JP5734936B2 - 発電量予測装置およびその方法 - Google Patents

Description

本発明の実施形態は、発電量予測装置およびその方法に関する。

太陽光発電（PV：Photovoltaic）システムは発電設備であり、発電量と電力買取り価格に応じて発電収益が決定する。このとき、PVシステムのライフサイクルを考慮した数十年におよぶ長期的な発電量予測が必要となる。長期的な電力買取り価格が与えられたとき、PVシステムの発電能力と、PVシステムが存在するサイトの気象環境をモデル化できれば、発電量と発電収益の分析を行うことが可能になる。従来、発電実績データからPVシステムの発電能力をモデル化し発電量予測を行う手法が提案されている。

D. King, W. Boyson, and J. Kratochvil, Photovoltaic Array Performance Model,SAND2004-3535, Sandia National Laboratories, Albuquerque, NM, December 2004.

PVシステムの長期発電見通しについて、発電実績データを用いて分析することが重要となるが、従来手法は、単一PVシステムの発電実績データのみから単純な線形回帰モデルを用いてシステムパラメータの補正を行っていたため、センサ等のノイズや、建物等による影の影響の排除などを行うことが困難だった。そのため、高精度の発電量長期予測を行うことができないという問題点があった。

本発明の一側面は以上の様な問題を解決するためになされたものであり、その目的は、PVシステムの高精度の発電量予測を行うことが可能な発電量予測装置およびその方法を提供することにある。

本発明の一態様としての発電量予測装置は、参照気象データ格納部と、発電実績データ格納部と、PVシステム係数格納部と、気象状況推定部と、気象状況空間補正部と、発電予測部と、を備える。

前記参照気象データ格納部は、参照気象サイトで収集された気象状況値を含む参照気象データを格納する。

前記発電実績データ格納部は、前記参照気象サイトと異なる複数のサイトに設置された太陽光発電（PV：Photovoltaic）システムで発電した電力の電流値と電圧値を含む、前記PVシステム毎の発電実績データを格納する。

前記PVシステム係数格納部は、前記PVシステムのそれぞれについて、気象状況値から発電量を予測するための係数であるシステム係数を格納する。

前記気象状況推定部は、前記PVシステムのそれぞれについて、前記システム係数と前記発電実績データから前記サイトにおける気象状況を推定することにより、推定気象状況値を得る。

前記気象状況空間補正部は、前記推定気象状況値を、各前記PVシステムの設置位置に応じて補正処理することにより補正気象状況値を得る。

前記パラメータ学習部は、前記PVシステム毎に、前記補正気象状況値と前記発電実績データに基づいて、前記システム係数を更新する。

前記発電予測部は、前記PVシステム毎に、前記参照気象データと前記システム係数に基づき、発電量予測を行う。

本発明の一実施形態に係るPV発電量長期予測装置を備えた全体システムの構成図。 本発明の一実施形態に係るPV発電量長期予測装置のブロック図。 本発明の一実施形態に係るコンピュータシステムの構成図。 本発明の一実施形態にかかる動作のフロー図。 PVシステム係数の例を示す図。 IV特性カーブを示す図。 参照気象データの例を示す図。 発電実績データの表を示す図。 複数のPVサイトの発電実績データのグラフを示す図。 日射量（日照値）と気温に関するエリア気象環境係数の例を示す図。 太陽位置気象補正係数のマップの例を示す図。 あるPVサイトについて発電量予測結果を示す図。 気象状況空間補正を説明するための図。 発電実績データの選択方法の説明図。

本発明の実施の形態は、太陽光発電システム(以下PVシステム)の長期的な発電量の予測装置に関し、特に、稼働開始後の複数のPVシステムの発電実績データと、気象台等の参照気象サイトの長期的な気象データを利用して、PVサイトの気象センサ等のノイズや、建物等によるPVシステムへの影の影響の排除を行い、PVシステムの発電量を長期にわたり精度良く予測する発電量長期予測装置に関する。

以下、図面に基づいて本発明の実施の形態について説明する。

まず、発電量長期予測の基本的な事柄について説明する。

サイトiに設置されたPVシステムの発電能力は、システムパラメータθiを用いた性能モデルによって表すことができる。また、サイトiの気象環境は、確率モデルEiによって表すことができる。すると、例えば関数predict(θi, Ei | T〜Te)によって現在時刻Tから時点TeまでのこのPVシステムの発電量の予測を行うことができる。

PVシステムを設計する際には、設置予定のサイトの気象環境モデルEiが得られているわけではない。このため、近隣の気象台などの参照気象サイトの気象データerを用いて、参照気象サイトにおける気象環境モデルErを生成する。そして、標準的なPVシステムの発電能力を表すシステムパラメータθoを用いて、
predict(θo, Er | T〜Te) (1)
によって時間範囲T〜Teの発電量予測を行うことができる。

実際にサイトiにおいてPVシステムが稼働し始めると、発電実績データdiが得られる。発電実績データdは各時刻tにおけるデータの集合{d(t)}によって表すことが可能である。各時刻のデータは、発電直流電流I(t)、発電直流電圧V(t), 日照値S(t), および, 気温C(t)を合わせたd(t)={I(t), V(t), S(t), C(t)} などによって表すことができる。また、小規模PVサイトなどではd(t)={I(t), V(t)} しか得られない場合もある。収集される時間範囲はサイトによって異なり、現在時刻をTとすると(Ti≦t≦T)の範囲で発電実績データが蓄積される。

di(t)={I(t), V(t), S(t), C(t)} からなる発電実績データを用いて、システムパラメータθiを推定し、
predict(θi, Er | T〜Te) (2)
によって発電実績データを反映させた発電量予測を行うことができる。

ただし、このような予測を行う場合には、PVシステムが設置されたサイトの気象センサデータが正しく、かつ、近隣の影などの影響がないという前提が成り立たないと、正確な予測を行うことができないという問題点がある。本発明の実施形態は複数サイトの発電実績データと参照気象データを組み合わせることによって、それらの問題を解決する。

図１は本発明の一実施形態が想定する太陽光発電システムの発電量長期予測装置のシステム例を示したものである。

図１において、参照気象サイト２０２は気象台などを表し、長期間の気象データ{er(t)}が収集されている。なお、気象データは前提となる気象状況モデルErからのサンプルと考えることができる。通常、参照気象サイトは高台などにあり、影の影響を受けにくい位置にある。また、気象台のセンサ（日射計、温度計等）は通常、PVシステムの気象センサに比べて、高精度である。

気象対象エリア２０５には管理対象の複数のPVシステムがそれぞれのサイトに設置されている。図１の対象エリア２０５にはPVシステム２０３を含む４つのPVシステムが管理されている。それぞれのPVシステムには発電実績データd, システムパラメータθ、太陽位置気象補正パラメータM, エリア気象環境パラメータEが割り当てられている。各PVシステムのエリア気象環境パラメータは、共通のエリア気象環境パラメータEaを用いてもよい。各パラメータの詳細は後述する。それらのデータやパラメータの蓄積、あるいはパラメータの算出は計算センター２０４によって行われる。これは、例えばクラウドなどの計算サービス提供設備を表す。本発明の実施形態に関わるPV発電量長期予測装置は、この計算センター２０４上のプログラムモジュールとして実現することが可能である。

図２は、本発明の実施形態にかかわるPV発電量長期予測装置の一実施の形態を示したブロック図である。図２に示されるように、この発電量予測装置は、参照気象データ格納部３０１、気象状況空間補正部３０２、気象状況推定部３０３、発電実績データ選択部３０４、太陽位置算出部３０５、発電実績データ格納部３０６、パラメータ学習部３０７、太陽位置気象補正係数格納部３０８、エリア気象環境係数格納部３０９、PVシステム係数格納部３１０、および、発電予測部３１１、を備えている。

図２の装置の各構成要素は、たとえばプログラムモジュールとして実現することができ、この場合、各プログラムモジュールを含むプログラムを図３に示すコンピュータシステムおいて実行することで機能を実現することができる。このコンピュータシステムには、プログラム命令を実行するＣＰＵ１０１、メモリ等の主記憶装置１０４、ハードディスク、磁気ディスク装置または光磁気ディスク装置等の外部記憶装置１０３、ユーザによるデータ入力を行う入力装置１０５、ユーザにデータ表示を行う表示装置１０６およびこれらを互いに接続するバス１０２が備わっている。プログラムは外部記憶装置１０３に保存されており、ＣＰＵ１０１がこのプログラムを主記憶装置１０４に展開し、展開したプログラムを逐次読み出し実行する。

図２におけるPVシステム係数格納部３１０には、気象状況e(t)={S(t), C(t)}からPVシステムの発電量p(t)={I(t), V(t)}を予測するためのパラメータ（システム係数）が格納される。図５にPVシステム係数の例を示す。図５において、５０２は気象センサが存在するサイトのためのPVシステム係数、５０３は気象センサが存在しないサイトのためのPVシステム係数の例をそれぞれ表している。

I_ph、I₀、α、Rsはダイオードの回路係数、 Ccoef_VおよびCcoef_Iは発電パネルの温度係数である。I_phが発電の起電力、I₀は逆方向飽和電流パラメータと呼ばれる特性パラメータ、αは所定の係数、Rsは発電モジュールの直列抵抗である。I_ph、I₀、α、Rsは学習により決定されることができる。あるいはこれらの一部または全部が、スペックシートの値を用いるなど、事前に与えられても良い。Ccoef_VおよびCcoef_I は、学習により決定されることができる。あるいは、Ccoef_VおよびCcoef_I は、スペックシートの値を用いるなど、事前に与えられてもよい。C0、C1、S0、S1は気象センサ補正係数であり、学習により決定する。パラメータ学習の方法は後述する。

PVシステム係数５０２を例に発電量を予測する手順の例を以下に示す。

ステップA1) パラメータ(I_ph, I₀, Rs, α)を用いて、

によって、IVカーブを算出する。これは、準ニュートン法などの反復計算を用いて行うことができる。図６にIVカーブの例６０１を示す。図６の６０２はX軸に電圧(V)をY軸に電流(I)をとったIVカーブであり、PVシステムの発電能力を表す。

ステップA2) IVカーブの最大電力点(Im, Vm)を求める。図６では６０３が最大電力点に相当する。PVシステムは、発電電力を最大化するため、パワーコンディショナーにより最大電力点制御（MPPT制御）を行うものとする。

ステップA3) 気象センサ値を以下のように補正する。

C’(t) = (C(t) - C0)/C1, S’(t) = (S(t) - S0)/S1 (4)

ステップA4) 以下のように発電量の予測を行う。なお、式(5)および式(6)における「25」は発電モジュールの基準温度を表している。

I^*(t) = Im * S’(t) / (1 + Ccoef_I * (C’(t) - 25)) (5)
V^*(t) = Vm / (1 + Ccoef_V * (C’(t) -25)) (6)

上のステップA3は、気象センサ値に問題がある場合を想定した補正処理である。気象センサのいくつかには精度に問題が発生する可能性があるため、このような処理が重要となる。

このような処理を、時刻tを変化させて繰り返し行うことにより、気象状況データe = (e(0), …, e(t), …)が与えられた場合の発電量p = (p(0), …, p(t), …)を予測することが可能となる。また、気象センサが存在しないPVサイトでは、上のステップA3を省略すればよい。

図２における参照気象データ格納部３０１には、対象エリアの近隣の気象台など、長期間の正確な気象データが格納されている。参照気象データには日照値と気温が含まれている。他の種類の気象状況値が含まれても良い。

図７は参照気象データの例９０１であり、９０２が気温、９０３が日照値に対応している。一般に気象台などの参照気象サイトにおける気象データは豊富であることが期待できる。図７の例では1980年1月1日からのデータが含まれている。ただし、参照気象サイトのデータは、影などの影響を含めPVサイトが設置された環境とは気象状況に差異があることが考えられる。そのため、PVサイトの気象状況を算出する際は、その差異を考慮した補正が必要となる。その際に、複数サイトの発電実績データを用いることが重要である。

図２における発電実績データ格納部３０６には、対象エリアのPVシステムの発電実績が蓄積される。図８はあるPVサイト（PVシステム）の発電実績データの例１００１を表形式で表したものである。発電実績データ格納部３０６は、図８のような発電実績データを各PVサイトについて格納している。

図８において、各行がある時点の発電実績を表しており、時間順にデータが並んでいる。データは、直流電圧、直流電流、日照値、気温、補正後日照値、補正後気温、および、重みというフィールドからなっている。

直流電圧フィールドと直流電流フィールドには、発電電力に関する直流電圧と直流電流の値を格納する。直流電圧フィールドと直流電流フィールドの値は、すべてのPVサイトに含まれる必要がある。

また、気象センサがあるPVサイトでは日照値フィールドや気温フィールドはセンサ値を格納する。気象センサがないPVサイトでは、後に述べる方法(D1〜D4の式)で算出した推定値を格納する。

また、補正後日照値フィールドと補正後気温フィールドは、後に述べる方法で、上記の日照値および気温のフィールドの値を補正した値を格納する。

さらに、重みフィールドは、パラメータ学習の際のデータの重要度を表す重み係数を格納する。値が0の場合は、学習には当該データを用いないことが考えられる。後述するように影の影響が大きいデータ等には、値0が設定される。重み係数は、パラメータ学習の際に格納される。

図９は複数のPVシステムの発電実績データのうち、日照値と気温をグラフ形式で表したものである。それぞれのPVシステムの稼働開始日の違いによって収集期間が異なることがわかる。

図２におけるエリア気象環境係数格納部３０９には、対象エリア（図１の２０５参照）の気象確率モデルが蓄積される。すなわち、このモデルから図７または図９に示したような気象状況データeをサンプリングすることが可能である。また、気象確率モデルを導入することにより、後述するように、発電量の確率分布などを求めることが可能になる。

図１０はエリア気象環境係数の例１２０１を示している。ここでは、１年３６５日の各年月の各時刻において、日照値と気温に関する係数が蓄積されている。これらの係数は、正規分布のパラメータを表している。μrは参照気象サイトの平均、σrは参照気象サイトの標準偏差を表す。また、μaは、対象エリアについて、参照気象サイトとの気象状況の差の平均を表す。例えば、1/1の8:00の日照値に関しては(250, 18, 20)という値が蓄積されている。即ち、平均μ、標準偏差σの正規分布をN(μ, σ)と表すとすると、参照気象サイト（気象台等）の該当時刻の日照値の確率分布がN(250, 18)であり、対象エリアはN(250+20, 18) = N(270, 18)の正規分布によって、日照値（日照量）がサンプリングできることを表している。気温についても同様にしてサンプリングできる。図１０の例は、１時間毎に正規分布で日照を表したが、１日ごとや３時間毎などでもよい。また、正規分布以外の分布を仮定してもよい。μr、σr、μaの算出方法は後述する。

対象エリアの気象状況は、基本的にこのようなエリア気象環境パラメータによって表現される確率モデルによって表される。ただし、各PVサイトの個別の気象環境は対象エリア内ですべて等しいという仮定は都市部などでは成り立たない可能性がある。その原因として挙げられるのが周辺物の影の影響である。周囲の影によってPVシステムに到達する日照量が減少するためである。また影によってPVサイトの気温が低下する。周辺物の影などの影響は一時的なものではないので、発電量の長期予測には反映しなければならない。

本発明の実施形態では、個々のPVサイトの気象状況への影響に関しては、周辺物の日照値と気温のみを考慮する。すると、太陽位置毎に影響をモデル化すればよいと考えられる。

図２における太陽位置気象補正係数格納部３０８には、PVサイト毎に、太陽の方位および高度毎にグリッドで区切られた範囲毎に補正パラメータ（補正係数）が蓄積される。

図１１は太陽位置気象補正係数の例７０１を示している。太陽の方位、高度毎にグリッドで区切られた範囲に、各グリッドに0〜1の係数が設定されたマップが示されている。ここで、一番右上のグリッドには、日照に関する係数0.3と、温度に関する係数0.95が格納されている。 他のグリッドにもそれぞれ日照に関する係数と温度に関する係数が格納されている。係数の値は後述する推定方法によって決定されたものである。なお、太陽の位置は、日時に応じて決まることから、日時に応じて0〜1の係数を設定したマップを用意し、このマップを用いることも可能である。

ここで、時刻tにおける対象エリアの日照値に関して、エリア気象環境係数を{μr(t), σr(t), μa(t)}で表すとする。また、太陽の位置φを用いて、対象サイトの太陽位置日照補正係数をM(φ)で表するとする。このとき、この太陽位置気象補正係数を用いて、以下のように日照値をサンプリングできる。気温についても同様にしてサンプリングすることができる。

ステップB1) e’(t) 〜 N(μr(t) +μa(t), σr(t)) によってe’(t)をサンプリングする。つまり、N(μr(t) +μa(t), σr(t))の正規分布からデータをサンプリングする。

ステップB2) φ = sun_dir(t) によってφを算出する。ただし、sun_dir(t)は対象サイトの時刻tにおける太陽位置を算出する関数。

ステップB3) e(t) = M(φ) * e’(t) によってe’(t)を補正する。

このような処理を日照値と気温に関して行うことにより、周辺物の影の影響を考慮したランダムな気象データのサンプルを得ることができる。すると、それらのサンプルのそれぞれに対して、前述したステップA1)〜A4)の処理を行うことにより、各サンプルにおける発電量の予測結果を得ることができる。
図２における発電予測部３１１では、そのような予測結果を用いて長期的発電予測を行う。図１２は、あるPVサイトについての発電量予測結果の例１４０１を示す。この例では６年間の発電量の予測を行っている。

図１２において１４０２は単年度の発電量を、１４０３は累積発電量を表している。中心の実線が中心点（平均）、点線が９５％信頼区間を表している。なお、図12のグラフで累積発電量が単年度発電量よりも下から開始しているが、これはそれぞれの縦軸のスケールが異なっているためである。

このような発電量の区間推定は、複数のサンプルを用いることにより可能である。すなわち、対象エリアの気象環境モデルから気象状況（日照値、温度）を同一時刻について複数回サンプリングして複数のサンプルを取得し、当該サンプルを太陽位置に応じて補正し、補正後のサンプルから式(1)を用いてIVカーブを算出し、最大電力点を求め、式(5)および式(6)によって発電量を予測する、といった処理を繰り返すことで、同一時刻について複数の発電サンプルを生成する。これらの発電サンプルから平均および信頼区間を求める。

なお、図２における太陽位置算出部３０５は、時刻tに応じて太陽位置を算出する機能を有する。発電予測部３１１は、太陽位置算出部３０５を用いて、時刻tに応じた太陽位置を算出する。すなわち、上述したステップB2を実行する。

これらの発電量予測処理は、PVサイトiのシステムパラメータθiと、PVサイトiの気象モデルEiを用いて、

predict(θi, Ei | T〜Te) (7)
という予測を行っていることに相当する。すなわち、時刻Tから時刻Teまで、PVサイトiのシステムパラメータθiと、PVサイトiの気象モデルEiに基づき、PVサイトiの発電量を予測する。サイトi固有のモデルを用いることにより、上述した式(1)および式(2)と比較して、高精度の予測が可能になる。ただし、式(2)を用いた予測も、式(1)に比べて高精度の予測が可能であり、本実施形態の予測に含まれる。

これまで述べてきたように、太陽位置気象補正係数３０８、エリア気象環境係数３０９、および、PVシステム係数３１０を利用して、高精度の発電予測を行うことが可能である。

これらの係数は図２における発電実績データ格納部３０６のデータを用いて、パラメータ学習部３０７において学習を行うことで決定できる。ただし、そのためには、PVサイトで収集された発電実績データ（直流電流、直流電圧、気象センサがある場合はセンサ値）に、パラメータ学習のために必要な各種データを追加しなければならない。特に必要なのが各PVサイトの各時点の気象状況（日照値、気温）の正確な推定値である。

図２における気象状況推定部３０３では、発電実績データとPVシステム係数を用いてPVサイト毎に気象状況の推定を行う。PVサイトには気象センサが設置されている場合と、設置されていない場合があるので、それぞれの場合について、推定方法の例を述べる。

＜気象センサが設置されている場合＞

C1) C^(t) = (C(t) - C0)/C1
C2) S^(t) = (S(t) - S0)/S1

によって、気温の推定値C^(t)と、日照の推定値S^(t)を推定することが可能である。

＜気象センサが設置されていない場合＞

D1) パラメータ(I_ph, I₀, Rs, α)を用いてIVカーブ（上述した式(3)）を算出する。
D2) IVカーブの最大電力点(Im, Vm)を求める。
D3) C^(t) = (Vm/V(t) - 1)/Ccoef_V + 25
D4) S^(t) = (I(t)/Im)*(1 + Ccoef_I * (C^(t) - 25))

によって、気温の推定値C^(t)と、日照の推定値S^(t)を推定することが可能である。

このように複数のPVサイトで、それぞれの気象状況を推定することが可能になる。これらの推定結果は、発電実績データの該当フィールド（図８の「日照」および「気温」のフィールド）に格納される。なおPVサイトに気象センサが存在する場合は、当該フィールドには当初センサ値が格納されるが、このセンサ値が上記推定値により上書きされてもよい。あるいは図８に図示しない別のフィールドを追加して、そこに推定値を格納してもよい。

図２における気象状況空間補正部３０２では、気象状況推定部３０３により推定された気象状況データ（日照値、気温）をサイトの位置情報を用いて空間的に配置し、空間補正処理によって真の値を推定する。ここで、互いに十分近い位置にあるサイトにおける気象状況は、局所的な影等の影響を排除すれば十分近いという仮定を置き、真の値を推定する。

図１３は気象状況空間補正の例８０１を示している。図における各数値は、各PVサイトの気象状況値（日照値または気温）を表す。この例では、単純な空間平均によって補正処理が行われている。そのほかの空間補正処理としては、空間移動平均や空間メジアン、マルコフ確率場によるスムージングなどが適用できる。単純な空間平均では各PVサイトの補正値は同じとなるが、空間移動平均等のその他の方法では、当然ながらPVサイトごとに異なる補正値となり得る。

気象センサがない場合や、気象センサのノイズなどの影響で各PVサイトの気象状況推定値のみでは気象状況の推定が不正確になる場合がある。そこで、このような空間補正処理を行うことにより、センサノイズの悪影響を排除した高精度の気象状況推定が可能になる。これらの補正された気象状況推定値は、発電実績データの該当フィールド（図８の「補正後日照」および「補正後気温」のフィールド）に格納される。

上で述べた空間補正は、気象状況の空間的な連続性を仮定している。しかし、場合によってはあるサイトの気象状況は、局所的な影等の影響で他より大きく外れてしまう可能性がある。そのような外れ値を用いてパラメータ推定を行うと悪影響があるため、パラメータ推定（システム係数やエリア気象環境係数等の推定）に用いるデータを選択する必要がある。選択の際には局所的な気象環境の影響のみを考慮するために、太陽位置気象補正係数を用いて行うことになる。

図２における発電実績データ選択部３０４では、太陽位置算出部３０５によって算出された太陽位置を用いて、太陽位置気象補正係数の値が１に近いほどデータの重要度を上げるように重み係数を算出する。たとえば太陽位置気象補正係数の値が閾値以上のデータは重み係数を１、閾値未満のデータは重み係数を０に設定する。

図１４は発電実績データの選択方法の例１３０１を示す。太陽位置気象補正係数M(φ)の値に応じて、太陽の位置が１３０３の範囲のデータ（すなわち日時が１３０３の範囲のデータ）は重み係数を０に、太陽の位置が１３０２の範囲のデータ（すなわち日時が１３０２の範囲のデータ）は重み係数を１に設定している。このような方法で設定された重み係数は、発電実績データの該当フィールド（図８の「重み」フィールド）に格納される。

図２におけるパラメータ学習部３０７では、発電実績データ格納部３０６に格納された発電実績データを用いてPVサイト毎にパラメータの学習を行う。パラメータ学習部では太陽位置日照補正係数M（φ）、エリア気象環境係数Ea（μr, σr、μa）、および、PVシステム係数θを決定する。

［太陽位置日照補正係数の学習］
まず太陽位置日照補正係数の学習では、例えば、空間補正後の気象状況値を真の値と見なし、当該空間補正後の気象状況値と、空間補正前の推定値（式C1,C2、式D1〜D4等によりローカルに推定された気象状況値）との差が最小になるようにパラメータを決定することができる。たとえば、時刻tの太陽位置がφ(t)、日照推定値S^(t) = 2.0, 補正後の推定値S^*(t)=12.6の場合、

M(φ(t)) = 2/12.6 ≒ 0.16 (8)
などとパラメータを決定する。実際にはより多くのデータ（たとえば各年月日の同一時刻のデータ）が得られるので、(8)式により得られる値の平均処理によって値を決定すればよい。また、データ数が少ない場合などには、ベイズ推定などをもちいてもよい。

［PVシステム係数θの学習］
次に、PVシステム係数θの学習では、気象センサ補正係数(式(4)で用いるS0, S1, C0, C1)と、IVカーブパラメータの決定を行う。

IVカーブパラメータの学習では、空間補正後の気象推定値(S^*(t)やC^*(t))のもとで、最大電力点が(I(t), V(t))となるように、パラメータ(I_ph, I₀, Rs, α)を決定すればよい。決定方法としては、最小二乗関数を準ニュートン法や山登り法などで最小化すればよい。また、(I_ph, I₀, α)についてはPVパネルのスペックシートのものをそのまま利用し、Rsだけを学習することも可能である。なお、Ccoef_I、Ccoef_Vは事前に与えられているとする。

代替的に、予測電流I^*(t)および予測電圧V^*(t)（式(5)および式(6)参照）が、(I(t), V(t))となるように、最小二乗関数を準ニュートン法や山登り法などで最小化するように、パラメータ(I_ph, I₀, Rs, α、Ccoef_I、Ccoef_V)を決定してもよい。一部のパラメータを、スペックシートのものをそのまま利用してもよい。

気象センサ補正係数の学習に関しては、センサ値(S(t), C(t))を、式(4)で変換した値が、(S^*(t), C^*(t))に最も近くなるように、最小二乗法によって(S0, S1, C0, C1)を決定すればよい。

［エリア気象環境係数の学習］
最後に、エリア気象環境係数の学習では、時刻tの気象データを複数年度分集めたものから確率分布を推定することで、パラメータを求めることが可能である。その際に、データのばらつきについては、参照気象サイトの豊富なデータから推定するとよい。

例えば、参照気象サイトのt=(1/1 8:00)の日照量を複数年度分集め、それらのデータから確率分布を推定することでEr(1/1 8:00)=N(μr, σr)を求めることが可能である。そして、同時刻の参照気象サイトと対象エリアの日照平均の差μaについては、

を時刻tにおいてデータが収集されている当該エリアのPVサイトの個数N(t)で除算することによって求めることが可能である。ここでSr(t)は参照気象サイトの日照値、S^i(t)は各PVサイトでの日照推定値である。あるいは、複数年度分の時刻tのデータが存在する場合は、 (9)式のNによる除算値の確率分布を推定し、その確率分布の平均をμaとしてもよい。気温についても同様にしてパラメータを求めることが可能である。

なお、これらのパラメータ決定の際には、学習データの重要度に差をつけることが有効である。その際には発電実績データ選択部３０４によって計算された重み係数に従ってデータに重みを付けることで、異常値を排除した正確なパラメータ推定が可能になる。たとえば重みが０のデータは用いないでパラメータ推定を行う。

図４は、本発明の実施形態にかかわるPV発電量長期予測方式の一実施の形態を示したフロー図である。なお、学習する各種パラメータ（係数）は最初、必要に応じて、スペックシートの値など、初期値が設定されている。

発電量長期予測プロセスが開始すると、ステップ４０１において、参照気象データ、および、発電実績データが、参照気象データ格納部３０１および発電実績データ格納部３０６からメモリ上に読み込まれる。

そして、ステップ４０２において、太陽位置に関する太陽位置日照補正係数の値に基づいて、発電実績データ選択部３０４が、発電実績データの選択を行う。たとえば、閾値との比較により、重み係数１または０を発電実績データに設定する。この処理によって影の影響が排除できる。

そののち、ステップ４０３において、気象状況推定部３０３が、PVシステム係数と、選択された発電実績データを用いて気象状況（日照値、気温）の推定を行う。PVサイトに気象センサがある場合はC(t),S(t)のデータ、気象センサがない場合はV(t)、I(t)のデータを用いて推定を行う（式(4)、式D3、D4参照）

上記のステップ４０１〜４０３は複数サイトに対して実施される。ステップ４０４において、気象状況空間補正部３０２は、それぞれのサイトについて推定された気象状況を、空間補正（スムージング処理）する。これにより、センサノイズを排除することが可能になる。

そして、ステップ４０３で推定された気象状況データ、ステップ４０４で補正された気象状況データ、および発電実績データを利用して、ステップ４０５において、パラメータ学習部３０７が、PVシステム係数、エリア気象環境係数、および、太陽位置日照補正係数を更新する。更新方法は、前述した通りである。

この更新によりステップ４０２と４０３の結果が更新前後で異なる可能性があるので、パラメータ学習部３０７は、パラメータ（各種係数）の更新量が十分小さいかをステップ４０６で判定する。まだ更新の余地がある場合には、ステップ４０２に戻り処理を繰り返す。たとえばすべてのパラメータが、それぞれ前回の値との差分がε未満になったときは収束したと判定する。εはパラメータごとに設定されてもよいし、共通の値が用いられても良い。または、すべてのパラメータではなく、特定のパラメータのみが収束したことをもって、収束したと判定してもよい。

パラメータが収束した場合には、ステップ４０７において、発電予測部３１１が、各PVシステムについて、それぞれ発電予測を行う。予測された発電量は、ディスプレイ等に出力される。

以上、本発明の実施形態により、複数サイトの発電実績データと障害物モデル（太陽位置気象補正係数）を利用してパラメータ推定を行うため、センサのノイズや影の影響などがある場合でも、PVシステムに関して高精度な発電量の長期予測を行うことができる。

なお、本発明は上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。

Claims (12)

1. 参照気象サイトで収集された気象状況値を含む参照気象データを格納する参照気象データ格納部と、
   前記参照気象サイトと異なる複数のサイトに設置された太陽光発電（PV：Photovoltaic）システムで発電した電力の電流値と電圧値を含む、前記PVシステム毎の発電実績データを格納する発電実績データ格納部と、
   前記PVシステムのそれぞれについて、気象状況値から発電量を予測するための係数であるシステム係数を格納するPVシステム係数格納部と、
   前記PVシステムのそれぞれについて、前記システム係数と前記発電実績データから前記サイトにおける気象状況を推定することにより、推定気象状況値を得る気象状況推定部と、
   各前記PVシステムの設置位置に応じて前記推定気象状況値を補正処理することにより補正気象状況値を得る気象状況空間補正部と、
   前記PVシステム毎に、前記補正気象状況値と前記発電実績データに基づいて、前記システム係数を更新するパラメータ学習部と、
   前記PVシステム毎に、前記参照気象データと前記システム係数に基づき、発電量予測を行う発電予測部と、
   を備えた発電量予測装置。
2. 前記参照気象サイトと、前記複数のサイトを包含する対象サイトとの気象状況の差を表すエリア気象環境係数を格納するエリア気象環境係数格納部とをさらに備え、
   前記パラメータ学習部は、前記推定気象状況値と、前記参照気象データの気象状況値との差分に基づき前記エリア気象環境係数を更新し、
   前記発電予測部は、前記エリア気象環境係数をさらに用いて、前記発電量予測を行う
   請求項１に記載の発電量予測装置。
3. 前記発電予測部は、前記参照気象データと前記エリア気象環境係数に基づき前記対象サイトの気象状況値をサンプリングし、サンプリングした気象状況値と、前記システム係数に基づき、前記発電量予測を行う
   請求項２に記載の発電量予測装置。
4. 前記PVシステム毎に、日時に関連づけられた日照補正係数を格納する補正係数格納部を備え、
   前記気象状況値は、日照値を含み、
   前記パラメータ学習部は、前記PVシステム毎に、前記補正気象状況値を前記日照補正係数で補正した値と、前記推定気象状況値との差分を最小にするように、前記日照補正係数
   を更新し、
   前記発電予測部は、前記日照補正係数をさらに用いて前記発電量予測を行う
   請求項１ないし３のいずれか一項に記載の発電量予測装置。
5. 前記発電予測部は、前記参照気象データに基づき気象状況値をサンプリングし、サンプリングした気象状況値を前記日照補正係数に応じて補正し、補正した気象状況値と、前記システム係数に基づき、前記発電量予測を行う
   請求項４に記載の発電量予測装置。
6. 前記日時から太陽の位置を計算する太陽位置算出部をさらに備え、
   前記日照補正係数は、太陽の位置に関連づけられている
   請求項４または５に記載の発電量予測装置。
7. 前記発電実績データ格納部内の発電実績データの中から前記日照補正係数の値に応じた重みに基づき発電実績データを選択する発電実績データ選択部をさらに備え、
   前記パラメータ学習部は、前記発電実績データ選択部により選択された発電実績データを用いて前記システム係数を更新する
   請求項４ないし６のいずれか一項に記載の発電量予測装置。
8. 前記パラメータ学習部は、前記推定気象状況値を前記補正気象状況値で除算することにより前記日照補正係数を更新する
   請求項４ないし７のいずれか一項に記載の発電量予測装置。
9. 前記気象状況値は、日照値と気温とを含む
   請求項１ないし８のいずれか一項に記載の発電量予測装置。
10. 前記気象状況空間補正部は、単純平均、空間移動平均、空間メジアンまたはマルコフ確率場に基づき前記補正処理を行う
    請求項１ないし９のいずれか一項に記載の発電量予測装置。
11. 参照気象サイトで収集された気象状況値を含む参照気象データを格納する参照気象データ格納部からデータを読み出すステップと、
    前記参照気象サイトと異なる複数のサイトに設置された太陽光発電（PV：Photovoltaic）システムで発電した電力の電流値と電圧値を含む、前記PVシステム毎の発電実績データを格納する発電実績データ格納部からデータを読み出すステップと、
    前記PVシステムのそれぞれについて、気象状況値から発電量を予測するための係数であるシステム係数を格納するPVシステム係数格納部からデータを読み出すステップと、
    前記PVシステムのそれぞれについて、前記システム係数と前記発電実績データから前記サイトにおける気象状況を推定することにより、推定気象状況値を得る気象状況推定ステップと、
    前記PVシステム毎の前記推定気象状況値を、各前記PVシステムの設置位置に応じて補正処理することにより補正気象状況値を得る気象状況空間補正ステップと、
    前記PVシステム毎に、前記補正気象状況値と前記発電実績データに基づいて、前記システム係数を更新するパラメータ学習ステップと、
    前記PVシステム毎に、前記参照気象データと前記システム係数に基づき、発電量予測を行う発電予測ステップ
    をコンピュータが実行する発電量予測方法。
12. 参照気象サイトで収集された気象状況値を含む参照気象データを格納する参照気象データ格納部と、
    前記参照気象サイトと異なる複数のサイトに設置された太陽光発電（PV：Photovoltaic）システムで発電した電力の電流値と電圧値を含む、前記PVシステム毎の発電実績データを格納する発電実績データ格納部と、
    前記PVシステムのそれぞれについて、気象状況値から発電量を予測するための係数であるシステム係数を格納するPVシステム係数格納部と、
    前記PVシステムのそれぞれについて、前記システム係数と前記発電実績データから前記サイトにおける気象状況を推定することにより、推定気象状況値を得る気象状況推定部と、を備えた、
    発電量予測に用いられる情報処理装置。

Images