JP6712870B2 - Classification device, classification method, and classification program - Google Patents
Classification device, classification method, and classification program Download PDFInfo
- Publication number
- JP6712870B2 JP6712870B2 JP2016026273A JP2016026273A JP6712870B2 JP 6712870 B2 JP6712870 B2 JP 6712870B2 JP 2016026273 A JP2016026273 A JP 2016026273A JP 2016026273 A JP2016026273 A JP 2016026273A JP 6712870 B2 JP6712870 B2 JP 6712870B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- output data
- natural energy
- point
- energy power
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 33
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000010248 power generation Methods 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 13
- 230000005855 radiation Effects 0.000 description 47
- 239000013598 vector Substances 0.000 description 41
- 238000010586 diagram Methods 0.000 description 22
- 230000005611 electricity Effects 0.000 description 19
- 238000004088 simulation Methods 0.000 description 19
- 239000000284 extract Substances 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、分類装置、分類方法および分類プログラムに関する。 The present invention relates to a classification device, a classification method, and a classification program.
電気の需要と供給が一致しないと、周波数や電圧が大きく変動して適正範囲を逸脱し、最悪の場合には広範囲が停電になることもあるため、電力会社は自社の保有する発電設備・流通設備の出力を調整して、時々刻々の需要の変化に電気の供給をあわせている。一方、国の政策や環境問題への関心の高まりもあって、太陽光発電や風力発電などの自然エネルギー発電の導入が増えてきている。しかし、自然エネルギー発電は天候によって出力が左右されるといった問題があるため、自然エネルギー発電が大量に導入されると電気の需要と供給を一致させるのが難しくなる。これにより、電気を安定して需要家に送れなくなることが懸念されている。 If the demand and supply of electricity do not match, the frequency and voltage will fluctuate greatly and deviate from the proper range, and in the worst case there may be a power outage over a wide area. By adjusting the output of the equipment, the electricity supply is adjusted to the ever-changing demand. On the other hand, the introduction of renewable energy power generation such as solar power generation and wind power generation is increasing due to the growing interest in national policies and environmental problems. However, since there is a problem that the output of natural energy power generation depends on the weather, if a large amount of renewable energy power generation is introduced, it becomes difficult to match the demand and supply of electricity. As a result, it is feared that electricity cannot be stably sent to customers.
このため、自然エネルギー発電に大きな出力変化が生じた場合でも電気を安定して送れる設備が整っているかどうかを、コンピュータ上のシミュレーションによりチェックすることが不可欠となる。もしも安定して電気を送ることができないのであれば、設備のパラメータを変える、設備を増強することの必要性が分かる。 For this reason, it is indispensable to check by computer simulation whether or not there is a facility that can stably send electricity even when a large output change occurs in natural energy power generation. If you can not send electricity stably, you can see the need to change the parameters of the equipment, to strengthen the equipment.
シミュレーションの際に、自然エネルギー発電の出力変化をシミュレーションモデルに入力することとなるが、計測しデータベースに蓄える自然エネルギー発電の出力データは２４時間３６５日におよぶので、データ量は膨大であり、それらを全てシミュレーションに用いると膨大な計算時間がかかってしまう。このため、自然エネルギー発電の出力データの代表的な変化パターンだけを対象に計算することで計算時間を大幅に節約することが必要となる。 During the simulation, the output change of the natural energy power generation is input to the simulation model, but since the output data of the natural energy power generation that is measured and stored in the database lasts for 24 hours 365 days, the amount of data is enormous. If all are used for simulation, a huge calculation time will be required. Therefore, it is necessary to significantly reduce the calculation time by calculating only the typical change pattern of the output data of the renewable energy power generation.
しかしながら、データベースに蓄えられている自然エネルギー発電の出力データの変化パターンが膨大であると、代表的な変化パターンを求めること自体が困難であるという問題がある。このため、自然エネルギー発電の出力データの代表的な変化パターンを自動的に求める方法が望まれている。 However, if the change pattern of the output data of the natural energy power generation stored in the database is enormous, there is a problem that it is difficult to obtain a typical change pattern. Therefore, there is a demand for a method of automatically obtaining a typical change pattern of output data of natural energy power generation.
なお、自然エネルギー発電が太陽光発電であれば出力は日射量にほぼ比例し、風力発電であれば出力は風速の３乗にほぼ比例するので、自然エネルギー発電の出力の代わりに気象データを計測し、それに係数を掛けて簡易的に自然エネルギー発電の出力データとすることができる。このため、自然エネルギー発電の出力データの代表的な変化パターンを求める代わりに、気象データの代表的な変化パターンを求めてもよい。 If the renewable energy power generation is solar power generation, the output is almost proportional to the amount of solar radiation, and if it is wind power generation, the output is almost proportional to the cube of the wind speed. Therefore, the weather data is measured instead of the output of the natural energy generation. However, the output data of the natural energy power generation can be simply obtained by multiplying it by a coefficient. Therefore, instead of obtaining a representative change pattern of the output data of the natural energy power generation, a representative change pattern of the meteorological data may be obtained.
本発明は、上記に鑑みてなされたものであって、自然エネルギー発電の出力データまたは気象データを分類し、自然エネルギー発電の出力データまたは気象データの代表的な変化パターンを自動的に抽出することができる分類装置、分類方法および分類プログラムを提供することを目的とする。 The present invention has been made in view of the above, and classifies output data or weather data of natural energy power generation and automatically extracts a typical change pattern of output data or weather data of natural energy power generation. It is an object of the present invention to provide a classification device, a classification method, and a classification program capable of performing the above.
上述した課題を解決し、目的を達成するために、本発明の分類装置は、複数地点の気象データ、複数地点の自然エネルギー発電の出力データ、複数時間帯の気象データ、または、複数時間帯の自然エネルギー発電の出力データの間の類似度または相関係数を算出する算出部と、前記算出部により算出された類似度または相関係数に基づいて、前記複数地点の気象データ、前記複数地点の自然エネルギー発電の出力データ、前記複数時間帯の気象データ、または、前記複数時間帯の自然エネルギー発電の出力データを分類する分類部と、を有する。 In order to solve the above-mentioned problems and achieve the object, the classification device of the present invention has a plurality of points of meteorological data, a plurality of points of natural energy power output data, a plurality of hours of weather data, or a plurality of hours of A calculation unit that calculates the similarity or correlation coefficient between the output data of the natural energy power generation, and based on the similarity or correlation coefficient calculated by the calculation unit, the meteorological data of the plurality of points, the plurality of points A classification unit that classifies the output data of the natural energy power generation, the weather data of the plurality of time zones, or the output data of the natural energy power generation of the plurality of time zones.
本発明は、大量の自然エネルギー発電の出力データまたは気象データの中から代表的な変化パターンを自動的に抽出することができるという効果を奏する。 The present invention has an effect that a typical change pattern can be automatically extracted from a large amount of output data of natural energy power generation or weather data.
以下に、本発明に係る分類装置、分類方法および分類プログラムの実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。 Hereinafter, embodiments of a classification device, a classification method, and a classification program according to the present invention will be described in detail with reference to the drawings. The present invention is not limited to the embodiments.
［代表的な変化パターンの抽出が望ましい状況］
最初に、自然エネルギー発電の出力データまたは気象データの代表的な変化パターンを抽出することが望ましい状況について説明する。大量の自然エネルギー発電の出力データまたは気象データから代表的な変化パターンを抽出することが望ましい状況は次の二つがある。なお、以下では、自然エネルギー発電の出力データを簡略化して「出力データ」と表す。また、変化パターンは、時系列データにより表される。
[Situation where it is desirable to extract typical change patterns]
First, a situation in which it is desirable to extract a typical change pattern of output data of natural energy power generation or weather data will be described. There are two situations in which it is desirable to extract a typical change pattern from a large amount of renewable energy power generation data or meteorological data. In the following, the output data of the renewable energy power generation will be simply referred to as “output data”. The change pattern is represented by time series data.
（１）多数の計測地点で計測した同一日かつ同一時間帯の出力データまたは気象データ
自然エネルギー発電が大量に導入されると、ある箇所の送電線を流れる電気や小さな範囲のエリアを流れる電気が、自然エネルギー発電の出力が変化したことの影響で不安定になり、最悪の場合には停電になることが懸念される。このため、自然エネルギー発電が大量に導入されても電気を安定して送れるか、または自然エネルギー発電の導入量の上限をチェックするために、シミュレーション技術がしばしば用いられる。しかし、チェックの対象は広範囲であるので計測地点数は大量であり、全ての計測地点を対象にシミュレーションを行うと計算時間は膨大となる。
(1) Output data or meteorological data on the same day and at the same time measured at a large number of measurement points When a large amount of natural energy power generation is introduced, electricity flowing through a power transmission line at a certain location or electricity flowing through a small area is generated. However, there is a concern that the output of natural energy power generation may become unstable due to the change, and in the worst case, a power outage may occur. For this reason, simulation techniques are often used to stably send electricity even if a large amount of renewable power generation is introduced, or to check the upper limit of the amount of renewable power generation. However, since the target of the check is wide, the number of measurement points is large, and if the simulation is performed on all the measurement points, the calculation time becomes enormous.
このため、実施例に係る分類装置は、シミュレーションの対象の日時の計測地点数分の出力データまたは気象データの変化パターンをクラスタリングし、いくつかの小グループに切り分ける。その際、実施例に係る分類装置は、それぞれのグループに含まれる変化パターンは互いに類似するよう分類する。そして、実施例に係る分類装置は、それぞれの小グループから一つの変化パターンを抽出する。そして、実施例に係る分類装置により抽出された変化パターンの出力データまたは気象データを使用して電気を安定して送れるかをチェックするシミュレーションが実施される。これにより、同じグループに属する他の地点での出力データまたは気象データを使用したシミュレーションは行う必要がなくなるので、計算時間の大幅な削減ができる。 For this reason, the classification device according to the embodiment clusters the change pattern of the output data or the weather data for the number of measurement points at the date and time of the simulation target, and divides it into several small groups. At that time, the classification device according to the embodiment classifies the change patterns included in the respective groups so that they are similar to each other. Then, the classification device according to the embodiment extracts one change pattern from each small group. Then, a simulation is carried out to check whether electricity can be stably sent using the output data of the change pattern or the meteorological data extracted by the classification device according to the embodiment. As a result, it is not necessary to perform a simulation using output data or meteorological data at other points belonging to the same group, so that the calculation time can be greatly reduced.
（２）多数の時間帯で計測した出力データまたは気象データ
電気を安定して送れるかのチェックは、例えば、１年間の毎日の１３：００〜１４：００のように、大量の時間帯を対象にシミュレーションしなくてはならないこともある。チェックしたい場所が半径数ｋｍ程度のエリアである場合もあれば、数百ｋｍ程度の電力会社のエリア全体にも及ぶ範囲の場合もある。なお、出力データまたは気象データを計測する地点の数は、１地点で十分である場合もあるし、１００地点に達する場合もある。複数地点の場合は各地点の出力データまたは気象データが合計されて一つの変化パターンにされる。地点数や対象エリアの広さは、シミュレーションの方法や目的によってまちまちである。このような場合、出力データまたは気象データが大量の時間帯に対してデータベースに蓄えられているので、全ての時間帯を対象にシミュレーションを行うと膨大な計算時間を要する。
(2) Output data or meteorological data measured in many time zones Check whether electricity can be sent stably, for example, for a large number of time zones, such as 13:00 to 14:00 every day for one year. Sometimes you have to simulate. There are cases where the place to be checked is an area with a radius of several kilometers, and there are cases where the area covers several hundred kilometers with the entire area of an electric power company. It should be noted that the number of points where the output data or the meteorological data is measured may be sufficient at one point or may reach 100 points. In the case of multiple points, output data or meteorological data at each point are added together to form one change pattern. The number of points and the size of the target area vary depending on the simulation method and purpose. In such a case, since output data or meteorological data is stored in the database for a large amount of time zones, a huge amount of calculation time is required if simulation is performed for all time zones.
このため、実施例に係る分類装置は、電気を安定して送れるかをチェックする時間帯分の出力データまたは気象データの変化パターンをクラスタリングし、いくつかの小グループに切り分ける。その際、実施例に係る分類装置は、それぞれのグループに含まれる変化パターンは互いに類似するよう分類する。そして、実施例に係る分類装置は、それぞれの小グループから一つの変化パターンを抽出する。そして、実施例に係る分類装置により抽出された変化パターンの出力データまたは気象データを使用して電気を安定して送れるかをチェックするシミュレーションが実施される。これにより、同じグループに属する他の時間帯での出力データまたは気象データを使用したシミュレーションは行う必要がなくなるので、計算時間の大幅な削減ができる。 Therefore, the classification device according to the embodiment clusters the change pattern of the output data or the weather data for the time period for checking whether electricity can be sent stably, and divides it into some small groups. At that time, the classification device according to the embodiment classifies the change patterns included in the respective groups so that they are similar to each other. Then, the classification device according to the embodiment extracts one change pattern from each small group. Then, a simulation is carried out to check whether electricity can be stably sent using the output data of the change pattern or the meteorological data extracted by the classification device according to the embodiment. As a result, it is not necessary to perform a simulation using output data or meteorological data in another time zone belonging to the same group, so that the calculation time can be significantly reduced.
［ＳＯＭ］
次に、実施例に係る分類装置がクラスタリングに用いる自己組織化マップ（ＳＯＭ：Self-Organizing Map）について説明する。なお、以下では、クラスタリング対象として主に気象データのうちの複数地点で観測した日射強度を例に説明するが、クラスタリング対象は風速などの他の気象データまたは出力データ、あるいは、複数時間帯の気象データまたは出力データなどとすることもできる。
[SOM]
Next, a self-organizing map (SOM) used by the classification device according to the embodiment for clustering will be described. In the following, the clustering target will be mainly described by taking insolation intensity observed at multiple points in the meteorological data as an example, but the clustering target can be other meteorological data such as wind speed or output data, or weather in multiple time zones. It can also be data or output data.
ＳＯＭは、教師信号なしの競合学習モデルであり、ニューラルネットワークの一種でもある。ＳＯＭは、画像認識やパターン認識、データマイニングなどに広く用いられ、高次元ベクトルデータを低次元のベクトル空間に写像することができるので、データの可視化にも利用されている。 SOM is a competitive learning model without a teacher signal, and is also a kind of neural network. The SOM is widely used for image recognition, pattern recognition, data mining, and the like, and can map high-dimensional vector data to a low-dimensional vector space, and therefore is also used for data visualization.
図１は、ＳＯＭの構造を示す図である。図１は、多数地点で観測した時系列（要素数はＲ）の気象データを入力した場合を例として示す。ＳＯＭは入力層とマップ層の２層から構成されていて、マップ層にはノードが二次元平面上に縦にＭ個、横にＮ個の格子状に並んでおり、入力層にはＲ個のノードが横一列に並んでいて各ノードはマップ層の全ノードと参照ベクトルによって結合している。 FIG. 1 is a diagram showing the structure of the SOM. FIG. 1 shows, as an example, a case where time series (the number of elements is R) meteorological data observed at many points is input. The SOM is composed of two layers, an input layer and a map layer. In the map layer, nodes are arranged in a matrix of M vertically and N horizontally on a two-dimensional plane, and R in the input layer. Nodes are arranged in a horizontal row, and each node is connected to all the nodes in the map layer by a reference vector.
入力層のノード数であるＲは、時系列の気象データの要素数と同じである。マップ層のノード数を定めるＭ、Ｎはユーザーが設定する数であり、この例のように多数地点で観測した時系列の気象データをマップする場合には、Ｍ×Ｎが観測地点の数よりも十分に大きい数になるようにする。なお、ＭとＮは同じ数でもよい。 R, which is the number of nodes in the input layer, is the same as the number of elements in time-series weather data. M and N, which determine the number of nodes in the map layer, are numbers set by the user. When mapping time-series meteorological data observed at multiple points as in this example, M×N is more than the number of observation points. Also try to be a large enough number. The numbers M and N may be the same.
入力データは入力ベクトルと呼ばれ、時系列の気象データの要素の数がＲ個であるなら、入力ベクトルはＲ次元となる。そして、Ｒ次元の入力ベクトルの各要素は入力層の各ノードと対応する。例えば、時系列の気象データがＰ(ｔ)、Ｐ(ｔ＋１)、Ｐ(ｔ＋２)、・・・、Ｐ(ｔ＋Ｒ−１)である場合、入力層の１番目のノードにＰ(ｔ)が入力され、２番目のノードにＰ(ｔ＋１)が入力され、３番目のノードにＰ(ｔ＋２)が入力され、これが順番に続けられて、最後にＲ番目のノードにＰ(ｔ＋Ｒ−１)が入力される。 The input data is called an input vector, and if the number of elements of the time series meteorological data is R, the input vector has an R dimension. Then, each element of the R-dimensional input vector corresponds to each node of the input layer. For example, when the time series meteorological data is P(t), P(t+1), P(t+2),..., P(t+R-1), P(t) is the first node in the input layer. Input, P(t+1) is input to the second node, P(t+2) is input to the third node, this is continued in order, and finally P(t+R-1) is input to the Rth node. Is entered.
そして、入力ベクトルは、学習によってマップ層上のノードに写像される。ここで、学習とは、入力ベクトルと一番近い参照ベクトルを持つマップ層のノードを勝利ノードとして選択し、選択された勝利ノードの参照ベクトルを当該入力ベクトルに更に近づけ、同時に勝利ノードの近傍にあるノードの参照ベクトルも当該入力ベクトルに近づける一連の手続きのことである。この参照ベクトルの更新を次々に繰り返すことで、最終的には時系列の気象データをマップ層上のどこかのノードの一つと対応付けることができ、学習が終了する。そして、時系列の気象データをマップ層上のノードと対応付けた結果として、時系列の気象データを二次元平面上に写像することができる。 Then, the input vector is mapped to a node on the map layer by learning. Here, learning means selecting a node in the map layer having the reference vector closest to the input vector as the winning node, and bringing the reference vector of the selected winning node closer to the input vector, and at the same time, in the vicinity of the winning node. A reference vector of a certain node is a series of procedures to bring it closer to the input vector. By repeating this update of the reference vector one after another, the time series meteorological data can be finally associated with one of the nodes on the map layer, and the learning ends. Then, as a result of associating the time series meteorological data with the nodes on the map layer, the time series meteorological data can be mapped on the two-dimensional plane.
［ＳＯＭにおける学習の計算フロー］
図２は、ＳＯＭにおける学習の計算フローを示すフロー図である。図２に示すように、実施例に係る分類装置は、参照ベクトルの初期値を乱数を使って設定する（ステップＳ１）。そして、実施例に係る分類装置は、入力ベクトルを順々に入力し（ステップＳ２）、同時に入力ベクトルの勝利ノードを決定する（ステップＳ３）。そして、実施例に係る分類装置は、全ての入力ベクトルに対して勝利ノードが決まると、全ての参照ベクトルを一括に更新する（ステップＳ４）。そして、実施例に係る分類装置は、規定回数を繰り返したか否かを判定し（ステップＳ５）、規定回数を繰り返していない場合には、ステップＳ２に戻り、規定回数を繰り返した場合には、計算を終了する。
[Calculation flow of learning in SOM]
FIG. 2 is a flowchart showing a learning calculation flow in SOM. As shown in FIG. 2, the classification device according to the embodiment sets an initial value of a reference vector using a random number (step S1). Then, the classification device according to the embodiment sequentially inputs the input vectors (step S2) and simultaneously determines the winning node of the input vector (step S3). Then, when the winning node is determined for all the input vectors, the classification device according to the embodiment collectively updates all the reference vectors (step S4). Then, the classification device according to the embodiment determines whether or not the specified number of times has been repeated (step S5). If the specified number of times has not been repeated, the process returns to step S2, and if the specified number of times has been repeated, the calculation is performed. To finish.
以下に、多数地点で観測した日射強度の時系列データを入力ベクトルとして、図２の各ステップの具体的な方法を示す。 Below, a concrete method of each step of FIG. 2 will be shown using the time series data of the solar radiation intensity observed at many points as an input vector.
観測地点がＫ箇所あり、観測地点ｊで時刻ｔから時刻ｔ＋Ｒ−１までの１秒毎に観測した日射強度の時系列データをｘj＝｛ｘｊ(ｔ)，ｘｊ(ｔ＋１)，ｘｊ(ｔ＋２)，・・・，ｘｊ(ｔ＋Ｒ−１)｝とする。ここで、ｊ＝１，２，・・・Ｋである。この場合の入力ベクトルは、次元がＲでベクトルの数がＫ個の集合となる。ＳＯＭのマップ層のノード数はＮＤ＝Ｍ×Ｎと設定したとする。また、マップ層のノードｉと入力層の各ノードを結ぶ参照ベクトルをｗi＝(ｗｉ１，ｗｉ２，・・・，ｗｉＲ)(ｉ＝１，２，・・・ＮＤ)とする。 There are K observation points, and time-series data of insolation intensity observed every one second from time t to time t+R-1 at observation point j is x j ={xj(t), xj(t+1), xj(t+2). ,..., xj(t+R-1)}. Here, j=1, 2,... K. In this case, the input vector is a set of which the dimension is R and the number of vectors is K. It is assumed that the number of nodes in the SOM map layer is set to ND=M×N. Further, the reference vector connecting the node i in the map layer and each node in the input layer is represented by w i =(wi1, wi2,..., WiR) (i=1, 2,... ND).
（ステップＳ１）参照ベクトルの初期値の設定
実施例に係る分類装置は、参照ベクトルｗi＝(ｗｉ１，ｗｉ２，・・・，ｗｉＲ)(ｉ＝１，２，・・・ＮＤ)に対し、乱数を使って初期値を与える。
(Step S1) Setting of Initial Value of Reference Vector The classification device according to the embodiment, for reference vector w i =(wi1, wi2,..., WiR) (i=1, 2,... ND), Give an initial value using a random number.
（ステップＳ２）データ入力
実施例に係る分類装置は、日射強度の時系列データｘjを入力層のノードに入力し、日射強度の時系列データｘjと参照ベクトルｗiとのユークリッド距離
（ステップＳ３）勝利ノードの決定
ａｒｇ ｍｉｎi｛Ｚi｝はＺiが最小の場合のｉを表すとすると、日射強度の時系列データｘjと参照ベクトルｗiとの距離を最小にするｉは以下の（２）式で記述できる。
（ステップＳ４）参照ベクトルの更新
各参照ベクトルｗiを（３）式のｗi newに更新する。
（ステップＳ５）学習の終了
ステップＳ２からステップＳ４をｔmax回繰り返したならば、実施例に係る分類装置は、学習を終了する。
(Step S5) End of Learning When steps S2 to S4 are repeated t max times, the classification device according to the embodiment ends learning.
［学習方法のイメージ］
（ステップＳ２とステップＳ３）
図３は、日射強度の時系列データに対する勝利ノードを示す図である。入力層に入力した日射強度の時系列データＸ１に最も距離の近い参照ベクトルを持つマップ層上のノードを「データＸ１に対する勝利ノード」と呼ぶ。実施例に係る分類装置は、時系列データと参照ベクトルの距離は（１）式で計算し、（２）式によって勝利ノードを求める。実施例に係る分類装置は、Ｘ２のような他の日射強度の時系列データに対しても同様にして勝利ノードを求める。
[Image of learning method]
(Steps S2 and S3)
FIG. 3 is a diagram showing a winning node for time series data of solar radiation intensity. A node on the map layer having a reference vector closest to the time series data X1 of the solar radiation intensity input to the input layer is called a "winning node for the data X1". The classifying device according to the embodiment calculates the distance between the time series data and the reference vector by the expression (1) and obtains the winning node by the expression (2). The classification device according to the embodiment similarly obtains a winning node for time-series data of another solar radiation intensity such as X2.
（ステップＳ４）
図４は、参照ベクトルの更新を示す図である。実施例に係る分類装置は、勝利ノードだけではなく、その近傍にあるノードも参照ベクトルを当該勝利ノードに対応する日射強度の時系列データに近づける。近傍ノードは（４）式によって定義され、計算ステップが進むにつれてその範囲が狭まる。参照ベクトルを日射強度の時系列データに近づける方法は、（３）式によって各ノードの参照ベクトルを更新することで実施される。（３）式と（４）式によって、勝利ノードに近いノードほど当該勝利ノードに対応する日射強度の時系列データに参照ベクトルが近づく。
(Step S4)
FIG. 4 is a diagram showing updating of the reference vector. The classifying device according to the embodiment causes the reference vector not only in the winning node but also in the nodes in the vicinity thereof to be close to the time series data of the solar radiation intensity corresponding to the winning node. The neighborhood node is defined by the equation (4), and its range narrows as the calculation step progresses. The method of bringing the reference vector close to the time series data of the solar radiation intensity is implemented by updating the reference vector of each node by the expression (3). According to the equations (3) and (4), the closer the node is to the winning node, the closer the reference vector is to the time series data of the solar radiation intensity corresponding to the winning node.
（ステップＳ５）
図５は、学習による日射強度の時系列データの写像の結果を示す図である。学習の結果、日射強度の時系列データＸ１に対応する勝利ノードの近傍では、当該勝利ノードの参照ベクトルと当該近傍ノードの参照ベクトルが似たものとなる。これによって、似たような日射強度の時系列データの勝利ノードは、マップ層の特定の場所に集まる。
(Step S5)
FIG. 5: is a figure which shows the result of the mapping of the time series data of the solar radiation intensity by learning. As a result of learning, the reference vector of the winning node and the reference vector of the neighboring node become similar in the vicinity of the winning node corresponding to the time series data X1 of the solar radiation intensity. As a result, the winning nodes of the time series data having similar insolation intensity gather at a specific place in the map layer.
［類似度］
ＳＯＭのマップ層上での勝利ノードの位置が近い、出力データまたは気象データの変化パターンが複数ある場合、それらは同じグループに含まれると判断できる。マップ層上での位置が近いかどうかを定量的に評価するため、実施例に係る分類装置は、類似度を算出する。類似度は、出力データまたは気象データの変化パターンが類似する程度の尺度である。類似度は、マップ層上の勝利ノードの位置関係より、次のようにして求められる。
[Degree of similarity]
When there are a plurality of change patterns of output data or meteorological data in which the position of the winning node is close on the map layer of the SOM, it can be determined that they are included in the same group. In order to quantitatively evaluate whether or not the positions on the map layer are close to each other, the classification device according to the embodiment calculates the degree of similarity. The degree of similarity is a measure of how similar the change patterns of output data or meteorological data are. The similarity is calculated as follows from the positional relationship of the winning nodes on the map layer.
出力データまたは気象データの変化パターンｉを基準とし、変化パターンｊを評価の対象にした場合の類似度ｒｅｓｍ(ｉ,ｊ)を（６）式に定義する。ここに類似度は、評価の対象の変化パターンｊの全てに対して、基準の変化パターンｉとの波形距離（（７）〜（９）式）を算出し、その中の最大値を０、最小値（自身との距離＝０のこと）を１として規格化したものである。 The similarity resm(i,j) when the change pattern j of the output data or the meteorological data is used as a reference and the change pattern j is the object of evaluation is defined in Expression (6). Here, the degree of similarity is calculated by calculating the waveform distance (expressions (7) to (9)) from the reference change pattern i for all the change patterns j to be evaluated, and setting the maximum value to 0, The minimum value (distance from itself=0) is standardized as 1.
実施例に係る分類装置は、出力データまたは気象データのペアを作り、全てのペアに対して類似度を求める。そして、実施例に係る分類装置は、類似度が大きいペアは同じグループにすることでクラスタリングを実施する。 The classification device according to the embodiment creates pairs of output data or meteorological data, and obtains the degree of similarity for all pairs. Then, the classification device according to the embodiment implements clustering by making pairs having a high degree of similarity into the same group.
［相関係数］
二つの時系列データの間の関連性の程度を表す指標として、一般的には相関係数が使われる。そこで、類似度の代わりに相関係数を用いることも可能である。出力データまたは気象データの変化パターンＡ（時刻ｔから時刻ｔ＋Ｒ−１の時系列データ）と、それの対となる変化パターンＢ（時刻ｔから時刻ｔ＋Ｒ−１の時系列データ）との相関係数ＲA,B(τ)を（１０）式に示す。
[Correlation coefficient]
A correlation coefficient is generally used as an index showing the degree of association between two time series data. Therefore, it is possible to use a correlation coefficient instead of the similarity. Correlation coefficient between change pattern A (time series data from time t to time t+R-1) of output data or meteorological data and change pattern B (time series data from time t to time t+R-1) as a pair R A,B (τ) is shown in equation (10).
実施例に係る分類装置は、出力データまたは気象データのペアを作り、全てのペアに対して相関係数を求める。そして、実施例に係る分類装置は、相関係数が大きいペアは同じグループにすることでクラスタリングを実施する。 The classification device according to the embodiment creates pairs of output data or meteorological data, and obtains correlation coefficients for all pairs. Then, the classification device according to the embodiment implements clustering by making pairs having a large correlation coefficient into the same group.
［シミュレーション手順］
電気を安定して送れるかどうかをチェックするための計算時間を削減する手順は以下の４ステップで実施される。
[Simulation procedure]
The procedure for reducing the calculation time for checking whether electricity can be sent stably is performed in the following four steps.
（ステップｔ１：自己組織化マップによる写像、相関係数の算出）
実施例に係る分類装置は、出力データまたは気象データの変化パターンをＳＯＭによってマップ層に写像する。もしくは、実施例に係る分類装置は、二つの変化パターンをペアにして、全てのペアの相関係数を求める。
(Step t1: Mapping by self-organizing map, calculation of correlation coefficient)
The classification device according to the embodiment maps the change pattern of the output data or the weather data on the map layer by the SOM. Alternatively, the classification device according to the embodiment pairs two change patterns to obtain the correlation coefficient of all the pairs.
（ステップｔ２：クラスタリング）
実施例に係る分類装置は、ＳＯＭのマップ層上での勝利ノードの位置の近さ、または相関係数の大きさで、出力データまたは気象データの変化パターンをいくつかのグループに分類する。分類の方法は、例えば、変化パターンをいくつかランダムに選び、選択された変化パターンに対してＳＯＭのマップ層上での勝利ノードの位置が近い変化パターンを選択された変化パターンと同じグループにする。もしくは、変化パターンをいくつかランダムに選び、選択された変化パターンに対して相関係数が大きい変化パターンを選択された変化パターンと同じグループにする。
(Step t2: Clustering)
The classifying device according to the embodiment classifies the change pattern of the output data or the meteorological data into some groups based on the proximity of the position of the winning node on the map layer of the SOM or the magnitude of the correlation coefficient. The method of classification is, for example, to randomly select some change patterns and to group the change patterns in which the winning node position is close to the selected change pattern on the SOM map layer into the same group as the selected change pattern. .. Alternatively, some change patterns are randomly selected, and the change patterns having a large correlation coefficient with respect to the selected change pattern are set in the same group as the selected change pattern.
なお、ＳＯＭのマップ層上での勝利ノードの位置が近い他の変化パターンが見当たらない変化パターン、もしくはどの変化パターンとペアを作っても相関係数が大きくならない変化パターンが存在する。その場合には、当該変化パターンが属するグループに含まれる変化パターンは、当該変化パターンの一つだけとなる。 It should be noted that there are change patterns in which other change patterns in which the position of the winning node is close on the SOM map layer cannot be found, or there are change patterns in which the correlation coefficient does not increase even if any change pattern is paired. In that case, the change pattern included in the group to which the change pattern belongs is only one of the change patterns.
（ステップｔ３：代表的な変化パターンの抽出）
実施例に係る分類装置は、各グループから、出力データまたは気象データの代表的な変化パターンを一つ抽出する。抽出方法は、例えばステップｔ２でランダムに選んだ変化パターンをそのまま用いてもよい。もしくは、それぞれのグループで各変化パターンに番号を付け、その中から乱数でランダムに選んでも良い。同じグループに属する変化パターンは類似しているので、どれを代表的な変化パターンとして選択しても良い。
(Step t3: Extraction of typical change pattern)
The classification device according to the embodiment extracts one representative change pattern of output data or meteorological data from each group. As the extraction method, for example, the change pattern randomly selected in step t2 may be used as it is. Alternatively, a number may be assigned to each change pattern in each group and a random number may be randomly selected from the numbers. Since the change patterns belonging to the same group are similar, any of them may be selected as a representative change pattern.
（ステップｔ４：シミュレーション）
シミュレーションの担当者は、シミュレーションモデルに抽出された変化パターンを入力してシミュレーションを実施し、電気を安定して送ることができるかどうかをチェックする。
(Step t4: Simulation)
The person in charge of the simulation inputs the extracted change pattern into the simulation model, executes the simulation, and checks whether or not electricity can be stably sent.
［分類装置の構成］
次に、上述の分類手法を適用した分類装置１０の構成について説明する。分類装置１０は、上述の分類手法を用いて分類を行う装置である。分類装置１０は、例えば、サーバコンピュータ、デスクトップ型ＰＣ（パーソナル・コンピュータ）、タブレット型ＰＣ、ノート型ＰＣなどの情報処理装置である。分類装置１０は、１台のコンピュータとして実装してもよく、また、複数台のコンピュータによるクラウドとして実装することもできる。なお、本実施例では、分類装置１０を１台のコンピュータとした場合を例として説明する。
[Classification device configuration]
Next, the configuration of the classification device 10 to which the above classification method is applied will be described. The classification device 10 is a device that performs classification using the above-described classification method. The classification device 10 is, for example, an information processing device such as a server computer, a desktop PC (personal computer), a tablet PC, or a notebook PC. The classification device 10 may be implemented as a single computer, or may be implemented as a cloud of a plurality of computers. In the present embodiment, the case where the classification device 10 is one computer will be described as an example.
図６は、分類装置の機能的な構成の一例を示す図である。図６に示すように、分類装置１０は、表示部２０と、入力部２１と、記憶部２２と、制御部２３とを有する。分類装置１０は、図６に示した機能部以外にも既知の各種の機能部を有してもよい。例えば、分類装置１０は、他の端末と通信を行う通信インタフェース部などを有してもよい。 FIG. 6 is a diagram illustrating an example of a functional configuration of the classification device. As shown in FIG. 6, the classification device 10 includes a display unit 20, an input unit 21, a storage unit 22, and a control unit 23. The classification device 10 may have various known functional units in addition to the functional units illustrated in FIG. For example, the classification device 10 may include a communication interface unit that communicates with other terminals.
表示部２０は、各種情報を表示する表示デバイスである。表示部２０としては、ＬＣＤ（Liquid Crystal Display）などの表示デバイスが挙げられる。表示部２０は、各種情報を表示する。例えば、表示部２０は、各種の操作画面、特定の地点を基準とした場合の他地点との類似度、クラスタリング結果、代表的なパターンの抽出結果などを表示する。 The display unit 20 is a display device that displays various types of information. The display unit 20 may be a display device such as an LCD (Liquid Crystal Display). The display unit 20 displays various information. For example, the display unit 20 displays various operation screens, the degree of similarity with other points based on a specific point, a clustering result, a typical pattern extraction result, and the like.
入力部２１は、各種の情報を入力する入力デバイスである。例えば、入力部２１としては、分類装置１０に接続されたキーボードやマウス、分類装置１０に設けられた各種のボタン、表示部２０上に設けられた透過型のタッチセンサなどの入力デバイスが挙げられる。なお、図６の例では、機能的な構成を示したため、表示部２０と入力部２１を別に分けているが、例えば、タッチパネルなど表示部２０と入力部２１を一体的に設けたデバイスで構成してもよい。 The input unit 21 is an input device that inputs various kinds of information. For example, as the input unit 21, an input device such as a keyboard or a mouse connected to the classification device 10, various buttons provided on the classification device 10, and a transmissive touch sensor provided on the display unit 20 can be cited. .. In addition, in the example of FIG. 6, since the functional configuration is shown, the display unit 20 and the input unit 21 are separately provided. However, for example, the display unit 20 and the input unit 21 are configured by a device integrally provided with the display unit 20 and the input unit 21. You may.
記憶部２２は、各種のデータを記憶する記憶デバイスである。例えば、記憶部２２は、ハードディスク、ＳＳＤ（Solid State Drive）、光ディスクなどの記憶装置である。なお、記憶部２２は、ＲＡＭ（Random Access Memory）、フラッシュメモリ、ＮＶＳＲＡＭ（Non Volatile Static Random Access Memory）などのデータを書き換え可能な半導体メモリであってもよい。 The storage unit 22 is a storage device that stores various data. For example, the storage unit 22 is a storage device such as a hard disk, SSD (Solid State Drive), or optical disk. The storage unit 22 may be a rewritable semiconductor memory such as a RAM (Random Access Memory), a flash memory, or an NVSRAM (Non Volatile Static Random Access Memory).
記憶部２２は、制御部２３で実行されるＯＳ（Operating System）や各種プログラムを記憶する。例えば、記憶部２２は、後述する分類処理を実行する分類プログラムを含む各種のプログラムを記憶する。さらに、記憶部２２は、制御部２３で実行されるプログラムで用いられる各種データを記憶する。例えば、記憶部２２は、時系列データ３０を記憶する。時系列データ３０は、複数の地点の日射強度の時系列データである。 The storage unit 22 stores an OS (Operating System) and various programs executed by the control unit 23. For example, the storage unit 22 stores various programs including a classification program that executes a classification process described below. Further, the storage unit 22 stores various data used in the program executed by the control unit 23. For example, the storage unit 22 stores the time series data 30. The time-series data 30 is time-series data of solar radiation intensity at a plurality of points.
制御部２３は、分類装置１０を制御するデバイスである。制御部２３としては、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）等の電子回路や、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）等の集積回路を採用できる。制御部２３は、各種の処理手順を規定したプログラムや制御データを格納するための内部メモリを有し、これらによって種々の処理を実行する。制御部２３は、各種のプログラムが動作することにより各種の処理部として機能する。例えば、制御部２３は、受付部４０と、ＳＯＭ部４１と、類似度算出部４２と、相関係数算出部４３と、分類部４４と、抽出部４５と、出力制御部４６とを有する。 The control unit 23 is a device that controls the classification device 10. As the control unit 23, an electronic circuit such as a CPU (Central Processing Unit) or MPU (Micro Processing Unit), or an integrated circuit such as an ASIC (Application Specific Integrated Circuit) or an FPGA (Field Programmable Gate Array) can be adopted. The control unit 23 has an internal memory for storing programs and control data that define various processing procedures, and executes various processes by these. The control unit 23 functions as various processing units by operating various programs. For example, the control unit 23 includes a reception unit 40, an SOM unit 41, a similarity calculation unit 42, a correlation coefficient calculation unit 43, a classification unit 44, an extraction unit 45, and an output control unit 46.
受付部４０は、各種の受け付けを行う。例えば、受付部４０は、日射強度の変化パターンの分類に関する各種の操作指示などを受け付ける。例えば、受付部４０は、不図示の操作画面を表示部２０に表示させ、入力部２１からの入力操作により各種の操作指示を受け付ける。また、受付部４０は、類似度によるクラスタリングか相関係数によるクラスタリングかの指定を受け付け、分類開始の指示を受け付ける。なお、受付部４０は、不図示のネットワークを介して外部の端末装置から各種の操作指示を受け付けてもよい。 The reception unit 40 performs various receptions. For example, the reception unit 40 receives various operation instructions regarding the classification of the variation pattern of the solar radiation intensity. For example, the reception unit 40 displays an operation screen (not shown) on the display unit 20, and receives various operation instructions by an input operation from the input unit 21. Further, the reception unit 40 receives designation of clustering based on similarity or clustering based on correlation coefficient, and receives an instruction to start classification. The receiving unit 40 may receive various operation instructions from an external terminal device via a network (not shown).
ＳＯＭ部４１は、ＳＯＭを用いて複数の地点の日射強度の変化パターンをマップ層に写像し、各変化パターンに対応する勝利ノードを特定する。ＳＯＭ部４１は、図２に示した計算フローにより、参照ベクトルの更新を行いながら勝利ノードを特定する。 The SOM unit 41 maps the variation patterns of the solar radiation intensity at a plurality of points on the map layer by using the SOM, and identifies the winning node corresponding to each variation pattern. The SOM unit 41 identifies the winning node while updating the reference vector according to the calculation flow shown in FIG.
類似度算出部４２は、ＳＯＭ部４１により特定された勝利ノードに基づいて、複数の地点の日射強度の変化パターンの類似度を算出する。類似度算出部４２は、（６）式を用いて日射強度の変化パターンの類似度を算出する。 The similarity calculation unit 42 calculates the similarity of the solar radiation intensity change patterns at the plurality of points based on the winning node identified by the SOM unit 41. The similarity calculation unit 42 calculates the similarity of the variation pattern of the solar radiation intensity using the equation (6).
相関係数算出部４３は、複数の地点の日射強度の変化パターンをペアにして、全てのペアについて相関係数を算出する。相関係数算出部４３は、（１０）式を用いて日射強度の変化パターンのペアの相関係数を算出する。 The correlation coefficient calculation unit 43 pairs the change patterns of the solar radiation intensity at a plurality of points, and calculates the correlation coefficient for all the pairs. The correlation coefficient calculation unit 43 calculates the correlation coefficient of the pair of solar radiation intensity change patterns using the equation (10).
分類部４４は、類似度算出部４２により算出された類似度または相関係数算出部４３により算出された相関係数に基づいて複数の地点の日射強度の変化パターンをクラスタリングし、似通った変化パターンは同じグループになるように分類する。 The classification unit 44 clusters the variation patterns of the solar radiation intensity at a plurality of points based on the similarity calculated by the similarity calculation unit 42 or the correlation coefficient calculated by the correlation coefficient calculation unit 43, and similar change patterns. Are classified into the same group.
抽出部４５は、分類部４４により複数のグループに分類された変化パターンの中からグループを代表する代表変化パターンを抽出する。抽出部４５は、各グループからランダムに代表変化パターンを抽出する。抽出部４５は、各グループから他の方法で代表変化パターンを抽出してもよい。 The extraction unit 45 extracts a representative change pattern representing a group from the change patterns classified by the classification unit 44 into a plurality of groups. The extraction unit 45 randomly extracts a representative change pattern from each group. The extraction unit 45 may extract the representative change pattern from each group by another method.
出力制御部４６は、各種の出力の制御を行う。例えば、出力制御部４６は、類似度算出部４２により算出された類似度の情報または相関係数算出部４３により算出された相関係数の情報を表示部２０に表示させる。また、例えば、出力制御部４６は、分類部４４による分類結果を表示部２０に表示させる。また、例えば、出力制御部４６は、抽出部４５により抽出された代表変化パターンの情報を表示部２０に表示させる。また、例えば、出力制御部４６は、分類部４４による分類結果を外部の端末装置へ出力する。ユーザーは、出力制御部４６により出力された情報から日射強度の変化パターンの分類結果、各グループの代表変化パターンなどを把握できる。 The output control unit 46 controls various outputs. For example, the output control unit 46 causes the display unit 20 to display the similarity information calculated by the similarity calculation unit 42 or the correlation coefficient information calculated by the correlation coefficient calculation unit 43. Further, for example, the output control unit 46 causes the display unit 20 to display the classification result by the classification unit 44. Further, for example, the output control unit 46 causes the display unit 20 to display the information of the representative change pattern extracted by the extraction unit 45. Further, for example, the output control unit 46 outputs the classification result by the classification unit 44 to an external terminal device. From the information output by the output control unit 46, the user can grasp the classification result of the variation pattern of the solar radiation intensity, the representative variation pattern of each group, and the like.
［分類例］
次に、同時間帯（２０１１年４月１９日 １０：００〜１１：５０）の３０地点で観測した日射強度の変化パターンを用いた分類例について説明する。分類装置１０は、３０地点で観測した日射強度の変化パターンをＳＯＭのマップ層へ写像し、マップ層上での各地点の位置関係から類似度を算出する。そして、分類装置１０は、類似度の値を使ってクラスタリングを行い、似通った気象データの変化パターンは同じグループになるように分類する。
[Example of classification]
Next, a classification example using the change pattern of the solar radiation intensity observed at 30 points in the same time zone (April 19, 2011, 10:00 to 11:50) will be described. The classification device 10 maps the variation pattern of the solar radiation intensity observed at 30 points onto the map layer of the SOM, and calculates the degree of similarity from the positional relationship of each point on the map layer. Then, the classification device 10 performs clustering using the value of the degree of similarity, and classifies the similar change patterns of meteorological data into the same group.
ＳＯＭのマップ層に日射強度の変化パターンを写像した結果を図７に示す。図７では、各地点の日射強度の変化パターンと対応する勝利ノードの場所に○が付けられ、各地点の番号が（）内に記載されている。 FIG. 7 shows the result of mapping the variation pattern of the solar radiation intensity on the map layer of the SOM. In FIG. 7, the place of the winning node corresponding to the variation pattern of the solar radiation intensity at each point is marked with a circle, and the number of each point is described in ().
分類装置１０は、クラスタリングするグループを作るため、３０地点の中から４地点をランダムに選択する。分類装置１０により選択された地点は、図７中で地点番号のフォントサイズが大きく示されている。分類装置１０は、選択した地点と他の地点との間の類似度を算出する。地点2と他の地点との間の類似度を図８に示し、地点9と他の地点との間の類似度を図９に示し、地点14と他の地点との間の類似度を図１０に示し、地点25と他の地点との間の類似度を図１１に示す。 The classifying device 10 randomly selects 4 points from 30 points in order to create a group for clustering. The font size of the point number of the point selected by the classifying device 10 is shown large in FIG. 7. The classification device 10 calculates the degree of similarity between the selected point and other points. The similarity between point 2 and other points is shown in FIG. 8, the similarity between point 9 and other points is shown in FIG. 9, and the similarity between point 14 and other points is shown. 10, and the similarity between the point 25 and other points is shown in FIG.
上記ランダムに選択した地点2、地点9、地点14、地点25のそれぞれと類似度が大きい地点を集めて分類装置１０がクラスタリングした結果を図１２に示す。図１２では、ＳＯＭのマップ層上で同じグループの地点が点線で囲われている。ここでは、分類装置１０は、ランダムに選択した地点と同じグループに属するか否かを判断する類似度の閾値として０．９程度（小数点第二位を四捨五入して０．９）を選択し、０．９程度以上の類似度を持つ地点は同じグループに分類し、０．９程度よりも小さい場合には同じグループとしない。なお、ランダムに選択された地点のうちの複数と類似度が０．９以上となった地点は、類似度が大きい方のランダムに選択された地点と同じグループに分類される。 FIG. 12 shows the result of clustering performed by the classification device 10 by collecting points having a high degree of similarity with the randomly selected points 2 , 9 , 14 , and 25 . In FIG. 12, points of the same group are surrounded by dotted lines on the map layer of the SOM. Here, the classification device 10 selects about 0.9 (rounding the second decimal place to 0.9) as a similarity threshold value for determining whether or not a randomly selected point belongs to the same group, Points having a similarity of about 0.9 or higher are classified into the same group, and if smaller than about 0.9, they are not classified into the same group. It should be noted that points having a similarity of 0.9 or more to a plurality of randomly selected points are classified into the same group as the randomly selected point having a higher degree of similarity.
閾値については、０．９よりも大きくすると、波形が非常によく似ている地点だけを同じグループに分類するが、グループ内の地点数が少なくなり、選択されたどの地点とも同じグループにならなかった地点は単独のグループを作ることとなる。それによってグループ数が増えることになるので、電気を安定して送れるかどうかをチェックするためのシミュレーションの回数が増える。０．９よりもだいぶ小さくすると、選択された地点と同じグループの地点の数が増えるので、選択されたどの地点とも同じグループにならない地点が減ることになる。それによってグループ数があまり増えないので、電気を安定して送れるかどうかをチェックするシミュレーションの回数が減るが、あまり関連性のない地点も同じグループに含めてしまい、電気を安定して送れるかどうかのチェックに漏れが出る可能性が高まる。閾値はこの傾向を参考にして、分類装置１０のユーザーが選択する。 As for the threshold value, if it is set higher than 0.9, only the points with very similar waveforms are classified into the same group, but the number of points in the group is small, and none of the selected points are in the same group. The spots will form a single group. As a result, the number of groups increases, so the number of simulations for checking whether or not electricity can be sent stably increases. If it is made smaller than 0.9, the number of points in the same group as the selected point increases, and the number of points that are not in the same group as any of the selected points decreases. As a result, the number of groups does not increase so much, so the number of simulations to check whether electricity can be sent stably is reduced, but whether or not points that are not very related are included in the same group and whether electricity can be sent stably There is a high possibility that the check will be leaked. The threshold is selected by the user of the classification device 10 with reference to this tendency.
類似度により複数地点間の日射強度の変化パターンの関連性を適切に評価できているかを確認するために、地点9を例にして同じグループの地点との類似度と波形を図１３および図１４に示し、他のグループの地点との類似度と波形を図１５および図１６に示す。地点9と同じグループの代表としては地点12および地点13が選ばれ、地点9と別のグループの代表として地点1および地点2が選ばれている。 In order to confirm whether the relationship of the variation pattern of the solar radiation intensity between a plurality of points can be appropriately evaluated by the degree of similarity, the point 9 is taken as an example and the similarity and the waveform with the same group of points are shown in FIGS. 13 and 14. 15 and FIG. 16 show the similarity and waveforms with points of other groups. Point 12 and point 13 is chosen as a representative of the same group as the point 9, point 1 and point 2 is selected as the representative point 9 and another group.
図１３に地点9と同じグループの地点12および地点13との間の類似度を示す。図１３は比較として相関係数も示す。また、図１４に地点9と同じグループの地点12および地点13と地点9の日射強度の変化パターンを比較する図を示す。図１３と図１４から次のことが分かる。 FIG. 13 shows the similarity between point 9 and points 12 and 13 in the same group. FIG. 13 also shows the correlation coefficient for comparison. Further, it shows a diagram comparing the change pattern of the solar irradiance at the point 12 and point 13 and the point 9 of the same group as the point 9 in Figure 14. The following can be seen from FIGS. 13 and 14.
地点12については、地点9との間の類似度および相関係数が大きく、図１４で波形を目視で比較しても波形が良く似通っているので、類似度および相関係数によるクラスタリング結果はどちらも適切であることが分かる。 At the point 12 , the similarity and the correlation coefficient with the point 9 are large, and the waveforms are similar even if the waveforms are visually compared in FIG. 14, so the clustering result by the similarity and the correlation coefficient is Also turns out to be appropriate.
一方、地点13については、地点9との間の類似度は大きいが相関係数はそれほど大きくはないといった違いがある。図１４で地点9の変化パターンと地点13の変化パターンを比較すると、おおよその形状では両パターンは似通っているがピークの高さといった詳細な部分での違いが見られる。これより、変化パターンの詳細な部分まで一致しているかどうかのチェックは相関係数が得意であり、概略の傾向が一致しているかどうかのチェックは類似度が得意であることが分かる。 On the other hand, at the point 13, there is a difference that the similarity with the point 9 is large, but the correlation coefficient is not so large. When the change pattern at the point 9 and the change pattern at the point 13 are compared in FIG. 14, the two patterns are similar to each other in their approximate shapes, but a difference in a detailed portion such as a peak height is seen. From this, it can be seen that the correlation coefficient is good at checking whether the detailed parts of the change pattern match, and the similarity is good at checking whether the general tendencies match.
図１５に類似度で地点9と異なるグループとなった地点1および地点2との間の類似度を示す。図１５は比較として相関係数も示す。また、図１６に地点9と異なるグループの地点1および地点2と地点9の日射強度の変化パターンを比較する図を示す。図１５と図１６から次のことが分かる。 FIG. 15 shows the similarity between the point 1 and the point 2 which are in a group different from the point 9 in the similarity. FIG. 15 also shows the correlation coefficient for comparison. Further, shows a diagram comparing the change pattern of the solar irradiance at the point 9 different groups point 1 and point 2 and point 9 in Figure 16. The following can be seen from FIGS. 15 and 16.
地点1および地点2とも地点9との間の類似度および相関係数はあまり大きくない。図１６からもパターンが上下する傾向が同じなので一見すると変化パターンが似ているように見えるが、変動周期が異なる（地点9の変化パターンは比較的ゆっくりと変化し、地点1および地点2の変化パターンは比較的早く変化している）ので、それぞれ別の変化パターンである。したがって、類似度と相関係数から地点1および地点2は地点9とは異なるグループと判断したクラスタリング結果は適切であることが分かる。 The similarity and correlation coefficient between point 1 and point 2 and point 9 are not so large. From FIG. 16 as well, the patterns tend to move up and down, so the change patterns seem to be similar at first glance, but the fluctuation cycle is different (the change pattern at point 9 changes relatively slowly, and changes at points 1 and 2 ). The patterns are changing relatively quickly), so they are different patterns. Therefore, from the similarity and the correlation coefficient, it can be seen that the clustering result of judging that the point 1 and the point 2 are different groups from the point 9 is appropriate.
地点1および地点2との間の類似度と相関係数を求めたところ、類似度は０．９２、相関係数は０．８９であったので、地点1および地点2はクラスタリングすれば同じグループとなる。図１６から地点1および地点2の変化パターンはよく似ているので、このクラスタリングは適切であることが分かる。 When the similarity and correlation coefficient between point 1 and point 2 were calculated, the similarity was 0.92 and the correlation coefficient was 0.89. Therefore, if point 1 and point 2 are clustered, they are in the same group. Becomes It can be seen from FIG. 16 that this clustering is appropriate because the change patterns at point 1 and point 2 are very similar.
［処理の流れ］
本実施例に係る分類装置１０による分類処理の流れについて説明する。図１７は、分類処理の手順の一例を示すフローチャートである。この分類処理は、所定のタイミング、例えば、受付部４０により分類開始の指示を受け付けたタイミングで実行される。
[Process flow]
A flow of classification processing by the classification device 10 according to the present embodiment will be described. FIG. 17 is a flowchart showing an example of the procedure of the classification process. This classification processing is executed at a predetermined timing, for example, at the timing when the receiving unit 40 receives a classification start instruction.
図１７に示すように、ＳＯＭ部４１は、自己組織化写像を行い（ステップＳ１１）、日射強度の各変化パターンに対応する勝利ノードを特定する。類似度算出部４２は、ＳＯＭ部４１により特定された勝利ノードに基づいて、勝利ノード間の類似度を算出する（ステップＳ１２）。 As illustrated in FIG. 17, the SOM unit 41 performs a self-organizing map (step S11) and identifies a winning node corresponding to each variation pattern of the solar radiation intensity. The similarity calculation unit 42 calculates the similarity between the winning nodes based on the winning nodes identified by the SOM unit 41 (step S12).
相関係数算出部４３は、複数の地点の日射強度の変化パターンをペアにして、全てのペアについて相関係数を算出する（ステップＳ１３）。なお、類似度に基づいて変化パターンを分類する場合には、ステップＳ１３の処理はスキップされ、相関係数に基づいて変化パターンを分類する場合には、ステップＳ１１およびステップＳ１２の処理はスキップされる。類似度に基づく分類結果と相関係数に基づく分類結果を比較する場合には、ステップＳ１１〜ステップＳ１３の処理が実行される。 The correlation coefficient calculation unit 43 pairs the change patterns of the solar radiation intensity at a plurality of points, and calculates the correlation coefficient for all pairs (step S13). Note that when classifying the change pattern based on the similarity, the process of step S13 is skipped, and when classifying the change pattern based on the correlation coefficient, the processes of step S11 and step S12 are skipped. .. When comparing the classification result based on the similarity and the classification result based on the correlation coefficient, the processes of steps S11 to S13 are executed.
分類部４４は、類似度算出部４２により算出された類似度と相関係数算出部４３により算出された相関係数のいずれか一方またはそれぞれを用いて複数の地点の日射強度の変化パターンを分類する（ステップＳ１４）。抽出部４５は、分類部４４により分類された各グループの中から代表的な変化パターンを抽出する（ステップＳ１５）。 The classifying unit 44 classifies the variation patterns of the solar radiation intensity at a plurality of points by using one or both of the similarity calculated by the similarity calculating unit 42 and the correlation coefficient calculated by the correlation coefficient calculating unit 43. Yes (step S14). The extraction unit 45 extracts a typical change pattern from each group classified by the classification unit 44 (step S15).
出力制御部４６は、類似度算出部４２により算出された類似度と相関係数算出部４３により算出された相関係数の一方あるいは両方、変化パターンの分類結果、代表変化パターンなどを出力する（ステップＳ１６）。 The output control unit 46 outputs one or both of the similarity degree calculated by the similarity degree calculation unit 42 and the correlation coefficient calculated by the correlation coefficient calculation unit 43, a change pattern classification result, a representative change pattern, and the like ( Step S16).
［効果］
上述してきたように、本実施例に係る分類装置１０は、複数地点の日射強度の変化パターンをＳＯＭを用いて二次元平面に写像し、各変化パターンに対応する勝利ノードを特定する。そして、分類装置１０は、特定した勝利ノード間の類似度を算出し、算出した類似度に基づいて複数地点の日射強度の変化パターンを分類する。あるいは、分類装置１０は、複数地点の日射強度の変化パターンをペアにして、全てのペアについて相関係数を算出し、算出した相関係数に基づいて複数地点の日射強度の変化パターンを分類する。これにより、分類装置１０は、多数の地点の日射強度の変化パターンの中から代表的な変化パターンを自動的に抽出することができる。したがって、日射強度の変化が生じた場合に電気を安定して送れる設備が整っているかをシミュレーションする時間を短縮することができる。
[effect]
As described above, the classification device 10 according to the present embodiment maps the variation patterns of the solar radiation intensity at a plurality of points on the two-dimensional plane using SOM, and identifies the winning node corresponding to each variation pattern. Then, the classification device 10 calculates the degree of similarity between the identified winning nodes, and classifies the variation patterns of the solar radiation intensity at a plurality of points based on the calculated degree of similarity. Alternatively, the classification device 10 pairs the change patterns of the solar radiation intensity at a plurality of points, calculates the correlation coefficient for all pairs, and classifies the change patterns of the solar radiation intensity at the plurality of points based on the calculated correlation coefficient. .. Thereby, the classification device 10 can automatically extract a representative change pattern from the change patterns of the solar radiation intensity at many points. Therefore, it is possible to shorten the time for simulating whether or not the equipment for stably transmitting electricity is prepared when the intensity of solar radiation changes.
また、本実施例に係る分類装置１０は、マップ層の勝利ノード間の距離、および、変化パターンの差に基づいて類似度を算出する。これにより、分類装置１０は、複数の地点の日射強度の変化パターンを正確に分類することができる。 Further, the classification device 10 according to the present embodiment calculates the similarity based on the distance between the winning nodes in the map layer and the difference in the change pattern. Thereby, the classification device 10 can accurately classify the change patterns of the solar radiation intensity at the plurality of points.
［分類プログラム］
なお、上記の実施例で説明した各種の処理は、あらかじめ用意されたプログラムをパーソナル・コンピュータやワークステーションなどのコンピュータシステムで実行することによって実現することもできる。そこで、以下では、上記の実施例と同様の機能を有するプログラムを実行するコンピュータシステムの一例を説明する。図１８は、分類プログラムを実行するコンピュータを示す図である。
[Classification program]
The various processes described in the above embodiments can also be realized by executing a program prepared in advance on a computer system such as a personal computer or a workstation. Therefore, in the following, an example of a computer system that executes a program having the same functions as those in the above embodiments will be described. FIG. 18 is a diagram illustrating a computer that executes a classification program.
図１８に示すように、コンピュータ３００は、ＣＰＵ３１０、ＨＤＤ（Hard Disk Drive）３２０、ＲＡＭ３４０を有する。これら３００〜３４０の各部は、バス４００を介して接続される。 As shown in FIG. 18, the computer 300 has a CPU 310, an HDD (Hard Disk Drive) 320, and a RAM 340. Each unit of these 300 to 340 is connected via a bus 400.
ＨＤＤ３２０には上記の受付部４０、ＳＯＭ部４１、類似度算出部４２、相関係数算出部４３、分類部４４、抽出部４５および出力制御部４６と同様の機能を発揮する分類プログラム３２０ａが予め記憶される。なお、分類プログラム３２０ａについては、適宜分離してもよい。 In the HDD 320, a classification program 320a that exhibits the same functions as the reception unit 40, the SOM unit 41, the similarity calculation unit 42, the correlation coefficient calculation unit 43, the classification unit 44, the extraction unit 45, and the output control unit 46 described above is stored in advance. Remembered. The classification program 320a may be appropriately separated.
また、ＨＤＤ３２０は、各種情報を記憶する。例えば、ＨＤＤ３２０は、上述の時系列データ３０など分類に用いる各種データを記憶する。 Further, the HDD 320 stores various information. For example, the HDD 320 stores various data used for classification, such as the time series data 30 described above.
そして、ＣＰＵ３１０が、分類プログラム３２０ａをＨＤＤ３２０から読み出して実行することで、実施例の各処理部と同様の動作を実行する。すなわち、分類プログラム３２０ａは、受付部４０、ＳＯＭ部４１、類似度算出部４２、相関係数算出部４３、分類部４４、抽出部４５および出力制御部４６と同様の動作を実行する。 Then, the CPU 310 reads the classification program 320a from the HDD 320 and executes the classification program 320a to execute the same operation as that of each processing unit of the embodiment. That is, the classification program 320a executes the same operations as the reception unit 40, the SOM unit 41, the similarity calculation unit 42, the correlation coefficient calculation unit 43, the classification unit 44, the extraction unit 45, and the output control unit 46.
なお、上記した分類プログラム３２０ａについては、必ずしも最初からＨＤＤ３２０に記憶させることを要しない。 Note that the classification program 320a described above does not necessarily need to be stored in the HDD 320 from the beginning.
例えば、コンピュータ３００に挿入されるフレキシブルディスク（ＦＤ）、ＣＤ−ＲＯＭ、ＤＶＤディスク、光磁気ディスク、ＩＣカードなどの「可搬用の物理媒体」にプログラムを記憶させておく。そして、コンピュータ３００がこれらからプログラムを読み出して実行するようにしてもよい。 For example, the program is stored in a “portable physical medium” such as a flexible disk (FD), a CD-ROM, a DVD disk, a magneto-optical disk, an IC card, which is inserted into the computer 300. Then, the computer 300 may read out the programs from these and execute them.
さらには、公衆回線、インターネット、ＬＡＮ、ＷＡＮなどを介してコンピュータ３００に接続される「他のコンピュータ（またはサーバ）」などにプログラムを記憶させておく。そして、コンピュータ３００がこれらからプログラムを読み出して実行するようにしてもよい。 Further, the program is stored in “another computer (or server)” or the like connected to the computer 300 via a public line, the Internet, a LAN, a WAN, or the like. Then, the computer 300 may read out the programs from these and execute them.
１０ 分類装置
２０ 表示部
２１ 入力部
２２ 記憶部
２３ 制御部
３０ 時系列データ
４０ 受付部
４１ ＳＯＭ部
４２ 類似度算出部
４３ 相関係数算出部
４４ 分類部
４５ 抽出部
４６ 出力制御部
３００ コンピュータ
３１０ ＣＰＵ
３２０ ＨＤＤ
３２０ａ 分類プログラム
３４０ ＲＡＭ
10 classification device 20 display unit 21 input unit 22 storage unit 23 control unit 30 time series data 40 reception unit 41 SOM unit 42 similarity calculation unit 43 correlation coefficient calculation unit 44 classification unit 45 extraction unit 46 output control unit 300 computer 310 CPU
320 HDD
320a Classification program 340 RAM
Claims (3)
前記算出部により算出された類似度に基づいて、前記複数地点の気象データ、前記複数地点の自然エネルギー発電の出力データ、前記複数時間帯の気象データ、または、前記複数時間帯の自然エネルギー発電の出力データをグループに分類する分類部と
前記分類部により分類された各グループの気象データまたは出力データから代表的な気象データまたは出力データを１つ抽出する抽出部と、
を有することを特徴とする分類装置。 Multi-point meteorological data, multi-point natural energy power output data, multi-hour zone meteorological data, or multi-hour natural energy power output data is mapped onto a two-dimensional plane using a self-organizing map, Meteorological data of each point, natural energy power output data of each point, weather data of each time zone, or specify the winning node corresponding to the output data of natural energy power generation of each time zone on the two-dimensional plane, Create a pair of meteorological data at each location, output data of natural energy generation at each location, meteorological data at each time zone, or output data of natural energy generation at each time zone, and create a paired weather for each pair Paired meteorological data or output based on a value obtained by multiplying the distance between the winning nodes of the data or output data on the two-dimensional plane by the absolute value of the difference between the paired meteorological data or output data A calculation unit that calculates the similarity of data ,
Based on the similarity calculated by the calculation unit, meteorological data of the plurality of points, renewable energy power of the output data of said plurality of points, weather data of the plurality hours, or of natural energy power generation of the plurality hours A classification section that classifies output data into groups
An extraction unit for extracting one representative weather data or output data from the weather data or output data of each group classified by the classification unit;
A classification device characterized by having.
算出された類似度に基づいて、前記複数地点の気象データ、前記複数地点の自然エネルギー発電の出力データ、前記複数時間帯の気象データ、または、前記複数時間帯の自然エネルギー発電の出力データをグループに分類し、
分類された各グループの気象データまたは出力データから代表的な気象データまたは出力データを１つ抽出する
処理をコンピュータが実行することを特徴とする分類方法。 Multi-point meteorological data, multi-point natural energy power output data, multi-hour zone meteorological data, or multi-hour natural energy power output data is mapped onto a two-dimensional plane using a self-organizing map, Meteorological data of each point, natural energy power output data of each point, weather data of each time zone, or specify the winning node corresponding to the output data of natural energy power generation of each time zone on the two-dimensional plane, Create a pair of meteorological data at each location, output data of natural energy generation at each location, meteorological data at each time zone, or output data of natural energy generation at each time zone, and create a paired weather for each pair Paired meteorological data or output based on a value obtained by multiplying the distance between the winning nodes of the data or output data on the two-dimensional plane by the absolute value of the difference between the paired meteorological data or output data to calculate the degree of similarity of the data,
Based on the calculated similarity, the plurality of points of meteorological data, renewable energy power of the output data of said plurality of points, weather data of the plurality time zones or group the output data of the natural energy power generation of the plurality hours, classified into,
A classification method characterized in that a computer executes a process of extracting one representative weather data or output data from the classified weather data or output data of each group .
算出された類似度または相関係数に基づいて、前記複数地点の気象データ、前記複数地点の自然エネルギー発電の出力データ、前記複数時間帯の気象データ、または、前記複数時間帯の自然エネルギー発電の出力データをグループに分類し、
分類された各グループの気象データまたは出力データから代表的な気象データまたは出力データを１つ抽出する
処理をコンピュータに実行させることを特徴とする分類プログラム。 Multi-point meteorological data, multi-point natural energy power output data, multi-hour zone meteorological data, or multi-hour natural energy power output data is mapped onto a two-dimensional plane using a self-organizing map, Meteorological data of each point, natural energy power output data of each point, weather data of each time zone, or specify the winning node corresponding to the output data of natural energy power generation of each time zone on the two-dimensional plane, Create a pair of meteorological data at each location, output data of natural energy generation at each location, meteorological data at each time zone, or output data of natural energy generation at each time zone, and create a paired weather for each pair Paired meteorological data or output based on a value obtained by multiplying the distance between the winning nodes of the data or output data on the two-dimensional plane by the absolute value of the difference between the paired meteorological data or output data to calculate the degree of similarity of the data,
Based on the calculated similarity or correlation coefficient, the weather data of the plurality of points, the output data of natural energy power generation of the plurality of points, the weather data of the plurality of time zones, or the natural energy power generation of the plurality of time zones Classify the output data into groups ,
A classification program for causing a computer to execute a process of extracting one representative weather data or output data from the classified weather data or output data of each group .
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016026273A JP6712870B2 (en) | 2016-02-15 | 2016-02-15 | Classification device, classification method, and classification program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016026273A JP6712870B2 (en) | 2016-02-15 | 2016-02-15 | Classification device, classification method, and classification program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2017146674A JP2017146674A (en) | 2017-08-24 |
| JP6712870B2 true JP6712870B2 (en) | 2020-06-24 |
Family
ID=59682259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2016026273A Active JP6712870B2 (en) | 2016-02-15 | 2016-02-15 | Classification device, classification method, and classification program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6712870B2 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019130469A1 (en) * | 2017-12-27 | 2019-07-04 | 株式会社日立製作所 | Maintenance design assistance system |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003228706A (en) * | 2002-02-05 | 2003-08-15 | Fuji Xerox Co Ltd | Data classifying device |
| JP5746098B2 (en) * | 2012-06-11 | 2015-07-08 | トヨタ自動車株式会社 | Deterioration diagnosis device for power generation system using natural energy |
-
2016
- 2016-02-15 JP JP2016026273A patent/JP6712870B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2017146674A (en) | 2017-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liao et al. | Voltage sag estimation in sparsely monitored power systems based on deep learning and system area mapping | |
| Sun et al. | Data-driven representative day selection for investment decisions: A cost-oriented approach | |
| Borgstein et al. | Evaluating energy performance in non-domestic buildings: A review | |
| CN110197099A (en) | The method and apparatus of across age recognition of face and its model training | |
| CN111832468B (en) | Gesture recognition method and device based on biological recognition, computer equipment and medium | |
| CN109242041A (en) | Method, device, equipment and storage medium for detecting abnormal data of electric energy meter | |
| US12013439B2 (en) | Data processor, data processing method, and computer program | |
| EP3364157A1 (en) | Method and system of outlier detection in energy metering data | |
| CN104166731A (en) | Discovering system for social network overlapped community and method thereof | |
| KR101680055B1 (en) | Method for developing the artificial neural network model using a conjunctive clustering method and an ensemble modeling technique | |
| CN110457757A (en) | Instability of Rock Body stage forecast method and device based on multi-feature fusion | |
| CN104598925A (en) | Multiclass Adaboost integrated studying method based on ELM | |
| CN110320468A (en) | A kind of switchgear overheat fault diagnostic method based on vector machine | |
| CN111401472A (en) | Infrared target classification method and device based on deep convolutional neural network | |
| CN110321960A (en) | A kind of prediction technique and system of plant produced element | |
| JP6086875B2 (en) | Power generation amount prediction device and power generation amount prediction method | |
| US8943450B1 (en) | Model based analog block coverage system | |
| CN110263945A (en) | Based on markovian Line Loss of Distribution Network System processing system | |
| CN113807728A (en) | Performance assessment method, device, equipment and storage medium based on neural network | |
| Rysanek et al. | Forecasting the impact of climate change on thermal comfort using a weighted ensemble of supervised learning models | |
| JP6712870B2 (en) | Classification device, classification method, and classification program | |
| CN109785422A (en) | The construction method and device of three-dimensional power grid scene | |
| Zheng et al. | Estimating residential buildings’ energy usage utilising a combination of Teaching–Learning–Based Optimization (TLBO) method with conventional prediction techniques | |
| JP6647072B2 (en) | Prediction device, prediction method, and prediction program | |
| KR102583178B1 (en) | Method and apparatus for predicting power generation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190107 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20191223 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200114 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200310 |
|
| 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: 20200526 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200602 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6712870 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |