JP7451715B2 - 日射量補正方法、日射量補正装置、コンピュータプログラム、モデル、モデル生成方法及びモデル提供方法 - Google Patents

日射量補正方法、日射量補正装置、コンピュータプログラム、モデル、モデル生成方法及びモデル提供方法 Download PDF

Info

Publication number
JP7451715B2
JP7451715B2 JP2022540271A JP2022540271A JP7451715B2 JP 7451715 B2 JP7451715 B2 JP 7451715B2 JP 2022540271 A JP2022540271 A JP 2022540271A JP 2022540271 A JP2022540271 A JP 2022540271A JP 7451715 B2 JP7451715 B2 JP 7451715B2
Authority
JP
Japan
Prior art keywords
data
solar radiation
model
humidity
correction
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
JP2022540271A
Other languages
English (en)
Other versions
JPWO2022024960A1 (ja
Inventor
真太朗 前川
裕司 稲冨
剛史 塩田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsui Chemicals Inc
Original Assignee
Mitsui Chemicals Inc
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 Mitsui Chemicals Inc filed Critical Mitsui Chemicals Inc
Publication of JPWO2022024960A1 publication Critical patent/JPWO2022024960A1/ja
Application granted granted Critical
Publication of JP7451715B2 publication Critical patent/JP7451715B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W1/00Meteorology
    • G01W1/12Sunshine duration recorders
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W1/00Meteorology
    • G01W1/10Devices for predicting weather conditions

Landscapes

  • Environmental & Geological Engineering (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Air Conditioning Control Device (AREA)
  • Air-Conditioning For Vehicles (AREA)
  • Photovoltaic Devices (AREA)

Description

本発明は、日射量補正方法、日射量補正装置、コンピュータプログラム、モデル、モデル生成方法及びモデル提供方法に関する。
近年、地球温暖化対策等のため再生可能エネルギーの導入が推進されている。再生可能エネルギーのひとつである太陽光発電は、温室効果ガスを発生させないという利点があり、その普及が期待されている。太陽光発電所の建設計画や実際の運転には、日射量を予測する必要がある。
特許文献1には、日射量が実測される地点において、日射量の実測値と、その地点に関する気象衛星画像データを使用して所定の計算式で求めた日射量の推定値とを比較し、推定値と実測値との誤差が許容量以下になるように計算式のパラメータを調整し、調整したパラメータを用いた計算式により、実測地点近くの任意の地点の日射量を推定するシステムが開示されている。
特開平11-211560号公報
しかし、特許文献1のシステムでは、気象衛星画像データとともにエアロゾル粒子や水蒸気による日射量の吸収係数が考慮されているものの、雲に起因する影響が十分に考慮されていない。また、日射量データを含む気象データをグローバルに提供する気象情報サービス事業者は複数存在するが、いずれの気象情報サービス事業者が提供する日射量データも、日射量の実測値との乖離が大きい場合がある。
本発明は斯かる事情に鑑みてなされたものであり、実測値との乖離が小さい日射量データを提供することができる日射量補正方法、日射量補正装置、コンピュータプログラム、モデル、モデル生成方法及びモデル提供方法を提供することを目的とする。
本発明の実施の形態に係る日射量補正方法は、日射量データを取得し、気象データを取得し、取得した気象データに基づいて、取得した日射量データを補正する。
本発明の実施の形態に係る日射量補正装置は、日射量データを取得する第1取得部と、気象データを取得する第2取得部と、前記第2取得部で取得した気象データに基づいて前記第1取得部で取得した日射量データを補正する補正部とを備える。
本発明の実施の形態に係るコンピュータプログラムは、コンピュータに、日射量データを取得し、気象データを取得し、取得した気象データに基づいて、取得した日射量データを補正する、処理を実行させる。
本発明の実施の形態に係るモデルは、日射量データ及び気象データを入力変数とし、補正後の日射量データを出力変数とする機械学習により生成されている。
本発明の実施の形態に係るモデル生成方法は、日射量データ及び気象データを取得し、補正後の日射量データを取得し、前記日射量データ及び気象データを入力変数とし、前記補正後の日射量データを出力変数とするモデルを生成する。
本発明の実施の形態に係るモデル提供方法は、日射量データ及び気象データを入力変数とし、補正後の日射量データを出力変数とする機械学習により生成された複数の異なるモデルを記憶し、複数の気象情報サービス事業者の中から所要の気象情報サービス事業者の選択を受け付け、前記複数の異なるモデルのうち、選択された気象情報サービス事業者に対応するモデルを提供する。
本発明によれば、実測値との乖離が小さい日射量データを提供することができる。
本実施の形態の日射量補正システムの構成の一例を示す模式図である。 サーバの構成の一例を示すブロック図である。 日射量データの一例を示す模式図である。 気象データの一例を示す説明図である。 第1補正部による日射量補正方法の一例を示す説明図である。 第2補正部による日積算日射量補正方法の第1例を示す模式図である。 入力データと出力データとの関係を示す模式図である。 第2補正部による日積算日射量補正方法の第2例を示す模式図である。 第2補正部による日積算日射量補正方法の第3例を示す模式図である。 モデルの生成方法の一例を示す模式図である。 気象情報サービス事業者と機械学習済みモデルとの対応関係を示す説明図である。 サーバによる日射量の補正処理の第1例を示すフローチャートである。 サーバによる日射量の補正処理の第2例を示すフローチャートである。 サーバによるモデル生成処理の一例を示すフローチャートである。 第1補正部による水平面全天日射量の補正結果の一例を示す説明図である。 第2補正部による水平面全天日射量の補正結果の一例を示す説明図である。 第2補正部による斜面日射量の補正結果の一例を示す説明図である。 サーバによるモデル提供方法の一例を示す模式図である。 サーバによって提供される日射量の第1表示例を示す模式図である。 サーバによって提供される日射量の第2表示例を示す模式図である。 サーバによって提供される日射量の第3表示例を示す模式図である。 サーバによって提供される発電所の予測発電量の表示例を示す模式図である。 サーバによって提供される発電所の売電収入の表示例を示す模式図である。
以下、本発明をその実施の形態を示す図面に基づいて説明する。図1は本実施の形態の日射量補正システムの構成の一例を示す模式図である。日射量補正システムは、日射量補正装置としてのサーバ50を備える。サーバ50は、気象データDB61及び日射量データDB62にアクセスすることができる。サーバ50は、インターネットなどの通信ネットワーク1に接続されている。通信ネットワーク1には、複数の気象情報サービス事業者それぞれの管理サーバ100が接続される。各管理サーバ100は、日射量DB110にアクセスすることができる。また、通信ネットワーク1には、複数の気象情報利用業者又は利用者それぞれの端末装置10が接続されている。端末装置10は、例えば、パーソナルコンピュータ(PC)、タブレット、スマートフォン等である。
気象情報サービス事業者は、グローバルに気象データベースを提供している企業であり、独自の予測モデルを用いて日射量データを利用者に提供している。日射量DB110は、予測モデルを用いて生成された日射量データが記録されている。管理サーバ100は、日射量DB110にアクセスして、所要の日射量データを読み出し、読み出した日射量データを利用者に提供することができる。
気象情報利用業者は、日射量データ及び日射量データに関連する関連情報を利用する企業である。気象情報利用業者は、端末装置10を使って、サーバ50から日射量データ及び日射量データに関連する関連情報の提供を受けることができる。
図2はサーバ50の構成の一例を示すブロック図である。サーバ50は、サーバ全体を制御する制御部51、日射量データ取得部52、気象データ取得部53、記憶部54、第1補正部55、日射量関連情報提供部56、第2補正部57、及び学習処理部58を備える。第1補正部55及び第2補正部57は纏めて補正部とも称する。第2補正部57は、入力データ生成部571及びモデル部572を備える。モデル部572は、半導体メモリ又はハードディスク等で構成され、機械学習によって生成されたモデル(学習済みのモデル)を格納している。学習処理部58は、学習データ生成部581、モデル部582及びパラメータ決定部583を備える。モデル部582は、半導体メモリ又はハードディスク等で構成され、機械学習前のモデルを格納している。学習処理部58で機械学習を行って生成されたモデルは、モデル部572に格納することができる。なお、モデル部582に、機械学習途中のモデル、再学習用のモデル、学習済みのモデルを格納してもよい。また、学習処理部58は必須の構成ではなく、学習処理を行う別のサーバに具備する構成でもよい。また、サーバ50を複数のサーバで構成し、各サーバで機能を分散してもよい。また、第1補正部55と第2補正部57は、いずれか一方のみを備える構成でもよい。
制御部51は、CPU(Central Processing Unit)、ROM(Read Only Memory)及びRAM(Random Access Memory)などで構成することができる。記憶部54は、半導体メモリ又はハードディスク等で構成され、サーバ50内の処理の結果得られたデータなどの所要のデータを記憶することができる。
日射量データ取得部52は、通信ネットワーク1上での通信機能を備え、気象情報サービス事業者の管理サーバ100から日射量データを取得することができる。
図3は日射量データの一例を示す模式図である。日射量データは、1又は複数の地点における所要期間に亘る日射量の時間単位データとすることができる。日射量は、単位面積が単位時間に太陽から受ける放射エネルギーの量であり、単位は、[kWh/m2 /h]で表すことができる。日射量は、例えば、全天空からの日射量を測定した水平面全天日射量とすることができる。所要期間は、過去の期間、過去から将来に亘る期間、又は将来の期間のいずれでもよい。図3に示すように、日射量データは、地点L1での日射量データD1、地点L2での日射量データD2、地点L3での日射量データD3、地点L4での日射量データD4、地点L5での日射量データD5、地点L6での日射量データD6、…の如く構成することができる。また、地点L2、L4、L5などは、日射量の観測地点でもあり、日射量の実測値も併せて取得可能である。
気象データ取得部53は、気象データDB61にアクセスし、気象データDB61から気象データを取得することができる。気象データは、例えば、気象観測所で観測したデータや気象予測事業者が提供するデータ等を用いることができる。気象データは、予め気象データDB61に格納しておくことができる。また、気象データは、随時取得して気象データDB61に格納してもよい。気象データは、雲に起因する影響を物理量、雲との相関関係が存在する物理量を含めることができ、直接観測できるデータだけでなく、観測したデータを加工したデータも含む。
図4は気象データの一例を示す説明図である。図4に示すように、気象データには、例えば、気温、気温差、湿度差、雲量、湿度の対数、湿数、体感温度差、気圧、気圧定数、直達日射量、散乱日射量などが含まれる。気象データは、日単位でもよく、時間単位でもよい。気温は日平均の気温データとすることができる。気温差は1日内の気温差データとすることができる。湿度差は1日内の湿度差データとすることができる。雲量は、空の全天に占める雲の割合であり、日平均の雲量データとすることができる。湿度の対数は、{1/log(湿度)}で表す日平均の湿度の対数データとすることができる。湿数は(気温-露点温度)で表す日平均のデータとすることができる。なお、湿数を、ある緯度及び高度での気温と当該緯度及び高度での露点温度との差としてもよい。なお、湿数を算出することができる物性値を湿数に代えて用いてもよい。体感温度差(Heat Indexの差、熱指数の差)は、1日内の体感温度差データとすることができる。気圧は、日平均の海抜レベルの気圧データとすることができる。気圧定数は、{所定値a1-[海抜レベルの気圧]/定数a2}という式で定義するデータとすることができる。具体的には、図に示すように、例えば、a1=112、a2=10、海抜レベルの気圧は日平均の気圧とすることができる。なお、所定値a1、定数a2は図の例に限定されない。直達日射量は、全天空の内、太陽の光球の範囲のみからの日射量であり、日積算直達日射量データとすることができる。散乱日射量は、全天空の内、太陽の光球以外の範囲からの日射量であり、日積算散乱日射量データとすることができる。
次に、本実施の形態の日射量補正方法について説明する。本実施の形態では、第1補正部55のみによる日射量補正を行ってもよく、第2補正部57のみによる日射量補正を行ってもよく、第1補正部55と第2補正部57を組み合わせて日射量補正を行ってもよい。
まず、第1補正部55による日射量補正方法について説明する。
第1補正部55は、取得した気象データに基づいて、取得した日射量データを補正することができる。取得した日射量データは、雲、雨、霧などに起因する日射量への影響を十分に考慮していないが取得した日射量データを、気象データを用いて補正することにより、雲、雨、霧に起因する影響を考慮することができ、実測値との乖離が小さい日射量データを提供することができる。また、取得した日射量データが将来の予測である場合、将来の気象データを取得することにより、将来の日射量データを補正することができる。
図5は第1補正部55による日射量補正方法の一例を示す説明図である。補正手法C1は、適宜行うことができる。気象情報サービス事業者の提供する日射量データ及び気象データは、実測値との間に時間ズレに起因する誤差を含むことがあり、補正手法C1以外の日射量補正の精度に影響する。第1補正部55は、補正前の日射量データを取得すると、日射量データの時間ズレを補正する。具体的には、第1補正部55は、日射量の単位時間データ(例えば、1時間毎のデータ)を加重平均化し、時間軸を所要時間だけずらす。所要時間は、例えば、20分前とすることができるが、これに限定されない。加重平均の重みは、ずらす時間の前後の1時間毎のデータとの差分の比に応じて決定されるが、これに限定されない。
補正手法C2は、気圧定数が気圧定数閾値以上の場合、第1補正部55は、補正前の日射量データを補正する。気圧定数を{112-[海抜レベルの気圧]/10}とした場合、気圧定数閾値は、例えば、1とすることができる。海抜レベルの気圧が低いほど気圧定数は大きくなる。気圧定数が気圧定数閾値以上の場合、地表部分は低気圧となり、より気圧の高い部分から空気が流入し、結果として上昇気流が生じて雲が発生する。従って、雲の影響を考慮する必要があり、取得した日射量データは補正する必要があると考えられる。日射量データの補正は、水平面全天日射量を(気圧定数)のa乗で除算して補正することができる。ここで、冪指数a>1である。冪指数aは、例えば、a=1.1、a=1.2、a=1.3などとすることができる。日射量データの供給元に応じて、日射量データの予測アルゴリズムが異なる場合があるので、冪指数aは、日射量データの供給元に応じて適宜変更してもよい。なお、気圧定数が気圧定数閾値未満の場合、日射量データを補正する必要はない。
補正手法C3は、海抜レベルの平均気圧が気圧閾値未満の場合、第1補正部55は、補正前の日射量データを補正する。海抜レベルの気圧が気圧閾値(例えば、101kPaなど)以下の場合、地表部分は低気圧となり、より気圧の高い部分から空気が流入し、結果として上昇気流が生じて雲が発生する。従って、雲の影響を考慮する必要があり、取得した日射量データは補正する必要があると考えられる。日射量データの補正は、日射量データに所定の係数b(ただし、b<1、例えば、b=0.95、b=0.90、b=0.85など)を乗算して補正することができる。日射量データの供給元に応じて、日射量データの予測アルゴリズムが異なる場合があるので、係数bは、日射量データの供給元に応じて適宜変更してもよい。なお、平均気圧が気圧閾値以上の場合、日射量データを補正する必要はない。
補正手法C4は、湿数が湿数閾値未満の場合、第1補正部55は、補正前の日射量データを補正する。湿数が湿数閾値を超える場合は、湿数が大きいので、湿度は低く、雲の影響を考慮しなくてもよいと考えられる。一方、湿数が湿数閾値未満の場合、湿数が小さいので湿度は高く、その地域には雨や霧が発生していると考えられ、取得した日射量データは補正する必要があると考えられる。日射量データの補正は、日射量データに所定の係数c(ただし、c<1、例えば、c=0.98、c=0.95、c=0.90など)を乗算して補正することができる。日射量データの供給元に応じて、日射量データの予測アルゴリズムが異なる場合があるので、係数cは、日射量データの供給元に応じて適宜変更してもよい。
上述の補正手法C1~C4は、補正条件を満たせば、全て同時に行ってもよいが、一部のみを行ってもよい。特に、補正手法C1及びC2は、補正手法C3及びC4よりも実測値との乖離を小さくする効果が大きいので、補正手法C1及びC2を行ってもよく、さらに乖離を改善すべく、補正手法C1~C4を行ってもよい。
次に、第2補正部57による日射量補正方法について説明する。
第2補正部57は、取得した気象データに基づいて、取得した日射量データを補正することができる。取得した日射量データは、雲、雨、霧などに起因する日射量への影響を十分に考慮していないが取得した日射量データを、気象データを用いて補正することにより、雲、雨、霧に起因する影響を考慮することができ、実測値との乖離が小さい日射量データを提供することができる。また、取得した日射量データが将来の予測である場合、将来の気象データを取得することにより、将来の日射量データを補正することができる。
前述のとおり、第2補正部57は、入力データ生成部571及びモデル部572を備える。なお、本明細書において、モデル部とモデルは同義であるが、モデル部は複数のモデルの集合体の意味も有する。モデル部572は、機械学習済みのモデルであり、例えば、ニューラルネットワークで構成することができる。モデル部572は、入力変数と出力変数との関係を定式化したものであり、日射量データ及び気象データを入力変数とし、補正後の日射量データを出力変数とする機械学習により生成されている。モデル部572は、日射量データ及び気象データが入力されると、補正後の日射量データを出力することができる。
図6は第2補正部57による日積算日射量補正方法の第1例を示す模式図である。モデル572aは、ニューラルネットワークで構成され、入力層、中間層、出力層を備え、機械学習によって、ニューラルネットワークのパラメータ(重み、バイアスなど)が決定されている。入力データ生成部571は、日射量データとしての日積算水平面全天日射量、気象データとしての日平均の湿数、日平均の{1/log(湿度)}、及び日平均の気温を含む入力データを生成してモデル572aに入力する。モデル572aは、出力データとして、補正後の日射量データ(日積算水平面全天日射量)を出力することができる。これにより、雲に起因する影響を考慮することができ、実測値との乖離が小さい日射量データを提供することができる。
上述のように、モデル572aに湿数データを入力することにより、補正後の日射量データを得ることができる。湿数データをモデル572aの入力変数とすることにより、日射量に対する雨や霧などの影響を考慮することができる。
上述のように、モデル572aに湿度データの対数データを入力することにより、補正後の日射量データを得ることができる。湿度データの対数データをモデル572aの入力変数とすることにより、日射量に対する雲の影響を考慮することができる。また、図6には図示していないが、モデル572aに雲量データを入力することにより、補正後の日射量データを得ることができる。雲量データをモデル572aの入力変数とすることにより、日射量に対する雲の影響を考慮することができる。
モデル572aに入力する日射量データは、気象情報サービス事業者から取得した補正がなされていない日射量データとすることができるが、これに限定されるものではない。例えば、前述の第1補正部55によって、補正手法C1~C4の全部又は一部を施した補正済の日射量データを用いてもよい。すなわち、モデル572aの入力変数として、補正された日射量データを含む。日射量データの補正は、気象データに基づいて補正してもよく、あるいは日射量データを時間単位で加重平均化して、時間ズレを補正してもよい。モデル572aに、補正した日射量データを入力することにより、モデル572aは、補正した日射量データをさらに補正するので、補正の精度を一層高めることができる。
図7は入力データと出力データとの関係を示す模式図である。時間情報t1、t2、t3、t4、t5、…は、時間単位としてもよく、日単位としてもよい。時間単位の場合、t1~t24が24時間を表し、日単位の場合、t1~t30が30日を表す。時間情報t1での日射量データdt1及び気象データwt1が入力されると、時間情報t1での補正後の日射量データdt1′が出力される。他の時間情報t2、t3、…でも同様である。日射量データを補正する際の対象とする補正期間(所要期間)は、数時間でもよく、数日でもよく、数か月でもよく、数年でもよい。補正期間は、過去の期間でもよく、将来の期間でもよく、過去から将来に亘る期間でもよい。補正前の日射量データが、将来の予測データである場合、モデル572aは補正後の日射量データの予測データを出力することができる。なお、この場合、気象データも将来の予測データを用いればよい。また、日射量データが時間単位であり、気象データが日単位の場合には、時間情報t1~t24それぞれに日単位の同一値の気象データを割り当てればよい。
図8は第2補正部57による日積算日射量補正方法の第2例を示す模式図である。図6に示す第1例との違いは、入力データ内の気象データに、1日内の湿度差、日積算散乱日射量、日積算直達日射量、日平均の雲量、1日内の気温差、1日内の体感温度差が含まれている。なお、入力する気象データは、1日内の湿度差、日積算散乱日射量、日積算直達日射量、日平均の雲量、1日内の気温差及び1日内の体感温度差のうちの一部でもよい。また、図示していないが、入力する気象データに、気温データと露点温度データの組み合わせ、気温データと風冷温度データの組み合わせ、気温データと体感温度データの組み合わせ、又は気温データと熱指数データの組み合わせを含めてもよい。これにより、雲などに起因するさらなる影響を考慮することができ、実測値との乖離をさらに改善した日射量データを提供することができる。
図9は第2補正部57による日積算日射量補正方法の第3例を示す模式図である。図6に示す第1例との違いは、補正後の日射量データ(日積算水平面全天日射量)そのものを出力する構成に代えて、補正前の日射量データに対する日単位毎の補正量(補正後の日射量から補正前の日射量を差し引いた差分)を出力する点である。
補正された日射量データは、日射量データDB62に記録することができる。
次に、モデルの生成方法(学習方法)について説明する。
前述のとおり、学習処理部58は、学習データ生成部581、モデル部582、パラメータ決定部583を備える。モデル部582は、機械学習前のモデルを格納している。なお、モデル部582に機械学習途中や再学習予定のモデルを格納してもよい。モデルは、例えば、入力層、中間層及び出力層を含むニューラルネットワークで構成することができる。機械学習前のモデルは、ニューラルネットワークのパラメータが未決定である。
図10はモデル582aの生成方法の一例を示す模式図である。学習処理部58は、補正前の日射量データ及び気象データを入力変数とし、補正後の日射量データを出力変数とするモデルを生成することができる。具体的には、学習データ生成部581は、日射量データとしての日積算水平面全天日射量、気象データとしての日平均の湿数、日平均の{1/log(湿度)}、及び日平均の気温、日射量データの供給元を識別する識別子を含む学習用データを生成してモデル582aに入力する。パラメータ決定部583は、モデル582aが出力する学習時出力データ(日積算水平面全天日射量)と教師データとしての日積算水平面全天日射量の実測値との差が小さくなるように、ニューラルネットワークのパラメータ(重みwij、バイアスblm)を調整する。学習時出力データと教師データとの差は、予め目的関数(または損失関数)を決定し、目的関数の値が小さくなるようにパラメータを調整すればよい。パラメータ決定部583は、学習時出力データと教師データとの差が最も小さくなるときのパラメータを決定することができる。なお、図10に示す生成方法で生成されたモデルは、図6に示すモデルに対応している。図8に示すモデルの生成方法は、学習用入力データとして、1日内の湿度差、日積算散乱日射量、日積算直達日射量、日平均の雲量、1日内の気温差、1日内の体感温度差を追加すればよい。
モデルの再学習については、学習済みのモデルを再度学習してもよいが、初期のパラメータを用いて最初から学習し直してもよい。例えば、モデルを特定のトリガの都度学習させる場合、過去の学習データを用いて最初から学習させることができる。特定のトリガとしては、例えば、気象衛星の更新時を挙げることができる。
機械学習方法は、例えば、線形モデルとしては、線形回帰、リッジ回帰、Lasso回帰、エラスティックネット等を挙げることができ、非線形モデルとしては、ニューラルネットワーク以外に、k近傍法、回帰木、ランダムフォレスト、勾配ブースティング、サポートベクター回帰、射影追跡回帰、ガウス過程回帰などを挙げることができる。なお、線形回帰モデルよりも非線形回帰モデルの方が好ましい。
機械学習によって生成されるモデルは画一的である必要はない。気象情報サービス事業者から提供される日射量データは、気象情報サービス事業者によって独自の予測モデルを用いて生成されているため、使用される予測モデルに応じて予測される日射量データのデータ特性も異なる可能性がある。そこで、気象情報サービス事業者毎に固有のモデルを生成することができる。
図11は気象情報サービス事業者と機械学習済みモデルとの対応関係を示す説明図である。図11に示すように、A社から提供される日射量データに対しては、モデル572aを用いることができ、B社から提供される日射量データに対しては、モデル572bを用いることができ、C社から提供される日射量データに対しては、モデル572cを用いることができる。モデル572a、572b、572c、…は、気象情報サービス事業者と関連付けてモデル部572に格納しておくことができる。
複数の気象情報サービス事業者の中から所要の気象情報サービス事業者の選択を受け付けた場合、第2補正部57は、選択された気象情報サービス事業者に対応するモデルを用いて、取得した日射量データを補正することができる。A社から提供された日射量データは、A社用のモデル572aを用いて補正することができる。同様に、B社から提供された日射量データは、B社用のモデル572bを用いて補正し、C社から提供された日射量データは、C社用のモデル572cを用いて補正することができる。これにより、日射量データの供給元の事業者が異なる場合でも、日射量データを適切に補正することができる。なお、上述の例では、気象情報サービス事業者に対応付けてモデルを生成し、使用したが、日射量データの予測に用いられた予測モデルに対応付けてモデルを生成し、使用してもよい。
図12はサーバ50による日射量の補正処理の第1例を示すフローチャートである。以下では、便宜上、処理の主体を制御部51として説明する。図12は第1補正部55を用いた補正処理を示す。制御部51は、気象情報サービス事業者から所要地点での所要期間(補正対象の期間)の水平面全天日射量を取得し(S11)、当該所要地点又はその近傍地点での当該所要期間の気象データを取得する(S12)。所要時点での気象データが存在しない場合には、所要地点に最も近い地点や気象状況が近似する地点での気象データを取得すればよい。
制御部51は、補正手法C1のとおり、水平面全天日射量の時間ズレを補正し(S13)、気圧定数が気圧定数閾値以上であるか否かを判定する(S14)。気圧定数が気圧定数閾値以上である場合(S14でYES)、補正手法C2のとおり、水平面全天日射量を所定数で除算して補正する(S15)。気圧定数が気圧定数閾値以上でない場合(S14でNO)、制御部51は、後述のステップS16の処理を行う。
制御部51は、海抜レベルの気圧が気圧閾値未満であるか否かを判定し(S16)、海抜レベルの気圧が気圧閾値未満である場合(S16でYES)、補正手法C3のとおり、水平面全天日射量に所定数bを乗算して補正する(S17)。海抜レベルの気圧が気圧閾値未満でない場合(S16でNO)、制御部51は、後述のステップS18の処理を行う。
制御部51は、湿数が湿数閾値未満であるか否かを判定し(S18)、湿数が湿数閾値未満である場合(S18でYES)、補正手法C3のとおり、水平面全天日射量に所定数cを乗算して補正し(S19)、補正した水平面全天日射量を出力し(S20)、処理を終了する。湿数が湿数閾値未満でない場合(S18でNO)、制御部51は、ステップS20の処理を行う。
なお、ステップS13、ステップS14~S15、ステップS16~S17、ステップS18~S19それぞれの処理を全部行ってもよく、あるいは一部だけ行ってもよい。
図13はサーバ50による日射量の補正処理の第2例を示すフローチャートである。図13は第2補正部57を用いた補正処理を示す。制御部51は、気象情報サービス事業者の選択を受け付け(S31)、選択された気象情報サービス事業者に対応する機械学習済みモデルをモデル部572から選択する(S32)。
制御部51は、選択された気象情報サービス事業者から所要地点での所要期間(補正対象の期間)の水平面全天日射量を取得し(S33)、当該所要地点又はその近傍地点での当該所要期間の気象データを取得する(S34)。
制御部51は、選択したモデルに、水平面全天日射量及び気象データを入力して水平面全天日射量を補正し(S35)、補正した水平面全天日射量を出力し(S36)、処理を終了する。
なお、図12に示す処理だけを行って日射量補正を行ってもよく、あるいは図13に示す処理だけを行って日射量補正を行ってもよい。また、図12と図13に示す両者の日射量補正処理を行ってもよい。
図14はサーバ50によるモデル生成処理の一例を示すフローチャートである。制御部51は、入力変数と出力変数との関係を定式化するモデルをモデル部582から読み出し(S41)、パラメータ(重み、バイアスなど)の初期値を設定する(S42)。制御部51は、気象情報サービス事業者から対象地点での対象期間の水平面全天日射量を取得し(S43)、当該対象地点での対象期間の気象データを取得する(S44)。対象地点は、水平面全天日射量を観測して実測値が得られる地点とすることができ、複数の地点が好ましい。
制御部51は、当該対象地点での対象期間の水平面全天日射量の実測データを取得し(S45)、水平面全天日射量及び気象データを入力変数としてモデルに入力し、モデルが出力する水平面全天日射量と実測データとを用いて目的関数の値が最小となるようにパラメータ(重み、バイアスなど)を調整する(S46)。
制御部51は、目的関数の値が許容範囲内であるか否かを判定し(S47)、目的関数の値が許容範囲内でない場合(S47でNO)、ステップS46以降の処理を続ける。目的関数の値が許容範囲内である場合(S47でYES)、制御部51は、生成したモデルをモデル部572に記憶し(S48)、処理を終了する。
次に、本実施の形態の日射量補正方法の評価結果について説明する。
図15は第1補正部55による水平面全天日射量の補正結果の一例を示す説明図である。評価地点として、銚子、東京、及び宇都宮の3地点を挙げている。上段のグラフは、月積算日射量[kWh/m2 /month]を表し、補正前の日射量、補正後の日射量、日射量の実測値(気象庁データ)それぞれを図示している。下段の表は、年単位(2018年、2019年)での補正前の日射量と補正後の日射量を、それぞれ日射量の実測値(気象庁データ)と比較して図示している。図15に示すように、いずれの地点においても、補正前の日射量と日射量の実測値との乖離に比べて、補正後の日射量と日射量の実測値との乖離が小さくなっており、水平面全天日射量の予測精度を改善できることが分かる。
図16は第2補正部57による水平面全天日射量の補正結果の一例を示す説明図である。評価地点として、宮崎、長崎、及び佐賀の3地点を挙げている。上段のグラフは、月積算日射量[kWh/m2 /month]を表し、補正前の日射量、補正後の日射量、日射量の実測値(気象庁データ)それぞれを図示している。下段の表は、年単位(2018年、2019年)での補正前の日射量と補正後の日射量を、それぞれ日射量の実測値(気象庁データ)と比較して図示している。図16に示すように、いずれの地点においても、補正前の日射量と日射量の実測値との乖離に比べて、補正後の日射量と日射量の実測値との乖離が小さくなっており、水平面全天日射量の予測精度を改善できることが分かる。
図17は第2補正部57による斜面日射量の補正結果の一例を示す説明図である。斜面日射量は、水平面全天日射量及び斜面の傾斜角度を元に、例えば、METPV-11などの公知手段を用いて求めることが出来る。評価地点は、太陽光発電所が設置されている茂原である。左側のグラフは、月積算日射量[kWh/m2 /month]を表し、補正前の日射量、補正後の日射量、日射量の実測値それぞれを図示している。右側の表は、2014年から2019年までの年単位での補正前の日射量と補正後の日射量を、それぞれ日射量の実測値(気象庁データ)と比較して図示している。斜面の傾斜角は10度である。図17に示すように、補正前の日射量と日射量の実測値との乖離に比べて、補正後の日射量と日射量の実測値との乖離が小さくなっており、斜面射量の予測精度を改善でき、太陽光発電所の発電量算出に好適に利用可能であることが分かる。
本実施の形態のサーバ50は、日射量に関連する様々なサービス提供に利用することができる。以下では、サーバ50が提供できるサービスについて説明する。
図18はサーバ50によるモデル提供方法の一例を示す模式図である。図11に例示したように、サーバ50は、機械学習により生成された複数の異なるモデルをモデル部572に記憶しておく。図18に示すように、A社からA社用モデルの要求を受け付けた場合、サーバ50は、A社用のモデルをA社の管理サーバ100に対して提供することができる。A社の管理サーバ100は、提供されたモデルを用いて日射量DB110に記録された日射量データを補正して日射量の予測を行うことができる。同様に、B社からB社用モデルの要求を受け付けた場合、サーバ50は、B社用のモデルをB社の管理サーバ100に対して提供することができる。B社の管理サーバ100は、提供されたモデルを用いて日射量DB110に記録された日射量データを補正して日射量の予測を行うことができる。また、M社からC社用モデルの要求を受け付けた場合、サーバ50は、C社用のモデルをM社の管理サーバ100に対して提供することができる。M社の管理サーバ100は、提供されたモデルを用いて、C社から取得した日射量データを補正して日射量の予測を行うことができる。
上述のように、気象情報サービス事業者が独自の予測モデルを使って日射量データの提供サービスを行っている場合、提供する日射量データの精度が向上するように支援することができる。また、気象情報サービス事業者が他者から日射量データの提供を受けている場合、提供された日射量データの精度を向上させることができる。
日射量関連情報提供部56は、日射量に関連する関連情報を生成し、例えば、気象情報利用業者に関連情報を提供することができる。気象情報利用業者は、端末装置10を用いて関連情報を表示させることができる。以下では、具体例について説明する。
図19はサーバ50によって提供される日射量の第1表示例を示す模式図である。端末装置10は、日射量画面200を表示することができる。日射量画面200において、利用者は、地図画面201で所要の地点を選択することができる。あるいは、地図画面201の代わりに、地点リスト画面202で所要の地点を選択することができる。利用者は、さらに期間選択領域203で、所要の期間(例えば、OO年~OO年、OO月~OO月、OO日~OO日など)を選択することができる。端末装置10で選択された地点及期間は、関連情報の要求とともにサーバ50へ送信される。サーバ50は、選択された地点及び期間での日射量データを提供することができる。端末装置10では、日射量画面204に日射量データを表示することができる。図の例では、地点S1、S2が選択され、地点S1、S2での日射量データの推移が表示されている。
図20はサーバ50によって提供される日射量の第2表示例を示す模式図である。端末装置10は、日射量画面210を表示することができる。日射量画面210において、日射量画面211、212、213、214それぞれに、異なる4地点の日射量データが表示されるとともに、日射量データの信頼度も表示することができる。信頼度は、日射量データを補正する際に用いる気象データの欠損率や、モデルの評価指標として用いられる決定係数(R2)に基づいてサーバ50が予め算出してもよい。利用者は、同時に複数の地点の日射量を把握することができるとともに、日射量データの信頼性も把握することができる。
図21はサーバ50によって提供される日射量の第3表示例を示す模式図である。端末装置10は、日射量画面220を表示することができる。日射量画面220において、所要地点での日射量の推移が異なる表示態様で表示されている。例えば、符号221で示す推移は精度が高いことを示し、符号223で示す推移は精度が低いことを示し、符号222で示す推移は精度が中程度であることを示す。これにより、利用者は、日射量データの推移の中で精度の違いがある場合、どの期間でどの程度の精度になっているのかを直ちに把握することができる。
図22はサーバ50によって提供される発電所の予測発電量の表示例を示す模式図である。端末装置10は、発電所の予測発電量画面230を表示することができる。予測発電量画面230において、利用者は、発電所リスト画面231で所要の発電所を選択することができる。利用者は、さらに期間選択領域232で、予測期間(例えば、OO日~OO日など)を選択することができる。端末装置10で選択された発電所及予測期間は、関連情報の要求とともにサーバ50へ送信される。サーバ50は、選択された発電所及び予測期間での日射量データを求めることができる。
日射量関連情報提供部56は、日射量データに基づいて予測発電量を算出することができる。具体的には、1日の発電量は、発電所のシステム容量(発電設備の最大出力)、損失係数を用いて、{発電量=システム容量×1日の日射量×損失係数}という式で算出できる。サーバ50は、算出した発電量を端末装置10に提供することができる。
端末装置10は、発電量表示画面233に、選択された発電所(図の例では、発電所P1、P2)の発電量の推移と、1日の平均発電量を表示することができる。
図23はサーバ50によって提供される発電所の売電収入の表示例を示す模式図である。端末装置10は、発電所の売電収入画面240を表示することができる。売電収入画面240において、利用者は、発電所リスト画面241で対象の発電所を選択することができる。利用者は、さらに期間選択領域242で、対象期間(例えば、OO年)を選択することができる。端末装置10で選択された発電所及対象期間は、関連情報の要求とともにサーバ50へ送信される。サーバ50は、選択された発電所及び対象期間での日射量データを求めることができる。
日射量関連情報提供部56は、選択された発電所及び対象期間での日射量、システム容量、損失係数、年間発電量、売電価格、売電収入を端末装置10に提供することができる。システム容量、損失係数は、予め発電所に対応付けて記憶部54に記憶しておくことができる。年間発電量は、{システム容量×1日の日射量×損失係数×365}という式で算出できる。売電収入は、{年間発電量×売電価格}という式で算出できる。また、収益は、売電収入から経費を差し引くことで算出できる。
端末装置10は、日射量、システム容量、損失係数、年間発電量、売電価格、売電収入をそれぞれ表示領域243、244、245、246、247、248に表示することができる。
本実施の形態の補正部(第1補正部55及び第2補正部57の少なくとも一方)による補正と組み合わせて、積雪期間のアルベド変化を考慮した補正を行うことで、積雪のない期間と同等精度で、積雪期間の傾斜面日射量を予測することができる。具体的には、積雪量、降雪量がある一定値認められた場合、斜面日射量を予測する際にアルベド(数値は特定値)補正することで、補正後の日射量の誤差をより少なくすることができる。アルベドは、日射の反射率であり、入射した放射に対する反射放射の比を反射率という。地表面を校正する主な物質のアルベドは、以下の通りである。
積雪(新、乾) 0.75~0.9
積雪(旧、湿) 0.4~0.6
なお、アルベド変化に基づく日射量の補正は、積雪がある場合に限定されるものではなく、地表面物体のアルベドに応じて行うこともできる。
本実施の形態は、農業分野に適用することができる。例えば、過去の日射量と農作物の収量との関係を農家、農協などの団体や農業事業者に提供するとともに、日射量の予測を提供することにより、農作物の収量を予め予測することができる。また、将来の日射量を提供することにより、収穫時期の調整や農作物の病害の拡大の予測などに用いることができる。
本実施の形態の日射量補正方法は、日射量データを取得し、気象データを取得し、取得した気象データに基づいて、取得した日射量データを補正する。
本実施の形態の日射量補正装置は、日射量データを取得する第1取得部と、気象データを取得する第2取得部と、前記第2取得部で取得した気象データに基づいて前記第1取得部で取得した日射量データを補正する補正部とを備える。
本実施の形態のコンピュータプログラムは、コンピュータに、日射量データを取得し、気象データを取得し、取得した気象データに基づいて、取得した日射量データを補正する、処理を実行させる。
日射量補正方法は、日射量データを取得し、気象データを取得する。日射量データは、例えば、気象情報サービス事業者が運用する管理サーバ等から取得することができる。日射量データは、1又は複数の地点における所要期間に亘る日射量の時間単位データとすることができる。日射量は、単位面積が単位時間に太陽から受ける放射エネルギーの量であり、単位は、[kWh/m2 /h]で表すことができる。日射量は、例えば、全天空からの日射量を測定した水平面全天日射量とすることができる。所要期間は、過去の期間、過去から将来に亘る期間、又は将来の期間のいずれでもよい。気象データは、例えば、気象観測所で観測したデータや気象予測事業者が提供するデータ等を用いることができる。気象データは、雲に起因する影響を物理量、雲との相関関係が存在する物理量を含めることができ、直接観測できるデータだけでなく、観測したデータを加工したデータも含む。
日射量補正方法は、取得した気象データに基づいて、取得した日射量データを補正する。取得した日射量データは、雲に起因する影響を十分に考慮していないが取得した日射量データを、気象データを用いて補正することにより、雲に起因する影響を考慮することができ、実測値との乖離が小さい日射量データを提供することができる。
本実施の形態の日射量補正方法は、日射量データ及び気象データを入力変数とするモデルを用いて、取得した日射量データを補正する。
日射量補正方法は、日射量データ及び気象データを入力変数とするモデルを用いて、取得した日射量データを補正する。すなわち、モデルは、日射量データ及び気象データを入力変数とし、補正後の日射量データを出力変数とし、入力変数と出力変数との関係を定式化したものである。なお、補正後の日射量データは、取得した日射量データ(補正前の日射量データ)に対する差分(補正後の日射量データと補正前の日射量データとの差分)であってもよい。モデルは機械学習によって生成することができる。これにより、モデルに日射量データ及び気象データを入力すると、補正後の日射量データを得ることができる。
本実施の形態の日射量補正方法は、前記モデルの入力変数は、湿数データを含み、湿数データを含む気象データを取得する。
日射量補正方法は、モデルの入力変数として湿数データを含み、モデルに湿数データを入力することにより、補正後の日射量データを得ることができる。湿数は、ある緯度及び硬度における気温と、当該緯度及び高度における露点温度との差である。露点温度が高いほど湿度が高いので、湿数が小さいほど湿度が高い。なお、湿数を、ある高度での気温と当該高度での露点温度との差としてもよい。湿数データをモデルの入力変数とすることにより、雨や霧などの影響を考慮することができる。
本実施の形態の日射量補正方法は、前記モデルの入力変数は、湿度データの対数データを含み、湿度データの対数データを含む気象データを取得する。
日射量補正方法は、モデルの入力変数として湿度データの対数データを含み、モデルに湿度データの対数データを入力することにより、補正後の日射量データを得ることができる。湿度データの対数データは、例えば、{1/log(湿度)}で表すことができる。湿度データの対数データをモデルの入力変数とすることにより、雲の影響を考慮することができる。
本実施の形態の日射量補正方法は、前記モデルの入力変数は、所定期間での気温データ、気温差データ、湿度差データ又は体感温度差データ、雲量データ、直達日射量データ、気温データと露点温度データの組み合わせ、気温データと風冷温度データの組み合わせ、気温データと体感温度データの組み合わせ、気温データと熱指数データの組み合わせ、及び散乱日射量データの少なくとも一つを含み、所定期間での気温データ、気温差データ、湿度差データ又は体感温度差データ、雲量データ、直達日射量データ、気温データと露点温度データの組み合わせ、気温データと風冷温度データの組み合わせ、気温データと体感温度データの組み合わせ、気温データと熱指数データの組み合わせ、及び散乱日射量データの少なくとも一つを含む気象データを取得する。
日射量補正方法は、モデルの入力変数として、所定期間での気温データ、気温差データ、湿度差データ又は体感温度差データ、雲量データ、直達日射量データ、気温データと露点温度データの組み合わせ、気温データと風冷温度データの組み合わせ、気温データと体感温度データの組み合わせ、気温データと熱指数データの組み合わせ、及び散乱日射量データの少なくとも一つを含む。所定期間は、例えば、1日とすることができる。所定期間での気温データは、1日の平均気温であり、所定期間での気温差データは、1日内の気温差であり、所定期間での湿度差データは、1日内の湿度差である。所定期間での他のデータも同様である。
モデルに、所定期間での気温データ、気温差データ、湿度差データ又は体感温度差データ、雲量データ、直達日射量データ、気温データと露点温度データの組み合わせ、気温データと風冷温度データの組み合わせ、気温データと体感温度データの組み合わせ、気温データと熱指数データの組み合わせ、及び散乱日射量データの少なくとも一つを入力することにより、補正後の日射量データを得ることができる。前述の各データの少なくとも一つをモデルの入力変数とすることにより、雲の影響を考慮することができる。
本実施の形態の日射量補正方法は、前記モデルの入力変数は、取得した気象データに基づいて補正された日射量データを含み、補正された日射量データを取得して、さらに日射量データを補正する。
日射量補正方法は、モデルの入力変数として、取得した気象データに基づいて補正された日射量データを含む。気象データは、湿数データ、海抜レベルの気圧データの少なくとも1つを含めてもよい。日射量データの補正は、気象データに基づいて補正してもよく、あるいは日射量データを時間単位で加重平均化して、時間ズレを補正してもよい。
モデルに、補正した日射量データを入力することにより、モデルは、補正した日射量データをさらに補正するので、補正の精度を一層高めることができる。
本実施の形態の日射量補正方法は、湿数データを含む気象データを取得し、取得した湿数データが所定の湿数閾値未満の場合、取得した日射量データを補正する。
日射量補正方法は、湿数データを含む気象データを取得し、取得した湿数データが所定の湿数閾値未満の場合、取得した日射量データを補正する。湿数が湿数閾値を超える場合は、湿数が大きいので、湿度は低く、雲の影響を考慮しなくてもよいと考えられる。一方、湿数が湿数閾値未満の場合、湿数が小さいので湿度は高く、その地域には雨や霧が発生していると考えられ、取得した日射量データは補正する必要があると考えられる。日射量データの補正は、日射量データに所定の係数c(ただし、c<1、例えば、c=0.98、c=0.95、c=0.90など)を乗算して補正することができる。日射量データの供給元に応じて、日射量データの予測アルゴリズムが異なる場合があるので、係数cは、日射量データの供給元に応じて適宜変更してもよい。
本実施の形態の日射量補正方法は、海抜レベルの気圧データを含む気象データを取得し、取得した海抜レベルの気圧データが所定の気圧閾値以下の場合、取得した日射量データを補正する。
日射量補正方法は、海抜レベルの気圧データを含む気象データを取得し、取得した海抜レベルの気圧データが所定の気圧閾値以下の場合、取得した日射量データを補正する。海抜レベルの気圧が気圧閾値(例えば、101kPaなど)以下の場合、地表部分は低気圧となり、より気圧の高い部分から空気が流入し、結果として上昇気流が生じて雲が発生するため、雲の影響を考慮する必要があり、取得した日射量データは補正する必要があると考えられる。日射量データの補正は、日射量データに所定の係数b(ただし、b<1、例えば、b=0.95、b=0.90、b=0.85など)を乗算して補正することができる。日射量データの供給元に応じて、日射量データの予測アルゴリズムが異なる場合があるので、係数bは、日射量データの供給元に応じて適宜変更してもよい。
本実施の形態の日射量補正方法は、海抜レベルの気圧データを含む気象データを取得し、所定値と取得した海抜レベルの気圧データとの差分が所定の差分閾値以上の場合、取得した日射量データを補正する。
日射量補正方法は、海抜レベルの気圧データを含む気象データを取得し、所定値と取得した海抜レベルの気圧データとの差分が所定の差分閾値以上の場合、取得した日射量データを補正する。具体的には、気圧定数={所定値a1-[海抜レベルの気圧]/定数a2}と定義することができ、前述の差分は気圧定数で表すことができる。海抜レベルの気圧が低いほど気圧定数は大きくなる。気圧定数が気圧定数閾値(差分閾値に対応)以上の場合、地表部分は低気圧となり、より気圧の高い部分から空気が流入し、結果として上昇気流が生じて雲が発生するため、雲の影響を考慮する必要があり、取得した日射量データは補正する必要があると考えられる。日射量データの補正は、日射量データを(気圧定数)のa乗で除算して補正することができる。ここで、冪指数a>1である。冪指数aは、例えば、a=1.1、a=1.2、a=1.3などとすることができる。日射量データの供給元に応じて、日射量データの予測アルゴリズムが異なる場合があるので、冪指数aは、日射量データの供給元に応じて適宜変更してもよい。
本実施の形態の日射量補正方法は、気象情報サービス事業者から日射量データを取得する。
日射量補正方法は、気象情報サービス事業者から日射量データを取得する。気象情報サービス事業者は、それぞれが独自の予測モデルを用いて日射量データを提供している。従って、日射量データを補正する場合には、気象情報サービス事業者毎に補正方法を変えることができる。
本実施の形態の日射量補正方法は、複数の気象情報サービス事業者の中から所要の気象情報サービス事業者の選択を受け付け、選択された気象情報サービス事業者に対応する前記モデルを用いて、取得した日射量データを補正する。
日射量補正方法は、複数の気象情報サービス事業者の中から所要の気象情報サービス事業者の選択を受け付け、選択された気象情報サービス事業者に対応するモデルを用いて、取得した日射量データを補正する。気象情報サービス事業者を、A社、B社、C社とすると、A社から提供された日射量データは、A社用のモデルを用いて補正することができる。同様に、B社から提供された日射量データは、B社用のモデルを用いて補正し、C社から提供された日射量データは、C社用のモデルを用いて補正することができる。これにより、日射量データの供給元の事業者が異なる場合でも、日射量データを適切に補正することができる。
本実施の形態のモデルは、日射量データ及び気象データを入力変数とし、補正後の日射量データを出力変数とする機械学習により生成されている。
モデルは、日射量データ及び気象データを入力変数とし、補正後の日射量データを出力変数とする機械学習により生成されている。モデルは、入力変数と出力変数との関係を定式化したものであり、日射量データ及び気象データが入力されると、補正後の日射量データを出力することができる。
本実施の形態のモデル生成方法は、日射量データ及び気象データを取得し、補正後の日射量データを取得し、前記日射量データ及び気象データを入力変数とし、前記補正後の日射量データを出力変数とするモデルを生成する。
モデル生成方法は、取得した日射量データ及び気象データを入力変数とし、補正後の日射量データを出力変数とするモデルを生成する。具体的には、モデルは、ニューラルネットワーク(入力層、中間層、出力層を備える)で構成することができる。取得した日射量データ及び気象データを学習用入力データとし、日射量データの実測値を教師データとする。モデルに学習用入力データを入力した場合に、モデルが出力する日射量データと教師データとの差が小さくなるように、ニューラルネットワークのパラメータ(重み、バイアス)を調整してモデルを生成することができる。
本実施の形態のモデル提供方法は、日射量データ及び気象データを入力変数とし、補正後の日射量データを出力変数とする機械学習により生成された複数の異なるモデルを記憶し、複数の気象情報サービス事業者の中から所要の気象情報サービス事業者の選択を受け付け、前記複数の異なるモデルのうち、選択された気象情報サービス事業者に対応するモデルを提供する。
モデル提供方法は、機械学習により生成された複数の異なるモデルを記憶しておく。複数の気象情報サービス事業者の中から所要の気象情報サービス事業者の選択を受け付け、選択された気象情報サービス事業者に対応するモデルを提供する。気象情報サービス事業者を、A社、B社とすると、A社からA社用モデルの要求を受け付けた場合は、A社用のモデルをA社に提供することができる。同様に、B社からB社用モデルの要求を受け付けた場合は、B社用のモデルをB社に提供することができる。これにより、気象情報サービス事業者が独自の予測モデルを使って日射量データの提供サービスを行っている場合、提供する日射量データの精度が向上するように支援することができる。
1 通信ネットワーク
10 端末装置
50 サーバ
51 制御部
52 日射量データ取得部
53 気象データ取得部
54 記憶部
55 第1補正部
56 日射量関連情報提供部
57 第2補正部
571 入力データ生成部
572 モデル部
58 学習処理部
581 学習データ生成部
582 モデル部
583 パラメータ決定部
61 気象データDB
62 日射量データDB
100 管理サーバ
110 日射量DB

Claims (14)

  1. 日射量データを取得し、
    湿数データを含む気象データを取得し、
    日射量データ及び湿数データを含む気象データを入力変数とし、補正後の日射量データを出力変数とし、
    機械学習により生成され、ニューラルネットワークで構成される機械学習済みのモデルを用いて、取得した日射量データを補正する、
    日射量補正方法。
  2. 日射量データを取得し、
    湿度データの対数データを含む気象データを取得し、
    日射量データ及び湿度データの対数データを含む気象データを入力変数とし、補正後の日射量データを出力変数とし、
    機械学習により生成され、ニューラルネットワークで構成される機械学習済みのモデルを用いて、取得した日射量データを補正する、
    日射量補正方法。
  3. 日射量データを取得し、
    湿数データを含む気象データを取得し、
    日射量データ及び気象データを入力変数とし、補正後の日射量データを出力変数とし、
    機械学習により生成され、ニューラルネットワークで構成される機械学習済みのモデルを用いて、取得した湿数データが所定の湿数閾値未満の場合、取得した日射量データを補正する、
    日射量補正方法。
  4. 前記モデルの入力変数は、所定期間での気温データ、気温差データ、湿度差データ又は体感温度差データ、雲量データ、直達日射量データ、気温データと露点温度データの組み合わせ、気温データと風冷温度データの組み合わせ、気温データと体感温度データの組み合わせ、気温データと熱指数データの組み合わせ、及び散乱日射量データの少なくとも一つを含み、
    所定期間での気温データ、気温差データ、湿度差データ又は体感温度差データ、雲量データ、直達日射量データ、気温データと露点温度データの組み合わせ、気温データと風冷温度データの組み合わせ、気温データと体感温度データの組み合わせ、気温データと熱指数データの組み合わせ、及び散乱日射量データの少なくとも一つを含む気象データを取得する、
    請求項1又は請求項に記載の日射量補正方法。
  5. 前記モデルの入力変数は、取得した気象データに基づいて補正された日射量データを含み、
    補正された日射量データを取得して、さらに日射量データを補正する、
    請求項1、請求項2又は請求項4のいずれか一項に記載の日射量補正方法。
  6. 海抜レベルの気圧データを含む気象データを取得し、
    取得した海抜レベルの気圧データが所定の気圧閾値以下の場合、取得した日射量データを補正する、
    請求項に記載の日射量補正方法。
  7. 海抜レベルの気圧データを含む気象データを取得し、
    所定値と取得した海抜レベルの気圧データとの差分が所定の差分閾値以上の場合、取得した日射量データを補正する、
    請求項又は請求項のいずれか一項に記載の日射量補正方法。
  8. 気象情報サービス事業者から日射量データを取得する、
    請求項1から請求項のいずれか一項に記載の日射量補正方法。
  9. 複数の気象情報サービス事業者の中から所要の気象情報サービス事業者の選択を受け付け、
    選択された気象情報サービス事業者に対応する前記モデルを用いて、取得した日射量データを補正する、
    請求項1、請求項2、請求項4又は請求項5のいずれか一項に記載の日射量補正方法。
  10. 日射量データを取得する第1取得部と、
    湿数データを含む気象データを取得する第2取得部と、
    日射量データ及び湿数データを含む気象データを入力変数とし、補正後の日射量データを出力変数とし、
    機械学習により生成され、ニューラルネットワークで構成される機械学習済みのモデルを用いて前記第1取得部で取得した日射量データを補正する補正部と
    を備える日射量補正装置。
  11. コンピュータに、
    日射量データを取得し、
    湿数データを含む気象データを取得し、
    日射量データ及び湿数データを含む気象データを入力変数とし、補正後の日射量データを出力変数とし、
    機械学習により生成され、ニューラルネットワークで構成される機械学習済みのモデルを用いて、取得した日射量データを補正する、
    処理を実行させるコンピュータプログラム。
  12. 日射量データ及び湿数データを含む気象データを入力変数とし、補正後の日射量データを出力変数とし、
    機械学習により生成され、ニューラルネットワークで構成される機械学習済みのモデル。
  13. 日射量データ及び湿数データを含む気象データを取得し、
    補正後の日射量データを取得し、
    前記日射量データ及び湿数データを含む気象データを入力変数とし、前記補正後の日射量データを出力変数とし、機械学習により生成され、ニューラルネットワークで構成される機械学習済みのモデルを生成する、
    モデル生成方法。
  14. 日射量データ及び湿数データを含む気象データを入力変数とし、補正後の日射量データを出力変数とする機械学習により生成され、ニューラルネットワークで構成される機械学習済みの複数の異なるモデルを記憶し、
    複数の気象情報サービス事業者の中から所要の気象情報サービス事業者の選択を受け付け、
    前記複数の異なるモデルのうち、選択された気象情報サービス事業者に対応するモデルを提供する、
    モデル提供方法。
JP2022540271A 2020-07-31 2021-07-26 日射量補正方法、日射量補正装置、コンピュータプログラム、モデル、モデル生成方法及びモデル提供方法 Active JP7451715B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020130447 2020-07-31
JP2020130447 2020-07-31
PCT/JP2021/027457 WO2022024960A1 (ja) 2020-07-31 2021-07-26 日射量補正方法、日射量補正装置、コンピュータプログラム、モデル、モデル生成方法及びモデル提供方法

Publications (2)

Publication Number Publication Date
JPWO2022024960A1 JPWO2022024960A1 (ja) 2022-02-03
JP7451715B2 true JP7451715B2 (ja) 2024-03-18

Family

ID=80035655

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022540271A Active JP7451715B2 (ja) 2020-07-31 2021-07-26 日射量補正方法、日射量補正装置、コンピュータプログラム、モデル、モデル生成方法及びモデル提供方法

Country Status (4)

Country Link
US (1) US20230273344A1 (ja)
EP (1) EP4191290A4 (ja)
JP (1) JP7451715B2 (ja)
WO (1) WO2022024960A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7569470B1 (ja) 2024-08-09 2024-10-17 鹿島建設株式会社 情報提供システム、情報提供方法及び情報提供プログラム

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023248390A1 (ja) * 2022-06-22 2023-12-28 日本電信電話株式会社 全天日射量推定装置、全天日射量学習装置、全天日射量推定方法、及び全天日射量推定プログラム
KR102490858B1 (ko) * 2022-07-05 2023-01-20 강릉원주대학교산학협력단 인공지능 기반 태양 복사량 및 대기 투과도 결정 장치 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013057476A (ja) 2011-09-09 2013-03-28 Toshiba Corp Pmv推定装置およびそのプログラム
JP2016066183A (ja) 2014-09-24 2016-04-28 地域エネルギー株式会社 情報処理装置、情報処理方法および情報処理プログラム
WO2016121202A1 (ja) 2015-01-30 2016-08-04 日本電気株式会社 予測装置、予測方法、及び、プログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3751737B2 (ja) 1998-01-21 2006-03-01 富士通株式会社 衛星画像データを用いた日射量推定システム、方法及び記録媒体
KR101890673B1 (ko) * 2011-09-21 2018-08-22 엘지전자 주식회사 일사량 추정을 위해 전천사진으로부터 운량을 계산하는 방법, 상기 계산한 운량을 이용한 태양광 발전량 예측 장치
JP6399426B2 (ja) * 2013-05-13 2018-10-03 パナソニックIpマネジメント株式会社 農業用ハウスの設置評価装置、農業用ハウスの日照量調整装置、プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013057476A (ja) 2011-09-09 2013-03-28 Toshiba Corp Pmv推定装置およびそのプログラム
JP2016066183A (ja) 2014-09-24 2016-04-28 地域エネルギー株式会社 情報処理装置、情報処理方法および情報処理プログラム
WO2016121202A1 (ja) 2015-01-30 2016-08-04 日本電気株式会社 予測装置、予測方法、及び、プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
桶真一郎、村田浩之、滝川浩史、榊原建樹,"日日射量曲線の予測に基づいた予測日積算日射量の誤差低減",太陽エネルギー,日本,日本太陽エネルギー学会,2007年,Vol.33,No.2,pp.53-58

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7569470B1 (ja) 2024-08-09 2024-10-17 鹿島建設株式会社 情報提供システム、情報提供方法及び情報提供プログラム

Also Published As

Publication number Publication date
JPWO2022024960A1 (ja) 2022-02-03
EP4191290A1 (en) 2023-06-07
US20230273344A1 (en) 2023-08-31
EP4191290A4 (en) 2024-09-11
WO2022024960A1 (ja) 2022-02-03

Similar Documents

Publication Publication Date Title
JP7451715B2 (ja) 日射量補正方法、日射量補正装置、コンピュータプログラム、モデル、モデル生成方法及びモデル提供方法
US11617313B2 (en) Controlling agricultural production areas
US12079874B2 (en) Methods and systems for precision crop management
Duarte et al. NASA/POWER and DailyGridded weather datasets—how good they are for estimating maize yields in Brazil?
EP3528613B1 (en) Method for mapping temporal and spatial sustainability of a cropping system
Panamtash et al. A copula-based Bayesian method for probabilistic solar power forecasting
Gharbia et al. Spatially distributed potential evapotranspiration modeling and climate projections
Adams et al. Value of improved long‐range weather information
Thurlow et al. Current climate variability and future climate change: estimated growth and poverty impacts for Zambia
Boata et al. Functional fuzzy approach for forecasting daily global solar irradiation
Calanca et al. Application of long-range weather forecasts to agricultural decision problems in Europe
US20170228743A1 (en) Crop forecasting with incremental feature selection and spectrum constrained scenario generation
CN106815658A (zh) 一种农业干旱预警系统
KR102002548B1 (ko) 영농형 태양광 발전 예측시스템 및 이를 이용한 발전량 및 수익 예측 방법
Thomas et al. A mid‐century ecological forecast with partitioned uncertainty predicts increases in loblolly pine forest productivity
Shiri Prediction vs. estimation of dewpoint temperature: assessing GEP, MARS and RF models
Jha Agronomic management of corn using seasonal climate predictions, remote sensing and crop simulation models
Min et al. Multi-stakeholder multi-objective greenhouse design optimization
Ravindranath et al. Season-ahead forecasting of water storage and irrigation requirements–an application to the southwest monsoon in India
Loy et al. Optimal grain marketing revisited: A German and Polish perspective
Visser et al. Probabilistic solar power forecasting: An economic and technical evaluation of an optimal market bidding strategy
Sabzevari et al. Predicting the effect of temperature changes on reference evapotranspiration by means of time series modeling (case study: Khorramabad Basin)
Croley PROBABILISTIC GREAT LAKES HYDROLOGY OUTLOOKS 1
US20230270060A1 (en) System and method for managing irrigation of a field plot for a growing season
Sasane Rice yield prediction using statistical regression models in the selected districts of Maharashtra

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230118

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231003

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231117

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231205

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240201

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: 20240220

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240306

R150 Certificate of patent or registration of utility model

Ref document number: 7451715

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150