JP7407815B2 - 太陽光発電を推定および予測するための技法 - Google Patents

太陽光発電を推定および予測するための技法 Download PDF

Info

Publication number
JP7407815B2
JP7407815B2 JP2021526196A JP2021526196A JP7407815B2 JP 7407815 B2 JP7407815 B2 JP 7407815B2 JP 2021526196 A JP2021526196 A JP 2021526196A JP 2021526196 A JP2021526196 A JP 2021526196A JP 7407815 B2 JP7407815 B2 JP 7407815B2
Authority
JP
Japan
Prior art keywords
solar power
power generation
clusters
systems
meter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2021526196A
Other languages
English (en)
Other versions
JP2021531725A (ja
Inventor
レミントン クラーク,
ジェフ バークハイマー,
Original Assignee
サクラメント ミュニシパル ユーティリティ ディストリクト
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by サクラメント ミュニシパル ユーティリティ ディストリクト filed Critical サクラメント ミュニシパル ユーティリティ ディストリクト
Publication of JP2021531725A publication Critical patent/JP2021531725A/ja
Application granted granted Critical
Publication of JP7407815B2 publication Critical patent/JP7407815B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/042Knowledge-based neural networks; Logical representations of neural networks
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02SGENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W1/00Meteorology
    • G01W1/10Devices for predicting weather conditions
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W1/00Meteorology
    • G01W1/12Sunshine duration recorders
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00Energy generation through renewable energy sources
    • Y02E10/50Photovoltaic [PV] energy
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00Energy generation through renewable energy sources
    • Y02E10/50Photovoltaic [PV] energy
    • Y02E10/56Power conversion systems, e.g. maximum power point trackers
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Photovoltaic Devices (AREA)

Description

(関連出願の相互参照)
本特許出願は、両方とも参照することによってそれらの全体として本明細書に組み込まれる、2018年7月19日に出願された米国仮特許出願第62/700,728号の優先権を主張する、2019年1月23日に出願された米国特許出願第16/255,604号の継続である。
本開示は、太陽光発電システムの太陽光発電を推定および予測するための技法に関する。
太陽光発電システムは、化石燃料エネルギー源を使用することなく、典型的には、光電池または集光型太陽光発電を使用して、日光からのエネルギーを電気に変換する。太陽光発電の不利点は、太陽光発電システムの電力出力が、太陽光発電システムに影響を及ぼす日光の量の変動に基づいて変化することである。太陽光発電システムに影響を及ぼす日光の量は、時季、時刻、気象条件、太陽電池上の埃、太陽光発電システムの経年、および他の要因に基づいて変化する。
上記に議論される理由により、電気事業者が、太陽光発電システムが配電システム(配電網とも呼ばれる)に提供するであろう電力出力の量を予測することは、困難であり得る。太陽光発電システムの電力出力を予測することは、通常、可変気象条件が太陽光発電に有意に影響を及ぼさない晴天日に、より正確である。晴天日の太陽光発電を妨げ得る要因は、例えば、熱、埃、太陽光発電システムの劣化、および太陽光発電システムの位置を含む。太陽光発電を予測することは、曇天日により困難になる。曇天日に、太陽光発電はまた、直射日光が1日の種々の時間に太陽光発電システムに影響を及ぼさないように阻止する、雲に基づいて変動する。雲は、予測不可能である。いくつかの予測システムは、特定の雲が進行するであろう方向を判定しようとするために、風速、雲の高さ、太陽の位置、および雲の影の投影とともに、衛星画像を使用する。気象ベースの予測は、衛星画像を受信することの待ち時間、および第三者気象サービスが予測放射照度モデルを生成するためのコストを含む、電気事業者にとっての不利点を有する。
本明細書に開示される、いくつかの実施形態によると、太陽光発電推定および予測システム(SPEFS)が、太陽光発電システムのクラスタ内のベルウェザーメータを使用し、現在の太陽光発電の推定および太陽光発電システムの将来の太陽光発電の予測を発生させる。太陽光発電システムは、電気事業者によって制御される配電システム(EDS)に接続される。これらの実施形態は、第三者気象サービスプロバイダが太陽光発電のための予測放射照度モデルを生成する必要性を排除し得る。代わりに、電気事業者が、太陽光発電推定および予測を制御することができる。
いくつかの実施形態では、配電システム(EDS)に接続される太陽光発電システムを有する、各顧客用地がまた、正味電気メータおよび/または太陽源電気メータを有してもよい。正味電気メータは、顧客用地における任意の太陽光発電システムによってEDSに提供される全電力を減算するとともに、EDSから顧客用地に提供される全電力を記録する。太陽源電気メータ(本明細書では太陽源メータとも称される)は、顧客用地における太陽光発電システムの発電出力を記録する。太陽源メータはまた、配電システム内の放射照度メータとして使用されることもできる。
太陽光発電推定および予測システム(SPEFS)は、ユーザが、配電システムの局所地域内の太陽光発電システムのクラスタの数を定義することを可能にする。ユーザは、より正確な予測モデルを発生させるために、SPEFSにより多くのクラスタを発生させることができる。これらのクラスタに基づいて、SPEFSは、各クラスタ内の最も代表的な太陽源メータを判定し、次いで、ベルウェザーメータとして、その代表的な太陽源メータを使用する。SPEFSは、ベルウェザーメータによって監視される太陽光発電システムの太陽光発電の頻繁な更新を受信することができる。配電システムの全体を通したベルウェザーメータは、太陽光発電システムの現在の電力出力の推定を作成するために使用される。ベルウェザーメータはまた、太陽光発電の初期の1日先の予測および/または短期予測(例えば、1~15分の範囲内)を作成するためにも使用される。ベルウェザーメータからの太陽光発電データは、各クラスタ内の太陽放射照度値に関する読取値を生じさせるために使用される。その個別のクラスタへの各ベルウェザーメータの関係に基づいて、その個別のクラスタ内の他の太陽源メータの全てからの太陽光発電が、推定され、太陽光発電の更新された近リアルタイム(例えば、1~15分先の)予測を与えられる。太陽光発電システムの各クラスタ内の太陽光発電の集合体を用いて、各クラスタ内の各個々の太陽光発電システムの正確な表現が、予測および推定の分布を伴って生成されることができる。
したがって、SPEFSは、ベルウェザーメータからのリアルタイム太陽光発電データを使用し、太陽光発電予測および太陽光発電システムの現在の電力出力の推定を作成することができる。SPEFSは、リアルタイム太陽光発電データを使用して、配電システムの局所地域を通した予測雲移動に基づいて、太陽光発電推定および予測を修正することができる。SPEFSは、ベルウェザーメータからのリアルタイム太陽光発電データのスナップショットに基づいて、太陽光発電の予測を行い、ベルウェザーメータからのリアルタイム太陽光発電データに基づいて、各クラスタ内の太陽光発電システムの全ての太陽光発電傾斜率を判定することができる。
いくつかの実施形態では、現在の太陽光発電の推定および将来の太陽光発電の予測を発生させるために使用される配電システム(EDS)内の唯一の太陽源メータは、ベルウェザーメータである。これらの実施形態では、電気事業者が、選択された顧客用地におけるベルウェザーメータとして、各クラスタ内に1つだけの太陽源メータを方略的に展開することを選定することができる。ベルウェザーメータとして、各クラスタ内に1つだけの太陽源メータを展開することによって、電気事業者が、EDS内で太陽光発電システムを有する各顧客用地に太陽源メータを展開するコストを回避することができる。代わりに、電気事業者が、ベルウェザーメータとして、はるかに少ない数の太陽源メータを展開し、極めて正確な太陽光発電推定および予測を達成することができる。
本明細書に開示される、いくつかの実施形態によると、SPEFSが、配電システム内の太陽光発電システムの集合体に関して、現在の太陽光発電の極めて正確な推定および将来の太陽光発電の予測を発生させることができる。限定的であることを意図していない実施例として、SPEFSは、晴天日に少なくとも98%正確であり、曇天日に少なくとも90%正確である、配電システムに関する太陽光発電予測を発生させることができる。太陽光発電予測が、個々の太陽光発電システムのレベルまで分配されるとき、予測の正確度は、+-10%以内であり得る。太陽光発電推定および予測は、個々の太陽源メータの正確度にかかわらず、配電システム全体に関して極めて正確である。SPEFSは、第三者気象予報サービスが予測分析を起動する必要性を排除することができる。ベルウェザーメータからのリアルタイムデータが、太陽光発電予測および推定を後方伝搬および自動補正するために曇天日に使用されるため、SPEFSは、気象予報よりもはるかに速く推定および予測を発生させることができる。
いくつかの実施形態では、SPEFSは、人工ニューラルネットワーク(ANN)を使用し、配電システム(EDS)上の太陽光発電を予測する。SPEFSはまた、履歴負荷消費パターンと並行して、多くの他の要因とともに、気象、温度、露点、湿度の関係を学習し、1日先の予測を作成する、アルゴリズムを含むこともできる。平均絶対百分率誤差(MAPE)が、次いで、非常に短期の予測(例えば、1分~1時間先)および/または1日先の予測を発生させるように評価される。
本明細書に開示される、いくつかの実施形態によると、ボトムアップアプローチが、個々の太陽光発電システムまでマイクロレベルで太陽光発電予測を発生させ、総計し、配電システム(EDS)の全体を通して太陽光発電の予測を作成するために使用される。ベルウェザー太陽源メータからのデータを使用して、MAPEは、実施例として、約50キロワット時間(kWh)における住居レベルで、96%正確度に収束し得る。本技法は、晴天日および極めて可変の曇天日に関して2層アプローチで太陽光発電を予測することに適用されることができる。機械学習が、太陽光発電システムのクラスタを生じさせ、比較的に高い正確度でクラスタ毎に太陽光発電を予測するために、使用される。本予測モデルを用いると、予測太陽光発電が、EDS上の状態推定を支援するように、各個々の太陽光発電システムに分配される。
本発明は、例えば、以下の項目を提供する。
(項目1)
少なくとも1つのプロセッサデバイスを備えるコンピュータシステムであって、前記コンピュータシステムは、
電力を配電システムに提供する太陽光発電システムを前記太陽光発電システムのクラスタに群化することであって、前記クラスタはそれぞれ、前記太陽光発電システムの異なるサブセットを備える、ことと、
ベルウェザーメータとして、前記クラスタのうちの個別のものを代表する前記クラスタのそれぞれの中の太陽源メータを識別することであって、前記ベルウェザーメータはそれぞれ、前記クラスタのうちの1つの中の前記太陽光発電システムのうちの1つの電力出力を監視する、ことと、
前記ベルウェザーメータから太陽光発電データを受信することと、
前記クラスタのうちの個別のものの中の前記ベルウェザーメータからの前記太陽光発電データを使用して、前記太陽光発電システムのクラスタ毎に太陽光発電予測を発生させることと
を行うように構成される、コンピュータシステム。
(項目2)
前記コンピュータシステムはさらに、前記クラスタのうちの個別のものの中の前記太陽光発電システムの一意の特徴に基づいて、前記ベルウェザーメータのそれぞれから受信される履歴晴天日太陽光発電データを調節し、前記クラスタのうちの個別のものの中の前記太陽光発電システムに関して晴天日太陽光発電推定を発生させるように構成される、項目1に記載のコンピュータシステム。
(項目3)
前記コンピュータシステムはさらに、前記クラスタのうちの個別のもの毎の前記太陽光発電システムに関する前記晴天日太陽光発電推定および前記ベルウェザーメータのうちの各個別のものからの前記履歴晴天日太陽光発電データをともに加算し、前記クラスタのうちの個別のもの毎に基準値を発生させるように構成される、項目2に記載のコンピュータシステム。
(項目4)
前記コンピュータシステムはさらに、入力として、前記クラスタのうちの個別のもの毎の基準値および前記ベルウェザーメータのうちの各個別のものからのリアルタイム太陽光発電データを受信する人工ニューラルネットワークを使用して、前記太陽光発電システムのクラスタ毎に前記太陽光発電予測を発生させるように構成される、項目3に記載のコンピュータシステム。
(項目5)
前記コンピュータシステムはさらに、個別のベルウェザーメータとして、前記クラスタのうちの個別のものの重心の近傍にある前記クラスタのそれぞれの中の太陽源メータを識別するように構成され、
前記コンピュータシステムは、前記ベルウェザーメータ以外の前記クラスタ内の太陽源メータから受信されるデータを使用することなく、曇天日に前記太陽光発電システムのクラスタ毎に前記太陽光発電予測を発生させる、
項目1に記載のコンピュータシステム。
(項目6)
前記コンピュータシステムはさらに、前記ベルウェザーメータからの前記太陽光発電データおよび前記太陽光発電システムの一意の特徴を使用して、前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させるように構成され、前記一意の特徴は、前記太陽光発電システムのそれぞれの最大電力出力、方位角、モデル、陰影、傾転、および追跡能力のうちの少なくとも1つを備える、項目1に記載のコンピュータシステム。
(項目7)
前記コンピュータシステムはさらに、
前記クラスタのうちの個別のものの中の前記太陽光発電システムの一意の特徴に基づいて、前記クラスタのそれぞれの中の前記ベルウェザーメータから受信される以前の晴天日に関する履歴太陽光発電データを調節し、前記太陽光発電システムに関する晴天日基準値を発生させることと、
1日の各時間間隔における前記ベルウェザーメータのそれぞれからのリアルタイム太陽光発電データを、前記1日の対応する時間間隔における前記ベルウェザーメータのうちの個別のものからの前記履歴太陽光発電データで除算し、前記1日の時間間隔毎に曇天日率を発生させることと
を行うように構成される、項目1に記載のコンピュータシステム。
(項目8)
前記コンピュータシステムはさらに、前記クラスタのそれぞれの中の前記太陽光発電システムに関する前記晴天日基準値を、前記時間間隔のうちの現在のものにおいて前記クラスタのうちの個別のものの中の前記ベルウェザーメータに関して発生される前記曇天日率で乗算し、前記クラスタ内の前記太陽光発電システムの現在の太陽光発電の推定を発生させるように構成される、項目7に記載のコンピュータシステム。
(項目9)
コンピュータシステム内のプロセッサ上で実行可能な命令を記憶する非一過性のコンピュータ可読記憶媒体であって、前記実行可能命令は、
電力を配電システムに提供する太陽光発電システムを前記太陽光発電システムのクラスタに群化するように実行可能な命令であって、前記クラスタはそれぞれ、前記太陽光発電システムの異なるサブセットを備える、命令と、
ベルウェザーメータとして、前記クラスタのうちの個別のものを代表する前記クラスタのそれぞれの中の太陽源メータを使用するように実行可能な命令であって、前記ベルウェザーメータはそれぞれ、前記クラスタのうちの1つの中の前記太陽光発電システムのうちの1つの電力出力を監視する、命令と、
前記ベルウェザーメータから太陽光発電データを受信するように実行可能な命令と、
前記ベルウェザーメータから受信される前記太陽光発電データを使用して、前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な命令と
を備える、非一過性のコンピュータ可読記憶媒体。
(項目10)
前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な前記命令はさらに、前記太陽光発電システムの最大電力出力、方位角、モデル、陰影、傾転、および追跡能力のうちの少なくとも1つを含む前記太陽光発電システムの一意の特徴を使用して、前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な命令を備える、項目9に記載の非一過性のコンピュータ可読記憶媒体。
(項目11)
前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な前記命令はさらに、前記クラスタのうちの個別のもののそれぞれの中の前記太陽光発電システムの一意の特徴に基づいて、前記クラスタのそれぞれの中の前記ベルウェザーメータから受信される履歴晴天日太陽光発電データを調節し、前記太陽光発電システムに関する晴天日基準値を発生させるように実行可能な命令を備える、項目10に記載の非一過性のコンピュータ可読記憶媒体。
(項目12)
前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な前記命令はさらに、1日の各時間間隔における前記ベルウェザーメータのそれぞれからのリアルタイム太陽光発電データを、前記1日の時間間隔のうちの対応するものにおける前記ベルウェザーメータのうちの各個別のものからの前記履歴晴天日太陽光発電データで除算し、前記1日の時間間隔のうちの対応するもののそれぞれにおける前記ベルウェザーメータのうちの個別のもの毎に曇天日率を発生させるように実行可能な命令を備える、項目11に記載の非一過性のコンピュータ可読記憶媒体。
(項目13)
前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な前記命令はさらに、
前記クラスタのそれぞれの中の前記太陽光発電システムに関する前記晴天日基準値のそれぞれを、前記時間間隔のうちの現在のものにおける前記クラスタのうちの個別のものの中の前記ベルウェザーメータに関する前記曇天日率で乗算し、前記太陽光発電システムの現在の太陽光発電の推定を発生させることと、
前記太陽光発電システムの現在の太陽光発電の推定および前記ベルウェザーメータからの前記リアルタイム太陽光発電データをともに加算し、前記太陽光発電システムの全ての現在の太陽光発電の推定を発生させることと
を行うように実行可能な命令を備える、項目12に記載の非一過性のコンピュータ可読記憶媒体。
(項目14)
コンピュータシステム内の少なくとも1つのプロセッサ回路を使用して、配電システム内の太陽光発電の予測を発生させるための方法であって、前記方法は、
クラスタがそれぞれ、太陽光発電システムの異なるサブセットを備えるように、電力を前記配電システムに提供する太陽光発電システムを前記太陽光発電システムのクラスタに群化するステップと、
ベルウェザーメータとして、前記クラスタのうちの個別のものを代表する前記クラスタのそれぞれの中の太陽源メータを識別するステップであって、前記ベルウェザーメータはそれぞれ、前記クラスタのうちの1つの中の前記太陽光発電システムのうちの1つの電力出力を監視する、ステップと、
前記ベルウェザーメータから太陽光発電データを受信するステップと、
前記ベルウェザーメータから受信される前記太陽光発電データを使用して、前記太陽光発電システムの太陽光発電の予測を発生させるステップと
を含む、方法。
(項目15)
前記太陽光発電システムの太陽光発電の予測を発生させるステップはさらに、前記クラスタのうちの個別のものの中の前記太陽光発電システムの一意の特徴に基づいて、前記ベルウェザーメータのそれぞれから受信される履歴晴天日太陽光発電データを調節し、前記クラスタのうちの個別のものの中の前記太陽光発電システムに関して晴天日太陽光発電推定を発生させるステップを含む、項目14に記載の方法。
(項目16)
前記太陽光発電システムの太陽光発電の予測を発生させるステップはさらに、前記クラスタ毎の前記太陽光発電システムに関する前記晴天日太陽光発電推定および前記ベルウェザーメータのうちの各個別のものから受信される前記履歴晴天日太陽光発電データをともに加算し、前記クラスタのうちの個別のもの毎に基準値を発生させるステップを含む、項目15に記載の方法。
(項目17)
前記太陽光発電システムの太陽光発電の予測を発生させるステップはさらに、入力として、前記基準値および前記ベルウェザーメータからのリアルタイム太陽光発電データを受信する人工ニューラルネットワークを使用して、前記太陽光発電システムの太陽光発電の予測を発生させるステップを含む、項目16に記載の方法。
(項目18)
前記一意の特徴は、前記太陽光発電システムのそれぞれの最大電力出力、方位角、モデル、陰影、傾転、および追跡能力のうちの少なくとも1つを備える、項目17に記載の方法。
(項目19)
前記クラスタのそれぞれの中の前記ベルウェザーメータから受信される前記リアルタイム太陽光発電データ、前記クラスタのそれぞれの中の前記ベルウェザーメータから受信される以前の晴天日に関する履歴太陽光発電データ、および前記太陽光発電システムの一意の特徴を使用して、前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させるステップをさらに含む、項目18に記載の方法。
(項目20)
前記太陽光発電システムの太陽光発電の予測を発生させるステップはさらに、前記ベルウェザーメータ以外の前記クラスタ内の太陽源メータから受信されるデータを使用することなく、曇天日に前記太陽光発電システムの太陽光発電の予測を発生させるステップを含む、項目14に記載の方法。
(項目21)
前記ベルウェザーメータとして、前記クラスタのうちの個別のものを代表する前記クラスタのそれぞれの中の太陽源メータを識別するステップはさらに、個別のベルウェザーメータとして、前記クラスタのうちの個別のものの重心の近傍にある前記クラスタのそれぞれの中の太陽源メータを識別するステップを含む、項目14に記載の方法。
(項目22)
少なくとも1つのプロセッサデバイスを備えるコンピュータシステムであって、前記コンピュータシステムは、
電力を配電システムに提供する太陽光発電システムを前記太陽光発電システムのクラスタに群化することと、
ベルウェザーメータとして、前記クラスタのうちの個別のものを代表する前記クラスタのそれぞれの中の太陽源メータを識別することであって、前記ベルウェザーメータはそれぞれ、前記クラスタのうちの1つの中の前記太陽光発電システムのうちの1つの電力出力を監視する、ことと、
前記ベルウェザーメータから太陽光発電データを受信することと、
前記ベルウェザーメータから受信される前記太陽光発電データを使用して、前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させることと
を行うように構成される、コンピュータシステム。
(項目23)
前記コンピュータシステムはさらに、個別のベルウェザーメータとして、前記クラスタのうちの個別のものの重心の近傍にある前記クラスタのそれぞれの中の太陽源メータを識別するように構成される、項目22に記載のコンピュータシステム。
(項目24)
前記コンピュータシステムはさらに、
前記クラスタのうちの個別のもののそれぞれの中の前記太陽光発電システムの一意の特徴に基づいて、前記クラスタのそれぞれの中の前記ベルウェザーメータから受信される履歴晴天日太陽光発電データを調節し、前記太陽光発電システムに関する晴天日基準値を発生させることと、
1日の各時間間隔における前記ベルウェザーメータのそれぞれから受信されるリアルタイム太陽光発電データを、前記1日の時間間隔のうちの対応するものにおける前記ベルウェザーメータのうちの各個別のものからの前記履歴晴天日太陽光発電データで除算し、前記1日の時間間隔のうちの対応するもののそれぞれにおける前記ベルウェザーメータのうちの個別のもの毎に曇天日率を発生させることと
を行うように構成される、項目22に記載のコンピュータシステム。
(項目25)
前記コンピュータシステムはさらに、
前記クラスタのそれぞれの中の前記太陽光発電システムに関する前記晴天日基準値のそれぞれを、前記時間間隔のうちの現在のものにおける前記クラスタのうちの個別のものの中の前記ベルウェザーメータに関する前記曇天日率で乗算し、前記太陽光発電システムの現在の太陽光発電の推定を発生させることと、
前記太陽光発電システムの現在の太陽光発電の推定および前記ベルウェザーメータからの前記リアルタイム太陽光発電データをともに加算し、前記太陽光発電システムの全ての現在の太陽光発電の推定を発生させることと
を行うように構成される、項目24に記載のコンピュータシステム。
図1Aは、ある実施形態による、公益事業顧客用地と中央コンピュータシステムとの間で電力に関するデータを伝送するための例示的システムを図示する、略図である。
図1Bは、ある実施形態による、配電システム(EDS)の例示的部分を示す、略図である。
図2は、ある実施形態による、曇天日および晴天日に太陽光発電の推定および予測を発生させるように実施され得る、動作の実施例を図示する、フローチャートである。
図3は、ある実施形態による、太陽光発電推定および予測システムによって発生され得る、配電システム内の太陽光発電システムのクラスタの実施例を図示する。
図4は、ある実施形態による、図3のクラスタに関して識別されるベルウェザーメータの実施例を図示する。
図5は、ある実施形態による、ある日のベルウェザーメータのリアルタイム太陽光発電出力および以前の晴天日の同一のベルウェザーメータからの履歴太陽光発電出力の実施例を図示する、グラフである。
図6Aおよび6Bは、種々の実施形態による、クラスタ内の2つの異なる太陽光発電システムからのリアルタイム太陽光発電の晴天日基準値および推定を示す、曲線の実施例を図示するグラフである。 図6Aおよび6Bは、種々の実施形態による、クラスタ内の2つの異なる太陽光発電システムからのリアルタイム太陽光発電の晴天日基準値および推定を示す、曲線の実施例を図示するグラフである。
図7は、ある実施形態による、配電システムに関する短期太陽光発電予測を発生させるために使用され得る、人工ニューラルネットワーク(ANN)の実施例を図示するグラフである。
図8は、ある実施形態による、晴天日のクラスタ内の太陽光発電システムの全ての合計太陽光発電およびクラスタに関する太陽光発電予測を示す、基準値の実施例を図示するグラフである。
図1Aは、ある実施形態による、公益事業顧客用地と中央コンピュータシステムとの間で電力に関するデータを伝送するための例示的システムを図示する、略図である。図1Aの実施形態では、公益事業顧客用地101A、101B、101C、および101D(本明細書では集合的に公益事業顧客用地101または顧客用地101と称される)は、それぞれ、太陽光発電システム103A、103B、103C、および103D(本明細書では集合的に太陽光発電システム(solar power generation system)103または太陽光発電システム(solar power system)103と称される)を含む。実施例として、太陽光発電システム103はそれぞれ、顧客用地101のうちの1つに(例えば、建物の屋上に)太陽光起電(PV)パネルのアレイを含んでもよい。他の実施例として、太陽光発電システム103はまた、1つまたはそれを上回る集光型太陽光発電システム、ハイブリッド太陽光発電システム、および/またはそれらの任意の組み合わせを含むこともできる。公益事業顧客用地101A、101B、101C、および101Dはまた、それぞれ、太陽源電気メータ102A、102B、102C、および102D(本明細書では集合的に太陽源メータ102と称される)も含む。太陽源メータ102は、それらの個別の太陽光発電システム103の電力出力を測定および記録する。公益事業顧客用地101は、例えば、住居、事業所、またはそれらの組み合わせであってもよい。いくつかの実施形態では、太陽光発電システム103のうちのいくつかは、太陽源メータを有していなくてもよい。
太陽源メータ102はそれぞれ、ネットワーク104を通して中央コンピュータシステム105に接続される。データ通信チャネルは、交互の長いおよび短いダッシュを有する線によって、図1Aに示される。顧客用地101はそれぞれ、電気事業者によって管理される配電システムから電力を受電するように接続される。配電システムは、図1Aに示されていない。太陽源メータ102はそれぞれ、個別の顧客用地101における太陽光発電システム103によって発生される電力を受電および測定する。電力を(すなわち、システム103からメータ102に)伝送するワイヤが、太線によって図1Aに示される。4つの公益事業顧客用地101が、実施例として図1Aに示される。但し、配電システムは、電力を数百、数千、または数百万もの顧客用地に提供するように接続され得ることを理解されたい。
太陽源メータ102はそれぞれ、個別の顧客用地101における太陽光発電システム103の発電出力を示すリアルタイムデータを、ネットワーク104を通してコンピュータシステム105に周期的に送信することができる。コンピュータシステム105は、下記にさらに詳細に説明されるように、メータ102からの太陽光発電データを使用し、配電システムに関する太陽光発電推定および予測を発生させることができる。太陽源メータ102とコンピュータシステム105との間のデータの通信は、ネットワーク104内の無線接続、ワイヤ、電線、またはそれらの任意の組み合わせを通してもよい。コンピュータシステム105は、例えば、電気事業者によって運営される設備に位置してもよい。
図1Aは、コンピュータシステム105のいくつかの例示的コンポーネントを図示する。図1Aの実施例では、コンピュータシステム105は、ネットワークインターフェース111と、1つまたはそれを上回るプロセッサデバイス112と、1つまたはそれを上回る記憶デバイス113と、1つまたはそれを上回る入出力(I/O)インターフェース114と、1つまたはそれを上回るデータベース115とを含む。コンピュータシステム105のコンポーネント111-115はそれぞれ、通信システム116(例えば、1つまたはそれを上回るバスおよび/またはネットワーク接続)を通して接続される。コンピュータシステム105のコンポーネント111-115は、システム116を通して通信することができる。他の実施形態では、コンピュータシステム105は、図1Aに示されていない付加的デバイスを含んでもよい、および/または図1Aに示されるデバイスのうちの1つまたはそれを上回るものを有していなくてもよい。
ネットワークインターフェース111は、ネットワーク104を通して、顧客用地101からデータを受信し、そこにデータを提供する。プロセッサ112は、例えば、CPU(中央処理ユニット)、マイクロプロセッサ、グラフィックス処理ユニット(GPU)、フィールドプログラマブルゲートアレイ等の任意の数のプロセッサおよび/またはコントローラ回路/デバイスを含んでもよい。記憶装置113は、ソリッドステートメモリデバイス、ディスク記憶デバイス、磁気テープ等の揮発性および/または不揮発性メモリデバイスを含んでもよい。入出力(I/O)インターフェース114は、例えば、データをコンピュータシステム105に入力するためのデバイス(例えば、マウスおよびキーボード)と、コンピュータシステム105から結果を提供するための機構(例えば、プリンタおよびコンピュータモニタ)とを含んでもよい。データベース115は、例えば、1つまたはそれを上回る記憶デバイスと、付加的コンピュータおよびプロセッサと、関連付けられるデータベースソフトウェアとを含んでもよい。記憶デバイスは、任意の好適な構成、例えば、ストレージエリアネットワークに編成されてもよい。
ネットワーク104を通して太陽源メータ102から提供されるデータは、記憶デバイス113内に、および/またはコンピュータシステム105内のデータベース115内に記憶されることができる。プロセッサ112上で起動されるソフトウェアは、分析のために本データにアクセスし、例えば、太陽光発電推定および予測を発生させることができる。ソフトウェアは、記憶装置113内に記憶されることができる。1人またはそれを上回るユーザが、1つまたはそれを上回るI/Oインターフェース114を使用して、ソフトウェアとインターフェースをとってもよい。種々の実施形態によると、本明細書に開示されるSPEFSは、コンポーネント111-115のうちの1つまたはそれを上回るものと、現在の太陽光発電の太陽光発電予測および推定を発生させるための関連付けられるソフトウェアとを含む、コンピュータシステム105を含むことができる。
図1Bは、ある実施形態による、配電システム(EDS)の例示的部分を示す、略図である。図1Bの実施形態では、公益事業配電変電所150が、配電線180および配電変圧器160を通して、電力を顧客用地101における電気消費デバイスに提供する。図1Bは、配電線を通して、それぞれ、顧客用地(CS)101A-101C、101D-101F、101G-101I、101J-101K、101L-101M、および101N-101Oの6つの群に接続される、6つの配電変圧器160A-160Fを示す。顧客用地のうちのいくつかはまた、太陽光発電システムも有する。例えば、顧客用地101A、101B、101C、101D、101F、101H、101I、101K、101L、および101Nは、それぞれ、太陽光発電システム(SPS)103A、103B、103C、103D、103E、103F、103G、103H、103I、および103Jを有する。太陽光発電システム103A-103Jは、個別の変圧器160A-160Fを通して、電力を配電システムに提供することができる。電力を伝送するワイヤは、太線によって図1Bに示される。
図2は、ある実施形態による、現在の太陽光発電を推定するように、かつ曇天日および晴天日の将来の太陽光発電の予測を発生させるように実施され得る、動作の実施例を図示する、フローチャートである。図2の動作は、例えば、インターフェース111および114、プロセッサ112、記憶装置デバイス113、および/またはデータベース115を使用して、コンピュータシステム105上に実装されるソフトウェアとして動作する、太陽光発電推定および予測システム(SPEFS)によって、実施されることができる。
動作201では、SPEFSは、配電システム(EDS)またはその任意の部分に接続される太陽光発電システム103に関して、現在の太陽光発電を推定し、太陽光発電予測を発生させるプロセスを開始する。太陽光発電予測は、例えば、丸1日または1日の任意の部分に関して発生されることができる。予測が発生されている日は、例えば、現在の日または次の日であり得る。SPEFSは、例えば、ユーザからの要求に応答して、毎日のある時間に自動的に、または連続的に、現在の太陽光発電の推定および太陽光発電予測を発生させ始めることができる。
決定動作202では、SPEFSは、現在の日が曇天日または晴天日であるかどうかを判定する。本判定は、例えば、気象予報、太陽源メータ102から受信される太陽放射照度データ、またはユーザもしくは他の個人からの観察に基づいて、行われることができる。気象予報は、例えば、第三者気象予報サービスから受信されることができる。
SPEFSが、動作202において、現在の日が曇天日(例えば、部分的に曇天、殆ど曇天の日、または曇りの日)であることを判定する場合には、SPEFSは、動作203において、EDS内の太陽光発電システム103をクラスタに群化する。SPEFSは、例えば、教師なしk平均クラスタリングアルゴリズムを使用して、太陽光発電システム103の間の物理的距離に基づいて、太陽光発電システム103をクラスタに群化する。SPEFSは、クラスタのそれぞれに、相互と地理空間的に近接している太陽光発電システム103を持たせる。SPEFSは、例えば、マップ上の平面図形として、動作203においてクラスタのそれぞれを発生させることができる。平面図形は、例えば、多角形(例えば、三角形、長方形、五角形等)、楕円、円等のうちの1つまたはそれを上回るものを含むことができる。クラスタはそれぞれ、例えば、EDS内の太陽光発電システム103のそれぞれの物理的場所を示す、電気事業者の地理情報システム(GIS)データを使用して、マップ上の平面図形の内側に位置する太陽光発電システム103を含む。別の実施例として、SPEFSは、GISデータを使用して判定される局所地域内の点の有限集合として、動作203においてクラスタのそれぞれを発生させることができる。
いくつかの実施形態では、SPEFSは、EDSに関して発生させるクラスタの数を示す、ユーザからの入力に基づいて、クラスタを発生させることができる。SPEFSは、次いで、地理空間的近接性に基づいて、EDS内の太陽光発電システム103をクラスタに群化し、ユーザによって規定されるクラスタの数を発生させる。各クラスタは、同数の太陽光発電システムまたは異なる数の太陽光発電システムを有することができる。
図3は、ある実施形態による、動作203において太陽光発電推定および予測システム(SPEFS)によって発生され得る、配電システム内の太陽光発電システムのクラスタの実施例を図示する。図3は、例示的配電システム(EDS)内またはその一部内の太陽光発電システムのマップを図示する。図3は、動作203においてSPEFSによって発生される太陽光発電システム103の6つのクラスタ301-306を示す。6つのクラスタ301-306は、図3で点線として示される平面図形によって境界される。クラスタ301-306はそれぞれ、個別の平面図形内に近傍の太陽光発電システムの群を含む。クラスタ301、302、303、304、305、および306内の太陽光発電システム103は、図3では、それぞれ、星形、正方形、三角形、六角形、円、および菱形として図示される。クラスタ301-306は、例えば、太陽光発電システムの6つのクラスタを発生させることを示すユーザ入力、および/またはクラスタ内のいずれか2つの太陽光発電システムが相互から所定の最大距離以下を有することを示すユーザ入力に応答して、発生されることができる。図3のクラスタ301-306は、異なる数の太陽光発電システムを有する。但し、他の実施例では、動作203において発生されるクラスタのうちの2つまたはそれを上回るものは、同数の太陽光発電システムを有することができる。
動作204では、SPEFSは、ベルウェザーメータとして、クラスタのうちの個別のものを代表する、動作203において発生されるクラスタのそれぞれの中の太陽源メータを識別する。動作204の例示的実施形態では、SPEFSは、最初に、1つまたはそれを上回る好適な幾何学的技法を使用して、動作203において発生されるクラスタのそれぞれの重心(または幾何学的中心)を判定する。SPEFSは、次いで、クラスタのそれぞれの重心の近傍にある太陽源メータを識別し、これらの太陽源メータをベルウェザーメータとして識別する。より具体的な実施例として、SPEFSは、クラスタのそれぞれの重心に物理的に最も近い太陽源メータを判定し、これらの太陽源メータをベルウェザーメータとして識別してもよい。動作204の本実施形態は、例えば、EDS内の太陽光発電システムの多く、大部分、または全てが、太陽源メータを有する場合に、電気事業者によって使用されることができる。
動作204の別の例示的実施形態では、SPEFSは、クラスタのそれぞれの重心の近傍にある、またはそれに物理的に最も近い、太陽光発電システムを判定する。SPEFSは、次いで、ベルウェザーメータとして、これらの太陽光発電システムの電力出力を監視する太陽源メータを識別する。本実施形態は、例えば、EDS内の太陽光発電システムのうちの少数のみが太陽源メータを有する、またはいずれも有していない場合に、電気事業者によって使用されることができる。それらの個別のクラスタの重心の近傍にある、またはそれに物理的に最も近い、太陽光発電システムのうちのいずれかが、太陽源メータを有していない場合、電気事業者は、ベルウェザー太陽源メータとして使用されるように、動作204後にこれらの顧客用地において太陽源メータを展開することができる。SPEFSは、例えば、GISデータを使用して、動作203において発生されるクラスタのそれぞれの重心に物理的に最も近い、太陽光発電システムおよび/または太陽源メータを判定することができる。
したがって、いくつかの実施形態では、SPEFSは、例えば、その太陽源メータ(またはその対応する太陽光発電システム)がその個別のクラスタの重心の近傍または最近傍にあることに基づいて、動作204において、ベルウェザー太陽源メータであるものとして、クラスタのそれぞれの中の1つの代表的太陽源メータを識別する。これらの例示的実施形態では、ベルウェザー太陽源メータのそれぞれは、クラスタのうちの個別のものの重心またはその近傍にある。他の例示的実施形態では、SPEFSは、ベルウェザーメータであるものとして、それらの個別のクラスタの縁の近傍にある太陽源メータを識別してもよい。
図4は、ある実施形態による、図3のクラスタ301-306に関して識別されるベルウェザーメータの実施例を図示する。図4の実施形態では、SPEFSは、動作204において、6つのクラスタ301-306のそれぞれの重心の近傍にある、1つのベルウェザー太陽源メータを識別する。図4に示されるように、SPEFSは、それぞれ、クラスタ301-306の重心の近傍にあるものとして、太陽源メータ401-406を識別する。SPEFSは、次いで、動作204において、太陽源メータ401-406をベルウェザーメータとして選択する。
動作205では、SPEFSは、ベルウェザーメータのそれぞれからリアルタイム太陽光発電データを受信する。SPEFSは、動作203において発生されるクラスタのそれぞれの中のベルウェザーメータからリアルタイム太陽光発電データを受信する。リアルタイム太陽光発電データは、ベルウェザーメータによって監視される太陽光発電システムの現在または最近の電力出力を示す。ベルウェザーメータは、例えば、ネットワーク104を通してベルウェザーメータに送信されるSPEFSからの要求(例えば、ping)に応答して、リアルタイム太陽光発電データをSPEFSに提供することができる。いくつかの実施形態では、SPEFSは、例えば、ベルウェザーメータからデータを要求することに先立って、動作203-204の付加的反復を実施し、クラスタおよびベルウェザーメータの場所を更新することができる。別の実施例として、ベルウェザーメータは、SPEFSからの要求を待機することなく、連続的に、または周期的間隔において、リアルタイム太陽光発電データをSPEFSに自動的に提供することができる。リアルタイム太陽光発電データは、ネットワーク104を通して、ベルウェザーメータからコンピュータシステム105に提供される。
動作206では、SPEFSは、クラスタ内の太陽光発電システム103から現在の太陽光発電の推定を発生させ、SPEFSは、クラスタ内の太陽光発電システム103に関して太陽光発電予測を発生させる。SPEFSは、ベルウェザーメータからの太陽光発電データおよび太陽光発電システムの一意の特徴を使用して、動作206において、太陽光発電システム103からの現在の太陽光発電の推定およびシステム103に関する太陽光発電予測を発生させる。SPEFSが、(ベルウェザーメータ以外の)クラスタ内の太陽源メータの大部分からのデータを使用する必要がないため、SPEFSは、推定および予測を発生させるために、EDS内の太陽源メータの全てからのリアルタイム太陽光発電データが使用された場合よりも実質的に少ない処理リソースを使用する。
SPEFSは、例えば、ベルウェザーメータからの履歴およびリアルタイム太陽光発電データ、ならびにクラスタ内の太陽光発電システムの一意の特徴を使用して、クラスタ内の太陽光発電システム103から現在の太陽光発電の推定を発生させることができる。ベルウェザーメータからの履歴太陽光発電データは、例えば、1つまたはそれを上回る以前の晴天日のベルウェザーメータの太陽光発電(本明細書では履歴晴天日太陽光発電出力とも称される)を示すことができる。ベルウェザーメータからのリアルタイム太陽光発電データは、ベルウェザーメータによって監視される太陽光発電システムの現在または最近の電力出力を示す。リアルタイム太陽光発電データは、ベルウェザーメータによって読み取られ、コンピュータシステム105においてSPEFSに伝送される、瞬時電力出力データであり得る。
各曇天日に、SPEFSは、現在の日の各時間間隔における(例えば、毎分における)各ベルウェザーメータのリアルタイム太陽光発電出力を、1日の同一の対応する時間間隔のそれぞれにおける同一の個別のベルウェザーメータからの履歴晴天日太陽光発電出力で除算し、商を発生させる。SPEFSは、次いで、これらの商のそれぞれを100で乗算し、ベルウェザーメータ毎に1日の時間間隔毎の割合を発生させる。これらの割合は、晴天日に対して曇天日(例えば、部分的に曇天、殆ど曇天、または曇りの日)にベルウェザーメータによって測定される電力出力を示す。SPEFSは、次いで、下記にさらに詳細に説明されるように、動作206において、これらの曇天日率を使用し、太陽光発電システム103からの現在の太陽光発電の推定を発生させる。
図5は、ある実施形態による、ある日のベルウェザーメータからのリアルタイム太陽光発電出力および以前の晴天日の同一のベルウェザーメータからの履歴太陽光発電出力の実施例を図示する、グラフである。図5のグラフは、y軸上でワット単位のベルウェザーメータから受信される電力出力およびx軸上で分単位の時間をプロットする。図5は、1日の1,440分にわたる2つの曲線501および502を示す。曲線501は、参照データとして使用される、以前の晴天日にベルウェザーメータによって測定された太陽光発電システムの太陽光発電出力の時間平均を示す。曲線502は、曇天日の間に同一のベルウェザーメータによって測定される太陽光発電システムのリアルタイム太陽光発電出力を示す。図5の実施例では、ベルウェザーメータによって測定される太陽光発電出力は、晴天日(曲線501)と比較して、日中および午後の時間の間に曇天日(曲線502)では実質的により少ない。曲線502は、極めて可変であり、大部分が曲線501の境界内にある。下記の表1は、図5の曲線501-502に対応する(分単位の)5つの異なる時間にベルウェザーメータによって測定される基準およびリアルタイム太陽光発電出力の実施例を示す。5つだけの異なる分数が、実施例として表1に示される。表1の最後の列は、晴天日の参照データ(R)と比較して、曇天日のリアルタイムデータ(I)が表す電力出力率(P)を示す(P=I/R×100)。
したがって、図5の実施例では、SPEFSは、曇天日の毎分において曲線502によって示される電力出力を、履歴晴天日の同一の1分において曲線501によって示される電力出力で除算し、1分毎に割合を発生させる。
SPEFSは、個別のベルウェザーメータのクラスタ内の太陽光発電システムのそれぞれの一意の特徴に基づいて、以前の晴天日に各ベルウェザーメータから受信された履歴太陽光発電データに調節を行い、個別のクラスタ内の他の太陽光発電システム毎に晴天日基準値を発生させることができる。SPEFSが各クラスタ内の他の太陽光発電システム毎に晴天日基準値を発生させるために使用し得る、一意の特徴の実施例は、他の太陽光発電システムのそれぞれのネームプレート定格、1年の日、方位角、モデル、陰影、傾転、および追跡能力を含む。各太陽光発電システムのネームプレート定格は、太陽光発電システムの電力出力の最大量を示す。各太陽光発電システムの方位角は、太陽に対する太陽光発電システムの位置を示す、太陽光発電システム(例えば、太陽光PVアレイ)の東西配向を度数で示す。各太陽光発電システムの陰影は、例えば、太陽光発電システムが、1年の毎月に、および/または1日の毎時間の間に、日陰になる時間および程度を示し得る。各太陽光発電システムのモデルは、例えば、太陽光発電システムの耐用年数、太陽光発電システムの効率、および太陽光発電システムの期待電力出力と実際の電力出力との間の差異等の要因を示し得る。各太陽光発電システムの傾転は、太陽光発電システム(例えば、PV太陽光アレイ)が地面に対して傾転される角度を示す。各太陽光発電システムの追跡能力は、太陽光発電システムが毎日の全体を通して太陽の変化する位置とともに移動する(すなわち、それを追跡する)ことができるかどうかを示す。
SPEFSは、各クラスタ内の太陽光発電システムのこれらの一意の特徴を使用し、個別のクラスタ内のベルウェザーメータからの以前の晴天日に関する履歴太陽光発電データに調節を行い、ベルウェザーメータによって監視されていない他の太陽光発電システム毎に正確な晴天日基準値を作成することができる。例えば、SPEFSは、それらのネームプレート定格によって示されるような同一のクラスタ内の各太陽光発電システムの最大電力出力に基づいて、以前の晴天日に関するベルウェザーメータの太陽光発電曲線(例えば、曲線501)の振幅を増加または減少させることができる。別の実施例として、SPEFSは、クラスタ内の他の太陽光発電システムのそれぞれの方位角に基づいて、東に面する太陽光発電システムに関してはより早く、西に面する太陽光発電システムに関してはより遅く、以前の晴天日に関するベルウェザーメータの太陽光発電曲線を偏移させることができる。さらに別の実施例として、SPEFSは、クラスタ内の他の太陽光発電システムに関する陰影データに基づいて、異なる時季(または異なる時刻)において以前の晴天日に関するベルウェザーメータの太陽光発電曲線に急降下を生成し得る。さらに別の実施例として、SPEFSはまた、1年の特定の日にクラスタ内の各太陽光発電システムに影響を及ぼす期待太陽放射に基づいて、以前の晴天日に関するベルウェザーメータの太陽光発電曲線に調節を行うこともできる。SPEFSは、個別のクラスタ内の太陽光発電システムのこれらの一意の特徴に基づいて、各クラスタ内のベルウェザーメータから受信される履歴晴天日太陽光発電データを調節し、ベルウェザーメータによって監視されていない他の太陽光発電システム毎に正確な晴天日基準値を発生させる。他の太陽光発電システムに関する晴天日基準値は、1日の時間間隔毎の(例えば、1日の毎分における)値を含む。SPEFSは、ベルウェザーメータからの太陽光発電データを使用して、他の太陽光発電システムを監視する太陽源メータからの太陽光発電データを使用することなく、他の太陽光発電システムに関するこれらの晴天日基準値を発生させることができる。
SPEFSは、次いで、動作206において、各クラスタ内の他の太陽光発電システム毎の晴天日基準値を1日の対応する時間間隔における上記に説明される曇天日率で乗算し、クラスタ内の他の太陽光発電システム103のそれぞれの現在の太陽光発電出力の推定を発生させる。SPEFSは、次いで、クラスタ内の他の太陽光発電システムの現在の太陽光発電出力の推定およびクラスタ内のベルウェザーメータからのリアルタイム太陽光発電データを合計し、クラスタ内の太陽光発電システムの全ての合計の現在の太陽光発電出力の推定を発生させる。上記に説明されるように、1日の各時間間隔における割合(P)は、100を掛けた、1日の同一の対応する時間間隔における同一のベルウェザーメータによって測定された履歴晴天日太陽光発電出力(R)によって除算される、現在の日の対応する時間間隔においてベルウェザーメータによって測定されるリアルタイム太陽光発電出力(I)(すなわち、P=I/R×100)に等しい。これらの計算は、クラスタ内の隣接する太陽光発電システムにわたる雲の被覆が各時間間隔でほぼ同一であるべきという概念に基づいて、これらの割合を使用して、1日の時間間隔毎に行われる。
図6Aおよび6Bは、種々の実施形態による、クラスタ内の2つの異なる太陽光発電システムからの太陽光発電の晴天日基準値および曇天日の太陽光発電の推定を示す、曲線の実施例を図示する。図6A-6Bは、それぞれ、クラスタ内の第1および第2の太陽光発電システムに関する晴天日基準値を示す、曲線601および651を図示する。SPEFSは、上記に議論されるように、第1および第2の太陽光発電システムの一意の特徴(例えば、最大電力出力、1年の日、方位角、モデル、陰影、傾転、および追跡能力)に基づいて、同一のクラスタ内のベルウェザーメータの晴天日基準値を調節することによって、曲線601および651を発生させる。図6Aおよび6Bはまた、それぞれ、曇天日の第1および第2の太陽光発電システムからの太陽光発電の推定を示す、曲線602および652も図示する。SPEFSは、(それぞれ、曲線601および651によって示されるような)第1および第2の太陽光発電システム毎の晴天日基準値を、1日の対応する分における曇天日率で乗算することによって、曲線602および652によって示される推定を発生させる。曇天日率は、曇天日にベルウェザーメータから受信されるリアルタイム太陽光発電データを、ベルウェザーメータからの晴天日参照データで除算することによって発生される。曲線602および652は、それぞれ、実質的に曲線601および651によって示される晴天日基準値未満である。
SPEFSは、現在の時間におけるクラスタ内の太陽光発電システムの全ての太陽光発電の推定をともに加算し、クラスタ内の太陽光発電システムの全ての合計の現在の太陽光発電出力の推定を発生させることができる。本技法は、EDS内の太陽光発電システムのクラスタの全てからの現在の太陽光発電の極めて正確な推定を発生させるために使用されることができる。太陽光発電システムの現在の太陽光発電の推定は、GISデータによって示されるようなそれらのコネクティビティに基づいて、EDS内の種々のフィーダおよび変電所に提供される電力出力の集約を実施するために使用されることができる。これらの推定は、EDSに発送されている現在の太陽光発電の極めて正確な理解を提供するために、電気事業のオペレータによって使用されることができる。
動作206では、SPEFSはまた、ベルウェザーメータからの太陽光発電データを使用し、ベルウェザーメータが位置する個別のクラスタに関する太陽光発電予測も発生させる。SPEFSは、例えば、人工ニューラルネットワーク(ANN)または別の機械学習技法を使用し、入力として個別のベルウェザーメータからの太陽光発電データを用いて、クラスタ毎に太陽光発電予測を発生させることができる。人工ニューラルネットワーク(ANN)は、ベルウェザーメータから受信される太陽光発電データを使用して、クラスタに関する短期太陽光発電予測を生成することができる。SPEFSは、クラスタを表す各ベルウェザーメータからの太陽光発電データを使用し、クラスタ全体内の太陽光発電システムに関する太陽光発電予測を生成する。
図7は、ある実施形態による、EDSに関する短期太陽光発電予測を発生させるために使用され得る、例示的人工ニューラルネットワーク(ANN)700のグラフ表現を図示する。図7に図示されるANN700は、コンピュータシステム105上で起動するSPEFSの一部である、ソフトウェアプログラムとして実装されることができる。図7のANN700は、それぞれ、ニューロン701-710において10個の入力IN1-IN10を受信する。ANN700は、第1の隠れ層内に4つのニューロン721-724、第2の隠れ層内に3つのニューロン731-733、および第3の隠れ層内に2つのニューロン741-742を伴う、3つの隠れ層を含む。ANN700は、入力IN1-IN10に応答して、ニューロン750において1つまたはそれを上回る出力を発生させる。ANN700の出力は、EDSの選択されたクラスタ内の太陽光発電システムに関する短期太陽光発電予測を示す。例えば、ANN700の出力は、EDS内の太陽光発電システムの選択されたクラスタに関して、5分先、10分先、および/または15分先の太陽光発電予測を示し得る。
ANN700内のニューロン701-710に提供される10個の入力IN1-IN10の実施例が、ここで議論される。IN1は、例えば、(例えば、分単位の)現在の時間であり得る。IN2は、例えば、(例えば、1日の毎分で境界される)現在の時刻に対応する、以前の晴天日の時間間隔におけるクラスタ全体内の太陽光発電システムの全ての合計太陽光発電を示す、基準値であり得る。IN3は、例えば、(例えば、毎分更新される)現在の時間において選択されたクラスタ内のベルウェザーメータによって監視される、太陽光発電システムの現在の太陽光発電出力を示す、リアルタイム読取値(例えば、瞬時読取値)であり得る。IN4は、例えば、5分前のIN2の基準値であり得る。IN5は、例えば、IN3の以前のリアルタイム読取値に対応するIN2の基準値であり得る。IN6は、例えば、(例えば、1分前、5分前等の)IN3の以前のリアルタイム読取値であり得る。IN7は、例えば、IN3の以前のリアルタイム読取値の傾斜であり得る。IN8は、例えば、IN3の以前のリアルタイム読取値の時間であり得る。IN9は、例えば、(例えば、毎分更新される)選択されたクラスタの局所地域内の現在の気温であり得る。IN10は、例えば、現在の時刻における選択されたクラスタの局所地域内の週間平均温度であり得る。現在の温度は、選択されたクラスタの局所地域内の温度センサによって判定されることができる。コンピュータシステム105は、温度センサから受信される履歴温度データを使用して、または他の履歴気象データから、週間平均温度を計算することができる。ANN700への入力IN1-IN10はそれぞれ、新しいデータを用いて各新しい時間間隔内で(例えば、毎分に)更新されることができる。
例示的実施形態では、SPEFSは、クラスタ内のベルウェザーメータ以外のそのクラスタ内の任意の太陽源メータからの太陽光発電データを使用することなく、1日の経過にわたる時間間隔毎に(例えば、毎分または時間において)クラスタ全体内の太陽光発電システムの全ての合計太陽光発電を示す、入力IN2に関する基準値を発生させる。本実施形態が、各クラスタ内のベルウェザーメータからの太陽光発電データのみを使用し、IN2に関する基準値を発生させるため、本実施形態は、各クラスタ内の太陽光発電システムの電力出力を監視するために展開される必要がある、太陽源メータの数を実質的に削減する。IN2に関する基準値は、例えば、1つまたはそれを上回る以前の晴天日にベルウェザーメータから受信された履歴太陽光発電データを使用して、発生されることができる。SPEFSは、クラスタ内の太陽光発電システムのそれぞれの一意の特徴に基づいて、ベルウェザーメータからの本履歴晴天日太陽光発電データを調節し、クラスタ内の他の太陽光発電システム毎に晴天日太陽光発電推定を発生させる。
SPEFSは、クラスタ内の太陽光発電システムの一意の特徴に基づいて、ベルウェザーメータの履歴晴天日太陽光発電データを調節することによって、ベルウェザーメータによって監視されていないクラスタ内の他の太陽光発電システムに関する晴天日太陽光発電推定を発生させることができる。SPEFSは、上記に議論される同一の一意の特徴(例えば、ネームプレート定格、1年の日、方位角、モデル、陰影、傾転、および追跡能力)を使用して、ベルウェザーメータの履歴晴天日太陽光発電データ調節を行い、ベルウェザーメータによって監視されていないクラスタ内の他の太陽光発電システムに関する晴天日太陽光発電推定を発生させることができる。SPEFSは、次いで、クラスタ内の他の太陽光発電システムに関する晴天日太陽光発電推定、および以前の晴天日にクラスタ内のベルウェザーメータから受信された履歴太陽光発電データをともに加算し、クラスタ全体に関して入力IN2に関する基準値を発生させる。入力IN2に関するこれらの基準値は、基準晴天日の各離散時間間隔における(例えば、毎分または時間における)選択されたクラスタ内の太陽光発電システムの全ての合計太陽光発電の推定を示す。
別の例示的実施形態によると、SPEFSは、クラスタ内の太陽光発電システムの全ての電力出力を直接監視する太陽源メータから受信される、履歴発電データを使用して、晴天日の経過にわたる時間間隔毎にクラスタ全体内の太陽光発電システムの全ての合計太陽光発電出力を示す、入力IN2に関する基準値を発生させることができる。SPEFSは、以前の晴天日の経過にわたって各個別の時間間隔内にクラスタ内の太陽源メータから受信されるような太陽光発電システムのそれぞれの発電データをともに加算することによって、これらの基準値を発生させる。本実施形態では、各太陽光発電システムは、実質的な数の太陽源メータおよび有意量の処理能力の展開を要求し得る、晴天日に関する発電データを発生させる、その独自の太陽源メータを有する。太陽源メータ102は、ネットワーク104を通して、晴天日に関する発電データをコンピュータシステム105に提供する。
ANN700は、例えば、ANNプログラムが、太陽光発電予測を発生させ、発生された予測を既知の太陽光発電データと比較するプロセスを数千回繰り返し、発生された予測と既知の太陽光発電データとの間の差異を最小限にする、訓練段階の間に監視されることができる。既知の太陽光発電データは、例えば、太陽源メータ、ベルウェザーメータ、および/またはGISデータのうちの1つまたはそれを上回るものによって測定される、太陽光発電データであり得る。訓練段階の間に、ANN700は、ニューロン701-710、721-724、731-733、および741-742の間の接続加重の値を調節し、太陽光発電予測の正確度を増加させる。図7内のニューロン701-710、721-724、731-733、および741-742のうちの2つを接続する矢印はそれぞれ、接続加重のうちの1つを表す。
訓練段階後、SPEFSは、ANN700を使用し、入力IN1-IN10、訓練段階の間に最も正確な出力データを発生させた接続加重、およびアクティブ化機能を使用して、クラスタ毎に太陽光発電予測を発生させることができる。ニューロン701-710への入力IN1-IN10はそれぞれ、図7の矢印によって示されるように、第1の隠れ層内の4つのニューロン721-724に入力される4つの加重値を発生させるように、接続加重の4によって乗算される。ニューロン721-724、731-733、741-742、および750はそれぞれ、その入力の加重値を合計し、総和を発生させる。ニューロン721-724、731-733、741-742、および750はそれぞれ、次いで、アクティブ化機能を本総和に適用し、出力を発生させる。ニューロン721-724、731-733、741-742、および750のそれぞれで使用されるアクティブ化機能は、例えば、ドロップアウトを伴う整流器であり得る。隠れ層内のニューロン721-724、731-733、および741-742のそれぞれの出力は、図7の矢印によって示されるように、次の層内のニューロンに入力される加重値を発生させるように、それぞれ、接続加重の3、2、または1で乗算される。
図8は、ある実施形態による、晴天日のクラスタ内の太陽光発電システムの全ての合計太陽光発電およびクラスタに関する太陽光発電予測を示す、基準値の実施例を図示するグラフである。図8の曲線801は、クラスタ内のベルウェザーメータからの晴天日太陽光発電データおよび対応する時間間隔におけるクラスタ内の他の太陽光発電システムの晴天日太陽光発電推定をともに加算することによって、SPEFSがクラスタに関するANN700への入力IN2に関して発生させる、基準値を示す。したがって、曲線801は、基準晴天日のクラスタ内の太陽光発電システムの合計太陽光発電出力を示す。図8の曲線802は、1日の経過にわたるクラスタ内の太陽光発電システムの全てに関する予測短期総太陽光発電出力の時間平均を示す。ANN700は、入力値IN1-IN10に応答して、曲線802によって示される値を発生させる。ANN700は、予測太陽光発電出力がEDSに到達する数分(例えば、5分、10分等)前の曲線802によって示される予測太陽光発電値のそれぞれを発生させることができる。
いくつかの実施形態では、電気事業者は、EDSの地理的地域の全体を通して、太陽放射照度センサを展開することができる。太陽放射照度センサは、センサに影響を及ぼす太陽からの太陽放射の量を示す、リアルタイム太陽放射照度値を発生させる。太陽放射照度センサは、例えば、配電柱上に搭載され、EDSの全体を通して間隔を置いて離間されることができる。太陽放射照度値は、連続的に、または周期的間隔において、太陽放射照度センサからコンピュータシステム105に戻るように伝送される。いくつかの実施形態では、SPEFSは、(ANN700への入力として)動作206において個別のクラスタに関する予測を発生させる際に使用するために、動作203において発生されるクラスタのそれぞれの最近傍にある、またはその中にある、太陽放射照度センサを選択することができる。
再度、図2を参照すると、動作207では、SPEFSは、各個々の太陽光発電システム(および/または対応する太陽源メータ)に、その太陽光発電システムに起因する、その個別のクラスタに関して動作206において発生される太陽光発電予測の割合を割り当てる。クラスタ内の各太陽光発電システムに起因する、クラスタに関して動作206において発生される太陽光発電予測の割合は、例えば、1日の全体を通した(例えば、1日の毎分または時間における)クラスタの合計太陽光発電への各太陽光発電システムの履歴寄与率を使用して、判定されることができる。1日の全体を通したクラスタの合計太陽光発電へのクラスタ内の各太陽光発電システムの履歴寄与率は、例えば、動作212に関して下記に説明されるように、履歴データを使用して、過去2日またはそれを上回る日にわたるクラスタの合計太陽光発電に対してクラスタ内の各太陽光発電システムの履歴太陽光発電を平均することによって、判定されることができる。
クラスタ内のシステム103の全ての合計発電に対する個々の太陽光発電システム103の発電は、いくつかの理由により、数日の間に変化し得る。クラスタの合計太陽光発電への各太陽光発電システムの寄与率は、例えば、太陽光PVパネルが空の太陽の変化する位置に対して面している方向(すなわち、方位角)、太陽が空を横断して移動するにつれて近傍の木または建物からの太陽光PVパネル上の陰の変化、または他の可変要因に基づいて、1日の全体を通して変化し得る。具体的実施例として、東に面する、または午後に日陰になる太陽光発電システムが、午前の間のクラスタ内のシステム103の合計発電への電力のより大きい寄与率、および午後の時間の間のクラスタ内のシステム103の合計発電への電力のより小さい寄与率を発生させ得る。別の実施例として、西に面する、または午前に日陰になる太陽光発電システムが、午後の間のクラスタ内のシステム103の合計発電への電力のより大きい寄与率、および午前の時間の間のクラスタ内のシステム103の合計発電への電力のより小さい寄与率を発生させ得る。
動作207では、SPEFSは、クラスタ内の各太陽光発電システム(および/または対応する太陽源メータ)に、1日の各時間間隔の間に(例えば、日の出から日の入りまでの毎時間に)その太陽光発電システムに起因する、そのクラスタに関して動作206において発生される太陽光発電予測の割合を割り当てる。各時間間隔内のクラスタ内の各太陽光発電システムに起因する、クラスタに関する太陽光発電予測の割合は、例えば、過去2日またはそれを上回る日にわたる毎日の毎時間のそのクラスタの合計太陽光発電へのクラスタ内の各太陽光発電システムの履歴平均寄与率を示すデータを使用して、判定されることができる。
動作207において各個別のクラスタ内の各個々の太陽光発電システムに割り当てられる、クラスタ毎の合計太陽光発電予測の割合は、EDSへの太陽光発電予測の影響を判定するために、電気事業者によって使用されることができる。例えば、電気事業者が、配電変圧器160に接続され、電力をそれに提供する太陽光発電システムからの予測太陽光発電のその変圧器への影響を判定することができる。別の実施例として、電気事業者は、配電変電所によってサービス提供されるEDSの局所部分に接続される太陽光発電システムからの予測太陽光発電のその配電変電所への影響を判定することができる。
SPEFSが、動作202において現在の日が現在の日が曇天日ではない(すなわち、晴天日である)ことを判定する場合には、SPEFSは、動作211において、晴天日人工ニューラルネットワーク(ANN)を使用して、EDS(またはEDSの一部)内の太陽光発電システム毎に太陽光発電予測を発生させる。現在の日が晴天日であるかどうかの判定は、例えば、気象予報、太陽放射照度センサからの太陽放射照度データ、またはユーザもしくは他の個人からの観察に基づいて行われることができる。晴天日ANNは、例えば、入力として、太陽光発電システム103の履歴時間発電、前日からの太陽光発電システム103の合計発電、および/または前日からの太陽光発電システム103の平均時間発電を示す、データを使用し、動作211において、太陽光発電予測を発生させることができる。動作211において予測を発生させるために使用される、太陽光発電システム103の履歴時間発電を示すデータは、例えば、過去数日、数週間、または数ヵ月のうちの2つまたはそれを上回るものにおける太陽光発電システム103の履歴時間発電、および/または過去1年またはそれを上回る年の同一の日の太陽光発電システム103の履歴時間発電を含むことができる。過去1日またはそれを上回る日からの履歴発電データは、例えば、コンピュータシステム105において(例えば、ネットワーク104を通して)太陽源メータ102から受信されてもよい。
動作212では、SPEFSは、次いで、1つまたはそれを上回る以前の晴天日の1日の毎時間の各クラスタ内の合計太陽光発電への太陽光発電システム103のそれぞれの履歴寄与率を計算する。晴天日ANNは、例えば、以前の晴天日に関してネットワーク104を通して太陽源メータ102から受信される履歴時間発電データを使用して、1日の毎時間の間の各クラスタ内の合計太陽光発電への各個々の太陽光発電システム103の履歴寄与率を判定することができる。太陽光発電システム103のそれぞれの履歴寄与率は、動作207に関して上記に議論されるように、各個別のクラスタ内のシステム103の全ての合計発電に対する各個々のシステム103の太陽光発電の変化に基づいて、毎日の全体を通して変化する。SPEFSは、次いで、各個々の太陽光発電システム103に、動作212において計算されるその太陽光発電システム103の履歴寄与率に基づいて、その太陽光発電システム103に起因する、動作211において発生される合計予測の割合を割り当てる。動作212において発生される各クラスタ内の合計太陽光発電への太陽光発電システム103のそれぞれの履歴寄与率は、例えば、図2の動作212から動作207までの矢印によって示されるように、曇天日の合計太陽光発電予測の割合を割り当てるために、動作207への入力として使用されることができる。
以下の実施例は、さらなる実施形態に関する。実施例1は、少なくとも1つのプロセッサデバイスを備える、コンピュータシステムであり、コンピュータシステムは、電力を配電システムに提供する太陽光発電システムを太陽光発電システムのクラスタに群化し、クラスタはそれぞれ、太陽光発電システムの異なるサブセットを備え、ベルウェザーメータとして、クラスタのうちの個別のものを代表する、クラスタのそれぞれの中の太陽源メータを識別し、ベルウェザーメータはそれぞれ、クラスタのうちの1つの中の太陽光発電システムのうちの1つの電力出力を監視し、ベルウェザーメータから太陽光発電データを受信し、クラスタのうちの個別のものの中のベルウェザーメータからの太陽光発電データを使用して、太陽光発電システムのクラスタ毎に太陽光発電予測を発生させるように構成される。
実施例2では、実施例1のコンピュータシステムは、随意に、コンピュータシステムがさらに、クラスタのうちの個別のものの中の太陽光発電システムの一意の特徴に基づいて、ベルウェザーメータのそれぞれから受信される履歴晴天日太陽光発電データを調節し、クラスタのうちの個別のものの中の太陽光発電システムに関して晴天日太陽光発電推定を発生させるように構成されることを含むことができる。
実施例3では、実施例1-2のうちのいずれか1つのコンピュータシステムは、随意に、コンピュータシステムがさらに、クラスタのうちの個別のもの毎の太陽光発電システムに関する晴天日太陽光発電推定およびベルウェザーメータのうちの各個別のものからの履歴晴天日太陽光発電データをともに加算し、クラスタのうちの個別のもの毎に基準値を発生させるように構成されることを含むことができる。
実施例4では、実施例1-3のうちのいずれか1つのコンピュータシステムは、随意に、コンピュータシステムがさらに、入力として、クラスタのうちの個別のもの毎の基準値およびベルウェザーメータのうちの各個別のものからのリアルタイム太陽光発電データを受信する、人工ニューラルネットワークを使用して、太陽光発電システムのクラスタ毎に太陽光発電予測を発生させるように構成されることを含むことができる。
実施例5では、実施例1-4のうちのいずれか1つのコンピュータシステムは、随意に、コンピュータシステムがさらに、個別のベルウェザーメータとして、クラスタのうちの個別のものの重心の近傍にあるクラスタのそれぞれの中の太陽源メータを識別するように構成され、コンピュータシステムが、ベルウェザーメータ以外のクラスタ内の太陽源メータから受信されるデータを使用することなく、曇天日に太陽光発電システムのクラスタ毎に太陽光発電予測を発生させることを含むことができる。
実施例6では、実施例1-5のうちのいずれか1つのコンピュータシステムは、随意に、コンピュータシステムがさらに、ベルウェザーメータからの太陽光発電データおよび太陽光発電システムの一意の特徴を使用して、クラスタのそれぞれの中の太陽光発電システムの現在の太陽光発電の推定を発生させるように構成され、一意の特徴は、太陽光発電システムのそれぞれの最大電力出力、方位角、モデル、陰影、傾転、および追跡能力のうちの少なくとも1つを備えることを含むことができる。
実施例7では、実施例1-6のうちのいずれか1つのコンピュータシステムは、随意に、コンピュータシステムがさらに、クラスタのうちの個別のものの中の太陽光発電システムの一意の特徴に基づいて、クラスタのそれぞれの中のベルウェザーメータから受信される以前の晴天日に関する履歴太陽光発電データを調節し、太陽光発電システムに関する晴天日基準値を発生させ、1日の各時間間隔におけるベルウェザーメータのそれぞれからのリアルタイム太陽光発電データを、1日の対応する時間間隔におけるベルウェザーメータのうちの個別のものからの履歴太陽光発電データで除算し、1日の時間間隔毎に曇天日率を発生させるように構成されることを含むことができる。
実施例8では、実施例1-7のうちのいずれか1つのコンピュータシステムは、随意に、コンピュータシステムがさらに、クラスタのそれぞれの中の太陽光発電システムに関する晴天日基準値を、時間間隔のうちの現在のものにおいてクラスタのうちの個別のものの中のベルウェザーメータに関して発生される曇天日率で乗算し、クラスタ内の太陽光発電システムの現在の太陽光発電の推定を発生させるように構成されることを含むことができる。
実施例9は、コンピュータシステム内のプロセッサ上で実行可能な命令を記憶する、非一過性のコンピュータ可読記憶媒体であり、実行可能命令は、電力を配電システムに提供する太陽光発電システムを太陽光発電システムのクラスタに群化するように実行可能な命令であって、クラスタはそれぞれ、太陽光発電システムの異なるサブセットを備える、命令と、ベルウェザーメータとして、クラスタのうちの個別のものを代表する、クラスタのそれぞれの中の太陽源メータを使用するように実行可能な命令であって、ベルウェザーメータはそれぞれ、クラスタのうちの1つの中の太陽光発電システムのうちの1つの電力出力を監視する、命令と、ベルウェザーメータから太陽光発電データを受信するように実行可能な命令と、ベルウェザーメータから受信される太陽光発電データを使用して、クラスタのそれぞれの中の太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な命令とを備える。
実施例10では、実施例9の非一過性のコンピュータ可読記憶媒体は、随意に、クラスタのそれぞれの中の太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な命令がさらに、太陽光発電システムの最大電力出力、方位角、モデル、陰影、傾転、および追跡能力のうちの少なくとも1つを含む、太陽光発電システムの一意の特徴を使用して、クラスタのそれぞれの中の太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な命令を備えることを含むことができる。
実施例11では、実施例9-10のうちのいずれか1つの非一過性のコンピュータ可読記憶媒体は、随意に、クラスタのそれぞれの中の太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な命令がさらに、クラスタのうちの個別のもののそれぞれの中の太陽光発電システムの一意の特徴に基づいて、クラスタのそれぞれの中のベルウェザーメータから受信される履歴晴天日太陽光発電データを調節し、太陽光発電システムに関する晴天日基準値を発生させるように実行可能な命令を備えることを含むことができる。
実施例12では、実施例9-11のうちのいずれか1つの非一過性のコンピュータ可読記憶媒体は、随意に、クラスタのそれぞれの中の太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な命令がさらに、1日の各時間間隔におけるベルウェザーメータのそれぞれからのリアルタイム太陽光発電データを、1日の時間間隔のうちの対応するものにおけるベルウェザーメータのうちの各個別のものからの履歴晴天日太陽光発電データで除算し、1日の時間間隔のうちの対応するもののそれぞれにおけるベルウェザーメータのうちの個別のもの毎に曇天日率を発生させるように実行可能な命令を備えることを含むことができる。
実施例13では、実施例9-12のうちのいずれか1つの非一過性のコンピュータ可読記憶媒体は、随意に、クラスタのそれぞれの中の太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な命令がさらに、クラスタのそれぞれの中の太陽光発電システムに関する晴天日基準値のそれぞれを、時間間隔のうちの現在のものにおけるクラスタのうちの個別のものの中のベルウェザーメータに関する曇天日率で乗算し、太陽光発電システムの現在の太陽光発電の推定を発生させ、太陽光発電システムの現在の太陽光発電の推定およびベルウェザーメータからのリアルタイム太陽光発電データをともに加算し、太陽光発電システムの全ての現在の太陽光発電の推定を発生させるように実行可能な命令を備えることを含むことができる。
実施例14は、コンピュータシステム内の少なくとも1つのプロセッサ回路を使用して、配電システム内の太陽光発電の予測を発生させるための方法であって、クラスタがそれぞれ、太陽光発電システムの異なるサブセットを備えるように、電力を配電システムに提供する太陽光発電システムを太陽光発電システムのクラスタに群化するステップと、ベルウェザーメータとして、クラスタのうちの個別のものを代表する、クラスタのそれぞれの中の太陽源メータを識別するステップであって、ベルウェザーメータはそれぞれ、クラスタのうちの1つの中の太陽光発電システムのうちの1つの電力出力を監視する、ステップと、ベルウェザーメータから太陽光発電データを受信するステップと、ベルウェザーメータから受信される太陽光発電データを使用して、太陽光発電システムの太陽光発電の予測を発生させるステップとを含む、方法である。
実施例15では、実施例14の方法は、随意に、太陽光発電システムの太陽光発電の予測を発生させるステップがさらに、クラスタのうちの個別のものの中の太陽光発電システムの一意の特徴に基づいて、ベルウェザーメータのそれぞれから受信される履歴晴天日太陽光発電データを調節し、クラスタのうちの個別のものの中の太陽光発電システムに関して晴天日太陽光発電推定を発生させるステップを含むことを含むことができる。
実施例16では、実施例14-15のうちのいずれか1つの方法は、随意に、太陽光発電システムの太陽光発電の予測を発生させるステップがさらに、クラスタ毎の太陽光発電システムに関する晴天日太陽光発電推定およびベルウェザーメータのうちの各個別のものから受信される履歴晴天日太陽光発電データをともに加算し、クラスタのうちの個別のもの毎に基準値を発生させるステップを含むことを含むことができる。
実施例17では、実施例14-16のうちのいずれか1つの方法は、随意に、太陽光発電システムの太陽光発電の予測を発生させるステップがさらに、入力として、基準値およびベルウェザーメータからのリアルタイム太陽光発電データを受信する、人工ニューラルネットワークを使用して、太陽光発電システムの太陽光発電の予測を発生させるステップを含むことを含むことができる。
実施例18では、実施例14-17のうちのいずれか1つの方法は、随意に、一意の特徴が、太陽光発電システムのそれぞれの最大電力出力、方位角、モデル、陰影、傾転、および追跡能力のうちの少なくとも1つを備えることを含むことができる。
実施例19では、実施例14-18のうちのいずれか1つの方法は、随意に、クラスタのそれぞれの中のベルウェザーメータから受信されるリアルタイム太陽光発電データ、クラスタのそれぞれの中のベルウェザーメータから受信される以前の晴天日に関する履歴太陽光発電データ、および太陽光発電システムの一意の特徴を使用して、クラスタのそれぞれの中の太陽光発電システムの現在の太陽光発電の推定を発生させるステップをさらに含むことができる。
実施例20では、実施例14-19のうちのいずれか1つの方法は、随意に、太陽光発電システムの太陽光発電の予測を発生させるステップがさらに、ベルウェザーメータ以外のクラスタ内の太陽源メータから受信されるデータを使用することなく、曇天日に太陽光発電システムの太陽光発電の予測を発生させるステップを含むことを含むことができる。
実施例21では、実施例14-20のうちのいずれか1つの方法は、随意に、ベルウェザーメータとして、クラスタのうちの個別のものを代表する、クラスタのそれぞれの中の太陽源メータを識別するステップがさらに、個別のベルウェザーメータとして、クラスタのうちの個別のものの重心の近傍にあるクラスタのそれぞれの中の太陽源メータを識別するステップを含むことを含むことができる。
実施例22は、少なくとも1つのプロセッサデバイスを備える、コンピュータシステムであり、コンピュータシステムは、電力を配電システムに提供する太陽光発電システムを太陽光発電システムのクラスタに群化し、ベルウェザーメータとして、クラスタのうちの個別のものを代表する、クラスタのそれぞれの中の太陽源メータを識別し、ベルウェザーメータはそれぞれ、クラスタのうちの1つの中の太陽光発電システムのうちの1つの電力出力を監視し、ベルウェザーメータから太陽光発電データを受信し、ベルウェザーメータから受信される太陽光発電データを使用して、クラスタのそれぞれの中の太陽光発電システムの現在の太陽光発電の推定を発生させるように構成される。
実施例23では、実施例22のコンピュータシステムは、随意に、コンピュータシステムがさらに、個別のベルウェザーメータとして、クラスタのうちの個別のものの重心の近傍にあるクラスタのそれぞれの中の太陽源メータを識別するように構成されることを含むことができる。
実施例24では、実施例22-23のうちのいずれか1つのコンピュータシステムは、随意に、コンピュータシステムがさらに、クラスタのうちの個別のものの中の太陽光発電システムの一意の特徴に基づいて、クラスタのそれぞれの中のベルウェザーメータから受信される履歴晴天日太陽光発電データを調節し、太陽光発電システムに関する晴天日基準値を発生させ、1日の各時間間隔におけるベルウェザーメータのそれぞれから受信されるリアルタイム太陽光発電データを、1日の時間間隔のうちの対応するものにおけるベルウェザーメータのうちの各個別のものからの履歴晴天日太陽光発電データで除算し、1日の時間間隔のうちの対応するもののそれぞれにおけるベルウェザーメータのうちの個別のもの毎に曇天日率を発生させるように構成されることを含むことができる。
実施例25では、実施例22-24のうちのいずれか1つのコンピュータシステムは、随意に、コンピュータシステムがさらに、クラスタのそれぞれの中の太陽光発電システムに関する晴天日基準値のそれぞれを、時間間隔のうちの現在のものにおけるクラスタのうちの個別のものの中のベルウェザーメータに関する曇天日率で乗算し、太陽光発電システムの現在の太陽光発電の推定を発生させ、太陽光発電システムの現在の太陽光発電の推定およびベルウェザーメータからのリアルタイム太陽光発電データをともに加算し、太陽光発電システムの全ての現在の太陽光発電の推定を発生させるように構成されることを含むことができる。
本発明の例示的実施形態の前述の説明は、例証の目的のために提示された。前述の説明は、包括的であること、または本発明を本明細書に開示される実施例に限定することを意図していない。いくつかの事例では、本発明の特徴が、記載されるような他の特徴の対応する使用を伴わずに採用されることができる。多くの修正、代用、および変形例が、本発明の範囲から逸脱することなく、上記の教示を踏まえて可能である。

Claims (25)

  1. 少なくとも1つのプロセッサデバイスを備えるコンピュータシステムであって、前記コンピュータシステムは、
    電力を配電システムに提供する太陽光発電システムを前記太陽光発電システムのクラスタに群化することであって、前記クラスタはそれぞれ、前記太陽光発電システムの異なるサブセットを備える、ことと、
    ベルウェザーメータとして、前記クラスタのうちの個別のものを代表する前記クラスタのそれぞれの中の太陽源メータを識別することであって、前記ベルウェザーメータはそれぞれ、前記クラスタのうちの1つの中の前記太陽光発電システムのうちの1つの電力出力を監視する、ことと、
    前記ベルウェザーメータからリアルタイムで太陽光発電データを受信することと、
    前記クラスタのうちの個別のものの中の前記ベルウェザーメータからの前記太陽光発電データを使用して、前記太陽光発電システムのクラスタ毎に太陽光発電予測を発生させることと
    を行うように構成される、コンピュータシステム。
  2. 少なくとも1つのプロセッサデバイスを備えるコンピュータシステムであって、前記コンピュータシステムは、
    電力を配電システムに提供する太陽光発電システムを前記太陽光発電システムのクラスタに群化することであって、前記クラスタはそれぞれ、前記太陽光発電システムの異なるサブセットを備える、ことと、
    ベルウェザーメータとして、前記クラスタのうちの個別のものを代表する前記クラスタのそれぞれの中の太陽源メータを識別することであって、前記ベルウェザーメータはそれぞれ、前記クラスタのうちの1つの中の前記太陽光発電システムのうちの1つの電力出力を監視する、ことと、
    前記ベルウェザーメータから太陽光発電データを受信することと、
    前記クラスタのうちの個別のものの中の前記ベルウェザーメータからの前記太陽光発電データを使用して、前記太陽光発電システムのクラスタ毎に太陽光発電予測を発生させることと
    を行うように構成され、
    前記コンピュータシステムはさらに、前記クラスタのうちの個別のものの中の前記太陽光発電システムの一意の特徴に基づいて、前記ベルウェザーメータのそれぞれから受信される履歴晴天日太陽光発電データを調節し、前記クラスタのうちの個別のものの中の前記太陽光発電システムに関して晴天日太陽光発電推定を発生させるように構成される、ンピュータシステム。
  3. 前記コンピュータシステムはさらに、前記クラスタのうちの個別のもの毎の前記太陽光発電システムに関する前記晴天日太陽光発電推定および前記ベルウェザーメータのうちの各個別のものからの前記履歴晴天日太陽光発電データをともに加算し、前記クラスタのうちの個別のもの毎に基準値を発生させるように構成される、請求項2に記載のコンピュータシステム。
  4. 前記コンピュータシステムはさらに、入力として、前記クラスタのうちの個別のもの毎の基準値および前記ベルウェザーメータのうちの各個別のものからのリアルタイム太陽光発電データを受信する人工ニューラルネットワークを使用して、前記太陽光発電システムのクラスタ毎に前記太陽光発電予測を発生させるように構成される、請求項3に記載のコンピュータシステム。
  5. 前記コンピュータシステムはさらに、個別のベルウェザーメータとして、前記クラスタのうちの個別のものの重心の近傍にある前記クラスタのそれぞれの中の太陽源メータを識別するように構成され、
    前記コンピュータシステムは、前記ベルウェザーメータ以外の前記クラスタ内の太陽源メータから受信されるデータを使用することなく、曇天日に前記太陽光発電システムのクラスタ毎に前記太陽光発電予測を発生させる、
    請求項1に記載のコンピュータシステム。
  6. 前記コンピュータシステムはさらに、前記ベルウェザーメータからの前記太陽光発電データおよび前記太陽光発電システムの一意の特徴を使用して、前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させるように構成され、前記一意の特徴は、前記太陽光発電システムのそれぞれの最大電力出力、方位角、モデル、陰影、傾転、および追跡能力のうちの少なくとも1つを備える、請求項1に記載のコンピュータシステム。
  7. 少なくとも1つのプロセッサデバイスを備えるコンピュータシステムであって、前記コンピュータシステムは、
    電力を配電システムに提供する太陽光発電システムを前記太陽光発電システムのクラスタに群化することであって、前記クラスタはそれぞれ、前記太陽光発電システムの異なるサブセットを備える、ことと、
    ベルウェザーメータとして、前記クラスタのうちの個別のものを代表する前記クラスタのそれぞれの中の太陽源メータを識別することであって、前記ベルウェザーメータはそれぞれ、前記クラスタのうちの1つの中の前記太陽光発電システムのうちの1つの電力出力を監視する、ことと、
    前記ベルウェザーメータから太陽光発電データを受信することと、
    前記クラスタのうちの個別のものの中の前記ベルウェザーメータからの前記太陽光発電データを使用して、前記太陽光発電システムのクラスタ毎に太陽光発電予測を発生させることと
    を行うように構成され、
    前記コンピュータシステムはさらに、
    前記クラスタのうちの個別のものの中の前記太陽光発電システムの一意の特徴に基づいて、前記クラスタのそれぞれの中の前記ベルウェザーメータから受信される以前の晴天日に関する履歴太陽光発電データを調節し、前記太陽光発電システムに関する晴天日基準値を発生させることと、
    1日の各時間間隔における前記ベルウェザーメータのそれぞれからのリアルタイム太陽光発電データを、前記1日の対応する時間間隔における前記ベルウェザーメータのうちの個別のものからの前記履歴太陽光発電データで除算し、前記1日の時間間隔毎に曇天日率を発生させることと
    を行うように構成される、ンピュータシステム。
  8. 前記コンピュータシステムはさらに、前記クラスタのそれぞれの中の前記太陽光発電システムに関する前記晴天日基準値を、前記時間間隔のうちの現在のものにおいて前記クラスタのうちの個別のものの中の前記ベルウェザーメータに関して発生される前記曇天日率で乗算し、前記クラスタ内の前記太陽光発電システムの現在の太陽光発電の推定を発生させるように構成される、請求項7に記載のコンピュータシステム。
  9. コンピュータシステム内のプロセッサ上で実行可能な命令を記憶する非一過性のコンピュータ可読記憶媒体であって、前記実行可能命令は、
    電力を配電システムに提供する太陽光発電システムを前記太陽光発電システムのクラスタに群化するように実行可能な命令であって、前記クラスタはそれぞれ、前記太陽光発電システムの異なるサブセットを備える、命令と、
    ベルウェザーメータとして、前記クラスタのうちの個別のものを代表する前記クラスタのそれぞれの中の太陽源メータを使用するように実行可能な命令であって、前記ベルウェザーメータはそれぞれ、前記クラスタのうちの1つの中の前記太陽光発電システムのうちの1つの電力出力を監視する、命令と、
    前記ベルウェザーメータからリアルタイムで太陽光発電データを受信するように実行可能な命令と、
    前記ベルウェザーメータから受信される前記太陽光発電データを使用して、前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な命令と
    を備える、非一過性のコンピュータ可読記憶媒体。
  10. 前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な前記命令はさらに、前記太陽光発電システムの最大電力出力、方位角、モデル、陰影、傾転、および追跡能力のうちの少なくとも1つを含む前記太陽光発電システムの一意の特徴を使用して、前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な命令を備える、請求項9に記載の非一過性のコンピュータ可読記憶媒体。
  11. コンピュータシステム内のプロセッサ上で実行可能な命令を記憶する非一過性のコンピュータ可読記憶媒体であって、前記実行可能命令は、
    電力を配電システムに提供する太陽光発電システムを前記太陽光発電システムのクラスタに群化するように実行可能な命令であって、前記クラスタはそれぞれ、前記太陽光発電システムの異なるサブセットを備える、命令と、
    ベルウェザーメータとして、前記クラスタのうちの個別のものを代表する前記クラスタのそれぞれの中の太陽源メータを使用するように実行可能な命令であって、前記ベルウェザーメータはそれぞれ、前記クラスタのうちの1つの中の前記太陽光発電システムのうちの1つの電力出力を監視する、命令と、
    前記ベルウェザーメータから太陽光発電データを受信するように実行可能な命令と、
    前記ベルウェザーメータから受信される前記太陽光発電データを使用して、前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な命令と
    を備え、前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な前記命令はさらに、前記太陽光発電システムの最大電力出力、方位角、モデル、陰影、傾転、および追跡能力のうちの少なくとも1つを含む前記太陽光発電システムの一意の特徴を使用して、前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な命令を備え、
    前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な前記命令はさらに、前記クラスタのうちの個別のもののそれぞれの中の前記太陽光発電システムの一意の特徴に基づいて、前記クラスタのそれぞれの中の前記ベルウェザーメータから受信される履歴晴天日太陽光発電データを調節し、前記太陽光発電システムに関する晴天日基準値を発生させるように実行可能な命令を備える、一過性のコンピュータ可読記憶媒体。
  12. 前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な前記命令はさらに、1日の各時間間隔における前記ベルウェザーメータのそれぞれからのリアルタイム太陽光発電データを、前記1日の時間間隔のうちの対応するものにおける前記ベルウェザーメータのうちの各個別のものからの前記履歴晴天日太陽光発電データで除算し、前記1日の時間間隔のうちの対応するもののそれぞれにおける前記ベルウェザーメータのうちの個別のもの毎に曇天日率を発生させるように実行可能な命令を備える、請求項11に記載の非一過性のコンピュータ可読記憶媒体。
  13. 前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させるように実行可能な前記命令はさらに、
    前記クラスタのそれぞれの中の前記太陽光発電システムに関する前記晴天日基準値のそれぞれを、前記時間間隔のうちの現在のものにおける前記クラスタのうちの個別のものの中の前記ベルウェザーメータに関する前記曇天日率で乗算し、前記太陽光発電システムの現在の太陽光発電の推定を発生させることと、
    前記太陽光発電システムの現在の太陽光発電の推定および前記ベルウェザーメータからの前記リアルタイム太陽光発電データをともに加算し、前記太陽光発電システムの全ての現在の太陽光発電の推定を発生させることと
    を行うように実行可能な命令を備える、請求項12に記載の非一過性のコンピュータ可読記憶媒体。
  14. コンピュータシステム内の少なくとも1つのプロセッサ回路を使用して、配電システム内の太陽光発電の予測を発生させるための方法であって、前記方法は、
    クラスタがそれぞれ、太陽光発電システムの異なるサブセットを備えるように、電力を前記配電システムに提供する前記太陽光発電システムを前記太陽光発電システムの前記クラスタに群化することと、
    ベルウェザーメータとして、前記クラスタのうちの個別のものを代表する前記クラスタのそれぞれの中の太陽源メータを識別することであって、前記ベルウェザーメータはそれぞれ、前記クラスタのうちの1つの中の前記太陽光発電システムのうちの1つの電力出力を監視する、ことと、
    前記ベルウェザーメータからリアルタイムで太陽光発電データを受信することと、
    前記ベルウェザーメータから受信される前記太陽光発電データを使用して、前記太陽光発電システムの太陽光発電の予測を発生させること
    を含む、方法。
  15. コンピュータシステム内の少なくとも1つのプロセッサ回路を使用して、配電システム内の太陽光発電の予測を発生させるための方法であって、前記方法は、
    クラスタがそれぞれ、太陽光発電システムの異なるサブセットを備えるように、電力を前記配電システムに提供する前記太陽光発電システムを前記太陽光発電システムの前記クラスタに群化することと、
    ベルウェザーメータとして、前記クラスタのうちの個別のものを代表する前記クラスタのそれぞれの中の太陽源メータを識別することであって、前記ベルウェザーメータはそれぞれ、前記クラスタのうちの1つの中の前記太陽光発電システムのうちの1つの電力出力を監視する、ことと、
    前記ベルウェザーメータから太陽光発電データを受信することと、
    前記ベルウェザーメータから受信される前記太陽光発電データを使用して、前記太陽光発電システムの太陽光発電の予測を発生させることと
    を含み、
    前記太陽光発電システムの太陽光発電の予測を発生させることはさらに、前記クラスタのうちの個別のものの中の前記太陽光発電システムの一意の特徴に基づいて、前記ベルウェザーメータのそれぞれから受信される履歴晴天日太陽光発電データを調節し、前記クラスタのうちの個別のものの中の前記太陽光発電システムに関して晴天日太陽光発電推定を発生させることを含む、法。
  16. 前記太陽光発電システムの太陽光発電の予測を発生させることはさらに、前記クラスタ毎の前記太陽光発電システムに関する前記晴天日太陽光発電推定および前記ベルウェザーメータのうちの各個別のものから受信される前記履歴晴天日太陽光発電データをともに加算し、前記クラスタのうちの個別のもの毎に基準値を発生させることを含む、請求項15に記載の方法。
  17. 前記太陽光発電システムの太陽光発電の予測を発生させることはさらに、入力として、前記基準値および前記ベルウェザーメータからのリアルタイム太陽光発電データを受信する人工ニューラルネットワークを使用して、前記太陽光発電システムの太陽光発電の予測を発生させることを含む、請求項16に記載の方法。
  18. 前記一意の特徴は、前記太陽光発電システムのそれぞれの最大電力出力、方位角、モデル、陰影、傾転、および追跡能力のうちの少なくとも1つを備える、請求項17に記載の方法。
  19. 前記クラスタのそれぞれの中の前記ベルウェザーメータから受信される前記リアルタイム太陽光発電データ、前記クラスタのそれぞれの中の前記ベルウェザーメータから受信される以前の晴天日に関する履歴太陽光発電データ、および前記太陽光発電システムの一意の特徴を使用して、前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させることをさらに含む、請求項18に記載の方法。
  20. 前記太陽光発電システムの太陽光発電の予測を発生させることはさらに、前記ベルウェザーメータ以外の前記クラスタ内の太陽源メータから受信されるデータを使用することなく、曇天日に前記太陽光発電システムの太陽光発電の予測を発生させることを含む、請求項14に記載の方法。
  21. 前記ベルウェザーメータとして、前記クラスタのうちの個別のものを代表する前記クラスタのそれぞれの中の太陽源メータを識別することはさらに、個別のベルウェザーメータとして、前記クラスタのうちの個別のものの重心の近傍にある前記クラスタのそれぞれの中の太陽源メータを識別することを含む、請求項14に記載の方法。
  22. 少なくとも1つのプロセッサデバイスを備えるコンピュータシステムであって、前記コンピュータシステムは、
    電力を配電システムに提供する太陽光発電システムを前記太陽光発電システムのクラスタに群化することと、
    ベルウェザーメータとして、前記クラスタのうちの個別のものを代表する前記クラスタのそれぞれの中の太陽源メータを識別することであって、前記ベルウェザーメータはそれぞれ、前記クラスタのうちの1つの中の前記太陽光発電システムのうちの1つの電力出力を監視する、ことと、
    前記ベルウェザーメータからリアルタイムで太陽光発電データを受信することと、
    前記ベルウェザーメータから受信される前記太陽光発電データを使用して、前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させることと
    を行うように構成される、コンピュータシステム。
  23. 前記コンピュータシステムはさらに、個別のベルウェザーメータとして、前記クラスタのうちの個別のものの重心の近傍にある前記クラスタのそれぞれの中の太陽源メータを識別するように構成される、請求項22に記載のコンピュータシステム。
  24. 少なくとも1つのプロセッサデバイスを備えるコンピュータシステムであって、前記コンピュータシステムは、
    電力を配電システムに提供する太陽光発電システムを前記太陽光発電システムのクラスタに群化することと、
    ベルウェザーメータとして、前記クラスタのうちの個別のものを代表する前記クラスタのそれぞれの中の太陽源メータを識別することであって、前記ベルウェザーメータはそれぞれ、前記クラスタのうちの1つの中の前記太陽光発電システムのうちの1つの電力出力を監視する、ことと、
    前記ベルウェザーメータから太陽光発電データを受信することと、
    前記ベルウェザーメータから受信される前記太陽光発電データを使用して、前記クラスタのそれぞれの中の前記太陽光発電システムの現在の太陽光発電の推定を発生させることと
    を行うように構成され、
    前記コンピュータシステムはさらに、
    前記クラスタのうちの個別のもののそれぞれの中の前記太陽光発電システムの一意の特徴に基づいて、前記クラスタのそれぞれの中の前記ベルウェザーメータから受信される履歴晴天日太陽光発電データを調節し、前記太陽光発電システムに関する晴天日基準値を発生させることと、
    1日の各時間間隔における前記ベルウェザーメータのそれぞれから受信されるリアルタイム太陽光発電データを、前記1日の時間間隔のうちの対応するものにおける前記ベルウェザーメータのうちの各個別のものからの前記履歴晴天日太陽光発電データで除算し、前記1日の時間間隔のうちの対応するもののそれぞれにおける前記ベルウェザーメータのうちの個別のもの毎に曇天日率を発生させることと
    を行うように構成される、ンピュータシステム。
  25. 前記コンピュータシステムはさらに、
    前記クラスタのそれぞれの中の前記太陽光発電システムに関する前記晴天日基準値のそれぞれを、前記時間間隔のうちの現在のものにおける前記クラスタのうちの個別のものの中の前記ベルウェザーメータに関する前記曇天日率で乗算し、前記太陽光発電システムの現在の太陽光発電の推定を発生させることと、
    前記太陽光発電システムの現在の太陽光発電の推定および前記ベルウェザーメータからの前記リアルタイム太陽光発電データをともに加算し、前記太陽光発電システムの全ての現在の太陽光発電の推定を発生させることと
    を行うように構成される、請求項24に記載のコンピュータシステム。

JP2021526196A 2018-07-19 2019-07-09 太陽光発電を推定および予測するための技法 Active JP7407815B2 (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862700728P 2018-07-19 2018-07-19
US62/700,728 2018-07-19
US16/255,604 US11487994B2 (en) 2018-07-19 2019-01-23 Techniques for estimating and forecasting solar power generation
US16/255,604 2019-01-23
PCT/US2019/040971 WO2020018314A1 (en) 2018-07-19 2019-07-09 Techniques for estimating and forecasting solar power generation

Publications (2)

Publication Number Publication Date
JP2021531725A JP2021531725A (ja) 2021-11-18
JP7407815B2 true JP7407815B2 (ja) 2024-01-04

Family

ID=69163129

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021526196A Active JP7407815B2 (ja) 2018-07-19 2019-07-09 太陽光発電を推定および予測するための技法

Country Status (6)

Country Link
US (1) US11487994B2 (ja)
EP (1) EP3824546B1 (ja)
JP (1) JP7407815B2 (ja)
KR (1) KR20210034627A (ja)
TW (1) TWI831814B (ja)
WO (1) WO2020018314A1 (ja)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580549B (zh) * 2019-09-02 2020-06-02 山东大学 一种考虑天气的区域短期能源功率预测方法及系统
CN111614316B (zh) * 2020-06-16 2021-06-22 国网电子商务有限公司 光伏系统发电状态监测方法及其装置
TWI810487B (zh) * 2020-09-25 2023-08-01 國立成功大學 太陽能發電預測方法
JPWO2022113441A1 (ja) * 2020-11-26 2022-06-02
KR102544233B1 (ko) * 2021-05-21 2023-06-16 성균관대학교산학협력단 태양광 발전의 출력 예측 불확실성 및 간헐성 보상 방법 및 장치
WO2023203843A1 (ja) * 2022-04-22 2023-10-26 住友電気工業株式会社 発電状態判定装置、発電状態判定方法および判定プログラム
KR20240112483A (ko) * 2023-01-12 2024-07-19 경북대학교 산학협력단 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템 및 그 제어방법
US20240348204A1 (en) 2023-04-17 2024-10-17 Withus Inc. Information processing method for solar power generation compensation and solar power generation system

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009050064A (ja) 2007-08-17 2009-03-05 Hitachi Ltd 配電系統状態推定装置
WO2017026010A1 (ja) 2015-08-07 2017-02-16 三菱電機株式会社 太陽光発電量予測装置および太陽光発電量予測方法
JP2018011494A (ja) 2016-07-15 2018-01-18 関西電力株式会社 太陽光発電出力推定装置及び太陽光発電出力推定方法

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008143653A2 (en) * 2006-12-11 2008-11-27 V2Green, Inc. Transaction management in a power aggregation system for distributed electric resources
WO2010056764A2 (en) * 2008-11-12 2010-05-20 Mehrdad Nikoonahad High efficiency solar panel and system
JP2013529051A (ja) 2010-05-07 2013-07-11 アドバンスド エナージィ インダストリーズ,インコーポレイテッド 太陽光発電予測システム並びに方法
US8682585B1 (en) 2011-07-25 2014-03-25 Clean Power Research, L.L.C. Computer-implemented system and method for inferring operational specifications of a photovoltaic power generation system
US9880230B1 (en) 2011-07-25 2018-01-30 Clean Power Research, L.L.C. System and method for inferring operational specifications of a photovoltaic power generation system using net load with the aid of a digital computer
JP5888640B2 (ja) 2011-09-27 2016-03-22 学校法人明治大学 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム
US9007460B2 (en) 2012-03-30 2015-04-14 General Electric Company Methods and systems for predicting cloud movement
EP2843798B1 (en) * 2012-04-26 2018-11-14 Sekisui Chemical Co., Ltd. Power storage system and cartridge
JP6003247B2 (ja) 2012-06-05 2016-10-05 富士電機株式会社 情報処理装置、情報処理装置の制御方法及びプログラム
KR101366874B1 (ko) 2012-11-09 2014-02-26 주식회사 유시스템 태양광 발전량 정보 처리 장치 및 방법과 태양광 발전 모니터링 장치 및 방법
JP6115764B2 (ja) * 2013-03-14 2017-04-19 オムロン株式会社 太陽光発電システム、異常判断処理装置、異常判断処理方法、およびプログラム
US10103538B1 (en) * 2013-10-04 2018-10-16 Universal Lighting Technologies, Inc. Surge protection circuit for a half-bridge power converter
US9921339B2 (en) 2014-03-31 2018-03-20 Stc.Unm Apparatus and method for solar energy resource micro-forecasts for solar generation sources and utilities
CA2948640A1 (en) * 2014-05-29 2015-12-03 Brilliant Light Power, Inc. Electrical power generation systems and methods regarding same
US20160033986A1 (en) 2014-07-30 2016-02-04 Melrok, Llc Systems and methods to manage renewable energy on the electric grid
WO2017035629A1 (en) 2015-08-31 2017-03-09 Green Power Labs Inc. Method and system for solar power forecasting
US10554170B2 (en) 2015-10-08 2020-02-04 Con Edison Battery Storage, Llc Photovoltaic energy system with solar intensity prediction
KR102690629B1 (ko) * 2016-01-19 2024-07-31 브릴리언트 라이트 파워, 인크. 열광전지 전기 발전기
US10554049B2 (en) * 2016-03-21 2020-02-04 The Regents Of The University Of California Real-time disaggregation of renewable energy generation on an electricity distribution system
US20170286838A1 (en) * 2016-03-29 2017-10-05 International Business Machines Corporation Predicting solar power generation using semi-supervised learning
US10331089B2 (en) * 2016-10-07 2019-06-25 International Business Machines Corporation Forecasting solar power generation using weather forecasts
US9857778B1 (en) 2016-10-07 2018-01-02 International Business Machines Corporation Forecasting solar power generation using real-time power data, weather data, and complexity-based similarity factors
US11545830B2 (en) 2017-01-18 2023-01-03 Board Of Regents, The University Of Texas System Systems and methods of hierarchical forecasting of solar photovoltaic energy production
WO2018156700A1 (en) * 2017-02-22 2018-08-30 Board Of Regents, The University Of Texas System Building energy management and optimization
EP3388910A1 (en) * 2017-04-10 2018-10-17 ABB Schweiz AG Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid
KR102064083B1 (ko) * 2018-08-01 2020-01-09 김동선 발전 시스템의 이상 유무 판단 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009050064A (ja) 2007-08-17 2009-03-05 Hitachi Ltd 配電系統状態推定装置
WO2017026010A1 (ja) 2015-08-07 2017-02-16 三菱電機株式会社 太陽光発電量予測装置および太陽光発電量予測方法
JP2018011494A (ja) 2016-07-15 2018-01-18 関西電力株式会社 太陽光発電出力推定装置及び太陽光発電出力推定方法

Also Published As

Publication number Publication date
TWI831814B (zh) 2024-02-11
US20200026982A1 (en) 2020-01-23
WO2020018314A1 (en) 2020-01-23
EP3824546A1 (en) 2021-05-26
US11487994B2 (en) 2022-11-01
JP2021531725A (ja) 2021-11-18
TW202028898A (zh) 2020-08-01
EP3824546B1 (en) 2023-08-30
EP3824546A4 (en) 2022-04-13
KR20210034627A (ko) 2021-03-30

Similar Documents

Publication Publication Date Title
JP7407815B2 (ja) 太陽光発電を推定および予測するための技法
Chaudhary et al. Energy management supporting high penetration of solar photovoltaic generation for smart grid using solar forecasts and pumped hydro storage system
Lamedica et al. A MILP methodology to optimize sizing of PV-Wind renewable energy systems
Celik et al. Neural network based method for conversion of solar radiation data
Ranaboldo et al. Renewable energy projects to electrify rural communities in Cape Verde
CA2964806C (en) Forecasting net load in a distributed utility grid
US11070058B2 (en) Forecasting net load in a distributed utility grid
Junior et al. On the use of maximum likelihood and input data similarity to obtain prediction intervals for forecasts of photovoltaic power generation
Heymann et al. Distribution network planning considering technology diffusion dynamics and spatial net-load behavior
US20110276269A1 (en) Systems and methods for forecasting solar power
Khatib et al. A software tool for optimal sizing of PV systems in Malaysia
Li et al. Optimal battery schedule for grid-connected photovoltaic-battery systems of office buildings based on a dynamic programming algorithm
KR102338519B1 (ko) 실시간 신재생에너지 발전량 추정 시스템
Julien et al. Hierarchical control of utility-scale solar PV plants for mitigation of generation variability and ancillary service provision
Ridha et al. Multi-objective and multi-criteria decision making for Technoeconomic optimum design of hybrid standalone renewable energy system
Srinivasarao et al. A simple and reliable method of design for standalone photovoltaic systems
Manjarres et al. Solar energy forecasting and optimization system for efficient renewable energy integration
Elazab et al. Adaptive cloudiness index for enhanced photovoltaic energy prediction and management in low-income smart homes using geographic information system
Tarai et al. Development of the simplified predictive model for the estimation of annual PV energy production: A case study for Odisha
Grant et al. Evaluating the impacts of weather forecast inaccuracy on performance of model predictive control for dynamic facades
Joseph et al. Techno-Economic Assessment of a Hybrid Solar Photovoltaic–Diesel Genset for Rural Electrification, Case study of Namabasa Village–Uganda
CN118316092B (zh) 源网荷储协同用电智能调控方法、装置、系统、电子设备及存储介质
Sharrma et al. A Scheduling System for an Energy Storage Device using Photovoltaic and Demand Forecasting
Meinerzhagen et al. Method for modelling fluctuating energy generation plants for the assessment of their impact on medium and low voltage grids
Flores Photovoltaic and Load Forecasting Predictions for a Microgrid using Machine Learning

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220613

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230523

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230627

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230926

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20231218

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231219

R150 Certificate of patent or registration of utility model

Ref document number: 7407815

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150