WO2023248390A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2023248390A1
WO2023248390A1 PCT/JP2022/024961 JP2022024961W WO2023248390A1 WO 2023248390 A1 WO2023248390 A1 WO 2023248390A1 JP 2022024961 W JP2022024961 W JP 2022024961W WO 2023248390 A1 WO2023248390 A1 WO 2023248390A1
Authority
WO
WIPO (PCT)
Prior art keywords
solar radiation
power generation
global solar
performance data
generation performance
Prior art date
Application number
PCT/JP2022/024961
Other languages
English (en)
French (fr)
Inventor
俊孝 槇
奈津子 日景
崇志 藤波
Original Assignee
日本電信電話株式会社
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 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to PCT/JP2022/024961 priority Critical patent/WO2023248390A1/ja
Priority to PCT/JP2022/030342 priority patent/WO2023248484A1/ja
Publication of WO2023248390A1 publication Critical patent/WO2023248390A1/ja

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/12—Sunshine duration recorders

Definitions

  • the disclosed technology relates to a global solar radiation estimation device, a global solar radiation learning device, a global solar radiation estimation method, and a global solar radiation estimation program.
  • the amount of power generated by solar power generation depends on weather conditions.
  • businesses that supply electricity trade electricity based on the amount of power generated that they have planned in advance, and whether the actual power generation is higher or lower than planned causes a decrease in income and an increase in costs.
  • Non-Patent Document 1 For planning, it is most important to accurately predict the total solar radiation at the power generation site, but there are few locations (weather observatories) that observe the total solar radiation using specialized equipment. For this reason, meteorological companies, electric utilities, and others are working on predictions based on little information. There is a technique for estimating the total solar radiation, which greatly influences the amount of solar power generation (for example, see Non-Patent Document 1).
  • FIG. 16 is a diagram schematically showing the relationship between clouds and solar radiation.
  • FIG. 17 is a diagram schematically showing the relationship between the topography and the amount of solar radiation.
  • the estimation accuracy of global solar radiation could not be improved.
  • the disclosed technology has been made in view of the above points, and provides a global solar radiation estimation device, a global solar radiation learning device, and a global solar radiation estimation method that can accurately estimate global solar radiation. , and a program for estimating global solar radiation.
  • a first aspect of the present disclosure is a global solar radiation estimation device, which includes a feature amount acquisition unit that acquires power generation performance data including the power generation amount at a power generation point, and a feature amount acquisition unit that acquires power generation performance data including the power generation amount at a power generation point, and a ground observation value corresponding to the power generation performance data prepared in advance.
  • a feature value acquisition unit that acquires power generation performance data including the power generation amount at a power generation point
  • a feature amount acquisition unit that acquires power generation performance data including the power generation amount at a power generation point, and a ground observation value corresponding to the power generation performance data prepared in advance.
  • a second aspect of the present disclosure is a global solar radiation learning device, which acquires learning data that is a set of power generation performance data including power generation amount at a power generation point and a corresponding ground-observed global solar radiation amount.
  • a learning unit that generates a trained model that takes power generation performance data as input and outputs total solar radiation by performing machine learning using the learning data acquired by the training data acquisition unit and the learning data acquisition unit; and.
  • a third aspect of the present disclosure is a method for estimating global solar radiation, which acquires power generation performance data including the power generation amount at a power generation point, and compares the ground-observed global solar radiation with the power generation performance data prepared in advance. Using a trained model that is generated by machine learning using the set of training data, inputs the power generation record data, and outputs the total solar radiation, the total sky data corresponding to the acquired power generation record data is Estimate solar radiation.
  • a fourth aspect of the present disclosure is a global solar radiation estimation program, which acquires power generation performance data including the power generation amount at a power generation point, and calculates the ground-observed global solar radiation that corresponds to the power generation performance data prepared in advance.
  • Using a trained model that is generated by machine learning using the set of training data inputs the power generation record data, and outputs the total solar radiation, the total sky data corresponding to the acquired power generation record data is A computer is made to estimate the amount of solar radiation.
  • FIG. 1 is a block diagram showing an example of a hardware configuration of a global solar radiation estimation device according to a first embodiment.
  • FIG. 1 is a block diagram showing an example of a functional configuration of a global solar radiation estimation device according to a first embodiment. It is a flow chart which shows an example of the flow of processing by the global solar radiation estimation program concerning a 1st embodiment.
  • FIG. 2 is a block diagram showing an example of the hardware configuration of the global solar radiation learning device according to the first embodiment.
  • 1 is a block diagram showing an example of a functional configuration of a global solar radiation amount learning device according to a first embodiment;
  • FIG. 1 is a block diagram showing an example of a functional configuration of a global solar radiation amount learning device according to a first embodiment;
  • FIG. 2 is a block diagram illustrating an example of a functional configuration of a global solar radiation estimation device according to a second embodiment. It is a flow chart which shows an example of the flow of processing by the global solar radiation estimation program concerning a 2nd embodiment. It is a graph showing a comparative example of total solar radiation during clear weather. It is a graph showing a comparative example of the total solar radiation amount when it is cloudy. It is a graph showing a comparative example of total solar radiation during rainy times. It is a graph showing an example of comparison with observed values at a weather observatory.
  • FIG. 2 is a block diagram illustrating an example of a functional configuration of a global solar radiation estimation device according to a second embodiment. It is a flow chart which shows an example of the flow of processing by the global solar radiation estimation program concerning a 2nd embodiment. It is a graph showing a comparative example of total solar radiation during clear weather. It is a graph showing a comparative example of the total solar radiation amount when it is cloudy. It is a graph showing
  • FIG. 3 is a diagram illustrating an example of comparison between global solar radiation estimated using power generation performance data and global solar radiation estimated using meteorological satellite images.
  • FIG. 3 is a diagram illustrating an example of comparison between global solar radiation estimated using power generation performance data and global solar radiation estimated using meteorological satellite images.
  • FIG. 2 is a diagram schematically showing the relationship between clouds and solar radiation.
  • FIG. 2 is a diagram schematically showing the relationship between topography and solar radiation.
  • the global solar radiation estimation device and the global solar radiation learning device provide specific improvements over the conventional method of estimating global solar radiation using meteorological satellite images. This represents an improvement in the technical field of estimating solar radiation.
  • power generation performance data is used as an input value for machine learning.
  • This power generation performance data can be obtained from power generation points where solar panels are installed, and can be easily obtained by power generation companies. Since this power generation performance data reflects the effects of clouds, topography, etc., the estimation accuracy of global solar radiation is higher than when using meteorological satellite images, and power generation companies etc. Based on this, highly accurate power generation plans can be drawn up.
  • the total solar radiation is the sum of light energy from all directions in the sky, and is determined by the following equation (1).
  • Total solar radiation Direct solar radiation + Scattered solar radiation...(1)
  • FIG. 1 is a diagram illustrating an example of input data and output data used in the global solar radiation estimation process according to the first embodiment.
  • the input data is data that is input to a trained model used for global solar radiation estimation processing, and is an example of power generation performance data.
  • the input data includes, for example, the amount of power generated at the power generation point, temperature information, humidity information, time information, equipment information, and installation location information.
  • the power generation point is the point where solar panels are installed.
  • the power generation amount includes the latest data and past data.
  • the temperature information includes the latest data (forecast values may be used) and past data.
  • the humidity information includes the latest data (predicted values may be used) and past data.
  • the equipment information includes, for example, panel capacity, PCS (Power Conditioning System) capacity, overload rate, PCS conversion efficiency, maximum output, installation orientation, inclination angle, temperature coefficient, and the like.
  • the installation location information includes the latitude, longitude, altitude, etc. of the installation location.
  • Panel capacity indicates the total capacity of solar panels in a power generation facility, and panel capacity is expressed as the number of installed panels x installed capacity of panels.
  • the PCS has a DC-AC conversion (inverter) function.
  • the PCS capacity is expressed as the number of installed PCSs ⁇ the installed capacity of PCSs.
  • the overloading rate is expressed as panel capacity/PCS capacity. The higher the overloading ratio, the more stable the power generation output, but the higher the installation cost.
  • the PCS conversion efficiency indicates the conversion efficiency of DC-AC conversion, and the conversion efficiency is often in the 98% range.
  • the maximum output indicates the past maximum output calculated based on the power generation results.
  • the installation direction indicates the direction in which the solar panel is installed, and power generation output is maximized by installing the solar panel facing south (180 degrees).
  • Installation conditions differ for each facility.
  • the tilt angle indicates the angle at which the solar panel is installed, and by installing the solar panel at 30 degrees, for example, the power generation output throughout the year is maximized.
  • Installation conditions (roof slope, etc.) differ for each facility.
  • the temperature coefficient power generation efficiency is generally maximized when the temperature of the solar panel is 25°C. Power generation efficiency decreases at a temperature coefficient of 0.5%/°C based on 25°C.
  • the output data is data output from the trained model in the global solar radiation estimation process.
  • the output data includes, for example, the total solar radiation at the power generation point and the total solar radiation in the area.
  • FIG. 2 is a block diagram showing an example of the hardware configuration of the global solar radiation estimation device 10 according to the first embodiment.
  • the global solar radiation estimation device 10 includes a CPU (Central Processing Unit) 11, a ROM (Read Only Memory) 12, a RAM (Random Access Memory) 13, a storage 14, an input section 15, and a display section. 16 , and a communication interface (I/F) 17. Each component is communicably connected to each other via a bus 18.
  • CPU Central Processing Unit
  • ROM Read Only Memory
  • RAM Random Access Memory
  • storage 14 an input section 15, and a display section. 16
  • I/F communication interface
  • the CPU 11 is a central processing unit that executes various programs and controls various parts. That is, the CPU 11 reads a program from the ROM 12 or the storage 14 and executes the program using the RAM 13 as a work area. The CPU 11 controls each of the above components and performs various arithmetic operations according to programs stored in the ROM 12 or the storage 14. In this embodiment, the ROM 12 or the storage 14 stores a global solar radiation estimation program for executing global solar radiation estimation processing. Note that instead of the CPU, for example, a GPU (Graphics Processing Unit) may be used.
  • a GPU Graphics Processing Unit
  • the ROM 12 stores various programs and various data.
  • the RAM 13 temporarily stores programs or data as a work area.
  • the storage 14 is configured with an HDD (Hard Disk Drive) or an SSD (Solid State Drive), and stores various programs including an operating system and various data.
  • the input unit 15 includes a pointing device such as a mouse and a keyboard, and is used to perform various inputs to the own device.
  • the display unit 16 is, for example, a liquid crystal display, and displays various information.
  • the display section 16 may adopt a touch panel method and function as the input section 15.
  • the communication interface 17 is an interface for the self-device to communicate with other external devices.
  • a wired communication standard such as Ethernet (registered trademark) or FDDI (Fiber Distributed Data Interface)
  • a wireless communication standard such as 4G, 5G, or Wi-Fi (registered trademark) is used.
  • a general-purpose computer device such as a server computer or a personal computer (PC) is applied to the global solar radiation estimation device 10 according to the present embodiment.
  • FIG. 3 is a block diagram showing an example of the functional configuration of the global solar radiation estimation device 10 according to the first embodiment.
  • the global solar radiation estimation device 10 includes a feature acquisition section 101 and an estimation section 102 as functional components. Each functional configuration is realized by the CPU 11 reading out a global solar radiation estimation program stored in the ROM 12 or the storage 14, loading it into the RAM 13, and executing it.
  • a learned model 141 is stored in the storage 14.
  • the learned model 141 is generated by machine learning using a set of power generation performance data prepared in advance and the corresponding global solar radiation amount observed on the ground as learning data.
  • the learned model 141 is generated by the global solar radiation amount learning device 20, which will be described later, and is a model that inputs power generation performance data and outputs the global solar radiation amount.
  • the feature amount acquisition unit 101 acquires power generation performance data including the amount of power generation at the power generation point. Further, as described above, the power generation performance data may include at least one of temperature information, humidity information, time information, equipment information, and installation location information at the power generation point.
  • the estimation unit 102 uses the learned model 141 to estimate the total solar radiation amount corresponding to the power generation performance data acquired by the feature value acquisition unit 101.
  • FIG. 4 is a flowchart illustrating an example of the flow of processing by the global solar radiation estimation program according to the first embodiment. Processing by the global solar radiation estimation program is realized by the CPU 11 of the global solar radiation estimation device 10 writing the global solar radiation estimation program stored in the ROM 12 or the storage 14 into the RAM 13 and executing it.
  • step S101 in FIG. 4 the CPU 11 acquires power generation performance data at the power generation point where the solar panel is installed.
  • the power generation performance data is expressed, for example, as the input data shown in FIG. 1 described above.
  • step S102 the CPU 11 inputs the power generation performance data acquired in step S101 and uses the trained model 141 to estimate the corresponding total solar radiation.
  • step S103 the CPU 11 determines whether the total solar radiation has been estimated for all power generation points within the predetermined area. If it is determined that the total solar radiation has not been estimated for all the power generation points (in the case of a negative determination), the process moves to step S101, and if it is determined that the total solar radiation has been estimated for all the power generation points (in the case of a positive determination) ), the series of processing by this global solar radiation estimation program ends.
  • FIG. 5 is a block diagram showing an example of the hardware configuration of the global solar radiation learning device 20 according to the first embodiment.
  • the global solar radiation learning device 20 includes a CPU 21, a ROM 22, a RAM 23, a storage 24, an input section 25, a display section 26, and a communication interface (I/F) 27. Each component is communicably connected to each other via a bus 28.
  • the CPU 21 is a central processing unit that executes various programs and controls various parts. That is, the CPU 21 reads a program from the ROM 22 or the storage 24 and executes the program using the RAM 23 as a work area. The CPU 21 controls each of the above components and performs various arithmetic operations according to programs stored in the ROM 22 or the storage 24. In this embodiment, the ROM 22 or the storage 24 stores a global solar radiation learning program for executing the global solar radiation learning process. Note that instead of the CPU, for example, a GPU may be used.
  • the ROM 22 stores various programs and various data.
  • the RAM 23 temporarily stores programs or data as a work area.
  • the storage 24 is configured by an HDD or an SSD, and stores various programs including an operating system and various data.
  • the input unit 25 includes a pointing device such as a mouse and a keyboard, and is used to perform various inputs to the own device.
  • the display unit 26 is, for example, a liquid crystal display, and displays various information.
  • the display section 26 may employ a touch panel system and function as the input section 25.
  • the communication interface 27 is an interface for the self-device to communicate with other external devices.
  • a wired communication standard such as Ethernet (registered trademark) or FDDI
  • a wireless communication standard such as 4G, 5G, or Wi-Fi (registered trademark) is used.
  • a general-purpose computer device such as a server computer or a personal computer (PC) is applied to the global solar radiation learning device 20 according to the present embodiment.
  • the global solar radiation learning device 20 may be configured integrally with the global solar radiation estimation device 10 described above.
  • FIG. 6 is a block diagram showing an example of the functional configuration of the global solar radiation learning device 20 according to the first embodiment.
  • the global solar radiation learning device 20 includes a learning data acquisition section 201 and a learning section 202 as functional configurations. Each functional configuration is realized by the CPU 21 reading out a global solar radiation learning program stored in the ROM 22 or the storage 24, loading it into the RAM 23, and executing it.
  • the learning data acquisition unit 201 acquires learning data that is a set of power generation performance data including the amount of power generation at the power generation point and the corresponding global solar radiation amount observed on the ground.
  • the power generation performance data used for learning is data that includes power generation amount, maximum output of equipment, time information, etc., similar to the power generation performance data used for the above-mentioned estimation.
  • the power generation performance data is, for example, data measured at power generation points within a mesh that includes meteorological observatories and the like that measure global solar radiation.
  • a set of learning data is created which is a combination of this power generation performance data and the past total solar radiation observed by meteorological observatories, etc. within the mesh.
  • the learning unit 202 performs machine learning using the learning data acquired by the learning data acquisition unit 201 to generate a learned model 141 that receives the power generation performance data as input and outputs the total solar radiation amount.
  • a general hyperparameter search algorithm is used as a learning model used for machine learning, and for example, a neural network or the like is applied.
  • the learned model 141 generated by the learning unit 202 is stored in the storage 24 as well as in the storage 14 of the global solar radiation estimation device 10.
  • FIG. 7 is a flowchart showing an example of the flow of processing by the global solar radiation learning program according to the first embodiment.
  • the processing by the global solar radiation learning program is realized by the CPU 21 of the global solar radiation learning device 20 writing the global solar radiation learning program stored in the ROM 22 or the storage 24 into the RAM 23 and executing it.
  • step S111 in FIG. 7 the CPU 21 acquires learning data that is a set of power generation performance data including the power generation amount at the power generation point and the corresponding ground-observed global solar radiation amount.
  • step S112 the CPU 21 performs machine learning using a general hyperparameter search algorithm using the learning data acquired in step S111.
  • step S113 the CPU 21 performs machine learning in step S112 to generate a learned model 141 that takes the power generation performance data as input and outputs the corresponding total solar radiation amount.
  • step S114 the CPU 21 stores the learned model 141 generated in step S113, for example, in the storage 14 of the global solar radiation estimation device 10, and ends the series of processing by the global solar radiation learning program.
  • machine learning uses power generation performance data at each power generation point that already reflects the influence of clouds, topography, etc. and is easily available to power generation companies. Let the input value be . Thereby, the total solar radiation at the power generation point can be estimated with high accuracy.
  • FIG. 8 is a block diagram showing an example of the functional configuration of the global solar radiation estimation device 10A according to the second embodiment.
  • the CPU 11 of the global solar radiation estimation device 10A functions as a feature amount acquisition unit 101, an estimation unit 102, a global solar radiation acquisition unit 103, and a representative value calculation unit 104.
  • the same components as those included in the global solar radiation estimation device 10 described in the first embodiment are given the same reference numerals, and repeated explanation thereof will be omitted.
  • the estimation result 142 is stored in the storage 14.
  • the estimation result 142 is an estimation result of the total solar radiation amount at all power generation points existing within a predetermined mesh, which is obtained by estimation by the estimating unit 102.
  • the global solar radiation acquisition unit 103 acquires the estimation result 142 from the storage 14.
  • the representative value calculation unit 104 calculates a representative value of the global solar radiation amount of the mesh from the global solar radiation estimation result 142 acquired by the global solar radiation amount acquisition unit 103.
  • the representative value of the total solar radiation of the mesh is expressed, for example, as the median value of the total solar radiation at all power generation points present in the mesh. Note that this representative value is not limited to the median value, and for example, a weighted average may be used. For example, in the case of a weighted average that takes into account the maximum output of the equipment, the global solar radiation estimated at a large-scale power generation site will have a stronger influence on the value of the weighted average, so the global solar radiation is suitable for mesh power generation planning. It can be a prediction.
  • the maximum output of the equipment at each point is X A , X B , X C , and the total solar radiation.
  • the estimated values are Y A , Y B , and Y C , the value calculated by the following formula is the representative value of the total solar radiation amount of the mesh.
  • FIG. 9 is a flowchart illustrating an example of the flow of processing by the global solar radiation estimation program according to the second embodiment. Processing by the global solar radiation estimation program is realized by the CPU 11 of the global solar radiation estimation device 10A writing the global solar radiation estimation program stored in the ROM 12 or the storage 14 into the RAM 13 and executing it.
  • step S121 in FIG. 9 the CPU 11 acquires the estimation result 142 of the total solar radiation amount at all power generation points existing in the mesh from the storage 14.
  • step S122 the CPU 11 calculates a representative value (for example, median value, weighted average, etc.) of the global solar radiation of the mesh from the global solar radiation estimation result 142 acquired in step S121, and calculates the actual global solar radiation.
  • a representative value for example, median value, weighted average, etc.
  • the representative value of the total solar radiation of the mesh is expressed, for example, as the median value of the total solar radiation at all power generation points present in the mesh.
  • the representative value of the total solar radiation amount for the mesh is calculated by integrating the information on the power generation points included in the mesh. Therefore, it is possible to estimate the global solar radiation amount of the mesh with higher accuracy.
  • FIG. 10 is a graph showing a comparative example of total solar radiation during clear weather.
  • FIG. 11 is a graph showing a comparative example of total solar radiation during cloudy conditions.
  • FIG. 12 is a graph showing a comparative example of total solar radiation during rainy times. Note that in FIGS. 10 to 12, the vertical axis indicates the total solar radiation amount (unit: W/m 2 ), and the horizontal axis indicates the time zone.
  • D1 shows the global solar radiation estimated using meteorological satellite images (conventional method)
  • D2 shows the global solar radiation observed on the ground (correct data: true value)
  • D3 shows the power generation performance data (based on this technology) This shows the total solar radiation estimated using the following method.
  • the examples in FIGS. 10 to 12 show data observed at a certain solar power generation facility.
  • the global solar radiation D3 estimated using power generation data is more accurate than the global solar radiation D1 estimated using meteorological satellite images, regardless of the weather. It can be seen that this is close to a certain total solar radiation amount D2. That is, it can be seen that the global solar radiation amount D3 estimated using the power generation performance data has higher accuracy than the global solar radiation amount D1 estimated using the meteorological satellite image.
  • FIG. 13 is a graph showing an example of comparison with observed values at a weather observatory.
  • FIG. 13 shows data in late January 2020, data in late April 2020, data in late July 2020, and data in late October 2020.
  • the dashed-dotted line indicates the true value of the global solar radiation observed at the weather observatory
  • the solid line indicates the global solar radiation estimated using power generation performance data (method of the present technology).
  • the example in FIG. 13 also shows that the total solar radiation estimated using the power generation performance data is close to the true value of the global solar radiation, which is the correct data.
  • FIGS. 14 and 15 are diagrams showing examples of comparison between the total solar radiation estimated using power generation performance data and the total solar radiation estimated using meteorological satellite images.
  • the graph in FIG. 15 is a graph of the numerical values in FIG.
  • the evaluation area is a 5 km mesh where the Tokyo Regional Meteorological Observatory observation station is located. The evaluation period was set at the end of each month in 2018, 2019, and 2020.
  • mean absolute error (MAE), root mean square error (RMSE), and coefficient of determination (R2) were used.
  • the dotted line in FIG. 15 indicates the index value between the global solar radiation estimated using meteorological satellite images (conventional method) and the true value of the global solar radiation, which is the correct data
  • the weather conditions include, for example, total solar radiation, sunshine hours, and temperature.
  • the sunshine hours are defined as the hours when the amount of direct solar radiation is 120 W/m 2 or more.
  • the temperature of the solar panels is indirectly taken into account.
  • Other conditions include, for example, altitude, latitude/longitude, week number, etc.
  • the week number represents a serial number throughout the year, assuming that the first Monday of the year is week 0, and indirectly takes into account the meridian angle of the sun.
  • processors other than the CPU may execute the global solar radiation estimation process or the global solar radiation learning process that the CPU reads and executes the program in the above embodiments.
  • the processor in this case is a PLD (Programmable Logic Device) whose circuit configuration can be changed after manufacturing, such as an FPGA (Field-Programmable Gate Array), and an ASIC (Application Specific Intel).
  • FPGA Field-Programmable Gate Array
  • ASIC Application Specific Intel
  • An example is a dedicated electric circuit that is a processor having a specially designed circuit configuration.
  • the global solar radiation estimation process or the global solar radiation learning process may be executed by one of these various processors, or by a combination of two or more processors of the same type or different types (for example, multiple processors). (FPGA, combination of CPU and FPGA, etc.).
  • the hardware structure of these various processors is, more specifically, an electric circuit that is a combination of circuit elements such as semiconductor elements.
  • the global solar radiation estimation program or the global solar radiation learning program is stored in advance (also referred to as "installation") in the ROM or storage, but the present invention is not limited to this.
  • the global solar radiation estimation program or the global solar radiation learning program is a CD-ROM (Compact Disk Read Only Memory), a DVD-ROM (Digital Versatile Disk Read Only Memory), and Non-temporary devices such as USB (Universal Serial Bus) memory, etc.
  • the information may be provided in a form stored in a non-transitory storage medium. Further, the global solar radiation estimation program or the global solar radiation learning program may be downloaded from an external device via a network.
  • the processor includes: Obtain power generation performance data including the amount of power generated at the power generation point, A learning method that is generated by machine learning using a set of pre-prepared power generation performance data and the corresponding ground-observed global solar radiation as learning data, and that uses the power generation performance data as input and outputs the global solar radiation.
  • a global solar radiation estimating device configured to estimate global solar radiation corresponding to the acquired power generation performance data using the model.
  • a non-temporary storage medium storing a program executable by a computer to perform global solar radiation estimation processing,
  • the global solar radiation estimation process is Obtain power generation performance data including the amount of power generated at the power generation point,
  • a learning method that is generated by machine learning using a set of pre-prepared power generation performance data and the corresponding ground-observed global solar radiation as learning data, and that uses the power generation performance data as input and outputs the global solar radiation.

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)
  • Photovoltaic Devices (AREA)

Abstract

全天日射量推定装置は、発電地点における発電量を含む発電実績データを取得する特徴量取得部と、予め準備された発電実績データと対応する地上観測の全天日射量との組を学習用データとして機械学習することにより生成され、かつ、発電実績データを入力とし、全天日射量を出力する学習済みモデルを用いて、特徴量取得部により取得された発電実績データに対応する全天日射量を推定する推定部と、を備える。

Description

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
　開示の技術は、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に関する。
　太陽光発電による発電量は、気象状況に左右される。一方、電力を供給する事業者は、事前に計画した発電量に基づいて電力取引を行っており、発電実績が計画より多くても少なくても収入減、コスト増の要因となる。
　計画の立案には、発電地点の全天日射量を正確に予測することが最も重要だが、専用の機器で全天日射量を観測している地点（気象台）は少ない。このため、少ない情報から気象会社、電気事業者等が予測に取り組んでいる。太陽光の発電量を大きく左右する全天日射量を推定する技術がある（例えば、非特許文献１参照）。
橋本篤, 宇佐美章, "ひまわり8号を用いた日射量推定・予測システムの開発," 電力中央研究所報告, N16001, Jan. 2017（https://criepi.denken.or.jp/hokokusho/pb/reportDownload?reportNoUkCode=N16001&tenpuTypeCode=30&seqNo=1&reportId=8723）.
　しかしながら、上記非特許文献１に記載の技術のように、雲が撮影された気象衛星画像を利用する方法では、全天日射量の観測精度が高くない。また、全天日射量推定対象のメッシュ（地域を１ｋｍ四方、１０ｋｍ四方などに区切った範囲）の標高、山の影といった地形の影響を考慮しきれていない。
　図１６は、雲と日射量との関係を模式的に示す図である。全天日射量を精度良く推定するには、雲の影響を考慮したほうがよいが、気象衛星画像を利用する従来手法では、雲の影響が十分に考慮されない。また、図１７は、地形と日射量との関係を模式的に示す図である。全天日射量を精度良く推定するには、地形の影響を考慮したほうがよいが、気象衛星画像を利用する従来手法では、地形の影響が十分に考慮されない。これらの理由から全天日射量の推定精度が上がらなかった。
　開示の技術は、上記の点に鑑みてなされたものであり、全天日射量の推定を精度良く行うことができる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を提供することを目的とする。
　本開示の第１態様は、全天日射量推定装置であって、発電地点における発電量を含む発電実績データを取得する特徴量取得部と、予め準備された発電実績データと対応する地上観測の全天日射量との組を学習用データとして機械学習することにより生成され、かつ、発電実績データを入力とし、全天日射量を出力する学習済みモデルを用いて、前記特徴量取得部により取得された発電実績データに対応する全天日射量を推定する推定部と、を備える。
　本開示の第２態様は、全天日射量学習装置であって、発電地点における発電量を含む発電実績データと対応する地上観測の全天日射量との組である学習用データを取得する学習用データ取得部と、前記学習用データ取得部により取得された学習用データを用いて機械学習することにより、発電実績データを入力とし、全天日射量を出力する学習済みモデルを生成する学習部と、を備える。
　本開示の第３態様は、全天日射量推定方法であって、発電地点における発電量を含む発電実績データを取得し、予め準備された発電実績データと対応する地上観測の全天日射量との組を学習用データとして機械学習することにより生成され、かつ、発電実績データを入力とし、全天日射量を出力する学習済みモデルを用いて、前記取得された発電実績データに対応する全天日射量を推定する。
　本開示の第４態様は、全天日射量推定プログラムであって、発電地点における発電量を含む発電実績データを取得し、予め準備された発電実績データと対応する地上観測の全天日射量との組を学習用データとして機械学習することにより生成され、かつ、発電実績データを入力とし、全天日射量を出力する学習済みモデルを用いて、前記取得された発電実績データに対応する全天日射量を推定することを、コンピュータに実行させる。
　開示の技術によれば、全天日射量の推定を精度良く行うことができる、という効果を有する。
第１の実施形態に係る全天日射量推定処理に用いる入力データ及び出力データの一例を示す図である。 第１の実施形態に係る全天日射量推定装置のハードウェア構成の一例を示すブロック図である。 第１の実施形態に係る全天日射量推定装置の機能構成の一例を示すブロック図である。 第１の実施形態に係る全天日射量推定プログラムによる処理の流れの一例を示すフローチャートである。 第１の実施形態に係る全天日射量学習装置のハードウェア構成の一例を示すブロック図である。 第１の実施形態に係る全天日射量学習装置の機能構成の一例を示すブロック図である。 第１の実施形態に係る全天日射量学習プログラムによる処理の流れの一例を示すフローチャートである。 第２の実施形態に係る全天日射量推定装置の機能的な構成の一例を示すブロック図である。 第２の実施形態に係る全天日射量推定プログラムによる処理の流れの一例を示すフローチャートである。 快晴時の全天日射量の比較例を示すグラフである。 曇り時の全天日射量の比較例を示すグラフである。 雨時の全天日射量の比較例を示すグラフである。 気象台における観測値との比較例を示すグラフである。 発電実績データを用いて推定された全天日射量と気象衛星画像を用いて推定された全天日射量との比較例を示す図である。 発電実績データを用いて推定された全天日射量と気象衛星画像を用いて推定された全天日射量との比較例を示す図である。 雲と日射量との関係を模式的に示す図である。 地形と日射量との関係を模式的に示す図である。
　以下、開示の技術の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において、同一又は等価な構成要素及び部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。
　本実施形態に係る全天日射量推定装置及び全天日射量学習装置は、気象衛星画像を用いて全天日射量を推定する従来の手法に対して特定の改善を提供するものであり、全天日射量を推定する技術分野の向上を示すものである。
　本実施形態では、発電実績データを機械学習の入力値として用いる。この発電実績データは、太陽光パネルが設置された発電地点から得ることができ、発電事業者が容易に入手することができる。この発電実績データは、雲、地形等の影響が反映されているため、気象衛星画像を用いる場合と比較して、全天日射量の推定精度が高くなり、発電事業者等が全天日射量に基づき精度の高い発電計画を立案することができる。ここで、全天日射量は、天空の全方位からの光エネルギーの総和であり、以下の式（１）により求められる。
　全天日射量＝直達日射量＋散乱日射量　・・・（１）
[第１の実施形態]
　図１は、第１の実施形態に係る全天日射量推定処理に用いる入力データ及び出力データの一例を示す図である。
　図１に示すように、入力データは、全天日射量推定処理に用いる学習済みモデルに入力されるデータであり、発電実績データの一例である。入力データには、例えば、発電地点における発電量、気温情報、湿度情報、時刻情報、設備情報、及び設置場所情報が含まれる。発電地点は、太陽光パネルが設置された地点である。発電量は、最新のデータ、過去のデータを含む。気温情報は、最新のデータ（予報値でもよい）、過去のデータを含む。湿度情報は、最新のデータ（予報値でもよい）、過去のデータを含む。設備情報は、例えば、パネル容量、ＰＣＳ（Ｐｏｗｅｒ　Ｃｏｎｄｉｔｉｏｎｉｎｇ　Ｓｙｓｔｅｍ）容量、過積載率、ＰＣＳ変換効率、最大出力、設置方位、傾斜角度、温度係数等を含む。設置場所情報は、設置場所の緯度、経度、標高等を含む。
　パネル容量は、発電設備における太陽光パネルの総容量を示し、パネル容量は、パネル設置枚数×パネル設置容量で表される。ＰＣＳは、ＤＣ－ＡＣ変換（インバータ）機能を有する。ＰＣＳ容量は、ＰＣＳ設置数×ＰＣＳ設置容量で表される。過積載率は、パネル容量／ＰＣＳ容量で表される。過積載率が高いほど発電出力は安定するが設置コストは割高となる。ＰＣＳ変換効率は、ＤＣ－ＡＣ変換の変換効率を示し、変換効率は９８％台のものが多い。最大出力は、発電実績により算出した過去の最大出力を示す。設置方位は、太陽光パネルが設置された方位を示し、太陽光パネルを南向き（１８０度）に設置することで発電出力が最大化される。設置条件（屋根の平面の向き等）がそれぞれの設備で異なる。傾斜角度は、太陽光パネルが設置された角度を示し、太陽光パネルを例えば３０度に設置することで通年の発電出力が最大化される。設置条件（屋根の傾斜等）がそれぞれの設備で異なる。温度係数は、一般的に太陽光パネルの温度が２５℃のときに発電効率が最大化される。２５℃を基準として、温度係数０．５％／℃で発電効率が低下する。
　一方、出力データは、全天日射量推定処理で学習済みモデルから出力されるデータである。出力データには、例えば、発電地点の全天日射量、エリアの全天日射量が含まれる。
　次に、図２を参照して、第１の実施形態に係る全天日射量推定装置１０のハードウェア構成について説明する。
　図２は、第１の実施形態に係る全天日射量推定装置１０のハードウェア構成の一例を示すブロック図である。
　図２に示すように、全天日射量推定装置１０は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１１、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）１２、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）１３、ストレージ１４、入力部１５、表示部１６、及び通信インタフェース（Ｉ／Ｆ）１７を備えている。各構成は、バス１８を介して相互に通信可能に接続されている。
　ＣＰＵ１１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ１２又はストレージ１４には、全天日射量推定処理を実行するための全天日射量推定プログラムが格納されている。なお、ＣＰＵに代えて、例えば、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）を用いるようにしてもよい。
　ＲＯＭ１２は、各種プログラム及び各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ１４は、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）又はＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。
　入力部１５は、マウス等のポインティングデバイス、及びキーボードを含み、自装置に対して各種の入力を行うために使用される。
　表示部１６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として機能しても良い。
　通信インタフェース１７は、自装置が他の外部機器と通信するためのインタフェースである。当該通信には、例えば、イーサネット（登録商標）若しくはＦＤＤＩ（Ｆｉｂｅｒ　Ｄｉｓｔｒｉｂｕｔｅｄ　Ｄａｔａ　Ｉｎｔｅｒｆａｃｅ）等の有線通信の規格、又は、４Ｇ、５Ｇ、若しくはＷｉ－Ｆｉ（登録商標）等の無線通信の規格が用いられる。
　本実施形態に係る全天日射量推定装置１０には、例えば、サーバコンピュータ、パーソナルコンピュータ（ＰＣ）等の汎用的なコンピュータ装置が適用される。
　次に、図３を参照して、全天日射量推定装置１０の機能構成について説明する。
　図３は、第１の実施形態に係る全天日射量推定装置１０の機能構成の一例を示すブロック図である。
　図３に示すように、全天日射量推定装置１０は、機能構成として、特徴量取得部１０１及び推定部１０２を備えている。各機能構成は、ＣＰＵ１１がＲＯＭ１２又はストレージ１４に記憶された全天日射量推定プログラムを読み出し、ＲＡＭ１３に展開して実行することにより実現される。
　ストレージ１４には、学習済みモデル１４１が記憶されている。学習済みモデル１４１は、予め準備された発電実績データと対応する地上観測の全天日射量との組を学習用データとして機械学習することにより生成される。学習済みモデル１４１は、後述の全天日射量学習装置２０により生成され、発電実績データを入力とし、全天日射量を出力するモデルとされる。
　特徴量取得部１０１は、発電地点における発電量を含む発電実績データを取得する。また、発電実績データは、上述したように、発電地点における気温情報、湿度情報、時刻情報、設備情報、及び設置場所情報の少なくとも１つを含むようにしてもよい。
　推定部１０２は、学習済みモデル１４１を用いて、特徴量取得部１０１により取得された発電実績データに対応する全天日射量を推定する。推定部１０２は、予め定めたエリア（＝メッシュ）に含まれる各発電地点における全天日射量を推定してもよい。なお、推定部１０２により推定して得られた各発電地点についての推定結果は、例えば、ストレージ１４に記憶される。
　次に、図４を参照して、第１の実施形態に係る全天日射量推定装置１０の作用について説明する。
　図４は、第１の実施形態に係る全天日射量推定プログラムによる処理の流れの一例を示すフローチャートである。全天日射量推定プログラムによる処理は、全天日射量推定装置１０のＣＰＵ１１が、ＲＯＭ１２又はストレージ１４に記憶されている全天日射量推定プログラムをＲＡＭ１３に書き込んで実行することにより、実現される。
　図４のステップＳ１０１では、ＣＰＵ１１が、太陽光パネルが設置された発電地点における発電実績データを取得する。発電実績データは、一例として、上述の図１に示す入力データとして表される。
　ステップＳ１０２では、ＣＰＵ１１が、ステップＳ１０１で取得した発電実績データを入力として、学習済みモデル１４１を用いて、対応する全天日射量を推定する。
　ステップＳ１０３では、ＣＰＵ１１が、予め定めたエリア内の全ての発電地点について全天日射量を推定したか否かを判定する。全ての発電地点について全天日射量を推定していないと判定した場合（否定判定の場合）、ステップＳ１０１に移行し、全ての発電地点について全天日射量を推定したと判定した場合（肯定判定の場合）、本全天日射量推定プログラムによる一連の処理を終了する。
　次に、図５を参照して、第１の実施形態に係る全天日射量学習装置２０のハードウェア構成について説明する。
　図５は、第１の実施形態に係る全天日射量学習装置２０のハードウェア構成の一例を示すブロック図である。
　図５に示すように、全天日射量学習装置２０は、ＣＰＵ２１、ＲＯＭ２２、ＲＡＭ２３、ストレージ２４、入力部２５、表示部２６、及び通信インタフェース（Ｉ／Ｆ）２７を備えている。各構成は、バス２８を介して相互に通信可能に接続されている。
　ＣＰＵ２１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ２１は、ＲＯＭ２２又はストレージ２４からプログラムを読み出し、ＲＡＭ２３を作業領域としてプログラムを実行する。ＣＰＵ２１は、ＲＯＭ２２又はストレージ２４に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ２２又はストレージ２４には、全天日射量学習処理を実行するための全天日射量学習プログラムが格納されている。なお、ＣＰＵに代えて、例えば、ＧＰＵを用いるようにしてもよい。
　ＲＯＭ２２は、各種プログラム及び各種データを格納する。ＲＡＭ２３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ２４は、ＨＤＤ又はＳＳＤにより構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。
　入力部２５は、マウス等のポインティングデバイス、及びキーボードを含み、自装置に対して各種の入力を行うために使用される。
　表示部２６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部２６は、タッチパネル方式を採用して、入力部２５として機能しても良い。
　通信インタフェース２７は、自装置が他の外部機器と通信するためのインタフェースである。当該通信には、例えば、イーサネット（登録商標）若しくはＦＤＤＩ等の有線通信の規格、又は、４Ｇ、５Ｇ、若しくはＷｉ－Ｆｉ（登録商標）等の無線通信の規格が用いられる。
　本実施形態に係る全天日射量学習装置２０には、例えば、サーバコンピュータ、パーソナルコンピュータ（ＰＣ）等の汎用的なコンピュータ装置が適用される。なお、全天日射量学習装置２０は、上述の全天日射量推定装置１０と一体的に構成されていてもよい。
　次に、図６を参照して、全天日射量学習装置２０の機能構成について説明する。
　図６は、第１の実施形態に係る全天日射量学習装置２０の機能構成の一例を示すブロック図である。
　図６に示すように、全天日射量学習装置２０は、機能構成として、学習用データ取得部２０１及び学習部２０２を備えている。各機能構成は、ＣＰＵ２１がＲＯＭ２２又はストレージ２４に記憶された全天日射量学習プログラムを読み出し、ＲＡＭ２３に展開して実行することにより実現される。
　学習用データ取得部２０１は、発電地点における発電量を含む発電実績データと対応する地上観測の全天日射量との組である学習用データを取得する。学習に用いる発電実績データは、上述の推定に用いた発電実績データと同様に、発電量、設備の最大出力、時刻情報等を含むデータとされる。発電実績データは、例えば、全天日射量を計測している気象台等を含むメッシュ内の発電地点で計測されたデータとされる。この発電実績データとメッシュ内の気象台等で観測された過去の全天日射量との組である学習用データの集合を作成しておく。
　学習部２０２は、学習用データ取得部２０１により取得された学習用データを用いて機械学習することにより、発電実績データを入力とし、全天日射量を出力する学習済みモデル１４１を生成する。ここで、機械学習に用いる学習モデルには、一般的なハイパーパラメータの探索アルゴリズムが用いられ、例えば、ニューラルネットワーク等が適用される。学習部２０２で生成した学習済みモデル１４１は、ストレージ２４に記憶されると共に、全天日射量推定装置１０のストレージ１４に記憶される。
　次に、図７を参照して、第１の実施形態に係る全天日射量学習装置２０の作用について説明する。
　図７は、第１の実施形態に係る全天日射量学習プログラムによる処理の流れの一例を示すフローチャートである。全天日射量学習プログラムによる処理は、全天日射量学習装置２０のＣＰＵ２１が、ＲＯＭ２２又はストレージ２４に記憶されている全天日射量学習プログラムをＲＡＭ２３に書き込んで実行することにより、実現される。
　図７のステップＳ１１１では、ＣＰＵ２１が、発電地点における発電量を含む発電実績データと対応する地上観測の全天日射量との組である学習用データを取得する。
　ステップＳ１１２では、ＣＰＵ２１が、ステップＳ１１１で取得した学習用データを用いて、一般的なハイパーパラメータの探索アルゴリズムにより機械学習を行う。
　ステップＳ１１３では、ＣＰＵ２１が、ステップＳ１１２で機械学習を行うことにより、発電実績データを入力とし、対応する全天日射量を出力する学習済みモデル１４１を生成する。
　ステップＳ１１４では、ＣＰＵ２１が、ステップＳ１１３で生成した学習済みモデル１４１を例えば全天日射量推定装置１０のストレージ１４に記憶し、本全天日射量学習プログラムによる一連の処理を終了する。
　このように本実施形態によれば、太陽光発電設備の情報に加え、雲、地形等による影響が既に反映されていて発電事業者が容易に入手可能な各発電地点の発電実績データを機械学習の入力値とする。これにより、発電地点の全天日射量を精度良く推定することができる。
[第２の実施形態]
　第２の実施形態では、上記第１の実施形態で出力した各発電地点の全天日射量の推定結果から、発電地点が含まれるメッシュの全天日射量の代表値を算出する形態について説明する。
　図８は、第２の実施形態に係る全天日射量推定装置１０Ａの機能的な構成の一例を示すブロック図である。
　図８に示すように、本実施形態に係る全天日射量推定装置１０ＡのＣＰＵ１１は、特徴量取得部１０１、推定部１０２、全天日射量取得部１０３、及び代表値算出部１０４として機能する。なお、上記第１の実施形態で説明した全天日射量推定装置１０が有する構成要素と同じ構成要素には同じ符号を付与し、その繰り返しの説明は省略する。
　ストレージ１４には、推定結果１４２が記憶される。推定結果１４２は、推定部１０２により推定して得られた、予め定めたメッシュ内に存在する全ての発電地点における全天日射量の推定結果とされる。
　全天日射量取得部１０３は、ストレージ１４から推定結果１４２を取得する。
　代表値算出部１０４は、全天日射量取得部１０３により取得された全天日射量の推定結果１４２から、メッシュの全天日射量の代表値を算出する。メッシュの全天日射量の代表値は、例えば、メッシュに存在する全ての発電地点における全天日射量の中央値として表される。なお、この代表値は、中央値に限定されるものではなく、例えば、加重平均を用いてもよい。例えば、設備の最大出力を考慮した加重平均の場合、規模の大きい発電地点で推定した全天日射量が加重平均の値により強く影響するため、メッシュでの発電量計画に好適な全天日射量予測になり得る。設備の最大出力を考慮した加重平均では、例えば、メッシュ内に発電地点がＡ、Ｂ、Ｃの３ヶ所あり、各地点の設備の最大出力をＸＡ、ＸＢ、ＸＣ、全天日射量推定値をＹＡ、ＹＢ、ＹＣとした場合、以下の式で計算される値をメッシュの全天日射量の代表値とする。
　代表値＝（ＸＡ×ＹＡ＋ＸＢ×ＹＢ＋ＸＣ×ＹＣ）／（ＸＡ＋ＸＢ＋ＸＣ）
　次に、図９を参照して、第２の実施形態に係る全天日射量推定装置１０Ａの作用について説明する。
　図９は、第２の実施形態に係る全天日射量推定プログラムによる処理の流れの一例を示すフローチャートである。全天日射量推定プログラムによる処理は、全天日射量推定装置１０ＡのＣＰＵ１１が、ＲＯＭ１２又はストレージ１４に記憶されている全天日射量推定プログラムをＲＡＭ１３に書き込んで実行することにより、実現される。
　図９のステップＳ１２１では、ＣＰＵ１１が、ストレージ１４から、メッシュ内に存在する全発電地点の全天日射量の推定結果１４２を取得する。
　ステップＳ１２２では、ＣＰＵ１１が、ステップＳ１２１で取得した全天日射量の推定結果１４２から、メッシュの全天日射量の代表値（例えば、中央値、加重平均等）を算出し、本全天日射量推定プログラムによる一連の処理を終了する。メッシュの全天日射量の代表値は、上述したように、例えば、メッシュに存在する全ての発電地点における全天日射量の中央値として表される。
　このように本実施形態によれば、メッシュに含まれる発電地点の情報を総合して当該メッシュの全天日射量の代表値が算出される。これにより、メッシュの全天日射量をより精度良く推定することができる。
　次に、図１０～図１５を参照して、本実施形態に係る実験結果の一例について説明する。
　図１０は、快晴時の全天日射量の比較例を示すグラフである。図１１は、曇り時の全天日射量の比較例を示すグラフである。図１２は、雨時の全天日射量の比較例を示すグラフである。なお、図１０～図１２において、縦軸は全天日射量（単位：Ｗ／ｍ２）を示し、横軸は時間帯を示す。Ｄ１は気象衛星画像（従来手法）を用いて推定された全天日射量を示し、Ｄ２は地上観測の全天日射量（正解データ：真値）を示し、Ｄ３は発電実績データ（本技術の手法）を用いて推定された全天日射量を示す。但し、図１０～図１２の例は、ある太陽光発電施設で観測されたデータを示している。
　図１０～図１２に示すように、発電実績データを用いて推定された全天日射量Ｄ３は、天候によらず、気象衛星画像を用いて推定された全天日射量Ｄ１よりも正解データである全天日射量Ｄ２に近いことが分かる。つまり、発電実績データを用いて推定された全天日射量Ｄ３は、気象衛星画像を用いて推定された全天日射量Ｄ１よりも高い精度が得られていることが分かる。
　図１３は、気象台における観測値との比較例を示すグラフである。図１３は、２０２０年１月下旬のデータ、２０２０年４月下旬のデータ、２０２０年７月下旬のデータ、及び２０２０年１０月下旬のデータを示している。図１３において、一点鎖線は気象台で観測された全天日射量の真値を示し、実線は発電実績データ（本技術の手法）を用いて推定された全天日射量を示す。図１３の例からも、発電実績データを用いて推定された全天日射量は、正解データである全天日射量の真値に近いことが分かる。
　図１４及び図１５は、発電実績データを用いて推定された全天日射量と気象衛星画像を用いて推定された全天日射量との比較例を示す図である。図１５のグラフは、図１４の数値をグラフにしたものである。
　図１４及び図１５において、評価エリアを東京管区気象台の観測所が存在する５ｋｍメッシュとした。評価期間を２０１８年、２０１９年、及び２０２０年の３年間の各月の下旬とした。評価指標には、平均絶対誤差（ＭＡＥ：Ｍｅａｎ　Ａｂｓｏｌｕｔｅ　Ｅｒｒｏｒ）、二乗平均平方根誤差（ＲＭＳＥ：Ｒｏｏｔ　Ｍｅａｎ　Ｓｑｕａｒｅ　Ｅｒｒｏｒ）、及び決定係数（Ｒ２）を用いた。図１５の点線は、気象衛星画像（従来手法）を用いて推定された全天日射量と正解データである全天日射量の真値との間の指標値を示し、図１５の実線は、発電実績データ（本技術の手法）を用いて推定された全天日射量と正解データである全天日射量の真値との間の指標値を示す。
　上記評価指標のいずれにおいても、発電実績データ（本技術の手法）を用いて推定された全天日射量は、気象衛星画像（従来手法）を用いて推定された全天日射量よりも高い精度が得られていることが分かる。
　ここで、上述したように、太陽光パネルの発電出力（発電実績データ）と全天日射量とは強い相関関係があるが、発電出力の大きさに影響する要素は様々である。具体的に、発電設備については、例えば、パネル容量、ＰＣＳ容量、過積載率、ＰＣＳ変換効率、最大出力、設置方位、傾斜角度、温度係数等が含まれる。気象条件については、例えば、全天日射量、日照時間、気温等が含まれる。日照時間は、直達日射量が１２０Ｗ／ｍ２以上のときの時間とされる。気温は、間接的に太陽光パネルの温度が考慮される。その他の条件については、例えば、標高、緯度・経度、週番号等が含まれる。標高が高いほど日照時間が長く、また、山の影にかかりにくい。また、週番号は、年初の月曜日を０週としたときに、年中通番の番号を表し、間接的に太陽の南中角度が考慮される。
　パネル容量又はＰＣＳ容量が同じ設備でも発電出力が異なるため、上記の各種要素を考慮することが望ましい。
　上記実施形態でＣＰＵがプログラムを読み込んで実行した全天日射量推定処理又は全天日射量学習処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、全天日射量推定処理又は全天日射量学習処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。
　また、上記実施形態では、全天日射量推定プログラム又は全天日射量学習プログラムがＲＯＭ又はストレージに予め記憶（「インストール」ともいう）されている態様を説明したが、これに限定されない。全天日射量推定プログラム又は全天日射量学習プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ　Ｄｉｓｋ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｋ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記憶媒体に記憶された形態で提供されてもよい。また、全天日射量推定プログラム又は全天日射量学習プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
　本明細書に記載された全ての文献、特許出願、及び技術規格は、個々の文献、特許出願、及び技術規格が参照により取り込まれることが具体的かつ個々に記された場合と同程度に、本明細書中に参照により取り込まれる。
　以上の実施形態に関し、更に以下の付記を開示する。
（付記項１）
　メモリと、
　前記メモリに接続された少なくとも１つのプロセッサと、
　を含み、
　前記プロセッサは、
　発電地点における発電量を含む発電実績データを取得し、
　予め準備された発電実績データと対応する地上観測の全天日射量との組を学習用データとして機械学習することにより生成され、かつ、発電実績データを入力とし、全天日射量を出力する学習済みモデルを用いて、前記取得された発電実績データに対応する全天日射量を推定する
　ように構成されている全天日射量推定装置。
（付記項２）
　全天日射量推定処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
　前記全天日射量推定処理は、
　発電地点における発電量を含む発電実績データを取得し、
　予め準備された発電実績データと対応する地上観測の全天日射量との組を学習用データとして機械学習することにより生成され、かつ、発電実績データを入力とし、全天日射量を出力する学習済みモデルを用いて、前記取得された発電実績データに対応する全天日射量を推定する
　非一時的記憶媒体。
１０、１０Ａ  全天日射量推定装置
１１、２１    ＣＰＵ
１２、２２    ＲＯＭ
１３、２３    ＲＡＭ
１４、２４    ストレージ
１５、２５    入力部
１６、２６    表示部
１７、２７    通信Ｉ／Ｆ
１８、２８    バス
２０   全天日射量学習装置
１０１ 特徴量取得部
１０２ 推定部
１０３ 全天日射量取得部
１０４ 代表値算出部
１４１ 学習済みモデル
１４２ 推定結果
２０１ 学習用データ取得部
２０２ 学習部

Claims (8)

  1. 　発電地点における発電量を含む発電実績データを取得する特徴量取得部と、
    　予め準備された発電実績データと対応する地上観測の全天日射量との組を学習用データとして機械学習することにより生成され、かつ、発電実績データを入力とし、全天日射量を出力する学習済みモデルを用いて、前記特徴量取得部により取得された発電実績データに対応する全天日射量を推定する推定部と、
    　を備えた全天日射量推定装置。
  2. 　前記特徴量取得部により取得された発電実績データは、最新の発電実績データを含み、
    　前記推定部は、前記最新の発電実績データに対応する全天日射量を推定する
    　請求項１に記載の全天日射量推定装置。
  3. 　前記特徴量取得部により取得された発電実績データは、前記発電地点における気温情報、湿度情報、時刻情報、設備情報、及び設置場所情報の少なくとも１つを含む
    　請求項１に記載の全天日射量推定装置。
  4. 　予め定めたメッシュ内に存在する全ての発電地点における全天日射量の推定結果を取得する全天日射量取得部と、
    　前記全天日射量取得部により取得された全天日射量の推定結果から、前記メッシュの全天日射量の代表値を算出する代表値算出部と、
    　を更に備えた
    　請求項１に記載の全天日射量推定装置。
  5. 　前記メッシュの全天日射量の代表値は、前記メッシュに存在する全ての発電地点における全天日射量の中央値又は加重平均として表される
    　請求項４に記載の全天日射量推定装置。
  6. 　発電地点における発電量を含む発電実績データと対応する地上観測の全天日射量との組である学習用データを取得する学習用データ取得部と、
    　前記学習用データ取得部により取得された学習用データを用いて機械学習することにより、発電実績データを入力とし、全天日射量を出力する学習済みモデルを生成する学習部と、
    　を備えた全天日射量学習装置。
  7. 　発電地点における発電量を含む発電実績データを取得し、
    　予め準備された発電実績データと対応する地上観測の全天日射量との組を学習用データとして機械学習することにより生成され、かつ、発電実績データを入力とし、全天日射量を出力する学習済みモデルを用いて、前記取得された発電実績データに対応する全天日射量を推定する、
    　全天日射量推定方法。
  8. 　発電地点における発電量を含む発電実績データを取得し、
    　予め準備された発電実績データと対応する地上観測の全天日射量との組を学習用データとして機械学習することにより生成され、かつ、発電実績データを入力とし、全天日射量を出力する学習済みモデルを用いて、前記取得された発電実績データに対応する全天日射量を推定することを、
    　コンピュータに実行させるための全天日射量推定プログラム。
PCT/JP2022/024961 2022-06-22 2022-06-22 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 WO2023248390A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2022/024961 WO2023248390A1 (ja) 2022-06-22 2022-06-22 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
PCT/JP2022/030342 WO2023248484A1 (ja) 2022-06-22 2022-08-08 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/024961 WO2023248390A1 (ja) 2022-06-22 2022-06-22 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

Publications (1)

Publication Number Publication Date
WO2023248390A1 true WO2023248390A1 (ja) 2023-12-28

Family

ID=89379267

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/JP2022/024961 WO2023248390A1 (ja) 2022-06-22 2022-06-22 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
PCT/JP2022/030342 WO2023248484A1 (ja) 2022-06-22 2022-08-08 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

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/030342 WO2023248484A1 (ja) 2022-06-22 2022-08-08 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

Country Status (1)

Country Link
WO (2) WO2023248390A1 (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003121558A (ja) * 2001-10-12 2003-04-23 Canon Inc 情報処理装置およびその方法
JP2003149350A (ja) * 2001-11-07 2003-05-21 Sharp Corp 太陽光発電を利用した地域情報配信システム
JP2011247785A (ja) * 2010-05-28 2011-12-08 Denso Corp 車両用日射検出装置
JP2017005990A (ja) * 2012-04-20 2017-01-05 京セラ株式会社 管理サーバ、局所気象情報生成システム、および局所気象情報生成方法
JP2019199340A (ja) * 2018-05-17 2019-11-21 株式会社日立ビルシステム エレベータの周囲環境情報提供方法およびエレベータの周囲環境情報提供システム
KR102074707B1 (ko) * 2018-10-20 2020-02-14 주식회사 지농 태양전지판를 이용한 일사량 측정 장치 및 그를 이용한 일사량측정방법
JP2021092396A (ja) * 2019-12-06 2021-06-17 トヨタ自動車株式会社 環境予測システム及び環境予測方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230273344A1 (en) * 2020-07-31 2023-08-31 Mitsui Chemicals, Inc. Insolation correction method, insolation correction device, recording medium, model, model generating method, and model providing method

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003121558A (ja) * 2001-10-12 2003-04-23 Canon Inc 情報処理装置およびその方法
JP2003149350A (ja) * 2001-11-07 2003-05-21 Sharp Corp 太陽光発電を利用した地域情報配信システム
JP2011247785A (ja) * 2010-05-28 2011-12-08 Denso Corp 車両用日射検出装置
JP2017005990A (ja) * 2012-04-20 2017-01-05 京セラ株式会社 管理サーバ、局所気象情報生成システム、および局所気象情報生成方法
JP2019199340A (ja) * 2018-05-17 2019-11-21 株式会社日立ビルシステム エレベータの周囲環境情報提供方法およびエレベータの周囲環境情報提供システム
KR102074707B1 (ko) * 2018-10-20 2020-02-14 주식회사 지농 태양전지판를 이용한 일사량 측정 장치 및 그를 이용한 일사량측정방법
JP2021092396A (ja) * 2019-12-06 2021-06-17 トヨタ自動車株式会社 環境予測システム及び環境予測方法

Also Published As

Publication number Publication date
WO2023248484A1 (ja) 2023-12-28

Similar Documents

Publication Publication Date Title
Mansouri Kouhestani et al. Evaluating solar energy technical and economic potential on rooftops in an urban setting: the city of Lethbridge, Canada
US11333793B2 (en) System and method for variance-based photovoltaic fleet power statistics building with the aid of a digital computer
Yang A universal benchmarking method for probabilistic solar irradiance forecasting
Carneiro et al. Review on photovoltaic power and solar resource forecasting: current status and trends
US10599747B1 (en) System and method for forecasting photovoltaic power generation system degradation
JP5910025B2 (ja) 風力発電量予測システム、そのプログラム
JP5415507B2 (ja) 太陽光発電出力推定装置及び太陽光発電出力推定方法
US10339682B2 (en) Method and apparatus for energy data visualization
US11068563B2 (en) System and method for normalized ratio-based forecasting of photovoltaic power generation system degradation with the aid of a digital computer
JP2013164286A (ja) 日射量予測方法、太陽光発電出力予測方法、及びシステム
US9536021B1 (en) System and method for providing a renewable energy network optimization tool
Gagliano et al. GIS-based decision support for solar photovoltaic planning in urban environment
KR101266110B1 (ko) 태양광 발전 용량 예측 시스템 및 방법
US20230327440A1 (en) Power generation amount management system and power generation amount management method
JP7257117B2 (ja) 太陽光発電システム分布推定装置、太陽光発電システム分布推定方法及び太陽光発電出力予測装置
Kim et al. A probabilistic approach to potential estimation of renewable energy resources based on augmented spatial interpolation
MacAlpine et al. Measured and estimated performance of a fleet of shaded photovoltaic systems with string and module‐level inverters
Ramirez Camargo et al. Spatiotemporal modeling for assessing complementarity of renewable energy sources in distributed energy systems
WO2023248390A1 (ja) 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
Al-Hilfi et al. Enhancing the estimation of the overall produced power by several adjacent photovoltaic systems using existing correlational factors
Alalami et al. Wind speed forecasting using kernel ridge regression with different time horizons
Lukač et al. Novel GPU-accelerated high-resolution solar potential estimation in urban areas by using a modified diffuse irradiance model
Love et al. Meteorology and the energy sector
WO2020148813A1 (ja) 異常要因診断装置及びその方法、並びに異常要因診断システム
Tarai et al. Validation of predictive models to estimate annual PV production: A case study of odisha

Legal Events

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

Ref document number: 22947951

Country of ref document: EP

Kind code of ref document: A1