JP5339317B1 - 気象変動の実時間予測法に基づく再生可能エネルギー出力変動の予測機構 - Google Patents
気象変動の実時間予測法に基づく再生可能エネルギー出力変動の予測機構 Download PDFInfo
- Publication number
- JP5339317B1 JP5339317B1 JP2012179938A JP2012179938A JP5339317B1 JP 5339317 B1 JP5339317 B1 JP 5339317B1 JP 2012179938 A JP2012179938 A JP 2012179938A JP 2012179938 A JP2012179938 A JP 2012179938A JP 5339317 B1 JP5339317 B1 JP 5339317B1
- Authority
- JP
- Japan
- Prior art keywords
- time
- prediction
- value
- real
- database
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000007246 mechanism Effects 0.000 title claims description 28
- 238000010248 power generation Methods 0.000 claims abstract description 40
- 230000005855 radiation Effects 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims description 4
- 230000000368 destabilizing effect Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】再生可能エネルギーは気象条件の影響による出力変動が激しいために、電力系統を不安定化させる問題がある。それを防ぐには、再生可能エネルギーの出力や気象条件を予測し、予めそれに備えればよいのだが、現行の気象予報では、要求される時空局所的な予測は極めて困難である。
【解決手段】将来の時空局所的な気象条件をその過去の時系列から、軽量な多時刻同時予測法により、推定誤差も併せて実時間で予測する手法を考案した。これにより、再生可能エネルギーの発電出力を推定誤差も併せて実時間で予測できるので、電力系統の不安定化を予め防ぐことが容易になる。さらには、本発明は観測対象のシステムには依存しないので、風況や日射量だけでなく気温・降雨量などの様々な時空局所的な気象条件を推定誤差も併せて実時間で予測でき、再生可能エネルギーの利用による地球環境への影響を予測できる、気象予測システムへの応用が可能となった。
【選択図】図１
【解決手段】将来の時空局所的な気象条件をその過去の時系列から、軽量な多時刻同時予測法により、推定誤差も併せて実時間で予測する手法を考案した。これにより、再生可能エネルギーの発電出力を推定誤差も併せて実時間で予測できるので、電力系統の不安定化を予め防ぐことが容易になる。さらには、本発明は観測対象のシステムには依存しないので、風況や日射量だけでなく気温・降雨量などの様々な時空局所的な気象条件を推定誤差も併せて実時間で予測でき、再生可能エネルギーの利用による地球環境への影響を予測できる、気象予測システムへの応用が可能となった。
【選択図】図１
Description
本発明は、時空局所的な気象条件変動をその過去の時系列から、軽量な多時刻同時予測法により、将来の気象条件変動を推定誤差も併せて実時間で予測する、気象条件変動の実時間予測機構、および、その予測機構を用いて、風力発電・太陽光発電などの再生可能エネルギーの発電出力変動を推定誤差も併せて実時間で予測する、再生可能エネルギー出力変動の実時間予測機構に関する。
従来、気象条件変動に左右される再生可能エネルギーの発電出力を予測するために、地球の全球モデルを用いた大規模シミュレーションが主に用いられている。この手法だと、空間的に大域的で、数日といった時間スケールの気象条件の予測を求めるのには適しているが、電力系統の安定化に求められる数秒、数分、数時間といった時間的に局所的で、かつ、発電所にピンポイントな空間的にも局所的な気象条件変動の予測や、それに伴う再生可能エネルギーの発電出力変動の予測を行うには無理がある。
Ｎ．Ｇｅｒｓｈｅｎｆｅｌｄ，Ｔｈｅ Ｎａｔｕｒｅ ｏｆ Ｍａｔｈｅｍａｔｉｃａｌ Ｍｏｄｅｌｉｎｇ，Ｃａｍｂｒｉｄｇｅ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ，１９９９． 北川源四郎，時系列解析，岩波書店，２００７．従来、過去の時系列から実時間で多時刻同時予測を実現する手法としてカルマンフィルタによる方法が知られている（非特許文献２、３）。しかし、対象の数理モデル、つまり、気象条件変動に左右される風力発電や太陽光発電の発電出力変動に関する数理モデルが未知のときには、この手法を用いることができないという問題点がある。特に、非線形性が背後にあるような現象である気象条件変動の予測には、後に述べるように、このカルマンフィルタによる方法を使うのは不適当である。
Ｆ．Ｋｗａｓｎｉｏｋ ａｎｄ Ｌ．Ａ．Ｓｍｉｔｈ，"Ｒｅａｌ−ｔｉｍｅ ｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ ｏｐｔｉｍｉｚｅｄ ｐｒｅｄｉｃｔｏｒｓ ｆｒｏｍ ｄａｔａ ｓｔｒｅａｍｓ，"Ｐｈｙｓ．Ｒｅｖ．Ｌｅｔｔ．，Ｖｏｌ．９２，ａｒｔ．ｎｏ．１６４１０１，２００４． 山田泰司，高橋純，合原一幸，"地域風況の予測技術と風力発電（予測技術の信頼性），"Ｔｈｅ ｊｏｕｒｎａｌ ｏｆ Ｒｅｌｉａｂｉｌｉｔｙ Ｅｎｇｉｎｅｅｒｉｎｇ Ａｓｓｏｃｉａｔｉｏｎ ｏｆ Ｊａｐａｎ２８（７），４８９−４９６，２００６−１１−０１．非特許文献４、５は極めて軽量な予測手法であるので、多くの計算資源を必要としないが、時間的に局所過ぎて、後に述べるように、電力系統の安定運用を目的とした多くの予測先を含む多時刻同時予測には適していない。さらに、特許文献１、４、５では推定誤差についての言及がないために、予測誤差が不明で運用面で使いにくいものであった。
また、本格的な再生可能エネルギーの普及による自然環境への影響について、その懸念が提起されることはあっても、定量的な議論は皆無である。それは、そのシステムがあまりにもマルチスケールな複雑系なため、地球の全球モデルを用いた大規模シミュレーションの時空間スケールでは、個別の再生可能エネルギーの発電システムの影響などは計り得ないからである。しかし、将来の本格的な再生可能エネルギーの普及には、こうした、再生可能エネルギーと地球環境のための気象予測システムが必要である。
本発明は、１つめは、特許文献１と同様に、地球の全球モデルを用いた大規模シミュレーションなどは行なわずに、空間的にも局所的な気象条件変動の予測を可能したいという課題を解決するものである。加えて、それに伴う再生可能エネルギーの発電出力変動の予測を可能にしたいという課題を解決するものである。
本発明は、２つめは、特許文献１だけでは実現不可能であった、多くの計算資源を必要とせずに、電力系統の安定運用を目的とした多くの予測先を含む多時刻同時予測を実時間で実現したいという課題を解決するものである。
本発明は、３つめは、非特許文献２、３では実現不可能であった、気象条件変動に左右される風力発電や太陽光発電の発電出力変動に関する数理モデルが未知、かつ、非線形性が背後にあるような現象である気象条件変動を予測可能にしたいという課題を解決するものであり、その点については特許文献１も同様である。
本発明は、４つめは、非特許文献４、５では実現不可能であった、電力系統の安定運用を目的とした多くの予測先を含む多時刻同時予測、かつ、推定誤差も併せて実時間で予測することを可能にしたいという課題を解決するものである。
本発明は、以上の課題をすべて解決するものであるが、これにより、風況・気温・湿度・日射量・降雨量・積雪量・海流・ＣＯ２濃度などの時空局所的な気象条件変動や再生可能エネルギー発電変動を推定誤差も併せて実時間で予測するすることが可能となるので、将来必要となる再生可能エネルギーと地球環境のための気象予測システムが構築可能となる。
本発明は、時空局所的な気象条件変動や再生可能エネルギーの発電出力変動をその過去の時系列から、将来の気象条件変動や発電出力変動を推定誤差も併せて実時間で予測するために、軽量な多時刻同時予測法とそれに伴うデータベース更新法を導入する。
それは、特許文献４、５のＫｗａｓｎｉｏｋとＳｍｉｔｈの手法を拡張することで、過去の時系列データから将来の時系列データを予測し、かつ、その予測精度に関する推定値を与える手法を提案する。ＫｗａｓｎｉｏｋとＳｍｉｔｈの手法は、過去の時系列データが与えられた時、逐次的に１時刻の予測を与える手法である。本発明では、この手法を多時刻の予測に拡張するとともに、予測誤差の推定値も同時に算出できるようにする。
本発明は、図１に示すように、ｉ１のように現在の気象条件変動の値を、０のような気象条件変動の観測装置で観測し、Ｔのような時系列データの蓄積および伝送装置から、Ｒ１のような気象条件変動の実時間予測機構（請求項１記載）へ入力し、ｏ１のように将来の気象条件変動の予測値と推定誤差を出力する。Ｔのような機構は必ずしも必要としないので、その場合は０から直接Ｒ１へ伝送される。
この入出力は実時間で行なわれ、時々刻々と現在の値が過去のものとなる。すなわち、ｔ１のような過去の気象条件変動の時系列データ、および、ｐ１のような将来の気象条件変動の時系列予測値と推定誤差の波形はそれぞれ、座標軸Ａ１の左方向へ時々刻々とずれていく。
軽量な多時刻同時予測法とそれに伴うデータベース更新法は、次のように構成することができる。Ｎ個の要素からなるデータベースのセットＬ（図１のＬ）を次式のように定義する。
ここで、Ｌの要素は、時刻ｔｉの過去の付近での観測値ｓを用いて、多時刻同時予測の最大ステップ数をｐとして、以下のように定義する。
まず、このデータベースの構成の方法がＫｗａｓｎｉｏｋとＳｍｉｔｈの手法や非特許文献５でそれを多次元に拡張した手法と異なり、予測の能力に関して本質的な違いとなる。
今後、時刻ｔ−１の時点でのＬが与えられたとして、時刻ｔで、次の数４のアルゴリズムのようにｓ（ｔ），…，ｓ（ｔ＋ｐ−１）を予測し、ｓ（ｔ）を観測し、Ｌを更新していく、という操作を次々と繰り返す。
つまりこれは、過去の時系列データの再構成状態空間上のある時刻のベクトル値とその多時刻先の値からなるベクトル値のペア群をデータベースとし、その中の現在の再構成状態空間上のベクトル値の近傍点群の多時刻分先の値の平均を予測値、標準偏差を予測誤差の推定値とし、その予測値の実際の最新値が観測されたら、最新値をデータベースに組み込まずに得られる予測誤差と比べて、データベース上のある値を未知とした上で最新値を仮のデータベースに組み込んで得られる予測誤差が、多時刻分の過半数において低ければデータベースを仮のデータベースに更新するという予測法となる。
そして、このデータベース構成方法が、ある時刻のベクトル値とその多時刻先の値のペア群を保持するのと同時に時系列データの埋め込みになっており、背景となる決定論的性質である再構成状態空間上の再帰性を利用して速やかに予測値を算出し得ること、それに加えて、予測誤差の低減に寄与するデータの取捨選択によるデータベースの更新によって、この実時間予測機構は過去の時系列データのみから様々な変動を実時間予測することが可能となる。
発想としては、ＫｗａｓｎｉｏｋとＳｍｉｔｈの手法や非特許文献５でそれを多次元に拡張した手法と同様に、最新のデータが過去のデータと比較して、予測精度の向上に寄与すればデータベースに取り込み、そうでなければ取り込まないというものである。しかし、ＫｗａｓｎｉｏｋとＳｍｉｔｈの手法や非特許文献５の方法だと、逐次的に１時刻の予測を与える手法であるので、比較も１時刻を対象としたものとなり、日和見的なデータベースの更新が起こりやすい。
そこで、本発明では、比較の対象を多時刻の予測に拡張したため、最新のデータが過去のデータと比較して、多時刻同時予測の最大ステップ数ｐのうち過半数を越える予測に寄与しないとデータベースが更新されないので日和見的なデータベースの更新が起こりにくい。結果として、より長期の予測粘度の向上が可能となっている。
そして、このデータベース構成方法が、ある時刻のベクトル値とその多時刻先の値のペア群を保持するのと同時に時系列データの埋め込みになっており、背景となる決定論的性質である再構成状態空間上の再帰性を利用して速やかに予測値を算出し得ること、それに加えて、予測誤差の低減に寄与するデータの取捨選択によるデータベースの更新によって、この実時間予測機構は過去の時系列データのみから様々な変動を実時間予測することが可能となる。
発想としては、ＫｗａｓｎｉｏｋとＳｍｉｔｈの手法や非特許文献５でそれを多次元に拡張した手法と同様に、最新のデータが過去のデータと比較して、予測精度の向上に寄与すればデータベースに取り込み、そうでなければ取り込まないというものである。しかし、ＫｗａｓｎｉｏｋとＳｍｉｔｈの手法や非特許文献５の方法だと、逐次的に１時刻の予測を与える手法であるので、比較も１時刻を対象としたものとなり、日和見的なデータベースの更新が起こりやすい。
そこで、本発明では、比較の対象を多時刻の予測に拡張したため、最新のデータが過去のデータと比較して、多時刻同時予測の最大ステップ数ｐのうち過半数を越える予測に寄与しないとデータベースが更新されないので日和見的なデータベースの更新が起こりにくい。結果として、より長期の予測粘度の向上が可能となっている。
ここでは、比較対象として、時変線形カルマンフィルタを用いる。ここで用いる時変線形カルマンフィルタは、非特許文献２の線形カルマンフィルタを基本とし、そのパラメータを非特許文献３の方法に指数関数的な減衰の効果を入れて構築した。
まずは、決定論的カオスの典型的な例であるレスラーモデルを用いて提案手法を評価した。変数ｘの値を０．１単位時間ごとに計測し、長さ１００００の時系列データを生成した。結果の例を図４に示す。上のグラフが提案手法による結果、下のグラフが比較対象である時変線形カルマンフィルタによる結果である。実線が実際の値、点線が予測値、一点鎖線が推定誤差である。
提案手法では、実際の値が数５で定める予測の９５％信頼区間に入る確率が予測先１〜５０ステップに渡って０．９９０２〜１．００００であったのに対し、時変線形カルマンフィルタでは、０．２１８４〜０．８５５６であった。また、計算にかかった時間は提案手法が１８．２秒、時変線形カルマンフィルタが３２．４秒であった。計算には、Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ（ＴＭ）２Ｄｕｏ１．４０ＧｈｚのＣＰＵとメモリ４ＧＢを搭載したコンピュータを用いた。
次に、これもまた決定論的カオスの典型的な例であるローレンツモデルを用いて提案手法を評価した。変数ｘの値を０．０１単位時間ごとに計測し、長さ１００００の時系列データを生成した。結果の例を図５に示す。上のグラフが提案手法による結果、下のグラフが比較対象である時変線形カルマンフィルタによる結果である。実線が実際の値、点線が予測値、一点鎖線が推定誤差である。予測先１〜５０ステップで、実際の値が数５で定める予測の９５％信頼区間に入る確率が、提案手法では０．９９３４〜１．００００であったのに対し、時変線形カルマンフィルタでは０．２９１６〜０．７６５４であった。また、予測を計算するのに、提案手法では１７．９秒かかったのに対し、時変線形カルマンフィルタでは３２．４秒かかった。
最後に、風速の実データを用いて提案手法を評価した。この風速データは、東京大学生産技術研究所で２００５年１０月２４日に観測した実データである。超音波風速計を用いて風速を３次元５０Ｈｚで観測した。南北方向の風が支配的であったため南北方向の風速を予測した。得られたデータを１秒ごとに移動平均を取って予測に用いた。
５０秒先までの予測を行った。予測の例を図６に示す。上のグラフが提案手法による結果、下のグラフが比較対象である時変線形カルマンフィルタによる結果である。実線が実際の値、点線が予測値、一点鎖線が推定誤差である。提案手法では、５０秒先までの間に実際の値が数５で定める予測の９５％信頼区間に入る確率は０．９７４４〜０．９９０６であったのに対し、時変線形カルマンフィルタでは０．０１６８〜０．１６０２であった。また、計算時間は、提案手法が１７２．３秒、時変線形カルマンフィルタが２９５．６秒であった。
よって、上記の３つの実施例では、予測誤差と計算量の観点から本発明の方が、時変線形カルマンフィルタよりも良い予測となっていた。
以上では、Ｐ１、Ｐ＊１において、ｘｉからｙｉへの写像の極めて簡単な関数近似として、ｐステップ後の平均値を予測値とする手法が用いられているが、それは本質的ではなく、非特許文献５で使用されているような非線形近似のひとつであるアファイン写像プラス動径基底関数近似や、そこで紹介されているその他の関数近似を用いても一向に構わない。すなわち、計算機に求める性能に応じて、より重量な予測手法を投入することが容易に可能である。むしろ、ここで本質的なのはデータベースの更新手法であり、特筆すべきは、上記のような極めて簡単な関数近似を用いたとしても、十分に性能の良い予測が可能となっている点にある。
本発明は、図２に示すように、ｉ２のように現在の発電出力変動の値を、Ｇのような発電出力変動の測定装置で観測し、Ｅ１のようなＲ１を用いた再生可能エネルギー出力変動の実時間予測機構（請求項２記載）へ入力し、ｏ２のように将来の発電出力変動の予測値と推定誤差を出力する。
Ｅ１がＲ１と同等の機構の場合、Ｒ１は必ずしも必要がなく、その機構を用いてｇ１のような過去の発電出力変動の時系列データからｆ１のような将来の気象条件変動の時系列予測値と推定誤差を、実時間で時々刻々と算出する。
そうでない場合は、Ｅ１ではＲ１から得られる気象条件変動の予測値から発電出力変動を算出する線形もしくは非線形関数などを用いれば良い。
本発明は、図３に示すように、請求項１の機構を必要数用いることによって、ｔＡのような過去のｉ１１〜ｉ１７（風況、太陽光、日射量、積雪量、降雨量、潮流、地球の自転公転および月の運行による気象条件変動）などの気象条件変動の時系列データからｐＡのような将来のｉ１１〜ｉ１７などの局地的な気象条件変動の時系列予測値と推定誤差を、実時間で予測するシステムとなる（請求項３記載）。
加えて、請求項２の機構を必要数用いれば、ｔＡのような過去のＷ１、Ｓ１、Ｔ１（風力発電、太陽光発電、潮流・波力発電）などの発電出力変動の時系列データからｐＡのような将来のＷ１、Ｓ１、Ｔ１などの局地的な発電出力変動の時系列予測値と推定誤差を、実時間で予測するシステムとなる（請求項３記載）。
なぜなら、本発明は予測対象となるシステム自体には依存しておらず、過去のデータさえあれば、どのような変動でもその将来の予測および予測誤差の推定が可能であるからである。
すると、風力発電なら、その地域の風況の予測を本発明により実現することで、将来の風力発電の出力変動が推定誤差つきで得られるので、電力系統は不安定化を防ぐべく変動に備えた対応を予め取ることが初めて可能になる。太陽光発電でも同様で、その地域の日射量の予測を本発明により実現することで、将来の太陽光発電の出力変動が推定誤差つきで得られるので、同じく、電力系統は不安定化を防ぐべく変動に備えた対応を予め取ることが初めて可能になる。
さらには、例えば、風況と風力発電の過去のデータ及び気温のデータの関係から、その地域における、風力発電が与える自然環境への影響を同定し、予測することも可能となる。風況に限らず、他の気象条件変動についても同様である。これは、再生可能エネルギーの本格的な普及が期待される将来において、その地球環境への影響を最小限に押えるために必要な情報を与えることが初めて可能となる。すなわち、本発明は、再生可能エネルギーと地球環境のための、地球全球モデルとは全く異なる時空局所な気象予測システムとなる。
ｔ１ 過去の気象条件変動の時系列データ
ｐ１ 将来の気象条件変動の時系列予測値と推定誤差
Ａ１ ｔ１、ｐ１の座標軸（横軸が時刻、縦軸が気象条件変動の値）
ｉ１ 現在の気象条件変動の値の入力
Ｏ 気象条件変動の観測装置
Ｔ 過去および現在の気象条件変動の時系列データの蓄積および伝送装置
Ｌ 過去の気象条件変動の時系列データから構成されるデータベースのセット
Ｌ＊ 過去および現在の気象条件変動の時系列データから構成される仮のデータベースの セット
Ｐ１ Ｌを用いた、多時刻同時予測法による、将来の気象条件変動を推定誤差も併せて実 時間で予測する、気象条件変動の予測機構
Ｐ＊１ Ｌ＊を用いた、多時刻同時予測法による、過去の気象条件変動を推定誤差も併せ て実時間で予測する、気象条件変動の予測機構
Ｕ１ Ｐ１、Ｐ＊１を用いた、データベースのセットＬの実時間更新機構
Ｒ１ Ｌ、Ｌ＊のデータベース構築機構およびＰ１、Ｐ＊１、Ｕ１を用いた、Ｐ１、Ｕ１ 、Ｌ、Ｌ＊を含有する、請求項１記載の、気象条件変動の実時間予測機構
ｏ１ 将来の気象条件変動の予測値と推定誤差の出力
ｇ１ 過去の発電出力変動の時系列データ
ｆ１ 将来の発電出力変動の時系列予測値と推定誤差
Ａ２ ｇ１、ｆ１の座標軸（横軸が時刻、縦軸が発電出力変動の値）
ｉ２ 現在の発電出力変動の値の入力
Ｇ 発電出力変動の測定装置
Ｅ１ Ｒ１を用いた、請求項２記載の、再生可能エネルギー出力変動の実時間予測機構
ｏ２ 将来の発電出力変動の予測値と推定誤差の出力
Ｗ１ 風力発電
Ｓ１ 太陽光発電
Ｔ１ 潮流・波力発電
ｉ１１ 風況
ｉ１２ 太陽光
ｉ１３ 日射量
ｉ１４ 積雪量
ｉ１５ 降雨量
ｉ１６ 潮流
ｉ１７ 地球の自転公転および月の運行による気象条件変動
ｔＡ 過去のｉ１１〜ｉ１７などの気象条件変動の時系列データ
ｐＡ 将来のｉ１１〜ｉ１７などの気象条件変動の時系列予測値と推定誤差
ＡＡ ｔ１、ｐ１の座標軸で横軸が時刻、縦軸が気象条件変動の値
ｉＡ 現在のｉ１〜ｉ７などの気象条件変動の値の入力
ＯＡ ｉ１１〜ｉ１７などの気象条件変動の観測装置
ＴＡ 過去および現在のｉ１１〜ｉ１７などの気象条件変動の時系列データの蓄積装置
ＲＡ 請求項１の機構を用いた、請求項３記載の、局地的な気象条件変動や再生可能エネ ルギー発電変動を推定誤差も併せて実時間で予測する、再生可能エネルギーと地球 環境のための気象予測システム
ｏＡ 将来のｉ１１〜ｉ１７などの気象条件変動の予測値と推定誤差の出力
ｐ１ 将来の気象条件変動の時系列予測値と推定誤差
Ａ１ ｔ１、ｐ１の座標軸（横軸が時刻、縦軸が気象条件変動の値）
ｉ１ 現在の気象条件変動の値の入力
Ｏ 気象条件変動の観測装置
Ｔ 過去および現在の気象条件変動の時系列データの蓄積および伝送装置
Ｌ 過去の気象条件変動の時系列データから構成されるデータベースのセット
Ｌ＊ 過去および現在の気象条件変動の時系列データから構成される仮のデータベースの セット
Ｐ１ Ｌを用いた、多時刻同時予測法による、将来の気象条件変動を推定誤差も併せて実 時間で予測する、気象条件変動の予測機構
Ｐ＊１ Ｌ＊を用いた、多時刻同時予測法による、過去の気象条件変動を推定誤差も併せ て実時間で予測する、気象条件変動の予測機構
Ｕ１ Ｐ１、Ｐ＊１を用いた、データベースのセットＬの実時間更新機構
Ｒ１ Ｌ、Ｌ＊のデータベース構築機構およびＰ１、Ｐ＊１、Ｕ１を用いた、Ｐ１、Ｕ１ 、Ｌ、Ｌ＊を含有する、請求項１記載の、気象条件変動の実時間予測機構
ｏ１ 将来の気象条件変動の予測値と推定誤差の出力
ｇ１ 過去の発電出力変動の時系列データ
ｆ１ 将来の発電出力変動の時系列予測値と推定誤差
Ａ２ ｇ１、ｆ１の座標軸（横軸が時刻、縦軸が発電出力変動の値）
ｉ２ 現在の発電出力変動の値の入力
Ｇ 発電出力変動の測定装置
Ｅ１ Ｒ１を用いた、請求項２記載の、再生可能エネルギー出力変動の実時間予測機構
ｏ２ 将来の発電出力変動の予測値と推定誤差の出力
Ｗ１ 風力発電
Ｓ１ 太陽光発電
Ｔ１ 潮流・波力発電
ｉ１１ 風況
ｉ１２ 太陽光
ｉ１３ 日射量
ｉ１４ 積雪量
ｉ１５ 降雨量
ｉ１６ 潮流
ｉ１７ 地球の自転公転および月の運行による気象条件変動
ｔＡ 過去のｉ１１〜ｉ１７などの気象条件変動の時系列データ
ｐＡ 将来のｉ１１〜ｉ１７などの気象条件変動の時系列予測値と推定誤差
ＡＡ ｔ１、ｐ１の座標軸で横軸が時刻、縦軸が気象条件変動の値
ｉＡ 現在のｉ１〜ｉ７などの気象条件変動の値の入力
ＯＡ ｉ１１〜ｉ１７などの気象条件変動の観測装置
ＴＡ 過去および現在のｉ１１〜ｉ１７などの気象条件変動の時系列データの蓄積装置
ＲＡ 請求項１の機構を用いた、請求項３記載の、局地的な気象条件変動や再生可能エネ ルギー発電変動を推定誤差も併せて実時間で予測する、再生可能エネルギーと地球 環境のための気象予測システム
ｏＡ 将来のｉ１１〜ｉ１７などの気象条件変動の予測値と推定誤差の出力
Claims (3)
- 時空局所的な気象条件変動をその過去の時系列データから、軽量な多時刻同時予測法により、将来の気象条件変動を推定誤差も併せて実時間で予測する、気象条件変動の実時間予測機構であって、
前記「軽量な多時刻同時予測法」とは、過去の気象条件変動の再構成状態空間上のある時刻のベクトル値とその多時刻先の値からなるベクトル値のペア群をデータベースとし、その中の現在の再構成状態空間上のベクトル値の近傍点群の多時刻分先の値の平均を将来の気象条件変動の予測値、標準偏差を予測誤差の推定値とし、その予測値の実際の最新値が 観測されたら、最新値をデータベースに組み込まずに得られる予測誤差と比べて、データベース上のある値を未知とした上で最新値を仮のデータベースに組み込んで得られる予測誤差が、多時刻分の過半数において低ければ仮のデータベースに更新する予測法と定義するところの、
前記「実時間予測」とは、予測値の時刻が到来することなく十分速やかに予測値を算出することと定義するところの、
前記「軽量な多時刻同時予測法」では、データベース構成方法が、ある時刻のベクトル値とその多時刻先の値のペア群を保持するのと同時に時系列データの埋め込みになっていることから、背景となる決定論的性質である再構成状態空間上の再帰性を利用し速やかに予測値を算出し得ることを特徴とし、それに加えて、予測誤差の低減に寄与するデータの取捨選択によるデータベースの更新を特徴とすることによって、前記「実時間予測機構」は過去の時系列データのみから気象条件変動を実時間予測することを特徴とする。 - 請求項１記載の気象条件変動の実時間予測機構を用いて、風力発電・太陽光発電などの再生可能エネルギーの発電出力変動を推定誤差も併せて実時間で予測する、再生可能エネルギー出力変動の実時間予測機構であって、
請求項１記載の「軽量な多時刻同時予測法」は、データベース構成方法が、ある時刻のベクトル値とその多時刻先の値のペア群を保持するのと同時に時系列データの埋め込みになっていることから、背景となる決定論的性質である再構成状態空間上の再帰性を利用し速やかに予測値を算出し得ることを特徴とし、それに加えて、予測誤差の低減に寄与するデータの取捨選択によるデータベースの更新を特徴とすることによって、前記「実時間予測機構」は過去の時系列データのみから再生可能エネルギー出力変動のような気象条件変動とは力学的性質の異なるものにおいても実時間予測することを特徴とする。 - 請求項１記載の気象条件変動の実時間予測機構を用いて、風況・気温・湿度・日射量・降雨量・積雪量・海流・ＣＯ２濃度などの時空局所的な気象条件変動や再生可能エネルギー発電変動を推定誤差も併せて実時間で予測する、再生可能エネルギーと地球環境のための気象予測システムであって、
請求項１記載の「軽量な多時刻同時予測法」は、データベース構成方法が、ある時刻のベクトル値とその多時刻先の値のペア群を保持するのと同時に時系列データの埋め込みになっていることから、背景となる決定論的性質である再構成状態空間上の再帰性を利用し速やかに予測値を算出し得ることを特徴とし、それに加えて、予測誤差の低減に寄与するデータの取捨選択によるデータベースの更新を特徴とすることによって、前記「気象予測システム」は過去の時系列データのみから風況・気温・湿度・日射量・降雨量・積雪量・海流・ＣＯ２濃度などのような力学的性質の異なる様々な変動においても実時間予測することを特徴とする。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2012179938A JP5339317B1 (ja) | 2012-07-30 | 2012-07-30 | 気象変動の実時間予測法に基づく再生可能エネルギー出力変動の予測機構 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2012179938A JP5339317B1 (ja) | 2012-07-30 | 2012-07-30 | 気象変動の実時間予測法に基づく再生可能エネルギー出力変動の予測機構 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP5339317B1 true JP5339317B1 (ja) | 2013-11-13 |
| JP2014026625A JP2014026625A (ja) | 2014-02-06 |
Family
ID=49679146
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2012179938A Active JP5339317B1 (ja) | 2012-07-30 | 2012-07-30 | 気象変動の実時間予測法に基づく再生可能エネルギー出力変動の予測機構 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5339317B1 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015138864A (ja) * | 2014-01-22 | 2015-07-30 | 株式会社日立製作所 | 太陽光発電装置の出力推定方法および装置並びにこれを用いた電力系統監視装置 |
| CN106099932A (zh) * | 2016-07-22 | 2016-11-09 | 中国电力科学研究院 | 一种考虑不确定性的时空相关性的日前计划潮流分析方法 |
| CN111950764A (zh) * | 2020-07-03 | 2020-11-17 | 国网冀北电力有限公司 | 一种极端天气条件电网风电功率预测修正方法 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6848271B2 (ja) * | 2016-09-01 | 2021-03-24 | 富士電機株式会社 | 風速予測装置、風速予測システム、風速予測方法及びプログラム |
| JP6488489B2 (ja) * | 2017-10-18 | 2019-03-27 | 株式会社東芝 | 気象予測誤差解析システム及び気象予測誤差解析方法 |
| JP7170763B2 (ja) * | 2021-02-18 | 2022-11-14 | ソフトバンク株式会社 | 電磁波の減衰を予測する装置、方法及びプログラム |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11160454A (ja) * | 1997-11-25 | 1999-06-18 | Nippon Telegr & Teleph Corp <Ntt> | １次元量予測装置 |
| JP2004019583A (ja) * | 2002-06-18 | 2004-01-22 | Tohoku Electric Power Co Inc | 風力発電における発電出力予測方法、発電出力予測装置及び発電出力予測システム |
| JP2005030988A (ja) * | 2003-07-09 | 2005-02-03 | East Japan Railway Co | 風速予測システムおよび風速予測方法 |
-
2012
- 2012-07-30 JP JP2012179938A patent/JP5339317B1/ja active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11160454A (ja) * | 1997-11-25 | 1999-06-18 | Nippon Telegr & Teleph Corp <Ntt> | １次元量予測装置 |
| JP2004019583A (ja) * | 2002-06-18 | 2004-01-22 | Tohoku Electric Power Co Inc | 風力発電における発電出力予測方法、発電出力予測装置及び発電出力予測システム |
| JP2005030988A (ja) * | 2003-07-09 | 2005-02-03 | East Japan Railway Co | 風速予測システムおよび風速予測方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015138864A (ja) * | 2014-01-22 | 2015-07-30 | 株式会社日立製作所 | 太陽光発電装置の出力推定方法および装置並びにこれを用いた電力系統監視装置 |
| CN106099932A (zh) * | 2016-07-22 | 2016-11-09 | 中国电力科学研究院 | 一种考虑不确定性的时空相关性的日前计划潮流分析方法 |
| CN106099932B (zh) * | 2016-07-22 | 2021-11-19 | 中国电力科学研究院 | 一种考虑不确定性的时空相关性的日前计划潮流分析方法 |
| CN111950764A (zh) * | 2020-07-03 | 2020-11-17 | 国网冀北电力有限公司 | 一种极端天气条件电网风电功率预测修正方法 |
| CN111950764B (zh) * | 2020-07-03 | 2024-03-22 | 国网冀北电力有限公司 | 一种极端天气条件电网风电功率预测修正方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2014026625A (ja) | 2014-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5339317B1 (ja) | 気象変動の実時間予測法に基づく再生可能エネルギー出力変動の予測機構 | |
| Orwig et al. | Recent trends in variable generation forecasting and its value to the power system | |
| US10302066B2 (en) | Reducing curtailment of wind power generation | |
| US10598157B2 (en) | Reducing curtailment of wind power generation | |
| Benghanem et al. | Radial Basis Function Network-based prediction of global solar radiation data: Application for sizing of a stand-alone photovoltaic system at Al-Madinah, Saudi Arabia | |
| Craig et al. | Overcoming the disconnect between energy system and climate modeling | |
| Fu et al. | Failure analysis of a transmission line considering the joint probability distribution of wind speed and rain intensity | |
| Balluff et al. | Short term wind and energy prediction for offshore wind farms using neural networks | |
| Saxena et al. | A review study of weather forecasting using artificial neural network approach | |
| JP2013108462A (ja) | 風力発電量予測システム、そのプログラム | |
| JP2006337347A (ja) | 雷位置予測方法及び雷位置予測システム | |
| CA2996731C (en) | Methods and systems for energy use normalization and forecasting | |
| WO2020140127A1 (en) | Systems and methods distributed-solar power forecasting using parameter regularization | |
| Li et al. | Multivariable time series prediction for the icing process on overhead power transmission line | |
| Ceferino et al. | Bayesian updating of solar panel fragility curves and implications of higher panel strength for solar generation resilience | |
| Zhang et al. | Deep learning approach for forecasting sea surface temperature response to tropical cyclones in the Western North Pacific | |
| Khatib | A novel approach for solar radiation prediction using artificial neural networks | |
| Greengard | Weathering a new era of big data | |
| Al-Hilfi et al. | An improved technique to estimate the total generated power by neighboring photovoltaic systems using single-point irradiance measurement and correlational models | |
| Zhou et al. | A physics-informed deep-learning intensity prediction scheme for tropical cyclones over the western North Pacific | |
| Kumar et al. | Optimized Forecasting Approach for Scheduling Wind Generation Plants and Maximizing Renewable Energy Utilization | |
| Wang et al. | Reservoir optimization to produce maximum power generation under climatic conditions based on the improved bat optimization algorithm (IBOA) | |
| Yun et al. | Study of wind farm power output predicting model based on nonlinear time series | |
| Zhang et al. | Instantaneous 2D extreme wind speed prediction using the novel Wind Gust Prediction Net based on purely convolutional neural mechanism | |
| Eleuterio et al. | The Earth System Prediction Capability program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| TRDD | Decision of grant or rejection written | ||
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5339317 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |