TWI533251B - 發電量預測裝置及其方法以及記錄媒體 - Google Patents

Description

發電量預測裝置及其方法以及記錄媒體

本發明的實施形態是有關於一種用以對使用例如風力發電或太陽光發電等的天然能源的發電機的發電量進行預測的發電量預測裝置及其方法以及記錄媒體。

利用風力或太陽光等的天然能源來進行的發電具有如下的優點，即，無需燃料費，且不會排出溫室氣體。然而，一般而言，天然能源取決於氣候，因此，存在如下的缺點，即，天然能源的發電量不確切且難以預測。至今為止，主要利用氣象預報的結果來預測天然能源的發電量。

[先行技術文獻]

[專利文獻]

[專利文獻1]日本專利特開2004-289918號公報

[非專利文獻]

[非專利文獻1]村田晃伸、山口浩、大谷謙仁，「與大範圍地引進的多台太陽光發電機的太陽光發電相關的輸出變動幅度的推定法」，電學論B，127卷5號，2007年，pp.645-652

然而，作為對天然能源的發電量進行預測的先前技術，存在如下的方法，即，根據氣象資訊來對天然能源的發電量進行預測，且利用發電來對不足的部分進行補充。然而，該預測方法並未考慮到變動幅度的存在。

另一方面，當存在多個利用天然能源的發電機時，已知發電機彼此的變動會重合，變動會變小。因此，為了對多個利用天然能源的發電機的合計發電量進行預測，必須考慮彼此的關聯來對預測值進行合計。

相對於此，例如存在利用近似式來對考慮了關聯的合計輸出的變動進行預測的方法。然而，該方法存在誤差大的問題。又，於先前技術中，亦難以考慮關聯來對特定的發電所的合計輸出進行預測。

另一方面，若未正確地取得需求量與發電量的平衡，則頻率會自規定值起發生變動等，電力系統變得不穩定。因此，於引進了利用天然能源來進行的發電的情形下，當對電力系統進行管理時需要特別注意。

然而，頻率的變動與發電量的變動存在著關係。而且，如上所述，對於如風力發電或太陽光發電般的利用天然能源來進行的發電而言，發電機的發電量會不確切地發生變動。因此，對於利用先前技術的預測方法而言，難以考慮該變動來穩定地對電力系統進行管理。

若風向與風速已確定，則大致可對風力發電機的發電量進行預測。例如，圖16是每隔1小時地表示某年8月的東京的某地點的風速的圖。又，圖17是每隔1小時地表示相同地點的風向的圖。每當顯示圖17的風向時，如圖18般將方向予以數值化。

初看上述圖16、圖17，風速或風向看上去是隨機地發生變動。然而，若仔細觀察，則可知各天的風速或風向存在固定的傾向。例如，該時期的該場所的風速在上午時小，而在下午時變大，風速越大，則變動亦越大。另一方面，於風速小的情形時，風向會大幅度地發生改變，但於風速大的情形時，風向存在著變成固定的傾向。

又，若場所、發電機的設置方法、以及日照量已確定，則大致可對太陽光發電的發電量進行預測。例如，圖19表示某年12月的東京的某地點的日照量。根據該圖19，亦已知：日照量並非完全隨機，而是具有如下的特徵，即，當接近於某曲線的資料多且上午的日照量小時，下午的日照量亦小。

如此，風力資料、日照量資料該兩者的共同點在於：均並非完全隨機，但難以完美地進行預測。因此，只有考慮固定的誤差來進行預測。又，每當進行預測時，必須將過去的資料作為參考，以滿足固定的傾向的方式來進行預測。該傾向取決於場所或時期。又，上午與下午、或每小時的關係亦重要。將該每小時的關係稱為時刻關聯。

無論對於風力發電機還是對於太陽光發電機而言，發電量取決於氣象條件，因此，位於相同場所的發電機的發電量相類似，但位於遠處的發電機的發電量表現出完全不同的模式(pattern)。若距離為數千米左右，則認為氣象條件相類似，因此，發電量的模式應表現出相似性。將該相似性稱為位置關聯。即便假設將上述發電機設置於相鄰的場所，由於風速或日照量未必準確地相同，因此，必須考慮位置關聯。

如上所述，無論對於風力發電機還是對於太陽光發電機而言，當對1台發電機的發電量進行預測時，必須考慮時刻關聯。又，當同時對多台發電機的發電量進行預測時，必須考慮位置關聯。然而，對於至今為止的預測方法而言，難以進行考慮了時刻關聯或位置關聯的預測。

本發明是為了解決如上所述的先前技術的問題點而提出的發明，本發明的目的在於提供如下的發電量預測裝置及其方法以及記錄媒體，該發電量預測裝置即便於發電量會不確切地發生變動的發電機的情形時，亦可考慮統計關聯來對發電量進行預測。

為了實現如上所述的目的，根據一個形態，提供一種發電量預測裝置，該發電量預測裝置求出與發電量會不確切地發生變動的1台以上的發電機的發電量相關的預測值，該發電量預測裝置的特徵在於包括：如下所述的過去資料記憶部與預測值算出部。亦即，過去資料記憶部記憶著包含各天的多個時點的資訊的過去資料，作為與至少一個發電機的過去的發電量相關的過去資料。預測值算出部基於上述過去資料中的不同時刻之間的統計關聯或不同發電機的位置之間的統計關聯，來對與發電機的發電量相關的上述過去資料的預測值進行計算，以作為包含產生概率的時間序列資料。再者，亦可將用以藉由電腦(computer)來實現上述各部分的功能的方法以及記錄媒體用作其他形態。

為讓本發明之上述和其他目的、特徵和優點能更明顯易懂，下文特舉較佳實施例，並配合所附圖式，作詳細說明如下。

參照圖式來對用以實施本發明的形態(以下稱為實施形態)進行說明。

[1.實施形態的構成]

首先，對本實施形態的構成進行說明。亦即，如圖1所示，利用規定的程式(program)來對如個人電腦(personal computer)或伺服(server)裝置般的通用的電腦進行控制，藉此，可實現本實施形態的發電量預測裝置1。該情形時的程式是藉由物理性地靈活運用電腦的硬體(hardware)來實現如下所述的各部分的處理的程式，進行上述處理的方法、程式以及記錄著該程式的記錄媒體獨自地亦為本發明的一個形態。

發電量預測裝置1包括：預測處理部10、記憶部20、輸入部30以及輸出部40等。預測處理部10包括：藉由如上所述的程式的作用而發揮功能的類似日選擇部11、時間序列資料生成部12、預測值算出部13、以及發電量合計部14等。

類似日選擇部11是基於預測對象日的氣象預報資料等、與過去的資料(風速、風向資料、日照量資料等的氣象資料、以及各發電機的發電量資料)，來對與預測對象日相類似的日子進行選擇的處理部。時間序列資料生成部12是按照時間序列來將所選擇的各類似日的資料予以抽出的處理部。

預測值算出部13是對各發電機的發電量的預測值進行計算的處理部。發電量合計部14是基於各發電機的發電量的預測值來對合計發電量的預測值進行計算的處理部。

再者，預測值算出部13包括：變異數共變數矩陣(variance-covariance matrix)製成部131、亂數(random number)產生部132、以及發電量計算部133。變異數共變數矩陣製成部131是基於抽出的時間序列的資料來製成變異數共變數矩陣的處理部。亂數產生部132是基於製成的變異數共變數矩陣來產生遵循概率分布的亂數，藉此來製成預測值(風速、風向資料、發電量資料、以及日照量資料等)的處理部。發電量計算部133是基於預測值(風速、風向資料、日照量資料等)來對各發電機的發電量的預測值進行計算的處理部。

記憶部20是記憶著預測處理部10中的處理所需的資料以及運算出的預測值等各種資訊的構成部。這些資訊自下述的輸入部30輸入，或自外部經由通信網路(network)而輸入且被記憶著。典型而言，記憶部20可由內置或外部連接的各種記憶體(memory)、硬碟(hard disk)、以及光碟(optical disk)等構成，但可利用現在或將來可被利用的所有的記憶媒體。

輸入部30是將發電量預測處理裝置1所需的資訊的輸入、處理的選擇或指示予以輸入的構成部。作為該輸入部30，例如可考慮鍵盤(key board)、滑鼠(mouse)、觸控面板(touch panel)(包括構成為顯示裝置的構件)等。然而，該輸入部30包括現在或將來可被利用的所有的輸入裝置。因此，亦包括藉由聲音來進行輸入的聲音輸入裝置。又，亦可為單純的開關(switch)等。

輸出部40是以可由包括管理者、操作者等的使用者(user)來識別的方式，將各種資料、運算出的預測值等予以輸出的單元。作為該輸出部40，例如可考慮顯示裝置、印表機(printer)等。然而，該輸出部40包括現在或將來可被利用的所有的輸出裝置。因此，亦包括藉由聲音來進行輸出的聲音輸出裝置。

[2.實施形態的作用]

[2-1.處理的概要]

於本實施形態中，使用多維正態分布來將氣象資料或發電量資料予以模型(model)化，使用變異數共變數矩陣來產生多個遵循多維正態分布的亂數，藉此來產生被賦予了產生概率的多個時間序列資料的組，從而對預測值進行計算。

[2-2.基於風速、風向資料的預測]

接著，對本實施形態的作用進行說明。首先，參照圖2來說明基於風速、風向資料來對風力發電的發電機的發電量進行預測的一例。再者，圖2是表示對風速、風向資料進行預測，接著根據預測出的風速、風向資料來對發電量的預測值進行計算的順序與資料的流向的流程圖。

首先，類似日選擇部11基於預測對象日的氣象預報資料、與各發電機的位置的過去的氣象資料(D1-1)，來選擇N天(N為2以上的任意的整數)之氣象資料與預測對象日相類似的日子(步驟101)。根據過去的資料來對氣象資料與上述日子相類似的日子進行選擇的方法並不限定於特定的方法。

例如，可考慮如下的簡單的方法，即，選擇如上午晴朗而下午陰沉的日子般的氣象資料中的某資訊相一致的日子。又，亦可使用選擇晴空指數(clearness index)或雲量等氣象資料中的某數值資訊相近似的日子的方法等。

時間序列資料生成部12根據類似日的氣象資料(D1-1)中所含的風速、風向資料來產生風速與風向該兩種資料的組(K時點、N天、M台)，以作為所選擇的N天的類似日的M台(M為1以上的任意的整數)發電機的K時點的時間序列資料(D1-2)(步驟102)。此處，K表示以規定間隔來對一天24小時的時間軸進行分割時的時點的數量，例如，於間隔為1小時的情形時，K=24，於間隔為2小時的情形時，K=12。

變異數共變數矩陣製成部131根據上述時間序列資料(D1-2)來製成(2×K×M)列(2×K×M)行的變異數共變數矩陣(步驟103)。接著，亂數產生部132使用變異數共變數矩陣來產生L組(L為2以上的任意的整數)(2×K×M)個的亂數的組，藉此來製成各風力發電機的位置的風向與風速該兩種預測值(D1-3)以作為L組的資料(K時點、M台、L組)(步驟104)。再者，如上所述的變異數共變數矩陣的製成處理、亂數的產生處理的詳情將後述。

然後，發電量計算部133根據風速以及風向的預測值(D1-3)，產生L組(K時點、M台)K時點的各發電機的發電量的預測值(D1-4)(步驟105)。該L組的資料是具有與原來的N天的資料相同的時刻關聯、位置關聯的資料，該資料相當於發電量的預測結果。因此，發電量合計部14藉由對各發電機的發電量的預測值(D1-4)進行合計來求出整體的發電量的預測值(D1-5)(步驟106)

[2-3.基於日照量資料的預測]

於本實施形態中，亦可代替風向、風速資料而使用日照量資料來對太陽光發電的發電機的發電量進行預測。該預測的順序基本上與上述順序相同。亦即，基於氣象預報資料與過去的氣象資料來選擇類似日，基於所選擇的類似日的氣象資料中所含的日照量資料來產生日照量的時間序列資料，且製成變異數共變數矩陣，接著產生亂數。

於上述情形時，若使用M台發電機的K時點的資料，則會獲得(K×M)列(K×M)行的變異數共變數矩陣，最終獲得L組(K×M)個亂數的組。此成為日照量的預測值，基於該預測值來求出發電量的預測值以及合計值。

[2-4.基於發電量的預測]

而且，於上述例子中，進行了將風向、風速的預測值或日照量的預測值轉換為發電量的預測值(利用發電量計算部133來進行的發電量的預測值的計算)的處理。然而，此種轉換處理不一定不可或缺。亦即，於本實施形態中，亦可基於過去的發電量資料來求出發電量的預測值。

參照圖3的流程圖來對以上述方式直接求出發電量資料的例子進行說明。首先，類似日選擇部11基於預測對象日的氣象預報資料、與過去的氣象資料(D1-1)，選擇N天具有同樣條件的過去的日子(例如與上述類似日相同的方法)(步驟201)。

時間序列資料生成部12自所選擇的N天類似日的發電量資料(D2-1)中，將各發電機的發電量資料的組(K時點、N天、M台)予以抽出，以作為所選擇的N天類似日的時間序列資料(D2-2)(步驟202)。變異數共變數矩陣製成部131統計地對上述時間序列資料(D2-2)進行分析，製成變異數共變數矩陣(步驟203)。

接著，亂數產生部132使用變異數共變數矩陣來產生L組亂數的組，藉此來求出各發電機的發電量的預測值(D2-3)(步驟204)。然後，發電量合計部14藉由對各發電機的發電量的預測值(D2-3)進行合計來求出整體的發電量的預測值(D2-4)(步驟205)。

如此，可不經由對風向‧風速的預測值或日照量的預測值進行轉換而獲得發電量的預測值(K時點、M台、L組)、與該預測值的合計值(K時點、L組)。再者，圖3是風力發電機的情形，但亦可同樣地適用於太陽光發電機的情形。

[2-5.變異數共變數矩陣的製成與亂數的產生]

接著，將對於太陽光發電機的發電量的預測作為一例，對變異數共變數矩陣的製成與亂數的產生的方法進行說明。此處，以如下的方法為例子來進行說明，該方法將K時點設為每隔一小時的24個點，且考慮時刻關聯來對1台發電機(M=1)的發電量進行預測。

亦即，於記憶部20中預先記憶有將多天的各時刻的發電量資料予以彙集而成的資料{xi}。類似日選擇部11例如使用分類演算法(algorithm)等，藉此來選擇類似日。時間序列資料生成部12將所選擇的類似日的發電量分解為每小時的時刻i的發電量xi，製成將該發電量xi自x1排列至x24為止所得的向量(vector)即時間序列資料。

根據上述時間序列資料，變異數共變數矩陣製成部131為了考慮時刻之間的發電量的關係，製成如[數1]般的具有24×24的成分的變異數共變數矩陣。此處，var(xi)是{xi}的變異數，cov(xi，xj)是{xi}與{xj}的共變數。為了對變異數或共變數進行計算，取得發電量資料的日子最低必須為2天以上。取得發電量資料的天數亦可為2天，但天數越多，則預測精度越高。

[數1]

亂數產生部132基於變異數共變數矩陣來產生多個24維的亂數，製成發電量的預測值24。

於上述情形時，必須確定各時刻的發電量所遵循的概率分布。此處，將使用24維的正態(normal)分布的情形作為一例來進行說明。亦即，當24維的向量x=(x1、x2、x3、...、x24)遵循24維正態分布時，x所滿足的概率密度函數使用x的平均值向量μ=(μ1、μ2、μ3、...、μ24)，且以[數2]的方式來表示。

[數2]

可將一天的發電量資料視為24維的向量x。此處，將該一天的發電量資料稱為發電量情境(scenario)。產生多個遵循[數2]的概率分布的24個亂數的組，藉此，可製成任意數量的發電量情境。該發電量情境將過去的發電量資料的統計性質予以再現。

亦即，各時刻的變動幅度藉由各時刻的變異數來再現，時刻之間的關聯亦藉由共變數來再現。而且，即便過去的發電量資料僅為2天的發電量資料，亦可製成例如百萬個發電量情境。

接著，以下對如下的方法進行說明，該方法製成L組遵循特定的概率分布且彼此相關聯的亂數的組。此處，以產生L組彼此相關聯的24個亂數的組的情形作為例子來進行說明。

首先，於各時刻求出過去的資料的分布，產生L個遵循該分布的亂數。製成遵循特定的分布的亂數的最簡單的方法的一例是利用拒絕法(rejection method)的方法。該方法是在由分布函數的定義域(domain)與值域所確定的區域中產生相同亂數(uniform random number)，接著自該相同亂數中將超過分布函數的值的亂數予以拒絕的方法。

上述方法可適用於所有的分布函數，但效率不一定佳。又，即使當定義域並非為有限的區域時，亦難以應用上述方法。若存在特定的分布的逆函數，則可根據相同亂數來容易地製成遵循特定的分布的亂數。於24小時中的各時刻，重複地進行上述處理。

根據以上的處理(process)，針對24小時來製成L個亂數。於該階段，各時刻的亂數的組與其他時刻的亂數的組並無關聯而彼此獨立。然而，由通常的算法產生的亂數為偽亂數(pseudo random number)，即便欲製成獨立的亂數，實際上，製成的亂數有可能存在關聯。因此，根據需要，預先藉由主成分分析來轉換為彼此獨立的亂數的組。

結果，可獲得具有L列24行(L×24)的成分的亂數矩陣。於該階段，預先藉由變數轉換(transformation of variable)來將各亂數予以正常化(normalizing)，使得標準偏差(standard deviation)為1，且平均值為0。如此，可獲得常態亂數(normal random number)矩陣G。

接著，對24×24的關聯係數矩陣R進行喬里斯基分解(Cholesky decomposition)，分解為上三角矩陣T_U與下三角矩陣T_L。藉由將變異數共變數矩陣Σ予以標準化來獲得關聯係數矩陣。

[數3]

R=T_UT_L

然後，自右側起將上三角矩陣T＜SUB＞U＜/SUB＞與常態亂數矩陣G相乘，藉此，可製成具有關聯的常態亂數矩陣。

[數4]

G'=GT_U

至此，將各時刻的標準偏差置於對角線上，自右側起將其他成分為0的24列24行(24×24)的標準偏差矩陣S相乘，接著加上將平均值向量μ排列L列而成的L列24行(L×24)的平均值矩陣A。藉此，可獲得具有最終求出的平均值與變異數以及關聯的亂數矩陣G"。

[數5]

G"=G'S+A

該矩陣G"即為預測結果，G"的N個各列向量(1列24行)相當於各預測結果。

再者，於時刻分割數大的情形時，或於發電量的關聯強的情形等時，作為數值計算上的問題，由欠位引起的誤差變大，存在難以對關聯係數矩陣R進行喬里斯基分解的情形。於此種情形時，根據需要而使用本徵值分解(eigenvalue decomposition)或奇異值分解(singular value decomposition)。再者，於上述製成方法中，亦可代替將1天分割為24小時而以任意的時間來進行分割。亦即，分割的單位不受限制。

[3.具體的應用結果]

接著，對將本實施形態的預測處理應用於具體的事例所得的結果進行說明。

[3-1.太陽光發電的發電量預測]

圖4是對過去的太陽光發電的發電量進行描繪的例子。於該情形時，表示了每隔2小時的7天的資料。亦即，K=12，N=7。此處，藉由類似日選擇處理來對已相同的氣象條件的日子進行選擇。即便氣象條件相同，亦存在發電量因極小的氣溫差異或雲量差異而發生變動的情形。圖5是對圖4的資料進行重寫的圖。

圖6是由本實施形態的方法產生的發電量情境。於該情形時，使用亂數來產生50組的預測結果(L=50)。然而，預測數無需限於50。已知：該圖6的發電量的預測結果較佳地再現了圖5的資料。於該圖6中，重點在於：原來的資料中的時刻之間的關聯亦被預測結果所再現。圖7是本例的情形時的關聯係數矩陣。該關聯係數矩陣是將變異數共變數矩陣予以標準化而成的矩陣。

當存在多個太陽光發電機時，若多個太陽光發電機彼此隨機地發生變動，則會表現出平滑化的效果。若彼此的發電量存在關聯，則平滑化的效果變小。於本實施形態中，亦可模擬此種狀況。

[3-2.風力發電的發電量預測]

圖8(a)～圖8(c)是為了對風力發電的發電量進行預測而對風速與風向進行預測時的例子。於圖8(a)～圖8(c)中，圖8(a)是過去的風速資料的例子，圖8(b)是相對應的風向資料的例子。此處，與圖17同樣地，將風向予以數值化。

由於風向與風速彼此存在關聯，因此，必須同時進行預測。因此，如圖8(c)般，在形式上對相對應的資料進行排列而製成時間序列資料。由於風速、風向均具有24個點的資料，因此，該風力資料成為由48個時點構成的時間序列。於圖8(c)中，重疊地描繪了5種如上所述的時間序列。

根據上述5種時間序列來對各時點的資料的變異數、不同時點之間的共變數進行計算，藉此，可製成48×48的變異數共變數矩陣。接著，使用該變異數共變數矩陣來產生遵循48維的正態分布的亂數，藉此，可產生任意數量的具有48個時點的長度的時間序列。

圖9(a)是以上述方式產生的時間序列資料。每種上述時間序列具有風速與風向該兩種資訊，於各時點具有與原來的資料相同的變異數，時點之間的共變數亦再現了原來的資料的資訊。亦即，預測結果例如考慮了13時的風速與18時的風向的關聯等。圖9(b)與圖9(c)是於中央將圖9(a)的時間序列予以分離，藉此來對各時刻的風速與風向進行描繪。

[3-3.多個發電機的發電量預測]

接著，將太陽光發電作為一例，對存在多個利用天然能源的發電機時的預測處理進行說明。當多個太陽光發電機的發電量彼此無關聯時，可獨立地對這些太陽光發電機的發電量進行預測。然而，一般而言，多個太陽光發電機的發電量經由氣象資料而彼此存在關聯。已知：若對多個太陽光發電機的發電量進行合計，則變動會變小。於該情形時，若關聯小，則將變動予以平滑化的可能性高，但若正的關聯強，則不將變動予以平滑化。

例如，當對太陽光發電機為M台的情形進行預測時，在時點數為24個時，製成由(M×24)列(M×24)行的成分構成的變異數共變數矩陣，產生多個(M×24)維的亂數向量，藉此，可對各太陽光發電機的發電量進行預測。

圖10(a)～圖10(c)是對兩處太陽光發電所的發電量進行描繪的圖。圖10(a)的太陽光資料1與圖10(b)的太陽光資料2是於過去的一天24個時點，同時被測定的資料，10天的上述兩個太陽光資料被重寫。這些資料分別具有關聯。

因此，圖10(c)是於形式上對同一天的資料進行串聯而描繪為48個時點的時間序列資料的圖。根據該圖10(c)的資料，利用與上述方法相同的方法來製成48列48行的變異數共變數矩陣，且產生亂數，產生的時間序列資料為圖11(a)~圖11(c)。圖11(a)為計算結果，且顯示了50組的時間序列。將該50組的時間序列予以分離所得的圖為圖11(b)與圖11(c)，該圖11(b)與圖11(c)分別表示太陽光發電所1與太陽光發電所2的發電量的預測值。

於圖11(a)~圖11(c)中，多個時間序列資料被描繪為線，但於該情形時，各時間序列資料的實現概率相等。因此，圖11(a)~圖11(c)中的某時刻、某輸出的點處的時間序列資料的線的密度是與該時刻的輸出的實現概率成比例。

圖12(a)表示圖11(b)的太陽光發電所1的12時的發電輸出的頻率分布。於該情形時，根據1000個時間序列資料來對頻率進行計算。又，圖12(b)表示上述發電輸出的概率密度分布。亦可根據該概率密度分布來對預測結果的預期值或產生概率進行計算。例如，可以95%的概率來預測為發電輸出處於4kW~4.9kW之間。同樣地，圖12(c)、圖12(d)表示圖11(c)的太陽光發電所2的15時的輸出的頻率分布與概率密度分布。

當圖11(b)的發電量與圖11(c)的發電量的變動並不獨立，且於太陽光發電所1中，第R個時間序列資料實 現時，意味著即使於太陽光發電所2中，第R個時間序列資料亦會實現。因此，易於求出太陽光發電所1與太陽光發電所2的合計發電量，只要利用相對應的時間序列資料，在每個時刻對和(sum)進行計算即可。

圖13表示上述兩處太陽光發電所的合計發電量。根據該圖13可知合計的發電量以何種程度發生變動。若僅對先前的預測模型中的發電量的預測誤差進行合計，則無法獲得上述變動量。該變動量實際上是對系統造成的變動，且是於供求控制或負載頻率控制中應考慮的變動量。

於負載頻率控制中，例如，若負載或其他發電機的發電量固定，則頻率的變動幅度是與由天然能源產生的發電量的變動幅度成比例。此時的比例常數為負載頻率常數。因此，利用設置於圖1的預測處理部10的頻率運算部，將該圖13的變動幅度除以系統的總發電量，接著乘以負載頻率常數的倒數，藉此，可求出頻率的變動率。於圖13的例子中，太陽光發電機為2台，但即使當發電機的數量多時，仍可使用同樣的方法。

[4.實施形態的效果]

根據如上所述的本實施形態，針對與發電量相關的過去資料，考慮不同的時刻之間的統計關聯來對預測值進行計算，因此，可精度良好地對特定的發電機的發電量進行預測。又，考慮不同的發電機的位置之間的統計關聯來對預測值進行計算，因此，可精度良好地對多台發電機的發電量進行預測。亦即，可考慮氣象資料或發電量資料在不同時刻之間的發電量的統計關聯、或位置不同的發電機的發電量在相同時刻的發電量的統計關聯，對各發電機的發電量進行預測以作為被賦予了產生概率的多個時間序列資料的組。因此，即使為具有發電量會不確切地發生變動的發電機的發電廠或電力系統，亦可藉由使用統計概率的方法來正確地對發電量進行預測。

又，即使於同時對多台發電機的發電量進行預測的情形時，亦可進行考慮了時刻關聯以及位置關聯的預測。而且，於存在多個發電機、多個發電廠的情形時，可對上述多個發電機及發電廠的發電量進行合計(亦可為特定的群組單位)來對總發電量進行預測。然後，可根據多個發電機的合計發電量的預測結果來對系統的發電量的變動量進行評價，從而亦可對系統的頻率變動進行評價。

又，於對風力發電的發電量進行預測的情形時，可對風向或風速進行預測來對發電量進行評價，亦可直接對發電量進行預測。於對太陽光發電的發電量進行預測的情形時，亦可用以對日照量進行預測，但亦可直接對發電量進行預測。因此，於發電量預測的過程中，亦可獲得風向或風速的預測值、以及日照量的預測值。

再者，可將世上同時發生的一連串的事件考慮為一個情境。屬於同一情境的太陽光發電情境、風力發電情境、以及負載情境是同時發生的可能性高的情境，亦可根據這些情境來對需要由通常的發電所來發電的發電量進行評價。又，隨後，亦可包含變動地對必需的成本或燃料的量等進行評價。因此，亦可根據上述情境來對成本的預期值等進行評價。

[5.其他實施形態]

本發明並不限定於如上所述的實施形態。例如，本發明中所使用的各種資訊的具體內容、值不受限制，並不限定於特定的內容、數值。本說明書中的「與發電量相關的預測值」、「與發電量相關的過去資料」是包含氣象資料、發電量資料、以及誤差資料(後述)等與發電量相關的各種資訊的廣泛的概念。

又，於上述例子中，使用了遵循多維的正態分布的亂數，但概率分布無需限於正態分布。例如，可使用對數正態分布、指數分布、韋伯分布(Weibull distribution)、貝他分布(beta distribution)、以及其他任意的分布。亦可根據實際的發電量，藉由函數近似(function approximation)來製成分布形狀。當如太陽光發電量般，於邏輯上確定上限(取決於晴朗時的日照量)與下限(=0)時，例如，可藉由使用貝他分布等來使擬合(fitting)的精度提高。

亦即，本發明亦包括如下的方法：使用如上所述的分布來將氣象資料或發電量資料予以模型化，接著使用變異數共變數矩陣來產生多個遵循上述分布的亂數，藉此來產生被賦予了產生概率的多個時間序列資料的組，從而對預測值進行計算。

又，將上述實施形態及其變形例的方法與現有的預測模型加以組合，藉此，亦可使精度提高。此處，圖14是表示先前的預測模型的概念圖。已提出有多個模型，這些模型並不限於對太陽光發電進行預測，亦用以對將來進行預測。上述模型全部是根據至目前為止所獲得的資訊來對將來的值進行預測。

因此，可使用回歸模型(regression model)或類神經網路(neural network)等多種模型。於該情形時，通常是將過去的氣象資訊與發電量的關係予以模型化。雖亦存在使用過去的實績值(實際的氣象資料、發電量資料等)的情形，但一般不使用過去的預測值(氣象資料、發電量資料等的預測值)。又，為了對將來的預測值的誤差或變動進行評價，可使用誤差條(error bar)或標準偏差等。

另一方面，圖15是將上述實施形態的方法應用於先前的預測方法的模型的一例。於該情形時，典型而言僅使用過去的預測值與過去的實績值。為了獲得過去的預測值，在過去應已使用了某種預測模型A，但該預測模型的方法於本發明中可為任何方法(亦可為上述實施形態的預測模型)。

根據如上所述的過去的實績值與過去的預測值之差來獲得過去的誤差資料。例如可藉由設置於預測處理部10的誤差資料運算部來對上述誤差資料進行運算。或者，亦可使用經由輸入部30或通信網路而自外部輸入且記憶於記憶部20的誤差資料。

此處，誤差資料是藉由時間序列資料生成部12來產生作為誤差資料的時間序列的組。例如，每隔過去的一天、一週或一個月等固定週期來進行計算，獲得資料所存在的天數、週數或月數成份的誤差資料的時間序列的組。該誤差資料的時間序列的組有K個(K≧2)。

另一方面，將來的預測值應藉由上述某種預測模型A來預測，但於圖15的方法中，可使用上述誤差資料的時間序列的組來對將來的預測結果的誤差進行評價。亦即，藉由上述方法，根據K個誤差資料的時間序列的組，由變異數共變數矩陣製成部131來製成變異數共變數矩陣，亂數產生部132產生L組的與誤差資料的預測值相當的時間序列。此為使用特定的預測模型A時所期待的誤差的預測值。

因此，設置於預測處理部10的修正部進行將上述時間序列添加至特定的預測模型A的預測結果的修正，藉此來獲得實現的概率高的預測結果。例如，當特定的預測模型A得出比實績值稍小的預測結果的傾向強時，誤差的時間序列資料亦會表現出變為負的傾向。預測結果的時間序列資料反映如上所述的特徵。

於如上所述的形態中，可根據過去的氣象資料或發電量資料，包含誤差地對利用天然能源的發電機等發電量不確切的發電機的將來的發電量進行預測。一旦作成發電量情境，則亦可容易地利用與先前相同的技術來作成發電計劃，且亦可使用已作成的發電計劃情境來對發電量或發電成本、收益等的預期值進行計算，或選擇最佳的發電計劃。

再者，於上述情形時，特定的預測模型可為任何模型。預測模型的精度高較為理想，則即使為精度不佳的模型，如上所述，亦可藉由使用誤差資料的預測值來改善精度。一般而言，預測模型的精度會隨著時間的經過而變差，但若如上述般使用誤差資料的預測值，則亦具有可長時間地使用相同的預測模型的優點。

又，作為本發明的對象的時間序列資料並不限於太陽光發電、風力發電。對於地熱發電或波動力發電(wave power generation)、潮力發電(tidal power generation)、以及利用其他天然能源來進行的發電而言，當然亦可對特定的地域的需求資料等進行預測。當然亦可對上述資料的誤差時間序列進行預測。而且，即使當難以根據潮力發電等的氣象資料來進行預測時，亦可僅根據過去的發電量的實績資料來對發電量的變動量進行預測。

已對本發明的若干實施形態進行了說明，但這些實施形態是作為例子而被提示，並不意圖對發明的範圍進行限定。上述新穎的實施形態可以其他各種形態來實施，於不脫離發明的宗旨的範圍內，可進行各種省略、替換、以及變更。這些實施形態或其變形包含於發明的範圍或宗旨，並且包含於申請專利範圍所揭示的發明及與該發明均等的範圍內。

雖然本發明已以較佳實施例揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作些許之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

1．．．發電量預測裝置/發電量預測處理裝置

10．．．預測處理部

11．．．類似日選擇部

12．．．時間序列資料生成部

13．．．預測值算出部

14．．．發電量合計部

20．．．記憶部

30．．．輸入部

40．．．輸出部

131．．．變異數共變數矩陣製成部

132．．．亂數產生部

133．．．發電量計算部

A．．．預測模型

D1-1．．．各發電機的位置的過去的氣象資料

D1-2、D2-2．．．時間序列資料

D1-3．．．各風力發電機的位置的風向與風速該兩種預測值

D1-4．．．L組(K時點、M台)K時點的各發電機的發電量的預測值

D1-5、D2-4．．．整體的發電量的預測值

D2-1．．．所選擇的N天類似日的發電量資料

D2-3．．．各發電機的發電量的預測值

S101～S106、S202～S205．．．步驟

圖1是表示發電量預測裝置的一個實施形態的方塊圖。

圖2是表示於圖1的實施形態中，基於風速、風向資料來對風力發電的發電量進行預測的處理的流程圖。

圖3是表示於圖1的實施形態中，基於發電量資料來對風力發電的發電量進行預測的處理的流程圖。

圖4是表示太陽光發電的過去的類似日的發電量資料的一例的說明圖。

圖5是表示對圖1的發電量資料進行重寫的一例的說明圖。

圖6是表示基於圖1的發電量資料來對太陽光發電的發電量預測值進行模擬的結果的說明圖。

圖7是表示圖6的關聯係數矩陣的一例的說明圖。

圖8(a)～圖8(c)是表示風力發電的過去的風速資料(a)、風向資料(b)、以及對風速、風向資料進行重寫所得的資料(c)的說明圖。

圖9(a)～圖9(c)是表示包含風速、風向的時間序列的預測結果(a)、風速的預測結果(b)、以及風向的預測結果(c)的說明圖。

圖10(a)～圖10(c)是表示兩處太陽光發電所的過去的發電量資料(a)(b)、包含兩者的時間序列資料(c)的說明圖。

圖11(a)～圖11(c)是表示包含兩處太陽光發電所的發電量的預測值(a)、各個太陽光發電所的發電量的預測值(b)(c)的說明圖。

圖12(a)～圖12(d)是表示圖11(b)的發電輸出的頻率分布(a)、概率密度分布(b)、圖11(c)的發電輸出的頻率分布(c)、以及概率密度分布(d)的說明圖。

圖13是表示圖11(b)與圖11(c)的合計發電量的說明圖。

圖14是表示先前的預測模型的一例的概念圖。

圖15是表示將圖1的實施形態應用於先前的預測模型的一例的概念圖。

圖16是表示某年東京的8月的風速資料的一例的說明圖。

圖17是表示某年東京的8月的風向資料的一例的說明圖。

圖18是表示風向資料的換算表的一例的說明圖。

圖19是表示某年東京的12月的日照量的一例的說明圖。

1．．．發電量預測裝置/發電量預測處理裝置

10．．．預測處理部

11．．．類似日選擇部

12．．．時間序列資料生成部

13．．．預測值算出部

14．．．發電量合計部

20．．．記憶部

30．．．輸入部

40．．．輸出部

131．．．變異數共變數矩陣製成部

132．．．亂數產生部

133．．．發電量計算部

Claims (9)

1. 一種發電量預測裝置，求出與發電量會不確切地發生變動的1台以上的發電機的發電量相關的預測值，該發電量預測裝置的特徵在於包括：過去資料記憶部，記憶著包含各天的多個時點的資訊的過去資料，以作為與至少一個發電機的過去的發電量相關的過去資料，其中上述過去資料為發電量資料以及對發電量產生影響的氣象資料；以及預測值算出部，基於上述過去資料中的不同時刻之間的統計關聯或不同發電機的位置之間的統計關聯，來對與發電機的發電量相關的上述過去資料的預測值進行計算，以作為包含產生概率的時間序列資料。
2. 如申請專利範圍第1項所述之發電量預測裝置，其中上述預測值算出部包括將氣象資料的預測值換算為發電量的發電量計算部。
3. 如申請專利範圍第1項所述之發電量預測裝置，其中上述預測值算出部包括：變異數共變數矩陣製成部，基於上述過去資料來製成變異數共變數矩陣；以及亂數產生部，基於上述變異數共變數矩陣來產生遵循概率分布的亂數。
4. 如申請專利範圍第1項所述之發電量預測裝置，包 括發電量合計部，該發電量合計部基於多個發電機的發電量的預測值，來對多個發電量的合計發電量的預測值進行計算。
5. 如申請專利範圍第4項所述之發電量預測裝置，包括頻率運算部，該頻率運算部基於上述合計發電量的預測值來對頻率的變動率進行運算。
6. 如申請專利範圍第1項所述之發電量預測裝置，其中上述預測值算出部是構成為對記憶為上述過去資料的過去的實績值與根據該實績值而獲得的過去的附誤差的預測值的誤差進行計算，以作為上述過去資料的誤差資料的預測值。
7. 如申請專利範圍第6項所述之發電量預測裝置，包括修正部，該修正部根據上述誤差資料的預測值，對作為上述過去的附誤差的預測值而獲得的氣象資料的附誤差的預測值或發電量資料的附誤差的預測值進行修正。
8. 一種發電量預測方法，藉由電腦來對發電量會不確切地發生變動的1台以上的發電機的發電量進行預測，該發電量預測方法的特徵在於：上述電腦包括過去資料記憶部與預測值算出部，上述過去資料記憶部執行如下的處理，該處理是記憶 著包含各天的多個時點的資訊的過去資料，以作為與至少一個發電機的過去的發電量相關的過去資料，，其中上述過去資料為發電量資料以及對發電量產生影響的氣象資料，上述預測值算出部執行如下的處理，該處理是基於上述過去資料中的不同時刻之間的統計關聯或不同發電機的位置之間的統計關聯，來對與發電機的發電量相關的上述過去資料的預測值進行計算，以作為包含產生概率的時間序列資料。
9. 一種記錄媒體，記錄有發電量預測程式，由電腦來執行該發電量預測程式，藉此來對發電量會不確切地發生變動的1台以上的發電機的發電量進行預測，該記錄媒體的特徵在於：上述程式使上述電腦執行如下的處理：記憶著包含各天的多個時點的資訊的過去資料，以作為與至少一個發電機的過去的發電量相關的過去資料，其中上述過去資料為發電量資料以及對發電量產生影響的氣象資料；以及基於上述過去資料中的不同時刻之間的統計關聯或不同發電機的位置之間的統計關聯，來對與發電機的發電量相關的上述過去資料的預測值進行計算，以作為包含產生概率的時間序列資料。