JP2007056686A - 風速予測に基づく風力発電機の数時間先発電電力予測装置 - Google Patents
風速予測に基づく風力発電機の数時間先発電電力予測装置 Download PDFInfo
- Publication number
- JP2007056686A JP2007056686A JP2005239755A JP2005239755A JP2007056686A JP 2007056686 A JP2007056686 A JP 2007056686A JP 2005239755 A JP2005239755 A JP 2005239755A JP 2005239755 A JP2005239755 A JP 2005239755A JP 2007056686 A JP2007056686 A JP 2007056686A
- Authority
- JP
- Japan
- Prior art keywords
- wind
- prediction
- several hours
- layer
- wind speed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Wind Motors (AREA)
Abstract
【課題】 ウインドファームなどの風力発電機について、より簡単に数時間先の風速および発電電力を予測するより安価な発電電力予測装置を提供する。
【解決手段】 入力層1と中間層2と出力層4に加えて一次遅れの中間層2を写像した層をコンテクスト層3としてフィードバックする機構を有するリカレント型ニューラルネットワーク(RNN)を組み込んで、過去の気象データと当日の気象データを入力して、数時間先の風速を予測し、その情報を基にして風力発電設備の発電電力を予測する。
【選択図】 図1
【解決手段】 入力層1と中間層2と出力層4に加えて一次遅れの中間層2を写像した層をコンテクスト層3としてフィードバックする機構を有するリカレント型ニューラルネットワーク(RNN)を組み込んで、過去の気象データと当日の気象データを入力して、数時間先の風速を予測し、その情報を基にして風力発電設備の発電電力を予測する。
【選択図】 図1
Description
本発明は、多数の風力発電機で構成されるウインドファームにおける発電電力予測装置および方法に関し、特に風速予測に基づく数時間先発電電力予測装置および方法に関する。
化石燃料の枯渇や環境保全の要求の高まりにより、風力発電が注目されるようになってきた。しかし、風力発電機で発電される発電電力は風速の3乗に比例し風まかせであって、負荷に合わせて発電量を調整することは困難である。
電力系統は、負荷の量に応じて最も効率的な運用ができるように発電計画を立てるが、風力発電機を電力系統に導入すると、将来の風力発電機の発電電力が不確実なため、電力系統運用の最適化が困難になる。
電力系統は、負荷の量に応じて最も効率的な運用ができるように発電計画を立てるが、風力発電機を電力系統に導入すると、将来の風力発電機の発電電力が不確実なため、電力系統運用の最適化が困難になる。
また、ディーゼル発電機や蓄電池などと併用するハイブリッドシステムにおいても、自然エネルギの変動を考慮した効率の良い運用や電力品質向上のために風力発電設備の発電電力の平準化が求められている。
たとえば、特許文献1には、風速監視装置を設けて風車に当る風を事前に予測し、風力発電機の出力低下が予想されるときにディーゼル発電機を起動させ、風速が大きくなる場合はディーゼル発電機を停止させて燃料費の低減を図り効率を向上させる風力発電システムが開示されている。
たとえば、特許文献1には、風速監視装置を設けて風車に当る風を事前に予測し、風力発電機の出力低下が予想されるときにディーゼル発電機を起動させ、風速が大きくなる場合はディーゼル発電機を停止させて燃料費の低減を図り効率を向上させる風力発電システムが開示されている。
従来、風まかせにならざるを得ない風力発電機を含む電力系統の運用を最適化するため、風力発電機側と電力系統側でそれぞれ様々な対策が取られているが、特に電力システムの制御性向上の観点から数時間先の風力発電機の出力電力を予測し、蓄電池の充放電を調整したり併設される他の発電機の発停を制御したりして、実需要負荷に対応する方法が望まれてきた。
特許文献2と3には、風力発電機の設置位置を決定する方法と風力発電量を予測する方法が開示されている。文献開示の発電量予測方法は、対象地域をたとえば数100km四方から数m四方というように大きなメッシュから小さなメッシュまで段階的に区画し、それぞれにおいて、風が圧力、地形、熱的影響などにより影響を受ける様子を記述する運動方程式、質量保存式、気塊に対する熱的影響を記述する熱力学式、さらに乱流のモデル式を適用して、各メッシュ領域内の風向と風速(気流場)を算定する。なお、本開示装置に入力する気象データとして、気象庁が提供する51時間先までの数値予報データGPV(Grid Point Value)を利用することができる。
従来の発電電力予測法は、ウインドファームのある地域の詳細な地形データと気象データを用いて流体力学に基づく複雑な微分方程式により精細な気象予測を行って風速を予測し、その結果から発電電力量を推定するものである。従来法における予測システムは、気象予測を必要とするため、極めて大規模で高価な計算機システムと専用の予測ソフトウエアを導入する必要があり、これらの取扱には高度な専門知識が必要とされる上、数時間先の風速を正確に予測することは未だ困難であるため、実際にこのような予測システムを風力発電設備に導入することは現実的でなかった。
この問題を解決するため、より簡単化されさらに利便性のある予測手法の開発が望まれている。
この問題を解決するため、より簡単化されさらに利便性のある予測手法の開発が望まれている。
これに対して、数式モデルに拘束されず、気象データのみを用いてパターン学習により近未来の予測を可能とするニューラルネットワーク(NN)を用いた風力発電出力予測方法も検討されている。
特許文献4には、3層のニューラルネットワーク(NN)を用いた風力発電出力予測方法が開示されている。開示方法は、発電装置のサイトを囲む気象予報箇所から所定時間経過後の気象予報データと、この気象予報データに対応して風力発電機から得られる発電出力値とをNNに与えて、バックプロパゲーション(BP)を使った繰返し演算により重み係数を調整して、正確な予想値を得られるようにするものである。複雑な微分方程式の計算や数式モデルを解析しないで、風況が有する非線形性を考慮することが可能である。
特許文献4には、3層のニューラルネットワーク(NN)を用いた風力発電出力予測方法が開示されている。開示方法は、発電装置のサイトを囲む気象予報箇所から所定時間経過後の気象予報データと、この気象予報データに対応して風力発電機から得られる発電出力値とをNNに与えて、バックプロパゲーション(BP)を使った繰返し演算により重み係数を調整して、正確な予想値を得られるようにするものである。複雑な微分方程式の計算や数式モデルを解析しないで、風況が有する非線形性を考慮することが可能である。
しかし、開示方法で使用されるNNは階層型NNであって経時変化を表現する機能が弱体なので、風向や風速のように時間的な相関が強い時系列データにおける将来値を算出するには必ずしも最適ではない。
また、開示方法は風力発電機を設置したサイトのみに適用可能な手法であり、風力発電機が存在しないサイトにおける発電電力予測は不可能である。
特開平11−159436号公報
特開2000−145614号公報
特開2004−019583号公報
特開2005−163608号公報
また、開示方法は風力発電機を設置したサイトのみに適用可能な手法であり、風力発電機が存在しないサイトにおける発電電力予測は不可能である。
本発明が解決しようとする課題は、ウインドファームなどの風力発電機について、より簡単に数時間先の風速および発電電力を予測するより安価な発電電力予測装置を提供することである。
上記課題を解決するため、本発明に係る風力発電機の数時間先発電電力予測装置は、入力層と中間層と出力層に加えて一次遅れの中間層を写像した層をコンテクスト層としてフィードバックする機構を有するリカレント型ニューラルネットワーク(RNN)を組み込んで、過去の気象データと当日の気象データを入力して、数時間先の風速を予測し、その情報を基にして風力発電設備の発電電力を予測することを特徴とする。
RNNは、非線形性の強い時系列データとの相関性に優れた構成になっており、風速予測に有効であることが期待される。
RNNを用いて風速を予測するためには、まずRNNの構造を決定し、学習により事前に最適パラメータ値を決定する。RNNの構造は試行錯誤により決定する。学習は予測地域について蓄積された気象情報を用いて行う。学習によりパラメータの最適化が終了したRNNに、当日の気象情報を入力して風速予測を行う。風速予測情報を用いて、発電機出力の予測値を計算する。
RNNを用いて風速を予測するためには、まずRNNの構造を決定し、学習により事前に最適パラメータ値を決定する。RNNの構造は試行錯誤により決定する。学習は予測地域について蓄積された気象情報を用いて行う。学習によりパラメータの最適化が終了したRNNに、当日の気象情報を入力して風速予測を行う。風速予測情報を用いて、発電機出力の予測値を計算する。
RNNの入力データは、たとえば、現在の風速と数時間前までの各時刻における風速、大気外全天日射量、湿度、気温の簡単に測定または入手できる気象データのみであってもよい。
なお、普通は、風速に直接影響を与える大気圧が風速予測に有効と考えられていたが、本発明者らの研究により、大気圧データを使っても風速の予測精度は思ったようには改善されず、大気圧に代えて大気外全天日射量を用いることによって予測精度が改善されることが分かった。
なお、普通は、風速に直接影響を与える大気圧が風速予測に有効と考えられていたが、本発明者らの研究により、大気圧データを使っても風速の予測精度は思ったようには改善されず、大気圧に代えて大気外全天日射量を用いることによって予測精度が改善されることが分かった。
大気外全天日射量は、大気上端の水平な単位面積に入射する太陽エネルギで、天候に影響を受けず年間を通して一定の規則性を持って変化するもので、データは気象庁などから公表されておりデータの入手は容易で、装置へのデータ入力も簡単である。
大気圧データより大気外全天日射量の方が風速に対する関連性が高いのは、前者が時刻との相関が無く常に変動するものであるためNNにおいて他の変数との相関性が無いのに対して、後者が季節に対応して変動するものであるため風速の季節変動成分に相関する役割を果たすためと考えられる。
大気圧データより大気外全天日射量の方が風速に対する関連性が高いのは、前者が時刻との相関が無く常に変動するものであるためNNにおいて他の変数との相関性が無いのに対して、後者が季節に対応して変動するものであるため風速の季節変動成分に相関する役割を果たすためと考えられる。
また、数時間先の風速予測には、現在から過去の風速値から1時間先の予測風速を得ることができ、RNNから出力される1時間先の予測風速を入力して2時間先の風速を予測することができ、同様にして3時間先の予測風速を得ることができる。
予測風速から風力発電機の出力電力が算出される。
沖縄県那覇市における過去の気象情報を用いてシミュレーションをした結果、RNNを用いた風速予測法では、1時間先程度の予測では殆ど誤差無く風速を予測することができ、3時間先の予測でも大きな誤差は発生しないことが明らかになり、階層型NNを用いた予測システムによる場合より精度が高いことがはっきりした。
なお、実施例には1時間先から3時間先予測システムの有用性が示されているが、本発明のシステムによれば数分先から数日先の平均風速の予測が可能である。
予測風速から風力発電機の出力電力が算出される。
沖縄県那覇市における過去の気象情報を用いてシミュレーションをした結果、RNNを用いた風速予測法では、1時間先程度の予測では殆ど誤差無く風速を予測することができ、3時間先の予測でも大きな誤差は発生しないことが明らかになり、階層型NNを用いた予測システムによる場合より精度が高いことがはっきりした。
なお、実施例には1時間先から3時間先予測システムの有用性が示されているが、本発明のシステムによれば数分先から数日先の平均風速の予測が可能である。
本発明の発電電力予測システムは、従来のものと比較して、より安価で簡単に風速および発電電力の予測ができる。また、階層型NNを用いた予測システムと比較して、より正確に数時間先風速予測ができ、発電電力の予測ができる。
数時間先の風力発電機出力が予測可能であれば、電力系統の運用を最適化することができる。また、風力発電設備に蓄電池が併設されている場合は、将来の風力発電機出力に応じて最適な充放電を行うことにより風力発電設備の出力電力を平準化して、電力系統の安定で経済的な運用を行うことができる。
数時間先の風力発電機出力が予測可能であれば、電力系統の運用を最適化することができる。また、風力発電設備に蓄電池が併設されている場合は、将来の風力発電機出力に応じて最適な充放電を行うことにより風力発電設備の出力電力を平準化して、電力系統の安定で経済的な運用を行うことができる。
以下、実施例を用いて本発明を詳細に説明する。
図1は本実施例に用いるリカレント型ニューラルネットワーク(RNN)の構造を示すブロック図、図2は比較する階層型ニューラルネットワーク(NN)の構造を示すブロック図、図3はニューラルネットワークの学習アルゴリズムを説明するブロック図、図4はNNパラメータ表、図5は風力発電設備の運転特性を表わすグラフ、図6〜8は比較例のシミュレーション結果、図9〜11は実施例におけるシミュレーション結果を表わすグラフ、図12は比較例における月別絶対平均誤差率を表わしたグラフ、図13は本実施例における月別絶対平均誤差率を表わしたグラフ、図14は比較例における1時間先風力発電電力予測結果を表わすグラフ、図15は実施例における1時間先風力発電電力予測結果を表わすグラフである。
図1は本実施例に用いるリカレント型ニューラルネットワーク(RNN)の構造を示すブロック図、図2は比較する階層型ニューラルネットワーク(NN)の構造を示すブロック図、図3はニューラルネットワークの学習アルゴリズムを説明するブロック図、図4はNNパラメータ表、図5は風力発電設備の運転特性を表わすグラフ、図6〜8は比較例のシミュレーション結果、図9〜11は実施例におけるシミュレーション結果を表わすグラフ、図12は比較例における月別絶対平均誤差率を表わしたグラフ、図13は本実施例における月別絶対平均誤差率を表わしたグラフ、図14は比較例における1時間先風力発電電力予測結果を表わすグラフ、図15は実施例における1時間先風力発電電力予測結果を表わすグラフである。
本実施例は、風力発電装置の発電電力を予測する装置であって、予測にリカレント型ニューラルネットワーク(RNN)を使用するものである。
本実施例では、リカレント型ニューラルネットワークの1種であるエルマン(Elman)型NNを線形結合した構造を使用する。
本実施例では、リカレント型ニューラルネットワークの1種であるエルマン(Elman)型NNを線形結合した構造を使用する。
階層型NNは、たとえば、図2に示すように、入力層にユニット数n個、中間層にユニット数m個、出力層にユニット数1個を線形結合した構成を持つ。入力ユニットIiには入力データxiが入力する。
入力ユニットIiの出力は中間層の中間ユニットHjに入力し、中間ユニットの出力は出力ユニットO1に入力する。出力ユニットO1はNNの演算結果として出力データyを出力する。
入力ユニットIiの出力は中間層の中間ユニットHjに入力し、中間ユニットの出力は出力ユニットO1に入力する。出力ユニットO1はNNの演算結果として出力データyを出力する。
各ユニット間の結合部には結合荷重が与えられていて、ユニット入力に重みをかけることができる。これら重みをかけた入力の総和から各ユニットに設定された閾値を引いた値がシグモイド関数により非線形変換され、出力として次のユニットに伝達される。本明細書で使用したシグモイド関数は、式(1)で表わされる。
(1) f(x)=1/(1+exp(x))
結合荷重は、学習により最適化される。
NNの学習には、逆誤差伝播法(BP:Back Propagation)が使用される。
(1) f(x)=1/(1+exp(x))
結合荷重は、学習により最適化される。
NNの学習には、逆誤差伝播法(BP:Back Propagation)が使用される。
また、中間層のユニット数n、NNの学習回数、慣性係数および学習率は、予測誤差が最小となるように試行錯誤的に決定される。慣性係数は大きいほど各結合荷重の変更を早め学習速度を加速する。学習率は、逆誤差が振動しない範囲でできるだけ大きな値にすることが好ましいが、決定のためには試行錯誤が必要になる。
風速を予測するときには、入力ユニットIiそれぞれの入力x1〜x5として4時間前から現在まで1時間間隔の風速、x6として現在の大気外全天日射量、x7として現在の湿度、x8として現在の気温のデータを入力すればよい。
風速を予測するときには、入力ユニットIiそれぞれの入力x1〜x5として4時間前から現在まで1時間間隔の風速、x6として現在の大気外全天日射量、x7として現在の湿度、x8として現在の気温のデータを入力すればよい。
これに対して、本実施例におけるRNNは、図1に示すように、入力層と中間層と出力層が直列に接続されさらに中間層の出力を入力して出力を入力層の入力に加えるコンテクスト層が中間層と並列に配置されたエルマン型NNを適当数並列配置して、入力層の出力を結合荷重を介して各中間層の入力に加える構成になっている。エルマン型ニューラルネットワークは、第1層の出力から第1層の入力へのフィードバックを持つ2層構造のリカレント結合型ネットワークで、時間変化するパターンの検出や生成を行う場合に利用することができる。
入力層、中間層、出力層のユニットは階層型NNのユニットと同じ特性を持つ。RNNに特有のコンテクスト層は、一次遅れの中間層を写像した層で、フィードバック構造を有する。コンテクスト層は、入力層と出力層の両方の情報を反映し、学習の進展と共に過去の履歴を保持する。図3において、ある時刻における入力層の出力yt-iとコンテクスト層の出力ytの関係は、式(2)で表わされる。
(2) yt=yt-1+ryt-2+r2yt-3+r3yt-4+・・・
ここで、t−iはある時刻tからi時間前の事象をあらわす。また、rは残存率と呼ばれる係数で、通常0〜1の値が使用され、時間的に近接した過去の情報を反映する。
単純な階層型NNは過去の履歴を保持することができないのに対して、フィードバック機構を有するRNNの構成は時系列データを予測するのに有効である。
(2) yt=yt-1+ryt-2+r2yt-3+r3yt-4+・・・
ここで、t−iはある時刻tからi時間前の事象をあらわす。また、rは残存率と呼ばれる係数で、通常0〜1の値が使用され、時間的に近接した過去の情報を反映する。
単純な階層型NNは過去の履歴を保持することができないのに対して、フィードバック機構を有するRNNの構成は時系列データを予測するのに有効である。
結合荷重の最適値を決定するための学習は、図3に示すように、階層型NNを利用する場合と異なる。
NNを用いた風速予測は、図3の右側に記載した手順により行われる。すなわち、気象データを入力し(S1)、入力した気象データを用いてNNの学習をし(S2)、学習の結果決定されたパラメータを採用したNNを用いて、数時間前の風速データV0に基づいた計算をして(S3)、風速を予測し(S4)、風速予測値Vを出力する(S5)。
NNを用いた風速予測は、図3の右側に記載した手順により行われる。すなわち、気象データを入力し(S1)、入力した気象データを用いてNNの学習をし(S2)、学習の結果決定されたパラメータを採用したNNを用いて、数時間前の風速データV0に基づいた計算をして(S3)、風速を予測し(S4)、風速予測値Vを出力する(S5)。
NNの学習はNNの層間の結合荷重を決定するために行うもので、従来の階層型NNであれば、図3の左に点線矢印で示すように、過去のデータを使って、入力層に数時間前の気象データD1を入力し(S21)、中間層(S22)、出力層(S23)と遷移して出力した予測値と実際の気象データD2を対比させ、差異に対応する教示信号(S24)を生成して、教示信号に従って層を逆行しながら結合荷重を順次修正し、その後に再度入力層から入力した数時間前の気象データD0に対して出力層から出力する予測値を実際の気象データD2と対比させる繰返し工程を、誤差が許容できるようになるまで繰り返す、いわゆる逆誤差伝播法(BP)により、適正な結合荷重を決定する。
このように、階層型NNであれば、学習において各層間で一方向に情報が行き来する。
このように、階層型NNであれば、学習において各層間で一方向に情報が行き来する。
これに対して、RNNの学習は、図3の左図に実線矢印で示すように、データは入力層、中間層、出力層を順次1方向に移動するが、これに加えて、中間層の出力を元の入力情報に加えるフィードバック機構を有する。
なお、気象データの性格は季節により大きく異なるため、ひとつの学習結果で通年の予測を正確に行うことは難しいので、予測対象期間と同じ季節のデータを使ってNNの学習をし直している。年中同じパラメータを使用しないで季節ごとに適合するNNを用いる場合でも、たとえば月ごとや季節の変わり目ごとに適当な学習をすればよいので、十分に実用的である。また、学習時間は短いので、予測演算ごとにRNNの学習を行うようにしても良い。
なお、気象データの性格は季節により大きく異なるため、ひとつの学習結果で通年の予測を正確に行うことは難しいので、予測対象期間と同じ季節のデータを使ってNNの学習をし直している。年中同じパラメータを使用しないで季節ごとに適合するNNを用いる場合でも、たとえば月ごとや季節の変わり目ごとに適当な学習をすればよいので、十分に実用的である。また、学習時間は短いので、予測演算ごとにRNNの学習を行うようにしても良い。
このように、前処理として学習によりRNNのパラメータを決定してから、気象データを入力することにより、風速予測値が得られる。
風の持つエネルギは運動エネルギであり、質量m、速度Vの物質の運動エネルギは1/2mV2で表わされる。受風面積Aの風車を考えると、受風面積を通過する風速Vの単位時間当たりの風力エネルギPは、空気密度をρ(1.225kg/m3)、変換効率をηとすると、式(3)で表わされる。
(3) P=1/2mV2η=1/2(ρAV)V2η=1/2ρAV3η
このようにして、風速予測値に基づき風力発電機の出力特性から発電出力電力を算定することができる。
風の持つエネルギは運動エネルギであり、質量m、速度Vの物質の運動エネルギは1/2mV2で表わされる。受風面積Aの風車を考えると、受風面積を通過する風速Vの単位時間当たりの風力エネルギPは、空気密度をρ(1.225kg/m3)、変換効率をηとすると、式(3)で表わされる。
(3) P=1/2mV2η=1/2(ρAV)V2η=1/2ρAV3η
このようにして、風速予測値に基づき風力発電機の出力特性から発電出力電力を算定することができる。
(シミュレーションによる評価)
階層型NNを用いた予測装置とRNNを用いた予測装置についてシミュレーションにより数時間先風速予測を行って性能を比較し、RNNを用いた本実施例の予測装置の有効性を確認した。
図4は、2つの予測装置についてNNの学習に用いたNNパラメータを示したものである。入力層ユニット数8、中間層ユニット数4,出力層ユニット数1は入出力関係を共通にするため階層型NNとRNNで同じ構成とした。学習率、慣性係数、学習回数はそれぞれのNNに対して試行錯誤により最適値を探って決定した。学習時間はいずれのNNにおいても、2〜3分以下であった。
階層型NNを用いた予測装置とRNNを用いた予測装置についてシミュレーションにより数時間先風速予測を行って性能を比較し、RNNを用いた本実施例の予測装置の有効性を確認した。
図4は、2つの予測装置についてNNの学習に用いたNNパラメータを示したものである。入力層ユニット数8、中間層ユニット数4,出力層ユニット数1は入出力関係を共通にするため階層型NNとRNNで同じ構成とした。学習率、慣性係数、学習回数はそれぞれのNNに対して試行錯誤により最適値を探って決定した。学習時間はいずれのNNにおいても、2〜3分以下であった。
表のパラメータは、予測誤差が最小になった月に使用されたNNパラメータでこのパラメータを年間を通じて使用した。階層型NNの場合は2003年7月に適合したパラメータ、RNNでは6月に適合したパラメータである。
NNを学習させるために、沖縄県那覇市における前年同月の1ヶ月間の気象データを用いた。入力データは気象業務支援センター発行の「地上観測・時別データ」によった。
NNを学習させるために、沖縄県那覇市における前年同月の1ヶ月間の気象データを用いた。入力データは気象業務支援センター発行の「地上観測・時別データ」によった。
図5は、対象とする風力発電機の運転特性を表わす線図である。カットイン風速4m/s、定格風速14m/s、カットアウト風速25m/sとした。
風力発電システムは、カットイン風速以上で発電を開始し、定格風速以上ではピッチ制御あるいはストール制御による出力制御を行い、さらにカットアウト風速以上では危険防止のためロータの回転を止めて発電を停止する。
なお、シミュレーションで想定された風力発電機の仕様は、ブレード長さ21m、受風面積1428m2、変換効率25%、定格出力600kWである。
風力発電システムは、カットイン風速以上で発電を開始し、定格風速以上ではピッチ制御あるいはストール制御による出力制御を行い、さらにカットアウト風速以上では危険防止のためロータの回転を止めて発電を停止する。
なお、シミュレーションで想定された風力発電機の仕様は、ブレード長さ21m、受風面積1428m2、変換効率25%、定格出力600kWである。
前処理として実施した学習により構造が定まったNNに、現在の気象データを入力するだけで風速予測値が出力情報として得られる。シミュレーションは、入力ユニットI1〜I8それぞれの入力x1〜x8のうち、x1〜x5に予測対象時刻から4時間前までの1時間間隔の風速、x6に予測対象時刻の大気外全天日射量、x7に予測対象時刻の湿度、x8に予測対象時刻の気温のデータを入力して行った。
図6〜8は階層型NNを用いた比較例の予測システムによる数時間先平均風速予測結果を示し、図9〜11はRNNを用いた本実施例の予測システムによる数時間先平均風速予測結果を示す。点線が予測値、実線が実測値である。シミュレーションは2003年の気象データを用いて行った。
図6と図9は1時間先平均風速予測結果、図7と図10は2時間先平均風速予測結果、図8と図11は3時間先平均風速予測結果で、それぞれ、予測誤差が最小になった月における1週間分の予測結果を表わしたものである。
図6と図9は1時間先平均風速予測結果、図7と図10は2時間先平均風速予測結果、図8と図11は3時間先平均風速予測結果で、それぞれ、予測誤差が最小になった月における1週間分の予測結果を表わしたものである。
図面から分かるように、未来の予測は未来が遠ければ遠いほど予測値と実測値が離れて、誤差が増加する。ただし、階層型NNによる予測と本実施例のRNNを使用した予測を比較すると、いずれのケースでもRNNによる予測の方が誤差が小さい。また、RNNによる予測では、特に1時間先予測、2時間先予測における予測値と実測値の合致度が高く、正確な予測がなされている。
階層型NNによる予測の絶対平均誤差率を算出すると、1時間先予測で16.68%、2時間先予測で21.17%、3時間先予測で23.85%であった。これに対して、本実施例のRNNを用いた予測における絶対平均誤差率は、1時間先予測で4.05%、2時間先予測で14.17%、3時間先予測で14.85%で、いずれも階層型NNを用いるときよりも大幅に予測誤差が小さくなることが確認された。
階層型NNでは学習の差異に逆誤差伝播情報が振動するため時間的な相関性が崩れて誤差が増大するのに対して、RNNを使用したものでは過去の情報を保持するため時間的な相関が強く学習されるので階層型NNより予測誤差が小さくなると考えられる。
階層型NNとRNNの両方について風速予測シミュレーションを行い、(4)式に従って絶対平均誤差率(MAPE:mean absolute percentage error)を算定した。
(4) MAPE=1/NΣi=1〜N(|Pf i−Pa i|/Pa)×100%
ここで、Nはデータ数、Pfは予測値、Paは実測値、iは時刻である。
図12は階層型NNを用いた予測装置の年間月別の数時間先風速予測結果より求めた絶対平均誤差率、図13はRNNを用いた予測装置の年間月別の数時間先風速予測結果より求めた絶対平均誤差率を表わす。
(4) MAPE=1/NΣi=1〜N(|Pf i−Pa i|/Pa)×100%
ここで、Nはデータ数、Pfは予測値、Paは実測値、iは時刻である。
図12は階層型NNを用いた予測装置の年間月別の数時間先風速予測結果より求めた絶対平均誤差率、図13はRNNを用いた予測装置の年間月別の数時間先風速予測結果より求めた絶対平均誤差率を表わす。
いずれも、予測時間が1時間先から2時間先さらに3時間先と長くなるほど誤差が大きくなるが、階層型NNでは月ごとに誤差率が大きく変動するのに対して、RNNでは誤差率の絶対値が小さく変動も小さいことが明瞭に現れている。
RNNでは、6月の1時間先風速予測値の絶対平均誤差率が4.05%となり、年間を通して10%以内の精度を有していた。RNNは、非線形性を有する風速の時系列データの予測に有効であることが分かった。
RNNでは、6月の1時間先風速予測値の絶対平均誤差率が4.05%となり、年間を通して10%以内の精度を有していた。RNNは、非線形性を有する風速の時系列データの予測に有効であることが分かった。
こうして予測された風速に従い、発電機仕様を用いて、風力発電機の出力電力を予測することができる。
図14と図15はそれぞれ階層型NNとRNNについて、2001年6月における風力発電機の発電電力予測結果と実測値を示したものである。
RNNを用いた場合は、階層型NNを用いた場合と比較して、明らかに予測値と実測値の誤差が小さくなっていて、600kW定格の風車に対して10kW程度の誤差内で発電出力予測が可能であった。
図14と図15はそれぞれ階層型NNとRNNについて、2001年6月における風力発電機の発電電力予測結果と実測値を示したものである。
RNNを用いた場合は、階層型NNを用いた場合と比較して、明らかに予測値と実測値の誤差が小さくなっていて、600kW定格の風車に対して10kW程度の誤差内で発電出力予測が可能であった。
本発明の風速予測方法は、RNNを用いて気象データのみから数時間先の風力発電機の出力電力を予測するものであって、さらに、風速予測値から出力電力を予測することができる。
本発明の風速予測方法の特徴は、気象データのみを用いて風速を予測することであり、また複雑な微分方程式の計算や数式モデルを使わないで、リカレント型のニューラルネットワークによる解法を採用したことである。
本発明の風速予測方法の特徴は、気象データのみを用いて風速を予測することであり、また複雑な微分方程式の計算や数式モデルを使わないで、リカレント型のニューラルネットワークによる解法を採用したことである。
風速を予測する際に、気象条件を考慮し最適な気象データの種類を決定して用いることにより、短時間で適切に風速および発電電力を予測することができる。
また、時系列データの予測に適するRNNを用いることにより、時間的な相関を強めて予測精度を向上させることができる。
さらに、前年同時期の既知の気象データをRNNに学習させることにより、予測精度の向上と予測演算時間の短縮が可能である。
また、時系列データの予測に適するRNNを用いることにより、時間的な相関を強めて予測精度を向上させることができる。
さらに、前年同時期の既知の気象データをRNNに学習させることにより、予測精度の向上と予測演算時間の短縮が可能である。
1 入力層
2 中間層
3 コンテクスト層
4 出力層
2 中間層
3 コンテクスト層
4 出力層
Claims (5)
- 入力層と中間層と出力層に加えて一次遅れの中間層を写像した層をコンテクスト層としてフィードバックする機構を有するリカレント型ニューラルネットワーク(RNN)を組み込んで、過去の気象データと当日の気象データを入力して、数時間先の風速を予測し、その情報を基にして風力発電設備の発電電力を予測することを特徴とする風力発電機の数時間先発電電力予測装置。
- 前記RNNは、予測地域について蓄積された気象情報を用いて学習することにより、事前に最適パラメータ値を決定することを特徴とする請求項1記載の風力発電機の数時間先発電電力予測装置。
- 前記入力層の入力データは、気象データであることを特徴とする請求項1または2記載の風力発電機の数時間先発電電力予測装置。
- 前記入力データは、現在の風速と数時間前までの各時刻における風速、大気外全天日射量、湿度、気温であることを特徴とする請求項3記載の風力発電機の数時間先発電電力予測装置。
- 前記RNNは、エルマン(Elman)型NNを線形結合した構造を有することを特徴とする請求項1から4のいずれかに記載の風力発電機の数時間先発電電力予測装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005239755A JP2007056686A (ja) | 2005-08-22 | 2005-08-22 | 風速予測に基づく風力発電機の数時間先発電電力予測装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005239755A JP2007056686A (ja) | 2005-08-22 | 2005-08-22 | 風速予測に基づく風力発電機の数時間先発電電力予測装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2007056686A true JP2007056686A (ja) | 2007-03-08 |
Family
ID=37920396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005239755A Pending JP2007056686A (ja) | 2005-08-22 | 2005-08-22 | 風速予測に基づく風力発電機の数時間先発電電力予測装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2007056686A (ja) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009167848A (ja) * | 2008-01-11 | 2009-07-30 | Chugoku Electric Power Co Inc:The | 風力発電量予測システム、方法及びプログラム |
JP2010025115A (ja) * | 2008-07-22 | 2010-02-04 | Siemens Ag | 風力資源の予測のための方法および装置 |
CN101794996A (zh) * | 2010-02-10 | 2010-08-04 | 华东电网有限公司 | 风电场出力实时预测方法 |
JP2011200040A (ja) * | 2010-03-19 | 2011-10-06 | Toshiba Corp | 発電量予測装置、予測方法及び予測プログラム |
KR101177838B1 (ko) | 2010-12-17 | 2012-08-28 | 삼성중공업 주식회사 | 피치 제어 장치를 구비한 풍력 터빈 및 풍력 터빈의 피치 제어 방법 |
CN102708305A (zh) * | 2012-06-20 | 2012-10-03 | 天津工业大学 | 一种基于卡尔曼滤波融合的风速序列预测方法 |
US8338978B2 (en) | 2011-02-10 | 2012-12-25 | Mitsubishi Heavy Industries, Ltd. | Wind turbine generator having electrical storage device and acoustic noise suppression method thereof |
CN102841610A (zh) * | 2012-07-02 | 2012-12-26 | 国电光伏(江苏)有限公司 | 基于太阳能电池板和神经元网络的巡日传感控制装置 |
JP2013177885A (ja) * | 2012-02-02 | 2013-09-09 | Mitsubishi Heavy Ind Ltd | 風力発電装置及びその運転制御方法 |
CN103362741A (zh) * | 2013-07-12 | 2013-10-23 | 浙江运达风电股份有限公司 | 基于adaline技术的风力发电机组系统辨识方法 |
CN103953503A (zh) * | 2014-04-18 | 2014-07-30 | 南车株洲电力机车研究所有限公司 | 风力发电机组偏航制动力矩控制装置及其方法 |
JP2015500439A (ja) * | 2011-12-12 | 2015-01-05 | ヴォッベン プロパティーズ ゲーエムベーハーWobben Properties Gmbh | 風力発電装置ないしウインドパークの運転方法 |
JP2015148934A (ja) * | 2014-02-06 | 2015-08-20 | 三菱重工業株式会社 | 発電量予測装置および発電量予測方法 |
JP2016136001A (ja) * | 2015-01-23 | 2016-07-28 | 中国電力株式会社 | 予測装置 |
WO2016121202A1 (ja) * | 2015-01-30 | 2016-08-04 | 日本電気株式会社 | 予測装置、予測方法、及び、プログラム |
CN106326982A (zh) * | 2016-08-16 | 2017-01-11 | 北京国能日新系统控制技术有限公司 | 一种基于神经网络和模式搜索优化的多气象风速融合方法 |
CN106837704A (zh) * | 2017-04-17 | 2017-06-13 | 北京耀能科技有限公司 | 一种中型低速永磁直驱风电机组及其参数自学习控制方法 |
CN106875038A (zh) * | 2017-01-03 | 2017-06-20 | 北京国能日新系统控制技术有限公司 | 基于集合局地多点不同气候特征的风功率预测方法及装置 |
JP2018036196A (ja) * | 2016-09-01 | 2018-03-08 | 富士電機株式会社 | 風速予測装置、風速予測システム、風速予測方法及びプログラム |
WO2018198225A1 (ja) | 2017-04-26 | 2018-11-01 | 三菱電機株式会社 | Ai装置、レーザレーダ装置、及びウインドファーム制御システム |
KR101917729B1 (ko) * | 2017-03-06 | 2018-11-12 | 온동네피엠씨 주식회사 | 공동주택 전기요금 절약을 위한 전력소비 평균화 제어시스템 |
KR20190053470A (ko) * | 2017-11-10 | 2019-05-20 | 주식회사 셀리지온 | 딥러닝 기반 측위 시스템 및 이의 구축 방법 |
CN112700057A (zh) * | 2021-01-07 | 2021-04-23 | 福州大学 | 一种基于模块化循环神经网络的电力负荷预测方法 |
KR20210077474A (ko) | 2019-12-17 | 2021-06-25 | 세종대학교산학협력단 | 태양광 발전량 예측 장치 및 그 방법 |
CN115049024A (zh) * | 2022-08-15 | 2022-09-13 | 国能日新科技股份有限公司 | 风速预测模型的训练方法、装置、电子设备和存储介质 |
KR20240019546A (ko) * | 2022-08-04 | 2024-02-14 | 한국에너지기술연구원 | 기상 데이터를 이용한 풍력발전기 시계열 출력예측 방법 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06175998A (ja) * | 1992-12-07 | 1994-06-24 | Nippon Telegr & Teleph Corp <Ntt> | 時系列予測方法 |
JP2005163608A (ja) * | 2003-12-02 | 2005-06-23 | Shikoku Res Inst Inc | 風力発電出力予測方法 |
-
2005
- 2005-08-22 JP JP2005239755A patent/JP2007056686A/ja active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06175998A (ja) * | 1992-12-07 | 1994-06-24 | Nippon Telegr & Teleph Corp <Ntt> | 時系列予測方法 |
JP2005163608A (ja) * | 2003-12-02 | 2005-06-23 | Shikoku Res Inst Inc | 風力発電出力予測方法 |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009167848A (ja) * | 2008-01-11 | 2009-07-30 | Chugoku Electric Power Co Inc:The | 風力発電量予測システム、方法及びプログラム |
JP2010025115A (ja) * | 2008-07-22 | 2010-02-04 | Siemens Ag | 風力資源の予測のための方法および装置 |
CN101794996A (zh) * | 2010-02-10 | 2010-08-04 | 华东电网有限公司 | 风电场出力实时预测方法 |
JP2011200040A (ja) * | 2010-03-19 | 2011-10-06 | Toshiba Corp | 発電量予測装置、予測方法及び予測プログラム |
KR101177838B1 (ko) | 2010-12-17 | 2012-08-28 | 삼성중공업 주식회사 | 피치 제어 장치를 구비한 풍력 터빈 및 풍력 터빈의 피치 제어 방법 |
US8338978B2 (en) | 2011-02-10 | 2012-12-25 | Mitsubishi Heavy Industries, Ltd. | Wind turbine generator having electrical storage device and acoustic noise suppression method thereof |
US9541067B2 (en) | 2011-12-12 | 2017-01-10 | Wobben Properties Gmbh | Method for operating a wind turbine or a wind farm |
JP2015500439A (ja) * | 2011-12-12 | 2015-01-05 | ヴォッベン プロパティーズ ゲーエムベーハーWobben Properties Gmbh | 風力発電装置ないしウインドパークの運転方法 |
JP2013177885A (ja) * | 2012-02-02 | 2013-09-09 | Mitsubishi Heavy Ind Ltd | 風力発電装置及びその運転制御方法 |
CN102708305A (zh) * | 2012-06-20 | 2012-10-03 | 天津工业大学 | 一种基于卡尔曼滤波融合的风速序列预测方法 |
CN102841610A (zh) * | 2012-07-02 | 2012-12-26 | 国电光伏(江苏)有限公司 | 基于太阳能电池板和神经元网络的巡日传感控制装置 |
CN103362741A (zh) * | 2013-07-12 | 2013-10-23 | 浙江运达风电股份有限公司 | 基于adaline技术的风力发电机组系统辨识方法 |
JP2015148934A (ja) * | 2014-02-06 | 2015-08-20 | 三菱重工業株式会社 | 発電量予測装置および発電量予測方法 |
CN103953503A (zh) * | 2014-04-18 | 2014-07-30 | 南车株洲电力机车研究所有限公司 | 风力发电机组偏航制动力矩控制装置及其方法 |
JP2016136001A (ja) * | 2015-01-23 | 2016-07-28 | 中国電力株式会社 | 予測装置 |
WO2016121202A1 (ja) * | 2015-01-30 | 2016-08-04 | 日本電気株式会社 | 予測装置、予測方法、及び、プログラム |
CN106326982A (zh) * | 2016-08-16 | 2017-01-11 | 北京国能日新系统控制技术有限公司 | 一种基于神经网络和模式搜索优化的多气象风速融合方法 |
CN106326982B (zh) * | 2016-08-16 | 2019-02-15 | 国能日新科技股份有限公司 | 一种基于神经网络和模式搜索优化的多气象风速融合方法 |
JP2018036196A (ja) * | 2016-09-01 | 2018-03-08 | 富士電機株式会社 | 風速予測装置、風速予測システム、風速予測方法及びプログラム |
CN106875038A (zh) * | 2017-01-03 | 2017-06-20 | 北京国能日新系统控制技术有限公司 | 基于集合局地多点不同气候特征的风功率预测方法及装置 |
KR101917729B1 (ko) * | 2017-03-06 | 2018-11-12 | 온동네피엠씨 주식회사 | 공동주택 전기요금 절약을 위한 전력소비 평균화 제어시스템 |
CN106837704A (zh) * | 2017-04-17 | 2017-06-13 | 北京耀能科技有限公司 | 一种中型低速永磁直驱风电机组及其参数自学习控制方法 |
WO2018198225A1 (ja) | 2017-04-26 | 2018-11-01 | 三菱電機株式会社 | Ai装置、レーザレーダ装置、及びウインドファーム制御システム |
KR20190053470A (ko) * | 2017-11-10 | 2019-05-20 | 주식회사 셀리지온 | 딥러닝 기반 측위 시스템 및 이의 구축 방법 |
KR102116824B1 (ko) | 2017-11-10 | 2020-06-01 | (주)셀리지온 | 딥러닝 기반 측위 시스템 및 이의 구축 방법 |
KR20210077474A (ko) | 2019-12-17 | 2021-06-25 | 세종대학교산학협력단 | 태양광 발전량 예측 장치 및 그 방법 |
CN112700057A (zh) * | 2021-01-07 | 2021-04-23 | 福州大学 | 一种基于模块化循环神经网络的电力负荷预测方法 |
CN112700057B (zh) * | 2021-01-07 | 2022-07-08 | 福州大学 | 一种基于模块化循环神经网络的电力负荷预测方法 |
KR20240019546A (ko) * | 2022-08-04 | 2024-02-14 | 한국에너지기술연구원 | 기상 데이터를 이용한 풍력발전기 시계열 출력예측 방법 |
KR102665051B1 (ko) | 2022-08-04 | 2024-05-13 | 한국에너지기술연구원 | 기상 데이터를 이용한 풍력발전기 시계열 출력예측 방법 |
CN115049024A (zh) * | 2022-08-15 | 2022-09-13 | 国能日新科技股份有限公司 | 风速预测模型的训练方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2007056686A (ja) | 風速予測に基づく風力発電機の数時間先発電電力予測装置 | |
KR101761686B1 (ko) | 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템 | |
Karabacak et al. | Artificial neural networks for controlling wind–PV power systems: A review | |
Zhao et al. | Review of evaluation criteria and main methods of wind power forecasting | |
Tao et al. | Forecasting power output for grid-connected photovoltaic power system without using solar radiation measurement | |
US20200057175A1 (en) | Weather dependent energy output forecasting | |
Chandra et al. | A detailed literature review on wind forecasting | |
Lydia et al. | A comprehensive overview on wind power forecasting | |
CN106351793A (zh) | 用于改进风力发电的系统和方法 | |
Lawan et al. | Different models of wind speed prediction; a comprehensive review | |
CN102419394B (zh) | 一种预测分辨率可变的风光功率预测方法 | |
Michael et al. | Short-term solar irradiance forecasting based on a novel Bayesian optimized deep Long Short-Term Memory neural network | |
Wu et al. | Stratification-based wind power forecasting in a high-penetration wind power system using a hybrid model | |
KR20130099479A (ko) | 풍력발전 제어계통에 대한 센서리스 온라인 신경망 제어방법 | |
JP2010130762A (ja) | 自然エネルギー発電装置を含む電力供給システムおよび需給調整方法 | |
Shetty et al. | Comparison of modeling methods for wind power prediction: a critical study | |
Yan et al. | Solar radiation forecasting using artificial neural network for local power reserve | |
Ameen et al. | Modeling and characterization of a photovoltaic array based on actual performance using cascade-forward back propagation artificial neural network | |
Shah et al. | A novel prediction error-based power forecasting scheme for real pv system using pvusa model: A grey box-based neural network approach | |
Bou-Rabee et al. | One-month-ahead wind speed forecasting using hybrid AI model for coastal locations | |
Dhaked et al. | Power output forecasting of solar photovoltaic plant using LSTM | |
EP3741991B1 (en) | Method for dynamic real-time optimization of the performance of a wind park and wind park | |
CN103187736A (zh) | 含风电场有功调度系统 | |
Ibargüengoytia et al. | Wind power forecasting using dynamic Bayesian models | |
Jeyakumar et al. | Short-term wind power forecasting using a Markov model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20070222 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20091113 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20091208 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20100406 |