WO2011114752A1 - 発電量予測装置とその方法及びプログラム - Google Patents

発電量予測装置とその方法及びプログラム Download PDF

Info

Publication number
WO2011114752A1
WO2011114752A1 PCT/JP2011/001648 JP2011001648W WO2011114752A1 WO 2011114752 A1 WO2011114752 A1 WO 2011114752A1 JP 2011001648 W JP2011001648 W JP 2011001648W WO 2011114752 A1 WO2011114752 A1 WO 2011114752A1
Authority
WO
WIPO (PCT)
Prior art keywords
power generation
generation amount
data
past
prediction
Prior art date
Application number
PCT/JP2011/001648
Other languages
English (en)
French (fr)
Inventor
村上好樹
小林武則
廣政勝利
小坂葉子
草野日出男
渡辺憲治
林秀樹
Original Assignee
株式会社 東芝
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 株式会社 東芝 filed Critical 株式会社 東芝
Priority to EP11755942.7A priority Critical patent/EP2549641A4/en
Priority to US13/583,792 priority patent/US20130013233A1/en
Priority to CN201180013084.7A priority patent/CN102792542B/zh
Publication of WO2011114752A1 publication Critical patent/WO2011114752A1/ja

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y—GENERAL 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS 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
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y—GENERAL 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS 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
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Definitions

  • Embodiments of the present invention relate to a power generation amount prediction apparatus, a method and a program for predicting a power generation amount of a generator using natural energy such as wind power generation and solar power generation.
  • the power system becomes unstable, for example, the frequency fluctuates from a predetermined value. For this reason, when power generation using natural energy is introduced, special care is required in managing the power system.
  • FIG. 16 shows the wind speed at a certain point in Tokyo every hour in August of a certain year.
  • FIG. 17 shows the wind direction at the same point every hour. In displaying the wind direction of FIG. 17, the direction is quantified as shown in FIG.
  • the amount of power generated by photovoltaic power generation can be almost predicted if the location, the generator installation method, and the amount of solar radiation are determined.
  • FIG. 19 shows the amount of solar radiation at a certain point in Tokyo in December of a certain year.
  • FIG. 19 also shows that the amount of solar radiation is not random at all, and there are many data close to a certain curve, and there is a characteristic that the amount of solar radiation in the afternoon is small when the amount of solar radiation in the morning is small.
  • Both wind and solar power generators are affected by weather conditions, so the power generation of the generators in the same place is similar, but the power generation of the generators in the distance shows a completely different pattern . If it is about several kilometers, the weather conditions are considered to be similar, and thus the power generation pattern should be similar. This is called position correlation. Even if these generators are installed in adjacent locations, the wind speed and the amount of solar radiation are not exactly the same, so it is necessary to consider positional correlation.
  • the present invention has been proposed in order to solve the above-described problems of the prior art, and the object of the present invention is to provide a statistical correlation even in the case of a generator whose power generation amount fluctuates uncertainly.
  • it is an object to provide a power generation amount prediction apparatus capable of predicting a power generation amount, a method thereof, and a program thereof.
  • the power generation amount prediction device for obtaining a predicted value related to the power generation amount of one or more generators whose power generation amount fluctuates uncertainly, the following past data It has a memory
  • the predicted value calculation unit calculates a predicted value of the past data related to the power generation amount of the generator based on a statistical correlation between different times in the past data or a statistical correlation between different generator positions. Is calculated as time series data.
  • it can also be grasped as a method and a program for realizing the functions of the above-described units by a computer.
  • the block diagram which shows one Embodiment of an electric power generation amount prediction apparatus
  • a flowchart showing processing for predicting the amount of wind power generation based on wind speed / wind direction data.
  • Explanatory drawing which shows an example of the power generation amount data of the past similar day of photovoltaic power generation
  • Explanatory drawing which shows an example which overwritten the power generation amount data of FIG.
  • Explanatory drawing which shows the simulation result of the electric power generation amount predicted value of photovoltaic power generation based on the electric power generation amount data of FIG.
  • Explanatory drawing which shows an example of the correlation coefficient matrix of FIG.
  • Explanatory drawing which shows the sum total of the electric power generation amount of FIG.11 (b) and FIG.11 (c)
  • Conceptual diagram showing an example of a conventional prediction model Conceptual diagram showing an example in which the embodiment of FIG. 1 is applied to a conventional prediction model
  • Explanatory drawing showing an example of August wind speed data for Tokyo in a certain year
  • Explanatory diagram showing an example of wind direction data for August in Tokyo in a certain year
  • Explanatory drawing showing an example of conversion table of wind direction data Explanatory diagram showing an example of the amount of sunshine in December of Tokyo in a certain year
  • the power generation amount prediction apparatus 1 of the present embodiment can be realized by controlling a general-purpose computer such as a personal computer or a server apparatus with a predetermined program.
  • the program in this case realizes the processing of each unit as described below by physically utilizing the hardware of the computer, and the method for performing such processing, the program, and the recording medium on which the program is recorded are independent.
  • it is one embodiment of the present invention.
  • the power generation amount prediction device 1 includes a prediction processing unit 10, a storage unit 20, an input unit 30, an output unit 40, and the like.
  • the prediction processing unit 10 includes a similar date selection unit 11, a time series data generation unit 12, a predicted value calculation unit 13, a power generation amount total unit 14, and the like that function by the function of the program as described above.
  • the similar date selection unit 11 determines the forecast target date based on the weather forecast data of the forecast target date and the past data (wind speed / wind direction data, meteorological data such as solar radiation data, and power generation amount data of each generator). It is a processing part which selects the day similar to.
  • the time series data generation unit 12 is a processing unit that extracts data on each selected similar date in time series.
  • the predicted value calculation unit 13 is a processing unit that calculates a predicted value of the power generation amount of each generator.
  • the power generation amount totaling unit 14 is a processing unit that calculates a predicted value of the total power generation amount based on the predicted value of the power generation amount of each generator.
  • the predicted value calculation unit 13 includes a variance-covariance matrix creation unit 131, a random number generation unit 132, and a power generation amount calculation unit 133.
  • the variance-covariance matrix creation unit 131 is a processing unit that creates a variance-covariance matrix based on the extracted time-series data.
  • the random number generation unit 132 is a processing unit that generates a predicted value (wind speed / wind direction data, power generation amount data, solar radiation amount data, etc.) by generating random numbers according to a probability distribution based on the created variance-covariance matrix. is there.
  • the power generation amount calculation unit 133 is a processing unit that calculates a predicted value of the power generation amount of each generator based on a predicted value (wind speed / wind direction data, solar radiation amount data, etc.).
  • the storage unit 20 is a configuration unit that stores various types of information such as data necessary for processing in the prediction processing unit 10 and calculated prediction values. These pieces of information are input from the following input unit 30 or input from the outside via a communication network and stored.
  • the storage unit 20 can be configured by various built-in or externally connected memories, a hard disk, an optical disk, or the like, but any storage medium that can be used at present or in the future can be used.
  • the input unit 30 is a configuration unit that inputs information necessary for the power generation amount prediction processing device 1 and inputs processing selections and instructions.
  • this input unit 30 for example, a keyboard, a mouse, a touch panel (including one configured in a display device), and the like are conceivable. However, all input devices available now or in the future are included. Therefore, a voice input device for inputting by voice is also included. Also, a simple switch or the like may be used.
  • the output unit 40 is a means for outputting various data, calculated predicted values, etc. so that a user including an administrator, an operator, etc. can recognize the data.
  • Examples of the output unit 40 include a display device and a printer. However, any output device available now or in the future is included. Therefore, a voice output device that outputs by voice is also included.
  • weather data or power generation amount data is modeled using a multidimensional normal distribution, and a plurality of random numbers according to the multidimensional normal distribution are generated using a variance-covariance matrix.
  • the predicted value is calculated by generating a set of time series data.
  • FIG. 2 is a flowchart showing a procedure and data flow for predicting wind speed / wind direction data and calculating a predicted power generation amount from the predicted wind speed / wind direction data.
  • the similar date selection unit 11 selects a date on which the prediction target date and the weather data are similar based on the weather prediction data on the prediction target date and the past weather data (D1-1) at the position of each generator.
  • Select N days (N is an arbitrary integer greater than or equal to 2) (step 101).
  • a method for selecting a day in which the corresponding day and weather data are similar from past data is not limited to a specific one.
  • a simple method of selecting a day on which certain information in the weather data matches such as a day when the morning is clear and the afternoon is cloudy can be considered.
  • a method of selecting a day that approximates certain numerical information in weather data such as a clear sky index and a cloud amount can be used.
  • the time series data generation unit 12 uses the similar date as the time series data (D1-2) at the time K of the generators for M units (M is an arbitrary integer equal to or greater than 1) on the selected N days of similar days.
  • Two types of data sets (time point K, N days, M units) of wind speed and direction are generated from the wind speed / wind direction data included in the weather data (D1-1) (step 102).
  • the variance-covariance matrix creation unit 131 creates a variance-covariance matrix of (2 ⁇ K ⁇ M) rows (2 ⁇ K ⁇ M) columns from these time series data (D1-2) (step 103).
  • the random number generator 132 generates (2 ⁇ K ⁇ M) random number sets (L is an arbitrary integer equal to or greater than 2) using the variance-covariance matrix, thereby generating each wind power generation.
  • Two types of predicted values (D1-3) of wind direction and wind speed at the position of the machine are created as L sets of data (K time, M units, L ways) (step 104). The details of the process for creating the variance-covariance matrix and the random number generation process will be described later.
  • the power generation amount calculation unit 133 uses the wind speed and wind direction prediction values (D1-3) to generate L sets (K points, M units) of the power generation amount prediction values (D1-4) of the generators at the time K. Generate (step 105).
  • the L sets of data are data having the same time correlation and position correlation as the original N days of data, and correspond to the prediction result of the power generation amount. Therefore, the power generation amount totaling unit 14 adds up the predicted power generation amount values (D1-4) of the respective generators to obtain the predicted power generation amount value (D1-5) of the entire power generation (step 106).
  • the similar date selection unit 11 uses the same method as the above-described similar day (for example, the same method as the above-mentioned similar date) based on the weather forecast data of the prediction target date and the past weather data (D1-1). ) Is selected for N days (step 201).
  • the time series data generation unit 12 generates each generator from the power generation amount data (D2-1) of the selected N days of similar days as time series data (D2-2) of the selected N days of similar days.
  • a set of power generation amount data (time point K, N days, M units) is extracted (step 202).
  • the variance-covariance matrix creation unit 131 statistically analyzes the time series data (D2-2) and creates a variance-covariance matrix (step 203).
  • the random number generation unit 132 generates L sets of random numbers using the variance-covariance matrix, thereby obtaining a predicted value (D2-3) of the power generation amount of each generator (step 204). Further, the power generation amount totaling unit 14 obtains the predicted value (D2-4) of the total power generation amount by summing the predicted values (D2-3) of the power generation amount of the respective generators (step 205).
  • FIG. 3 shows a case of a wind power generator, the same applies to a case of a solar power generator.
  • data ⁇ xi ⁇ obtained by collecting power generation amount data for each time from a plurality of days is stored in the storage unit 20 in advance.
  • the similar date selection unit 11 selects a similar date by using, for example, a classification algorithm.
  • the time series data generation unit 12 decomposes the power generation amount on the selected similar day into the power generation amount xi at time i every hour, and creates time series data which is a vector in which the power generation amounts are arranged from x1 to x24.
  • the variance-covariance matrix creation unit 131 creates a variance-covariance matrix having 24 ⁇ 24 components such as [Equation 1] in order to consider the relationship between the power generation amounts between times.
  • var (xi) is the variance of ⁇ xi ⁇
  • cov (xi, xj) is the covariance of ⁇ xi ⁇ and ⁇ xj ⁇ .
  • at least two days or more are required for obtaining power generation amount data.
  • the number of days for acquiring the power generation amount data may be two days, but the prediction accuracy increases as the number of days increases.
  • the random number generation unit 132 generates a large number of 24-dimensional random numbers based on the variance-covariance matrix and creates the predicted value 24 of the power generation amount.
  • Power generation data for one day can be regarded as a 24-dimensional vector x.
  • this is called a power generation scenario.
  • An arbitrary number of power generation scenarios can be created by generating a large number of sets of 24 random numbers according to the probability distribution of [Equation 2]. This power generation scenario reproduces the statistical nature of past power generation data.
  • the fluctuation range at each time is reproduced by the variance of each time, and the correlation between the times is also reproduced by the covariance.
  • the past power generation amount data is only for two days, for example, one million power generation amount scenarios can be created.
  • the distribution of past data is obtained for each time, and L random numbers are generated according to the distribution.
  • An example of the simplest method of generating random numbers according to a specific distribution is by the rejection method. This is a method of generating a uniform random number in an area defined by a domain and a range of a distribution function, and rejecting those that exceed the value of the distribution function.
  • This method can be used for any distribution function, but it is not always efficient. In addition, it is difficult to apply even when the definition area is not a finite area. If an inverse function of a specific distribution exists, a random number according to the specific distribution can be easily created from a uniform random number. This is repeated at each time of 24 hours.
  • L random numbers are created for 24 hours.
  • the set of random numbers at each time has no correlation with the set of random numbers at other times and is independent of each other.
  • random numbers generated by ordinary algorithms are pseudo-random numbers, and even if they intend to create independent random numbers, they may actually be correlated. Therefore, it is converted into a set of independent random numbers by principal component analysis as necessary.
  • the correlation coefficient matrix is obtained by normalizing the variance-covariance matrix ⁇ .
  • the standard deviation matrix S of 24 rows by 24 columns (24 ⁇ 24) in which the standard deviation at each time is placed on a diagonal line and the other components are 0 is multiplied from the right, and the average vector ⁇ is arranged in L rows.
  • An average matrix A having 24 rows (L ⁇ 24) is added.
  • G ′′ having a mean, variance, and correlation finally obtained is obtained.
  • G ′′ G ′S + A This matrix G ′′ is the prediction result itself, and each N row vector (1 row, 24 columns) of G ′′ corresponds to each prediction result.
  • FIG. 5 shows the data of FIG. 4 overwritten.
  • FIG. 6 shows a power generation amount scenario generated by the method of this embodiment.
  • the number of predictions need not be limited to 50.
  • FIG. 7 shows a correlation coefficient matrix in this example. This is a standardized variance covariance matrix.
  • FIG. 8 shows an example in which the wind speed and the wind direction are predicted in order to predict the power generation amount of wind power generation.
  • (a) is an example of past wind speed data
  • (b) is an example of corresponding wind direction data.
  • the wind direction is quantified.
  • the corresponding data is formally arranged to create time series data. Since there are 24 points of data for both wind speed and direction, this wind force data is a time series consisting of 48 time points. In FIG. 8C, five such time series are superimposed and plotted.
  • the variance of data at each time point and the covariance between different time points can be calculated to create a 48 ⁇ 48 variance covariance matrix.
  • An arbitrary number of time series having a length of 48 time points can be generated by generating random numbers according to a 48-dimensional normal distribution using the variance-covariance matrix.
  • FIG. 9A shows time series data generated in this way.
  • Each one of this time series has information on both the wind speed and direction, has the same variance as the original data at each time point, and the covariance between the time points reproduces the information of the original data. Yes. That is, for example, the prediction result takes into account the correlation between the wind speed at 13:00 and the wind direction at 18:00.
  • FIG. 9B and FIG. 9C are plots of the wind speed and direction at each time by separating the time series of FIG. 9A at the center.
  • FIG. 10 is a plot of power generation at two solar power plants.
  • the sunlight data 1 in FIG. 10 (a) and the sunlight data 2 in FIG. 10 (b) are data measured at the time 24 times a day in the past, and 10 days are overwritten. Each of these data has a correlation.
  • FIG. 10 (c) shows the data of the same day connected formally and plotted as time series data of 48 time points.
  • FIG. 11 shows time series data generated by creating a 48-by-48 distributed covariance matrix from the data shown in FIG. 10C in the same manner as described above, generating random numbers, and generating random numbers.
  • FIG. 11A shows the calculation result, and 50 time series are displayed. What separated this is FIG.11 (b) and FIG.11 (c), and has shown the predicted value of the electric power generation amount of the photovoltaic power plant 1 and the photovoltaic power plant 2, respectively.
  • FIG. 12 (a) shows the frequency distribution of the power generation output at 12:00 in the photovoltaic power generation 1 of FIG. 11 (b).
  • the frequency is calculated based on 1000 pieces of time series data.
  • FIG. 12B shows the probability density distribution. Expected values and occurrence probabilities of prediction results can be calculated from this probability density distribution.
  • the power generation output can be predicted to be between 4 kW and 4.9 kW with a probability of 95%.
  • FIGS. 12C and 12D show the frequency distribution and probability density distribution of the output at 15:00 in the solar power plant 2 of FIG. 11C.
  • the fluctuation of the power generation amount in FIG. 11 (b) and the power generation amount in FIG. 11 (c) are not independent, and when the R-th time-series data is realized in the solar power plant 1, the R in the solar power plant 2 is also R. It means that the second time series data is realized. Therefore, it is easy to obtain the total power generation amount of the solar power plant 1 and the solar power plant 2, and the sum may be calculated for each time with the corresponding time series data.
  • FIG. 13 shows the total amount of power generated by the two solar power plants described above. From this figure, you can see how much the total power generation changes. This fluctuation amount cannot be obtained simply by adding the prediction errors of the power generation amount in the conventional prediction model.
  • This variation is a variation that is actually given to the system, and is a variation that should be taken into account in supply and demand control and load frequency control.
  • the frequency fluctuation range is proportional to the fluctuation range of the power generation amount by natural energy if the power generation amount of the load and other generators is constant.
  • the proportionality constant at this time is a load frequency constant. Therefore, the frequency calculation unit provided in the prediction processing unit 10 in FIG. 1 divides the fluctuation range in FIG. 13 by the total power generation amount of the system and multiplies the inverse of the load frequency constant to obtain the frequency fluctuation rate. Can do.
  • the number of solar power generators is two in the example of FIG. 13, a similar method can be used when the number of power generators is large.
  • the predicted value is calculated with respect to the past data related to the power generation amount in consideration of the statistical correlation between different times, so the power generation amount of a specific generator can be accurately predicted. can do.
  • the predicted value is calculated in consideration of the statistical correlation between the positions of different generators, the power generation amount of the plurality of generators can be predicted with high accuracy. That is, considering the statistical correlation of power generation between different times in weather data and power generation data, or the statistical correlation of power generation at the same time of power generation of generators with different positions, The quantity can be predicted as a set of a plurality of time series data to which the occurrence probability is given. Therefore, even in a power plant or power system having a generator whose power generation amount fluctuates uncertainly, the power generation amount can be accurately predicted by using a statistical probability method.
  • the power generation amount of a large number of generators is predicted at the same time, it is possible to make a prediction in consideration of time correlation and position correlation. Furthermore, when there are a plurality of generators and power generation plants, it is possible to predict the total power generation amount by summing those power generation amounts (or in a specific group unit). Furthermore, the fluctuation amount of the power generation amount of the system can be evaluated from the prediction result of the total power generation amount of many generators, and the frequency fluctuation of the system can be evaluated.
  • the power generation amount when predicting the power generation amount of wind power generation, the power generation amount can be evaluated by predicting the wind direction and speed, or the power generation amount can be predicted directly.
  • the power generation amount of solar power generation it can be used to predict the amount of sunlight, but the power generation amount can also be predicted directly. For this reason, it is also possible to obtain a predicted value of wind direction and wind speed and a predicted value of solar radiation amount in the process of power generation amount prediction.
  • a series of events that occur simultaneously in the world can be considered as a scenario.
  • the solar power generation scenario, the wind power generation scenario, and the load scenario that belong to the same scenario are scenarios that are highly likely to occur at the same time, and from these, it is possible to evaluate the amount of power generation that needs to be generated at a normal power plant. Along with this, the necessary cost, the amount of fuel, etc. can be evaluated including fluctuations. Therefore, the expected cost value can be evaluated from these.
  • the present invention is not limited to the embodiment as described above.
  • the specific contents and values of various information used in the present invention are free, and are not limited to specific contents and numerical values.
  • “Predicted value relating to power generation amount” and “past data relating to power generation amount” in the present specification are broad concepts including various types of information relating to power generation amount, such as weather data, power generation amount data, and error data (described later).
  • random numbers according to a multidimensional normal distribution are used.
  • the probability distribution need not be limited to the normal distribution.
  • weather data or power generation data is modeled using the distribution as described above, and a large number of random numbers according to the distribution are generated using the variance-covariance matrix, thereby providing a plurality of time series to which occurrence probabilities are given.
  • generating a data set is also contained in this invention.
  • FIG. 14 is a conceptual diagram showing a conventional prediction model. Many models for predicting the future, not limited to photovoltaic power generation, have been proposed. All of these predict future values from information obtained to date.
  • various models such as regression models and neural networks are used.
  • the relationship between past weather information and the amount of power generation is usually modeled.
  • past actual values actual weather data, power generation amount data, etc.
  • normally past predicted values predicted values such as weather data, power generation amount data, etc.
  • error bars, standard deviations, and the like are used to evaluate future predicted value errors and fluctuations.
  • FIG. 15 is an example of a model in which the method of the above embodiment is applied to a conventional prediction method.
  • a conventional prediction method typically only the past predicted value and the past actual value are used.
  • some kind of prediction model A has been used in the past, but any method may be used in the present invention for the method of this prediction model (prediction in the above embodiment). Model).
  • the past error data can be obtained from the difference between the past actual value and the past predicted value.
  • This error data can be calculated by, for example, an error data calculation unit provided in the prediction processing unit 10.
  • error data input from the outside via the input unit 30 or the communication network and stored in the storage unit 20 can be used.
  • the error data is generated by the time series data generation unit 12 as a set of time series of error data.
  • a time series set of error data is obtained for the number of days, weeks, or months in which data is calculated at regular intervals such as the past day, week, or month. It is assumed that there are K time series sets of error data (K ⁇ 2).
  • the predicted value in the future is predicted by any of the above-described prediction models A.
  • the error of the future prediction result is evaluated using the time series set of the error data. can do. That is, the variance-covariance matrix creation unit 131 creates a variance-covariance matrix from a set of K error data time series by the above-described method, and the random number generation unit 132 corresponds to a predicted value of the error data. L sets are generated. This is a predicted value of an error expected when a specific prediction model A is used.
  • the correction unit provided in the prediction processing unit 10 performs correction by adding this time series to the prediction result of the specific prediction model A, a prediction result with a high probability of realization can be obtained.
  • the specific prediction model A has a strong tendency to produce a prediction result that is smaller than the actual value, there is a tendency that the error time-series data also becomes negative.
  • the time series data of the prediction results reflect such characteristics.
  • any specific prediction model may be used. Although it is desirable that the accuracy of the prediction model is high, the accuracy is improved by using the prediction value of the error data as described above even if the accuracy of the prediction model is poor. Prediction models generally have poor accuracy over time, but using the prediction value of error data as described above also has the advantage that the same prediction model can be used for a long time.
  • time series data that is the subject of the present invention is not limited to solar power generation and wind power generation. Geothermal power generation, wave power generation, tidal power generation, and other natural energy generation, as well as demand data for a specific region can be predicted. Of course, these error time series may be used. Furthermore, even when it is difficult to predict from meteorological data such as tidal power generation, the fluctuation amount of the power generation amount can be predicted only from the past actual power generation amount data.

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

　発電量予測装置１は、発電機の過去の発電量に関する過去データとして、各日の複数時点の情報を含む過去データを記憶する記憶部２０、過去データにおける異なる時刻の間の統計的相関若しくは異なる発電機の位置の間の統計的相関に基づいて、発電機の発電量に関する当該過去データの予測値を、発生確率を含む時系列データとして算出する予測値算出部１３を有する。予測値算出部１３は、過去データに基づいて分散共分散行列を作成する分散共分散行列作成部１３１と、分散共分散行列に基づいて確率分布に従う乱数を発生させる乱数発生部１３２とを有する。

Description

発電量予測装置とその方法及びプログラム
　本発明の実施形態は、例えば、風力発電や太陽光発電などの自然エネルギーを用いた発電機の発電量を予測するための発電量予測装置とその方法及びプログラムに関する。
　風力や太陽光などの自然エネルギーによる発電は、燃料費が不要で、温暖化ガスを排出しないという利点がある。しかし、一般的に、自然エネルギーは天候に左右されるため、その発電量は、不確実で予測が困難であるという欠点がある。これまでは、主に、気象予報の結果を用いて、自然エネルギーによる発電量を予測していた。
特開２００４－２８９９１８号公報
村田晃伸、山口浩、大谷謙仁、「広域的に多数台導入された太陽光発電に関する出力変動幅の推定法」、電学論Ｂ、１２７巻５号、２００７年、ｐｐ．６４５－６５２
　ところで、自然エネルギーにより発電量を予測する従来技術として、自然エネルギーによる発電量を気象情報から予測し、不足分は発電で補う方法が存在している。しかし、かかる予測方法においては、変動幅があることが考慮されていない。
　一方、自然エネルギーを利用した発電機が複数あるときには、相互の変動が重なり合って、変動が小さくなることが知られている。従って、複数の自然エネルギーによる発電機の発電量の合計を予測するためには、相互の相関を考慮して予測値を合計する必要がある。
　これに対して、例えば、相関を考慮した合計出力の変動を、近似式で予測する方法が存在している。しかし、かかる手法では、誤差が大きいという問題があった。また、従来技術では、特定の発電所の合計出力を、相関を考慮して予測することも困難であった。
　一方、需要量と発電量とのバランスが正確にとれていないと、周波数が所定値から変動するなど、電力系統が不安定になる。このため、自然エネルギーによる発電を導入した場合には、電力系統の管理を行う上で、特別の注意が必要となる。
　ところが、周波数の変動は、発電量の変動と関係がある。そして、上述のように、風力発電や太陽光発電のような自然エネルギーによる発電は、発電機の発電量が不確実に変動する。このため、従来技術による予測方法では、この変動を考慮して、電力系統を安定して管理することが困難であった。
　風力発電機の発電量は、風向と風速が決まれば、ほぼ予測することができる。例えば、図１６は、ある年の８月に、東京のある地点の風速を１時間ごとに示したものである。また、図１７は、同じ地点の風向を１時間ごとに示したものである。図１７の風向を表示するにあたっては、図１８のように方向を数値化してある。
　これらの図１６、図１７を一見すると、風速や風向はランダムに変動しているように見える。しかし、よく見ると、各日で一定の傾向があることが分かる。例えば、この時期のこの場所での風速は、午前に小さく午後に大きくなり、風速が大きいほど変動も大きい。一方、風向は、風速が小さい場合には大きく変わるが、風速が大きな場合には一定になる傾向がある。
　また、太陽光発電の発電量は、場所と発電機の設置方法と日射量が決まれば、ほぼ予測することができる。例えば、図１９は、ある年の１２月の東京のある地点での日射量を示している。この図１９からも、日射量は全くランダムというわけではなく、ある曲線に近いデータが多く、午前中の日射量が小さい場合には午後の日射量も小さいといった特徴があることが分かる。
　このように、風力データ、日射量データの両者に共通することは、どちらも全くランダムというわけではないが、完全に予測することは困難であるということである。従って、一定の誤差を考慮して予測するしかない。また、予測にあたっては、過去のデータを参考にして、一定の傾向を満たすように予測することが必要である。この傾向は、場所や時期によって決まる。また、午前と午後、あるいは時間ごとの関係も重要である。この時間ごとの関係を時刻相関と呼ぶ。
　風力発電機でも太陽光発電機でも、発電量が気象条件に左右されるため、同じ場所にある発電機の発電量は似通ってくるが、遠くにある発電機の発電量は全く異なるパターンを示す。数ｋｍ程度であれば、気象条件は似通っていると考えられるため、発電量のパターンには類似性が見られるはずである。これを位置相関と呼ぶ。これらの発電機は、仮に、隣り合う場所に設置されていたとしても、風速や日射量が正確に同じになるわけではないため、位置相関を考慮する必要がある。
　以上に述べたように、風力発電機でも太陽光発電機でも１台の発電機の発電量を予測する場合には、時刻相関を考慮する必要がある。また、複数台の発電機の発電量を同時に予測する場合には、位置相関を考慮する必要がある。しかし、これまでの予測手法では、時刻相関や位置相関を考慮した予測を行うことは、容易ではなかった。
　本発明は、上記のような従来技術の問題点を解決するために提案されたものであり、その目的は、発電量が不確実に変動する発電機の場合であっても、統計的相関を考慮して、発電量を予測することができる発電量予測装置とその方法及びプログラムを提供することにある。
　上記のような目的を達するため、１つの態様によれば、発電量が不確実に変動する１台以上の発電機の発電量に関する予測値を求める発電量予測装置において、次のような過去データ記憶部と予測値算出部を有することを特徴とする。すなわち、過去データ記憶部は、少なくとも一つの発電機の過去の発電量に関する過去データとして、各日の複数時点の情報を含む過去データを記憶する。予測値算出部は、前記過去データにおける異なる時刻の間の統計的相関若しくは異なる発電機の位置の間の統計的相関に基づいて、発電機の発電量に関する当該過去データの予測値を、発生確率を含む時系列データとして算出する。なお、別の態様として、上記の各部の機能をコンピュータにより実現するための方法及びプログラムとして捉えることもできる。
発電量予測装置の一実施形態を示すブロック図 図１の実施形態において、風速・風向データに基づいて風力発電の発電量を予測する処理を示すフローチャート 図１の実施形態において、発電量データに基づいて風力発電の発電量を予測する処理を示すフローチャート 太陽光発電の過去の類似日の発電量データの一例を示す説明図 図１の発電量データを重ね書いた一例を示す説明図 図１の発電量データに基づく太陽光発電の発電量予測値のシミュレーション結果を示す説明図 図６の相関係数行列の一例を示す説明図 風力発電の過去の風速データ（ａ）、風向データ（ｂ）、風速・風向データを重ね書いたもの（ｃ）を示す説明図 風速・風向を含む時系列の予測結果（ａ）、風速の予測結果（ｂ）、風向の予測結果（ｃ）を示す説明図 ２箇所の太陽光発電所の過去の発電量データ（ａ）（ｂ）、両者を含む時系列データ（ｃ）を示す説明図 ２箇所の太陽光発電所を含む発電量の予測値（ａ）、各々の太陽光発電所の発電量の予測値（ｂ）（ｃ）を示す説明図 図１１（ｂ）の発電出力の頻度分布（ａ）、確率密度分布（ｂ）、図１１（ｃ）の発電出力の頻度分布（ｃ）、確率密度分布（ｄ）を示す説明図 図１１（ｂ）と図１１（ｃ）の発電量の合計を示す説明図 従来の予測モデルの一例を示す概念図 図１の実施形態を、従来の予測モデルに適用した一例を示す概念図 ある年の東京の８月の風速データの一例を示す説明図 ある年の東京の８月の風向データの一例を示す説明図 風向データの換算表の一例を示す説明図 ある年の東京の１２月の日照量の一例を示す説明図
　本発明を実施するための形態（以下、実施形態とする）を、図面を参照して説明する。
［１．実施形態の構成］
　まず、本実施形態の構成を説明する。すなわち、図１に示すように、本実施形態の発電量予測装置１は、パーソナルコンピュータやサーバ装置のような汎用のコンピュータを、所定のプログラムで制御することによって実現できる。この場合のプログラムは、コンピュータのハードウェアを物理的に活用することで、以下に述べるような各部の処理を実現するものであり、かかる処理を行う方法、プログラム及びプログラムを記録した記録媒体は単独でも本発明の一態様である。
　発電量予測装置１は、予測処理部１０、記憶部２０、入力部３０及び出力部４０等を有している。予測処理部１０は、上記のようなプログラムの働きにより機能する類似日選択部１１、時系列データ生成部１２、予測値算出部１３、発電量合計部１４等を有している。
　類似日選択部１１は、予測対象日の気象予報データ等と、過去のデータ（風速・風向データ、日射量データ等の気象データ、各発電機の発電量データ）とに基づいて、予測対象日と類似した日を選択する処理部である。時系列データ生成部１２は、選択された各類似日におけるデータを時系列で抽出する処理部である。
　予測値算出部１３は、各発電機の発電量の予測値を算出する処理部である。発電量合計部１４は、各発電機の発電量の予測値に基づいて、合計発電量の予測値を算出する処理部である。
　なお、予測値算出部１３は、分散共分散行列作成部１３１、乱数発生部１３２、発電量計算部１３３を有している。分散共分散行列作成部１３１は、抽出された時系列のデータに基づいて、分散共分散行列を作成する処理部である。乱数発生部１３２は、作成された分散共分散行列に基づいて、確率分布に従う乱数を発生することにより、予測値（風速・風向データ、発電量データ、日射量データ等）を作成する処理部である。発電量計算部１３３は、予測値（風速・風向データ、日射量データ等）に基づいて、各発電機の発電量の予測値を算出する処理部である。
　記憶部２０は、予測処理部１０における処理に必要なデータ及び演算された予測値等、各種の情報を記憶する構成部である。これらの情報は、下記の入力部３０から入力されるか、外部から通信ネットワークを介して入力され、記憶される。記憶部２０は、典型的には、内蔵された若しくは外部接続された各種メモリ、ハードディスク、光ディスク等により構成できるが、現在又は将来において利用可能なあらゆる記憶媒体を利用可能である。
　入力部３０は、発電量予測処理装置１に必要な情報の入力、処理の選択や指示を入力する構成部である。この入力部３０としては、例えば、キーボード、マウス、タッチパネル（表示装置に構成されたものを含む）等が考えられる。但し、現在又は将来において利用可能なあらゆる入力装置を含む。したがって、音声により入力する音声入力装置も含まれる。また、単純なスイッチ等であってもよい。
　出力部４０は、各種データ、演算された予測値等を、管理者、操作者等も含むユーザが認識可能となるように出力する手段である。この出力部４０としては、例えば、表示装置、プリンタ等が考えられる。但し、現在又は将来において利用可能なあらゆる出力装置を含む。したがって、音声により出力する音声出力装置も含まれる。
［２．実施形態の作用］
［２－１．処理の概要］
　本実施形態は、気象データ若しくは発電量データを、多次元正規分布を用いてモデル化し、分散共分散行列を用いて多次元正規分布に従う乱数を多数発生させることで、発生確率が付与された複数の時系列データの組を生成することにより、予測値を算出するものである。
［２－２．風速・風向データに基づく予測］
　次に、本実施形態の作用を説明する。まず、風速・風向データに基づいて、風力発電の発電機の発電量を予測する一例を、図２を参照して説明する。なお、図２は、風速・風向データを予測し、予測した風速・風向データから、発電量の予測値を計算する手順とデータの流れを示すフローチャートである。
　まず、類似日選択部１１が、予測対象日の気象予報データと、各発電機の位置における過去の気象データ（Ｄ１－１）とに基づいて、予測対象日と気象データが類似した日を、Ｎ日分（Ｎは２以上の任意の整数）選択する（ステップ１０１）。過去のデータから、該当日と気象データが類似する日を選択する手法としては、特定のものには限定されない。
　例えば、午前中が晴れで午後が曇りの日というように、気象データ中のある情報が一致する日を選択するといった簡単な手法が考えられる。また、晴天指数や雲量など、気象データ中のある数値情報について近似する日を選択するといった手法なども用いることができる。
　時系列データ生成部１２は、選択されたＮ日分の類似日におけるＭ台分（Ｍは１以上の任意の整数）の発電機のＫ時点の時系列データ（Ｄ１－２）として、類似日の気象データ（Ｄ１－１）に含まれる風速・風向データから風速と風向の２種のデータの組（Ｋ時点、Ｎ日分、Ｍ台分）を生成する（ステップ１０２）。ここで、Ｋは１日２４時間の時間軸を所定間隔で分割した場合の時点の数を示しており、例えば、１時間間隔の場合には、Ｋ＝２４となり、２時間間隔の場合には、Ｋ＝１２となる。
　分散共分散行列作成部１３１は、これらの時系列データ（Ｄ１－２）から、（２×Ｋ×Ｍ）行（２×Ｋ×Ｍ）列の分散共分散行列を作成する（ステップ１０３）。次に、乱数発生部１３２が、分散共分散行列を用いて、（２×Ｋ×Ｍ）個の乱数の組をＬ組（Ｌは２以上の任意の整数）発生させることによって、各風力発電機の位置における風向と風速の２種の予測値（Ｄ１－３）が、Ｌ組のデータ（Ｋ時点、Ｍ台、Ｌ通り）として作成される（ステップ１０４）。なお、このような分散共分散行列の作成処理、乱数の発生処理の詳細については、後述する。
　しかる後に、発電量計算部１３３が、風速および風向の予測値（Ｄ１－３）から、Ｋ時点における各発電機の発電量の予測値（Ｄ１－４）をＬ組（Ｋ時点、Ｍ台）生成する（ステップ１０５）。このＬ組のデータは元のＮ日分のデータと同じ時刻相関、位置相関を持ったデータであり、発電量の予測結果に相当する。このため、発電量合計部１４が、各発電機の発電量の予測値（Ｄ１－４）を合計することにより、全体の発電量の予測値（Ｄ１－５）が求められる（ステップ１０６）
［２－３．日射量データに基づく予測］
　本実施形態では、風向・風速データの代わりに、日射量データを用いて、太陽光発電の発電機の発電量を予測することもできる。その手順は、基本的には、上記と同様である。すなわち、気象予報データと過去の気象データに基づく類似日の選択、選択された類似日の気象データに含まれる日射量データに基づく日射量の時系列データの生成、分散共分散行列の作成、乱数の発生が行われる。
　この場合、Ｍ台の発電機のＫ時点のデータを用いると、（Ｋ×Ｍ）行（Ｋ×Ｍ）列の分散共分散行列が得られ、最終的には（Ｋ×Ｍ）個の乱数の組がＬ組得られる。これが、日射量の予測値となり、この予測値に基づいて、発電量の予測値及び合計値が求められる。
［２－４．発電量に基づく予測］
　さらに、上記の例では、風向・風速の予測値や日射量の予測値を、発電量の予測値へ変換（発電量計算部１３３による発電量の予測値の計算）する処理が行われていた。しかし、このような変換処理は、必ずしも必要ではない。すなわち、本実施形態においては、過去の発電量データに基づいて、発電量の予測値を求めることもできる。
　このように発電量データを直接求める例を、図３のフローチャートを参照して説明する。まず、類似日選択部１１が、予測対象日の気象予報データと、過去の気象データ（Ｄ１－１）とに基づいて、同様な条件を持つ過去の日（例えば、上述の類似日と同じ手法）をＮ日選択する（ステップ２０１）。
　時系列データ生成部１２は、選択されたＮ日分の類似日における時系列データ（Ｄ２－２）として、選択されたＮ日分の類似日の発電量データ（Ｄ２－１）から各発電機の発電量データの組（Ｋ時点、Ｎ日分、Ｍ台分）を抽出する（ステップ２０２）。分散共分散行列作成部１３１は、これらの時系列データ（Ｄ２－２）を統計的に分析し、分散共分散行列を作成する（ステップ２０３）。
　次に、乱数発生部１３２が、分散共分散行列を用いて、乱数の組をＬ組生成することによって、各発電機の発電量の予測値（Ｄ２－３）を求める（ステップ２０４）。さらに、発電量合計部１４は、各発電機の発電量の予測値（Ｄ２－３）を合計することにより、全体の発電量の予測値（Ｄ２－４）を求める（ステップ２０５）。
　このように、風向・風速の予測値や日射量の予測値からの変換を経ることなく、発電量の予測値（Ｋ時点、Ｍ台、Ｌ通り）と、その合計値（Ｋ時点、Ｌ通り）を得ることができる。なお、図３は、風力発電機の場合であるが、太陽光発電機の場合も同様に適用できる。
［２－５．分散共分散行列の作成と乱数の発生］
　次に、分散共分散行列の作成と乱数の発生の手法を、太陽光発電機の発電量の予測を一例として説明する。ここでは、Ｋ時点を、１時間ごとの２４点とし、１台の発電機（Ｍ＝１）の発電量を、時刻相関を考慮して予測する手法を例にとって説明する。
　すなわち、あらかじめ複数の日から各時刻ごとの発電量データを集めたデータ｛ｘｉ｝が、記憶部２０に記憶されている。類似日選択部１１は、例えば、分類アルゴリズム等を用いることにより、類似日を選択する。時系列データ生成部１２は、選択された類似日の発電量を、１時間ごとの時刻ｉの発電量ｘｉに分解し、これをｘ１からｘ２４まで並べたベクトルである時系列データを作成する。
　この時系列データから、分散共分散行列作成部１３１は、時刻間の発電量の関係を考慮するために、［数１］のような２４×２４の成分を持つ分散共分散行列を作成する。ここで、ｖａｒ（ｘｉ）は｛ｘｉ｝の分散であり、ｃｏｖ（ｘｉ，ｘｊ）は、｛ｘｉ｝と｛ｘｊ｝の共分散である。分散や共分散を計算するためには、発電量データを取得する日は最低でも２日以上必要である。発電量データを取得する日数は２日でもかまわないが、日数が多いほど予測精度は高くなる。
Figure JPOXMLDOC01-appb-M000001
　乱数発生部１３２は、分散共分散行列に基づいて、２４次元の乱数を多数発生し、発電量の予測値２４を作成する。
　この場合、各時刻の発電量が従う確率分布を定める必要がある。ここでは、２４次元の正規分布を用いた場合を一例として説明する。すなわち、２４次元のべクトルｘ＝（ｘ１，ｘ２，ｘ３，…，ｘ２４）が、２４次元正規分布に従う場合、ｘが満たす確率密度関数は、ｘの平均値ベクトルμ＝（μ１，μ２，μ３，…，μ２４）を用いて、［数２］のように表される。
Figure JPOXMLDOC01-appb-M000002
　一日分の発電量データは２４次元のベクトルｘとみなすことができる。ここでは、これを発電量シナリオと呼ぶ。［数２］の確率分布に従う２４個の乱数の組を多数発生させることにより、任意の数の発電量シナリオを作成することができる。この発電量シナリオは、過去の発電量データの統計的な性質を再現している。
　すなわち、各時刻の変動幅は各時刻の分散によって再現され、時刻間の相関も共分散によって再現されている。しかも、過去の発電量データがわずか２日分しかなくても、例えば百万個の発電量シナリオを作成することもできる。
　次に、特定の確率分布に従い、かつ、相互に与えられた相関を持つ乱数の組をＬ組だけ作成する手法を以下に説明する。ここでは、互いに相関を持つ２４個の乱数の組をＬ組生成する場合を例にとって説明する。
　まず、各時刻ごとに過去のデータの分布を求め、その分布に従う乱数をＬ個発生する。特定の分布に従う乱数を作成する最も簡単な方法の一例は、棄却法によるものである。これは、分布関数の定義域と値域によって定められる領域で一様な乱数を生成し、その中から分布関数の値を超えるものを棄却する方法である。
　この方法は、あらゆる分布関数に用いることができるが、必ずしも効率はよくない。また、定義域が有限の領域でない場合にも、適用しにくい。もし、特定の分布の逆関数が存在すれば、一様乱数から容易に特定の分布に従う乱数を作成することができる。これを、２４時間の各時刻において繰り返す。
　以上のプロセスにより、Ｌ個の乱数が、２４時間分作成される。この段階では、各時刻の乱数の組は、他の時刻の乱数の組と相関がなく、互いに独立である。もっとも、通常のアルゴリズムで生成される乱数は、疑似乱数であり、独立な乱数を作成したつもりでも、実際には相関がある可能性がある。従って、必要に応じて主成分分析により互いに独立な乱数の組に変換しておく。
　この結果、Ｌ行２４列（Ｌ×２４）の成分を持つ乱数行列が得られる。この段階で各乱数は標準偏差１、平均０になるように変数変換により正規化しておく。このようにして、正規乱数行列Ｇが得られる。
　次に、２４×２４の相関係数行列Ｒをコレスキー分解し、上三角行列ＴＵと下三角行列ＴＬに分解する。相関係数行列は分散共分散行列Σを規格化することで得られる。
［数３］
　　　Ｒ＝ＴＵＴＬ
　その後、正規乱数行列Ｇに上三角行列ＴＵを右から掛けることで、相関を持った正規乱数行列が作成できる。
［数４］
　　　Ｇ’＝ＧＴＵ
　これに、各時刻の標準偏差を対角線上におき、他の成分が０である２４行２４列（２４×２４）の標準偏差行列Ｓを右から掛け、平均値ベクトルμをＬ行並べたＬ行２４列（Ｌ×２４）の平均値行列Ａを加える。これにより、最終的に求める平均と分散および相関を持った乱数行列Ｇ”が得られる。
［数５］
　　　Ｇ”＝Ｇ’Ｓ＋Ａ
　この行列Ｇ”が予測結果そのものであり、Ｇ”のＮ個の各行ベクトル（１行２４列）が、各予測結果に相当する。
　なお、時刻分割数が大きい場合や、発電量の相関が強い場合などは、数値計算上の問題として桁落ちによる誤差が大きくなり、相関係数行列Ｒのコレスキー分解が困難な場合がある。このような場合には、必要に応じて固有値分解や特異値分解を用いる。なお、上記の作成手法において、１日を２４時間に分割する代わりに、任意の時間で分割することもできる。つまり、分割の単位は自由である。
［３．具体的適用結果］
　次に、本実施形態による予測処理を、具体的な事例に適用した結果について説明する。
［３－１．太陽光発電の発電量予測］
　図４は、過去の太陽光発電の発電量をプロットした例である。この場合、２時間ごと、７日分のデータが示されている。すなわち、Ｋ＝１２、Ｎ＝７である。ここでは、類似日選択処理により、すでに同様な気象条件の日が選択されているものとする。同じ気象条件でも、わずかな気温の違いや雲の量の違いから発電量が変動する場合がある。図５は、図４のデータを重ね書きしたものである。
　図６は、本実施形態の手法で生成した発電量シナリオである。この場合、乱数を用いて５０通りの予測結果（Ｌ＝５０）が生成されている。但し、予測数は５０に限る必要はない。この図６の発電量の予測結果は、図５のデータをよく再現していることが分かる。この図６で重要な点は、元のデータにおける時刻間の相関が、予測結果においても再現されていることである。図７は、本例の場合の相関係数行列である。これは、分散共分散行列を規格化したものである。
　太陽光発電機が複数ある場合には、相互がランダムに変動していると、平滑化の効果が見られる。相互の発電量に相関があれば、平滑化の効果は小さくなる。本実施形態では、このような状況のシミュレーションも可能である。
［３－２．風力発電の発電量予測］
　図８は、風力発電の発電量を予測するために、風速と風向を予測する場合の例である。図８において、（ａ）は過去の風速データの例であり、（ｂ）は対応する風向データの例である。ここでは、図１７と同様に、風向が数値化されている。
　風向と風速は相互に関連があるために、同時に予測する必要がある。このため、図８（ｃ）のように、対応するデータを形式的に並べて時系列データを作成する。風速、風向ともに２４点のデータがあるため、この風力データは４８時点からなる時系列となる。図８（ｃ）には、このような時系列が５本重ねてプロットされている。
　これらの５本の時系列から、各時点におけるデータの分散、異なる時点間の共分散を計算することで、４８×４８の分散共分散行列を作成することができる。そして、この分散共分散行列を用いて、４８次元の正規分布に従う乱数を生成することで、４８時点の長さを持つ時系列を任意の数だけ生成することができる。
　図９（ａ）は、このようにして生成した時系列データである。この時系列の１本、１本が、風速と風向の両方の情報を持っており、各時点において元のデータと同じ分散を持ち、時点間の共分散も元のデータの情報を再現している。すなわち、例えば、１３時の風速と１８時の風向の相関などが考慮された予測結果になっている。図９（ａ）の時系列を、中央で分離することで、各時刻の風速と風向をプロットしたものが図９（ｂ）と図９（ｃ）である。
［３－３．複数の発電機の発電量予測］
　次に、自然エネルギーによる発電機が複数ある場合の予測処理を、太陽光発電を一例として説明する。複数の太陽光発電機の発電量が、互いに相関がない場合、これらの発電量を独立に予測することができる。しかし、複数の太陽光発電機の発電量は気象データを通じて相互に相関があるのが普通である。複数の太陽光発電機の発電量を合計すると変動が小さくなることが知られている。この場合、相関が小さければ変動が平滑化される可能性が高いが、正の相関が強ければ変動は平滑化されない。
　例えば、太陽光発電機がＭ台の場合の予測を行なう場合、時点数が２４個の場合、（Ｍ×２４）行（Ｍ×２４）列の成分からなる分散共分散行列を作成し、（Ｍ×２４）次元の乱数ベクトルを多数発生させることで、各太陽光発電機の発電量を予測することができる。
　図１０は、２箇所の太陽光発電所における発電量をプロットしたものである。図１０（ａ）の太陽光データ１と図１０（ｂ）の太陽光データ２は、過去において１日２４時点において、同時に測定されたデータであり、１０日分が重ね書かれている。これらのデータは、それぞれ相関を持っている。
　そこで、同じ日のデータを形式的に繋いで、４８時点の時系列データとしてプロットしたものが図１０（ｃ）である。この図１０（ｃ）のデータから、前述の方法と同様な方法で、４８行４８列の分散共分散行列を作成し、乱数を発生させて、生成した時系列データが図１１である。図１１（ａ）は計算結果であり、５０通りの時系列が表示されている。これを分離したものが図１１（ｂ）と図１１（ｃ）であり、それぞれ太陽光発電所１と太陽光発電所２の発電量の予測値を示している。
　図１１では、多数の時系列データが線としてプロットされているが、この場合には各時系列データの実現確率は等しい。従って、図１１のある時刻、ある出力の点での時系列データの線の密度がその時刻におけるその出力の実現確率に比例することになる。
　図１２（ａ）は、図１１（ｂ）の太陽光発電１における１２時の発電出力の頻度分布を示したものである。この場合、１０００個の時系列データをもとに頻度が計算されている。また、図１２（ｂ）は、その確率密度分布を示している。この確率密度分布から予測結果の期待値や発生確率を計算することもできる。例えば、９５％の確率で発電出力が４ｋＷ～４．９ｋＷの間になると予測することができる。同様に、図１２（ｃ）（ｄ）は、図１１（ｃ）の太陽光発電所２における１５時の出力の頻度分布と確率密度分布を示している。
　図１１（ｂ）の発電量と図１１（ｃ）の発電量の変動は独立ではなく、太陽光発電所１においてＲ番目の時系列データが実現した場合には太陽光発電所２においてもＲ番目の時系列データが実現することを意味している。従って、太陽光発電所１と太陽光発電所２の発電量の合計を求めることは容易であり、対応する時系列データで時刻ごとに和を計算すればよい。
　図１３は、上記の２箇所の太陽光発電所の発電量の合計を示している。この図から、合計の発電量がどの程度変動するかが見て取れる。この変動量は従来の予測モデルにおける発電量の予測誤差を合計しただけでは得られない。この変動量が実際に系統に与える変動であり、需給制御や負荷周波数制御において考慮すべき変動量である。
　負荷周波数制御においては、例えば周波数の変動幅は負荷や他の発電機の発電量が一定であれば、自然エネルギーによる発電量の変動幅に比例する。このときの比例定数は、負荷周波数定数である。従って、図１の予測処理部１０に設けられた周波数演算部によって、この図１３の変動幅を系統の全発電量で割り、負荷周波数定数の逆数を掛けることで、周波数の変動率を求めることができる。図１３の例では太陽光発電機は２台であったが、発電機の数が多い場合にも同様な手法を用いることができる。
［４．実施形態の効果］
　以上のような本実施形態によれば、発電量に関する過去データについて、異なる時刻の間の統計的相関を考慮して、予測値を算出するので、特定の発電機の発電量を、精度よく予測することができる。また、異なる発電機の位置の間の統計的相関を考慮して、予測値を算出するので、複数台の発電機の発電量を、精度よく予測することができる。すなわち、気象データや発電量データの異なる時刻の間の発電量の統計的相関、あるいは位置が異なる発電機の発電量の同時刻の発電量の統計的相関を考慮して、各発電機の発電量を発生確率が付与された複数の時系列データの組として予測することができる。したがって、発電量が不確実に変動する発電機を持つ発電プラントや電力系統であっても、統計確率的な手法を用いることにより、発電量を正確に予測することができる。
　また、多数台の発電機の発電量を同時に予測する場合であっても、時刻相関及び位置相関を考慮した予測が可能となる。さらに、発電機、発電プラントが複数ある場合に、それらの発電量を合計（特定のグループ単位でも可）して、全発電量を予測することが可能となる。さらに、多数の発電機の合計の発電量の予測結果から、系統の発電量の変動量を評価し、系統の周波数変動を評価することもできる。
　また、風力発電の発電量予測をする場合、風向や風速を予測して発電量を評価することもできるし、発電量を直接に予測することもできる。太陽光発電の発電量の予測をする場合、日照量の予測に用いることもできるが、発電量を直接に予測することもできる。このため、発電量予測の過程で、風向や風速の予測値、日射量の予測値を得ることもできる。
　なお、世の中で同時に起こる一連の出来事は一つのシナリオと考えることができる。同一のシナリオに属する太陽光発電シナリオ、風力発電シナリオ、負荷シナリオは、同時に起こる可能性が高いシナリオであり、これらから通常の発電所で発電することが必要な発電量を評価することもできる。また、これにともない、必要なコストや燃料の量なども変動を含めて評価することができる。従って、これらからコストの期待値なども評価可能である。
［５．他の実施形態］
　本発明は、上記のような実施形態に限定されるものではない。例えば、本発明で用いられる各種の情報の具体的な内容、値は自由であり、特定の内容、数値には限定されない。本明細書中の「発電量に関する予測値」、「発電量に関する過去データ」は、気象データ、発電量データ、誤差データ（後述）等、発電量に関する各種の情報を含む広い概念である。
　また、上記の例では、多次元の正規分布に従う乱数を用いたが、確率分布は正規分布に限る必要はない。例えば、対数正規分布、指数分布、ワイブル分布、ベータ分布、その他の任意の分布を用いることができる。実際の発電量から分布形状を関数近似により作成することもできる。太陽光発電量のように、理論的に上限（快晴時の日射量による）と下限（＝０）が決まっている場合には、例えば、ベータ分布などを用いることでフィッティングの精度を上げることができる。
　つまり、気象データ若しくは発電量データを、上記のような分布を用いてモデル化し、分散共分散行列を用いて、かかる分布に従う乱数を多数発生させることにより、発生確率が付与された複数の時系列データの組を生成することにより、予測値を算出するものも、本発明に含まれる。
　また、上記の実施形態およびその変形例の手法は既存の予測モデルと組み合わせることで、精度を向上させることも可能である。ここで、図１４は、従来の予測モデルを示した概念図である。太陽光発電に限らず、将来を予測するためのモデルは多数提案されている。これらは全て、現在までに得られている情報から、将来の値を予測するものである。
　このために、回帰モデルやニューラルネットなど種々多数のモデルが用いられる。この場合、通常は過去の気象情報と発電量の関係をモデル化する。過去の実績値（実際の気象データ、発電量データ等）を用いる場合もあるが、普通は過去の予測値（気象データ、発電量データ等の予測値）は用いない。また、将来の予測値の誤差や変動を評価するためには、エラーバーや標準偏差などが用いられる。
　一方、図１５は、上記の実施形態の手法を従来の予測方法に適用したモデルの一例である。この場合、典型的には、過去の予測値と過去の実績値のみが用いられる。過去の予測値を得るためには、過去において何らかの予測モデルＡが用いられていたわけであるが、この予測モデルの方法に関しては、本発明では、何であってもかまわない（上記の実施形態の予測モデルでもよい）。
　このような過去の実績値と過去の予測値の差から、過去の誤差データが得られる。この誤差データは、例えば、予測処理部１０に設けられた誤差データ演算部により演算することができる。または、入力部３０若しくは通信ネットワークを介して外部から入力され、記憶部２０に記憶された誤差データを用いることもできる。
　ここで、誤差データは、時系列データ生成部１２によって、誤差データの時系列の組として生成される。例えば、過去の一日、あるいは一週間、あるいは一ヶ月など、一定周期ごとに計算され、データが存在する日数、あるいは週数、あるいは月数分だけ誤差データの時系列の組が得られる。この誤差データの時系列の組が、Ｋ個（Ｋ≧２）あるとする。
　一方、将来の予測値は、上記の何らかの予測モデルＡによって予測されるわけであるが、図１５の手法では、上記の誤差データの時系列の組を用いて、将来の予測結果の誤差を評価することができる。すなわち、前述の手法によって、Ｋ個の誤差データの時系列の組から、分散共分散行列作成部１３１が分散共分散行列を作成し、乱数発生部１３２が誤差データの予測値に相当する時系列をＬ組生成する。これは、特定の予測モデルＡを用いた場合に期待される誤差の予測値である。
　従って、予測処理部１０に設けられた補正部が、特定の予測モデルＡによる予測結果に、この時系列を加える補正を行うことによって、実現する確率の高い予測結果が得られる。例えば、特定の予測モデルＡが実績値に比べて小さめの予測結果を出す傾向が強い場合、誤差の時系列データにおいてもマイナスになる傾向が見られる。予測結果の時系列データは、そのような特徴を反映したものになる。
　以上のような態様では、過去の気象データあるいは発電量データから、自然エネルギーによる発電機など発電量が不確実な発電機の将来の発電量を誤差を含めて予測することが可能になる。いったん、発電量シナリオが作成されれば、従来と同様の技術により発電計画を作成することも容易であり、作成された発電計画シナリオを用いて、発電量や発電コスト、収益等の期待値を計算したり、最適な発電計画を選択したりすることも可能になる。
　なお、かかる場合には、特定の予測モデルは何であってもかまわない。予測モデルの精度は高い方が望ましいが、精度が悪いモデルであっても、上記のように誤差データの予測値を用いることで、精度が改善される。予測モデルは一般に時間が経つにつれて精度が悪くなるものであるが、上記のように誤差データの予測値を用いると同じ予測モデルを長期間使用できるという利点もある。
　また、本発明の対象となる時系列データは、太陽光発電、風力発電には限らない。地熱発電や波力発電、潮力発電、その他の自然エネルギーによる発電はもちろん、特定の地域の需要データなどを予測することもできる。もちろん、これらの誤差時系列でもかまわない。さらに、潮力発電など気象データからの予測が困難な場合であっても、過去の発電量の実績データからだけで、発電量の変動量の予測を行うことができる。
　本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

Claims (10)

  1. 　発電量が不確実に変動する１台以上の発電機の発電量に関する予測値を求める発電量予測装置において、
    　少なくとも一つの発電機の過去の発電量に関する過去データとして、各日の複数時点の情報を含む過去データを記憶する過去データ記憶部と、
    　前記過去データにおける異なる時刻の間の統計的相関若しくは異なる発電機の位置の間の統計的相関に基づいて、発電機の発電量に関する当該過去データの予測値を、発生確率を含む時系列データとして算出する予測値算出部と、
    　を有することを特徴とする発電量予測装置。
  2. 　前記過去データは、発電量データであることを特徴とする請求項１記載の発電量予測装置。
  3. 　前記過去データは、発電量に影響を与える気象データであり、
    　前記予測値算出部は、気象データの予測値を、発電量に換算する発電量計算部を有することを特徴とする請求項１記載の発電量予測装置。
  4. 　前記予測値算出部は、
    　前記過去データに基づいて、分散共分散行列を作成する分散共分散行列作成部と、
    　前記分散共分散行列に基づいて、確率分布に従う乱数を発生させる乱数発生部と、
    　を有することを特徴とする請求項１記載の発電量予測装置。
  5. 　複数の発電機における発電量の予測値に基づいて、複数を合計した発電量の予測値を算出する発電量合計部を有することを特徴とする請求項１記載の発電量予測装置。
  6. 　前記合計した発電量の予測値に基づいて、周波数の変動率を演算する周波数演算部を有することを特徴とする請求項５記載の発電量予測装置。
  7. 　前記予測値算出部は、前記過去データとして記憶された過去の実績値とそれから得られる過去の誤差付き予測値との誤差を、当該過去データの誤差データの予測値として算出するように構成されたことを特徴とする請求項１記載の発電量予測装置。
  8. 　前記過去の誤差付き予測値として得られる気象データの誤差付き予測値若しくは発電量データの誤差付き予測値を、前記誤差データの予測値によって補正する補正部を有することを特徴とする請求項７記載の発電量予測装置。
  9. 　コンピュータにより発電量が不確実に変動する１台以上の発電機の発電量を予測する発電量予測方法において、
    　前記コンピュータは、過去データ記憶部と予測値算出部とを有し、
    　前記過去データ記憶部が、少なくとも一つの発電機の過去の発電量に関する過去データとして、各日の複数時点の情報を含む過去データを記憶する処理と、
    　前記予測値算出部が、前記過去データにおける異なる時刻の間の統計的相関若しくは異なる発電機の位置の間の統計的相関に基づいて、発電機の発電量に関する当該過去データの予測値を、発生確率を含む時系列データとして算出する処理と、
    　を実行することを特徴とする発電量予測方法。
  10. 　コンピュータにより実行されることにより、発電量が不確実に変動する１台以上の発電機の発電量を予測する発電量予測プログラムにおいて、
    　前記コンピュータに、
    　少なくとも一つの発電機の過去の発電量に関する過去データとして、各日の複数時点の情報を含む過去データを記憶する処理と、
    　前記過去データにおける異なる時刻の間の統計的相関若しくは異なる発電機の位置の間の統計的相関に基づいて、発電機の発電量に関する当該過去データの予測値を、発生確率を含む時系列データとして算出する処理と、
    　を実行させることを特徴とする発電量予測プログラム。
PCT/JP2011/001648 2010-03-19 2011-03-18 発電量予測装置とその方法及びプログラム WO2011114752A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP11755942.7A EP2549641A4 (en) 2010-03-19 2011-03-18 DEVICE FOR FORECASTING THE AMOUNT OF A GENERATED CURRENT, METHOD THEREFOR AND PROGRAM THEREFOR
US13/583,792 US20130013233A1 (en) 2010-03-19 2011-03-18 Electric-power-generation level predicting apparatus, method and program
CN201180013084.7A CN102792542B (zh) 2010-03-19 2011-03-18 发电量预测装置和其方法及程序

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2010065083A JP5606114B2 (ja) 2010-03-19 2010-03-19 発電量予測装置、予測方法及び予測プログラム
JP2010-065083 2010-03-19

Publications (1)

Publication Number Publication Date
WO2011114752A1 true WO2011114752A1 (ja) 2011-09-22

Family

ID=44648862

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2011/001648 WO2011114752A1 (ja) 2010-03-19 2011-03-18 発電量予測装置とその方法及びプログラム

Country Status (7)

Country Link
US (1) US20130013233A1 (ja)
EP (1) EP2549641A4 (ja)
JP (1) JP5606114B2 (ja)
CN (1) CN102792542B (ja)
MY (1) MY156889A (ja)
TW (1) TWI533251B (ja)
WO (1) WO2011114752A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210222948A1 (en) * 2020-01-22 2021-07-22 L'air Liquide, Societe Anonyme Pour L'etude Et L?Exploitation Des Procedes Georges Claude Liquefaction apparatus
EP4131698A1 (en) * 2021-08-04 2023-02-08 Toyota Jidosha Kabushiki Kaisha Power management system, power management server, and power management method

Families Citing this family (54)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5505191B2 (ja) * 2010-08-16 2014-05-28 東京電力株式会社 太陽光発電量予測方法および配電系統制御システム
JP5661594B2 (ja) * 2011-11-01 2015-01-28 日本電信電話株式会社 予測モデル構築装置、方法、及びプログラム、並びに発電量予測装置、及び方法
JP6178045B2 (ja) 2012-04-16 2017-08-09 株式会社東芝 エネルギー管理システム、エネルギー管理方法、プログラムおよびサーバ装置
JP5797599B2 (ja) * 2012-04-19 2015-10-21 株式会社日立パワーソリューションズ 発電量予測方法及びそのシステム
TWI509942B (zh) * 2012-06-21 2015-11-21 Au Optronics Corp 多電源供電系統之電力管理方法
JP5940922B2 (ja) * 2012-07-12 2016-06-29 トヨタ自動車株式会社 自然エネルギー量予測装置
JP2014054048A (ja) * 2012-09-06 2014-03-20 Toshiba Corp 電力予測方法、装置、及びプログラム
JP6054122B2 (ja) 2012-09-28 2016-12-27 株式会社東芝 鉄道電力管理装置
JP5946742B2 (ja) * 2012-10-16 2016-07-06 一般財団法人電力中央研究所 自然エネルギー型分散電源群の合計出力の変動推定方法、変動推定装置及び変動推定プログラム
TWI492158B (zh) * 2012-11-15 2015-07-11 Inventec Corp 負載預測方法與電子裝置
JP6009976B2 (ja) 2013-03-07 2016-10-19 株式会社東芝 エネルギー管理システム、エネルギー管理方法、プログラムおよびサーバ
JP2014217092A (ja) * 2013-04-22 2014-11-17 清水建設株式会社 発電電力予測装置、発電電力予測方法及びプログラム
US20150100386A1 (en) * 2013-10-04 2015-04-09 International Business Machines Corporation Digital framework for business model innovation
KR101575071B1 (ko) 2013-12-02 2015-12-07 두산중공업 주식회사 풍력 발전 단지의 발전량 제어 방법
JP6181589B2 (ja) * 2014-03-31 2017-08-16 株式会社Ihi 計測値解析装置及び計測値解析方法
KR101585961B1 (ko) 2014-04-23 2016-02-02 전자부품연구원 풍력-파력 복합 발전에서의 상태 감시 및 예측 시스템
JP6303909B2 (ja) * 2014-08-11 2018-04-04 富士通株式会社 計画策定方法、計画策定システム及び計画策定プログラム
JP2016053925A (ja) * 2014-09-04 2016-04-14 株式会社東芝 電力市場価格予測装置、電力市場価格予測方法およびプログラム
JP6400403B2 (ja) * 2014-09-12 2018-10-03 株式会社東芝 契約電力選択装置、契約電力選択方法、及び、契約電力選択プログラム
JP5937167B2 (ja) * 2014-10-01 2016-06-22 中国電力株式会社 需要予測装置、需要予測方法、及びプログラム
JP5989732B2 (ja) * 2014-10-01 2016-09-07 中国電力株式会社 発電量予測装置、発電量予測方法、及びプログラム
JP6543028B2 (ja) * 2014-11-05 2019-07-10 東芝エネルギーシステムズ株式会社 異常診断装置及び異常診断方法
JP6582418B2 (ja) * 2015-01-23 2019-10-02 中国電力株式会社 発電量予測装置、発電量予測方法、及びプログラム
JPWO2016121202A1 (ja) * 2015-01-30 2017-11-09 日本電気株式会社 予測装置、予測方法、及び、プログラム
JP6847343B2 (ja) * 2015-02-23 2021-03-24 学校法人沖縄科学技術大学院大学学園 再生可能エネルギーの変動に対する予測誤差を決定するシステムおよび方法
JP6600516B2 (ja) * 2015-09-14 2019-10-30 株式会社東芝 アグリゲーション管理装置及び方法
US9773303B2 (en) * 2015-11-04 2017-09-26 Institute of Nuclear Energy Research, Atomic Energy Council, Executive Yuan, R.O.C. Prediction system for short-term solar irradiance and method for operating the same
TWI642019B (zh) * 2015-11-17 2018-11-21 財團法人資訊工業策進會 發電系統效能估測方法
JP6427090B2 (ja) * 2015-12-07 2018-11-21 株式会社日立製作所 発電量予測装置、発電量予測方法、系統安定化装置、並びに系統安定化方法
CN105515042A (zh) * 2015-12-08 2016-04-20 上海电力设计院有限公司 风光同场项目光伏接入容量优化算法
US10509868B2 (en) * 2016-01-29 2019-12-17 Fujitsu Limited Operating a solar power generating system
US10714968B2 (en) * 2016-03-08 2020-07-14 Nec Corporation Power control apparatus, power control system, and power control method
US10824119B2 (en) * 2016-03-29 2020-11-03 International Business Machines Corporation Intelligent energy switch
JP6742894B2 (ja) 2016-06-09 2020-08-19 株式会社日立製作所 データ予測システムおよびデータ予測方法
WO2017212880A1 (ja) * 2016-06-09 2017-12-14 株式会社日立製作所 データ予測システムおよびデータ予測方法
JP6725406B2 (ja) * 2016-12-12 2020-07-15 株式会社東芝 発電計画策定装置、発電計画策定方法、および発電計画策定プログラム
US10418822B2 (en) * 2017-02-14 2019-09-17 Mitsubishi Electric Research Laboratories, Inc. Energy production and frequency regulation Co-optimization for power generation systems
TWI623890B (zh) * 2017-07-04 2018-05-11 台灣電力股份有限公司 由多個類神經網路組成的發電量預測系統與其方法
KR102395474B1 (ko) 2017-08-24 2022-05-09 삼성전자주식회사 반도체 소자의 특성 예측 방법 및 반도체 소자의 특성 예측 장치
TWI632516B (zh) * 2018-01-11 2018-08-11 國立臺灣師範大學 日射量比對系統與方法
CN110676868A (zh) * 2018-07-02 2020-01-10 赫普科技发展（北京）有限公司 一种风光气互补耦合发电系统及方法
CN109165777A (zh) * 2018-08-10 2019-01-08 广东电网有限责任公司 一种居民用电电量预测方法、装置、设备及存储介质
KR102534367B1 (ko) * 2018-10-08 2023-05-22 한국전력공사 전력 시계열 데이터의 전송처리 시스템 및 방법
CN109412200B (zh) * 2018-10-24 2021-12-10 安徽科达售电有限公司 一种可再生能源发电的接入控制系统
CN110008981B (zh) * 2019-01-11 2023-08-08 国网浙江省电力有限公司 基于矢量模糊矩阵模型的电水气用能替代可引导评价方法
CN111985673A (zh) * 2019-05-22 2020-11-24 三菱重工业株式会社 预测装置、预测系统、预测方法以及记录介质
US11261846B2 (en) 2019-11-01 2022-03-01 General Electric Company System and method for designing and operating a wind turbine power system based on statistical analysis of operational and/or grid data thereof
US11636390B2 (en) 2020-03-19 2023-04-25 International Business Machines Corporation Generating quantitatively assessed synthetic training data
JP7443173B2 (ja) 2020-07-08 2024-03-05 株式会社東芝 電力系統状態推定方法、電力系統状態推定プログラム、電力系統状態推定プログラムを記憶した記憶媒体、及び電力系統状態推定装置
CN112186761B (zh) * 2020-09-30 2022-03-01 山东大学 一种基于概率分布的风电功率场景生成方法及系统
FR3135798A1 (fr) * 2022-05-19 2023-11-24 IFP Energies Nouvelles Procédé de prévision d’une puissance produite par au moins un panneau photovoltaïque
CN116123028A (zh) * 2022-12-20 2023-05-16 中国华能集团清洁能源技术研究院有限公司 风电场级mppt预测模型控制方法和装置
KR102642564B1 (ko) * 2023-06-30 2024-02-29 식스티헤르츠 주식회사 재생 에너지 발전기 이상 진단 방법 및 시스템
CN117540859A (zh) * 2023-11-15 2024-02-09 深圳南控新能源有限公司 一种基于神经网络的光伏电站发电量的预估方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007233639A (ja) * 2006-02-28 2007-09-13 Tohoku Electric Power Co Inc 風力発電出力予測方法、風力発電出力予測装置およびプログラム
JP2009138523A (ja) * 2007-12-03 2009-06-25 Mitsubishi Electric Corp 風力発電出力予測方法
JP2009167848A (ja) * 2008-01-11 2009-07-30 Chugoku Electric Power Co Inc:The 風力発電量予測システム、方法及びプログラム

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3142489B2 (ja) * 1996-08-26 2001-03-07 沖電気工業株式会社 目標運動解析方法及び目標運動解析装置
JP4574985B2 (ja) * 2001-09-28 2010-11-04 三菱電機株式会社 電力供給計画立案支援方法
JP3994910B2 (ja) * 2003-05-08 2007-10-24 株式会社日立製作所 電力売買支援システム
US6966073B2 (en) * 2003-12-01 2005-11-22 Timothy Lee Sock
US20070035135A1 (en) * 2004-05-07 2007-02-15 Mitsubishi Denki Kabushiki Kaisha Wind power generation evaluation system and predictive control service system for use with wind power generator
JP4245583B2 (ja) * 2005-04-15 2009-03-25 日本電信電話株式会社 分散型エネルギーシステムの制御装置、制御方法、プログラム、および記録媒体
JP2007056686A (ja) * 2005-08-22 2007-03-08 Univ Of Ryukyus 風速予測に基づく風力発電機の数時間先発電電力予測装置
JP2007120362A (ja) * 2005-10-26 2007-05-17 Toshiba Corp 発電電力予測装置
US7716100B2 (en) * 2005-12-02 2010-05-11 Kuberre Systems, Inc. Methods and systems for computing platform
JP2007281060A (ja) * 2006-04-04 2007-10-25 Nippon Telegr & Teleph Corp <Ntt> 太陽光発電システムの発電予測方法、装置、およびプログラム
EP2136450A4 (en) * 2007-03-26 2013-06-19 Vpec Inc FEEDING SYSTEM
JP5190311B2 (ja) * 2008-07-09 2013-04-24 株式会社東芝 取引対象物に関する将来需要の予測シナリオ作成方法およびその作成装置
KR101075958B1 (ko) * 2009-11-16 2011-10-21 일진전기 주식회사 분산전원의 전력 거래 시스템 및 거래 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007233639A (ja) * 2006-02-28 2007-09-13 Tohoku Electric Power Co Inc 風力発電出力予測方法、風力発電出力予測装置およびプログラム
JP2009138523A (ja) * 2007-12-03 2009-06-25 Mitsubishi Electric Corp 風力発電出力予測方法
JP2009167848A (ja) * 2008-01-11 2009-07-30 Chugoku Electric Power Co Inc:The 風力発電量予測システム、方法及びプログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AKINOBU MURATA; HIROSHI YAMAGUCHI; KENJI OHTANI: "Prediction technique of fluctuation in output range in solar power generation with multiple power generators installed at broad regions", THESIS B FOR THE INSTITUTE OF ELECTRICAL ENGINEERING OF JAPAN, vol. 127, 2007, pages 645 - 652
See also references of EP2549641A4 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210222948A1 (en) * 2020-01-22 2021-07-22 L'air Liquide, Societe Anonyme Pour L'etude Et L?Exploitation Des Procedes Georges Claude Liquefaction apparatus
US11913719B2 (en) * 2020-01-22 2024-02-27 L'air Liquide Societe Anonyme Pour L'etude Et L'exploitation Des Procedes Georges Claude Liquefaction apparatus
EP4131698A1 (en) * 2021-08-04 2023-02-08 Toyota Jidosha Kabushiki Kaisha Power management system, power management server, and power management method

Also Published As

Publication number Publication date
MY156889A (en) 2016-04-15
US20130013233A1 (en) 2013-01-10
EP2549641A4 (en) 2016-11-30
CN102792542B (zh) 2015-01-07
EP2549641A1 (en) 2013-01-23
TWI533251B (zh) 2016-05-11
JP5606114B2 (ja) 2014-10-15
JP2011200040A (ja) 2011-10-06
CN102792542A (zh) 2012-11-21
TW201205492A (en) 2012-02-01

Similar Documents

Publication Publication Date Title
JP5606114B2 (ja) 発電量予測装置、予測方法及び予測プログラム
Ding et al. A novel adaptive discrete grey model with time-varying parameters for long-term photovoltaic power generation forecasting
Behera et al. Solar photovoltaic power forecasting using optimized modified extreme learning machine technique
Pousinho et al. A risk-averse optimization model for trading wind energy in a market environment under uncertainty
Yin et al. Generation and transmission expansion planning towards a 100% renewable future
Gallego-Castillo et al. On-line quantile regression in the RKHS (Reproducing Kernel Hilbert Space) for operational probabilistic forecasting of wind power
Rebennack et al. Handbook of power systems I
JP5248372B2 (ja) 発電計画作成方法、装置、プログラムおよび記憶装置
Tang et al. Efficient scenario generation of multiple renewable power plants considering spatial and temporal correlations
Acakpovi et al. Time Series Prediction of Electricity Demand Using Adaptive Neuro‐Fuzzy Inference Systems
Muzumdar et al. Designing a robust and accurate model for consumer-centric short-term load forecasting in microgrid environment
Bashari et al. Forecasting electric load by aggregating meteorological and history-based deep learning modules
Kirilenko et al. A framework for power system operational planning under uncertainty using coherent risk measures
WO2022168357A1 (ja) 発電量管理システム及び発電量管理方法
US20210055700A1 (en) Hybrid machine learning and simulation based system for forecasting in electricity systems
Bødal et al. Capacity expansion planning with stochastic rolling horizon dispatch
Nammouchi et al. Robust opportunistic optimal energy management of a mixed microgrid under asymmetrical uncertainties
Matsuo et al. Forecasting daily electric load by applying artificial neural network with fourier transformation and principal component analysis technique
Abubakar et al. Intelligent modeling and optimization of solar plant production integration in the smart grid using machine learning models
Kronqvist et al. Alternating mixed-integer programming and neural network training for approximating stochastic two-stage problems
Pramanik et al. An ensemble-based approach for short-term load forecasting for buildings with high proportion of renewable energy sources
Dillon et al. Impact of uncertainty on wind power curtailment estimation
Velasco et al. Hour-ahead electric load forecasting using artificial neural networks
Bantugon et al. Short-and long-term electricity load forecasting using classical and neural network based approach: a case study for the Philippines
Dai et al. Probabilistic model for nondispatchable power resource integration with microgrid and participation in the power market

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 201180013084.7

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 11755942

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 13583792

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2011755942

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 8824/CHENP/2012

Country of ref document: IN