JP2021182319A - 予測装置および予測方法 - Google Patents

Abstract

【課題】風力発電の出力予測を容易に実施可能にする予測装置を提供する。【解決手段】予測装置１０は、所定の地域範囲における風速の実績値と、地域範囲における風力発電機の出力により得られた電力の実績値との相関を学習し、地域範囲の風速に関する情報から地域範囲の風力発電機の出力により得られる電力を予測する予測モデルを構築する学習部１１と、予測された予測モデルに、地域範囲における風速の予測値の情報を入力し、地域範囲における風力発電機の出力により得られる電力を予測する予測部１２と、を有する。【選択図】図２

Description

本開示は、風力発電出力を予測する技術に関する。

近年、風力発電の導入が拡大しており、電力の安定供給および品質維持のために、風力発電の出力を予測することが必要不可欠となっている。

その中でも、一般送配電事業者においては、風力発電の出力を考慮して自身の備える発電機の運転計画を策定したり、自身の備える発電機によって準備することが必要な予備力を計算したりするために、一般送配電事業者の管轄内における風力発電出力（以下、管内風力発電出力という）を数日先まで予測することが求められる。運転計画の策定や必要な予備力の計算のためには、管内風力発電出力の予測値を時間的に細かいデータ粒度（最低でも１時間程度）で得ることが必要となる。

管内風力発電出力を予測する手法として、管轄内にある複数の風力発電所のそれぞれの発電出力を予測し、その予測値を合算することが考えられる。各風力発電所の発電出力の予測値は、当該風力発電所の風力発電機の風速と発電出力との関係を表すパワーカーブを用い、当該風力発電所が設置された場所での予測される風速をパワーカーブに当てはめることで算出することができる。しかし、風力発電機毎の性能を表すパワーカーブの情報は、通常、非公開のデータである。そのため、一般送配電事業者が本手法により管内風力発電出力の予測値を得ることは困難である。

風速と発電出力の実測値を用いて各風力発電所の近似的なパワーカーブを取得することも考えられる。風力発電機の風速と出力を散布図にプロットし、散布図からパワーカーブを近似的に得ることができる。しかし、そのためには、各風力発電機が設置された場所の風速の情報が必要となる。一般送配電事業者が、管轄内の全ての風力発電機の付近に風速計等のセンサを設置するとすると、そのコストが膨大となる可能性がある。

特許文献１には、過去の風況予測データと過去の発電出力実測データを逐次統計解析して、風況予測データから発電出力予測データを得る手法が開示されている。

特開２００４−１９５８３号公報

特許文献１に開示された手法は、風力発電機毎あるいは風力発電施設毎に発電出力を予測するものである。そのために、風力発電機あるいは風力発電施設の最新の設備情報（設置場所の緯度、経度等）に基づく変換式を用いて、ＧＰＶデータの風速の値を、風力発電機や風力発電所の設置場所における風速の値に変換する処理が必要になる。したがって、例えば、風力発電施設の設備に変更が生じ、風力発電機の設備情報が更新されると、その度に、ＧＰＶデータの変換式をメンテナンスする必要が生じ、メンテナンスをしないと、管内風力発電出力の予測値が実績値と乖離してしまう虞がある。風力発電機の設備情報が更新される度にＧＰＶデータの変換式をメンテナンスすることは容易でない。

本開示のひとつの目的は、風力発電の出力予測を容易に実施可能にする技術を提供することである。

本開示のひとつの態様による予測装置は、所定の地域範囲における風速の実績値と、前記地域範囲における風力発電機の出力により得られた電力の実績値との相関を学習し、前記地域範囲の風速に関する情報から前記地域範囲の風力発電機の出力により得られる電力を予測する予測モデルを構築する学習部と、前記予測モデルに、前記地域範囲における風速の予測値の情報を入力し、前記地域範囲における風力発電機の出力により得られる電力を予測する予測部と、を有する。

本開示のひとつの態様によれば、風力発電機の設備情報が更新される度にメンテナンスを実施しなくても、風速と管内風力発電出力の関係の相関を随時分析することにより、管内風力発電出力の予測値と実績値との乖離が大きくなりにくく、風力発電の出力予測を容易に実施可能となる。

予測装置を用いた電力システムのひとつの態様を示す図である。 第１の実施の形態による予測装置のソフトウェア構成を示す概念図である。 図２に示した予測装置における風力発電の予測の手法の概要を説明するための図である。 図２に示した予測装置における風力発電の予測の手法に利用する管内風速と管内風力発電出力の時系列データのイメージを示す図である。 図２に示した予測装置における風力発電の予測モデルの構築の手法の概要を説明するための図である。 図２に示した予測装置における学習フェーズと予測フェーズとの関係を説明するための図である。 図２に示した予測装置における線形モデルを用いた学習フェーズを説明するための図である。 図２に示した予測装置における線形モデルを用いた予測フェーズを説明するための図である。 図２に示した予測装置におけるニューラルネットワークを用いた学習フェーズを説明するための図である。 図２に示した予測装置におけるニューラルネットワークを用いた予測フェーズを説明するための図である。 第２の実施の形態による予測装置のソフトウェア構成を示す概念図である。 図１１に示した予測装置の学習データ分類データベースに格納されたデータを示す図である。 第３の実施の形態による予測装置のソフトウェア構成を示す概念図である。 図１３に示した予測装置の外れ値データ除外部にて外れ値データを判定するイメージを示す図である。 第４の実施の形態による予測装置のソフトウェア構成を示す概念図である。 図１５に示した予測装置の評価結果データベースに格納される比較結果のイメージを示す図である。

本発明の実施の形態の説明において、管内風速と管内風力発電出力とに相関があることに着目し、パワーカーブや風力発電機の風速が無くても、ＧＰＶデータ等の風速のメッシュデータ（管内風速）を利用することで、管内風力発電出力の予測を可能とする手法を提案する。具体的には、管内風速と管内風力発電出力とのそれぞれの実績を入力として学習し、両者の関係性を予測モデルで数式化することで、管内風力発電出力の予測を可能とする。なお、ＧＰＶデータとは、気象予測モデル（数値予報モデル）を用いて算出した気象要素（風速等）の予測値のメッシュデータのことを示す。

以下に、本発明の実施の形態について図面を参照して説明する。

図１は、予測装置を用いた電力システムのひとつの態様を示す図である。

本形態による電力システムは図１に示すように、本発明の予測装置１０が通信ネットワーク３００を介して電力系統に接続されて構成されている。

電力系統は、無限大系統（巨大系統）１００と、ノード１１０と、変圧器１２０と、複数の風力発電機１３０と、送電線路１４０と、負荷１５０とを備えている。図１では、ノード１１０にノード番号を適宜付与している（Ｎｘ（ｘが番号）で図示）。ノード１１０には、電力系統の保護、制御、監視等の目的に応じた各種の計測器（不図示）が適宜設置されている。電力系統には、複数の風力発電機１３０が設けられており、複数の風力発電機１３０は、ノード１１０、変圧器１２０、送電線路１４０等を介して負荷１５０と相互に連系されている。

電力系統の計測器で計測された計測データは、信号に変換され、通信ネットワーク３００を介して後述する予測装置１０の通信部２３に送信される。

風力発電出力の予測装置１０は計算機システム（コンピュータ）で構成されており、ディスプレイ装置等の表示部２１と、キーボードやマウス等の入力部２２と、通信部２３と、プロセッサ２４と、メモリ２５と、各種データベースＤＢとがバス線２６に接続されている。

表示部２１は、例えば、ディスプレイ装置に代えて、またはディスプレイ装置と共に、プリンタ装置または音声出力装置等を用いる構成でもよい。

入力部２２は、例えば、キーボードスイッチ、マウス等のポインティング装置、タッチパネル、音声指示装置等の少なくともいずれか一つを備えて構成できる。

通信部２３は、通信ネットワークに接続するための回路および通信モジュールを備える。

プロセッサ２４は、ソフトウェアプログラム（以下、単に「ソフトウェア」ともいう）を実行して表示すべき画像データの指示や、各種データベース内のデータの検索等を行う。一つまたは複数の半導体チップとして構成してもよいし、または、計算サーバのようなコンピュータ装置として構成してもよい。

メモリ２５は、例えば、ＲＡＭとして構成され、ソフトウェアを記憶したり、各処理に必要な計算結果データおよび画像データ等を記憶したりする。メモリ２５に格納された画像データは、表示部２１に送られて表示される。

データベースＤＢとしては、管内風速（実績）データベースＤＢ１と、管内風力発電出力（実績）データベースＤＢ２と、予測モデルデータベースＤＢ３と、管内風力発電出力（予測）データベースＤＢ４とを備える。

以下に、予測装置１０のソフトウェアの構成について、複数の実施の形態を挙げて説明する。

（第１の実施の形態）

図２は、第１の実施の形態による予測装置１０のソフトウェア構成を示す概念図である。

本形態における予測装置１０のソフトウェア構成は図２に示すように、管内風速（実績）データベースＤＢ１と、管内風力発電出力（実績）データベースＤＢ２と、予測モデルデータベースＤＢ３と、管内風力発電出力（予測）データベースＤＢ４と、学習部１１と、予測部１２とを備える。

管内風速（実績）データベースＤＢ１には、風速のメッシュデータの実績値（以下、管内風速（実績）という）が格納されている。風速のメッシュデータとは、例えば、気象庁から提供される気象予測モデルを用いて算出した気象要素の予測値であるＧＰＶデータを用いる。なお、気象予測モデルとしては、長期間の低解像度予測や、短期間の高解像度予測等が存在するが、どちらか一方の気象予測モデルを用いても良いし、両方の気象予測モデルを用いても良い。

管内風力発電出力（実績）データベースＤＢ２には、管内風力発電出力の実績値（以下、管内風力発電出力（実績）という）が格納されている。

学習部１１は、所定の地域範囲における風速の実績値と、その地域範囲における風力発電機の出力により得られた電力の実績値との相関を学習し、その地域範囲の風速に関する情報からその地域範囲の風力発電機の出力により得られる電力を予測する管内風力発電出力の予測モデル（以下、予測モデルという）を構築する。具体的には、学習部１１では、管内風速（実績）データベースＤＢ１に格納された管内風速（実績）と、管内風力発電出力（実績）データベースＤＢ２に格納された管内風力発電出力（実績）とを入力し、風速と管内風力発電出力との相関関係を学習により求めることで、予測モデルの各係数を導出する。

予測部１２は、学習部１１にて予測された予測モデルに、その予測モデルに対応する地域範囲における風速の予測値の情報を入力し、その地域範囲における風力発電機の出力により得られる電力を予測する。具体的には、予測部１２では、管内風速（予測）を入力し、入力した管内風速（予測）を、学習部１１にて予測された予測モデルに当てはめ、管内風力発電出力の予測値（以下、管内風力発電出力（予測）という）を出力する。

予測モデルデータベースＤＢ３には、学習部１１において風速と管内風力発電出力の実績値との相関を取ることで作成した予測モデルが格納されている。

管内風力発電出力（予測）データベースＤＢ４には、予測部１２において、管内風力発電出力の予測モデルに対して、風速のメッシュデータ（ＧＰＶデータ等）の予測値を入力することで、算出した管内風力発電出力（予測）が格納されている。

以下に、上記のように構成された予測装置１０における風力発電の予測の手法について説明する。

上述したように従来の風力発電の手法においては、パワーカーブや発電機の風速が入手できない場合に、各風力発電所の出力を算出することができず、そのため管内風力発電出力を算出することができない。

図２に示した予測装置１０では、一般送配電事業者における管内風速と管内風力発電出力のみで、風力発電の予測を可能とする。その際、一般送配電事業者における管内風速と管内風力発電出力には、関係性（相関）がある点に着目する。つまり、管内風速と管内風力発電出力の過去データから両者の関係性を数式により表し、予測に利用する。

図３は、図２に示した予測装置１０における風力発電の予測の手法の概要を説明するための図である。図４は、図２に示した予測装置１０における風力発電の予測の手法に利用する管内風速と管内風力発電出力の時系列データのイメージを示す図である。なお、図３は、ある時間断面でのイメージを示し、各メッシュの風速の大きさを矢印の太さ（強、中、弱の３段階）で表している。

図２に示した予測装置１０においては、図３に示すように、地域範囲を格子状に区切った各格子における風速の値を用いて、管内風力発電出力を予測することになる。各格子における風速のデータは、例えば気象庁から取得することができ、上述したように管内風速（実績）データベースＤＢ１に格納されている。

学習部１１においては、図４に示すように、管内風速（実績）データベースＤＢ１と管内風力発電出力（実績）データベースＤＢ２とから、管内風速（実績）と管内風力発電出力（実績）という）とのそれぞれについての時系列データを入手することで、両者の関係性を活用して予測モデルを構築する。

図５は、図２に示した予測装置１０における風力発電の予測モデルの構築の手法の概要を説明するための図である。

図２に示した予測装置１０においては、図３に示すように、管内風速と管内風力発電出力の過去データから両者の関係性を数式により表し、学習により予測モデルの各係数を導出することで、管内風速が大きな場合に管内風力発電出力も大きくなる地域、管内風速が小さな場合に管内風力発電出力も小さくなる地域を関係性の高い地域として抽出する。すなわち、学習部１１において、地域範囲を格子状に区切った各格子における風速の値を説明変数とし、その地域範囲に存在する全ての風力発電機の出力により得られるトータルの電力の値を目的変数として予測モデルを構築する。

このように、地域範囲を格子状に区切った各格子における風速の値を説明変数とし地域範囲の全ての風力発電機から得られるトータルの電力を目的変数とすることにより、地域範囲内で風力発電機の設備に変更が生じても、予測モデルを即座にメンテナンスする必要がなく、利用し続けことができる。

なお、地域範囲を一般送配電事業者が管轄する地域範囲とし、一般送配電事業者管内で一つの予測モデルを作成しても良いし、一般送配電事業者管内で分割した複数エリア毎に予測モデルを作成しても良い。地域範囲を一般送配電事業者が管轄する地域範囲とすれば、一般送配電事業者が管轄する地域範囲の風力発電所から供給されるトータルの電力を予測し、自身の発電機の運転計画の策定等に利用できる。

図６は、図２に示した予測装置１０における学習フェーズと予測フェーズとの関係を説明するための図である。

図２に示した予測装置１０においては、図６に示すように、学習部１１における学習フェーズと、予測部１２における予測フェーズとを有し、これら２つのフェーズを実行することで、風力発電を予測する。

学習フェーズでは、学習部１１において、管内風速（実績）データベースＤＢ１に格納された管内風速（実績）と、管内風力発電出力（実績）データベースＤＢ２に格納された管内風力発電出力（実績）の過去のデータ（１回目〜Ｎ回目）を学習させて、予測モデルを構築する。ここで、予測モデルの構築とは、学習により予測モデルの各係数を導出するという意味である。

予測フェーズでは、予測部１２において、学習部１１にて構築された予測モデルに管内風速（予測）を代入して、管内風力発電出力（予測）を得る。

学習フェーズにおける、管内風速（実績）の入力としては、ＧＰＶ−ＧＳＭ、ＧＰＶ−ＭＳＭ、ＧＰＶ−ＬＦＭ等を想定し、データ要素としては、緯度方向風速、経度方向風速等を想定する。また、学習フェーズでは、線形モデル、ベイズ推定、カルマンフィルタ、ＡＲＩＭＡ（Ａｕｔｏrｅｇｒｅｓｓｉｖｅ Ｉｎｔｅｇｒａｔｅｄ Ｍｏｖｉｎｇ Ａｖｅｒａｇｅ）モデル、決定木（ランダムフォレスト等含む）、ニューラルネットワーク、サポートベクタモデル（ＳＶＭ）等の中から、一つ以上の予測モデルを作成することを想定する。一方、予測フェーズでは、一つの予測モデルより算出した管内風力発電出力（予測）を使用しても良いし、複数の予測モデルより算出した管内風力発電出力（予測）の平均値を使用しても良い。

以下に、線形モデルとニューラルネットワークを用いた場合の予測モデルについて説明する。まず、線形モデルを用いた場合の予測モデルについて説明する。

図７は、図２に示した予測装置１０における線形モデルを用いた学習フェーズを説明するための図である。なお、説明の簡素化のため、メッシュは９マスとした。

図７に示す学習フェーズでは、管内風速（実績）をｘ１〜ｘ９とし、このｘ１〜ｘ９のそれぞれに予測モデルの係数ａ１〜ａ９を乗算したものを加算して得られる管内風力発電出力（実績）をＹと定義し、９回の管内風速と管内風力発電出力の実績値をそれぞれｘ１〜ｘ９，Ｙに代入し、連立方程式により各係数ａ１〜ａ９を算出することで、予測モデルを得る。

図８は、図２に示した予測装置１０における線形モデルを用いた予測フェーズを説明するための図である。

図８に示す予測フェーズでは、管内風速（予測）をｘ１〜ｘ９と定義し、図７に示した予測モデルにおけるｘ１〜ｘ９に管内風速（予測）を代入し、管内風力発電出力（予測）を得る。

次に、ニューラルネットワークを用いた場合の予測モデルの例を示す。

図９は、図２に示した予測装置１０におけるニューラルネットワークを用いた学習フェーズを説明するための図である。なお、説明の簡素化のため、メッシュは９マスとした。

図９に示す学習フェーズでは、管内風速（実績）をｘ１〜ｘ９、管内風力発電出力（実績）をＹと定義し、１０００回の管内風速と管内風力発電出力の実績値から、誤差逆伝播法により、予測モデルの各係数（ａ１１〜ａ９３、ｂ１〜ｂ３）を算出することで、予測モデルを得る。

図１０は、図２に示した予測装置１０におけるニューラルネットワークを用いた予測フェーズを説明するための図である。

図１０に示す予測フェーズでは、管内風速（予測）をｘ１〜ｘ９と定義し、図９に示した予測モデルにおけるｘ１〜ｘ９に管内風速（予測）を代入し、管内風力発電出力（予測）を得る。

上述した第１の実施の形態によれば、管内風速と管内風力発電出力の実績を学習し、両者の関係性の相関を示す予測モデルで数式化することにより、風力発電予測が可能となる。

なお、学習部１１において、所定の地域範囲における風速の実績値と、その地域範囲における風力発電機の出力により得られた電力の実績値との相関を機械学習により学習する構成としてもよい。

上述したように、所定の地域範囲における風速の実績値と、風力発電機の出力により得られた電力の実績値との相関を学習し、その地域範囲における風速の予測値の情報を入力し、風力発電機の出力により得られる電力を予測するので、風力発電の出力予測を容易に実施できる。

（第２の実施の形態）

図１１は、第２の実施の形態による予測装置１０のソフトウェア構成を示す概念図である。

本形態における予測装置１０のソフトウェア構成は図１１に示すように、管内風速（実績）データベースＤＢ１と、管内風力発電出力（実績）データベースＤＢ２と、予測モデルデータベースＤＢ３と、管内風力発電出力（予測）データベースＤＢ４と、学習データ分類データベースＤＢ５と、学習部１１と、予測部１２とを備える。すなわち、第１の実施の形態に示したものに対して、学習データ分類データベースＤＢ５を追加で備えている。

学習データ分類データベースＤＢ５には、例えば、予測モデルを作成する学習期間が格納されている。学習期間とは、例えば、時間帯毎、月毎（季節毎）等の期間のことであり、時間帯と月のどちらか一方に基づき、学習期間を決定しても良いし、両方に基づき、学習期間を決定しても良い。

図１２は、図１１に示した予測装置１０の学習データ分類データベースＤＢ５に格納されたデータを示す図である。

図１２に示すように、図１１に示した予測装置１０の学習データ分類データベースＤＢ５には、時間帯毎、月毎の両方に基づいた学習データ分類が格納されている。なお、他に格納されている学習データ分類としては、風向（北、北北東、北東等）、気温（１０度以下、１０〜２０度、２０度〜３０度等）、気圧（１００５〜１０１０ｈＰＡ、１０１０〜１０１５ｈＰＡ、１０１５〜１０２０ｈＰＡ等）、湿度（３０〜４０％、４０〜５０％、５０〜６０％等）、天気（晴れ、雨、曇り等）等が想定される。

本実施の形態では、例えば、学習フェーズで過去５年間において１月の２〜３時の風速（実績）と管内風力発電出力（実績）を用いて作成した予測モデルに対して、予測フェーズで１月の２〜３時の場合に風速（実績）を入力することで、管内風力発電出力（予測）を算出する。図１２に示すデータ構成では、学習期間ｉｉｉ−ａに相当する。

このように、学習部１２が、１日を複数に区切った時間帯毎および／または１年を複数に区切った季節毎に予測モデルを構築することで、時間帯毎や季節毎の違いを反映したより精度の高い予測が可能となる。

なお、学習部１２が、地域範囲を所定の大きさに区切った各格子における所定の期間の風速の実績値を示す第１風速実績データや地域範囲を第１風速実績データの格子よりも小さく区切った各格子における第１風速実績データの期間よりも短い期間の風速の実績値を示す第２風速実績データと、地域範囲における風力発電機の出力により得られた電力の実績値との相関を学習する構成としてもよい。

本実施の形態によれば、定めた学習データ分類毎に、管内風速と管内風力発電出力の実績を学習し、両者の関係性の相関を示す予測モデルで数式化することにより、風力発電予測が可能となる。

（第３の実施の形態）

図１３は、第３の実施の形態による予測装置１０のソフトウェア構成を示す概念図である。

本形態における予測装置１０のソフトウェア構成は図１３に示すように、管内風速（実績）データベースＤＢ１と、管内風力発電出力（実績）データベースＤＢ２と、予測モデルデータベースＤＢ３と、管内風力発電出力（予測）データベースＤＢ４と、学習部１１と、予測部１２と、外れ値データ除外部１３とを備える。すなわち、第１の実施の形態に示したものに対して、外れ値データ除外部１３を追加で備えている。

外れ値データ除外部１３は、風速の実績値である風速（実績）と、電力の実績値である管内風力発電出力（実績）を入力し、これら風速（実績）と管内風力発電出力（実績）とに基づいて、風速（実績）および管内風力発電出力（実績）の外れ値を除外する。

学習部１２は、外れ値が除外された風速（実績）と管内風力発電出力（実績）との相関を学習する。

これにより、本実施の形態では、例えば、風速（実績）と管内風力発電出力（実績）において、他の入力値と比較して大きく外れた値を除いた上で、予測モデルを構築することになる。例えば、台風通過時に強風で風力発電機が停止（カットアウト）する場合や、測定ミスや記録ミス等が発生した場合に外れ値として判定されることを想定する。

図１４は、図１３に示した予測装置１０の外れ値データ除外部１３にて外れ値データを判定するイメージを示す図である。

図１４に示すように、風速（実績）と管内風力発電出力（実績）とに基づいて、風速（実績）と管内風力発電出力（実績）の相関から大きく離れた値が存在する場合、外れ値データ除外部１３においてこれを外れ値として除外する。なお、ここでは、説明を簡単にするため、１つのメッシュに対する風速（実績）のみを扱うが、実際には一般送配電事業者管内の複数メッシュまたは全メッシュの風速（実績）を扱う。

本実施の形態によれば、発生する可能性が低い気象要素等が原因で発生する外れ値データを除く管内風速と管内風力発電出力の実績を学習し、両者の関係性の相関を示す予測モデルで数式化することにより、より精度の高い風力発電予測が可能となる。

（第４の実施の形態）

図１５は、第４の実施の形態による予測装置１０のソフトウェア構成を示す概念図である。

本形態における予測装置１０のソフトウェア構成は図１５に示すように、管内風速（実績）データベースＤＢ１と、管内風力発電出力（実績）データベースＤＢ２と、予測モデルデータベースＤＢ３と、管内風力発電出力（予測）データベースＤＢ４と、評価結果データベースＤＢ７と、学習部１１と、予測部１２と、評価部１４とを備える。すなわち、第１の実施の形態に示したものに対して、評価データベースＤＢ７および評価部１４を追加で備えている。

評価部１４は、管内風力発電出力（実績）データベースＤＢ２に格納された管内風力発電出力（実績）と、予測部１２にて、予測モデルに風速の実績値を入力して算出される電力の予測値すなわち管内風力発電出力（予測）を入力し、これら管内風力発電出力（実績）と管内風力発電出力（予測）とを比較する。

本実施の形態では、学習部１１が、複数の異なるアルゴリズムを用いて複数の予測モデルを構築し、予測部１２が、その複数の予測モデルを用いて管内風力発電出力（予測）を予測するため、評価部１４は、複数の予測モデルの予測精度を評価することになる。

評価結果データベースＤＢ７には、管内風力発電出力（実績）と管内風力発電出力（予測）との両者の偏差が、評価部１４における評価結果として格納されている。

本実施の形態では、例えば、線形モデル、ベイズ推定、カルマンフィルタ、ＡＲＩＭＡモデル、決定木（ランダムフォレスト等含む）、ニューラルネットワーク、ＳＶＭ等の予測モデルの中から、直前の一定期間において、管内風力発電出力（実績）と管内風力発電出力（予測）との偏差を算出する。

図１６は、図１５に示した予測装置１０の評価結果データベースＤＢ６に格納される比較結果のイメージを示す図である。

図１６に示すように、図１５に示した予測装置１０の評価結果データベースＤＢ６には、管内風力発電出力（実績）と管内風力発電出力（予測）との比較結果とその偏差が格納されている。

予測部１２は、管内風力発電出力（実績）と管内風力発電出力（予測）の偏差が最も小さな予測モデルを定期的に選択し、選択した予測モデルを用いて予測を行う。

本実施の形態によれば、管内風力発電出力の実績と予測との偏差が最も小さな予測モデルにおいて、管内風速と管内風力発電出力の実績を学習し、両者の関係性の相関を示す予測モデルで数式化することにより、高い精度での風力発電予測が可能となる。

なお、本発明は、上述した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、上述した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加、削除または置換をすることが可能である。また、上記の各構成、機能及び、処理部等は、それらの一部または全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。

１０…予測装置、１１…学習部、１２…予測部、１３…外れ値データ除外部、１４…評価部、２１…表示部、２２…入力部、２３…通信部、２４…プロセッサ、２５…メモリ、２６…バス線、１００…無限大系統、１１０…ノード、１２０…変圧器、１３０…風力発電機、１４０…送電線路、１５０…負荷、３００…通信ネットワーク、DB１…管内風速（実績）データベース、DB２…管内風力発電出力（実績）データベース、DB３…予測モデルデータベース、DB４…管内風力発電出力（予測）データベース、DB５…学習データ分類データベース、DB６…評価結果データベース

Claims (10)

1. 所定の地域範囲における風速の実績値と、前記地域範囲における風力発電機の出力により得られた電力の実績値との相関を学習し、前記地域範囲の風速に関する情報から前記地域範囲の風力発電機の出力により得られる電力を予測する予測モデルを構築する学習部と、
   前記予測モデルに、前記地域範囲における風速の予測値の情報を入力し、前記地域範囲における風力発電機の出力により得られる電力を予測する予測部と、
   を有する予測装置。
2. 前記学習部は、前記地域範囲を格子状に区切った各格子における風速の値を説明変数とし、前記地域範囲に存在する全ての風力発電機の出力により得られるトータルの電力の値を目的変数として前記予測モデルを構築する、
   請求項１に記載の予測装置。
3. 前記地域範囲は、一般送配電事業者が管轄する地域範囲である、
   請求項１に記載の予測装置。
4. 前記学習部は、前記地域範囲における風速の実績値と、前記地域範囲における風力発電機の出力により得られた電力の実績値との相関を機械学習により学習する、
   請求項１に記載の予測装置。
5. 前記学習部は、線形モデル、ベイズ推定、カルマンフィルタ、ＡＲＩＭＡモデル、決定木、ニューラルネットワーク、サポートベクタモデルの少なくとも１つの予測モデルを構築する、
   請求項１に記載の予測装置。
6. 前記学習部は、前記地域範囲を所定の大きさに区切った各格子における所定の期間の風速の実績値を示す第１風速実績データおよび／または前記地域範囲を前記第１風速実績データの格子よりも小さく区切った各格子における前記第１風速実績データの期間よりも短い期間の風速の実績値を示す第２風速実績データと、前記地域範囲における風力発電機の出力により得られた電力の実績値との相関を学習する、
   請求項１に記載の予測装置。
7. 前記学習部は、１日を複数に区切った時間帯毎および／または１年を複数に区切った季節毎に前記予測モデルを構築する、
   請求項１に記載の予測装置。
8. 前記風速の実績値と前記電力の実績値とに基づいて、前記風速の実績値および前記電力の実績値の外れ値を除外する外れ値データ除外部を更に有し、
   前記学習部は、前記外れ値が除外された前記風速の実績値と前記電力の実績値との相関を学習する、
   請求項１に記載の予測装置。
9. 前記予測モデルに前記風速の実績値を入力して算出される電力の予測値と、前記電力の実績値とを比較することにより、前記予測モデルの予測精度を評価する評価部を更に有し、
   前記学習部が、複数の異なるアルゴリズムを用いて複数の予測モデルを構築し、
   前記評価部が、前記複数の予測モデルの予測精度を評価し、
   前記予測部が、前記予測精度に基づいて選択された予測モデルを用いて電力の予測を行う、
   請求項１に記載の予測装置。
10. 風力発電出力を予測するための予測方法であって、
    コンピュータが、
    所定の地域範囲における風速の実績値と、前記地域範囲における風力発電機の出力により得られた電力の実績値との相関を学習し、前記地域範囲の風速に関する情報から前記地域範囲の風力発電機の出力により得られる電力を予測する予測モデルを構築し、
    前記予測モデルに、前記地域範囲における風速の予測値の情報を入力し、前記地域範囲における風力発電機の出力により得られる電力を予測する、
    ことを実行する予測方法。

Images