JP6695370B2 - 適応発電管理 - Google Patents

Description

風力発電所は、陸地または海上に位置付け可能な特定の地理的領域に拡がった複数の風力タービンを含む場合がある。風力タービンは、風のエネルギーを電気に変換し、送電網等を通じて供給する。風力タービンは、広範な垂直軸型および水平軸型で製造されている。従来の水平軸タービンは通常、風のエネルギーを低速回転エネルギーに変換する翼を含むロータコンポーネントと、制御電子機器を含み得る発電機コンポーネントと、タワーおよびロータヨー機構を含み得る構造支持コンポーネントとを具備する。

風力発電所が発生する電力は、風速および恒常性に基づいて、日ごとに変化し得る。さらに、風力タービンの効率は、コンポーネントの摩耗、経年劣化等によって、時間とともに低下する可能性がある。したがって、日ごとに発生が予想される電力量を決定し、これに応じて風力タービンを制御することが課題となり得る。

いくつかの実施態様は、複数の風力タービンの出力を予測する構成および技術を含む。たとえば、システムは、第１の期間にわたって、複数の風力タービンの各風力タービンから第１のセンサデータを受信するようにしてもよい。第１のセンサデータは、少なくとも時間間隔当たりの出力および風速を含んでいてもよく、第１の期間は、複数の前記時間間隔を含んでいてもよい。システムは、各風力タービンから受信した第１のセンサデータに少なくとも部分的に基づいて、各風力タービンの少なくとも１つのモデルをそれぞれトレーニングするようにしてもよい。システムは、第２の期間にわたって、各風力タービンから第２の各センサデータを受信するようにしてもよい。さらに、システムは、各風力タービンから受信した第２の各センサデータを用いて、各風力タービンから受信した第１のセンサデータを用いてトレーニングされた各モデルを実行することにより、各風力タービンについて、次回期間の予測出力を決定するようにしてもよい。

システムは、予測出力を統合して、複数の風力タービンの合計予測出力を決定するようにしてもよい。システムは、合計予測出力に少なくとも部分的に基づいて、複数の風力タービンのうちの少なくとも１つの風力タービンを停止または始動させるメッセージを送信するようにしてもよい。この追加または代替として、システムは、合計予測出力に少なくとも部分的に基づいて、スイッチを作動させることにより、発生電力の少なくとも一部を電力貯蔵装置との間で振り分けるメッセージを送信するようにしてもよい。この追加または代替として、システムは、合計予測出力に少なくとも部分的に基づいて、次回期間の少なくとも一部に関する予想出力を示すメッセージをユーティリティ演算装置に送信するようにしてもよい。

添付の図面を参照して、詳細な説明を示す。図中、参照番号の最も左の桁は、当該参照番号が最初に現れる図を特定するものである。異なる図における同じ参照番号の使用は、類似または同一の項目または特徴を示している。

いくつかの実施態様に係る、予測出力に基づいて制御可能なシステムの例示的な構成を示した図である。 いくつかの実施態様に係る、予測出力に基づいて制御可能なシステムの例示的な構成を示した図である。 いくつかの実施態様に係る、出力を予測する予測展望の一例を示した図である。 いくつかの実施態様に係る、サポートベクターマシン回帰を用いて出力を予測する一例を示した図である。 いくつかの実施態様に係る、補助タービンセンサデータおよび／または外部天気予報データを用いて対象風力タービンによる出力を予測する一例を示した図である。 いくつかの実施態様に係る、複数の競合モデルを備えたシステムを用いて出力を予測する一例を示した図である。 いくつかの実施態様に係る、出力を予測する予測仕様の一例を示した図である。 いくつかの実施態様に係る、出力を予測する例示的なシステムを示した図である。 いくつかの実施態様に係る、予測出力に基づいてシステムを制御する例示的なプロセスを示したフローチャートである。 いくつかの実施態様に係る、複数の競合モデルをトレーニングするとともに出力を予測する選択モデルを展開する例示的なプロセスを示したフローチャートである。 いくつかの実施態様に係る、例示的なモデル演算装置を示した図である。 いくつかの実施態様に係る、例示的な予測管理演算装置を示した図である。

本明細書において、いくつかの実施態様は、１つまたは複数の次回期間に１つまたは複数の風力タービンが発生する可能性がある出力の量を予測するとともに、予測した出力に基づいてシステムを制御する少なくとも１つの行為を実行する技術および構成を対象とする。たとえば、演算装置は、次回期間にわたって風力タービンがそれぞれ発生する予測出力を決定するように構成されていてもよい。場合により、予測出力は、特定の地理的領域に位置付けられた複数の風力タービンを含む風力発電所で風力タービンごとに決定されるようになっていてもよい。出力予測では、個々の風力タービンの任意の特異性を自動的に考慮するようにしてもよい。たとえば、予測出力は、複数の風力タービン中のいくつかの風力タービンが異なる製造業者によるものであるか、異なるモデルであるか、異なる動作特性を有するか、異なるタービン動作状態を有するか、異なるヒステリシスアルゴリズムを有するか、異なる経年であるか、ならびに／または異なる設置場所および高度を有するかに関わらず、正確に決定されるようになっていてもよい。

本明細書において、いくつかの実施態様では、現在および最近の測定出力等、測定風速データに対応する各風力タービンからのセンサデータと、各風力タービンに設置されたセンサから得られる他のセンサ情報とを使用するようにしてもよい。一例として、本明細書においては、風力発電所の１日先の出力見通しまたは他の同等の短期見通し展望をシステムが提供するようにしてもよい。たとえば、本明細書においては、非常に多くのモデルを効率的に学習して実行できる効率的な出力予測方法を実施態様が提供するようにしてもよい（たとえば、風力発電所の個々の風力タービンに対してカスタマイズされた９６個のモデルによって、風力タービンごとの１日先の予測を網羅する）。

前述の通り、風力発電所は、特定の地理的領域に拡がった多くの風力タービンで構成されていてもよい。また、各風力タービンに取り付けられたセンサから、測定出力、測定風速および方向、測定ヨー（風力タービンが向いている方向）、気温、気圧、および他のデータ点等のデータが実時間で収集されるようになっていてもよい。本明細書において、いくつかの例では、風力発電所の個々の風力タービンからセンサデータを収集する監視制御・データ収集（ＳＣＡＤＡ）システムを使用するようにしてもよい。たとえば、各風力タービンのセンサから、ロータ速度、方位角、ヨー角、ならびに風速および発電出力を含む２０００以上もの他のデータ点をデータ収集演算装置が受信するようになっていてもよい。さらに、本明細書においては、風力タービンそれぞれのセンサからデータを収集する一例としてＳＣＡＤＡシステムを説明するが、本明細書の開示を利用できる当業者には、センサデータを収集する他の技術が明らかとなるであろう。

本明細書のいくつかの例によれば、発電予測プログラムおよびモデルは、演算リソースが限られた複数の演算装置に展開されるようになっていてもよく、また、風力発電所で局所的に（すなわち、風力発電所の地理的領域で）展開されて、たとえば現在のセンサデータが風力タービンから受信された場合に、何日か先の出力予測を実時間で提供するようにしてもよい。たとえば、本明細書の発電予測システムは、妥当なリードタイム（たとえば、数週間〜１カ月）のたびに、データを収集・分析してからシステムが動作可能となるまでに数カ月または数年も要することなく展開可能であってもよい。さらに、予測精度を最大化するため、本明細書の発電予測システムは、出力予測モデルの入力として、別のデータ源からの外部データを容易に統合可能である。たとえば、本明細書の出力予測モデルは、外部源から得られる外部天気予報および各風力タービンから直接得られるセンサデータの組み合わせを使用するようにしてもよい。たとえば、出力予測モデルは、風力タービンごとに測定された測定ヨーおよび風速と地理的領域の予測風向および風速を示す外部取得天気予報との差を考慮に入れることができる。

さらに、出力（電力Ｐ）は、風速（ＷＳ）の３乗と関連付けられていてもよい（たとえば、ＰはＷＳ^３の関数である）。この関係により、予測風速に誤差があれば、予測出力Ｐにおいて大きな誤差となる可能性がある。したがって、本明細書の例では、主として出力を予測するための予測風速に依拠するのではなく、直接電力見通しを使用する。さらに、本明細書のシステムにおいて、個々の風力タービンは、専用に生成されたそれ自体のモデルを有していてもよい。たとえば、システムは、各風力タービンからセンサデータが受信された場合に、風力タービンごとに複数のモデルを実時間で実行する１つまたは２つのモデル演算装置が各風力タービンに割り当てられていてもよい。一例として、各モデル演算装置は、ＲＡＳＰＢＥＲＲＹ ＰＩ（登録商標）演算装置または本明細書のモデルを実行するのに十分な処理能力を有する他の安価な演算装置であってもよい。

さらに、モデル演算装置は、風力発電所の地理的領域またはその近傍で展開されるようになっていてもよい。一例として、風力発電所の近傍としては、インターネット等のワイドエリアネットワーク（ＷＡＮ）上で通信する必要があるのと対照的に、ローカルエリアネットワーク（ＬＡＮ）上で風力タービンおよび／またはデータ収集演算装置と通信可能であることが挙げられる。このような風力発電所の地理的領域におけるモデル演算装置の近傍位置によって、システムは直ちに、センサデータと関連付け可能なタイムスタンプのより近くでセンサデータを受信する。さらに、このシステムは、ネットワーク待ち時間および通信停止の影響を受けにくい。結果として、モデル演算装置の近傍位置は、より正確な予測結果を与えることと相関関係にあり、また、モデル演算装置がクラウド上または他の遠隔ネットワーク位置にある場合よりも高いセキュリティを与える。

本明細書のいくつかの例において、出力予測システムは、風力タービンの出力を予測する機械学習技術として、サポートベクターマシン（ＳＶＭ）回帰を採用する。ＳＶＭ回帰は、高い予測精度のほか、効率的なモデル構築および実行を可能にするものと本明細書の発明者らが判定している。ＳＶＭ回帰のこれらの特徴により、演算リソースが限られた安価な末端の演算装置上で、本明細書の予測モデリングおよび分析を実行することができる。また、ＳＶＭ回帰は、高次のモデル入力を取り扱うために組み込まれた正則化メカニズムのため過剰適合の機会が最小限に抑えられた多くの予測因子に容易に対応し得る。

本明細書のいくつかの例において、出力予測モデルは、過去の出力および過去の期間の複数の時間間隔にわたって平均化された対応する風速の測定結果を含む複数の基本的な予測因子を使用するようにしてもよい。また、隣接する風力タービンからのセンサデータのほか、天気予報ウェブサーバ等から受信した地理的領域の予測風速および風向等、外部源から受信した外部天気予報データ等、出力予測の精度を向上させる他の予測因子が含まれていてもよい。

また、いくつかの実施態様では、何日か先の予測展望の別の予測因子として、時刻を決定するようにしてもよい。この日々の季節性因子の例としては、ＡＭ対ＰＭまたは前述の９６個の１５分時間間隔等に基づくよりきめ細かな時間の離散化が挙げられる。さらに、本明細書のいくつかの例において、システムは、新しいモデルのトレーニングデータとして最近受信したセンサデータを用いることにより、この新しいモデルを継続して生成するようにしてもよい。新しいモデルは、継続的な評価および現在展開されているモデルとの比較が可能な予備モデルとして機能するようになっていてもよい。評価によって、予備モデルのうちの１つが現在展開されているモデルよりも一貫して良好に機能していることが示された場合は（たとえば、閾値数の評価回数）、予備モデルのうちの最も正確なモデルが動的に作動することにより、展開モデルとして機能するようになっていてもよい。したがって、本明細書のシステムは、気象条件の変化および季節の変化に対して自動的に適応することができる。

将来の出力を予測するため、いくつかの実施態様では、過去および現在のタービン発生出力、対応する風データ、および時刻を使用する。たとえば、予測出力は、最近の出力、最近の風況、および時刻に基づいて、モデルにより予測されるようになっていてもよい。さらに、各モデルは、たとえばこの１週間または２週間、１カ月等、最近受信したデータを用いてトレーニングされるようになっていてもよい。このため、過去の気象パターンの静的な履歴データベースを用いる代わりに、本明細書のいくつかの実施態様では、モデルを周期的に再トレーニングすることにより、動的な気象パターンおよび機器状態の変化を考慮に入れる方法として、新しいモデルを生成する。したがって、各モデルは、個々の風力タービンから受信したセンサデータに少なくとも部分的に基づいて、タービン固有であってもよい。このため、モデルは、機器の経年劣化、摩耗、および破損による性能の低下、翼角、フラップ設定、タービン配向、位置、およびタービン依存の可能性がある調整等、特定の風力タービンの発電に影響を及ぼし得るあらゆる因子を自動的に考慮するようにしてもよい。本明細書の例では、収集に時間が掛かる大きなトレーニングデータセットは不要である。代わりに、いくつかの実施態様では、最近受信した（たとえば、この１週間、２週間、または１カ月までに受信した）データに基づいて周期的にモデルを再トレーニングすることにより、気象条件および風力タービン自体の動的な変化を反映させる。

出力の予測後、すべての風力タービンの予測出力の統合（たとえば、合計）によって、複数の風力タービン全体（たとえば、風力発電所全体またはその一部）の出力予測を与えるようにしてもよい。一例として、出力は、翌日の１５分周期ごとに予測されるようになっていてもよい（すなわち、次の２４時間を表す９６個の次回１５分周期ごとの９６個の出力予測）。さらに、本明細書の例では、説明を目的として、特定の期間（たとえば、合計で１日分の予測の場合、９６個の１５分予測周期）を記載しているが、本明細書の開示を利用できる当業者には、使用可能な他の多くの期間が明らかとなるであろう。したがって、本明細書の実施態様は、出力の予測が如何なる特定の期間にも限定されない。さらに、トレーニングデータとして使用するセンサデータは、予測期間よりも頻繁に収集されるようになっていてもよい。たとえば、１０秒ごとのデータすなわち風力タービンごとに１５分の周期当たり９０個のサンプルが収集されるようになっていてもよいし、これ以上または以下の頻度で収集されるようになっていてもよい。

いくつかの例では、次回期間の予測出力に基づいて、システムが１つまたは複数の制御機能を実行することにより、システムおよび／または風力タービンを制御するようにしてもよい。たとえば、出力が非常に低く、たとえば風力タービンが少なくとも閾値レベルの電力も発生し得ないほど低いと予測された場合、システムは、風力タービンの出力と動作に必要な電力との収支が合わなくなるため、風力タービンを停止させる信号を送信するようにしてもよい。たとえば、風力タービンの停止により、日常保守または点検を行うようにしてもよい。

別の例として、出力がその日は高いものの、翌日には低くなると予測された場合、システムは、電力を貯蔵する複数のバッテリを具備し得る電力貯蔵設備に発生電力の一部を振り分けるようにしてもよい。また、いくつかの例において、システムは、予測出力情報をユーティリティ演算装置に送信することにより、たとえば次回期間中に風力発電所で発生すると予測される電力量に関して、ユーティリティ演算装置に知らせるようにしてもよい。さらに、出力が過去に送電網への供給が確約された量未満である場合は、電力貯蔵設備から送電網に電力を送る制御信号がスイッチに送信されるようになっていてもよい。このように、予測出力が結果的に正しくない場合は、貯蔵電力の使用により、現在の周期で供給が確約された量と現在の周期の実際の出力との差を補償するようにしてもよい。

いくつかの例においては、アプリケーションプログラミングインターフェース（ＡＰＩ）の使用により、予測出力情報に基づいて風力発電所システムを制御可能な制御演算装置に対して、予測に基づく予測電力情報を送信するようにしてもよい。他の例では、他の電子通信技術により、予測出力情報を伝えるようにしてもよい。したがって、本発明の実施態様は、風力発電所システムおよび当該風力発電所システム中の個々の風力タービンを制御するほか、風力発電所システムによる出力を制御および管理することによって、風力発電所システム自体の動作を改善する新規で独創的かつ非従来的な技術を提供する。

説明を目的として、風力タービンからセンサデータを受信するとともに、このセンサデータを演算モデルに適用して、特定の風力タービンの制御、スイッチ等の装置の制御、または情報の別の演算装置への送信等のための予測出力を与える１つまたは複数の演算装置の環境でいくつかの例示的な実施態様を記載する。ただし、本明細書の実施態様は、与えられた特定の例に限定されず、本明細書の開示に照らして当業者には明らかなように、他種のデータ入力、他種の環境、他のシステム構成、他種の演算モデル、他種の出力等へと拡張されるようになっていてもよい。たとえば、いくつかの例は、風力タービンを管理する環境で記載しているが、本明細書の実施態様は、この環境に限定されず、太陽光発電、水力発電、または風力発電、太陽光発電、および／もしくは水力発電の混成組み合わせ等、自然の動力源に基づいて電力が発生する他の環境等へと拡張されるようになっていてもよい。

図１は、いくつかの実施態様に係る、風力タービン発電システムの制御および／または予測出力に関する情報の提供が可能なシステム１００の例示的な構成を示している。この例においては、風力発電所１０６またはその一部として、複数の風力タービン１０２（１）、１０２（２）、１０２（３）、・・・が地理的領域１０４に位置付けられていてもよい。各風力タービン１０２（１）、１０２（２）、１０２（３）、・・・は、それぞれの現在の状況および他の情報を実時間で検出する複数のセンサ１０８（１）、１０８（２）、１０８（３）、・・・をそれぞれ具備していてもよい。

地理的位置１０４またはその近傍に１つまたは複数のデータ収集演算装置１１０が位置付けられて、センサ１０８からセンサデータ１１２を受信するようにしてもよい。場合により、センサデータ１１２は、タイムスタンプが押され、各センサ１０８で各風力タービン１０２に応じて識別される。一方、他の場合は、これがデータ収集演算装置１１０で行われるようになっていてもよい。さらに、データ収集演算装置１１０は、センサ１０８からセンサデータ１１２を受信し、当該センサデータ１１２を受信した各風力タービン１０２に応じてセンサデータ１１２を格納するデータ収集アプリケーション１１４を具備していてもよい。

複数のモデル演算装置１１６（１）〜１１６（Ｎ）がデータ収集演算装置１１０からセンサデータ１１２を周期的に受信するようになっていてもよい。たとえば、風力発電所１０６の複数の風力タービン中の風力タービン１０２ごとに、１つまたは複数のモデル演算装置１１６が存在していてもよい。各モデル演算装置１１６は、モデルアプリケーション１１８、１つまたは複数のモデル１２０、および風力タービン１０２のうちの少なくとも１つの受信センサデータ１１２を含んでいてもよい。たとえば、各モデル演算装置１１６は、風力タービン１０２のうちの特定の１つの予測出力を演算するように指定されていてもよい。したがって、たとえば５０基の風力タービンを風力発電所が含む場合は、５０個のモデル演算装置１１６がそれぞれ存在し、そのうちの１つが風力発電所１０６の各風力タービンに割り当てられていてもよい。ただし、他の例においては、モデル演算装置がこれより多くてもよいし、少なくてもよい。

一例として、第１のモデル演算装置１１６（１）が第１の風力タービン１０２（１）の予測出力の決定に割り当てられるものと仮定する。このため、第１のモデル演算装置１１６（１）は、第１の風力タービン１０２（１）の第１のセンサ１０８（１）から得られたセンサデータ１１２（１）を受信する。第１のモデル演算装置１１６（１）は、第１の風力タービン１０２（１）から受信したセンサデータ１１２（１）を用いて１つまたは複数のモデル１２０（１）をトレーニングおよび適用することにより、第１の風力タービン１０２（１）の予測出力を演算するようにしてもよい。場合により、各モデル演算装置１１６は、風力発電所１０６の風力タービン１０２のうちの異なる１つの予測出力の演算に割り当てられていてもよい。さらに、いくつかの例においては、以下に別途論じる通り、モデル演算装置１１６は、当該モデル演算装置１１６が割り当てられた特定のタービンの近くに位置付けられた１つまたは複数の補助タービン１０２からの別のセンサデータ１１２を受信するようにしてもよい。たとえば、以下に論じる通り、特定の対象タービンのモデル１２０は、当該特定の対象タービンの予測出力を演算する場合、（たとえば、閾値距離内の）すぐ近くのタービンから得られたセンサ情報を考慮するようにしてもよい。

受信したセンサデータ１１２に基づいて、各モデル演算装置１１６は、予測管理演算装置１２４に送信されるモデル結果１２２を出力するようにしてもよい。予測管理演算装置１２４は、管理アプリケーション１２６、分析アプリケーション１２８、予測結果１３０、外部天気予報データ１３２、および統合モデル結果１３４を含んでいてもよい。たとえば、管理アプリケーション１２６は、情報を管理するとともにモデル演算装置１１６に提供するほか、モデル演算装置１１６からモデル結果１２２を受信するようにしてもよい。一例として、管理アプリケーション１２６は、外部データ源演算装置１３６から外部天気予報データ１３２を受信するようにしてもよい。たとえば、外部データ源演算装置１３６は、外部天気予報データ１３２を予測管理演算装置１２４に提供するウェブサーバ等であってもよく、次にこれが外部天気予報データ１３２をモデル演算装置１１６に提供するようにしてもよい。外部天気予報データ１３２には、風力発電所１０６が位置付けられた地理的領域１０４の天気予報を含んでいてもよい。

また、分析アプリケーション１２８は、各モデル演算装置１１６からモデル結果１２２を受信するようにしてもよく、また、モデル結果１２２に基づいて統合モデル結果１３４を生成するようにしてもよい。一例として、分析アプリケーション１２８は、各期間のモデル結果を合計あるいは結合して、各次回期間の出力予測結果１３０を生成するようにしてもよい。以下に別途論じる通り、モデルアプリケーション１１８は、複数の次回期間の出力予測結果を生成するように構成されていてもよい。一例として、モデル１２０は、次回日についてそれぞれ、９６個の１５分期間のモデル結果を生成するようにしてもよく、モデル結果１２２は、次回２４時間期間の９０分ごとに再計算され、予測管理演算装置１２４に送信されるようになっていてもよい。前述の通り、本明細書に記載の期間の例は、説明を目的としているに過ぎず、本明細書の開示を利用できる当業者には、他の多くの期間変形例が明らかとなるであろう。

最新の予測結果１３０の決定に続いて、管理アプリケーション１２６は、予測情報１４０をシステム制御演算装置１４２に送信するようにしてもよい。システム制御演算装置１４２は、風力発電所１０６および電力貯蔵設備（図１には示さず）の１つまたは複数の機能を制御可能な制御アプリケーション１４４を含んでいてもよい。いくつかの例において、管理アプリケーション１２６は、ＡＰＩ（図１には示さず）または他のアプリケーション内通信技術によって、予測情報１４０を制御アプリケーション１４４に送信するようにしてもよい。あるいは、その他任意の電子情報通信技術の使用により、予測情報１４０をシステム制御演算装置１４２に送るようにしてもよい。

図２に関して以下に別途論じるように、制御アプリケーション１４４は、予測情報１４０の受信に際して、風力発電所１０６または風力発電所１０６と関連付けられた他のシステムに１つまたは複数の制御信号１４６を送信するようにしてもよい。たとえば、制御信号１４６は、個々の風力タービン１０２を制御するメッセージであってもよいし、風力タービンの始動または停止、風力タービンの保守の準備等、複数の風力タービン１０２を制御するようにしてもよい。別の例として、制御信号１４６は、図２に関して以下に別途論じる通り、風力発電所１０６で発生した余剰電力の一部または全部の電力貯蔵設備への振り分け等を行う１つまたは複数のスイッチ（図１には示さず）を制御するメッセージであってもよい。この追加または代替として、制御アプリケーション１４４は、ユーティリティアプリケーション１５４を含み、風力発電所１０６で発生した電力を受け入れる送電網（図１には示さず）を少なくとも部分的に制御するユーティリティ実体と関連付けられ得るユーティリティ演算装置１５２へのメッセージにおいて、電力出力情報１５０を送信するようにしてもよい。また、図２に関して以下に別途論じる通り、制御アプリケーション１４４は、制御信号１４６を送信することにより、出力確約に満たない不足分の補償等、電力貯蔵装置にバッテリの一部を送電網に放出させるようにしてもよい。

システム制御演算装置１４２および／または予測管理演算装置１２４は、１つまたは複数のネットワーク１６０上で、外部データ源演算装置１３６、ユーティリティ演算装置１５２、および／または相互の通信が可能であってもよい。１つまたは複数のネットワーク１６０は、イントラネット等のローカルエリアネットワーク（ＬＡＮ）、インターネット等のワイドエリアネットワーク（ＷＡＮ）、携帯電話ネットワーク、Ｗｉ−Ｆｉ等のローカル無線ネットワーク、および／もしくはＢｌｕｅｔｏｏｔｈ（登録商標）等の短距離無線通信等の無線ネットワーク、光ファイバ、イーサネット（登録商標）、ファイバチャネル、もしくはその他任意のこのようなネットワーク、直接有線接続、またはこれらの任意の組み合わせ等、如何なる種類のネットワークを含んでいてもよい。したがって、１つまたは複数のネットワーク１６０は、有線および／または無線通信の両技術を含んでいてもよい。このような通信に用いられるコンポーネントは、少なくとも部分的に、ネットワークの種類、選択された環境、または両者によって決まり得る。このようなネットワーク上の通信のプロトコルはよく知られているため、本明細書においては詳しく論じない。

さらに、いくつかの例において、モデル演算装置１１６は、１つまたは複数のネットワーク１６０上で予測管理演算装置１２４と連通していてもよい。一方、他の例では、風力発電所１０６の地理的領域１０４に近接して、予測管理演算装置１２４がモデル演算装置１１６と同じ場所に位置付けられていてもよい。同様に、システム制御演算装置１４２は、風力発電所１０６の地理的領域１０４に近接して位置付けられていてもよく、また、データ収集演算装置１１０、モデル演算装置１１６、および／または予測管理演算装置１２４と同じ場所に位置付けられていてもよい。さらに別の選択肢として、データ収集演算装置１１０は、風力発電所１０６の地理的領域１０４に近接して位置付けられていてもよい。一方、モデル演算装置１１６、予測管理演算装置１２４、および／またはシステム制御演算装置１４２は、クラウド上または他の適当なネットワーク位置等、１つまたは複数のネットワーク１６０上で遠隔に位置付けられていてもよい。本明細書の開示を利用できる当業者には、他の多くのネットワーク構成が明らかとなるであろう。

また、いくつかの例において、モデル演算装置１１６および予測管理演算装置１２４の機能は、任意所望の様態で１つまたは複数の演算装置となるように組み合わされていてもよい。さらに、いくつかの例において、管理演算装置１２４およびシステム制御演算装置１４２の機能は、任意所望の様態で１つまたは複数の演算装置となるように組み合わされていてもよい。さらに、いくつかの例において、データ収集演算装置１１０、モデル演算装置１１６、予測管理演算装置１２４、およびシステム制御演算装置１４２の機能は、任意所望の様態で１つまたは複数の演算装置となるように組み合わされていてもよい。本明細書の開示を利用できる当業者には、他の多くの変形例が明らかとなるであろう。

図２は、いくつかの実施態様に係る、風力発電システム２００の例示的な構成を示している。風力発電システム２００は、図１に関して上述したシステム１００に対応していてもよい。風力発電所１０６は、電力２０２を発生するとともに、１つまたは複数の電力線２０４に沿って、電力２０２を送電網２０６に送るようにしてもよい。送電網２０６は、ユーティリティ演算装置１５２と関連付けられたユーティリティ実体によって少なくとも部分的に制御されるようになっていてもよい。１つまたは複数の電力線２０４は、電力２０２の一部または全部を電力貯蔵装置２１０に送るように動作し得る１つまたは複数のスイッチ２０８を含んでいてもよい。たとえば、電力貯蔵装置２１０は、電力２０２が当該電力貯蔵装置２１０に送られた場合に当該電力２０２を受け入れて格納できる１つもしくは複数のバッテリ２１２または他の電力貯蔵装置を含んでいてもよい。場合により、バッテリ２１２は、送電網２０６への放電によって、電力網２０６への所望または目標の出力に満たない不足分の補償等を行うようにしてもよい。

前述の通り、予測管理演算装置１２４は、予測情報１４０をシステム制御演算装置１４２に送るようにしてもよい。システム制御演算装置１４２上の制御アプリケーション１４４は、予測情報１４０に基づいて実行する１つまたは複数の行為を決定するようにしてもよい。一例として、次回日に風が非常に弱くなると予測される旨を予測情報が示すものと仮定する。たとえば、風力タービンは通常、動作に少なくともいくらかの電力を必要とし、風が臨界閾値風速を下回る場合、風力タービンは、運用コストを相殺するのに十分な電気を発生させることができない。このような場合、制御アプリケーション１４４は、風力タービンの出力と動作に必要な運用コストとの収支が合わなくなるため、風力タービンを停止させる信号を送信するようにしてもよい。

同様に、風速が特定の閾値を超える場合は、いくつかの風力タービンを停止させてもよい。たとえば、上側の風速閾値のカットアウト速度を有することは、風力タービンを損傷から保護する安全機能である。さらに、高い風速での停止事象は、大きな疲労荷重となる可能性がある。したがって、停止の閾値（すなわち、カットアウト速度）を超える強風が予測される場合は、強風の前に風力タービンを停止させて、風速が停止閾値を超える場合の風力タービンの始動および停止の繰り返しを防止するようにしてもよい。

通常、ほとんどの風力発電所において、微風または暴風によるこのような停止は、比較的まれである。より一般的な例として、風力タービンを動作させるのに十分な大きさの出力が予測されるものの、風力タービンが最大効率近くで動作するほど大きくはない。したがって、本明細書の予測情報１４０の制御アプリケーション１４４による使用によって、このような状況で取るべき行為を決定するようにしてもよい。

一例として、風力発電所は、予防的な保守および修理のために風力タービンが停止されると、出力が低下する可能性がある。したがって、本明細書の実施態様では、全体出力に及ぼす影響が最小の停止時間を制御アプリケーション１４４が選択できるようにしてもよい。風力タービンが弱風のための停止する場合、これは、保守を実行するための良い時間となり得る。ただし、このような停止はめったに発生しないため、制御アプリケーション１４４は、次回期間にわたる個々の風力タービンの予測出力に基づいて、保守を行う時間を選択するようにしてもよい。たとえば、風力タービンを動作させるのに十分な大きさの予測出力であるものの、依然として第１の出力閾値を下回っている場合、制御アプリケーションは、次回期間において、風力タービン１０２のうちの１つまたは複数をオフラインにして日常保守を行うように決定してもよい。予測情報１４０に基づいて、制御アプリケーション１４４は、次回期間中の保守による発電の損失が、出力がより高くなる他の時間の発電の損失と比較して最小になり得ると判定するようにしてもよい。一例として、第１の出力閾値は、特定の風力タービン１０２の過去の平均出力以下であってもよい。したがって、制御アプリケーション１４４は、タービン１０２のうちの特定の１つをオフラインにして保守すると選択した場合、第１の制御信号１４６（１）を上記特定の風力タービン１０２に送信して、この特定の風力タービン１０２を停止させるようにしてもよい。

別の例として、第１の次回期間中は風力発電所の合計出力が高くなるものの、後続の第２の次回期間中は低くなると予想される場合、制御アプリケーション１４４は、風力タービン１０２の出力が低くなると予測される後続の第２の期間中に貯蔵電力が送電網２０６に送られるように、発生電力２０２の少なくとも一部を電力貯蔵装置２１０に振り分けるように決定してもよい。これを実現するため、制御アプリケーション１４４は、第２の制御信号１４６（２）を１つまたは複数のスイッチ２０８に送信し、当該１つまたは複数のスイッチ２０８によって、電力２０２の少なくとも一部を電力貯蔵装置２１０に振り分けるようにしてもよい。また、たとえば早期の誤った出力予測のため、風力発電所の実際の出力が送電網２０６に送る確約量未満の場合、制御アプリケーション１４４は、制御信号１４６（２）をスイッチ２０８に送信して、電力貯蔵装置２１０にバッテリ２１２の一部を送電網２０６に放出させるようにしてもよい。たとえば、貯蔵電力の送電網２０６への供給によって、風力発電所の実際の出力と予測出力に基づいてユーティリティ演算装置１５２に提供可能であった出力確約との差を補償するようにしてもよい。

また、別の例として、制御アプリケーション１４４は、電力出力情報１５０をユーティリティ演算装置１５２に送信するようにしてもよい。たとえば、予測情報１４０に基づいて、制御アプリケーションは、次回期間にわたって送電網２０６に送ることができる出力量を決定するようにしてもよい。この決定に基づいて、制御アプリケーションは、電力出力情報１５０をユーティリティ演算装置１５２に送信するようにしてもよく、これがその後、予想出力の受け入れに向けた送電網２０６の準備および／または予測出力が閾値レベルを下回ると予想される場合に他の電力源から出力を得るための準備等、受信した電力出力情報１５０に基づいて他の行為を実行するようにしてもよい。

図３は、いくつかの実施態様に係る、出力量を予測する予測展望を含む例示的なグラフ３００を示している。たとえば、タービン製造業者提供の出力曲線に与えられる風速の予想を目的とした従来の手法と異なり、本明細書の実施態様では、風力タービンから最近受信したセンサデータに少なくとも部分的に基づいて、出力を直接出るようにしてもよい。このため、本明細書の例では、風速の予想の誤差により生じ得る出力予測の不正確さを最小限に抑える。前述の通り、風力タービンの出力は、風速の３乗（ＷＳ^３）の関数へと一般化されるようになっていてもよい。したがって、誤った予測風速は、予測出力を大幅に歪ませる可能性がある。さらに、タービン製造業者が提供する出力曲線は、タービンの経年、タービン固有のヒステリシスアルゴリズム、タービンの場所および高度等、個々のタービンの動作特性の変動性を考慮し得ない理論的および／または公称的モデルに基づく場合がある。また、風力発電所の所有者は、２つ以上の製造業者からのタービンおよび／または型式が異なるタービンを運用している場合が多い。このため、本明細書の実施態様は、製造業者の出力曲線の可用性に依存せず、さまざまな製造業者、さまざまな型式、さまざまな場所、さまざまな高度等から独立した個々の風力タービンの出力の予測を提供することができる。

本明細書の例は、風力発電所の少なくとも１日先の電力見通しを提供するとともに、構築、展開、および頻繁に刷新される多くのモデルを採用していてもよい。一例として、モデル演算装置は、次の２４時間等、次回期間にわたる１５分の時間間隔ごとの見通しを提供可能であるため、風力発電所の風力タービンごとに９６個のモデルを使用するようにしてもよい。通常の風力発電所の場合、これは、数千個のモデルが構築、トレーニング、および展開されることを意味し得る。

本明細書の例では、個々のタービンの出力を予測する基本的な予測因子として、複数の時系列を使用するようにしてもよい。たとえば、次回期間の出力を直接予測するため、本明細書のモデル演算装置は、ごく最近（たとえば、３０分〜１時間前）観測された電力および風速の測定結果を使用するようにしてもよい。風力タービンのセンサにより測定された当該風力タービンの最近の出力および最近の測定風速は、現時点より前の最近の３０分等、短い時間ウィンドウにわたって収集され、モデルが予測因子（すなわち、モデルの入力）として使用可能な時系列を提供することができる。

センサデータは、本明細書の出力予測モデルが使用する速度よりもはるかに高速で収集されるようになっていてもよい。非限定的な一例として、風力タービンのセンサは、１分当たり６つのサンプルの速度で（たとえば１０秒に一度）データサンプルを取得するようにしてもよい。ただし、本明細書の実施態様では、たとえば５分間隔で平均化されたデータサンプルに基づいて、１５分周期で平均化された予測出力を予想するだけであってもよい。したがって、モデルが使用する対応する粒度レベルまで、生のセンサデータが（たとえば、ある時間間隔にわたる平均化によって）統合されるようになっていてもよい。さらに、データが統合される時間間隔は、如何なる時点に固定されていてもよい。言い換えると、予測出力が提供される時間間隔は連続的で重なっていないものの、モデルが入力として使用する統合センサデータは、必ずしもバラバラである必要がなく、重なっていてもよい。

図３に示すように、グラフ３００は、電力を示す複数の白棒３０２および風速（ＷＳ）を示す複数の黒棒３０４を含む。さらに、現在の時刻ｔが３０６に示されており、出力を予測する時間が時刻ｔ＋予測展望ｈにより３０８で表されている。測定出力および対応する測定風速については、複数の過去の時間間隔ｔ−１、ｔ−２、・・・、ｔ−ｄ（ｄは、モデルの入力が戻れる時間の限界である）に関して３１０で表されている。後述の通り、いくつかの例においては、４つの１５分時間間隔に対応してｄが４であってもよい。この追加または代替として、ｄは、予測展望ｈの関数であってもよい。

この例では、出力予測が次回１５分時間間隔ごとに提供されるものと仮定する。これにより、予測モデルの入力として使用可能なデータは、同じ粒度レベルすなわち１５分の時間間隔で統合されるようになっていてもよい。一例として、モデルは、４つのこのような統合データ群を入力として使用するようにしてもよい。４つの対応する周期はばらばらであってもよく、この場合は、１時間のウィンドウに拡がっていてもよい。別の例としては、４つの周期が５分離れたアンカーと重なっていてもよく、この場合は、直前の３０分のウィンドウに拡がっていてもよい。したがって、予想周期がこのように固定されていても、１５分間隔は、１／４時間に固定される必要がない。これに対して、１５分ごとではなく５分ごとにアンカーを許可することにより、本明細書の実施態様は、トレーニングデータセットのサイズを３倍にすることができる。したがって、展望ｈでの出力予測モデルのトレーニングセットは、以下の形態のタプルの集まりとして表されるようになっていてもよい。
（Ｐ（ｔ−ｄ），・・・，Ｐ（ｔ−ｌ），ＷＳ（ｔ−ｄ），・・・，Ｐ（ｔ−ｌ），ＰＯＤ（ｔ），ｐ（ｔ＋ｈ）），
ここで、ｔは任意の時点に固定可能であり、Ｐは電力、ＷＳは風速、ｈは予測展望、ＰＯＤは１日の周期である。

さらに、本明細書のモデルは、日々の季節性パターンを自動的に取り扱うことができる。たとえば、１日を９６個の１５分間隔に分解することにより、モデルは、１日の周期（上記ＰＯＤ（ｔ））を使用することにより、特定の時間予測ｔが含まれる１５分間隔を指標化するようにしてもよい。この例において、ＰＯＤ（ｔ）は、モデルの別の予測因子として機能し得る０〜９５の整数であってもよい。たとえば、１日の周期は、現時点から半日離れた場合等、より長い予想時間展望の予想精度に大きな影響を及ぼし得る。

また、年々の季節性パターンについても、本明細書のモデルにより取り扱われるようになっていてもよい。たとえば、本明細書の実施態様では、複数年にわたって収集されたデータが本明細書のモデルのトレーニングに利用できないものと仮定する。たとえば、予測システムが特定の風力発電所にとって新しい場合および／または風力発電所自体が新しい場合があるため、出力の年々の季節変化を考慮するためのトレーニングデータとして使用可能な過去何年かの利用可能なデータは存在しない場合がある。ただし、本明細書のモデルは、別の正確な手法を用いて、年々の季節性を取り扱うようにしてもよい。たとえば、新しい風力発電所が開設された場合、本明細書のモデルは、短期間（たとえば、１カ月または２カ月）の予想を開始することができる。したがって、季節の変化の影響を考慮するため、本明細書の実施態様では、トレーニングデータセットとして使用するために複数年のタービン出力データを収集する必要がない。代わりに、本明細書のモデルは、履歴データのスライディングウィンドウを用いて周期的に再トレーニングされるようになっていてもよい。このスライディングウィンドウは、気象条件の最新パターンを反映させる必要があるため、トレーニングデータのウィンドウをあまり広くすることはできない。一方、トレーニングデータの時間ウィンドウは、モデルトレーニング用の適当に大きなデータセットを提供するのに十分な広さであってもよい。通常、１カ月分の過去データは、季節変化を考慮に入れる正確なモデルをトレーニングするための適当なトレーニングデータ量を与えることが、本明細書の発明者らによって見出されている。

図４は、いくつかの実施態様に係る、サポートベクターマシン回帰を用いて出力量を予測する一例４００を示している。前述の通り、本明細書の例では、サポートベクターマシン（ＳＶＭ）回帰を用いて、次回期間にわたる個々の風力タービンの出力を予測するようにしてもよい。一般的に、サポートベクターマシンは、分類および回帰分析に用いられるデータを分析する学習アルゴリズムが関連付けられた監視学習モデルである。２つのカテゴリの一方または他方に属するものとマーク付けされた一組のトレーニング例を所与として、線形カーネルに基づくＳＶＭトレーニングアルゴリズムは、新しい例を一方または他方のカテゴリに割り当てて非確率的二項線形分類子にするモデルを構築する。ＳＶＭモデルは、可能な限り広い隙間によって別個のカテゴリの例が分割されるようにマッピングされた空間点としての当該例の表現である。そして、新しい例は、この同じ空間にマッピングされ、含まれる隙間の側に基づくカテゴリに属するものと予測される。

ＳＭＶ回帰（および分類）において、生成されたモデルは、モデルを構築するためのコスト関数がモデル予測に近い如何なるトレーニングデータをも無視するため、トレーニングデータの部分集合によって決まる。最も単純な形態において、線形カーネルに基づくＳＶＭ回帰モデルのトレーニングは、以下を解くことを含んでいてもよい。
｜｜ｗ｜｜^２の１／２を最小化する。
ただし、以下の制約を受ける。
ｙ_ｉ−＜ｗ，ｘ_ｉ＞−ｂ≦ε
＜ｗ，ｘ_ｉ＞＋ｂ−ｙ_ｉ≦ε
ここで、ｘ_ｉは、目標値ｙ_ｉのトレーニングサンプルである。内積に切片を足したもの〈ｗ、ｘ_ｉ〉＋ｂは当該サンプルの予測であり、εは閾値として機能する自由パラメータである。すべての予測は、真の予測のε範囲内である必要がある。

トレーニングセット｛（ｘ_ｉ，ｙ_ｉ）｝を所与として、ＳＶＭ回帰は、その最も簡単な形態において、超平面ｆ（ｘ）＝〈ｗ，ｘ〉＋ｂをトレーニングデータに適合させようとする。ここで、〈ｗ，ｘ〉は、ベクトルｗおよびｘのドット積を表す。ｗおよびｂに関して解くことは、最適化問題として構成され、所与のεに関して以下の通りである。
小さなｗ値が好ましく、最小化する目的関数は｜｜ｗ｜｜^２である。
トレーニングセットのすべてのｉについて、｜ｙ_ｉ−ｆ（ｘ_ｉ）｜≦εという制約を受ける。

さらに、｜｜ｗ｜｜^２の最小化は、特に入力空間が高次である場合に、モデルの複雑さにペナルティを課すとともに過剰適合の回避に役立つ組み込み正則子である。また、目的関数が（ｗの）２次式であるという事実は、重要な意味合いを有する。第一に、条件付き凸最適化問題として、解が存在する場合は一意である。これは、目的関数が通常は非凸であるために複数の極小値を認める人工ニューラルネットワークとは異なる。第二に、この問題を解くには、効率的な二次計画法（ＱＰ）アルゴリズムが存在する。公式の通り、この問題は、所与のεに関して許容解を有していなくてもよいため、場合により、実現可能性制約が緩和されるようになっていてもよい。

前述の通り、所与のεに関して、許容解は、ｆ（ｘ_ｉ）がｙ_ｉから離れてεより大きくなるデータ点が存在し得ることから、常に存在している必要はない。このため、制約を緩和するためにスラック変数ξ_ｉおよびξ’_ｉが導入され、条件付き最適化問題が以下のように再公式化される。
｜｜ｗ｜｜^２＋Ｃ×Σ（ξ_ｉ＋ξ’_ｉ）を最小化する。
ただし、以下の制約を受ける。
ｙ_ｉ−ｆ（ｘ_ｉ）≦ε＋ξ_ｉ， ξ_ｉ≧０
ｆ（ｘ_ｉ）−ｙ_ｉ≦ε＋ξ’_ｉ， ξ’_ｉ≧０

また、場合により、双対形式を用いることによって、問題を解くのが容易になる可能性がある。一例として、ラグランジュ乗数法の使用により、条件付き二項最適化問題は、解くのが容易になる双対形式を有していてもよい。双対変数と称する新しいパラメータα_ｉおよびα’_ｉの使用により、双対形式は、以下のようになる。
α_ｉおよびα’_ｉにおいて目的関数の二次式を最大化する（ここでは詳細を省略する）。
ただし、以下の制約を受ける。
Σ（α_ｉ−α’_ｉ）＝０， ０≦α_ｉ，α’_ｉ≦Ｃ

したがって、元の問題の解は、双対変数に関して、以下のように書き直すことができる。
ｗ＝Σ（α_ｉ−α’_ｉ）ｘ_ｉ
ｆ（ｘ）＝Σ（α_ｉ−α’_ｉ）＜ｘ_ｉ，ｘ＞＋ｂ
ここで、ｉは、元のトレーニングデータの部分集合に及び、サポートベクターと称する。このように、ＳＶＭ回帰モデルは、サポートベクターおよびその重みにより定義されるようになっていてもよい。

また、非線形ＳＶＭ回帰モデル（超平面を元の空間（入力空間と称する）で適合させる）の場合、入力空間はまず、特殊な性質を有する何らかの非線形マッピングΦ（ｘ）を用いて高次空間（特徴空間と称する）に変換された後、当該特徴空間において超平面を適合させるようにしてもよい。高次であることから、特徴空間において超平面を適合させると、入力空間における場合よりもはるかに良好な適合となる可能性がある。特徴空間における超平面は、入力空間における超曲面（非線形）を含む。

カーネルＫがＫ（ｘ，ｘ’）＝＜Φ（ｘ），Φ（ｘ’）＞と定義された状態で、最適化問題は、以下のように書き直すことができる。
α_ｉおよびα’_ｉの二次関数を最大化する（元の形式に見られる如何なるドット積＜ｘ_ｉ，ｘ_ｊ＞もＫ（ｘ_ｉ，ｘ_ｊ）で置き換えられる）。
ただし、以下の制約を受ける。
Σ（α_ｉ−α’_ｉ）＝０， ０≦α_ｉ，α’_ｉ≦Ｃ

したがって、元の問題の解は、以下のように書き直すことができる。
ｗ＝Σ（α_ｉ−α’_ｉ）Φ（ｘ_ｉ）
ｆ（ｘ）＝Σ（α_ｉ−α’_ｉ）Ｋ（ｘ_ｉ，ｘ）＋ｂ
ここで、ｉは、サポートベクターの部分集合に及ぶ。

高次の特徴空間を含むマッピングΦまたはカーネルＫを選定する場合、高次の特徴空間で直接演算するのは高価であり、不可能でさえあり得る。ただし、ｗの明示的な演算は、不要となる可能性がある。必要な演算には、＜Φ（ｘ），Φ（ｘ’）＞または同等のＫ（ｘ_ｉ，ｘ）のみを含んでいてもよく、入力空間において安価に演算可能なためである。たとえば、ＲＢＦは、以下のように定義される一般的なカーネルである。
ＲＢＦ（ｘ，ｘ’）＝ｅ＾（−Ｇａｍｍａ×｜｜ｘ−ｘ’｜｜^２）

これは、入力空間で演算するのが安価となり得るものの、それが誘導する特徴空間は、無限次元を有するため、特徴空間における如何なる演算も直接行えなくなる。また、本明細書の二項最適化問題を解くのに、市販されている多くの二次計画ツールを容易に使用可能であるものの、当技術分野において知られているように、大きくて発展的なアルゴリズム本体の開発によって、解をはるかに効率的に演算するのに役立つ最適化問題の特殊構造が利用されている。

ＳＶＭ回帰を適用して出力を予測する本明細書に記載の技術は、効率を向上させるとともに、次回期間にわたる出力の予測に要するコンピュータ処理量を低減する。特に、本明細書に記載のＳＶＭ回帰技術の適用は、人工ニューラルネットワーク、多層パーセプトロンの再帰型ニューラルネットワーク等の他の機械学習技術と比較して、より効率的である。たとえば、これら他種の機械学習技術では、大量のトレーニングデータ、大きな演算リソースが必要となる場合、収束に長い時間を要する場合、および／または局所的にのみ最適な解が生成される場合がある。ＳＶＭモデリングには、二次の複雑な目的関数の最適化を伴う。解モデルは、一意であるのみならず、効率的なアルゴリズムを用いて求められるようになっていてもよい。

さらに、自己回帰和分移動平均（ＡＲＩＭＡ）等の他の従来のモデリング技術は、あまりに単純過ぎて、出力を正確に予想できない。たとえば、ＡＲＩＭＡは、本質的に線形の性質であり、最近の観測結果の非線形依存関係を考慮するのに十分な性能ではない。また、ＡＲＩＭＡモデルの適合には、連続した時系列が必要であるものの、本明細書の環境では利用できない可能性がある。

一方、本明細書に記載のＳＶＭ回帰技術には、正則化が組み込まれていてもよく、高次のモデル入力を取り扱うことができるとともに、モデルの過剰適合の機会を最小限に抑えつつ、多くの予測子の使用に対応する。したがって、本明細書のＳＶＭ回帰モデルは、安価であるとともに風力発電所自体の地理的領域またはその近傍（たとえば、ＩｏＴクラウドの「エッジ」）で容易に展開される低電力演算装置で用いられるようになっていてもよい。これにより、本明細書のＳＶＭ回帰技術は、風力タービンの予測出力の計算に要する処理を大幅に低減するため、風力発電所またはその近くで、複数の低電力かつ安価なモデル演算装置を展開して使用することができる。たとえば、風力発電所が５０基の風力タービンを含む場合は、５０個の対応するモデル演算装置が展開され、それぞれ、風力発電所の風力タービンのうちの割り当てられた１つのモデルをトレーニングして適用するようにプログラムされていてもよい。たとえば、モデル演算装置１つ当たり＄５〜＄３５の価格で、モデル演算装置の総コストは、＄２５０〜＄１７５０であってもよい。

本明細書の技術は、風力タービンの予測出力を計算する大幅に改良された効率的な技術を提供するため、モデル演算装置は、新しいセンサデータを継続的に受信し、これら新しいセンサデータを用いて、各風力タービンの新しい予備モデルをトレーニングすることができる。さらに、以下に別途論じる通り、モデル演算装置は、次に受信する実際の出力に基づいて、予備モデルの性能を現在の展開モデルと比較することにより、最良のモデルを決定可能であるとともに、予測出力の将来の計算を実行するより正確なモデルを後で使用することができる。したがって、本明細書の実施態様は、モデル演算装置自体の動作を実質的に改善する。

図４の例は、複数の入力に対するＳＶＭ回帰４０２の実行を含むＳＶＭ機械学習回帰問題として構成された出力予測を示している。ＳＶＭ回帰４０２への入力には、たとえば過去半時間〜１時間内等、複数の最近の期間の測定出力および対応する風速の時系列４０４を含む。図３に関して上述した通り、これらの時間には、ｔ−１、ｔ−２、・・・、ｔ−ｄを含んでいてもよい。この例における付加的な入力としては、４０６で示される現時点の１日の周期（ＰＯＤ（ｔ））が挙げられる。ＳＶＭ回帰４０２の出力４０８は、時刻ｔに予測展望ｈを足した時点の予測出力であってもよい。さらに、この例では複数の入力を示しているものの、ＳＶＭ回帰４０２には、天気予報データ等の外部データ、ヨーデータ等の風力タービン位置データ、風向データ、翼位置データ、フラップ位置データ、気温等の他の入力が与えられるようになっていてもよい。

前述の通り、いくつかの例において、予測子の特徴分解能は、１日の周期の予測分解能（たとえば、１５分間隔）と同じであってもよく、また、次回日の９６個の異なる１５分間隔を予測するため、風力タービン当たり９６個の異なるモデルが存在していてもよい。さらに、ＳＶＭ回帰モデルは、ウィンドウサイズがたとえば１〜４週間の履歴データを用いてトレーニングされるようになっていてもよい。

所与の電力予測モデルに関して、出力予測精度に影響を及ぼし得る２つの因子カテゴリが存在していてもよく、第１のカテゴリは、１日の周期の分解能、予測子の特徴分解能、入力時系列からの使用時点数、連続間隔のアンカー間の時間、風力タービン当たりのモデルの数、およびセンサデータのサンプリングレート等、上述のパラメータである。出力予測精度に影響を及ぼし得る第２の因子は、ＳＶＭハイパーパラメータである。ただし、モデルの作成および刷新ごとに、これらのパラメータをすべて最適化する必要があるわけではない。これに対して、これらのパラメータのうちの特定のものだけが、特定の状況下で最適化された場合に、かなりの恩恵をもたらす。たとえば、問題のパラメータが最初に定義された場合は、予測子の特徴分解能、１日の周期の分解能、およびタービン当たりのモデル数といった特徴が調節あるいは最適化されるようになっていてもよい。また、気象条件が変化した場合は、トレーニングデータのウィンドウサイズ、モデル入力に用いられる時系列からの時点数、および統合間隔の間のストライド（すなわち、時間）といった特徴が調節あるいは最適化されるようになっていてもよい。さらに、ＳＶＭモデルが構築または刷新された場合は、ＳＶＭ回帰ガンマカーネル係数およびＳＶＭ回帰Ｃ正則化係数といったハイパーパラメータ特徴の設定が調節あるいは最適化されるようになっていてもよい。これらのハイパーパラメータ特徴の最適な設定を決定するため、グリッド検索が実行されるようになっていてもよく、さまざまなパラメータ値の使用により、ＳＶＭモデルをトレーニングするとともに、別個の相互検証テストデータセット上でＳＶＭモデルの性能をテストする。別個の相互検証テストデータセットは、元のデータセットをトレーニング用の第１の区分およびテスト用の第２の区分へとランダムに分割することによって得られる。あるいは、ｎ重の相互検証を使用可能であり、データセットがｎ個の連続した時系列に分割されるとともに、ｎ個の区分それぞれに対して、（ｎ−１）個のその他の区分でトレーニングされるモデルのテストが行われる。

図５は、いくつかの実施態様に係る、補助タービンセンサ情報を用いて、対象の風力タービンにより出力される電力量を予測する一例５００を示している。たとえば、この例において、対象の風力タービン１０２（ａ）の予測出力を決定する場合は、（たとえば、対象の風力タービン１０２（ａ）から閾値距離内の）１つまたは複数の隣接する風力タービンからのデータが用いられるようになっていてもよく、これは、ノイズの低減に役立つとともに、対象のタービン１０２（ａ）の出力予測を強化するのに有用な別の情報を提供することができる。

この例において、対象の風力タービン１０２（ａ）からのセンサデータ１１２（ａ）は、当該対象風力タービン１０２（ａ）のモデル演算装置１１６（ａ）に与えられる。また、１つまたは複数の補助タービンからのセンサデータがモデル演算装置１１６（ａ）に与えられるようになっていてもよい。たとえば、モデル演算装置１１６（ａ）は、補助タービン１０２（ｂ）からセンサデータ１１２（ｂ）を、補助タービン１０２（ｃ）からセンサデータ１１２（ｃ）を、補助タービン１０２（ｄ）からセンサデータ１１２（ｄ）を受信するようにしてもよい。この例においては、データ収集演算装置１１０を示していない。あるいは、別の例として、データ収集演算装置１１０が除去されていてもよく、モデル演算装置１１６（ａ）が各風力タービン１０２からセンサデータを直接受信するようにしてもよい。

また、モデル演算装置１１６（ａ）は、外部データ源演算装置１３６から天気予報データ５０２を受信するようにしてもよい。この例においては、予測管理演算装置１２４を示していない。あるいは、別の例として、予測管理演算装置１２４が除去されていてもよく、モデル演算装置１１６（ａ）が外部データ源演算装置１３６から天気予報データ５０２を直接受信するようにしてもよい。一例として、補助タービンからのセンサ情報を使用する場合または使用しない場合に、モデル演算装置１１６は、天気予報データ５０２に含まれる風向データを用いるようにしてもよく、また、対象タービン１０２（ａ）のセンサが受信する効果的な風速を決定するための比較として、風向データをタービンのヨー位置と比較するようにしてもよい。

さらに、隣接する各補助タービン１１２（ｂ）〜１１２（ｄ）からのセンサデータ１１２（ｂ）〜１１２（ｄ）により決定した出力および風速の時系列の使用によって、ノイズの低減に役立つとともに、対象のタービン１０２（ａ）の出力予測を強化するのに有用な別の情報を提供することができる。また、風向および風速を含む外部の天気予報データ５０２を補助タービン１０２（ｂ）〜１０２（ｄ）からのセンサデータと比較することによって、対象タービン１０２（ａ）の予測精度を向上させるようにしてもよい。

図６は、いくつかの実施態様に係る、モデル演算装置１１６が実行可能な複数のモデルを有するシステム６００を用いて出力を予測する一例を示している。いくつかの例において、システム６００は、上述のシステム１００および２００に対応していてもよい。たとえば、モデル演算装置１１６上でのモデルアプリケーション１１８等のアプリケーション、プログラム、実行可能命令等（図６には示さず）の実行によって、本明細書に記載の機能およびアルゴリズムを実行するようにしてもよい。モデル１２０には、少なくとも１つの展開モデル６０１および少なくとも１つの競合予備モデル６０３を含む複数の競合モデルを含んでいてもよい。いくつかの例において、モデル１２０は刷新可能であり、刷新されたモデルは、１週間ごとまたは２週間ごと等、固定周期のスケジュールで展開されるようになっていてもよい。

あるいは、この例に示すように、より動的で適応的なモデル切り替え法が採用されてもよい。たとえば、出力の予測に複数の競合モデルを使用可能であり、１つまたは複数の競合予備モデル６０３が待機して、予備モデル６０３のうちの１つがより正確であることが示された場合に、展開モデル６０１を置き換える。これらの予備モデル６０３は、異なるトレーニングデータあるいは異なる選択予測子を用いて構築されていてもよい。図６のシステム６００は、展開モデル６０１および１つまたは複数の予備モデル６０３それぞれによる予測出力に対して実際の測定出力データを比較することによって、モデル６０１および６０３の予測精度を継続的に監視および比較するようにしてもよい。予備モデル６０３が一貫して展開モデル６０１および他の予備モデル６０３よりも優れている場合は（たとえば、閾値回数）、当該予備モデル６０３を作動させて、これが展開モデル６０１になってもよく、また、以前の展開モデルが予備モデル６０３になってもよいし、消去されてもよい。

この例において、データ収集演算装置１１０は、風力タービンセンサ１０８からセンサデータ１１２を受信するようにしてもよい。センサデータ１１２は、各風力タービンのモデル演算装置１１６に転送されるようになっていてもよい。モデル演算装置１１６は、少なくとも１つの展開モデル６０１および１つまたは複数の予備モデル６０３を含む複数のモデル１２０を含んでいてもよい。モデル演算装置１１６は、受信したセンサデータ１１２および外部の天気予報データ１３２を用いて、６０２で示すように、展開モデル６０１を実行するようにしてもよい。さらに、モデル演算装置１１６は、受信したセンサデータ１１２および外部の天気予報データ１３２を用いて、６０４で示すように、１つまたは複数の予備モデル６０３を実行するようにしてもよい。６０２で示すように展開モデル６０１を実行することにより、展開モデル結果６０６を生成可能である一方、６０４で示すように１つまたは複数の予備モデル６０３を実行することにより、１つまたは複数の予備モデル結果６０８を生成可能である。図１および図２に関して上述した通り、展開モデル結果６０６は、予測管理演算装置１２４に送信されるようになっていてもよい。そして、予測管理演算装置１２４が予測情報１４０をシステム制御演算装置１４２に提供するようにしてもよい。予測情報１４０の受信に応答して、システム制御演算装置１４２は、６１０で示すように、予測出力に基づく行為を実行するようにしてもよい。たとえば、システム制御演算装置１４２は、６１２で示すような風力タービン制御機能の実行、１つもしくは複数のスイッチ２０８の制御、ならびに／または予測出力に関する情報のユーティリティ演算装置１５２への送信を行うようにしてもよい。

また、６１４で示すように、モデル演算装置１１６は、風力タービンセンサ１０８から次に受信した実際のセンサデータ１１２に対して、展開モデル結果６０６および予備モデル結果６０８の精度を比較するようにしてもよい。たとえば、モデル６０１および６０３が出力を予測した期間にわたって、モデル演算装置１１６は、展開モデル６０１および予備モデル６０３が予測した予測出力に対して、当該期間に受信したセンサデータ１１２が示す実際の出力を比較するようにしてもよい。６１６で示すように、たとえば閾値期間数にわたって、閾値回数だけ展開モデル６０１よりも正確に一貫して風力タービンの出力を予測することによって、予備モデル６０３のうちの１つが閾値量だけ展開モデル６０１よりも優れた性能を示している場合、モデル演算装置１１６は、展開モデル６０１の使用から、予備モデル６０３の展開モデルとしての使用に切り替えるようにしてもよい。

さらに、６２０で示すように、モデル演算装置１１６は、過去２週間、過去１カ月等にわたって新たに受信したセンサデータ１１２等、受信したセンサデータ１１２に基づいて、新しいモデルを継続的に構築およびトレーニングするようにしてもよい。このように、より新しいモデル１２０は、より新しいトレーニングデータを用いてトレーニングされていてもよい。たとえば、展開モデル６０１は、１カ月前にトレーニングされていてもよい。一方、天気および／または季節が変化している可能性があるため、より新しい予備モデル６０３は、より最近のデータを用いてトレーニングされていてもよい。予備モデル６０３が一貫して現在の展開モデル６０１よりも優れている場合は（たとえば、閾値回数）、展開モデル６０１が予備モデル６０３で置き換えられるようになっていてもよい。また、風力タービンごとに複数のこれら予備モデル６０３が存在していてもよく、それぞれの結果が実際の発生電力および現在の展開モデル６０１の結果と比較されて、次の電力予測用に展開する最良のモデルが決定されるようになっていてもよい。これにより、上述した通り、季節の変化も扱うことができる。したがって、新しい予備モデル６０３が継続して生成されるとともに、もはや使用されていない展開モデル６０１が消去、保持、または予備モデルとして単に維持されるようになっていてもよい。たとえば図１に関して上述した通り、ブロック６０２、６０４、６１４、６１６、および６２０は、モデル演算装置１１６上で実行されるモデルアプリケーション１１８により実行されるようになっていてもよい。

別の選択肢としては、単一の展開モデル６０１の結果を使用するのではなく、モデル演算装置１１６は、受信したセンサデータ１１２を用いて、複数の展開モデル６０１を実行するようにしてもよい。たとえば、モデル演算装置１１６は、３組の異なるトレーニングデータおよび／または異なる予測子を用いてトレーニングされた３つの異なる展開モデル６０１を実行するようにしてもよい。そして、モデル演算装置１１６は、予測管理演算装置１２４に与えられる展開モデル結果６０６として、これら３つのモデルのモデル結果の平均、加重平均、および／または中央値を使用するようにしてもよい。さらに別の例として、モデル演算装置１１６は、異なるトレーニングデータの集合および／または異なる予測子を用いてトレーニングされた複数の異なるモデルを実行するようにしてもよい。その後、展開モデル結果６０６として、モデル演算装置１１６は、実行モデルそれぞれのすべての結果の分布を提供するようにしてもよい。そして、予測管理演算装置１２４は、受信した分布に基づいて、１つまたは複数の分析機能を実行することにより、平均、標準偏差等の決定に基づいて、予測情報１４０を決定するようにしてもよい。

図７は、いくつかの実施態様に係る、出力を予測する予測子を決定する一例７００を示している。この例では、７０２で示すように、予測分解能が１５分の時間間隔（たとえば、１５分間隔ごとの予測平均出力）である。さらに、７０４で示すように、次の２４時間の新しい出力予測が９０分ごとに生成される。したがって、予測展望は、ｔ＋９０分〜ｔ＋９０分＋２４時間である。

７０６で示すように、過去３０分の予測子がモデルの入力として用いられるようになっていてもよい。上述の通り、これらの予測子は、開始時刻と終了時刻との間に５分のアンカーを含む、１５分間にわたって測定された平均出力に対応していてもよいため、Ｐ_０〜Ｐ_３の時系列における次の予測子に関して５分だけシフトされる。ここで、Ｐは、特定の時間間隔にわたって測定された平均出力であり、ＷＳは、同じ時間間隔にわたって測定された実際の平均風速である。また、この例では、実際に測定された出力および風速が予測子として用いられるが、他の例では、上述の通り、別の予測子が用いられるようになっていてもよい。７０８で示すように、２４時間周期の１５分の予測分解能に基づいて、出力を予測するモデルには、９６個の対象が決定されていてもよい。場合により、風力タービンごとに９６個のモデル（すなわち、９６個の時間間隔それぞれに１つ）が存在していてもよい。

図８は、いくつかの実施態様に係る、出力を予測する例示的なシステムを示している。この例において、予測管理演算装置１２４は、風力発電所１０６、関連するデータ収集演算装置１１０、およびモデル演算装置１１６から遠隔に位置付けられている。したがって、モデル演算装置１１６は、１つまたは複数の通信インターフェース８０２を使用することにより、１つまたは複数のネットワーク１６０上でモデル結果１２２を予測管理演算装置１２４に送信するようにしてもよい。たとえば、予測管理演算装置１２４は、クラウドコンピューティングサービス上またはインターネットを介してアクセスできるような他の遠隔ネットワーク位置に位置付けられていてもよい。

予測管理演算装置１２４は、１つまたは複数の通信インターフェース８０２を使用することにより、風力発電所またはその近傍に位置付けられていてもよいシステム制御演算装置１４２に予測情報１４０を送信するようにしてもよい。あるいは、他の例において、システム制御演算装置１４２は、風力発電所１０６から遠隔に位置付けられ、たとえば１つまたは複数のネットワーク１６０を通じてインターネット上でアクセス可能であってもよい。システム制御演算装置１４２の物理的な場所に関わらず、制御アプリケーション１４４は、たとえば図１、図２、および図６に関して上述した通り、予測情報１４０に基づく１つまたは複数の行為を実行するようにしてもよい。

図９および図１０は、いくつかの実施態様に係る、例示的なプロセスを示したフローチャートである。これらのプロセスは、一連の動作を表す論理フローチャートでブロックの集まりとして示しており、その一部または全部がハードウェア、ソフトウェア、またはこれらの組み合わせで実装されるようになっていてもよい。ソフトウェアとの関連で、各ブロックは、１つまたは複数のプロセッサによって実行された場合に、上掲の動作をプロセッサに実行させる１つまたは複数のコンピュータ可読媒体に格納されたコンピュータ実行可能命令を表していてもよい。一般的に、コンピュータ実行可能命令には、特定の機能の実行または特定のデータ型の実装を行うルーチン、プログラム、オブジェクト、コンポーネント、データ構造等を含む。ブロックを説明する順序は、制約と解釈されないものとする。任意数の上記ブロックを任意の順序ならびに／または当該プロセスもしくは別のプロセスの実装と並列で組み合わせ可能であり、すべてのブロックを実行する必要はない。説明を目的として、これらのプロセッサは、本明細書の例に記載の環境、枠組み、およびシステムを参照して記載するが、他のさまざまな環境、枠組み、およびシステムで実装されるようになっていてもよい。

図９は、いくつかの実施態様に係る、予測出力に基づいてシステムを制御する例示的なプロセスを示したフローチャートである。いくつかの例において、プロセス９００は、一部がモデル演算装置１１６により、一部が予測管理演算装置により、一部がシステム制御演算装置および／または他の適当な演算装置により実行されるようになっていてもよい。

９０２において、演算装置は、第１の期間にわたって、複数の風力タービンの各風力タービンから、少なくとも時間間隔当たりの測定出力および風速を含む第１のセンサデータを受信するようにしてもよい。たとえば、第１の期間には、複数の時間間隔が存在していてもよい。

９０４において、演算装置は、各風力タービンから受信した第１のセンサデータに少なくとも部分的に基づいて、各風力タービンの少なくとも１つのモデルをそれぞれトレーニングするようにしてもよい。

９０６において、演算装置は、第２の期間にわたって、個々の風力タービンから、少なくとも時間間隔当たりの出力および風速を含む第２のセンサデータを受信するようにしてもよい。たとえば、第２の期間には、複数の時間間隔が存在していてもよい。

９０８において、演算装置は、場合により、風力タービンが位置付けられた地理的領域の外部天気予報データを受信するようにしてもよい。たとえば、外部天気予報データには、風力発電所が位置付けられた地理的領域の予測風速および風向を含んでいてもよい。

９１０において、演算装置は、各風力タービンについて、少なくとも当該風力タービン用に受信したセンサデータを用いて各トレーニングモデルを実行することにより、各風力タービンについて、次回期間の予測出力を決定するようにしてもよい。

９１２において、演算装置は、各風力タービンの予測出力を統合することにより、次回期間にわたる複数の風力タービンの合計予測出力を決定するようにしてもよい。

９１４において、演算装置は、予測に基づいて少なくとも１つの風力タービンを停止または始動させるメッセージを送信するようにしてもよい。

９１６において、演算装置は、予測に基づいてスイッチを作動させることにより、出力の少なくとも一部を電力貯蔵装置に振り分けるメッセージを送信し、他の場合は、実際の出力が予測未満の場合に、スイッチを作動させることにより、貯蔵電力を電力貯蔵装置から送電網に送るメッセージを送信するようにしてもよい。

９１８において、演算装置は、出力の予測（たとえば、送電網に送られる予想電力量）を示すメッセージをユーティリティ演算装置に送信するようにしてもよい。

図１０は、いくつかの実施態様に係る、出力を予測するモデルをトレーニングして展開する例示的なプロセスを示したフローチャートである。いくつかの例において、プロセス１０００は、モデル演算装置等の適当な演算装置によって少なくとも一部が実行されるようになっていてもよい。いくつかの例において、図１０のプロセスは、図９のプロセスと組み合わされるようになっていてもよい。

１００２において、演算装置は、第１の期間にわたって、複数の風力タービンの各風力タービンから、少なくとも時間間隔当たりの出力および風速を含む第１のセンサデータを受信するようにしてもよい。

１００４において、演算装置は、各風力タービンから受信した第１のセンサデータに少なくとも部分的に基づいて、各風力タービンの少なくとも１つのモデルをそれぞれトレーニングして展開するようにしてもよい。

１００６において、演算装置は、第２の期間にわたって、各風力タービンから、少なくとも時間間隔当たりの出力および風速を含む第２のセンサデータを受信するようにしてもよい。

１００８において、演算装置は、第２のセンサデータおよび場合により第１のセンサデータの少なくとも一部に基づいて、各風力タービンの少なくとも１つの第２のモデルをトレーニングするようにしてもよい。

１０１０において、演算装置は、第３の期間にわたって、個々の風力タービンから、少なくとも時間間隔当たりの出力および風速を含む第３のセンサデータを受信するようにしてもよい。

１０１２において、演算装置は、第１のモデルおよび第２のモデルをそれぞれ用いることにより、第３のセンサデータに基づいて、次回期間の各風力タービンの各出力を予測するようにしてもよい。

１０１４において、演算装置は、第４の期間にわたって、各風力タービンから第４のセンサデータを受信するようにしてもよい。

１０１６において、演算装置は、第４のセンサデータに基づいて、第１のモデル予測または第２のモデル予測のいずれがより正確かを判定するようにしてもよい。

１０１８において、閾値回数にわたり、第２のモデルが第１のモデルよりも正確な場合、演算装置は、第１のモデルを第２のモデルで置き換えるようにしてもよい。

図１１は、いくつかの実施態様に係る、例示的なモデル演算装置１１６を示している。いくつかの例において、モデル演算装置１１６には、ＲＡＳＰＢＥＲＲＹ ＰＩ（登録商標）演算装置、パソコン、エッジコンピューティングデバイス、ＩｏＴ演算装置、または任意数の方法で具現化し得る他種の安価な低処理電力演算装置を含んでいてもよい。たとえば、プログラム、他の機能要素、およびデータストレージの少なくとも一部がモデル演算装置１１６上に実装されていてもよく、上述の通り、モデル演算装置１１６が風力発電所に近接して位置付けられていてもよい。あるいは、他の例において、モデル演算装置１１６は、サーバまたは他のクラウドベースもしくはネットワーク配置演算装置として実装されていてもよい。さらに、この追加または代替として、他のコンピュータアーキテクチャを使用可能である。また、説明の便宜上、この例では、機能要素およびデータが同じ装置上の同じ場所に位置付けられたものとして示しているが、他の例では、同じ場所の複数の演算装置または複数の異なる場所に任意所望の様態で、機能要素およびデータが分散していてもよい。

図示の例において、モデル演算装置１１６は、１つまたは複数のプロセッサ１１０２、１つまたは複数の通信インターフェース１１０６、および１つまたは複数のコンピュータ可読媒体１１０４を具備する。各プロセッサ１１０２は、単一の処理ユニットでも多くの処理ユニットでもよく、１つもしくは複数の演算ユニットまたは複数の処理コアを具備していてもよい。プロセッサ１１０２は、１つもしくは複数の中央処理ユニット、マイクロプロセッサ、マイクロコンピュータ、マイクロコントローラ、デジタルシグナルプロセッサ、状態機械、論理回路、および／または動作命令に基づいて信号を操作する任意の装置として実装可能である。たとえば、プロセッサ１１０２は、本明細書に記載のアルゴリズムおよびプロセスを実行するように具体的にプログラムまたは構成された任意適当な種類の１つまたは複数のハードウェアプロセッサおよび／または論理回路であってもよい。プロセッサ１１０２は、本明細書に記載の機能を実行するようにプロセッサ１１０２をプログラム可能なコンピュータ可読媒体１１０４に格納されたコンピュータ可読命令を取り込んで実行するように構成可能である。

コンピュータ可読媒体１１０４には、コンピュータ可読命令、データ構造、プログラムモジュール、または他のデータ等の情報を格納する任意の種類の技術において実装される揮発性および不揮発性メモリならびに／またはリムーバブルおよび非リムーバブル媒体を含んでいてもよい。たとえば、コンピュータ可読媒体１１０４には、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ等のメモリ技術、光学ストレージ、固体ストレージ、磁気テープ、磁気ディスクストレージ等を含んでいてもよいが、これらに限定されない。また、モデル演算装置がサーバ等のネットワーク演算装置である場合、コンピュータ可読媒体には、ＲＡＩＤストレージシステム、ストレージアレイ、ネットワーク取り付けストレージ、ストレージエリアネットワーク、クラウドストレージ、または所望の情報の格納に利用可能であるとともに演算装置によってアクセス可能なその他任意の媒体を含んでいてもよい。モデル演算装置１１６の構成に応じて、コンピュータ可読媒体１１０４は、言及された場合に、持続性コンピュータ可読媒体がエネルギー、搬送波信号、電磁波、および／または信号自体を除外する限りにおいて、有形の持続性媒体であってもよい。場合により、コンピュータ可読媒体１１０４は、モデル演算装置１１６と同じ場所にあってもよいが、他の例では、ネットワーク上でのアクセス等、コンピュータ可読媒体１１０４の一部がモデル演算装置１１６から離れていてもよい。

コンピュータ可読媒体１１０４は、プロセッサ１１０２が実行可能な任意数の機能要素の格納に用いられるようになっていてもよい。多くの実施態様において、これらの機能要素には、プロセッサが実行可能であるとともに、実行された場合に、本明細書においてはモデル演算装置１１６に起因する行為を具体的にプロセッサ１１０２に実行させる命令またはプログラムを含む。コンピュータ可読媒体１１０４に格納された機能要素としては、本明細書のモデルを構築、トレーニング、および置換可能な上述のモデルアプリケーション１１８が挙げられる。機能要素としては、上述のモデルの実行等、さまざまなタスクをプロセッサ１１０２に行わせるように実行可能な１つもしくは複数のコンピュータプログラム、コンピュータ可読命令、実行可能コード、またはこれらの一部が挙げられる。また、オペレーティングシステム１１０８がモデル演算装置１１６のさまざまな機能を制御および管理するようにしてもよい。場合により、機能要素は、コンピュータ可読媒体１１０４の記憶部に格納され、コンピュータ可読媒体１１０４のローカルメモリ部にロードされ、１つまたは複数のプロセッサ１１０２により実行されるようになっていてもよい。本明細書の開示を利用できる当業者には、その他多くのソフトウェアおよび／またはハードウェア構成が明らかとなるであろう。

また、コンピュータ可読媒体１１０４は、本明細書に記載の機能およびサービスの実行に用いられるデータおよびデータ構造を格納していてもよい。たとえば、コンピュータ可読媒体１１０４は、１つもしくは複数の展開モデル６０１および１つもしくは複数の予備モデル６０３を含むモデル１２０、センサデータ１１２、モデル結果１２２、ならびに受信した外部天気予報データ１３２を格納していてもよい。また、モデル演算装置１１６は、プログラム、ドライバ等を含み得る他のモジュールおよびデータ１１１４ならびに機能要素が使用もしくは生成する他のデータを包含または維持していてもよい。さらに、モデル演算装置１１６は、他の多くの論理的、プログラム的、および物理的要素を含んでいてもよく、これらのうちで上述したものは、本明細書の説明と関連する一例に過ぎない。

通信インターフェース１１０６としては、１つもしくは複数のネットワーク１６０または風力発電所ローカルのＬＡＮ上等で他のさまざまな装置との通信を可能にする１つまたは複数のインターフェースおよびハードウェアコンポーネントが挙げられる。このため、通信インターフェース１１０６は、ネットワーク１６０との接続を提供する１つまたは複数のポートを含んでいてもよいし、これらに結合されていてもよい。たとえば、通信インターフェース１１０６は、本明細書の他の場所で別途列挙する通り、ＬＡＮ（ローカルエリアネットワーク）、ＷＡＮ（ワイドエリアネットワーク）、インターネット、ケーブルネットワーク、携帯電話ネットワーク、無線ネットワーク（たとえば、Ｗｉ−Ｆｉ）および有線ネットワーク（たとえば、光ファイバ、イーサネット（登録商標）、ファイバチャネル）、直接接続のほか、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の近距離通信のうちの１つまたは複数を通じた通信を可能にしていてもよい。

また、モデル演算装置１１６は、１つまたは複数の入出力（Ｉ／Ｏ）装置１１１６を具備していてもよい。このようなＩ／Ｏ装置１１１６としては、ディスプレイ、スピーカ、マイク、およびさまざまなユーザコントローラ（たとえば、ボタン、ジョイスティック、マウス、キーボード、キーパッド、タッチスクリーン）等が挙げられる。

図１２は、いくつかの実施態様に係る、例示的な予測管理演算装置１２４を示している。いくつかの例において、予測管理演算装置１２４には、１つもしくは複数のサーバ、パソコン、または任意数の方法で具現化し得る他種の演算装置を含んでいてもよい。たとえば、パソコン装置の場合、予測管理演算装置１２４は、ＬＡＮを介した通信等により、風力発電所およびモデル演算装置１１６に近接して位置付けられていてもよい。一方、サーバの場合は、少なくとも１つのサーバ、サーバクラスタ、サーバファーム、データセンタ、クラウドホスト型コンピューティングサービス等にプログラム、他の機能要素、およびデータストレージの少なくとも一部が実装されていてもよいが、この追加または代替として、他のコンピュータアーキテクチャが用いられるようになっていてもよい。さらに、説明の便宜上、この例では、機能要素およびデータが同じ場所に位置付けられたものとして示しているが、他の例では、同じ場所の複数の演算装置または複数の異なる場所に任意所望の様態で、機能要素およびデータが分散していてもよい。

図示の例において、予測管理演算装置１２４は、１つもしくは複数のプロセッサ１２０２、１つもしくは複数の通信インターフェース１２０６、ならびに１つもしくは複数のコンピュータ可読媒体１２０４を具備していてもよいし、これらと関連付けられていてもよい。各プロセッサ１２０２は、単一の処理ユニットでも多くの処理ユニットでもよく、１つもしくは複数の演算ユニットまたは複数の処理コアを具備していてもよい。プロセッサ１２０２は、１つもしくは複数の中央処理ユニット、マイクロプロセッサ、マイクロコンピュータ、マイクロコントローラ、デジタルシグナルプロセッサ、状態機械、論理回路、および／または動作命令に基づいて信号を操作する任意の装置として実装可能である。たとえば、プロセッサ１２０２は、本明細書に記載のアルゴリズムおよびプロセスを実行するように具体的にプログラムまたは構成された任意適当な種類の１つまたは複数のハードウェアプロセッサおよび／または論理回路であってもよい。プロセッサ１２０２は、本明細書に記載の機能を実行するようにプロセッサ１２０２をプログラム可能なコンピュータ可読媒体１２０４に格納されたコンピュータ可読命令を取り込んで実行するように構成可能である。

コンピュータ可読媒体１２０４には、コンピュータ可読命令、データ構造、プログラムモジュール、または他のデータ等の情報を格納する任意の種類の技術において実装される揮発性および不揮発性メモリならびに／またはリムーバブルおよび非リムーバブル媒体を含んでいてもよい。たとえば、コンピュータ可読媒体１２０４には、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ等のメモリ技術、光学ストレージ、固体ストレージ、磁気テープ、磁気ディスクストレージ等を含んでいてもよいが、これらに限定されない。また、予測管理演算装置１２４がネットワーク上のサーバである場合、コンピュータ可読媒体１２０４には、ＲＡＩＤストレージシステム、ストレージアレイ、ネットワーク取り付けストレージ、ストレージエリアネットワーク、クラウドストレージ、または所望の情報の格納に利用可能であるとともに演算装置によってアクセス可能なその他任意の媒体を含んでいてもよい。予測管理演算装置１２４の構成に応じて、コンピュータ可読媒体１２０４は、言及された場合に、持続性コンピュータ可読媒体がエネルギー、搬送波信号、電磁波、および／または信号自体を除外する限りにおいて、有形の持続性媒体であってもよい。場合により、コンピュータ可読媒体１２０４は、予測管理演算装置１２４と同じ場所にあってもよいが、他の例では、コンピュータ可読媒体１２０４の一部が予測管理演算装置１２４から離れていてもよい。

コンピュータ可読媒体１２０４は、プロセッサ１２０２が実行可能な任意数の機能要素の格納に用いられるようになっていてもよい。多くの実施態様において、これらの機能要素には、プロセッサ１２０２が実行可能であるとともに、実行された場合に、本明細書においては予測管理演算装置１２４に起因する行為を具体的にプロセッサ１２０２に実行させる命令またはプログラムを含む。コンピュータ可読媒体１２０４に格納された機能要素としては、管理アプリケーション１２６および分析アプリケーション１２８が挙げられる。これらの機能要素はそれぞれ、モデル演算装置１１６が送信したデータの受信および処理等、さまざまなタスクをプロセッサ１２０２に行わせるように実行可能な１つもしくは複数のコンピュータプログラム、コンピュータ可読命令、実行可能コード、またはこれらの一部を含んでいてもよい。また、オペレーティングシステム１２０８が予測管理演算装置１２４のさまざまな機能を制御および管理するようにしてもよい。場合により、機能要素は、コンピュータ可読媒体１２０４の記憶部に格納され、コンピュータ可読媒体１２０４のローカルメモリ部にロードされ、１つまたは複数のプロセッサ１２０２により実行されるようになっていてもよい。本明細書の開示を利用できる当業者には、その他多くのソフトウェアおよび／またはハードウェア構成が明らかとなるであろう。

また、コンピュータ可読媒体１２０４は、本明細書に記載の機能およびサービスの実行に用いられるデータおよびデータ構造を格納していてもよい。たとえば、コンピュータ可読媒体１２０４は、予測結果１３０、外部天気予報データ１３２、および統合モデル結果１３４を格納していてもよい。また、予測管理演算装置１２４は、プログラム、ドライバ等を含み得る他のモジュールおよびデータ１２１０ならびに機能要素が使用もしくは生成する他のデータを包含または維持していてもよい。さらに、予測管理演算装置１２４は、他の多くの論理的、プログラム的、および物理的要素を含んでいてもよく、これらのうちで上述したものは、本明細書の説明と関連する一例に過ぎない。

通信インターフェース１２０６としては、１つまたは複数のネットワーク１６０上等で他のさまざまな装置との通信を可能にする１つまたは複数のインターフェースおよびハードウェアコンポーネントが挙げられる。このため、通信インターフェース１２０６は、ネットワーク１６０との接続を提供する１つまたは複数のポートを含んでいてもよいし、これらに結合されていてもよい。たとえば、通信インターフェース１２０６は、本明細書の他の場所で別途列挙する通り、ＬＡＮ（ローカルエリアネットワーク）、ＷＡＮ（ワイドエリアネットワーク）、インターネット、ケーブルネットワーク、携帯電話ネットワーク、無線ネットワーク（たとえば、Ｗｉ−Ｆｉ）および有線ネットワーク（たとえば、光ファイバ、イーサネット（登録商標）、ファイバチャネル）、直接接続のほか、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の近距離通信のうちの１つまたは複数を通じた通信を可能にしていてもよい。

また、予測管理演算装置１２４は、１つまたは複数の入出力（Ｉ／Ｏ）装置１２１２を具備していてもよい。このようなＩ／Ｏ装置１２１２としては、ディスプレイ、スピーカ、マイク、およびさまざまなユーザコントローラ（たとえば、ボタン、ジョイスティック、マウス、キーボード、キーパッド、タッチスクリーン）等が挙げられる。

さらに、システム制御演算装置１４２は、予測管理演算装置１２４と類似のハードウェア構成を有していてもよいが、その上で実行可能な制御アプリケーション１４４等、異なる機能要素を伴っていてもよい。

本明細書に記載の例示的なプロセスは、説明を目的として提供したプロセスの一例に過ぎない。本明細書の開示に照らせば、当業者には、他の多くの変形例が明らかとなるであろう。さらに、本明細書の開示は、プロセスを実行する適当な枠組み、アーキテクチャ、および環境の複数の例を示しているが、本明細書の実施態様は、図示および記載の特定の例に限定されない。さらに、本開示は、上述するとともに図面に示した通り、例示的な種々実施態様を提供している。ただし、本開示は、本明細書に記載および図示の実施態様に限定されず、当業者に既知または当業者が把握する他の実施態様へと拡張可能である。

本明細書に記載のさまざまな命令、プロセス、および技術は、コンピュータ可読媒体に格納され、本明細書のプロセッサが実行するプログラムモジュール等のコンピュータ実行可能命令との一般的な関連で考えることができる。一般的に、プログラムモジュールには、特定のタスクの実行または特定の抽象データ型の実装を行うルーチン、プログラム、オブジェクト、コンポーネント、データ構造、実行可能コード等を含む。これらのプログラムモジュール等は、ネイティブコードとして実行されるようになっていてもよいし、仮想計算機または他の実行時コンパイル実行環境等においてダウンロードおよび実行されるようになっていてもよい。通常、プログラムモジュールの機能は、種々実施態様において、必要に応じて結合されていてもよいし、分散されていてもよい。これらのモジュールおよび技術の一実施態様は、コンピュータ記憶媒体に格納されていてもよいし、何らかの形態の通信媒体を通って送信されるようになっていてもよい。

以上、構造的特徴および／または方法論的動作に固有の表現で主題を説明したが、添付の特許請求の範囲に規定の主題は、記載の特定の特徴または動作に必ずしも限定されないことが了解されるものとする。むしろ、これら特定の特徴および動作は、特許請求の範囲を実装する例示的な形態として開示している。

Claims (6)

1. １つまたは複数のプロセッサと、
   前記１つまたは複数のプロセッサにより実行された場合に、
   第１の期間にわたって、複数の風力タービンの各風力タービンから第１のセンサデータを受信することであり、前記第１のセンサデータが、前記各風力タービンにおける所定長の第１の時間間隔あたりの測定出力及び測定風速を含み、前記第１の期間が、複数の前記第１の時間間隔を含む、ことと、
   前記各風力タービンから受信した前記第１のセンサデータの少なくとも一部に基づいて、各風力タービンの少なくとも１つのモデルをそれぞれトレーニングすることと、
   第２の期間にわたって、前記各風力タービンから第２のセンサデータを受信することと、
   前記各風力タービンから受信した前記第２のセンサデータを用いて、前記各風力タービンから受信した前記第１のセンサデータを用いてトレーニングされた前記各モデルを実行することにより、各風力タービンについて、次回期間の予測出力を決定することと、
   前記予測出力を統合して、前記複数の風力タービンの合計予測出力を決定することと、
   前記合計予測出力に基づいて、
   前記複数の風力タービンのうちの少なくとも１つの風力タービンを停止または始動させるメッセージを送信することと、
   スイッチを作動させることにより、発生電力の少なくとも一部を電力貯蔵装置に振り分けるメッセージを送信することと、
   スイッチを作動させることにより、貯蔵電力を前記電力貯蔵装置から送電網に送るメッセージを送信することと、
   前記次回期間に前記送電網に送られる予想出力を示すメッセージを前記送電網の制御に関連するユーティリティ演算装置に送信することと、
   のうちの少なくとも１つ、
   を含む動作を実行するように前記１つまたは複数のプロセッサを構成する実行可能命令を格納した１つまたは複数の持続性コンピュータ可読媒体と、
   を備え、
   前記各モデルが、サポートベクターマシン回帰モデルであり、前記各モデルを実行するために入力として用いられるセンサデータは、前記各風力タービンから受信した前記第１の時間間隔を単位とする複数の前記第１のセンサデータが所定長の第２の時間間隔を単位として平均化されたデータを含み、かつ、前記平均化された各データの区間は時系列において隣接区間と一部重複する
   ことを特徴とするシステム。
2. １つまたは複数のプロセッサと、
   前記１つまたは複数のプロセッサにより実行された場合に、
   第１の期間にわたって、複数の風力タービンの各風力タービンから第１のセンサデータを受信することであり、前記第１のセンサデータが、前記各風力タービンにおける所定長の第１の時間間隔あたりの測定出力及び測定風速を含み、前記第１の期間が、複数の前記第１の時間間隔を含む、ことと、
   前記各風力タービンから受信した前記第１のセンサデータの少なくとも一部に基づいて、各風力タービンの少なくとも１つのモデルをそれぞれトレーニングすることと、
   第２の期間にわたって、前記各風力タービンから第２のセンサデータを受信することと、
   前記各風力タービンから受信した前記第２のセンサデータを用いて、前記各風力タービンから受信した前記第１のセンサデータを用いてトレーニングされた前記各モデルを実行することにより、各風力タービンについて、次回期間の予測出力を決定することと、
   前記予測出力を統合して、前記複数の風力タービンの合計予測出力を決定することと、
   前記合計予測出力に基づいて、
   前記複数の風力タービンのうちの少なくとも１つの風力タービンを停止または始動させるメッセージを送信することと、
   スイッチを作動させることにより、発生電力の少なくとも一部を電力貯蔵装置に振り分けるメッセージを送信することと、
   スイッチを作動させることにより、貯蔵電力を前記電力貯蔵装置から送電網に送るメッセージを送信することと、
   前記次回期間に前記送電網に送られる予想出力を示すメッセージを前記送電網の制御に関連するユーティリティ演算装置に送信することと、
   のうちの少なくとも１つ、
   を含む動作を実行するように前記１つまたは複数のプロセッサを構成する実行可能命令を格納した１つまたは複数の持続性コンピュータ可読媒体と、
   を備え、
   前記各風力タービンのうちの第１の風力タービンに関して、前記各モデルが第１のモデルであり、
   前記実行可能命令に従って前記１つまたは複数のプロセッサによって実行され得る前記動作には、
   前記第２のセンサデータの受信に先立って、前記第１の風力タービンから受信した別のセンサデータを用いて第２のモデルをトレーニングすることと、
   前記第２のセンサデータを用いて前記第２のモデルを実行することにより、前記第１の風力タービンの第２の予測出力を決定することと、
   実際の出力を示す前記第１の風力タービンからの後続受信センサデータに基づいて、前記第１のモデルまたは前記第２のモデルによるいずれの予測出力が前記実際の出力により近いかを判定することと、
   前記第２のモデルによる前記予測出力が前記実際の出力により近いと判定された場合に、前記第１の風力タービンの前記第１のモデルを前記第２のモデルで置き換えることと、
   がさらに含まれる
   ことを特徴とするシステム。
3. それぞれが前記風力タービンの前記モデルをトレーニングして実行する複数のモデル演算装置をさらに備える
   請求項１または請求項２の何れかに記載のシステム。
4. 前記複数の風力タービンの地理的領域に近接して位置付けられ、前記複数の風力タービンから前記第１または前記第２のセンサデータを受信するデータ収集演算装置をさらに備え、
   前記複数のモデル演算装置が、前記複数の風力タービンの前記地理的領域に近接して位置付けられ、ローカルエリアネットワーク上で前記データ収集演算装置と通信可能である、
   請求項３に記載のシステム。
5. 前記実行可能命令に従って前記１つまたは複数のプロセッサによって実行され得る前記動作には、
   外部源から、前記複数の風力タービンが位置付けられた地理的領域の天気予報データを受信することと、
   前記天気予報データに基づいて、前記各風力タービンの前記各モデルをトレーニングすることと
   がさらに含まれ、
   前記各風力タービンから受信した前記第２のセンサデータを用いて、前記各風力タービンから受信した前記第１のセンサデータを用いてトレーニングされた前記各モデルを実行することは、
   前記各モデルの実行時に、前記外部源から受信した前記天気予報データを使用することを含む、
   請求項１または請求項２の何れかに記載のシステム。
6. 前記各風力タービンから受信した前記第２のセンサデータを用いて、前記各風力タービンから受信した前記第１のセンサデータを用いてトレーニングされた前記各モデルを実行することは、
   前記各風力タービンのうちの第１の風力タービンについて前記各モデルを実行する場合に、前記第２のセンサデータとして、前記第１の風力タービンに近接した閾値距離内にある１つまたは複数の第２の風力タービンから受信したセンサデータを使用することを含む、
   請求項１または請求項２の何れかに記載のシステム。