(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】P2023085635
(43)【公開日】2023-06-21
(54)【発明の名称】風況推定装置及び風況推定方法
(51)【国際特許分類】
G06Q 10/04 20230101AFI20230614BHJP
【ＦＩ】
G06Q10/04
【審査請求】有
【請求項の数】9
【出願形態】ＯＬ
(21)【出願番号】P 2021199760
(22)【出願日】2021-12-09
(11)【特許番号】
(45)【特許公報発行日】2022-08-08
(71)【出願人】
【識別番号】000233044
【氏名又は名称】株式会社日立パワーソリューションズ
(74)【代理人】
【識別番号】110001807
【氏名又は名称】弁理士法人磯野国際特許商標事務所
(72)【発明者】
【氏名】紺谷 怜央
(72)【発明者】
【氏名】田中 和英
【テーマコード（参考）】
5L049
【Ｆターム（参考）】
5L049AA04
(57)【要約】
【課題】非観測期間における風況を不確かさも含めて推定する風況推定装置を提供する。
【解決手段】風況推定装置１００は、風力発電設備の設置場所付近で測定した風況を示す校正用データ２１、均質な測定方法又は解析方法で得られた風況を示す参照用データ２２が格納された記憶部２０と、校正用データ２１に含まれる期間を第１の期間、参照用データ２２に含まれる期間を第２の期間、第２の期間から第１の期間を除いた期間を第３の期間とするとき、校正用データ２１と参照用データ２２に基づいて回帰モデルを学習する回帰モデル学習部１２と、第３の期間における参照用データ２２と回帰モデルに基づいて、推定結果の不確かさも含めて風況を推定する風況推定部を備える。
【選択図】図１
【解決手段】風況推定装置１００は、風力発電設備の設置場所付近で測定した風況を示す校正用データ２１、均質な測定方法又は解析方法で得られた風況を示す参照用データ２２が格納された記憶部２０と、校正用データ２１に含まれる期間を第１の期間、参照用データ２２に含まれる期間を第２の期間、第２の期間から第１の期間を除いた期間を第３の期間とするとき、校正用データ２１と参照用データ２２に基づいて回帰モデルを学習する回帰モデル学習部１２と、第３の期間における参照用データ２２と回帰モデルに基づいて、推定結果の不確かさも含めて風況を推定する風況推定部を備える。
【選択図】図１
【特許請求の範囲】
【請求項1】
風力発電設備の設置場所付近で測定した風況を示す校正用データ、均質な測定方法又は解析方法で得られた風況を示す参照用データが格納された記憶部と、
前記校正用データに含まれる期間を第１の期間、前記参照用データに含まれる期間を第２の期間、前記第２の期間から前記第１の期間を除いた期間を第３の期間とするとき、前記校正用データと前記参照用データに基づいて回帰モデルを学習する回帰モデル学習部と、
前記第３の期間における前記参照用データと前記回帰モデルに基づいて、推定結果の不確かさも含めて風況を推定する風況推定部を備える
ことを特徴とする風況推定装置。
前記校正用データに含まれる期間を第１の期間、前記参照用データに含まれる期間を第２の期間、前記第２の期間から前記第１の期間を除いた期間を第３の期間とするとき、前記校正用データと前記参照用データに基づいて回帰モデルを学習する回帰モデル学習部と、
前記第３の期間における前記参照用データと前記回帰モデルに基づいて、推定結果の不確かさも含めて風況を推定する風況推定部を備える
ことを特徴とする風況推定装置。
【請求項2】
前記推定結果の不確かさは、前記推定結果の出現確率として表現される
ことを特徴とする請求項１に記載の風況推定装置。
ことを特徴とする請求項１に記載の風況推定装置。
【請求項3】
前記校正用データは、風況観測塔、ドップラライダ、ドップラソーダによる観測値であることを特徴とする請求項１に記載の風況推定装置。
【請求項4】
前記回帰モデル学習部は、入力された風速と風向を、風速の南北成分と東西成分に変換した上で、前記回帰モデルを学習する
ことを特徴とする請求項１に記載の風況推定装置。
ことを特徴とする請求項１に記載の風況推定装置。
【請求項5】
前記回帰モデル学習部は、前記校正用データと前記参照用データの時間粒度を変更した上で学習する機能を備える
ことを特徴とする請求項１に記載の風況推定装置。
ことを特徴とする請求項１に記載の風況推定装置。
【請求項6】
前記回帰モデルは、入力層、中間層、出力層を有するニューラル・ネットワークであって、
前記入力層は、前記参照用データを入力し、前記出力層の出力と、前記校正用データとの誤差を小さくするように、パラメータを調整する
ことを特徴とする請求項１に記載の風況推定装置。
前記入力層は、前記参照用データを入力し、前記出力層の出力と、前記校正用データとの誤差を小さくするように、パラメータを調整する
ことを特徴とする請求項１に記載の風況推定装置。
【請求項7】
前記風況推定部は、前記回帰モデルのパラメータを無作為に変化させる機能を備え、推定結果を複数算出して集計することで、推定結果の不確かさを算出する
ことを特徴とする請求項６に記載の風況推定装置。
ことを特徴とする請求項６に記載の風況推定装置。
【請求項8】
前記風況推定部は、推定結果を複数算出する際、推定結果の平均または標準偏差が所定の値よりも小さいとき、繰り返し計算を打ち切る機能を備える
ことを特徴とする請求項７に記載の風況推定装置。
ことを特徴とする請求項７に記載の風況推定装置。
【請求項9】
風力発電設備の設置場所付近で測定した風況を示す校正用データと、均質な測定方法又は解析方法で得られた風況を示す参照用データに基づいて回帰モデルを学習する第１の工程と、
前記校正用データに含まれる期間を第１の期間、前記参照用データに含まれる期間を第２の期間、前記第２の期間から前記第１の期間を除いた期間を第３の期間とするとき、前記第３の期間における前記参照用データと前記回帰モデルに基づいて、推定結果の不確かさも含めて風況を推定する第２の工程を備える
ことを特徴とする風況推定方法。
前記校正用データに含まれる期間を第１の期間、前記参照用データに含まれる期間を第２の期間、前記第２の期間から前記第１の期間を除いた期間を第３の期間とするとき、前記第３の期間における前記参照用データと前記回帰モデルに基づいて、推定結果の不確かさも含めて風況を推定する第２の工程を備える
ことを特徴とする風況推定方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、風況推定装置及び風況推定方法に関する。
【背景技術】
【0002】
近年、カーボンニュートラルが注目されている。カーボンニュートラルとは、温室効果ガスの二酸化炭素の排出量を削減することで、地球環境を保全しようとする国際的な取り組みである。日本政府も２０２０年１０月に、２０５０年までに温室効果ガスの排出を全体としてゼロにする「２０５０年カーボンニュートラル」を目標として掲げた。温暖効果ガスの排出量削減に向け、新事業に取り組む企業や、経営方針を転換する企業も現れつつある。とくに発電分野には、低炭素化のため、再生可能エネルギー発電設備の更なる導入が期待されている。
【0003】
再生可能エネルギー発電設備の導入に際して、事業者は事業計画段階で事業性評価を実施する。事業性評価では、発電設備のキャッシュ・フローを予測し、予測したキャッシュ・フローを、収益性や、融資返済の確実性の観点で評価する。再生可能エネルギー発電設備の場合、キャッシュ・フローの収入は売電収入であり、キャッシュ・フローの支出は建設費用や保守点検費用を含む。
【0004】
再生可能エネルギー発電設備の事業期間は２０年程度であり、気象は年変動する性質があるため、売電収入の予測期間は、１０－２０年程度とすることが多い。１０－２０年後の気象を精度よく予測することは難しいため、気象予報ではなく、過去の気象が繰り返されると想定して、売電収入を予測する。しかし、一つの発電設備のために、１０－２０年間の気象観測をすることは現実的ではない。そこで、発電事業地で１年程度の気象観測を実施し、１０－２０年間の気象を表現する適当な参照用データを用意し、気象観測結果と参照用データの相関関係を算出し、相関関係と参照用データに基づいて、１０－２０年間の気象データを生成することが一般的である。生成された気象データに基づいて発電電力量を計算し、売電収入を予測する。
【0005】
ここで、気象観測結果と参照用データの相関関係を算出し、相関関係と参照用データに基づいて、非観測期間における風況を推定する方法は、例えば特許文献１で開示されている。
【先行技術文献】
【特許文献】
【0006】
【特許文献1】特開２０２０－１５９７２５号公報
【発明の概要】
【発明が解決しようとする課題】
【0007】
事業性評価では、予測値だけではなく、予測値の取り得る範囲や分布も考慮する必要がある。例えば、売電収入が予測値より下振れした場合であっても融資返済に支障がないことを確認することがある。予測値の不確かさも算出できれば、売電収入が下振れしても融資返済に支障がない発電設備のみ事業化する、あるいは積立金を準備する、といった対応を検討でき、有用である。
【0008】
特許文献１には、各時刻における一つの予測値を算出する方法が開示されている。しかし、予測値が取り得る範囲や分布といった不確かさを算出する方法は開示されていない。
【0009】
本発明は、前記した課題を解決するためになされたものであり、非観測期間における風況を、不確かさも含めて推定する風況推定装置を提供することを目的とする。
【課題を解決するための手段】
【0010】
前記課題を解決するために、本発明の風況推定装置は、風力発電設備の設置場所付近で測定した風況を示す校正用データ、均質な測定方法又は解析方法で得られた風況を示す参照用データが格納された記憶部と、前記校正用データに含まれる期間を第１の期間、前記参照用データに含まれる期間を第２の期間、前記第２の期間から前記第１の期間を除いた期間を第３の期間とするとき、前記校正用データと前記参照用データに基づいて回帰モデルを学習する回帰モデル学習部と、前記第３の期間における前記参照用データと前記回帰モデルに基づいて、推定結果の不確かさも含めて風況を推定する風況推定部を備えることを特徴とする。本発明のその他の態様については、後記する実施形態において説明する。
【発明の効果】
【0011】
本発明によれば、非観測期間における風況を、不確かさも含めて推定する風況推定装置を提供できる。
【図面の簡単な説明】
【0012】
【図1】実施形態に係る風況推定装置の概略構成を示す図である。
【図2】風況推定装置による処理フローを示す図である。
【図3】回帰モデルの精度比較を示す図である。
【図4】回帰モデルをニューラル・ネットワークとし、モンテカルロ・ドロップアウトによって不確かさを推定する不確かさ推定処理を示すフロー図である。
【図5】風速の推定時にモンテカルロ・ドロップアウトを適用した例であり、風速推定結果の不確かさの表示例を示す図である。
【図6】風況推定装置の表示部の表示例を示す図である。
【発明を実施するための形態】
【0013】
以下、図面を参照して本発明の実施形態を説明する。風況推定装置の特徴的な構成や処理を説明するが、風況推定装置には以下で省略した構成や処理が存在しうる。
（全体構成）
図１は、実施形態に係る風況推定装置１００の概略構成を示す図である。風況推定装置１００は、処理部１０、記憶部２０、入力部３０、表示部４０、通信部５０を有する。記憶部２０は、校正用データ２１、参照用データ２２、学習済み回帰モデル２３、風況推定結果２４などを格納する、処理部１０は、データ入力部１１、回帰モデル学習部１２、風況推定部１３、画面表示処理部１４などを備える。
（全体構成）
図１は、実施形態に係る風況推定装置１００の概略構成を示す図である。風況推定装置１００は、処理部１０、記憶部２０、入力部３０、表示部４０、通信部５０を有する。記憶部２０は、校正用データ２１、参照用データ２２、学習済み回帰モデル２３、風況推定結果２４などを格納する、処理部１０は、データ入力部１１、回帰モデル学習部１２、風況推定部１３、画面表示処理部１４などを備える。
【0014】
（動作環境）
風況推定装置１００は、通信機能を有する電子計算機である。処理部１０は、中央演算処理装置（ＣＰＵ）であり、メモリに格納される各種プログラムを実行する。メモリは、風況推定装置１００が処理を実行する各種プログラムおよび一時的なデータを保持する。表示部４０は、ディスプレイなどであり、風況推定装置１００による処理の実行状況や実行結果などを表示する。入力部３０は、キーボードやマウスなどのコンピュータに指示を入力するための装置であり、プログラム起動などの指示を入力する。通信部５０は、他の装置と各種データやコマンドを交換する。記憶部２０は、風況推定装置１００が処理を実行するための各種データを保存する。回帰モデルに行列計算が含まれる場合、計算高速化の観点でＧＰＵを備えていると好ましい。インターフェースとして、入出力部としてのタッチパネル、音声入力を備えてもよい。
風況推定装置１００は、通信機能を有する電子計算機である。処理部１０は、中央演算処理装置（ＣＰＵ）であり、メモリに格納される各種プログラムを実行する。メモリは、風況推定装置１００が処理を実行する各種プログラムおよび一時的なデータを保持する。表示部４０は、ディスプレイなどであり、風況推定装置１００による処理の実行状況や実行結果などを表示する。入力部３０は、キーボードやマウスなどのコンピュータに指示を入力するための装置であり、プログラム起動などの指示を入力する。通信部５０は、他の装置と各種データやコマンドを交換する。記憶部２０は、風況推定装置１００が処理を実行するための各種データを保存する。回帰モデルに行列計算が含まれる場合、計算高速化の観点でＧＰＵを備えていると好ましい。インターフェースとして、入出力部としてのタッチパネル、音声入力を備えてもよい。
【0015】
（校正用データ）
校正用データ２１は、風力発電事業地の付近で測定した風況の時系列データである。データ入力部１１は校正用データ２１を記憶部２０に保存する。
校正用データ２１は、風力発電事業地の付近で測定した風況の時系列データである。データ入力部１１は校正用データ２１を記憶部２０に保存する。
【0016】
即時性を重視して風況推定する場合、データ入力部１１は校正用データ２１を取得するデータ取得機能を有し、測定器とデータ入力部１１が通信できるようにすると好ましい。風況には、少なくとも風速が含まれる。
【0017】
測定器には、風況観測塔、ドップラライダ（Doppler Lidar）、ドップラソーダ（Doppler Sodar）が含まれる。風況観測塔とは、６０ｍ程度の鉄塔からアームを張り出して風向風速計を備えた測定器である。ドップラライダとは、レーザ光を発射し、エアロゾルの散乱光を受信して風速や風向を計測する測定器である。なお、ドップラライダは地面に設置して上空にレーザ光を発射する方式、風力発電設備のナセルの上に設置して前方に発射する方式、無人航空機（ドローン）に設置する方式であってよい。ドップラソーダは、音波を発射して、風速や風向を計測する測定器である。
【0018】
風速のほかに、風向が含まれると好ましい。日本は国土の７割が山岳地形であり、山岳地形に建設される風力発電設備も増えつつある。山岳地形における風力発電の発電計算では、風速だけではなく風向の考慮も必要である。平地や沿岸をはじめとする平坦地形と比較すると、周辺の起伏や粗度の影響を受けやすい。また、山岳地形における風力発電事業は、一台ではなく複数台で設置されることが多く、ウェイクの影響を受けやすい。ウェイクとは、風上側の風力発電設備によって、風下側の風力発電設備が受ける風が、自由気流と比較して減少する現象である。風下側の風力発電設備の発電電力量が減少するため、同じ風速であっても風向が異なれば、複数台の風力発電設備から得られる発電電力量の合計は異なる。さらに、温度、湿度、降水量、日射量を含んでもよい。
【0019】
風況は、地上からの高さごとに値があると好ましい。風速は、地上から高くなるほど、大きくなる傾向が知られている。また、風力発電設備のナセルは地上から１００ｍ程度に設置されるが、ブレードは５０ｍ程度の長さがあるため、ブレードの先端が通過する軌跡の最下端は地上から５０ｍ程度にあり、最上端は地上から１５０ｍ程度にある。したがって、地上からの高さが５０ｍから１５０ｍまでの値があると、より好ましい。
【0020】
データ入力部１１は、校正用データ２１を記憶部２０に保存する前に、校正用データ２１を検証する機能を有していると好ましい。例えば、校正用データ２１が風速を表す場合、風速は０以上の数値であるため、０未満の数値がある場合にエラーを返す機能を有してもよい。
【0021】
（参照用データ）
参照用データ２２は、均質な測定方法や解析方法（測定方法又は解析方法）で得られた風況の時系列データである。データ入力部１１は参照用データ２２を記憶部２０に保存する。
参照用データ２２は、均質な測定方法や解析方法（測定方法又は解析方法）で得られた風況の時系列データである。データ入力部１１は参照用データ２２を記憶部２０に保存する。
【0022】
校正用データ２１に含まれる期間を第１の期間、参照用データ２２に含まれる期間を第２の期間、第２の期間から第１の期間を除いた期間を第３の期間とし、校正用データ２１と参照用データ２２に基づいて回帰モデルを学習し、第３の期間において参照用データ２２と回帰モデルに基づいて推定することを考える。
【0023】
参照用データ２２は、第２の期間において、測定方法や解析方法は同一、あるいは無視できるほど変化が小さいことが望ましい。仮に測定方法や解析方法が異なるデータが含まれる場合、第１の期間で学習した回帰モデルを、第３の期間で適用できない懸念がある。測定方法が異なる要因としては、例えば、観測場所や観測機器が異なることが挙げられる。風況の場合、観測場所の周囲の影響を受けるため、観測場所が異なれば値が変わってしまう。解析方法が異なる要因として、例えば、空間解像度やデータ同化手法が異なることが挙げられる。
【0024】
（各用途と相性がよい参照用データ）
用途によって好適な参照用データ２２は異なる。本発明の用途は主として３種類ある。バックキャスト、フォアキャスト、補間、の３種類である。
用途によって好適な参照用データ２２は異なる。本発明の用途は主として３種類ある。バックキャスト、フォアキャスト、補間、の３種類である。
【0025】
（バックキャストに好適な参照用データ）
再生可能エネルギー発電設備の導入に際して実施される事業性評価では、今後の１０－２０年間の風況予測の代わりに、過去１０－２０年間の気象が繰り返されると想定して、過去１０－２０年間の風況を算出することがある。
再生可能エネルギー発電設備の導入に際して実施される事業性評価では、今後の１０－２０年間の風況予測の代わりに、過去１０－２０年間の気象が繰り返されると想定して、過去１０－２０年間の風況を算出することがある。
【0026】
バックキャストは、風力発電の事業性評価のため、過去の風況を推定する。校正用データ２１に含まれる期間を第１の期間、参照用データ２２に含まれる期間を第２の期間とするとき、第１の期間と第２の期間は重複があり、第２の期間の開始日は第１の期間の開始日よりも前となる。
【0027】
バックキャストでは、参照用データ２２の期間が長いほどよく、１０年以上あると好ましい。また、事業性評価は、事業者と金融機関との融資協議の一環で実施される都合、データ改竄防止の観点で、第３者機関が発行しているデータが望ましい。
【0028】
これらを満足し、バックキャストに好適な参照用データ２２として、例えば、気象庁や気象会社の観測結果や、長期再解析データが挙げられる。気象庁は、地域気象観測システム（アメダス）で観測した気象データをホームページで公開している。長期再解析データとは、主として気候変動の長期的な傾向を把握するため、同一の空間解像度やデータ同化手法で生成された気象データである。例えば、米国国家航空宇宙局のＭＥＲＲＡ－２、欧州中期予報センターのＥＲＡ５、気象庁のＪＲＡ－５５が挙げられる。
【0029】
（フォアキャストに好適な参照用データ）
２０２２年４月に施行されるフィード・イン・プレミアム制度（以下、ＦＩＰ）を利用する発電事業の場合、発電事業者が発電電力量を予測して入札する。
２０２２年４月に施行されるフィード・イン・プレミアム制度（以下、ＦＩＰ）を利用する発電事業の場合、発電事業者が発電電力量を予測して入札する。
【0030】
フォアキャストは、風力発電設備の発電量予測や制御のため、将来の風況を推定する。校正用データ２１に含まれる期間を第１の期間、参照用データ２２に含まれる期間を第２の期間とするとき、第１の期間と第２の期間は重複があり、第２の期間の終了日は第１の期間の終了日よりも後となる。
【0031】
フォアキャストでは、参照用データ２２は将来の予報値である。参照用データ２２の期間はバックキャストと比較して短く、１日から数日であってもよい。
【0032】
フォアキャストに好適な参照用データ２２として、気象庁が公開している、日本を含む領域を三次元格子で予測する数値予報モデルであるＧＰＶ（Grid Point Value）やＭＳＭ（Meso scale model）が挙げられる。
【0033】
（補間に好適な参照用データ）
発電事業地における気象観測値は、落雷や凍結、動植物の干渉により、欠損することがある。補間は、風況データの欠損を補間する。校正用データ２１に含まれる期間を第１の期間、参照用データ２２に含まれる期間を第２の期間とするとき、補間しようとしている期間が、双方の期間に含まれればよい。参照用データ２２の期間はバックキャストと比較して短くてよい。
発電事業地における気象観測値は、落雷や凍結、動植物の干渉により、欠損することがある。補間は、風況データの欠損を補間する。校正用データ２１に含まれる期間を第１の期間、参照用データ２２に含まれる期間を第２の期間とするとき、補間しようとしている期間が、双方の期間に含まれればよい。参照用データ２２の期間はバックキャストと比較して短くてよい。
【0034】
補間に好適な参照用データとして、バックキャストに好適な参照用データとして挙げた気象庁や気象会社の観測結果や長期再解析データのほかに、客観解析データであってもよい。例えば、米国国立環境予測センターのＦＮＬが挙げられる。
【0035】
（参照用データに関する補足１）
参照用データ２２が、大気の状態を格子点の値として表現する解析方法の場合、参照用データ２２は、風力発電事業地ではなく格子点の緯度経度を表現した値となることがある。格子点を選ぶ方法として、風力発電事業地に近接する格子点を選ぶ方法、近接する格子点群のうち地形的な条件が類似している格子点を選ぶ方法が挙げられる。参照用データ２２として採用する格子点は、一つであってもよく、複数であってもよい。
参照用データ２２が、大気の状態を格子点の値として表現する解析方法の場合、参照用データ２２は、風力発電事業地ではなく格子点の緯度経度を表現した値となることがある。格子点を選ぶ方法として、風力発電事業地に近接する格子点を選ぶ方法、近接する格子点群のうち地形的な条件が類似している格子点を選ぶ方法が挙げられる。参照用データ２２として採用する格子点は、一つであってもよく、複数であってもよい。
【0036】
（参照用データに関する補足２）
データ入力部１１は、参照用データ２２を記憶部２０に保存する前に、参照用データ２２を検証する機能を有していると好ましい。例えば、参照用データ２２が解析値の場合、参照用データ２２と校正用データ２１のタイムゾーンが揃っているか確認する機能を有していると好ましい。参照用データ２２のタイムゾーンは、日本国内であっても世界標準時で登録されていることがあるためである。
データ入力部１１は、参照用データ２２を記憶部２０に保存する前に、参照用データ２２を検証する機能を有していると好ましい。例えば、参照用データ２２が解析値の場合、参照用データ２２と校正用データ２１のタイムゾーンが揃っているか確認する機能を有していると好ましい。参照用データ２２のタイムゾーンは、日本国内であっても世界標準時で登録されていることがあるためである。
【0037】
（処理フロー）
図２は、風況推定装置１００による処理フローを示す図である。以下、処理フローに沿って説明する。なお、図２は一連の処理フローとして表記しているが、処理フローの途中から開始する、または、処理フローの途中で終了することも可能である。
図２は、風況推定装置１００による処理フローを示す図である。以下、処理フローに沿って説明する。なお、図２は一連の処理フローとして表記しているが、処理フローの途中から開始する、または、処理フローの途中で終了することも可能である。
【0038】
（回帰モデル学習処理）
回帰モデル学習処理Ｓ１は、回帰モデル学習部１２で実行される。回帰モデル学習部１２は、記憶部２０から校正用データ２１と参照用データ２２を取得し、回帰モデルを学習し、学習済み回帰モデル２３を記憶部２０に保存する。
回帰モデル学習処理Ｓ１は、回帰モデル学習部１２で実行される。回帰モデル学習部１２は、記憶部２０から校正用データ２１と参照用データ２２を取得し、回帰モデルを学習し、学習済み回帰モデル２３を記憶部２０に保存する。
【0039】
回帰モデルは、参照用データ２２を入力として所望の項目を出力できるモデルであって、校正用データ２１によってパラメータを算出できるモデルであれば、様々な方式を適用できる。ここでは、ある２ヶ所で測定された１年間の風況データに対し、線形回帰やニューラル・ネットワークを適用した数値解析で例示する。
【0040】
風況は、風速（ｍ／ｓ）と風向（度）の１０分値である。風速は０以上の値で与えられている。風向は北を０度とする、０度以上３６０度未満の度数で与えられている。風況データのうち、片方を参照用データ２２とする。もう片方のうち、最後から連続した四分の三の期間を校正用データ２１とし、残りの期間を評価用データとする。
【0041】
校正用データ２１に含まれる期間を第１の期間、参照用データ２２に含まれる期間を第２の期間、第２の期間から第１の期間を除いた期間を第３の期間とする。このとき、評価用データに含まれる期間が第３の期間となる。また、参照用データ２２（第２の期間）の開始日が校正用データ２１（第１の期間）の開始日よりも前なのでバックキャストとなる。
【0042】
風況推定結果２４と評価用データを比較して、各回帰モデルの精度を検証する。精度指標には種々あるが、二乗平均平方根誤差（以下、Root Mean Square Errorの頭文字であるＲＭＳＥ）で検証する。ＲＭＳＥは、各時刻の誤差の二乗の平均の平方根を取って算出できる。風速と風向でそれぞれＲＭＳＥを算出する。なお、風向の誤差を算出する際は、誤差が１８０度未満になるように処理する。例えば、風況推定結果２４が３５９度、評価用データが０度の場合、３５９度と０度の差分である３５９度を誤差とするのではなく、反対周りに比較して１度を誤差とする。
【0043】
図３は、回帰モデルの精度比較を示す図である。図３に、回帰モデルを変えながら精度検証した結果（点ａから点ｇ）を示す。ＲＭＳＥは小さいほど精度が良く、０が最も精度が良いことを意味する。したがって、図３では左下ほど高精度である。
【0044】
（点ａについて）
図３の点ａは、参照用データ２２を風況推定結果とする場合、すなわち補正しない場合である。風向ＲＭＳＥは６５（度）、風速ＲＭＳＥは４．１（ｍ／ｓ）である。以降の数値解析では、この精度を基準として、どれだけ小さくできるか考察する。
図３の点ａは、参照用データ２２を風況推定結果とする場合、すなわち補正しない場合である。風向ＲＭＳＥは６５（度）、風速ＲＭＳＥは４．１（ｍ／ｓ）である。以降の数値解析では、この精度を基準として、どれだけ小さくできるか考察する。
【0045】
（点ｂについて）
図３の点ｂは、風速は、第１の期間において、参照用データ２２を入力、校正用データ２１を出力とする線形回帰式を学習し、第３の期間において、参照用データ２２を入力して得られた値を推定結果とする。風向は参照用データ２２を推定結果とする。風向の風況推定結果は図３の点ａと同じであるため、風向ＲＭＳＥ（度）は図３の点ａと変わらない。風速ＲＭＳＥ（ｍ／ｓ）は３．５（ｍ／ｓ）であり、図３の点ａよりも風速の推定精度が高い。
図３の点ｂは、風速は、第１の期間において、参照用データ２２を入力、校正用データ２１を出力とする線形回帰式を学習し、第３の期間において、参照用データ２２を入力して得られた値を推定結果とする。風向は参照用データ２２を推定結果とする。風向の風況推定結果は図３の点ａと同じであるため、風向ＲＭＳＥ（度）は図３の点ａと変わらない。風速ＲＭＳＥ（ｍ／ｓ）は３．５（ｍ／ｓ）であり、図３の点ａよりも風速の推定精度が高い。
【0046】
（点ｃについて）
風向の推定精度を改善するためにはどうすればいいか。図３の点ｃにおいて、風向は、第１の期間において、参照用データ２２を入力、校正用データ２１を出力とする線形回帰式を学習し、第３の期間において、参照用データ２２を入力して得られた値を推定結果とし、風速は参照用データ２２を推定結果とする。風速の推定結果は図３の点ａと同じであるため、風速ＲＭＳＥ（ｍ／ｓ）は図３の点ａと変わらない。一方、風向ＲＭＳＥ（度）は９４（度）であり、図３の点ａよりも風向の推定精度が低い。風向は、０度から３６０度で不連続であるため、北風をうまく表現できず、推定精度が低くなるものと考えられる。
風向の推定精度を改善するためにはどうすればいいか。図３の点ｃにおいて、風向は、第１の期間において、参照用データ２２を入力、校正用データ２１を出力とする線形回帰式を学習し、第３の期間において、参照用データ２２を入力して得られた値を推定結果とし、風速は参照用データ２２を推定結果とする。風速の推定結果は図３の点ａと同じであるため、風速ＲＭＳＥ（ｍ／ｓ）は図３の点ａと変わらない。一方、風向ＲＭＳＥ（度）は９４（度）であり、図３の点ａよりも風向の推定精度が低い。風向は、０度から３６０度で不連続であるため、北風をうまく表現できず、推定精度が低くなるものと考えられる。
【0047】
（点ｄについて）
そこで、風速Ｖと風向θを、風速の南北成分Ｖnsと東西成分Ｖewに分解して扱う手法を考える。まず、風速の南北成分と東西成分に変換する手法を示す。風速をＶ（ｍ／ｓ）とする。北を０（度）、東を９０（度）とする時計回りの度数法による風向をθ（度）とする。東西方向をＸ軸、南北方向をＹ軸に見立て、北東を第１象限とする直交座標における、反時計回りの弧度法による風向φ（rad）は、円周率πを用いて数式（１）で算出できる。
φ＝（９０-θ）×π／１８０ …（１）
そこで、風速Ｖと風向θを、風速の南北成分Ｖnsと東西成分Ｖewに分解して扱う手法を考える。まず、風速の南北成分と東西成分に変換する手法を示す。風速をＶ（ｍ／ｓ）とする。北を０（度）、東を９０（度）とする時計回りの度数法による風向をθ（度）とする。東西方向をＸ軸、南北方向をＹ軸に見立て、北東を第１象限とする直交座標における、反時計回りの弧度法による風向φ（rad）は、円周率πを用いて数式（１）で算出できる。
φ＝（９０-θ）×π／１８０ …（１）
【0048】
風速の南北成分Ｖns（ｍ／ｓ）は数式（２）、風速の東西成分Ｖew（ｍ／ｓ）は数式（３）で算出できる。
Ｖns＝Ｖ×sin（φ） …（２）
Ｖew＝Ｖ×cos（φ） …（３）
Ｖns＝Ｖ×sin（φ） …（２）
Ｖew＝Ｖ×cos（φ） …（３）
【0049】
次に、風速の南北成分Ｖnsと東西成分Ｖewを、風速Ｖと風向θに変換する手法を示す。反時計回りの弧度法による風向φ（rad）は、終域を-π／２からπ／２とするarctan関数を用いて数式（４）で算出できる。
Ｖew＞０ならばφ＝arctan（Ｖns／Ｖew）、
Ｖew＜０ならばφ＝arctan（Ｖns／Ｖew）-π、
Ｖew＝０かつＶns＞０ならばφ＝π／２、
Ｖew＝０かつＶns＜０ならばφ＝-π／２ …（４）
Ｖew＞０ならばφ＝arctan（Ｖns／Ｖew）、
Ｖew＜０ならばφ＝arctan（Ｖns／Ｖew）-π、
Ｖew＝０かつＶns＞０ならばφ＝π／２、
Ｖew＝０かつＶns＜０ならばφ＝-π／２ …（４）
【0050】
反時計回りの弧度法による風向φ（rad）が与えられているとき、時計回りの度数法による風向θ（度）は、数式（５）で算出できる。
θ＝９０-φ×１８０／π …（５）
θ＝９０-φ×１８０／π …（５）
【0051】
数式（４）においてφ（rad）の取り得る範囲は-３π／２からπ／２のため、数式（５）においてθ（度）の取り得る範囲は０（度）から３６０（度）となる。
風速Ｖは数式（６）で算出できる。
Ｖ＝√（Ｖns２＋Ｖew２） …（６）
風速Ｖは数式（６）で算出できる。
Ｖ＝√（Ｖns２＋Ｖew２） …（６）
【0052】
図３の点ｄは以下の手順で求める。
まず、参照用データ２２と校正用データ２１の風速と風向を、数式（１）～（３）に基づいて、風速の南北成分と東西成分に変換する。
まず、参照用データ２２と校正用データ２１の風速と風向を、数式（１）～（３）に基づいて、風速の南北成分と東西成分に変換する。
【0053】
次に、第１の期間において、参照用データ２２の風速の南北成分を入力、校正用データ２１の風速の南北成分を出力とする線形回帰式を学習し、第３の期間において参照用データ２２の風速の南北成分を入力することで、風速の南北成分を推定する。また、第１の期間において、参照用データ２２の風速の東西成分を入力、校正用データ２１の風速の東西成分を出力とする線形回帰式を学習し、第３の期間において参照用データ２２の風速の東西成分を入力することで、風速の東西成分を推定する。
【0054】
さらに、推定した風速の南北成分と東西成分から、数式（４）～（６）に基づいて、第３の期間における風速と風向の推定結果を得る。風向ＲＭＳＥ（度）は７６（度）であり、風向の推定精度は図３の点ｃより高いが、図３の点ａより低い。風速ＲＭＳＥ（ｍ／ｓ）は４．２（ｍ／ｓ）であり、風速の推定精度は図３の点ａより低い。風速の南北成分や東西成分は、線形では表現しづらい可能性が示唆される。
【0055】
（点ｅについて）
図３の点ｅは、図３の点ｄの線形回帰式をニューラル・ネットワークとしたものである。ニューラル・ネットワークは、脳のニューロンに着想を得た数理モデルである。任意の連続関数を精度よく近似できる性質が知られており、様々な分野で使用されている。ニューラル・ネットワークは、ニューラル・ネットワークのパラメータを調整することで、回帰問題や分類問題を解く。ニューラル・ネットワークのパラメータは、ニューロンの、個数、結合方法、実装方法、使用不使用を含む。
図３の点ｅは、図３の点ｄの線形回帰式をニューラル・ネットワークとしたものである。ニューラル・ネットワークは、脳のニューロンに着想を得た数理モデルである。任意の連続関数を精度よく近似できる性質が知られており、様々な分野で使用されている。ニューラル・ネットワークは、ニューラル・ネットワークのパラメータを調整することで、回帰問題や分類問題を解く。ニューラル・ネットワークのパラメータは、ニューロンの、個数、結合方法、実装方法、使用不使用を含む。
【0056】
ニューロン同士の結合は、主として、連続する層構造で表現される。層は、ニューロンまたはニューロン群によって構成される。入力層、中間層、出力層がある。中間層は複数あってもよい。入力層側のニューロンが出す信号を、出力層側のニューロンが受け取る。入力層のニューロンは情報（データや引数）を受け取り、出力層のニューロンはその情報に対する回帰問題や分類問題の答えを出力する。
【0057】
ニューロン同士の結合強度は、アフィン変換で表現される。アフィン変換は、隣接する二つの層において、入力層側のニューロンが出す信号をｘ、出力層側のニューロンが受け取る信号をｙ、とすると、ｙ＝Ｗｘ＋ｂの形式で表現される。アフィン変換のパラメータのうち、線形変換を表す部分（Ｗ）を重み、定数項を表す部分（ｂ）をバイアスという。ニューロンは、活性化関数で表現される。活性化関数は、例えば恒等関数、ソフトマックス関数、シグモイド関数、双曲線正接関数（ｔａｎｈ関数）、正規化線形関数（ＲｅＬＵ関数）がある。
【0058】
風向ＲＭＳＥ（度）は６３（度）であり、風向の推定精度は図３の点ａよりも高い。風速の南北成分や東西成分の非線形な性質をニューラル・ネットワークでうまく学習できる可能性が示唆される。
【0059】
（点ｆについて）
図３の点ｆは、図３の点ｅのニューラル・ネットワークの入力層と出力層を変形させたものである。図３の点ｅでは、風速の南北成分と東西成分をそれぞれ学習と推定している。ここで、ニューラル・ネットワークは、複数入力と複数出力できる回帰モデルであることに注目すると、風速の南北成分と東西成分を同じニューラル・ネットワークに入力し、風速の南北成分と東西成分を出力させてもよい。
図３の点ｆは、図３の点ｅのニューラル・ネットワークの入力層と出力層を変形させたものである。図３の点ｅでは、風速の南北成分と東西成分をそれぞれ学習と推定している。ここで、ニューラル・ネットワークは、複数入力と複数出力できる回帰モデルであることに注目すると、風速の南北成分と東西成分を同じニューラル・ネットワークに入力し、風速の南北成分と東西成分を出力させてもよい。
【0060】
風向ＲＭＳＥ（度）は６２（度）であり、風向の推定精度は図３ａよりも高い。今回の数値解析例では、風向の推定精度が最も高い。風速ＲＭＳＥ（ｍ／ｓ）は４．０（ｍ／ｓ）であり、風速の推定精度は図３の点ｅよりも高い。
【0061】
なお、図３の点ｆは、入力層と最初の中間層、最後の中間層と出力層の間のパラメータ数は増えるものの、パラメータ数の多い中間層は同じニューラル・ネットワークを使えるため、図３の点ｅよりも計算量が少なくなることが期待される。
【0062】
実務的には、参照用データ２２と校正用データ２１の時間粒度が異なることが考えられる。粗いほうの時間粒度に合わせる場合、細かい時間粒度にしか現れない特徴を放棄することになる。図３の点ｇは、図３の点ｆにおいて、風速の南北成分と東西成分の時間粒度を、１０分値から１分値に変えたものである。
【0063】
参照用データ２２と校正用データ２１が風速と風向の場合を考える。風速は適当な補間手法によって任意に時間粒度を変えることができる。補間手法には、例えば、線形補間、スプライン補間、多項式補間が挙げられる。一方、不連続値である風向は補間が困難である。例えば、風速が同値であり、風向が１度と３５９度を補間することを考える。風向を線形補間すると１８０度となるが、１度と３５９度は北風であり、１８０度は南風であるため、うまく補間できているとは言い難い。一方、参照用データ２２と校正用データ２１を風速の南北成分と東西成分に変換、風速の南北成分と東西成分をそれぞれ線形補間、線形補間した南北成分と東西成分から風速と風向を算出すれば、補間された風向は０度となり、うまく補間できる。
【0064】
風力発電設備の発電電力を計算するソフトウェアで、風況データを入力して、対応する発電電力（ｋＷ）を算出する機能を備えるソフトウェアがある。風況データの１０分値を入力すると発電電力の１０分値、風況データの１時間値を入力すると発電電力の１時間値が出力される。例えば、ウィンドファームコントローラ（複数台の風力発電設備の定格出力の合計が連系容量を超える発電所のとき、連系容量を超えないように風力発電設備の出力を抑制する機能）を模擬して発電電力の後処理をする際、時間粒度が細かいほうが、精度が高い処理となる。
【0065】
図３の点ｇの風向ＲＭＳＥ（度）は６２（度）、風速ＲＭＳＥ（ｍ／ｓ）は３．９（ｍ／ｓ）であり、風向と風速の推定精度はともに図３の点ａよりも高い。時間粒度を細かくする処理が、データ拡張（ニューラル・ネットワークの学習に使用するデータ数を増やす手法）の効果がある可能性が示唆される。風速の推定精度が改善すると、発電電力量の推定精度も改善する。風力エネルギーは風速の３乗に比例するため、発電電力量の推定精度は、風速の推定精度よりも大きく改善する。
【0066】
（回帰モデル学習処理の入力における工夫）
今回は風速と風向を入力したが、高精度化の観点で、その他のデータを入力してもよい。例えば、温度、湿度、降水量、日射量といった気象条件を含んでもよい。風況は年変動や季節変動する性質があり、暦を含んでもよい。沿岸部の風況では、海陸風が知られており、時刻や、日没前と日没後を表すバイナリ変数を含んでもよい。さらに、ある時刻における値だけではなく、前の時刻との差分、前の時刻の値、前の時刻までの移動平均を含んでもよい。
今回は風速と風向を入力したが、高精度化の観点で、その他のデータを入力してもよい。例えば、温度、湿度、降水量、日射量といった気象条件を含んでもよい。風況は年変動や季節変動する性質があり、暦を含んでもよい。沿岸部の風況では、海陸風が知られており、時刻や、日没前と日没後を表すバイナリ変数を含んでもよい。さらに、ある時刻における値だけではなく、前の時刻との差分、前の時刻の値、前の時刻までの移動平均を含んでもよい。
【0067】
値は、そのまま入力するのではなく、適当な手法で正規化したものを入力してもよい。正規化の手法には、例えば、各時刻の値から第１の期間における最小値を引いて、第１の期間における最大値と最小値の差で除する手法（Min-Max Normalization）、第１の期間の平均を引いて第１の期間の標準偏差で除する手法（Z-Score Normalization）が挙げられる。
【0068】
（回帰モデル学習処理の出力における工夫）
回帰モデルは推定よりも学習に時間がかかるので、回帰モデルを保存できるようにすることは、計算高速化の観点で好ましい。回帰モデルが線形回帰の場合、例えば、各変数に対する一次係数（傾き）や切片を保存する。回帰モデルがニューラル・ネットワークの場合、例えば、ニューロン同士の結合強度を保存する。
回帰モデルは推定よりも学習に時間がかかるので、回帰モデルを保存できるようにすることは、計算高速化の観点で好ましい。回帰モデルが線形回帰の場合、例えば、各変数に対する一次係数（傾き）や切片を保存する。回帰モデルがニューラル・ネットワークの場合、例えば、ニューロン同士の結合強度を保存する。
【0069】
（風況推定処理）
風況推定処理Ｓ２は、風況推定部１３で実行される。風況推定部１３は、記憶部２０から学習済み回帰モデル２３と参照用データ２２を取得する。校正用データ２１に含まれる期間を第１の期間、参照用データ２２に含まれる期間を第２の期間とするとき、第２の期間から第１の期間を除いた第３の期間の風況を推定する。そして、推定結果を、風況推定結果２４として記憶部２０に保存する。
風況推定処理Ｓ２は、風況推定部１３で実行される。風況推定部１３は、記憶部２０から学習済み回帰モデル２３と参照用データ２２を取得する。校正用データ２１に含まれる期間を第１の期間、参照用データ２２に含まれる期間を第２の期間とするとき、第２の期間から第１の期間を除いた第３の期間の風況を推定する。そして、推定結果を、風況推定結果２４として記憶部２０に保存する。
【0070】
例えば、学習済み回帰モデル２３が、参照用データ２２の風速を入力して、風速を出力する方式の場合、風況推定部１３は第３の期間における各時刻の風速を推定する。
【0071】
風況推定結果２４は、各時刻の値だけではなく、範囲を含んでもよい。回帰モデルが線形回帰の場合、ｔ分布を利用して予測区間を算出できる。回帰モデルがニューラル・ネットワークの場合、範囲を算出する手法として、モンテカルロ・ドロップアウトが挙げられる。ニューラル・ネットワークにおけるドロップアウトは過学習を防ぐ手法である。訓練時に無作為にニューロンを無視し、毎回異なるニューラル・ネットワークを学習させる手法である。モンテカルロ・ドロップアウトは、訓練時だけではなく、推定時にも無作為にニューロンを消失させることが特徴である。ドロップアウトの場合、推定時には全てのニューロンを使うため、学習済みモデルに同じ入力を入れると同じ結果が得られる。一方、モンテカルロ・ドロップアウトの場合、推定時にも無作為にニューロンを消失させるため、同じ入力を入れると異なる結果が得られる。複数の結果を出力させることで、ニューラル・ネットワークの不確かさを表現することができる。ニューロンだけではなく、層を消失させる実装としてもよい。
【0072】
図４は、回帰モデルをニューラル・ネットワークとし、モンテカルロ・ドロップアウトによって不確かさを推定する不確かさ推定処理Ｓ４０を示すフロー図である。
【0073】
まず、風況推定部１３は、学習済み回帰モデルｆを記憶部２０から読み込む（処理Ｓ４１）。次に、風況推定部１３は、予測対象期間の参照用データＸを記憶部２０から読み込む（処理Ｓ４２）。Ｘは配列であり、０から始まり連続する番号ｉを添え字、Ｘのｉ番目の要素をＸ［ｉ］、Ｘの要素数をlength（Ｘ）とする。また、ｆは関数であり、ｆの引数はある時刻における参照用データの値、ｆの戻り値ｙは風況推定結果である。なお、ｆは同じ引数を入力しても異なるｙを返す。０から始まり連続する番号ｊをカウンタ変数とする。
【0074】
風況推定部１３は、iを０に設定し（処理Ｓ４３）、ｊを０に設定し（処理Ｓ４４）、ｉとｊを添え字とする二次元配列Ｙにｙを格納する（処理Ｓ４５）。そして、風況推定部１３は、ｊが１０００未満か否かを判定し（処理Ｓ４６）、ｊが１０００未満の場合（処理Ｓ４６，ＹＥＳ）、処理Ｓ４５に戻り、ｊが１０００以上の場合（処理Ｓ４６，ＮＯ）、処理Ｓ４７に進む。なお、処理Ｓ４６は１０００を閾値として例示しているが、閾値は任意に設定してよい。
【0075】
そして、風況推定部１３は、得られたＹを集計関数ｇで集計しｚを得る（処理Ｓ４７）。ここで、ｇは関数であり、ｇの引数はＹとｉである。また、ｇの戻り値ｚは、Ｙのうち、ｉが同じで、全てのｊに対する風況推定結果（図４では１，０００件）の統計量を格納した構造体である。統計量は、平均、最大、最小、標準偏差、出現確率を表すヒストグラムを含む。尖度や歪度を含んでもよい。カーネル密度推定をはじめとするノンパラメトリック手法によって推定した確率密度関数を含んでもよい。
【0076】
そして、風況推定部１３は、ｉがlength（Ｘ）未満か否かを判定し（処理Ｓ４８）、ｉがlength（Ｘ）未満の場合（処理Ｓ４８，ＹＥＳ）、処理Ｓ４４に戻り、ｉがlength（Ｘ）以上の場合（処理Ｓ４８，ＮＯ）、一連の処理を終了する。すなわち、処理Ｓ４４～Ｓ４７で、異なるｉに対しても実施して、Ｘに対する、不確かさを含む風況推定結果Ｚを得る。Ｚは、ｉを添え字とする配列であり、配列の長さはＸと同じとなる。
【0077】
図５は、風速の推定時にモンテカルロ・ドロップアウトを適用した例であり、風速推定結果の不確かさの表示例を示す図である。各時刻で１，０００回出力させ、平均を実線、最大と最小の範囲を灰塗りで示す。
【0078】
例えば、５時の出現確率は、平均４．８（ｍ／ｓ）、最大５．４（ｍ／ｓ）、最小４．２（ｍ／ｓ）の分布であった。１０時の出現確率は、平均９．４（ｍ／ｓ）、最大１０．４（ｍ／ｓ）、最小７．９（ｍ／ｓ）の分布であった。１８時の出現確率は、平均４．０（ｍ／ｓ）、最大４．５（ｍ／ｓ）、最小３．１（ｍ／ｓ）の分布であった。分布が広がっていれば、不確かさが大きいと解釈する。図５の５時、１０時、１８時、では、１０時は５時や１８時よりも不確かさが大きい、と解釈する。
【0079】
なお、最大の代わりとして平均に標準偏差を足した値、最小の代わりとして平均から標準偏差を引いた値を表示してもよい。推定結果に外れ値が含まれる場合、分布の広がりと比較して最大／最小と平均の差が大きくなり、不確かさを不必要に大きく見積もってしまう。
【0080】
今回は１日の１時間値を例示しており、計算負荷が小さかったため、各時刻で１，０００サンプルを採取して平均、最大、最小を算出している。２０年間を推定する場合や、１分値を推定する場合といった、計算負荷が大きい場合、全ての時刻で等しいサンプル数を採取する必要はない。はじめの一部のサンプルで風速が低い場合、あるいは標準偏差が小さい場合は、計算を打ち切ってもよい。すなわち、風況推定部１３は、風況推定結果を複数算出する際、推定結果の平均または標準偏差が所定の値よりも小さいとき、繰り返し計算を打ち切る機能を備える。例えば、はじめの１００サンプルで平均が１（ｍ／ｓ）、標準偏差が０．１（ｍ／ｓ）である場合、計算を打ち切ってもよい。風力発電設備における風速（ｍ／ｓ）と出力（ｋＷ）の関係をパワーカーブと呼ぶ。パワーカーブ上、風速０（ｍ／ｓ）から２（ｍ／ｓ）は、出力０（ｋＷ）となっていることがあり、風速１（ｍ／ｓ）前後の場合、出力（ｋＷ）は全て０（ｋＷ）となって、風速の推定誤差の影響を受けないためである。
【0081】
例えば、１０分値を２０年分推定する場合、推定対象の時刻は約１００万点（＝２０×３６５×２４×６０／１０）である。各時刻で一律１，０００サンプル採取する場合、約１０億サンプル（＝約１００万×１，０００）の推定が必要となり、計算負荷が大きい。パワーカーブの性質に注意し、計算精度を下げずに計算負荷を削減できる本処理は、計算時間を短縮する観点で好ましい。
【0082】
（画面表示処理）
図６は、風況推定装置１００の表示部４０の表示例を示す図である。画面表示処理Ｓ３は、画面表示処理部１４で実行される。画面表示処理部１４は、記憶部２０から風況推定結果２４を取得して、表示部４０に表示する。表示部４０は、参照用データ登録ボタン６１、校正用データ登録ボタン６２、回帰モデル設定フォーム６３、風況推定結果の出力ボタン６４を備える。登録された参照用データ２２、登録された校正用データ２１、推定結果２４を表示する機能を備えてもよい。
図６は、風況推定装置１００の表示部４０の表示例を示す図である。画面表示処理Ｓ３は、画面表示処理部１４で実行される。画面表示処理部１４は、記憶部２０から風況推定結果２４を取得して、表示部４０に表示する。表示部４０は、参照用データ登録ボタン６１、校正用データ登録ボタン６２、回帰モデル設定フォーム６３、風況推定結果の出力ボタン６４を備える。登録された参照用データ２２、登録された校正用データ２１、推定結果２４を表示する機能を備えてもよい。
【0083】
この図６は、風速（ｍ／ｓ）をバックキャストしている状況である。右側のグラフ６５，６６，６７は上から順に参照用データ２２、校正用データ２１、風況推定結果２４を示す。校正用データ２１に含まれる期間を第１の期間、参照用データ２２に含まれる期間を第２の期間とするとき、第１の期間と第２の期間に重複があり、第２の期間の開始日が第１の期間の開始日よりも前であることを確認できる。また、第２の期間から第１の期間を除いた期間を第３の期間とするとき、風況推定結果２４に第３の期間が含まれることも確認できる。風況推定結果２４は、予測値を実線で表現し、予測値の取り得る範囲を灰塗りで表現している。
【0084】
なお、フォアキャストする場合は、参照用データ２２の終端は校正用データ２１の終端よりも後となり、図６では、校正用データ２１の右側（グラフ６６の右側）が第３の期間となる。
【0085】
再生可能エネルギー発電設備の事業者は、発電設備の建設前の事業計画段階ではバックキャスト、建設後の事業運用段階ではフォアキャストを使うことが想定される。
【0086】
図６のように、不確かさを含む風況を予測できれば、バックキャストとフォアキャストのいずれでも、発電量計算や売電収入の不確かさを考慮できる。バックキャストでは、収益性や、融資返済の確実性を評価する際に、下振れリスクを評価でき、下振れしても融資返済に支障がない発電設備のみ事業化する、あるいは積立金を準備する、といった活用ができる。
【0087】
また、フォアキャストでは、フィード・イン・プレミアム制度（ＦＩＰ）を利用する再生可能エネルギー発電設備において、入札量の計画に活用できる。ＦＩＰを利用する発電事業の場合、発電事業者は発電電力量を予測して入札する必要があるが、落札した量と、実際の発電電力量が異なる場合、その差分を清算する必要がある。上振れ誤差と下振れ誤差とでは、清算するための単価が異なることがあるため、予測値が取り得る範囲や分布を把握できると、予測値を入札量とせず、経済的になるよう修正した値を入札量にできる。
【0088】
本装置は、バックキャスト、フォアキャスト、補間のいずれの用途であっても、必要な期間の参照用データ２２と校正用データ２１を用意すれば、風況推定結果２４を得ることができる。事業者の習得容易性の観点で、事業計画段階から事業運用段階まで同一の装置で、風況推定結果を得ることができることは好ましい。
【0089】
回帰モデルフォームによって、本装置に実装された回帰モデルを設定する。使用する回帰式のほか、回帰式の変数を設定できるようにしてもよい。風況推定結果２４の出力ボタンによって、風況推定結果２４を出力する。図６の場合、風況推定結果２４として、第３の期間における風速の時系列を、コンマ区切り文字列（ＣＳＶ）ファイルによって出力する方式が挙げられる。
【符号の説明】
【0090】
１０ 処理部
１１ データ入力部
１２ 回帰モデル学習部
１３ 風況推定部
１４ 画面表示処理部
２０ 記憶部
２１ 校正用データ
２２ 参照用データ
２３ 学習済み回帰モデル
２４ 風況推定結果（推定結果）
３０ 入力部
４０ 表示部
５０ 通信部
６１ 参照用データ登録ボタン
６２ 校正用データ登録ボタン
６３ 回帰モデル設定フォーム
６４ 風況推定結果の出力ボタン
１００ 風況推定装置
Ｓ１ 回帰モデル学習処理
Ｓ２ 風況推定処理
Ｓ３ 画面表示処理
Ｓ４０ 不確かさ推定処理
１１ データ入力部
１２ 回帰モデル学習部
１３ 風況推定部
１４ 画面表示処理部
２０ 記憶部
２１ 校正用データ
２２ 参照用データ
２３ 学習済み回帰モデル
２４ 風況推定結果（推定結果）
３０ 入力部
４０ 表示部
５０ 通信部
６１ 参照用データ登録ボタン
６２ 校正用データ登録ボタン
６３ 回帰モデル設定フォーム
６４ 風況推定結果の出力ボタン
１００ 風況推定装置
Ｓ１ 回帰モデル学習処理
Ｓ２ 風況推定処理
Ｓ３ 画面表示処理
Ｓ４０ 不確かさ推定処理
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【手続補正書】
【提出日】2022-04-27
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
風力発電設備の設置場所付近で測定した風況を示す校正用データ、均質な、かつ、観測場所が観測期間内で不変の測定方法、又は解析方法で得られた風況を示す参照用データが格納された記憶部と、
前記校正用データに含まれる期間を第１の期間、前記参照用データに含まれる期間を第２の期間、前記第２の期間から前記第１の期間を除いた期間を第３の期間とするとき、前記校正用データと前記参照用データに基づいて回帰モデルを学習する回帰モデル学習部と、
前記第３の期間における前記参照用データと前記回帰モデルに基づいて、推定結果の不確かさも含めて風況を推定する風況推定部を備える
ことを特徴とする風況推定装置。
前記校正用データに含まれる期間を第１の期間、前記参照用データに含まれる期間を第２の期間、前記第２の期間から前記第１の期間を除いた期間を第３の期間とするとき、前記校正用データと前記参照用データに基づいて回帰モデルを学習する回帰モデル学習部と、
前記第３の期間における前記参照用データと前記回帰モデルに基づいて、推定結果の不確かさも含めて風況を推定する風況推定部を備える
ことを特徴とする風況推定装置。
【請求項2】
前記推定結果の不確かさは、前記推定結果の出現確率として表現される
ことを特徴とする請求項１に記載の風況推定装置。
ことを特徴とする請求項１に記載の風況推定装置。
【請求項3】
前記校正用データは、風況観測塔、ドップラライダ、ドップラソーダによる観測値であることを特徴とする請求項１に記載の風況推定装置。
【請求項4】
前記回帰モデル学習部は、入力された風速と風向を、風速の南北成分と東西成分に変換した上で、前記回帰モデルを学習する
ことを特徴とする請求項１に記載の風況推定装置。
ことを特徴とする請求項１に記載の風況推定装置。
【請求項5】
前記回帰モデル学習部は、前記校正用データと前記参照用データの時間粒度を変更した上で学習する機能を備える
ことを特徴とする請求項１に記載の風況推定装置。
ことを特徴とする請求項１に記載の風況推定装置。
【請求項6】
前記回帰モデルは、入力層、中間層、出力層を有するニューラル・ネットワークであって、
前記入力層は、前記参照用データを入力し、前記出力層の出力と、前記校正用データとの誤差を小さくするように、パラメータを調整する
ことを特徴とする請求項１に記載の風況推定装置。
前記入力層は、前記参照用データを入力し、前記出力層の出力と、前記校正用データとの誤差を小さくするように、パラメータを調整する
ことを特徴とする請求項１に記載の風況推定装置。
【請求項7】
前記風況推定部は、前記回帰モデルのパラメータを無作為に変化させる機能を備え、推定結果を複数算出して集計することで、推定結果の不確かさを算出する
ことを特徴とする請求項６に記載の風況推定装置。
ことを特徴とする請求項６に記載の風況推定装置。
【請求項8】
前記風況推定部は、推定結果を複数算出する際、推定結果の平均または標準偏差が所定の値よりも小さいとき、繰り返し計算を打ち切る機能を備える
ことを特徴とする請求項７に記載の風況推定装置。
ことを特徴とする請求項７に記載の風況推定装置。
【請求項9】
風力発電設備の設置場所付近で測定した風況を示す校正用データと、均質な、かつ、観測場所が観測期間内で不変の測定方法、又は解析方法で得られた風況を示す参照用データに基づいて回帰モデルを学習する第１の工程と、
前記校正用データに含まれる期間を第１の期間、前記参照用データに含まれる期間を第２の期間、前記第２の期間から前記第１の期間を除いた期間を第３の期間とするとき、前記第３の期間における前記参照用データと前記回帰モデルに基づいて、推定結果の不確かさも含めて風況を推定する第２の工程を備える
ことを特徴とする風況推定方法。
前記校正用データに含まれる期間を第１の期間、前記参照用データに含まれる期間を第２の期間、前記第２の期間から前記第１の期間を除いた期間を第３の期間とするとき、前記第３の期間における前記参照用データと前記回帰モデルに基づいて、推定結果の不確かさも含めて風況を推定する第２の工程を備える
ことを特徴とする風況推定方法。
【手続補正2】
【補正対象書類名】明細書
【補正対象項目名】００１０
【補正方法】変更
【補正の内容】
【0010】
前記課題を解決するために、本発明の風況推定装置は、風力発電設備の設置場所付近で測定した風況を示す校正用データ、均質な、かつ、観測場所が観測期間内で不変の測定方法、又は解析方法で得られた風況を示す参照用データが格納された記憶部と、前記校正用データに含まれる期間を第１の期間、前記参照用データに含まれる期間を第２の期間、前記第２の期間から前記第１の期間を除いた期間を第３の期間とするとき、前記校正用データと前記参照用データに基づいて回帰モデルを学習する回帰モデル学習部と、前記第３の期間における前記参照用データと前記回帰モデルに基づいて、推定結果の不確かさも含めて風況を推定する風況推定部を備えることを特徴とする。本発明のその他の態様については、後記する実施形態において説明する。