JPWO2011158363A1 - Solar radiation intensity prediction system and photovoltaic power generation output prediction system - Google Patents
Solar radiation intensity prediction system and photovoltaic power generation output prediction system Download PDFInfo
- Publication number
- JPWO2011158363A1 JPWO2011158363A1 JP2012520221A JP2012520221A JPWO2011158363A1 JP WO2011158363 A1 JPWO2011158363 A1 JP WO2011158363A1 JP 2012520221 A JP2012520221 A JP 2012520221A JP 2012520221 A JP2012520221 A JP 2012520221A JP WO2011158363 A1 JPWO2011158363 A1 JP WO2011158363A1
- Authority
- JP
- Japan
- Prior art keywords
- solar
- power generation
- radiation intensity
- value
- solar radiation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 276
- 230000005855 radiation Effects 0.000 title claims abstract description 177
- 238000004364 calculation method Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims description 88
- 238000012545 processing Methods 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000001556 precipitation Methods 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 4
- FNYLWPVRPXGIIP-UHFFFAOYSA-N Triamterene Chemical compound NC1=NC2=NC(N)=NC(N)=C2N=C1C1=CC=CC=C1 FNYLWPVRPXGIIP-UHFFFAOYSA-N 0.000 claims 2
- 230000014509 gene expression Effects 0.000 abstract description 43
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 238000012937 correction Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- 230000004069 differentiation Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/12—Sunshine duration recorders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Ecology (AREA)
- General Physics & Mathematics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Environmental Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
太陽光発電装置１２が設置されている地域の位置データに基づいて所定時間後の太陽の高度と方位を算出する太陽高度方位算出部１３と、この太陽高度方位算出部１３が算出した太陽の高度および太陽の方位と、気象予報データとから所定時間後の日射強度を演算式に基づいて求める第１ファジーモデル部２０とを備え、この第１ファジーモデル部２０は、求めた日射強度と、実際の日射強度との差が許容値以下となるように前記演算式を学習させ、この学習を行った第１ファジーモデル部２０の演算式に基づいて、前記太陽高度方位算出部が算出した所定時間後の太陽の高度と気象予報データとから所定時間後の日射強度を求める。A solar altitude direction calculation unit 13 that calculates the altitude and direction of the sun after a predetermined time based on the position data of the area where the solar power generation device 12 is installed, and the solar altitude calculated by the solar altitude direction calculation unit 13 And a first fuzzy model unit 20 that obtains the solar radiation intensity after a predetermined time from the sun direction and the weather forecast data based on an arithmetic expression. The calculation formula is learned so that the difference from the solar radiation intensity is less than or equal to an allowable value, and based on the calculation formula of the first fuzzy model unit 20 that has performed the learning, the solar altitude direction calculation unit calculates the predetermined time The solar radiation intensity after a predetermined time is obtained from the altitude of the sun and weather forecast data.
Description
この発明は、日射強度を予想する日射強度予測システムと、太陽光発電装置の発電出力を予想する太陽光発電出力予測システムとに関する。 The present invention relates to a solar radiation intensity prediction system for predicting solar radiation intensity, and a solar power generation output prediction system for predicting a power generation output of a solar power generation apparatus.
従来から、気象庁が発表する天気予報のデータに基づいて太陽光発電システムの発電量を予測する発電量予測装置が提案されている（特許文献１参照）。 Conventionally, a power generation amount prediction device that predicts a power generation amount of a photovoltaic power generation system based on weather forecast data published by the Japan Meteorological Agency has been proposed (see Patent Document 1).
かかる発電量予測装置は、日射量予測式導出部と、日射量予測計算部と、日射量受信部と、太陽光発電システムモデルとを備えている。 Such a power generation amount prediction apparatus includes a solar radiation amount prediction formula deriving unit, a solar radiation amount prediction calculating unit, a solar radiation amount receiving unit, and a solar power generation system model.
日射量予測式導出部は、履歴データベースに記録されている、太陽光発電システムの設置地域の過去に観測された天気現象と、過去に計測された日射量とを基に日射量予測式を導出する。 The solar radiation amount prediction formula derivation unit derives the solar radiation amount prediction formula based on the weather phenomena observed in the past in the area where the photovoltaic power generation system is installed and the solar radiation amount measured in the past. To do.
日射量予測計算部は、気象情報受信部で受信された該地域に対する予測対象日または予測対象時間帯についての天気予報と、日射量受信部で受信された予測対象日の予測実施時刻前に該地域において計測された日射量とを日射量予測式に入力することにより日射量を予測する。 The solar radiation amount prediction calculation unit is configured to receive the weather forecast for the prediction target date or the prediction target time zone for the area received by the weather information reception unit, and the prediction execution time before the prediction target date received by the solar radiation amount reception unit. The solar radiation amount is predicted by inputting the solar radiation amount measured in the region into the solar radiation amount prediction formula.
太陽光発電システムモデルは、予測された日射量と、予測対象日または予測対象時間帯についての天気予報とを入力して発電量を予測する。 The solar power generation system model predicts the power generation amount by inputting the predicted solar radiation amount and the weather forecast for the prediction target date or the prediction target time zone.
しかしながら、このような発電量予測装置にあっては、過去に観測された天気現象と過去に計測された日射量とを基にして日射量予測式を導出し、この日射量予測式から予測された日射量と天気予報とに基づいて発電量を予測するが、この予測した発電量と実際の発電量との誤差が大きくなってしまうことがある。 However, in such a power generation amount prediction device, a solar radiation amount prediction formula is derived based on weather phenomena observed in the past and the solar radiation amount measured in the past, and is predicted from this solar radiation amount prediction formula. Although the amount of power generation is predicted based on the amount of solar radiation and the weather forecast, an error between the predicted power generation amount and the actual power generation amount may increase.
この発明は、予測した日射強度と実際の日射強度との誤差を限りなく小さくすることのできる日射強度予測システムと、予測した発電出力と実際の発電出力との誤差を限りなく小さくすることのできる太陽光発電出力予測システムとを提供することを目的とする。 The present invention can reduce the error between the predicted solar radiation intensity and the actual solar radiation intensity as much as possible, and the error between the predicted power generation output and the actual power generation output as much as possible. An object is to provide a photovoltaic power generation output prediction system.
この発明に係る日射強度予測システムは、地域の位置データに基づいて所定時間後の前記地域の太陽高度および太陽方位を算出する太陽高度方位算出部と、この太陽高度方位算出部が算出した太陽高度および太陽方位と、前記地域の気象データとから所定時間後の日射強度予測値を求める日射強度推論部とを備え、この日射強度推論部は、求めた日射強度予測値と実際の日射強度値との差が許容値以下となるように学習し、この学習の後に、前記太陽高度方位算出部が算出する所定地域の所定時間後の太陽高度および太陽方位と、その所定地域の気象データとに基づいて、現在時刻から所定時間後の前記所定地域の日射強度予測値を求めることを特徴とする。 The solar radiation intensity prediction system according to the present invention includes a solar altitude azimuth calculating unit that calculates the solar altitude and solar azimuth of the region after a predetermined time based on local position data, and the solar altitude calculated by the solar altitude azimuth calculating unit. And a solar radiation intensity inference unit for obtaining a solar radiation intensity predicted value after a predetermined time from the solar direction and the weather data of the area, the solar radiation intensity inference part, the calculated solar radiation intensity predicted value and the actual solar radiation intensity value After the learning, based on the solar altitude and solar direction after a predetermined time calculated by the solar altitude azimuth calculation unit and the weather data of the predetermined area. Then, the solar radiation intensity predicted value of the predetermined area after a predetermined time from the current time is obtained.
また、この発明に係る太陽光発電出力予測システムは、地域の位置データに基づいて所定時間後の太陽高度および太陽方位を算出する太陽高度方位算出部と、この太陽高度方位算出部が算出した太陽高度および太陽方位と、前記地域の気象データとから所定時間後の太陽光発電装置の発電出力予測値を求める発電出力推論部とを備え、この発電出力推論部は、求めた発電出力予測値と実際の発電出力値との差が許容値以下となるように学習し、この学習の後に、前記太陽高度方位算出部が算出する前記太陽光発電装置の設置地域の所定時間後の太陽高度および太陽方位と、その設置地域の気象データとに基づいて現在時刻から所定時間後の前記太陽光発電装置の発電出力予測値を求めることを特徴とする。 Further, the photovoltaic power generation output prediction system according to the present invention includes a solar altitude azimuth calculating unit that calculates a solar altitude and a solar azimuth after a predetermined time based on local position data, and a sun calculated by the solar altitude azimuth calculating unit. A power generation output inference unit that obtains a power generation output prediction value of the solar power generation device after a predetermined time from the altitude and the solar direction and the weather data of the region, the power generation output inference unit, Learning so that the difference from the actual power generation output value is less than or equal to the allowable value, and after this learning, the solar altitude and sun after a predetermined time of the installation area of the solar power generation device calculated by the solar altitude direction calculation unit A predicted power generation output value of the photovoltaic power generation apparatus after a predetermined time from the current time is obtained based on the direction and the weather data of the installation area.
この発明によれば、気象データに基づいて正確な日射強度予想値を求めることができ、実際の日射強度との誤差を限りなく小さくすることができる。 According to the present invention, an accurate predicted value of solar radiation intensity can be obtained based on weather data, and an error from the actual solar radiation intensity can be reduced as much as possible.
また、この発明によれば、気象データに基づいて正確な発電出力予想値を求めることができ、実際の発電量との誤差を限りなく小さくすることができる。 Further, according to the present invention, an accurate predicted power generation output value can be obtained based on weather data, and an error from the actual power generation amount can be reduced as much as possible.
以下、この発明を実施するための形態を図面に示す実施例に基づいて説明する。
［第１実施例］
［日射強度予測システム］
図１に示す日射強度予測システム１０は、入力部１１によって入力される日時（月日および時刻）と地域の位置（緯度,経度：位置データ）とに基づいて所定時間後のその地域の太陽高度と太陽方位を算出する太陽高度方位算出部１３と、気象庁８から出されるその地域の最寄りの気象予報データ（気象データ：数値予報データ）と太陽高度方位算出部１３が算出した太陽高度および太陽方位とから所定時間後の日射強度予測値を求める第１ファジーモデル部（日射強度推論部）２０と、第１ファジーモデル部２０が求めた日射強度予測値と日射強度測定装置９が測定した実際の日射強度とを比較してその差（誤差）を求める比較部１４とを備えている。なお、日射強度の単位は［ｋＷ／ｍ2］である。また、入力部１１に入力する地域の位置は、例えば太陽光発電装置１２が設置されている位置や日射強度測定装置９が設置されている位置や所定の地域の位置などである。DESCRIPTION OF THE PREFERRED EMBODIMENTS Embodiments for carrying out the present invention will be described below based on embodiments shown in the drawings.
[First embodiment]
[Insolation intensity prediction system]
The solar radiation
第１ファジーモデル部２０は、複数個のファジー集合に区分する第１ファジー集合定義部２１と、各要素のそのファジー集合に属する割合（グレード）を表す第１メンバーシップ関数（メンバーシップ関数）を定義する第１メンバーシップ関数定義部（メンバーシップ関数定義部）２２と、第１メンバーシップ関数定義部２２が定義した第１メンバーシップ関数と該第１メンバーシップ関数の重み付けとに基づき所定時間経過後の日射強度予測値を求める特性式（推論式）を定義する第１特性式定義部（推論式定義部）２３と、この第１特性式定義部２３で定義された特性式で求める日射強度予測値と所定時間後の実際の日射強度値との差が許容値以下となるように第１メンバーシップ関数の重み付けを修正することにより特性式の学習を行わせる第１学習部（学習部）２４等とを有している。
The first
気象庁からは、図２の表１,２に示すように、５ｋｍ間隔の地表面における数値予報や等気圧面における数値予報が３３時間先まで１時間刻みで出される。 As shown in Tables 1 and 2 of FIG. 2, the Japan Meteorological Agency issues numerical forecasts on the ground surface at 5 km intervals and numerical forecasts on the isobaric surface in 33-hour steps in 1 hour increments.
数値予報は、１５時間予報と３３時間予報の二つがあり、この二つの予報が３時間毎に交互に配信されて更新されていく。 There are two types of numerical forecasts, a 15-hour forecast and a 33-hour forecast, and these two forecasts are alternately distributed and updated every 3 hours.
第１ファジーモデル部２０に入力する数値予報データは、地表面における５種類の数値予報データと、ｒ個の各等気圧面におけるそれぞれ４種類の数値予報データと、太陽高度と太陽方位のデータとである。
［動 作］
次に、上記のように構成される日射強度予測システム１０の動作について説明する。The numerical prediction data input to the first
[Operation]
Next, operation | movement of the solar radiation
日射強度測定装置９が設置されている地域について、気象庁８から時刻ｔに出されたτ時間後の数値予報と、当該時刻における太陽高度と太陽方位などとを数値予報データＸａ（ｔ,τ）として表すとする。いま、時刻ｔにおいて、１１＋４（ｒ−１）＝７＋４ｒ個の種類の数値予報データが得られるものとする。
得られる数値予報データとしては、地表面における風速Ｖ0（ｔ,τ）と気温Ｔ0（ｔ,τ）と相対湿度ｈ0（ｔ,τ）と時間降水量Ｒ0（ｔ,τ）と雲量Ｃ0（ｔ,τ）と、等気圧面における気温Ｔe（ｔ,τ）と上昇流Ｖe（ｔ,τ）と相対湿度ｈe（ｔ,τ）と高度Ａe（ｔ,τ）と、太陽高度θh（ｔ,τ）と、太陽方位θd（ｔ,τ）であるが、これに限られるものではなく、少なくとも大気の透明度に関する数値予報データと、月日と時刻で決まる太陽高度と太陽方位（確定値）があればよい。The numerical forecast data obtained include wind speed V 0 (t, τ), temperature T 0 (t, τ), relative humidity h 0 (t, τ), and temporal precipitation R 0 (t, τ) on the ground surface. Cloud Cover C 0 (t, τ) and, temperature T e (t, τ) in equal pressure surfaces with ascending flow V e (t, τ) and the relative humidity h e (t, τ) altitude a e (t, tau ), Solar altitude θ h (t, τ) and solar orientation θ d (t, τ), but are not limited to this, and at least numerical forecast data on transparency of the atmosphere, and the date and time There should be a determined solar altitude and solar orientation (determined value).
気象庁８から出される数値予報データは、地表面における風速Ｖ0（ｔ,τ）と気温Ｔ0（ｔ,τ）と相対湿度ｈ0（ｔ,τ）と時間降水量Ｒ0（ｔ,τ）と雲量Ｃ0（ｔ,τ）と、等気圧面における気温Ｔe（ｔ,τ）と上昇流Ｖe（ｔ,τ）と相対湿度ｈe（ｔ,τ）と高度Ａe（ｔ,τ）であり、これら数値予報データはインターネットなどを介して日射強度予測システム１０の第１ファジーモデル部２０に入力される。The numerical forecast data issued by the Japan Meteorological Agency 8 includes wind speed V 0 (t, τ), temperature T 0 (t, τ), relative humidity h 0 (t, τ) and temporal precipitation R 0 (t, τ) on the ground surface. ) and cloud amount C 0 (t, a tau), air temperature T e (t in equal pressure surface, tau) and upflow V e (t, τ) and the relative humidity h e (t, τ) altitude a e (t , τ), and these numerical forecast data are input to the first
太陽高度θh（ｔ,τ）と太陽方位θd（ｔ,τ）は、太陽光発電装置１２が設置されている地域の位置（緯度,経度）と、所定時間τ後の日時とに基づいて太陽高度方位算出部１３が算出するものであるが、日時と太陽高度および太陽方位との関係を示すテーブルから求めるようにしてもよい。なお、地域の位置データの入力はオペレータなどが入力部１１を操作して行なっても良いし、予め位置データをテーブルとして与えても良い。The solar altitude θ h (t, τ) and the solar orientation θ d (t, τ) are based on the position (latitude, longitude) of the area where the solar
ここでは、時刻ｔから所定時間τ経過後の数値予報データのかたまりＸａ（ｔ,τ）が第１ファジーモデル部２０へ入力される。ここで、Ｘａ（ｔ,τ）の要素数は１１＋４（ｒ−１）＝７＋４ｒ個である。この１１＋４（ｒ−１）＝７＋４ｒ個に通し番号を付し、これをファジーモデルのデータとする。
Here, a block Xa (t, τ) of numerical prediction data after a lapse of a predetermined time τ from time t is input to the first
その数値予報データ（太陽高度および太陽方位を含む、以下同じ）のかたまりを下記に（１）式として示す。 A block of the numerical forecast data (including the solar altitude and solar orientation, the same applies hereinafter) is shown as equation (1) below.
この数値予報データのかたまりＸａ（ｔ,τ）の各要素Ｘn（ｔ,τ）をそれぞれをｍn個（添え字ｎはＸａ（ｔ,τ）のｎ番目の要素Ｘn（ｔ,τ））に区分して（２）式を定義する。Each element X n (t, τ) of the block Xa (t, τ) of the numerical forecast data is represented by mn pieces (the subscript n is the nth element X n (t, τ) of Xa (t, τ)). )) And define equation (2).
この要素の区分毎にファジー集合Ｍn（ｎ＝１〜７＋４ｒ）を定義する。要素ｎごとのファジー集合を以下の（３）式で定義する。（１）式ないし（３）式は第１ファジー集合定義部２１が定義する。A fuzzy set M n (n = 1 to 7 + 4r) is defined for each segment of this element. A fuzzy set for each element n is defined by the following equation (3). The first fuzzy
要素ｎの値が、要素ｎのｉ番目のファジー集合Ｍ（ｎ,ｉ）（ｉ＝１〜ｍn）に属する割合（グレード）を表す関数をメンバーシップ関数Ｇ（ｎ,ｉ）とする。A function representing a ratio (grade) in which the value of the element n belongs to the i-th fuzzy set M (n, i) (i = 1 to m n ) of the element n is defined as a membership function G (n, i).
このメンバーシップ関数（第１メンバーシップ関数）Ｇ（ｎ,ｉ）には、各種のものを用いることができ、例えば、図３に示す三角形関数があるが、ここでは、下記（４）式で示すものを用いる。 As the membership function (first membership function) G (n, i), various types can be used. For example, there is a triangular function shown in FIG. Use what is shown.
ただし、Ｘn（ｔ,τ）：数値予報Ｘａ（ｔ,τ）の要素ｎの値
ｇ（ｎ,ｉ）：数値予報Ｘａ（ｔ,τ）の要素ｎのｉ番目のファジー集合の中心値
Ｄ（ｎ,ｉ）：数値予報Ｘａ（ｔ,τ）の要素ｎのｉ番目のファジー集合の広がり
数値予報データを（４）式の右辺に代入して、下記の（５）式に基づきグレードを演算する。（４）式の演算やグレードは、第１メンバーシップ関数定義部２２が演算する。Where X n (t, τ): Value of element n of numerical forecast Xa (t, τ) g (n, i): Center value of i-th fuzzy set of element n of numerical forecast Xa (t, τ) D (n, i): Spread of the i-th fuzzy set of element n of numerical forecast Xa (t, τ) Substitute numerical forecast data into the right side of equation (4), and grade based on equation (5) below Is calculated. The first membership
ただし、ｉ1＝１〜ｍ1
…
…
ｉ7+4r ＝１〜ｍ7+4r
（５）式を用いて日射強度予測式としての演算式（推論式）Ｑ（ｔ,τ）を以下の（６）式で定義する。この演算式Ｑ（ｔ,τ）は第１特性式定義部２３が定義する。However, i 1 = 1 to m 1
...
...
i 7 + 4r = 1 to m 7 + 4r
An arithmetic expression (inference expression) Q (t, τ) as a solar radiation intensity prediction expression is defined by the following expression (6) using the expression (5). The first characteristic
ただし、Ｗ（ｉ1,…ｉ7+4r）は重み付けである。
ここで、日射強度予測システム１０にｑ組の数値予報データと各組に対応した実際の日射強度値として、気象の数値予報が出される地点近傍で実測した日射強度データを用いて対象時刻を中心にした一定時間幅内の平均値としてＱｂ（ｔj,τ）を与えたとき、（６）式で得られた日射強度予測値Ｑ（ｔj,τ）と実測した日射強度Ｑｂ（ｔj,τ）との誤差（差）Ｅを下記の（７）式で定義する。However, W (i 1 ,... I 7 + 4r ) is a weight.
Here, the solar radiation
この（７）式で示す誤差をより小さくする重み付けＷ（ｉ1,…ｉ7+4r）は、（７）式をＷ（ｉ1,…ｉ7+4r）で偏微分した（７Ａ）式を用い、下記（８）式により重み付けＷ（ｉ1,…ｉ7+4r）を修正することで得られる。The weighting W (i 1 ,... I 7 + 4r ) for further reducing the error indicated by the expression (7) is an expression (7A) obtained by partial differentiation of the expression (7) with W (i 1 ,... I 7 + 4r ). And the weighting W (i 1 ,... I 7 + 4r ) is corrected by the following equation (8).
ただし、Ｗ′（ｉ1,…ｉ7+4r）は修正前の重み付け、γは定数である。However, W ′ (i 1 ,... I 7 + 4r ) is a weight before correction, and γ is a constant.
（７）式で示す誤差Ｅが許容範囲内に入るまで（６）式〜（８）式の計算を繰り返し行い、重み付けＷ（ｉ1,…ｉ7+4r）を修正する。すなわち、第１学習部２４は、比較部１４が求めた誤差Ｅが許容値以下となるように重み付けを修正して演算式Ｑ（ｔ,τ）の学習を行う。Until the error E shown in the equation (7) falls within the allowable range, the calculations of the equations (6) to (8) are repeated to correct the weighting W (i 1 ,... I 7 + 4r ). That is, the
このように第１実施例では、気象庁から出される気象予報データと太陽高度と太陽方位とを複数個のファジー集合Ｍnに区分し、各要素のそのファジー集合Ｍnに属する割合を表すメンバーシップ関数Ｇ（ｎ,ｉ）を定義し、メンバーシップ関数Ｇ（ｎ,ｉ）から求まるグレードＨ（ｉ1,…ｉ7+4r）と、重み付けＷ（ｉ1,…ｉ7+4r）とに基づき所定時間τ経過後の日射強度予測値を示す演算式Ｑ（ｔ,τ）を定義し、この演算式Ｑ（ｔ,τ）により得られた日射強度予測値と所定時間τ経過後に日射強度測定装置９が測定した実際の日射強度との誤差Ｅを求め、その誤差Ｅが許容値以下となるようにグレードＨ（ｉ1,…ｉ7+4r）の重み付けＷ（ｉ1,…ｉ7+4r）を修正することにより演算式Ｑ（ｔ,τ）の学習を行う。As described above, in the first embodiment, the weather forecast data issued by the Japan Meteorological Agency, the solar altitude and the solar direction are divided into a plurality of fuzzy sets M n, and membership representing the proportion of each element belonging to the fuzzy set M n is obtained. A function G (n, i) is defined, and a grade H (i 1 ,... I 7 + 4r ) obtained from the membership function G (n, i) and a weight W (i 1 ,... I 7 + 4r ) Based on this, the calculation formula Q (t, τ) indicating the predicted solar radiation intensity after the lapse of the predetermined time τ is defined, and the predicted solar radiation intensity obtained by the calculation formula Q (t, τ) and the solar radiation intensity after the lapse of the predetermined time τ. An error E from the actual solar radiation intensity measured by the measuring
第１ファジーモデル部２０の学習が終了したら、気象庁８から出される気象予報データを日射強度予測システム１０の第１ファジーモデル部２０へ入力させ、さらに太陽高度方位算出部１３で所定時間τ後の太陽高度θh（ｔ,τ）と太陽方位θd（ｔ,τ）を算出させて第１ファジーモデル部２０へ入力させる。When the learning of the first
第１ファジーモデル部２０は、入力された気象予報データと太陽高度方位算出部１３が求めた太陽高度や方位のデータから（１）式ないし（６）式に基づいて、現在時刻から所定時間後の日射強度予測値を求める。
The first
このように、日射強度予測システム１０によれば、日射強度予測値と実際の日射強度との誤差Ｅが許容範囲となるように学習を行った演算式Ｑ（ｔ,τ）を用いて現在時刻から所定時間τ経過後の日射強度予測値を求めるものであるから、気象予報データに基づき正確な日射強度予測値を求めることができ、実際の日射強度との誤差を限りなく小さくすることができる。
As described above, according to the solar radiation
この第１ファジーモデル部２０を用いれば、重み付け係数を時間τ経過後に得られた実際の日射強度と、τ時間前の予想した日射強度予測値との差に基づいてその誤差が自動的に許容値以下に漸近するように演算できるので、気象予報データに基づき正確な日射強度予測値を求めることができる。
If the first
また、気象庁８から出される気象予報データが３３時間先まで１時間刻みで出されているので、３３時間先まで１時間刻みで日射強度を予測することができることになる。
In addition, since the weather forecast data issued from the
第１実施例では、日射強度測定装置９が設置されている地域の気象予報データから、その地域の日射強度を予測しているが、気象予報データが出されているが日射強度測定装置が設置されていない地域についても日射強度を予報することができる。上記で学習した同じ第１ファジーモデル部２０に、求めたい地域ごとに当該地域の気象予報データと太陽高度と太陽方位を入力することで、それぞれの地域ごとに日射強度を予報することができ、面的に広がった地域全域の日射強度の予測値を知ることができる。
In the first embodiment, the solar radiation intensity of the area is predicted from the weather forecast data of the area where the solar radiation
第１実施例では、学習させた後は第１ファジーモデル部２０を学習させていないが、日射強度予測値と実測値が得られるごとに常に学習させるようにしてもよい。
In the first embodiment, after learning, the first
また、第１実施例では、第１ファジーモデル部２０に入力するデータ数は７＋４ｒ個であるが、このうちの一部であってもよく、また、等気圧面の相対湿度、気温、上昇流について、複数の等気圧面間で同じ要素同士の平均値を求め、この平均値を使用することで、第１ファジーモデル部２０に入力するデータ数を減らしてもよい。
［第２実施例］
［太陽光発電出力予測システム］
図４は太陽光発電出力予測システム１００の構成を示すブロック図である。図４に示す第１ファジーモデル部２０は既に学習が終了したものである。In the first embodiment, the number of data to be input to the first
[Second Embodiment]
[Solar power generation output prediction system]
FIG. 4 is a block diagram illustrating a configuration of the photovoltaic power generation
１１０は第１ファジーモデル部２０が求めた日射強度予測値と、太陽高度方位算出部１３が求めた太陽高度および太陽方位と、気象予報データとから所定時間後の太陽光発電装置１２の発電出力値（発電出力予測値）を求める第２ファジーモデル部（発電出力推論部）である。１４１は第２ファジーモデル部１１０が求めた発電出力予測値と太陽光発電装置１２の実際の発電出力値との差（誤差）を求める比較部である。
110 is a power generation output of the solar
第２ファジーモデル部１１０は、複数個のファジー集合に区分する第２ファジー集合定義部１１１と、各要素のそのファジー集合に属する割合（グレード）を表す第２メンバーシップ関数（メンバーシップ関数）を定義する第２メンバーシップ関数定義部（メンバーシップ関数定義部）１１２と、第２メンバーシップ関数定義部１１２が定義した第２メンバーシップ関数から求まるグレードの重み付けとに基づき所定時間経過後の発電出力予測値を求める特性式（推論式）を定義する第２特性式定義部（推論式定義部）１１３と、この第２特性式定義部１１３で定義された特性式で求める発電出力予測値と所定時間後の実際の発電出力値との差が最小となるように第２メンバーシップ関数の重み付けを修正することにより特性式の学習を行わせる第２学習部（学習部）１１４等とを有している。
The second
第２ファジーモデル部１１０に入力する数値予報データは、地表面における風速Ｖ0（ｔ,τ）と気温Ｔ0（ｔ,τ）の２つと、第１ファジーモデル部２０から出力される日射強度予測値Ｑ（ｔ,τ）と、太陽高度方位算出部１３から出力される太陽高度および太陽方位の５種類である。
［動 作］
次に、上記のように構成される太陽光発電出力予測システム１００の動作について説明する。The numerical forecast data input to the second
[Operation]
Next, the operation of the photovoltaic power generation
ここで、気象庁８から時刻ｔに出されるτ時間後の数値予報と、第１ファジーモデル部２０が出力する日射強度予測値と太陽高度と太陽方位などをＹａ（ｔ,τ）と表すとする。
いま、時刻ｔにおいて、太陽光発電装置１２が設置されている地域について、５個の種類の数値予報データが得られるものとする。
Now, at time t, five types of numerical forecast data are obtained for the area where the solar
得られる数値予報データとしては、日射強度予測値Ｑ（ｔ,τ）と、地表面における風速Ｖ0（ｔ,τ）と気温Ｔ0（ｔ,τ）と、太陽高度θh（ｔ,τ）と、太陽方位θd（ｔ,τ）の５種類である。As numerical prediction data obtained, the solar radiation intensity predicted value Q (t, τ), the wind speed V 0 (t, τ) and the temperature T 0 (t, τ) on the ground surface, and the solar altitude θ h (t, τ) ) And solar orientation θ d (t, τ).
ここでは、時刻ｔから所定時間τ経過後の気象予報データのかたまりＹａ（ｔ,τ）が第２ファジーモデル部１１０へ入力される。ここで、Ｙａ（ｔ,τ）の要素数は５個である。なお、第１ファジーモデル部２０は、第１実施例で説明したように、気象庁８から出される数値予報データ（７＋４ｒ個のデータ）と太陽高度（高さと方位）とから日射強度予測値を求める。なお、第１ファジーモデル部２０に入力するデータ数は７＋４ｒ個であるが、このうちの一部であってもよく、また、等気圧面の相対湿度、気温、上昇流について、複数の等気圧面間で同じ要素同士の平均値を求め、この平均値を使用することで、第１ファジーモデル部２０に入力するデータ数を減らしてもよい。
Here, a block Ya (t, τ) of weather forecast data after a predetermined time τ has elapsed from time t is input to the second
第２ファジーモデル部１１０に入力する気象予報データのかたまりＹａ（ｔ,τ）を下記に（９）式として示す。
A mass Ya (t, τ) of weather forecast data input to the second
この気象予報データのかたまりＹａ（ｔ,τ）の各要素Ｙn（ｔ,τ）をそれぞれをｍn個（添え字ｎはＹａ（ｔ,τ）のｎ番目の要素）に区分して（１０）式を定義する。Each element Y n (t, τ) of the block Ya (t, τ) of this weather forecast data is divided into m n (subscript n is the nth element of Ya (t, τ)) ( 10) Define the formula.
この要素の区分毎にファジー集合Ｍn（ｎ＝１〜５）を定義する。要素ｎごとのファジー集合を以下の（１１）式で定義する。（９）式ないし（１１）式は第２ファジー集合定義部１１１が定義する。A fuzzy set M n (n = 1 to 5) is defined for each segment of this element. A fuzzy set for each element n is defined by the following equation (11). The second fuzzy
各要素のｉ番目のファジー集合Ｍ（ｎ,ｉ）（ｉ＝１〜ｍn）に属する割合（グレード）を表すメンバーシップ関数（第２メンバーシップ関数）Ｇ（ｎ,ｉ）とする。A membership function (second membership function) G (n, i) representing a ratio (grade) belonging to the i-th fuzzy set M (n, i) (i = 1 to m n ) of each element is assumed.
このメンバーシップ関数Ｇ（ｎ,ｉ）は、第１実施例と同様に各種のものを用いることができるが、ここでは、下記（１２）式で示すものを用いる。 Various membership functions G (n, i) can be used as in the first embodiment. Here, the membership function G (n, i) is expressed by the following equation (12).
ただし、Ｙn（ｔ,τ）：数値予報Ｙａ（ｔ,τ）の要素ｎの値
ｇ（ｎ,ｉ）：数値予報Ｙａ（ｔ,τ）の要素ｎのｉ番目のファジー集合の中心値
Ｄ（ｎ,ｉ）：数値予報Ｙａ（ｔ,τ）の要素ｎのｉ番目のファジー集合の広がり
気象予報データと日射データと太陽高度および太陽方位を（１２）式の右辺に代入して、下記の（１３）式に基づきグレードを計算する。このグレードは、第２メンバーシップ関数定義部１１２が演算する。However, Y n (t, τ): Value of element n of numerical forecast Ya (t, τ) g (n, i): Center value of i-th fuzzy set of element n of numerical forecast Ya (t, τ) D (n, i): Spread of the i-th fuzzy set of element n of numerical forecast Ya (t, τ) Substituting weather forecast data, solar radiation data, solar altitude and solar direction into the right side of equation (12), The grade is calculated based on the following equation (13). This grade is calculated by the second membership function definition unit 112.
ただし、ｉ1＝１〜ｍ1
…
…
ｉ5 ＝１〜ｍ5
（１３）式を用いて発電出力予測値を求める特性式（推論式）Ｐ（ｔ,τ）を以下の（１４）式で定義する。この特性式Ｐ（ｔ,τ）は第２特性式定義部１１３が定義する。However, i 1 = 1 to m 1
...
...
i 5 = 1 to m 5
A characteristic formula (inference formula) P (t, τ) for obtaining a power generation output prediction value using the formula (13) is defined by the following formula (14). The characteristic formula P (t, τ) is defined by the second characteristic
ただし、Ｗ（ｉ1,…ｉ5）は重み付けである。
ここで、ｑ組の数値予報データと各組に対応した実際の発電出力値として、対象時刻を中心にした一定時間幅内の平均値としてＰｂ（ｔj,τ）を与えたとき、（１４）式で得られた発電出力予測値Ｐ（ｔj,τ）と実測した発電出力Ｐｂ（ｔj,τ）との誤差（差）Ｅを下記の（１５）式で定義する。However, W (i 1 ,... I 5 ) is a weight.
Here, when Pb (t j , τ) is given as an average value within a certain time width centered on the target time, as q sets of numerical forecast data and actual power generation output values corresponding to each set, (14 The error (difference) E between the power generation output predicted value P (t j , τ) obtained by the equation () and the actually measured power generation output Pb (t j , τ) is defined by the following equation (15).
この（１５）式で示す誤差をより小さくする重み付けＷ（ｉ1,…ｉ5）は、（１５）式をＷ（ｉ1,…ｉ5）で偏微分した（１５Ｃ）式を用い、下記（１６）式により重み付けＷ（ｉ1,…ｉ5）を修正することで得られる。The weighting W (i 1 ,... I 5 ) for further reducing the error indicated by the equation (15) is expressed by the following equation (15C) obtained by partial differentiation of the equation (15) with W (i 1 ,... I 5 ). It is obtained by correcting the weighting W (i 1 ,... I 5 ) by the equation (16).
ただし、Ｗ′（ｉ1,…ｉ5）は修正前の重み付け、γは定数である。However, W ′ (i 1 ,... I 5 ) is a weight before correction, and γ is a constant.
（１５）式で示す誤差Ｅが許容範囲内に入るまで（１４）式〜（１６）式の計算を繰り返し行い、重み付けＷ（ｉ1,…ｉ5）を修正する。すなわち、第２学習部１１４は、比較部１４１が求めた誤差Ｅが許容値以下になるように重み付けを修正して特性式Ｐ（ｔ,τ）の学習を行う。この学習では、第１ファジーモデル部２０が求めた日射予測値を用いるが、学習に用いる実際の太陽光発電出力値と同じ時刻の日射強度の実測値を一定時間幅内で平均した値を用いてもよい。Until the error E shown by the equation (15) falls within the allowable range, the calculations of the equations (14) to (16) are repeated to correct the weighting W (i 1 ,... I 5 ). That is, the
第２ファジーモデル部１１０の学習が終了したら、第１ファジーモデル部２０から出力される日射強度予測値と、気象庁８から出される気象予報データ（風速Ｖ0（ｔ,τ）,気温Ｔ0（ｔ,τ））と、太陽高度方位算出部１３が算出した所定時間τ後の太陽高度θh（ｔ,τ）と太陽方位θd（ｔ,τ）とを第２ファジーモデル部１１０へ入力させる。第２ファジーモデル部１１０は、これらデータから（９）式ないし（１４）式に基づいて発電出力予測値を求める。When the learning of the second
第１ファジーモデル部２０は、第１実施例で説明したように、（１）式に示すデータを入力して日射強度予測値を求めるものである。
As described in the first embodiment, the first
このように、太陽光発電出力予測システム１００は、発電出力予測値と太陽光発電装置１２の実際の発電出力値との誤差Ｅが許容値以下となるように学習を行った特性式Ｐ（ｔ,τ）を用いて現在時刻から所定時間τ経過後の発電出力予測値を求めるものであるから、気象予報データに基づき正確な発電出力予測値を求めることができ、太陽光発電装置１２の実際の発電量との誤差を限りなく小さくすることができる。
Thus, the photovoltaic power generation
この第２ファジーモデル部１１０を用いれば、重み付け係数を時間τ経過後に得られた実際の太陽光発電装置１２の発電出力値と、τ時間前の発電出力予測値との誤差に基づいてその誤差が自動的に最小に漸近するように演算できるので、気象予報データに基づき太陽光発電装置１２の発電出力予測値を正確に求めることができる。
If this second
また、気象庁８から出される気象予報データが３３時間先まで１時間刻みで出されているので、３３時間先まで１時間刻みで太陽光発電装置１２の発電出力予測値を求めることができることになる。
In addition, since the weather forecast data issued from the
この第２実施例では、太陽光発電装置１２の実際の発電出力として１台の太陽光発電装置１２の出力を用いて学習したが、複数の太陽光発電装置の合計出力でも良い。その出力合計値を用いて第２ファジーモデル部１１０を学習しておけば、学習後の第２ファジーモデル部１１０に気象予報データと日射強度予報値と太陽高度および太陽方位を入力することで、当該地域の複数の太陽光発電装置の合計出力を予測することもできる。
In this 2nd Example, although it learned using the output of one solar
また、学習に用いる太陽光発電装置１２の実際の発電出力として、太陽光発電装置の出力（１台または複数台の合計値）を当該太陽光発電装置の定格容量で除して求めた無次元化した値を用いても良い。第２ファジーモデル部１１０を無次元化した太陽光発電装置の出力を用いて学習しておけば、第２ファジーモデル部１１０に気象予報データと日射強度予報値と太陽高度および太陽方位を入力することで無次元化した太陽光発電装置の出力を予測することができる。この無次元化した太陽光発電装置の出力予測値に当該地域に設置されている太陽光発電の設備容量を乗じることで、当該地域に設置されている太陽光発電設備の実際の出力を予測することが可能になる。
Further, as an actual power generation output of the solar
さらに、広範囲の地域の太陽光発電の出力予測を行いたい場合は、対象地域を気象予報データが出される地点数に応じて区分し、区分したそれぞれの地域に対応する気象予報データと日射強度予報値と太陽高度および太陽方位を学習が終わった第２ファジーモデル部１１０へ入力することで、区分したそれぞれの地域ごとに上記の無次元化した太陽光発電装置の出力予測値が得られる。この区分したそれぞれの地域ごとの無次元化した太陽光発電装置の出力予測値に、当該地域に設置されている太陽光発電装置の設備容量を乗じることで、区分したそれぞれの地域ごとに太陽光発電装置出力を予測することができる。
In addition, if you want to predict the output of photovoltaic power generation in a wide area, divide the target area according to the number of points where weather forecast data is issued, and the weather forecast data and solar radiation intensity forecast corresponding to each divided area By inputting the value, the solar altitude, and the solar direction to the second
また、上記では太陽光発電設備の発電出力の予測値を求めたい全ての地域に、学習が終わった共通の第２ファジーモデル部を使用したが、地域を分割し、それぞれの地域を代表する太陽光発電設備の発電出力の実測値を用いて、それぞれの地域ごとに第２ファジーモデル部を学習しておくことで、分割したそれぞれの地域の特性に合わせたきめ細かい太陽光発電設備の発電出力を推定することもできる。 In addition, in the above, the common second fuzzy model part that has been learned is used for all regions where the predicted power generation output value of the photovoltaic power generation facility is to be obtained. By learning the second fuzzy model section for each region using the measured value of the power generation output of the photovoltaic power generation facility, the power generation output of the detailed photovoltaic power generation facility that matches the characteristics of each divided region can be obtained. It can also be estimated.
この第２実施例も学習させた後は第２ファジーモデル部１１０を学習させていないが、発電出力予測値を求める毎に常に学習させるようにしてもよい。
［第３実施例］
図５に示す第３実施例の太陽光発電出力予測システム２００は、第１ファジーモデル部２０を使用せずに、気象庁８から出される気象予報データと、太陽高度方位算出部１３が算出した太陽高度および太陽方位とから所定時間後の太陽光発電装置１２の発電出力予測値を第３ファジーモデル部（発電出力推論部）２１０で求めるようにしたものである。The second
[Third embodiment]
The solar power generation
第３ファジーモデル部２１０は、第２実施例と同様に、第３ファジー集合定義部２１１と、第３メンバーシップ関数定義部（メンバーシップ関数定義部）２１２と、第３特性式定義部（推論式定義部）２１３と、第３学習部２１４等とを有している。
As in the second embodiment, the third
第３ファジーモデル部２１０は、気象庁８から出される気象予報データである地表面における風速Ｖ0（ｔ,τ）と気温Ｔ0（ｔ,τ）と相対湿度ｈ0（ｔ,τ）と時間降水量Ｒ0（ｔ,τ）と雲量Ｃ0（ｔ,τ）と、等気圧面における気温Ｔe（ｔ,τ）と上昇流Ｖe（ｔ,τ）と相対湿度ｈe（ｔ,τ）と高度Ａe（ｔ,τ）と、太陽高度方位算出部１３が算出した太陽高度θh（ｔ,τ）と太陽方位θd（ｔ,τ）のデータを基にして、第１実施例と同様にして発電出力予測値を求める特性式Ｐ（ｔ,τ）の学習を行なわせて発電出力予測値を求めるものである。The third
ここで、特性式Ｐ（ｔ,τ）は第１実施例の（６）式の演算式Ｑ（ｔ,τ）をＰ（ｔ,τ）に置き換えたものである。これを（６Ａ）式として下記に示す。 Here, the characteristic expression P (t, τ) is obtained by replacing the arithmetic expression Q (t, τ) of the expression (6) of the first embodiment with P (t, τ). This is shown below as equation (6A).
なお、（７）式および（７Ａ）式のＱ（ｔ,τ）をＰ（ｔ,τ）に、Ｑｂ（ｔ,τ）をＰｂ（ｔ,τ）に置き換える。他の式は第１実施例と同様なのでその説明は省略する。 In the equations (7) and (7A), Q (t, τ) is replaced with P (t, τ) and Qb (t, τ) is replaced with Pb (t, τ). Since other formulas are the same as those in the first embodiment, description thereof will be omitted.
第３ファジーモデル部２１０は、第１実施例と同様にして、第３ファジー集合定義部２１１によりファジー集合Ｍnを定義し、第３メンバーシップ関数定義部２１２によりファジー集合に属する割合（グレード）を表すメンバーシップ関数Ｇ（ｎ,ｉ）からグレードを（５）式に基づいて演算し、第３特性式定義部２１３により第３メンバーシップ関数定義部２１２が演算したグレードから発電出力予測値を特性式Ｐ（ｔ,τ）に基づいて求め、第３学習部２１４は発電出力予測値と太陽光発電装置１２の実際の発電出力値との誤差Ｅが許容値以下となるように、重み付けを修正して特性式Ｐ（ｔ,τ）の学習を行わせる。The third
第３ファジーモデル部２１０の学習が終了したら、τ時間後の日時（月日および時刻）と太陽光発電装置１２が設置されている位置（緯度,経度）を入力部１１に入力して、太陽高度方位算出部１３で現在時刻から所定時間τ後の太陽高度θh（ｔ,τ）と太陽方位θd（ｔ,τ）を算出させる。第３ファジーモデル部２１０は、気象庁８から出される気象予報データと太陽高度方位算出部１３が求めた太陽高度や方位のデータから（１）式ないし（６Ａ）式に基づいて、現在時刻から所定時間τ後の発電出力予測値を求める。When the learning of the third
この第３実施例では、太陽光発電装置１２の実際の発電出力として１台の太陽光発電装置の出力を用いて学習したが、複数の太陽光発電装置の合計出力でも良い。その出力合計値を用いて第３ファジーモデル部２１０を学習しておけば、学習後の第３ファジーモデル部２１０に気象予報データと太陽高度および太陽方位を入力することで、当該地域の複数の太陽光発電装置の合計出力を予測することもできる。
In the third embodiment, learning is performed using the output of one solar power generation device as the actual power generation output of the solar
また、学習に用いる太陽光発電装置１２の実際の発電出力として、太陽光発電装置の出力（１台または複数台の合計値）を当該太陽光発電装置の定格容量で除して求めた無次元化した値を用いても良い。第３ファジーモデル部２１０を無次元化した太陽光発電装置の出力を用いて学習しておけば、第３ファジーモデル部２１０に気象予報データと太陽高度および太陽方位を入力することで無次元化した太陽光発電装置の出力を予測することができる。この無次元化した太陽光発電装置の出力予測値に当該地域に設置されている太陽光発電の設備容量を乗じることで、当該地域に設置されている太陽光発電設備の実際の出力を予測することが可能になる。
Further, as an actual power generation output of the solar
さらに、広範囲の地域の太陽光発電の出力予測を行いたい場合は、対象地域を気象予報データが出される地点数に応じて区分し、区分したそれぞれの地域に対応する気象予報データと太陽高度および太陽方位を学習が終わった第３ファジーモデル部２１０へ入力することで、区分したそれぞれの地域ごとに上記の無次元化した太陽光発電装置の出力が得られる。この区分したそれぞれの地域ごとの無次元化した太陽光発電装置の出力予測値に、当該地域に設置されている太陽光発電装置の設備容量を乗じることで、区分したそれぞれの地域ごとに太陽光発電装置出力を予測することができる。
In addition, if you want to predict the output of photovoltaic power generation in a wide area, divide the target area according to the number of points where weather forecast data is issued, and the weather forecast data and solar altitude and By inputting the solar azimuth to the third
また、上記では太陽光発電設備の発電出力の予測値を求めたい全ての地域に、学習が終わった共通の第３ファジーモデル部を使用したが、地域を分割し、それぞれの地域を代表する太陽光発電設備の発電出力の実測値を用いて、それぞれの地域ごとに第３ファジーモデル部を学習しておくことで、分割したそれぞれの地域の特性に合わせたきめ細かい太陽光発電設備の発電出力を推定することもできる。 In addition, in the above, the common third fuzzy model part that has been used for learning is used for all regions where the predicted power generation output of the photovoltaic power generation facility is to be obtained. By learning the third fuzzy model section for each region using the measured value of the power generation output of the photovoltaic power generation facility, the power generation output of the fine photovoltaic power generation facility that matches the characteristics of each divided region can be obtained. It can also be estimated.
この第３実施例によれば、第２実施例と同様な効果を得ることができるとともに、第１ファジーモデル部２０を使用しないので、太陽光発電出力予測システム２００の構成は簡単なものとなる。
According to the third embodiment, the same effects as those of the second embodiment can be obtained, and the first
この第３実施例も学習させた後は第３ファジーモデル部２１０を学習させていないが、発電出力予測値を求める毎に学習させるようにしてもよい。
Although the third
また、第３実施例では、第３ファジーモデル部２１０に入力するデータ数は、第１実施例と同様に７＋４ｒ個であるが、このうちの一部であってもよく、また、等気圧面の相対湿度、気温、上昇流について、複数の等気圧面間で同じ要素同士の平均値を求め、この平均値を使用することで、第３ファジーモデル部２１０に入力するデータ数を減らしてもよい。
［第４実施例］
図６は、気象衛星３０２から送信されてくる気象衛星画像を用いて所定時間後の日射強度を予測する日射強度予測システム３００の構成を示したブロック図である。Further, in the third embodiment, the number of data input to the third
[Fourth embodiment]
FIG. 6 is a block diagram illustrating a configuration of a solar radiation
３０１は気象衛星３０２から３０分間隔で送信されてくる気象衛星画像データを基にして所定時間後の気象衛星画像を求める画像処理部、３１０は画像処理部３０１が求めた所定時間後の気象衛星画像の画像データと太陽高度方位算出部１３が算出した太陽高度θh（ｔ,Ｔ）および太陽方位θd（ｔ,Ｔ）とに基づいて所定時間Ｔ後の地上の日射強度を衛星画像の画素ごとに対応した地域ごとに求める第４ファジーモデル部（日射強度推論部）である。An
第４ファジーモデル部３１０は、複数個のファジー集合に区分する第４ファジー集合定義部３１１と、各要素のそのファジー集合に属する割合（グレード）を表す第４メンバーシップ関数（メンバーシップ関数）を定義する第４メンバーシップ関数定義部（メンバーシップ関数定義部）３１２と、第４メンバーシップ関数定義部３１２が定義した第４メンバーシップ関数と該第４メンバーシップ関数の重み付けとに基づき所定時間経過後の発電出力予測値を求める特性式（推論式）を定義する第４特性式定義部（推論式定義部）３１３と、この第４特性式定義部３１３で定義された特性式で求める日射強度予測値と所定時間後の実際の日射強度との誤差が許容値以下となるように第４メンバーシップ関数の重み付けを修正することにより特性式の学習を行わせる第４学習部（学習部）３１４等とを有している。
The fourth
第４ファジーモデル部３１０は、画像処理部３０１から出力される所定時間後の気象衛星画像の画素ごとに、画素に対応する地域の地上の日射強度の予測値を出力する。
The fourth
ここで、画像処理部３０１で行う気象衛星の気象衛星画像を用いた雲の移動予測について簡単に説明する。
Here, the cloud movement prediction using the meteorological satellite image of the meteorological satellite performed by the
図７に示すように、気象衛星画像の分解能を１単位の画素（現状では数ｋm程度）とし、気象衛星画像の所定の１画素を地点座標（ｉ,ｊ）、地点座標（ｉ,ｊ）の周辺をＡ（ｉ,ｊ）とし、地点座標（ｉ,ｊ）を周辺Ａの代表座標とする。ここで現在（ｔ＝０）のときの地点座標（ｉ,ｊ）の周辺を周辺Ａ0（ｉ,ｊ）で表す。As shown in FIG. 7, the resolution of the meteorological satellite image is one unit pixel (currently about several kilometers), and the predetermined one pixel of the meteorological satellite image is a point coordinate (i, j) and a point coordinate (i, j). Let A (i, j) be the periphery of and the point coordinates (i, j) be the representative coordinates of the periphery A. Here, the periphery of the point coordinates (i, j) at the time of current (t = 0) is represented by the periphery A 0 (i, j).
同様に、Ｔ時間前（ｔ＝−Ｔ）の気象衛星画像について、前述の周辺Ａ（ｉ,ｊ）と同じ大きさ且つ同じ形状であって上記の位置と異なる１画素を地点座標（ｋ,ｌ）とし、その地点座標（ｋ,ｌ）の周辺を周辺Ａ-T（ｋ,ｌ）とする。Similarly, for a meteorological satellite image T time ago (t = −T), one pixel having the same size and the same shape as the above-described surrounding A (i, j) but different from the above position is set to the point coordinates (k, l), and the periphery of the point coordinates (k, l) is defined as a peripheral A -T (k, l).
そして、周辺Ａ0（ｉ,ｊ）に属する画素の信号ａ0に通し番号ｍを付け、ａ0（ｍ）とする。また、周辺Ａ-T（ｋ,ｌ）に属する画素の信号ａ-Tについても、周辺Ａ0（ｉ,ｊ）と同じ位置関係にある画素と同じ通し番号ｍを付けてａ-T（ｍ）とし、周辺Ａ0（ｉ,ｊ）と周辺Ａ-T（ｋ,ｌ）との相関係数Ｒ0-Tを下記の式（１７）から求める。Then, a serial number m is assigned to the signal a 0 of the pixels belonging to the periphery A 0 (i, j) to be a 0 (m). Also, the signal a -T of the pixel belonging to the peripheral A -T (k, l) is assigned the same serial number m as the pixel having the same positional relationship as the peripheral A 0 (i, j), and a -T (m) And the correlation coefficient R 0 -T between the peripheral A 0 (i, j) and the peripheral A -T (k, l) is obtained from the following equation (17).
ただし、ｅ0、ｅ-Tはそれぞれ周辺Ａ0（ｉ,ｊ）、Ａ-T（ｋ,ｌ）の画素の信号の平均値である。However, e 0 and e −T are the average values of the signals of the pixels of the surroundings A 0 (i, j) and A −T (k, l), respectively.
この相関係数Ｒ0-Tを、図７に示すように周辺Ａ0（ｉ,ｊ）より広い範囲Ｂ内で、周辺Ａ-T（ｋ,ｌ）と同じ大きさの周辺Ａを例えばＣ１位置からＣ２位置へ１画素づつ右へ移動させていき、次に１画素下へ移動させ、左端から右端へ１画素づつ移動させていく。これらを繰り返し行って範囲Ｂの全てについて１画素移動ごとの相関係数Ｒ0-Tを求めていく。As shown in FIG. 7, the correlation coefficient R 0-T is set within a range B wider than the periphery A 0 (i, j), for example, the periphery A having the same size as the periphery A −T (k, l), for example, C1 From the position to the C2 position, the pixel is moved to the right by one pixel, then moved downward by one pixel, and moved from the left end to the right end by one pixel at a time. By repeating these steps, the correlation coefficient R 0-T for each pixel movement is obtained for all of the range B.
そして、各相関係数Ｒ0-Tから下記の（１８）式の評価値Ｈ（ｋ,ｌ）が最も大きくなる地点座標（ｐ,ｑ）を見いだす。なお、分散σ2 の替わりに標準偏差σを用いてもよい。Then, from each correlation coefficient R 0-T , the point coordinates (p, q) where the evaluation value H (k, l) of the following equation (18) becomes the largest are found. A standard deviation σ may be used instead of the variance σ 2 .
ただし、α,βは係数である。
この最大となる評価値Ｈ（ｐ,ｑ）から、地点座標（ｉ,ｊ）上にある現在の雲はＴ時間前に地点座標（ｐ,ｑ）上に在ったものが移動してきたものとし、下記の式に示すようにεの割合だけ信号が変化したものと推定する。Here, α and β are coefficients.
From this maximum evaluation value H (p, q), the current cloud on the point coordinate (i, j) has moved from what was on the point coordinate (p, q) T time ago As shown in the following equation, it is estimated that the signal has changed by the ratio of ε.
ε＝ａ0（ｉ,ｊ）／ａ-T（ｐ,ｑ）
この傾向が今後も継続し、Ｔ時間後の地点座標（ｉ,ｊ）上には地点座標（ｐ,ｑ）上にある現在の雲がくるものと想定することで、地点座標（ｉ,ｊ）のＴ時間後の信号をａT（ｉ,ｊ）＝ε×ａ0（ｐ,ｑ）と予測する。ε = a 0 (i, j) / a −T (p, q)
By assuming that this trend will continue and the current cloud on the point coordinate (p, q) will come on the point coordinate (i, j) after T time, the point coordinate (i, j ) Is predicted as a T (i, j) = ε × a 0 (p, q).
なお、信号の変化割合εとしては、現在の地点座標（ｉ,ｊ）の周辺Ａ0（ｉ,ｊ）内の画素信号の平均値ｅ0（ｉ,ｊ）と、Ｔ時間前の地点座標（ｐ,ｑ）の周辺Ａ-T（ｐ,ｑ）内の画素信号の平均値ｅ-T（ｐ,ｑ）を用いて、次式のεを用いてもよい。As the signal change rate ε, the average value e 0 (i, j) of the pixel signals in the periphery A 0 (i, j) around the current point coordinates (i, j) and the point coordinates before T time Using the average value e −T (p, q) of the pixel signals in the periphery A −T (p, q) of (p, q), the following ε may be used.
ε＝ｅ0（ｉ,ｊ）／ｅ-T（ｐ,ｑ）
これを対象としている地域（範囲Ｂ）の全ての地点について適用することで、Ｔ時間後の気象衛星画像を予測することができる。ε = e 0 (i, j) / e −T (p, q)
The weather satellite image after T time can be predicted by applying it to all points in the region (range B) that is the target.
さらに、このＴ時間後の予測画像と現在の画像とから上記の画像処理を施すことにより２Ｔ時間後の画像を予測する。次に、２Ｔ時間後の予測画像とＴ時間後の画像とから上記と同様にして３Ｔ時間後の画像を予測する。これらの処理動作を繰り返すことにより、現在からｎＴ時間後までの衛星画像をＴ時間刻みで求める。 Further, the image after 2T time is predicted by performing the above-described image processing from the predicted image after T time and the current image. Next, an image after 3T time is predicted from the predicted image after 2T time and the image after T time in the same manner as described above. By repeating these processing operations, satellite images from the present to nT time later are obtained in increments of T time.
なお、図７では周辺Ａ0（ｉ,ｊ）などの形状を長方形で示しているが、これに限らず任意の形状でよい。
［動 作］
次に、上記のように構成される日射強度予測システム３００の動作について説明する。In FIG. 7, the shape of the periphery A 0 (i, j) or the like is shown as a rectangle, but the shape is not limited to this and may be an arbitrary shape.
[Operation]
Next, the operation of the solar radiation
気象衛星３０２から可視画像と赤外画像と水蒸気画像の気象衛星画像データが送られてくると、画像処理部３０１はそれぞれ可視画像、赤外画像、水蒸気画像別に上述の処理をして、Ｔ時間刻みでそれぞれのτ＝ｎ′Ｔ時間後までの衛星画像を求める。
When meteorological satellite image data of a visible image, an infrared image, and a water vapor image is sent from the
また、上記の相関係数Ｒ0-Tや評価値Ｈ（ｋ,ｌ）やτ＝ｎ′Ｔ時間後までの衛星画像は画像処理部３０１が画像処理や演算処理をして求めていく。Further, the satellite image obtained until the correlation coefficient R 0-T , the evaluation value H (k, l), and τ = n′T time later is obtained by the
そして、画像処理部３０１は、τ時間後の可視画像,赤外画像,水蒸気画像の所定領域内の各画素の信号を第４ファジーモデル部３１０へ入力させる。
Then, the
また、太陽高度方位算出部１３からも、当該画素に対応する地域の位置（緯度、経度）に対応したτ時間後の太陽高度と太陽方位が第４ファジーモデル部３１０に入力される。
Also from the solar altitude
従って、第４ファジーモデル部３１０に入力されるデータの要素数は、各画素当たり、可視画像の画素信号a1(t,τ)、赤外線画像の画素信号ａ2(ｔ,τ)、水蒸気画像の画素信号ａ3(ｔ,τ)の３つに、画素に対応した地域のτ時間後の太陽高度θh(ｔ,τ)と太陽方位θd(ｔ,τ)の２つを加えた５つである。Therefore, the number of elements of the data input to the fourth
その数値データＸａ(ｔ,τ)を下記に(１９)式として示す。 The numerical data Xa (t, τ) is shown as equation (19) below.
この数値データＸａ(ｔ,τ)の各要素をそれぞれをｍn個（添え字ｎはＸａ（ｔ,τ）のｎ番目の要素）に区分して（２０）式を定義する。Each element of the numerical data Xa (t, τ) is divided into mn pieces (subscript n is the nth element of Xa (t, τ)) to define equation (20).
この要素の区分毎にファジー集合Ｍn（ｎ＝１〜５）を定義する。要素ｎごとのファジー集合を以下の（２１）式で定義する。（１９）ないし（２１）式は第４ファジー集合定義部３１１が求める。A fuzzy set M n (n = 1 to 5) is defined for each segment of this element. A fuzzy set for each element n is defined by the following equation (21). The fourth fuzzy
要素ｎのｉ番目のファジー集合Ｍ（ｎ,ｉ）（ｉ＝１〜ｍn）に属する割合（グレード）を表すメンバーシップ関数をＧ（ｎ,ｉ）とする。A membership function representing a ratio (grade) belonging to the i-th fuzzy set M (n, i) (i = 1 to m n ) of the element n is defined as G (n, i).
このメンバーシップ関数Ｇ（ｎ,ｉ）には、各種のものを用いることができ、例えば、図３に示す三角形関数があるが、ここでは、下記（２２）式で示すものを用いる。 Various membership functions G (n, i) can be used. For example, there is a triangular function shown in FIG. 3, and here, the one represented by the following expression (22) is used.
ただし、Ｘn（ｔ,τ）：数値データＸａ(t,τ)の要素ｎの値
ｇ（ｎ,ｉ）：数値データＸａ(t,τ)の要素ｎのｉ番目のファジー集合の中心値
Ｄ（ｎ,ｉ）：数値データＸａ(t,τ)の要素ｎのｉ番目のファジーの集合の広がり
数値データを（２２）式の右辺に代入して、下記の（２３）式に基づきグレードを計算する。このグレードは、第４メンバーシップ関数定義部３１２が演算する。Where X n (t, τ): value of element n of numerical data Xa (t, τ) g (n, i): center value of the i-th fuzzy set of element n of numerical data Xa (t, τ) D (n, i): Spread of the i-th fuzzy set of element n of numerical data Xa (t, τ) Substituting numerical data into the right side of equation (22) and grade based on equation (23) below Calculate This grade is calculated by the fourth membership
ただし、ｉ1＝１〜ｍ1
…
…
ｉ5 ＝１〜ｍ5
（２３）式を用いて日射強度予測式としての演算式Ｑ（ｔ,τ）を以下の（２４）式で定義する。この演算式Ｑ（ｔ,τ）は第４特性式定義部３１３が定義する。However, i 1 = 1 to m 1
...
...
i 5 = 1 to m 5
An arithmetic expression Q (t, τ) as a solar radiation intensity prediction expression is defined by the following expression (24) using the expression (23). The fourth characteristic
ただし、Ｗ（ｉ1,…ｉ5）は重み係数である。
ここで、気象衛星３０２から送られてくる時刻ｔの画像データから、時刻ｔの実測日射データが得られる地点を含む画素の可視画像と赤外線画像と水蒸気画像の各画素データを抽出し、抽出した各画素データに日射観測点の時刻ｔにおける太陽高度と太陽方位を加えたデータを１組とするｑ組の数値データＸａ(ｔj,τ)と、各組に対応した実際の日射強度値として、対象時刻を中心にした一定時間幅内の日射強度の平均値Ｑb（ｔj,τ）を与えたとき、(２４)式で得られた日射強度予測値と実測した日射強度の誤差Ｅを下記の（２５）式で定義する。ただし、ｊ＝１…,ｑ,τ＝０である。Here, W (i 1 ,... I 5 ) is a weighting coefficient.
Here, from the image data at time t sent from the
この（２５）式で示す誤差をより小さくする重み付けＷ（ｉ1,…ｉ5）は（２５）式をＷ（ｉ1,…ｉ5）で偏微分した（２５Ａ）式を用い、下記（２６）式により重み付けＷ（ｉ1,…ｉ5）を修正することで得られる。The weighting W (i 1 ,... I 5 ) for further reducing the error indicated by the expression (25) is obtained by using the expression (25A) obtained by partial differentiation of the expression (25) with W (i 1 ,... I 5 ). It is obtained by correcting the weighting W (i 1 ,... I 5 ) by the equation (26).
ただし、Ｗ′（ｉ1,…ｉ5）は修正前の重み付け、γは定数である。However, W ′ (i 1 ,... I 5 ) is a weight before correction, and γ is a constant.
（２５）式で示す誤差Ｅが許容範囲内に入るまで（２４）式〜（２６）式の計算を繰り返し行い、重み付けＷ（ｉ1,…ｉ5）を修正する。すなわち、第４学習部３１４は、誤差Ｅを求めてこの誤差Ｅが許容値以下となるように重み付けを修正して演算式Ｑ（ｔ,τ）の学習を行う。Until the error E shown in the equation (25) falls within the allowable range, the calculations of the equations (24) to (26) are repeated to correct the weighting W (i 1 ,... I 5 ). That is, the
なお、学習に使用したｑ組のデータは同じ地域(画素)でも異なった地域(画素)のデータが混在していても良い。 The q sets of data used for learning may include data in the same region (pixels) or different regions (pixels).
第４ファジーモデル部３１０の学習が終了したら、各画素ごとに、画像処理部３０１から可視画像と赤外画像と水蒸気画像の画像データと、太陽高度方位算出部１３から太陽高度と太陽方位をこの第４ファジーモデル部３１０へ入力することで、各画素に対応した地上の日射強度を推定することができるようになる。
When the learning of the fourth
第４ファジーモデル部３１０の学習終了後は、気象衛星３０２から送信されてくる気象衛星画像データを日射強度予測システム３００に入力させ、画像処理部３０１は、可視画像、赤外画像、水蒸気画像別に、前述の相関係数Ｒ0-Tや評価関数Ｈ(ｋ,ｌ)の演算処理や画像処理を行い、Ｔ時間刻みでｎ′Ｔ時間後まで予測した可視画像、赤外画像、水蒸気画像のそれぞれの衛星画像を予測する。After the learning of the fourth
そして、画像処理部３０１が予測したτ＝ｎ′Ｔ時間後の「可視画像ａ1(ｔ,τ)、赤外画像ａ2(ｔ,τ)、水蒸気画像ａ3(ｔ,τ)、太陽高度θh(ｔ,τ)、太陽方位θd(ｔ,τ)」の５つの数値データを、衛星画像の各画素ごとに、学習が終了した第４ファジーモデル部３１０に入力することで、衛星画像の各画素に対応した地域ごとに、τ＝ｎ′Ｔ時間後の地上日射強度の予測値を得る。Then, “visible image a 1 (t, τ), infrared image a 2 (t, τ), water vapor image a 3 (t, τ), solar By inputting five numerical data of “elevation θ h (t, τ), solar orientation θ d (t, τ)” to the fourth
この第４実施例では、日射強度の予測値を求めたい地域に対応する全ての画素に、共通の第４ファジーモデル部を使用したが、地域を分割しそれぞれの地域を代表する地点で実測した日射を用いて地域ごとに第４ファジーモデル部を学習し、分割した地域ごとに学習した地域ごとの第４ファジーモデル部を適用することで、地域の特性に合わせて衛星画像の画素データからよりきめ細かく日射を推定することもできる。 In the fourth embodiment, the common fourth fuzzy model unit is used for all pixels corresponding to the region for which the predicted value of solar radiation intensity is to be obtained. However, the region is divided and measured at points representing each region. By learning the 4th fuzzy model part for each area using solar radiation and applying the 4th fuzzy model part for each area learned for each divided area, it can be obtained from the pixel data of the satellite image according to the characteristics of the area. It is also possible to estimate solar radiation in detail.
このように、日射強度予測システム３００によれば、衛星画像からτ＝ｎ′Ｔ時間後の衛星画像を予測し、この衛星画像から日射強度予測値と実際の日射強度との誤差Ｅが許容値以下となるように学習を行った演算式Ｑ（ｔ,τ）を用いて現在時刻から所定時間τ＝ｎ′Ｔ経過後の日射強度予測値を求めるものであるから、気象衛星画像データに基づき現在時刻から所定時間τ＝ｎ′Ｔ経過後の日射強度予測値を正確に求めることができ、実際の日射強度との誤差を限りなく小さくすることができる。
Thus, according to the solar radiation
第４実施例では、学習させた後は第４ファジーモデル部３１０を学習させていないが、衛星画像と地上での実測日射強度のデータが得られるごとに学習させるようにしてもよい。
［第５実施例］
図８は第５実施例の太陽光発電出力予測システム４００の構成を示すブロック図である。In the fourth embodiment, after the learning, the fourth
[Fifth embodiment]
FIG. 8 is a block diagram showing the configuration of the photovoltaic power generation
４１０は第５ファジーモデル部（発電出力推論部）であり、この第５ファジーモデル部４１０は、第４ファジーモデル部３１０が求めた日射強度予測値と、太陽高度方位算出部１３が求めた太陽高度および太陽方位と、気象予報データとから所定時間後の太陽光発電装置１２の発電出力値（発電出力予測値）を後述する特性式に基づいて求める。１４１は第５ファジーモデル部４１０が求めた発電出力予測値と太陽光発電装置１２の実際の発電出力値との差（誤差）を求める比較部である。
第５ファジーモデル部４１０は、複数個のファジー集合に区分する第５ファジー集合定義部４１１と、各要素のそのファジー集合に属する割合（グレード）を表す第５メンバーシップ関数（メンバーシップ関数）を定義する第５メンバーシップ関数定義部（メンバーシップ関数定義部）４１２と、第５メンバーシップ関数定義部４１２が定義した第５メンバーシップ関数と該第５メンバーシップ関数の重み付けとに基づき所定時間経過後の発電出力予測値を求める特性式（推論式）を定義する第５特性式定義部（推論式定義部）４１３と、この第５特性式定義部４１３で定義された特性式で求める発電出力予測値と所定時間後の実際の発電出力値との誤差が許容値以下となるように第５メンバーシップ関数の重み付けを修正することにより特性式の学習を行わせる第５学習部（学習部）４１４等とを有している。
The fifth
第４ファジーモデル部３１０は、日射強度予測値を求めるように既に学習されたファジーモデル部である。
The fourth
第５ファジーモデル部４１０に入力する数値予報データは、衛星画像の各画素に対応した地域ごとに、第４ファジーモデル部から出力される日射強度予測値Ｑ(ｔ,τ)と、太陽高度方位算出部１３から出力される当該地域の太陽高度および太陽方位と、気象衛星画像の各画素に対応する当該地域について気象庁８から出される気象予報データの地表面における風速Ｖ0(ｔ,τ)と気温Ｔ0(ｔ,τ)の５種類である。
［動 作］
次に、上記のように構成される太陽光発電出力予測システム４００の動作について説明する。The numerical forecast data input to the fifth
[Operation]
Next, the operation of the photovoltaic power generation
太陽光発電装置１２が設置されている地域について、当該地域の日射強度予測値と気象庁８から出される数値予報と、太陽高度および太陽方位など５種類の数値予報データが得られるものとする。また、気象庁８から時刻ｔに出されたτ時間後の数値予報と、日射強度予測値と、太陽高度と太陽方位などをＹａ（ｔ,τ）と表すとする。
For the area where the solar
いま、時刻ｔにおいて、太陽光発電装置１２が設置されている地域について、５種類の数値予報データが得られたとする。
Now, it is assumed that five types of numerical forecast data are obtained for the area where the solar
得られた数値予報データとしては、日射強度予測値Ｑ（ｔ,τ）と、地表面における風速Ｖ0（ｔ,τ）および気温Ｔ0（ｔ,τ）と、太陽高度θh（ｔ,τ）と、太陽方位θd（ｔ,τ）の５種類である。As the obtained numerical forecast data, the solar radiation intensity predicted value Q (t, τ), the wind speed V 0 (t, τ) and the temperature T 0 (t, τ) on the ground surface, and the solar altitude θ h (t, τ) τ) and the sun orientation θ d (t, τ).
気象衛星３０２から気象衛星画像データが送信されてくると、画像処理部３０１は、可視画像、赤外画像、水蒸気画像別に処理をしてそれぞれのτ＝ｎ′Ｔ時間後の衛星画像を求め、所定領域内の各画素の信号を第４ファジーモデル部３１０へ入力させる。
When meteorological satellite image data is transmitted from the
第４ファジーモデル部３１０は、画像処理部３０１から入力されるτ＝ｎ′Ｔ時間後の所定領域内の各画素の信号と、太陽高度方位算出部１３が算出する太陽高度θh（ｔ,τ）および太陽方位θd（ｔ,τ）とから、第４実施例で説明したように（１９）式ないし（２４）式に基づいて日射強度予測値Ｑ（ｔ,τ）を求める。The fourth
ここでは、時刻ｔから所定時間τ経過後の数値予報データＹａ（ｔ,τ）が第５ファジーモデル部４１０へ入力される。ここで、Ｙａ（ｔ,τ）の要素数は各画素当たり５個である。
Here, the numerical forecast data Ya (t, τ) after the elapse of a predetermined time τ from the time t is input to the fifth
その数値予報データを下記に（９Ａ）式として示す。 The numerical forecast data is shown below as equation (9A).
なお、気象庁８から出される数値予報のデータについては、気象衛星の画像に対応する地域内に出される数値予報データを使用するが、複数あるときは地域の中心に近い数値予報データを使用するか平均値を用いる。また、当該地域に数値予報データが出されていない場合は、直近の地域の数値予報データを使用する。
As for the numerical forecast data issued by the
この数値予報データＹａ（ｔ,τ）の各要素それぞれをｍn個（添え字ｎはＹａ（ｔ,τ）のｎ番目の要素）に区分して（１０Ａ）式を定義する。Each element of the numerical forecast data Ya (t, τ) is divided into mn pieces (subscript n is the nth element of Ya (t, τ)) to define equation (10A).
この要素ｎ毎にファジー集合Ｍn（ｎ＝１〜５）を定義する。要素ｎごとのファジー集合を以下の（１１Ａ）式で定義する。（９Ａ）式ないし（１１Ａ）式は第５ファジー集合定義部４１１が作成する。A fuzzy set M n (n = 1 to 5) is defined for each element n. A fuzzy set for each element n is defined by the following equation (11A). The fifth fuzzy
要素ｎのｉ番目のファジー集合Ｍ（ｎ,ｉ）（ｉ＝１〜ｍ）に属する割合（グレード）を表すメンバーシップ関数Ｇ（ｎ,ｉ）とする。 A membership function G (n, i) representing a ratio (grade) belonging to the i-th fuzzy set M (n, i) (i = 1 to m) of the element n is assumed.
このメンバーシップ関数Ｇ（ｎ,ｉ）は、各種のものを用いることができ、例えば図３に示す三角形関数があるが、ここでは、下記（１２Ａ）式で示すものを用いる。 Various membership functions can be used as the membership function G (n, i). For example, there is a triangular function shown in FIG. 3. Here, the one represented by the following expression (12A) is used.
ただし、Ｙm（ｔ,τ）：数値予報Ｙａ（ｔ,τ）の要素ｎの値
ｇ（ｎ,ｉ）：数値予報Ｙａ（ｔ,τ）の要素ｎのｉ番目のファジー集合の中心値
Ｄ（ｎ,ｉ）：数値予報Ｙａ（ｔ,τ）の要素ｎのｉ番目のファジー集合の広がり
数値予報データを（１２Ａ）式の右辺に代入して、下記の（１３Ａ）式に基づきグレードを計算する。（１３Ａ）式の演算やグレードは、第５メンバーシップ関数定義部４１２が演算する。Where Y m (t, τ): value of element n of numerical forecast Ya (t, τ) g (n, i): center value of i-th fuzzy set of element n of numerical forecast Ya (t, τ) D (n, i): Spread of the i-th fuzzy set of element n of numerical forecast Ya (t, τ) Substitute numerical forecast data into the right side of equation (12A) and grade based on equation (13A) below Calculate The fifth membership
ただし、ｉ1＝１〜ｍ1
…
…
ｉ5 ＝１〜ｍ5
（１３Ａ）式を用いて発電出力予測式としての特性式Ｐ（ｔ,τ）を以下の（１４Ａ）式で定義する。この特性式Ｐ（ｔ,τ）は第５特性式定義部４１３が定義する。However, i 1 = 1 to m 1
...
...
i 5 = 1 to m 5
A characteristic formula P (t, τ) as a power generation output prediction formula is defined by the following formula (14A) using the formula (13A). The characteristic formula P (t, τ) is defined by the fifth characteristic
ただし、Ｗ（ｉ1,…ｉ5）は重み係数である。
ここで、時刻ｔの太陽光発電出力の実際値が得られる地点の、時刻ｔの実測日射強度または日射強度予測値と、気象庁８から出される地表面における時刻ｔの風速および気温の気象数値予報値と、その地点の時刻ｔにおける太陽高度と太陽方位を加えたデータを１組とするｑ組の数値データＹａ（ｔ,τ）と、各組に対応した実際の太陽光発電出力として、対象時刻を中心にした一定時間幅内の太陽光発電出力の平均値Ｐb（ｔj,τ）とを与えたとき、(１４Ａ)式で得られた太陽光発電出力予測値Ｐ（ｔj,τ）と実測した太陽光発電出力Ｐｂ（ｔj,τ）の誤差Ｅを下記の（１５Ａ）式で定義する。ただしｊ＝１,…,ｑ,τ＝０である。Here, W (i 1 ,... I 5 ) is a weighting coefficient.
Here, the measured solar radiation intensity or the predicted solar radiation intensity at the time t at the point where the actual value of the photovoltaic power generation output at the time t is obtained, and the numerical weather forecast of the wind speed and temperature at the time t on the ground surface from the Japan Meteorological Agency 8 Q sets of numerical data Ya (t, τ), which is a set of the value and the data obtained by adding the solar altitude and the sun direction at time t at that point, and the actual photovoltaic power generation output corresponding to each set, When the average value Pb (t j , τ) of the photovoltaic power generation output within a certain time width centered on the time is given, the predicted photovoltaic power generation output P (t j , τ) obtained by the equation (14A) ) And the measured error E of the photovoltaic power generation output Pb (t j , τ) is defined by the following equation (15A). However, j = 1,..., Q, τ = 0.
この（１５Ａ）式で示す誤差をより小さくする重み付けＷ（ｉ1,…ｉ5）は（１５Ａ）式をＷ（ｉ1,…ｉ5）で偏微分した（１５Ｄ）を用い、下記（１６Ａ）式によりＷ（ｉ1,…ｉ5）を修正することで得られる。The (15A) weighting W (i 1, ... i 5 ) to further reduce the error indicated by the equation using the (15A) equation W (i 1, ... i 5 ) and partially differentiating (15D), the following (16A ) To obtain W (i 1 ,... I 5 ).
ただし、Ｗ′（ｉ1,…ｉ5）は修正前の重み付け、γは定数である。However, W ′ (i 1 ,... I 5 ) is a weight before correction, and γ is a constant.
（１５Ａ）式で示す誤差Ｅが許容範囲内に入るまで（１４Ａ）式〜（１６Ａ）式の計算を繰り返し行い、重み付けＷ（ｉ1,…ｉ5）を修正する。すなわち、第５学習部４１４は、誤差Ｅを求めて、この誤差Ｅが許容値以下となるように重み付けを修正して演算式Ｐ（ｔ,τ）の学習を行う。この学習では、第４ファジーモデル部３１０が出力する日射強度予測値を用いるが、学習に用いる実際の太陽光発電出力値と同じ時刻の日射強度の実測値を一定時間幅内で平均した値を用いてもよい。Until the error E shown in the equation (15A) falls within the allowable range, the calculations of the equations (14A) to (16A) are repeated to correct the weighting W (i 1 ,... I 5 ). That is, the
第５ファジーモデル部４１０の学習が終了したら、気象衛星３０２から送信されてくる気象衛星画像データを画像処理部３０１が画像処理および演算処理して、各可視画像,赤外画像,水蒸気画像のτ＝ｎ′Ｔ時間後の衛星画像をそれぞれ求め、太陽光発電装置１２が設置されている地域に対応する各画素信号を第４ファジーモデル部３１０へ出力する。
When the learning of the fifth
そして、上述したように図６に示す第４ファジーモデル部３１０は、画像処理部３０１が求めたτ時間後の各画素の画像信号に基づいて太陽光発電装置１２が設置されている地域の日射強度予測値Ｑ（ｔ,τ）を求め、この日射強度予測値Ｑ（ｔ,τ）が第５ファジーモデル部４１０に入力される。
Then, as described above, the fourth
また、τ時間後の日時（月日および時刻）と太陽光発電装置１２が設置されている位置（緯度,経度）を入力部１１に入力して、太陽高度方位算出部１３で所定時間τ後の太陽高度θh（ｔ,τ）と太陽方位θd（ｔ,τ）を算出させ、この太陽高度θh（ｔ,τ）と太陽方位θd（ｔ,τ）のデータが第５ファジーモデル部４１０に入力される。Further, the date and time (month day and time) after τ time and the position (latitude, longitude) where the solar
また、太陽光発電装置１２が設置されている地域を含む衛星画像の画素に対応した気象庁８から出される気象予報データ（風速Ｖ0（ｔ,τ）,気温Ｔ0（ｔ,τ））も第５ファジーモデル部４１０に入力する。In addition, weather forecast data (wind speed V 0 (t, τ), temperature T 0 (t, τ)) issued by the
第５ファジーモデル部４１０は、入力したデータにより（９Ａ）式ないし（１４Ａ）式に基づいて発電出力予測値を演算する。
The fifth
このように、太陽光発電出力予測システム４００は、発電出力予測値と実際の発電出力値との誤差Ｅが許容値以下となるように学習を行った特性式Ｐ（ｔ,τ）を用いて現在時刻から所定時間τ経過後の発電出力予測値を求めるものであるから、気象衛星画像データおよび気象予報データに基づき現在時刻から所定時間τ経過後の発電出力予測値を正確に求めることができ、太陽光発電装置１２の実際の発電量との誤差を限りなく小さくすることができる。
As described above, the photovoltaic power generation
この第５ファジーモデル部４１０を用いれば、重み付け係数を時間τ経過後に得られた実際の太陽光発電装置１２の発電出力値と、τ時間前の発電出力予測値との誤差に基づいてその誤差が自動的に許容値以下に漸近するように演算できるので、気象衛星画像データおよび気象予報データに基づき太陽光発電装置１２の発電出力予測値を正確に求めることができる。
If this fifth
また、気象庁８から出される気象予報データが３３時間先まで１時間刻みで出され、しかも気象衛星３０２から気象衛星画像データが３０分間隔で送信されてくるので、３３時間先まで３０分刻みで太陽光発電出力値を予想することができることになる。
In addition, weather forecast data issued by the
この第５実施例では、太陽光発電装置１２の実際の発電出力として１台の太陽光発電装置の出力を用いて学習したが、衛星画像の画素に対応する地域内の複数の太陽光発電装置の合計出力でも良い。その出力合計値を用いて第５ファジーモデル部４１０を学習しておけば、学習後の第５ファジーモデル部４１０に、日射強度予測値と、地表面における風速および気温と、太陽高度および太陽方位を入力することで、当該地域の複数の太陽光発電装置の合計出力を予測することもできる。
In the fifth embodiment, learning is performed using the output of one solar power generation device as the actual power generation output of the solar
また、学習に用いる太陽光発電装置１２の実際の発電出力として、衛星画像の画素に対応する地域内の太陽光発電装置の出力（１台または複数台の合計値）を当該太陽光発電装置の定格容量で除して求めた無次元化した値を用いても良い。第５ファジーモデル部４１０を無次元化した太陽光発電装置の出力を用いて学習しておけば、第５ファジーモデル部４１０に、日射強度予測値と、地表面における風速および気温と、太陽高度および太陽方位を入力することで、無次元化した太陽光発電装置の出力を予測することができる。この無次元化した太陽光発電装置の出力予測値に当該地域に設置されている太陽光発電の設備容量を乗じることで、当該地域に設置されている太陽光発電設備の実際の出力を予測することが可能になる。
Further, as the actual power generation output of the solar
また、無次元化した太陽光発電装置の出力を予測できるように学習した第５ファジーモデル部４１０を用いて、学習に用いる太陽光発電が設置されていない地域についても、同様に衛星画像の画素に対応した地域ごとに無次元化した太陽光発電装置の出力を予測することができる。学習が終わった上記の第５ファジーモデル部４１０に、それぞれの画素に対応した地域ごとに、日射強度予測値と、地表面における風速および気温と、太陽高度および太陽方位を入力することで、無次元化した太陽光発電装置の出力予測値が得られ、当該地域に設置されている太陽光発電の設備容量を乗じることで、当該地域の太陽光発電の出力を予測することができる。
In addition, using the fifth
また、上記では太陽光発電設備の発電出力の予測値を求めたい全ての地域に、学習が終わった共通の第５ファジーモデル部４１０を使用したが、地域を分割し、それぞれの地域を代表する太陽光発電設備の発電出力の実測値を用いて、それぞれの地域ごとに第５ファジーモデル部４１０を学習しておくことで、分割したそれぞれの地域の特性に合わせたきめ細かい太陽光発電設備の発電出力を推定することもできる。
Further, in the above, the common fifth
また、この第５実施例も学習させた後は第５ファジーモデル部４１０を学習させていないが、太陽光発電装置１２の実際の発電出力が得られる毎に学習させるようにしてもよい。
［第６実施例］
図９は第６実施例の太陽光発電出力予測システム５００の構成を示したブロック図である。Further, after learning the fifth embodiment, the fifth
[Sixth embodiment]
FIG. 9 is a block diagram showing the configuration of the photovoltaic power generation
５１０は第６ファジーモデル部（発電出力推論部）であり、この第６ファジーモデル部５１０は、画像処理部３０１が求めた所定時間τ＝ｎ′Ｔ後の気象衛星画像の画像データと、太陽高度方位算出部１３が算出した太陽高度θh（ｔ,τ）および太陽方位θd（ｔ,τ）と、気象庁８から出される気象数値予報のうち地表面の風速Ｖ0（ｔ,τ）と気温Ｔ0（ｔ,τ）とに基づいて所定時間τ後の太陽光発電装置１２の発電出力（発電出力予測値）を求める。
第６ファジーモデル部５１０は、複数個のファジー集合に区分する第６ファジー集合定義部５１１と、各要素のそのファジー集合に属する割合（グレード）を表す第６メンバーシップ関数（メンバーシップ関数）を定義する第６メンバーシップ関数定義部（メンバーシップ関数定義部）５１２と、第６メンバーシップ関数定義部５１２が定義した第６メンバーシップ関数と該第６メンバーシップ関数の重み付けとに基づき所定時間経過後の発電出力予測値を求める特性式（推論式）を定義する第６特性式定義部（推論式定義部）５１３と、この第６特性式定義部５１３で定義された特性式で求める発電出力予測値と所定時間後の実際の発電出力値との誤差が許容値以下となるように第６メンバーシップ関数の重み付けを修正することにより特性式の学習を行わせる第６学習部（学習部）５１４等とを有している。
［動 作］
次に、上記のように構成される太陽光発電出力予測システム５００の動作について説明する。The sixth
[Operation]
Next, the operation of the photovoltaic power generation
先ず、気象衛星３０２から時刻ｔに送信されてきた衛星画像に基づいてτ＝ｎ′Ｔ時間後の可視画像,赤外画像,水蒸気画像を第４実施例と同様にして画像処理部３０１で算出し、この算出したτ時間後の可視画像,赤外画像,水蒸気画像の所定領域内の各画素の信号と、太陽高度とを第６ファジーモデル部５１０に入力させる。
First, based on the satellite image transmitted from the
また、気象庁８から出される時刻ｔからτ時間後の気象数値予報データの中から、当該画素に対応する地域の地表面における風速と気温が第６ファジーモデル部５１０に入力されると共に、太陽高度方位算出部１３からも、当該画素に対応する地域の位置（緯度、経度）に対応した時刻ｔからτ時間後の太陽高度と太陽方位が第６ファジーモデル部５１０に入力される。
In addition, the wind speed and temperature on the ground surface in the area corresponding to the pixel are input to the sixth
いま、時刻ｔにおいて、太陽光発電装置１２が設置されている地域について、τ時間後の７種類の数値予報データが得られるものとする。
Now, it is assumed that, at time t, seven types of numerical forecast data after τ time are obtained for the area where the solar
得られた数値予報データとしては、可視画像の画素信号ａ1(ｔ,τ)、赤外線画像の画素信号ａ2(ｔ,τ)、水蒸気画像の画素信号ａ3(ｔ,τ)の３つと、画素に対応した地域の太陽高度θh(ｔ,τ) と太陽方位θd(ｔ,τ)の２つと、気象庁８から出される画素に対応した地点の地表面における風速Ｖ0(ｔ,τ)、および気温Ｔ0(ｔ,τ)の７種類である。The resulting numerical forecast data, the pixel signals of the visible image a 1 (t, τ), the pixel signals a 2 infrared image (t, tau), 3 bract pixel signals a 3 steam image (t, tau) , The solar altitude θ h (t, τ) and solar orientation θ d (t, τ) of the area corresponding to the pixel, and the wind speed V 0 (t, t, τ) and temperature T 0 (t, τ).
従って、第６ファジーモデル部５１０に入力されるデータの要素数は、各画素当たり、可視画像の画素信号ａ1(ｔ,τ)、赤外線画像の画素信号ａ2(ｔ,τ)、水蒸気画像の画素信号ａ3(ｔ,τ)の３つに、画素に対応した地域のτ時間後の太陽高度θh(ｔ,τ) と太陽方位θd(ｔ,τ)の２つと、気象庁８から出される画素に対応した地点の地表面における風速Ｖ0(ｔ,τ)、および気温Ｔ0(ｔ,τ)を加えた７種類である。Therefore, the number of elements of the data input to the sixth
ここでは、時刻ｔから所定時間τ経過後の気象予報データのかたまりＸａ(t,τ)が第６ファジーモデル部５１０に入力される。なお、画像処理部は第４実施例の画像処理部３０１と同様に、気象衛星３０２の気象衛星画像からτ時間後の気象衛星画像を予測するものである。
Here, a block Xa (t, τ) of weather forecast data after a predetermined time τ has elapsed from time t is input to the sixth
その数値データＸａ(ｔ,τ)を下記に(９Ｂ)式として示す。 The numerical data Xa (t, τ) is shown as equation (9B) below.
この数値予報データの塊Ｘａ(ｔ,τ)の各要素Ｘn(ｔ,τ)それぞれをｍn個（添字ｎはＸａ(ｔ,τ)のｎ番目の要素）に区分して（１０Ｂ）式を定義する。Each element X n (t, τ) of the numerical forecast data block Xa (t, τ) is divided into m n (subscript n is the nth element of Xa (t, τ)) (10B). Define an expression.
この要素の区分ごとにファジー集合Ｍn（ｎ＝1〜7）を定義する。要素ｎごとのファジー集合を以下の(１１Ｂ)式で定義する。(９Ｂ)式ないし(１１Ｂ)式は第６ファジー集合定義部５１１が定義する。A fuzzy set M n (n = 1 to 7) is defined for each segment of this element. A fuzzy set for each element n is defined by the following equation (11B). The sixth fuzzy
各要素のi番目のファジー集合Ｍ(ｎ,ｉ)（ｉ=１〜ｍn）に属する割合を表すメンバーシップ関数（第６メンバーシップ関数）Ｇ(ｎ,ｉ)とする。A membership function (sixth membership function) G (n, i) representing the proportion of each element belonging to the i-th fuzzy set M (n, i) (i = 1 to m n ) is assumed.
このメンバーシップ関数Ｇ(ｎ,ｉ)は、第１実施例と同様に各種のものを用いることができるが、ここでは、下記（１２Ｂ）式で示すものを用いる。 Various membership functions G (n, i) can be used as in the first embodiment. Here, the membership function G (n, i) is expressed by the following equation (12B).
ただし、Ｘn(ｔ,τ)：数値予報Ｘａ(ｔ,τ)の要素ｎの値
ｇ(ｎ,ｉ)：数値予報Ｘａ(ｔ,τ)の要素ｎのi番目のファジー集合の中心値
Ｄ(ｎ,ｉ)：数値予報Ｘａ(ｔ,τ)の要素ｎのｉ番目のファジー集合の広がり
衛星画像データと、太陽高度および太陽方位と、気象予報データをそれぞれ(１２Ｂ)式の右辺に代入し、下記の(１３Ｂ)式でに基づきグレードを計算する。このグレードは、第６メンバーシップ関数定義部５１２が演算する。Where Xn (t, τ): value of element n of numerical forecast Xa (t, τ) g (n, i): center value of i-th fuzzy set of element n of numerical forecast Xa (t, τ) D (n, i): Spread of the i-th fuzzy set of element n of numerical forecast Xa (t, τ) Substituting satellite image data, solar altitude and orientation, and weather forecast data into the right side of equation (12B), respectively The grade is calculated based on the following equation (13B). This grade is calculated by the sixth membership
ただし、ｉ1＝１〜ｍ1
・
・
ｉ7＝１〜ｍ7
(１３Ｂ)式を用いて発電出力予測値を求める特性式（推論式）P(ｔ,τ)を以下の(１４Ｂ)式で定義する。この特性式Ｐ(ｔ,τ)は第６特性式定義部５１３が定義する。However, i 1 = 1 to m 1
・
・
i 7 = 1 to m 7
A characteristic formula (inference formula) P (t, τ) for obtaining a power generation output predicted value using the formula (13B) is defined by the following formula (14B). This characteristic formula P (t, τ) is defined by the sixth characteristic
ただし、Ｗ(ｉ1,・・・,ｉ7)は重み係数である。
ここで、ｑ組の数値予報データと各組に対応した実際の発電出力値として、対象時刻を中心にした一定時間幅内の平均値としてＰｂ(ｔj,τ)を与えたとき、(１４Ｂ)式で得られた発電出力予測値Ｐ(ｔj,τ)と実測した発電出力Ｐｂ(ｔj,τ)の誤差(差)Ｅを下記の(１５Ｂ)式で定義する。Here, W (i 1 ,..., I 7 ) is a weighting factor.
Here, when Pb (t j , τ) is given as an average value within a certain time width centered on the target time, as q sets of numerical forecast data and actual power generation output values corresponding to each set, (14B ) An error (difference) E between the predicted power generation output value P (t j , τ) obtained by the expression) and the actually measured power generation output Pb (t j , τ) is defined by the following expression (15B).
この(１５Ｂ)式で示す誤差をより小さくする重み付けＷ(ｉ1,・・・,ｉ7)は(１５Ｂ)式をＷ(ｉ1,・・・ｉ7)で偏微分した(１５Ｅ)式を用い、下記(１６Ｂ)式により重み付けＷ(ｉ1,・・・ｉ7)を修正することで得られる。The weighting W (i 1 ,..., I 7 ) for further reducing the error indicated by the expression (15B) is an expression (15E) obtained by partial differentiation of the expression (15B) with W (i 1 ,... I 7 ). And the weighting W (i 1 ,... I 7 ) is corrected by the following equation (16B).
ただし、Ｗ′(ｉ1,・・・ｉ7)は修正前の重み付け、γは定数である。Here, W ′ (i 1 ,... I 7 ) is a weight before correction, and γ is a constant.
(１５Ｂ)式で示す誤差Ｅが許容範囲内に入るまで(１４Ｂ)式〜(１６Ｂ)式の計算を繰り返し行い、重み付けＷ(ｉ1,・・・ｉ7)を修正する。すなわち、第６学習部５１４は、比較部１４１が求めた誤差Ｅが許容値以下になるように重み付けを修正して特性式Ｐ(ｔ,τ)の学習を行う。Until the error E shown in the equation (15B) falls within the allowable range, the calculations of the equations (14B) to (16B) are repeated to correct the weighting W (i 1 ,... I 7 ). That is, the
第６ファジーモデル部５１０の学習が終了したら、気象衛星３０２から送信されてくる気象衛星画像データを画像処理部３０１に入力させ、可視画像、赤外画像、水蒸気画像別に、前述の相関係数Ｒ0-Tや評価関数Ｈ(ｋ,ｌ)の演算処理や画像処理を行い、Ｔ時間刻みでτ＝ｎ′Ｔ時間後まで予測した可視画像、赤外画像、水蒸気画像のそれぞれの衛星画像を予測する。When the learning of the sixth
そして、画像処理部３０１が予測したτ＝ｎ′Ｔ時間後の「可視画像の画素信号ａ1(ｔ,τ)、赤外画像の画素信号ａ2(ｔ,τ)、水蒸気画像の画素信号ａ3(ｔ,τ)」と、太陽高度方位算出部１３から太陽高度θh(ｔ,τ) と太陽方位θd(ｔ,τ)を、また、気象庁８から出される気象数値予報から地表面における風速Ｖ0(ｔ,τ)および気温Ｔ0(ｔ,τ)を第６ファジーモデル部５１０に入力する。第６ファジーモデル部５１０は、これらのデータから(９Ｂ)式ないし(１４Ｂ)式に基づいて発電出力予測値を求める。Then, the pixel signal of the
このように、太陽光発電出力予測システム５００は、発電出力予測値と太陽光発電装置１２の実際の発電出力値との誤差Ｅが許容値以下になるように学習を行った特性式Ｐ(ｔ,τ)を用いて現在時刻から所定時間τ経過後の発電出力予測値を求めるものであるから、気象衛星画像データと気象予報データおよび太陽高度と太陽方位に基づき正確に発電出力予測値を求めることができ、太陽光発電装置１２の実際の発電量との誤差を限りなく小さくすることができる。しかも、第４ファジーモデル部３１０を使用していないので、その構成は簡単なものになる。
As described above, the photovoltaic power generation
なお、この第６実施例では、太陽光発電装置１２の実際の発電出力として１台の太陽光発電装置の出力を用いて学習したが、衛星画像の画素に対応する地域内の複数の太陽光発電装置の合計出力でも良い。その出力合計値を用いて第６ファジーモデル部５１０を学習しておけば、学習後の第６ファジーモデル部５１０に、太陽光発電装置１２が設置されている地域に対応する衛星画像の可視画像と赤外画像と水蒸気画像の画素信号と、地表面における風速および気温と、太陽高度および太陽方位を入力することで、当該地域の複数の太陽光発電装置の合計出力を予測することもできる。
In the sixth embodiment, learning is performed using the output of one solar power generation device as the actual power generation output of the solar
また、学習に用いる太陽光発電装置１２の実際の発電出力として、衛星画像の画素に対応する地域内の太陽光発電装置の出力（１台または複数台の合計値）を当該太陽光発電装置の定格容量で除して求めた無次元化した値を用いても良い。第６ファジーモデル部５１０を無次元化した太陽光発電装置の出力を用いて学習しておけば、第６ファジーモデル部５１０に、当該地域に対応する衛星画像の可視画像と赤外画像と水蒸気画像の画素信号と、地表面における風速および気温と、太陽高度および太陽方位を入力することで、無次元化した太陽光発電装置の出力を予測することができる。この無次元化した太陽光発電装置の出力予測値に当該地域に設置されている太陽光発電の設備容量を乗じることで、当該地域に設置されている太陽光発電設備の実際の出力を予測することが可能になる。
Further, as the actual power generation output of the solar
また、無次元化した太陽光発電装置１２の出力を予測できるように学習した第６ファジーモデル部５１０を用いて、学習に用いた太陽光発電装置１２が設置されていない地域についても、同様に衛星画像の画素に対応した地域ごとに無次元化した太陽光発電装置の出力を予測することができる。学習が終わった上記の第６ファジーモデル部５１０に、それぞれの地域に対応する衛星画像の可視画像と赤外画像と水蒸気画像の画素信号と、地表面における風速および気温と、太陽高度および太陽方位を入力することで、衛星画像の地域に対応して無次元化した太陽光発電装置の出力予測値が得られ、各画素に対応する地域に設置されている太陽光発電の設備容量を乗じることで、当該地域の太陽光発電の出力を予測することができる。
Similarly, for the area where the photovoltaic
なお、上記では太陽光発電設備の発電出力の予測値を求めたい全ての地域に、学習が終わった共通の第６ファジーモデル部５１０を使用したが、地域を分割し、それぞれの地域を代表する太陽光発電設備の発電出力の実測値を用いて、それぞれの地域ごとに第６ファジーモデル部５１０を学習しておくことで、分割したそれぞれの地域の特性に合わせたきめ細かい太陽光発電設備の発電出力を推定することもできる。
In addition, although the common 6th
また、この第６実施例も学習させた後は第６ファジーモデル部５１０を学習させていないが、太陽光発電装置１２の実際の出力が得られるごとに学習させるようにしても良い。
［第７実施例］
図１０は、図１に示す第１実施例の第１ファジーモデル部２０の替わりにニューラルネットワーク（日射強度推論部）を用いて現在時刻から所定時間経過後の日射強度予測値を求める３層のニューラルネットワーク６００の模式図を示したものである。このニューラルネットワーク６００には、第１実施例の（１）式に示すデータ（現在時刻から所定時間後の気象データ等）と、現在時刻から所定時間後の実際の日射強度値とが与えられる。Further, after learning the sixth embodiment, the sixth
[Seventh embodiment]
FIG. 10 shows a three-layer structure for obtaining a predicted solar radiation intensity value after a predetermined time has elapsed from the current time using a neural network (solar radiation intensity reasoning section) instead of the first
ニューラルネットワーク６００は、入力層６０３Ａと、中間層６０３Ｂと、出力層６０３Ｃとを有している。入力層６０３Ａのノードは７＋４ｒの個数とする。中間層６０３Ｂのノードは任意の個数とし、出力層６０３Ｃのノードは１個とする。
The
入力層６０３Ａは、各ノードｉへの入力Ｘi（ｔ,τ）（ｉ＝１〜７＋４ｒ）の値をそのまま入力層の出力Ｏ1（ｉ）として出力する。中間層６０３Ｂのノードｊの入力値ｎ2（ｊ）は、重み付け係数（結合係数）をＷ、バイアスをλとして、下記（３０）式により定義する。The
中間層６０３Ｂのノードｊの出力Ｏ2（ｊ）は、下記（３１）式により定義する。The output O 2 (j) of the node j of the intermediate layer 603B is defined by the following equation (31).
ただし、ｆ2（ｎ2（ｊ））は非減少で微分可能な関数であり、Ｗi（ｊ,ｉ）は重み係数である。Here, f 2 (n 2 (j)) is a non-decreasing and differentiable function, and W i (j, i) is a weighting factor.
出力層６０３Ｃのノードの入力ｎ3（１）を下記（３２）式により定義する。The input n 3 (1) of the node of the
また、出力層６０３Ｃの出力Ｏ3（１）を下記（３３）式により定義する。Further, the output O 3 (1) of the
ただし、ｆ3（ｎ3（ｊ））は非減少で微分可能な関数、Ｗ1（ｊ,ｉ）、Ｗ2（１,ｊ）は重み係数である。Here, f 3 (n 3 (j)) is a non-decreasing and differentiable function, and W 1 (j, i) and W 2 (1, j) are weighting factors.
その出力層６０３Ｃのノードから出力される出力Ｏ3（１）が日射強度予測式（推論式）である演算式Ｑ（ｔ,τ）に相当する。The output O 3 (1) output from the node of the
時刻ｔから所定時間τ経過後の気象予報データのかたまりＸ（ｔ,τ）を入力層６０３Ａの各ノードに与えたとき、出力層６０３Ｃのノードから出力されるＯ3（１）により得られた値がτ時間後の実際の日射強度値としての対象時刻（ｔ＋τ）を中心にして一定時間幅内の平均値Ｑｂ（ｔ,τ）と一致するように、この出力Ｏ3（１）を算出するための重み付け係数Ｗ1（ｊ,ｉ）、Ｗ2（１,ｊ）、バイアスλを下記（３４）式ないし（３７）式を用いて学習し調整する。Obtained by O 3 (1) output from the node of the
ただし、 However,
である、なお、Ｗ1′（ｉ,ｊ）、λ2′（ｊ）、Ｗ2′（ｉ,ｊ）、λ3′（ｊ）は修正前の重みつけ係数である。また、η,μは係数である。Note that W 1 ′ (i, j), λ 2 ′ (j), W 2 ′ (i, j), and λ 3 ′ (j) are weighting coefficients before correction. Η and μ are coefficients.
ここでは、重み付け係数を後側の出力層６０３Ｃから前側の出力層６０３Ａに遡って修正するバックプロパゲーションによって、重み付け係数の修正を行っている。
Here, the weighting coefficient is corrected by back-propagation in which the weighting coefficient is corrected retroactively from the
時刻ｔから所定時間τ経過後の気象予報データのかたまりＸ（ｔ,τ）を入力層６０３Ａの各ノードに与え、演算式Ｏ3（１）により得られた値がτ時間後の実際の日射強度の平均値Ｑｂ（ｔ,τ）と一致するように、ニューラルネットワーク６００に学習させる。A block X (t, τ) of weather forecast data after a lapse of a predetermined time τ from time t is given to each node of the
すなわち、所定時間τ経過後の気象予報データに基づく日射強度予測値の誤差が小さくなるように、日射強度予測値と実際の日射強度値との差に基づきニューラルネットワークの各ノードの重み付け係数とバイアスを修正することにより現在時刻ｔから所定時間τ経過後の日射強度予測値を求める。 That is, the weighting coefficient and bias of each node of the neural network are based on the difference between the predicted solar radiation intensity and the actual solar radiation intensity so that the error of the predicted solar radiation intensity based on the weather forecast data after a predetermined time τ has been reduced. Is corrected to obtain a predicted solar radiation intensity value after a predetermined time τ has elapsed from the current time t.
このように、重み係数とバイアスを時間τ経過後に得られた実際の日射強度値とτ時間前の予想した日射強度予測値との差に基づいてその誤差（差）が自動的に許容値以下となるように演算することができるので、気象予報データに基づき簡便に正確な日射強度予測値を求めることができ、実際の日射強度との誤差を限りなく小さくすることができる。 In this way, the error (difference) is automatically below the allowable value based on the difference between the actual solar radiation intensity value obtained after elapse of time τ and the predicted solar radiation intensity predicted before τ time. Therefore, an accurate solar radiation intensity predicted value can be easily obtained based on the weather forecast data, and an error from the actual solar radiation intensity can be reduced as much as possible.
第７実施例では、第１実施例の第１ファジーモデル部２０の替わりにニューラルネットワーク６００を用いて日射強度予測値を求めるようにしたものであるが、第２実施例ないし第６実施例の第２ファジーモデル部１１０ないし第６ファジーモデル部５１０をニューラルネットワーク６００に替えて、上記のようにして各ノードの重み付け係数を修正することにより現在時刻ｔから所定時間τ経過後の日射強度予測値や発電出力予測値を求めることができる。
In the seventh embodiment, the solar radiation intensity predicted value is obtained by using the
Claims (15)
この太陽高度方位算出部が算出した太陽高度および太陽方位と、前記地域の気象データとから所定時間後の日射強度予測値を求める日射強度推論部とを備え、
この日射強度推論部は、求めた日射強度予測値と実際の日射強度値との差が許容値以下となるように学習し、この学習の後に、前記太陽高度方位算出部が算出する所定地域の所定時間後の太陽高度および太陽方位と、その所定地域の気象データとに基づいて、現在時刻から所定時間後の前記所定地域の日射強度予測値を求めることを特徴とする日射強度予測システム。A solar altitude azimuth calculating unit that calculates the solar altitude and solar azimuth of the area after a predetermined time based on the local position data;
The solar altitude azimuth calculating unit includes a solar altitude and solar azimuth, and a solar radiation intensity inference unit that obtains a predicted solar radiation intensity value after a predetermined time from the weather data of the region,
The solar radiation intensity inference unit learns that the difference between the calculated solar radiation intensity predicted value and the actual solar radiation intensity value is less than or equal to an allowable value, and after this learning, the solar altitude direction calculation unit calculates the predetermined area. A solar radiation intensity prediction system, wherein a solar radiation intensity prediction value of a predetermined area after a predetermined time from a current time is obtained based on a solar altitude and a solar direction after a predetermined time and weather data of the predetermined area.
この太陽高度方位算出部が算出した太陽高度および太陽方位と、前記地域の気象データとから所定時間後の太陽光発電装置の発電出力予測値を求める発電出力推論部とを備え、
この発電出力推論部は、求めた発電出力予測値と実際の発電出力値との差が許容値以下となるように学習し、この学習の後に、前記太陽高度方位算出部が算出する前記太陽光発電装置の設置地域の所定時間後の太陽高度および太陽方位と、その設置地域の気象データとに基づいて現在時刻から所定時間後の前記太陽光発電装置の発電出力予測値を求めることを特徴とする太陽光発電出力予測システム。A solar altitude azimuth calculating unit that calculates the solar altitude and solar azimuth after a predetermined time based on the location data of the area;
The solar altitude and solar direction calculated by the solar altitude direction calculation unit, and a power generation output inference unit for obtaining a power generation output prediction value of the solar power generation device after a predetermined time from the local meteorological data,
The power generation output inference unit learns that the difference between the calculated power generation output predicted value and the actual power generation output value is equal to or less than an allowable value, and after this learning, the solar altitude direction calculation unit calculates the sunlight. The power generation output predicted value of the solar power generation device after a predetermined time from the current time is obtained based on the solar altitude and solar direction after the predetermined time in the power generation device installation area and the weather data of the installation region, Solar power generation output prediction system.
この太陽高度方位算出部が算出した太陽の高度および太陽方位と、前記地域の気象データと、請求項１の日射強度予測システムで求めた日射強度予測値または実測の日射強度値とから所定時間後の前記太陽光発電装置の発電出力予測値を求める発電出力推論部とを備え、
この発電出力推論部は、求めた発電出力予測値と実際の発電出力値との差が許容値以下となるように学習し、この学習の後に、前記太陽高度方位算出部が算出する前記太陽光発電装置の設置地域の所定時間後の太陽高度および太陽方位と、その設置地域の気象データと、請求項１の日射強度予測システムで求めた日射強度予測値とに基づいて現在時刻から所定時間後の前記太陽光発電装置の発電出力予測値を求めることを特徴とする太陽光発電出力予測システム。A solar altitude azimuth calculating unit that calculates the solar altitude and solar azimuth after a predetermined time based on the location data of the area;
After a predetermined time from the solar altitude and solar azimuth calculated by the solar altitude azimuth calculating unit, the weather data of the area, and the predicted or calculated solar radiation intensity value obtained by the solar radiation intensity prediction system according to claim 1 A power generation output reasoning unit for obtaining a power generation output predicted value of the solar power generation device,
The power generation output inference unit learns that the difference between the calculated power generation output predicted value and the actual power generation output value is equal to or less than an allowable value, and after this learning, the solar altitude direction calculation unit calculates the sunlight. After a predetermined time from the current time based on the solar altitude and direction after a predetermined time in the area where the power generation device is installed, the weather data in the area where the power generation apparatus is installed, and the solar radiation intensity predicted value obtained by the solar radiation intensity prediction system according to claim 1 The photovoltaic power generation output prediction system characterized by calculating | requiring the power generation output predicted value of the said solar power generation device.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2010/060291 WO2011158363A1 (en) | 2010-06-17 | 2010-06-17 | Solar radiation intensity prediction system and photovoltaic power generation output prediction system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2011158363A1 true JPWO2011158363A1 (en) | 2013-08-15 |
| JP5723362B2 JP5723362B2 (en) | 2015-05-27 |
Family
ID=45347784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2012520221A Active JP5723362B2 (en) | 2010-06-17 | 2010-06-17 | Solar radiation intensity prediction system and photovoltaic power generation output prediction system |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP5723362B2 (en) |
| WO (1) | WO2011158363A1 (en) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6399426B2 (en) * | 2013-05-13 | 2018-10-03 | パナソニックＩｐマネジメント株式会社 | Agricultural house installation evaluation device, agricultural house sunshine adjustment device, program |
| CN104834981B (en) * | 2015-05-27 | 2018-10-26 | 国家电网公司 | The main cause of short-term power station photovoltaic power implies type prediction technique |
| US11063555B2 (en) * | 2015-06-23 | 2021-07-13 | Qatar Foundation For Education, Science And Community Development | Method of forecasting for solar-based power systems |
| WO2016208149A1 (en) * | 2015-06-24 | 2016-12-29 | 日本電気株式会社 | Prediction system, prediction method, and prediction program |
| CN105373849A (en) * | 2015-10-22 | 2016-03-02 | 华北电力大学（保定） | Stepped temperature prediction method for photovoltaic battery assembly |
| CN105404937A (en) * | 2015-11-26 | 2016-03-16 | 北京国电通网络技术有限公司 | Photovoltaic plant short-term power prediction method and system |
| KR20180077489A (en) * | 2016-12-29 | 2018-07-09 | 한국교통대학교산학협력단 | Method for Prediction of global horizontal solar radiation |
| JP6843780B2 (en) * | 2018-01-18 | 2021-03-17 | ヤフー株式会社 | Information processing equipment, trained models, information processing methods, and programs |
| EP3629282A4 (en) * | 2018-02-09 | 2020-11-04 | Totalmasters Corporation | Photovoltaic power generation facility design assistance device, design assistance method, design assistance program, and design assistance learned model creation device |
| CN109060618A (en) * | 2018-08-20 | 2018-12-21 | 国网冀北电力有限公司张家口供电公司 | A kind of photovoltaic power generation power prediction device and method |
| CN111091138A (en) | 2019-11-14 | 2020-05-01 | 远景智能国际私人投资有限公司 | Irradiation forecast processing method and stacked generalization model training method and device |
| JP7413140B2 (en) | 2020-05-01 | 2024-01-15 | 東京瓦斯株式会社 | Solar radiation prediction method, solar radiation prediction program, power supply system, power/heat supply system |
| CN113722649B (en) * | 2020-05-25 | 2023-08-04 | 阿特斯阳光电力集团股份有限公司 | Photovoltaic module front irradiation intensity calculation method, device, equipment and storage medium |
| KR102488669B1 (en) * | 2020-11-25 | 2023-01-16 | 주식회사 나눔에너지 | System of predicting photovoltaic power generation applying effect of cloud shading |
| KR102488667B1 (en) * | 2020-11-25 | 2023-01-16 | 주식회사 나눔에너지 | System of predicting photovoltaic power generation using machine learning |
| CN114256843B (en) * | 2022-03-01 | 2022-07-08 | 中国电力科学研究院有限公司 | Distributed photovoltaic radiation data correction method and device |
| TWI833549B (en) * | 2023-01-12 | 2024-02-21 | 春禾科技股份有限公司 | Sunshine value estimation system |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3984604B2 (en) * | 2004-07-12 | 2007-10-03 | 日本電信電話株式会社 | Method, apparatus, and program for predicting power generation amount of solar power generation system |
| JP4461064B2 (en) * | 2005-06-23 | 2010-05-12 | 株式会社東芝 | Air conditioning controller |
| JP2007281060A (en) * | 2006-04-04 | 2007-10-25 | Nippon Telegr & Teleph Corp <Ntt> | Power generation prediction method for photovoltaic power generation system, device, and program |
-
2010
- 2010-06-17 JP JP2012520221A patent/JP5723362B2/en active Active
- 2010-06-17 WO PCT/JP2010/060291 patent/WO2011158363A1/en active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2011158363A1 (en) | 2011-12-22 |
| JP5723362B2 (en) | 2015-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5723362B2 (en) | Solar radiation intensity prediction system and photovoltaic power generation output prediction system | |
| US10302066B2 (en) | Reducing curtailment of wind power generation | |
| US10598157B2 (en) | Reducing curtailment of wind power generation | |
| Zjavka | Wind speed forecast correction models using polynomial neural networks | |
| JP2016136001A (en) | Prediction device | |
| CN103718129A (en) | Method and device for determining the power output by a photovoltaic installation | |
| US10770898B2 (en) | Methods and systems for energy use normalization and forecasting | |
| CN108196317B (en) | Meteorological prediction method for micro-grid system | |
| CN110851790A (en) | Ocean current dynamic optimization forecasting model based on deep learning algorithm | |
| JP5989732B2 (en) | Power generation amount prediction device, power generation amount prediction method, and program | |
| CN110737876B (en) | Regional power grid photovoltaic power prediction optimization method and device | |
| US20210165130A1 (en) | Predicting sun light irradiation intensity with neural network operations | |
| KR20190121460A (en) | A Method for Forecasting Fog Occurrence Using Neural Network | |
| Maciel et al. | Daily water flow forecasting via coupling between SMAP and deep learning | |
| CN103971167A (en) | Method and system for predicting generated power of photovoltaic power generation equipment | |
| CN114841395A (en) | Real-time power prediction system and method based on regional building types | |
| CN117526274A (en) | New energy power prediction method, electronic equipment and storage medium in extreme climate | |
| Kurtgoz et al. | Comparison of ann, regression analysis, and anfis models in estimation of global solar radiation for different climatological locations | |
| JP2020028195A (en) | Photovoltaic power generation system distribution estimation device, photovoltaic power generation system distribution estimation method, photovoltaic power generation system distribution estimation program, and photovoltaic power generation output prediction device | |
| Pai et al. | Long range forecast on south west monsoon rainfall using artificial neural networks based on clustering approach | |
| JP2021182319A (en) | Prediction apparatus and prediction method | |
| CN114970222B (en) | HASM-based regional climate mode daily average air temperature deviation correction method and system | |
| Hammer et al. | Satellite based short-term forecasting of solar irradiance—comparison of methods and error analysis | |
| Naveen et al. | A novel weather parameters prediction scheme and their effects on crops. | |
| CN116843193B (en) | Manual heat flux estimation method and system based on flux observation data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140204 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140404 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140909 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20141104 |
|
| 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: 20150317 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150327 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5723362 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |