JP7650740B2 - 電力需要予測装置および電力需要予測方法 - Google Patents

Description

本発明は、電力需要予測装置および電力需要予測方法に関する。

従来から、電力の安定供給、発電コストの低減、さらには環境負荷を低減するために将来に必要となる電力量を予測する技術が知られている。また、予測対象の電力需要は、気象などの自然要因の影響を受けて変動することが知られている。近年において、このような自然要因などの様々なデータをもとに、数理的手法を用いた電力需要の予測モデルの開発が行われている。

例えば、特許文献１は、過去の月別電力消費量の年間変動の形状の相関を利用して、予測対象の日の電力需要を予測する技術を開示している。また、特許文献２は、ニューラルネットワークを利用して過去の電力需要の実績データおよび気象情報を用いた予測モデルを構築し、予測対象の日の電力需要を予測する技術を開示している。

特許第４２６１４７１号公報 特許第３７０７５８９号公報

しかし、従来の技術によれば、電力需要の予測対象期間は比較的短期であり、１か月以上先までの比較的長期の電力需要の予測は困難であった。

本発明は、上述した課題を解決するためになされたものであり、比較的長期の電力需要の予測を行うことを目的とする。

上述した課題を解決するために、本発明に係る電力需要予測装置は、平年値と比較した確率的な気象の予報値に基づいて、過去の観測期間のうちの第１観測期間での電力需要の推論値から、対象期間に予測される電力需要を抽出する抽出部と、抽出された前記予測される電力需要を提示する提示部とを備え、前記推論値は、事前に構築された推論モデルに基づいて、前記第１観測期間での気象の観測値である第１観測値に対して推論された値であることを特徴とする。

また、本発明に係る電力需要予測装置において、さらに、前記過去の観測期間のうちの第２観測期間での気象の観測値である第２観測値と電力需要の実測値との関係を学習して構築された前記推論モデルに、前記第１観測期間で観測された前記第１観測値を入力して、前記推論モデルを演算することにより前記第１観測期間での電力需要の前記推論値を求める推論部を備え、前記推論部によって求められた前記推論値は前記抽出部に入力されてもよい。

また、本発明に係る電力需要予測装置において、さらに、前記第２観測期間での前記第２観測値と前記実測値との関係を学習して前記推論モデルを構築する学習部を備え、前記第２観測期間は、前記対象期間の季節の区分に関する情報に応じて設定され、前記推論部は、前記推論モデルを前記学習部から読み出して前記推論モデルの演算を行ってもよい。

また、本発明に係る電力需要予測装置において、前記気象の観測値は、前記過去の観測期間の気温の平均値である前記平年値に対する値の高低によって複数の階級に区分される気温の観測値であり、前記平年値と比較した確率的な気象の前記予報値は、予報に係る気温の分布が前記複数の階級の各々に該当する確率で表され、前記抽出部は、前記第１観測期間での前記第１観測値が取りうる階級に対応する前記推論値を、前記予報値が示す前記複数の階級の各々の確率で重みを付けした平均値を用いて前記予測される電力需要を抽出してもよい。

上述した課題を解決するために、本発明に係る電力需要予測方法は、平年値と比較した確率的な気象の予報値に基づいて、過去の観測期間のうちの第１観測期間での電力需要の推論値から、対象期間に予測される電力需要を抽出する抽出ステップと、抽出された前記予測される電力需要を提示する提示ステップとを備え、前記推論値は、事前に構築された推論モデルに基づいて、前記第１観測期間での気象の観測値である第１観測値に対して推論された値であることを特徴とする。

また、本発明に係る電力需要予測方法において、さらに、前記過去の観測期間のうちの第２観測期間での気象の観測値である第２観測値と電力需要の実測値との関係を学習して構築された前記推論モデルに、前記第１観測期間で観測された前記第１観測値を入力して、前記推論モデルを演算することにより前記第１観測期間での電力需要の前記推論値を求める推論ステップを備え、前記推論ステップによって求められた前記推論値は前記抽出ステップで用いられてもよい。

また、本発明に係る電力需要予測方法において、さらに、前記第２観測期間での前記第２観測値と前記実測値との関係を学習して前記推論モデルを構築する学習ステップを備え、前記第２観測期間は、前記対象期間の季節の区分に関する情報に応じて設定され、前記推論ステップは、前記学習ステップで構築された前記推論モデルを記憶部から読み出して前記推論モデルの演算を行ってもよい。

本発明によれば、平年値と比較した確率的な気象の予報値に基づいて予測を行うので、比較的長期の電力需要を予測することができる。

図１は、本発明の第１の実施の形態に係る電力需要予測装置を含む電力需要予測システムの構成を示すブロック図である。 図２は、第１の実施の形態に係る電力需要予測装置のハードウェア構成を示すブロック図である。 図３は、第１の実施の形態に係る電力需要予測装置に入力される長期予報の一例を説明するための図である。 図４は、第１の実施の形態に係る電力需要予測装置において用いられる気象データの一例を説明するための図である。 図５は、第１の実施の形態に係る電力需要予測装置の動作を説明するためのフローチャートである。 図６は、第１の実施の形態に係る電力需要予測装置によって提示される電力需要の予測結果の例を説明するための図である。 図７は、第１の実施の形態に係る電力需要予測装置によって提示される電力需要の予測結果の例を説明するための図である。 図８は、第２の実施の形態に係る電力需要予測装置を含む電力需要予測システムの構成を示すブロック図である。 図９は、第２の実施の形態に係る電力需要予測装置の動作を説明するためのフローチャートである。

以下、本発明の好適な実施の形態について、図１から図９を参照して詳細に説明する。なお、本実施の形態では、気象の観測値および予報値とは、気温の観測値および予報値である場合を例に挙げて説明する。

［第１の実施の形態］
図１は、本発明の第１の実施の形態に係る電力需要予測装置１を備える電力需要予測システムの構成を示すブロック図である。本実施の形態に係る電力需要予測システムは、平年値と比較した確率的な気象の長期予報である気象の予報値に基づいて、１か月以上先までの比較的長期の電力需要を予測する。

図１に示すように、電力需要予測システムは、気象予報データ記憶部１０と、気象データ記憶部１１と、電力需要予測装置１とを備えている。電力需要予測装置１と、気象予報データ記憶部１０および気象データ記憶部１１とは、ネットワークＮＷを介して接続されている。気象予報データ記憶部１０および気象データ記憶部１１は、例えば、外部の気象情報システムが備えるデータベースである。

電力需要予測装置１は、気象予報データ記憶部１０から、電力需要の予測を行う対象期間の平年値と比較した確率的な気象予報を取得する。気象予報データ記憶部１０に記憶されている気象予報は、予測対象施設の地点や地理的地域での気温の長期予報である。例えば、気象庁が発表する季節予報の３か月予報を用いることができる。

また、電力需要予測装置１は、気象データ記憶部１１から、過去の観測期間のうちの設定された第１観測期間での気象の観測値（第１観測値）を取得する。気象データ記憶部１１に記憶されている気象の観測値は、予測対象の施設の地点や地理的地域で観測された気温のデータである。例えば、アメダス（ＡＭｅＤＡＳ：Ａｕｔｏｍａｔｅｄ Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ Ｓｙｓｔｅｍ）によって収集された過去３０年間の気温の観測データを第１観測期間での第１観測値として用いることができる。

［電力需要予測装置の機能ブロック］
電力需要予測装置１は、抽出部１２、推論部１３、提示部１４、および第１記憶部１５を備える。電力需要予測装置１は、例えば、電力需要の予測対象施設に設置され、予測対象の施設における３か月先までの比較的長期の電力需要を予測する。

抽出部１２は、平年値と比較した確率的な気象の予報値に基づいて、過去の観測期間のうちの第１観測期間での電力需要の推論値から、対象期間に予測される電力需要を抽出する。抽出部１２は、気象予報データ記憶部１０から取得した気象の予報値を用いて予測される電力需要を抽出する。前述したように、本実施の形態では、過去の第１観測期間での推論値として過去３０年間での推論値が採用される。

抽出部１２が用いる平年値と比較した確率的な気象の予報値は、予測対象施設の地点や地理的地域における気温の１か月予報、あるいは、３か月予報などの長期予報である。長期予報に係る予報期間は、電力需要の予測を行いたい予測対象期間の長さに対応する。例えば、本実施の形態では、抽出部１２は、３か月先までの電力需要を抽出するため、気温の３か月予報に基づいて抽出処理を行う。

図３は、抽出部１２が用いる、平年値と比較した確率的な気象の予報値の例を示す模式図である。図３の（ａ）、（ｂ）、および（ｃ）は、気温の３か月予報を月ごとに表している。平年値と比較した確率的な気温の予報値は、予報に係る気温の分布が平年値に対する値の高低によって複数の階級に区分されている。また、平年値は、過去３０年間の気温の観測データの平均値である。また、この平年値に対して気温は、３つの階級、すなわち、平年値よりも高い「高」、平年値と同等である「並」、および平年値よりも低い「低」に区分される。

図３の（ａ）～（ｃ）は、都道府県ごとの気温の平年値と比較した、１か月先、２か月先、および３か月先の気温が３つの階級「高」、「並」、「低」のそれぞれとなる確率を色の濃淡で表している。

図３の（ａ）に示すように、例えば、北海道では、１か月先の気温の予報値が平年値よりも低くなる確率が１０（％）、平年並みの確率が３０（％）、平年値よりも高い確率が６０（％）である。また、図３の（ａ）に示すように、１か月先の本州の各県では、平年値よりも低くなる確率が２０（％）、平年並みの確率が４０（％）、平年値よりも高い確率が４０（％）である。同様に、図３の（ｂ）は、２か月先の気温が階級「高」、「並」、および「低」となる確率を示し、図３の（ｃ）は３か月先の気温が階級「高」、「並」、および「低」となる確率を示している。

このように、抽出部１２は、予測対象施設の地域における３か月先の気温の予報の確率値を入力として用いる。例えば、図３の（ａ）～（ｃ）に示す気温の３か月予報の例において、北海道に位置する施設での２０２１年３月の時点から３か月先までの電力需要を予測する場合を考える。この場合、抽出部１２は、２０２１年４月の気温の予報値「低：並：高（％）：１０：３０：６０」、２０２１年５月の気温の予報値「低：並：高（％）：２０：４０：４０」、および２０２１年６月の気温の予報値「低：並：高（％）：２０：３０：５０」を入力として用いる。

図１に戻り、抽出部１２は、過去３０年間での気温の観測データ（第１観測値）に対して予め推論された電力需要の推論値を用いて、予測対象期間において予測される電力需要を抽出する。本実施の形態では、抽出部１２は、後述の推論部１３によって求められた過去３０年間での電力需要の推論値を用いる。

推論部１３は、事前に構築された推論モデル１５ａを用いて、過去３０年間での気象の観測データに対する電力需要の推論値を求める。詳細は後述するが、推論モデル１５ａは、過去の観測期間のうちの設定された第２観測期間での気温の観測データ（第２観測値）と電力需要の実測値との関係が事前の学習により構築されたモデルである。推論部１３は、推論モデル１５ａに対して、過去３０年間で観測された気象の値を入力して、推論モデル１５ａを演算することにより過去３０年間での電力需要の推論値を求める。

より詳細には、推論部１３は、外部の気象情報システムの気象データ記憶部１１から取得した過去３０年間の気温の観測データを、未知の入力データとして推論モデル１５ａに与え、予測対象施設において過去３０年の期間で推論される電力需要の値を求める。推論モデル１５ａは、例えば、外部のサーバなどで事前に過去の気温と電力需要との関係を学習して構築され第１記憶部１５に記憶されている。

提示部１４は、抽出部１２によって抽出された対象期間に予測される電力需要を提示する。例えば、提示部１４は、電力需要予測装置１が備える表示装置１０７に、１か月ごとなど設定された期間ごとの電力需要の予測結果を表示する。

第１記憶部１５は、抽出部１２が予測される電力需要の値を抽出する際に用いる気温の平年値および階級区分に関する値を記憶する。また、第１記憶部１５は、推論部１３が推論処理に用いる、事前に構築された推論モデル１５ａを記憶する。第１記憶部１５には、予測対象施設での電力需要の実測値が記憶されている。さらに、第１記憶部１５は、提示部１４が予測される電力需要を表示する際の予測結果のデータ処理に関する情報を記憶する。

ここで、抽出部１２が、予測対象施設における３か月先（２０２１年４月～６月）までに予測される電力需要を抽出する処理を例に挙げて、図４を参照してより詳細に説明する。

本実施の形態では、抽出部１２は、確率を考慮した電力需要の平均値、つまり期待値計算を利用して過去３０年間の電力需要の推論値から、予測対象期間において予測される電力需要の値を抽出する。

図４のデータａは、気象データ記憶部１１から取得された過去３０年間の気温の観測データと、対応する電力需要の推論値とを示している。具体的には、図４のデータａの例では、過去３０年分（１９９１年～２０２０年）の４月の気温の昇順で並べられた電力需要の推論値が示されている。前述したように、本実施の形態では、気温は平年値と比較した３つの階級「高」、「並」、および「低」に区分される。図４のデータａの例では、上から１０年分の気温は階級「低」に区分され、中段の１０年分の気温は階級「並」に区分され、下から１０年分の気温は階級「高」に区分されている。また、図４のデータａにおいて、破線四角形で囲んだ領域は、気温の平年値に対する３つの階級「高」、「並」、および「低」の区分に対応付けられた電力需要の推論値を示している。

図４のデータｂは、図３で説明したように、抽出部１２が気象予報データ記憶部１０から取得した３か月先までの気温の長期予報の１か月分の値であり、気温の確率を階級ごとに示している。つまり、図４は、例えば、予測対象施設の地域において、１か月先、つまり２０２１年４月の気温が平年より高くなる確率が７０％（「高：７０％」）、平年並みとなる確率が２０％（「並：２０％」）、および平年より低くなる確率が１０％（「低：１０％」）とされる長期予報を示している。

抽出部１２は、過去３０年間の気温の観測データでの電力需要の推論値のうちから、気温の長期予報の確率に応じた一定の推論値を期待値計算に利用する。より具体的には、抽出部１２は、図４のデータｂに示される２０２１年４月における気温の長期予報の確率値（「高：７０％」、「並：２０％」、「低：１０％」）に応じた数の電力需要の推論値を、図４の式ｃによる期待値計算に利用する。

より詳細には、抽出部１２は、気温の長期予報が示す各階級の確率値の大小に応じて、各階級区分から選択する電力需要の推論値の範囲を調整する。例えば、気温の長期予報の３つの階級の確率値のうち、階級「高」の確率値が最も高い場合、抽出部１２は、３つの階級「高」、「並」、「低」の各々の区分内で気温の値が高い方の電力需要の推論値を３つの階級「高」、「並」、「低」のそれぞれから選択して期待値計算に用いる。したがって、この場合、階級「高」に属する電力需要の推論値のうち、対応付けられている気温の値がより高い電力需要の推論値が選択される。また、階級「並」に属する電力需要の推論値のうち、対応付けられている気温の値がより高い電力需要の推論値が選択される。同様に、階級「低」に属する電力需要の推論値のうち、対応付けられている気温の値がより高い電力需要の推論値が選択される。

一方において、気温の長期予報の３つの階級の確率値のうち、階級「低」の確率値が最も高い場合、抽出部１２は、過去３０年間の観測データの気温に対応する電力需要の推論値において、３つの階級区分内において気温の値が低い方の電力需要の推論値を選択して期待値を計算する。したがって、この場合、階級「高」に属する電力需要の推論値のうち、対応付けられている気温の値がより低い電力需要の推論値が選択される。また、階級「並」に属する電力需要の推論値のうち、対応付けられている気温の値がより高い電力需要の推論値が選択される。同様に、階級「低」に属する電力需要の推論値のうち、対応付けられている気温の値がより低い電力需要の推論値が選択される。

図４の例を用いて説明すると、データｂが示す気温の長期予報の確率値は、階級「高」の値「７０％」が最も高い。このことから、図４の点線矢印「７年分」に示すように、データａに含まれる階級「高」に区分されているデータのうち、気温の値が高い方から７年分の電力需要の推論値が選択される。また、図４の点線矢印「２年分」に示すように、データａに含まれる階級「並」に区分されるデータのうち気温の値が高い方から２年分の電力需要の推論値が選択される。同様に図４の点線矢印「１年分」に示すように、階級「低」に区分されるデータのうち気温の値が高い方から１年分の電力需要の推論値が選択される。

このように、抽出部１２は、過去３０年間における気温の観測データの値が取りうる階級「高」、「並」、および「低」に対応する電力需要の推論値を、気温の長期予報が示すこれらの３つの階級の各々の確率で重み付けした平均値、つまり期待値を用いて予測対象期間において予測される電力需要を抽出する。図４の式ｃで表されるように、予測される電力需要は、期待値＝｛［階級「高」から選択された７年分の電力需要の推論値］＋［階級「並」から選択された２年分の電力需要の推論値］＋［階級「低」から選択された１年分の電力需要の推論値］／［１０年］｝、を計算することで抽出される。また、図４に示す２０２１年４月における期待値の計算と同様に、２０２１年５月および６月についてもそれぞれ期待値を計算し、予測対象期間で予測される電力需要を抽出することができる。

上述したように、抽出部１２は、気温の長期予報が示す各階級の確率値の大小に応じて、各階級区分から選択する電力需要の推論値の範囲を調整する処理、および、選択した電力需要の推論値に基づいて期待値を計算する処理を含む抽出処理を行う。なお、抽出部１２は、各階級区分に含まれる電力需要の推論値の平均値を利用して期待値を計算してもよい。

なお、上述した抽出部１２においては、各月初日から末日までの範囲の予報データに係る月単位の３か月先までの長期予報を用いる場合を例示した。しかし、１か月分の予報の具体的な範囲は、月初日から末日までである場合に限らない。例えば、３月２８日～４月２７日までを４月分の予報データの範囲としたものであってもよい。この場合、抽出部１２は、例えば、１９９１年～２０２０年の３月２８日～４月２７日での過去の気温の観測データを、過去３０年間の観測データとして用い、２０２１年３月２８日～４月２７日に予測される電力需要を抽出することができる。

［電力需要予測装置のハードウェア構成］
次に、上述した機能を有する電力需要予測装置１を実現するハードウェア構成の一例について、図２を用いて説明する。

図２に示すように、電力需要予測装置は、例えば、バス１０１を介して接続されるプロセッサ１０２、主記憶装置１０３、通信インターフェース１０４、補助記憶装置１０５、入出力Ｉ／Ｏ１０６を備えるコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。また、電力需要予測装置１は、バス１０１を介して接続される表示装置１０７を備えることができる。

主記憶装置１０３には、プロセッサ１０２が各種制御や演算を行うためのプログラムが予め格納されている。プロセッサ１０２と主記憶装置１０３とによって、図１に示した抽出部１２、および推論部１３の各機能が実現される。

通信インターフェース１０４は、電力需要予測装置１と各種外部電子機器との間をネットワーク接続するためのインターフェース回路である。通信インターフェース１０４より、図１で説明した抽出部１２が用いる、気象予報データ、過去の気象データや、推論部１３が用いる推論モデル１５ａが、ネットワークＮＷを介して外部端末より受信される構成としてもよい。

補助記憶装置１０５は、読み書き可能な記憶媒体と、その記憶媒体に対してプログラムやデータなどの各種情報を読み書きするための駆動装置とで構成されている。補助記憶装置１０５には、記憶媒体としてハードディスクやフラッシュメモリなどの半導体メモリを使用することができる。

補助記憶装置１０５は、電力需要予測装置１が実行する電力需要予測プログラムを格納するプログラム格納領域を有する。補助記憶装置１０５によって、図１で説明した第１記憶部１５が実現される。また、補助記憶装置１０５には、気温の平年値、平年値と比較した気温の高低の階級区分に関する情報、および期待値計算の式に関する情報が記憶されている。さらには、例えば、上述したデータやプログラムやなどをバックアップするためのバックアップ領域などを有していてもよい。

入出力Ｉ／Ｏ１０６は、外部機器からの信号を入力したり、外部機器へ信号を出力したりするＩ／Ｏ端子により構成される。

表示装置１０７は、有機ＥＬディスプレイや液晶ディスプレイなどによって構成される。表示装置１０７によっても図１で説明した提示部１４を実現することができる。

ここで、補助記憶装置１０５のプログラム格納領域に格納されているプログラムは、本明細書で説明する電力需要予測方法の順序に沿って時系列に処理が行われるプログラムであってもよく、並列に、あるいは呼び出しが行われたときなどの必要なタイミングで処理が行われるプログラムであってもよい。また、プログラムは、１つのコンピュータにより処理されるものでもよく、複数のコンピュータによって分散処理されるものであってもよい。

［電力需要予測装置の動作］
図５は、本実施の形態に係る電力需要予測装置１の動作を示すフローチャートである。 まず、抽出部１２は、外部の気象情報システムの気象予報データ記憶部１０から、例えば、ネットワークＮＷを介して取得した、平年値と比較した確率的な気象の予報値を入力する（ステップＳ１）。具体的には、抽出部１２は、気象予報データ記憶部１０から取得した３か月先までの気温の長期予報を入力する。なお、ステップＳ１において、抽出部１２は、ネットワークＮＷを介して取得された予報値を入力する場合に限らず、ＵＳＢメモリなどの可搬型メモリに事前に記憶された予報値を読み出して入力する構成としてもよい。

次に、推論部１３は、第１記憶部１５から読みだした推論モデル１５ａに対して、過去３０年間の気温の観測データを未知の入力として与え、推論モデル１５ａにしたがった演算を行い、過去３０年間の気温の観測データに対する電力需要の推論値を求める（ステップＳ２）。

次に、抽出部１２は、ステップＳ１で入力された気温の長期予測の確率値を利用して、ステップＳ２で求められた電力需要の推論値に関する期待値を計算する（ステップＳ３）。具体的には、ステップＳ１で入力された気温の長期予報において、ある１か月の各階級の確率値が、「高」：７０％、「並」：２０％、「低」：１０％である場合に、抽出部１２は、ステップＳ２で求められた過去３０年間の電力需要の推論値を、「高」：７０％、「並」：２０％、「低」：１０％の各々の確率で重みづけした平均値を計算する。

さらに、ステップＳ３において期待値を計算する際に、気温の長期予報の確率値が３つの階級「高」、「並」、および「低」のうち、階級「高」の確率値が最も高い場合には、抽出部１２は、これらの階級「高」、「並」、および「低」の各区間内で気温が高い方のデータから、各階級の電力需要の推論値を選択することができる。

また、気温の長期予報の確率値が３つの階級「高」、「並」、および「低」のうち、階級「低」の確率値が最も高い場合には、抽出部１２は、これらの階級「高」、「並」、および「低」の各区間内で気温が低い方のデータから、各階級の電力需要の推論値を選択することができる。

このように、抽出部１２は、気温の長期予報が示す各階級の確率値の大小に応じて、各階級区間から選択する電力需要の推論値の範囲を調整する。

次に、抽出部１２は、ステップＳ３で計算した期待値から、予測対象期間において予測される電力需要を求める（ステップＳ４）。具体的には、抽出部１２は、長期予報に係る予報期間に応じて、ステップＳ３の期待値を計算することができる。例えば、長期予報が１か月ごとの３か月予報であれば、抽出部１２は、ステップＳ３の期待値を１か月分ごとに計算し、３か月先までの電力需要を求めることができる。

次に、提示部１４は、表示装置１０７に、ステップＳ４で求められた電力需要の予測結果を提示する（ステップＳ５）。

図６および図７は、提示部１４によって提示される電力需要の予測結果の例を示す図である。図６の領域ｄには、予測対象の期間「４月」、「５月」、「６月」ごとに、「予測結果（ｋＷｈ）」、「昨年実績（ｋＷｈ）」、および「昨年比」が互いに関連付けて表示されている。

図７は、図６の予測結果の例を、表示装置１０７が月ごとの棒グラフで表示する例を示している。図７の横軸は、予測対象期間である「２０２１年４月」、「２０２１年５月」、および「２０２１年６月」を示し、縦軸は電力量［ｋＷｈ］を示している。また、棒グラフのデータｅは、電力需要の昨年実績値を表し、データｆは予測結果の電力需要の値を表している。図７に示すように、３か月先までの電力需要を昨年度の実績値と比較可能な形態で表示することで、長期の電力需要の把握がより容易となる。

提示部１４は、さらに、予測された電力需要を、予測対象施設に含まれる個別の区画あるいは設定された複数の区画ごとに分けてグラフ表示することができる。あるいは、提示部１４は、複数の地点で予測された電力需要をより広域の予測データとしてグラフ表示してもよい。

なお、説明した実施の形態では、推論部１３が、事前に構築された推論モデル１５ａを第１記憶部１５から読み出して推論処理を行う場合について説明した。しかし、推論部１３による推論処理は、外部のサーバで行う構成としてもよい。この場合、抽出部１２は、ネットワークＮＷを介して外部のサーバから電力需要の推論値を取得する。また、この場合、推論モデル１５ａは、外部のサーバに格納されている。

以上説明したように、第１の実施の形態に係る電力需要予測装置１によれば、平年値と比較した確率的な気象の長期予報に基づいて電力需要を予測するので、比較的長期の電力需要の予測を行うことができる。

また、電力需要予測装置１によれば、過去３０年間の気温の観測データがとり得る階級に対応する過去３０年間の電力需要の推論値を、長期予報が示す複数の階級各々の確率で重み付けした平均値を用いるので、１か月以上先までの比較的長期の電力需要の予測を、より容易に行うことができる。

［第２の実施の形態］
次に、本発明の第２の実施の形態について説明する。なお、以下の説明では、上述した第１の実施の形態と同じ構成については同一の符号を付し、その説明を省略する。

第１の実施の形態では、抽出部１２は、推論部１３が予め推論した、過去の観測期間のうちの第１観測期間、つまり過去３０年間での電力需要の推論値を取得する場合について説明した。また、推論部１３は、事前に構築された推論モデル１５ａを第１記憶部１５から読み出して推論処理を行う場合について説明した。これに対し、第２の実施の形態では、さらに、学習部１６を備え、推論モデル１５ａの学習処理を行う。

図８に示すように、本実施の形態に係る電力需要予測システムは、電力需要予測装置１Ａ、気象予報データ記憶部１０、気象データ記憶部１１、および学習データ記憶部１７を備える。

［電力需要予測装置の機能ブロック］
図８に示すように、本実施の形態に係る電力需要予測装置１Ａは、抽出部１２、推論部１３、提示部１４、第１記憶部１５、および学習部１６を備える。本実施の形態に係る電力需要予測装置１Ａは、学習部１６を備える点において第１の実施の形態に係る電力需要予測装置１と構成が異なる。以下、第１の実施の形態と異なる構成を中心に説明する。

学習部１６は、過去の観測期間のうちの予め設定された過去の第２観測期間での気温の観測値である第２観測値と、過去の第２観測期間での電力需要の実測値との関係を学習して推論モデル１５ａを構築する。第２観測期間は、予測対象期間の季節の区分に関する情報に応じて設定され、具体的には、予測対象期間の季節や長さに応じて設定される。例えば、学習部１６は、予測対象期間の季節や長さに応じて前年度の５か月分や１年分の気温の観測データおよび予測対象施設での電力需要の実測値を学習データとして用いることができる。また、抽出部１２が、２０２１年４月から６月までの電力需要を予測する場合には、２０２０年３月から７月までの昨年度５か月分の気温の観測データおよび電力需要の実測値を学習データとすることができる。

ここで、学習データを取得する期間である過去の第２観測期間について説明する。前述したように、過去の第１観測期間は、推論部１３が推論処理を行い電力需要の推論値を求める対象の期間であり、本実施の形態では、過去３０年間の気温の観測データに対する推論値が求められている。一方において、学習データを取得する過去の第２観測期間は、上記のとおり予測対象期間の季節や長さに応じて設定され、過去の第１観測期間とは重複しない過去の期間とすることができる。

具体的には、過去の第２観測期間は、過去の第１観測期間とは重複しない期間である場合の他、過去の第１観測期間にその一部が含まれる場合、および第１観測期間に含まれる場合がある。例えば、２０２５年の電力需要を予測する場合には、第１観測期間として１９９１年～２０２０年の３０年間が用いられ、学習データに係る第２観測期間として、２０２４年の気温の観測データを用いる場合が考えられる。

学習部１６は、学習データ記憶部１７から推論モデル１５ａを構築するための学習データを取得し、公知の機械学習アルゴリズムを用いて学習処理を行う。また、学習部１６は、学習データとして用いる過去の気温の観測データが気象情報システムにおいて更新されるごとに、更新された気象データに基づいて推論モデル１５ａを再度学習して構築することができる。

学習データ記憶部１７には、学習部１６が推論モデル１５ａを構築するために用いる学習データが記憶されている。より詳細には、学習データ記憶部１７は、昨年度の気温の観測データと、予測対象施設での昨年度の電力需要の実測値とからなる学習データを記憶することができる。

［電力需要予測装置の動作］
次に、上述した構成を有する電力需要予測装置１Ａの動作について、図９のフローチャートを参照して説明する。まず、抽出部１２は、ネットワークＮＷを介して気象予報データ記憶部１０から取得した、平年値と比較した確率的な気象の予報値を入力する（ステップＳ１）。具体的には、抽出部１２は、気象予報データ記憶部１０から取得した気温の３か月予報を入力する。なお、ステップＳ１において、抽出部１２は、ネットワークＮＷを介して取得された予報値を入力する場合に限らず、ＵＳＢメモリなどの可搬型メモリに記憶された予報値を読み出して入力する構成としてもよい。

次に、学習部１６は、学習データを学習データ記憶部１７から取得して推論モデル１５ａを構築する（ステップＳ２０）。具体的には、学習部１６は、公知の機械学習アルゴリズムを用いて、設定された第２観測期間で観測された気温と、その期間での電力需要の実測値との関係を学習する。例えば、電力需要の予測対象期間が３か月である場合に、学習部１６は、前年度における５か月間の気温の観測データと、当該５か月間での電力需要の実測値とからなる学習データを用いることができる。学習部１６によって構築された推論モデル１５ａは、第１記憶部１５に記憶される。

次に、推論部１３は、ステップＳ２０で構築された推論モデル１５ａを第１記憶部１５から読み出して、電力需要の推論値を求める（ステップＳ２）。より詳細には、推論部１３は、推論モデル１５ａに、未知の入力として、過去３０年間の気温の観測データを与えて、推論モデル１５ａにしたがった演算を行い、過去３０年間の電力需要の推論値を求める。

次に、抽出部１２は、ステップＳ１で入力された気温の長期予測の確率値を利用して、ステップＳ２で取得された電力需要の推論値に関する期待値を計算する（ステップＳ３）。次に、抽出部１２は、ステップＳ３で計算した期待値から、予測対象期間において予測される電力需要を求める（ステップＳ４）。具体的には、抽出部１２は、長期予報に係る予報期間に応じてステップＳ３の期待値を計算することができる。例えば、長期予報が１か月ごとの３か月予報であれば、抽出部１２は、ステップＳ３の期待値を１か月分のデータごとに計算し、３か月先までに予測される電力需要を求めることができる。

次に、提示部１４は、ステップＳ４で求められた電力需要の予測結果を表示装置１０７に提示させる（ステップＳ５）。

以上説明したように、第２の実施の形態に係る電力需要予測装置１Ａによれば、学習部１６が過去の気温の観測データと過去の電力需要の実測値との関係を学習して推論モデル１５ａを構築するので、過去の気温の観測データが更新されるごとに推論モデル１５ａを再構築することができ、より精度の高い電力需要の長期予測が可能となる。

なお、説明した実施の形態では、一つの電力需要予測装置１にすべての機能部が設けられている場合について説明した。しかし、電力需要予測装置１が備える各機能部は、一つのコンピュータとして実現される場合以外にも、ネットワーク上に分散した構成とすることもできる。

また、説明した実施の形態では、電力需要予測装置１は、１か月ごとの気温の３か月予報を長期予報として用いる場合を例に挙げて説明した。しかし、長期予報は、３か月予報に限らず、１か月予報などの他の期間に係る長期予報を用いてもよい。また、１か月予報はさらに各週の予報を含む場合であってもよい。例えば、１か月予報が第１週目、第２週目、および第３～４週目の予報値を有する予報データであってもよい。この場合、電力需要予測装置１の抽出部１２は、長期予報に係る予報期間に応じて、上記第１週目、第２週目、および第３～４週目ごとの期待値を計算し、予測される電力需要を求めることができる。

以上、本発明の電力需要予測装置および電力需要予測方法における実施の形態について説明したが、本発明は説明した実施の形態に限定されるものではなく、請求項に記載した発明の範囲において当業者が想定し得る各種の変形を行うことが可能である。

１…電力需要予測装置、１０…気象予報データ記憶部、１１…気象データ記憶部、１２…抽出部、１３…推論部、１４…提示部、１５…第１記憶部、１５ａ…推論モデル、１０１…バス、１０２…プロセッサ、１０３…主記憶装置、１０４…通信インターフェース、１０５…補助記憶装置、１０６…入出力Ｉ／Ｏ、１０７…表示装置、ＮＷ…ネットワーク。

Claims (2)

1. 平年値と比較した確率的な気象の予報値に基づいて、過去の観測期間のうちの第１観測期間での電力需要の推論値から、対象期間に予測される電力需要を抽出する抽出部と、
   抽出された前記予測される電力需要を提示する提示部と
   を備え、
   前記推論値は、事前に構築された推論モデルに基づいて、前記第１観測期間での気象の観測値である第１観測値に対して推論された値であり、
   前記気象の観測値は、前記過去の観測期間の気温の平均値である前記平年値に対する値の高低によって複数の階級に区分される気温の観測値であり、
   前記平年値と比較した確率的な気象の前記予報値は、予報に係る気温の分布が前記複数の階級の各々に該当する確率で表され、
   前記抽出部は、前記第１観測期間での前記第１観測値が取りうる階級に対応する前記推論値を、前記予報値が示す前記複数の階級の各々の確率で重み付けした平均値を用いて前記予測される電力需要を抽出する
   ことを特徴とする電力需要予測装置。
2. 平年値と比較した確率的な気象の予報値に基づいて、過去の観測期間のうちの第１観測期間での電力需要の推論値から、対象期間に予測される電力需要を抽出する抽出ステップと、
   抽出された前記予測される電力需要を提示する提示ステップと
   を備え、
   前記推論値は、事前に構築された推論モデルに基づいて、前記第１観測期間での気象の観測値である第１観測値に対して推論された値であり、
   前記気象の観測値は、前記過去の観測期間の気温の平均値である前記平年値に対する値の高低によって複数の階級に区分される気温の観測値であり、
   前記平年値と比較した確率的な気象の前記予報値は、予報に係る気温の分布が前記複数の階級の各々に該当する確率で表され、
   前記抽出ステップは、前記第１観測期間での前記第１観測値が取りうる階級に対応する前記推論値を、前記予報値が示す前記複数の階級の各々の確率で重み付けした平均値を用いて前記予測される電力需要を抽出する
   ことを特徴とする電力需要予測方法。