Demand Response（DR）を実施した時の変動量を定量化するには、DRを実施しなかった場合の電力需要予測が不可欠です。この予測には一般的にHigh 4 of 5などの平均化法が用いられますが、線形回帰、自己回帰・自己回帰移動平均モデル、リカレントニューラルネットワーク（Recurrent Neural Network; RNN）やLSTM（Long Short-Term Memory）といった人工ニューラルネットワークなど、時系列分析を用いた手法を適用することで、空間的・時間的に偏在する変動可能量を最適に活用する電力需要予測を研究しています。

また、各種センサーを用いて取得した電力データなどを解析し、予測モデルの構築と評価を行います。

Quantifying the flexibility for Demand Response (DR) requires accurate forecasting of electricity demand in the absence of DR implementation. While traditional averaging methods like High 4 of 5 are commonly used, our research applies advanced time-series analysis techniques, including linear regression, autoregressive and autoregressive moving average models, as well as artificial neural networks such as Recurrent Neural Networks (RNN) and Long Short-Term Memory (LSTM). These methods aim to optimize the utilization of spatially and temporally distributed flexibility.

Using various sensors to collect electricity data, we perform analysis, build predictive models, and evaluate their performance. This research provides an opportunity to develop comprehensive skills in electricity demand forecasting and model evaluation.