特開 2023-107068 風力発電量予測システム、風力発電量予測方法、およびプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023107068

(43)【公開日】2023-08-02

(54)【発明の名称】風力発電量予測システム、風力発電量予測方法、およびプログラム

(51)【国際特許分類】

   H02J 3/00 20060101AFI20230726BHJP

   H02J 3/38 20060101ALI20230726BHJP

   G01W 1/10 20060101ALI20230726BHJP

   G01W 1/00 20060101ALI20230726BHJP

【ＦＩ】

H02J3/00 170

H02J3/38 160

G01W1/10 Z

G01W1/00 Z

【審査請求】未請求

【請求項の数】11

【出願形態】ＯＬ

(21)【出願番号】P 2022008164

(22)【出願日】2022-01-21

(71)【出願人】

【識別番号】000003078

【氏名又は名称】株式会社東芝

(71)【出願人】

【識別番号】317015294

【氏名又は名称】東芝エネルギーシステムズ株式会社

(74)【代理人】

【識別番号】100091487

【弁理士】

【氏名又は名称】中村 行孝

(74)【代理人】

【識別番号】100120031

【弁理士】

【氏名又は名称】宮嶋 学

(74)【代理人】

【識別番号】100107582

【弁理士】

【氏名又は名称】関根 毅

(74)【代理人】

【識別番号】100124372

【弁理士】

【氏名又は名称】山ノ井 傑

(74)【代理人】

【識別番号】100217940

【弁理士】

【氏名又は名称】三並 大悟

(72)【発明者】

【氏名】白 志仁

(72)【発明者】

【氏名】谷山 賀浩

(72)【発明者】

【氏名】深谷 侑輝

【テーマコード（参考）】

5G066

【Ｆターム（参考）】

5G066AA03

5G066AE03

5G066AE09

5G066HB02

(57)【要約】

【課題】短期間の風力発電量の予測精度を向上させることが可能な風力発電量予測システムを提供する。
【解決手段】一実施形態に係る風力発電量予測システムは、風力発電量の予測対象ウィンドファームの風況を計測する風況観測部と、予測対象ウィンドファーム内における風車の設置位置で計測される計測データを記録するウィンドファーム監視制御部と、予測対象ウィンドファームを含むエリアにおける気象予測データを取得する気象予測データ取得部、と、風況の計測結果を示す風況観測データ、計測データ、および気象予測データの解析結果を示す気象解析データを格納する記憶部と、記憶部に格納されたデータを用いて、風力発電量の予測期間を含む第１期間の風況と、予測期間を含み第１期間よりも短い第２期間の風況とをそれぞれ予測し、第１期間および第２期間の風況予測結果に基づいて風力発電量を予測する予測部と、を備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

風力発電量の予測対象ウィンドファームの風況を計測する風況観測部と、
前記予測対象ウィンドファーム内における風車の設置位置で計測される計測データを記録するウィンドファーム監視制御部と、
前記予測対象ウィンドファームを含むエリアにおける気象予測データを取得する気象予測データ取得部と、
前記風況の計測結果を示す風況観測データ、前記計測データ、および前記気象予測データの解析結果を示す気象解析データを格納する記憶部と、
前記記憶部に格納されたデータを用いて、前記風力発電量の予測期間を含む第１期間の風況と、前記予測期間を含み前記第１期間よりも短い第２期間の風況とをそれぞれ予測し、前記第１期間および前記第２期間の風況予測結果に基づいて前記風力発電量を予測する予測部と、
を備える、風力発電量予測システム。

【請求項2】

前記予測部は、前記第１期間の風況予測結果を用いて前記第２期間の風況を予測する、請求項１に記載の風力発電量予測システム。

【請求項3】

前記予測部は、前記第２期間の風況を予測する短期間予測部を含み、
前記短期間予測部は、
前記記憶部から読み出した風況観測データまたは計測データを処理して機械学習用の教師データを作成する短期間データ前処理部と、
前記教師データを用いた機械学習に基づいて短期間予測モデルを作成する短期間風況学習部と、
前記短期間予測モデルを用いた演算処理によって前記第２期間の風況を算出する短期間演算部と、を有する、請求項１または２に記載の風力発電量予測システム。

【請求項4】

前記短期間演算部は、リカレントニューラルネットワーク内で前記短期間予測モデルに基づく演算処理を行う、請求項３に記載の風力発電量予測システム。

【請求項5】

前記予測部は、前記第１期間の風況を予測する長期間予測部を含み、
前記長期間予測部は、
前記記憶部から読み出した計測データおよび気象解析データを処理して機械学習用の教師データを作成する長期間データ前処理部と、
前記教師データを用いた機械学習に基づいて長期間予測モデルを作成する長期間風況学習部と、
前記長期間予測モデルを用いた演算処理によって前記第１期間の風況を算出する長期間演算部と、を有する、請求項１から４のいずれか１項に記載の風力発電量予測システム。

【請求項6】

前記予測部は、前記風力発電量を予測する発電量予測部を含み、
前記発電量予測部は、
前記記憶部から読み出した計測データを処理して機械学習用の教師データを作成する発電機データ前処理部と、
前記教師データを用いた機械学習に基づいて発電機モデルを作成する発電量学習部と、
前記発電機モデルを用いた演算処理によって前記風力発電量を算出する発電量演算部と、を有する、請求項１から５のいずれか１項に記載の風力発電量予測システム。

【請求項7】

前記発電量演算部は、ニューラルネットワーク内で前記発電機モデルに基づく演算処理を行う、請求項６に記載の風力発電量予測システム。

【請求項8】

前記気象予測データ取得部から取得した前記気象予測データを解析して前記気象解析データを出力する気象予測データ解析部をさらに備え、
前記気象予測データ解析部は、要求される予測精度に応じて、前記気象予測データの時間解像度および空間解像度を調整して前記気象解析データを出力する、請求項１から７のいずれか１項に記載の風力発電量予測システム。

【請求項9】

前記予測対象ウィンドファーム内には、風上側に配置された上流風車と、風下側に配置された後流風車とが設置され、
前記予測部は、前記上流風車によって発生する前記後流風車の風速減速が前記後流風車の発電量に与える影響を算出するためのウェイクモデルを用いて前記後流風車の風速を補正する風速補正部を含む、請求項１から８のいずれか１項に記載の風力発電量予測システム。

【請求項10】

風力発電量の予測対象ウィンドファームの風況を計測し、
前記予測対象ウィンドファーム内における風車の設置位置で計測される計測データを記録し、
前記予測対象ウィンドファームを含むエリアにおける気象予測データを取得し、
前記風況の計測結果を示す風況観測データ、前記計測データ、および前記気象予測データの解析結果を示す気象解析データ、を記憶部に格納し、
前記記憶部に格納されたデータを用いて、前記風力発電量の予測期間を含む第１期間の風況と、前記予測期間を含み前記第１期間よりも短い第２期間の風況とをそれぞれ予測し、
前記第１期間および前記第２期間の風況予測結果に基づいて前記風力発電量を予測する、
風力発電量予測方法。

【請求項11】

風力発電量の予測対象ウィンドファームの風況を計測し、
前記予測対象ウィンドファーム内における風車の設置位置で計測される計測データを記録し、
前記予測対象ウィンドファームを含むエリアにおける気象予測データを取得し、
前記風況の計測結果を示す風況観測データ、前記計測データ、および前記気象予測データの解析結果を示す気象解析データ、を記憶部に格納し、
前記記憶部に格納されたデータを用いて、前記風力発電量の予測期間を含む第１期間の風況と、前記予測期間を含み前記第１期間よりも短い第２期間の風況とをそれぞれ予測し、
前記第１期間および前記第２期間の風況予測結果に基づいて前記風力発電量を予測する、処理をコンピュータに実行させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、風力発電量予測システム、風力発電量予測方法、およびプログラムに関する。

【背景技術】

【0002】

従来、風況等の気象予測データを用いて気象を予測するシステムが知られている。このシステムで計算された気象予測データは、気象の影響を受ける様々な場面で使用することができる。例えば風力発電所の発電量を予測する場面で、気象予測データを使用することができる。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特許第６３２６５５０号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

電力の小売の全面自由化に伴い、風力発電など再生可能エネルギーを取り扱う発電事業者や小売事業者は、その発電量の予測精度を高めることが、事業成立性にも系統安定化にも重要である。

【0005】

しかし、風力発電量の予測に利用されているＷＲＦモデル（Weather Research and Forecasting model）等の気象予測モデルは、一般的に長期間の風速等を予測するモデルである。そのため、短期間の電力販売には不向きであり、発電計画の修正を頻繁に行う必要が生じ得る。

【0006】

そこで、本発明が解決しようとする課題は、短期間の風力発電量の予測精度を向上させることが可能な風力発電量予測システム、風力発電量予測方法、およびプログラムを提供することである。

【課題を解決するための手段】

【0007】

一実施形態に係る風力発電量予測システムは、風力発電量の予測対象ウィンドファームの風況を計測する風況観測部と、予測対象ウィンドファーム内における風車の設置位置で計測される計測データを記録するウィンドファーム監視制御部と、予測対象ウィンドファームを含むエリアにおける気象予測データを取得する気象予測データ取得部、と、風況の計測結果を示す風況観測データ、計測データ、および気象予測データの解析結果を示す気象解析データを格納する記憶部と、記憶部に格納されたデータを用いて、風力発電量の予測期間を含む第１期間の風況と、予測期間を含み第１期間よりも短い第２期間の風況とをそれぞれ予測し、第１期間および第２期間の風況予測結果に基づいて風力発電量を予測する予測部と、を備える。

【発明の効果】

【0008】

本実施形態によれば、短期間の風力発電量の予測精度を向上させることが可能となる。

【図面の簡単な説明】

【0009】

【図1】一実施形態に係る風力発電量予測システムの構成を示すブロック図である。

【図2】風況観測データベースの構造の一例を示す図である。

【図3】ＳＣＡＤＡデータベースの構造の一例を示す図である。

【図4】気象解析データベースの構造の一部を示す図である。

【図5】予測部の構成を示すブロック図である。

【図6】風力発電量予測システムの風力発電量予測に関する動作手順を示すフローチャートである。

【図7】（ａ）は気象予報データの空間解像度を模式的に示す図であり、（ｂ）は気象予報データの一例であり、（ｃ）は気象解析データの空間解像度を模式的に示す図であり、（ｄ）は気象解析データの一例である。

【図8】長期間予測部の長期間予測方法の一例を説明するための模式図である。

【図9】短期間予測部の短期間予測方法の一例を説明するための模式図である。

【図10】発電量予測部の発電量予測方法の一例を説明するための模式図である。

【図11】第１変形例に係る予測部の構成を示すブロック図である。

【図12】第１変形例における風速の予測結果と実測結果の比較の一例を示すグラフである。

【図13】第２変形例に係る予測部の構成を示すブロック図である。

【図14】第２変形例におけるウィンドファームの風車の配置を模式的に示す図である。

【図15】第２変形例における上流風車と後流風車の風速変化の一例を示す図である。

【発明を実施するための形態】

【0010】

以下、図面を参照して本発明の実施形態を説明する。下記の実施形態は、本発明を限定するものではない。

【0011】

図１は、一実施形態に係る風力発電量予測システムの構成を示すブロック図である。図１に示す風力発電量予測システム１は、風況観測部１００、ウィンドファーム監視制御部２００、気象予測データ取得部３００、データ解析処理部５００、記憶部６００、および予測部７００を備える。風力発電量予測システム１では、風況観測部１００、ウィンドファーム監視制御部２００、および気象予測データ取得部３００は、通信ネットワーク４００を介してデータ解析処理部５００にそれぞれ接続される。

【0012】

また、風力発電量予測システム１では、データ解析処理部５００、記憶部６００、および予測部７００が独立した装置として設けられていてもよいし、各部が１つのサーバー装置内に設けられていてもよい。また、データ解析処理部５００および予測部７００がこのサーバ装置内に設けられ、記憶部６００がサーバ装置から独立した装置として設けられていてもよい。

【0013】

風況観測部１００は、計測部１１０および計測制御部１２０を含む。計測部１１０は、例えばＳｃａｎｎｉｎｇ ＬｉＤＡＲ（Light Detection And Ranging）によって風況計測を行う。ＬｉＤＡＲは、レーザー光を大気中に放射して大気からの散乱光を受信して、そのドップラー周波数から風速と風向を観測する計測器である。この風況計測は、Ｓｃａｎｎｉｎｇ ＬｉＤＡＲである必要はなく、観測マストや鉛直ＬｉＤＡＲなど、上空風況を計測する手段であればよい。計測部１１０は、風力発電量の予測対象ウィンドファームやその周辺エリア内の任意位置に少なくとも１台以上設置される。

【0014】

計測制御部１２０は、計測部１１０の計測条件を設定する。計測条件には、例えば、計測範囲、計測位置、計測周波数などが含まれる。計測条件は、例えばデータ解析処理部５００の通信部５１０を介して、遠隔で変更操作ができることが望ましいが、必ずしもその限りではない。また、計測制御部１２０は、計測部１１０の計測データから風向情報を抽出し、ウィンドファーム内で上流（風上）側に位置する風車、またはその前方位置での風況を計測するように、計測部１１０の計測位置を変化させてもよい。

【0015】

ウィンドファーム監視制御部２００は、ウィンドファームに設置された風車毎のＳＣＡＤＡ（Supervisory Control and Data Acquisition）データを取得する。ＳＣＡＤＡデータには、風車の設置位置における風速、風向、および当該風車の発電量等の計測データが含まれる。

【0016】

気象予測データ取得部３００は、例えば、気象庁が配信する気象予測データである気象予報ＧＰＶ（Grid Point Value）データを取得する。気象予報ＧＰＶデータは、地図上に予め設定された格子点におけるスーパーコンピュータで計算した過去、未来の気象予測データである。なお、気象予測データ取得部３００で取得される気象予測データは、必ずしも１種類である必要はない。

【0017】

データ解析処理部５００は、通信部５１０と、データ処理部５２０と、気象予測データ解析部５３０と、を有する。以下、データ解析処理部５００の各部について説明する。

【0018】

通信部５１０は、通信ネットワーク４００を介して風況観測部１００、ウィンドファーム監視制御部２００、および気象予測データ取得部３００とデータ通信を行う際に通信インターフェースとして機能する。さらに、通信部５１０は、風況観測部１００およびウィンドファーム監視制御部２００から取得したデータをデータ処理部５２０へ転送するとともに、気象予測データ取得部３００から取得した気象予測データを気象予測データ解析部５３０へ転送する。

【0019】

データ処理部５２０は、風況観測部１００で計測された風況観測データの１次処理を行う。風況観測データの１次処理には、例えば、風況観測部１００で計測された視線風速に対してベクトル合成、ベクトル平均などの処理を実施し、計測位置における水平方向および鉛直方向における風速、風向、乱流強度、風向標準偏差などを算出することが含まれる。

【0020】

また、データ処理部５２０は、ウィンドファーム監視制御部２００で計測されたＳＣＡＤＡデータの１次処理も行う。ＳＣＡＤＡデータの１次処理には、例えば、風車の運転状況を参照してＳＣＡＤＡデータの分類と、風向情報を参照し、ウィンドファーム内で上流側に位置する風車の風速と後流側に位置する風車の風速との風速比などを算出することが含まれる。

【0021】

気象予測データ解析部５３０は、気象予測データ取得部３００より取得した気象予測データの時間解像度および空間解像度を調整した解析結果を示す気象解析データを出力する機能を有する。気象予測データ解析部５３０が、例えば、数値気象モデルなどのＷＲＦ解析モデルを用いてネスティングを実施することによって、気象解析データの空間解像度および時間解像度を気象予測データよりも高めることができる。

【0022】

記憶部６００は、風況観測データベース６１０と、ＳＣＡＤＡデータベース６２０と、気象解析データベース６３０と、を有する。以下、各データベースについて説明する。

【0023】

図２は、風況観測データベース６１０の構造の一例を示す図である。風況観測データベース６１０は、データ処理部５２０が風況観測データを１次処理した結果を格納する。図２に示す風況観測データベース６１０は、風況観測部１００が計測した時刻と、計測地点の緯度、経度、および高度と、水平風速と、水平風向と、乱流強度等を格納する。

【0024】

図３は、ＳＣＡＤＡデータベース６２０の構造の一例を示す図である。ＳＣＡＤＡデータベース６２０は、データ処理部５２０がＳＣＡＤＡデータを１次処理した結果を格納する。図３に示すＳＣＡＤＡデータベース６２０は、ウィンドファーム監視制御部２００が計測した時刻と、監視対象の風車番号と、水平風速と、水平風向と、発電量等の風車に関する各種データと、データ処理部５２０で算出したウェイク状態および流入風風速比等を格納する。

【0025】

図４は、気象解析データベース６３０の構造の一部を示す図である。気象解析データベース６３０は、気象予測データ解析部５３０が気象予測データを解析した結果を示す気象解析データを格納する。図４に示す気象解析データベース６３０は、気象予測データに示された予測時刻と、解析地点と、解析地点の高度と、各高度の南北風、東西風、気圧等を格納する。

【0026】

図５は、予測部７００の構成を示すブロック図である。予測部７００は、短期間予測部７１０と、長期間予測部７２０と、発電量予測部７３０と、結果表示部７４０と、を有する。以下、予測部７００の各部について説明する。

【0027】

短期間予測部７１０は、風況観測データベース６１０またはＳＣＡＤＡデータベース６２０に格納されているデータに基づいて作成した短期間予測モデルを用いて、未来における短期間風速を予測する機能を有する。具体的には、短期間予測部７１０は、短期間データ前処理部７１１と、短期間風況学習部７１２と、短期間演算部７１３と、を有する。

【0028】

短期間データ前処理部７１１は、風況観測データベース６１０から読み出した風況観測データまたはＳＣＡＤＡデータベース６２０から読み出したＳＣＡＤＡデータを処理して、機械学習用の教師データを作成する。短期間風況学習部７１２は、短期間データ前処理部７１１の教師データを機械学習して短期間予測モデルを作成する。短期間演算部７１３は、風況観測データベース６１０から読み出した最新の風況観測データまたはＳＣＡＤＡデータベース６２０から読み出した最新のＳＣＡＤＡデータを、上記短期間予測モデルを用いて演算処理する。これにより、風力発電量の予測期間を含む短期間の予測風速が算出される。

【0029】

長期間予測部７２０は、ＳＣＡＤＡデータベース６２０に格納されているＳＣＡＤＡデータおよび気象解析データベース６３０に格納されている気象解析データに基づいて作成した長期間予測モデルを用いて、気象解析データを補正する機能を有する。具体的には、長期間予測部７２０は、長期間データ前処理部７２１と、長期間風況学習部７２２と、長期間演算部７２３と、を有する。

【0030】

長期間データ前処理部７２１は、ＳＣＡＤＡデータベース６２０から読み出したＳＣＡＤＡデータおよび気象解析データベース６３０から読み出した気象解析データを処理して、機械学習用の教師データを作成する。長期間風況学習部７２２は、長期間データ前処理部７２１の教師データを機械学習して長期間予測モデルを作成する。長期間演算部７２３は、気象解析データベース６３０から読み出した最新の気象解析データを、上記長期間予測モデルを用いて演算処理する。これにより、風力発電量の予測期間を含む長期間の気象解析データの補正データが算出される。

【0031】

発電量予測部７３０は、ＳＣＡＤＡデータベース６２０に格納されているＳＣＡＤＡデータに基づいて作成した発電機モデルを用いて、風力発電量を予測する機能を有する。具体的には、発電量予測部７３０は、発電機データ前処理部７３１と、発電量学習部７３２と、発電量演算部７３３と、を有する。

【0032】

発電機データ前処理部７３１は、ＳＣＡＤＡデータベース６２０から読み出したＳＣＡＤＡデータを処理して、機械学習用の教師データを作成する。発電量学習部７３２は、発電機データ前処理部７３１で作成された教師データをニューラルネットワークＮＮ２内で用いて風力発電量を予測するための発電機モデルを作成する。発電量演算部７３３は、短期間予測部７１０で算出された短期間予測風速と、長期間予測部７２０で算出された補正データとを、発電量学習部７３２で作成された発電機モデルを用いて演算処理する。これにより、予測期間の風力発電量が算出される。

【0033】

結果表示部７４０は、発電量予測部７３０で算出された風力発電量等の種々の画像を表示する。結果表示部７４０は、例えば液晶ディスプレイ等の表示デバイスを有する。なお、本実施形態では、結果表示部７４０は、予測部７００の一部として構成されているが、予測部７００から独立した構成であってもよい。

【0034】

次に、図６を参照して、本実施形態に係る風力発電量予測システム１を用いた風力発電量予測方法を説明する。図６は、本実施形態に係る風力発電量予測システム１の風力発電量予測に関する動作手順を示すフローチャートである。このフローチャートのステップに沿って行われる動作は、各ステップを処理するプログラムをコンピュータに実行させることによっても実現することができる。このプログラムは、ソフトウェアとして記録媒体に記録することも可能である。

【0035】

図６に示すフローチャートでは、まず、データ解析処理部５００において、通信部５１０が、通信ネットワーク４００を介して、風況観測部１００から風況観測データ、ウィンドファーム監視制御部２００からＳＣＡＤＡデータ、気象予測データ取得部３００から気象予測データをそれぞれ取得する（ステップＳ１１）。

【0036】

次に、データ解析処理部５００において、データ処理部５２０が、風況観測データおよびＳＣＡＤＡデータの１次処理を行うとともに、気象予測データ解析部５３０が気象予測データを解析する（ステップＳ１２）。ここで、図７（ａ）～図７（ｄ）を参照して気象予測データ解析部５３０の気象解析方法の一例を説明する。

【0037】

図７（ａ）は気象予報データの空間解像度を模式的に示す図であり、図７（ｂ）は気象予報データの一例である。図７（ｃ）は気象解析データの空間解像度を模式的に示す図であり、図７（ｄ）は気象解析データの一例である。

【0038】

気象予測データ解析部５３０の解析対象となる気象予測データは、図７（ａ）に示すように、風力発電量の予測対象ウィンドファームの設置エリアおよびその周辺エリアを含む解析対象エリアを格子状に区切ったときの格子単位で作成されている。なお、図７（ａ）に示す予測対象ウィンドファームは、洋上ウィンドファームであるが、陸上ウィンドファームであってもよい。

【0039】

図７（ｂ）は、図７（ａ）に示す格子地点Ａの気象予報データを示す。この気象予報データには、例えば、格子地点Ａにおける南北風速、東西風速、気温、および気温の経時的な変化が示されている。なお、図７（ｂ）には、格子地点Ａにおける１つの高度の気象予報データが図示されているが、格子地点Ａの気象予報データは、予め段階的に設定された複数の高度別に作成されている。また、解析対象のデータには、格子地点Ａの気象予測データだけでなく、他の格子地点の気象予測データも含まれる。

【0040】

気象予測データ解析部５３０は、図７（ｃ）に示すように、要求される予測予測精度に応じて気象予報データよりも小さな格子状に解析対象エリアを区切る。これにより空間解像度が気象予報データよりも高くなる。気象予測データ解析部５３０は、気象予報データを入力データとして数値気象モデルなどのＷＲＦ解析モデルを用いてネスティングを実施することによって、格子地点ごとに気象解析データを作成する。

【0041】

図７（ｄ）は、格子地点ａにおける１つの高度の気象解析データを示す。この気象解析データには、例えば、格子地点ａにおける南北風速、東西風速、気温、および気温の経時的な変化が示されている。このとき、気象予報データが１時間単位で経時的な変化を示しているのに対して、気象解析データは１０分単位で経時的な変化を示す。そのため、気象解析データの時間解像度も、気象予報データより高くなる。なお、図７（ｄ）には、格子地点ａにおける１つの高度の気象解析データが図示されているが、格子地点ａの気象解析データは、気象予測データと同じく複数の高度別に作成されている。また、気象解析データには、格子地点ａだけでなく、他の格子地点のデータも含まれる。

【0042】

上記のように、気象予測データ解析部５３０によって作成された気象解析データは、気象解析データベース６３０に格納される（ステップＳ１３）。また、ステップＳ１３では、データ処理部５２０によって１次処理された風況観測データおよびＳＣＡＤＡデータが風況観測データベース６１０およびＳＣＡＤＡデータベース６２０にそれぞれ格納される。

【0043】

次に、予測部７００の長期間予測部７２０が、風速の長期間予測を行う（ステップＳ１４）。ここで、図８を参照して、ステップＳ１４の動作について説明する。

【0044】

図８は、長期間予測部７２０の長期間予測方法の一例を説明するための模式図である。ステップＳ１４では、まず、長期間予測部７２０の長期間データ前処理部７２１が、ＳＣＡＤＡデータベース６２０から過去のＳＣＡＤＡデータを読み出すとともに、気象解析データベース６３０から過去の気象解析データを読み出す。長期間データ前処理部７２１によって読み出される過去のＳＣＡＤＡデータおよび過去の気象解析データには、例えば、風力発電量の予測時刻と同時刻の過去データが含まれている。続いて、長期間データ前処理部７２１は、読み出したＳＣＡＤＡデータおよび気象解析データを処理して機械学習用の教師データを作成する。

【0045】

次に、長期間風況学習部７２２が、長期間データ前処理部７２１で作成された教師データを用いた機械学習に基づいて長期間予測モデルを作成する。本実施形態では、この長期間予測モデルは、ニューラルネットワークＮＮ１で用いることができる数式モデルである。

【0046】

最後に、長期間演算部７２３が、気象解析データベース６３０から、最新の気象解析データを読み出す。続いて、長期間演算部７２３は、読み出した気象解析データを入力データとして上記長期間予測モデルで演算処理する。その結果、気象解析データの補正データが算出される。この補正データは、風力発電の予測対象となる風車の設置地点における風速補正データである。

【0047】

上記風速補正データは、過去のデータを教師データとする機械学習によって生成された長期間予測モデルを用いて算出されている。そのため、図８に示すように、風速の実測データに対する誤差について、風速補正データは、気象解析データよりも小さくなる。なお、補正データの算出方法は、上記の方法に限定されない。

【0048】

上述したように長期間予測部７２０の長期間予測が終了すると、次に、予測部７００の短期間予測部７１０が、風速の短期間予測を行う（ステップＳ１５）。ここで、図９を参照して、ステップＳ１５の動作について説明する。

【0049】

図９は、短期間予測部７１０の短期間予測方法の一例を説明するための模式図である。ステップＳ１５では、まず、短期間予測部７１０の短期間データ前処理部７１１が、ＳＣＡＤＡデータベース６２０から過去のＳＣＡＤＡデータを読み出すか、または風況観測データベース６１０から過去の風況観測データを読み出す。短期間データ前処理部７１１によって読み出される過去のＳＣＡＤＡデータまたは過去の風況観測データには、例えば、風力発電量の予測時刻と同時刻の過去データが含まれている。

【0050】

なお、短期間データ前処理部７１１がＳＣＡＤＡデータと風況観測データのどちらを読み出すかは、後述する短期間予測モデルの内容に応じて予め決定されている。ＳＣＡＤＡデータには無くて風況観測データにはある計測項目、例えば風速標準偏差が短期間予測モデルの作成に必要な場合には、短期間データ前処理部７１１は風況観測データを読み出す。この場合、短期間データ前処理部７１１は、読み出した風況観測データデータを処理して機械学習用の教師データを作成する。なお、短期間データ前処理部７１１は、ＳＣＡＤＡデータを読み出した場合には、このＳＣＡＤＡデータを処理して機械学習用の教師データを作成する。

【0051】

次に、短期間風況学習部７１２が、短期間データ前処理部７１１で作成された教師データを用いた機械学習に基づいて短期間予測モデルを作成する。本実施形態では、この短期間予測モデルは、リカレントニューラルネットワークＲＮＮ１で用いることができる数式モデルである。

【0052】

最後に、短期間演算部７１３が、ＳＣＡＤＡデータベース６２０から最新のＳＣＡＤＡデータを読み出すか、または風況観測データベース６１０から最新の風況観測データを読み出す。続いて、短期間演算部７１３は、読み出したＳＣＡＤＡデータまたは風況観測データを入力データとして上記短期間予測モデルで演算処理する。その結果、短期間予測風速が算出される。入力データがＳＣＡＤＡデータである場合には、この短期間予測風速は、風力発電量の予測対象となる風車の設置地点における風速データである。一方、入力データが風況観測データである場合には、この短期間予測風速は、風力発電量の予測対象エリア内の風況観測地点における風速データである。

【0053】

上記短期間予測風速は、過去の実測データを教師データとする機械学習によって生成された短期間予測モデルを用いて算出されている。つまり、短期間予測モデルは、予測データを用いずに実測データのみで作成されている。そのため、風力発電量の予測地点における短期間の風速を高精度に算出することができる。なお、短期間予測風速の算出方法は、上記の方法に限定されない。

【0054】

上述したように短期間予測部７１０の短期間予測が終了すると、次に、予測部７００の発電量予測部７３０が、風力発電量の予測を行う（ステップＳ１６）。ここで、図１０を参照して、ステップＳ１６の動作について説明する。

【0055】

図１０は、発電量予測部７３０の発電量予測方法の一例を説明するための模式図である。ステップＳ１５では、まず、発電量予測部７３０の発電機データ前処理部７３１が、ＳＣＡＤＡデータベース６２０から過去のＳＣＡＤＡデータを読み出す。発電機データ前処理部７３１によって読み出される過去のＳＣＡＤＡデータには、例えば、風力発電量の予測時刻と同時刻の過去データが含まれている。続いて、発電機データ前処理部７３１は、読み出したＳＣＡＤＡデータを処理して機械学習用の教師データを作成する。

【0056】

次に、発電量学習部７３２が、発電機データ前処理部７３１で作成された教師データを用いた機械学習に基づいて発電機モデルを作成する。本実施形態では、この発電機モデルは、ニューラルネットワークＮＮ２で用いることができる数式モデルである。

【0057】

最後に、発電量演算部７３３が、短期間予測部７１０によって算出された短期間予測風速および長期間予測部７２０によって算出された補正データを入力データとして上記発電機モデルで演算処理する。その結果、予測発電量が算出される。この予測発電量は、例えば図１０に示すように、ＳＣＡＤＡデータに基づいて風速と発電量との関係を示すグラフとして結果表示部７４０に表示される。

【0058】

ウィンドファームにおいて、風力発電量は風速に依存する。風速は、数時間単位の長周期で変化するだけでなく、数秒単位の短周期で変化する場合もある。そのため、短期の風力発電量を予測する場合、短期の風速予測のみに風力発電量を予測しても、精度が不十分になる。

【0059】

そこで、本実施形態では、長期間予測部７２０が風力発電量の予測期間を含む長期（第１期間）の風況を予測するとともに、短期間予測部７１０が上記予測期間を含む短期（第２期間）の風況を予測する。さらに、発電量演算部７３３は、長期間予測部７２０の予測結果と短期間予測部７１０の予測結果とを用いて上記予測期間の風力発電量を算出している。このように、短期間の予測風速だけでなく長期間の予測風速も用いて風力発電量を予測することによって、短期間の風力発電量を高精度に予測することが可能となる。

【0060】

（第１変形例）
図１１は、第１変形例に係る予測部７００の構成を示すブロック図である。図１１では、上述した実施形態と同じ構成要素には、同じ符号を付し、詳細な説明を両略する。

【0061】

本変形例では、短期間予測部７１０は、長期間予測部７２０の予測結果である補正データを用いて短期間予測風速を算出する。ここで、図１２を参照して、本変形例に係る短期間風速予測方法について説明する。

【0062】

図１２は、風速の予測結果と実測結果の比較の一例を示すグラフである。図１２においおて、横軸は時刻を示し、縦軸は風速を示す。また、実線は短期間予測部７１０の予測結果を示し、破線は長期間予測部７２０の予測結果を示し、点線は実測結果を示す。図１２では、時刻ｔ０において、長期間予測部７２０で予測された風速が、大きく変化する。このときの風速の変化量が予め設定された基準値を超えると、短期間予測部７１０は、長期間予測部７２０の予測結果を用いて短期間予測風速を算出する。具体的には、短期間予測部７１０の短期間風況学習部７１２が、短期間予測モデルを作成する際に、長期間予測部７２０の予測結果に応じて短期間予測モデルの重み付け係数を設定する。

【0063】

上記のように短期間風況学習部７１２が短期間予測モデルを作成すると、短期間演算部７１３が、その短期間予測モデルを用いた演算処理を行って、短期間予測風速を算出する。その後、発電量予測部７３０が、短期間予測風速に基づいて風力発電量を予測する。最後に、結果表示部７４０が、発電量予測部７３０の予測結果を表示する。

【0064】

以上説明した本変形例によれば、長期間予測部７２０の予測結果を短期間予測部７１０の予測結果に反映させて風力発電量を予測している。そのため、本変形例においても、風力発電量は、長期間予測部７２０の予測結果と短期間予測部７１０の予測結果とを用いて予測されている。よって、短期間の風力発電量を高精度に予測することが可能となる。

【0065】

（第２変形例）
図１３は、第２変形例に係る予測部７００の構成を示すブロック図である。図１３では、上述した実施形態と同じ構成要素には、同じ符号を付し、詳細な説明を両略する。

【0066】

本変形例では、予測部７００は、風速補正部７５０をさらに有する。風速補正部７５０は、ウェイクモデルを用いてウィンドファーム内の後流風車の風速を補正する。ここで図１４および図１５を参照してウェイクモデルについて説明する。

【0067】

図１４は、ウィンドファームの風車の配置を模式的に示す図である。また、図１５は、上流風車と後流風車の風速変化の一例を示す図である。

【0068】

図１４に示すように、例えば、風向きが、図面上で左方向から右方向に向かう西向きである場合、上流風車は西寄りの風上側に配置された風車であり、後流風車は東寄りの風下側に配置された風車である。この場合、図１５に示すように、時刻ｔ１から時刻ｔ２までの時間帯では、後流風車の風速が、上流風車の影響を受けて減速し、時刻ｔ２から時刻ｔ３までの時間帯では、後流風車の風速が上流風車の風速とほぼ等しくなる。

【0069】

上流風車によって発生する後流風車の風速減速は、後流風車の発電量に影響する。ウェイクモデルは、上流風車によって発生する後流風車の風速減速が後流風車の発電量に与える影響度を算出するための数式モデルである。風速補正部７５０は、短期間予測部７１０と長期間予測部７２０の各々において予測された風況に含まれる風向データを用いて、ウィンドファーム内の風車設置位置、および位置関係から上流風車による風速減速の影響を受ける後流風車を特定する。続いて、風速補正部７５０は、ウェイクモデルを用いて後流風車の風速を補正する。

【0070】

したがって、本変形例によれば、短期間予測部７１０と長期間予測部７２０にてそれぞれ予測された上流風車の風速から、後流風車の風速を補正することができるため、風速予測精度が向上する。そのため、補正された後流風車の風速に基づいて予測される風力発電量の予測精度も向上する。

【0071】

以上、実施形態および変形例を説明したが、この実施形態および変形例は、例としてのみ提示したものであり、発明の範囲を限定することを意図したものではない。本明細書で説明した新規なシステムは、その他の様々な形態で実施することができる。また、本明細書で説明したシステムの形態に対し、発明の要旨を逸脱しない範囲内で、種々の省略、置換、変更を行うことができる。添付の特許請求の範囲およびこれに均等な範囲は、発明の範囲や要旨に含まれるこのような形態や変形例を含むように意図されている。

【符号の説明】

【0072】

１：風力発電量予測システム
１００：風況観測部
２００：ウィンドファーム監視制御部
３００：気象予測データ取得部
５３０：気象予測データ解析部
６００：記憶部
７００：予測部
７１０：短期間予測部
７１１：短期間データ前処理部
７１２：短期間風況学習部
７１３：短期間演算部
７２０：長期間予測部
７２１：長期間データ前処理部
７２２：長期間風況学習部
７２３：長期間演算部
７３０：発電量予測部
７３１：発電機データ前処理部
７３２：発電量学習部
７３３：発電量演算部
７５０：風速補正部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】