专利名称：负荷量预测装置、负荷量预测方法以及负荷量预测程序的制作方法
技术领域：
本发明涉及一种负荷量预测装置、负荷量预测方法以及负荷量预测程序。
背景技术：
在预计电力的供给不足的情况下，政府、电力公司要求需求者削减电力消耗量。在这样的情况下，需求者为了实现被规定的电力削减目标而努力节电。在下述专利文献I中，揭示了显示当前的使用电力相对于目标电力的比例的装置。现有技术文献专利文献·
专利文献I日本特开平11-168833号公报
发明内容
发明要解决的课题在工厂等中，在为了实现电力削减目标而努力节电的同时，还需要在能够使用电力的范围内尽量高效地操作。而且，除了当前的电力的使用情况之外，预想着数小时之后的电力的使用情况来进行应对也是很重要的。特别是，在气象条件严酷的夏季或冬季，电力需要也大受气象条件影响，因此要求及时地捕捉到需要变动，并迅速地采取正确的措施。采用所述专利文献I的技术的话，能够掌握当前的电力使用情况，但不能掌握电力消耗量今后如何发展。本发明正是为了解决所述现有技术的问题点而作出的，其目的在于，提供一种能够正确地预测电力消耗量等所代表的负荷量的发展的负荷量预测装置、负荷量预测方法以及负荷量预测程序。解决课题的手段本发明所涉及的负荷量预测装置包括取得部，所述取得部取得含有成为预测对象的负荷量的时间序列的实际数据；接收部，所述接收部接收气象要素的时间序列的预报数据；运算部，所述运算部将所述预报数据代入将表示气象状态的因素和所述负荷量包含为变量的回归式中，计算预测对象期间的所述负荷量的预测值，且变更所述回归式的系数，以使得按照能够根据星期几来划分的模式预先登记的所述实际数据中的属于与所述预测值相同的所述模式的上次的所述实际数据的所述负荷量与所述预测值之间的偏差为最小。本发明所涉及的负荷量预测方法包括取得步骤，所述取得步骤取得含有成为预测对象的负荷量的时间序列的实际数据；接收步骤，所述接收步骤接收气象要素的时间序列的预报数据；运算步骤，所述运算步骤将所述预报数据代入将表示气象状态的因素和所述负荷量包含为变量的回归式中，计算预测对象期间的所述负荷量的预测值，且变更所述回归式的系数，以使得按照能够根据星期几来划分的模式预先登记的所述实际数据中的属于与所述预测值相同的所述模式的上次的所述实际数据的所述负荷量与所述预测值之间的偏差为最小。
本发明所涉及的负荷量预测程序使计算机执行所述负荷量预测方法所包含的各步骤。通过采用如此构成，能够将气象预报数据代入将表示气象状态的因素和负荷量包含为变量的回归式中，计算预测对象期间的负荷量的预测值，且能够变更所述回归式的系数，以使得属于同一模式的上次的实际数据的负荷量与预测值之间的偏差为最小。由此，能够考虑将来的气象条件来计算负荷量的预测值，且能够变更回归式的系数以使得预测值的发展接近属于同一模式的上次的实际值的发展倾向，因此能够提高负荷量的发展预测的精度。又，在得到了所述预测对象期间的所述负荷量的实测值的情况下，所述运算部也可以使用所述实测值所属的时刻的所述实测 值与所述预测值之间的差值，来修正从所述实测值所属的时刻起的规定时间段以内的所述预测值。由此，即便在由于噪声或瞬间的干扰的影响而在实测值和预测值之间暂时产生误差的情况下，也能够根据预测值与实际值间的差值仅修正误差产生后规定时间以内的预测值，进一步地，在超过了设想消除误差的规定时间之后的时期，能够直接地使用预测值。又，所述运算部在修正所述预测值时可以实施加权来进行修正，以使得从所述实测值所属的时刻到之后的时刻，修正所述预测值的幅度从差值逐渐变小。由此，能够逐渐缩小修正幅度地对产生误差后规定时间内的预测值进行修正。又，还可以具有显示所述预测值的最大值以及与该最大值对应的时刻的显示部。由此，能够看着画面容易地推测电力消耗量是否超过目标电力，在超过的情况下大概在何时超过。又，所述因素可以是不快指标、外部空气焓、湿球温度以及气温中的任一个，所述负荷量可以是电力消耗量。发明的效果采用本发明，能够提供可以正确地预测电力消耗量等的负荷量的发展的负荷量预测装置、负荷量预测方法以及负荷量预测程序。
图I是例示实施形态中的负荷量预测装置的构成的图。图2是例示一星期中每日的电力消耗量的发展的图表。图3是表示电力消耗量与不快指标的关联性的分布图。图4是表示电力消耗量与外部空气焓的关联性的分布图。图5是表示电力消耗量与湿球温度的关联性的分布图。图6是表示电力消耗量与气温的关联性的分布图。图7是例示运算部的学习算法的步骤的图。图8是例示设预测修正时间为3小时时的修正的图像的图。图9是示出显示画面的一个实例的图。符号说明I···负荷量预测装置、3···实际数据DB、5···显示器、11···接收部、12···取得部、13···
运算部、14···显示部。
具体实施例方式以下，参照附图对本发明涉及的实施形态进行说明。但是，以下说明的实施形态仅为例示，本发明的内容并不排除以下没有明示的各种变形、技术的适用。即，本发明在不超出其宗旨的范围内能够进行各种变形而实施。在本实施形态中，对负荷量预测装置的预测对象为电力消耗量的情形进行说明，但并不限定于此，同样也可以适用于成为预测对象的负荷量例如为蒸汽消耗量、冷水热量、温水热量的情形。参照图I对实施形态中的负荷量预测装置的构成进行说明。如图I所示，负荷量预测装置I在功能性上例如具有接收部11、取得部12、运算部13、和显示部14。实际数据DB3是存储实际数据的数据库。实际数据中例如含有电力消耗量的实际值、各电力消耗量被测量的时刻的电力消耗装置的运转状况、日期和时间、星期、温度、湿度等与过去的状况相关的各种信息。在本实施形态中，对以30分钟的周期输出电力消耗量的实际值的情形进行 说明，但输出实际值的周期并不限定于30分钟，可以任意地设定。实际数据以可以按照能够根据星期进行划分的模式来提取的形态被存储在实际数据DB3中。作为能够根据星期划分的模式，在本实施形态中，设置有第I平日模式、第2平日模式、星期六模式以及星期日模式这四种模式。具体地说，将星期一划分为第I平日模式，将星期二 星期五划分为第2平日模式，将星期六划分为星期六模式，将星期日以及节日划分为星期日模式。该模式能够根据成为测量对象的场所(例如工厂)各自的电力消耗的量的发展倾向来适当地设定。具体地说，根据星期几对过去的实际数据进行分类，求出星期各日的电力消耗量的发展倾向，将电力消耗量的发展倾向相类似的日子划分为相同模式，由此来进行设定。是否为电力消耗量的发展倾向相类似的日子可以通过例如图2所示的电力消耗量的发展图表来判断。在图2的情况下，能够划分为以下三种模式。由于星期一 星期五的发展倾向相似，所以将星期一 星期五划分为平日模式，由于星期六的发展倾向是独立的，所以仅将星期六区别为星期六模式，由于星期日和节日的发展倾向相似，所以将星期日以及节日划分为星期日模式。这里，负荷量预测装置I在物理上例如包含CPU(中央处理器)、存储器、和输入输出接口而构成。在存储器中，例如包含有存储由CPU处理的程序或数据的ROM(只读存储器)、HDD (硬盘驱动器)、以及主要用作为用于控制处理的各种操作区域的RAM (随机存储器)等要素。这些要素通过总线相互连接。CPU执行ROM中所存储的程序，处理通过输入输出接口接收的数据、RAM展开的数据，由此能够实现负荷量预测装置I的各部分所具有的功能。图I所示的接收部11例如接收气象要素的时间序列的预报数据。作为气象要素，例如有气温、湿度、气压、风向、风速、降水量等。在本实施形态中，对采用气温以及湿度作为气象要素的情形进行说明。预报数据例如能够利用由气象预报中心定期(例如每三个小时)提供的数据。另外，提供预报数据的时间只要按照气象预报中心的运用即可，任意时间都可以。取得部12从实际数据DB3取得在运算部13计算电力消耗量的预测值时、修正该预测值时等所需的实际数据。运算部13将预报数据代入以表示气象状态的因素和电力消耗量为变量的回归式，计算电力消耗量的预测值。作为表示气象状态的因素，例如有不快指标、外部空气焓、湿球温度、气温。不快指标能够使用气象要素由下述式(I)求出。不快指标=0.18X气温+0.01 X 湿度 X (O. 99X 气温-14. 3)+46. 3 …(I)外部空气焓kj/kg (DA)能够使用气象要素由下述式(2)求出。
外部空气焓=I. 006X干球温度+ (I. 805X干球温度+ 2501)X绝对温度…(2)所述式(2)的绝对湿度kg/kg (DA)能够由下述式(3)求出。绝对湿度=18. 015X水蒸汽压+ (29. 064X (大气压-水蒸汽压)) …(3)所述式(3)的水蒸汽压hPa能够由下述式(4)求出。水蒸汽压=饱和水蒸汽压X相对湿度 …(4)所述式(4)的饱和水蒸汽压hPa能够由下述式(5)求出。饱和水蒸汽压=6·11Χ10(7·5ΧΤ/(Τ+237·3)) …(5)所述式(5 )的T为干球温度。表示气象状态的因素越是与成为预测对象的电力消耗量之间的相互关联高的因素则越理想。相互关联的有无例如能够通过图3 图6所示的分布图来判断。图3是表示电力消耗量与不快指标的关联性的分布图。图4是表示电力消耗量与外部空气焓的关联性的分布图。图5是表示电力消耗量与湿球温度的关联性的分布图。图6是表示电力消耗量与气温的关联性的分布图。参照图3 图6，存在不快指标、外部空气焓、湿球温度以及气温各自分别增加时电力消耗量也增加的关系，因此认为具有正的相互关联。因此，能够判断为不快指标、外部空气焓、湿球温度以及气温与电力消耗量之间具有相互关联。在本实施形态中，在下面对使用不快指标作为表示气象状态的因素的情形进行说明。运算部13所使用的回归式能够由下述式(6)来表示。Q = aXD + b··· (6)所述式(6)的Q是电力消耗量，D是不快指标，a以及b是系数。S卩，本实施形态中的运算部13通过将不快指标代入所述式(6)来计算电力消耗量的预测值。在本实施形态中，对运算部13将当日以及次日合计48小时划分为每单位30分钟，计算最多96个预测值的情形进行说明。又，当日以及次日的预测值以30分钟的周期反复计算，而关于当日的已得到实际值的时间段，由于已经不需要预测，因此不再进行属于该时间段的预测值的计算。另外，关于预测的时间段的幅度、计算的预测值的最多个数、计算周期都可以任意地设定。运算部13执行变更回归式的系数的学习算法，以使得通过取得部12取得的实际数据的电力消耗量与预测值之间的偏差为最小。参照图7，对学习算法的步骤具体进行说明。另外，在本实施形态中，对在学习算法中使用卡尔曼滤波器的情形进行说明，但并不限于此，例如也可以采用神经网络、遗传算法。最初，运算部13将预测日所属的模式的实际值中上一次的实际值设为Qi (k)，将其作为预测时的基准值(参照下述式(7))。例如，在预测日为星期三的情况下，由于星期三属于平日模式，因此上一次的实际值是预测日的前一日即星期二的实际值。又，在预测日为星期六的情况下，由于星期六属于星期六模式，因此上一次的实际值是预测日的上一周的星期六的实际值。Qi (k) = aj (k) X D j (k) + hi (k) +W j (k) ... (7)所述式(7)的i是表示以30分钟为单位的时刻的下标。例如，I表示O :00，2表示O :30,3表示I :00, “·，48表示23 :30。k是表示当日或者次日的标志。I表示当日，2表示次日。Qi (k)是第i时刻的30分钟的电力消耗量。Di (k)是第i时刻的不快指标。％(k)以及匕(k)是未知系数。Wi (k)是观测杂音。接着，运算部13计算与成为预测时的基准值的上一次的实际值Qi (k)相对应的预测值Q’ i (k)(参照下述式(8))。Q，j (k) = a，j (k) XD，j (k) + b，j (k) ... (8)·所述式(8)的(k)是第i时刻的30分钟的电力消耗量的预测值。(k)是使用预报数据计算出的第i时刻的不快指标的预测值。ai (k)以及h (k)是未知系数的推定值。接着，运算部13根据上一次的实际值Qi (k)与预测值(k)之间的偏差ε (Qi(k) — Q’i (k))，依次变更所述式(8)中的a’ i仏+1)以及13\ (k+Ι)，以使得该偏差ε为最小。例如，在当日为星期三的情况下，根据作为前一日的星期二的时刻i的实际值Qi(k)与预测值Q% (k)之间的偏差ε，变更作为当日的星期三的时刻i的未知系数a% (k +I)以及b\ (k+1)。此时所使用的预测值Q\ (k)的不快指标D\ (k)不是采用根据预报数据算出的不快指标，而是采用根据实际测得的气温以及湿度算出的不快指标。接着，运算部13采用适用了变更后的未知系数a’i仏+1)以及1^ (k+Ι)的所述式(8)，计算时刻i的预测值Q’ i (k+Ι)。其后，再次反复执行所述学习算法的各步骤。另外，在作为学习时的基准的上一次被设定为学习排除日的情况下，不执行该学习算法。此种情况为，例如，在产生了天灾时、或者工厂内的设备产生异常了的时候等，实际值变为异常的值，因此将这样的日子从学习对象中排除。学习排除日可以预先登记在日历信息等中。又，在学习了一次之后，在从该学习对象之中追加了新的学习排除日的情况下，可以从学习对象排除被追加的学习排除日，并再次进行学习。运算部13在每次得到当日的实测值时，对从最新的实测值所属的时刻起的规定时间段以内的预测值进行修正。规定时间作为预测修正时间，可以在I小时至24小时之间任意地设定。运算部13例如如下述那样进行修正。最初，运算部13计算出最新的实测值的时刻的实测值与预测值之间的差值。接着，运算部13实施加权来进行修正，以使得从最新的实测值的时刻到之后的时刻，修正预测值的幅度从差值逐渐变小。加权设定为越往后面的时刻越小。例如，在预测修正时间为N小时的情况下，如以下那样设定加权来修正预测值。这里，将实测值Qi (k)与预测值Q\ (k)之间的差值设为E (k)，将由指数平滑过滤器对该差值E (k)过滤后的值设为C (k+Ι)。另外，C (k+1)=α XE (k) + (I — α ) XC (k)，{O 刍 α 刍 I}。O. 5 小时后的预测值Q’ i+1 (k) + C (k + I) X (1-0.0 / N)I. O 小时后的预测值Q’ i+2 (k) + C (k + I) X (I - O. 5 / N)I. 5 小时后的预测值Q’ i+3 (k) + C (k + I) X (I — I. O / N)2. O 小时后的预测值Q’ i+4 (k) + C (k + I) X (I — I. 5 / N)2. 5 小时后的预测值Q’ i+5 (k) + C (k + I) X (1-2.0 / N)3. O 小时后的预测值Q’ i+6 (k) + C (k + I) X (I - 2. 5 / N)·N 小时后的预测值Q’ i+2N (k) + C (k + I) X (I - (N - O. 5) / N)在图8中例示出预测修正时间为3小时时的修正的图像。在图8中，示出了将当前时刻设为12 :00，在该12 :00在实测值％ (k)与预测值Q\ (k)之间产生了差值E (k)的状态。在该12 :00产生的差值E (k)为修正幅度的基准。时刻越接近15 :00，预测值Q%(k)的修正幅度则从E (k)渐渐变小，15 00的预测值Q’ i (k)的修正幅度变为最小的修正幅度{C (k+1) X (0.5/3)}。不对15 :00之后的时刻的预测值进行修正，就这样使用预测值 Q’ i (k)。这样，通过根据实测值与预测值的误差，仅对从产生误差的时刻到规定时间以内的预测值进行修正，例如，在由于噪声或瞬间的干扰的影响而在实测值和预测值之间暂时产生了误差的情况下，可以一边从差值E (k)渐渐减小修正幅度一边进行修正，在超过了设想消除误差的规定时间之后的时期，直接地使用预测值。图I所示的显示部14使包含当日以及次日的预测值的最大值、达到该最大值的时刻等的显示画面显示在显示器5上。参照图9对显示画面进行说明。在图9所示的显示画面中，显示有合同电力(2800kW)、目标电力(2124kW)、警告电力(2018kW)、当前的消耗电力(1740kW)、本日的预测最大电力(1779kW)、本日的预测最大时刻(14时00分)、明日的预测最大电力(1119kW)、明日的预测最大时刻(06时00分)、本日的剩余电力(345W )、和明天的剩余电力(IO O 5 W )。合同电力是与电力公司之间合同约定的电力，目标电力是为了节电而设定的目标电力，警告电力是成为发出警告时的基准的电力。当前的消耗电力是当前正使用的电力，本日的预测最大电力是与本日最大的预测值相对应的电力，本日的预测最大时刻是达到本日的预测最大电力的时刻。明日的预测最大电力是与明日的最大的预测值相对应的电力，明日的预测最大时刻是达到明日的预测最大电力的时刻。本日的剩余电力是从目标电力减去本日的预测最大电力后的电力，明日的剩余电力是从目标电力减去明日的预测最大电力后的电力。又，在显示画面中显示有示出本日以及明日48小时的电力的实际发展以及发展预测的柱形图、示出本日以及明日48小时的温度、湿度的实际发展以及发展预测的线形图。在显示柱形图的图形区域中，一并显示有示出目标电力或警告电力的线图、和示出上次的实际值的发展的线形图。通过显示这样的显示画面，能够预测当日以及次日的电力消耗量是否会超过目标电力，在超过的情况下，能够推测何时超过何种程度。又，由于也显示当日的实际情况，所以能够对比当日的状况和次日的状况来推测次日的电力消耗量。
例如，在假设次日的各条件都与本日相同程度的情况下，能够推测通过进行与本日相同的节电努力，次日大概也不会超过目标电力。又，在假设次日的各条件都比本日严酷的情况下，能够推测仅进行与本日相同那样的节电努力，在次日的高峰时恐怕会超过目标电力，可以事先采取改变操作时间或休息时间等的对策。如上所述，根据实施形态的负荷量预测装置1，将使用预报数据计算出的不快指标代入以不快指标和电力消耗量为变量的回归 式，由此能够计算预测对象期间的电力消耗量的预测值。又，能够变更回归式的系数，以使得属于相同模式的上次的实际数据的电力消耗量与预测值之间的偏差为最小。由此，能够考虑将来的气象条件来计算电力消耗量的预测值，且能够变更回归式的系数以使得预测值的发展接近属于相同模式的上次的实际值的发展倾向，因此能够提高电力消耗量的发展预测的精度。
权利要求
1.一种负荷量预测装置，其特征在于，包括 取得部，所述取得部取得含有成为预测对象的负荷量的时间序列的实际数据； 接收部，所述接收部接收气象要素的时间序列的预报数据；和 运算部，所述运算部将所述预报数据代入将表示气象状态的因素和所述负荷量包含为变量的回归式中，计算预测对象期间的所述负荷量的预测值，且变更所述回归式的系数，以使得按照能够根据星期几来划分的模式预先登记的所述实际数据中的、属于与所述预测值相同的所述模式的上次的所述实际数据的所述负荷量与所述预测值之间的偏差为最小。
2.如权利要求I所述的负荷量预测装置，其特征在于，在得到了所述预测对象期间的所述负荷量的实测值的情况下，所述运算部使用所述实测值所属的时刻的所述实测值与所述预测值之间的差值，来修正从所述实测值所属的时刻起的规定时间段以内的所述预测值。
3.如权利要求2所述的负荷量预测装置，其特征在于，所述运算部在修正所述预测值时实施加权来进行修正，以使得从所述实测值所属的时刻到之后的时刻，修正所述预测值的幅度从所述差值逐渐变小。
4.如权利要求I 3中任一项所述的负荷量预测装置，其特征在于，还具有显示所述预测值的最大值以及与该最大值对应的时刻的显示部。
5.如权利要求I所述的负荷量预测装置，其特征在于，所述因素是不快指标、外部空气焓、湿球温度以及气温中的任ー个。
6.如权利要求I所述的负荷量预测装置，其特征在于，所述负荷量是电カ消耗量。
7.一种负荷量预测方法，其特征在于，包括 取得步骤，所述取得步骤取得含有成为预测对象的负荷量的时间序列的实际数据； 接收步骤，所述接收步骤接收气象要素的时间序列的预报数据；和 运算步骤，所述运算步骤将所述预报数据代入将表示气象状态的因素和所述负荷量包含为变量的回归式中，计算预测对象期间的所述负荷量的预测值，且变更所述回归式的系数，以使得按照能够根据星期几来划分的模式预先登记的所述实际数据中、属于与所述预测值相同的所述模式的上次的所述实际数据的所述负荷量与所述预测值之间的偏差为最小。
8.一种负荷量预测程序，其特征在于，使计算机执行如权利要求7所述的各步骤。
全文摘要
本发明提供一种可以可靠预测电力消耗量等的负荷量的负荷量预测装置、负荷量预测方法以及负荷量预测程序。负荷量预测装置，包括:取得部(12)，取得含有成为预测对象的负荷量的时间序列的实际数据；接收部(11)，接收气象要素的时间序列的预报数据；和运算部(13)，将预报数据代入以表示气象状态的因素和电力消耗量为变量的回归式中，计算预测对象期间的电力消耗量的预测值，且变更回归式的系数，以使得按照能够根据星期几来划分的模式预先登记的实际数据中的、属于与预测值相同的模式的上次的实际数据的负荷量与预测值之间的偏差为最小。
文档编号G06F17/50GK102855343SQ20121018679
公开日2013年1月2日 申请日期2012年6月7日 优先权日2011年6月10日
发明者小野明, 赤堀好昭, 福本淳二, 今福贤一, 吉本英之 申请人:阿自倍尔株式会社