JPH07123589A - 需要予測装置 - Google Patents
需要予測装置Info
- Publication number
- JPH07123589A JPH07123589A JP26067593A JP26067593A JPH07123589A JP H07123589 A JPH07123589 A JP H07123589A JP 26067593 A JP26067593 A JP 26067593A JP 26067593 A JP26067593 A JP 26067593A JP H07123589 A JPH07123589 A JP H07123589A
- Authority
- JP
- Japan
- Prior art keywords
- temperature
- value
- predicted
- demand
- day
- 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.)
- Pending
Links
- 230000007704 transition Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 39
- 238000012937 correction Methods 0.000 claims description 20
- 238000004378 air conditioning Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract 1
- 230000002354 daily effect Effects 0.000 description 23
- 238000000034 method Methods 0.000 description 17
- 238000007619 statistical method Methods 0.000 description 8
- 238000001816 cooling Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000010438 heat treatment Methods 0.000 description 7
- 230000005611 electricity Effects 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000005338 heat storage Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012552 review Methods 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
- Control Of Temperature (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Sampling And Sample Adjustment (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
(57)【要約】
【目的】 需要量予測値の精度を大幅に向上させること
にある。 【構成】 前日に翌日を予想した最低気温,最高気温な
どに基づいて翌日の電力などの需要量を予測する需要量
予測値演算手段11と、日の出近傍時刻の外気温度実測
値から前記最低気温予想値を修正し前記演算手段を用い
て需要量を修正演算する第1の気温予想値修正演算手段
12と、予め外気温度日変動モデル式を記憶する外気温
度日変動モデル式記憶手段31およびこのモデル式を用
いて日の出近傍時刻以降の午前のある時刻において外気
温度実測値および日の出近傍時刻に求めた外気温度実測
値を用いて最高温度を推定する最高温度予想値推定演算
手段33とを有する最高温度予想手段3と、この推定最
高温度を用いて前日に予想された前記最高気温予想値を
修正し前記演算手段11を用い、さらに需要量を修正演
算する第2の気温予想値修正演算手段12とを設けた需
要予測装置である。
にある。 【構成】 前日に翌日を予想した最低気温,最高気温な
どに基づいて翌日の電力などの需要量を予測する需要量
予測値演算手段11と、日の出近傍時刻の外気温度実測
値から前記最低気温予想値を修正し前記演算手段を用い
て需要量を修正演算する第1の気温予想値修正演算手段
12と、予め外気温度日変動モデル式を記憶する外気温
度日変動モデル式記憶手段31およびこのモデル式を用
いて日の出近傍時刻以降の午前のある時刻において外気
温度実測値および日の出近傍時刻に求めた外気温度実測
値を用いて最高温度を推定する最高温度予想値推定演算
手段33とを有する最高温度予想手段3と、この推定最
高温度を用いて前日に予想された前記最高気温予想値を
修正し前記演算手段11を用い、さらに需要量を修正演
算する第2の気温予想値修正演算手段12とを設けた需
要予測装置である。
Description
【0001】
【産業上の利用分野】本発明は、電力活用システム、地
域冷暖房システムなどの熱の安定供給、効率的な運用を
確保するために利用される需要予測装置に係わり、特に
気象情報に基づいて電力やビル等で消費される熱等の需
要量を正確に予測する需要予測装置に関する。
域冷暖房システムなどの熱の安定供給、効率的な運用を
確保するために利用される需要予測装置に係わり、特に
気象情報に基づいて電力やビル等で消費される熱等の需
要量を正確に予測する需要予測装置に関する。
【0002】
【従来の技術】地域冷暖房プラントは、ボイラ,ターボ
冷凍機,吸収冷凍機,ヒートポンプなどの熱源機器や蓄
熱槽から構成されているが、以上のようなプラントにお
いてエネルギーを有効に活用するためには、熱需要量や
エネルギー発生量を的確に予測し、前記各構成機器の高
性能・高効率化運転を行うとともに、プラントの総合的
な観点から最適化運転を実行する必要がある。
冷凍機,吸収冷凍機,ヒートポンプなどの熱源機器や蓄
熱槽から構成されているが、以上のようなプラントにお
いてエネルギーを有効に活用するためには、熱需要量や
エネルギー発生量を的確に予測し、前記各構成機器の高
性能・高効率化運転を行うとともに、プラントの総合的
な観点から最適化運転を実行する必要がある。
【0003】地域冷暖房制御システムでは、熱の安定供
給と蓄熱システムの効率的な運用が重要であり、特に夜
間電力の利用やピークカット運転を行うためには、熱需
要の予測に従った計画的な運転が必要になってくる。
給と蓄熱システムの効率的な運用が重要であり、特に夜
間電力の利用やピークカット運転を行うためには、熱需
要の予測に従った計画的な運転が必要になってくる。
【0004】そこで、熱需要の予測を取りいれたプラン
トの運用計画を決定する場合、前日に翌日の熱需要を予
測する一方、ビルの空調負荷が大きくなる正午すぎごろ
に備えて、当日の午前中に前記予測量を修正し、当日で
の現時点以降の熱需要の正確な量および傾向を把握し、
当日の運用運転計画を再検討する。そして、必要があれ
ば、運用運転計画を修正し、現状に合った操業を続け
る。なお、熱需要の多くの部分はビルの空調用に利用さ
れることから、当日の気象条件に大きく影響される。
トの運用計画を決定する場合、前日に翌日の熱需要を予
測する一方、ビルの空調負荷が大きくなる正午すぎごろ
に備えて、当日の午前中に前記予測量を修正し、当日で
の現時点以降の熱需要の正確な量および傾向を把握し、
当日の運用運転計画を再検討する。そして、必要があれ
ば、運用運転計画を修正し、現状に合った操業を続け
る。なお、熱需要の多くの部分はビルの空調用に利用さ
れることから、当日の気象条件に大きく影響される。
【0005】一方、電気の需要は、景気の動向,季節や
曜日の違い,社会的なイベントのテレビ放映による視聴
率の変化などの影響を受け、多数の需要家が必要な時に
必要な量の電力を消費することになり、各日ごとに時々
刻々と複雑に変動するものである。特に、近年では、生
活水準の向上や安全で便利な電気の利用増加から、一般
家庭にはクーラーを含む冷房機器或いは電気カーペッ
ト、冷暖房兼用のルームエアコンなどの冷暖房機器が普
及しており、また各ビルの事務所や電子機器・精密機器
工場などには各種の空調設備が設置されているが、これ
らの設備の運転は、年間を通じて気温,湿度,天候など
の気象要因の変化に敏感に影響され、しかも近年の天候
不順による影響も手伝ってその電力変動量も年々大きく
なっている。
曜日の違い,社会的なイベントのテレビ放映による視聴
率の変化などの影響を受け、多数の需要家が必要な時に
必要な量の電力を消費することになり、各日ごとに時々
刻々と複雑に変動するものである。特に、近年では、生
活水準の向上や安全で便利な電気の利用増加から、一般
家庭にはクーラーを含む冷房機器或いは電気カーペッ
ト、冷暖房兼用のルームエアコンなどの冷暖房機器が普
及しており、また各ビルの事務所や電子機器・精密機器
工場などには各種の空調設備が設置されているが、これ
らの設備の運転は、年間を通じて気温,湿度,天候など
の気象要因の変化に敏感に影響され、しかも近年の天候
不順による影響も手伝ってその電力変動量も年々大きく
なっている。
【0006】ところで、従来、具体的な需要予測手法と
しては、統計的な手法がよく用いられている。この手法
にも事象のとらえ方により種々の予測方法が考えられて
いる。
しては、統計的な手法がよく用いられている。この手法
にも事象のとらえ方により種々の予測方法が考えられて
いる。
【0007】その中でも代表的な方法は、 (1) 線形回帰や重回帰による統計的予測方法 (2) カルマンフィルタによる予測方法 が上げられる。線形回帰は最も基本的な統計的予測方法
である。また、重回帰は線形回帰の拡張と考えられ、ど
ちらも基本的には多次元一次式を用いて対象の予測値を
求めるものである。この多次元一次式を用いて予測する
方法は、推定区間の設定や許容誤差の範囲等により、各
種の事象の予測に利用されている。
である。また、重回帰は線形回帰の拡張と考えられ、ど
ちらも基本的には多次元一次式を用いて対象の予測値を
求めるものである。この多次元一次式を用いて予測する
方法は、推定区間の設定や許容誤差の範囲等により、各
種の事象の予測に利用されている。
【0008】この多次元一次式は、幾つかの説明変数と
回帰係数とをかけて和をとったものであり、例えば熱需
要や電力需要の予測に用いる説明変数は前日の需要実績
値,翌日の最適気温予測値,翌日の最高気温予測値など
が用いられる。回帰係数は多くの入力データを用いて統
計的に求めている。
回帰係数とをかけて和をとったものであり、例えば熱需
要や電力需要の予測に用いる説明変数は前日の需要実績
値,翌日の最適気温予測値,翌日の最高気温予測値など
が用いられる。回帰係数は多くの入力データを用いて統
計的に求めている。
【0009】一方、カルマンフィルタによる予測方法
は、回帰予測と同じ多次元一次式を用いて予測する。回
帰分析と異なる点は回帰係数の求め方にある。回帰分析
では複数のデータと正規方程式と呼ばれる連立1次方程
式を立て、これを回帰係数について解くことにより求め
ている。これに対し、カルマンフィルタによる方法は、
予測値のフィードバックを考えることにより、回帰係数
を求めるための計算が簡略化されている。
は、回帰予測と同じ多次元一次式を用いて予測する。回
帰分析と異なる点は回帰係数の求め方にある。回帰分析
では複数のデータと正規方程式と呼ばれる連立1次方程
式を立て、これを回帰係数について解くことにより求め
ている。これに対し、カルマンフィルタによる方法は、
予測値のフィードバックを考えることにより、回帰係数
を求めるための計算が簡略化されている。
【0010】次に、統計的手法以外の予測手法として
は、ファジィ理論を利用したもの、ニューラルネットワ
ークを利用したもの、さらには最近ではファジィとニュ
ーラルネットワークとを組合せたものが発表されてい
る。
は、ファジィ理論を利用したもの、ニューラルネットワ
ークを利用したもの、さらには最近ではファジィとニュ
ーラルネットワークとを組合せたものが発表されてい
る。
【0011】
【発明が解決しようとする課題】従って、以上述べたよ
うに電気の需要は、年間を通して気温,湿度,天候など
の気象要因の変化に敏感に影響され、またその需要の変
動量も年々大きくなっている。因みに、東京電力では、
気温の変化に対する電力需要の変動について、図5のよ
うな調査報告書をまとめている。この調査報告書は、夏
季の東京における最高気温と最大需要電力との関係につ
いてグラフ化しているが、この図から明らかなように3
0°C付近での1°Cの温度変化に対し、需要の変動量
は約110kw程度になっている。
うに電気の需要は、年間を通して気温,湿度,天候など
の気象要因の変化に敏感に影響され、またその需要の変
動量も年々大きくなっている。因みに、東京電力では、
気温の変化に対する電力需要の変動について、図5のよ
うな調査報告書をまとめている。この調査報告書は、夏
季の東京における最高気温と最大需要電力との関係につ
いてグラフ化しているが、この図から明らかなように3
0°C付近での1°Cの温度変化に対し、需要の変動量
は約110kw程度になっている。
【0012】このように需要が大きく変動する原因は、
夏季における最大電力のうち,約1/3が冷房需要で占
められているためである。冬季は、夏季ほどではない
が、電力需要と気温との間には強い相関がある。これは
気温の低下によって暖房需要が増加するためである。
夏季における最大電力のうち,約1/3が冷房需要で占
められているためである。冬季は、夏季ほどではない
が、電力需要と気温との間には強い相関がある。これは
気温の低下によって暖房需要が増加するためである。
【0013】また、ビルの冷暖房用に使用する,地域冷
暖房システムでの熱需要についても、当然電力と同様に
気象,特に気温との間に強い相関関係がある。このよう
に需要予測には気象情報の予測が必要不可欠なものであ
るが、気象庁から発表された気象情報の予測はあくまで
も前日における翌日の気象情報の予測であり、それだけ
に気象情報の予測に基づいて電力や熱の需要予測を行っ
ても精度的に問題があり、信頼性の高い需要予測ができ
なかった。本発明は上記実情に鑑みてなされたものであ
って、需要の予測値の精度を大幅に上げうる需要予測装
置を提供することを目的とする。
暖房システムでの熱需要についても、当然電力と同様に
気象,特に気温との間に強い相関関係がある。このよう
に需要予測には気象情報の予測が必要不可欠なものであ
るが、気象庁から発表された気象情報の予測はあくまで
も前日における翌日の気象情報の予測であり、それだけ
に気象情報の予測に基づいて電力や熱の需要予測を行っ
ても精度的に問題があり、信頼性の高い需要予測ができ
なかった。本発明は上記実情に鑑みてなされたものであ
って、需要の予測値の精度を大幅に上げうる需要予測装
置を提供することを目的とする。
【0014】
【課題を解決するための手段】上記課題を解決するため
に、請求項1に対応する発明は、前日に翌日の最低気温
予想値および最高気温予想値などに基づいて翌日の電力
や熱などの需要量を演算予測する需要量予測値演算手段
と、当日の最低気温の生ずる日の出近傍時刻の外気温度
実測値から前記最低気温予想値を修正して、前記需要量
予測値演算手段を用いて前記需要量を修正演算予測する
第1の気温予想値修正演算手段と、前記日の出近傍時刻
から午前中のある時刻までの外気温度実測値および照度
の実測推移に基づいて最高温度を予想する最高温度予想
手段と、この最高温度予想手段によって予想された最高
温度を用いて前記前日に予想された前記最高気温予想値
を修正して、前記需要量予測値演算手段を用いて、さら
に需要量を修正演算予測する第2の気温予想値修正演算
手段とを設けた需要予測装置である。
に、請求項1に対応する発明は、前日に翌日の最低気温
予想値および最高気温予想値などに基づいて翌日の電力
や熱などの需要量を演算予測する需要量予測値演算手段
と、当日の最低気温の生ずる日の出近傍時刻の外気温度
実測値から前記最低気温予想値を修正して、前記需要量
予測値演算手段を用いて前記需要量を修正演算予測する
第1の気温予想値修正演算手段と、前記日の出近傍時刻
から午前中のある時刻までの外気温度実測値および照度
の実測推移に基づいて最高温度を予想する最高温度予想
手段と、この最高温度予想手段によって予想された最高
温度を用いて前記前日に予想された前記最高気温予想値
を修正して、前記需要量予測値演算手段を用いて、さら
に需要量を修正演算予測する第2の気温予想値修正演算
手段とを設けた需要予測装置である。
【0015】次に、請求項2に対応する発明は、前日に
翌日の最低気温予想値および最高気温予想値などに基づ
いて翌日の電力や熱などの需要量を演算予測する需要量
予測値演算手段と、当日の最低気温の生ずる日の出近傍
時刻の外気温度実測値から前記最低気温予想値を修正し
て、前記需要量予測値演算手段を用いて前記需要量を修
正演算予測する第1の気温予想値修正演算手段と、予め
空調シミュレーションなどに用いられている外気温度日
変動モデル式を記憶する外気温度日変動モデル式記憶手
段および前記外気温度日変動モデル式を用いて日の出近
傍時刻以降の午前のある時刻において外気温度実測値お
よび前記日の出近傍時刻に求めた外気温度実測値を用い
て最高温度を予想する最高温度予想値推定演算手段とを
有する最高温度予想手段と、この最高温度予想手段によ
って予想された最高温度の予想値を用いて前記前日の最
高気温予想値を修正して、前記需要量予測値演算手段を
用いて、さらに需要量を修正演算予測する第2の気温予
想値修正演算手段とを設けた需要予測装置である。
翌日の最低気温予想値および最高気温予想値などに基づ
いて翌日の電力や熱などの需要量を演算予測する需要量
予測値演算手段と、当日の最低気温の生ずる日の出近傍
時刻の外気温度実測値から前記最低気温予想値を修正し
て、前記需要量予測値演算手段を用いて前記需要量を修
正演算予測する第1の気温予想値修正演算手段と、予め
空調シミュレーションなどに用いられている外気温度日
変動モデル式を記憶する外気温度日変動モデル式記憶手
段および前記外気温度日変動モデル式を用いて日の出近
傍時刻以降の午前のある時刻において外気温度実測値お
よび前記日の出近傍時刻に求めた外気温度実測値を用い
て最高温度を予想する最高温度予想値推定演算手段とを
有する最高温度予想手段と、この最高温度予想手段によ
って予想された最高温度の予想値を用いて前記前日の最
高気温予想値を修正して、前記需要量予測値演算手段を
用いて、さらに需要量を修正演算予測する第2の気温予
想値修正演算手段とを設けた需要予測装置である。
【0016】さらに、請求項3に対応する発明は、前日
に翌日の最低気温予想値および最高気温予想値などに基
づいて翌日の電力や熱などの需要量を演算予測する需要
量予測値演算手段と、当日の最低気温の生ずる日の出近
傍時刻の外気温度実測値から前記最低気温予想値を修正
して、前記需要量予測値演算手段を用いて前記需要量を
修正演算予測する第1の気温予想値修正演算手段と、季
節および照度に基づいて複数の外気温度日変動モデル式
に分類記憶され、毎日の外気温度から当該モデル式に用
いる係数および最高気温の生ずる時刻データなどを学習
するモデル式分類学習手段および当日の季節および照度
を引数として最適な外気温度日変動モデル式を検索し、
このモデル式を用いて日の出近傍時刻以降の午前のある
時刻において外気温度実測値および前記日の出近傍時刻
に求めた外気温度実測値を用いて最高温度を予想する最
高温度予想値推定演算手段を有する最高温度予想手段
と、この最高温度予想手段によって予想された最高温度
を用いて前記前日の最高気温予想値を修正して、前記需
要量予測値演算手段を用いて、さらに需要量を修正演算
予測する第2の気温予想値修正演算手段とを設けた需要
予測装置である。
に翌日の最低気温予想値および最高気温予想値などに基
づいて翌日の電力や熱などの需要量を演算予測する需要
量予測値演算手段と、当日の最低気温の生ずる日の出近
傍時刻の外気温度実測値から前記最低気温予想値を修正
して、前記需要量予測値演算手段を用いて前記需要量を
修正演算予測する第1の気温予想値修正演算手段と、季
節および照度に基づいて複数の外気温度日変動モデル式
に分類記憶され、毎日の外気温度から当該モデル式に用
いる係数および最高気温の生ずる時刻データなどを学習
するモデル式分類学習手段および当日の季節および照度
を引数として最適な外気温度日変動モデル式を検索し、
このモデル式を用いて日の出近傍時刻以降の午前のある
時刻において外気温度実測値および前記日の出近傍時刻
に求めた外気温度実測値を用いて最高温度を予想する最
高温度予想値推定演算手段を有する最高温度予想手段
と、この最高温度予想手段によって予想された最高温度
を用いて前記前日の最高気温予想値を修正して、前記需
要量予測値演算手段を用いて、さらに需要量を修正演算
予測する第2の気温予想値修正演算手段とを設けた需要
予測装置である。
【0017】
【作用】従って、請求項1に対応する発明は、以上のよ
うな手段を講じたことにより、需要量予測値演算手段に
て前日に予想された最低気温予想値および最高気温予想
値を用いて翌日の電力、熱などの需要予測を行うが、当
日に至ったときには、最低気温の生ずる日の出近傍時刻
の外気温度実績値を取り込んで前記最低気温予想値と置
換して当日の需要量を修正し、さらに日の出近傍時刻か
ら午前中のある時刻までの外気温度実測値や照度の実測
推移に基づいて当日の最高温度を予想し、同様に前日の
最高気温予想値と置換して当日の需要量を修正するの
で、精度の高い需要量を予測できる。
うな手段を講じたことにより、需要量予測値演算手段に
て前日に予想された最低気温予想値および最高気温予想
値を用いて翌日の電力、熱などの需要予測を行うが、当
日に至ったときには、最低気温の生ずる日の出近傍時刻
の外気温度実績値を取り込んで前記最低気温予想値と置
換して当日の需要量を修正し、さらに日の出近傍時刻か
ら午前中のある時刻までの外気温度実測値や照度の実測
推移に基づいて当日の最高温度を予想し、同様に前日の
最高気温予想値と置換して当日の需要量を修正するの
で、精度の高い需要量を予測できる。
【0018】次に、請求項2に対応する発明において
は、請求項1に対応する発明と同様に日の出近傍時刻の
外気温度実績値を取り込んで前記最低気温予想値と置換
して当日の需要量を修正するが、特に最高温度予想手段
において予めで得られる外気温度日変動モデル式を記憶
し、この外気温度日変動モデル式を適用して最高温度を
予想し、この予想された最高温度に従って需要量を修正
するので、さらに精度の高い需要量を予測できる。
は、請求項1に対応する発明と同様に日の出近傍時刻の
外気温度実績値を取り込んで前記最低気温予想値と置換
して当日の需要量を修正するが、特に最高温度予想手段
において予めで得られる外気温度日変動モデル式を記憶
し、この外気温度日変動モデル式を適用して最高温度を
予想し、この予想された最高温度に従って需要量を修正
するので、さらに精度の高い需要量を予測できる。
【0019】さらに、請求項3に対応する発明は、季節
および照度に基づいて外気温度日変動モデル式を分類分
けし、当日の季節,照度に応じて最適とされるモデル式
を用いて最高温度を予想し、しかも各モデル式に用いる
係数や最高温度の生ずる時刻を学習し、モデル式に生か
すようにするので、最高温度の予想に基づいて非常に精
度の高い需要量を予測できる。
および照度に基づいて外気温度日変動モデル式を分類分
けし、当日の季節,照度に応じて最適とされるモデル式
を用いて最高温度を予想し、しかも各モデル式に用いる
係数や最高温度の生ずる時刻を学習し、モデル式に生か
すようにするので、最高温度の予想に基づいて非常に精
度の高い需要量を予測できる。
【0020】
【実施例】以下、本発明装置の実施例について図面を参
照して説明する。図1は請求項1に係わる発明の一実施
例を示す全体構成図である。同図において1は前日の夜
に気象庁から発表される翌日の最高気温予想値や最低気
温予想値などを用いて需要量を予測する需要量予測モデ
ルである。この需要量予測モデル1は、機能的には例え
ば重回帰モデルやニューラルネットワーク等を用いて電
力や熱などの需要量を予測する需要量予測値演算手段1
1と、当日の早い時刻に最低気温および最高気温を予想
し、これらの気温を前日の最低気温予想値および最高気
温予想値と置換して、前記需要量予測値演算手段11を
用いて再度需要量を予測する気温予想値修正演算手段1
2とが設けられている。
照して説明する。図1は請求項1に係わる発明の一実施
例を示す全体構成図である。同図において1は前日の夜
に気象庁から発表される翌日の最高気温予想値や最低気
温予想値などを用いて需要量を予測する需要量予測モデ
ルである。この需要量予測モデル1は、機能的には例え
ば重回帰モデルやニューラルネットワーク等を用いて電
力や熱などの需要量を予測する需要量予測値演算手段1
1と、当日の早い時刻に最低気温および最高気温を予想
し、これらの気温を前日の最低気温予想値および最高気
温予想値と置換して、前記需要量予測値演算手段11を
用いて再度需要量を予測する気温予想値修正演算手段1
2とが設けられている。
【0021】この需要量予測値演算手段11、具体的に
は、この種の分野でよく行われるように、予測対象の変
数がその過去のデータの時系列で表せるとみなし、例え
ば次のような演算式を用いて翌日の需要量予測値Yk を
求める。
は、この種の分野でよく行われるように、予測対象の変
数がその過去のデータの時系列で表せるとみなし、例え
ば次のような演算式を用いて翌日の需要量予測値Yk を
求める。
【0022】 YK =a1 ・yK-1 +a2 ・yK-2 +b1 ・x1 +b2 ・x2 +c…(1) 但し、この式においてyK-1 :前日の需要量実績値,y
K-2 :前前日需要量実績値,x1 :気象庁から発表され
る翌日の最低気温予想値,x2 :気象庁から発表される
翌日の最高気温予想値、a1 ,a2 ,b1 ,b2 ,c:
モデルパラメータである。従って、需要量予測モデル1
としては、需要量予測値Yk を演算するために必要な各
種データを保存する記憶ファイルや時間を刻時し予め定
めた時間に気温修正のための最低気温および最高気温を
取り込むための機能が設けられている。
K-2 :前前日需要量実績値,x1 :気象庁から発表され
る翌日の最低気温予想値,x2 :気象庁から発表される
翌日の最高気温予想値、a1 ,a2 ,b1 ,b2 ,c:
モデルパラメータである。従って、需要量予測モデル1
としては、需要量予測値Yk を演算するために必要な各
種データを保存する記憶ファイルや時間を刻時し予め定
めた時間に気温修正のための最低気温および最高気温を
取り込むための機能が設けられている。
【0023】2はパラメータ同定手段であって、これは
需要量予測モデル1において需要量予測値Yk を求める
ときに使用するモデルパラメータを求めるものであり、
そのうち、a1 ,a2 ,b1 ,b2 は回帰モデルのパラ
メータであり、cは定数項である。このa1 ,a2 ,b
1 ,b2 等のパラメータは重回帰モデルなどの過去の実
績データを用いて統計的手法によって求める。このパラ
メータ同定手段2には過去の実績データである最高気温
実績値,最低気温実績値を求めるために外気温度を取り
込んで保存する記憶手段が設けられている。この記憶手
段には過去の実績データとして需要量実績値も記憶され
る。
需要量予測モデル1において需要量予測値Yk を求める
ときに使用するモデルパラメータを求めるものであり、
そのうち、a1 ,a2 ,b1 ,b2 は回帰モデルのパラ
メータであり、cは定数項である。このa1 ,a2 ,b
1 ,b2 等のパラメータは重回帰モデルなどの過去の実
績データを用いて統計的手法によって求める。このパラ
メータ同定手段2には過去の実績データである最高気温
実績値,最低気温実績値を求めるために外気温度を取り
込んで保存する記憶手段が設けられている。この記憶手
段には過去の実績データとして需要量実績値も記憶され
る。
【0024】なお、カルマンフィルタの理論を用いる場
合には、cはシステムのノイズ(白色ガウス雑音)であ
る。さらに、需要量予測モデル1の気温予想値修正演算
手段12では、前述したように最低気温予想値,最高気
温予想値を修正する機能をもっており、そのうち最低気
温予想値の修正は次のようにして行われる。つまり、最
低気温の生ずる日の出時刻前後ごろの外気温度の実測値
を取り込み、この取り込んだ外気温度の実測値を前記
(1)式に代入し、当日の需要量予測値を修正する。次
に、気温予想値修正演算手段12により最高気温予想値
を修正するが、この場合には最高気温予想手段3による
最高気温の予想値に基づいて修正処理を行う。
合には、cはシステムのノイズ(白色ガウス雑音)であ
る。さらに、需要量予測モデル1の気温予想値修正演算
手段12では、前述したように最低気温予想値,最高気
温予想値を修正する機能をもっており、そのうち最低気
温予想値の修正は次のようにして行われる。つまり、最
低気温の生ずる日の出時刻前後ごろの外気温度の実測値
を取り込み、この取り込んだ外気温度の実測値を前記
(1)式に代入し、当日の需要量予測値を修正する。次
に、気温予想値修正演算手段12により最高気温予想値
を修正するが、この場合には最高気温予想手段3による
最高気温の予想値に基づいて修正処理を行う。
【0025】この最高気温予想手段3は、前記最低気温
の生ずる日の出時刻から例えば午前9時ごろまでの実際
の外気温度,照度(天候)の実測推移から当日の最高温
度(午後2時〜3時ごろに生ずる温度)を予想し、この
予想最高気温と日の出時刻前後に取り込んだ最低気温と
を前記(1)式に代入し、当日の需要量予測値を修正す
る。
の生ずる日の出時刻から例えば午前9時ごろまでの実際
の外気温度,照度(天候)の実測推移から当日の最高温
度(午後2時〜3時ごろに生ずる温度)を予想し、この
予想最高気温と日の出時刻前後に取り込んだ最低気温と
を前記(1)式に代入し、当日の需要量予測値を修正す
る。
【0026】次に、請求項2に係わる発明の一実施例に
ついて図2および図3を参照して説明する。この実施例
は、実際の外気温度等の実測値を用いて最高気温を予想
する最高気温予想手段3を下記のように行う。機能的に
は、図3に示す外気温度の日変動モデルから得られる外
気温度日変動モデル式を記憶するモデル式記憶手段31
と、所定の時分ごとに実績の外気温度を記憶する外気温
度記憶手段32と、この外気温度記憶手段32に記憶さ
れた外気温度から求める最低温度とモデル式記憶手段3
1のモデル式とを用いて最高気温を予想する最高気温予
想値推定演算手段33とによって構成されている。
ついて図2および図3を参照して説明する。この実施例
は、実際の外気温度等の実測値を用いて最高気温を予想
する最高気温予想手段3を下記のように行う。機能的に
は、図3に示す外気温度の日変動モデルから得られる外
気温度日変動モデル式を記憶するモデル式記憶手段31
と、所定の時分ごとに実績の外気温度を記憶する外気温
度記憶手段32と、この外気温度記憶手段32に記憶さ
れた外気温度から求める最低温度とモデル式記憶手段3
1のモデル式とを用いて最高気温を予想する最高気温予
想値推定演算手段33とによって構成されている。
【0027】先ず、外気温度日変動モデル式を求める必
要があるが、図3の外気温度の日変動モデルから求める
ものである。図3は空調設備の設計・解析時に行われる
シミュレーションなどでよく使われる外気温度の日変動
モデルを表した図である。これは、1日の外気温度につ
いて、最低気温の生ずる時刻(日の出時刻)から最高気
温の生ずる時刻(午後2時〜3時)までの区間Bと、最
高気温の生ずる時刻から翌日の最低気温の生ずる時刻ま
での区間Aとに2分し、これらを三角関数のcos曲線
で近似したものであるこの実施例では、最高気温予想値
推定演算手段33において区間Bのモデル式を利用し、
外気温度Ta,最低温度Tmin などから最高気温予想値
Tmax を推定することにあり、具体的には下記式によっ
て表わすことができる。
要があるが、図3の外気温度の日変動モデルから求める
ものである。図3は空調設備の設計・解析時に行われる
シミュレーションなどでよく使われる外気温度の日変動
モデルを表した図である。これは、1日の外気温度につ
いて、最低気温の生ずる時刻(日の出時刻)から最高気
温の生ずる時刻(午後2時〜3時)までの区間Bと、最
高気温の生ずる時刻から翌日の最低気温の生ずる時刻ま
での区間Aとに2分し、これらを三角関数のcos曲線
で近似したものであるこの実施例では、最高気温予想値
推定演算手段33において区間Bのモデル式を利用し、
外気温度Ta,最低温度Tmin などから最高気温予想値
Tmax を推定することにあり、具体的には下記式によっ
て表わすことができる。
【0028】 Ta=Tmin +(Tmax −Tmin )・ {b0 +b1 cos w+b2 cos (2w+b3 )} ……(2) ここで、時刻tはtmn<t<tmx、tmn:日の出時刻、
tmx:最高気温の生ずる時刻(例えば15時)、Tmin
:最低気温(日の出時刻の外気温度)、Tmax:最高気
温である。
tmx:最高気温の生ずる時刻(例えば15時)、Tmin
:最低気温(日の出時刻の外気温度)、Tmax:最高気
温である。
【0029】 w=(t−tmn)π/(tmx−tmn) ……(3) よく用いられるb0 ,b1 ,b2 ,b3 の数値例を下記
に示す。 b0 =0.584、b1 =−0.5、b2 =−0.1、b3 =0.567 ……(4) これらb0 ,b1 ,b2 ,b3 の係数は前記(2)式に
既知の複数のTa,Tmi,Tmax 等の実績値を代入した
ときに、右辺と左辺とが近似する関係になるように統計
的手法によって求められる。
に示す。 b0 =0.584、b1 =−0.5、b2 =−0.1、b3 =0.567 ……(4) これらb0 ,b1 ,b2 ,b3 の係数は前記(2)式に
既知の複数のTa,Tmi,Tmax 等の実績値を代入した
ときに、右辺と左辺とが近似する関係になるように統計
的手法によって求められる。
【0030】なお、tmnの日の出時刻は年月日と緯度,
経度を与えれば計算できる。すなわち、この実施例は、
請求項1の発明と同様に需要量予測モデル1の気温予想
値修正演算手段12にて日の出時刻ごろの実際の外気温
度実測値を取り込んで前日に気象庁から発表された最低
気温予想値と置換正し、前記(1)式を用いて当日の需
要量予測値を修正する。このときの外気温度実測値がT
min である。
経度を与えれば計算できる。すなわち、この実施例は、
請求項1の発明と同様に需要量予測モデル1の気温予想
値修正演算手段12にて日の出時刻ごろの実際の外気温
度実測値を取り込んで前日に気象庁から発表された最低
気温予想値と置換正し、前記(1)式を用いて当日の需
要量予測値を修正する。このときの外気温度実測値がT
min である。
【0031】次に、最高気温予想値推定演算手段33に
て例えば午前9時(t=9)頃に実際の外気温度Taを
計測する。このとき、Tmin も既知となっているので、
これらt,Ta,Tmin を前記(2)式に代入すると、
この(2)式から簡単に最高気温予想値Tmax を逆算す
ることができる。
て例えば午前9時(t=9)頃に実際の外気温度Taを
計測する。このとき、Tmin も既知となっているので、
これらt,Ta,Tmin を前記(2)式に代入すると、
この(2)式から簡単に最高気温予想値Tmax を逆算す
ることができる。
【0032】そこで、最高気温予想値推定演算手段33
によって予想された最高気温予想値Tmax を求めたなら
ば、このTmax を需要量予測モデル1に送出する。ここ
で、需要量予測モデル1の気温予想値修正演算手段12
では、Tmax が前日の気象庁発表の最高気温予想値より
も確度の高い最高気温予想値なので、このTmax および
既知Tmin とを用いて前記(1)式から当日の需要量予
測値を修正するものである。
によって予想された最高気温予想値Tmax を求めたなら
ば、このTmax を需要量予測モデル1に送出する。ここ
で、需要量予測モデル1の気温予想値修正演算手段12
では、Tmax が前日の気象庁発表の最高気温予想値より
も確度の高い最高気温予想値なので、このTmax および
既知Tmin とを用いて前記(1)式から当日の需要量予
測値を修正するものである。
【0033】次に、請求項3に係わる発明の実施例につ
いて図4を参照して説明する。この実施例は、請求項2
と同様に最高気温予想手段3を改良したものである。こ
の最高気温予想手段3は、機能的には季節や照度(天
候)などによって係数b0 ,b1 ,b2 ,b3 および最
高気温の生ずる時刻tmxが異なる前記(2)式の複数の
モデル式に分類し学習記憶する外気温度日変動モデル式
分類学習手段34と、季節や計測照度等に基づいて前記
分類学習手段34から最適なモデル式を検索する外気温
度日変動モデル式検索手段35と、最高気温予想値推定
演算手段33とによって構成されている。
いて図4を参照して説明する。この実施例は、請求項2
と同様に最高気温予想手段3を改良したものである。こ
の最高気温予想手段3は、機能的には季節や照度(天
候)などによって係数b0 ,b1 ,b2 ,b3 および最
高気温の生ずる時刻tmxが異なる前記(2)式の複数の
モデル式に分類し学習記憶する外気温度日変動モデル式
分類学習手段34と、季節や計測照度等に基づいて前記
分類学習手段34から最適なモデル式を検索する外気温
度日変動モデル式検索手段35と、最高気温予想値推定
演算手段33とによって構成されている。
【0034】なお、外気温度日変動モデル式分類学習手
段34は、初期設定時には過去の経験に基づいて必要な
係数b0 ,b1 ,b2 ,b3 および最高気温の生ずる時
刻tmxをもつ分類分けした複数のモデル式を仮に記憶す
る。或いは、学習前なので、どのモデル式の係数とも同
じ値、例えば前記(4)式の値に仮設定しておく。
段34は、初期設定時には過去の経験に基づいて必要な
係数b0 ,b1 ,b2 ,b3 および最高気温の生ずる時
刻tmxをもつ分類分けした複数のモデル式を仮に記憶す
る。或いは、学習前なので、どのモデル式の係数とも同
じ値、例えば前記(4)式の値に仮設定しておく。
【0035】次に、毎日の外気温度の日変動パターンを
得るために、外気温度を例えば30分間隔で一定期間実
測し、それを季節,照度(天候)により、幾つかに分類
して記憶する。この分類された外気温度日変動パターン
のデータを用いれば、季節,照度(天候)ごとに最高気
温の生ずる時刻tmxが求まり、さらに最小2乗法などの
統計的手法を用いれば、季節,照度ごとに幾つかに分類
した、外気温度日変動モデル式の係数b0 ,b1 ,b
2 ,b3 を得ることができ、ひいては最適なモデル式を
作成できる。
得るために、外気温度を例えば30分間隔で一定期間実
測し、それを季節,照度(天候)により、幾つかに分類
して記憶する。この分類された外気温度日変動パターン
のデータを用いれば、季節,照度(天候)ごとに最高気
温の生ずる時刻tmxが求まり、さらに最小2乗法などの
統計的手法を用いれば、季節,照度ごとに幾つかに分類
した、外気温度日変動モデル式の係数b0 ,b1 ,b
2 ,b3 を得ることができ、ひいては最適なモデル式を
作成できる。
【0036】請求項2で示した(4)式のb0 ,b1 ,
b2 ,b3 やtmxの値は、ほぼ季節,天候,地域にかか
わらず、一般的に成立するものであるが、その分だけ精
度が高いとはいえない。
b2 ,b3 やtmxの値は、ほぼ季節,天候,地域にかか
わらず、一般的に成立するものであるが、その分だけ精
度が高いとはいえない。
【0037】そこで、この実施例では、それぞれの地域
の気象条件や季節を考慮に入れながら統計的手法によっ
て学習すれば、その気象条件にあった精度のよいモデル
式を得ることができる。
の気象条件や季節を考慮に入れながら統計的手法によっ
て学習すれば、その気象条件にあった精度のよいモデル
式を得ることができる。
【0038】従って、以上のような実施例の構成によれ
ば、先ず最初に季節,照度および過去の経験等を踏まえ
ながら複数種類の係数b0 〜b3 および最高気温の生ず
る時刻tmxを設定し、これに伴って複数の外気温度日変
動モデル式に仮に分類分けする。或いは、学習前なの
で、どのモデル式の係数とも同じ値、例えば前記の
(4)式の値に仮に設定しておく。しかる後、実際に照
度,外気温度を一定期間取り込んで、係数b0 ,b1 ,
b2 ,b3 および最高気温の生ずる時刻tmxを学習し、
その地域の気象条件にあった係数b0 ,b1 ,b2 ,b
3 および最高気温の生ずる時刻tmxを見い出す。
ば、先ず最初に季節,照度および過去の経験等を踏まえ
ながら複数種類の係数b0 〜b3 および最高気温の生ず
る時刻tmxを設定し、これに伴って複数の外気温度日変
動モデル式に仮に分類分けする。或いは、学習前なの
で、どのモデル式の係数とも同じ値、例えば前記の
(4)式の値に仮に設定しておく。しかる後、実際に照
度,外気温度を一定期間取り込んで、係数b0 ,b1 ,
b2 ,b3 および最高気温の生ずる時刻tmxを学習し、
その地域の気象条件にあった係数b0 ,b1 ,b2 ,b
3 および最高気温の生ずる時刻tmxを見い出す。
【0039】このようして学習した後、前日に気象庁か
ら発表される翌日の最低気温予想値および最高気温予想
値を需要量予測モデル1に供給し、前記(1)式に基づ
いて翌日の需要量予測値を求めて出力する。つまり、翌
日の需要量予測値を知ることにより、構成機器の準備そ
の他の対策等を立てることになる。
ら発表される翌日の最低気温予想値および最高気温予想
値を需要量予測モデル1に供給し、前記(1)式に基づ
いて翌日の需要量予測値を求めて出力する。つまり、翌
日の需要量予測値を知ることにより、構成機器の準備そ
の他の対策等を立てることになる。
【0040】そして、実際の当日、需要量予測モデル1
が自身の時間計測手段により最低気温とされる日の出時
刻の前後にスイッチ手段を切り替え、最低気温実測値を
取り込み、前日の最低気温予想値と置換し、再度前記
(1)式に基づいて当日の最低気温実測値に基づいて需
要量を予測する。
が自身の時間計測手段により最低気温とされる日の出時
刻の前後にスイッチ手段を切り替え、最低気温実測値を
取り込み、前日の最低気温予想値と置換し、再度前記
(1)式に基づいて当日の最低気温実測値に基づいて需
要量を予測する。
【0041】さらに、午前9時頃、最高気温予想値推定
演算手段33は、実際に外気温度を実測する一方、照度
計測データを外気温度日変動モデル式検索手段35に送
出する。ここで、外気温度日変動モデル式検索手段35
は、照度計測データと季節とから、分類学習された外気
温度日変動モデル式を検索する。
演算手段33は、実際に外気温度を実測する一方、照度
計測データを外気温度日変動モデル式検索手段35に送
出する。ここで、外気温度日変動モデル式検索手段35
は、照度計測データと季節とから、分類学習された外気
温度日変動モデル式を検索する。
【0042】ここで、最高気温予想値推定演算手段33
は、外気温度日変動モデル式検索手段35によって検索
された(2)式に相当するモデル式を用い、現在の外気
温度実測値と日の出近傍時刻に既に計測した最低温度気
温実測値とを代入し、当日の最高気温予想値Tmax を逆
算し、需要量予測モデル1に送出する。
は、外気温度日変動モデル式検索手段35によって検索
された(2)式に相当するモデル式を用い、現在の外気
温度実測値と日の出近傍時刻に既に計測した最低温度気
温実測値とを代入し、当日の最高気温予想値Tmax を逆
算し、需要量予測モデル1に送出する。
【0043】この需要量予測モデル1では、最高気温予
想値推定演算手段33によって求めた確度の高い最高気
温予想値Tmax と既に測定した最低気温実績値とを用
い、前記(1)式に基づいて当日の需要量予測値を修正
する。
想値推定演算手段33によって求めた確度の高い最高気
温予想値Tmax と既に測定した最低気温実績値とを用
い、前記(1)式に基づいて当日の需要量予測値を修正
する。
【0044】なお、上記実施例では、需要予測を求める
統計的手法として(1)式を用いたが、要は前日に翌日
の最低気温予想値および翌日の最高気温予想値を含むも
のであれば、他の形式による式を用いて求めてもよい。
また、需要に影響を与える他の変数として、例えば湿度
などを含めてよいものである。
統計的手法として(1)式を用いたが、要は前日に翌日
の最低気温予想値および翌日の最高気温予想値を含むも
のであれば、他の形式による式を用いて求めてもよい。
また、需要に影響を与える他の変数として、例えば湿度
などを含めてよいものである。
【0045】また、需要予測を求める手法としては、前
日に翌日の最低気温予想値および翌日の最高気温予想値
を含むものであれば、統計的手法以外の構成、例えばニ
ューラルネットワークその他の手法を用いて求めるよう
にしてもよい。その他、本発明はその要旨を逸脱しない
範囲で種々変形して実施できる。
日に翌日の最低気温予想値および翌日の最高気温予想値
を含むものであれば、統計的手法以外の構成、例えばニ
ューラルネットワークその他の手法を用いて求めるよう
にしてもよい。その他、本発明はその要旨を逸脱しない
範囲で種々変形して実施できる。
【0046】
【発明の効果】以上説明したように本発明によれば、既
に前日に予想した最低気温予想値および最高気温予想値
に基づいて翌日の需要量を予測するが、当日の午前中の
早い時期に時々刻々変化する外気温度実測値や照度に基
づいて最低気温および最高気温の予想値を精度よく修正
し、当該最低気温および最高気温に基づいて正確に需要
量を修正するので、需要量予測値の精度を大幅に向上さ
せることができる。
に前日に予想した最低気温予想値および最高気温予想値
に基づいて翌日の需要量を予測するが、当日の午前中の
早い時期に時々刻々変化する外気温度実測値や照度に基
づいて最低気温および最高気温の予想値を精度よく修正
し、当該最低気温および最高気温に基づいて正確に需要
量を修正するので、需要量予測値の精度を大幅に向上さ
せることができる。
【図1】請求項1に係わる発明の一実施例を示す構成
図。
図。
【図2】請求項2に係わる発明の一実施例を示す構成
図。
図。
【図3】図2において最高温度を予想するときに用いる
外気温度日変動モデルを図式化した図。
外気温度日変動モデルを図式化した図。
【図4】請求項3に係わる発明の一実施例を示す構成
図。
図。
【図5】東京電力によって調査報告された夏期の電力と
温度との関係を示す図。
温度との関係を示す図。
1…需要量予測モデル、2…パラメータ同定手段、3…
最高気温予想手段、11…需要量予測値演算手段、12
…気温予想値修正演算手段、31…外気温度日変動モデ
ル式記憶手段、33…最高気温予想値推定演算手段、3
4…外気温度日変動モデル式分類学習手段。
最高気温予想手段、11…需要量予測値演算手段、12
…気温予想値修正演算手段、31…外気温度日変動モデ
ル式記憶手段、33…最高気温予想値推定演算手段、3
4…外気温度日変動モデル式分類学習手段。
Claims (3)
- 【請求項1】 前日に翌日の最低気温予想値および最高
気温予想値などに基づいて翌日の電力や熱などの需要量
を演算予測する需要量予測値演算手段と、 当日の最低気温の生ずる日の出近傍時刻の外気温度実測
値から前記最低気温予想値を修正して、前記需要量予測
値演算手段を用いて前記需要量を修正演算予測する第1
の気温予想値修正演算手段と、 前記日の出時刻前後から午前中のある時刻までの外気温
度実測値および照度の実測推移に基づいて最高温度を予
想する最高温度予想手段と、 この最高温度予想手段によって予想された最高温度を用
いて前記前日に予想された前記最高気温予想値を修正し
て、前記需要量予測値演算手段を用いて、さらに需要量
を修正演算予測する第2の気温予想値修正演算手段と、 を備えたことを特徴とする需要予測装置。 - 【請求項2】 前日に翌日の最低気温予想値および最高
気温予想値などに基づいて翌日の電力や熱などの需要量
を演算予測する需要量予測値演算手段と、 当日の最低気温の生ずる日の出近傍時刻の外気温度実測
値から前記最低気温予想値を修正して、前記需要量予測
値演算手段を用いて前記需要量を修正演算予測する第1
の気温予想値修正演算手段と、 予め空調シミュレーションなどに用いられている外気温
度日変動モデル式を記憶する外気温度日変動モデル式記
憶手段および前記外気温度日変動モデル式を用いて日の
出近傍時刻以降の午前のある時刻において外気温度実測
値および前記日の出近傍時刻に求めた外気温度実測値を
用いて最高温度を推定する最高温度予想値推定演算手段
とを有する最高温度予想手段と、 この最高温度予想手段によって推定された最高温度を用
いて前記前日に予想された前記最高気温予想値を修正し
て、前記需要量予測値演算手段を用いて、さらに需要量
を修正演算予測する第2の気温予想値修正演算手段と、 を備えたことを特徴とする需要予測装置。 - 【請求項3】 前日に翌日の最低気温予想値および最高
気温予想値などに基づいて翌日の電力や熱などの需要量
を演算予測する需要量予測値演算手段と、 当日の最低気温の生ずる日の出近傍時刻の外気温度実測
値から前記最低気温予想値を修正して、前記需要量予測
値演算手段を用いて前記需要量を修正演算予測する第1
の気温予想値修正演算手段と、 季節および照度に基づいて複数の外気温度日変動モデル
式に分類記憶され、毎日の外気温度から当該モデル式に
用いる係数および最高気温の生ずる時刻データなどを学
習するモデル式分類学習手段および当日の季節および照
度を引数として最適な外気温度日変動モデル式を検索
し、このモデル式を用いて日の出近傍時刻以降の午前の
ある時刻において外気温度実測値および前記日の出近傍
時刻に求めた外気温度実測値を用いて最高温度を推定す
る最高温度予想値推定演算手段を有する最高温度予想手
段と、 この最高温度予想手段によって推定された最高温度の予
想値を用いて前記前日の最高気温予想値を修正して、前
記需要量予測値演算手段を用いて、さらに需要量を修正
演算予測する第2の気温予想値修正演算手段と、 を備えたことを特徴とする需要予測装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP26067593A JPH07123589A (ja) | 1993-10-19 | 1993-10-19 | 需要予測装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP26067593A JPH07123589A (ja) | 1993-10-19 | 1993-10-19 | 需要予測装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH07123589A true JPH07123589A (ja) | 1995-05-12 |
Family
ID=17351214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP26067593A Pending JPH07123589A (ja) | 1993-10-19 | 1993-10-19 | 需要予測装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH07123589A (ja) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000333367A (ja) * | 1999-05-19 | 2000-11-30 | Toshiba Corp | 熱電需要予測システム |
JP2004164388A (ja) * | 2002-11-14 | 2004-06-10 | Yokogawa Electric Corp | 需要予測システム |
JP2004355460A (ja) * | 2003-05-30 | 2004-12-16 | Sanki Eng Co Ltd | エネルギ需要予測方法及びエネルギ管理方法 |
JP2009153252A (ja) * | 2007-12-19 | 2009-07-09 | Toko Electric Corp | デマンド監視システム |
JP2015023724A (ja) * | 2013-07-22 | 2015-02-02 | 富士通株式会社 | 電力消費量予測システム、方法、及びプログラム |
JP2015090639A (ja) * | 2013-11-07 | 2015-05-11 | 東京瓦斯株式会社 | エネルギー消費量予測システムおよびエネルギー消費量予測方法 |
JP2015096831A (ja) * | 2013-11-15 | 2015-05-21 | 沖電気工業株式会社 | 情報処理装置、情報処理方法及びプログラム |
WO2016098320A1 (ja) * | 2014-12-17 | 2016-06-23 | パナソニックIpマネジメント株式会社 | 運用管理サーバ、運用管理システムおよび運用管理方法 |
JP2016142555A (ja) * | 2015-01-30 | 2016-08-08 | 中国電力株式会社 | 気温予測システム、気温予測方法およびプログラム |
JP2018021856A (ja) * | 2016-08-05 | 2018-02-08 | 三菱電機株式会社 | 気象情報予測装置および電力需要予測装置 |
-
1993
- 1993-10-19 JP JP26067593A patent/JPH07123589A/ja active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000333367A (ja) * | 1999-05-19 | 2000-11-30 | Toshiba Corp | 熱電需要予測システム |
JP2004164388A (ja) * | 2002-11-14 | 2004-06-10 | Yokogawa Electric Corp | 需要予測システム |
JP2004355460A (ja) * | 2003-05-30 | 2004-12-16 | Sanki Eng Co Ltd | エネルギ需要予測方法及びエネルギ管理方法 |
JP2009153252A (ja) * | 2007-12-19 | 2009-07-09 | Toko Electric Corp | デマンド監視システム |
JP2015023724A (ja) * | 2013-07-22 | 2015-02-02 | 富士通株式会社 | 電力消費量予測システム、方法、及びプログラム |
JP2015090639A (ja) * | 2013-11-07 | 2015-05-11 | 東京瓦斯株式会社 | エネルギー消費量予測システムおよびエネルギー消費量予測方法 |
JP2015096831A (ja) * | 2013-11-15 | 2015-05-21 | 沖電気工業株式会社 | 情報処理装置、情報処理方法及びプログラム |
WO2016098320A1 (ja) * | 2014-12-17 | 2016-06-23 | パナソニックIpマネジメント株式会社 | 運用管理サーバ、運用管理システムおよび運用管理方法 |
JP2016142555A (ja) * | 2015-01-30 | 2016-08-08 | 中国電力株式会社 | 気温予測システム、気温予測方法およびプログラム |
JP2018021856A (ja) * | 2016-08-05 | 2018-02-08 | 三菱電機株式会社 | 気象情報予測装置および電力需要予測装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Improving prediction performance for indoor temperature in public buildings based on a novel deep learning method | |
Zhang et al. | A systematic feature selection procedure for short-term data-driven building energy forecasting model development | |
Yun et al. | Building hourly thermal load prediction using an indexed ARX model | |
US10223167B2 (en) | Discrete resource management | |
US8620634B2 (en) | Energy resource allocation including renewable energy sources | |
US9395712B2 (en) | Building energy usage reduction by automation of optimized plant operation times and sub-hourly building energy forecasting to determine plant faults | |
CN103513632B (zh) | 能源管理*** | |
CN108709287B (zh) | 一种空调***冷负荷预测方法及冷水机组群控的策略 | |
JP2013005465A (ja) | 負荷量予測装置、負荷量予測方法および負荷量予測プログラム | |
JPH07123589A (ja) | 需要予測装置 | |
KR102028601B1 (ko) | 시설물의 에너지 사용량 예측 방법 및 장치 | |
KR102628551B1 (ko) | 하이브리드 타입 단기 전력수요 예측 장치 및 방법 | |
CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
CN110298765A (zh) | 一种基于客观关联因素的配电网用电功率异常检测方法 | |
Shabani et al. | Predicting building energy consumption using engineering and data driven approaches: A review | |
JPH09273795A (ja) | 熱負荷予測装置 | |
Palak et al. | Smart building energy management using deep learning based predictions | |
JP3160693B2 (ja) | 熱負荷予測装置 | |
Steindl et al. | Comparison of black box models for load profile generation of district heating networks | |
JP2021131627A (ja) | Dr発動予測システム | |
Nguyen et al. | A machine learning-based approach for the prediction of electricity consumption | |
Spencer et al. | Forecasting internal temperature in a home with a sensor network | |
JPH07151369A (ja) | 熱負荷予測装置およびプラント熱負荷予測装置 | |
Zhang et al. | Dynamic building energy consumption forecast using weather forecast interpolations | |
Pichler et al. | Test buildings with TABS for MPC-performance evaluation—Comparability and system identification |