JP2020166622A - 発電量予測装置、発電量予測方法、およびプログラム - Google Patents

発電量予測装置、発電量予測方法、およびプログラム Download PDF

Info

Publication number
JP2020166622A
JP2020166622A JP2019067230A JP2019067230A JP2020166622A JP 2020166622 A JP2020166622 A JP 2020166622A JP 2019067230 A JP2019067230 A JP 2019067230A JP 2019067230 A JP2019067230 A JP 2019067230A JP 2020166622 A JP2020166622 A JP 2020166622A
Authority
JP
Japan
Prior art keywords
prediction
power generation
model
point
amount
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.)
Pending
Application number
JP2019067230A
Other languages
English (en)
Other versions
JP2020166622A5 (ja
Inventor
麗子 川上
Reiko Kawakami
麗子 川上
一幸 若杉
Kazuyuki Wakasugi
一幸 若杉
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.)
Mitsubishi Heavy Industries Ltd
Original Assignee
Mitsubishi Heavy Industries 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 Mitsubishi Heavy Industries Ltd filed Critical Mitsubishi Heavy Industries Ltd
Priority to JP2019067230A priority Critical patent/JP2020166622A/ja
Priority to US17/442,235 priority patent/US20220200279A1/en
Priority to EP20784206.3A priority patent/EP3926818A4/en
Priority to PCT/JP2020/014234 priority patent/WO2020203854A1/ja
Priority to TW109110675A priority patent/TWI745907B/zh
Publication of JP2020166622A publication Critical patent/JP2020166622A/ja
Publication of JP2020166622A5 publication Critical patent/JP2020166622A5/ja
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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]
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • 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

Landscapes

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

Abstract

【課題】長期的に精度良く発電量を予測することができる発電量予測装置、発電量予測方法、およびプログラムを提供する。【解決手段】発電量予測装置１は、予測地点を含むメッシュと周囲の複数のメッシュの各天気予測情報を少なくとも含む説明変数と、自然エネルギによる発電量に対応する目的変数とを用いた機械学習によって構築されたモデルを記憶する記憶部１３と、少なくとも予測地点を含むメッシュと周囲の複数のメッシュの予測時刻の各天気予測情報をモデルに対して入力し、モデルからの出力として予測地点における発電量の予測値を求める予測部１２と、を備える。【選択図】図１

Description

本発明は、発電量予測装置、発電量予測方法、およびプログラムに関する。
太陽光発電の発電量は日射量、気温等から複合的に決定される。それらの情報を基に物理モデル構築による発電量の予測は困難であるため、定点で定期的に観測された空のピクセル画像を説明変数としてニューラルネットワークを用いて発電量を予測するという手法がある（特許文献１）。
しかしながら、雲は晴天時で時速１０ｋｍ程度、台風時で６０ｋｍ程度の高速で移動するため、局所的な上空の観察では、数時間後の予測は困難である。
特開２０１７−２００３６０号公報
本発明は、上記事情を考慮してなされたもので、長期的に精度良く発電量を予測することができる発電量予測装置、発電量予測方法、およびプログラムを提供することを目的とする。
上記課題を解決するため、本発明の一態様は、予測地点を含むメッシュと周囲の複数のメッシュの各天気予測情報を少なくとも含む説明変数と、自然エネルギによる発電量に対応する目的変数とを用いた機械学習によって構築されたモデルを記憶する記憶部と、少なくとも前記予測地点を含むメッシュと前記周囲の複数のメッシュの予測時刻の各天気予測情報を前記モデルに対して入力し、前記モデルからの出力として前記予測地点における発電量の予測値を求める予測部と、を備える発電量予測装置である。
また、本発明の一態様は、上記発電量予測装置であって、前記モデルを機械学習する際に用いる前記説明変数が、前記予測地点を含むメッシュと前記周囲の複数のメッシュの各天気予測情報と前記発電量とを含み、前記予測部が、まず、前記予測地点を含むメッシュと前記周囲の複数のメッシュの次の予測時刻の各天気予測情報と前記発電量の実績値とを前記モデルに対して入力し、前記モデルからの出力として前記予測地点における発電量の予測値を求め、その後は、所望の時刻の予測値が得られるまで繰り返し、前記予測地点を含むメッシュと前記周囲の複数のメッシュの次の予測時刻の各天気予測情報と前に求めた前記発電量の予測値とを前記モデルに対して入力し、前記モデルからの出力として前記予測地点における前記発電量の次の予測値を求める。
また、本発明の一態様は、上記発電量予測装置であって、前記モデルが、複数の隠れ層を有し、かつ、前記隠れ層が畳み込み層とプーリング層とを含むニューラルネットワークであり、前記モデルを機械学習する際に用いる前記説明変数が、前記予測地点を含むメッシュと前記周囲の複数のメッシュの各天気予測情報を位置情報に基づいて配列化した配列データであり、前記予測部が、前記予測地点を含むメッシュと前記周囲の複数のメッシュの予測時刻の各天気予測情報を位置情報に基づいて配列化した配列データを前記モデルに対して入力し、前記モデルからの出力として前記予測地点における発電量の予測値を求める。
また、本発明の一態様は、上記発電量予測装置であって、前記モデルは、隠れ層がメモリセルを含んで出力を再帰入力するブロックで構成されたニューラルネットワークであり、前記モデルを機械学習する際に用いる前記説明変数が、前記予測地点を含むメッシュと前記周囲の複数のメッシュの各天気予測情報の時系列を含み、前記予測部が、前記予測地点を含むメッシュと前記周囲の複数のメッシュの予測時刻までの各天気予測情報の時系列を前記モデルに対して入力し、前記モデルからの出力として前記予測地点における発電量の予測値を求める。
また、本発明の一態様は、上記発電量予測装置であって、前記モデルが、複数の隠れ層を有し、かつ、前記隠れ層が畳み込み層とプーリング層とを含む第１ニューラルネットワークと、隠れ層がメモリセルを含んで出力を再帰入力するブロックで構成された第２ニューラルネットワークとを含み、前記モデルを機械学習する際に用いる前記説明変数が、前記予測地点を含むメッシュと前記周囲の複数のメッシュの各天気予測情報を位置情報に基づいて配列化した配列データであり、前記予測部が、前記第１ニューラルネットワークに対して前記予測地点を含むメッシュと前記周囲の複数のメッシュの各予測時刻の各天気予測情報を位置情報に基づいて配列化した配列データの時系列を入力し、前記第１ニューラルネットワークからの出力の時系列を前記第２ニューラルネットワークへ入力し、前記第２ニューラルネットワークからの出力として前記予測地点における発電量の予測値を求める。
また、本発明の一態様は、上記発電量予測装置であって、前記発電量が太陽光発電による発電量であり、前記各天気予測情報が少なくとも日射量の予測値を含む。
また、本発明の一態様は、記憶部によって、予測地点を含むメッシュと周囲の複数のメッシュの各天気予測情報を少なくとも含む説明変数と、自然エネルギによる発電量に対応する目的変数とを用いた機械学習によって構築されたモデルを記憶するステップと、予測部によって、少なくとも前記予測地点を含むメッシュと前記周囲の複数のメッシュの予測時刻の各天気予測情報を前記モデルに対して入力し、前記モデルからの出力として前記予測地点における発電量の予測値を求めるステップとを含む発電量予測方法である。
また、本発明の一態様は、記憶部によって、予測地点を含むメッシュと周囲の複数のメッシュの各天気予測情報を少なくとも含む説明変数と、自然エネルギによる発電量に対応する目的変数とを用いた機械学習によって構築されたモデルを記憶するステップと、予測部によって、少なくとも前記予測地点を含むメッシュと前記周囲の複数のメッシュの予測時刻の各天気予測情報を前記モデルに対して入力し、前記モデルからの出力として前記予測地点における発電量の予測値を求めるステップとをコンピュータに実行させるプログラムである。
本発明の各態様によれば、少なくとも天気予測情報が提供されている将来の期間分、予測地点の天気予測情報に周辺地域の天気予測情報を加味して発電量を予測することができるので、長期的に精度良く発電量を予測することができる。
本発明の一実施形態に係る発電量予測装置（第１〜第５実施形態）の構成例を説明するためのブロック図である。 図１に示す発電量予測装置１の動作例（第２実施形態）を示すフローチャートである。 図１に示すモデル１４の構成例（第３実施形態）を示す模式図である。 図３に示すモデル１４ａを説明するための模式図である。 図１に示すモデル１４の他の構成例（第４実施形態）を示す模式図である。 図１に示すモデル１４のさらに他の構成例（第５実施形態）を示す模式図である。 少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
以下、図面を参照して本発明の実施形態について説明する。なお、各図において同一または対応する構成には、同一の符号または末尾に異なる英字を付けた同一の数字からなる符号を付けて、説明を適宜省略する。
<第１実施形態>
図１は、本発明の第１実施形態に係る発電量予測装置１の構成例を説明するためのブロック図である。なお、発電量予測装置１の基本的な構成は、第１〜第５実施形態において同一である。
図１に示す発電量予測装置１は、サーバ、パーソナルコンピュータ等のコンピュータを用いて構成され、コンピュータが備えるハードウェアと、プログラム、データ等のソフトウェアとの組み合わせで構成される機能的要素として、通信部１１、予測部１２および記憶部１３を備える。また、記憶部１３は、モデル１４と、実績値１５と、予測値１６と、天気予測情報１７を記憶する。
本実施形態の発電量予測装置１は、自然エネルギ発電システム２における所定の時間毎の将来の発電量（発電電力量）を予測する。自然エネルギ発電システム２は、太陽光発電システム、小水力発電システム、風力発電システム等、自然エネルギを使用した発電システムである。発電量予測装置１は、自然エネルギ発電システム２から所定の通信回線を介して、所定の時間毎に発電量の実績値を受信する。発電量予測装置１は、例えば１時間毎に過去１時間の発電電力量あるいは平均発電電力の値を受信したり、天気予測情報提供システム３が新たな天気予測情報を発表する度に、所定時間分の過去の発電電力量あるいは平均発電電力の値を受信したりする。
また、発電量予測装置１は、気象庁などの天気予測メディアが運営する天気予測情報提供システム３から広域のメッシュデータで天気予測情報を取得する。例えば、自然エネルギ発電システム２がメッシュＭ１に位置している場合、発電量予測装置１は、メッシュＭ１の天気予測情報とともに、天気予測情報提供システム３から周囲の複数のメッシュＭ２〜Ｍ９等の天気予測情報も取得する。天気予測情報は、例えば、気温、日射量、雨量、降雪量、風速、風向、湿度、日照時間等のメッシュ毎の予測値を含む。天気予測情報は、例えば、数日先までの１時間毎の予測値を含み、数時間おきに新規な予測値や更新された予測値を含む天気予測情報が発表される。また、例えば、１つのメッシュの大きさは１〜６ｋｍ四方であり、発電量予測装置１は、自然エネルギ発電システム２の位置の周辺２０〜３０ｋｍ四方程度の天気予測情報を取得する。ただし、この大きさに限定されない。
通信部１１は、自然エネルギ発電システム２から発電量実績値を示すデータを受信したり、天気予測情報提供システム３から天気予測情報を示すファイルを受信したり、自然エネルギ発電システム２、天気予測情報提供システム３や図示していない他のシステムと所定の情報を送受信したりする。
記憶部１３が記憶するモデル１４は、深層学習等の機械学習における予測モデルであり、例えば、自然エネルギ発電システム２の位置（予測地点）を含むメッシュと周囲の複数のメッシュの各天気予測情報を少なくとも含む説明変数と、自然エネルギによる発電量に対応する目的変数とを用いた機械学習によって構築される。なお、モデル１４は、過去の発電量の実績値と、過去の天気予測情報を用いて予測処理を行う前に機械学習によって予め構築される。また、必要に応じて、モデル１４は、新たな説明変数と目的変数を用いて更新されたり新規に構築されたりする。実績値１５は、自然エネルギ発電システム２から受信した過去の発電量実績値を複数含む。予測値１６は、予測部１２が予測した自然エネルギ発電システム２の発電量の予測値を複数含む。天気予測情報１７は、天気予測情報提供システム３から取得した複数の天気予測情報を含む。
予測部１２は、少なくとも予測地点を含むメッシュと周囲の複数のメッシュの予測時刻の各天気予測情報をモデル１４に対して入力し、モデル１４からの出力として予測地点における発電量の予測値を求める。
本実施形態によれば、少なくとも天気予測情報が提供されている将来の期間分、予測地点の天気予測情報に周辺地域の天気予測情報を加味して発電量を予測することができるので、長期的に精度良く発電量を予測することができる。
<第２実施形態>
図２を参照して、本発明の第２実施形態について説明する。図２は、図１に示す発電量予測装置１の第２実施形態としての動作例を示すフローチャートである。なお、以下では、自然エネルギ発電システム２が太陽光発電システムである場合を例として用いる。図２に示す処理は、将来のある予測時刻における発電量を予測する処理（太陽光発電量予測処理）である。
なお、第２実施形態では、図１に示すモデル１４を機械学習する際に用いる説明変数が、予測地点を含むメッシュと周囲の複数のメッシュの各天気予測情報と発電量とを含み、その説明変数と自然エネルギによる発電量に対応する目的変数とを用いた機械学習によってモデル１４が構築される。すなわち、第２実施形態では、天気予測情報に加えて、発電量（実績値または予測値）が説明変数に含まれる。
図２に示す処理が開始すると、図１に示す予測部１２は、新たな天気予測発表時刻が到来したか否かを判断する（ステップＳ１）。新たな天気予測発表時刻が到来していない場合（ステップＳ１で「ＮＯ」の場合）、予測部１２は、図２に示す処理を終了する。新たな天気予測発表時刻が到来していた場合（ステップＳ１で「ＹＥＳ」の場合）、予測部１２は、新規発表の天気予測情報と現在時刻の発電量Ｙ（ｔ）（実績値）を取得する（ステップＳ２）。ここで、現在時刻の発電量Ｙ（ｔ）（実績値）は、例えば、現在時刻から過去の所定時間分（例えば過去１時間分）の発電電力量の実績値である。なお、発電量Ｙ（ｔ）は発電量の実績値であり、発電量Ｙ（ｔ＋ｋ）はｋ単位時間後の発電量の予測値であり、例えば、発電量Ｙ（ｔ＋１）は１単位時間後の発電量の予測値である。ここで、単位時間は予測値を算出する時間間隔（例えば１時間）であり、例えば天気予測情報の予測値の時間間隔と同一にすることができる。
次に、予測部１２は、取得した現在時刻の発電量Ｙ（ｔ）（実績値）と次時刻の天気予測情報Ｘ（ｔ＋１）を説明変数とし、次時刻の発電量Ｙ（ｔ＋１）をモデル１４を用いた機械学習手法により予測する（ステップＳ３）。
次に、予測部１２は、計数用の変数ｉを「０」に初期化した後（ステップＳ４）、「１」だけ増分する（ステップＳ５）。次に、予測部１２は、発電量Ｙ（ｔ＋ｉ）（予測前回値）と次時刻の天気予測情報Ｘ（ｔ＋ｉ＋１）を説明変数として、次時刻の発電量Ｙ（ｔ＋ｉ＋１）を予測する（ステップＳ６）。次に、予測部１２は、予測先まで処理を実行したか否かを判断し（ステップＳ７）、予測先まで処理を実行していない場合（ステップＳ７で「ＮＯ」の場合）、変数ｉを「１」だけ増分した後（ステップＳ５）、発電量Ｙ（ｔ＋ｉ）（予測前回値）と次時刻の天気予測情報Ｘ（ｔ＋ｉ＋１）を説明変数として、次時刻の発電量Ｙ（ｔ＋ｉ＋１）を予測する（ステップＳ６）。
一方、予測先まで処理を実行した場合（ステップＳ７で「ＹＥＳ」の場合）、予測部１２は、予測時刻の発電量Ｙ（ｔ＋ｉ＋１）を出力して（ステップＳ８）、図２に示す処理を終了する。ここで、ステップＳ８における出力は、予測部１２が、予測時刻の発電量Ｙ（ｔ＋ｉ＋１）を、例えば、発電量予測装置１が備える図示していない表示部に表示したり、予測値１６として記憶部１３に記憶したり、通信部１１を介して所定の通知先へ通知したりすることである。
以上のように、第２実施形態において、発電量予測装置１は、気象庁などの天気予測メディアから広域のメッシュデータで天気予測情報を取得する。また、発電量予測装置１は、これらに基づき機械学習の手法を用いて発電量を予測する。天気予測情報は数時間毎に発表され、天気予測情報は更新される。発電量予測装置１は、天気更新時刻毎に発電量と天気予測情報を取得する。また、発電量予測装置１は、予測間隔後（例えば１時間後）の発電量を、現在時刻の発電量実績と１時間後の天気予測情報を基に機械学習手法により求める。また、発電量予測装置１は、予測次間隔後（２時間後）の発電量を、発電量予測の前回値（１時間後の発電量予測）と２時間後の天気予測情報を基に機械学習手法により求める。また、発電量予測装置１は、以下、同様に再帰的に発電量を求める。そして、発電量予測装置１は、予測したい時刻まで予測処理が完了したら、予測時刻の発電量を出力する。
すなわち、第２実施形態では、発電量予測装置１において、モデル１４を機械学習する際に用いる説明変数が、予測地点を含むメッシュと周囲の複数のメッシュの各天気予測情報と発電量とを含む。また、予測部１２は、まず、予測地点を含むメッシュと周囲の複数のメッシュの予測時刻の各天気予測情報と発電量の実績値とをモデル１４に対して入力し、モデル１４からの出力として予測地点における発電量の予測値を求め、その後は、所望の時刻の予測値が得られるまで繰り返し、予測地点を含むメッシュと周囲の複数のメッシュの予測時刻の各天気予測情報と前に求めた発電量の予測値とをモデル１４に対して入力し、モデル１４からの出力として予測地点における発電量の次の予測値を求める。
第２実施形態によれば、広域の天気予測情報をメッシュ化して説明変数として用いることで、局所地点の天気予測情報を用いた場合よりも精度のよい長期先の発電量の予測を実現する。また、第２実施形態によれば、再帰的に発電量を予測することにより、発電量の実績データと天気の観測データを用いた場合よりも精度のよい長期先の発電量の予測を実現することができる。
<第３実施形態>
図３および図４を参照して、本発明の第３実施形態について説明する。図３は、図１に示すモデル１４の構成例を示す模式図である（図３ではモデル１４ａとして示す。）。図４は、図３に示すモデル１４ａを説明するための模式図である。第３実施形態は、モデル１４ａの構成に特徴を有している。
図３に示すように、第３実施形態のモデル１４ａは、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）等の画像認識に用いられる深層学習用のモデルである。モデル１４ａは、複数の隠れ層１４１〜１４４と出力層１４５を有し、かつ、隠れ層が畳み込み層１４１とプーリング層１４２とを含むニューラルネットワークである。
なお、配列データ１７ａは、緯度および経度（位置情報）に基づき天気予測情報（日照量等）を配列化した２次元の配列データであり、モデル１４ａの入力層に対応する。すなわち、配列データ１７ａは、予測地点を含むメッシュと周囲の複数のメッシュの各天気予測情報を緯度および経度（位置情報）に基づいて配列化した配列データであり、モデル１４ａを機械学習する際に用いられる説明変数である。天気予測情報は、例えば図４に天気予測情報１７ｂとして示したように、緯度経度毎の時系列データの形式をとるが、これを緯度・経度に基づいた配列データ１７ａに置き換えることで、入力データ（配列データ１７ａ）に天気の分布情報を特徴化することができる。天気予測情報１７ｂは、例えば２０１７年１２月５日１０時０分の北緯３３．８５度、東経１２９．００度に対応するメッシュの日射量の予測値が２７０．７５８７７２６１（ｋＷ／ｍ２）であることを示す。
また、出力層１４５は、複数の範囲毎の発電量に対応する特徴量の分類に対応する。出力層１４５からは、入力された配列データ１７ａに対応する発電量の予測値１４６が出力される。
第３実施形態では、モデル１４ａ（図１のモデル１４に対応する。）が、複数の隠れ層を有し、かつ、隠れ層が畳み込み層とプーリング層とを含むニューラルネットワークである。また、モデル１４ａを機械学習する際に用いる説明変数が、予測地点を含むメッシュと周囲の複数のメッシュの各天気予測情報を位置情報に基づいて配列化した配列データである。また、予測部１２は、予測地点を含むメッシュと周囲の複数のメッシュの予測時刻の各天気予測情報を位置情報に基づいて配列化した配列データをモデル１４ａに対して入力し、モデル１４ａからの出力として予測地点における発電量の予測値を求める。
以上のように、第３実施形態において、発電量予測装置１は、画像認識に用いる深層学習の技術を用いて、広域のメッシュ状の天気予測情報の位置関係や分布から有効な特徴量を抽出し、発電量を予測する。天気予測情報は、緯度経度毎の時系列データの形式をとるが、これを緯度・経度に基づいた配列に置き換えることで、入力データに天気の分布情報を特徴化することができる。すなわち、メッシュ状の天気予測情報を座標（緯度・経度）によって配列化した情報を説明変数として用いることで、天気予測情報の分布をあたかも画像情報のように扱い、発電量予測に有効な天気の位置関係や分布を特徴量として自動で取得することができ、発電量予測精度が向上する。
<第４実施形態>
図５を参照して、本発明の第４実施形態について説明する。図５は、図１に示すモデル１４の構成例を示す模式図である（図５ではモデル１４ｂまたは１４ｂ−１として示す。）。第４実施形態は、モデル１４ｂまたは１４ｂ−１の構成に特徴を有している。
図５に示すように、第４実施形態のモデル１４ｂは、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ）等の時系列データを扱う深層学習用のモデルである。モデル１４ｂは、隠れ層がメモリセル１４８１と入力ゲート１４８２と忘却ゲート１４８３と出力ゲート１４８４とを含んで出力を再帰入力するブロック１４８で構成されたニューラルネットワークである。モデル１４ｂ−１は、モデル１４ｂと同一のモデルであり、モデル１４ｂの再帰入力の形状を展開したモデルである。モデル１４ｂの入力層１４７は、天気予測情報１７ｂの１時間毎の複数地点の日照量のデータからなる多次元の天気予測情報Ｘ（ｔ−１）、Ｘ（ｔ）、Ｘ（ｔ＋１）、…である。モデル１４ｂの出力層１４８は、発電量の予測値（あるいは実績値）の時系列である発電量Ｙ（ｔ−１）、Ｙ（ｔ）、Ｙ（ｔ＋１）、…である。
第４実施形態では、モデル１４ｂ（図１のモデル１４に対応する。）が、隠れ層がメモリセル１４８１を含んで出力を再帰入力するブロック１４８で構成されたニューラルネットワークである。また、モデル１４ｂを機械学習する際に用いる説明変数が、予測地点を含むメッシュと周囲の複数のメッシュの各天気予測情報の時系列を含む。また、予測部１２が、予測地点を含むメッシュと周囲の複数のメッシュの予測時刻までの各天気予測情報の時系列をモデル１４ｂに対して入力し、モデル１４ｂからの出力として予測地点における発電量の予測値を求める。
以上のように、第４実施形態において、発電量予測装置１は、時系列予測に用いる深層学習の技術を用いて、長時間の天気予測情報から時刻による天気の変化など有効な特徴量を抽出し、発電量を予測する。第４実施形態によれば、長時間の天気の時系列情報を説明変数として、時系列深層学習を用いることで、天気の予測値の時系列による推移を特徴量として自動で取得することができ、精度のよい発電量予測が実現する。
<第５実施形態>
図６を参照して、本発明の第５実施形態について説明する。図６は、図１に示すモデル１４の構成例を示す模式図である（図６ではモデル１４ｃとして示す。）。第５実施形態は、モデル１４ｃの構成に特徴を有している。
第５実施形態では、モデル１４ｃが、複数の隠れ層１４１〜１４４を有し、かつ、隠れ層が畳み込み層１４１とプーリング層１４２とを含む第１ニューラルネットワーク１４ａ−１と、隠れ層がメモリセル１４８１と入力ゲート１４８２と忘却ゲート１４８３と出力ゲート１４８４とを含んで出力を再帰入力するブロック１４８で構成された第２ニューラルネットワーク１４ｂ−２とを含む。また、モデル１４ｃを機械学習する際に用いる説明変数が、予測地点を含むメッシュと周囲の複数のメッシュの各天気予測情報を位置情報に基づいて配列化した配列データ１７ａである。また、予測部１２が、第１ニューラルネットワーク１４ａ−１に対して予測地点を含むメッシュと周囲の複数のメッシュの各予測時刻の各天気予測情報を位置情報に基づいて配列化した配列データ１７ａの時系列（２次元の配列データを時系列を含めて３次元の配列データとしたもの）を入力し、第１ニューラルネットワーク１４ａ−１からの出力（出力層１４５）の時系列を第２ニューラルネットワーク１４ｂ−２へ入力し、第２ニューラルネットワーク１４ｂ−２からの出力として予測地点における発電量の予測値を求める。ここで、第１ニューラルネットワーク１４ａ−１は、第３実施形態のモデル１４ａに対応する。また、第２ニューラルネットワーク１４ｂ−２は、第４実施形態で用いたモデル１４ｂに対応する。
第５実施形態では、第３実施形態で用いたモデル１４ａと第４実施形態で用いたモデル１４ｂを併用する。すなわち、広域の天気メッシュ予測情報を長時間取得し、画像認識深層学習を用いて特徴量化した後に、時系列予測に用いる深層学習を用いてさらに特徴量化し、発電量を予測する。第５実施形態によれば、メッシュ状の天気の時系列情報を説明変数として用いることで、天気の位置情報と時系列による推移を特徴量として自動で取得することができ、精度のよい発電量予測が実現する。
以上のように本発明の各実施形態によれば、発電量の予測の特徴量を自動で取得し、精度のよい発電量予測を実現することができる。
以上、この発明の実施形態について図面を参照して説明してきたが、具体的な構成は上記実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計変更等も含まれる。
〈コンピュータ構成〉
図７は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
コンピュータ９０は、プロセッサ９１、メインメモリ９２、ストレージ９３、インタフェース９４を備える。
上述の発電量予測装置１は、コンピュータ９０に実装される。そして、上述した各処理部の動作は、プログラムの形式でストレージ９３に記憶されている。プロセッサ９１は、プログラムをストレージ９３から読み出してメインメモリ９２に展開し、当該プログラムに従って上記処理を実行する。また、プロセッサ９１は、プログラムに従って、上述した各記憶部に対応する記憶領域をメインメモリ９２に確保する。
プログラムは、コンピュータ９０に発揮させる機能の一部を実現するためのものであってもよい。例えば、プログラムは、ストレージに既に記憶されている他のプログラムとの組み合わせ、または他の装置に実装された他のプログラムとの組み合わせによって機能を発揮させるものであってもよい。なお、他の実施形態においては、コンピュータは、上記構成に加えて、または上記構成に代えてＰＬＤ（Programmable Logic Device）などのカスタムＬＳＩ（Large Scale Integrated Circuit）を備えてもよい。ＰＬＤの例としては、ＰＡＬ(Programmable Array Logic)、ＧＡＬ(Generic Array Logic)、ＣＰＬＤ(Complex Programmable Logic Device)、ＦＰＧＡ（Field Programmable Gate Array）が挙げられる。この場合、プロセッサによって実現される機能の一部または全部が当該集積回路によって実現されてよい。
ストレージ９３の例としては、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、磁気ディスク、光磁気ディスク、ＣＤ−ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ−ＲＯＭ（Digital Versatile Disc Read Only Memory）、半導体メモリ等が挙げられる。ストレージ９３は、コンピュータ９０のバスに直接接続された内部メディアであってもよいし、インタフェース９４または通信回線を介してコンピュータ９０に接続される外部メディアであってもよい。また、このプログラムが通信回線によってコンピュータ９０に配信される場合、配信を受けたコンピュータ９０が当該プログラムをメインメモリ９２に展開し、上記処理を実行してもよい。少なくとも１つの実施形態において、ストレージ９３は、一時的でない有形の記憶媒体である。
１ 発電量予測装置
２ 自然エネルギ発電システム
３ 天気予測情報提供システム
１２ 予測部
１３ 記憶部
１４、１４ａ、１４ｂ、１４ｂ−１、１４ｃ モデル

Claims (8)

  1. 予測地点を含むメッシュと周囲の複数のメッシュの各天気予測情報を少なくとも含む説明変数と、自然エネルギによる発電量に対応する目的変数とを用いた機械学習によって構築されたモデルを記憶する記憶部と、
    少なくとも前記予測地点を含むメッシュと前記周囲の複数のメッシュの予測時刻の各天気予測情報を前記モデルに対して入力し、前記モデルからの出力として前記予測地点における発電量の予測値を求める予測部と、
    を備える発電量予測装置。
  2. 前記モデルを機械学習する際に用いる前記説明変数が、前記予測地点を含むメッシュと前記周囲の複数のメッシュの各天気予測情報と前記発電量とを含み、
    前記予測部が、まず、前記予測地点を含むメッシュと前記周囲の複数のメッシュの予測時刻の各天気予測情報と前記発電量の実績値とを前記モデルに対して入力し、前記モデルからの出力として前記予測地点における発電量の予測値を求め、その後は、所望の時刻の予測値が得られるまで繰り返し、前記予測地点を含むメッシュと前記周囲の複数のメッシュの予測時刻の各天気予測情報と前に求めた前記発電量の予測値とを前記モデルに対して入力し、前記モデルからの出力として前記予測地点における前記発電量の次の予測値を求める
    請求項１に記載の発電量予測装置。
  3. 前記モデルが、複数の隠れ層を有し、かつ、前記隠れ層が畳み込み層とプーリング層とを含むニューラルネットワークであり、
    前記モデルを機械学習する際に用いる前記説明変数が、前記予測地点を含むメッシュと前記周囲の複数のメッシュの各天気予測情報を位置情報に基づいて配列化した配列データであり、
    前記予測部が、前記予測地点を含むメッシュと前記周囲の複数のメッシュの予測時刻の各天気予測情報を位置情報に基づいて配列化した配列データを前記モデルに対して入力し、前記モデルからの出力として前記予測地点における発電量の予測値を求める
    請求項１に記載の発電量予測装置。
  4. 前記モデルは、隠れ層がメモリセルを含んで出力を再帰入力するブロックで構成されたニューラルネットワークであり、
    前記モデルを機械学習する際に用いる前記説明変数が、前記予測地点を含むメッシュと前記周囲の複数のメッシュの各天気予測情報の時系列を含み、
    前記予測部が、前記予測地点を含むメッシュと前記周囲の複数のメッシュの予測時刻までの各天気予測情報の時系列を前記モデルに対して入力し、前記モデルからの出力として前記予測地点における発電量の予測値を求める
    請求項１に記載の発電量予測装置。
  5. 前記モデルが、複数の隠れ層を有し、かつ、前記隠れ層が畳み込み層とプーリング層とを含む第１ニューラルネットワークと、隠れ層がメモリセルを含んで出力を再帰入力するブロックで構成された第２ニューラルネットワークとを含み、
    前記モデルを機械学習する際に用いる前記説明変数が、前記予測地点を含むメッシュと前記周囲の複数のメッシュの各天気予測情報を位置情報に基づいて配列化した配列データであり、
    前記予測部が、前記第１ニューラルネットワークに対して前記予測地点を含むメッシュと前記周囲の複数のメッシュの予測時刻の各天気予測情報を位置情報に基づいて配列化した配列データの時系列を入力し、前記第１ニューラルネットワークからの出力の時系列を前記第２ニューラルネットワークへ入力し、前記第２ニューラルネットワークからの出力として前記予測地点における発電量の予測値を求める
    請求項１に記載の発電量予測装置。
  6. 前記発電量が太陽光発電による発電量であり、
    前記各天気予測情報が少なくとも日射量の予測値を含む
    請求項１から５のいずれか１項に記載の発電量予測装置。
  7. 記憶部によって、予測地点を含むメッシュと周囲の複数のメッシュの各天気予測情報を少なくとも含む説明変数と、自然エネルギによる発電量に対応する目的変数とを用いた機械学習によって構築されたモデルを記憶するステップと、
    予測部によって、少なくとも前記予測地点を含むメッシュと前記周囲の複数のメッシュの予測時刻の各天気予測情報を前記モデルに対して入力し、前記モデルからの出力として前記予測地点における発電量の予測値を求めるステップと
    を含む発電量予測方法。
  8. 記憶部によって、予測地点を含むメッシュと周囲の複数のメッシュの各天気予測情報を少なくとも含む説明変数と、自然エネルギによる発電量に対応する目的変数とを用いた機械学習によって構築されたモデルを記憶するステップと、
    予測部によって、少なくとも前記予測地点を含むメッシュと前記周囲の複数のメッシュの予測時刻の各天気予測情報を前記モデルに対して入力し、前記モデルからの出力として前記予測地点における発電量の予測値を求めるステップと
    をコンピュータに実行させるプログラム。
JP2019067230A 2019-03-29 2019-03-29 発電量予測装置、発電量予測方法、およびプログラム Pending JP2020166622A (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2019067230A JP2020166622A (ja) 2019-03-29 2019-03-29 発電量予測装置、発電量予測方法、およびプログラム
US17/442,235 US20220200279A1 (en) 2019-03-29 2020-03-27 Power generation amount prediction device, power generation amount prediction method, and program
EP20784206.3A EP3926818A4 (en) 2019-03-29 2020-03-27 ENERGY GENERATION AMOUNT PREDICTION DEVICE, ENERGY GENERATION AMOUNT PREDICTION METHOD AND PROGRAM
PCT/JP2020/014234 WO2020203854A1 (ja) 2019-03-29 2020-03-27 発電量予測装置、発電量予測方法、およびプログラム
TW109110675A TWI745907B (zh) 2019-03-29 2020-03-27 發電量預測裝置、發電量預測方法、及程式

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019067230A JP2020166622A (ja) 2019-03-29 2019-03-29 発電量予測装置、発電量予測方法、およびプログラム

Publications (2)

Publication Number Publication Date
JP2020166622A true JP2020166622A (ja) 2020-10-08
JP2020166622A5 JP2020166622A5 (ja) 2021-11-18

Family

ID=72668174

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019067230A Pending JP2020166622A (ja) 2019-03-29 2019-03-29 発電量予測装置、発電量予測方法、およびプログラム

Country Status (5)

Country Link
US (1) US20220200279A1 (ja)
EP (1) EP3926818A4 (ja)
JP (1) JP2020166622A (ja)
TW (1) TWI745907B (ja)
WO (1) WO2020203854A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021182319A (ja) * 2020-05-20 2021-11-25 株式会社日立製作所 予測装置および予測方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220099532A1 (en) * 2020-09-25 2022-03-31 General Electric Company Systems and methods for operating a power generating asset
JP2022088807A (ja) * 2020-12-03 2022-06-15 三菱重工業株式会社 予測システム、予測方法およびプログラム
CN113487068B (zh) * 2021-06-21 2023-03-24 湖北工业大学 一种基于长短期记忆模块的短期风功率预测方法
FR3135798A1 (fr) * 2022-05-19 2023-11-24 IFP Energies Nouvelles Procédé de prévision d’une puissance produite par au moins un panneau photovoltaïque
TWI833549B (zh) * 2023-01-12 2024-02-21 春禾科技股份有限公司 日照值估測系統

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013222423A (ja) * 2012-04-19 2013-10-28 Hitachi Power Solutions Co Ltd 発電量予測方法及びそのシステム並びに風力発電設備の健康管理方法及びそのシステム
US20140195159A1 (en) * 2013-01-09 2014-07-10 Iteris, Inc. Application of artificial intelligence techniques and statistical ensembling to forecast power output of a wind energy facility
JP2016111822A (ja) * 2014-12-05 2016-06-20 中国電力株式会社 予測装置
JP2016136001A (ja) * 2015-01-23 2016-07-28 中国電力株式会社 予測装置
WO2016136323A1 (ja) * 2015-02-27 2016-09-01 株式会社Ｅ．Ｉ．エンジニアリング エネルギー予測システム、エネルギー予測方法、これを実行させるためのコンピュータプログラム及びこのプログラムを記録した記録媒体並びに運転支援システム
US20180248380A1 (en) * 2017-02-28 2018-08-30 International Business Machines Corporation Forecasting solar power generation using real-time power data

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104699936B (zh) * 2014-08-18 2018-05-04 沈阳工业大学 基于计算流体力学短期风速预测的风电场扇区管理方法
WO2016121202A1 (ja) * 2015-01-30 2016-08-04 日本電気株式会社 予測装置、予測方法、及び、プログラム
JP2017200360A (ja) 2016-04-28 2017-11-02 清水建設株式会社 太陽光発電量予測システム、太陽光発電量予測方法、プログラム
DE112017003022T5 (de) * 2016-06-17 2019-03-07 Panasonic Intellectual Property Management Co., Ltd. Verwaltungssystem für elektrische Leistung
JP7069622B2 (ja) 2017-10-03 2022-05-18 富士電機株式会社 通貨処理装置
CN108832619A (zh) * 2018-05-29 2018-11-16 北京交通大学 基于卷积神经网络的电力系统暂态稳定评估方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013222423A (ja) * 2012-04-19 2013-10-28 Hitachi Power Solutions Co Ltd 発電量予測方法及びそのシステム並びに風力発電設備の健康管理方法及びそのシステム
US20140195159A1 (en) * 2013-01-09 2014-07-10 Iteris, Inc. Application of artificial intelligence techniques and statistical ensembling to forecast power output of a wind energy facility
JP2016111822A (ja) * 2014-12-05 2016-06-20 中国電力株式会社 予測装置
JP2016136001A (ja) * 2015-01-23 2016-07-28 中国電力株式会社 予測装置
WO2016136323A1 (ja) * 2015-02-27 2016-09-01 株式会社Ｅ．Ｉ．エンジニアリング エネルギー予測システム、エネルギー予測方法、これを実行させるためのコンピュータプログラム及びこのプログラムを記録した記録媒体並びに運転支援システム
US20180248380A1 (en) * 2017-02-28 2018-08-30 International Business Machines Corporation Forecasting solar power generation using real-time power data

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
島陰 豊成, 大関 崇, 加藤 丈佳, 荻本 和彦: "日射／太陽光発電出力の予測", 平成２６年 電気学会全国大会講演論文集 ［ＣＤ−ＲＯＭ］, vol. 6-S18-6, JPN6020025223, 18 March 2014 (2014-03-18), JP, pages 18 - 21, ISSN: 0005038196 *
飯坂 達也, 加藤 丈佳, 小林 智尚, 斉藤 哲夫, 林 宏典, 平口 博丸: "風力発電の出力予測の現状", 電気学会研究会資料, vol. MES-11-3, JPN6020025221, 27 January 2011 (2011-01-27), JP, pages 13 - 18, ISSN: 0005038195 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021182319A (ja) * 2020-05-20 2021-11-25 株式会社日立製作所 予測装置および予測方法
JP7346356B2 (ja) 2020-05-20 2023-09-19 株式会社日立製作所 予測装置および予測方法

Also Published As

Publication number Publication date
US20220200279A1 (en) 2022-06-23
EP3926818A1 (en) 2021-12-22
TWI745907B (zh) 2021-11-11
EP3926818A4 (en) 2022-04-27
TW202105306A (zh) 2021-02-01
WO2020203854A1 (ja) 2020-10-08

Similar Documents

Publication Publication Date Title
WO2020203854A1 (ja) 発電量予測装置、発電量予測方法、およびプログラム
Carneiro et al. Review on photovoltaic power and solar resource forecasting: current status and trends
US9753947B2 (en) Four dimensional weather data storage and access
Parker Whose probabilities? Predicting climate change with ensembles of models
CN113344291B (zh) 城市内涝淹没范围的预报方法、装置、介质和设备
CN111505740B (zh) 气象预测方法、装置、计算机设备和存储介质
Yahya et al. Designing weather forecasting model using computational intelligence tools
CN112308281A (zh) 一种温度信息预测方法及装置
CN112363251A (zh) 天气预测模型的生成方法、天气预测方法、装置
CN114493050A (zh) 多维度融合的新能源功率并联预测方法和装置
CN114493052B (zh) 多模型融合自适应新能源功率预测方法和系统
CN103971167B (zh) 预测光伏发电设备的发电功率的方法和系统
CN112613633A (zh) 风电场的气象要素预测方法和装置
JP6884318B2 (ja) 気象予測システム、気象予測方法、気象予測プログラム
CN113568067B (zh) 数值天气预报方法、装置、计算机存储介质及电子设备
CN113158128B (zh) 一种全球无缝隙台风动力集合预测方法、系统
CN117593045A (zh) 一种商用车辆需求预测方法、装置、设备及存储介质
CN117421871A (zh) 海上风电潜力评估方法、装置和计算机设备
CN114418243B (zh) 分布式新能源云端网格预测方法与系统
KR102168427B1 (ko) 지역별 공간 특성이 반영되는 규모 상세화 방법
CN116484468A (zh) 一种水库大坝的风险评估方法、装置、设备及存储介质
CN113222276B (zh) 覆冰情况预测方法、装置、计算机设备和存储介质
CN113011637A (zh) 空气质量的预测方法、装置、设备及存储介质
CN116663432B (zh) 一种百米高度风速预报订正降尺度方法及装置
CN116108761B (zh) 一种耦合深度学习和hasm的区域气候模拟方法和系统

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211006

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211006

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221025

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20230418