2004 Fiscal Year Annual Research Report
データ類似性の均等化を考慮した高精度短期電力負荷予測
| Project/Area Number |
16560257
|
|---|
| Research Institution | Meiji University |
|---|
Principal Investigator |
森 啓之 明治大学, 理工学部, 教授 (70174381)
|
|---|
| Keywords | 電力負荷予測 / 時系列解析 / 学習 / ニューラルネット / 自己組織化マップ / コホーネンネット |
|---|
| Research Abstract |
電力市場や分散型電源の影響を受ける競争的環境下の電力系統において、電力系統の運用・計画の業務は、複雑化している。その結果、電力負荷予測の役割が従来よりも益々重要となっている。最近、電力会社の電力負荷予測への要望は、予測モデルにおける平日の翌日最大誤差を最小化することである。なぜなら、予想される最大誤差に応じて発電予備力を確保することは、現在、コスト削減が大きな目標である電力会社にとって大きな負担となるからである。したがって、電力負荷予測モデルにおいて平均誤差だけでなく、最大誤差を一層最小化するモデルを開発する必要がある。データの類似性に基づいて、データをクラスター分割し、各クラスターにインテリジェント予測モデルを構築する。筆者によって開発された電力負荷予測において学習データをクラスターに分類する手法は、従来法よりも学習時間と予測精度おいて良好な結果を得られた。しかし、改善すべき点として各クラスターにおける学習時間と予測精度のバラつきあるという事実があった。すなわち、各クラスターにおいてデータ数が異なり、また、データの分散の大きさが異なるため、インテリジェント予測モデルを学習すると、学習不足あるいは過学習が起きる。本研究で提案する手法において各クラスターで使用するデータを均等化することによって学習を適切に実施することはり過学習と学習不足を抑制した高精度電力負荷予測を実現する。コホーネンの自己組織化マップによるデータ分割を再構成し、各クラスターのデータ数が均等になり、適切な学習が行うことができるデータ再配分するアルゴリズムを提案した。また、種々のデータの分割法とインテリジェント予測モデルについても検討した。
|
