JP2022122373A - 太陽光発電出力予測装置、電力系統制御システム、需給制御システム、日射強度予測装置、学習装置、太陽光発電出力予測方法および太陽光発電出力予測プログラム - Google Patents
太陽光発電出力予測装置、電力系統制御システム、需給制御システム、日射強度予測装置、学習装置、太陽光発電出力予測方法および太陽光発電出力予測プログラム Download PDFInfo
- Publication number
- JP2022122373A JP2022122373A JP2021019557A JP2021019557A JP2022122373A JP 2022122373 A JP2022122373 A JP 2022122373A JP 2021019557 A JP2021019557 A JP 2021019557A JP 2021019557 A JP2021019557 A JP 2021019557A JP 2022122373 A JP2022122373 A JP 2022122373A
- Authority
- JP
- Japan
- Prior art keywords
- solar radiation
- radiation intensity
- value
- power generation
- prediction
- 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
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 221
- 238000010248 power generation Methods 0.000 title claims abstract description 178
- 238000000034 method Methods 0.000 title claims description 25
- 238000010801 machine learning Methods 0.000 claims description 14
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims 2
- 230000002123 temporal effect Effects 0.000 abstract description 6
- 238000013500 data storage Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
Abstract
【課題】取得した日射強度の予測値の時間分解能より高い時間分解能で太陽光発電出力の予測を行うことができる太陽光発電出力予測装置を得ること。【解決手段】太陽光発電出力予測装置10は、日射強度の予測値である日射強度予測値と、太陽光発電出力を示す値の実績値を取得するデータ取得部11と、日射強度予測値の時間間隔より短い時間帯内の実績値の統計量を算出し、日射強度予測値と対応する月とを入力データとし、入力データと対応する月の統計量とを含む学習用データを用いて、日射強度予測値と月とから日射強度の統計量を予測するための学習済モデルを生成するモデル生成部13と、データ取得部11によって取得される、予測対象日の日射強度予測値と対応する月とを学習済モデルに入力することによって学習済モデルの出力として日射強度の統計量を時間帯ごとに予測する予測部15と、を備える。【選択図】図1
Description
本開示は、太陽光発電出力を予測する太陽光発電出力予測装置、電力系統制御システム、需給制御システム、日射強度予測装置、学習装置、太陽光発電出力予測方法および太陽光発電出力予測プログラムに関する。
近年、再生可能エネルギーの利用を拡大することの重要性が高まっており、太陽光発電設備などの分散型電源を設置し、電力系統(送配電系統)に電力を供給する需要家が増えてきている。一方、太陽光発電設備は、火力発電設備のように、その発電出力を任意に調整することが難しく、また、日射強度(太陽光)の変動でその発電出力が変動する電源であるため、その発電出力変動を正確に予測する必要がある。このため、各所で、各需要家が設置した太陽光発電設備の発電出力を予測するために必要となる技術開発が行われている。例えば、特許文献1には、日射強度の予測値を用いて太陽光発電設備の発電出力を予測する技術が開示されている。
特許文献1に記載の技術では、太陽光発電出力の時間分解能は、気象情報として得られる日射強度の予測値の時間分解能に依存する。一方、電力系統の運用(特に、電力系統制御)などの用途では、日射強度の予測値の時間分解能よりも高い時間分解能で太陽光発電出力の予測値が必要となる場合があり、このような場合、特許文献1に記載の技術では、太陽光発電出力の予測値の時間分解能が要件を満足できないため、電力系統制御では活用できない可能性がある。このため、取得した日射強度の予測値の時間分解能より高い時間分解能で太陽光発電出力の予測を行うことが望まれている。
本開示は、上記に鑑みてなされたものであって、取得した日射強度の予測値の時間分解能より高い時間分解能で太陽光発電出力の予測を行うことができる太陽光発電出力予測装置を得ることを目的とする。
上述した課題を解決し、目的を達成するために、本開示にかかる太陽光発電出力予測装置は、日射強度の予測値である日射強度予測値と、太陽光発電出力を示す値の実績値を取得するデータ取得部と、日射強度予測値の時間間隔より短い時間帯内の実績値の統計量を算出し、日射強度予測値である第1の日射強度予測値と第1の日射強度予測値に対応する月とを入力データとし、入力データと入力データに対応する月の統計量とを含む学習用データを用いて、機械学習により、日射強度予測値と月とから太陽光発電出力を示す値の時間帯における統計量を予測するための学習済モデルを生成するモデル生成部と、を備える。太陽光発電出力予測装置は、データ取得部によって取得される、予測対象日の日射強度予測値である第2の日射強度予測値と第2の日射強度予測値に対応する月とを学習済モデルに入力することによって学習済モデルの出力として太陽光発電出力を示す値の統計量を時間帯ごとに予測する予測部と、を備える。
本開示によれば、取得した日射強度の予測値の時間分解能より高い時間分解能で太陽光発電出力の予測を行うことができるという効果を奏する。
以下に、実施の形態にかかる太陽光発電出力予測装置、電力系統制御システム、需給制御システム、日射強度予測装置、学習装置、太陽光発電出力予測方法および太陽光発電出力予測プログラムを図面に基づいて詳細に説明する。
図1は、実施の形態にかかる太陽光発電出力予測装置を含む電力系統制御システムの構成例を示す図である。本実施の形態の太陽光発電出力予測装置10は、外部から取得した日射強度(あるいは、太陽光発電出力)の予測値を用いて所望の時間分解能の日射強度を予測し、予測した日射強度を用いて太陽光発電出力を予測する。具体的には、本実施の形態の太陽光発電出力予測装置10は、外部から取得した日射強度(あるいは、太陽光発電出力)の予測値を用いて所望の時間分解能の日射強度の統計量を予測する。以下では、日射強度の予測値を用いて所望の時間分解能の日射強度を予測する例を挙げて説明するが、後述するように、太陽光発電出力を用いて日射強度を予測してもよい。太陽光発電出力予測装置10が予測する日射強度の統計量は、例えばパーセンタイル(特に、0パーセンタイルである最小値、または、100パーセンタイルである最大値など)、平均値である。
図1に示すように、例えば、太陽光発電出力予測装置10は、電力系統の電圧、電流などの監視制御を行う電力系統制御装置20とともに、電力系統制御システム30を構成する。太陽光発電出力予測装置10は、電力系統制御システム30に限らず、後述するように電力の需給制御のために用いられてもよく、太陽光発電出力予測装置10の用途は、この例に限定されない。ここでは、まず、図1に示すように、太陽光発電出力予測装置10によって予測される太陽光発電出力が電力系統の監視制御に用いられる例について説明する。
太陽光発電出力予測装置10は、データ取得部11、データ記憶部12、モデル生成部13、学習済モデル記憶部14、予測部15、送信部16および表示部17を備える。
データ取得部11は、外部予測値提供システム40から日射強度の予測値である日射強度予測値を取得し、取得した日射強度予測値をデータ記憶部12に格納する。外部予測値提供システム40から提供される日射強度予測値は、日時と予測値とが対応付けられた情報である。以下、外部予測値提供システム40から取得された日射強度予測値を外部予測値とも呼ぶ。外部予測値は、太陽光発電出力の予測値であってもよい。外部予測値提供システム40は、GSM(Global Spectral Model)データを提供するシステムであってもよいし、MSM(Meso-Scale Model)データを提供するシステムであってもよいし、日射強度予測値を提供するその他のシステムであってもよい。また、図1では、外部予測値提供システム40を1つ図示しているが、外部予測値提供システム40は、複数であってもよく、複数の外部予測値提供システム40は、それぞれ異なる手法で日射強度予測値を提供してもよい。
また、データ取得部11は、実績値提供装置41から、外部から取得した実績値である日時と対応付けられた日射強度の実績値を取得し、取得した実績値をデータ記憶部12に格納する。このように、データ取得部11は、日射強度予測値と、日射強度の実績値を取得する。日射強度の実績値は、後述するように、日射強度の予測のための学習済モデルの生成において正解データとして用いられる。以下、実績値提供装置41から取得された日射強度の実績値を外部実績値とも呼ぶ。日射強度の実績値は、日射計により実測された値であってもよいし、衛星画像やアメダス計測値等から推定された値であってもよい。また、外部実績値として、太陽光発電出力の実績値を用いてもよい。太陽光発電出力の実績値は、太陽光発電出力の計測値を用いてもよいし、精度の高い手法により推定された太陽光発電出力の推定値であってもよい。太陽光発電出力の計測値は、例えば、電力量の自動検針を行う計量装置であるスマートメータのうち、発電量と消費電力量とを個別に計測可能なスマートメータによって計測された値を用いてもよいし、太陽光発電設備におけるPCS(Power Conditioning System)により計測された値であってもよいし、その他の計測装置により太陽光発電設備において太陽光発電出力が計測された値であってもよい。精度の高い太陽光発電出力の推定方法としては、例えば、地理的に距離の近い位置における、太陽光発電出力の計測値または日射強度の実績値を用いた推定方法が挙げられるがこれに限定されない。なお、以下では、外部実績値を日射強度の実績値とした例について説明する。
モデル生成部13は、データ記憶部12に格納されている外部予測値および日射強度の実績値を用いて、日射強度の予測のための学習済モデル、詳細には日射強度の統計量を予測するための学習済モデルを生成し、生成した学習済モデルを学習済モデル記憶部14へ格納する。学習済モデルの詳細については後述する。
予測部15は、学習済モデル記憶部14に記憶されている学習済モデルを読み出し、データ記憶部12に記憶されている外部予測値のうち予測対象の期間に対応するデータを学習済モデルへ入力することで、予測対象の期間の日射強度の統計量を予測する。予測部15は、日射強度の統計量の予測結果を用いて太陽光発電出力の統計量を予測し、太陽光発電出力の統計量の予測結果を送信部16および表示部17へ出力する。
送信部16は、太陽光発電出力の統計量の予測結果を電力系統制御装置20へ送信する。表示部17は、太陽光発電出力の統計量の予測結果を表示する。また、表示部17は、予測部15における予測の入力に用いられたデータを表示することもできる。
次に、本実施の形態の太陽光発電出力予測装置10の動作について説明する。本実施の形態の太陽光発電出力予測装置10は、GSMデータ、MSMデータなどをはじめとした日射強度予測値である外部予測値を用いて太陽光発電出力を予測するが、これらの外部予測値は、例えば、1時間ごとといったように時間分解能が定められている。一方、電力系統の監視制御などの電力系統の運用においては、例えば30分ごとといったように、これらの外部予測値の時間分解能より高い時間分解能で太陽光発電出力を予測することが望まれている。なお、電力系統の運用には、電力系統の監視制御を行う電力系統制御と、電力の需要(電力需要)と供給(発電量)のバランスを管理する電力需給制御が含まれる。
本実施の形態の太陽光発電出力予測装置10は、日射強度の実績値を外部予測値より高い時間分解能で取得し、要求される時間分解能に対応する予め定められた長さの時間窓ごとに、実績値の統計量を求める。そして、太陽光発電出力予測装置10は、日出時刻から日入時刻までの時間帯の外部予測値の時系列データと、当該時系列データに対応する日時のうちの「月」とを特徴量とし、外部予測値の予測対象日時における上記実績値の統計量を正解データとして、教師あり機械学習により学習済モデルを、時間枠ごとに生成する。日出時刻および日入時刻は、固定値(たとえば、6時および18時など)を用いられてもよいし、月ごとの平均値が用いられてもよいし、季節ごとの平均値が用いられてもよい。太陽光発電出力予測装置10は、この学習済モデルを用いることで、予測対象の日時の外部予測値を用いて時間窓ごとの日射強度の統計量を予測する。時間窓の長さは要求される時間分解能に対応しているため、本実施の形態の太陽光発電出力予測装置10は、外部予測値の時間分解能に依存せずに、要求される時間分解能で日射強度の統計量を予測することができる。これにより、太陽光発電出力予測装置10は、要求される時間分解能で太陽光発電出力の統計量を予測することができる。電力系統の運用においては、最過酷な条件などのように特定の条件を想定した場合の太陽光発電出力を予測することが望まれている。このため、最大値(100パーセンタイル)、最小値(0パーセンタイル)、中央値(50パーセンタイル)などのように、各時間帯の太陽光発電出力のパーセンタイルを予測することで電力系統の運用に反映することができる。したがって、日射強度の統計量は、例えば、時間帯内の日射強度の実績値の最大値、最小値および中央値のうちの少なくとも1つである。
図2は、本実施の形態の太陽光発電出力予測装置10における学習済モデルの生成手順の一例を示すフローチャートである。太陽光発電出力予測装置10は、予測対象の地点ごとに、例えば、図2に例示する処理により、学習済モデルを生成する。なお、図2では、日射強度の統計量の一例として、最大値および最小値を算出する例を示すが、日射強度の統計量はこれに限定されず、最大値および最小値のいずれか一方であってもよいし、中央値、25パーセンタイル、75パーセンタイルなどであってもよく、また平均値であってもよい。また、最大値、最小値および中央値といったように3つ以上の値であってもよい。
図2に示すように、太陽光発電出力予測装置10は、予測地点周辺の複数地点における日出時刻から日入時刻までの日射強度予測値(外部予測値)を取得する(ステップS1)。詳細には、データ取得部11が、例えば、定期的に外部予測値提供システム40から外部予測値を取得してデータ記憶部12に蓄積しておき、モデル生成部13が、データ取得部11から予測地点を含む複数地点における日出時刻から日入時刻までの外部予測値を抽出して読み出すことで外部予測値を取得する。または、図2の処理の開始後に、データ取得部11が予測地点周辺の複数地点における日出時刻から日入時刻までの日射強度予測値を取得してデータ記憶部12に格納し、モデル生成部13がデータ記憶部12からこれらのデータを読み出してもよい。ステップS1で取得されるデータは後述するように、学習済モデルの生成において特徴量として用いられる。また、日出時刻および日入時刻は、オペレータなどによって入力されることで太陽光発電出力予測装置10に設定されてもよいし、図示しない他の装置から送信されて太陽光発電出力予測装置10に設定されてもよい。また、予測地点および複数地点についても、同様に、オペレータなどによって太陽光発電出力予測装置10に入力されることで指定されてもよいし、図示しない他の装置から指定されてもよい。
ここで、ステップS1で太陽光発電出力予測装置10が取得する外部予測値について説明する。GSMデータ、MSMデータなどをはじめとした外部予測値は、例えば、Xkm×Xkm(Xは正の実数)の空間分解能で提供される。すなわち、外部予測値は、例えば、Xkm×Xkmを1区画として区画ごとに提供される。なお、外部予測値の空間分解能は、Xkm×Xkmに限らず、1区画は緯度経度で規定されていてもよく各区画の大きさは等しくなくてもよい。
図3は、本実施の形態の外部予測値の区画の一例を示す図である。図3では、Xkm×Xkmの区画が35個示されている。各区画を識別する識別情報を地点番号と呼ぶこととすると、図3では、地点番号1から地点番号35までの35個の区画が示されている。なお、以下では区画単位の位置を地点とも呼ぶ。本実施の形態では、地点番号18の区画を太陽光発電出力の予測対象の地点である予測地点200とするとき、例えば、予測地点200に加えて図3に示す34個の区画に対応する外部予測値の日出時刻から日入時刻までの時間帯の時系列データを用いて学習済モデルを生成する。このように、複数地点の外部予測値を用いると、予測地点200自体の影響だけでなく周辺の地点(区画)の影響を反映した学習済モデルを生成することができるため、学習済モデルの精度を向上させることができる。予測地点200の日射強度の統計量を予測する際には、同様に、予測地点200に加えて図3に示す34個の地点に対応する外部予測値の日出時刻から日入時刻までの時間帯の時系列データを学習済モデルに入力する。
図4は、学習済モデルの生成に用いられる外部予測値の一例を示す図である。図4は、6月のある一日における事例を示している。図4に示すように、学習済モデルの生成には、外部予測値に対応する「月」と、各区画、すなわち各地点における、日出時刻から日入時刻までの時間帯の日射強度の予測値の時系列データと、が特徴量として用いられる。なお、図3および図4に示した例では特徴量として35個の地点の外部予測値を用いるが、図3および図4は一例であり、特徴量として予測値を用いる地点の数は1以上であればよい。また、特徴量として予測値を用いる地点は、予測地点200の周辺の地点であるが、予測地点200自体を含んでいてもよいし含んでいなくてもよい。例えば、予測地点200の外部予測値だけを特徴量として用いてもよいし、予測地点200に隣接する複数地点の外部予測値だけを特徴量として用いてもよい。図3および図4に示す例では、予測地点200と、予測地点200に経度方向の両側のそれぞれに連続して隣接する2地点ずつと、予測地点200に緯度方向の両側のそれぞれに連続して隣接する3地点ずつとの外部予測値を用いている。このように、緯度方向と経度方向とで、外部予測値を用いる地点の数を異ならせてもよい。
図4に示した例では、外部予測値は1時間ごとの予測値であるが、外部予測値の時間分解能は図4に示した例に限定されない。また、日出時刻から日入時刻は、「月」にかかわらず固定としてもよく、「月」ごとに定めてもよい。図4に示した例では、6月の値を例示しており、日出時刻を6時とし、日入時刻を18時としている。なお、日入時刻および日出時刻はこの例に限定されない。なお、外部予測値において、例えば、6時の日射強度予測値は6時から7時までの平均値の予測値である。このように各時刻の日射強度予測値は当該時刻から次に時刻までの間の予測値であるため、図4では、日出時刻から日入時刻までの時間帯を6時から18時までの時間帯としたときの時系列データとして、6時から17時までのデータが示されている。
図5は、外部予測値の時系列データの一例をグラフとして示した模式図である。図5では、ある1つの地点の外部予測値の時系列データを示している。図5では、図4に示した例と同様に、日出時刻から日入時刻までの時間帯を6時から18時までの時間帯とし、6時から17時までの12点のデータが示されている。図2に示したステップS1では、例えば、図3に示すように35地点の外部予測値が用いられる場合には、ある日の外部予測値に関して図5に例示した本実施の形態の12点の時系列データが35地点分取得されることになる。ステップS1では、「月」ごとに1日分以上の外部予測が取得されればよい。
図2の説明に戻る。ステップS1の後、太陽光発電出力予測装置10は、初期時刻を設定する(ステップS2)。詳細には、モデル生成部13が、時刻tを初期時刻T1に設定する。T1は、上述した日出時刻である。
次に、太陽光発電出力予測装置10は、時刻tにおける時間窓であるU分窓内の日射強度実績値の最大値と最小値を取得する(ステップS3)。なお、日射強度実績値は、実績値提供装置41から取得した日射強度の実績値であり、外部予測値より高い時間分解能で得られた計測値または推定値である。日射強度実績値は、データ取得部11によって取得されてデータ記憶部12に格納されている。モデル生成部13は、データ記憶部12に格納されている日射強度実績値を読み出し、時刻tを起点としたU分間を時間窓として、時間窓内の日射強度実績値の最大値および最小値を求めることで、時刻tの最大値および最小値を取得する。
図6は、日射強度実績値と時間窓内の最大値および最小値の一例を示す図である。図6では、日出時刻から日入時刻までの時間帯のうちの一部を拡大して示している。図6に示した例では、時間窓Uを30としており、30分の時間窓内における実績値の最大値および最小値が算出される例を示している。図6に黒丸で示した点は実績値を示し、白四角で示した点は算出された最大値を示し、白三角形で示した点は算出された最小値を示している。例えば、9時から9時30分までの30分間の間の最大の実績値である実績値301が、9時に対応する最大値303として算出され、9時から9時30分までの30分間の間の最小の実績値である実績値302が、9時に対応する最小値304として算出される。このようにして、時刻tにおけるU分窓内の日射強度実績値の最大値と最小値が算出される。
図2の説明に戻る。ステップS3の後、太陽光発電出力予測装置10は、外部予測値と「月」を特徴量とし実績値を正解データとして機械学習で学習済モデルを生成する(ステップS4)。詳細には、モデル生成部13は、ステップS1で取得した外部予測値と当該外部予測値に対応する「月」とを特徴量とし、ステップS3で取得された時刻tの最大値および最小値とを正解データとするデータセットを学習用データとして、教師あり学習により学習済モデルを生成する。なお、正解データには、その学習済モデルが対象とする予測対象時間帯における時刻tの最大値および最小値を用いる。この学習済モデルは、外部予測値と当該外部予測値に対応する「月」とから、時刻tにおける日射強度の統計量の一例である最大値および最小値を推論するための学習済モデルである。
例えば、ある「月」のある日について、外部予測値と日射強度実績値との両方があれば、これらを特徴量および正解データとする1組の学習用データとすることができ、これらのデータセットを複数組用いることで学習済モデルを生成することができる。また、時間窓Uの時間分解能と比較して、外部予測値の時間分解能が低いことも想定されるが、その場合は、学習データの特徴量である外部予測値は同じ値を用いる。たとえば、時間窓Uが30分で、外部予測値の時間分解能が1時間である場合等が想定される。その場合、たとえば、外部予測値は9時~10時の平均値が9時の予測値となるが、9時~9時30分の学習データの特徴量としては、9時の外部予測値と「月」を、学習データの正解データとしては、9時~9時30分における最大値および最小値を利用し、9時30分~10時の学習データの特徴量としては、9時の外部予測値と「月」を、学習データの正解データとしては、9時30分~10時における最大値および最小値を利用する。なお、上記の事例では、学習データの特徴量として、学習済モデルが対象とする予測対象時間帯における外部予測値のみを利用する事例を説明したが、学習データの特徴量としては、対象日一日における外部予測値をすべて利用することにしてもよいし、その一部を利用することにしてもよい。
このように、モデル生成部13は、外部予測値である日射強度予測値の時間間隔より短い時間帯内の日射強度の実績値の統計量を算出し、外部予測値である第1の日射強度予測値と第1の日射強度予測値に対応する月とを入力データとし、入力データと入力データに対応する月の上記の統計量とを含む学習用データを用いて、機械学習により、日射強度予測値と月とから日射強度の各時間帯における統計量を予測するための学習済モデルを生成する。
教師あり学習のアルゴリズムとしては、回帰型の機械学習のアルゴリズムであればどのようなものを用いてもよい。例えば、ニューラルネットワーク(深層学習を含む)、決定木、重回帰、ランダムフォレスト、勾配ブースティング、サポートベクトル回帰などを用いることができる。ニューラルネットワークは、複数のニューロンからなる入力層、複数のニューロンからなる中間層(隠れ層)、および複数のニューロンからなる出力層で構成される。中間層は、1層、又は2層以上でもよい。
図7は、ニューラルネットワークの一例を示す模式図である。例えば、図7に示すような3層のニューラルネットワークであれば、複数の入力が入力層(X1-X3)に入力されると、その値に重みW1(w11-w16)を掛けて中間層(Y1-Y2)に入力され、その結果にさらに重みW2(w21-w26)を掛けて出力層(Z1-Z3)から出力される。この出力結果は、重みW1とW2の値によって変わる。
本実施の形態においては、入力層に上述した学習用データの特徴量が入力されたときの出力層からの出力が正解データに近づくように、重みW1とW2を調整することで、特徴量と正解データとの関係が学習される。なお、機械学習のアルゴリズムは、上述のとおり、ニューラルネットワークに限定されない。
図2の説明に戻る。ステップS4の後、太陽光発電出力予測装置10は、時刻をU分だけ進める(ステップS5)。詳細には、モデル生成部13が、時刻tの値をt+Uに更新する。次に、太陽光発電出力予測装置10は、終了時刻まで計算したかを判断する(ステップS6)。詳細には、モデル生成部13が、時刻tが終了時刻であるT2を超えたか否かを判断する。T2は上述した日入時刻である。
終了時刻まで計算した場合(ステップS6 Yes)、太陽光発電出力予測装置10は、学習済モデルの生成処理を終了する。終了時刻まで計算していない場合(ステップS6 No)、太陽光発電出力予測装置10は、ステップS3からの処理を繰り返す。以上の処理により、日出時刻から日入時刻までのU分ごとの各時刻に対応する学習済モデルが生成される。すなわち、時間帯ごとに学習済モデルが生成される。例えば、日出時刻を6時とし、日入時刻を18時とし、Uを30とした場合、6時から30分おきの17時30分までの合計24個の学習済モデルが生成される。なお、Uは30に限定されず、要求される時間分解能に応じて決定されればよい。
予測地点が複数想定される場合には、予測地点ごとに、図2に示した処理を行うことで、各予測地点に関する学習済モデルを作成しておく。
次に、学習済モデルを用いた日射強度の統計量の予測について説明する。図8は、本実施の形態の日射強度の統計量の予測処理手順の一例を示すフローチャートである。図8では、図2に示した例と同様に、統計量として最大値および最小値を予測する例を説明する。
太陽光発電出力予測装置10は、予測地点周辺の複数地点における日出時刻から日入時刻までの日射強度予測値(外部予測値)を取得する(ステップS11)。詳細には、予測部15が、データ記憶部12に格納されている外部予測値のうち、予測対象日における予測地点周辺の複数地点における日出時刻から日入時刻までの日射強度予測値(外部予測値)を抽出して読み出すことで外部予測値を取得する。なお、予測対象日、予測地点および複数地点は、オペレータなどによって太陽光発電出力予測装置10に入力されることで指定されてもよいし、図示しない他の装置から指定されてもよい。
次に、太陽光発電出力予測装置10は、初期時刻を設定する(ステップS12)。詳細には、予測部15が、時刻tを初期時刻T1に設定する。次に、太陽光発電出力予測装置10は、時刻tにおける学習済モデルを呼び出す(ステップS13)。詳細には、予測部15が、学習済モデル記憶部14から時刻tに対応する学習済モデルを読み出すことで、学習済モデルを呼び出す。
次に、太陽光発電出力予測装置10は、外部予測値および「月」を学習済モデルに入力し、時刻tにおけるU分窓内の日射強度の最大値と最小値を予測する(ステップS14)。詳細には、予測部15が、ステップS11で取得した外部予測値を学習済モデルに入力し、学習済モデルから出力される、日射強度の最大値および最小値を得ることで、時刻tの日射強度の最大値と最小値を予測する。
このように、予測部15は、データ取得部11によって取得される、予測対象日の日射強度予測値である第2の日射強度予測値と第2の日射強度予測値に対応する月とを学習済モデルに入力することによって学習済モデルの出力として日射強度の統計量を時間帯ごとに予測する。
次に、太陽光発電出力予測装置10は、時刻をU分だけ進める(ステップS15)。詳細には、予測部15が、時刻tの値をt+Uに更新する。次に、太陽光発電出力予測装置10は、終了時刻まで計算したかを判断する(ステップS16)。詳細には、予測部15が、時刻tが終了時刻であるT2を超えたか否かを判断する。
終了時刻まで計算した場合(ステップS16 Yes)、太陽光発電出力予測装置10は、予測処理を終了する。終了時刻まで計算していない場合(ステップS16 No)、太陽光発電出力予測装置10は、ステップS13からの処理を繰り返す。以上の処理により、予測対象日における予測地点の日出時刻から日入時刻までのU分ごとの各時刻の日射強度の最大値および最小値が算出される。また、予測部15は、日射強度の最大値および最小値の予測結果を用いて太陽光発電出力の最大値および最小値の予測値を算出し、算出した予測値を送信部16へ出力する。日射強度から太陽光発電出力を算出する方法は、太陽光発電設備の定格容量および係数を日射強度に乗算する方法などのように、一般的な任意の方法を用いることができる。また、日射強度を太陽光発電出力に変換する変換係数を実績値に基づいて求めておき、この変換係数を用いて日射強度から太陽光発電出力を算出してもよい。送信部16は、予測部15によって算出された予測値を電力系統制御装置20へ送信する。なお、送信部16は、予測部15によって予測された日射強度の統計量を電力系統制御装置20へ送信し、電力系統制御装置20が日射強度の統計量から太陽光発電出力の予測値を求めてもよい。
また、予測部15は、日射強度の最大値および最小値、および太陽光発電出力の最大値および最小値の予測値を表示部17へ渡し、表示部17は、日射強度の最大値および最小値、および太陽光発電出力の最大値および最小値の予測値を表示する。なお、図8に示した例では、日出時刻から日入時刻までの日射強度の最大値および最小値を算出したが、ある日のある時刻の日射強度の最大値および最小値を予測したい場合には、上記ステップS12で用いるT1、ステップS16で用いるT2を、それぞれ日出時刻、日入時刻とする代わりに、予測対象の時刻をT1とし、T2をT1以降でT1+U以前の値に設定すればよい。
図9は、本実施の形態の予測対象日の外部予測値と日射強度の最大値および最小値の予測結果との一例を示す図である。図9の上段には予測部15の予測処理において入力データとなる外部予測値、すなわちステップS11で取得した予測対象日の外部予測値を示しており、図9の下段には、日射強度の最大値および最小値の予測結果を示している。図9では、日出時刻を6時とし、日入時刻を18時とし、時間窓Uを30としている。図9からわかるように、外部予測値の時間分解能は1時間であるが、予測結果である日射強度の最大値および最小値の予測値は、30分ごとに得られている。このように、本実施の形態では、外部予測値の時間分解能より高い分解能で日射強度の予測結果が得られる。このため、太陽光発電出力についても、外部予測値の時間分解能より高い分解能で予測することができる。
表示部17は、図9の上段に示した外部予測値、図9の下段に示した日射強度の最大値および最小値の予測結果などを表示することができる。同様に、図示は省略するが、表示部17は、太陽光発電出力の最大値および最小値の予測値を表示することができる。
なお、上記の例では、特徴量として日出時刻から日入時刻までの全時間帯の外部予測値を用いた。すなわち、上記の例では、学習済モデルの生成に用いられる外部予測値である第1の日射強度予測値、および予測処理において学習済モデルに入力される外部予測値である第2の日射強度予測値は、1日のうちの第1の時刻から第2の時刻までの時系列データであり、第1の時刻は、日出時刻であり、第2の時刻は日入時刻であった。外部予測値の時系列データの長さを決める第1の時刻および第2の時刻はこれに限定されず、予測対象の時刻tを含む1つ以上の時間枠の外部予測値が用いられればよい。例えば、9時に対応する学習済モデルの生成には特徴量として外部予測値の9時の値だけが用いられてもよいし、外部予測値の8時、9時および10時の3つの時刻の値が用いられてもよい。
また、太陽光発電出力予測装置10は、外部予測値として、複数の種類の日射強度の予測値を取得し、これら複数の種類の日射強度の予測値を用いて学習用データを作成して同様に学習済モデルを作成し、作成した学習済モデルに予測対象日の複数の種類の日射強度の予測値を入力することで、日射強度すなわち日射強度の統計量を予測してもよい。この場合、複数の種類の日射強度の予測値の時間分解能が異なっていても、日出時刻から日入時刻までの予測値をそのまま並べて特徴量として入力すればよい。また、複数の種類の日射強度の予測値の空間分解能が異なっていても種類ごとに、同様に、各予測地点に対応する学習済モデルに用いる1つ以上の地点を決定しておき、種類ごとの1つ以上の外部予測値の時系列データを特徴量として入力すればよい。これらの複数の種類の日射強度の予測値を用いて機械学習が行われることで、自動的に、予測対象の時刻tの予測地点の日射強度と関連性が高い(学習に有効な)外部予測値が選択されて予測に用いられることになる。
上記の例では、外部予測値が日射強度の予測値であるとして説明したが、上述したように外部予測値は太陽光発電出力であってもよい。また、上記の例では、正解データとして日射強度の実績値を用いて日射強度の統計量を予測する学習済モデルを生成したが、正解データとして太陽光発電出力の実績値を用いて、日射強度の統計量を予測する学習済モデルまたは太陽光発電出力の統計量を予測する学習済モデルを生成してもよい。この場合、外部実測値としては、太陽光発電設備における発電出力のスマートメータによる計測値、PCSによる計測値などを用いてもよいし、精度の高い手法により推定された太陽光発電出力の推定値を用いてもよい。
日射強度と太陽光発電出力の組み合わせに関してまとめると以下のとおりである。まず、(1)外部予測値(学習済モデルの入力データ)、(2)外部実績値(正解データ)および(3)予測対象の統計量、に関して、以下のように分類する。
(1)外部予測値
(1a)日射強度
(1b)太陽光発電出力
(2)外部実績値
(2a)日射強度
(2b)太陽光発電出力
(3)予測対象の統計量
(3a)日射強度
(3b)太陽光発電出力
(1)外部予測値
(1a)日射強度
(1b)太陽光発電出力
(2)外部実績値
(2a)日射強度
(2b)太陽光発電出力
(3)予測対象の統計量
(3a)日射強度
(3b)太陽光発電出力
(3a)を得るときには、(1a)-(2a)、(1b)-(2a)の2パターンのうちのいずれかであり、(3b)を得るときには、(1a)-(2a)、(1a)-(2b)、(1b)-(2a)、(1b)-(2b)の4パターンのうちのいずれかである。なお、(3b)を得るために、(1a)-(2a)、(1b)-(2a)の2パターンのうちのいずれかを用いる場合は、学習済モデルの出力である日射強度の統計量を、太陽光発電出力の統計量に変換する必要がある。また、(2a)と(2b)を混在させて用いてもよい。(2a)と(2b)を混在させる場合には、(2a)の日射強度を太陽光発電出力に変換する。
また、上記の例では、正解データとして日射強度の実績値を用いて日射強度の統計量を予測する学習済モデルを生成したが、正解データとして太陽光発電出力の実績値を用いて、太陽光発電出力の統計量を予測する学習済モデルを生成してもよい。この場合、モデル生成部13は、実測値として太陽光発電設備における発電出力のスマートメータによる計測値などを用いて算出された太陽光発電出力を用いることができる。また、日射強度の計測値が得られる場合には、当該日射強度を太陽光発電出力に変換して太陽光発電出力の実績値として用いてもよい。太陽光発電出力の統計量を予測する学習済モデルが生成される場合、予測部15は、この学習済モデルに、予測対象日の予測地点に対応する複数地点の外部予測値と対応する「月」とを入力することで太陽光発電出力の統計量の予測値を求めることができる。つまり、本実施の形態における学習済モデルは、太陽光発電出力を示す値を予測するためのモデルであればよく、太陽光発電出力を示す値は、太陽光発電出力自体であってもよく、日射強度であってもよい。
ここで、太陽光発電出力予測装置10のハードウェア構成について説明する。本実施の形態の太陽光発電出力予測装置10は、コンピュータシステム上で、太陽光発電出力予測装置10における処理が記述されたプログラムである太陽光発電出力予測プログラムが実行されることにより、コンピュータシステムが太陽光発電出力予測装置10として機能する。図10は、本実施の形態の太陽光発電出力予測装置10を実現するコンピュータシステムの構成例を示す図である。図10に示すように、このコンピュータシステムは、制御部101と入力部102と記憶部103と表示部104と通信部105と出力部106とを備え、これらはシステムバス107を介して接続されている。
図10において、制御部101は、例えば、CPU(Central Processing Unit)等のプロセッサであり、本実施の形態の太陽光発電出力予測装置10における処理が記述された太陽光発電出力予測プログラムを実行する。入力部102は、たとえばキーボード、マウスなどで構成され、コンピュータシステムの使用者が、各種情報の入力を行うために使用する。記憶部103は、RAM(Random Access Memory),ROM(Read Only Memory)などの各種メモリおよびハードディスクなどのストレージデバイスを含み、上記制御部101が実行すべきプログラム、処理の過程で得られた必要なデータ、などを記憶する。また、記憶部103は、プログラムの一時的な記憶領域としても使用される。表示部104は、ディスプレイ、LCD(液晶表示パネル)などで構成され、コンピュータシステムの使用者に対して各種画面を表示する。通信部105は、通信処理を実施する受信機および送信機である。出力部106は、プリンタなどである。なお、図10は、一例であり、コンピュータシステムの構成は図10の例に限定されない。
ここで、本実施の形態の太陽光発電出力予測プログラムが実行可能な状態になるまでのコンピュータシステムの動作例について説明する。上述した構成をとるコンピュータシステムには、たとえば、図示しないCD(Compact Disc)-ROMドライブまたはDVD(Digital Versatile Disc)-ROMドライブにセットされたCD-ROMまたはDVD-ROMから、太陽光発電出力予測プログラムが記憶部103にインストールされる。そして、太陽光発電出力予測プログラムの実行時に、記憶部103から読み出された太陽光発電出力予測プログラムが記憶部103に格納される。この状態で、制御部101は、記憶部103に格納されたプログラムに従って、本実施の形態の太陽光発電出力予測装置10としての処理を実行する。
なお、上記の説明においては、CD-ROMまたはDVD-ROMを記録媒体として、太陽光発電出力予測装置10における処理を記述したプログラムを提供しているが、これに限らず、コンピュータシステムの構成、提供するプログラムの容量などに応じて、たとえば、通信部105を経由してインターネットなどの伝送媒体により提供されたプログラムを用いることとしてもよい。
図1に示したモデル生成部13および予測部15は、図10に示した記憶部103に記憶された太陽光発電出力予測プログラムが図10に示した制御部101により実行されることにより実現される。図1に示したデータ記憶部12および学習済モデル記憶部14は、図10に示した記憶部103の一部である。図1に示したデータ取得部11および送信部16は、図10に示した通信部105および制御部101により実現される。図1に示した表示部17は、図10に示した表示部104により実現される。太陽光発電出力予測装置10は複数のコンピュータシステムにより実現されてもよい。また、太陽光発電出力予測装置10は、クラウドシステムにより実現されてもよい。
例えば、本実施の形態の太陽光発電出力予測プログラムは、コンピュータシステムに、日射強度の予測値である日射強度予測値の時間間隔より短い時間帯内の太陽光発電出力を示す値の実績値の統計量を算出するステップと、日射強度予測値である第1の日射強度予測値と第1の日射強度予測値に対応する月とを入力データとし、入力データと入力データに対応する月の統計量とを含む学習用データを用いて、機械学習により、日射強度予測値と月とから太陽光発電出力を示す値の時間帯における統計量を予測するための学習済モデルを生成するステップと、を実行させる。さらに、太陽光発電出力予測プログラムは、予測対象日の日射強度予測値である第2の日射強度予測値と第2の日射強度予測値に対応する月とを学習済モデルに入力することによって学習済モデルの出力として太陽光発電出力を示す値の統計量を時間帯ごとに予測するステップと、をコンピュータシステムに実行させる。
<変形例1>
なお、図1に示した例では、太陽光発電出力予測装置10が学習済モデルの生成と、学習済モデルを用いた予測との両方を行ったが、学習済モデルの生成と、学習済モデルを用いた予測とをそれぞれ別の装置が行ってもよい。
なお、図1に示した例では、太陽光発電出力予測装置10が学習済モデルの生成と、学習済モデルを用いた予測との両方を行ったが、学習済モデルの生成と、学習済モデルを用いた予測とをそれぞれ別の装置が行ってもよい。
図11は、本実施の形態の電力系統制御システムの別の構成例を示す図である。図11に示した構成例では、学習済モデルの生成と、学習済モデルを用いた予測とをそれぞれ別の装置が行う。図1に示した太陽光発電出力予測装置10と同様の機能を有する構成要素は、図1と同一の符号を付して重複する説明を省略する。図11に示した構成例では、学習済モデルの生成は学習装置70によって行われ、学習済モデルを用いた予測は太陽光発電出力予測装置10aによって行われる。図11に示した電力系統制御システム30aは、太陽光発電出力予測装置10aおよび電力系統制御装置20を備える。学習装置70は、データ取得部71、データ記憶部72、モデル生成部73および学習済モデル記憶部74を備える。データ取得部71、データ記憶部72、モデル生成部73および学習済モデル記憶部74の機能は、上述した太陽光発電出力予測装置10の学習済モデルの生成に関するデータ取得部11、データ記憶部12、モデル生成部13および学習済モデル記憶部14の機能と同様である。
太陽光発電出力予測装置10aは、太陽光発電出力予測装置10からモデル生成部13およびデータ記憶部12が削除されており、太陽光発電出力予測装置10と同様に予測処理を行う。学習済モデル記憶部14には、学習装置70によって生成された学習済モデル、すなわち学習装置70の学習済モデル記憶部74に記憶された学習済モデルが格納される。なお、太陽光発電出力予測装置10aでは、データ取得部11から予測対象日の外部予測値が予測部15に入力されるが、太陽光発電出力予測装置10aが図示しないデータ記憶部を備えて、データ取得部11が取得した外部予測値をデータ記憶部に格納し、予測部15が予測対象日に対応する外部予測値をデータ記憶部から読み出してもよい。
図11では、学習装置70を電力系統制御システム30aの外部としているが、学習装置70を電力系統制御システム30a内に含めてもよい。学習装置70および太陽光発電出力予測装置10aも、太陽光発電出力予測装置10と同様にコンピュータシステムにより実現される。
<変形例2>
図1では、電力系統制御装置20とともに電力系統制御システム30を構成する太陽光発電出力予測装置10を例に挙げて説明したが、上述した構成および動作は、例えば、電力の需給バランスを監視制御する需給制御システム(EMS:Energy Management System)にも適用可能である。図12は、本実施の形態の太陽光発電出力予測装置を含む需給制御システムの構成例を示す図である。図12に示した需給制御システム60は、太陽光発電出力予測装置10bと需給制御装置50とを備える。太陽光発電出力予測装置10bは、太陽光発電出力予測装置10に集計部18が追加され、表示部17の代わりに表示部17aを備える以外は、図1に示した太陽光発電出力予測装置10と同様である。図1に示した太陽光発電出力予測装置10と同様の機能を有する構成要素は、図1と同一の符号を付して重複する説明を省略する。
図1では、電力系統制御装置20とともに電力系統制御システム30を構成する太陽光発電出力予測装置10を例に挙げて説明したが、上述した構成および動作は、例えば、電力の需給バランスを監視制御する需給制御システム(EMS:Energy Management System)にも適用可能である。図12は、本実施の形態の太陽光発電出力予測装置を含む需給制御システムの構成例を示す図である。図12に示した需給制御システム60は、太陽光発電出力予測装置10bと需給制御装置50とを備える。太陽光発電出力予測装置10bは、太陽光発電出力予測装置10に集計部18が追加され、表示部17の代わりに表示部17aを備える以外は、図1に示した太陽光発電出力予測装置10と同様である。図1に示した太陽光発電出力予測装置10と同様の機能を有する構成要素は、図1と同一の符号を付して重複する説明を省略する。
需給制御装置50では、一般に、電力系統の監視制御に比べて広い範囲で太陽光発電出力を予測することが望まれる。例えば、電力会社の管轄区域全体または管轄区域全体をいくつかに分割した例えば都道府県などの単位で太陽光発電出力を予測することが望まれる。このため、図12に示した太陽光発電出力予測装置10bでは、集計部18が、複数の予測地点の予測結果を集計することで、複数の予測地点に対応する広い範囲における太陽光発電出力の予測結果を算出し、予測結果を需給制御装置50に送信する。集計部18は、算出した予測結果を表示部17aに出力する。表示部17aは、図1に示した表示部17と同様に、予測部15から出力される予測地点単位での予測結果を表示可能であるとともに、集計部18によって集計された広い範囲における太陽光発電出力の予測結果を表示することも可能である。太陽光発電出力予測装置10bも、太陽光発電出力予測装置10と同様にコンピュータシステムにより実現される。なお、図1に示した太陽光発電出力予測装置10が需給制御装置50に太陽光発電出力の統計量の予測値を送信し、需給制御装置50が予測値を集計してもよい。なお、送信部16は、予測部15によって予測された日射強度の統計量を需給制御装置50へ送信し、需給制御装置50が日射強度の統計量から太陽光発電出力の予測値を求めてもよい。また、変形例1と同様に、学習装置と太陽光発電出力を予測する太陽光発電出力予測装置とが別に設けられてもよい。
また、上述した太陽光発電出力予測装置10,10a,10bによる予測結果は、電力取引における市場価格の予測、市場取引の計画作成などに用いることもできる。さらに、以上では、太陽光発電出力の予測のために日射強度を予測する例を説明したが、太陽光発電出力の予測値を行わずに、日射強度の予測、すなわち日射強度の統計量の予測が行われてもよい。この場合、図1に示した太陽光発電出力予測装置10は、日射強度を予測する日射強度予測装置として機能する。また、この場合、予測部15は、日射強度の統計量を予測すればよく、日射強度から太陽光発電出力を算出する必要はない。日射強度予測装置により予測された日射強度の統計量は、他の装置において太陽光発電出力を予測するために用いられてもよいし、太陽光発電設備の設置計画のために用いられてもよいし、農業などその他の用途に用いられてもよい。
以上のように、本実施の形態の太陽光発電出力予測装置10,10bおよび学習装置70は、外部から取得した1つ以上の地点の日射強度の予測値である外部予測値と外部予測値に対応する「月」とを含む特徴量と、外部予測値の時間間隔より短い時間帯内の太陽光発電出力を示す値の実績値の統計量とを学習用データとして取得する。そして、太陽光発電出力予測装置10,10bおよび学習装置70は、学習用データを用いて、機械学習により、外部予測値および対応する「月」とから日射強度の統計量を予測するための学習済モデルを生成する。本実施の形態の太陽光発電出力予測装置10,10a,10bは、学習済モデルに外部予測値と外部予測値に対応する「月」とを入力することで、太陽光発電出力を示す値の統計量を時間枠に対応する時間分解能で予測する。これにより、取得した日射強度の予測値の時間分解能より高い時間分解能で太陽光発電出力の予測を行うことができる。
以上の実施の形態に示した構成は、一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、実施の形態同士を組み合わせることも可能であるし、要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。
10,10a,10b 太陽光発電出力予測装置、11,71 データ取得部、12,72 データ記憶部、13,73 モデル生成部、14,74 学習済モデル記憶部、15 予測部、16 送信部、17,17a 表示部、18 集計部、20 電力系統制御装置、30,30a 電力系統制御システム、40 外部予測値提供システム、41 実績値提供装置、50 需給制御装置、60 需給制御システム、70 学習装置。
Claims (18)
- 日射強度の予測値である日射強度予測値と、太陽光発電出力を示す値の実績値を取得するデータ取得部と、
前記日射強度予測値の時間間隔より短い時間帯内の前記実績値の統計量を算出し、前記日射強度予測値である第1の日射強度予測値と前記第1の日射強度予測値に対応する月とを入力データとし、前記入力データと前記入力データに対応する月の前記統計量とを含む学習用データを用いて、機械学習により、日射強度予測値と月とから太陽光発電出力を示す値の前記時間帯における統計量を予測するための学習済モデルを生成するモデル生成部と、
前記データ取得部によって取得される、予測対象日の日射強度予測値である第2の日射強度予測値と前記第2の日射強度予測値に対応する月とを前記学習済モデルに入力することによって前記学習済モデルの出力として太陽光発電出力を示す値の統計量を前記時間帯ごとに予測する予測部と、
を備えることを特徴とする太陽光発電出力予測装置。 - 前記統計量はパーセンタイルおよび平均値のうち少なくとも1つであることを特徴とする請求項1に記載の太陽光発電出力予測装置。
- 前記統計量は、前記時間帯内の前記実績値の最大値、最小値および中央値のうちの少なくとも1つであることを特徴とする請求項2に記載の太陽光発電出力予測装置。
- 前記統計量は、前記時間帯内の前記実績値の最大値および最小値であることを特徴とする請求項2に記載の太陽光発電出力予測装置。
- 前記第1の日射強度予測値および前記第2の日射強度予測値は、1日のうちの第1の時刻から第2の時刻までの時系列データであることを特徴とする請求項1から4のいずれか1つに記載の太陽光発電出力予測装置。
- 前記第1の時刻は日出時刻であり、前記第2の時刻は日入時刻であることを特徴とする請求項5に記載の太陽光発電出力予測装置。
- 前記第1の日射強度予測値および前記第2の日射強度予測値は、1つ以上の地点の日射強度予測値であることを特徴とする請求項1から6のいずれか1つに記載の太陽光発電出力予測装置。
- 前記学習済モデルは前記太陽光発電出力を示す値の統計量の予測対象の地点である予測地点ごとに生成され、
前記1つ以上の地点は、前記予測地点を含む複数の地点であることを特徴とする請求項7に記載の太陽光発電出力予測装置。 - 前記学習済モデルは前記時間帯ごとに生成されることを特徴とする請求項1から8のいずれか1つに記載の太陽光発電出力予測装置。
- 前記太陽光発電出力を示す値は日射強度であり、
前記予測部は、前記時間帯ごとに、予測した前記統計量を用いて太陽光発電出力の統計量を算出することを特徴とする請求項1から9のいずれか1つに記載の太陽光発電出力予測装置。 - 前記太陽光発電出力を示す値は前記太陽光発電出力自体であることを特徴とする請求項1から9のいずれか1つに記載の太陽光発電出力予測装置。
- 日射強度の予測値である日射強度予測値と、太陽光発電出力を示す値の実績値を取得するデータ取得部と、
日射強度予測値と月とから太陽光発電出力を示す値の前記日射強度予測値の時間間隔より短い時間帯内の統計量を予測するための学習済モデルを記憶する学習済モデル記憶部と、
前記データ取得部によって取得される、予測対象日の日射強度予測値と月とを前記学習済モデルに入力することによって前記学習済モデルの出力として太陽光発電出力を示す値の統計量を前記時間帯ごとに予測する予測部と、
を備えることを特徴とする太陽光発電出力予測装置。 - 請求項1から12のいずれか1つに記載の太陽光発電出力予測装置と、
前記太陽光発電出力予測装置によって予測された太陽光発電出力を示す値の統計量を用いて電力系統の監視制御を行う電力系統制御装置と、
を備えることを特徴とする電力系統制御システム。 - 請求項1から12のいずれか1つに記載の太陽光発電出力予測装置と、
前記太陽光発電出力予測装置によって予測された太陽光発電出力を示す値の統計量を用いて電力の需給制御を行う需給制御装置と、
を備えることを特徴とする需給制御システム。 - 日射強度の予測値である日射強度予測値と、日射強度の実績値を取得するデータ取得部と、
前記日射強度予測値の時間間隔より短い時間帯内の前記実績値の統計量を算出し、前記日射強度予測値である第1の日射強度予測値と前記第1の日射強度予測値に対応する月とを入力データとし、前記入力データと前記入力データに対応する月の前記統計量とを含む学習用データを用いて、機械学習により、日射強度予測値と月とから日射強度の前記時間帯における統計量を予測するための学習済モデルを生成するモデル生成部と、
前記データ取得部によって取得される、予測対象日の日射強度予測値である第2の日射強度予測値と前記第2の日射強度予測値に対応する月とを前記学習済モデルに入力することによって前記学習済モデルの出力として日射強度の統計量を前記時間帯ごとに予測する予測部と、
を備えることを特徴とする日射強度予測装置。 - 日射強度の予測値である日射強度予測値と、太陽光発電出力を示す値の実績値を取得するデータ取得部と、
前記日射強度予測値の時間間隔より短い時間帯内の前記実績値の統計量を算出し、前記日射強度予測値である第1の日射強度予測値と前記第1の日射強度予測値に対応する月とを入力データとし、前記入力データと前記入力データに対応する月の前記統計量とを含む学習用データを用いて、機械学習により、日射強度予測値と月とから太陽光発電出力を示す値の前記時間帯における統計量を予測するための学習済モデルを生成するモデル生成部と、
を備えることを特徴とする学習装置。 - 太陽光発電出力予測装置における太陽光発電出力予測方法であって、
日射強度の予測値である日射強度予測値の時間間隔より短い時間帯内の太陽光発電出力を示す値の実績値の統計量を算出するステップと、
前記日射強度予測値である第1の日射強度予測値と前記第1の日射強度予測値に対応する月とを入力データとし、前記入力データと前記入力データに対応する月の前記統計量とを含む学習用データを用いて、機械学習により、日射強度予測値と月とから太陽光発電出力を示す値の前記時間帯における統計量を予測するための学習済モデルを生成するステップと、
予測対象日の日射強度予測値である第2の日射強度予測値と前記第2の日射強度予測値に対応する月とを前記学習済モデルに入力することによって前記学習済モデルの出力として太陽光発電出力を示す値の統計量を前記時間帯ごとに予測するステップと、
を含むことを特徴とする太陽光発電出力予測方法。 - コンピュータシステムに、
日射強度の予測値である日射強度予測値の時間間隔より短い時間帯内の太陽光発電出力を示す値の実績値の統計量を算出するステップと、
前記日射強度予測値である第1の日射強度予測値と前記第1の日射強度予測値に対応する月とを入力データとし、前記入力データと前記入力データに対応する月の前記統計量とを含む学習用データを用いて、機械学習により、日射強度予測値と月とから太陽光発電出力を示す値の前記時間帯における統計量を予測するための学習済モデルを生成するステップと、
予測対象日の日射強度予測値である第2の日射強度予測値と前記第2の日射強度予測値に対応する月とを前記学習済モデルに入力することによって前記学習済モデルの出力として太陽光発電出力を示す値の統計量を前記時間帯ごとに予測するステップと、
を実行させることを特徴とする太陽光発電出力予測プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021019557A JP2022122373A (ja) | 2021-02-10 | 2021-02-10 | 太陽光発電出力予測装置、電力系統制御システム、需給制御システム、日射強度予測装置、学習装置、太陽光発電出力予測方法および太陽光発電出力予測プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021019557A JP2022122373A (ja) | 2021-02-10 | 2021-02-10 | 太陽光発電出力予測装置、電力系統制御システム、需給制御システム、日射強度予測装置、学習装置、太陽光発電出力予測方法および太陽光発電出力予測プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022122373A true JP2022122373A (ja) | 2022-08-23 |
Family
ID=82939578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021019557A Pending JP2022122373A (ja) | 2021-02-10 | 2021-02-10 | 太陽光発電出力予測装置、電力系統制御システム、需給制御システム、日射強度予測装置、学習装置、太陽光発電出力予測方法および太陽光発電出力予測プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2022122373A (ja) |
-
2021
- 2021-02-10 JP JP2021019557A patent/JP2022122373A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bouzgou et al. | Fast short-term global solar irradiance forecasting with wrapper mutual information | |
US10873209B2 (en) | System and method for dynamic energy storage system control | |
US11333793B2 (en) | System and method for variance-based photovoltaic fleet power statistics building with the aid of a digital computer | |
US8682585B1 (en) | Computer-implemented system and method for inferring operational specifications of a photovoltaic power generation system | |
JP5743881B2 (ja) | 電力管理システム、電力管理方法、需要家端末及び電力管理装置 | |
US8326535B1 (en) | Computer-implemented system and method for correlating overhead sky clearness for use in photovoltaic fleet output estimation | |
US9880230B1 (en) | System and method for inferring operational specifications of a photovoltaic power generation system using net load with the aid of a digital computer | |
US20210255251A1 (en) | Action generator, energy storage device evaluator, computer program, learning method, and evaluation method | |
Bansal | Sizing and forecasting techniques in photovoltaic-wind based hybrid renewable energy system: A review | |
US10998729B2 (en) | Real-time estimation of contributions from classes of energy generators in residual load signals | |
Michael et al. | Short-term solar irradiance forecasting based on a novel Bayesian optimized deep Long Short-Term Memory neural network | |
Bosisio et al. | Improving DTR assessment by means of PCA applied to wind data | |
US20210334914A1 (en) | System and method for determining power production in an electrical power grid | |
Álvarez-Miranda et al. | Two-stage robust UC including a novel scenario-based uncertainty model for wind power applications | |
Monteiro et al. | Short-term forecasting model for aggregated regional hydropower generation | |
Gheouany et al. | Experimental validation of multi-stage optimal energy management for a smart microgrid system under forecasting uncertainties | |
Botterud | Forecasting renewable energy for grid operations | |
Poolla et al. | Designing near-optimal policies for energy management in a stochastic environment | |
Miyasawa et al. | Spatial demand forecasting based on smart meter data for improving local energy self‐sufficiency in smart cities | |
Yang et al. | Impact of forecasting error characteristics on battery sizing in hybrid power systems | |
WO2022168357A1 (ja) | 発電量管理システム及び発電量管理方法 | |
Constantinescu et al. | Unit commitment with wind power generation: integrating wind forecast uncertainty and stochastic programming. | |
Song et al. | Dynamic thermal line rating model of conductor based on prediction of meteorological parameters | |
Wu et al. | Design of A battery energy management system for capacity charge reduction | |
Dang et al. | Hybrid forecasting model of power demand based on three-stage synthesis and stochastically self-adapting mechanism |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240125 |