JP2018501582A - 太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム - Google Patents

太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム Download PDF

Info

Publication number
JP2018501582A
JP2018501582A JP2017534728A JP2017534728A JP2018501582A JP 2018501582 A JP2018501582 A JP 2018501582A JP 2017534728 A JP2017534728 A JP 2017534728A JP 2017534728 A JP2017534728 A JP 2017534728A JP 2018501582 A JP2018501582 A JP 2018501582A
Authority
JP
Japan
Prior art keywords
prediction
model
power generation
module
database
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
JP2017534728A
Other languages
English (en)
Other versions
JP6379299B2 (ja
Inventor
磊 黄
磊 黄
杰 舒
杰 舒
桂秀 姜
桂秀 姜
志鋒 呉
志鋒 呉
瓊 崔
瓊 崔
浩 王
浩 王
Original Assignee
中国科学院広州能源研究所
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 中国科学院広州能源研究所 filed Critical 中国科学院広州能源研究所
Publication of JP2018501582A publication Critical patent/JP2018501582A/ja
Application granted granted Critical
Publication of JP6379299B2 publication Critical patent/JP6379299B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/123—DNA computing
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H02J2300/26—The renewable source being solar energy of photovoltaic origin involving maximum power point tracking control for photovoltaic sources
    • 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
    • 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
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • 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
    • 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
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)

Abstract

本発明は、太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システムを提供する。当該システムは、基本情報記憶モジュール、データベースモジュール、予測モデル判断モジュール、予測データ前処理モジュールおよび予測モデリングモジュールを備える。当該システムは、取得されたデータ型および太陽光発電システムの運転時間に応じて異なる予測モデルを選択して訓練および予測を行い、モジュール化された複数タイプの太陽光発電システムの出力電力予測システムである。当該システムは、現在の殆どの太陽光発電システムの出力電力の予測要求を満足でき、太陽光発電システムの規模、ユーザ要求等に応じてカスタマイズを行うことができ、コストの点でも信頼性の点でも両立し、良好な適応性および移植性を有する。また、予測方法が自動更新可能であり、予測システムが自動運転管理できるため、高い予測精度および安定性を有する。【選択図】図１

Description

本発明は、太陽光発電技術分野に関し、具体的に、太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システムに関する。
２１世紀に入って以来、世界範囲内でエネルギー供給が緊迫し続けており、クリーン且つ効率的な再生可能エネルギーを開発し利用するのが、未来のエネルギー問題を解決する主な道となる。現在、太陽光発電は、発展が一番速い再生可能エネルギーによる発電技術である。予測によると、太陽光発電は、２１世紀において世界エネルギー消費の重要な位置を占める。それは、一部の通常エネルギーを置換するだけではなく、世界エネルギー供給の主体にもなる。しかし、太陽光発電は、従来の発電手段と異なり、太陽光発電システムの出力電力がランダム性、間欠性および制御不可性などの特徴を有するため、太陽光発電の発電電力を予測する必要がある。その予測結果を太陽光発電システムの計画、エネルギー管理およびスケジューリング制御の重要な根拠とすることで、太陽光発電システムの安定且つ低コストでの運転が保障される。
従来の太陽光発電電力予測モデルは、モデル入力データの相違により、統計モデル、物理モデルおよび両者の統合モデルに分けられる。通常、異なる予測モデルでは異なる入力が必要となるが、太陽光発電システムの出力電力に影響する一番の要因は、現地の太陽放射である。そのため、太陽光発電電力の他に、太陽放射は、予測モデルで第一に考慮すべき入力である。太陽光発電電力予測モデルとして入力可能な他のデータ型は、ＮＷＰｓ(Ｎｕｍｅｒｉｃａｌ Ｗｅａｔｈｅｒ Ｐｒｅｄｉｃｔｉｏｎｓ、数値気象予報)データ（太陽照射量、温度等）、履歴およびリアルタイム気象データ、および太陽光発電システムオンラインデータおよび物理環境データ（光電池セル、光電池アレイ取り付けおよびレイアウト、地理的位置等）を含む。
太陽光発電電力の予測精度が向上するように、上述したモデル入力データ型を出来るだけ取得すべきであるが、太陽光発電システムの規模および地理的位置に制限されるため、完全な入力データ型がなかなか取得できない。従来の太陽光発電電力予測システムが、一般的に単一の組み合わせの入力データ型に対応するため、予測システムの適応性が悪い。また、これらの予測システムは、通常比較的に多くの入力データ型を用いる必要があり、データ資料取得の難易度を考慮しないため、遠隔地および海の島等に取り付けられた太陽光発電システムの電力予測は、複数種の入力データ型を入力の予測システムとして用いることが困難である。なお、太陽光発電システムが全ライフサイクルにおいて取得されたデータ型は、一定のものではない。即ち、太陽光発電システムの計画段階の電力予測から運転後期までの電力予測方法は、予測モデル入力データ型の変化に応じて変化する。しかし、従来の太陽光発電予測システムは、その点に対する考慮も足りない。
本発明の目的は、太陽光発電システムの全ライフサイクルに適用可能であり、且つ複数種の入力データ組み合わせタイプに適用可能な、分解能可変の太陽光発電電力予測システムを提供することにある。前記太陽光発電電力予測システムは、簡単な操作、柔軟な入力データ型拡張性、豊富な予測方法、強い適応性等のメリットを有し、複数種の太陽光発電システムに適用可能である。太陽光発電システムの計画およびそのエネルギー管理システムへ根拠を与え、太陽光発電電力予測の正確性を向上させ、システム変化による太陽光発電電力予測システムを再度設計する分だけ開発コストを低減させる。上記発明の目的を果たすべく、本発明は、下記の解決手段を講じる。
太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システムを提供する。当該システムは、
地理的位置と気象履歴情報と取付情報とインバータ情報とを含む、太陽光発電システムの基本情報を記憶するための基本情報記憶モジュールと、
太陽光発電システム運転データと環境モニタデータと天気予報データと数値気象予報データとを含む、予測のモデリングに必要な各種のデータを分類して記憶し、上記基本情報記憶モジュールにおける基本情報をさらに記憶するためのデータベースモジュールと、
前記データベースモジュールで記憶されたデータの種類、および、太陽光発電システムの運転時間に基づいて、対応する予測モデルを特定するための予測モデル判断モジュールと、
前記データベースモジュールでのデータに対して平均化処理を行って、入出力モデルの訓練サンプルおよび予測入力サンプルを形成するための予測データ前処理モジュールと、
前記予測モデル判断モジュールによって特定された予測モデルに基づいて、前記予測データ前処理モジュールのサンプルに対してモデル訓練および予測を行って、太陽光発電システムの出力電力の予測値を取得するための予測モデリングモジュールと、を備える。
従来技術より、本発明は、下記のメリットを有する。
１. 本発明では、太陽光発電システムで取得されたモデリングのデータ型の多様性を考慮し、よく見られるデータ型の組み合わせに対して対応する予測タイプを利用し、複数種の太陽光発電システムに適用可能であるため、予測システムが良好な適応性を有する。
２. 本発明では、太陽光発電システムの全ライフサイクルに亘る予測を、柔軟に実現可能である。太陽光発電システムの運転時間に応じて異なる予測モデルを用いるため、異なる段階でモデリングのデータ型に応じて、適切な予測アルゴリズムおよびモデルを選択することが便利になり、太陽光発電予測システムの予測精度が向上する。
３. 本発明では、モジュール化設計が用いられ、各モジュールの機能がはっきりしている。インターフェースが明確であり、ユーザのニーズに応じて予測システムをカスタマイズ可能であり、幾つかのモジュール機能を柔軟にオンオフでき、小型太陽光発電システムの予測コストが低減され、大型太陽光発電システムのユーザニーズに応じられる。
本発明に係る太陽光発電システムの全ライフサイクルに適用される、出力電力分類予測システムの構造の模式図である。 本発明に係る太陽光発電システムの全ライフサイクルに適用される、出力電力分類予測システムの予測手順の模式図である。 本発明に係る太陽光発電システムの全ライフサイクルに適用される、出力電力分類予測システムの不良データの識別および補正の模式図である。 太陽光発電ユニットの等価回路図である。 本発明に係る太陽光発電システムの全ライフサイクルに適用される、出力電力分類予測システムで用いられる予測タイプ１、２、３の模式図である。 本発明に係る太陽光発電システムの全ライフサイクルに適用される、出力電力分類予測システムで用いられる予測タイプ４、５の模式図である。 本発明に係る太陽光発電システムの全ライフサイクルに適用される、出力電力分類予測システムで用いられる予測タイプ６の模式図である。
以下では、具体的な実施形態に合わせて本発明をさらに説明する。
本発明の太陽光発電システムの全ライフサイクルに適用される、出力電力分類予測システムは、図１に示すように、基本情報記憶モジュールと、データベースモジュールと、予測モデル判断モジュールと、予測データ前処理モジュールと、予測モデリングモジュールとを備える。
基本情報記憶モジュールは、地理的位置と気象履歴情報と取付情報とインバータ情報とを含む、太陽光発電システムの基本情報を記憶する。
データベースモジュールは、太陽光発電システム運転データと環境モニタデータと天気予報データと数値気象予報データとを含む、予測のモデリングに必要な各種のデータを分類して記憶する。
予測モデル判断モジュールは、前記データベースモジュールで記憶されたデータの種類、および、太陽光発電システムの運転時間に基づいて、対応する予測モデルを特定する。
予測データ前処理モジュールは、前記データベースモジュールでのデータに対して平均化処理を行って、入出力モデルの訓練サンプルおよび予測入力サンプルを形成する。
予測モデリングモジュールは、前記予測モデル判断モジュールによって特定された予測モデルに基づいて、前記予測データ前処理モジュールのサンプルに対してモデル訓練および予測を行い、太陽光発電システムの出力電力の予測値を取得する。
データベースモジュールで記憶されたデータは複数タイプあり、太陽光発電システムの各時期に存在してもよいため、本発明では、データ型およびシステム運転時間に応じて異なる予測モデルを用いて訓練および予測を行う。これにより、本予測システムの適応性、柔軟性、および予測精度が向上する。
好適な実施例として、本予測システムは、基本情報記憶モジュール、データ入力モジュール、データ認識・補正モジュール、データベースモジュール、予測モデル判断モジュール、予測データ前処理モジュール、予測モデリングモジュール、モデル誤差分析モジュール、運転エラー診断モジュール、自動運転管理モジュール、マン・マシンインターフェースモジュール等を含む。その場合、図２に示すように、基本情報記憶モジュールは、太陽光発電予測システムが最初に動作させるモジュールである。基本情報記憶モジュールの動作後、太陽光発電電力予測システムは、循環予測運転に入る。循環過程の実行順は、データ入力モジュール、データ認識・補正モジュール、データベースモジュール、予測モデル判断モジュール、予測データ前処理モジュール、予測モデリングモジュール、モデル誤差分析モジュール、運転エラー診断モジュールであり、それから零点（ゼロ点）判断を実施する。零点でなければ、予測関連結果をマン・マシンインターフェースおよび予測データベースに帰還して循環に再度入らせる。零点であれば、モデル誤差分析モジュールを動作させて誤差を統計し、自動運転管理モジュールを動作させて、関連する統計結果をマン・マシンインターフェースおよび予測データベースに帰還して循環に再度入らせる。
前記基本情報記憶モジュールは、太陽光発電システムの地理的位置、気象履歴情報、取付やインバータ等の基本情報を記憶する。その場合、地理的位置情報は、経度、緯度、標高、影遮蔽状況を含む。気象履歴情報は、気象局、ＮＡＳＡ、ＮＯＡＡ等サイトで取得された毎時間/月/日の太陽放射、環境温度情報を含む。取付情報は、太陽光発電ユニットの銘板値、太陽光発電ユニットの直列・並列情報、アレイ数、取付角度、取付方式等を含む。その場合、銘板値情報は、太陽光発電ユニットの短絡電流、開放電圧、最大電力点電圧、最大電力点電流、電圧温度係数、電流温度係数、ユニット効率減衰情報等を含む。ユニット効率減衰情報は、暗黙的に、第１年で３％減衰し、第２年から毎年０.７％減衰することを示す。アレイ数は、インバータに応じて区分される。取付角度は、傾斜角および方位角を含む。取付方式は、取付型、部材型および建築材型を含む。インバータ情報は、定格電力、効率、最大電力追従範囲を含む。
前記データ入力モジュールは、インバータ運転データ入力モジュール、環境モニタ入力モジュール、ＮＷＰｓ入力モジュール、天気予報入力モジュールを含む。インバータ運転データは、インバータオンオフ状態、入力電圧、入力電流、入力電力、出力電圧、出力電流、出力電力を含む。環境モニタデータは、水平面太陽総照射量、水平面太陽散乱放射、水平面太陽直射放射、環境温度、ユニット温度を含む。ＮＷＰｓデータは、水平面太陽総照射量、環境温度を含む。天気予報データは、昼の天気の晴れ雨状況、風力、気温および湿度を含む。
前記データ認識・補正モジュールの処理は、不良データ認識および履歴データ処理を含む。不良データは、予測のモデリングに利用できないデータを指し、主に２種類に分けられる。第１類は、補正不可能なデータであり、インバータによる顕著な電力変化データと、通信の長時間故障により発生されたデータとを含む。第２類は、補正および補完した後で予測のモデリングに利用できるデータであり、短時間の通信故障により発生された不良データを含む。図３に示すように、インバータによる不良データは、インバータ故障、太陽光発電インバータの出力電力のスケジューリングおよび制御等による不良データを含む。この種類の不良データは、補正できず、その処理方式として不良データベースに直接格納する。通信故障による不良データは、以下の３種の状況を有する。つまり、（１）データ重複、サンプリング時間およびデータの重複が発生する。（２）データひずみが発生し、境界条件を超える、または、複数のデータが連続して同じであり且つ０ではない。（３）データ欠損が発生する。上述した３種の不良データ型について対応する処理方法を実施する。（１）重複の余計なデータを直接削除する。（２）境界条件を超えたデータおよび超短期間予測を行う際に連続して出現した複数の同じデータについて、ひずみデータの先頭の５個のデータの移動平均値を取って補正を行う。通信故障における同じデータの、連続して出現する時間が３時間より小さければ、類似履歴時間帯を検索して、類似履歴時間帯のデータを故障データとして補正し、補正後のデータをモデリングデータベースに格納する。故障時間が３時間より大きければ、長時間通信故障と判定し、その日のデータを直接不良データベースに格納する。（３）について、（２）と同じ補正方法を用いる。
前記データベースモジュールは、オリジナルデータベース、モデリングデータベース、不良データデータベース、予測結果データベースを含む。毎時間の予測が完了した後および毎日の００：００に、オリジナルデータベースの前一時間あるいは前日のデータに対して認識および補正を行ってから、不良データベースあるいはモデリングデータベースに格納することで、後続するモデリング予測に利用させる。前一時間あるいは前日のデータに不良データおよび欠損データが存在しなければ、直接その日のあらゆるデータを時間順にモデリングデータベースに格納する。補正不可能な不良データが存在すれば、その日のデータをモデリングデータベースに格納せず、後の照会が便利になるように、マークした後でバックアップとして不良データベースに格納する。補正可能な不良データが存在すれば、それを補正および補完の後で時間順にモデリングデータベースに格納する。
前記予測モデル判断モジュールは、モデリングデータベースにおけるサブデータベースの種類に基づいて、利用可能な予測モデルを判断する。さらに、予測タイプ１である場合には、予測モデル１１を用いて太陽光発電電力/発電量の予測を行う。予測タイプ２である場合には、運転時間が１か月より小さければ、予測モデル２１を用いて予測を行うと判断し、運転時間が１か月より大きく且つ６か月より小さければ、予測モデル２２を用いて予測を行うと判断し、運転時間が６か月より大きければ、予測モデル２３を用いて予測を行うと判断する。予測タイプ３である場合には、予測モデル３１、３２と２１、２２とがそれぞれ同じであり、運転時間が６か月より大きければ、予測モデル３３を用いて予測を行うと判断する。予測タイプ４である場合には、運転時間が１か月より小さければ、予測モデル４１を用いて予測を行うと判断し、運転時間が１か月より大きく且つ６か月より小さければ、予測モデル４２を用いて予測を行うと判断し、運転時間が６か月より大きければ、予測モデル４３を用いて予測を行うと判断する。予測タイプ５である場合には、予測モデル５１、５２と４１、４２とがそれぞれ同じであり、運転時間が６か月より大きければ、予測モデル５３を用いて予測を行うと判断する。予測タイプ６である場合には、運転時間が１か月より小さければ、予測モデル６１を用いて予測を行うと判断し、運転時間が１か月より大きく且つ６か月より小さければ、予測モデル６２を用いて予測を行うと判断し、運転時間が６か月より大きければ、予測モデル６３を用いて予測を行うと判断する。
前記予測データ前処理モジュールの処理は、平均化処理、モデル訓練サンプルおよび予測サンプルの用意を含む。平均化処理は、予測分解能に基づいてモデリングデータベースおよびリアルタイム収集データに対して平均値を取る処理である。デフォルトの予測分解能は、１５ｍｉｎ、３０ｍｉｎ、１ｈを含む。平均化処理の後で、選定されたモデルに従って、モデル訓練に必要な入力サンプルおよび出力サンプルを用意するとともに、予測入力サンプルを用意する。
図５、６、７に示すように、前記予測モデリングモジュールは、６種の予測を含む。予測タイプ１は、予測モデル１１と表記される１種の予測モデルを含む。他の５種の予測のそれぞれは、いずれも３種の予測モデルを含む。
さらに、図４に示すように、予測モデル１１は、光電池単一ダイオード５パラメータ（光電流Ｉｐｈ、ダイオード逆飽和電流Ｉｓ、ダイオード理想因子ｎ、直列電気抵抗Ｒｓおよび並列電気抵抗Ｒｐ）モデルを利用し、太陽光発電ユニットの銘板情報、取付傾斜角、アレイの向き、履歴水平面太陽毎時間/日/月照射量およびその対応する平均温度等に基づいて、太陽光発電システムの出力電力を算出する。算出手順は、下記のようになる。（１）太陽光発電ユニットの５パラメータモデルを確立し、５つの制約方程式を利用して５パラメータモデルを取得する。制約方程式は、それぞれ短絡方程式、開放方程式、最大電力点回路方程式、最大電力点電力微分方程式、電圧温度係数方程式である。（２）取付傾斜角、向きおよび履歴水平面太陽照射量に基づいて、太陽光発電ユニットに入射される有効照射量を算出し、環境温度をユニット温度に転換する。（３）有効照射量およびユニット温度をステップ（１）で得られたモデルに代入して太陽光発電システムの出力電力を取得する。
さらに、図５に示すように、予測タイプ２は、予測モデル２１、２２、２３を含む。予測モデル２１は、２時間内に早める予測を実現でき、データベースのデータが１か月分より少ない太陽光発電システムについて予測を行なう。データベースのデータが１０日分より少ないとき、持続法を用いて予測を行なう。データベースのデータが１０日分より多く且つ１か月分より少ないとき、持続法、時系列法およびニューラルネットワークモデルを用いて複合モデルを確立する。モデリング方法は、下記のようになる。（１）予測日よりも前の１０日間の履歴電力データを利用して、持続法予測モデルおよび時系列ＡＲＩＭＡ予測モデルをそれぞれ確立する。（２）前二者のモデルの出力をニューラルネットワークの入力とし、且つ実際の電力をニューラルネットワークの出力として、ＲＢＦニューラルネットワークに対して訓練を行うことで、複合予測モデルを取得する。（３）持続法モデルおよびＡＲＩＭＡモデルの入力を代入し、複合モデルの予測をするだけで、太陽光発電システムの２時間以内に早める相応ステップ長の予測値を取得できる。予測モデル２２は、２時間内に早める予測を実現でき、データベースのデータが１か月分より多く且つ６か月分より少ない太陽光発電システムについて予測を行なう。時系列法、ニューラルネットワークおよびサポートベクトル回帰モデルを用いて複合モデルを確立する。モデリング方法は、下記のようになる。（１）予測日よりも前の１５日間の履歴電力データを利用して、時系列ＡＲＩＭＡ予測モデルを確立する。（２）予測日よりも前の３０日間の履歴電力データを利用して、ＲＢＦニューラルネットワークに対して訓練を行なって、予測モデルを確立する。（３）ＡＲＩＭＡ予測モデルおよびＲＢＦニューラルネットワークモデルの出力をサポートベクトル回帰ＳＶＲモデルの入力とし、実際の電力をＳＶＲモデルの出力として、ＳＶＲに対して訓練を行なうことで、複合予測モデルを取得する。（４）ＡＲＩＭＡモデルおよびＲＢＦニューラルネットワークモデルの入力を代入し、複合モデルの予測を行なうだけで、太陽光発電システムの２時間以内に早める相応ステップ長の予測値を取得できる。予測データベースのデータが６か月分より多いとき、予測モデル２３を用いる。当該モデルは、２時間内に早める予測を実現できる。予測モデル２３は、カオス予測方法を用いて、重み付け一次予測法およびＳＶＲモデル予測に合わせて予測モデルを確立することにより、予測中心点に類似するデータを有効に抽出してモデリング訓練を行なって予測精度を向上させることができる。モデリング方法は、下記のようになる。（１）予測分解能（Ｍ分間早めて予測）に基づいて、平均太陽光発電電力シーケンスを構築し、Ｍ-１個の補助太陽光発電電力シーケンスを構築して多次元時系列を構成する。（２）その多次元時系列について位相空間再構築を行い、Ｃ-Ｃ方法を利用して各時系列の時間遅延τをそれぞれ抽出し、最小誤差算出法を用いて各時間の埋め込み次元ｄを選択する。その場合、補助太陽光発電電力シーケンスの埋め込み次元は、１として設定される。（３）再構築の位相空間において、予測中心点と他の履歴位相点とのユークリッド距離を算出し、距離が最小のＫ個の位相点を隣接点として選択する。（４）Ｋ個の隣接点の次の時刻の数値について平均値を取って予測値１を取得する。（５）Ｋ個の隣接点をＳＶＲ入力とし、隣接点の次の時刻の数値をＳＶＲ出力として、Ｋ組の訓練サンプルを用いてＳＶＲパラメータに対してメッシュ最適化を行い、最適化されたＣとγおよびＫ組の訓練サンプルを利用してＳＶＲモデルを訓練して、予測中心点をＳＶＲモデルへ入力して、予測値２を取得する。（６）Ｋ個の隣接点およびその次の時刻の数値に対して一次局所線形フィッティングを行なって、重み付け一次局所予測値、即ち、予測値３を取得する。（７）３つの予測値の平均値を取るだけで、モデルの最終予測値を取得できる。
さらに、図５に示すように、予測タイプ３は、予測モデル３１、３２、３３を含む。その場合、モデル３１、３２とモデル２１、２２とは、それぞれ同じである。予測データベースのデータが６か月分より多いとき、予測モデル３３を用いる。当該モデルは、２時間内に早める予測および前日予測を実施可能である。その場合、モデル３３は、２時間早める予測を行うときに、予測モデルがモデル２３と同じである一方、前日予測を行うときに、履歴太陽光発電発電電力、天気予報情報および晴天太陽放射強度を結合して予測を行い、天気予報データを利用して類似日検索を行なって予測モデルを確立する。モデリング方法は、下記のようになる。（１）経緯度、時間および標高等に基づいて、ＨＯＴＴＥＬモデルを利用して晴天太陽放射強度を算出する。（２）晴天太陽放射強度、最高温度、最低温度、天気状況、予測日よりも前の１日間の履歴電力に応じて、類似日を選択する。類似日を選択する具体的な手順は、下記のようになる。ａ.天気種類は、晴れ、曇りがち、曇り、小雨、やや強い雨、豪雨、雷雨、霧等に分けられる。予報天気状況に応じて、種類が予測日に類似する履歴日を選択する。ｂ.算出された予測日の晴天太陽放射に応じて、天気が似ている履歴日のうち、予測日の晴天太陽放射（６：００-１９：００）とのユークリッド距離が最も近いK1日を選択する。K1は、シミュレーション試験により設定される。ｃ.ｂで選択されたK1日の類似日のうち、温度類似度に基づいて類似日をさらに選択する。予測すべき日の温度は、Tnと表記される。Tn = [Tn (1), Tn (2)]、Tn (1)およびTn (2)のそれぞれは、予測すべき日の最高温度および最低温度を指す。K1日のうちのある日の２つの影響要因で構成されるベクトルがTi = [Ti (1), Ti (2)]、i=1,2,…,K1である。TiとTnとのユークリッド距離を算出し、TiとTnとのユークリッド距離が３より小さい類似日を選択する。ｄ.温度距離条件に合致する類似日よりも前の１日間の電力と、予測日の前日の電力と、の類似度を算出し、類似度が最も高いK2日を最終類似日として選択し、前日太陽光発電電力予測モデルの確立に利用させる。（３）類似日の対応する時刻での発電電力値の平均値を予測結果１として取る。（４）類似日の時点ごとにモデリングする方法を利用して、前日太陽光発電ＳＶＲ予測モデルを予測結果２として確立する。つまり、６：００-１９：００は、合わせて１４個のモデルを含む。具体的には、ａ. 類似日および予測すべき日の太陽照射量、温度および湿度のそれぞれを[０、１]として正規化する。ｂ. 類似日の同一の時間帯での正規化された太陽照射量、温度（最高温度および最低温度を含む）、湿度（最高湿度および最低湿度を含む）をＳＶＲ入力とし、１時間当たりの太陽光発電電力をＳＶＲ出力として、類似日を訓練サンプルとしてＳＶＲモデルを訓練することで、１４個の時刻に対応する１４個のモデルを取得する。ｃ. 予測日で正規化された太陽照射量、温度および湿度のそれぞれを１４個のＳＶＲモデルに代入するだけで、予測すべき日の６：００-１９：００での太陽光発電電力予測値を取得できる。
さらに、図６に示すように、予測タイプ４は、予測モデル４１、４２、４３を含む。予測モデル４１は、２時間内に早める予測を実施可能であり、データベースのデータが１か月分より少ない太陽光発電システムについて予測を行なう。データベースのデータが１０日分より少ないとき、持続法を用いて太陽照射強度、環境温度、太陽光発電電力のそれぞれに対して予測を行って、太陽照射強度予測値、環境温度予測値、太陽光発電電力予測値１を取得し、環境温度をユニット温度に換算し、太陽照射強度を太陽光発電ユニットの傾斜面で受信された有効太陽照射量に換算する。有効太陽照射強度予測値およびユニット温度予測値を、モデル１１で構築された太陽光発電ユニットモデルに代入して太陽光発電電力予測値２を取得し、２つの予測値の平均値を取って太陽光発電電力予測値を取得する。データベースのデータが１０日分より多く且つ１か月分より少ないとき、持続法、時系列法およびニューラルネットワークモデルを用いて太陽照射強度、環境温度、太陽光発電電力のそれぞれに対して複合モデルを確立する。モデリング方法は、モデル２１と類似し、太陽照射強度予測値、環境温度予測値、太陽光発電電力予測値１をそれぞれ取得し、環境温度をユニット温度に換算し、太陽照射強度予測値および環境温度予測値を、モデル１１で構築された太陽光発電ユニットモデルに代入して太陽光発電電力予測値２を取得する。太陽光発電電力予測値１および予測値２をＲＢＦニューラルネットワークの入力とし、実際の太陽光発電電力をニューラルネットワークの出力として、モデル訓練を行い、予測サンプルを予測モデルに代入することで、太陽光発電電力予測値を取得する。予測モデル４２は、２時間内に早める予測を実施可能であり、データベースのデータが１か月分より多く且つ６か月分より少ない太陽光発電システムについて予測を行なう。時系列法、ニューラルネットワークおよびサポートベクトル回帰モデルを用いて、太陽照射強度、環境温度および太陽光発電電力のそれぞれに対して複合予測モデルを確立する。モデリング方法は、モデル２２と類似し、太陽照射強度予測値、環境温度予測値、太陽光発電電力予測値１をそれぞれ取得し、環境温度をユニット温度に換算する。太陽照射強度予測値および環境温度予測値を、モデル１１で構築された太陽光発電ユニットモデルに代入して太陽光発電電力予測値２を取得する。太陽光発電電力予測値１および予測値２をサポートベクトル回帰ＳＶＲモデルの入力とし、実際の太陽光発電電力をＳＶＲモデルの出力として、モデル訓練を行い、予測サンプルを予測モデルに代入することで、太陽光発電電力予測値を取得する。予測データベースのデータが６か月分より多いとき、予測モデル４３を用いる。当該モデルは、２時間内に早める予測を実施可能である。予測モデル４３は、カオス予測方法を用いて、２種の多次元時系列を利用して位相空間を再構築し、予測中心点に類似する隣接点を検索して予測モデルを確立する。モデリング方法は、下記のようになる。（１）モデル２３と同様な方法を用いて多次元時系列を構築し、予測モデルを確立することで、太陽光発電電力予測値１を取得する。（２）履歴太陽光発電電力、太陽照射強度、環境温度を利用して３次元時系列を構築し、Ｃ-Ｃ方法および最小誤差算出法を利用して位相空間を再構築する。再構築された位相空間において、予測中心点に類似する隣接点を検索してから、モデル２３のステップ（４）〜（７）を用いて隣接点についてＳＶＲ予測モデルを確立することで、太陽光発電電力予測値２を取得する。（３）太陽光発電電力予測値１および太陽光発電電力予測値２をＳＶＲモデルの入力とし、実際の太陽光発電電力をＳＶＲモデルの出力として、ＳＶＲモデルパラメータに対して最適化および訓練を行なう。（４）予測入力サンプルをモデルに代入すると、ＳＶＲ予測モデルの出力そのものは、太陽光発電電力予測値である。
さらに、図６に示すように、予測タイプ５は、予測モデル５１、５２、５３を含む。その場合、モデル５１、５２は、それぞれモデル４１、４２と同じである。予測データベースのデータが６か月分より多いとき、予測モデル５３を用いる。当該モデルは、２時間内に早める予測および前日予測を実施可能である。モデリング方法は、下記のようになる。（１）はモデル３３のステップ（１）と同様である。（２）はモデル３３のステップ（２）のａからｃと同様であり、ｄ.温度距離条件に合致する類似日よりも前の１日間の電力と予測日の前日の電力、照射量および温度の類似度を算出し、類似度の一番高いK2日を最終類似日として選択して、前日太陽光発電電力予測モデルの確立に利用させる。（３）はモデル３３のステップ（３）と同様である。（４）はモデル３３のステップ（４）と同様である。
さらに、図７に示すように、予測タイプ６は、予測モデル６１、６２、６３を含む。予測モデル６１は、データベースのデータが１か月分より少ない太陽光発電システムについて予測を行い、２時間内に早める予測および２４〜７２時間早める予測を実施可能である。その場合、２時間内に早める予測方法は、予測モデル４１と同様であり、２４〜７２時間早める予測は、ＮＷＰｓの正確な予報に依存する。モデリング方法は、下記のようになる。（１）ＮＷＰｓにおける太陽照射量および環境温度を、それぞれ太陽光発電ユニットの傾斜面の有効太陽照射量およびユニット温度として転換する。（２）有効太陽照射量およびユニット温度を、太陽光発電ユニットモデルに代入して２４〜７２時間早める電力予測シーケンス１を取得する。（３）環境モニタデータベースにおける太陽照射量、環境温度を、ＲＢＦニューラルネットワークの入力として、対応時刻の太陽光発電電力をモデル出力として、ＲＢＦニューラルネットワークを訓練する。（４）ＮＷＰｓの太陽照射量、環境温度を、ＲＢＦニューラルネットワーク予測モデルに代入して２４〜７２時間早める電力予測シーケンス２を取得する。（５）電力予測シーケンス１と電力予測シーケンス２との平均値を、２４〜７２時間早める電力予測値として取る。予測モデル６２は、データベースのデータが１か月分より多く且つ６か月分より少ない太陽光発電システムについて予測を行い、２時間内に早める予測および２４〜７２時間早める予測を実施可能である。その場合、２時間内に早める予測方法は、予測モデル４２と同様であり、２４〜７２時間早める予測のモデリング方法は、下記のようになる。（１）ＮＷＰｓを補正する。具体的には、時間帯ごとに、１４個のＮＷＰｓデータ補正モデルを確立し、予測日よりも前の３０日の同一の時間帯におけるＮＷＰｓ太陽照射強度、環境温度をＳＶＲモデルの入力とし、環境モニタデータベースにおける太陽照射強度、環境温度をＳＶＲモデルの出力とする。遺伝的アルゴリズムあるいは蟻コロニーアルゴリズムにより、ＳＶＲモデルに対してパラメータの最適化および訓練を行なって、ＮＷＰｓ補正モデルを取得する。（２）補正後のＮＷＰｓデータを利用して、モデル６１により２４〜７２時間早める予測を行なう。予測モデル６３は、データベースのデータが６か月分より多い太陽光発電システムについて予測を行い、２時間内に早める予測および２４〜７２時間早める予測を実施可能である。その場合、２時間内に早める予測方法は、予測モデル４３と同様であり、２４〜７２時間早める予測のモデリング方法は、下記のようになる。（１）ＮＷＰｓを補正する。補正方法は、下記のようになる。ａ.ＮＷＰｓ履歴データにおける太陽放射強度、環境温度、風速に応じて、予測日の６：００-１９：００での太陽放射強度、環境温度、風速とのユークリッド距離が一番近いK３日を順次に選択する。K３は、シミュレーション試験により設定される。ｂ.時間帯ごとに１４個のＮＷＰｓデータ補正モデルを確立し、同一の時間帯におけるＮＷＰｓ太陽照射強度、環境温度をＳＶＲモデルの入力とし、環境モニタデータベースにおける太陽照射強度、環境温度をＳＶＲモデルの出力として、遺伝的アルゴリズムあるいは蟻コロニーアルゴリズムを用いてＳＶＲモデルに対してパラメータの最適化および訓練を行なって、ＮＷＰｓ補正モデルを取得する。（２）補正後のＮＷＰｓデータを利用して、モデル６１により２４〜７２時間早める予測を行なう。
モデル誤差分析モジュールは、予測モデルの誤差を算出して統計し、統計結果に基づいて非カオス予測モデルの更新が必要であるか否かを判断する。さらに、当該モジュールは、天気種類に基づいて誤差状況を統計し、異なる天気での予測値の信頼区間を与える。それとともに、一日の予測を３つの時間帯、即ち、６時から１０時、１１時から１４時、１５時から１９時に分けて、その３つの時間帯に基づいて予測誤差状況を統計して、各時間帯での予測値の信頼区間を与える。また、ＮＷＰｓと環境モニタデータを比較し、時間帯ごとにＮＷＰｓ誤差を算出して統計する。
前記運転エラー診断モジュールは、運転エラーモニタモジュール、運転エラーログ作成モジュールおよびエラー警報モジュールを備える。運転エラーモニタモジュールは、システムの運転中にモニタされたエラー情報を、運転エラーログ作成モジュールに入力する。エラー情報は、主に以下の幾つかの種類がある。（１）太陽光発電システムの運転データの取得が失敗して、データベースから最新の履歴電力データを取得できない。（２）運転データベースにおいて、履歴電力データが不完全であるまたは深刻不良データが存在する。（３）発電予測が失敗する。（４）気象局に接続される通信ネットワークが通らない。（５）気象情報サーバに必要な気象予報結果がない。（６）環境モニタデータベースの履歴気象データが不完全である。運転エラーログ作成部分は、受信されたエラー情報を深刻エラー（エラー１〜３）および普通エラー（エラー４〜６）の２種に分けてから、種類別にエラーの詳細情報を、当日の運転エラーログに書き込む。エラー警報部分は、毎時間の予測動作が完了した後、その日の運転エラーログを自動的に検査する。深刻エラーが存在すれば、点滅する赤い警報ウィンドウがポップアップして、状況が深刻であるためシステムが人工的な介入を必要とすることを示す。普通エラーが存在すれば、黄色い警報ウィンドウがポップアップして、もっと注意を払うようにオペレータへヒントを出す。エラーがなければ、ウィンドウがポップアップせず、現在の予測動作が正常であるためオペレータの介入を必要としないことを示す。
前記自動運転管理モジュールは、日運転ログ作成サブモジュールおよび月運転ログ作成サブモジュールを含む。日運転ログ作成サブモジュールは、毎日の００:００に自動運転し、前日の運転状況を統計して分析する。その内容は、次の（１）から（３）を含む。（１）予測の基本情報：日タイプ、天気予報情報、ＮＷＰｓ情報、用いられる予測タイプおよび予測モデル等。（２）システム運転状況：その日のシステム運転が正常であるか否か、太陽光発電システムの運転データの取得が成功するか否か、気象データの取得が成功するか否か、履歴電力データが完全であるか否か、履歴気象データが完全であるか否か、履歴環境モニタデータが完全であるか否か等。（３）運転結果統計：その日の発電電力予測誤差統計結果、ＮＷＰｓ誤差統計、データ補正状況等。月運転ログ作成サブモジュールは、毎月の初日に自動運転して、前月の運転状況を統計して分析する。その内容は、次の（１）から（３）を含む。（１）基本状況：何月、その月の天気状況、特別な気象状況が出現するか否か等。（２）システム運転状況：システム運転率、運転エラー診断報告生成率、ＮＷＰｓデータ取得率、天気予報データ取得率、オリジナルデータベースのデータ合格率、モデリングデータベース補正率等。（３）運転結果統計：発電電力予測誤差統計、ＮＷＰｓ誤差統計、その月の予測精度の上下限の推定等。
前記マン・マシンインターフェースモジュールは、オンラインおよび履歴データ/稼働状況/警報を照会し、便利な予測システムパラメータ設定およびデータ導入機能をユーザへ提供する。さらに、前記マン・マシンインターフェースモジュールは、照会および補正ができるように、予測結果をリアルタイムデータ、リアルタイム曲線、履歴テーブルおよび履歴曲線の４種の形態で同時に与える。それとともに、予測時刻での他の関連データ、例えば、前時刻データ、環境温度、太陽照射量等を与える。運転ログ照会機能、エラー警報機能も提供する。その場合、エラー警報インターフェース上で関連する情報ヒントが提供され、エラーに関連する発電電力、気象等のデータを曲線あるいはテーブルの形態で表示させ、オペレータがエラーを素早く判断、位置特定するのに寄与する。
本発明は、太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システムに関し、特に多種類の太陽光発電システムの全ライフサイクルの出力電力予測に適用する。モジュール化された太陽光発電システムの出力電力予測システムを提供する。それは、太陽光発電システムの規模、地理的位置、ユーザ要求等に応じてカスタマイズ可能であり、コストの点でも信頼性の点でも両立する。太陽光発電電力予測システムにおいて移植性が悪くて、運転安定性および信頼性が悪い問題を解決する。本発明は、よく見られる太陽光発電電力予測のデータ型を考慮する。そのデータ型は、太陽光発電システム基本情報、太陽光発電電力、天気予報データ、環境モニタデータおよびＮＷＰｓデータを含む。本発明がこれらのデータ型に基づいて太陽光発電電力予測タイプを分類し、太陽光発電システムの全ライフサイクルで取得されたデータ量の相違に応じて異なる予測方法を選択する。現在殆どの太陽光発電システムの出力電力予測要求を満足できるため、システムは、良好な適応性および移植可能性を有する。本発明は、単一予測モデルの予測精度が悪い場合もあることを考慮し、各種の予測タイプおよび太陽光発電システムの異なるライフサイクルにおいて複合モデルをできるだけ利用する。用いられるアルゴリズムは、時系列法、ＲＢＦニューラルネットワーク、サポートベクトル回帰ＳＶＲ、位相空間再構築カオス予測法等を含む。また、本発明で用いられる予測モデルは、一定のものではない。つまり、モデルは、誤差統計結果に基づいて、予測モデルの更新が必要であるか否かを判断し、または、モデルは、カオス予測法を用いて、予測する度に、更新された予測モデルを用いる。これにより、予測システムは、高い予測精度を有し、安定した自動運転を実施することができる。
上記詳細な記述が本発明の実行可能な実施例に対する具体的な説明であるが、当該実施例が本発明の特許保護範囲を制限するためのものではない。本発明を元になされた等価物の実施あるいは変更は、本発明の要旨を逸脱しない限り、本発明の特許保護範囲内に収まる。
［付記］
［付記１］
地理的位置と気象履歴情報と取付情報とインバータ情報とを含む、太陽光発電システムの基本情報を記憶するための基本情報記憶モジュールと、
太陽光発電システム運転データと環境モニタデータと天気予報データと数値気象予報データとを含む、予測のモデリングに必要な各種のデータを分類して記憶し、上記基本情報記憶モジュールにおける基本情報をさらに記憶するためのデータベースモジュールと、
前記データベースモジュールで記憶されたデータの種類、および、太陽光発電システムの運転時間に基づいて、対応する予測モデルを特定するための予測モデル判断モジュールと、
前記データベースモジュールでのデータに対して平均化処理を行って、入出力モデルの訓練サンプルおよび予測入力サンプルを形成するための予測データ前処理モジュールと、
前記予測モデル判断モジュールによって特定された予測モデルに基づいて、前記予測データ前処理モジュールのサンプルに対してモデル訓練および予測を行って、太陽光発電システムの出力電力の予測値を取得するための予測モデリングモジュールと、を備える、
ことを特徴とする太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。
［付記２］
予測のモデリングに必要な各種のデータを取得して、データベースモジュールのオリジナルデータベースに導入するためのデータ入力モジュールと、
オリジナルデータベースと、モデリングデータベースと、不良データベースと、予測結果データベースとに分けられるデータベースモジュールと、
前記データ入力モジュールによって導入されたオリジナルデータに対して不良データの識別、補正および記録を行うためのデータ認識・補正モジュールと、
予測モデルの誤差を算出して統計し、統計結果に基づいて予測モデルの更新が必要であるか否かを判断するためのモデル誤差分析モジュールと、
システムの運転中にモニタされたエラー情報を記録し、運転エラーログを作成して警報を出すための運転エラー診断モジュールと、
日運転ログおよび月運転ログを、オペレータの照会するバックアップとして定めるための自動運転管理モジュールと、
オンラインおよび履歴データ/稼働状況/警報照会をユーザへ提供し、パラメータ設定およびデータ導入機能を提供するためのマン・マシンインターフェースモジュールと、をさらに備え、
前記データ入力モジュールは、太陽光発電システム運転データ入力モジュールと、環境モニタデータ入力モジュールと、数値気象予報データ入力モジュールと、天気予報データ入力モジュールとの４つのサブモジュールを含み、
正常データおよび補正後の不良データがモデリングデータベースに存在し、補正不可能な不良データが不良データベースに存在する、
ことを特徴とする付記１に記載の太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。
［付記３］
前記基本情報記憶モジュールにおいて、
地理的位置情報が経度、緯度、標高および影遮蔽状況を含み、
気象履歴情報が気象局、ＮＡＳＡサイトおよびＮＯＡＡサイトによって取得された毎時間/月/日の太陽放射、および環境温度情報を含み、
取付情報が太陽光発電ユニットの銘板値、太陽光発電ユニット直列並列情報、アレイ数、取付角度および取付方式を含み、
インバータ情報が定格電力、効率および最大電力追従範囲を含む、
ことを特徴とする付記１または２に記載の太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。
［付記４］
前記データ認識・補正モジュールは、さらに、オリジナルデータに対して判断を行い、
インバータによる不良データと判断した場合に、データを不良データベースに格納し、
通信故障による不良データと判断した場合に、故障時間が３時間より小さいか否かをさらに判断し、そうであれば、データを対応する方法により補正してからモデリングデータベースに格納し、そうでなければ、データを不良データベースに格納する、
ことを特徴とする付記２に記載の太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。
［付記５］
前記データベースモジュールのオリジナルデータベース、モデリングデータベース、不良データベースのそれぞれは、環境モニタデータベース、数値気象予報データベース、天気予報データベースおよび太陽光発電システム運転データベースを含む、
ことを特徴とする付記１または２に記載の太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。
［付記６］
前記予測モデル判断モジュールは、モデリングデータベース中のサブデータベース種類に基づいて予測タイプを判断し、予測タイプおよび太陽光発電システムの運転時間に基づいて対応する予測モデルを特定し、
モデリングデータベースが何れのデータも含まない場合、予測タイプが予測タイプ１であると判断し、モデリングデータベースが太陽光発電システム運転データベースを含む場合、予測タイプが予測タイプ２であると判断し、モデリングデータベースが太陽光発電システム運転データベースおよび天気予報データベースを含む場合、予測タイプが予測タイプ３であると判断し、モデリングデータベースが太陽光発電システム運転データベースおよび環境モニタデータベースを含む場合、予測タイプが予測タイプ４であると判断し、モデリングデータベースが太陽光発電システム運転データベース、環境モニタデータベースおよび天気予報データベースを含む場合、予測タイプが予測タイプ５であると判断し、モデリングデータベースが太陽光発電システム運転データベース、環境モニタデータベースおよび数値気象予報データベースを含む場合、予測タイプが予測タイプ６であると判断し、
予測タイプが予測タイプ１である場合には、予測モデル１１を用いて出力電力予測を行い、
予測タイプが予測タイプ２である場合には、太陽光発電システムの運転時間が１か月より小さければ、予測モデル２１を用いて予測を行うと判断し、太陽光発電システムの運転時間が１か月より大きく且つ６か月より小さければ、予測モデル２２を用いて予測を行うと判断し、太陽光発電システムの運転時間が６か月より大きければ、予測モデル２３を用いて予測を行うと判断し、
予測タイプが予測タイプ３である場合には、予測モデル３１、３２と予測モデル２１、２２とがそれぞれ同じであり、太陽光発電システムの運転時間が６か月より大きければ、予測モデル３３を用いて予測を行うと判断し、
予測タイプが予測タイプ４である場合には、太陽光発電システムの運転時間が１か月より小さければ、予測モデル４１を用いて予測を行うと判断し、太陽光発電システムの運転時間が１か月より大きく且つ６か月より小さければ、予測モデル４２を用いて予測を行うと判断し、太陽光発電システムの運転時間が６か月より大きければ、予測モデル４３を用いて予測を行うと判断し、
予測タイプが予測タイプ５である場合には、予測モデル５１、５２と予測モデル４１、４２とがそれぞれ同じであり、太陽光発電システムの運転時間が６か月より大きければ、予測モデル５３を用いて予測を行うと判断し、
予測タイプが予測タイプ６である場合には、太陽光発電システムの運転時間が１か月より小さければ、予測モデル６１を用いて予測を行うと判断し、太陽光発電システムの運転時間が１か月より大きく且つ６か月より小さければ、予測モデル６２を用いて予測を行うと判断し、太陽光発電システムの運転時間が６か月より大きければ、予測モデル６３を用いて予測を行うと判断する、
ことを特徴とする付記５に記載の太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。
［付記７］
前記予測モデリングモジュールは、
太陽光発電ユニットの５パラメータモデルを用いた算出により、太陽光発電システムの年間発電量の予測値を取得するモデル１１と、
持続法、時系列法、ＲＢＦニューラルネットワーク等からなる複合予測モデルを用いて、２時間以内に早める太陽光発電電力予測を実施するモデル２１と、
時系列法、ＲＢＦニューラルネットワーク、サポートベクトル回帰ＳＶＲ等からなる複合予測モデルを用いて、２時間以内に早める太陽光発電電力予測を実施するモデル２２と、
多次元時系列の位相空間再構築（Ｐｈａｓｅ Ｓｐａｃｅ Ｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ Ｍｕｌｔｉ-Ｄｉｍｅｎｓｉｏｎａｌ Ｔｉｍｅ-Ｓｅｒｉｅｓ）、重み付け一次法（Ａｄｄｉｎｇ Ｗｅｉｇｈｔ Ｆｉｒｓｔ Ｏｒｄｅｒ Ｌｏｃａｌ Ｐｒｅｄｉｃｔｉｏｎ Ｍｅｔｈｏｄ）、ＳＶＲ等からなる複合予測モデルを用いて、２時間以内に早める太陽光発電電力予測を実施するモデル２３と、
モデル２１と同じであるモデル３１と、
モデル２２と同じであるモデル３２と、
２時間早める電力予測方法がモデル２３と同じであり、且つ前日太陽光発電電力予測が類似日ＳＶＲモデル１を用いた予測であるモデル３３と、
太陽光発電ユニットの５パラメータモデル、持続法、時系列およびＲＢＦニューラルネットワークからなる複合予測モデルを用いて、２時間以内に早める太陽光発電電力予測を実施するモデル４１と、
太陽光発電ユニットの５パラメータモデル、時系列、ＲＢＦニューラルネットワークおよびＳＶＲからなる複合予測モデルを用いて、２時間以内に早める太陽光発電電力予測を実施するモデル４２と、
２種の多次元時系列の位相空間再構築法、重み付け一次法およびＳＶＲからなる複合予測モデルを用いて、２時間以内に早める太陽光発電電力予測を実施するモデル４３と、
モデル４１と同じであるモデル５１と、
モデル４２と同じであるモデル５２と、
２時間早める電力予測方法がモデル４３と同じであり、且つ前日太陽光発電電力予測が類似日ＳＶＲモデル２を用いた予測であるモデル５３と、
２時間早める電力予測方法がモデル４１と同じであり、且つ前日太陽光発電電力予測が太陽光発電ユニットの５パラメータモデルおよびＲＢＦニューラルネットワークモデルを用いた予測であるモデル６１と、
２時間早める電力予測方法がモデル４２と同じであり、且つ前日太陽光発電電力予測がＮＷＰｓのＳＶＲ補正モデル、太陽光発電ユニットの５パラメータモデルおよびＲＢＦニューラルネットワークを用いた予測であるモデル６２と、
２時間早める電力予測方法がモデル４３と同じであり、且つ前日太陽光発電電力予測がＮＷＰｓの類似日ＳＶＲ補正モデル、太陽光発電ユニットの５パラメータモデルおよびＲＢＦニューラルネットワークを用いた予測であるモデル６３と、を含む、
ことを特徴とする付記６に記載の太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。
［付記８］
前記運転エラー診断モジュールは、
予測システムの運転中におけるエラーを検出し、エラー情報を運転エラーログ作成モジュールに入力するための運転エラーモニタモジュールと、
予測システムの運転のエラー情報を記憶するための前記運転エラーログ作成モジュールと、
毎時間の予測動作が完了した後、その日の運転エラーログを自動的に検査して対応する警報動作を行うためのエラー警報モジュールと、を備える、
ことを特徴とする付記２に記載の太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。
［付記９］
前記自動運転管理モジュールは、
毎日の００:００に自動的に運転させ、前日の運転状況に対して、予測の基本情報、システム運転状況および運転結果統計を含む統計分析を行う日運転ログ作成サブモジュールと、
毎月の初日に自動的に運転させ、前月の運転状況に対して、基本情報、システム運転状況および運転結果統計を含む統計分析を行う月運転ログ作成サブモジュールと、を備える、
ことを特徴とする付記２または８に記載の太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。
［付記１０］
基本情報記憶モジュールによる記憶が完了した後、システムが循環予測運転に入るように制御するための循環予測制御モジュールをさらに備え、
毎回の予測循環過程の実行順は、データ入力モジュール、データ認識・補正モジュール、データベースモジュール、予測モデル判断モジュール、予測データ前処理モジュール、予測モデリングモジュール、モデル誤差分析モジュール、運転エラー診断モジュールであり、
毎回の予測循環の実行後、時間が００:００であるか否かを判断し、００:００でなければ、予測結果をマン・マシンインターフェースおよびデータベースモジュールに帰還して循環に再度入らせ、００:００であれば、モデル誤差分析モジュールを動作させて誤差を統計し、自動運転管理モジュールを動作させ、関連する統計結果をマン・マシンインターフェースおよびデータベースモジュールに帰還して毎回の予測循環に再度入らせる、
ことを特徴とする付記９に記載の太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。

Claims (10)

  1. 地理的位置と気象履歴情報と取付情報とインバータ情報とを含む、太陽光発電システムの基本情報を記憶するための基本情報記憶モジュールと、
    太陽光発電システム運転データと環境モニタデータと天気予報データと数値気象予報データとを含む、予測のモデリングに必要な各種のデータを分類して記憶し、上記基本情報記憶モジュールにおける基本情報をさらに記憶するためのデータベースモジュールと、
    前記データベースモジュールで記憶されたデータの種類、および、太陽光発電システムの運転時間に基づいて、対応する予測モデルを特定するための予測モデル判断モジュールと、
    前記データベースモジュールでのデータに対して平均化処理を行って、入出力モデルの訓練サンプルおよび予測入力サンプルを形成するための予測データ前処理モジュールと、
    前記予測モデル判断モジュールによって特定された予測モデルに基づいて、前記予測データ前処理モジュールのサンプルに対してモデル訓練および予測を行って、太陽光発電システムの出力電力の予測値を取得するための予測モデリングモジュールと、を備える、
    ことを特徴とする太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。
  2. 予測のモデリングに必要な各種のデータを取得して、データベースモジュールのオリジナルデータベースに導入するためのデータ入力モジュールと、
    オリジナルデータベースと、モデリングデータベースと、不良データベースと、予測結果データベースとに分けられるデータベースモジュールと、
    前記データ入力モジュールによって導入されたオリジナルデータに対して不良データの識別、補正および記録を行うためのデータ認識・補正モジュールと、
    予測モデルの誤差を算出して統計し、統計結果に基づいて予測モデルの更新が必要であるか否かを判断するためのモデル誤差分析モジュールと、
    システムの運転中にモニタされたエラー情報を記録し、運転エラーログを作成して警報を出すための運転エラー診断モジュールと、
    日運転ログおよび月運転ログを、オペレータの照会するバックアップとして定めるための自動運転管理モジュールと、
    オンラインおよび履歴データ/稼働状況/警報照会をユーザへ提供し、パラメータ設定およびデータ導入機能を提供するためのマン・マシンインターフェースモジュールと、をさらに備え、
    前記データ入力モジュールは、太陽光発電システム運転データ入力モジュールと、環境モニタデータ入力モジュールと、数値気象予報データ入力モジュールと、天気予報データ入力モジュールとの４つのサブモジュールを含み、
    正常データおよび補正後の不良データがモデリングデータベースに存在し、補正不可能な不良データが不良データベースに存在する、
    ことを特徴とする請求項１に記載の太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。
  3. 前記基本情報記憶モジュールにおいて、
    地理的位置情報が経度、緯度、標高および影遮蔽状況を含み、
    気象履歴情報が気象局、ＮＡＳＡサイトおよびＮＯＡＡサイトによって取得された毎時間/月/日の太陽放射、および環境温度情報を含み、
    取付情報が太陽光発電ユニットの銘板値、太陽光発電ユニット直列並列情報、アレイ数、取付角度および取付方式を含み、
    インバータ情報が定格電力、効率および最大電力追従範囲を含む、
    ことを特徴とする請求項１または２に記載の太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。
  4. 前記データ認識・補正モジュールは、さらに、オリジナルデータに対して判断を行い、
    インバータによる不良データと判断した場合に、データを不良データベースに格納し、
    通信故障による不良データと判断した場合に、故障時間が３時間より小さいか否かをさらに判断し、そうであれば、データを対応する方法により補正してからモデリングデータベースに格納し、そうでなければ、データを不良データベースに格納する、
    ことを特徴とする請求項２に記載の太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。
  5. 前記データベースモジュールのオリジナルデータベース、モデリングデータベース、不良データベースのそれぞれは、環境モニタデータベース、数値気象予報データベース、天気予報データベースおよび太陽光発電システム運転データベースを含む、
    ことを特徴とする請求項１または２に記載の太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。
  6. 前記予測モデル判断モジュールは、モデリングデータベース中のサブデータベース種類に基づいて予測タイプを判断し、予測タイプおよび太陽光発電システムの運転時間に基づいて対応する予測モデルを特定し、
    モデリングデータベースが何れのデータも含まない場合、予測タイプが予測タイプ１であると判断し、モデリングデータベースが太陽光発電システム運転データベースを含む場合、予測タイプが予測タイプ２であると判断し、モデリングデータベースが太陽光発電システム運転データベースおよび天気予報データベースを含む場合、予測タイプが予測タイプ３であると判断し、モデリングデータベースが太陽光発電システム運転データベースおよび環境モニタデータベースを含む場合、予測タイプが予測タイプ４であると判断し、モデリングデータベースが太陽光発電システム運転データベース、環境モニタデータベースおよび天気予報データベースを含む場合、予測タイプが予測タイプ５であると判断し、モデリングデータベースが太陽光発電システム運転データベース、環境モニタデータベースおよび数値気象予報データベースを含む場合、予測タイプが予測タイプ６であると判断し、
    予測タイプが予測タイプ１である場合には、予測モデル１１を用いて出力電力予測を行い、
    予測タイプが予測タイプ２である場合には、太陽光発電システムの運転時間が１か月より小さければ、予測モデル２１を用いて予測を行うと判断し、太陽光発電システムの運転時間が１か月より大きく且つ６か月より小さければ、予測モデル２２を用いて予測を行うと判断し、太陽光発電システムの運転時間が６か月より大きければ、予測モデル２３を用いて予測を行うと判断し、
    予測タイプが予測タイプ３である場合には、予測モデル３１、３２と予測モデル２１、２２とがそれぞれ同じであり、太陽光発電システムの運転時間が６か月より大きければ、予測モデル３３を用いて予測を行うと判断し、
    予測タイプが予測タイプ４である場合には、太陽光発電システムの運転時間が１か月より小さければ、予測モデル４１を用いて予測を行うと判断し、太陽光発電システムの運転時間が１か月より大きく且つ６か月より小さければ、予測モデル４２を用いて予測を行うと判断し、太陽光発電システムの運転時間が６か月より大きければ、予測モデル４３を用いて予測を行うと判断し、
    予測タイプが予測タイプ５である場合には、予測モデル５１、５２と予測モデル４１、４２とがそれぞれ同じであり、太陽光発電システムの運転時間が６か月より大きければ、予測モデル５３を用いて予測を行うと判断し、
    予測タイプが予測タイプ６である場合には、太陽光発電システムの運転時間が１か月より小さければ、予測モデル６１を用いて予測を行うと判断し、太陽光発電システムの運転時間が１か月より大きく且つ６か月より小さければ、予測モデル６２を用いて予測を行うと判断し、太陽光発電システムの運転時間が６か月より大きければ、予測モデル６３を用いて予測を行うと判断する、
    ことを特徴とする請求項５に記載の太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。
  7. 前記予測モデリングモジュールは、
    太陽光発電ユニットの５パラメータモデルを用いた算出により、太陽光発電システムの年間発電量の予測値を取得するモデル１１と、
    持続法、時系列法、ＲＢＦニューラルネットワーク等からなる複合予測モデルを用いて、２時間以内に早める太陽光発電電力予測を実施するモデル２１と、
    時系列法、ＲＢＦニューラルネットワーク、サポートベクトル回帰ＳＶＲ等からなる複合予測モデルを用いて、２時間以内に早める太陽光発電電力予測を実施するモデル２２と、
    多次元時系列の位相空間再構築（Ｐｈａｓｅ Ｓｐａｃｅ Ｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ Ｍｕｌｔｉ-Ｄｉｍｅｎｓｉｏｎａｌ Ｔｉｍｅ-Ｓｅｒｉｅｓ）、重み付け一次法（Ａｄｄｉｎｇ Ｗｅｉｇｈｔ Ｆｉｒｓｔ Ｏｒｄｅｒ Ｌｏｃａｌ Ｐｒｅｄｉｃｔｉｏｎ Ｍｅｔｈｏｄ）、ＳＶＲ等からなる複合予測モデルを用いて、２時間以内に早める太陽光発電電力予測を実施するモデル２３と、
    モデル２１と同じであるモデル３１と、
    モデル２２と同じであるモデル３２と、
    ２時間早める電力予測方法がモデル２３と同じであり、且つ前日太陽光発電電力予測が類似日ＳＶＲモデル１を用いた予測であるモデル３３と、
    太陽光発電ユニットの５パラメータモデル、持続法、時系列およびＲＢＦニューラルネットワークからなる複合予測モデルを用いて、２時間以内に早める太陽光発電電力予測を実施するモデル４１と、
    太陽光発電ユニットの５パラメータモデル、時系列、ＲＢＦニューラルネットワークおよびＳＶＲからなる複合予測モデルを用いて、２時間以内に早める太陽光発電電力予測を実施するモデル４２と、
    ２種の多次元時系列の位相空間再構築法、重み付け一次法およびＳＶＲからなる複合予測モデルを用いて、２時間以内に早める太陽光発電電力予測を実施するモデル４３と、
    モデル４１と同じであるモデル５１と、
    モデル４２と同じであるモデル５２と、
    ２時間早める電力予測方法がモデル４３と同じであり、且つ前日太陽光発電電力予測が類似日ＳＶＲモデル２を用いた予測であるモデル５３と、
    ２時間早める電力予測方法がモデル４１と同じであり、且つ前日太陽光発電電力予測が太陽光発電ユニットの５パラメータモデルおよびＲＢＦニューラルネットワークモデルを用いた予測であるモデル６１と、
    ２時間早める電力予測方法がモデル４２と同じであり、且つ前日太陽光発電電力予測がＮＷＰｓのＳＶＲ補正モデル、太陽光発電ユニットの５パラメータモデルおよびＲＢＦニューラルネットワークを用いた予測であるモデル６２と、
    ２時間早める電力予測方法がモデル４３と同じであり、且つ前日太陽光発電電力予測がＮＷＰｓの類似日ＳＶＲ補正モデル、太陽光発電ユニットの５パラメータモデルおよびＲＢＦニューラルネットワークを用いた予測であるモデル６３と、を含む、
    ことを特徴とする請求項６に記載の太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。
  8. 前記運転エラー診断モジュールは、
    予測システムの運転中におけるエラーを検出し、エラー情報を運転エラーログ作成モジュールに入力するための運転エラーモニタモジュールと、
    予測システムの運転のエラー情報を記憶するための前記運転エラーログ作成モジュールと、
    毎時間の予測動作が完了した後、その日の運転エラーログを自動的に検査して対応する警報動作を行うためのエラー警報モジュールと、を備える、
    ことを特徴とする請求項２に記載の太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。
  9. 前記自動運転管理モジュールは、
    毎日の００:００に自動的に運転させ、前日の運転状況に対して、予測の基本情報、システム運転状況および運転結果統計を含む統計分析を行う日運転ログ作成サブモジュールと、
    毎月の初日に自動的に運転させ、前月の運転状況に対して、基本情報、システム運転状況および運転結果統計を含む統計分析を行う月運転ログ作成サブモジュールと、を備える、
    ことを特徴とする請求項２または８に記載の太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。
  10. 基本情報記憶モジュールによる記憶が完了した後、システムが循環予測運転に入るように制御するための循環予測制御モジュールをさらに備え、
    毎回の予測循環過程の実行順は、データ入力モジュール、データ認識・補正モジュール、データベースモジュール、予測モデル判断モジュール、予測データ前処理モジュール、予測モデリングモジュール、モデル誤差分析モジュール、運転エラー診断モジュールであり、
    毎回の予測循環の実行後、時間が００:００であるか否かを判断し、００:００でなければ、予測結果をマン・マシンインターフェースおよびデータベースモジュールに帰還して循環に再度入らせ、００:００であれば、モデル誤差分析モジュールを動作させて誤差を統計し、自動運転管理モジュールを動作させ、関連する統計結果をマン・マシンインターフェースおよびデータベースモジュールに帰還して毎回の予測循環に再度入らせる、
    ことを特徴とする請求項９に記載の太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム。
JP2017534728A 2015-08-31 2015-09-24 太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム Active JP6379299B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201510552067.0A CN105184404B (zh) 2015-08-31 2015-08-31 适用于光伏系统全生命周期的输出功率分类预测系统
CN201510552067.0 2015-08-31
PCT/CN2015/090587 WO2017035884A1 (zh) 2015-08-31 2015-09-24 适用于光伏系统全生命周期的输出功率分类预测系统

Publications (2)

Publication Number Publication Date
JP2018501582A true JP2018501582A (ja) 2018-01-18
JP6379299B2 JP6379299B2 (ja) 2018-08-22

Family

ID=54906467

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017534728A Active JP6379299B2 (ja) 2015-08-31 2015-09-24 太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム

Country Status (4)

Country Link
US (1) US20180046924A1 (ja)
JP (1) JP6379299B2 (ja)
CN (1) CN105184404B (ja)
WO (1) WO2017035884A1 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020022624A1 (ko) * 2018-07-26 2020-01-30 (주)에코브레인 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템
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
KR102382984B1 (ko) * 2021-09-30 2022-04-08 비케이엠 주식회사 신재생에너지 발전기의 발전량을 예측하는 단말기 및 그것의 제어 방법
KR102383012B1 (ko) * 2021-09-30 2022-04-08 비케이엠 주식회사 시간별 추세 예측 및 계절별 추세 예측을 동시에 수행하여 신재생에너지 발전기의 발전량을 보다 정확히 예측하는 단말기 및 그것의 제어 방법
KR102444254B1 (ko) * 2021-04-05 2022-09-19 주식회사 풍성인더스 태양광 발전량 예측 시스템 및 방법
WO2024128460A1 (ko) * 2022-12-13 2024-06-20 한국전자기술연구원 다수 재생에너지 발전 모델의 테스트 시스템 및 방법

Families Citing this family (91)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105652658B (zh) * 2015-12-29 2018-12-04 国能日新科技股份有限公司 基于光伏电场数据分析及实时环境监测的有功控制系统
CN105701572B (zh) * 2016-01-13 2020-11-06 国网甘肃省电力公司电力科学研究院 一种基于改进高斯过程回归的光伏短期出力预测方法
US10985694B2 (en) * 2016-07-15 2021-04-20 Enphase Energy, Inc. Method and apparatus for determining key performance photovoltaic characteristics using sensors from module-level power electronics
CN106503828B (zh) * 2016-09-22 2019-12-27 上海电力学院 一种光伏输出功率超短期混沌预测方法
WO2018065045A1 (en) * 2016-10-05 2018-04-12 Telecom Italia S.P.A. Method and system for estimating energy generation based on solar irradiance forecasting
CN106685313B (zh) * 2016-12-30 2018-06-22 珠海兆泓科技有限公司 用于光伏电站的发电控制方法、装置及光伏电站
CN106909985B (zh) * 2017-01-11 2021-02-09 沃太能源南通有限公司 一种光伏发电预测系统的预测方法
CN107274021A (zh) * 2017-06-16 2017-10-20 南京国电南自电网自动化有限公司 一种光伏功率预测系统干扰数据处理系统及方法
CN107341569B (zh) * 2017-06-26 2020-04-24 清华大学 结合光伏功率物理模型与数据驱动的光伏功率预测方法
CN108564192B (zh) * 2017-12-29 2021-06-08 河海大学 一种基于气象因子权重相似日的短期光伏功率预测方法
CN108509737B (zh) * 2018-04-09 2022-05-10 中国计量大学 一种光伏组串内各失配组件的参数提取方法
WO2020010291A1 (en) * 2018-07-05 2020-01-09 Abb Schweiz Ag Systems and methods for identifying anomalous events for electrical systems
CN109325296A (zh) * 2018-09-26 2019-02-12 国网电子商务有限公司 光伏电站建立方案的推荐方法、装置及电子设备
CN109255728B (zh) * 2018-09-27 2021-09-07 上海电力学院 混沌相空间优化重构的光伏发电功率神经网络预测法
US11681929B2 (en) * 2018-10-02 2023-06-20 Honeywell International Inc. Methods and systems for predicting a remaining useful life of a component using an accelerated failure time model
CN111325368A (zh) * 2018-12-13 2020-06-23 国网电动汽车服务有限公司 一种光储式电动汽车充电站光伏功率预测方法和装置
CN109711700A (zh) * 2018-12-19 2019-05-03 维科诚（苏州）光伏科技有限公司 一种针对光伏电站的服务网络管理系统
CN109613372B (zh) * 2018-12-26 2021-11-19 国网陕西省电力公司电力科学研究院 一种基于多元电网数据库的电网故障诊断方法
CN110059871B (zh) * 2019-04-04 2021-09-24 广东工业大学 光伏发电功率预测方法
CN109978280A (zh) * 2019-04-19 2019-07-05 上海交通大学 一种通用化光伏电池工作温度预测方法及装置
CN110110912B (zh) * 2019-04-26 2021-09-28 华北电力大学 一种光伏功率多模型区间预测方法
CN110059441B (zh) * 2019-04-29 2022-07-19 广东电网有限责任公司 一种光伏电站建模方法及光伏电站模型输出校正方法
CN110263969B (zh) * 2019-05-07 2023-06-02 西北农林科技大学 一种货架期苹果品质动态预测系统及预测方法
CN110503232A (zh) * 2019-06-28 2019-11-26 国网浙江省电力有限公司湖州供电公司 一种分布式光伏负荷数据预测与修复方法
CN110581567B (zh) * 2019-08-08 2021-07-30 国网山东省电力公司济南市历城区供电公司 实时跟踪内阻匹配的功率传输方法和系统
CN110472364B (zh) * 2019-08-22 2022-04-19 电子科技大学 一种考虑可再生能源的离网式热电气联产系统的优化方法
CN110704406B (zh) * 2019-08-30 2020-12-15 珠海格力电器股份有限公司 能源数据的处理方法及装置、设备
CN110570042B (zh) * 2019-09-16 2022-10-25 燕山大学 一种短期电动汽车充电负荷预测方法及系统
CN110766198A (zh) * 2019-09-18 2020-02-07 中国电建集团青海省电力设计院有限公司 一种基于光伏电站占地面积定量计算的光伏电站布置方法
CN110619479B (zh) * 2019-09-23 2022-05-24 阳光电源股份有限公司 光伏组件的故障判别模型建模方法及故障判别方法
CN110598956B (zh) * 2019-09-29 2022-02-18 国核电力规划设计研究院有限公司 一种光伏电站的发电功率预测方法及装置
CN111160603B (zh) * 2019-11-21 2022-11-25 中国电力科学研究院有限公司 一种端到端电力通信业务可靠性保障方法及系统
CN110855241B (zh) * 2019-12-04 2022-04-08 阳光新能源开发股份有限公司 一种光伏系统故障诊断方法及装置
CN110991083B (zh) * 2019-12-19 2023-07-14 阳光电源（上海）有限公司 一种光伏电站模型确定方法、装置、设备及储存介质
CN111027786B (zh) * 2019-12-30 2023-07-25 云南恒协科技有限公司 一种微电网运行优化和能效管理系统
CN111242371B (zh) * 2020-01-10 2023-04-18 华北电力大学 一种基于非迭代多模型的光伏发电短期预测校正方法
CN111401603A (zh) * 2020-01-22 2020-07-10 国网江苏省电力有限公司南京供电分公司 一种多类型能源需求预测方法
CN111461201B (zh) * 2020-03-30 2023-09-19 重庆大学 基于相空间重构的传感器数据分类方法
CN111669123B (zh) * 2020-05-11 2021-12-17 国家能源集团新能源技术研究院有限公司 用于对光伏组串进行故障诊断的方法和装置
CN111695601B (zh) * 2020-05-15 2023-06-20 特变电工西安电气科技有限公司 光伏功率预测方法、装置、设备及可读存储介质
CN111581868B (zh) * 2020-05-18 2023-09-22 中国科学院国家天文台 适用于fast主动反射面的故障预测和健康管理方法和系统
CN111626506B (zh) * 2020-05-27 2022-08-26 华北电力大学 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统
CN111768312B (zh) * 2020-06-22 2023-06-30 上海申铁信息工程有限公司 一种基于铁路系统数据编码的建筑能耗监测方法及装置
CN111931981B (zh) * 2020-07-06 2022-05-10 安徽天尚清洁能源科技有限公司 基于机器学习多模型组合的光伏发电超短期预测方法
CN111898812B (zh) * 2020-07-17 2022-10-04 国网江苏省电力有限公司南京供电分公司 一种分布式光伏数据虚拟采集方法
CN111915084A (zh) * 2020-08-03 2020-11-10 国网山东省电力公司电力科学研究院 一种基于神经网络的混合型光伏发电功率预测方法及系统
CN112052985B (zh) * 2020-08-07 2023-11-03 南京易司拓电力科技股份有限公司 一种基于lightgbm的中短期低电压预测方法
CN112036634B (zh) * 2020-08-26 2024-06-28 阳光慧碳科技有限公司 光伏发电功率的确定方法、预测系统及可读存储介质
CN111950811B (zh) * 2020-08-27 2024-04-09 国网山东省电力公司聊城供电公司 基于双层人工神经网络的区域光伏功率预测方法及系统
CN112016250A (zh) * 2020-08-31 2020-12-01 华北电力大学 一种烟气scr脱硝系统不良数据辨识方法
CN112070319B (zh) * 2020-09-21 2023-09-19 西安交通大学 一种基于时序动态回归的超短期光伏发电功率预测方法
CN112163018A (zh) * 2020-09-27 2021-01-01 国家电网有限公司 确定光伏组件的生命周期的方法、装置及系统
CN112215478B (zh) * 2020-09-27 2024-05-28 珠海博威电气股份有限公司 光储电站的功率协调控制方法和装置、存储介质
US20220101219A1 (en) * 2020-09-28 2022-03-31 Solarlytics, Inc. System and method for optimizing energy obtained from renewable sources
CN112347087B (zh) * 2020-09-30 2024-05-03 中国铁路上海局集团有限公司 一种高铁沿线风速观测数据质量控制方法
CN112290885B (zh) * 2020-09-30 2024-06-07 国网浙江安吉县供电有限公司 一种户用光伏系统直流侧故障诊断方法
CN112216181A (zh) * 2020-10-30 2021-01-12 哈尔滨飞机工业集团有限责任公司 一种可实现双发直升机单发训练的系统和方法
CN112329344A (zh) * 2020-11-03 2021-02-05 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 一种基于主成分分析法的风机风速软测量方法
CN112507613B (zh) * 2020-12-01 2022-05-10 湖南工程学院 一种秒级超短期光伏功率预测方法
CN112418346B (zh) * 2020-12-07 2022-10-25 天津大学 一种数值天气预报总辐射系统误差分类计算方法
CN112418558B (zh) * 2020-12-07 2022-03-11 天津大学 一种基于多源气象预报的总辐射修正方法
CN112529191A (zh) * 2020-12-29 2021-03-19 南水北调东线江苏水源有限责任公司 一种基于混沌算法的泵站故障树建立方法
CN112734125A (zh) * 2021-01-15 2021-04-30 国网山西省电力公司晋城供电公司 一种光伏出力预测方法、装置和电子设备
CN112733462B (zh) * 2021-01-21 2023-09-22 国网辽宁省电力有限公司阜新供电公司 一种结合气象因素的超短期风电场功率预测方法
CN112818592A (zh) * 2021-01-22 2021-05-18 天津理工大学 基于数据挖掘的光伏电池参数及发电量预测方法及系统
CN112949918A (zh) * 2021-02-25 2021-06-11 山东大学 基于dgm-rnn的日前光伏功率预测方法及系统
CN112884234A (zh) * 2021-03-04 2021-06-01 电子科技大学 大功率毫米波回旋行波管功率模块最优工作参数搜索方法
CN112884238A (zh) * 2021-03-12 2021-06-01 国网冀北电力有限公司电力科学研究院 光伏发电功率预测方法及装置
CN113095596B (zh) * 2021-05-07 2023-04-18 北京理工大学 基于多级Gate-SA-TCN的光伏功率预测方法
CN113191682B (zh) * 2021-05-24 2022-07-29 温州大学 一种适用于电动汽车移动充电设备充电的多能源分配管理方法
CN113537575B (zh) * 2021-06-25 2023-11-21 中国农业大学 一种含分布式光伏和电动汽车并网的趋势负荷预测方法
CN113688869B (zh) * 2021-07-21 2022-05-27 广东工业大学 一种基于生成对抗网络的光伏数据缺失重构方法
CN113610380A (zh) * 2021-08-02 2021-11-05 上海电气集团股份有限公司 一种多能互补能源规划方法
CN113723670B (zh) * 2021-08-12 2023-12-08 浙江大学 变时间窗口的光伏发电功率短期预测方法
CN114385962A (zh) * 2021-10-20 2022-04-22 许继集团有限公司 一种基于相似日的日前光伏发电功率预测方法及系统
CN113919606B (zh) * 2021-12-14 2022-03-15 山东建筑大学 一种分布式光伏电站智能选址方法及系统
CN114443605B (zh) * 2022-04-02 2022-07-29 一道新能源科技(衢州)有限公司 针对水上光伏系统的信息分析方法及系统
CN115438839B (zh) * 2022-08-11 2023-08-18 海宁云多科技有限公司 基于智能电表数据的光伏功率超短期预测系统及方法
CN115186939B (zh) * 2022-09-09 2022-12-09 中科航迈数控软件(深圳)有限公司 一种加工设备的全生命周期碳排放量预测方法
CN115423200B (zh) * 2022-09-16 2023-12-29 南通沃太新能源有限公司 离线状态下补全太阳辐照进行光伏功率预测的方法
CN115293468B (zh) * 2022-10-10 2022-12-27 佰聆数据股份有限公司 电网区域分布式光伏消纳潜力长期预测方法、系统及介质
CN115764979B (zh) * 2022-10-12 2023-12-08 东南大学溧阳研究院 一种计及通信延时的分布式光伏系统稳定性量化评估方法
CN116231644B (zh) * 2023-03-22 2023-11-03 华能新能源股份有限公司河北分公司 一种集中式光伏发电量预测方法、系统、计算机及介质
CN116629791A (zh) * 2023-05-24 2023-08-22 内蒙古正志网络科技有限公司 一种基于大数据的信息预测分析系统及方法
CN116722548B (zh) * 2023-08-09 2023-12-29 深圳航天科创泛在电气有限公司 一种基于时间序列模型的光伏发电预测方法及相关设备
CN117200199B (zh) * 2023-09-06 2024-04-02 国网上海市电力公司 一种基于天气分型的光伏功率预测方法和系统
CN116930669B (zh) * 2023-09-15 2023-11-17 深圳戴普森新能源技术有限公司 一种光伏逆变器故障检测方法及检测系统
CN117239742B (zh) * 2023-11-14 2024-01-26 成都量芯集成科技有限公司 一种基于改进蚁群算法的光伏阵列全局重构装置及其方法
CN117252729B (zh) * 2023-11-17 2024-04-16 北京恒信启华信息技术股份有限公司 一种基于大数据的光伏电站管理方法及系统
CN117477563B (zh) * 2023-12-27 2024-05-24 深圳力高新能技术有限公司 一种光伏发电功率预测用样本日搜索方法、系统及设备
CN118174381A (zh) * 2024-05-14 2024-06-11 国网浙江省电力有限公司 基于时空相关性的分布式电站动态拓扑优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006033908A (ja) * 2004-07-12 2006-02-02 Nippon Telegr & Teleph Corp <Ntt> 太陽光発電システムの発電量予測方法、装置、およびプログラム
JP2008077561A (ja) * 2006-09-25 2008-04-03 Nippon Telegr & Teleph Corp <Ntt> エネルギー予測方法、エネルギー予測装置およびプログラム
JP2012191000A (ja) * 2011-03-10 2012-10-04 Mitsubishi Electric Corp 診断装置、太陽光発電システム及び診断方法
JP2014063372A (ja) * 2012-09-21 2014-04-10 Toshiba Corp 発電量予測装置およびその方法
JP2014157457A (ja) * 2013-02-15 2014-08-28 Nec Corp 予測装置および予測方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101769788B (zh) * 2009-12-29 2012-01-04 青海国泰节能技术研究院 一种光伏电站光功率预测及发电量预测的方法
CN102799948B (zh) * 2012-06-21 2016-12-21 华北电力大学 一种并网型光伏电站发电系统输出功率预测方法
CN103390197A (zh) * 2013-07-04 2013-11-13 云南电网公司北京能源新技术研究发展中心 一种基于时间段聚类的光伏电站功率预测系统
CN103699944A (zh) * 2013-12-31 2014-04-02 国电南京自动化股份有限公司 一种多预测模式的风电光伏发电功率预测系统
CN104268659B (zh) * 2014-10-09 2017-12-29 国电南瑞科技股份有限公司 一种光伏电站发电功率超短期预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006033908A (ja) * 2004-07-12 2006-02-02 Nippon Telegr & Teleph Corp <Ntt> 太陽光発電システムの発電量予測方法、装置、およびプログラム
JP2008077561A (ja) * 2006-09-25 2008-04-03 Nippon Telegr & Teleph Corp <Ntt> エネルギー予測方法、エネルギー予測装置およびプログラム
JP2012191000A (ja) * 2011-03-10 2012-10-04 Mitsubishi Electric Corp 診断装置、太陽光発電システム及び診断方法
JP2014063372A (ja) * 2012-09-21 2014-04-10 Toshiba Corp 発電量予測装置およびその方法
JP2014157457A (ja) * 2013-02-15 2014-08-28 Nec Corp 予測装置および予測方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020022624A1 (ko) * 2018-07-26 2020-01-30 (주)에코브레인 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템
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
KR102444254B1 (ko) * 2021-04-05 2022-09-19 주식회사 풍성인더스 태양광 발전량 예측 시스템 및 방법
KR102382984B1 (ko) * 2021-09-30 2022-04-08 비케이엠 주식회사 신재생에너지 발전기의 발전량을 예측하는 단말기 및 그것의 제어 방법
KR102383012B1 (ko) * 2021-09-30 2022-04-08 비케이엠 주식회사 시간별 추세 예측 및 계절별 추세 예측을 동시에 수행하여 신재생에너지 발전기의 발전량을 보다 정확히 예측하는 단말기 및 그것의 제어 방법
WO2024128460A1 (ko) * 2022-12-13 2024-06-20 한국전자기술연구원 다수 재생에너지 발전 모델의 테스트 시스템 및 방법

Also Published As

Publication number Publication date
JP6379299B2 (ja) 2018-08-22
US20180046924A1 (en) 2018-02-15
WO2017035884A1 (zh) 2017-03-09
CN105184404B (zh) 2018-12-18
CN105184404A (zh) 2015-12-23

Similar Documents

Publication Publication Date Title
JP6379299B2 (ja) 太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム
KR102159692B1 (ko) 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법
US20220373984A1 (en) Hybrid photovoltaic power prediction method and system based on multi-source data fusion
Ceci et al. Predictive modeling of PV energy production: How to set up the learning task for a better prediction?
US20200057175A1 (en) Weather dependent energy output forecasting
Stefenon et al. Photovoltaic power forecasting using wavelet neuro-fuzzy for active solar trackers
CN105337575B (zh) 光伏电站状态预测及故障诊断方法和系统
CN113505927B (zh) 太阳能驱鸟设备电池容量选型方法、装置、设备和介质
CN115036922B (zh) 一种分布式光伏发电电量预测方法及系统
CN115358060A (zh) 一种支持新能源发电功率高精度预测的高效算法框架
Kumar et al. Artificial neural network based model for short term solar radiation forecasting considering aerosol index
El Alani et al. Short term solar irradiance forecasting using artificial neural network for a semi-arid climate in Morocco
CN114895380A (zh) 一种太阳辐射预测方法、装置、设备和介质
Chen et al. Probabilistic Prediction of Photovoltaic Power Using Bayesian Neural Network-LSTM Model
El Hendouzi et al. Forecasting of PV power application to PV power penetration in a microgrid
CN117033923A (zh) 一种基于可解释性机器学习的犯罪数量预测方法及系统
CN113723670B (zh) 变时间窗口的光伏发电功率短期预测方法
CN114418243B (zh) 分布式新能源云端网格预测方法与系统
Deng et al. A survey of the researches on grid-connected solar power generation systems and power forecasting methods based on ground-based cloud atlas
Heydari et al. A new combined PV output power forecasting model based on optimized LSTM network
CN116484998A (zh) 基于气象相似日的分布式光伏电站功率预测方法及系统
Unlu et al. Comparison of the Combined Deep Learning Methods for Load Forecasting
Pham et al. LS-SPP: A LSTM-Based Solar Power Prediction Method from Weather Forecast Information
KR20210015168A (ko) 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법
Ku et al. Self-learning mechanism for prediction of energy consumption and generation

Legal Events

Date Code Title Description
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180427

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180529

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180711

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: 20180724

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20180730

R150 Certificate of patent or registration of utility model

Ref document number: 6379299

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

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