本発明は、予測システム及び方法に関し、例えば、将来の電力需要を予測する予測システムに適用して好適なものである。 The present invention relates to a prediction system and a method, and is suitable for application to, for example, a prediction system for predicting future power demand.
電気事業者は、電気供給契約に基づいてユーザに電気を供給しなければならない。電気事業者は、必要な電気量を自ら発電によって創出することができるものの、電気量が不足しそうな場合には、他の電気事業者から電気を事前に調達してユーザに供給する。 The electric power company must supply electricity to the user based on the electricity supply contract. The electric power company can generate the necessary amount of electricity by power generation by itself, but when the amount of electricity is likely to be insufficient, the electric power company procures electricity from another electric company in advance and supplies it to the user.
電力の調達量が電気の販売量を越えると、電気事業者には負担になるために、電気事業者は、電気の調達量と販売量とが清算時間ごとで極力一致するように、電気の調達量を調整するようにしている。その為に、ユーザ全体の総電力需要を的確に予測することが重要である。 If the amount of electricity procured exceeds the amount of electricity sold, it will be a burden to the electric power company. Therefore, the electric power company should make the amount of electricity procured and the amount of electricity sold match as much as possible at each settlement time. I try to adjust the amount of procurement. Therefore, it is important to accurately predict the total power demand of all users.
特許文献１には、電力需要を予測すべき日の環境条件に応じた電力需要パターンを選択し、気温別電力需要量データから予測日の予想気温における電力需要量の最大値及び最小値を取得し、これらを用いて、予測日の各単位時間における電力需要量を算出する需要予測モデルが開示されている。 In Patent Document 1, the power demand pattern according to the environmental conditions of the day when the power demand should be predicted is selected, and the maximum value and the minimum value of the power demand amount at the predicted temperature on the predicted day are obtained from the power demand data by temperature. However, a demand forecast model for calculating the amount of power demand at each unit time on the forecast date is disclosed using these.
ところで、電力需要量は、突発的に発生した事象（例えば、大雪又は台風の到来や、事故による主要鉄道の運行停止など）の影響を受けて大きく変動する。例えば、大雪の場合には、各家庭における暖房機器の使用量が増えるため電力需要量が増大する一方、主要鉄道の運行停止時には、鉄道車両を走行させない分、電力需要量が低下する。 By the way, the amount of electric power demand fluctuates greatly due to the influence of sudden events (for example, the arrival of heavy snow or typhoon, the suspension of operation of major railways due to an accident, etc.). For example, in the case of heavy snow, the amount of electric power demand increases because the amount of heating equipment used in each household increases, while the amount of electric power demand decreases because the railway vehicle is not driven when the operation of the main railway is stopped.
このような事象が発生した日のデータを用いて将来の電力需要量の予測を行った場合、そのような事象が発生していない日のデータを用いて行った予測により得られた値から大きく外れた予測値が得られることになる。従って、電力需要量の予測を行うに際しては、電力需要量に大きな影響を与える事象が発生した日や時間帯のデータを予め排除した上ですることが好ましい。 When the future power demand is predicted using the data of the day when such an event occurs, it is significantly larger than the value obtained by the prediction made using the data of the day when such an event does not occur. The wrong predicted value will be obtained. Therefore, when forecasting the power demand, it is preferable to exclude in advance the data of the day and time when the event that greatly affects the power demand occurs.
しかしながら、従来、このような排除は行われておらず、このためこのようなデータによって精度の良い予測値を得難い問題があった。 However, conventionally, such exclusion has not been performed, and therefore, there is a problem that it is difficult to obtain an accurate predicted value from such data.
本願発明は以上の点を考慮してなされたもので、予測値の誤差を従来よりも極力低減させ得る予測システム及び方法を提案しようとするものである。 The present invention has been made in consideration of the above points, and an object of the present invention is to propose a prediction system and a method capable of reducing the error of the prediction value as much as possible.
かかる課題を解決するため本発明においては、任意期間における予測対象の予測値を算出する予測システムにおいて、予測対象期間における前記予測対象の時間推移を予測する時間推移予測部と、前記時間推移予測部が予測した前記予測対象の時間推移を補正するための補正値を算出する補正値算出部と、前記時間推移予測部の予測結果と前記予測対象の時間推移の実績値との差分と、前記補正値算出部の算出結果と前記予測対象の時間推移の実績値との差分との少なくとも一方について、前記時間推移予測部が予測した前記予測対象の時間推移に含まれる所定範囲を超える外れ値を除去するフィルタリング処理を実行するフィルタ部、もしくは、実績値の属性情報の一部を除去するフィルタリング処理を実行する説明変数フィルタ部、もしくは予測値算出で用いる属性情報に対する係数を求めるフィルタリング処理を実行する重み付けフィルタ部のいずれかのフィルタ部と、前記フィルタリング処理の処理結果を用いて、予測された前記予測対象の時間推移及び又は予測された前記予測対象の時間推移の前記補正値を補正し、補正結果を用いて最終的な前記予測対象の時間推移の予測結果を算出する予測結果算出部とを設けるようにした。In order to solve such a problem, in the present invention, in the prediction system that calculates the predicted value of the prediction target in an arbitrary period, the time transition prediction unit that predicts the time transition of the prediction target in the prediction target period and the time transition prediction unit. There the difference between thecorrection value calculation unit for calculating acorrection valuefor correcting the time course of the prediction target predicted, the predicted results and the actual value of the time course of the prediction target of the time course predicting unit, thecorrection For at least one of the difference between the calculation result of the value calculation unit andthe actual value of the time transition of the prediction target, the deviation value exceedinga predetermined range included in the time transition of the prediction target predicted by the time transition prediction unit is removed. The filtering unit that executes the filtering process, the explanatory variable filter unit that executes the filtering process that removes a part of the attribute information of the actual value, or the weighting that executes the filtering process that obtains the coefficient for the attribute information used in the prediction value calculation. Using any of the filter units of the filter unit and the processing result of the filtering process, thecorrection value of the predicted time transition of the prediction target and / or the predicted time transition of the prediction target is corrected, and the correction result is obtained. Is provided to provide a prediction result calculation unit for calculating the final prediction result of the time transition of the prediction target.
また本発明においては、任意期間における予測対象の予測値を算出する予測システムにおいて実行される予測方法であって、予測対象期間における前記予測対象の時間推移を予測すると共に、当該予測対象の時間推移を補正するための補正値を算出する第１のステップと、予測した前記予測対象の時間推移と前記予測対象の時間推移の実績値との差分と、予測した前記予測対象の時間推移の前記補正値と前記予測対象の時間推移の実績値との差分との少なくとも一方について、予測した前記予測対象の時間推移に含まれる所定範囲を超える外れ値を除去するフィルタリング処理、もしくは、実績値の属性情報の一部を除去するフィルタリング処理、もしくは予測値算出で用いる属性情報に対する係数を求めるフィルタリング処理のいずれかのフィルタリング処理を実行する第２のステップと、前記フィルタリング処理の処理結果を用いて、予測された前記予測対象の時間推移及び又は予測された前記予測対象の時間推移の前記補正値を補正し、補正結果を用いて最終的な前記予測対象の時間推移の予測結果を算出する第３のステップとを設けるようにした。Further, in the present invention, it is a prediction method executed in a prediction system that calculates a predicted value of a prediction target in an arbitrary period, predicts the time transition of the prediction target in the prediction target period, and time transition of the prediction target.The first step of calculating the correction value for correcting the above, the difference between the predicted time transition of the prediction target and the actual value of the time transition of the prediction target, and thecorrection of the predicted time transition of the prediction target. For at least one of the difference between the value and the actual valueof the time transitionof the forecast target, filtering processing for removing outliers exceeding a predetermined range included in the predicted time transition of the forecast target , or attribute information of the actual value. It is predicted by using the second step of executing either the filtering process of removing a part of the above or the filtering process of obtaining the coefficient for the attribute information used in the prediction value calculation, and the processing result of the filtering process.A third step of correcting the correction value of the time transition of the prediction target and / or the predicted time transition of the prediction target, and calculating the final prediction result of the time transition of the prediction target using the correction result. And so on.
かかる本発明の予測システム及び方法によれば、予測結果と実績値との差分の中から外れ値を除去するフィルタリング処理の処理結果を用いて最終的な予測対象の時間推移の予測結果を算出するため、最終的な予測結果が当該外れ値の悪影響を受けることを未然に防止することができる。 According to the prediction system and method of the present invention, the prediction result of the time transition of the final prediction target is calculated by using the processing result of the filtering process for removing outliers from the difference between the prediction result and the actual value. Therefore, it is possible to prevent the final prediction result from being adversely affected by the outlier.
本発明によれば、予測値の誤差を、従来よりも極力小さくすることができる予測システム及びその方法を実現できる。 According to the present invention, it is possible to realize a prediction system and a method thereof that can make the error of the prediction value as small as possible as compared with the conventional one.
以下図面について、本発明の一実施の形態を詳述する。 Hereinafter, one embodiment of the present invention will be described in detail with reference to the drawings.
（１）本実施の形態による需給管理システムの構成
図１において、１は全体として本実施の形態による需給管理システムを示す。需給管理システム１は、過去の電力需要の実績量に基づいて将来の所定期間の電力の需要量などの値を精度良く予測し、これによって、発電機の運転計画の策定や調整、そして、他の電気事業者からの電力の調達取引計画の策定や調整など電力の需給管理を可能にするものである。(1) Configuration of Supply and Demand Management System According to the Present Embodiment In FIG. 1, 1 indicates a supply and demand management system according to the present embodiment as a whole. The supply and demand management system 1 accurately predicts values such as the amount of electricity demand for a predetermined period in the future based on the actual amount of electricity demand in the past, thereby formulating and adjusting the operation plan of the generator, and others. It enables the supply and demand management of electric power, such as the formulation and adjustment of electric power procurement transaction plans from electric power companies in Japan.
需給管理システム１は、電気事業者システムモジュール２、系統運用者システムモジュール７、取引市場運用者システムモジュール８、公共情報提供者システムモジュール９、及び、需要家システムモジュール１０と、これらのモジュール間を相互に接続するＬＡＮ（Local Area Network）などからなる第１のネットワーク１１１とを備えて構成される。 The supply and demand management system 1 is connected between the electric company system module 2, the grid operator system module 7, the transaction market operator system module 8, the public information provider system module 9, and the consumer system module 10. It is configured to include a first network 111 including a LAN (Local Area Network) and the like that are connected to each other.
また電気事業者システムモジュール２は、需給管理者システムモジュール３、営業管理者システムモジュール４、取引管理者システムモジュール５及び設備管理者システムモジュール６と、これらのモジュール間を相互に接続するＬＡＮなどからなる第２のネットワーク１１２とを備えて構成される。 Further, the electric company system module 2 is derived from the supply / demand manager system module 3, the sales manager system module 4, the transaction manager system module 5 and the equipment manager system module 6, and the LAN that connects these modules to each other. A second network 112 is provided.
需給管理者システムモジュール３は、需給管理者が保有する販売計画や今後の販売計画に基づいて、例えば30分単位の演算時間単位ごとに将来の所定期間の需要量を予測し、予測した需要量を充足できるよう電力の調達量を管理する部署又は担当者が使用するシステムであり、需要の予測値を算出するための予測演算装置３０及び装置とデータのやり取りを行うための情報入出力端末３１を備える。 The supply and demand manager system module 3 predicts the demand amount for a predetermined period in the future for each calculation time unit of, for example, 30 minutes based on the sales plan held by the supply and demand manager and the future sales plan, and the predicted demand amount. It is a system used by a department or a person in charge of managing the amount of power procured so as to be able to satisfy the above, and is a prediction calculation device 30 for calculating a predicted value of demand and an information input / output terminal 31 for exchanging data with the device. To be equipped.
営業管理者システムモジュール４は、長期又は短期での電気の販売計画の立案や、需要家に対する電気供給の新規契約の締結及び既存の電気供給契約の管理を行う部署又は担当者が使用するシステムであり、立案した販売計画及び電気供給契約を締結した需要家の情報を管理する販売管理装置４０を備える。 The sales manager system module 4 is a system used by a department or person in charge of making a long-term or short-term electricity sales plan, concluding a new electricity supply contract with a customer, and managing an existing electricity supply contract. It is equipped with a sales management device 40 that manages information on a drafted sales plan and a customer who has concluded an electricity supply contract.
取引管理者システムモジュール５は、他の電気事業者との直接的な契約を通じて、又は、取引所を介して、電気を調達するための取引を計画し実行する部署又は担当者が使用するシステムであり、電気の調達取引計画及び契約済みの電気の調達契約の情報を管理し、他の電気事業者及び取引所との取引に関する電文をやり取りするための取引管理装置５０を備える。 The transaction manager system module 5 is a system used by a department or person in charge of planning and executing a transaction for procuring electricity through a direct contract with another electric power company or through an exchange. It is provided with a transaction management device 50 for managing information on an electricity procurement transaction plan and a contracted electricity procurement contract, and exchanging messages regarding transactions with other electric power companies and exchanges.
設備管理者システムモジュール６は、自社が保有する発電設備又は自社の電気調達計画に組み入れることが可能な自社保有外の発電設備の運転計画の立案と実行を行う部署又は担当者が使用するシステムであり、設備管理装置６０及び設備管理装置６０から制御信号を受信し実際に発電設備の制御を実行するための制御装置６１を備える。設備管理装置６０は、発電設備の情報の管理、発電設備の運転計画の立案及び運転計画の実行のための制御信号の送信を行う。 The equipment manager system module 6 is a system used by a department or a person in charge of formulating and executing an operation plan of a power generation facility owned by the company or a power generation facility not owned by the company that can be incorporated into the electricity procurement plan of the company. It is provided with a control device 61 for receiving a control signal from the equipment management device 60 and the equipment management device 60 and actually executing control of the power generation equipment. The equipment management device 60 manages information on the power generation equipment, formulates an operation plan for the power generation equipment, and transmits a control signal for executing the operation plan.
一方、系統運用者システムモジュール７は、広範囲の地域にまたがる送配電系統設備の管理及び地域の需要家それぞれの需要実績を計測した計測値の保管を行う事業者が使用するシステムであり、計測した需要家の需要実績値を配信するための系統情報管理装置７０を備える。 On the other hand, the grid operator system module 7 is a system used by a business operator that manages power transmission and distribution system equipment over a wide area and stores measured values obtained by measuring the actual demand of each local consumer. A system information management device 70 for distributing actual demand values of consumers is provided.
また取引市場運用者システムモジュール８は、複数の電気事業者に対して、電力の取引を行うために必要な情報や手続きを統括的に管理する事業者が使用するシステムであり、電力取引に関する情報を配信し、各電気事業者から受け付けた注文の付け合せ処理を行うための市場運用管理装置８０を備える。 The transaction market operator system module 8 is a system used by a business operator who comprehensively manages information and procedures necessary for conducting electric power transactions with a plurality of electric power companies, and is information on electric power transactions. Is provided, and the market operation management device 80 for performing the matching process of the order received from each electric power company is provided.
公共情報提供者システムモジュール９は、気温、湿度、日射量などの気象に関する過去の観測情報と将来の予報情報を提供する事業者が使用するシステムであり、気象の観測情報及び予報情報を配信するための公共情報配信装置９０を備える。 The public information provider system module 9 is a system used by a business operator that provides past observation information and future forecast information on weather such as temperature, humidity, and solar radiation, and distributes weather observation information and forecast information. A public information distribution device 90 for the purpose is provided.
需要家システムモジュール１０は、負荷設備や発電設備を有する個人又は法人が使用するシステムであり、電気事業者システムモジュール２又は系統運用者システムモジュール７に、その需要家が所有する設備又は施設や、その需要家の業種、その需要家の所在地などの需要や発電の傾向に影響を与え得る各種情報を送信するための情報入出力端末１０１と、需要及び発電の実績量を計測するための計測装置１００とを備える。 The consumer system module 10 is a system used by an individual or a corporation having load equipment or power generation equipment, and the electric company system module 2 or the grid operator system module 7 is provided with equipment or facilities owned by the customer. An information input / output terminal 101 for transmitting various information that may affect the demand and the tendency of power generation such as the type of business of the customer and the location of the customer, and a measuring device for measuring the actual amount of demand and power generation. With 100.
（２）本実施の形態による予測機能
次に、本実施の形態の需給管理システム１に実装された予測機能について説明する。本需給管理システム１には電力需要量を予測する予測機能が搭載されている。(2) Forecasting function according to the present embodiment Next, the forecasting function implemented in the supply and demand management system 1 of the present embodiment will be described. The supply and demand management system 1 is equipped with a prediction function for predicting the amount of electric power demand.
図２は、需給管理システム１の一部を構成する本実施の形態による予測システム１２を示す。本実施の形態の予測システム１２は、電力需要を予測するシステムで、予測機能が搭載され、予測演算装置３０及び販売管理装置４０を備える。 FIG. 2 shows a forecasting system 12 according to the present embodiment, which constitutes a part of the supply and demand management system 1. The prediction system 12 of the present embodiment is a system for predicting electric power demand, equipped with a prediction function, and includes a prediction calculation device 30 and a sales management device 40.
予測演算装置３０は、例えばパーソナルコンピュータ、サーバコンピュータ、ハンドヘルドコンピュータなどの情報処理装置から構成され、予測演算装置３０の動作を統括的に制御する制御装置であるＣＰＵ（Central Processing Unit）３０１、入力装置３０２、出力装置３０３、通信装置３０４及び記憶装置３０５を備える。 The predictive arithmetic unit 30 is composed of information processing devices such as a personal computer, a server computer, and a handheld computer, and is a control device that comprehensively controls the operation of the predictive arithmetic unit 30 such as a CPU (Central Processing Unit) 301 and an input device. It includes 302, an output device 303, a communication device 304, and a storage device 305.
入力装置３０２は、キーボード、マウス又はそれらの組み合わせから構成され、出力装置３０３は、ディスプレイ、プリンタ又はそれらの組み合わせから構成される。また通信装置３０４は、無線ＬＡＮ又は有線ＬＡＮに接続するためのＮＩＣ（Network Interface Card）を備えて構成される。 The input device 302 is composed of a keyboard, a mouse or a combination thereof, and the output device 303 is composed of a display, a printer or a combination thereof. Further, the communication device 304 is configured to include a NIC (Network Interface Card) for connecting to a wireless LAN or a wired LAN.
記憶装置３０５は、ＲＡＭ（Random Access Memory）及びＲＯＭ（Read Only Memory）の記憶媒体から構成される。記憶装置３０５には、属性実績情報３０６及び属性予報情報３０７のデータベースがそれぞれ格納される。 The storage device 305 is composed of a storage medium of a RAM (Random Access Memory) and a ROM (Read Only Memory). The storage device 305 stores databases of attribute performance information 306 and attribute forecast information 307, respectively.
属性実績情報３０６は、暦日情報、気象情報、突発事象の発生の有無を示す情報又は電力需要に影響を及ぼし得る各種産業の実態を示す産業動態情報など含む。歴日情報は、年、月、曜日、平日、休日又はそれらの組み合わせを示す日種別の情報とし、気象情報は気温、湿度、日射量、日照時間、気圧、風速又はそれらの組み合わせとする。以下においては、適宜、気象情報の各項目（気温及び湿度など）の値や、台風及びイベントの突発事象の発生の有無、各種産業の実態を表す値をまとめて説明変数と呼ぶものとする。また属性予報情報３０７は、属性実績情報３０６に格納されている各種属性情報それぞれについての、予め設定した将来期間における予報データ（予報値）を含む情報である。 The attribute performance information 306 includes calendar day information, meteorological information, information indicating the presence or absence of a sudden event, or industrial dynamic information indicating the actual conditions of various industries that may affect electric power demand. The historical information shall be the year, month, day of the week, weekdays, holidays, or day-specific information indicating a combination thereof, and the meteorological information shall be temperature, humidity, amount of solar radiation, sunshine duration, atmospheric pressure, wind speed, or a combination thereof. In the following, the values of each item of meteorological information (temperature, humidity, etc.), the presence or absence of sudden events such as typhoons and events, and the values representing the actual conditions of various industries shall be collectively referred to as explanatory variables. Further, the attribute forecast information 307 is information including forecast data (forecast value) in a preset future period for each of the various attribute information stored in the attribute actual information 306.
なお本実施の形態の場合、属性実績情報３０６及び属性予報情報３０７の説明変数には、気温に対する需要の時間遅れ応答特性を示す情報も含まれる。これは、気温に対する電気需要の時間遅れは季節によって異なるためであり、例えば、夏期（７月〜９月）に属する各日にちにおける０時から１時間ごとの所定時間前（例えば３時間前）の電気需要の実績値や、冬期（１２月〜３月）に属する各日にちにおける０時から１時間ごとの所定時間前（例えば１０時間前）からの電気需要の平均値の実測値などが説明変数として属性実績情報３０６に含まれる。 In the case of the present embodiment, the explanatory variables of the attribute actual information 306 and the attribute forecast information 307 also include information indicating the time delay response characteristic of the demand with respect to the air temperature. This is because the time delay of electricity demand with respect to the temperature varies depending on the season. For example, from 0:00 to every hour before a predetermined time (for example, 3 hours before) on each day belonging to the summer (July to September). Explanatory variables include the actual value of electricity demand and the measured value of the average value of electricity demand from 0 o'clock to 1 hour before a predetermined time (for example, 10 hours before) on each day belonging to the winter season (December to March). Is included in the attribute performance information 306.
ただし、例えば、夏期と冬期とで必要な説明変数を入れ替えるなど、季節や状況に応じて属性実績情報３０６及び属性予報情報３０７に含ませる説明変数を入れ替えるようにしてもよい。 However, the explanatory variables included in the attribute actual information 306 and the attribute forecast information 307 may be exchanged according to the season and the situation, for example, the necessary explanatory variables may be exchanged between the summer and the winter.
一方、販売管理装置４０は、例えばパーソナルコンピュータ、サーバコンピュータ、ハンドヘルドコンピュータなどの情報処理装置から構成され、販売管理装置４０の動作を統括的に制御するＣＰＵ４０１、入力装置４０２、出力装置４０３、通信装置４０４及び記憶装置４０５を備える。 On the other hand, the sales management device 40 is composed of information processing devices such as a personal computer, a server computer, and a handheld computer, and has a CPU 401, an input device 402, an output device 403, and a communication device that collectively control the operation of the sales management device 40. It includes a 404 and a storage device 405.
入力装置４０２は、キーボード、マウス又はそれらの組み合わせから構成され、出力装置４０３は、ディスプレイ又はプリンタから構成される。また通信装置４０４は、無線ＬＡＮ又は有線ＬＡＮに接続するためのＮＩＣを備えて構成される。 The input device 402 is composed of a keyboard, a mouse, or a combination thereof, and the output device 403 is composed of a display or a printer. Further, the communication device 404 is configured to include a NIC for connecting to a wireless LAN or a wired LAN.
記憶装置４０５は、ＲＡＭ及びＲＯＭの記憶媒体から構成される。記憶装置４０５には、需要実績情報４０６及び販売契約予実情報４０７のデータベースが格納される。需要実績情報４０６は、計測装置１００及び系統情報管理装置７０から受信し取得した情報であり、既契約の需要家システムモジュール１０又は契約予定の需要家システムモジュール１０の過去の需要実績情報を含む。実績情報の粒度は例えば30分単位であり、また期間は数日から数年である。 The storage device 405 is composed of a storage medium of RAM and ROM. The storage device 405 stores a database of demand record information 406 and sales contract forecast information 407. The demand record information 406 is information received and acquired from the measuring device 100 and the system information management device 70, and includes the past demand record information of the contracted consumer system module 10 or the contracted consumer system module 10. The particle size of the performance information is, for example, 30 minutes, and the period is several days to several years.
また販売契約予実情報４０７は、営業管理者システムモジュール４が作成した電気の販売計画の予定及び実績の情報であり、過去及び未来の任意の期間に亘る日、週、月又は年単位での既契約の各需要家システムモジュール１０又は契約予定の各需要家システムモジュール１０の供給開始、供給終了日時、契約電力容量などの情報を含む。 In addition, the sales contract forecast / actual information 407 is information on the schedule and actual results of the electricity sales plan created by the sales manager system module 4, and is already available on a daily, weekly, monthly, or yearly basis over any period in the past and future. It includes information such as supply start, supply end date and time, and contract power capacity of each contracted customer system module 10 or each contracted customer system module 10.
他方、予測演算装置３０の記憶装置３０５には、上述した属性実績情報３０６及び属性予報情報３０７に加えて、図３に示すように、適時性指標値設定モジュール３０８、信頼性指標値設定モジュール３０９、代表曲線算出モジュール３１０、補正値算出モジュール３１１、ダミー標本出力モジュール３１２、標本フィルタモジュール３１４、予測演算モジュール３１５、予測値補正モジュール３１６及び代表曲線補正モジュール３１７が格納されている。 On the other hand, in the storage device 305 of the prediction calculation device 30, in addition to the attribute actual information 306 and the attribute forecast information 307 described above, as shown in FIG. 3, the timeliness index value setting module 308 and the reliability index value setting module 309 , Representative curve calculation module 310, correction value calculation module 311, dummy sample output module 312, sample filter module 314, prediction calculation module 315, prediction value correction module 316, and representative curve correction module 317 are stored.
適時性指標値設定モジュール３０８は、属性実績情報３０６及び需要実績情報４０６の予測に用いるデータである標本値（以下、標本データと呼ぶ）それぞれについて、予め設定した予測対象とする将来期間と時間的な相関を有するか否かの適時性を評価し、標本データそれぞれに対応した適時性を示す指標値を算出する機能を有するプログラムである。 The timeliness index value setting module 308 sets a preset future period and time for each of the sample values (hereinafter referred to as sample data), which are data used for forecasting the attribute record information 306 and the demand record information 406. It is a program that has a function of evaluating the timeliness of whether or not there is a good correlation and calculating an index value indicating the timeliness corresponding to each sample data.
信頼性指標値設定モジュール３０９は、予測演算装置３０での処理過程の中間において算出される各種推定データについて、推定結果の変動範囲などの信頼性を評価し、各種推定データのそれぞれに対応した信頼性を示す指標値を算出する機能を有するプログラムである。 The reliability index value setting module 309 evaluates the reliability such as the fluctuation range of the estimation result for various estimation data calculated in the middle of the processing process in the prediction calculation device 30, and the reliability corresponding to each of the various estimation data. It is a program having a function of calculating an index value indicating sex.
代表曲線算出モジュール３１０は、属性実績情報３０６、需要実績情報４０６、販売契約予実情報４０７又はそれらの組み合わせを用いて、予め設定した予測対象とする将来期間における予測対象の時間推移を示す曲線を算出する機能を有するプログラムである。代表曲線算出モジュール３１０は、かくして得られた予測演算結果（曲線）を第１の予測演算結果データ３２０Ａとしてデータベース３２０に格納する。 The representative curve calculation module 310 uses the attribute actual information 306, the demand actual information 406, the sales contract forecast actual information 407, or a combination thereof to calculate a curve showing the time transition of the forecast target in the future period to be the preset target. It is a program that has the function of The representative curve calculation module 310 stores the prediction calculation result (curve) thus obtained in the database 320 as the first prediction calculation result data 320A.
補正値算出モジュール３１１は、属性実績情報３０６及び需要実績情報４０６の予測に用いる標本データ並びに適時性指標値設定モジュール３０８が算出した適時性を示す指標値に基づいて、代表曲線算出モジュール３１０が算出した曲線の振幅又は周波数を変更するための補正値（以下、これを補正用データと呼ぶ）を算出する機能を有するプログラムである。補正値算出モジュール３１１は、かくして得られた補正用データを第２の予測演算結果データ３２０Ｂとしてデータベース３２０に格納する。 The correction value calculation module 311 is calculated by the representative curve calculation module 310 based on the sample data used for the prediction of the attribute actual information 306 and the demand actual information 406 and the index value indicating the timeliness calculated by the timeliness index value setting module 308. It is a program having a function of calculating a correction value (hereinafter, this is referred to as correction data) for changing the amplitude or frequency of the curve. The correction value calculation module 311 stores the correction data thus obtained in the database 320 as the second prediction calculation result data 320B.
ダミー標本出力モジュール３１２は、ダミーの標本データを補正値算出モジュール３１１に出力する機能を有するプログラムである。後述のように本実施の形態においては、補正値算出モジュール３１１は、需要実績情報４０６及び属性実績情報３０６を用い、補正用データである予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値の算出の演算に用いるモデルを同定する処理を実行するが、このモデルとしてガウス過程回帰モデルを生成する点を特徴の１つとしている。 The dummy sample output module 312 is a program having a function of outputting dummy sample data to the correction value calculation module 311. As will be described later, in the present embodiment, the correction value calculation module 311 uses the demand actual information 406 and the attribute actual information 306, and is the predicted value of the prediction target at an arbitrary time within the prediction target period, which is the correction data. The process of identifying the model used for the calculation of the predicted value of the maximum value or the minimum value or the predicted value of the integrated value in an arbitrary period within the predicted target period is executed, and a Gaussian process regression model is generated as this model. Is one of the features.
しかしながら、図４（Ａ）に示すように、生成したガウス過程回帰モデルＫ１では、予測対象期間の左右両側に誤差が発生しやすいという問題がある。そこで、本実施の形態においては、図４（Ｂ）に示すように、この誤差を低減させるようなダミーの標本データ（以下、これをダミー標本データと呼ぶ）をダミー標本出力モジュール３１２において生成し、生成したダミー標本データを補正値算出モジュール３１１に与える。かくして補正値算出モジュール３１１は、与えられたダミー標本データを用いて予測対象期間の左右両側を補正したガウス過程回帰モデルＫ１´を生成する。 However, as shown in FIG. 4A, the generated Gaussian process regression model K1 has a problem that errors are likely to occur on both the left and right sides of the prediction target period. Therefore, in the present embodiment, as shown in FIG. 4B, dummy sample data (hereinafter, referred to as dummy sample data) that reduces this error is generated in the dummy sample output module 312. , The generated dummy sample data is given to the correction value calculation module 311. Thus, the correction value calculation module 311 generates a Gaussian process regression model K1'corrected on both the left and right sides of the prediction target period using the given dummy sample data.
なお、このようなダミー標本データは、重回帰モデルを用いた予測や、ＡＲモデルなどの時系列解析を用いた予測により算出することができる。また運用者が経験的に得られる値をダミー標本データとして予め設定しておくようにしてもよい。 It should be noted that such dummy sample data can be calculated by prediction using a multiple regression model or prediction using a time series analysis such as an AR model. Further, a value obtained empirically by the operator may be set in advance as dummy sample data.
また標本フィルタモジュール３１４は、第１及び第２の予測演算結果データ３２０Ａ，３２０Ｂの外れ値を除去する機能を有するプログラムである。標本フィルタモジュール３１４には、第１の減算器３１３Ａにより算出された、属性実績情報３０６と、代表曲線算出モジュール３１１による予測結果（第１の予測演算結果データ３２０Ａ）との差分が与えられる。また標本フィルタモジュール３１４には、第２の減算器３１３Ｂにより算出された、需要実績情報４０６と、補正値算出モジュール３１２による予測結果（第２の予測演算結果データ３２０Ｂ）との差分が与えられる。そして標本フィルタモジュール３１４は、これらの差分に基づいて予測演算結果データ２５３Ａの外れ値を除去するフィルタリング処理を行う。 The sample filter module 314 is a program having a function of removing outliers of the first and second prediction calculation result data 320A and 320B. The sample filter module 314 is given a difference between the attribute actual information 306 calculated by the first subtractor 313A and the prediction result (first prediction calculation result data 320A) by the representative curve calculation module 311. Further, the sample filter module 314 is given a difference between the demand record information 406 calculated by the second subtractor 313B and the prediction result (second prediction calculation result data 320B) by the correction value calculation module 312. Then, the sample filter module 314 performs a filtering process for removing outliers of the prediction calculation result data 253A based on these differences.
予測演算モジュール３１５は、標本フィルタモジュール３１４によりフィルタリング処理された、属性実績情報３０６及び第１の予測演算結果データ３２０Ａの差分（予測結果と実測値との差分）と、需要実績情報４０６及び第２の予測演算結果データ３２０Ｂの差分（予測結果と実測値との差分）とに基づいて、所定の過去日時からの第１の予測演算部３１４による予測結果の誤差を算出し、その誤差の発生傾向をモデル化することで、代表曲線算出モジュール３１０による任意の将来日時の予測の誤差量を予測するプログラムである。予測演算モジュール３１５は、かくして得られた代表曲線算出モジュール３１０による任意の将来日時の予測の誤差量の予測値と、補正値算出モジュール３１１による任意の将来日時の予測の誤差量の予測値とを予測値補正モジュール３１６に出力する。 The prediction calculation module 315 includes a difference (difference between the prediction result and the measured value) between the attribute actual information 306 and the first prediction calculation result data 320A filtered by the sample filter module 314, and the demand actual information 406 and the second. Based on the difference (difference between the prediction result and the measured value) of the prediction calculation result data 320B, the error of the prediction result by the first prediction calculation unit 314 from the predetermined past date and time is calculated, and the tendency of occurrence of the error. Is a program that predicts the amount of error in predicting an arbitrary future date and time by the representative curve calculation module 310 by modeling. The prediction calculation module 315 obtains a predicted value of an error amount of prediction of an arbitrary future date and time by the representative curve calculation module 310 thus obtained and a predicted value of an error amount of prediction of an arbitrary future date and time by the correction value calculation module 311. Output to the predicted value correction module 316.
予測値補正モジュール３１６は、データベース３２０に格納されている上述の第１及び第２の予測演算結果データ３２０Ａ，３２０Ｂを読み出し、これら第１及び第２の予測演算結果データ３２０Ａ，３２０Ｂを、予測演算モジュール３１５から与えられた代表曲線算出モジュール３１０による任意の将来日時の予測の誤差量の予測値と、補正値算出モジュール３１１による任意の将来日時の予測の誤差量の予測値とに基づいて補正する機能を有するプログラムである。予測値補正モジュール３１６は、かかる補正により得られた補正された第１及び第２の予測演算結果データ３２０Ａ，３２０Ｂを代表曲線補正モジュール３１７に出力する。 The prediction value correction module 316 reads the above-mentioned first and second prediction calculation result data 320A and 320B stored in the database 320, and predicts the first and second prediction calculation result data 320A and 320B. Correction is made based on the predicted value of the amount of error in the prediction of an arbitrary future date and time by the representative curve calculation module 310 given by the module 315 and the predicted value of the amount of error in the prediction of an arbitrary future date and time by the correction value calculation module 311. It is a program that has a function. The prediction value correction module 316 outputs the corrected first and second prediction calculation result data 320A and 320B obtained by such correction to the representative curve correction module 317.
代表曲線補正モジュール３１７は、補正値算出モジュール３１１が算出した補正用データ（補正された第２の予測演算結果データ３２０Ｂ）と、信頼性指標値設定モジュール３０９が算出した補正用データそれぞれの信頼性を示す指標値とに基づいて、代表曲線算出モジュール３１０が算出した曲線（補正された第１の予測演算結果データ３２０Ａ）の振幅又は周波数を変更する機能を有するプログラムである。 The representative curve correction module 317 has the reliability of the correction data (corrected second prediction calculation result data 320B) calculated by the correction value calculation module 311 and the correction data calculated by the reliability index value setting module 309. This is a program having a function of changing the amplitude or frequency of the curve (corrected first prediction calculation result data 320A) calculated by the representative curve calculation module 310 based on the index value indicating.
予測演算装置３０が算出した最終的な予測結果又は計算過程における中間データは予測結果情報３１８として管理される。予測結果情報３１８は、予め設定した将来期間における予測対象の予測結果データ、同期間における予測対象の時間推移を表す曲線データ、曲線を補正するための補正用データ又はこれらデータの算出の演算に用いる演算式である演算モデル（以下、モデルとする）の情報を含む。この予測結果情報３１８は、この後、設備管理装置６０及び取引管理装置５０により利用される。 The final prediction result calculated by the prediction calculation device 30 or the intermediate data in the calculation process is managed as the prediction result information 318. The prediction result information 318 is used for the prediction result data of the prediction target in the preset future period, the curve data representing the time transition of the prediction target during the same period, the correction data for correcting the curve, or the calculation of the calculation of these data. Includes information on a calculation model (hereinafter referred to as a model) that is a calculation formula. The prediction result information 318 is subsequently used by the equipment management device 60 and the transaction management device 50.
（３）予測処理
図５は、予測システム１２における予測処理の処理手順を示す。この処理は、予測演算装置３０が需給管理者システムモジュール３からの入力操作を受け付けたこと、予め設定された時間間隔又は時刻を契機として開始される処理である。なお以下においては、各種処理の処理主体をプログラム（「……モジュール」）として説明するが、実際上は、予測演算装置３０のＣＰＵ３０１がそのプログラムに基づいてその処理を実行することは言うまでもない。(3) Prediction processing FIG. 5 shows a processing procedure of prediction processing in the prediction system 12. This process is a process that is started when the prediction calculation device 30 receives an input operation from the supply and demand manager system module 3 and a preset time interval or time occurs. In the following, the processing subject of various processes will be described as a program (“... module”), but it goes without saying that the CPU 301 of the prediction arithmetic unit 30 actually executes the processing based on the program.
まず適時性指標値設定モジュール３０８が、需要実績情報４０６及び属性実績情報３０６より、予測のために用いる標本データセットを抽出する。そして標本データセット内の各標本データについて、予測対象期間との時間的な相関の程度尺度である適時性を評価し、適時性を示す指標値を算出する（Ｓ１）。 First, the timeliness index value setting module 308 extracts a sample data set used for prediction from the demand actual information 406 and the attribute actual information 306. Then, for each sample data in the sample data set, the timeliness, which is a measure of the degree of temporal correlation with the prediction target period, is evaluated, and an index value indicating the timeliness is calculated (S1).
ここで標本データセット内の各標本データ及び予測対象期間の時間的な相関の評価とは、例えば予測対象期間に対して時間的により近い標本データを強相関と評価する。そしてこの評価に基づいて算出する適時性を示す指標値とは、時間の関数として算出され、例えば予測対象期間からの日数や経過の間隔の逆数として算出される。この場合、指標値が大きい程、予測対象期間との相関が強いことを意味する。 Here, in the evaluation of the temporal correlation between each sample data in the sample data set and the prediction target period, for example, the sample data closer in time to the prediction target period is evaluated as a strong correlation. The index value indicating the timeliness calculated based on this evaluation is calculated as a function of time, and is calculated as, for example, the reciprocal of the number of days from the prediction target period and the interval of passage. In this case, the larger the index value, the stronger the correlation with the forecast target period.
標本データセット内の各標本データ及び予測対象期間の時間的な相関の評価は、予測対象の時間周期的な変動傾向に基づいた評価であってもよい。例えば予測対象が季節性の周期的変動傾向を有する場合、予測対象期間と同季節の前年標本データを強相関と評価し、適時性を示す指標値は、時間軸上での三角関数を用いて算出される。 The evaluation of the temporal correlation between each sample data in the sample data set and the prediction target period may be an evaluation based on the time-periodic fluctuation tendency of the prediction target. For example, when the forecast target has a seasonal periodic fluctuation tendency, the previous year's sample data of the same season as the forecast target period is evaluated as a strong correlation, and the index value indicating timeliness is determined by using a trigonometric function on the time axis. Calculated.
例えば予測対象が曜日性の周期的変動傾向を有する場合、予測対象期間と同曜日の標本データが強相関と評価され、適時性を示す指標値は、予測対象期間と同曜日の標本データを“１”、それ以外の曜日の標本データを“０”とされる。これは曜日の他、例えば平日や休日を示す日種別に基づいた周期的変動傾向を有する場合であっても同様である。 For example, when the forecast target has a periodic fluctuation tendency of the day of the week, the sample data on the same day as the forecast target period is evaluated as a strong correlation, and the index value indicating the timeliness is the sample data on the same day as the forecast target period. 1 ”, sample data of other days of the week is set to“ 0 ”. This is the same even when there is a periodic fluctuation tendency based on the day type indicating, for example, a weekday or a holiday, in addition to the day of the week.
次に代表曲線算出モジュール３１０が、需要実績情報４０６、属性実績情報３０６及び属性予報情報３０７を用いて、予測対象の値の時間推移を示す曲線を算出し、算出した曲線のデータを第１の予測演算結果データ３２０Ａとしてデータベース３２０に格納する（Ｓ２）。 Next, the representative curve calculation module 310 calculates a curve showing the time transition of the value to be predicted by using the demand actual information 406, the attribute actual information 306, and the attribute forecast information 307, and the calculated curve data is used as the first data. It is stored in the database 320 as the prediction calculation result data 320A (S2).
予測対象の値の時間推移を示す曲線の算出に際しては、適時性指標値設定モジュール３０８が算出した適時性を示す指標値を用いる。具体的には、各標本データに対して、適時性を示す指標値が重み係数として乗算された上で、曲線が算出される。これにより、予測対象期間と時間的相関が強い標本データをより重視した曲線が算出され、予測対象期間に観測されると予測される曲線の形状により近い曲線が算出され得る。 When calculating the curve showing the time transition of the value to be predicted, the index value indicating the timeliness calculated by the timeliness index value setting module 308 is used. Specifically, each sample data is multiplied by an index value indicating timeliness as a weighting coefficient, and then a curve is calculated. As a result, a curve that emphasizes sample data that has a strong temporal correlation with the prediction target period can be calculated, and a curve that is closer to the shape of the curve that is predicted to be observed during the prediction target period can be calculated.
また他方で、補正値算出モジュール３１１が、需要実績情報４０６、属性実績情報３０６及び属性予報情報３０７を用いて、代表曲線算出モジュール３１０が算出した曲線を補正するための補正用データを算出し、算出した補正用データを第２の予測演算結果データ３２０Ｂとしてデータベース３２０に格納する（Ｓ３）。 On the other hand, the correction value calculation module 311 uses the demand record information 406, the attribute record information 306, and the attribute forecast information 307 to calculate the correction data for correcting the curve calculated by the representative curve calculation module 310. The calculated correction data is stored in the database 320 as the second prediction calculation result data 320B (S3).
ここで曲線の補正とは、具体的には、曲線の量軸上でのスケール補正である振幅の変更又は曲線の時間軸上でのスケール補正である周波数の変更を意味する。従って補正用データは、予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値である。 Here, the curve correction specifically means a change in amplitude, which is a scale correction on the quantity axis of the curve, or a frequency change, which is a scale correction on the time axis of the curve. Therefore, the correction data is a predicted value of the predicted target at an arbitrary time within the predicted target period, a predicted value of the maximum value or the minimum value in an arbitrary period within the predicted target period, or a predicted value of the integrated value.
補正用データの算出に際しては、適時性指標値設定モジュール３０８が算出した適時性を示す指標値が用いられる。具体的には、各標本データに対して、適時性を示す指標値を重み係数として乗算した上で、補正用データである予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値が算出される。 In calculating the correction data, the index value indicating the timeliness calculated by the timeliness index value setting module 308 is used. Specifically, after multiplying each sample data by an index value indicating timeliness as a weighting coefficient, the predicted value of the prediction target and the prediction target period at any time within the prediction target period, which is the correction data, The predicted value of the maximum value or the minimum value or the predicted value of the integrated value in any period is calculated.
これにより、予測対象期間と時間的相関が強い標本データをより重視した補正用データが算出され、予測対象期間に観測されると予測される予測対象の値により近い予測値を算出するような曲線に補正され得る。 As a result, correction data that emphasizes sample data that has a strong temporal correlation with the prediction target period is calculated, and a curve that calculates a prediction value that is closer to the prediction target value that is predicted to be observed during the prediction target period. Can be corrected to.
次に信頼性指標値設定モジュール３０９が、算出した補正用データである予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値のそれぞれについて、量的及び時間的の２種の信頼性を評価し、信頼性を示す指標値を算出する（Ｓ４）。信頼性を示す指標値とは、例えば、各補正用データの信頼区間や予測区間である。 Next, the reliability index value setting module 309 is the calculated correction data, the predicted value of the predicted target at any time within the predicted target period, and the predicted value of the maximum value and the minimum value in any period within the predicted target period. Alternatively, for each of the predicted values of the integrated value, two types of reliability, quantitative and temporal, are evaluated, and an index value indicating the reliability is calculated (S4). The index value indicating reliability is, for example, a confidence interval or a prediction interval of each correction data.
続いて、減算器３１３Ａが、データベース３２０に格納された所定の過去期間の第１の予測演算結果データ３２０Ａから予測値を取得すると共に、需要実績情報４０６から取得した同一期間の実計測値を取得し、これら予測値と実計測値との差分を算出し、算出結果を予測誤差データ（誤差系列３２２）として標本フィルタモジュール３１４に出力する（Ｓ５）。 Subsequently, the subtractor 313A acquires the forecast value from the first forecast calculation result data 320A of the predetermined past period stored in the database 320, and acquires the actual measurement value of the same period acquired from the demand record information 406. Then, the difference between these predicted values and the actual measured values is calculated, and the calculated result is output to the sample filter module 314 as prediction error data (error series 322) (S5).
次に標本フィルタモジュール３１４が、予測誤差データ（誤差系列３２２）のデータ中に外れ値が混在している場合、外れ値を除去する（Ｓ６）。具体的には、予測誤差データの平均および標準偏差を算出し、標準偏差に所定の乗数を乗算した値を平均に加算および減算した値をそれぞれ閾値として、閾値を超過する予測誤差データを外れ値として除外する。 Next, when the sample filter module 314 contains outliers in the data of the prediction error data (error series 322), the outliers are removed (S6). Specifically, the average and standard deviation of the prediction error data are calculated, and the value obtained by multiplying the standard deviation by a predetermined multiplier is added to and subtracted from the average as the threshold value, and the prediction error data exceeding the threshold value is an outlier. Exclude as.
なおこの外れ値の検出方法はこれに限らず、例えば予測誤差データの平均値との乖離量の平均と標準偏差を評価する処理であってもよい。具体的には、先ず予測誤差データの全標本の平均を算出する。そしてこの平均に対する予測誤差データの各標本の差分をそれぞれ算出する。この差分の平均と標準偏差を用いて、上述の外れ値検出処理を行う。あるいはスミルノフ・グラブス検定などの一般的な統計的な検定法や、１クラスＳＶＭなどの機械学習手法などを用いても良い。また予測誤差データを直接する前述の方法意外にも、予測誤差データの夫々を観測した日時に対応する曜日や気温等の属性値に対して、前述の外れ値検出方法を適用することで、予測誤差データの外れ値を除去してもよい。 The method of detecting the outliers is not limited to this, and may be, for example, a process of evaluating the average and standard deviation of the amount of deviation from the average value of the prediction error data. Specifically, first, the average of all samples of prediction error data is calculated. Then, the difference of each sample of the prediction error data with respect to this average is calculated. The above-mentioned outlier detection process is performed using the average of the differences and the standard deviation. Alternatively, a general statistical test method such as the Smirnov-Grabs test or a machine learning method such as a one-class SVM may be used. In addition to the above-mentioned method for directly applying the prediction error data, the above-mentioned outlier detection method is applied to the attribute values such as the day and temperature corresponding to the date and time when each of the prediction error data is observed. Outliers in the error data may be removed.
この後、予測演算モジュール３１５が、標本フィルタモジュール３１４によりフィルタリング処理された予測誤差データ（誤差系列３２２）でなる第１及び第２の予測演算結果データ３２０Ａ，３２０Ｂに基づいて、誤差の発生傾向のモデルを作成し、作成したモデルより、予め定めた将来期間の第１及び第２の予測演算結果データ３２０Ａ，３２０Ｂの予測誤差量を算出する（Ｓ７）。予測演算モジュール３１５が予測を行うに際して用いる手法は、上述の代表曲線算出モジュール３１０や補正値算出モジュール３１１が予測を行うに際して用いる手法と同様とし、ここでは説明を省略する。 After that, the prediction calculation module 315 tends to generate an error based on the first and second prediction calculation result data 320A and 320B which are the prediction error data (error series 322) filtered by the sample filter module 314. A model is created, and the amount of prediction error of the first and second prediction calculation result data 320A and 320B in a predetermined future period is calculated from the created model (S7). The method used by the prediction calculation module 315 when making a prediction is the same as the method used by the representative curve calculation module 310 and the correction value calculation module 311 described above, and description thereof will be omitted here.
続いて、予測値補正モジュール３１６が、予測演算モジュール３１５が算出した予測誤差量に基づいて、第１及び第２の予測演算結果データ３２０Ａ，３２０Ｂを補正し、補正結果を代表曲線補正モジュール３１７に出力する（Ｓ８）。具体的に、予測値補正モジュール３１６は、例えば、予測誤差量を、第１及び第２の予測演算結果データ３２０Ａ，３２０Ｂに加算することで補正する。 Subsequently, the prediction value correction module 316 corrects the first and second prediction calculation result data 320A and 320B based on the prediction error amount calculated by the prediction calculation module 315, and the correction result is sent to the representative curve correction module 317. Output (S8). Specifically, the prediction value correction module 316 corrects, for example, by adding the prediction error amount to the first and second prediction calculation result data 320A and 320B.
最後に代表曲線補正モジュール３１７が、予測値補正モジュール３１６から与えられた第２の予測演算結果データ３２０Ｂに基づいて、予測値補正モジュール３１６から与えられた第１の予測演算結果データ３２０Ａに基づく曲線の振幅、周波数又はその両方の変更を行い、補正結果を予測値として予測結果情報３１８に格納する（Ｓ９）。 Finally, the representative curve correction module 317 is based on the second prediction calculation result data 320B given by the prediction value correction module 316, and the curve based on the first prediction calculation result data 320A given by the prediction value correction module 316. The amplitude, frequency, or both of the above are changed, and the correction result is stored in the prediction result information 318 as a prediction value (S9).
なお代表曲線補正モジュール３１７が上述の補正を行う際には、信頼性指標値設定モジュール３０９が算出した各補正用データに対する信頼性を示す指標値が用いられる。具体的には、信頼性を示す指標値が補正時の重み係数として用いられることで、曲線の補正量を制御する。以上の処理を以って、本実施形態における予測処理が終了する。 When the representative curve correction module 317 performs the above-mentioned correction, an index value indicating the reliability of each correction data calculated by the reliability index value setting module 309 is used. Specifically, the correction amount of the curve is controlled by using the index value indicating the reliability as the weighting coefficient at the time of correction. With the above processing, the prediction processing in the present embodiment is completed.
（４）各処理モジュールの詳細
（４−１）代表曲線算出モジュールの第１の実施の形態
図６は、予測システム１２における代表曲線算出モジュール３１０の第１の実施の形態を示す。代表曲線算出モジュール３１０は、時間単位クラスタリングモジュール３１０Ａ１及び時間単位プロファイリング処理モジュール３１０Ａ２を備える。(4) Details of Each Processing Module (4-1) First Embodiment of Representative Curve Calculation Module FIG. 6 shows a first embodiment of the representative curve calculation module 310 in the prediction system 12. The representative curve calculation module 310 includes a time unit clustering module 310A1 and a time unit profiling processing module 310A2.
本実施形態における代表曲線算出モジュール３１０は、需要値データである、需要実績情報４０６、属性実績情報３０６及び属性予報情報３０７を入力標本として用いて、予め設定した予測対象とする将来期間における予測対象の時間推移を示す曲線３１０Ｂを算出する。 The representative curve calculation module 310 in the present embodiment uses the demand value data 406, the attribute actual information 306, and the attribute forecast information 307 as input samples, and makes a preset prediction target for the future period. The curve 310B showing the time transition of is calculated.
（４−１−１）時間単位クラスタリングモジュール
時間単位クラスタリングモジュール３１０Ａ１は、予測対象の周期的な変動を示す特徴量に基づいて、需要実績情報４０６から抽出した標本データを分類する。(4-1-1) Time-based clustering module The time-based clustering module 310A1 classifies the sample data extracted from the demand record information 406 based on the feature quantity indicating the periodic fluctuation of the prediction target.
まず、時間単位クラスタリングモジュール３１０Ａ１は、予め設定した時間粒度で需要実績情報４０６から抽出した標本データを分割し、新たな第２の標本値（以下、第２の標本データとする）のセット（第２の標本データセット）を算出する。分割した標本データのそれぞれに対してフーリエ変換又はウェーブレット変換の周波数解析を用いることで周期的な特徴を示す特徴量が算出される。そして算出した特徴量に対してクラスタリング処理が行われ、例えば２４時間単位の波形形状が類似する標本データ同士がクラスタ（以下、これを時間クラスタと呼ぶ）として分類される。 First, the time unit clustering module 310A1 divides the sample data extracted from the demand record information 406 at a preset time granularity, and sets a new second sample value (hereinafter referred to as the second sample data) (the first). 2 sample data set) is calculated. By using the frequency analysis of Fourier transform or wavelet transform for each of the divided sample data, the feature quantity showing the periodic feature is calculated. Then, a clustering process is performed on the calculated feature amount, and for example, sample data having similar waveform shapes in units of 24 hours are classified as a cluster (hereinafter, this is referred to as a time cluster).
なおこのようなクラスタを用いるクラスタリング処理に用いるアルゴリズムとして、公知の手法が適用されてもよい。公知の手法としては、近傍の最適化の教師なしクラスタリングアルゴリズムであるｋ−ｍｅａｎｓ、ＥＭアルゴリズム及びスペクトラルクラスタリングが挙げられる。また、識別面の最適化の教師なしのクラスタリングアルゴリズムである教師なしＳＶＭ（Support Vector Machine）、ＶＱアルゴリズム及びＳＯＭ（Self-Organizing Maps）も公知の手法として挙げられる。 A known method may be applied as an algorithm used for the clustering process using such a cluster. Known techniques include k-means, an EM algorithm, and spectral clustering, which are unsupervised clustering algorithms for neighborhood optimization. Further, unsupervised SVM (Support Vector Machine), VQ algorithm and SOM (Self-Organizing Maps), which are unsupervised clustering algorithms for optimizing the discriminant surface, are also known methods.
また特徴量の算出に当たって、標本データのそれぞれは、例えば平均が０、標準偏差が１となるように正規化される。正規化が施されることにより、各標本データの値の規模の大小に依存しない周期的な特徴のみが抽出される。 Further, in calculating the feature amount, each of the sample data is normalized so that the mean is 0 and the standard deviation is 1, for example. By normalization, only periodic features that do not depend on the magnitude of the value of each sample data are extracted.
（４−１−２）時間単位プロファイリングモジュール
時間単位プロファイリング処理モジュール３１０Ａ２は、時間単位クラスタリングモジュール３１０Ａ１が算出した各時間クラスタのそれぞれについて、共通的に存在する属性の特定及びその値の範囲の算出を行うことで、各時間クラスタを識別する識別器を同定する。(4-1-2) Time-based profiling module The time-based profiling processing module 310A2 identifies attributes that commonly exist and calculates a range of values for each of the time clusters calculated by the time-based clustering module 310A1. By doing so, the classifier that identifies each time cluster is identified.
具体的には、各時間クラスタを特定する番号及び名称の識別子を教師ラベル及び属性実績情報３０６に格納されている属性情報のそれぞれを予測子とする標本データセットを用いた教師有り学習アルゴリズムを用い、標本データセットとの適合性が最も高くなるような識別器を同定する。なおここで適合性を計る指標は、エントロピーやジニ係数などの標本データセットの識別度合いを示す指標値や、識別器同定の過程において行う交差検定時のテスト誤差やなどである。またこの識別器は、予測対象の時間推移を示す曲線を算出する演算モデルを構成する要素の一つである。 Specifically, a supervised learning algorithm using a sample data set in which each of the attribute information stored in the teacher label and the attribute performance information 306 is a predictor of the identifier of the number and the name that identifies each time cluster is used. , Identify the classifier that is most compatible with the sample dataset. Here, the index for measuring the suitability is an index value indicating the degree of identification of the sample data set such as entropy and Gini coefficient, and a test error at the time of cross-validation performed in the process of identifying the classifier. Further, this classifier is one of the elements constituting the calculation model for calculating the curve showing the time transition of the prediction target.
この算出の際、適時性指標値設定モジュール３０８が算出した各標本データに対する適時性を示す指標値が重み係数として利用される。これにより、予測対象の年を経るごとの変化（以下、経年変化とする）などが反映された識別器が算出され得る。換言すれば、予測対象の時間推移を示す曲線を算出するモデルである識別器の構造は、適時性を示す指標値に応じて変更され得る。 At the time of this calculation, the index value indicating the timeliness for each sample data calculated by the timeliness index value setting module 308 is used as the weighting coefficient. As a result, it is possible to calculate a discriminator that reflects changes over time (hereinafter referred to as aging) of the forecast target. In other words, the structure of the classifier, which is a model for calculating the curve indicating the time transition of the prediction target, can be changed according to the index value indicating the timeliness.
算出された識別器に対して属性予報情報３０７を入力することで、予測対象期間における予測対象の時間推移を示す曲線が所属すると予測される時間クラスタが識別される。識別された時間クラスタから予測対象の時間推移を示す曲線が算出される方法は、例えば識別された時間クラスタに所属する標本データ群の算術平均として算出される方法である。又は、識別器から算出される全時間クラスタの所属確率を重み係数とした加重平均にて算出される。なおこの識別された時間クラスタから予測対象の時間推移を示す曲線が算出する処理部分が、予測対象の時間推移を示す曲線を算出する演算モデルを構成するもう要素の一つである。 By inputting the attribute forecast information 307 into the calculated classifier, the time cluster to which the curve showing the time transition of the prediction target in the prediction target period is predicted to belong is identified. The method of calculating the curve showing the time transition of the prediction target from the identified time cluster is, for example, the method of calculating as the arithmetic mean of the sample data group belonging to the identified time cluster. Alternatively, it is calculated by a weighted average using the probability of belonging to the all-time cluster calculated from the classifier as a weighting coefficient. The processing portion calculated by the curve showing the time transition of the prediction target from the identified time cluster is one of the other elements constituting the calculation model for calculating the curve showing the time transition of the prediction target.
なお識別器算出アルゴリズムは公知の手法が適用されてもよい。公知の手法としては、例えば、ＣＡＲＴ、ＩＤ３、ランダムフォレストの決定木学習アルゴリズム及びＳＶＭ（Support Vector Machine）の識別平面学習アルゴリズムが挙げられる。 A known method may be applied to the classifier calculation algorithm. Known methods include, for example, CART, ID3, a random forest decision tree learning algorithm, and an SVM (Support Vector Machine) identification plane learning algorithm.
（４−２）適時性指標値設定モジュール
適時性指標値設定モジュール３０８は、標本データセット内の各標本データについて、標本データセット内の各標本データ及び予測対象期間の時間的な相関の程度尺度である適時性を評価し、適時性を示す指標値を算出する。(4-2) Timeliness index value setting module
The timeliness index value setting module 308 evaluates the timeliness of each sample data in the sample data set, which is a measure of the degree of temporal correlation between each sample data in the sample data set and the period to be predicted, and determines the timeliness. Calculate the indicated index value.
具体的には、需要実績情報４０６及び属性実績情報３０６より、予測のために用いる標本データセットが抽出される。そして標本データセット内の各標本データについて、予測対象期間との時間的な相関の程度尺度である適時性が評価され、適時性を示す指標値が算出される。 Specifically, a sample data set used for forecasting is extracted from the demand actual information 406 and the attribute actual information 306. Then, for each sample data in the sample data set, the timeliness, which is a measure of the degree of temporal correlation with the prediction target period, is evaluated, and an index value indicating the timeliness is calculated.
ここで予測対象期間との時間的な相関の評価は、例えば予測対象期間に対して時間的により近い標本データを強相関と評価される。そしてこの評価に基づいて算出する適時性を示す指標値とは、時間の関数として算出されるものであり、例えば予測対象期間からの日数又は経過の間隔の逆数として算出されてもよい。この場合、指標値が大きい程、予測対象期間との相関が強くなる。また、予測対象期間からの日数を７（週の日数）もしくは365（年の日数）、予測対象期間からの時間を8760（年の時間数）で割った剰余の値の近さを用いて評価するようにしても良い。 Here, in the evaluation of the temporal correlation with the prediction target period, for example, the sample data closer in time to the prediction target period is evaluated as a strong correlation. The index value indicating the timeliness calculated based on this evaluation is calculated as a function of time, and may be calculated as, for example, the number of days from the prediction target period or the reciprocal of the elapsed interval. In this case, the larger the index value, the stronger the correlation with the forecast target period. In addition, the number of days from the forecast target period is divided by 7 (days in a week) or 365 (days in a year), and the time from the forecast target period is divided by 8760 (hours in a year). You may try to do it.
予測対象期間との時間的な相関の評価は、予測対象の時間周期的な変動傾向に基づいた評価であってもよい。例えば予測対象が季節性の周期的変動傾向を有する場合、予測対象期間と同季節の前年標本データが強相関と評価され、適時性を示す指標値は、時間軸上での三角関数を用いて算出される。 The evaluation of the temporal correlation with the prediction target period may be an evaluation based on the time-periodic fluctuation tendency of the prediction target. For example, when the forecast target has a seasonal periodic fluctuation tendency, the previous year's sample data of the same season as the forecast target period is evaluated as strongly correlated, and the index value indicating timeliness is determined by using a trigonometric function on the time axis. Calculated.
また予測対象が曜日性の周期的変動傾向を有する場合、予測対象期間と同曜日の標本データが強相関と評価され、適時性を示す指標値は、予測対象期間と同曜日の標本データが“１”、それ以外の曜日の標本データが“０”とされる。これは曜日の他、例えば平日や休日を示す日種別に基づいた周期的変動傾向を有する場合であっても同様である。 If the forecast target has a periodic fluctuation tendency of the day of the week, the sample data on the same day as the forecast target period is evaluated as a strong correlation, and the index value indicating the timeliness is that the sample data on the same day as the forecast target period is " The sample data of 1 ”and other days of the week is set to“ 0 ”. This is the same even when there is a periodic fluctuation tendency based on a day type indicating a weekday or a holiday, in addition to the day of the week.
適時性指標値設定モジュール３０８が算出した適時性を示す指標値は、上述のように、時間単位プロファイリング処理モジュール３１０Ａ２での識別器算出過程において、重み係数として用いられる。またこの他に、補正値算出モジュール３１１での演算においても用いられる。いずれにおいても得られる効果は同様であり、予測対象期間と時間的な相関が強い標本データに重きを置いた学習処理を施すことが可能となり、従って算出されるデータは、予測対象の経年変化を反映したより正確なデータとなる。 The index value indicating the timeliness calculated by the timeliness index value setting module 308 is used as a weighting coefficient in the discriminator calculation process of the time unit profiling processing module 310A2 as described above. In addition to this, it is also used in the calculation in the correction value calculation module 311. The effects obtained in both cases are the same, and it is possible to perform learning processing with an emphasis on sample data that has a strong temporal correlation with the prediction target period. Therefore, the calculated data shows the secular change of the prediction target. It will be more accurate data that is reflected.
（４−３）補正値算出モジュールの第１の実施の形態
図８は、予測システム１２における補正値算出モジュール３１１の第１の実施の形態を示す。補正値算出モジュール３１１は、モデル同定モジュール３１１Ａ１、補正値推定モジュール３１１Ａ２及び選択モジュール３１１Ａ４を備える。(4-3) First Embodiment of Correction Value Calculation Module FIG. 8 shows a first embodiment of the correction value calculation module 311 in the prediction system 12. The correction value calculation module 311 includes a model identification module 311A1, a correction value estimation module 311A2, and a selection module 311A4.
本実施形態における補正値算出モジュール３１１は、需要実績情報４０６と属性実績情報３０６及び属性予報情報３０７とを用いて、代表曲線算出モジュール３１０が算出した曲線を補正するための補正用データを算出する。 The correction value calculation module 311 in the present embodiment calculates correction data for correcting the curve calculated by the representative curve calculation module 310 by using the demand record information 406, the attribute record information 306, and the attribute forecast information 307. ..
ここで曲線の補正とは、具体的には、曲線の量軸上でのスケール補正である振幅の変更又は曲線の時間軸上でのスケール補正である周波数の変更を意味する。従って補正用データは、予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値である。これらの予測値が補正基準点として用いられる。 Here, the curve correction specifically means a change in amplitude, which is a scale correction on the quantity axis of the curve, or a frequency change, which is a scale correction on the time axis of the curve. Therefore, the correction data is a predicted value of the predicted target at an arbitrary time within the predicted target period, a predicted value of the maximum value or the minimum value in an arbitrary period within the predicted target period, or a predicted value of the integrated value. These predicted values are used as correction reference points.
（４−３−１）選択モジュール
まず選択モジュール３１１Ａ４は、需要実績情報４０６及び属性実績情報３０６に含まれる説明変数（時間、日及び曜日、時間の剰余の値などの暦日情報の各属性、天気、湿度、最高気温及び最低気温などの気象情報の各属性、並びに、台風、イベント及び重大事故などの突発事故の各属性など）の中から、モデル同定モジュールがモデルの同定を行う際に利用する説明変数を選択する。(4-3-1) Selection module First, the selection module 311A4 contains explanatory variables (time, day and day, each attribute of calendar day information such as time surplus value, etc.) included in the demand actual information 406 and the attribute actual information 306. Used by the model identification module to identify the model from the attributes of weather information such as weather, humidity, maximum temperature and minimum temperature, and the attributes of sudden accidents such as typhoons, events and serious accidents. Select the explanatory variable to be used.
具体的に、選択モジュール３１１Ａ４は、かかる説明変数ごとに、例えば364日分の説明変数でモデル（例えば、後述するガウス過程回帰モデル）を作成し、そのモデルを用いて残りの１日分の説明変数の予測精度を判定する交差検定を行う。そして選択モジュールは、交差検定の結果が良い順に説明変数をランキングし、ランキング結果に基づいて、一般的な手法（例えば上位10個、又は、下位10個以外のすべてなど）で説明変数を選択する。換言すればこの処理は、説明変数（すなわち属性データ（属性実績情報、属性予報情報、属性値と標記））として利用する項目をフィルタする説明変数フィルタ処理である。本発明は、前述の標本フィルタモジュール３１４と、説明変数フィルタをもつ特徴がある。 Specifically, the selection module 311A4 creates a model (for example, a Gaussian process regression model described later) for each of the explanatory variables for 364 days, and uses the model to explain the remaining one day. Perform cross-validation to determine the prediction accuracy of variables. The selection module then ranks the explanatory variables in order of increasing cross-validation results, and based on the ranking results, selects the explanatory variables by a general method (for example, the top 10 or all but the bottom 10). .. In other words, this process is an explanatory variable filtering process that filters items used as explanatory variables (that is, attribute data (attribute actual information, attribute forecast information, attribute values and markings)). The present invention is characterized by having the above-mentioned sample filter module 314 and an explanatory variable filter.
そして選択モジュール３１１Ａ４は、このようにして選択した各説明変数の情報のみを需要実績情報４０６及び属性実績情報３０６としてモデル同定モジュール３１１Ａ１に出力する。 Then, the selection module 311A4 outputs only the information of each explanatory variable selected in this way to the model identification module 311A1 as the demand actual information 406 and the attribute actual information 306.
（４−３−２）モデル同定モジュール
モデル同定モジュール３１１Ａ１は、選択モジュール３１１Ａ４から与えられる需要実績情報４０６及び属性実績情報３０６を用い、補正用データである予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値の算出の演算に用いるモデルを同定する。本実施の形態においては、このようなモデルとして、ノンパラメトリックなモデル（非線形モデル）であるガウス過程回帰モデルを同定するものとする。(4-3-2) Model Identification Module The model identification module 311A1 uses the demand actual information 406 and the attribute actual information 306 given from the selection module 311A4, and is the correction data, which is the prediction target at an arbitrary time within the prediction target period. The model used for the calculation of the predicted value of the predicted value, the predicted value of the maximum value and the minimum value in an arbitrary period within the predicted target period, or the predicted value of the integrated value is identified. In the present embodiment, a Gaussian process regression model, which is a nonparametric model (non-linear model), is identified as such a model.
例えば、補正用データである予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値をｙ、ある過去日時ｔに観測したｙの説明変数のベクトルをｘ＿ｔ（ｘ＿ｔは、ｘ１＿ｔ，ｘ２＿ｔ、……、ｘｎ＿ｔのｎ個の要素で構成されるベクトル）、予測対象日のｙの説明変数のベクトルをｘ＿ｐとしたとき、次式の関係が成り立つとする。
ここで、Ｙは予測対象としている最大値や最小値または積算値の過去の各日時での観測値のベクトルである。またＫは、説明変数ベクトルｘ＿ｔ（ｔ＝１、……、ｎ）同士の類似度を示す行列（カーネル行列もしくはグラム行列）であり、過去の各日時での説明変数ベクトルｘ＿ｔで構成される行列Ｘを、カーネル関数φを用いて変換する事で算出される。またＫｓは、予測対象日の説明変数ベクトルｘ＿ｐと過去の各日時での説明変数ベクトルｘ＿ｔとの類似度を示すベクトルであり、予測対象日の説明変数ベクトルｘ＿ｐを、前述のカーネル関数φを用いて変換する事で算出される。 Here, Y is a vector of the observed values of the maximum value, the minimum value, or the integrated value to be predicted at each past date and time. Further, K is a matrix (kernel matrix or Gram matrix) showing the similarity between the explanatory variable vectors x_t (t = 1, ..., N), and is a matrix composed of the explanatory variable vectors x_t at each past date and time. It is calculated by converting X using the kernel function φ. Further, Ks is a vector indicating the degree of similarity between the explanatory variable vector x_p of the prediction target date and the explanatory variable vector x_t at each past date and time, and the explanatory variable vector x_p of the prediction target date is used as the above-mentioned kernel function φ. It is calculated by converting.
換言すればこの処理は、類似度を示す行列Ｋならびに類似度を示すベクトルＫｓにより、説明変数ベクトルの要素に対して予測値ｙの算出における重み付けを与えるフィルタの処理（重み付けフィルタ処理）である。本発明は、前述の標本フィルタモジュール（標本フィルタ処理）と、前述の説明変数フィルタ処理と、重み付けフィルタ処理をもつ特徴がある。 In other words, this process is a filter process (weighting filter process) in which the elements of the explanatory variable vector are weighted in the calculation of the predicted value y by the matrix K indicating the similarity and the vector Ks indicating the similarity. The present invention is characterized by having the above-mentioned sample filter module (sample filter processing), the above-mentioned explanatory variable filter processing, and the weighted filter processing.
ここでｘ１、ｘ２は、例えば平均気温や前日のｙの実績値であり、具体的な数値は属性実績情報３０６に格納されている。モデル同定モジュールは、（１）式に記載の係数ａ、ｂ、ｃ、ｄを、ｘとｙとの適合性が最も高くなるように推定することで、演算モデルを同定する。具体的には、例えば最小二乗法により係数を推定する。その際、適合性を計る指標は、同定したモデルと標本データの残差二乗和であり、適合性が最も高くなるとは、残差二乗和が最も小さくなることを意味する。 Here, x1 and x2 are, for example, the average temperature and the actual value of y on the previous day, and specific numerical values are stored in the attribute actual information 306. The model identification module identifies the arithmetic model by estimating the coefficients a, b, c, and d described in the equation (1) so that the compatibility between x and y is the highest. Specifically, for example, the coefficient is estimated by the least squares method. At that time, the index for measuring the relevance is the sum of the residual squares of the identified model and the sample data, and the highest relevance means that the sum of the residual squares is the smallest.
なお係数を推定するにあたっては、適時性指標値設定モジュール３０８が算出した各標本データに対する適時性を示す指標値が用いられる。具体的には、適時性を示す指標値を重み係数とした、重み付き最小二乗法により係数ａ、ｂ、ｃ、ｄが推定され、補正用データの算出の演算に用いるモデルの同定結果として算出される。これにより、ｙの経年変化を反映したより的確な補正用データが算出され得る。 In estimating the coefficient, an index value indicating the timeliness for each sample data calculated by the timeliness index value setting module 308 is used. Specifically, the coefficients a, b, c, and d are estimated by the weighted least squares method with the index value indicating timeliness as the weighting coefficient, and calculated as the identification result of the model used for the calculation of the correction data. Will be done. As a result, more accurate correction data that reflects the secular change of y can be calculated.
（４−３−３）補正値推定モジュール
そして補正値推定モジュール３１１Ａ２は、モデル同定モジュール３１１Ａ１が算出した補正用データの算出の演算に用いるモデルに、属性予報情報３０７に格納されている説明変数ｘの予報値が入力されることで、予測対象期間における時間推移を示す曲線の補正値を、補正用データとして算出する。(4-3-3) Correction value estimation module The correction value estimation module 311A2 is an explanatory variable x stored in the attribute forecast information 307 in the model used for the calculation of the correction data calculated by the model identification module 311A1. By inputting the forecast value of, the correction value of the curve indicating the time transition in the prediction target period is calculated as the correction data.
ここで補正用データには、補正値そのものの情報（補正用データ３１１Ｂ１）及び各補正値の時刻範囲に関する情報（補正用データ３１１Ｂ２）の、少なくとも２種類の情報が含まれる。各補正値の時刻範囲に関する情報とは、例えば予測対象期間内の任意の期間における最大値又は最小値を補正用データとする場合は、それぞれの値が出現する時刻の範囲である。 Here, the correction data includes at least two types of information, that is, information on the correction value itself (correction data 311B1) and information on the time range of each correction value (correction data 311B2). The information regarding the time range of each correction value is, for example, the time range in which each value appears when the maximum value or the minimum value in an arbitrary period within the prediction target period is used as correction data.
加えて補正値推定モジュール３１１Ａ２は、最小二乗法の計算時の標本誤差データを補正用データの一部として算出する。このデータは、信頼性指標値設定モジュール３０９が信頼性を示す指標価を算出する際に使用するデータである。またこのデータは、モデル同定モジュール３１１Ａ１が算出した補正用データの算出の演算に用いるモデル又はモデル同定モジュール３１１Ａ１が補正用データの算出の演算に用いるモデルを同定するため行った最小二乗法の計算結果のデータである。 In addition, the correction value estimation module 311A2 calculates the sampling error data at the time of calculation of the least squares method as a part of the correction data. This data is data used by the reliability index value setting module 309 when calculating the index value indicating reliability. Further, this data is the calculation result of the least squares method performed to identify the model used for the calculation of the correction data calculated by the model identification module 311A1 or the model used for the calculation of the correction data by the model identification module 311A1. It is the data of.
なお、電力の販売契約の予実情報である販売契約予実情報４０７が使用できる場合、さらに的確な予測がされ得る。具体的には、補正値推定モジュール３１１Ａ２が算出した補正用データ３１１Ｂ１が、一度、現時点での総契約電力容量で除算され、１契約電力容量あたりの原単位補正値が算出される。 If the sales contract forecast information 407, which is the forecast information of the electric power sales contract, can be used, a more accurate forecast can be made. Specifically, the correction data 311B1 calculated by the correction value estimation module 311A2 is once divided by the total contracted power capacity at the present time, and the basic unit correction value per contracted power capacity is calculated.
そしてこの原単位補正値に対して、予測対象期間における総契約電力容量が乗算され、新たに補正用データ３１１Ｂ１が算出される。これにより、契約需要家数が増減する場合においても、より的確な曲線補正用データが算出され得る。 Then, the total contracted power capacity in the prediction target period is multiplied by this basic unit correction value, and the correction data 311B1 is newly calculated. As a result, more accurate curve correction data can be calculated even when the number of contract consumers increases or decreases.
（４−４）代表曲線補正モジュールの第１の実施の形態
図１０は、予測システム１２における代表曲線補正モジュール３１７の第１の実施の形態を示す。代表曲線補正モジュール３１７は、振幅補正モジュール３１７Ａ１及び周波数補正モジュール３１０Ａ２を備える。(4-4) First Embodiment of Representative Curve Correction Module FIG. 10 shows a first embodiment of the representative curve correction module 317 in the prediction system 12. The representative curve correction module 317 includes an amplitude correction module 317A1 and a frequency correction module 310A2.
本実施形態における代表曲線補正モジュール３１７は、補正値算出モジュール３１１が算出した補正用データを用いて、代表曲線算出モジュール３１０が算出した曲線の振幅もしくは周波数を変更する。このとき、信頼性指標値設定モジュール３０９が算出した補正用データそれぞれの信頼性を示す指標値が用いられることで、より的確な予測値が算出される。 The representative curve correction module 317 in the present embodiment changes the amplitude or frequency of the curve calculated by the representative curve calculation module 310 by using the correction data calculated by the correction value calculation module 311. At this time, a more accurate predicted value is calculated by using the index value indicating the reliability of each of the correction data calculated by the reliability index value setting module 309.
（４−４−１）振幅補正モジュール
まず、振幅補正モジュール３１７Ａ１が、補正値算出モジュール３１１が算出した補正用データ３１１Ｂ１を用いて、代表曲線算出モジュール３１０が算出した予測対象期間における予測対象の時間推移を示す曲線３１０Ｂの振幅を変更する。具体的には補正後の曲線ｆ＾（ｔ）は次式で与えられる。
ここで、ｆ（ｔ）は、予測対象期間における予測対象の時間推移を示す曲線であり、時刻ｔの関数である。またα及びβは、曲線ｆ（ｔ）の変更係数である。すなわち振幅補正モジュール３１７Ａ１は、補正用データ３１１Ｂ１である予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値それぞれと、補正後の曲線ｆ＾（ｔ）との残差平方和が最小となるように、変更係数α及びβを推定する処理を行う。 Here, f (t) is a curve showing the time transition of the prediction target in the prediction target period, and is a function of the time t. Further, α and β are change coefficients of the curve f (t). That is, the amplitude correction module 317A1 predicts the predicted value of the predicted target at an arbitrary time within the predicted target period, which is the correction data 311B1, the predicted value of the maximum value or the minimum value in the arbitrary period within the predicted target period, or the integrated value. The processing for estimating the change coefficients α and β is performed so that the residual sum of squares between each value and the corrected curve f ^ (t) is minimized.
なおα及びβの推定においては、信頼性指標値設定モジュール３０９が算出した各補正用データに対する信頼性を示す指標値が用いられる。具体的には、それぞれの補正用データに対する量的な信頼性を示す指標値が、それぞれの補正用データの値及び曲線ｆ＾（ｔ）の残差に対する重み係数として乗算された上で、変更係数α及びβが推定される。 In the estimation of α and β, the index value indicating the reliability of each correction data calculated by the reliability index value setting module 309 is used. Specifically, the index value indicating the quantitative reliability of each correction data is multiplied by the value of each correction data and the weighting coefficient for the residual of the curve f ^ (t), and then changed. The coefficients α and β are estimated.
これにより、信頼性指標値設定モジュール３０９が算出した各補正用データと、信頼性の低い補正用データよりも信頼性の高い補正用データの値との残差をより小さくすることを優先として曲線ｆ（ｔ）が補正され、このことで最終的な予測精度が向上する。 As a result, the curve is given priority to reduce the residual between each correction data calculated by the reliability index value setting module 309 and the value of the correction data having higher reliability than the correction data having lower reliability. f (t) is corrected, which improves the final prediction accuracy.
（４−４−２）周波数補正モジュール
そして周波数補正モジュール３１０Ａ２は、補正値算出モジュール３１１が算出した補正用データ３１１Ｂ２を用いて、代表曲線算出モジュール３１０が算出した予測対象期間における予測対象の時間推移を示す曲線３１０Ｂの周波数を変更する。(4-4-2) Frequency correction module The frequency correction module 310A2 uses the correction data 311B2 calculated by the correction value calculation module 311 to change the time of the prediction target in the prediction target period calculated by the representative curve calculation module 310. The frequency of the curve 310B indicating the above is changed.
例えば、補正用データが予測対象期間内の任意の期間における最大値や最小値の予測値である場合、補正用データ３１１Ｂ２に格納されているそれぞれの出現時刻範囲の平均値又は最頻値と、補正後の曲線ｆ＾（ｔ）の当該時刻とが一致又は残差平方和が最小となるように、曲線ｆ（ｔ）の周波数が変更される。そして補正後の曲線ｆ＾（ｔ）が、予測対象期間における予測対象の予測値として算出され、予測結果情報３１８に格納される。 For example, when the correction data is a predicted value of the maximum value or the minimum value in an arbitrary period within the prediction target period, the average value or the mode value of each appearance time range stored in the correction data 311B2 is used. The frequency of the curve f (t) is changed so that the corrected curve f ^ (t) coincides with the time or the residual sum of squares is minimized. Then, the corrected curve f ^ (t) is calculated as the predicted value of the prediction target in the prediction target period, and is stored in the prediction result information 318.
なお補正においては、信頼性指標値設定モジュール３０９が算出した各補正用データに対する信頼性を示す指標値が用いられる。具体的には、それぞれの補正用データに対する時間的な信頼性を示す指標値を、それぞれの補正用データの値と曲線ｆ＾（ｔ）との残差に対する重み係数として乗算した上で、補正処理が行われる。これにより、信頼性指標値設定モジュール３０９が算出した各補正用データと、信頼性の低い補正用データよりも信頼性の高い補正用データの値との残差をより小さくすることを優先として曲線ｆ（ｔ）が補正され、このとこで最終的な予測精度が向上する。 In the correction, an index value indicating the reliability of each correction data calculated by the reliability index value setting module 309 is used. Specifically, the index value indicating the temporal reliability of each correction data is multiplied as a weighting coefficient for the residual of each correction data value and the curve f ^ (t), and then the correction is performed. Processing is done. As a result, the curve is given priority to reduce the residual between each correction data calculated by the reliability index value setting module 309 and the value of the correction data having higher reliability than the correction data having lower reliability. f (t) is corrected, and the final prediction accuracy is improved at this point.
（４−４−３）信頼性指標値設定モジュール
信頼性指標値設定モジュール３０９は、算出した補正用データである予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値のそれぞれについて、量的及び時間的の２種の信頼性を評価し、信頼性を示す指標値を算出する。(4-4-3) Reliability index value setting module
The reliability index value setting module 309 is the calculated correction data, the predicted value of the predicted target at any time within the predicted target period, the predicted value of the maximum value or the minimum value in any period within the predicted target period, or the integration. For each of the predicted values, two types of reliability, quantitative and temporal, are evaluated, and an index value indicating reliability is calculated.
具体的には、補正値推定モジュール３１１Ａ２が算出した補正用データ３１１Ｂ１に含まれている、各補正用データの算出の演算に用いるモデル又はモデル同定の過程で算出した標本誤差データから、それぞれの補正用データの推定値の信頼区間や予測区間又は標本誤差の分散や標準偏差が算出され、量的な信頼性を示す指標値として算出される。 Specifically, each correction is made from the model used for the calculation of each correction data or the sampling error data calculated in the process of model identification, which is included in the correction data 311B1 calculated by the correction value estimation module 311A2. The confidence interval, prediction interval, or sampling error variance and standard deviation of the estimated value of the data are calculated and calculated as an index value indicating quantitative reliability.
また補正値推定モジュール３１１Ａ２が算出した補正用データ３１１Ｂ２に含まれている、各補正用データの値の出現する時刻範囲の情報から、それぞれの補正用データの時間軸上の信頼区間や予測区間又は時刻範囲の情報の分散や標準偏差が算出され、時間的な信頼性を示す指標値として算出される。 Further, from the information of the time range in which the value of each correction data appears, which is included in the correction data 311B2 calculated by the correction value estimation module 311A2, the confidence interval or prediction interval on the time axis of each correction data or The variance and standard deviation of the time range information are calculated and calculated as an index value indicating temporal reliability.
上述した様に、これら信頼性を示す指標値を代表曲線補正モジュール３１７が使用することで、最終的に算出される予測値の予測精度が向上し得る。 As described above, when the representative curve correction module 317 uses the index values indicating these reliabilitys, the prediction accuracy of the finally calculated predicted value can be improved.
以上までに説明した予測処理によって算出された予測結果情報３１８に基づいて、設備管理装置６０が運用可能な発電設備の運転計画を算出し、制御装置６１に送信する。運転計画を受信した制御装置６１は、発電設備の具体的な制御値を算出し、実際の制御を実行する。 Based on the prediction result information 318 calculated by the prediction processing described above, the operation plan of the power generation equipment that can be operated by the equipment management device 60 is calculated and transmitted to the control device 61. The control device 61 that has received the operation plan calculates a specific control value of the power generation facility and executes the actual control.
また取引管理装置５０は、他の電気事業者や取引市場との電力の売買にかかわる取引計画を作成し、市場運用管理装置８０に対して売買注文や注文取消しの電文を送信する。 Further, the transaction management device 50 creates a transaction plan related to the sale and purchase of electric power with other electric power companies and the transaction market, and transmits a sale order and an order cancellation message to the market operation management device 80.
（５）本実施の形態の効果
図１３に示すように、代表曲線算出モジュール３１０が出力する予測対象期間における予測対象の時間推移を示す曲線の算出結果は、適時性指標値設定モジュール３０８が算出する標本データそれぞれの適時性を示す指標値を用いた場合及びそうでない場合で異なる。(5) Effect of the present embodiment As shown in FIG. 13, the timeliness index value setting module 308 calculates the calculation result of the curve indicating the time transition of the prediction target in the prediction target period output by the representative curve calculation module 310. It differs depending on whether an index value indicating the timeliness of each sample data is used or not.
まず図１３のグラフ５０１は、ある１年間における日ごとの平均気温の推移を示している。ここで、仮に代表曲線算出モジュール３１０における時間単位プロファイリング処理モジュール３１０Ａ２が算出した時間クラスタの識別器において、最も主要な属性が日平均気温であった場合、予測対象期間と同一の平均気温の標本データが所属する時間クラスタが、予測対象期間に観測されると予測される時間推移を示す曲線が所属する時間クラスタとして識別される。 First, Graph 501 in FIG. 13 shows the daily average temperature transition over a certain year. Here, if the most important attribute of the time cluster classifier calculated by the time unit profiling processing module 310A2 in the representative curve calculation module 310 is the daily average temperature, sample data of the same average temperature as the prediction target period The time cluster to which is belong is identified as the time cluster to which the curve showing the time transition predicted to be observed during the prediction target period belongs.
具体的には、図１３のグラフ５０２及びグラフ５０３に示す２つの時間クラスタが、識別される候補の時間クラスタである。ここでは、予測対象の時間推移を示す曲線は、１年を経て、グラフ５０２に示す曲線から、グラフ５０３に示す曲線に変化しているとする。 Specifically, the two time clusters shown in Graph 502 and Graph 503 of FIG. 13 are candidate time clusters to be identified. Here, it is assumed that the curve showing the time transition of the prediction target has changed from the curve shown in the graph 502 to the curve shown in the graph 503 after one year.
ここで上記の識別器の算出の過程において、仮に、標本データそれぞれの適時性を示す指標値を使用しなかったとする。その場合に算出される識別器では、図１３のグラフ５０２及びグラフ５０３の時間クラスタはほぼ同確率として識別される。従って、予測対象期間における予測対象の時間推移を示す曲線は、図１３のグラフ５０４に示す様に、両時間クラスタの平均的な曲線として算出され、曲線の経年変化を捉えることができない。 Here, it is assumed that the index value indicating the timeliness of each sample data is not used in the process of calculating the discriminator. In the classifier calculated in that case, the time clusters of graph 502 and graph 503 of FIG. 13 are identified with substantially the same probability. Therefore, as shown in Graph 504 of FIG. 13, the curve showing the time transition of the prediction target in the prediction target period is calculated as an average curve of both time clusters, and the secular change of the curve cannot be captured.
一方、標本データそれぞれの適時性を示す指標値を使用した場合、図１３のグラフ５０５に示す様に、経年変化を経た直近の曲線により近い形状として、予測対象期間における予測対象の時間推移を示す曲線が算出される。従って、最終的な予測精度を向上することができる。 On the other hand, when the index value indicating the timeliness of each sample data is used, as shown in Graph 505 of FIG. 13, the time transition of the prediction target in the prediction target period is shown as a shape closer to the latest curve that has undergone aging. The curve is calculated. Therefore, the final prediction accuracy can be improved.
標本データそれぞれの適時性を示す指標値は、補正値算出モジュール３１１においても使用され、その効果及び原理は、上記で説明した内容と同様である。 The index value indicating the timeliness of each sample data is also used in the correction value calculation module 311 and its effect and principle are the same as those described above.
また図１４は、信頼性指標値設定モジュール３０９が算出する、曲線の補正用データに対する信頼性を示す指標値を使用したときの、代表曲線補正モジュール３１７が算出する最終的な予測結果である補正後の曲線への影響を示す。 Further, FIG. 14 shows the correction which is the final prediction result calculated by the representative curve correction module 317 when the index value indicating the reliability of the curve correction data calculated by the reliability index value setting module 309 is used. The effect on the later curve is shown.
信頼性指標値設定モジュール３０９が算出する曲線の補正用データに対する信頼性を示す指標値には、量的な信頼性及び時間的な信頼性の、少なくとも２種類の信頼性を示す指標値が存在する。 There are at least two types of reliability index values, quantitative reliability and temporal reliability, in the index value indicating the reliability of the curve correction data calculated by the reliability index value setting module 309. To do.
まず図１４のグラフ６０１には、量的な信頼性を概念的に示している。ここでは、曲線の補正用データとして、例えば、早朝の最小値、正午前後の最大値及び夕方前後の最大値が使用される。 First, Graph 601 of FIG. 14 conceptually shows quantitative reliability. Here, as the curve correction data, for example, the minimum value in the early morning, the maximum value after noon, and the maximum value before and after the evening are used.
このとき、それぞれの信頼性を示す指標値は、それぞれ図１４のグラフ６０２、グラフ６０３及びグラフ６０４に示す確率密度関数上の分散として定義される。なお説明を簡単にするため、指標値を高低の二値で表す。 At this time, the index values indicating the respective reliabilitys are defined as the variances on the probability density function shown in Graphs 602, 603 and 604 of FIG. 14, respectively. For the sake of simplicity, the index value is represented by a binary value of high and low.
ここでは、早朝の最小値及び夕方前後の最大値の信頼性が高く、正午前後の最大値の信頼性が低い。従って曲線の振幅の変更は、図１４のグラフ６０９に示す様に、曲線及び正午前後の最大値の量軸上での残差が拡大することを許容した上で、曲線及び早朝の最小値の量軸上での残差と曲線及び夕方前後の最大値の量軸上での残差とを最小化するように補正を行う。 Here, the reliability of the minimum value in the early morning and the maximum value before and after the evening is high, and the reliability of the maximum value after noon is low. Therefore, the change in the amplitude of the curve allows the residual on the quantity axis of the curve and the maximum value after noon to increase, as shown in Graph 609 of FIG. 14, and then the minimum value of the curve and early morning. The correction is performed so as to minimize the residual on the quantity axis and the residual on the curve and the maximum value before and after the evening on the quantity axis.
他方、図１４のグラフ６０５には、時間的な信頼性を概念的に示している。ここでは上記と同様に、曲線の補正用データとして、早朝の最小値、正午前後の最大値及び夕方前後の最大値を使用していることとする。 On the other hand, graph 605 of FIG. 14 conceptually shows temporal reliability. Here, as in the above, it is assumed that the minimum value in the early morning, the maximum value after noon, and the maximum value before and after the evening are used as the curve correction data.
このとき、それぞれの信頼性を示す指標値は、それぞれ図１４のグラフ６０６、グラフ６０７及びグラフ６０８に示す過去の観測値の範囲として定義しているとする。なお説明を簡単にするため、指標値を高低の２値で表す。 At this time, it is assumed that the index values indicating the respective reliabilitys are defined as the range of the past observed values shown in Graphs 606, 607 and 608 of FIG. 14, respectively. For the sake of simplicity, the index value is represented by two values, high and low.
ここでは、早朝の最小値及び正午前後の最大値の信頼性が高く、夕方前後の最大値の信頼性が低い。従って曲線の振幅の変更は、図１４のグラフ６１０に示す様に、曲線及び夕方前後の最大値の時間軸上での残差が拡大することを許容した上で、曲線及び早朝の最小値の時間軸上での残差と曲線及び正午前後の最大値の時間軸上での残差とを最小化するように補正を行う。 Here, the reliability of the minimum value in the early morning and the maximum value after noon is high, and the reliability of the maximum value before and after the evening is low. Therefore, the change in the amplitude of the curve allows the residual on the time axis of the curve and the maximum value before and after the evening to increase, as shown in Graph 610 of FIG. 14, and then the minimum value of the curve and the early morning. The correction is made so as to minimize the residual on the time axis and the residual on the time axis of the curve and the maximum value after noon.
以上のように、信頼性の高い補正用データを優先した曲線補正を行うことで、最終的な予測値である補正後の曲線を、よりもっともらしい曲線とすることができる。つまり、予測における標本値及び処理途中で得られる加工データそれぞれの信頼性などの有用性を考慮した予測値を得ることができる。 As described above, by performing the curve correction giving priority to the highly reliable correction data, the corrected curve, which is the final predicted value, can be made a more plausible curve. That is, it is possible to obtain a predicted value in consideration of usefulness such as the reliability of the sample value in the prediction and the processing data obtained during the processing.
また本実施の形態によれば、第１及び第２の予測演算結果データ３２０Ａ，３２０Ｂの外れ値を標本フィルタモジュール３１４（図３）により除去するようにしたことにより、最終的に得られる予測結果情報３１８の誤差が当該外れ値の影響により拡大することを防止することができる。かくするにつき、予測値の誤差を、従来よりも極力小さくすることができる予測システムを実現できる。 Further, according to the present embodiment, the outliers of the first and second prediction calculation result data 320A and 320B are removed by the sample filter module 314 (FIG. 3), so that the prediction result finally obtained is obtained. It is possible to prevent the error of the information 318 from expanding due to the influence of the outlier. In this way, it is possible to realize a prediction system that can make the error of the predicted value as small as possible.
（６）各モジュールの他の実施形態
（６−１）代表曲線算出モジュールの第２の実施の形態
上述の代表曲線算出モジュール３１０の第１の実施の形態においては、予測対象期間における予測対象の時間推移を示す曲線を算出する方法として、予測対象の周期的な変動の特徴を示す特徴量を用いたクラスタリングアルゴリズムを利用した場合について述べたが、本発明はこれに限らず、例えば、代表曲線算出モジュール３１０は予測対象日と同一日種別の過去数日分を標本データとして、その算術平均にて曲線を算出するようにしてもよい。(6) Other Embodiments of Each Module (6-1) Second Embodiment of Representative Curve Calculation Module In the first embodiment of the above-mentioned representative curve calculation module 310, the prediction target in the prediction target period As a method of calculating a curve showing a time transition, a case where a clustering algorithm using a feature amount showing the characteristics of periodic fluctuations of a prediction target is used has been described, but the present invention is not limited to this, and for example, a representative curve. The calculation module 310 may use the past several days of the same day type as the prediction target day as sample data and calculate the curve by the arithmetic average thereof.
また上述の代表曲線算出モジュール３１０の第１の実施の形態においては、需要実績情報４０６に格納されている予測対象のデータは、１つの計量器にて計測された１つのデータ又は複数の計量器で計測された複数のデータを合計した１つのデータとした場合について述べたが、本発明はこれに限らず、例えば、電力需要データの場合、予測対象のデータを電力の需要家ごとに設置された計量器のそれぞれの計測データとしてより正確な予測を実現するようにしてもよい。 Further, in the first embodiment of the representative curve calculation module 310 described above, the data to be predicted stored in the demand record information 406 is one data measured by one measuring instrument or a plurality of measuring instruments. The case where the plurality of data measured in the above are summed into one data has been described, but the present invention is not limited to this. For example, in the case of power demand data, the data to be predicted is installed for each power consumer. More accurate prediction may be realized as each measurement data of the measuring instrument.
具体的には、図７に示すように、代表曲線算出モジュール３１０は計量単位クラスタリングモジュール３１０Ａ３をさらに備える。計量単位クラスタリングモジュール３１０Ａ３は、需要実績情報４０６に格納されている計量器ごとのデータを、それぞれ例えば過去３６５日分の同一期間分として抽出し、需要家ごとのメータデータを入力標本データとする。 Specifically, as shown in FIG. 7, the representative curve calculation module 310 further includes a measurement unit clustering module 310A3. The measurement unit clustering module 310A3 extracts the data for each measuring instrument stored in the demand record information 406 for the same period for the past 365 days, for example, and uses the meter data for each customer as input sample data.
そして各標本データに対してフーリエ変換やウェーブレット変換の周波数解析が施されることで、周期的な特徴を示す特徴量が算出される。そして算出された特徴量に対してクラスタリング処理が行われることで、例えば365日（8760時間）単位の波形形状が類似する標本データ同士がクラスタ（以下、これを計量器クラスタと呼ぶ）として分類される。 Then, by performing frequency analysis of Fourier transform and wavelet transform on each sample data, a feature quantity showing a periodic feature is calculated. Then, by performing clustering processing on the calculated features, for example, sample data having similar waveform shapes in units of 365 days (8760 hours) are classified as clusters (hereinafter, this is referred to as a measuring instrument cluster). To.
以下においては上述の代表曲線算出モジュール３１０の第１の実施の形態と同様の時間クラスタリング処理及び時間単位プロファイリング処理が、各計量器クラスタの代表波形に対して施される。なお各計量器クラスタの代表波形の算出方法は、例えば、各計量器クラスタの算術平均とする。 In the following, the same time clustering process and time unit profiling process as in the first embodiment of the representative curve calculation module 310 described above are applied to the representative waveform of each measuring instrument cluster. The method of calculating the representative waveform of each measuring instrument cluster is, for example, the arithmetic mean of each measuring instrument cluster.
このように、長期間における予測対象の値の変動が類似する計量点ごとに予めデータが分類されることで、標本データにおける標本分散を減少させることができ、以降の処理により算出される予測対象期間における予測対象の時間推移を示す曲線の精度を向上させることができる。 In this way, by classifying the data in advance for each measurement point where the fluctuation of the value of the prediction target over a long period of time is similar, it is possible to reduce the sample variance in the sample data, and the prediction target calculated by the subsequent processing. It is possible to improve the accuracy of the curve showing the time transition of the forecast target in the period.
（６−２）補正値算出モジュールの第２の実施の形態
上述の補正値算出モジュール３１１の第１の実施の形態においては、予測対象期間における予測対象の時間推移を示す曲線を、予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値又は積算値の予測値に対して一致又はそれぞれの残差和が最小となるように、曲線の振幅又は周波数を補正した場合について述べたが、本発明はこれに限らず、例えば、（２）式で示す変更係数αとβを補正用データとして扱うなど、変更係数を補正用データとして直接扱うようにしてもよい。(6-2) Second Embodiment of Correction Value Calculation Module In the first embodiment of the above-mentioned correction value calculation module 311, a curve showing the time transition of the prediction target in the prediction target period is used for the prediction target period. A curve so that the predicted value of the predicted target at any time within, the maximum or minimum value of the predicted value or the predicted value of the integrated value in any period within the predicted target period is matched or the sum of the residuals of each is minimized. The case where the amplitude or frequency of the above is corrected has been described, but the present invention is not limited to this, and the change coefficient is directly treated as the correction data, for example, the change coefficients α and β represented by the equation (2) are treated as the correction data. You may treat it.
本実施の形態による補正値算出モジュール３１１は、図９に示すように補正係数算出モジュール３１１Ａ３をさらに備え、曲線の補正係数を直接予測する。補正係数算出モジュール３１１Ａ３が、需要実績情報４０６から抽出した標本データを用いて、変更係数αとβの標本データを算出する。 As shown in FIG. 9, the correction value calculation module 311 according to the present embodiment further includes a correction coefficient calculation module 311A3, and directly predicts the correction coefficient of the curve. The correction coefficient calculation module 311A3 calculates the sample data of the change coefficients α and β by using the sample data extracted from the demand record information 406.
次に図８を用いて説明した処理と同様に、モデル同定モジュール３１１Ａ１によって変更係数α及びβの算出の演算に用いるモデルが同定され、同定されたモデルに属性予報情報３０７から抽出した説明変数値が補正値推定モジュール３１１Ａ２によって入力されることで、予測対象期間における予測対象の時間推移を示す曲線の変更係数α及びβが算出される。 Next, in the same manner as the process described with reference to FIG. 8, the model used for the calculation of the change coefficients α and β is identified by the model identification module 311A1, and the explanatory variable value extracted from the attribute forecast information 307 is used for the identified model. Is input by the correction value estimation module 311A2, and the change coefficients α and β of the curve indicating the time transition of the prediction target in the prediction target period are calculated.
またモデル同定モジュール３１１Ａ１における変更係数α及びβの算出の演算に用いるモデル同定においては、図８を用いて説明したとおり、適時性指標値設定モジュール３０８が算出した適時性を示す指標値が用いられる。 Further, in the model identification used for the calculation of the change coefficients α and β in the model identification module 311A1, the index value indicating the timeliness calculated by the timeliness index value setting module 308 is used as explained with reference to FIG. ..
また上述の補正値算出モジュール３１１の第１の実施の形態においては、補正用データの算出の演算に用いるモデルを（１）式に示すモデルを用いるようにした場合について述べたが、本発明はこれに限らず、例えば計算式の形態や使用する説明変数は任意のものが用いられる。 Further, in the first embodiment of the correction value calculation module 311 described above, the case where the model used for the calculation of the correction data is used as the model shown in the equation (1) has been described, but the present invention has been described. Not limited to this, for example, any form of calculation formula and explanatory variables to be used are used.
説明変数は、例えば平均気温の二乗値であってもよく、さらにこれら変数を含めた計画行列として用いられてもよい。これにより、モデルは線形式とされつつも、予測対象及び属性の間に存在する非線形な関係がモデルとして表現され得る。具体的には、標本値から第２の標本値を算出するのと同様に、第２の標本値から第３の標本値を算出する。 The explanatory variables may be, for example, the square value of the average temperature, and may be used as a design matrix including these variables. Thereby, while the model is in linear form, the non-linear relationship existing between the prediction target and the attribute can be expressed as a model. Specifically, the third sample value is calculated from the second sample value in the same manner as the second sample value is calculated from the sample value.
また上述の補正値算出モジュール３１１の第１の実施の形態においては、説明変数として使用する属性を予め一意に設定した場合について述べたが、本発明はこれに限らず、例えばリッジ回帰やラッソ回帰又はエラスティックネットなど、説明変数が自動的に選択される方法を採用してもよい。なお、主成分回帰や部分最小二乗法の説明変数から新たな成分を算出するような方法を採用してもよいし、ニューラルネットワークの非線形なモデルを使用する方法を採用してもよい。 Further, in the first embodiment of the correction value calculation module 311 described above, the case where the attribute used as the explanatory variable is uniquely set in advance has been described, but the present invention is not limited to this, and for example, ridge regression and lasso regression. Alternatively, a method in which explanatory variables are automatically selected, such as an elastic net, may be adopted. A method of calculating a new component from the explanatory variables of the principal component regression or the partial least squares method may be adopted, or a method using a non-linear model of the neural network may be adopted.
何れの方法を採用する場合においても、適時性指標値設定モジュール３０８が算出する適時性を示す指標値はモデル同定時に使用されてもよく、これにより図１３を用いて説明したものと同様の効果を得ることができるのみならず、適時性に応じた説明変数が自動選択され得る。換言すれば、このことで補正用データの算出の演算に用いるモデルの変更が行われ得る。 Regardless of which method is adopted, the index value indicating the timeliness calculated by the timeliness index value setting module 308 may be used at the time of model identification, whereby the same effect as that described with reference to FIG. 13 may be obtained. Not only can it be obtained, but the explanatory variables can be automatically selected according to the timeliness. In other words, this can change the model used in the calculation of the correction data.
また上述の補正値算出モジュール３１１の第１の実施の形態においては、補正用データである予測対象期間内の任意の時刻における予測対象の予測値、予測対象期間内の任意の期間における最大値や最小値の予測値又は積算値の予測値のうち、何れかが使用されるかは予め設定されるようにした場合について述べたが、本発明はこれに限らず、例えば、信頼性指標値設定モジュール３０９が算出した信頼性を示す指標値に基づいて、自動的に設定されるようにしてもよい。 Further, in the first embodiment of the correction value calculation module 311 described above, the prediction value of the prediction target at an arbitrary time within the prediction target period, which is the correction data, the maximum value in any period within the prediction target period, and the maximum value The case where either the predicted value of the minimum value or the predicted value of the integrated value is used is set in advance, but the present invention is not limited to this, and for example, the reliability index value setting. It may be set automatically based on the index value indicating the reliability calculated by the module 309.
具体的には、各補正用データに対する信頼性の指標値を比較し、信頼性が高い順に予め設定した順位までの補正用データを、以降の代表曲線補正モジュール３１７で使用するとしてもよい。また、最も高い信頼性を示す指標値を“１”に、最も低い信頼性を示す指標値を“０”になるように各補正用データの信頼性を示す指標値を標準化した上で、すべての補正用データを以降の代表曲線補正モジュール３１７で使用するとしてもよい。 Specifically, the reliability index values for each correction data may be compared, and the correction data up to the preset rank in descending order of reliability may be used in the subsequent representative curve correction module 317. In addition, after standardizing the index values indicating the reliability of each correction data so that the index value indicating the highest reliability is "1" and the index value indicating the lowest reliability is "0", all of them are used. The correction data of the above may be used in the subsequent representative curve correction module 317.
この場合、指標値が“０”である補正用データは、結果として曲線補正には使用されることは無く、従って補正用データの自動的な選択が達成される。また各補正用データの指標値のべき乗を新たな指標値とする信頼性を示す指標値の大小の差を極端なもとのする補正がされてもよい。この場合、最も大きい指標値に対し、最も小さい指標値は相対的に“０”と等しくなるため、前述の指標値が“０”の場合と同様に、結果として曲線補正には、最も小さい指標値は現実的には使用されず、従って補正用データの自動的な選択が達成される。 In this case, the correction data whose index value is "0" is not used for the curve correction as a result, and therefore the automatic selection of the correction data is achieved. Further, the correction may be performed based on the difference in the magnitude of the index value indicating the reliability with the power of the index value of each correction data as the new index value. In this case, since the smallest index value is relatively equal to "0" with respect to the largest index value, as in the case where the above-mentioned index value is "0", as a result, the smallest index is used for curve correction. The value is not practically used, so automatic selection of correction data is achieved.
（６−３）代表曲線補正モジュールの第２の実施の形態
上述の代表曲線補正モジュール３１７の第１の実施の形態においては、予測対象の時間推移を示す曲線の振幅、周波数又はその両方の変更のみを代表曲線補正モジュール３１７が行う補正処理とするようにした場合について述べたが、本発明はこれに限らず、例えば、振幅、周波数又はその両方の変更によって算出された最終的な予測値に、季節特異な、又は、曜日特異な誤差が定常的に発生する場合、これは予測系に残存する潜在的な偏差であることから、この定常的な偏差を補正する処理を加えるようにしてもよい。(6-3) Second Embodiment of Representative Curve Correction Module In the first embodiment of the representative curve correction module 317 described above, the amplitude, frequency, or both of the curves indicating the time transition of the prediction target are changed. The case where only the correction process is performed by the representative curve correction module 317 has been described, but the present invention is not limited to this, and for example, the final predicted value calculated by changing the amplitude, frequency, or both. If seasonal or day-specific errors occur constantly, this is a potential deviation remaining in the prediction system, so even if processing is added to correct this constant deviation. Good.
図１０では、振幅補正モジュール３１７Ａ１及び周波数補正モジュール３１７Ａ２を経て算出された補正後の曲線を最終的な予測値として出力していたが、本実施の形態では、図１１に示すように、定常偏差補正モジュール３１７Ａ３が、補正後の曲線と事後的に観測される需要実績情報４０６を用いて、上記の定常的な偏差の補正を行い、最終的な予測値として予測結果情報３１８に格納する。このことで、代表曲線補正モジュール３１７は定常的に発生する誤差を事前に補正する。 In FIG. 10, the corrected curve calculated through the amplitude correction module 317A1 and the frequency correction module 317A2 was output as the final predicted value, but in the present embodiment, as shown in FIG. 11, the steady deviation The correction module 317A3 corrects the above-mentioned steady deviation using the corrected curve and the demand record information 406 observed after the fact, and stores it in the prediction result information 318 as the final prediction value. As a result, the representative curve correction module 317 corrects the error that constantly occurs in advance.
具体的には、図１２に示すように、代表曲線補正モジュール３１７は定常偏差補正モジュール３１７Ａ３をさらに備える。定常偏差補正モジュール３１７Ａ３は、補正後の曲線３１７Ａ２Ｂ及び事後的に観測される需要実績情報４０６の差である偏差を算出する。そして定常偏差量推定モジュール３１７Ａ３１は、残差を説明するモデルを同定し、同定したモデルによって、予測対象期間において発生し得る残差の推定値を算出する。算出された残差の推定値が補正後の曲線３１７Ａ２Ｂに加算されることで、最終的な予測値が算出される。 Specifically, as shown in FIG. 12, the representative curve correction module 317 further includes a steady-state deviation correction module 317A3. The steady-state deviation correction module 317A3 calculates the deviation, which is the difference between the corrected curve 317A2B and the demand record information 406 observed ex post facto. Then, the stationary deviation amount estimation module 317A31 identifies a model explaining the residual, and calculates an estimated value of the residual that may occur in the prediction target period based on the identified model. The calculated residual estimate is added to the corrected curve 317A2B to calculate the final predicted value.
ここで、定常偏差量推定モジュール３１７Ａ３１で使用されるアルゴリズムは、例えば、図６を用いて説明した代表曲線算出モジュール３１０のアルゴリズムでもよい。すなわち、入力としていた需要実績情報４０６を、補正後の曲線３１７Ａ２Ｂ及び事後的に観測される需要実績情報４０６の差である偏差に置き換える。 Here, the algorithm used in the steady-state deviation amount estimation module 317A31 may be, for example, the algorithm of the representative curve calculation module 310 described with reference to FIG. That is, the input demand record information 406 is replaced with a deviation which is the difference between the corrected curve 317A2B and the demand record information 406 observed ex post facto.
このアルゴリズムによって、時間単位クラスタリング処理モジュール３１０Ａ１及び時間単位プロファイリング処理モジュール３１０Ａ２と同様の処理を経て、予測対象期間において発生し得る残差の曲線が算出される。 By this algorithm, the curve of the residual that can occur in the prediction target period is calculated through the same processing as that of the time unit clustering processing module 310A1 and the time unit profiling processing module 310A2.
この際、入力される残差に対する正規化処理は省くことで、出力される残差の曲線は量の情報を含んだ推定残差そのものとなる。また、ＡＲモデルやＡＲＩＭＡモデルで代表される時系列解析の手法を用いて、予測対象期間において発生し得る残差の曲線が算出されてもよい。以上の様に、定常偏差補正モジュール３１７Ａ３は、予測系において説明しきれていない予測対象の微細な変動を補正することができる。 At this time, by omitting the normalization process for the input residual, the output residual curve becomes the estimated residual itself including the quantity information. Further, a curve of residuals that can occur in the prediction target period may be calculated by using a time series analysis method represented by an AR model or an ARIMA model. As described above, the steady-state deviation correction module 317A3 can correct minute fluctuations of the prediction target that have not been fully explained in the prediction system.
さらに定常偏差量推定モジュール３１７Ａ３１におけるモデル同定の際に、適時性指標値設定モジュール３０８が算出した適時性を示す指標値が使用されてもよい。ただしここでの適時性指標値設定モジュール３０８への入力は、上記の残差とする。 Further, when identifying the model in the steady-state deviation amount estimation module 317A31, the index value indicating the timeliness calculated by the timeliness index value setting module 308 may be used. However, the input to the timeliness index value setting module 308 here is the above residual.
すなわち、過去に発生した残差それぞれの適時性を示す指標値を適用することで、予測対象期間に発生し得る定常偏差としてよりもっともらしい値が算出され得る。換言すれば、適時性に応じて補正の演算に用いるモデルが適宜変更されることで、最終的な予測精度を向上することができる。 That is, by applying an index value indicating the timeliness of each residual that has occurred in the past, a more plausible value can be calculated as the steady-state deviation that can occur during the prediction target period. In other words, the final prediction accuracy can be improved by appropriately changing the model used for the correction calculation according to the timeliness.
（７）他の実施の形態
なお上述の実施形態においては、適時性及び信頼性を示す指標値は、それぞれ適時性指標値設定モジュール３０８及び信頼性指標値設定モジュール３０９で算出されるようにした場合について述べたが、本発明はこれに限らず、例えば、適時性及び信頼性の指標値のそれぞれについて、予め設定した値が直接的に使用されるようにしてもよい。(7) Other Embodiments In the above-described embodiment, the index values indicating the timeliness and reliability are calculated by the timeliness index value setting module 308 and the reliability index value setting module 309, respectively. Although the case has been described, the present invention is not limited to this, and for example, preset values may be directly used for each of the index values of timeliness and reliability.
また上述の実施形態においては、説明を簡単にするために、表示部を省略するようにした場合について述べたが、本発明はこれに限らず、例えば、各処理モジュールの算出結果や各処理モジュールの中間結果が、ディスプレイやプリンタの出力装置を通じて、適宜表示されてもよい。 Further, in the above-described embodiment, the case where the display unit is omitted has been described for the sake of simplicity, but the present invention is not limited to this, and for example, the calculation result of each processing module and each processing module are described. The intermediate result of the above may be appropriately displayed through the output device of the display or the printer.
さらに上述の実施形態においては、標本フィルタモジュール３１４は予測誤差データ（誤差系列３２２）にのみ適用する場合について述べたが、本発明はこれに限らず、需要実績情報４０６、あるいは属性実績情報３０６などの、標本データそのものに対して適用してもよい。需要実績情報４０６、あるいは属性実績情報３０６に記憶されている標本自体から外れ値を除去することで、代表曲線算出モジュール３１０および補正値算出モジュール３１１における予測結果の精度を向上させることができる。 Further, in the above-described embodiment, the case where the sample filter module 314 is applied only to the prediction error data (error series 322) has been described, but the present invention is not limited to this, and the demand actual information 406, the attribute actual information 306, etc. It may be applied to the sample data itself. By removing the outliers from the sample itself stored in the demand record information 406 or the attribute record information 306, the accuracy of the prediction results in the representative curve calculation module 310 and the correction value calculation module 311 can be improved.
さらに上述の実施形態においては、モデル同定モジュール３１１Ａ１で用いる予測のためのモデルとしてガウス過程回帰モデルを適用するようにした場合について述べたが、本発明はこれに限らず、サポートベクトル回帰やスプライン関数を用いた回帰などのノンパラメトリックなモデルや、重回帰モデルやロジスティック回帰、ニューラルネットワークなどのパラメトリックなモデルや、ＡＲモデルなどの時系列解析手法や、カルマンフィルタや状態空間法などのシステム同定の様な手法など、他の一般的に使用される予測のためのモデルや手法を適用してもよい。同様に、予測演算モジュール３１５についても、ガウス過程回帰や、上述の手法群を適用してもよい。 Further, in the above-described embodiment, the case where the Gaussian process regression model is applied as the model for prediction used in the model identification module 311A1 has been described, but the present invention is not limited to this, and the support vector regression and the spline function are not limited to this. Non-parametric models such as regression using, multiple regression models, logistic regression, parametric models such as neural networks, time series analysis methods such as AR models, and system identification such as Kalman filter and state space method. Other commonly used prediction models and methods, such as methods, may be applied. Similarly, Gaussian process regression and the above-mentioned method group may be applied to the prediction calculation module 315.
さらに上述の実施形態においては、選択モジュール３１１Ａ４における説明変数の選択に関わる処理は、すべての変数を夫々に交差検定することで選択するようにした場合について述べたが、本発明はこれに限らず、予め設定した変数群の単位で処理してもよい。例えば、ある地域全体の電力需要の予測に関わる場合、その説明変数として当該地域の各地点における気象データを用いるとする。このとき、各地域の気象データより生成した日最高気温や日最低気温などの説明変数を一つの群として、地域ごとのこれらの説明変数群に対して、選択モジュール３１１Ａ４の処理を行うようにしてもよい。 Further, in the above-described embodiment, the process related to the selection of the explanatory variables in the selection module 311A4 has been described in the case where all the variables are selected by cross-validation, but the present invention is not limited to this. , It may be processed in the unit of the variable group set in advance. For example, when it is related to the prediction of the electric power demand of the whole area, the meteorological data at each point in the area is used as the explanatory variable. At this time, the explanatory variables such as the daily maximum temperature and the daily minimum temperature generated from the meteorological data of each region are treated as one group, and the selection module 311A4 is processed for these explanatory variables for each region. May be good.
さらに上述の実施形態においては、選択モジュール３１１Ａ４における説明変数の選択に関わる処理を、使用する変数と使用しない変数とを明確に切り分ける（すなわち使用する変数の重みを１、使用しない変数の重みを０とする）ような処理として実行するようにした場合について述べたが、本発明はこれに限らず、各変数に対する重みを連続値として与えるような処理であってもよい。例えば、上述の実施径庭において、変数１と変数２の重みはそれぞれ１と０（変数１は使用する、変数２は使用しないことを意味する）であったところを、それぞれ0.7と0.3としてもよい。この場合、それぞれの説明変数の値に対してそれぞれの重みを乗算した値を夫々の新たな説明変数の値として、以降の予測に変わる処理を行う。なお連続値の重みは、選択モジュール３１１Ａ４にて行った各変数に対する交差検定の結果として算出される予測誤差の値に基づいて算出する。 Further, in the above-described embodiment, the process related to the selection of the explanatory variables in the selection module 311A4 is clearly separated into the variables to be used and the variables not to be used (that is, the weights of the variables to be used are 1 and the weights of the variables not to be used are 0). The present invention is not limited to this, and the present invention may be a process in which the weight for each variable is given as a continuous value. For example, in the above-mentioned implementation diameter garden, the weights of variable 1 and variable 2 were 1 and 0 (meaning that variable 1 is used and variable 2 is not used), respectively, even if they are set to 0.7 and 0.3, respectively. Good. In this case, the value obtained by multiplying the value of each explanatory variable by each weight is used as the value of each new explanatory variable, and the processing that changes to the subsequent prediction is performed. The weight of the continuous value is calculated based on the value of the prediction error calculated as a result of the cross-validation for each variable performed by the selection module 311A4.
さらに上述の実施形態においては、電力の需要を予測するようにした場合について述べたが、本発明はこれに限らず、時間推移を伴って観測される時系列データが存在する対象であれば適用してもよい。時間推移を伴って観測される時系列データとは、例えば太陽光発電や風力発電の発電量、電力取引所で売買される電力商品の約定価格、出来高などである。 Further, in the above-described embodiment, the case where the demand for electric power is predicted has been described, but the present invention is not limited to this, and is applicable to any object in which time-series data observed with time transition exists. You may. The time-series data observed over time includes, for example, the amount of power generated by solar power generation and wind power generation, the contract price of electric power products sold and sold on electric power exchanges, and the volume.
さらに上述の実施の形態においては、標本フィルタモジュール３１４が、第１及び第２の予測演算結果データ３２０Ａ，３２０Ｂの双方の外れ値を除去する機能を有するように構成するようにした場合について述べたが、本発明はこれに限らず、第１及び第２の予測演算結果データ３２０Ａ，３２０Ｂについてのみ外れ値を除去するフィルタ（つまり実績値の属性情報の一部を除去するフィルタリング処理を実行する説明変数フィルタ部、又は、予測値算出で用いる属性情報に対する係数を求めるフィルタリング処理を実行する重み付けフィルタ部のいずれかのフィルタ）として機能するように標準フィルタモジュール３１４を構成するようにしてもよい。 Further, in the above-described embodiment, the case where the sample filter module 314 is configured to have a function of removing outliers of both the first and second prediction calculation result data 320A and 320B has been described. However, the present invention is not limited to this, and a filter for removing outliers (that is, a filtering process for removing a part of the attribute information of the actual value) is executed only for the first and second prediction calculation result data 320A and 320B. The standard filter module 314 may be configured to function as either a variable filter unit or a weighting filter unit that executes a filtering process for obtaining a coefficient for attribute information used in calculating a predicted value.
また電力の分野に限らず、例えば通信事業における基地局の通信量、ある局所的な車両や人の通行量など同じく時間推移を伴って観測される時系列データが存在する分野を対象に広く適用することができる。 It is not limited to the field of electric power, but is widely applied to fields where there is time-series data that is also observed over time, such as the traffic volume of base stations in the telecommunications business and the traffic volume of certain local vehicles and people. can do.
１……需給管理システム、２……電気事業者システムモジュール、３……需給管理者システムモジュール、４……営業管理者システムモジュール、５……取引管理者システムモジュール、６……設備管理者システムモジュール、７……系統運用者システムモジュール、８……取引市場運用者システムモジュール、９……公共情報提供者システムモジュール、１０……需要家システムモジュール、３０……予測演算装置、３１……情報入出力端末、４０……販売管理装置、５０……取引管理装置、６０……設備管理装置、６１……制御装置、７０……系統情報管理装置、８０……市場運用管理装置、９０……公共情報配信装置、１１１……ネットワーク、１１２……ネットワーク。
1 …… Supply and demand management system, 2 …… Electric company system module, 3 …… Supply and demand manager system module, 4 …… Sales manager system module, 5 …… Transaction manager system module, 6 …… Equipment manager system Module, 7 ... System operator system module, 8 ... Trading market operator system module, 9 ... Public information provider system module, 10 ... Consumer system module, 30 ... Forecast computing device, 31 ... Information Input / output terminal, 40 ... Sales management device, 50 ... Transaction management device, 60 ... Equipment management device, 61 ... Control device, 70 ... System information management device, 80 ... Market operation management device, 90 ... Public information distribution device, 111 …… network, 112 …… network.
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017173542AJP6837949B2 (en) | 2017-09-08 | 2017-09-08 | Prediction system and method |
| PCT/JP2018/028104WO2019049546A1 (en) | 2017-09-08 | 2018-07-26 | Prediction system and method |
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017173542AJP6837949B2 (en) | 2017-09-08 | 2017-09-08 | Prediction system and method |
| Publication Number | Publication Date |
|---|---|
| JP2019049850A JP2019049850A (en) | 2019-03-28 |
| JP6837949B2true JP6837949B2 (en) | 2021-03-03 |
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017173542AActiveJP6837949B2 (en) | 2017-09-08 | 2017-09-08 | Prediction system and method |
| Country | Link |
|---|---|
| JP (1) | JP6837949B2 (en) |
| WO (1) | WO2019049546A1 (en) |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9069725B2 (en) | 2011-08-19 | 2015-06-30 | Hartford Steam Boiler Inspection & Insurance Company | Dynamic outlier bias reduction system and method |
| EP3129309A4 (en) | 2014-04-11 | 2018-03-28 | Hartford Steam Boiler Inspection and Insurance Company | Improving future reliability prediction based on system operational and performance data modelling |
| US11636292B2 (en) | 2018-09-28 | 2023-04-25 | Hartford Steam Boiler Inspection And Insurance Company | Dynamic outlier bias reduction system and method |
| CN113632131A (en)* | 2019-04-10 | 2021-11-09 | 三菱电机株式会社 | Power management device |
| CN110298475A (en)* | 2019-05-10 | 2019-10-01 | 华北电力大学 | A kind of medium-term electricity consumption method decomposed based on sequence component with neural network |
| JP7257276B2 (en)* | 2019-07-05 | 2023-04-13 | 株式会社日立製作所 | Data prediction system and method |
| US11615348B2 (en) | 2019-09-18 | 2023-03-28 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
| US11328177B2 (en) | 2019-09-18 | 2022-05-10 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
| EP4022532A1 (en) | 2019-09-18 | 2022-07-06 | Hartford Steam Boiler Inspection and Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
| JP7491724B2 (en)* | 2020-04-22 | 2024-05-28 | 株式会社 日立産業制御ソリューションズ | Information processing device and information processing method |
| JP7001766B2 (en)* | 2020-06-22 | 2022-01-20 | 株式会社日立製作所 | Forecasting system and method |
| CN117795805A (en)* | 2021-08-18 | 2024-03-29 | 三菱电机楼宇解决方案株式会社 | Power consumption estimation device, power consumption estimation method and power consumption estimation program |
| CN114066036B (en)* | 2021-11-10 | 2022-05-06 | 华东交通大学 | Cost prediction method and device based on self-correction fusion model |
| JP2025085971A (en)* | 2023-11-27 | 2025-06-06 | 株式会社日立製作所 | Spike prediction device and spike prediction method |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7346471B2 (en)* | 2005-09-02 | 2008-03-18 | Microsoft Corporation | Web data outlier detection and mitigation |
| JP5003566B2 (en)* | 2008-04-01 | 2012-08-15 | 三菱電機株式会社 | Network performance prediction system, network performance prediction method and program |
| JP5698860B1 (en)* | 2014-08-22 | 2015-04-08 | 株式会社アールファイブ | Inventory management system, inventory management method, and program |
| Publication number | Publication date |
|---|---|
| JP2019049850A (en) | 2019-03-28 |
| WO2019049546A1 (en) | 2019-03-14 |
| Publication | Publication Date | Title |
|---|---|---|
| JP6837949B2 (en) | Prediction system and method | |
| JP6895416B2 (en) | Energy demand forecasting system and energy demand forecasting method | |
| JP6735219B2 (en) | Prediction system and prediction method | |
| JP7319757B2 (en) | Data processing system and data processing method | |
| JP6742894B2 (en) | Data prediction system and data prediction method | |
| JP2018092439A5 (en) | ||
| WO2018174028A1 (en) | Prediction system and prediction method | |
| Park et al. | A framework for baseline load estimation in demand response: Data mining approach | |
| Feng et al. | Toward scalable stochastic unit commitment. Part 1: load scenario generation | |
| JP6970998B2 (en) | Electric power demand forecasting device and electric power demand forecasting method | |
| WO2017212880A1 (en) | Data prediction system and data prediction method | |
| Kim et al. | Short-term electric load forecasting using data mining technique | |
| CN106022959A (en) | Peak clipping and valley filling-oriented electricity utilization behavior analysis method and system | |
| WO2016185919A1 (en) | Energy demand predicting system and energy demand predicting method | |
| Rueda et al. | Important variables in explaining real-time peak price in the independent power market of Ontario | |
| Haq | Machine learning for load profile data analytics and short-term load forecasting | |
| Gajowniczek et al. | Seasonal peak demand classification with machine learning techniques | |
| Sinitsyna et al. | Some Practical Aspects of Electric Power Consumption Time Series Analysis | |
| Inala et al. | Optimal Load Prediction in a Smart Metering Network using Random Forest Algorithm | |
| KR102808393B1 (en) | Method of providing risks of financial assets with weather icons and system thereof | |
| Harisandy et al. | Forecasting Revenue from Electricity Sales of Household Customers using Various Methods | |
| Martins et al. | Forecasting Disaggregated Electricity Data with General Regression Neural Networks | |
| WO2024014035A1 (en) | Data prediction support method and data prediction system | |
| KR20240159343A (en) | Method of providing risks of financial assets with weather icons based on user's investment appetite and system thereof | |
| PETRONIO et al. | On load forecasting methodology and applications. |
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination | Free format text:JAPANESE INTERMEDIATE CODE: A621 Effective date:20200117 | |
| A131 | Notification of reasons for refusal | Free format text:JAPANESE INTERMEDIATE CODE: A131 Effective date:20201215 | |
| A521 | Request for written amendment filed | Free format text:JAPANESE INTERMEDIATE CODE: A523 Effective date:20210108 | |
| 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:20210126 | |
| A61 | First payment of annual fees (during grant procedure) | Free format text:JAPANESE INTERMEDIATE CODE: A61 Effective date:20210210 | |
| R150 | Certificate of patent or registration of utility model | Ref document number:6837949 Country of ref document:JP Free format text:JAPANESE INTERMEDIATE CODE: R150 |