特許ウォッチ

公開番号2024157315
公報種別公開特許公報(A)
公開日2024-11-07
出願番号2023071609
出願日2023-04-25
発明の名称モデル生成装置、予測装置、モデル生成方法、および予測方法
出願人日新電機株式会社,国立大学法人京都工芸繊維大学
代理人弁理士法人 HARAKENZO WORLD PATENT & TRADEMARK
主分類G06Q 50/06 20240101AFI20241030BHJP(計算;計数)
要約【課題】施設における需要電力量の予測精度を高める。
【解決手段】モデル生成装置(10)は、施設における需要電力量の実績値の時間推移を示す時系列データについて、上記実績値に対する複数のラグを設定することにより、複数の上記ラグのそれぞれに対応する上記実績値の偏自己相関係数を導出し、上記偏自己相関係数に基づいて、複数の上記ラグの内から特殊ラグを選択し、上記特殊ラグを上記実績値に対して設定することにより新たな特徴量を導出し、上記新たな特徴量が追加された上記時系列データに基づいて、上記施設における需要電力量を予測するための予測モデルを機械学習によって生成する。
【選択図】図1
特許請求の範囲【請求項１】
施設における需要電力量を予測するための予測モデルを生成するモデル生成装置であって、
上記モデル生成装置は、
上記需要電力量の実績値の時間推移を示す時系列データについて、上記実績値に対する複数のラグを設定することにより、複数の上記ラグのそれぞれに対応する上記実績値の偏自己相関係数を導出し、
上記偏自己相関係数に基づいて、複数の上記ラグの内から特殊ラグを選択し、
上記特殊ラグを上記実績値に対して設定することにより新たな特徴量を導出し、
上記新たな特徴量が追加された上記時系列データに基づいて、機械学習によって上記予測モデルを生成する、モデル生成装置。
続きを表示（約 1,700 文字）【請求項２】
上記モデル生成装置は、
複数の上記ラグのそれぞれに対応する上記実績値の自己相関係数をさらに導出し、
上記偏自己相関係数と上記自己相関係数とに基づいて上記特殊ラグを選択する、請求項１に記載のモデル生成装置。
【請求項３】
上記モデル生成装置は、
複数の上記ラグのそれぞれに対応する上記偏自己相関係数の絶対値をさらに導出し、
複数の上記ラグの内、時間長閾値以上の値を有するラグであって、偏自己相関閾値以上の値を有する上記絶対値に対応するラグを、第１特殊ラグ候補として選択し、
複数の上記ラグの内、上記時間長閾値以上の値を有するラグであって、自己相関閾値以上の値を有する上記自己相関係数に対応するラグを、第２特殊ラグ候補として選択し、
複数の上記ラグの内、上記第１特殊ラグ候補と上記第２特殊ラグ候補とに共通のラグを、上記特殊ラグとして選択する、請求項２に記載のモデル生成装置。
【請求項４】
上記偏自己相関閾値は、０．０５以上かつ０．１５以下の値であり、
上記自己相関閾値は、０．７以上かつ１以下の値である、請求項３に記載のモデル生成装置。
【請求項５】
上記モデル生成装置は、
複数の上記ラグのそれぞれに対応する上記偏自己相関係数の絶対値と上記自己相関係数との和をさらに導出し、
複数の上記ラグの内、時間長閾値以上の値を有するラグであって、和閾値以上の値を有する上記和に対応するラグを、上記特殊ラグとして選択する、請求項２に記載のモデル生成装置。
【請求項６】
上記和閾値は、０．７５以上かつ１．１５以下の値である、請求項５に記載のモデル生成装置。
【請求項７】
上記モデル生成装置は、
複数の上記特殊ラグが昇順にソートされた配列において、等差数列を成す複数の上記特殊ラグをローリングラグとして選択し、
上記ローリングラグを上記実績値に対して設定することにより、上記新たな特徴量としてローリング特徴量を導出する、請求項１に記載のモデル生成装置。
【請求項８】
上記モデル生成装置は、
上記配列における上記ローリングラグを除いた上記特殊ラグを非ローリングラグとして選択し、
上記非ローリングラグを上記実績値に対して設定することにより、上記新たな特徴量としてラグ特徴量を導出する、請求項７に記載のモデル生成装置。
【請求項９】
上記新たな特徴量が追加された上記時系列データは、上記施設における日毎の就業状態を示すデータをさらに含んでいる、請求項１に記載のモデル生成装置。
【請求項１０】
学習フェーズにおいて予め生成された、施設における需要電力量を予測するための予測モデルを予測フェーズにおいて用いることにより、上記需要電力量の予測値を導出する予測装置であって、
上記学習フェーズでは、
上記需要電力量の実績値の時間推移を示す上記学習フェーズにおける時系列データについて、上記実績値に対する複数のラグを設定することにより、複数の上記ラグのそれぞれに対応する上記実績値の偏自己相関係数が導出されており、
上記偏自己相関係数に基づいて、複数の上記ラグの内から特殊ラグが選択されており、
上記特殊ラグを上記実績値に対して設定することにより新たな特徴量が導出されており、
上記新たな特徴量が追加された上記時系列データに基づいて、機械学習によって上記予測モデルが生成されており、
上記予測装置は、
上記実績値の時間推移を示す上記予測フェーズにおける時系列データについて、上記特殊ラグを上記予測フェーズにおける上記実績値に対して設定することにより、上記予測フェーズにおける新たな特徴量を導出し、
上記予測フェーズにおける上記新たな特徴量が追加された、上記予測フェーズにおける上記時系列データに基づいて、上記予測値を上記予測モデルに出力させる、予測装置。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明の一態様は、施設における需要電力量を予測するための予測モデルを生成するモデル生成装置に関する。
続きを表示（約 2,700 文字）【背景技術】
【０００２】
近年、施設における様々な種類のエネルギー需要量を予測するために機械学習が利用されている。例えば、下記の特許文献１には、蓄熱利用システムにおける熱負荷を、ニューラルネットワークによって予測する技術が開示されている。
【先行技術文献】
【特許文献】
【０００３】
特開平９－８９３４８号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
本発明の一態様は、施設における需要電力量の予測精度を高めることを目的とする。
【課題を解決するための手段】
【０００５】
上記の課題を解決するために、本発明の一態様に係るモデル生成装置は、施設における需要電力量を予測するための予測モデルを生成するモデル生成装置であって、上記モデル生成装置は、上記需要電力量の実績値の時間推移を示す時系列データについて、上記実績値に対する複数のラグを設定することにより、複数の上記ラグのそれぞれに対応する上記実績値の偏自己相関係数を導出し、上記偏自己相関係数に基づいて、複数の上記ラグの内から特殊ラグを選択し、上記特殊ラグを上記実績値に対して設定することにより新たな特徴量を導出し、上記新たな特徴量が追加された上記時系列データに基づいて、機械学習によって上記予測モデルを生成する。
【０００６】
また、本発明の一態様に係る予測装置は、学習フェーズにおいて予め生成された、施設における需要電力量を予測するための予測モデルを予測フェーズにおいて用いることにより、上記需要電力量の予測値を導出する予測装置であって、上記学習フェーズでは、上記需要電力量の実績値の時間推移を示す上記学習フェーズにおける時系列データについて、上記実績値に対する複数のラグを設定することにより、複数の上記ラグのそれぞれに対応する上記実績値の偏自己相関係数が導出されており、上記偏自己相関係数に基づいて、複数の上記ラグの内から特殊ラグが選択されており、上記特殊ラグを上記実績値に対して設定することにより新たな特徴量が導出されており、上記新たな特徴量が追加された上記時系列データに基づいて、機械学習によって上記予測モデルが生成されており、上記予測装置は、上記実績値の時間推移を示す上記予測フェーズにおける時系列データについて、上記特殊ラグを上記予測フェーズにおける上記実績値に対して設定することにより、上記予測フェーズにおける新たな特徴量を導出し、上記予測フェーズにおける上記新たな特徴量が追加された、上記予測フェーズにおける上記時系列データに基づいて、上記予測値を上記予測モデルに出力させる。
【０００７】
また、本発明の一態様に係るモデル生成方法は、施設における需要電力量を予測するための予測モデルを生成するモデル生成方法であって、上記需要電力量の実績値の時間推移を示す時系列データについて、上記実績値に対する複数のラグを設定することにより、複数の上記ラグのそれぞれに対応する上記実績値の偏自己相関係数を導出する工程と、上記偏自己相関係数に基づいて、複数の上記ラグの内から特殊ラグを選択する工程と、上記特殊ラグを上記実績値に対して設定することにより新たな特徴量を導出する工程と、上記新たな特徴量が追加された上記時系列データに基づいて、機械学習によって上記予測モデルを生成するする工程と、を含んでいる。
【０００８】
また、本発明の一態様に係る予測方法は、学習フェーズにおいて予め生成された、施設における需要電力量を予測するための予測モデルを予測フェーズにおいて用いることにより、上記需要電力量の予測値を導出する予測方法であって、上記学習フェーズでは、上記需要電力量の実績値の時間推移を示す上記学習フェーズにおける時系列データについて、上記実績値に対する複数のラグを設定することにより、複数の上記ラグのそれぞれに対応する上記実績値の偏自己相関係数が導出されており、上記偏自己相関係数に基づいて、複数の上記ラグの内から特殊ラグが選択されており、上記特殊ラグを上記実績値に対して設定することにより新たな特徴量が導出されており、上記新たな特徴量が追加された上記時系列データに基づいて、機械学習によって上記予測モデルが生成されており、上記予測方法は、上記実績値の時間推移を示す上記予測フェーズにおける時系列データについて、上記特殊ラグを上記予測フェーズにおける上記実績値に対して設定することにより、上記予測フェーズにおける新たな特徴量を導出する工程と、上記予測フェーズにおける上記新たな特徴量が追加された、上記予測フェーズにおける上記時系列データに基づいて、上記予測値を上記予測モデルに出力させる工程と、を含んでいる。
【発明の効果】
【０００９】
本発明の一態様によれば、施設における需要電力量の予測精度を高めることができる。
【図面の簡単な説明】
【００１０】
実施形態１における情報処理装置の要部の構成を例示するブロック図である。
訓練データとしての実績データの例である。
訓練データとしての就業日データの例である。
図３の就業日データに前置補間を施すことによって生成されたデータの例である。
図２の実績データと図４のデータとを組み合わせることによって生成されたデータの例である。
ラグとＰＡＣと｜ＰＡＣ｜との対応関係を示すテーブルの例である。
ラグとＡＣとの関係を示すグラフおよびラグとＰＡＣとの関係を示すグラフの例である。
図５のデータにラグ特徴量を追加することによって生成されたデータの例である。
図８のデータにローリング特徴量コンポーネントとローリング特徴量とを追加することによって生成されたデータの例である。
図９のデータからローリング特徴量コンポーネントを削除することによって生成されたデータの例である。
図１０のデータに時点相当量を追加することによって生成されたデータの例である。
図１１のデータに曜日を追加することによって生成されたデータの例である。
図１２のデータにおける各特徴量に対して標準化を施すことによって生成されたデータの例である。
等差数列要素を選択する処理の流れを例示するフローチャートである。
予測フェーズにおける前処理後入力データの例である。
【発明を実施するための形態】
（【００１１】以降は省略されています）

関連特許