JP2018195034A

JP2018195034A - Estimation program, estimation method, and estimation apparatus

Info

Publication number: JP2018195034A
Application number: JP2017097690A
Authority: JP
Inventors: 由信飯村; Yoshinobu Iimura
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2017-05-16
Filing date: 2017-05-16
Publication date: 2018-12-06

Abstract

【課題】需要予測の精度を向上させることを課題とする。
【解決手段】情報処理装置は、過去の需要実績データに対して、所定の情報量基準により選択される予測モデルの尤度関数のパラメータを最適化する。情報処理装置は、最適化によって得られる予測モデルから得られる需要予測の確率分布を用いて、予測長を変化させたときの各予測長の需要予測を推定する。その後、情報処理装置は、各予測長の需要予測の変化に基づいて、最適な予測長の需要予測を特定する。
【選択図】図１An object of the present invention is to improve the accuracy of demand prediction.
An information processing apparatus optimizes parameters of a likelihood function of a prediction model selected according to a predetermined information amount criterion with respect to past demand record data. The information processing apparatus estimates the demand prediction of each prediction length when the prediction length is changed, using the probability distribution of the demand prediction obtained from the prediction model obtained by optimization. After that, the information processing apparatus identifies the demand prediction with the optimum prediction length based on the change in the demand prediction with each prediction length.
[Selection] Figure 1

Description

本発明は、推定プログラム、推定方法および推定装置に関する。 The present invention relates to an estimation program, an estimation method, and an estimation apparatus.

従来から、電気やガスなどのエネルギーの分野、検針センサを固定的に配置したアドホックネットワークによるセンシングの分野などでは、過去の履歴から予測を行って計画を立てることが行われている。 Conventionally, in the field of energy such as electricity and gas, and the field of sensing by an ad hoc network in which meter-reading sensors are fixedly arranged, a plan is made by making a prediction based on past history.

例えば、電気料金の分野では、ＨＥＭＳ（Home Energy Management System）、ＢＥＭＳ（Building Energy Management System）、ＣＥＭＳ（Community Energy Management System）などで制御される定置型蓄電池システムが知られている。このような定置型蓄電池システムでは、過去の実電力の需要実績に対して、電力需要予測モデルのパラメータを最適にフィッティングし、得られた電力需要予測モデルから得られる電力需要予測に対して充放電計画を算出することが行われている。 For example, in the field of electricity charges, stationary storage battery systems controlled by HEMS (Home Energy Management System), BEMS (Building Energy Management System), CEMS (Community Energy Management System), and the like are known. In such a stationary storage battery system, the parameters of the power demand prediction model are optimally fitted to the past actual power demand, and the power demand prediction obtained from the power demand prediction model is charged / discharged. A plan is calculated.

特開２０１２−１９４９３５号公報JP 2012-194935 A 特開２０１０−２１３４７７号公報JP 2010-213477 A

しかしながら、上記技術では、電気料金に対する影響度を考慮せずに、予測モデルのパラメータをフィッティングした電力需要予測にしたがって充放電計画を作成するので、達成され得る電気料金削減額の精度には限界がある。 However, in the above technology, since the charge / discharge plan is created according to the power demand prediction that fits the parameters of the prediction model without considering the impact on the electricity charge, there is a limit to the accuracy of the electricity charge reduction that can be achieved. is there.

一般的に、蓄電池の充放電計画は、電気料金が安い時刻帯に充電し、電気料金が高い時刻帯に放電するように計画される。しかし、蓄電池は系統に逆潮流できないことから、計画を立てる段階では、電力需要の予測以上に放電できない。したがって、電力需要の予測精度が低下すると、充放電計画自体の精度も低下して、放電量が制限されることになるので、電気料金の削減額が少なくなる。 Generally, the charging / discharging plan of a storage battery is planned to charge in a time zone where the electricity rate is low and to discharge in a time zone where the electricity rate is high. However, since the storage battery cannot flow backwards into the grid, it cannot discharge more than predicted power demand at the planning stage. Therefore, if the prediction accuracy of power demand decreases, the accuracy of the charge / discharge plan itself also decreases, and the amount of discharge is limited, so that the amount of reduction in electricity charges is reduced.

一つの側面では、需要予測の精度を向上させることができる推定プログラム、推定方法および推定装置を提供することを目的とする。 An object of one aspect is to provide an estimation program, an estimation method, and an estimation apparatus that can improve the accuracy of demand prediction.

第１の案では、推定プログラムは、コンピュータに、過去の需要実績データに対して、所定の情報量基準により選択される予測モデルの尤度関数のパラメータを最適化する処理を実行させる。推定プログラムは、コンピュータに、前記最適化によって得られる前記予測モデルから得られる需要予測の確率分布を用いて、予測長を変化させたときの各予測長の需要予測を推定する処理を実行させる。推定プログラムは、コンピュータに、前記各予測長の需要予測の変化に基づいて、最適な予測長の前記需要予測を特定する処理を実行させる。 In the first plan, the estimation program causes the computer to execute processing for optimizing the parameters of the likelihood function of the prediction model selected based on a predetermined information amount criterion with respect to past demand record data. The estimation program causes the computer to execute a process of estimating the demand prediction of each prediction length when the prediction length is changed using the probability distribution of the demand prediction obtained from the prediction model obtained by the optimization. The estimation program causes the computer to execute a process of specifying the demand forecast having the optimum forecast length based on the change in the demand forecast of each forecast length.

一実施形態によれば、需要予測の精度を向上させることができる。 According to one embodiment, the accuracy of demand prediction can be improved.

図１は、影響度を考慮した電力需要予測を説明する図である。FIG. 1 is a diagram for explaining power demand prediction in consideration of the degree of influence. 図２は、影響度を考慮した最適化の流れを説明する図である。FIG. 2 is a diagram for explaining the flow of optimization considering the degree of influence. 図３は、実施例１にかかる電力需要予測を説明する図である。FIG. 3 is a diagram for explaining the power demand prediction according to the first embodiment. 図４は、実施例１にかかる情報処理装置の機能構成を示す機能ブロック図である。FIG. 4 is a functional block diagram of a functional configuration of the information processing apparatus according to the first embodiment. 図５は、目的関数による最適充放電計画を説明する図である。FIG. 5 is a diagram for explaining an optimal charge / discharge plan based on an objective function. 図６は、逐次最適化を説明する図である。FIG. 6 is a diagram for explaining sequential optimization. 図７は、感度分析のアプローチを説明する図である。FIG. 7 is a diagram for explaining an approach of sensitivity analysis. 図８は、処理の流れを示すフローチャートである。FIG. 8 is a flowchart showing the flow of processing. 図９は、予測長の短縮を説明する図である。FIG. 9 is a diagram illustrating shortening of the prediction length. 図１０は、情報処理装置のハードウェア構成例を説明する図である。FIG. 10 is a diagram illustrating a hardware configuration example of the information processing apparatus.

以下に、本願の開示する推定プログラム、推定方法および推定装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。 Embodiments of an estimation program, an estimation method, and an estimation apparatus disclosed in the present application will be described below in detail with reference to the drawings. Note that the present invention is not limited to the embodiments.

［電力需要予測］
はじめに、従来から行われている、予測モデルのパラメータをフィッティングした電力需要予測にしたがった充放電計画に代わって、電気料金に対する影響度を考慮した充放電計画の生成について説明する。 [Power demand forecast]
First, the generation of a charge / discharge plan that takes into consideration the degree of influence on the electricity rate will be described in place of the conventional charge / discharge plan according to the power demand prediction fitted with the parameters of the prediction model.

図１は、影響度を考慮した電力需要予測を説明する図である。図１に示す情報処理装置１０は、定置型蓄電池システムの電力需要予測を実行する推定装置の一例であり、例えばサーバやパーソナルコンピュータなどである。 FIG. 1 is a diagram for explaining power demand prediction in consideration of the degree of influence. An information processing apparatus 10 illustrated in FIG. 1 is an example of an estimation apparatus that performs power demand prediction of a stationary storage battery system, and is, for example, a server or a personal computer.

情報処理装置１０は、時刻帯ごとの電気料金、過去の実績である電力需要データ、使用する尤度関数の一例である需要予測モデル（以下では、単に予測モデルと記載する場合がある）を入力として、需要予測モデルのパラメータフィッティングを行って得られる電力需要予測の確率分布を用いて、充放電計画１を生成する。 The information processing apparatus 10 inputs an electricity bill for each time zone, power demand data that is past results, and a demand prediction model that is an example of a likelihood function to be used (hereinafter, simply referred to as a prediction model). As described above, the charge / discharge plan 1 is generated using the probability distribution of the power demand prediction obtained by performing the parameter fitting of the demand prediction model.

続いて、情報処理装置１０は、確率分布として表現される電力需要予測を複数のシナリオとして表現するために、電力需要予測分布から乱数を複数発生させる。そして、情報処理装置１０は、各シナリオを時刻毎に微小変動させ、そのシナリオが達成された場合の充放電計画に対する電気料金削減額の微小変動率（以降では、感度係数と記載する場合がある）を算出する。 Subsequently, the information processing apparatus 10 generates a plurality of random numbers from the power demand prediction distribution in order to express the power demand prediction expressed as a probability distribution as a plurality of scenarios. Then, the information processing apparatus 10 slightly fluctuates each scenario for each time, and may be described as a small variation rate (hereinafter referred to as a sensitivity coefficient) of the electricity charge reduction amount with respect to the charge / discharge plan when the scenario is achieved. ) Is calculated.

その後、情報処理装置１０は、時刻帯ごとに、各シナリオの感度係数を平均することで、時刻帯ごとの達成され得る電気料金削減額の影響度を求める。そして、情報処理装置１０は、各時刻帯に対する感度係数を重みとして、重みを付けた需要予測モデルのパラメータフィッティングを再度行って得られる電力需要予測モデル由来の電力需要予測の確率分布を用いて、充放電計画２を生成する。 Thereafter, the information processing apparatus 10 obtains the degree of influence of the amount of electricity charge reduction that can be achieved for each time zone by averaging the sensitivity coefficient of each scenario for each time zone. And the information processing apparatus 10 uses the probability distribution of the power demand prediction derived from the power demand prediction model obtained by performing again the parameter fitting of the weighted demand prediction model with the sensitivity coefficient for each time zone as a weight, A charge / discharge plan 2 is generated.

つまり、情報処理装置１０は、需要予測モデルの尤度関数に対して、感度係数によって重みを付けて需要予測モデルをフィッティングすることで、重要な時刻帯の電力需要予測精度を向上させる。言い換えると、情報処理装置１０は、予測確率分布の分散を減少させる。そして、情報処理装置１０は、この電力需要予測に対して充放電計画を算出することで、達成され得る電気料金削減額の精度を向上させる。 That is, the information processing apparatus 10 improves the power demand prediction accuracy in an important time zone by fitting the demand prediction model by weighting the likelihood function of the demand prediction model with a sensitivity coefficient. In other words, the information processing apparatus 10 reduces the variance of the prediction probability distribution. And the information processing apparatus 10 improves the precision of the electricity bill reduction amount which can be achieved by calculating a charging / discharging plan with respect to this electric power demand prediction.

［最適化の流れ］
続いて、図１で説明した充放電計画の作成について説明する。図２は、影響度を考慮した最適化の流れを説明する図である。図１で説明したように、影響度を考慮した情報処理装置１０は、電力需要予測をもとにして、電気料金の削減額を大きくする蓄電器の充放電計画を生成する。 [Flow of optimization]
Next, the creation of the charge / discharge plan described in FIG. 1 will be described. FIG. 2 is a diagram for explaining the flow of optimization considering the degree of influence. As described with reference to FIG. 1, the information processing apparatus 10 that considers the degree of influence generates a charge / discharge plan for a battery that increases the reduction in the electricity bill based on the power demand prediction.

具体的には、図２に示すように、充放電計画の生成は、予測モデルのパラメータと最適化評価の２つのフェーズから構成される。より詳細には、情報処理装置１０は、最尤法で予測モデルの尤度関数のパラメータを最適化し、その予測モデルから得られる電力需要予測の確率分布に対して確率最適化問題を解くことによって、充放電計画１を生成する。 Specifically, as shown in FIG. 2, the generation of the charge / discharge plan is composed of two phases of a prediction model parameter and optimization evaluation. More specifically, the information processing apparatus 10 optimizes the parameters of the likelihood function of the prediction model by the maximum likelihood method, and solves the probability optimization problem with respect to the probability distribution of the power demand prediction obtained from the prediction model. The charge / discharge plan 1 is generated.

その後、情報処理装置１０は、充放電計画１の結果を用いて、各時刻帯の需要予測の達成され得る電気料金削減額に対する感度分析を行い、各時刻帯の電力需要予測の重要度を感度係数（β_ｉ）として定量的に求める。そして、情報処理装置１０は、予測モデルの尤度関数に対して、感度係数（β_ｉ）によって重み付けを行った上で、再度電力需要予測モデルを最適化し、その予測モデルから得られる電力需要予測の確率分布に対して確率最適化問題を再度解くことによって、充放電計画２を生成する。 After that, the information processing apparatus 10 performs sensitivity analysis on the amount of electricity charge reduction that can be achieved in the demand prediction of each time zone by using the result of the charge / discharge plan 1, and determines the importance of the power demand forecast in each time zone as sensitivity. It is obtained quantitatively as a coefficient (β _i ). The information processing apparatus 10 weights the likelihood function of the prediction model with the sensitivity coefficient (β _i ), optimizes the power demand prediction model again, and obtains the power demand prediction obtained from the prediction model. The charge / discharge plan 2 is generated by solving the probability optimization problem again with respect to the probability distribution.

このようにして、情報処理装置１０は、重要な時刻帯の電力需要予測精度を向上させたうえで充放電計画を生成する。しかし、図１および図２で説明した手法では、必要な情報の取り逃がしがないようにできるだけ長い予測長の電力需要予測を行う。例えば、図１の手法では、毎回、予測長をＮ（５０などに）固定して２４時間分（２４期）予測を行ったり、精度が悪いと予測長をもっと長くして予測を行ったりするが、予測長を延ばすと近似に必要な乱数数が指数的に増えるため、計算負荷が増大する。 In this manner, the information processing apparatus 10 generates a charge / discharge plan after improving the power demand prediction accuracy in an important time zone. However, in the method described with reference to FIGS. 1 and 2, power demand prediction is performed with a prediction length as long as possible so that necessary information is not missed. For example, in the method of FIG. 1, prediction is performed for 24 hours (24 periods) with the prediction length fixed to N (such as 50) every time, or when the accuracy is poor, prediction is performed with a longer prediction length. However, if the predicted length is extended, the number of random numbers required for approximation increases exponentially, and the calculation load increases.

実施例１では、最適な予測長を探索し、最適な予測長の電力需要予測をもとに最適充放電計画算出する。なお、最適な予測長とは、仮に図１−図２の手法で無限長の予測をして最適充放電計画を求めたときに、実際に実行する直近の充放電計画を決めるのに寄与する情報を全て含む需要予測の最小の予測期間である。 In the first embodiment, the optimum prediction length is searched, and the optimum charge / discharge plan is calculated based on the power demand prediction of the optimum prediction length. The optimum prediction length contributes to determining the most recent charge / discharge plan to be actually executed when the optimum charge / discharge plan is obtained by making an infinite length prediction using the method shown in FIGS. This is the minimum forecast period for demand forecast including all information.

図３は、実施例１にかかる電力需要予測を説明する図である。図３に示すように、最適充放電計画は、電気料金が高い時刻に放電するために充電するように計画されるが、需要予測は、先の時刻になるほど不確かになる。理想的には無限期間先まで予測をして最適化問題を解けば、必要な情報はすべて含まれるが、最適化で求める決定変数が無限個になってしまい計算できなくなる。また、先の時刻になるほど需要予測は不確かになり、直近の充放電計画に影響を与えなくなる。 FIG. 3 is a diagram for explaining the power demand prediction according to the first embodiment. As shown in FIG. 3, the optimal charging / discharging plan is planned to be charged for discharging at a time when the electricity rate is high, but the demand prediction becomes uncertain as the previous time comes. Ideally, if the optimization problem is solved by predicting to an infinite period ahead, all necessary information is included, but the number of decision variables to be obtained by optimization becomes infinite and cannot be calculated. In addition, the demand forecast becomes uncertain as the earlier time comes, and the most recent charge / discharge plan is not affected.

そこで、実施例１にかかる情報処理装置１０は、予測期間を延ばしながら逐次的に最適化問題を解いて行き、直近の充放電計画の変化を観察する。これが変化しなくなれば、それは直近の充放電計画がそれ以上先の未来の情報に左右されなくなったと判定する。そして、情報処理装置１０は、直近の充放電計画が変化しなくなった予測長を、求めたい最適な予測長として検出する。 Therefore, the information processing apparatus 10 according to the first embodiment solves the optimization problem sequentially while extending the prediction period, and observes the most recent change in the charge / discharge plan. If this does not change, it is determined that the most recent charge / discharge plan is no longer influenced by future information. Then, the information processing apparatus 10 detects the predicted length at which the most recent charge / discharge plan is no longer changed as the optimum predicted length to be obtained.

［機能構成］
図４は、実施例１にかかる情報処理装置１０の機能構成を示す機能ブロック図である。図４に示すように、情報処理装置１０は、通信部１１、記憶部１２、制御部２０を有する。通信部１１は、他の装置の通信を制御する処理部であり、例えばネットワークインタフェースカードや無線インタフェースなどである。 [Function configuration]
FIG. 4 is a functional block diagram of a functional configuration of the information processing apparatus 10 according to the first embodiment. As illustrated in FIG. 4, the information processing apparatus 10 includes a communication unit 11, a storage unit 12, and a control unit 20. The communication unit 11 is a processing unit that controls communication of other devices, and is, for example, a network interface card or a wireless interface.

電力需要予測データＤＢ１３は、過去の電力の使用実績を記憶するデータベースである。具体的には、電力需要予測データＤＢ１３は、管理者等によって格納された、各日の時刻帯ごとの電力使用実績を記憶する。蓄電池データＤＢ１４は、充放電計画の対象となる蓄電池に関する情報を記憶するデータベースである。具体的には、蓄電池データＤＢ１４は、管理者等によって格納された、蓄電池の蓄電容量や最大充放電量などを記憶する。 The power demand prediction data DB 13 is a database that stores past power usage results. Specifically, the power demand prediction data DB 13 stores a power usage record for each time zone stored by an administrator or the like. The storage battery data DB 14 is a database that stores information related to a storage battery that is a target of a charge / discharge plan. Specifically, the storage battery data DB 14 stores the storage capacity of the storage battery, the maximum charge / discharge amount, and the like stored by an administrator or the like.

電気料金プランデータＤＢ１５は、充放電計画の作成対象となる地域の電気料金を記憶するデータベースである。具体的には、電気料金プランデータＤＢ１５は、管理者等によって格納された、時刻ごとの電気料金単価を記憶する。充放電計画ＤＢ１６は、生成された充放電計画を記憶するデータベースであり、後述する再求解部２８によって更新される。 The electricity rate plan data DB 15 is a database that stores the electricity rate for a region for which a charge / discharge plan is to be created. Specifically, the electricity rate plan data DB 15 stores the electricity rate unit price for each time stored by the administrator or the like. The charge / discharge plan DB 16 is a database that stores the generated charge / discharge plan, and is updated by the re-solving unit 28 described later.

制御部２０は、情報処理装置１０全体を司る処理部であり、例えばプロセッサなどである。この制御部２０は、最適化部２１、サンプリング部２２、求解部２３、逐次最適化部２４、感度分析部２５、再最適化部２６、再サンプリング部２７、再求解部２８、再逐次最適化部２９を有する。なお、最適化部２１、サンプリング部２２、求解部２３、逐次最適化部２４、感度分析部２５、再最適化部２６、再サンプリング部２７、再求解部２８、再逐次最適化部２９は、例えばプロセッサが有する電子回路の一例やプロセッサが実行するプロセスの一例である。また、最適化部２１は、最適化部の一例であり、求解部２３は、推定部の一例であり、逐次最適化部２４は、特定部の一例である。 The control unit 20 is a processing unit that controls the entire information processing apparatus 10, and is, for example, a processor. The control unit 20 includes an optimization unit 21, a sampling unit 22, a solution finding unit 23, a sequential optimization unit 24, a sensitivity analysis unit 25, a re-optimization unit 26, a re-sampling unit 27, a re-solvation unit 28, and a re-sequential optimization. Part 29. The optimization unit 21, the sampling unit 22, the solution finding unit 23, the sequential optimization unit 24, the sensitivity analysis unit 25, the re-optimization unit 26, the re-sampling unit 27, the re-solvation unit 28, and the re-sequential optimization unit 29 are For example, it is an example of an electronic circuit included in the processor or an example of a process executed by the processor. The optimization unit 21 is an example of an optimization unit, the solution finding unit 23 is an example of an estimation unit, and the sequential optimization unit 24 is an example of a specifying unit.

最適化部２１は、予測モデルのパラメータを最尤法によって最適化する処理部である。具体的には、最適化部２１は、ＡＩＣ（Akaike Information Criterion：赤池情報量規準）などの情報量基準によって適切な予測モデルを選択する。続いて、最適化部２１は、予め定めた期間内に収集された電力需要データに対して均等に予測モデルのパラメータフィッティングを行って、サンプリング部２２に出力する。 The optimization unit 21 is a processing unit that optimizes the parameters of the prediction model by the maximum likelihood method. Specifically, the optimization unit 21 selects an appropriate prediction model based on an information amount criterion such as AIC (Akaike Information Criterion). Subsequently, the optimization unit 21 performs parameter fitting of the prediction model evenly on the power demand data collected within a predetermined period, and outputs the result to the sampling unit 22.

例えば、最適化部２１は、線形ガウス型状態空間モデルと各パラメータの設定法とによりパラメータフィッティングを行う。より詳細には、最適化部２１は、式（１）と式（２）を用いてパラメータフィッティングを行う。ここで、各パラメータについて説明する。係数行列Ｆ、Ｇ、Ｈは、対象の事前情報からヒューリスティックに与えられる。ηはカルマンフィルタにより実測値から随時更新して求められる。ＱとＲは、過去データから最尤法により統計的に求められる。そして、最適化部２１は、このようにしてパラメータが設定される線形ガウス型状態空間モデルに対して、対数尤度関数の対数尤度を最大にするようにパラメータを決定した尤度関数（式（３））を生成する。つまり、最適化部２１は、最尤法で予測の確率分布を生成する。 For example, the optimization unit 21 performs parameter fitting using a linear Gaussian state space model and a method for setting each parameter. More specifically, the optimization unit 21 performs parameter fitting using Expressions (1) and (2). Here, each parameter will be described. The coefficient matrices F, G, and H are given heuristically from the target prior information. η is obtained from the measured value by the Kalman filter as needed. Q and R are statistically obtained from the past data by the maximum likelihood method. Then, the optimizing unit 21 determines the parameter for the linear Gaussian state space model in which the parameter is set in this way so that the log likelihood of the log likelihood function is maximized (formula (3)) is generated. That is, the optimization unit 21 generates a probability distribution of prediction by the maximum likelihood method.

サンプリング部２２は、最適化された予測モデルに対してサンプリングを実行する処理部である。具体的には、サンプリング部２２は、最適化部２１が生成した予測の確率分布に対して、モンテカルロ法などを用いてサンプリングを実行する。そして、サンプリング部２２は、予測の確率分布のサンプリング結果を求解部２３と感度分析部２５に出力する。 The sampling unit 22 is a processing unit that performs sampling on the optimized prediction model. Specifically, the sampling unit 22 performs sampling on the prediction probability distribution generated by the optimization unit 21 using a Monte Carlo method or the like. Then, the sampling unit 22 outputs the sampling result of the prediction probability distribution to the solution finding unit 23 and the sensitivity analyzing unit 25.

求解部２３は、予測モデルによる予測に対して確率の最適化問題を解くことで、最適化された充放電計画１を生成する処理部である。すなわち、求解部２３は、予測モデルに基づいて電気料金削減額を最適化する充放電計画を求める最適化問題を定式化する。具体的には、求解部２３は、蓄電池データＤＢ１４から蓄電池データを取得し、電気料金プランデータＤＢ１５から電気料金を取得する。そして、求解部２３は、蓄電池データと電気料金とを用いて、サンプリング部２２から入力された予測の確率分布のサンプリング結果に対して確率の最適化問題を解いて、充放電計画１を生成し、感度分析部２５に出力する。 The solving unit 23 is a processing unit that generates an optimized charge / discharge plan 1 by solving a probability optimization problem for prediction based on a prediction model. That is, the solution finding unit 23 formulates an optimization problem for obtaining a charge / discharge plan that optimizes the electricity charge reduction amount based on the prediction model. Specifically, the solution finding unit 23 acquires storage battery data from the storage battery data DB 14 and acquires an electricity charge from the electricity charge plan data DB 15. And the solving part 23 solves the optimization problem of the probability with respect to the sampling result of the probability distribution of the prediction input from the sampling part 22 using the storage battery data and the electricity bill, and generates the charge / discharge plan 1. , Output to the sensitivity analyzer 25.

ここで、求解部２３は、予測長を逐次変更して、最適化問題を解く。具体的には、求解部２３は、ある時刻（ｔ）の充放電計画を生成する場合に、予測長を初期値（例えば１）に設定して最適化問題を解く。次に、求解部２３は、逐次最適化部２４から処理継続の指示を受け付けると、予測長を増加させて最適化問題を解く。このように、求解部２３は、逐次最適化部２４から処理継続の指示を受け付ける間は、予測長を増加させつつ最適化問題を繰り返し解き、逐次最適化部２４から処理終了の指示を受け付けると、最適化問題の算出を終了する。なお、予測長の増加は、１ずつなど予め設定することもでき、逐次最適化部２４が指示することもできる。 Here, the solving unit 23 solves the optimization problem by sequentially changing the prediction length. Specifically, when generating a charge / discharge plan at a certain time (t), the solution finding unit 23 sets the prediction length to an initial value (for example, 1) and solves the optimization problem. Next, upon receiving an instruction to continue processing from the sequential optimization unit 24, the solution finding unit 23 increases the prediction length and solves the optimization problem. As described above, when the solution finding unit 23 receives the processing continuation instruction from the sequential optimization unit 24, it repeatedly solves the optimization problem while increasing the prediction length, and receives the processing end instruction from the sequential optimization unit 24. Then, the calculation of the optimization problem is finished. The increase in the prediction length can be set in advance, such as one by one, or can be instructed by the sequential optimization unit 24.

次に、最適化問題の解法について説明する。例えば、求解部２３は、式（４）に示すＥ［目的関数］を最大化する最適化問題を解く。ここで、式（４）の［］内の目的関数は、電気料金削減額を算出する関数であり、その日の電気料金削減額の期待値を示す。「ｘ_ｉ」は、時刻ｉの放電量を示す決定変数であり、負の時は充電量を示す。「Ｐ_ｉ」は、時刻ｉの電気料金の単価を示し、「Ｈ」は、先読み数である長期予測期間である。また、式（４）のｉｆ文は、電力需要以上に放電できないという逆潮流条件であり、「ξ_ｉ」は、時刻ｉの電力需要である。 Next, a method for solving the optimization problem will be described. For example, the solution finding unit 23 solves an optimization problem that maximizes E [object function] shown in Expression (4). Here, the objective function in [] in Equation (4) is a function for calculating the electricity charge reduction amount, and indicates an expected value of the electricity charge reduction amount on that day. “X _i ” is a determining variable indicating the amount of discharge at time i, and indicates the amount of charge when negative. “P _i ” indicates the unit price of the electricity bill at time i, and “H” is the long-term prediction period that is the number of prefetches. In addition, the “if” statement in Expression (4) is a reverse power flow condition that discharge cannot be performed more than the power demand, and “ξ _i ” is the power demand at time i.

なお、式（４）の最適化問題を解くにあたっての制約を式（５）と式（６）に示す。式（５）は、各時刻で１時間に充放電できる限界量を越えないという制約を示し、「Ｕ_ｃ」は１時間に充電できる限界量であり、「Ｕ_ｄｃ」は１時間に放電できる限界量である。式（６）は、各時刻の蓄電量が蓄電容量を越えないという制約を示し、「ｓ_ｉ」は時刻ｉにおける蓄電量であり、「Ｕ_ｓ」は、蓄電容量である。また、式（５）と式（６）の制約条件をまとめて「Ａｘ≦ｂ」と記載する場合がある。 In addition, the restrictions in solving the optimization problem of Formula (4) are shown in Formula (5) and Formula (6). Formula (5) shows the restriction that the limit amount that can be charged / discharged in one hour at each time is not exceeded, “U _c ” is the limit amount that can be charged in one hour, and “U _dc ” can be discharged in one hour. It is a limit amount. Formula (6) shows the restriction that the amount of electricity stored at each time does not exceed the electricity storage capacity, “s _i ” is the amount of electricity stored at time i, and “U _s ” is the electricity storage capacity. Further, the constraint conditions of Expression (5) and Expression (6) may be collectively described as “Ax ≦ b”.

ここで、式（４）の最適化問題は、ｉｆ文の逆潮流条件があることから容易に解くことができない。そこで、各サンプルが仮に実現されたときの影響を反映する待機決定と呼ばれるスラック変数「ｗ」を導入する。式（７）は、スラック変数の定義を示す式である。ここで、式（７）における「ｗ」は、モンテカルロ法による需要予測のｊ番目のｉ時のサンプルを示す。 Here, the optimization problem of equation (4) cannot be easily solved because of the reverse flow condition of the if statement. Therefore, a slack variable “w” called standby determination that reflects the effect when each sample is realized is introduced. Expression (7) is an expression showing the definition of the slack variable. Here, “w” in Equation (7) indicates a j-th i-th sample of demand forecast by the Monte Carlo method.

そして、求解部２３は、式（４）にスラック変数を導入して、線形計画法（ＬＰ）による定式化を実行する。式（８）は、スラック変数の導入によって、目的の最適化問題を具体的に定式化した式である。式（８）に示すように、スラック変数の導入により、式（４）の制約条件に加えて、スラック変数の制約条件が２つ追加されている。求解部２３は、式（８）の最適化問題を解くことにより、各時刻ｉの充電量または放電量を示す充放電計画１を生成する。 And the solution calculation part 23 introduces a slack variable into Formula (4), and performs formulation by a linear programming (LP). Expression (8) is an expression that specifically formulates the target optimization problem by introducing slack variables. As shown in equation (8), two slack variable constraint conditions are added in addition to the constraint condition of equation (4) by the introduction of slack variables. The solving unit 23 generates the charge / discharge plan 1 indicating the charge amount or the discharge amount at each time i by solving the optimization problem of Expression (8).

式（８）は、関数に各決定変数の重み付き線形和項を追加し、かつ、期待値が線形和項よりも十分に大きくなるように十分な定数をかける。これにより、最適化問題を解いたときに算出される充放電計画が常に一意になるようにする。つまり、同じ最適期待値を達成する充放電計画は多数あるため、直近の充放電計画の変化を見ていくと、必要な情報が増えたから変化したのか、たまたま先刻の予測期間で同じ最適期待値を達成する別の最適解を拾ってきたために変化したのか区別がつかない。このため、重み付き線形和項を追加する。 Equation (8) adds a weighted linear sum term for each decision variable to the function and applies a sufficient constant so that the expected value is sufficiently larger than the linear sum term. This ensures that the charge / discharge plan calculated when solving the optimization problem is always unique. In other words, since there are many charge / discharge plans that achieve the same optimal expectation value, if you look at the changes in the most recent charge / discharge plan, whether it changed because the necessary information increased, it happened to be the same optimal expectation value in the previous forecast period It is indistinguishable whether it has changed because it has picked up another optimal solution to achieve. For this reason, a weighted linear sum term is added.

ここで、重みとは、充電時刻では予め貯めなければ後の時刻で必要になった場合に修正がきかない可能性があるため、直近になるほど多く充電するように設定するとともに、放電時刻では、放電が完了しない場合、後で取り返しがつかない可能性があるため、直近ほど多く放電するように設定する。図５は、目的関数による最適充放電計画を説明する図である。図５に示すように、式（８）に示した目的関数により、放電時刻では先に放電するようにすることで放電しきれないということを防ぎ、充電時刻では先に貯めるようにすることで後々に足りないということを防ぐ。この結果、充放電計画を逐次修正した結果が良くなる一意の充放電計画を算出できる。 Here, the weight is set so as to charge more as soon as possible, since it may not be corrected if it is needed at a later time unless it is stored in advance at the charging time. If is not completed, there is a possibility that it cannot be recovered later. FIG. 5 is a diagram for explaining an optimal charge / discharge plan based on an objective function. As shown in FIG. 5, according to the objective function shown in the equation (8), it is possible to prevent the battery from being discharged by discharging first at the discharge time, and to store first at the charge time. Preventing shortages later. As a result, it is possible to calculate a unique charge / discharge plan that improves the result of sequentially correcting the charge / discharge plan.

逐次最適化部２４は、求解部２３による求解を逐次的に繰り返して、最適な予測長を探索する処理部である。具体的には、逐次最適化部２４は、予測期間（予測長）を延ばしながら逐次的に最適化問題を解いて行き、直近の充放電計画の変化を観察して、変化しなくなったときの予測長を最適な予測長に決定する。 The sequential optimization unit 24 is a processing unit that searches for an optimum prediction length by sequentially repeating the solution by the solution finding unit 23. Specifically, the sequential optimization unit 24 solves the optimization problem sequentially while extending the prediction period (prediction length), observes the most recent change in the charge / discharge plan, and no longer changes The prediction length is determined to be the optimal prediction length.

例えば、逐次最適化部２４は、時刻ｔの時点で、予測長がｎとして生成された充放電計画１における時刻ｔの計画と、予測長がｎ＋１として生成された充放電計画１における時刻ｔの計画とを比較する。そして、逐次最適化部２４は、各計画の差が閾値未満の場合は、そのときの予測長ｎ＋１を最適な予測長に決定し、各計画の差が閾値以上の場合は、予測長ｎ＋２としたときの充放電計画の生成依頼を求解部２３に算出させて、同様の判定を行う。 For example, the sequential optimization unit 24 at the time t, the plan at the time t in the charge / discharge plan 1 generated with the predicted length n, and the time t in the charge / discharge plan 1 generated with the predicted length n + 1. Compare with plan. Then, when the difference between the plans is less than the threshold, the sequential optimization unit 24 determines the prediction length n + 1 at that time as the optimum prediction length, and when the difference between the plans is greater than or equal to the threshold, the prediction length n + 2 The charge determination unit 23 is caused to calculate the charge / discharge plan generation request at the time, and the same determination is performed.

より詳細には、逐次最適化部２４は、時刻ｔの時点で、予測長が１として生成された充放電計画１における時刻ｔの計画１−Ａと、予測長が２として生成された充放電計画１における時刻ｔの計画１−Ｂとを比較する。そして、逐次最適化部２４は、時刻ｔにおける各計画の差が閾値未満のときは、予測長２を最適な予測長に決定する。一方、逐次最適化部２４は、時刻ｔにおける各計画の差が閾値以上のときは、予測長を１増加させた３で計画１−Ｃを生成する指示を求解部２３に送信する。その後、逐次最適化部２４は、時刻ｔの時点で、予測長が２として生成された充放電計画１における時刻ｔの計画１−Ｂと、予測長が３として生成された充放電計画１における時刻ｔの計画１−Ｃとを比較する。 More specifically, the sequential optimization unit 24, at time t, in the charge / discharge plan 1 generated with a predicted length of 1 and charge / discharge generated with a predicted length of 2 as the plan 1-A at the time t. The plan 1-B at the time t in the plan 1 is compared. Then, when the difference between the plans at time t is less than the threshold, the sequential optimization unit 24 determines the prediction length 2 as the optimal prediction length. On the other hand, when the difference between the plans at time t is equal to or greater than the threshold, the sequential optimization unit 24 transmits an instruction to generate the plan 1-C to 3 by increasing the prediction length by 1, to the solution finding unit 23. After that, the sequential optimization unit 24 in the charge / discharge plan 1 generated at time t in the charge / discharge plan 1 generated with a predicted length of 2 and the charge / discharge plan 1 generated with a predicted length of 3 at the time t. Compare with plan 1-C at time t.

このように、逐次最適化部２４は、時刻ｔにおける充放電の計画の差が許容範囲となるまで、予測長を増加させながら、比較および検討を繰り返す。また、次の時刻である時刻ｔ＋１になると、上述した最適化、サンプリング、求解、逐次最適化が実行される。 In this way, the sequential optimization unit 24 repeats the comparison and examination while increasing the predicted length until the difference between the charge and discharge plans at time t falls within an allowable range. Further, at time t + 1 which is the next time, the above-described optimization, sampling, solution finding, and sequential optimization are executed.

図６は、逐次最適化を説明する図である。図６の（ａ）は、予測長を１としたときの充放電計画１であり、図６の（ｂ）は、予測長を２としたときの充放電計画１である。このとき、逐次最適化部２４は、現時刻（計画対象）である時刻ｔの計画のみに着目し、この時刻ｔの計画の差がなくなるまで、予測長ｎを増加させていく。そして、逐次最適化部２４は、前回（予測長ｎ−１）に生成された充放電計画１における時刻ｔの計画と、今回（予測長ｎ）に生成された充放電計画１における時刻ｔの計画との差がなくなったとき、予測長ｎを最適な予測長と決定する。 FIG. 6 is a diagram for explaining sequential optimization. 6A is a charge / discharge plan 1 when the predicted length is 1, and FIG. 6B is a charge / discharge plan 1 when the predicted length is 2. FIG. At this time, the sequential optimization unit 24 pays attention only to the plan at the time t, which is the current time (planning target), and increases the prediction length n until there is no difference in the plan at the time t. And the sequential optimization part 24 is the plan of the time t in the charging / discharging plan 1 produced | generated last time (predicted length n-1), and the time t in the charging / discharging plan 1 produced | generated this time (predicted length n). When there is no difference from the plan, the prediction length n is determined as the optimum prediction length.

感度分析部２５は、最適な予測長と決定されたときの充放電計画１に基づいて、各時刻帯の需要予測の達成され得る電気料金削減額に対する感度分析を行い、各時刻帯の電力需要予測の重要度を感度係数として定量的に算出して、再最適化部２６に出力する処理部である。ここで、図７を用いて、感度分析の算出例を説明する。図７は、感度分析のアプローチを説明する図である。 The sensitivity analysis unit 25 performs a sensitivity analysis on the electricity rate reduction amount that can be achieved in the demand prediction in each time zone based on the charge / discharge plan 1 when the optimum prediction length is determined, and the power demand in each time zone. This is a processing unit that quantitatively calculates the importance of prediction as a sensitivity coefficient and outputs it to the re-optimization unit 26. Here, a calculation example of sensitivity analysis will be described with reference to FIG. FIG. 7 is a diagram for explaining an approach of sensitivity analysis.

図７の（ａ）に示すように、感度係数とは、１つのものの微小変動に対する最適値の変化率である。つまり、時刻１の変動、時刻２の変動のように、各時刻帯の変化率である。しかし、感度係数は、１つのものの不確かさについて定義されるものであり、図７の（ｂ）に示すように、電力需要予測のように幅のある確率分布に対して定義されるものではない。また、図７の（ｃ）に示すように、単純に、需要予測分布の平均の微小変動に対する電気料金削減額の期待値への感度係数を算出しても、それは平均化された一本の需要予測に対する感度係数となってしまい、確率分布として不確かさが表現された需要予測に対する感度係数とはならない。 As shown in FIG. 7A, the sensitivity coefficient is the change rate of the optimum value with respect to minute fluctuations of one thing. That is, the rate of change in each time zone, such as time 1 fluctuation and time 2 fluctuation. However, the sensitivity coefficient is defined for the uncertainty of one thing, and is not defined for a wide probability distribution as shown in FIG. . Further, as shown in FIG. 7 (c), even if the sensitivity coefficient to the expected value of the electricity charge reduction amount is simply calculated with respect to the average minute fluctuation of the demand forecast distribution, it is calculated as one averaged one. It becomes a sensitivity coefficient for demand prediction, and does not become a sensitivity coefficient for demand prediction in which uncertainty is expressed as a probability distribution.

そこで、図７の（ｄ）に示すように、感度分析部２５は、確率分布で表現される電力需要予測のあらゆる不確かさを複数のシナリオとして表現するために、電力需要予測分布から乱数を多数発生させる。 Therefore, as shown in FIG. 7D, the sensitivity analysis unit 25 generates a large number of random numbers from the power demand prediction distribution in order to express all uncertainties of the power demand prediction expressed by the probability distribution as a plurality of scenarios. generate.

そして、感度分析部２５は、図７の（ｅ）に示すように、各シナリオを、時刻毎に微小変動させ、仮にそのシナリオが達成された時の充放電計画に対する電気料金削減額の微小変動率（感度係数）を調べる。その後、感度分析部２５は、これらを平均することで、時刻帯ごとの達成され得る電気料金削減額の影響度を求める。ここで、図７では、Ｎ期予測を行うためにシナリオ数がＮの場合で説明するが、上記逐次最適化の場合、２期予測を行うためにシナリオ数が２とすることもできる。 Then, as shown in FIG. 7E, the sensitivity analysis unit 25 minutely varies each scenario for each time, and tentatively varies the electricity bill reduction amount with respect to the charge / discharge plan when the scenario is achieved. Examine the rate (sensitivity factor). Thereafter, the sensitivity analysis unit 25 averages these values to obtain the degree of influence of the electricity bill reduction amount that can be achieved for each time zone. Here, FIG. 7 illustrates a case where the number of scenarios is N in order to perform N-period prediction. However, in the case of the above-described sequential optimization, the number of scenarios may be 2 in order to perform two-period prediction.

例えば、シナリオが３つの場合を例にして説明する。感度分析部２５は、時刻１において、シナリオ１が仮に実現した場合の電気料金の変動率と、シナリオ２が仮に実現した場合の電気料金の変動率と、シナリオ３が仮に実現した場合の電気料金の変動率との平均値を時刻１の影響度（β_１：感度係数）として算出する。同様に、感度分析部２５は、時刻２において、シナリオ１が仮に実現した場合の電気料金の変動率と、シナリオ２が仮に実現した場合の電気料金の変動率と、シナリオ３が仮に実現した場合の電気料金の変動率との平均値を時刻２の影響度（β_２：感度係数）として算出する。このようにして、感度分析部２５は、各時刻帯の影響度（β_ｉ）を算出する。 For example, a case where there are three scenarios will be described as an example. The sensitivity analysis unit 25 at time 1, the rate of change in electricity charges when scenario 1 is temporarily realized, the rate of change in electricity rates when scenario 2 is temporarily realized, and the rate of electricity when scenario 3 is temporarily realized The average value with the fluctuation rate is calculated as an influence degree at time 1 (β ₁ : sensitivity coefficient). Similarly, the sensitivity analysis unit 25, at time 2, when the scenario 1 is temporarily realized, when the scenario 2 is temporarily realized, and when the scenario 3 is temporarily realized The average value of the fluctuation rate of the electricity rate is calculated as the influence degree at time 2 (β ₂ : sensitivity coefficient). In this way, the sensitivity analysis unit 25 calculates the degree of influence (β _i ) for each time zone.

より詳細に説明すると、式（８）で示した確率の最適化問題を式（９）のように表す。ここで、「Ｃ」は制約条件である。「ｆ」は、求めたい充放電計画のベクトルである「ｘ」と、多次元確率分布に従う確率変数ベクトル（需要予測）である「ξ」とを変数とする電気料金削減額を表す関数である。 More specifically, the probability optimization problem expressed by the equation (8) is expressed as the equation (9). Here, “C” is a constraint condition. “F” is a function representing an electricity bill reduction amount using “x” which is a vector of a charge / discharge plan to be obtained and “ξ” which is a random variable vector (demand prediction) according to a multidimensional probability distribution as variables. .

ここで、式（９）の最適化問題をＮ本の需要予測シナリオを用いて近似すると式（１０）が得られる。続いて、充放電計画を「ｘ^＊」として、式（１０）の「ｘ」を置き換えると、式（１１）が得られる。 Here, when the optimization problem of Formula (9) is approximated using N demand forecast scenarios, Formula (10) is obtained. Subsequently, when the charge / discharge plan is “x ^* ” and “x” in Expression (10) is replaced, Expression (11) is obtained.

続いて、感度分析部２５は、最適電気料金削減額の期待値の解析を実行する。具体的には、最適値から予測を微小変動させた式（１２）を予測の時刻に関してテイラー展開することで、式（１３）を生成する。この式（１３）を変動成分ごとにまとめると、式（１４）のように表すことができる。 Subsequently, the sensitivity analysis unit 25 performs analysis of the expected value of the optimal electricity bill reduction amount. Specifically, Expression (13) is generated by Taylor expansion of Expression (12) in which the prediction is slightly changed from the optimum value with respect to the prediction time. When this equation (13) is collected for each variable component, it can be expressed as equation (14).

この結果、式（１４）から各時刻帯の影響度（β_ｉ）を式（１５）で表すことができる。すなわち、この式（１５）が定量的に求められる影響度である。したがって、最適電気料金削減額の変動を抑えるためには、影響度（β_ｉ）の大きな時刻を、重点的に予測精度を上げるようにすればよい。なお、式（１５）内のｆの関数それぞれは、シナリオＮが実現されたときの電気料金削減額に対する感度係数である。 As a result, the degree of influence (β _i ) of each time zone can be expressed by Expression (15) from Expression (14). That is, this equation (15) is the degree of influence that is quantitatively determined. Therefore, in order to suppress fluctuations in the optimum electricity bill reduction amount, it is only necessary to increase the prediction accuracy with a focus on the time when the degree of influence (β _i ) is large. In addition, each function of f in Formula (15) is a sensitivity coefficient with respect to the electricity bill reduction amount when the scenario N is implement | achieved.

図４に戻り、再最適化部２６は、影響度（β_ｉ）で重みづけをした尤度を用いて、予測モデルのパラメータを再度最適化する処理部である。具体的には、再最適化部２６は、式（３）に示す予測モデル尤度関数に対して、感度係数（β_ｉ）によって重みを付けてパラメータフィッティングした尤度関数（式（１６））を生成する。このようにして、重要な時刻帯の電力需要予測精度を向上させる。この電力需要予測に対して充放電計画を算出することで、達成され得る電気料金削減額の精度を向上させる。なお、最適化の手法は、最適化部２１と同様なので、詳細な説明は省略する。 Returning to FIG. 4, the re-optimization unit 26 is a processing unit that re-optimizes the parameters of the prediction model using the likelihood weighted by the influence degree (β _i ). Specifically, the reoptimization unit 26 weights the prediction model likelihood function shown in Expression (3) with a sensitivity coefficient (β _i ) and performs parameter fitting (Expression (16)). Is generated. In this way, the power demand prediction accuracy in an important time zone is improved. By calculating a charge / discharge plan for this power demand prediction, the accuracy of the electricity charge reduction that can be achieved is improved. Since the optimization method is the same as that of the optimization unit 21, detailed description thereof is omitted.

再サンプリング部２７は、再最適化部２６によって最適化された予測モデルに対してサンプリングを実行し、サンプリング結果を再求解部２８に出力する処理部である。なお、再サンプリング部２７の処理は、サンプリング部２２と同様なので、詳細な説明は省略する。 The re-sampling unit 27 is a processing unit that performs sampling on the prediction model optimized by the re-optimization unit 26 and outputs a sampling result to the re-solving unit 28. Note that the processing of the resampling unit 27 is the same as that of the sampling unit 22, and thus detailed description thereof is omitted.

再求解部２８は、求解部２３と同様、予測長を逐次変更して、予測モデルによる予測に対して確率の最適化問題を解くことで、最適化された充放電計画２を生成して、再逐次最適化部２９に出力する処理部である。なお、最適化問題の解答手法は、求解部２３で説明した手法と同様なので、詳細な説明は省略する。また、ここで最適化問題を解くことで、式（７）が満たされることを確認できる。つまり、定式化された式（８）は、ＬＰなので、最適解は実行可能領域の境界上に存在する。さらに、Ｐ_ｉ≧０で最大化問題なので、スラック変数「ｗ_ｉ ^ｊ」は境界上で大きな値を取ろうとする。よって、式（７）が満たされる。 The resolving unit 28 generates the optimized charge / discharge plan 2 by sequentially changing the prediction length and solving the probability optimization problem for the prediction based on the prediction model, similarly to the solution calculating unit 23. This is a processing unit that outputs to the re-sequential optimization unit 29. Note that the method for answering the optimization problem is the same as the method described in the solution finding unit 23, and thus detailed description thereof is omitted. Moreover, it can confirm that Formula (7) is satisfy | filled by solving an optimization problem here. That is, since the formula (8) formulated is LP, the optimal solution exists on the boundary of the executable region. Furthermore, since P _i ≧ 0 is a maximization problem, the slack variable “w _i ^j ” tries to take a large value on the boundary. Therefore, Expression (7) is satisfied.

再逐次最適化部２９は、再求解部２８による求解を逐次的に繰り返して、最適な予測長を探索する処理部である。具体的には、再逐次最適化部２９は、逐次最適化部２４と同様の処理を実行する。すなわち、再逐次最適化部２９は、予測期間（予測長）を延ばしながら逐次的に最適化問題を解いて行き、直近の充放電計画の変化を観察して、変化しなくなったときの予測長を最適な予測長に決定する。 The re-sequential optimization unit 29 is a processing unit that searches for an optimal prediction length by sequentially repeating the solution by the re-solving unit 28. Specifically, the re-sequential optimization unit 29 performs the same processing as the sequential optimization unit 24. That is, the re-sequential optimization unit 29 solves the optimization problem sequentially while extending the prediction period (prediction length), observes the most recent change in the charge / discharge plan, and predicts the length when it no longer changes. Is determined to be the optimum prediction length.

具体的には、再逐次最適化部２９は、時刻ｔの時点で、予測長ｎで再求解部２８によって生成された充放電計画２における時刻ｔの計画と、予測長ｎ＋１で再求解部２８によって生成された充放電計画２における時刻ｔの計画とを比較する。そして、再逐次最適化部２９は、各計画の差が閾値未満の場合は、そのときの予測長ｎ＋１を最適な予測長に決定し、予測長ｎ＋１で再求解部２８が生成した充放電計画２を充放電計画ＤＢ１６に格納する。一方、再逐次最適化部２９は、各計画の差が閾値以上のときは、予測長ｎ＋２としたときの充放電計画の生成依頼を求解部２３に算出させて、同様の判定を行う。 Specifically, the re-sequential optimization unit 29, at time t, generates the plan at time t in the charge / discharge plan 2 generated by the re-solution unit 28 with the prediction length n and the re-solution unit 28 with the prediction length n + 1. Is compared with the plan at time t in the charge / discharge plan 2 generated by the above. When the difference between the plans is less than the threshold, the re-sequential optimization unit 29 determines the prediction length n + 1 at that time as the optimal prediction length, and the charge / discharge plan generated by the resolving unit 28 with the prediction length n + 1. 2 is stored in the charge / discharge plan DB 16. On the other hand, when the difference between the plans is equal to or greater than the threshold, the re-sequential optimization unit 29 causes the solution calculation unit 23 to calculate a charge / discharge plan generation request when the predicted length is n + 2, and performs the same determination.

すなわち、上述した処理によって、時刻ｔの充放電計画が生成され、この充放電計画にしたがって、時刻ｔの充放電が実行される。そして、時刻がｔ＋１になると、上述した各機能部による処理を実行して、時刻ｔ＋１の充放電計画が生成される。つまり、各時刻でその時刻に実行する充放電計画が生成される。 That is, a charge / discharge plan at time t is generated by the above-described processing, and charge / discharge at time t is executed according to the charge / discharge plan. Then, when the time reaches t + 1, the processing by each functional unit described above is executed, and a charge / discharge plan at time t + 1 is generated. That is, a charge / discharge plan to be executed at each time is generated at each time.

［処理の流れ］
図８は、処理の流れを示すフローチャートである。図８に示すように、処理が開始されると（Ｓ１０１：Ｙｅｓ）、最適化部２１は、適切な予測モデルを選択し（Ｓ１０２）、最尤法で予測モデルのパラメータを最適化する（Ｓ１０３）。 [Process flow]
FIG. 8 is a flowchart showing the flow of processing. As shown in FIG. 8, when the process is started (S101: Yes), the optimization unit 21 selects an appropriate prediction model (S102), and optimizes the parameters of the prediction model by the maximum likelihood method (S103). ).

続いて、求解部２３は、予測長を初期値に設定して（Ｓ１０４）、蓄電池データ、電気料金、サンプリング部２２が実行した予測の確率分布のサンプリングなどを用いて、最適化問題を求解して充放電計画１を生成する（Ｓ１０５）。 Subsequently, the solving unit 23 sets the prediction length to an initial value (S104), and solves the optimization problem by using the storage battery data, the electricity rate, sampling of the probability distribution of the prediction executed by the sampling unit 22, and the like. The charge / discharge plan 1 is generated (S105).

そして、逐次最適化部２４は、時刻ｔにおける充放電の計画が前回から変化があるか否かを判定する（Ｓ１０６）。具体的には、逐次最適化部２４は、前回の予測長で生成された充放電計画１における時刻ｔの計画と、今回の予測長で生成された充放電計画１における時刻ｔの計画との差が閾値以上か否かを判定する。 Then, the sequential optimization unit 24 determines whether or not the charge / discharge plan at time t has changed from the previous time (S106). Specifically, the sequential optimization unit 24 calculates the plan at time t in the charge / discharge plan 1 generated with the previous predicted length and the plan at time t in the charge / discharge plan 1 generated with the current predicted length. It is determined whether the difference is greater than or equal to a threshold value.

そして、逐次最適化部２４は、前回から変化があると判定した場合（Ｓ１０６：Ｙｅｓ）、予測長を増加させて（Ｓ１０７）、求解部２３に充放電計画１を再度生成させる。一方、前回から変化がないと判定された場合（Ｓ１０６：Ｎｏ）、そのときの最新の予測長を最適な予測長に設定し、感度分析部２５は、最適な予測長のときの充放電計画１に基づいて、需要予測分布にしたがう乱数を発生させて、需要予測分布を複数のシナリオで近似する（Ｓ１０８）。 When the sequential optimization unit 24 determines that there is a change from the previous time (S106: Yes), it increases the prediction length (S107) and causes the solution finding unit 23 to generate the charge / discharge plan 1 again. On the other hand, when it is determined that there is no change from the previous time (S106: No), the latest prediction length at that time is set to the optimum prediction length, and the sensitivity analysis unit 25 performs the charge / discharge plan at the optimum prediction length. Based on 1, a random number is generated according to the demand forecast distribution, and the demand forecast distribution is approximated by a plurality of scenarios (S108).

そして、感度分析部２５は、各シナリオについて、電気料金削減額の微小変動率（感度係数）を算出する（Ｓ１０９）。続いて、感度分析部２５は、各時刻帯の影響度（β_ｉ）を算出する（Ｓ１１０）。 Then, the sensitivity analysis unit 25 calculates the minute fluctuation rate (sensitivity coefficient) of the electricity charge reduction amount for each scenario (S109). Subsequently, the sensitivity analysis unit 25 calculates the degree of influence (β _i ) in each time zone (S110).

その後、再最適化部２６は、重みづけした尤度で予測モデルのパラメータを最適化する（Ｓ１１１）。そして、再求解部２８は、予測長を初期値に設定して（Ｓ１１２）、蓄電池データ、電気料金、再サンプリング部２７が実行した予測の確率分布のサンプリングなどを用いて、最適化問題を求解して充放電計画２を生成する（Ｓ１１３）。 Thereafter, the re-optimization unit 26 optimizes the parameters of the prediction model with the weighted likelihood (S111). Then, the resolving unit 28 sets the prediction length to the initial value (S112), and solves the optimization problem using the storage battery data, the electricity rate, sampling of the probability distribution of the prediction executed by the resampling unit 27, and the like. Then, the charge / discharge plan 2 is generated (S113).

そして、再逐次最適化部２９は、時刻ｔにおける充放電の計画が前回から変化があるか否かを判定する（Ｓ１１４）。具体的には、再逐次最適化部２９は、前回の予測長で生成された充放電計画２における時刻ｔの計画と、今回の予測長で生成された充放電計画２における時刻ｔの計画との差が閾値以上か否かを判定する。 Then, the re-sequential optimization unit 29 determines whether or not the charge / discharge plan at time t has changed from the previous time (S114). Specifically, the re-sequential optimization unit 29 includes a plan at time t in the charge / discharge plan 2 generated with the previous predicted length, and a plan at time t in the charge / discharge plan 2 generated with the current predicted length. It is determined whether or not the difference is equal to or greater than a threshold value.

そして、再逐次最適化部２９は、前回から変化があると判定した場合（Ｓ１１４：Ｙｅｓ）、予測長を増加させて（Ｓ１１５）、再求解部２８に充放電計画２を再度生成させる。一方、再逐次最適化部２９は、前回から変化がないと判定した場合（Ｓ１１４：Ｎｏ）、そのときの最新の予測長で生成された充放電計画２を、最適な充放電計画に決定する。 When the re-sequential optimization unit 29 determines that there is a change from the previous time (S114: Yes), the re-sequencing unit 28 increases the prediction length (S115), and causes the re-solving unit 28 to generate the charge / discharge plan 2 again. On the other hand, when it is determined that there is no change from the previous time (S114: No), the re-sequential optimization unit 29 determines the charge / discharge plan 2 generated with the latest predicted length at that time as the optimum charge / discharge plan. .

［効果］
上述したように、情報処理装置１０は、電気料金削減額の期待値を最大化する蓄電池の充放電計画を算出するための電力需要予測について、逐次的に予測期間を延ばしながら、直近の充放電計画が変わらなくなった予測長を用いて最適充放電計画を算出する。このとき、情報処理装置１０は、算出される最適充放電計画が常に一意になるように、各決定変数の重み付き線形和項を追加し、かつ、期待値項が前記線形和項よりも十分に大きくなるように十分大きな定数をかけた目的関数を用いて、最適充放電計画を算出する。 [effect]
As described above, the information processing apparatus 10 performs the latest charge / discharge while sequentially extending the prediction period for the power demand prediction for calculating the charge / discharge plan of the storage battery that maximizes the expected value of the electricity charge reduction amount. The optimum charge / discharge plan is calculated using the predicted length at which the plan has not changed. At this time, the information processing apparatus 10 adds a weighted linear sum term for each decision variable so that the calculated optimal charge / discharge plan is always unique, and the expected value term is sufficiently larger than the linear sum term. An optimal charge / discharge plan is calculated using an objective function multiplied by a sufficiently large constant so as to be large.

したがって、情報処理装置１０は、予測長を延ばした時に直近の充放電計画が変化する場合は、最適な直近の充放電計画を立案するのに必要な情報が追加された場合だけになるので、最適な予測長を見極めることができる。この結果、情報処理装置１０は、最適な充放電計画を生成するのに、時間短縮やコスト削減を実現できる。 Therefore, the information processing apparatus 10 has only the case where the information necessary for planning the most recent charge / discharge plan is added, when the most recent charge / discharge plan changes when the predicted length is extended. The optimum prediction length can be determined. As a result, the information processing apparatus 10 can realize time reduction and cost reduction for generating an optimal charge / discharge plan.

図９は、予測長の短縮を説明する図である。図９の（ａ）は、図１の手法を用いた場合の直近の充放電計画の変化を示し、図９の（ｂ）は、実施例１にかかる手法を用いた場合の直近の充放電計画の変化を示す。図９の（ａ）に示すように、図１の手法では、予測長が７０を超えても、直近の充放電計画が収束しないので、どこまで予測すればいいのか特定できず、最適な充放電計画算出時間が長くなる。この手法では、例えば１時間以上の計算時間かかる。一方で、図９の（ｂ）に示すように、実施例１の手法では、１８時間前後で直近の充放電計画が収束するので、どこまで予測すればいいのか特定できる。この場合、例えば０．２ｍｓｅｃの計算時間で済む。このように、実施例１にかかる情報処理装置１０は、充放電計画の算出時間を短縮することが期待できる。なお、図９における直近とは、上記実施例における時刻ｔ、すなわち、計画対象となっている時刻に対応する。 FIG. 9 is a diagram illustrating shortening of the prediction length. FIG. 9A shows changes in the most recent charge / discharge plan when the method of FIG. 1 is used, and FIG. 9B shows the latest charge / discharge when the method according to the first embodiment is used. Show changes in the plan. As shown in FIG. 9 (a), in the method of FIG. 1, even if the predicted length exceeds 70, the most recent charge / discharge plan does not converge, so it is not possible to specify how far to predict and optimal charge / discharge The plan calculation time becomes longer. This method takes, for example, a calculation time of 1 hour or more. On the other hand, as shown in FIG. 9B, in the method of the first embodiment, since the most recent charge / discharge plan converges around 18 hours, it is possible to specify how far to predict. In this case, for example, a calculation time of 0.2 msec is sufficient. As described above, the information processing apparatus 10 according to the first embodiment can be expected to shorten the calculation time of the charge / discharge plan. In addition, the latest in FIG. 9 respond | corresponds to the time t in the said Example, ie, the time used as the plan object.

さて、これまで本発明の実施例について説明したが、本発明は上述した実施例以外にも、種々の異なる形態にて実施されてよいものである。そこで、以下に異なる実施例を説明する。 Although the embodiments of the present invention have been described so far, the present invention may be implemented in various different forms other than the embodiments described above. Therefore, different embodiments will be described below.

［予測長の増加手法］
上記例では、予測長を１つずつ増加させる例を説明したが、これに限定されるものではない。例えば、２つずつ増加させることもでき、閾値との差によって増加数を動的に変更することもできる。例えば、情報処理装置１０は、予測長ｎの充放電計画２における時刻ｔの計画と、予測長ｎ＋１の充放電計画２における時刻ｔの計画とを比較し、各計画の差が第１の閾値以上であれば、誤差が十分に大きいので、増加数を５などとする。一方、情報処理装置１０は、各計画の差が第１の閾値未満かつ第２の閾値以上であれば、誤差が比較的大きいので、増加数を３などとする。また、情報処理装置１０は、各計画の差が第２の閾値未満であれば、誤差が比較的小さいので、増加数を１などとする。 [Prediction length increase method]
In the above example, the example in which the prediction length is increased one by one has been described, but the present invention is not limited to this. For example, it can be increased by two, and the increase number can be dynamically changed depending on the difference from the threshold value. For example, the information processing apparatus 10 compares the plan at time t in the charge / discharge plan 2 with the predicted length n with the plan at time t in the charge / discharge plan 2 with the predicted length n + 1, and the difference between the plans is the first threshold value. If it is above, the error is sufficiently large, so the increase number is set to five or the like. On the other hand, if the difference between the plans is less than the first threshold and greater than or equal to the second threshold, the information processing apparatus 10 sets the increase number to 3 because the error is relatively large. Further, if the difference between the plans is less than the second threshold, the information processing apparatus 10 sets the increase number to 1 or the like because the error is relatively small.

［適用範囲］
上記実施例では、電力需要の予測を例にして説明したが、これに限定されるものではなく、例えばガスの需要予測など、時刻帯によって料金が異なる他の需要予測について適用することができる。なお、時刻帯によって料金が異なる需要予測に限らず、例えば場所などによって料金が異なる需要予測に対しても同様に適用することができ、この場合、実施例１の時刻帯を場所に置き換えることで、同様に処理することができる。 [Scope of application]
In the above embodiment, the power demand prediction has been described as an example. However, the present invention is not limited to this. For example, the present invention can be applied to other demand predictions that have different rates depending on time zones, such as gas demand prediction. It should be noted that the present invention is not limited to demand forecasts with different rates depending on the time zone, but can be similarly applied to demand forecasts with different rates depending on places, for example. , Can be processed similarly.

［予測モデル］
上述した予測モデルやサンプリングなどの方法は一例であり、他の公知の手法を用いることもできる。また、最適化問題の解答手法も一例であり、他の公知の手法を用いることもできる。なお、充放電計画１の生成で処理を完了させることもでき、充放電計画２の生成を実行することで、より精度のよい充放電計画を生成することができる。 [Prediction model]
The prediction model and the sampling method described above are examples, and other known methods can be used. Moreover, the solution method of an optimization problem is an example, and other well-known methods can also be used. In addition, a process can also be completed by the production | generation of the charging / discharging plan 1, and a more accurate charging / discharging plan can be produced | generated by performing the production | generation of the charging / discharging plan 2. FIG.

［システム］
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。 [system]
The processing procedure, control procedure, specific name, information including various data and parameters shown in the document and drawings can be arbitrarily changed unless otherwise specified.

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られない。つまり、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。 Further, each component of each illustrated apparatus is functionally conceptual, and does not necessarily need to be physically configured as illustrated. That is, the specific form of distribution / integration of each device is not limited to that shown in the figure. That is, all or a part of them can be configured to be functionally or physically distributed / integrated in arbitrary units according to various loads or usage conditions. Further, all or any part of each processing function performed in each device may be realized by a CPU and a program analyzed and executed by the CPU, or may be realized as hardware by wired logic.

［ハードウェア構成］
図１０は、情報処理装置１０のハードウェア構成例を説明する図である。図１０に示すように、情報処理装置１０は、通信インタフェース１０ａ、ＨＤＤ（Hard Disk Drive）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。 [Hardware configuration]
FIG. 10 is a diagram illustrating a hardware configuration example of the information processing apparatus 10. As illustrated in FIG. 10, the information processing apparatus 10 includes a communication interface 10a, an HDD (Hard Disk Drive) 10b, a memory 10c, and a processor 10d.

通信インタフェース１０ａは、他の装置の通信を制御するネットワークインタフェースカードなどである。ＨＤＤ１０ｂは、プログラムやデータなどを記憶する記憶装置の一例である。 The communication interface 10a is a network interface card that controls communication of other devices. The HDD 10b is an example of a storage device that stores programs, data, and the like.

メモリ１０ｃの一例としては、ＳＤＲＡＭ（Synchronous Dynamic Random Access Memory）等のＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ等が挙げられる。プロセッサ１０ｄの一例としては、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＦＰＧＡ（Field Programmable Gate Array）、ＰＬＤ（Programmable Logic Device）等が挙げられる。 Examples of the memory 10c include a RAM (Random Access Memory) such as an SDRAM (Synchronous Dynamic Random Access Memory), a ROM (Read Only Memory), a flash memory, and the like. Examples of the processor 10d include a central processing unit (CPU), a digital signal processor (DSP), a field programmable gate array (FPGA), and a programmable logic device (PLD).

また、情報処理装置１０は、プログラムを読み出して実行することで推定方法を実行する情報処理装置として動作する。つまり、情報処理装置１０は、最適化部２１、サンプリング部２２、求解部２３、逐次最適化部２４、感度分析部２５、再最適化部２６、再サンプリング部２７、再求解部２８、再逐次最適化部２９と同様の機能を実行するプログラムを実行する。この結果、情報処理装置１０は、最適化部２１、サンプリング部２２、求解部２３、逐次最適化部２４、感度分析部２５、再最適化部２６、再サンプリング部２７、再求解部２８、再逐次最適化部２９と同様の機能を実行するプロセスを実行することができる。なお、この他の実施例でいうプログラムは、情報処理装置１０によって実行されることに限定されるものではない。例えば、他のコンピュータまたはサーバがプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、本発明を同様に適用することができる。 The information processing apparatus 10 operates as an information processing apparatus that executes the estimation method by reading and executing a program. That is, the information processing apparatus 10 includes an optimization unit 21, a sampling unit 22, a solution finding unit 23, a sequential optimization unit 24, a sensitivity analysis unit 25, a reoptimization unit 26, a re-sampling unit 27, a resolving unit 28, and a re-sequential unit. A program that executes the same function as that of the optimization unit 29 is executed. As a result, the information processing apparatus 10 includes an optimization unit 21, a sampling unit 22, a solution finding unit 23, a sequential optimization unit 24, a sensitivity analysis unit 25, a re-optimization unit 26, a re-sampling unit 27, a re-solution finding unit 28, A process for executing the same function as the sequential optimization unit 29 can be executed. Note that the program referred to in the other embodiments is not limited to being executed by the information processing apparatus 10. For example, the present invention can be similarly applied to a case where another computer or server executes the program or a case where these programs cooperate to execute the program.

このプログラムは、インターネットなどのネットワークを介して配布することができる。また、このプログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ（Compact Disc）−ＲＯＭ、ＭＯ（Magneto−Optical disk）、ＤＶＤ（Digital Versatile Disc）などのコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することができる。 This program can be distributed via a network such as the Internet. The program is recorded on a computer-readable recording medium such as a hard disk, a flexible disk (FD), a CD (Compact Disc) -ROM, a MO (Magneto-Optical disk), a DVD (Digital Versatile Disc), etc. Can be executed by reading from the recording medium.

１０情報処理装置
１１通信部
１２記憶部
１３電力需要予測データＤＢ
１４蓄電池データＤＢ
１５電気料金プランデータＤＢ
１６充放電計画ＤＢ
２０制御部
２１最適化部
２２サンプリング部
２３求解部
２４逐次最適化部
２５感度分析部
２６再最適化部
２７再サンプリング部
２８再求解部
２９再逐次最適化部 DESCRIPTION OF SYMBOLS 10 Information processing apparatus 11 Communication part 12 Storage part 13 Electric power demand prediction data DB
14 Battery data DB
15 Electricity rate plan data DB
16 Charge / Discharge Plan DB
DESCRIPTION OF SYMBOLS 20 Control part 21 Optimization part 22 Sampling part 23 Solution part 24 Sequential optimization part 25 Sensitivity analysis part 26 Re-optimization part 27 Re-sampling part 28 Re-resolving part 29 Re-sequential optimization part

Claims

On the computer,
Optimize the parameters of the likelihood function of the prediction model selected based on the predetermined information criterion for past demand performance data,
Using the probability distribution of demand forecast obtained from the forecast model obtained by the optimization, estimate the demand forecast for each forecast length when the forecast length is changed,
An estimation program for executing a process of specifying the demand forecast having an optimum forecast length based on a change in demand forecast of each forecast length.

The estimation process solves the optimization problem for the prediction based on the prediction model optimized by using the past power demand data, the electricity rate and the storage capacity value for each time zone, and predicts the demand for power. A first charge / discharge plan for each predicted length for
The specifying process specifies the first charging / discharging plan having the optimum prediction length based on a change in a prediction result at a specific time in the first charging / discharging plan having each prediction length. The estimation program according to claim 1.

Calculating the degree of influence of each time zone affecting the electricity rate predicted in the first charge / discharge plan,
Using the probability distribution of the demand prediction based on the prediction model obtained by optimizing the parameters of the likelihood function to which the weight according to the influence is added, to estimate the second demand prediction of each prediction length;
The said 2nd charging / discharging plan of the said optimal prediction length is specified based on the change of the prediction result of the specific time in the 2nd charging / discharging plan of each said prediction length, The Claim 2 characterized by the above-mentioned. Estimation program.

Computer
Optimize the parameters of the likelihood function of the prediction model selected based on the predetermined information criterion for past demand performance data,
Using the probability distribution of demand forecast obtained from the forecast model obtained by the optimization, estimate the demand forecast for each forecast length when the forecast length is changed,
An estimation method comprising: executing a process of specifying the demand forecast having an optimum forecast length based on a change in demand forecast of each forecast length.

Computer
An optimization unit that optimizes the parameters of the likelihood function of the prediction model selected according to a predetermined information amount criterion with respect to past demand record data;
Using a probability distribution of demand prediction obtained from the prediction model obtained by the optimization, an estimation unit for estimating the demand prediction of each prediction length when the prediction length is changed;
An estimation apparatus comprising: a specifying unit that identifies the demand prediction having an optimum prediction length based on a change in demand prediction of each prediction length.