当社の方法

TESLAモデルは、高度にパラメータ化された非線形回帰モデルと、最近の経験に基づく予測調整のための時系列フィルタの2つの部分から構成されています。これらを組み合わせることで、精度に大きな優位性をもたらします。エネルギー需要は、非常に多くの人々による、非常に多くの独立した意思決定によって決定される。そのようなシステムのモデリングを試みるために、TESLAモデルは情報集約的なアプローチをとっています。

モデルの基本構造

最も単純なレベルでは、モデルは層別非線形回帰モデルとして指定される。まず、秋と春の改暦の日に区切られた夏と冬の「季節」の間でサンプルを層別し、さらに各季節ごとに平日、土曜、日曜の3つのグループに分けて、層別する。

TESLA モデルでは、可変パラメータと区分線形化という 2 つの計量経済学的手法が多用されている。可変パラメータモデルは、説明変数が運用上も統計上も通常有意であるが、説明変数の変化に対する従属変数の応答が一定でない場合に使用されます。例えば、エネルギーモデルにおいて、気温の変化に対するエネルギー需要の反応は、1日のうちどの時間帯でも、どの曜日でも全く同じではありません。

モデルの区分的線形化は、関連変数に対するエネルギー需要の応答が線形でないことを認識する。むしろ、単純な非線形関数形式を課すだけではモデル化できないような、複雑な非線形応答を示す。

経済成長や人口増加のような変数は、毎時またはサブアワーのエネルギー需要の線形モデルに含めるほど速く変化しないが、エネルギー需要に影響を与えるものである。TESLA モデルには、このようなゆっくりと動く独立変数が持つ総合的な効果を捉えるために、非線形の潜在的なトレンドパラメータが1つ含まれている。

誤り訂正フィルター

各TESLAモデルは、利用可能な観測・予測気象情報を用いて、現在から1週間前と予測期間について上記のモデルを解きます。次に、リアルタイムの需要観測データと前週の需要バックキャストを比較し、動的に安定した時系列フィルター法を用いてエラーパターンを特定します。そして、その誤差パターンをもとに、短期的な需要予測に若干の修正を加えます。