係算出手段という構成を有する。この構成によれば、需要データと入力データ間の入出力関係を、ニューラルネットワークを用いて学習を行うことでニューラルネットワークのパラメータを用いた入出力重みベクトルとして算出することが可能となる。需要データF(x)+G(x)+Rを入力データxに対して関係性を算出すると、入力データxに関係する成分F(x)とG(x)は区別されず、数1を用いるとH(x)という成分となり、算出された入出力重みベクトルの入出力関係はH(x)+Rの入出力関係と同一である。従来技術では、入力データxに対して需要データのばらつきは前述の通りG(x)+Rと見なされるが、入出力重みベクトルではR成分の影響のみとなり、ばらつきが小さくなる。この入出力重みベクトルを教師データとして、ニューラルネットワークを用いて学習を行うことで、H(x)+RのばらつきR成分は小さくなり、学習結果である予測入出力重みベクトルはH(x)に類似する。予測入出力重みベクトルの重みの値をニューラルネットワークに再現することで、H(x)に類似した入出力モデルを構築することとなり、高精度な予測モデルが構築される。 According to the configuration of the present invention, there is a configuration called input / output relationship calculation means for calculating an input / output weight vector. According to this configuration, the input / output relationship between the demand data and the input data can be calculated as an input / output weight vector using the parameters of the neural network by performing learning using the neural network. When the relationship between the demand data F (x) + G (x) + R and the input data x is calculated, the components F (x) and G (x) related to the input data x are not distinguished. The input / output relationship of the calculated input / output weight vector is the same as the input / output relationship of H (x) + R. In the prior art, the variation of the demand data with respect to the input data x is regarded as G (x) + R as described above, but the input / output weight vector has only the influence of the R component, and the variation becomes small. By using the neural network to perform learning using this input / output weight vector as teacher data, the variation R component of H (x) + R is reduced, and the predicted input / output weight vector as a learning result is similar to H (x). To do. By reproducing the weight value of the predicted input / output weight vector in the neural network, an input / output model similar to H (x) is constructed, and a highly accurate prediction model is constructed.
なお、本実施の形態の構成においては、関係関数近似手段201を構成する関数はニューラルネットワークの代わりに線形多項式を用いた構成でもよい。その場合は、入出力重みベクトルの代わりに線形多項式の係数が算出され、予測出力算出手段303は関係関数近似手段201と同一の線形多項式となる。また、関係係数近似手段301を構成するニューラルネットワークの代わりに、重回帰分析処理を用いてもよい。 In the configuration of the present embodiment, the function constituting the relational function approximating means 201 may be a configuration using a linear polynomial instead of the neural network. In that case, the coefficient of the linear polynomial is calculated instead of the input / output weight vector, and the predicted output calculation means 303 is the same linear polynomial as the relational function approximation means 201. Further, multiple regression analysis processing may be used instead of the neural network constituting the relation coefficient approximating means 301.
また、予測モデルを構築するための入力と出力に因果関係があるならば、データの種類や入出力の個数は限定されない。例えば、需要データは、空調エネルギー需要の代わりに給湯エネルギー需要等でもよく、入力データは、気温情報の代わりに曜日情報・休日情報・天候情報・建物に存在する人数・不快指数・湿度情報等でもよい。また、取得する空調エネルギー需要は1日毎の代わりに、1分毎・1時間毎・1ヶ月毎に取得でもよく、12時の気温情報を入力として翌23時間の各時刻の空調エネルギー需要を出力としてもよい。 Further, the type of data and the number of inputs and outputs are not limited as long as there is a causal relationship between the input and the output for constructing the prediction model. For example, demand data may be hot water supply energy demand instead of air conditioning energy demand, and input data may be day of the week information, holiday information, weather information, number of people in the building, discomfort index, humidity information, etc. instead of temperature information. Good. Air conditioning energy demand to be acquired may be acquired every minute, every hour, or every month instead of every day, and the air conditioning energy demand at each hour of the next 23 hours is output by inputting the temperature information at 12:00. It is good.
本発明の予測装置および手法、そのアルゴリズムは、入出力関係算出手段を有し、ばらつきの大きいデータへも対応できるため、エネルギー需要だけでなく、ばらつきの大きいデータの予測、例えば株価や気象などの予測装置としても有用である。 The prediction apparatus and method of the present invention, and its algorithm, have input / output relationship calculation means, and can cope with data with large variations, so that not only energy demand but also prediction of data with large variations, such as stock prices and weather, etc. It is also useful as a prediction device.
101 入出力関係算出手段
102 学習予測処理手段
103 学習データ蓄積手段
104 入力データ蓄積手段
201 関係関数近似手段
202 入出力関係算出用データ送信手段
203 重みベクトル蓄積手段
301 関係係数近似手段
302 学習予測用データ送信手段
303 予測出力算出手段
DESCRIPTION OF
Claims (3)
前記学習データと因果関係を持つ入力データを蓄積する入力データ蓄積手段と、
前記学習データと前記入力データとの第1の関係を近似する所定の第1の関数に、前記入力データ蓄積手段に蓄積されている複数の入力データのそれぞれを入力値として代入するとともに、前記学習データ蓄積手段に蓄積されている複数の学習データのそれぞれを出力値として代入することにより、前記第1の関数に用いられる複数の第1の係数を算出する入出力関係算出手段と、
前記第1の係数と前記入力データとの第2の関係を近似する所定の第2の関数に、前記入力データ蓄積手段に蓄積されている複数の入力データのそれぞれを入力値として代入するとともに、前記入出力関係算出手段によって算出された前記複数の第1の係数を出力値として代入することにより、前記第2の関数に用いられる複数の第2の係数を算出し、算出した前記複数の第2の係数が設定された前記第2の関数に、予測を行うための予測用データを入力することで得られる出力を前記第1の関数の前記複数の第1の係数として設定し、前記予測用データを前記複数の第1の係数が設定された前記第1の関数に入力することで予測結果データを得る学習予測処理手段とを備え、
前記学習データ蓄積手段は、空調エネルギー需要を前記学習データとして蓄積し、
前記入力データ蓄積手段は、気温情報を前記入力データとして蓄積し、
前記学習予測処理手段は、予測を行うための気温情報を前記第1の関数に入力することで予測された空調エネルギー需要を前記予測結果データとして得ることを特徴とする予測装置。 Learning data storage means for storing learning data used for learning;
Input data storage means for storing input data having a causal relationship with the learning data;
Substituting each of a plurality of input data stored in the input data storage means as an input value into a predetermined first function approximating a first relationship between the learning data and the input data, and the learning Input / output relationship calculating means for calculating a plurality of first coefficients used in the first function by substituting each of a plurality of learning data stored in the data storage means as an output value;
Substituting each of a plurality of input data stored in the input data storage means as an input value into a predetermined second function approximating a second relationship between the first coefficient and the input data, By substituting the plurality of first coefficients calculated by the input / output relationship calculating means as output values, a plurality of second coefficients used for the second function are calculated, and the calculated plurality of second coefficients the coefficient of 2 is set second function, set the output obtained by inputting the calculation data for performing prediction as the plurality of first coefficient of the first function, the predicted Learning prediction processing means for obtaining prediction result data by inputting data for use in the first function in which the plurality of first coefficients are set ,
The learning data storage means stores air conditioning energy demand as the learning data,
The input data storage means stores temperature information as the input data,
The learning prediction processing means obtains air-conditioning energy demand predicted by inputting temperature information for prediction into the first function as the prediction result data.
前記学習データ蓄積手段から複数の学習データを取得して蓄積するとともに、前記入力データ蓄積手段から前記取得した複数の学習データと因果関係を持つ複数の入力データを取得して蓄積し、蓄積した前記複数の入力データと前記複数の学習データとを逐次送信する入出力関係算出用データ送信手段と、
前記学習データと前記入力データとの前記第1の関係を学習により近似する第1のニューラルネットワークに、前記入出力関係算出用データ送信手段によって送信された前記複数の入力データのそれぞれを入力値として代入するとともに、前記入出力関係算出用データ送信手段によって送信された前記複数の学習データのそれぞれを出力値として代入することにより、前記第1のニューラルネットワークに用いられる重みベクトルの集合である複数の第1の重みベクトルを逐次算出する関係関数近似手段と、
前記関係関数近似手段によって逐次算出される前記複数の第1の重みベクトルを所定の期間蓄積する重みベクトル蓄積手段とを備えることを特徴とする請求項1に記載の予測装置。 The input / output relationship calculating means includes:
Acquiring and storing a plurality of learning data from the learning data storage means, acquiring and storing a plurality of input data having a causal relationship with the acquired learning data from the input data storage means, Input / output relationship calculation data transmitting means for sequentially transmitting a plurality of input data and the plurality of learning data;
The first neural network that approximates the first relationship between the learning data and the input data by learning uses each of the plurality of input data transmitted by the input / output relationship calculation data transmission means as an input value. Substituting and substituting each of the plurality of learning data transmitted by the input / output relationship calculation data transmission means as output values, thereby providing a plurality of weight vectors used in the first neural network. Relational function approximation means for sequentially calculating the first weight vector;
The prediction apparatus according to claim 1, further comprising weight vector accumulation means for accumulating the plurality of first weight vectors sequentially calculated by the relation function approximation means for a predetermined period.
前記入出力関係算出手段によって算出された前記複数の第1の重みベクトルを取得して蓄積するとともに、前記入力データ蓄積手段から複数の入力データを取得して蓄積し、蓄積した前記複数の第1の重みベクトルと前記複数の入力データとを逐次送信する学習予測用データ送信手段と、
前記複数の第1の重みベクトルと前記入力データとの前記第2の関係を学習により近似する第2のニューラルネットワークに、前記学習予測用データ送信手段によって送信された前記複数の入力データのそれぞれを入力値として代入するとともに、前記学習予測用データ送信手段によって送信された前記複数の第1の重みベクトルを出力値として代入することにより、前記第2のニューラルネットワークに用いられる重みベクトルの集合である複数の第2の重みベクトルを算出し、算出した前記複数の第2の重みベクトルが設定された前記第2のニューラルネットワークに、前記予測用データを入力することで複数の予測重みベクトルを算出する関係係数近似手段と、
前記関係係数近似手段によって算出された前記複数の予測重みベクトルを、前記入出力関係算出手段から取得した前記第1のニューラルネットワークの複数の重みベクトルとして設定し、前記予測用データを前記第1のニューラルネットワークへ入力することで予測結果データを算出する予測出力算出手段とを備えることを特徴とする請求項2に記載の予測装置。 The learning prediction processing means includes
The plurality of first weight vectors calculated by the input / output relationship calculating means are acquired and stored, and a plurality of input data are acquired and stored from the input data storage means, and the plurality of first weights stored are stored. Learning prediction data transmission means for sequentially transmitting the weight vector and the plurality of input data;
Each of the plurality of input data transmitted by the learning prediction data transmitting means is transferred to a second neural network that approximates the second relationship between the plurality of first weight vectors and the input data by learning. A set of weight vectors used for the second neural network by substituting as input values and substituting the plurality of first weight vectors transmitted by the learning prediction data transmitting means as output values. A plurality of second weight vectors are calculated , and a plurality of prediction weight vectors are calculated by inputting the prediction data to the second neural network in which the calculated second weight vectors are set. A relation coefficient approximation means;
The plurality of prediction weight vectors calculated by the relation coefficient approximation means are set as a plurality of weight vectors of the first neural network acquired from the input / output relation calculation means, and the prediction data is set to the first data The prediction apparatus according to claim 2, further comprising prediction output calculation means for calculating prediction result data by inputting to a neural network.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005230132A JP4975287B2 (en) | 2005-08-08 | 2005-08-08 | Prediction device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005230132A JP4975287B2 (en) | 2005-08-08 | 2005-08-08 | Prediction device |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2007047945A JP2007047945A (en) | 2007-02-22 |
JP4975287B2 true JP4975287B2 (en) | 2012-07-11 |
Family
ID=37850733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005230132A Expired - Fee Related JP4975287B2 (en) | 2005-08-08 | 2005-08-08 | Prediction device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4975287B2 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447032A (en) * | 2016-09-09 | 2017-02-22 | 中国传媒大学 | Quick prediction method of cerebral neuron action potential sequence |
CN107239859A (en) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | The heating load forecasting method of Recognition with Recurrent Neural Network is remembered based on series connection shot and long term |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9129222B2 (en) | 2011-06-22 | 2015-09-08 | Qualcomm Incorporated | Method and apparatus for a local competitive learning rule that leads to sparse connectivity |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2533942B2 (en) * | 1989-03-13 | 1996-09-11 | 株式会社日立製作所 | Knowledge extraction method and process operation support system |
JPH03134703A (en) * | 1989-10-20 | 1991-06-07 | Hitachi Ltd | Demand pattern predicting method and plant operating method |
JPH08123778A (en) * | 1994-10-20 | 1996-05-17 | Hitachi Ltd | Automatic generation method for non-linear model |
JP3679071B2 (en) * | 1994-11-24 | 2005-08-03 | 松下電器産業株式会社 | Optimization adjustment device |
JPH11259444A (en) * | 1998-03-12 | 1999-09-24 | Toshiba Corp | Function approximate model learning device/method and storage medium recording program for function approximate model learning |
-
2005
- 2005-08-08 JP JP2005230132A patent/JP4975287B2/en not_active Expired - Fee Related
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447032A (en) * | 2016-09-09 | 2017-02-22 | 中国传媒大学 | Quick prediction method of cerebral neuron action potential sequence |
CN106447032B (en) * | 2016-09-09 | 2018-12-25 | 中国传媒大学 | The method for quick predicting of cerebral neuron action potential sequence |
CN107239859A (en) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | The heating load forecasting method of Recognition with Recurrent Neural Network is remembered based on series connection shot and long term |
CN107239859B (en) * | 2017-06-05 | 2018-05-08 | 国网山东省电力公司电力科学研究院 | Heating load forecasting method based on series connection shot and long term memory Recognition with Recurrent Neural Network |
Also Published As
Publication number | Publication date |
---|---|
JP2007047945A (en) | 2007-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978222B (en) | Bayesian network-based wind power climbing event probability prediction method and system | |
US11341396B2 (en) | Methods, controllers and systems for the control of distribution systems using a neural network architecture | |
Memarzadeh et al. | Integrated inspection scheduling and maintenance planning for infrastructure systems | |
Hahn et al. | Electric load forecasting methods: Tools for decision making | |
Alamaniotis et al. | Evolutionary multiobjective optimization of kernel-based very-short-term load forecasting | |
JP7279445B2 (en) | Prediction method, prediction program and information processing device | |
JP2004086896A (en) | Method and system for constructing adaptive prediction model | |
KR102553041B1 (en) | Method, device and system for providing matching platform service between user and interior supplier based on artificial intelligence model | |
KR102531879B1 (en) | Method, device and system for predicting and monitoring occurrence of event for maintenance of enterprise electronic equipment based on artificial intelligence | |
Ozoh et al. | A comparative analysis of techniques for forecasting electricity consumption | |
JP7297816B2 (en) | Method and Computing System for Performing Asset Predictive Health Analysis | |
CN113222403A (en) | Power adjusting method and device based on big data, storage medium and electronic equipment | |
Han et al. | A review of reinforcement learning methodologies on control systems for building energy | |
JP4975287B2 (en) | Prediction device | |
Jain et al. | Towards smart manufacturing with virtual factory and data analytics | |
Palivonaite et al. | Short-term time series algebraic forecasting with mixed smoothing | |
Naug et al. | A relearning approach to reinforcement learning for control of smart buildings | |
Biemann et al. | Data Center HVAC Control Harnessing Flexibility Potential via Real-Time Pricing Cost Optimization Using Reinforcement Learning | |
Stoffel et al. | Real-life data-driven model predictive control for building energy systems comparing different machine learning models | |
KR102536063B1 (en) | Method, device and system for providing sales and purchases settlement solution for business based on artificial intelligence | |
JP2004094437A (en) | Data prediction method and data prediction system | |
Prasanna et al. | Overview of machine learning and data-driven methods in agent-based modeling of energy markets | |
JP2005122517A (en) | Energy demand prediction method, energy demand prediction device and energy demand prediction program and recording medium | |
CN111090571B (en) | Maintenance method, device and computer storage medium for information system | |
CN114036723A (en) | Method, device, equipment and storage medium for predicting running state of comprehensive energy system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20080514 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110823 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20111021 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20111213 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120206 |
|
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: 20120321 |
|
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: 20120411 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4975287 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20150420 Year of fee payment: 3 |
|
LAPS | Cancellation because of no payment of annual fees |