JP5723362B2 - 日射強度予測システムと太陽光発電出力予測システム - Google Patents

日射強度予測システムと太陽光発電出力予測システム Download PDF

Info

Publication number
JP5723362B2
JP5723362B2 JP2012520221A JP2012520221A JP5723362B2 JP 5723362 B2 JP5723362 B2 JP 5723362B2 JP 2012520221 A JP2012520221 A JP 2012520221A JP 2012520221 A JP2012520221 A JP 2012520221A JP 5723362 B2 JP5723362 B2 JP 5723362B2
Authority
JP
Japan
Prior art keywords
solar
power generation
radiation intensity
unit
predetermined time
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
JP2012520221A
Other languages
English (en)
Other versions
JPWO2011158363A1 (ja
Inventor
憲介 川崎
憲介 川崎
喜義 瀧川
喜義 瀧川
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.)
Shikoku Research Institute Inc
Original Assignee
Shikoku Research Institute Inc
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 Shikoku Research Institute Inc filed Critical Shikoku Research Institute Inc
Publication of JPWO2011158363A1 publication Critical patent/JPWO2011158363A1/ja
Application granted granted Critical
Publication of JP5723362B2 publication Critical patent/JP5723362B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W1/00Meteorology
    • G01W1/12Sunshine duration recorders
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W1/00Meteorology
    • G01W1/10Devices for predicting weather conditions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Ecology (AREA)
  • General Physics & Mathematics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Environmental Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

この発明は、日射強度を予想する日射強度予測システムと、太陽光発電装置の発電出力を予想する太陽光発電出力予測システムとに関する。
従来から、気象庁が発表する天気予報のデータに基づいて太陽光発電システムの発電量を予測する発電量予測装置が提案されている(特許文献1参照)。
かかる発電量予測装置は、日射量予測式導出部と、日射量予測計算部と、日射量受信部と、太陽光発電システムモデルとを備えている。
日射量予測式導出部は、履歴データベースに記録されている、太陽光発電システムの設置地域の過去に観測された天気現象と、過去に計測された日射量とを基に日射量予測式を導出する。
日射量予測計算部は、気象情報受信部で受信された該地域に対する予測対象日または予測対象時間帯についての天気予報と、日射量受信部で受信された予測対象日の予測実施時刻前に該地域において計測された日射量とを日射量予測式に入力することにより日射量を予測する。
太陽光発電システムモデルは、予測された日射量と、予測対象日または予測対象時間帯についての天気予報とを入力して発電量を予測する。
特開2006−33908号公報
発明が解決しようとうする課題
しかしながら、このような発電量予測装置にあっては、過去に観測された天気現象と過去に計測された日射量とを基にして日射量予測式を導出し、この日射量予測式から予測された日射量と天気予報とに基づいて発電量を予測するが、この予測した発電量と実際の発電量との誤差が大きくなってしまうことがある。
この発明は、予測した日射強度と実際の日射強度との誤差を限りなく小さくすることのできる日射強度予測システムと、予測した発電出力と実際の発電出力との誤差を限りなく小さくすることのできる太陽光発電出力予測システムとを提供することを目的とする。
この発明に係る日射強度予測システムは、地域の位置データに基づいて所定時間後の前記地域の太陽高度および太陽方位を算出する太陽高度方位算出部と、
前記地域の所定時間後の地表面における風速と気温と相対湿度と時間降水量と雲量と、その地域の等気圧面における気温と上昇流と相対湿度と高度との気象データの数値予報データと、前記太陽高度方位算出部が算出した太陽高度および太陽方位とから所定時間後の日射強度予測値を求める日射強度推論部と、
前記地域の日射強度を測定する日射強度測定装置と、
この日射強度測定装置が測定した所定時間経過後の実際の日射強度値と前記日射強度推論部が求めた所定時間後の日射強度予測値との差を求める比較部とを備え
前記日射強度推論部は、前記比較部が求めた差が許容値以下となるように学習し、この学習の後に、前記太陽高度方位算出部が算出する所定地域の所定時間後の太陽高度および太陽方位と、その所定地域の気象データのうち前記学習に使用した気象データと同じ種目の数値予報データとに基づいて、現在時刻から所定時間後の時刻における前記所定地域の日射強度予測値を求める日射強度予測システムであって、
前記日射強度推論部は、ファジーモデル部であり、
該ファジーモデル部は、現在時刻から所定時間経過後の前記太陽高度および太陽方位のデータと前記数値予報データとの総数である複数の要素を複数個のファジー集合に区分するファジー集合定義部と、各要素のそのファジー集合に属する割合を表すメンバーシップ関数を定義するメンバーシップ関数定義部と、このメンバーシップ関数定義部で定義されたメンバーシップ関数と該メンバーシップ関数の重み付けとに基づき所定時間経過後の前記日射強度予測値を求める推論式を定義する推論式定義部と、前記推論式の学習を行なわせる学習部とを有し、
前記学習部は、前記比較部が求める差が許容値以下になるように前記メンバーシップ関数の重み付けを修正することを特徴とする。
の発明に係る日射強度予測システムは、地域の位置データに基づいて所定時間後の前記地域の太陽高度および太陽方位を算出する太陽高度方位算出部と、
前記地域の所定時間後の地表面における風速と気温と相対湿度と時間降水量と雲量と、その地域の等気圧面における気温と上昇流と相対湿度と高度との気象データの数値予報データと、前記太陽高度方位算出部が算出した太陽高度および太陽方位とから所定時間後の日射強度予測値を求める日射強度推論部と、
前記地域の日射強度を測定する日射強度測定装置と、
この日射強度測定装置が測定した所定時間経過後の実際の日射強度値と前記日射強度推論部が求めた所定時間後の日射強度予測値との差を求める比較部とを備え、
前記日射強度推論部は、前記比較部が求めた差が許容値以下となるように学習し、この学習の後に、前記太陽高度方位算出部が算出する所定地域の所定時間後の太陽高度および太陽方位と、その所定地域の気象データのうち前記学習に使用した気象データと同じ種目の数値予報データとに基づいて、現在時刻から所定時間後の時刻における前記所定地域の日射強度予測値を求める日射強度予測システムであって、
前記日射強度推論部は、ニューラルネットワークであり、
該ニューラルネットワークは、所定時間経過後の前記日射強度予測値を求める推論式の重み係数とバイアスを、該推論式で求めた前記日射強度予測値と、前記日射強度測定装置が測定する所定時間経過後の実際の日射強度値との差が許容値以下となるように修正することを特徴とする。
この発明によれば、気象データに基づいて正確な日射強度予想値を求めることができ、実際の日射強度との誤差を限りなく小さくすることができる。
また、この発明によれば、気象データに基づいて正確な発電出力予想値を求めることができ、実際の発電量との誤差を限りなく小さくすることができる。
この発明に係る日射強度予測システムの構成を示すブロック図である。 気象庁から出される気象データの一例を示した表である。 メンバーシップ関数の一例を示す模式図である。 第2実施例の太陽光発電出力予測システムの構成を示すブロック図である。 第3実施例の太陽光発電出力予測システムの構成を示すブロック図である。 第4実施例の日射強度予測システムの構成を示すブロック図である。 気象衛星画像の画像処理の方法を示す説明図である。 第5実施例の太陽光発電出力予測システムの構成を示すブロック図である。 第6実施例の太陽光発電出力予測システムの構成を示すブロック図である。 ニューラルネットワークの一例を示す模式図である。
以下、この発明を実施するための形態を図面に示す実施例に基づいて説明する。
[第1実施例]
[日射強度予測システム]
図1に示す日射強度予測システム10は、入力部11によって入力される日時(月日および時刻)と地域の位置(緯度,経度:位置データ)とに基づいて所定時間後のその地域の太陽高度と太陽方位を算出する太陽高度方位算出部13と、気象庁8から出されるその地域の最寄りの気象予報データ(気象データ:数値予報データ)と太陽高度方位算出部13が算出した太陽高度および太陽方位とから所定時間後の日射強度予測値を求める第1ファジーモデル部(日射強度推論部)20と、第1ファジーモデル部20が求めた日射強度予測値と日射強度測定装置9が測定した実際の日射強度とを比較してその差(誤差)を求める比較部14とを備えている。なお、日射強度の単位は[kW/m2]である。また、入力部11に入力する地域の位置は、例えば太陽光発電装置12が設置されている位置や日射強度測定装置9が設置されている位置や所定の地域の位置などである。
第1ファジーモデル部20は、複数個のファジー集合に区分する第1ファジー集合定義部21と、各要素のそのファジー集合に属する割合(グレード)を表す第1メンバーシップ関数(メンバーシップ関数)を定義する第1メンバーシップ関数定義部(メンバーシップ関数定義部)22と、第1メンバーシップ関数定義部22が定義した第1メンバーシップ関数と該第1メンバーシップ関数の重み付けとに基づき所定時間経過後の日射強度予測値を求める特性式(推論式)を定義する第1特性式定義部(推論式定義部)23と、この第1特性式定義部23で定義された特性式で求める日射強度予測値と所定時間後の実際の日射強度値との差が許容値以下となるように第1メンバーシップ関数の重み付けを修正することにより特性式の学習を行わせる第1学習部(学習部)24等とを有している。
気象庁からは、図2の表1,2に示すように、5km間隔の地表面における数値予報や等気圧面における数値予報が33時間先まで1時間刻みで出される。
数値予報は、15時間予報と33時間予報の二つがあり、この二つの予報が3時間毎に交互に配信されて更新されていく。
第1ファジーモデル部20に入力する数値予報データは、地表面における5種類の数値予報データと、r個の各等気圧面におけるそれぞれ4種類の数値予報データと、太陽高度と太陽方位のデータとである。
[動 作]
次に、上記のように構成される日射強度予測システム10の動作について説明する。
日射強度測定装置9が設置されている地域について、気象庁8から時刻tに出されたτ時間後の数値予報と、当該時刻における太陽高度と太陽方位などとを数値予報データXa(t,τ)として表すとする。いま、時刻tにおいて、11+4(r−1)=7+4r個の種類の数値予報データが得られるものとする。
Figure 0005723362
得られる数値予報データとしては、地表面における風速V0(t,τ)と気温T0(t,τ)と相対湿度h0(t,τ)と時間降水量R0(t,τ)と雲量C0(t,τ)と、等気圧面における気温Te(t,τ)と上昇流Ve(t,τ)と相対湿度he(t,τ)と高度Ae(t,τ)と、太陽高度θh(t,τ)と、太陽方位θd(t,τ)であるが、これに限られるものではなく、少なくとも大気の透明度に関する数値予報データと、月日と時刻で決まる太陽高度と太陽方位(確定値)があればよい。
気象庁8から出される数値予報データは、地表面における風速V0(t,τ)と気温T0(t,τ)と相対湿度h0(t,τ)と時間降水量R0(t,τ)と雲量C0(t,τ)と、等気圧面における気温Te(t,τ)と上昇流Ve(t,τ)と相対湿度he(t,τ)と高度Ae(t,τ)であり、これら数値予報データはインターネットなどを介して日射強度予測システム10の第1ファジーモデル部20に入力される。
太陽高度θh(t,τ)と太陽方位θd(t,τ)は、太陽光発電装置12が設置されている地域の位置(緯度,経度)と、所定時間τ後の日時とに基づいて太陽高度方位算出部13が算出するものであるが、日時と太陽高度および太陽方位との関係を示すテーブルから求めるようにしてもよい。なお、地域の位置データの入力はオペレータなどが入力部11を操作して行なっても良いし、予め位置データをテーブルとして与えても良い。
ここでは、時刻tから所定時間τ経過後の数値予報データのかたまりXa(t,τ)が第1ファジーモデル部20へ入力される。ここで、Xa(t,τ)の要素数は11+4(r−1)=7+4r個である。この11+4(r−1)=7+4r個に通し番号を付し、これをファジーモデルのデータとする。
その数値予報データ(太陽高度および太陽方位を含む、以下同じ)のかたまりを下記に(1)式として示す。
Figure 0005723362
この数値予報データのかたまりXa(t,τ)の各要素Xn(t,τ)をそれぞれをmn個(添え字nはXa(t,τ)のn番目の要素Xn(t,τ))に区分して(2)式を定義する。
Figure 0005723362
この要素の区分毎にファジー集合Mn(n=1〜7+4r)を定義する。要素nごとのファジー集合を以下の(3)式で定義する。(1)式ないし(3)式は第1ファジー集合定義部21が定義する。
Figure 0005723362
要素nの値が、要素nのi番目のファジー集合M(n,i)(i=1〜mn)に属する割合(グレード)を表す関数をメンバーシップ関数G(n,i)とする。
このメンバーシップ関数(第1メンバーシップ関数)G(n,i)には、各種のものを用いることができ、例えば、図3に示す三角形関数があるが、ここでは、下記(4)式で示すものを用いる。
Figure 0005723362
ただし、Xn(t,τ):数値予報Xa(t,τ)の要素nの値
g(n,i):数値予報Xa(t,τ)の要素nのi番目のファジー集合の中心値
D(n,i):数値予報Xa(t,τ)の要素nのi番目のファジー集合の広がり
数値予報データを(4)式の右辺に代入して、下記の(5)式に基づきグレードを演算する。(4)式の演算やグレードは、第1メンバーシップ関数定義部22が演算する。
Figure 0005723362
ただし、i1=1〜m1


7+4r =1〜m7+4r
(5)式を用いて日射強度予測式としての演算式(推論式)Q(t,τ)を以下の(6)式で定義する。この演算式Q(t,τ)は第1特性式定義部23が定義する。
Figure 0005723362
ただし、W(i1,…i7+4r)は重み付けである。
ここで、日射強度予測システム10にq組の数値予報データと各組に対応した実際の日射強度値として、気象の数値予報が出される地点近傍で実測した日射強度データを用いて対象時刻を中心にした一定時間幅内の平均値としてQb(tj,τ)を与えたとき、(6)式で得られた日射強度予測値Q(tj,τ)と実測した日射強度Qb(tj,τ)との誤差(差)Eを下記の(7)式で定義する。
Figure 0005723362
Figure 0005723362
この(7)式で示す誤差をより小さくする重み付けW(i1,…i7+4r)は、(7)式をW(i1,…i7+4r)で偏微分した(7A)式を用い、下記(8)式により重み付けW(i1,…i7+4r)を修正することで得られる。
Figure 0005723362
Figure 0005723362
ただし、W′(i1,…i7+4r)は修正前の重み付け、γは定数である。
(7)式で示す誤差Eが許容範囲内に入るまで(6)式〜(8)式の計算を繰り返し行い、重み付けW(i1,…i7+4r)を修正する。すなわち、第1学習部24は、比較部14が求めた誤差Eが許容値以下となるように重み付けを修正して演算式Q(t,τ)の学習を行う。
このように第1実施例では、気象庁から出される気象予報データと太陽高度と太陽方位とを複数個のファジー集合Mnに区分し、各要素のそのファジー集合Mnに属する割合を表すメンバーシップ関数G(n,i)を定義し、メンバーシップ関数G(n,i)から求まるグレードH(i1,…i7+4r)と、重み付けW(i1,…i7+4r)とに基づき所定時間τ経過後の日射強度予測値を示す演算式Q(t,τ)を定義し、この演算式Q(t,τ)により得られた日射強度予測値と所定時間τ経過後に日射強度測定装置9が測定した実際の日射強度との誤差Eを求め、その誤差Eが許容値以下となるようにグレードH(i1,…i7+4r)の重み付けW(i1,…i7+4r)を修正することにより演算式Q(t,τ)の学習を行う。
第1ファジーモデル部20の学習が終了したら、気象庁8から出される気象予報データを日射強度予測システム10の第1ファジーモデル部20へ入力させ、さらに太陽高度方位算出部13で所定時間τ後の太陽高度θh(t,τ)と太陽方位θd(t,τ)を算出させて第1ファジーモデル部20へ入力させる。
第1ファジーモデル部20は、入力された気象予報データと太陽高度方位算出部13が求めた太陽高度や方位のデータから(1)式ないし(6)式に基づいて、現在時刻から所定時間後の日射強度予測値を求める。
このように、日射強度予測システム10によれば、日射強度予測値と実際の日射強度との誤差Eが許容範囲となるように学習を行った演算式Q(t,τ)を用いて現在時刻から所定時間τ経過後の日射強度予測値を求めるものであるから、気象予報データに基づき正確な日射強度予測値を求めることができ、実際の日射強度との誤差を限りなく小さくすることができる。
この第1ファジーモデル部20を用いれば、重み付け係数を時間τ経過後に得られた実際の日射強度と、τ時間前の予想した日射強度予測値との差に基づいてその誤差が自動的に許容値以下に漸近するように演算できるので、気象予報データに基づき正確な日射強度予測値を求めることができる。
また、気象庁8から出される気象予報データが33時間先まで1時間刻みで出されているので、33時間先まで1時間刻みで日射強度を予測することができることになる。
第1実施例では、日射強度測定装置9が設置されている地域の気象予報データから、その地域の日射強度を予測しているが、気象予報データが出されているが日射強度測定装置が設置されていない地域についても日射強度を予報することができる。上記で学習した同じ第1ファジーモデル部20に、求めたい地域ごとに当該地域の気象予報データと太陽高度と太陽方位を入力することで、それぞれの地域ごとに日射強度を予報することができ、面的に広がった地域全域の日射強度の予測値を知ることができる。
第1実施例では、学習させた後は第1ファジーモデル部20を学習させていないが、日射強度予測値と実測値が得られるごとに常に学習させるようにしてもよい。
また、第1実施例では、第1ファジーモデル部20に入力するデータ数は7+4r個であるが、このうちの一部であってもよく、また、等気圧面の相対湿度、気温、上昇流について、複数の等気圧面間で同じ要素同士の平均値を求め、この平均値を使用することで、第1ファジーモデル部20に入力するデータ数を減らしてもよい。
[第2実施例]
[太陽光発電出力予測システム]
図4は太陽光発電出力予測システム100の構成を示すブロック図である。図4に示す第1ファジーモデル部20は既に学習が終了したものである。
110は第1ファジーモデル部20が求めた日射強度予測値と、太陽高度方位算出部13が求めた太陽高度および太陽方位と、気象予報データとから所定時間後の太陽光発電装置12の発電出力値(発電出力予測値)を求める第2ファジーモデル部(発電出力推論部)である。141は第2ファジーモデル部110が求めた発電出力予測値と太陽光発電装置12の実際の発電出力値との差(誤差)を求める比較部である。
第2ファジーモデル部110は、複数個のファジー集合に区分する第2ファジー集合定義部111と、各要素のそのファジー集合に属する割合(グレード)を表す第2メンバーシップ関数(メンバーシップ関数)を定義する第2メンバーシップ関数定義部(メンバーシップ関数定義部)112と、第2メンバーシップ関数定義部112が定義した第2メンバーシップ関数から求まるグレードの重み付けとに基づき所定時間経過後の発電出力予測値を求める特性式(推論式)を定義する第2特性式定義部(推論式定義部)113と、この第2特性式定義部113で定義された特性式で求める発電出力予測値と所定時間後の実際の発電出力値との差が最小となるように第2メンバーシップ関数の重み付けを修正することにより特性式の学習を行わせる第2学習部(学習部)114等とを有している。
第2ファジーモデル部110に入力する数値予報データは、地表面における風速V0(t,τ)と気温T0(t,τ)の2つと、第1ファジーモデル部20から出力される日射強度予測値Q(t,τ)と、太陽高度方位算出部13から出力される太陽高度および太陽方位の5種類である。
[動 作]
次に、上記のように構成される太陽光発電出力予測システム100の動作について説明する。
ここで、気象庁8から時刻tに出されるτ時間後の数値予報と、第1ファジーモデル部20が出力する日射強度予測値と太陽高度と太陽方位などをYa(t,τ)と表すとする。

Figure 0005723362
いま、時刻tにおいて、太陽光発電装置12が設置されている地域について、5個の種類の数値予報データが得られるものとする。
得られる数値予報データとしては、日射強度予測値Q(t,τ)と、地表面における風速V0(t,τ)と気温T0(t,τ)と、太陽高度θh(t,τ)と、太陽方位θd(t,τ)の5種類である。
ここでは、時刻tから所定時間τ経過後の気象予報データのかたまりYa(t,τ)が第2ファジーモデル部110へ入力される。ここで、Ya(t,τ)の要素数は5個である。なお、第1ファジーモデル部20は、第1実施例で説明したように、気象庁8から出される数値予報データ(7+4r個のデータ)と太陽高度(高さと方位)とから日射強度予測値を求める。なお、第1ファジーモデル部20に入力するデータ数は7+4r個であるが、このうちの一部であってもよく、また、等気圧面の相対湿度、気温、上昇流について、複数の等気圧面間で同じ要素同士の平均値を求め、この平均値を使用することで、第1ファジーモデル部20に入力するデータ数を減らしてもよい。
第2ファジーモデル部110に入力する気象予報データのかたまりYa(t,τ)を下記に(9)式として示す。
Figure 0005723362
この気象予報データのかたまりYa(t,τ)の各要素Yn(t,τ)をそれぞれをmn個(添え字nはYa(t,τ)のn番目の要素)に区分して(10)式を定義する。
Figure 0005723362
この要素の区分毎にファジー集合Mn(n=1〜5)を定義する。要素nごとのファジー集合を以下の(11)式で定義する。(9)式ないし(11)式は第2ファジー集合定義部111が定義する。
Figure 0005723362
各要素のi番目のファジー集合M(n,i)(i=1〜mn)に属する割合(グレード)を表すメンバーシップ関数(第2メンバーシップ関数)G(n,i)とする。
このメンバーシップ関数G(n,i)は、第1実施例と同様に各種のものを用いることができるが、ここでは、下記(12)式で示すものを用いる。
Figure 0005723362
ただし、Yn(t,τ):数値予報Ya(t,τ)の要素nの値
g(n,i):数値予報Ya(t,τ)の要素nのi番目のファジー集合の中心値
D(n,i):数値予報Ya(t,τ)の要素nのi番目のファジー集合の広がり
気象予報データと日射データと太陽高度および太陽方位を(12)式の右辺に代入して、下記の(13)式に基づきグレードを計算する。このグレードは、第2メンバーシップ関数定義部112が演算する。
Figure 0005723362
ただし、i1=1〜m1


5 =1〜m5
(13)式を用いて発電出力予測値を求める特性式(推論式)P(t,τ)を以下の(14)式で定義する。この特性式P(t,τ)は第2特性式定義部113が定義する。
Figure 0005723362
ただし、W(i1,…i5)は重み付けである。
ここで、q組の数値予報データと各組に対応した実際の発電出力値として、対象時刻を中心にした一定時間幅内の平均値としてPb(tj,τ)を与えたとき、(14)式で得られた発電出力予測値P(tj,τ)と実測した発電出力Pb(tj,τ)との誤差(差)Eを下記の(15)式で定義する。
Figure 0005723362
Figure 0005723362
この(15)式で示す誤差をより小さくする重み付けW(i1,…i5)は、(15)式をW(i1,…i5)で偏微分した(15C)式を用い、下記(16)式により重み付けW(i1,…i5)を修正することで得られる。
Figure 0005723362
Figure 0005723362
ただし、W′(i1,…i5)は修正前の重み付け、γは定数である。
(15)式で示す誤差Eが許容範囲内に入るまで(14)式〜(16)式の計算を繰り返し行い、重み付けW(i1,…i5)を修正する。すなわち、第2学習部114は、比較部141が求めた誤差Eが許容値以下になるように重み付けを修正して特性式P(t,τ)の学習を行う。この学習では、第1ファジーモデル部20が求めた日射予測値を用いるが、学習に用いる実際の太陽光発電出力値と同じ時刻の日射強度の実測値を一定時間幅内で平均した値を用いてもよい。
第2ファジーモデル部110の学習が終了したら、第1ファジーモデル部20から出力される日射強度予測値と、気象庁8から出される気象予報データ(風速V0(t,τ),気温T0(t,τ))と、太陽高度方位算出部13が算出した所定時間τ後の太陽高度θh(t,τ)と太陽方位θd(t,τ)とを第2ファジーモデル部110へ入力させる。第2ファジーモデル部110は、これらデータから(9)式ないし(14)式に基づいて発電出力予測値を求める。
第1ファジーモデル部20は、第1実施例で説明したように、(1)式に示すデータを入力して日射強度予測値を求めるものである。
このように、太陽光発電出力予測システム100は、発電出力予測値と太陽光発電装置12の実際の発電出力値との誤差Eが許容値以下となるように学習を行った特性式P(t,τ)を用いて現在時刻から所定時間τ経過後の発電出力予測値を求めるものであるから、気象予報データに基づき正確な発電出力予測値を求めることができ、太陽光発電装置12の実際の発電量との誤差を限りなく小さくすることができる。
この第2ファジーモデル部110を用いれば、重み付け係数を時間τ経過後に得られた実際の太陽光発電装置12の発電出力値と、τ時間前の発電出力予測値との誤差に基づいてその誤差が自動的に最小に漸近するように演算できるので、気象予報データに基づき太陽光発電装置12の発電出力予測値を正確に求めることができる。
また、気象庁8から出される気象予報データが33時間先まで1時間刻みで出されているので、33時間先まで1時間刻みで太陽光発電装置12の発電出力予測値を求めることができることになる。
この第2実施例では、太陽光発電装置12の実際の発電出力として1台の太陽光発電装置12の出力を用いて学習したが、複数の太陽光発電装置の合計出力でも良い。その出力合計値を用いて第2ファジーモデル部110を学習しておけば、学習後の第2ファジーモデル部110に気象予報データと日射強度予報値と太陽高度および太陽方位を入力することで、当該地域の複数の太陽光発電装置の合計出力を予測することもできる。
また、学習に用いる太陽光発電装置12の実際の発電出力として、太陽光発電装置の出力(1台または複数台の合計値)を当該太陽光発電装置の定格容量で除して求めた無次元化した値を用いても良い。第2ファジーモデル部110を無次元化した太陽光発電装置の出力を用いて学習しておけば、第2ファジーモデル部110に気象予報データと日射強度予報値と太陽高度および太陽方位を入力することで無次元化した太陽光発電装置の出力を予測することができる。この無次元化した太陽光発電装置の出力予測値に当該地域に設置されている太陽光発電の設備容量を乗じることで、当該地域に設置されている太陽光発電設備の実際の出力を予測することが可能になる。
さらに、広範囲の地域の太陽光発電の出力予測を行いたい場合は、対象地域を気象予報データが出される地点数に応じて区分し、区分したそれぞれの地域に対応する気象予報データと日射強度予報値と太陽高度および太陽方位を学習が終わった第2ファジーモデル部110へ入力することで、区分したそれぞれの地域ごとに上記の無次元化した太陽光発電装置の出力予測値が得られる。この区分したそれぞれの地域ごとの無次元化した太陽光発電装置の出力予測値に、当該地域に設置されている太陽光発電装置の設備容量を乗じることで、区分したそれぞれの地域ごとに太陽光発電装置出力を予測することができる。
また、上記では太陽光発電設備の発電出力の予測値を求めたい全ての地域に、学習が終わった共通の第2ファジーモデル部を使用したが、地域を分割し、それぞれの地域を代表する太陽光発電設備の発電出力の実測値を用いて、それぞれの地域ごとに第2ファジーモデル部を学習しておくことで、分割したそれぞれの地域の特性に合わせたきめ細かい太陽光発電設備の発電出力を推定することもできる。
この第2実施例も学習させた後は第2ファジーモデル部110を学習させていないが、発電出力予測値を求める毎に常に学習させるようにしてもよい。
[第3実施例]
図5に示す第3実施例の太陽光発電出力予測システム200は、第1ファジーモデル部20を使用せずに、気象庁8から出される気象予報データと、太陽高度方位算出部13が算出した太陽高度および太陽方位とから所定時間後の太陽光発電装置12の発電出力予測値を第3ファジーモデル部(発電出力推論部)210で求めるようにしたものである。
第3ファジーモデル部210は、第2実施例と同様に、第3ファジー集合定義部211と、第3メンバーシップ関数定義部(メンバーシップ関数定義部)212と、第3特性式定義部(推論式定義部)213と、第3学習部214等とを有している。
第3ファジーモデル部210は、気象庁8から出される気象予報データである地表面における風速V0(t,τ)と気温T0(t,τ)と相対湿度h0(t,τ)と時間降水量R0(t,τ)と雲量C0(t,τ)と、等気圧面における気温Te(t,τ)と上昇流Ve(t,τ)と相対湿度he(t,τ)と高度Ae(t,τ)と、太陽高度方位算出部13が算出した太陽高度θh(t,τ)と太陽方位θd(t,τ)のデータを基にして、第1実施例と同様にして発電出力予測値を求める特性式P(t,τ)の学習を行なわせて発電出力予測値を求めるものである。
ここで、特性式P(t,τ)は第1実施例の(6)式の演算式Q(t,τ)をP(t,τ)に置き換えたものである。これを(6A)式として下記に示す。
Figure 0005723362
なお、(7)式および(7A)式のQ(t,τ)をP(t,τ)に、Qb(t,τ)をPb(t,τ)に置き換える。他の式は第1実施例と同様なのでその説明は省略する。
第3ファジーモデル部210は、第1実施例と同様にして、第3ファジー集合定義部211によりファジー集合Mnを定義し、第3メンバーシップ関数定義部212によりファジー集合に属する割合(グレード)を表すメンバーシップ関数G(n,i)からグレードを(5)式に基づいて演算し、第3特性式定義部213により第3メンバーシップ関数定義部212が演算したグレードから発電出力予測値を特性式P(t,τ)に基づいて求め、第3学習部214は発電出力予測値と太陽光発電装置12の実際の発電出力値との誤差Eが許容値以下となるように、重み付けを修正して特性式P(t,τ)の学習を行わせる。
第3ファジーモデル部210の学習が終了したら、τ時間後の日時(月日および時刻)と太陽光発電装置12が設置されている位置(緯度,経度)を入力部11に入力して、太陽高度方位算出部13で現在時刻から所定時間τ後の太陽高度θh(t,τ)と太陽方位θd(t,τ)を算出させる。第3ファジーモデル部210は、気象庁8から出される気象予報データと太陽高度方位算出部13が求めた太陽高度や方位のデータから(1)式ないし(6A)式に基づいて、現在時刻から所定時間τ後の発電出力予測値を求める。
この第3実施例では、太陽光発電装置12の実際の発電出力として1台の太陽光発電装置の出力を用いて学習したが、複数の太陽光発電装置の合計出力でも良い。その出力合計値を用いて第3ファジーモデル部210を学習しておけば、学習後の第3ファジーモデル部210に気象予報データと太陽高度および太陽方位を入力することで、当該地域の複数の太陽光発電装置の合計出力を予測することもできる。
また、学習に用いる太陽光発電装置12の実際の発電出力として、太陽光発電装置の出力(1台または複数台の合計値)を当該太陽光発電装置の定格容量で除して求めた無次元化した値を用いても良い。第3ファジーモデル部210を無次元化した太陽光発電装置の出力を用いて学習しておけば、第3ファジーモデル部210に気象予報データと太陽高度および太陽方位を入力することで無次元化した太陽光発電装置の出力を予測することができる。この無次元化した太陽光発電装置の出力予測値に当該地域に設置されている太陽光発電の設備容量を乗じることで、当該地域に設置されている太陽光発電設備の実際の出力を予測することが可能になる。
さらに、広範囲の地域の太陽光発電の出力予測を行いたい場合は、対象地域を気象予報データが出される地点数に応じて区分し、区分したそれぞれの地域に対応する気象予報データと太陽高度および太陽方位を学習が終わった第3ファジーモデル部210へ入力することで、区分したそれぞれの地域ごとに上記の無次元化した太陽光発電装置の出力が得られる。この区分したそれぞれの地域ごとの無次元化した太陽光発電装置の出力予測値に、当該地域に設置されている太陽光発電装置の設備容量を乗じることで、区分したそれぞれの地域ごとに太陽光発電装置出力を予測することができる。
また、上記では太陽光発電設備の発電出力の予測値を求めたい全ての地域に、学習が終わった共通の第3ファジーモデル部を使用したが、地域を分割し、それぞれの地域を代表する太陽光発電設備の発電出力の実測値を用いて、それぞれの地域ごとに第3ファジーモデル部を学習しておくことで、分割したそれぞれの地域の特性に合わせたきめ細かい太陽光発電設備の発電出力を推定することもできる。
この第3実施例によれば、第2実施例と同様な効果を得ることができるとともに、第1ファジーモデル部20を使用しないので、太陽光発電出力予測システム200の構成は簡単なものとなる。
この第3実施例も学習させた後は第3ファジーモデル部210を学習させていないが、発電出力予測値を求める毎に学習させるようにしてもよい。
また、第3実施例では、第3ファジーモデル部210に入力するデータ数は、第1実施例と同様に7+4r個であるが、このうちの一部であってもよく、また、等気圧面の相対湿度、気温、上昇流について、複数の等気圧面間で同じ要素同士の平均値を求め、この平均値を使用することで、第3ファジーモデル部210に入力するデータ数を減らしてもよい。
[第4実施例]
図6は、気象衛星302から送信されてくる気象衛星画像を用いて所定時間後の日射強度を予測する日射強度予測システム300の構成を示したブロック図である。
301は気象衛星302から30分間隔で送信されてくる気象衛星画像データを基にして所定時間後の気象衛星画像を求める画像処理部、310は画像処理部301が求めた所定時間後の気象衛星画像の画像データと太陽高度方位算出部13が算出した太陽高度θh(t,T)および太陽方位θd(t,T)とに基づいて所定時間T後の地上の日射強度を衛星画像の画素ごとに対応した地域ごとに求める第4ファジーモデル部(日射強度推論部)である。
第4ファジーモデル部310は、複数個のファジー集合に区分する第4ファジー集合定義部311と、各要素のそのファジー集合に属する割合(グレード)を表す第4メンバーシップ関数(メンバーシップ関数)を定義する第4メンバーシップ関数定義部(メンバーシップ関数定義部)312と、第4メンバーシップ関数定義部312が定義した第4メンバーシップ関数と該第4メンバーシップ関数の重み付けとに基づき所定時間経過後の発電出力予測値を求める特性式(推論式)を定義する第4特性式定義部(推論式定義部)313と、この第4特性式定義部313で定義された特性式で求める日射強度予測値と所定時間後の実際の日射強度との誤差が許容値以下となるように第4メンバーシップ関数の重み付けを修正することにより特性式の学習を行わせる第4学習部(学習部)314等とを有している。
第4ファジーモデル部310は、画像処理部301から出力される所定時間後の気象衛星画像の画素ごとに、画素に対応する地域の地上の日射強度の予測値を出力する。
ここで、画像処理部301で行う気象衛星の気象衛星画像を用いた雲の移動予測について簡単に説明する。
図7に示すように、気象衛星画像の分解能を1単位の画素(現状では数km程度)とし、気象衛星画像の所定の1画素を地点座標(i,j)、地点座標(i,j)の周辺をA(i,j)とし、地点座標(i,j)を周辺Aの代表座標とする。ここで現在(t=0)のときの地点座標(i,j)の周辺を周辺A0(i,j)で表す。
同様に、T時間前(t=−T)の気象衛星画像について、前述の周辺A(i,j)と同じ大きさ且つ同じ形状であって上記の位置と異なる1画素を地点座標(k,l)とし、その地点座標(k,l)の周辺を周辺A-T(k,l)とする。
そして、周辺A0(i,j)に属する画素の信号a0に通し番号mを付け、a0(m)とする。また、周辺A-T(k,l)に属する画素の信号a-Tについても、周辺A0(i,j)と同じ位置関係にある画素と同じ通し番号mを付けてa-T(m)とし、周辺A0(i,j)と周辺A-T(k,l)との相関係数R0-Tを下記の式(17)から求める。
Figure 0005723362
ただし、e0、e-Tはそれぞれ周辺A0(i,j)、A-T(k,l)の画素の信号の平均値である。
この相関係数R0-Tを、図7に示すように周辺A0(i,j)より広い範囲B内で、周辺A-T(k,l)と同じ大きさの周辺Aを例えばC1位置からC2位置へ1画素づつ右へ移動させていき、次に1画素下へ移動させ、左端から右端へ1画素づつ移動させていく。これらを繰り返し行って範囲Bの全てについて1画素移動ごとの相関係数R0-Tを求めていく。
そして、各相関係数R0-Tから下記の(18)式の評価値H(k,l)が最も大きくなる地点座標(p,q)を見いだす。なお、分散σ2 の替わりに標準偏差σを用いてもよい。
Figure 0005723362
ただし、α,βは係数である。
この最大となる評価値H(p,q)から、地点座標(i,j)上にある現在の雲はT時間前に地点座標(p,q)上に在ったものが移動してきたものとし、下記の式に示すようにεの割合だけ信号が変化したものと推定する。
ε=a0(i,j)/a-T(p,q)
この傾向が今後も継続し、T時間後の地点座標(i,j)上には地点座標(p,q)上にある現在の雲がくるものと想定することで、地点座標(i,j)のT時間後の信号をaT(i,j)=ε×a0(p,q)と予測する。
なお、信号の変化割合εとしては、現在の地点座標(i,j)の周辺A0(i,j)内の画素信号の平均値e0(i,j)と、T時間前の地点座標(p,q)の周辺A-T(p,q)内の画素信号の平均値e-T(p,q)を用いて、次式のεを用いてもよい。
ε=e0(i,j)/e-T(p,q)
これを対象としている地域(範囲B)の全ての地点について適用することで、T時間後の気象衛星画像を予測することができる。
さらに、このT時間後の予測画像と現在の画像とから上記の画像処理を施すことにより2T時間後の画像を予測する。次に、2T時間後の予測画像とT時間後の画像とから上記と同様にして3T時間後の画像を予測する。これらの処理動作を繰り返すことにより、現在からnT時間後までの衛星画像をT時間刻みで求める。
なお、図7では周辺A0(i,j)などの形状を長方形で示しているが、これに限らず任意の形状でよい。
[動 作]
次に、上記のように構成される日射強度予測システム300の動作について説明する。
気象衛星302から可視画像と赤外画像と水蒸気画像の気象衛星画像データが送られてくると、画像処理部301はそれぞれ可視画像、赤外画像、水蒸気画像別に上述の処理をして、T時間刻みでそれぞれのτ=n′T時間後までの衛星画像を求める。
また、上記の相関係数R0-Tや評価値H(k,l)やτ=n′T時間後までの衛星画像は画像処理部301が画像処理や演算処理をして求めていく。
そして、画像処理部301は、τ時間後の可視画像,赤外画像,水蒸気画像の所定領域内の各画素の信号を第4ファジーモデル部310へ入力させる。
また、太陽高度方位算出部13からも、当該画素に対応する地域の位置(緯度、経度)に対応したτ時間後の太陽高度と太陽方位が第4ファジーモデル部310に入力される。
従って、第4ファジーモデル部310に入力されるデータの要素数は、各画素当たり、可視画像の画素信号a1(t,τ)、赤外線画像の画素信号a2(t,τ)、水蒸気画像の画素信号a3(t,τ)の3つに、画素に対応した地域のτ時間後の太陽高度θh(t,τ)と太陽方位θd(t,τ)の2つを加えた5つである。
その数値データXa(t,τ)を下記に(19)式として示す。
Figure 0005723362
この数値データXa(t,τ)の各要素をそれぞれをmn個(添え字nはXa(t,τ)のn番目の要素)に区分して(20)式を定義する。
Figure 0005723362
この要素の区分毎にファジー集合Mn(n=1〜5)を定義する。要素nごとのファジー集合を以下の(21)式で定義する。(19)ないし(21)式は第4ファジー集合定義部311が求める。
Figure 0005723362
要素nのi番目のファジー集合M(n,i)(i=1〜mn)に属する割合(グレード)を表すメンバーシップ関数をG(n,i)とする。
このメンバーシップ関数G(n,i)には、各種のものを用いることができ、例えば、図3に示す三角形関数があるが、ここでは、下記(22)式で示すものを用いる。
Figure 0005723362
ただし、Xn(t,τ):数値データXa(t,τ)の要素nの値
g(n,i):数値データXa(t,τ)の要素nのi番目のファジー集合の中心値
D(n,i):数値データXa(t,τ)の要素nのi番目のファジーの集合の広がり
数値データを(22)式の右辺に代入して、下記の(23)式に基づきグレードを計算する。このグレードは、第4メンバーシップ関数定義部312が演算する。
Figure 0005723362
ただし、i1=1〜m1


5 =1〜m5
(23)式を用いて日射強度予測式としての演算式Q(t,τ)を以下の(24)式で定義する。この演算式Q(t,τ)は第4特性式定義部313が定義する。
Figure 0005723362
ただし、W(i1,…i5)は重み係数である。
ここで、気象衛星302から送られてくる時刻tの画像データから、時刻tの実測日射データが得られる地点を含む画素の可視画像と赤外線画像と水蒸気画像の各画素データを抽出し、抽出した各画素データに日射観測点の時刻tにおける太陽高度と太陽方位を加えたデータを1組とするq組の数値データXa(tj,τ)と、各組に対応した実際の日射強度値として、対象時刻を中心にした一定時間幅内の日射強度の平均値Qb(tj,τ)を与えたとき、(24)式で得られた日射強度予測値と実測した日射強度の誤差Eを下記の(25)式で定義する。ただし、j=1…,q,τ=0である。
Figure 0005723362
この(25)式で示す誤差をより小さくする重み付けW(i1,…i5)は(25)式をW(i1,…i5)で偏微分した(25A)式を用い、下記(26)式により重み付けW(i1,…i5)を修正することで得られる。
Figure 0005723362
Figure 0005723362
ただし、W′(i1,…i5)は修正前の重み付け、γは定数である。
(25)式で示す誤差Eが許容範囲内に入るまで(24)式〜(26)式の計算を繰り返し行い、重み付けW(i1,…i5)を修正する。すなわち、第4学習部314は、誤差Eを求めてこの誤差Eが許容値以下となるように重み付けを修正して演算式Q(t,τ)の学習を行う。
なお、学習に使用したq組のデータは同じ地域(画素)でも異なった地域(画素)のデータが混在していても良い。
第4ファジーモデル部310の学習が終了したら、各画素ごとに、画像処理部301から可視画像と赤外画像と水蒸気画像の画像データと、太陽高度方位算出部13から太陽高度と太陽方位をこの第4ファジーモデル部310へ入力することで、各画素に対応した地上の日射強度を推定することができるようになる。
第4ファジーモデル部310の学習終了後は、気象衛星302から送信されてくる気象衛星画像データを日射強度予測システム300に入力させ、画像処理部301は、可視画像、赤外画像、水蒸気画像別に、前述の相関係数R0-Tや評価関数H(k,l)の演算処理や画像処理を行い、T時間刻みでn′T時間後まで予測した可視画像、赤外画像、水蒸気画像のそれぞれの衛星画像を予測する。
そして、画像処理部301が予測したτ=n′T時間後の「可視画像a1(t,τ)、赤外画像a2(t,τ)、水蒸気画像a3(t,τ)、太陽高度θh(t,τ)、太陽方位θd(t,τ)」の5つの数値データを、衛星画像の各画素ごとに、学習が終了した第4ファジーモデル部310に入力することで、衛星画像の各画素に対応した地域ごとに、τ=n′T時間後の地上日射強度の予測値を得る。
この第4実施例では、日射強度の予測値を求めたい地域に対応する全ての画素に、共通の第4ファジーモデル部を使用したが、地域を分割しそれぞれの地域を代表する地点で実測した日射を用いて地域ごとに第4ファジーモデル部を学習し、分割した地域ごとに学習した地域ごとの第4ファジーモデル部を適用することで、地域の特性に合わせて衛星画像の画素データからよりきめ細かく日射を推定することもできる。
このように、日射強度予測システム300によれば、衛星画像からτ=n′T時間後の衛星画像を予測し、この衛星画像から日射強度予測値と実際の日射強度との誤差Eが許容値以下となるように学習を行った演算式Q(t,τ)を用いて現在時刻から所定時間τ=n′T経過後の日射強度予測値を求めるものであるから、気象衛星画像データに基づき現在時刻から所定時間τ=n′T経過後の日射強度予測値を正確に求めることができ、実際の日射強度との誤差を限りなく小さくすることができる。
第4実施例では、学習させた後は第4ファジーモデル部310を学習させていないが、衛星画像と地上での実測日射強度のデータが得られるごとに学習させるようにしてもよい。
[第5実施例]
図8は第5実施例の太陽光発電出力予測システム400の構成を示すブロック図である。
410は第5ファジーモデル部(発電出力推論部)であり、この第5ファジーモデル部410は、第4ファジーモデル部310が求めた日射強度予測値と、太陽高度方位算出部13が求めた太陽高度および太陽方位と、気象予報データとから所定時間後の太陽光発電装置12の発電出力値(発電出力予測値)を後述する特性式に基づいて求める。141は第5ファジーモデル部410が求めた発電出力予測値と太陽光発電装置12の実際の発電出力値との差(誤差)を求める比較部である。
第5ファジーモデル部410は、複数個のファジー集合に区分する第5ファジー集合定義部411と、各要素のそのファジー集合に属する割合(グレード)を表す第5メンバーシップ関数(メンバーシップ関数)を定義する第5メンバーシップ関数定義部(メンバーシップ関数定義部)412と、第5メンバーシップ関数定義部412が定義した第5メンバーシップ関数と該第5メンバーシップ関数の重み付けとに基づき所定時間経過後の発電出力予測値を求める特性式(推論式)を定義する第5特性式定義部(推論式定義部)413と、この第5特性式定義部413で定義された特性式で求める発電出力予測値と所定時間後の実際の発電出力値との誤差が許容値以下となるように第5メンバーシップ関数の重み付けを修正することにより特性式の学習を行わせる第5学習部(学習部)414等とを有している。
第4ファジーモデル部310は、日射強度予測値を求めるように既に学習されたファジーモデル部である。
第5ファジーモデル部410に入力する数値予報データは、衛星画像の各画素に対応した地域ごとに、第4ファジーモデル部から出力される日射強度予測値Q(t,τ)と、太陽高度方位算出部13から出力される当該地域の太陽高度および太陽方位と、気象衛星画像の各画素に対応する当該地域について気象庁8から出される気象予報データの地表面における風速V0(t,τ)と気温T0(t,τ)の5種類である。
[動 作]
次に、上記のように構成される太陽光発電出力予測システム400の動作について説明する。
太陽光発電装置12が設置されている地域について、当該地域の日射強度予測値と気象庁8から出される数値予報と、太陽高度および太陽方位など5種類の数値予報データが得られるものとする。また、気象庁8から時刻tに出されたτ時間後の数値予報と、日射強度予測値と、太陽高度と太陽方位などをYa(t,τ)と表すとする。
いま、時刻tにおいて、太陽光発電装置12が設置されている地域について、5種類の数値予報データが得られたとする。
得られた数値予報データとしては、日射強度予測値Q(t,τ)と、地表面における風速V0(t,τ)および気温T0(t,τ)と、太陽高度θh(t,τ)と、太陽方位θd(t,τ)の5種類である。
気象衛星302から気象衛星画像データが送信されてくると、画像処理部301は、可視画像、赤外画像、水蒸気画像別に処理をしてそれぞれのτ=n′T時間後の衛星画像を求め、所定領域内の各画素の信号を第4ファジーモデル部310へ入力させる。
第4ファジーモデル部310は、画像処理部301から入力されるτ=n′T時間後の所定領域内の各画素の信号と、太陽高度方位算出部13が算出する太陽高度θh(t,τ)および太陽方位θd(t,τ)とから、第4実施例で説明したように(19)式ないし(24)式に基づいて日射強度予測値Q(t,τ)を求める。
ここでは、時刻tから所定時間τ経過後の数値予報データYa(t,τ)が第5ファジーモデル部410へ入力される。ここで、Ya(t,τ)の要素数は各画素当たり5個である。
その数値予報データを下記に(9A)式として示す。
Figure 0005723362
なお、気象庁8から出される数値予報のデータについては、気象衛星の画像に対応する地域内に出される数値予報データを使用するが、複数あるときは地域の中心に近い数値予報データを使用するか平均値を用いる。また、当該地域に数値予報データが出されていない場合は、直近の地域の数値予報データを使用する。
この数値予報データYa(t,τ)の各要素それぞれをmn個(添え字nはYa(t,τ)のn番目の要素)に区分して(10A)式を定義する。
Figure 0005723362
この要素n毎にファジー集合Mn(n=1〜5)を定義する。要素nごとのファジー集合を以下の(11A)式で定義する。(9A)式ないし(11A)式は第5ファジー集合定義部411が作成する。
Figure 0005723362
要素nのi番目のファジー集合M(n,i)(i=1〜m)に属する割合(グレード)を表すメンバーシップ関数G(n,i)とする。
このメンバーシップ関数G(n,i)は、各種のものを用いることができ、例えば図3に示す三角形関数があるが、ここでは、下記(12A)式で示すものを用いる。
Figure 0005723362
ただし、Ym(t,τ):数値予報Ya(t,τ)の要素nの値
g(n,i):数値予報Ya(t,τ)の要素nのi番目のファジー集合の中心値
D(n,i):数値予報Ya(t,τ)の要素nのi番目のファジー集合の広がり
数値予報データを(12A)式の右辺に代入して、下記の(13A)式に基づきグレードを計算する。(13A)式の演算やグレードは、第5メンバーシップ関数定義部412が演算する。
Figure 0005723362
ただし、i1=1〜m1


5 =1〜m5
(13A)式を用いて発電出力予測式としての特性式P(t,τ)を以下の(14A)式で定義する。この特性式P(t,τ)は第5特性式定義部413が定義する。
Figure 0005723362
ただし、W(i1,…i5)は重み係数である。
ここで、時刻tの太陽光発電出力の実際値が得られる地点の、時刻tの実測日射強度または日射強度予測値と、気象庁8から出される地表面における時刻tの風速および気温の気象数値予報値と、その地点の時刻tにおける太陽高度と太陽方位を加えたデータを1組とするq組の数値データYa(t,τ)と、各組に対応した実際の太陽光発電出力として、対象時刻を中心にした一定時間幅内の太陽光発電出力の平均値Pb(tj,τ)とを与えたとき、(14A)式で得られた太陽光発電出力予測値P(tj,τ)と実測した太陽光発電出力Pb(tj,τ)の誤差Eを下記の(15A)式で定義する。ただしj=1,…,q,τ=0である。
Figure 0005723362
この(15A)式で示す誤差をより小さくする重み付けW(i1,…i5)は(15A)式をW(i1,…i5)で偏微分した(15D)を用い、下記(16A)式によりW(i1,…i5)を修正することで得られる。
Figure 0005723362
Figure 0005723362
ただし、W′(i1,…i5)は修正前の重み付け、γは定数である。
(15A)式で示す誤差Eが許容範囲内に入るまで(14A)式〜(16A)式の計算を繰り返し行い、重み付けW(i1,…i5)を修正する。すなわち、第5学習部414は、誤差Eを求めて、この誤差Eが許容値以下となるように重み付けを修正して演算式P(t,τ)の学習を行う。この学習では、第4ファジーモデル部310が出力する日射強度予測値を用いるが、学習に用いる実際の太陽光発電出力値と同じ時刻の日射強度の実測値を一定時間幅内で平均した値を用いてもよい。
第5ファジーモデル部410の学習が終了したら、気象衛星302から送信されてくる気象衛星画像データを画像処理部301が画像処理および演算処理して、各可視画像,赤外画像,水蒸気画像のτ=n′T時間後の衛星画像をそれぞれ求め、太陽光発電装置12が設置されている地域に対応する各画素信号を第4ファジーモデル部310へ出力する。
そして、上述したように図6に示す第4ファジーモデル部310は、画像処理部301が求めたτ時間後の各画素の画像信号に基づいて太陽光発電装置12が設置されている地域の日射強度予測値Q(t,τ)を求め、この日射強度予測値Q(t,τ)が第5ファジーモデル部410に入力される。
また、τ時間後の日時(月日および時刻)と太陽光発電装置12が設置されている位置(緯度,経度)を入力部11に入力して、太陽高度方位算出部13で所定時間τ後の太陽高度θh(t,τ)と太陽方位θd(t,τ)を算出させ、この太陽高度θh(t,τ)と太陽方位θd(t,τ)のデータが第5ファジーモデル部410に入力される。
また、太陽光発電装置12が設置されている地域を含む衛星画像の画素に対応した気象庁8から出される気象予報データ(風速V0(t,τ),気温T0(t,τ))も第5ファジーモデル部410に入力する。
第5ファジーモデル部410は、入力したデータにより(9A)式ないし(14A)式に基づいて発電出力予測値を演算する。
このように、太陽光発電出力予測システム400は、発電出力予測値と実際の発電出力値との誤差Eが許容値以下となるように学習を行った特性式P(t,τ)を用いて現在時刻から所定時間τ経過後の発電出力予測値を求めるものであるから、気象衛星画像データおよび気象予報データに基づき現在時刻から所定時間τ経過後の発電出力予測値を正確に求めることができ、太陽光発電装置12の実際の発電量との誤差を限りなく小さくすることができる。
この第5ファジーモデル部410を用いれば、重み付け係数を時間τ経過後に得られた実際の太陽光発電装置12の発電出力値と、τ時間前の発電出力予測値との誤差に基づいてその誤差が自動的に許容値以下に漸近するように演算できるので、気象衛星画像データおよび気象予報データに基づき太陽光発電装置12の発電出力予測値を正確に求めることができる。
また、気象庁8から出される気象予報データが33時間先まで1時間刻みで出され、しかも気象衛星302から気象衛星画像データが30分間隔で送信されてくるので、33時間先まで30分刻みで太陽光発電出力値を予想することができることになる。
この第5実施例では、太陽光発電装置12の実際の発電出力として1台の太陽光発電装置の出力を用いて学習したが、衛星画像の画素に対応する地域内の複数の太陽光発電装置の合計出力でも良い。その出力合計値を用いて第5ファジーモデル部410を学習しておけば、学習後の第5ファジーモデル部410に、日射強度予測値と、地表面における風速および気温と、太陽高度および太陽方位を入力することで、当該地域の複数の太陽光発電装置の合計出力を予測することもできる。
また、学習に用いる太陽光発電装置12の実際の発電出力として、衛星画像の画素に対応する地域内の太陽光発電装置の出力(1台または複数台の合計値)を当該太陽光発電装置の定格容量で除して求めた無次元化した値を用いても良い。第5ファジーモデル部410を無次元化した太陽光発電装置の出力を用いて学習しておけば、第5ファジーモデル部410に、日射強度予測値と、地表面における風速および気温と、太陽高度および太陽方位を入力することで、無次元化した太陽光発電装置の出力を予測することができる。この無次元化した太陽光発電装置の出力予測値に当該地域に設置されている太陽光発電の設備容量を乗じることで、当該地域に設置されている太陽光発電設備の実際の出力を予測することが可能になる。
また、無次元化した太陽光発電装置の出力を予測できるように学習した第5ファジーモデル部410を用いて、学習に用いる太陽光発電が設置されていない地域についても、同様に衛星画像の画素に対応した地域ごとに無次元化した太陽光発電装置の出力を予測することができる。学習が終わった上記の第5ファジーモデル部410に、それぞれの画素に対応した地域ごとに、日射強度予測値と、地表面における風速および気温と、太陽高度および太陽方位を入力することで、無次元化した太陽光発電装置の出力予測値が得られ、当該地域に設置されている太陽光発電の設備容量を乗じることで、当該地域の太陽光発電の出力を予測することができる。
また、上記では太陽光発電設備の発電出力の予測値を求めたい全ての地域に、学習が終わった共通の第5ファジーモデル部410を使用したが、地域を分割し、それぞれの地域を代表する太陽光発電設備の発電出力の実測値を用いて、それぞれの地域ごとに第5ファジーモデル部410を学習しておくことで、分割したそれぞれの地域の特性に合わせたきめ細かい太陽光発電設備の発電出力を推定することもできる。
また、この第5実施例も学習させた後は第5ファジーモデル部410を学習させていないが、太陽光発電装置12の実際の発電出力が得られる毎に学習させるようにしてもよい。
[第6実施例]
図9は第6実施例の太陽光発電出力予測システム500の構成を示したブロック図である。
510は第6ファジーモデル部(発電出力推論部)であり、この第6ファジーモデル部510は、画像処理部301が求めた所定時間τ=n′T後の気象衛星画像の画像データと、太陽高度方位算出部13が算出した太陽高度θh(t,τ)および太陽方位θd(t,τ)と、気象庁8から出される気象数値予報のうち地表面の風速V0(t,τ)と気温T0(t,τ)とに基づいて所定時間τ後の太陽光発電装置12の発電出力(発電出力予測値)を求める。
第6ファジーモデル部510は、複数個のファジー集合に区分する第6ファジー集合定義部511と、各要素のそのファジー集合に属する割合(グレード)を表す第6メンバーシップ関数(メンバーシップ関数)を定義する第6メンバーシップ関数定義部(メンバーシップ関数定義部)512と、第6メンバーシップ関数定義部512が定義した第6メンバーシップ関数と該第6メンバーシップ関数の重み付けとに基づき所定時間経過後の発電出力予測値を求める特性式(推論式)を定義する第6特性式定義部(推論式定義部)513と、この第6特性式定義部513で定義された特性式で求める発電出力予測値と所定時間後の実際の発電出力値との誤差が許容値以下となるように第6メンバーシップ関数の重み付けを修正することにより特性式の学習を行わせる第6学習部(学習部)514等とを有している。
[動 作]
次に、上記のように構成される太陽光発電出力予測システム500の動作について説明する。
先ず、気象衛星302から時刻tに送信されてきた衛星画像に基づいてτ=n′T時間後の可視画像,赤外画像,水蒸気画像を第4実施例と同様にして画像処理部301で算出し、この算出したτ時間後の可視画像,赤外画像,水蒸気画像の所定領域内の各画素の信号と、太陽高度とを第6ファジーモデル部510に入力させる。
また、気象庁8から出される時刻tからτ時間後の気象数値予報データの中から、当該画素に対応する地域の地表面における風速と気温が第6ファジーモデル部510に入力されると共に、太陽高度方位算出部13からも、当該画素に対応する地域の位置(緯度、経度)に対応した時刻tからτ時間後の太陽高度と太陽方位が第6ファジーモデル部510に入力される。
いま、時刻tにおいて、太陽光発電装置12が設置されている地域について、τ時間後の7種類の数値予報データが得られるものとする。
得られた数値予報データとしては、可視画像の画素信号a1(t,τ)、赤外線画像の画素信号a2(t,τ)、水蒸気画像の画素信号a3(t,τ)の3つと、画素に対応した地域の太陽高度θh(t,τ) と太陽方位θd(t,τ)の2つと、気象庁8から出される画素に対応した地点の地表面における風速V0(t,τ)、および気温T0(t,τ)の7種類である。
従って、第6ファジーモデル部510に入力されるデータの要素数は、各画素当たり、可視画像の画素信号a1(t,τ)、赤外線画像の画素信号a2(t,τ)、水蒸気画像の画素信号a3(t,τ)の3つに、画素に対応した地域のτ時間後の太陽高度θh(t,τ) と太陽方位θd(t,τ)の2つと、気象庁8から出される画素に対応した地点の地表面における風速V0(t,τ)、および気温T0(t,τ)を加えた7種類である。
ここでは、時刻tから所定時間τ経過後の気象予報データのかたまりXa(t,τ)が第6ファジーモデル部510に入力される。なお、画像処理部は第4実施例の画像処理部301と同様に、気象衛星302の気象衛星画像からτ時間後の気象衛星画像を予測するものである。
その数値データXa(t,τ)を下記に(9B)式として示す。
Figure 0005723362
この数値予報データの塊Xa(t,τ)の各要素Xn(t,τ)それぞれをmn個(添字nはXa(t,τ)のn番目の要素)に区分して(10B)式を定義する。
Figure 0005723362
この要素の区分ごとにファジー集合Mn(n=1〜7)を定義する。要素nごとのファジー集合を以下の(11B)式で定義する。(9B)式ないし(11B)式は第6ファジー集合定義部511が定義する。
Figure 0005723362
各要素のi番目のファジー集合M(n,i)(i=1〜mn)に属する割合を表すメンバーシップ関数(第6メンバーシップ関数)G(n,i)とする。
このメンバーシップ関数G(n,i)は、第1実施例と同様に各種のものを用いることができるが、ここでは、下記(12B)式で示すものを用いる。
Figure 0005723362
ただし、Xn(t,τ):数値予報Xa(t,τ)の要素nの値
g(n,i):数値予報Xa(t,τ)の要素nのi番目のファジー集合の中心値
D(n,i):数値予報Xa(t,τ)の要素nのi番目のファジー集合の広がり
衛星画像データと、太陽高度および太陽方位と、気象予報データをそれぞれ(12B)式の右辺に代入し、下記の(13B)式でに基づきグレードを計算する。このグレードは、第6メンバーシップ関数定義部512が演算する。
Figure 0005723362
ただし、i1=1〜m1


7=1〜m7
(13B)式を用いて発電出力予測値を求める特性式(推論式)P(t,τ)を以下の(14B)式で定義する。この特性式P(t,τ)は第6特性式定義部513が定義する。
Figure 0005723362
ただし、W(i1,・・・,i7)は重み係数である。
ここで、q組の数値予報データと各組に対応した実際の発電出力値として、対象時刻を中心にした一定時間幅内の平均値としてPb(tj,τ)を与えたとき、(14B)式で得られた発電出力予測値P(tj,τ)と実測した発電出力Pb(tj,τ)の誤差(差)Eを下記の(15B)式で定義する。
Figure 0005723362
この(15B)式で示す誤差をより小さくする重み付けW(i1,・・・,i7)は(15B)式をW(i1,・・・i7)で偏微分した(15E)式を用い、下記(16B)式により重み付けW(i1,・・・i7)を修正することで得られる。
Figure 0005723362
Figure 0005723362
ただし、W′(i1,・・・i7)は修正前の重み付け、γは定数である。
(15B)式で示す誤差Eが許容範囲内に入るまで(14B)式〜(16B)式の計算を繰り返し行い、重み付けW(i1,・・・i7)を修正する。すなわち、第6学習部514は、比較部141が求めた誤差Eが許容値以下になるように重み付けを修正して特性式P(t,τ)の学習を行う。
第6ファジーモデル部510の学習が終了したら、気象衛星302から送信されてくる気象衛星画像データを画像処理部301に入力させ、可視画像、赤外画像、水蒸気画像別に、前述の相関係数R0-Tや評価関数H(k,l)の演算処理や画像処理を行い、T時間刻みでτ=n′T時間後まで予測した可視画像、赤外画像、水蒸気画像のそれぞれの衛星画像を予測する。
そして、画像処理部301が予測したτ=n′T時間後の「可視画像の画素信号a1(t,τ)、赤外画像の画素信号a2(t,τ)、水蒸気画像の画素信号a3(t,τ)」と、太陽高度方位算出部13から太陽高度θh(t,τ) と太陽方位θd(t,τ)を、また、気象庁8から出される気象数値予報から地表面における風速V0(t,τ)および気温T0(t,τ)を第6ファジーモデル部510に入力する。第6ファジーモデル部510は、これらのデータから(9B)式ないし(14B)式に基づいて発電出力予測値を求める。
このように、太陽光発電出力予測システム500は、発電出力予測値と太陽光発電装置12の実際の発電出力値との誤差Eが許容値以下になるように学習を行った特性式P(t,τ)を用いて現在時刻から所定時間τ経過後の発電出力予測値を求めるものであるから、気象衛星画像データと気象予報データおよび太陽高度と太陽方位に基づき正確に発電出力予測値を求めることができ、太陽光発電装置12の実際の発電量との誤差を限りなく小さくすることができる。しかも、第4ファジーモデル部310を使用していないので、その構成は簡単なものになる。
なお、この第6実施例では、太陽光発電装置12の実際の発電出力として1台の太陽光発電装置の出力を用いて学習したが、衛星画像の画素に対応する地域内の複数の太陽光発電装置の合計出力でも良い。その出力合計値を用いて第6ファジーモデル部510を学習しておけば、学習後の第6ファジーモデル部510に、太陽光発電装置12が設置されている地域に対応する衛星画像の可視画像と赤外画像と水蒸気画像の画素信号と、地表面における風速および気温と、太陽高度および太陽方位を入力することで、当該地域の複数の太陽光発電装置の合計出力を予測することもできる。
また、学習に用いる太陽光発電装置12の実際の発電出力として、衛星画像の画素に対応する地域内の太陽光発電装置の出力(1台または複数台の合計値)を当該太陽光発電装置の定格容量で除して求めた無次元化した値を用いても良い。第6ファジーモデル部510を無次元化した太陽光発電装置の出力を用いて学習しておけば、第6ファジーモデル部510に、当該地域に対応する衛星画像の可視画像と赤外画像と水蒸気画像の画素信号と、地表面における風速および気温と、太陽高度および太陽方位を入力することで、無次元化した太陽光発電装置の出力を予測することができる。この無次元化した太陽光発電装置の出力予測値に当該地域に設置されている太陽光発電の設備容量を乗じることで、当該地域に設置されている太陽光発電設備の実際の出力を予測することが可能になる。
また、無次元化した太陽光発電装置12の出力を予測できるように学習した第6ファジーモデル部510を用いて、学習に用いた太陽光発電装置12が設置されていない地域についても、同様に衛星画像の画素に対応した地域ごとに無次元化した太陽光発電装置の出力を予測することができる。学習が終わった上記の第6ファジーモデル部510に、それぞれの地域に対応する衛星画像の可視画像と赤外画像と水蒸気画像の画素信号と、地表面における風速および気温と、太陽高度および太陽方位を入力することで、衛星画像の地域に対応して無次元化した太陽光発電装置の出力予測値が得られ、各画素に対応する地域に設置されている太陽光発電の設備容量を乗じることで、当該地域の太陽光発電の出力を予測することができる。
なお、上記では太陽光発電設備の発電出力の予測値を求めたい全ての地域に、学習が終わった共通の第6ファジーモデル部510を使用したが、地域を分割し、それぞれの地域を代表する太陽光発電設備の発電出力の実測値を用いて、それぞれの地域ごとに第6ファジーモデル部510を学習しておくことで、分割したそれぞれの地域の特性に合わせたきめ細かい太陽光発電設備の発電出力を推定することもできる。
また、この第6実施例も学習させた後は第6ファジーモデル部510を学習させていないが、太陽光発電装置12の実際の出力が得られるごとに学習させるようにしても良い。
[第7実施例]
図10は、図1に示す第1実施例の第1ファジーモデル部20の替わりにニューラルネットワーク(日射強度推論部)を用いて現在時刻から所定時間経過後の日射強度予測値を求める3層のニューラルネットワーク600の模式図を示したものである。このニューラルネットワーク600には、第1実施例の(1)式に示すデータ(現在時刻から所定時間後の気象データ等)と、現在時刻から所定時間後の実際の日射強度値とが与えられる。
ニューラルネットワーク600は、入力層603Aと、中間層603Bと、出力層603Cとを有している。入力層603Aのノードは7+4rの個数とする。中間層603Bのノードは任意の個数とし、出力層603Cのノードは1個とする。
入力層603Aは、各ノードiへの入力Xi(t,τ)(i=1〜7+4r)の値をそのまま入力層の出力O1(i)として出力する。中間層603Bのノードjの入力値n2(j)は、重み付け係数(結合係数)をW、バイアスをλとして、下記(30)式により定義する。
Figure 0005723362
中間層603Bのノードjの出力O2(j)は、下記(31)式により定義する。
Figure 0005723362
ただし、f2(n2(j))は非減少で微分可能な関数であり、Wi(j,i)は重み係数である。
出力層603Cのノードの入力n3(1)を下記(32)式により定義する。
Figure 0005723362
また、出力層603Cの出力O3(1)を下記(33)式により定義する。
Figure 0005723362
ただし、f3(n3(j))は非減少で微分可能な関数、W1(j,i)、W2(1,j)は重み係数である。
その出力層603Cのノードから出力される出力O3(1)が日射強度予測式(推論式)である演算式Q(t,τ)に相当する。
時刻tから所定時間τ経過後の気象予報データのかたまりX(t,τ)を入力層603Aの各ノードに与えたとき、出力層603Cのノードから出力されるO3(1)により得られた値がτ時間後の実際の日射強度値としての対象時刻(t+τ)を中心にして一定時間幅内の平均値Qb(t,τ)と一致するように、この出力O3(1)を算出するための重み付け係数W1(j,i)、W2(1,j)、バイアスλを下記(34)式ないし(37)式を用いて学習し調整する。
Figure 0005723362
Figure 0005723362
Figure 0005723362
Figure 0005723362
ただし、
Figure 0005723362
である、なお、W1′(i,j)、λ2′(j)、W2′(i,j)、λ3′(j)は修正前の重みつけ係数である。また、η,μは係数である。
ここでは、重み付け係数を後側の出力層603Cから前側の出力層603Aに遡って修正するバックプロパゲーションによって、重み付け係数の修正を行っている。
時刻tから所定時間τ経過後の気象予報データのかたまりX(t,τ)を入力層603Aの各ノードに与え、演算式O3(1)により得られた値がτ時間後の実際の日射強度の平均値Qb(t,τ)と一致するように、ニューラルネットワーク600に学習させる。
すなわち、所定時間τ経過後の気象予報データに基づく日射強度予測値の誤差が小さくなるように、日射強度予測値と実際の日射強度値との差に基づきニューラルネットワークの各ノードの重み付け係数とバイアスを修正することにより現在時刻tから所定時間τ経過後の日射強度予測値を求める。
このように、重み係数とバイアスを時間τ経過後に得られた実際の日射強度値とτ時間前の予想した日射強度予測値との差に基づいてその誤差(差)が自動的に許容値以下となるように演算することができるので、気象予報データに基づき簡便に正確な日射強度予測値を求めることができ、実際の日射強度との誤差を限りなく小さくすることができる。
第7実施例では、第1実施例の第1ファジーモデル部20の替わりにニューラルネットワーク600を用いて日射強度予測値を求めるようにしたものであるが、第2実施例ないし第6実施例の第2ファジーモデル部110ないし第6ファジーモデル部510をニューラルネットワーク600に替えて、上記のようにして各ノードの重み付け係数を修正することにより現在時刻tから所定時間τ経過後の日射強度予測値や発電出力予測値を求めることができる。

Claims (8)

  1. 地域の位置データに基づいて所定時間後の前記地域の太陽高度および太陽方位を算出する太陽高度方位算出部と、
    前記地域の所定時間後の地表面における風速と気温と相対湿度と時間降水量と雲量と、その地域の等気圧面における気温と上昇流と相対湿度と高度との気象データの数値予報データと、前記太陽高度方位算出部が算出した太陽高度および太陽方位とから所定時間後の日射強度予測値を求める日射強度推論部と、
    前記地域の日射強度を測定する日射強度測定装置と、
    この日射強度測定装置が測定した所定時間経過後の実際の日射強度値と前記日射強度推論部が求めた所定時間後の日射強度予測値との差を求める比較部とを備え
    前記日射強度推論部は、前記比較部が求めた差が許容値以下となるように学習し、この学習の後に、前記太陽高度方位算出部が算出する所定地域の所定時間後の太陽高度および太陽方位と、その所定地域の気象データのうち前記学習に使用した気象データと同じ種目の数値予報データとに基づいて、現在時刻から所定時間後の時刻における前記所定地域の日射強度予測値を求める日射強度予測システムであって、
    前記日射強度推論部は、ファジーモデル部であり、
    該ファジーモデル部は、現在時刻から所定時間経過後の前記太陽高度および太陽方位のデータと前記数値予報データとの総数である複数の要素を複数個のファジー集合に区分するファジー集合定義部と、各要素のそのファジー集合に属する割合を表すメンバーシップ関数を定義するメンバーシップ関数定義部と、このメンバーシップ関数定義部で定義されたメンバーシップ関数と該メンバーシップ関数の重み付けとに基づき所定時間経過後の前記日射強度予測値を求める推論式を定義する推論式定義部と、前記推論式の学習を行なわせる学習部とを有し、
    前記学習部は、前記比較部が求める差が許容値以下になるように前記メンバーシップ関数の重み付けを修正することを特徴とする日射強度予測システム。
  2. 地域の位置データに基づいて所定時間後の前記地域の太陽高度および太陽方位を算出する太陽高度方位算出部と、
    前記地域の所定時間後の地表面における風速と気温と相対湿度と時間降水量と雲量と、その地域の等気圧面における気温と上昇流と相対湿度と高度との気象データの数値予報データと、前記太陽高度方位算出部が算出した太陽高度および太陽方位とから所定時間後の日射強度予測値を求める日射強度推論部と、
    前記地域の日射強度を測定する日射強度測定装置と、
    この日射強度測定装置が測定した所定時間経過後の実際の日射強度値と前記日射強度推論部が求めた所定時間後の日射強度予測値との差を求める比較部とを備え、
    前記日射強度推論部は、前記比較部が求めた差が許容値以下となるように学習し、この学習の後に、前記太陽高度方位算出部が算出する所定地域の所定時間後の太陽高度および太陽方位と、その所定地域の気象データのうち前記学習に使用した気象データと同じ種目の数値予報データとに基づいて、現在時刻から所定時間後の時刻における前記所定地域の日射強度予測値を求める日射強度予測システムであって、
    前記日射強度推論部は、ニューラルネットワークであり、
    該ニューラルネットワークは、所定時間経過後の前記日射強度予測値を求める推論式の重み係数とバイアスを、該推論式で求めた前記日射強度予測値と、前記日射強度測定装置が測定する所定時間経過後の実際の日射強度値との差が許容値以下となるように修正することを特徴とする日射強度予測システム。
  3. 地域の位置データに基づいて所定時間後の前記地域の太陽高度および太陽方位を算出する太陽高度方位算出部と、
    この太陽高度方位算出部が算出した太陽高度および太陽方位と、前記地域の気象データとから所定時間後の日射強度予測値を求める日射強度推論部と、
    前記地域の日射強度を測定する日射強度測定装置と、
    この日射強度測定装置が測定した所定時間経過後の実際の日射強度値と前記日射強度推論部が求めた所定時間後の日射強度予測値との差を求める比較部とを備え、
    前記日射強度推論部は、前記比較部が求めた差が許容値以下となるように学習し、この学習の後に、前記太陽高度方位算出部が算出する所定地域の所定時間後の太陽高度および太陽方位と、その所定地域の気象データとに基づいて、現在時刻から所定時間後の時刻における前記所定地域の日射強度予測値を求める日射強度予測システムであって、
    気象衛星から送信されてくる現在時刻の衛星画像データと現在時刻より所定時間前に送信されてきた衛星画像データとに基づいて現在時刻から所定時間後の衛星画像を予測する画像処理部を備え、
    この画像処理部は、衛星画像の画素とその周辺ごとの相関関係を求めて所定時間後の衛星画像を求め、
    この所定時間後の衛星画像の所定領域内の各画素の信号を前記気象データとすることを特徴とする日射強度予測システム。
  4. 地域の位置データに基づいて所定時間後の前記地域の太陽高度および太陽方位を算出する太陽高度方位算出部と
    記地域の所定時間後の地表面における風速と気温と相対湿度と時間降水量と雲量と、その地域の等気圧面における気温と上昇流と相対湿度と高度との気象データの数値予報データと、前記太陽高度方位算出部が算出した太陽高度および太陽方位とから所定時間後に前記太陽光発電装置が出力する発電出力を予測した発電出力予測値を求める発電出力推論部と、
    前記地域に設けられた太陽光発電装置と、
    前記発電出力推論部が求めた発電出力予測値と所定時間経過後の前記太陽光発電装置の発電出力との差を求める比較部とを備え、
    前記発電出力推論部は、前記比較部が求めた差が許容値以下となるように学習し、この学習の後に、前記太陽高度方位算出部が算出する太陽光発電装置の設置地域の所定時間後の太陽高度および太陽方位と、その所定地域の気象データのうち前記学習に使用した気象データと同じ種目の数値予報データとに基づいて、現在時刻から所定時間後の時刻における前記太陽光発電装置の発電出力予測値を求める太陽光発電出力予測システムであって、
    前記発電出力推論部は、ファジーモデル部であり、
    該ファジーモデル部は、現在時刻から所定時間経過後の前記太陽高度および太陽方位のデータと前記数値予報データとの総数である複数の要素を複数個のファジー集合に区分するファジー集合定義部と、各要素のそのファジー集合に属する割合を表すメンバーシップ関数を定義するメンバーシップ関数定義部と、このメンバーシップ関数定義部で定義されたメンバーシップ関数と該メンバーシップ関数の重み付けとに基づき所定時間経過後の前記発電出力予測値を求める推論式を定義する推論式定義部と、前記推論式の学習を行わせる学習部とを有し、
    前記学習部は、前記比較部が求める差が許容値以下となるように前記メンバーシップ関数の重み付けを修正することを特徴とする太陽光発電出力予測システム。
  5. 請求項1に記載の日射強度予測システムと、
    前記地域に設けられた太陽光発電装置と、
    前記日射強度予測システムの太陽高度方位算出部が算出した太陽の高度および太陽方位と、前記地域の気象データの数値予報データと、前記日射強度予測システムで求めた日射強度予測値または実測の日射強度値とから所定時間後に前記太陽光発電装置が出力する発電出力を予測した発電出力予測値を求める発電出力推論部と、
    この発電出力推論部が求めた発電出力予測値と、所定時間経過後の実際の前記太陽光発電装置の発電出力との差を求める比較部とを備え、
    前記発電出力推論部は、前記比較部が求めた差が許容値以下となるように学習し、この学習の後に、前記太陽高度方位算出部が算出する太陽光発電装置の設置地域の所定時間後の太陽高度および太陽方位と、その設置地域の所定時間後の前記数値予報データと、前記日射強度予測システムで求めた日射強度予測値とに基づいて現在時刻から所定時間後の時刻における前記太陽光発電装置の発電出力予測値を求めることを特徴とする太陽光発電出力予測システム。
  6. 前記発電出力推論部は、ファジーモデル部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システム。
  7. 前記発電出力推論部は、ニューラルネットワーク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システム。
  8. 地域の位置データに基づいて所定時間後の太陽高度および太陽方位を算出する太陽高度方位算出部と、
    前記地域に設けられた太陽光発電装置と、
    前記太陽高度方位算出部が算出した太陽高度および太陽方位と、前記地域の気象データとから所定時間後に前記太陽光発電装置が出力する発電出力を予測した発電出力予測値を求める発電出力推論部と、
    この発電出力推論部が求めた発電出力予測値と所定時間経過後の前記太陽光発電装置の発電出力との差を求める比較部とを備え、
    前記発電出力推論部は、前記比較部が求めた差が許容値以下となるように学習し、この学習の後に、前記太陽高度方位算出部が算出する太陽光発電装置の設置地域の所定時間後の太陽高度および太陽方位と、その所定地域の気象データとに基づいて、現在時刻から所定時間後の時刻における前記太陽光発電装置の発電出力予測値を求める太陽光発電出力予測システムであって、
    気象衛星から送信されてくる現在時刻の衛星画像データと現在時刻より所定時間前に送信されてきた衛星画像データとに基づいて現在時刻から所定時間後の衛星画像を予測する画像処理部を備え、
    この画像処理部は、衛星画像の画素とその周辺ごとの相関関係を求めて所定時間後の衛星画像を求め、
    この所定時間後の衛星画像の所定領域内の各画素の信号を前記気象データとすることを特徴とする太陽光発電出力予測システム。
JP2012520221A 2010-06-17 2010-06-17 日射強度予測システムと太陽光発電出力予測システム Active JP5723362B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2010/060291 WO2011158363A1 (ja) 2010-06-17 2010-06-17 日射強度予測システムと太陽光発電出力予測システム

Publications (2)

Publication Number Publication Date
JPWO2011158363A1 JPWO2011158363A1 (ja) 2013-08-15
JP5723362B2 true JP5723362B2 (ja) 2015-05-27

Family

ID=45347784

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012520221A Active JP5723362B2 (ja) 2010-06-17 2010-06-17 日射強度予測システムと太陽光発電出力予測システム

Country Status (2)

Country Link
JP (1) JP5723362B2 (ja)
WO (1) WO2011158363A1 (ja)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6399426B2 (ja) * 2013-05-13 2018-10-03 パナソニックIpマネジメント株式会社 農業用ハウスの設置評価装置、農業用ハウスの日照量調整装置、プログラム
CN104834981B (zh) * 2015-05-27 2018-10-26 国家电网公司 短期电站光伏功率的主因隐含型预测方法
US11063555B2 (en) * 2015-06-23 2021-07-13 Qatar Foundation For Education, Science And Community Development Method of forecasting for solar-based power systems
JPWO2016208149A1 (ja) * 2015-06-24 2018-04-05 日本電気株式会社 予測システム、予測方法および予測プログラム
CN105373849A (zh) * 2015-10-22 2016-03-02 华北电力大学(保定) 光伏电池组件温度的分步预测方法
CN105404937A (zh) * 2015-11-26 2016-03-16 北京国电通网络技术有限公司 一种光伏电站短期功率预测方法和系统
KR20180077489A (ko) * 2016-12-29 2018-07-09 한국교통대학교산학협력단 수평면 전일사량의 예측방법
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
CN109060618A (zh) * 2018-08-20 2018-12-21 国网冀北电力有限公司张家口供电公司 一种光伏发电功率预测装置及方法
CN111091138A (zh) * 2019-11-14 2020-05-01 远景智能国际私人投资有限公司 辐照预报的处理方法、堆叠泛化模型的训练方法及装置
JP7413140B2 (ja) 2020-05-01 2024-01-15 東京瓦斯株式会社 日射量予測方法、日射量予測プログラム、電力供給システム、電力・熱供給システム
CN113722649B (zh) * 2020-05-25 2023-08-04 阿特斯阳光电力集团股份有限公司 光伏组件正面辐照强度计算方法、装置、设备和存储介质
KR102488667B1 (ko) * 2020-11-25 2023-01-16 주식회사 나눔에너지 머신러닝을 이용한 태양광 발전 예측 시스템
KR102488669B1 (ko) * 2020-11-25 2023-01-16 주식회사 나눔에너지 구름 음영 효과를 적용한 태양광 발전 예측 시스템
CN114256843B (zh) * 2022-03-01 2022-07-08 中国电力科学研究院有限公司 一种分布式光伏辐射数据修正方法及装置
TWI833549B (zh) * 2023-01-12 2024-02-21 春禾科技股份有限公司 日照值估測系統

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006033908A (ja) * 2004-07-12 2006-02-02 Nippon Telegr & Teleph Corp <Ntt> 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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4461064B2 (ja) * 2005-06-23 2010-05-12 株式会社東芝 空調制御装置
JP2007281060A (ja) * 2006-04-04 2007-10-25 Nippon Telegr & Teleph Corp <Ntt> 太陽光発電システムの発電予測方法、装置、およびプログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006033908A (ja) * 2004-07-12 2006-02-02 Nippon Telegr & Teleph Corp <Ntt> 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JPN6010050516; 與那篤史、他: 'ニューラルネットワークを用いた太陽光発電設備の24時間先発電電力予測' 電気学会論文誌 B 電力・エネルギー部門 Vol.128 N, 20080101, P.33-39 *
JPN6010050517; 田中勝也、他: '天気指数を用いたファジィ日射量予測システム' 第44回 システム制御情報学会 研究発表講演会講演論文集 , 20000516, P.687-688 *

Also Published As

Publication number Publication date
JPWO2011158363A1 (ja) 2013-08-15
WO2011158363A1 (ja) 2011-12-22

Similar Documents

Publication Publication Date Title
JP5723362B2 (ja) 日射強度予測システムと太陽光発電出力予測システム
US10302066B2 (en) Reducing curtailment of wind power generation
US10598157B2 (en) Reducing curtailment of wind power generation
Zjavka Wind speed forecast correction models using polynomial neural networks
CN111027175B (zh) 基于耦合模型集成模拟的洪水对社会经济影响的评估方法
KR101926544B1 (ko) 기상 예측 모델을 이용한 기상 관측 방법, 시스템 및 컴퓨터 프로그램
JP2016136001A (ja) 予測装置
CN103718129A (zh) 用于确定由光伏设备输出的功率的方法和装置
US10770898B2 (en) Methods and systems for energy use normalization and forecasting
Suparta et al. Modeling of zenith path delay over Antarctica using an adaptive neuro fuzzy inference system technique
CN110851790A (zh) 一种基于深度学习算法的海流动力优化预报模型
CN110737876B (zh) 区域电网光伏功率预测优化方法和装置
KR20190121460A (ko) 신경망을 이용한 안개 발생 예측방법
Maciel et al. Daily water flow forecasting via coupling between SMAP and deep learning
CN114841395A (zh) 一种基于区域建筑类型的实时电力预测系统及方法
CN116245008A (zh) 基于数字孪生的流域水文模型参数的动态估计方法
Kurtgoz et al. Comparison of ann, regression analysis, and anfis models in estimation of global solar radiation for different climatological locations
JP2020028195A (ja) 太陽光発電システム分布推定装置、太陽光発電システム分布推定方法、太陽光発電システム分布推定プログラム及び太陽光発電出力予測装置
CN109471205A (zh) 一种基于网格化气象数据在电网运行中的监测预警方法
CN117526274A (zh) 极端气候下新能源功率预测方法、电子设备和存储介质
Pai et al. Long range forecast on south west monsoon rainfall using artificial neural networks based on clustering approach
JP2021182319A (ja) 予測装置および予測方法
Hammer et al. Satellite based short-term forecasting of solar irradiance—comparison of methods and error analysis
Naveen et al. A novel weather parameters prediction scheme and their effects on crops.
JP2006242747A (ja) 気温予測補正装置

Legal Events

Date Code Title Description
A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20140204

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20140404

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20140909

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20141104

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: 20150317

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20150327

R150 Certificate of patent or registration of utility model

Ref document number: 5723362

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250