JP2004019583A

JP2004019583A - Method, device and system for estimating power generation output in wind power generation

Info

Publication number: JP2004019583A
Application number: JP2002177254A
Authority: JP
Inventors: Shigeaki Enomoto; 榎本　重朗; Hisashi Fukuda; 福田　寿; Ryoichi Tanigawa; 谷川　亮一
Original assignee: Tohoku Electric Power Co Inc; CRC Solutions Corp
Current assignee: Tohoku Electric Power Co Inc; CRC Solutions Corp
Priority date: 2002-06-18
Filing date: 2002-06-18
Publication date: 2004-01-22
Anticipated expiration: 2022-06-18
Also published as: JP3950928B2

Abstract

<P>PROBLEM TO BE SOLVED: To reduce estimation errors of power generation output estimation data of a wind power generation facility. <P>SOLUTION: Sequential statistical analysis 5 is performed on wind condition (wind velocity, wind direction, etc.) estimation data 1 based on wind condition estimation data 2 and measured wind condition data 3 in the past, and estimation correction 6 is performed for each estimation to obtain wind condition estimation corrected data 7. Next, power generation output estimation data 10 is calculated from wind condition estimation correction data 7, based on the relationship 9 between the wind condition and the power generation output obtained from the statistical analysis 8 of measured wind condition data 3 and measured power generation output data 4. <P>COPYRIGHT: (C)2004,JPO

Description

【０００１】
【発明の属する技術分野】
本発明は、風力発電における発電出力予測システムに関し、特に予測値と観測値との誤差を低減する発電出力予測システムに関する。
【０００２】
【従来の技術】
風力発電機からの出力は風速の変化に応じて変動・間欠するため、風力発電機が大規模に連系された電力系統の周波数を適当な値に維持するには、風力発電機の出力変動を補うように火力発電機や水力発電機の出力を増減させる制御を行う必要がある。
この出力制御は、電力需要の大きさや変動の予測結果と合わせ、電力需給計画として毎日スケジューリングされる。したがって、正確で効率的な電力需給計画をたてるために、数１０時間先までの風力発電機の出力を、精度良く日々予測することが必要である。
【０００３】
現在気象庁は、毎日９時、２１時を初期値として５１時間先までの数値予報を行い、その数値予報データであるＧＰＶ（Ｇｒｉｄ　Ｐｏｉｎｔ　Ｖａｌｕｅ）データを各気象会社に気象業務支援センターを通じて配信している。従来、このＧＰＶデータを入力データとして、風力発電施設における風速を予測し、予測された風速データから風力発電出力を予測する風力発電出力の予測方法が知られている（特許第３２２６０３１号公報参照）。ここで、風力発電施設とは、１つ又は複数の風力発電機からなる集合をいう。
【０００４】
図９〜図１２を参照して、従来の風力発電施設における発電出力の予測方法を説明する。
図９は、従来の風力発電施設における発電出力の予測フローである。図１０は、気流場の計算領域である広領域の例を示し、図１１は、気流場の計算領域である狭領域の例を示す。図１２は、発電出力の予測に用いられる風速と発電出力の関係を示す発電特性曲線である。
【０００５】
まず、風力発電施設を含む領域について数値予報データを段階的に計算するために、計算領域となる広領域及び狭領域を指定する。
広領域としては、図１０に示すように、気象庁ＧＰＶ領域（数１０００Ｋｍ程度の領域でメッシュ間隔は２０ｋｍ）から、風力発電施設を含む数１００ｋｍ程度の領域でメッシュ間隔は数ｋｍの領域を選択する。図１０には、広領域の例として、広領域（その１）、（その２）を示す。
【０００６】
図１１に、広領域（その１）内の風力発電施設を含む狭領域（その１）〜（その３）を示す。狭領域は、数ｋｍ〜数１０ｋｍ程度の範囲で、メッシュ間隔は数１０ｍ〜数１００ｍである。○印が風力発電機を示す。
【０００７】
以下、図９のフローに基づいて説明する。
ステップＳ０は、狭領域数値予報データを計算するステップである。
このような計算範囲である広領域及び狭領域を設定した後、まず、ステップＳ０１で、広領域（数１００ｋｍ程度の領域でメッシュ間隔は数ｋｍ）について、気象庁ＧＰＶデータ（２０ｋｍメッシュごとの気温、地上気圧、指定気圧面高度、湿度、風向・風速）と標高・土地利用データとを初期入力値として、気流場の予測計算（広領域）行い、例えば１０分間隔の時間ステップ毎に広領域数値予報データ（気温、気圧、風向・風速、湿度、降水量）を得て保存しておく。
【０００８】
次に、ステップＳ０２で、風力発電施設がある領域を含む狭領域の範囲で、広領域数値予報データと標高・土地データを初期入力として気流場の予測計算（狭領域）を行う。このようにして、例えば１０分間隔の時間ステップで、狭領域数値予報データ（気温、気圧、風向・風速、湿度、降水量）得て保存しておく。
【０００９】
ここで、上記気流場の予測計算の概要を説明する。
個々の予測領域に対して、初期値と境界値とが必要になるが、広領域では、気象庁ＧＰＶデータを内挿することによりメッシュ間隔数ｋｍの格子点の初期値、境界値を得ることができる。狭領域の数１０ｍ〜数１００ｍメッシュでは、広領域の出力結果を基にして同様に初期値境界値が求められる。
【００１０】
気流場の計算は公知のもので、数値シミュレーションシステム（例えば（株）ＣＲＣソリューションズによるＬＯＣＡＬＳ（登録商標））を用いて、数値計算により各メッシュ領域内の風向及び風速を計算する。
ＬＯＣＡＬＳ（登録商標）は、力学的原理に基づく数値シミュレーション法によるものである。この手法における基本式は以下の４つである。
【００１１】
１）運動方程式：風が、圧力、地形、熱的影響および境界条件等の影響を受け、変化する様子を記述する式。
２）質量保存の式：計算領域内での質量変化は、側面や上部の境界と下部の境界における空気の出入りによってのみ起こることを記述する式。
３）熱力学の式：気塊に及ぼす熱的影響を記述する式。
４）乱流のモデル化：離散化された数値モデルでは解像できない細かな乱れの影響を評価するモデル。
【００１２】
なお、広領域及び狭領域の計算に際して風力発電施設が１つの計算領域に入らない場合は、別途広領域ないし狭領域を設定して計算する。
狭領域数値予報データが得られると、このデータから風力発電機が存在するメッシュの風速データを各風力発電機に対するデータとして抽出して、風力発電機ごとの風速予測データＷＳ_０を得る。例えば、図１１における狭領域（その２）におけるメッシュＭ１の風力発電機Ｗ１に対しては、メッシュＭ１での数値計算で求められた風速データを風力発電機Ｗ１に対する風速データとする。
【００１３】
ステップＳ９０では、各風力発電機毎に抽出した風速予測データＷＳ_０と風力発電機の発電特性曲線から風速値に対応する発電出力予測データＰＷ_０を算出する。発電特性曲線とは各風力発電機特有の発電特性を示すもので、図１２に示すように例えば風速が７．８ｍ／ｓのとき発電出力は８６７ｋＷと算出する。
【００１４】
このようにして、各風力発電機について、時間終了までの時間ステップごと（例えば１０分間間隔）に発電出力を算出予測する。
その後、風力発電機毎の発電出力の予測データを風力発電施設毎に積算し、時間ステップごとの風力発電施設の総発電出力とする。
さらに日本国内に存在するすべての風力発電施設の各時間ステップ毎の総発電出力を算出すると、全国での風力発電出力の予測が行われることになる。
【００１５】
【発明が解決しようとする課題】
しかしながら、従来の発電出力予測方法は、主に風力発電位置の選定又は特定地点の発電施設の附存量を求めることを目的としており、正確で効率的な電力需給計画をたてるために、対象とする地域（日本全体であってもよい。）のすべての風力発電施設に対して、毎日発電出力の予測を行うことを目的とするものではなかった。
また、上記風力発電出力の予測方法を用いても、風力発電出力の予測データと実測データとの誤差が大きく出ることがあった。風力発電出力の予測精度を向上するために、メッシュ間隔を小さくして風力発電機が設置された付近の気流場の数値シミュレーションを行うことも考えられるが、これには大規模な計算機が必要であり、膨大な費用がかかる。
【００１６】
本発明は、上記の問題点に鑑み、大規模な計算機を必要とせず、誤差の少ない風力発電出力予測値を得ることができ、正確で効率的な電力需給計画をたてることができる発電出力予測方法及びシステムを提供することを目的とする。
【００１７】
【課題を解決するための手段】
従来の発電出力予測手法では、気象データとして、気象庁のＧＰＶデータのみを入力しているが、本発明者は、過去の予測データと実測データとを統計解析し、この解析結果を新たに予測する予測データに反映させることで、さらに発電出力の予測精度が向上することを見出した。
【００１８】
すなわち、本発明は、発電出力を予測する前提となる風況予測データについて、予測する毎に過去の風況予測データと過去の風況実測データを逐次統計解析して、風況予測修正データを得るものである。
また、風況予測データないし風況予測修正データから発電出力を予測する際に、風況実測データと発電出力実測データとの統計解析により求められた風速と発電出力との関係式に基づいて、風況予測データないし風況予測修正データに応じて発電出力を予測するものである。
【００１９】
また、本発明によれば、風況実測データが得られない場合などには、風況予測データに基づき発電出力を予測する際に、過去の風況予測データと過去の発電出力実測データを逐次統計解析して、発電出力予測データを得ることもできる。
【００２０】
また、本発明によれば、風力発電施設の総発電出力実測データしか得られない場合などには、風力発電施設内にある風力発電機毎の風況予測データを風力発電施設毎に平均して風力発電施設毎の風況予測データを得て、風力発電施設毎の風況予測データに基づいて発電出力を予測する毎に、風力発電施設毎の過去の風況予測データと過去の総発電出力実測データを逐次統計解析して、発電出力の予測データを得ることもできる。
【００２１】
また、本発明によれば、風況予測データから発電出力を予測する予測計算装置を備えた風力発電における発電出力予測システムであって、風況実測データを収集するデータ収集装置を備え、予測計算装置は、予測する毎に過去の風況予測データと過去の風況実測データを逐次統計解析して風況予測修正データを得て、風況予測修正データから発電出力を予測する風力発電における発電出力予測システムを提供することができる。
また、データ収集装置は、風況実測データとともに発電出力実測データを収集し、予測計算装置は、前述と同様にして得られる風況予測修正データから、風況実測データと発電出力実測データとの統計解析により求められた風速と発電出力との関係式に基づいて、発電出力を予測する発電出力予測システムを提供できる。
また、データ収集装置は、発電出力実測データを収集し、予測計算装置は、風況予測データに基づき発電出力を予測する毎に、過去の風況予測データと過去の発電出力実測データを逐次統計解析して、風況予測データから発電出力を予測する発電予測システムを提供することもできる。
【００２２】
【発明の実施の形態】
図１及び図２に、本発明の発電出力予測システムにおける発電出力予測方法の概要を示す。
すなわち、図１に記載の本発明による発電出力予測方法（その１）の概要は、風況（風速、風向等）予測データ１について、過去の風況予測データ２と風況実測データ３について逐次統計解析５を行い、予測のたびに予測修正６を行って風況予測修正データ７を得る。次いで、風況実測データ３と発電出力実測データ４とを統計解析８して得られた風況と発電出力の関係式９に基づいて、風況の予測修正データ７から発電出力予測データ１０を算出するものである。
なお、風況予測データ１は、風速または風速及び風向等のデータであり、予測された後は過去の予測データ２として蓄積される。
【００２３】
また、図２に記載の本発明の発電出力予測方法（その２）の概要は、風況の実測データが得られない場合等に関し、風況予測データ１から発電出力を予測する毎に、過去の風況予測データ２と過去の発電出力実測データ４とを統計解析５’し、誤差が少なくなるように逐次予測された発電出力予測データ１０’を得るものである。
【００２４】
図３に、本発明の発電出力予測システム全体の概観図を示す。
本発明の発電出力予測システムは、予測計算装置３１と風力発電施設データ収集装置３２を備える。
予測計算装置３１は、気象庁の気象業務支援センターから気象予測の数値データを入手し、データ受信サーバを通してファイルサーバ（Ａ）に保管し、計算機で所望のデータに加工することができ、たとえば全国各地の天気予報が可能である。
【００２５】
風力発電施設データ収集装置３２は、各地の風力発電施設３３の通信サーバ（Ｄ）と通信可能なファイル・通信サーバ（Ｂ）を備え、風力発電施設３３の風況及び発電出力等の観測データを時々刻々収集し、蓄積できるものである。この観測データは、予測計算装置３１の通信サーバ（Ｃ）を介してファイルサーバ（Ａ）に送られる。
【００２６】
予測計算装置３１は、気象業務支援センター３４から気象予測の数値データをもとに各地の風力発電施設３３の風況及び発電出力を予測するとともに、予測のたびに蓄積された予測データと過去の実測データをもとに、予測誤差の修正を行って予測誤差が低減された発電出力の予測を行うことができる。そして、誤差の少ない発電出力の予測により正確で効率的な電力需給計画３５を出すことができる。
また、データ収集は風力発電施設のパソコンからインターネット等を介することによって行うことができ、特別なネットワークを構築する必要はない。
【００２７】
風力発電施設の実測データの入手については、
（１）各風力発電機について風速・風向及び発電出力の実測データが入手できる場合
（２）各風力発電機について発電出力の実測データが入手できる場合
（３）風力発電施設における総発電出力の実測データが入手できる場合
の３つのパターンがある。
以下、図４〜図８を参照して、上記３パターンに対応する本発明の実施例を説明する。
【００２８】
（第１の実施例：各風力発電機について風速・風向及び発電出力の実測データが入手できる場合）
図４は、本発明の第１の実施例の予測システムのフローである。
ステップＳ０は、狭領域予報データを算出するステップで、これは従来のシステムと同様である。
【００２９】
次のステップでは、風力発電機ごとの風速予測データＷＳ_０と風向予測データＷＤ_０を抽出する。また、これらの予測データを順次記憶装置に格納しておく。
一方で、各風力発電施設内の各風力発電機の実測データ（風向ＷＤ_ｏｂｓ、風速ＷＳ_ｏｂｓ、発電出力ＰＷ_ｏｂｓ）を逐次オンラインにて取得し、記憶装置に格納しておく。
【００３０】
ステップＳ４１では、風力発電機毎に、風向・風速についての過去の実測データＷＤ_ｐ・ＷＳ_ｐと過去の予測データＷＤ_ｏｂｓ・ＷＳ_ｏｂｓの統計解析を行い、予測データ（風向ＷＤ_０・風速ＷＳ_０）の誤差の修正を行う予測修正式を更新する。この手法としては例えばカルマンフィルタを使用すればよい。カルマンフィルタとは、線形予測式の係数を、予測誤差に基づき逐次最適化するアルゴリズムである。
【００３１】
図５に、一つの風力発電機にカルマンフィルタを適用した場合の予測修正の概念図を示す。カルマンフィルタの更新は１日２回９時及び２１時に行う。図中現在とは毎日の予測時間をさし、例えば９時を示す。このとき予測データは、９時から５１時間先まで時間ステップ（例えば１０分）毎に存在する。
一方で、風速及び風向について、これまで予測を行ってきた過去の予測データ（●印）と実測データ（○印）が記憶装置に格納されている。
【００３２】
過去の実測及び予測の風速（ＷＳ）・風向（ＷＤ）のベクトルデータを、図６に示すように、東西（Ｕ）成分と南北（Ｖ）成分の風速へ変換を行う。このデータは、現在から一定期間（例えば３ヶ月）さかのぼり作成される。
【００３３】
次に、過去の予測データと実測データとの誤差を、東西（Ｕ）成分と南北（Ｖ）成分毎に重回帰式を作成し、その係数を求める。
重回帰式の一例を次に示す。
東西成分の回帰式
Ｙ_Ｅ−Ｗ＝−０．７３Ｘ_１−０．１６Ｘ_２＋０．４３
南北成分の回帰式
Ｙ_Ｎ−Ｓ＝−０．２２Ｘ_１−０．５４Ｘ_２＋１．３３
ここで、
Ｙ_Ｅ−Ｗ：予測データと実測データの東西成分の誤差
Ｙ_Ｎ−Ｓ：予測データと実測データの南北成分の誤差
Ｘ_１：予測データの東西成分
Ｘ_２：予測データの南北成分
である。
【００３４】
ステップＳ４２では、このようにして得られた予測修正式に基づいて、予測データに対する東西成分及び南北成分の誤差が算出され、これを現時点での予測データ（図５◎印）に対して加算して修正を行い、予測修正データ（図５☆印）を算出する。これを毎回予測を行う際に実施し、予測誤差の関係式を常に更新して予測を行う。このようにして、風速・風向の予測データＷＳ_０・ＷＤ_０から予測修正データＷＳ_１・ＷＤ_１を得る。
【００３５】
次に、風力発電機毎の風速及び風向の予測修正データＷＳ_１・ＷＤ_１に基づいて発電出力を予測する方法を説明する。従来は、風力発電機毎の発電特性曲線により発電出力に変換していた。しかしながら、風力発電機に対して、同じ風速で吹いたとしても、風向、季節（ないし月）によりその発電出力は変化する。したがって、風速から発電出力を算出する際には、より誤差を低減するために、風速毎風向毎季節（月）毎に発電出力算出式を変更するようにした。
【００３６】
すなわち、ステップ４３で、風力発電機毎に、現在からある一定期間（例えば１年間）の過去の実測データの風向、風速、発電出力データ（ＷＤ_ｏｂｓ，ＷＳ_ｏｂｓ，ＰＷ_ｏｂｓ）から、風向毎、季節毎ないし月毎、風速毎に発電出力と風速との回帰分析を行い、それぞれの条件毎に最適な回帰曲線を作成する。
【００３７】
例えば、風速４ｍ／ｓ以上１４ｍ／ｓ未満、北風（風向−４５度から４５度）の場合は、次のように、発電出力が風速の５次式で計算される。
Ｙ＝０．００８８Ｘ^５−０．３６７９Ｘ^４＋５．４６２１Ｘ^３＋３３．９３５Ｘ^２＋９８．８１２Ｘ＋１０７．０１
ここで、Ｙ：発電出力
Ｘ：風速
【００３８】
ステップ４４では、日時及び風況予測修正データに基づいて適切な回帰曲線を選択して、風速の予測修正データから風力発電機毎の発電出力を算出して予測を行う。なお、この回帰曲線は、たとえば１年毎に更新される。
【００３９】
その後、風力発電機毎の発電出力の予測データを風力発電施設毎に積算し、風力発電施設の総発電出力とし、逐次保存してゆく。さらに日本国内に存在するすべての風力発電施設に亙ってこれを行えば、全国での総発電出力の予測となる。これらは、従来例と同様である。
【００４０】
以上のとおり、本例によれば、過去の風速と風向の予測データとこれに対応する過去の実測値との差を逐次統計解析することにより、新たな予測をするたびに誤差の修正を行うから、従来の予測データより誤差のない予測が可能であり、また、風速に対して発電出力を求めるに際して、発電特性曲線を用いることなく、過去の実測データに基づく回帰曲線を選択して求めることで、予測精度を向上させることができた。
【００４１】
（第２の実施例：各風力発電機について発電出力の実測データが入手できる場合）
本例は、第１の実施例とは異なり、風力発電機ごとの風速と風向の予測データと風力発電機ごとの発電出力の実測データとの間で逐次統計解析を行い、発電出力の予測を行うものである。本例は、風力発電機毎の風速と風向の実測データが入手できないが、風力発電機毎の発電出力の実測データが入手できる場合に好適な実施例である。もちろん、風速・風向の実測データが入手できる場合に採用できないというものではない。
【００４２】
図７に、第２の実施例のフローを示す。
ステップＳ０で、狭領域予測データを得て、次に風力発電機ごとの風速予測データＷＳ_０及び風向予測データＷＤ_０を抽出し、また、この予測データを順次記憶装置に格納して過去の予測データ（風速ＷＳ_ｐ，風向ＷＤ_ｐ）として格納蓄積する点は、第１の実施例と同様である。
一方で、各風力発電施設内の各風力発電機の発電出力の実測データＰＷ_ｏｂｓを逐次オンラインで取得し、順次記憶装置に格納しておく。
【００４３】
次に、ステップＳ７１で、風力発電機毎に過去の発電出力の実測データＰＷ_ｏｂ _ｓと過去の風向・風速に関する予測データＷＤ_ｐ，ＷＳ_ｐの統計解析を行い、予測式を更新作成する。統計解析の手法としては、第１の実施例と同様にカルマンフィルタを用いる。
【００４４】
すなわち、過去の風速・風向の予測データＷＳ_ｐ及びＷＤ_ｐを東西、南北成分にわけ、過去の発電出力ＰＷ_ｏｂｓとの重回帰式を作成し、係数を算出する。
例えば、
Ｙ_ｐｗｒ＝２５Ｘ_１＋２５Ｘ_２＋０．４３
ここで、Ｙ_ｐｗｒ：発電出力
Ｘ_１：予測データの東西成分
Ｘ_２：予測データの南北成分
【００４５】
ステップ７２では、この更新された予測式を用いて風力発電機毎の発電出力を計算予測する。このように、新たに発電出力を予測する際に、予測式を常に更新して予測を行う。
【００４６】
本例の場合も、発電特性曲線を用いることなく、常に誤差を修正して更新される予測式で予測することができるので、従来のものより予測精度を上げることができる。
【００４７】
（第３の実施例：風力発電施設における総発電出力の実測データが入手できる場合）
本例は、風力発電施設における総発電出力が入手できる場合に実施できるものであって、特に個々の風力発電機に対しては風況データとともに発電出力の実測データもとれないが、風力発電施設における総発電出力は入手できる場合に実施して好適な例である。
【００４８】
図８に、本例のフローチャートを示す。
本例も、狭領域予測データを得て、風力発電機毎に風速予測データＷＳ_０及び風向予測データＷＤ_０を抽出するまでは、第１及び第２の実施例と共通する。
【００４９】
第２の実施例では、この風力発電機毎の風速・風向の予測データと発電出力との関係にカルマンフィルタを適用したものであるが、本例では、ステップ８０において、風力発電施設内の風力発電機毎の風速及び風向の予測データＷＳ_０及びＷＤ_０から、風力発電施設内での平均風速予測データＷＳ_ｓ、平均風向予測データＷＤ_ｓを得て、これを風力発電施設ごとの風速風向の予測データＷＳ_ｓ，ＷＤ_ｓとする。
【００５０】
ステップＳ８１では、風力発電施設の過去の予測データ（風速ＷＳ_ｓｐ、風向ＷＤ_ｓｐ）と風力発電施設の総発電出力の実測データとの間で重回帰式を導き、カルマンフィルタを適用して予測式を更新する。すなわち、風力発電施設全体の発電出力を予測する毎にその係数を修正していくものである。
【００５１】
そして、ステップ８２において、更新された予測式を用いて、風力発電施設の予測データ（風速ＷＳ_ｓ、風向ＷＤ_ｓ）から風力発電施設の予測データＰＷ_ｓを計算して予測する。
【００５２】
このように、本例においても、過去の予測データと実測データとの統計解析を行って、逐次誤差を修正してゆくものであって、風力発電施設の総発電出力の実測値が入手できれば、より誤差の少ない予測を可能にする。
なお、上記実施例においては、風況データとして風速・風向データを用いているが、風況データとして風速データのみを用いても、本発明を実施することができるのはいうまでもない。
【００５３】
【発明の効果】
以上説明したように、本発明によれば過去の観測値とその時点での予測値の差を統計処理することによって、未来の予測値の誤差を低減することができる。また、風力発電の出力値についてより誤差の少ない予測が可能であるから、正確で効率的な電力需給計画を作成することができる。さらに、大規模な計算機によるネットワークを組むことなく、簡易な通信サーバによる情報の提供を行うことができる。
【図面の簡単な説明】
【図１】本発明による発電出力予測方法（その１）の概要を示す図である。
【図２】本発明による発電出力予測方法（その２）の概要を示す図である。
【図３】本発明による発電出力予測システムの概観図である。
【図４】各風力発電機について風速・風向及び発電出力の実測データが入手できる場合の予測フローを示す図である。
【図５】カルマンフィルタによる予測誤差の修正を示す図である。
【図６】風速・風向データの東西成分・南北成分への変換を示す図である。
【図７】各風力発電機について発電出力の実測データが入手できる場合の予測フローを示す図である。
【図８】風力発電施設における総発電出力の実測データが入手できる場合の予測フローを示す図である。
【図９】従来の風力発電出力の予測フローを示す図である。
【図１０】気流場の広領域の例を示す図である。
【図１１】気流場の狭領域の例を示す図である。
【図１２】従来の風力発電出力の予測に用いられる発電出力特性曲線を示す図である。
【符号の説明】
Ｓ０…狭領域予報データを計算するステップ
Ｓ４１…風速・風向について予測データと実測データを統計解析するステップ
Ｓ４２…風速・風向について予測データの修正するステップ
Ｓ４３…風速・風向及び発電出力の実測データを統計解析するステップ
Ｓ４４…風速・風向について予測修正データから発電出力を予測するステップ[0001]
TECHNICAL FIELD OF THE INVENTION
The present invention relates to a power generation output prediction system in wind power generation, and more particularly to a power generation output prediction system that reduces an error between a predicted value and an observed value.
[0002]
[Prior art]
Since the output from the wind power generator fluctuates and intermittently changes in accordance with the change in wind speed, the output fluctuation of the wind power generator must be maintained in order to maintain the frequency of the large-scale interconnected power system at an appropriate value. It is necessary to perform control to increase or decrease the output of the thermal power generator or the hydraulic power generator so as to compensate for this.
This output control is scheduled daily as a power supply and demand plan, together with the predicted results of the magnitude and fluctuation of the power demand. Therefore, in order to make an accurate and efficient power supply and demand plan, it is necessary to accurately predict the output of the wind generator up to several tens hours ahead on a daily basis.
[0003]
At present, the Japan Meteorological Agency conducts numerical forecasts for up to 51 hours ahead, starting at 9:00 and 21:00 every day, and distributes the numerical forecast data GPV (Grid Point Value) data to each weather company through the Meteorological Service Support Center. I have. Conventionally, there has been known a wind power generation output prediction method of predicting a wind speed in a wind power generation facility using the GPV data as input data and predicting a wind power generation output from the predicted wind speed data (see Japanese Patent No. 3226031). . Here, the wind power generation facility refers to a set including one or more wind power generators.
[0004]
With reference to FIGS. 9 to 12, a description will be given of a conventional power generation output prediction method in a wind power generation facility.
FIG. 9 shows a flow of predicting a power generation output in a conventional wind power generation facility. FIG. 10 shows an example of a wide area which is an airflow field calculation area, and FIG. 11 shows an example of a narrow area which is an airflow field calculation area. FIG. 12 is a power generation characteristic curve showing the relationship between the wind speed and the power generation output used for predicting the power generation output.
[0005]
First, a wide area and a narrow area are designated as calculation areas in order to calculate numerical forecast data stepwise for an area including a wind power generation facility.
As the wide area, as shown in FIG. 10, from the Meteorological Agency GPV area (an area of about several thousand km and a mesh interval of 20 km), an area of several hundred km including a wind power generation facility and an area of several km is selected. . FIG. 10 shows wide areas (No. 1) and (No. 2) as examples of the wide area.
[0006]
FIG. 11 shows narrow areas (No. 1) to (No. 3) including a wind power generation facility in a wide area (No. 1). The narrow region ranges from several km to several tens km, and the mesh interval is several tens to several hundred meters. A circle indicates a wind power generator.
[0007]
Hereinafter, description will be given based on the flow of FIG.
Step S0 is a step of calculating narrow-area numerical forecast data.
After setting such a wide area and a narrow area, which are the calculation ranges, first, in step S01, the Meteorological Agency GPV data (the temperature of each 20 km mesh, Using the ground pressure, designated pressure level, humidity, wind direction / wind speed) and altitude / land use data as initial input values, the airflow field is predicted and calculated (wide area). Obtain and save forecast data (temperature, pressure, wind direction / speed, humidity, precipitation).
[0008]
Next, in step S02, the prediction calculation (narrow area) of the airflow field is performed using the wide area numerical forecast data and the altitude / land data as initial inputs in the narrow area including the area where the wind power generation facility is located. In this way, for example, at a time step of 10-minute intervals, narrow-area numerical forecast data (temperature, pressure, wind direction / speed, humidity, precipitation) is obtained and stored.
[0009]
Here, the outline of the prediction calculation of the airflow field will be described.
An initial value and a boundary value are required for each prediction region. In a wide region, the initial value and the boundary value of a grid point with a mesh interval of several km can be obtained by interpolating the Meteorological Agency GPV data. it can. In the case of a mesh of several tens of meters to several hundreds of meters in a narrow region, an initial value boundary value is similarly obtained based on an output result of a wide region.
[0010]
The calculation of the airflow field is known, and a numerical simulation system (for example, LOCALS (registered trademark) by CRC Solutions Co., Ltd.) is used to calculate the wind direction and the wind speed in each mesh region by numerical calculation.
LOCALS (registered trademark) is based on a numerical simulation method based on a mechanical principle. The following four basic equations are used in this method.
[0011]
1) Equation of motion: An equation that describes how the wind changes under the influence of pressure, topography, thermal influence, boundary conditions, and the like.
2) Mass conservation equation: An equation that describes that a mass change in the calculation domain only occurs due to the ingress and egress of air at the side and upper and lower boundaries.
3) Thermodynamic equation: An equation that describes the thermal effect on the air mass.
4) Modeling of turbulence: A model for evaluating the effects of fine turbulence that cannot be resolved by a discrete numerical model.
[0012]
If the wind power generation facility does not fall into one calculation area when calculating the wide area and the narrow area, the calculation is performed by separately setting a wide area or a narrow area.
When the narrow-area NWP data is obtained, the wind speed data of mesh wind power generator is present from the data extracted as data for each wind turbine to obtain a wind speed prediction data WS ₀ per wind turbine. For example, for the wind power generator W1 of the mesh M1 in the narrow area (No. 2) in FIG. 11, the wind speed data obtained by the numerical calculation on the mesh M1 is used as the wind speed data for the wind power generator W1.
[0013]
In step S90, it calculates the power output prediction data PW ₀ corresponding to the wind speed value from the power generation characteristic curve of the wind speed prediction data WS ₀ and wind power generator extracted for each wind turbine. The power generation characteristic curve indicates a power generation characteristic unique to each wind power generator. As shown in FIG. 12, for example, when the wind speed is 7.8 m / s, the power generation output is calculated to be 867 kW.
[0014]
In this way, for each wind power generator, the power generation output is calculated and predicted for each time step until the end of the time (for example, every 10 minutes).
After that, the prediction data of the power generation output for each wind power generator is integrated for each wind power generation facility, and the total power generation output of the wind power generation facility for each time step is obtained.
Further, when the total power generation output at each time step of all the wind power generation facilities existing in Japan is calculated, the wind power generation output nationwide is predicted.
[0015]
[Problems to be solved by the invention]
However, the conventional power generation output forecasting method mainly aims at selecting wind power generation locations or determining the amount of existing power generation facilities at specific points. It was not intended to predict the power generation output every day for all the wind power generation facilities in the area where the wind power generation was conducted (or the whole of Japan).
In addition, even when the method for predicting the wind power output is used, a large error may occur between the predicted data of the wind power output and the actually measured data. To improve the prediction accuracy of the wind power output, numerical simulation of the airflow field near the wind generator installed with a smaller mesh spacing can be considered, but this requires a large-scale computer. Yes, it is hugely expensive.
[0016]
In view of the above problems, the present invention does not require a large-scale computer, can obtain a predicted value of wind power output with less error, and can generate an accurate and efficient power supply and demand plan. It is an object to provide a prediction method and system.
[0017]
[Means for Solving the Problems]
In the conventional power generation output prediction method, only GPV data of the Japan Meteorological Agency is input as weather data. However, the present inventor statistically analyzes past prediction data and actual measurement data, and newly predicts the analysis result. We have found that the accuracy of power generation output prediction is further improved by reflecting it in the prediction data.
[0018]
That is, the present invention sequentially performs statistical analysis on the past wind condition prediction data and the past wind condition actual measurement data every time the wind condition prediction data on which the power generation output is predicted is predicted, and calculates the wind condition prediction correction data. What you get.
Further, when predicting the power generation output from the wind condition prediction data or the wind condition prediction correction data, based on a relational expression between the wind speed and the power generation output obtained by statistical analysis of the wind condition measurement data and the power generation output measurement data, The power generation output is predicted according to the wind condition prediction data or the wind condition prediction correction data.
[0019]
According to the present invention, when wind condition measurement data cannot be obtained, for example, when predicting the power generation output based on the wind condition prediction data, the past wind condition prediction data and the past power generation output measurement data are sequentially converted. Statistical analysis can be used to obtain power generation output prediction data.
[0020]
Further, according to the present invention, for example, when only the total power generation output measurement data of the wind power generation facility is obtained, the wind condition prediction data for each wind power generator in the wind power generation facility is averaged for each wind power generation facility. Each time the wind condition forecast data for each wind power facility is obtained and the power generation output is predicted based on the wind condition forecast data for each wind power facility, the past wind condition forecast data and the past total power output for each wind power facility are obtained. It is also possible to obtain statistical data of the power generation output by sequentially performing statistical analysis on the actually measured data.
[0021]
Further, according to the present invention, there is provided a power generation output prediction system for wind power generation including a prediction calculation device for predicting a power generation output from wind condition prediction data, comprising a data collection device for collecting wind condition measurement data, Each time the forecast is performed, the wind power forecasting data and the past measured wind data are statistically analyzed one after another to obtain wind forecast correction data, and the power generation in wind power generation is used to predict the power output from the wind forecast correction data. An output prediction system can be provided.
Further, the data collection device collects the power generation output measurement data together with the wind condition measurement data, and the prediction calculation device calculates the wind condition measurement data and the power generation output measurement data from the wind condition prediction correction data obtained in the same manner as described above. It is possible to provide a power generation output prediction system that predicts a power generation output based on a relational expression between the wind speed and the power generation output obtained by the statistical analysis.
In addition, the data collection device collects the measured power generation output data, and the prediction calculation device sequentially calculates the past wind condition prediction data and the past power generation output measurement data every time the power generation output is predicted based on the wind condition prediction data. It is also possible to provide a power generation prediction system that analyzes and predicts a power generation output from wind condition prediction data.
[0022]
BEST MODE FOR CARRYING OUT THE INVENTION
1 and 2 show an outline of a power generation output prediction method in the power generation output prediction system of the present invention.
That is, the outline of the power generation output prediction method (part 1) according to the present invention shown in FIG. 1 is as follows. For wind condition (wind speed, wind direction, etc.) prediction data 1, past wind condition prediction data 2 and wind condition measurement data 3 A statistical analysis 5 is performed, and a prediction correction 6 is performed for each prediction to obtain wind condition prediction correction data 7. Next, based on the relational expression 9 between the wind condition and the power generation output obtained by statistically analyzing the wind condition measurement data 3 and the power generation output measurement data 4, the power generation output prediction data 10 is calculated from the wind condition prediction correction data 7. It is to be calculated.
The wind condition prediction data 1 is data such as a wind speed or a wind speed and a wind direction, and is stored as past prediction data 2 after being predicted.
[0023]
The outline of the power generation output prediction method (part 2) of the present invention shown in FIG. 2 relates to a case where actual measurement data of wind conditions cannot be obtained, and the like. Of the wind condition prediction data 2 and the past power generation output measurement data 4 are statistically analyzed 5 'to obtain power generation output prediction data 10' sequentially predicted so as to reduce errors.
[0024]
FIG. 3 shows an overview of the entire power generation output prediction system of the present invention.
The power generation output prediction system of the present invention includes a prediction calculation device 31 and a wind power generation facility data collection device 32.
The prediction calculation device 31 obtains numerical data of weather forecast from the Meteorological Agency's Meteorological Service Support Center, stores it in a file server (A) through a data receiving server, and can process it into desired data by a computer. Weather forecast is possible.
[0025]
The wind power generation facility data collection device 32 includes a file / communication server (B) capable of communicating with the communication server (D) of the wind power generation facility 33 in each place, and collects observation data such as the wind condition and the power generation output of the wind power generation facility 33. It can be collected and accumulated every moment. This observation data is sent to the file server (A) via the communication server (C) of the prediction calculation device 31.
[0026]
The prediction calculation device 31 predicts the wind condition and the power generation output of the wind power generation facilities 33 in various places based on the numerical data of the weather prediction from the weather service support center 34, and also stores the prediction data accumulated for each prediction and the past data. Based on the actually measured data, the prediction error is corrected, and the power generation output with the reduced prediction error can be predicted. Then, an accurate and efficient power supply and demand plan 35 can be issued by predicting the power generation output with a small error.
Further, data can be collected from a personal computer of the wind power generation facility via the Internet or the like, and there is no need to construct a special network.
[0027]
Regarding obtaining actual measurement data of wind power generation facilities,
(1) When actual measurement data of wind speed / wind direction and power generation output is available for each wind power generator (2) When actual measurement data of power generation output is available for each wind power generator (3) Actual measurement of total power generation output at a wind power generation facility There are three patterns when data is available.
Hereinafter, an embodiment of the present invention corresponding to the above three patterns will be described with reference to FIGS.
[0028]
(First embodiment: When actual measurement data of wind speed / wind direction and power generation output is available for each wind power generator)
FIG. 4 is a flowchart of the prediction system according to the first embodiment of this invention.
Step S0 is a step of calculating narrow area forecast data, which is the same as in the conventional system.
[0029]
In the next step, wind speed prediction data WS ₀ and wind direction prediction data WD ₀ for each wind power generator are extracted. Further, these prediction data are sequentially stored in the storage device.
On the other hand, actual measurement data (wind direction WD _obs , wind speed WS _obs , power generation output PW _obs ) of each wind power generator in each wind power generation facility is sequentially acquired online and stored in a storage device.
[0030]
In step S41, for each wind turbine, performs statistical analysis of past measured data _WD p-WS _p and past prediction data _WD obs · _{WS obs} about wind direction and wind speed, the predicted data (wind direction WD ₀ and speed WS ₀ The prediction correction formula for correcting the error in ()) is updated. As this technique, for example, a Kalman filter may be used. The Kalman filter is an algorithm for sequentially optimizing coefficients of a linear prediction equation based on a prediction error.
[0031]
FIG. 5 shows a conceptual diagram of prediction correction when a Kalman filter is applied to one wind power generator. The Kalman filter is updated twice a day at 9:00 and 21:00. In the drawing, the present indicates a daily predicted time, for example, 9:00. At this time, the prediction data is present at every time step (for example, 10 minutes) from 9:00 to 51 hours ahead.
On the other hand, regarding the wind speed and the wind direction, past prediction data (marked by ●) and actual measurement data (marked by ○), which have been predicted so far, are stored in the storage device.
[0032]
The past measured and predicted wind speed (WS) and wind direction (WD) vector data are converted into east-west (U) and north-south (V) component wind velocities as shown in FIG. This data is created for a certain period (for example, three months) from the present.
[0033]
Next, a multiple regression equation is created for the error between the past prediction data and the actually measured data for each of the east-west (U) component and the north-south (V) component, and the coefficient is obtained.
An example of the multiple regression equation is shown below.
East-west component regression equation Y _EW = −0.73X ₁ −0.16X ₂ +0.43
Regression north-south component _{_{_{Y N-S = -0.22X 1 -0.54X}}} 2 +1.33
here,
Y _EW : Error of east-west component between predicted data and measured data Y _NS : Error of north-south component of predicted data and measured data X ₁ : East-west component of predicted data X ₂ : North-south component of predicted data.
[0034]
In step S42, the error of the east-west component and the north-south component with respect to the prediction data is calculated based on the prediction correction formula obtained in this way, and this is added to the current prediction data (marked by ◎ in FIG. 5). To make corrections to calculate predicted correction data (indicated by a star in FIG. 5). This is performed each time prediction is performed, and prediction is performed by constantly updating the relational expression of the prediction error. In this manner, the prediction correction data WS ₁ · WD ₁ is obtained from the wind speed / wind direction prediction data WS ₀ · WD ₀ .
[0035]
Next, a method of predicting the power generation output based on the wind speed and wind direction prediction correction data WS ₁ and WD ₁ for each wind power generator will be described. Conventionally, the output has been converted into a power generation output by a power generation characteristic curve for each wind power generator. However, even if the wind power is blown at the same wind speed, the power output varies depending on the wind direction and season (or month). Therefore, when calculating the power generation output from the wind speed, the power generation output calculation formula is changed for each wind speed, wind direction, and season (month) in order to further reduce errors.
[0036]
That is, in step 43, for each wind power generator, the wind direction, wind speed, and power generation output data (WD _obs , WS _obs , PW _obs ) of the past measured data for a certain period (for example, one year) from the present are calculated for each wind direction. A regression analysis of the power generation output and the wind speed is performed for each season or month, and for each wind speed, and an optimal regression curve is created for each condition.
[0037]
For example, in the case of a wind speed of 4 m / s or more and less than 14 m / s and a north wind (wind direction from -45 degrees to 45 degrees), the power generation output is calculated by the fifth order expression of the wind speed as follows.
^{^{^{Y = 0.0088X 5 -0.3679X 4 + 5.4621X}}} 3 + 33.935X 2 + 98.812X + 107.01
Here, Y: power generation output X: wind speed
In step 44, an appropriate regression curve is selected based on the date and time and wind condition prediction correction data, and a power generation output for each wind power generator is calculated from the wind speed prediction correction data to perform prediction. The regression curve is updated, for example, every year.
[0039]
Thereafter, the prediction data of the power generation output of each wind power generator is integrated for each wind power generation facility, and the total power generation output of the wind power generation facility is sequentially stored. Further, if this is performed for all wind power facilities existing in Japan, the total power generation output nationwide can be predicted. These are the same as the conventional example.
[0040]
As described above, according to the present example, the error is corrected each time a new prediction is performed by sequentially performing statistical analysis on the difference between the past predicted data of the wind speed and the wind direction and the corresponding past measured value. Therefore, it is possible to make predictions with less error than conventional prediction data, and to select and obtain a regression curve based on past measured data without using a power generation characteristic curve when calculating power generation output with respect to wind speed Thus, the prediction accuracy could be improved.
[0041]
(Second embodiment: when measured data of power generation output is available for each wind power generator)
This example is different from the first example in that a statistical analysis is sequentially performed between the predicted data of the wind speed and the wind direction for each wind generator and the actually measured data of the power generation output for each wind generator to predict the power generation output. Is what you do. This embodiment is a preferred embodiment in a case where actual measurement data of the wind speed and wind direction for each wind generator is not available, but actual measurement data of the power generation output for each wind generator is available. Of course, this is not something that cannot be adopted when actual measurement data of wind speed and direction is available.
[0042]
FIG. 7 shows a flow of the second embodiment.
In step S0, narrow area prediction data is obtained, and then wind speed prediction data WS ₀ and wind direction prediction data WD ₀ for each wind power generator are extracted. It is the same as the first embodiment in that it is stored and accumulated as data (wind speed WS _p , wind direction WD _p ).
On the other hand, actual measurement data PW _obs of the power generation output of each wind power generator in each wind power generation facility is sequentially acquired online, and sequentially stored in the storage device.
[0043]
Next, in step S71, the prediction relates to the actual measurement data PW _ob _s and past wind direction and wind speed past power output for each wind turbine data WD _p, performs statistical analysis of the WS _p, updates create a prediction equation. As a method of statistical analysis, a Kalman filter is used as in the first embodiment.
[0044]
That is, the prediction data WS _p and WD _p of the past wind speed and direction are divided into east-west and north-south components, and a multiple regression equation with the past power generation output PW _obs is created to calculate coefficients.
For example,
Y _pwr = 25X ₁ + 25X ₂ +0.43
Here, Y _pwr : power generation output X ₁ : east-west component of predicted data X ₂ : north-south component of predicted data
In step 72, the power generation output of each wind power generator is calculated and predicted using the updated prediction formula. As described above, when a new power generation output is predicted, the prediction formula is constantly updated to perform the prediction.
[0046]
Also in the case of this example, since the prediction can be performed by using the prediction formula updated with the error constantly corrected without using the power generation characteristic curve, the prediction accuracy can be improved as compared with the conventional one.
[0047]
(Third embodiment: when actual measurement data of total power generation output at a wind power generation facility is available)
This example can be implemented when the total power generation output of a wind power generation facility is available.Especially, although wind power data and actual measurement data of power generation output cannot be obtained for individual wind power generators, The total power generation output in is a preferred example to be implemented when available.
[0048]
FIG. 8 shows a flowchart of this example.
This example is also the same as the first and second examples until the narrow area prediction data is obtained and the wind speed prediction data WS ₀ and the wind direction prediction data WD ₀ are extracted for each wind power generator.
[0049]
In the second embodiment, the Kalman filter is applied to the relationship between the wind speed / wind direction prediction data and the power generation output for each wind power generator. The average wind speed prediction data WS _s and the average wind direction prediction data WD _s in the wind power generation facility are obtained from the wind speed and wind direction prediction data WS ₀ and WD _{0 for} each machine, and the wind speed and wind direction prediction for each wind power generation facility are obtained. The data are WS _s and WD _s .
[0050]
In step S81, a multiple regression equation is derived between the past prediction data (wind speed WS _sp , wind direction WD _sp ) of the wind power generation facility and the actually measured data of the total power generation output of the wind power generation facility, and the prediction equation is obtained by applying the Kalman filter. Update. That is, each time the power generation output of the entire wind power generation facility is predicted, the coefficient is corrected.
[0051]
Then, in step 82, using the updated prediction equation, it predicts the prediction data of the wind power plant (wind speed WS _s, wind direction WD _s) to calculate the predicted data PW _s wind farms.
[0052]
Thus, also in this example, by performing a statistical analysis of the past prediction data and the actual measurement data, and correcting the sequential error, if the actual measurement value of the total power generation output of the wind power generation facility can be obtained, Enables prediction with less error.
In the above embodiment, wind speed / wind direction data is used as wind condition data. However, it goes without saying that the present invention can be implemented by using only wind speed data as wind condition data.
[0053]
【The invention's effect】
As described above, according to the present invention, a difference between a past observed value and a predicted value at that time is statistically processed, so that an error in a future predicted value can be reduced. Further, since it is possible to predict the output value of the wind power generation with less error, it is possible to create an accurate and efficient power supply and demand plan. Further, information can be provided by a simple communication server without forming a network of large-scale computers.
[Brief description of the drawings]
FIG. 1 is a diagram showing an outline of a power generation output prediction method (part 1) according to the present invention.
FIG. 2 is a diagram showing an outline of a power generation output prediction method (part 2) according to the present invention.
FIG. 3 is a schematic view of a power generation output prediction system according to the present invention.
FIG. 4 is a diagram showing a prediction flow in a case where measured data of wind speed / wind direction and power generation output can be obtained for each wind power generator.
FIG. 5 is a diagram showing correction of a prediction error by a Kalman filter.
FIG. 6 is a diagram showing conversion of wind speed / wind direction data into east-west components and north-south components.
FIG. 7 is a diagram showing a prediction flow in a case where actual measurement data of a power generation output can be obtained for each wind power generator.
FIG. 8 is a diagram showing a prediction flow when actual measurement data of total power generation output in a wind power generation facility is available.
FIG. 9 is a diagram showing a conventional flow of predicting wind power output.
FIG. 10 is a diagram illustrating an example of a wide area of an airflow field.
FIG. 11 is a diagram showing an example of a narrow region of an airflow field.
FIG. 12 is a diagram showing a power generation output characteristic curve used for prediction of a conventional wind power generation output.
[Explanation of symbols]
S0: Step of calculating narrow area forecast data S41: Step of statistically analyzing predicted data and measured data of wind speed / wind direction S42: Step of correcting predicted data of wind speed / wind direction S43: Measured data of wind speed / wind direction and power generation output Statistical analysis step S44: a step of predicting the power generation output from the prediction correction data for the wind speed and direction.

Claims

In a power generation output prediction method in wind power generation for predicting power generation output from wind condition prediction data,
A wind condition data correction prediction step of sequentially performing statistical analysis on the past wind condition prediction data and the past wind condition actual measurement data to obtain wind condition prediction correction data,
A power generation output prediction step of predicting a power generation output based on the wind condition prediction correction data.

In a power generation output prediction method in wind power generation for predicting power generation output from wind condition prediction data,
A power generation output prediction step of predicting a power generation output according to the wind condition prediction data based on a relational expression between the wind speed and the power generation output obtained by statistical analysis of the wind condition measurement data and the power generation output measurement data. Characteristic power generation output prediction method in wind power generation.

In a power generation output prediction method in wind power generation for predicting power generation output from wind condition prediction data,
A wind condition data correction prediction step of sequentially performing statistical analysis on the past wind condition prediction data and the past wind condition actual measurement data to obtain wind condition prediction correction data,
A power generation output prediction step of predicting a power generation output according to the wind condition prediction correction data based on a relational expression between the power generation output and the wind speed obtained by statistical analysis of the wind condition measurement data and the power generation output measurement data. A power generation output prediction method for wind power generation.

In a power generation output prediction method in wind power generation for predicting power generation output from wind condition prediction data,
When predicting a power generation output based on the wind condition prediction data, a power generation output prediction step of sequentially performing statistical analysis of past wind condition prediction data and past power generation output measurement data to obtain power generation output prediction data is provided. Power generation output prediction method for wind power generation.

In a power generation output prediction method in wind power generation for predicting power generation output from wind condition prediction data,
Averaging the wind condition prediction data for each wind power generation facility to obtain wind condition prediction data for each wind power generation facility,
Each time the power generation output is predicted based on the wind condition prediction data for each wind power generation facility, the past wind condition prediction data and the past power generation output measurement data for each wind power generation facility are sequentially statistically analyzed to predict the power generation output. And a power generation output prediction step for obtaining data.

In a power generation output prediction device for wind power generation that predicts the power generation output from wind condition prediction data,
A wind condition data correction prediction means for sequentially performing statistical analysis on the past wind condition prediction data and the past wind condition measurement data each time the prediction is performed, and obtaining wind condition prediction correction data;
A power generation output prediction device for wind power generation, comprising: a power generation output prediction unit that predicts a power generation output based on the wind condition prediction correction data.

In a power generation output prediction device for wind power generation that predicts the power generation output from wind condition prediction data,
Based on a relational expression between the wind speed and the power generation output obtained by statistical analysis of the wind condition measurement data and the power generation output measurement data, a power generation output prediction device that predicts a power generation output according to the wind condition prediction data is provided. Characteristic power generation output prediction device for wind power generation.

In a power generation output prediction device for wind power generation that predicts the power generation output from wind condition prediction data,
A wind condition data correction prediction means for sequentially performing statistical analysis on the past wind condition prediction data and the past wind condition measurement data each time the prediction is performed, and obtaining wind condition prediction correction data;
A power generation output predicting unit that predicts a power generation output according to the wind condition prediction correction data based on a relational expression between the power generation output and the wind speed obtained by statistical analysis of the wind condition measurement data and the power generation output measurement data. A power generation output prediction device for wind power generation.

In a power generation output prediction device for wind power generation that predicts the power generation output from wind condition prediction data,
A power generation output prediction device for wind power generation, comprising: a power generation output prediction unit that sequentially performs statistical analysis of past wind condition prediction data and past power generation output measurement data for each prediction to obtain power generation output prediction data.

In a power generation output prediction device for wind power generation that predicts the power generation output from wind condition prediction data,
Means for obtaining the wind condition prediction data for each wind power generation facility by averaging the wind condition prediction data for each wind power generation facility,
Each time the power generation output is predicted based on the wind condition prediction data for each wind power generation facility, the past wind condition prediction data and the past power generation output measurement data for each wind power generation facility are sequentially statistically analyzed to predict the power generation output. A power generation output prediction device for wind power generation, comprising: a power generation output prediction unit that obtains data.

A power generation output prediction system for wind power generation, comprising a prediction calculation device that predicts a power generation output from wind condition prediction data,
Equipped with a data collection device to collect wind condition measurement data,
The prediction calculation device obtains wind condition prediction correction data by sequentially performing statistical analysis on past wind condition prediction data and past wind condition measurement data every time prediction is performed, and predicts a power generation output from the wind condition prediction correction data. A power generation output prediction system for wind power generation.

A power generation output prediction system for wind power generation, comprising a prediction calculation device that predicts a power generation output from wind condition prediction data,
Equipped with a data collection device that collects wind condition measurement data and power generation output measurement data,
The prediction calculation device obtains wind condition prediction correction data by sequentially performing statistical analysis of the past wind condition prediction data and the past wind condition measurement data every time prediction is performed, and obtains the statistical data of the wind condition measurement data and the power generation output measurement data. A power generation output prediction system for wind power generation, wherein a power generation output is predicted from the wind condition prediction correction data based on a relational expression between a wind speed and a power generation output obtained by analysis.

A power generation output prediction system for wind power generation, comprising a prediction calculation device that predicts a power generation output from wind condition prediction data,
Equipped with a data collection device to collect power generation output measurement data,
Each time the prediction calculation device predicts a power generation output based on the wind condition prediction data, it sequentially performs statistical analysis on past wind condition prediction data and past power generation output measurement data, and generates a power generation output from the wind condition prediction data. A power generation output prediction system in wind power generation, wherein the prediction is performed.