JP7346356B2 - Prediction device and prediction method - Google Patents

Prediction device and prediction method Download PDF

Info

Publication number
JP7346356B2
JP7346356B2 JP2020088110A JP2020088110A JP7346356B2 JP 7346356 B2 JP7346356 B2 JP 7346356B2 JP 2020088110 A JP2020088110 A JP 2020088110A JP 2020088110 A JP2020088110 A JP 2020088110A JP 7346356 B2 JP7346356 B2 JP 7346356B2
Authority
JP
Japan
Prior art keywords
wind speed
prediction
actual
wind power
wind
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
Application number
JP2020088110A
Other languages
Japanese (ja)
Other versions
JP2021182319A (en
Inventor
晴樹 三好
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.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=78606613&utm_source=***_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=JP7346356(B2) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2020088110A priority Critical patent/JP7346356B2/en
Publication of JP2021182319A publication Critical patent/JP2021182319A/en
Application granted granted Critical
Publication of JP7346356B2 publication Critical patent/JP7346356B2/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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Wind Motors (AREA)

Description

本開示は、風力発電出力を予測する技術に関する。 The present disclosure relates to techniques for predicting wind power output.

近年、風力発電の導入が拡大しており、電力の安定供給および品質維持のために、風力発電の出力を予測することが必要不可欠となっている。 In recent years, the introduction of wind power generation has been expanding, and it has become essential to predict the output of wind power generation in order to maintain a stable supply and quality of power.

その中でも、一般送配電事業者においては、風力発電の出力を考慮して自身の備える発電機の運転計画を策定したり、自身の備える発電機によって準備することが必要な予備力を計算したりするために、一般送配電事業者の管轄内における風力発電出力（以下、管内風力発電出力という）を数日先まで予測することが求められる。運転計画の策定や必要な予備力の計算のためには、管内風力発電出力の予測値を時間的に細かいデータ粒度（最低でも１時間程度）で得ることが必要となる。 Among these, general power transmission and distribution companies are developing operation plans for their own generators taking into account the output of wind power generation, and calculating the reserve capacity that needs to be prepared by their own generators. In order to do so, it is necessary to predict wind power generation output within the jurisdiction of a general electricity transmission and distribution company (hereinafter referred to as "in-jurisdictional wind power generation output") several days in advance. In order to formulate operation plans and calculate the necessary reserve capacity, it is necessary to obtain predicted values of in-service wind power generation output at fine temporal data granularity (at least about one hour).

管内風力発電出力を予測する手法として、管轄内にある複数の風力発電所のそれぞれの発電出力を予測し、その予測値を合算することが考えられる。各風力発電所の発電出力の予測値は、当該風力発電所の風力発電機の風速と発電出力との関係を表すパワーカーブを用い、当該風力発電所が設置された場所での予測される風速をパワーカーブに当てはめることで算出することができる。しかし、風力発電機毎の性能を表すパワーカーブの情報は、通常、非公開のデータである。そのため、一般送配電事業者が本手法により管内風力発電出力の予測値を得ることは困難である。 One possible method for predicting the wind power generation output within a jurisdiction is to predict the power generation output of each of multiple wind power plants within the jurisdiction and add up the predicted values. The predicted value of the power output of each wind power plant is calculated using a power curve that expresses the relationship between the wind speed of the wind power generator at the wind power plant and the power output. It can be calculated by applying to the power curve. However, information on power curves representing the performance of each wind power generator is usually private data. Therefore, it is difficult for general power transmission and distribution utilities to obtain predicted values for the output of wind power generation within their jurisdiction using this method.

風速と発電出力の実測値を用いて各風力発電所の近似的なパワーカーブを取得することも考えられる。風力発電機の風速と出力を散布図にプロットし、散布図からパワーカーブを近似的に得ることができる。しかし、そのためには、各風力発電機が設置された場所の風速の情報が必要となる。一般送配電事業者が、管轄内の全ての風力発電機の付近に風速計等のセンサを設置するとすると、そのコストが膨大となる可能性がある。 It is also possible to obtain an approximate power curve for each wind power plant using actual measured values of wind speed and power generation output. The wind speed and output of a wind power generator can be plotted on a scatter diagram, and the power curve can be approximately obtained from the scatter diagram. However, this requires information on the wind speed at the location where each wind power generator is installed. If a general power transmission and distribution company were to install sensors such as anemometers near all wind power generators within its jurisdiction, the cost could be enormous.

特許文献１には、過去の風況予測データと過去の発電出力実測データを逐次統計解析して、風況予測データから発電出力予測データを得る手法が開示されている。 Patent Document 1 discloses a method of sequentially statistically analyzing past wind condition prediction data and past measured power generation output data to obtain power generation output prediction data from the wind condition prediction data.

特開２００４－１９５８３号公報Japanese Patent Application Publication No. 2004-19583

特許文献１に開示された手法は、風力発電機毎あるいは風力発電施設毎に発電出力を予測するものである。そのために、風力発電機あるいは風力発電施設の最新の設備情報（設置場所の緯度、経度等）に基づく変換式を用いて、ＧＰＶデータの風速の値を、風力発電機や風力発電所の設置場所における風速の値に変換する処理が必要になる。したがって、例えば、風力発電施設の設備に変更が生じ、風力発電機の設備情報が更新されると、その度に、ＧＰＶデータの変換式をメンテナンスする必要が生じ、メンテナンスをしないと、管内風力発電出力の予測値が実績値と乖離してしまう虞がある。風力発電機の設備情報が更新される度にＧＰＶデータの変換式をメンテナンスすることは容易でない。 The method disclosed in Patent Document 1 predicts the power generation output for each wind power generator or each wind power generation facility. To do this, we use a conversion formula based on the latest equipment information (latitude, longitude, etc. of the installation location) of the wind power generator or wind power facility to convert the wind speed value of the GPV data to the location where the wind power generator or wind power farm is installed. It is necessary to convert the wind speed value at . Therefore, for example, when there is a change in the equipment of a wind power generation facility and the equipment information of the wind power generator is updated, it becomes necessary to maintain the GPV data conversion formula each time. There is a possibility that the predicted output value may deviate from the actual value. It is not easy to maintain the GPV data conversion formula every time the wind power generator equipment information is updated.

本開示のひとつの目的は、風力発電の出力予測を容易に実施可能にする技術を提供することである。 One objective of the present disclosure is to provide a technology that makes it possible to easily predict the output of wind power generation.

本開示のひとつの態様による予測装置は、所定の地域範囲における風速の実績値と、前記地域範囲における風力発電機の出力により得られた電力の実績値との相関を学習し、前記地域範囲の風速に関する情報から前記地域範囲の風力発電機の出力により得られる電力を予測する予測モデルを構築する学習部と、前記予測モデルに、前記地域範囲における風速の予測値の情報を入力し、前記地域範囲における風力発電機の出力により得られる電力を予測する予測部と、を有する。 A prediction device according to one aspect of the present disclosure learns the correlation between the actual value of wind speed in a predetermined regional range and the actual value of electric power obtained by the output of a wind power generator in the regional range, and a learning unit that constructs a prediction model that predicts the electric power obtained by the output of the wind power generator in the regional range from information regarding wind speed; and a prediction unit that predicts the electric power obtained by the output of the wind power generator in the range.

本開示のひとつの態様によれば、風力発電機の設備情報が更新される度にメンテナンスを実施しなくても、風速と管内風力発電出力の関係の相関を随時分析することにより、管内風力発電出力の予測値と実績値との乖離が大きくなりにくく、風力発電の出力予測を容易に実施可能となる。 According to one aspect of the present disclosure, by constantly analyzing the correlation between wind speed and in-tract wind power generation output without performing maintenance every time the equipment information of the wind power generator is updated, The discrepancy between the predicted output value and the actual output value is unlikely to become large, and it becomes possible to easily predict the output of wind power generation.

予測装置を用いた電力システムのひとつの態様を示す図である。FIG. 1 is a diagram showing one aspect of an electric power system using a prediction device. 第１の実施の形態による予測装置のソフトウェア構成を示す概念図である。FIG. 2 is a conceptual diagram showing the software configuration of the prediction device according to the first embodiment. 図２に示した予測装置における風力発電の予測の手法の概要を説明するための図である。3 is a diagram for explaining an overview of a wind power generation prediction method in the prediction device shown in FIG. 2. FIG. 図２に示した予測装置における風力発電の予測の手法に利用する管内風速と管内風力発電出力の時系列データのイメージを示す図である。3 is a diagram showing an image of time-series data of pipe wind speed and pipe wind power generation output used in the wind power generation prediction method in the prediction device shown in FIG. 2. FIG. 図２に示した予測装置における風力発電の予測モデルの構築の手法の概要を説明するための図である。3 is a diagram for explaining an overview of a method for constructing a wind power generation prediction model in the prediction device shown in FIG. 2. FIG. 図２に示した予測装置における学習フェーズと予測フェーズとの関係を説明するための図である。3 is a diagram for explaining the relationship between a learning phase and a prediction phase in the prediction device shown in FIG. 2. FIG. 図２に示した予測装置における線形モデルを用いた学習フェーズを説明するための図である。3 is a diagram for explaining a learning phase using a linear model in the prediction device shown in FIG. 2. FIG. 図２に示した予測装置における線形モデルを用いた予測フェーズを説明するための図である。3 is a diagram for explaining a prediction phase using a linear model in the prediction device shown in FIG. 2. FIG. 図２に示した予測装置におけるニューラルネットワークを用いた学習フェーズを説明するための図である。3 is a diagram for explaining a learning phase using a neural network in the prediction device shown in FIG. 2. FIG. 図２に示した予測装置におけるニューラルネットワークを用いた予測フェーズを説明するための図である。3 is a diagram for explaining a prediction phase using a neural network in the prediction device shown in FIG. 2. FIG. 第２の実施の形態による予測装置のソフトウェア構成を示す概念図である。It is a conceptual diagram which shows the software structure of the prediction device by 2nd Embodiment. 図１１に示した予測装置の学習データ分類データベースに格納されたデータを示す図である。12 is a diagram showing data stored in a learning data classification database of the prediction device shown in FIG. 11. FIG. 第３の実施の形態による予測装置のソフトウェア構成を示す概念図である。FIG. 7 is a conceptual diagram showing the software configuration of a prediction device according to a third embodiment. 図１３に示した予測装置の外れ値データ除外部にて外れ値データを判定するイメージを示す図である。14 is a diagram showing an image of determining outlier data in an outlier data exclusion unit of the prediction device shown in FIG. 13. FIG. 第４の実施の形態による予測装置のソフトウェア構成を示す概念図である。It is a conceptual diagram which shows the software structure of the prediction device by 4th Embodiment. 図１５に示した予測装置の評価結果データベースに格納される比較結果のイメージを示す図である。16 is a diagram showing an image of comparison results stored in the evaluation result database of the prediction device shown in FIG. 15. FIG.

本発明の実施の形態の説明において、管内風速と管内風力発電出力とに相関があることに着目し、パワーカーブや風力発電機の風速が無くても、ＧＰＶデータ等の風速のメッシュデータ（管内風速）を利用することで、管内風力発電出力の予測を可能とする手法を提案する。具体的には、管内風速と管内風力発電出力とのそれぞれの実績を入力として学習し、両者の関係性を予測モデルで数式化することで、管内風力発電出力の予測を可能とする。なお、ＧＰＶデータとは、気象予測モデル（数値予報モデル）を用いて算出した気象要素（風速等）の予測値のメッシュデータのことを示す。 In the description of the embodiments of the present invention, we focused on the fact that there is a correlation between the in-pipe wind speed and the in-pipe wind power generation output. We propose a method that makes it possible to predict the output of wind power generation within a jurisdiction by using wind speed). Specifically, by learning the actual results of the pipe wind speed and pipe wind power generation output as input, and formulating the relationship between the two using a prediction model, it is possible to predict the pipe wind power output. Note that GPV data refers to mesh data of predicted values of meteorological elements (wind speed, etc.) calculated using a weather prediction model (numerical forecast model).

以下に、本発明の実施の形態について図面を参照して説明する。 Embodiments of the present invention will be described below with reference to the drawings.

図１は、予測装置を用いた電力システムのひとつの態様を示す図である。 FIG. 1 is a diagram showing one aspect of a power system using a prediction device.

本形態による電力システムは図１に示すように、本発明の予測装置１０が通信ネットワーク３００を介して電力系統に接続されて構成されている。 As shown in FIG. 1, the power system according to the present embodiment is configured such that a prediction device 10 of the present invention is connected to a power grid via a communication network 300.

電力系統は、無限大系統（巨大系統）１００と、ノード１１０と、変圧器１２０と、複数の風力発電機１３０と、送電線路１４０と、負荷１５０とを備えている。図１では、ノード１１０にノード番号を適宜付与している（Ｎｘ（ｘが番号）で図示）。ノード１１０には、電力系統の保護、制御、監視等の目的に応じた各種の計測器（不図示）が適宜設置されている。電力系統には、複数の風力発電機１３０が設けられており、複数の風力発電機１３０は、ノード１１０、変圧器１２０、送電線路１４０等を介して負荷１５０と相互に連系されている。 The power system includes an infinite system (huge system) 100, a node 110, a transformer 120, a plurality of wind power generators 130, a power transmission line 140, and a load 150. In FIG. 1, node numbers are appropriately assigned to the nodes 110 (indicated by Nx (x is a number)). Various measuring instruments (not shown) are appropriately installed in the node 110 depending on the purpose of protection, control, monitoring, etc. of the power system. A plurality of wind power generators 130 are provided in the power system, and the plurality of wind power generators 130 are interconnected with a load 150 via a node 110, a transformer 120, a power transmission line 140, and the like.

電力系統の計測器で計測された計測データは、信号に変換され、通信ネットワーク３００を介して後述する予測装置１０の通信部２３に送信される。 Measurement data measured by a power system measuring instrument is converted into a signal and transmitted to the communication unit 23 of the prediction device 10, which will be described later, via the communication network 300.

風力発電出力の予測装置１０は計算機システム（コンピュータ）で構成されており、ディスプレイ装置等の表示部２１と、キーボードやマウス等の入力部２２と、通信部２３と、プロセッサ２４と、メモリ２５と、各種データベースＤＢとがバス線２６に接続されている。 The wind power generation output prediction device 10 is composed of a computer system (computer), and includes a display unit 21 such as a display device, an input unit 22 such as a keyboard and a mouse, a communication unit 23, a processor 24, and a memory 25. , and various databases DB are connected to the bus line 26.

表示部２１は、例えば、ディスプレイ装置に代えて、またはディスプレイ装置と共に、プリンタ装置または音声出力装置等を用いる構成でもよい。 The display unit 21 may be configured to use, for example, a printer device, an audio output device, or the like instead of or together with the display device.

入力部２２は、例えば、キーボードスイッチ、マウス等のポインティング装置、タッチパネル、音声指示装置等の少なくともいずれか一つを備えて構成できる。 The input unit 22 can be configured to include at least one of a keyboard switch, a pointing device such as a mouse, a touch panel, a voice instruction device, and the like.

通信部２３は、通信ネットワークに接続するための回路および通信モジュールを備える。 The communication unit 23 includes a circuit and a communication module for connecting to a communication network.

プロセッサ２４は、ソフトウェアプログラム（以下、単に「ソフトウェア」ともいう）を実行して表示すべき画像データの指示や、各種データベース内のデータの検索等を行う。一つまたは複数の半導体チップとして構成してもよいし、または、計算サーバのようなコンピュータ装置として構成してもよい。 The processor 24 executes a software program (hereinafter also simply referred to as "software") to instruct image data to be displayed, searches for data in various databases, and the like. It may be configured as one or more semiconductor chips, or it may be configured as a computer device such as a calculation server.

メモリ２５は、例えば、ＲＡＭとして構成され、ソフトウェアを記憶したり、各処理に必要な計算結果データおよび画像データ等を記憶したりする。メモリ２５に格納された画像データは、表示部２１に送られて表示される。 The memory 25 is configured as a RAM, for example, and stores software, calculation result data, image data, etc. necessary for each process. The image data stored in the memory 25 is sent to the display section 21 and displayed.

データベースＤＢとしては、管内風速（実績）データベースＤＢ１と、管内風力発電出力（実績）データベースＤＢ２と、予測モデルデータベースＤＢ３と、管内風力発電出力（予測）データベースＤＢ４とを備える。 The database DB includes an in-duct wind speed (actual record) database DB1, an in-duct wind power generation output (actual result) database DB2, a prediction model database DB3, and an in-service wind power generation output (prediction) database DB4.

以下に、予測装置１０のソフトウェアの構成について、複数の実施の形態を挙げて説明する。 Below, the configuration of the software of the prediction device 10 will be described by citing a plurality of embodiments.

（第１の実施の形態） (First embodiment)

図２は、第１の実施の形態による予測装置１０のソフトウェア構成を示す概念図である。 FIG. 2 is a conceptual diagram showing the software configuration of the prediction device 10 according to the first embodiment.

本形態における予測装置１０のソフトウェア構成は図２に示すように、管内風速（実績）データベースＤＢ１と、管内風力発電出力（実績）データベースＤＢ２と、予測モデルデータベースＤＢ３と、管内風力発電出力（予測）データベースＤＢ４と、学習部１１と、予測部１２とを備える。 As shown in FIG. 2, the software configuration of the prediction device 10 in this embodiment includes an in-duct wind speed (actual) database DB1, an in-duct wind power generation output (actual) database DB2, a prediction model database DB3, and an in-duct wind power generation output (prediction). It includes a database DB4, a learning section 11, and a prediction section 12.

管内風速（実績）データベースＤＢ１には、風速のメッシュデータの実績値（以下、管内風速（実績）という）が格納されている。風速のメッシュデータとは、例えば、気象庁から提供される気象予測モデルを用いて算出した気象要素の予測値であるＧＰＶデータを用いる。なお、気象予測モデルとしては、長期間の低解像度予測や、短期間の高解像度予測等が存在するが、どちらか一方の気象予測モデルを用いても良いし、両方の気象予測モデルを用いても良い。 The pipe wind speed (performance) database DB1 stores performance values of mesh data of wind speed (hereinafter referred to as pipe wind speed (performance)). The wind speed mesh data uses, for example, GPV data that is a predicted value of a meteorological element calculated using a weather prediction model provided by the Japan Meteorological Agency. Note that there are long-term low-resolution forecasts, short-term high-resolution forecasts, etc. as weather prediction models, but you may use either one of them, or you may use both of them. Also good.

管内風力発電出力（実績）データベースＤＢ２には、管内風力発電出力の実績値（以下、管内風力発電出力（実績）という）が格納されている。 The in-service wind power generation output (performance) database DB2 stores actual values of in-service wind power generation output (hereinafter referred to as in-service wind power generation output (performance)).

学習部１１は、所定の地域範囲における風速の実績値と、その地域範囲における風力発電機の出力により得られた電力の実績値との相関を学習し、その地域範囲の風速に関する情報からその地域範囲の風力発電機の出力により得られる電力を予測する管内風力発電出力の予測モデル（以下、予測モデルという）を構築する。具体的には、学習部１１では、管内風速（実績）データベースＤＢ１に格納された管内風速（実績）と、管内風力発電出力（実績）データベースＤＢ２に格納された管内風力発電出力（実績）とを入力し、風速と管内風力発電出力との相関関係を学習により求めることで、予測モデルの各係数を導出する。 The learning unit 11 learns the correlation between the actual value of wind speed in a predetermined regional range and the actual value of electric power obtained from the output of wind power generators in that regional range, and calculates the correlation between the actual value of wind speed in a predetermined regional range and the actual value of electric power obtained from the output of wind power generators in that regional range, and A prediction model for in-service wind power generation output (hereinafter referred to as a prediction model) that predicts the electric power obtained from the output of wind power generators within the area will be constructed. Specifically, the learning unit 11 uses the pipe wind speed (actual results) stored in the pipe wind speed (actual results) database DB1 and the pipe wind power output (actual results) stored in the pipe wind power generation output (actual results) database DB2. Each coefficient of the prediction model is derived by learning the correlation between wind speed and in-tract wind power generation output.

予測部１２は、学習部１１にて予測された予測モデルに、その予測モデルに対応する地域範囲における風速の予測値の情報を入力し、その地域範囲における風力発電機の出力により得られる電力を予測する。具体的には、予測部１２では、管内風速（予測）を入力し、入力した管内風速（予測）を、学習部１１にて予測された予測モデルに当てはめ、管内風力発電出力の予測値（以下、管内風力発電出力（予測）という）を出力する。 The prediction unit 12 inputs into the prediction model predicted by the learning unit 11 information on the predicted value of the wind speed in the area corresponding to the prediction model, and calculates the electric power obtained by the output of the wind power generator in the area. Predict. Specifically, the prediction unit 12 inputs the pipe wind speed (prediction), applies the input pipe wind speed (prediction) to the prediction model predicted by the learning unit 11, and calculates the predicted value of the pipe wind power output (hereinafter referred to as , outputs the in-service wind power generation output (predicted)).

予測モデルデータベースＤＢ３には、学習部１１において風速と管内風力発電出力の実績値との相関を取ることで作成した予測モデルが格納されている。 The prediction model database DB3 stores a prediction model created by the learning unit 11 by correlating the wind speed with the actual value of the in-tract wind power generation output.

管内風力発電出力（予測）データベースＤＢ４には、予測部１２において、管内風力発電出力の予測モデルに対して、風速のメッシュデータ（ＧＰＶデータ等）の予測値を入力することで、算出した管内風力発電出力（予測）が格納されている。 In the in-service wind power generation output (prediction) database DB4, the prediction unit 12 inputs the predicted value of wind speed mesh data (GPV data, etc.) to the in-service wind power generation output prediction model, and calculates the calculated in-service wind power generation output (prediction) database DB4. Power generation output (prediction) is stored.

以下に、上記のように構成された予測装置１０における風力発電の予測の手法について説明する。 A method of predicting wind power generation using the prediction device 10 configured as described above will be described below.

上述したように従来の風力発電の手法においては、パワーカーブや発電機の風速が入手できない場合に、各風力発電所の出力を算出することができず、そのため管内風力発電出力を算出することができない。 As mentioned above, with conventional wind power generation methods, it is not possible to calculate the output of each wind power plant if the power curve and wind speed of the generator are not available. Can not.

図２に示した予測装置１０では、一般送配電事業者における管内風速と管内風力発電出力のみで、風力発電の予測を可能とする。その際、一般送配電事業者における管内風速と管内風力発電出力には、関係性（相関）がある点に着目する。つまり、管内風速と管内風力発電出力の過去データから両者の関係性を数式により表し、予測に利用する。 The prediction device 10 shown in FIG. 2 makes it possible to predict wind power generation using only the in-duct wind speed and in-service wind power generation output of a general power transmission and distribution company. In doing so, we will focus on the fact that there is a relationship (correlation) between the wind speed within the service area and the output of wind power generation within the service area for general power transmission and distribution companies. In other words, from past data on pipe wind speed and pipe wind power generation output, the relationship between the two is expressed by a mathematical formula and used for prediction.

図３は、図２に示した予測装置１０における風力発電の予測の手法の概要を説明するための図である。図４は、図２に示した予測装置１０における風力発電の予測の手法に利用する管内風速と管内風力発電出力の時系列データのイメージを示す図である。なお、図３は、ある時間断面でのイメージを示し、各メッシュの風速の大きさを矢印の太さ（強、中、弱の３段階）で表している。 FIG. 3 is a diagram for explaining an overview of a method of predicting wind power generation in the prediction device 10 shown in FIG. 2. FIG. 4 is a diagram illustrating an image of time-series data of pipe wind speed and pipe wind power generation output used in the wind power generation prediction method in the prediction device 10 shown in FIG. 2. Note that FIG. 3 shows an image in a certain time cross section, and the magnitude of the wind speed of each mesh is expressed by the thickness of the arrow (three levels: strong, medium, and weak).

図２に示した予測装置１０においては、図３に示すように、地域範囲を格子状に区切った各格子における風速の値を用いて、管内風力発電出力を予測することになる。各格子における風速のデータは、例えば気象庁から取得することができ、上述したように管内風速（実績）データベースＤＢ１に格納されている。 In the prediction device 10 shown in FIG. 2, as shown in FIG. 3, the in-tract wind power generation output is predicted using the wind speed value in each grid that divides the regional range into a grid. The data on the wind speed in each grid can be obtained from the Japan Meteorological Agency, for example, and is stored in the pipe wind speed (actual record) database DB1 as described above.

学習部１１においては、図４に示すように、管内風速（実績）データベースＤＢ１と管内風力発電出力（実績）データベースＤＢ２とから、管内風速（実績）と管内風力発電出力（実績）という）とのそれぞれについての時系列データを入手することで、両者の関係性を活用して予測モデルを構築する。 In the learning unit 11, as shown in FIG. 4, from the pipe wind speed (actual results) database DB1 and the pipe wind power generation output (actual results) database DB2, the pipe wind speed (actual) and the pipe wind power output (actual) are calculated. By obtaining time-series data for each, a predictive model can be built by utilizing the relationship between the two.

図５は、図２に示した予測装置１０における風力発電の予測モデルの構築の手法の概要を説明するための図である。 FIG. 5 is a diagram for explaining an overview of a method for constructing a wind power generation prediction model in the prediction device 10 shown in FIG. 2.

図２に示した予測装置１０においては、図３に示すように、管内風速と管内風力発電出力の過去データから両者の関係性を数式により表し、学習により予測モデルの各係数を導出することで、管内風速が大きな場合に管内風力発電出力も大きくなる地域、管内風速が小さな場合に管内風力発電出力も小さくなる地域を関係性の高い地域として抽出する。すなわち、学習部１１において、地域範囲を格子状に区切った各格子における風速の値を説明変数とし、その地域範囲に存在する全ての風力発電機の出力により得られるトータルの電力の値を目的変数として予測モデルを構築する。 In the prediction device 10 shown in FIG. 2, as shown in FIG. 3, the relationship between the pipe wind speed and the pipe wind power output is expressed by a mathematical formula from past data, and each coefficient of the prediction model is derived through learning. , regions where the in-duct wind power generation output is large when the in-duct wind speed is high, and regions where the in-duct wind power generation output is also small when the in-duct wind speed is small are extracted as highly related regions. That is, in the learning unit 11, the value of the wind speed in each grid that divides the regional range into a grid is used as an explanatory variable, and the value of the total electric power obtained by the output of all the wind power generators existing in the regional range is used as the objective variable. Build a predictive model as follows.

このように、地域範囲を格子状に区切った各格子における風速の値を説明変数とし地域範囲の全ての風力発電機から得られるトータルの電力を目的変数とすることにより、地域範囲内で風力発電機の設備に変更が生じても、予測モデルを即座にメンテナンスする必要がなく、利用し続けことができる。 In this way, by using the wind speed value in each lattice that divides the region into a grid as an explanatory variable and the objective variable as the total power obtained from all wind power generators in the region, wind power generation within the region can be calculated. Even if changes occur to the machine's equipment, there is no need to immediately maintain the predictive model and it can continue to be used.

なお、地域範囲を一般送配電事業者が管轄する地域範囲とし、一般送配電事業者管内で一つの予測モデルを作成しても良いし、一般送配電事業者管内で分割した複数エリア毎に予測モデルを作成しても良い。地域範囲を一般送配電事業者が管轄する地域範囲とすれば、一般送配電事業者が管轄する地域範囲の風力発電所から供給されるトータルの電力を予測し、自身の発電機の運転計画の策定等に利用できる。 Note that the regional range may be the area under the jurisdiction of the general power transmission and distribution company, and one prediction model may be created within the general power transmission and distribution company's jurisdiction, or predictions may be made for multiple areas divided within the general power transmission and distribution company's jurisdiction. You can also create a model. If the regional range is the area under the jurisdiction of a general power transmission and distribution company, the general power transmission and distribution company can predict the total power supplied from wind power plants in the area under its jurisdiction and plan its own generator operation. It can be used for formulation, etc.

図６は、図２に示した予測装置１０における学習フェーズと予測フェーズとの関係を説明するための図である。 FIG. 6 is a diagram for explaining the relationship between the learning phase and the prediction phase in the prediction device 10 shown in FIG. 2.

図２に示した予測装置１０においては、図６に示すように、学習部１１における学習フェーズと、予測部１２における予測フェーズとを有し、これら２つのフェーズを実行することで、風力発電を予測する。 As shown in FIG. 6, the prediction device 10 shown in FIG. 2 has a learning phase in the learning section 11 and a prediction phase in the prediction section 12, and by executing these two phases, wind power generation is Predict.

学習フェーズでは、学習部１１において、管内風速（実績）データベースＤＢ１に格納された管内風速（実績）と、管内風力発電出力（実績）データベースＤＢ２に格納された管内風力発電出力（実績）の過去のデータ（１回目～Ｎ回目）を学習させて、予測モデルを構築する。ここで、予測モデルの構築とは、学習により予測モデルの各係数を導出するという意味である。 In the learning phase, the learning unit 11 calculates the past in-duct wind speed (actual results) stored in the in-duct wind speed (actual results) database DB1 and the past in-service wind power generation output (actual results) stored in the in-service wind power generation output (actual results) database DB2. Build a predictive model by learning the data (1st to Nth times). Here, constructing a predictive model means deriving each coefficient of the predictive model through learning.

予測フェーズでは、予測部１２において、学習部１１にて構築された予測モデルに管内風速（予測）を代入して、管内風力発電出力（予測）を得る。 In the prediction phase, the prediction unit 12 substitutes the pipe wind speed (prediction) into the prediction model constructed by the learning unit 11 to obtain the pipe wind power generation output (prediction).

学習フェーズにおける、管内風速（実績）の入力としては、ＧＰＶ－ＧＳＭ、ＧＰＶ－ＭＳＭ、ＧＰＶ－ＬＦＭ等を想定し、データ要素としては、緯度方向風速、経度方向風速等を想定する。また、学習フェーズでは、線形モデル、ベイズ推定、カルマンフィルタ、ＡＲＩＭＡ（Ａｕｔｏrｅｇｒｅｓｓｉｖｅ Ｉｎｔｅｇｒａｔｅｄ Ｍｏｖｉｎｇ Ａｖｅｒａｇｅ）モデル、決定木（ランダムフォレスト等含む）、ニューラルネットワーク、サポートベクタモデル（ＳＶＭ）等の中から、一つ以上の予測モデルを作成することを想定する。一方、予測フェーズでは、一つの予測モデルより算出した管内風力発電出力（予測）を使用しても良いし、複数の予測モデルより算出した管内風力発電出力（予測）の平均値を使用しても良い。 In the learning phase, GPV-GSM, GPV-MSM, GPV-LFM, etc. are assumed to be input for the pipe wind speed (actual), and latitudinal wind speed, longitudinal wind speed, etc. are assumed as data elements. In addition, in the learning phase, one or more of linear models, Bayesian estimation, Kalman filters, ARIMA (Autoregressive Integrated Moving Average) models, decision trees (including random forests, etc.), neural networks, support vector models (SVM), etc. Suppose you want to create a predictive model. On the other hand, in the prediction phase, the in-service wind power generation output (prediction) calculated from one prediction model may be used, or the average value of the in-service wind power generation output (prediction) calculated from multiple prediction models may be used. good.

以下に、線形モデルとニューラルネットワークを用いた場合の予測モデルについて説明する。まず、線形モデルを用いた場合の予測モデルについて説明する。 A prediction model using a linear model and a neural network will be described below. First, a prediction model using a linear model will be explained.

図７は、図２に示した予測装置１０における線形モデルを用いた学習フェーズを説明するための図である。なお、説明の簡素化のため、メッシュは９マスとした。 FIG. 7 is a diagram for explaining a learning phase using a linear model in the prediction device 10 shown in FIG. 2. Note that to simplify the explanation, the mesh was set to 9 squares.

図７に示す学習フェーズでは、管内風速（実績）をｘ１～ｘ９とし、このｘ１～ｘ９のそれぞれに予測モデルの係数ａ１～ａ９を乗算したものを加算して得られる管内風力発電出力（実績）をＹと定義し、９回の管内風速と管内風力発電出力の実績値をそれぞれｘ１～ｘ９，Ｙに代入し、連立方程式により各係数ａ１～ａ９を算出することで、予測モデルを得る。 In the learning phase shown in Fig. 7, the in-duct wind speed (actual) is set as x1 to x9, and the in-duct wind power generation output (actual) obtained by adding the products of x1 to x9 multiplied by the coefficients a1 to a9 of the prediction model, respectively. is defined as Y, and a prediction model is obtained by substituting the actual values of the pipe wind speed and pipe wind power generation output for nine times into x1 to x9 and Y, respectively, and calculating each coefficient a1 to a9 using simultaneous equations.

図８は、図２に示した予測装置１０における線形モデルを用いた予測フェーズを説明するための図である。 FIG. 8 is a diagram for explaining a prediction phase using a linear model in the prediction device 10 shown in FIG. 2.

図８に示す予測フェーズでは、管内風速（予測）をｘ１～ｘ９と定義し、図７に示した予測モデルにおけるｘ１～ｘ９に管内風速（予測）を代入し、管内風力発電出力（予測）を得る。 In the prediction phase shown in Figure 8, the pipe wind speed (prediction) is defined as x1 to x9, the pipe wind speed (prediction) is substituted for x1 to x9 in the prediction model shown in Fig. 7, and the pipe wind power output (prediction) is calculated. obtain.

次に、ニューラルネットワークを用いた場合の予測モデルの例を示す。 Next, an example of a prediction model using a neural network will be shown.

図９は、図２に示した予測装置１０におけるニューラルネットワークを用いた学習フェーズを説明するための図である。なお、説明の簡素化のため、メッシュは９マスとした。 FIG. 9 is a diagram for explaining a learning phase using a neural network in the prediction device 10 shown in FIG. 2. Note that to simplify the explanation, the mesh was set to 9 squares.

図９に示す学習フェーズでは、管内風速（実績）をｘ１～ｘ９、管内風力発電出力（実績）をＹと定義し、１０００回の管内風速と管内風力発電出力の実績値から、誤差逆伝播法により、予測モデルの各係数（ａ１１～ａ９３、ｂ１～ｂ３）を算出することで、予測モデルを得る。 In the learning phase shown in Figure 9, the pipe wind speed (actual) is defined as x1 to x9, the pipe wind power generation output (actual) is defined as Y, and the error backpropagation method is used from the actual values of the pipe wind speed and pipe wind power generation output 1000 times. A prediction model is obtained by calculating each coefficient (a11 to a93, b1 to b3) of the prediction model.

図１０は、図２に示した予測装置１０におけるニューラルネットワークを用いた予測フェーズを説明するための図である。 FIG. 10 is a diagram for explaining a prediction phase using a neural network in the prediction device 10 shown in FIG. 2.

図１０に示す予測フェーズでは、管内風速（予測）をｘ１～ｘ９と定義し、図９に示した予測モデルにおけるｘ１～ｘ９に管内風速（予測）を代入し、管内風力発電出力（予測）を得る。 In the prediction phase shown in Figure 10, the pipe wind speed (prediction) is defined as x1 to x9, the pipe wind speed (prediction) is substituted for x1 to x9 in the prediction model shown in Fig. 9, and the pipe wind power output (prediction) is calculated. obtain.

上述した第１の実施の形態によれば、管内風速と管内風力発電出力の実績を学習し、両者の関係性の相関を示す予測モデルで数式化することにより、風力発電予測が可能となる。 According to the first embodiment described above, it is possible to predict wind power generation by learning the actual results of the pipe wind speed and the pipe wind power generation output, and formulating it with a prediction model that shows the correlation between the two.

なお、学習部１１において、所定の地域範囲における風速の実績値と、その地域範囲における風力発電機の出力により得られた電力の実績値との相関を機械学習により学習する構成としてもよい。 Note that the learning unit 11 may be configured to learn, by machine learning, the correlation between the actual value of wind speed in a predetermined regional range and the actual value of electric power obtained by the output of the wind power generator in that regional range.

上述したように、所定の地域範囲における風速の実績値と、風力発電機の出力により得られた電力の実績値との相関を学習し、その地域範囲における風速の予測値の情報を入力し、風力発電機の出力により得られる電力を予測するので、風力発電の出力予測を容易に実施できる。 As described above, the system learns the correlation between the actual value of wind speed in a predetermined regional range and the actual value of electric power obtained from the output of the wind power generator, inputs information on the predicted value of wind speed in that regional range, Since the power obtained from the output of the wind power generator is predicted, the output of wind power generation can be easily predicted.

（第２の実施の形態） (Second embodiment)

図１１は、第２の実施の形態による予測装置１０のソフトウェア構成を示す概念図である。 FIG. 11 is a conceptual diagram showing the software configuration of the prediction device 10 according to the second embodiment.

本形態における予測装置１０のソフトウェア構成は図１１に示すように、管内風速（実績）データベースＤＢ１と、管内風力発電出力（実績）データベースＤＢ２と、予測モデルデータベースＤＢ３と、管内風力発電出力（予測）データベースＤＢ４と、学習データ分類データベースＤＢ５と、学習部１１と、予測部１２とを備える。すなわち、第１の実施の形態に示したものに対して、学習データ分類データベースＤＢ５を追加で備えている。 As shown in FIG. 11, the software configuration of the prediction device 10 in this embodiment includes an in-duct wind speed (actual) database DB1, an in-duct wind power output (actual) database DB2, a prediction model database DB3, and an in-duct wind power output (prediction). It includes a database DB4, a learning data classification database DB5, a learning section 11, and a prediction section 12. That is, the learning data classification database DB5 is additionally provided in addition to that shown in the first embodiment.

学習データ分類データベースＤＢ５には、例えば、予測モデルを作成する学習期間が格納されている。学習期間とは、例えば、時間帯毎、月毎（季節毎）等の期間のことであり、時間帯と月のどちらか一方に基づき、学習期間を決定しても良いし、両方に基づき、学習期間を決定しても良い。 The learning data classification database DB5 stores, for example, a learning period for creating a prediction model. The learning period is, for example, a period such as each time period or each month (seasonal), and the learning period may be determined based on either the time period or the month, or based on both. You may decide on the study period.

図１２は、図１１に示した予測装置１０の学習データ分類データベースＤＢ５に格納されたデータを示す図である。 FIG. 12 is a diagram showing data stored in the learning data classification database DB5 of the prediction device 10 shown in FIG. 11.

図１２に示すように、図１１に示した予測装置１０の学習データ分類データベースＤＢ５には、時間帯毎、月毎の両方に基づいた学習データ分類が格納されている。なお、他に格納されている学習データ分類としては、風向（北、北北東、北東等）、気温（１０度以下、１０～２０度、２０度～３０度等）、気圧（１００５～１０１０ｈＰＡ、１０１０～１０１５ｈＰＡ、１０１５～１０２０ｈＰＡ等）、湿度（３０～４０％、４０～５０％、５０～６０％等）、天気（晴れ、雨、曇り等）等が想定される。 As shown in FIG. 12, the learning data classification database DB5 of the prediction device 10 shown in FIG. 11 stores learning data classifications based on both time periods and months. Other stored learning data classifications include wind direction (north, north-northeast, northeast, etc.), temperature (below 10 degrees, 10-20 degrees, 20-30 degrees, etc.), and atmospheric pressure (1005-1010 hPA, 1010 to 1015 hPA, 1015 to 1020 hPA, etc.), humidity (30 to 40%, 40 to 50%, 50 to 60%, etc.), weather (sunny, rainy, cloudy, etc.), etc. are assumed.

本実施の形態では、例えば、学習フェーズで過去５年間において１月の２～３時の風速（実績）と管内風力発電出力（実績）を用いて作成した予測モデルに対して、予測フェーズで１月の２～３時の場合に風速（実績）を入力することで、管内風力発電出力（予測）を算出する。図１２に示すデータ構成では、学習期間ｉｉｉ－ａに相当する。 In this embodiment, for example, in the prediction phase, the prediction model created using the wind speed (actual) and the in-service wind power generation output (actual) from 2:00 to 3:00 in January over the past five years is By inputting the wind speed (actual) between 2:00 and 3:00 of the month, the in-service wind power generation output (prediction) is calculated. The data structure shown in FIG. 12 corresponds to the learning period iii-a.

このように、学習部１２が、１日を複数に区切った時間帯毎および／または１年を複数に区切った季節毎に予測モデルを構築することで、時間帯毎や季節毎の違いを反映したより精度の高い予測が可能となる。 In this way, the learning unit 12 builds a prediction model for each time period in which one day is divided into multiple periods and/or each season in which one year is divided into multiple periods, thereby reflecting differences between each time period and each season. This makes it possible to make more accurate predictions.

なお、学習部１２が、地域範囲を所定の大きさに区切った各格子における所定の期間の風速の実績値を示す第１風速実績データや地域範囲を第１風速実績データの格子よりも小さく区切った各格子における第１風速実績データの期間よりも短い期間の風速の実績値を示す第２風速実績データと、地域範囲における風力発電機の出力により得られた電力の実績値との相関を学習する構成としてもよい。 It should be noted that the learning unit 12 uses first wind speed performance data indicating the actual value of wind speed for a predetermined period in each grid in which the regional range is divided into a predetermined size, or the regional range is divided into smaller grids than the grid of the first wind speed performance data. Learn the correlation between the second wind speed performance data indicating the actual wind speed value for a period shorter than the period of the first wind speed performance data in each grid and the actual value of the electric power obtained from the output of the wind power generator in the regional range. It is also possible to have a configuration in which

本実施の形態によれば、定めた学習データ分類毎に、管内風速と管内風力発電出力の実績を学習し、両者の関係性の相関を示す予測モデルで数式化することにより、風力発電予測が可能となる。 According to this embodiment, wind power generation prediction is performed by learning the actual results of pipe wind speed and pipe wind power generation output for each predetermined learning data classification, and formulating it with a prediction model that shows the correlation between the two. It becomes possible.

（第３の実施の形態） (Third embodiment)

図１３は、第３の実施の形態による予測装置１０のソフトウェア構成を示す概念図である。 FIG. 13 is a conceptual diagram showing the software configuration of the prediction device 10 according to the third embodiment.

本形態における予測装置１０のソフトウェア構成は図１３に示すように、管内風速（実績）データベースＤＢ１と、管内風力発電出力（実績）データベースＤＢ２と、予測モデルデータベースＤＢ３と、管内風力発電出力（予測）データベースＤＢ４と、学習部１１と、予測部１２と、外れ値データ除外部１３とを備える。すなわち、第１の実施の形態に示したものに対して、外れ値データ除外部１３を追加で備えている。 As shown in FIG. 13, the software configuration of the prediction device 10 in this embodiment includes an in-duct wind speed (actual) database DB1, an in-duct wind power generation output (actual) database DB2, a prediction model database DB3, and an in-duct wind power generation output (prediction). It includes a database DB4, a learning section 11, a prediction section 12, and an outlier data exclusion section 13. That is, an outlier data exclusion unit 13 is additionally provided in addition to that shown in the first embodiment.

外れ値データ除外部１３は、風速の実績値である風速（実績）と、電力の実績値である管内風力発電出力（実績）を入力し、これら風速（実績）と管内風力発電出力（実績）とに基づいて、風速（実績）および管内風力発電出力（実績）の外れ値を除外する。 The outlier data exclusion unit 13 inputs the wind speed (actual), which is the actual value of wind speed, and the in-service wind power generation output (actual), which is the actual value of electric power, and calculates these wind speeds (actual) and in-service wind power generation output (actual). Exclude outliers in wind speed (actual) and in-service wind power output (actual) based on

学習部１２は、外れ値が除外された風速（実績）と管内風力発電出力（実績）との相関を学習する。 The learning unit 12 learns the correlation between the wind speed (actual results) from which outliers have been removed and the in-service wind power generation output (actual results).

これにより、本実施の形態では、例えば、風速（実績）と管内風力発電出力（実績）において、他の入力値と比較して大きく外れた値を除いた上で、予測モデルを構築することになる。例えば、台風通過時に強風で風力発電機が停止（カットアウト）する場合や、測定ミスや記録ミス等が発生した場合に外れ値として判定されることを想定する。 As a result, in this embodiment, for example, in wind speed (actual results) and in-service wind power generation output (actual results), a prediction model is constructed after excluding values that deviate greatly compared to other input values. Become. For example, assume that a wind power generator is stopped (cut out) due to strong winds when a typhoon passes, or that a measurement error or recording error occurs, which will be determined as an outlier.

図１４は、図１３に示した予測装置１０の外れ値データ除外部１３にて外れ値データを判定するイメージを示す図である。 FIG. 14 is a diagram illustrating how the outlier data exclusion unit 13 of the prediction device 10 illustrated in FIG. 13 determines outlier data.

図１４に示すように、風速（実績）と管内風力発電出力（実績）とに基づいて、風速（実績）と管内風力発電出力（実績）の相関から大きく離れた値が存在する場合、外れ値データ除外部１３においてこれを外れ値として除外する。なお、ここでは、説明を簡単にするため、１つのメッシュに対する風速（実績）のみを扱うが、実際には一般送配電事業者管内の複数メッシュまたは全メッシュの風速（実績）を扱う。 As shown in Figure 14, based on the wind speed (actual results) and in-service wind power generation output (actual results), if there is a value that is far away from the correlation between wind speed (actual results) and in-service wind power generation output (actual results), it is an outlier. The data exclusion unit 13 excludes this as an outlier. Note that here, in order to simplify the explanation, only the wind speed (actual results) for one mesh will be dealt with, but in reality, the wind speed (actual results) of multiple meshes or all meshes within the general power transmission and distribution company's service area will be dealt with.

本実施の形態によれば、発生する可能性が低い気象要素等が原因で発生する外れ値データを除く管内風速と管内風力発電出力の実績を学習し、両者の関係性の相関を示す予測モデルで数式化することにより、より精度の高い風力発電予測が可能となる。 According to the present embodiment, a prediction model learns the actual results of pipe wind speed and pipe wind power output, excluding outlier data caused by meteorological factors that are unlikely to occur, and shows the correlation of the relationship between the two. By converting it into a mathematical formula, it becomes possible to predict wind power generation with higher accuracy.

（第４の実施の形態） (Fourth embodiment)

図１５は、第４の実施の形態による予測装置１０のソフトウェア構成を示す概念図である。 FIG. 15 is a conceptual diagram showing the software configuration of the prediction device 10 according to the fourth embodiment.

本形態における予測装置１０のソフトウェア構成は図１５に示すように、管内風速（実績）データベースＤＢ１と、管内風力発電出力（実績）データベースＤＢ２と、予測モデルデータベースＤＢ３と、管内風力発電出力（予測）データベースＤＢ４と、評価結果データベースＤＢ７と、学習部１１と、予測部１２と、評価部１４とを備える。すなわち、第１の実施の形態に示したものに対して、評価データベースＤＢ７および評価部１４を追加で備えている。 As shown in FIG. 15, the software configuration of the prediction device 10 in this embodiment includes an in-duct wind speed (actual) database DB1, an in-duct wind power generation output (actual) database DB2, a prediction model database DB3, and an in-duct wind power output (prediction). It includes a database DB4, an evaluation result database DB7, a learning section 11, a prediction section 12, and an evaluation section 14. That is, the evaluation database DB7 and the evaluation section 14 are additionally provided in addition to those shown in the first embodiment.

評価部１４は、管内風力発電出力（実績）データベースＤＢ２に格納された管内風力発電出力（実績）と、予測部１２にて、予測モデルに風速の実績値を入力して算出される電力の予測値すなわち管内風力発電出力（予測）を入力し、これら管内風力発電出力（実績）と管内風力発電出力（予測）とを比較する。 The evaluation unit 14 uses the in-service wind power generation output (actual results) stored in the in-service wind power generation output (actual results) database DB2 and the prediction unit 12 to predict the electric power calculated by inputting the actual wind speed values into the prediction model. Input the value, that is, the in-service wind power generation output (prediction), and compare the in-service wind power generation output (actual) with the in-service wind power generation output (prediction).

本実施の形態では、学習部１１が、複数の異なるアルゴリズムを用いて複数の予測モデルを構築し、予測部１２が、その複数の予測モデルを用いて管内風力発電出力（予測）を予測するため、評価部１４は、複数の予測モデルの予測精度を評価することになる。 In this embodiment, the learning unit 11 constructs a plurality of prediction models using a plurality of different algorithms, and the prediction unit 12 uses the plurality of prediction models to predict the in-service wind power generation output (prediction). , the evaluation unit 14 evaluates the prediction accuracy of the plurality of prediction models.

評価結果データベースＤＢ７には、管内風力発電出力（実績）と管内風力発電出力（予測）との両者の偏差が、評価部１４における評価結果として格納されている。 In the evaluation result database DB7, the deviation between the in-service wind power generation output (actual) and the in-service wind power generation output (prediction) is stored as an evaluation result by the evaluation unit 14.

本実施の形態では、例えば、線形モデル、ベイズ推定、カルマンフィルタ、ＡＲＩＭＡモデル、決定木（ランダムフォレスト等含む）、ニューラルネットワーク、ＳＶＭ等の予測モデルの中から、直前の一定期間において、管内風力発電出力（実績）と管内風力発電出力（予測）との偏差を算出する。 In this embodiment, for example, the in-service wind power generation output is selected from prediction models such as a linear model, Bayesian estimation, Kalman filter, ARIMA model, decision tree (including random forest, etc.), neural network, SVM, etc. Calculate the deviation between (actual) and in-service wind power generation output (prediction).

図１６は、図１５に示した予測装置１０の評価結果データベースＤＢ６に格納される比較結果のイメージを示す図である。 FIG. 16 is a diagram showing an image of the comparison results stored in the evaluation result database DB6 of the prediction device 10 shown in FIG. 15.

図１６に示すように、図１５に示した予測装置１０の評価結果データベースＤＢ６には、管内風力発電出力（実績）と管内風力発電出力（予測）との比較結果とその偏差が格納されている。 As shown in FIG. 16, the evaluation result database DB6 of the prediction device 10 shown in FIG. 15 stores comparison results and deviations between the in-service wind power generation output (actual) and the in-service wind power generation output (prediction). .

予測部１２は、管内風力発電出力（実績）と管内風力発電出力（予測）の偏差が最も小さな予測モデルを定期的に選択し、選択した予測モデルを用いて予測を行う。 The prediction unit 12 periodically selects a prediction model with the smallest deviation between the local wind power generation output (actual) and the local wind power generation output (prediction), and performs prediction using the selected prediction model.

本実施の形態によれば、管内風力発電出力の実績と予測との偏差が最も小さな予測モデルにおいて、管内風速と管内風力発電出力の実績を学習し、両者の関係性の相関を示す予測モデルで数式化することにより、高い精度での風力発電予測が可能となる。 According to the present embodiment, the prediction model that has the smallest deviation between the actual and predicted in-service wind power generation output learns the in-service wind speed and the actual in-service wind power generation output, and shows the correlation between the relationship between the two. By formulating it into a mathematical formula, it becomes possible to predict wind power generation with high accuracy.

なお、本発明は、上述した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、上述した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加、削除または置換をすることが可能である。また、上記の各構成、機能及び、処理部等は、それらの一部または全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。 Note that the present invention is not limited to the embodiments described above, and includes various modifications. For example, the embodiments described above have been described in detail to explain the present invention in an easy-to-understand manner, and the present invention is not necessarily limited to having all the configurations described. Furthermore, it is possible to replace a part of the configuration of one embodiment with the configuration of another embodiment, and it is also possible to add the configuration of another embodiment to the configuration of one embodiment. Furthermore, it is possible to add, delete, or replace some of the configurations of each embodiment with other configurations. Moreover, each of the above-mentioned configurations, functions, processing units, etc. may be partially or entirely realized in hardware by, for example, designing an integrated circuit.

１０…予測装置、１１…学習部、１２…予測部、１３…外れ値データ除外部、１４…評価部、２１…表示部、２２…入力部、２３…通信部、２４…プロセッサ、２５…メモリ、２６…バス線、１００…無限大系統、１１０…ノード、１２０…変圧器、１３０…風力発電機、１４０…送電線路、１５０…負荷、３００…通信ネットワーク、DB１…管内風速（実績）データベース、DB２…管内風力発電出力（実績）データベース、DB３…予測モデルデータベース、DB４…管内風力発電出力（予測）データベース、DB５…学習データ分類データベース、DB６…評価結果データベース DESCRIPTION OF SYMBOLS 10... Prediction device, 11... Learning unit, 12... Prediction unit, 13... Outlier data exclusion unit, 14... Evaluation unit, 21... Display unit, 22... Input unit, 23... Communication unit, 24... Processor, 25... Memory , 26...bus line, 100...infinite system, 110...node, 120...transformer, 130...wind power generator, 140...power transmission line, 150...load, 300...communication network, DB1...in-pipe wind speed (actual) database, DB2...In-service wind power generation output (actual) database, DB3...Prediction model database, DB4...In-service wind power generation output (prediction) database, DB5...Learning data classification database, DB6...Evaluation result database

Claims (8)

所定の地域範囲における風速を予測した実績のデータである風速の予測実績値と、前記地域範囲における風力発電機の出力により得られた電力の実績値との相関を学習し、前記地域範囲の風速に関する情報から前記地域範囲の風力発電機の出力により得られる電力を予測する予測モデルを構築する学習部と、
前記予測モデルに、前記地域範囲における風速の予測値の情報を入力し、前記地域範囲における風力発電機の出力により得られる電力を予測する予測部と、
を有し、
前記学習部は、前記地域範囲を所定の大きさに区切った各格子における所定の期間の風速の予測実績値を示す第１風速実績データおよび／または前記地域範囲を前記第１風速実績データの格子よりも小さく区切った各格子における前記第１風速実績データの期間よりも短い期間の風速の予測実績値を示す第２風速実績データと、前記地域範囲における風力発電機の出力により得られた電力の実績値との相関を学習する、
予測装置。 The correlation between the predicted actual value of wind speed, which is the actual data of predicting the wind speed in a predetermined regional range, and the actual value of electric power obtained from the output of the wind power generator in the said regional range is learned, and the wind speed in the said regional range is calculated. a learning unit that constructs a prediction model that predicts the electric power obtained by the output of the wind power generator in the area from information about the area;
a prediction unit that inputs information on a predicted value of wind speed in the regional range into the prediction model and predicts the electric power obtained by the output of the wind power generator in the regional range;
has
The learning unit includes first wind speed record data indicating predicted actual wind speed values for a predetermined period in each grid that divides the regional range into predetermined sizes, and/or a grid of the first wind speed record data that divides the regional range into a grid of the first wind speed record data. second wind speed performance data indicating a predicted actual value of wind speed for a period shorter than the period of the first wind speed performance data in each grid divided into smaller grids; Learning the correlation with actual values,
Prediction device. 前記地域範囲は、一般送配電事業者が管轄する地域範囲である、
請求項１に記載の予測装置。 The said regional range is a regional range under the jurisdiction of a general power transmission and distribution company;
The prediction device according to claim 1 . 前記学習部は、前記地域範囲における風速の予測実績値と、前記地域範囲における風力発電機の出力により得られた電力の実績値との相関を機械学習により学習する、
請求項１に記載の予測装置。 The learning unit uses machine learning to learn the correlation between the predicted actual value of wind speed in the regional range and the actual value of electric power obtained by the output of the wind power generator in the regional range.
The prediction device according to claim 1 . 前記学習部は、線形モデル、ベイズ推定、カルマンフィルタ、ＡＲＩＭＡモデル、決定木、ニューラルネットワーク、サポートベクタモデルの少なくとも１つの予測モデルを構築する、
請求項１に記載の予測装置。 The learning unit constructs at least one predictive model of a linear model, Bayesian estimation, Kalman filter, ARIMA model, decision tree, neural network, and support vector model.
The prediction device according to claim 1 . 前記学習部は、１日を複数に区切った時間帯毎および／または１年を複数に区切った季節毎に前記予測モデルを構築する、
請求項１に記載の予測装置。 The learning unit constructs the prediction model for each time period in which one day is divided into multiple periods and/or each season in which one year is divided into multiple periods.
The prediction device according to claim 1 . 前記風速の予測実績値と前記電力の実績値とに基づいて、前記風速の予測実績値および前記電力の実績値の外れ値を除外する外れ値データ除外部を更に有し、
前記学習部は、前記外れ値が除外された前記風速の予測実績値と前記電力の実績値との相関を学習する、
請求項１に記載の予測装置。 further comprising an outlier data exclusion unit that excludes outliers of the predicted actual wind speed value and the actual electric power value based on the predicted actual value of the wind speed and the actual electric power value;
The learning unit learns a correlation between the predicted actual value of the wind speed from which the outlier is excluded and the actual value of the electric power.
The prediction device according to claim 1 . 前記予測モデルに前記風速の予測実績値を入力して算出される電力の予測値と、前記電力の実績値とを比較することにより、前記予測モデルの予測精度を評価する評価部を更に有し、
前記学習部が、複数の異なるアルゴリズムを用いて複数の予測モデルを構築し、
前記評価部が、前記複数の予測モデルの予測精度を評価し、
前記予測部が、前記予測精度に基づいて選択された予測モデルを用いて電力の予測を行う、
請求項１に記載の予測装置。 The method further includes an evaluation unit that evaluates the prediction accuracy of the prediction model by comparing a predicted value of power calculated by inputting the predicted actual value of the wind speed into the prediction model and the actual value of the electric power. ,
The learning unit constructs a plurality of predictive models using a plurality of different algorithms,
The evaluation unit evaluates the prediction accuracy of the plurality of prediction models,
the prediction unit predicts power using the prediction model selected based on the prediction accuracy;
The prediction device according to claim 1 . 風力発電出力を予測するための予測方法であって、
コンピュータが、
所定の地域範囲における風速を予測した実績のデータである風速の予測実績値と、前記地域範囲における風力発電機の出力により得られた電力の実績値との相関を学習し、前記地域範囲の風速に関する情報から前記地域範囲の風力発電機の出力により得られる電力を予測する予測モデルを構築し、
前記予測モデルに、前記地域範囲における風速の予測値の情報を入力し、前記地域範囲における風力発電機の出力により得られる電力を予測する、
ことを実行する方法において、
前記地域範囲を所定の大きさに区切った各格子における所定の期間の風速の予測実績値を示す第１風速実績データおよび／または前記地域範囲を前記第１風速実績データの格子よりも小さく区切った各格子における前記第１風速実績データの期間よりも短い期間の風速の予測実績値を示す第２風速実績データと、前記地域範囲における風力発電機の出力により得られた電力の実績値との相関を学習する、
予測方法。 A prediction method for predicting wind power output, comprising:
The computer is
The correlation between the predicted actual value of wind speed, which is the actual data of predicting the wind speed in a predetermined regional range, and the actual value of electric power obtained from the output of the wind power generator in the said regional range is learned, and the wind speed in the said regional range is calculated. Build a prediction model that predicts the power obtained from the output of wind power generators in the area from information about
inputting information on a predicted value of wind speed in the regional range into the prediction model, and predicting the electric power obtained by the output of the wind power generator in the regional range;
In the way of doing things,
First wind speed performance data indicating predicted actual wind speed values for a predetermined period in each grid in which the regional range is divided into predetermined sizes, and/or the regional range is divided into smaller grids than the grid of the first wind speed performance data. Correlation between second wind speed performance data indicating a predicted actual wind speed value for a period shorter than the period of the first wind speed performance data in each grid and the actual value of electric power obtained from the output of the wind power generator in the regional range. learn,
Prediction method.
JP2020088110A 2020-05-20 2020-05-20 Prediction device and prediction method Active JP7346356B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020088110A JP7346356B2 (en) 2020-05-20 2020-05-20 Prediction device and prediction method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020088110A JP7346356B2 (en) 2020-05-20 2020-05-20 Prediction device and prediction method

Publications (2)

Publication Number Publication Date
JP2021182319A JP2021182319A (en) 2021-11-25
JP7346356B2 true JP7346356B2 (en) 2023-09-19

Family

ID=78606613

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020088110A Active JP7346356B2 (en) 2020-05-20 2020-05-20 Prediction device and prediction method

Country Status (1)

Country Link
JP (1) JP7346356B2 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115829140B (en) * 2022-12-14 2023-07-25 广西电网有限责任公司 Wind power generation plant power generation amount prediction method and system based on machine learning
CN116581755B (en) * 2023-07-12 2023-09-29 长江水利委员会水文局 Power prediction method, device, equipment and storage medium

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004019583A (en) 2002-06-18 2004-01-22 Tohoku Electric Power Co Inc Method, device and system for estimating power generation output in wind power generation
US20140172329A1 (en) 2012-12-17 2014-06-19 Junshan Zhang System and method for wind generation forecasting
JP2018156415A (en) 2017-03-17 2018-10-04 株式会社リコー Diagnosis device, diagnosis system, diagnosis method and program
JP2020166622A (en) 2019-03-29 2020-10-08 三菱重工業株式会社 Power generation amount prediction device, power generation amount prediction method, and program

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004019583A (en) 2002-06-18 2004-01-22 Tohoku Electric Power Co Inc Method, device and system for estimating power generation output in wind power generation
US20140172329A1 (en) 2012-12-17 2014-06-19 Junshan Zhang System and method for wind generation forecasting
JP2018156415A (en) 2017-03-17 2018-10-04 株式会社リコー Diagnosis device, diagnosis system, diagnosis method and program
JP2020166622A (en) 2019-03-29 2020-10-08 三菱重工業株式会社 Power generation amount prediction device, power generation amount prediction method, and program

Also Published As

Publication number Publication date
JP2021182319A (en) 2021-11-25

Similar Documents

Publication Publication Date Title
Mazzeo et al. Artificial intelligence application for the performance prediction of a clean energy community
Mishra et al. Deep learning and wavelet transform integrated approach for short-term solar PV power prediction
Belaid et al. Prediction of daily and mean monthly global solar radiation using support vector machine in an arid climate
Ramsami et al. A hybrid method for forecasting the energy output of photovoltaic systems
Goliatt et al. Development of a hybrid computational intelligent model for daily global solar radiation prediction
WO2011114752A1 (en) Device for prediction of electricity generation amount, method for same, and program for same
JP6687241B2 (en) Power generation power prediction device, server, computer program, and power generation power prediction method
Nguyen et al. A new method for forecasting energy output of a large-scale solar power plant based on long short-term memory networks a case study in Vietnam
Watts et al. Assessment of wind energy potential in Chile: A project-based regional wind supply function approach
JP2016136001A (en) Prediction device
Ozbek et al. Deep learning approach for one-hour ahead forecasting of energy production in a solar-PV plant
JP2009225550A (en) Power demand predicting method and system, and power generation prediction method
JP7346356B2 (en) Prediction device and prediction method
Sharma et al. Short-term wind speed forecasting: Application of linear and non-linear time series models
CN116029419A (en) Deep learning-based long-term new energy daily average generation power prediction method and system
Inanlouganji et al. Evaluation of regression and neural network models for solar forecasting over different short-term horizons
CN104008284A (en) Correcting method for anemometer tower in numerical weather prediction
Ibargüengoytia et al. Wind power forecasting using dynamic Bayesian models
Cao et al. Development of short-term wind power forecasting methods
Sarper et al. Prediction of daily photovoltaic energy production using weather data and regression
Jeyakumar et al. Short-term wind power forecasting using a Markov model
CN115983104A (en) Wind speed prediction method and device, storage medium and electronic equipment
Wang et al. A short-term forecasting method for photovoltaic power based on ensemble adaptive boosting random forests
CN112761896B (en) Calculation method, device and computer equipment for improving prediction accuracy of power generation amount of wind power station
Zjavka Photo-voltaic power intra-day and daily statistical predictions using sum models composed from L-transformed PDE components in nodes of step by step developed polynomial neural networks

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211203

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20221031

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221108

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221227

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230328

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230524

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: 20230815

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230906

R150 Certificate of patent or registration of utility model

Ref document number: 7346356

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150