【リアルタイム電力予測】需要・価格・電源最適化ダッシュボード構築記 Advent Calendar 2025

【電力需要予測】EDA（電力需要、天気、日付）

Last updated at 2025-12-07Posted at 2025-12-02

この記事は「【リアルタイム電力予測】需要・価格・電源最適化ダッシュボード構築記」シリーズの三日目です
Day1はこちら | 全体構成を見る

今回は、前回までに作成した電力消費量・気象情報・日付情報を統合したデータセットを使って、探索的データ解析（EDA）を行います。

今回はインタラクティブなグラフが描けるplotlyを利用していきます。
使用する all_data は、2016年4月〜2025年3月の 9 年分を 30 分間隔でまとめたDataFrameになっています。

箱ひげ図で分布をざっくりつかむ

箱ひげ図を描画して、長期の水準・ばらつき・極端な値の有無をざっくり把握します。

年ごとの電力消費量

fig = px.box(all_data, x="year", y="realized_demand", title="年別の電力消費量（箱ひげ図）")
fig.update_xaxes(tickvals=list(range(2016, 2026)))
fig.show()

おおよそ 20〜60のレンジに電力消費量が収まっています
特に 2022 年は外れ値が多く、他の年に比べて極端に高い需要の時間が多いように見えます
2025 年は 1〜3 月のみのため、レンジが狭く見える点に注意が必要です

月ごとの電力消費量

fig = px.box(all_data, x="month", y ="realized_demand", title="月別の電力消費量（箱ひげ図）")
fig.update_xaxes(tickvals=list(range(1, 13)))
fig.show()

月ごとに見ると、最大値は夏と冬に高く、春〜秋にかけて下がっています
一方で、最低値はどの月もそれほど変わらないのが興味深いです
- 「最低限のベース需要」はそれほど季節で変わらず、冷暖房などによるピーク側の上振れが季節によって変動していると解釈できます
外れ値レベルの高需要は 6 月に多いです
→ 梅雨時の蒸し暑さなどで冷房需要が急に高まる日が多いのかもしれないです

月ごとの気温（箱ひげ図）

fig = px.box(all_data, x="month", y ="temperature", title="月別の気温（箱ひげ図）")
fig.update_xaxes(tickvals=list(range(1, 13)))
fig.show()

気温は教科書的な冬低く・夏高いパターンで描いています。

年別推移（折れ線グラフ）

さて、ここからは時系列としての流れも見ていきたいので月別の平均を取っていきます。

月別平均の作成

monthly_avg = (
    all_data.groupby(["year", "month"])[["realized_demand", "temperature", "humidity", "wind_speed", "sunshine_observed", "solar_radiation"]].mean().reset_index()
)

可視化関数

def plot_monthlyavg(object):
    fig = px.line(
        monthly_avg,
        x="month",
        y=object,
        color="year",
        title=f"月別時系列推移: {object}",
    )
    # x軸を時間として設定
    fig.update_xaxes(tickvals=list(range(1, 13)))
    fig.show()
plot_monthlyavg("realized_demand")
plot_monthlyavg("temperature")
plot_monthlyavg("humidity")
plot_monthlyavg("wind_speed")
plot_monthlyavg("sunshine_observed")
plot_monthlyavg("solar_radiation")

電力消費量

電力消費量は夏と冬に山があり、春と秋は谷になる典型的な二峰性が見られます
春と秋を比べると、春のほうが全体的に需要が低いです
→ 暖房も冷房も弱くなり、「一年でいちばん電気を使わない季節」という印象

気温

夏に向かって滑らかに上昇し、ピーク後に下がっています
年ごとの差はそこまで大きくないようです

湿度

気温と同様に夏へ向けて上昇するが、年ごとの差（ジグザグ）がやや大きいです
梅雨〜台風シーズンの影響が年ごとに違う印象を受けます

風速

春〜夏にかけて風速が高く、秋〜冬はやや落ち着いています
春一番や台風などの影響が反映されていそうな形です

日照時間

日照時間は夏前後で高く、秋で一段落ちています
今年の7月など、特定の年だけ日照時間が極端に短い月もあり、冷夏などの影響が見えやすいです（冷夏だったっけ）

全天日射

全天日射とは、全天日射は地表面が受け取るすべての太陽光を指しています（参考：日射・赤外放射についてよくある質問）。つまり、太陽光の強さになります
春〜夏にかけて高く、冬にかけて下がっています
こちらはのちのち「太陽光の強さ」として、太陽光発電の上限を決める重要な指標になります

月別推移（折れ線グラフ）

ここからは、一日の中の時間帯パターンと曜日パターンに着目します。

曜日×時間の平均電力消費量

week_mapping = {0: "Mon", 1: "Tue", 2: "Wed", 3: "Thu", 4: "Fri", 5: "Sat", 6: "Sun"}
all_data["week_str"] = all_data["week"].map(week_mapping)

weekly_avg = all_data.groupby(["week_str", "hour"])["realized_demand"].mean().reset_index()

可視化関数

def plot_hourly(df, object_x, object_y, color):
    fig = px.line(
        df,
        x=object_x,
        y=object_y,
        color=color,
    )
    fig.update_xaxes(tickvals=list(range(1, 25)))
    fig.show()

曜日別の時間帯推移

plot_hourly(weekly_avg, "hour", "realized_demand", "week_jp")

平日（月〜金）はほぼ同じ形状をしています
→ 朝に上がり、日中も高止まりし、夜にかけてなだらかに下がっています
土日（Sat, Sun）は明らかに水準が低いです
→ 工場・オフィスなどの産業需要が落ちるため、平日 vs 休日でパターンがはっきり分かれています

振替休日フラグの導入

祝日の振替休日が平日に来るパターンも補足したいので、フラグを作成します。

# 平日かつ祝日である日に7というフラグを立てる
all_data.loc[(all_data["week"] < 5) & (all_data["is_holiday"] > 0), "week"] = 7
week_mapping = {0: "Mon", 1: "Tue", 2: "Wed", 3: "Thu", 4: "Fri", 5: "Sat", 6: "Sun", 7: "sub_holi"}
all_data["week_jp"] = all_data["week"].map(week_mapping)
weekly_avg = all_data.groupby(["week_jp", "hour"])["realized_demand"].mean().reset_index()

「振替休日（sub_holi）」は土日とほぼ同じ形状をしています
ただし完全に重なるわけではなく、若干土曜寄りの水準です
→ 一部の業種では稼働していることが反映されていると考えられます

月 × 時間の平均電力消費量

hourly_avg = all_data.groupby(["month", "hour"])["realized_demand"].mean().reset_index()
plot_hourly(hourly_avg, "hour", "realized_demand", "month")

月によって、日中に山型になる月と、逆にへこむ月があります
「夏は日中に山」「冬は昼間に一度落ちて朝晩に山」がありそうだ、という仮説が立ちます

以下にその傾向を分かりやすくしてみました。

季節分類による整理

# 季節で色分けのルールを設定
def categorize_season(month):
    if month in [12, 1, 2]:  # 冬
        return 'winter'
    elif month in [6, 7, 8, 9]:  # 夏
        return 'summer'
    else:  # 春秋
        return 'spring and autumn'

hourly_avg["season"] = hourly_avg["month"].apply(categorize_season)
season_hour_avg = hourly_avg.groupby(['season', 'hour'])['realized_demand'].mean().reset_index()

plot_hourly(season_hour_avg, "hour", "realized_demand", "season")

※9月も暑いよねということで夏も9月に入れました

夏（summer）：日中に大きな山 → 冷房需要が支配的です
冬（winter）：朝と夜に山、日中に谷 → 通勤前後の暖房、帰宅後の家庭需要が強いです
春秋：全体的に水準が低く、ピークも穏やかです

散布図

いろいろ見てきましたが、、電力消費量と各気象要素の関係、および特徴量同士の関係を散布図で見てみましょう。

# 季節で色分けのルールを設定
def categorize_season(month):
    if month in [12, 1, 2]:  # 冬
        return 'winter'
    elif month in [6, 7, 8, 9]:  # 夏
        return 'summer'
    elif month in [3, 4, 5]:
        return 'spring'
    else:
        return 'autumn'

season_colors = {
    "spring": "yellow",
    "summer": "red",
    "autumn": "blue",
    "winter": "purple"
}

monthly_avg["season"] = monthly_avg["month"].apply(categorize_season)

def plot_scatter(object_1, object_2):
    fig = px.scatter(
        monthly_avg,
        x=object_1,
        y=object_2,
        color="season",
        color_discrete_map=season_colors,
        title=f"散布図: {object_1} and {object_2}",
    )
    # グラフを正方形に設定
    fig.update_layout(
        width=600,  # 正方形の幅
        height=600,  # 正方形の高さ
    )
    fig.show()
plot_scatter("realized_demand", "temperature")
plot_scatter("realized_demand", "humidity")
plot_scatter("temperature", "humidity")
plot_scatter("realized_demand", "wind_speed")
plot_scatter("realized_demand", "sunshine_observed")
plot_scatter("realized_demand", "solar_radiation")

電力消費量 × 気温

気温が低すぎる時・高すぎる時の両方で消費量が高くなる U 字型の関係が見えます
相関係数（線形の結びつき）を計算すると小さく見えてしまう点に注意が必要です

correlation = all_data[["temperature", "realized_demand"]].corr()
print(f"気温と電力消費量の相関係数:\n{correlation}")

気温と電力消費量の相関係数:
                 temperature  realized_demand
temperature         1.000000         0.091843
realized_demand     0.091843         1.000000