JP4886322B2 - 風力発電出力予測方法、風力発電出力予測装置およびプログラム - Google Patents

Description

本発明は、風力発電出力予測方法、風力発電出力予測装置およびプログラムに関する。特に、本発明は、物理モデルおよび統計モデルを用いる風力発電出力予測方法、風力発電出力予測装置およびプログラムに関する。

風力発電の発電量は風速の３乗に比例することから、小さな風速の予測誤差が、風力発電の発電出力の大きな予測誤差につながる。このようなことから、気象予報データ等を入力して、風速、または、発電出力を計算する方法が知られている（例えば、特許文献１および２を参照）。
特開２０００−１４５６１４号公報 特開２００４−１９５８３号公報

しかしながら、風力発電出力等の予測値を計算する各方法は、気象条件等の入力データの値に応じて、計算結果の精度における、得手不得手が存在する。このために、気象条件等の入力データの値によって、予測値の誤差が大きくなるという不具合がある。

上記課題を解決するために、本発明の第１の形態においては、風力発電出力予測方法であって、物理方程式を用いて対象地点の風力発電出力に関する物理予測値を算出する一または複数の物理モデルを準備する手順と、風力発電出力に関する統計的な統計予測値を算出する一または複数の統計モデルを準備する手順と、複数の物理モデルを用いて、地形条件および気象条件に基づいて物理予測値をそれぞれ算出する手順と、一または複数の統計モデルを用いて、地形条件、気象条件および物理予測値、並びに、風力発電出力に関する過去の実測値に基づいて、統計予測値をそれぞれ算出する手順と、過去の地形条件、気象条件および実測値を用いて、一または複数の物理モデルおよび一または複数の統計モデルのうちの複数について集団学習をすることにより、一または複数の物理モデルおよび一または複数の統計モデルのうちの複数を最適に組み合わせた最終モデルを決定する手順と、最終モデルを用いて、過去よりも後の特定の時刻における地形条件、気象条件および実測値に基づいて、特定の時刻における対象地点の風力発電出力の最終予測値を算出する手順とを備える。

上記風力発電出力予測方法において、最終モデルを決定する手順は、集団学習により一または複数の物理モデルおよび一または複数の統計モデルのうちの複数を組み合わせから新たに統計的な予測値を算出する複数の新規モデルを作成する手順と、集団学習により複数の新規モデルを組み合わせて最終モデルを決定する手順とを有してもよい。

上記の風力発電出力予測方法において、過去の地形条件および気象条件、並びに、風力発電出力に関する過去の実測値を用いて、一または複数の物理モデルおよび一または複数の統計モデルのうちの複数について集団学習をすることにより、一または複数の物理モデルおよび一または複数の統計モデルのうちの複数から新たに統計的な予測値を算出する複数の新規モデルを作成する手順と、集団学習により複数の新規モデルを組み合わせた組合せモデルを決定する手順とをさらに備え、最終モデルを決定する手段は、一または複数物理モデル、一または複数の統計モデルおよび組合せモデルのうちの複数について集団学習をすることにより、一または複数の物理モデル、一または複数の統計モデルおよび組合せモデルのうちの複数を組み合わせた最終モデルを決定してもよい。

上記風力発電出力予測方法において、最終モデルを決定する手段は、一または複数の物理モデルの物理予測値、および、一または複数の統計モデルの統計予測値、のうちの複数を重み付け平均する重み付け係数を決定する手順を含んでもよい。

上記風力発電出力予測方法において、物理モデルを準備する手順は、物理モデルに対応付けて、地形条件および気象条件に含まれるパラメータの種類を管理する手順を有し、重み付け係数を決定する手順において、物理モデルに対して入力されたパラメータの種類に基づいて、物理モデルの物理予測値に対する重み付け係数を決定してもよい。

上記風力発電出力予測方法において、統計モデルを準備する手順は、統計モデルに対応付けて、地形条件および気象条件に含まれるパラメータの種類を管理する手順を有し、重み付け係数を決定する手順において、統計モデルに対して入力されたパラメータの種類に基づいて、統計モデルの統計予測値に対する重み付け係数を決定してもよい。

上記風力発電出力予測方法において、物理モデルを準備する手順は、物理モデルに対応付けて、地形条件および気象条件に含まれるパラメータの値の範囲を管理する手順を有し、重み付け係数を決定する手順において、物理モデルに対して入力されたパラメータの値に基づいて、物理モデルの物理予測値に対する重み付け係数を決定してもよい。

上記風力発電出力予測方法において、統計モデルを準備する手順は、統計モデルに対応付けて、地形条件および気象条件に含まれるパラメータの値の範囲を管理する手順を有し、重み付け係数を決定する手順において、統計モデルに対して入力されたパラメータの値に基づいて、統計モデルの統計予測値に対する重み付け係数を決定してもよい。

上記風力発電出力予測方法において、物理モデルを準備する手順は、物理モデルに対応付けて、誤差傾向を管理する手順を有し、重み付け係数を決定する手順において、過去の誤差傾向に基づいて、物理モデルの物理予測値に対する重み付け係数を決定してもよい。

上記風力発電出力予測方法において、統計モデルを準備する手順は、統計モデルに対応付けて、誤差傾向を管理する手順を有し、重み付け係数を決定する手順において、過去の誤差傾向に基づいて、統計モデルの統計予測値に対する重み付け係数を決定してもよい。

上記風力発電出力予測方法において、一または複数の物理モデルは、線形モデルまたは非線形モデルを含んでもよい。また、上記風力発電出力予測方法において、一または複数の統計モデルは、線形モデルまたは非線形モデルを含んでもよい。

上記風力発電出力予測方法において、複数の物理モデルの複数の物理予測値および複数の統計モデルの複数の統計予測値のばらつきに基づいて信頼性を示す指標を算出し出力する手順をさらに備えてもよい。

本発明の第２の形態において、風力発電出力予測装置であって、物理方程式を用いて対象地点の風力発電出力に関する物理予測値を算出する一または複数の物理モデルを取得し、一または複数の物理モデルを用いて、地形条件および気象条件に基づいて物理予測値をそれぞれ算出する物理予測部と、風力発電出力に関する統計的な統計予測値を算出する一または複数の統計モデルを取得し、一または複数の統計モデルを用いて、地形条件、気象条件および物理予測値、並びに、風力発電出力に関する過去の実測値に基づいて、統計予測値をそれぞれ算出する統計予測部と、過去の地形条件、気象条件および実測値を用いて、一または複数の物理モデルおよび一または複数の統計モデルのうちの複数について集団学習をすることにより、一または複数の物理モデルおよび一または複数の統計モデルのうちの複数を最適に組み合わせた最終モデルを決定する最終モデル決定部と、最終モデルを用いて、過去よりも後の特定の時刻における地形条件、気象条件および実測値に基づいて、特定の時刻における対象地点の風力発電出力の最終予測値を算出する最終予測部とを備える。

上記風力発電出力予測装置において、最終モデル決定部は、集団学習により一または複数の物理モデルおよび一または複数の統計モデルのうちの複数を組み合わせて新たに統計的な予測値を算出する複数の新規モデルを作成し、集団学習により複数の新規モデルを組み合わせて最終モデルを決定してもよい。

上記風力発電出力予測装置において、過去の地形条件および気象条件、並びに、風力発電出力に関する過去の実測値を用いて、一または複数の物理モデルおよび一または複数の統計モデルのうちの複数について集団学習をすることにより、一または複数の物理モデルおよび一または複数の統計モデルのうちの複数から新たに統計的な予測値を算出する複数の新規モデルを作成し、集団学習により複数の新規モデルを組み合わせた組合せモデルを決定する組合せモデル決定部をさらに備え、最終モデル決定部は、一または複数の物理モデル、一または複数の統計モデルおよび組合せモデルのうちの複数について集団学習をすることにより、一または複数の物理モデル、一または複数の統計モデルおよび組合せモデルのうちの複数を組み合わせた最終モデルを決定してもよい。

上記風力発電出力予測装置において、最終モデル決定部は、一または複数の物理モデルの物理予測値、および、一または複数の統計モデルの統計予測値のうちの複数を重み付け平均する重み付け係数を決定してもよい。

上記風力発電出力予測装置において、物理モデルに対応付けて、地形条件および気象条件に含まれるパラメータの種類を格納する物理モデル格納部をさらに備え、最終モデル決定部は、物理モデルに対して入力されたパラメータの種類に基づいて、物理モデルの物理予測値に対する重み付け係数を決定してもよい。

上記風力発電出力予測装置において、統計モデルに対応付けて、地形条件および気象条件に含まれるパラメータの種類を格納する統計モデル格納部をさらに備え、最終モデル決定部は、統計モデルに対して入力されたパラメータの種類に基づいて、統計モデルの統計予測値に対する重み付け係数を決定してもよい。

上記風力発電出力予測装置において、物理モデルに対応付けて、地形条件および気象条件に含まれるパラメータの値の範囲を格納する物理モデル格納部をさらに備え、最終モデル決定部は、物理モデルに対して入力されたパラメータの値に基づいて、物理モデルの物理予測値に対する重み付け係数を決定してもよい。

上記風力発電出力予測装置において、統計モデルに対応付けて、地形条件および気象条件に含まれるパラメータの値の範囲を格納する統計モデル格納部をさらに備え、最終モデル決定部は、統計モデルに対して入力されたパラメータの値に基づいて、統計モデルの統計予測値に対する重み付け係数を決定してもよい。

上記風力発電出力予測装置において、物理モデルに対応付けて、誤差傾向を格納する物理モデル格納部をさらに備え、最終モデル決定部は、過去の誤差傾向に基づいて、物理モデルの物理予測値に対する重み付け係数を決定してもよい。

上記風力発電出力予測装置において、一または統計モデルに対応付けて、誤差傾向を格納する統計モデル格納部をさらに備え、最終モデル決定部は、過去の誤差傾向に基づいて、統計モデルの統計予測値に対する重み付け係数を決定してもよい。

上記風力発電出力予測装置において、一または複数の物理モデルは、線形モデルまたは非線形モデルを含んでもよい。また、上記風力発電出力予測装置において、複数の統計モデルは、線形モデルまたは非線形モデルを含んでもよい。

上記風力発電出力予測装置において、複数の物理モデルの複数の物理予測値および複数の統計モデルの複数の統計予測値のばらつきに基づいて信頼性を示す指標を算出し出力する信頼性算出部をさらに備えてもよい。

本発明の第３の形態において、風力発電出力を予測するコンピュータのプログラムであって、コンピュータに、物理方程式を用いて対象地点の風力発電出力に関する物理予測値を算出する一または複数の物理モデルを準備する手順と、風力発電出力に関する統計的な統計予測値を算出する一または複数の統計モデルを準備する手順と、一または複数の物理モデルを用いて、地形条件および気象条件に基づいて物理予測値をそれぞれ算出する手順と、一または複数の統計モデルを用いて、地形条件、気象条件および物理予測値、並びに、風力発電出力に関する過去の実測値に基づいて、統計予測値をそれぞれ算出する手順と、過去の地形条件、気象条件および実測値を用いて、一または複数の物理モデルおよび一または複数の統計モデルのうちの複数について集団学習をすることにより、一または複数の物理モデルおよび一または複数の統計モデルのうちの複数を最適に組み合わせた最終モデルを決定する手順と、最終モデルを用いて、過去よりも後の特定の時刻における地形条件、気象条件および実測値に基づいて、特定の時刻における対象地点の風力発電出力の最終予測値を算出する手順とを実行させる。

上記プログラムにおいて、最終モデルを決定する手順は、集団学習により一または複数の物理モデルおよび一または複数の統計モデルのうちの複数を組み合わせて新たに統計的な予測値を算出する複数の新規モデルを作成する手順と、集団学習により複数の新規モデルを組み合わせて最終モデルを決定する手順とを有してもよい。

上記プログラムにおいて、過去の地形条件および気象条件、並びに、風力発電出力に関する過去の実測値を用いて、一または複数の物理モデルおよび一または複数の統計モデルのうちの複数について集団学習をすることにより、一または複数の物理モデルおよび一または複数の統計モデルのうちの複数から新たに統計的な予測値を算出する複数の新規モデルを作成する手順と、集団学習により複数の新規モデルを組み合わせた組合せモデルを決定する手順とをさらに実行させ、最終モデルを決定する手段は、一または複数物理モデル、一または複数の統計モデルおよび組合せモデルのうちの複数について集団学習をすることにより、一または複数の物理モデル、一または複数の統計モデルおよび組合せモデルのうちの複数を組み合わせた最終モデルを決定してもよい。

上記プログラムにおいて、最終モデルを決定する手段は、一または複数の物理モデルの物理予測値、および、一または複数の統計モデルの統計予測値、のうちの複数を重み付け平均する重み付け係数を決定する手順を含んでもよい。

上記プログラムにおいて、物理モデルを準備する手順は、物理モデルに対応付けて、地形条件および気象条件に含まれるパラメータの種類を管理する手順を有し、重み付け係数を決定する手順において、物理モデルに対して入力されたパラメータの種類に基づいて、物理モデルの物理予測値に対する重み付け係数を決定してもよい。

上記プログラムにおいて、統計モデルを準備する手順は、統計モデルに対応付けて、地形条件および気象条件に含まれるパラメータの種類を管理する手順を有し、重み付け係数を決定する手順において、統計モデルに対して入力されたパラメータの種類に基づいて、統計モデルの統計予測値に対する重み付け係数を決定してもよい。

上記プログラムにおいて、物理モデルを準備する手順は、物理モデルに対応付けて、地形条件および気象条件に含まれるパラメータの値の範囲を管理する手順を有し、重み付け係数を決定する手順において、物理モデルに対して入力されたパラメータの値に基づいて、物理モデルの物理予測値に対する重み付け係数を決定してもよい。

上記プログラムにおいて、統計モデルを準備する手順は、統計モデルに対応付けて、地形条件および気象条件に含まれるパラメータの値の範囲を管理する手順を有し、重み付け係数を決定する手順において、統計モデルに対して入力されたパラメータの値に基づいて、統計モデルの統計予測値に対する重み付け係数を決定してもよい。

上記プログラムにおいて、物理モデルを準備する手順は、物理モデルに対応付けて、誤差傾向を管理する手順を有し、重み付け係数を決定する手順において、過去の誤差傾向に基づいて、物理モデルの物理予測値に対する重み付け係数を決定してもよい。

上記プログラムにおいて、統計モデルを準備する手順は、統計モデルに対応付けて、誤差傾向を管理する手順を有し、重み付け係数を決定する手順において、過去の誤差傾向に基づいて、統計モデルの統計予測値に対する重み付け係数を決定してもよい。

上記プログラムにおいて、一または複数の物理モデルは、線形モデルまたは非線形モデルを含んでもよい。また、上記プログラムにおいて、一または複数の統計モデルは、線形モデルまたは非線形モデルを含んでもよい。

上記プログラムにおいて、複数の物理モデルの複数の物理予測値および複数の統計モデルの複数の統計予測値のばらつきに基づいて信頼性を示す指標を算出し出力する手順をさらに備えてもよい。

なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではなく、これらの特徴群のサブコンビネーションもまた、発明となりうる。

本発明によれば、予測に用いる複数の物理モデルおよび複数の統計モデルを、集団学習により最適化して組み合わせるので、風力発電出力をより高い精度で予測することができる。

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではなく、また実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

図１は、本発明の実施形態にかかる風力発電出力予測装置１０を含むシステムを模式的に示す。風力発電出力予測装置１０は、風力発電出力予測装置１０を制御するプログラムを実行する本体１２と、表示画面を有しユーザに対して本体１２からの出力に基づく表示をするディスプレイ１４と、ユーザから本体１２に対する入力手段の一例としてのキーボード１６及びマウス１８とを備える。風力発電出力予測装置１０は通信ネットワーク６０を介して、風力発電出力実測装置３０、気象データ配信装置４０および地形条件配信装置５０に接続される。風力発電出力予測装置１０は、複数の物理モデルおよび複数の統計モデルを組み合わせることにより、風力発電出力をより正確に予測することを目的とする。

風力発電出力実測装置３０は、予め定められた時刻の風力発電出力の実測値を取得する。さらに、風力発電出力実測装置３０は、取得した実測値を上記時刻に対応付けて、通信ネットワーク６０を介して、風力発電出力予測装置１０へ送信する。

気象データ配信装置４０は、予め定められた時刻の気象情報を配信する。例えば、気象データ配信装置４０は、約２０キロメッシュ毎に気温、湿度、気圧面高度、風速（南北・東西成分）等を上記時刻に対応付けて、通信ネットワーク６０を介して、風力発電出力予測装置１０へ送信する。

地形条件配信装置５０は、標高データ、土地利用データ等の地形条件を配信する。地形条件配信装置５０は、地形条件として、例えば、約１００メートルメッシュ毎に粗度、アルベド（反射能）、蒸発効率等を、通信ネットワーク６０を介して、風力発電出力予測装置１０へ送信する。風力発電出力予測装置１０は、地形条件配信装置５０からこれらの地形条件を受信することに替えて、非図示の記憶媒体を介して、これらのデータを取得してもよい。

図２は、本体１２の一例をブロック図で示す。図３は、予測値およびモデルの関係を模式的に示す。図２に示すように、本体１２は、物理モデル記憶部１００、統計モデル記憶部１１０、物理予測部１２０、統計予測部１３０、最終予測部１４０、信頼性算出部１４２、実測値取得部１５０、最終モデル決定部１６０および組み合わせ記憶部２００を備える。

物理モデル記憶部１００は、地形条件および気象条件から、物理方程式を用いて対象地点の風速および風向の予測値を算出する複数の物理モデルＡ１、Ａ２、Ａ３を記憶する。物理モデル記憶部１００は、これら複数の物理モデルとして、線形モデルＡ１、Ａ２および非線形モデルＡ３を記憶することが好ましい。これにより、線形モデルと非線形モデルとで互いに不得意な部分を補完しあって、より正確な予測値を算出することができる。以下、物理モデルにより算出される予測値を物理予測値という。

統計モデル記憶部１１０は、風力発電出力に関する統計的な予測値を算出する複数の統計モデルＢ１、Ｂ２、Ｂ３を記憶する。統計モデル記憶部１１０は、複数の統計モデルとして、線形モデルＢ１、Ｂ２および非線形モデルＢ３を記憶することが好ましい。これにより、線形モデルと非線形モデルとで互いに不得意な部分を補完しあって、より正確な補正値を算出することができる。以下、統計モデルにより算出される予測値を統計予測値という。

本体１２は、通信ネットワーク６０を介して、複数の物理モデルＡ１、Ａ２、Ａ３を取得して、物理モデル記憶部１００に記憶すると共に、複数の統計モデルＢ１、Ｂ２、Ｂ３を取得して、統計モデル記憶部１１０に記憶する。

組み合わせ記憶部２００は、対象地点に対応付けて、物理モデルおよび統計モデルの組み合わせを記憶する。図３に示す形態では、組み合わせ記憶部２００は、対象地点に対応付けて、物理モデル別の物理予測値および統計モデル別の統計予測値を重み付け平均するそれぞれの重み付け係数Ｃ１、Ｃ２、・・・Ｃ１５を記憶する。

物理予測部１２０は、複数の物理モデルＡ１、Ａ２、Ａ３を用いて、地形条件および気象条件に基づいて対象地点の風速および風向の予測値を算出し、その対象地点の風力発電出力の予測値ａ１、ａ２、ａ３に変換して出力する。具体的には、まず、物理予測部１２０は、通信ネットワーク６０を介して地形条件配信装置５０または気象データ配信装置４０から、地形条件および気象条件を取得する。物理予測部１２０は、取得した地形条件および気象条件を、物理モデル記憶部１００に記憶された物理モデルＡ１に入力して、物理モデルＡ１における対象地点別の風速および風向の予測値を算出する。物理予測部１２０は、この風速および風向の予測値と、対象地点それぞれの発電機または発電所の仕様とに基づいて、物理モデルＡ１における対象地点別の風力発電出力の予測値ａ１を算出する。同様に、物理予測部１２０は、物理モデルＡ２、Ａ３を用いて対象地点別の風力発電出力の予測値ａ２、ａ３を算出する。物理予測部１２０は、算出した風力発電出力のそれぞれの予測値ａ１、ａ２、ａ３を、統計予測部１３０、および、最終予測部１４０に出力する。なお、物理予測部１２０は、気象データ配信装置４０等にかえてまたは加えて、キーボード１６またはマウス１８を介して入力された情報を地形条件および気象条件として取得してもよい。

統計予測部１３０は、複数の統計モデルＢ１、Ｂ２、Ｂ３を用いて、複数の物理モデルＡ１、Ａ２、Ａ３により算出された風力発電出力の物理予測値ａ１、ａ２、ａ３を統計的に補正したそれぞれの統計予測値を算出する。具体的には、まず、統計予測部１３０は、物理予測部１２０から風力発電出力のそれぞれの物理予測値ａ１、ａ２、ａ３を取得する。統計予測部１３０は、物理モデルＡ１の風力発電出力の物理予測値ａ１を、統計モデル記憶部１１０に記憶された統計モデルＢ１に入力して、物理モデルＡ１および統計モデルＢ１における、対象地点別の風力発電出力の統計予測値ａ１−ｂ１を算出する。同様に統計予測部１３０は、物理モデルＡ２、Ａ３の風力発電出力の物理予測値ａ２、ａ３を、統計モデル記憶部１１０に記憶された統計モデルＢ１に入力して、物理モデルＡ１、Ａ２および統計モデルＢ１における、対象地点別の風力発電出力の統計予測値ａ２−ｂ１、ａ２−ｂ１、ａ３−ｂ１を算出する。さらに同様に統計予測部１３０は、物理モデルＡ１、Ａ２、Ａ３の風力発電出力の物理予測値ａ１、ａ２、ａ３を、統計モデルＢ２、Ｂ３に入力して、対象地点別の風力発電出力の統計予測値ａ１−ｂ２、ａ２−ｂ２、・・・ａ３−ｂ３を算出する。

さらに、統計予測部１３０は、複数の統計モデルＢ１、Ｂ２、Ｂ３を用いて、地形条件および気象条件、並びに、過去の風力発電出力の実測値のすくなくともいずれか一つから対象地点の風力発電出力の統計予測値を算出する。この場合に、まず、統計予測部１３０は、気象条件の一例として過去の風速および風向の実測値を気象データ配信装置４０から物理予測部１２０を介して取得する。さらに、統計予測部１３０は、過去の風速および風向の実測値から、統計モデル記憶部１１０に記憶された統計モデルＢ１を用いて風力発電出力の統計予測値ｂ１を算出する。同様に、統計予測部１３０は、過去の風速および風向の実測値から、統計モデルＢ２、Ｂ３を用いて風力発電出力の統計予測値ｂ２、ｂ３を算出する。また上記の過去の風速および風力に代えて、統計予測部１３０は、過去の風力発電出力を風力発電出力実測装置３０から取得して、複数の統計モデルＢ１、Ｂ２、Ｂ３を用いて、対象地点の風力発電出力の統計予測値を算出してもよい。

最終予測部１４０は、複数の物理モデルの物理予測値ａ１、ａ２、ａ３、複数の統計モデルの統計予測値ａ１−ｂ１、ａ２−ｂ１、・・・ａ３−ｂ３、ｂ１、ｂ２、ｂ３を最終モデルに基づいて組み合わせることにより、特定の時刻におけるある対象地点の風力発電出力の最終予測値を算出する。図３に示す形態においては、まず、最終予測部１４０は、特定の時刻におけるある対象地点について、物理予測部１２０から物理予測値を、統計予測部１３０から統計予測値を取得する。また、最終予測部１４０は、組み合わせ記憶部２００からその対象地点に係る物理モデルおよび統計モデルのそれぞれの重み付け係数Ｃ１、Ｃ２、・・・Ｃ１５を取得する。最終予測部１４０は、物理モデル別の物理予測値ａ１、ａ２、ａ３、および、統計モデル別の統計予測値ａ１−ｂ１、ａ２−ｂ１、・・・ａ３−ｂ３、ｂ１、ｂ２、ｂ３を重み付け係数Ｃ１、Ｃ２、・・・Ｃ１５で重み付け平均することにより、特定の時刻におけるある対象地点の風力発電出力の最終予測値を算出する。

信頼性算出部１４２は、複数の物理モデルの複数の物理予測値ａ１、ａ２、ａ３、複数の統計モデルの複数の統計予測値ａ１−ｂ１、ａ２−ｂ１、・・・ａ３−ｂ３、ｂ１、ｂ２、ｂ３の値を最終予測部１４０から受け取り、これらのばらつきに基づいて信頼性を示す指標を算出し、最終予測部１４０に出力する。ここで、信頼性を示す指標の一例は、上記物理予測値および統計予測値の分散である。ただし、これに限られず、値のばらつきを示す他の指標であってもよい。なお、信頼性算出部１４２は、複数の物理モデルの複数の物理予測値ａ１、ａ２、ａ３の信頼性と、複数の統計モデルの複数の統計予測値ａ１−ｂ１、ａ２−ｂ１、・・・ａ３−ｂ３、ｂ１、ｂ２、ｂ３の信頼性とをそれぞれ算出してもよい。

実測値取得部１５０は、通信ネットワーク６０を介して風力発電出力実測装置３０から、時刻別、対象地点別の風力発電出力の実測値を取得する。実測値取得部１５０は、取得した風力発電出力の実測値を最終モデル決定部１６０に供給する。なお、実測値取得部１５０は、風力発電出力実測装置３０にかえてまたは加えて、キーボード１６またはマウス１８を介して入力された情報を風力発電出力の実測値として取得してもよい。

最終モデル決定部１６０は、過去の前記地形条件、気象条件および実測値を用いて、複数の物理モデルＡ１、Ａ２、Ａ３および複数の統計モデルＢ１、Ｂ２、Ｂ３について集団学習をすることにより、複数の物理モデルＡ１、Ａ２、Ａ３および複数の統計モデルＢ１、Ｂ２、Ｂ３を最適に組み合わせた最終モデルを決定する。最終モデル決定部１６０は、一例として、過去の実測値を例題として集団学習をすることにより、当該実測値と予測値の誤差を小さくする複数の物理モデルおよび複数の統計モデルの線形結合の重み付け係数Ｃ１、Ｃ２、・・・Ｃ１５を決定する。さらに、最終モデル決定部１６０は、これらの重み付け係数Ｃ１、Ｃ２、・・・Ｃ１５を組み合せ記憶部２００に格納する。

記憶媒体７０は、物理モデル記憶部１００、統計モデル記憶部１１０、物理予測部１２０、統計予測部１３０、最終予測部１４０、実測値取得部１５０、最終モデル算出部１６０、および、組み合わせ記憶部２００の動作を行わせるプログラムを格納する。本体１２は記憶媒体７０に格納された上記プログラムをインストールすることにより、物理モデル記憶部１００等の動作を行わせてもよい。さらに、他の方法として、本体１２は、そのようなプログラムを、通信ネットワーク６０を介して取得してもよい。また、記憶媒体７０は、複数の物理モデル、および、複数の統計モデルを格納してもよい。記憶媒体７０が複数の物理モデル等を格納する場合には、本体１２は、通信ネットワーク６０を介して、複数の物理モデル等を取得することにかえて、記憶媒体７０から複数の物理モデル等を取得してもよい。

図４は、本体１２の動作をフローチャートで示す。本フローチャートにより、ある対象地域の最終予測値を日次で算出する動作を説明する。また、一例として、本体１２が、実測値と予測値の誤差を小さくする複数の物理モデルおよび複数の統計モデルの線形結合により、最終予測値を算出する場合について説明する。

まず、最終モデル決定部１６０は、最終予測部１４０を介して、前日の物理予測値ａ１、ａ２、ａ３、ｂ１、ｂ２、ｂ３、および、統計予測値ａ１−ｂ１、ａ２−ｂ１、・・・ａ３−ｂ３を取得する（Ｓ１００）。また、最終モデル決定部１６０は、実測値取得部１５０を介して、前日の実測値を取得する（Ｓ１０２）。

最終モデル決定部１６０は、物理モデルおよび統計モデルのそれぞれの重み付け係数を決定する（Ｓ１０６）。この場合に、最終モデル決定部１６０は、特定の時刻におけるある対象地点について、重み付け係数Ｃ１、Ｃ２、・・・Ｃ１５を変更し、変更後に算出する風力発電出力の最終予測値と実測値との誤差がより小さくなるときのそれぞれの重み付け係数Ｃ１、Ｃ２、・・・Ｃ１５を算出する。例えば、最終モデル決定部１６０は、組み合わせ記憶部２００を参照し、重み付け係数Ｃ１、Ｃ２、・・・Ｃ１５の総和を１に保つ拘束条件の下で、その対象地点のそれぞれの重み付け係数Ｃ１、Ｃ２、・・・Ｃ１５を微小に変化させて、最終予測値と実測値の誤差がより小さくなる重み付け係数Ｃ１、Ｃ２、・・・Ｃ１５の組み合わせを決定する。この場合に、既知の統計的手法、例えばＭｏＥ（Ｍｉｘｔｕｒｅ ｏｆ Ｅｘｐｅｒｔｓ）等が用いられてもよい。そして最終モデル決定部１６０は、その対象地点について、組み合わせ記憶部２００に記憶されているそれぞれの重み付け係数を、新たに算出したそれぞれの重み付け係数に更新する。

物理予測部１２０は、地形条件および本日の気象条件を各物理モデルＡ１、Ａ２、Ａ３に適用することにより、物理予測値ａ１、ａ２、ａ３を算出して、統計予測部１３０および最終予測部１４０に出力する（Ｓ１０８）。統計予測部１３０は、地形条件、本日の気象条件、上記物理予測値ａ１、ａ２、ａ３、および、前日の実測値の少なくともいずれかを用いて、各統計モデルＢ１、Ｂ２、Ｂ３により本日の統計予測値ａ１−ｂ１、ａ２−ｂ１、・・・ａ３−ｂ３、ｂ１、ｂ２、ｂ３を算出して、最終予測部１４０に出力する（Ｓ１１０）。

次に、信頼性算出部１４２は、複数の物理モデルの複数の物理予測値ａ１、ａ２、ａ３、複数の統計モデルの複数の統計予測値ａ１−ｂ１、ａ２−ｂ１、・・・ａ３−ｂ３、ｂ１、ｂ２、ｂ３の値を最終予測部１４０から受け取り、これらのばらつきに基づいて信頼性を示す指標を算出し、最終予測部１４０に出力する（Ｓ１１１）。

最終予測部１４０は、本日の最終予測値を算出する（Ｓ１１２）。この場合に、まず、最終予測部１４０は、物理予測部１２０から本日のそれぞれの物理予測値ａ１、ａ２、ａ３、および、統計予測部１３０から本日のそれぞれの統計予測値ａ１−ｂ１、ａ２−ｂ１、・・・ａ３−ｂ３、ｂ１、ｂ２、ｂ３を取得する。また、最終予測部１４０は、組み合わせ記憶部２００から、ステップＳ１０６において更新されている重み付け係数を取得する。最終予測部１４０は、この重み付け係数Ｃ１、Ｃ２、・・・Ｃ１５と、それぞれの物理予測値ａ１、ａ２、ａ３と、それぞれの統計予測値ａ１−ｂ１、ａ２−ｂ１、・・・ａ３−ｂ３、ｂ１、ｂ２、ｂ３とから、本日の最終予測値を算出する。最終予測部１４０は、算出した本日の最終予測値をディスプレイ１４に表示する。そして本フローチャートは終了する。

本フローチャートに示すように、最終予測部１４０は、対象地点の特定の時刻における物理モデルおよび統計モデルの組み合わせにより、特定の時刻よりも後の時刻について、その対象地点の最終予測値を算出する。これにより、前回の実測値との誤差に基づいて、今回の予測に用いる複数の物理モデルの予測値、および、複数の統計モデルの補正値および予測値の組み合わせを最適化するので、風力発電出力の最終予測値の誤差を小さくすることができる。

図５および図６は、本体１２の他の実施形態に用いられる情報を示す。図５は、物理モデル記憶部１００に記憶される情報を示し、図６は、統計モデル記憶部１１０に記憶される情報を示す。なお、図１から図４に示す実施形態と同じ構成については、説明を省略する。

図５に示す物理モデル記憶部１００は、複数の物理モデルのそれぞれに対応付けて、地形条件および前記気象条件に含まれるパラメータの種類、および、パラメータの値を記憶する。同様に、図６に示す統計モデル記憶部１１０は、複数の統計モデルのそれぞれに対応付けて、誤差傾向を記憶する。

図５に示す実施形態において、最終モデル決定部１６０は、物理モデルに対して入力されたパラメータの種類に基づいて、物理モデルの物理予測値に対する重み付け係数を更新する。具体的には、物理モデル記憶部１００が図５に示すパラメータの種類を記憶している場合に、物理予測部１２０が「パラメータ２（蒸発効率）」を取得したときは、最終モデル決定部１６０は、「パラメータ２（蒸発効率）」を使用しない物理モデルＡ２、Ａ３を用いて算出される物理予測値の重み付け係数を「０」とし、「パラメータ２（蒸発効率）」を使用する物理モデルＡ１を用いて算出される物理予測値の重み付け係数を算出する。これにより、入力されたパラメータの種類に応じて、物理モデルの物理予測値に対する重み付け平均の重み付け係数を最適化するので、風力発電出力の最終予測値の誤差を小さくすることができる。

また、最終モデル決定部１６０は、物理モデルに対して入力されたパラメータの値に基づいて、物理モデルの物理予測値に対する重み付け係数を更新する。例えば、物理モデル記憶部１００が図５に示すパラメータの種類を記憶している場合に、物理予測部１２０が、「パラメータ１（地形の傾斜）」の値「Ｙ度（Ｚ度＞Ｙ度＞Ｘ度）」を取得したときは、最終モデル決定部１６０は、「パラメータ１（地形の傾斜）」の値「Ｙ度」を使用可能な範囲としない物理モデルＡ３を用いて算出される物理予測値の重み付け係数を「０」とし、「パラメータ１（地形の傾斜）」の値「Ｙ度」を使用可能な範囲とする物理モデルＡ１、Ａ２を用いて算出される物理予測値の重み付け係数を算出する。これにより、入力されたパラメータの値に応じて、物理モデルの物理予測値に対する重み付け平均の重み付け係数を最適化するので、風力発電出力の最終予測値の誤差を小さくすることができる。

さらに、最終モデル決定部１６０は、誤差傾向に基づいて、統計モデルの統計予測値に対する重み付け係数を更新する。例えば、統計モデル記憶部１１０が図６に示す誤差傾向を記憶している場合に、最終モデル決定部１６０は、誤差傾向を「年間を通じて一定である」と判断したときは、統計モデルＢ２、Ｂ３を用いて算出される統計予測値の重み付け係数を「０」とし、統計モデルＢ１を用いて算出される統計予測値の重み付け係数を算出する。これにより、誤差傾向に基づいて、統計モデルの統計予測値に対する重み付け平均の重み付け係数を最適化するので、風力発電出力の最終予測値の誤差を小さくすることができる。

なお、図５および図６に示す実施形態において、地形条件および前記気象条件に含まれるパラメータの種類、および、パラメータの値に対応付けて物理モデルが記憶され、当該パラメータの種類、および、パラメータの値に基づいて、物理モデルの物理予測値の重み付け係数が更新されたが、これに限られない。例えばこれに代えてまたは加えて、地形条件および前記気象条件に含まれるパラメータの種類、および、パラメータの値に対応付けて統計モデルが記憶され、当該パラメータの種類、および、パラメータの値に基づいて、統計モデルの統計予測値の重み付け係数が更新されてもよい。同様に、図５および図６に示す実施形態において、誤差傾向に対応付けて統計モデルが記憶され、当該誤差傾向に基づいて、統計モデルの統計予測値の重み付け係数が更新されたが、これに限られない。例えばこれに代えてまたは加えて、誤差傾向に対応付けて物理モデルが記憶され、当該誤差傾向に基づいて、物理モデルの物理予測値の重み付け係数が更新されてもよい。

図１から図６の実施形態において、最終モデル決定部１６０は、物理モデル記憶部１００に記憶された複数の物理モデルの物理予測値、および、統計モデル記憶部１１０に記憶された複数の統計モデルの統計予測値に重み付けして結合する最終モデルを決定した。しかし、最終モデル決定部１６０が最終モデルを決定する方法はこれに限られない。

図７は、最終モデル決定部１６０が最終モデルを決定する他の実施形態における、予測値およびモデルの関係を模式的に示す。この実施形態において、最終モデル決定部１６０は、複数の物理モデルＡ１、Ａ２、Ａ３および複数の統計モデルＢ１、Ｂ２、Ｂ３から、集団学習によって複数の新規モデルＤ１、Ｄ２、・・・Ｄｎを作成し、当該複数の新規モデルＤ１、Ｄ２、・・・Ｄｎを組み合わせて最終モデルを決定する。なお、この実施形態において、図１から図６の実施形態と同じ構成および動作については、説明を省略する。

図８は、図７の実施形態における本体１２の動作を示すフローチャートである。図８のフローチャートにおいて、まず、図４のフローチャートと同様に、最終モデル決定部１６０は、各予測値および実測値を取得する（Ｓ１００、Ｓ１０２）。

次に、最終モデル決定部１６０は、物理モデル記憶部１００に記憶された複数の物理モデルＡ１、Ａ２、Ａ３、および、統計モデル記憶部１１０に記憶された複数の統計モデルＢ１、Ｂ２、Ｂ３から、過去の実測値を例題として、集団学習により複数の新規モデルＤ１、Ｄ２、・・・Ｄｎを作成する（Ｓ１０４）。さらに、最終モデル決定部１６０は、過去の実測値を例題として、集団学習により複数の新規モデルＤ１、Ｄ２、・・・Ｄｎを線形結合する重み付け係数Ｅ１、Ｅ２、・・・Ｅｎを決定することにより、最終モデルを決定する（Ｓ１０７）。上記ステップＳ１０４、Ｓ１０６において、既知の統計的手法、例えばブースティング等が用いられてもよい。最終モデル決定部１６０は、複数の新規モデルＤ１、Ｄ２、・・・Ｄｎおよびそれらの重み付け係数Ｅ１、Ｅ２、・・・Ｅｎを組み合わせ記憶部２００に記憶する。上記最終モデル決定部１６０により決定された最終モデルを用いて最終予測値を算出する手順（Ｓ１０８からＳ１１２）は、図４のフローチャートと同じであるので、説明を省略する。

以上、図７および図８に示す実施形態によれば、複数の物理モデルＡ１、Ａ２、Ａ３および複数の統計モデルＢ１、Ｂ２、Ｂ３から、集団学習によって複数の新規モデルＤ１、Ｄ２、・・・Ｄｎを作成する。よって、予め準備する複数の物理モデルＡ１、Ａ２、Ａ３および複数の統計モデルＢ１、Ｂ２、Ｂ３の数が少ない場合およびこれらのモデルにおいて変更できるパラメータの数が少ない場合においても、より精度の高い最終モデルを決定することができる。

図９は、さらに他の実施形態におけるブロック図を示す。図１０は、図９の実施形態における、予測値およびモデルの関係を模式的に示す。この実施形態の本体１２は、図１から図６の実施形態に加えて、組み合わせモデル決定部２１０を有する。なお、この実施形態において、図１から図６の実施形態と同じ構成および動作については、説明を省略する。

組み合わせモデル決定部２１０は、図７および図８の最終モデル決定部１６０において最終モデルが決定される手法と同じ手法を用いて、新たな統計モデルＤｘを作成する。すなわち、組み合わせモデル決定部２１０は、複数の物理モデルＡ１、Ａ２、Ａ３および複数の統計モデルＢ１、Ｂ２、Ｂ３から、集団学習によって複数の新規モデルＤ１、Ｄ２、・・・Ｄｎを作成し、当該複数の新規モデルＤ１、Ｄ２、・・・Ｄｎを組み合わせて新たな統計モデルＤｘを決定する。さらに組み合わせモデル決定部２１０は、新たな統計モデルＤｘを統計モデル記憶部１１０に記憶する。

統計予測部１３０、最終予測部１４０および最終モデル決定部１６０は、組み合わせモデル決定部２１０により決定された新たな統計モデルＤｘを、予め準備された統計モデルＢ１、Ｂ２、Ｂ３に加えて、図１から図６の実施形態と同様の動作を行う。この本実施形態によれば、より精度の高い最終モデルを決定することができる。

以上、図１から図１０の実施形態によれば、前回の実測値等に基づいて、集団学習により、今回の予測に用いる複数の物理モデルおよび複数の統計モデルの組み合わせを最適化する。よって、風力発電出力をより高い精度で予測することができる。

なお、本実施例において、３種類の物理モデルおよび３種類の統計モデルを用いて最終モデルが決定されるが、物理モデルおよび統計モデルの種類はこれに限られず、全体として複数のモデルが組み合わされればよい。例えば、１種類の物理モデルおよび２種類以上の物理モデルの組み合わせ、２種類以上の物理モデルおよび１種類の統計モデルの組み合わせ、または、２種類以上の物理モデルおよび２種類以上の統計モデルの組み合わせにより最終モデルが決定されてもよい。

また、本実施例において、統計予測部１３０は、物理モデルにより算出された風力発電出力の物理予測値を統計的に補正したそれぞれの統計予測値を算出したが、これにかえて、統計予測部１３０は、物理モデルにより算出された風速および風向の物理予測値を統計的に補正したそれぞれの統計予測値を算出し、風力発電出力の予測値に変換して出力してもよい。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

風力発電出力予測装置１０等を模式的に示す。 本体１２の一例をブロック図で示す。 予測値およびモデルの関係を模式的に示す。 本体１２の動作をフローチャートで示す。 他の実施形態において物理モデル記憶部１００に記憶される情報を示す。 他の実施形態において統計モデル記憶部１１０に記憶される情報を示す。 他の実施形態における、予測値およびモデルの関係を模式的に示す。 図７の実施形態における本体１２の動作を示すフローチャートである。 さらに他の実施形態における本体１２のブロック図を示す。 図９の実施形態における、予測値およびモデルの関係を模式的に示す。

符号の説明

１０ 風力発電出力予測装置、１２ 本体、１４ ディスプレイ、１６ キーボード、１８ マウス、３０ 風力発電出力実測装置、４０ 気象データ配信装置、５０ 地形条件配信装置、６０ 通信ネットワーク、７０ 記憶媒体、１００ 物理モデル記憶部、１１０ 統計モデル記憶部、１２０ 物理予測部、１３０ 統計予測部、１４０ 最終予測部、１４２ 信頼性算出部、１５０ 実測値取得部、１６０ 最終モデル決定部、２００ 組み合わせ記憶部、組み合わせモデル決定部２１０

Claims (39)

1. 物理方程式を用いて対象地点の風力発電出力に関する物理予測値を算出する一または複数の物理モデルを準備する手順と、
   前記風力発電出力に関する統計的な統計予測値を算出する一または複数の統計モデルを準備する手順と、
   前記一または複数の物理モデルを用いて、地形条件および気象条件に基づいて前記物理予測値をそれぞれ算出する手順と、
   前記一または複数の統計モデルを用いて、前記地形条件、前記気象条件および前記物理予測値、並びに、前記風力発電出力に関する過去の実測値に基づいて、前記統計予測値をそれぞれ算出する手順と、
   過去の前記地形条件、前記気象条件および前記実測値を用いて、前記一または複数の物理モデルおよび前記一または複数の統計モデルのうちの複数について集団学習をすることにより、前記一または複数の物理モデルおよび前記一または複数の統計モデルのうちの複数を最適に組み合わせた最終モデルを決定する手順と、
   前記最終モデルを用いて、前記過去よりも後の特定の時刻における地形条件、気象条件および実測値に基づいて、前記特定の時刻における前記対象地点の風力発電出力の最終予測値を算出する手順と
   を備える風力発電出力予測方法。
2. 前記最終モデルを決定する手順は、
   前記集団学習により前記一または複数の物理モデルおよび前記一または複数の統計モデルのうちの複数を組み合わせて新たに統計的な予測値を算出する複数の新規モデルを作成する手順と、
   前記集団学習により前記複数の新規モデルを組み合わせて前記最終モデルを決定する手順と
   を有する請求項１に記載の風力発電出力予測方法。
3. 過去の前記地形条件および前記気象条件、並びに、前記風力発電出力に関する過去の実測値を用いて、前記一または複数の物理モデルおよび前記一または複数の統計モデルのうちの複数について集団学習をすることにより、前記一または複数の物理モデルおよび前記一または複数の統計モデルのうちの複数から新たに統計的な予測値を算出する複数の新規モデルを作成する手順と、
   前記集団学習により前記複数の新規モデルを組み合わせた組合せモデルを決定する手順と
   をさらに備え、
   前記最終モデルを決定する手段は、前記一または複数の物理モデル、前記一または複数の統計モデルおよび前記組合せモデルのうちの複数について集団学習をすることにより、前記一または複数の物理モデル、前記一または複数の統計モデルおよび前記組合せモデルのうちの複数を組み合わせた最終モデルを決定する請求項１に記載の風力発電出力予測方法。
4. 前記最終モデルを決定する手段は、前記一または複数の物理モデルの前記物理予測値、および、前記一または複数の統計モデルの前記統計予測値、のうちの複数を重み付け平均する重み付け係数を決定する手順を含む請求項１に記載の風力発電出力予測方法。
5. 前記物理モデルを準備する手順は、前記物理モデルに対応付けて、前記地形条件および前記気象条件に含まれるパラメータの種類を管理する手順を有し、
   前記重み付け係数を決定する手順において、前記物理モデルに対して入力された前記パラメータの種類に基づいて、前記物理モデルの前記物理予測値に対する前記重み付け係数を決定する請求項４に記載の風力発電出力予測方法。
6. 前記統計モデルを準備する手順は、前記統計モデルに対応付けて、前記地形条件および前記気象条件に含まれるパラメータの種類を管理する手順を有し、
   前記重み付け係数を決定する手順において、前記統計モデルに対して入力された前記パラメータの種類に基づいて、前記統計モデルの前記統計予測値に対する前記重み付け係数を決定する請求項４または５に記載の風力発電出力予測方法。
7. 前記物理モデルを準備する手順は、前記物理モデルに対応付けて、前記地形条件および前記気象条件に含まれるパラメータの値の範囲を管理する手順を有し、
   前記重み付け係数を決定する手順において、前記物理モデルに対して入力された前記パラメータの値に基づいて、前記物理モデルの前記物理予測値に対する前記重み付け係数を決定する請求項４に記載の風力発電出力予測方法。
8. 前記統計モデルを準備する手順は、前記統計モデルに対応付けて、前記地形条件および前記気象条件に含まれるパラメータの値の範囲を管理する手順を有し、
   前記重み付け係数を決定する手順において、前記統計モデルに対して入力された前記パラメータの値に基づいて、前記統計モデルの前記統計予測値に対する前記重み付け係数を決定する請求項４または７に記載の風力発電出力予測方法。
9. 前記物理モデルを準備する手順は、前記物理モデルに対応付けて、誤差傾向を管理する手順を有し、
   前記重み付け係数を決定する手順において、過去の誤差傾向に基づいて、前記物理モデルの前記物理予測値に対する前記重み付け係数を決定する請求項４に記載の風力発電出力予測方法。
10. 前記統計モデルを準備する手順は、前記統計モデルに対応付けて、誤差傾向を管理する手順を有し、
    前記重み付け係数を決定する手順において、過去の誤差傾向に基づいて、前記統計モデルの前記統計予測値に対する前記重み付け係数を決定する請求項４または９に記載の風力発電出力予測方法。
11. 前記一または複数の物理モデルは、線形モデルまたは非線形モデルを含む請求項１から１０のいずれかに記載の風力発電出力予測方法。
12. 前記一または複数の統計モデルは、線形モデルまたは非線形モデルを含む請求項１から１１のいずれかに記載の風力発電出力予測方法。
13. 前記複数の物理モデルの複数の前記物理予測値および前記複数の統計モデルの複数の前記統計予測値のばらつきに基づいて信頼性を示す指標を算出し出力する手順をさらに備える請求項１に記載の風力発電出力予測方法。
14. 物理方程式を用いて対象地点の風力発電出力に関する物理予測値を算出する一または複数の物理モデルを取得し、前記複数の物理モデルを用いて、地形条件および気象条件に基づいて前記物理予測値をそれぞれ算出する物理予測部と、
    前記風力発電出力に関する統計的な統計予測値を算出する一または複数の統計モデルを取得し、前記複数の統計モデルを用いて、前記地形条件、前記気象条件および前記物理予測値、並びに、前記風力発電出力に関する過去の実測値に基づいて、前記統計予測値をそれぞれ算出する統計予測部と、
    過去の前記地形条件、前記気象条件および前記実測値を用いて、前記一または複数の物理モデルおよび前記一または複数の統計モデルのうちの複数について集団学習をすることにより、前記一または複数の物理モデルおよび前記一または複数の統計モデルのうちの複数を最適に組み合わせた最終モデルを決定する最終モデル決定部と、
    前記最終モデルを用いて、前記過去よりも後の特定の時刻における地形条件、気象条件および実測値に基づいて、前記特定の時刻における前記対象地点の風力発電出力の最終予測値を算出する最終予測部と
    を備える風力発電出力予測装置。
15. 前記最終モデル決定部は、
    前記集団学習により前記一または複数の物理モデルおよび前記一または複数の統計モデルのうちの複数を組み合わせて新たに統計的な予測値を算出する複数の新規モデルを作成し、前記集団学習により前記複数の新規モデルを組み合わせて前記最終モデルを決定する請求項１４に記載の風力発電出力予測装置。
16. 過去の前記地形条件および前記気象条件、並びに、前記風力発電出力に関する過去の実測値を用いて、前記一または複数の物理モデルおよび前記一または複数の統計モデルのうちの複数について集団学習をすることにより、前記一または複数の物理モデルおよび前記一または複数の統計モデルのうちの複数から新たに統計的な予測値を算出する複数の新規モデルを作成し、前記集団学習により前記複数の新規モデルを組み合わせた組合せモデルを決定する組合せモデル決定部をさらに備え、
    前記最終モデル決定部は、前記一または複数の物理モデル、前記一または複数の統計モデルおよび前記組合せモデルのうちの複数について集団学習をすることにより、前記一または複数の物理モデル、前記一または複数の統計モデルおよび前記組合せモデルのうちの複数を組み合わせた最終モデルを決定する請求項１４に記載の風力発電出力予測装置。
17. 前記最終モデル決定部は、前記一または複数の物理モデルの前記物理予測値、および、前記一または複数の統計モデルの前記統計予測値、のうちの複数を重み付け平均する重み付け係数を決定する請求項１４に記載の風力発電出力予測装置。
18. 前記物理モデルに対応付けて、前記地形条件および前記気象条件に含まれるパラメータの種類を格納する物理モデル格納部をさらに備え、
    前記最終モデル決定部は、前記物理モデルに対して入力された前記パラメータの種類に基づいて、前記物理モデルの前記物理予測値に対する前記重み付け係数を決定する請求項１７に記載の風力発電出力予測装置。
19. 前記統計モデルに対応付けて、前記地形条件および前記気象条件に含まれるパラメータの種類を格納する統計モデル格納部をさらに備え、
    前記最終モデル決定部は、前記統計モデルに対して入力された前記パラメータの種類に基づいて、前記統計モデルの前記統計予測値に対する前記重み付け係数を決定する請求項１７または１８に記載の風力発電出力予測装置。
20. 前記物理モデルに対応付けて、前記地形条件および前記気象条件に含まれるパラメータの値の範囲を格納する物理モデル格納部をさらに備え、
    前記最終モデル決定部は、前記物理モデルに対して入力された前記パラメータの値に基づいて、前記物理モデルの前記物理予測値に対する前記重み付け係数を決定する請求項１７に記載の風力発電出力予測装置。
21. 前記統計モデルに対応付けて、前記地形条件および前記気象条件に含まれるパラメータの値の範囲を格納する統計モデル格納部をさらに備え、
    前記最終モデル決定部は、前記統計モデルに対して入力された前記パラメータの値に基づいて、前記統計モデルの前記統計予測値に対する前記重み付け係数を決定する請求項１７または２０に記載の風力発電出力予測装置。
22. 前記物理モデルに対応付けて、誤差傾向を格納する物理モデル格納部をさらに備え、
    前記最終モデル決定部は、過去の誤差傾向に基づいて、前記物理モデルの前記物理予測値に対する前記重み付け係数を決定する請求項１７に記載の風力発電出力予測装置。
23. 前記統計モデルに対応付けて、誤差傾向を格納する統計モデル格納部をさらに備え、
    前記最終モデル決定部は、過去の誤差傾向に基づいて、前記統計モデルの前記統計予測値に対する前記重み付け係数を決定する請求項１７または２２に記載の風力発電出力予測装置。
24. 前記一または複数の物理モデルは、線形モデルまたは非線形モデルを含む請求項１４から２３のいずれかに記載の風力発電出力予測装置。
25. 前記一または複数の統計モデルは、線形モデルまたは非線形モデルを含む請求項１４から２４のいずれかに記載の風力発電出力予測装置。
26. 前記複数の物理モデルの複数の前記物理予測値および前記複数の統計モデルの複数の前記統計予測値のばらつきに基づいて信頼性を示す指標を算出し出力する信頼性算出部をさらに備える請求項１４に記載の風力発電出力予測装置。
27. 風力発電出力を予測するコンピュータのプログラムであって、前記コンピュータに、
    物理方程式を用いて対象地点の風力発電出力に関する物理予測値を算出する一または複数の物理モデルを準備する手順と、
    前記風力発電出力に関する統計的な統計予測値を算出する一または複数の統計モデルを準備する手順と、
    前記一または複数の物理モデルを用いて、地形条件および気象条件に基づいて前記物理予測値をそれぞれ算出する手順と、
    前記一または複数の統計モデルを用いて、前記地形条件、前記気象条件および前記物理予測値、並びに、前記風力発電出力に関する過去の実測値に基づいて、前記統計予測値をそれぞれ算出する手順と、
    過去の前記地形条件、前記気象条件および前記実測値を用いて、前記一または複数の物理モデルおよび前記一または複数の統計モデルのうちの複数について集団学習をすることにより、前記一または複数の物理モデルおよび前記一または複数の統計モデルのうちの複数を最適に組み合わせた最終モデルを決定する手順と、
    前記最終モデルを用いて、前記過去よりも後の特定の時刻における地形条件、気象条件および実測値に基づいて、前記特定の時刻における前記対象地点の風力発電出力の最終予測値を算出する手順と
    を実行させるプログラム。
28. 前記最終モデルを決定する手順は、
    前記集団学習により前記一または複数の物理モデルおよび前記一または複数の統計モデルのうちの複数を組み合わせて新たに統計的な予測値を算出する複数の新規モデルを作成する手順と、
    前記集団学習により前記複数の新規モデルを組み合わせて前記最終モデルを決定する手順と
    を有する請求項２７に記載のプログラム。
29. 過去の前記地形条件および前記気象条件、並びに、前記風力発電出力に関する過去の実測値を用いて、前記一または複数の物理モデルおよび前記一または複数の統計モデルのうちの複数について集団学習をすることにより、前記一または複数の物理モデルおよび前記一または複数の統計モデルのうちの複数から新たに統計的な予測値を算出する複数の新規モデルを作成する手順と、
    前記集団学習により前記複数の新規モデルを組み合わせた組合せモデルを決定する手順と
    をさらに実行させ、
    前記最終モデルを決定する手段は、前記一または複数の物理モデル、前記一または複数の統計モデルおよび前記組合せモデルのうちの複数について集団学習をすることにより、前記複数の物理モデル、前記複数の統計モデルおよび前記組合せモデルのうちの複数を組み合わせた最終モデルを決定する請求項２７に記載のプログラム。
30. 前記最終モデルを決定する手段は、前記複数の物理モデルの前記物理予測値、および、前記複数の統計モデルの前記統計予測値を重み付け平均する重み付け係数を決定する手順を含む請求項２７に記載のプログラム。
31. 前記物理モデルを準備する手順は、前記物理モデルに対応付けて、前記地形条件および前記気象条件に含まれるパラメータの種類を管理する手順を有し、
    前記重み付け係数を決定する手順において、前記物理モデルに対して入力された前記パラメータの種類に基づいて、前記物理モデルの前記物理予測値に対する前記重み付け係数を決定する請求項３０に記載のプログラム。
32. 前記統計モデルを準備する手順は、前記統計モデルに対応付けて、前記地形条件および前記気象条件に含まれるパラメータの種類を管理する手順を有し、
    前記重み付け係数を決定する手順において、前記統計モデルに対して入力された前記パラメータの種類に基づいて、前記統計モデルの前記統計予測値に対する前記重み付け係数を決定する請求項３０または３１に記載のプログラム。
33. 前記物理モデルを準備する手順は、前記物理モデルに対応付けて、前記地形条件および前記気象条件に含まれるパラメータの値の範囲を管理する手順を有し、
    前記重み付け係数を決定する手順において、前記物理モデルに対して入力された前記パラメータの値に基づいて、前記物理モデルの前記物理予測値に対する前記重み付け係数を決定する請求項３０に記載のプログラム。
34. 前記統計モデルを準備する手順は、前記統計モデルに対応付けて、前記地形条件および前記気象条件に含まれるパラメータの値の範囲を管理する手順を有し、
    前記重み付け係数を決定する手順において、前記統計モデルに対して入力された前記パラメータの値に基づいて、前記統計モデルの前記統計予測値に対する前記重み付け係数を決定する請求項３０または３３に記載のプログラム。
35. 前記物理モデルを準備する手順は、前記物理モデルに対応付けて、誤差傾向を管理する手順を有し、
    前記重み付け係数を決定する手順において、過去の誤差傾向に基づいて、前記物理モデルの前記物理予測値に対する前記重み付け係数を決定する請求項３０に記載のプログラム。
36. 前記統計モデルを準備する手順は、前記統計モデルに対応付けて、誤差傾向を管理する手順を有し、
    前記重み付け係数を決定する手順において、過去の誤差傾向に基づいて、前記統計モデルの前記統計予測値に対する前記重み付け係数を決定する請求項３０または３５に記載のプログラム。
37. 前記一または複数の物理モデルは、線形モデルまたは非線形モデルを含む請求項２７から３６のいずれかに記載のプログラム。
38. 前記一または複数の統計モデルは、線形モデルまたは非線形モデルを含む請求項２７から３７のいずれかに記載のプログラム。
39. 前記複数の物理モデルの複数の前記物理予測値および前記複数の統計モデルの複数の前記統計予測値のばらつきに基づいて信頼性を示す指標を算出し出力する手順をさらに備える請求項２７に記載のプログラム。

Images