JP5797599B2

JP5797599B2 - 発電量予測方法及びそのシステム

Info

Publication number: JP5797599B2
Application number: JP2012095441A
Authority: JP
Inventors: 前田　俊二; 俊二前田; 渋谷　久恵; 久恵渋谷; 直樹星野
Original assignee: Hitachi Power Solutions Co Ltd
Current assignee: Hitachi Power Solutions Co Ltd
Priority date: 2012-04-19
Filing date: 2012-04-19
Publication date: 2015-10-21
Anticipated expiration: 2032-04-19
Also published as: JP2013222423A

Description

本発明は、風力発電設備の発電量を予測し、予測値に基づいて、電力系統側発電機の出
力制御を行うものであり、発電量の予測方法及びそのシステムに関する。

風力発電設備（システム）は、発電中に二酸化炭素を出さないクリーンなエネルギー源である。しかし、風力発電設備は、設置された環境に依存し、風況に応じて発電量が増減する。この風力発電設備を系統連携する場合、予期せぬ発電量の増減は、系統連携における電力不安定要因を生み、社会問題となる。このため、風力発電設備の発電量を予測し、予測値に基づいて、電力系統側発電機の出力制御を行うことが必要とされる。

風況を予測するには、電波を利用したドップラーレーダを用いて風力発電機前方の風速や風向きを測定し、それらの値から風力発電機の出力値を予測していた。しかしながら、一般的に、自然エネルギーは天候に左右されるため、その発電量は、不確実で予測が困難であるという欠点がある。また、発電量の増加は風力発電機自身で制御（抑制）可能であるが、発電量の低下は何らかの手段でこれを予測し、他の発電設備で代替することが重要である。特に、電力系統側発電機の出力制御を行うための余裕として数１０分後と言ったオーダの予測を考えると、発電量の予測精度は十分とは言えない。

非特許文献１には、蓄電池を用いた合成出力の平滑化システムが紹介されている。一つの方法として、風力発電出力と蓄電池出力の合成出力を事前に電力会社等に通告し、出力一定制御を行う方法が検討されている。出力一定制御を実施するためには、ある程度、事前に数時間先から、2〜3 日以降の風力発電出力の予測情報を元に、運転計画を立て、電力会社に通告する必要がある。通告運転をする際、予測された風力発電出力には、誤差を含んでいるため、実際の運転時においては、この誤差を考慮しながら、蓄電池の制御を行うこととなる。当然、蓄電池のインバータ出力、kWh 容量が大きければ大きいほど、事前の通告通りに合成出力を制御することが容易になり、かつ逸脱率も縮小される。しかしながら、大規模風力発電施設を念頭に置いた場合、要求される蓄電池も巨大になるため、事業性を考慮した場合、出来るだけ少ない容量の蓄電池が望ましく、かつ風力発電の出力予測においても精度のよい手法が要求される。

東北電力では、任意の時刻から始まる20分間において、風力発電設備合成出力(１分間平均値)の「最大値−最小値」が、風力発電機の定格出力合計値の10％以下にすることが定められている。この目的のためには、風力発電設備への鉛蓄電池など蓄電池の導入が必要であると言われている。

特許文献１には、風力発電機の過去の発電量に関する過去データを記憶し、過去データにおける異なる時刻の間の統計的相関若しくは異なる発電機の位置の間の統計的相関に基づいて、風力発電機の発電量に関する予測値を、発生確率を含む時系列データとして算出する方法が述べられている。同様に、特許文献２も同様に、過去データを用いて風向きを予測し、風車の向きを制御する方法が述べられている。特許文献３も同様であり、風況予測を行い、風車を制御することにより、発電量と利益最大化を狙うことについて記載されている。

非特許文献２には、ガウシアンプロセスにより、翌日電力負荷予測をした例が示されている。これは、電力負荷を予測するもので、風力発電設備の発電量を予測するものではなく、風況といったデータは使われていない。

非特許文献３には、系統連携している太陽光発電における短時間先、10分先の発電出力を、日射量をもとに重回帰式に基づいて推定する方法が示されている。しかし、重回帰といった過去のデータに過学習する手法が採用されており、推定信頼性に問題がある。

更に、非特許文献４には、オンラインでマルチステップの予測を構築して、過去の時系列データを用いて秒から分のスケールの風速の非線形予測を行うことが示されている。

特開２０１１−２０００４０号公報特開２００５−９８１８１号公報特開２００８−６４０８１号公報

谷川亮一：蓄電池等併設型風力発電設備での出力一定制御方法における風力発電出力予測方法の検討、日本機械学会第13回動力・エネルギー技術シンポジウム（2008年6月）近江正太郎、森啓之：ガウシアンプロセスによる不確定性を表現した短期電力負荷予測、電気学会論文誌B, Vol. 126−B,pp. 202−208, 2006−02−01 長居達哉：日射量予測に基づく短時間先太陽光発電所出力推定手法、北海道大学大学院情報科学研究科修士論文概要(2011年2月14日) 平田祥人他：秒から分スケールの局所的な風速のリアルタイム予測、平成２４年電気学会全国大会予稿集，第７分冊７−０６４ｐ95、2012−3−21

電力系統側発電機の出力制御を行うための余裕として数１０分後と言ったオーダの風力発電設備の発電量予測を実現する。本発明は、過去の風況時系列データ、過去の気象デ時系列データを記憶しておき、現在の風況・気象時系列データに類似した過去の風況時系列データを抽出し、これをもとに風況予測を行い、発電量を推定するものである。

特許文献１に開示されている過去データの共分散行列に基づく手法では、過去データをガウシアンと仮定し、乱数を発生させてその分布を求めているが、予測というより、分布を求めているに過ぎない。

特許文献２に開示されている方法も、過去データの平均的な振る舞いを予測値として出力しているに過ぎない。

又、特許文献３に開示されている方法では、電力系統側発電機の出力制御を行うことは考慮されていない。

非特許文献１に開示されている方法は、気象庁のRSM−GPVを入力し、気象予測シミュレーションモデルにより、風力発電設備を含む広い範囲の予測シミュレーションを行うもので、着目した風力発電設備に関与する精度の高いデータが得られる訳ではない。

非特許文献２に開示されている方法は、前に述べたように、風力発電設備の発電量を予測するものではない。

非特許文献３に開示されている方法では、短時間先、10分先の発電出力の推定を、日射量をもとに重回帰といった過去のデータに過学習する手法で行う方法が採用されており、推定信頼性に問題がある。

また、非特許文献４に開示されている局所的な風速をリアルタイムで予測する方法は、当該風力発電機から得られる風の情報に基づいて分のオーダでの将来の風速を予測するものであって、風力発電機の周辺の情報が反映されず、予測の信頼性を高くすることが難しい。

さらに、系統連携を考える上で、風況の影響は大きいものであるが、風力発電設備自体の劣化や故障、蓄電池の劣化など、ほかにも考慮すべき案件がある。しかし、上述した特許文献や非特許文献はいずれも、風況の影響に依存する発電量を予測しながら、風力発電設備や蓄電池の健康状態を判断できるものはなく、これに基づき、電力系統側発電機の出力制御を行うことはできない。

そこで、本発明においては、過去の風況時系列データ、気象時系列データなどを記憶し
ておき、現在の風況・気象時系列データに類似した過去の風況時系列データを抽出し、こ
れをもとに数十分先の風況予測を行い、風力発電設備の発電量を推定する発電量予測方法
及びそのシステムを提供するものである。

上記した課題を解決するために、本発明では、風力発電設備の発電量を予測する方法に
おいて、風力発電設備が設置された地点と該風力発電設備が設置された地点の周辺の地点において風況測定器を用いて測定して時系列データベースに格納された過去の風況時系列データの中から現在の風況データと類似した過去の風況時系列データを類似時系列データ選択ユニットで選択し、この類似時系列データ選択ユニットで選択した現在の風況データと類似した過去の風況時系列データと現在の風況データとを用いて風況予測部で現在より先の風況の予測値を算出し、この風況予測部で算出した風況の予測値に基づいて現在より先の発電量を発電量予測部で予測するようにした。

また、上記した課題を解決するために、本発明では、発電量予測システムを、風力発電
設備が設置された地点とこの風力発電設備が設置された地点の周辺の地点の風況と気象情
報及び発電量データを取得するデータ取得部と、このデータ取得部で取得した風力発電設
備が設置された地点とこの風力発電設備が設置された地点の周辺の地点の過去の時系列の
風況と気象情報及び発電量データを記憶する時系列データベース部と、データ取得部で取
得した現在の風力発電設備が設置された地点とこの風力発電設備が設置された地点の周辺
の地点の風況と気象情報及び発電量データと時系列データベース部に記憶された現在の風力発電設備が設置された地点と該風力発電設備が設置された地点の周辺の地点の風況と類似した過去の風況の時系列データの情報とを用いて現在より先の風況を予測する風況予測部と、この風況予測部で予測した風況の情報を用いて風力発電設備の現在より先の発電量を予測する発電量予測部と、風況予測部で予測した現在より先の風況の情報と発電量予測部で予測した風力発電設備の現在より先の発電量の情報とを出力する出力部とを備えて構成した。

本発明によれば、風力発電設備にかかる風速の変動を予測して、それに基づき、電力系統側発電機の出力制御を行うことができるようになる。また、本発明によれば、風力発電設備にかかる風速が低下する時点を予測して発報することができる。

また、風力発電出力と蓄電池出力の合成出力を事前に電力会社等に通告し、出力一定制御を行う方法では、出来るだけ少ない容量の蓄電池で済むという経済的効果がある。

同時に、風力発電設備や蓄電池の健康状態を判断でき、異常発生に備えて、電力系統側発電機の出力制御を行うことができる。

図１は風力発電設備に影響する風況のうち、風力の時系列データと、その結果得られる風力発電設備の発電量の時系列データの一例を示すグラフである。図２は風力発電設備とそれを囲むよう配置された風況測定器の一例を示す平面図である。図３は本発明の実施例にかかる過去の風況に関わる時系列データから、未来の風況を予測するシステムの構成を示すブロック図である。図４は時系列風況データである風速と風向きの挙動を極座標形式で表す円グラフである。図５は時系列風況データである風速と風向きの挙動を時系列形式で表すグラフである。図６はガウシアンプロセス等の回帰手法や予測手法による推定を説明するグラフである。図７はガウシアンプロセスによる風況予測のための過去のデータの例を示すグラフである。図８Ａはガウシアンプロセスにより風況予測を行った結果の例を示すグラフである。図８Ｂはガウシアンプロセスにより風況予測を行った結果に予測値の分散の情報を付加して表示した例を示すグラフである。図８Ｃはガウシアンプロセスにより風速と風向きの挙動を予測した結果の情報に予測値の分散の情報を付加して表示した例を示すグラフである。図９は本発明の実施例の変形例１に係る過去の風況に関わる時系列データから未来の風況を予測するシステムの構成を示すブロック図である。図１０は本発明の実施例の変形例１に係る過去の風況に関わる時系列データから未来の風況を予測するシステムにおける風況予測部１５１において、認識エンジンによる識別ユニット１７を用いて予測を行う場合の動作ブロックを示すブロック図である。図１１は変形例１に係る識別ユニット１７の認識エンジンによる識別方法の例を示すグラフ図である。図１２は変形例１に係る風況予測のための過去のデータの例を示すグラフである。図１３は変形例１に係る風況予測を行った結果の例を示すグラフである。図１４は本発明の変形例２に係る過去の風況に関わる時系列データから未来の風況を予測するシステムの構成を示すブロック図である。図１５Ａは風力発電設備とそれを囲むよう配置された風況測定器の別な例を示す平面図である。図１５Ｂは風力発電設備とそれを囲むよう配置された風況測定器で囲む気柱への空気の出入りを考慮した場合の例を示す風力発電設備とそれを囲むよう配置された風況測定器の斜視図である。図１６は変形例２において風況測定器により得られた風況データを風力発電位置に換算した風速を示すグラフである。図１７は変形例２において気圧計測の結果により得られた気圧の差（勾配）を風力発電位置に換算した風速を示すグラフである。図１８は変形例２に係る粒子（パーティクル）フィルタの概念を説明する図である。図１９は風力発電設備を囲むよう配置された風況測定器、および別の風力発電設備の一例を示す平面図である。図２０は風力発電設備に対する異常検知の方法を説明するブロック図である。図２１は雲の動きを利用した風況予想を行うシステムの構成を示すブロック図である。

本発明は、風力発電設備にかかる風速の変動を予測して、それに基づき、電力系統側発電機の出力制御を行うことを促すため発報する方法に関するものであって、過去の風況に関わる時系列データから、未来の風況を予測する。また、風力発電設備にかかる風速が低下する時点を予測して発報する。

このため、風力発電設備を囲むように、風況測定器を配置し、そのデータを時系列データとして扱い、気圧などの気象データも使う。

そして、具体的には、（１）過去の時系列データから、未来の風況を予測し、かつその信頼性も評価可能な非線形回帰手法であるガウシアンプロセスを用いた予測、（２）過去の時系列データを対象に、k−NNと言った認識手法を時系列データに適用した予測、（３）時系列データを対象にダイナミクスをモデリングし、状態空間モデルを得、粒子フィルタによる予測などからなる高精度発電量予測方法を提供する。

また、本発明では、必要な割合で、風力発電設備を囲むように、風況測定器を配置し、そのデータを時系列データとして使うことにした。また、気圧などの気象データも使うことにした。

また、本発明では、発電量を予測しながら、風力発電設備や蓄電池の健康状態を判断する。
以下に、本発明の実施の形態について、図面を参照して説明する。

図１は本発明が対象とする風力発電設備における風速１と発電量２の時系列データを示す。風速は、風況測定器によるものであり、風向き（図示せず）と併せて、観測されるものである。横軸は時間であり、たとえば１分単位でデータが取得される。同図１において、四角で囲った領域３において発電量の低下が見られる。この低下が起きると、電力の需要予測に合致するよう、速やかに、電力系統側発電機の出力の向上が必要となる。従って、この発電量の低下が予測された時点で、発電量低下予報を出力することが望ましい。本実施例では、この発電量低下の予報を出力する方法について説明する。

図２は風力発電設備４と、その周囲に設けた、複数の風況測定器５ａ〜５ｈの配置例を示す。風況測定器では、風速と風向きを観測する。地上からの高さも、重要なパラメータになる。この例では、着目した風力発電設備を包囲する配置を示したが、主体となる風向きを考慮して風況測定器を配置すればよい。図２では複数の風況測定器５ａ〜５ｈを風力発電設備４から等距離の位置に等間隔で配置した例を示しているが、実際には地形や周辺の環境の状況により、風力発電設備４からの距離や風況測定器５ａ〜５ｈの間隔は、同じでない場合の方が多い。もちろん、風況測定器は、風況を測定可能なものならば、何でもよく、風力発電設備そのものでもよい。いずれにせよ、複数の風況測定手段から、風速と風向きの時系列データが取得される。

図３に本発明にかかる過去の風況に関わる時系列データから、未来の風況と発電量とを予測するための風況及び発電量予測システムと予測方法を説明するブロック図を示す。風況及び発電量予測システムは、時系列風況・気象・発電量データ取得部１０と、時系列データベース１１、風況予測部１５、発電量予測部２０及び表示部２６を備えて構成されている。

時系列風況・気象・発電量データ取得部１０では、現在の時系列風況・気象・発電量データが、上記風況測定器５ａ〜５ｈおよび風力発電設備４自身から得られる。これは、時系列データベース１１に取得のたびに毎回蓄積され、過去の情報として活用できる形態になっている。この時系列データベース１１に蓄積されるデータには、風況データ１２、気象データ１３、発電量データ１４などがある。気象データ１３には、雨や晴れといった天気、気温、湿度、気圧配置などが格納されている。

風況予測部１５においては、時系列データベース１１に格納されているデータを参照して、類似時系列データ選択ユニット１６と回帰エンジンによる識別ユニット１８により、風況予測がなされる。

類似時系列データ選択ユニット１６は、時系列風況・気象・発電量データ取得部１０から入力される現在の時系列風況・気象・発電量データと類似する過去の時系列風況データ１２・気象データ１３・発電量データ１４をデータベース１１から選択する。

識別ユニット１８では、選択された過去の時系列風況データ１２・気象データ１３・発電量データ１４に対し、回帰式により未来予測を行い風況データ２５を得る。回帰の方法は、あとで図６〜図９を用いて説明する。

得られた風況データ２５から発電量予測部２０にて発電量予測を行う。表示部２６は、時系列データベース１１に格納されている風況データの表示や発電量予測部２０で予測した発電量低下の発報や発電量波形を画面上に表示し、出力するものである。

図４、図５を用いて、表示の一例を説明する。図４は、例えば風況測定器５ａから得られた時系列風況データの表し方を与えるものである。図４の円グラフ６では、風速を中央原点からの長さ（たとえば、単位m/s）で表し、風向き（方位）を角度で現している。ある期間の風況データを示している。

これに対し、図５の直交座標系のグラフ８では、風向き（方位７）を角度情報で表わすのは図４の円グラフ６の場合と同じであるが、風速を横軸からの長さ（矢印のベクトル）で表し、時系列データとして表示していることに特徴がある。この例では、南風と北風の頻度が小さいため、東風と西風がよく分かるように、方位を配置している。逆に南風と北風の頻度が大きく東風と西風との頻度が小さい場合には、南風と北風がよく分かるように、方位を配置すればよく、特の方位性がない場合には、両方のグラフを作成すればよい。発電量予測システムとしては、これらの表記により、風況を表すものとする。

上記表示方法は、風況の一つの表現形態である。従って、後述する予測において、この表現形態を観測センサ信号（ベクトル）として扱ってもよい。たとえば、風速と風向きを、図４の原点を中心とする半径ベクトルで表す。図５では、時系列の矢印ベクトルが観測データである。

次に、風況予測の方法を図６〜図９を用いて説明する。図６は、ガウシアンプロセス等の非線形回帰手法や予測手法による推定を説明する図である。学習データ２１と回帰関数２２が描かれている。ここで、学習データ２１が、現在の時系列風況・気象・発電量データと類似したとされる過去の時系列風況・気象・発電量データである。ここで、類似性は、値としてとり得る範囲で選択したものである。

ガウシアンプロセスの解説記事は多いが、ここでは、学会報告「尾崎晋作, 和田俊和, 前田俊二, 渋谷久恵，異常検出におけるSimilarity Based ModelingとGaussian Processesの関連に関して，パターン認識・メディア理解研究会(PRMU),画像工学(IE),133−138(2011.5)」を参照している。ガウシアンプロセスの特徴は、学習データと類似したデータを選択出力し、かつその信頼性も分散として出力可能なことである。

ガウシアンプロセスにおいては、入力ベクトルｘ_１、ｘ_２、…ｘ_ｎと対応する出力ｔ＝（ｔ_１、ｔ_２、…ｔ_ｎ）^Ｔが与えられているとき、新しい入力ベクトルｘ_ｎ＋１に対する出力ｔ_ｎ＋１を予測する。

ここで、σは分散パラメータ、βはノイズを表わす。（数１）により、出力t_est が予測値として得られる。

なお、「Kai Goebe：Prognostics in Battery Health Management, IEEE Instrumentation And Measurement Magazine (2008),Volume: 11, Issue: 4, Pages: 33−40」には、Li−ion蓄電池を対象に、ガウシアンプロセスや後述の粒子（パーティクル）フィルタを用いた蓄電池のRemaining−useful−life(RUL)を推定する技術が紹介されている。

技術的な相違点のひとつは、精度を確保すべく、過去にできるだけ遡ることや、データの時間刻み（サンプリング）を細かくすると、いずれも容量の増大を招く。このような膨大な類似時系列データを、事前に、逐一選択する点であり、これにより、（数１）に示した計算、特に逆行列計算の負荷が減り、短期（短時間での）予測を可能にしている。

図７に、ガウシアンプロセスによる風況予測の例を示す。同図において、上段の波形７０１が電力量であり、下段の波形７０２が風速である。四角で囲んだ部分７１１と７１２が、現時点までの時系列データである。期間は、一ヶ月などと定める。もちろん、長い方がいろいろな現象を網羅でき、高い精度を期待できる。時系列の波形を、ベクトルとしてまとめ、Ｘと表記し、Ｘ_１は風速の波形データ、Ｘ_２は電力量の波形データを表わしている。

図８Ａに、予測の段階を示す。電力量の波形７０１及び風速の波形７０２に対して、それぞれ四角７１１と７１２で囲んだ波形から、ガウシアンプロセスによる風況予測結果を○印７２１と７２２で示す。後に、四角７１１と７１２で囲んだ波形より右（時間的に遅い）のデータが実際に得られることになる。ここで、時刻の刻みをｔとしている。

このグラフにおいて、時刻ｔ_２において風速が低下して発電量が大きく低減し、規定の発電量を確保できなくなることが予想される。この予測結果を表示部２６の画面上に表示して警報を発すると同時に、上位の電力制御系統に発電量低下予測の情報を発信する。

又、図８Ｂには、電力量の波形７０１及び風速の波形７０２に対して、それぞれ四角７１１と７１２で囲んだ波形から、ガウシアンプロセスによる風況予測結果を、（数１）に示した出力ｔ_ｅｓｔの分散の情報も付加して表示したグラフを示す。図８Ｂのグラフでは、分散として、現在の時刻８０１から先の各時刻における電力量の予想値８１０に対する±３σの値８１１、８１２と、風速の予想値８２０に対する±３σの値８２１と８２２とを表示した状態を示している。

さらに、図８Ｃには、図５で説明した風向と風速とを予測した結果を示すグラフに、ガウシアンプロセスによる風況予測結果として（数１）に示した出力ｔ_ｅｓｔの分散の情報も付加して表示したグラフを示す。図８Ｃのグラフでは、現在の時刻８５０よりも前（過去）の風向と風速のデータ８５１のうち四角８５２で囲んだ範囲のデータから推定した現在の時刻８５０よりも先の各時刻の風向と風速の情報８６０をグラフに表示し、（数１）に示した出力ｔ_ｅｓｔの分散の情報として分散の大きさに応じて色を分けて表示した場合を示す。即ち、分散の基準値を予め設定し、推定した風向と風速の分散が予め設定した分散値よりも小さい場合は赤い矢印で表示し、予め設定した分散値よりも大きい場合は青い矢印で表示する。分散の度合いに応じて色分け表示する代わりに、濃淡で表示してもよい。

[変形例１]
次に、風況予測の変形例１を図９〜図１３を用いて説明する。
図９に、変形例１における風況及び発電量予測システムの構成を示す。本システムは、実施例１で図３を用いて説明した風況及び発電量予測システムの風況予測部１５における回帰エンジンによる識別ユニット１８を、風況予測部１５１として認識エンジンによる識別ユニット１７に置き換えたものである。

この風況予測部１５１において、認識エンジンによる識別ユニット１７を用いて予測を行う場合の動作ブロックを図１０に示す。認識エンジン１７に、時系列風況・気象・発電量データ取得部１０から風況データや気象データ・発電量データを入力し、過去の時系列風況データ１２・気象データ１３・発電量データ１４をデータベース１１から読み出し、認識する。データベース１１に記憶された過去の時系列風況データ１２・気象データ１３・発電量データ１４は、認識エンジンによる識別ユニット１７の認識エンジンのパラメータを決めるための教示用の学習データとして使用する。

認識エンジンによる識別ユニット１７においては、時系列風況・気象・発電量データ取得部１０から入力した現在の風況データや気象データ・発電量データと、データベース１１から読み出した過去の時系列風況データ１２・気象データ１３・発電量データ１４とを用いて、学習によりパラメータが設定された認識エンジンにより風況の予測値２５１を求め、その結果を発電量予測ユニット２０１の側へ出力する。

図１１に認識エンジンによる識別ユニット１７の認識エンジンによる識別方法の例を示す。ここでは、ｋ−NN法を挙げているが、時系列データに適用する意味で、時間軌跡を対象にする。過去の時系列データに対し、定めた期間についてこれをベクトル化する。未知パターンとして、現時点までの定めた期間について時系列データをベクトル化し、これと、過去の時系列データのベクトルからの距離を求め、この距離の大小により、未知パターンに近い過去時系列データのベクトルを複数選ぶものである。たとえば、選んだ５個の過去時系列データのベクトルから、時間的に数ステップ先のデータを５個読み出し、これらの重心や、距離の逆数を重みにした重心を、風況や発電量の予測値とする。なお、５個という数値は一例に過ぎない。

図１２に認識エンジン１７による風況予測の例を示す。同図において、図７と同様に、上段の波形１２０１が電力量であり、下段の波形１２０２が風速である。四角１２１１と１２１２で囲んだ部分が、現時点までの時系列データである。期間は、一ヶ月や２週間などと定めている。対象とする時系列データは、風況のみならず、気象データも加えてよい。すなわち、気象が似ていて、風況も類似しているならば、時間的に数ステップ先のデータも、予測値として信頼してよいという考えである。図１２の場合は、実施例１において図７で説明したのと同様に、時系列の波形を、ベクトルとしてまとめ、Ｘと表記し、Ｘ_１は風速の波形データ、Ｘ_２は電力量の波形データを表わしている。

図１３に、予測の段階を示す。電力量の波形１２０１及び風速の波形１２０２に対して、それぞれ四角１２１１と１２１２四角で囲んだ波形から、認識エンジンによる風況予測結果を○印１２２１と１２２２で示す。後に、四角１２１１と１２１２で囲んだ波形より右（時間的に遅い）のデータが実際に得られることになる。ここで、時刻の刻みを１としている。

[変形例２]
次に、風況予測の変形例２の方法を図１４〜図１８を用いて説明する。
図１４に、粒子（パーティクル）フィルタ１９による予測の例を示す。

図１４には、変形例２における風況及び発電量予測システムの構成を示す。本システムは、実施例１で図３を用いて説明した風況及び発電量予測システムの風況予測部１５における回帰エンジンによる識別ユニット１８を、風況予測部１５２として粒子フィルタによる識別ユニット１９に置き換えたものである。

この風況予測部１５２において、粒子フィルタによる識別ユニット１９を用いて予測を行う場合の動作ブロックを図１０に示す。認識エンジン１７に、時系列風況・気象・発電量データ取得部１０から風況データや気象データ・発電量データを入力し、過去の時系列風況データ１２・気象データ１３・発電量データ１４をデータベース１１から読み出し、認識する。データベース１１に記憶された過去の時系列風況データ１２・気象データ１３・発電量データ１４は、認識エンジンによる識別ユニット１７の認識エンジンのパラメータを決めるための教示用の学習データとして使用する。

（数２）に、時系列データの予測のためのモデルを示す。（数３）から（数６）は、各成分モデルである。

風力発電に即したダイナミクスを反映したモデルを検討することが重要である。以下、各成分を説明する。

図１５Ａに、風況測定器５１ａ〜５１ｇを用いて、風力発電設備４の周囲で、風況を測定する例を示す。地形等に合わせて、必要な箇所に、風況測定器５１ａ〜５１ｇを配置している。同図において、風力発電設備４の位置に影響する風況を示す。風速と風向きに応じて、風力発電設備４の位置Ｃで、ベクトル成分の和として表現できる。

同様に、図１５Ｂに、風況測定器５１ａ〜５１ｇを用いて、風力発電設備４の周囲で、風況を測定する例を示す。この場合は、風況測定器５１ａ〜５１ｇで囲む「気柱」３０を考え、この「気柱」３０への空気の入出力を考え、気柱３０全体が受ける風の力を表している。同図の中央の矢印(風況ベクトル）１５０は、「気柱」３０全体の風速と考える。もちろん、気圧の勾配として考えてもよい。上記「気柱」３０は、円柱である必要はなく、平面的には、風況測定器５１ａ〜５１ｇの実際の配置に依存した形状をもつ。「気柱」３０の高さは、風況測定器５１ａ〜５１ｇの計測可能な範囲の高さである。

図１６に、風力発電設備４の位置Ｃにおける、この風況ベクトル１５０の換算風速をグラフで示す。関数ｆｗで、非線形化している。これが、（数３）に相当する成分である。図１７には、気圧配置から、風力発電設備４の位置Ｃで気圧の差（勾配）を示す。この気圧の差（勾配）から、関数ｆｐで、非線形化している。これが、（数４）に相当する成分である。（数５）と（数６）は、トレンド成分と別な揺らぎを示すモデルである。２階差分で表したが、何階差分でもよい。Ｖはノイズ項である。

これらから、（数７）で表わされるシステムモデル、（数８）で表わされる観測モデルなどの状態モデルを生成することを示す。

詳細は、樋口知之：粒子フィルタ、電子情報通信学会誌 Vol.88, No.12,2005 に詳しい。図１８に、粒子フィルタの動作説明を示す。結果的には、図１３に示すような予測結果が得られる。

図１９には、風況測定器５１ａの代わりに、別の風力発電設備４ｂがある場合の例を示す。この場合も、同じアプローチが使えることになる。

上述した実施例及び変形例１、変形例２において、ガウシアンプロセス、認識エンジン、粒子（パーティクル）フィルタなどを用いて説明したが、これらは組合せて使用してもよい。たとえば、予測時刻の最も早い時刻、遅い時刻、平均時刻など、瞬発性、信頼性、いろいろな視点で出力を加工できる。

本実施例によれば、風力発電設備４にかかる風速の変動を予測して、それに基づき、電力系統側発電機の出力制御を行うことができるようになる。また、本実施例によれば、風力発電設備４にかかる風速が低下する時点を予測して発報することができる。

また、風力発電出力と蓄電池出力の合成出力を事前に電力会社等に通告し、出力一定制御を行う方法では、出来るだけ少ない容量の蓄電池で済むという経済的効果がある。さらには、蓄電池の充放電計画を精度良く立てることができるようになる。また、風速の低下により風力発電出力と蓄電池出力との合成出力が規定の出力に達しなくなることが予測される場合には、その時点を予測して上位の発電制御システムに情報を発信することができる。

また、風況データを用いることにより、風力発電設備の保守を行うこともできるようになる。

具体的には、風況データに対する発電量の推移を蓄積し、風況データと発電量からなる観測データを対象に、異常検知や異常予兆など、風力発電設備の健康状態を判断できる。もちろん、風力発電設備の制御パラメータも、上記観測データに加えると、より信頼性のある健康診断が可能となる。実現方法は、たとえば、特開２０１０−１９１５５６号公報に記載の部分空間法などが使える。

図２０にその方法を示す。ここでは、風況データと発電量をセンサデータ４０と称している。風況データと発電量からなるセンサデータを入力して（Ｓ２０１）それぞれのセンサデータ４０の特徴を抽出し（Ｓ２０２）、センサデータ４０間の類似度に着目し、正常事例からなるコンパクトな学習データを生成し（Ｓ２０３）、生成した学習データを部分空間法（LSC：Local Subspace Classifier）（４５）でモデル化し、観測したセンサデータと部分空間の距離関係に基づき、観測したセンサデータの乖離度を求め（Ｓ２０４）、これを異常測度として観測したセンサデータの健康状態を判断する（Ｓ２０５）。これにより、発電量を予測しながら、風力発電設備の健康状態を判断できる。より具体的には雷や台風といった自然災害による故障、増速機の歯車や軸受けの劣化、ブレードの疲労など、風力発電設備の健康状態をモニタできる。当然であるが、風力発電設備に別途取り付けた監視用センサ信号も併せて使うことができる。これらの監視用センサ信号は、温度、圧力、回転数、電圧など、故障検知のためのものである。

上記風力発電設備の健康状態判断方法は、蓄電池の健康状態判断にも適用できる。このようにして、系統連携に大きな問題を生じる、風速低下による発電量低下、風力発電設備の劣化や異常による発電量低下、蓄電池の劣化や故障による発電量低下などを事前に検知でき、電力系統側発電機の出力制御を行うことができるようになり、顧客への電力供給サービスを円滑に行うことが可能となる。

なお、系統連系では、電力会社が供給する電力と同じ品質が要求されるため、風力発電で発生した電圧が過電圧や不足電圧になったり、周波数上昇や低下が発生したりすると、電力会社の系統全体の品質に悪影響を及ぼす。これら不具合を検出する継電器を設置して、電圧や周波数の異常を検出した際に、即座に電力会社系統から切り離している。異常予兆の内容・種類によるが、継電器への制御入力とすることも可能である。

上記実施例は、風力発電設備に関して説明したが、太陽光発電も自然エネルギーであり、日射量などを対象に、上述した手法が適用できる。

最後に、雲の動きを利用した風況予測を説明する。雲の種類を同定し、それより雲の高さを算出し、次に雲の動きを測定するものである。図２１にその構成を示す。５１は、観測用カメラシステムであり、５２は、雲の種類、動き測定システムである。雲の高さごとに、その移動速度、方向を算出する。そして、これらの雲の動き情報の記憶領域を、図１４の時系列データベース１１内に設け、風況予測部１５に入力することにより、風速予測に使う。ここで、下層雲である、積層雲や積雲、積乱雲などが、地上から高度２０００ｍ程度の雲であり、これらを対象に、その高度と動きを計測するものである。

観測用カメラシステム５１に用いるカメラは視野の広いオムニカメラなどが適している。ほかにも、活用できるものがあれば、同様に、図１４の風況予測部１５に入力することにより実現できる。鉄道の路線沿いであれば、その風況測定データを入力する。飛行場が近くにあれば、滑走路の近くで得た風況測定データを入力する。気象庁の観測データも同様に、風況予測部１５に入力する。時系列データの予測のためのモデル式、（数２）に、これらの成分を追加するだけでよい。

上述した実施例は、地形条件や風況観測データ、地表粗度、風車設置条件などの入力に基づき、任意の地点における風況などを予測するシミュレーションへの入力データとして使用することも可能である。シミュレーションソフトとしては、RIAM−COMPACT社のものや、NEDO開発のLAWEPSや、RISO王立研究所開発のWAsPなどがある。空間分解能が粗いことが、弱点であり、これを補間することが可能になる。相互に活用し得ることが、利点となる。

なお、シミュレーションにおいて、地形の複雑度が、風況予測精度を左右することが言われている。この指標には、例えば、1. RIX（Ruggedness Index）、2. 起伏量、3. 谷密度、4. 高度分散量、5. 勾配、6. 標高のラプラシアン、7. 表面積比、8. 平均比高、9. 地形の険しさ指数、10.波数領域での計測値などがある（http://homepage3.nifty.com/chacocham/Wind_Note/note/note_019.htm）。本実施例で述べた、過去の風況に関わる時系列データから、未来の風況を予測する方法は、地点それぞれにおいてモデリングするため、上記ファクタに影響を内包することになり、明示的には影響を受けないことが特徴である。言い換えれば、どのような地形においても有効である。

２…風力発電設備の発電電力４…風力発電設備５…風況測定器１０…時系列風況・気象・発電量データ取得部１１…時系列データベース１５…風況予測部２０…発電量予測部２６…表示部５１…観測用カメラシステム５２…雲の種類、動き測定システム。

Claims

風力発電設備の発電量を予測する方法であって、
風力発電設備が設置された地点と該風力発電設備が設置された地点の周辺の地点において風況測定器を用いて測定して時系列データベースに格納された過去の風況時系列データの中から現在の風況データと類似した過去の風況時系列データを類似時系列データ選択ユニットで選択し、該類似時系列データ選択ユニットで選択した現在の風況データと類似した過去の風況時系列データと現在の風況データとを用いて風況予測部で現在より先の風況の予測値を算出し、該風況予測部で算出した風況の予測値に基づいて現在より先の発電量を発電量予測部で予測することを特徴とする発電量予測方法。
前記風力発電設備は蓄電池を備え、前記風況予測部で予測した風況に基づいて現在より先の前記蓄電池を含めた発電量を前記発電量予測部で予測することを特徴とする請求項１記載の発電量予測方法。
風力発電設備が設置された地点と該風力発電設備が設置された地点の周辺の地点において風況測定器を用いて測定して時系列データベースに格納された過去の風況時系列データの中から前記類似時系列データ選択ユニットで選択した現在の風況データと類似した過去の風況時系列データと現在の風況データとを用いて前記風況予測部で現在より先の風況の予測値を算出することを、ガウシアンプロセスを用いて行うことを特徴とする請求項１記載の発電量予測方法。
風力発電設備が設置された地点と該風力発電設備が設置された地点の周辺の地点において風況測定器を用いて測定して時系列データベースに格納された過去の風況時系列データの中から前記類似時系列データ選択ユニットで選択した現在の風況データと類似した過去の風況時系列データと現在の風況データとを用いて前記風況予測部で現在より先の風況の予測値を算出した結果と該記風況予測部で算出した風況の予測値に基づいて前記発電量予測部で求めた現在より先の発電量を予測した結果とを、時系列データとして表示部に表示することを特徴とする請求項１記載の発電量予測方法。
風力発電設備が設置された地点と該風力発電設備が設置された地点の周辺の地点において風況測定器を用いて測定して時系列データベースに格納された過去の風況時系列データの中から前記類似時系列データ選択ユニットで選択した現在の風況データと類似した過去の風況時系列データと現在の風況データとを用いて前記風況予測部で現在より先の風況を予測した結果を、時系列データとして、予測値の分散の情報と一緒に前記表示部に表示することを特徴とする請求項４記載の発電量予測方法。
風力発電設備が設置された地点と該風力発電設備が設置された地点の周辺の地点の風況
と気象情報及び発電量データを取得するデータ取得部と、
該データ取得部で取得した前記風力発電設備が設置された地点と該風力発電設備が設置
された地点の周辺の地点の過去の時系列の風況と気象情報及び発電量データを記憶する時
系列データベース部と、
前記データ取得部で取得した現在の風力発電設備が設置された地点と該風力発電設備が
設置された地点の周辺の地点の風況と気象情報及び発電量データと前記時系列データベー
ス部に記憶された現在の風力発電設備が設置された地点と該風力発電設備が設置された地点の周辺の地点の風況と類似した過去の風況の時系列データの情報とを用いて現在より先の風況を予測する風況予測部と、
該風況予測部で予測した風況の情報を用いて前記風力発電設備の現在より先の発電量を
予測する発電量予測部と、
前記風況予測部で予測した現在より先の風況の情報と前記発電量予測部で予測した前記
風力発電設備の現在より先の発電量の情報とを出力する出力部と
を備えたことを特徴とする発電量予測システム。
前記風力発電設備は蓄電池を備え、前記発電量予測部は、前記風況予測部で予測した現
在より先の風況の情報に基づいて現在より先の前記蓄電池を含めた発電量を予測すること
を特徴とする請求項６記載の発電量予測システム。
前記風況予測部は、前記時系列データベース部に記憶された現在の風力発電設備が設置された地点と該風力発電設備が設置された地点の周辺の地点の風況と類似した前記過去の時系列の風況の情報と現在の風況の情報とを用いて現在より先の風況を予測することを、ガウシアンプロセスを用いて行うことを特徴とする請求項６記載の発電量予測システム。
前記出力部は、前記時系列データベース部に記憶された現在の風力発電設備が設置された地点と該風力発電設備が設置された地点の周辺の地点の風況と類似した前記過去の時系列の風況の情報と現在の風況の情報とを用いて現在より先の風況を予測した結果と該予測した風況に基づいて求めた現在より先の発電量を予測した結果とを、時系列データとして画面上に表示することを特徴とする請求項６記載の発電量予測システム。