JP6543028B2 - 異常診断装置及び異常診断方法 - Google Patents

Description

本発明の実施形態は、異常診断装置及び発電設備に関する。

近年、再生可能エネルギーを利用して発電する発電設備が普及している。このような発電設備の異常診断では、診断期間の気象状態を考慮することが重要となる。これは、太陽光などの再生可能エネルギーを利用する場合、発電設備の発電量が気象状態に応じて変化するためである。

従来、このような発電設備の異常診断方法として、気象状態に応じた発電量の予測モデルを作成し、予測モデルにより予測された診断期間の発電量の予測値と、診断期間の発電量の計測値と、を比較する方法が提案されている。予測モデルは、所定の学習期間の気象状態及び発電量の計測値に基づいて作成される。

しかしながら、上記の異常診断方法には、学習期間が短い場合、発電量の予測精度が低下するという問題があった。これは、気象状態が季節性を有するため、学習期間が短いと、予測モデルが学習期間の気象状態に特化してしまうことが原因である。例えば、夏期の気象状態に基づいて作成された予測モデルは、夏期の発電量の予測に特化してしまい、冬期の発電量を精度よく予測することができない。このため、従来の異常診断方法では、異常診断の精度を向上させるために、長期間の気象状態及び発電量の計測値が必要となった。

特開２０１３−１９１６７２号公報 特開２０１１−１４２７９０号公報

短い学習期間で発電設備の異常を精度よく診断することができる異常診断装置及び異常診断方法を提供する。

一実施形態に係る異常診断装置は、重み係数算出部と、予測モデル作成部と、予測値算出部と、異常診断部とを備える。重み係数算出部は、学習期間の気象パラメータの分布と、診断期間の気象パラメータの分布と、の関係を示す重み係数を算出する。予測モデル作成部は、学習期間の前記気象パラメータと、学習期間の発電設備の発電量と、重み係数と、に基づいて診断期間の発電量の予測モデルを作成する。予測値算出部は、予測モデルと、診断期間の気象パラメータと、に基づいて診断期間の発電量の予測値を算出する。異常診断部は、診断期間の発電量の予測値と、診断期間の発電量と、を比較して発電設備の異常を診断する。

異常診断装置の機能構成を示すブロック図。 予測モデルの作成方法を示す図。 異常診断装置のハードウェア構成を示す図。 異常診断装置の動作を示すフローチャート。 学習期間及び診断期間の一例を示す図。 気象データ記憶部に記憶された気象データの一例を示す図。 発電データ記憶部に記憶された発電データの一例を示す図。 学習期間の気象データの一例を示す図。 診断期間の気象データの一例を示す図。 学習期間の発電データの一例を示す図。 診断期間の発電データの一例を示す図。 重み係数記憶部に記憶された重み係数の一例を示す図。 学習期間の気象データ、発電データ、及び重み係数の一例を図。 予測モデルのパラメータの一例を示す図。 発電量の予測値の一例を示す図。 発電設備の異常診断結果の一例を示す図。

以下、本発明の実施形態について図面を参照して説明する。

本実施形態に係る異常診断装置及び異常診断方法は、発電量が気象状態に応じて変化する再生可能エネルギーを利用して発電する発電設備の異常診断に用いられる。診断対象となる発電設備は、例えば、太陽光発電設備、風力発電設備、及び太陽熱発電設備であるが、これに限られない。

まず、異常診断装置の機能構成について、図１を参照して説明する。図１は、異常診断装置の機能構成を示すブロック図である。図１に示すように、この異常診断装置は、気象データ記憶部１と、発電データ記憶部２と、学習期間気象データ抽出部３と、診断期間気象データ抽出部４と、学習期間発電データ抽出部５と、診断期間発電データ抽出部６と、データ密度算出部７と、重み係数算出部８と、重み係数記憶部９と、予測モデル作成部１０と、予測モデル記憶部１１と、予測値算出部１２と、予測値記憶部１３と、異常診断部１４と、診断結果記憶部１５とを備える。

気象データ記憶部１は、気象データを記憶している。気象データとは、気象状態を示す気象パラメータの計測値の履歴データのことである。気象パラメータは、例えば、気温、日射量、太陽高度、太陽方位、風速、風力、及び風向であるが、これに限られない。気象データには、１つ又は複数の気象パラメータの計測値の履歴データが含まれる。

気象データは、例えば、気象予測装置や発電設備などの外部装置から異常診断装置に入力され、気象データ記憶部１に記憶される。なお、異常診断装置は、気象データ記憶部１を備えない構成も可能である。

発電データ記憶部２は、発電データを記憶している。発電データとは、異常診断装置が異常を診断する発電設備の発電量の計測値の履歴データのことである。発電量は、例えば、発電設備が発電する電力量、直流電圧、直流電流、交流電圧、交流電流、直流電力、及び交流電力であるが、これに限られない。発電データには、１つ又は複数の発電量の計測値の履歴データが含まれる。

発電データは、例えば、データ収集システムによって自動的に抽出されたり、ユーザが発電設備の操作端末を操作することにより、発電設備から異常診断装置に入力され、発電データ記憶部２に記憶される。なお、異常診断装置は、発電データ記憶部２を備えない構成も可能である。

学習期間気象データ抽出部３（以下、「抽出部３」という）は、気象データ記憶部１から、学習期間の気象データを抽出する。学習期間とは、後述する予測モデルを作成するために使用される気象データ及び発電データの期間である。学習期間は、予め設定されていてもよいし、ユーザにより入力されてもよい。学習期間は、通常、発電設備が正常に動作していたと考えられる期間の中から選択される。抽出部３は、異常診断装置が気象データ記憶部１を備えない場合、気象データを記憶した外部装置と通信して、学習期間の気象データを抽出する。

診断期間気象データ抽出部４（以下、「抽出部４」という）は、気象データ記憶部１から、診断期間の気象データを抽出する。診断期間とは、異常診断装置により発電設備の異常を診断する対象となる期間である。診断期間は予め設定されていてもよいし、ユーザにより入力されてもよい。抽出部４は、異常診断装置が気象データ記憶部１を備えない場合、気象データを記憶した外部装置と通信して、診断期間の気象データを抽出する。

学習期間発電データ抽出部５（以下、「抽出部５」という）は、発電データ記憶部２から、学習期間の発電データを抽出する。抽出部５は、異常診断装置が発電データ記憶部２を備えない場合、発電データを記憶した外部装置と通信して、学習期間の発電データを抽出する。

診断期間発電データ抽出部６（以下、「抽出部６」という）は、気象データ記憶部１から、診断期間の発電データを抽出する。抽出部６は、異常診断装置が発電データ記憶部２を備えない場合、発電データを記憶した外部装置と通信して、診断期間の発電データを抽出する。

データ密度算出部７は、抽出部３が抽出した学習期間の気象データに基づいて、学習期間の気象パラメータの分布を示す第１関数P_train(x)を算出する。xは、気象パラメータである。第１関数P_train(x)は、例えば、学習期間の気象パラメータの確率密度関数であるが、これに限られない。第１関数P_train(x)は、確率密度関数のＮ倍（Ｎは任意の実数）というように、正規化されていない関数であってもよい。

また、データ密度算出部７は、抽出部４が抽出した診断期間の気象データに基づいて、診断期間の気象パラメータの分布を示す第２関数P_test(x)を算出する。xは、気象パラメータである。第２関数P_test(x)は、例えば、診断期間の気象パラメータの確率密度関数であるが、これに限られない。第２関数P_test(x)は、確率密度関数のＮ倍（Ｎは任意の実数）というように、正規化されていない関数であってもよい。

重み係数算出部８は、データ密度算出部７が算出した第１関数P_train(x)及び第２関数P_test(x)に基づいて、学習期間の各データにおける重み係数を算出する。重み係数算出部８は、まず第１関数P_train(x)と第２関数P_test(x)とに基づいて、重み関数を算出する。重み関数は、学習期間の気象パラメータの分布と、診断期間の気象パラメータの分布と、の関係を示す関数である。重み関数は、例えば、学習期間の気象パラメータの確率密度関数と、診断期間の気象パラメータの確率密度関数と、の比P_test(x)/P_train(x)（確率密度比関数）や差P_test(x)-P_train(x)であるが、これに限られない。

重み係数算出部８は、この重み関数と、抽出部３により抽出された学習期間の気象データと、に基づいて、学習期間の各データにおける重み係数を算出する。例えば、重み関数がP_test(x)/P_train(x)の場合、気象パラメータの計測値がxiのデータの重み係数はP_test(xi)/P_train(xi)となる。

重み係数記憶部９は、重み係数算出部８が算出した学習期間の各データの重み係数を記憶する。

予測モデル作成部１０は、抽出部３が抽出した学習期間の気象データと、抽出部５が抽出した学習期間の発電データと、重み係数記憶部９に記憶された重み係数と、に基づいて予測モデルを作成する。予測モデルは、気象パラメータに基づいて発電設備の発電量を予測するためのモデルであり、発電量を目的変数、気象パラメータを説明変数とした回帰式である。予測モデル作成部１０は、この回帰式のパラメータを算出することにより、予測モデルを作成する。回帰式のパラメータは、例えば、重み係数を重みとした重み付き最小二乗法により算出されるが、これに限られない。回帰式は、予め設定されていてもよいし、異常診断装置のユーザにより入力されてもよい。

ここで、図２は、予測モデルの作成方法を説明する図である。図２において、横軸は気象パラメータ（日射量又は気温）、縦軸は発電量であり、○で示した値は学習期間の気象データ、×で示した値は診断期間の気象データである。図２において、学習期間の気象データの分布と、診断期間の気象データの分布と、は異なっている。

従来の異常診断装置のように、学習期間の気象データ及び発電データに基づいて予測モデルを作成した場合、予測モデルは学習期間の気象データの分布に特化したものとなる。このような予測モデルでは、図２に示すように、気象データの分布が異なる診断期間の発電量を精度よく予測することができない。

しかしながら、本実施形態に係る異常診断装置では、重み係数を用いて学習期間の気象データの分布を診断期間の気象データの分布に類似させることができる。このため、本実施形態に係る予測モデルは、診断期間の気象データの分布に対応したものとなり、診断期間の発電量を精度よく予測することができる。

予測モデル記憶部１１は、予測モデル作成部１０が作成した予測モデルを記憶する。すなわち、予測モデル記憶部１１は、予測モデル作成部１０によりパラメータを算出された回帰式を記憶する。

予測値算出部１２は、抽出部４が抽出した診断期間の気象データと、予測モデル記憶部１１に記憶された予測モデルと、に基づいて診断期間の発電量の予測値を算出する。発電量の予測値は、診断期間の各日時に対して算出される。発電量の予測値は、予測モデルに気象パラメータの計測値を代入することにより算出することができる。

予測値記憶部１３は、予測値算出部１２により算出された診断期間の発電量の予測値を記憶する。

異常診断部１４は、抽出部６により抽出された診断期間の発電データと、予測値記憶部１３に記憶された診断期間の発電量の予測値と、を比較することにより、発電設備の異常を診断する。発電設備が正常な場合、診断期間の発電量の計測値と予測値とは近い値となる。したがって、異常診断部１４は、診断期間の発電量の計測値と予測値とが乖離している場合、発電設備を異常と診断する。異常診断部１４は、例えば、診断期間の発電量の計測値と予測値との比の平均、差の平均、及び標準偏差などと、所定の閾値とを比較することにより、異常を診断する。

診断結果記憶部１５は、異常診断部１４による発電設備の異常の診断結果を記憶する。

以上説明した通り、この異常診断装置及び異常診断方法は、重み係数を用いることにより、学習期間の気象データから、気象状態の異なる診断期間の気象データの分布に対応した予測モデルを作成することができる。この予測モデルによれば、気象状態の季節性、すなわち、学習期間と診断期間の間の気象状態の変動、による影響を抑制し、診断期間の発電量を精度よく予測することができる。したがって、異常診断装置は、発電設備の異常を精度よく診断することができる。

また、この異常診断装置は、学習期間が短い場合であっても、精度のよい予測モデルを作成することができるため、発電設備の異常を精度よく診断することができる。したがって、この異常診断装置によれば、発電設備の稼働を開始してから１年以内であっても発電設備の異常診断が可能となり、発電設備の初期不良の発見することができる。

次に、異常診断装置のハードウェア構成について説明する。図３は、異常診断装置のハードウェア構成を示す図である。上述の異常診断装置の各機能構成は、汎用のコンピュータ装置に異常診断プログラムを実行させることにより実現される。図３に示すように、このコンピュータ装置は、ＣＰＵ（Central Processing Unit）１０１、ＲＡＭ(Random Access Memory)１０２、ＨＤＤ(Hard Disk Drive)１０３、グラフィック処理装置１０４、入力インターフェース１０５、及び通信インターフェース１０６を備える。

ＣＰＵ１０１は、ＨＤＤ１０３又はＲＯＭ（図示省略）に記憶されたプログラムに従って動作する。ＣＰＵ１０１が異常診断プログラムを実行することにより、異常診断装置の各機能構成が実現される。

ＲＡＭ１０２は、ＣＰＵ１０１が各種の処理を実行する上で必要なデータを必要に応じて記憶する。気象データ記憶部１、発電データ記憶部２、重み係数記憶部９、予測モデル記憶部１１、予測値記憶部１３、及び診断結果記憶部１５は、ＲＡＭ１０２上に構成することができる。

ＨＤＤ１０３は、ＣＰＵ１０１が実行するプログラムや、ＣＰＵ１０１が各種の処理を実行する上で必要なデータを記憶する。気象データ記憶部１、発電データ記憶部２、重み係数記憶部９、予測モデル記憶部１１、予測値記憶部１３、及び診断結果記憶部１５は、ＨＤＤ１０３上に構成することができる。

グラフィック処理装置１０４は、ＣＰＵ１０１から与えられる画像データに応じた画像をディスプレイ１０８に表示させる。ディスプレイ１０８は、例えば、液晶ディスプレイ、プラズマディスプレイ、及びブラウン管ディスプレイであるが、これに限られない。グラフィック処理装置１０４によって、診断結果記憶部１５に記憶された診断結果や、異常診断装置への各種の入力画面を、ディスプレイ１０８上に表示させることができる。

入力インターフェース１０５は、接続された入力装置の操作に応じた信号を、ＣＰＵ１０１に送信する。入力装置は、例えば、キーボード１０９、及びマウス１１０であるが、これに限られない。学習期間や診断期間は、例えば、ユーザが入力装置を操作することにより、入力インターフェース１０５を介して、異常診断装置に入力される。

通信インターフェース１０６は、ＬＡＮ１０７を介して、外部装置にアクセスする。異常診断装置と発電設備との間の通信は、通信インターフェース１０６により実現することができる。通信インターフェース１０６を介して得られた情報は、ＲＡＭ１０２に一時的に記憶される。

次に、異常診断装置の動作について、具体例を用いて詳細に説明する。以下の説明において、診断対象となる発電設備は、太陽光発電設備であるものとする。ここで、図４は、異常診断装置の動作を示すフローチャートである。

まず、異常診断装置のユーザは、学習期間及び診断期間を入力し、異常診断処理を開始させる。図５は、学習期間及び診断期間の一例を示す図である。図５において、学習期間は２０１４／８／１から２０１４／８／３１までの期間であり、診断期間は２０１４／９／１から２０１４／９／３０まででの期間ある。ここでは、図５の学習期間及び診断期間がユーザにより入力されたものとする。異常診断装置は、学習期間及び診断期間の入力後、異常診断処理を開始する。

ステップＳ１において、まず、ＨＤＤ１０３上の気象データ記憶部１及び発電データ記憶部２に記憶された気象データ及び発電データがＲＡＭ１０２上に読み込まれる。

図６は、気象データ記憶部１に記憶された気象データの一例を示す図である。図６に示すように、この気象データは、２０１４／８／１の９：００：００から２０１４／９／３０の１９：００：００までの１時間毎のレコードからなる。各レコードには、日時及び気象パラメータの計測値が格納されている。気象パラメータは、外気温、日射量、及び太陽高度の３つである。図６の気象データによれば、例えば、２０１４／８／１の９：００：００の外気温は２８．１℃、日射量は６８１Ｗ／ｍ^２、太陽高度は６５度である。ここでは、図６に示す気象データが読み込まれたものとする。

図７は、発電データ記憶部２に記憶された発電データの一例を示す図である。図７に示すように、この発電データは、２０１４／８／１の９：００：００から２０１４／９／３０の１９：００：００までの１時間毎のレコードからなる。各レコードには、日時及び発電量の計測値が格納されている。発電量は、直流電流（Ａ）、直流電圧（Ｖ）、直流電力（ｋＷ）、及び交流電力（ｋＷ）の４つである。図７の発電データによれば、例えば、２０１４／８／１の９：００：００の直流電流は２５０Ａ、直流電圧は６２０Ｖ、直流電力は１５５．０ｋＷ、交流電力は１５０．４ｋＷである。ここでは、図７に示す発電データが読み込まれたものとする。

ステップＳ２において、抽出部３〜６は、読み込まれた気象データ及び発電データの中から、学習期間及び診断期間のデータを抽出する。

抽出部３は、図６の気象データの中から学習期間である２０１４／８／１から２０１４／８／３１までの気象データを抽出する。これにより、図８に示す気象データが抽出される。

抽出部４は、図６の気象データの中から診断期間である２０１４／９／１から２０１４／９／３０までの気象データを抽出する。これにより、図９に示す気象データが抽出される。

抽出部５は、図７の発電データの中から学習期間である２０１４／８／１から２０１４／８／３１までの発電データを抽出する。これにより、図１０に示す発電データが抽出される。

抽出部６は、図７の発電データの中から診断期間である２０１４／９／１から２０１４／９／３０までの発電データを抽出する。これにより、図１１に示す発電データが抽出される。

ステップＳ３において、データ密度算出部７は、図８に示した学習期間の気象データに基づいて、学習期間の気象パラメータの確率密度関数P_train(x)を算出する。xは、外気温、日射量、及び太陽高度である。このため、P_train(x)は３次元の確率密度関数となる。

また、データ密度算出部７は、図９に示した診断期間の気象データに基づいて、診断期間の気象パラメータの確率密度関数P_test(x)を算出する。xは、外気温、日射量、及び太陽高度である。このため、P_test(x)は３次元の確率密度関数となる。

ステップＳ４において、重み係数算出部８は、重み関数として、確率密度比関数P_test(x)/P_train(x)を算出する。このとき、学習期間の気象データをxiとすると、重み付き平均は以下の式により表される。ここで、左辺の確率密度比を用いた重み付き平均は、データ数ｎが大きくなると、右辺に示す診断期間の確率分布に基づく期待値に収束することがわかる。なお、関数Ａは、予測モデルの誤差等を示す。

重み係数算出部８は、確率密度比関数P_test(x)/P_train(x)に、各データの気象パラメータを代入し、各データの確率密度比を算出する。算出された各データの重み係数は、重み係数記憶部９に記憶される。

図１２は、重み係数記憶部９に記憶された重み係数を示す図である。図１２に示すように、重み係数記憶部９には、日時及び重み係数を格納した１時間毎のレコードが、２０１４／８／１の９：００：００から２０１４／９／３０の１９：００：００まで記憶される。図１２によれば、例えば、２０１４／８／１の９：００：００の重み係数は、０．７８２である。

ステップＳ５において、予測モデル作成部１０は、回帰式のパラメータを算出し、予測モデルを作成する。図１３は、パラメータの算出のために、予測モデル作成部１０に入力される学習期間の気象データ、発電データ、及び重み係数を示す図である。図１３において、同一日時の気象データ、発電データ、及び重み係数は、同一のレコードに結合されている。予測モデル作成部１０は、図１２のデータに基づいて、重み係数を重みとした重み付き最小二乗法により、以下の回帰式のパラメータを算出する。

この回帰式において、Pは直流電力、Gは日射量、Tは温度、A，B，C，Dはパラメータである。図１４は、予測モデル作成部１０により算出された上記の回帰式のパラメータを示す図である。図１４において、Aは313.8468、Bは0.7329、Cは-37.127、Dは-13.528である。このように、回帰式のパラメータを算出することにより、以下の予測モデルが作成される。

作成された予測モデルは、予測モデル記憶部１１に記憶される。なお、回帰式は、上記の式に限られず、任意に設定することができる。

ステップＳ６において、予測値算出部１２は、予測モデル記憶部１１に記憶された予測モデルに、図９に示す診断期間の気象データの気象パラメータを代入して、診断期間の各日時における発電量の予測値を算出する。例えば、２０１４／９／１の９：００：００の直流電力の予測値は、予測モデルに、２０１４／９／１の９：００：００の日射量G及び気温Tを代入することにより算出される。予測値算出部１２により算出された発電量の予測値は、予測値記憶部１３に記憶される。図１５は、予測値記憶部１３に記憶された直流電力の予測値を示す図である。図１５において、２０１４／９／１の９：００：００の直流電力の予測値は１４２ｋＷである。

ステップＳ７において、異常診断部１４は、発電設備の異常を診断する。異常診断部１４は、まず、図１５に示す診断期間の各日時の発電量の予測値と、図１１に示す診断期間の各日時の発電量の計測値とを比較して、Rating値（％）を算出する。Rating値は、発電量の計測値／予測値である。図１１及び図１５によれば、２０１４／９／１の９：００：００の直流電力の計測値は１３７．０ｋＷ、予測値は１４２ｋＷであるから、Rating値は１３７／１４２＝９６．５％となる。

次に、異常診断部１４は、各日時におけるRating値の平均値を算出し、この平均値と閾値とを比較し、発電設備の異常を診断する。図１６は、異常診断部１４による診断結果を示す図である。図１６において、Rating値の平均値は９６．６％であり、閾値は９５％である。異常診断部１４は、平均値＞閾値であれば正常と診断し、平均値≦閾値であれば異常と診断する。図１６において、９６．６％＞９５％であるから、発電設備は正常と診断されている。異常診断部１４による診断結果は、診断結果記憶部１５に記憶される。

なお、異常診断部１４は、Rating値の平均値の代わりに中央値を用いて異常を診断してもよいし、一部の時間帯のRating値を用いて異常を診断してもよい。また、図１６に示すRating値の標準偏差を用いて異常を診断してもよい。

ステップＳ８において、診断結果記憶部１５に記憶された診断結果を出力する。診断結果の出力は、例えば、図１６に示す診断結果を、グラフィック処理装置１０４がディスプレイ１０８に表示させることにより行われる。

以上の動作により、異常診断装置は、８月（学習期間）の気象パラメータ及び発電量に基づいて、９月（診断期間）の発電量の予測モデルを作成し、発電設備の以上を診断することができる。

なお、本発明は上記各実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記各実施形態に開示されている複数の構成要素を適宜組み合わせることによって種々の発明を形成できる。また例えば、各実施形態に示される全構成要素からいくつかの構成要素を削除した構成も考えられる。さらに、異なる実施形態に記載した構成要素を適宜組み合わせてもよい。

１：気象データ記憶部、２：発電データ記憶部、３：学習期間気象データ抽出部、４：診断期間気象データ抽出部、５：学習期間発電データ抽出部、６：診断期間発電データ抽出部、７：データ密度算出部、８：重み係数算出部、９：重み係数記憶部、１０：予測モデル作成部、１１：予測モデル記憶部、１２：予測値算出部、１３：予測値記憶部、１４：異常診断部、１５：診断結果記憶部、１０１：ＣＰＵ、１０２：ＲＡＭ、１０３：ＨＤＤ、１０４：グラフィック処理装置、１０５：入力インターフェース、１０６：通信インターフェース、１０７：ＬＡＮ、１０８：ディスプレイ、１０９：キーボード、１１０：マウス

Claims (6)

1. 学習期間の気象パラメータの分布と、診断期間の前記気象パラメータの分布と、の関係を示す重み係数を、前記学習期間の前記気象パラメータの確率密度関数と、前記診断期間の前記気象パラメータの確率密度関数の比である重み関数を用いて算出する係数算出部と、
   前記学習期間の前記気象パラメータと、前記学習期間の発電設備の発電量と、前記重み係数と、に基づいて前記診断期間の前記発電量の予測モデルを作成する予測モデル作成部と、
   前記予測モデルと、前記診断期間の前記気象パラメータと、に基づいて前記診断期間の前記発電量の予測値を算出する予測値算出部と、
   前記診断期間の前記発電量の前記予測値と、前記診断期間の前記発電量と、を比較して前記発電設備の異常を診断する診断部と、
   を備える異常診断装置。
2. 前記予測モデル作成部は、前記発電量を目的変数、前記気象パラメータを説明変数とする回帰式のパラメータを算出する
   請求項１に記載の異常診断装置。
3. 気象パラメータは、気温、日射量、太陽高度、太陽方位、風速、風力、及び風向を含む請求項１又は請求項２に記載の異常診断装置。
4. 前記発電量は、電力量、直流電圧、直流電流、交流電圧、交流電流、直流電力、及び交流電力を含む
   請求項１〜請求項３のいずれか１項に記載の異常診断装置。
5. 前記発電設備は、太陽光発電設備、風力発電設備、及び太陽熱発電設備を含む請求項１〜請求項４のいずれか１項に記載の異常診断装置。
6. 学習期間の気象パラメータの分布と、診断期間の前記気象パラメータの分布と、の関係を示す重み係数を、前記学習期間の前記気象パラメータの確率密度関数と、前記診断期間の前記気象パラメータの確率密度関数の比である重み関数を用いて算出し、
   前記学習期間の前記気象パラメータと、前記学習期間の発電設備の発電量と、前記重み係数と、に基づいて前記診断期間の前記発電量の予測モデルを作成し、
   前記予測モデルと、前記診断期間の前記気象パラメータと、に基づいて前記診断期間の前記発電量の予測値を算出し、
   前記診断期間の前記発電量の前記予測値と、前記診断期間の前記発電量と、を比較して前記発電設備の異常を診断する
   ことを含む異常診断装置。

Images