JP7099805B2 - Predictors, prediction systems, prediction methods and programs - Google Patents

Predictors, prediction systems, prediction methods and programs Download PDF

Info

Publication number
JP7099805B2
JP7099805B2 JP2017071766A JP2017071766A JP7099805B2 JP 7099805 B2 JP7099805 B2 JP 7099805B2 JP 2017071766 A JP2017071766 A JP 2017071766A JP 2017071766 A JP2017071766 A JP 2017071766A JP 7099805 B2 JP7099805 B2 JP 7099805B2
Authority
JP
Japan
Prior art keywords
prediction
target period
variable
unit
pattern
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
Application number
JP2017071766A
Other languages
Japanese (ja)
Other versions
JP2018173837A (en
Inventor
勝彦 大塚
利彦 新家
学 宮本
健士 河村
陽子 井出
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Heavy Industries Ltd
Original Assignee
Mitsubishi Heavy Industries Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mitsubishi Heavy Industries Ltd filed Critical Mitsubishi Heavy Industries Ltd
Priority to JP2017071766A priority Critical patent/JP7099805B2/en
Publication of JP2018173837A publication Critical patent/JP2018173837A/en
Application granted granted Critical
Publication of JP7099805B2 publication Critical patent/JP7099805B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、予測装置、予測システム、予測方法及びプログラムに関する。 The present invention relates to a prediction device, a prediction system, a prediction method and a program.

エネルギー、資源を効率的に利用するために、需要家はエネルギー及び資源の需要を予測して、需要に応じた供給を確保する計画を作成する必要がある。
例えば電力を利用する場合、需要家は単位時間（例えば３０分）ごとの需要を予測して、電力事業者から必要な電力を購入する契約を結ぶ。このとき、需要家は、単位時間別の需要量のうち最大となる需要量を基に、電力事業者から購入する電力、即ち、契約電力として設定する。
また、需要家は、電力事業者に対し、契約電力に応じた基本料金と、実際に使用した電力量に応じた従量料金とを支払う。需要家は、契約電力を小さくするほど基本料金を安くすることができるが、一方で、契約電力を超える電力を使用（購入）した場合、電力事業者に対して超過違約金を支払わなければならない。このため、需要家は、基本料金及び超過違約金を低減させるために、精度の高い需要予測を行う必要がある。 In order to use energy and resources efficiently, consumers need to anticipate the demand for energy and resources and create a plan to secure supply according to the demand.
For example, when using electric power, the consumer predicts the demand for each unit time (for example, 30 minutes) and concludes a contract to purchase the necessary electric power from the electric power company. At this time, the consumer sets the electric power purchased from the electric power company, that is, the contracted electric power, based on the maximum demand amount among the demand amounts for each unit time.
In addition, the consumer pays the electric power company a basic charge according to the contracted electric power and a metered charge according to the amount of electric power actually used. Consumers can reduce the basic charge by reducing the contracted power, but on the other hand, if they use (purchase) more power than the contracted power, they must pay an excess penalty to the power company. .. Therefore, consumers need to make highly accurate demand forecasts in order to reduce basic charges and excess penalties.

電力の需要を予測する方法として、例えば特許文献１では、電気負荷別に用意された予測モデルに天気等の条件を入力することにより、電気負荷別の電力需要量を予測する方法が開示されている。
また、需要家が有する設備等を模倣した物理モデルを作成し、当該物理モデルにおいて複数の条件（説明変数）を確率的に変動させたシミュレーションを多数実行して電力需要量（目的変数）を求める、モンテカルロシミュレーションを用いた予測方法が知られている。 As a method of predicting electric power demand, for example, Patent Document 1 discloses a method of predicting electric power demand for each electric load by inputting conditions such as weather into a prediction model prepared for each electric load. ..
In addition, a physical model that imitates the equipment owned by the customer is created, and a large number of simulations in which multiple conditions (explanatory variables) are stochastically changed in the physical model are executed to obtain the power demand (objective variable). , A prediction method using Monte Carlo simulation is known.

特開２０１５－２０１９７２号公報Japanese Unexamined Patent Publication No. 2015-201772

しかしながら、従来の予測方法では、需要家が有する多数の設備を網羅した詳細な物理モデルを作成する必要があり、このような物理モデルを作成するために多くの時間が必要となる。
また、モンテカルロシミュレーションを用いた予測方法では、予測精度を向上させるために多くのシミュレーションを実行する必要があり、予測結果を得るのに長時間を要する。このため、例えば３０分後を予測対象期間として電力需要量を予測する場合、予測対象期間までに全てのシミュレーションを完了することができず、実際に電力の調達を行う前に予測結果を得られない可能性がある。 However, in the conventional prediction method, it is necessary to create a detailed physical model that covers a large number of facilities owned by the customer, and it takes a lot of time to create such a physical model.
Further, in the prediction method using the Monte Carlo simulation, it is necessary to execute many simulations in order to improve the prediction accuracy, and it takes a long time to obtain the prediction result. Therefore, for example, when the power demand is predicted with 30 minutes as the prediction target period, all the simulations cannot be completed by the prediction target period, and the prediction result can be obtained before actually procuring the power. May not be.

本発明は、このような課題に鑑みてなされたものあって、高速で需要予測を行うことができる予測装置、予測システム、予測方法及びプログラムを提供する。 The present invention has been made in view of such problems, and provides a forecasting device, a forecasting system, a forecasting method, and a program capable of performing demand forecasting at high speed.

上記課題を解決するため、本発明は以下の手段を採用している。
本発明の第一の態様によれば、予測装置（１００）は、過去に計測された目的変数の値を時系列に表す波形を取得する波形取得部（１１０）と、複数の前記波形のうち、類似する波形同士を一のパターンに分類し、当該一のパターンに分類された前記波形に共通する特性を示す説明変数を設定する分類処理部（１３１）と、将来の予測対象期間における前記説明変数と適合するパターンを選択し、当該パターンに分類される波形に統計処理を施すことにより、前記予測対象期間において前記目的変数が取り得る値の確率分布を演算する確率演算部（１３２）と、前記確率分布に基づいて、前記予測対象期間における前記目的変数の値を求める予測部（１３３）と、を備える。
このように、予測装置は、予測対象期間における説明変数と適合するパターンに分類された波形に対して確率分布を演算し、当該確率分布に基づいて目的変数の値を求めることにより、演算及び予測を迅速に実行することができる。このため、例えばモンテカルロシミュレーションを用いる既存の予測方法よりも、演算及び予測にかかる時間を短縮させることができる。 In order to solve the above problems, the present invention employs the following means.
According to the first aspect of the present invention, the prediction device (100) includes a waveform acquisition unit (110) for acquiring a waveform representing the value of the objective variable measured in the past in time series, and the plurality of said waveforms. , The classification processing unit (131) that classifies similar waveforms into one pattern and sets explanatory variables showing the characteristics common to the waveforms classified into the one pattern, and the explanation in the future prediction target period. A probability calculation unit (132) that calculates a probability distribution of values that the objective variable can take in the prediction target period by selecting a pattern that matches the variable and performing statistical processing on the waveforms classified into the pattern. A prediction unit (133) for obtaining the value of the objective variable in the prediction target period based on the probability distribution is provided.
In this way, the prediction device calculates the probability distribution for the waveforms classified into patterns that match the explanatory variables in the prediction target period, and obtains the value of the objective variable based on the probability distribution, thereby performing the calculation and prediction. Can be executed quickly. Therefore, the time required for calculation and prediction can be shortened as compared with the existing prediction method using, for example, Monte Carlo simulation.

本発明の第二の態様によれば、上述の態様に係る予測装置において、前記予測部は、前記確率分布に基づいて、前記予測対象期間において予め決められた信頼区間の範囲で前記目的変数が取り得る値のうち、上限値及び下限値を求める。
このようにすることで、予測装置は、予測対象期間において目的変数が取り得る値のうち、確実性の低い値を排除した上で、精度の高い上限値及び下限値を求めることができる。 According to the second aspect of the present invention, in the prediction device according to the above aspect, the prediction unit has the objective variable within the range of the confidence interval predetermined in the prediction target period based on the probability distribution. Find the upper and lower limits of the possible values.
By doing so, the predictor can obtain a highly accurate upper limit value and lower limit value after excluding the values having low certainty from the values that the objective variable can take in the prediction target period.

本発明の第三の態様によれば、上述の何れか一の態様に係る予測装置は、前記予測部が求めた前記目的変数の値に基づいて、当該目的変数に関連する対象物の需給計画を作成する計画作成部（１３４）を更に備える。
このように、予測装置は、予測部が予測した目的変数の値に基づいて予測対象期間における需給計画を作成するので、予測対象期間における計画的な機器の最適運用が可能となる。 According to the third aspect of the present invention, the prediction device according to any one of the above aspects is a supply / demand plan for the object related to the objective variable based on the value of the objective variable obtained by the prediction unit. Further includes a planning unit (134) for creating the above.
In this way, the forecasting device creates a supply and demand plan for the forecast target period based on the value of the objective variable predicted by the forecast unit, so that the optimal operation of the equipment in the forecast target period becomes possible.

本発明の第四の態様によれば、予測システムは、プラントにおける目的変数の実際の値を計測する計測装置（１０）と、前記プラントの将来の予測対象期間において前記目的変数の取り得る値を求める予測装置（１００）と、を備える。
前記予測装置は、前記計測装置により計測された前記目的変数の値を時系列に表す波形を取得する波形取得部（１１０）と、複数の前記波形のうち、類似する波形同士を一のパターンに分類し、当該一のパターンに分類された前記波形に共通する特性を示す説明変数を設定する分類処理部（１３１）と、前記説明変数に適合する前記予測対象期間において前記目的変数が取り得る値の確率分布を統計処理に基づいて演算する確率演算部（１３２）と、前記確率分布に基づいて、前記予測対象期間における前記目的変数の値を求める予測部（１３３）と、を有する。 According to the fourth aspect of the present invention, the prediction system determines the measuring device (10) for measuring the actual value of the objective variable in the plant and the possible value of the objective variable in the future prediction target period of the plant. It is provided with a desired prediction device (100).
The prediction device includes a waveform acquisition unit (110) that acquires a waveform that represents the value of the objective variable measured by the measurement device in time series, and a plurality of the waveforms that are similar to each other in one pattern. A classification processing unit (131) that classifies and sets an explanatory variable showing characteristics common to the waveform classified into the one pattern, and a value that the objective variable can take in the prediction target period that matches the explanatory variable. It has a probability calculation unit (132) for calculating the probability distribution of the above based on statistical processing, and a prediction unit (133) for obtaining the value of the objective variable in the prediction target period based on the probability distribution.

本発明の第五の態様によれば、予測方法は、過去に計測された目的変数の値を時系列に表す波形を取得する波形取得ステップと、複数の前記波形のうち、類似する波形同士を一のパターンに分類し、当該一のパターンに分類された前記波形に共通する特性を示す説明変数を設定する分類処理ステップと、前記説明変数に適合する将来の予測対象期間において前記目的変数が取り得る値の確率分布を統計処理に基づいて演算する確率演算ステップと、前記確率分布に基づいて、前記予測対象期間における前記目的変数の値を求める予測ステップと、を有する。 According to the fifth aspect of the present invention, the prediction method includes a waveform acquisition step of acquiring a waveform representing the value of the objective variable measured in the past in time series, and a plurality of said waveforms having similar waveforms. The objective variable is taken in a classification process step of classifying into one pattern and setting explanatory variables showing characteristics common to the waveforms classified in the one pattern, and in a future prediction target period that matches the explanatory variables. It has a probability calculation step of calculating the probability distribution of the obtained value based on statistical processing, and a prediction step of obtaining the value of the objective variable in the prediction target period based on the probability distribution.

本発明の第六の態様によれば、プログラムは、予測装置のコンピュータを、過去に計測された目的変数の値を時系列に表す波形を取得する波形取得部、複数の前記波形のうち、類似する波形同士を一のパターンに分類し、当該一のパターンに分類された前記波形に共通する特性を示す説明変数を設定する分類処理部、前記説明変数に適合する将来の予測対象期間において前記目的変数が取り得る値の確率分布を統計処理に基づいて演算する確率演算部、前記確率分布に基づいて、前記予測対象期間における前記目的変数の値を求める予測部、として機能させる。 According to the sixth aspect of the present invention, the program uses the computer of the prediction device as a waveform acquisition unit that acquires a waveform representing the value of the objective variable measured in the past in time series, and is similar to the plurality of said waveforms. The purpose of the classification processing unit, which classifies the waveforms to be processed into one pattern and sets explanatory variables showing the characteristics common to the waveforms classified into the one pattern, in the future prediction target period that matches the explanatory variables. It functions as a probability calculation unit that calculates the probability distribution of the value that the variable can take based on statistical processing, and a prediction unit that obtains the value of the objective variable in the prediction target period based on the probability distribution.

本発明に係る予測装置、予測システム、予測方法及びプログラムによれば、高速で需要予測を行うことができる。 According to the forecasting device, forecasting system, forecasting method and program according to the present invention, demand forecasting can be performed at high speed.

本発明の一実施形態に係る予測装置の機能構成を示す図である。It is a figure which shows the functional structure of the prediction apparatus which concerns on one Embodiment of this invention. 本発明の一実施形態に係る分類装置の処理フローを示す第１の図である。It is the first figure which shows the processing flow of the classification apparatus which concerns on one Embodiment of this invention. 本発明の一実施形態に係る分類処理を説明するための図である。It is a figure for demonstrating the classification process which concerns on one Embodiment of this invention. 本発明の一実施形態に係る分類装置の処理フローを示す第２の図である。It is a 2nd figure which shows the processing flow of the classification apparatus which concerns on one Embodiment of this invention. 本発明の一実施形態に係る予測処理を説明するための第１の図である。It is the first figure for demonstrating the prediction process which concerns on one Embodiment of this invention. 本発明の一実施形態に係る予測処理を説明するための第２の図である。It is a 2nd figure for demonstrating the prediction process which concerns on one Embodiment of this invention. 本発明の一実施形態に係る予測装置のハードウェア構成を示す図である。It is a figure which shows the hardware composition of the prediction apparatus which concerns on one Embodiment of this invention.

（予測システムの機能構成）
以下、本発明の一実施形態に係る予測システムについて、図１～図７を参照しながら説明する。
本実施形態では、電力を消費するプラントを需要家の例として説明する。プラントは、例えば発電所、工場、倉庫、商業施設等の施設である。また、本実施形態において、予測システムは、プラントにおいて消費される電力、即ち、電力の需要量の予測を行う例について説明する。
また、以下の説明において、予測システムが予測する需要量は「目的変数」とも称する。目的変数とは、予測したい変数のことである。目的変数は、「従属変数」、「外的基準」とも呼ばれ、物事の結果ととらえることもできる。 (Functional configuration of prediction system)
Hereinafter, the prediction system according to the embodiment of the present invention will be described with reference to FIGS. 1 to 7.
In this embodiment, a plant that consumes electric power will be described as an example of a consumer. The plant is, for example, a facility such as a power plant, a factory, a warehouse, or a commercial facility. Further, in the present embodiment, an example in which the prediction system predicts the electric power consumed in the plant, that is, the demand amount of the electric power will be described.
Further, in the following description, the demand amount predicted by the prediction system is also referred to as an "objective variable". The objective variable is the variable you want to predict. The objective variable is also called the "dependent variable" or "external standard" and can be regarded as the result of things.

図１は、本発明の一実施形態に係る予測装置の機能構成を示す図である。
図１に示すように、予測システム１は、計測装置１０と、サーバ２０と、予測装置１００とを備えている。
計測装置１０は、プラントＡに設けられており、プラントＡが使用した電力量（電力需要量）と、プラントＡの状態とを、単位時間（例えば３０分）ごとに計測する。
プラントＡの状態情報は、例えばプラントＡが工場である場合、プラントＡの生産量、設備の稼働状態等の情報を含む。生産設備の稼働状態とは、例えば空調、照明、生産設備のように電力を消費する設備の単位時間別の稼働率である。
計測装置１０は、プラントＡにおける実際の電力需要量を計測するための電力計１１と、プラントＡの実際の生産量、稼働状態を計測するためのセンサ部１２とを有している。
また、計測装置１０は、計測した電力需要量及び計測日時を関連付けた「需要情報」と、計測した状態及び計測日時を関連付けた「状態情報」とを、計測結果として予測装置１００に送信する。
サーバ２０は、予測装置１００とネットワークＮＷを介して通信可能に接続されている。
サーバ２０は、地域別及び時刻別の「天気情報」を収集して予測装置１００へ送信する。天気情報は、例えば天気、最高気温、最低気温、湿度、降雨量、風速等の情報を含む。 FIG. 1 is a diagram showing a functional configuration of a prediction device according to an embodiment of the present invention.
As shown in FIG. 1, the prediction system 1 includes a measurement device 10, a server 20, and a prediction device 100.
The measuring device 10 is provided in the plant A, and measures the amount of electric power used by the plant A (the amount of electric power demand) and the state of the plant A every unit time (for example, 30 minutes).
The state information of the plant A includes, for example, when the plant A is a factory, information such as the production amount of the plant A and the operating state of the equipment. The operating state of production equipment is the operating rate of equipment that consumes electric power, such as air conditioning, lighting, and production equipment, by unit time.
The measuring device 10 has a power meter 11 for measuring the actual power demand in the plant A, and a sensor unit 12 for measuring the actual production amount and the operating state of the plant A.
Further, the measuring device 10 transmits "demand information" associated with the measured power demand amount and the measured date and time and "state information" associated with the measured state and the measured date and time to the prediction device 100 as the measurement result.
The server 20 is communicably connected to the prediction device 100 via the network NW.
The server 20 collects "weather information" for each region and each time and sends it to the forecasting device 100. The weather information includes, for example, information such as weather, maximum temperature, minimum temperature, humidity, rainfall, and wind speed.

予測装置１００は、計測装置１０から受信した計測結果と、サーバ２０から取得した天気情報とに基づいて、プラントＡの将来の予測対象期間における電力需要量を単位時間ごとに予測する。予測対象期間は、例えば翌日の０時～２４時である。
予測装置１００は、図１に示すように、波形取得部１１０と、変数取得部１２０と、処理部１３０と、記憶部１４０とを備えている。 The forecasting device 100 predicts the power demand amount in the future prediction target period of the plant A for each unit time based on the measurement result received from the measuring device 10 and the weather information acquired from the server 20. The prediction target period is, for example, from 0:00 to 24:00 on the next day.
As shown in FIG. 1, the prediction device 100 includes a waveform acquisition unit 110, a variable acquisition unit 120, a processing unit 130, and a storage unit 140.

波形取得部１１０は、過去に計測されたプラントＡの電力需要量を時系列に表す波形を取得する。
具体的には、波形取得部１１０は、計測装置１０から受信した複数の需要情報を所定の期間ごとに分割して、分割した需要情報を時系列に並べることにより、電力需要量の推移を時系列に表す波形を取得する。そして、波形取得部１１０は、波形を記憶部１４０に記憶して蓄積する。
本実施形態では、波形取得部１１０は、例えば所定の期間を１日（各日０時～２４時）とし、日別の波形を取得する。 The waveform acquisition unit 110 acquires a waveform representing the power demand amount of the plant A measured in the past in time series.
Specifically, the waveform acquisition unit 110 divides a plurality of demand information received from the measuring device 10 for each predetermined period, and arranges the divided demand information in chronological order to change the time of the power demand amount. Get the waveform represented in the series. Then, the waveform acquisition unit 110 stores and stores the waveform in the storage unit 140.
In the present embodiment, the waveform acquisition unit 110 acquires a daily waveform, for example, with a predetermined period of one day (0:00 to 24:00 each day).

変数取得部１２０は、説明変数を取得する。説明変数とは、目的変数を説明する変数のことであ。説明変数は、「独立変数」とも呼ばれ、物事の原因ととらえることもできる。本実施形態では、説明変数は、電力需要量に影響を与える要因（特性）を示すものである。
具体的には、変数取得部１２０は、記憶部１４０に予め記憶されているプラントＡの所在地、休日、始業時間、終業時間等の情報を含む「施設情報」を説明変数として取得する。なお、記憶部１４０にはカレンダが記憶されており、変数取得部１２０は、日付に対応する曜日をカレンダから取得するようにしてもよい。
また、計測装置１０から「状態情報」を、サーバ２０からプラントＡの所在地を含む地域の「天気情報」を、説明変数として取得する。
更に、変数取得部１２０は、プラントＡの予測対象期間における「予定情報」を説明変数として取得する。予定情報は、例えばプラントＡが工場である場合、予測対象期間におけるプラントＡの予定生産量、設備の予定稼働状態等である。予定情報は、記憶部１４０に予め記憶されていてもよいし、サーバ２０を介してオペレータが入力するようにしてもよい。 The variable acquisition unit 120 acquires explanatory variables. An explanatory variable is a variable that describes the objective variable. Explanatory variables are also called "independent variables" and can be regarded as the cause of things. In the present embodiment, the explanatory variables indicate factors (characteristics) that affect the amount of electric power demand.
Specifically, the variable acquisition unit 120 acquires "facility information" including information such as the location, holiday, start time, and end time of the plant A stored in advance in the storage unit 140 as an explanatory variable. The calendar is stored in the storage unit 140, and the variable acquisition unit 120 may acquire the day of the week corresponding to the date from the calendar.
Further, "state information" is acquired from the measuring device 10 and "weather information" of the area including the location of the plant A is acquired from the server 20 as explanatory variables.
Further, the variable acquisition unit 120 acquires "planned information" in the prediction target period of the plant A as an explanatory variable. The scheduled information is, for example, when the plant A is a factory, the planned production amount of the plant A in the forecast target period, the planned operating state of the equipment, and the like. The schedule information may be stored in advance in the storage unit 140, or may be input by the operator via the server 20.

処理部１３０は、分類処理部１３１と、確率演算部１３２と、予測部１３３と、計画作成部１３４とを有している。
分類処理部１３１は、記憶部１４０に蓄積された複数の波形のうち、類似する波形同士を一のパターンに（一のパターン・一の類型として）分類し、当該一のパターンに分類された波形に共通する特性を示す説明変数を設定する。分類処理部１３１は、複数の波形を用いて機械学習を行うことにより、特性に対してどのような波形の傾向（パターン）が出現するかの関係を示す決定木を作成する。
特性とは、状態情報、天気情報、及び施設情報に含まれる情報のうち少なくとも一つの情報の値を示す。例えば、プラントＡの休日に類似する波形が多く表れる場合、これら波形に共通する特性は「休日」である。即ち、波形に共通する特性とは、電力需要量に影響を与えて波形を変化させる要因でもある。
なお、「共通する」とは、値が一致すること（例えば取得した日が「休日」）のみに限られず、値が所定の範囲内であること（例えば最高気温が「１０度以上１５度未満」）、値が所定の閾値を超えること（例えば最高気温が「３０度以上」、「０度未満」）も含む。 The processing unit 130 includes a classification processing unit 131, a probability calculation unit 132, a prediction unit 133, and a plan creation unit 134.
The classification processing unit 131 classifies similar waveforms into one pattern (as one pattern / one type) among the plurality of waveforms stored in the storage unit 140, and the waveforms are classified into the one pattern. Set explanatory variables that show the characteristics common to. The classification processing unit 131 creates a decision tree showing the relationship of what kind of waveform tendency (pattern) appears with respect to the characteristic by performing machine learning using a plurality of waveforms.
The characteristic indicates the value of at least one of the information contained in the state information, the weather information, and the facility information. For example, when many waveforms similar to the holidays of plant A appear, the characteristic common to these waveforms is "holiday". That is, the characteristics common to waveforms are also factors that affect the amount of power demand and change the waveform.
In addition, "common" is not limited to the fact that the values match (for example, the acquired date is a "holiday"), and the values are within a predetermined range (for example, the maximum temperature is "10 degrees or more and less than 15 degrees". ”), The value exceeds a predetermined threshold value (for example, the maximum temperature is“ 30 degrees or more ”,“ less than 0 degrees ”).

確率演算部１３２は、将来の予測対象期間における説明変数と適合するパターンを選択し、当該パターンに分類された波形に統計処理を施すことにより、予測対象期間において電力需要量が取り得る値の確率分布を演算する。例えば、本実施形態において、確率演算部１３２は統計処理として正規分布の手法を用いて確率分布を演算する例について説明するが、これに限られることは無い。他の実施では、確率演算部１３２は、統計処理として、例えば最尤推定、ポアソン分布、ｔ分布、二項分布等の手法を用いて確率分布を演算してもよい。
また、本実施形態では、確率演算部１３２は、予測対象期間を更に単位時間で分割して、単位時間別の確率分布を演算する。 The probability calculation unit 132 selects a pattern that matches the explanatory variables in the future prediction target period, and performs statistical processing on the waveforms classified in the pattern, so that the probability of the value that the power demand can take in the prediction target period. Calculate the distribution. For example, in the present embodiment, the probability calculation unit 132 describes an example in which the probability distribution is calculated by using the method of the normal distribution as statistical processing, but the present invention is not limited to this. In another implementation, the probability calculation unit 132 may calculate the probability distribution by using a method such as maximum likelihood estimation, Poisson distribution, t distribution, or binomial distribution as statistical processing.
Further, in the present embodiment, the probability calculation unit 132 further divides the prediction target period into unit times and calculates the probability distribution for each unit time.

予測部１３３は、確率演算部１３２が演算した確率分布に基づいて、予測対象期間における電力需要量を予測する。 The prediction unit 133 predicts the power demand amount in the prediction target period based on the probability distribution calculated by the probability calculation unit 132.

計画作成部１３４は、予測部１３３が予測した電力需要量に基づいて、プラントＡの予測対象期間における電力の調達計画を作成する。 The planning unit 134 creates an electric power procurement plan for the forecast target period of the plant A based on the electric power demand amount predicted by the forecasting unit 133.

記憶部１４０には、波形取得部１１０が取得した波形と、変数取得部１２０が取得した説明変数とが逐次記憶される。また、記憶部１４０には、施設情報が予め記憶されている。 The waveform acquired by the waveform acquisition unit 110 and the explanatory variables acquired by the variable acquisition unit 120 are sequentially stored in the storage unit 140. In addition, facility information is stored in advance in the storage unit 140.

（予測システムの処理フロー）
図２は、本発明の一実施形態に係る分類装置の処理フローを示す第１の図である。
図３は、本発明の一実施形態に係る分類処理を説明するための図である。
予測装置１００は、電力需要量の予測を行う前に、プラントＡの波形を蓄積するとともに、波形を分類する処理を行う。以下、図２～図３を参照して、当該分類処理の詳細について説明する。 (Processing flow of prediction system)
FIG. 2 is a first diagram showing a processing flow of the classification device according to the embodiment of the present invention.
FIG. 3 is a diagram for explaining a classification process according to an embodiment of the present invention.
The prediction device 100 accumulates the waveform of the plant A and performs a process of classifying the waveform before predicting the power demand amount. Hereinafter, the details of the classification process will be described with reference to FIGS. 2 to 3.

図２に示すように、波形取得部１１０は、計測装置１０から受信した複数の需要情報に基づいて、電力需要量の推移を時系列に表す波形を取得する（ステップＳ１００）。
本実施形態では、波形取得部１１０は、複数の需要情報を時系列に並べた波形を取得する。更に、波形取得部１１０は、波形を１日ごとに分割することにより、日別（各日０時～２４時）の波形を取得する。また、波形取得部１１０は、記憶部１４０に日別の波形を記憶して蓄積する。
このとき、変数取得部１２０は、それぞれの波形と同じ期間に計測されたプラントＡの状態情報と、天気情報とを、計測装置１０及びサーバ２０のそれぞれから取得する。 As shown in FIG. 2, the waveform acquisition unit 110 acquires a waveform representing the transition of the electric power demand amount in time series based on the plurality of demand information received from the measuring device 10 (step S100).
In the present embodiment, the waveform acquisition unit 110 acquires a waveform in which a plurality of demand information is arranged in time series. Further, the waveform acquisition unit 110 acquires the waveform of each day (from 0:00 to 24:00 each day) by dividing the waveform every day. Further, the waveform acquisition unit 110 stores and stores daily waveforms in the storage unit 140.
At this time, the variable acquisition unit 120 acquires the state information and the weather information of the plant A measured in the same period as each waveform from each of the measuring device 10 and the server 20.

次に、分類処理部１３１は、記憶部１４０に蓄積された複数の波形を用いて機械学習を行い、決定木を作成する（ステップＳ１０１）。
分類処理部１３１は、機械学習により、特性（状態情報、天気情報、及び施設情報に含まれる情報のうち少なくとも一つの情報の値）と、波形とに基づいて、いずれの特性により類似する波形が多く表れるかを分類する。そして、分類処理部１３１は、図３に示すように、類似する波形同士を一のパターンに分類し、当該一のパターンに分類された波形に共通する特性を示す説明変数を設定した決定木を作成する。
例えば、図３に示すように、類似する波形同士をそれぞれパターン１、パターン２、パターン３…に分類したとする。このとき、「最高気温が２０度以上」である場合にパターン１の波形が多く出現する場合、「最高気温が２０度以上」であるとの特性がパターン１の説明変数として設定される。 Next, the classification processing unit 131 performs machine learning using a plurality of waveforms stored in the storage unit 140 to create a decision tree (step S101).
The classification processing unit 131 uses machine learning to obtain a waveform that is more similar to any of the characteristics (the value of at least one of the information contained in the state information, the weather information, and the facility information) and the waveform. Classify whether many appear. Then, as shown in FIG. 3, the classification processing unit 131 classifies similar waveforms into one pattern, and sets a decision tree showing characteristics common to the waveforms classified into the one pattern. create.
For example, as shown in FIG. 3, it is assumed that similar waveforms are classified into pattern 1, pattern 2, pattern 3, and so on, respectively. At this time, when many waveforms of the pattern 1 appear when the "maximum temperature is 20 degrees or more", the characteristic that the "maximum temperature is 20 degrees or more" is set as an explanatory variable of the pattern 1.

予測装置１００は、新たな波形を取得する度に、又は所定のタイミング（例えば１ヶ月おき）で上述の処理を繰り返して決定木を更新する。 The prediction device 100 updates the decision tree by repeating the above-mentioned processing every time a new waveform is acquired or at a predetermined timing (for example, every other month).

図４は、本発明の一実施形態に係る分類装置の処理フローを示す第２の図である。
図５は、本発明の一実施形態に係る予測処理を説明するための第１の図である。
図６は、本発明の一実施形態に係る予測処理を説明するための第２の図である。
以下、図４～図６を参照して、予測装置１００が電力需要量の予測及び電力の調達計画の作成を行う処理の詳細について説明する。
図４に示すように、まず、変数取得部１２０は、プラントＡの将来の予測対象期間における説明変数を取得する（ステップＳ２００）。
例えば、翌日の電力需要量を予測する場合、変数取得部１２０は、翌日の日付に関連付けられた各種情報を記憶部１４０、サーバ２０から取得する。例えば、変数取得部１２０は、翌日のプラントＡの予定生産量、設備の予定稼働状態を含む予定情報を記憶部１４０又はサーバ２０から取得する。また、変数取得部１２０は、翌日のプラントＡの所在地を含む地域の天気情報をサーバ２０から取得する。 FIG. 4 is a second diagram showing a processing flow of the classification device according to the embodiment of the present invention.
FIG. 5 is a first diagram for explaining a prediction process according to an embodiment of the present invention.
FIG. 6 is a second diagram for explaining a prediction process according to an embodiment of the present invention.
Hereinafter, with reference to FIGS. 4 to 6, the details of the process in which the prediction device 100 predicts the electric power demand amount and creates the electric power procurement plan will be described.
As shown in FIG. 4, first, the variable acquisition unit 120 acquires the explanatory variables in the future prediction target period of the plant A (step S200).
For example, when predicting the power demand amount of the next day, the variable acquisition unit 120 acquires various information associated with the date of the next day from the storage unit 140 and the server 20. For example, the variable acquisition unit 120 acquires schedule information including the planned production amount of the plant A on the next day and the scheduled operating state of the equipment from the storage unit 140 or the server 20. Further, the variable acquisition unit 120 acquires the weather information of the area including the location of the plant A on the next day from the server 20.

次に、確率演算部１３２は、変数取得部１２０が取得した説明変数と、分類処理部１３１が作成した決定木とに基づいて、予測対象期間における波形のパターンを推測して選択する（ステップＳ２０１）。 Next, the probability calculation unit 132 estimates and selects the waveform pattern in the prediction target period based on the explanatory variables acquired by the variable acquisition unit 120 and the decision tree created by the classification processing unit 131 (step S201). ).

次に、確率演算部１３２は、選択したパターンに含まれる複数の波形に対して統計処理を行うことにより、予測対象期間を単位時間別に分割し、単位時間別に電力需要量が取り得る値の確率分布を演算する（ステップＳ２０２）。
例えば、確率演算部１３２は、電力需要量の取り得る値が正規分布に従うと仮定した場合、図５に示すように、当該確率分布を正規分布によって表す。 Next, the probability calculation unit 132 divides the prediction target period by unit time by performing statistical processing on a plurality of waveforms included in the selected pattern, and the probability of the value that the power demand can take for each unit time. Calculate the distribution (step S202).
For example, assuming that the possible value of the power demand follows a normal distribution, the probability calculation unit 132 represents the probability distribution by a normal distribution as shown in FIG.

次に、予測部１３３は、単位時間別の正規分布に基づいて、予め定められた信頼区間の範囲に含まれる電力需要量の下限値及び上限値を予測する（ステップＳ２０３）。例えば信頼水準が９７％となる信頼区間を設定した場合、電力需要量の平均をμ、平均からの標準偏差をσとすると、下限値（図５のＭＩＮ）はおよそ「μ－２σ」で示される値、上限値（図５のＭＡＸ）はおよそ「μ＋２σ」で示される値となる。
そして、予測部１３３は、図６に示すように、単位時間別に計算された電力需要量の下限値及び上限値を時系列に並べて、予測対象期間における下限値の推移を表す波形（図６のＭＩＮ）と、上限値の推移を表す波形（図６のＭＡＸ）とを予測する。 Next, the prediction unit 133 predicts the lower limit value and the upper limit value of the electric power demand amount included in the range of the predetermined confidence interval based on the normal distribution for each unit time (step S203). For example, when a confidence interval with a confidence level of 97% is set, the lower limit (MIN in FIG. 5) is approximately "μ-2σ", where μ is the average of power demand and σ is the standard deviation from the average. The value and the upper limit value (MAX in FIG. 5) are the values indicated by approximately “μ + 2σ”.
Then, as shown in FIG. 6, the prediction unit 133 arranges the lower limit value and the upper limit value of the electric power demand calculated for each unit time in chronological order, and displays a waveform showing the transition of the lower limit value in the prediction target period (FIG. 6). MIN) and a waveform (MAX in FIG. 6) showing the transition of the upper limit value are predicted.

次に、計画作成部１３４は、予測部１３３が予測した電力需要量に基づいて、プラントＡの予測対象期間における電力の調達計画を作成する（ステップＳ２０４）。
例えば、計画作成部１３４は、確率演算部１３２が予測した電力需要量の上限値のうち、最も大きい値以上の電力の調達が可能となるように契約電力を設定した調達計画を作成する。なお、計画作成部１３４は、プラントＡが有する発電装置及びコジェネレーションシステムを利用することにより、電力事業者から調達（買電）する電力を減らせる場合は、当該減少分を考慮した調達計画を作成するようにしてもよい。 Next, the planning unit 134 creates an electric power procurement plan for the forecast target period of the plant A based on the electric power demand amount predicted by the forecasting unit 133 (step S204).
For example, the plan creation unit 134 creates a procurement plan in which the contract power is set so that the power of the maximum value or more among the upper limit values of the power demand predicted by the probability calculation unit 132 can be procured. If the power generation device and cogeneration system of the plant A can be used to reduce the amount of power procured (purchased) from the electric power company, the planning unit 134 shall make a procurement plan in consideration of the reduced amount. You may create it.

予測装置１００は、所定のタイミング（例えば各日）ごとに上述の処理を繰り返して、将来の予測対象期間における電力需要量を予測し、電力の調達計画を作成する。 The prediction device 100 repeats the above-mentioned processing at predetermined timings (for example, each day), predicts the amount of electric power demand in the future prediction target period, and creates an electric power procurement plan.

（予測装置のハードウェア構成）
図７は、本発明の一実施形態に係る予測装置のハードウェア構成を示す図である。
以下、図７参照して、本実施形態に係る予測装置１００のハードウェア構成について説明する。 (Hardware configuration of predictor)
FIG. 7 is a diagram showing a hardware configuration of a prediction device according to an embodiment of the present invention.
Hereinafter, the hardware configuration of the prediction device 100 according to the present embodiment will be described with reference to FIG. 7.

コンピュータ９００は、ＣＰＵ９０１、主記憶装置９０２、補助記憶装置９０３、入出力インタフェース９０４、通信インタフェース９０５を備える。
上述の予測装置１００は、コンピュータ９００に実装される。そして、上述した予測装置１００の各部の動作は、プログラムの形式でそれぞれのコンピュータ９００が有する補助記憶装置９０３に記憶されている。ＣＰＵ９０１（処理部１３０）は、プログラムを補助記憶装置９０３から読み出して主記憶装置９０２に展開し、当該プログラムに従って上記処理を実行する。また、ＣＰＵ９０１は、プログラムに従って、記憶部１４０に対応する記憶領域を主記憶装置９０２に確保する。また、ＣＰＵ９０１は、プログラムに従って、処理中のデータを記憶する記憶領域を補助記憶装置９０３に確保する。
なお、コンピュータ９００は、入出力インタフェース９０４を介して、外部記憶装置９１０と接続されており、上記記憶部１４０は外部記憶装置９１０に確保されてもよい。また、コンピュータ９００は、通信インタフェース９０５を介して、外部記憶装置９２０と接続されており、上記記憶部１４０は外部記憶装置９２０に確保されてもよい。 The computer 900 includes a CPU 901, a main storage device 902, an auxiliary storage device 903, an input / output interface 904, and a communication interface 905.
The prediction device 100 described above is mounted on the computer 900. The operation of each part of the prediction device 100 described above is stored in the auxiliary storage device 903 of each computer 900 in the form of a program. The CPU 901 (processing unit 130) reads a program from the auxiliary storage device 903, expands it to the main storage device 902, and executes the above processing according to the program. Further, the CPU 901 secures a storage area corresponding to the storage unit 140 in the main storage device 902 according to the program. Further, the CPU 901 secures a storage area for storing the data being processed in the auxiliary storage device 903 according to the program.
The computer 900 is connected to the external storage device 910 via the input / output interface 904, and the storage unit 140 may be secured in the external storage device 910. Further, the computer 900 is connected to the external storage device 920 via the communication interface 905, and the storage unit 140 may be secured in the external storage device 920.

なお、少なくとも一つの実施形態において、補助記憶装置９０３は、一時的でない有形の媒体の一例である。一時的でない有形の媒体の他の例としては、入出力インタフェース９０４を介して接続される磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリ等が挙げられる。また、このプログラムが通信回線によってコンピュータ９００に配信される場合、配信を受けたコンピュータ９００が当該プログラムを主記憶装置９０２に展開し、上記処理を実行しても良い。 In at least one embodiment, the auxiliary storage device 903 is an example of a non-temporary tangible medium. Other examples of non-temporary tangible media include magnetic disks, magneto-optical disks, CD-ROMs, DVD-ROMs, semiconductor memories, etc. connected via the input / output interface 904. Further, when this program is distributed to the computer 900 by a communication line, the distributed computer 900 may expand the program to the main storage device 902 and execute the above processing.

また、当該プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、当該プログラムは、前述した機能を補助記憶装置９０３に既に記憶されている他のプログラムとの組み合わせで実現するもの、いわゆる差分ファイル（差分プログラム）であっても良い。 Further, the program may be for realizing a part of the above-mentioned functions. Further, the program may be a so-called difference file (difference program) that realizes the above-mentioned function in combination with another program already stored in the auxiliary storage device 903.

（作用効果）
以上のように、本実施形態に係る予測装置１００は、過去に計測された電力需要量（目的変数）の値を時系列に表す波形を取得する波形取得部１１０と、複数の波形のうち、類似する波形同士を一のパターンに分類し、当該一のパターンに分類された波形に共通する特性を示す説明変数を設定する分類処理部１３１と、将来の予測対象期間における説明変数と適合するパターンを選択し、当該パターンに分類された波形に統計処理を施すことにより、予測対象期間において電力需要量が取り得る値の確率分布を演算する確率演算部１３２と、確率分布に基づいて、予測対象期間における電力需要量を予測する（目的変数を求める）予測部１３３と、を備える。
このように、予測装置１００は、予測対象期間における説明変数と適合するパターンに分類された波形のみに対して確率分布を演算し、当該確率分布に基づいて目的変数の値を求めることにより、演算及び予測を迅速に実行することができる。このため、例えばモンテカルロシミュレーションを用いる既存の予測方法よりも、演算及び予測にかかる時間を短縮させることができる。
また、上述の実施形態において、予測装置１００は、電力需要量の予測処理を行う前に、過去の複数の波形に基づいて予め分類処理を行っている。このため、予測装置１００は、予測処理を行う際には、予め分類処理の結果として作成された決定木に基づいて、将来の予測対象期間において推測されるパターンを容易に推測及び選択することができる。この結果、確率演算部１３２における演算処理を更に高速化することができる。
更に、予測装置１００は、過去に計測された電力需要量及び説明変数（プラントＡの状態情報、施設情報、天気情報）のみが与えられればよいため、プラントＡの設備を網羅した詳細な物理モデルを省略することができる。これにより、予測装置１００は、需要予測にかかるコストを低減させることが可能となる。 (Action effect)
As described above, the prediction device 100 according to the present embodiment includes the waveform acquisition unit 110 that acquires a waveform representing the value of the power demand amount (objective variable) measured in the past in time series, and the plurality of waveforms. A pattern that matches the explanatory variables in the future prediction target period and the classification processing unit 131 that classifies similar waveforms into one pattern and sets explanatory variables showing the characteristics common to the waveforms classified in the one pattern. By selecting It is provided with a prediction unit 133 for predicting the amount of power demand in a period (obtaining an objective variable).
In this way, the prediction device 100 calculates the probability distribution only for the waveforms classified into the patterns matching the explanatory variables in the prediction target period, and obtains the value of the objective variable based on the probability distribution. And can make predictions quickly. Therefore, the time required for calculation and prediction can be shortened as compared with the existing prediction method using, for example, Monte Carlo simulation.
Further, in the above-described embodiment, the prediction device 100 performs classification processing in advance based on a plurality of past waveforms before performing prediction processing of the electric power demand amount. Therefore, when performing the prediction process, the prediction device 100 can easily estimate and select a pattern estimated in the future prediction target period based on the decision tree created in advance as a result of the classification process. can. As a result, the arithmetic processing in the probability arithmetic unit 132 can be further speeded up.
Further, since the forecasting device 100 only needs to be given the power demand amount and the explanatory variables (state information, facility information, weather information of the plant A) measured in the past, a detailed physical model covering the equipment of the plant A is required. Can be omitted. As a result, the forecasting device 100 can reduce the cost of demand forecasting.

また、予測部１３３は、確率分布に基づいて、予測対象期間において予め決められた信頼区間の範囲で電力需要量が取り得る値のうち、上限値及び下限値を求める。
このようにすることで、予測装置１００は、予測対象期間において電力需要量が取り得る値のうち、確実性の低い値を排除した上で、精度の高い上限値及び下限値を求めることができる。 Further, the prediction unit 133 obtains an upper limit value and a lower limit value among the values that the power demand can take within the range of the confidence interval predetermined in the prediction target period based on the probability distribution.
By doing so, the prediction device 100 can obtain a highly accurate upper limit value and lower limit value after excluding values with low certainty from the values that the power demand can take in the prediction target period. ..

また、予測装置１００は、予測部１３３が予測した電力需要量に基づいて、電力の調達計画を作成する計画作成部１３４を更に備える。
このように、予測装置１００は、予測した電力需要量に基づいて予測対象期間における調達計画を作成するので、予測対象期間における計画的な機器の最適運用が可能となる。例えば、計画作成部１３４が作成した計画に基づいて契約を行うことにより、予測対象期間において予測される電力需要量を大きく超える契約電力を設定すること、又は、契約電力を小さく設定して超過違約金が発生してしまう可能性を減少させることができる。この結果、予測装置１００は、電力を調達するコストが高くなることを抑制できる。 Further, the prediction device 100 further includes a planning unit 134 that creates a power procurement plan based on the power demand amount predicted by the prediction unit 133.
In this way, since the prediction device 100 creates the procurement plan in the forecast target period based on the predicted power demand amount, the optimal operation of the equipment in the forecast target period becomes possible. For example, by making a contract based on the plan created by the planning unit 134, the contracted power that greatly exceeds the predicted power demand in the forecast target period can be set, or the contracted power can be set to be small and the excess breach of contract can be set. It is possible to reduce the possibility of generating money. As a result, the prediction device 100 can suppress an increase in the cost of procuring electric power.

以上、本発明の実施形態について詳細に説明したが、本発明の技術的思想を逸脱しない限り、これらに限定されることはなく、多少の設計変更等も可能である。
例えば、上述の実施形態において、予測システム１が電力需要量を予測する例について説明したが、これに限られることはない。
他の実施形態では、例えば、プラントＡは施設に設けられたガスタービン、空調、冷凍機等の設備であってもよい。また、予測システム１はプラントＡにおけるエネルギー（熱等）、資源（水、蒸気、燃料等）の需要量を予測してもよいし、販売する商品の需要量及び売上を予測してもよい。
この場合、計測装置１０は、電力計１１に代えて、エネルギー、資源、商品の量を計測するための計測器を有する。
また、予測装置１００の計画作成部１３４は、エネルギー、資源、商品（在庫）の調達計画を作成する。なお、計画作成部１３４は、需要量及び売上の予測に基づいて、プラントＡに供給するエネルギー、資源、商品の供給計画を作成してもよい。 Although the embodiments of the present invention have been described in detail above, they are not limited to these as long as they do not deviate from the technical idea of the present invention, and some design changes and the like are possible.
For example, in the above-described embodiment, the example in which the prediction system 1 predicts the electric power demand has been described, but the present invention is not limited to this.
In another embodiment, for example, the plant A may be equipment such as a gas turbine, an air conditioner, and a refrigerator provided in the facility. Further, the prediction system 1 may predict the demand amount of energy (heat, etc.) and resources (water, steam, fuel, etc.) in the plant A, or may predict the demand amount and sales of the product to be sold.
In this case, the measuring device 10 has a measuring instrument for measuring the amount of energy, resources, and goods instead of the power meter 11.
In addition, the planning unit 134 of the prediction device 100 creates a procurement plan for energy, resources, and goods (inventory). The planning unit 134 may create a supply plan for energy, resources, and products to be supplied to the plant A based on the demand amount and the sales forecast.

また、上述の実施形態では、一の予測装置１００が一のプラントＡにおける需要予測を行う態様について説明したが、これに限られることはない。他の実施形態では、一の予測装置１００が複数のプラントの計測装置１０と接続され、複数のプラントのそれぞれの需要予測を行うようにしてもよい。 Further, in the above-described embodiment, the mode in which one forecasting device 100 performs demand forecasting in one plant A has been described, but the present invention is not limited to this. In another embodiment, one forecasting device 100 may be connected to measuring devices 10 of a plurality of plants to forecast demand for each of the plurality of plants.

１ 予測システム
１０ 計測装置
１１ 電力計
１２ センサ部
１００ 予測装置
１１０ 波形取得部
１２０ 変数取得部
１３０ 処理部
１３１ 分類処理部
１３２ 確率演算部
１３３ 予測部
１３４ 計画作成部
１４０ 記憶部
２０ サーバ 1 Prediction system 10 Measuring device 11 Power meter 12 Sensor unit 100 Predicting device 110 Waveform acquisition unit 120 Variable acquisition unit 130 Processing unit 131 Classification processing unit 132 Probability calculation unit 133 Prediction unit 134 Planning unit 140 Storage unit 20 Server

Claims (6)

過去に計測された目的変数の値を時系列に表す波形を取得する波形取得部と、
複数の前記波形のうち、類似する波形同士を一のパターンに分類し、当該一のパターンに分類された前記波形に共通する特性を示す第１の説明変数を設定する分類処理部と、
将来の予測対象期間におけるプラントの予定稼働状態を含む予定情報を、当該予測対象期間における第２の説明変数として取得する変数取得部と、
前記予測対象期間における前記第２の説明変数と適合する前記第１の説明変数が設定されたパターンを選択し、当該パターンに分類された波形に統計処理を施すことにより、前記予測対象期間において前記プラントの前記目的変数が取り得る値の確率分布を、前記予測対象期間を所定時間で分割した単位時間別に演算する確率演算部と、
前記確率分布に基づいて、前記予測対象期間における前記目的変数の値を求める予測部と、
を備える予測装置。 A waveform acquisition unit that acquires a waveform that represents the value of the objective variable measured in the past in chronological order,
A classification processing unit that classifies similar waveforms into one pattern among the plurality of the waveforms and sets a first explanatory variable showing characteristics common to the waveforms classified into the one pattern.
A variable acquisition unit that acquires scheduled information including the planned operating status of the plant in the future forecast target period as the second explanatory variable in the forecast target period.
By selecting a pattern in which the first explanatory variable matching the second explanatory variable in the prediction target period is set and performing statistical processing on the waveforms classified into the pattern, the said in the prediction target period. A probability calculation unit that calculates the probability distribution of the values that the objective variable of the plant can take for each unit time obtained by dividing the prediction target period by a predetermined time.
A prediction unit that obtains the value of the objective variable in the prediction target period based on the probability distribution, and
A predictor equipped with. 前記予測部は、前記確率分布に基づいて、前記予測対象期間において予め決められた信頼区間の範囲で前記目的変数が取り得る値のうち、上限値及び下限値を求める、
請求項１に記載の予測装置。 Based on the probability distribution, the prediction unit obtains an upper limit value and a lower limit value among the values that the objective variable can take within a range of a predetermined confidence interval in the prediction target period.
The prediction device according to claim 1. 前記予測部が求めた前記目的変数の値に基づいて、当該目的変数に関連する対象物の需給計画を作成する計画作成部を更に備える、
請求項１又は２に記載の予測装置。 Further provided with a planning unit for creating a supply and demand plan for an object related to the objective variable based on the value of the objective variable obtained by the forecasting unit.
The prediction device according to claim 1 or 2. プラントにおける目的変数の実際の値を計測する計測装置と、
前記プラントの将来の予測対象期間において前記目的変数の取り得る値を求める予測装置と、
を備え、
前記予測装置は、
前記計測装置により計測された前記目的変数の値を時系列に表す波形を取得する波形取得部と、
複数の前記波形のうち、類似する波形同士を一のパターンに分類し、当該一のパターンに分類された前記波形に共通する特性を示す第１の説明変数を設定する分類処理部と、
将来の予測対象期間におけるプラントの予定稼働状態を含む予定情報を、当該予測対象期間における第２の説明変数として取得する変数取得部と、
前記予測対象期間における前記第２の説明変数と適合する前記第１の説明変数が設定されたパターンを選択し、当該パターンに分類された波形に統計処理を施すことにより、前記予測対象期間において前記プラントの前記目的変数が取り得る値の確率分布を、前記予測対象期間を所定時間で分割した単位時間別に演算する確率演算部と、
前記確率分布に基づいて、前記予測対象期間における前記目的変数の値を求める予測部と、
を有する予測システム。 A measuring device that measures the actual value of the objective variable in the plant,
A prediction device that obtains possible values of the objective variable in the future prediction target period of the plant, and
Equipped with
The prediction device is
A waveform acquisition unit that acquires a waveform that represents the value of the objective variable measured by the measuring device in time series, and
A classification processing unit that classifies similar waveforms into one pattern among the plurality of the waveforms and sets a first explanatory variable showing characteristics common to the waveforms classified into the one pattern.
A variable acquisition unit that acquires scheduled information including the planned operating status of the plant in the future forecast target period as the second explanatory variable in the forecast target period.
By selecting a pattern in which the first explanatory variable matching the second explanatory variable in the prediction target period is set and performing statistical processing on the waveforms classified into the pattern, the said in the prediction target period. A probability calculation unit that calculates the probability distribution of the values that the objective variable of the plant can take for each unit time obtained by dividing the prediction target period by a predetermined time.
A prediction unit that obtains the value of the objective variable in the prediction target period based on the probability distribution, and
Prediction system with. コンピュータが実行する予測方法であって、
過去に計測された目的変数の値を時系列に表す波形を取得する波形取得ステップと、
複数の前記波形のうち、類似する波形同士を一のパターンに分類し、当該一のパターンに分類された前記波形に共通する特性を示す第１の説明変数を設定する分類処理ステップと、
将来の予測対象期間におけるプラントの予定稼働状態を含む予定情報を、当該予測対象期間における第２の説明変数として取得する変数取得ステップと、
前記予測対象期間における前記第２の説明変数と適合する前記第１の説明変数が設定されたパターンを選択し、当該パターンに分類された波形に統計処理を施すことにより、前記予測対象期間において前記プラントの前記目的変数が取り得る値の確率分布を、前記予測対象期間を所定時間で分割した単位時間別に演算する確率演算ステップと、
前記確率分布に基づいて、前記予測対象期間における前記目的変数の値を求める予測ステップと、
を有する予測方法。 It ’s a computer-executed prediction method.
A waveform acquisition step to acquire a waveform that represents the value of the objective variable measured in the past in chronological order,
A classification processing step of classifying similar waveforms among a plurality of the waveforms into one pattern and setting a first explanatory variable showing characteristics common to the waveforms classified into the one pattern.
A variable acquisition step to acquire scheduled information including the planned operating status of the plant in the future forecast target period as a second explanatory variable in the forecast target period.
By selecting a pattern in which the first explanatory variable matching the second explanatory variable in the prediction target period is set and performing statistical processing on the waveforms classified into the pattern, the said in the prediction target period. A probability calculation step for calculating the probability distribution of the values that the objective variable of the plant can take for each unit time obtained by dividing the prediction target period by a predetermined time.
A prediction step for obtaining the value of the objective variable in the prediction target period based on the probability distribution, and
Prediction method with. 予測装置のコンピュータを、
過去に計測された目的変数の値を時系列に表す波形を取得する波形取得部、
複数の前記波形のうち、類似する波形同士を一のパターンに分類し、当該一のパターンに分類された前記波形に共通する特性を示す第１の説明変数を設定する分類処理部、
将来の予測対象期間におけるプラントの予定稼働状態を含む予定情報を、当該予測対象期間における第２の説明変数として取得する変数取得部、
前記予測対象期間における前記第２の説明変数と適合する前記第１の説明変数が設定されたパターンを選択し、当該パターンに分類された波形に統計処理を施すことにより、前記予測対象期間において前記目的変数が取り得る値の確率分布を、前記予測対象期間を所定時間で分割した単位時間別に演算する確率演算部、
前記確率分布に基づいて、前記予測対象期間における前記目的変数の値を求める予測部、
として機能させるプログラム。 Predictor computer,
Waveform acquisition unit that acquires a waveform that represents the value of the objective variable measured in the past in chronological order,
A classification processing unit that classifies similar waveforms into one pattern among a plurality of the above waveforms, and sets a first explanatory variable showing characteristics common to the waveforms classified into the one pattern.
A variable acquisition unit that acquires scheduled information including the planned operating status of the plant in the future forecast target period as the second explanatory variable in the forecast target period.
By selecting a pattern in which the first explanatory variable matching the second explanatory variable in the prediction target period is set and performing statistical processing on the waveforms classified into the pattern, the said in the prediction target period. A probability calculation unit that calculates the probability distribution of the values that the objective variable can take for each unit time obtained by dividing the prediction target period by a predetermined time.
A prediction unit that obtains the value of the objective variable in the prediction target period based on the probability distribution.
A program that functions as.
JP2017071766A 2017-03-31 2017-03-31 Predictors, prediction systems, prediction methods and programs Active JP7099805B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2017071766A JP7099805B2 (en) 2017-03-31 2017-03-31 Predictors, prediction systems, prediction methods and programs

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017071766A JP7099805B2 (en) 2017-03-31 2017-03-31 Predictors, prediction systems, prediction methods and programs

Publications (2)

Publication Number Publication Date
JP2018173837A JP2018173837A (en) 2018-11-08
JP7099805B2 true JP7099805B2 (en) 2022-07-12

Family

ID=64108617

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017071766A Active JP7099805B2 (en) 2017-03-31 2017-03-31 Predictors, prediction systems, prediction methods and programs

Country Status (1)

Country Link
JP (1) JP7099805B2 (en)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7156975B2 (en) * 2019-02-26 2022-10-19 三菱重工業株式会社 Management evaluation device, management evaluation method, and program
WO2020188637A1 (en) * 2019-03-15 2020-09-24 三菱電機株式会社 Demand prediction device and demand prediction method
JP7243361B2 (en) * 2019-03-25 2023-03-22 富士通株式会社 Job scheduler and job schedule control method
JP2021114172A (en) * 2020-01-20 2021-08-05 東京瓦斯株式会社 Energy consumption prediction system, energy consumption prediction support system, energy consumption prediction method, and program
JP7379286B2 (en) * 2020-06-25 2023-11-14 株式会社日立プラントサービス Learning device, prediction system, and learning method

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001175735A (en) * 1999-12-17 2001-06-29 Canon Inc Device, system and method for predicting time series and storage medium
JP2011114944A (en) * 2009-11-26 2011-06-09 Fuji Electric Systems Co Ltd Power demand estimation device, and program of the same
JP5957725B2 (en) * 2012-10-25 2016-07-27 株式会社日立ソリューションズ東日本 Prediction device, prediction method, and prediction program
US20140229026A1 (en) * 2013-02-13 2014-08-14 Al Cabrini Prediction of future energy and demand usage using historical energy and demand usage
JP6187003B2 (en) * 2013-08-01 2017-08-30 富士電機株式会社 Similar day extraction device, similar day extraction method, program
JP6297466B2 (en) * 2014-10-22 2018-03-20 株式会社日立製作所 Wholesale electricity price prediction system and wholesale electricity price prediction method
JP6645043B2 (en) * 2015-06-25 2020-02-12 富士電機株式会社 Error width estimation device, error width estimation system, error width estimation method, and program

Also Published As

Publication number Publication date
JP2018173837A (en) 2018-11-08

Similar Documents

Publication Publication Date Title
JP7099805B2 (en) Predictors, prediction systems, prediction methods and programs
JP6895416B2 (en) Energy demand forecasting system and energy demand forecasting method
Yang et al. Decision-making for electricity retailers: A brief survey
Matos et al. Setting the operating reserve using probabilistic wind power forecasts
KR101875329B1 (en) Forecasting apparatus and method for power consumption
JP6079215B2 (en) Power demand forecasting device, program
US10846715B2 (en) Energy operation apparatus, method, and system
JP2020501491A (en) System and method for dynamic energy storage system control
US10740773B2 (en) Systems and methods of utilizing multiple forecast models in forecasting customer demands for products at retail facilities
CN113519104A (en) Planning device, control device, method, and program
JP6445909B2 (en) Power demand forecasting system
JP6296966B2 (en) Supply and demand adjustment device
JP2017121133A (en) Power demand prediction device and power demand prediction program
JP2014220971A (en) Power demand prediction device, power demand prediction method, and power demand prediction program
JP2018106431A (en) Facility equipment operation plan generation apparatus and method
JP7231504B2 (en) Meteorological Numerical Analysis System, Prediction Target Data Generation System, and Meteorological Numerical Analysis Method
TWI757691B (en) Operation index presentation device, operation index presentation method, and program
Bellenbaum et al. Designing flexibility procurement markets for congestion management–investigating two-stage procurement auctions
JP6631263B2 (en) Agent based demand forecasting system and method
JP2016148945A (en) Electricity transaction support system, electricity transaction support method and program
Bylling Bilevel Optimization with Application in Energy
Nandakumar et al. Impact of increased renewables on natural gas markets in eastern United States
JP2020086595A (en) Numerical analysis device and method
JP2016213987A (en) Electric power retailing charge menu planning apparatus
Nigam et al. Sales forecasting using Box Jenkins method based ARIMA model considering effect of COVID-19 pandemic situation

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20170403

RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20181109

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20191125

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200929

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20201020

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201209

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20210326

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210628

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20210628

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20210706

C21 Notice of transfer of a case for reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C21

Effective date: 20210713

A912 Re-examination (zenchi) completed and case transferred to appeal board

Free format text: JAPANESE INTERMEDIATE CODE: A912

Effective date: 20210813

C211 Notice of termination of reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C211

Effective date: 20210817

C22 Notice of designation (change) of administrative judge

Free format text: JAPANESE INTERMEDIATE CODE: C22

Effective date: 20211207

C13 Notice of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: C13

Effective date: 20220208

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220404

C22 Notice of designation (change) of administrative judge

Free format text: JAPANESE INTERMEDIATE CODE: C22

Effective date: 20220412

C23 Notice of termination of proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C23

Effective date: 20220524

C03 Trial/appeal decision taken

Free format text: JAPANESE INTERMEDIATE CODE: C03

Effective date: 20220621

C30A Notification sent

Free format text: JAPANESE INTERMEDIATE CODE: C3012

Effective date: 20220621

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220630

R150 Certificate of patent or registration of utility model

Ref document number: 7099805

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150