JP2020123198A - Forecast system and forecast method - Google Patents

Forecast system and forecast method Download PDF

Info

Publication number
JP2020123198A
JP2020123198A JP2019015335A JP2019015335A JP2020123198A JP 2020123198 A JP2020123198 A JP 2020123198A JP 2019015335 A JP2019015335 A JP 2019015335A JP 2019015335 A JP2019015335 A JP 2019015335A JP 2020123198 A JP2020123198 A JP 2020123198A
Authority
JP
Japan
Prior art keywords
coefficient
predetermined
value
estimated
prediction
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
JP2019015335A
Other languages
Japanese (ja)
Other versions
JP7342369B2 (en
Inventor
清次 河内
Seiji Kawachi
清次 河内
玄洋 三川
Genyo Mikawa
玄洋 三川
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.)
Chugoku Electric Power Co Inc
Original Assignee
Chugoku Electric Power Co Inc
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 Chugoku Electric Power Co Inc filed Critical Chugoku Electric Power Co Inc
Priority to JP2019015335A priority Critical patent/JP7342369B2/en
Publication of JP2020123198A publication Critical patent/JP2020123198A/en
Application granted granted Critical
Publication of JP7342369B2 publication Critical patent/JP7342369B2/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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

To provide a forecast system and a forecast method that reduce an error between an estimated value and a measured value, thus improving the forecast accuracy.SOLUTION: An electrical power forecast system comprises: a coefficient output unit for outputting a coefficient indicating an error between an estimated value obtained by performing an estimation by a predetermined estimation method based on one or more predetermined parameters and an actual value corresponding to the estimated value; and a forecast unit for inputting a predetermined parameter for a predetermined period in a neural network that has learned based on at least one parameter of the predetermined parameters to output a post-learning coefficent, and calculating a forecast value for a forecast day based on the output post-learning coefficient and an estimated value for the forecast day obtained by performing an estimation by the predetermined estimation method.SELECTED DRAWING: Figure 2

Description

本発明は、予測システム、予測方法に関する。 The present invention relates to a prediction system and a prediction method.

例えば、予測対象の太陽光発電装置の周辺に設置されている太陽光発電装置の発電量の変動に基づいて、予測対象の太陽光発電装置の発電量を予測する発電量予測システムが知られている（例えば特許文献１）。 For example, there is known a power generation amount prediction system that predicts the power generation amount of the prediction target solar power generation device based on the fluctuation of the power generation amount of the solar power generation device installed around the prediction target solar power generation device. (For example, Patent Document 1).

特開第２０１３−５１３２６号公報JP, 2013-51326, A

特許文献１に開示された発電量予測システムは、予測対象の太陽光発電装置における発電量の変動状況を示す予測対象変動パターンと、予測対象の太陽光発電装置の周辺の地点に設置された太陽光発電装置における発電量の変動状況を示す周辺変動パターンと、を照合することにより、予測対象の太陽光発電装置における将来の発電量を予測する。この発電量予測システムによれば、風に流される雲の影響を考慮して太陽光発電装置の発電量を予測することはできるが、設備劣化や気象条件などによる誤差要因を考慮していないため、正確に発電量の予測をすることができない虞があった。 The power generation amount prediction system disclosed in Patent Document 1 includes a prediction target fluctuation pattern indicating a fluctuation state of power generation amount in a prediction target solar power generation device, and a sun installed at a point around the prediction target solar power generation device. The future power generation amount in the prediction target solar power generation device is predicted by collating with the peripheral fluctuation pattern indicating the fluctuation state of the power generation amount in the photovoltaic power generation device. According to this power generation amount prediction system, it is possible to predict the power generation amount of the photovoltaic power generation device in consideration of the influence of clouds that flow in the wind, but error factors due to equipment deterioration and weather conditions are not considered. However, there is a possibility that the power generation amount cannot be accurately predicted.

前述した課題を解決する主たる本発明は、一以上の所定のパラメータに基づき所定の推定方法で推定した推定値と、前記推定値に対応する実績値と、の誤差を示す係数を出力する係数出力部と、前記所定のパラメータのうち少なくとも一以上のパラメータに基づき学習がなされたニューラルネットワークに、所定の期間における前記所定のパラメータを入力して、学習後の前記係数を出力し、出力された学習後の前記係数と、予測日の前記所定の推定方法で推定した推定値と、に基づいて、前記予測日における予測値を算出する予測部と、を備える。
本発明の他の特徴については、添付図面および本明細書の記載により明らかとなる。 The main invention for solving the above-mentioned problem is a coefficient output for outputting a coefficient indicating an error between an estimated value estimated by a predetermined estimation method based on one or more predetermined parameters and an actual value corresponding to the estimated value. Part, and the neural network trained based on at least one or more of the predetermined parameters, inputs the predetermined parameter in a predetermined period, outputs the coefficient after learning, and outputs the learning A prediction unit that calculates a predicted value on the predicted date based on the coefficient afterwards and an estimated value estimated by the predetermined estimation method on the predicted date.
Other features of the present invention will be apparent from the accompanying drawings and the description of the present specification.

本発明によれば、推定値と実測値との誤差を縮小することができるため、予測精度が向上する。 According to the present invention, the error between the estimated value and the actually measured value can be reduced, so that the prediction accuracy is improved.

電力システムの構成の一例を示す図である。It is a figure which shows an example of a structure of an electric power system. 電力予測システムの構成の一例を示す図である。It is a figure which shows an example of a structure of a power prediction system. 過去ＤＢの一例を示すテーブルである。It is a table which shows an example of past DB. 設備ＤＢの一例を示すテーブルである。It is a table which shows an example of equipment DB. 係数ＤＢの一例を示すテーブルである。It is a table which shows an example of coefficient DB. 予測ＤＢの一例を示すテーブルである。It is a table which shows an example of a prediction DB. ニューラルネットワークを示す概念図である。It is a conceptual diagram which shows a neural network. 予測日を予測する処理の一例を示すフローチャートである。It is a flowchart which shows an example of the process which estimates a prediction date. 積雪係数の一例を示すグラフである。It is a graph which shows an example of a snow cover coefficient.

本明細書および添付図面の記載により、少なくとも以下の事項が明らかとなる。以下の説明において、同一符号を付した部分は同一の要素を表し、その基本的な構成および動作は同様であるものとする。 At least the following matters will be made clear by the description in the present specification and the accompanying drawings. In the following description, parts denoted by the same reference numerals represent the same elements, and the basic configurations and operations are the same.

＝＝＝電力システム１＝＝＝
図１は、電力システム１の構成の一例を示す図である。電力システム１は、図１に示すように、電力設備１００、気象観測計２００、電力予測システム１０を含んで構成されている。それぞれの構成要素は、ネットワーク４００を介して接続されている。 ===Power System 1===
FIG. 1 is a diagram illustrating an example of the configuration of the power system 1. As shown in FIG. 1, the power system 1 includes a power facility 100, a meteorological observation device 200, and a power prediction system 10. Each component is connected via the network 400.

電力設備１００は、例えば送配電設備や発電設備である。以下では、電力設備１００を太陽光発電設備として説明する。太陽光発電設備は、ネットワーク４００を介して電力に関する各種情報を電力予測システム１０に送信する。 The power facility 100 is, for example, a power transmission/distribution facility or a power generation facility. Below, the electric power equipment 100 is demonstrated as a solar power generation equipment. The solar power generation facility transmits various types of information regarding power to the power prediction system 10 via the network 400.

気象観測計２００は、気象に関する計測機器であり、例えば日射量計、気温計、風速計を含む。気象観測計２００は、電力予測システム１０に、例えば、日射量を示す日射量情報、気温、風速を示す気温情報を送信する。なお、電力設備１００が例えば風力発電設備である場合、気象観測計２００に風向の計測が含まれていてもよい。気象観測計２００は、電力予測システム１０に対して、ネットワーク４００を介してデジタル信号で各種情報を出力するものであってもよいし、直接アナログ信号で出力するものであってもよい。 The meteorological observation instrument 200 is a measuring instrument related to meteorology and includes, for example, a pyranometer, a thermometer, and an anemometer. The meteorological observation instrument 200 transmits, to the power prediction system 10, for example, solar radiation amount information indicating the solar radiation amount, temperature, and temperature information indicating the wind speed. When the power equipment 100 is, for example, a wind power generation equipment, the meteorological observation instrument 200 may include measurement of the wind direction. The meteorological observation instrument 200 may output various information to the power prediction system 10 as a digital signal via the network 400, or may output directly as an analog signal.

電力予測システム１０は、電力に関する推定値と実績値との差を示す係数（調整係数）に基づいて、将来における太陽光発電設備の発電出力を予測するシステムである。電力予測システム１０は、気象観測計２００から、日射量情報、気温情報、風速情報など、係数を算出するための情報を取得する。なお、電力予測システム１０が、日射量情報、風速情報、気象情報を、ネットワーク４００を介して気象庁データベース３００から取得するように構成されていてもよい。 The power prediction system 10 is a system that predicts a power generation output of a photovoltaic power generation facility in the future based on a coefficient (adjustment coefficient) indicating a difference between an estimated value and an actual value related to power. The power prediction system 10 acquires information for calculating coefficients such as solar radiation amount information, temperature information, and wind speed information from the meteorological observation device 200. The power prediction system 10 may be configured to obtain the solar radiation amount information, the wind speed information, and the weather information from the JMA database 300 via the network 400.

将来における太陽光発電設備１００の発電出力を推定する手法として、気象データ、パネル容量に基づいて推定することが考えられる。しかし、この手法では、気象データが発電出力の計算に影響を及ぼす度合を精度良く定めることが難しいこと、また、パネル容量の大きさに対してパワーコンディショナ容量が小さいことにより生じる過積載やパネルの劣化による発電出力の低下が考慮されていないことなどに起因して、発電出力の推定精度が低下する虞があった。 As a method of estimating the power generation output of the photovoltaic power generation facility 100 in the future, it is possible to estimate based on weather data and panel capacity. However, with this method, it is difficult to accurately determine the degree to which the meteorological data influences the calculation of power generation output, and the overloading and the panel load caused by the small capacity of the inverter to the size of the panel capacity. Due to the fact that the decrease in the power generation output due to the deterioration of is not taken into consideration, the estimation accuracy of the power generation output may decrease.

これに対して、本実施形態の電力予測システム１０では、発電出力の推定値とその推定値に対応する実績値との誤差を抑制するための係数を該推定値に掛けることにより、発電出力の正確な予測を可能とする。この電力予測システム１０について、以下詳細に説明する。 On the other hand, in the power prediction system 10 of the present embodiment, by multiplying the estimated value by a coefficient for suppressing an error between the estimated value of the generated output and the actual value corresponding to the estimated value, Enables accurate prediction. The power prediction system 10 will be described in detail below.

＝＝＝電力予測システム１０＝＝＝
図２は、電力予測システム１０の構成例を示す。図２に示すように、電力予測システム１０は、入力部１１、制御部１２、記憶部１３及び通信部１４を備えている。 ===Power Prediction System 10===
FIG. 2 shows a configuration example of the power prediction system 10. As shown in FIG. 2, the power prediction system 10 includes an input unit 11, a control unit 12, a storage unit 13, and a communication unit 14.

入力部１１は、電力予測システム１０に対する各種入力を受信する。 The input unit 11 receives various inputs to the power prediction system 10.

制御部１２は、ＣＰＵやＭＰＵなどの演算処理部１２１及びＲＡＭなどのメモリを備えている。演算処理部１２１は、各種入力に基づき、記憶部１３に記憶されているプログラムを実行することで、各種機能部を動作させるものである。このプログラムは、ＣＤＲＯＭなどの記録媒体に記憶され、あるいは、ネットワーク４００を介して配布され、コンピュータにインストールされるものであってもよい。メモリは、電力予測システム１０用プログラムにおいて処理の実行中、演算などに必要な各種情報を、一時的に記憶するためのものである。 The control unit 12 includes an arithmetic processing unit 121 such as a CPU or MPU and a memory such as a RAM. The arithmetic processing unit 121 operates various functional units by executing a program stored in the storage unit 13 based on various inputs. This program may be stored in a recording medium such as a CDROM or distributed via the network 400 and installed in a computer. The memory is for temporarily storing various kinds of information necessary for calculation during execution of processing in the power prediction system 10 program.

記憶部１３は、ハードディスクなどの記憶装置によって構成され、制御部１２における処理の実行に必要な各種プログラムや、各種プログラムの実行に必要なデータなどを記録しておくものである。本実施形態では、記憶部１３は、過去データベース（ＤＢ）１３１、設備ＤＢ１３２、係数ＤＢ１３３、予測ＤＢ１３４を有していることが望ましい。なお、一例として各ＤＢをリレーショナル型データベースで示す。 The storage unit 13 is configured by a storage device such as a hard disk, and stores various programs necessary for execution of processing in the control unit 12, data necessary for execution of various programs, and the like. In the present embodiment, it is desirable that the storage unit 13 has a past database (DB) 131, a facility DB 132, a coefficient DB 133, and a prediction DB 134. Note that each DB is shown as a relational database as an example.

過去ＤＢ１３１には、発電出力の推定値を算出するための過去の実績に関する情報が登録されている。図３に示すように、例えば、過去ＤＢ１３１は、「日時」、「地点」、「日射量」、「気温」、「風速」、「発電出力」、「推定値」を示すフィールドを有している。 In the past DB 131, information on past achievements for calculating the estimated value of the power generation output is registered. As shown in FIG. 3, for example, the past DB 131 has fields indicating “date and time”, “point”, “solar radiation amount”, “temperature”, “wind speed”, “power generation output”, and “estimated value”. There is.

設備ＤＢ１３２には、発電出力の推定値を算出するための太陽光発電設備１００に関する情報が登録されている。図４に示すように、例えば、設備ＤＢ１３２は、「地点」、「傾斜角度」、「設置方位角度」、太陽光発電設備１００の「種別」、太陽光発電設備１００の「パネル容量」、パワーコンディショナの容量を示す「パワコン容量」、経時変化や損失等を考慮するため設備種別等に応じて汎用的に使用される固定の係数（以下，「固定係数」）を示すフィールドを有している。 Information on the photovoltaic power generation facility 100 for calculating the estimated value of the power generation output is registered in the facility DB 132. As shown in FIG. 4, for example, the facility DB 132 stores “point”, “tilt angle”, “installation azimuth angle”, “type” of the photovoltaic power generation facility 100, “panel capacity” of the photovoltaic power generation facility 100, and power. It has a field that shows the "power conditioner capacity" that indicates the capacity of the conditioner, and a fixed coefficient (hereinafter, "fixed coefficient") that is generally used according to the type of equipment, etc. to consider changes over time and loss. There is.

係数ＤＢ１３３には、推定値と実績値との誤差を示す調整係数が登録されている。図５に示すように、例えば、係数ＤＢ１３３は、「時点」、「実績値」、「推定値」、「調整係数」を示すフィールドを有している。 In the coefficient DB 133, an adjustment coefficient indicating an error between the estimated value and the actual value is registered. As illustrated in FIG. 5, for example, the coefficient DB 133 has fields indicating “time point”, “actual value”, “estimated value”, and “adjustment coefficient”.

予測ＤＢ１３４には、推定値から予測値を算出するための補正後の調整係数が登録されている。図６に示すように、例えば、予測ＤＢ１３４は、「予測時点」、「推定値」、「補正後の調整係数」、「予測値」を示すフィールドを有している。 In the prediction DB 134, the adjusted adjustment coefficient for calculating the predicted value from the estimated value is registered. As illustrated in FIG. 6, for example, the prediction DB 134 has fields indicating “prediction time”, “estimated value”, “correction adjustment coefficient”, and “prediction value”.

通信部１４は、電力予測システム１０を専用回線ＶＰＮまたはネットワーク４００に接続するための通信インタフェースを有する。通信部１４は、例えば、ＬＡＮカード、アナログモデム、ＩＳＤＮモデムなどであり、これらをシステムバス等の伝送路を介して処理部と接続するためのインタフェースである。 The communication unit 14 has a communication interface for connecting the power prediction system 10 to the private line VPN or the network 400. The communication unit 14 is, for example, a LAN card, an analog modem, an ISDN modem, or the like, and is an interface for connecting these to the processing unit via a transmission path such as a system bus.

演算処理部１２１は、図２に示すように、機能部として、受付部１２１ａ、推定部１２１ｂ、係数算出部１２１ｃ、学習部１２１ｄ、再学習部１２１ｅ、予測部１２１ｆを備えている。 As shown in FIG. 2, the arithmetic processing unit 121 includes a reception unit 121a, an estimation unit 121b, a coefficient calculation unit 121c, a learning unit 121d, a re-learning unit 121e, and a prediction unit 121f as functional units.

本実施形態においては、後述するように、太陽光発電設備１００の発電出力を算出するための傾斜面日射量、気温、風速（所定のパラメータ）と、これらに対応する調整係数とに基づいて機械学習を用いて予測値を算出する。ここで、機械学習には、教師あり学習、教師なし学習、強化学習があり、いずれを用いて予測値を算出してもよいが、本実施形態においては、一例としてニューラルネットワークを用いた教師あり学習による予測値の算出について以下説明する。 In the present embodiment, as will be described later, the machine based on the slope solar radiation amount, the temperature, the wind speed (predetermined parameter) for calculating the power generation output of the photovoltaic power generation facility 100, and the adjustment coefficient corresponding to these Calculate the predicted value using learning. Here, machine learning includes supervised learning, unsupervised learning, and reinforcement learning, and the prediction value may be calculated using any of them. However, in the present embodiment, as an example, there is a supervised learning using a neural network. The calculation of the predicted value by learning will be described below.

受付部１２１ａは、受信した各種データを過去ＤＢ１３１に登録する機能部である。 The reception unit 121a is a functional unit that registers various received data in the past DB 131.

推定部１２１ｂは、過去ＤＢ１３１に登録されている気象観測データに基づいて、太陽光発電設備１００の発電出力の推定値を算出する機能部である。具体的には、推定部１２１ｂは、例えば、太陽光発電設備１００の、過去の所定の時間における日射量、気温、風速、パネル容量、システム出力係数に基づいて、発電出力の推定値を算出する。発電出力推定値の推定方法は、特に限定されず、一例として以下の式（１）〜（４）を用いて推定する手法が考えられる。 The estimation unit 121b is a functional unit that calculates an estimated value of the power generation output of the photovoltaic power generation facility 100 based on the weather observation data registered in the past DB 131. Specifically, the estimation unit 121b calculates the estimated value of the power generation output, for example, based on the amount of solar radiation, the temperature, the wind speed, the panel capacity, and the system output coefficient of the photovoltaic power generation facility 100 at a predetermined time in the past. .. The method of estimating the power generation output estimated value is not particularly limited, and a method of estimating using the following formulas (1) to (4) can be considered as an example.

Ｔｐａ＝Ｔａ＋（Ａ／（Ｂ×Ｖ０．８＋１）＋２）×Ｇａ−２ ・・・（１）
（Ｔｐａ：太陽電池パネル温度（℃），Ｔａ：外気温度（℃），Ａ：係数（例えば屋根置き型「５０」），Ｂ：係数（例えば屋根置き型「０．３８」），Ｖ：風速（ｍ／ｓ），Ｇａ：傾斜面日射量（ｋＷ／ｍ２）） Tpa=Ta+(A/(B* V0.8 +1)+2)*Ga-2...(1)
(Tpa: solar cell panel temperature (°C), Ta: outside air temperature (°C), A: coefficient (for example, roof-mounted type "50"), B: coefficient (for example, roof-mounted type "0.38"), V: wind speed (M/s), Ga: amount of solar radiation on the inclined surface (kW/m 2 ))

Ｋｐｔ＝１＋αｍａｘ×（Ｔｐａ−２５）・・・（２）
（Ｋｐｔ：温度補正係数，αｍａｘ：最大出力温度係数（１／℃），Ｔｐａ：太陽電池パネル温度（℃）） Kpt=1+αmax×(Tpa-25) (2)
(Kpt: temperature correction coefficient, αmax: maximum output temperature coefficient (1/°C), Tpa: solar cell panel temperature (°C))

システム出力係数＝Ｋｌｏｓｓ × Ｋｐｔ ・・・（３）
（Ｋｌｏｓｓ：経時変化（汚れ，劣化），配線抵抗損失，インバータ損失等を考慮するため設備種別等に応じて汎用的に使用される固定の係数，Ｋｐｔ：温度補正係数） System output coefficient=Kloss×Kpt (3)
(Kloss: a fixed coefficient that is generally used according to the type of equipment to consider changes over time (dirt, deterioration), wiring resistance loss, inverter loss, etc., Kpt: temperature correction coefficient)

推定値（Ｐｗ）＝傾斜面日射量（Ｇａ）×システム出力係数×パネル容量・・・（４） Estimated value (Pw) = amount of solar radiation on inclined surface (Ga) x system output coefficient x panel capacity (4)

係数算出部１２１ｃは、所定の時間における、太陽光発電設備１００の発電出力の推定値と、実際に発電した発電出力の実績値と、の誤差を示す調整係数を算出する機能部である。係数算出部１２１ｃで算出される調整係数は、例えば実績値を推定値で除したものであり、システム出力係数の低精度、パネルの過積載などによる推定値の精度の低下を解消するための係数である。係数算出部１２１ｃは、調整係数を係数ＤＢ１３３に登録する。 The coefficient calculation unit 121c is a functional unit that calculates an adjustment coefficient indicating an error between the estimated value of the power generation output of the photovoltaic power generation facility 100 and the actual value of the power generation output actually generated at a predetermined time. The adjustment coefficient calculated by the coefficient calculation unit 121c is, for example, the actual value divided by the estimated value, and is a coefficient for eliminating the low accuracy of the system output coefficient and the reduction of the accuracy of the estimated value due to overloading of the panel. Is. The coefficient calculation unit 121c registers the adjustment coefficient in the coefficient DB 133.

係数算出部１２１ｃは、過去ＤＢ１３１から所定の期間における実績値および推定値を取得し、取得した実績値および推定値のうち、パワーコンディショナ容量に所定の係数を掛けた閾値よりも大きいものを抽出する。所定の係数は、例えば太陽光発電設備（パネル）の定格出力に対する、その出力下限を示す割合である。そして、係数算出部１２１ｃは、抽出された実績値および推定値に対応する調整係数を係数ＤＢ１３３から抽出する。このように、発電出力が小さい日の実績値および推定値を除外することにより、太陽光発電設備１００の推定値の誤差が問題となってくる発電出力レベル以上の運転状態での実績値および推定値に基づいて調整係数を算出できるため、予測精度を向上できる。 The coefficient calculation unit 121c acquires the actual value and the estimated value in the predetermined period from the past DB 131, and extracts the acquired actual value and the estimated value that are larger than the threshold value obtained by multiplying the power conditioner capacity by the predetermined coefficient. To do. The predetermined coefficient is, for example, a ratio indicating the output lower limit of the rated output of the photovoltaic power generation facility (panel). Then, the coefficient calculation unit 121c extracts the adjustment coefficient corresponding to the extracted actual value and estimated value from the coefficient DB 133. As described above, by excluding the actual value and the estimated value on the day when the power generation output is small, the actual value and the estimated value in the operating state of the power generation output level or higher at which the error of the estimated value of the photovoltaic power generation facility 100 becomes a problem. Since the adjustment coefficient can be calculated based on the value, the prediction accuracy can be improved.

学習部１２１ｄは、ニューラルネットワークを学習させる機能部である。この学習は、入力データとラベルのペアである訓練データを用いる、教師あり学習である。教師あり学習は、所定の入力データに対する特定の結果を予測するときに用いられる。本実施形態では、例えば、入力データが傾斜面日射量、気温、風速、日時であり、ラベルは入力データに対応する発電出力の実績値を推定値で除した調整係数である。 The learning unit 121d is a functional unit that learns a neural network. This learning is supervised learning that uses training data that is a pair of input data and a label. Supervised learning is used to predict a particular outcome for given input data. In the present embodiment, for example, the input data is the amount of solar radiation on the inclined surface, the temperature, the wind speed, and the date and time, and the label is the adjustment coefficient obtained by dividing the actual value of the power generation output corresponding to the input data by the estimated value.

本実施形態では、ニューラルネットワークを隠れ層が一層の多層パーセプトロンとして説明するが、隠れ層が複数層あるものでもよく、単純パーセプトロンであってもよい。以下、隠れ層が一層の多層パーセプトロンのニューラルネットワークについて説明する。 In this embodiment, the neural network is described as a multi-layer perceptron having one hidden layer, but it may be one having a plurality of hidden layers or a simple perceptron. A multilayer perceptron neural network having one hidden layer will be described below.

図７は、ニューラルネットワークを示す概念図である。図７に示すように、ノード０１〜０４は入力データ（入力特徴量）を示す。ノード０１〜０４とノード１１，１２，１３とを接続する線は学習された係数（以下、「学習係数」と称する。）（重み）を示す。このノード１１，１２，１３はいわゆる隠れ層である。同様に、ノード１１，１２，１３とノード２１とを接続する線は学習された学習係数（重み）を示す。ノード２１は出力データを示す。出力データは、入力データに対する学習係数（重み）付きの和となる。 FIG. 7 is a conceptual diagram showing a neural network. As shown in FIG. 7, the nodes 01 to 04 indicate input data (input feature amount). A line connecting the nodes 01 to 04 and the nodes 11, 12, and 13 indicates a learned coefficient (hereinafter, referred to as “learning coefficient”) (weight). The nodes 11, 12 and 13 are so-called hidden layers. Similarly, the line connecting the nodes 11, 12, 13 and the node 21 indicates the learned learning coefficient (weight). The node 21 shows output data. The output data is the sum of the input data and the learning coefficient (weight).

学習部１２１ｄは、入力データ、ラベルをニューラルネットワークに与え、ラベルと出力データとの誤差が縮小するように学習係数を変更する。このように、学習部１２１ｄは、訓練データの特徴をニューラルネットワークに学習させ、入力データから最適な調整係数を出力するニューラルネットワーク（以下、「学習済みモデル」と称する。）を帰納的に取得する。 The learning unit 121d gives the input data and the label to the neural network, and changes the learning coefficient so that the error between the label and the output data is reduced. As described above, the learning unit 121d causes the neural network to learn the characteristics of the training data and recursively acquires the neural network that outputs the optimum adjustment coefficient from the input data (hereinafter, referred to as “learned model”). ..

ここで、各層間を伝搬する電気信号を調整する活性化関数は、任意の実数を非線形に変換することができる関数であればよい。例えば、活性化関数は、ハイパボリックタンジェント関数、ＲｅＬＵ関数などである。 Here, the activation function for adjusting the electric signal propagating between the layers may be any function that can convert any real number into a non-linear form. For example, the activation function is a hyperbolic tangent function, a ReLU function, or the like.

学習部１２１ｄは、その時点までの教師あり学習により構築した学習済みモデルを、記憶部に登録する。これにより、後述する再学習部１２１ｅは、学習済みモデルを取得して、ファインチューニングを実行できる。 The learning unit 121d registers, in the storage unit, the learned model constructed by the supervised learning up to that point. Thereby, the re-learning unit 121e described later can acquire the learned model and execute the fine tuning.

再学習部１２１ｅは、学習済みモデルの学習係数を用いてファインチューニングする機能部である。本実施形態においては、学習部１２１ｄで学習する訓練データが例えば一年間のデータであるのに対して、再学習部１２１ｅで学習する訓練データは例えば予測日の直近過去二週間である。このように予測日と同様の気象条件である直近過去の訓練データで再学習させることにより、一年間分の訓練データだけで学習モデルを生成することに比べて予測精度が向上する。 The re-learning unit 121e is a functional unit that performs fine tuning using the learning coefficient of the learned model. In the present embodiment, the training data learned by the learning unit 121d is, for example, data for one year, whereas the training data learned by the re-learning unit 121e is, for example, the latest two weeks immediately before the predicted date. In this way, re-learning with the training data of the latest past, which is the same weather condition as the prediction date, improves the prediction accuracy as compared with the case where the learning model is generated only with the training data for one year.

予測部１２１ｆは、学習済みモデルに、所定の期間における傾斜面日射量、気温、風速を入力して、学習後の調整係数を出力し、学習後の調整係数が所定の条件を満たしている場合は、予測日の推定値に学習後の調整係数を掛けて予測値を算出する機能部である。ここで、所定の条件とは、所定の上限閾値と所定の下限閾値との間に収まっていることをいう。このような一定の範囲に収まる学習後の調整係数を用いることにより、異常値を排除できるため、予測精度を向上できる。 The predicting unit 121f inputs the amount of solar radiation on the inclined surface, the air temperature, and the wind speed in a predetermined period into the learned model, outputs the adjustment coefficient after learning, and when the adjustment coefficient after learning satisfies the predetermined condition. Is a functional unit that calculates the predicted value by multiplying the estimated value on the predicted date by the adjustment coefficient after learning. Here, the predetermined condition means that the predetermined condition falls between a predetermined upper limit threshold value and a predetermined lower limit threshold value. By using the adjustment coefficient after learning that falls within such a fixed range, the abnormal value can be eliminated, and thus the prediction accuracy can be improved.

予測部１２１ｆは、学習後の調整係数が所定の条件を満たしていない場合は、学習後の調整係数を上限閾値と下限閾値との間に収まるようにさらに補正する。学習後の調整係数の補正は、例えば、学習後の調整係数を上限閾値または下限閾値に補正することや、上限閾値と下限閾値の中間値に補正することである。 If the adjustment coefficient after learning does not satisfy the predetermined condition, the prediction unit 121f further corrects the adjustment coefficient after learning so as to fall between the upper threshold and the lower threshold. Correction of the adjustment coefficient after learning is, for example, correction of the adjustment coefficient after learning to the upper limit threshold value or the lower limit threshold value, or to an intermediate value between the upper limit threshold value and the lower limit threshold value.

＝＝＝電力予測システム１０の動作＝＝＝
図８は、電力予測システム１０の処理の一例を示すフローである。図８を参照しつつ、電力予測システム１０が太陽光発電設備の発電出力の予測値を算出する処理について説明する。 === Operation of Power Prediction System 10 ===
FIG. 8 is a flow showing an example of processing of the power prediction system 10. A process in which the power prediction system 10 calculates a predicted value of the power generation output of the photovoltaic power generation facility will be described with reference to FIG. 8.

まず、電力予測システム１０の受付部１２１ａは、気象観測計２００で観測した各種気象データを予め取得し（Ｓ１０）、過去ＤＢ１３１に実績値を登録する（Ｓ１１）。また、電力予測システム１０には、予め設備ＤＢ１３２が構築されている。 First, the reception unit 121a of the power prediction system 10 acquires various weather data observed by the weather observation device 200 in advance (S10), and registers actual values in the past DB 131 (S11). Further, the power prediction system 10 has a facility DB 132 built in advance.

電力予測システム１０の推定部１２１ｂは、過去ＤＢ１３１の過去の各種気象情報、設備ＤＢ１３２の設備情報に基づいて、太陽光発電設備の発電出力の推定値を算出する。電力予測システム１０は、算出された推定値、該推定値に対応する実績値を係数ＤＢ１３３に登録する（Ｓ１２）。この推定値は、過去における推定値である。 The estimation unit 121b of the power prediction system 10 calculates an estimated value of the power generation output of the photovoltaic power generation facility based on various past weather information of the past DB 131 and the facility information of the facility DB 132. The power prediction system 10 registers the calculated estimated value and the actual value corresponding to the estimated value in the coefficient DB 133 (S12). This estimated value is an estimated value in the past.

以下においては、理解を容易にするために一例として、図５に示すように、所定の太陽光発電設備１００における、時点１〜時点５の実績値がそれぞれ「１０５ｋＷ」「２００ｋＷ」「３２３ｋＷ」「４４１ｋＷ」「５１３ｋＷ」であり、時点１〜時点５の推定値がそれぞれ「１５０ｋＷ」「２５０ｋＷ」「３８０ｋＷ」「４９０ｋＷ」「５４０ｋＷ」であるものとして説明する。 In the following, as an example to facilitate understanding, as shown in FIG. 5, the actual values at time points 1 to 5 in the predetermined photovoltaic power generation facility 100 are “105 kW”, “200 kW”, “323 kW”, and “323 kW”, respectively. 441 kW” and “513 kW”, and the estimated values at time points 1 to 5 are “150 kW”, “250 kW”, “380 kW”, “490 kW”, and “540 kW”, respectively.

電力予測システム１０の係数算出部１２１ｃは、時点１〜時点５の調整係数を算出し、それらを係数ＤＢ１３３に登録する（Ｓ１３，Ｓ１４）。具体的には、時点１の調整係数は、時点１の実績値「１０５ｋＷ」を時点１の推定値「１５０ｋＷ」で除した「０．７」である。同様に、時点２の調整係数は「０．８」となり、時点３の調整係数は「０．８５」となり、時点４の調整係数は「０．９」となり、時点５の調整係数は「０．９５」となる。 The coefficient calculation unit 121c of the power prediction system 10 calculates the adjustment coefficients for time points 1 to 5 and registers them in the coefficient DB 133 (S13, S14). Specifically, the adjustment coefficient at time point 1 is “0.7” obtained by dividing the actual value “105 kW” at time point 1 by the estimated value “150 kW” at time point 1. Similarly, the adjustment coefficient at time point 2 is “0.8”, the adjustment coefficient at time point 3 is “0.85”, the adjustment coefficient at time point 4 is “0.9”, and the adjustment coefficient at time point 5 is “0”. .95".

係数算出部１２１ｃは、係数ＤＢ１３３を参照して、実績値および推定値のうち、所定の条件、すなわち本実施形態ではパワーコンディショナ容量に所定の係数を掛けた閾値よりも大きいものを抽出する（Ｓ１５）。以下、電力予測システム１０は、一例として過去一年分の実績値および推定値を抽出したものとする。なお、過去データは一年分よりも多ければ多いほど望ましい。 The coefficient calculation unit 121c refers to the coefficient DB 133 and extracts, from the actual value and the estimated value, a predetermined condition, that is, a value that is larger than a threshold value obtained by multiplying the power conditioner capacity by a predetermined coefficient in the present embodiment ( S15). Hereinafter, it is assumed that the power prediction system 10 extracts the past year's actual value and estimated value as an example. It should be noted that the more past data there is, the more desirable it is.

電力予測システム１０の学習部１２１ｄは、抽出した実績値および推定値に対応する調整係数をラベルとし、該調整係数に対応する傾斜面日射量、気温、風速を入力データとして、ニューラルネットワークを学習させて、学習済みモデルを生成する（Ｓ１６）。なお、学習部１２１ｄは、学習を開始する前にニューラルネットワークに重みを乱数で割り当てる。また、学習部１２１ｄがニューラルネットワークに対する教師あり学習を終了させる条件は、任意に定めることができる。例えば、予め定めておいた日数分だけ教師あり学習を繰り返した場合に、教師あり学習を終了させるようにする。また、ニューラルネットワークの出力データとラベルとの誤差の値が所定値以下となった場合に、教師あり学習を終了させるようにしてもよい。 The learning unit 121d of the power prediction system 10 uses the adjustment coefficient corresponding to the extracted actual value and estimated value as a label, and learns the neural network using the slope solar radiation amount, air temperature, and wind speed corresponding to the adjustment coefficient as input data. Then, the learned model is generated (S16). The learning unit 121d assigns weights to the neural network with random numbers before starting learning. Further, the condition for the learning unit 121d to end the supervised learning for the neural network can be arbitrarily determined. For example, when the supervised learning is repeated for a predetermined number of days, the supervised learning is ended. Further, when the value of the error between the output data of the neural network and the label becomes a predetermined value or less, the supervised learning may be ended.

次に、操作者が、電力予測システム１０に予測日を指定する（Ｓ１７）。 Next, the operator designates a prediction date in the power prediction system 10 (S17).

電力予測システム１０の再学習部１２１ｅは、学習済みモデルを、予測日の直近二週間程度の訓練データでファインチューニングする（Ｓ１８，Ｓ１９）。これにより、学習済みモデルの予測精度を向上できる。なお、当該訓練データにおいても、係数算出部１２１ｃにおける抽出作業と同様に、実績値および推定値のうち、所定の条件、すなわち本実施形態ではパワーコンディショナ容量に所定の係数を掛けた閾値よりも大きいものを抽出して用いる。 The re-learning unit 121e of the power prediction system 10 fine-tunes the learned model with the training data for the most recent two weeks of the predicted date (S18, S19). This can improve the prediction accuracy of the learned model. Even in the training data, similar to the extraction work in the coefficient calculation unit 121c, a predetermined condition among the actual value and the estimated value, that is, a threshold value obtained by multiplying the power conditioner capacity by a predetermined coefficient in the present embodiment is used. The larger one is extracted and used.

電力予測システム１０の予測部１２１ｆは、再学習した学習済みモデルに予測日の傾斜面日射量、気温、風速を入力して、学習後の調整係数を算出する（Ｓ２０）。 The prediction unit 121f of the power prediction system 10 inputs the slope solar radiation amount, the temperature, and the wind speed to the learned model that has been re-learned, and calculates the adjustment coefficient after learning (S20).

予測部１２１ｆは、学習後の調整係数が所定の上限閾値と、所定の下限閾値との間に収まっているか否かを判定する（Ｓ２１）。以下、一例として上限閾値を「０．９５」とし下限閾値を「０．８５」として説明する。予測部１２１ｆは、図６に示すように、学習後の調整係数が「０．９」である場合、範囲内であると判定する。ここで、例えば、学習後の調整係数が「０．８」である場合、予測部１２１ｆは、学習後の調整係数が範囲外であると判定し、学習後の調整係数を下限閾値「０．８５」に補正する。また、例えば、学習後の調整係数が「０．９８」である場合、予測部１２１ｆは、学習後の調整係数が範囲外であると判定し、学習後の調整係数を上限閾値「０．９５」に補正する。なお、学習後の調整係数を下限閾値または上限閾値に補正するように説明したが、下限閾値と上限閾値との間に収まるように補正してもよい。 The prediction unit 121f determines whether or not the learned adjustment coefficient is between the predetermined upper limit threshold and the predetermined lower limit threshold (S21). In the following description, the upper limit threshold value is "0.95" and the lower limit threshold value is "0.85" as an example. As shown in FIG. 6, when the adjustment coefficient after learning is “0.9”, the prediction unit 121f determines that it is within the range. Here, for example, when the adjustment coefficient after learning is “0.8”, the prediction unit 121f determines that the adjustment coefficient after learning is out of the range, and sets the learned adjustment coefficient to the lower threshold “0. It is corrected to 85". Further, for example, when the adjustment coefficient after learning is “0.98”, the prediction unit 121f determines that the adjustment coefficient after learning is out of the range, and sets the adjustment coefficient after learning to the upper threshold “0.95”. To be corrected. Although the adjustment coefficient after learning is corrected to the lower limit threshold value or the upper limit threshold value, the adjustment coefficient may be corrected to fall between the lower limit threshold value and the upper limit threshold value.

電力予測システム１０の推定部１２１ｂは、所定の太陽光発電設備１００についての指定された予測日における推定値を算出する（Ｓ２２）。予測部１２１ｆは、算出された推定値に学習後の調整係数を乗じて、予測日の予測値を算出する（Ｓ２３）。予測部１２１ｆは、予測値を予測ＤＢ１３４に登録する（Ｓ２４）。 The estimation unit 121b of the power prediction system 10 calculates an estimated value of a predetermined solar power generation facility 100 on the designated prediction date (S22). The prediction unit 121f multiplies the calculated estimated value by the adjustment coefficient after learning to calculate the predicted value of the predicted date (S23). The prediction unit 121f registers the predicted value in the prediction DB 134 (S24).

＝＝＝他の実施形態＝＝＝
予測部１２１ｆは、上述したように推定値に調整係数を乗じて予測値を算出しているが、さらに、太陽光発電設備１００のパネル上の積雪による発電出力の減少を反映するための積雪係数を乗じてもよい。積雪係数は、例えば図９に示されるような値を示す。図９は、例えば縦軸を「積雪係数」とし横軸を「積雪深」とする座標である。図９に示すように、積雪係数は、所定の積雪深（ＬおよびＨ）の間で、積雪深が大きくなるにつれて積雪係数が小さくなる。予測部１２１ｆは、過去の所定の時間以内に積雪があったか否かを判定し、積雪がないと判定した場合は、パネル上に積雪がないと判定し、積雪係数を「１」とする。積雪があると判定した場合は、パネル上に積雪があると判定し、予測部１２１ｆは、例えば現在又は将来の時点における積雪深情報、気象情報、設備情報および定数情報から統計的手法を用いて、積雪係数を算出する。 === Other Embodiments ===
The prediction unit 121f calculates the predicted value by multiplying the estimated value by the adjustment coefficient as described above, and further, the snow cover coefficient for reflecting the decrease in the power generation output due to the snow on the panel of the photovoltaic power generation facility 100. You may multiply by. The snowfall coefficient shows a value as shown in FIG. 9, for example. In FIG. 9, for example, the vertical axis represents “snow cover coefficient” and the horizontal axis represents “snow depth”. As shown in FIG. 9, as for the snow accumulation coefficient, the snow accumulation coefficient becomes smaller between the predetermined snow depths (L and H) as the snow depth becomes larger. The prediction unit 121f determines whether or not there is snow within a predetermined time in the past, and when it determines that there is no snow, determines that there is no snow on the panel and sets the snow coefficient to "1". When it is determined that there is snow, it is determined that there is snow on the panel, and the prediction unit 121f uses a statistical method from, for example, snow depth information, meteorological information, facility information and constant information at the present or future time. , Calculate the snow cover factor.

また、予測部１２１ｆは、上述したように算出された予測値から太陽光発電設備１００で消費される自己消費分の電力を差し引いて、予測値を算出してもよい。 In addition, the prediction unit 121f may calculate the predicted value by subtracting the electric power for self-consumption consumed by the photovoltaic power generation facility 100 from the predicted value calculated as described above.

また、所定の電力設備１００を、太陽光発電設備１００として説明したが、風力発電設備や電力需要設備などであってもよい。つまり、推定値を算出し、所定の条件を満たした推定値、実績値を用いて調整係数を算出し、ニューラルネットワークを用いて学習後の調整係数を算出することにより、予測値を算出できる設備であればよい。 Further, although the predetermined power facility 100 is described as the solar power generation facility 100, it may be a wind power generation facility, a power demand facility, or the like. In other words, equipment that can calculate the estimated value by calculating the estimated value, calculating the adjustment coefficient using the estimated value and the actual value that satisfy the predetermined conditions, and calculating the learned adjustment coefficient using the neural network If

また、図１，図２では、電力予測システム１０が一の装置で構成されているように示したが、これに限定されない。電力予測システム１０は、複数の装置で構成されていてもよく、また、クラウド上に構成されていてもよい。 Further, in FIGS. 1 and 2, the power prediction system 10 is shown to be configured by one device, but the present invention is not limited to this. The power prediction system 10 may be configured by a plurality of devices, or may be configured on the cloud.

また、電力予測システム１０は、太陽光発電設備１００の発電出力の推定値と実績値との差を示す係数（調整係数）に基づいて、将来における太陽光発電設備１００の発電出力を予測するシステムであるとして説明したが、これに限定されない。当該システムは、推定値と実績値を取得できるものであればよく、例えば、電力需要設備や電力消費設備などの電力設備全般、あるいは、製造設備による製造物の個数を予測するシステムであってもよい。 In addition, the power prediction system 10 is a system that predicts the power generation output of the solar power generation facility 100 in the future based on a coefficient (adjustment coefficient) indicating the difference between the estimated value and the actual value of the power generation output of the solar power generation facility 100. However, the present invention is not limited to this. The system may be any system as long as it can obtain an estimated value and an actual value, and for example, a system that predicts the number of products manufactured by manufacturing equipment, or general power equipment such as power demand equipment and power consumption equipment. Good.

また、学習部１２１ｄは、傾斜面日射量、気温、風速を入力データとしてニューラルネットワークを学習させるように説明したが、これに限定されず、湿度や天候など多様なパラメータを入力データとしてニューラルネットワークを学習させてもよい。 Further, although the learning unit 121d has been described as learning the neural network by using the solar radiation amount on the slope, the temperature, and the wind speed as input data, the learning unit is not limited thereto, and various parameters such as humidity and weather are used as input data. You may let them learn.

また、学習部１２１ｄは、入力データを正規化して０〜１の範囲に変換して用いてもよい。正規化では、それぞれの特徴量を同じ特徴量の最大値で割る。これにより、それぞれの特徴量間のスケールの違いを合わせることができる。 Further, the learning unit 121d may normalize the input data and convert it into a range of 0 to 1 for use. In the normalization, each feature amount is divided by the maximum value of the same feature amount. This makes it possible to match the difference in scale between the respective feature amounts.

また、学習部１２１ｄは、各特徴量（入力データ）の平均を「０」、分散を「１」にするように、入力データを標準正規分布に従うように変換してもよい。このように各特徴量の分散をそろえておくことで、それぞれの特徴量の動きに対する感度を平等に見ることができる。 Further, the learning unit 121d may convert the input data so as to follow the standard normal distribution so that the average of each feature amount (input data) is “0” and the variance is “1”. By setting the distributions of the respective feature amounts in this manner, it is possible to evenly see the sensitivity of the respective feature amounts to the movement.

また、学習部１２１ｄは、日時を入力することにより一つのニューラルネットワークのモデルを構築するように説明したが、予測時刻別の学習済みモデル、例えば、１時間毎に予測する場合、１２：００の予測には１２：００の学習済みモデル、１３：００の予測には１３：００の学習済みモデルというように、時刻毎に学習済みモデルを構築してもよい。これにより、他の時刻の入力値が当該時刻の予測値へ与える影響を軽減できる。 Further, the learning unit 121d has been described as building a model of one neural network by inputting the date and time, but a learned model for each prediction time, for example, when predicting every hour, 12:00. A learned model may be constructed at each time, such as a learned model of 12:00 for prediction and a learned model of 13:00 for prediction of 13:00. This can reduce the influence of input values at other times on the predicted value at that time.

＝＝＝まとめ＝＝＝
本実施形態に係る電力予測システム１０は、一以上の所定のパラメータ（日射量、気温、風速など）に基づき所定の推定方法で推定した推定値と、推定値に対応する実績値と、の誤差を示す係数を出力する係数出力部１２１ｃと、所定のパラメータのうち少なくとも一以上の所定のパラメータ（日射量、気温、風速など）に基づき学習がなされたニューラルネットワークに、所定の期間における所定のパラメータを入力して、学習後の調整係数を出力し、出力された学習後の調整係数と、予測日の推定値と、に基づいて、予測日における予測値を算出する予測部１２１ｆと、を備える。これにより、推定値と実績値との誤差を低減することができる。 === Summary ===
The power prediction system 10 according to the present embodiment includes an error between an estimated value estimated by a predetermined estimation method based on one or more predetermined parameters (solar radiation, temperature, wind speed, etc.) and an actual value corresponding to the estimated value. A coefficient output unit 121c for outputting a coefficient indicating the above, and a neural network learned based on at least one predetermined parameter (solar radiation, temperature, wind speed, etc.) among predetermined parameters, and a predetermined parameter in a predetermined period. And a prediction unit 121f that outputs the adjustment coefficient after learning and calculates the prediction value on the prediction date based on the output adjustment coefficient after learning and the estimated value on the prediction day. .. Thereby, the error between the estimated value and the actual value can be reduced.

また、本実施形態に係る電力予測システム１０は、推定値と、推定値に対応する実績値と、の誤差を示す学習後の調整係数を出力するべく、推定値の算出に用いた所定のパラメータのうち少なくとも一以上のパラメータに基づきニューラルネットワークを学習させる学習部１２１ｄをさらに備える。これにより、ニューラルネットワークを迅速、効率的に学習させることができる。 In addition, the power prediction system 10 according to the present embodiment uses the predetermined parameter used to calculate the estimated value in order to output the adjusted coefficient after learning indicating the error between the estimated value and the actual value corresponding to the estimated value. The learning unit 121d for learning the neural network based on at least one of the parameters is further provided. As a result, the neural network can be learned quickly and efficiently.

また、本実施形態に係る電力予測システム１０は、所定の期間において、学習部１２１ｄで学習されたニューラルネットワークを、所定の期間よりも短い期間における所定のパラメータに基づきファインチューニングする再学習部１２１ｅをさらに備える。これにより、学習部１２１ｄによる学習済みモデルを再学習させるため予測精度が向上する。 Further, the power prediction system 10 according to the present embodiment includes the re-learning unit 121e that fine-tunes the neural network learned by the learning unit 121d in a predetermined period based on a predetermined parameter in a period shorter than the predetermined period. Further prepare. As a result, the learning accuracy is improved because the model learned by the learning unit 121d is relearned.

また、本実施形態に係る電力予測システム１０の係数算出部１２１ｃは、電力設備１００における、所定の推定方法で推定した電力に関する推定値と、推定値に対応する実績値と、の誤差を示す係数を算出する。これにより、設備劣化や気象条件に影響を受けやすい電力設備の出力を予測することで、電力系統の安定運転が可能となる。 In addition, the coefficient calculation unit 121c of the power prediction system 10 according to the present embodiment is a coefficient that indicates an error between the estimated value of the electric power equipment 100 estimated by a predetermined estimation method and the actual value corresponding to the estimated value. To calculate. This enables stable operation of the electric power system by predicting the output of the electric power equipment that is easily affected by equipment deterioration and weather conditions.

また、本実施形態に係る電力予測システム１０が発電出力を予測する所定の電力設備１００は、太陽光発電設備であり所定のパラメータには少なくとも日射量を含む。これにより、自然エネルギーによる発電設備における推定値と実績値との差を低減することができる。 Further, the predetermined power facility 100 for which the power prediction system 10 according to the present embodiment predicts the power generation output is a solar power generation facility, and the predetermined parameter includes at least the amount of solar radiation. As a result, the difference between the estimated value and the actual value of the power generation facility using natural energy can be reduced.

また、本実施形態に係る電力予測システム１０の予測部１２１ｆは、学習後の調整係数と、予測日の推定値と、所定の電力設備１００のパネル上の積雪による影響を示す積雪係数と、に基づいて、予測日における予測値を算出する。これにより、パネル上の積雪を考慮して予測値を算出するため、より正確な予測値を算出することができる。 In addition, the prediction unit 121f of the power prediction system 10 according to the present embodiment displays the adjustment coefficient after learning, the estimated value of the predicted date, and the snowfall coefficient indicating the influence of snowfall on the panel of the predetermined power facility 100. Based on this, the predicted value on the predicted day is calculated. As a result, the predicted value is calculated in consideration of the snowfall on the panel, so that a more accurate predicted value can be calculated.

また、本実施形態に係る電力予測システム１０の係数算出部１２１ｃは、推定値のうち所定の閾値以上の推定値を抽出し、実績値のうち所定の閾値以上の実績値を抽出し、抽出された推定値と実績値との誤差を示す係数を算出する。これにより、所定の電力設備１００の推定値の誤差が問題となってくる発電出力レベル以上の運転状態での推定値、実績値を用いて予測するため、推定値と実績値との誤差をより低減することができる。 Further, the coefficient calculation unit 121c of the power prediction system 10 according to the present embodiment extracts an estimated value that is equal to or greater than a predetermined threshold value from the estimated values, extracts an actual value that is equal to or greater than the predetermined threshold value from the actual value, and extracts the actual value. A coefficient indicating the difference between the estimated value and the actual value is calculated. As a result, the error between the estimated value and the actual value is further reduced because the estimated value and the actual value in the operating state of the power generation output level or above, where the error in the estimated value of the predetermined power facility 100 becomes a problem, are used for prediction. It can be reduced.

尚、上記の実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。本発明は、その趣旨を逸脱することなく、変更、改良され得るとともに、本発明にはその等価物も含まれる。 Note that the above-described embodiments are for facilitating the understanding of the present invention and are not for limiting the interpretation of the present invention. The present invention can be modified and improved without departing from the spirit thereof, and the present invention also includes equivalents thereof.

１０ 電力予測システム
１００ 電力設備
１２１ｃ 係数算出部
１２１ｄ 学習部
１２１ｅ 再学習部
１２１ｆ 予測部 10 power prediction system 100 power equipment 121c coefficient calculation unit 121d learning unit 121e re-learning unit 121f prediction unit

Claims (8)

一以上の所定のパラメータに基づき所定の推定方法で推定した推定値と、前記推定値に対応する実績値と、の誤差を示す係数を出力する係数出力部と、
前記所定のパラメータのうち少なくとも一以上のパラメータに基づき学習がなされたニューラルネットワークに、所定の期間における前記所定のパラメータを入力して、学習後の前記係数を出力し、出力された学習後の前記係数と、予測日の前記所定の推定方法で推定した推定値と、に基づいて、前記予測日における予測値を算出する予測部と、
を備えることを特徴とする予測システム。 A coefficient output unit that outputs a coefficient indicating an error between an estimated value estimated by a predetermined estimation method based on one or more predetermined parameters and an actual value corresponding to the estimated value,
The neural network trained on the basis of at least one or more of the predetermined parameters, inputs the predetermined parameters in a predetermined period, outputs the coefficient after learning, the output after learning the Based on a coefficient and an estimated value estimated by the predetermined estimation method on the predicted date, a prediction unit that calculates a predicted value on the predicted date,
A prediction system comprising: 前記所定の推定方法で推定した推定値と、当該推定値に対応する前記実績値と、の誤差を示す前記係数を出力するべく、前記所定のパラメータのうち少なくとも一以上のパラメータに基づき前記ニューラルネットワークを学習させる学習部
をさらに備えることを特徴とする請求項１に記載の予測システム。 The neural network based on at least one of the predetermined parameters so as to output the coefficient indicating an error between the estimated value estimated by the predetermined estimation method and the actual value corresponding to the estimated value. The prediction system according to claim 1, further comprising: a learning unit that learns. 所定の期間において、前記学習部で学習された前記ニューラルネットワークを、前記所定の期間よりも短い期間における前記所定のパラメータに基づきファインチューニングする再学習部
をさらに備えることを特徴とする請求項２に記載の予測システム。 The re-learning unit for fine tuning the neural network learned by the learning unit in a predetermined period based on the predetermined parameter in a period shorter than the predetermined period. Prediction system described. 前記係数出力部は、電力設備における、所定の推定方法で推定した電力に関する推定値と、前記推定値に対応する実績値と、の誤差を示す係数を出力する
ことを特徴とする請求項１乃至請求項３の何れか一項に記載の予測システム。 The coefficient output unit outputs a coefficient indicating an error between an estimated value related to electric power estimated by a predetermined estimation method in electric power equipment and an actual value corresponding to the estimated value. The prediction system according to claim 3. 前記電力設備は、太陽光発電設備であり、
前記所定のパラメータは、少なくとも日射量を示す日射量情報を含む
ことを特徴とする請求項４に記載の予測システム。 The power facility is a photovoltaic power generation facility,
The prediction system according to claim 4, wherein the predetermined parameter includes at least solar radiation amount information indicating a solar radiation amount. 前記予測部は、前記学習後の係数と、前記予測日の前記所定の推定方法で推定した推定値と、前記電力設備のパネル上の積雪による影響を示す積雪係数と、に基づいて、前記予測日における予測値を算出する
ことを特徴とする請求項４に記載の予測システム。 The prediction unit, based on the coefficient after the learning, an estimated value estimated by the predetermined estimation method of the prediction day, and a snow cover coefficient indicating the effect of snow on the panel of the power equipment, the prediction The prediction system according to claim 4, wherein a prediction value in a day is calculated. 前記係数算出部は、前記所定の推定方法で推定した推定値のうち所定の閾値以上の推定値を抽出し、前記実績値のうち所定の閾値以上の前記実績値を抽出し、抽出された前記推定値と前記実績値との誤差を示す係数を出力する
ことを特徴とする請求項１乃至請求項６の何れか一項に記載の予測システム。 The coefficient calculation unit extracts an estimated value of a predetermined threshold value or more among the estimated values estimated by the predetermined estimation method, extracts the actual value of a predetermined threshold value or more of the actual value, and the extracted The prediction system according to any one of claims 1 to 6, wherein a coefficient indicating an error between an estimated value and the actual value is output. コンピュータが
一以上の所定のパラメータに基づき所定の推定方法で推定した推定値と、前記推定値に対応する実績値と、の誤差を示す係数を出力する係数出力ステップと、
前記所定のパラメータのうち少なくとも一以上の所定のパラメータに基づき学習がなされたニューラルネットワークに、所定の期間における前記所定のパラメータを入力して、学習後の前記係数を出力し、出力された学習後の前記係数と、予測日の前記所定の推定方法で推定した推定値と、に基づいて、前記予測日における予測値を算出する予測ステップと、
を実現する予測方法。 A coefficient output step of outputting a coefficient indicating an error between an estimated value estimated by a computer based on one or more predetermined parameters by a predetermined estimation method, and an actual value corresponding to the estimated value,
The neural network trained on the basis of at least one of the predetermined parameters is input with the predetermined parameter for a predetermined period, and the coefficient after learning is output. A prediction step of calculating a predicted value on the predicted day based on the coefficient and an estimated value estimated by the predetermined estimation method on the predicted day;
Prediction method to realize.
JP2019015335A 2019-01-31 2019-01-31 Prediction system, prediction method Active JP7342369B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019015335A JP7342369B2 (en) 2019-01-31 2019-01-31 Prediction system, prediction method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019015335A JP7342369B2 (en) 2019-01-31 2019-01-31 Prediction system, prediction method

Publications (2)

Publication Number Publication Date
JP2020123198A true JP2020123198A (en) 2020-08-13
JP7342369B2 JP7342369B2 (en) 2023-09-12

Family

ID=71992754

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019015335A Active JP7342369B2 (en) 2019-01-31 2019-01-31 Prediction system, prediction method

Country Status (1)

Country Link
JP (1) JP7342369B2 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021111221A (en) * 2020-01-14 2021-08-02 パナソニックＩｐマネジメント株式会社 Measurement devise, system, measurement method, and program
JP2021111222A (en) * 2020-01-14 2021-08-02 パナソニックＩｐマネジメント株式会社 Measurement system, learning device, system, measurement method, learning method, and program

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03189858A (en) * 1989-12-20 1991-08-19 Fujitsu Ltd Network constitutional data processor and its learning processing system
JPH10224990A (en) * 1997-02-10 1998-08-21 Fuji Electric Co Ltd Method for correcting predicted value of electric power demand
JP2000222005A (en) * 1999-02-03 2000-08-11 Hitachi Ltd Controller for process
JP2001083986A (en) * 1999-09-16 2001-03-30 Nippon Telegr & Teleph Corp <Ntt> Method for forming statistical model
JP2013141331A (en) * 2011-12-28 2013-07-18 Toshiba Corp Power management system and power management method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03189858A (en) * 1989-12-20 1991-08-19 Fujitsu Ltd Network constitutional data processor and its learning processing system
JPH10224990A (en) * 1997-02-10 1998-08-21 Fuji Electric Co Ltd Method for correcting predicted value of electric power demand
JP2000222005A (en) * 1999-02-03 2000-08-11 Hitachi Ltd Controller for process
JP2001083986A (en) * 1999-09-16 2001-03-30 Nippon Telegr & Teleph Corp <Ntt> Method for forming statistical model
JP2013141331A (en) * 2011-12-28 2013-07-18 Toshiba Corp Power management system and power management method

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021111221A (en) * 2020-01-14 2021-08-02 パナソニックＩｐマネジメント株式会社 Measurement devise, system, measurement method, and program
JP2021111222A (en) * 2020-01-14 2021-08-02 パナソニックＩｐマネジメント株式会社 Measurement system, learning device, system, measurement method, learning method, and program
JP7462259B2 (en) 2020-01-14 2024-04-05 パナソニックＩｐマネジメント株式会社 MEASUREMENT APPARATUS, SYSTEM, MEASUREMENT METHOD, AND PROGRAM

Also Published As

Publication number Publication date
JP7342369B2 (en) 2023-09-12

Similar Documents

Publication Publication Date Title
Zhao et al. A novel bidirectional mechanism based on time series model for wind power forecasting
Pinson et al. Ensemble‐based probabilistic forecasting at Horns Rev
US20200057175A1 (en) Weather dependent energy output forecasting
JP5658881B2 (en) Method for predicting the amount of electricity produced by photovoltaic power generation equipment
Lydia et al. Wind resource estimation using wind speed and power curve models
JP2016136001A (en) Prediction device
CN112285807B (en) Meteorological information prediction method and device
CN112101669B (en) Photovoltaic power interval prediction method based on improved extreme learning machine and quantile regression
Guo et al. An ensemble solar power output forecasting model through statistical learning of historical weather dataset
US10540422B2 (en) Combining multiple trending models for photovoltaics plant output forecasting
CN112446554B (en) Power prediction model establishment method, power prediction method and device
JP7342369B2 (en) Prediction system, prediction method
EP3741991B1 (en) Method for dynamic real-time optimization of the performance of a wind park and wind park
CN117117819A (en) Photovoltaic power generation short-term power prediction method, system, equipment and medium
WO2022168357A1 (en) System for managing power generation amount and method for managing power generation amount
Cabezon et al. Comparison of methods for power curve modelling
CN114418378A (en) Photovoltaic power generation internet data checking method based on LOF outlier factor detection algorithm
CN117200223A (en) Day-ahead power load prediction method and device
CN112307672A (en) BP neural network short-term wind power prediction method based on cuckoo algorithm optimization
CN117526274A (en) New energy power prediction method, electronic equipment and storage medium in extreme climate
JP2022023410A (en) Prediction system and prediction value calculating method
JP7206963B2 (en) Forecasting system, forecasting method
JP6600033B2 (en) Weather prediction correction device, weather prediction correction method, and program
Yang et al. Data‐driven modeling for fatigue loads of large‐scale wind turbines under active power regulation
JP2020149209A (en) Residual characteristic estimation model creation method and residual characteristic estimation model creation system

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211124

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220921

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221011

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221116

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230314

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230420

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230801

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230814

R150 Certificate of patent or registration of utility model

Ref document number: 7342369

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150