JEPXスポット価格予測を評価するには、AIの種類や平均誤差だけでなく、何を・いつの情報で予測したかを確認する必要があります。予測対象や検証条件が違えば、精度の数字をそのまま比べることはできません。この記事では、モデルの設計、入力データ、統計モデルとAIの使い方、価格高騰時を含む検証方法を整理します。
まず、予測する価格系列と利用目的を明確にします。システムプライスかエリアプライスか、30分ごとの価格か日平均かによって、モデルの出力と評価方法が変わります。翌日入札の判断と数週間の費用見通しも、別の予測課題として整理します。
設計では、実際の判断に使う単位で予測対象を定義することが基本です。日平均が合っていても特定のコマが大きく外れる場合があります。受渡日時、対象エリア、単位、予測期間を仕様に残し、後の検証で条件が変わらないようにします。
予測対象が同じ翌日でも、前々日の時点と前日の時点では利用できる気象・需給情報が異なります。実行時刻を決め、その時刻までに取得できるデータを一覧にします。発表時刻だけでなく、自社への到着や処理に必要な時間も確認します。
最も注意したいのは、予測時点では未知だった情報を使わないことです。受渡後の実績や後日修正された値を入力すると、実運用より良い成績が出るおそれがあります。データには対象日時と公表・取得日時を併せて記録し、利用可能性を管理します。
過去の価格は、直近の水準や時間帯・曜日ごとの傾向を捉える材料になります。カレンダー情報も加えれば、平日と休日、季節の違いをモデルに伝えられます。対象エリアの系列を基本に、他エリアの価格を加える場合は利用可能な時点を確認します。
入力を作る際は、価格の対象コマと参照する過去値の時点を明確にすることが必要です。同じ時刻というだけで選ぶと、未公表の値が混ざる場合があります。単純な過去値による予測も作り、複雑なモデルの比較相手として残しておきましょう。
需要や再エネの供給見通しは、将来の需給を説明するための入力候補です。気温や日射、風の予測を直接使う方法と、それらから推定した需要・発電量を使う方法があります。どの特徴量が有効かは、対象とする期間やモデルによって検証します。
ここでは、学習・検証でも当時の予測データを使うことが重要です。将来の需要実績を使えば、気象予測や需要予測の誤差が無視されます。過去の予測履歴がそろわない場合は、検証の制約を示し、実配信データを蓄積して評価を補います。
供給設備の停止情報や連系線の状況、燃料の価格情報なども入力候補になります。公開情報の対象期間、更新頻度、改訂の有無を確かめ、予測時点で取得できる範囲を整理します。すべての設備や入札行動を把握できるわけではありません。
大切なのは、情報の追加が実際の予測改善につながるかを検証することです。更新の遅いデータを細かい時間単位へ並べても、新しい情報が増えるとは限りません。取得停止時の代替方法も決め、運用で継続的に利用できる入力に絞ります。
時系列モデルは、価格の過去からのつながりや周期的な変動を扱う方法です。回帰モデルでは、需要や気象などの入力と価格の関係を推定します。外部情報を取り入れる時系列モデルもあり、両者を完全に分離する必要はありません。
初期検討では、単純で検証しやすい方法を基準として残すことが有効です。入力を増やす前後で成績を比べれば、どの情報が役立つか確かめられます。高騰のような大きな変化をどこまで捉えられるかも、平均的な成績とは分けて確認します。
機械学習には、決定木を組み合わせる勾配ブースティングなどの方法があります。深層学習も選択肢の一つです。気象や需給など複数の要因が関わる関係を学習できますが、必要なデータ量や計算負担、説明のしやすさは手法によって異なります。
選定で重要なのは、AIという名称ではなく未学習期間での性能です。学習データへの当てはまりだけを高めても、将来の精度が上がるとは限りません。条件調整に使う期間と最終評価の期間を分け、単純な方法に対する改善も確認しましょう。
複数モデルの結果を組み合わせる方法は、特定のモデルの偏りを補う選択肢です。また、一つの価格だけを出す点予測に加え、分位点や予測区間を出すと、見通しにどの程度の幅があるかを表せます。用途に合わせて出力を選びます。
ただし、複数モデルの最大値・最小値が、そのまま確率的な予測区間になるわけではありません。区間をどう作り、どの程度の確率を想定したかを確認します。モデルを組み合わせた効果と、幅の妥当性は、それぞれ別に検証する必要があります。
価格データは時間の順序を持つため、過去で学習し、その後の期間を予測する形で検証します。評価時点を順に進める方法なら、異なる季節や市場環境での性能を確認できます。学習期間と評価期間を無作為に混ぜない設計が基本です。
また、欠測補完や標準化などの前処理も学習期間の情報で行うことが必要です。全期間から計算した平均などを使うと、将来情報が混入するおそれがあります。公表の遅れやデータの重なりも確認し、実際の更新手順に近い条件を再現します。
MAEは誤差の絶対値の平均で、どの程度の価格差が生じたかを把握しやすい指標です。RMSEは誤差を二乗して平均した値の平方根で、大きな外れの影響を受けやすくなります。両者を見ると、日常的なずれと大きな外れを確認できます。
数値は、同じ期間・対象コマ・予測時点で比較することが前提です。前週同曜日の価格などを使う単純な方法も基準にし、モデルの複雑化に見合う改善があるかを確かめます。平均誤差の改善率だけでなく、円/kWhの誤差も併記すると判断しやすくなります。
MAPEのように実績値で誤差を割る指標は、実績価格がゼロ付近にあると値が大きくなりやすく、ゼロでは計算上の扱いが必要です。小さな金額差でも割合が極端になり、市場全体の性能を読み違えることがあります。
そのため、割合誤差だけで価格予測の優劣を判断しないことが重要です。絶対額の誤差と低価格帯の成績を合わせて確認します。評価対象から低価格のコマを除く場合も、除外条件を明示し、自社の利用場面が評価から抜けていないかを確かめましょう。
予測区間は、想定した割合で実績を含むかを確認します。ただし、幅を広げるだけでも実績は入りやすくなるため、区間の広さも同時に評価します。点予測が良くても、幅が過小なら高騰への備えとして十分に機能しない場合があります。
業務面では、実行可能な調達ルールに予測を入れて比較することが必要です。完全に当たる前提の利益ではなく、契約条件や手数料を含めた結果を見ます。調達量の予測誤差も条件に入れ、価格モデルだけで得られる効果を過大評価しないようにします。
高騰がまれな期間では、平常時に近い価格を出すだけでも平均誤差が小さく見える場合があります。高騰をどの水準で定義するかを先に決め、該当する時間の見逃しや予測の遅れを確認します。対象件数も併記し、少数の事例で結論を急がないようにします。
加えて、高騰の見逃しと誤警報の両方を確認することが重要です。常に高値を予告すれば見逃しは減っても、余計な対応が増えます。アラートに基づく業務の費用や負担を踏まえ、どの程度の見逃しと誤警報を許容するかを整理します。
全国的な価格傾向が合っていても、市場分断時に対象エリアを外す場合があります。エリア別に誤差を確認し、価格差が大きい時間帯の成績も分けて調べます。エリア共通のモデルとエリア別モデルなどは、同じ評価条件で比較します。
検証では、市場分断が判明した後の情報を事前の入力にしないことが大切です。事後に分断した時間を抽出して成績を見ることと、分断を予見することは別です。利用できた連系線情報の時点を記録し、当時の条件で予測できたかを確かめましょう。
運用後は、全体の平均誤差に加え、エリアや季節、時間帯ごとの偏りを追います。継続して高め・低めに予測する傾向がある場合、入力の変化や設備構成の変化を疑う手がかりになります。高騰時や低価格帯の成績も別に残します。
記録すべきなのは、実際に配信して業務で使った予測の成績です。後で再計算した結果だけでは、配信遅延やデータ欠落の影響が消えてしまいます。モデルの版、入力の取得状況、修正履歴を残し、性能の問題と運用の問題を切り分けます。
需要の傾向、電源構成、制度や取引条件が変わると、過去に学習した関係が弱まる場合があります。誤差の悪化が続くときは、入力データの不具合を確認したうえで、学習期間や特徴量、モデルの見直しを検討します。
再学習では、新しいモデルを同じ条件で比較してから切り替えることが基本です。更新直後の短い期間だけで判断せず、過去の代表的な条件でも性能を確認します。元のモデルへ戻す手順も用意し、精度と安定配信の両方を維持する運用にしましょう。
電力需要予測システムは、さまざまな場面で活用されるものです。ここでは「小売電気事業者向け」「工場向け」「スマートハウス・スマートビル向け」と業種ごとにおすすめの電力需要予測システムを紹介しています。
電力売買を効果的に行える
電力業務特化型の電力需要予測システム。自動で再学習を行うAIモデルの高精度な予測により、電力売買の効果的なタイミングが図れる。
インバランスコストを削減
短時間での予測が可能なため、一日前入札当日の新鮮なデータを反映させた高精度の予測実施。より正確な予測でインバランスコストを効果的に削減可能。
自動でピークカットを実施
工場向け電力需要予測システムZEBLAで、設備の電力消費データを監視・分析。電力使用の無駄や異常を検知し、自動でピークカットが行える。
生産計画に影響しない節電
電力不足時は重要度の低い機器を間引き、さらに不足すれば発電機を稼働するため、生産計画に影響することなく電力平準化を図ることが可能。
効率的な再エネの需給管理
全国の気象観測網を活用した電力需要・発電量予測を提供。太陽光・風力発電の変動を精度高く把握可能なため、再生可能エネルギーの需給管理を調整できる。
電力不足のリスクを低減
気象による予測誤差を抑えることで、スマートハウス・ビルにおける電力不足のリスクを低減。また、自家消費・売電など余剰電力を適切なタイミングで活用可能になる。