TOP特許意匠商標
特許ウォッチ Twitter
10個以上の画像は省略されています。
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)

この特許をJ-PlatPatで参照する
Flag Counter

関連特許

日新電機株式会社
検査装置
24日前
日新電機株式会社
巻線機器
22日前
日新電機株式会社
密閉処理装置
9日前
日新電機株式会社
電源システム
11日前
日新電機株式会社
遮断器システム
1日前
日新電機株式会社
遮断器システム
8日前
日新電機株式会社
ガス絶縁開閉装置
1か月前
日新電機株式会社
制御装置および制御方法
19日前
日新電機株式会社
コンデンサ、および製造方法
23日前
日新電機株式会社
計画決定装置および計画決定方法
18日前
日新電機株式会社
化学蓄熱体、及び化学蓄熱反応器
24日前
日新電機株式会社
制御装置、電源システム及び制御方法
19日前
日新電機株式会社
制御装置、電源システム及び制御方法
19日前
日新電機株式会社
高電圧機器の製造方法および高電圧機器
23日前
日新電機株式会社
水利用システム、及び化学蓄熱システム
24日前
日新電機株式会社
判定回路、電源システム、直流配電システム、起動方法及び起動停止方法
19日前
個人
プログラム
1か月前
株式会社理研
演算装置
1か月前
個人
情報検索システム
10日前
個人
日本語入力支援システム
1か月前
個人
確率場データ同化演算手法
22日前
個人
AI旅行最適化プラグイン
1か月前
個人
技術実行管理システム
24日前
個人
納骨堂システム
29日前
シャープ株式会社
電子機器
23日前
キヤノン株式会社
電子機器
9日前
キヤノン株式会社
電子機器
9日前
キヤノン株式会社
電子機器
9日前
個人
不動産情報提供システム
19日前
キヤノン電子株式会社
通信システム
2日前
株式会社イノベイト
広告装置
12日前
キヤノン株式会社
情報処理装置
1か月前
トヨタ自動車株式会社
電気自動車
1か月前
合同会社IPマネジメント
内部不正対策
17日前
個人
ダブルオークションシステム
1か月前
株式会社イズミ
総合代行システム
1か月前
続きを見る