JP7068531B1 - 情報処理装置、情報処理方法、情報処理システム及びコンピュータプログラム - Google Patents

Abstract

【課題】高精度な予測を可能とする情報処理装置、情報処理方法、情報処理システム及びコンピュータプログラムを提供する。【解決手段】本開示の情報処理装置は、発電装置により発電される発電量の予測モデルのモデルパラメータを、前記発電装置の発電実績データと、前記発電装置の環境情報に基づき決定するパラメータ決定部を備える。【選択図】図１

Description

本実施形態は、情報処理装置、情報処理方法、情報処理システム及びコンピュータプログラムに関する。

対象地点の地形条件及び気象条件に基づいて、物理方程式により風力発電出力に関する予測値を算出する方法がある。また、地形条件やシア、乱流等を説明変数として風力発電量を予測する方法がある。

風力発電機の状態や、風力発電機の環境は経年変化するため、発電予測に用いるパラメータ値を固定的に用いることは、発電量予測の悪化を招くことがある。また、風車の大型化に伴って発電量に寄与する物理量が変化してきており、既存のモデルを変更せずに予測を行うと、予測精度が低下する可能性がある。

特許第4886322号公報 特開2019-218937号公報 特開2019-203728号公報

本実施形態は、高精度な予測を可能とする情報処理装置、情報処理方法、情報処理システム及びコンピュータプログラムを提供する。

本開示の情報処理装置は、発電装置により発電される発電量の予測モデルのモデルパラメータを、前記発電装置の発電実績データと、前記発電装置の環境情報に基づき決定するパラメータ決定部を備える。

第１の実施形態に係る情報処理システムである風力発電予測システムのブロック図。 風況DBの一例を示す図。 地形情報DBの一例を示す図。 風力パラメータDBの一例を示す図。 風力発電所DBの一例を示す図。 発電出力DBの一例を示す図。 パラメータ探索の例を示す図。 パラメータ探索の他の例を示す図。 パワーカーブの一例を示す図。 発電機パラメータの最適化と、パワーカーブの生成とを選択的に実行する処理のフローチャート。 パラメータ最適化部における他のパラメータの同定の流れを示すフローチャート。 風速比を関数で近似する回帰のイメージを示す図。 風車号機毎に定量評価した、効果毎の発電出力に対する影響を表す図。 計画停止テーブルの例を示す図。 計画外停止予測テーブルの例を示す図。 稼働状態テーブルの例を示す図。 稼働状態テーブルを生成する処理の一例を示すフローチャート。 計画外停止テーブルの例を示す図。 計画外停止入力要素テーブルの一例を示す図。 稼働停止モデルを生成する処理の一例を示すフローチャート。 稼働停止モデルテーブルの一例を示す図。 計画外停止予測テーブルを生成する処理の一例を示すフローチャート。 本実施形態に係る全体発電量の最大化の処理のフローチャート。 風力発電予測装置のハードウェア構成を示す図。

以下、図面を参照して、本発明の実施形態について説明する。
（第１の実施形態）
図１は、第１の実施形態に係る情報処理システムである風力発電予測システムのブロック図である。風力発電予測システムは、情報処理装置である風力発電予測装置１０１、風力発電所（ウィンドファーム１０４）側のサーバである風力発電所サーバ１０２、風車（風力発電装置）の稼働状態を管理する稼働管理サーバ１０３、及びウィンドファーム１０４を備えている。風力発電所サーバ１０２は、風況観測及び発電量に関する情報を管理する風力発電所側のサーバである。風力発電所サーバ１０２は、給電指令装置等のエネルギー管理装置から給電指令（SCADA（Supervisory Control And Data Acquisition）データ）を受けて、ウィンドファーム１０４における複数の風車（風力発電装置）１０５を制御する機能を備えていてもよい。

本実施形態では風力発電を対象として発電予測を行うが、太陽光発電又は地熱発電、など、他の発電を対象とすることも排除されない。本実施形態における風況はより一般的に発電の環境に相当する。本実施形態では、ウィンドファーム、すなわち集合型風力発電所における風力発電を想定する。ウィンドファームでは、複数の風力発電装置（風力タービン）が例えば上流から下流へ向けて１列又は複数列で配置される。

風力発電予測装置１０１における複数のデータベース（DB）は、互いに異なるデータを格納したものでもよいし、複数のDB間で共通のデータが格納されていてもよい。また各ブロック間の信号又はデータの流れは一方向でも双方向でもよく、図に示される矢印の向きに限定されない。

風力発電予測装置１０１は、外部の気象予測サーバ又は記憶装置から、有線又は無線の通信ネットワークを介して、数値気象予測（Numerical Weather Prediction：NWP）データを取得する。風力発電予測装置１０１は、取得したNWPデータを風況データベース（風況DB１１）に格納する。NWPデータが予め風況DB１１に格納されていてもよい。NWPデータは、例えば風車の上空風の風況（風速、風向、湿度、温度、気圧、天気等）を数値気象予測した値を含む。NWPデータは、例えば３次元空間又は２次元平面をメッシュ状に分割したメッシュ毎に予測した値を含む。３次元空間をメッシュ分割する場合に、地表面からの高さ方向では、例えば圧力面毎又は高さ毎にメッシュ分割が行われる。

また風力発電予測装置１０１は、風力発電所サーバ１０２から、有線又は無線の通信ネットワークを介して、風況観測データを取得し、取得した風況観測データを風況DBに格納する。風況観測データは、風車における風況（風速、風向、湿度、温度、気圧、天気等）の観測値（又は実績値）を含む。風力発電所サーバ１０２は、風況観測データを記憶する記憶装置、発電量データを記憶する記憶装置、情報処理装置１０１と通信する通信装置を備えている。風況観測データが予め風況DB１１に格納されていてもよい。

図２は、風況DB１１の一例を示す。風況DB１１において、観測データ、NWPデータ及び解析データが一定時間ごとに格納されている。風況DB１１に、将来の時刻のNWPデータ及び解析データが格納されていてもよい。

観測データは、例えば風車のナセル又はその近傍の計測部で観測されたデータである。観測データは風車毎に取得されている。１行目の観測データは、ある風車において、2021/4/1の00:00:00における風速が7.12、風向が145.11であることを意味する。

NWPデータは、風車の上空風の風況（風速、風向等）を数値気象予測した値を含み、実際には、メッシュ毎の値を有する。１行目のNWPデータは、あるメッシュについて2021/4/1の00:00:00の風速（上空風）の予測値が7.12、風向の予測値が145.11であることを意味する。NWPデータの予測値は、2021/4/1の00:00:00よりも前（例えば１時間前、１日前など）に気象サーバ等により予測された値である。
解析データは後述する風況シミュレーション部１３によって風況シミュレーション解析によって算出された結果を示すデータである。解析データは、例えば風車ごとに、風車の位置（経度・緯度）、又は風車が属するメッシュの２次元位置に対して、複数の高度における風況のシミュレーション結果を含む。

図２の風況DB１１に示す項目は一例である。観測データ、NWPデータ及び解析データのそれぞれにおける項目として風速、風向以外にも、シア、乱れ度、大気安定度などが含まれてもよい。

地形情報DB１２は、風力発電所の周辺の地形情報、すなわち各風車（風力発電装置）の周辺の地形情報を格納している。

図３は、地形情報DB１２の一例を示す。本例では、地形情報として、日時ごとに、緯度・経度毎の標高、地表面粗度区分等が含まれている。図３の例では、１年ごとのデータが格納されている。地表面粗度区分は、例えばI～Vまである。その他の項目として、地表面の種類などが含まれてもよい。地形情報DB１２は、任意の頻度で更新されてもよい。

地形情報DB１２は、風況シミュレーション部１３で風況シミュレーションに用いられることができる。また地形情報DB１２のデータの全部又は一部が、後述する風力発電所DB１５へ格納されてもよい。すなわち同じデータが、複数のDBで重複して格納されてもよい。

風況シミュレーション部１３は、地形情報DB１２のデータ及び風況DB１１のNWPデータを用いて、風車の位置ごとに、複数の高度における風況をシミュレーションする。具体的には、風況シミュレーション部１３は、NWPデータを境界条件として与えてシミュレーションの計算を行う。NWPデータ以外にも、人工的に作成した境界条件、例えば、高さ方向に一様な風速分布や適当な高さ方向の風速分布を与えた境界条件も可能である。データ同化を行うことで解析精度を向上させることも可能である。このとき解析データの一部として、後流による速度欠損に関するデータなどを、下流の風車ごとに格納してもよい。

後流とは、上流側に配置された風車を通過して下流側に流れる風であり、上流の風車と下流の風車の間の領域には、速度が低下する領域が発生する。後流により風速が低下すること又は速度が低下する領域が発生することをウェイク効果（又は単にウェイク）と呼ぶ。下流側の風車は、後流の影響を受けて運転される。速度欠損に関するデータは、上流側の風車を通過したことによる風速の低下又は速度分布の変化を示すデータ（後流に関するデータ）である。

風力パラメータDB１４は、発電装置のパラメータ（発電機パラメータ）の初期値が格納されている。発電機パラメータの例は、定格出力パラメータ、カットアウト風速パラメータ、効率係数、後流モデルに関するパラメータなどを含む。初期値の発電機パラメータは、例えば風車の導入時に固定値が設定される。

図４は、風力パラメータDB１４の一例を示す。図４の例では、１つ又は複数のパラメータ（発電機パラメータ１～３）が示されている。これらの発電機パラメータ１～３は、風車ごとに格納されている。但し、発電機パラメータ１～３が複数の風車間で共通に用いられることも可能である。

風力発電所DB１５は、風力発電所に関する情報として、例えば、地形情報、風車レイアウト情報、及び後述するパラメータ最適化部２３（パラメータ決定部）により最適化された発電機パラメータなどを含む。地形情報は、地形情報DB１２と同じである。

図５は、風力発電所DB１５の一例を示す。地形情報、風車レイアウト情報及び最適化された発電機パラメータなどが格納されている。地形情報は、表記の簡単のため、地形情報DB１２における個々のデータセットを示す記号（a1、a2、a3・・・と表記）で簡略的に示されている。例えば１行目の記号a1は、図３の地形情報DB１２における１行目のデータセットを示す。

風車レイアウト情報は、複数の風車のそれぞれの緯度・経度あるいは相対的な位置関係などを表すデータセットである。また、風車レイアウト情報は、個々の風車の高度の情報を含んでもよい。風車の高度は、風車において予め定められた箇所（例えばナセル）の高度である。図５では表記の簡単のため、各データセットは、記号（b1、b2、b3・・・と表記）で簡略的に示されている。

最適化された発電機パラメータは、図４の発電機パラメータ１～３（初期値）をそれぞれ、後述するパラメータ最適化部（パラメータ決定部）により最適化したパラメータのことである。最適化された発電機パラメータ１～３は、風車ごとに格納されている。但し、最適化された発電機パラメータ１～３を複数の風車間で共通に用いることも可能である。

風力発電予測装置１０１は、風力発電所サーバ１０２から発電量の実績値を表す発電量データを取得し、また、稼働管理サーバ１０３から風力発電所の稼働状況に関する稼働状況データを取得する。風力発電予測装置１０１は、発電量データと稼働状況データとを発電出力DB１６に格納する。発電量データと稼働状況データは例えば一定時間毎に取得されてもよい。

稼働管理サーバ１０３において、稼働状況管理部５１が、風車の稼働停止計画を表す情報（風車計画停止情報）と、風車が落雷や地震など計画外で稼働停止した履歴を示す情報（風車計画外停止情報）を収集する。稼働状況管理部５１は、収集した情報（稼働状況データ）を、風力発電所稼働状況DB５２に格納する。

風力発電予測装置１０１は、風力発電所サーバ１０２から発電量データを取得する。風力発電予測装置１０１は、稼働管理サーバ１０３から稼働状況データを取得する。風力発電予測装置１０１は、発電量データ及び稼働状況データを発電出力DB１６に格納する。発電出力DB１６には、発電量データと稼働状況データとが統合して格納されている。

図６は、発電出力DB１６の一例を示す。風力発電所の稼働状況の例として「通常」以外には、計画停止及び計画外停止などの状況があり得る。例えば１行目のデータは、2021/4/1の00:00:00～00:09:59の発電出力の実績値（発電実績値）は749.23であり、風力発電所の稼働状況は通常（すなわち少なくともいずれか１つの風車は稼働していた）であったことを示す。発電実績値は、風力発電所における複数の風車（風力発電装置）の発電量の合計実績値である。風車（風力発電装置）毎に発電実績値と稼働状況を示す情報が格納されてもよい。

風況予測部１７（環境予測部）は、風況DB１１から風車ごとの解析データ（シミュレーション結果）を取得し、取得したデータに基づき、風車ごとの風況を予測して、風況予測データを取得する。例えば複数の高度のシミュレーション結果のうち、風車の風況に最も近い高度のシミュレーション結果を風況予測データとして取得してもよい。あるいは、シミュレーション結果を補間して、当該高度における風況を算出し、算出した風況を示すデータを風況予測データとしてもよい。風況予測部１７は風況DB１１からNWPデータを取得し、解析データに代えて或いは解析データとともに、NWPデータを用いて、風車毎の風況を予測してもよい。風況予測部１７は、取得した風況予測データを後流速度欠損予測部１８に提供する。

後流速度欠損予測部１８は、風力発電所DB１５から風車レイアウトデータを取得し、風況予測部１７から風況予測データを取得し、取得したデータに基づき、後流による速度欠損を風車毎（より正確には、先頭の最上流の風車以外の風車毎）に予測する。後流速度欠損予測部１８は、風車毎に予測した後流による速度欠損を示す情報（後流速度欠損情報）を風況予測部１７に送る。後流速度欠損情報は、前段（１つ上流）の風車を通過した風が、後段（１つ下流）の風車に入力される際に風速がどの程度低減されるかを示す情報に相当する。

稼働率予測部１９は、風車毎の後流速度欠損情報と、風車毎の風況予測データとに基づき、風況を起因とする風車の停止リスク（稼働停止の可能性の情報）を風車毎に予測する。稼働停止リスクは、例えば稼働停止の確率、又は稼働停止の可能性のレベルなどである。例えば、稼働率予測部１９は、風車におけるナセルに与えられる加速度を算出し、算出した加速度に基づき、停止リスクを予測する。ナセルは風車における放射状に配置されたブレード（羽根）群の中心部であるハブにローラー軸を介して連結される部品であり、伝達軸、増速機、発電機本体等を収納している。ナセル加速度は、風によるナセルの振動レベルを表している。ナセル加速度又はナセルの振動レベルが閾値を超えるなどの条件を満たす場合に、発電（稼働）が停止する機能が、ナセルに備えられていてもよい。

発電量予測部２５は個別発電量予測部２０と総発電量予測部２１とを備える。
個別発電量予測部２０は、風車毎に最適化された発電機パラメータと、風車毎の風況予測データ（環境情報の予測値）と、風車毎の停止リスクとに基づき、風車毎（発電装置毎）の発電量を予測する。発電量の予測には、発電機パラメータ等のモデルパラメータと、風況予測データとを発電量の予測値に対応付ける予測モデルを用いる。予測モデルの最適化は後述する。なお個別発電量予測部２０は、風車毎の停止リスクを考慮せずに、全風車が通常稼働しているとの仮定で、風車毎の発電量を予測してもよい。発電量の予測の対象期間は、例えば将来のある日又は将来のある日のある時間帯などである。予測の対象期間は、日又は時間帯ではなく、月又は年などでもよい。

総発電量予測部２１は、風車毎の予測された発電量のデータを個別発電量予測部２０から取得し、風車毎の予測された発電量を合計することで、風力発電所全体の発電量（総発電量）を算出する。

発電量評価部２２は、総発電量予測部２１により算出された風力発電所全体の発電量（総発電量）、予測の対象期間、風車毎の発電量などのデータを表示装置の画面に表示し、本装置の操作者であるユーザに評価可能に提示する。発電量評価部２２は表示装置を含んでもよい。

［パラメータ最適化部２３（パラメータ決定部）］
パラメータ最適化部２３は、発電装置により発電される発電量の予測モデルのモデルパラメータを、発電装置の発電実績データと、発電装置の環境情報（風況情報等）に基づき決定する。具体的には、パラメータ最適化部２３は、風力発電所DB１５、発電出力DB１６及び風況DB１１等に基づき、風車毎に予測モデルのモデルパラメータを算出する。パラメータ最適化部２３は、算出したパラメータを風力発電所DB１５に格納する。

パラメータ最適化部２３は、パラメータの最適化に必要な情報を、本装置の操作者であるユーザにより操作装置から取得する場合もあり得る。パラメータ最適化部２３は、風車ごとに上空風と風車の風（地上風）との間の相関関係（風速又は風向又はこれらの両方の相関関係）の示すデータを取得してもよい。相関関係のデータは風況予測部１７で算出されてもよいし、パラメータ最適化部２３で算出されてもよいし、ユーザの操作装置から入力されてもよい。風速予測の回帰次数など、事前に設定されたパラメータがパラメータ最適化部２３からアクセス可能なメモリ又はDBに格納されていてもよいし、ユーザの操作装置から入力されてもよい。

最適化するモデルパラメータには、風車の発電機パラメータの他、後述する地形補正パラメータなど他の種類のモデルパラメータもある。

発電機パラメータの最適化にあたって、風車毎に得られる風力パワー（発電出力）を出力とする目的関数を考える。この場合、発電機パラメータの例として、定格出力（定格発電出力）、カットアウト風速、効率係数などがある。その他、定格風速、スラスト係数及び後流拡大率などもある。定格風速は風速が大きくなった場合に出力を定格発電出力に制御するための閾値となる風速である。カットアウト風速は、風速がさらに大きくなった場合に危険防止のためロータの回転を止めて発電を停止するための閾値となる風速である。

関連技術における発電量の予測に用いる発電機パラメータは、一般的に定格値（スペック値）又は制御値が固定的に用いられるが、本実施形態では、風車の状態や環境（風況）の状態の経時変化を反映させるため、発電機パラメータの最適化を行う。最適化手法は限定されないが、風力発電量の短時間予測も可能とするため、ベイズ最適化を採用してもよい。ベイズ最適化は、グリッドサーチやランダムサーチと比較して計算コストが低いと言われている。

発電状態が定格出力状態（発電装置の出力が最大の出力値になっている状態）の場合、発電機モデルとして、下記の式(1)の工学モデルを用いることができる。つまり、モデルを個別発電量予測部２０で用いる予測モデルとすることができる。

ここで、Pは、発電出力に相当する機械的エネルギー（kW）、ρは空気密度（kg/m³）、Rはブレード半径（m）、Vは風速（m/s）、Cは効率係数である。

パラメータの最適化には、風車が定格出力で運転されている場合の実績値データ等を用いる。例えば風速の観測値が一定値（定格風速）以上の場合、風車が定格出力で運転していると判断でき、その日時の発電出力の実績値データ（図６参照）を用いる。

定格出力での運転時の出力実績値をP、最適化するパラメータである定格出力パラメータをp0とする。Pとp0の差（誤差）をerrorとする。error=P-p0である。誤差errorの関数f(error)を目的関数とし、目的関数が最小又は閾値以下となるように、定格出力パラメータp0を最適化する。f(error)は、例えば誤差errorの絶対値、平均絶対誤差又は二乗平均平方根誤差総和などである。定格出力パラメータp0の最適化は、下記の式(2)で表すことができる。

同様の方法で、カットアウト風速パラメータも最適化できる。カットアウト風速の実績値をV、最適化するパラメータであるカットアウト風速パラメータをv0とする。Vとv0の差（誤差）の関数を目的関数とする。目的関数を最小又は閾値以下となるように、カットアウト風速パラメータv0を最適化する。

効率係数の実績値は直接得ることはできない。したがって、例えば、発電量及び風速等の実績値に基づいて、式(1)の工学モデルをCについて解き、効率係数を算出する。算出した効率係数をC、最適化するパラメータである効率係数パラメータをc0と表し、Cとc0の差（誤差）の関数を目的関数とする。目的関数を最小又は閾値以下とするように、効率係数パラメータc0を最適化する。一般に、効率係数は、周速比とピッチ角とを含む非線形関数によって表されるが、本実施形態では、実績値から直接、効率係数の値を最適化することができる。これにより、複雑な計算を行う必要はなく、高精度に効率係数の推定が可能となる。

上述のパラメータ（定格出力、カットアウト風速、効率係数等）を最適化するにあたり、パラメータの探索範囲は、スペック値の近傍で取りうる値を経験的、統計的或いは理論的に決定してもよい。以下、ベイズ最適化に基づくパラメータ最適化の具体例を示す。

図７は、c0、ｐ０、v0のパラメータ探索の例を示す。本具体例では目的関数をerrorの絶対値としている。横軸はそれぞれ最適化したいパラメータである。縦軸は最小化したい目的関数の値である。点の濃度（又は色）は何回目の試行（trial）かを表し、色が濃いほど試行回数が多い。例えばある点の濃度が25を示すのであれば、その点は25回目に行った試行を意味する。色が薄いほど初期の試行であり、色が濃くなるほど終盤の試行を示す。各点は1回分の試行を表す。

パラメータv0に関しては下に凸な曲面が現れており、最適値を同定できる。例えば、曲面の近似関数を算出し、近似関数の最小値を最適値として同定してもよい。あるいは、ユーザにパラメータ探索の結果を表示装置の画面に提示し、ユーザが目視により最適値を同定してもよい。ユーザは、同定した最適値を、操作装置を用いて指示してもよい。パラメータc0やp0に関しては試行回数が少ないため、現段階では、最適値を特定することは難しいが、試行回数を増やすことで、同様に最適値を同定することが可能である。

図８は、3つのパラメータ（c0、ｐ０、v0）の内、2つずつ取り出し、取り出した２つのパラメータを軸とする2次元平面（マップ）に２つのパラメータの値の組に応じた点をプロットした図を示す。マップには目的変数の値による等高線が示されている。マップの背景は目的変数の値に応じた色又は濃度となっている。本例では目的変数の値は、２つのパラメータごとのerrorの絶対値の平均としている。複数のマップ（２つ以上のマップ）において条件を満たす点を各マップから１つ以上特定し、特定した点に基づき、最適なパラメータ値を決定してもよい。当該条件は、例えば目的変数の値が閾値以下であり、かつ点の密度が閾値以上の領域内の点としてもよいし、単純に目的変数の値が閾値以下の点としてもよい。

複数のマップのそれぞれから特定した点に対応するパラメータの値を、当該パラメータの最適値の候補とし、３つのパラメータの候補値の組み合わせを複数生成する。各組み合わせに含まれる３つの候補値によるerrorの絶対値の平均を算出する。平均が最小になる組み合わせに含まれる３つの候補値を、３つのパラメータの最適値としてもよい。その他の方法で３つのパラメータの最適値を決定してもよい。

パラメータ探索範囲の妥当性をカラーマップで可視化しながらパラメータを最適化することも可能である。カラーマップを見てユーザが最適化されたパラメータ値を決定してもよい。これらのプロットを本装置内のDB又は外部の記憶装置に保存し、プロットの経時変化を確認することもできる。

パラメータ最適化部２３は、最適化されたパラメータに基づき発電量予測部２５を用いて発電量の予測精度を算出してもよい。パラメータ最適化部２３は、予測精度が閾値未満の場合は、少なくとも１つのパラメータについて最適化の処理を継続して行ってもよい。発電量の予測精度が閾値以上になった場合、パラメータの最適化を終了してもよい。

関連技術において、上述のパラメータ（定格出力、カットアウト速度、効率係数）は、スペック値又は制御値が固定値として採用され、風車の状態の経時変化や環境の経時変化を考慮して更新されることはなかった。本実施形態では、例えば発電機の定格出力（スペック値）が2000kWの場合に、パラメータの最適化により、スペック値より200kW低い1800kWにパラメータ値を更新して用いる。すなわち、実際のスペック値とは異なる値が発電量の予測に用いられる。このように予測モデルのパラメータを最適化することで、発電量の予測精度を向上させることができる。

パラメータ最適化部２３は、パワーカーブの最適化を行ってもよい。パワーカーブとは、横軸を風力、縦軸を発電出力とする風力発電機の性能を表すグラフである。一般的に横軸の風力として風速が用いられる。パワーカーブを用いることで風車の運転性能を把握することができる。パラメータ最適化部２３は、パワーカーブを生成するパワーカーブ生成部を備えていてもよい。発電量予測部２５は、最適化されたパワーカーブに基づいて発電量の予測を行ってもよい。

図９は、パワーカーブの一例を示す。風速がある閾値v_in（カットイン風速）より小さいときは発電されず、風速が閾値v_in（カットイン風速）以上で発電が開始される。風速がある閾値v_sp（定格風速）より大きくなると発電量が定格出力に抑制され、さらにある閾値v_out（カットアウト風速）より大きくなると発電が停止（稼働が停止）される。図９の例ではパワーカーブの説明変数として、一般的な風速が用いられている。

パラメータ最適化部２３は、風速以外の説明変数を用いたパワーカーブ、または風速を含む複数の説明変数を用いたパワーカーブを予測してもよい。パワーカーブの予測に用いる説明変数を、最適化手法を用いて選択する。例えば、複数の説明変数の中から説明変数を１つ以上選択して、選択した説明変数の実績値データに基づきパワーカーブを生成する。パワーカーブの精度を実績値データに基づき評価する。精度が所望の精度（閾値）に達する場合は、当該選択した説明変数により生成したパワーカーブを採用する。精度が所望の精度に達しない場合は、他の１つ以上の説明変数を選択する。風速以外の説明変数の例として風速以外に、風向、空気密度、地形、気温、湿度、天気など様々なものが用いられることができる。

図１０は、パラメータ最適化部２３が発電機パラメータの最適化と、パワーカーブの生成（最適化）とを選択的に実行する処理のフローチャートである。パラメータ最適化部２３は、発電機パラメータの最適化と、パワーカーブの生成とのうちいずれを実行するかを判断する（Ｓ１０１）。パラメータ最適化部２３は、ユーザの操作装置からの指示に基づき判断を行ってもよいし、いずれを実行するかを指定したフラグをメモリから読み出すことによって判断を行ってもよい。その他の方法で判断を行ってもよい。パラメータ最適化部２３は、発電機パラメータの最適化を行うことを決定した場合は、風力発電所DB１５及び発電出力DB１６等に基づき発電機パラメータを最適化する（Ｓ１０２）。最適化したパラメータに基づく発電予測が所望の精度に達したかを判断し（Ｓ１０３）、所望の精度に達した場合は処理を終了し、達していない場合はステップＳ１０２に戻る。一方、パラメータ最適化部２３は、パワーカーブを生成することを決定した場合は、複数の候補から１つ又は複数の説明変数を選択し、選択した説明変数（少なくとも風速以外の環境情報を含む）でパワーカーブを生成する（Ｓ１０４）。生成したパワーカーブの精度が所望の精度に達したかを実績値データに基づき判断し（Ｓ１０５）、所望の精度に達した場合は処理を終了し、達していない場合は、ステップＳ１０４に戻り、選択する説明変数を変更する。このように選択する説明変数を変えながら複数のパワーカーブを生成し、複数のパワーカーブのそれぞれの精度に基づき、１つのパワーカーブを選択する。選択したパワーカーブを表示装置の画面に表示してもよい。

パラメータ最適化部２３は、後流モデルに関するパラメータ（スラスト係数、後流拡大率）など、前述した定格出力、カットアウト風速及び効率係数以外の発電機パラメータを最適化してもよい。また、パラメータ最適化部２３は、発電機パラメータ以外のモデルパラメータ、例えば地形補正パラメータを最適化してもよい。以下、詳細について説明する。

図１１は、パラメータ最適化部２３における他のパラメータの同定の流れを示すフローチャートである。
パラメータ最適化部２３は、風況DB１１から風向毎の風速データ（例えば観測データとNWPデータ）を取得する（Ｓ２０１）。

パラメータ最適化部２３は、風車における風速を上空予測風（NWPデータに含まれる）の風向から予測するための、最適な高度を選択する（Ｓ２０２）。前述したように、NWPは例えば３次元空間をメッシュ化して予測値を算出する。パラメータ最適化部２３は、風車の経度・緯度が属する高さ方向の各メッシュの上空予測風（風速）に基づき、例えば10m毎などの風速を、補完により算出する。例えば、高度100mまで予測値が高さ方向のメッシュ毎（高さ方向のメッシュ数は複数を想定するが、１でもよい）に得られているとすると、風速の予測値を一定間隔の複数段階（本例では10段階とする）の高度でそれぞれ取得できる。これら10個の高度うちから、観測データにおける風速の実績値（すなわち、風車の高度における実績値、あるいはナセルの高度における風速の実績値）に最も値が近い高度を選択する。すなわち風速の実績値に相関が最も大きくなる高度を10段階の高度から選択する。選択した高度を、予測に用いる最適な高度とする。

パラメータ最適化部２３は、選択した高度における風速（NWPデータから上記の補間により得た風速）と、観測データにおける風速との差（誤差）が最小又は閾値以下となるように、地形補正パラメータを最適化する（Ｓ２０３）。地形補正パラメータは、上空の予測風（NWP由来の風速）から、地形効果を考慮した風車における風速を算出するためのパラメータである。

下記の式(3)は、地形効果を考慮した風速v’_nwpを得るため、上空の予測風（NWP由来）v_nwpを地形補正パラメータ（α,β,γ）により変換したものである。tはある時刻を表し、予測風速はtより前の時刻の実績を用いて予測されている。風速v_nwpを(u_nwp(t),v_nwp(t))の２方向成分で表している。風速v’_nwpを(u’_nwp(t),v’_nwp(t))の２方向成分で表している。

式(3)から求まる風速v’_nwpと、観測風速v_mの誤差が最小又は閾値以下になるように地形補正パラメータを最適化する。地形補正パラメータは風向毎に行う。例えば360度を分割した１６個の方位（風向）ごとに行う。

下記の式(4)は、地形補正パラメータの最適化の式を示す。argmin(x)は、xを最小化するパラメータ(α,β,γ)の組を見つることを意味する。最適化の詳細は前述した方法、例えばベイズ推定に基づく方法、又は、誤差の関数を最小化する方法を用いてもよい。

パラメータ最適化部２３は、後流モデルのパラメータを最適化する。後流によるウェイク効果を考慮するため、前後の風車の風速の実績値に基づき、スラスト係数及び後流拡大率等のパラメータを最適化により同定する（Ｓ２０４）。前後の風車とは、具体的には、上流の風車と、当該上流側の風車に下流側に隣接する風車とのことである。

下記の式(5)は、後流モデルの例として、最も古典的なものの1つであるJensenモデルである。ただし、ΔUは速度欠損率、U_∞は流入風速、C_Tはスラスト係数、k_wakeは後流拡大率、d₀はブレード径、xは風車からの距離である。式(5)によって、前段の風車で予測された風速に基づき、後流に位置する風車の風速を予測できる。次式は時刻tにおける速度欠損を表す。

式(5)により先頭から２番目以降の風車に入力される風速を予測できる。１つ前の風車から入力される風速がU_∞であり、ΔUの欠損率だけ減じたものが次段の風車に入力される。その他の方法として、後述する式(6)で、すべての風車の風速を求めることも可能である。なお、この場合、風車全体（ウィンドファーム）としての発電量の最大化を考える際、先頭の風車の出力を下げ場合に下流の風車の発電量の変化を予測できないと考えられる。

式(5)のパラメータ（スラスト係数、後流拡大率）の最適化の方法として、以下の方法を用いてもよい。上流風車の風速の実績値とから、当該上流風車に隣接する下流風車の風速を上記(5)式で予測する。予測した風速の値と、当該下流の風車の風速の実績値との差（誤差）を算出する。当該差に基づき、最適化の手法、例えば前述したベイズ推定に基づく方法、又は、誤差の関数を最小化する方法を適用して、パラメータを最適化する。この最適化を風向ごとに行う。

パラメータ最適化部２３は、風向の関数として風速の回帰式を作成する（Ｓ２０５）。例えば、所望の精度に達するまで回帰式のパラメータの更新を行い、所望の精度に達したら最適化を終了してもよい。

回帰式の関数形は、風向の多項式関数でもよいし、風向のフーリエ級数展開でもよく、特定の関数形に限定されない。本実施形態では、多項式及びフーリエ級数を用いた関数形を用いた回帰式の例を以下の式(6)に示す。式(6)は風向毎の風速の回帰式である。v_pは予測風速、v_mは観測風速である。但し、予測風速v_pは、地形補正したもの（前述のv’_nwp）でもよいし、地形補正していないもの（前述のv’_nwp）でもよい。次式はある時刻tにおける、風向毎の風速である。

ここで、a_nとb_nは各級数の係数（パラメータ）であり、回帰分析により決定される。また、次数nは、例えば、最も実績値に合致する結果を得ることが可能な値、あるいは、予測精度が最も高くなるものなどが選択される。あるいは、次数nは予め定めた値でもよい。

仮に予測風速v_pの時刻（予測対象時刻）をtとすれば、観測風速の時刻はtより前の時刻t’であり、風向θの時刻tにおける風速v_pを、（風向θの時刻t’におけるv_m）/f(θ)によって算出できるというのが式(6)である。つまり、式(6)は、tより前の観測風速からtの風速（ナセルの風速）を予測することができる。

予測風速v_pが地形補正パラメータによって変換されたものである場合、上述の式（3）によって、地形補正パラメータが反映されている。風速比は、角度（風向）に対して離散的に分布しており、風速比を関数で近似する（回帰）することで、任意の風向の風速を求めることができる。

図１２は、風速比を関数で近似する回帰のイメージを示す。離散的に算出された風速比を近似する曲線が回帰式として求められる。この回帰式により0～360度の任意の方向の風向から風速を予測することができる。つまり、ステップＳ２０４までのステップで、風向毎の風速が求まるが、この時点では風向は16個の方位などの離散的なものが想定されている。例えば、1方位毎に地形補正パラメータが最適化されており、16方位全部で16個のパラメータの組がある。実際には360度の全方位に風速が存在しており、16個のパラメータの組に基づき、方位毎に補正した風速を用いて回帰したものが上記の回帰式である。

風速の回帰式で用いる説明変数は風向に限定されない。風向以外にも、大気安定度など様々な説明変数を風向に加えて、又は風向の代わりに用いることが考えられる。風速の予測精度への寄与が大きい説明変数を１つ又は複数選択してもよい、考えられるすべての説明変数を用いてもよい。

以上、本実施形態によれば、様々な説明変数（地形、風況等）やイベント（発電機の稼働停止のリスク等）を考慮して、定格出力等の発電機パラメータを適切な値に更新しつつ、風力発電所の総発電量又は風車毎の発電量を高精度に予測することが可能となる。

すなわち、予測に用いる最適な高度、地形補正パラメータ、後流モデルのパラメータ及び回帰式のパラメータ等を、風車の状態の経時変化や、環境の経時変化を考慮して同定することができる。よって、風車の状態の経時変化や、環境の経時変化に応じて、数十年のスパンで高精度な発電量予測が可能となる。

例えば、一般的には、後流モデルのパラメータは、ウィンドファームに対する数値解析により決定さることが多い。しかし、この方法では、風車の状態の経時変化や環境の経時変化を考慮することはできない。これに対して、本実施形態では、風車の実績値データ等を用いて、後流モデルのパラメータを同定（推定）することで、風車の状態の経時変化や、環境の経時変化を考慮しつつ、発電量を高精度に予測することが可能になる。

（第２の実施形態）
本実施形態に係る風力発電予測装置における発電量評価部２２は、ウィンドファームにおける風車の号機毎に、故障確率及びウェイク（後流）といった各種項目（効果）により与えられる影響を定量的に又は定性的に表した情報（予測説明情報）を生成する。発電量評価部２２は、作成した予測説明情報を、表示装置の画面に表示させる。ユーザは、表示された予測説明情報を確認することで、予測発電出力に対する故障確率及びウェイクといった各種項目（効果）の影響を、定量的又は定性的に把握することができる。以下、本実施形態について詳細に説明する。

ウィンドファームに複数の風車（1号機、2号機、…）が配置されており、第n号機の発電出力をy(n)と表記する。また、個別発電量予測部２０は、第n号機の発電出力を予測するに当たり、故障確率及びウェイク（後流）などの各種項目（効果）に対する考慮の有無を、オン／オフ可能であるとする。例えば効果f1をオン、効果f2をオフとした場合の第n号機の発電出力をy(n;f1=1,f2=0,…)と表記する。

発電量評価部２２は、稼働管理サーバ１０３から取得される風力発電所の稼働状況データ（風車計画停止情報及び風車計画外停止情報）に基づき、各号機の故障確率pを評価する。例えば、対象風車が計画停止期間内のとき、故障確率p=1とする。また、対象風車が計画停止期間外のときは、外部のエネルギー管理装置から風力発電所に与えられる過去の発電指令（SCADA（Supervisory Control And Data Acquisition）データ）から、稼働確率qを推定して故障確率p=1-qとする。SCADAデータは、風力発電予測装置１０１がサーバ１０２、サーバ１０３又は外部の指令装置から取得するか、予め風力発電予測装置１０１の内部の記憶装置又はDB に格納されていてもよい。SCADAデータとともに、或いは、SCADAデータに代えて、計画外停止情報の履歴を用いて、稼働確率qを推定してもよい。

発電出力に対する故障確率に関して、故障が発生しない場合（故障確率が０の場合）の発電出力をyとすると、故障確率pのときの発電出力をy’=y*(1-p)となる。すなわち、計画期間内外に対応した稼働確率q=1-pをyに乗算することで、故障確率pのときの発電出力y’を算出する。

発電出力に対するウェイク（後流）の効果は、ウェイク効果なし（無効）の場合の発電出力とウェイク効果あり（有効）の場合の発電出力との二通りの発電出力を算出することで、評価できる。発電量評価部２２はウェイクの効果の有効及び無効をそれぞれ指示して発電量の予測を行わせる。

例えば、n号機の発電出力に対する各効果fの影響は、各効果fのオン／オフの組み合わせに応じて、発電出力の変化量により、以下の式(7)ように定義できる。なお複数の効果が重なる交互作用に関する効果は、組み合わせ数は多くなるが、同様にして定義できる。

例えば式(7)の１行目は、第n号機について、効果f1～fnをすべてオン（有効）にした場合の発電出力と、効果f1をオフ（無効）かつ効果f2～fnをオン（有効）にした場合の発電出力との差dy(n;f1)を表す。

図１３は、風車号機毎に定量評価した効果毎の発電出力に対する影響をまとめた表を示す。例えば１号機に関して、故障確率の効果をオンにすると、発電出力が3だけ下がることを意味する。１号機は先頭であるため、後流効果による変化は無いとしている。

一番下の行は全ての効果を有効にした予測発電出力である。一番右の列は、該当する効果について、全号機の発電出力の変化（影響）の合計を示す。

図１３の表は、予測発電出力に対する各効果の影響を号機毎に説明した情報であると言える。ユーザは、例えば予測発電出力に対する後流効果の影響を定量的に把握することが可能である。

（第３の実施形態）
図１４は、稼働管理サーバ１０３における風車計画停止情報の一例としての計画停止テーブル（計画停止DB）を示す。

計画停止テーブルは、列名として、風車ID、最大出力、停止区分、停止日時、最終更新日時を有する。風車IDは各風車に固有に定義されるIDである。最大出力は風車の最大出力値（又は定格出力値）を表す。停止区分は風車の停止原因を表す。図の例では「点検」、「テスト」、「修理」が示される。停止日時は期間の開始時刻と終了時刻とで表される。図の例では停止日時は「YYYY/MM/DD_hh:mm:ss―YYYY/MM/DD_hh:mm:ss」で表される。最終更新日時は計画停止状況の最終更新時刻を示す。図の例では、最終更新日時は、「YYYY/MM/DD_hh:mm:ss」で表される。計画停止テーブルには風車の停止計画を含む。実際に風車が計画通り停止されたかを識別する情報が格納されてもよい。あるいはSCADAデータに基づき実際に風車が計画通り停止されたかを判断してもよい。

図１５は、計画外停止予測テーブル（計画外停止予測DB）を示す。計画外停止予測テーブル（計画外停止予測DB）は、風車が計画外での停止が予測される事項を表した情報（風車計画外停止予測情報）の一例である。計画外停止予測テーブルは、列名として、風車ID、最大出力、停止区分、停止日時、稼働低減率（稼働停止確率）、最終更新日時を有する。稼働低減率（稼働停止確率）は風車の稼働停止の確率を表す。他の列の意味は図１４又は図１５と同様である。停止区分の列に格納される停止原因の例が図１４の計画停止テーブルと異なっている。図の例では、「落雷防止」、「振動抑制」、「風が強すぎる時の保護制御」が示される。

風車計画外停止予測情報（計画外停止予測テーブル）の生成方法は、後述する第４の実施形態の説明で記載する。なお、計画外停止予測テーブルは、稼働管理サーバ１０３又は風力発電予測装置１０１が、外部の装置から無線又は有線の通信によって、通信ネットワークを介して取得してもよい。

稼働管理サーバ１０３における稼働状況管理部５１は、図１４の計画停止テーブルと図１５の計画外停止予測テーブルとを統合して、稼働状態テーブル（稼働状態DB）を生成する。稼働状態テーブル（稼働状態DB）を風力発電予測装置１０１が生成してもよい。

図１６は、稼働状態テーブル（稼働状態DB）の一例を示す。稼働状態テーブルは、列名として、風車ID、最大出力、時間、稼働低減率（稼働停止確率）、最終更新日時を有する。時間は、稼働が停止していた期間（稼働停止期間）を表す。稼働停止期間は、開始時刻と終了時間とで表される。図の例では、稼働停止時間は「YYYY/MM/DD_hh:mm:ss―YYYY/MM/DD_hh:mm:ss」で表される。稼働低減率（稼働停止確率）は、稼働停止の確率を表す。

稼働低減率（稼働停止確率）は、計画停止テーブルと計画外停止予測テーブルにおいて重ならない時間帯については当該時間帯を含む一方の稼働停止確率を採用する。一方、両テーブルにおいて重なる時間帯については両テーブルの稼働停止確率のうち大きな値の稼働停止確率を採用する。その他の列の意味は、図１４～図１６と同様である。

図１７は、稼働管理サーバ１０３における稼働状況管理部５１による稼働状態テーブルを生成する処理の一例を示すフローチャートである。稼働状況管理部５１が、風車計画停止情報（計画停止テーブル）と風車計画外停止予測情報（計画外停止予測テーブル）とを読み込む（Ｓ３０１）。稼働状況管理部５１は、読み込んだ情報に基づき、稼働停止テーブルの各行に対応する風車発電所稼働状況データを生成する（Ｓ３０２）。稼働状況管理部５１を、稼働状態テーブル（稼働状態DB）に格納する（Ｓ３０３）。

前述した第１の実施形態において個別発電量予測部２０が風車毎の発電量を予測する際、稼働状態DBを参照し、稼働停止確率が０％以外の時間帯については、算出した発電量に稼働停止確率を乗じることで、予測する発電量を調整してもよい。これにより、計画停止及び計画外停止といったイベントを考慮して、より高精度に発電量を予測できる。

（第４の実施形態）
図１８は、稼働管理サーバ１０３における風車計画外停止情報の一例としての計画外停止テーブル（計画外停止DB）を示す。計画外停止テーブルには、計画外で風車が停止された実績データが格納されている。計画外停止テーブルは、列名として、列名に風車ID、最大出力、停止区分、停止日時、最終更新日時を持つ。各列名の意味は図１５の計画外停止予測テーブルと同じである。停止区分における「保護制御」の具体例として、上述の図１５に示した「風が強すぎる時の保護抑制」などが含まれる。計画外停止テーブルは、風車（発電装置）が停止した停止区分（原因）を含む。風車が停止したときの環境を含む情報（予測値又は観測値）は、NWPデータ又は風況DB１１等から取得される。

図１９は、計画外停止入力要素テーブル（計画外停止入力要素DB）の一例を示す。計画外停止入力要素テーブルは、列名として、風車ID、停止区分、入力要素１、入力要素２、・・・入力要素ｎ（ｎは１以上の整数）を有する。風車ID及び停止区分の意味は図１４等と同様である。入力要素は、停止区分に示される理由で風車の稼働を停止するための判断として用いられ得る要素（風況等）を示す。例えば図１９のテーブルの１行目において、保護制御を理由に風車の稼働停止をするか否かは、入力要素１に示される風速と、入力要素２に示される風向とに基づき判断され得る。風速に関する条件と風向に関する条件が満たされる場合に、保護制御を理由として風車の稼働（発電）が停止されてもよい。停止の制御は、風車において自律的に行われる場合、風車を監視する装置が行う場合は、あるいは監視員により行われる場合などがある。計画外停止入力要素テーブルは稼働管理サーバ１０３又は風力発電予測装置１０１が外部の装置から取得してもよい。あるいは、計画外停止入力要素テーブルは、予め稼働管理サーバ１０３の内部の記憶装置又はDBに格納されていてもよいし、風力発電予測装置１０１の内部の記憶装置又はDBに格納されていてもよい。

図２０は、風車の稼働停止を予測するための稼働停止モデルを生成する処理の一例を示すフローチャートである。本処理は、例えば風力発電予測装置１０１におけるパラメータ最適化部２３で行う。但し、本処理を発電量予測部２５又は稼働率予測部１９など他の処理部で行ってもかまわない。また、本処理を稼働管理サーバ１０３で行うことも可能である。本処理は、風車（発電装置）が停止した停止区分（原因）を含む情報と、風車が停止したときの環境を含む情報（例えば、NWPデータ又は風況DB11等）に基づき、稼働停止モデルを生成する。稼働停止モデルは、停止区分（稼働停止の原因）毎に風況情報（環境情報）から風車（発電装置）の稼働停止の確率を算出するモデルの一例である。以下、本処理の詳細を説明する。

まず、数値気象予測データ（NWP DB）と計画外停止DB（図１４参照）を読み込み（Ｓ４０１）、また、計画外停止入力要素DB（図１９参照）を読み込む（Ｓ４０２）。

次に、風車毎かつ停止区分毎に稼働停止モデルを生成する（Ｓ４０３～Ｓ４０６）。稼働停止モデルの構造として、物理モデル、回帰モデル又はニューラルネットワークなどを用いることができる。ここでは、ロジスティック回帰モデルを用いる場合の例を記載する。停止区分がi、風車IDがjの稼働停止モデルを稼働停止モデルm_ijと記載する。

１つの停止区分と１台と風車とを選択する（Ｓ４０３、Ｓ４０４）。稼働停止モデルm _ijの入力値（入力変数又は説明変数）x、出力値（出力変数又は目的変数）をy、回帰モデルのパラメータをω、基底をΦとする。パラメータωは、入力値の係数、及び定数項等を含む。ｘは入力要素の値に対応し、入力要素１～ｎまである場合は、入力値として、x1,x2,…,xnがある。入力要素の値は、一例として数値気象予測データ又は風況DB１１等から得られる。

数値気象予測データ、計画外停止入力要素DB、計画外停止DBを用いて、[y,x1,x2,…xn]のトレーニングデータセットを生成する（Ｓ４０５）。計画外停止が生じた場合、y=1、計画外停止が生じていない場合、y=0とする。また、ｘには対応する入力要素の値に格納される。例えば入力要素１が風速であれば、例えばx1は風速の値である。

ロジスティック回帰モデルは、下記の式(8)で表される。ここで、p(y|Φ(x))は事後確率、σはロジスティックシグモイド関数である。

パラメータを同定する最適化手法により、モデルのパラメータωを算出する（Ｓ４０６）。例えばニュートン―ラフソン法により、モデルパラメータωを算出することができる。ニュートン―ラフソン法以外の最適化手法、例えば最尤推定法などを用いてもよい。

以上の処理を全ての風車と全ての停止区分に対して繰り返し実行し（Ｓ４０７、Ｓ４０８）、風車と停止区分との全ての組み合わせに対して、稼働停止モデルのパラメータωを算出する。算出したパラメータωと、モデルの構造（本例ではロジスティック回帰モデル）とを、風車ID、停止モデルID及び停止区分に関連付けて、稼働停止モデルDBに格納する。

図２１は、稼働停止モデルテーブル（稼働停止モデルDB）の一例を示す。稼働停止モデルテーブルは、列名として、風車ID、停止モデルID、停止区分、モデル構造、モデルパラメータを有する。風車ID及び停止区分は図１４等のテーブルと同様である。停止モデルIDは、各風車で、停止モデル毎に固有に定義されるIDである。モデル構造は、稼働停止モデルの構造（式の構造）を記録する。図の１行目では、モデル構造が、モデルGAとして模式的に示されている。モデルパラメータは、稼働停止モデルの学習されたパラメータ（モデルパラメータ）を表す。図の１行目では、モデルパラメータとして[α_A00011, α_A00012,…]が示されている。すなわち、[α_A00011, α_A00012,…]を、モデル構造GAのパラメータの値として用いることで、停止モデルIDがx0001Aである稼働停止モデルが得られる。

図２２は、前述の第３の実施形態で用いた計画外停止予測テーブル（計画外停止予測DB、図１５参照）を生成する処理の一例を示すフローチャートである。本処理は、例えば風力発電予測装置１０１におけるパラメータ最適化部２３で行う。但し、本処理を発電量予測部２５又は稼働率予測部１９など他の処理部で行ってもよい。また、本処理を稼働管理サーバ１０３で行うことも可能である。

数値気象予測データ（NWP DB）を読み込み（Ｓ５０１）、計画外停止入力要素DB（図１９参照）を読み込み（Ｓ５０２）、稼働停止モデルDB（図２１参照）を読み込む（Ｓ５０３）。

１つの停止区分と１台と風車とを選択する（Ｓ５０４、Ｓ５０５）。数値気象予測データと計画外停止入力要素DBとに基づき入力値x（x1,x2,…xn）を取得し、稼働停止モデルDBから使用する稼働停止モデルｍを取得する（Ｓ５０６）。入力値xと稼働停止モデルｍとに基づき、停止可能時間（停止可能日時）と稼働停止確率とを算出する（Ｓ５０７）。停止可能時間とは、風車の稼働が停止される可能性がある時間である。一例として、稼働停止確率が閾値以上の時間は停止可能時間に含め、閾値未満の時間は停止可能時間に含めなくてよい。

以上の処理を全ての風車と全ての停止区分に対して繰り返し実行し（Ｓ５０８、Ｓ５０９）、風車と停止区分との全ての組み合わせに対して、停止可能時間と停止可能確率とを算出する（Ｓ５１０）。算出した停止可能時間と停止可能確率とを、風車ID、最大出力及び停止区分に関連付けて計画外停止予測DBに格納する（Ｓ５１１）。また最終更新日時を設定する。この際、計画外停止予測DBに前回格納済みのデータを上書き更新した場合は、最終更新日時を更新する。

（第５の実施形態）
本実施形態では、ヨー制御（風車の向きを変える）によるウェイクステアリングを行う。ウェイクステアリングは、上流風車の向きを変えて上流風車の発電量を下げ、ウィンドファーム全体としての発電量を上げる制御を行うことである。

風力発電予測装置１０１における発電量予測部２５は、各風車のヨー角度毎にウィンドファームの発電量（総発電量）を予測し、ウィンドファーム全体の発電量を最大化するための上流風車の制御を行う。

図２３は、本実施形態に係る全体発電量の最大化の処理のフローチャートである。本処理は、一例として発電量予測部２５により行われるが、他の処理部で行われてもよい。

数値気象予測データ（過去と将来の気象予測を含む）と、前述した過去の発電指令履歴であるSCADA（Supervisory Control And Data Acquisition）データとを読み込む。数値気象予測データに基づき、各風車位置（高度）の風況（風速等）の情報を得る（Ｓ６０１）。この際、地形の影響のみを考慮して、式(1)により、風況（風速等）を補正した風況を得る。より高精度化のため、さらに、大気安定度に基づき、補正した風況を得てもよい。風況DB１１から風況の情報を取得してもよい。またNWPデータに代えて、解析データ（シミュレーション結果）を用いてもよい。

ステップＳ６０１で得た風況の情報と、稼働停止モデルとから各風車の稼働状態を予測する（Ｓ６０２）。SCADAデータをさらに利用して稼働状態を推定してもよい。例えばSCADAデータが発電停止を指示している時間は稼働が停止していると推定できる。

ステップＳ６０１で得た風況の情報と、ステップＳ６０２で予測した風車稼働状態とに基づき、後流による速度欠損を算出し、各風車の風況（風速等）の情報を得る（Ｓ６０３）。このとき地形とウェイク影響とが考慮された風速が風車毎に得られる。稼働停止モデルが複数ある場合など、ステップＳ６０１～Ｓ６０３を繰り返し、各風車の最終的な予測風況を決定してもよい。決定した風況で各風車の発電量及びウィンドファーム全体の発電量を予測する。

各風車のヨー角度を変えて、ステップＳ６０１～Ｓ６０３を繰り返し、ヨー角度毎のウィンドファーム全体の発電量を予測する（Ｓ６０４）。

ステップＳ６０５で算出される全体の発電量に基づき、各風車のヨー角度を決定する（Ｓ６０６）。例えば全体の発電量が最も大きくなる又は閾値以上になる各風車のヨー角度を決定する。決定したヨー角度を示す情報を風力発電所サーバ１０２に送信する。各風車のヨー角度を効率的に決定するため、適当な最適化アルゴリズムを用いてもよい。風力発電所サーバ１０２は、予測対象時刻に合わせて各風車のヨー角を制御する。これにより、予測に基づいたウェイクステアリングが実現される。ことで、予測に基づいたウェイクステアリングが可能となる。

（ハードウェア構成）
図２４は、風力発電予測装置１０１のハードウェア構成を示す。図２４の装置は、コンピュータ装置２００により構成される。コンピュータ装置２００は、ＣＰＵ２０１と、入力インタフェース２０２と、表示装置２０３と、通信装置２０４と、主記憶装置２０５と、外部記憶装置２０６とを備え、これらはバス２０７により相互に接続されている。

ＣＰＵ（中央演算装置）２０１は、主記憶装置２０５上で、コンピュータプログラムである情報処理プログラムを実行する。情報処理プログラムは、本装置の上述の各機能構成を実現するプログラムのことである。情報処理プログラムは、１つのプログラムではなく、複数のプログラムやスクリプトの組み合わせにより実現されていてもよい。ＣＰＵ２０１が、情報処理プログラムを実行することにより、各機能構成は実現される。

入力インタフェース２０２は、キーボード、マウス、およびタッチパネルなどの入力装置からの操作信号を、本装置に入力するための回路である。入力インタフェース２０２はユーザの操作装置に対応する。

表示装置２０３は、本装置から出力されるデータを表示する。表示装置２０３は、例えば、ＬＣＤ（液晶ディスプレイ）、有機エレクトロルミネッセンスディスプレイ、ＣＲＴ（ブラウン管）、またはＰＤＰ（プラズマディスプレイ）であるが、これに限られない。コンピュータ装置２００から出力されたデータは、この表示装置２０３に表示することができる。

通信装置２０４は、本装置が外部装置と無線または有線で通信するための回路である。データは、通信装置２０４を介して外部装置から入力することができる。外部装置から入力したデータを、主記憶装置２０５や外部記憶装置２０６に格納することができる。

主記憶装置２０５は、情報処理プログラム、情報処理プログラムの実行に必要なデータ、および情報処理プログラムの実行により生成されたデータなどを記憶する。情報処理プログラムは、主記憶装置２０５上で展開され、実行される。主記憶装置２０５は、例えば、ＲＡＭ、ＤＲＡＭ、ＳＲＡＭであるが、これに限られない。図４の各記憶部又はデータベースは、主記憶装置２０５上に構築されてもよい。

外部記憶装置２０６は、情報処理プログラム、情報処理プログラムの実行に必要なデータ、および情報処理プログラムの実行により生成されたデータなどを記憶する。これらの情報処理プログラムやデータは、情報処理プログラムの実行の際に、主記憶装置２０５に読み出される。外部記憶装置２０６は、例えば、ハードディスク、光ディスク、フラッシュメモリ、及び磁気テープであるが、これに限られない。図４の各記憶部又はデータベースは、外部記憶装置２０６上に構築されてもよい。

なお、情報処理プログラムは、コンピュータ装置２００に予めインストールされていてもよいし、ＣＤ－ＲＯＭなどの記憶媒体に記憶されていてもよい。また、情報処理プログラムは、インターネット上にアップロードされていてもよい。

また、本装置は、単一のコンピュータ装置２００により構成されてもよいし、相互に接続された複数のコンピュータ装置２００からなるシステムとして構成されてもよい。

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。

１１ 風況DB
１２ 地形情報DB
１３ 風況シミュレーション部
１４ 風力パラメータDB
１５ 風力発電所DB
１６ 発電出力DB
１７ 風況予測部
１８ 後流速度欠損予測部
１９ 稼働率予測部
２０ 個別発電量予測部
２１ 総発電量予測部
２２ 発電量評価部
２３ パラメータ最適化部（パラメータ決定部）
２５ 発電量予測部
５１ 稼働状況管理部
１０１ 風力発電予測装置（情報処理装置）
１０２ 風力発電所サーバ
１０３ 稼働管理サーバ
１０４ ウィンドファーム
１０５ 風車（発電装置）
２００ コンピュータ装置
２０２ 入力インタフェース
２０３ 表示装置
２０４ 通信装置
２０５ 主記憶装置
２０６ 外部記憶装置
２０７ バス

Claims (37)

1. 発電装置により発電される発電量の予測モデルのモデルパラメータを、前記発電量の実績データと、前記発電装置の環境情報とに基づき決定するパラメータ決定部を備え、
   前記モデルパラメータは、前記発電装置の定格出力を表すパラメータを含み、
   前記パラメータ決定部は、前記発電装置が定格出力状態で発電を行っている場合の発電量の実績値と、前記定格出力を表す前記パラメータとの差分に基づき、前記定格出力を表す前記パラメータの値を決定する
   情報処理装置。
2. 発電装置により発電される発電量の予測モデルのモデルパラメータを、前記発電量の実績データと、前記発電装置の環境情報とに基づき決定するパラメータ決定部を備え、
   前記モデルパラメータは、前記発電装置のカットアウト風速を表すパラメータを含み、
   前記パラメータ決定部は、前記発電装置のカットアウト風速の実績値と、前記カットアウト風速を表すパラメータとの差分に基づき、前記カットアウト風速を表す前記パラメータの値を決定する
   情報処理装置。
3. 発電装置により発電される発電量の予測モデルのモデルパラメータを、前記発電量の実績データと、前記発電装置の環境情報とに基づき決定するパラメータ決定部を備え、
   前記モデルパラメータは、前記発電装置の効率係数を表すパラメータを含み、
   前記パラメータ決定部は、前記発電量の実績値と前記環境情報の実績値とに基づき算出される効率係数と、前記効率係数を表すパラメータとの差分に基づき、前記効率係数を表す前記パラメータの値を決定する
   情報処理装置。
4. 前記発電装置は、風力発電装置であり、
   前記環境情報は、風速及び風向の少なくとも一方に関する情報を含む
   請求項１～３のいずれか一項に記載の情報処理装置。
5. 前記モデルパラメータは、前記発電装置の後流モデルに関するパラメータを含む
   請求項１～４のいずれか一項に記載の情報処理装置。
6. 前記後流モデルに関するパラメータは、スラスト係数を含む
   請求項５に記載の情報処理装置。
7. 前記後流モデルに関するパラメータは、後流拡大率を含む
   請求項５に記載の情報処理装置。
8. 前記モデルパラメータは、数値気象予測データが示す環境情報の値を、前記発電装置が配置された地形に関する情報に応じて変換するパラメータである地形補正パラメータを含む
   請求項１～７のいずれか一項に記載の情報処理装置。
9. 前記発電量の予測に用いる環境情報の高度を、前記発電装置における前記環境情報の実績値と、数値気象予測データが示す前記環境情報の予測値とに基づき決定する環境予測部
   を備えた請求項１～８のいずれか一項に記載の情報処理装置。
10. 前記パラメータ決定部により決定されたモデルパラメータと、予測対象時刻における前記環境情報の予測値とに基づき、前記発電装置の発電量を予測する発電量予測部
    請求項９に記載の情報処理装置。
11. 前記パラメータ決定部は、前記環境情報の観測値を予測対象時刻における前記環境情報の予測値に関連付ける回帰モデルの係数を、前記環境情報の観測データと数値気象予測データとに基づき決定し、
    前記発電量予測部は、前記回帰モデルの前記係数に基づいて、前記予測対象時刻における前記環境情報の予測値を取得する
    請求項１０に記載の情報処理装置。
12. 前記パラメータ決定部は、前記回帰モデルの前記係数を、複数の方位ごと又は複数の大気安定度ごとに算出する
    請求項１１に記載の情報処理装置。
13. 前記発電量予測部は、前記環境予測部により決定された高度における前記環境情報の予測値に基づき、前記発電装置の稼働停止の確率情報を算出し、前記確率情報に基づいて、前記発電装置の発電量を予測する
    請求項１０～１２のいずれか一項に記載の情報処理装置。
14. 前記発電装置は風力発電装置であり、
    上流の風力発電装置と前記上流の風力発電装置に隣接する下流の風力発電装置とのレイアウト情報に基づき、前記上流の風力発電装置による後流の速度欠損情報を予測する後流速度欠損算出部を備え、
    前記発電量予測部は、前記下流の風力発電装置の前記稼働停止の確率情報を、前記速度欠損情報と、前記下流の風力発電装置に対する前記高度における前記環境情報の予測値とに基づき、算出する
    請求項１３に記載の情報処理装置。
15. 前記発電量予測部は、複数の前記発電装置の総発電量を予測する
    請求項１０～１４のいずれか一項に記載の情報処理装置。
16. 前記パラメータ決定部は、複数の説明変数から少なくとも風速と異なる環境情報を含む１つ以上の説明変数を選択し、選択した説明変数の観測データと、前記発電量の実績データとに基づきパワーカーブを生成する
    を備えた請求項１０～１５のいずれか一項に記載の情報処理装置。
17. 前記パラメータ決定部は、選択する説明変数を変更して複数の前記パワーカーブを生成し、複数の前記パワーカーブの精度に基づき、複数の前記パワーカーブから１つのパワーカーブを選択する
    請求項１６に記載の情報処理装置。
18. 前記発電量予測部は、前記パワーカーブに基づいて前記発電量の予測を行う
    請求項１６又は１７に記載の情報処理装置。
19. 前記発電装置は風力発電装置であり、
    前記風力発電装置の発電出力に対して影響を与える１つ以上の項目の前記影響の有無を設定して、前記発電量を予測し、前記１つ以上の項目の前記影響の有無毎に前記発電量の予測値を含む予測説明情報を生成する発電量評価部
    を備えた請求項１０～１８のいずれか一項に記載の情報処理装置。
20. 複数の前記項目を組み合わせ、前記組み合わせ毎に前記項目による前記影響の有無を設定して前記発電量を予測し、前記予測説明情報を生成する
    請求項１９に記載の情報処理装置。
21. 前記複数の項目は、前記発電装置の故障確率と、前記発電装置によるウェイクとを含む
    請求項２０に記載の情報処理装置。
22. 前記発電量予測部は、前記発電装置の稼働停止計画を示す情報と、前記発電装置が前記稼働停止計画外の期間で停止される確率の情報とに基づき、前記発電装置の発電量を予測する
    請求項１０～２１のいずれか一項に記載の情報処理装置。
23. 前記パラメータ決定部は、前記発電装置が停止した原因を含む情報と、前記発電装置が停止したときの環境を含む情報とに基づき、前記原因毎に前記環境情報から前記発電装置の稼働停止の確率を算出するモデルを算出し、
    前記発電量予測部は、前記原因毎の前記モデルに基づいて、前記発電装置の発電量を予測する
    請求項１０～２２のいずれか一項に記載の情報処理装置。
24. 前記発電装置は風力発電装置であり、
    前記発電量予測部は、複数の前記風力発電装置のヨー角の組み合わせ毎に、複数の前記風力発電装置の総発電量を算出し、算出した前記総発電量に基づき、複数の前記風力発電装置のヨー角を決定する
    請求項１０～２３のいずれか一項に記載の情報処理装置。
25. 発電装置により発電される発電量の予測モデルのモデルパラメータを、前記発電量の実績データと、前記発電装置の環境情報に基づき決定し、
    前記モデルパラメータは、前記発電装置の定格出力を表すパラメータを含み、
    前記発電装置が定格出力状態で発電を行っている場合の発電量の実績値と、前記定格出力を表す前記パラメータとの差分に基づき、前記定格出力を表す前記パラメータの値を決定する
    情報処理方法。
26. 発電装置により発電される発電量の予測モデルのモデルパラメータを、前記発電量の実績データと、前記発電装置の環境情報に基づき決定し、
    前記モデルパラメータは、前記発電装置のカットアウト風速を表すパラメータを含み、
    前記発電装置のカットアウト風速の実績値と、前記カットアウト風速を表すパラメータとの差分に基づき、前記カットアウト風速を表す前記パラメータの値を決定する
    情報処理方法。
27. 発電装置により発電される発電量の予測モデルのモデルパラメータを、前記発電量の実績データと、前記発電装置の環境情報に基づき決定し、
    前記モデルパラメータは、前記発電装置の効率係数を表すパラメータを含み、
    前記発電量の実績値と前記環境情報の実績値とに基づき算出される効率係数と、前記効率係数を表すパラメータとの差分に基づき、前記効率係数を表す前記パラメータの値を決定する
    情報処理方法。
28. 発電装置により発電される発電量の予測モデルのモデルパラメータを、前記発電量の実績データと、前記発電装置の環境情報とに基づき決定するステップ
    をコンピュータに実行させ、
    前記モデルパラメータは、前記発電装置の定格出力を表すパラメータを含み、
    前記発電装置が定格出力状態で発電を行っている場合の発電量の実績値と、前記定格出力を表す前記パラメータとの差分に基づき、前記定格出力を表す前記パラメータの値を決定するステップをさらに前記コンピュータに実行させる
    コンピュータプログラム。
29. 発電装置により発電される発電量の予測モデルのモデルパラメータを、前記発電量の実績データと、前記発電装置の環境情報とに基づき決定するステップ
    をコンピュータに実行させ、
    前記モデルパラメータは、前記発電装置のカットアウト風速を表すパラメータを含み、
    前記発電装置のカットアウト風速の実績値と、前記カットアウト風速を表すパラメータとの差分に基づき、前記カットアウト風速を表す前記パラメータの値を決定するステップをさらに前記コンピュータに実行させる
    コンピュータプログラム。
30. 発電装置により発電される発電量の予測モデルのモデルパラメータを、前記発電量の実績データと、前記発電装置の環境情報とに基づき決定するステップ
    をコンピュータに実行させ、
    前記モデルパラメータは、前記発電装置の効率係数を表すパラメータを含み、
    前記発電量の実績値と前記環境情報の実績値とに基づき算出される効率係数と、前記効率係数を表すパラメータとの差分に基づき、前記効率係数を表す前記パラメータの値を決定するステップをさらに前記コンピュータに実行させる
    コンピュータプログラム。
31. 環境に応じた発電を行う発電装置と、
    前記発電装置により発電される発電量の予測モデルのモデルパラメータを、前記発電量の実績データと、前記発電装置の環境情報とに基づき決定するパラメータ決定部と、
    前記モデルパラメータと、前記環境情報の予測値とに基づき、前記発電装置の発電量を予測する発電量予測部と、
    を備え、
    前記モデルパラメータは、前記発電装置の定格出力を表すパラメータを含み、
    前記パラメータ決定部は、前記発電装置が定格出力状態で発電を行っている場合の発電量の実績値と、前記定格出力を表す前記パラメータとの差分に基づき、前記定格出力を表す前記パラメータの値を決定する
    情報処理システム。
32. 環境に応じた発電を行う発電装置と、
    前記発電装置により発電される発電量の予測モデルのモデルパラメータを、前記発電量の実績データと、前記発電装置の環境情報とに基づき決定するパラメータ決定部と、
    前記モデルパラメータと、前記環境情報の予測値とに基づき、前記発電装置の発電量を予測する発電量予測部と、
    を備え、
    前記モデルパラメータは、前記発電装置のカットアウト風速を表すパラメータを含み、
    前記パラメータ決定部は、前記発電装置のカットアウト風速の実績値と、前記カットアウト風速を表すパラメータとの差分に基づき、前記カットアウト風速を表す前記パラメータの値を決定する
    情報処理システム。
33. 環境に応じた発電を行う発電装置と、
    前記発電装置により発電される発電量の予測モデルのモデルパラメータを、前記発電量の実績データと、前記発電装置の環境情報とに基づき決定するパラメータ決定部と、
    前記モデルパラメータと、前記環境情報の予測値とに基づき、前記発電装置の発電量を予測する発電量予測部と、
    を備え、
    前記モデルパラメータは、前記発電装置の効率係数を表すパラメータを含み、
    前記パラメータ決定部は、前記発電量の実績値と前記環境情報の実績値とに基づき算出される効率係数と、前記効率係数を表すパラメータとの差分に基づき、前記効率係数を表す前記パラメータの値を決定する
    情報処理システム。
34. 前記発電装置は、風力発電装置であり、
    前記環境は、風況である
    請求項３１～３３のいずれか一項に記載の情報処理システム。
35. 発電装置により発電される発電量の予測モデルのモデルパラメータを、前記発電量の実績データと、前記発電装置の環境情報とに基づき決定するパラメータ決定部と、
    前記発電量の予測に用いる環境情報の高度を、前記発電装置における前記環境情報の実績値と、数値気象予測データが示す前記環境情報の予測値とに基づき決定する環境予測部と、
    前記パラメータ決定部により決定されたモデルパラメータと、予測対象時刻における前記環境情報の予測値とに基づき、前記発電装置の発電量を予測する発電量予測部と、を備え、
    前記発電量予測部は、前記環境予測部により決定された高度における前記環境情報の予測値に基づき、前記発電装置の稼働停止の確率情報を算出し、前記確率情報に基づいて、前記発電装置の発電量を予測する
    情報処理装置。
36. 発電装置により発電される発電量の予測モデルのモデルパラメータを、前記発電量の実績データと、前記発電装置の環境情報とに基づき決定するパラメータ決定部を備え、
    前記パラメータ決定部は、複数の説明変数から少なくとも風速と異なる環境情報を含む１つ以上の説明変数を選択し、選択した説明変数の観測データと、前記発電量の実績データとに基づきパワーカーブを生成する
    情報処理装置。
37. 発電装置により発電される発電量の予測モデルのモデルパラメータを、前記発電量の実績データと、前記発電装置の環境情報とに基づき決定するパラメータ決定部と、
    前記パラメータ決定部により決定されたモデルパラメータと、予測対象時刻における前記環境情報の予測値とに基づき、前記発電装置の発電量を予測する発電量予測部と、を備え、
    前記発電量予測部は、前記発電装置の稼働停止計画を示す情報と、前記発電装置が前記稼働停止計画外の期間で停止される確率の情報とに基づき、前記発電装置の発電量を予測する
    情報処理装置。

Images