【０００１】[0001]
【発明の属する技術分野】本発明は、各種電力系統の中
央給電指令所、地方給電指令所、系統制御所において、
系統制御用電子計算機または汎用電子計算機上で日最大
需要電力を予測する際の信頼性評価方法に関するもので
ある。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a central power supply command station, a local power supply command station, and a system control station of various power systems.
The present invention relates to a reliability evaluation method for predicting daily maximum power demand on a system control computer or a general-purpose computer.
【０００２】[0002]
【従来の技術】電力系統における翌日または当日の日最
大需要電力の予測作業は、熟練運用者の経験と直感的知
識により行われることが多く、そのすべての作業を手作
業に頼っている。このため、予測作業を自動化する例と
して、従来から、重回帰分析に代表される統計的手法に
基づく予測モデルを作成し、これを用いて日最大需要電
力を予測する方法が提案されている。また、最近では、
ニューラルネットワークにより過去の実績データを用い
て予測モデルを構築する方法も現れている。2. Description of the Related Art Forecasting of the maximum power demand on the next day or the day of the day in a power system is often performed by the experience and intuitive knowledge of a skilled operator, and all of the tasks rely on manual work. Therefore, as an example of automating the prediction work, conventionally, a method of creating a prediction model based on a statistical method typified by multiple regression analysis and using this to predict the maximum daily power demand has been proposed. Also, recently
A method of constructing a prediction model using past performance data by a neural network has also appeared.
【０００３】しかし、一般にこれらの予測モデルを使用
して得た予測データの信頼性の評価方法はほとんどな
く、その信頼性は実績値が判明するまでわからないのが
現状である。また、誤差が生じたとしても、その原因は
人間による直観的な判断による以外は究明できない。However, in general, there are few methods for evaluating the reliability of prediction data obtained by using these prediction models, and the reliability is not known until the actual value is known. Moreover, even if an error occurs, the cause cannot be determined except by an intuitive judgment made by a human.
【０００４】信頼性評価方法として唯一、提案されてい
る方法は、予測モデルの構築に用いた過去の実績データ
と予測データとの「条件付き標準偏差」に基づくものが
あり、この「条件付き標準偏差」によって誤差範囲を予
め求める方法である。この方法では、ある程度の評価が
可能であるが、「条件付き標準偏差」と誤差との相関は
非常に弱い、予測される誤差範囲も数十％台である、ま
た、予測データが予測モデル構築に用いる過去のサンプ
ルデータの範囲外（外挿のケース）では求めることがで
きない、等の欠点があり、「条件付き標準偏差」だけで
は良好な評価が困難である。The only method that has been proposed as a reliability evaluation method is based on the "conditional standard deviation" between the past actual data and the prediction data used in the construction of the prediction model. This is a method of obtaining the error range in advance by "deviation". This method can be evaluated to some extent, but the correlation between the "conditional standard deviation" and the error is very weak, and the predicted error range is in the tens of percents. However, there is a drawback that it cannot be obtained outside the range of past sample data used for (case of extrapolation), and good evaluation is difficult only with "conditional standard deviation".
【０００５】他の統計的手法として、例えば「確率密
度」、「標準偏差」を用いて評価することも考えられる
が、単体の評価手法だけでは「条件付き標準偏差」と同
様に良好な信頼性評価を行うことができない。As another statistical method, for example, "probability density" and "standard deviation" may be used for evaluation, but a simple evaluation method alone has good reliability as in "conditional standard deviation". Cannot be evaluated.
【０００６】また、ニューラルネットワークを用いて予
測する場合、ニューラルネットワークの出力は一般に０
〜１に正規化された値であるため、通常学習された過去
の実績データの範囲を超える値（外挿のケース）は出力
できない。更に、正規化範囲を工夫して０．１〜０．９
のように変えた場合においても、学習されていない範囲
の予測データは極端に精度が悪いものである。When the prediction is performed using a neural network, the output of the neural network is generally 0.
Since the value is normalized to ˜1, a value (case of extrapolation) that exceeds the range of the normally learned past performance data cannot be output. Further, devising the normalization range to 0.1 to 0.9
Even when changed as described above, the prediction data in the unlearned range is extremely inaccurate.
【０００７】従来では、外挿を避けるために十分に多く
のデータを学習させる方法が採られているが、電力需要
は毎年増大しているため、外挿を避けることは困難であ
る。また、ニューラルネットワークは内部がブラックボ
ックスであり、内部構造の解析・予測データの信頼性評
価は通常、困難であることから、感度解析などの間接的
方法が採られてきた。Conventionally, a method of learning a sufficiently large amount of data to avoid extrapolation has been adopted, but it is difficult to avoid extrapolation because the power demand increases every year. In addition, since a neural network has a black box inside, it is usually difficult to analyze the internal structure and evaluate the reliability of prediction data. Therefore, indirect methods such as sensitivity analysis have been adopted.
【０００８】[0008]
【発明が解決しようとする課題】電力系統を運用するた
めには膨大な専門的知識が必要であるが、近年ではこの
知識を有する熟練運用者が減少の一途をたどっている。
一方、最大需要電力の予測は、系統運用の基盤とも言う
べき発電計画案の基礎となるものであり、その予測精度
の向上と自動化が切望されている。A great deal of specialized knowledge is required to operate a power system, but in recent years, the number of skilled operators who have this knowledge is decreasing.
On the other hand, the prediction of the maximum power demand is the basis of a power generation plan that should be called the basis of system operation, and improvement of the prediction accuracy and automation are desired.
【０００９】前述のごとく、近年では、予測業務を自動
化するために重回帰式モデル、ニューラルネットワーク
等により予測モデルを構築して用いる例が増えてきてい
るが、その予測データの信頼性を評価することが困難で
あり、また、誤差が生じた場合の原因評価も難しい。As described above, in recent years, an example of constructing and using a prediction model by a multiple regression model, a neural network, etc. for automating the prediction work is increasing, but the reliability of the prediction data is evaluated. It is also difficult to evaluate the cause when an error occurs.
【００１０】本発明は上記課題を解決するためになされ
たもので、計算機により求められた予測データの信頼性
を実績値の判明前に評価し、また、予測データに対する
手動または自動による補正を行うことで一層高精度の予
測を行うと共に、実績値が判明して誤差が生じていた場
合にその誤差原因をも評価できるようにした日最大需要
電力予測の信頼性評価方法を提供しようとするものであ
る。The present invention has been made to solve the above problems, and evaluates the reliability of prediction data obtained by a computer before the actual value is determined, and also manually or automatically corrects the prediction data. By doing so, it aims to provide a highly accurate forecasting method and to provide a reliability evaluation method for the daily maximum power demand forecast that enables the cause of the error to be evaluated when the actual value is known and there is an error. Is.
【００１１】[0011]
【課題を解決するための手段】上記課題を解決するた
め、請求項１記載の発明は、過去の実績データを用いて
構築した重回帰式モデル、ニューラルネットワーク等の
予測モデルを用いて計算機により予測した日最大需要電
力の信頼性を評価する日最大需要電力予測の信頼性評価
方法において、前記予測モデルの構築に用いた日最大需
要電力に関する過去の実績データと、前記予測モデルに
より得た日最大需要電力に関する予測データとを、電力
相関図に重ね合わせて表示して予測データの信頼性を評
価するものである。ここで、電力相関図とは、例えば最
高気温に対する日最大需要電力の過去の実績データと予
測データとを合わせて表示したものである。これによ
り、予測データが過去の実績データと異なる傾向を持つ
場合には、電力相関図上で予測データが過去の実績デー
タから大きく離れた位置にプロットされるため、運用者
は視覚的、直感的に上記予測データが信頼性の低いもの
であることを認識できる。In order to solve the above-mentioned problems, the invention according to claim 1 predicts by a computer using a predictive model such as a multiple regression formula model or neural network constructed using past performance data. In the reliability evaluation method of the daily maximum power demand prediction for evaluating the reliability of the daily maximum power demand, the past performance data regarding the daily maximum power demand used in the construction of the prediction model and the daily maximum power obtained by the prediction model The reliability of the prediction data is evaluated by superimposing the prediction data on the demand power on the power correlation diagram. Here, the power correlation diagram is, for example, a combination of past actual data and predicted data of the maximum daily power demand with respect to the maximum temperature. As a result, when the predicted data has a tendency different from the past actual data, the predicted data is plotted at a position greatly separated from the past actual data on the power correlation diagram, so that the operator can visually and intuitively. It can be recognized that the above prediction data has low reliability.
【００１２】なお、一般的な傾向として電力需要は毎年
増大しているため、電力相関図上に表示する過去の実績
データが予測対象日の１年以上前のデータである場合に
は、請求項２に記載したように、その実績データを予測
対象年相当に補正（増加）することが望ましい。Note that, as a general tendency, the power demand is increasing every year. Therefore, when the past actual data displayed on the power correlation diagram is the data one year or more before the forecast target date, As described in 2, it is desirable to correct (increase) the actual data so that it corresponds to the forecast year.
【００１３】請求項３に記載した発明は、過去の実績デ
ータを用いて構築した重回帰式モデル、ニューラルネッ
トワーク等の予測モデルを用いて計算機により予測した
日最大需要電力の信頼性を評価する日最大需要電力予測
の信頼性評価方法において、前記予測モデルの構築に用
いた過去の実績データと、前記予測モデルにより得た予
測データとの相関関係を、予測データに関する複数の数
学的指標の組み合わせに基づき判定して予測データの信
頼性を評価するものである。すなわち、個々の数学的指
標を評価するだけでは予測データの一面の評価に過ぎ
ず、高精度の信頼性評価を行うことが難しいが、本発明
のように複数の指標を用いれば、総合的な評価が可能に
なる。The invention described in claim 3 is a day for evaluating the reliability of the maximum daily power demand predicted by a computer using a multiple regression model constructed using past performance data, a prediction model such as a neural network. In the reliability evaluation method of the maximum power demand prediction, the past actual data used in the construction of the prediction model, and the correlation between the prediction data obtained by the prediction model, the combination of a plurality of mathematical indicators for the prediction data. The reliability of the prediction data is evaluated based on the judgment. That is, it is difficult to perform a highly accurate reliability evaluation by only evaluating each mathematical index, but it is difficult to perform a highly accurate reliability evaluation. Evaluation is possible.
【００１４】請求項４に記載した発明は、過去の実績デ
ータを用いて構築したニューラルネットワークからなる
予測モデルを用いて計算機により予測した日最大需要電
力の信頼性を評価する日最大需要電力予測の信頼性評価
方法において、前記ニューラルネットワークによる予測
時の入力データが過去の実績データの範囲外にあるとき
には予測データの信頼性が低いと評価するものである。
これにより、予測時においてニューラルネットワークに
学習範囲外（外挿）のデータが入力された場合には直ち
に予測データの信頼性が低いと判断することができ、運
用者にとって信頼性評価を直接的に行うことが可能にな
る。According to the invention described in claim 4, a daily maximum demand power prediction for evaluating the reliability of the daily maximum demand power predicted by a computer using a prediction model composed of a neural network constructed by using past performance data is provided. In the reliability evaluation method, when the input data at the time of prediction by the neural network is out of the range of past actual data, the reliability of the prediction data is evaluated as low.
As a result, when data outside the learning range (extrapolation) is input to the neural network during prediction, it can be immediately determined that the reliability of the prediction data is low, and the reliability evaluation can be directly performed by the operator. It will be possible to do.
【００１５】請求項５に記載した発明は、過去の実績デ
ータを用いて構築したニューラルネットワークからなる
予測モデルを用いて計算機により予測した日最大需要電
力の信頼性を評価する日最大需要電力予測の信頼性評価
方法において、前記ニューラルネットワークの入出力関
係が非線形関数で表されるときに、予測データをニュー
ラルネットワークの出力範囲と比較して予測データの信
頼性を評価し、信頼性が低いと評価されたときに予測デ
ータを補正するものである。一般に、ニューラルネット
ワークの出力範囲の上下限に近い予測データは、非線形
関数の飽和のために信頼性が低いと判断される。よっ
て、本発明ではこれらの予測データを信頼性が低いもの
と判断し、その値に応じて＋または−の補正を行う。The invention described in claim 5 is a maximum daily power demand forecast for evaluating the reliability of the daily maximum power demand predicted by a computer using a prediction model consisting of a neural network constructed by using past performance data. In the reliability evaluation method, when the input / output relationship of the neural network is represented by a non-linear function, the reliability of the prediction data is evaluated by comparing the prediction data with the output range of the neural network, and the reliability is evaluated as low. The prediction data is corrected when it is performed. Generally, the prediction data near the upper and lower limits of the output range of the neural network is judged to have low reliability due to the saturation of the nonlinear function. Therefore, in the present invention, it is determined that these prediction data have low reliability, and + or − correction is performed according to the value.
【００１６】請求項６に記載した発明は、過去の実績デ
ータを用いて構築した予測モデルを用いて計算機により
予測した日最大需要電力の信頼性を評価する日最大需要
電力予測の信頼性評価方法において、予測対象日の実績
データと前記予測モデルにより得た予測データとの誤差
を計算し、誤差の大きい予測対象日について予測データ
に関する複数の数学的指標に基づき誤差原因を評価、解
析するものである。これにより、予測誤差が生じた場合
にその原因を特定し、予測モデルの改良に役立てること
ができる。The invention according to claim 6 is a reliability evaluation method of the daily maximum power demand prediction for evaluating the reliability of the daily maximum power demand predicted by a computer using a prediction model constructed by using past performance data. In, the error between the actual data on the forecast target date and the forecast data obtained by the forecast model is calculated, and the cause of the error is evaluated and analyzed for the forecast target date with a large error based on a plurality of mathematical indexes related to the forecast data. is there. This makes it possible to identify the cause of the prediction error when it occurs and to help improve the prediction model.
【００１７】なお、請求項３または請求項６おける前記
数学的指標としては、請求項７に記載したように、予測
データの過去の実績データに対する確率密度、標準偏
差、条件付き標準偏差等が用いられる。As the mathematical index in claim 3 or claim 6, as described in claim 7, the probability density, standard deviation, conditional standard deviation, etc. of the predicted data with respect to the past actual data are used. To be
【００１８】[0018]
【発明の実施の形態】以下、図に沿って本発明の実施形
態を説明する。はじめに、請求項１及び請求項２に記載
した発明の実施形態を図１〜図３を参照しつつ説明す
る。この実施形態は、図１に示すように、（１）予測モ
デル構築、（２）日最大電力予測、（３）年増加補正、
（４）電力相関図表示の４つのステップからなってい
る。なお、図１において、破線で示した矢印はステップ
（２）〜（４）が予測期間中、毎日繰り返し実行される
ことを示す。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS An embodiment of the present invention will be described below with reference to the drawings. First, an embodiment of the invention described in claims 1 and 2 will be described with reference to FIGS. 1 to 3. In this embodiment, as shown in FIG. 1, (1) prediction model construction, (2) daily maximum power prediction, (3) year increase correction,
(4) It consists of four steps of displaying the power correlation diagram. In addition, in FIG. 1, the arrow indicated by a broken line indicates that steps (2) to (4) are repeatedly executed every day during the prediction period.
【００１９】以下、各ステップにつき個別に説明する。 （１）予測モデル構築 このステップでは、予測モデルを、重回帰式モデル、ニ
ューラルネットワークまたはこれらを複合したものを用
いて、予測対象日よりも前の所定期間（例えば数十日〜
数年分）の気象データ、日最大需要電力、平日・土曜日
・休日等の区別データ（１，０など）からなる実績デー
タに基づいて構築する。この予測モデルは、気象条件等
と日最大需要電力との非線形な相関関係を示すものであ
り、予測モデルの入力データは気象データ、日最大需要
電力、平日・土曜日・休日等の区別データ、出力データ
は日最大需要電力である。なお、予測モデルの具体的な
構成方法は本発明の要旨ではないため、説明を省略す
る。Each step will be described below individually. (1) Prediction model construction In this step, a prediction model is used by using a multiple regression model, a neural network, or a combination thereof, for a predetermined period (for example, several tens of days-
It is constructed based on actual data consisting of weather data (for several years), maximum daily power demand, and weekday / Saturday / holiday distinction data (1,0, etc.). This prediction model shows a non-linear correlation between the weather conditions and the maximum daily demand power, and the input data of the prediction model is meteorological data, maximum daily demand power, data for weekday / Saturday / holiday distinction, and output. The data is the maximum daily power demand. The specific method of constructing the prediction model is not the gist of the present invention, and therefore its explanation is omitted.
【００２０】（２）日最大電力予測 予測モデルの構築に用いた気象データ、日最大需要電
力、平日・土曜日・休日等の区別データ、及び、予測対
象日の気象データ（気象予報による）並びに平日・土曜
日・休日等の区別データを入力データとし、予測モデル
によって予測対象日の日最大需要電力を予測する。予測
方法の具体的内容は本発明の要旨ではないため、説明を
省略する。(2) Maximum daily power prediction The weather data used to build the prediction model, the maximum daily power demand, the weekday / Saturday / holiday distinction data, and the weather data for the forecasted day (by weather forecast) and weekdays -The data of the distinction of Saturdays and holidays is used as input data, and the maximum daily power demand is predicted by the prediction model on the forecast target day. Since the specific contents of the prediction method are not the gist of the present invention, description thereof will be omitted.
【００２１】（３）年増加補正 電力需要は毎年増大し、年によって同じ気温でも日最大
需要電力は年々異なるのが通常である。このため、予測
モデルの構築に用いた過去の実績データが予測対象日よ
りも１年以上前の期間のデータである場合（予測対象年
のデータでない場合）には、これらの過去の本来の実績
データをそれぞれ年増加補正して、予測対象年相当に補
正することが望ましい。(3) Correction for yearly increase The power demand increases every year, and the daily maximum demand power usually varies from year to year even at the same temperature. Therefore, if the past actual data used to build the prediction model is data for a period one year or more before the forecast target date (if it is not the forecast target year data), these past actual results It is desirable to correct the data by increasing each year so that it corresponds to the target year.
【００２２】ここで、年増加補正するデータは日最大需
要電力のみであり、気象データや平日・土曜日・休日等
の区別データは補正しない。また、過去の実績データが
予測対象日よりも数日前〜数ヶ月前のものであるような
ときは、これらの実績データは予測対象年のデータとし
て補正の対象とはしない。要するに、この年増加補正
は、過去の異なる年のデータでも、同じ入力データに対
しては同じ日最大需要電力が得られるように補正するも
のである。Here, the data for annual increase correction is only the maximum daily power demand, and the weather data and the discrimination data for weekdays, Saturdays, holidays, etc. are not corrected. Further, when the past actual data is from several days to several months before the forecast target date, these actual data are not subject to correction as the forecast target year data. In short, this yearly increase correction is performed so that the same daily maximum power demand can be obtained for the same input data even for data of different past years.
【００２３】図２はこの年増加補正の概念を示してお
り、例えば、実線で示した３年前の日最大需要電力の実
績データを、年ごとの増加率などを考慮して予測対象年
相当の値に換算する。このようにして過去の日最大需要
電力に関する実績データを年増加補正すれば、後述する
電力相関図上に異なる年の実績データを予測データと共
に表示して比較することが意味を持ってくる。FIG. 2 shows the concept of this yearly increase correction. For example, the actual data of the maximum daily power demand three years ago indicated by the solid line is equivalent to the year to be predicted in consideration of the increase rate for each year. Convert to the value of. In this way, if the actual data regarding the past maximum daily demand power is corrected to be increased annually, it is meaningful to display and compare the actual data of different years together with the forecast data on the power correlation diagram described later.
【００２４】（４）電力相関図表示 このステップでは、図３に示すように、予測モデルによ
る日最大需要電力の予測データと、年増加補正を行った
過去の日最大需要電力の実績データとを、気温や湿度と
相関させて電力相関図上に同時に表示する。図３の例で
は、電力値を最高気温と対応させている。(4) Power Correlation Diagram Display In this step, as shown in FIG. 3, the forecast data of the daily maximum demand power by the forecast model and the past actual data of the daily maximum demand power corrected for increase in year are displayed. , Correlation with temperature and humidity is displayed on the power correlation diagram at the same time. In the example of FIG. 3, the electric power value corresponds to the maximum temperature.
【００２５】予測モデルは過去の実績データに基づいて
構築されているので、電力相関図上で予測データが過去
の実績データの分布範囲内にある場合には高精度の予測
を期待することができる。また、分布範囲外にある場合
には、過去の実績データにないデータまたは過去とはま
ったく違う傾向を示すデータであると判断でき、予測の
信頼性が低いと考えることができる。すなわち、電力相
関図によって予測データと過去の実績データとの関係が
視覚的に表示されるため、運用者にとって直感的にわか
りやすい予測データの信頼性評価が可能になる。更に、
信頼性の低い予測データについては、改めて別の方法
（別の予測モデル、運用者の直感）により補正すること
が可能であり、高精度の日最大需要電力の予測が可能に
なる。Since the prediction model is constructed based on the past performance data, highly accurate prediction can be expected when the prediction data is within the distribution range of the past performance data on the power correlation diagram. . Further, when it is outside the distribution range, it can be determined that the data does not exist in the past actual data or the data showing a tendency completely different from the past, and it can be considered that the reliability of the prediction is low. That is, since the relationship between the prediction data and the past performance data is visually displayed by the power correlation diagram, it is possible to evaluate the reliability of the prediction data that the operator can intuitively understand. Furthermore,
The unreliable forecast data can be corrected again by another method (another forecast model, the intuition of the operator), which enables highly accurate forecast of the maximum daily power demand.
【００２６】次に、請求項３及び請求項７に記載した発
明の実施形態を図４を参照しつつ説明する。この実施形
態は、図４に示すように、（１）予測モデル構築、
（２）日最大電力予測、（３）信頼性評価の３つのステ
ップからなっている。なお、図４において、破線で示し
た矢印はステップ（２），（３）が予測期間中、毎日繰
り返し実行されることを示す。Next, an embodiment of the invention described in claims 3 and 7 will be described with reference to FIG. In this embodiment, as shown in FIG. 4, (1) prediction model construction,
It consists of three steps: (2) daily maximum power prediction and (3) reliability evaluation. Note that, in FIG. 4, the arrow indicated by a broken line indicates that steps (2) and (3) are repeatedly executed every day during the prediction period.
【００２７】以下、各ステップにつき説明する。 （１）予測モデル構築及び（２）日最大電力予測 請求項１記載の発明の実施形態とまったく同様であり、
重回帰式モデル、ニューラルネットワークもしくはこれ
らを複合したものを用いて、予測モデルの構築及び実際
の予測を行う。Each step will be described below. (1) Prediction model construction and (2) Daily maximum power prediction, which is exactly the same as the embodiment of the invention according to claim 1,
A multiple regression model, a neural network, or a combination of these is used to construct a prediction model and perform actual prediction.
【００２８】（３）信頼性評価 このステップでは、予測モデルの構築に用いた過去の実
績データと予測データとの相関関係を、「確率密度」、
「標準偏差」、「条件付き標準偏差」などの複数の数学
的指標を用いて表すとともにこれらを組み合わせて分類
することにより、予測データの信頼性を評価する。ここ
で、予測が外れる原因としては、以下のように３つが考
えられる。 予測モデルの構築時に用いた過去の実績データが少な
い。 予測モデルの構築時に用いた過去の実績データのばら
つきが大きい。 予測対象日が、予測モデルの構築に用いた過去の実績
データと違う傾向の特殊な日である。(3) Reliability Evaluation In this step, the correlation between the past actual data used for constructing the prediction model and the prediction data is calculated as "probability density",
The reliability of the prediction data is evaluated by using a plurality of mathematical indicators such as “standard deviation” and “conditional standard deviation” and combining them to classify them. Here, there are three possible causes for the misjudgment as follows. There are few past actual data used when building the prediction model. There are large variations in the past performance data used when building the prediction model. The prediction target day is a special day that has a tendency different from the past actual data used to construct the prediction model.
【００２９】上記を表す数学的指標としては、例えば
予測データの「確率密度」を用いる。予測データの「確
率密度」とは、予測データに類似したものが過去の実績
データにどのくらい存在するか（多いか少ないか）を表
す指標である。この確率密度が低い予測データに対する
予測モデルの精度、つまり予測精度は低いと考えられ
る。As the mathematical index representing the above, for example, the "probability density" of the prediction data is used. The “probability density” of the prediction data is an index showing how many similar to the prediction data exist in the past performance data (whether there is more or less). It is considered that the accuracy of the prediction model for the prediction data with low probability density, that is, the prediction accuracy is low.
【００３０】確率密度を算出する数式の一例をあげる
と、例えば数式１のようなものが考えられる。As an example of the mathematical formula for calculating the probability density, the following mathematical formula 1 can be considered.
【００３１】[0031]
【数１】確率密度＝（ａ／ｎ）ΣＫ（ａ‖Ｘ−Ｘi‖）[Number 1] Probability Density = (a / n) ΣK ( a‖X-X i ‖)
【００３２】但し、数式１において、 ｎ：サンプルデータの数 ａ：ぼかし定数（今回はａ＝１） Ｘ：予測対象日の入出力項目 Ｘ＝（ｘ1,ｘ2,……，ｘm,ｙ） ｙ＝ｆ（ｘ1,ｘ2,……，ｘm) Ｘi:サンプルデータの入出力項目 Ｋ（ ）：ガウス分布に従う確率密度変数 Ｋ（ｘ）＝ｅｘｐ｛−（ｘ−μ）2/２σ2}／σ√（２
π）However, in the equation 1, n: number of sample data a: blurring constant (a = 1 this time) X: input / output item of prediction target day X = (x1 , x2 , ..., Xm , y) y = f (x1 , x2 , ..., Xm ) Xi : input / output item of sample data K (): probability density variable according to Gaussian distribution K (x) = exp {− (x−μ)2 / 2σ2 } / σ√ (2
π)
【００３３】上記を表す数学的指標としては、例えば
予測データの「標準偏差」を用いる。予測データの「標
準偏差」とは、予測データが過去の実績データにどのく
らい近いか遠いかを表す指標である。標準偏差が大きい
ものは、予測モデルの精度つまり予測精度が低いと考え
られる。ここで、標準偏差は、例えば数式２によって求
めることができる。As the mathematical index representing the above, for example, the "standard deviation" of the prediction data is used. The “standard deviation” of the prediction data is an index indicating how close or far the prediction data is to the past performance data. If the standard deviation is large, the accuracy of the prediction model, that is, the prediction accuracy is considered to be low. Here, the standard deviation can be obtained, for example, by Equation 2.
【００３４】[0034]
【数２】 （標準偏差）2=‖Ｘ‖／（ｍ＋１） ＝（ｘ12+ｘ22+……ｘm2+ｙ2)／（ｍ＋１）[Equation 2] (standard deviation)2 = ‖X‖ / (m + 1) = (x12 + x22 + ... xm2 + y2 ) / (m + 1)
【００３５】但し、数式２において、 ｍ：入力項目数 ｘ：予測日の入力項目（気温、天候など） ｙ：予測電力（予測対象日の日最大需要電力）[Mathematical formula-see original document] However, in the mathematical expression 2, m: number of input items x: input item of predicted day (temperature, weather, etc.) y: predicted power (maximum daily demand power of predicted day)
【００３６】更に、上記を表す数学的指標としては、
例えば予測データの「条件付き標準偏差」を用いる。こ
の「条件付き標準偏差」は、予測データと類似する過去
の実績データだけを対象にして標準偏差を求めるもので
ある。条件付き標準偏差が大きいものは、予測モデルの
精度つまり予測精度が低いと考えることができる。条件
付き標準偏差は、例えば数式３によって求めることがで
きる。Further, as a mathematical index representing the above,
For example, the “conditional standard deviation” of the prediction data is used. The "conditional standard deviation" is for obtaining the standard deviation only for past record data similar to the prediction data. If the conditional standard deviation is large, it can be considered that the accuracy of the prediction model, that is, the prediction accuracy is low. The conditional standard deviation can be obtained by, for example, Expression 3.
【００３７】[0037]
【数３】 条件付き標準偏差＝ｓｑｒｔ〔Σ｛Ｋ（ａ‖Ｘ−Ｘｉi‖）（ｙ−ｙi)2}〕[Equation 3] Conditional standard deviation = sqrt [Σ {K (a‖X−Xii ‖) (y−yi )2 }]
【００３８】但し、数式３において、 ｎ：サンプルデータの数 ａ：ぼかし定数（今回はａ＝１） Ｘ：予測対象日の入出力項目 Ｘ＝（ｘ1,ｘ2,……，ｘm,ｙ） ｙ＝ｆ（ｘ1,ｘ2,……，ｘm) Ｘi:サンプルデータの入出力項目 Ｋ（ ）：ガウス分布に従う確率密度変数 Ｋ（ｘ）＝ｅｘｐ｛−（ｘ−μ）2/２σ2}／σ√（２
π）However, in the equation 3, n: number of sample data a: blurring constant (a = 1 this time) X: input / output item of prediction target day X = (x1 , x2 , ..., Xm , y) y = f (x1 , x2 , ..., Xm ) Xi : input / output item of sample data K (): probability density variable according to Gaussian distribution K (x) = exp {− (x−μ)2 / 2σ2 } / σ√ (2
π)
【００３９】本実施形態では、上記３つの数学的指標を
求めた後、それぞれの値の年・季節平均値などを閾値と
して当該項目に誤差原因があるか否かを判定し、表１に
示すように８つに分類分けする。In this embodiment, after obtaining the above three mathematical indexes, it is determined whether or not there is an error cause in the item by using the yearly / seasonal average value of each value as a threshold value, and shown in Table 1. It is divided into eight categories.
【００４０】[0040]
【表１】[Table 1]
【００４１】すなわち、個々の数学的指標単独では、予
測データのある一面の評価に過ぎず、精度の良い信頼性
評価を行うことができないため、３つの指標を組み合わ
せて分類分けすることで、総合的かつ多角的な信頼性の
評価が可能になる。表１において、３つの指標のすべて
について誤差原因なしとされる分類８に分類された予測
データは、最も信頼性が高いと考えられる。このことは
シミュレーションでも確認されている。なお、３つの指
標のすべてにつき誤差原因があるとされる分類１に分類
された予測データは、最も信頼性が低いと考えることが
できる。That is, since each mathematical index alone is only an evaluation of one side of the prediction data and an accurate reliability evaluation cannot be performed, by combining the three indexes and classifying them, It is possible to evaluate the reliability in multiple ways. In Table 1, the prediction data classified into class 8 in which there is no error cause for all three indexes is considered to have the highest reliability. This has been confirmed by simulation. Note that the prediction data classified into Class 1 in which all three indices have an error cause can be considered to have the lowest reliability.
【００４２】一般に、予測データの信頼性を数学的指標
を用いて評価することは行われていないため、この実施
形態によれば、運用者は安心して予測データを使用する
ことができる。また、表１により信頼性が低いとされた
分類に属する予測データを、改めて別の方法（別の予測
モデル、運用者の直感）により補正することも可能であ
り、高精度の日最大電力予測が可能になる。In general, since the reliability of the prediction data is not evaluated using the mathematical index, according to this embodiment, the operator can use the prediction data with peace of mind. Further, it is also possible to correct the prediction data belonging to the classification with low reliability according to Table 1 by another method (a different prediction model, the operator's intuition) again, and highly accurate daily maximum power prediction. Will be possible.
【００４３】次いで、請求項４記載の発明の実施形態を
図５、図６を参照しつつ説明する。この実施形態は、図
５に示すごとく、（１）予測モデル構築、（２）日最大
電力予測、（３）信頼性評価の３つのステップからなっ
ている。なお、図５において、破線で示した矢印はステ
ップ（２），（３）が予測期間中、毎日繰り返し実行さ
れることを示す。Next, an embodiment of the invention described in claim 4 will be described with reference to FIGS. As shown in FIG. 5, this embodiment includes three steps of (1) prediction model construction, (2) daily maximum power prediction, and (3) reliability evaluation. In addition, in FIG. 5, the arrow indicated by a broken line indicates that steps (2) and (3) are repeatedly executed every day during the prediction period.
【００４４】以下、各ステップにつき個別に説明する。 （１）予測モデル構築 予測モデルはニューラルネットワークにより構築され、
例えば予測対象日よりも前の所定期間（例えば数十日〜
数年分）の気象データ、日最大需要電力、平日・土曜日
・休日等の区別データ（１，０など）からなる実績デー
タに基づいて構築する。この予測モデルは、気象条件等
と日最大需要電力との非線形な相関関係を示すものであ
り、予測モデルの入力データは気象データ、日最大需要
電力、平日・土曜日・休日等の区別データ、出力データ
は日最大需要電力である。なお、予測モデルの具体的な
構成方法は本発明の要旨ではないため、説明を省略す
る。Each step will be described below individually. (1) Prediction model construction The prediction model is constructed by a neural network,
For example, a predetermined period (for example, several tens of days-
It is constructed based on actual data consisting of weather data (for several years), maximum daily power demand, and weekday / Saturday / holiday distinction data (1,0, etc.). This prediction model shows a non-linear correlation between the weather conditions and maximum daily power demand, and the input data of the prediction model are meteorological data, maximum daily power demand, data for weekday / Saturday / holiday distinction, and output. The data is the maximum daily power demand. The specific method of constructing the prediction model is not the gist of the present invention, and therefore its explanation is omitted.
【００４５】（２）日最大電力予測 予測モデルの構築に用いた気象データ、日最大需要電
力、平日・土曜日・休日等の区別データ、及び、予測対
象日の気象データ（気象予報による）並びに平日・土曜
日・休日等の区別データを入力データとし、ニューラル
ネットワークからなる予測モデルによって予測対象日の
日最大需要電力を予測する。(2) Maximum daily power prediction The weather data used to build the prediction model, the maximum daily power demand, the weekday / Saturday / holiday distinction data, and the weather data for the forecasted day (by weather forecast) and weekdays -The input data is data that distinguishes Saturdays and holidays, and the daily maximum power demand is predicted using a prediction model consisting of a neural network.
【００４６】（３）信頼性評価 予測時のニューラルネットワークへの入力データ（気象
データ、日最大需要電力、平日・土曜日・休日等の区別
データ）の全部または一部が、過去の実績データの内部
にあるか外部にあるかを判別する。ニューラルネットワ
ークにおいて、学習範囲外（外挿）のデータを用いて予
測した場合の予測精度は一般に悪い。通常行われている
ように、出力を０〜１に正規化した場合には、予測デー
タもその範囲内に限定されてしまう。つまり、入力デー
タの範囲が学習に用いられた過去の実績データの範囲外
にある外挿の場合には、その予測結果も信頼性が低いと
判断することができる。(3) Reliability Evaluation All or part of input data (weather data, daily maximum power demand, weekday / Saturday / holiday distinction data) input to the neural network at the time of prediction is inside the past performance data. Discriminates whether it is in or outside. In the neural network, the prediction accuracy when using the data outside the learning range (extrapolation) is generally poor. If the output is normalized to 0 to 1 as is normally done, the prediction data is also limited to within that range. That is, in the case of extrapolation in which the range of input data is outside the range of past performance data used for learning, it can be determined that the prediction result is also unreliable.
【００４７】例えば、図６に示すように、入力データと
しての気温の入力範囲と出力データとしての日最大需要
電力の出力範囲を考えた場合、出力で０〜１に相当する
日最大需要電力は８５２５ＭＷ〜２２４４０ＭＷの範囲
に限定され、２２４４０ＭＷを超える電力値はすべて２
２４４０ＭＷ以下に予測されてしまう。これを防ぐた
め、例えば気温に関しては、１０℃〜３５℃の範囲外の
データがニューラルネットワークに入力されたときは、
それに基づいて予測される予測データは信頼性が低いと
判断する。For example, as shown in FIG. 6, when considering the input range of the air temperature as the input data and the output range of the maximum daily demand power as the output data, the maximum daily demand power corresponding to 0 to 1 in the output is Limited to the range of 8525 MW to 22440 MW, all power values above 22440 MW are 2
It is predicted to be 2440 MW or less. To prevent this, for example, when data outside the range of 10 ° C to 35 ° C is input to the neural network with respect to temperature,
It is judged that the prediction data predicted based on it has low reliability.
【００４８】一般に、ニューラルネットワークは非線形
であり、内部がブラックボックスとなっている。このた
め、内部構造の解析が困難であり、ニューラルネットワ
ークを用いた予測データの信頼性評価は、感度解析など
間接的な方法のみが使用されている。この実施形態によ
れば、入力データの範囲に基づいて予測データの信頼性
評価を直接行うことができるから、運用者は安心して予
測データを使用することができる。また、前期同様に、
信頼性が低いとされた予測データを、改めて別の方法
（別の予測モデル、運用者の直感）により補正すること
も可能であり、高精度の日最大電力予測が可能になる。Generally, a neural network is non-linear and has a black box inside. Therefore, it is difficult to analyze the internal structure, and the reliability evaluation of the prediction data using the neural network uses only an indirect method such as sensitivity analysis. According to this embodiment, the reliability of the predicted data can be directly evaluated based on the range of the input data, so that the operator can use the predicted data without anxiety. Also, as in the previous term,
It is also possible to correct the forecast data, which is considered to have low reliability, by another method (another forecast model, the operator's intuition), and highly accurate daily maximum power forecast becomes possible.
【００４９】次に、請求項５記載の発明の実施形態を図
７を参照しつつ説明する。この実施形態は、図７に示す
ごとく、（１）予測モデル構築、（２）日最大電力予
測、（３）信頼性評価、（４）予測値補正の４つのステ
ップからなっている。なお、図７において、破線で示し
た矢印はステップ（２）〜（４）が予測期間中、毎日繰
り返し実行されることを示す。Next, an embodiment of the invention described in claim 5 will be described with reference to FIG. As shown in FIG. 7, this embodiment comprises four steps of (1) prediction model construction, (2) daily maximum power prediction, (3) reliability evaluation, and (4) prediction value correction. Note that, in FIG. 7, the arrow indicated by the broken line indicates that steps (2) to (4) are repeatedly executed every day during the prediction period.
【００５０】以下、各ステップにつき説明する。 （１）予測モデル構築及び（２）日最大電力予測 これらのステップの処理内容は、請求項４記載の発明の
実施形態と同様であり、ニューラルネットワークを用い
て予測モデルの構築及び実際の予測を行う。Each step will be described below. (1) Prediction model construction and (2) Daily maximum power prediction The processing contents of these steps are the same as those of the embodiment of the invention described in claim 4, and the construction of the prediction model and the actual prediction are performed by using the neural network. To do.
【００５１】（３）信頼性評価 予測データが、ニューラルネットワークの出力範囲の０
または１に近い場合には、信頼性が低いと判断する。例
えば、予測データが０〜０．１または０．９〜１．０の
範囲内にあるときは、ニューラルネットワークの飽和と
見なして信頼性が低いと判断する。また、請求項４の発
明による信頼性評価の手法も加味し、入力データの全部
または一部が内挿の場合には信頼性が高く、外挿の場合
には信頼性が低いと判断しても良い。このように請求項
４の発明も併用することで、予測時の入力データ及び出
力データの双方からより厳密に信頼性を評価することが
できる。(3) Reliability Evaluation The prediction data is 0 in the output range of the neural network.
Alternatively, when the value is close to 1, it is determined that the reliability is low. For example, when the prediction data is in the range of 0 to 0.1 or 0.9 to 1.0, it is considered that the neural network is saturated and the reliability is determined to be low. Further, the reliability evaluation method according to the invention of claim 4 is also added, and it is determined that the reliability is high when the whole or a part of the input data is interpolated and the reliability is low when it is extrapolated. Is also good. As described above, by using the invention of claim 4 together, the reliability can be evaluated more strictly from both the input data and the output data at the time of prediction.
【００５２】一般に、ニューラルネットワークの入出力
関係は図６に示したような非線形関数によって表される
ものであり、０〜１の範囲を超える出力は非線形関数の
ために得ることができない。このため、実際には１を超
えるはずの値でも１より若干小さい値が、また、実際に
は０より小さいはずの値でも０より若干大きい値が出力
されることになる。従って、例えば予測データが０〜
０．１、０．９〜１．０の範囲内にあるときには、信頼
性が低いと判断するものである。Generally, the input / output relationship of the neural network is represented by a non-linear function as shown in FIG. 6, and an output exceeding the range of 0 to 1 cannot be obtained due to the non-linear function. Therefore, a value that should actually exceed 1 is output as a value slightly smaller than 1, and a value that should actually be smaller than 0 is output as a value slightly larger than 0. Therefore, for example, the prediction data is 0
When it is within the range of 0.1 and 0.9 to 1.0, the reliability is judged to be low.
【００５３】（４）予測値補正 上述のごとく、予測データが所定範囲にあって信頼性が
低いと判断された場合に、運用者に補正の必要を促して
人為的に、あるいは、計算機により自動的に予測値を補
正する。具体的には、予測データがニューラルネットワ
ークの出力の１に近い場合（０．９〜１．０）には予測
データを増加させるような＋の補正を、０に近い場合
（０〜０．１）には予測データを減少させるような−の
補正を行う。例えば、図６において、予測データが８５
００ＭＷの場合には−の補正を行い、２２０００ＭＷの
場合には＋の補正を行う。(4) Correction of Prediction Value As described above, when the prediction data is judged to be in the predetermined range and the reliability is low, the operator is prompted to make a correction, or the calculation is automatically performed by a computer. Correct the predicted value. Specifically, when the prediction data is close to 1 of the output of the neural network (0.9 to 1.0), a + correction that increases the prediction data is performed, and when it is close to 0 (0 to 0.1). ) Is corrected so as to reduce the predicted data. For example, in FIG. 6, the prediction data is 85
In the case of 00 MW, the-correction is performed, and in the case of 22000 MW, the + -correction is performed.
【００５４】この実施形態によれば、信頼性が低いと判
断された予測データを＋側または−側に補正することに
より、予測精度を一層向上させることが可能になる。According to this embodiment, it is possible to further improve the prediction accuracy by correcting the prediction data determined to have low reliability to the + side or the − side.
【００５５】次いで、請求項６及び請求項７記載の発明
の実施形態を図８を参照しつつ説明する。この実施形態
は、図８に示すごとく、（１）予測モデル構築、（２）
日最大電力予測、（３）誤差計算、（４）誤差原因評価
の４つのステップからなっている。なお、図８におい
て、破線で示した矢印はステップ（２）〜（４）が予測
期間中、毎日繰り返し実行されることを示す。Next, an embodiment of the invention described in claims 6 and 7 will be described with reference to FIG. In this embodiment, as shown in FIG. 8, (1) prediction model construction, (2)
It consists of four steps: daily maximum power prediction, (3) error calculation, and (4) error cause evaluation. In addition, in FIG. 8, the arrow shown by the broken line indicates that steps (2) to (4) are repeatedly executed every day during the prediction period.
【００５６】以下、各ステップにつき説明する。 （１）予測モデル構築及び（２）日最大電力予測 請求項１記載の発明の実施形態とまったく同様であり、
重回帰式モデル、ニューラルネットワークもしくはこれ
らを複合したものを用いて予測モデルの構築及び実際の
予測を行う。Each step will be described below. (1) Prediction model construction and (2) Daily maximum power prediction, which is exactly the same as the embodiment of the invention according to claim 1,
A multiple regression model, a neural network, or a combination of these is used to construct a prediction model and perform actual prediction.
【００５７】（３）誤差計算 予測データと予測対象日の実績データとの誤差を、例え
ば数式４により求める。この誤差は、絶対誤差または相
対誤差として求めればよい。(3) Error Calculation The error between the prediction data and the actual data on the prediction target day is obtained by, for example, the mathematical formula 4. This error may be obtained as an absolute error or a relative error.
【００５８】[0058]
【数４】 誤差＝（予測データ−実績データ）／実績データ×１００（％）[Equation 4] Error = (predicted data−actual data) / actual data × 100 (%)
【００５９】（４）誤差原因評価 誤差計算の結果、大きな誤差が生じた予測対象日につい
て、予測データの過去の実績データに対する「確率密
度」、「標準偏差」、「条件付き標準偏差」などの数学
的指標を求め、これらを組み合わせて分類することによ
り、誤差原因を評価、解析する。ここで、誤差原因とし
ては、以下のように３つが考えられる。 予測モデルの構築時に用いた過去の実績データが少な
い。 予測モデルの構築時に用いた過去の実績データのばら
つきが大きい。 予測対象日が、予測モデルの構築に用いた過去の実績
データと違う傾向の特殊な日である。 なお、上記数学的指標の算出方法は、請求項２記載の発
明の実施形態と同様である。(4) Evaluation of error cause For a prediction target day in which a large error has occurred as a result of error calculation, the "probability density", "standard deviation", "standard deviation with condition", etc. for the past actual data of the prediction data By obtaining mathematical indexes and combining them for classification, the cause of error is evaluated and analyzed. Here, there are three possible causes of the error as follows. There are few past actual data used when building the prediction model. There are large variations in the past performance data used when building the prediction model. The prediction target day is a special day that has a tendency different from the past actual data used to construct the prediction model. The method of calculating the mathematical index is the same as the embodiment of the invention described in claim 2.
【００６０】本実施形態においても、上記３つの数学的
指標を求めた後、それぞれの値の年・季節平均値などを
閾値として当該項目に誤差原因があるか否かを判定し、
前記表１に示すように８つに分類分けする。こうして３
つの指標を組み合わせて分類分けすることで、総合的か
つ多角的な誤差原因の評価が可能になる。Also in this embodiment, after the above three mathematical indexes are obtained, it is determined whether or not there is an error cause in the item by using the yearly / seasonal average value of each value as a threshold value.
As shown in Table 1 above, it is classified into eight categories. Thus 3
By combining and classifying the two indicators, it is possible to comprehensively evaluate the causes of errors.
【００６１】ここで、「確率密度」の低い予測データ
は、過去において類似の実績データが少なかったために
予測精度が低いことがわかり、また、「標準偏差」の大
きい予測データは、過去において実績データのばらつき
が大きいため予測精度が低いことがわかる。更に、「条
件付き標準偏差」の大きい予測データは、予測対象日が
過去とは傾向の異なる特殊な日であるため予測精度が低
いと考えることができる。Here, it can be seen that the prediction data having a low “probability density” has a low prediction accuracy because there are few similar actual data in the past, and the prediction data having a large “standard deviation” is the actual data in the past. It can be seen that the prediction accuracy is low due to the large variation in. Furthermore, the prediction data with a large “conditional standard deviation” can be considered to have low prediction accuracy because the prediction target day is a special day having a tendency different from the past.
【００６２】この実施形態によれば、誤差原因を数値的
に評価・解析することができる。予測モデルは日々、改
良が続けられており、本実施形態のごとく誤差原因を数
値的に評価・解析することで、予測モデルを改良する際
の指標の一つとすることもできる。すなわち、個々の数
学的指標単独では、予測データのある一面を評価したに
過ぎず、精度の良い誤差原因の評価を行うことができな
いが、３つの指標を組み合わせて分類分けすることで、
総合的かつ多角的な誤差原因の評価が可能になる。According to this embodiment, the cause of the error can be numerically evaluated and analyzed. The prediction model is continuously improved every day, and by numerically evaluating and analyzing the error cause as in the present embodiment, it can be used as one of the indexes for improving the prediction model. That is, each mathematical index alone evaluates one side of the prediction data, and cannot accurately evaluate the cause of the error, but by combining the three indexes and classifying them,
It is possible to comprehensively evaluate the causes of errors.
【００６３】[0063]
【発明の効果】以上のように本発明によれば、電力相関
図や数学的指標、ニューラルネットワークの出力範囲等
を考慮することで、予測データの信頼性を適切かつ容易
に評価することができる。また、予測データの補正によ
り一層信頼性の高い予測が可能になると共に、誤差原因
の評価、解析により、予測モデルの改良にも寄与するこ
とができる。As described above, according to the present invention, the reliability of prediction data can be appropriately and easily evaluated by considering the power correlation diagram, the mathematical index, the output range of the neural network, and the like. . Further, the correction of the prediction data enables more reliable prediction, and the evaluation and analysis of the error cause can contribute to the improvement of the prediction model.
【図１】請求項１，２に記載した発明の実施形態を示す
フローチャートである。FIG. 1 is a flow chart showing an embodiment of the invention described in claims 1 and 2.
【図２】請求項１，２に記載した発明の実施形態におけ
る年増加補正の概念図である。FIG. 2 is a conceptual diagram of annual increase correction in the embodiments of the invention described in claims 1 and 2.
【図３】請求項１，２に記載した発明の実施形態におけ
る電力相関図である。FIG. 3 is a power correlation diagram in the embodiment of the invention described in claims 1 and 2.
【図４】請求項３，７に記載した発明の実施形態を示す
フローチャートである。FIG. 4 is a flowchart showing an embodiment of the invention described in claims 3 and 7.
【図５】請求項４に記載した発明の実施形態を示すフロ
ーチャートである。FIG. 5 is a flow chart showing an embodiment of the invention described in claim 4.
【図６】請求項４に記載した発明の実施形態におけるニ
ューラルネットワークの入出力範囲の説明図である。FIG. 6 is an explanatory diagram of an input / output range of the neural network according to the embodiment of the invention described in claim 4;
【図７】請求項５に記載した発明の実施形態を示すフロ
ーチャートである。FIG. 7 is a flowchart showing an embodiment of the invention described in claim 5;
【図８】請求項６，７に記載した発明の実施形態を示す
フローチャートである。FIG. 8 is a flowchart showing an embodiment of the invention described in claims 6 and 7.
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6736296AJPH09233700A (en) | 1996-02-28 | 1996-02-28 | Reliability evaluation method for daily maximum power demand forecast |
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6736296AJPH09233700A (en) | 1996-02-28 | 1996-02-28 | Reliability evaluation method for daily maximum power demand forecast |
| Publication Number | Publication Date |
|---|---|
| JPH09233700Atrue JPH09233700A (en) | 1997-09-05 |
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6736296APendingJPH09233700A (en) | 1996-02-28 | 1996-02-28 | Reliability evaluation method for daily maximum power demand forecast |
| Country | Link |
|---|---|
| JP (1) | JPH09233700A (en) |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012108832A (en)* | 2010-11-19 | 2012-06-07 | Mitsubishi Electric Corp | Information processing apparatus, information processing method, and information processing program |
| WO2013042493A1 (en)* | 2011-09-20 | 2013-03-28 | 株式会社日立製作所 | Electric power demand forecast system and method |
| CN104217131A (en)* | 2014-09-26 | 2014-12-17 | 国家电网公司 | Method for evaluating reliability of active power distribution network |
| CN110581785A (en)* | 2018-06-11 | 2019-12-17 | 中国移动通信集团浙江有限公司 | A reliability evaluation method and device |
| JPWO2019087374A1 (en)* | 2017-11-06 | 2020-11-12 | 株式会社日立製作所 | Control device |
| JP2022044416A (en)* | 2020-09-07 | 2022-03-17 | 株式会社東芝 | Information processing apparatus, information processing method, and computer program |
| JPWO2022180749A1 (en)* | 2021-02-25 | 2022-09-01 | ||
| JP2022540872A (en)* | 2019-07-08 | 2022-09-20 | ヴィアナイ システムズ， インコーポレイテッド | Techniques for modifying the behavior of neural networks |
| US11640539B2 (en) | 2019-07-08 | 2023-05-02 | Vianai Systems, Inc. | Techniques for visualizing the operation of neural networks using samples of training data |
| US11681925B2 (en) | 2019-07-08 | 2023-06-20 | Vianai Systems, Inc. | Techniques for creating, analyzing, and modifying neural networks |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012108832A (en)* | 2010-11-19 | 2012-06-07 | Mitsubishi Electric Corp | Information processing apparatus, information processing method, and information processing program |
| WO2013042493A1 (en)* | 2011-09-20 | 2013-03-28 | 株式会社日立製作所 | Electric power demand forecast system and method |
| JP2013066318A (en)* | 2011-09-20 | 2013-04-11 | Hitachi Ltd | Power demand prediction system and method |
| US9852483B2 (en) | 2011-09-20 | 2017-12-26 | Hitachi, Ltd. | Forecast system and method of electric power demand |
| CN104217131A (en)* | 2014-09-26 | 2014-12-17 | 国家电网公司 | Method for evaluating reliability of active power distribution network |
| US11507032B2 (en) | 2017-11-06 | 2022-11-22 | Hitachi, Ltd. | Control device using artificial intelligence |
| JPWO2019087374A1 (en)* | 2017-11-06 | 2020-11-12 | 株式会社日立製作所 | Control device |
| CN110581785B (en)* | 2018-06-11 | 2021-07-30 | 中国移动通信集团浙江有限公司 | A reliability assessment method and device |
| CN110581785A (en)* | 2018-06-11 | 2019-12-17 | 中国移动通信集团浙江有限公司 | A reliability evaluation method and device |
| JP2022540872A (en)* | 2019-07-08 | 2022-09-20 | ヴィアナイ システムズ， インコーポレイテッド | Techniques for modifying the behavior of neural networks |
| US11615321B2 (en) | 2019-07-08 | 2023-03-28 | Vianai Systems, Inc. | Techniques for modifying the operation of neural networks |
| US11640539B2 (en) | 2019-07-08 | 2023-05-02 | Vianai Systems, Inc. | Techniques for visualizing the operation of neural networks using samples of training data |
| US11681925B2 (en) | 2019-07-08 | 2023-06-20 | Vianai Systems, Inc. | Techniques for creating, analyzing, and modifying neural networks |
| JP2022044416A (en)* | 2020-09-07 | 2022-03-17 | 株式会社東芝 | Information processing apparatus, information processing method, and computer program |
| JPWO2022180749A1 (en)* | 2021-02-25 | 2022-09-01 | ||
| WO2022180749A1 (en)* | 2021-02-25 | 2022-09-01 | 日本電気株式会社 | Analysis device, analysis method, and non-transitory computer-readable medium having program stored thereon |
| Publication | Publication Date | Title |
|---|---|---|
| US20020128884A1 (en) | Computer method for using sample data to predict future population and domain behaviors | |
| CA3037941A1 (en) | Method and system for generating and using vehicle pricing models | |
| CN112862593B (en) | Credit scoring card model training method, device and system and computer storage medium | |
| US20230297926A1 (en) | Methods, internet of things systems, and storage mediums for execution quality evaluation of smart gas work orders | |
| CN111222790A (en) | Method, device and equipment for predicting risk event occurrence probability and storage medium | |
| JPH09233700A (en) | Reliability evaluation method for daily maximum power demand forecast | |
| CN108876458A (en) | A kind of commodity dynamic prediction method and system based on web crawlers | |
| CN118966814A (en) | A public service data value assessment system based on the Internet of Things | |
| CN117498313A (en) | Charging station load prediction method, device, storage medium and computer equipment | |
| CN112883062A (en) | Self-defined rule checking method not based on rule | |
| CN114693367B (en) | A system and method for monitoring and visualizing agricultural product prices big data | |
| CN113065683A (en) | Price prediction method, device, equipment and storage medium for vehicle pledge | |
| CN109376929B (en) | Distribution parameter determination method, distribution parameter determination device, storage medium, and electronic apparatus | |
| JP2019032807A (en) | Factor analysis system, factor analysis method and program | |
| JP4777941B2 (en) | Demand forecasting method and apparatus | |
| CN118761514A (en) | Method, equipment, device and medium for predicting trends using artificial intelligence technology | |
| CN118429117A (en) | Enterprise industrial and commercial tax information generation method and system based on Ai | |
| Wirawan et al. | Application of data mining to prediction of timeliness graduation of students (a case study) | |
| JPH0922402A (en) | Daily power demand forecast method | |
| US12406198B2 (en) | Computer-implemented event forecasting and information provision | |
| CN114692724A (en) | Training method of data classification model, data classification method and device | |
| CN120125046B (en) | Dynamic enterprise portrayal generation method based on multi-source heterogeneous data | |
| CN120598398B (en) | Bulk raw material provider assessment method, system, device, medium and program product | |
| CN117808487A (en) | Abnormal industry classification method, device, equipment and storage medium | |
| CN117634883A (en) | Enterprise risk prediction method, device, equipment and storage medium |
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal | Free format text:JAPANESE INTERMEDIATE CODE: A02 Effective date:20021015 |