JP7342369B2

JP7342369B2 - Prediction system, prediction method

Info

Publication number: JP7342369B2
Application number: JP2019015335A
Authority: JP
Inventors: 清次河内; 玄洋三川
Original assignee: Chugoku Electric Power Co Inc
Current assignee: Chugoku Electric Power Co Inc
Priority date: 2019-01-31
Filing date: 2019-01-31
Publication date: 2023-09-12
Anticipated expiration: 2039-01-31
Also published as: JP2020123198A

Description

本発明は、予測システム、予測方法に関する。 The present invention relates to a prediction system and a prediction method.

例えば、予測対象の太陽光発電装置の周辺に設置されている太陽光発電装置の発電量の変動に基づいて、予測対象の太陽光発電装置の発電量を予測する発電量予測システムが知られている（例えば特許文献１）。 For example, there is a known power generation prediction system that predicts the power generation amount of a solar power generation device to be predicted based on fluctuations in the power generation amount of solar power generation devices installed around the solar power generation device to be predicted. (For example, Patent Document 1).

特開第２０１３－５１３２６号公報Japanese Patent Application Publication No. 2013-51326

特許文献１に開示された発電量予測システムは、予測対象の太陽光発電装置における発電量の変動状況を示す予測対象変動パターンと、予測対象の太陽光発電装置の周辺の地点に設置された太陽光発電装置における発電量の変動状況を示す周辺変動パターンと、を照合することにより、予測対象の太陽光発電装置における将来の発電量を予測する。この発電量予測システムによれば、風に流される雲の影響を考慮して太陽光発電装置の発電量を予測することはできるが、設備劣化や気象条件などによる誤差要因を考慮していないため、正確に発電量の予測をすることができない虞があった。 The power generation amount prediction system disclosed in Patent Document 1 is based on a prediction target fluctuation pattern indicating the fluctuation status of the power generation amount in a solar power generation device to be predicted, and a solar power generation amount installed at points around the solar power generation device to be predicted. The future power generation amount of the photovoltaic power generation device to be predicted is predicted by comparing the surrounding fluctuation pattern indicating the fluctuation status of the power generation amount of the photovoltaic power generation device. According to this power generation prediction system, it is possible to predict the power generation amount of a solar power generation device by taking into account the influence of clouds blown by the wind, but it does not take into account error factors such as equipment deterioration and weather conditions. However, there was a risk that it would not be possible to accurately predict the amount of power generated.

前述した課題を解決する主たる本発明は、一以上の所定のパラメータに基づき所定の推定方法で推定した推定値と、前記推定値に対応する実績値と、の誤差を示す係数を出力する係数出力部と、前記所定のパラメータのうち少なくとも一以上のパラメータに基づき学習がなされたニューラルネットワークに、所定の期間における前記所定のパラメータを入力して、学習後の前記係数を出力し、出力された学習後の前記係数と、予測日の前記所定の推定方法で推定した推定値と、に基づいて、前記予測日における予測値を算出する予測部と、を備え、前記予測部は、学習後の前記係数が、所定の上限閾値と所定の下限閾値との間に収まっていない場合には、学習後の前記係数を、前記上限閾値と前記下限閾値との中間値に補正し、補正後の前記係数を用いて前記予測値を算出する。
本発明の他の特徴については、添付図面および本明細書の記載により明らかとなる。

The main present invention for solving the above-mentioned problems is a coefficient output that outputs a coefficient indicating an error between an estimated value estimated by a predetermined estimation method based on one or more predetermined parameters and an actual value corresponding to the estimated value. and inputting the predetermined parameters in a predetermined period into a neural network trained based on at least one or more of the predetermined parameters, outputting the coefficients after learning, and outputting the learned coefficients. a prediction unit that calculates a predicted value on the prediction date based on the coefficient after learning and the estimated value estimated by the predetermined estimation method on the prediction date, and the prediction unit calculates the predicted value on the prediction date after learning. If the coefficient is not within a predetermined upper limit threshold and a predetermined lower limit threshold, the coefficient after learning is corrected to an intermediate value between the upper limit threshold and the lower limit threshold, and the coefficient after the correction is The predicted value is calculated using .
Other features of the invention will become apparent from the accompanying drawings and the description of this specification.

本発明によれば、推定値と実測値との誤差を縮小することができるため、予測精度が向上する。 According to the present invention, it is possible to reduce the error between the estimated value and the actually measured value, thereby improving prediction accuracy.

電力システムの構成の一例を示す図である。FIG. 1 is a diagram showing an example of the configuration of a power system. 電力予測システムの構成の一例を示す図である。1 is a diagram illustrating an example of a configuration of a power prediction system. 過去ＤＢの一例を示すテーブルである。This is a table showing an example of past DB. 設備ＤＢの一例を示すテーブルである。It is a table showing an example of equipment DB. 係数ＤＢの一例を示すテーブルである。It is a table showing an example of a coefficient DB. 予測ＤＢの一例を示すテーブルである。It is a table showing an example of a prediction DB. ニューラルネットワークを示す概念図である。FIG. 2 is a conceptual diagram showing a neural network. 予測日を予測する処理の一例を示すフローチャートである。It is a flowchart which shows an example of the process of predicting a prediction date. 積雪係数の一例を示すグラフである。It is a graph which shows an example of a snow accumulation coefficient.

本明細書および添付図面の記載により、少なくとも以下の事項が明らかとなる。以下の説明において、同一符号を付した部分は同一の要素を表し、その基本的な構成および動作は同様であるものとする。 From the description of this specification and the attached drawings, at least the following matters will become clear. In the following description, parts given the same reference numerals represent the same elements, and the basic configuration and operation thereof are assumed to be the same.

＝＝＝電力システム１＝＝＝
図１は、電力システム１の構成の一例を示す図である。電力システム１は、図１に示すように、電力設備１００、気象観測計２００、電力予測システム１０を含んで構成されている。それぞれの構成要素は、ネットワーク４００を介して接続されている。 ===Power system 1===
FIG. 1 is a diagram showing an example of the configuration of a power system 1. As shown in FIG. As shown in FIG. 1, the power system 1 includes a power facility 100, a weather observation meter 200, and a power prediction system 10. Each component is connected via a network 400.

電力設備１００は、例えば送配電設備や発電設備である。以下では、電力設備１００を太陽光発電設備として説明する。太陽光発電設備は、ネットワーク４００を介して電力に関する各種情報を電力予測システム１０に送信する。 The power equipment 100 is, for example, power transmission and distribution equipment or power generation equipment. Below, the electric power facility 100 will be explained as a solar power generation facility. The solar power generation equipment transmits various information regarding power to the power prediction system 10 via the network 400.

気象観測計２００は、気象に関する計測機器であり、例えば日射量計、気温計、風速計を含む。気象観測計２００は、電力予測システム１０に、例えば、日射量を示す日射量情報、気温、風速を示す気温情報を送信する。なお、電力設備１００が例えば風力発電設備である場合、気象観測計２００に風向の計測が含まれていてもよい。気象観測計２００は、電力予測システム１０に対して、ネットワーク４００を介してデジタル信号で各種情報を出力するものであってもよいし、直接アナログ信号で出力するものであってもよい。 The weather observation meter 200 is a measuring device related to weather, and includes, for example, a solar radiation meter, a thermometer, and an anemometer. The weather observation meter 200 transmits to the power prediction system 10, for example, solar radiation amount information indicating the amount of solar radiation, temperature, and temperature information indicating the wind speed. Note that when the power equipment 100 is, for example, a wind power generation equipment, the weather observation meter 200 may include wind direction measurement. The weather observation meter 200 may output various information to the power prediction system 10 in the form of a digital signal via the network 400, or may directly output it in the form of an analog signal.

電力予測システム１０は、電力に関する推定値と実績値との差を示す係数（調整係数）に基づいて、将来における太陽光発電設備の発電出力を予測するシステムである。電力予測システム１０は、気象観測計２００から、日射量情報、気温情報、風速情報など、係数を算出するための情報を取得する。なお、電力予測システム１０が、日射量情報、風速情報、気象情報を、ネットワーク４００を介して気象庁データベース３００から取得するように構成されていてもよい。 The power prediction system 10 is a system that predicts the power generation output of a solar power generation facility in the future based on a coefficient (adjustment coefficient) indicating the difference between an estimated value and an actual value regarding power. The power prediction system 10 acquires information for calculating coefficients, such as solar radiation information, temperature information, and wind speed information, from the weather observation meter 200. Note that the power prediction system 10 may be configured to acquire solar radiation information, wind speed information, and weather information from the Japan Meteorological Agency database 300 via the network 400.

将来における太陽光発電設備１００の発電出力を推定する手法として、気象データ、パネル容量に基づいて推定することが考えられる。しかし、この手法では、気象データが発電出力の計算に影響を及ぼす度合を精度良く定めることが難しいこと、また、パネル容量の大きさに対してパワーコンディショナ容量が小さいことにより生じる過積載やパネルの劣化による発電出力の低下が考慮されていないことなどに起因して、発電出力の推定精度が低下する虞があった。 A possible method for estimating the power generation output of the solar power generation facility 100 in the future is to estimate it based on weather data and panel capacity. However, with this method, it is difficult to accurately determine the degree to which weather data influences the calculation of power generation output, and there are also problems with overloading and panel overloading caused by the small power conditioner capacity compared to the panel capacity. There was a risk that the accuracy of estimating the power generation output would decrease because the reduction in power generation output due to deterioration of the power generation output was not taken into consideration.

これに対して、本実施形態の電力予測システム１０では、発電出力の推定値とその推定値に対応する実績値との誤差を抑制するための係数を該推定値に掛けることにより、発電出力の正確な予測を可能とする。この電力予測システム１０について、以下詳細に説明する。 In contrast, in the power prediction system 10 of the present embodiment, the estimated value of the generated output is multiplied by a coefficient for suppressing the error between the estimated value of the generated output and the actual value corresponding to the estimated value. Enables accurate predictions. This power prediction system 10 will be explained in detail below.

＝＝＝電力予測システム１０＝＝＝
図２は、電力予測システム１０の構成例を示す。図２に示すように、電力予測システム１０は、入力部１１、制御部１２、記憶部１３及び通信部１４を備えている。 ===Power prediction system 10===
FIG. 2 shows a configuration example of the power prediction system 10. As shown in FIG. 2, the power prediction system 10 includes an input section 11, a control section 12, a storage section 13, and a communication section 14.

入力部１１は、電力予測システム１０に対する各種入力を受信する。 The input unit 11 receives various inputs to the power prediction system 10.

制御部１２は、ＣＰＵやＭＰＵなどの演算処理部１２１及びＲＡＭなどのメモリを備えている。演算処理部１２１は、各種入力に基づき、記憶部１３に記憶されているプログラムを実行することで、各種機能部を動作させるものである。このプログラムは、ＣＤＲＯＭなどの記録媒体に記憶され、あるいは、ネットワーク４００を介して配布され、コンピュータにインストールされるものであってもよい。メモリは、電力予測システム１０用プログラムにおいて処理の実行中、演算などに必要な各種情報を、一時的に記憶するためのものである。 The control unit 12 includes an arithmetic processing unit 121 such as a CPU or an MPU, and a memory such as a RAM. The arithmetic processing unit 121 operates various functional units by executing programs stored in the storage unit 13 based on various inputs. This program may be stored in a recording medium such as a CD ROM, or may be distributed via the network 400 and installed on a computer. The memory is used to temporarily store various information necessary for calculations and the like during execution of processing in the power prediction system 10 program.

記憶部１３は、ハードディスクなどの記憶装置によって構成され、制御部１２における処理の実行に必要な各種プログラムや、各種プログラムの実行に必要なデータなどを記録しておくものである。本実施形態では、記憶部１３は、過去データベース（ＤＢ）１３１、設備ＤＢ１３２、係数ＤＢ１３３、予測ＤＢ１３４を有していることが望ましい。なお、一例として各ＤＢをリレーショナル型データベースで示す。 The storage unit 13 is constituted by a storage device such as a hard disk, and records various programs necessary for execution of processing in the control unit 12, data necessary for execution of various programs, and the like. In this embodiment, the storage unit 13 preferably includes a past database (DB) 131, an equipment DB 132, a coefficient DB 133, and a prediction DB 134. Note that each DB is shown as a relational database as an example.

過去ＤＢ１３１には、発電出力の推定値を算出するための過去の実績に関する情報が登録されている。図３に示すように、例えば、過去ＤＢ１３１は、「日時」、「地点」、「日射量」、「気温」、「風速」、「発電出力」、「推定値」を示すフィールドを有している。 The past DB 131 registers information regarding past performance for calculating the estimated value of power generation output. As shown in FIG. 3, for example, the past DB 131 has fields indicating "date and time", "point", "solar radiation", "temperature", "wind speed", "power generation output", and "estimated value". There is.

設備ＤＢ１３２には、発電出力の推定値を算出するための太陽光発電設備１００に関する情報が登録されている。図４に示すように、例えば、設備ＤＢ１３２は、「地点」、「傾斜角度」、「設置方位角度」、太陽光発電設備１００の「種別」、太陽光発電設備１００の「パネル容量」、パワーコンディショナの容量を示す「パワコン容量」、経時変化や損失等を考慮するため設備種別等に応じて汎用的に使用される固定の係数（以下，「固定係数」）を示すフィールドを有している。 Information regarding the solar power generation equipment 100 for calculating the estimated value of power generation output is registered in the equipment DB 132. As shown in FIG. 4, for example, the equipment DB 132 includes "point", "tilt angle", "installation azimuth angle", "type" of the solar power generation equipment 100, "panel capacity" of the solar power generation equipment 100, power It has a field that shows the "power conditioner capacity" that indicates the capacity of the conditioner, and a fixed coefficient (hereinafter referred to as "fixed coefficient") that is commonly used depending on the type of equipment to take into account changes over time, losses, etc. There is.

係数ＤＢ１３３には、推定値と実績値との誤差を示す調整係数が登録されている。図５に示すように、例えば、係数ＤＢ１３３は、「時点」、「実績値」、「推定値」、「調整係数」を示すフィールドを有している。 In the coefficient DB 133, adjustment coefficients indicating the error between the estimated value and the actual value are registered. As shown in FIG. 5, for example, the coefficient DB 133 has fields indicating "time point", "actual value", "estimated value", and "adjustment coefficient".

予測ＤＢ１３４には、推定値から予測値を算出するための補正後の調整係数が登録されている。図６に示すように、例えば、予測ＤＢ１３４は、「予測時点」、「推定値」、「補正後の調整係数」、「予測値」を示すフィールドを有している。 In the prediction DB 134, corrected adjustment coefficients for calculating predicted values from estimated values are registered. As shown in FIG. 6, for example, the prediction DB 134 has fields indicating "prediction time point", "estimated value", "adjustment coefficient after correction", and "predicted value".

通信部１４は、電力予測システム１０を専用回線ＶＰＮまたはネットワーク４００に接続するための通信インタフェースを有する。通信部１４は、例えば、ＬＡＮカード、アナログモデム、ＩＳＤＮモデムなどであり、これらをシステムバス等の伝送路を介して処理部と接続するためのインタフェースである。 The communication unit 14 has a communication interface for connecting the power prediction system 10 to a dedicated line VPN or network 400. The communication unit 14 is, for example, a LAN card, analog modem, ISDN modem, etc., and is an interface for connecting these to the processing unit via a transmission path such as a system bus.

演算処理部１２１は、図２に示すように、機能部として、受付部１２１ａ、推定部１２１ｂ、係数算出部１２１ｃ、学習部１２１ｄ、再学習部１２１ｅ、予測部１２１ｆを備えている。 As shown in FIG. 2, the arithmetic processing unit 121 includes a reception unit 121a, an estimation unit 121b, a coefficient calculation unit 121c, a learning unit 121d, a relearning unit 121e, and a prediction unit 121f as functional units.

本実施形態においては、後述するように、太陽光発電設備１００の発電出力を算出するための傾斜面日射量、気温、風速（所定のパラメータ）と、これらに対応する調整係数とに基づいて機械学習を用いて予測値を算出する。ここで、機械学習には、教師あり学習、教師なし学習、強化学習があり、いずれを用いて予測値を算出してもよいが、本実施形態においては、一例としてニューラルネットワークを用いた教師あり学習による予測値の算出について以下説明する。 In this embodiment, as described later, the machine calculates the power generation output of the solar power generation equipment 100 based on the amount of solar radiation on the slope, the temperature, the wind speed (predetermined parameters), and the adjustment coefficients corresponding to these. Calculate predicted values using learning. Here, machine learning includes supervised learning, unsupervised learning, and reinforcement learning, and any of them may be used to calculate the predicted value, but in this embodiment, as an example, supervised learning using a neural network is used. Calculation of predicted values by learning will be explained below.

受付部１２１ａは、受信した各種データを過去ＤＢ１３１に登録する機能部である。 The receiving unit 121a is a functional unit that registers various received data in the past DB 131.

推定部１２１ｂは、過去ＤＢ１３１に登録されている気象観測データに基づいて、太陽光発電設備１００の発電出力の推定値を算出する機能部である。具体的には、推定部１２１ｂは、例えば、太陽光発電設備１００の、過去の所定の時間における日射量、気温、風速、パネル容量、システム出力係数に基づいて、発電出力の推定値を算出する。発電出力推定値の推定方法は、特に限定されず、一例として以下の式（１）～（４）を用いて推定する手法が考えられる。 The estimating unit 121b is a functional unit that calculates an estimated value of the power generation output of the solar power generation facility 100 based on weather observation data registered in the past DB 131. Specifically, the estimation unit 121b calculates an estimated value of the power generation output of the solar power generation equipment 100 based on the amount of solar radiation, temperature, wind speed, panel capacity, and system output coefficient at a predetermined time in the past, for example. . The method for estimating the power generation output estimate is not particularly limited, and as an example, a method of estimating using the following equations (1) to (4) can be considered.

Ｔｐａ＝Ｔａ＋（Ａ／（Ｂ×Ｖ^０．８＋１）＋２）×Ｇａ－２・・・（１）
（Ｔｐａ：太陽電池パネル温度（℃），Ｔａ：外気温度（℃），Ａ：係数（例えば屋根置き型「５０」），Ｂ：係数（例えば屋根置き型「０．３８」），Ｖ：風速（ｍ／ｓ），Ｇａ：傾斜面日射量（ｋＷ／ｍ^２）） Tpa=Ta+(A/(B×V ^0.8 +1)+2)×Ga-2...(1)
(Tpa: Solar panel temperature (°C), Ta: Outside temperature (°C), A: Coefficient (e.g. “50” for roof-mounted type), B: Coefficient (e.g. “0.38” for roof-mounted type), V: Wind speed (m/s), Ga: Inclined surface solar radiation (kW/m ² ))

Ｋｐｔ＝１＋αｍａｘ×（Ｔｐａ－２５）・・・（２）
（Ｋｐｔ：温度補正係数，αｍａｘ：最大出力温度係数（１／℃），Ｔｐａ：太陽電池パネル温度（℃）） Kpt=1+αmax×(Tpa-25)...(2)
(Kpt: temperature correction coefficient, αmax: maximum output temperature coefficient (1/℃), Tpa: solar panel temperature (℃))

システム出力係数＝Ｋｌｏｓｓ × Ｋｐｔ・・・（３）
（Ｋｌｏｓｓ：経時変化（汚れ，劣化），配線抵抗損失，インバータ損失等を考慮するため設備種別等に応じて汎用的に使用される固定の係数，Ｋｐｔ：温度補正係数） System output coefficient = Kloss × Kpt (3)
(Kloss: A fixed coefficient that is commonly used depending on the type of equipment to take into account changes over time (dirt, deterioration), wiring resistance loss, inverter loss, etc.; Kpt: Temperature correction coefficient)

推定値（Ｐｗ）＝傾斜面日射量（Ｇａ）×システム出力係数×パネル容量・・・（４） Estimated value (Pw) = slope solar radiation (Ga) x system output coefficient x panel capacity... (4)

係数算出部１２１ｃは、所定の時間における、太陽光発電設備１００の発電出力の推定値と、実際に発電した発電出力の実績値と、の誤差を示す調整係数を算出する機能部である。係数算出部１２１ｃで算出される調整係数は、例えば実績値を推定値で除したものであり、システム出力係数の低精度、パネルの過積載などによる推定値の精度の低下を解消するための係数である。係数算出部１２１ｃは、調整係数を係数ＤＢ１３３に登録する。 The coefficient calculation unit 121c is a functional unit that calculates an adjustment coefficient indicating an error between the estimated value of the power generation output of the solar power generation equipment 100 and the actual value of the power generation output actually generated at a predetermined time. The adjustment coefficient calculated by the coefficient calculation unit 121c is, for example, the result obtained by dividing the actual value by the estimated value, and is a coefficient for eliminating a decrease in the accuracy of the estimated value due to low accuracy of the system output coefficient, overloading of panels, etc. It is. The coefficient calculation unit 121c registers the adjustment coefficient in the coefficient DB 133.

係数算出部１２１ｃは、過去ＤＢ１３１から所定の期間における実績値および推定値を取得し、取得した実績値および推定値のうち、パワーコンディショナ容量に所定の係数を掛けた閾値よりも大きいものを抽出する。所定の係数は、例えば太陽光発電設備（パネル）の定格出力に対する、その出力下限を示す割合である。そして、係数算出部１２１ｃは、抽出された実績値および推定値に対応する調整係数を係数ＤＢ１３３から抽出する。このように、発電出力が小さい日の実績値および推定値を除外することにより、太陽光発電設備１００の推定値の誤差が問題となってくる発電出力レベル以上の運転状態での実績値および推定値に基づいて調整係数を算出できるため、予測精度を向上できる。 The coefficient calculation unit 121c acquires actual values and estimated values for a predetermined period from the past DB 131, and extracts those that are larger than a threshold value obtained by multiplying the power conditioner capacity by a predetermined coefficient from among the acquired actual values and estimated values. do. The predetermined coefficient is, for example, a ratio indicating the lower limit of the output to the rated output of the solar power generation equipment (panel). Then, the coefficient calculation unit 121c extracts adjustment coefficients corresponding to the extracted actual values and estimated values from the coefficient DB 133. In this way, by excluding the actual values and estimated values on days when the power generation output is low, the actual values and estimated values in operating conditions above the power generation output level, where errors in the estimated values of the solar power generation equipment 100 become a problem, are excluded. Since the adjustment coefficient can be calculated based on the value, prediction accuracy can be improved.

学習部１２１ｄは、ニューラルネットワークを学習させる機能部である。この学習は、入力データとラベルのペアである訓練データを用いる、教師あり学習である。教師あり学習は、所定の入力データに対する特定の結果を予測するときに用いられる。本実施形態では、例えば、入力データが傾斜面日射量、気温、風速、日時であり、ラベルは入力データに対応する発電出力の実績値を推定値で除した調整係数である。 The learning unit 121d is a functional unit that causes the neural network to learn. This learning is supervised learning that uses training data that is a pair of input data and a label. Supervised learning is used to predict a specific outcome for given input data. In this embodiment, for example, the input data is the amount of solar radiation on the slope, the temperature, the wind speed, and the date and time, and the label is an adjustment coefficient obtained by dividing the actual value of the power generation output corresponding to the input data by the estimated value.

本実施形態では、ニューラルネットワークを隠れ層が一層の多層パーセプトロンとして説明するが、隠れ層が複数層あるものでもよく、単純パーセプトロンであってもよい。以下、隠れ層が一層の多層パーセプトロンのニューラルネットワークについて説明する。 In this embodiment, the neural network will be described as a multilayer perceptron with one hidden layer, but it may be one with multiple hidden layers or a simple perceptron. A multilayer perceptron neural network with one hidden layer will be described below.

図７は、ニューラルネットワークを示す概念図である。図７に示すように、ノード０１～０４は入力データ（入力特徴量）を示す。ノード０１～０４とノード１１，１２，１３とを接続する線は学習された係数（以下、「学習係数」と称する。）（重み）を示す。このノード１１，１２，１３はいわゆる隠れ層である。同様に、ノード１１，１２，１３とノード２１とを接続する線は学習された学習係数（重み）を示す。ノード２１は出力データを示す。出力データは、入力データに対する学習係数（重み）付きの和となる。 FIG. 7 is a conceptual diagram showing a neural network. As shown in FIG. 7, nodes 01 to 04 indicate input data (input feature amounts). Lines connecting nodes 01 to 04 and nodes 11, 12, and 13 indicate learned coefficients (hereinafter referred to as "learning coefficients") (weights). These nodes 11, 12, and 13 are what is called a hidden layer. Similarly, a line connecting nodes 11, 12, 13 and node 21 indicates a learned learning coefficient (weight). Node 21 indicates output data. The output data is the sum of the input data with a learning coefficient (weight).

学習部１２１ｄは、入力データ、ラベルをニューラルネットワークに与え、ラベルと出力データとの誤差が縮小するように学習係数を変更する。このように、学習部１２１ｄは、訓練データの特徴をニューラルネットワークに学習させ、入力データから最適な調整係数を出力するニューラルネットワーク（以下、「学習済みモデル」と称する。）を帰納的に取得する。 The learning unit 121d provides input data and a label to the neural network, and changes the learning coefficient so that the error between the label and the output data is reduced. In this way, the learning unit 121d causes the neural network to learn the characteristics of the training data, and inductively acquires a neural network (hereinafter referred to as a "trained model") that outputs optimal adjustment coefficients from the input data. .

ここで、各層間を伝搬する電気信号を調整する活性化関数は、任意の実数を非線形に変換することができる関数であればよい。例えば、活性化関数は、ハイパボリックタンジェント関数、ＲｅＬＵ関数などである。 Here, the activation function that adjusts the electrical signal propagating between each layer may be any function that can nonlinearly convert any real number. For example, the activation function is a hyperbolic tangent function, a ReLU function, or the like.

学習部１２１ｄは、その時点までの教師あり学習により構築した学習済みモデルを、記憶部に登録する。これにより、後述する再学習部１２１ｅは、学習済みモデルを取得して、ファインチューニングを実行できる。 The learning unit 121d registers the trained model constructed by supervised learning up to that point in the storage unit. Thereby, the relearning unit 121e, which will be described later, can acquire the trained model and perform fine tuning.

再学習部１２１ｅは、学習済みモデルの学習係数を用いてファインチューニングする機能部である。本実施形態においては、学習部１２１ｄで学習する訓練データが例えば一年間のデータであるのに対して、再学習部１２１ｅで学習する訓練データは例えば予測日の直近過去二週間である。このように予測日と同様の気象条件である直近過去の訓練データで再学習させることにより、一年間分の訓練データだけで学習モデルを生成することに比べて予測精度が向上する。 The relearning unit 121e is a functional unit that performs fine tuning using learning coefficients of a trained model. In this embodiment, the training data learned by the learning section 121d is, for example, one year's worth of data, whereas the training data learned by the relearning section 121e is, for example, the most recent past two weeks of the prediction date. In this way, by relearning using training data from the recent past with weather conditions similar to those on the prediction date, prediction accuracy is improved compared to generating a learning model using only one year's worth of training data.

予測部１２１ｆは、学習済みモデルに、所定の期間における傾斜面日射量、気温、風速を入力して、学習後の調整係数を出力し、学習後の調整係数が所定の条件を満たしている場合は、予測日の推定値に学習後の調整係数を掛けて予測値を算出する機能部である。ここで、所定の条件とは、所定の上限閾値と所定の下限閾値との間に収まっていることをいう。このような一定の範囲に収まる学習後の調整係数を用いることにより、異常値を排除できるため、予測精度を向上できる。 The prediction unit 121f inputs the slope solar radiation amount, temperature, and wind speed in a predetermined period into the learned model, outputs a learned adjustment coefficient, and when the learned adjustment coefficient satisfies a predetermined condition. is a functional unit that calculates a predicted value by multiplying the estimated value of the predicted date by the adjustment coefficient after learning. Here, the predetermined condition means that the condition falls between a predetermined upper limit threshold and a predetermined lower limit threshold. By using such a post-learning adjustment coefficient that falls within a certain range, abnormal values can be eliminated, so prediction accuracy can be improved.

予測部１２１ｆは、学習後の調整係数が所定の条件を満たしていない場合は、学習後の調整係数を上限閾値と下限閾値との間に収まるようにさらに補正する。学習後の調整係数の補正は、例えば、学習後の調整係数を上限閾値または下限閾値に補正することや、上限閾値と下限閾値の中間値に補正することである。 If the learned adjustment coefficient does not satisfy a predetermined condition, the prediction unit 121f further corrects the learned adjustment coefficient so that it falls between the upper limit threshold and the lower limit threshold. Correction of the adjustment coefficient after learning is, for example, correcting the adjustment coefficient after learning to an upper threshold value or a lower threshold value, or to an intermediate value between an upper threshold value and a lower threshold value.

＝＝＝電力予測システム１０の動作＝＝＝
図８は、電力予測システム１０の処理の一例を示すフローである。図８を参照しつつ、電力予測システム１０が太陽光発電設備の発電出力の予測値を算出する処理について説明する。 ===Operation of power prediction system 10===
FIG. 8 is a flowchart illustrating an example of processing of the power prediction system 10. With reference to FIG. 8, a process in which the power prediction system 10 calculates a predicted value of the power generation output of the solar power generation equipment will be described.

まず、電力予測システム１０の受付部１２１ａは、気象観測計２００で観測した各種気象データを予め取得し（Ｓ１０）、過去ＤＢ１３１に実績値を登録する（Ｓ１１）。また、電力予測システム１０には、予め設備ＤＢ１３２が構築されている。 First, the reception unit 121a of the power prediction system 10 obtains in advance various weather data observed by the weather observation meter 200 (S10), and registers actual values in the past DB 131 (S11). Moreover, an equipment DB 132 is built in advance in the power prediction system 10.

電力予測システム１０の推定部１２１ｂは、過去ＤＢ１３１の過去の各種気象情報、設備ＤＢ１３２の設備情報に基づいて、太陽光発電設備の発電出力の推定値を算出する。電力予測システム１０は、算出された推定値、該推定値に対応する実績値を係数ＤＢ１３３に登録する（Ｓ１２）。この推定値は、過去における推定値である。 The estimation unit 121b of the power prediction system 10 calculates an estimated value of the power generation output of the solar power generation equipment based on various past weather information in the past DB 131 and equipment information in the equipment DB 132. The power prediction system 10 registers the calculated estimated value and the actual value corresponding to the estimated value in the coefficient DB 133 (S12). This estimated value is an estimated value in the past.

以下においては、理解を容易にするために一例として、図５に示すように、所定の太陽光発電設備１００における、時点１～時点５の実績値がそれぞれ「１０５ｋＷ」「２００ｋＷ」「３２３ｋＷ」「４４１ｋＷ」「５１３ｋＷ」であり、時点１～時点５の推定値がそれぞれ「１５０ｋＷ」「２５０ｋＷ」「３８０ｋＷ」「４９０ｋＷ」「５４０ｋＷ」であるものとして説明する。 In the following, for ease of understanding, as an example, as shown in FIG. 441 kW" and "513 kW," and the estimated values at time points 1 to 5 are "150 kW," "250 kW," "380 kW," "490 kW," and "540 kW," respectively.

電力予測システム１０の係数算出部１２１ｃは、時点１～時点５の調整係数を算出し、それらを係数ＤＢ１３３に登録する（Ｓ１３，Ｓ１４）。具体的には、時点１の調整係数は、時点１の実績値「１０５ｋＷ」を時点１の推定値「１５０ｋＷ」で除した「０．７」である。同様に、時点２の調整係数は「０．８」となり、時点３の調整係数は「０．８５」となり、時点４の調整係数は「０．９」となり、時点５の調整係数は「０．９５」となる。 The coefficient calculation unit 121c of the power prediction system 10 calculates adjustment coefficients from time 1 to time 5, and registers them in the coefficient DB 133 (S13, S14). Specifically, the adjustment coefficient at time 1 is "0.7", which is obtained by dividing the actual value at time 1 "105 kW" by the estimated value at time 1 "150 kW". Similarly, the adjustment coefficient at time 2 is "0.8," the adjustment coefficient at time 3 is "0.85," the adjustment coefficient at time 4 is "0.9," and the adjustment coefficient at time 5 is "0.85." .95".

係数算出部１２１ｃは、係数ＤＢ１３３を参照して、実績値および推定値のうち、所定の条件、すなわち本実施形態ではパワーコンディショナ容量に所定の係数を掛けた閾値よりも大きいものを抽出する（Ｓ１５）。以下、電力予測システム１０は、一例として過去一年分の実績値および推定値を抽出したものとする。なお、過去データは一年分よりも多ければ多いほど望ましい。 The coefficient calculation unit 121c refers to the coefficient DB 133 and extracts, from among the actual values and estimated values, those that are larger than a predetermined condition, that is, in this embodiment, a threshold value obtained by multiplying the power conditioner capacity by a predetermined coefficient ( S15). Hereinafter, it is assumed that the power prediction system 10 extracts actual values and estimated values for the past year, as an example. Note that it is preferable to have more past data than one year's worth.

電力予測システム１０の学習部１２１ｄは、抽出した実績値および推定値に対応する調整係数をラベルとし、該調整係数に対応する傾斜面日射量、気温、風速を入力データとして、ニューラルネットワークを学習させて、学習済みモデルを生成する（Ｓ１６）。なお、学習部１２１ｄは、学習を開始する前にニューラルネットワークに重みを乱数で割り当てる。また、学習部１２１ｄがニューラルネットワークに対する教師あり学習を終了させる条件は、任意に定めることができる。例えば、予め定めておいた日数分だけ教師あり学習を繰り返した場合に、教師あり学習を終了させるようにする。また、ニューラルネットワークの出力データとラベルとの誤差の値が所定値以下となった場合に、教師あり学習を終了させるようにしてもよい。 The learning unit 121d of the power prediction system 10 uses the adjustment coefficients corresponding to the extracted actual values and estimated values as labels, and uses the slope solar radiation, temperature, and wind speed corresponding to the adjustment coefficients as input data to train the neural network. Then, a trained model is generated (S16). Note that the learning unit 121d assigns weights to the neural network using random numbers before starting learning. Furthermore, the conditions under which the learning unit 121d completes supervised learning for the neural network can be arbitrarily determined. For example, when supervised learning is repeated for a predetermined number of days, supervised learning is terminated. Further, the supervised learning may be terminated when the error value between the output data of the neural network and the label becomes less than or equal to a predetermined value.

次に、操作者が、電力予測システム１０に予測日を指定する（Ｓ１７）。 Next, the operator specifies a prediction date to the power prediction system 10 (S17).

電力予測システム１０の再学習部１２１ｅは、学習済みモデルを、予測日の直近二週間程度の訓練データでファインチューニングする（Ｓ１８，Ｓ１９）。これにより、学習済みモデルの予測精度を向上できる。なお、当該訓練データにおいても、係数算出部１２１ｃにおける抽出作業と同様に、実績値および推定値のうち、所定の条件、すなわち本実施形態ではパワーコンディショナ容量に所定の係数を掛けた閾値よりも大きいものを抽出して用いる。 The relearning unit 121e of the power prediction system 10 fine-tunes the learned model using training data from the most recent two weeks before the prediction date (S18, S19). Thereby, the prediction accuracy of the trained model can be improved. Note that in the training data as well, similarly to the extraction work in the coefficient calculation unit 121c, among the actual value and estimated value, the value is lower than a predetermined condition, that is, in this embodiment, a threshold value obtained by multiplying the power conditioner capacity by a predetermined coefficient. Extract and use the large ones.

電力予測システム１０の予測部１２１ｆは、再学習した学習済みモデルに予測日の傾斜面日射量、気温、風速を入力して、学習後の調整係数を算出する（Ｓ２０）。 The prediction unit 121f of the power prediction system 10 inputs the slope solar radiation amount, temperature, and wind speed on the prediction day to the re-learned model, and calculates a post-learning adjustment coefficient (S20).

予測部１２１ｆは、学習後の調整係数が所定の上限閾値と、所定の下限閾値との間に収まっているか否かを判定する（Ｓ２１）。以下、一例として上限閾値を「０．９５」とし下限閾値を「０．８５」として説明する。予測部１２１ｆは、図６に示すように、学習後の調整係数が「０．９」である場合、範囲内であると判定する。ここで、例えば、学習後の調整係数が「０．８」である場合、予測部１２１ｆは、学習後の調整係数が範囲外であると判定し、学習後の調整係数を下限閾値「０．８５」に補正する。また、例えば、学習後の調整係数が「０．９８」である場合、予測部１２１ｆは、学習後の調整係数が範囲外であると判定し、学習後の調整係数を上限閾値「０．９５」に補正する。なお、学習後の調整係数を下限閾値または上限閾値に補正するように説明したが、下限閾値と上限閾値との間に収まるように補正してもよい。 The prediction unit 121f determines whether the adjusted coefficient after learning falls between a predetermined upper limit threshold and a predetermined lower limit threshold (S21). Hereinafter, as an example, an explanation will be given assuming that the upper limit threshold is "0.95" and the lower limit threshold is "0.85". As shown in FIG. 6, the prediction unit 121f determines that when the adjusted coefficient after learning is "0.9", it is within the range. Here, for example, when the adjustment coefficient after learning is "0.8", the prediction unit 121f determines that the adjustment coefficient after learning is outside the range, and sets the adjustment coefficient after learning to the lower limit threshold "0.8". 85”. Further, for example, when the adjustment coefficient after learning is "0.98", the prediction unit 121f determines that the adjustment coefficient after learning is outside the range, and sets the adjustment coefficient after learning to the upper limit threshold "0.98". ”. Although it has been described that the adjustment coefficient after learning is corrected to the lower limit threshold value or the upper limit threshold value, it may be corrected so that it falls between the lower limit threshold value and the upper limit threshold value.

電力予測システム１０の推定部１２１ｂは、所定の太陽光発電設備１００についての指定された予測日における推定値を算出する（Ｓ２２）。予測部１２１ｆは、算出された推定値に学習後の調整係数を乗じて、予測日の予測値を算出する（Ｓ２３）。予測部１２１ｆは、予測値を予測ＤＢ１３４に登録する（Ｓ２４）。 The estimating unit 121b of the power prediction system 10 calculates an estimated value for a predetermined solar power generation facility 100 on a specified prediction date (S22). The prediction unit 121f multiplies the calculated estimated value by the learned adjustment coefficient to calculate a predicted value for the predicted date (S23). The prediction unit 121f registers the predicted value in the prediction DB 134 (S24).

＝＝＝他の実施形態＝＝＝
予測部１２１ｆは、上述したように推定値に調整係数を乗じて予測値を算出しているが、さらに、太陽光発電設備１００のパネル上の積雪による発電出力の減少を反映するための積雪係数を乗じてもよい。積雪係数は、例えば図９に示されるような値を示す。図９は、例えば縦軸を「積雪係数」とし横軸を「積雪深」とする座標である。図９に示すように、積雪係数は、所定の積雪深（ＬおよびＨ）の間で、積雪深が大きくなるにつれて積雪係数が小さくなる。予測部１２１ｆは、過去の所定の時間以内に積雪があったか否かを判定し、積雪がないと判定した場合は、パネル上に積雪がないと判定し、積雪係数を「１」とする。積雪があると判定した場合は、パネル上に積雪があると判定し、予測部１２１ｆは、例えば現在又は将来の時点における積雪深情報、気象情報、設備情報および定数情報から統計的手法を用いて、積雪係数を算出する。 ===Other embodiments===
The prediction unit 121f calculates the predicted value by multiplying the estimated value by the adjustment coefficient as described above, but also calculates the predicted value by multiplying the estimated value by the adjustment coefficient. You can also multiply by The snow accumulation coefficient shows a value as shown in FIG. 9, for example. FIG. 9 shows coordinates in which, for example, the vertical axis is the "snow accumulation coefficient" and the horizontal axis is the "snow depth." As shown in FIG. 9, the snow accumulation coefficient becomes smaller as the snow depth increases between predetermined snow depths (L and H). The prediction unit 121f determines whether or not there was snowfall within a predetermined time in the past, and if it is determined that there is no snowfall, it determines that there is no snowfall on the panel and sets the snowfall coefficient to "1". If it is determined that there is snowfall, it is determined that there is snowfall on the panel, and the prediction unit 121f uses a statistical method, for example, from snow depth information, weather information, equipment information, and constant information at the current or future time. , calculate the snow accumulation coefficient.

また、予測部１２１ｆは、上述したように算出された予測値から太陽光発電設備１００で消費される自己消費分の電力を差し引いて、予測値を算出してもよい。 Further, the prediction unit 121f may calculate the predicted value by subtracting the self-consumption power consumed by the solar power generation equipment 100 from the predicted value calculated as described above.

また、所定の電力設備１００を、太陽光発電設備１００として説明したが、風力発電設備や電力需要設備などであってもよい。つまり、推定値を算出し、所定の条件を満たした推定値、実績値を用いて調整係数を算出し、ニューラルネットワークを用いて学習後の調整係数を算出することにより、予測値を算出できる設備であればよい。 Furthermore, although the predetermined power equipment 100 has been described as the solar power generation equipment 100, it may also be a wind power generation equipment, power demand equipment, or the like. In other words, equipment that can calculate predicted values by calculating estimated values, calculating adjustment coefficients using estimated values and actual values that meet predetermined conditions, and calculating adjustment coefficients after learning using a neural network. That's fine.

また、図１，図２では、電力予測システム１０が一の装置で構成されているように示したが、これに限定されない。電力予測システム１０は、複数の装置で構成されていてもよく、また、クラウド上に構成されていてもよい。 Further, although the power prediction system 10 is shown as being configured with one device in FIGS. 1 and 2, the present invention is not limited to this. The power prediction system 10 may be configured with a plurality of devices, or may be configured on the cloud.

また、電力予測システム１０は、太陽光発電設備１００の発電出力の推定値と実績値との差を示す係数（調整係数）に基づいて、将来における太陽光発電設備１００の発電出力を予測するシステムであるとして説明したが、これに限定されない。当該システムは、推定値と実績値を取得できるものであればよく、例えば、電力需要設備や電力消費設備などの電力設備全般、あるいは、製造設備による製造物の個数を予測するシステムであってもよい。 Further, the power prediction system 10 is a system that predicts the power generation output of the solar power generation equipment 100 in the future based on a coefficient (adjustment coefficient) indicating the difference between the estimated value of the power generation output of the solar power generation equipment 100 and the actual value. Although the description has been made assuming that this is the case, it is not limited to this. The system may be anything that can obtain estimated values and actual values; for example, it may be a system that predicts the number of products manufactured by general electric power equipment such as power demand equipment and power consumption equipment, or manufacturing equipment. good.

また、学習部１２１ｄは、傾斜面日射量、気温、風速を入力データとしてニューラルネットワークを学習させるように説明したが、これに限定されず、湿度や天候など多様なパラメータを入力データとしてニューラルネットワークを学習させてもよい。 In addition, although it has been explained that the learning unit 121d trains the neural network by using input data such as slope solar radiation, temperature, and wind speed, the learning unit 121d is not limited to this, and trains the neural network by using various parameters such as humidity and weather as input data. You can also let them learn.

また、学習部１２１ｄは、入力データを正規化して０～１の範囲に変換して用いてもよい。正規化では、それぞれの特徴量を同じ特徴量の最大値で割る。これにより、それぞれの特徴量間のスケールの違いを合わせることができる。 Further, the learning unit 121d may normalize the input data and convert it into a range of 0 to 1 for use. In normalization, each feature is divided by the maximum value of the same feature. This makes it possible to match the difference in scale between the respective feature amounts.

また、学習部１２１ｄは、各特徴量（入力データ）の平均を「０」、分散を「１」にするように、入力データを標準正規分布に従うように変換してもよい。このように各特徴量の分散をそろえておくことで、それぞれの特徴量の動きに対する感度を平等に見ることができる。 Further, the learning unit 121d may convert the input data to follow a standard normal distribution so that the average of each feature quantity (input data) is "0" and the variance is "1". By aligning the variance of each feature in this way, the sensitivity to movement of each feature can be viewed equally.

また、学習部１２１ｄは、日時を入力することにより一つのニューラルネットワークのモデルを構築するように説明したが、予測時刻別の学習済みモデル、例えば、１時間毎に予測する場合、１２：００の予測には１２：００の学習済みモデル、１３：００の予測には１３：００の学習済みモデルというように、時刻毎に学習済みモデルを構築してもよい。これにより、他の時刻の入力値が当該時刻の予測値へ与える影響を軽減できる。 In addition, although it has been explained that the learning unit 121d constructs one neural network model by inputting the date and time, if the learning unit 121d constructs a model of one neural network by inputting the date and time, for example, when predicting every hour, A trained model may be constructed for each time, such as a 12:00 trained model for prediction and a 13:00 trained model for 13:00 prediction. This makes it possible to reduce the influence of input values at other times on the predicted value at that time.

＝＝＝まとめ＝＝＝
本実施形態に係る電力予測システム１０は、一以上の所定のパラメータ（日射量、気温、風速など）に基づき所定の推定方法で推定した推定値と、推定値に対応する実績値と、の誤差を示す係数を出力する係数出力部１２１ｃと、所定のパラメータのうち少なくとも一以上の所定のパラメータ（日射量、気温、風速など）に基づき学習がなされたニューラルネットワークに、所定の期間における所定のパラメータを入力して、学習後の調整係数を出力し、出力された学習後の調整係数と、予測日の推定値と、に基づいて、予測日における予測値を算出する予測部１２１ｆと、を備える。これにより、推定値と実績値との誤差を低減することができる。 ===Summary===
The power prediction system 10 according to the present embodiment has an error between an estimated value estimated by a predetermined estimation method based on one or more predetermined parameters (solar radiation, temperature, wind speed, etc.) and an actual value corresponding to the estimated value. A coefficient output unit 121c that outputs a coefficient representing a prediction unit 121f that inputs a learned adjustment coefficient, outputs a learned adjustment coefficient, and calculates a predicted value on the predicted date based on the outputted learned adjustment coefficient and the estimated value on the predicted date. . Thereby, the error between the estimated value and the actual value can be reduced.

また、本実施形態に係る電力予測システム１０は、推定値と、推定値に対応する実績値と、の誤差を示す学習後の調整係数を出力するべく、推定値の算出に用いた所定のパラメータのうち少なくとも一以上のパラメータに基づきニューラルネットワークを学習させる学習部１２１ｄをさらに備える。これにより、ニューラルネットワークを迅速、効率的に学習させることができる。 In addition, the power prediction system 10 according to the present embodiment uses a predetermined parameter used to calculate the estimated value in order to output a learned adjustment coefficient indicating an error between the estimated value and the actual value corresponding to the estimated value. It further includes a learning unit 121d that causes the neural network to learn based on at least one or more of the parameters. This allows the neural network to learn quickly and efficiently.

また、本実施形態に係る電力予測システム１０は、所定の期間において、学習部１２１ｄで学習されたニューラルネットワークを、所定の期間よりも短い期間における所定のパラメータに基づきファインチューニングする再学習部１２１ｅをさらに備える。これにより、学習部１２１ｄによる学習済みモデルを再学習させるため予測精度が向上する。 The power prediction system 10 according to the present embodiment also includes a relearning unit 121e that fine-tunes the neural network learned by the learning unit 121d in a predetermined period based on predetermined parameters in a period shorter than the predetermined period. Be prepared for more. As a result, the model trained by the learning unit 121d is re-trained, so that prediction accuracy is improved.

また、本実施形態に係る電力予測システム１０の係数算出部１２１ｃは、電力設備１００における、所定の推定方法で推定した電力に関する推定値と、推定値に対応する実績値と、の誤差を示す係数を算出する。これにより、設備劣化や気象条件に影響を受けやすい電力設備の出力を予測することで、電力系統の安定運転が可能となる。 The coefficient calculation unit 121c of the power prediction system 10 according to the present embodiment also calculates a coefficient that indicates an error between the estimated value of power estimated by a predetermined estimation method in the power equipment 100 and the actual value corresponding to the estimated value. Calculate. This enables stable operation of the power system by predicting the output of power equipment that is susceptible to equipment deterioration and weather conditions.

また、本実施形態に係る電力予測システム１０が発電出力を予測する所定の電力設備１００は、太陽光発電設備であり所定のパラメータには少なくとも日射量を含む。これにより、自然エネルギーによる発電設備における推定値と実績値との差を低減することができる。 Further, the predetermined power equipment 100 whose power generation output is predicted by the power prediction system 10 according to the present embodiment is a solar power generation equipment, and the predetermined parameters include at least the amount of solar radiation. Thereby, it is possible to reduce the difference between the estimated value and the actual value in power generation equipment using natural energy.

また、本実施形態に係る電力予測システム１０の予測部１２１ｆは、学習後の調整係数と、予測日の推定値と、所定の電力設備１００のパネル上の積雪による影響を示す積雪係数と、に基づいて、予測日における予測値を算出する。これにより、パネル上の積雪を考慮して予測値を算出するため、より正確な予測値を算出することができる。 The prediction unit 121f of the power prediction system 10 according to the present embodiment also uses the adjusted coefficient after learning, the estimated value of the prediction date, and the snow accumulation coefficient indicating the influence of snow accumulation on the panel of the predetermined power equipment 100. Based on this, the predicted value on the predicted date is calculated. As a result, the predicted value is calculated in consideration of the snowfall on the panel, so it is possible to calculate a more accurate predicted value.

また、本実施形態に係る電力予測システム１０の係数算出部１２１ｃは、推定値のうち所定の閾値以上の推定値を抽出し、実績値のうち所定の閾値以上の実績値を抽出し、抽出された推定値と実績値との誤差を示す係数を算出する。これにより、所定の電力設備１００の推定値の誤差が問題となってくる発電出力レベル以上の運転状態での推定値、実績値を用いて予測するため、推定値と実績値との誤差をより低減することができる。 Furthermore, the coefficient calculation unit 121c of the power prediction system 10 according to the present embodiment extracts estimated values that are equal to or greater than a predetermined threshold value from among the estimated values, extracts actual values that are equal to or greater than a predetermined threshold value from among the actual values, and A coefficient indicating the error between the estimated value and the actual value is calculated. As a result, since predictions are made using estimated values and actual values in operating conditions above the power generation output level, where errors in the estimated values of the predetermined power equipment 100 become a problem, the error between the estimated values and the actual values can be reduced. can be reduced.

尚、上記の実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。本発明は、その趣旨を逸脱することなく、変更、改良され得るとともに、本発明にはその等価物も含まれる。 Note that the above embodiments are for facilitating understanding of the present invention, and are not intended to be interpreted as limiting the present invention. The present invention may be modified and improved without departing from the spirit thereof, and the present invention also includes equivalents thereof.

１０電力予測システム
１００電力設備
１２１ｃ係数算出部
１２１ｄ学習部
１２１ｅ再学習部
１２１ｆ予測部 10 Power prediction system 100 Power equipment 121c Coefficient calculation unit 121d Learning unit 121e Relearning unit 121f Prediction unit

Claims

a coefficient output unit that outputs a coefficient indicating an error between an estimated value estimated by a predetermined estimation method based on one or more predetermined parameters and an actual value corresponding to the estimated value;
The predetermined parameters in a predetermined period are input to a neural network that has been trained based on at least one of the predetermined parameters, and the coefficients after learning are output. a prediction unit that calculates a predicted value on the predicted date based on the coefficient and the estimated value estimated by the predetermined estimation method on the predicted date;
Equipped with
When the coefficient after learning is not within a predetermined upper limit threshold and a predetermined lower limit threshold, the prediction unit sets the coefficient after learning to an intermediate value between the upper limit threshold and the lower limit threshold . A prediction system characterized in that the predicted value is calculated using the corrected coefficient.

The neural network is configured based on at least one of the predetermined parameters to output the coefficient indicating the error between the estimated value estimated by the predetermined estimation method and the actual value corresponding to the estimated value. The prediction system according to claim 1, further comprising a learning section that learns.

3. The neural network according to claim 2, further comprising: a re-learning section that fine-tunes the neural network trained by the learning section in a predetermined period based on the predetermined parameters in a period shorter than the predetermined period. Prediction system described.

The coefficient output unit outputs a coefficient indicating an error between an estimated value of electric power estimated by a predetermined estimation method in electric power equipment and an actual value corresponding to the estimated value. The prediction system according to claim 3.

The power equipment is a solar power generation equipment,
The prediction system according to claim 4, wherein the predetermined parameter includes at least solar radiation amount information indicating solar radiation amount.

The prediction unit performs the prediction based on the learned coefficient, the estimated value estimated by the predetermined estimation method on the prediction date, and a snow accumulation coefficient indicating the influence of snow accumulation on the panel of the power equipment. The prediction system according to claim 4, wherein the prediction system calculates a daily predicted value.

The coefficient calculation unit extracts estimated values that are equal to or higher than a predetermined threshold from among the estimated values estimated by the predetermined estimation method, extracts the actual values that are equal to or greater than a predetermined threshold from among the actual values, and The prediction system according to any one of claims 1 to 6, wherein a coefficient indicating an error between the estimated value and the actual value is output.

a coefficient output step of outputting a coefficient indicating an error between the estimated value estimated by the computer using a predetermined estimation method based on one or more predetermined parameters and the actual value corresponding to the estimated value;
The predetermined parameters in a predetermined period are input to a neural network that has been trained based on at least one predetermined parameter among the predetermined parameters, and the coefficients after learning are output, and the output after learning is performed. a prediction step of calculating a predicted value on the prediction date based on the coefficient of , and the estimated value estimated by the predetermined estimation method on the prediction date;
A prediction method that realizes
In the prediction step, if the learned coefficient does not fall between the predetermined upper limit threshold and the predetermined lower limit threshold, the computer adjusts the learned coefficient to the upper limit threshold and the lower limit threshold. The predicted value is calculated using the corrected coefficient.