JP6647072B2

JP6647072B2 - 予測装置、予測方法および予測プログラム

Info

Publication number: JP6647072B2
Application number: JP2016026272A
Authority: JP
Inventors: 由本　勝久; 勝久由本
Original assignee: Central Research Institute of Electric Power Industry
Current assignee: Central Research Institute of Electric Power Industry
Priority date: 2016-02-15
Filing date: 2016-02-15
Publication date: 2020-02-14
Anticipated expiration: 2036-02-15
Also published as: JP2017146126A

Description

本発明は、予測装置、予測方法および予測プログラムに関する。

電力会社は、発電機の出力を調整したり調相設備を制御したりすることにより、電気の需要と供給を一致させている。一方、太陽光発電や風力発電などの自然エネルギー発電は天候によってその出力が左右されるため、出力が急激に変化することが頻繁にある。このため、自然エネルギー発電が大量に導入されると、電気の需要と供給を一致させるのが難しくなる。電気の需要と供給が一致しないと、周波数や電圧が大きく変動したり適正範囲を逸脱したりするため、電力会社は品質の高い電気を安定して需要家に送れなくなる。

この対策には、自然エネルギー発電の出力や出力変化の大きさを予測し、事前に知ることが必要である。予測により、電力会社が発電機の出力や調相設備の出力の調整すべき量を事前に知ることができ、その結果、自然エネルギー発電の出力が変動しても、需要と供給を一致させるための準備が容易にできる。

以上のことから、自然エネルギー発電の出力や出力変化の大きさを精度よく予測する方法が望まれる。予測対象地点の自然エネルギー発電の出力や出力変化を予測する方法としては、予測対象地点での気象データの時系列データと予測対象地点の周辺に在る地点群での気象データの時系列データとの関連性を評価し、関連が高い地点の気象データに基づいて予測する方法がある。これは、予測対象地点の周辺で起きた気象の変化が予測対象地点に到達する時刻を、気象データの時系列データ間の関連性の評価で得られた遅れ時間から推定することによって予測する方法である。

図１５は、異地点間の気象データの関連性評価に基づく自然エネルギー発電の出力予測方法を説明するための図である。ここで、気象データは、例えば、日射強度、風速である。風力発電出力は風速の三乗に比例するので、換算係数により風速の変化の予測結果から風力発電出力を予測できる。また、太陽光発電出力は日射強度に比例するので、日射強度の変化の予測結果から太陽光発電出力を予測することができる。

図１５に示すように、予測対象地点の気象データの時系列データと地点Ａの気象データの時系列データを３０分早めたデータとの関連性が高い確率が８０％であったとすると、地点Ａからの予測対象地点の遅れ時間は３０分であるので、地点Ａでの自然エネルギー発電の出力変化と同じ出力変化が３０分後の予測対象地点に到達すると予測することができる。

松田勝弘、有松健司、山根憲一郎、渡辺雅浩、山崎潤、村越潤：「空間的相関分析に基づく配電運用管理向け短期太陽光発電量予測手法」、電気学会論文誌Ｂ（電力・エネルギー部門誌）、１３４巻９号、７５９頁−７６６頁、２０１４年

二つの時系列データの間の関連性の程度を表す指標として、一般的には相関係数が使われる。地点間の気象データの関連性を相関係数で評価する方法は次のとおりである。地点Ａの気象データ（時刻ｔから時刻ｔ＋Ｒ−１の時系列データ）と、それの対となる地点Ｂの気象データ（時刻ｔ＋τから時刻ｔ＋τ＋Ｒ−１の時系列データ）との相関係数Ｒ_A,B(τ)を（１０）式に示す。

−１≦Ｒ_A,B(τ)≦１であり、相関係数が正で値が大きいほど地点Ａの気象データと地点Ｂの気象データの関連性が高く、値が１の場合には地点Ａの気象データの波形と地点Ｂの気象データの波形が相似である。遅れ時間は、パラメータとして、例えば３０分先の予測を行いたいのであれば−３０分≦τ≦３０分とする。そして、相関係数が最大となるτを探すことで遅れ時間を特定することができる。もしも−τ’の時に地点Ａの気象データと地点Ｂの気象データの相関係数が最大となったのであれば、地点Ｂにおいて生じた自然エネルギー発電の出力変動の原因である気象現象は、τ’後に地点Ａに到着すると考えることができる。

気象データの観測を行う地点の数が増えれば、気象や発電出力の変化が移動する様相を色々な方向から捉えやすいので、予測精度の向上の観点からは気象データの観測地点を多数にすることが望ましい。そして、各地点間で気象データの時系列データの関連性を把握できていることが予測に必要である。

しかしながら、相関係数では、２地点よりも多い地点で観測した気象データの時系列データの相関を同時に評価することができないという問題がある。相関係数では（１０）式のとおり、地点Ａと地点Ｂの二つの地点をペアにしなくてはならないため、３地点以上の気象データの時系列データの関連性を評価したい場合には、地点の組合せを様々に変えてペアを複数作り、ペア毎に相関係数を求めて比較する必要がある。しかし、相関係数の値の大きさから、関連性があるのか波形が偶然似ていただけなのかを判断するのが難しい場合がある。

図１６は、地点Ａと地点Ｂと地点Ｃの日射強度の時系列データを波形としてグラフ化した例を示す図である。図１６に示すように、地点Ａの日射強度の時系列データと地点Ｂの日射強度の時系列データの相関係数は０．９０であり、地点Ａの日射強度の時系列データと地点Ｃの日射強度の時系列データの相関係数は同じ０．９０である。

しかし、地点Ｂの日射強度の波形に見られる変化は大きいが、地点Ｃの日射強度の波形に見られる変化はそれほど大きくはない。このため、地点Ｃの日射強度の波形の方が、地点Ａの日射強度の波形と類似している。二つの地点での日射強度の波形が一致するほど、その二地点は関連性が高いと言えるので、本来なら地点Ａと地点Ｃの間の関連性の評価値が大きくなければならない。このため、この例では相関係数は必ずしも関連性を正しく評価しているとは言えない。

また、地点Ｂの日射強度の時系列データと地点Ｃの日射強度の時系列データの相関係数は０．８３である。相関係数が取り得る範囲は−１．０〜１．０なので、この値は、地点Ａの日射強度の時系列データと地点Ｂの日射強度の時系列データの相関係数や、地点Ａの日射強度の時系列データと地点Ｃの日射強度の時系列データの相関係数とほぼ同じである。しかし、地点Ａの日射強度の波形と地点Ｃの日射強度の波形は多少の違いと言うことができるが、地点Ｂの日射強度の波形と地点Ｃの日射強度の波形はあまり似ていない。少なくとも、０．９０と０．８３の差以上の違いがあると感じられる。

このように相関係数では、一対一で関連性を評価しているので、あるペアの相関係数と別のペアの相関係数が同じ値であっても関連性が同じ程度とは限らず、逆に相関係数に違いがあってもその差が関連性の違いと必ずしも比例しているとは限らない。このような問題を解決するには、日射強度の波形を３地点以上で同時に比較して、関連性を評価するのがよい。

本発明は、上記に鑑みてなされたものであって、３地点以上の気象データを同時に比較して関連性を評価し、予測対象地点の気象データあるいは自然エネルギー発電の出力を精度よく予測できる予測装置、予測方法および予測プログラムを提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明の予測装置は、予測対象地点を含む複数地点の気象データまたは自然エネルギー発電の出力を自己組織化マップを用いて二次元平面に写像し、各地点の気象データまたは自然エネルギー発電の出力に対応する勝利ノードを前記二次元平面上で特定するＳＯＭ部と、前記ＳＯＭ部により特定された勝利ノード間の類似度を算出する類似度算出部と、前記類似度算出部により算出された類似度に基づいて、予測対象地点の気象データまたは自然エネルギー発電の出力を予測する予測部とを有する。

本発明は、３地点以上の気象データを同時に比較して関連性を評価し、予測対象地点の気象データあるいは自然エネルギー発電の出力を精度よく予測できるという効果を奏する。

図１は、実施例に係る予測装置による予測手法の概要を説明するための図である。図２は、ＳＯＭの構造を示す図である。図３は、ＳＯＭにおける学習の計算フローを示すフロー図である。図４は、日射強度の時系列データに対する勝利ノードを示す図である。図５は、参照ベクトルの更新を示す図である。図６は、学習による日射強度の時系列データの写像の結果を示す図である。図７は、予測装置の機能的な構成の一例を示す図である。図８は、類似度の計算結果を示す図である。図９は、相関係数の計算結果を示す図である。図１０は、地点Ａ，Ｂ，Ｃの日射強度の波形を示す図である。図１１は、地点Ｄと地点Ｅとの間の遅れ時間の結果を示す図である。図１２は、地点Ｄと地点Ｅの日射強度の波形比較を示す図である。図１３は、予測処理の手順の一例を示すフローチャートである。図１４は、予測プログラムを実行するコンピュータを示す図である。図１５は、異地点間の気象データの関連性評価に基づく自然エネルギー発電の出力予測方法を説明するための図である。図１６は、地点Ａと地点Ｂと地点Ｃの日射強度の時系列データを波形としてグラフ化した例を示す図である。

以下に、本発明に係る予測装置、予測方法および予測プログラムの実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。

［予測手法の概要］
最初に、予測手法の概要について説明する。なお、本実施例では、予測対象を日射強度とする場合を例に説明するが、本発明は、これに限定されるものではない。予測対象は、３地点で測定された複数のデータを用いて予測するものであれば、何れであってもよい。例えば、予測対象を風速、自然エネルギー発電の出力とすることもできる。

図１は、実施例に係る予測装置による予測手法の概要を説明するための図である。図１に示すように、実施例に係る予測装置は、３地点以上の多数地点で観測された日射強度の時系列データを自己組織化マップ（ＳＯＭ：Self-Organizing Map）を用いて二次元平面に写像し、写像した観測地点の間の距離に基づいて、日射強度の類似性を評価する。

図１では、６地点の時系列データが二次元平面に写像され、特定の地点と他の５地点との間の距離に基づいて日射強度の類似性が評価される。そして、類似性が高い地点の日射強度に基づいて、特定の地点の日射強度が予測される。

［ＳＯＭ］
ＳＯＭは、教師信号なしの競合学習モデルであり、ニューラルネットワークの一種でもある。ＳＯＭは、画像認識やパターン認識、データマイニングなどに広く用いられ、高次元ベクトルデータを低次元のベクトル空間に写像することができるので、データの可視化にも利用されている。

図２は、ＳＯＭの構造を示す図である。図２は、多数地点で観測した時系列（要素数はＲ）の気象データを入力した場合を例として示す。ＳＯＭは入力層とマップ層の２層から構成されていて、マップ層にはノードが二次元平面上に縦にＭ個、横にＮ個の格子状に並んでおり、入力層にはＲ個のノードが横一列に並んでいて各ノードはマップ層の全ノードと参照ベクトルによって結合している。

入力層のノード数であるＲは、時系列の気象データの要素数と同じである。マップ層のノード数を定めるＭ、Ｎはユーザーが設定する数であり、この例のように多数地点で観測した時系列の気象データをマップする場合には、Ｍ×Ｎが観測地点の数よりも十分に大きい数になるようにする。なお、ＭとＮは同じ数でもよい。

入力データは入力ベクトルと呼ばれ、時系列の気象データの要素の数がＲ個であるなら、入力ベクトルはＲ次元となる。そして、Ｒ次元の入力ベクトルの各要素は入力層の各ノードと対応する。例えば、時系列の気象データがＰ(ｔ)、Ｐ(ｔ＋１)、Ｐ(ｔ＋２)、・・・、Ｐ(ｔ＋Ｒ−１)である場合、入力層の１番目のノードにＰ(ｔ)が入力され、２番目のノードにＰ(ｔ＋１)が入力され、３番目のノードにＰ(ｔ＋２)が入力され、これが順番に続けられて、最後にＲ番目のノードにＰ(ｔ＋Ｒ−１)が入力される。

そして、入力ベクトルは、学習によってマップ層上のノードに写像される。ここで、学習とは、入力ベクトルと一番近い参照ベクトルを持つマップ層のノードを勝利ノードとして選択し、選択された勝利ノードの参照ベクトルを当該入力ベクトルに更に近づけ、同時に勝利ノードの近傍にあるノードの参照ベクトルも当該入力ベクトルに近づける一連の手続きのことである。この参照ベクトルの更新を次々に繰り返すことで、最終的には時系列の気象データをマップ層上のどこかのノードの一つと対応付けることができ、学習が終了する。そして、時系列の気象データをマップ層上のノードと対応付けた結果として、時系列の気象データを二次元平面上に写像することができる。

［ＳＯＭにおける学習の計算フロー］
図３は、ＳＯＭにおける学習の計算フローを示すフロー図である。図３に示すように、実施例に係る予測装置は、参照ベクトルの初期値を乱数を使って設定する（ステップＳ１）。そして、実施例に係る予測装置は、入力ベクトルを順々に入力し（ステップＳ２）、同時に入力ベクトルの勝利ノードを決定する（ステップＳ３）。そして、実施例に係る予測装置は、全ての入力ベクトルに対して勝利ノードが決まると、全ての参照ベクトルを一括に更新する（ステップＳ４）。そして、実施例に係る予測装置は、規定回数を繰り返したか否かを判定し（ステップＳ５）、規定回数を繰り返していない場合には、ステップＳ２に戻り、規定回数を繰り返した場合には、計算を終了する。

以下に、多数地点で観測した日射強度の時系列データを入力ベクトルとして、図３の各ステップの具体的な方法を示す。

観測地点がＫ箇所あり、観測地点ｊで時刻ｔから時刻ｔ＋Ｒ−１までの１秒毎に観測した日射強度の時系列データをｘ_j＝｛ｘｊ(ｔ)，ｘｊ(ｔ＋１)，ｘｊ(ｔ＋２)，・・・，ｘｊ(ｔ＋Ｒ−１)｝とする。ここで、ｊ＝１，２，・・・Ｋである。この場合の入力ベクトルは、次元がＲでベクトルの数がＫ個の集合となる。ＳＯＭのマップ層のノード数はＮＤ＝Ｍ×Ｎと設定したとする。また、マップ層のノードｉと入力層の各ノードを結ぶ参照ベクトルをｗ_i＝(ｗｉ１，ｗｉ２，・・・，ｗｉＲ)(ｉ＝１，２，・・・ＮＤ)とする。

（ステップＳ１）参照ベクトルの初期値の設定
実施例に係る予測装置は、参照ベクトルｗ_i＝(ｗｉ１，ｗｉ２，・・・，ｗｉＲ)(ｉ＝１，２，・・・ＮＤ)に対し、乱数を使って初期値を与える。

（ステップＳ２）データ入力
実施例に係る予測装置は、日射強度の時系列データｘ_jを入力層のノードに入力し、日射強度の時系列データｘ_jと参照ベクトルｗ_iとのユークリッド距離
を計算する。(ｉ＝１，２，・・・ＮＤ)，(ｊ＝１，２，・・・Ｋ)である。

（ステップＳ３）勝利ノードの決定
ａｒｇｍｉｎ_i｛Ｚ_i｝はＺ_iが最小の場合のｉを表すとすると、日射強度の時系列データｘ_jと参照ベクトルｗ_iとの距離を最小にするｉは以下の（２）式で記述できる。
つまり、ｃ_jが観測地点ｊの日射強度の時系列データｘ_jに対する勝利ノードである。実施例に係る予測装置は、このｃ_jを全ての観測地点(ｊ＝１，２，・・・Ｋ)の日射強度の時系列データに対して求め、全ての観測地点の日射強度の時系列データに対する勝利ノードを決定する。

（ステップＳ４）参照ベクトルの更新
各参照ベクトルｗ_iを（３）式のｗ_i ^newに更新する。
ここに、ｈ_i,jは（４）式で表される近傍関数である。式（３）の分子は、マップ層のノードｉと入力層の全ノードを接続する参照ベクトルｗ_i＝(ｗｉ１，ｗｉ２，・・・，ｗｉＲ)に対し、ノードｉの近傍に一つでも日射強度の時系列データの勝利ノードがあれば、当該時系列データに近づける操作を行う。また、（３）式の分子は、ノードｉの近傍に日射強度の時系列データの勝利ノードが複数あれば、当該時系列データの重みづけ平均を求める操作を行う。式（３）の分母は平均化のための重みの和である。

ここに、ｒ_iはマップ層のノードｉの二次元平面上の座標であり、ｒ_cjは観測地点ｊの日射強度の時系列データの勝利ノードｃ_jのマップ層の二次元平面上の座標である。すなわち、（４）式の分子はマップ層でのノードｉと観測地点ｊの日射強度の勝利ノードとの二次元平面上での距離を計算している。また、σ(ｔ)は（５）式に示すように学習の繰り返し回数ｔが増えるにつれ減少する値である。

ここに、σ₀はσ(ｔ)の初期値であり、ｔ_maxは学習の打切り回数である。

（ステップＳ５）学習の終了
ステップＳ２からステップＳ４をｔ_max回繰り返したならば、実施例に係る予測装置は、学習を終了する。

［学習方法のイメージ］
（ステップＳ２とステップＳ３）
図４は、日射強度の時系列データに対する勝利ノードを示す図である。入力層に入力した日射強度の時系列データＸ１に最も距離の近い参照ベクトルを持つマップ層上のノードを「データＸ１に対する勝利ノード」と呼ぶ。実施例に係る予測装置は、時系列データと参照ベクトルの距離は（１）式で計算し、（２）式によって勝利ノードを求める。実施例に係る予測装置は、Ｘ２のような他の日射強度の時系列データに対しても同様にして勝利ノードを求める。

（ステップＳ４）
図５は、参照ベクトルの更新を示す図である。実施例に係る予測装置は、勝利ノードだけではなく、その近傍にあるノードも参照ベクトルを当該勝利ノードに対応する日射強度の時系列データに近づける。近傍ノードは、例えばＸ１の近傍ノードであるならば（４）式でｃ_ｊ＝ｃ_Ｘ１とすることで定義され、計算ステップが進むにつれてその範囲が狭まる。参照ベクトルを日射強度の時系列データに近づける方法は、（３）式によって各ノードの参照ベクトルを更新することで実施される。（３）式と（４）式によって、勝利ノードに近いノードほど当該勝利ノードに対応する日射強度の時系列データに参照ベクトルが近づく。

（ステップＳ５）
図６は、学習による日射強度の時系列データの写像の結果を示す図である。学習の結果、日射強度の時系列データＸ１に対応する勝利ノードの近傍では、当該勝利ノードの参照ベクトルと当該近傍ノードの参照ベクトルが似たものとなる。これによって、似たような日射強度の時系列データの勝利ノードは、マップ層の特定の場所に集まる。

［類似度］
異地点間の気象データや自然エネルギー発電出力の時系列データの類似性は、マップ層上での勝利ノードの位置関係によって判断することができる。しかし、それでは異地点間の気象データや自然エネルギー発電出力の時系列データの関連性を定量的に把握することはできない。そこで、実施例に係る予測装置は、異地点間の気象データや自然エネルギー発電の出力の時系列データの関連性を評価するために、気象データや自然エネルギー発電出力の波形が類似する程度を定量的に表す評価指標である以下の類似度を用いる。

実施例に係る予測装置は、地点ｉを基準地点で地点ｊを対象地点にすると、地点ｊの気象データの時系列データが地点ｉの気象データの時系列データとどの程度の類似性があるのかを（６）式で定義される類似度ｒｅｓｍ(ｉ,ｊ)で評価する。ここに、類似度は、基準地点である地点ｉと対象地点である地点ｊとの波形距離（（７）式〜（９）式）の最大値を０、最小値（自身との距離＝０のこと）を１として規格化したものである。

［遅れ時間］
予測対象地点を地点Ｄとして、実施例に係る予測装置は、地点Ｄで現在上空にある曇が移動して晴れに変わることで太陽光発電の出力が小さい状態から大きい状態になるまでの時間、あるいは地点Ｄの上空に現在は雲が無い状態から雲が来ることで太陽光発電の出力が大きい状態から小さい状態になるまでの時間を予測する。実施例に係る予測装置は、予測のために、地点Ｄとそれ以外の地点との間の気象データや自然エネルギー発電出力の時系列データに基づく類似度を用いる。

具体的には、実施例に係る予測装置は、地点Ｄ以外の地点から地点Ｄまでの雲の移動時間を類似度を使って求め、雲の移動時間から、現在から何分後に地点Ｄの上空に雲が到達して太陽光発電の出力が小さくなるか、あるいは地点Ｄの上空にある雲が無くなって太陽光発電の出力が大きくなるかを予測する。例えば、地点Ｅから地点Ｄまでの雲の移動時間が３０分ならば、地点Ｅで太陽光発電の出力が最大出力から急減した時に、その急減した時刻から３０分後に地点Ｄでも太陽光発電の出力が最大出力から急減すると予測できる。

地点Ｄ以外の地点から地点Ｄまでの雲の移動時間を類似度によって求める方法のステップは次のとおりである。ここでは気象データや自然エネルギー発電出力の時系列データの具体例として日射強度の時系列データを使用した場合で説明する。

（ステップｔ１）
実施例に係る予測装置は、予測対象地点以外の複数地点で観測した日射強度の時系列データを、データ長は地点Ｄの日射強度の時系列データと同じのままで、時系列データの時間帯を１０分単位の時間ステップで移動させる。地点Ｄ以外の日射強度の時間帯を移動させる時間ステップは、例えば１時間先までの予測を行いたいのであれば、０分、１０分、２０分、３０分、４０分、５０分、６０分である。ただし、１０分単位は一例であり、単位はこれよりも長くても短くてもよい。

（ステップｔ２）
実施例に係る予測装置は、地点Ｄ以外の日射強度の時間帯を移動させる度に、地点Ｄと地点Ｄ以外の地点との間の類似度を計算する。

（ステップｔ３）
実施例に係る予測装置は、地点Ｄ以外の地点別に、日射強度の時間帯を移動させた全ての時間ステップの中で類似度を評価し、類似度が最大となる時間ステップを抽出する。抽出された時間ステップは、地点Ｄとそれ以外の地点との間の日射強度の遅れ時間である。

なお、この方法では、予測対象地点以外で生じた日射強度の変化と同じ変化が、現在から何分後に予測対象地点に生じるかを予測することを目的にするので、地点Ｄ以外の地点の日射強度の時間帯を移動させる方向は、時間を早める方向である。時間帯を早めるので、遅れ時間としては負の値が得られる。

［予測装置の構成］
次に、上述の予測手法を適用した予測装置１０の構成について説明する。予測装置１０は、上述の予測手法を用いて予測を行う装置である。予測装置１０は、例えば、サーバコンピュータ、デスクトップ型ＰＣ（パーソナル・コンピュータ）、タブレット型ＰＣ、ノート型ＰＣなどの情報処理装置である。予測装置１０は、１台のコンピュータとして実装してもよく、また、複数台のコンピュータによるクラウドとして実装することもできる。なお、本実施例では、予測装置１０を１台のコンピュータとした場合を例として説明する。

図７は、予測装置の機能的な構成の一例を示す図である。図７に示すように、予測装置１０は、表示部２０と、入力部２１と、記憶部２２と、制御部２３とを有する。予測装置１０は、図７に示した機能部以外にも既知の各種の機能部を有してもよい。例えば、予測装置１０は、他の端末と通信を行う通信インタフェース部などを有してもよい。

表示部２０は、各種情報を表示する表示デバイスである。表示部２０としては、ＬＣＤ（Liquid Crystal Display）などの表示デバイスが挙げられる。表示部２０は、各種情報を表示する。例えば、表示部２０は、各種の操作画面、日射強度の類似度、日射強度の波形、予測結果などを表示する。

入力部２１は、各種の情報を入力する入力デバイスである。例えば、入力部２１としては、予測装置１０に接続されたキーボードやマウス、予測装置１０に設けられた各種のボタン、表示部２０上に設けられた透過型のタッチセンサなどの入力デバイスが挙げられる。なお、図７の例では、機能的な構成を示したため、表示部２０と入力部２１を別に分けているが、例えば、タッチパネルなど表示部２０と入力部２１を一体的に設けたデバイスで構成してもよい。

記憶部２２は、各種のデータを記憶する記憶デバイスである。例えば、記憶部２２は、ハードディスク、ＳＳＤ（Solid State Drive）、光ディスクなどの記憶装置である。なお、記憶部２２は、ＲＡＭ（Random Access Memory）、フラッシュメモリ、ＮＶＳＲＡＭ（Non Volatile Static Random Access Memory）などのデータを書き換え可能な半導体メモリであってもよい。

記憶部２２は、制御部２３で実行されるＯＳ（Operating System）や各種プログラムを記憶する。例えば、記憶部２２は、後述する予測処理を実行する予測プログラムを含む各種のプログラムを記憶する。さらに、記憶部２２は、制御部２３で実行されるプログラムで用いられる各種データを記憶する。例えば、記憶部２２は、時系列データ３０を記憶する。時系列データ３０は、複数の地点の日射強度の時系列データである。

制御部２３は、予測装置１０を制御するデバイスである。制御部２３としては、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）等の電子回路や、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）等の集積回路を採用できる。制御部２３は、各種の処理手順を規定したプログラムや制御データを格納するための内部メモリを有し、これらによって種々の処理を実行する。制御部２３は、各種のプログラムが動作することにより各種の処理部として機能する。例えば、制御部２３は、受付部４０と、ＳＯＭ部４１と、類似度算出部４２と、遅れ算出部４３と、予測部４４と、出力制御部４５とを有する。

受付部４０は、各種の受け付けを行う。例えば、受付部４０は、日射強度の予測に関する各種の操作指示などを受け付ける。例えば、受付部４０は、不図示の操作画面を表示部２０に表示させ、入力部２１からの入力操作により各種の操作指示を受け付ける。また、受付部４０は、予測する予測対象時刻や予測対象地点の指定を受け付け、予測開始の指示を受け付ける。なお、受付部４０は、不図示のネットワークを介して外部の端末装置から各種の操作指示を受け付けてもよい。

ＳＯＭ部４１は、ＳＯＭを用いて複数の地点の日射強度の時系列データをマップ層に写像し、各時系列データに対応する勝利ノードを特定する。ＳＯＭ部４１は、図３に示した計算フローにより、参照ベクトルの更新を行いながら勝利ノードを特定する。

類似度算出部４２は、ＳＯＭ部４１により特定された勝利ノードに基づいて、複数の地点の日射強度の時系列データの類似度を算出する。類似度算出部４２は、（６）式を用いて日射強度の時系列データの類似度を算出する。

遅れ算出部４３は、予測対象地点の日射強度の時系列データと他の地点の日照強度の時間ステップだけずらされた複数の時系列データとの類似度に基づいて、予測対象地点と他の地点との日射強度の遅れ時間を算出する。

予測部４４は、類似度算出部４２により算出された類似度に基づいて、予測対象地点の日射強度の時系列データを予測する。また、予測部４４は、類似度算出部４２により算出された類似度、および、遅れ算出部４３により算出された遅れ時間に基づいて、予測対象地点の日射強度の時系列データを予測する。

出力制御部４５は、各種の出力の制御を行う。例えば、出力制御部４５は、類似度算出部４２により算出された類似度の情報を表示部２０に表示させる。また、例えば、出力制御部４５は、予測部４４により予測された予測対象地点の日射強度の時系列データを表示部２０に表示させる。また、例えば、出力制御部４５は、遅れ算出部４３により算出された遅れ時間の情報を表示部２０に表示させる。また、例えば、出力制御部４５は、類似度算出部４２により算出された類似度の情報を外部の端末装置へ出力する。ユーザーは、出力制御部４５により出力された情報から日射強度の予測結果を把握できる。

［類似度の計算例］
次に、３０地点で観測した日射強度の時系列データ（２０１１年４月１９日１０：００〜１１：５０１０分データ）を使って二つの地点の全ての組合せについて類似度を計算した例について説明する。計算結果の代表例として、Ａ地点・Ｂ地点・Ｃ地点の３地点の間の類似度と相関係数を図８および図９に示す。

Ａ地点・Ｂ地点・Ｃ地点の間の離隔は次のとおりである。
・Ａ−Ｂ間の離隔：約４ｋｍ
・Ａ−Ｃ間の離隔：約３０ｋｍ
・Ｂ−Ｃ間の離隔：約３０ｋｍ

図８は、類似度の計算結果を示す図である。類似度に依れば地点Ａの日射強度の時系列データと地点Ｂの日射強度の時系列データは関連性が高い。しかし、地点Ｃの日射強度の時系列データは地点Ａと地点Ｂの日射強度の時系列データとの関連性が低い。

図９は、相関係数の計算結果を示す図である。相関係数に依れば地点Ａの日射強度の時系列データと地点Ｂの日射強度の時系列データは関連性が高い。地点Ｃの日射強度の時系列データも地点Ａと地点Ｂの日射強度の時系列データと関連性が比較的高い。

このように、類似度と相関係数で関連性評価の結果が異なる。そこで、図１０に示すＡ地点・Ｂ地点・Ｃ地点の日射強度の波形を比較すると、地点Ａの日射強度の波形は地点Ｂの日射強度の波形とほぼ同じである。一方、地点Ａの日射強度の波形は地点Ｃの日射強度の波形とは異なる。

以上に加え、地点Ａと地点Ｂは地理上での離隔は短いが、地点Ｃは地点Ａ・地点Ｂと地理上での離隔が長いことを考慮すると、地点Ｃは地点Ａ・地点Ｂとは関連性が低いと考えられる。このため、類似度の方が相関係数よりも関連性を正しく評価できる。

地点Ｃと地点Ａ・地点Ｂとの間での相関係数による関連性の評価が高くなったのは、一対一で地点間の関連性を評価しているため、他との比較を行っていないことによると考えられる。波形が上下する傾向だけを見れば、地点Ｃの波形は地点Ａと地点Ｂの波形と似通っている。しかし、地点Ｃと地点Ａおよび地点Ｃと地点Ｂの波形の間の類似性は、地点Ａと地点Ｂの波形の間の類似性に比べるとはるかに劣っている。

相関係数では、このような地点Ｃの波形と地点Ａの波形の間の類似性は、地点Ａの波形と地点Ｂの波形の間の類似性に比べてどうか、といった比較なしで評価される。一方、類似度では一括で全地点の波形を評価するので、地点Ｃと地点Ａの間の関連性を評価する際には地点Ａと地点Ｂの間の関連性も考慮する。したがって、類似度では地点間の波形が単に似ているだけでは関連性があるとは示さないので、波形が偶然似通った場合でも関連性が正しく評価できる可能性が高い。

以上の結果は、３地点以上の気象データの時系列データ間の関連性を評価する時に、類似度を使用することによって関連性の順位付けができることを示す好例である。一方、相関係数では地点間の波形の関連性を一対一で評価しその際には第三の地点は考慮していないので、たとえ評価値が同じであっても地点の組合せが異なれば関連性が同程度とは言えないし、評価値が異なっても評価値の大小がそのまま関連性の順位を示すとは限らないことがこの結果から分かる。

［遅れ時間の計算例］
次に、３０地点で観測した日射強度に基づいて予測対象地点に対する他の地点の遅れ時間の計算例について説明する。予測対象地点は地点Ｄであり、その日射強度の時系列データは２０１１年４月１９日１０：００〜１１：５０の１０分データである。時系列データのデータ数は１２個である。

類似度と相関係数のどちらが遅れ時間を適切に求められるかを確認するため、その一例として地点Ｅの地点Ｄからの遅れ時間を取り上げる。なお、相関係数の場合の遅れ時間は、類似度と同様に相関係数が最大となる時間ステップである。

図１１は、地点Ｄと地点Ｅとの間の遅れ時間の結果を示す図である。図１１は、地点Ｄの日射強度の時間帯から地点Ｅの日射強度の時間帯を移動させた時間を横軸に取り、縦軸にその時の地点Ｄの日射強度と地点Ｅの日射強度の間の類似度と相関係数を取ったグラフである。

図１１では、地点Ｄの日射強度の時間帯よりも地点Ｅの日射強度の時間帯が遅い場合を正、早い場合を負としている。相関係数に依れば、最大値は移動した時間が−５０分の場合なので、遅れ時間は−５０分である。つまり、地点Ｅで生じた日射強度の変化と同じ変化が、相関係数に依れば５０分後に地点Ｄに発生すると予測される。一方、類似度に依れば、最大値は移動した時間が−３０分から−５０分の場合なので、遅れ時間は−３０分から−５０分と幅がある。つまり、地点Ｅで生じた日射強度の変化と同じ変化が、類似度に依れば３０分後から５０分後の範囲で地点Ｄに発生すると予測される。

類似度で求めた遅れ時間と相関係数で求めた遅れ時間のどちらが適切であるかを確認するため、図１２に地点Ｄと地点Ｅの日射強度の波形比較を示す。図１２に示すように、ボトムの位置に着目すれば、地点Ｅの日射強度の波形は時間帯を−３０分から−４０分移動させた場合に地点Ｄの日射強度の波形と一致する。一方、ピークの位置に着目すれば、地点Ｅの日射強度の波形は時間帯を−６０分移動させた場合に地点Ｄの日射強度の波形と一致する。

これより、地点Ｄに対する地点Ｅの日射強度の遅れ時間を−３０分〜−５０分と幅を持って示した類似度の方が、適切に遅れ時間を求められたと考えられる。なお、相関係数に基づいて遅れ時間を−５０分とした場合には、日射強度が増加から減少に変わるピークの時間しか把握できないこととなる。

この例では地点Ｄと地点Ｅだけを取り出したので日射強度の波形を目視で比較して遅れ時間を評価することができたが、地点数が多くなり対象日が増えると比較しなくてはならないケースが膨大で目視で遅れ時間を評価するのは労力の面で困難になる。このため、目視による遅れ時間の評価結果と同等の結果が得られた類似度が、多数地点の複数日について遅れ時間を求める際に有効に働き得る。

［処理の流れ］
本実施例に係る予測装置１０による予測処理の流れについて説明する。図１３は、予測処理の手順の一例を示すフローチャートである。この予測処理は、所定のタイミング、例えば、受付部４０により予測開始の指示を受け付けたタイミングで実行される。

図１３に示すように、ＳＯＭ部４１は、自己組織化写像を行い（ステップＳ１１）、日射強度の各時系列データに対応する勝利ノードを特定する。予測対象地点以外の複数の地点については、時間帯を所定の時間単位の時間ステップで移動させた複数の時系列データについて自己組織化写像が行われる。

類似度算出部４２は、ＳＯＭ部４１により特定された勝利ノードに基づいて、勝利ノード間の類似度を算出する（ステップＳ１２）。遅れ算出部４３は、類似度算出部４２により算出された類似度に基づいて遅れ時間を算出する（ステップＳ１３）。

予測部４４は、類似度算出部４２により算出された類似度に基づいて、予測対象地点の日射強度の時系列データを予測する（ステップＳ１４）。なお、予測部４４は、類似度算出部４２により算出された類似度および遅れ算出部４３により算出された遅れ時間を用いて予測対象地点の日射強度の時系列データを予測してもよい。

出力制御部４５は、類似度算出部４２により算出された類似度、遅れ算出部４３により算出された遅れ時間、予測部４４により予測された予測対象地点の日射強度などを出力する（ステップＳ１５）。

［効果］
上述してきたように、本実施例に係る予測装置１０は、予測対象地点を含む３地点以上の多数地点の日射強度の時系列データをＳＯＭを用いて二次元平面に写像し、各時系列データに対応する勝利ノードを特定する。予測装置１０は、特定した勝利ノード間の類似度を算出し、算出した類似度に基づいて予測対象地点の日射強度を予測する。これにより、予測装置１０は、３地点以上の日照強度の時系列データを同時に比較して関連性を評価することができる。また、予測装置１０は、相関係数を用いる場合と比較して日照強度の時系列データの類似性をより正確に評価することができる。

なお、予測装置１０は、予測対象地点を含む２地点の日射強度の時系列データを用いて類似度を算出し、２地点の類似度が所定の閾値以上である場合に、他の地点の日射強度に基づいて、予測対象地点の日射強度を予測してもよい。

また、本実施例に係る予測装置１０は、予測対象地点以外の地点の日照強度の時系列データについては、時間帯を所定の時間単位の時間ステップで移動させた複数の時系列データを用いる。予測装置１０は、時間帯を所定の時間単位の時間ステップで移動させた複数の時系列データについて予測対象地点の時系列データとの類似度を算出し、算出した類似度に基づいて予測対象地点の遅れ時間を予測する。これにより、予測装置１０は、予測対象地点の日照強度を精度よく予測することができる。

また、本実施例に係る予測装置１０は、マップ層の勝利ノード間の距離、および、予測対象地点と他の地点との間の日照強度の時系列データの差に基づいて類似度を算出する。これにより、予測装置１０は、相関係数を用いる場合と比較して日照強度の時系列データの類似性をより正確に評価することができる。

［予測プログラム］
なお、上記の実施例で説明した各種の処理は、あらかじめ用意されたプログラムをパーソナル・コンピュータやワークステーションなどのコンピュータシステムで実行することによって実現することもできる。そこで、以下では、上記の実施例と同様の機能を有するプログラムを実行するコンピュータシステムの一例を説明する。図１４は、予測プログラムを実行するコンピュータを示す図である。

図１４に示すように、コンピュータ３００は、ＣＰＵ３１０、ＨＤＤ（Hard Disk Drive）３２０、ＲＡＭ３４０を有する。これら３００〜３４０の各部は、バス４００を介して接続される。

ＨＤＤ３２０には上記の受付部４０、ＳＯＭ部４１、類似度算出部４２、遅れ算出部４３、予測部４４および出力制御部４５と同様の機能を発揮する予測プログラム３２０ａが予め記憶される。なお、予測プログラム３２０ａについては、適宜分離してもよい。

また、ＨＤＤ３２０は、各種情報を記憶する。例えば、ＨＤＤ３２０は、上述の時系列データ３０など予測に用いる各種データを記憶する。

そして、ＣＰＵ３１０が、予測プログラム３２０ａをＨＤＤ３２０から読み出して実行することで、実施例の各処理部と同様の動作を実行する。すなわち、予測プログラム３２０ａは、受付部４０、ＳＯＭ部４１、類似度算出部４２、遅れ算出部４３、予測部４４および出力制御部４５と同様の動作を実行する。

なお、上記した予測プログラム３２０ａについては、必ずしも最初からＨＤＤ３２０に記憶させることを要しない。

例えば、コンピュータ３００に挿入されるフレキシブルディスク（ＦＤ）、ＣＤ−ＲＯＭ、ＤＶＤディスク、光磁気ディスク、ＩＣカードなどの「可搬用の物理媒体」にプログラムを記憶させておく。そして、コンピュータ３００がこれらからプログラムを読み出して実行するようにしてもよい。

さらには、公衆回線、インターネット、ＬＡＮ、ＷＡＮなどを介してコンピュータ３００に接続される「他のコンピュータ（またはサーバ）」などにプログラムを記憶させておく。そして、コンピュータ３００がこれらからプログラムを読み出して実行するようにしてもよい。

１０予測装置
２０表示部
２１入力部
２２記憶部
２３制御部
３０時系列データ
４０受付部
４１ＳＯＭ部
４２類似度算出部
４３遅れ算出部
４４出力制御部
３００コンピュータ
３１０ＣＰＵ
３２０ＨＤＤ
３２０ａ予測プログラム
３４０ＲＡＭ

Claims

予測対象地点を含む複数地点の気象データまたは自然エネルギー発電の出力の時系列データを自己組織化マップを用いて二次元平面に写像し、地点ごとに、当該地点の勝利ノードを前記二次元平面上で特定するＳＯＭ部と、
前記ＳＯＭ部により特定された前記予測対象地点の勝利ノードと他の地点の勝利ノードとの間の類似度を算出する類似度算出部と、
前記類似度算出部により算出された類似度に基づいて、前記予測対象地点と前記他の地点との間の気象データまたは自然エネルギー発電の出力の遅れ時間を算出する遅れ算出部と、
前記類似度算出部により算出された類似度および前記遅れ算出部により算出された遅れ時間に基づいて、予測対象地点の気象データまたは自然エネルギー発電の出力を予測する予測部と
を有することを特徴とする予測装置。
前記類似度算出部は、前記二次元平面上での前記予測対象地点と他の地点の勝利ノード間の距離、および、前記予測対象地点と他の地点との間の気象データまたは自然エネルギー発電の出力の時系列データの差に基づいて前記類似度を算出することを特徴とする請求項１に記載の予測装置。
予測対象地点を含む複数地点の気象データまたは自然エネルギー発電の出力の時系列データを自己組織化マップを用いて二次元平面に写像し、地点ごとに、当該地点の勝利ノードを前記二次元平面上で特定し、
特定された前記予測対象地点の勝利ノードと他の地点の勝利ノードとの間の類似度を算出し、
算出された類似度に基づいて、前記予測対象地点と前記他の地点との間の気象データまたは自然エネルギー発電の出力の遅れ時間を算出し、
算出された類似度および算出された遅れ時間に基づいて、予測対象地点の気象データまたは自然エネルギー発電の出力を予測する
処理をコンピュータが実行することを特徴とする予測方法。
予測対象地点を含む複数地点の気象データまたは自然エネルギー発電の出力の時系列データを自己組織化マップを用いて二次元平面に写像し、地点ごとに、当該地点の勝利ノードを前記二次元平面上で特定し、
特定された前記予測対象地点の勝利ノードと他の地点の勝利ノードとの間の類似度を算出し、
算出された類似度に基づいて、前記予測対象地点と前記他の地点との間の気象データまたは自然エネルギー発電の出力の遅れ時間を算出し、
算出された類似度および算出された遅れ時間に基づいて、予測対象地点の気象データまたは自然エネルギー発電の出力を予測する
処理をコンピュータに実行させることを特徴とする予測プログラム。