JP5661594B2 - 予測モデル構築装置、方法、及びプログラム、並びに発電量予測装置、及び方法 - Google Patents

予測モデル構築装置、方法、及びプログラム、並びに発電量予測装置、及び方法 Download PDF

Info

Publication number
JP5661594B2
JP5661594B2 JP2011240543A JP2011240543A JP5661594B2 JP 5661594 B2 JP5661594 B2 JP 5661594B2 JP 2011240543 A JP2011240543 A JP 2011240543A JP 2011240543 A JP2011240543 A JP 2011240543A JP 5661594 B2 JP5661594 B2 JP 5661594B2
Authority
JP
Japan
Prior art keywords
power generation
time
prediction
generation amount
date
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.)
Active
Application number
JP2011240543A
Other languages
English (en)
Other versions
JP2013099143A (ja
Inventor
幸一 藤原
幸一 藤原
敬之 須山
敬之 須山
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.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
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 Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2011240543A priority Critical patent/JP5661594B2/ja
Publication of JP2013099143A publication Critical patent/JP2013099143A/ja
Application granted granted Critical
Publication of JP5661594B2 publication Critical patent/JP5661594B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Photovoltaic Devices (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Description

本発明は、予測モデル構築装置、方法、及びプログラム、並びに発電量予測装置、及び方法に係り、特に、太陽光発電の将来発電量を予測するための予測モデルを構築する予測モデル構築装置、方法、及びプログラム、並びにこの予測モデルを用いて発電量を予測する発電量予測装置、及び方法に関する。
現在、太陽光発電、風力発電をはじめとする再生可能エネルギーに注目が集まっている。しかしながら、発電設備に要する場所やその発電コストの問題から、普及は必ずしも進んでいない。さらに再生可能エネルギーは発電量が不安定であり、効率的に電力を使用できないことも大きな問題である。特に太陽光発電は、日射量やその入射角、気温など季節変動があること、また天候が急激に変化することなどによって発電量が大きく変動する。そこで太陽光発電による発電電力をより効率的に利用するために、太陽光発電の将来発電量を予測するモデルが望まれる。すなわち、現在の天候データなどを入力、将来の発電量を出力とする予測モデルを構築する。
従来、太陽光発電の将来発電量予測には、物理現象をモデル化した発電量予測モデルが使われているが、該モデルには同定すべき多くのパラメータを含み、その利用は容易ではない（例えば、非特許文献１参照）。
一方、より簡易な統計モデルも使われている。例えば、非線形統計モデル構築方法としてニューラルネットワーク（Neural Networks：ＮＮ）やサポートベクター回帰（Support Vector Regression：ＳＶＲ）などが知られている。しかしながら、これらの方法ではサンプルが少ないときに精度の高い統計モデルを構築するのが困難であった。
そこで、線形モデルとして例えば重回帰分析（Multiple Linear Regression：ＭＬＲ）が広く用いられている（例えば、非特許文献２参照）。一般にＭＬＲモデル構築には最小二乗法（Ordinary least squares：ＯＬＳ）が広く用いられているが、入力データ間に相関関係がある場合、安定して回帰係数が求められないという問題があり、これを多重共線性の問題と呼ぶ。この多重共線性の問題を回避するための方法としてリッジ回帰や主成分回帰（Principal Component Regression：ＰＣＲ）、部分的最小二乗法（Partial Least Squares：ＰＬＳ）が知られている（例えば、非特許文献３及び４参照）。
特にＰＬＳは少数の潜在変数で高い精度のモデルを構築することができるため、様々な分野で用いられている。さらに入力データに過去のデータを追加することで、ＰＬＳの予測性能を改善することができ、この方法をＤｙｎａｍｉｃ ＰＬＳと呼ぶ（例えば、非特許文献５参照）。
しかしながら、精度の高い統計モデルを構築できても、予測対象の性質が時間と共に変化してしまうと、統計モデルの予測性能が劣化してしまうという問題があった。太陽光発電の将来発電量予測モデルの場合、季節による日射量の変化や太陽光発電パネルの経年劣化などの影響によって、予測モデルの性能が低下してしまうという問題があった。また、従来の予測モデルでは急激な天候の変化に追従することが困難であった。
このように性質が変化してしまう系に対して予測モデルを構築する方法として、データベースに基づいたモデリング方法であるＪｕｓｔ−Ｉｎ−Ｔｉｍｅ（ＪＩＴ）モデリングが知られている。ＪＩＴモデリングは、予測のリクエストがあったときに限り、クエリ周辺のサンプルをデータベースから選択して、選択したサンプルから局所モデルを構築して予測を行い、予測終了後に局所モデルを破棄する。そして、新たなサンプルが測定されると、これをデータベースに追加して利用する。これによって、時間的な変動、さらに対象となる系の非線形系にも対応することができる（例えば、非特許文献６参照）。
工藤ら、「エネルギーネットワークにおける太陽光発電予測技術」、電学論Ｂ、p.p.847-853 (2007) 宮下ら、「ケモメトリックス−化学パターン認識と多変量解析」、共立出版 (1995) T. Mejdell and S. Skogestad:, "Estimation of Distillation Compositions from Multiple Temperature Measurements Using Partial-Least-Squares Regression", Ind.Eng. Chem. Res., vol. 30, p.p. 2543-2555, 1991 S. Wold, M. Sjostrom and L. Eriksson, "PLSRegression: a Basic Tool of Chemometrics", Chemom.Intell. Lab. Syst., vol. 58, p.p. 109-130, 2001 M. Kano et al., "Inferential Control System of Distillation Compositions Using Dynamic Partial Least Squares Regression", it J ProcCont, vol. 10, p.p. 157-166, 2000 G. Bontempi, M. Birattari, H. Bersini, "Lazy Learing for Local Modelling and Control Design". Int J Cont, vol. 72, p.p. 643-658, 1999
しかしながら、非特許文献６で開示されたＪＩＴモデリングを用いた統計モデル構築方法では、いつも高い精度のモデルを構築することができるわけではなかった。特に、太陽光発電の場合は季節変動が大きく、ＪＩＴモデリングでは季節変動に対応できず、将来発電量の予測精度が向上しない、という問題があった。
本発明は上記問題点に鑑みてなされたものであり、急激な天候の変化だけではなく、季節変動などの周期的な天候及び太陽光発電パネルの性質変化にも対応し、精度良く将来発電量予測を行うことが可能な予測モデルを構築する予測モデル構築装置、方法、及びプログラム、並びにこの予測モデルを用いて発電量を予測する発電量予測装置及び方法を提供することを目的とする。
上記目的を達成するために、本発明の予測モデル構築装置は、所定時間後の太陽光発電における発電量の予測値を要求する予測要求を取得する取得手段と、過去に測定された発電量を示す発電量データと、該発電量を測定したときの太陽光発電パネル設置箇所における天候を示す天候データ及び日時とを対応付けて記憶した記憶手段から、前記取得手段により予測要求を取得した予測要求時の天候データと類似する天候データで、かつ該天候データに対応する日時と該予測要求時の日時とにおいて、繰り返される期間内の予め定めた基準からの経過時間の差が所定値以内となる天候データを抽出すると共に、抽出された天候データに対応する日時から前記所定時間後の日時に測定された発電量データを抽出する抽出手段と、前記抽出手段により抽出された天候データ及び発電量データを学習することにより、前記予測要求時の天候データの入力に対して、前記所定時間後の発電量の予測値を出力するための予測モデルを構築する構築手段と、を含んで構成されている。
本発明の予測モデル構築装置によれば、記憶手段に、過去に測定された発電量を示す発電量データと、発電量を測定したときの太陽光発電パネル設置箇所における天候を示す天候データ及び日時とが対応付けて記憶されている。そして、取得手段が、所定時間後の太陽光発電における発電量の予測値を要求する予測要求を取得すると、抽出手段が、記憶手段から、取得手段により予測要求を取得した予測要求時の天候データと類似する天候データで、かつその天候データに対応する日時と予測要求時の日時とにおいて、繰り返される期間内の予め定めた基準からの経過時間の差が所定値以内となる天候データを抽出する。ここで「所定値」とは、予め定めた閾値であってもよいし、抽出される天候データが所定個となるように定まる値であってもよい。また、抽出手段は、抽出した天候データに対応する日時から所定時間後の日時に測定された発電量データを抽出する。そして、構築手段が、抽出手段により抽出された天候データ及び発電量データを学習することにより、予測要求時の天候データの入力に対して、所定時間後の発電量の予測値を出力するための予測モデルを構築する。
このように、過去の発電量データ、天候データ、及び測定した日時を用いて、予測要求時の天候データに類似し、かつ日時の周期的な変動も考慮した天候データを抽出して予測モデルを構築するため、急激な天候の変化だけではなく、季節変動などの周期的な天候及び太陽光発電パネルの性質変化にも対応し、精度良く将来発電量予測を行うことが可能な予測モデルを構築することができる。
また、本発明の予測モデル構築方法は、取得手段と、抽出手段と、構築手段とを含む予測モデル構築装置における予測モデル構築方法であって、前記取得手段は、所定時間後の太陽光発電における発電量の予測値を要求する予測要求を取得し、前記抽出手段は、過去に測定された発電量を示す発電量データと、該発電量を測定したときの太陽光発電パネル設置箇所における天候を示す天候データ及び日時とを対応付けて記憶した記憶手段から、前記取得手段により予測要求を取得した予測要求時の天候データと類似する天候データで、かつ該天候データに対応する日時と該予測要求時の日時とにおいて、繰り返される期間内の予め定めた基準からの経過時間の差が所定値以内となる天候データを抽出すると共に、抽出された天候データに対応する日時から前記所定時間後の日時に測定された発電量データを抽出し、前記構築手段は、前記抽出手段により抽出された天候データ及び発電量データを学習することにより、前記予測要求時の天候データの入力に対して、前記所定時間後の発電量の予測値を出力するための予測モデルを構築する予測モデル方法である。
また、前記抽出手段は、前記繰り返される期間を年とし、年を要素に含まない日時を用いて、前記経過時間の差を求めることができる。これにより、同じ季節に測定された天候データを抽出することができる。
また、本発明の予測モデル構築プログラムは、コンピュータを、上記の予測モデル構築装置を構成する各手段として機能させるためのプログラムである。
また、本発明の発電量予測装置は、所定時間後の太陽光発電における発電量の予測値を要求する予測要求を取得する取得手段と、前記取得手段により予測要求を取得した予測要求時の天候データ及び日時と、前記所定時間を示すパラメータとを、請求項１または請求項２記載の予測モデル構築装置で構築された予測モデルに入力して、前記所定時間後の発電量の予測値を得る予測手段と、を含んで構成されている。これにより、精度良く将来発電量予測を行うことができる。
また、本発明の発電量予測方法は、取得手段と、予測装置とを含む発電量予測装置における発電量予測方法であって、前記取得手段は、所定時間後の太陽光発電における発電量の予測値を要求する予測要求を取得し、前記予測手段は、前記取得手段により予測要求を取得した予測要求時の天候データ及び日時と、前記所定時間を示すパラメータとを、上記の予測モデル構築装置で構築された予測モデルに入力して、前記所定時間後の発電量の予測値を得る方法である。
以上説明したように、本発明の予測モデル構築装置、方法、及びプログラムによれば、過去の発電量データ、天候データ、及び測定した日時を用いて、予測要求時の天候データに類似し、日時の周期的な変動も考慮した天候データを抽出して予測モデルを構築するため、急激な天候の変化だけではなく、季節変動などの周期的な天候及び太陽光発電パネルの性質変化にも対応し、精度良く将来発電量予測を行うことが可能な予測モデルを構築することができる、という効果が得られる。また、本発明の発電量予測装置及び方法によれば、本発明の予測モデル構築装置、方法、及びプログラムにより構築された予測モデルを用いて、精度良く将来発電量予測を行うことができる、という効果が得られる。
第１の実施の形態に係る将来発電量予測装置のハードウェア構成を示すブロック図である。 第１の実施の形態に係る将来発電量予測の手続きを示すフローチャートである。 第２の実施の形態に係る将来発電量予測装置を構成するコンピュータの構成を示すブロック図である。 本実施の形態の有効性の検証における、２００７年９月における１時間先の積算発電量を予測した結果を示すグラフである。 本実施の形態の有効性の検証における、２００７年９月における４時間先の積算発電量を予測した結果を示すグラフである。
以下、図面を参照して本発明の実施の形態を詳細に説明する。本実施の形態では、構築された予測モデルを用いて将来発電量を予測する将来発電量予測装置に本発明の予測モデル構築装置を適用した例について説明する。
＜第１の実施の形態＞
図１は、第１の実施の形態に係る将来発電量予測装置のハードウェア構成を示すブロック図である。図において１は将来発電量予測装置であり、例えば、コンピュータ等が用いられる。以下では将来発電量予測装置１をコンピュータ１として説明する。コンピュータ１は制御部としてのＣＰＵ１１、バス１７を介して接続されるＲＡＭ１２、記憶部１５、表示部１４、及び入力部１３等を含んで構成される。ＣＰＵ１１は、バス１７を介してハードウェア各部と接続されており、ハードウェア各部を制御すると共に、記憶部１５に格納された制御プログラム１５Ｐに従って、種々のソフトウェア機能を実行する。制御プログラム１５Ｐは、Ｃ言語等のプログラミング言語で記述されている。ＲＡＭ１２はＣＰＵ１１による演算の際に用いるデータを一時的に格納する。
記憶部１５は、例えばハードディスクで構成され、内部には上述した制御プログラム１５Ｐが格納されている。表示部１４は、例えば液晶ディスプレイ等から構成される。
入力部１３は、キーボード及びマウス、ＣＤ−ＲＯＭ等の記録媒体読み取り部、または、ＬＡＮカード等から構成される。入力部１３は、太陽光発電における運転実績となる各種データ、すなわち発電量実績（発電量データ）ｙ及び太陽光発電パネル設置箇所における天候データｘと、それらの測定日時ｔ等の各データの入力を受け付ける。天候データｘは、例えば太陽光発電パネル設置箇所における天気、気温、日射量等であり、発電量実績ｙは、例えば１時間あたりの積算発電量等である。測定日時ｔは、測定した日付及び時刻を含む。
ＣＰＵ１１は、入力部１３から入力された天候データｘ及び発電量実績ｙとそれらの測定日時ｔとを受け付け、記憶部１５に記憶する。さらに、ＣＰＵ１１は、入力部１３から将来発電量予測要求及び将来発電量予測要求時の天候データｘなどが入力されると、後述する操作によって記憶部１５から記憶されているデータを選択して、ＪＩＴモデリングによって予測モデルの構築及び将来発電量の予測を行う。
以下にＪＩＴモデリングの説明を行う。また以下では、天候データｘ及び測定日時ｔなどをまとめて「サンプル」とも呼び、将来発電量予測要求時のサンプルを「クエリ」とも呼ぶ。ＪＩＴモデリングでは、新しいサンプルを記憶部１５に蓄積しながら、予測要求があるときのみ、クエリ近傍のサンプルを記憶部１５から選択し、それらを用いて局所予測モデルを構築し、将来発電量を予測する。予測終了後は構築した予測モデルを破棄し、次の予測要求があると、同じ手順を繰り返す。このため、太陽光発電パネルの経年劣化に適応してモデルの更新が自然に行われ、また、天候が急激に変化した場合でもその天候に適用した予測モデルを構築することができる。
このときＪＩＴモデリングでは、クエリに類似のサンプルを選択する基準として、例えば式（１）で表されるクエリと記憶部１５に保存されたサンプルとのユークリッド距離を用いる。
ここで、ｘｉは記憶部１５に保存されているｉ番目のサンプル、ｘｑはクエリであり、ｄｉはクエリとｉ番目のサンプルとのユークリッド距離である。ＪＩＴモデリングではｄｉが小さな順に記憶部１５からいくつかのサンプルを選択して、局所予測モデルを構築する。
ただし、クエリが前回モデル構築時のクエリと類似であれば、つまり天候条件やパネルの劣化程度に変化がなければ、新しい予測モデルを構築せず、前回構築した予測モデルを用いて予測を行ってもよい。式（１）は、ｘｉに前回モデル構築時のクエリｘｐｒｅｖを代入することで、クエリｘｐが前回モデル構築時のクエリｘｐｒｅｖと類似であるかについての判定にも用いることができる。
さらに、本実施の形態では、クエリとサンプル間のユークリッド距離に加え、太陽光発電における季節変動を考慮するために、過去発電量実績ｙ及び天候データｘの測定日時ｔの情報を用いて、サンプルを選択する。例えば、今年の４月の発電傾向は昨年、または、さらに以前の４月の発電傾向と類似である可能性が高い。そこで、できるだけクエリと同じ季節に測定されたサンプルを用いて、局所予測モデルを構築する。
そこで、例えば、１時間毎に過去発電量実績ｙ及び天候データｘが測定されているとき、ｉ番目のサンプルｘｉの測定日時ベクトルをｔｉとする。
季節変動を考慮するために、式（２）の測定日時ベクトルｔｉの要素には年を用いない。なお、過去発電量実績ｙ及び天候データｘの測定間隔に応じて、測定日時ベクトルｔｉに分や秒などを追加してもよい。
次に、２つの測定日時ベクトル間の経過時間を計算する関数をｅ（・，・）とする。例えば、ｅ（ｔｉ，ｔｑ）は、ｉ番目のサンプルが測定された日時からクエリが測定された日時までの経過時間を示す。ここでｔｑはクエリが測定された日時である。これによって、たとえクリエと同じ年の異なった季節に測定されたサンプルであっても、クエリと同じ季節で測定された数年前のサンプルの方が、その経過時間は小さくなる。
したがって、本実施の形態においては、局所予測モデル構築に用いるサンプル選択の基準として、式（１）ではなく式（３）の類似度を用いる。
ただし、ｄ（ｘｉ，ｘｑ）及びｅ（ｔｉ，ｔｑ）は、例えば平均０分散１などに適切にスケーリングされているものとする。また、αはゼロ以上の値のパラメータである。本実施の形態では、類似度Ｊ（ｘｉ，ｘｑ）が小さな順にデータベースからいくつかのサンプルを選択して、局所予測モデルを構築する。ここで、モデル構築用サンプルとして選択するサンプル数は、予測精度を調整するためのパラメータである。
次に、選択されたサンプルから局所予測モデルを構築する。このとき、モデル構築に用いるサンプルの入出力の組は、予測したい将来の時間に合わせて用意する。例えば、１時間毎にデータが測定されている場合に、１時間後の発電量を予測するときの入出力の組は、（ｘｉ，ｙｉ＋１）となる。
なお、本実施の形態においては、局所予測モデル構築方法として部分的最小二乗法（ＰＬＳ）を用いるが、これに限定するものではない。例えば、最小二乗法や（ＯＬＳ）や主成分回帰（ＰＣＲ）の他、任意の非線形モデル構築手法を採用しても構わない。
また、時系列データを対象として統計モデルを構築する場合、推定性能の改善を目的としてその動特性を考慮することが多い。つまり、現時刻のサンプルだけではなく、過去のサンプルを入力に加えてモデル構築を行う。このとき、ｉ番目の入力のサンプルを式（４）のように構築する。
ここで、ｋ１，ｋ２・・・は自然数である。このように、過去のサンプルを入力に加えてＰＬＳでモデルを構築する方法をＤｙｎａｍｉｃ ＰＬＳと呼び、本実施の形態でも過去のサンプルを入力に加えて、サンプル選択及び局所予測モデル構築を行う。
次に、第１の実施の形態の将来発電量予測装置の作用について説明する。図２は、第１の実施の形態による将来発電量予測の手続きを示すフローチャートである。
ＣＰＵ１１は、入力部１３から入力されるＩ個の過去の発電量実績ｙｉ及び天候データｘｉと、それらの測定日時ｔｉ（ｉ＝１，２，・・・，Ｉ）を受け付け、これを記憶部１５に記憶する（ステップＳ２１）。これは、記録媒体に記録されたデータを、記録媒体読み取り装置たる入力部１３から受け付けるようにしてもよいし、図示しない通信網を介して接続された他のコンピュータ、または太陽光発電パネルを制御する制御装置から出力されたデータを受け付けるようにしてもよい。
次に、ＣＰＵ１１は、入力部１３から入力される予測したい将来の時間ｈ（予測要求時からｈ時間後の発電量を予測）、潜在変数の数ＬＶ、入力データに追加する過去のデータを特定するための自然数ｋ１，ｋ２・・・、選択するサンプルの数Ｎ、パラメータα、及び閾値J￣を受け付ける（ステップＳ２２）。これは、記録媒体に記録されたデータを、記録媒体読み取り装置たる入力部１３から受け付けるようにしてもよいし、図示しない通信網を介して接続された他のコンピュータから出力されたデータを受け付けるようにしてもよい。
次に、ＣＰＵ１１は、記憶部１５より天候データｘｉ、及び入力データに追加する過去のデータを特定するための自然数ｋ１，ｋ２・・・を読み出して、式（４）を用いて入力データを構築して、これをｚｉ（ｉ＝１，２，・・・，Ｉ）として記憶部１５に記憶する。さらに、記憶部１５より発電量実績ｙｉ、及び予測したい将来の時間ｈを読み出して、入出力の組（ｚｉ，ｙｉ＋ｈ）（ｉ＝１，２，・・・，Ｉ）を構築して記憶部１５に記憶する（ステップＳ２３）。
次に、ＣＰＵ１１は、前回の予測モデル構築時のクエリを示すｚｐｒｅｖにゼロを設定し、前回の予測モデル構築時のクエリの測定日時を示すｔｐｒｅｖに適当な日時を設定し、記憶部１５に記憶する（ステップＳ２４）。
次に、ＣＰＵ１１は、入力部１３から入力される新たな天候データｘｑとその測定日時ｔｑとを受け付け、これを記憶部１５に記憶する（ステップＳ２５）。これは、記録媒体に記録されたデータを、記録媒体読み取り装置たる入力部１３から受け付けるようにしてもよいし、図示しない通信網を介して接続された他のコンピュータ、または太陽光発電パネルを制御する制御装置から出力されたデータを受け付けるようにしてもよい。
次に、ＣＰＵ１１は、ステップＳ２５で受け付けた天候データｘｑとその測定日時ｔｑ、及び入力データに追加する過去のデータを特定するための自然数ｋ１，ｋ２・・・を記憶部１５より読み出して、式（４）を用いて入力データを構築して、これをクエリｚｑとして記憶部１５に記憶する（ステップＳ２６）。
次に、ＣＰＵ１１は、記憶部１５より、クエリｚｑ、クエリの測定日時ｔｑ、前回の予測モデル構築時のクエリｚｐｒｅｖ、前回の予測モデル構築時のクエリの測定日時ｔｐｒｅｖ、及びパラメータαを読み出して、式（３）を用いてｚｐｒｅｖとｚｑとの間の類似度Ｊ（ｚｑ，ｚｐｒｅｖ）を算出し、その結果を記憶部１５に記憶する（ステップＳ２７）。
次に、ＣＰＵ１１は、記憶部１５より類似度Ｊ（ｚｑ，ｚｐｒｅｖ）及び閾値J￣を読み出して、その大小の比較を行う（ステップＳ２８）。類似度Ｊ（ｚｑ，ｚｐｒｅｖ）が閾値J￣よりも小さい場合には、ＣＰＵ１１は、前回の予測に用いた予測モデルｆｐｒｅｖを記憶部１５より読み出して、ｚｑをｆｐｒｅｖに代入して将来発電量の予測を行い、次のクエリが入力部１３より入力されるまで待機し、ステップＳ２５へ戻る（ステップＳ３４）。
一方、類似度Ｊ（ｚｑ，ｚｐｒｅｖ）が閾値J￣よりも大きい場合、ＣＰＵ１１は、記憶部１５から記憶されている全ての入力データｚｉ、それらの測定日時ｔｉ、クエリｚｑ、クエリの測定日時ｔｑ、及びパラメータαを読み出して、式（３）を用いて全ての入力データｚｉとクエリｚｑとの類似度Ｊ（ｚｑ，ｚｉ）（ｉ＝１，２，・・・，Ｉ）を算出し、記憶部１５に記憶する（ステップＳ２９）。
次に、ＣＰＵ１１は、記憶部１５より全ての入力データｚｉとクエリｚｑとの類似度Ｊ（ｚｑ，ｚｉ）を読み出し、類似度Ｊ（ｚｑ，ｚｉ）の小さな順に対応するＮ個のデータセット（ｚｉ，ｙｉ＋ｈ）を選択し、記憶部１５から読み出す（ステップＳ３０）。
次に、ＣＰＵ１１は、Ｎ個のデータセット（ｚｉ，ｙｉ＋ｈ）、及び記憶部１５から読み出された潜在変数の数ＬＶからＰＬＳを用いて予測モデルｆを構築し、記憶部１５に記憶する（ステップＳ３１）。なお、この予測モデルの構築は必要に応じてＰＬＳ以外にＰＣＲや、ＯＬＳ、または任意の非線形モデル構築方法など公知の方法に基づき構築すればよい。
次に、ＣＰＵ１１は、記憶部１５から予測モデルｆ及びクエリｚｑを読み出して、クエリｚｑを予測モデルｆに代入して、将来発電量を予測する。ＣＰＵ１１は予測された将来発電量を記憶部１５すると共に、表示部１４または図示しないプリンタ等の周辺機器へ出力する（ステップＳ３２）。
次に、ＣＰＵ１１は、記憶部１５から予測モデルｆ、クエリｚｑ、及びクエリの測定日時ｔｑを読み出して、それぞれ記憶部１５に記録されたｆｐｒｅｖ、ｚｐｒｅｖ、ｔｐｒｅｖを、ｆｐｒｅｖ＝ｆ、ｚｐｒｅｖ＝ｚｑ、ｔｐｒｅｖ＝ｔｑ、及びｚｑ＝ｚＩ+1，ｔｑ＝ｔＩ＋１の如く上書きし、次のクエリが入力部１３より入力されるまで待機し、ステップＳ２５へ戻る（ステップＳ３３）。
以上説明したように、第１の実施の形態の将来発電量予測装置によれば、将来発電量予測要求時に過去発電量実績及び天候データと、過去発電量実績及び天候データを測定した日時の情報とを用いて、周期的な変動も考慮してクエリに類似したサンプルをデータベースより選択して局所予測モデルを構築し、将来発電量予測を行う。これによって、急激な天候の変化だけではなく、季節変動などの周期的な天候及び太陽光発電パネルの性質変化にも対応して局所予測モデルを構築でき、より予測精度の高い将来発電量予測を行うことが可能になる。
なお、本実施の形態による将来発電量予測の手続きは２４時間稼働させてもよいが、太陽光発電によって発電を行うことができる日の出から日の入りの間のみ稼働させてもよい。
また、本実施の形態では、年の要素を含まない測定日時ベクトルを用いることで、周期的な変動も考慮してクエリに類似する天候データを抽出する場合について説明した。これは、繰り返される期間を１年とし、１月１日を基準とする経過時間を表す測定日時ベクトルにより、天候データに対応する日時が同じ季節か否かを判断しているものである。本実施の形態では、この繰り返される期間を１年としているが、この期間をより長いスパンにしてもよい。例えば、冷夏と猛暑とが１年毎に繰り返されるというような天候情報の知見がある場合には、繰り返される期間を２年とし、この期間内での経過時間を示すような測定日時ベクトルを用いるようにするとよい。
＜第２の実施の形態＞
次に、第２の実施の形態について説明する。図３は、第２の実施の形態に係る将来発電量予測装置を構成するコンピュータ１の構成を示すブロック図である。第１の実施の形態に係る将来発電量予測装置を構成するコンピュータ１を動作させるためのコンピュータプログラムは、第２の実施の形態のように、ＣＤ−ＲＯＭ、メモリカード等の可搬型記録媒体１Ａで提供することも可能である。さらに、コンピュータプログラムを、ＬＡＮ、またはインターネットなどの図示しない通信網を介して図示しないサーバーコンピュータからダウンロードすることも可能である。以下に、その内容を説明する。
図３に示すコンピュータ１の記録媒体読み取り装置としての入力部１３に、クエリ及びパラメータを受け付させ、局所予測モデルを構築させ、将来発電量を予測させるコンピュータプログラムが記録された可搬型記録媒体１Ａを挿入して、記憶部１５の制御プログラム１５Ｐ内にこのプログラムをインストールする。または、かかるプログラムを、図示しない通信部を介して外部の図示しないサーバーコンピュータからダウンロードし、記憶部１５にインストールしてもよい。かかるプログラムはＲＡＭ１２にロードして実行される。これにより、上述の第１の実施の形態のようなコンピュータ１として機能する。
第２の実施の形態は以上のごとき構成であり、その他の構成及び作用は第１の実施の形態１と同様であるので、対応する部分には同一符号を付してその詳細な説明を省略する。
＜本実施の形態の有効性の検証＞
以下に本実施の形態（第１の実施の形態及び第２の実施の形態）の将来発電量予測装置による太陽光発電パネルの将来発電量予測について、その有効性を検証する。太陽光発電の定格出力３３０ｋＷであり、１時間毎に積算発電量［ｋＷｈ］と気温［℃］、日射量［Ｗ／ｍ２］と天候（晴れ、曇り、雨のいずれか）が測定されている。データ解析の都合上、晴れを１、曇りを２、雨を３と定量化している。初期状態では２００６年８月１日〜２００７年７月３１日までのデータをデータベースに格納し、２００７年８月１日から２００７年１１月３０日までの期間の１時間先、２時間先、４時間先の積算発電量［ｋＷｈ］を、ＰＬＳ、従来のＪＩＴモデリング、本実施の形態を用いて太陽光発電将来発電量予測モデルを構築して予測を行い、従来の予測モデル構築方法と予測性能を比較した。なお、予測は日の出から日の入りの間のみ行っている。
表１はＰＬＳによる予測結果を示した表である。表２はＪＩＴモデリングによる予測結果を示した表である。表３は本実施の形態による予測結果を示した表である。表中の＃ＬＶ、＃Ｄ、＃Ｎ、α、Ｊ￣は、予測モデルの調整パラメータである。
＃ＬＶはＰＬＳの潜在変数の数であり、ＰＬＳによる予測以外に、ＪＩＴモデリング、本実施の形態でも局所モデル構築にＰＬＳを用いているため、潜在変数の数を調整する必要がある。＃Ｄは入力データとして現時刻のサンプルに追加した過去のサンプルが、何時間前に測定されたかを示している。＃ＮはＪＩＴモデリング及び本実施の形態における局所予測モデル構築用サンプルの数であり、これは全サンプルを用いて予測モデルを構築するＰＬＳでは考慮する必要がない。αは本実施の形態での式（３）の調整パラメータである。これらのパラメータは試行錯誤で決定した。Ｊ￣はＪＩＴモデリング及び本実施の形態におけるモデル更新頻度を調整するパラメータであり、本検証ではＪ￣＝０とし、積算発電量及び天候データが測定され入力部１５より入力される度にモデルを更新する設定とした。また、ＲＭＳＥは根平均二乗誤差であり、ｒは予測値と真値との相関係数である。ＲＭＳＥはゼロに近いほど、ｒは１に近いほど予測性能が高いことを示している。
さらに、図４は、２００７年９月における１時間先積算発電量を予測した結果を示すグラフである。図５は、２００７年９月における４時間先の積算発電量を予測した結果を示すグラフである。図４より、１時間先であればどの方法でも良い精度で予測できているが、図５を見ると４時間先では予測精度が低下していることが分かる。しかしながら、本実施の形態では最も高い予測性能を達成していることが分かる。
以上の結果より、１時間先、２時間先、４時間先の予測におけるＲＭＳＥの平均値は、本実施の形態の手法を用いることによって、ＰＬＳ、ＪＩＴモデリングを比較してそれぞれ約６％、２２％改善した。よって、本実施の形態の有効性が示された。
なお、本発明は、上記実施の形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。
１ コンピュータ（将来発電量予測装置）
１Ａ 可搬型記録媒体
１１ ＣＰＵ（制御部）
１２ ＲＡＭ
１３ 入力部
１４ 表示部
１５ 記憶部
１５Ｐ 制御プログラム

Claims (7)

  1. 所定時間後の太陽光発電における発電量の予測値を要求する予測要求を取得する取得手段と、
    過去に測定された発電量を示す発電量データと、該発電量を測定したときの太陽光発電パネル設置箇所における天候を示す天候データ及び日時とを対応付けて記憶した記憶手段から、前記取得手段により予測要求を取得した予測要求時の天候データと類似する天候データで、かつ該天候データに対応する日時と該予測要求時の日時とにおいて、繰り返される期間内の予め定めた基準からの経過時間の差が所定値以内となる天候データを抽出すると共に、抽出された天候データに対応する日時から前記所定時間後の日時に測定された発電量データを抽出する抽出手段と、
    前記抽出手段により抽出された天候データ及び発電量データを学習することにより、前記予測要求時の天候データの入力に対して、前記所定時間後の発電量の予測値を出力するための予測モデルを構築する構築手段と、
    を含む予測モデル構築装置。
  2. 前記抽出手段は、前記繰り返される期間を年とし、年を要素に含まない日時を用いて、前記経過時間の差を求める請求項１記載の予測モデル構築装置。
  3. 取得手段と、抽出手段と、構築手段とを含む予測モデル構築装置における予測モデル構築方法であって、
    前記取得手段は、所定時間後の太陽光発電における発電量の予測値を要求する予測要求を取得し、
    前記抽出手段は、過去に測定された発電量を示す発電量データと、該発電量を測定したときの太陽光発電パネル設置箇所における天候を示す天候データ及び日時とを対応付けて記憶した記憶手段から、前記取得手段により予測要求を取得した予測要求時の天候データと類似する天候データで、かつ該天候データに対応する日時と該予測要求時の日時とにおいて、繰り返される期間内の予め定めた基準からの経過時間の差が所定値以内となる天候データを抽出すると共に、抽出された天候データに対応する日時から前記所定時間後の日時に測定された発電量データを抽出し、
    前記構築手段は、前記抽出手段により抽出された天候データ及び発電量データを学習することにより、前記予測要求時の天候データの入力に対して、前記所定時間後の発電量の予測値を出力するための予測モデルを構築する
    予測モデル構築方法。
  4. 前記抽出手段は、前記繰り返される期間を年とし、年を要素に含まない日時を用いて、前記経過時間の差を求める請求項３記載の予測モデル構築方法。
  5. コンピュータを、請求項１または請求項２記載の予測モデル構築装置を構成する各手段として機能させるための予測モデル構築プログラム。
  6. 所定時間後の太陽光発電における発電量の予測値を要求する予測要求を取得する取得手段と、
    前記取得手段により予測要求を取得した予測要求時の天候データ及び日時と、前記所定時間を示すパラメータとを、請求項１または請求項２記載の予測モデル構築装置で構築された予測モデルに入力して、前記所定時間後の発電量の予測値を得る予測手段と、
    を含む発電量予測装置。
  7. 取得手段と、予測装置とを含む発電量予測装置における発電量予測方法であって、
    前記取得手段は、所定時間後の太陽光発電における発電量の予測値を要求する予測要求を取得し、
    前記予測手段は、前記取得手段により予測要求を取得した予測要求時の天候データ及び日時と、前記所定時間を示すパラメータとを、請求項１または請求項２記載の予測モデル構築装置で構築された予測モデルに入力して、前記所定時間後の発電量の予測値を得る
    発電量予測方法。
JP2011240543A 2011-11-01 2011-11-01 予測モデル構築装置、方法、及びプログラム、並びに発電量予測装置、及び方法 Active JP5661594B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2011240543A JP5661594B2 (ja) 2011-11-01 2011-11-01 予測モデル構築装置、方法、及びプログラム、並びに発電量予測装置、及び方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2011240543A JP5661594B2 (ja) 2011-11-01 2011-11-01 予測モデル構築装置、方法、及びプログラム、並びに発電量予測装置、及び方法

Publications (2)

Publication Number Publication Date
JP2013099143A JP2013099143A (ja) 2013-05-20
JP5661594B2 true JP5661594B2 (ja) 2015-01-28

Family

ID=48620519

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2011240543A Active JP5661594B2 (ja) 2011-11-01 2011-11-01 予測モデル構築装置、方法、及びプログラム、並びに発電量予測装置、及び方法

Country Status (1)

Country Link
JP (1) JP5661594B2 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11387656B2 (en) * 2015-12-07 2022-07-12 Hitachi, Ltd. Power generation amount prediction apparatus, power generation amount prediction method, system stabilization apparatus, and system stabilization method

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103500365B (zh) * 2013-09-18 2016-05-04 广州供电局有限公司 光伏发电功率预测方法和系统
CN103530819A (zh) * 2013-10-18 2014-01-22 国家电网公司 并网型光伏电站发电系统的输出功率的测定方法及设备
JP6608619B2 (ja) * 2015-05-26 2019-11-20 東京電力ホールディングス株式会社 太陽光発電システムの発電状況診断方法及びその装置
WO2017026010A1 (ja) * 2015-08-07 2017-02-16 三菱電機株式会社 太陽光発電量予測装置および太陽光発電量予測方法
JP6569497B2 (ja) * 2015-11-27 2019-09-04 日本製鉄株式会社 予測装置、方法及びプログラム
CN106815655B (zh) * 2016-12-26 2020-06-30 浙江工业大学 基于模糊规则的光伏出力2d区间预测方法
JP6843780B2 (ja) * 2018-01-18 2021-03-17 ヤフー株式会社 情報処理装置、学習済みモデル、情報処理方法、およびプログラム
JP6685065B2 (ja) * 2018-02-09 2020-04-22 Ｔｏｔａｌｍａｓｔｅｒｓ株式会社 太陽光発電設備の設計支援装置、設計支援方法、設計支援プログラム及び設計支援用学習済みモデル作成装置
KR102092860B1 (ko) * 2019-01-22 2020-03-24 인천대학교 산학협력단 미래의 기상 예보 데이터를 이용하지 않는 기계학습 기반의 태양광 발전량 예측 장치 및 방법
JP7400411B2 (ja) * 2019-11-29 2023-12-19 中国電力株式会社 太陽光発電量予測装置、太陽光発電量予測装置の制御方法及びプログラム
CN118134292A (zh) * 2024-05-07 2024-06-04 湖北华中电力科技开发有限责任公司 一种区域电力柔性负荷预测方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3984604B2 (ja) * 2004-07-12 2007-10-03 日本電信電話株式会社 太陽光発電システムの発電量予測方法、装置、およびプログラム
JP2010218394A (ja) * 2009-03-18 2010-09-30 Fuji Electric Systems Co Ltd エネルギー需要予測装置
JP5606114B2 (ja) * 2010-03-19 2014-10-15 株式会社東芝 発電量予測装置、予測方法及び予測プログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11387656B2 (en) * 2015-12-07 2022-07-12 Hitachi, Ltd. Power generation amount prediction apparatus, power generation amount prediction method, system stabilization apparatus, and system stabilization method

Also Published As

Publication number Publication date
JP2013099143A (ja) 2013-05-20

Similar Documents

Publication Publication Date Title
JP5661594B2 (ja) 予測モデル構築装置、方法、及びプログラム、並びに発電量予測装置、及び方法
Kamel et al. Data-driven predictive models for residential building energy use based on the segregation of heating and cooling days
Wang et al. Adaptive learning based data-driven models for predicting hourly building energy use
Hocaoğlu Stochastic approach for daily solar radiation modeling
Freeman et al. Validation of multiple tools for flat plate photovoltaic modeling against measured data
JP6142781B2 (ja) 電力需要予測装置、電力需要予測方法および電力需要予測プログラム
JP5888640B2 (ja) 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム
Bucking et al. A methodology for identifying the influence of design variations on building energy performance
CN103117546A (zh) 一种超短期风电功率滑动预测方法
EP3576029A1 (en) Method and device for determining energy system operating scenarios
CN104036328A (zh) 自适应风电功率预测系统及预测方法
JP6086875B2 (ja) 発電量予測装置および発電量予測方法
Paulescu et al. Nowcasting solar irradiance using the sunshine number
El Kontar et al. Profiling occupancy patterns to calibrate Urban Building Energy Models (UBEMs) using measured data clustering
JP2017010111A (ja) ノイズデータ除去支援装置、方法、および、プログラム
Girimurugan et al. Application of deep learning to the prediction of solar irradiance through missing data
Kong et al. Multi-step short-term solar radiation prediction based on empirical mode decomposition and gated recurrent unit optimized via an attention mechanism
WO2022040255A1 (en) Methods, systems, and computer readable media for model-free privacy preserving thermal load management
JP6325331B2 (ja) 気象予測補正装置、気象予測補正方法及びプログラム
Liao et al. Scenario generations for renewable energy sources and loads based on implicit maximum likelihood estimations
CN112465250A (zh) 电力负荷预测方法、装置、计算机设备和存储介质
Nielsen et al. Improvement and automation of tools for short term wind power forecasting
JP2017153257A (ja) 電力需要予測装置、及び電力需要予測方法
Wilson et al. Use of meteorological data for improved estimation of risk in capacity adequacy studies
SPäTH et al. Time-consistent calibration of short-term regional wind power ensemble forecasts

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20140220

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20141022

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20141104

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20141203

R150 Certificate of patent or registration of utility model

Ref document number: 5661594

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150