JP6848271B2 - Wind speed prediction device, wind speed prediction system, wind speed prediction method and program - Google Patents
Wind speed prediction device, wind speed prediction system, wind speed prediction method and program Download PDFInfo
- Publication number
- JP6848271B2 JP6848271B2 JP2016170918A JP2016170918A JP6848271B2 JP 6848271 B2 JP6848271 B2 JP 6848271B2 JP 2016170918 A JP2016170918 A JP 2016170918A JP 2016170918 A JP2016170918 A JP 2016170918A JP 6848271 B2 JP6848271 B2 JP 6848271B2
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- wind speed
- time point
- evaluation index
- learning data
- 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 description 29
- 238000011156 evaluation Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 33
- 230000010365 information processing Effects 0.000 claims description 6
- 108090000672 Annexin A5 Proteins 0.000 claims 1
- 238000012545 processing Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000010248 power generation Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、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に関する。 The present invention relates to a wind speed prediction device, a wind speed prediction system, a wind speed prediction method and a program.
計算機等が、風力発電において発電される電力を気象条件等に基づいて計算して予測する方法が知られている。 A method is known in which a computer or the like calculates and predicts the electric power generated by wind power generation based on weather conditions and the like.
例えば、風力発電出力を精度良く予測する方法が知られている。具体的には、まず、風力発電出力予測装置が、過去の地形条件、気象条件及び実測値を用いて、複数の物理モデル及び複数の統計モデルについて集団学習し、複数の物理モデル及び複数の統計モデルを最適に組み合わせた最終モデルを決定する。次に、風力発電出力予測装置が、最終モデルを用いて、過去よりも後の特定の時刻における地形条件、気象条件及び実測値に基づいて、特定の時刻における対象地点の風力発電出力の最終予測値を算出する。このように、最適化された最終モデルを用いることで、風力発電出力予測装置が風力発電出力を精度良く予測できる方法が知られている（例えば、特許文献１）。 For example, a method for accurately predicting wind power output is known. Specifically, first, the wind power generation output prediction device performs group learning on a plurality of physical models and a plurality of statistical models using past terrain conditions, meteorological conditions, and measured values, and then performs group learning on a plurality of physical models and a plurality of statistics. Determine the final model that optimally combines the models. Next, the wind power output forecaster uses the final model to make a final prediction of the wind power output at the target point at a specific time based on the terrain conditions, meteorological conditions, and measured values at a specific time after the past. Calculate the value. As described above, there is known a method in which the wind power generation output predictor can accurately predict the wind power generation output by using the optimized final model (for example, Patent Document 1).
他にも、計算機等が、風速の３乗に基づいて、発電される電力を計算して予測する方法等が知られている。 In addition, a method in which a computer or the like calculates and predicts the electric power generated based on the cube of the wind speed is known.
また、自然エネルギー量予測装置が、まず、自然エネルギー量の変化に関連する説明変数を取得して、確率分布を計算する。そして、自然エネルギー量予測装置が、自然エネルギー量の予測値の信頼区間を確率分布に基づいて計算する。このようにして、自然エネルギーから得られる単位時間当たりのエネルギー量の予測値を予測誤差の分布を含めて精度良く予測する方法が知られている（例えば、特許文献２）。 In addition, the natural energy amount predictor first acquires the explanatory variables related to the change in the natural energy amount and calculates the probability distribution. Then, the natural energy amount prediction device calculates the confidence interval of the predicted value of the natural energy amount based on the probability distribution. In this way, there is known a method of accurately predicting the predicted value of the amount of energy per unit time obtained from natural energy, including the distribution of prediction errors (for example, Patent Document 2).
しかしながら、従来の方法では、季節等による風速の変動特性等が考慮されていない。すなわち、風速は、季節等によって変動特性があるため、変動特性を考慮しないで風速の予測が行われると、予測誤差の信頼区間を精度良く予測できない場合がある。 However, in the conventional method, the fluctuation characteristics of the wind speed due to the season and the like are not taken into consideration. That is, since the wind speed has fluctuation characteristics depending on the season and the like, if the wind speed is predicted without considering the fluctuation characteristics, it may not be possible to accurately predict the confidence interval of the prediction error.
本発明の１つの側面は、このような問題に鑑みてなされたものであり、風速の予測において、予測誤差の信頼区間を精度良く予測することを目的とする。 One aspect of the present invention has been made in view of such a problem, and an object of the present invention is to accurately predict a confidence interval of a prediction error in the prediction of wind speed.
上述した課題を解決し、目的を達成するため、本発明の一実施形態における、風速を予測する風速予測装置は、
現時点より過去の時点における風速を計測した実績値及び前記実績値を予測した予測値を示す学習データを入力する入力部と、
前記学習データに基づいて、前記現時点から所定の時間後となる予測時点における風速のモデルと、前記モデルに基づいて前記予測時点における予測誤差の信頼区間とを少なくとも計算する計算部と、
前記予測誤差の信頼区間の評価指標を計算する評価指標計算部と、
前記評価指標に基づいて、前記学習データのうち、予測に用いる期間データを決定する決定部と
を含む。
In order to solve the above-mentioned problems and achieve the object, the wind speed prediction device for predicting the wind speed in one embodiment of the present invention is
An input unit for inputting the actual value obtained by measuring the wind speed from the present time to the past time and the learning data indicating the predicted value obtained by predicting the actual value.
Based on the training data, a calculation unit that at least calculates a model of the wind velocity at a prediction time point, which is a predetermined time after the current time, and a confidence interval of the prediction error at the prediction time point based on the model.
The evaluation index calculation unit that calculates the evaluation index of the confidence interval of the prediction error,
Among the learning data, a determination unit for determining period data used for prediction is included based on the evaluation index.
本発明によれば、風速の予測において、予測誤差の信頼区間を精度良く予測することができる。 According to the present invention, it is possible to accurately predict the confidence interval of the prediction error in the prediction of the wind speed.
以下、本発明の実施形態を図面に基づいて説明する。
１．風速予測装置のハードウェア構成例
２．風速予測装置による全体処理例
３．風速予測装置の機能構成例
≪ １． 風速予測装置のハードウェア構成例 ≫
風速予測装置は、例えば、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等の情報処理装置である。以下、風速予測装置がＰＣである例で説明する。
Hereinafter, embodiments of the present invention will be described with reference to the drawings.
1. 1. Hardware configuration example of wind
≪ 1. Hardware configuration example of wind speed prediction device ≫
The wind speed prediction device is, for example, an information processing device such as a PC (Personal Computer). Hereinafter, an example in which the wind speed prediction device is a PC will be described.
図１は、本発明の一実施形態における風速予測装置のハードウェア構成の一例を示すブロック図である。具体的には、ＰＣ１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１と、記憶装置１０２と、ネットワークＩ／Ｆ（ｉｎｔｅｒｆａｃｅ）１０３と、入力Ｉ／Ｆ１０４と、出力Ｉ／Ｆ１０５とを有する。つまり、風速予測装置は、プログラムを実行して処理を行うコンピュータである。
FIG. 1 is a block diagram showing an example of a hardware configuration of a wind speed prediction device according to an embodiment of the present invention. Specifically, the PC 10 has a CPU (Central Processing Unit) 101, a
ＣＰＵ１０１は、各種処理及び各種制御を実現するための演算と各種データの加工とを行う演算装置である。さらに、ＣＰＵ１０１は、ＰＣ１０が有するハードウェアを制御する制御装置である。
The
記憶装置１０２は、ＰＣ１０が使うデータ、プログラム及び設定値等を記憶する。また、記憶装置１０２は、いわゆるメモリ（ｍｅｍｏｒｙ）等である。なお、記憶装置１０２は、ハードディスク（ｈａｒｄｄｉｓｋ）等の補助記憶装置等を有してもよい。
The
ネットワークＩ／Ｆ１０３は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等のネットワークを介して接続される装置と各種データ等を送受信する。例えば、ネットワークＩ／Ｆ１０３は、ＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃｏｎｔｒｏｌｌｅｒ）及びＬＡＮケーブルを接続させるコネクタ等である。なお、ネットワークＩ／Ｆ１０３は、ネットワークを利用するＩ／Ｆに限られず、ケーブル、無線又はコネクタ等によって外部装置と送受信するＩ／Ｆであってもよい。
The network I /
入力Ｉ／Ｆ１０４は、ＰＣ１０を使うユーザとのインタフェースである。具体的には、入力Ｉ／Ｆ１０４は、ユーザが行う各種操作を入力する。例えば、入力Ｉ／Ｆ１０４は、キーボード等の入力装置及び入力装置をＰＣ１０に接続させるコネクタ等によって構成される。
The input I /
出力Ｉ／Ｆ１０５は、ＰＣ１０を使うユーザとのインタフェースである。具体的には、出力Ｉ／Ｆ１０５は、ＰＣ１０が行う各種処理の処理結果等をユーザに出力する。例えば、出力Ｉ／Ｆ１０５は、ディスプレイ等の出力装置及び出力装置をＰＣ１０に接続させるコネクタ等である。
The output I / F 105 is an interface with a user who uses the PC 10. Specifically, the output I /
なお、ＰＣ１０は、各ハードウェア資源による処理等を補助する補助装置を更に有する構成でもよい。また、ＰＣ１０は、各種処理を並列、冗長又は分散して処理するため、装置を内部又は外部に更に有してもよい。さらに、ＰＣ１０は、複数の情報処理装置で構成されてもよい。 The PC 10 may be configured to further include an auxiliary device that assists processing by each hardware resource. Further, since the PC 10 processes various processes in parallel, redundantly or distributedly, the PC 10 may further have an apparatus inside or outside. Further, the PC 10 may be composed of a plurality of information processing devices.
≪ ２． 風速予測装置による全体処理例 ≫
図２は、本発明の一実施形態における風速予測装置による全体処理の一例を示すフローチャートである。例えば、ＰＣは、図示するような処理を行う。
≪ 2. Example of overall processing by wind speed prediction device ≫
FIG. 2 is a flowchart showing an example of overall processing by the wind speed prediction device according to the embodiment of the present invention. For example, the PC performs the processing as shown in the figure.
≪ 学習データの入力例（ステップＳ１０１） ≫
ステップＳ１０１では、ＰＣは、学習データＤＬを入力する。学習データＤＬには、風速の予測を行う現時点より過去の時点において、風速を計測した結果（以下「実績値」という。）が含まれる。また、学習データＤＬには、実績値を予測した結果（以下「予測値」という。）が含まれる。例えば、学習データＤＬ、すなわち、実績値及び予測値は、以下のようなデータである。
≪Learning data input example (step S101) ≫
In step S101, the PC inputs the learning data DL. The learning data DL includes the result of measuring the wind speed (hereinafter referred to as "actual value") at a time point in the past from the present time when the wind speed is predicted. Further, the learning data DL includes the result of predicting the actual value (hereinafter referred to as "predicted value"). For example, the learning data DL, that is, the actual value and the predicted value are the following data.
図３は、本発明の一実施形態における学習データの一例を示す図である。図では、横軸を時間とし、縦軸を風速とする。また、この例では、予測を行う現在の時点を現時点ＴＣとする。 FIG. 3 is a diagram showing an example of learning data according to an embodiment of the present invention. In the figure, the horizontal axis is time and the vertical axis is wind speed. Further, in this example, the current time point at which the prediction is made is set as the current TC.
図示する学習データＤＬは、現時点ＴＣより過去に、６時点において実績値が計測された場合の例のデータである。具体的には、図示する例では、第１時間Ｔ１、第２時間Ｔ２、第３時間Ｔ３、第４時間Ｔ４、第５時間Ｔ５及び第６時間Ｔ６の時点で、それぞれの実績値がそれぞれ計測されたとする。図では、各時点で計測されたそれぞれの実績値ＲＥＳを点で示す。なお、実績値ＲＥＳは、不定期に計測された値でもよい。 The illustrated learning data DL is data of an example in which the actual value is measured at 6 time points in the past from the current TC. Specifically, in the illustrated example, the actual values are measured at the time points of the first time T1, the second time T2, the third time T3, the fourth time T4, the fifth time T5, and the sixth time T6, respectively. Suppose it was done. In the figure, each actual value RES measured at each time point is indicated by a dot. The actual value RES may be a value measured irregularly.
そして、図示するように、学習データＤＬには、実績値ＲＥＳを予測した予測値ＣＡＬが入力される。すなわち、各時点より更に過去の時点において、各時点の風速を予測した結果が予測値ＣＡＬである。このように、学習データＤＬは、複数の時点において計測された実績値と、実績値を予測した予測値とがあらかじめ入力されたデータである。例えば、ＰＣは、１年分の学習データＤＬを入力する。以下、学習データＤＬが１年分のデータである例で説明する。 Then, as shown in the figure, the predicted value CAL that predicts the actual value RES is input to the learning data DL. That is, the predicted value CAL is the result of predicting the wind speed at each time point at a time point further past than each time point. As described above, the learning data DL is data in which the actual value measured at a plurality of time points and the predicted value predicted by the actual value are input in advance. For example, the PC inputs one year's worth of learning data DL. Hereinafter, an example in which the learning data DL is data for one year will be described.
≪ 学習データの構築例（ステップＳ１０２） ≫
図２に戻り、ステップＳ１０２では、ＰＣは、学習データを構築する。具体的には、まず、ＰＣは、学習データを分割する。なお、ＰＣは、分割されたそれぞれのデータ（以下「期間データ」という。）が、均等に、所定の期間となるように学習データを分割する。例えば、所定の期間が「１か月」とあらかじめ設定される場合には、１年分の学習データは、１か月単位で期間データに分割され、各期間データは、１か月分の各時点における実績値及び予測値を示すデータとなる。そして、このように1か月単位で分割されると、１年分の学習データから、１２個の期間データが分割によって生成される。以下、学習データは、「ｍ」個の期間データに分割されるとする。なお、所定の期間は、例えば、１分単位、１時間単位、１日単位、１週間単位又は季節単位等でもよい。そして、所定の期間は、例えば、ユーザ操作等によってＰＣにあらかじめ設定される。
≪Learning data construction example (step S102) ≫
Returning to FIG. 2, in step S102, the PC constructs the learning data. Specifically, first, the PC divides the learning data. The PC divides the learning data so that each of the divided data (hereinafter referred to as "period data") evenly has a predetermined period. For example, when a predetermined period is preset as "1 month", the learning data for one year is divided into period data in units of one month, and each period data is divided into period data for one month. It is data showing the actual value and the predicted value at the time point. Then, when the data is divided in units of one month in this way, twelve period data are generated by the division from the learning data for one year. Hereinafter, it is assumed that the learning data is divided into "m" period data. The predetermined period may be, for example, 1 minute unit, 1 hour unit, 1 day unit, 1 week unit, seasonal unit, or the like. Then, the predetermined period is set in advance in the PC by, for example, a user operation or the like.
また、期間データを以下の説明では、下記（１）式のように示す。 Further, in the following description, the period data is shown as the following equation (1).
次に、ＰＣは、分割によって生成された複数の期間データのうち、１つ又は２つ以上の組み合わせを選択する。以下、現時点から近い順に、複数の期間データが、ＰＣによって選択されるとする。 Next, the PC selects one or a combination of two or more of the plurality of period data generated by the division. Hereinafter, it is assumed that a plurality of period data are selected by the PC in order of proximity to the present time.
≪ 学習データに基づくモデルの計算例（ステップＳ１０３） ≫
図２に戻り、ステップＳ１０３では、ＰＣは、学習データに基づいてモデルを計算する。すなわち、ＰＣは、ステップＳ１０２によって分割された期間データのうち、１つ又は複数の期間データを用いて、モデルを計算する。
<< Calculation example of model based on training data (step S103) >>
Returning to FIG. 2, in step S103, the PC calculates the model based on the training data. That is, the PC calculates the model using one or more period data among the period data divided by step S102.
以下、予測を行う現時点を「ｉ」とする。そして、ＰＣは、「ｉ」の現時点から、所定の時間後となる予測時点の風速を予測する。また、以下の説明では、所定の時間単位を「ステップ」という。また、予測時点は、「ｋステップ」先の時点という。具体的には、所定の時間を「１時間」単位とすると、「１ステップ」は、「１時間」となる。したがって、この例では、例えば、５時間後の予測時点は、「５ステップ」先の時点となる。 Hereinafter, the current time when the prediction is made is referred to as “i”. Then, the PC predicts the wind speed at the prediction time point after a predetermined time from the present time of "i". Further, in the following description, a predetermined time unit is referred to as a "step". The forecast time point is called the time point "k steps" ahead. Specifically, assuming that the predetermined time is in units of "1 hour", "1 step" becomes "1 hour". Therefore, in this example, for example, the predicted time point after 5 hours is the time point "5 steps ahead".
そして、過去の「ｉ」時点において、「ｋステップ」先の予測時点における予測値及び実績値に基づいて、予測時点における予測誤差は、下記（２）式のように計算される。 Then, at the past "i" time point, the prediction error at the prediction time point is calculated by the following equation (2) based on the predicted value and the actual value at the prediction time point "k step" ahead.
≪ 評価指標の計算例（ステップＳ１０４） ≫
図２に戻り、ステップＳ１０４では、ＰＣは、評価指標をモデルごとに計算する。例えば、評価指標は、ＰＩＣＰ（Ｐｒｅｄｉｃｔｉｏｎ Ｉｎｔｅｒｖａｌ Ｃｏｖｅｒａｇｅ Ｐｒｏｂａｂｉｌｉｔｙ）である。また、ＰＩＣＰは、例えば、下記（５）式によって計算される値である。
<< Calculation example of evaluation index (step S104) >>
Returning to FIG. 2, in step S104, the PC calculates the evaluation index for each model. For example, the evaluation index is PICP (Prediction Interval Coverage Technology). Further, PICP is, for example, a value calculated by the following equation (5).
ＰＩＣＰのより詳しい計算方法は、例えば、「Ａｂｂａｓ Ｋｈｏｓｒａｖｉ， Ｓａｅｉｄ Ｎａｈａｖａｎｄｉ ａｎｄ Ｄｏｕｇ Ｃｒｅｉｇｈｔｏｎ，"Ｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ Ｏｐｔｉｍａｌ Ｐｒｅｄｉｃｔｉｏｎ Ｉｎｔｅｒｖａｌｓ ｆｏｒ Ｌｏａｄ Ｆｏｒｅｃａｓｔｉｎｇ Ｐｒｏｂｒｅｍ"，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐｏｗｅｒ Ｓｙｓｔｅｍｓ， Ｖｏｌ.２５， Ｉｓｓｕｅ ３， ｐｐ．１４９６―１５０３（２０１０）」に記載されている方法等である。
More detailed calculation method of PICP is, for example, "Abbas Khosravi, Saeid Nahavandi and Doug Creighton," Construction of Optimal Prediction Intervals for Load Forecasting Probrem ", IEEE Transactions on Power Systems, Vol.25,
これらの推定値は、上記（５）式における「ｌｊ」及び「ｕｊ」となる。一方で、「１σ」となる標準偏差では、予測誤差の信頼区間に理論上、実績値が含まれる確率は、約６８．２７パーセントとなる。さらに、ＰＩＣＰの理論値は、標準偏差の整数倍ごとに、下記（６）式のようになる。 These estimated values are "l j " and "u j " in the above equation (5). On the other hand, with the standard deviation of "1σ", the probability that the actual value is theoretically included in the confidence interval of the prediction error is about 68.27%. Further, the theoretical value of PICP is as shown in Eq. (6) below for each integral multiple of the standard deviation.
≪ 「ｋ＝ｋｍａｘ」であるか否かの判断例（ステップＳ１０５） ≫
図２に戻り、ステップＳ１０５では、ＰＣは、「ｋ＝ｋｍａｘ」であるか否かを判断する。そして、「ｋ＝ｋｍａｘ」でないとＰＣが判断すると（ステップＳ１０５でＮＯ）、ＰＣは、ステップＳ１０６に進む。一方で、「ｋ＝ｋｍａｘ」であるとＰＣが判断すると（ステップＳ１０５でＹＥＳ）、ＰＣは、ステップＳ１０７に進む。
<< Example of determination of whether or not "k = k max" (step S105) >>
Returning to FIG. 2, in step S105, the PC determines whether or not “k = k max”. Then, when the PC determines that it is not "k = k max " (NO in step S105), the PC proceeds to step S106. On the other hand, if the PC determines that "k = k max " (YES in step S105), the PC proceeds to step S107.
「ｋｍａｘ」は、予測を行うステップの最大値である。具体的には、「８０」ステップ先まで予測を行う場合には、「ｋｍａｘ＝８０」となる。 “K max ” is the maximum value of the step for making a prediction. Specifically, when the prediction is performed up to the "80" step destination, "k max = 80".
≪ 「ｋ＝ｋ＋１」の計算例（ステップＳ１０６） ≫
ステップＳ１０６では、ＰＣは、「ｋ＝ｋ＋１」を計算する。すなわち、ステップＳ１０６によって、ＰＣは、「ｋ」を「＋１」として、「ｋ」が「ｋｍａｘ」となるまで、ステップＳ１０３乃至ステップＳ１０５を繰り返し行う。
<< Calculation example of "k = k + 1" (step S106) >>
In step S106, the PC calculates "k = k + 1". That is, in step S106, the PC repeats steps S103 to S105 until "k" becomes "+1" and "k" becomes "k max".
≪ 「ｉ＝ｍ」であるか否かの判断例（ステップＳ１０７） ≫
ステップＳ１０７では、ＰＣは、「ｉ＝ｍ」であるか否かを判断する。そして、「ｉ＝ｍ」でないとＰＣが判断すると（ステップＳ１０７でＮＯ）、ＰＣは、ステップＳ１０８に進む。一方で、「ｉ＝ｍ」であるとＰＣが判断すると（ステップＳ１０７でＹＥＳ）、ＰＣは、ステップＳ１０９に進む。
<< Example of determining whether or not "i = m" (step S107) >>
In step S107, the PC determines whether or not “i = m”. Then, when the PC determines that it is not "i = m" (NO in step S107), the PC proceeds to step S108. On the other hand, if the PC determines that "i = m" (YES in step S107), the PC proceeds to step S109.
≪ 「ｉ＝ｉ＋１」の計算例（ステップＳ１０８） ≫
ステップＳ１０８では、ＰＣは、「ｉ＝ｉ＋１」を計算する。すなわち、ステップＳ１０８によって、ＰＣは、「ｉ」を「＋１」として、「ｉ」が「ｍ」となるまで、ステップＳ１０２乃至ステップＳ１０７を繰り返し行う。
<< Calculation example of "i = i + 1" (step S108) >>
In step S108, the PC calculates "i = i + 1". That is, in step S108, the PC repeats steps S102 to S107 until "i" becomes "+1" and "i" becomes "m".
以上のように、ステップＳ１０５乃至ステップＳ１０８によって、ステップごと、かつ、学習データごとに、モデル及び評価指標が計算される。そして、あらかじめ設定される判定条件となる「ｋ＝ｋｍａｘ」かつ「ｉ＝ｍ」となると、モデル及び評価指標を計算する繰り返しが終了する。 As described above, in steps S105 to S108, the model and the evaluation index are calculated for each step and for each learning data. Then, when “k = k max ” and “i = m”, which are the determination conditions set in advance, the repetition of calculating the model and the evaluation index ends.
以上のような処理を図示すると、例えば、以下のように示せる。 When the above processing is illustrated, it can be shown as follows, for example.
図４は、本発明の一実施形態における全体処理例を示す模式図である。図では、横軸を時間とし、縦軸を「ｉ」、すなわち、１回の図２に示すステップＳ１０２乃至ステップＳ１０４の処理結果とする。したがって、図では、縦軸において、上から（「ｉ＝１」からとする。）下に向かって（すなわち、「ｉ＝ｍ」となるまで）繰り返しステップＳ１０２乃至ステップＳ１０４が行われるとする。 FIG. 4 is a schematic view showing an example of overall processing according to an embodiment of the present invention. In the figure, the horizontal axis is time, and the vertical axis is “i”, that is, the processing result of steps S102 to S104 shown in FIG. 2 once. Therefore, in the figure, it is assumed that the steps S102 to S104 are repeated from the top (from "i = 1") to the bottom (that is, until "i = m") on the vertical axis.
例えば、図示するように、現時点ＴＣより過去の実績値及び予測値を含む学習データＤＬがあらかじめＰＣに入力される（図２に示すステップＳ１０１）。そして、図示するように、学習データＤＬは、所定の期間ごとに分割され、分割によって、あらかじめ期間データＤＴが生成されるとする（図２に示すステップＳ１０２）。 For example, as shown in the figure, the learning data DL including the past actual value and the predicted value from the current TC is input to the PC in advance (step S101 shown in FIG. 2). Then, as shown in the figure, the learning data DL is divided into predetermined periods, and the period data DT is generated in advance by the division (step S102 shown in FIG. 2).
図示する例では、まず、「ｉ＝１」において、ＰＣは、第１期間ＴＭ１の期間データＤＴを学習データＤＬから選択し、第１期間ＴＭ１の期間データＤＴを用いて、第１モデルｆ１を計算する（図２に示すステップＳ１０３）。このようにすると、「ｉ＝１」において、ＰＣは、第１モデルｆ１に基づいて、例えば、上記（５）式を用いて、第１評価指標ＥＶ１を計算する（図２に示すステップＳ１０４）。 In the illustrated example, first, at "i = 1", the PC selects the period data DT of the first period TM1 from the learning data DL, and uses the period data DT of the first period TM1 to perform the first model f1. Calculate (step S103 shown in FIG. 2). In this way, at "i = 1", the PC calculates the first evaluation index EV1 based on the first model f1, for example, using the above equation (5) (step S104 shown in FIG. 2). ..
次に、図２に示すステップＳ１０８によって、ＰＣは、「ｉ＝２」とする。そして、「ｉ＝２」において、ＰＣは、「ｉ＝１」と同様に、まず、期間データＤＴを選択する。図示する例では、ＰＣは、第１期間ＴＭ１及び第２期間ＴＭ２の期間データＤＴを学習データＤＬから選択する（図２に示すステップＳ１０２）。次に、ＰＣは、第１期間ＴＭ１及び第２期間ＴＭ２の期間データＤＴを用いて、第２モデルｆ２を計算する（図２に示すステップＳ１０３）。このようにすると、「ｉ＝２」において、ＰＣは、第２モデルｆ２に基づいて、例えば、上記（５）式を用いて、第２評価指標ＥＶ２を計算する（図２に示すステップＳ１０４）。 Next, according to step S108 shown in FIG. 2, the PC is set to "i = 2". Then, in "i = 2", the PC first selects the period data DT in the same manner as in "i = 1". In the illustrated example, the PC selects the period data DTs of the first period TM1 and the second period TM2 from the training data DL (step S102 shown in FIG. 2). Next, the PC calculates the second model f2 using the period data DTs of the first period TM1 and the second period TM2 (step S103 shown in FIG. 2). In this way, at "i = 2", the PC calculates the second evaluation index EV2 based on the second model f2, for example, using the above equation (5) (step S104 shown in FIG. 2). ..
以下、図示するように、ＰＣは、「ｉ＝ｍ」となるまで繰り返し「ｉ＝１」等と同様の処理を行う。 Hereinafter, as shown in the figure, the PC repeatedly performs the same processing as “i = 1” until “i = m”.
なお、ＰＣは、予測時点ごとにそれぞれのモデルを計算、すなわち、予測時点ごとに、それぞれの予測に用いる期間データをそれぞれ決定するのが望ましい。具体的には、「ｋ＝１」のステップにおけるモデルを計算するのに用いられる期間データと、「ｋ＝２」のステップにおけるモデルを計算するのに用いられる期間データとは、別々に決定されるのが望ましい。したがって、ステップごとに、モデルの計算等は、独立して別個に行われるのが望ましい。具体的には、図２に図示するように、ステップＳ１０６で「ｋ＝ｋ＋１」となるたびに、ステップＳ１０３でモデルが計算されるのが望ましい。 It is desirable that the PC calculates each model at each prediction time point, that is, determines the period data used for each prediction at each prediction time point. Specifically, the period data used to calculate the model in the "k = 1" step and the period data used to calculate the model in the "k = 2" step are determined separately. Is desirable. Therefore, it is desirable that the model calculation and the like are performed independently and separately for each step. Specifically, as shown in FIG. 2, it is desirable that the model is calculated in step S103 each time “k = k + 1” is obtained in step S106.
このように、ステップごとに、それぞれの期間データが選択されると、用いられる期間データが異なる場合があるため、計算によって生成されるモデルも、ステップごとにそれぞれ異なるモデルとなる場合がある。このようにして、予測時点ごとに最適な期間データが決定されると、ＰＣは、それぞれの予測時点により適したモデルを計算することができる。 In this way, if each period data is selected for each step, the period data used may be different, so that the model generated by the calculation may also be a different model for each step. In this way, when the optimum period data is determined for each prediction time point, the PC can calculate a model more suitable for each prediction time point.
≪ 予測誤差の信頼区間に基づく期間データの決定例（ステップＳ１０９） ≫
図２に戻り、ステップＳ１０９では、ＰＣは、まず、予測誤差の信頼区間を決定する。予測誤差の信頼区間は、例えば、以下のように決定される。
<< Example of determining period data based on the confidence interval of the prediction error (step S109) >>
Returning to FIG. 2, in step S109, the PC first determines the confidence interval for the prediction error. The confidence interval for the prediction error is determined, for example, as follows.
図５は、本発明の一実施形態における予測誤差の信頼区間の一例を示す図である。例えば、モデルに基づいて、上記（４）式のように、モデルに基づいて標準偏差が計算されると、予測誤差の信頼区間の上限値と、下限値とが決定するため、予測誤差の信頼区間が定まる。 FIG. 5 is a diagram showing an example of a confidence interval of the prediction error in one embodiment of the present invention. For example, when the standard deviation is calculated based on the model as in the above equation (4) based on the model, the upper limit value and the lower limit value of the confidence interval of the prediction error are determined, so that the confidence of the prediction error is determined. The section is decided.
図５（Ａ）に示すように、例えば、標準偏差が「１σ」となる予測誤差の信頼区間には、約６８．２７パーセントの確率で実績値が含まれることになる。また、予測誤差の信頼区間は、例えば、図５（Ｂ）のようにも図示できる。図示するように、予測誤差の信頼区間は、上限値と下限値とによって定まる予測誤差の平均値を中心とした幅である。なお、予測値と、予測誤差の平均値は、同意である。 As shown in FIG. 5A, for example, the confidence interval of the prediction error in which the standard deviation is “1σ” includes the actual value with a probability of about 68.27%. Further, the confidence interval of the prediction error can be illustrated as shown in FIG. 5B, for example. As shown in the figure, the confidence interval of the prediction error is the width centered on the average value of the prediction error determined by the upper limit value and the lower limit value. The predicted value and the average value of the prediction error are in agreement.
そして、図５（Ｂ）に示すように、現時点ＴＣから「ｋステップ」先の予測時点において、予測値を計算するのに、決定された予測誤差の信頼区間となるように、例えば、以下のように学習データが選定される。 Then, as shown in FIG. 5B, for example, the following so that the confidence interval of the determined prediction error is used to calculate the predicted value at the prediction time point “k steps” ahead of the current TC. The training data is selected as follows.
図６は、本発明の一実施形態における予測誤差の信頼区間に基づく学習データの選定例を示す図である。図では、縦軸をＰＩＣＰとし、横軸をステップ「ｋ」とする。図は、標準偏差が「１σ」となる予測誤差の信頼区間にする例である。 FIG. 6 is a diagram showing an example of selecting learning data based on the confidence interval of the prediction error in one embodiment of the present invention. In the figure, the vertical axis is PICP and the horizontal axis is step “k”. The figure is an example of setting the confidence interval of the prediction error where the standard deviation is “1σ”.
図示するように、学習データの期間データが、現時点ＴＣから直近「１５日」分、直近「３０日」分、直近「４５日」分、直近「６０日」分及び直近「７５日」分のデータである例で説明する。そして、この例は、各ステップ「ｋ」において、各期間データに基づいて計算されるモデルに対するＰＩＣＰの計算結果を示す。 As shown in the figure, the period data of the training data is the latest "15 days", the latest "30 days", the latest "45 days", the latest "60 days", and the latest "75 days" from the current TC. An example of data will be described. Then, this example shows the calculation result of PICP for the model calculated based on each period data in each step "k".
そして、上記（７）式に基づいて、各ＰＩＣＰの計算結果のうち、理論値に最も近い計算結果となる期間データが、ステップごとに選定される。すなわち、選定結果ＤＲは、各ステップにおいて、最も理論値に近いＰＩＣＰとなった期間データの組み合わせである。 Then, based on the above equation (7), among the calculation results of each PICP, the period data having the calculation result closest to the theoretical value is selected for each step. That is, the selection result DR is a combination of period data having a PICP closest to the theoretical value in each step.
具体的には、ステップが「１」（すなわち、「ｋ＝１」である。）の場合には、「３０日」分の期間データを用いると、ＰＩＣＰが理論値に最も近い値であるため、この例では、ステップ「１」では、「３０日」分の期間データが選定される選定結果ＤＲとなる。次に、ステップが「２」（すなわち、「ｋ＝２」である。）の場合には、「４５日」分の期間データを用いると、ＰＩＣＰが理論値に最も近い値であるため、この例では、ステップ「２」では、「４５日」分の期間データが選定される選定結果ＤＲとなる。このようにして、各ステップにおいて、ＰＩＣＰに基づいて、いずれかの期間データが選定されて、選定結果ＤＲが定まる。 Specifically, when the step is "1" (that is, "k = 1"), the PICP is the closest value to the theoretical value when the period data for "30 days" is used. In this example, in step "1", the period data for "30 days" is selected as the selection result DR. Next, when the step is "2" (that is, "k = 2"), the PICP is the closest value to the theoretical value when the period data for "45 days" is used. In the example, in step "2", the period data for "45 days" is selected as the selection result DR. In this way, in each step, any period data is selected based on the PICP, and the selection result DR is determined.
以上のように決定される期間データを用いて、各ステップでは、ＰＣによって、風速が予測される。つまり、図示する例では、ステップ「１」では、学習データのうち、直近「３０日」分の期間データが用いられて風速の予測が行われる。このように、ＰＩＣＰ等の評価指標に基づいて決定された学習データが用いられると、ＰＣは、精度良く予測誤差の信頼区間を予測することができる。 Using the period data determined as described above, the wind speed is predicted by the PC at each step. That is, in the illustrated example, in step "1", the period data for the latest "30 days" of the learning data is used to predict the wind speed. As described above, when the learning data determined based on the evaluation index such as PICP is used, the PC can accurately predict the confidence interval of the prediction error.
なお、選定される期間データは、現時点から連続するデータでなくともよい。すなわち、例えば、ＰＣは、現時点から直近の期間データを選択しないでもよい。例えば、直近「１日」分、すなわち、昨日の期間データが選定されず、直近「２日」から「１６日」までの「１５日」分等というように、ＰＣは、直近の期間データが含まれない選定を行ってもよい。直近の期間データが選定されると、季節性の影響が大きくなる場合がある。そこで、季節性の影響を少なくするため、ＰＣは、現時点から直近の期間データを選択しない選定を行ってもよい。 The selected period data does not have to be continuous data from the present time. That is, for example, the PC may not select the latest period data from the present time. For example, the latest "1 day", that is, yesterday's period data is not selected, and the latest "15 days" from "2 days" to "16 days", etc. Selections that are not included may be made. When the latest period data is selected, the influence of seasonality may be large. Therefore, in order to reduce the influence of seasonality, the PC may make a selection that does not select the data for the latest period from the present time.
図７は、本発明の一実施形態における効果の一例を示す図である。まず、図示するように、ＰＩＣＰが計算され、ＰＩＣＰが最も理論値に近くなる期間データＤＴが選定される。次に、ＰＣは、選定された期間データＤＴを用いて、風速を予測する。このようにすると、ＰＣは、精度良く予測誤差の信頼区間を予測することができる。 FIG. 7 is a diagram showing an example of the effect in one embodiment of the present invention. First, as shown in the figure, the PICP is calculated, and the period data DT at which the PICP is closest to the theoretical value is selected. Next, the PC predicts the wind speed using the selected period data DT. In this way, the PC can accurately predict the confidence interval of the prediction error.
なお、評価指標は、ＰＩＣＰに限られない。例えば、評価指標は、ＮＭＰＩＬ（Ｎｏｒｍａｌｉｚｅｄ Ｍｅａｎ Ｐｒｅｄｉｃｔｉｏｎ Ｉｎｔｅｒｖａｌ Ｌｅｎｇｔｈ）等でもよい。ＰＩＣＰを用いると、ＰＣは、分布の信頼度が評価できるのに対して、ＮＭＰＩＬを用いると、ＰＣは、分布の分離度を評価することができる。ＮＭＰＩＬの計算方法等は、例えば、「Ａｂｂａｓ Ｋｈｏｓｒａｖｉ， Ｓａｅｉｄ Ｎａｈａｖａｎｄｉ ａｎｄ Ｄｏｕｇ Ｃｒｅｉｇｈｔｏｎ，"Ｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ Ｏｐｔｉｍａｌ Ｐｒｅｄｉｃｔｉｏｎ Ｉｎｔｅｒｖａｌｓ ｆｏｒ Ｌｏａｄ Ｆｏｒｅｃａｓｔｉｎｇ Ｐｒｏｂｒｅｍ"，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐｏｗｅｒ Ｓｙｓｔｅｍｓ， Ｖｏｌ.２５， Ｉｓｓｕｅ ３， ｐｐ．１４９６―１５０３（２０１０）」に記載されている通りである。
The evaluation index is not limited to PICP. For example, the evaluation index may be NMPIL (Normalized Mean Prediction Interval Length) or the like. With PICP, the PC can evaluate the reliability of the distribution, whereas with NMPIL, the PC can evaluate the degree of separation of the distribution. Calculation method and the like of NMPIL is, for example, "Abbas Khosravi, Saeid Nahavandi and Doug Creighton," Construction of Optimal Prediction Intervals for Load Forecasting Probrem ", IEEE Transactions on Power Systems, Vol.25,
≪ ３． 風速予測装置の機能構成例 ≫
図８は、本発明の一実施形態における風速予測装置の機能構成の一例を示す機能ブロック図である。例えば、ＰＣ１０は、図示するように、入力部ＦＮ１と、計算部ＦＮ２と、評価指標計算部ＦＮ３と、決定部ＦＮ４とを含む機能構成である。
≪ 3. Example of functional configuration of wind speed prediction device ≫
FIG. 8 is a functional block diagram showing an example of the functional configuration of the wind speed prediction device according to the embodiment of the present invention. For example, as shown in the figure, the
入力部ＦＮ１は、実績値及び予測値を示す学習データＤＬを入力する。例えば、入力部ＦＮ１は、ネットワークＩ／Ｆ１０３（図１参照）又は入力Ｉ／Ｆ１０４（図１参照）等によって実現される。 The input unit FN1 inputs the learning data DL showing the actual value and the predicted value. For example, the input unit FN1 is realized by a network I / F103 (see FIG. 1), an input I / F104 (see FIG. 1), or the like.
計算部ＦＮ２は、学習データＤＬに基づいて、まず、モデルを計算する。次に、計算部ＦＮ２は、モデルに基づいて、それぞれの予測時点におけるそれぞれの予測誤差の信頼区間を計算する。例えば、計算部ＦＮ２は、ＣＰＵ１０１（図１参照）等によって実現される。 The calculation unit FN2 first calculates a model based on the training data DL. Next, the calculation unit FN2 calculates the confidence interval of each prediction error at each prediction time point based on the model. For example, the calculation unit FN2 is realized by the CPU 101 (see FIG. 1) or the like.
評価指標計算部ＦＮ３は、計算部ＦＮ２が計算する予測誤差の信頼区間のそれぞれの評価指標を計算する。例えば、評価指標計算部ＦＮ３は、ＣＰＵ１０１（図１参照）等によって実現される。 The evaluation index calculation unit FN3 calculates each evaluation index of the confidence interval of the prediction error calculated by the calculation unit FN2. For example, the evaluation index calculation unit FN3 is realized by the CPU 101 (see FIG. 1) or the like.
決定部ＦＮ４は、評価指標計算部ＦＮ３が計算する評価指標に基づいて、学習データＤＬのうち、予測に用いる期間データを決定する。例えば、決定部ＦＮ４は、ＣＰＵ１０１（図１参照）等によって実現される。 The determination unit FN4 determines the period data used for prediction in the learning data DL based on the evaluation index calculated by the evaluation index calculation unit FN3. For example, the determination unit FN4 is realized by the CPU 101 (see FIG. 1) or the like.
≪ まとめ ≫
まず、ＰＣ１０は、入力部ＦＮ１によって、あらかじめ計測した風速の実績値と、実績値を予測した予測値とを示す学習データＤＬを入力する。そして、学習データＤＬが入力されると、図４に示すように、ＰＣ１０は、計算部ＦＮ２によって、モデルを計算することができる。次に、モデルが計算されると、ＰＣは、モデルに基づいて、標準偏差又は標準偏差の整数倍を計算し、予測誤差の信頼区間を計算する。
≪Summary≫
First, the
続いて、ＰＣ１０は、評価指標計算部ＦＮ３によって、例えば、モデルに基づいて、上記（５）式等により、評価指標を計算する。このように、評価指標が計算されると、ＰＣは、例えば、上記（７）式に基づいて、決定部ＦＮ４によって、図６に示すように最も理論値に近いＰＩＣＰとなる期間データを予測に用いるように決定できる。
Subsequently, the
このように、予測に用いる期間データを決定できると、ＰＣは、風速の予測において、予測誤差の信頼区間を精度良く予測することができる。 In this way, if the period data used for the prediction can be determined, the PC can accurately predict the confidence interval of the prediction error in the prediction of the wind speed.
精度が良い予測誤差の信頼区間であると、例えば、風力発電において蓄電池の容量等を決定する目安等にすることができる。具体的には、蓄電池は、風力発電によって発電された電力を蓄電するため、設置の際、発電量に応じて蓄電できる容量を決める必要がある。つまり、予測される最大風速等に応じて蓄電池の容量が決定される場合がある。そこで、予測誤差の信頼区間が精度良く予測されると、無駄に容量が大きい蓄電池が選ばれてしまうこと等を少なくすることができる。 A confidence interval with a good prediction error can be used as a guideline for determining the capacity of a storage battery in wind power generation, for example. Specifically, since the storage battery stores the electric power generated by the wind power generation, it is necessary to determine the capacity that can be stored according to the amount of power generation at the time of installation. That is, the capacity of the storage battery may be determined according to the predicted maximum wind speed and the like. Therefore, if the confidence interval of the prediction error is predicted with high accuracy, it is possible to reduce the possibility that a storage battery having a large capacity is unnecessarily selected.
なお、本発明の一実施形態に係る各処理の全部又は一部は、アセンブラ等の低水準言語、Ｃ言語、Ｊａｖａ（登録商標）言語等の高水準言語又はこれらを組み合わせて記述されるプログラムによって実現されてもよい。すなわち、プログラムは、情報処理装置又は情報処理システム等のコンピュータに風速予測方法に係る各手順を実行させるためのコンピュータプログラムである。 All or part of each process according to the embodiment of the present invention may be described by a low-level language such as assembler, a high-level language such as C language or Java® language, or a program described in combination thereof. It may be realized. That is, the program is a computer program for causing a computer such as an information processing device or an information processing system to execute each procedure related to the wind speed prediction method.
さらに、本発明の一実施形態に係る各処理の全部又は一部は、１以上の情報処理装置を有する風速予測システムによって、処理の全部又は一部が並行、分散、冗長又はこれらの組み合わせで処理されてもよい。 Further, all or part of each process according to the embodiment of the present invention is processed in parallel, distributed, redundant or a combination thereof by a wind speed prediction system having one or more information processing devices. May be done.
また、本発明の一実施形態に係る各処理は、図示した順序に限られない。例えば、各処理の一部又は全部は、異なる順序、並行、分散又は省略されて処理されてもよい。 Further, each process according to the embodiment of the present invention is not limited to the order shown in the figure. For example, some or all of each process may be processed in a different order, parallel, distributed or omitted.
以上、本発明の好ましい実施例について詳述したが、本発明は、上述の実施形態に限定されず、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形又は変更が可能である。 Although the preferred embodiments of the present invention have been described in detail above, the present invention is not limited to the above-described embodiments, and various modifications or changes can be made within the scope of the gist of the present invention described in the claims. It is possible.
１０ ＰＣ
ＦＮ１ 入力部
ＦＮ２ 計算部
ＦＮ３ 評価指標計算部
ＦＮ４ 決定部
ＤＬ 学習データ
ＤＴ 期間データ
ＤＲ 選定結果
ＣＡＬ 予測値
ＲＥＳ 実績値
10 PC
FN1 Input unit FN2 Calculation unit FN3 Evaluation index Calculation unit FN4 Decision unit DL Learning data DT Period data DR Selection result CAL Predicted value RES Actual value
Claims (7)
現時点より過去の時点における風速を計測した実績値及び前記実績値を予測した予測値を示す学習データを入力する入力部と、
前記学習データを所定の期間毎に複数の期間データに分割する分割部と、
前記現時点からｋステップ（ただし、ｋ＝１，・・・，ｋ ｍａｘ 、ステップは所定の時間幅、ｋ ｍａｘ は予め決められた最大値を表す整数）後を予測時点として、ｋ毎に異なる１以上の前記期間データを用いて、前記現時点からｋステップ後の予測時点における風速のモデルと、前記モデルに基づいて前記予測時点における予測誤差の信頼区間とを少なくとも計算する計算部と、
前記予測誤差の信頼区間の評価指標を計算する評価指標計算部と、
前記評価指標に基づいて、前記学習データのうち、予測に用いる期間データを決定する決定部と
を含む風速予測装置。 It is a wind speed prediction device that predicts the wind speed.
An input unit for inputting the actual value obtained by measuring the wind speed from the present time to the past time and the learning data indicating the predicted value obtained by predicting the actual value.
A division unit that divides the learning data into a plurality of period data for each predetermined period, and
It is different for each k, with k steps (however, k = 1, ..., k max , the step is a predetermined time width, and k max is an integer representing a predetermined maximum value) after the present time as the prediction time point. Using the above period data, a calculation unit that at least calculates the wind velocity model at the prediction time point k steps after the current time point and the confidence interval of the prediction error at the prediction time point based on the model.
The evaluation index calculation unit that calculates the evaluation index of the confidence interval of the prediction error,
A wind speed prediction device including a determination unit for determining period data used for prediction among the learning data based on the evaluation index.
現時点より過去の時点における風速を計測した実績値及び前記実績値を予測した予測値を示す学習データを入力する入力部と、
前記学習データを所定の期間毎に複数の期間データに分割する分割部と、
前記現時点からｋステップ（ただし、ｋ＝１，・・・，ｋ ｍａｘ 、ステップは所定の時間幅、ｋ ｍａｘ は予め決められた最大値を表す整数）後を予測時点として、ｋ毎に異なる１以上の前記期間データを用いて、前記現時点からｋステップ後の予測時点における風速のモデルと、前記モデルに基づいて前記予測時点における予測誤差の信頼区間とを少なくとも計算する計算部と、
前記予測誤差の信頼区間の評価指標を計算する評価指標計算部と、
前記評価指標に基づいて、前記学習データのうち、予測に用いる期間データを決定する決定部と
を含む風速予測システム。 A wind speed prediction system that has one or more information processing devices and predicts wind speed.
An input unit for inputting the actual value obtained by measuring the wind speed from the present time to the past time and the learning data indicating the predicted value obtained by predicting the actual value.
A division unit that divides the learning data into a plurality of period data for each predetermined period, and
It is different for each k, with k steps (however, k = 1, ..., k max , the step is a predetermined time width, and k max is an integer representing a predetermined maximum value) after the present time as the prediction time point. Using the above period data, a calculation unit that at least calculates the wind velocity model at the prediction time point k steps after the current time point and the confidence interval of the prediction error at the prediction time point based on the model.
The evaluation index calculation unit that calculates the evaluation index of the confidence interval of the prediction error,
A wind speed prediction system including a determination unit for determining period data used for prediction among the learning data based on the evaluation index.
前記風速予測装置が、現時点より過去の時点における風速を計測した実績値及び前記実績値を予測した予測値を示す学習データを入力する入力手順と、
前記風速予測装置が、前記学習データを所定の期間毎に複数の期間データに分割する分割手順と、
前記風速予測装置が、前記現時点からｋステップ（ただし、ｋ＝１，・・・，ｋ ｍａｘ 、ステップは所定の時間幅、ｋ ｍａｘ は予め決められた最大値を表す整数）後を予測時点として、ｋ毎に異なる１以上の前記期間データを用いて、前記現時点からｋステップ後の予測時点における風速のモデルと、前記モデルに基づいて前記予測時点における予測誤差の信頼区間とを少なくとも計算する計算手順と、
前記風速予測装置が、前記予測誤差の信頼区間の評価指標を計算する評価指標計算手順と、
前記風速予測装置が、前記評価指標に基づいて、前記学習データのうち、予測に用いる期間データを決定する決定手順と
を含む風速予測方法。 It is a wind speed prediction method performed by a wind speed prediction device that predicts wind speed.
An input procedure in which the wind speed prediction device inputs learning data indicating an actual value obtained by measuring the wind speed at a time point in the past from the present time and a predicted value obtained by predicting the actual value.
A division procedure in which the wind speed prediction device divides the learning data into a plurality of period data for each predetermined period, and
The wind speed prediction device sets the prediction time after k steps (where k = 1, ..., k max , the step is a predetermined time width, and k max is an integer representing a predetermined maximum value) from the present time. , At least a calculation of the wind velocity model at the prediction time point k steps after the current time and the confidence interval of the prediction error at the prediction time point based on the model using one or more of the period data different for each k. Procedure and
The evaluation index calculation procedure in which the wind speed prediction device calculates the evaluation index of the confidence interval of the prediction error,
A wind speed prediction method including a determination procedure in which the wind speed prediction device determines period data to be used for prediction among the learning data based on the evaluation index.
前記コンピュータが、現時点より過去の時点における風速を計測した実績値及び前記実績値を予測した予測値を示す学習データを入力する入力手順と、
前記コンピュータが、前記学習データを所定の期間毎に複数の期間データに分割する分割手順と、
前記コンピュータが、前記現時点からｋステップ（ただし、ｋ＝１，・・・，ｋ ｍａｘ 、ステップは所定の時間幅、ｋ ｍａｘ は予め決められた最大値を表す整数）後を予測時点として、ｋ毎に異なる１以上の前記期間データを用いて、前記現時点からｋステップ後の予測時点における風速のモデルと、前記モデルに基づいて前記予測時点における予測誤差の信頼区間とを少なくとも計算する計算手順と、
前記コンピュータが、前記予測誤差の信頼区間の評価指標を計算する評価指標計算手順と、
前記コンピュータが、前記評価指標に基づいて、前記学習データのうち、予測に用いる期間データを決定する決定手順と
を実行させるためのプログラム。 A program that causes a computer that predicts wind speed to execute a wind speed prediction method.
An input procedure in which the computer inputs learning data indicating an actual value obtained by measuring the wind speed at a time point past the present time and a predicted value obtained by predicting the actual value.
A division procedure in which the computer divides the learning data into a plurality of period data for each predetermined period.
The computer predicts k steps from the present time (where k = 1, ..., k max , the step is a predetermined time width, and k max is an integer representing a predetermined maximum value). A calculation procedure for at least calculating a model of wind velocity at a prediction time point k steps after the current time and a confidence interval of a prediction error at the prediction time point based on the model using one or more of the period data different for each. ,
The evaluation index calculation procedure in which the computer calculates the evaluation index of the confidence interval of the prediction error,
A program for causing the computer to execute a determination procedure for determining period data to be used for prediction among the learning data based on the evaluation index.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016170918A JP6848271B2 (en) | 2016-09-01 | 2016-09-01 | Wind speed prediction device, wind speed prediction system, wind speed prediction method and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016170918A JP6848271B2 (en) | 2016-09-01 | 2016-09-01 | Wind speed prediction device, wind speed prediction system, wind speed prediction method and program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2018036196A JP2018036196A (en) | 2018-03-08 |
| JP6848271B2 true JP6848271B2 (en) | 2021-03-24 |
Family
ID=61564831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2016170918A Active JP6848271B2 (en) | 2016-09-01 | 2016-09-01 | Wind speed prediction device, wind speed prediction system, wind speed prediction method and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6848271B2 (en) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583075B (en) * | 2018-11-26 | 2022-12-02 | 湖南科技大学 | Permanent magnet direct-drive wind turbine service quality evaluation method based on temperature parameter prediction |
| CN110707744A (en) * | 2019-10-09 | 2020-01-17 | 广东电网有限责任公司电网规划研究中心 | Method and device for monitoring power generation state of wind power plant cluster and storage medium |
| CN112132360A (en) * | 2020-09-29 | 2020-12-25 | 中交建冀交高速公路投资发展有限公司 | Wind speed short-time confidence interval prediction method and system based on LSTM and GMM |
| JP7431377B1 (en) | 2023-08-29 | 2024-02-14 | 株式会社日立パワーソリューションズ | Wind condition observation equipment placement support device and wind condition observation equipment placement support method |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6975925B1 (en) * | 2002-03-19 | 2005-12-13 | Windlynx Systems, B.V. | Forecasting an energy output of a wind farm |
| JP2007056686A (en) * | 2005-08-22 | 2007-03-08 | Univ Of Ryukyus | Device for predicting power generated after several hours on basis of predicted wind velocity in wind power generator |
| JP4886322B2 (en) * | 2006-02-28 | 2012-02-29 | 東北電力株式会社 | Wind power generation output prediction method, wind power generation output prediction apparatus, and program |
| JP5339317B1 (en) * | 2012-07-30 | 2013-11-13 | 祥人 平田 | Prediction mechanism of renewable energy output fluctuation based on real-time prediction method of weather fluctuation |
| JPWO2016121202A1 (en) * | 2015-01-30 | 2017-11-09 | 日本電気株式会社 | Prediction device, prediction method, and program |
| CN105046374B (en) * | 2015-08-25 | 2019-04-02 | 华北电力大学 | A kind of power interval prediction technique based on core extreme learning machine model |
-
2016
- 2016-09-01 JP JP2016170918A patent/JP6848271B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2018036196A (en) | 2018-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6848271B2 (en) | Wind speed prediction device, wind speed prediction system, wind speed prediction method and program | |
| US20200063710A1 (en) | System and methods for hyper short-term wind power prediction using real-time wind parameter measurements | |
| EP3458981B1 (en) | System and methods for improving the accuracy of solar energy and wind energy forecasts for an electric utility grid | |
| CN103218675B (en) | A kind of based on the short-term load forecasting method of cluster and moving window | |
| CN112285807B (en) | Meteorological information prediction method and device | |
| Chan | Generation of typical meteorological years using genetic algorithm for different energy systems | |
| JP5940922B2 (en) | Renewable energy prediction device | |
| KR101875329B1 (en) | Forecasting apparatus and method for power consumption | |
| CN103023065B (en) | Wind power short-term power prediction method based on relative error entropy evaluation method | |
| CN112308281A (en) | Temperature information prediction method and device | |
| CN117039895B (en) | Wind power prediction method and system for energy storage auxiliary black start | |
| JP2016136001A (en) | Prediction device | |
| Mangalova et al. | K-nearest neighbors for GEFCom2014 probabilistic wind power forecasting | |
| JP6880841B2 (en) | Photovoltaic power generation output prediction device considering snow cover | |
| CN110969306A (en) | Power distribution low-voltage distribution area load prediction method and device based on deep learning | |
| JP2016073156A (en) | Power generation amount prediction device, power generation amount prediction method, and program | |
| JP5937167B2 (en) | Demand forecasting device, demand forecasting method, and program | |
| JP7010674B2 (en) | Power Demand Forecasting Device, Power Demand Forecasting Method and Program | |
| CN116595394A (en) | Training method of wind speed correction model, wind speed prediction method, wind speed prediction equipment and medium | |
| US10998725B2 (en) | Electric power generation prediction method based on expected value calculation, electric power generation prediction system based on expected value calculation, and electric power generation prediction program product based on expected value calculation | |
| Feng et al. | Scenario reduction for stochastic unit commitment with wind penetration | |
| JP6877956B2 (en) | Demand forecasting device and demand forecasting method | |
| CN111105050B (en) | Fan maintenance plan generation method, device, equipment and storage medium | |
| JP6628700B2 (en) | Weather information forecasting device and power demand forecasting device | |
| CN114282658B (en) | Method, device and medium for analyzing and predicting flow sequence |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190809 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200806 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200818 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201015 |
|
| 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: 20210202 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210215 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6848271 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |