JP2017146674A - 分類装置、分類方法および分類プログラム - Google Patents

Abstract

【課題】大量の日射強度の変化パターンの中から代表的な変化パターンを自動的に抽出すること。【解決手段】ＳＯＭ部４１が、複数地点の日射強度の変化パターンをＳＯＭを用いて二次元平面に写像し、各変化パターンに対応する勝利ノードを特定する。類似度算出部４２が、ＳＯＭ部４１により特定された勝利ノード間の類似度を算出する。あるいは、相関係数算出部４３が、複数地点の日射強度の変化パターンをペアにして、全てのペアについて相関係数を算出する。分類部４４が、類似度算出部４２により算出された類似度または相関係数算出部４３により算出された相関係数に基づいて複数地点の日射強度の変化パターンをグループに分類する。抽出部４５が、各グループの変化パターンの中から代表的な変化パターンを自動的に抽出する。【選択図】図６

Description

本発明は、分類装置、分類方法および分類プログラムに関する。

電気の需要と供給が一致しないと、周波数や電圧が大きく変動して適正範囲を逸脱し、最悪の場合には広範囲が停電になることもあるため、電力会社は自社の保有する発電設備・流通設備の出力を調整して、時々刻々の需要の変化に電気の供給をあわせている。一方、国の政策や環境問題への関心の高まりもあって、太陽光発電や風力発電などの自然エネルギー発電の導入が増えてきている。しかし、自然エネルギー発電は天候によって出力が左右されるといった問題があるため、自然エネルギー発電が大量に導入されると電気の需要と供給を一致させるのが難しくなる。これにより、電気を安定して需要家に送れなくなることが懸念されている。

このため、自然エネルギー発電に大きな出力変化が生じた場合でも電気を安定して送れる設備が整っているかどうかを、コンピュータ上のシミュレーションによりチェックすることが不可欠となる。もしも安定して電気を送ることができないのであれば、設備のパラメータを変える、設備を増強することの必要性が分かる。

シミュレーションの際に、自然エネルギー発電の出力変化をシミュレーションモデルに入力することとなるが、計測しデータベースに蓄える自然エネルギー発電の出力データは２４時間３６５日におよぶので、データ量は膨大であり、それらを全てシミュレーションに用いると膨大な計算時間がかかってしまう。このため、自然エネルギー発電の出力データの代表的な変化パターンだけを対象に計算することで計算時間を大幅に節約することが必要となる。

餘利野 直人、佐々木 豊、藤田 将輝、造賀 芳文、奥本 芳治：「自然エネルギー大量導入に対する系統解析・計画・運用技術の課題−ロバスト信頼度−」、電気学会論文誌Ｂ（電力・エネルギー部門誌）、１３１巻８号、６７０頁−６７６頁、２０１１年

しかしながら、データベースに蓄えられている自然エネルギー発電の出力データの変化パターンが膨大であると、代表的な変化パターンを求めること自体が困難であるという問題がある。このため、自然エネルギー発電の出力データの代表的な変化パターンを自動的に求める方法が望まれている。

なお、自然エネルギー発電が太陽光発電であれば出力は日射量にほぼ比例し、風力発電であれば出力は風速の３乗にほぼ比例するので、自然エネルギー発電の出力の代わりに気象データを計測し、それに係数を掛けて簡易的に自然エネルギー発電の出力データとすることができる。このため、自然エネルギー発電の出力データの代表的な変化パターンを求める代わりに、気象データの代表的な変化パターンを求めてもよい。

本発明は、上記に鑑みてなされたものであって、自然エネルギー発電の出力データまたは気象データを分類し、自然エネルギー発電の出力データまたは気象データの代表的な変化パターンを自動的に抽出することができる分類装置、分類方法および分類プログラムを提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明の分類装置は、複数地点の気象データ、複数地点の自然エネルギー発電の出力データ、複数時間帯の気象データ、または、複数時間帯の自然エネルギー発電の出力データの間の類似度または相関係数を算出する算出部と、前記算出部により算出された類似度または相関係数に基づいて、前記複数地点の気象データ、前記複数地点の自然エネルギー発電の出力データ、前記複数時間帯の気象データ、または、前記複数時間帯の自然エネルギー発電の出力データを分類する分類部と、を有する。

本発明は、大量の自然エネルギー発電の出力データまたは気象データの中から代表的な変化パターンを自動的に抽出することができるという効果を奏する。

図１は、ＳＯＭの構造を示す図である。 図２は、ＳＯＭにおける学習の計算フローを示すフロー図である。 図３は、日射強度の時系列データに対する勝利ノードを示す図である。 図４は、参照ベクトルの更新を示す図である。 図５は、学習による日射強度の時系列データの写像の結果を示す図である。 図６は、分類装置の機能的な構成の一例を示す図である。 図７は、マップ層上での各地点の勝利ノードの位置を示す図である。 図８は、地点₂を基準とした場合の他地点との類似度を示す図である。 図９は、地点₉を基準とした場合の他地点との類似度を示す図である。 図１０は、地点₁₄を基準とした場合の他地点との類似度を示す図である。 図１１は、地点₂₅を基準とした場合の他地点との類似度を示す図である。 図１２は、類似度によるクラスタリング結果を示す図である。 図１３は、類似度で地点₉と同じグループとなった地点₁₂および地点₁₃の地点₉との間の類似度と相関係数を示す図である。 図１４は、類似度で地点₉と同じグループとなった地点₁₂および地点₁₃の日射強度の変化パターンとの比較を示す図である。 図１５は、類似度で地点₉と異なるグループとなった地点₁および地点₂の地点₉との間の類似度と相関係数を示す図である。 図１６は、類似度で地点₉と異なるグループとなった地点₁および地点₂の日射強度の変化パターンとの比較を示す図である。 図１７は、分類処理の手順の一例を示すフローチャートである。 図１８は、分類プログラムを実行するコンピュータを示す図である。

以下に、本発明に係る分類装置、分類方法および分類プログラムの実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。

［代表的な変化パターンの抽出が望ましい状況］
最初に、自然エネルギー発電の出力データまたは気象データの代表的な変化パターンを抽出することが望ましい状況について説明する。大量の自然エネルギー発電の出力データまたは気象データから代表的な変化パターンを抽出することが望ましい状況は次の二つがある。なお、以下では、自然エネルギー発電の出力データを簡略化して「出力データ」と表す。また、変化パターンは、時系列データにより表される。

（１）多数の計測地点で計測した同一日かつ同一時間帯の出力データまたは気象データ
自然エネルギー発電が大量に導入されると、ある箇所の送電線を流れる電気や小さな範囲のエリアを流れる電気が、自然エネルギー発電の出力が変化したことの影響で不安定になり、最悪の場合には停電になることが懸念される。このため、自然エネルギー発電が大量に導入されても電気を安定して送れるか、または自然エネルギー発電の導入量の上限をチェックするために、シミュレーション技術がしばしば用いられる。しかし、チェックの対象は広範囲であるので計測地点数は大量であり、全ての計測地点を対象にシミュレーションを行うと計算時間は膨大となる。

このため、実施例に係る分類装置は、シミュレーションの対象の日時の計測地点数分の出力データまたは気象データの変化パターンをクラスタリングし、いくつかの小グループに切り分ける。その際、実施例に係る分類装置は、それぞれのグループに含まれる変化パターンは互いに類似するよう分類する。そして、実施例に係る分類装置は、それぞれの小グループから一つの変化パターンを抽出する。そして、実施例に係る分類装置により抽出された変化パターンの出力データまたは気象データを使用して電気を安定して送れるかをチェックするシミュレーションが実施される。これにより、同じグループに属する他の地点での出力データまたは気象データを使用したシミュレーションは行う必要がなくなるので、計算時間の大幅な削減ができる。

（２）多数の時間帯で計測した出力データまたは気象データ
電気を安定して送れるかのチェックは、例えば、１年間の毎日の１３：００〜１４：００のように、大量の時間帯を対象にシミュレーションしなくてはならないこともある。チェックしたい場所が半径数ｋｍ程度のエリアである場合もあれば、数百ｋｍ程度の電力会社のエリア全体にも及ぶ範囲の場合もある。なお、出力データまたは気象データを計測する地点の数は、１地点で十分である場合もあるし、１００地点に達する場合もある。複数地点の場合は各地点の出力データまたは気象データが合計されて一つの変化パターンにされる。地点数や対象エリアの広さは、シミュレーションの方法や目的によってまちまちである。このような場合、出力データまたは気象データが大量の時間帯に対してデータベースに蓄えられているので、全ての時間帯を対象にシミュレーションを行うと膨大な計算時間を要する。

このため、実施例に係る分類装置は、電気を安定して送れるかをチェックする時間帯分の出力データまたは気象データの変化パターンをクラスタリングし、いくつかの小グループに切り分ける。その際、実施例に係る分類装置は、それぞれのグループに含まれる変化パターンは互いに類似するよう分類する。そして、実施例に係る分類装置は、それぞれの小グループから一つの変化パターンを抽出する。そして、実施例に係る分類装置により抽出された変化パターンの出力データまたは気象データを使用して電気を安定して送れるかをチェックするシミュレーションが実施される。これにより、同じグループに属する他の時間帯での出力データまたは気象データを使用したシミュレーションは行う必要がなくなるので、計算時間の大幅な削減ができる。

［ＳＯＭ］
次に、実施例に係る分類装置がクラスタリングに用いる自己組織化マップ（ＳＯＭ：Self-Organizing Map）について説明する。なお、以下では、クラスタリング対象として主に気象データのうちの複数地点で観測した日射強度を例に説明するが、クラスタリング対象は風速などの他の気象データまたは出力データ、あるいは、複数時間帯の気象データまたは出力データなどとすることもできる。

ＳＯＭは、教師信号なしの競合学習モデルであり、ニューラルネットワークの一種でもある。ＳＯＭは、画像認識やパターン認識、データマイニングなどに広く用いられ、高次元ベクトルデータを低次元のベクトル空間に写像することができるので、データの可視化にも利用されている。

図１は、ＳＯＭの構造を示す図である。図１は、多数地点で観測した時系列（要素数はＲ）の気象データを入力した場合を例として示す。ＳＯＭは入力層とマップ層の２層から構成されていて、マップ層にはノードが二次元平面上に縦にＭ個、横にＮ個の格子状に並んでおり、入力層にはＲ個のノードが横一列に並んでいて各ノードはマップ層の全ノードと参照ベクトルによって結合している。

入力層のノード数であるＲは、時系列の気象データの要素数と同じである。マップ層のノード数を定めるＭ、Ｎはユーザーが設定する数であり、この例のように多数地点で観測した時系列の気象データをマップする場合には、Ｍ×Ｎが観測地点の数よりも十分に大きい数になるようにする。なお、ＭとＮは同じ数でもよい。

入力データは入力ベクトルと呼ばれ、時系列の気象データの要素の数がＲ個であるなら、入力ベクトルはＲ次元となる。そして、Ｒ次元の入力ベクトルの各要素は入力層の各ノードと対応する。例えば、時系列の気象データがＰ(ｔ)、Ｐ(ｔ＋１)、Ｐ(ｔ＋２)、・・・、Ｐ(ｔ＋Ｒ−１)である場合、入力層の１番目のノードにＰ(ｔ)が入力され、２番目のノードにＰ(ｔ＋１)が入力され、３番目のノードにＰ(ｔ＋２)が入力され、これが順番に続けられて、最後にＲ番目のノードにＰ(ｔ＋Ｒ−１)が入力される。

そして、入力ベクトルは、学習によってマップ層上のノードに写像される。ここで、学習とは、入力ベクトルと一番近い参照ベクトルを持つマップ層のノードを勝利ノードとして選択し、選択された勝利ノードの参照ベクトルを当該入力ベクトルに更に近づけ、同時に勝利ノードの近傍にあるノードの参照ベクトルも当該入力ベクトルに近づける一連の手続きのことである。この参照ベクトルの更新を次々に繰り返すことで、最終的には時系列の気象データをマップ層上のどこかのノードの一つと対応付けることができ、学習が終了する。そして、時系列の気象データをマップ層上のノードと対応付けた結果として、時系列の気象データを二次元平面上に写像することができる。

［ＳＯＭにおける学習の計算フロー］
図２は、ＳＯＭにおける学習の計算フローを示すフロー図である。図２に示すように、実施例に係る分類装置は、参照ベクトルの初期値を乱数を使って設定する（ステップＳ１）。そして、実施例に係る分類装置は、入力ベクトルを順々に入力し（ステップＳ２）、同時に入力ベクトルの勝利ノードを決定する（ステップＳ３）。そして、実施例に係る分類装置は、全ての入力ベクトルに対して勝利ノードが決まると、全ての参照ベクトルを一括に更新する（ステップＳ４）。そして、実施例に係る分類装置は、規定回数を繰り返したか否かを判定し（ステップＳ５）、規定回数を繰り返していない場合には、ステップＳ２に戻り、規定回数を繰り返した場合には、計算を終了する。

以下に、多数地点で観測した日射強度の時系列データを入力ベクトルとして、図２の各ステップの具体的な方法を示す。

観測地点がＫ箇所あり、観測地点ｊで時刻ｔから時刻ｔ＋Ｒ−１までの１秒毎に観測した日射強度の時系列データをｘ_j＝｛ｘｊ(ｔ)，ｘｊ(ｔ＋１)，ｘｊ(ｔ＋２)，・・・，ｘｊ(ｔ＋Ｒ−１)｝とする。ここで、ｊ＝１，２，・・・Ｋである。この場合の入力ベクトルは、次元がＲでベクトルの数がＫ個の集合となる。ＳＯＭのマップ層のノード数はＮＤ＝Ｍ×Ｎと設定したとする。また、マップ層のノードｉと入力層の各ノードを結ぶ参照ベクトルをｗ_i＝(ｗｉ１，ｗｉ２，・・・，ｗｉＲ)(ｉ＝１，２，・・・ＮＤ)とする。

（ステップＳ１）参照ベクトルの初期値の設定
実施例に係る分類装置は、参照ベクトルｗ_i＝(ｗｉ１，ｗｉ２，・・・，ｗｉＲ)(ｉ＝１，２，・・・ＮＤ)に対し、乱数を使って初期値を与える。

（ステップＳ２）データ入力
実施例に係る分類装置は、日射強度の時系列データｘ_jを入力層のノードに入力し、日射強度の時系列データｘ_jと参照ベクトルｗ_iとのユークリッド距離
を計算する。(ｉ＝１，２，・・・ＮＤ)，(ｊ＝１，２，・・・Ｋ)である。

（ステップＳ３）勝利ノードの決定
ａｒｇ ｍｉｎ_i｛Ｚ_i｝はＺ_iが最小の場合のｉを表すとすると、日射強度の時系列データｘ_jと参照ベクトルｗ_iとの距離を最小にするｉは以下の（２）式で記述できる。
つまり、ｃ_jが観測地点ｊの日射強度の時系列データｘ_jに対する勝利ノードである。実施例に係る分類装置は、このｃ_jを全ての観測地点(ｊ＝１，２，・・・Ｋ)の日射強度の時系列データに対して求め、全ての観測地点の日射強度の時系列データに対する勝利ノードを決定する。

（ステップＳ４）参照ベクトルの更新
各参照ベクトルｗ_iを（３）式のｗ_i ^newに更新する。
ここに、ｈ_i,jは（４）式で表される近傍関数である。式（３）の分子は、マップ層のノードｉと入力層の全ノードを接続する参照ベクトルｗ_i＝(ｗｉ１，ｗｉ２，・・・，ｗｉＲ)に対し、ノードｉの近傍に一つでも日射強度の時系列データの勝利ノードがあれば、当該時系列データに近づける操作を行う。また、（３）式の分子は、ノードｉの近傍に日射強度の時系列データの勝利ノードが複数あれば、当該時系列データの重みづけ平均を求める操作を行う。式（３）の分母は平均化のための重みの和である。

ここに、ｒ_iはマップ層のノードｉの二次元平面上の座標であり、ｒ_cjは観測地点ｊの日射強度の時系列データの勝利ノードｃ_jのマップ層の二次元平面上の座標である。すなわち、（４）式の分子はマップ層でのノードｉと観測地点ｊの日射強度の勝利ノードとの二次元平面上での距離を計算している。また、σ(ｔ)は（５）式に示すように学習の繰り返し回数ｔが増えるにつれ減少する値である。

ここに、σ₀はσ(ｔ)の初期値であり、ｔ_maxは学習の打切り回数である。

（ステップＳ５）学習の終了
ステップＳ２からステップＳ４をｔ_max回繰り返したならば、実施例に係る分類装置は、学習を終了する。

［学習方法のイメージ］
（ステップＳ２とステップＳ３）
図３は、日射強度の時系列データに対する勝利ノードを示す図である。入力層に入力した日射強度の時系列データＸ１に最も距離の近い参照ベクトルを持つマップ層上のノードを「データＸ１に対する勝利ノード」と呼ぶ。実施例に係る分類装置は、時系列データと参照ベクトルの距離は（１）式で計算し、（２）式によって勝利ノードを求める。実施例に係る分類装置は、Ｘ２のような他の日射強度の時系列データに対しても同様にして勝利ノードを求める。

（ステップＳ４）
図４は、参照ベクトルの更新を示す図である。実施例に係る分類装置は、勝利ノードだけではなく、その近傍にあるノードも参照ベクトルを当該勝利ノードに対応する日射強度の時系列データに近づける。近傍ノードは（４）式によって定義され、計算ステップが進むにつれてその範囲が狭まる。参照ベクトルを日射強度の時系列データに近づける方法は、（３）式によって各ノードの参照ベクトルを更新することで実施される。（３）式と（４）式によって、勝利ノードに近いノードほど当該勝利ノードに対応する日射強度の時系列データに参照ベクトルが近づく。

（ステップＳ５）
図５は、学習による日射強度の時系列データの写像の結果を示す図である。学習の結果、日射強度の時系列データＸ１に対応する勝利ノードの近傍では、当該勝利ノードの参照ベクトルと当該近傍ノードの参照ベクトルが似たものとなる。これによって、似たような日射強度の時系列データの勝利ノードは、マップ層の特定の場所に集まる。

［類似度］
ＳＯＭのマップ層上での勝利ノードの位置が近い、出力データまたは気象データの変化パターンが複数ある場合、それらは同じグループに含まれると判断できる。マップ層上での位置が近いかどうかを定量的に評価するため、実施例に係る分類装置は、類似度を算出する。類似度は、出力データまたは気象データの変化パターンが類似する程度の尺度である。類似度は、マップ層上の勝利ノードの位置関係より、次のようにして求められる。

出力データまたは気象データの変化パターンｉを基準とし、変化パターンｊを評価の対象にした場合の類似度ｒｅｓｍ(ｉ,ｊ)を（６）式に定義する。ここに類似度は、評価の対象の変化パターンｊの全てに対して、基準の変化パターンｉとの波形距離（（７）〜（９）式）を算出し、その中の最大値を０、最小値（自身との距離＝０のこと）を１として規格化したものである。

実施例に係る分類装置は、出力データまたは気象データのペアを作り、全てのペアに対して類似度を求める。そして、実施例に係る分類装置は、類似度が大きいペアは同じグループにすることでクラスタリングを実施する。

［相関係数］
二つの時系列データの間の関連性の程度を表す指標として、一般的には相関係数が使われる。そこで、類似度の代わりに相関係数を用いることも可能である。出力データまたは気象データの変化パターンＡ（時刻ｔから時刻ｔ＋Ｒ−１の時系列データ）と、それの対となる変化パターンＢ（時刻ｔから時刻ｔ＋Ｒ−１の時系列データ）との相関係数Ｒ_A,B(τ)を（１０）式に示す。

実施例に係る分類装置は、出力データまたは気象データのペアを作り、全てのペアに対して相関係数を求める。そして、実施例に係る分類装置は、相関係数が大きいペアは同じグループにすることでクラスタリングを実施する。

［シミュレーション手順］
電気を安定して送れるかどうかをチェックするための計算時間を削減する手順は以下の４ステップで実施される。

（ステップｔ１：自己組織化マップによる写像、相関係数の算出）
実施例に係る分類装置は、出力データまたは気象データの変化パターンをＳＯＭによってマップ層に写像する。もしくは、実施例に係る分類装置は、二つの変化パターンをペアにして、全てのペアの相関係数を求める。

（ステップｔ２：クラスタリング）
実施例に係る分類装置は、ＳＯＭのマップ層上での勝利ノードの位置の近さ、または相関係数の大きさで、出力データまたは気象データの変化パターンをいくつかのグループに分類する。分類の方法は、例えば、変化パターンをいくつかランダムに選び、選択された変化パターンに対してＳＯＭのマップ層上での勝利ノードの位置が近い変化パターンを選択された変化パターンと同じグループにする。もしくは、変化パターンをいくつかランダムに選び、選択された変化パターンに対して相関係数が大きい変化パターンを選択された変化パターンと同じグループにする。

なお、ＳＯＭのマップ層上での勝利ノードの位置が近い他の変化パターンが見当たらない変化パターン、もしくはどの変化パターンとペアを作っても相関係数が大きくならない変化パターンが存在する。その場合には、当該変化パターンが属するグループに含まれる変化パターンは、当該変化パターンの一つだけとなる。

（ステップｔ３：代表的な変化パターンの抽出）
実施例に係る分類装置は、各グループから、出力データまたは気象データの代表的な変化パターンを一つ抽出する。抽出方法は、例えばステップｔ２でランダムに選んだ変化パターンをそのまま用いてもよい。もしくは、それぞれのグループで各変化パターンに番号を付け、その中から乱数でランダムに選んでも良い。同じグループに属する変化パターンは類似しているので、どれを代表的な変化パターンとして選択しても良い。

（ステップｔ４：シミュレーション）
シミュレーションの担当者は、シミュレーションモデルに抽出された変化パターンを入力してシミュレーションを実施し、電気を安定して送ることができるかどうかをチェックする。

［分類装置の構成］
次に、上述の分類手法を適用した分類装置１０の構成について説明する。分類装置１０は、上述の分類手法を用いて分類を行う装置である。分類装置１０は、例えば、サーバコンピュータ、デスクトップ型ＰＣ（パーソナル・コンピュータ）、タブレット型ＰＣ、ノート型ＰＣなどの情報処理装置である。分類装置１０は、１台のコンピュータとして実装してもよく、また、複数台のコンピュータによるクラウドとして実装することもできる。なお、本実施例では、分類装置１０を１台のコンピュータとした場合を例として説明する。

図６は、分類装置の機能的な構成の一例を示す図である。図６に示すように、分類装置１０は、表示部２０と、入力部２１と、記憶部２２と、制御部２３とを有する。分類装置１０は、図６に示した機能部以外にも既知の各種の機能部を有してもよい。例えば、分類装置１０は、他の端末と通信を行う通信インタフェース部などを有してもよい。

表示部２０は、各種情報を表示する表示デバイスである。表示部２０としては、ＬＣＤ（Liquid Crystal Display）などの表示デバイスが挙げられる。表示部２０は、各種情報を表示する。例えば、表示部２０は、各種の操作画面、特定の地点を基準とした場合の他地点との類似度、クラスタリング結果、代表的なパターンの抽出結果などを表示する。

入力部２１は、各種の情報を入力する入力デバイスである。例えば、入力部２１としては、分類装置１０に接続されたキーボードやマウス、分類装置１０に設けられた各種のボタン、表示部２０上に設けられた透過型のタッチセンサなどの入力デバイスが挙げられる。なお、図６の例では、機能的な構成を示したため、表示部２０と入力部２１を別に分けているが、例えば、タッチパネルなど表示部２０と入力部２１を一体的に設けたデバイスで構成してもよい。

記憶部２２は、各種のデータを記憶する記憶デバイスである。例えば、記憶部２２は、ハードディスク、ＳＳＤ（Solid State Drive）、光ディスクなどの記憶装置である。なお、記憶部２２は、ＲＡＭ（Random Access Memory）、フラッシュメモリ、ＮＶＳＲＡＭ（Non Volatile Static Random Access Memory）などのデータを書き換え可能な半導体メモリであってもよい。

記憶部２２は、制御部２３で実行されるＯＳ（Operating System）や各種プログラムを記憶する。例えば、記憶部２２は、後述する分類処理を実行する分類プログラムを含む各種のプログラムを記憶する。さらに、記憶部２２は、制御部２３で実行されるプログラムで用いられる各種データを記憶する。例えば、記憶部２２は、時系列データ３０を記憶する。時系列データ３０は、複数の地点の日射強度の時系列データである。

制御部２３は、分類装置１０を制御するデバイスである。制御部２３としては、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）等の電子回路や、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）等の集積回路を採用できる。制御部２３は、各種の処理手順を規定したプログラムや制御データを格納するための内部メモリを有し、これらによって種々の処理を実行する。制御部２３は、各種のプログラムが動作することにより各種の処理部として機能する。例えば、制御部２３は、受付部４０と、ＳＯＭ部４１と、類似度算出部４２と、相関係数算出部４３と、分類部４４と、抽出部４５と、出力制御部４６とを有する。

受付部４０は、各種の受け付けを行う。例えば、受付部４０は、日射強度の変化パターンの分類に関する各種の操作指示などを受け付ける。例えば、受付部４０は、不図示の操作画面を表示部２０に表示させ、入力部２１からの入力操作により各種の操作指示を受け付ける。また、受付部４０は、類似度によるクラスタリングか相関係数によるクラスタリングかの指定を受け付け、分類開始の指示を受け付ける。なお、受付部４０は、不図示のネットワークを介して外部の端末装置から各種の操作指示を受け付けてもよい。

ＳＯＭ部４１は、ＳＯＭを用いて複数の地点の日射強度の変化パターンをマップ層に写像し、各変化パターンに対応する勝利ノードを特定する。ＳＯＭ部４１は、図２に示した計算フローにより、参照ベクトルの更新を行いながら勝利ノードを特定する。

類似度算出部４２は、ＳＯＭ部４１により特定された勝利ノードに基づいて、複数の地点の日射強度の変化パターンの類似度を算出する。類似度算出部４２は、（６）式を用いて日射強度の変化パターンの類似度を算出する。

相関係数算出部４３は、複数の地点の日射強度の変化パターンをペアにして、全てのペアについて相関係数を算出する。相関係数算出部４３は、（１０）式を用いて日射強度の変化パターンのペアの相関係数を算出する。

分類部４４は、類似度算出部４２により算出された類似度または相関係数算出部４３により算出された相関係数に基づいて複数の地点の日射強度の変化パターンをクラスタリングし、似通った変化パターンは同じグループになるように分類する。

抽出部４５は、分類部４４により複数のグループに分類された変化パターンの中からグループを代表する代表変化パターンを抽出する。抽出部４５は、各グループからランダムに代表変化パターンを抽出する。抽出部４５は、各グループから他の方法で代表変化パターンを抽出してもよい。

出力制御部４６は、各種の出力の制御を行う。例えば、出力制御部４６は、類似度算出部４２により算出された類似度の情報または相関係数算出部４３により算出された相関係数の情報を表示部２０に表示させる。また、例えば、出力制御部４６は、分類部４４による分類結果を表示部２０に表示させる。また、例えば、出力制御部４６は、抽出部４５により抽出された代表変化パターンの情報を表示部２０に表示させる。また、例えば、出力制御部４６は、分類部４４による分類結果を外部の端末装置へ出力する。ユーザーは、出力制御部４６により出力された情報から日射強度の変化パターンの分類結果、各グループの代表変化パターンなどを把握できる。

［分類例］
次に、同時間帯（２０１１年４月１９日 １０：００〜１１：５０）の３０地点で観測した日射強度の変化パターンを用いた分類例について説明する。分類装置１０は、３０地点で観測した日射強度の変化パターンをＳＯＭのマップ層へ写像し、マップ層上での各地点の位置関係から類似度を算出する。そして、分類装置１０は、類似度の値を使ってクラスタリングを行い、似通った気象データの変化パターンは同じグループになるように分類する。

ＳＯＭのマップ層に日射強度の変化パターンを写像した結果を図７に示す。図７では、各地点の日射強度の変化パターンと対応する勝利ノードの場所に○が付けられ、各地点の番号が（）内に記載されている。

分類装置１０は、クラスタリングするグループを作るため、３０地点の中から４地点をランダムに選択する。分類装置１０により選択された地点は、図７中で地点番号のフォントサイズが大きく示されている。分類装置１０は、選択した地点と他の地点との間の類似度を算出する。地点₂と他の地点との間の類似度を図８に示し、地点₉と他の地点との間の類似度を図９に示し、地点₁₄と他の地点との間の類似度を図１０に示し、地点₂₅と他の地点との間の類似度を図１１に示す。

上記ランダムに選択した地点₂、地点₉、地点₁₄、地点₂₅のそれぞれと類似度が大きい地点を集めて分類装置１０がクラスタリングした結果を図１２に示す。図１２では、ＳＯＭのマップ層上で同じグループの地点が点線で囲われている。ここでは、分類装置１０は、ランダムに選択した地点と同じグループに属するか否かを判断する類似度の閾値として０．９程度（小数点第二位を四捨五入して０．９）を選択し、０．９程度以上の類似度を持つ地点は同じグループに分類し、０．９程度よりも小さい場合には同じグループとしない。なお、ランダムに選択された地点のうちの複数と類似度が０．９以上となった地点は、類似度が大きい方のランダムに選択された地点と同じグループに分類される。

閾値については、０．９よりも大きくすると、波形が非常によく似ている地点だけを同じグループに分類するが、グループ内の地点数が少なくなり、選択されたどの地点とも同じグループにならなかった地点は単独のグループを作ることとなる。それによってグループ数が増えることになるので、電気を安定して送れるかどうかをチェックするためのシミュレーションの回数が増える。０．９よりもだいぶ小さくすると、選択された地点と同じグループの地点の数が増えるので、選択されたどの地点とも同じグループにならない地点が減ることになる。それによってグループ数があまり増えないので、電気を安定して送れるかどうかをチェックするシミュレーションの回数が減るが、あまり関連性のない地点も同じグループに含めてしまい、電気を安定して送れるかどうかのチェックに漏れが出る可能性が高まる。閾値はこの傾向を参考にして、分類装置１０のユーザーが選択する。

類似度により複数地点間の日射強度の変化パターンの関連性を適切に評価できているかを確認するために、地点₉を例にして同じグループの地点との類似度と波形を図１３および図１４に示し、他のグループの地点との類似度と波形を図１５および図１６に示す。地点₉と同じグループの代表としては地点₁₂および地点₁₃が選ばれ、地点₉と別のグループの代表として地点₁および地点₂が選ばれている。

図１３に地点₉と同じグループの地点₁₂および地点₁₃との間の類似度を示す。図１３は比較として相関係数も示す。また、図１４に地点₉と同じグループの地点₁₂および地点₁₃と地点₉の日射強度の変化パターンを比較する図を示す。図１３と図１４から次のことが分かる。

地点₁₂については、地点₉との間の類似度および相関係数が大きく、図１４で波形を目視で比較しても波形が良く似通っているので、類似度および相関係数によるクラスタリング結果はどちらも適切であることが分かる。

一方、地点₁₃については、地点₉との間の類似度は大きいが相関係数はそれほど大きくはないといった違いがある。図１４で地点₉の変化パターンと地点₁₃の変化パターンを比較すると、おおよその形状では両パターンは似通っているがピークの高さといった詳細な部分での違いが見られる。これより、変化パターンの詳細な部分まで一致しているかどうかのチェックは相関係数が得意であり、概略の傾向が一致しているかどうかのチェックは類似度が得意であることが分かる。

図１５に類似度で地点₉と異なるグループとなった地点₁および地点₂との間の類似度を示す。図１５は比較として相関係数も示す。また、図１６に地点₉と異なるグループの地点₁および地点₂と地点₉の日射強度の変化パターンを比較する図を示す。図１５と図１６から次のことが分かる。

地点₁および地点₂とも地点₉との間の類似度および相関係数はあまり大きくない。図１６からもパターンが上下する傾向が同じなので一見すると変化パターンが似ているように見えるが、変動周期が異なる（地点₉の変化パターンは比較的ゆっくりと変化し、地点₁および地点₂の変化パターンは比較的早く変化している）ので、それぞれ別の変化パターンである。したがって、類似度と相関係数から地点₁および地点₂は地点₉とは異なるグループと判断したクラスタリング結果は適切であることが分かる。

地点₁および地点₂との間の類似度と相関係数を求めたところ、類似度は０．９２、相関係数は０．８９であったので、地点₁および地点₂はクラスタリングすれば同じグループとなる。図１６から地点₁および地点₂の変化パターンはよく似ているので、このクラスタリングは適切であることが分かる。

［処理の流れ］
本実施例に係る分類装置１０による分類処理の流れについて説明する。図１７は、分類処理の手順の一例を示すフローチャートである。この分類処理は、所定のタイミング、例えば、受付部４０により分類開始の指示を受け付けたタイミングで実行される。

図１７に示すように、ＳＯＭ部４１は、自己組織化写像を行い（ステップＳ１１）、日射強度の各変化パターンに対応する勝利ノードを特定する。類似度算出部４２は、ＳＯＭ部４１により特定された勝利ノードに基づいて、勝利ノード間の類似度を算出する（ステップＳ１２）。

相関係数算出部４３は、複数の地点の日射強度の変化パターンをペアにして、全てのペアについて相関係数を算出する（ステップＳ１３）。なお、類似度に基づいて変化パターンを分類する場合には、ステップＳ１３の処理はスキップされ、相関係数に基づいて変化パターンを分類する場合には、ステップＳ１１およびステップＳ１２の処理はスキップされる。類似度に基づく分類結果と相関係数に基づく分類結果を比較する場合には、ステップＳ１１〜ステップＳ１３の処理が実行される。

分類部４４は、類似度算出部４２により算出された類似度と相関係数算出部４３により算出された相関係数のいずれか一方またはそれぞれを用いて複数の地点の日射強度の変化パターンを分類する（ステップＳ１４）。抽出部４５は、分類部４４により分類された各グループの中から代表的な変化パターンを抽出する（ステップＳ１５）。

出力制御部４６は、類似度算出部４２により算出された類似度と相関係数算出部４３により算出された相関係数の一方あるいは両方、変化パターンの分類結果、代表変化パターンなどを出力する（ステップＳ１６）。

［効果］
上述してきたように、本実施例に係る分類装置１０は、複数地点の日射強度の変化パターンをＳＯＭを用いて二次元平面に写像し、各変化パターンに対応する勝利ノードを特定する。そして、分類装置１０は、特定した勝利ノード間の類似度を算出し、算出した類似度に基づいて複数地点の日射強度の変化パターンを分類する。あるいは、分類装置１０は、複数地点の日射強度の変化パターンをペアにして、全てのペアについて相関係数を算出し、算出した相関係数に基づいて複数地点の日射強度の変化パターンを分類する。これにより、分類装置１０は、多数の地点の日射強度の変化パターンの中から代表的な変化パターンを自動的に抽出することができる。したがって、日射強度の変化が生じた場合に電気を安定して送れる設備が整っているかをシミュレーションする時間を短縮することができる。

また、本実施例に係る分類装置１０は、マップ層の勝利ノード間の距離、および、変化パターンの差に基づいて類似度を算出する。これにより、分類装置１０は、複数の地点の日射強度の変化パターンを正確に分類することができる。

［分類プログラム］
なお、上記の実施例で説明した各種の処理は、あらかじめ用意されたプログラムをパーソナル・コンピュータやワークステーションなどのコンピュータシステムで実行することによって実現することもできる。そこで、以下では、上記の実施例と同様の機能を有するプログラムを実行するコンピュータシステムの一例を説明する。図１８は、分類プログラムを実行するコンピュータを示す図である。

図１８に示すように、コンピュータ３００は、ＣＰＵ３１０、ＨＤＤ（Hard Disk Drive）３２０、ＲＡＭ３４０を有する。これら３００〜３４０の各部は、バス４００を介して接続される。

ＨＤＤ３２０には上記の受付部４０、ＳＯＭ部４１、類似度算出部４２、相関係数算出部４３、分類部４４、抽出部４５および出力制御部４６と同様の機能を発揮する分類プログラム３２０ａが予め記憶される。なお、分類プログラム３２０ａについては、適宜分離してもよい。

また、ＨＤＤ３２０は、各種情報を記憶する。例えば、ＨＤＤ３２０は、上述の時系列データ３０など分類に用いる各種データを記憶する。

そして、ＣＰＵ３１０が、分類プログラム３２０ａをＨＤＤ３２０から読み出して実行することで、実施例の各処理部と同様の動作を実行する。すなわち、分類プログラム３２０ａは、受付部４０、ＳＯＭ部４１、類似度算出部４２、相関係数算出部４３、分類部４４、抽出部４５および出力制御部４６と同様の動作を実行する。

なお、上記した分類プログラム３２０ａについては、必ずしも最初からＨＤＤ３２０に記憶させることを要しない。

例えば、コンピュータ３００に挿入されるフレキシブルディスク（ＦＤ）、ＣＤ−ＲＯＭ、ＤＶＤディスク、光磁気ディスク、ＩＣカードなどの「可搬用の物理媒体」にプログラムを記憶させておく。そして、コンピュータ３００がこれらからプログラムを読み出して実行するようにしてもよい。

さらには、公衆回線、インターネット、ＬＡＮ、ＷＡＮなどを介してコンピュータ３００に接続される「他のコンピュータ（またはサーバ）」などにプログラムを記憶させておく。そして、コンピュータ３００がこれらからプログラムを読み出して実行するようにしてもよい。

１０ 分類装置
２０ 表示部
２１ 入力部
２２ 記憶部
２３ 制御部
３０ 時系列データ
４０ 受付部
４１ ＳＯＭ部
４２ 類似度算出部
４３ 相関係数算出部
４４ 分類部
４５ 抽出部
４６ 出力制御部
３００ コンピュータ
３１０ ＣＰＵ
３２０ ＨＤＤ
３２０ａ 分類プログラム
３４０ ＲＡＭ

Claims (5)

1. 複数地点の気象データ、複数地点の自然エネルギー発電の出力データ、複数時間帯の気象データ、または、複数時間帯の自然エネルギー発電の出力データの間の類似度または相関係数を算出する算出部と、
   前記算出部により算出された類似度または相関係数に基づいて、前記複数地点の気象データ、前記複数地点の自然エネルギー発電の出力データ、前記複数時間帯の気象データ、または、前記複数時間帯の自然エネルギー発電の出力データを分類する分類部と
   を有することを特徴とする分類装置。
2. 前記算出部は、前記複数地点の気象データ、前記複数地点の自然エネルギー発電の出力データ、前記複数時間帯の気象データ、または、前記複数時間帯の自然エネルギー発電の出力データを自己組織化マップを用いて二次元平面に写像し、各地点の気象データ、各地点の自然エネルギー発電の出力データ、各時間帯の気象データ、または、各時間帯の自然エネルギー発電の出力データに対応する勝利ノードを前記二次元平面上で特定し、特定した勝利ノード間の距離に基づいて前記類似度を算出することを特徴とする請求項１に記載の分類装置。
3. 前記算出部は、前記複数地点の気象データ、前記複数地点の自然エネルギー発電の出力データ、前記複数時間帯の気象データ、または、前記複数時間帯の自然エネルギー発電の出力データの差をさらに用いて前記類似度を算出することを特徴とする請求項２に記載の分類装置。
4. 複数地点の気象データ、複数地点の自然エネルギー発電の出力データ、複数時間帯の気象データ、または、複数時間帯の自然エネルギー発電の出力データの間の類似度または相関係数を算出し、
   算出された類似度または相関係数に基づいて、前記複数地点の気象データ、前記複数地点の自然エネルギー発電の出力データ、前記複数時間帯の気象データ、または、前記複数時間帯の自然エネルギー発電の出力データを分類する
   処理をコンピュータが実行することを特徴とする分類方法。
5. 複数地点の気象データ、複数地点の自然エネルギー発電の出力データ、複数時間帯の気象データ、または、複数時間帯の自然エネルギー発電の出力データの間の類似度または相関係数を算出し、
   算出された類似度または相関係数に基づいて、前記複数地点の気象データ、前記複数地点の自然エネルギー発電の出力データ、前記複数時間帯の気象データ、または、前記複数時間帯の自然エネルギー発電の出力データを分類する
   処理をコンピュータに実行させることを特徴とする分類プログラム。