JP2014021555A - Natural energy amount prediction device - Google Patents

Natural energy amount prediction device Download PDF

Info

Publication number
JP2014021555A
JP2014021555A JP2012156875A JP2012156875A JP2014021555A JP 2014021555 A JP2014021555 A JP 2014021555A JP 2012156875 A JP2012156875 A JP 2012156875A JP 2012156875 A JP2012156875 A JP 2012156875A JP 2014021555 A JP2014021555 A JP 2014021555A
Authority
JP
Japan
Prior art keywords
natural energy
amount
distribution
energy amount
predicted
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.)
Granted
Application number
JP2012156875A
Other languages
Japanese (ja)
Other versions
JP5940922B2 (en
Inventor
Kenji Mori
健司 森
Takahiro Shiga
孝広 志賀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Toyota Central R&D Labs Inc
Original Assignee
Toyota Motor Corp
Toyota Central R&D Labs Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Toyota Motor Corp, Toyota Central R&D Labs Inc filed Critical Toyota Motor Corp
Priority to JP2012156875A priority Critical patent/JP5940922B2/en
Publication of JP2014021555A publication Critical patent/JP2014021555A/en
Application granted granted Critical
Publication of JP5940922B2 publication Critical patent/JP5940922B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00Energy generation through renewable energy sources
    • Y02E10/50Photovoltaic [PV] energy
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10Energy storage using batteries

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Photovoltaic Devices (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Secondary Cells (AREA)

Abstract

PROBLEM TO BE SOLVED: To provide a natural energy amount prediction device capable of accurately calculating a prediction value of an energy amount per unit time which can be obtained from natural energy.SOLUTION: A control device 21a comprises a prediction processing section 50 which has: an input section 51; a first parameter calculation section 52; a second parameter calculation section 53; a probability density function calculation section 54; a mode value calculation section 55; a confident interval calculation section 56; an erroneous prediction probability calculation section 57; and an output section 58. In the prediction processing section 50, the second parameter calculation section 53 obtains a parameter φ(x) related to dispersion of asymmetric distribution using an explanatory variable x; the probability density function calculation section 54 calculates probability density distribution f(y) of a predicted amount of solar radiation y using the parameter φ(x); the mode value calculation section 55 calculates a mode value yof the solar radiation y on the basis of the probability density distribution f(y); the confident interval calculation section 56 calculates a confident interval Ya including the mode value y; and the erroneous prediction probability calculation section 57 calculates an erroneous prediction probability Pr_e of an erroneous prediction contrary to the amount of solar radiation y.

Description

本発明は、自然エネルギーから得られる単位時間当たりのエネルギー量を予測する自然エネルギー量予測装置に関する。   The present invention relates to a natural energy amount prediction apparatus that predicts an energy amount per unit time obtained from natural energy.

従来から、例えば、下記特許文献1に示されているような情報処理装置及びそのプログラムは知られている。この従来の情報処理装置等は、情報保存部に記憶される過去の気象の推移を示す気象情報から発電量の予測の対象となる日と気象の推移が類似する過去の日を少なくとも二日分選択する類似日選択手段と、類似日選択手段により選択される日の発電量データを情報保持部から取得し、取得した発電量データを一定時間ごとの時系列データとして生成する時系列データ生成手段と、時系列データを用いて、類似日選択手段により選択される日の時刻間の発電量の相関を少なくとも示す数理モデルを生成する数理モデル生成手段と、数理モデルを所定の確率密度関数に適用して一定時間ごとの発電量の確率分布を決定するとともに確率分布に従う乱数の組を複数生成することによって発電設備の一定時間ごとの発電量の予測値を示す発電量シナリオを複数生成するシナリオ生成手段とを備えるようになっている。   2. Description of the Related Art Conventionally, for example, an information processing apparatus and its program as shown in Patent Document 1 below are known. This conventional information processing apparatus, etc., at least two days in the past that have similar weather transitions to the days for which the amount of power generation is predicted from the weather information indicating past weather transitions stored in the information storage unit. Similar date selection means to be selected, and time series data generation means for acquiring the power generation amount data for the day selected by the similar date selection means from the information holding unit, and generating the acquired power generation amount data as time series data for every fixed time And mathematical model generation means for generating a mathematical model that at least shows the correlation of the power generation amount between the times selected by the similar day selection means using time series data, and applying the mathematical model to a predetermined probability density function Power generation scenario that shows the predicted value of power generation per fixed time of the power generation facility by determining the probability distribution of power generation per fixed time and generating multiple sets of random numbers according to the probability distribution The adapted and a scenario generation unit that generates a plurality.

又、従来から、例えば、下記特許文献2に示されているような発電量予測装置、予測方法及び予測プログラムも知られている。この従来の発電量予測装置等は、発電機の過去の発電量に関する過去データを記憶する記憶部と、過去データにおける異なる時刻の間の統計的相関若しくは異なる発電機の位置の間の統計的相関に基づいて、発電機の発電量に関する予測値を、発生確率を含む時系列データとして算出する予測値算出部とを備えるようになっている。   Conventionally, for example, a power generation amount prediction device, a prediction method, and a prediction program as shown in Patent Document 2 below are also known. This conventional power generation amount predicting device, etc. includes a storage unit that stores past data related to the past power generation amount of the generator, and a statistical correlation between different times in the past data or a statistical correlation between different generator positions. And a predicted value calculation unit that calculates a predicted value related to the power generation amount of the generator as time series data including the occurrence probability.

更に、従来から、例えば、下記特許文献3に示されているような太陽光発電装置の発電量予測システム及び発電量予測方法も知られている。この従来の太陽光発電装置の発電量予測システム等は、気象予報データに基づいて大気中の水蒸気量及び雲に関する物理気象モデルをシミュレーションすることで、雲水粒度分布を算出し、雲水粒度分布に基づいて発電量の予測地点における雲の光透過率データを算出し、この雲の光透過率データに基づいて分光日射量を算出し、これら算出した分光日射量等に基づいて設置された太陽光発電装置に応じた発電量を予測するようになっている。   Furthermore, conventionally, for example, a power generation amount prediction system and a power generation amount prediction method of a solar power generation device as shown in Patent Document 3 below are also known. This conventional photovoltaic power generation amount prediction system calculates the cloud water particle size distribution by simulating a physical weather model related to the amount of water vapor and clouds in the atmosphere based on the weather forecast data, and based on the cloud water particle size distribution. Calculate the light transmittance data of the cloud at the predicted power generation amount, calculate the spectral solar radiation based on the cloud light transmittance data, and install the solar power generation installed based on the calculated spectral solar radiation The amount of power generation according to the device is predicted.

特開2012−23816号公報JP 2012-23816 A 特開2011−200040号公報JP 2011-200040 A 特開2011−159199号公報JP 2011-159199 A

ところで、上記特許文献1に示された従来の情報処理装置等や上記特許文献2に示された発電量予測装置等においては、過去の類似日を複数選びそれらの統計を取ることで予測値の確率分布(例えば、多次元正規分布やベータ分布等)を求めたり、或いは、過去データにおける異なる時刻の間の統計的相関等を取ることで、発電機の発電量に関する予測値を算出するようになっている。しかしながら、例えば、上記特許文献1に示された従来の情報処理装置等においては、類似度の基準を厳密にすると、類似日を多く選ぶことができず、基準を緩和すると関係のない日も選ばれるようになる。又、類似の日がない場合には、予測値やその分布を求めることができなくなる。   By the way, in the conventional information processing apparatus etc. shown in the said patent document 1, the electric power generation amount prediction apparatus shown in the said patent document 2, etc., the prediction value is obtained by selecting a plurality of past similar dates and taking their statistics. By calculating a probability distribution (for example, multi-dimensional normal distribution, beta distribution, etc.), or by taking a statistical correlation between different times in past data, the predicted value related to the power generation amount of the generator is calculated. It has become. However, for example, in the conventional information processing apparatus shown in Patent Document 1, if the similarity criterion is strict, many similar days cannot be selected, and if the criterion is relaxed, irrelevant days are also selected. It comes to be. Moreover, when there is no similar day, it becomes impossible to obtain the predicted value and its distribution.

又、例えば、上記特許文献1に示された従来の情報処理装置等において、多次元正規分布を用いる場合には、この多次元正規分布では予測誤差の非対称性が考慮されないため、誤予測(大外れを予測する)を精度よく計算することが難しくなる。この点に関し、例えば、上記特許文献1に示された従来の情報処理装置等において、確率分布としてベータ分布を用いることが可能であるとの記載はあるが、具体的な計算内容等については開示されていない。   Also, for example, in the conventional information processing apparatus shown in Patent Document 1 described above, when a multidimensional normal distribution is used, the multidimensional normal distribution does not take into account the asymmetry of the prediction error. It is difficult to accurately calculate (predict deviation). With regard to this point, for example, in the conventional information processing apparatus shown in Patent Document 1, there is a description that the beta distribution can be used as the probability distribution, but the specific calculation contents and the like are disclosed. It has not been.

本発明は、上記した問題に対処するためになされたものであり、その目的は、自然エネルギーから得られる単位時間当たりのエネルギー量の予測値をその予測誤差の分布も含めて精度よく計算することができる自然エネルギー量予測装置を提供することにある。   The present invention has been made to cope with the above-described problems, and its purpose is to accurately calculate the predicted value of the energy amount per unit time obtained from natural energy, including the distribution of the prediction error. An object of the present invention is to provide an apparatus for predicting the amount of natural energy.

上記目的を達成するための本発明による自然エネルギー量予測装置は、予測手段を備えている。前記予測手段は、自然エネルギーから得られる単位時間当たりの自然エネルギー量を予測する。   In order to achieve the above object, a natural energy amount prediction apparatus according to the present invention includes a prediction means. The prediction means predicts a natural energy amount per unit time obtained from natural energy.

本発明によるエネルギー量予測装置の特徴は、前記自然エネルギー量の予測分布が非対称な分布をも許容する確率分布によって表されるものであり、前記予測手段が、前記自然エネルギー量の変化に関連する説明変数を取得し、前記取得した説明変数を用いて前記確率分布の拡がりに関連するパラメータを算出し、前記算出した前記確率分布の拡がりに関連するパラメータを用いて前記自然エネルギー量の予測分布を表す前記確率分布を計算し、前記計算した確率分布に基づいて、前記自然エネルギー量の予測値を算出することにある。尚、この場合、前記予測手段が、前記自然エネルギー量の変化に関連する説明変数を取得する取得手段と、前記取得手段によって取得された前記説明変数を用いて前記確率分布の拡がりに関連するパラメータを算出するパラメータ計算手段と、前記パラメータ計算手段によって算出された前記確率分布の拡がりに関連するパラメータを用いて前記自然エネルギー量の予測分布を表す前記確率分布を計算する確率分布計算手段とを備えることができ、前記確率分布計算手段によって計算された確率分布に基づいて、前記自然エネルギー量の予測値を算出することができる。   The feature of the energy amount prediction apparatus according to the present invention is represented by a probability distribution that allows a distribution of the natural energy amount to be asymmetric, and the prediction means relates to the change of the natural energy amount. An explanatory variable is acquired, a parameter related to the spread of the probability distribution is calculated using the acquired explanatory variable, and a predicted distribution of the natural energy amount is calculated using the parameter related to the calculated spread of the probability distribution. The probability distribution to be expressed is calculated, and the predicted value of the natural energy amount is calculated based on the calculated probability distribution. In this case, the prediction means acquires an explanatory variable related to the change in the amount of natural energy, and a parameter related to the spread of the probability distribution using the explanatory variable acquired by the acquisition means. Parameter calculating means for calculating the probability distribution, and probability distribution calculating means for calculating the probability distribution representing the predicted distribution of the natural energy amount using a parameter related to the spread of the probability distribution calculated by the parameter calculating means. The natural energy amount predicted value can be calculated based on the probability distribution calculated by the probability distribution calculating means.

この場合、前記説明変数として、例えば、気温、気圧、湿度、降水量、降雨量、降雪量、積雪量、低層雲量、中層雲量、高層雲量、風向、風速、上昇流、天候、快晴度、エアマス及び大気外日射量の各気象予測値、並びに、予測実施時刻から予測対象時刻までのリードタイムのうちの少なくとも一つを取得して用いることができる。そして、この場合、更に、前記各気象予測値、前記リードタイム、並びに、現況及び過去に観測された気象観測値のうちの少なくとも一つを取得して用いることができる。又、この場合、前記自然エネルギー量の予測分布を表す非対称な分布をも許容する確率分布を、ベータ分布又はゼロ過剰ベータ分布とすることができる。又、これらの場合、前記自然エネルギーとして、太陽光エネルギー、太陽熱エネルギー、風力エネルギー、潮流エネルギー及び水流エネルギーのうちの少なくとも一つの自然エネルギーとすることができる。   In this case, as the explanatory variables, for example, temperature, atmospheric pressure, humidity, precipitation, rainfall, snowfall, snow cover, low cloud cover, middle cloud cover, high cloud cover, wind direction, wind speed, updraft, weather, clearness, It is possible to acquire and use at least one of the air mass and each weather predicted value of the solar radiation amount in the atmosphere and the lead time from the prediction execution time to the prediction target time. In this case, at least one of the weather forecast values, the lead time, the current situation, and the weather observation values observed in the past can be acquired and used. In this case, the probability distribution that also allows an asymmetric distribution representing the predicted distribution of the natural energy amount can be a beta distribution or a zero excess beta distribution. In these cases, the natural energy may be at least one natural energy of solar energy, solar thermal energy, wind energy, tidal energy, and water energy.

又、これらの場合、前記予測手段は、前記計算した確率分布にて最も頻繁に出現する最頻値を計算し、前記計算した最頻値、及び、前記確率分布にて前記最頻値に準じて頻繁に出現する値のうちの少なくとも前記最頻値を前記自然エネルギー量の予測値とすることができる。尚、この場合、前記予測手段は、前記確率分布計算手段によって計算された前記確率分布にて最も頻繁に出現する最頻値を計算する最頻値計算手段を備えることができ、前記最頻値計算手段によって計算された最頻値、及び、前記確率分布計算手段によって計算された前記確率分布にて前記最頻値に準じて頻繁に出現する値のうちの少なくとも前記最頻値を前記自然エネルギー量の予測値とすることができる。   Also, in these cases, the predicting means calculates the mode value that appears most frequently in the calculated probability distribution, and follows the mode value calculated and the mode value in the probability distribution. At least the mode value among the frequently appearing values can be used as the predicted value of the natural energy amount. In this case, the predicting means may include a mode value calculating means for calculating a mode value that appears most frequently in the probability distribution calculated by the probability distribution calculating unit. At least the mode value among the mode value calculated by the calculation unit and the value that frequently appears in accordance with the mode value in the probability distribution calculated by the probability distribution calculation unit is used as the natural energy. It can be a predicted value of the quantity.

又、これら場合、前記予測手段は、前記自然エネルギー量の予測値の信頼区間を、少なくとも前記計算した確率分布にて最も頻繁に出現する最頻値を含み前記確率分布にて所定の頻度により出現する値の集合とすることができる。尚、この場合、前記予測手段は、前記自然エネルギー量の予測値の信頼区間を、少なくとも前記確率分布計算手段によって計算された確率分布にて最も頻繁に出現する最頻値を含み前記確率分布にて所定の頻度により出現する値の集合とする信頼区間計算手段を備えることができる。   In these cases, the prediction means includes a confidence interval of the predicted value of the natural energy amount, including at least a mode value that appears most frequently in the calculated probability distribution, and appears at a predetermined frequency in the probability distribution. It can be a set of values. In this case, the prediction means includes a confidence interval of the predicted value of the natural energy amount including at least the most frequent value that appears most frequently in the probability distribution calculated by the probability distribution calculation means. In addition, it is possible to provide a confidence interval calculation means for making a set of values that appear at a predetermined frequency.

又、これらの場合、前記予測手段は、前記算出した前記確率分布の拡がりに関連するパラメータを用いて計算した前記確率分布に基づいて、前記自然エネルギー量の予測値の信頼区間外であって、前記自然エネルギー量の予測値に反して、実測された実自然エネルギー量が予め設定された下限側の自然エネルギー量以下となる、又は、前記実自然エネルギー量が予め設定された上限側の自然エネルギー量以上となる誤予測の発生する確率を計算することができる。尚、この場合、前記予測手段は、前記パラメータ計算手段によって算出された前記確率分布の拡がりに関連するパラメータを用いて前記確率分布計算手段によって計算された前記確率分布に基づいて、前記自然エネルギー量の予測値の信頼区間外であって、前記自然エネルギー量の予測値に反して、実測された実自然エネルギー量が予め設定された下限側の自然エネルギー量以下となる、又は、前記実自然エネルギー量が予め設定された上限側の自然エネルギー量以上となる誤予測の発生する確率を計算する誤予測確率計算手段を備えることができる。   In these cases, the prediction means is outside the confidence interval of the predicted value of the natural energy amount based on the probability distribution calculated using the parameter related to the calculated spread of the probability distribution, Contrary to the predicted value of the natural energy amount, the measured actual natural energy amount is equal to or lower than a preset lower limit side natural energy amount, or the actual natural energy amount is set to an upper limit side natural energy. It is possible to calculate the probability of occurrence of misprediction exceeding the amount. In this case, the prediction means uses the natural energy amount based on the probability distribution calculated by the probability distribution calculation means using a parameter related to the spread of the probability distribution calculated by the parameter calculation means. Outside the confidence interval of the predicted value, and contrary to the predicted value of the natural energy amount, the actually measured actual natural energy amount is equal to or less than a preset lower limit side natural energy amount, or the actual natural energy There can be provided a misprediction probability calculation means for calculating a probability of occurrence of a misprediction in which the amount is equal to or greater than a preset upper limit amount of natural energy.

これらによれば、予測手段は、分布の拡がりに関連するパラメータを自然エネルギー量の変化に関連する説明変数を用いて算出し、このパラメータを用いて計算される非対称な分布をも許容する確率分布、具体的に、ベータ分布やゼロ過剰ベータ分布等によって自然エネルギー量の予測分布を表し、この予測分布すなわち確率分布に基づいて自然エネルギー量の予測値を算出することができる。これにより、気象予測値等の説明変数を用いてパラメータを算出することができるため、連続変数同士の間の関係を、例えば、関数によって記述できる回帰分析で確率分布のパラメータを記述することができ、過去データから類似日を選ぶことなく、任意の気象条件に対して予測分布(発生分布)を計算することができる。   According to these, the predicting means calculates a parameter related to the spread of the distribution using an explanatory variable related to the change in the amount of natural energy, and a probability distribution that allows an asymmetric distribution calculated using this parameter. Specifically, the predicted distribution of the natural energy amount is represented by a beta distribution, a zero excess beta distribution, or the like, and the predicted value of the natural energy amount can be calculated based on the predicted distribution, that is, the probability distribution. As a result, parameters can be calculated using explanatory variables such as weather forecast values, so that the relationship between continuous variables can be described, for example, parameters of probability distribution by regression analysis that can be described by functions. The predicted distribution (occurrence distribution) can be calculated for any weather condition without selecting a similar date from the past data.

又、分布の拡がりに関連するパラメータを用いて、非対称を許容する確率分布を計算することができるため、例えば、太陽光エネルギーから得られる単位時間当たりのエネルギー量としての日射量のように、「0」を下限とし、かつ、大気外日射量を上限とする有限区間の値を取る場合であっても、分布の裾について正確に表現することが可能となる。従って、予測値が大きく外れる誤予測を極めて精度よく計算して適切に予見することができる。   In addition, since a probability distribution that allows asymmetry can be calculated using parameters related to the spread of the distribution, for example, the amount of solar radiation as an amount of energy per unit time obtained from solar energy, “ Even when taking a value of a finite interval having a lower limit of “0” and an upper limit of the amount of solar radiation outside the atmosphere, it is possible to accurately represent the tail of the distribution. Therefore, a misprediction in which a predicted value greatly deviates can be calculated with extremely high accuracy and appropriately predicted.

又、確率分布における最頻値を自然エネルギー量の予測値とすることができるため、非対称を許容する確率分布に予測誤差が従う場合には、事象の起こり易さを的確に表すことができる。又、最頻値を含むように信頼区間を決定することができるため、極めて分かり易く予測を提示することができる。   In addition, since the mode value in the probability distribution can be used as the predicted value of the natural energy amount, when the prediction error follows the probability distribution that allows asymmetry, it is possible to accurately represent the likelihood of an event. In addition, since the confidence interval can be determined so as to include the mode value, it is possible to present the prediction very easily.

従って、本発明による自然エネルギー量予測装置によれば、自然エネルギー量の予測値をその予測誤差の分布を含めて極めて精度よく計算することができる。そして、自然エネルギー量の予測値を誤予測する(予測値が大外れする)ような稀な現象が発生する確率も定量的に精度よく予測することができる。   Therefore, according to the natural energy amount prediction apparatus of the present invention, the predicted value of the natural energy amount including the distribution of the prediction error can be calculated with extremely high accuracy. Then, the probability of occurrence of a rare phenomenon in which the predicted value of the natural energy amount is erroneously predicted (the predicted value greatly deviates) can be predicted quantitatively with high accuracy.

本発明による自然エネルギー量予測装置の他の特徴は、前記予測手段が、異なる時点における前記自然エネルギー量の予測分布間の相関を表すパラメータを、前記異なる時点のそれぞれに対応して取得した説明変数を用いて算出し、前記算出した前記相関を表すパラメータを用いて、前記異なる時点における前記自然エネルギー量の予測分布間の相関を与える接合関数を計算することにもある。尚、この場合、前記予測手段の前記パラメータ計算手段が、異なる時点における前記自然エネルギー量の予測分布間の相関を表すパラメータを、前記異なる時点のそれぞれに対応して取得した説明変数を用いて算出し、前記予測手段が前記異なる時点における前記自然エネルギー量の予測分布間の相関を与える接合関数を計算することも可能である。   Another feature of the natural energy amount predicting apparatus according to the present invention is that the predicting means obtains a parameter representing a correlation between predicted distributions of the natural energy amount at different time points corresponding to each of the different time points. And calculating a joint function that gives a correlation between the predicted distributions of the natural energy amount at the different time points using the parameter representing the calculated correlation. In this case, the parameter calculation means of the prediction means calculates a parameter representing the correlation between the predicted distributions of the natural energy amount at different time points using the explanatory variables acquired corresponding to the different time points. It is also possible for the prediction means to calculate a junction function that gives a correlation between the predicted distributions of the natural energy amount at the different time points.

この場合、前記予測手段は、前記算出した前記相関を表すパラメータに応じて前記異なる時点における前記自然エネルギー量の予測分布間に相関が認められるとき、前記異なる時点における前記自然エネルギー量の予測分布のうち、先の時点における前記自然エネルギー量の予測分布に対応して実測された実自然エネルギー量を後の時点にて予測されている前記自然エネルギー量の予測値に反映させることができる。より具体的に、この場合には、前記予測手段は、前記算出した前記相関を表すパラメータに応じて前記異なる時点における前記自然エネルギー量の予測分布間に相関が認められるとき、前記異なる時点における前記自然エネルギー量の予測分布のうち、先の時点における前記自然エネルギー量の予測分布に対応して実測された実自然エネルギー量を用いて後の時点にて予測されている前記自然エネルギー量の予測値を補正することができる。尚、この場合、前記予測手段が、前記算出した前記相関を表すパラメータに応じて前記異なる時点における前記自然エネルギー量の予測分布間の相関を判定する判定手段と、この判定手段によって相関が認められるとき、前記異なる時点における前記自然エネルギー量の予測分布のうち、先の時点における前記自然エネルギー量の予測分布に対応して実測された実自然エネルギー量を用いて後の時点にて予測されている前記自然エネルギー量の予測値を補正する補正手段を備えることができる。そして、これらの場合、前記予測手段は、前記算出した前記相関を表すパラメータを用いて、連続する時点における前記自然エネルギー量の予測分布間の相関を与える接合関数を計算することができる。   In this case, when the correlation is recognized between the predicted distributions of the natural energy amount at the different time points according to the calculated parameter representing the correlation, the predicting unit determines the predicted distribution of the natural energy amount at the different time points. Of these, the actual natural energy amount actually measured corresponding to the predicted distribution of the natural energy amount at the previous time point can be reflected in the predicted value of the natural energy amount predicted at the later time point. More specifically, in this case, when the correlation is recognized between the predicted distributions of the natural energy amount at the different time points in accordance with the calculated parameter representing the correlation, the prediction unit Of the predicted distribution of the natural energy amount, the predicted value of the natural energy amount predicted at a later time point using the actual natural energy amount actually measured corresponding to the predicted distribution of the natural energy amount at the previous time point. Can be corrected. In this case, the predicting means determines a correlation between the predicted distributions of the natural energy amount at the different time points according to the calculated parameter representing the correlation, and the correlation is recognized by the determining means. The predicted natural energy amount at the different time point is predicted at a later time point using the actual natural energy amount actually measured corresponding to the predicted natural energy amount distribution at the previous time point. Correction means for correcting the predicted value of the natural energy amount can be provided. In these cases, the predicting means can calculate a joint function that gives a correlation between the predicted distributions of the natural energy amount at successive time points, using the calculated parameter representing the correlation.

これらによれば、異なる時点における自然エネルギー量の予測分布間の相関を表すパラメータを異なる時点の説明変数を用いて算出することができ、このパラメータを用いて、異なる時点における自然エネルギー量の予測分布間の相関を与える接合関数を計算することができる。そして、パラメータの大きさすなわち相関の強さに応じて、例えば、時間的に連続する時点間の相関が認められるときには、先の時点における前記自然エネルギー量の予測分布に対応して実測された実自然エネルギー量を後の時点にて予測されている自然エネルギー量の予測値に反映させる、より具体的には、補正することができる。   According to these, the parameter representing the correlation between the predicted distributions of the natural energy amount at different time points can be calculated using the explanatory variables at the different time points, and the predicted distribution of the natural energy amount at different time points can be calculated using these parameters. A junction function that gives a correlation between the two can be calculated. Then, according to the magnitude of the parameter, that is, the strength of the correlation, for example, when a correlation between time points that are continuous in time is recognized, an actual measurement actually performed corresponding to the predicted distribution of the natural energy amount at the previous time point is performed. More specifically, the amount of natural energy can be reflected in the predicted value of the amount of natural energy predicted at a later time.

従って、この場合においても、自然エネルギー量の予測値をその予測誤差の分布を含めて極めて精度よく計算することができる。そして、自然エネルギー量の予測値を誤予測する(予測値が大外れする)ような稀な現象が発生する確率も定量的に精度よく予測することができる。   Therefore, even in this case, the predicted value of the natural energy amount can be calculated with a very high accuracy including the distribution of the prediction error. Then, the probability of occurrence of a rare phenomenon in which the predicted value of the natural energy amount is erroneously predicted (the predicted value greatly deviates) can be predicted quantitatively with high accuracy.

更に、これらの場合、例えば、前記自然エネルギー量が前記太陽光エネルギーから得られる単位時間当たりの日射量であるとき、前記予測手段は、前記確率分布によって表される前記日射量の予測分布及び前記確率分布に基づいて予測した前記日射量の予測値を用いて、前記太陽光エネルギーを電気エネルギーに変換する太陽光発電システムの発電量分布及び発電量を予測することができる。又、前記予測手段は、例えば、前記太陽光発電システムの前記発電量分布及び前記発電量を予測し、前記予測した前記発電量分布及び前記発電量に基づき、前記太陽光発電システムと、他の発電システム、蓄エネルギー装置及び電力消費機器とを協調させることもできる。これらによれば、極めて効率よく自然エネルギーである太陽光エネルギーから変換される(発電される)電気エネルギーを利用することが可能となる。   Furthermore, in these cases, for example, when the amount of natural energy is the amount of solar radiation per unit time obtained from the solar energy, the predicting means includes the predicted distribution of the amount of solar radiation represented by the probability distribution and the Using the predicted value of the solar radiation amount predicted based on the probability distribution, the power generation amount distribution and the power generation amount of the solar power generation system that converts the solar energy into electric energy can be predicted. Further, the predicting means predicts the power generation amount distribution and the power generation amount of the solar power generation system, for example, and based on the predicted power generation amount distribution and the power generation amount, the solar power generation system and other The power generation system, the energy storage device, and the power consuming device can be coordinated. According to these, it becomes possible to use electric energy converted (generated) from solar energy, which is natural energy, very efficiently.

本発明に係る自然エネルギー量予測装置の適用可能な自然エネルギー量予測システムの構成を示す概略図である。It is the schematic which shows the structure of the natural energy amount prediction system which can apply the natural energy amount prediction apparatus which concerns on this invention. 本発明の実施形態に係り、図1の太陽光発電システムの構成を示す概略図である。It is the schematic which concerns on embodiment of this invention and shows the structure of the solar energy power generation system of FIG. 図2の発電モニタ装置の構成を示す概略図である。It is the schematic which shows the structure of the electric power generation monitor apparatus of FIG. 図1の管理センタの構成を示す概略図である。It is the schematic which shows the structure of the management center of FIG. 図4の制御装置(コンピュータ)によって実行されるコンピュータプログラム処理を機能的に表す機能ブロック図である。FIG. 5 is a functional block diagram functionally representing computer program processing executed by the control device (computer) of FIG. 4. 確率分布の拡がりに関連するパラメータを説明するための図である。It is a figure for demonstrating the parameter relevant to the spread of probability distribution. 本実施形態に係る非対称な分布をも許容する確率密度分布を説明するための図である。It is a figure for demonstrating the probability density distribution which accept | permits the asymmetric distribution which concerns on this embodiment. 本実施形態に係る確率密度分布が最頻値と期待値とを区別可能に有することを説明するための図である。It is a figure for demonstrating that the probability density distribution which concerns on this embodiment has a mode value and an expected value distinguishable. 予測日射量の分布が無限区間の対称分布である正規分布に従う予測誤差を有するとした場合の予測例を説明するための図である。It is a figure for demonstrating the example of a prediction when assuming that the distribution of predicted solar radiation amount has the prediction error according to the normal distribution which is a symmetrical distribution of an infinite interval. 本実施形態に係り、予測日射量の分布が有限区間でかつ非対称をも許容する分布であるベータ分布に従う予測誤差を有するとした場合の予測例を説明するための図である。It is a figure for demonstrating the example of a prediction in the case where it has a prediction error according to beta distribution which is a distribution which concerns on this embodiment, and distribution of a predicted solar radiation amount is a distribution which also accepts asymmetry in a finite area. 予測日射量(予測値)と実測日射量(実測値)との間の関係を示しており、(a)は予測日射量(予測値)として確率密度分布(確率分布)における期待値を用いた場合を示し、(b)は予測日射量(予測値)として確率密度分布(確率分布)における最頻値を用いた場合を示す図である。The relationship between the predicted solar radiation amount (predicted value) and the actually measured solar radiation amount (actual value) is shown, and (a) uses the expected value in the probability density distribution (probability distribution) as the predicted solar radiation amount (predicted value). (B) is a figure which shows the case where the mode value in probability density distribution (probability distribution) is used as a predicted solar radiation amount (predicted value). 本実施形態に係る非対称な分布をも許容する確率密度分布における最頻値を基準とした信頼区間及び誤予測確率を説明するための図である。It is a figure for demonstrating the confidence interval and misprediction probability on the basis of the mode value in the probability density distribution which also accept | permits the asymmetric distribution which concerns on this embodiment. 非対称な分布をも許容する確率分布において期待値や中央値を基準とした信頼区間を説明するための図である。It is a figure for demonstrating the confidence interval on the basis of an expectation value and a median value in the probability distribution which accept | permits asymmetric distribution. 予測日射量(予測値)に対して期待値や中央値を基準とする信頼区間を決定した場合と予測日射量(予測値)に対して最頻値を基準とする信頼区間を決定した場合とを説明するための図である。When the confidence interval based on the expected value or median is determined for the predicted solar radiation (predicted value) and when the confidence interval based on the mode is determined for the predicted solar radiation (predicted value) It is a figure for demonstrating. 本発明の変形例に係るコピュラ(接合関数)を説明するための図である。It is a figure for demonstrating the copula (joint function) which concerns on the modification of this invention.

以下、本発明の一実施形態に係る自然エネルギー量予測装置について図面を参照しながら説明する。   Hereinafter, a natural energy amount prediction apparatus according to an embodiment of the present invention will be described with reference to the drawings.

図1は、自然エネルギー量予測装置の適用可能な自然エネルギー量予測システムの概略構成を示している。ここで、自然エネルギー量とは、自然エネルギーから得られる単位時間当たりのエネルギー量である。そして、本実施形態においては、自然エネルギーである太陽光エネルギーから得られる単位時間当たりのエネルギー量として日射量を予測して提供する。このため、本実施形態における自然エネルギー予測システムは、例えば、家屋等の建物に設置された太陽光発電システム10と、自然エネルギー量予測装置を備えた管理センタ20と、自然エネルギー(より具体的には、自然エネルギー量である日射量)に影響を与える気象現象に関する各種気象データを提供する気象データ提供センタ30とを備えて構成される。そして、この自然エネルギー量予測システムにおいては、複数の家屋等に設置された各太陽光発電システム10、管理センタ20及び気象データ提供センタ30が、例えば、インターネット回線網や携帯電話回線網のネットワーク40によって互いに通信可能に接続されている。   FIG. 1 shows a schematic configuration of a natural energy amount prediction system to which a natural energy amount prediction apparatus can be applied. Here, the amount of natural energy is the amount of energy per unit time obtained from natural energy. In this embodiment, the amount of solar radiation is predicted and provided as the amount of energy per unit time obtained from solar energy, which is natural energy. For this reason, the natural energy prediction system in this embodiment includes, for example, a photovoltaic power generation system 10 installed in a building such as a house, a management center 20 including a natural energy amount prediction device, and natural energy (more specifically, Includes a meteorological data providing center 30 that provides various meteorological data related to meteorological phenomena that affect the amount of solar radiation that is the amount of natural energy. In this natural energy amount prediction system, each photovoltaic power generation system 10, the management center 20, and the weather data providing center 30 installed in a plurality of houses or the like are, for example, a network 40 of an Internet line network or a mobile phone line network. So that they can communicate with each other.

家屋等に設置される太陽光発電システム10は、図2に示すように、一般に家屋等の南側の屋根等に設置されていて太陽光エネルギーを電気エネルギーに変換する太陽電池パネル11(或いは、太陽電池モジュール11)を複数枚、直・並列接続して形成した太陽電池アレイ12を備えている。太陽電池アレイ12は、周知の逆流防止素子及び直流遮断器を有する接続箱13を介してパワーコンディショナー14に接続されている。パワーコンディショナー14は、太陽電池アレイ12(各太陽電池パネル11)から出力される直流発電電力を交流変換する変換部を有する、所謂、インバータである。そして、パワーコンディショナー14は外部の系統電力と接続される分電盤15に接続され、パワーコンディショナー14によって変換された交流電力が家庭内で使用される電力消費機器としての各種電気機器に供給される。   As shown in FIG. 2, a solar power generation system 10 installed in a house or the like is generally installed on a roof or the like on the south side of a house or the like, and is a solar cell panel 11 that converts solar energy into electrical energy (or solar A solar cell array 12 formed by connecting a plurality of battery modules 11) in series and in parallel is provided. The solar cell array 12 is connected to a power conditioner 14 through a connection box 13 having a known backflow prevention element and a DC circuit breaker. The power conditioner 14 is a so-called inverter having a conversion unit that converts DC generated power output from the solar cell array 12 (each solar cell panel 11) into AC. The power conditioner 14 is connected to a distribution board 15 connected to external system power, and the AC power converted by the power conditioner 14 is supplied to various electric devices as power consuming devices used in the home. .

又、太陽光発電システム10は、パワーコンディショナー14に接続された蓄エネルギー装置としての蓄電装置16を備えている。蓄電装置16は、図2に示すように、例えば、リチウムイオン電池等の蓄電池16aと、パワーコンディショナー14を介して供給される電気エネルギーを蓄電池16aに充電するとともに、蓄電池16aに充電された電気エネルギーを放電させてパワーコンディショナー14及び分電盤15を経由して各種電気機器に電力を供給する充放電ユニット16bとを備えている。   Further, the solar power generation system 10 includes a power storage device 16 as an energy storage device connected to the power conditioner 14. As shown in FIG. 2, the power storage device 16 charges, for example, a storage battery 16a such as a lithium ion battery and the electrical energy supplied via the power conditioner 14 to the storage battery 16a, and the electrical energy charged in the storage battery 16a. And a charge / discharge unit 16b for supplying electric power to various electric devices via the power conditioner 14 and the distribution board 15.

更に、太陽光発電システム10は、パワーコンディショナー14に接続された発電モニタ装置17を備えている。発電モニタ装置17は、太陽電池アレイ12(各太陽電池パネル11)によって発電された発電量を取得してモニタするとともに、蓄電装置16の充放電ユニット16bと協働して蓄電池16aへの余剰電力の充電及び使用電力逼迫時の放電を制御するものである。   Furthermore, the solar power generation system 10 includes a power generation monitoring device 17 connected to the power conditioner 14. The power generation monitoring device 17 acquires and monitors the amount of power generated by the solar cell array 12 (each solar cell panel 11) and cooperates with the charge / discharge unit 16b of the power storage device 16 to surplus power to the storage battery 16a. It controls the charging of the battery and the discharge when the power used is tight.

このため、発電モニタ装置17は、図3に示すように、電子制御ユニット17a、通信ユニット17b、記憶ユニット17c及び報知ユニット17dを備えている。電子制御ユニット17aは、CPU、ROM、RAM等を主要構成部品とするマイクロコンピュータであり、各種プログラムを実行することにより、発電モニタ装置17の動作を統括的に制御する。通信ユニット17bは、ネットワーク40に接続して管理センタ20との通信を実現するものである。   Therefore, as shown in FIG. 3, the power generation monitoring device 17 includes an electronic control unit 17a, a communication unit 17b, a storage unit 17c, and a notification unit 17d. The electronic control unit 17a is a microcomputer whose main components are a CPU, a ROM, a RAM, and the like, and comprehensively controls the operation of the power generation monitoring device 17 by executing various programs. The communication unit 17b is connected to the network 40 to realize communication with the management center 20.

記憶ユニット17cは、ハードディスクや半導体メモリ等の記憶媒体及び同記憶媒体のドライブ装置を含むものである。そして、記憶ユニット17cは、電子制御ユニット17aが発電モニタ装置17の作動を統括的に制御するにあたって必要なプログラム及びデータを予め記憶している。更に、記憶ユニット17cは、太陽光発電システム10の仕様(具体的には、太陽電池アレイ12(太陽電池パネル11)の方位角、傾斜角、温度特性、パワーコンディショナー14の変換特性等)を表す仕様データ、太陽光発電システム10の設置場所(具体的には、経度及び緯度等)を表す地域データ、及び、太陽光発電システム10を識別するために予め割り当てられた識別データを所定記憶位置に記憶するとともに、太陽光発電システム10によって発電された日々の発電量の実績等を時系列的に記憶した発電履歴データ等を更新可能に所定記憶位置に記憶する。   The storage unit 17c includes a storage medium such as a hard disk and a semiconductor memory, and a drive device for the storage medium. The storage unit 17c stores in advance programs and data necessary for the electronic control unit 17a to comprehensively control the operation of the power generation monitoring device 17. Furthermore, the storage unit 17c represents the specifications of the photovoltaic power generation system 10 (specifically, the azimuth angle, inclination angle, temperature characteristics, conversion characteristics of the power conditioner 14, etc. of the solar cell array 12 (solar cell panel 11)). Specification data, regional data indicating the installation location (specifically, longitude and latitude, etc.) of the solar power generation system 10 and identification data assigned in advance for identifying the solar power generation system 10 are stored in a predetermined storage position. In addition to the storage, the power generation history data and the like in which the daily power generation amount generated by the solar power generation system 10 is stored in a time series is stored in a predetermined storage position so as to be updatable.

報知ユニット17dは、タッチ入力機能付きの表示ディスプレイやスピーカ等から構成されている。そして、報知ユニット17dは、電子制御ユニット17aによる制御に従って、表示ディスプレイの画面上に文字、図形等を表示したり、音声をスピーカから出力して、現在の発電量や過去の発電量、後述するように管理センタ20から提供される予測日射量を表す予測情報に基づく予測発電量等を報知するものである。尚、ユーザは、表示ディスプレイのタッチ入力機能を利用して、太陽光発電システム10の作動状態を適宜変更することが可能であることは言うまでもない。   The notification unit 17d includes a display display with a touch input function, a speaker, and the like. Then, the notification unit 17d displays characters, figures, etc. on the screen of the display display according to the control by the electronic control unit 17a, or outputs sound from the speaker, so that the current power generation amount and the past power generation amount will be described later. Thus, the predicted power generation amount based on the prediction information representing the predicted solar radiation amount provided from the management center 20 is notified. Needless to say, the user can appropriately change the operating state of the photovoltaic power generation system 10 using the touch input function of the display.

管理センタ20は、太陽光エネルギーから得られる自然エネルギー量である日射量を精度よく予測して提供するものである。このため、管理センタ20は、図4に示すように、サーバ21と通信装置22とを備えている。   The management center 20 accurately predicts and provides the amount of solar radiation that is the amount of natural energy obtained from solar energy. Therefore, the management center 20 includes a server 21 and a communication device 22 as shown in FIG.

サーバ21は、制御装置21a、記憶装置21b及び通信インターフェース21cを備えている。制御装置21aは、CPU、ROM、RAM等からなるマイクロコンピュータを主要構成部品とするものであり、自然エネルギー量である日射量を予測するように管理センタ20(より具体的にサーバ21)の動作を統括的に制御する。記憶装置21bは、ハードディスクや半導体メモリ等の記憶媒体及び同記憶媒体のドライブ装置を含むものであり、各種プログラム及び各種データを記憶している。通信インターフェース21cは、管理センタ20内に構築された通信回線(例えば、LAN回線等)に接続するためのインターフェースである。又、記憶装置21bは、太陽光発電システム10の発電モニタ装置17から送信された仕様データ、地域データ及び識別データを互いに関連付けて検索可能に記憶するデータベース21dを備えている。尚、個々の発電モニタ装置17から送信される仕様データ、地域データ及び識別データについては、例えば、管理センタ20との最初の通信時に送信されて検索可能に記憶される(登録される)ようになっており、次回以降の通信では省略することが可能である。通信装置22は、ネットワーク40に接続されて、太陽光発電システム10の発電モニタ装置17及び気象データ提供センタ30と通信するものである。   The server 21 includes a control device 21a, a storage device 21b, and a communication interface 21c. The control device 21a has a microcomputer composed of a CPU, ROM, RAM, etc. as a main component, and the operation of the management center 20 (more specifically, the server 21) so as to predict the amount of solar radiation that is a natural energy amount. Overall control. The storage device 21b includes a storage medium such as a hard disk and a semiconductor memory, and a drive device for the storage medium, and stores various programs and various data. The communication interface 21c is an interface for connecting to a communication line (for example, a LAN line) constructed in the management center 20. The storage device 21b includes a database 21d that stores the specification data, the regional data, and the identification data transmitted from the power generation monitoring device 17 of the photovoltaic power generation system 10 in association with each other so as to be searchable. The specification data, the regional data, and the identification data transmitted from each power generation monitoring device 17 are transmitted and stored (registered) so as to be searchable at the first communication with the management center 20, for example. It can be omitted in subsequent communications. The communication device 22 is connected to the network 40 and communicates with the power generation monitoring device 17 and the weather data providing center 30 of the solar power generation system 10.

気象データ提供センタ30は、全国に設置された気象観測装置によって観測された種々の気象データを提供するものである。ここで、本実施形態においては、自然エネルギーである太陽光エネルギーすなわち日射量の変化(変動)に関連する各観測地点における気象データとして、少なくとも、高度毎及び気圧面毎の雲量、風向、風速、上昇流、気温、気圧及び相対湿度や、天候、降雨量、降雪量、積雪量、快晴度等が気象観測装置によって観測されて提供される。そして、気象データ提供センタ30は、観測された上記種々の気象データをネットワーク40を介して管理センタ20に提供する。   The meteorological data provision center 30 provides various meteorological data observed by a meteorological observation apparatus installed in the whole country. Here, in the present embodiment, as solar data that is natural energy, that is, meteorological data at each observation point related to a change (variation) in the amount of solar radiation, at least the cloud amount, wind direction, wind speed, Ascending current, temperature, atmospheric pressure and relative humidity, weather, rainfall, snowfall, snow cover, clearness, etc. are observed and provided by the weather observation device. The weather data providing center 30 provides the observed various weather data to the management center 20 via the network 40.

次に、上記のように構成した管理センタ20が自然エネルギー量である日射量を予測する動作を、サーバ21の制御装置21a内にてコンピュータプログラム処理により実現される機能を表す図5に示す機能ブロック図を用いて詳細に説明する。制御装置21aは、入力部51と、第1パラメータ計算部52と、第2パラメータ計算部53と、確率密度関数計算部54と、最頻値計算部55と、信頼区間計算部56と、誤予測確率計算部57と、出力部58とからなる予測処理部50を備えている。   Next, the function shown in FIG. 5 representing the function realized by the computer program processing in the control device 21a of the server 21 for the management center 20 configured as described above to predict the solar radiation amount that is the amount of natural energy. This will be described in detail with reference to a block diagram. The control device 21a includes an input unit 51, a first parameter calculation unit 52, a second parameter calculation unit 53, a probability density function calculation unit 54, a mode value calculation unit 55, a confidence interval calculation unit 56, an error A prediction processing unit 50 including a prediction probability calculation unit 57 and an output unit 58 is provided.

取得手段としての入力部51は、太陽光発電システム10の発電モニタ装置17及び気象データ提供センタ30から各種情報及び各種気象データを入力する。第1パラメータ計算部52は、日射量の予測分布を表すものであって非対称な分布も許容する確率密度分布(以下、単に、確率分布とも称呼する。)における期待値に対応するパラメータを求める。パラメータ計算手段としての第2パラメータ計算部53は、非対称な分布も許容する確率密度分布における拡がりに関連するパラメータを求める。確率分布計算手段としての確率密度関数計算部54は、非対称な分布も許容する確率密度関数を計算して日射量の確率密度分布を計算する。最頻値計算手段としての最頻値計算部55は、確率密度分布に基づいて予測される日射量(以下、予測日射量と称呼する。)の最頻値を計算する。信頼区間計算手段としての信頼区間計算部56は、確率密度分布における最頻値を含む信頼区間を計算する。誤予測確率計算手段としての誤予測確率計算部57は、予測日射量に反して実際の日射量が信頼区間外にて所定の日射量未満となる(又は、所定の日射量よりも大きくなる)ような誤予測が発生する確率を計算する。出力部58は、日射量の予測に関連する予測情報を太陽光発電システム10の発電モニタ装置17に出力する。   The input unit 51 as an acquisition unit inputs various information and various weather data from the power generation monitoring device 17 of the solar power generation system 10 and the weather data providing center 30. The first parameter calculation unit 52 obtains a parameter corresponding to an expected value in a probability density distribution (hereinafter also simply referred to as a probability distribution) that represents a predicted distribution of solar radiation and also allows an asymmetric distribution. The second parameter calculation unit 53 as a parameter calculation unit obtains a parameter related to the spread in the probability density distribution that also allows an asymmetric distribution. A probability density function calculation unit 54 as a probability distribution calculating means calculates a probability density distribution of solar radiation by calculating a probability density function that also allows an asymmetric distribution. The mode value calculation unit 55 as the mode value calculation means calculates the mode value of the amount of solar radiation predicted based on the probability density distribution (hereinafter referred to as the predicted amount of solar radiation). A confidence interval calculation unit 56 as a confidence interval calculation means calculates a confidence interval including a mode value in the probability density distribution. The misprediction probability calculation unit 57 serving as the misprediction probability calculation means has an actual solar radiation amount that is less than the predetermined solar radiation amount outside the confidence interval (or larger than the predetermined solar radiation amount) against the predicted solar radiation amount. The probability that such a misprediction will occur is calculated. The output unit 58 outputs prediction information related to the prediction of the amount of solar radiation to the power generation monitoring device 17 of the solar power generation system 10.

ここで、本実施形態においては、自然エネルギーである太陽光エネルギーから得られる単位時間当たりのエネルギー量である日射量の予測分布を求めるために、非対称な分布も許容する確率分布としてベータ分布を採用する。以下、本実施形態にて採用するベータ分布を説明する。   Here, in the present embodiment, in order to obtain a predicted distribution of the amount of solar radiation that is the amount of energy per unit time obtained from solar energy that is natural energy, a beta distribution is adopted as a probability distribution that also allows an asymmetric distribution. To do. Hereinafter, the beta distribution employed in the present embodiment will be described.

一般に、2つの正のパラメータ(p,q)を用いて予測値yの分布を求めるベータ分布は下記式1により表され、この場合の予測値yの確率密度分布f(y)(又は、確率密度関数f(y))は下記式2により表される。
ただし、前記式2中のΒ(p,q)は、2つの正のパラメータ(p,q)を用いたベータ関数を表す。
In general, the beta distribution for obtaining the distribution of the predicted value y using two positive parameters (p, q) is expressed by the following equation 1, and the probability density distribution f (y) (or probability) of the predicted value y in this case The density function f (y)) is expressed by the following equation 2.
However, Β (p, q) in Equation 2 represents a beta function using two positive parameters (p, q).

又、前記式2により表される非対称の分布を許容する確率密度分布f(y)の期待値E[y]及び分散Var[y]は、一般に下記式3,4により表される。
Further, the expected value E [y] and the variance Var [y] of the probability density distribution f (y) that allows the asymmetric distribution represented by the above equation 2 are generally represented by the following equations 3 and 4.

本実施形態では、上記のように一般に定義されるベータ分布における2つの正のパラメータ(p,q)を用いて、新たなパラメータ(μ,φ)としてμ=p/(p+q)、φ=p+qを設定し、これらのパラメータ(μ,φ)を用いたベータ分布を採用する。ただし、μは0<μ<1を満たし、φはφ>0を満たす。これにより、本実施形態におけるベータ分布は下記式5により表され、予測値yの確率密度分布f(y)は前記式2に従って下記式6により表される。
In the present embodiment, μ = p / (p + q), φ as new parameters (μ, φ) using two positive parameters (p, q) in the beta distribution generally defined as described above. = P + q is set, and a beta distribution using these parameters (μ, φ) is adopted. However, μ satisfies 0 <μ <1 and φ satisfies φ> 0. Thereby, the beta distribution in this embodiment is represented by the following formula 5, and the probability density distribution f (y) of the predicted value y is represented by the following formula 6 according to the formula 2.

そして、前記式6により表される確率密度分布f(y)の期待値E[y]及び分散Var[y]は前記式3,4に従って下記式7,8により表される。
ここで、前記式7からも明らかなようにμは期待値E[y]を表し、前記式8及び図6(a),(b)に示すようにφはその値が大きくなるほど分散Var[y]が小さくなることから分布の拡がりを表す。
Then, the expected value E [y] and the variance Var [y] of the probability density distribution f (y) represented by the equation 6 are represented by the following equations 7 and 8 according to the equations 3 and 4.
Here, as is clear from the equation 7, μ represents the expected value E [y], and as shown in the equation 8 and FIGS. 6A and 6B, φ increases as the value increases. Since y] becomes smaller, it represents the spread of the distribution.

更に、このパラメータ(μ,φ)を、予測値yの変化(変動)に関連する説明変数xの関数としてμ(x)、φ(x)として表現することにより、下記式9に示すように、所定の説明変数xから予測値yの確率密度分布f(y)を求めることが可能となる。
Further, by expressing the parameters (μ, φ) as μ (x) and φ (x) as a function of the explanatory variable x related to the change (variation) of the predicted value y, the following equation 9 is obtained. The probability density distribution f (y) of the predicted value y can be obtained from the predetermined explanatory variable x.

尚、μ(x)及びφ(x)については、説明変数xの関数として、線形関数、べき乗関数、指数関数、ロジット関数、プロビット関数、二重指数関数等のパラメトリックに表されるもの、或いは、説明変数xに対する数表(所謂、マップ)のようにノンパラメトリックに表されるもののいずれであってもよい。ただし、この場合、説明変数xの取り得る値の範囲で正の値を取る関数であることが好ましい。具体的に、下記式10〜12に示すように、パラメトリックな数式を例示しておく。尚、φ(x)については、過去の計算結果履歴等を記憶しておき、この計算結果に基づく定数とすることも可能である。この場合には、計算量を減らすことができて、計算負荷を軽減することが可能となる。
For μ (x) and φ (x), as a function of the explanatory variable x, a linear function, a power function, an exponential function, a logit function, a probit function, a double exponential function, or the like, or Any of non-parametric values such as a numerical table (so-called map) for the explanatory variable x may be used. However, in this case, a function that takes a positive value within the range of possible values of the explanatory variable x is preferable. Specifically, parametric formulas are illustrated as shown in the following formulas 10-12. For φ (x), it is also possible to store a past calculation result history or the like and use a constant based on this calculation result. In this case, the calculation amount can be reduced, and the calculation load can be reduced.

このような説明変数xの関数として表されるパラメータμ(x)及びパラメータφ(x)をお用いて計算されるベータ分布(確率密度分布f(y))を採用して、管理センタ20のサーバ21は、予測値yである予測日射量yを予測する。以下、具体的に説明する。   The beta distribution (probability density distribution f (y)) calculated using the parameter μ (x) and the parameter φ (x) expressed as a function of the explanatory variable x is adopted, and the management center 20 The server 21 predicts the predicted solar radiation amount y that is the predicted value y. This will be specifically described below.

入力部51は、気象データ提供センタ30から日射量の変化(変動)に関連する説明変数xの対象となる各種気象データを取得する。又、入力部51は、予測情報を提供する各太陽光発電システム10の発電モニタ装置17から地域データ及び識別データを取得する。これにより、入力部51は、地域データに基づき、予測情報を提供する太陽光発電システム10が設置された地域における各種気象データを選択し、この選択した各種気象データを説明変数xの候補として設定する。そして、入力部51は、この説明変数xを第1パラメータ計算部52及び第2パラメータ計算部53に出力する。具体的に、入力部51は、太陽光発電システム10が設置された地域内に設けられている気象観測装置によって観測(実測)された、或いは、予測される雲量(低層、中層、高層)、風向、風速、上昇流、気温、気圧及び相対湿度や、天候、降水量、降雨量、降雪量、積雪量、快晴度等に加え、エアマス及び大気外日射量等や、予測実施時刻から予測対象時刻までのリードタイム等を説明変数xの候補として設定し、第1パラメータ計算部52及び第2パラメータ計算部53に出力する。尚、この場合、太陽光発電システム10が設置された地域内の気象データに加えて、他の関連する時間や地域内の気象データを説明変数xの候補として設定することも可能である。   The input unit 51 acquires, from the weather data providing center 30, various types of weather data that are targets of the explanatory variable x related to the change (variation) in the amount of solar radiation. Moreover, the input part 51 acquires area data and identification data from the electric power generation monitor apparatus 17 of each solar power generation system 10 which provides prediction information. Thereby, the input unit 51 selects various weather data in the region where the photovoltaic power generation system 10 providing the prediction information is installed based on the region data, and sets the selected various weather data as candidates for the explanatory variable x. To do. Then, the input unit 51 outputs the explanatory variable x to the first parameter calculation unit 52 and the second parameter calculation unit 53. Specifically, the input unit 51 is a cloud amount (low, middle, high) that is observed (actually measured) or predicted by a weather observation device provided in the area where the photovoltaic power generation system 10 is installed. Predictions based on wind direction, wind speed, updraft, temperature, atmospheric pressure and relative humidity, weather, precipitation, rainfall, snowfall, snow cover, clearness, etc., air mass and solar radiation, etc. The lead time up to the time is set as a candidate for the explanatory variable x, and is output to the first parameter calculation unit 52 and the second parameter calculation unit 53. In this case, in addition to the weather data in the area where the photovoltaic power generation system 10 is installed, other related time and weather data in the area can be set as candidates for the explanatory variable x.

第1パラメータ計算部52は、前記式9によって表される確率密度分布f(y)における期待値に対応するパラメータμ(x)を計算する。具体的に、第1パラメータ計算部52は、入力部51から出力された説明変数xの候補のうちから適宜選択して説明変数xを決定し、この説明変数xを用いてパラメータμ(x)を計算する。このことを例示して示すと、第1パラメータ計算部52は、説明変数xとして中層雲量、高層雲量、相対湿度、降雨量及びエアマスを選択して設定し、前記式10に従う下記式13により、期待値に対応する第1パラメータであるパラメータμ(x)を計算する。尚、前記式10における各係数αi,β0,・・・,βi,βjは、例えば、周知の拡張ベータ回帰を用いて計算することができる。
ただし、前記式13中のxmcは中層雲量を表し、xhcは高層雲量を表し、xrhは相対湿度を表し、xraは降雨量を表し、xairmassはエアマスを表す。このように、パラメータμ(x)を計算すると、第1パラメータ計算部52は、計算したパラメータμ(x)を確率密度関数計算部54に出力する。
The first parameter calculation unit 52 calculates a parameter μ (x) corresponding to an expected value in the probability density distribution f (y) represented by the equation 9. Specifically, the first parameter calculation unit 52 appropriately selects from the candidates for the explanatory variable x output from the input unit 51 to determine the explanatory variable x, and uses the explanatory variable x to set the parameter μ (x) Calculate To illustrate this, the first parameter calculation unit 52 selects and sets the middle cloud cover, the high cloud cover, the relative humidity, the rainfall, and the air mass as the explanatory variable x. Then, the parameter μ (x) which is the first parameter corresponding to the expected value is calculated. Note that the coefficients α i , β 0 ,..., Β i , β j in Equation 10 can be calculated using, for example, well-known extended beta regression.
However, x mc in the equation 13 represents the middle cloud cover, x hc represents the high cloud cover, x rh represents the relative humidity, x ra represents the rainfall, and x airmass represents the air mass. When the parameter μ (x) is calculated in this way, the first parameter calculation unit 52 outputs the calculated parameter μ (x) to the probability density function calculation unit 54.

第2パラメータ計算部53は、前記式9によって表される確率密度分布f(y)における分布の拡がりに関連するパラメータφ(x)を計算する。具体的に、第2パラメータ計算部53は、入力部51から出力された説明変数xの候補のうちから適宜選択して説明変数xを決定し、この説明変数xを用いてパラメータφ(x)を計算する。このことを例示して示すと、第2パラメータ計算部53は、説明変数xとして低層雲量、中層雲量、降雨量及びエアマスを選択して設定し、前記式10に従う下記式14により、分布の拡がりに関連する第2パラメータであるパラメータφ(x)を計算する。尚、この第2パラメータ計算部53も、前記式10における各係数αi,β0,・・・,βi,βjについては、例えば、周知の拡張ベータ回帰を用いて計算することができる。
ただし、前記式14中のxlcは低層雲量を表し、xmcは中層雲量を表し、xraは降雨量を表し、xairmassはエアマスを表す。
The second parameter calculation unit 53 calculates a parameter φ (x) related to the distribution spread in the probability density distribution f (y) represented by the equation 9. Specifically, the second parameter calculation unit 53 determines the explanatory variable x by appropriately selecting from the candidates for the explanatory variable x output from the input unit 51, and uses the explanatory variable x to set the parameter φ (x). Calculate To illustrate this, the second parameter calculation unit 53 selects and sets a low cloud cover, a middle cloud cover, a precipitation and an air mass as the explanatory variable x. The parameter φ (x), which is the second parameter related to the spread, is calculated. The second parameter calculation unit 53 can also calculate the coefficients α i , β 0 ,..., Β i , β j in the equation 10 using, for example, a well-known extended beta regression. .
However, x lc in Equation 14 represents a low cloud cover, x mc represents a medium cloud cover, x ra represents a rainfall amount, and x airmass represents an air mass.

ここで、特に、分布の拡がりに関連するパラメータφ(x)を計算するにあたって設定される説明変数xについては、予測情報を提供する地域の特性を反映して、例えば、特定の風向によって気象が変わりやすいという現象が生じる地域では風向及び風速を優先して説明変数xに設定することで発生する現象を適切に反映することができる。又、時間的に先になればなるほど予測の精度が低下する現象については、説明変数xにリードタイムを含むことで、日射量の予測に適切に反映することができる。更に、例えば、別途、予測日射量yが提供される場合であっても、後述するように、その分布の拡がりに対応するパラメータφ(x)を求めることは、誤予測(大外れ)を精度よく予測するためにも有用であり、この場合には説明変数xに提供された予測日射量yを設定することもできる。このように、パラメータφ(x)を計算すると、第2パラメータ計算部53は、計算したパラメータφ(x)を確率密度関数計算部54に出力する。   Here, in particular, for the explanatory variable x set in calculating the parameter φ (x) related to the spread of the distribution, for example, the weather is reflected by the specific wind direction, reflecting the characteristics of the region providing the prediction information. In an area where the phenomenon of change is likely to occur, the phenomenon that occurs can be appropriately reflected by setting the explanatory variable x with priority on the wind direction and the wind speed. Moreover, the phenomenon in which the prediction accuracy decreases with time, can be appropriately reflected in the prediction of the amount of solar radiation by including the lead time in the explanatory variable x. Further, for example, even when the predicted solar radiation amount y is separately provided, as described later, obtaining the parameter φ (x) corresponding to the spread of the distribution accurately results in misprediction (outlier). This is also useful for predicting well, and in this case, the predicted solar radiation amount y provided for the explanatory variable x can also be set. When the parameter φ (x) is calculated in this way, the second parameter calculation unit 53 outputs the calculated parameter φ (x) to the probability density function calculation unit 54.

確率密度関数計算部54は、前記式9に従い、第1パラメータ計算部52によって計算された期待値に対応するパラメータμ(x)及び第2パラメータ計算部53によって計算された分布の拡がりに関連するパラメータφ(x)を用いて確率密度分布f(y)を計算する。ここで、予測対象である日射量は「0」を下限とし、かつ、大気外日射量を上限とする有限区間の値となるため、予測日射量y(予測値)の予測誤差は有限区間の非対称な確率分布に従うことになる。このことに関し、前記式9に従ってパラメータμ(x)とパラメータφ(x)を用いて計算される確率密度分布f(y)においては、図7に示すように、予測日射量yの誤差分布が非対称な分布となる。又、非対称な分布も許容する確率密度分布f(y)においては、図7からも明らかなように、パラメータμ(x)すなわち期待値μ(x)に対して最頻値ymodeが別に出現する。すなわち、図8にて実線により示すように、非対称な分布も許容する確率密度分布f(y)(ベータ分布)では期待値μ(x)と最頻値ymodeとがそれぞれ個別に存在するのに対し、例えば、最小二乗法等のように正規分布に基づいて期待値μ(x)を求める手法では、図8にて破線により示すように、期待値μ(x)、最頻値ymode及び中央値が全て同じとなり、期待値μ(x)と最頻値ymodeとを区別することができない。 The probability density function calculation unit 54 relates to the parameter μ (x) corresponding to the expected value calculated by the first parameter calculation unit 52 and the spread of the distribution calculated by the second parameter calculation unit 53 according to Equation 9. The probability density distribution f (y) is calculated using the parameter φ (x). Here, the amount of solar radiation to be predicted is a value in a finite section with “0” as the lower limit and the amount of solar radiation outside the atmosphere as the upper limit. Therefore, the prediction error of the predicted solar radiation amount y (predicted value) is It follows an asymmetric probability distribution. In this regard, in the probability density distribution f (y) calculated using the parameter μ (x) and the parameter φ (x) in accordance with the equation 9, the error distribution of the predicted solar radiation amount y is as shown in FIG. An asymmetric distribution. Further, in the probability density distribution f (y) that also allows an asymmetric distribution, as is apparent from FIG. 7, the mode value y mode appears separately for the parameter μ (x), that is, the expected value μ (x). To do. That is, as indicated by a solid line in FIG. 8, in the probability density distribution f (y) (beta distribution) that also allows asymmetric distribution, the expected value μ (x) and the mode y mode exist individually. On the other hand, in the method of obtaining the expected value μ (x) based on the normal distribution, such as the least square method, the expected value μ (x), the mode y mode , as indicated by the broken line in FIG. And the median values are all the same, and the expected value μ (x) and the mode value y mode cannot be distinguished.

更に、予測日射量yを非対称な分布を許容する確率密度分布f(y)(ベータ分布)で表すことにより、分布の裾の形を正確に表現することができる。具体的には、前記式9に従って計算される確率密度分布f(y)においては、分布の拡がりに関連するパラメータφ(x)が説明変数xの関数として計算されるため、分布の裾の形を正確に現実に合わせることができる。そして、確率密度関数計算部54は、計算した確率密度分布f(y)を、最頻値計算部55、信頼区間計算部56及び誤予測確率計算部57に出力する。   Furthermore, by expressing the predicted solar radiation amount y with a probability density distribution f (y) (beta distribution) that allows an asymmetric distribution, the shape of the tail of the distribution can be accurately expressed. Specifically, in the probability density distribution f (y) calculated according to Equation 9, the parameter φ (x) related to the spread of the distribution is calculated as a function of the explanatory variable x. Can be accurately matched to reality. Then, the probability density function calculation unit 54 outputs the calculated probability density distribution f (y) to the mode value calculation unit 55, the confidence interval calculation unit 56, and the misprediction probability calculation unit 57.

最頻値計算部55は、確率密度関数計算部54によって計算された非対称な分布も許容する確率密度分布f(y)(ベータ分布)において、この確率密度分布f(y)を用いてモデル化することにより、図7に示したように出現する最頻値ymodeを下記式15に従って計算する。
ただし、前記式15中のμ(x)は第1パラメータ計算部52によって説明変数xの関数として計算されたパラメータμ(x)であり、前記式15中のφ(x)は第2パラメータ計算部53によって説明変数xの関数として計算されたパラメータφ(x)である。
The mode value calculation unit 55 performs modeling using the probability density distribution f (y) in the probability density distribution f (y) (beta distribution) that also allows an asymmetric distribution calculated by the probability density function calculation unit 54. Thus, the mode value y mode that appears as shown in FIG.
However, μ (x) in the equation 15 is a parameter μ (x) calculated as a function of the explanatory variable x by the first parameter calculator 52, and φ (x) in the equation 15 is a second parameter calculation. This is a parameter φ (x) calculated by the unit 53 as a function of the explanatory variable x.

ここで、自然エネルギー量予測装置においては、予測日射量yとして、少なくとも、最頻値ymodeを用いる。これによって、日射量の変化(事象の起こりやすさ)を的確に表し、かつ、精度の高い予測日射量yを提供することができる。このことを図9〜図11を用いて説明する。 Here, in the natural energy amount prediction apparatus, at least the mode y mode is used as the predicted solar radiation amount y. As a result, it is possible to accurately represent the change in the amount of solar radiation (the likelihood of occurrence of an event) and provide a highly accurate predicted amount of solar radiation y. This will be described with reference to FIGS.

図9は、予測日射量yの分布が無限区間の対称分布である正規分布に従う予測誤差を有するとした場合の予測例を示している。この場合、図9にて点線により示す確率密度分布は無限区間の正規分布に従う予測誤差を有するため、予測誤差の下限が負になるという現実と異なる状況が発生する。すなわち、この場合には、確率密度分布の裾の形が現実の状況を正確に反映するように決定されないため、後述する誤予測(大外れ)の確率を精度よく計算することが極めて困難となる。又、この場合には、対称分布であるために、最頻値と期待値を区別することができない。このため、この場合には、図9にて長破線により示すように、確率密度分布の期待値を予測日射量y(予測値)としており、図9にて実線により示した日射量の実測値(以下、実測日射量とも称呼する。)と大きく異なる部分(例えば、時間帯)が生じている。   FIG. 9 shows an example of prediction when the distribution of the predicted solar radiation amount y has a prediction error according to a normal distribution that is a symmetrical distribution of infinite intervals. In this case, since the probability density distribution indicated by the dotted line in FIG. 9 has a prediction error according to the normal distribution in the infinite interval, a situation different from the reality that the lower limit of the prediction error becomes negative occurs. That is, in this case, since the shape of the tail of the probability density distribution is not determined so as to accurately reflect the actual situation, it is extremely difficult to accurately calculate the probability of misprediction (outlier) described later. . In this case, since the distribution is symmetric, the mode value and the expected value cannot be distinguished. Therefore, in this case, as shown by the long broken line in FIG. 9, the expected value of the probability density distribution is the predicted solar radiation amount y (predicted value), and the actual measured value of the solar radiation amount shown by the solid line in FIG. There is a portion (for example, a time zone) that is significantly different from that (hereinafter also referred to as the actually measured solar radiation amount).

図10は、予測日射量yの分布が有限区間でかつ非対称も許容する分布であるベータ分布に従う予測誤差を有するとした場合の予測例を示している。この場合、図10にて点線により示す確率密度分布f(y)はベータ分布に従う予測誤差を有するため、予測誤差が常に「0」以上で大気外日射量以下となる現実の状況を正確に反映することができる。このように、確率密度分布f(y)の裾の形が正確に表現されて現実の状況を反映するように決定されるため、誤予測(大外れ)の確率を精度よく計算することができる。又、この場合には、非対称を許容するベータ分布であるために、最頻値ymodeと期待値μ(x)とを区別することができる。このため、図10にて一点鎖線により示すように、確率密度分布f(y)の最頻値ymodeを予測日射量y(予測値)とすることができる。そして、確率密度分布f(y)の最頻値ymodeである予測日射量y(予測値)は、確率密度分布f(y)の期待値μ(x)を予測日射量y(予測値)とした場合(図10にて長破線により示す)に比して、図10にて実線により示した実測日射量に近くなる。 FIG. 10 shows a prediction example when the distribution of the predicted solar radiation amount y has a prediction error according to a beta distribution which is a finite interval and also allows asymmetry. In this case, since the probability density distribution f (y) indicated by the dotted line in FIG. 10 has a prediction error according to the beta distribution, it accurately reflects the actual situation where the prediction error is always “0” or more and below the atmospheric solar radiation. can do. In this way, since the shape of the tail of the probability density distribution f (y) is accurately expressed and is determined to reflect the actual situation, the probability of misprediction (outlier) can be accurately calculated. . In this case, since the beta distribution allows asymmetry, the mode value y mode and the expected value μ (x) can be distinguished. Therefore, as shown by a chain line in FIG. 10, it is possible to predict solar radiation the mode y mode of the probability density distribution f (y) y (predicted value). Then, the predicted solar radiation amount y (predicted value), which is the mode y mode of the probability density distribution f (y), is the predicted solar radiation amount y (predicted value) of the expected value μ (x) of the probability density distribution f (y). Compared with the case (indicated by the long broken line in FIG. 10), the measured solar radiation amount indicated by the solid line in FIG. 10 is closer.

このことに関し、図11は、予測日射量y(予測値)と実測日射量(実測値)との間の関係を示している。尚、図11においては、予測日射量yを大気外日射量で規格化し、実測日射量を大気外日射量で規格化している。   In this regard, FIG. 11 shows the relationship between the predicted solar radiation amount y (predicted value) and the actually measured solar radiation amount (actually measured value). In FIG. 11, the predicted amount of solar radiation y is normalized by the amount of solar radiation outside the atmosphere, and the amount of actually measured solar radiation is normalized by the amount of solar radiation outside the atmosphere.

図11(a)は、予測日射量y(予測値)として期待値μ(x)を用いた場合を示している。この場合、非対称な分布である確率密度分布f(y)(ベータ分布)において期待値μ(x)を計算して用いているため、低い予測日射量yでは過大予測しており、高い予測日射量yでは過小予測している。この結果、図11(a)に示すように、予測日射量yと実測日射量との関係が明らかに非線形(S字状)となる。一方、図11(b)は、予測日射量y(予測値)として最頻値ymodeを用いた場合を示している。この場合、図11(b)に示すように、予測日射量yと実測日射量との関係がより線形に近くなる。従って、予測日射量yとして最頻値ymodeを用いることにより、予測の精度が改善されることが理解できる。このように、最頻値ymodeを計算すると、最頻値計算部55は、最頻値ymodeを出力部58に出力する。 FIG. 11A shows a case where the expected value μ (x) is used as the predicted solar radiation amount y (predicted value). In this case, the expected value μ (x) is calculated and used in the probability density distribution f (y) (beta distribution), which is an asymmetric distribution. The quantity y is underestimated. As a result, as shown in FIG. 11A, the relationship between the predicted solar radiation amount y and the actually measured solar radiation amount is clearly non-linear (S-shaped). On the other hand, FIG. 11B shows a case where the mode y mode is used as the predicted solar radiation amount y (predicted value). In this case, as shown in FIG. 11B, the relationship between the predicted solar radiation amount y and the actually measured solar radiation amount becomes more linear. Therefore, it can be understood that the accuracy of prediction is improved by using the mode y mode as the predicted solar radiation amount y. As described above, when the mode value y mode is calculated, the mode value calculation unit 55 outputs the mode value y mode to the output unit 58.

信頼区間計算部56は、確率密度関数計算部54によって計算された非対称な分布も許容する確率密度分布f(y)(ベータ分布)において、図12に示すように、最頻値ymodeを含む信頼区間Yaを、下記式16を満たす予測日射量yの集合を計算して決定する。
ただし、前記式16中のaは、確率密度分布f(y)すなわち頻度f(y)のうち最大となる最頻値ymodeでの確率密度分布f(ymade)に準ずる確率密度分布f(y)の大きさを決定するための変数である。
The confidence interval calculation unit 56 includes a mode value y mode as shown in FIG. 12 in the probability density distribution f (y) (beta distribution) that also allows an asymmetric distribution calculated by the probability density function calculation unit 54. the confidence interval Y a, is determined by calculating a set of prediction insolation y satisfying the following equation 16.
However, a in the equation 16 is a probability density distribution f (y), that is, a probability density distribution f (y made ) in accordance with the probability density distribution f (y made ) in the maximum mode y mode among the frequencies f (y). This is a variable for determining the size of y).

以下、前記式16に従って決定される信頼区間Yaを具体的に説明する。上述したように、最頻値計算部55は確率密度関数計算部54によって計算された確率密度分布f(y)(ベータ分布)を用いてモデル化することによって最頻値ymodeを計算することができ、この最頻値ymodeを予測日射量yとすることができる。これにより、期待値μ(x)を予測日射量yとするよりも、最頻値ymodeを予測日射量yとする方が、より実態に近い予測を提供することができる。 Will be specifically described below confidence interval Y a is determined according to the equation 16. As described above, the mode value calculation unit 55 calculates the mode value y mode by modeling using the probability density distribution f (y) (beta distribution) calculated by the probability density function calculation unit 54. This mode value y mode can be used as the predicted solar radiation amount y. As a result, it is possible to provide a prediction closer to the actual situation when the mode value y mode is the predicted solar radiation amount y than when the expected value μ (x) is the predicted solar radiation amount y.

ところで、対称な分布となる正規分布の場合のように、期待値μ(x)や中央値を予測日射量y(予測値)に用いる場合には、通常は、例えば、標準偏差やパーセンタイル値が予測日射量y(予測値)の信頼区間として与えられる(等裾事後分布区間)。しかしながら、非対称な分布を許容する確率密度分布f(y)(ベータ分布)において、上述したように、最頻値ymodeを予測日射量y(予測値)として用いる場合には、図13に示すように、最頻値ymode(予測日射量y)が上述した等裾事後分布区間として与えられる信頼区間に入らない(含まれない)等の矛盾が起こり得る。 By the way, when the expected value μ (x) or the median value is used for the predicted solar radiation y (predicted value) as in the case of a normal distribution having a symmetric distribution, usually, for example, the standard deviation or the percentile value is It is given as a confidence interval for the predicted solar radiation y (predicted value) (equal posterior distribution interval). However, in the probability density distribution f (y) (beta distribution) that allows an asymmetric distribution, as described above, when the mode y mode is used as the predicted solar radiation amount y (predicted value), it is shown in FIG. As described above, a contradiction may occur such that the mode y mode (predicted solar radiation amount y) does not enter (is not included in) the confidence interval given as the above-mentioned equi-tailed posterior distribution interval.

そこで、信頼区間計算部56は、前記式16に従って決定されるように、確率密度分布f(y)すなわち頻度f(y)がその最大値であるf(ymode)に準じて大きい値af(ymode)を満たす予測日射量y(予測値)の集合である最高事後密度区間を信頼区間Yaとして決定する。すなわち、このように決定される信頼区間Yaは、図12からも明らかなように、頻度f(y)(確率密度分布f(y))の等高線を考慮することに相当する。これにより、最頻値ymodeは必ず信頼区間Yaに入り(含まれ)、上述した矛盾が生じることを回避することができる。尚、最大値であるf(ymode)に準じて十分に大きい値を取る予測日射量y(予測値)を採用した場合であっても、上述した最頻値ymodeによる効果と同等の効果を得ることができる。 Therefore, confidence interval calculation unit 56, as determined according to the equation 16, the probability density distribution f (y) i.e. the frequency f (y) is at its maximum value f (y mode) a large value in accordance with af ( the highest posterior density interval is a set of predicted insolation y (predicted value) that satisfies y mode) is determined as a confidence interval Y a. That is, the confidence interval Y a is determined in this way, as is apparent from FIG. 12, it corresponds to considering the contours of the frequency f (y) (the probability density distribution f (y)). Thus, the mode y mode is always (included) enters the confidence interval Y a, it is possible to avoid the inconsistency described above occurs. Even if the predicted solar radiation amount y (predicted value) that takes a sufficiently large value according to the maximum value f (y mode ) is adopted, the same effect as the mode y mode described above is used. Can be obtained.

又、このように信頼区間Yaを決定することにより、現実の状況を適切に反映した信頼区間を決定することができる。すなわち、例えば、予測日射量y(予測値)の誤差分布が無限区間の正規分布に従うとして期待値μ(x)や中央値を基準とする信頼区間を決定した場合には、図14の上図に示すように、信頼区間が負になるという現実と異なる状況が発生し得る。これに対して、予測日射量y(予測値)の誤差分布が非対称な分布も許容するベータ分布に従うとして最頻値ymodeを基準とする信頼区間Yaを決定した場合には、図14の下図に示すように、信頼区間Yaが常に「0」以上となり、現実の状況を適切に反映することができる。尚、図14において、濃い灰色の領域は頻度f(y)(確率密度分布f(y))の50%信頼区間を示し、薄い灰色の領域は頻度f(y)(確率密度分布f(y))の90%信頼区間を示す。又、図14において、実線は実測日射量を示し、図14の上図における長破線は期待値μ(x)を予測値yとしたものであり、図14の下図における長破線は最頻値ymodeを予測値yとしたものである。 Moreover, by determining the thus confidence interval Y a, it can be determined properly reflect the confidence interval real situation. That is, for example, when a confidence interval based on the expected value μ (x) or the median value is determined assuming that the error distribution of the predicted solar radiation amount y (predicted value) follows a normal distribution of an infinite interval, the upper diagram of FIG. As shown in FIG. 6, a situation different from the reality that the confidence interval becomes negative may occur. In contrast, when determining the confidence interval Y a error distribution is based on the most frequent value y mode as follow beta distribution to allow even asymmetric distribution of the predicted insolation y (predicted value) of FIG. 14 as shown below, becomes confidence interval Y a is always "0" or more, the reality of the situation can be properly reflected. In FIG. 14, the dark gray area indicates the 50% confidence interval of the frequency f (y) (probability density distribution f (y)), and the light gray area indicates the frequency f (y) (probability density distribution f (y). )) 90% confidence interval. In FIG. 14, the solid line indicates the actual amount of solar radiation, the long broken line in the upper diagram of FIG. 14 indicates the expected value μ (x) as the predicted value y, and the long broken line in the lower diagram of FIG. 14 indicates the mode value. The y mode is the predicted value y.

ここで、図12に示すように、頻度f(y)(確率密度分布f(y))を信頼区間Yaで積分することによって得られる面積は、この信頼区間Yaにおける信頼度Pr(Ya)に相当する。すなわち、信頼度Pr(Ya)は、下記式17に従って計算することができる。
又、所望の信頼度Pから逆に変数aや信頼区間Yaを計算することも可能である。この場合、例えば、単峰型の確率分布の確率密度関数をf(y)とし、累積分布関数をF(y)とした場合、下記式18によって表される連立方程式を解くことにより、最頻値周りの信頼度Pでの信頼区間Y=[yn,ym]を得ることができる。
このように、信頼区間Yaを計算すると、信頼区間計算部56は、信頼区間Yaを出力部58に出力する
Here, as shown in FIG. 12, the area obtained by integrating the frequency f (y) a (probability density distribution f (y)) with a confidence interval Y a is reliability Pr (Y in this confidence interval Y a It corresponds to a ). That is, the reliability Pr (Y a ) can be calculated according to the following equation 17.
It is also possible to calculate the desired confidence variable a from P reversed and confidence interval Y a. In this case, for example, when the probability density function of a unimodal probability distribution is set to f (y) and the cumulative distribution function is set to F (y), by solving the simultaneous equations expressed by the following Equation 18, A confidence interval Y = [y n , y m ] with confidence P around the value can be obtained.
Thus, when calculating the confidence interval Y a, confidence interval calculation unit 56 outputs the confidence interval Y a to the output unit 58

誤予測確率計算部57は、確率密度関数計算部54によって計算された非対称な分布も許容する確率密度分布f(y)(ベータ分布)において、図12に示すように、分布の裾近傍に出現する誤予測(大外れ)の下限側確率Pr_e(y<yL)及び上限側確率Pr_e(y>yH)を下記式19に従って計算する。尚、以下の説明においては、下限側確率Pr_e(y<yL)及び上限側確率Pr_e(y>yH)をまとめて、誤予測確率Pr_eとも称呼する。
ただし、図12に示すように、前記式19中のyLは前記式9に従って決定される確率密度分布f(y)において予め設定された下限側の予測値を表し、yHは前記式9に従って決定される確率密度分布f(y)において予め設定された上限側の予測値を表す。
In the probability density distribution f (y) (beta distribution) that also allows an asymmetric distribution calculated by the probability density function calculator 54, the misprediction probability calculator 57 appears near the bottom of the distribution as shown in FIG. The lower limit side probability Pr_e (y <y L ) and the upper limit side probability Pr_e (y> y H ) of the misprediction (large deviation) are calculated according to the following equation 19. In the following description, the lower limit probability Pr_e (y <y L ) and the upper limit probability Pr_e (y> y H ) are collectively referred to as an erroneous prediction probability Pr_e.
However, as shown in FIG. 12, y L in the equation 19 represents a lower limit predicted value preset in the probability density distribution f (y) determined according to the equation 9, and y H represents the equation 9 Represents an upper limit predicted value set in advance in the probability density distribution f (y) determined according to.

ここで、誤予測確率計算部57は、前記式19に従い、確率密度関数計算部54によって計算された確率密度分布f(y)を用いて下限側確率Pr_e(y<yL)及び上限側確率Pr_e(y>yH)を計算する。これにより、図10に示したように、予測誤差の下限側が常に「0」以上であり、かつ、予測誤差の上限側が大気外日射量以下とすることができ、その結果、誤予測(大外れ)が発生する下限側確率Pr_e(y<yL)及び上限側確率Pr_e(y>yH)を極めて精度よく計算することができる。すなわち、確率密度分布f(y)を決定するために第2パラメータ計算部53が分布の拡がりに関連するパラメータφ(x)を説明変数xの関数として計算することにより、分布の拡がり、言い換えれば、非対称の分布も許容する確率密度分布f(y)の裾の形を正確に表現することができる。従って、誤予測確率計算部57は、この確率密度分布f(y)の裾近傍における下限側確率Pr_e(y<yL)及び上限側確率Pr_e(y>yH)を前記式19に従って、極めて精度よく計算して決定することができる。そして、誤予測確率計算部57は、誤予測(大外れ)の誤予測確率Pr_eを計算すると、出力部58に出力する。 Here, the misprediction probability calculation unit 57 uses the probability density distribution f (y) calculated by the probability density function calculation unit 54 in accordance with the equation 19, and uses the lower limit probability Pr_e (y <y L ) and the upper limit probability. Calculate Pr_e (y> y H ). As a result, as shown in FIG. 10, the lower limit side of the prediction error is always “0” or more, and the upper limit side of the prediction error can be less than or equal to the amount of solar radiation outside the atmosphere. ) can be very compute accurately the lower side probability Pr_e generated (y <y L) and the upper side probability Pr_e (y> y H). That is, in order to determine the probability density distribution f (y), the second parameter calculation unit 53 calculates the parameter φ (x) related to the distribution expansion as a function of the explanatory variable x. Therefore, it is possible to accurately represent the shape of the tail of the probability density distribution f (y) that also allows an asymmetric distribution. Therefore, the misprediction probability calculation unit 57 calculates the lower limit probability Pr_e (y <y L ) and the upper limit probability Pr_e (y> y H ) in the vicinity of the tail of the probability density distribution f (y) according to the above equation 19. It can be calculated and determined with high accuracy. Then, the misprediction probability calculation unit 57 calculates the misprediction probability Pr_e of the misprediction (outlier) and outputs it to the output unit 58.

出力部58は、最頻値計算部55から供給された最頻値ymode、信頼区間計算部56から供給された信頼区間Ya、及び、誤予測確率計算部57から供給された誤予測確率Pr_e(具体的には、下限側確率Pr_e(y<yL)及び上限側確率Pr_e(y>yH))を取得する。そして、出力部58は、通信装置22及びネットワーク40を介して、日射量の予測対象となっている地域内に設置された太陽光発電システム10の発電モニタ装置17に対し、予測情報として、最頻値ymodeである予測日射量yを表す予測日射量情報と、信頼区間Yaを表す信頼区間情報と、下限側確率Pr_e(y<yL)及び上限側確率Pr_e(y>yH)を表す誤予測確率情報とを提供する。 The output unit 58 includes the mode y mode supplied from the mode calculation unit 55, the confidence interval Y a supplied from the confidence interval calculation unit 56, and the misprediction probability supplied from the misprediction probability calculation unit 57. Pr_e (specifically, lower limit probability Pr_e (y <y L ) and upper limit probability Pr_e (y> y H )) is acquired. Then, the output unit 58 outputs, as prediction information, to the power generation monitoring device 17 of the solar power generation system 10 installed in the area where the amount of solar radiation is predicted via the communication device 22 and the network 40. prediction insolation information representing the prediction insolation y is Shikichi y mode, and the confidence interval information indicating the confidence interval Y a, the lower limit probability Pr_e (y <y L) and the upper side probability Pr_e (y> y H) And misprediction probability information representing.

ここで、予測日射量情報、信頼区間情報及び誤予測確率情報の提供を受けた発電モニタ装置17においては、太陽光発電システム10による発電量を計算して予測する。すなわち、発電モニタ装置17の電子制御ユニット17aは、通信ユニット17bを介して、予測日射量情報、信頼区間情報及び誤予測確率情報を取得し、取得したこれら各情報を記憶ユニット17cの所定記憶位置に記憶する。そして、電子制御ユニット17aは、仕様データによって表される太陽光発電システム10の太陽電池アレイ12(太陽電池パネル11)の設置状態(方位角や傾斜角等)及びパワーコンディショナー14の変換特性等を用いて、予測日射量情報によって表される予測日射量y(より具体的には、最頻値ymode)及び信頼区間情報によって表される信頼区間Ya、すなわち、水平面全天日射量であるときに予測される発電量を計算する。そして、電子制御ユニット17aは、報知ユニット17dを介して、例えば、予測される発電量をユーザに対して報知する。 Here, in the power generation monitoring device 17 that has received the predicted solar radiation amount information, the confidence interval information, and the erroneous prediction probability information, the power generation amount by the solar power generation system 10 is calculated and predicted. That is, the electronic control unit 17a of the power generation monitoring device 17 acquires the predicted solar radiation amount information, the confidence interval information, and the misprediction probability information via the communication unit 17b, and the acquired information is stored in a predetermined storage position of the storage unit 17c. To remember. Then, the electronic control unit 17a determines the installation state (azimuth angle, inclination angle, etc.) of the solar cell array 12 (solar cell panel 11) of the photovoltaic power generation system 10 represented by the specification data, the conversion characteristics of the power conditioner 14, and the like. Using the predicted solar radiation amount y (more specifically, the mode y mode ) represented by the predicted solar radiation information and the confidence interval Y a represented by the confidence interval information, that is, the horizontal solar radiation amount. Calculate the amount of power generation that is sometimes predicted. The electronic control unit 17a notifies the user of the predicted power generation amount, for example, via the notification unit 17d.

一方で、発電モニタ装置17の電子制御ユニット17aは、計算して予測した太陽光発電システム10による発電量に応じて、例えば、発電量が大きくなることが予測される場合には蓄電装置16の充放電ユニット16bと協調して蓄電池16aに対する夜間電力を利用した充電を控えて余剰電力を充電したり、余剰電力を売電するために蓄電池16aの電力を放電したりする。逆に、太陽光発電システム10による発電量が小さくなることが予測される場合には、電子制御ユニット17aは充放電ユニット16bと協働して、例えば、夜間電力を積極的に利用して蓄電池16aに予め安価な電力を充電したり、分電盤15に接続された各種電気機器の電力消費を抑制させたりする。   On the other hand, the electronic control unit 17a of the power generation monitoring device 17 determines the power generation amount of the power storage device 16 when the power generation amount is predicted to increase, for example, according to the power generation amount by the solar power generation system 10 calculated and predicted. In cooperation with the charging / discharging unit 16b, the surplus power is charged in advance of charging using the night power for the storage battery 16a, or the power of the storage battery 16a is discharged to sell the surplus power. Conversely, when it is predicted that the amount of power generated by the solar power generation system 10 will be small, the electronic control unit 17a cooperates with the charge / discharge unit 16b to, for example, actively use nighttime power to store the storage battery. Inexpensive power is charged in advance in 16a, or power consumption of various electric devices connected to the distribution board 15 is suppressed.

又、発電モニタ装置17の電子制御ユニット17aは、所定記憶位置に記憶した誤予測確率情報に基づき、提供された予測日射量y(具体的には、最頻値ymode)が誤予測となる(所謂、大外れとなる)確率が相対的に高い場合には、蓄電装置16の充放電ユニット16bと協調して蓄電池16aの充電量を調整することが可能である。具体的に、例えば、予測日射量y(最頻値ymode)が大きくなること予測されているにもかかわらず、1年のうちの数回(数日)は、全く逆の実測日射量が「0」となる誤予測(大外れ)が発生し得る。逆に、例えば、予測日射量y(最頻値ymode)が「0」となることが予測されているにも関わらず、1年のうちの数回(数日)は、実測日射量が大きくなる誤予測(大外れ)が発生し得る。 Further, the electronic control unit 17a of the power generation monitoring device 17 makes the provided predicted solar radiation amount y (specifically, the mode value y mode ) an erroneous prediction based on the erroneous prediction probability information stored in the predetermined storage position. When the probability (so-called great deviation) is relatively high, the charge amount of the storage battery 16a can be adjusted in cooperation with the charge / discharge unit 16b of the power storage device 16. Specifically, for example, although the predicted solar radiation amount y (mode value y mode ) is predicted to increase, the actually measured solar radiation amount is “0” for several times in a year (several days). ”May occur. On the other hand, for example, although the predicted solar radiation amount y (mode y mode ) is predicted to be “0”, the actual solar radiation amount increases several times (several days) in one year. A misprediction (outlier) can occur.

このような誤予測(大外れ)が発生した場合、太陽光発電システム10のユーザは、蓄電装置16の蓄電池16aに十分な充電がなされていないため、急遽、高額の商業電源を利用しなければならない状況となったり、或いは、余剰電力を効率よく売電できない状況が生じたりする。このため、電子制御ユニット17aは、誤予測確率情報によって表される下限側確率Pr_e(y<yL)及び上限側確率Pr_e(y>yH)が予め設定されている確率Pr_errよりも大きいとき、具体的には、下限側確率Pr_e(y<yL)が確率Pr_errよりも大きいときには予測日射量y(最頻値ymode)が「0」となる可能性が起こり得るため、例えば、蓄電池16aに夜間電力を予め充電しておく。逆に、上限側確率Pr_e(y>yH)が確率Pr_errよりも大きいときには「0」の予測日射量y(最頻値ymode)が大きくなる可能性が起こり得るため、例えば、余剰電力が充電できる程度の容量を蓄電池16aに設けておく。 When such a misprediction (outlier) occurs, the user of the photovoltaic power generation system 10 must not use a commercial power supply because the storage battery 16a of the power storage device 16 is not sufficiently charged. It becomes a situation that does not become a situation, or a situation occurs where the surplus power cannot be sold efficiently. For this reason, when the electronic control unit 17a has the lower limit probability Pr_e (y <y L ) and the upper limit probability Pr_e (y> y H ) represented by the misprediction probability information larger than the preset probability Pr_err. Specifically, when the lower limit probability Pr_e (y <y L ) is greater than the probability Pr_err, the predicted solar radiation amount y (mode value y mode ) may become “0”. 16a is charged with nighttime power in advance. On the contrary, when the upper limit probability Pr_e (y> y H ) is larger than the probability Pr_err, there is a possibility that the predicted solar radiation amount y (mode y mode ) of “0” may increase. A capacity that can be charged is provided in the storage battery 16a.

以上の説明からも理解できるように、上記実施形態によれば、分布の拡がりに関連するパラメータφ(x)を説明変数xを用いて計算し、このパラメータφ(x)を用いた確率密度分布f(y)を用いて、自然エネルギーから得られる単位時間当たりの自然エネルギー量である日射量の予測日射量yをその予測誤差の分布を含めて極めて精度よく計算することができる。そして、予測日射量yを誤予測する(予測日射量yが大外れする)ような稀な現象が発生する誤予測確率Pr_eも定量的に精度よく予測することができる。   As can be understood from the above description, according to the above embodiment, the parameter φ (x) related to the spread of the distribution is calculated using the explanatory variable x, and the probability density distribution using the parameter φ (x) is calculated. Using f (y), it is possible to calculate the predicted solar radiation amount y of the solar radiation amount, which is the natural energy amount per unit time obtained from natural energy, including the prediction error distribution with extremely high accuracy. Further, the misprediction probability Pr_e in which a rare phenomenon such that the predicted solar radiation amount y is erroneously predicted (the predicted solar radiation amount y greatly deviates) can be predicted quantitatively and accurately.

<第1変形例>
上記実施形態においては、予測処理部50が非対称も許容する確率密度分布としてベータ分布を採用するように実施した。この場合、日射量やこの日射量と関連する発電量等の正の連続値を扱う非対称な確率分布として、ベータ分布の他に、指数型分布族、対数正規分布、ガンマ分布、逆ガンマ分布、逆ガウス分布、Tweedie分布、ワイブル分布、ガンベル分布等を挙げることができる。このため、これらの各確率分布を用いるように変形して実施することも可能である。すなわち、これらの各確率分布においても、上記ベータ分布の場合と同様に、分布の拡がりと関連深いパラメータが存在する。従って、上記各確率分布においても、分布の拡がりに関連するパラメータを説明変数の関数として表すことにより、上記実施形態と同様に、予測値の分布の拡がりや、最頻値、頻度に基づく最頻値の信頼区間、誤予測(大外れ)が生じる確率等の計算が可能となる。
<First Modification>
In the said embodiment, it implemented so that a beta distribution might be employ | adopted as a probability density distribution which the prediction process part 50 accept | permits asymmetry. In this case, as an asymmetric probability distribution that handles positive continuous values such as solar radiation and power generation related to this solar radiation, in addition to the beta distribution, exponential distribution family, lognormal distribution, gamma distribution, inverse gamma distribution, Inverse Gaussian distribution, Tweedie distribution, Weibull distribution, Gumbel distribution, and the like can be given. For this reason, it is also possible to carry out the modification by using these probability distributions. That is, in each of these probability distributions, there is a parameter closely related to the spread of the distribution as in the case of the beta distribution. Therefore, in each of the probability distributions, the parameters related to the distribution spread are expressed as a function of explanatory variables, so that the distribution of the predicted value distribution, the mode value based on the frequency, and the mode based on the frequency can be obtained. It is possible to calculate a confidence interval of a value, a probability that an erroneous prediction (outlier) occurs, and the like.

具体的に、正の連続値についての非対称な確率分布として、指数型分布族を用いる場合には、確率密度関数を下記式20により示すことができる。
ただし、前記式20中のφは、分布の拡がりに関連するパラメータであり、このパラメータφを、上述した実施形態と同様に、説明変数xの関数として表すことによって分布の拡がりを表すパラメータφ(x)を計算することができる。従って、この第1変形例においても、上記実施形態と同様の効果が得られる。
Specifically, when an exponential distribution family is used as the asymmetric probability distribution for positive continuous values, the probability density function can be expressed by the following Equation 20.
However, φ in the equation 20 is a parameter related to the spread of the distribution, and the parameter φ representing the spread of the distribution by expressing the parameter φ as a function of the explanatory variable x as in the above-described embodiment. x) can be calculated. Therefore, also in this first modified example, the same effect as in the above embodiment can be obtained.

<第2変形例>
上記実施形態及び上記第1変形例においては、少なくとも、ある時点(ある時間帯)における予測日射量y(最頻値ymode)、信頼区間Ya及び誤予測(大外れ)が発生する下限側確率Pr_e(y<yL)及び上限側確率Pr_e(y>yH)を計算するように実施した。この場合、気象データの実況値や直近の過去に観測された気象データを説明変数xに用いることにより、予測値(予測日射量y)や予測分布をリアルタイムに更新する(補正する)ことも可能である。この場合、例えば、異時点間の予測値(予測日射量y)の予測分布の間の相関を接合関数(コピュラ)を用いて表し、条件付き確率を計算することができる。以下、この第2変形例を具体的に説明する。
<Second Modification>
In the embodiment and the first modification, at least, the predicted insolation y at a certain point in time (a time zone) (most frequent value y mode), the lower limit confidence interval Y a and erroneous predictions (utter failure) occurs Probability Pr_e (y <y L ) and upper limit probability Pr_e (y> y H ) were calculated. In this case, it is also possible to update (correct) the predicted value (predicted solar radiation amount y) and the predicted distribution in real time by using the actual value of the weather data or the latest observed weather data for the explanatory variable x. It is. In this case, for example, a correlation between prediction distributions of prediction values (predicted solar radiation amount y) between different times can be expressed using a joint function (copula), and a conditional probability can be calculated. Hereinafter, this second modification will be specifically described.

コピュラ(接合関数)とは、2つ以上の任意の確率変数の間の関係を与える関数である。このため、コピュラは、例えば、2つのベータ分布に従う変数間に適用することができる。具体的にコピュラを説明すると、2次元データ(y1,y2)のコピュラは、一般に、C(U1,U2)という関数であり、それぞれの次元の周辺分布がF1(y1),F2(y2)の場合に2次元の分布は下記式21によって表される。
A copula (joint function) is a function that gives a relationship between two or more arbitrary random variables. Thus, a copula can be applied between variables that follow, for example, two beta distributions. Specifically, the copula of the two-dimensional data (y 1 , y 2 ) is generally a function called C (U 1 , U 2 ), and the peripheral distribution of each dimension is F 1 (y 1 ). , F 2 (y 2 ), the two-dimensional distribution is expressed by the following equation (21).

ここで、例示的に、例えば、2次元データ(y1,y2)のうち、y1が9時台の日射量を表す変数であり、y2が9時台から連続する10時台の日射量を表す変数であるとすると、F(y1,y2)はその同時分布を表すため、9時台の日射量y1の実測値が与えられた場合、10時台の日射量y2の条件付き密度関数f(y2|y1)は、下記式22に従って計算することができる。
従って、前記式22に従うことにより、実測値(9時台の実測日射量)をリアルタイムに反映したすなわちリアルタイムに補正した精度保証付きの予測値(10時台の予測日射量y)の計算が可能となる。
Here, exemplarily, for example, in the two-dimensional data (y 1 , y 2 ), y 1 is a variable representing the amount of solar radiation at 9 o'clock, and y 2 is 10 o'clock in the range from 9 o'clock. Assuming that it is a variable representing the amount of solar radiation, F (y 1 , y 2 ) represents the simultaneous distribution. Therefore, when the measured value of the solar radiation amount y 1 at 9 o'clock is given, the solar radiation amount at 10 o'clock 2 conditional density function f (y 2 | y 1) can be calculated according to the following equation 22.
Therefore, according to the above equation 22, it is possible to calculate the predicted value (estimated solar radiation y in the 10 o'clock range) with accuracy guarantee that reflects the measured value (actual solar radiation amount in the 9 o'clock range) in real time, that is, corrected in real time. It becomes.

ここで、コピュラには、一般に、クレイトン型、フランク型、ガンベル型、ガウス型、アルキメデス型等多くの種類が存在する。これらの中には、1つのパラメータθで表わすことができるコピュラも多く、2次元の場合にはクレイトン型や、ガウス型、前記式21,22のコピュラ等が相当する。そして、このようなコピュラである、例えば、クレイトン型コピュラは下記式23のように表すことができる。
このように、1つのパラメータθによって表すことができるコピュラにおいては、例えば、パラメータθが正の値として大きくなればなるほど相関が強くなり、パラメータθが略「0」であれば無相関であり、パラメータθが負の値となれば負の相関となる。
Here, in general, there are many types of copulas such as a Kraton type, a Frank type, a Gumbel type, a Gauss type, and an Archimedes type. Among these, there are many copulas that can be expressed by one parameter θ, and in the case of two dimensions, the Kraton type, the Gauss type, the copulas of the above formulas 21 and 22, and the like correspond to them. And, for example, such a copula, for example, a Clayton copula can be expressed as the following Expression 23.
Thus, in the copula that can be represented by one parameter θ, for example, the correlation becomes stronger as the parameter θ increases as a positive value, and the correlation becomes uncorrelated when the parameter θ is approximately “0”. If the parameter θ is a negative value, a negative correlation is obtained.

具体的に、上述した9時台の日射量と10時台の日射量との間の相関を例示して説明すると、例えば、よく晴れた天候では、図15(a)に示すように、隣接する(連続する)9時台と10時台の相関が強くなる、言い換えれば、パラメータθが正の値として大きくなることが想定される。一方、雲の増加や降雨が予想される天候では、図15(b)に示すように、隣接する(連続する)9時台と10時台の相関が弱くなる、言い換えれば、パラメータθが「0」に近づくことが想定される。すなわち、日射量を予測する場合においては、よく晴れた天候では隣接する(連続する)時間帯の相関は強いと期待できるためパラメータθが大きくなることを想定し、曇りや降雨が予報される天候では隣接する(連続する)時間帯の相関が弱くなるためパラメータθが「0」に近づくことを想定すればよい。   Specifically, the correlation between the above 9 o'clock solar radiation amount and the 10 o'clock solar radiation amount will be described as an example. For example, in the case of sunny weather, as shown in FIG. It is assumed that the correlation between 9 o'clock and 10 o'clock (consecutive) becomes strong, in other words, the parameter θ increases as a positive value. On the other hand, in the weather in which an increase in clouds or rainfall is expected, as shown in FIG. 15B, the correlation between the adjacent (continuous) 9 o'clock and 10 o'clock is weak, in other words, the parameter θ is “ It is assumed that it approaches “0”. In other words, when predicting the amount of solar radiation, it can be expected that the correlation between adjacent (continuous) time zones is strong in well-clear weather. Then, it is only necessary to assume that the parameter θ approaches “0” because the correlation between adjacent (continuous) time zones becomes weak.

従って、上述した実施形態における分布の拡がりに関連するパラメータφを説明変数xの関数φ(x)として表したことを同様に、第2パラメータ計算部53が隣接する(連続する)時間帯同士の相関をパラメータθ(x)という説明変数xの関数として表すことによって、時間帯同士の相関を適切に表現することができる。この場合、説明変数xとしては、例えば、気象データ提供センタ30から提供される各気象データの実況値や直近の過去の観測された各気象データ等を用いることができる。そして、このようにパラメータθ(x)を用いることにより、各時点(各時間帯)における予測値(予測日射量y)は上述したように非対称も許容するベータ分布に従うものとすることができ、かつ、リアルタイムに現在時刻が含まれる時間帯(先の時間帯)における実測値(実測日射量)を次の時間帯(後の時間帯)の予測値(予測日射量y)の補正に用いて反映させることができる。   Therefore, the second parameter calculation unit 53 similarly indicates that the parameter φ related to the spread of the distribution in the above-described embodiment is expressed as the function φ (x) of the explanatory variable x between adjacent (continuous) time zones. By expressing the correlation as a function of the explanatory variable x called the parameter θ (x), the correlation between the time zones can be appropriately expressed. In this case, as the explanatory variable x, for example, the actual value of each meteorological data provided from the meteorological data providing center 30, each recently observed meteorological data, or the like can be used. And by using the parameter θ (x) in this way, the predicted value (predicted solar radiation amount y) at each time point (each time zone) can follow the beta distribution that also allows asymmetry as described above, And, using the measured value (actual solar radiation amount) in the time zone (previous time zone) that includes the current time in real time to correct the predicted value (predicted solar radiation amount y) in the next time zone (later time zone) It can be reflected.

例えば、下記式24に従って計算されるパラメータθ(x)を用いることにより、雲量xmcが「0」のときにはパラメータθ(x)が正の値となって相関が強くなり、雲量xmcが「1」のときにはパラメータθ(x)が「0」となって相関が弱まることを表現することができる。
尚、前記式24における係数eを種々のデータに基づいて決定することができる。
For example, by using the parameter θ (x) calculated according to the following equation 24, when the cloud amount x mc is “0”, the parameter θ (x) becomes a positive value and the correlation becomes strong, and the cloud amount x mc becomes “ When “1”, the parameter θ (x) becomes “0”, and it can be expressed that the correlation is weakened.
The coefficient e in the equation 24 can be determined based on various data.

従って、コピュラ(接合関数)を用いることにより、連続する時間帯同士の相関(時間相関)の強さを考慮し、先の時間帯における実測日射量(実測値)を後の時間帯における予測日射量y(予測値)に反映させることができる。すなわち、パラメータθ(x)が正の値であって相関が強い場合には、後の時間帯における予測日射量y(予測値)を先の時間帯における実測日射量(実測値)を用いて適宜補正することができ、予測日射量y(予測値)の予測精度を大幅に向上させることができる。従って、この第2変形例においては、予測精度が向上した予測日射量y(予測値)を用いることができるため、上記実施形態と同様の効果が期待できる。   Therefore, by using the copula (joint function), the intensity of correlation between consecutive time zones (time correlation) is taken into account, and the measured solar radiation amount (actual measurement value) in the previous time zone is estimated as the predicted solar radiation in the later time zone. It can be reflected in the quantity y (predicted value). That is, when the parameter θ (x) is a positive value and the correlation is strong, the predicted solar radiation amount y (predicted value) in the later time zone is used as the measured solar radiation amount (actually measured value) in the previous time zone. It can correct | amend suitably and the prediction precision of the predicted solar radiation amount y (predicted value) can be improved significantly. Therefore, in the second modified example, since the predicted solar radiation amount y (predicted value) with improved prediction accuracy can be used, the same effect as in the above embodiment can be expected.

尚、この場合、パラメータθを説明変数xの関数として設定せずに、固定値として実施することも可能である。又、この場合、時間相関に限らず、隣接する地点間の相関をコピュラで表すとともに、このときのパラメータθを説明変数xの関数として設定して実施することも可能である。更に、この場合、連続した(隣接する)時間相関に限らず、異なる時点間の相関をコピュラで表し、先の時点における実測値(実測日射量)を用いて、後の時点における予測値(予測日射量y)を補正するように実施することも可能である。   In this case, the parameter θ may be set as a fixed value without being set as a function of the explanatory variable x. In this case, not only the time correlation but also the correlation between adjacent points can be expressed by a copula and the parameter θ at this time can be set as a function of the explanatory variable x. Furthermore, in this case, not only continuous (adjacent) time correlations, but also the correlation between different time points is represented by a copula, and the predicted value (prediction) at a later time point is calculated using the actually measured value (actual solar radiation amount) at the previous time point. It is also possible to implement so as to correct the amount of solar radiation y).

本発明の実施にあたっては、上記実施形態、第1変形例及び第2変形例に限定されるものではなく、本発明の目的を逸脱しない限りにおいて種々の変更が可能である。   In carrying out the present invention, the present invention is not limited to the embodiment, the first modified example, and the second modified example, and various modifications can be made without departing from the object of the present invention.

例えば、上記実施形態及び各変形例においては、第1パラメータ計算部52によって計算されるパラメータμ(x)及び第2パラメータ計算部3によって計算されるパラメータφ(x)について、周知の拡張データ回帰を用いて同時に推定して計算するように実施した。この場合、より簡便にパラメータμ(x)及びパラメータφ(x)を計算する方法として、まず対称分布である正規分布を仮定して最小二乗法でパラメータμ(x)を決定しておき、パラメータμ(x)の決定後にパラメータφ(x)の尤度を最大化して決定することも可能である。又、例えば、1日の24時間や12時間のような多時点の予測日射量yを計算するときには、それらが多次元正規分布に従うとし、説明変数xを考慮して統計的にその多次元正規分布の平均値ベクトルを求めたものをパラメータμ(x)とし、このパラメータμ(x)を用いて分布の拡がりに関連するパラメータφ(x)を計算することも可能である。   For example, in the above-described embodiment and each modification, the well-known extended data regression is performed for the parameter μ (x) calculated by the first parameter calculation unit 52 and the parameter φ (x) calculated by the second parameter calculation unit 3. It was carried out to estimate and calculate at the same time using In this case, as a simpler method of calculating the parameter μ (x) and the parameter φ (x), first, assuming a normal distribution that is a symmetric distribution, the parameter μ (x) is determined by the least square method, and the parameter It is also possible to maximize the likelihood of the parameter φ (x) after determining μ (x). Also, for example, when calculating multi-point predicted solar radiation y such as 24 hours or 12 hours per day, it is assumed that they follow a multidimensional normal distribution, and statistically considering the explanatory variable x It is also possible to calculate the parameter φ (x) related to the spread of the distribution by using the parameter μ (x) as the parameter μ (x) obtained from the average value vector of the distribution.

又、パラメータμ(x)及びパラメータφ(x)を計算する方法としては、例えば、上述したコピュラ(接合関数)を用いて異時点の日射量の間の相関を取り、この相関を用いて平均値ベクトルを求めたものをパラメータμ(x)とし、このパラメータμ(x)を用いて分布の拡がりに関連するパラメータφ(x)を計算することも可能である。更に、別途、予測日射量yが提供される場合には、この提供された予測日射量yをパラメータμ(x)とし、その後、パラメータφ(x)を計算することも可能である。   In addition, as a method of calculating the parameter μ (x) and the parameter φ (x), for example, the correlation between the solar radiation amounts at different times is obtained using the copula (joining function) described above, and the average is calculated using this correlation. It is also possible to calculate the parameter φ (x) related to the spread of the distribution by using the parameter μ (x) as the parameter μ (x) obtained from the value vector. Furthermore, when the predicted solar radiation amount y is provided separately, the provided predicted solar radiation amount y can be used as the parameter μ (x), and then the parameter φ (x) can be calculated.

又、上記実施形態及び各変形例においては、自然エネルギー量予測装置が、自然エネルギーである太陽光から得られるエネルギー量として日射量を予測するように実施した。この場合、自然エネルギー量予測装置が、気象現象(気象条件)によって変化(変動)する自然エネルギー、例えば、太陽熱エネルギー、風力エネルギー、潮流エネルギー及び水流エネルギー等から得られる単位時間当たりのエネルギー量を予測することも可能である。このような太陽熱エネルギー、風力エネルギー、潮流エネルギー及び水流エネルギー等から得られるエネルギー量も、上述した太陽光と同様に、気象現象(気象条件)に起因して変化(変動)するものである。このため、上記実施形態及び各変形例と同様に、予測値であるエネルギー量をその予測誤差の分布を含めて精度よく予測することができ、又、予測値が誤予測(大外れ)となる稀な現象も定量的に予測することができる。   Moreover, in the said embodiment and each modification, it implemented so that the natural energy amount prediction apparatus might estimate the solar radiation amount as an energy amount obtained from sunlight which is natural energy. In this case, the natural energy amount prediction device predicts the amount of energy per unit time obtained from natural energy that changes (fluctuates) due to weather phenomena (meteorological conditions), such as solar thermal energy, wind energy, tidal current energy, and water current energy. It is also possible to do. The amount of energy obtained from such solar thermal energy, wind energy, tidal current energy, water current energy, and the like also changes (fluctuates) due to weather phenomena (meteorological conditions), similar to the above-described sunlight. For this reason, similarly to the above-described embodiment and each modification, it is possible to accurately predict the energy amount that is the predicted value including the distribution of the prediction error, and the predicted value is erroneously predicted (outlier). Rare phenomena can also be predicted quantitatively.

又、上記実施形態及び各変形例においては、自然エネルギー量予測装置が、太陽光エネルギーから得られる単位時間当たりのエネルギー量である日射量(予測値)を予測するように実施した。この場合、自然エネルギー量予測装置が、各太陽光発電システム10から取得した仕様データに基づき、発電量の予測分布及び発電量の予測値を計算して提供するように実施することも可能である。又、この場合、自然エネルギー量予測装置が、自然エネルギーから得られたエネルギー量(例えば、日射量、太陽熱、風力、潮流及び水流等)を他のエネルギー(例えば、電気エネルギー)に変換する変換量の予測が可能であることも言うまでもない。これにより、自然エネルギーから得られたエネルギー量を電気エネルギーに変換する発電システムにおいて、自然エネルギー量予測装置が、例えば、発電量を精度よく予測することによって、他の発電システムや、蓄エネルギー装置、電力消費機器と協調して必要な電気エネルギーを効率よく各確実に確保することができる。   Moreover, in the said embodiment and each modification, it implemented so that the natural energy amount prediction apparatus might predict the solar radiation amount (predicted value) which is the energy amount per unit time obtained from sunlight energy. In this case, it is also possible for the natural energy amount prediction apparatus to calculate and provide a predicted distribution of power generation amount and a predicted value of power generation amount based on the specification data acquired from each solar power generation system 10. . In this case, the amount of conversion by which the natural energy amount prediction device converts the amount of energy obtained from the natural energy (for example, solar radiation, solar heat, wind power, tidal current and water flow) into other energy (for example, electric energy). Needless to say, it is possible to predict this. Thereby, in the power generation system that converts the amount of energy obtained from natural energy into electric energy, the natural energy amount prediction device predicts the power generation amount with high accuracy, for example, so that other power generation systems, energy storage devices, The necessary electrical energy can be efficiently and reliably ensured in cooperation with the power consuming device.

又、上記実施形態及び各変形例においては、「0」や「1」が発生する確率が通常「0」となるベータ分布を採用して実施した。この場合、「0」や「1」が発生する確率が「0」となる点を改良したゼロ過剰ベータ分布(zero-inflated bata distribution)や「1」過剰ベータ分布(one-inflated bata
distribution)を用いて、日射量を予測するように実施することも可能である。又、正規分布を多変量に拡張した多次元正規分布のように、ベータ分布を多変量に拡張したディリクレ分布を採用し、複数の時間帯の日射量を同時に予測するように実施することも可能である。
In the above-described embodiment and each modification, the beta distribution in which the probability of occurrence of “0” or “1” is normally “0” is adopted. In this case, the zero-inflated bata distribution and the “1” one-inflated bata (one-inflated bata distribution) improved from the point that the probability of occurrence of “0” or “1” is “0”.
It is also possible to carry out so as to predict the amount of solar radiation using distribution). It is also possible to adopt a Dirichlet distribution that expands the beta distribution to multivariate, such as a multidimensional normal distribution that expands the normal distribution to multivariate, so that the amount of solar radiation in multiple time zones can be predicted simultaneously. It is.

更に、上記実施形態及び各変形例においては、管理センタ20に自然エネルギー量予測装置を設けて実施した。この場合、自然エネルギー量予測装置を、例えば、太陽光発電システム10が設置された家屋等に設けて実施可能であることは言うまでもない。この場合には、例えば、家屋内に設けられたコンピュータ装置や発電モニタ装置17に自然エネルギー量予測装置を設けて実施することができる。   Furthermore, in the said embodiment and each modification, the management center 20 provided and implemented the natural energy amount prediction apparatus. In this case, it is needless to say that the natural energy amount prediction device can be implemented, for example, in a house where the solar power generation system 10 is installed. In this case, for example, a natural energy amount predicting device can be provided in the computer device or the power generation monitoring device 17 provided in the house.

10…太陽光発電システム、11…太陽電池パネル、12…太陽電池アレイ、13…接続箱、14…パワーコンディショナー、15…分電盤、16…蓄電装置、16a…蓄電池、16b…充放電ユニット、17…発電モニタ装置、20…管理センタ、21…サーバ、21a…制御装置、22…通信装置、30…気象データ提供センタ、40…ネットワーク、50…予測処理部、51…入力部、52…第1パラメータ計算部、53…第2パラメータ計算部、54…確率密度関数計算部、55…最頻値計算部、56…信頼区間計算部、57…誤予測確率計算部、58…出力部   DESCRIPTION OF SYMBOLS 10 ... Solar power generation system, 11 ... Solar cell panel, 12 ... Solar cell array, 13 ... Connection box, 14 ... Power conditioner, 15 ... Distribution board, 16 ... Power storage device, 16a ... Storage battery, 16b ... Charge / discharge unit, DESCRIPTION OF SYMBOLS 17 ... Power generation monitoring apparatus, 20 ... Management center, 21 ... Server, 21a ... Control device, 22 ... Communication device, 30 ... Weather data provision center, 40 ... Network, 50 ... Prediction processing part, 51 ... Input part, 52 ... First 1 parameter calculator, 53 ... second parameter calculator, 54 ... probability density function calculator, 55 ... mode value calculator, 56 ... confidence interval calculator, 57 ... misprediction probability calculator, 58 ... output unit

Claims (14)

自然エネルギーから得られる単位時間当たりの自然エネルギー量を予測する予測手段を備えた自然エネルギー量予測装置において、
前記自然エネルギー量の予測分布が非対称な分布をも許容する確率分布によって表されるものであり、
前記予測手段は、
前記自然エネルギー量の変化に関連する説明変数を取得し、
前記取得した説明変数を用いて前記確率分布の拡がりに関連するパラメータを算出し、
前記算出した前記確率分布の拡がりに関連するパラメータを用いて前記自然エネルギー量の予測分布を表す前記確率分布を計算し、
前記計算した確率分布に基づいて、前記自然エネルギー量の予測値を予測することを特徴とする自然エネルギー量予測装置。
In a natural energy amount prediction device provided with a prediction means for predicting the amount of natural energy per unit time obtained from natural energy,
The predicted distribution of the amount of natural energy is represented by a probability distribution that also allows an asymmetric distribution,
The prediction means includes
Obtain an explanatory variable related to the change in the amount of natural energy,
Using the acquired explanatory variable to calculate a parameter related to the spread of the probability distribution;
Calculating the probability distribution representing the predicted distribution of the natural energy amount using a parameter related to the calculated spread of the probability distribution;
A natural energy amount prediction device that predicts a predicted value of the natural energy amount based on the calculated probability distribution.
請求項1に記載した自然エネルギー量予測装置において、
前記予測手段は、
前記計算した確率分布にて最も頻繁に出現する最頻値を計算し、
前記計算した最頻値、及び、前記確率分布にて前記最頻値に準じて頻繁に出現する値のうちの少なくとも前記最頻値を前記自然エネルギー量の予測値とすることを特徴とする自然エネルギー量予測装置。
In the natural energy amount prediction device according to claim 1,
The prediction means includes
Calculating the mode value that appears most frequently in the calculated probability distribution;
A natural value characterized in that at least the mode value of the calculated mode value and a value that frequently appears in accordance with the mode value in the probability distribution is used as a predicted value of the natural energy amount. Energy amount prediction device.
請求項1又は請求項2に記載した自然エネルギー量予測装置において、
前記予測手段は、
前記自然エネルギー量の予測値の信頼区間を、少なくとも前記計算した確率分布にて最も頻繁に出現する最頻値を含み前記確率分布にて所定の頻度により出現する値の集合とすることを特徴とする自然エネルギー量予測装置。
In the natural energy amount prediction apparatus according to claim 1 or 2,
The prediction means includes
The confidence interval of the predicted value of the natural energy amount is a set of values that include at least the most frequent value that appears most frequently in the calculated probability distribution and appear at a predetermined frequency in the probability distribution. A natural energy amount prediction device.
請求項1ないし請求項3のうちのいずれか一つに記載した自然エネルギー量予測装置において、
前記予測手段は、
前記算出した前記確率分布の拡がりに関連するパラメータを用いて計算した前記確率分布に基づいて、前記自然エネルギー量の予測値の信頼区間外であって、前記自然エネルギー量の予測値に反して、実測された実自然エネルギー量が予め設定された下限側の自然エネルギー量以下となる、又は、前記実自然エネルギー量が予め設定された上限側の自然エネルギー量以上となる誤予測の発生する確率を計算することを特徴とする自然エネルギー量予測装置。
In the natural energy amount prediction device according to any one of claims 1 to 3,
The prediction means includes
Based on the probability distribution calculated using the parameters related to the calculated spread of the probability distribution, outside the confidence interval of the predicted value of the natural energy amount, contrary to the predicted value of the natural energy amount, The probability of occurrence of misprediction in which the actually measured actual natural energy amount is equal to or less than a preset lower limit side natural energy amount, or the actual natural energy amount is equal to or greater than a preset upper limit side natural energy amount. A natural energy amount prediction device characterized by calculating.
請求項1ないし請求項4のうちのいずれか一つに記載した自然エネルギー量予測装置において、
前記予測手段は、
異なる時点における前記自然エネルギー量の予測分布間の相関を表すパラメータを、前記異なる時点のそれぞれに対応して取得した説明変数を用いて算出し、
前記算出した前記相関を表すパラメータを用いて、前記異なる時点における前記自然エネルギー量の予測分布間の相関を与える接合関数を計算することを特徴とする自然エネルギー量予測装置。
In the natural energy amount prediction device according to any one of claims 1 to 4,
The prediction means includes
A parameter representing a correlation between the predicted distributions of the natural energy amount at different time points is calculated using explanatory variables acquired corresponding to each of the different time points,
A natural energy amount prediction apparatus that calculates a junction function that gives a correlation between the predicted distributions of the natural energy amount at the different time points using the calculated parameter representing the correlation.
請求項5に記載した自然エネルギー量予測装置において、
前記予測手段は、
前記算出した前記相関を表すパラメータに応じて前記異なる時点における前記自然エネルギー量の予測分布間に相関が認められるとき、前記異なる時点における前記自然エネルギー量の予測分布のうち、先の時点における前記自然エネルギー量の予測分布に対応して実測された実自然エネルギー量を後の時点にて予測されている前記自然エネルギー量の予測値に反映させることを特徴とする自然エネルギー量予測装置。
In the natural energy amount prediction device according to claim 5,
The prediction means includes
When a correlation is recognized between the predicted distributions of the natural energy amount at the different time points according to the calculated parameter representing the correlation, the natural energy amount at the previous time point in the predicted distributions of the natural energy amount at the different time points. A natural energy amount prediction device, wherein an actual natural energy amount actually measured corresponding to a predicted distribution of energy amount is reflected in a predicted value of the natural energy amount predicted at a later time.
請求項6に記載した自然エネルギー量予測装置において、
前記予測手段は、
前記算出した前記相関を表すパラメータに応じて前記異なる時点における前記自然エネルギー量の予測分布間に相関が認められるとき、前記異なる時点における前記自然エネルギー量の予測分布のうち、先の時点における前記自然エネルギー量の予測分布に対応して実測された実自然エネルギー量を用いて後の時点にて予測されている前記自然エネルギー量の予測値を補正することを特徴とする自然エネルギー量予測装置。
In the natural energy amount prediction apparatus according to claim 6,
The prediction means includes
When a correlation is recognized between the predicted distributions of the natural energy amount at the different time points according to the calculated parameter representing the correlation, the natural energy amount at the previous time point in the predicted distributions of the natural energy amount at the different time points. A natural energy amount prediction apparatus, wherein a predicted value of the natural energy amount predicted at a later time is corrected using an actual natural energy amount actually measured corresponding to a predicted distribution of energy amount.
請求項5ないし請求項7のうちのいずれか一つに記載した自然エネルギー量予測装置において、
前記予測手段は、
前記算出した前記相関を表すパラメータを用いて、連続する時点における前記自然エネルギー量の予測分布間の相関を与える接合関数を計算することを特徴とする自然エネルギー量予測装置。
In the natural energy amount prediction device according to any one of claims 5 to 7,
The prediction means includes
A natural energy amount prediction apparatus that calculates a joint function that gives a correlation between predicted distributions of the natural energy amount at successive time points using the calculated parameter representing the correlation.
請求項1ないし請求項8のうちのいずれか一つに記載した自然エネルギー量予測装置において、
前記予測手段は、
前記説明変数として、
気温、気圧、湿度、降水量、降雨量、降雪量、積雪量、低層雲量、中層雲量、高層雲量、風向、風速、上昇流、天候、快晴度、エアマス及び大気外日射量の各気象予測値、並びに、予測実施時刻から予測対象時刻までのリードタイムのうちの少なくとも一つを取得して用いることを特徴とする自然エネルギー量予測装置。
In the natural energy amount prediction device according to any one of claims 1 to 8,
The prediction means includes
As the explanatory variable,
Temperature, barometric pressure, humidity, precipitation, rainfall, snowfall, snow cover, low cloud cover, middle cloud cover, high cloud cover, wind direction, wind speed, updraft, weather, clearness, air mass and atmospheric solar radiation A natural energy amount prediction apparatus that acquires and uses at least one of a value and a lead time from a prediction execution time to a prediction target time.
請求項9に記載した自然エネルギー量予測装置において、
前記予測手段は、
前記説明変数として、更に、
前記各気象予測値、前記リードタイム、並びに、現況及び過去に観測された気象観測値のうちの少なくとも一つを取得して用いることを特徴とする自然エネルギー量予測装置。
In the natural energy amount prediction device according to claim 9,
The prediction means includes
As the explanatory variable,
A natural energy amount prediction apparatus that acquires and uses at least one of the weather forecast values, the lead time, and the present conditions and weather observation values observed in the past.
請求項1ないし請求項10のうちのいずれか一つに記載した自然エネルギー量予測装置において、
前記自然エネルギー量の予測分布を表す非対称な分布をも許容する確率分布は、
ベータ分布又はゼロ過剰ベータ分布であることを特徴とする自然エネルギー量予測装置。
In the natural energy amount prediction apparatus according to any one of claims 1 to 10,
A probability distribution that also allows an asymmetric distribution representing the predicted distribution of the natural energy amount,
A natural energy amount prediction apparatus characterized by being a beta distribution or a zero excess beta distribution.
請求項1ないし請求項11のうちのいずれか一つに記載した自然エネルギー量予測装置において、
前記自然エネルギーは、
太陽光エネルギー、太陽熱エネルギー、風力エネルギー、潮流エネルギー及び水流エネルギーのうちの少なくとも一つの自然エネルギーであることを特徴とする自然エネルギー量予測装置。
In the natural energy amount prediction apparatus according to any one of claims 1 to 11,
The natural energy is
A natural energy amount predicting device characterized by being at least one natural energy among solar energy, solar thermal energy, wind energy, tidal current energy and water current energy.
請求項12に記載した自然エネルギー量予測装置において、
前記自然エネルギー量が前記太陽光エネルギーから得られる単位時間当たりの日射量であるとき、
前記予測手段は、
前記確率分布によって表される前記日射量の予測分布及び前記確率分布に基づいて予測した前記日射量の予測値を用いて、
前記太陽光エネルギーを電気エネルギーに変換する太陽光発電システムの発電量分布及び発電量を予測することを特徴とする自然エネルギー量予測装置。
In the natural energy amount prediction apparatus according to claim 12,
When the amount of natural energy is the amount of solar radiation per unit time obtained from the solar energy,
The prediction means includes
Using the predicted distribution of the solar radiation amount represented by the probability distribution and the predicted value of the solar radiation amount predicted based on the probability distribution,
A natural energy amount prediction apparatus for predicting a power generation amount distribution and a power generation amount of a solar power generation system that converts the solar energy into electric energy.
請求項13に記載した自然エネルギー量予測装置において、
前記予測手段は、
前記太陽光発電システムの前記発電量分布及び前記発電量を予測し、
前記予測した前記発電量分布及び前記発電量に基づき、
前記太陽光発電システムと、他の発電システム、蓄エネルギー装置及び電力消費機器とを協調させることを特徴とする自然エネルギー量予測装置。
In the natural energy amount prediction device according to claim 13,
The prediction means includes
Predicting the power generation amount distribution and the power generation amount of the solar power generation system,
Based on the predicted power generation amount distribution and the power generation amount,
A natural energy amount prediction device, wherein the solar power generation system is coordinated with another power generation system, an energy storage device, and a power consuming device.
JP2012156875A 2012-07-12 2012-07-12 Renewable energy prediction device Active JP5940922B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2012156875A JP5940922B2 (en) 2012-07-12 2012-07-12 Renewable energy prediction device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2012156875A JP5940922B2 (en) 2012-07-12 2012-07-12 Renewable energy prediction device

Publications (2)

Publication Number Publication Date
JP2014021555A true JP2014021555A (en) 2014-02-03
JP5940922B2 JP5940922B2 (en) 2016-06-29

Family

ID=50196412

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012156875A Active JP5940922B2 (en) 2012-07-12 2012-07-12 Renewable energy prediction device

Country Status (1)

Country Link
JP (1) JP5940922B2 (en)

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015231273A (en) * 2014-06-04 2015-12-21 株式会社Nttファシリティーズ Power management device
WO2016017647A1 (en) * 2014-07-31 2016-02-04 ダイキン工業株式会社 Apparatus management device
JP2016039708A (en) * 2014-08-07 2016-03-22 三井化学株式会社 Power generation output value estimation method, device, and program
JP2016140121A (en) * 2015-01-26 2016-08-04 株式会社日立製作所 Storage battery system and photovoltaic power generation system including the same
JP2016140182A (en) * 2015-01-28 2016-08-04 株式会社日立製作所 Storage battery system and photovoltaic power generation system including the same
WO2017038354A1 (en) * 2015-09-03 2017-03-09 日本電気株式会社 Information providing device, information providing method, and program
JP2017053804A (en) * 2015-09-11 2017-03-16 株式会社東芝 Stochastic weather prediction device, stochastic weather prediction method and program
CN106712112A (en) * 2017-02-17 2017-05-24 云南电网有限责任公司 Probability distribution-based wind farm cluster output power smoothing effect analysis method
WO2017098827A1 (en) * 2015-12-07 2017-06-15 株式会社日立製作所 Generated power amount prediction device, generated power amount prediction method, grid stabilization device, and grid stabilization method
JP2018013934A (en) * 2016-07-20 2018-01-25 株式会社東芝 Power price prediction device
JP2018505641A (en) * 2015-01-16 2018-02-22 スリーエム イノベイティブ プロパティズ カンパニー System and method for selecting grid behavior to improve grid output
CN108254628A (en) * 2018-02-02 2018-07-06 湘潭大学 A kind of base station electromagnetic radiation intensity appraisal procedure
JP2018148741A (en) * 2017-03-08 2018-09-20 中国電力株式会社 Photovoltaic power output prediction device considering snow cover
JP2019035706A (en) * 2017-08-21 2019-03-07 中国電力株式会社 Power generation output prediction device
WO2019150721A1 (en) * 2018-02-05 2019-08-08 株式会社日立製作所 Weather prediction correction method and weather prediction system
CN110235329A (en) * 2017-01-23 2019-09-13 国际商业机器公司 Quantify the combined effect of complementary uncertain resource in power network
JP2019219978A (en) * 2018-06-21 2019-12-26 中国電力株式会社 Power output prediction device, power output prediction system and power output prediction method
WO2020148940A1 (en) * 2019-01-18 2020-07-23 株式会社ヒデ・ハウジング Solar irradiance occurrence probability distribution analysis method, solar irradiance occurrence probability distribution analysis system, solar irradiance occurrence probability distribution analysis program, solar irradiance normalization statistical analysis system, solar irradiance normalization statistical analysis method, and solar irradiance normalization statistical analysis program
JP2020115100A (en) * 2019-01-18 2020-07-30 株式会社ヒデ・ハウジング Analysis method of solar radiation amount appearance probability distribution, analysis system of solar radiation amount appearance probability distribution, and analysis program of solar radiation amount appearance probability distribution
JP2020115101A (en) * 2019-01-18 2020-07-30 株式会社ヒデ・ハウジング Statistical analysis system of solar radiation amount normalization, statistical analysis method of solar radiation amount normalization, and statistical analysis program of solar radiation amount normalization
JP2020166588A (en) * 2019-03-29 2020-10-08 日本電信電話株式会社 Simulation value calculation method and simulation value calculation device
CN112581312A (en) * 2020-12-21 2021-03-30 国网陕西省电力公司电力科学研究院 Wind power prediction error distribution analysis method and device, computer equipment and readable storage medium
US10998725B2 (en) 2019-01-18 2021-05-04 Hide Housing Corporation Electric power generation prediction method based on expected value calculation, electric power generation prediction system based on expected value calculation, and electric power generation prediction program product based on expected value calculation
CN114253302A (en) * 2021-12-15 2022-03-29 阳光电源(上海)有限公司 Tracking control method and device

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4992942A (en) * 1989-01-25 1991-02-12 Bahm, Inc. Apparatus and method for controlling a system, such as nutrient control system for feeding plants, based on actual and projected data and according to predefined rules
JP2009524135A (en) * 2006-01-23 2009-06-25 インターナショナル・ビジネス・マシーンズ・コーポレーション A method for modeling a free pool of resources
JP2011200040A (en) * 2010-03-19 2011-10-06 Toshiba Corp Device, method, and program for prediction of electricity generation amount
JP2012023816A (en) * 2010-07-12 2012-02-02 Toshiba Corp Information processing equipment, and program thereof

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4992942A (en) * 1989-01-25 1991-02-12 Bahm, Inc. Apparatus and method for controlling a system, such as nutrient control system for feeding plants, based on actual and projected data and according to predefined rules
JP2009524135A (en) * 2006-01-23 2009-06-25 インターナショナル・ビジネス・マシーンズ・コーポレーション A method for modeling a free pool of resources
JP2011200040A (en) * 2010-03-19 2011-10-06 Toshiba Corp Device, method, and program for prediction of electricity generation amount
JP2012023816A (en) * 2010-07-12 2012-02-02 Toshiba Corp Information processing equipment, and program thereof

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JPN6015049891; 野見山 史敏: 'ベータ分布の特性を用いた時期別の全天日射量予測モデルに関する一検討' 平成24年電気学会全国大会講演論文集 , 20120305, pp.42-43 *

Cited By (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015231273A (en) * 2014-06-04 2015-12-21 株式会社Nttファシリティーズ Power management device
WO2016017647A1 (en) * 2014-07-31 2016-02-04 ダイキン工業株式会社 Apparatus management device
JP2016033732A (en) * 2014-07-31 2016-03-10 ダイキン工業株式会社 Apparatus management device
US10380706B2 (en) 2014-07-31 2019-08-13 Daikin Industries, Ltd. Equipment management apparatus
JP2016039708A (en) * 2014-08-07 2016-03-22 三井化学株式会社 Power generation output value estimation method, device, and program
JP2018505641A (en) * 2015-01-16 2018-02-22 スリーエム イノベイティブ プロパティズ カンパニー System and method for selecting grid behavior to improve grid output
US10193384B2 (en) 2015-01-16 2019-01-29 3M Innovative Properties Company Systems and methods for selecting grid actions to improve grid outcomes
JP2016140121A (en) * 2015-01-26 2016-08-04 株式会社日立製作所 Storage battery system and photovoltaic power generation system including the same
JP2016140182A (en) * 2015-01-28 2016-08-04 株式会社日立製作所 Storage battery system and photovoltaic power generation system including the same
US10750251B2 (en) 2015-09-03 2020-08-18 Nec Corporation Information providing apparatus, information providing method, and storage medium
WO2017038354A1 (en) * 2015-09-03 2017-03-09 日本電気株式会社 Information providing device, information providing method, and program
JP2017053804A (en) * 2015-09-11 2017-03-16 株式会社東芝 Stochastic weather prediction device, stochastic weather prediction method and program
US10866341B2 (en) 2015-09-11 2020-12-15 Kabushiki Kaisha Toshiba Probabilistic weather forecasting device, probabilistic weather forecasting method, and non-transitory computer readable medium
US11387656B2 (en) 2015-12-07 2022-07-12 Hitachi, Ltd. Power generation amount prediction apparatus, power generation amount prediction method, system stabilization apparatus, and system stabilization method
WO2017098827A1 (en) * 2015-12-07 2017-06-15 株式会社日立製作所 Generated power amount prediction device, generated power amount prediction method, grid stabilization device, and grid stabilization method
JP2017108475A (en) * 2015-12-07 2017-06-15 株式会社日立製作所 Power generation amount prediction device, power generation amount prediction method, system stabilization device, and system stabilization method
JP2018013934A (en) * 2016-07-20 2018-01-25 株式会社東芝 Power price prediction device
CN110235329A (en) * 2017-01-23 2019-09-13 国际商业机器公司 Quantify the combined effect of complementary uncertain resource in power network
JP2020516213A (en) * 2017-01-23 2020-05-28 インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation Quantifying the combined impact of interdependent uncertain resources within a power grid
JP7161268B2 (en) 2017-01-23 2022-10-26 インターナショナル・ビジネス・マシーンズ・コーポレーション Quantifying the combined impact of interdependent and uncertain resources within the power grid
CN106712112B (en) * 2017-02-17 2019-11-01 云南电网有限责任公司 A kind of analysis method of the wind power plant cluster output smoothing effect based on probability distribution
CN106712112A (en) * 2017-02-17 2017-05-24 云南电网有限责任公司 Probability distribution-based wind farm cluster output power smoothing effect analysis method
JP2018148741A (en) * 2017-03-08 2018-09-20 中国電力株式会社 Photovoltaic power output prediction device considering snow cover
JP2019035706A (en) * 2017-08-21 2019-03-07 中国電力株式会社 Power generation output prediction device
CN108254628A (en) * 2018-02-02 2018-07-06 湘潭大学 A kind of base station electromagnetic radiation intensity appraisal procedure
CN111684314A (en) * 2018-02-05 2020-09-18 株式会社日立制作所 Weather prediction correction method and weather prediction system
JP2019135451A (en) * 2018-02-05 2019-08-15 株式会社日立製作所 Weather prediction correcting technique and weather prediction system
WO2019150721A1 (en) * 2018-02-05 2019-08-08 株式会社日立製作所 Weather prediction correction method and weather prediction system
JP2019219978A (en) * 2018-06-21 2019-12-26 中国電力株式会社 Power output prediction device, power output prediction system and power output prediction method
JP7139711B2 (en) 2018-06-21 2022-09-21 中国電力株式会社 Power generation output prediction device, power generation output prediction system, power generation output prediction method
JP2020115101A (en) * 2019-01-18 2020-07-30 株式会社ヒデ・ハウジング Statistical analysis system of solar radiation amount normalization, statistical analysis method of solar radiation amount normalization, and statistical analysis program of solar radiation amount normalization
JP2020115100A (en) * 2019-01-18 2020-07-30 株式会社ヒデ・ハウジング Analysis method of solar radiation amount appearance probability distribution, analysis system of solar radiation amount appearance probability distribution, and analysis program of solar radiation amount appearance probability distribution
WO2020148940A1 (en) * 2019-01-18 2020-07-23 株式会社ヒデ・ハウジング Solar irradiance occurrence probability distribution analysis method, solar irradiance occurrence probability distribution analysis system, solar irradiance occurrence probability distribution analysis program, solar irradiance normalization statistical analysis system, solar irradiance normalization statistical analysis method, and solar irradiance normalization statistical analysis program
US20200394255A1 (en) 2019-01-18 2020-12-17 Hide Housing Corporation Insolation probability distribution analysis method, insolation probability distribution analysis system, insolation probability distribution analysis program product,insolation normalization statistical analysis method, insolation normalization statistical analysis system, and insolation normalization statistical analysis program product
US10977341B2 (en) 2019-01-18 2021-04-13 Hide Housing Corporation Insolation probability distribution analysis method, insolation probability distribution analysis system, insolation probability distribution analysis program product, insolation normalization statistical analysis method, insolation normalization statistical analysis system, and insolation normalization statistical analysis program product
US10998725B2 (en) 2019-01-18 2021-05-04 Hide Housing Corporation Electric power generation prediction method based on expected value calculation, electric power generation prediction system based on expected value calculation, and electric power generation prediction program product based on expected value calculation
WO2020203162A1 (en) * 2019-03-29 2020-10-08 日本電信電話株式会社 Simulation value calculating method and simulation value calculating device
US20220147663A1 (en) * 2019-03-29 2022-05-12 Nippon Telegraph And Telephone Corporation Simulation Value Calculating Method and Simulation Value Calculating Device
JP2020166588A (en) * 2019-03-29 2020-10-08 日本電信電話株式会社 Simulation value calculation method and simulation value calculation device
JP7260766B2 (en) 2019-03-29 2023-04-19 日本電信電話株式会社 SIMULATION VALUE CALCULATION METHOD AND SIMULATION VALUE CALCULATION DEVICE
CN112581312A (en) * 2020-12-21 2021-03-30 国网陕西省电力公司电力科学研究院 Wind power prediction error distribution analysis method and device, computer equipment and readable storage medium
CN112581312B (en) * 2020-12-21 2024-03-08 国网陕西省电力公司电力科学研究院 Wind power prediction error distribution analysis method, wind power prediction error distribution analysis device, computer equipment and readable storage medium
CN114253302A (en) * 2021-12-15 2022-03-29 阳光电源(上海)有限公司 Tracking control method and device

Also Published As

Publication number Publication date
JP5940922B2 (en) 2016-06-29

Similar Documents

Publication Publication Date Title
JP5940922B2 (en) Renewable energy prediction device
US11501194B2 (en) Managing computational workloads of computing apparatuses powered by renewable resources
EP3458981B1 (en) System and methods for improving the accuracy of solar energy and wind energy forecasts for an electric utility grid
US10958211B1 (en) Systems and methods for power management
Erdener et al. A review of behind-the-meter solar forecasting
Kim et al. Site demonstration and performance evaluation of MPC for a large chiller plant with TES for renewable energy integration and grid decarbonization
Park et al. Predictive model for PV power generation using RNN (LSTM)
JP2006033908A (en) Method, device and program for estimating amount of power generation of solar light generating system
JP2017200360A (en) Photovoltaic power generation amount prediction system, photovoltaic power generation amount prediction method, and program
Zhao et al. Evaluation of nodal reliability risk in a deregulated power system with photovoltaic power penetration
CN108196317B (en) Meteorological prediction method for micro-grid system
JP2012010508A (en) Power generation amount prediction device, power generation amount prediction system, power generation amount prediction method, and power generation amount prediction program
Haupt et al. Blending distributed photovoltaic and demand load forecasts
WO2019021438A1 (en) Solar power generation amount prediction device, solar power generation amount prediction system, prediction method, and program
CN110737876A (en) Regional power grid photovoltaic power prediction optimization method and device
JP5627331B2 (en) Power monitor
JP6452854B2 (en) Power generation amount calculation device, power generation amount calculation system, power generation amount calculation method, and program
US20200103272A1 (en) Estimation of drift in a solar radiation sensor
KR20180023078A (en) Prediction method of generation quantity in solar energy generation using weather information
Jain et al. Battery optimization in microgrids using Markov decision process integrated with load and solar forecasting
KR20200129343A (en) Weather data processing device for energy management and energy management system
US20240195174A1 (en) Energy prediction device, energy prediction method, and energy prediction program
Maitanova et al. Machine learning approach to a low-cost day-ahead photovoltaic power prediction based on publicly available weather reports for automated energy management systems
US11728767B2 (en) Techniques for quantifying behind-the-meter solar power generation
CN117057174B (en) Runoff prediction method for data-missing area

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20150115

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20151109

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20151209

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20160122

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20160216

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20160407

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20160426

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20160519

R151 Written notification of patent or utility model registration

Ref document number: 5940922

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250