特許ウォッチ

公開番号2025103907
公報種別公開特許公報(A)
公開日2025-07-09
出願番号2023221625
出願日2023-12-27
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G06N 20/00 20190101AFI20250702BHJP(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】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(10A)は、前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、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数を導出し、前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内から特殊ラグを選択し、前記特殊ラグを前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、前記新たな特徴量が追加された前記時系列データに基づいて、機械学習によって前記予測モデルを生成する。
【選択図】図16
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、
前記モデル生成装置は、
前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、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数を導出し、
前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内から特殊ラグを選択し、
前記特殊ラグを前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、
前記新たな特徴量が追加された前記時系列データに基づいて、機械学習によって前記予測モデルを生成する、モデル生成装置。
続きを表示（約 2,900 文字）【請求項２】
前記特殊ラグは、前記需要電力量の時間変動の第１周期性に対応するローリングラグを含んでおり、
前記モデル生成装置は、
複数の前記ラグの内、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前記自己相関係数に対応するラグを、特殊ラグ候補として選択し、
複数の前記特殊ラグ候補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前記特殊ラグ候補をローリングラグ候補として選択し、
前記就業状態データに基づいて、前記ローリングラグ候補から、前記施設の就業日に対応する就業日ローリングラグと、前記施設の休日に対応する休日ローリングラグと、を含む前記ローリングラグを導出する、請求項１に記載のモデル生成装置。
【請求項３】
前記新たな特徴量は、前記ローリングラグに対応するローリング特徴量を含んでおり、
前記ローリング特徴量は、就業日ローリング特徴量と休日ローリング特徴量とを含んでおり、
前記モデル生成装置は、
前記就業日ローリングラグを前記実績値に対して設定することにより、前記就業日ローリング特徴量を導出し、
前記休日ローリングラグを前記実績値に対して設定することにより、前記休日ローリング特徴量を導出する、請求項２に記載のモデル生成装置。
【請求項４】
前記特殊ラグは、前記需要電力量の時間変動の第２周期性に対応する非ローリングラグを含んでおり、
前記第２周期性は、前記第１周期性に比べて短期的な周期性であり、
前記モデル生成装置は、
前記配列における前記ローリングラグ候補を除いた前記特殊ラグ候補を非ローリングラグ候補として選択し、
前記就業状態データに基づいて、前記非ローリングラグ候補から、前記就業日に対応する就業日非ローリングラグと、前記休日に対応する休日非ローリングラグと、を含む前記非ローリングラグを導出する、請求項２または３に記載のモデル生成装置。
【請求項５】
前記新たな特徴量は、前記非ローリングラグに対応するラグ特徴量を含んでおり、
前記ラグ特徴量は、就業日ラグ特徴量と休日ラグ特徴量とを含んでおり、
前記モデル生成装置は、
前記就業日非ローリングラグを前記実績値に対して設定することにより、前記就業日ラグ特徴量を導出し、
前記休日非ローリングラグを前記実績値に対して設定することにより、前記休日ラグ特徴量を導出する、請求項４に記載のモデル生成装置。
【請求項６】
前記就業状態データは、前記施設における時刻毎の就業状態をさらに示す、請求項１に記載のモデル生成装置。
【請求項７】
前記就業状態データは、前記施設における始業時刻を示す情報、および、前記施設における終業時刻を示す情報、のうちの少なくとも一方を含んでいる、請求項１または６に記載のモデル生成装置。
【請求項８】
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、前記需要電力量の予測値を導出する予測装置であって、
前記学習フェーズでは、
前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、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数が導出されており、
前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内から特殊ラグが選択されており、
前記特殊ラグを前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、
前記新たな特徴量が追加された前記時系列データに基づいて、機械学習によって前記予測モデルが生成されており、
前記予測装置は、
前記予測フェーズにおける就業状態データに基づいて、前記学習フェーズにおける前記特殊ラグから、前記予測フェーズにおける特殊ラグを導出し、
前記実績値の時間推移を示す前記予測フェーズにおける時系列データについて、前記予測フェーズにおける前記特殊ラグを前記予測フェーズにおける前記実績値に対して設定することにより、前記予測フェーズにおける新たな特徴量を導出し、
前記予測フェーズにおける前記新たな特徴量が追加された、前記予測フェーズにおける前記時系列データに基づいて、前記予測値を前記予測モデルに出力させる、予測装置。
【請求項９】
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、
前記モデル生成方法は、
前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、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数を導出する工程と、
前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内から特殊ラグを選択する工程と、
前記特殊ラグを前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、
前記新たな特徴量が追加された前記時系列データに基づいて、機械学習によって前記予測モデルを生成する工程と、を含んでいる、モデル生成方法。
【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、前記需要電力量の予測値を導出する予測方法であって、
前記学習フェーズでは、
前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、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数が導出されており、
前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内から特殊ラグが選択されており、
前記特殊ラグを前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、
前記新たな特徴量が追加された前記時系列データに基づいて、機械学習によって前記予測モデルが生成されており、
前記予測方法は、
前記予測フェーズにおける就業状態データに基づいて、前記学習フェーズにおける前記特殊ラグから、前記予測フェーズにおける特殊ラグを導出する工程と、
前記実績値の時間推移を示す前記予測フェーズにおける時系列データについて、前記予測フェーズにおける前記特殊ラグを前記予測フェーズにおける前記実績値に対して設定することにより、前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、
前記予測フェーズにおける前記新たな特徴量が追加された、前記予測フェーズにおける前記時系列データに基づいて、前記予測値を前記予測モデルに出力させる工程と、を含んでいる、予測方法。

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 3,400 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】
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、前記モデル生成装置は、前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、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数を導出し、前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内から特殊ラグを選択し、前記特殊ラグを前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、前記新たな特徴量が追加された前記時系列データに基づいて、機械学習によって前記予測モデルを生成する。
【０００６】
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、前記需要電力量の予測値を導出する予測装置であって、前記学習フェーズでは、前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、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数が導出されており、前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内から特殊ラグが選択されており、前記特殊ラグを前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、前記新たな特徴量が追加された前記時系列データに基づいて、機械学習によって前記予測モデルが生成されており、前記予測装置は、前記予測フェーズにおける就業状態データに基づいて、前記学習フェーズにおける前記特殊ラグから、前記予測フェーズにおける特殊ラグを導出し、前記実績値の時間推移を示す前記予測フェーズにおける時系列データについて、前記予測フェーズにおける前記特殊ラグを前記予測フェーズにおける前記実績値に対して設定することにより、前記予測フェーズにおける新たな特徴量を導出し、前記予測フェーズにおける前記新たな特徴量が追加された、前記予測フェーズにおける前記時系列データに基づいて、前記予測値を前記予測モデルに出力させる。
【０００７】
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、前記モデル生成方法は、前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、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数を導出する工程と、前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内から特殊ラグを選択する工程と、前記特殊ラグを前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、前記新たな特徴量が追加された前記時系列データに基づいて、機械学習によって前記予測モデルを生成する工程と、を含んでいる。
【０００８】
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、前記需要電力量の予測値を導出する予測方法であって、前記学習フェーズでは、前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、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数が導出されており、前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内から特殊ラグが選択されており、前記特殊ラグを前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、前記新たな特徴量が追加された前記時系列データに基づいて、機械学習によって前記予測モデルが生成されており、前記予測方法は、前記予測フェーズにおける就業状態データに基づいて、前記学習フェーズにおける前記特殊ラグから、前記予測フェーズにおける特殊ラグを導出する工程と、前記実績値の時間推移を示す前記予測フェーズにおける時系列データについて、前記予測フェーズにおける前記特殊ラグを前記予測フェーズにおける前記実績値に対して設定することにより、前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、前記予測フェーズにおける前記新たな特徴量が追加された、前記予測フェーズにおける前記時系列データに基づいて、前記予測値を前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】
参考形態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。
参考形態における訓練データとしての実績データの例である。
参考形態における訓練データとしての就業状態データの例である。
図３の就業状態データに前値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ＡＣ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。
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。
参考形態におけ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。
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。
就業日に着目して就業日非ローリングラグを導出する処理の例を示す。
休日に着目して休日非ローリングラグを導出する処理の例を示す。
図１７および図１８の処理によって決定された非ローリングラグの一覧を示す。
就業日に着目して就業日ローリングラグを導出する処理の例を示す。
休日に着目して休日非ローリングラグを導出する処理の例を示す。
図２０および図２１の処理によって決定されたローリングラグの一覧を示す
実施形態１において生成された新たな時系列データの例である。
実施形態１において生成された新たな時系列データの別の例である。
実施形態１において生成された新たな時系列データの別の例である。
実施形態１において生成された新たな時系列データの別の例である。
【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