JP2016136001A - 予測装置 - Google Patents

Abstract

【課題】ウィンドファームにおける風力発電装置の発電量をより高い精度で予測可能な予測装置を提供する。【解決手段】ウィンドファーム内の風向及び風速並びに風力発電装置夫々の稼働状態に関するデータを入力する入力層と、中間層と、発電量を出力する出力層と、を有する階層型ニューラルネットワークの予測モデルを用いて前記発電量の予測を行う予測装置であって、過去の複数の日時における、発電量の実績値と、風向及び風速と、風力発電装置夫々の稼働状態に関するデータと、に基づいて学習演算を行って、前記予測モデルの結合係数を最適化する関係算出部と、予測対象日時における、前記ウィンドファーム内の風向及び風速の予測値と、前記複数の風力発電装置夫々の稼働状態に関するデータと、に基づいて、前記予測モデルの結合係数Ｗを用いて、前記複数の風力発電装置の発電量の予測値Ｙを算出する第１発電量予測部と、を備えることを特徴とする。【選択図】図５

Description

本発明は、風力発電装置の発電量を予測する予測装置に関する。

近年、新たな風力発電装置が各地に設置され、稼働を開始している。風力発電装置は、クリーンなエネルギー生成手段ではあるが、設置場所での気象条件によって経時的に発電量が変動するため、電力系統に連系し、これを電力需給計画に組み込むためには、風力発電装置による発電量を精度よく予測することが要請される。このような背景にあって、風力発電による発電量を予測するためのシステムや手法が種々提案されている（例えば特許文献１を参照）。

特許第５４６１７４８号

風力発電装置による発電量を予測する際は、一般的に、気象庁から提供される風速の予測値（ＧＰＶデータ）を用いて、当該風力発電装置の設計規格において定められた発電特性（パワーカーブ）により発電量に換算するという手法がとられる。しかし、風力発電装置の発電量は周囲の稼働環境に大きく左右され、上記の手法で算出した風力発電装置の発電量の予測値は、実際値（予測した日時における実際の値を意味する。以下同じ。）との間に大きな予測誤差が生じる場合がある。特に、ウィンドファームの場合、風力発電装置の風上における、他の風力発電装置がその下流側の大気の流れ（風）を変化させるため、発電量の予測は一層困難となる。

そこで、本発明は、上記の問題点を解決し、風力発電装置、特にウィンドファームにおける風力発電装置の発電量をより高い精度で予測可能な予測装置を提供することを目的とする。

前述した課題を解決する主たる本発明は、ウィンドファーム内の風向及び風速並びに前記ウィンドファーム内の複数の風力発電装置夫々の稼働状態に関するデータを入力する入力層と、中間層と、前記複数の風力発電装置の発電量を出力する出力層と、を有する階層型ニューラルネットワークの予測モデルを用いて前記発電量の予測を行う予測装置であって、過去の複数の日時における、前記複数の風力発電装置の発電量の実績値と、前記ウィンドファーム内の風向及び風速と、前記複数の風力発電装置夫々の稼働状態に関するデータと、に基づいて学習演算を行って、前記予測モデルの結合係数を最適化する関係算出部と、予測対象日時における、前記ウィンドファーム内の風向及び風速の予測値と、前記複数の風力発電装置夫々の稼働状態に関するデータと、に基づいて、前記関係算出部が最適化した前記予測モデルの結合係数を用いて、前記複数の風力発電装置の発電量の予測値を算出する第１発電量予測部と、を備えることを特徴とする予測装置である。本発明の他の特徴については、添付図面及び本明細書の記載により明らかとなる。

本発明に係る予測装置によれば、地形、ウィンドファーム内の風力発電装置の稼働状態等、複数の要因が絡み合って変動する風力発電装置の発電量を、高い精度で予測することが可能となる。

本発明の第１実施形態における風力発電装置の構成を示す図である。 本発明の第１実施形態における風力発電装置の発電特性を示す図である。 本発明の第１実施形態における予測装置の構成を示す図である。 本発明の第１実施形態における予測装置のデータ構成を示す図である。 本発明の第１実施形態における予測装置のデータ構成を示す図である。 本発明の第１実施形態における予測モデルについて説明する図である。 本発明の第１実施形態における予測モデルについて説明する図である。

本明細書および添付図面の記載により、少なくとも以下の事項が明らかとなる。

＜第１実施形態＞
始めに、図１、図２を参照して、本実施形態に係る風力発電装置の発電時の動作について説明する。

図１に、風力発電装置２００の構成の一例を示す。風力発電装置２００は、プロペラ２０１、発電機２０２、電力ケーブル２０３、制御盤２０４により構成される。プロペラ２０１は、風速を受けて回転して、ナセル内部の発電機２０２に伸びる軸受に回転力を伝達する。発電機２０２は、プロペラ２０１により回転させられる軸受を、永久磁石により発生する磁界内に設置することで、軸受に巻いた導線に起電力を発生させ、発電を行う。そして、発電機２０２は、発電した電力を、電力ケーブル２０３を介して、パワーコンディショナーを含む制御盤２０４に送電し、制御盤２０４において所定の周波数の交流電力に変換して、電力系統に送電している。尚、このとき、風力発電装置２００は、プロペラ２０１の回転量や風向風速計により風速、風向を検出し、プロペラ２０１の向きを風向に追従させるヨー制御と、プロペラ２０１のブレード夫々の取り付け角を制御するピッチ制御とを行っている。

図２に、風速と風力発電装置の発電量の関係（発電特性）の一例を示す。ここで、図２の横軸は、風力発電装置２００のナセルの高さにおいてプロペラに向かう風Ａの風速（ｍ／ｓ）を表し、縦軸は、風力発電装置２００の発電量を表す。風速がカットイン風速（図２中では、３ｍ／ｓ）以下のとき、プロペラ２０１はロックされており、風力発電装置２００による発電量（発電出力）はほぼゼロである。風速がカットイン風速以上になったとき、風力発電装置２００の発電が開始され、風速の増加に応じて風力発電装置２００の発電量は、次第に増加する（部分負荷運転）。そして、風速が一定値以上（図２中では、１３ｍ／ｓ）になったとき、風力発電装置２００は、発電量の安定化のため、定格出力運転へ移行する（定格出力運転）。更に風速が高まり、カットアウト風速以上（図２中では、２０ｍ／ｓ）になったとき、風力発電装置２００は、安全のため、プロペラ２０１のピッチ制御を行い、運転を停止する（カットアウト）。

尚、風力発電装置２００の発電量は、風速から式１により単位面積あたりの風力エネルギーに換算して、当該風力発電装置２００のプロペラ２０１の受ける面積及びその発電効率により算出された値である。

（但し、Ｑは単位面積あたりの風力エネルギー、ρは１気圧／温度１５℃における空気密度、ｖは風速を表す。）
このような風速と風力発電装置の発電量の関係を、発電特性又はパワーカーブ（以下、「基準発電特性」と言う。）と言い、この基準発電特性から、風速に応じた風力発電装置２００の発電量が定まる。尚、図２中では、発電量を出力電力（ｋＷ）として表すが、以下で記載する「発電量」は、出力電力（ｋＷ）、或いは、出力電力（ｋＷ）と発電時間の積（ｋＷ・ｓ）のいずれで表されてもよい。

そのため、風力発電装置２００の発電量の予測値は、一般に、当該風力発電装置２００のプロペラ２０１に向かう風Ａの風速の予測値（ｍ／ｓ）から、当該風力発電装置２００の基準発電特性に基づいて換算して算出することができる。しかし、風速の予測値（ｍ／ｓ）から換算された風力発電装置２００の発電量の予測値は、風力発電装置２００の発電量の実際値とずれが生じる場合がある。このような予測誤差は、風力発電装置２００のプロペラ２０１の回転に用いられる風力（風速）が、その周辺の地形や障害物、又、当該風力発電装置２００に隣接して設置された他の風力発電装置の稼働状態（プロペラが回転しているか否か）により、予測された風向及び風速と異なることに起因する。

具体的には、風力発電装置２００のプロペラ２０１の回転に用いられる風速は、その設置位置の周辺の地形に起因してプロペラ２０１の位置で集風が生じた場合、局所的に大きくなる。特に、ウィンドファームの場合、風力発電装置２００の風上等で他の風力発電装置がプロペラを回転させることにより、その下流側等で大気の流れ（風）、即ち、風速が変動する。尚、ウィンドファームとは、複数の風力発電装置２００（例えば、数十の風力発電装置）を1カ所に設置し発電する施設であり、複数の風力発電装置２００で発電された電力は、送電線、連系変電所を介して電力系統に接続される。

加えて、プロペラ２０１が風力を受けるブレード角度や、天候や湿度に起因したプロペラ２０１の回転特性の変化によって、風力発電装置２００の発電効率自体も変動する。

以上のように、風力発電装置２００の発電量は、風速は言うまでもなく、風向、地形、ウィンドファーム内の他の風力発電装置の稼働状態、湿度、天候その他の複数の要因が絡み合って決定されることから、その発電量を、物理モデルを利用したシミュレーションにより精度よく予測することは困難である。そこで、本実施形態に係る予測装置１００は、多重共線性の問題が生じにくく、非線形な相関関係の統計分析に適した階層型のニューラルネットワークの予測モデルを用いて、風力発電装置２００の発電量を予測する。尚、本実施形態に係る予測モデルについては、図５を参照して、後述する。

===予測装置の構成について===
以下、図３、図４Ａ、図４Ｂを参照して、本実施形態における予測装置の構成の一例について説明する。

図３に、本実施形態に係る予測装置１００の構成の一例を示す。本実施形態に係る予測装置１００は、風速の予測値等から風力発電装置２００の発電量を予測する装置であり、制御部１１０、記憶部１２０、通信部１３０、入力部１４０、表示部１５０を備えるコンピュータである。

制御部１１０は、バス（図示せず）を介して、記憶部１２０、通信部１３０、入力部１４０、表示部１５０を構成するハードウェアとデータ通信を行うとともに、それらの動作を制御する。又、制御部１１０は、風力発電装置２００の発電量の予測値を算出するため、取得部１１１、風速変換部１１２、関係算出部１１３、第１発電量予測部１１４、第２発電量予測部１１５の機能を有する（詳細は後述する）。制御部１１０は、例えば、ＣＰＵが記憶部１２０に記憶されたコンピュータプログラムを実行することにより実現される。

記憶部１２０は、発電実績データ１２１、気象予測データ１２２、気象過去データ１２３、基準発電特性データ１２４、予測モデルデータ１２５（詳細は後述する）、予測装置１００を制御するコンピュータプログラム１２６、及び演算処理の中間データを記憶する領域（図示せず）を有する記憶装置である。

通信部１３０は、通信回線Ｎを介して、予測装置１００とウィンドファームＧ１に設置された計測装置２００ＷＨ、及び気象情報提供装置３００とデータ通信する。通信部１３０は、例えば、通信コントローラによって構成され、ＬＡＮを介して、これらの装置とデータ通信する。尚、記憶部１２０は、これらの装置と通信回線Ｎを介してデータ通信するため、これらの装置の通信アドレスに関するデータも有する。

入力部１４０は、予測装置１００の使用者がデータを入力した場合、記憶部１２０に当該入力内容を記憶させる。入力部１４０は、例えば、キーボードによって構成される。

表示部１５０は、発電量の予測値等の制御部１１０により演算処理された結果を予測装置１００の使用者に識別可能に表示する。表示部１５０は、例えば、液晶ディスプレイによって構成される。

尚、計測装置２００ＷＨは、複数の風力発電装置２００が設置されたウィンドファームＧ１内における発電量（ｋＷｈ）を計測し、発電実績（例えば、１時間あたりの平均発電出力）を当該装置が有する記憶部に格納されるとともに、予測装置１００からの要求に応じて、当該データを予測装置１００に送信する装置である。本実施形態では、ウィンドファームＧ１に設置された複数の風力発電装置２００は、同一の電力系統に送電しており、ウィンドファーム単位で発電量が計測されているものとする（ウィンドファームＧ１内の複数の風力発電装置を総称して「風力発電装置２００」と言う。）。

又、気象情報提供装置３００は、天候、湿度、風速、風向等に関する気象予測データ（以下、「ＧＰＶデータ」とも言う。）を当該装置が有する記憶部に格納し、予測装置１００からの要求に応じて当該データを予測装置１００に送信するコンピュータである。尚、ＧＰＶデータは、予測対象の数時間前に、各地で観測された気象データや気象衛星のデータを境界条件として、所定の力学モデルに基づくシミュレーション（三次元変分法）により算出された、数時間先の各地の気象予測データである。ＧＰＶデータは、北緯２２．４°〜４７．６°、東経１２０°〜１５０°の間を、数ｋｍ四方の略矩形の区域を単位区画（メッシュ）に区分けした、各メッシュ位置の地表面（高度１０ｍ）における気象予測データとして算出されている。

=データ構成=
ここで、記憶部１２０が有する、発電実績データ１２１、気象予測データ１２２、気象過去データ１２３、基準発電特性データ１２４、予測モデルデータ１２５について説明する。

発電実績データ１２１は、「ウィンドファーム内の風力発電装置により発電された発電量を示すデータ」及び「ウィンドファーム内の風力発電装置夫々の稼働状態に関するデータ」により構成される。

図４Ａに、発電実績データ１２１の一例を示す。「ウィンドファーム内の風力発電装置により発電された発電量を示すデータ」は、ウィンドファームＧ１内に設置された複数の風力発電装置２００により発電された発電量の実績値と当該発電をした日時が対応付けられたデータであり、例えば、１時間間隔で、当該１時間における出力電力の平均値がテーブル形式で記憶されている。当該発電量に関するデータは、予測装置１００（取得部１１１）が、ウィンドファームＧ１内に設置された計測装置２００ＷＨから所定のタイミング（例えば、１時間間隔）で取得することにより格納される。発電実績データ１２１は、予測装置１００（関係算出部１１３）が行う学習演算に用いられ、少なくとも過去の複数の日時（例えば、１年間）のデータが蓄積されている。

尚、風力発電装置２００の発電量とは、風力発電装置２００の出力電力（Ｗ）、又は、出力電力と発電時間の積（Ｗ・ｓ）であり、一定時間の平均値として記憶されていてもよい。又、当該発電量を示すデータは、ウィンドファームＧ１内の風力発電装置２００夫々で発電量の計測を行っている場合、各風力発電装置２００から発電量の実績値に関するデータを取得する構成であってもよい。

又、「ウィンドファーム内の風力発電装置夫々の稼働状態に関するデータ」は、ウィンドファームＧ１内の複数の風力発電装置２００夫々の当該日時における稼働状態に関するデータである。ウィンドファームＧ１内の風力発電装置２００は、修理等のため稼働していない場合も多く、その稼働状態は、管理者からの報告等に基づいて常時管理され、発電実績データ１２１として格納されている。

尚、ウィンドファーム内の風力発電装置夫々の稼働状態に関するデータは、図４Ａに示すように、過去の複数の日時のデータに加えて、未来（予測対象日時）の稼働状態に関するデータも記憶されている。風力発電装置夫々の稼働状態（修理等）は毎日変動するものではないため、未来（予測対象日時）の風力発電装置夫々の稼働状態は、例えば、現在の稼働中の風力発電装置と、現在の未稼働の風力発電装置の復旧予定日と、に基づいて、管理者に推定されて記憶されている。ウィンドファーム内の風力発電装置夫々で発電量の計測を行っている場合、その発電量から、当該風力発電装置の稼働状態を判断してもよい。

気象予測データ１２２は、ウィンドファーム内の風向及び風速の予測値が、予測対象日時と対応付けて記憶されたデータである。

図４Ｂに、気象予測データ１２２の構成の一例を示す。図４Ｂ中では、ウィンドファームＧ１内の風向及び風速の予測値（ｍ／ｓ）が、１時間間隔で、予測対象日時と対応付けてテーブル形式で記憶されている。当該データは、予測装置１００（取得部１１１）が気象情報提供装置３００とデータ通信することにより取得したＧＰＶデータのうち、ウィンドファームＧ１の緯度経度に対応する位置のデータである。風向及び風速の予測値は、例えば、予測対象日時の１時間の平均風速であり、地上１０ｍの東西方向の成分と南北方向の成分とのベクトル値として表されたデータである。

尚、風向及び風速の予測値を示すデータは、他の任意の形式であってよく、例えば、風速と、当該風が東西南北の８方位のいずれの方角の向きかを表すデータであってもよい。又、ウィンドファームＧ１の敷地が高領域に亘る場合等においては、ＧＰＶデータの複数のメッシュ位置の風向及び風速の予測値であってもよく、一定領域の平均値であってもよい。又、風力発電装置２００の発電量を予測する際、天候や湿度の予測値に関するデータも用いる場合、風向及び風速の予測値に加えて、それらのデータも気象予測データ１２２として取得し、保持しておく。

気象過去データ１２３は、ウィンドファーム内の過去の日時の風向及び風速が、当該日時と対応付けて記憶されたデータである。

より詳細には、過去の風向及び風速を示すデータは、気象予測データ１２２と同様に、気象情報提供装置３００とデータ通信することにより取得したＧＰＶデータで、現時点（発電量を予測する時点）で既に経過した日時における、ウィンドファームＧ１内における風向及び風速の予測値を示すデータにより構成される。即ち、気象過去データ１２３は、気象予測データ１２２の過去分のデータである。当該データは、予測装置１００（関係算出部１１３）が、日時情報に基づいて、ウィンドファームＧ１内における過去の発電実績データ１２１と対応付けて、ウィンドファームＧ１の風向及び風速と発電量との関係を統計分析（階層型のニューラルネットワーク）するために用いられる。

ここで、統計分析に用いる過去の風向及び風速に関するデータとして、風向及び風速の予測値（例えば、ＧＰＶデータ）に代えて、実測値（例えば、アメダスデータ）に関するデータであってもよい。数値予報モデルでは、毎回、同じ観測地点における気象データを用いるため、ＧＰＶデータは、一定の位置ずれ等の傾向を有すると考えられる。そのため、本実施形態に係る予測装置１００（関係算出部１１３）は、ＧＰＶデータの予測誤差を含めてウィンドファームＧ１の発電量の予測を行うべく、過去の複数の日時における、ウィンドファームＧ１の発電量の実績値と、風向及び風速の予測値と、に基づいて統計分析を行っている。

尚、風力発電装置２００の発電量を予測する際、風向及び風速の予測値に加えて、天候や湿度の予測値に関するデータも用いる場合、過去の天候や湿度のデータも気象過去データ１２３として保持しておく。

基準発電特性データ１２４は、風力発電装置２００の基準発電特性に関するデータである。風力発電装置２００の基準発電特性とは、図２を参照して上記した、当該風力発電装置２００の設計規格により定められた風速（ｍ／ｓ）と、発電量（ｋＷ）の関係を表すデータである。基準発電特性データ１２４は、例えば、風速０〜３０ｍ／ｓの間の０．１ｍ／ｓごとに対応する風力発電による発電出力がテーブル形式で記憶されている。尚、ウィンドファームＧ１に設置された風力発電装置２００が複数種類存在する場合、基準発電特性データ１２４は、風力発電装置２００夫々の識別情報と対応付けて、風力発電装置２００の種別ごと、或いは、風力発電装置２００の設計規格ごとに記憶されるのが望ましい。

予測モデルデータ１２５は、階層型ニューラルネットワークの予測モデルに関するデータである。

より詳細には、予測モデルデータ１２５は、ウィンドファームＧ１内の風向及び風速、ウィンドファームＧ１内の複数の風力発電装置夫々の稼働状態に関するデータ等を入力する入力層と、中間層と、複数の風力発電装置２００の発電量を出力する出力層と、を有する階層型ニューラルネットワークの予測モデルに関するデータである。具体的には、予測モデルデータ１２５は、当該予測モデルにおける、入力ユニット、中間ユニット、出力ユニット、それらの結合係数、当該階層型ニューラルネットワークを順方向に演算処理するための演算式、当該階層型ニューラルネットワークを逆方向に演算処理するための演算式（誤差逆伝播法）等により構成される。そして、予測モデルデータ１２５は、後述する関係算出部１１３により、最適化（結合係数が更新）され、当該最適化された予測モデルデータ１２５は、第１発電量予測部１１４により、発電量の予測に用いられる（詳細は、図５を参照して後述する）。

=機能構成=
ここで、制御部１１０が有する、取得部１１１、風速変換部１１２、関係算出部１１３、第１発電量予測部１１４、第２発電量予測部１１５の機能構成について説明する。

取得部１１１は、所定のタイミング（例えば、１時間ごと）で、通信部１３０を用いてウィンドファームＧ１の計測装置２００ＷＨ及び気象情報提供装置３００とデータ通信を行い、ウィンドファームＧ１における発電量の実績値を取得し、気象情報提供装置３００から気象予測データを取得する機能である。そして、取得部１１１は、計測装置２００ＷＨから取得した発電量の実績値を、記憶部１２０に発電実績データ１２１として記憶し、又、気象情報提供装置３００から取得したＧＰＶデータを、記憶部１２０に気象予測データ１２２として記憶する。尚、以下では説明は省略するが、取得部１１１は、風速変換部１１２、関係算出部１１３、第１発電量予測部１１４、第２発電量予測部１１５が演算処理を行う前に、それらの演算処理の対象となるデータを計測装置２００ＷＨ及び気象情報提供装置３００から取得しているものとする。

風速変換部１１２は、気象予測データ１２２及び気象過去データ１２３の風速の予測値を、風力発電装置２００の発電に用いられる風速の予測値に変換する機能である。

具体的には、気象予測データ１２２及び気象過去データ１２３が記憶するＧＰＶデータの風速の予測値は、地上１０ｍの東西方向の成分Ａ_Xと南北方向の成分Ａ_Yとのベクトル値である。そのため、風速変換部１１２は、ＧＰＶデータの風速の東西方向の成分Ａ_Xと南北方向の成分Ａ_Y夫々を、以下の式２により、風力発電装置２００のナセルの高さ位置に変換して、各演算処理を行っている。

（但し、Ａ₁₀は地上高１０ｍにおける風速、Ａ_nはナセルの高さにおける風速、Ｚ_nは地表面からナセル中心までの高さ、Ｚ₁₀は基準高度である１０ｍ、Ｂは周囲環境によって定まる定数（例えば森林の場合Ｂ＝５、海の場合Ｂ＝７）を表す）
尚、以下では説明は省略するが、風速変換部１１２は、関係算出部１１３、第１発電量予測部１１４、第２発電量予測部１１５が演算処理を行う前に、演算処理の対象となるデータ（風向及び風速の予測値）を、風力発電装置２００のナセルの高さＺ_nにおける風速Ａ_nに変換しているものとする。

関係算出部１１３は、ウィンドファームＧ１内の風向及び風速並びにウィンドファームＧ１内の複数の風力発電装置２００夫々の稼働状態に関するデータを入力する入力層と、中間層と、複数の風力発電装置２００の発電量を出力とする出力層と、を有する階層型ニューラルネットワークの予測モデル（予測モデルデータ１２５）に対して、過去の複数の日時における、その発電量の実績値と、風向及び風速と、複数の風力発電装置夫々の稼働状態に関するデータと、に基づいて学習演算を行って、予測モデルの結合係数を最適化する機能である（詳細は、図５を参照して後述する）。

第１発電量予測部１１４は、予測対象日時における、ウィンドファームＧ１内の風向及び風速の予測値と、複数の風力発電装置２００夫々の稼働状態に関するデータと、に基づいて、関係算出部１１３が最適化した予測モデル（予測モデルデータ１２５）の結合係数を用いて、複数の風力発電装置２００の発電量の予測値を算出する機能である（詳細は、図５を参照して後述する）。

第２発電量予測部１１５は、予測対象日時における、ウィンドファームＧ１内の風速の予測値と、複数の風力発電装置２００夫々の設計規格により定められた風速と発電量の関係を示す基準発電特性データ１２４と、複数の風力発電装置２００夫々の稼働状態に関するデータと、に基づいて、複数の風力発電装置２００の発電量の予測値を算出する機能である。

上記した第１発電量予測部１１４は、ウィンドファームＧ１内の風力発電装置２００が稼働を開始してから、学習データ（過去の複数の日時における、発電量の実績値、風速等を表す。以下同じ。）が蓄積されるまでの一定期間、当該ウィンドファームＧ１における発電量の予測を行うことができない。そこで、第２発電量予測部１１５は、当該学習データが蓄積されるまでの一定期間、第１発電量予測部１１４に代わってウィンドファームＧ１の発電量の予測を行うべく設けられる。

具体的には、第２発電量予測部１１５は、予測対象日時に、稼働状態のウィンドファームＧ１内の複数の風力発電装置２００を抽出する。そして、第２発電量予測部１１５は、それらの基準発電特性データ１２４と、予測対象日時におけるウィンドファームＧ１内の風速の予測値とから、複数の風力発電装置２００夫々の発電量の予測値を算出し、それらの合計値をウィンドファームＧ１内の発電量の予測値として算出する。

===予測モデルについて===
以下、図５、図６を参照して、本実施形態に係る予測モデルについて説明する。

本実施形態に係る予測モデルは、階層型の３層ニューラルネットワークの予測モデルである。当該予測モデルのおいては、図５中の矢印で示すように、入力層に入力された情報Ｘが、中間層、出力層へと順に伝搬（演算）されることにより、発電量の予測値Ｙが算出される。

具体的には、入力層は、発電量Ｙと相関関係を有する蓋然性が高いと推定される情報Ｘ_iを入力するための複数の入力ユニットＳ_i（ｉ＝１〜ｎ１（ユニット数））により構成され、発電量Ｙを算出する際には、これらの情報Ｘ_iが入力ユニットＳ_iに入力される。中間層は、複数の中間ユニットＴ_j（ｊ＝１〜ｎ２（ユニット数））により構成され、入力層の入力ユニットＳ_iに入力された情報Ｘ_iは、夫々の結合係数Ｗ_jiで重みづけ（積算）されて、中間層の各中間ユニットＴ_jに入力され、それらが加算されて各中間ユニットＴ_jの値となる。尚、入力層の各入力ユニットＳ_iからは、中間層の各中間ユニットＴ_jに対して、夫々の結合係数Ｗ_jiで重みづけ（積算）されて入力がなされる。

又、中間層の各中間ユニットＴ_jに入力されて積和された値は、入出力関数で非線形変換されて、夫々の結合係数Ｖ_jで重みづけ（積算）されて、出力層の出力ユニットＵに入力され、それらが加算されて出力層の出力ユニットＵの値となる。尚、中間層の各中間ユニットＴ_jからは、出力層の出力ユニットＵに対して、夫々の結合係数Ｖ_jで入力がなされる。そして、出力層の出力ユニットＵの値は、入出力関数で変換されて、発電量の予測値Ｙが算出される。

階層型のニューラルネットワークでは、過去の学習データを用いて、誤差逆伝播法による学習演算が行われることにより、これらの結合係数Ｗ_ji、Ｖ_jが最適化されて、即ち、入力層に入力された情報Ｘと出力Ｙとの相関関係が統計分析されて、入力層に入力された情報Ｘから、出力値Ｙを算出（予測）するための予測モデルが形成される。尚、本実施形態に係る予測装置１００は、関係算出部１１３が、当該予測モデルにおいて、過去の複数の日時における発電量の実績値等を学習データとして、学習演算を行うことにより、これらの結合係数Ｗ_ji、Ｖ_jを最適化し、第１発電量予測部１１４が、当該最適化された予測モデルに対して、予測対象日時における、ウィンドファームＧ１内の風向及び風速の予測値と、複数の風力発電装置２００夫々の稼働状態に関するデータを入力することにより、発電量の予測値を算出する。

より詳細には、入力層は、複数の入力ユニットＳ_iにより構成され、ウィンドファームＧ１内の風向及び風速、ウィンドファームＧ１内の風力発電装置２００夫々の稼働状態を含むデータＸ_iが、夫々入力ユニットＳ_iに入力される。入力層の入力ユニットＳ_iの種類及びその数は、ウィンドファームＧ１における発電量に影響を与える要因（相関関係を有する要因）に基づいて設定され、本実施形態では、ウィンドファームＧ１における発電量は、当該風力発電装置２００の設置位置における地形、及びウィンドファームＧ１内の周囲の風力発電装置２００の稼働状態（プロペラの回転による流れの変化）に影響を受けるという理解のもと、ウィンドファームＧ１の風向及び風速、並びにウィンドファームＧ１内の風力発電装置２００夫々の稼働状態（稼働しているか否かを示すデータ）を含むデータを入力するユニットを、入力層の入力ユニットＳ_iとしている。

具体的には、入力層には、風向及び風速に対してスケールの正規化を行った値、即ち、風速の南北成分の値Ｘ₁、風速の東西成分の値Ｘ₂、及びウィンドファームＧ１内の風力発電装置２００の稼働状態がＸ₃〜Ｘ₆（ウィンドファーム内の風力発電装置が４台の場合、夫々に「０」又は「１」）が入力される構成となっている。

尚、当該予測モデルの入力層は、更に、ウィンドファームＧ１内における発電量の基準値に関するデータを入力するユニットを含む構成とするのが望ましい。ウィンドファームＧ１内における発電量の基準値は、第２発電量予測部１１５と同様に、ウィンドファームＧ１内の風速と、複数の風力発電装置夫々の基準発電特性データ１２４と、複数の風力発電装置夫々の稼働状態に関するデータとから算出することができる。当該構成によって、ウィンドファームＧ１内の発電量の基準値となるデータを入力することとなるため、精度の高い予測モデルを形成することができる。又、天候や湿度等に応じてプロペラの回転特性が変化する場合もあることを考慮して、当該予測モデルの入力層は、更に、天候や湿度に関するデータを入力するユニットを含む構成とするのが望ましい。

中間層は、一又は複数の中間ユニットＴ_jにより構成され、入力層に入力された風速の予測値等のデータＸ_iが、夫々の結合係数Ｗ_jiで積和演算されて、中間層の中間ユニットＴ_jの値となる（式３を参照）。

尚、中間層の中間ユニットＴ_jの数は、入力層の入力ユニットＳ_iの数、出力層の出力ユニットＵの数に基づいて、予測誤差が最小となるように試行錯誤的に決定され、本実施形態では、例えば、３のユニットにより構成される。又、中間ユニットＴ_jの数は、階層型のニューラルネットワークにおける情報量規準であるＡＩＣ(Akaike’s Information Criterion)に基づいて設定してもよい。

そして、中間層Ｔ_jの値は、入出力関数ｆにより、値Ｈ_jに非線形変換され、当該値Ｈ_jが出力層Ｕに出力される（式４を参照）。尚、本実施形態では、中間層及び出力層における入出力関数ｆとしてシグモイド関数が用いられる（式５を参照）。シグモイド関数のゲイン係数ａは、シグモイド関数の曲線の緩急を決定する任意の係数とすることができ、例えば、１とする。

（但し、Ｗ_jiは入力ユニットＳ_iから中間ユニットＴ_jに入力するときの結合係数、
Ｘ₀Ｗ_j0は入力層の入力値によらないバイアス定数、ｎ１は入力ユニット数を表す。）

（但し、ｘは関数に入力する変数、ａはゲイン係数を表す。）
入出力関数ｆ（活性化関数とも言う）は、入力値Ｘ_iと出力値Ｙの相関関係をつなぐ関数であると同時に、中間層及び出力層から出力するデータのスケールを正規化するための関数である。

シグモイド関数は、図６に示すように、なだらかにゼロから１まで変化する非線形関数であることから、入力値Ｘ_iと出力値Ｙの非線形な関係を表すことが可能である。又、シグモイド関数の曲線の分布は、風速と風力発電装置の発電量の関係をグラフ化した曲線（図２の部分負荷運転の状態）の分布と近似しているため、入出力関数ｆとして、シグモイド関数を用いることによって、線形関数を用いた場合に比してより精度の高い予測値を算出できる予測モデルを形成することができる。尚、入出力関数ｆは、シグモイド関数に代えて、微分可能な他の非線形関数も用いることができる。

出力層は、一の出力ユニットＵにより構成され、中間層から出力されたデータＨ_jが夫々の結合係数Ｖ_jで積和演算されて、出力ユニットＵの値となる（式６を参照）。そして、出力ユニットＵの値は、入出力関数ｆで非線形変換され、最終的な出力値Ｙとして出力される（式７を参照）。

（但し、Ｖ_jは中間ユニットＴ_jから出力ユニットＵに入力するときの結合係数、Ｈ₀Ｖ₀は中間層からの値によらないバイアス定数、ｎ２は中間ユニット数を表す。）

このとき、出力値Ｙは、０〜１に正規化されて出力されるため、当該出力値Ｙに対して正規化の逆変換処理を行って、発電量の予測値を算出する。

尚、正規化とは、ニューラルネットワークの予測モデルにおいて、誤差逆伝播法による演算処理を収束させるために行われるスケール調整の処理である。正規化は、誤差逆伝播法による演算処理（学習）を行う際、及び、発電量の予測値を算出する際に、学習データ（例えば、過去の複数の日時における風速、発電量）を基準として、例えば、式８を用いて、入力値Ｘ_i（風速）及び出力値Ｙ（発電量）が０〜１になるように行われる。

=予測モデルの最適化について=
関係算出部１１３は、上記の３層ニューラルネットワークを用いた予測モデルの結合係数Ｗ_ji、Ｖ_jを、学習データに基づいて、誤差逆伝播法（例えば、最急降下法）により学習演算して更新する。ここで、学習データとは、過去の複数の日時における、ウィンドファームＧ１の複数の風力発電装置の発電量の実績値、風速、風向、及びウィンドファームＧ１内の風力発電装置２００の稼働状態を含むデータである。誤差逆伝播法による学習は、当該学習データの入力要素を、入力層の入力ユニットに対して入力値Ｘ_iを入力したときに出力層からの出力値Ｙを、当該学習データの出力要素Ｙ’と比較し、その誤差（二乗誤差Ｅ）に応じて上記結合係数Ｗ_ji、Ｖ_jを修正し、入力要素の入力値Ｘ_iにより出力される出力値Ｙが学習データに近似するように予測モデルを形成するアルゴリズムである。即ち、誤差逆伝播法では、二乗誤差Ｅの極小値を二乗誤差Ｅの最小値と推定して、二乗誤差Ｅが極小値となるように（夫々の結合係数Ｗ_ji、Ｖ_jで偏微分したときの二乗誤差Ｅの変化量が極小化するように）、結合係数Ｗ_ji、Ｖ_jを順次修正する。尚、当該演算処理は、公知の演算処理であるから詳細な説明は省略する。

具体的には、関係算出部１１３は、第１ステップとして、各結合係数Ｗ_ji、Ｖ_jの初期値を、乱数によって０〜０．１程度の範囲の小さな値に設定する。そして、関係算出部１１３は、第２ステップとして、過去の複数の日時における、風速、風向（気象過去データ１２３）、及びウィンドファームＧ１内の風力発電装置の稼働状態を含むデータ（発電実績データ１２１の風力発電装置夫々の稼働状態に関するデータ）を、入力層の入力ユニットＳ_iに入力し、当該データから演算された出力層の出力値Ｙを、対応する日時における発電量の実績値Ｙ’（発電実績データ１２１のウィンドファーム内の発電量の実績値）と比較し、それらの二乗誤差Ｅを算出する（式９を参照）。そして、関係算出部１１３は、第３ステップとして、結合係数Ｖ_j（ｊ＝０〜ｎ２）夫々について、それらを変数として、結合係数Ｖ_jで二乗誤差Ｅを偏微分した時に算出される値を修正量として、各結合係数Ｖ_jを修正する（式１０を参照）。そして、関係算出部１１３は、第４ステップとして、結合係数Ｗ_ji（ｉ＝０〜ｎ１、ｊ＝０〜ｎ２）夫々について、それらを変数として結合係数Ｗ_jiで二乗誤差Ｅを偏微分した時に算出される値を修正量として、各結合係数Ｗ_jiを修正する（式１１を参照）。尚、式１０、式１１の詳細な式変換は省略するが、これらの修正量は一意に算出することができる。又、バイアス定数Ｘ₀Ｗ_j0は、入力層の入力値によらない定数であり、Ｘ₀＝１として、Ｗ_j0が修正され、同様に、バイアス定数Ｈ₀Ｖ₀は、中間層からの値によらないバイアス定数であり、Ｈ₀＝１として、Ｖ₀が修正される。

関係算出部１１３は、二乗誤差Ｅが十分に小さくなった（閾値以下）と判断した場合は学習を終了し、結合係数Ｗ_ji、Ｖ_jの最適化を行った予測モデルデータ１２５を記憶部１２０に格納する。一方、当該条件を満たさない場合は、上記の第２ステップから第４ステップの演算処理を繰り返して、結合係数Ｗ_ji、Ｖ_j（バイアス定数Ｗ_j0、Ｖ₀を含む）の最適化を行う。即ち、第２ステップから第４ステップを繰り返し行うことにより、二乗誤差Ｅが極小値となるように、結合係数Ｗ_ji、Ｖ_jを最適値に漸近させていく。

（但し、ｋはＮ個の学習データの一を表す。）

（左辺はＶ_jの修正量を表す。ηは学習係数（一回の修正度合：０＜η＜１）を表す。）

（左辺はＷ_ijの修正量を表す。ηは学習係数（一回の修正度合：０＜η＜１）を表す。）
第１発電量予測部１１４は、上記関係算出部１１３が最適化した予測モデルデータ１２５を用いて、ウィンドファームＧ１における複数の風力発電装置の発電量の予測値を算出する。具体的には、上記したように、第１発電量予測部１１４は、入力層の入力ユニットＳ_iに、予測対象日時における、ウィンドファームＧ１内の風向及び風速の予測値、及びウィンドファームＧ１内の風力発電装置２００の稼働状態を含むデータＸ_iを入力する。そして、第１発電量予測部１１４は、最適化された結合係数Ｗ_ji、Ｖ_jを用いて、中間層、出力層へと順方向の演算処理（式３〜式７の演算処理）を行い、予測対象日時における、ウィンドファームＧ１内の発電量の予測値を算出する。

以上、本実施形態に係る予測装置１００によれば、地形、ウィンドファーム内の複数の風力発電装置夫々の稼働状態、天候等、複数の要因が絡み合って変動するウィンドファーム内の複数の風力発電装置による発電量を、高い精度で予測することが可能となる。

＜その他の実施形態＞
尚、上記実施形態では、予測装置１００は、ウィンドファームＧ１における複数の風力発電装置２００の発電量の予測値を算出するものとして記載した。しかし、本発明に係る予測装置１００は、一の風力発電装置の発電量の予測にも適用することができ、その場合であっても、その発電量が地形や他の風力発電装置の稼働状態に応じて変動することを考慮すると、上記と同様の効果を期待することができる。その場合、当該風力発電装置の設置位置の風向及び風速並びに風力発電装置の周囲に設置された他の風力発電装置の稼働状態に関するデータを入力する入力層と、中間層と、当該風力発電装置の発電量を出力する出力層と、を有する階層型ニューラルネットワーク予測モデルを用いればよい。

又、上記実施形態では、階層型のニューラルネットワークの予測モデルについても、種々変形をすることができる。具体的には、上記したように、入力層の入力ユニットとして、発電量Ｙと相関関係を有する蓋然性が高いと推定される任意の情報を入力する入力ユニットを適宜追加してよく、例えば、天候や湿度等の値も入力層の入力ユニットとして含めてもよい。尚、入力層に入力ユニットを追加する場合、追加した入力ユニットからは、上記と同様に、中間層の各中間ユニットに対して、夫々の結合係数で入力がなされることになる。他方、入力層に入力ユニットへの入力態様も任意であり、風速と風向を別個に入力する構成であってもよいし、ウィンドファームＧ１内の複数の風力発電装置２００をそれらの位置関係等に基づいてグループ単位に分割して、夫々別個の予測モデルを形成してもよい。

又、中間層についても、入力層のユニット数等に応じて、適宜、中間層の層数やユニット数を増やしてもよい。

又、出力層についても、発電量に加えて、例えば、標準偏差等のバラつきを示す係数を出力するための出力ユニットを加えてもよい。その他、過去の複数の日時における、ウィンドファームＧ１における発電量の実績値として、ウィンドファームＧ１内に設置された複数の風力発電装置２００夫々の発電量の実績値がある場合は、当該風力発電装置２００ごとに出力層の出力ユニットを設ける構成としてもよい。

又、階層型のニューラルネットワークの予測モデルについての演算処理を行う際も、種々の変更が可能であり、例えば、誤差逆伝播法による学習は、最急降下法に代えて、確率急降下法等を用いて行ってもよい。又、誤差逆伝播法による演算結果が収束する場合は、上記した正規化の処理も不要である。

又、上記実施形態では、気象予測データの一例として、ＧＰＶデータを用いる態様を示した。しかし、本発明は、気象予測データと、ウィンドファームＧ１内に設置された複数の風力発電装置２００の発電量との関係を、階層型のニューラルネットワークの予測モデルにより明らかにするものであり、他の方法で算出された気象予測データについても同様に適用し得る。

又、上記実施形態では、予測装置１００の記憶部１２０が有するデータを一のコンピュータに蓄積し、又、制御部１１０が有する機能を一のコンピュータで実現する構成とした。しかし、予測装置１００は、複数のコンピュータにより実現されてもよく、各機能構成を、複数のコンピュータが分散して有していてもよい。又、これらのデータの記憶領域を複数の場所に分散して記憶してもよく、例えば、複数のコンピュータから構成されるクラウドシステム上に分散して記憶される構成であってもよい。

上記各実施形態は、以下の記載により特定される発明を開示するものである。

前述した課題を解決する主たる本発明は、ウィンドファームＧ１内の風向及び風速、並びに上記ウィンドファームＧ１内の複数の風力発電装置夫々の稼働状態に関するデータを入力する入力層と、中間層と、上記複数の風力発電装置の発電量を出力する出力層と、を有する階層型ニューラルネットワークの予測モデルを用いて上記発電量の予測を行う予測装置であって、過去の複数の日時における、上記複数の風力発電装置の発電量の実績値（発電実績データ１２１のウィンドファームＧ１内の発電量の実績値）と、上記ウィンドファームＧ１内の風向及び風速（気象過去データ１２３）と、上記複数の風力発電装置夫々の稼働状態に関するデータ（発電実績データ１２１のウィンドファームＧ１内の複数の風力発電装置夫々の稼働状態に関するデータ）と、に基づいて学習演算を行って、上記予測モデルの結合係数Ｗ_ji、Ｖ_jを最適化する関係算出部１１３と、予測対象日時における、上記ウィンドファームＧ１内の風向及び風速の予測値（気象予測データ１２２）と、上記複数の風力発電装置夫々の稼働状態に関するデータ（発電実績データ１２１のウィンドファームＧ１内の複数の風力発電装置夫々の稼働状態に関するデータ）と、に基づいて、上記関係算出部１１３が最適化した上記予測モデルの結合係数Ｗ_ji、Ｖ_jを用いて、上記複数の風力発電装置の発電量の予測値を算出する第１発電量予測部１１４と、を備えることを特徴とする予測装置である。これによって、地形、ウィンドファーム内の複数の風力発電装置夫々の稼働状態等、複数の要因が絡み合って変動するウィンドファーム内の複数の風力発電装置による発電量を、高い精度で予測することが可能となる。

又、上記予測モデルの中間層及び出力層の入出力関数はシグモイド関数であってもよい。これによって、入出力関数に線形関数等を用いた場合に比してより予測精度の高い予測値を算出することができる。

又、予測対象日時における、上記ウィンドファームＧ１内の風速の予測値と、ウィンドファームＧ１内の複数の風力発電装置夫々の設計規格により定められた風速と発電量の関係を示す基準発電特性データ１２４と、ウィンドファームＧ１内の複数の風力発電装置夫々の稼働状態に関するデータと、に基づいて、上記複数の風力発電装置の発電量の予測値を算出する第２発電量予測部１１５、を更に備えるであるものであってもよい。これによって、学習データが蓄積されるまでの一定期間においても、当該ウィンドファームＧ１における発電量の予測を行うことが可能となる。

又、上記予測モデルは、更に、上記ウィンドファームＧ１内の風速と、ウィンドファームＧ１内の複数の風力発電装置夫々の設計規格により定められた風速と発電量の関係を示す基準発電特性データと、ウィンドファームＧ１内の複数の風力発電装置夫々の稼働状態に関するデータと、から換算される、複数の風力発電装置の発電量の基準値に関するデータを入力するユニットを入力層に有するものであってもよい。これによって、より高い精度でウィンドファームＧ１内の発電量の予測値を算出する予測モデルを形成することができる。

又、上記予測モデルは、更に、前記ウィンドファーム内の天候、湿度に関するデータを入力するユニットを入力層に有するものであってもよい。これによって、より高い精度でウィンドファームＧ１内の発電量の予測値を算出する予測モデルを形成することができる。

又、上記ウィンドファームＧ１内の風向及び風速は、ウィンドファームＧ１内の複数の風力発電装置のナセルの高さ位置の風向及び風速であってもよい。これによって、より高い精度でウィンドファームＧ１内の発電量の予測値を算出する予測モデルを形成することができる。

又、上記関係算出部１１３は、誤差逆伝播法により上記学習演算を行ってもよい。

又、前述した課題を解決する主たる本発明は、他の表現では、風力発電装置の設置位置の風向及び風速並びに上記風力発電装置の周囲に設置された他の風力発電装置の稼働状態に関するデータを入力する入力層と、中間層と、上記風力発電装置の発電量を出力する出力層と、を有する階層型ニューラルネットワーク予測モデルを用いて前記発電量の予測を行う予測装置であって、過去の複数の日時における、上記風力発電装置の発電量の実績値と、上記風力発電装置の設置位置の風向及び風速と、上記他の風力発電装置の稼働状態に関するデータと、に基づいて学習演算を行って、上記予測モデルの結合係数Ｗ_ji、Ｖ_jを最適化する関係算出部１１３と、予測対象日時における、上記風力発電装置の設置位置についての風向及び風速の予測値と、上記他の風力発電装置の稼働状態と、に基づいて、上記関係算出部１１３が最適化した上記予測モデルの結合係数Ｗ_ji、Ｖ_jを用いて、上記風力発電装置の発電量の予測値を算出する第１発電量予測部１１４と、を備えることを特徴とする予測装置である。これによって、地形、他の風力発電装置夫々の稼働状態により変動する風力発電装置の発電量を、高い精度で予測することが可能となる。

以上、本発明の具体例を詳細に説明したが、これらは例示にすぎず、請求の範囲を限定するものではない。請求の範囲に記載の技術には、以上に例示した具体例を様々に変形、変更したものが含まれる。

１００ 予測装置
２００ 風力発電装置
３００ 気象情報提供装置
Ｇ１ ウィンドファーム

Claims (8)

1. ウィンドファーム内の風向及び風速並びに前記ウィンドファーム内の複数の風力発電装置夫々の稼働状態に関するデータを入力する入力層と、中間層と、前記複数の風力発電装置の発電量を出力する出力層と、を有する階層型ニューラルネットワークの予測モデルを用いて前記発電量の予測を行う予測装置であって、
   過去の複数の日時における、前記複数の風力発電装置の発電量の実績値と、前記ウィンドファーム内の風向及び風速と、前記複数の風力発電装置夫々の稼働状態に関するデータと、に基づいて学習演算を行って、前記予測モデルの結合係数を最適化する関係算出部と、
   予測対象日時における、前記ウィンドファーム内の風向及び風速の予測値と、前記複数の風力発電装置夫々の稼働状態に関するデータと、に基づいて、前記関係算出部が最適化した前記予測モデルの結合係数を用いて、前記複数の風力発電装置の発電量の予測値を算出する第１発電量予測部と、
   を備えることを特徴とする予測装置。
2. 前記予測モデルの中間層及び出力層の入出力関数はシグモイド関数である
   ことを特徴とする請求項１に記載の予測装置。
3. 予測対象日時における、前記ウィンドファーム内の風速の予測値と、前記複数の風力発電装置夫々の設計規格により定められた風速と発電量の関係を示す基準発電特性データと、前記複数の風力発電装置夫々の稼働状態に関するデータと、に基づいて、前記複数の風力発電装置の発電量の予測値を算出する第２発電量予測部、を更に備える
   ことを特徴とする請求項１又は２に記載の予測装置。
4. 前記予測モデルは、更に、前記ウィンドファーム内の風速と、前記複数の風力発電装置夫々の設計規格により定められた風速と発電量の関係を示す基準発電特性データと、前記複数の風力発電装置夫々の稼働状態に関するデータと、から換算される、前記複数の風力発電装置の発電量の基準値に関するデータを入力するユニットを入力層に有する
   ことを特徴とする請求項１乃至３いずれか一項に記載の予測装置。
5. 前記予測モデルは、更に、前記ウィンドファーム内の天候、湿度に関するデータを入力するユニットを入力層に有する
   ことを特徴とする請求項１乃至４いずれか一項に記載の予測装置。
6. 前記ウィンドファーム内の風向及び風速は、前記ウィンドファーム内の前記複数の風力発電装置のナセルの高さ位置の風向及び風速である
   ことを特徴とする請求項１乃至５いずれか一項に記載の予測装置。
7. 前記関係算出部は、誤差逆伝播法により前記学習演算を行う
   ことを特徴とする請求項１乃至６いずれか一項に記載の予測装置。
8. 風力発電装置の設置位置の風向及び風速並びに前記風力発電装置の周囲に設置された他の風力発電装置の稼働状態に関するデータを入力する入力層と、中間層と、前記風力発電装置の発電量を出力する出力層と、を有する階層型ニューラルネットワーク予測モデルを用いて前記発電量の予測を行う予測装置であって、
   過去の複数の日時における、前記風力発電装置の発電量の実績値と、前記風力発電装置の設置位置の風向及び風速と、前記他の風力発電装置の稼働状態に関するデータと、に基づいて学習演算を行って、前記予測モデルの結合係数を最適化する関係算出部と、
   予測対象日時における、前記風力発電装置の設置位置についての風向及び風速の予測値と、前記他の風力発電装置の稼働状態に関するデータと、に基づいて、前記関係算出部が最適化した前記予測モデルの結合係数を用いて、前記風力発電装置の発電量の予測値を算出する第１発電量予測部と、
   を備えることを特徴とする予測装置。

Images