特許ウォッチ

公開番号2025103908
公報種別公開特許公報(A)
公開日2025-07-09
出願番号2023221626
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(10B)は、複数のラグのそれぞれに対応する需要電力量の実績値の自己相関係数、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、複数のラグの内、最小ラグ以外から特殊ラグを選択し、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、前記実績値の時間推移を示す時系列データに対して新たな特徴量が追加された第1時系列データに基づき第1モデルを生成モデル生成し、最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量を導出し、第1時系列データに対してさらなる新たな特徴量が追加された第2時系列データに基づき第2モデルをさらに生成する。
【選択図】図27
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、複数の前記ラグの最小値である最小ラグ以外から、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、
前記時系列データに対して前記新たな特徴量が追加された第１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として第１モデルを生成し、
前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量を導出し、
前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルをさらに生成する、モデル生成装置。
続きを表示（約 3,300 文字）【請求項２】
前記第１モデルから出力される前記需要電力量の予測値を第１予測値と称し、
前記第２モデルから出力される前記需要電力量の予測値を第２予測値と称し、
前記モデル生成装置は、
前記実績値の予測対象期間に属する各時点の少なくとも一部を、複数の切替時点候補として設定し、
（ｉ）前記予測対象期間の始点である予測開始時点から前記切替時点候補までの各時点における前記第２予測値と、（ｉｉ）前記切替時点候補の次の時点から前記予測対象期間の終点である予測終了時点までの各時点における前記第１予測値と、に基づき、複数の前記切替時点候補の内から切替時点を選択する、請求項１に記載のモデル生成装置。
【請求項３】
前記モデル生成装置は、
複数の前記切替時点候補のそれぞれについて、（ｉ）前記予測開始時点から前記予測終了時点までの各時点における前記実績値と、（ｉｉ）前記予測開始時点から前記切替時点候補までの各時点における前記第２予測値と、（ｉｉｉ）前記切替時点候補の次の時点から前記予測終了時点までの各時点における前記第１予測値と、に基づき、前記予測対象期間における前記第１予測値と前記第２予測値との総合誤差を算出し、
前記総合誤差に基づいて、複数の前記切替時点候補の内から、前記切替時点を選択する、請求項２に記載のモデル生成装置。
【請求項４】
前記実績値と前記第１予測値との誤差を第１誤差と称し、
前記実績値と前記第２予測値との誤差を第２誤差と称し、
前記モデル生成装置は、
（ｉ）前記予測開始時点から前記切替時点候補までの各時点における前記第２誤差の累積値と、（ｉｉ）前記切替時点候補の次の時点から前記予測終了時点までの各時点における前記第１誤差の累積値と、の和を算出し、
前記和を、前記予測対象期間に属する時点の総数によって除算した値を、前記総合誤差として算出する、請求項３に記載のモデル生成装置。
【請求項５】
前記モデル生成装置は、複数の前記切替時点候補の内、前記総合誤差の最小値に対応する切替時点候補を、前記切替時点として選択する、請求項３または４に記載のモデル生成装置。
【請求項６】
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、複数の前記ラグの最小値である最小ラグ以外から、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、
前記時系列データに対して前記新たな特徴量が追加された第１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として第１モデルが生成されており、
前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量が導出されており、
前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルがさらに生成されており、
前記予測装置は、前記予測フェーズにおいて、前記第１モデルと前記第２モデルとを使用することにより、前記需要電力量を予測する、予測装置。
【請求項７】
前記第１モデルから出力される前記需要電力量の予測値を第１予測値と称し、
前記第２モデルから出力される前記需要電力量の予測値を第２予測値と称し、
前記学習フェーズでは、
予測開始時点から予測終了時点までの各時点の少なくとも一部が、複数の切替時点候補として設定されており、
（ｉ）前記予測開始時点から前記切替時点候補までの各時点における前記第２予測値と、（ｉｉ）前記切替時点候補の次の時点から前記予測終了時点までの各時点における前記第１予測値と、に基づき、複数の前記切替時点候補の内から切替時点が選択されており、
前記予測装置は、
前記学習フェーズにおける前記予測開始時点から前記切替時点までの時間長を、切替時間長として算出し、
前記予測フェーズにおける予測開始時点に前記切替時間長を加算した時点を、前記予測フェーズにおける切替時点として設定し、
前記予測フェーズにおける前記予測開始時点から、前記予測フェーズにおける前記切替時点までの各時点について、前記第２モデルに前記第２予測値を出力させ、
前記予測フェーズにおける前記切替時点の次の時点から、前記予測フェーズにおける予測終了時点までの各時点について、前記第１モデルに前記第１予測値を出力させる、請求項６に記載の予測装置。
【請求項８】
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、複数の前記ラグの最小値である最小ラグ以外から、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、
前記時系列データに対して前記新たな特徴量が追加された第１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として第１モデルを生成する工程と、
前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量を導出する工程と、
前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルをさらに生成する工程と、を含んでいる、モデル生成方法。
【請求項９】
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、複数の前記ラグの最小値である最小ラグ以外から、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、
前記時系列データに対して前記新たな特徴量が追加された第１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として第１モデルが生成されており、
前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量が導出されており、
前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルがさらに生成されており、
前記予測方法は、前記予測フェーズにおいて、前記第１モデルと前記第２モデルとを使用することにより、前記需要電力量を予測する工程を含んでいる、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 3,900 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、複数の前記ラグの最小値である最小ラグ以外から、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、前記時系列データに対して前記新たな特徴量が追加された第１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として第１モデルを生成し、前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量を導出し、前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルをさらに生成する。
【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、複数の前記ラグの最小値である最小ラグ以外から、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、前記時系列データに対して前記新たな特徴量が追加された第１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として第１モデルが生成されており、前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量が導出されており、前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルがさらに生成されており、前記予測装置は、前記予測フェーズにおいて、前記第１モデルと前記第２モデルとを使用することにより、前記需要電力量を予測する。
【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、複数の前記ラグの最小値である最小ラグ以外から、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、前記時系列データに対して前記新たな特徴量が追加された第１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として第１モデルを生成する工程と、前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量を導出する工程と、前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルをさらに生成する工程と、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、複数の前記ラグの最小値である最小ラグ以外から、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、前記時系列データに対して前記新たな特徴量が追加された第１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として第１モデルが生成されており、前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量が導出されており、前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルがさらに生成されており、前記予測方法は、前記予測フェーズにおいて、前記第１モデルと前記第２モデルとを使用することにより、前記需要電力量を予測する工程を含んでいる。
【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。
実施形態２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。
予測対象期間の各時点における第１モデルの誤差を示すグラフの例である。
予測対象期間の各時点における第２モデルの誤差を示すグラフの例である。
予測対象期間の各時点における第１モデルの誤差および第２モデルの誤差を示すグラフの例である。
複数の切替時点候補のそれぞれに対応する総合誤差の例を示す。
予測フェーズにおける第１モデル用の入力データの例を示す。
予測フェーズにおける第２モデル用の入力データの例を示す。
【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