米国特許情報 | 欧州特許情報 | 国際公開(PCT)情報 | Google の米国特許検索
 
     特許分類
A 農業
B 衣類
C 家具
D 医学
E スポ−ツ;娯楽
F 加工処理操作
G 机上付属具
H 装飾
I 車両
J 包装;運搬
L 化学;冶金
M 繊維;紙;印刷
N 固定構造物
O 機械工学
P 武器
Q 照明
R 測定; 光学
S 写真;映画
T 計算機;電気通信
U 核技術
V 電気素子
W 発電
X 楽器;音響


  ホーム -> 計算機;電気通信 -> 日本電気株式会社

発明の名称 需要量予測装置
発行国 日本国特許庁(JP)
公報種別 公開特許公報(A)
公開番号 特開平9−16555
公開日 平成9年(1997)1月17日
出願番号 特願平7−188311
出願日 平成7年(1995)6月30日
代理人 【弁理士】
【氏名又は名称】加藤 朝道
発明者 清水 透
要約 目的
地域冷暖房制御や上水道配水制御等、高効率運転を実現するために、蓄熱量や配水量等の需要量を予測する需要量予測装置の提供。

構成
需要量を変動させる要因のデータの一部を第1の構造化ニューラルネットワークで予測を行った後、その予測結果と需要量を変動させる要因のデータとを第2の構造化ニューラルネットワークに入力する。所要の需要量とその時間的前の需要量を合わせて複数個を出力すべく、需要量を変動させる要因のデータもその時間的前のデータと合わせて複数組入力する。過去の予測された需要量と実需要量の時系列から、現時点で予測された需要量を修止するための値を出力する。
特許請求の範囲
【請求項1】需要量を変動させる要因のデータを入力信号、実需要量を教師信号として、需要量を予測する予測モデルをニューラルネットワークに構築する需要量予測装置において、需要量を変動させる要因のデータの少なくとも一を予測する第1のニューラルネットワークと、前記第1のニューラルネットワークによる予測結果と、需要量を変動させる要因の所定のデータとを入力し需要量を予測する第2のニューラルネットワークと、を備えたことを特徴とする需要量予測装置。
【請求項2】前記第1及び第2のニューラルネットワークが構造化ニューラルネットワークからなることを特徴とする請求項1記載の需要量予測装置。
【請求項3】需要量を変動させる要因のデータを入力信号、実需要量を教師信号として、需要量を予測する予測モデルをニューラルネットワークに構築する需要量予測装置において、所望の需要量と、該需要量に時間的に先行する需要量の予測値とを合わせて複数個を出力すべく、需要量を変動させる要因のデータについても前記時間的に先行する需要量に対応するデータを合わせて複数組入力するように構成したことを特徴とする需要量予測装置。
【請求項4】前記ニューラルネットワークが、需要量を変動させる要因のデータの少なくとも一を予測する第1のニューラルネットワークと、前記第1のニューラルネットワークによる予測結果と、需要量を変動させる要因の所定のデータとを入力し需要量を予測する第2のニューラルネットワークと、を含むことを特徴とする請求項3記載の需要量予測装置。
【請求項5】出力された前記複数個の予測需要量(時系列予測需要量)に基づき、所定の時点の予測需要量を決定する手段を備えたことを特徴とする請求項3記載の需要量予測装置。
【請求項6】現時点よりも過去に予測された需要量と実需要量の時系列から、該現時点で予測される需要量を修正するための値を出力する手段(「修正率決定手段」という)を備えたことを特徴とする請求項1又は3記載の需要量予測装置。
【請求項7】前記修正率決定手段が、前記過去に予測された需要量の時系列データと実需要量の時系列データに基づき、前記現時点で予測される需要量を最適に修正するための修正率を出力する第3のニューラルネットワークを含むことを特徴とする請求項6記載の需要量予測装置。
【請求項8】前記第3のニューラルネットワークが、前記過去に予測された需要量の時系列データと前記実需要量との時系列データと、前記過去に予測された所定の需要量とこれに対応する実需要量から得られる修正率と、を入力し、前記修正率と予測需要量と実需要量との関係のモデリングを行なうようにしたことを特徴とする請求項7記載の需要量予測装置。
発明の詳細な説明
【0001】
【産業上の利用分野】本発明は需要量予測装置に関し、特に地域冷暖房制御や上水道配水制御等、高効率運転を実現するために、蓄熱量や配水量等の需要量を予測する需要量予測装置に関する。
【0002】
【従来の技術】この種の従来の装置として、需要量を変動させる要因のデータを入力信号、実需要量を教師信号として、需要量を予測する予測モデルをニューラルネットワークに予め学習しておき、予測時に観測された需要量を変動させる要因のデータを入力して、予測需要量を求めるものが各種提案されている(例えば特開平4-73332号公報等参照)。
【0003】また、予測需要量を修正する手法としては、過去に予測された需要量と実需要量の偏差から、現時点で予測された需要量を修正するものが、提案されている(例えば特開平6-187332号公報等参照)。
【0004】
【発明が解決しようとする課題】しかしながら、上述した従来の需要量予測装置では、需要量を変動させる要因となるデータのうち、例えば予測する時刻における温度、湿度度等、需要量の変動の大きな要因と考えられる値が、たとえ他のなんらかの手法によりさらに正確な値が求められたとしても、需要量の予測の向上には寄与することができない。これは、従来の需要量予測装置においては、ニューラルネットワークからは需要量のみが導き出され、後述する本発明とは相違して、需要量の変動の大きな要因(例えば予測する時刻における温度等)の予測値を個別に導出したり、ニューラルネットワークに該要因の正確な値をデータとして入力することができないことによる。
【0005】また、従来の需要量予測装置では、需要量を時系列パタンとして扱わないことから、例えば雨が続いた後の晴れの日は洗濯する人が多くいるため、水需要は多くなる等という傾向を正確にモデリングすることができない。
【0006】そして、需要量の修正に関しては、過去に予測された需要量と実需要量の移動平均の偏差を基に修正しているので、前半は予測値が大きく、後半は実値の方が大きいというような微妙な偏差が見られる場合の修正には対処できていない。
【0007】従って、本発明は上記問題点を解消し、地域冷暖房制御や上水道配水制御等、高効率運転を実現するために、蓄熱量や配水量等の需要量を予測する需要量予測装置を提供することを目的とする。
【0008】
【課題を解決するための手段】前記目的を達成するため、本発明は、需要量を変動させる要因のデータを入力信号、実需要量を教師信号として、需要量を予測する予測モデルをニューラルネットワークに構築する需要量予測装置において、需要量を変動させる要因のデータの少なくとも一を予測する第1のニューラルネットワークと、前記第1のニューラルネットワークによる予測結果と、需要量を変動させる要因の所定のデータとを入力し需要量を予測する第2のニューラルネットワークと、を備えたことを特徴とする需要量予測装置を提供する。
【0009】本発明においては、好ましくは、前記第1及び第2のニューラルネットワークが構造化ニューラルネットワークからなることを特徴とする。
【0010】また、本発明は、第2の視点において、需要量を変動させる要因のデータを入力信号、実需要量を教師信号として、需要量を予測する予測モデルをニューラルネットワークに構築する需要量予測装置において、所望の需要量と、該需要量に時間的に先行する需要量の予測値とを合わせて複数個を出力すべく、需要量を変動させる要因のデータについても前記時間的に先行する需要量に対応するデータを合わせて複数組入力するように構成したことを特徴とする需要量予測装置を提供する。
【0011】本発明は、第2の視点において、好ましくは、前記ニューラルネットワークが、需要量を変動させる要因のデータの少なくとも一を予測する第1のニューラルネットワークと、前記第1のニューラルネットワークによる予測結果と、需要量を変動させる要因の所定のデータとを入力し需要量を予測する第2のニューラルネットワークと、を含むことを特徴とする。
【0012】また、本発明は、好ましくは、出力された前記複数個の予測需要量(時系列予測需要量)に基づき、所定の時点の予測需要量を決定する手段を備えるように構成してもよい。
【0013】さらに、本発明は、好ましくは、現時点よりも過去に予測された需要量と実需要量の時系列から、該現時点で予測される需要量を修正するための値を出力する手段(「修正率決定手段」という)を備えたことを特徴とする。
【0014】本発明においては、好ましくは、前記修正率決定手段が、前記過去に予測された需要量の時系列データと実需要量の時系列データに基づき、前記現時点で予測される需要量を最適に修正するための修正率を出力する第3のニューラルネットワークを含むことを特徴とする。
【0015】また、本発明においては、好ましくは、前記第3のニューラルネットワークが、前記過去に予測された需要量の時系列データと前記実需要量との時系列データと、前記過去に予測された所定の需要量とこれに対応する実需要量から得られる修正率と、を入力し、前記修正率と予測需要量と実需要量との関係のモデリングを行なうようにしたことを特徴とする。
【0016】
【作用】上記構成のもと、本発明によれば、需要量を変動させる要因となるデータのうち変動の大きな要因自体を予測する構成とされ、該予測された要因に基づき需要量を予測するため(この要因の正確な予測値を得ることも通常困難とされている)、例えば該要因の値が、他のなんらかの手法により、さらに正確な値が求めらた場合には、該正確な値を用いて更に高精度の予測が可能とされる。
【0017】また、本発明によれば、需要量を時系列パタンとして扱うため、動的な特徴をモデリングを行なうことができる。
【0018】さらに、本発明によれば、過去に予測値と実需要量の間に微妙な偏差が見られる場合にも、予測需要量の修正係数を最適に可変制御するように構成したため、適切な修正を行うことができる。
【0019】
【実施例】図面を参照して、本発明の実施例を以下に説明する。
【0020】
【実施例1】図1に、本発明の一実施例の需要量予測装置の構成を示すブロック図を示す。
【0021】図1を参照して、本実施例は、現在の需要量と、需要量を変動させる要因となるデータ(現在の気温、当日の天気、当日の最低気温、当日の最高気温、翌日の予想天気、翌日の予想最低気温、翌日の予想最高気温)計8種類の値を入力として、24時間後の予測需要量を出力するものである。
【0022】図1において、1−1は第1の構造化ニューラルネットワーク、1−2は第2の構造化ニューラルネットワークである。
【0023】第1の構造化ニューラルネットワーク1−1は、(1)現在の気温、(2)当日の天気、(3)当日の最低気温、(4)当日の最高気温、(5)翌日の予想天気、(6)翌日の予想最低気温、(7)翌日の予想最高気温、の7種類の値を入力として、24時間後の予測気温を出力する24時間後気温予測用の構造化ニューラルネットワークである。
【0024】第2の構造化ニューラルネットワーク1−2は、(1)現在の需要量、(2)現在の気温、(3)第1の構造化ニューラルネットワーク1−1から出力される24時間後の気温、の3種類の値を入力として、24時間後の予測需要量を出力する24時間後需要量予測用の構造化ニューラルネットワークである。
【0025】第1、第2の構造化ニューラルネットワーク1−1、1−2において、予測に先立ち、過去の実際のデータを用いて、ネットワークの重み係数を学習しておく。
【0026】天気情報の入力は、例えば表1に示すように、感覚的に天候が良い方から0.0で、悪くなるにつれ1.0に近づく値として入力する。
【0027】
【表1】

【0028】構造化ニューラルネットワークの構築法、学習法は、本発明者により例えば特開平7−28648号公報(特願平5−168091号)に提案されている。なお、同公報には、シグモイド関数の傾きを大きくした0−1近似関数を導入することにより、ルール前提部のand演算をmin演算としたファジイ推論におけるメンバシップ関数を降下法で学習可能とするニューラルネットワークの構成が提案されている。
【0029】後述する第2、第3の実施例で説明される、天気情報、構造化ニューラルネットワークについても本実施例と同様であるものとする。ただし、これらの記載は、本発明を限定するものではなく、天気情報については他の数値化法を、構造化ニューラルネットワークについては従来の階層構造のニューラルネットワークを含む他の構造化ニューラルネットワークを、用いても良いことは勿論である。
【0030】
【実施例2】次に、本発明を第2の実施例を説明する。図2は、本発明の第2の実施例の需要量予測装置の構成を示すブロック図である。本実施例は1ヶ月後の日総需要量の予測を行うものである。
【0031】図2において、2−1は構造化ニューラルネットワークである。当日がα日として、それから1ヶ月後の同じ曜日の日(β日)における日総需要量を予測する場合において、入出力データを3日分の時系列データとして扱う例で説明を行う。
【0032】本実施例では、総需要量を変動させる要因となるデータとして、天気(天候情報)を用いる。
【0033】構造化ニューラルネットワーク2−1は、入力を、α−2日(二日前)、α−1日(前日)、α日(当日)における総需要量とそれぞれの天気、およびβ−2日、β−1日、β日における予想天気の計27種類の値、出力をβ−2日、β−1日、β日における予測総需要量とする構造化ニューラルネットワークである。予測に先立ち、過去の実際のデータを用いて、ネットワークの重み係数を学習しておく。
【0034】日単位で続けて予測を行なう場合、続けて同じ日にちにおける予測総需要量が得られることになる。
【0035】例えば、α’日から1ヶ月後の同じ曜日の日をβ’日とすると、α’日における予測ではβ’−2日、β’−1日、β’日の予測総需要量が、α’+1日における予測ではβ’−1日、β’日、β’+1日の予測総需要量が、α’+2日の予測ではβ’日、β’+1日、β’+2日の予測総需要量が、それぞれ得られ、β’日における予測総需要量は、3回得られることになる。
【0036】予測需要量決定部2−2は、3つの同じ日(すなわちβ’日)における予測総需要量から、予測総需要量を決定する。
【0037】本実施例においては、予測需要量決定部2−2は3つの平均をとることとするが、最も新しい値を用いる等、他の方法を用いても良い。
【0038】
【実施例3】次に、本発明の第3の実施例を説明する。図3は、本発明の第3の実施例の需要量予測装置の構成を示すブロック図である。本実施例はT時間後の予測を行うものである。
【0039】図3を参照して、本実施例は、需要量予測部3−1と、修正率決定部3−2と、予測需要量修正部3−3とから構成されている。
【0040】今、時刻tにおいて予測を行なった結果得られた値を、時刻tに予測された需要量(時刻t+Tにおける予測需要量)Ptと呼ぶこととする。
【0041】本実施例は、時刻tに予測された需要量Ptを、時刻t以前に予測された需要量と実需要量の時系列から修正を加えて出力するものである。
【0042】需要量予測部3−1は、前記第1、第2の実施例で説明した構成の需要量予測部から構成される。
【0043】時刻tにおいて予測に必要なデータが入力されると、時刻t+Tにおける予測需要量Ptが求められ、修正率決定部3−2と、予測需要量修正部3−3とに送られる。
【0044】修正率決定部3−2では、時刻t−T−Nから時刻t−T−1までに予測されたN個の需要量(時刻t−Nから時刻t−1におけるN個の予測需要量)Pt-T-N+n(n=0,1,…,N−1)と、時刻t−Nから時刻t−1におけるN個の実需要量Gt-N+n(n=0,1,…,N−1)の時系列から、時刻tに予測された需要量(時刻t+Tにおける予測需要量)Ptを、最適に修正する修正係数μtが、後述する方法により求められる。
【0045】予測需要量修正部3−3では、需要量予測部3−1からの時刻tに予測された需要量(時刻t+Tにおける予測需要量)Ptが、修正率決定部3−2からの修正係数μtに乗ぜられることにより最適に修正され、修正後予測需要量OUTtとして出力される。
【0046】図4は、修正率決定部3−2の構成を示すブロック図である。
【0047】図4を参照して、修正率決定部3−2は、予測需要量の時系列データを格納する予測需要量リングバッファ4−1と、実需要量の時系列データを格納する実需要量リングバッファ4−2と、修正係数計算部4−3と、構造化ニューラルネットワーク4−4とから構成される。
【0048】まず、学習時の説明を行う。
【0049】時刻t−T−N−1から時刻t−T−2までに予測されたN個の需要量(t−N−1時刻からt−2時刻におけるN個の予測需要量)Pt-T-N+n(n=−1,0,1,…,N−2)と、時刻t−N−1から時刻t−2におけるN個の実需要量Gt-N+n(n=−1,0,1,…,N−2)の時系列から、時刻t−T−1に予測された需要量(時刻t−1における予測需要量)Pt-T-1を、最適に修正する修正係数μt-T-1を学習する場合について説明する。
【0050】需要量予測部3−1から出力される予測需要量Pkは、予測需要量リングバッファ4−1に、観測される実需要量Gkは、実需要量リングバッファ4−2に、それぞれ逐次蓄えられる。
【0051】予測需要量リングバッファ4−1には、時刻t−T−N−1から時刻t−T−2までに予測されたN個の需要量(時刻t−N−1から時刻t−2におけるN個の予測需要量)Pt-T-N+n(n=−1,0,1,…,N−2)が蓄積され、実需要量リングバッファ4−2には、時刻t−N−1から時刻t−2におけるN個の実需要量Gt-N+n(n=−1,0,1,…,N−2)蓄積されたものとする。
【0052】次に、時刻t−T−1に予測された需要量(時刻t−1における予測需要量)Pt-T-1と、時刻t−1における実需要量Gt-1が得られると、修正係数計算部4−3において、Gt-1/Pt-T-1なる計算が行われ、修正係数μt-T-1が求められる。
【0053】さらに、予測需要量リングバッファ4−1には、Pt-T-1の値が、実需要量リングバッファ4−2には、Gt-1の値が更新される。
【0054】この状態における、予測需要量リングバッファ4−1と、実需要量リングバッファ4−2内の計2N個のデータが入力された際に、修正係数計算部4−3からの修正係数μt-T-1が出力される(教師信号)ように、追加学習が行われる。
【0055】次に、修正係数出力時の説明を行う。
【0056】時刻tに予測された需要量(時刻t+Tにおける予測需要量)Ptを最適に修正する修正係数μtを出力する場合について説明する。
【0057】時刻tにおいては、構造化ニューラルネットワーク4−4には、前述のように時刻t−T−1までの、修正係数と予測需要量と実需要量の関係がモデリングされている。
【0058】ここで、時刻tに予測された需要量(時刻t+Tにおける予測需要量)Ptと、時刻tにおける実需要量Gtが得られると、予測需要量リングバッファ4−1と、実需要量リングバッファ4−2が更新された後、構造化ニューラルネットワーク4−4に入力され、修正係数μtが出力される。
【0059】以上、本発明を上記3つの実施例に基づいて説明したが、上記実施例は本発明を限定するものでない。すなわち、需要量の種類、規模、需要量を変動させる要因となるデータの数や種類、予測を行うインターバル等は、本実施例で述べたもの以外でも良いことは勿論である。
【0060】
【発明の効果】以上説明したように、本発明によれば、需要量を変動させる要因となるデータのうち、変動の大きな要因と考えられる値を第1の構造化ニューラルネットワークで予測し、該予測値に基づき更に第2の構造化ニューラルネットワークで需要量を予測するように構成したことにより、地域冷暖房制御や上水道配水制御等、高効率運転を実現することを可能とするという効果を有する。また、本発明によれば、需要量変動の大きな要因と考えられる値が、他のなんらかの手法によりさらに正確な値が求められた場合には、その値を用いて、更に正確な予測が実現できるという利点を有する。
【0061】さらに、本発明によれば、需要量を時系列パタンとして扱うため、動的な特徴をモデリングすることができるという利点を有する。
【0062】そして、本発明によれば、過去に予測値と実需要量の間に微妙な偏差が見られる場合にも、予測需要量の修正係数が最適に可変制御されるため、需要量の適切な修正が行われるという利点を有する。




 

 


     NEWS
会社検索順位 特許の出願数の順位が発表

URL変更
平成6年
平成7年
平成8年
平成9年
平成10年
平成11年
平成12年
平成13年


 
   お問い合わせ info@patentjp.com patentjp.com   Copyright 2007-2013