JP2018007312A - 発電電力予測装置、サーバ、コンピュータプログラム及び発電電力予測方法 - Google Patents

発電電力予測装置、サーバ、コンピュータプログラム及び発電電力予測方法 Download PDF

Info

Publication number
JP2018007312A
JP2018007312A JP2016126819A JP2016126819A JP2018007312A JP 2018007312 A JP2018007312 A JP 2018007312A JP 2016126819 A JP2016126819 A JP 2016126819A JP 2016126819 A JP2016126819 A JP 2016126819A JP 2018007312 A JP2018007312 A JP 2018007312A
Authority
JP
Japan
Prior art keywords
prediction
power generation
information
learning
unit
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
JP2016126819A
Other languages
English (en)
Other versions
JP6687241B2 (ja
Inventor
慎介 花村
Shinsuke Hanamura
慎介 花村
美紀 尾藤
Miki Bito
美紀 尾藤
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.)
Fujisaki Electric Co Ltd
Original Assignee
Fujisaki Electric Co Ltd
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 Fujisaki Electric Co Ltd filed Critical Fujisaki Electric Co Ltd
Priority to JP2016126819A priority Critical patent/JP6687241B2/ja
Publication of JP2018007312A publication Critical patent/JP2018007312A/ja
Application granted granted Critical
Publication of JP6687241B2 publication Critical patent/JP6687241B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • Y—GENERAL 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

【課題】精度よく発電電力を予測することができる発電電力予測装置、サーバ、コンピュータプログラム及び発電電力予測方法を提供する。【解決手段】複数の地点に設置された発電設備に係る時系列の実測発電電力を含む発電情報及び複数の地点に係る気象情報並びに予測対象地点及び予測対象時間を含む予測パラメータに基づいて、所定のニューラルネットワークモデルへの予測用入力データを生成する予測用入力データ生成部と、生成した予測用入力データ及びニューラルネットワークモデルに基づいて、予測出力データを生成する予測出力データ生成部と、生成した予測出力データに基づいて予測対象地点及び予測対象時間での予測発電電力を算出する予測発電電力算出部とを備える。【選択図】図３

Description

本発明は、太陽光発電の発電予測データを提供する発電電力予測装置、サーバ、コンピュータプログラム及び発電電力予測方法に関する。
近年、地球温暖化対策やエネルギーセキュリティ向上のため再生可能エネルギーの導入が推進されている。太陽のエネルギーを電気に変換する太陽光発電は、再生可能エネルギーのひとつであり、温室効果ガスを発生させないという利点があり、その普及が期待されている。
太陽光発電においても、他の形態の発電と同様に、電力供給量と電力需要量との均衡を図ることができないと、電力系統を安定に運用することができないおそれがあり、発電予測を行うことが重要である。そこで、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トすることで、雲の光透過率を算出して予測地点の地上に到達する分光データを算出し、この分光データに基づいて日射量を求めて発電量を予測する太陽光発電装置の発電量予測システムが開示されている（特許文献１参照）。
特開２０１１−１５９１９９号公報
しかし、特許文献１のシステムでは、気象予報データの精度に依存することなる。また、気象予報データの配信は、ある程度の時間（例えば、数時間）間隔をおいて更新されることが一般的である。従って、従来の予想システムでは、気象予報データの精度および配信の時間間隔によって発電量の予測精度が低下するおそれがある。
本発明は斯かる事情に鑑みてなされたものであり、精度よく発電電力を予測することができる発電電力予測装置、サーバ、前記発電電力予測装置を実現するためのコンピュータプログラム及び発電電力予測方法を提供することを目的とする。
本発明の実施の形態に係る発電電力予測装置は、太陽光発電の発電予測データを提供する発電予測装置であって、複数の地点に設置された発電設備に係る時系列の実測発電電力を含む発電情報を取得する発電情報取得部と、前記複数の地点に係る気象情報を取得する気象情報取得部と、前記発電情報取得部で取得した発電情報及び前記気象情報取得部で取得した気象情報を記憶する記憶部と、予測対象地点及び予測対象時間を含む予測パラメータを決定する予測パラメータ決定部と、前記記憶部に記憶した発電情報及び気象情報並びに前記予測パラメータ決定部で決定した予測パラメータに基づいて、所定のニューラルネットワークモデルへの予測用入力データを生成する予測用入力データ生成部と、該予測用入力データ生成部で生成した予測用入力データ及び前記ニューラルネットワークモデルに基づいて、予測出力データを生成する予測出力データ生成部と、該予測出力データ生成部で生成した予測出力データに基づいて前記予測対象地点及び予測対象時間での予測発電電力を算出する予測発電電力算出部とを備えることを特徴とする。
本発明の実施の形態に係るコンピュータプログラムは、コンピュータに、太陽光発電の発電予測データを提供させるためのコンピュータプログラムであって、コンピュータを、複数の地点に設置された発電設備に係る時系列の実測発電電力を含む発電情報を取得する発電情報取得部と、前記複数の地点に係る気象情報を取得する気象情報取得部と、取得した発電情報及び気象情報を記憶する記憶部と、予測対象地点及び予測対象時間を含む予測パラメータを決定する予測パラメータ決定部と、記憶した発電情報及び気象情報並びに決定した予測パラメータに基づいて、所定のニューラルネットワークモデルへの予測用入力データを生成する予測用入力データ生成部と、生成した予測用入力データ及び前記ニューラルネットワークモデルに基づいて、予測出力データを生成する予測出力データ生成部と、生成した予測出力データに基づいて前記予測対象地点及び予測対象時間での予測発電電力を算出する予測発電電力算出部として機能させることを特徴とする。
本発明の実施の形態に係る発電電力予測方法は、太陽光発電の発電予測データを提供する発電予測方法であって、複数の地点に設置された発電設備に係る時系列の実測発電電力を含む発電情報を発電情報取得部が取得し、前記複数の地点に係る気象情報を気象情報取得部が取得し、取得された発電情報及び気象情報を記憶部に記憶し、予測対象地点及び予測対象時間を含む予測パラメータを予測パラメータ決定部が決定し、前記記憶部に記憶した発電情報及び気象情報並びに決定された予測パラメータに基づいて、所定のニューラルネットワークモデルへの予測用入力データを予測用入力データ生成部が生成し、生成された予測用入力データ及び前記ニューラルネットワークモデルに基づいて、予測出力データを予測出力データ生成部が生成し、生成された予測出力データに基づいて前記予測対象地点及び予測対象時間での予測発電電力を予測発電電力算出部が算出することを特徴とする。
発電情報取得部は、複数の地点に設置された発電設備に係る時系列の実測発電電力を含む発電情報を取得する。発電情報には、実測発電電力の他に、例えば、発電設備に係る設備情報、発電設備の発電電力を計測する計測ユニットに係る計測ユニット情報、発電設備の位置情報を含めることができる。
気象情報取得部は、複数の地点に係る気象情報を取得する。気象情報は、複数の地点それぞれにおいて時間経過とともに気象予報事業者などによって提供され、過去の実測の気象情報及び将来の気象情報の予報を含む。気象情報も、実測発電電力と同様の時系列データである。
予測パラメータ決定部は、予測対象地点及び予測対象時間を含む予測パラメータを決定する。予測対象地点は、発電設備が設置された地点でもよく、発電設備が将来設置される地点でもよい。発電電力を予測する発電設備の位置が予測対象地点であり、どの時間での発電電力を予測するかを特定するのが予測対象時間である。
予測用入力データ生成部は、記憶部に記憶した発電情報及び気象情報並びに予測パラメータ決定部で決定した予測パラメータに基づいて、所定のニューラルネットワークモデルへの予測用入力データを生成する。ニューラルネットワークは、入力層、出力層及び複数の中間層から構成されている。予測用入力データ生成部は、入力層のノードの数（入力層のサイズ）と同じサイズのベクトル形式の予測用入力データを生成する。
予測出力データ生成部は、予測用入力データ生成部で生成した予測用入力データ及びニューラルネットワークモデルに基づいて、予測出力データを生成する。予測出力データ生成部は、ニューラルネットワークの出力層であり、出力層のノードの数（出力層のサイズ）と同じサイズのベクトル形式の予測出力データを生成する。
予測発電電力算出部は、予測出力データ生成部で生成した予測出力データに基づいて予測対象地点及び予測対象時間での予測発電電力を算出する。例えば、出力層の数を１、２、…Ｎとし、予測出力データ生成部が生成する予測出力データを、ｙ１、ｙ２、…ｙＮとする。予測発電電力算出部は、予測出力データｙ１、ｙ２、…ｙｋ、…ｙＮに基づいて予測発電電力を算出する。例えば、ｙｋ＝１であり、他の予測出力データが０である場合、予測発電電力算出部は、ｙｋに基づいて予測発電電力を算出する。
上述のように、複数の地点における実測の発電電力の時系列データ及び実測の気象情報の時系列データを、ニューラルネットワークの予測用入力データとするので、任意の予測対象地点及び予測対象時間での発電電力を精度よく予測することができる。
本発明の実施の形態に係る発電電力予測装置は、前記予測用入力データ生成部は、前記予測対象時間より前の所定の期間での各発電設備に係る時系列の実測発電電力及び各発電設備の位置情報を含む予測用入力データを生成することを特徴とする。
予測用入力データ生成部は、予測対象時間より前の所定の期間での各発電設備に係る時系列の実測発電電力及び各発電設備の位置情報を含む予測用入力データを生成する。なお、時間は時点又は時間帯を意味する。時間を時系列的に単位時間（例えば、分）毎にｔ１、ｔ２、ｔ３、…と一義的に表すとする。例えば、予測対象時間をｔ１１４０とすると、予測対象時間ｔ１１４０より前の所定の期間として、ｔ１０６０〜ｔ１０９０の如く、単位時間（例えば、分）８０ステップ前から５０ステップ前までの期間とすることができる。すなわち、予測用入力データは、時間ｔ１０６０〜ｔ１０９０での各発電設備に係る時系列の実測発電電力を含む。なお、期間の長さを長くすれば、予測用入力データのデータ数が増えるので、発電電力の予測精度は高くなる。
上述の構成により、所定の期間での各発電設備での実測の発電電力の時系列データを用いて、当該所定の期間よりも後の予測対象時間における予測対象地点での発電電力を精度よく予測することができる。
本発明の実施の形態に係る発電電力予測装置は、前記予測用入力データ生成部は、前記複数の地点に係る前記所定の期間での実測の気象情報を含む予測用入力データを生成することを特徴とする。
予測用入力データ生成部は、複数の地点に係る所定の期間での実測の気象情報を含む予測用入力データを生成する。例えば、予測対象時間をｔ１１４０とすると、予測対象時間ｔ１１４０より前の所定の期間として、ｔ１０６０〜ｔ１０９０の如く、単位時間（例えば、分）８０ステップ前から５０ステップ前までの期間とすることができる。すなわち、予測用入力データは、時間ｔ１０６０〜ｔ１０９０での実測の気象情報を含む。なお、期間の長さを長くすれば、予測用入力データのデータ数が増えるので、発電電力の予測精度は高くなる。
上述の構成により、所定の期間での複数の地点での実測の気象情報の時系列データを用いて、当該所定の期間よりも後の予測対象時間における予測対象地点での発電電力を精度よく予測することができる。
本発明の実施の形態に係る発電電力予測装置は、前記予測用入力データ生成部は、前記予測対象地点及び予測対象時間での予測の気象情報を含む予測用入力データを生成することを特徴とする。
予測用入力データ生成部は、予測対象地点及び予測対象時間での予測の気象情報を含む予測用入力データを生成する。予測対象地点及び予測対象時間での予測の気象情報を予測用入力データに含めることにより、発電電力を精度よく予測することができる。
本発明の実施の形態に係る発電電力予測装置は、前記予測出力データ生成部は、発電電力の範囲を複数の区分に分けた該区分毎に予測出力データを生成することを特徴とする。
予測出力データ生成部は、発電電力の範囲を複数の区分に分けた当該区分毎に予測出力データを生成する。ニューラルネットワークの出力層のノード数をＮとすると、発電電力の範囲をＮ個の区分に分ける。例えば、５０ｋＷの電力を５０区分で分けた場合、１ｋＷ単位で０ｋＷから５０ｋＷまでの発電電力を出力データとして扱うことができる。これにより、発電電力を区分単位で予測することができる。なお、発電電力の範囲は５０ｋＷに限定されるものではない。また、区分数も５０に限定されない。
本発明の実施の形態に係る発電電力予測装置は、前記予測発電電力算出部は、前記複数の区分毎に定められた代表値及び該区分毎に生成された予測出力データに基づいて予測発電電力を算出することを特徴とする。
予測発電電力算出部は、複数の区分毎に定められた代表値及び区分毎に生成された予測出力データに基づいて予測発電電力を算出する。５０ｋＷの電力を５０区分で分けた場合に、区分１を０ｋＷ以上１ｋＷ未満とし、区分２を２ｋＷ以上３ｋＷ未満とし、以下、同様に区分３…区分５０の範囲を定める。代表値は、各区分での中央値とすることができる。例えば、区分１の中央値は０．５ｋＷとし、区分２の中央値は１．５ｋＷとし、以下同様に定めることができる。区分ｉの中央値をｍｉと表す。また、区分１の予測出力データをｙ１とし、区分２の予測出力データをｙ２とし、以下、同様に区分Ｎの予測出力データをｙＮとする。区分ｉの予測出力データをｙｉと表す。
予測発電電力算出部は、Ｗ＝｛Σ（ｙｉ×ｍｉ）｝／Σｙｉという式で予測発電電力Ｗを算出する。例えば、区分２０（範囲：１９ｋＷ以上２０ｋＷ未満、中央値：１９．５ｋＷ）の予測出力データｙ２０＝１であり、他の予測出力データが全て０であるとすると、予測発電電力Ｗは１９．５ｋＷとなる。これにより、ニューラルネットワークの出力層から出力される出力データの強さ（区分毎の確率と解釈することができる）に応じた発電電力を算出することができる。
本発明の実施の形態に係る発電電力予測装置は、学習対象地点及び学習対象時間を含む学習パラメータを決定する学習パラメータ決定部と、前記記憶部に記憶した発電情報及び気象情報並びに前記学習パラメータ決定部で決定した学習パラメータに基づいて、前記ニューラルネットワークモデルの学習用入力データを生成する学習用入力データ生成部と、前記学習パラメータ決定部で決定した学習パラメータに基づいて、前記ニューラルネットワークモデルの学習用出力データを生成する学習用出力データ生成部と、前記学習用入力データ生成部で生成した学習入力データ及び前記学習用出力データ生成部で生成した学習用出力データに基づいて前記ニューラルネットワークモデルの学習処理を行う学習処理部とを備えることを特徴とする。
学習パラメータ決定部は、学習対象地点及び学習対象時間を含む学習パラメータを決定する。学習パラメータは、ニューラルネットワークの学習及び更新のために用いられる予測パラメータである。学習対象地点は、発電設備が設置された地点でもよく、発電設備が将来設置される地点でもよい。発電電力を予測する発電設備の位置が学習対象地点であり、どの時間での発電電力を予測するかを特定するのが学習対象時間である。
学習用入力データ生成部は、記憶部に記憶した発電情報及び気象情報並びに学習パラメータ決定部で決定した学習パラメータに基づいて、ニューラルネットワークモデルの学習用入力データを生成する。学習用入力データは、ニューラルネットワークの学習及び更新のために用いられる入力データであり、学習用入力データ生成部は、入力層のノードの数（入力層のサイズ）と同じサイズのベクトル形式の学習用入力データを生成する。
学習用出力データ生成部は、学習パラメータ決定部で決定した学習パラメータに基づいて、ニューラルネットワークモデルの学習用出力データを生成する。学習用出力データは、ニューラルネットワークの出力データとして期待される出力値の分布を定める。学習用出力データ生成部は、出力層のノードの数（出力層のサイズ）と同じサイズのベクトル形式の学習用出力データを生成する。
学習処理部は、学習用入力データ生成部で生成した学習入力データ及び学習用出力データ生成部で生成した学習用出力データに基づいてニューラルネットワークモデルの学習処理を行う。学習入力データに基づいてニューラルネットワークが出力した出力データをｙ１、ｙ２、…ｙＮとする。また、ニューラルネットワークの出力データとして期待される出力値をｚ１、ｚ２、…ｚＮとする。学習処理部は、ニューラルネットワークが出力した出力データ及び期待される出力値を変数とする誤差関数によって誤差が最小となるように、ニューラルネットワークのノード間の結合の重みを最適化する。
上述のように、複数の地点における実測の発電電力の時系列データ及び実測の気象情報の時系列データ並びに学習対象地点及び学習対象時間を含む学習パラメータを、ニューラルネットワークの学習用入力データとして用いてニューラルネットワークの学習及び更新を行うので、任意の予測対象地点及び予測対象時間での発電電力を精度よく予測することができる。
本発明の実施の形態に係る発電電力予測装置は、前記学習用入力データ生成部は、前記学習対象時間より前の所定の期間での各発電設備に係る時系列の実測発電電力及び各発電設備の位置情報を含む学習用入力データを生成することを特徴とする。
学習用入力データ生成部は、学習対象時間より前の所定の期間での各発電設備に係る時系列の実測発電電力及び各発電設備の位置情報を含む学習用入力データを生成する。例えば、学習対象時間をｔ１１０とすると、学習対象時間ｔ１１０より前の所定の期間として、ｔ３０〜ｔ６０の如く、単位時間（例えば、分）８０ステップ前から５０ステップ前までの期間とすることができる。すなわち、学習用入力データは、時間ｔ３０〜ｔ６０での各発電設備に係る時系列の実測発電電力を含む。なお、期間の長さを長くすれば、学習用入力データのデータ数が増えるので、発電電力の予測精度は高くなる。
上述の構成により、所定の期間での各発電設備での実測の発電電力の時系列データを用いて、当該所定の期間よりも後の予測対象時間における予測対象地点での発電電力を精度よく予測するためのニューラルネットワークの学習及び更新を行うことができる。
本発明の実施の形態に係る発電電力予測装置は、前記学習用入力データ生成部は、前記複数の地点に係る前記所定の期間での実測の気象情報を含む学習用入力データを生成することを特徴とする。
学習用入力データ生成部は、複数の地点に係る所定の期間での実測の気象情報を含む学習用入力データを生成する。例えば、学習対象時間をｔ１１０とすると、学習対象時間ｔ１１０より前の所定の期間として、ｔ３０〜ｔ６０の如く、単位時間（例えば、分）８０ステップ前から５０ステップ前までの期間とすることができる。すなわち、学習用入力データは、時間ｔ３０〜ｔ６０での実測の気象情報を含む。なお、期間の長さを長くすれば、学習用入力データのデータ数が増えるので、発電電力の予測精度は高くなる。
上述の構成により、所定の期間での複数の地点での実測の気象情報の時系列データを用いて、当該所定の期間よりも後の予測対象時間における予測対象地点での発電電力を精度よく予測するためのニューラルネットワークの学習及び更新を行うことができる。
本発明の実施の形態に係る発電電力予測装置は、前記学習用入力データ生成部は、前記学習対象地点及び学習対象時間での実測の気象情報を含む学習用入力データを生成することを特徴とする。
学習用入力データ生成部は、学習対象地点及び学習対象時間での実測の気象情報を含む学習用入力データを生成する。学習対象地点及び学習対象時間での実測の気象情報を学習用入力データに含めることにより、発電電力を精度よく予測するためのニューラルネットワークの学習及び更新を行うことができる。
本発明の実施の形態に係る発電電力予測装置は、前記学習用出力データ生成部は、前記学習対象地点に近い地点に設置された発電設備に係る実測発電電力を含む学習用出力データを生成することを特徴とする。
学習用出力データ生成部は、学習対象地点に近い地点に設置された発電設備に係る実測発電電力を含む学習用出力データを生成する。学習対象地点が、発電設備が設置された地点である場合には、学習対象地点を当該地点とすることができる。また、学習対象地点が、発電設備が設置された複数の地点のいずれとも離れている場合には、当該複数の地点のうち学習対象地点に最も近い地点を学習対象地点とすることができる。学習対象地点に近い地点に設置された発電設備に係る実測発電電力を学習用出力データに含めることにより、発電電力を精度よく予測するためのニューラルネットワークの学習及び更新を行うことができる。
本発明の実施の形態に係る発電電力予測装置は、前記気象情報は、天気、天気の移り変わり、雲量及び日射の少なくとも一つを含むことを特徴とする。
気象情報は、天気、天気の移り変わり、雲量及び日射の少なくとも一つを含む。天気は、例えば、「晴」、「曇」、「晴時々曇」、「曇一時晴」などである。天気の移り変わりは、例えば、「晴後曇」、「曇後晴」などである。雲量は、空の全天に占める雲の割合である。日射は、例えば、単位面積あたりの日射強度（ｋＷ／ｍ2 ）、単位時間・単位面積あたりの日射量（ｋＷｈ／ｍ2 ）などである。これにより、太陽光発電の発電電力の多少に影響を与える要因を考慮することができる。
本発明の実施の形態に係る発電電力予測装置は、前記発電情報は、前記発電設備の定格発電容量を含むことを特徴とする。
発電情報は、発電設備の定格発電容量を含む。定格発電容量は、発電出力の定格値である。これにより、発電設備の発電出力の定格値の大小に関わらず、発電電力を精度よく予測することができる。
本発明の実施の形態に係るサーバは、太陽光発電に係る事業者から発電設備に係る発電データを取得する発電データ取得部と、該発電データ取得部で取得した発電データに基づいて、太陽光発電に関する第１情報を所定の第１価格条件で前記事業者のコンピュータへ出力する出力部と、前記事業者から前記第１価格条件よりも高額の第２価格条件での情報提供要求を受け付けた場合、本発明の実施の形態に係る発電予測装置による発電予測データを含む第２情報を、前記第２価格条件で前記事業者のコンピュータへ出力する出力部とを備えることを特徴とする。
発電データ取得部は、太陽光発電に係る事業者から発電設備に係る発電データを取得する。事業者は、例えば、発電所事業者、あるいはＯ＆Ｍ（Operation & Maintenance）事業者である。発電データは、事業者のコンピュータから取得することができる。
出力部は、発電データ取得部で取得した発電データに基づいて、太陽光発電に関する第１情報を所定の第１価格条件で事業者のコンピュータへ出力する。第１情報は、例えば、カレンダー機能（例えば、保守点検のスケジュール、天気予報などを記載）に関する情報、保守点検管理機能（点検表の出力、保存、管理など）に関する情報または発電量の管理機能に関する情報などの基本サービスに係る情報を含む。第１価格条件は、例えば、無料とすることができる。
出力部は、事業者から第１価格条件よりも高額の第２価格条件での情報提供要求を受け付けた場合、本実施の形態の発電予測装置による発電予測データを含む第２情報を、第２価格条件で事業者のコンピュータへ出力する。第２価格条件は、例えば、有料とすることができる。情報提供要求は、例えば、有料のオプション機能（インテリジェンス機能）を要求することを含む。
上述の構成により、太陽光発電に係る事業者に対して太陽光発電に関する基本サービスを無償で提供しつつ、事業者から発電設備に係る発電データを取得することができ、発電設備に係る発電データを、いわゆるビッグデータとして収集することが可能になる。収集したビッグデータ（発電データ）を用いて発電予測装置のニューラルネットワークの学習及び更新を行うことができ、発電予測装置の発電電力の予測精度を高めることができる。さらに、有料オプションを使用したい事業者に対しては、機械学習によって精度が高められた発電予測に関するサービスを提供することができる。
本発明によれば、精度よく発電電力を予測することができる。
本実施の形態の発電所及び発電監視システムの構成の一例を示すブロック図である。 発電所の発電情報の一例を示す説明図である。 本実施の形態の発電予測装置の構成の一例を示すブロック図である。 発電情報の一例を示す説明図である。 発電所詳細情報の一例を示す説明図である。 気象状態情報の一例を示す説明図である。 複数の発電所が設置された位置での気象の時間的変化と各発電所での発電電力との関係を模式的に示す説明図である。 本実施の形態のニューラルネットワークモデル部の構成の一例を模式的に示す説明図である。 本実施の形態の発電予測装置によるニューラルネットワークモデル部の学習処理及び更新処理の手順の一例を示すフローチャートである。 各発電所における発電電力情報及び気象情報の一例を示す説明図である。 学習用の予測パラメータの決定の様子を示す説明図である。 学習用の予測パラメータに近い条件の発電所の実測データの一例を示す説明図である。 発電所及び計測ユニット毎の発電電力情報及び気象情報の時系列１次元ベクトルの一例を示す説明図である。 本実施の形態の発電予測装置による学習用入力データの生成方法の一例を示す説明図である。 本実施の形態の発電予測装置が生成する学習用入力データの一例を示す説明図である。 本実施の形態の発電予測装置が生成する学習用出力データの一例を示す説明図である。 本実施の形態の発電予測装置によるニューラルネットワークモデル部の学習及び更新に用いる学習用データの関係を示す説明図である。 本実施の形態のニューラルネットワークモデル部の出力データの階級の一例を示す説明図である。 本実施の形態のニューラルネットワークモデル部の出力データの出力値の一例を示す説明図である。 本実施の形態のニューラルネットワークモデル部の出力データとして期待される出力値の分布の一例を示す説明図である。 ソフトマックス関数の算出のための出力層の階層構造の一例を模式的に示す説明図である。 本実施の形態の発電予測装置による発電電力の予測処理の手順の一例を示すフローチャートである。 各発電所における発電電力情報及び気象情報の一例を示す説明図である。 予測パラメータの決定の様子を示す説明図である。 発電所及び計測ユニット毎の発電電力情報及び気象情報の時系列１次元ベクトルの一例を示す説明図である。 本実施の形態の発電予測装置による予測用入力データの生成方法の一例を示す説明図である。 本実施の形態の発電予測装置が生成する予測用入力データの一例を示す説明図である。 本実施の形態の発電予測装置による発電電力の予測に用いる予測用データの関係を示す説明図である。 本実施の形態のニューラルネットワークモデル部の出力データの出力値の一例を示す説明図である。 本実施の形態のサーバの構成の一例を示すブロック図である。 太陽光発電に関する第１情報の第１例を示す説明図である。 太陽光発電に関する第１情報の第２例を示す説明図である。 太陽光発電に関する第１情報の第３例を示す説明図である。 本実施の形態のサーバの処理手順の一例を示すフローチャートである。 本実施の形態の文字列の一例を示す説明図である。 本実施の形態の発電予測装置による文字列から数値への変換の一例を示す説明図である。 本実施の形態の数値変換の一例を示す説明図である。
以下、本発明をその実施の形態を示す図面に基づいて説明する。図１は本実施の形態の発電所１０及び発電監視システム２０の構成の一例を示すブロック図である。発電所１０と発電監視システム２０との間はインターネットなどの通信回線３０で接続されている。また、発電監視システム２０と後述の発電予測装置との間もインターネットなどの通信回線３１で接続されている。なお、図１では、発電所１０及び発電監視システム２０をそれぞれ一つだけ図示しているが、発電所１０及び発電監視システム２０の数は一つに限定されない。また、一つの発電監視システム２０が複数の発電所１０と接続されている構成でもよい。
発電所１０は、発電設備としての太陽光発電所であり、太陽光発電パネル１１、インバータ１２、集電盤１３、計測ユニット１４及び通信ユニット１５などを備える。インバータ１２は、太陽光発電パネル１１が出力する直流を交流に変換する。太陽光発電パネル１１及びインバータ１２は、複数の系統毎に設けられている。集電盤１３は、各系統で得られた電力を集電する。計測ユニット１４は、集電盤１３で集められた発電電力情報などを計測し、数値または文字列に変換する。計測ユニット１４が計測対象とする設備は、集電盤１３の前段に配置されている太陽光発電パネル１１及びインバータ１２となる。各発電所１０は、１台の計測ユニット１４を備える。通信ユニット１５は、計測ユニット１４が出力する計測ユニット情報及び発電電力情報などの情報を発電監視システム２０へ送信する。
発電監視システム２０は、通信部２１、処理部２２、データベース２３、処理部２４及び通信部２５などを備える。通信部２１は、発電所１０の通信ユニット１５が送信する情報を受信する。処理部２２は、通信部２１で受信した情報をデータベース２３に登録する処理を行う。データベース２３は、発電所の発電情報を記憶する。
図２は発電所の発電情報の一例を示す説明図である。図２の例では、二箇所の発電所の発電情報を例示している。図２に示すように、発電情報は、時間情報、計測ユニット情報及び発電電力情報（実測発電電力）などで構成されている。発電情報は、時間情報、計測ユニット情報及び発電電力情報などを一定の時間ごとに定期または不定期に計測し記録した情報である。
時間情報は、一義的に定まる時点または時間帯を示す数値または文字列である。例えば、文字列「２０１６年１月」（年月）、文字列「２０１６年５月２３日午前」（日付および時間帯）、文字列「２０１６−０５−２３Ｔ１１：００：０１」（日付および秒単位時間）、または数値「１６１０１」（２０１６年１月１日０時０分０秒を起点とした経過ミリ秒数）などを含む。図２の例では、時間情報を符号ｔ１、ｔ２などで表す。
計測ユニット情報は、計測ユニット１４を一意に示す数値または文字列である。図２の例では、計測ユニット情報を符号ｕ１、ｕ２などで表す。
発電電力情報は、直流・交流の瞬時発電電力、発電電力量または発電電力の強さを示す数値または文字列である。例えば、数値「２」（パルス式電力量計の単位時間あたりのパルス数）、数値「１５．０」（ｋＷ単位を出力する電力計における計測値）、数値「２０．０１」（ｋＷｈ）、文字列「１０ｋＷ未満」または文字列「１０ｋＷｈ以上２０ｋＷｈ未満」などを含む。図２の例では、発電電力情報を符号ｐ１−１、ｐ１−２、ｐ２−１、ｐ２−２などで表す。
処理部２４は、データベース２３から発電情報を読み出す。通信部２５は処理部２４が読み出した発電情報を発電予測装置へ送信する。
図３は本実施の形態の発電予測装置５０の構成の一例を示すブロック図である。発電予測装置５０は、インターネットなどの通信回線を介して、複数の発電監視システム２０、２０、…、気象予報事業者４０（正確には、気象予報事業者のサーバ等）に接続されている。
図３に示すように、発電予測装置５０は、通信部５１、登録部５２、記憶部としてのデータベース５３、処理部５４及び外部のサーバ等との通信を行う通信部５５などを備える。また、処理部５４は、入力データ生成部５４１、パラメータ決定部５４２、ニューラルネットワークモデル部５４３、予測発電電力算出部５４４、学習処理部５４５及び学習データ生成部５４６などを備える。
データベース５３は、発電情報５３ａ、発電所詳細情報５３ｂおよび気象状態情報５３ｃなどを記憶する。発電情報５３ａ、発電所詳細情報５３ｂおよび気象状態情報５３ｃの詳細は後述する。
通信部５１は、発電情報取得部としての機能を有し、複数の地点に設置された発電所１０（発電設備）に係る時系列の実測発電電力を含む発電情報を取得する。また、通信部５１は、気象情報取得部としての機能を有し、複数の地点に係る気象情報を取得する。
登録部５２は、通信部５１が取得（受信）した各種の情報をデータベース５３に登録する。
図４は発電情報５３ａの一例を示す説明図である。図４に示すように、発電情報は、発電所情報、時間情報、計測ユニット情報および発電電力情報などで構成される。発電情報は、発電所情報、時間情報、計測ユニット情報および発電電力情報などの情報を一定の時間ごとに定期・不定期に取得し記録した情報である。発電情報は、各発電監視システム２０が送信した各発電所１０の発電情報に発電所情報を付加した情報である。発電所情報は、発電所１０を一意に示す数値または文字列である。図４の例では、発電所情報を符号ｓ１、ｓ２などで表す。
図５は発電所詳細情報５３ｂの一例を示す説明図である。図５に示すように、発電所詳細情報は、発電所情報、計測ユニット情報、設備情報および位置情報などで構成される。設備情報は、太陽光発電パネル１１およびインバータ１２などの設備に関する情報である。設備情報には、例えば、太陽光発電パネル１１の台数、製造者、型式、定格容量及び定格容量合計並びにインバータ１２の台数、製造者、型式、定格容量及び定格容量合計などの情報を含む。なお、設備情報を設備容量と設備種別値とに分けることもできる。設備情報は、設備を一意に示す数値または文字列である。図５の例では、設備情報を符号ｅ１、ｅ２などで表す。
位置情報は、発電所の位置を数値または文字列で表記した情報である。位置情報は、緯度及び経度で表記してもよく、あるいは市、郡または町などの地域を示す文字列で表記してもよい。図５の例では、位置情報を符号ｌ１、ｌ２などで表す。
図６は気象状態情報５３ｃの一例を示す説明図である。図６に示すように、気象状態情報５３ｃは、位置情報、時間情報および気象情報などで構成される。気象情報は、特定の時間及び位置における気象を数値または文字列で表記した情報である。気象情報は、その位置が近い気象台や発電所１０における天気、天気の移り変わり、雲量及び日射の少なくとも一つを含む。天気、天気の移り変わり、雲量及び日射などを纏めて気象とも称する。気象情報は、過去の実測の気象情報及び将来の気象情報の予報を含む。
図６の例では、位置情報ｌ１および時間情報ｔ１における気象情報をｗ１−１で表している。同様に、位置情報ｌ１および時間情報ｔ２における気象情報をｗ１−２で表している。また、位置情報ｌ２および時間情報ｔ１における気象情報をｗ２−１で表している。同様に、位置情報ｌ２および時間情報ｔ２における気象情報をｗ２−２で表している。以下、具体例で説明する。
図７は複数の発電所１０が設置された位置での気象の時間的変化と各発電所１０での発電電力との関係を模式的に示す説明図である。上段の図は複数の発電所の位置と気象の時間的変化の様子を示し、下段の図は発電電力の時間的推移の一例を示す。なお、便宜上、二つの発電所ｓ１、ｓ２（丸で囲まれた数字で示す）について説明する。二つの発電所ｓ１、ｓ２の位置をそれぞれｌ１、ｌ２とする。
上段の左側の図は、時間ｔ１における気象の状態を示す、発電所ｓ１の位置ｌ１での気象をｗ１−１で示し、発電所ｓ２の位置ｌ２での気象をｗ２−１で示す。気象ｗ１−１は「曇」であり、気象ｗ２−１は「晴」である。
上段の右側の図は、時間ｔ１より後の時間ｔ２における気象の状態を示す、発電所ｓ１の位置ｌ１での気象をｗ１−２で示し、発電所ｓ２の位置ｌ２での気象をｗ２−２で示す。気象ｗ１−２は「晴時々曇」であり、気象ｗ２−２は「曇一時晴」である。
上段の図に示すように、時間ｔ１においては、発電所ｓ１の位置での気象は「曇」であるため、発電所ｓ１の発電電力は時間ｔ１およびその付近で低下している。また、時間ｔ２においては、発電所ｓ２の位置での気象は「曇一時晴」であるため、発電所ｓ２の発電電力は時間ｔ２およびその付近で低下している。
上述のように、気象情報は、気象を示す文字列（例えば、「曇」、「晴」、「晴時々曇」および「曇一時晴」など）で表記することができる。また、気象情報は、気象を示すコード値で表記することもできる。例えば、「曇」、「晴」、「晴時々曇」および「曇一時晴」を、それぞれ「３」、「１」、「２」および「４」と表記することもできる。また、気象を、各発電所１０で計測された日射強度の値により表記することもできる。例えば、「曇」、「晴」、「晴時々曇」および「曇一時晴」を、それぞれ「０．５」、「０．９」、「０．８」および「０．６」と表記することもできる。また、気象を、各気象台で観測された雲量（空の全天に占める雲の割合）の値（例えば、０〜１０の１１段階の整数値）により表記することもできる。雲量は、日射強度に反比例する値で示すこともでき、例えば、「曇」、「晴」、「晴時々曇」および「曇一時晴」を、それぞれ「５」、「１」、「２」および「４」と表記することもできる。
気象情報は、計測ユニット１４毎に同じ様式を与えることができるが、計測ユニット１４毎に異なる様式を与えてもよい。例えば、計測ユニット情報がｕ１（位置情報がｌ１）の計測ユニット１４に対しては、気象情報として３時間ごとの天気の観測値を与え、計測ユニット情報がｕ２（位置情報がｌ２）の計測ユニット１４に対しては、気象情報として日射強度の計測値を与えることができる。
パラメータ決定部５４２は、発電電力を予測する場合、予測パラメータ決定部として機能する。すなわち、パラメータ決定部５４２は、予測対象地点及び予測対象時間を含む予測パラメータを決定する。予測対象地点は、発電所１０が設置された地点でもよく、発電所１０が将来設置される地点でもよい。発電電力を予測する発電所１０の位置が予測対象地点であり、どの時間での発電電力を予測するかを特定するのが予測対象時間である。
また、パラメータ決定部５４２は、ニューラルネットワークモデル部５４３の学習及び更新を行う場合、学習パラメータ決定部として機能する。すなわち、パラメータ決定部５４２は、学習対象地点及び学習対象時間を含む学習パラメータを決定する。学習パラメータは、ニューラルネットワークモデル部５４３の学習及び更新のために用いられる予測パラメータである。学習対象地点は、発電所１０が設置された地点でもよく、発電所１０が将来設置される地点でもよい。発電電力を予測する発電所１０の位置が学習対象地点であり、どの時間での発電電力を予測するかを特定するのが学習対象時間である。
入力データ生成部５４１は、発電電力を予測する場合、予測用入力データ生成部として機能する。すなわち、入力データ生成部５４１は、データベース５３に記憶した発電情報及び気象情報並びにパラメータ決定部５４２で決定した予測パラメータに基づいて、ニューラルネットワークモデル部５４３への予測用入力データを生成する。入力データ生成部５４１は、ニューラルネットワークモデル部５４３の入力層のノードの数（入力層のサイズ）と同じサイズのベクトル形式の予測用入力データを生成する。
図８は本実施の形態のニューラルネットワークモデル部５４３の構成の一例を模式的に示す説明図である。図８に示すように、ニューラルネットワークモデル部５４３は、入力層、出力層及び複数の中間層から構成されている。なお、図８では、便宜上、２つ中間層を図示しているが、中間層の層数は２つに限定されず、３つ以上であってもよい。また、図８の例では、便宜上、入力層のノードの数（層のサイズ）が５、中間層のノードの数が３、出力層のノードの数が４であるが、層のサイズは、図８の例に限定されない。
入力層、出力層及び中間層には、１つ又は複数のノード（ニューロン）が存在し、各層のノードは、前後の層に存在するノードと一方向に所望の重みで結合されている。入力層のノードの数（図８の例では、便宜上５個だけ図示）と同数の成分を有するベクトルが、学習済のニューラルネットワークモデル部５４３の入力データとして与えられる。図８では、入力データとして、実測値と予測パラメータとが図示されている。実測値には、例えば、前述の位置情報、設備情報、時間情報、気象情報および発電電力情報などが含まれる。また、予測パラメータには、位置情報、時間情報、気象情報および設備情報などが含まれる。
入力層の各ノードに与えられたデータは、最初の中間層に入力して与えられると、重みおよび活性化関数を用いて中間層の出力が算出され、算出された値が次の中間層に与えられ、以下同様にして出力層の出力が求められるまで次々と後の層（下層）に伝達される。なお、ノードを結合する重みのすべては、後述の学習アルゴリズムによって計算される。
ニューラルネットワークモデル部５４３の出力層は、予測出力データ生成部としの機能を有し、予測出力データを生成する。予測出力データは、出力層のノードの数（出力層のサイズ）と同じサイズの成分を有するベクトル形式のデータである。
ニューラルネットワークモデル部５４３の出力層は、発電電力の範囲を複数の階級（区分とも称する）毎に予測出力データを生成する。ニューラルネットワークモデル部５４３の出力層のノード数をＮとすると、発電電力の範囲をＮ個の区分に分ける。例えば、５０ｋＷの電力を５０区分で分けた場合、１ｋＷ単位で０ｋＷから５０ｋＷまでの発電電力を出力データとして扱うことができる。これにより、発電電力を階級（区分）単位で予測することができる。なお、発電電力の範囲は５０ｋＷに限定されるものではない。また、階級数も５０に限定されない。図８の例では、階級毎の出力値をｙ＿ｉ（ｉ＝１〜Ｎ）で表している。なお、階級の出力値は、出力の強さとも称され、各階級に分類される確率と解釈することができる。
予測発電電力算出部５４４は、ニューラルネットワークモデル部５４３の出力層が出力する予測出力データに基づいて予測対象地点及び予測対象時間での予測発電電力を算出する。例えば、出力層の数を１、２、…Ｎとし、出力層が出力する予測出力データを、ｙ１、ｙ２、…ｙＮとする。予測発電電力算出部５４４は、予測出力データｙ１、ｙ２、…ｙｋ、…ｙＮに基づいて予測発電電力を算出する。例えば、ｙｋ＝１であり、他の予測出力データが０である場合、予測発電電力算出部５４４は、ｙｋに基づいて予測発電電力を算出する。
上述のように、複数の地点における実測の発電電力の時系列データ及び実測の気象情報の時系列データを、ニューラルネットワークモデル部５４３の予測用入力データとするので、所望の予測対象地点及び予測対象時間での発電電力を精度よく予測することができる。
次に、本実施の形態の発電予測装置５０の動作について説明する。最初に、ニューラルネットワークモデル部５４３の学習処理及び更新処理について説明し、次に発電予測装置５０による発電電力の予測処理について説明する。
図９は本実施の形態の発電予測装置５０によるニューラルネットワークモデル部５４３の学習処理及び更新処理の手順の一例を示すフローチャートである。なお、以下では便宜上処理の主体を処理部５４として説明する。処理部５４は、各発電所１０における発電電力情報及び気象情報をデータベース５３から読み出す（Ｓ１１）。なお、以下の説明では、データベース５３から読み出した発電電力情報及び気象情報を実測データとも称する。
図１０は各発電所１０における発電電力情報及び気象情報の一例を示す説明図である。図１０は、処理部５４がステップＳ１１で読み出した各発電所１０における発電電力情報及び気象情報を示す。図１０の例では、符号ｓ１〜ｓ５の５箇所の発電所１０それぞれが計測ユニットを１つずつ保有しており、時間ｔ１からｔ１２０までの発電電力情報を１２０個記録している。なお、時間情報は、一義的に定められる。すなわち、時間ｔｉは、時間ｔ０を基点として、単位時間×ｉだけ経過した時間である。例えば、単位時間を分とし、基点の時間ｔ０が２０１６年５月１０日の１２：００とすると、時間ｔ１は２０１６年５月１０日の１２：０１となり、時間ｔ１２０は２０１６年５月１０日の１４：００となる。なお、図１０の例では、時間ｔ１からｔ１２０までの１２０個の時間情報を示しているが、時間情報の数はもっと多くてもよい。単位時間を分とすると、１日は１４４０分であるので、１日に相当する時間情報は１４４０個となる。また、１年（３６５日）に相当する時間情報は５２５６００個となる。また、気象は緩やかに変化するので、複数の連続する時間に亘って同じ気象（例えば、「晴」や「曇」など）となる場合がある。また、各発電所１０における記録は欠損していてもよい。欠損している場合には、欠損していることを示す代替値を与えればよい。
処理部５４（パラメータ決定部５４２）は、学習用の予測パラメータを決定し（Ｓ１２）学習用の予測対象位置及び予測対象時間における実測の気象情報を特定する（Ｓ１３）。
図１１は学習用の予測パラメータの決定の様子を示す説明図である。図１１の例では、学習用の予測パラメータとして、予測対象時間ｔ１１０、予測対象位置ｌ２および予測対象設備情報ｅ１を決定している。そして、予測対象時間ｔ１１０および予測対象位置ｌ２における気象情報ｗ２−１１０をステップＳ１１で読み出した実測データから特定する。
処理部５４は、学習用の予測パラメータに近い条件の発電所１０の実測データを特定する（Ｓ１４）。
図１２は学習用の予測パラメータに近い条件の発電所の実測データの一例を示す説明図である。図１２に示すように、学習用の予測パラメータの予測対象時間がｔ１１０、予測対象位置がｌ２、予測対象設備情報がｅ１であるので、条件が近い発電所として発電所ｓ２の実測データが特定される。
処理部５４（学習データ生成部５４６）は、学習用の予測対象時間に基づいて学習用入力データを生成する（Ｓ１５）。学習データ生成部５４６は、学習用入力データを生成する前処理として、発電所１０及び計測ユニット１４毎の発電電力情報及び気象情報を時系列１次元ベクトルに変形する。
図１３は発電所１０及び計測ユニット１４毎の発電電力情報及び気象情報の時系列１次元ベクトルの一例を示す説明図である。図１３に示す例では、発電所毎に、発電所情報、計測ユニット情報、時間ｔ１からｔ１２０までの発電電力情報および時間ｔ１からｔ１２０までの気象情報を成分とする１次元ベクトルに変形されている。
図１４は本実施の形態の発電予測装置５０による学習用入力データの生成方法の一例を示す説明図である。学習用の入力データとしては、学習用の予測パラメータに近い条件の実測データを用意する。発電電力を予測する処理では、未来の時間に対して予測を行うので、学習用の入力データの時間情報は、予測対象時間よりも過去の時間情報に制限する。例えば、図１４に示すように、予測対象時間ｔ１１０（図１１参照）に対して単位時間８０から５０ステップ前まで（予測対象時間がｔ１１０の場合、時間ｔ３０から時間ｔ６０まで）の実測データ（発電電力情報及び気象情報）を用意する。すなわち、時間ｔ１１０における予測対象位置ｌ２および予測対象設備情報ｅ１の発電電力情報の予測を行うために、時間ｔ３０〜時間ｔ６０における各発電所の実測データを用いる。時間ｔ３０から時間ｔ６０までの期間は、一例であって、上述の例に限定されるものではない。また、上述の例では、予測対象時間ｔ１１０に対して、当該期間（時間ｔ３０から時間ｔ６０まで）の最後の時間を時間ｔ６０としているが、当該時間ｔ６０も、どの程度先の時間での予測を行うかに応じて、適宜設定することができる。
図１５は本実施の形態の発電予測装置５０が生成する学習用入力データの一例を示す説明図である。図１５に示すように、学習データ生成部５４６は、実測データおよび予測パラメータを１次元ベクトルに展開して、学習用の入力データを生成する。
処理部５４（学習データ生成部５４６）は、ステップＳ１４で特定した実測データに基づいて学習用出力データを生成する（Ｓ１６）。
図１６は本実施の形態の発電予測装置５０が生成する学習用出力データの一例を示す説明図である。図１６に示すように、学習データ生成部５４６は、予測対象時間ｔ１１０、予測対象位置ｌ２および予測対象設備情報ｅ１に近い発電所ｓ２の発電電力情報を学習データとして採用する。
図１７は本実施の形態の発電予測装置５０によるニューラルネットワークモデル部５４３の学習及び更新に用いる学習用データの関係を示す説明図である。図１７において、横軸は時間を示し、縦軸は実測データの集合体を示す。図中、符号ｓ１〜ｓ５で示す曲線は、５箇所の発電所１０それぞれの実測データの集まりを表す（すなわち、発電電力情報及び気象情報などの実測データを纏めて一つの曲線で便宜上表している）。また、図１７において、細線の曲線は、存在する実測データ（実際に実測されて存在するデータ）を示し、太線の曲線は、存在する実測データのうち、学習用に使用するデータを示す。なお、図１７に示す曲線は、実測データが時間の経過とともに変化する様子を便宜的に示すものであり、実際の実測データの変化を示すものではない。
発電電力の予測は未来の時間に対して行う。そこで、予め収集された過去の実測データの中から、まず、予測対象時間ｔ１１０および予測対象位置ｌ２を決定する。そして、予測対象時間ｔ１１０よりもさらに過去の時間ｔ３０から時間ｔ６０までの間の実測データを学習用入力データとして採用する。この実測データには、時間ｔ３０からｔ６０までの発電電力情報及び気象情報などが含まれる。また、発電電力の予測を行う場合には、予測時間での気象情報の予報（未来の気象情報）も入力データとして用いるので、予測対象時間ｔ１１０および予測対象位置ｌ２における気象情報（実測値）も学習用入力データとして採用する。さらに、予測対象時間ｔ１１０および予測対象位置ｌ２における発電電力情報は、発電電力の予測を行う場合には、予測値に相当するので、予測対象時間ｔ１１０および予測対象位置ｌ２における発電電力情報を学習用出力データとして採用する。
学習処理及び更新処理を繰り返す場合には、例えば、以下の２通りの処理が考えられる。前日の実測データに基づいて当日の発電電力を予測するような場合には、第１の処理として、時間ｔ３０から時間ｔ６０までの実測データは変更せずに、予測対象時間ｔ１１０だけ単位時間ずつ将来の方向へ変化させて処理を繰り返すことができる。また、当日の実測データに基づいて、当日の近い将来（例えば、３０分後、１時間後、２時間後など）発電電力を予測するような場合には、第２の処理として、予測対象時間ｔ１１０を単位時間ずつ将来の方向へ変化させるとともに、実測データの時間（ｔ３０、ｔ６０）も単位時間ずつ将来の方向へ変化させて処理を繰り返すことができる。
処理部５４（学習処理部５４５）は、ニューラルネットワークモデル部５４３の学習及び更新を行う（Ｓ１７）。以下、学習アルゴリズムについて説明する。
図１８は本実施の形態のニューラルネットワークモデル部５４３の出力データの階級の一例を示す説明図である。図１８に示すように、１から５０までの階級（ｉ）に分け、階級１は電力範囲が０ｋＷ以上１ｋＷ未満であり、階級２は電力範囲が１ｋＷ以上２ｋＷ未満であり、以下同様に、階級５０は電力範囲が４９ｋＷ以上５０ｋＷ未満である。また、各階級の代表値として中央値（ｍ＿ｉ）を定める。例えば、階級１では、中央値は０．５ｋＷである。これにより、１ｋＷ単位で０ｋＷから５０ｋＷまでの発電電力を出力データとして扱うことができる。なお、発電所１０の発電電力に応じて、電力範囲、階級の数などは適宜変更することができる。
図１９は本実施の形態のニューラルネットワークモデル部５４３の出力データの出力値の一例を示す説明図である。図１９に示すように、ニューラルネットワークモデル部５４３の出力データの出力値は、階級（ｉ）毎にｙ＿ｉ（ｉ＝１…Ｎ）で表す。
図２０は本実施の形態のニューラルネットワークモデル部５４３の出力データとして期待される出力値の分布の一例を示す説明図である。出力データに期待される結果は、学習データが属する階級のみが出力される場合である。そこで、学習データが属する階級がｊの場合、期待される出力値ｙ＿ｊのみ１とし、その他の階級の出力値を０とする。例えば、図２０に示すように、学習用出力データが１．８ｋＷであった場合、当該学習用出力データは階級２に属するので、階級２の出力値ｚ＿２を１とし、その他の出力値を０とする。
学習処理部５４５は、ニューラルネットワークモデル部５４３の出力値および期待される出力値を変数とする誤差関数により誤差を計算し、誤差逆伝搬法によって当該誤差が最小となるように、ニューラルネットワークモデル部５４３のノード間の結合の重みを最適化する。
以下、具体例として、出力層の活性化関数にソフトマックス関数を用い、誤差関数に交差エントロピー関数を用いる場合について説明する。ニューラルネットワークモデル部５４３の出力値ｙ＿ｉは、式（１）で示すソフトマックス関数により求める。
Figure 2018007312
図２１はソフトマックス関数の算出のための出力層の階層構造の一例を模式的に示す説明図である。ソフトマックス関数により、出力層の各階級の出力の強さは、各階級に分類される確率と解釈することができる。ソフトマックス関数により、出力層の各階級の出力の強さが０〜１の範囲に正規化され、各階級の出力の強さの合計が１となるからである。
期待される出力値が得られる確率ｐ（ｚ｜ｙ）は、式（２）で表すことができる。なお、式（２）において、符号＾は冪演算を示す。誤差関数として、式（３）に示すような、確率の対数値に-１を乗じた交差エントロピー関数Ｅ（ｙ、ｚ）を用いることで、確率を最大化することと、誤差を最小化することは、数学的に等価となる。＾
処理部５４は、処理を終了するか否かを判定し（Ｓ１８）、処理を終了しない場合（Ｓ１８でＮＯ）、学習用の予測パラメータを変更し（Ｓ１９）、ステップＳ１３以降の処理を続け、処理を終了する場合（Ｓ１８でＹＥＳ）、処理を終了する。
このように、学習用の予測パラメータを変更し、学習用データの生成と、ニューラルネットワークモデル部５４３の学習及び更新を繰り返す。なお、複数の学習用の予測パラメータに対応する学習用データを予め作成し、ニューラルネットワークモデル部５４３の学習及び更新を一括して実施するミニバッチ法を用いることできる。
前述のように、本実施の形態によれば、複数の地点における実測の発電電力の時系列データ及び実測の気象情報の時系列データ並びに学習対象地点及び学習対象時間を含む学習パラメータを、ニューラルネットワークモデル部５４３の学習用入力データとして用いてニューラルネットワークモデル部５４３の学習及び更新を行うので、任意の予測対象地点及び予測対象時間での発電電力を精度よく予測することができる。
また、学習データ生成部５４６は、学習対象時間より前の所定の期間での各発電所１０に係る時系列の実測発電電力及び各発電所１０の位置情報を含む学習用入力データを生成する。例えば、学習対象時間をｔ１１０とすると、学習対象時間ｔ１１０より前の所定の期間として、ｔ３０〜ｔ６０の如く、単位時間（例えば、分）８０ステップ前から５０ステップ前までの期間とすることができる。すなわち、学習用入力データは、時間ｔ３０〜ｔ６０での各発電所１０に係る時系列の実測発電電力を含む。なお、期間の長さを長くすれば、学習用入力データのデータ数が増えるので、発電電力の予測精度は高くなる。
上述の構成により、所定の期間での各発電所１０での実測の発電電力の時系列データを用いて、当該所定の期間よりも後の予測対象時間における予測対象地点での発電電力を精度よく予測するためのニューラルネットワークモデル部５４３の学習及び更新を行うことができる。
また、学習データ生成部５４６は、複数の地点に係る所定の期間での実測の気象情報を含む学習用入力データを生成する。例えば、学習対象時間をｔ１１０とすると、学習対象時間ｔ１１０より前の所定の期間として、ｔ３０〜ｔ６０の如く、単位時間（例えば、分）８０ステップ前から５０ステップ前までの期間とすることができる。すなわち、学習用入力データは、時間ｔ３０〜ｔ６０での実測の気象情報を含む。なお、期間の長さを長くすれば、学習用入力データのデータ数が増えるので、発電電力の予測精度は高くなる。
上述の構成により、所定の期間での複数の地点での実測の気象情報の時系列データを用いて、当該所定の期間よりも後の予測対象時間における予測対象地点での発電電力を精度よく予測するためのニューラルネットワークモデル部５４３の学習及び更新を行うことができる。
また、学習データ生成部５４６は、学習対象地点及び学習対象時間での実測の気象情報を含む学習用入力データを生成する。学習対象地点及び学習対象時間での実測の気象情報を学習用入力データに含めることにより、発電電力を精度よく予測するためのニューラルネットワークモデル部５４３の学習及び更新を行うことができる。
また、学習データ生成部５４６は、学習対象地点に近い地点に設置された発電所１０に係る実測発電電力を含む学習用出力データを生成する。学習対象地点が、発電所１０が設置された地点である場合には、学習対象地点を当該地点とすることができる。また、学習対象地点が、発電所１０が設置された複数の地点のいずれとも離れている場合には、当該複数の地点のうち学習対象地点に最も近い地点を学習対象地点とすることができる。学習対象地点に近い地点に設置された発電所１０に係る実測発電電力を学習用出力データに含めることにより、発電電力を精度よく予測するためのニューラルネットワークモデル部５４３の学習及び更新を行うことができる。
次に発電予測装置５０による発電電力の予測処理について説明する。
図２２は本実施の形態の発電予測装置５０による発電電力の予測処理の手順の一例を示すフローチャートである。なお、以下では便宜上処理の主体を処理部５４として説明する。処理部５４は、各発電所１０における発電電力情報及び気象情報をデータベース５３から読み出す（Ｓ３１）。
図２３は各発電所１０における発電電力情報及び気象情報の一例を示す説明図である。図２３は、処理部５４がステップＳ３１で読み出した各発電所１０における発電電力情報及び気象情報を示す。図２３の例では、符号ｓ１〜ｓ５の５箇所の発電所１０それぞれが計測ユニットを１つずつ保有しており、時間ｔ１００１からｔ１１２０までの発電電力情報を１２０個記録している。学習段階と同様、時間ｔｉは、時間ｔ０を基点とし、単位時間×ｉだけ経過した時間である。なお、学習段階から時間が経過していることを示すために、図２３では、時間情報の最初の時間をｔ１００１としている。
処理部５４は、予測パラメータを決定し（Ｓ３２）、予測対象位置及び予測対象時間における気象情報の予報を取得する（Ｓ３３）。
図２４は予測パラメータの決定の様子を示す説明図である。図２４の例では、予測パラメータとして、予測対象時間ｔ１１４０、予測対象位置ｌ２および予測対象設備情報ｅ１を決定している。そして、予測対象時間ｔ１１４０および予測対象位置ｌ２における気象情報ｗ２−１１４０（予報値）を取得する。
処理部５４（入力データ生成部５４１）は、予測対象時間に基づいて予測用入力データを生成する（Ｓ３４）。入力データ生成部５４１は、予測用入力データを生成する前処理として、発電所１０及び計測ユニット１４毎の発電電力情報及び気象情報を時系列１次元ベクトルに変形する。
図２５は発電所１０及び計測ユニット１４毎の発電電力情報及び気象情報の時系列１次元ベクトルの一例を示す説明図である。図２５に示す例では、発電所毎に、発電所情報、計測ユニット情報、時間ｔ１００１からｔ１１２０までの発電電力情報および時間ｔ１００１からｔ１１２０までの気象情報を成分とする１次元ベクトルに変形されている。
図２６は本実施の形態の発電予測装置５０による予測用入力データの生成方法の一例を示す説明図である。予測用の入力データとしては、予測パラメータに近い条件の実測データを用意する。例えば、図２６に示すように、予測対象時間ｔ１１４０（図２４参照）に対して単位時間８０から５０ステップ前まで（予測対象時間がｔ１１４０の場合、時間ｔ１０６０から時間ｔ１０９０まで）の実測データ（発電電力情報及び気象情報）を用意する。すなわち、時間ｔ１１４０における予測対象位置ｌ２および予測対象設備情報ｅ１の発電電力情報の予測を行うために、時間ｔ１０６０〜時間ｔ１０９０における各発電所１０の実測データを用いる。時間ｔ１０６０から時間ｔ１０９０までの期間は、一例であって、上述の例に限定されるものではない。また、上述の例では、予測対象時間ｔ１１４０に対して、当該期間（時間ｔ１０６０から時間ｔ１０９０まで）の最後の時間を時間ｔ１０９０としているが、当該時間ｔ１０９０も、どの程度先の時間での予測を行うかに応じて、適宜設定することができる。
図２７は本実施の形態の発電予測装置５０が生成する予測用入力データの一例を示す説明図である。図２７に示すように、入力データ生成部５４１は、実測データおよび予測パラメータを１次元ベクトルに展開して、予測用入力データを生成する。
図２８は本実施の形態の発電予測装置５０による発電電力の予測に用いる予測用データの関係を示す説明図である。図２８において、横軸は時間を示し、縦軸は実測データの集合体を示す。図中、符号ｓ１〜ｓ５で示す曲線は、５箇所の発電所１０それぞれの実測データの集まりを表す（すなわち、発電電力情報及び気象情報などの実測データを纏めて一つの曲線で便宜上表している）。また、図２８において、細線の曲線は、存在する実測データ（実際に実測されて存在するデータ）を示し、太線の曲線は、存在する実測データのうち、学習用に使用するデータを示す。なお、図２８に示す曲線は、実測データが時間の経過とともに変化する様子を便宜的に示すものであり、実際の実測データの変化を示すものではない。
現在の時間をｔ１１２０とする。実測データの収集処理には、処理に係るタイムラグが存在する。そのタイムラグを表すため、図２８では、各発電所１０の実測データの最新の時間（細線で示す曲線の右端）が、ばらついているとともに、現在時間ｔ１１２０まで到達していない。なお、時間ｔ１０９０では、各発電所１０の実測データは存在している。発電電力の予測は未来の時間に対して行う。まず、予測対象時間ｔ１１４０および予測対象位置ｌ２を決定する。そして、予測対象時間ｔ１１４０よりも過去の時間ｔ１０６０から時間ｔ１０９０までの間の実測データを予測用入力データとして採用する。この実測データには、時間ｔ１０６０からｔ１０９０までの発電電力情報及び気象情報などが含まれる。また、予測対象時間ｔ１１４０および予測対象位置ｌ２における気象情報の予報も予測用入力データとして採用する。予測用入力データを学習済のニューラルネットワークモデル部５４３の入力層に与えることにより、予測対象時間ｔ１１４０および予測対象位置ｌ２における予測発電電力を求めることができる。
発電電力を予測する場合には、例えば、以下の２通りの処理が考えられる。前日の実測データに基づいて当日の発電電力を予測するような場合には、第１の処理として、時間ｔ１０６０から時間ｔ１０９０までの実測データは変更せずに、予測対象時間ｔ１１４０だけ単位時間ずつ将来の方向へ変化させて処理を繰り返すことができる。また、当日の実測データに基づいて、当日の近い将来（例えば、３０分後、１時間後、２時間後など）発電電力を予測するような場合には、第２の処理として、予測対象時間ｔ１１４０を単位時間ずつ将来の方向へ変化させるとともに、実測データの時間（ｔ１０６０及びｔ１０９０）も単位時間ずつ将来の方向へ変化させて処理を繰り返すことができる。
処理部５４は、予測出力データを生成する（Ｓ３５）。
図２９は本実施の形態のニューラルネットワークモデル部５４３の出力データの出力値の一例を示す説明図である。図２９に示すように、ニューラルネットワークモデル部５４３の出力データの出力値は、階級（ｉ）毎にｙ＿ｉ（ｉ＝１…Ｎ）で表す。
処理部５４（予測発電電力算出部５４４）は、予測発電電力を算出する（Ｓ３６）。予測発電電力Ｗは、式（４）により算出することができる。
Figure 2018007312
予測発電電力算出部５４４は、複数の階級（区分）毎に定められた中央値（代表値）及び階級毎に生成された予測出力データに基づいて予測発電電力を算出する。例えば、階級１０（範囲：９ｋＷ以上１０ｋＷ未満、中央値：９．５ｋＷ）の予測出力データｙ１０＝１であり、他の予測出力データが全て０であるとすると、予測発電電力Ｗは９．５ｋＷとなる。これにより、ニューラルネットワークモデル部５４３の出力層から出力される出力データの強さに応じた発電電力を算出することができる。
なお、予測発電電力の算出方法は、前述の式（４）による方法に限定されない。例えば、階級（ｉ）毎の出力値ｙ＿ｉ（ｉ＝１…Ｎ）の中で、出力値が最大となる階級の代表値（例えば、中央値）を予測発電電力として算出することができる。
また、階級（ｉ）毎の出力値ｙ＿ｉ（ｉ＝１…Ｎ）の中で、出力値が最大となる階級が二つ以上ある場合には、階級値が最も大きい（電力が最も大きい）方の階級の代表値（例えば、中央値）を予測発電電力として算出してもよく、あるいは、階級値が小さい（電力が小さい）方の階級の代表値（例えば、中央値）を予測発電電力として算出してもよい。階級値の大きい方を採用するか、小さい方を採用するかは、発電電力の予測の目的等に応じて適宜決定すればよい。
処理部５４は、処理を終了するか否かを判定し（Ｓ３７）、処理を終了しない場合（Ｓ３７でＮＯ）、ステップＳ３２以降の処理を続け、処理を終了する場合（Ｓ３７でＹＥＳ）、処理を終了する。
上述のように、本実施の形態によれば、入力データ生成部５４１は、予測対象時間より前の所定の期間での各発電所１０に係る時系列の実測発電電力及び各発電所１０の位置情報を含む予測用入力データを生成する。例えば、予測対象時間をｔ１１４０とすると、予測対象時間ｔ１１４０より前の所定の期間として、ｔ１０６０〜ｔ１０９０の如く、単位時間（例えば、分）８０ステップ前から５０ステップ前までの期間とすることができる。すなわち、予測用入力データは、時間ｔ１０６０〜ｔ１０９０での各発電所１０に係る時系列の実測発電電力を含む。なお、期間の長さを長くすれば、予測用入力データのデータ数が増えるので、発電電力の予測精度は高くなる。
上述の構成により、所定の期間での各発電所１０での実測の発電電力の時系列データを用いて、当該所定の期間よりも後の予測対象時間における予測対象地点での発電電力を精度よく予測することができる。
また、入力データ生成部５４１は、複数の地点に係る所定の期間での実測の気象情報を含む予測用入力データを生成する。例えば、予測対象時間をｔ１１４０とすると、予測対象時間ｔ１１４０より前の所定の期間として、ｔ１０６０〜ｔ１０９０の如く、単位時間（例えば、分）８０ステップ前から５０ステップ前までの期間とすることができる。すなわち、予測用入力データは、時間ｔ１０６０〜ｔ１０９０での実測の気象情報を含む。なお、期間の長さを長くすれば、予測用入力データのデータ数が増えるので、発電電力の予測精度は高くなる。
上述の構成により、所定の期間での複数の地点での実測の気象情報の時系列データを用いて、当該所定の期間よりも後の予測対象時間における予測対象地点での発電電力を精度よく予測することができる。
また、入力データ生成部５４１は、予測対象地点及び予測対象時間での予測の気象情報を含む予測用入力データを生成する。予測対象地点及び予測対象時間での予測の気象情報を予測用入力データに含めることにより、発電電力を精度よく予測することができる。
上述のように、気象情報は、天気、天気の移り変わり、雲量及び日射の少なくとも一つを含む。天気は、例えば、「晴」、「曇」、「晴時々曇」、「曇一時晴」などである。天気の移り変わりは、例えば、「晴後曇」、「曇後晴」などである。雲量は、空の全天に占める雲の割合である。日射は、例えば、単位面積あたりの日射強度（ｋＷ／ｍ2 ）、単位時間・単位面積あたりの日射量（ｋＷｈ／ｍ2 ）などである。天気、天気の移り変わり、雲量及び日射などを纏めて気象とも称する。これにより、太陽光発電の発電電力の多少に影響を与える要因を考慮することができる。
また、発電情報には、発電所の定格発電容量を含む。定格発電容量は、発電出力の定格値である。これにより、発電所の発電出力の定格値の大小に関わらず、発電電力を精度よく予測することができる。
本実施の形態の発電予測装置５０は、ＣＰＵ（プロセッサ）、ＧＰＵ（グラフィクス・プロセッシング・ユニット）、ＲＡＭなどを備えた汎用コンピュータを用いて実現することもできる。すなわち、図９及び図２２に示すような、各処理の手順を定めたコンピュータプログラムをコンピュータに備えられたＲＡＭにロードし、コンピュータプログラムをＣＰＵ（プロセッサ）で実行することにより、コンピュータ上で発電予測装置５０を実現することができる。また、発電予測装置５０は、一又は複数のサーバで構成することもできる。
前述の本実施の形態では、単位時間を分として説明したが、単位時間は分に限定されるものではない。例えば、単位時間を、５分、１０分、３０分、１時間などにすることもできる。
次に、本実施の形態の発電予測装置５０を用いて発電所事業者又はＯ＆Ｍ（Operation & Maintenance）事業者などへ所定のサービスを提供する方法について説明する。
図３０は本実施の形態のサーバ１００の構成の一例を示すブロック図である。図３０に示すように、サーバ１００は、インターネットなどの通信回線３２を介して発電所事業者２００及びＯ＆Ｍ事業者３００（具体的には、各事業者が保有するコンピュータ）に接続されている。また、サーバ１００は、発電予測装置５０に接続されている。
サーバ１００は、制御部１０１、通信部１０２、記憶部１０３、第１情報生成部１０４および第２情報生成部１０５などを備える。
通信部１０２は、発電データ取得部としての機能を有し、太陽光発電に係る事業者（発電所事業者２００又はＯ＆Ｍ事業者３００）から発電設備に係る発電データを取得する。発電データは、事業者のコンピュータから取得することができる。発電データは、例えば、図２で例示した発電情報を含む。通信部１０２で取得した発電データは、記憶部１０３に記憶される。また、通信部１０２は、後述の第１情報及び第２情報を出力する出力部としての機能を有する。
第１情報生成部１０４は、通信部１０２で取得した発電データ、すなわち記憶部１０３に記憶した発電データに基づいて、太陽光発電に関する第１情報を生成する。
図３１は太陽光発電に関する第１情報の第１例を示す説明図である。図３１に示すように、第１情報は、カレンダー機能（例えば、保守点検のスケジュール、天気予報などを記載）に関する情報である。
図３２は太陽光発電に関する第１情報の第２例を示す説明図である。図３２に示すように、第１情報は、保守点検管理機能（点検表の出力、保存、管理など）に関する情報である。
図３３は太陽光発電に関する第１情報の第３例を示す説明図である。図３３に示すように、第１情報は、発電量の管理機能に関する情報又は発電実績を提供するための情報である。
第２情報生成部１０５は、本実施の形態の発電予測装置５０による発電予測データを含む第２情報を生成する。
次に、本実施の形態のサーバ１００の動作について説明する。図３４は本実施の形態のサーバ１００の処理手順の一例を示すフローチャートである。以下では便宜上、処理の主体を制御部１０１として説明する。制御部１０１は、発電所事業者２００及び／又はＯ＆Ｍ事業者３００から発電設備に係る発電データを取得する（Ｓ５１）。
制御部１０１は、第１情報生成部１０４で生成した第１情報を所定の第１価格条件で発電所事業者２００及び／又はＯ＆Ｍ事業者３００のコンピュータへ出力する（Ｓ５２）。第１価格条件は、例えば、無料とすることができる。
制御部１０１は、発電所事業者２００又はＯ＆Ｍ事業者３００からオプション機能の要求の有無を判定する（Ｓ５３）。オプション機能の要求は、例えば、第１価格条件よりも高額の第２価格条件での情報提供要求である。第２価格条件は、例えば、有料とすることができる。
オプション機能の要求があった場合（Ｓ５３でＹＥＳ）、制御部１０１は、発電予測データを、第２価格条件で当該要求があった発電所事業者２００又はＯ＆Ｍ事業者３００のコンピュータへ出力し（Ｓ５４）、処理を終了する。オプション機能の要求がない場合（Ｓ５３でＮＯ）、制御部１０１は、ステップＳ５４の処理を行うことなく、処理を終了する。
上述の構成により、太陽光発電に係る事業者に対して太陽光発電に関する基本サービスを無償で提供しつつ、事業者から発電設備に係る発電データを取得することができ、発電設備に係る発電データを、いわゆるビッグデータとして収集することが可能になる。収集したビッグデータ（発電データ）を用いて発電予測装置５０のニューラルネットワークの学習及び更新を行うことができ、発電予測装置５０の発電電力の予測精度を高めることができる。さらに、有料オプションを使用したい事業者に対しては、機械学習によって精度が高められた発電予測に関するサービスを提供することができる。
本明細書において、文字列は単なる文字の列に限定されない。設備情報を例に挙げて、以下に文字列の意義を説明する。図３５は本実施の形態の文字列の一例を示す説明図である。図３５において、上段の図は設備情報の一例を示し、下段の図は上段の図の設備情報に係る文字列の一例を示す。上段の図に示すように、設備情報ｅ１は、太陽光発電パネル１１の型式がａ１、製造者がｂ１、定格容量が１００、台数が６、定格容量合計が６００であるとし、インバータ１２の型式がａ３、製造者がｂ１、定格容量が５００、台数が１、定格容量合計が５００とする。設備情報ｅ２、ｅ３も図に示すものとする。この場合、設備情報ｅ１は、下段の図のような文字列で表すことができる。設備情報ｅ２、ｅ３も同様である。すなわち、図３５に示すように、文字列は、プログラムコードにおける定義文や構造文などのような形式であってよい。
また、本実施の形態の発電予測装置５０においては、設備情報、気象情報などの文字列の形式でデータベースに格納されている情報は、所定の変換規則に従って数値に変換され、変換された数値をニューラルネットワークモデル部５４３の入力層に入力することができる。なお、ニューラルネットワークモデル部５４３の入力層に入力されるデータは文字列であってもよい。次に、文字列から数値への変換について説明する。
図３６は本実施の形態の発電予測装置５０による文字列から数値への変換の一例を示す説明図である。図３６において、上段の図は、文字列を数値に変換する変換表の一例である。図３６の上段の図に示すように、例えば、型式ａ１、ａ２、ａ３を、それぞれ１０１０、１０２０、１０３０（型式値と称する）に変換する。また、製造者ｂ１、ｂ２を、それぞれ１０１、１０２（製造者番号と称する）に変換する。図３６の下段の図は数値に変換された設備情報の例を示す。なお、図３６の下段の図に示す設備情報は、図３５に例示した文字列による設備情報を数値に変換したものである。
本実施の形態において、例えば、図１４に例示した学習用の入力データの一次元ベクトル、及び図２６に例示した予測用の入力データの一次元ベクトルの要素の数を、例えば、Ｍとした場合、図１４及び図２６の例では、設備情報としての要素の数は一つであるが、図１４及び図２６に示す設備情報を、例えば、図３５に示すような１０項目の一次元ベクトルの各要素とすることによって、Ｍ＋９個の要素を持つ一元ベクトルに変換することができる。これにより、入力データ数が増えるので、発電電力の予測精度を高めることができる。
図３７は本実施の形態の数値変換の一例を示す説明図である。複数の項目に分割することができる情報については、その中から任意の項目を抽出し、抽出した項目の数値を所定の変換式によって変換し統合した値を、その情報の値とすることができる。例えば、図３７の左側の図に示すように、設備情報のインバータ定格容量合計を整数部とし、インバータ型式の型式値を１０，０００で除算した値を加算する変換式を用いた場合、設備情報の数値は、右側の図のように、一つの数値に変換することができる。右側の図に示すように、設備情報ｅ１、ｅ２の設備情報値は同じ値になるので、設備情報ｅ１、ｅ２は同じ設備であるとみなすことができる。
１０ 発電所
２０ 発電監視システム
５０ 発電予測装置
５１ 通信部
５２ 登録部
５３ データベース
５４ 処理部
５４１ 入力データ生成部
５４２ パラメータ決定部
５４３ ニューラルネットワークモデル部
５４４ 予測発電電力算出部
５４５ 学習処理部
５４６ 学習データ生成部
５５ 通信部
１００ サーバ
１０１ 制御部
１０２ 通信部
１０３ 記憶部
１０４ 第１情報生成部
１０５ 第２情報生成部
２００ 発電事業者
３００ Ｏ＆Ｍ事業者

Claims (16)

  1. 太陽光発電の発電予測データを提供する発電予測装置であって、
    複数の地点に設置された発電設備に係る時系列の実測発電電力を含む発電情報を取得する発電情報取得部と、
    前記複数の地点に係る気象情報を取得する気象情報取得部と、
    前記発電情報取得部で取得した発電情報及び前記気象情報取得部で取得した気象情報を記憶する記憶部と、
    予測対象地点及び予測対象時間を含む予測パラメータを決定する予測パラメータ決定部と、
    前記記憶部に記憶した発電情報及び気象情報並びに前記予測パラメータ決定部で決定した予測パラメータに基づいて、所定のニューラルネットワークモデルへの予測用入力データを生成する予測用入力データ生成部と、
    該予測用入力データ生成部で生成した予測用入力データ及び前記ニューラルネットワークモデルに基づいて、予測出力データを生成する予測出力データ生成部と、
    該予測出力データ生成部で生成した予測出力データに基づいて前記予測対象地点及び予測対象時間での予測発電電力を算出する予測発電電力算出部と
    を備えることを特徴とする発電予測装置。
  2. 前記予測用入力データ生成部は、
    前記予測対象時間より前の所定の期間での各発電設備に係る時系列の実測発電電力及び各発電設備の位置情報を含む予測用入力データを生成することを特徴とする請求項１に記載の発電予測装置。
  3. 前記予測用入力データ生成部は、
    前記複数の地点に係る前記所定の期間での実測の気象情報を含む予測用入力データを生成することを特徴とする請求項２に記載の発電予測装置。
  4. 前記予測用入力データ生成部は、
    前記予測対象地点及び予測対象時間での予測の気象情報を含む予測用入力データを生成することを特徴とする請求項２又は請求項３に記載の発電予測装置。
  5. 前記予測出力データ生成部は、
    発電電力の範囲を複数の区分に分けた該区分毎に予測出力データを生成することを特徴とする請求項１から請求項４のいずれか一項に記載の発電予測装置。
  6. 前記予測発電電力算出部は、
    前記複数の区分毎に定められた代表値及び該区分毎に生成された予測出力データに基づいて予測発電電力を算出することを特徴とする請求項５に記載の発電予測装置。
  7. 学習対象地点及び学習対象時間を含む学習パラメータを決定する学習パラメータ決定部と、
    前記記憶部に記憶した発電情報及び気象情報並びに前記学習パラメータ決定部で決定した学習パラメータに基づいて、前記ニューラルネットワークモデルの学習用入力データを生成する学習用入力データ生成部と、
    前記学習パラメータ決定部で決定した学習パラメータに基づいて、前記ニューラルネットワークモデルの学習用出力データを生成する学習用出力データ生成部と、
    前記学習用入力データ生成部で生成した学習入力データ及び前記学習用出力データ生成部で生成した学習用出力データに基づいて前記ニューラルネットワークモデルの学習処理を行う学習処理部と
    を備えることを特徴とする請求項１から請求項６のいずれか一項に記載の発電予測装置。
  8. 前記学習用入力データ生成部は、
    前記学習対象時間より前の所定の期間での各発電設備に係る時系列の実測発電電力及び各発電設備の位置情報を含む学習用入力データを生成することを特徴とする請求項７に記載の発電予測装置。
  9. 前記学習用入力データ生成部は、
    前記複数の地点に係る前記所定の期間での実測の気象情報を含む学習用入力データを生成することを特徴とする請求項８に記載の発電予測装置。
  10. 前記学習用入力データ生成部は、
    前記学習対象地点及び学習対象時間での実測の気象情報を含む学習用入力データを生成することを特徴とする請求項７から請求項９のいずれか一項に記載の発電予測装置。
  11. 前記学習用出力データ生成部は、
    前記学習対象地点に近い地点に設置された発電設備に係る実測発電電力を含む学習用出力データを生成することを特徴とする請求項７から請求項１０のいずれか一項に記載の発電予測装置。
  12. 前記気象情報は、
    天気、天気の移り変わり、雲量及び日射の少なくとも一つを含むことを特徴とする請求項１から請求項１１のいずれか一項に記載の発電予測装置。
  13. 前記発電情報は、
    前記発電設備の定格発電容量を含むことを特徴とする請求項１から請求項１２のいずれか一項に記載の発電予測装置。
  14. 太陽光発電に係る事業者から発電設備に係る発電データを取得する発電データ取得部と、
    該発電データ取得部で取得した発電データに基づいて、太陽光発電に関する第１情報を所定の第１価格条件で前記事業者のコンピュータへ出力する出力部と、
    前記事業者から前記第１価格条件よりも高額の第２価格条件での情報提供要求を受け付けた場合、請求項１から請求項１３のいずれか一項に記載の発電予測装置による発電予測データを含む第２情報を、前記第２価格条件で前記事業者のコンピュータへ出力する出力部と
    を備えることを特徴とするサーバ。
  15. コンピュータに、太陽光発電の発電予測データを提供させるためのコンピュータプログラムであって、
    コンピュータを、
    複数の地点に設置された発電設備に係る時系列の実測発電電力を含む発電情報を取得する発電情報取得部と、
    前記複数の地点に係る気象情報を取得する気象情報取得部と、
    取得した発電情報及び気象情報を記憶する記憶部と、
    予測対象地点及び予測対象時間を含む予測パラメータを決定する予測パラメータ決定部と、
    記憶した発電情報及び気象情報並びに決定した予測パラメータに基づいて、所定のニューラルネットワークモデルへの予測用入力データを生成する予測用入力データ生成部と、
    生成した予測用入力データ及び前記ニューラルネットワークモデルに基づいて、予測出力データを生成する予測出力データ生成部と、
    生成した予測出力データに基づいて前記予測対象地点及び予測対象時間での予測発電電力を算出する予測発電電力算出部と
    して機能させることを特徴とするコンピュータプログラム。
  16. 太陽光発電の発電予測データを提供する発電予測方法であって、
    複数の地点に設置された発電設備に係る時系列の実測発電電力を含む発電情報を発電情報取得部が取得し、
    前記複数の地点に係る気象情報を気象情報取得部が取得し、
    取得された発電情報及び気象情報を記憶部に記憶し、
    予測対象地点及び予測対象時間を含む予測パラメータを予測パラメータ決定部が決定し、
    前記記憶部に記憶した発電情報及び気象情報並びに決定された予測パラメータに基づいて、所定のニューラルネットワークモデルへの予測用入力データを予測用入力データ生成部が生成し、
    生成された予測用入力データ及び前記ニューラルネットワークモデルに基づいて、予測出力データを予測出力データ生成部が生成し、
    生成された予測出力データに基づいて前記予測対象地点及び予測対象時間での予測発電電力を予測発電電力算出部が算出することを特徴とする発電予測方法。
JP2016126819A 2016-06-27 2016-06-27 発電電力予測装置、サーバ、コンピュータプログラム及び発電電力予測方法 Active JP6687241B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2016126819A JP6687241B2 (ja) 2016-06-27 2016-06-27 発電電力予測装置、サーバ、コンピュータプログラム及び発電電力予測方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016126819A JP6687241B2 (ja) 2016-06-27 2016-06-27 発電電力予測装置、サーバ、コンピュータプログラム及び発電電力予測方法

Publications (2)

Publication Number Publication Date
JP2018007312A true JP2018007312A (ja) 2018-01-11
JP6687241B2 JP6687241B2 (ja) 2020-04-22

Family

ID=60949663

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016126819A Active JP6687241B2 (ja) 2016-06-27 2016-06-27 発電電力予測装置、サーバ、コンピュータプログラム及び発電電力予測方法

Country Status (1)

Country Link
JP (1) JP6687241B2 (ja)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146192A (zh) * 2018-09-03 2019-01-04 贵州电网有限责任公司 一种考虑风电机组运行工况的风电功率预测方法
CN110458405A (zh) * 2019-07-10 2019-11-15 清华大学 一种基于电力-微气象特征数据的电力系统安全预警方法
CN110637319A (zh) * 2018-02-09 2019-12-31 综合追求有限责任公司 太阳能发电设备的设计支援装置、设计支援方法、设计支援程序及设计支援用学习完成模型生成装置
CN111027816A (zh) * 2019-11-21 2020-04-17 浙江大学 一种基于数据包络分析的光伏发电效率计算方法
CN111369070A (zh) * 2020-03-13 2020-07-03 西安理工大学 一种基于包络线聚类的多模融合光伏功率预测方法
JP6765555B1 (ja) * 2019-09-06 2020-10-07 三菱電機株式会社 学習装置、学習方法、学習データ生成装置、学習データ生成方法、推論装置、及び、推論方法
CN112257941A (zh) * 2020-10-28 2021-01-22 福州大学 基于改进型Bi-LSTM的光伏电站短期功率预测方法
JP2021040437A (ja) * 2019-09-04 2021-03-11 積水化学工業株式会社 代替ベースライン計算装置、学習済みモデル、機械学習装置、代替ベースライン計算方法およびプログラム
JP2021523673A (ja) * 2019-04-25 2021-09-02 山東大学Ｓｈａｎｄｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ 系統連系インバータの稼働データに基づく太陽光発電所の電力予測方法及びシステム
JP2022157470A (ja) * 2021-03-31 2022-10-14 西日本電信電話株式会社 学習装置、推定装置、学習方法、推定方法及びコンピュータープログラム
WO2023015460A1 (zh) * 2021-08-10 2023-02-16 中国电力科学研究院有限公司 一种基于风过程识别的风电功率预测集成优化方法及装置
JP7442354B2 (ja) 2020-03-17 2024-03-04 大阪瓦斯株式会社 太陽光発電システム及び太陽光発電システムの運転方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003149350A (ja) * 2001-11-07 2003-05-21 Sharp Corp 太陽光発電を利用した地域情報配信システム
WO2008117392A1 (ja) * 2007-03-26 2008-10-02 Vpec, Inc. 電力システム
JP2010130762A (ja) * 2008-11-26 2010-06-10 Hitachi Ltd 自然エネルギー発電装置を含む電力供給システムおよび需給調整方法
JP2013061800A (ja) * 2011-09-13 2013-04-04 Toshiba Corp 発電予測装置およびその方法
JP2013073537A (ja) * 2011-09-29 2013-04-22 Omron Corp 情報処理装置、発電量算出方法、および、プログラム
CN104268638A (zh) * 2014-09-11 2015-01-07 广州市香港科大霍英东研究院 一种基于elman神经网络的光伏发电系统功率预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003149350A (ja) * 2001-11-07 2003-05-21 Sharp Corp 太陽光発電を利用した地域情報配信システム
WO2008117392A1 (ja) * 2007-03-26 2008-10-02 Vpec, Inc. 電力システム
JP2010130762A (ja) * 2008-11-26 2010-06-10 Hitachi Ltd 自然エネルギー発電装置を含む電力供給システムおよび需給調整方法
JP2013061800A (ja) * 2011-09-13 2013-04-04 Toshiba Corp 発電予測装置およびその方法
JP2013073537A (ja) * 2011-09-29 2013-04-22 Omron Corp 情報処理装置、発電量算出方法、および、プログラム
CN104268638A (zh) * 2014-09-11 2015-01-07 广州市香港科大霍英东研究院 一种基于elman神经网络的光伏发电系统功率预测方法

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110637319A (zh) * 2018-02-09 2019-12-31 综合追求有限责任公司 太阳能发电设备的设计支援装置、设计支援方法、设计支援程序及设计支援用学习完成模型生成装置
JPWO2019155594A1 (ja) * 2018-02-09 2020-02-27 Ｔｏｔａｌｍａｓｔｅｒｓ株式会社 太陽光発電設備の設計支援装置、設計支援方法、設計支援プログラム及び設計支援用学習済みモデル作成装置
CN110637319B (zh) * 2018-02-09 2023-09-22 综合追求有限责任公司 太阳能发电设备的设计支援装置、设计支援方法、设计支援程序及设计支援用学习完成模型生成装置
US10896269B2 (en) 2018-02-09 2021-01-19 Totalmasters Corporation Support apparatus and design support method for photovoltaic power generation facilities
CN109146192A (zh) * 2018-09-03 2019-01-04 贵州电网有限责任公司 一种考虑风电机组运行工况的风电功率预测方法
CN109146192B (zh) * 2018-09-03 2021-09-03 贵州电网有限责任公司 一种考虑风电机组运行工况的风电功率预测方法
JP2021523673A (ja) * 2019-04-25 2021-09-02 山東大学Ｓｈａｎｄｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ 系統連系インバータの稼働データに基づく太陽光発電所の電力予測方法及びシステム
CN110458405A (zh) * 2019-07-10 2019-11-15 清华大学 一种基于电力-微气象特征数据的电力系统安全预警方法
JP2021040437A (ja) * 2019-09-04 2021-03-11 積水化学工業株式会社 代替ベースライン計算装置、学習済みモデル、機械学習装置、代替ベースライン計算方法およびプログラム
JP7303707B2 (ja) 2019-09-04 2023-07-05 積水化学工業株式会社 代替ベースライン計算装置、学習済みモデル、機械学習装置、代替ベースライン計算方法およびプログラム
JP6765555B1 (ja) * 2019-09-06 2020-10-07 三菱電機株式会社 学習装置、学習方法、学習データ生成装置、学習データ生成方法、推論装置、及び、推論方法
KR102485542B1 (ko) 2019-09-06 2023-01-06 미쓰비시덴키 가부시키가이샤 학습 장치, 학습 방법, 학습 데이터 생성 장치, 학습 데이터 생성 방법, 추론 장치, 및, 추론 방법
WO2021044610A1 (ja) * 2019-09-06 2021-03-11 三菱電機株式会社 学習装置、学習方法、学習データ生成装置、学習データ生成方法、推論装置、及び、推論方法
KR20220027282A (ko) * 2019-09-06 2022-03-07 미쓰비시덴키 가부시키가이샤 학습 장치, 학습 방법, 학습 데이터 생성 장치, 학습 데이터 생성 방법, 추론 장치, 및, 추론 방법
TWI764101B (zh) * 2019-09-06 2022-05-11 日商三菱電機股份有限公司 學習裝置、學習方法、學習資料產生裝置、學習資料產生方法、推論裝置以及推論方法
CN111027816B (zh) * 2019-11-21 2022-07-26 浙江大学 一种基于数据包络分析的光伏发电效率计算方法
CN111027816A (zh) * 2019-11-21 2020-04-17 浙江大学 一种基于数据包络分析的光伏发电效率计算方法
CN111369070B (zh) * 2020-03-13 2023-06-27 西安理工大学 一种基于包络线聚类的多模融合光伏功率预测方法
CN111369070A (zh) * 2020-03-13 2020-07-03 西安理工大学 一种基于包络线聚类的多模融合光伏功率预测方法
JP7442354B2 (ja) 2020-03-17 2024-03-04 大阪瓦斯株式会社 太陽光発電システム及び太陽光発電システムの運転方法
CN112257941A (zh) * 2020-10-28 2021-01-22 福州大学 基于改进型Bi-LSTM的光伏电站短期功率预测方法
CN112257941B (zh) * 2020-10-28 2023-04-18 福州大学 基于改进型Bi-LSTM的光伏电站短期功率预测方法
JP2022157470A (ja) * 2021-03-31 2022-10-14 西日本電信電話株式会社 学習装置、推定装置、学習方法、推定方法及びコンピュータープログラム
WO2023015460A1 (zh) * 2021-08-10 2023-02-16 中国电力科学研究院有限公司 一种基于风过程识别的风电功率预测集成优化方法及装置

Also Published As

Publication number Publication date
JP6687241B2 (ja) 2020-04-22

Similar Documents

Publication Publication Date Title
JP6687241B2 (ja) 発電電力予測装置、サーバ、コンピュータプログラム及び発電電力予測方法
Papavasiliou et al. Applying high performance computing to transmission-constrained stochastic unit commitment for renewable energy integration
Azad et al. Long-term wind speed forecasting and general pattern recognition using neural networks
Natarajan et al. Forecasting energy generation in large photovoltaic plants using radial belief neural network
CN110929963A (zh) 风速预测方法、装置以及存储介质
KR102283487B1 (ko) 실시간 위성자료와 수치모델자료를 이용한 머신러닝기반 태양광 발전량 예측시스템
CN110705771B (zh) 区域电网新能源发电功率预测优化方法和装置
CN110737876B (zh) 区域电网光伏功率预测优化方法和装置
KR20210066642A (ko) 빅데이터 기반 태양광 발전 예측을 통한 컨설팅 시스템
Fidan et al. Harmonic analysis based hourly solar radiation forecasting model
Zelikman et al. Short-term solar irradiance forecasting using calibrated probabilistic models
KR20220094523A (ko) 태양광 발전량 중개시장 참여를 위한 태양광 발전량 예측 시스템
JP2015106316A (ja) エネルギー管理システム
Ayodele et al. Prediction of wind speed for the estimation of wind turbine power output from site climatological data using artificial neural network
Mystakidis et al. One step ahead energy load forecasting: A multi-model approach utilizing machine and deep learning
CN107194507A (zh) 一种基于组合支持向量机的风电场短期风速预测方法
JP7346356B2 (ja) 予測装置および予測方法
Mughal et al. Techno-economic assessment of photovoltaics by predicting daily global solar radiations using hybrid ANN-PSO model
Ehsan et al. Artificial neural network predictor for grid-connected solar photovoltaic installations at atmospheric temperature
Laib et al. Spatial modelling of extreme wind speed distributions in Switzerland
JP2017200363A (ja) 日射量予測装置
CA3231095A1 (en) Systems and methods for load forecasting for improved forecast results based on tuned weather data
Panjwani et al. Short-term solar and wind generation forecasting for the western region of india
Vallejo et al. Genetic algorithm applied to the specialization of neural networks for the forecast of wind and solar generation
da Silva Fernandes et al. Representation of wind energy scenarios in the mid-term hydrothermal systems operation scheduling

Legal Events

Date Code Title Description
A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A711

Effective date: 20171228

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190115

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A711

Effective date: 20190115

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20191011

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20191023

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20191213

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A712

Effective date: 20191213

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20191213

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: 20200310

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200326

R150 Certificate of patent or registration of utility model

Ref document number: 6687241

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350