図面 (/)

技術 時系列予測アンサンブル

出願人 富士通株式会社
発明者 ジェットチーヴァ・ジョージェタマジッドプール・モスタファ
出願日 2014年8月7日 (4年11ヶ月経過) 出願番号 2014-161150
公開日 2015年4月20日 (4年3ヶ月経過) 公開番号 2015-076091
状態 特許登録済
技術分野 特定用途計算機 学習型計算機 交流の給配電
主要キーワード 予測挙動 サブ間隔 予測間隔 環境条件データ 誤差方程式 基礎づける 生産性データ 通行パターン
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2015年4月20日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (9)

課題

イト資源負荷予測する方法を提供する。

解決手段

サイトに関連する時系列データである過去の負荷データ及び過去の環境条件データを受信するステップ702と、受信されたデータから追加データを生成するステップ704と、複数の予測間隔の各々について、最良サブモデル構築するステップ706と、予測間隔の各々について、サイトにおける資源負荷を予測するステップ708を備える。

概要

背景

エネルギー使用データは、グリッド切り替えポイントで測定されるエネルギー使用データなどの、電力分配システムのうち広い部分に限られている。したがって、電力分配システムにおける負荷予測は、概して、複数のサイトの総負荷、又は電力分配システムのうち広い部分に焦点を当てている。しかしながら、予測総負荷は、個々のサイトレベルでの使用に対して十分に具体的ではない。したがって、予測総負荷は、サイト固有エネルギー効率分析において、又は需要応答(DR)分析において、有用ではない可能性がある。

本明細書に請求される対象事項は、何らかの欠点を解決し、あるいは上記で説明された環境などの環境でのみ動作する実施形態に、限定されない。むしろ、この背景は、本明細書に説明されるいくつかの実施形態が実施され得る1つの例となる技術領域を例解するために提供されるものでしかない。

概要

サイトの資源負荷を予測する方法を提供する。サイトに関連する時系列データである過去の負荷データ及び過去の環境条件データを受信するステップ702と、受信されたデータから追加データを生成するステップ704と、複数の予測間隔の各々について、最良サブモデル構築するステップ706と、予測間隔の各々について、サイトにおける資源負荷を予測するステップ708を備える。

目的

クラスタ化されたデータを使用して、トレーニングモジュール120は、とり得るサブモデルをトレーニングして、正確な負荷予測を提供する

効果

実績

技術文献被引用数
1件
牽制数
1件

この技術が所属する分野

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

イト電力負荷予測する方法であって、過去の負荷データと過去の環境条件データとを受信するステップであり、前記過去の負荷データ及び前記過去の環境条件データは、サイトに関連する時系列データを含む、ステップと、前記の受信された過去の負荷データと前記の受信された過去の環境条件データとのうち1又は複数から追加データを生成するステップと、複数の予測間隔の各々について、最良サブモデル構築するステップであり、該構築するステップは、前記過去の負荷データのトレーニング部分と前記追加データのトレーニング部分とを同時にクラスタ化するステップと、前記過去の負荷データと前記追加データとの前記のクラスタ化されたトレーニング部分を用いて、とり得るサブモデルをトレーニングするステップと、前記過去の負荷データと前記追加データとの検証部分と対照して、前記とり得るサブモデルから出力される予測された負荷を検証するステップと、前記予測された負荷の精度に基づいて、前記最良サブモデルについての第1のパラメータサブセットを決定するステップと、を含む、ステップと、前記最良サブモデルのアンサンブルを用いて、前記予測間隔の各々について、前記サイトの電力負荷を予測するステップと、を含む方法。

請求項2

前記予測間隔の各々について構築された前記最良サブモデルの各々を調整するステップをさらに含み、前記調整するステップは、前記過去の負荷データの調整部分と前記追加データの調整部分とを同時にクラスタ化するステップと、前記過去の負荷データと前記追加データとの前記のクラスタ化された調整部分を用いて、前記最良サブモデルをトレーニングするステップと、前記過去の負荷データと前記追加データとの第2の検証部分と対照して、前記最良サブモデルから出力される予測された負荷を検証するステップと、前記予測された負荷の精度に基づいて、前記最良サブモデルについての第2のパラメータサブセットを選択するステップと、を含む、請求項1に記載の方法。

請求項3

前記最良サブモデルの各々を後に調整するステップをさらに含み、前記後に調整するステップは、前記過去の負荷データと前記過去の環境条件データとを更新するステップと、前記の更新された負荷データと前記の更新された環境条件データとのうち1又は複数から、更新された追加データを生成するステップと、前記更新された負荷データの後続の調整部分と前記更新された追加データの後続の調整部分とを同時にクラスタ化するステップと、前記過去の負荷データと前記追加データとの前記のクラスタ化された更新された調整部分を用いて、前記最良サブモデルをトレーニングするステップと、前記更新された負荷データと前記更新された追加データとの更新された検証部分と対照して、前記最良サブモデルから出力される更新された予測された負荷を検証するステップと、前記更新された予測された負荷の精度に基づいて、前記最良サブモデルについての前記第2のパラメータサブセットを更新するステップと、を含む、請求項2に記載の方法。

請求項4

前記構築するステップと前記調整するステップとを、第1のスケジュールに従って実行するステップと、前記後に調整するステップを、第2のスケジュールに従ってさらに実行するステップであり、前記第1のスケジュールは、前記第2のスケジュールの複数の繰り返しを含む、ステップと、をさらに含む請求項3に記載の方法。

請求項5

前記クラスタ化するステップは、K平均クラスタリングアルゴリズムに従って実行される、請求項2に記載の方法。

請求項6

前記とり得るサブモデルは、ニューラルネットワークを各々含む、請求項5に記載の方法。

請求項7

前記第1のパラメータサブセットは、変数Kの範囲、トレーニング部分のサイズ、ラグ値、及び前記ニューラルネットワークの構造を含み、前記第2のパラメータサブセットは、変数Kの値と、前記最良サブモデルの基礎となるクラスタのうち1つの選択物とを含む、請求項6に記載の方法。

請求項8

前記追加データは、温度データと組み合わせられた負荷データと、差分算出された負荷データと、温度データと組み合わせられた、差分算出された負荷データとを含む、請求項1に記載の方法。

請求項9

前記サブモデルの精度は、平均絶対誤差率MAPE)に従って測定される、請求項1に記載の方法。

請求項10

前記検証するステップは、前記クラスタの各々から、前記過去の負荷データと前記追加データとの前記検証部分を抽出するステップと、特定の時間間隔についての前記予測された負荷を、前記特定の時間間隔についての対応する検証部分と対照して比較するステップと、前記予測された負荷と前記対応する検証部分との間で最小の誤差を生み出す前記とり得るサブモデルを選択するステップと、を含む、請求項9に記載の方法。

請求項11

プロセッサに動作を実行させるプログラミングコードを符号化した非一時的コンピュータ読取可能媒体であって、前記動作は、過去の負荷データと過去の環境条件データとを受信するステップであり、前記過去の負荷データ及び前記過去の環境条件データは、サイトに関連する時系列データを含む、ステップと、前記の受信された過去の負荷データと前記の受信された過去の環境条件データとのうち1又は複数から追加データを生成するステップと、複数の予測間隔の各々について、最良サブモデルを構築するステップであり、該構築するステップは、前記過去の負荷データのトレーニング部分と前記追加データのトレーニング部分とを同時にクラスタ化するステップと、前記過去の負荷データと前記追加データとの前記のクラスタ化されたトレーニング部分を用いて、とり得るサブモデルをトレーニングするステップと、前記過去の負荷データと前記追加データとの検証部分と対照して、前記とり得るサブモデルから出力される予測された負荷を検証するステップと、前記予測された負荷の精度に基づいて、前記最良サブモデルについての第1のパラメータサブセットを決定するステップと、を含む、ステップと、前記最良サブモデルのアンサンブルを用いて、前記予測間隔の各々について、前記サイトにおける消費のための資源負荷を予測するステップと、を含む、非一時的コンピュータ読取可能媒体。

請求項12

前記動作は、前記予測間隔の各々について構築された前記最良サブモデルの各々を調整するステップをさらに含み、前記調整するステップは、前記過去の負荷データの調整部分と前記追加データの調整部分とを同時にクラスタ化するステップと、前記過去の負荷データと前記追加データとの前記のクラスタ化された調整部分を用いて、前記最良サブモデルをトレーニングするステップと、前記過去の負荷データと前記追加データとの第2の検証部分と対照して、前記最良サブモデルから出力される予測された負荷を検証するステップと、前記予測された負荷の精度に基づいて、前記最良サブモデルについての第2のパラメータサブセットを選択するステップと、を含む、請求項11に記載の非一時的コンピュータ読取可能媒体。

請求項13

前記動作は、前記最良サブモデルの各々を後に調整するステップをさらに含み、前記後に調整するステップは、前記過去の負荷データと前記過去の環境条件データとを更新するステップと、前記の更新された負荷データと前記の更新された環境条件データとのうち1又は複数から、更新された追加データを生成するステップと、前記更新された負荷データの後続の調整部分と前記更新された追加データの後続の調整部分とを同時にクラスタ化するステップと、前記過去の負荷データと前記追加データとの前記のクラスタ化された更新された調整部分を用いて、前記最良サブモデルをトレーニングするステップと、前記更新された負荷データと前記更新された追加データとの更新された検証部分と対照して、前記最良サブモデルから出力される更新された予測された負荷を検証するステップと、前記更新された予測された負荷の精度に基づいて、前記最良サブモデルについての前記第2のパラメータサブセットを更新するステップと、を含む、請求項12に記載の非一時的コンピュータ読取可能媒体。

請求項14

前記動作は、前記構築するステップと前記調整するステップとを、第1のスケジュールに従って実行するステップと、前記構築するステップと前記調整するステップとを、第1のスケジュールに従って実行するステップと、前記後に調整するステップを、第2のスケジュールに従ってさらに実行するステップであり、前記第1のスケジュールは、前記第2のスケジュールの複数の繰り返しを含む、ステップと、をさらに含む、請求項13に記載の非一時的コンピュータ読取可能媒体。

請求項15

前記クラスタ化するステップは、K平均クラスタリングアルゴリズムに従って実行される、請求項12に記載の非一時的コンピュータ読取可能媒体。

請求項16

前記とり得るサブモデルは、ニューラルネットワークを各々含む、請求項15に記載の非一時的コンピュータ読取可能媒体。

請求項17

前記第1のパラメータサブセットは、変数Kの範囲、トレーニング部分のサイズ、ラグ値、及び前記ニューラルネットワークの構造を含み、前記第2のパラメータサブセットは、変数Kの値と、前記最良サブモデルの基礎となるクラスタのうち1つの選択物とを含む、請求項16に記載の非一時的コンピュータ読取可能媒体。

請求項18

前記追加データは、温度データと組み合わせられた負荷データと、差分算出された負荷データと、温度データと組み合わせられた、差分算出された負荷データとを含む、請求項11に記載の非一時的コンピュータ読取可能媒体。

請求項19

前記サブモデルの精度は、平均絶対誤差率(MAPE)に従って測定される、請求項11に記載の非一時的コンピュータ読取可能媒体。

請求項20

前記検証するステップは、前記クラスタの各々から、前記過去の負荷データと前記追加データとの前記検証部分を抽出するステップと、特定の時間間隔についての前記予測された負荷を、前記特定の時間間隔についての対応する検証部分と対照して比較するステップと、前記予測された負荷と前記対応する検証部分との間で最小の誤差を生み出す前記とり得るサブモデルを選択するステップと、を含む、請求項19に記載の非一時的コンピュータ読取可能媒体。

技術分野

0001

本明細書で論じられる実施形態は、時系列予測アンサンブルに関する。

背景技術

0002

エネルギー使用データは、グリッド切り替えポイントで測定されるエネルギー使用データなどの、電力分配システムのうち広い部分に限られている。したがって、電力分配システムにおける負荷予測は、概して、複数のサイトの総負荷、又は電力分配システムのうち広い部分に焦点を当てている。しかしながら、予測総負荷は、個々のサイトレベルでの使用に対して十分に具体的ではない。したがって、予測総負荷は、サイト固有エネルギー効率分析において、又は需要応答(DR)分析において、有用ではない可能性がある。

0003

本明細書に請求される対象事項は、何らかの欠点を解決し、あるいは上記で説明された環境などの環境でのみ動作する実施形態に、限定されない。むしろ、この背景は、本明細書に説明されるいくつかの実施形態が実施され得る1つの例となる技術領域を例解するために提供されるものでしかない。

発明が解決しようとする課題

0004

こうして、予測総負荷は、サイト固有のエネルギー効率分析において、又は需要応答(DR)分析において、有用ではない可能性がある。

課題を解決するための手段

0005

一実施形態の態様に従い、サイトの電力負荷を予測する方法が、過去の負荷データと過去の環境条件データとを受信するステップを含むことができる。過去の負荷データと過去の環境条件データとは、サイトに関連する時系列データとすることができる。本方法はさらに、受信された過去の負荷データと受信された過去の環境条件データとから追加データを生成するステップを含むことができる。本方法はさらに、複数の予測間隔の各々について、最良サブモデル構築するステップを含むことができる。この構築するステップには、過去の負荷データのトレーニング部分と追加データのトレーニング部分とを同時にクラスタ化するステップと、クラスタ化されたトレーニング部分を用いてとり得るサブモデルをトレーニングするステップと、過去の負荷データと追加データとの検証部分と対照して、とり得るサブモデルから出力される予測された負荷を検証するステップと、予測された負荷の精度に基づいて、最良サブモデルについての第1のパラメータサブセットを決定するステップとを含むことができる。本方法はさらに、最良サブモデルのアンサンブルを用いて、予測間隔の各々について、サイトの電力負荷を予測するステップを含む。

0006

本願実施形態の目的及び利点は、少なくとも、請求項に具体的に挙げられる要素、特性及び組み合わせによって実現され、達成されるものである。

0007

前述の概要的な説明と下記の詳細な説明とは、例示及び説明であり、請求される発明を限定するものではないことを理解されたい。

図面の簡単な説明

0008

例示的な実施形態が、添付図面の利用を通じてさらなる特定性及び詳細と共に説明され、解説される。
例示的な予測システムを示すブロック図である。
例示的な予測システムを示すブロック図である。
図1A及び図1Bの予測システムを実施することができる一例示的電力分配システムのブロック図である。
図1A及び図1Bの予測システム内で処理されることができる一例示的時系列データセットを示す図である。
図1A及び図1Bの予測システムによって実行されることができる一例示的クラスタリングを示す図である。
図1A及び図1Bの予測システム内で実施されることができる一例示的サブモデルを示す図である。
図1A及び図1Bの予測システム内で実施されることができる一例示的サブモデル組み立てを示すブロック図である。
本明細書に説明される少なくとも1つの実施形態に従って配置された、サイトの電力負荷を予測する一例示的方法フロー図である。

実施例

0009

本明細書に説明されるいくつかの実施形態は、予測アンサンブル(forecasting ensembles)に関する。予測アンサンブルを実施して、複数の予測間隔において個別のエンティティに関連する特定の挙動を予測することができ、例えば、サイト(群)において又はエンティティ(群)によって浪費され、あるいは消費されることになるエネルギー資源(群)を予測することができる。予測アンサンブルには、最良サブモデル(best sub-models)の組み合わせを含むことができる。サブモデルの各々は、特定の予測間隔に対して組み立てられることができ、この予測間隔に対して複数のとり得るサブモデルから選択されることができる。サブモデルを組み立てるために、予測システムは、アンサンブルモジュールデータ処理モジュールとを含むことができる。処理モジュールは、主要データと補助データとを受信することができ、主要データ及び/又は補助データから追加データを生成することができる。アンサンブルモジュールは、主要データと、主要データ及び補助データから導出される追加データとを、クラスタ化することができる。それから、アンサンブルモジュールは、クラスタ化されたデータを用いて、複数のとり得るサブモデルをトレーニングすることができる。複数のとり得るサブモデルは、予測された挙動を出力するように構成されることができ、予測された挙動は、主要データ及び/又は追加データの部分と対照して検証されることができる。とり得るサブモデルから出力された予測された挙動の精度に基づいて、各予測間隔についての最良サブモデルのパラメータを、決定することができる。

0010

例示的実施形態には、サイトの電力負荷を予測するように構成された予測システムを含むことができる。予測されるサイトの負荷は、日、時間又は別の予測間隔などの比較的短い時間に固有のものとすることができる。予測される負荷は、サブモデルのアンサンブルに基づくことができ、このアンサンブルにおいて、サブモデルの各々は、予測間隔のうちの1つについて具体的に組み立てられる。サブモデルの各々を組み立てるために、過去の負荷データ、及び/又はこの過去データから導出される追加データを処理して、とり得るサブモデルをトレーニングすることができ、とり得るサブモデルは、正確な負荷データを予測するように構成されることができる。より具体的には、この実施形態及び他の実施形態において、最良サブモデルを組み立てることには、最良サブモデルを構築することと、次いで最良サブモデルをトレーニングすることとを含むことができる。予測システムは、それから、各予測間隔についての最良サブモデルを組み合わせて、予測アンサンブルにすることができる。予測システムは、それから、最良サブモデルの予測アンサンブルを用いて、予測間隔の各々におけるサイトの電力負荷を予測することができる。この実施形態及び他の実施形態のいくつかの詳細が、添付図面を参照して説明される。

0011

図1Aは、本明細書に説明される少なくとも1つの実施形態に従って配置された、一例示的予測ステム154(以降、「システム154」)のブロック図100Aである。システム154は、予測アンサンブルを生成するように構成されることができる一般的システムを表す。システム154によって生成される予測アンサンブルを実施して、個別のエンティティの挙動を予測することができる。例えば、予測アンサンブルを実施して、サイトの電力負荷、サイトの他の資源負荷(例えば、水又はガスの消費)、サイトにおける労働者生産性、サイトにおける機械装置の一部の生産性、ショッピングモールなどのサイトにおける販売強度(例えば、使われた金額、又は取引の数)、又は個別の場所における通行パターンを予測することができる。さらに、予測アンサンブルを実施して、比較的短い時間に固有の挙動を予測することができる。例えば、予測アンサンブルを実施して、1日の間に各15分の時間周期(又は、別の定義された時間周期)で挙動を予測することができる。挙動が予測されることになるこれら周期の各々が、本明細書において予測間隔と呼ばれる。

0012

システム154は、データ126を受信し、これに基づいて関係する挙動を予測するように構成される。図示されるとおり、システム154は、プロセッサ142、通信インタフェース146及びメモリ144を含むことができる。プロセッサ142、通信インタフェース146及びメモリ144は、通信バス148を介して通信可能に結合されることができる。通信バス148には、メモリバス記憶装置インタフェースバス、バス/インタフェースコントローラインタフェースバス若しくは同様のもの又はこれらの任意の組み合わせを含むことができるが、これらに限定されない。

0013

一般に、通信インタフェース146は、ネットワークを介した通信を容易にすることができる。通信インタフェース146には、ネットワークインタフェースカードネットワークアダプタLANアダプタ、又は他の適切な通信インタフェースを含むことができるが、これらに限定されない。データ126は、例えば、通信インタフェース146を介して、システム154へ、及び/又はシステム154から伝達されることができる。

0014

プロセッサ142は、本明細書に説明される機能及び動作をシステム154に実行させるコンピュータ命令を実行するように構成されることができる。プロセッサ142には、プロセッサ、マイクロプロセッサ(μP)、コントローラマイクロコントローラ(μC)、中央処理装置(CPU)、デジタルシグナルプロセッサ(DSP)、これらの任意の組み合わせ、又は他の適切なプロセッサを含むことができるが、これらに限定されない。

0015

コンピュータ命令は、プロセッサ142による実行のため、メモリ144にロードされることができる。例えば、コンピュータ命令は、1又は複数のモジュールの形式(例えば、モジュール102、104、106、108、110、112、114、116、118、120、122、124及び152)にすることができる。いくつかの実施形態において、本明細書に説明される機能及び動作の実行の間に生成され、受信され、かつ/あるいは操作されるデータは、メモリ144に少なくとも一時的に記憶されることができる。その上、メモリ144は、RAMなどの揮発性記憶装置を含むことができる。より一般的に、システム154は、これらに限定されないが、RAM、ROM、EEPROMフラッシュメモリ若しくは他のメモリ技術CD−ROMデジタル多用途ディスク(DVD)若しくは他の光学記憶装置磁気カセット磁気テープ磁気ディスク記憶装置若しくは他の磁気記憶装置などの非一時的コンピュータ読取可能媒体、又は任意の他の非一時的コンピュータ読取可能媒体を含むことができる。

0016

システム154は、データ126を受信するように表されている。システム154により受信されたデータ126に基づいて、アンサンブルモジュール102は、エンティティに特有の最良サブモデルの予測アンサンブルを組み立てることができる。最良モデルの各々を予測モジュール152が使用して、予測間隔についての電力負荷を予測することができる。

0017

データ126には、過去の主要データ134、過去の補助データ136、更新された主要データ138及び更新された補助データ140を含むことができるが、これらに限定されない。過去の主要データ134及び更新された主要データ138(集合的に、主要データ134/138)には、エンティティに関連する時系列データ、エンティティのグループ、機械装置の一部など(概して、エンティティ又はオブジェクト)を含むことができる。例えば、主要データ134/138には、サイトに関連する時系列エネルギー使用データ、オフィスビル内のオフィス労働者の全体又はサブセットに関する時系列生産性データ、或る位置における通行パターン、ショッピングモール又はストアに関する時系列消費者データ、又はサイト内の機械装置の一部に関する時系列生産性データを含むことができるが、これらに限定されない。

0018

主要データ134/138は、エンティティ又はオブジェクトにおいてローカルに測定されることができる。さらに、又は別法として、主要データ134/138は、リモートで測定され、次いでシステム154に伝達されることができる。概して、主要データ134/138には、個別の時点における、又は個別の時間にわたっての、固有値又は平均値を含むことができる。

0019

例えば、主要データ134/138が、サイトに関連するエネルギー使用データを含む実施形態において、主要データ134/138は、スマートメーターによって測定されることができる。エネルギー使用データは、システム154に伝達されることができ、あるいは、システム154は、スマートメーターからデータを受信するエンティティ内に含まれることができる。これら実施形態における主要データ134/138の個別の例として、特定の工場が、2013年5月23日の午前7時から午前7時5分の間に5キロワット時(kWh)を使用したことが示され得る。主要データ134/138は、主要データ134/138が他のエンティティ又はオブジェクトに関する他の種類のデータを含む実施形態において、同様に定量化されることができる。

0020

過去の主要データ134には、定められた時間にわたるデータセットを含むことができる。更新された主要データ138には、処理内のイベント又はステップの実行の後、第2の又は後続のデータセットを含むことができる。例えば、過去の主要データ134には、15分の増分又はいくつかの他の時間間隔粒度での過去6か月にわたる工場のエネルギー使用データを含むことができる。過去の主要データ134を使用して、以下に説明されるようにサブモデルをトレーニングすることができる。この例において、更新された主要データ138には、サブモデルがトレーニングされた以後の、工場のエネルギー使用データを含むことができる。主要データ134/138は、主要データ134/138が他のエンティティ又はオブジェクトに関する他の種類のデータを含む実施形態において、過去の主要データ134と更新された主要データ138とに同様に体系化されることができる。

0021

過去の補助データ136及び更新された補助データ140(集合的に、補助データ136/140)には、上記エンティティ又はオブジェクトに関し得る別の時系列データセットを含むことができる。補助データ136/140は、主要データ134/138に対して影響を有する可能性がある。例えば、補助データ136/140には、サイト、通行場所、オフィスビル又はショッピングモールに関連する時系列環境条件データ;サイト、通行場所、オフィスビル又はショッピングモールに関連する時系列温度データなどの特有の条件;又は主要データ134/138に影響し得る季節変動などの任意の他の条件を含むことができるが、これらに限定されない。

0022

補助データ136/140は、外部のエンティティによって測定されることができ、システム154に伝達されることができる。さらに、又は別法として、補助データ136/140は、システム154においてローカルに測定されることができる。補助データ136/140には、ある時点における、又はある時間にわたる条件の固有値又は平均値を含むことができる。

0023

例えば、補助データ136/140には、ある時点における、又はある時間にわたる室内温度外気温度湿度風速及び/又は風向大気圧などを含むことができる。これら実施形態における補助データ136/140の一例として、2013年5月23日午前7時から午前7時5分までの間、特定の工場の周辺の外気温度が25℃であったことが示され得る。補助データ136/140は、補助データ136/140が他のエンティティ又はオブジェクトに関する他の種類のデータを含む実施形態において、同様に定量化されることができる。

0024

いくつかの実施形態において、システム154には、データ処理モジュール124を含むことができる。データ処理モジュール124は、主要データ134/138と補助データ136/140とのうち1又は複数から追加データ150を生成するように構成されることができる。データ処理モジュール124は、主要データ134/138と補助データ136/140とを組み合わせることができる。例えば、特定の時間に対する過去の主要データは、この特定の時間の間に過去の補助データ136内に表された環境条件と組み合わせることができる。図1Aにおいて、主要データ134/138と補助データ136/140との組み合わせを表すデータが、「主要‐補助データ130」とラベル付けされている。単に例として、主要‐補助データ130には、主要データ134/138を補助データ136/140と組み合わせる表、グラフチャート又は関数を含むことができる。主要‐補助データ130は、例えば、温度データと組み合わせられた負荷データ、温度データと組み合わせられた生産性データ、季節的データと組み合わせられた消費者取引データ、主要データ134/138と補助データ136/140との任意の他の組み合わせを表すことができる。

0025

さらに、又は別法として、データ処理モジュール124は、種々の特定の時間における主要データ134/138間の差分を算出することができる。例えば、差分は、各々の過去の主要データ134のデータムとその直前の過去の主要データ134のデータムとの間で算出されることができる。図1Aにおいて、差分算出された(differenced)主要データ134/138を表すデータが、「差分主要データ132」とラベル付けされている。差分算出された主要データは、本明細書において、差分主要データ132という。単に例として、差分主要データ132には、主要データ134/138を差分算出する表、グラフ、チャート又は関数を含むことができる。

0026

さらに、又は別法として、データ処理モジュール124は、種々の特定の時点における主要データ134/138間の差分を算出し、補助データ136/140を、差分算出された主要データ134/138に組み合わせることができる。例えば、差分は、各々の過去の主要データ134のデータムとその直前の過去の主要データ134のデータムとの間で算出されることができる。過去の主要データ134のデータ間の差分は、該データ間の時間における温度などの環境条件と組み合わせられることができる。図1Aにおいて、補助データ136/140と組み合わせられた差分算出された主要データ134/138を表すデータが、「差分主要‐補助データ128」とラベル付けされている。さらに、補助データ136/140と組み合わせられた差分算出された主要データ134/138は、本明細書において差分主要‐補助データ128という。単に例として、差分主要‐補助データ128には、主要データ134/138を差分算出し、差分算出された主要データ134/138を補助データ136/140と組み合わせる表、グラフ、チャート又は関数を含むことができる。追加データ150についての上記3つの例は、本明細書に説明される実施形態に対する限定を意図するものではない。

0027

アンサンブルモジュール102は、データ126及び/又は追加データ150を使用して、最良サブモデルのアンサンブルを組み立てることができる。具体的に、いくつかの実施形態において、アンサンブルモジュール102は、各予測間隔について、1つの最良のサブモデルを組み立てるように構成されることができる。概して、最良のサブモデルとは、個別の予測間隔におけるエンティティ又はオブジェクトについての挙動を最も正確に予測するように構成された1又は複数のパラメータを含むサブモデルである。例えば、システム154は、15分間隔で1日24時間の間、又は何らかの他の間隔で何らかの他の時間の間、負荷を予測するように構成されることができる。したがって、アンサンブルモジュール102は、1日に96個の最良サブモデルを組み立てることができ、あるいはより一般的には任意の適切な数の最良サブモデルを組み立てることができる。

0028

図1Aにおけるアンサンブルモジュール102は、構築モジュール114及び調整モジュール104を含む。構築モジュール114及び調整モジュール104を使用して、複数のとり得るサブモデルから、各最良サブモデルを組み立てることができる。概して、各最良サブモデルを組み立てるために、構築モジュール114は、データ126及び/又は追加データ150の第1の部分を入力することができる。この第1の部分に基づいて、構築モジュール114は、最良サブモデルに含まれ得るクラスタリングパラメータ及び/又はサブモデルパラメータ(集合的に、パラメータ)の第1のサブセットを決定することができる。クラスタリングパラメータ及びサブモデルパラメータのいくつかの追加詳細を、以下で与える。

0029

調整モジュール104は、それから、構築モジュール114により決定された第1のパラメータサブセットを用いて、最良サブモデルに、データ126及び/又は追加データ150の第2の部分を入力することができる。調整モジュール104は、それから、最良サブモデルに含まれ得るパラメータの第2のサブセットを選択することができる。この第2のパラメータサブセットを調整モジュール104が設定した後、アンサンブルモジュール102が、最良サブモデルを他の最良サブモデルと組み合わせることができる。最良サブモデルのアンサンブルを予測モジュール152が使用して、挙動を予測することができる。構築モジュール114及び調整モジュール104の各々を、以下でより詳細に説明する。

0030

構築モジュール114は、クラスタリングモジュール118、トレーニングモジュール120、検証モジュール116及び決定モジュール122を含むことができる。クラスタリングモジュール118は、データ126、追加データ150、又はこれらのいくらかの部分をクラスタ化することができる。クラスタリングとは、一般に、グループ化されたサブセットが一単位として処理されるように、データセットのサブセットをグループ化することをいう。クラスタリングは、1又は複数のクラスタリングパラメータを有する1又は複数のクラスタリングアルゴリズムに従って生じさせることができる。クラスタリングパラメータのいくつかの例には、一緒にグループ化されるデータ(例えば、データ126)の時間間隔の数と、例えば、クラスタ化されたデータが過去の主要データ134、主要‐補助データ130、差分主要データ132などを含むかどうかといったデータの種類とを含むことができるが、これらに限定されない。

0031

いくつかの実施形態において、クラスタリングモジュール118は、データ126、追加データ150、又はこれらのうちいくらかの部分を同時にクラスタ化することができる。例えば、追加データ150が差分主要‐補助データ128、主要‐補助データ130及び差分主要データ132を含む実施形態において、クラスタリングモジュール118は、過去の主要データ134、差分主要‐補助データ128、主要‐補助データ130及び差分主要データ132の各々を同時にクラスタ化することができる。

0032

トレーニングモジュール120は、クラスタ化されたデータを用いて、とり得るサブモデルをトレーニングするように構成されることができる。クラスタ化されたデータには、データ126、追加データ150、又はこれらの部分のうち、クラスタ化された部分を含むことができる。とり得るサブモデルには、負荷予測精度を最適化するように構成された機械学習モデルを含むことができる。これら及び他の実施形態において、とり得るサブモデルには、ニューラルネットワーク自己回帰和分移動平均(ARIMA)、ランダムフォレストモデル、二重指数平滑化モデル、又は任意の他の適切なトレーニング可能な学習モデルを含むことができる。さらに、とり得るサブモデルには、出力を決定づける1又は複数のサブモデルパラメータを含むことができる。クラスタ化されたデータを使用して、トレーニングモジュール120は、とり得るサブモデルをトレーニングして、正確な負荷予測を提供するサブモデルパラメータを開発することができる。

0033

検証モジュール116を使用して、とり得るサブモデルから出力された予測挙動を検証することができる。いくつかの実施形態において、とり得るサブモデルから出力される予測挙動は、データ126若しくは追加データ150又はこれらの部分のうちの検証部分と対照して、検証されることができる。したがって、これら及び他の実施形態において、とり得るサブモデルは、とり得るサブモデル自体によって出力される予測された挙動が上記モデルに従って正確になるまで、クラスタ化されたデータでトレーニングされることができる。検証モジュール116は、とり得るサブモデルから出力される予測された挙動を、実際のデータと対照して確認することによって、予測された挙動の精度の追加的検証を提供することができる。例えば、データ126には、2013年1月1日から2013年6月30日までの期間の過去の主要データ134を含むことができる。とり得るサブモデルは、2013年5月21日の午前7時から午前7時15分の間に10kWhの電力負荷を予測するように構成されることができる。検証モジュール116は、2013年5月21日の過去の主要データ134にアクセスし、とり得るサブモデルが電力負荷を正確に予測しているかどうかを検証することができる。

0034

いくつかの実施形態において、検証モジュール116は、誤差方程式を用いて、とり得るサブモデルによって出力される予測された挙動の精度を検証することができる。例えば、予測された挙動の精度は、平均絶対誤差率(mean absolute percentage error;MAPE)に従って決定されることができ、MAPEは、一例示的MAPE等式において、下記のように表される。

0035

この例示的MAPE等式において、変数MAPEは、MAPEを表す。変数nは、データ126若しくは追加データ150又はこれらのいくらかの部分の中の、時間間隔の数を表す。変数PAは、データ(例えば、データ126)からの、測定された挙動を表す。変数PFは、予測された挙動を表す。

0036

予測された挙動の精度に基づいて、決定モジュール122は、最良サブモデルについてのパラメータの第1のサブセットを決定することができる。この第1のパラメータサブセットを決定することには、1若しくは複数のパラメータの範囲を生成すること、1若しくは複数のパラメータのとり得る値を除外すること、1若しくは複数のパラメータの値を設定すること、パラメータを未決定のままとすること、又はこれらの任意組み合わせを含むことができる。例えば、決定モジュール122は、1又は複数のサブモデルパラメータの各々について、値を提供することができ、1又は複数のクラスタリングパラメータの各々について、範囲を提供することができる。

0037

いくつかの実施形態において、予測された挙動を最小のMAPEにおいて出力するとり得るサブモデルと、これらサブモデル内で使用されるクラスタ化されたデータとが、識別されることができる。予測された挙動を最小のMAPEにおいて出力するとり得るサブモデルのサブモデルパラメータ及び/又はクラスタリングパラメータが、最良サブモデルに含まれることができる。

0038

構築モジュール114は、したがって、最良サブモデルに含まれ得る1又は複数のパラメータを出力することができる。調整モジュール104は、(とり得るサブモデルではなく)構築モジュール114により出力された最良サブモデルをトレーニングして、(第1のパラメータサブセットではなく)第2のパラメータサブセットを選択するように構成されることができることを除いて、少なくともいくつかの点で構築モジュール114と同様とすることができる。具体的には、調整モジュール104には、クラスタリングモジュール108、トレーニングモジュール110、検証モジュール106及び選択モジュール112を含むことができる。クラスタリングモジュール108、トレーニングモジュール110、検証モジュール106及び選択モジュール112は、それぞれ、クラスタリングモジュール118、トレーニングモジュール120、検証モジュール116及び決定モジュール122と実質的に同様とすることができる。しかしながら、調整モジュール104は、データ126及び/又は追加データ150の第2の部分を受信することができ、構築モジュール114から出力された最良モデルをトレーニング及び検証することによって、第2のパラメータサブセットを選択することができる。

0039

より詳細には、構築モジュール114は、データ126及び/又は追加データ150のトレーニング部分を受信することができる。トレーニング部分には、例えば、エネルギー使用データ、環境条件データ及びこれらから導出されるデータ(例えば、追加データ150)を含み得る長期間データセットを含むことができる。いくつかの実施形態において、用語「長期間データセット」は、約35日から約135日までの間のエネルギー使用データ、環境条件データ及びこれらから導出されるデータを示すことができる。対照的に、調整モジュール104は、データ126及び/又は追加データ150の調整部分を受信することができる。調整部分には、例えば、短期間のエネルギー使用データ、環境条件データ及びこれらから導出されるデータを含み得る短期間データセットを含むことができる。いくつかの実施形態において、用語「短期間データセット」は、約3日から約7日の間のエネルギー使用データ、環境条件データ及びこれらから導出されるデータを示すことができる。

0040

構築モジュール114は、本質的にはパラメータセットを用いずに、とり得るサブモデルをトレーニングすることができる。したがって、構築モジュール114のトレーニングモジュール120は、(調整モジュール104と比較した場合に)比較的大きなデータセットを用いて、トレーニング処理を実行することができる。対照的に、調整モジュール104は、決定された第1のパラメータサブセットと共に構築モジュール114から出力された最良サブモデルをトレーニングし、検証することができる。調整モジュール104は、構築モジュール114により決定された第1のパラメータセットを使用しながら、第2のパラメータセットを選択することができる。したがって、調整モジュール104から出力される最良サブモデルには、構築モジュール114により決定された第1のサブセット及び/又は調整モジュール104により選択された第2のパラメータサブセットを含むパラメータを含むことができる。

0041

したがって、調整モジュール104は、大まかな意味で構築モジュール114と同様に機能することができる。例えば、クラスタリングモジュール108は、データ126、追加データ150又はこれらのうちいくらかの第2の部分を、同時にクラスタ化することができる。トレーニングモジュール110は、クラスタリングモジュール108から出力されるクラスタ化されたデータを用いて、構築モジュール114によって出力された最良サブモデルをトレーニングすることができる。検証モジュール106は、最良サブモデルから出力される予測された挙動を検証することができる。いくつかの実施形態において、検証モジュール106は、MAPEを用いて、予測された挙動の精度を測定することができる。選択モジュール112は、予測された挙動の精度に基づいて、最良サブモデルについての第2のパラメータサブセットを選択することができる。第2のパラメータサブセットを選択することには、1若しくは複数のパラメータの範囲を生成すること、1若しくは複数のパラメータのとり得る値を除外すること、1若しくは複数のパラメータの値を設定すること、1若しくは複数のパラメータを未決定のままとすること、1若しくは複数のパラメータを決定モジュール122により決定されたとおりにすること、又はこれらの任意の組み合わせを含むことができる。

0042

第1及び第2のパラメータサブセットを含む最良サブモデルは、調整モジュール104から出力されることができる。さらに、調整モジュール104は、各予測間隔についての最良サブモデルを出力することができる。各予測間隔についての最良サブモデルを、アンサンブルモジュール102が組み合わせることができる。予測モジュール152は、最良サブモデルの予測アンサンブルを使用して、エンティティ又はオブジェクトについての挙動を予測することができる。

0043

いくつかの実施形態において、アンサンブルモジュール102は、最良サブモデルのアンサンブルを周期的に再組み立てするように構成されることができる。これら及び他の実施形態において、調整モジュール104は、調整モジュール104自体が以前に出力した最良サブモデルを後に調整することによって、第2のパラメータサブセットを更新するように構成されることができる。第2のパラメータサブセットを更新することは、更新された主要データ138及び/又は更新された補助データ140に基づくことができ、上記の更新されたデータは、調整モジュール104から以前に出力された最良サブモデルを用いて、調整モジュール104内で処理されることができる。したがって、調整モジュール104は、データ126、及び/又はこれらから導出される追加データ150の第3の部分を用いて、上記で説明された処理を実行することができる。第3の部分は、後続の調整部分と呼ぶことができる。後続の調整部分には、いくつかの実施形態において、約3日から約7日までの、更新されたエネルギー使用データを含むことができる。

0044

第2のパラメータサブセットを更新する処理には、データ処理モジュール124が更新された主要データ138及び更新された補助データ140を用いて追加データ150を更新することを、含むことができる。さらに、クラスタリングモジュール108は、更新された主要データ138の後続の調整部分と更新された追加データ150の後続の調整部分とをクラスタ化することができる。さらに、トレーニングモジュール110は、過去の主要データ134及び/又は追加データ150のクラスタ化された更新された調整部分を用いて、調整モジュール104から以前に出力された最良サブモデルをトレーニングすることができる。さらに、検証モジュール106は、更新された主要データ138及び更新された追加データ150のうち更新された検証部分と対照して、最良サブモデルから出力される更新された予測された挙動を検証することができ、選択モジュール112は、更新された予測された挙動の精度に基づいて、最良サブモデルについての第2のパラメータサブセットを更新することができる。

0045

更新された第2のパラメータサブセットは、最良サブモデルに含まれることができる。上記のとおり、各予測間隔についての更新された第2のパラメータサブセットを含むことができるものである、最良サブモデルは、アンサンブルモジュール102によって、他の更新された最良サブモデルと組み合わせられることができる。予測モジュール152は、更新された最良サブモデルのアンサンブルを使用して挙動を予測することができる。

0046

いくつかの実施形態において、最良サブモデルは、上記の構築及び調整を含め、第1のスケジュールに従って最初に組み立てられることができ、後続の調整は、第2のスケジュールに従って実行されることができる。このようにして、最良サブモデルは、組み立てられ、次いで後に第2のスケジュールに従って更新されることができる。例えば、最良サブモデルは、最初、例えば約3か月から約6か月などおきに、周期的又は無作為に組み立てられることができ、後続の調整は、日ベース又は週ベースで、あるいは何らかの他の周期的又は無作為の間隔に従って実行されることができる。

0047

システム154は、様々な応用、システム及び状況において実施されることができ、これらのうちのいくつかが本明細書で言及されている。概して、データ126、及び/又はこれから導出される追加データ150は、個別の応用と共に変化してよい。さらに、アンサンブルモジュール102により生成された予測アンサンブルを用いて予測される挙動は、個別の応用に基づいて異なってよい。

0048

図1Bは、あるサイトに特有の電力負荷を予測するように構成されたシステム154の一例示的実施形態のブロック図100Bを示す。図1Bに含まれるモジュール(例えば、102、104、114及び124)は、図1Aを参照して論じられたモジュール(例えば、102、104、114及び124)と実質的に同様であり、かつ/あるいはこれらに対応することができるが、図1Aのモジュールのいくつかの特性が、図1Bにおいて省略されている。さらに、図1Bに表されていないが、図1Bのシステム154には、図1Aを参照して説明されたプロセッサ142、通信インタフェース146、メモリ144、通信バス148、又はこれらのうちいくつかの組み合わせのうち1又は複数を含むことができる。この実施形態及び他の実施形態において、データ126には、過去の負荷データ156、過去の環境条件データ158、更新された負荷データ160及び更新された環境条件データ162を含むことができるが、これらに限定されない。過去の負荷データ156は、過去の主要データ134に対応することができ、過去の環境条件データ158は、過去の補助データ136に対応することができ、更新された負荷データ160は、更新された主要データ138に対応することができ、更新された環境条件データ162は、更新された補助データ140に対応することができる。

0049

さらに、追加データ150には、環境条件データ(過去の環境条件データ158及び/又は更新された環境条件データ162)と組み合わせられた負荷データ(例えば、過去の負荷データ156及び/又は更新された負荷データ160)を含むことができる。個別の例には、温度データと組み合わせられた負荷データを含むことができ、これは、図1Bにおいて「負荷‐温度」データ168として表されている。さらに、又は別法として、追加データ150には、差分算出された負荷データを含むことができ、これは、図1Bにおいて、「差分負荷データ170」で表されている。さらに、又は別法として、追加データ150には、環境条件データと組み合わせられた差分算出された負荷データを含むことができる。個別の例には、温度データと組み合わせられた差分算出された負荷データを含むことができ、これは、図1Bにおいて、「差分負荷‐温度データ166」として表されている。

0050

図1Aに表される実施形態と同じく、図1Bのシステム154は、サイトの電力負荷を予測するように構成された予測アンサンブルを組み立てることができ、サイトの電力負荷を予測することができる。具体的には、データ処理モジュール124が、過去の負荷データ156及び/又は過去の環境条件データ158を受信することができる。過去の負荷データ156及び/又は過去の環境条件データ158は、サイトに関連する時系列データとすることができる。例えば、過去の負荷データ156には、特定された時点における、又は特定された時間の間の、サイトのエネルギー使用データを含むことができる。データ処理モジュール124は、受信された過去の負荷データ156及び/又は受信された過去の環境条件データ158のうち1又は複数から、追加データ150を生成することができる。アンサンブルモジュール102は、各予測間隔について、最良サブモデルを構築することができる。構築モジュール114は、過去の負荷データ158のトレーニング部分及び/又は追加データ150のトレーニング部分を同時にクラスタ化することができる。それから、構築モジュール114は、過去の負荷データ156及び/又は追加データ150のうちクラスタ化されたトレーニング部分を用いて、とり得るサブモデルをトレーニングすることができる。構築モジュール114は、過去の負荷データ156及び/又は追加データ150の検証部分と対照して、とり得るサブモデルから出力された予測される負荷を検証することができる。構築モジュール114は、予測された負荷の精度に基づいて、最良サブモデルについての第1のパラメータサブセットを決定することができる。

0051

予測間隔の各々に関して構築される最良サブモデルの各々は、調整モジュール104によって調整されることができる。調整モジュール104は、過去の負荷データ156の調整部分及び/又は追加データ150の調整部分を同時にクラスタ化することができる。調整モジュール104は、構築モジュール114によって出力された最良サブモデルを、過去の負荷データ156及び/又は追加データ150のクラスタ化された調整部分を用いてトレーニングすることができる。それから、調整モジュール104は、過去の負荷データ156及び追加データ150の第2の検証部分と対照して、最良サブモデルから出力される予測された負荷を検証することができる。予測された負荷の精度に基づいて、調整モジュール104は、それから、最良サブモデルについての第2のパラメータサブセットを選択することができる。調整モジュール104は、さらに、更新された負荷データ160及び/又は更新された環境条件データ162を用いて、上記で説明されたように最良サブモデルを後に調整することができる。

0052

図2図6は、概して、図1A及び/又は図1Bのシステム154を含み得る一例示的動作環境と、電力負荷を予測するためにシステム154によって実行され得る処理のブロック図とに関する。図2図6のシステム及び図は、図1A及び図1Bを参照して説明された処理の例示的実施形態のいくつかの詳細を提供するものである。例示的動作環境と、システム154により実行され得る処理のブロック図とは、挙動を予見するために実施され得る他のシステム154に同様に適用可能となり得るものであり、上記挙動には、サイトの資源負荷(例えば、水又はガスの消費)、サイトにおける労働者の生産性、サイトにおける機械装置の一部の生産性、ショッピングモールなどのサイトにおける販売強度(例えば、使われた金額、又は取引の数)、又は個別の場所における通行パターンを含むが、これらに限定されない。

0053

図2は、本明細書に説明される少なくとも1つの実施形態に従って配置される、一例示的電力分配システム(分配システム)200のブロック図である。分配システム200において、1又は複数のサイト204A〜204D(概して、サイト204、又はサイト群204)についての電力負荷を、予測することができる。具体的に、仮想発電所(VPP)210に含まれるこれらサイト204A及び204Bなどの、単一のサイト204又はいくつかのサイト204の電力負荷を、1又は複数の予測間隔について、予測することができる。例えば、第3のサイト204Cの電力負荷は、特定の日の各々15分の予測間隔の予測、及び/又は継続時間において15分より長い、又は短い間隔の予測とすることができる。サイト204(又は、いくつかのサイト204)に固有の電力負荷を予測することは、サイト204のエネルギー管理を改良することができ、分配システム200内の供給バランスを改良することができる。さらに、電力負荷予測は、需要応答(DR)イベントに関連付けられた分析、及び/又はDRイベントにおけるサイト関与に使用されることができる。例えば、DRイベントには、サイト204のうち1又は複数がエネルギー使用を削減する特定の時間を含むことができる。DR集約体(aggregator)208は、予測されたサイト204の負荷に基づいて、どのサイト204をDRイベント内に含むべきかの判断を基礎づけることができる。

0054

概して、分配システム200は、公益事業体(utility)206、DR集約体208及びサイト204を含むことができる。図1A及び/又は図1Bのシステム154は、図2の公益事業体206、DR集約体208、1若しくは複数のサイト204、又は電力負荷を予測するように構成され得る別のシステム(図示せず)のうち、1又は複数の中に表され、あるいは含まれることができる。サイト204のうちいくつかは、VPP210及び/又はマイクログリッド212内に編成されることができる。分配システム200において、公益事業体206は、サイト204に電力分配することができる。さらに、いくつかの実施形態において、VPP210及び/又はサイト204のうち1若しくは複数は、電力を生成し、生成された電力を、他のサイト204に、又は公益事業体206に供給することができる。公益事業体206によるサイト204への電力の分配は、図2において、アイテム番号207により指定される線で表されている。

0055

電力がサイト204に分配されるとき、この電力は、メーターで測定され(metered)、あるいはその他の方法で測定されることができる。サイト204に分配される測定された電力は、図1Bの過去の負荷データ156などの過去の負荷データとして保存され、あるいはその他の方法で過去の負荷データに含まれることができる。過去の負荷データは、電力がある時間にわたってサイト204に分配されるにつれ、更新されることができる。例えば、いくつかの実施形態において、サイト204の各々、VPP210、マイクログリッド212、又はこれらの任意の組み合わせには、スマートメーター(図示せず)を含むことができる。スマートメーターは、サイト204の各々、VPP210、マイクログリッド212、又はこれらの任意の組み合わせに対して提供された電力を表すデータの測定及び/又は収集を可能にすることができる。コンポーネント(例えば、204、206、208、210及び212)の各々のいくつかの追加詳細を以下に提供する。

0056

公益事業体206には、電力の生産伝送及び/又は分配に関わる任意のエンティティを含むことができる。公益事業体206は、公的に、又は私的に所有されてよい。公益事業体206のいくつかの例には、発電所、エネルギー協同組合及び独立系運用機関(ISO)を含むことができるが、これらに限定されない。

0057

一般に、サイト204は、構築物構造物設備、又は公益事業体により生成された電力を消費する他のオブジェクトとすることができる。サイト204には、複数の種類の構造物、構築物、設備、又は、私的な住居から大規模産業工場若しくはオフィスビルまでにおよぶ、電力を消費する他のオブジェクトを含むことができる。サイト204は、例えば、VPP210に編成され、あるいはその他の方法でグループ化されることができ、あるいは、マイクログリッド212内に含まれることができる。VPP210には、単一の負荷及び/又は単一の生成ユニット見え得る電力生産者及び/又はサイト204の集合を含むことができる。マイクログリッド212には、分配システム200の残りの部分から切り離されたユニットとして機能する(例えば、電力需要に合う)ことができ得る1又は複数のサイト204を含むことができる。本実施形態は、個別のサイト204を参照して本明細書に説明されているが、本実施形態はさらに、VPP210に、及び/又はマイクログリッド212に適用可能とすることができる。

0058

DR集約体208は、公益事業体206とサイト204、VPP210及び/又はマイクログリッド212との間で媒介として動作して、1又は複数のDRイベントの実施を協調させることができる。具体的に、DR集約体208は、サイト204、VPP210及び/又はマイクログリッド212による累積的な電力使用削減がDRイベントの全体の電力削減に合うほど十分であるように、DRイベントを協調させることができる。

0059

DR集約体208は、公益事業体206及びサイト204に通信可能に結合されることができる。図2において、DR集約体208、公益事業体204及びサイト204における通信可能な結合は、点線の矢印によって表されている。公益事業体206、DR集約体208及びサイト204は、1又は複数の有線又は無線のネットワークを介して通信可能に結合されることができる。例えば、ネットワークには、インターネットモバイル通信ネットワーク、1若しくは複数のローカルエリア若しくはワイドエリアのネットワーク(LAN若しくはWAN)、これらの任意の組み合わせ、又は任意の同様のネットワーキング技術を含むことができる。

0060

サイト204又はこれらのいくつかのサブセットを、DR集約体208が管理することができる。DR集約体208は、DR集約体208自体が管理するサイトによるDRイベントの実施を具体的に協調させることができる。したがって、DR集約体208は、どのサイト204が来たるDRイベントに関与しそうであるのかを決定するために、サイト204の負荷を予測することに関心を有する場合がある。さらに、サイト204が、来たるDRイベントに関与するという選択肢を有することができる。したがって、サイト204は、関与が有益であるかどうかを確実にするために、来たるDRイベントの間の電力負荷を予測することに関心を有する場合がある。

0061

分配システム200において、サイト204の負荷を予測することは、サイト204、公益事業体206、DR集約体208、又は別のエンティティ(図示せず)によって実行されることができる。したがって、負荷を予測することは、ローカルに、及び/又は通信ネットワークを介して実行されることができる。例えば、エンティティを借りて、サイト204のうち1つによって負荷予測を実行することができ、あるいはその他の方法でサイト204のうち対応する1つについての負荷予測を実行することができる。エンティティは、クラウドベースサービスを介して予測のいくつか又はすべてを実行し、この結果をサイト204に伝達することができる。さらに、又は別法として、サイト204、公益事業体206及び/又はDR集約体208は、ローカルに電力負荷を予測するために使用されるプロセッサ、メモリ、サーバ、通信インタフェースなどのシステムを含むことができる。

0062

分配システム200は、本明細書において、公益事業体206がサイト204に電力を提供するという特徴と共に説明されている。しかしながら、分配システム200は、電力システムに限定されない。分配システム200は、ガス、水、又は任意の他の公益事業若しくは資源などの別の資源がサイト204に提供されるシステムとすることができる。その上、上記で言及されたとおり、本明細書に含まれる、電力負荷の予測を説明する実施形態は、制限なく、オフィスの生産性を予測すること、個別のポイントにおける車両通行を予測すること、及び消費者需要を予測することなどの、他の挙動の予測に適用されることができる。

0063

本開示の範囲から逸脱することなしに、分配システム200に対して、変更、追加又は省略を行うことができる。例えば、図2は、第1、第2、第3及び第4のサイト204A〜204Dと、1つのVPP210と、1つのマイクログリッド212とを表しているが、本開示は、1若しくは複数のサイト204、1若しくは複数のVPP210、1若しくは複数のマイクログリッド212、又はこれらの任意の組み合わせを有するシステム構造に適用される。さらに、図2は、1つのDR集約体208及び1つの公益事業体206を含むが、分配システム200は、複数のDR集約体及び/又は複数の公益事業体を含むことができる。さらに、いくつかの実施形態において、サイト204のうち1又は複数は、複数のDR集約体及び/又は複数の公益事業体によって扱われることができる。

0064

図3は、図1A及び/又は図1Bを参照して説明されたシステム154において処理され得る一例示的時系列データセット(データセット)300を示す。データセット300は、例えば、図1Aの主要データ134/138、補助データ136/140又は追加データ150のデータセットを表すことができる。さらに、又は別法として、データセット300は、図1Bを参照して説明された過去の負荷データ156及び更新された負荷データ160、過去の環境条件データ158及び更新された環境条件データ162、又は追加データ150を表すことができる。図3は、図1A及び図1Bを合わせて参照して説明される。

0065

データセット300は、図3内にT1〜Tnでラベル付けされた時間増分(time increments)を有する個々のデータ302A〜302J(概して、データ302又はデータム302)を含む。いくつかの実施形態において、データセットには、トレーニング部分304を含むことができる。トレーニング部分304には、時点T3における最初のトレーニングデータム302Cと時点Tn−3における最後のトレーニングデータム302Gとの間で発生した1組のデータ302を含むことができる。

0066

最初のトレーニングデータム302Cとして時点T3のものを選択することは、最初のトレーニングデータム302Cが、データセット300の1番目のトレーニングデータム302Aを含んでもよく、あるいは含まなくてもよいことを意味する。具体的に、いくつかの状況において、データセット300のトレーニング部分304は、負荷が予測されるべき時点の前のいくつかの数の時間間隔であるデータ302を省略することができる。例えば、いくつかの状況において、季節変動がサイトの負荷に影響する可能性がある。したがって、データセット300が過去のからのデータ302を含む場合、トレーニング部分304は、この過去の夏からのデータ302を省略し、直近のデータ302だけを含むことができる。

0067

トレーニング部分304は、データセット300の比較的大きな部分を含むことができ、とり得るサブモデルをトレーニングするために構築モジュール114のトレーニングモジュール120が使用するデータ126又は追加データ150のうちの部分を表すことができる。いくつかの実施形態において、構築モジュール114により決定されるパラメータの1つは、トレーニング部分304のサイズとすることができる。

0068

データセット300には、さらに、調整部分308を含むことができる。概して、調整部分308は、トレーニング部分304より小さいセットのデータ302を含む。調整部分308は、調整モジュール104のトレーニングモジュール110が使用するデータ126のうちの部分とすることができる。いくつかの実施形態において、トレーニング部分304及び調整部分308は、負荷(又は、別の挙動)が予測される時間間隔の直前のデータ302を含むように選択されることができる。例えば、図示されている実施形態において、トレーニング部分304及び調整部分308は、時点TN−2におけるデータム302Hに対応する予測間隔の間の負荷を予測するように選択されることができる。いくつかの実施形態において、調整モジュール104が決定するパラメータの1つは、調整部分308のサイズとすることができる。

0069

検証部分306を、トレーニング部分304及び/又は調整部分308に含むことができる。検証部分306には、最良サブモデルの構築又は調整の間に生成される予測された負荷の精度を測定するために使用されるデータ302のうち1又は複数を含むことができる。例えば、検証部分306を使用して、とり得るサブモデルにより出力される予測負荷の精度を測定することができる。さらに、又は別法として、検証部分306を使用して、構築モジュール114により生成される最良サブモデルが出力する予測負荷の精度を測定することができる。具体的に、いくつかの実施形態において、トレーニングの間、トレーニングモジュール110又は120は、検証部分306に含まれるデータ302についての負荷を予測するように構成されることができる。検証モジュール106及び116は、検証部分306を抽出し、検証部分306と予測された負荷との間の精度を測定するように構成されることができる。図示されている実施形態において、検証部分306には、最後のトレーニングデータム302Gを含んでいるが、検証部分306には、さらに、又は別法として、他のデータ302を含むことができる。さらに、検証部分306は、トレーニング部分304と調整部分308とに共通するものとして表されているが、調整部分308にはある検証部分306を含むことができ、トレーニング部分304には別の検証部分306を含むことができる。検証部分306は、トレーニング部分304と調整部分308とに対して、別個とすることができる。

0070

データセット300は、さらに、後続の調整部分310を含むことができる。後続の調整部分310には、最後のトレーニングデータム302Gに続いて発生するデータ302を含むことができる。後続の調整部分310には、更新された主要データ138及び/又は更新された補助データ140などの更新されたデータを含むことができる。後続の調整部分は、トレーニング部分304及び/又は調整部分308をシステム154が処理した後、データセット300に追加されることができる。後続の調整部分310には、検証部分312を含むことができ、これは、例えば、後に続く最良サブモデル調整の間に使用されることができる。

0071

図4は、図1A及び/又は図1Bのシステム154により実行され得る一例示的クラスタリング400を示す。図示されているクラスタリング400には、K平均アルゴリズムに従って図3のデータセット300をクラスタリングすることを含む。図示されているクラスタリング400は、本明細書に論じられる実施形態に対する限定を意味するものではない。他のクラスタリングアルゴリズムを使用して、データセット300をクラスタ化することができる。例えば、いくつかの代替的実施形態において、クラスタリングは、階層的クラスタリングファジィクラスタリングなどの接続性モデル、多変量正規分布などの分布モデルに従って、あるいは他の適切なクラスタリングアルゴリズム(群)に従って実行されることができる。

0072

K平均クラスタリングにおいて、変数Kの値は、データセット300を分類するためのクラスタ402A〜402M(概して、クラスタ402又はクラスタ群402)の数を決定することができる。一般に、この値Kは、1から、データセット300内の時間間隔の数及び/又は予測間隔内の時間間隔の数までにおよぶことができる。例えば、日中、午前8時から午後8時まで30分間隔で分類されたデータセットには、25個の時間間隔を含むことができる。したがって、変数Kの値は、1から25まで変化させることができる。

0073

図示されている実施形態において、例えば、変数Kは、1からNまでにおよぶことができる。第1のクラスタリング404Aに示されるとおり、変数Kの値が1であるとき、データセット300は単一のクラスタ402Aにクラスタ化される。変数Kが2であるとき、第2のクラスタリング404Bに示されるとおり、データセット300は、2つのクラスタ402B及び402Cにクラスタ化される。変数KがNに等しいとき、データ302A〜302Jの各々は、クラスタ402D〜402Mにクラスタ化されることができる。クラスタ402の中のデータ302が、同様に考えられる。このようにして、変数Kを変化させることは、データ302と計算のオーバヘッドとを変化させる。

0074

上記で言及され、図1A図1B及び図4を合わせて参照されたとおり、図4のクラスタリング400、及び/又は他の適切なクラスタリングアルゴリズム(群)の使用を用いて、複数のデータセット(例えば、データセット302)を同時にクラスタ化することができる。例えば、クラスタリング400を使用して、過去の負荷データ156、差分負荷‐温度データ166、負荷‐温度データ168及び差分負荷データ170の各々を同時にクラスタ化することができる。クラスタリングがK平均クラスタリングアルゴリズムに従って実行されるとき、変数Kの値、及び/又は最良サブモデルにおいて使用されるデータセット(例えば、過去の負荷データ156、差分負荷‐温度データ166、負荷‐温度データ168及び差分負荷データ170)は、クラスタリングパラメータとすることができる。

0075

図5は、図1A及び図1Bのシステム154において実施され得る一例示的サブモデル500を示す。サブモデル500は、図4のクラスタリング404のうち1つの中のクラスタ化されたデータなどのクラスタデータを用いてトレーニングされているニューラルネットワークである。他の適切なトレーニング可能な学習サブモデルを使用することができるとき、システム154により実施されるサブモデル500はニューラルネットワークに限定されない。

0076

図4及び図5を合わせて参照すると、サブモデル500は、図4のクラスタリング404の各々について、構築されることができる。例えば、第1のクラスタリング404Aのためのサブモデル500、第2のクラスタリング404Bのための別のサブモデル500、第3のクラスタリング404Cのための別のサブモデル500が存在し得る。

0077

概して、図5のサブモデル500は、入力502を受信することができ、予測された負荷504を出力することができる。他の挙動が予測内容であるいくつかの代替的実施形態において、サブモデル500は、代わって、他の予測される挙動を出力することができる。サブモデル500が入力502においてトレーニングされるとき、サブモデル500の構造が、変化し得る。例えば、図示されているサブモデル500において、1又は複数の隠れ層510内の1又は複数のニューロン508が、構造内に含まれることができる。ニューロン508には、重み付け係数を含むことができ、例えば、この重み付け係数は、予測された負荷504の決定の間に、入力502に適用されることができる。図示されているサブモデル500には、ニューロン508を通じた入力502の伝達を図示するように、一組の矢印が含まれている。この一組の矢印は、サブモデル500を通じた入力502の全体の伝達のうち一部だけを表し得るものである。

0078

入力502には、負荷値を含むことができ、この負荷値は、図5において概して“L”とラベル付けされている。負荷値Lには、サブモデル500をトレーニングするために使用されるクラスタリング404の負荷データを含むことができる。サブモデル500がトレーニングされるとき、負荷値Lの各々に関連付けられたニューロン508に含まれる重み付けは、サブモデル500が負荷値Lを使用して予測される負荷504を決定することができるように、変化させることができ、かつ/あるいは組み合わせられることができる。

0079

さらに、又は別法として、サブモデル500は、ラグ値512を含むことができる。予測された負荷504が特定の時間についてのものであるとき、ラグ値512は、この特定の時間の前の、対応する負荷値Lについての時間増分の数を示すことができる。例えば、予測された負荷504が2013年5月25日についてのものであり、かつラグ値512が5日間に等しい場合、サブモデル500への入力には、2013年5月25日より前の5日間からの負荷値L、すなわち、2013年5月20日からの負荷データを含むことができる。

0080

より一般的に、図5に表されるサブモデル500は、クラスタ402ごとに、W個の負荷値を含むクラスタリング404を用いてトレーニングされることができる。さらに、サブモデル500は、M個のクラスタ402を含むクラスタリング404を用いて、トレーニングされることができる。負荷値Lに関連付けられた添え字は、特定の負荷値及びラグ値512を表す。例えば、負荷値L11は、1というラグ値512を有する1番目の負荷値を表す。負荷値LW1は、1というラグ値を有するW番目の負荷値を表す。負荷値L1Mは、Mというラグ値を有する1番目の負荷値を表す。負荷値LWMは、Mというラグ値512を有するW番目の負荷値を表す。楕円(ellipses)は、図示されている値の間にある各値もまた入力502に含まれ得ることを示す。

0081

さらに、又は別法として、入力502には、別の入力506を含むことができる。図示されている実施形態において、他の入力506には、温度データ(図5において、温度データは「温度」とラベル付けされている)を含むことができ、例えば、この温度データは、図1A及び図1Bの過去の環境条件データ158、更新された環境条件データ162、又は補助データ136/140に含まれることができる。他の入力506を、ニューロン508が重み付けし、かつ/あるいは組み合わせて、予測される負荷504を決定することができる。

0082

図1A図1B及び図5を合わせて参照すると、サブモデル500をトレーニングモジュール120及び/又は110がトレーニングする実施形態において、サブモデルパラメータには、隠れ層510の数、ニューロン508の数、隠れ層510ごとのニューロン508の数、ラグ値512を含むことができ、これらパラメータは、トレーニング部分のサイズ、又はサブモデル500の構造を決定する任意の他のパラメータに関連付けられることができる。

0083

図6は、一例示的サブモデル組み立て600のブロック図を示す。概して、サブモデル組み立て600は、サブモデル608A〜608D(概して、サブモデル又はサブモデル群608)とクラスタ606A〜606D(概して、クラスタ606又はクラスタ群606)とを生成することができる。サブモデル608とクラスタ606とは、図1Bを参照して論じられた過去の負荷データ156、更新された負荷データ160、過去の環境条件データ158及び更新された環境条件データ162のうち1又は複数から導出されるデータ604A〜604Dに基づくことができる。他の挙動が予測内容であるいくつかの代替的実施形態において、サブモデル608とクラスタ606とは、主要データ134/138及び/又は補助データ136/140に基づくことができる。

0084

サブモデル組み立て600は、図1A及び/若しくは図1Bのデータ処理モジュール124、構築モジュール114、調整モジュール104、又はこれらの何らかの組み合わせによって行われる1又は複数の処理を表すことができる。例えば、サブモデル組み立て600は、例として、データ処理モジュール124による追加データ150の生成、クラスタリングモジュール108によるデータ126及び/若しくは追加データ150のクラスタリング、又はとり得るサブモデルの組み立てを表すことができる。

0085

図6において、過去の負荷データ156、更新された負荷データ160、過去の環境条件データ158、更新された環境条件データ162、又はこれらの何らかの組み合わせが、データ604に含まれることができ、あるいはデータ604に含まれるように組み合わせられることができる。具体的に、この実施形態及び他の実施形態において、データ604は、負荷データ604A、負荷‐温度データ604B、差分負荷データ604C及び差分負荷‐温度データ604Dを含む。負荷データ604Aには、過去の負荷データ156及び/又は更新された負荷データ160を含むことができる。負荷‐温度データ604B、差分負荷データ604C及び差分負荷‐温度データ604Dは、実質的に、負荷‐温度データ168、差分負荷データ170及び差分負荷‐温度データ166と同様にすることができる。他の挙動が予測内容であるいくつかの代替的実施形態において、データ604には、図1Aを参照して説明された主要データ134/138、差分主要‐補助データ128、主要‐補助データ130、差分主要データ132、又はこれらの何らかの組み合わせを含むことができる。図6において、データ処理モジュール124に代わって、又はデータ処理モジュール124に加えて、差分算出モジュール602が含まれて、差分算出動作を実行することができる。

0086

データ604の各々が同時にクラスタ化されて、クラスタ606を生成することができる。クラスタ606には、データ604の各々について、かつ、1から時間増分の数までの変数Kの各値について、少なくとも1つのクラスタを含むことができる。時間増分の数は、図6において、変数Yで表されている。時間増分の数が12に等しい場合、負荷データ604Aに基づくクラスタ606Aには、1から12までの変数Kの値を有する12個のクラスタを含むことができる。同様にして、負荷‐温度データ604Bに基づくクラスタ606Bには、1から12までの変数Kの値を有する12個のクラスタを含むことができる。さらに、差分負荷データ604C及び差分負荷‐温度データ604Dについて、その対応するクラスタ606の中のクラスタの数は12に等しくすることができる。したがって、クラスタ606の合計数は、データの種類の数に時間増分の数を乗算したものに等しくなり得る。

0087

サブモデル608には、クラスタ606の各々について生成されたサブモデルを含むことができる。いくつかの実施形態において、サブモデルは、図5を参照して論じられたニューラルネットワークとすることができる。図6内のサブモデルの添え字は、サブモデルの種類、負荷値繰り返し、及びラグ値繰り返しを示すものである。具体的に、サブモデル608Aは、NLNとラベル付けされており、このNLNは、サブモデルが負荷データ604Aに基づいてクラスタ606Aを表していることを示すことができる。同様にして、サブモデルNLTN、NDLN及びNDLTNは、それぞれ、負荷‐温度データ604A、差分負荷データ604C及び差分負荷‐温度データ604Dに基づいたクラスタ606B、606C及び606Dを表している。

0088

さらに、サブモデル608は、負荷値及びラグ値を示す添え字を含む。例えば、負荷データ604Aから生成されるサブモデル608Aは、クラスタ606Aから導出されることができる。クラスタ606Aのうち1つは、変数Kの値が1に等しいとき、生成されることができる。したがって、サブモデル608Aには、1に等しい変数Kを有するクラスタについての1つのサブモデルNLNA1を含むことができる。クラスタが1つしか存在しないため、1という一定のラグ値が存在し得る。負荷値は、変数Aによって表されるように、複数の値とすることができる。クラスタ606Aのうち別のものが、変数Kの値が2に等しいとき、生成されることができる。したがって、サブモデル608Aには、サブモデルNLND1とNLND2とを含むことができる。負荷値は、変数Dによって表されるように、複数の値とすることができる。NLND1は、1というラグ値を有するサブモデルへの入力を表し、NLND2は、2というラグ値を有するサブモデルへの入力を表す。より一般的に、図6において、変数Mはクラスタの数(例えば、変数Kの値)を表すことができ、変数Bは、複数の負荷値を表すことができる。したがって、サブモデル608Aには、Mに等しい変数Kの値を有するクラスタ606Aのうちの一クラスタについてのサブモデルに含まれ得る負荷値(すなわち、変数Bによる)とラグ値(すなわち、変数Mによる)の各々とを表すサブモデルNLNB1...NLNBMを含むことができる。

0089

図7は、本明細書に説明される少なくとも1つの実施形態に従って配置される、サイトの電力負荷を予測する一例示的方法のフロー図である。方法700は、公益事業体206がサイト204に電力を提供する図2の分配システム200などの分配システムにおいて実行されることができる。同様の方法を、他の挙動を予測するために、かつ/あるいは任意の適切な資源の負荷を予測するために実施することができる。

0090

方法700は、いくつかの実施形態において、図1A及び図1Bを参照して説明されたシステム154によって、かつ/あるいは図2の公益事業体206、DR集約体208及びサイト204のうち1又は複数によってプログラム可能に実行されることができる。いくつかの実施形態において、システム154は、コンピュータ装置(システム154及び/又はプロセッサ142など)により実行可能なプログラミングコード又は命令を記憶した非一時的コンピュータ読取可能媒体(例えば、図1Aのメモリ144)を含み、あるいは該非一時的コンピュータ読取可能媒体に通信可能に結合されて、コンピュータ装置に方法700を実行させることができる。さらに、又は別法として、システム154には、コンピュータシステムに方法700を実行させるコンピュータ命令を実行するように構成された、上記で説明されたプロセッサ142を含むことができる。別々のブロックとして図示されているが、種々のブロックが、所望される実装に依存して、さらなるブロックに分割され、より少ないブロックに組み合わせられ、あるいは消去されることができる。

0091

ブロック702において、過去の負荷データ及び過去の環境条件データを、受信することができる。過去の負荷データ及び過去の環境条件データは、サイトに関連する時系列データとすることができる。

0092

ブロック704において、追加データを、受信された過去の負荷データと受信された過去の環境条件データとのうち1又は複数から生成することができる。追加データには、温度データと組み合わせられた負荷データ、差分算出された負荷データ、及び温度データと組み合わせられた差分算出された負荷データを含むことができる。

0093

ブロック706において、最良サブモデルを、複数の予測間隔の各々について構築することができる。いくつかの実施形態において、最良サブモデルを構築することには、過去の負荷データのトレーニング部分と追加データのトレーニング部分とを同時にクラスタ化すること、過去の負荷データ及び追加データのクラスタ化されたトレーニング部分を用いてとり得る予測サブモデルをトレーニングすること、過去の負荷データ及び追加データの検証部分と対照して、とり得る予測サブモデルから出力される予測された負荷を検証すること、並びに、予測された負荷の精度に基づいて、最良サブモデルの第1のパラメータサブセットを決定することを含むことができる。いくつかの実施形態において、サブモデルの精度は、MAPEに従って測定することができる。

0094

したがって、これら及び他の実施形態において、予測された負荷を検証することには、1又は複数のステップ又は動作を含むことができる。例えば、予測された負荷を検証することには、クラスタの各々から、過去の負荷データ及び追加データの検証部分を抽出することを含むことができる。特定の時間間隔についての予測された負荷は、該特定の時間間隔についての対応する検証部分と対照して比較されることができる。予測された負荷と対応する検証部分との間で最小の誤差を生み出すとり得るサブモデルを、最良サブモデルとして選択することができる。ブロック708において、予測間隔の各々におけるサイトの電力負荷を、予測間隔の各々に対して構築された最良サブモデルのアンサンブルを用いて予測することができる。

0095

この手順及び他の手順と本明細書に開示される方法とについて、その処理及び方法内で実行される機能は異なる順序で実施することができることを、当業者には十分理解されたい。さらに、概説されているステップ及び動作は、単に例示として提供されているものであり、これらステップ及び動作のいくつかは、開示されている実施形態から逸れることなしに、任意選択とすることができ、より少ないステップ及び動作に組み合わせることができ、追加のステップ及び動作に拡張されることができる。

0096

例えば、方法700には、予測間隔の各々について構築された最良サブモデルの各々を調整することを含むことができる。いくつかの実施形態において、最良サブモデルの各々を調整することには、過去の負荷データの調整部分と追加データの調整部分とを同時にクラスタ化することを含むことができる。最良予測サブモデルは、過去の負荷データと追加データとのクラスタ化された調整部分を用いてトレーニングされることができる。最良サブモデルから出力される予測された負荷は、過去の負荷データ及び追加データの第2の検証部分と対照して、検証されることができる。第2のパラメータサブセットが、予測された負荷の精度に基づいて、最良サブモデルについて選択されることができる。

0097

いくつかの実施形態において、クラスタリングは、K平均クラスタリングアルゴリズムに従って実行することができる。K平均クラスタリングアルゴリズムにおいて、変数Kの値には、1から、予測間隔に含まれるサブ間隔の数までの各整数を含むことができる。

0098

さらに、又は別法として、各予測間隔についてのとり得るサブモデルには、ニューラルネットワークを含むことができる。これら及び他の実施形態において、第1のパラメータセットには、変数Kの範囲、トレーニング部分のサイズ、ラグ値、及びニューラルネットワーク構造を含むことができる。さらに、第2のパラメータセットには、変数Kの値と、最良サブモデルの基礎となる(base)クラスタのうち1つの選択物とを、含むことができる。

0099

いくつかの実施形態において、方法700には、最良サブモデルの各々を後に調整することを含むことができる。最良サブモデルを後に調整することには、過去の負荷データ及び過去の環境条件データを更新することを含むことができる。更新された追加データは、更新された負荷データ及び更新された環境条件データのうち1又は複数から生成することができる。更新された負荷データの後続の調整部分と更新された追加データの後続の調整部分とは、同時にクラスタ化することができる。最良サブモデルは、過去の負荷データと追加データとのクラスタ化された更新された調整部分を用いてトレーニングされることができる。最良のサブモデルから出力される更新された予測された負荷は、更新された負荷データ及び更新された追加データの更新された検証部分と対照して、検証されることができる。それから、第2のパラメータサブセットは、更新された予測された負荷の精度に基づいて、最良サブモデルについて、更新されることができる。

0100

いくつかの実施形態において、構築及び調整は、第1のスケジュールに従って実行することができ、後続の調整は、第2のスケジュールに従って実行することができる。第1のスケジュールには、第2のスケジュールの複数の繰り返しを含むことができる。

0101

本明細書に説明される実施形態には、以下でより詳細に論じられるとおり、種々のコンピュータハードウェア又はソフトウェアモジュールを含む特別目的又は汎用目的のコンピュータの使用を含むことができる。

0102

本明細書に説明される実施形態は、コンピュータ実行可能命令又はデータ構造を記憶し、あるいは担体するためのコンピュータ読取可能媒体を用いて実施することができる。こうしたコンピュータ読取可能媒体は、汎用目的又は特別目的のコンピュータがアクセスすることができる任意の利用可能媒体とすることができる。限定ではなく例として、こうしたコンピュータ読取可能媒体には、RAM、ROM、EEPROM、CD−ROM若しくは他の光学ディスク記憶装置、磁気ディスク記憶装置若しくは他の磁気記憶装置、又は、コンピュータ実行可能命令若しくはデータ構造の形式の所望されるプログラムコードを担体又は記憶するために使用することができ、かつ汎用目的若しくは特別目的のコンピュータがアクセスすることができる任意の他の非一時的記憶媒体を含む、有形の非一時的コンピュータ読取可能記憶媒体を含むことができる。上記のものの組み合わせもまた、コンピュータ読取可能媒体の範囲に含まれてよい。

0103

コンピュータ実行可能命令には、例えば、ある機能又は一群の機能を汎用目的コンピュータ、特別目的コンピュータ又は特別目的処理装置に実行させる命令及びデータを含む。本対象事項は、構造特性及び/又は方法論的動作に固有の言語で説明されているが、別記の請求項において定義される対象事項は、必ずしも上記で説明された特定の特性又は動作に限定されないことを理解されたい。むしろ、上記で説明された特性及び動作は、請求項を実施するための例示的形態として開示されている。

0104

本明細書において、用語「モジュール」又は「コンポーネント」は、コンピューティングシステム上で動作するソフトウェアオブジェクト又はルーチンを示すものである。本明細書に説明される種々のコンポーネント、モジュール、エンジン及びサービスは、コンピューティングシステム上で(例えば、別個のスレッドとして)動作するオブジェクト又はプロセスとして実施されることができる。本明細書に説明されるシステム及び方法は、好ましくはソフトウェアにおいて実施されるが、ハードウェア、又はソフトウェアとハードウェアとの組み合わせにおける実施もまた可能であり、考えられる。本説明において、「コンピューティングエンティティ」は、本明細書でこれまでに定義されたとおり、任意のコンピューティングシステムとすることができ、あるいはコンピューティングシステム上で実行される任意のモジュール又はモジュールの組み合わせとすることができる。

0105

本明細書に列挙されている例示と条件を含む言語とは、当分野を進展させることに対して発明者が寄与した発明及び概念読者が理解することを支援するための、教育上のものであり、こうした具体的に列挙された例示及び条件に限定しないと見なされるべきものである。本発明の実施形態が詳細に説明されているが、これらに対し、本発明の主旨及び範囲から逸脱することなしに、種々の変更、置換及び修正がなされ得ることを理解されたい。

0106

100A予測システムのブロック図
154 システム
152予測モジュール
102アンサンブルモジュール
104調整モジュール
114構築モジュール
106、116検証モジュール
108、118クラスタリングモジュール
110、120トレーニングモジュール
112選択モジュール
122決定モジュール
124データ処理モジュール
126 データ
134 過去の主要データ
136 過去の補助データ
138更新された主要データ
140 更新された補助データ
150追加データ
128 差分主要‐補助データ
130 主要‐補助データ
132 差分主要データ
142プロセッサ
144メモリ
146通信インタフェース
148通信バス
100B電力負荷を予測するように構成されたシステムの実施形態のブロック図
166 差分負荷‐温度データ
168 負荷‐温度データ
170 差分負荷データ
156 過去の負荷データ
158 過去の環境条件データ
160 更新された負荷データ
162 更新された環境条件データ
200電力分配システム(分配システム)
204 サイト
206公益事業体
207 公益事業体によるサイトへの電力の分配
208 DR集約体
210仮想発電所(VPP)
212マイクログリッド
300 時系列データセット(データセット)
302 データ又はデータム
304 トレーニング部分
306 検証部分
308調整部分
310後続の調整部分
312 検証部分
400 クラスタリング
402クラスタ
404 クラスタリング
500サブモデル
502 入力
504 予測された負荷
506 温度
508ニューロン
510隠れ層
512ラグ値
600 サブモデル組み立て
602差分算出モジュール
604A 負荷データ
604B 負荷‐温度データ
604C 差分負荷データ
604D 差分負荷‐温度データ
606 クラスタ
608 サブモデル

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ