JP2009138523A - 風力発電出力予測方法 - Google Patents

Abstract

【課題】ＧＰＶデータの物理モデルを用いた数値補間を不要として物理モデルの系統誤差の影響を回避し、風況補正データベース構築後の風計測を不要として、別エリアでのデータベース構築に転用可能とし、風況予測精度を向上させた風力発電出力予測方法を得る。
【解決手段】風力発電エリアでの風況の予測データから風力発電量を予測するために、数値予報によるＧＰＶ風況予測データ１００と、光波レーダにより実測された風力発電エリアでの風況の実測データ１０１と、風力発電エリアの各風力発電機の風車２０１〜２０３の位置を示す風車位置情報１０２とを用いて、風速補正係数データベース１０５を構築する第１のステップＳ１と、風況補正データベースおよびＧＰＶ風況データを用いて各風車２０１〜２０３への到来風速を予測する第２のステップＳ２と、到来風速の予測値に基づいて風力発電量を予測する第３のステップＳ３とを備えている。
【選択図】図１

Description

この発明は、風力発電出力（発電電力量）を予測（翌日予測および当日予測）する風力発電出力予測方法に関し、特にレーザ光を空間に放出して空間内の風況（風向および風速を含む）を遠隔で測定する風計測光波レーダ装置（以下、「光波レーダ」と略称する）を用いた風力発電出力予測方法に関するものである。

近年、風速の空間分布の観測は、気象観測や気象予測の観点のみでなく、風力発電設備に代表される風力利用の観点からも、重要な観測項目となりつつある。
従来の風力発電出力予測方法においては、ベースとなる入力データとして、数値予報データ（以下、「ＧＰＶデータ」という）を用いる方法が知られている。

ＧＰＶ（Ｇｒｉｄ Ｐｏｉｎｔ Ｖａｌｕｅ）は、予報地点が地表高度１０［ｋｍ］かつ１０［ｋｍ］格子程度の平均データであり、ＷＦ（Ｗｉｎｄ Ｆａｒｍ）の各風車に寄与する風速を得るためには空間分解能が不足しており、また、日本固有の複雑地形や各風車による後流により予報地点内で風速場が変化することから、直接的に発電量予測に用いられることはできない。

この点に鑑み、ＧＰＶデータを用いた場合に風力予測精度を高めるために、過去の予測データと風速実測データとを用いて統計解析し、この解析結果を新たに予測するデータに反映したシステムが提案されている（たとえば、特許文献１参照）。

特許文献１に記載の方法は、まず、気象庁ＧＰＶ領域（数１０００［ｋｍ］程度の領域で、メッシュ間隔２０［ｋｍ］、気温、地上気圧、指定気圧面高度、湿度、風向および風速）の中から、予測対象とする風力発電サイトの領域（数１００［ｍ］領域、メッシュ間隔１０［ｋｍ］程度）を選択し、標高、土地利用データを初期値として、気流場の予測計算に基づき、広領域数値予報データ（気温、気圧、風向および風速、湿度、降水量の１０分ごとの更新周期）を算出してデータを蓄積する。

次に、上記のように算出された広領域数値予報データと、狭領域の標高および土地利用データとを用いて、気流場の計算範囲（領域）を段階的に絞りこみながら、風力発電サイト近傍の数１０［ｍ］〜数１００［ｍ］メッシュの狭領域数値予報データを算出する。

気流場の予測計算方法には、力学的原理に基づく既存技術（たとえば、（株）ＣＲＣソリューションのＬＯＣＡＬＳ（登録商標））があり、この手法における基本式は、運動方程式、質量保存式、熱力学の式、乱流モデル式、の４式である。
上記４式の各計算には、初期値および境界値が必要であるが、広領域の計算では気象庁ＧＰＶデータの内挿値を用い、狭領域の計算では広領域の計算結果の内挿値を用いる。

上記特許文献１に記載の方法によれば、風力発電サイトレベルの分解能で予測計算が可能となるが、さらに狭領域（個々の風力発電機の設置位置の付近程度まで）の予測データを得るために、過去の予測データと実測データとを統計解析した解析結果を、新たに予測する予測データに反映させることにより、風況予測精度を高める技術も提案されている。

このため、物理モデル（マイクロスケールモデル、後流モデル）を用いて、予報値をダウンスケーリングして、風車に寄与する風速を推定する手法が採用されてきたが、上記物理モデルの系統誤差によって予測精度が低下することが考えられ、複数種類のメソスケール気象予報値の組み合わせの必要性などが指摘されている。

一方、風車への到来風速の実況値に基づいてＧＰＶデータを補正する手法も考えられ、この場合、ＧＰＶ風速と実測値との相関関係を精度よく決定することができれば、上記物理モデルを介せずに風力を予測することが可能と考えられる。しかしながら、通常のＷＦでは、風車への到来風速の実測値として、ナセル風速または基準マスト風速のみが取得可能であり、ナセル風速は風車翼後方に計測点があること、基準マスト風速は風車以外の限られた位置に制限されることから、計測精度を十分達成することはできない。

特開２００４−１９５８３号公報

従来の風力発電出力予測方法では、たとえば特許文献１に記載の技術の場合、狭領域の予測データを得るために、物理モデルを用いて予報値をダウンスケーリングして風車に寄与する風速を推定しているので、物理モデルの系統誤差によって予測精度が低下する可能性があるという課題があった。

また、風車への到来風速の実況値に基づくＧＰＶデータの補正手法を適用しても、風車への到来風速の実測値として、ナセル風速を取得する場合には風車翼後方に計測点がある理由から、また基準マスト風速を取得する場合には風車以外の限られた位置に制限される理由から、十分な計測精度を達成することができないという課題があった。

この発明は、上記のような課題を解決するためになされたものであり、ＧＰＶデータの物理モデルを用いた数値補間を不要とし、風況補正データベースの構築後の風計測を不要として、風況予測精度を向上させた風力発電出力予測方法を得ることを目的とする。

この発明による風力発電出力予測方法は、予測対象となる風力発電エリアでの風向および風速を含む風況の予測データから風力発電量を予測する風力発電出力予測方法において、風力発電エリアの近傍での数値予報によるＧＰＶ風況データと、光波レーダにより実測された風力発電エリアでの風況実測値と、風力発電エリアにおける各風力発電機の風車の位置を示す風車位置情報とを用いて、風況補正データベースを構築する第１のステップと、風況補正データベースおよびＧＰＶ風況データを用いて、風力発電エリア内の各風車に到来する到来風速を予測する第２のステップと、到来風速の風速予測値に基づいて風力発電量を予測する第３のステップとを備えたものである。

この発明によれば、ＧＰＶデータの物理モデルを用いた数値補間を不要として、物理モデルの系統誤差の影響を受けないようにするとともに、風況補正データベースの構築後の風計測を不要として、別エリアでのデータベース構築に転用可能とすることにより、風況予測精度を向上させることができる。

実施の形態１．
図１はこの発明の実施の形態１を実現する予測システムを示す機能ブロック図であり、光波レーダ２００および風力発電エリア内の各風力発電機２１１〜２１３の風車２０１〜２０３と関連して、風力発電出力（発電電力量）を予測するシステムの全体構成を概略的に示している。

図１において、この発明の実施の形態１に係る風力発電出力予測方法を実現するシステムは、風況予測補正データベースを構築する第１のステップＳ１と、第１のステップＳ１で構築した風況予測補正データベースを用いて各風力発電機２１１〜２１３の風車２０１〜２０３に到来する到来風速を予測する第２のステップＳ２と、第２のステップＳ２で予測した到来風速に基づいて風力発電量を予測する第３のステップＳ３とを備えている。

第１のステップＳ１は、ＧＰＶ風況予測データ１００と、光波レーダ２００により測定された風力発電エリアでの風況（風向および風速）の実測データ１０１と、風力発電エリア内の各風車２０１〜２０３の風車位置情報１０２と、各風車２０１〜２０３への到来風速を算出する到来風速算出部１０３と、相関演算により風速予測値の補正係数を算出する相関演算部１０４と、数値予報によるＧＰＶ風向ごとの風車２０１〜２０３への到来風速の風速補正係数データベース１０５とを備えている。

第２のステップＳ２は、ＧＰＶ風況予測データ１００と、ＧＰＶ風向ごとの到来風速の風速補正係数データベース１０５と、ＧＰＶ風況予測データから到来風速への変換部１０６と、推定された各風車２０１〜２０３への到来風速の予測データ１０７とを備えている。
また、第３のステップＳ３は、各風車２０１〜２０３への到来風速の予測データ１０７と、風車性能データベース１０８と、到来風速から風力発電電力への変換部１０９と、図１のシステムの最終的な取得目的である風力発電量の予測データ１１０とを備えている。

ここで、第１のステップＳ１の具体的な機能について説明する。
まず、光波レーダ２００による風況の実測データ１０１の取得ブロックにおいては、光波レーダ２００により実測された風力発電エリア全域の風況の３次元リアルタイムデータを蓄積する。

続いて、各風車２０１〜２０３への到来風速算出部（風向および風速の空間成分解析部）１０３においては、風力発電エリアにおける各風力発電機２１１〜２１３の風車位置情報１０２に基づいて、各風車２０１〜２０３に到来する風速成分を算出する。

なお、光波レーダ２００による風況の実測データ１０１の測定原理は、概略的に以下の通りである。
まず、光波レーダ２００の装置内部で発生させた単一周波数の連続発振レーザ光の一部をパルス増幅した後、空間内の所定方位に望遠鏡を介して放出する。このときの送信光の周波数は、たとえば、波長λ＝１．５５［μｍ］帯の送信光の場合、約１９５［ＴＨｚ］である。

送信光の一部は、大気中のエアロゾルと呼ばれる微小塵によって散乱され、エアロゾルが風速と同速度で移動することから、散乱光にはドップラ周波数シフトｆ_Ｄが生じる。
たとえば、風速１［ｍ／ｓ］当たりに生じるドップラ周波数シフトｆ_Ｄは、波長１．５５［μｍ］の場合、約１．３［ＭＨｚ］である。

散乱光の一部は、望遠鏡により受信される。受信光の周波数に応答できる光電変換素子は存在しないが、受信光と基準光源光とを合波した後で光電変換することにより、差分周波数からなるドップラ周波数シフトｆ_Ｄを検出することができる。
すなわち、受信光に基づく視線方向風速ＭＲｖは、ドップラ周波数シフトｆ_Ｄから以下の式（１）により算出することができる。

ＭＲｖ＝λ・ｆ_Ｄ／２ ・・・（１）

一方、パルス光を送信してから受信光を得るまでの時間（ラウンドトリップ時間）は、送信方位の距離に比例するので、受信電気信号を時間ごとに周波数解析することにより、送信方位の距離ごとの風速を得ることができる。
最後に、送信光の方位を変化（円周走査）させて、上記と同様に測定することにより、走査中心（光波レーダ２００の設置位置）から所定距離に位置する複数空間の視線方向風速を得ることができる。

上記のように得られた複数空間の視線方向風速をベクトル合成することにより、複数空間内の３次元的な風向および風速を得ることができる。
この発明の実施の形態１による風況予測用の補正データベースの構築に際しては、たとえば図２のような測定レイアウトが採用される。

図２は光波レーダ２００および風車２０１〜２０３の設置位置（測定レイアウト）を側面図で示す説明図である。
図２において、１台の光波レーダ（ＬＩＤＡＲ：Ｌｉｇｈｔ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｒａｎｇｉｎｇ）２００は、各風力発電機（ＷＰＧ）２１１〜２１３の風車２０１〜２０３が設置された風力発電エリア全体を見渡せる位置に設置され、送信光Ｒを複数の仰角で円周走査する（破線楕円参照）。

光波レーダ２００からの送信光Ｒの仰角は、測定したい風車２０１〜２０３の翼の上端と下端とが光波レーダ２００の送信光の通過範囲となるように設定される。
これにより、１台の光波レーダ２００を用いて、風力発電エリア全体の風況データ（実測値）を距離ごとに取得することができる。

図３は風速データの一例を示す説明図であり、１台の光波レーダ２００により得られた都市域での風速データ（半径８ｋｍの円内の風速）を、２［ｋｍ］ごとの網目状（メッシュ）で示している。

図３において、各矢印は、風況データ算出点３０２（網目状ポイント）ごとの風速および風向に対応し、円形の濃淡分布３０１は風速分布を示しており、濃淡分布３０１の中心位置は光波レーダ２００の位置に対応し、濃淡分布３０１のパターン内の濃淡は、視線方向風速の強弱を表している。

図３の場合、距離分解能は１００［ｍ］、角度分解能は１．５［ｄｅｇ］であり、水平面上の光波レーダ２００の設置位置から半径８［ｋｍ］の円内の風速が得られていることが分かる。
また、１００［ｍ］程度の範囲内においても、細かな濃淡が表示されていることから、１００［ｍ］程度の範囲内でも風速が変化している様子が分かる。

図３内の各風況データ算出点３０２の周囲の視線方向風速測定値を用いて、ベクトル演算することにより、風況データ算出点３０２ごとの風況値を算出することができる。
図３においては、風況データ算出点３０２ごとに得られた算出風況を矢印３０３で表示しており、矢印３０３の大きさは風速に対応し、矢印３０３の方向は風向に対応する。

なお、図３の例では、２［ｋｍ］の等間隔メッシュごとに風況データを算出したが、特定位置に配置されている風力発電機２１１〜２１３に対しても、同様の方法で風況データを算出することができる。
すなわち、光波レーダ２００の実測データ（視線方向風速分布）に対応して、各風力発電機２１１〜２１３の設置位置（風車位置）情報１０２に基づき、光波レーダ２００の設置位置から距離（風車位置）Ｌｉに位置するｉ番目の風車２０ｉに対する到来風速Ｍｉ（ｉ＝１，２，・・・ｎ）を算出し、測定時刻とともに格納しておく。

なお、格納するデータとして、各風車位置Ｌｉでの到来風速Ｍｉ（ｉ＝１，２，・・・ｎ）の他に、各風車位置Ｌｉでの風向、風速の変動（標準偏差）を示す乱流度からなる乱流モデル、および、各風車位置Ｌｉでの高度ごとの風速測定値（後述する高度分布Ｍｉ（ｈ））などがあげられる。

続いて、第１のステップＳ１においては、同じ時間帯で、ＧＰＶ風況予測データ１００を取得する。なお、風況データとは、風速Ｍｖ、風向Ｍｄ、などを含むデータである。
ＧＰＶデータは、数１０００［ｋｍ］程度の領域で、メッシュ間隔２０〜１０［ｋｍ］における平均データであり、各風車位置Ｌｉでの風速を直接表すデータではない。

第１のステップＳ１内の相関演算部１０４は、各風車２０ｉに対するＧＰＶデータの補正データとして、風速予測値の補正係数αｉ、βｉに基づいて、ｊ番目の測定時間ｔｊでの風速Ｍｉｊを、以下の式（２）のように構築する。

Ｍｉｊ＝αｉ・Ｍｖｊ・βｉ（Ｍｄｊ）・・・（２）

式（２）から明らかなように、測定時間ｔｊにおいて、ｉ番目の風車２０ｉには、ＧＰＶ風速Ｍｖｊに補正係数αｉを乗算し、さらにＧＰＶ風向Ｍｄによる感度係数βｉ（Ｍｄｊ）を乗算した風速Ｍｉｊが到来する。

いま、光波レーダ２００により求めた測定時間ｔｊでの到来風速をＭＲｉｊとすると、測定された到来風速ＭＲｉｊと、式（２）から求めた風速Ｍｉｊと、の差分の２乗和Ｓｉは、測定時間ｔｊ（ｊ＝１〜ｋ）に関する総和式として、以下の式（３）のように表される。

Ｓｉ＝Σ｛（Ｍｉｊ−ＭＲｉｊ）＾２｝
＝Σ［（αｉ・Ｍｖｊ・βｉ（Ｍｄｊ）−ＭＲｉｊ）｝＾２］・・・（３）

次に、式（３）から得られる２乗和Ｓｉを最小値とするための、以下の式（４）、式（５）からなる条件を求めることにより、各風車２０ｉに対する補正係数αｉ、βｉが算出される。

以下、式（４）、式（５）で算出した各風車２０ｉに対する補正係数αｉ、βｉを、風車２０ｉごとに格納しておくことにより、第１のステップＳ１による風速補正係数データベース（風況補正データベース）１０５の構築を完了する。

ＧＰＶによる風向および風速の風況予測値に対する各風力発電機位置での到来風速への補正係数をデータベース化することで、風向の変化による各風力発電機（風車）への到来風速を推定することができる。
なお、ここでは、第１のステップＳ１において、光波レーダ２００による到来風速のみをデータベース化する場合について説明したが、これに限定されることはなく、図４に示すようなデータを用いることも有効である。

図４は各風車への到来風速の統計データとＧＰＶデータとの相関演算を説明するための機能ブロック図であり、前述（図１参照）と同様のものに対しては、前述と同一符号が付されている。
図４において、ＧＰＶ風速予測データ１００ａおよびＧＰＶ風向予測データ１００ｂは、前述のＧＰＶ風況予測データ１００に対応する。

この場合、予測システムは、前述の変換部１０６において、風速の平均値、最大最小値、標準偏差値、風向の出現頻度などの統計値を算出する統計解析部４０３と、到来風速の標準偏差とＧＰＶ風向との相関演算部４０４と、到来風速の高度分布とＧＰＶ風向との相関演算部４０５と、ＧＰＶ風向ごとの乱流モデル（到来風速標準偏差）のデータベース４０６と、ＧＰＶ風向ごとの風速高度分布ベキ指数（以下、「高度ベキ指数」と略称する）のデータベース４０７とを備えている。

図４の構成を用いて、各風車位置Ｌｉに対する光波レーダ２００の時系列データを統計解析することにより、風速の平均値、最大最小値、標準偏差値σｍｉなどを算出する。
すなわち、風況の空間成分解析部１０３は、前述と同様に、風力発電エリア全域での光波レーダ２００による風況の実測データ１０１に対し、風力発電機２１１〜２１３の風車位置情報１０２に基づいて、各風車位置Ｌｉでの到来風速Ｍｉを算出する。
以下、統計解析部４０３は、到来風速Ｍｉに基づいて、風速の平均値、最大最小値、標準偏差値σｍｉなどを算出し、相関演算部４０４に入力する。

相関演算部４０４は、統計解析部４０３により得られた到来風速の標準偏差値σｍｉと、ＧＰＶ風向予測データ１００ｂから得られたＧＰＶ風向Ｍｄとを用いて、到来風速の標準偏差値σｍｉのＧＰＶ風向Ｍｄに対する補正係数を算出し、ＧＰＶ風向ごとの乱流モデル（到来風速の標準偏差）のデータベース４０６を構築する。
すなわち、ＧＰＶ風向Ｍｄに対する標準偏差値σｍｉの補正係数を、ＧＰＶ風向Ｍｄに対してテーブル化することにより、ＧＰＶ風向ごとの到来風速の標準偏差値σｍｉを数値データベース化することができる。

一般に、各風力発電機の風車２０ｉへの到来風速Ｍｉは、風力発電機２１１〜２１３の周囲地形により乱流が発生する場合があり、乱流発生時に到来風速Ｍｉのばらつき（標準偏差値σｍｉ）が増大する。
しかし、図４のように、ＧＰＶ風向（ＧＰＶによる予測風向）に対して、各風力発電機の位置（風車位置）Ｌｉでの到来風速Ｍｉの標準偏差値σｍｉをデータベース化することにより、風向の変化による系統的な到来風速Ｍｉのばらつき（標準偏差値σｍｉ）を推定することができる。

また、各風車２０１〜２０３への到来風速算出部（風況の空間成分解析部）１０３により、対象とする風車位置Ｌｉにおける複数高度での風速の測定が可能となる。
たとえば、ｉ番目の風車２０ｉの地上高度ｈ０、ｈ１における光波レーダ２００による測定値（到来風速）をＭｉ（ｈ０）、Ｍｉ（ｈ１）とすると、経験則として知られた指数則に基づいて以下の式（６）が成立し、高度ベキ指数ｎを求めることができる。

Ｍｉ（ｈ１）＝Ｍｉ（ｈ０）（ｈ１／ｈ０）＾（１／ｎ） ・・・（６）

なお、高度ベキ指数ｎは、たとえば、平坦な地形や海岸地方では「７〜１０」、田園地では「４〜６」、市街地では「２〜４」の範囲内の値を取ることが知られている。
図５は風速の高度分布の指数則モデルを例にとった場合の高度ベキ指数ｎの具体例を示す説明図であり、縦軸は地上高度ｈ［ｍ］、横軸は到来風速Ｍ［ｍ／ｓ］である。
図５において、点線は高度ベキ指数ｎ＝４の場合、実線は高度ベキ指数ｎ＝７の場合、１点鎖線は高度ベキ指数ｎ＝１０の場合をそれぞれ示している。

図５において、たとえば２つの風力発電機の各風車２０１、２０２に対する複数の地上高度に対する風速測定値をプロットする。すなわち、風車２０１に対する実測値の点集合５０１（破線枠参照）と、風車２０２に対する実測値の点集合５０２（破線枠参照）とをプロットし、各実測値に前述の指数則の式（６）をフィッティングして、高度ベキ指数ｎを求める。

図５の例では、風車２０１に対する高度ベキ指数ｎ１は「４」、風車２０２に対する高度ベキ指数ｎ２は「７」となる。
以下、到来風速の高度分布とＧＰＶ風向との相関演算部４０５は、各風車位置Ｌｉでの高度ベキ指数ｎｉと、ＧＰＶ風向Ｍｄとの相関演算を行い、ＧＰＶ風向に対する高度ベキ指数ｎを、データベース４０７のように数値データベース化する。

なお、高度ベキ指数ｎは、周囲地形の構造や遮蔽物などにより、風力発電エリア内においても、風力発電機２１ｉの設置位置ごとに異なる値を取ることが考えられ、風力発電機２１ｉごとに異なる風速の高度分布をもつことが予想される。

また、高度ベキ指数ｎは、風力発電機２１ｉの設置位置が同じであっても、到来風の風向により異なった地形の影響を受けて、値が変化することが考えられる。すなわち、到来風の風向Ｍｄおよび風力発電機２１ｉの設置位置の違いにより、到来風速Ｍｉおよび高度分布Ｍｉ（ｈ）が異なることが考えられる。
しかし、図４のように、ＧＰＶによる予測風向に対する各風力発電機２１ｉの設置位置での高度ベキ指数ｎをデータベース化することにより、風向の変化による各風力発電機２１ｉへの到来風速の高度分布Ｍｉ（ｈ）を推定することができる。

以上のように、光波レーダ２００を用いたＧＰＶ風況データの補正データベース化において、光波レーダ２００による風況の実測は、所定期間（たとえば、各季節における１ヶ月程度）だけ継続して行い、データを収集すればよく、データベース構築後には、光波レーダ２００が不要となる。

したがって、１つの風力発電エリアでのデータベース構築後の光波レーダ２００を別のエリアでのデータベース構築に転用することができ、複数の風力発電エリアで１台の光波レーダ２００を共有することができるので、データベース構築に必要な光波レーダ２００の準備コストを低減することができる。

次に、図１内の第２のステップＳ２について説明する。
第２のステップＳ２においては、第１のステップＳ１で取得した風況補正データベースを用いて、風車への到来風速を予測するために、まず、前述の数値予報によるＧＰＶ風況予測データ（風速、風向データなど）１００を取得する。

また、風況データの予測値に対して、ＧＰＶ風向ごとの到来風速の風速補正係数データベース１０５から、風況補正データベース内の各風車２０ｉに対する補正係数αｉ、βｉの値を取得する。

以下、到来風速への変換部１０６において、ＧＰＶ風況予測データ１００に基づき前述の式（２）の演算処理を行うことにより、ｉ番目の風車２０ｉへの到来風速Ｍｉを推定することができ、最後に、各風車２０ｉへの到来風速Ｍｉの予測データ１０７を取得することができる。

すなわち、第２のステップＳ２においては、ＧＰＶ風況予測データ１００に対して、風速補正係数データベース（風況補正データベース）１０５を適用することにより、各風力発電機（風車）への到来風速の予測データ１０７を取得することができる。

なお、前述（図４）と同様に、到来風速Ｍｉの標準偏差値σｍｉと風向との相関演算部４０４と、ＧＰＶ風向ごとの乱流モデル（数値）のデータベース４０６とから、ＧＰＶ風況予測データに対応する風速補正係数データベース１０５とを用いて、補正係数を取得することにより、各風車２０ｉへの到来風速Ｍｉの標準偏差値σｍｉ（Ｍｄ）についても推定することができる。

また、図４において、風車への到来風速ＭｉのＧＰＶ風向ごとの高度ベキ指数ｎｉのデータベース４０７から、ＧＰＶ風向の入力により補正係数αｉ、βｉを取得することできるので、高度ベキ指数ｎｉと、ＧＰＶ風速から推定した各風車２０ｉへの到来風速Ｍｉの推定値とから、前述の式（６）を用いることにより、各風車２０ｉへの到来風速Ｍｉの高度分布Ｍｉ（ｈ）を得ることができる。

このように、ＧＰＶ風況予測データ１００から、各風力発電機２１ｉの風車２０ｉへの到来風速Ｍｉと、到来風速Ｍｉのばらつき（標準偏差値σｍｉ）を示す乱流モデルと、到来風速Ｍｉの高度分布Ｍｉ（ｈ）とを、風力発電機２１ｉごとの独立した予測データに変換することができる。

次に、図６を参照しながら、図１内の第３のステップＳ３について説明する。
図６は風力発電機の発電特性曲線の一例を示す説明図であり、各風力発電機２１ｉの発電特性は風車性能データベース１０８内に格納されている。

第３のステップＳ３において、到来風速から風力発電電力への変換部１０９は、第２のステップＳ２で取得した到来風速の予測データ１０７を用いて風力発電量を予測するために、到来風速の予測データ１０７に対して、風車性能データベース１０８に格納しておいた各風力発電機２１ｉの発電特性曲線から、到来風速Ｍｉの各値に対応した風力発電量の予測データ（発電出力予測データ）１１０を算出する。

図６において、発電特性曲線は、各風力発電機２１ｉに固有の発電特性を示しており、たとえば、到来風速Ｍが１０［ｍ／ｓ］の場合の発電出力は、８００［ｋＷ］と算出される。
また、到来風速の高度分布Ｍｉ（ｈ）についても、予測データを取得することができるので、各風車２０ｉの翼面に対して実効的に寄与する平均風速を算出することができ、これにより、発電出力の予測精度を向上させることができる。

以上のように、この発明の実施の形態１に係る風力発電出力予測方法は、予測対象となる風力発電エリアでの風況（風向および風速を含む）の予測データから風力発電量を予測するために、風力発電エリアの近傍での数値予報によるＧＰＶ風況データ（ＧＰＶ風況予測データ１００）と、光波レーダ２００により実測された風力発電エリアでの風況実測値（風況の実測データ１０１）と、風力発電エリアにおける各風力発電機の風車２０１〜２０３の位置を示す風車位置情報１０２とを用いて、風況補正データベース（風速補正係数データベース１０５）を構築する第１のステップＳ１と、風況補正データベース（風速補正係数データベース１０５）およびＧＰＶ風況データ（ＧＰＶ風況予測データ１００）を用いて、風力発電エリア内の各風車に到来する到来風速Ｍｉを予測する第２のステップＳ２と、到来風速の風速予測値に基づいて風力発電量を予測する第３のステップＳ３とを備えている。

これにより、ＧＰＶ風況予測データ１００からの絞込みステップ（ＧＰＶデータの物理モデルを用いた数値補間による領域の段階的な処理）が不要となり、光波レーダ２００と風力発電機２１ｉの位置情報（風車位置情報）１０２が前情報として準備されていればよいので、従来のような風力発電エリアの標高や土地利用データなどの地形情報が不要となり、予測システム全体の演算負荷を軽減することができる。

また、物理モデルの系統誤差の影響を受けないので、風況予測精度を向上させることができる。
また、風速補正データベース１０５の構築後に光波レーダ２００による風計測が不要となるので、別のエリアでのデータベース構築に転用可能となる。

また、従来方法における到来風速（風力発電機ナセル上の風速値）とは異なり、光波レーダ２００を用いて、風車２０ｉの翼を通過する前の風速ＭＲｉを実測することができるうえ、風車２０ｉの翼の影響を受けない風力発電エリア全域空間（基準マストの風速測定点以外の空間）での風速値を実測することができるので、到来風速Ｍｉの推定精度を向上させることができる。

また、従来方法におけるナセル風速測定とは異なり、複数高度の到来風速（高度分布Ｍｉ（ｈ））の測定が可能となるので、風車２０ｉの周囲地形などに依存して変化する風速の高度分布Ｍｉ（ｈ）と、ＧＰＶ風況データ（ＧＰＶ風況予測データ１００）との関連付けが可能となり、風力発電電力の予測精度をさらに向上させることができる。

また、この発明の実施の形態１による第１のステップＳ１は、数値予報によるＧＰＶ風況データ（ＧＰＶ風況予測データ１００）に基づいて、風力発電エリア内の各風力発電機に到来する風速予測値を修正するための風速補正データベース（風速補正係数データベース１０５）を個別に算出するステップを含むので、風力発電エリア内の各風車位置Ｌｉや周囲環境（地形、障害物）による到来風速の違いを予測することができる。
また、これにより、風車への到来風速Ｍｉの予測精度を向上させるとともに、風車ごとの運用状態（運転／停止）による予測精度の低下を防ぐことができる。

また、この発明の実施の形態１による第３のステップＳ３は、各風力発電機の特性情報を含む風力発電機情報に基づいて、風力発電量の発電量予測値を修正するための発電量補正データベース（風車性能データベース１０８）を算出するステップを含み、風力発電電力への変換部１０９において風速予測値から風力発電量を算出する際に、発電量補正データベース（風車性能データベース１０８）を用いるので、風力発電エリア内に設置された各風力発電機２１ｉの発電性能による発電量の違いを予測することができる。
また、風力発電量の予測精度を向上させるとともに、風車ごとの運用状態（運転／停止）による予測精度の低下を防ぐことができる。

また、この発明の実施の形態１による風況実測値（風況の実測データ１０１）は、各風力発電機２１ｉの風車位置Ｌｉでの風向データＭｄを含み、第１のステップＳ１において風速補正データベース（風速補正係数データベース１０５）を個別に算出するステップは、風向データＭｄとＧＰＶ風況データ（ＧＰＶ風況予測データ１００）との相関関係を解析するステップを含むので、風車への到来風速および風向の予測精度を向上させることができる。

また、この発明の実施の形態１による風況実測値（風況の実測データ１０１）は、各風力発電機の風車位置Ｌｉでの風速の標準偏差（到来風速の標準偏差値σｍｉ）を示す乱流モデル（ＧＰＶ風向ごとの乱流モデルのデータベース４０６）を含み、第１のステップＳ１において風速補正データベース（風速補正係数データベース１０５）を個別に算出するステップは、乱流モデルとＧＰＶ風況データ（ＧＰＶ風況予測データ１００）との相関関係を解析するステップを含むので、風車への到来速および風向の予測精度を向上させることができる。

また、この発明の実施の形態１による風況実測値（風況の実測データ１０１）は、各風力発電機の風車位置Ｌｉでの高度ベキ指数ｎｉを含み、第１のステップＳ１において風速補正データベース（風速補正係数データベース１０５）を個別に算出するステップは、高度ベキ指数ｎｉとＧＰＶ風況データ（ＧＰＶ風況予測データ１００）との相関関係を解析するステップを含むので、風車への到来速および風向の予測精度を向上させることができる。

さらに、この発明の実施の形態１に用いられる光波レーダ２００は、計測範囲が風力発電エリアの全体を含むように設置されており（図２参照）、第１のステップＳ１は、光波レーダ２００からの送信光を複数の仰角で円周走査して、風力発電エリア内の半球内空間の風向および風速を計測するステップを含むので、１台の光波レーダ２００の送信光を風力発電エリア全体に走査して計測することができ、従来方法で用いられていたカップ型風速計やＳＯＤＡＲ（鉛直風計測装置）などのように、風力発電機ごとに１台ずつ必要だった風況測定手段を削減することができる。

この発明の実施の形態１に係る風力発電出力予測方法を実現する予測システムを示す機能ブロック図である。 この発明の実施の形態１に用いられる光波レーダの設置位置および測定レイアウトを側面図で示す説明図である。 この発明の実施の形態１に用いられる光波レーダで得られた風速データの一例を示す説明図である。 この発明の実施の形態１における各風車への到来風速の統計データとＧＰＶデータとの相関演算を説明するための機能ブロック図である。 この発明の実施の形態１における風速の高度ベキ指数の具体例を示す説明図である。 この発明の実施の形態１における風力発電機の発電特性曲線の一例を示す説明図である。

符号の説明

Ｓ１ 風況補正データベースを構築する第１のステップ、Ｓ２ 到来風速を予測する第２のステップ、Ｓ３ 風力発電量（発電電力）を予測する第３のステップ、１００ ＧＰＶ風況データ（ＧＰＶ風況予測データ）、１００ａ ＧＰＶ風速予測データ、１００ｂ ＧＰＶ風向予測データ、１０１ 風況の実測データ、１０２ 風力発電エリアの風車位置情報、１０３ 各風車への到来風速算出部（風況の空間成分解析部）、１０４、４０４、４０５ 相関演算部、１０５ 風速補正係数データベース（風況補正データベース）、１０６ ＧＰＶ風況予測データから到来風速への変換部、１０７ 各風車への到来風速の予測データ、１０８ 風車性能データベース、１０９ 到来風速から風力発電電力への変換部、１１０ 風力発電量（発電電力）の予測データ、２００ 光波レーダ、２０１〜２０３、２０ｉ 風車、２１１〜２１３，２１ｉ 風力発電機、Ｒ 光波レーダの送信光、３０１ 光波レーダにより得られた風速データ、３０２ 網目状（メッシュ）の風況データ算出点、３０３ 到来風速の算出結果、４０３ 統計解析部、４０６ ＧＰＶ風向ごとの乱流モデル（到来風速の標準偏差値）のデータベース、４０７ ＧＰＶ風向ごとの高度ベキ指数のデータベース、５０、５０２ 風速の高度分布の実測値。

Claims (7)

1. 予測対象となる風力発電エリアでの風向および風速を含む風況の予測データから風力発電量を予測する風力発電出力予測方法において、
   前記風力発電エリアの近傍での数値予報によるＧＰＶ風況データと、光波レーダにより実測された前記風力発電エリアでの風況実測値と、前記風力発電エリアにおける各風力発電機の風車の位置を示す風車位置情報とを用いて、風況補正データベースを構築する第１のステップと、
   前記風況補正データベースおよび前記ＧＰＶ風況データを用いて、前記風力発電エリア内の各風車に到来する到来風速を予測する第２のステップと、
   前記到来風速の風速予測値に基づいて前記風力発電量を予測する第３のステップと
   を備えたことを特徴とする風力発電出力予測方法。
2. 前記第１のステップは、前記ＧＰＶ風況データに基づいて前記風速予測値を修正するための風速補正データベースを個別に算出するステップを含むことを特徴とする請求項１に記載の風力発電出力予測方法。
3. 前記第３のステップは、
   前記各風力発電機の特性情報を含む風力発電機情報に基づいて、前記風力発電量の発電量予測値を修正するための発電量補正データベースを算出するステップを含み、
   前記風速予測値から前記風力発電量を算出する際に前記発電量補正データベースを用いることを特徴とする請求項１または請求項２に記載の風力発電出力予測方法。
4. 前記風況実測値は、前記各風力発電機の風車位置での風向データを含み、
   前記第１のステップにおいて前記風速補正データベースを個別に算出するステップは、前記風向データと前記ＧＰＶ風況データとの相関関係を解析するステップを含むことを特徴とする請求項２に記載の風力発電出力予測方法。
5. 前記風況実測値は、前記各風力発電機の風車位置での風速の標準偏差を示す乱流モデルを含み、
   前記第１のステップにおいて前記風速補正データベースを個別に算出するステップは、前記乱流モデルと前記ＧＰＶ風況データとの相関関係を解析するステップを含むことを特徴とする請求項２に記載の風力発電出力予測方法。
6. 前記風況実測値は、前記各風力発電機の風車位置での高度ベキ指数を含み、
   前記第１のステップにおいて前記風速補正データベースを個別に算出するステップは、前記高度ベキ指数と前記ＧＰＶ風況データとの相関関係を解析するステップを含むことを特徴とする請求項２に記載の風力発電出力予測方法。
7. 前記光波レーダは、計測範囲が前記風力発電エリアの全体を含むように設置され、
   前記第１のステップは、前記光波レーダからの送信光を複数の仰角で円周走査して、前記風力発電エリア内の半球内空間の風向および風速を計測するステップを含むことを特徴とする請求項４から請求項６までのいずれか１項に記載の風力発電出力予測方法。

Images