JP2017102760A - Amount of wind power generation prediction system, amount of wind power generation prediction program, and amount of wind power generation prediction method - Google Patents

Amount of wind power generation prediction system, amount of wind power generation prediction program, and amount of wind power generation prediction method Download PDF

Info

Publication number
JP2017102760A
JP2017102760A JP2015236170A JP2015236170A JP2017102760A JP 2017102760 A JP2017102760 A JP 2017102760A JP 2015236170 A JP2015236170 A JP 2015236170A JP 2015236170 A JP2015236170 A JP 2015236170A JP 2017102760 A JP2017102760 A JP 2017102760A
Authority
JP
Japan
Prior art keywords
wind
power generation
point
prediction
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2015236170A
Other languages
Japanese (ja)
Other versions
JP7008969B2 (en
Inventor
淳一 古本
Junichi Furumoto
淳一 古本
邦昭 東
Kuniaki Azuma
邦昭 東
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Metro Wether Co Ltd
Original Assignee
Metro Wether Co Ltd
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 Metro Wether Co Ltd filed Critical Metro Wether Co Ltd
Priority to JP2015236170A priority Critical patent/JP7008969B2/en
Publication of JP2017102760A publication Critical patent/JP2017102760A/en
Application granted granted Critical
Publication of JP7008969B2 publication Critical patent/JP7008969B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Testing And Monitoring For Control Systems (AREA)
  • Control Of Eletrric Generators (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

PROBLEM TO BE SOLVED: To provide an amount of wind power generation prediction system capable of obtaining wind prediction information to output an amount of predicted power generation.SOLUTION: An amount of wind power generation prediction system includes: spot wind observation information acquisition means for acquiring wind observation information in which a wind direction and a wind speed can be discriminated by spot; spot wind prediction information acquisition means for acquiring wind prediction information in which a wind direction and a wind speed can be discriminated by spot: turbine output characteristics acquisition means for acquiring turbine output characteristics of a wind power generator; and Bayesian network processing means for processing information acquired by the spot wind observation information acquisition means, spot wind prediction information acquisition means, and turbine output characteristics acquisition means as a parent node using a conditional probability table to output an amount of predicted power generation as a child node. The Bayesian network processing means is configured to use degree of stability of wind speed for each season as a node.SELECTED DRAWING: Figure 8

Description

この発明は、例えば、風力発電の発電量を予測するような風力発電量予測システム、風力発電量予測プログラム、および風力発電量予測方法に関する。   The present invention relates to a wind power generation amount prediction system, a wind power generation amount prediction program, and a wind power generation amount prediction method for predicting the amount of wind power generation.

従来、風力によって発電を行う様々な風力発電装置が提供されている。この風力発電装置は、海洋に設置されるもの、山林に設置されるもの、都市部に設置されるものなど、様々な種類が提供されている。   Conventionally, various wind power generators that generate power using wind power have been provided. Various types of wind power generators are provided, such as those installed in the ocean, those installed in forests, and those installed in urban areas.

このような風力発電装置は、得られる風力によって発電量が変化する。このため、風力発電装置を設置する場所は、発電量を増大する上で重要である。   In such a wind turbine generator, the amount of power generation varies depending on the wind power obtained. For this reason, the place where the wind turbine generator is installed is important in increasing the amount of power generation.

このような風力発電装置を有効に活用するために、風の向きや風の強さの変化を予測し、姿勢やプロペラ角度を最適化する風力発電システムが提案されている（特許文献１参照）。   In order to effectively use such a wind turbine generator, a wind turbine generator system that predicts changes in wind direction and wind intensity and optimizes the posture and propeller angle has been proposed (see Patent Document 1). .

この風力発電システムは、複数の風力発電装置を用い、各風力発電装置において風向、風力、温度、湿度、発電量などを測定して相互にやりとりし、自身の配置場所における風の変化タイミングを予測して姿勢、プロペラ角度等を最適化するものである。これにより、発電効率を常時最大に維持できるとされている。   This wind power generation system uses multiple wind power generators, and measures the wind direction, wind power, temperature, humidity, power generation amount, etc. in each wind power generator and interacts with each other to predict the timing of wind change at its location Thus, the posture, propeller angle, etc. are optimized. Thereby, it is supposed that electric power generation efficiency can always be maintained at the maximum.

しかし、この風力発電システムは、風力発電装置が複数設置されなければ予測できないものであった。このため、例えば、１台だけ風力発電装置を設置する際に、最も発電量が多くなる場所を特定するといったことはできなかった。また、発電した電力を効率良く利生するために発電量を事前に予測するといったことに利用できるものでもなかった。   However, this wind power generation system could not be predicted unless a plurality of wind power generation devices are installed. For this reason, for example, when only one wind turbine generator is installed, it has not been possible to specify a place where the amount of power generation is the largest. Moreover, it was not usable for predicting the amount of power generation in advance in order to efficiently use the generated power.

特開２０００−８７８４１号公報JP 2000-87841 A

この発明は、上述の問題に鑑みて、風予測情報を取得し、予測発電量を出力できる風力発電量予測システム、風力発電量予測プログラム、および風力発電量予測方法を提供することを目的とする。   In view of the above problems, an object of the present invention is to provide a wind power generation amount prediction system, a wind power generation amount prediction program, and a wind power generation amount prediction method capable of acquiring wind prediction information and outputting a predicted power generation amount. .

この発明は、地点別に風向および風速を判別可能な風観測情報を取得する地点別風観測情報取得手段と、地点別に風向および風速を判別可能な風予測情報を取得する地点別風予測情報取得手段と、風力発電装置のタービン出力特性を取得するタービン出力特性取得手段と、前記地点別風観測情報取得手段、前記地点別風予測情報取得手段、および前記タービン出力特性取得手段により取得した情報を親ノードとして条件付確率表を用いて処理し予測発電量を子ノードとして出力するベイジアンネットワーク処理手段とを備え、前記ベイジアンネットワーク処理手段は、季節毎の風速安定度をノードとして用いる構成である風力発電量予測システムであることを特徴とする。   The present invention relates to point-specific wind observation information acquisition means for acquiring wind observation information capable of determining the wind direction and wind speed for each point, and point-specific wind prediction information acquisition means for acquiring wind prediction information capable of determining the wind direction and wind speed for each point. Turbine output characteristic acquisition means for acquiring turbine output characteristics of the wind turbine generator, the point-specific wind observation information acquisition means, the point-specific wind prediction information acquisition means, and the information acquired by the turbine output characteristic acquisition means as a parent A Bayesian network processing means for processing using a conditional probability table as a node and outputting the predicted power generation amount as a child node, wherein the Bayesian network processing means uses a wind speed stability for each season as a node. It is a quantity prediction system.

この発明により、風予測情報を取得し、予測発電量を出力できる風力発電量予測システム、風力発電量予測プログラム、および風力発電量予測方法を提供できる。   According to the present invention, it is possible to provide a wind power generation amount prediction system, a wind power generation amount prediction program, and a wind power generation amount prediction method capable of acquiring wind prediction information and outputting a predicted power generation amount.

予測システムのシステム構成を示すブロック図。The block diagram which shows the system configuration | structure of a prediction system. 風力発電量予測システムのベイジアンネットワークのブロック図。The block diagram of the Bayesian network of a wind power generation prediction system. 消費電力予測システムのベイジアンネットワークのブロック図。The block diagram of the Bayesian network of a power consumption prediction system. ベイジアンネットワークのブロック図。Block diagram of a Bayesian network. 条件付確率表（ＣＰＴ）の構成を示す説明図。Explanatory drawing which shows the structure of a conditional probability table (CPT). ベイズフィルタ推定の説明図。Explanatory drawing of Bayes filter estimation. 風車設置場所選定処理を実行する制御部の動作を示すフローチャート。The flowchart which shows operation | movement of the control part which performs a windmill installation location selection process. ウインドファームの設置・運用を行うシステムのシステム構成図。The system block diagram of the system which installs and operates a wind farm. 風力発電量予測と消費電力量予測のインバランスを最小に抑えるシステムのシステム構成図。The system block diagram of the system which suppresses the imbalance of wind power generation amount prediction and power consumption amount prediction to the minimum. 最適な需要供給バランスを維持するシステムのシステム構成図。The system block diagram of the system which maintains the optimal supply-demand balance.

以下、この発明の一実施形態を図面と共に説明する。   Hereinafter, an embodiment of the present invention will be described with reference to the drawings.

図１は、予測システム１（風力発電量予測システム）のシステム構成を示すブロック図である。
予測システム１は、風力発電予測システム１Ａ、数値予測モデルによる予測システム３、気象観測システム４、風力発電装置５、スマートメータ６、ユーザ端末８、およびインターネット９により構成されている。 FIG. 1 is a block diagram showing a system configuration of a prediction system 1 (wind power generation amount prediction system).
The prediction system 1 includes a wind power generation prediction system 1A, a prediction system 3 using a numerical prediction model, a weather observation system 4, a wind power generation device 5, a smart meter 6, a user terminal 8, and the Internet 9.

また、風力発電予測システム１Ａは、ドップラーライダー２（地点別風観測情報取得手段，地点別風予測情報取得手段）および風力発電予測サーバ１０（風力発電予測装置）により構成されている。   The wind power generation prediction system 1A includes a Doppler lidar 2 (point-specific wind observation information acquisition means, point-specific wind prediction information acquisition means) and a wind power generation prediction server 10 (wind power generation prediction apparatus).

ドップラーライダー２は、大気中にレーザー光を発射し、エアロゾルからの散乱光（反射光）のドップラーシフトを検出することで、エアロゾルの動きを基準に風況（風向き、風速）を観測する。このドップラーライダー２は、降雨の有無に関係なく風況を観測することができる。また、ドップラーライダー２は、レーザー光を用いてエアロゾルの観測を行うため、空間分解能及び時間分解能に優れた観測を行うことができる。   The Doppler lidar 2 emits laser light into the atmosphere and detects the Doppler shift of the scattered light (reflected light) from the aerosol, thereby observing the wind condition (wind direction, wind speed) based on the movement of the aerosol. This Doppler rider 2 can observe the wind conditions regardless of whether there is rainfall. Further, since the Doppler lidar 2 observes the aerosol using laser light, it can perform observation with excellent spatial resolution and temporal resolution.

このドップラーライダー２は、複数台（例えば２台以上が好ましく、３台以上がより好ましい）が互いに所定の距離離間した略同一高さにそれぞれ設置されている。各ドップラーライダー２は、観測された視線風速に基づいて風況（風向及び風速）の水平分布情報を算出する。   A plurality of Doppler riders 2 (for example, two or more are preferable, and three or more are more preferable) are installed at substantially the same height separated from each other by a predetermined distance. Each Doppler rider 2 calculates horizontal distribution information of wind conditions (wind direction and wind speed) based on the observed line-of-sight wind speed.

各ドップラーライダー２は、その視線方向（レーザー光の発信方向）が水平方向に３６０°回転するように構成されており、約１分間に１周（３６０°）の周期で定速回転しつつ、例えば、半径約２０ｋｍの範囲の視線風速を連続的（１分毎）に観測する。   Each Doppler rider 2 is configured such that its line-of-sight direction (laser beam transmission direction) rotates 360 ° in the horizontal direction, while rotating at a constant speed with a period of one round (360 °) per minute, For example, the line-of-sight wind speed with a radius of about 20 km is continuously observed (every minute).

各ドップラーライダー２で得られた視線風速のデータは、ドップラーライダー２が備える送信器を介して予測サーバ１０に送信される。   The line-of-sight wind speed data obtained by each Doppler rider 2 is transmitted to the prediction server 10 via a transmitter provided in the Doppler rider 2.

予測サーバ１０の制御部１１（ベイジアンネットワーク処理手段、風車設置好適地点出力手段）は、各ドップラーライダー２の観測結果を合成し、観測領域における風況情報として、例えば、東西方向の風速画像（東西風速画像）及び南北方向の風速画像（南北風速画像）を取得する。   The control unit 11 (Bayesian network processing means, windmill installation preferred point output means) of the prediction server 10 synthesizes the observation results of the Doppler riders 2 and uses, for example, an east-west wind speed image (east-west) as the wind condition information in the observation region. Wind speed image) and north-south direction wind speed image (north-south wind speed image).

ここで、風況分布情報を生成する方法としては、種々の手法を採用することができ、例えば、３台以上のドップラーライダー２で観測されたデータに基づいて分布情報を生成する場合には最尤推定法により算出すればよく、また、２台のドップラーライダーで観測されたデータに基づいて分布情報を生成する場合には、線形重み付き最小二乗法により算出すればよい。このようにして風況分布情報を算出し、風況パターン情報を作製した場合には、１分間毎に風況パターン情報を記憶部１２に記憶すると良い。   Here, various methods can be adopted as a method for generating wind condition distribution information. For example, when generating distribution information based on data observed by three or more Doppler lidars 2, it is most suitable. What is necessary is just to calculate by a likelihood estimation method, and when generating distribution information based on the data observed by two Doppler lidars, it should just calculate by a linear weighted least square method. When the wind condition distribution information is calculated in this way and the wind condition pattern information is produced, the wind condition pattern information may be stored in the storage unit 12 every minute.

上記風況分布情報は、適宜の水平分解能（例えば約１００ｍ程度など）とすることができる。また、このドップラーライダー２は、部品の汎用性の高さからよく使われている波長１．５μｍ帯の赤外線レーザーを用いたドップラーライダーなど、適宜のドップラーライダーを使用することができる。   The wind condition distribution information can have an appropriate horizontal resolution (for example, about 100 m). The Doppler rider 2 may be an appropriate Doppler rider such as a Doppler rider using an infrared laser having a wavelength of 1.5 μm, which is often used because of the high versatility of parts.

また、各ドップラーライダー２は、設置高度の差が０〜１０ｍ程度になるように設置されることが好ましい。この程度の高度差であれば測定高度が異なっていても、風況に大きな差がないからである。   Moreover, it is preferable that each Doppler rider 2 is installed so that the difference in installation height is about 0 to 10 m. This is because there is no significant difference in the wind conditions even if the measured altitudes are different.

２台のドップラーライダー２で観測領域内を観測した場合、観測領域内の風向きによっては測定結果に誤差が生じる場合があるのに対し、３台以上のドップラーライダーを用いて観測領域内を観測することにより、より少ない誤差で観測領域の風況を計測することができるからである。   When observing the observation area with two Doppler lidars 2, there may be an error in the measurement results depending on the wind direction in the observation area, while observing the observation area with three or more Doppler lidars This is because the wind conditions in the observation area can be measured with fewer errors.

数値予測モデルによる予測システム３は、確率論的予測により大きなスケールでの気象予報を行うシステムである。   The prediction system 3 based on a numerical prediction model is a system that performs weather prediction on a large scale by probabilistic prediction.

気象観測システム４は、天気、降雨量、風速、風向等の気象情報を観測する。   The weather observation system 4 observes weather information such as weather, rainfall, wind speed, and wind direction.

風力発電装置５は、風力によって風車が回転し、この回転により発生した電力を供給する発電装置として機能する。   The wind power generator 5 functions as a power generator that supplies electric power generated by the rotation of the windmill by wind power.

スマートメータ６は、電力使用量を所定タイミング（例えば毎日、毎月、毎年等）等で送信する。   The smart meter 6 transmits the power consumption at a predetermined timing (for example, every day, every month, every year, etc.).

ユーザ端末８は、パーソナルコンピュータ、タブレット端末、あるいはスマートフォン等の適宜のコンピュータにより構成されており、通信を行う通信部と、入力を受け付ける入力部と、表示を行う表示部と、情報を記憶する記憶する記憶部と、各種制御動作を実行する制御部とを有している。   The user terminal 8 is configured by an appropriate computer such as a personal computer, a tablet terminal, or a smartphone. The user terminal 8 is a communication unit that performs communication, an input unit that receives input, a display unit that performs display, and a memory that stores information. And a control unit that executes various control operations.

インターネット９は、公衆電気通信回線であり、各種装置を相互に通信可能に接続している。   The Internet 9 is a public telecommunication line and connects various devices so that they can communicate with each other.

風力発電予測サーバ１０は、制御部１１、記憶部１２、通信部１３（タービン出力特性取得手段、予測発電量出力手段）、入力部１４、及び表示部１５を備えている。   The wind power generation prediction server 10 includes a control unit 11, a storage unit 12, a communication unit 13 (turbine output characteristic acquisition unit, predicted power generation amount output unit), an input unit 14, and a display unit 15.

制御部１１は、ＣＰＵ、ＲＯＭ、ＲＡＭにより構成され、記憶部１２に記憶されている各種プログラムを起動して動作し、記憶部１２に記憶されている各種データおよび通信部１３から取得した各種データを用いて各種の演算と各部の制御動作を実行する。   The control unit 11 includes a CPU, a ROM, and a RAM. The control unit 11 starts up and operates various programs stored in the storage unit 12, and stores various data stored in the storage unit 12 and various data acquired from the communication unit 13. The various operations and control operations of each part are executed using.

記憶部１２は、風力発電量予測プログラム２１、消費電力量予測プログラム２２、風車設置場所選定プログラム２３、ベイズノード２４、および条件付確率分布表２５を記憶している。   The storage unit 12 stores a wind power generation amount prediction program 21, a power consumption amount prediction program 22, a windmill installation location selection program 23, a Bayes node 24, and a conditional probability distribution table 25.

通信部１３は、制御部１１の制御に従ってインターネット９に接続された各種装置とデータを送受信する。   The communication unit 13 transmits / receives data to / from various devices connected to the Internet 9 under the control of the control unit 11.

入力部１４は、キーボードとマウス、あるいはタッチパネル等の入力装置によって構成され、ユーザによる操作入力を受け付けて入力信号を制御部１１へ送信する。   The input unit 14 is configured by an input device such as a keyboard and a mouse, or a touch panel, and receives an operation input by a user and transmits an input signal to the control unit 11.

表示部１５は、ＣＲＴモニタあるいは液晶モニタ等の各種モニタ装置によって構成されており、制御部１１から出力される文字、図形、写真等の画像を表す画像信号に基づいて画像を表示する。   The display unit 15 is configured by various monitor devices such as a CRT monitor or a liquid crystal monitor, and displays an image based on an image signal representing an image such as a character, a figure, or a photograph output from the control unit 11.

風力発電量予測プログラム２１は、風の予測と、風力発電装置５による発電量の予測を実行する。   The wind power generation amount prediction program 21 executes wind prediction and power generation amount prediction by the wind power generator 5.

消費電力量予測プログラム２２は、風力発電装置５により発電された電力を消費する側の消費電力量の予測を実行する。   The power consumption amount prediction program 22 performs prediction of the power consumption amount on the side that consumes the power generated by the wind turbine generator 5.

風車設置場所選定プログラム２３は、風力発電装置５の風車をどの場所へ設置すれば多くの発電量を得られるかを選定する演算を実行する。   The windmill installation location selection program 23 executes a calculation for selecting a location where the windmill of the wind turbine generator 5 can be installed to obtain a large amount of power generation.

ベイズノード２４は、多数のベイズノード群を記憶している。
条件付確率分布表２５は、ベイジアンネットワークに必要な条件付確率分布表を複数記憶している。 The Bayes node 24 stores a large number of Bayes nodes.
The conditional probability distribution table 25 stores a plurality of conditional probability distribution tables necessary for the Bayesian network.

図２は、風力発電量を予測する風力発電量予測システムとして機能する際に必要なベイジアンネットワーク３０Ａの構成を示すブロック図であり、図３は、消費電力を予測する消費電力予測システムとして機能する際に必要なベイジアンネットワーク３０Ｂの構成を示すブロック図である。   FIG. 2 is a block diagram showing a configuration of a Bayesian network 30A necessary for functioning as a wind power generation amount prediction system for predicting wind power generation amount, and FIG. 3 functions as a power consumption prediction system for predicting power consumption. It is a block diagram which shows the structure of the Bayesian network 30B required at the time.

風力発電量予測システムとして機能するベイジアンネットワーク３０Ａは、子がない親ノードとなる入力ノード群（３１〜４２）と、子ノードとなる出力ノード群（４６〜５１）と、自ノードとなるベイズノード群（４３〜４５）とを備えている。   The Bayesian network 30A that functions as a wind power generation amount prediction system includes an input node group (31 to 42) that is a parent node having no children, an output node group (46 to 51) that is a child node, and a Bayes node group that is a local node. (43-45).

親ノードとなる入力ノード群（３１〜４２）は、ドップラーライダー観測データ３１（風観測情報）に含まれている風向分布３２および風速分布３３等、数値予報モデルの予測データ３４（風予測情報）に含まれている風向・風速３５および気温・湿度３６等、タービン出力特性データ３７に含まれている最大出力値３８および平均出力値３９等、実際のタービン出力値データ４０に含まれている最大出力値４１および平均出力値４２等を有している。   The input node group (31 to 42) serving as a parent node includes numerical forecast model prediction data 34 (wind prediction information) such as the wind direction distribution 32 and the wind speed distribution 33 included in the Doppler lidar observation data 31 (wind observation information). The maximum output value 40 included in the actual turbine output value data 40 such as the maximum output value 38 and the average output value 39 included in the turbine output characteristic data 37 such as the wind direction / wind speed 35 and the temperature / humidity 36 included in It has an output value 41, an average output value 42, and the like.

自ノードとなるベイズノード群（４３〜４５）は、それぞれのタービンの発電量実況と予測４３と、極端気象の発生確率４４と、季節ごとの風速安定度４５を備えている。   The Bayes node group (43 to 45) serving as its own node includes the actual power generation amount and prediction 43 of each turbine, the occurrence probability 44 of extreme weather, and the wind speed stability 45 for each season.

ここで、極端気象の発生確率４４は、ゲリラ豪雨や突風や竜巻や台風など、極端な気象の発生確率で構成されている。これにより、風力発電が適切に行えない状態（例えば突風によって風力発電ができない状態など）を予測することができる。   Here, the extreme weather occurrence probability 44 is composed of extreme weather occurrence probabilities such as guerrilla heavy rain, gusts, tornadoes, and typhoons. Accordingly, it is possible to predict a state where wind power generation cannot be performed properly (for example, a state where wind power generation cannot be performed due to a gust of wind).

また、季節ごとの風速安定度４５は、予め定めた単位時間あたりの風速変化の最大値が小さいほど風速が安定しているとする等、適宜の方法によって算出することができる。   Further, the wind speed stability 45 for each season can be calculated by an appropriate method such that the wind speed is more stable as the maximum wind speed change per unit time is smaller.

子ノードとなる出力ノード群（４６〜５１）は、ウインドファーム全体の発電量のナウキャスト（リアルタイム値）４６と、２日前に予測される風車１基毎とウインドファーム全体の発電量４７と、１日前に予測される風車１基毎とウインドファーム全体の発電量４８と、１２時間前に予測される風車１基毎とウインドファーム全体の発電量４９と、３０分前に予測される風車１基毎とウインドファーム全体の発電量５０と、ウインドファームが複数ある場合は各ファーム毎で得られると予測される風力発電量５１とを有している。   The output node group (46 to 51) as a child node includes a current cast 46 (real time value) of the power generation amount of the entire wind farm, a power generation amount 47 of the wind turbine and the wind farm 47 predicted for two days ago, Wind power generation 48 predicted for one wind turbine and the whole wind farm one day ago, power generation amount 48 for one wind turbine and the whole wind farm predicted 12 hours ago, and wind turbine 1 predicted 30 minutes ago It has a power generation amount 50 for each base and the whole wind farm, and a wind power generation amount 51 predicted to be obtained for each farm when there are a plurality of wind farms.

消費電力予測システムとして機能するベイジアンネットワーク３０Ｂは、子がない親ノードとなる入力ノード群（６０〜６７）と、子ノードとなる出力ノード群（７３〜７７）と、自ノードとなるベイズノード群（６８〜７２）とを備えている。   A Bayesian network 30B functioning as a power consumption prediction system includes an input node group (60 to 67) serving as a parent node having no children, an output node group (73 to 77) serving as a child node, and a Bayes node group serving as its own node ( 68-72).

親ノードとなる入力ノード群（６０〜６７）は、都市の気象状態データ６０に含まれている気温・湿度６１と雨・雪６２等、都市の気象モデル予測データ６３に含まれている気温・湿度６４と雨・雪６５等、スマートメータ値データに含まれているリアルタイム値６７等を有している。   The input node group (60 to 67) serving as a parent node includes the temperature / humidity 61 and the rain / snow 62 included in the urban weather condition data 60, and the temperature / temperature included in the urban weather model prediction data 63. It has a real time value 67 and the like included in the smart meter value data, such as humidity 64 and rain / snow 65.

自ノードとなるベイズノード群（６８〜７２）は、家庭での消費電気量の推定（モデル１）：大邸宅６８と、家庭での消費電気量の推定（モデル２）：中間層６９と、家庭での消費電気量の推定（モデル３）：貧困層７０と、工場７１と、ビル７２等を有している。   The Bayes node group (68 to 72) as its own node is configured to estimate the amount of electricity consumed at home (model 1): mansion 68, and the amount of electricity consumed at home (model 2): middle class 69, home Estimation of electricity consumption in the country (model 3): the poor 70, the factory 71, the building 72 and the like.

子ノードとなる出力ノード群（７３〜７７）は、住宅地・工場・ビル等で消費されている電力のナウキャスト（リアルタイム値）７３と、２日前に予測される住宅地・工場・ビル等で消費されている電力量７４と、１日前に予測される住宅地・工場・ビル等で消費されている電力量７５と、１２時間前に予測される住宅地・工場・ビル等で消費されている電力量７６と、３０分前に予測される住宅地・工場・ビル等で消費されている電力量７７とを有している。   The output node group (73 to 77) which is a child node includes a current cast 73 (real time value) of power consumed in a residential area / factory / building, and a residential area / factory / building predicted two days ago. Is consumed in residential areas, factories, buildings, etc. predicted 12 days ago, and 74 is consumed in residential areas, factories, buildings, etc. And a power amount 77 consumed in a residential area, factory, building, etc., predicted 30 minutes ago.

ベイジアンネットワーク３０（３０Ａ，３０Ｂ）を構成するこれらの各ノード（３１〜７７）は、各ノードがとり得る状３態に応じた事前確率表又は条件付確率表（ＣＰＴ：Ｃｏｎｄｉｔｉｏｎａｌ ｐｒｏｂａｂｉｌｉｔｙ ｔａｂｌｅ）を保持しており、この確率表は、ノードがとる状態が増えるごとに（例えば、観測結果が蓄積される毎に）に更新される。従って、データ蓄積によってベイジアンネットワーク３０が成長する。   Each of these nodes (31 to 77) constituting the Bayesian network 30 (30A, 30B) holds a prior probability table or a conditional probability table (CPT) according to three states that each node can take. The probability table is updated each time the state of the node increases (for example, every time observation results are accumulated). Accordingly, the Bayesian network 30 grows due to data accumulation.

図４は、ベイジアンネットワーク５４の構成をデータのインプット及びアウトプットと演算式の観点から表記したブロック図である。
データ入力部５３は、ライダー観測による風向風速データＡＦ、数値予測モデルによる予報ＡＬ、タービン出力特性ＡＲ、実際のタービン出力ＡＰ、及び都市の気象状態ＡＧ等を取得し、ベイジアンネットワーク５４に入力する。このデータ入力部５３により取得するデータは、観測値の全集合をＡ（親の無いノード）としている。 FIG. 4 is a block diagram showing the configuration of the Bayesian network 54 in terms of data input and output and arithmetic expressions.
The data input unit 53 acquires the wind direction and wind speed data A F by the lidar observation, the forecast A L by the numerical prediction model, the turbine output characteristic A R , the actual turbine output A P , the city weather condition AG, and the like, and the Bayesian network 54. In the data acquired by the data input unit 53, the entire set of observed values is A (node without parent).

ここで、ライダー観測による風向風速データＡＦとして入力されるデータには、風向および風速のデータに加えて、上昇気流発生の原因となる風の収束に関する情報が含まれていることが好ましい。この風の収束に関する情報を加えておくことで、ゲリラ豪雨や突風等の突発気象を予測できる。 Here, it is preferable that the data input as the wind direction and wind speed data AF by the lidar observation includes information on the convergence of the wind that causes the generation of the updraft in addition to the wind direction and wind speed data. By adding information about the convergence of this wind, sudden weather such as guerrilla heavy rain and gusts can be predicted.

また、各データは、地点別のデータであり、ＸＹＺの関数としてあらわされる、このため、例えばライダー観測による風向風速データＡＦであれば、その１つの要素ａＦ１は、ａ（ＸＦ１，ＹＦ１，ＺＦ１）とＸ，Ｙ，Ｚの関数で表される。なお、地点についてＸＹＺの３次元座標としているが、高さを固定する場合であれば、Ｚ座標を固定あるいは省略してＺＹの２次元座標として扱ってもよい。 Each piece of data is a point-specific data and is expressed as a function of XYZ. For this reason, for example, in the case of wind direction wind speed data A F obtained by lidar observation, one element a F1 is a (X F1 , Y F1 , ZF1 ) and X, Y, Z functions. Note that the XYZ three-dimensional coordinates are used for the points, but if the height is fixed, the Z coordinates may be fixed or omitted and handled as the ZY two-dimensional coordinates.

発生確率出力部５５は、ベイジアンネットワーク５４から算出される各ウインドファームの出力ナウキャストＢＨ、発電量予測ＢＢ、および各地区毎の使用電力量ＢＷ等の事象の発生確率を出力する。この発生確率出力部５５により出力するデータは、推定すべき量の全集合をＢ（子の無いノード）としている。 The occurrence probability output unit 55 outputs the occurrence probability of an event such as the output nowcast B H of each wind farm calculated from the Bayesian network 54, the power generation amount prediction B B , and the power consumption B W for each district. In the data output by the occurrence probability output unit 55, the total set of quantities to be estimated is B (node without children).

なお、風力発電装置５（図１参照）を海洋上に配置し、都市部の発電量を予測する場合、データ入力部５３の各要素については海洋上の地点を示す座標とし、発生確率出力部５５の各要素については都市部での地点を示す座標とすることが好ましい。これにより、発電場所と電力使用場所が異なっていても、適切に発電量および使用電力量を予測することができる。   When the wind power generator 5 (see FIG. 1) is arranged on the ocean and the power generation amount in the urban area is predicted, each element of the data input unit 53 is set to coordinates indicating a point on the ocean, and the occurrence probability output unit About each element of 55, it is preferable to set it as the coordinate which shows the point in an urban area. As a result, even if the power generation location and the power usage location are different, the power generation amount and the power usage amount can be appropriately predicted.

ベイジアンネットワーク５４は、データ入力部５３から入力された各種データ（親のないノード）から、発生確率出力部５５で発生確率を出力する対象である事象（子のないノード）に状態移行する確率を示すベイズノード群で構成されており、事後確率Ｐ（Ｙ｜Ｘ）を推定する。
このベイジアンネットワーク５４は、次に説明する条件付確率表（ＣＰＴ）を用いる。 The Bayesian network 54 indicates the probability of state transition from various data (nodes without parents) input from the data input unit 53 to an event (node without children) for which the occurrence probability is output by the occurrence probability output unit 55. The posterior probability P (Y | X) is estimated.
The Bayesian network 54 uses a conditional probability table (CPT) described below.

図５は、条件付確率表（ＣＰＴ）の構成を示す説明図である。
各ノードがとり得る状態はノード毎に適宜選択される要素であり、親ノード群ＲがＲｍ個の状態を取り得るとき、親ノードの先にある自ノードはＮｃ個の離散的状態をとる。従って、自ノードの条件的確率表は、図５に図示するように、Ｎｃ行、ＮＲ１＊ＮＲ２・・・＊ＮＲｍ列の行列で表現される（＊は乗算を示す）。
この条件付確率表では、親ノード状態が列に配置されるため、例えばライダー観測による風向風速データが観測地点毎に左から右へ並んでいき、次に数値予測モデルによる予報が予報地点毎に左から右へ並んでいくというように、入力データ５３が列方向に並んでいく。そして、行としては、自ノードが並んでいく。この自ノードは、自ノードから別の自ノードへ状態遷移することもあれば、自ノードから出力ノードへ状態遷移することもある。
この条件的確率表のそれぞれの行列要素には、条件的確率Ｐ（Ｓ＝ｓｉ｜Ｒ＝ｒｊ）が入る。
このように構成された条件付確率表は、ベイズノードが増加する毎に行方向に要素が増加していく。 FIG. 5 is an explanatory diagram showing the configuration of the conditional probability table (CPT).
The states that each node can take are elements that are appropriately selected for each node. When the parent node group R can take Rm states, the own node ahead of the parent node takes Nc discrete states. Therefore, as shown in FIG. 5, the conditional probability table of the own node is expressed by a matrix of Nc rows, N R1 * N R2 ... * N Rm columns (* indicates multiplication).
In this conditional probability table, since the parent node states are arranged in columns, for example, the wind direction and wind speed data by lidar observation are arranged from left to right for each observation point, and then the prediction by the numerical prediction model is made for each prediction point. The input data 53 is lined up in the column direction, such as lined from left to right. And as a line, the own node is lined up. The own node may make a state transition from the own node to another own node, or may make a state transition from the own node to the output node.
Each matrix element of this conditional probability table contains a conditional probability P (S = s i | R = r j ).
In the conditional probability table configured in this way, elements increase in the row direction every time the Bayes node increases.

図６は、条件付確立表（ＣＰＴ）を用いたベイズフィルタ推定を説明する説明図である。図６（Ａ）は、ベイズフィルタ推定の流れを示すフローチャートであり、図６（Ｂ）は、各ノードの状態推定法におけるベクトルを説明する説明図である。   FIG. 6 is an explanatory diagram illustrating Bayesian filter estimation using a conditional establishment table (CPT). FIG. 6A is a flowchart showing a flow of Bayesian filter estimation, and FIG. 6B is an explanatory diagram for explaining vectors in the state estimation method for each node.

図６（Ａ）に示すように、風力発電予測システム１Ａは、観測値を取得し、制御部１１（図１参照）により風向、風速、および風の安定性を算出するなど推定すべき量の結果データベースを作成しておく（ステップＳ４０１）。   As shown in FIG. 6 (A), the wind power generation prediction system 1A acquires an observed value, and calculates the wind direction, wind speed, and wind stability by the control unit 11 (see FIG. 1). A result database is created (step S401).

風力発電予測システム１Ａは、制御部１１（図１参照）により、ステップＳ４０１で新しく得られた観測値集合（Ｘ）をノードにセットする（ステップＳ４０２）。ここで、親ノードも観測値も持たないノードがでたときには、事前確率を代入しておく。また、下端のノードにも主観確率（主観によって予め定めた確率）を入れておく。   The wind power generation prediction system 1A sets the observation value set (X) newly obtained in step S401 to the node by the control unit 11 (see FIG. 1) (step S402). Here, when a node having neither a parent node nor an observation value appears, a prior probability is substituted. Also, subjectivity probability (probability predetermined by subjectivity) is also entered in the lower end node.

風力発電予測システム１Ａは、制御部１１（図１参照）により、各ノードの状態変数を順に得ていく（ステップＳ４０３）。
風力発電予測システム１Ａは、制御部１１（図１参照）により、知りたい対象Ｙの各要素の事後確率Ｐ（ｙ＿ｉ｜Ｘ）を導出する（ステップＳ４０４）。
風力発電予測システム１Ａは、制御部１１（図１参照）により、条件付確立表（ＣＰＴ）をアップデートして学習させる。ここでノード構造を変更する場合、全データベースを用いて条件付確立表（ＣＰＴ）を全て作り直す（ステップＳ４０５）。 The wind power generation prediction system 1A obtains the state variables of each node in order by the control unit 11 (see FIG. 1) (step S403).
The wind power generation prediction system 1A derives the posterior probability P (y_i | X) of each element of the target Y to be known by the control unit 11 (see FIG. 1) (step S404).
The wind power generation prediction system 1 </ b> A updates and learns the conditional establishment table (CPT) by the control unit 11 (see FIG. 1). Here, when changing the node structure, all conditional establishment tables (CPT) are recreated using all databases (step S405).

また、風力発電予測システム１Ａは、制御部１１（図１参照）により、Ｙについての事前分布から、よく一致する確率分布（ディレクトリ分布など）を得ておく（ステップＳ４０６）。   Further, in the wind power generation prediction system 1A, the control unit 11 (see FIG. 1) obtains a well-matched probability distribution (directory distribution or the like) from the prior distribution for Y (step S406).

風力発電予測システム１Ａは、制御部１１（図１参照）により、前記ステップＳ４０４で得られたＰ（ｙｉ｜Ｘ）を取得した後、すべてのｙｉの値について確率を導出し、確率分布関数に最小二乗法にてフィッティングさせる（Ｓ４０７）。   The wind power generation prediction system 1A obtains P (yi | X) obtained in step S404 by the control unit 11 (see FIG. 1), derives probabilities for all the values of yi, and creates a probability distribution function. Fitting is performed by the method of least squares (S407).

風力発電予測システム１Ａは、制御部１１（図１参照）により、再尤値を求めるべき確率として出力する（ステップＳ４０８）。   The wind power generation prediction system 1A outputs a re-likelihood value as a probability to be obtained by the control unit 11 (see FIG. 1) (step S408).

以上のフローチャートにより、条件付確立表（ＣＰＴ）を常時更新することができるとともに、再尤値を求める確率として出力できる。   According to the above flowchart, the conditional establishment table (CPT) can be constantly updated and can be output as a probability of obtaining a re-likelihood value.

なお、データ量が多くなるに従って各ノードの状態数を増やすことが可能である。また、観測が欠測であっても統計的に得られている事前確率分布を使って推定することができる。   It is possible to increase the number of states of each node as the amount of data increases. Even if the observation is missing, it can be estimated using a statistically obtained prior probability distribution.

図６（Ｂ）は、各ノードの状態推定法におけるベクトルを説明する説明図である。   FIG. 6B is an explanatory diagram illustrating vectors in the state estimation method for each node.

上流側の観測によって得たＫ個のデータ（風向分布３２、風速分布３３、風向・風速３５、気温・湿度３６、最大出力値３８、平均出力値３９、最大出力値４１、および平均出力値４２等）により、上流観測ベクトルは、Ｘｕ＝［ｘｑ１，ｘｑ２，…，ｘｑｋ］として与えられる。
上流状態ベクトルは、Ｒ＝［ｒ１，ｒ２，…，ｒＭ］として与えられる。この上流状態ベクトルは、データ入力部５３（図４参照）の各要素に対応している。
Ｓの状態数は、Ｎとする。このＳは、ベイズノード群７８（図４参照）に対応している。
下流状態ベクトルは、Ｔ＝［ｔ１，ｔ２，…，ｔＬ］として与えられる。この下流状態ベクトルは、発生確率出力部５５（図４参照）の各要素に対応している。
下流側の観測によって得られるＬ個のデータ（住宅地・工場・ビル等で消費されている電力のナウキャスト（リアルタイム値）７３、２日前に予測される住宅地・工場・ビル等で消費されている電力量７４、１日前に予測される住宅地・工場・ビル等で消費されている電力量７５、１２時間前に予測される住宅地・工場・ビル等で消費されている電力量７６、３０分前に予測される住宅地・工場・ビル等で消費されている電力量７７）として、下流観測ベクトルは、Ｘｄ＝［ｘ１，ｘ２，…，ｘｕＬ］として与えられる。 K pieces of data (wind direction distribution 32, wind speed distribution 33, wind direction / wind speed 35, temperature / humidity 36, maximum output value 38, average output value 39, maximum output value 41, and average output value 42) obtained by the upstream observation. Etc.), the upstream observation vector is given as X u = [x q1 , x q2 ,..., X qk ].
The upstream state vector is given as R = [r 1 , r 2 ,..., R M ]. This upstream state vector corresponds to each element of the data input unit 53 (see FIG. 4).
The number of states of S is N. This S corresponds to the Bayes node group 78 (see FIG. 4).
The downstream state vector is given as T = [t 1 , t 2 ,..., T L ]. This downstream state vector corresponds to each element of the occurrence probability output unit 55 (see FIG. 4).
L pieces of data obtained from observations on the downstream side (Nowcast of power consumed in residential areas / factories / buildings, etc. (real-time value) 73, consumed in residential areas / factories / buildings, etc. predicted two days ago) The amount of power consumed 74, the amount of power consumed in a residential area / factory / building, etc. predicted one day ago, the amount of power consumed in a residential area / factory / building, etc. predicted 12 hours ago 76 The downstream observation vector is given as X d = [x 1 , x 2 ,..., X uL ] as the amount of power 77) consumed in a residential area / factory / building predicted 30 minutes ago.

ここで、上流のＸｕと下流のＸｄは条件的独立であるから、次の式（数Ａ）が成立する。
［数Ａ］
Ｐ（Ｓ＝Ｓｎ）
＝Ａ・Ｐ（Ｘｕ｜Ｓ＝Ｓｎ）Ｐ（Ｓ＝Ｓｎ｜Ｘｄ）
＝Ａ・ωｕ（Ｓ＝Ｓｎ）ωｄ（Ｓ＝Ｓｎ）
※Ａは尤度を確率値に正規化する定数を示す。
ωｕ（Ｓｎ）、ωｄ（Ｓｎ）は上流と下流の観測のＳへの寄与分を示す。 Here, since the upstream of X u and the downstream Xd is conditional independence, following equation (A) is established.
[Number A]
P (S = S n )
= A · P (X u | S = S n ) P (S = S n | X d )
= A · ω u (S = S n ) ω d (S = S n )
* A indicates a constant that normalizes the likelihood to the probability value.
ω u (S n ) and ω d (S n ) indicate the contribution of upstream and downstream observations to S.

そして、ωｕ（Ｓ＝Ｓｎ）、ωｄ（Ｓ＝Ｓｎ）は、次の式（数１）,式（数２）によって計算することができる。 Then, ω u (S = S n ) and ω d (S = S n ) can be calculated by the following equations (Equation 1) and (Equation 2).

Figure 2017102760
Figure 2017102760

Figure 2017102760
この解き方として、観測値が与えられるノードはその値を導入する。最上流で観測値が与えられないノードには、事前確率を導入する。最下流で観測値が与えられないノードには、無情報として一様分布を導入する。さらに、上流や下流のノードがある場合は、再帰的に上式を適用してゆくことでネットワークのすべてのノードの状態確率が得られる。
Figure 2017102760
 As a way of solving this, a node to which an observation value is given introduces that value. Prior probabilities are introduced to the nodes where observation values are not given in the most upstream. A uniform distribution is introduced as no information to nodes that are not provided with observation values at the most downstream side. Furthermore, when there are upstream and downstream nodes, the state probabilities of all the nodes in the network can be obtained by recursively applying the above equation.

なお、矢印の向きを考えない場合にループがないネットワークは、上記の方法のみベイジングネットワークを解くことができるが、今回の実装では矢印の方向を考慮しない場合にループが発生する。従って、例えばＬｏｏｐｙＢＰ法等の手法を導入し、複結合ネットワークに対応する。   Note that a network that does not have a loop when the direction of the arrow is not considered can solve the base network only by the above method, but in this implementation, a loop occurs when the direction of the arrow is not considered. Therefore, for example, a technique such as the Loopy BP method is introduced to deal with a double bond network.

図７は、風力発電装置５の風車を設置するのに適切な設置場所を選定する風車設置場所選定処理を実行する制御部１１（図１参照）の動作を示すフローチャートである。   FIG. 7 is a flowchart showing the operation of the control unit 11 (see FIG. 1) that executes a windmill installation location selection process for selecting an appropriate installation location for installing the windmill of the wind turbine generator 5.

制御部１１は、ドップラーライダー２（図１参照）で観測できる範囲において数１０〜１００ｍ程の分解能で風速の値を得る（ステップＳ５０１）。このとき得る値は、例えば格子点毎の格子点値等とすることができる。   The control unit 11 obtains a wind speed value with a resolution of several tens to 100 m within a range that can be observed by the Doppler lidar 2 (see FIG. 1) (step S501). The value obtained at this time can be, for example, a lattice point value for each lattice point.

制御部１１は、ドップラーライダー２で観測できる範囲において数１０〜１００ｍ程の分解能で風速バリアンス値を得る（ステップＳ５０２）。このとき得る値は、例えば格子点毎の格子点値等とすることができる。   The control unit 11 obtains a wind speed variance value with a resolution of several tens to 100 m within a range that can be observed by the Doppler rider 2 (step S502). The value obtained at this time can be, for example, a lattice point value for each lattice point.

制御部１１は、取得した風速値とバリアンス値のデータセットを全点探索する（ステップＳ５０３）。   The control unit 11 searches all the data sets of the acquired wind speed value and variance value (step S503).

制御部１１は、探索結果を風速値とバリアンス値のグラフにする（ステップＳ５０４）。このとき、例えば縦軸を風速値、横軸をバリアンス値とする二次元グラフを作成し、この座標上に各格子点をプロットすることでグラフ化することができる。   The control unit 11 makes the search result a graph of the wind speed value and the variance value (step S504). At this time, for example, a two-dimensional graph in which the vertical axis represents the wind speed value and the horizontal axis represents the variance value can be created, and each lattice point can be plotted on the coordinates to be graphed.

制御部１１は、風速値が大きくバリアンス値の小さい点があるか否か判定するＵステップＳ５０５）。この判定は、例えば風速値が予め定めた所定値（風速基準値）より大きく、かつ、バリアンス値が予め定めた所定値（バリアンス基準値）より小さいものが存在するか否かとするなど、適宜の判定方法とすることができる。   The control unit 11 determines whether there is a point where the wind speed value is large and the variance value is small (Step S505). This determination may be made as appropriate, for example, by determining whether there is a wind speed value larger than a predetermined value (wind speed reference value) and a variance value smaller than a predetermined value (variance reference value). The determination method can be used.

制御部１１は、風速値が大きくバリアンス値の小さい点があれば（ステップＳ５０５：Ｙｅｓ）、この点を風車設置場所として選定する（ステップＳ５０６）。この選定の結果は、風車設置場所を示す座標（緯度、経度、高度）で出力するなど、場所を特定する情報として出力する。なお、風速値が大きくバリアンス値の小さい点が複数ある場合は、判定の基準値に対する風速値の差とバリアンス値の差を加算した値が最も大きい点を採用するなど、適宜の条件によって最も効率の良い点に定めると良い。   If there is a point where the wind speed value is large and the variance value is small (step S505: Yes), the control unit 11 selects this point as the windmill installation location (step S506). The result of this selection is output as information for specifying the location, for example, by outputting coordinates (latitude, longitude, altitude) indicating the wind turbine installation location. When there are multiple points with a large wind speed value and a small variance value, the most efficient depending on the appropriate conditions, such as adopting the point with the largest value obtained by adding the difference between the wind speed value and the variance value with respect to the judgment reference value. It is good to decide on the good points.

制御部１１は、風速値が大きくバリアンス値の小さい点がなければ（ステップＳ５０５：Ｎｏ）、設置場所候補なしとして（ステップＳ５０７）、処理を終了する。   If there is no point where the wind speed value is large and the variance value is small (step S505: No), the control unit 11 determines that there is no installation location candidate (step S507) and ends the process.

以上の構成および動作により、気象条件の変化によって発電量が変化する風力発電において、風力発電装置の発電量を精度良く予測することができる。   With the above-described configuration and operation, in the wind power generation in which the power generation amount changes due to changes in weather conditions, the power generation amount of the wind power generator can be accurately predicted.

また、極端気象を予測して風力発電の予測に役立てるため、風力発電量をより精度よく予測することができる。すなわち、強い突風が断続的に吹いた場合、従来の方法で風速の合計から発電量を算出すると、実際に発電される発電量よりも多く算出される。これは、突風等では風力発電装置が適切に作動せず、発電量が低くなること等が原因である。このような不適切な予測を極力排除し、精度を向上させることができる。   Moreover, since extreme weather is predicted and used for the prediction of wind power generation, the amount of wind power generation can be predicted more accurately. That is, when a strong gust of wind blows intermittently, if the amount of power generation is calculated from the total wind speed by the conventional method, the amount of power generation is larger than the amount of power actually generated. This is because, for example, a wind power generator does not operate properly in a gust of wind and the amount of power generation is low. Such inappropriate prediction can be eliminated as much as possible, and the accuracy can be improved.

また、地点別に風力や風向を検出し、さらに地点別に風力や風向を予測できるため、風力発電装置の風車をどこに設置すれば最も効率よく発電できるか算出することができる。   Further, since the wind power and the wind direction can be detected for each point and the wind force and the wind direction can be predicted for each point, it is possible to calculate where the wind turbine of the wind power generator can be most efficiently generated.

詳述すると、地表上における風は、様々な要素が複雑にからみあって発生している。このため、一見すれば広い海洋上であっても、位置が少し異なれば、年間を通じて発生する風速や風向が全く異なってくる。そうすると、全く同じ風力発電装置であっても、設置する位置が少し異なるだけで得られる発電力が全く異なるということにもなる。   In detail, the wind on the surface of the earth is generated by a complex entanglement of various elements. For this reason, even at a glance, even on a wide ocean, if the position is slightly different, the wind speed and direction that occur throughout the year will be completely different. If it does so, even if it is the completely same wind power generator, it will also be said that the generated electric power is completely different only by slightly different installation positions.

また、ベイジアンネットワーク５４は、ベイズノード群７８を適宜増加させて強化学習していくことができる。これにより、ベイズノードを増加させて、さらに精度を高めることができる。   Further, the Bayesian network 54 can perform reinforcement learning by appropriately increasing the Bayesian node group 78. Thereby, a Bayes node can be increased and a precision can be raised further.

このようにして、図８のシステム構成図に示すように、都市の気象状態データ６０、都市の気象モデル予測データ６３、スマートメータ値６６、実際のタービンの出力値４０等のデータをベイジアンネットワーク５４に入力し、全体の電力量や、風車毎の電力量、時間別の発電量の予想等を得ることができる。   In this manner, as shown in the system configuration diagram of FIG. 8, data such as urban weather condition data 60, urban weather model prediction data 63, smart meter value 66, actual turbine output value 40, and the like are stored in the Bayesian network 54. The total power amount, the power amount for each windmill, the prediction of the power generation amount by time, and the like can be obtained.

また、図９のシステム構成図に示すように、発電会社の発電量、電子卸市場の売買情報、顧客の希望情報等を新電力会社にて算出し、このバランスをとって電力卸売市場から不足する電力を購入し、あるいは余剰の電力を販売するといったことができる。また、再生可能エネルギーの発電量を精度よく予測でき、需要と供給のバランスが常に求められている新電力会社に発電量・需要量予測情報を提供することができて、３０分市場（即時市場）に対応することができる。また、前もって再生可能エネルギーの情報を提供することで、インバランスを最小に抑えることができる。   In addition, as shown in the system configuration diagram of FIG. 9, the new power company calculates the power generation amount of the power generation company, trading information in the electronic wholesale market, customer preference information, etc. You can purchase power to sell or sell surplus power. In addition, it can accurately predict the amount of power generated by renewable energy, and can provide information on power generation / demand forecasts to new power companies that are constantly demanding a balance between supply and demand. ). Also, imbalance can be minimized by providing information on renewable energy in advance.

また、図１０のシステム構成図に示すように、電力を卸売りする卸売市場や、発電量の実況や予測を行う電力会社は、いつ電力を買うのが良く、いつ電力を売るのが良いか悩むことがある。これに対して、発電量の通知、購入した電力量等を知らせ、電力を買うタイミングの検討等に時間をとられることを防止でき、エラーバーを３％以内に収めるといったことができる。   In addition, as shown in the system configuration diagram of FIG. 10, wholesale markets that wholesale power, and power companies that conduct actual conditions and forecasts of power generation are worried about when to buy power and when to sell power. Sometimes. On the other hand, it is possible to notify the notification of the amount of power generation, the amount of purchased power, etc., prevent taking time for studying the timing of buying power, etc., and keep the error bar within 3%.

なお、この発明は、上述した実施形態に限られず、他の様々な実施形態とすることができる。   In addition, this invention is not restricted to embodiment mentioned above, It can be set as other various embodiment.

この発明は、風の状況を予測して利用するような産業に利用することができる。   The present invention can be used in industries that predict and use wind conditions.

１…予測システム
２…ドップラーライダー
１１…制御部
１３…通信部
３１…ドップラーライダー観測データ
３４…予測データ DESCRIPTION OF SYMBOLS 1 ... Prediction system 2 ... Doppler lidar 11 ... Control part 13 ... Communication part 31 ... Doppler lidar observation data 34 ... Prediction data

Claims (6)

地点別に風向および風速を判別可能な風観測情報を取得する地点別風観測情報取得手段と、
地点別に風向および風速を判別可能な風予測情報を取得する地点別風予測情報取得手段と、
風力発電装置のタービン出力特性を取得するタービン出力特性取得手段と、
前記地点別風観測情報取得手段、前記地点別風予測情報取得手段、および前記タービン出力特性取得手段により取得した情報を親ノードとして条件付確率表を用いて処理し予測発電量を子ノードとして出力するベイジアンネットワーク処理手段とを備え、
前記ベイジアンネットワーク処理手段は、季節毎の風速安定度をノードとして用いる構成である
風力発電量予測システム。 Wind observation information acquisition means by point for acquiring wind observation information capable of discriminating wind direction and wind speed by point,
Wind prediction information acquisition means for each point for acquiring wind prediction information capable of discriminating the wind direction and wind speed for each point;
Turbine output characteristic acquisition means for acquiring turbine output characteristics of the wind turbine generator;
Information obtained by the point-specific wind observation information acquisition unit, the point-specific wind prediction information acquisition unit, and the turbine output characteristic acquisition unit is processed as a parent node using a conditional probability table, and the predicted power generation amount is output as a child node. Bayesian network processing means to
The Bayesian network processing means is a wind power generation amount prediction system configured to use wind speed stability for each season as a node. 前記ベイジアンネットワーク処理手段は、極端気象の発生確率をノードとして用いる構成である
請求項１記載の風力発電量予測システム。 The wind power generation amount prediction system according to claim 1, wherein the Bayesian network processing means uses an extreme weather occurrence probability as a node. 各地点の風速値とバリアンス値を求め、風速値が大きくバリアンス値が小さい地点を前記風力発電装置の風車の設置に最適な風車設置好適地点として出力する風車設置好適地点出力手段を備えた
請求項１または２記載の風力発電量予測システム。 A wind turbine installation preferred point output means for obtaining a wind speed value and a variance value at each point, and outputting a point having a large wind speed value and a small variance value as a wind turbine installation preferred point optimum for installation of the wind turbine of the wind turbine generator. The wind power generation amount prediction system according to 1 or 2. 前記ベイジアンネットワーク処理手段は、前記風力発電装置による予測発電量を子ノードとして用い、
予測発電量を出力する予測発電量出力手段を備えた
請求項１、２、または３記載の風力発電量予測システム。 The Bayesian network processing means uses the predicted power generation amount by the wind power generator as a child node,
The wind power generation amount prediction system according to claim 1, further comprising a predicted power generation amount output unit that outputs the predicted power generation amount. コンピュータを、
地点別に風向および風速を判別可能な風観測情報を取得する地点別風観測情報取得手段と、
地点別に風向および風速を判別可能な風予測情報を取得する地点別風予測情報取得手段と、
風力発電装置のタービン出力特性を取得するタービン出力特性取得手段と、
前記地点別風観測情報取得手段、前記地点別風予測情報取得手段、および前記タービン出力特性取得手段により取得した情報を親ノードとして条件付確率表を用いて処理し予測発電量を子ノードとして出力するベイジアンネットワーク処理手段として機能させ、
前記ベイジアンネットワーク処理手段を、季節毎の風速安定度をノードとして用いる構成である
風力発電量予測プログラム。 Computer
Wind observation information acquisition means by point for acquiring wind observation information capable of discriminating wind direction and wind speed by point,
Wind prediction information acquisition means for each point for acquiring wind prediction information capable of discriminating the wind direction and wind speed for each point;
Turbine output characteristic acquisition means for acquiring turbine output characteristics of the wind turbine generator;
Information obtained by the point-specific wind observation information acquisition unit, the point-specific wind prediction information acquisition unit, and the turbine output characteristic acquisition unit is processed as a parent node using a conditional probability table, and the predicted power generation amount is output as a child node. Function as a Bayesian network processing means
A wind power generation amount prediction program having a configuration in which the Bayesian network processing means uses wind speed stability for each season as a node. 地点別風観測情報取得手段により地点別に風向および風速を判別可能な風観測情報を取得し、
地点別風予測情報取得手段により地点別に風向および風速を判別可能な風予測情報を取得し、
タービン出力特性取得手段により風力発電装置のタービン出力特性を取得し、
前記地点別風観測情報取得手段、前記地点別風予測情報取得手段、および前記タービン出力特性取得手段により取得した情報を親ノードとして条件付確率表を用いて処理し、ベイジアンネットワーク処理手段が予測発電量を子ノードとして出力する
風力発電量予測方法。 Wind observation information that can distinguish wind direction and wind speed by point is acquired by the point-specific wind observation information acquisition means,
Wind prediction information that can distinguish the wind direction and wind speed by point is acquired by the point-specific wind prediction information acquisition means,
The turbine output characteristics of the wind turbine generator are acquired by the turbine output characteristics acquisition means,
Information acquired by the point-specific wind observation information acquisition unit, the point-by-point wind prediction information acquisition unit, and the turbine output characteristic acquisition unit is processed using a conditional probability table as a parent node, and the Bayesian network processing unit performs prediction power generation. Wind power generation amount prediction method that outputs the amount as a child node.
JP2015236170A 2015-12-02 2015-12-02 Wind power generation prediction system, wind power generation prediction program, and wind power generation prediction method Active JP7008969B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2015236170A JP7008969B2 (en) 2015-12-02 2015-12-02 Wind power generation prediction system, wind power generation prediction program, and wind power generation prediction method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2015236170A JP7008969B2 (en) 2015-12-02 2015-12-02 Wind power generation prediction system, wind power generation prediction program, and wind power generation prediction method

Publications (2)

Publication Number Publication Date
JP2017102760A true JP2017102760A (en) 2017-06-08
JP7008969B2 JP7008969B2 (en) 2022-01-25

Family

ID=59016508

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2015236170A Active JP7008969B2 (en) 2015-12-02 2015-12-02 Wind power generation prediction system, wind power generation prediction program, and wind power generation prediction method

Country Status (1)

Country Link
JP (1) JP7008969B2 (en)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665102A (en) * 2018-05-11 2018-10-16 中国船舶重工集团海装风电股份有限公司 Method based on the real-time generated energy of mesoscale data prediction wind power plant
CN110826237A (en) * 2019-11-11 2020-02-21 云南电网有限责任公司电力科学研究院 Bayesian belief network-based wind power equipment reliability analysis method and device
WO2020240696A1 (en) * 2019-05-28 2020-12-03 日揮グローバル株式会社 Operation analysis method for production plant
CN112183801A (en) * 2019-07-02 2021-01-05 中国电力科学研究院有限公司 Wind speed forecast correction method and device fusing wind power plant observation data
CN112761896A (en) * 2020-09-24 2021-05-07 国网内蒙古东部电力有限公司 Calculation method and device for improving power generation amount prediction accuracy of wind power station and computer equipment
JP7166498B1 (en) * 2022-02-10 2022-11-07 三菱電機株式会社 Wind condition learning device, wind condition prediction device, and drone system

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000145614A (en) * 1998-11-06 2000-05-26 Tohoku Electric Power Co Inc Installation position determination method for wind power generator and wind power generation amount- estimating method
JP2005228014A (en) * 2004-02-13 2005-08-25 Inter Db:Kk System for predicting number of visitor using bayesian network
US6975925B1 (en) * 2002-03-19 2005-12-13 Windlynx Systems, B.V. Forecasting an energy output of a wind farm
JP2009138523A (en) * 2007-12-03 2009-06-25 Mitsubishi Electric Corp Method of estimating output of wind power generation
JP2013177885A (en) * 2012-02-02 2013-09-09 Mitsubishi Heavy Ind Ltd Wind turbine generating device and operation control method for the same
JP2013222434A (en) * 2012-04-19 2013-10-28 Nec Corp Cache control device, cache control method, and program therefor
JP2015061511A (en) * 2013-09-19 2015-03-30 ゼネラル・エレクトリック・カンパニイ System and method for minimizing power grid spinning reserve losses by preemptively controlling power generation equipment to offset wind power generation capacity based on geospatial regional wind conditions
JP2015190866A (en) * 2014-03-28 2015-11-02 株式会社東芝 weather prediction error analysis system and weather prediction error method

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000145614A (en) * 1998-11-06 2000-05-26 Tohoku Electric Power Co Inc Installation position determination method for wind power generator and wind power generation amount- estimating method
US6975925B1 (en) * 2002-03-19 2005-12-13 Windlynx Systems, B.V. Forecasting an energy output of a wind farm
JP2005228014A (en) * 2004-02-13 2005-08-25 Inter Db:Kk System for predicting number of visitor using bayesian network
JP2009138523A (en) * 2007-12-03 2009-06-25 Mitsubishi Electric Corp Method of estimating output of wind power generation
JP2013177885A (en) * 2012-02-02 2013-09-09 Mitsubishi Heavy Ind Ltd Wind turbine generating device and operation control method for the same
JP2013222434A (en) * 2012-04-19 2013-10-28 Nec Corp Cache control device, cache control method, and program therefor
JP2015061511A (en) * 2013-09-19 2015-03-30 ゼネラル・エレクトリック・カンパニイ System and method for minimizing power grid spinning reserve losses by preemptively controlling power generation equipment to offset wind power generation capacity based on geospatial regional wind conditions
JP2015190866A (en) * 2014-03-28 2015-11-02 株式会社東芝 weather prediction error analysis system and weather prediction error method

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ランゲ マティアス, 風力発電出力の短期予測, vol. 第1版, JPN6019033619, pages 1 - 24, ISSN: 0004270431 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665102A (en) * 2018-05-11 2018-10-16 中国船舶重工集团海装风电股份有限公司 Method based on the real-time generated energy of mesoscale data prediction wind power plant
CN108665102B (en) * 2018-05-11 2022-08-05 中国船舶重工集团海装风电股份有限公司 Method for predicting real-time power generation capacity of wind power plant based on mesoscale data
WO2020240696A1 (en) * 2019-05-28 2020-12-03 日揮グローバル株式会社 Operation analysis method for production plant
CN112183801A (en) * 2019-07-02 2021-01-05 中国电力科学研究院有限公司 Wind speed forecast correction method and device fusing wind power plant observation data
CN110826237A (en) * 2019-11-11 2020-02-21 云南电网有限责任公司电力科学研究院 Bayesian belief network-based wind power equipment reliability analysis method and device
CN110826237B (en) * 2019-11-11 2024-01-23 云南电网有限责任公司电力科学研究院 Wind power equipment reliability analysis method and device based on Bayesian belief network
CN112761896A (en) * 2020-09-24 2021-05-07 国网内蒙古东部电力有限公司 Calculation method and device for improving power generation amount prediction accuracy of wind power station and computer equipment
CN112761896B (en) * 2020-09-24 2024-05-14 国网内蒙古东部电力有限公司 Calculation method, device and computer equipment for improving prediction accuracy of power generation amount of wind power station
JP7166498B1 (en) * 2022-02-10 2022-11-07 三菱電機株式会社 Wind condition learning device, wind condition prediction device, and drone system
WO2023152862A1 (en) * 2022-02-10 2023-08-17 三菱電機株式会社 Wind condition learning device, wind condition predicting device, and drone system

Also Published As

Publication number Publication date
JP7008969B2 (en) 2022-01-25

Similar Documents

Publication Publication Date Title
JP7008969B2 (en) Wind power generation prediction system, wind power generation prediction program, and wind power generation prediction method
Orwig et al. Recent trends in variable generation forecasting and its value to the power system
JP4886322B2 (en) Wind power generation output prediction method, wind power generation output prediction apparatus, and program
Balluff et al. Short term wind and energy prediction for offshore wind farms using neural networks
Zambrano et al. Solar irradiance forecasting models without on-site training measurements
US20170317495A1 (en) Forecasting net load in a distributed utility grid
US20140278107A1 (en) Methods and systems for real-time solar forecasting incorporating a ground network
Thorarinsdottir et al. Probabilistic wind gust forecasting using nonhomogeneous Gaussian regression
WO2015182142A1 (en) Weather forecasting system
JP7210338B2 (en) Prediction device, prediction method and computer program
JP2013108462A (en) System and program for predicting wind power generated electricity
Iversen et al. Leveraging stochastic differential equations for probabilistic forecasting of wind power using a dynamic power curve
JP2013164286A (en) Solar radiation amount prediction method, photovoltaic power generation output prediction method and system
US20220043180A1 (en) Method and system of real-time simulation and forecasting in a fully-integrated hydrologic environment
KR20210081492A (en) Method for providing ultra low altitude wind prediction information
Haupt et al. Wind power forecasting
Christidis et al. The use of geographic information systems in wind turbine and wind energy research
Giebel et al. Using ensemble forecasting for wind power
Babu et al. A review on energy forecasting algorithms crucial for energy industry development and policy design
Larsen et al. Joint modelling of wind power and hydro inflow for power system scheduling
Ganesan et al. Assessment of wind energy potential using topographical and meteorological data of a site in Central India (Bhopal)
Murugan et al. Prototype Implementation of neural networks based agricultural farm monitoring and rain prediction
Moore et al. Weather radar for flood forecasting: some UK experiences
Leicester et al. Probabilistic evaluation of solar photovoltaic systems using Bayesian networks: a discounted cash flow assessment
Li et al. Probabilistic forecasting of aggregated generation for regional wind farms with geographical dynamic model

Legal Events

Date Code Title Description
RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20180711

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20181030

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20190816

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190903

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20191101

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20191223

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20200602

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20200902

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20200902

C22 Notice of designation (change) of administrative judge

Free format text: JAPANESE INTERMEDIATE CODE: C22

Effective date: 20210406

C22 Notice of designation (change) of administrative judge

Free format text: JAPANESE INTERMEDIATE CODE: C22

Effective date: 20211005

C23 Notice of termination of proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C23

Effective date: 20211102

C03 Trial/appeal decision taken

Free format text: JAPANESE INTERMEDIATE CODE: C03

Effective date: 20211207

C30A Notification sent

Free format text: JAPANESE INTERMEDIATE CODE: C3012

Effective date: 20211207

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220104

R150 Certificate of patent or registration of utility model

Ref document number: 7008969

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350