JP2007056686A

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

Info

Publication number: JP2007056686A
Application number: JP2005239755A
Authority: JP
Inventors: Tomonobu Senju; 智信千住
Original assignee: University of the Ryukyus NUC
Current assignee: University of the Ryukyus NUC
Priority date: 2005-08-22
Filing date: 2005-08-22
Publication date: 2007-03-08

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

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。

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。

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。

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

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。

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。

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。

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。

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。

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。

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。

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。

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。

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ｙ_t-iとコンテクスト層の出力ｙ_tの関係は、式（２）で表わされる。
（２）ｙ_t＝ｙ_t-1＋ｒｙ_t-2＋ｒ²ｙ_t-3＋ｒ³ｙ_t-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。

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。

（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。

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。

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。

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／ＮΣ_i=1〜N（｜Ｐ_f ⁱ−Ｐ_a ⁱ｜／Ｐ_a）×１００％
ここで、Ｎはデータ数、Ｐ_fは予測値、Ｐ_a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。

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。

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。

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。

本発明の１実施例に係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である。本実施例と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である。本実施例における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である。シミュレーションに用いたＮＮパラメータ表である。シミュレーションに用いた風車の出力特性図である。比較例のシミュレーションにおける１時間先予測結果を表わすグラフである。比較例のシミュレーションにおける２時間先予測結果を表わすグラフである。比較例のシミュレーションにおける３時間先予測結果を表わすグラフである。本実施例のシミュレーションにおける１時間先予測結果を表わすグラフである。本実施例のシミュレーションにおける２時間先予測結果を表わすグラフである。本実施例のシミュレーションにおける３時間先予測結果を表わすグラフである。比較例のシミュレーションにおける月別絶対平均誤差率を表わしたグラフである。本実施例のシミュレーションにおける月別絶対平均誤差率を表わしたグラフである。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である。本実施例における１時間先風力発電電力予測結果を表わすグラフである。

符号の説明

１入力層
２中間層
３コンテクスト層
４出力層

Claims

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。