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 PDFInfo
- 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
Links
- 230000005855 radiation Effects 0.000 title claims description 507
- 238000012937 correction Methods 0.000 title claims description 177
- 238000000034 method Methods 0.000 title claims description 99
- 238000004590 computer program Methods 0.000 title claims description 6
- 238000010801 machine learning Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 238000010586 diagram Methods 0.000 description 38
- 238000012545 processing Methods 0.000 description 20
- 238000010248 power generation Methods 0.000 description 17
- 230000001186 cumulative effect Effects 0.000 description 14
- 238000007726 management method Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 12
- 230000005611 electricity Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/12—Sunshine duration recorders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices 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
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。
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)
- 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。 - 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。 - 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。 - 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2に記載の日射量補正方法。 - 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。 - 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3に記載の日射量補正方法。 - 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3又は請求項6のいずれか一項に記載の日射量補正方法。 - 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7のいずれか一項に記載の日射量補正方法。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
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)
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)
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)
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)
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 |
-
2021
- 2021-07-26 US US18/006,737 patent/US20230273344A1/en active Pending
- 2021-07-26 EP EP21848577.9A patent/EP4191290A4/en active Pending
- 2021-07-26 WO PCT/JP2021/027457 patent/WO2022024960A1/ja active Application Filing
- 2021-07-26 JP JP2022540271A patent/JP7451715B2/ja active Active
Patent Citations (3)
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)
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)
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 |