需要家クラスタリングと時系列基盤モデルによる長期電力需要予測の取組み

01. まえがき

エネルギー自給率の低い我が国において，安定的かつ経済的な電力供給の維持は極めて重要な課題である．昨今では脱炭素社会の実現に向けたGX（Green Transformation）*1の潮流の中，太陽光や風力といった再生可能エネルギーの導入が拡大しているが，これらは天候条件により発電量が大きく変動するため，需給バランスの調整難易度は年々高まっている．
電力小売事業における電源調達は，一般に実需給に近いタイミングでの調達になるほど，需給バランスに応じた価格変動の影響を強く受ける傾向がある．そのため，需要に対する調達不足が発生することにより電力卸売市場から直前の追加調達を余儀なくされた場合，電源調達を担う事業者はボラティリティ*2の影響を直接的に受けることとなり，これが事業収益を圧迫するリスクとなる．従って，可能な限り早期に正確な需要を予測し，計画的な電源調達を行うことで市場価格の変動リスクを最小化することは，事業運営における重要事項である．
長期的な電力需要予測において，従来手法では，気温や天候といったマクロな要因を用いた予測モデルが主として用いられてきた．しかし，電力需要は人々のライフスタイルや社会活動の変化といったミクロな動向にも強く影響されるため，画一的なマクロ指標のみでは捕捉が困難な変動要素が存在する．こうしたマクロ指標と実際の需要との間に生じるかい離を解消し，より実態に即した高精度な予測を実現することが，技術的な課題となっていた．
そこでドコモでは，需要家*3特性を有効活用するとともに，役割の異なる2つのモデルを連携させたハイブリッド時系列予測技術を開発した．本技術は，需要家特性をモデルに取り入れつつ，性質の異なる時系列予測手法を組み合わせることで，長期にわたる電力需要の変動傾向の予測を可能にするものである．本稿では，需要家特性の活用法および提案するハイブリッド手法，それらによる長期電力需要予測の有効性について解説する．

02. 関連研究

2.1 電力需要予測技術の変遷

電力需要予測は，電力システムの運用計画において不可欠な要素であり，時系列解析技術の進展とともに多様な手法が提案されてきた．
電力需要を予測するための基本的なアプローチとして，重回帰分析*4やARIMA（Auto-Regressive Integrated Moving Average）*5などの統計的モデルが挙げられる[1][2]．これらの手法は，気象条件と電力需要の線形な関係や，過去の電力消費の自己相関*6をとらえる点においては有効であり，解釈性が高いという利点をもつ．一方で，気象条件の変化や社会活動の変化に伴う複雑な非線形関係をとらえることには限界があった．
こうした非線形な変動パターンへの対応として，ニューラルネットワーク*7[3]やサポートベクターマシン（SVM：Support Vector Machine）*8[4]といった機械学習*9手法が電力需要予測へ適用されており，予測精度の改善が図られてきた．さらに，長期的な依存関係を学習し，より精緻な予測を行うために，LSTM（Long Short-Term Memory）*10に代表される深層学習（ディープラーニング）*11技術も導入されている[5]．加えて，自然言語処理*12分野で成功を収めたTransformerアーキテクチャを時系列予測に応用したInformer[6]やAutoformer[7]といったモデルも提案されている．これらは電力需要データセット*13を用いたベンチマークにおいても長期予測における計算効率と精度を大幅に改善することを示しており，その有効性が確認されている．しかし，これらの既存手法の多くは，特定のデータセットに特化したアプローチであり，学習データに含まれない未知の変動パターンや，突発的な事象に対する汎化能力（Zero-shot能力）*14には依然として課題が残されている．

2.2 電力消費データのクラスタリング

電力需要は，需要家ごとのライフスタイルや保有設備の違いにより，極めて多様な変動パターンを示す．そのため，全需要家を一括して扱うのではなく，類似した消費特性をもつ需要家群（クラスタ）に分類し，グループ単位で分析を行うアプローチが重要視されている．これにより，個別の需要家ごとに分析を行う場合の膨大な計算量を削減できるとともに，個々の需要家に特有の不規則な変動を平滑化し，グループとして共通する安定的な需要パターンの抽出が可能となる．
このようなアプローチにおける既往の研究では，電力消費データを活用する手法が主流である．例えば，過去の電力需要時系列に対し，k-means法*15などの機械学習手法を適用することで，代表的な消費パターンを類型化する取組みが報告されている[8]．しかし，こうした実績データのみに依存したアプローチは，十分な蓄積データをもたない新規需要家などの分類が困難であるという課題を抱えている．また，電力消費の傾向は需要家がもつ特性情報と密接に関連している．従って，実績データに加え，需要家特性を併用することは，データ不足を補完しつつ，各需要家の背景にあるライフスタイルをより的確に反映したクラスタリング*16を実現するために不可欠な要素となっている．

2.3 時系列基盤モデル

大規模言語モデル（LLM：Large Language Model）[9][10]*17の成功を受け，時系列解析の分野においても，大規模かつ多様なデータセットを用いて事前学習を行う時系列基盤モデル（TSFM：Time Series Foundation Model）*18が注目を集めている．LLMとTSFMの特徴を図1に示す．
TSFMは，金融，気象，エネルギー，交通など，ドメイン*19を横断する膨大な時系列データ*20を用いて事前学習を行うことで，時系列データに普遍的に存在する特徴表現を学習する．その開発の勢いは著しく，Chronos[11]やTimesFM[12]，Time-MoE[13]など，次々と新たなモデルが提案されており，現在も精力的な研究開発が進められている．
これらのTSFMは，学習データに含まれないデータセットに対しても一定以上の精度を出せる高い汎化能力を有している．加えて，対象タスクのデータを用いてファインチューニング*21を行うことで，ドメイン固有の特性やパターンへ適応させ，予測精度をさらに向上させることも可能である．
しかしながら，電力需要のように各需要家のライフスタイルや気象条件が強く反映されるタスクにおいては，単に過去の系列データのみを学習させるだけでは実用的な予測精度を得るには不十分であり，ドメイン固有の共変量*22を効果的に組み合わせることが不可欠となる．

03. 提案手法

3.1 概　要

前述した課題を解決するために開発したハイブリッド時系列予測技術について詳説する．本提案手法の技術的な核心は，「需要家特性を活用した需要家クラスタリング」というアプローチと「2種類の時系列予測モデルを連携させたハイブリッド予測」というアプローチを統合した点にある．提案手法の概要を図2に示す．
①本手法では，まず予測の前段階として「需要家特性を活用した需要家クラスタリング」を行い，電力エリア*23ごとに，予測対象を挙動の類似したグループ単位に分解する．これにより，全体需要として平均化されがちな固有の変動特性をとらえることができる．
②③次に，各クラスタに対して，電力需要の予測を行う．前述した「既存手法の汎化能力不足」と「TSFMの共変量対応不足」という双方の課題を解決するために，本手法では，役割の異なる2つのモデルを組み合わせた．具体的には，②まず，TSFMが不得手とする気温などの共変量を確実に反映させるため，従来の時系列予測モデルを用いた「マクロ変動予測（第1段階の予測）」を行う．③次に，その予測値と実績値との差（残差）をミクロ変動ととらえ，これに対して，未知の変動パターンへの汎化性能の高いTSFMを用いた「ミクロ変動予測（第2段階の予測）」を適用する．この構成により，ドメイン固有の共変量への追従性と，未知の事象への対応力を兼ね備えた，精緻な長期需要予測を実現している．
④最後に，電力エリアごとに算出された各クラスタの予測値を集約することで，対象エリア全体の最終的な電力需要予測値を算出する．

以降で，本手法を構成するこれら4つのステップについて詳説する．

3.2 需要家特性を活用した需要家クラスタリング

電力需要の変動要因は，気温などの気象条件，需要家ごとの多様なライフスタイルや属性に大きく依存する．しかし，全需要家の需要総量のみを対象とした従来の予測手法では，個々の需要家がもつ固有の消費特性が平均化され埋没するため，需要変動の微細な構造や，特定の層に起因するトレンド変化の捕捉が困難であるという課題があった．
そこで本手法では，需要家特性と過去の電力消費実績の双方を活用し，需要家をクラスタリングするアプローチを採用した．具体的には，これらのデータから抽出される多面的な特徴量*24を複合的に解析することで，需要変動の傾向が類似する需要家同士を同一のグループと見なし，いくつかのクラスタに分類する．需要家特性を併用する本処理では，電力消費実績が十分に蓄積されていない新規の需要家であっても，特性の類似性に基づいた適切なグルーピングが可能である．これにより，実績データ不足により分類が困難となるコールドスタート問題*25へ対処できるようになる．
最後に，各クラスタに属する全需要家の電力使用量からクラスタごとの代表需要時系列を計算する．このように，需要総量を直接予測するのではなく，一度挙動の類似したクラスタ単位に分解し，それぞれの代表需要に対して予測を行うことで，合算された電力需要では相殺されてしまう微細な変動パターンや，特定のクラスタに固有の季節性などを，より精緻にモデルへ反映させることが可能となる．これらクラスタごとの時系列データが，後段の予測モデルへの入力となる．

3.3 共変量を用いたマクロ変動予測

前述で得られたクラスタごとの代表需要時系列に対し，第1段階の予測を行う．本段階の主な目的は，気温やカレンダー情報といった既知の共変量を用いて，電力需要のマクロ変動をモデル化することである．
電力需要は，気象条件や社会的なカレンダー要因（曜日，祝日など）と密接な関係にある．また気温と電力需要の間には，冷暖房需要に起因するV字型の非線形な関係性[14]が存在するため，本技術では，単純な線形モデルではなく，こうした非線形性をとらえられる時系列予測モデル（マクロ変動予測モデル）を採用した．本モデルに対して，予測対象となる日時の気象条件やカレンダー情報を入力することで，モデルは各クラスタにおける代表需要の予測値を算出する．
このマクロ変動予測モデルにより，TSFMが苦手とする気象条件やカレンダー情報に依存する主要なマクロ変動成分を確実にとらえることができる．しかし，人々の突発的な行動変容や，気象条件とカレンダー情報だけでは捕捉が困難な複雑な周期性などは，この段階では捕捉できず予測誤差（残差）として残ることになる．そこで本手法では，過去の実績値とこのマクロ変動の予測値との差分である残差を抽出し，これを第2段階の予測モデルへの入力として利用する．すなわち，従来手法では単なる誤差として考慮されていなかったこの残差に，需要固有のミクロな時系列構造が含まれていると考え，以下で述べるTSFMを用いてそのパターンの学習を行う．

3.4 TSFMによるミクロ変動予測

第2段階における予測においては，第1段階で抽出された残差系列に対してTSFMを適用し，最終的な予測値を算出する．得られた残差は，共変量による要因を取り除いた後に残る成分であるが，直近の需要動向に追随する慣性や特定の周期で発生する微細な周期変動などといった時系列データ特有のミクロ変動が含まれている．
そこで本手法では，この残差を予測するために，大規模な事前学習を行ったTSFMを採用した．TSFMは，多様なドメインの膨大な時系列データを学習しており，データに潜在する普遍的な変動法則を知識として獲得している．さらに本手法では，この事前学習済みモデルに対して，対象となる電力需要の残差時系列データを用いてファインチューニングを実施した．これにより，TSFMが本来もつ高い汎化能力を維持しつつ，今回のタスク特有の変動特性や各クラスタ固有の微細な傾向にモデルを適応させることが可能となった．
最終的な電力需要予測値は，第1段階で算出したマクロ変動予測値に，本段階で得られたミクロ変動予測値を加算することで算出される．このように，共変量を考慮可能な第1段階の予測モデルと，時系列の構造把握に長けた第2段階の予測モデルを組み合わせることで，マクロなトレンドとミクロな変動の双方を考慮した高精度な長期予測を実現した．
また，TSFMは近年急速に技術開発が進展している領域であるため，将来的にTSFMをより高性能な最新モデルへ置き換えることで，継続的な精度向上が期待できる点も本手法の特長と考えられる．

3.5 クラスタの集約

本ステップでは，各クラスタについて算出された予測値を統合し，各電力エリアにおける1人当りの電力需要量を算出する．具体的には，前ステップまでに得られた各クラスタの予測値に対して，各クラスタに所属する需要家数を重みとした加重平均を行う．これにより，クラスタごとの規模（人数）を適切に反映した，当該エリア全体における最終的な予測値が導出される．

04. 評価実験

4.1 実験設定

提案手法の有効性を検証するため，ドコモでんき*26の実需データおよび需要家特性を用いた評価実験を行った．学習期間は2022年10月から2024年9月までの2年間とし，評価期間は続く2024年10月から2025年9月までの1年間とした．予測対象は，各電力エリアにおける30分単位での1人当りの電力需要量とし，評価指標には予測値と実績値のかい離を示すMAPE（Mean Absolute Percentage Error）*27を採用した．本実験では，提案手法の構成要素である「需要家クラスタリング」と「TSFMによるミクロ変動予測」のそれぞれの寄与を確認するため，以下の4つの比較手法を設定した（表1）．
(1)手法1（ベースライン）
需要家クラスタリングを行わず，全需要家を一括して扱う．また，TSFMによる残差予測も行わず，気象・カレンダー情報を用いたマクロ変動予測のみを行う手法である．
(2)手法2（クラスタリングのみ）
需要家特性に基づくクラスタリングを行い，各クラスタに対してマクロ変動予測を行う．TSFMによる残差予測は実施しない．
(3)手法3（ミクロ変動予測のみ）
需要家クラスタリングを行わず，全需要家を一括して扱う．マクロ変動予測に加え，ミクロ変動予測を行い，両者を合算する．
(4)手法4（提案手法）
需要家クラスタリングを行い，各クラスタに対してマクロ変動予測およびミクロ変動予測を適用する．

最終的な評価指標には，電力エリアごとのMAPEの全エリア平均値（全期間および月別）を採用した．なお，評価にあたってはベースラインに対する改善幅（MAPEスコアの増減）に着目し，相対的な性能差について議論する．

4.2 実験結果

表2に，手法1のMAPEを基準とした各手法の評価結果（ポイント差）を示す．また，図3に月別のMAPE改善幅の推移を示す．表および図中の数値は，手法1のMAPEに対する増減を表しており，負の値は手法1と比較してMAPEが低下し，予測精度が向上したことを意味する．
実験の結果，表2に示すとおり，手法4は全期間平均において最も低いMAPEを記録し，比較した全手法の中で最も高い予測精度となった．また，一般に，長期予測は難易度が高いとされるが，図3の月別推移を見ると，手法4は予測期間の後半にあたる夏期においても，手法1に対し高い改善効果を維持していることが確認できる．
このような精度向上の要因について，各要素技術の寄与の観点から考察する．まず，需要家クラスタリングのみを適用した手法2は，全期間平均で精度の改善が見られた．図3の詳細な推移を確認すると，特に，冷暖房利用に伴い電力需要が増加する夏期や冬期において，精度の向上が確認された．これは，クラスタリングにより，需要家ごとの冷暖房設備やライフスタイルの違いをより詳細にモデルへ反映できたためと考えられる．一方で，5月や10月といった中間期においては，手法1よりも精度が低下するケースが確認された．これは，手法2において中間期での予測精度の安定性が課題となることを示唆している．
次に，TSFMによるミクロ変動予測のみを適用した手法3は，手法2と比較して全期間平均での改善幅は小さかったものの，図3においては月ごとの変動は小さく，年間を通じて比較的安定した傾向を示した．手法2で課題となった中間期においても，手法1からの精度のかい離は限定的であり，特定の季節に大きく依存しない特性が確認された．なお，本検討の過程において，TSFMを用いて電力需要そのものを直接予測する予備的な検証も行った．その結果，全期間のMAPEにおいて手法1を大幅に下回る精度となり，実用には適さないことが確認された．これは，TSFM単独では共変量に関連するマクロな変動を十分に捕捉できないことに起因すると推察される．従って，この結果はTSFMを残差予測（ミクロ変動）に特化させたアプローチの妥当性を示唆するものと考えられる．
最後に，両者を組み合わせた手法4は，図3において，手法2で見られた中間期の精度低下を抑制しつつ，夏冬のピーク期における改善効果を維持する傾向を示した．これは，クラスタリングによって需要変動の特性を分解した上で，さらにTSFMによるミクロ変動予測を適用したことで，各クラスタ固有の変動パターンに対する予測誤差が補正されたためと考えられる．以上より，提案手法は年間を通じて最も予測誤差を低減しており，長期需要予測において有効なアプローチであることが確認された．

05. あとがき

本稿では，需要家特性と共変量を考慮したマクロ変動予測モデルと，その残差であるミクロ変動を予測するTSFMの2つのモデルを組み合わせたハイブリッド時系列予測技術について解説した．さらに，実データを用いた実験により，提案手法の有効性を検証した．
本技術により，1年先といった長期間の電力需要を高精度に予測することができれば，電力事業者は電源を早期かつ計画的に調達することが可能となる．これは，調達コストの最適化のみならず，ボラティリティリスクの回避にも直結し，電力事業の安定した運営や，需要家への安定的な電力サービス提供に大きく寄与するものである．
ドコモは今後も，高度なデータ分析能力と先端AI技術を駆使し，予測精度のさらなる向上や，より長期間の予測の実現に向けた技術開発を推進していく．そして，これらの高精度な予測技術を基盤として，需要家にとってより魅力的な電力サービスを提供していく．また，同時に，エネルギー需給の最適化を通じたGXやサステナビリティの推進にも貢献していく所存である．

文献