JP2015148934A

JP2015148934A - Power generation amount prediction device and power generation amount prediction method

Info

Publication number: JP2015148934A
Application number: JP2014021294A
Authority: JP
Inventors: ジワリヤウェート; Jiwariyavej; 丈博名嘉; Takehiro Naka; 重水　哲郎; Tetsuo Shigemizu; 哲郎重水
Original assignee: Mitsubishi Heavy Industries Ltd
Current assignee: Mitsubishi Heavy Industries Ltd
Priority date: 2014-02-06
Filing date: 2014-02-06
Publication date: 2015-08-20
Anticipated expiration: 2034-02-06
Also published as: JP6086875B2

Abstract

PROBLEM TO BE SOLVED: To predict the amount of power generation by natural energy in more detail without requiring any large-scale facilities, such as a large-scale parallel computer.SOLUTION: A power generation amount prediction device includes: a smoothing part for acquiring an actual measurement value of weather at predetermined time and smoothing the actual measurement value of weather for a change at the predetermined time; a neural network processing part for performing learning processing of a relationship between an input value and an output value by using the input value for indicating the actual measurement value of weather at the predetermined time and the smoothed actual measurement value of weather, the output value for indicating an actual value of the power generation amount of a power generator corresponding to the input value, and a neural network model; and a power generation amount prediction part for predicting the amount of power generation of the power generator at time to be predicted by inputting the input value for indicating the actual measurement value of weather at the last, predetermined time and the smoothed, actual measurement value of weather for a change at the predetermined time to the neural network model where the learning processing has been performed.

Description

本発明は、発電量予測装置および発電量予測方法に関する。 The present invention relates to a power generation amount prediction apparatus and a power generation amount prediction method.

エネルギーマネジメントシステム（Energy Management System；ＥＭＳ）において、構成機器を効率よく運転させるために、それらの発電量や電力需要を精度よく予測することが重要である。
かかる予測に際して自然エネルギーによる発電量を予測する場合、例えば特許庁等から提供される気象予測データを用いて発電量を予測する方法が一般的に用いられている。例えば風力発電装置の発電量を予測する場合、風速や風向等の気象予測データを用いるのが一般的である。 In an energy management system (EMS), it is important to accurately predict the amount of power generated and the demand for power in order to operate the components efficiently.
When predicting the amount of power generated by natural energy at the time of such prediction, for example, a method of predicting the amount of power generated using, for example, weather prediction data provided by the Patent Office or the like is generally used. For example, when predicting the amount of power generated by a wind power generator, it is common to use weather prediction data such as wind speed and direction.

また、特許文献１では、重回帰分析とニューラルネットワークとを用いてプロセスの特性予測を行うことが記載されている。
特許文献１に記載のプロセスの特性予測方法では、プロセスの状態を表す変量として状態量および出力量を所定時間間隔でサンプリングする。そして、各サンプリング時点から過去の所定期間前までのサンプリング値を用いて重回帰分析部で重回帰分析を行うことにより、偏回帰係数を求める。そして、偏回帰係数のパターンをニューラルネットワークで分類することにより、プロセスの出力値の変動パターンを予測する。 Patent Document 1 describes that process characteristics are predicted using multiple regression analysis and a neural network.
In the process characteristic prediction method described in Patent Document 1, a state quantity and an output quantity are sampled at predetermined time intervals as variables representing the process state. Then, the multiple regression analysis is performed by the multiple regression analysis unit using the sampling values from each sampling time point to the past predetermined period, thereby obtaining a partial regression coefficient. Then, by classifying the partial regression coefficient patterns with a neural network, the variation pattern of the output value of the process is predicted.

当該方法について、特許文献１では、プロセスの状態を表す各変量について過去の所定期間のデータをニューラルネットワークに直接入力するのではなく、各変量の過去の所定期間のデータに基づく重回帰分析の結果によって得られた値をニューラルネットワークに入力しているから、同じデータを扱いながらもニューラルネットワークへの入力データ量は大幅に削減されることになる、とされている。そして、ニューラルネットワークへの入力データについて前処理として重回帰分析を行うことにより、ニューラルネットワークの規模を大幅に縮小することができるのであって、ニューラルネットワークの内部処理の時間を大幅に短縮することができるのである、とされている。 With respect to this method, in Patent Document 1, the result of multiple regression analysis based on the data of the past predetermined period of each variable is not directly input to the neural network for each variable representing the state of the process. Since the value obtained by the above is input to the neural network, the amount of input data to the neural network is greatly reduced while handling the same data. By performing multiple regression analysis on the input data to the neural network as a preprocessing, the scale of the neural network can be greatly reduced, and the time required for internal processing of the neural network can be greatly reduced. It is said that it can be done.

特開平５−２０４４０７号公報JP-A-5-204407

気象予測データの配信を受けて自然エネルギーによる発電量を予測する方法では、発電量の予測精度が気象予測データの更新頻度に依存する。気象予測データの配信は、例えば３時間毎または６時間毎など、ある程度の時間間隔をおいて更新されることが一般的である。この時間間隔により、発電量の予測精度が低下するおそれがある。より詳細な予測を行うために、気象モデルを用いて配信データを加工することも考えられるが、気象モデルによる解析には大規模な並列計算機等が必要となり、設備コストや運用コストが増加してしまう。
また、特許文献１では、ニューラルネットワークと重回帰分析とを組み合わせることは記載されているものの、具体的な技術は記載されていない。特に、自然エネルギーによる発電量をより詳細に予測するための具体的な方法は、特許文献１には記載されていない。 In the method of predicting the amount of power generated by natural energy by receiving the distribution of weather prediction data, the prediction accuracy of the power generation amount depends on the update frequency of the weather prediction data. The distribution of weather forecast data is generally updated at a certain time interval, for example, every 3 hours or every 6 hours. This time interval may reduce the power generation prediction accuracy. In order to make more detailed predictions, it is conceivable to process the distribution data using a weather model, but analysis using the weather model requires a large-scale parallel computer, etc., which increases equipment costs and operational costs. End up.
Moreover, although patent document 1 describes combining a neural network and multiple regression analysis, a specific technique is not described. In particular, Patent Document 1 does not describe a specific method for predicting in more detail the amount of power generated by natural energy.

本発明は、大規模な並列計算機などの大掛かりな設備を必要とせずに、自然エネルギーによる発電量をより詳細に予測することのできる発電量予測装置および発電量予測方法を提供する。 The present invention provides a power generation amount prediction apparatus and a power generation amount prediction method capable of predicting in more detail the amount of power generated by natural energy without requiring a large-scale facility such as a large-scale parallel computer.

本発明の第１の態様による発電量予測装置は、自然エネルギーにより発電を行う発電装置の発電量を予測する発電量予測装置であって、所定時間における気象実測値を取得し、前記気象実測値を前記所定時間における変化について平滑化する平滑化部と、前記所定時間における気象実測値と前記平滑化された前記気象実測値とを示す入力値と、前記入力値に対応する前記発電装置の発電量実績値を示す出力値と、ニューラルネットワークモデルと、を用いて入力値と出力値との関係の学習処理を行うニューラルネットワーク処理部と、直近の前記所定時間における前記気象実測値と、当該所定時間における変化について平滑化された当該気象実測値とを示す入力値を、前記学習処理の行われた前記ニューラルネットワークモデルに入力して、予測対象時刻における前記発電装置の発電量を予測する発電量予測部と、を具備する。 A power generation amount prediction apparatus according to a first aspect of the present invention is a power generation amount prediction apparatus that predicts a power generation amount of a power generation device that generates power using natural energy, obtains a weather measurement value at a predetermined time, and A smoothing unit that smoothes the change in the predetermined time, an input value indicating the measured weather value and the smoothed measured weather value in the predetermined time, and power generation of the power generation device corresponding to the input value A neural network processing unit that performs a learning process of a relationship between an input value and an output value by using an output value indicating a quantity actual value and a neural network model, the weather actual measurement value at the most recent predetermined time, and the predetermined An input value indicating the meteorological measurement value smoothed with respect to a change in time is input to the neural network model subjected to the learning process, It comprises a power generation amount prediction unit for predicting a power generation amount of the power generation device in measuring target time, a.

初期状態の異なる複数のニューラルネットワークモデルを具備し、前記ニューラルネットワーク処理部は、当該複数のニューラルネットワークモデルの各々に対して前記学習処理を行い、前記発電量予測部は、当該複数のニューラルネットワークモデルの出力値から前記発電装置の発電量予測値を求めるようにしてもよい。 A plurality of neural network models having different initial states, wherein the neural network processing unit performs the learning process on each of the plurality of neural network models, and the power generation amount prediction unit includes the plurality of neural network models. The power generation amount predicted value of the power generation device may be obtained from the output value.

本発明の第２の態様による発電量予測方法は、自然エネルギーにより発電を行う発電装置の発電量を予測する発電量予測装置の発電量予測方法であって、所定時間における気象実測値を取得し、前記気象実測値を前記所定時間における変化について平滑化する平滑化ステップと、前記所定時間における気象実測値と前記平滑化された前記気象実測値とを示す入力値と、前記入力値に対応する前記発電装置の発電量実績値を示す出力値と、ニューラルネットワークモデルと、を用いて入力値と出力値との関係の学習処理を行うニューラルネットワーク処理ステップと、直近の前記所定時間における前記気象実測値と、当該所定時間における変化について平滑化された当該気象実測値とを示す入力値を、前記学習処理の行われた前記ニューラルネットワークモデルに入力して、予測対象時刻における前記発電装置の発電量を予測する発電量予測ステップと、を有する。 A power generation amount prediction method according to a second aspect of the present invention is a power generation amount prediction method of a power generation amount prediction device that predicts the power generation amount of a power generation device that generates power using natural energy, and obtains a measured weather value at a predetermined time. A smoothing step for smoothing the meteorological measurement value with respect to a change at the predetermined time; an input value indicating the meteorological actual measurement value at the predetermined time and the smoothed meteorological measurement value; and the input value A neural network processing step of performing a learning process of a relationship between an input value and an output value using an output value indicating an actual power generation amount value of the power generation device and a neural network model; and the weather measurement at the most recent predetermined time. An input value indicating the value and the meteorological actual value smoothed with respect to the change in the predetermined time is used as the neural network subjected to the learning process. Enter the network model, having a power generation amount prediction step of predicting the power generation amount of the power generation device in the prediction target time.

上記した発電量予測装置および発電量予測方法によれば、大規模な並列計算機などの大掛かりな設備を必要とせずに、自然エネルギーによる発電量をより詳細に予測することができる。 According to the power generation amount prediction apparatus and the power generation amount prediction method described above, it is possible to predict the power generation amount due to natural energy in more detail without requiring a large-scale facility such as a large-scale parallel computer.

本発明の一実施形態における発電量予測装置の機能構成を示す概略ブロック図である。It is a schematic block diagram which shows the function structure of the electric power generation amount prediction apparatus in one Embodiment of this invention. 同実施形態における発電量予測部が発電量予測値を取得する処理の概要を示す説明図である。It is explanatory drawing which shows the outline | summary of the process in which the electric power generation amount prediction part in the embodiment acquires an electric power generation amount prediction value. 同実施形態における発電量予測部が用いる入力データの例を示すグラフである。It is a graph which shows the example of the input data which the electric power generation amount prediction part in the embodiment uses. 発電量予測値のシミュレーション結果の例を示す説明図である。It is explanatory drawing which shows the example of the simulation result of electric power generation amount predicted value. 同実施形態におけるニューラルネットワークモデル部が実現する、初期状態の異なる複数のニューラルネットワークモデルの例を示す説明図である。It is explanatory drawing which shows the example of the several neural network model from which the initial state which the neural network model part in the same embodiment implement | achieves differs.

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
また、以下では、風力発電装置の発電量を予測する場合を例に説明するが、本実施形態の適用範囲は風力発電装置の発電量予測に限らない。例えば太陽光発電や波力発電など、気象条件によって発電量が変化し得る様々な自然エネルギーの発電量予測に、本実施形態の風力発電装置を用いることができる。 Hereinafter, the present invention will be described through embodiments of the invention, but the following embodiments do not limit the invention according to the claims. In addition, not all the combinations of features described in the embodiments are essential for the solving means of the invention.
Moreover, although the case where the electric power generation amount of a wind power generator is estimated below is demonstrated to an example, the application range of this embodiment is not restricted to the electric power generation amount prediction of a wind power generator. For example, the wind power generator according to the present embodiment can be used for predicting the power generation amount of various natural energies whose power generation amount can change depending on weather conditions such as solar power generation and wave power generation.

図１は、本発明の一実施形態における発電量予測装置の機能構成を示す概略ブロック図である。同図において、発電量予測装置１００は、通信部１１０と、表示部１２０と、記憶部１８０と、制御部１９０とを具備する。制御部１９０は、平滑化部１９１と、ニューラルネットワークモデル部１９２と、ニューラルネットワーク処理部１９３と、発電量予測部１９４とを具備する。
また、通信部１１０は、通信ネットワーク９３０を介して風力発電装置９１０と風向風力計９２０とに接続されている。発電量予測装置１００と、風力発電装置９１０と、風向風力計９２０とで風力発電システム１を構成する。 FIG. 1 is a schematic block diagram illustrating a functional configuration of a power generation amount prediction apparatus according to an embodiment of the present invention. In the figure, the power generation amount prediction apparatus 100 includes a communication unit 110, a display unit 120, a storage unit 180, and a control unit 190. The control unit 190 includes a smoothing unit 191, a neural network model unit 192, a neural network processing unit 193, and a power generation amount prediction unit 194.
The communication unit 110 is connected to the wind power generator 910 and the wind direction anemometer 920 via the communication network 930. The power generation amount prediction device 100, the wind power generation device 910, and the wind direction anemometer 920 constitute the wind power generation system 1.

風力発電装置９１０は、風を受けて発電を行う。風力発電装置９１０は、発電装置の例に該当する。
風向風力計９２０は、風力発電装置の近傍に設けられ、発電に用いられる風の風力および風向を測定する。
通信ネットワーク９３０は、風力発電装置９１０と通信部１１０との通信、および風向風力計９２０と通信部１１０との通信を媒介する。通信ネットワーク９３０として様々な通信ネットワークを用いることができる。例えば、通信ネットワーク９３０としてインターネット（Internet）を用いるようにしてもよいし、専用回線で通信ネットワーク９３０を構成するようにしてもよい。 The wind power generator 910 receives power to generate power. The wind power generator 910 corresponds to an example of a power generator.
The wind direction anemometer 920 is provided in the vicinity of the wind power generator and measures the wind force and the wind direction of the wind used for power generation.
The communication network 930 mediates communication between the wind power generator 910 and the communication unit 110 and communication between the wind direction anemometer 920 and the communication unit 110. Various communication networks can be used as the communication network 930. For example, the Internet may be used as the communication network 930, or the communication network 930 may be configured with a dedicated line.

発電量予測装置１００は、風力発電装置９１０の発電量を予測する。ここでいう発電量は、発電電力であってもよいし、所定の単位時間（例えば１時間）あたりの発電電力量であってもよい。発電量予測装置１００は、例えばパソコン（Personal Computer；ＰＣ）等の情報処理装置を含んで構成される。 The power generation amount prediction device 100 predicts the power generation amount of the wind power generation device 910. The generated power here may be generated power, or may be generated power per predetermined unit time (for example, one hour). The power generation amount prediction apparatus 100 includes an information processing apparatus such as a personal computer (PC).

通信部１１０は、通信ネットワーク９３０を介して風力発電装置９１０や風向風力計９２０と通信を行う。特に、通信部１１０は、風向風力計９２０から風力や風向の実測値を、例えば１０分毎など定期的に取得（受信）する。通信部１１０が取得する風力や風向の実測値は、気象実測値の例に該当する。また、通信部１１０は、風力発電装置９１０から発電量実績値を、例えば１０分毎など定期的に取得する。 The communication unit 110 communicates with the wind power generator 910 and the wind direction anemometer 920 via the communication network 930. In particular, the communication unit 110 periodically obtains (receives) measured values of wind force and wind direction from the wind direction anemometer 920, for example, every 10 minutes. The measured values of wind force and wind direction acquired by the communication unit 110 correspond to examples of measured weather values. In addition, the communication unit 110 periodically acquires the actual power generation amount value from the wind power generator 910, for example, every 10 minutes.

記憶部１８０は、発電量予測装置１００の具備する記憶デバイスを用いて実現され、各種情報を記憶する。特に、記憶部１８０は、通信部１１０が風向風力計９２０から取得する風力や風向の実測値の履歴や、通信部１１０が風力発電装置９１０から取得する発電量実績値の履歴を記憶する。また、記憶部１８０は、風力や風向の実測値の履歴のうち所定時間分（例えば３時間分）について平滑化部１９１が重回帰分析を行って得られるデータを記憶する。 The memory | storage part 180 is implement | achieved using the memory | storage device with which the electric power generation amount prediction apparatus 100 comprises, and memorize | stores various information. In particular, the storage unit 180 stores a history of measured values of wind force and wind direction acquired by the communication unit 110 from the anemometer 920 and a history of actual power generation values acquired by the communication unit 110 from the wind power generator 910. In addition, the storage unit 180 stores data obtained by the smoothing unit 191 performing multiple regression analysis for a predetermined time (for example, 3 hours) in the history of measured values of wind force and wind direction.

制御部１９０は、発電量予測装置１００の各部を制御して各種機能を実行する。制御部１９０は、例えば発電量予測装置１００の具備するＣＰＵ（Central Processing Unit、中央処理装置）が、記憶部１８０からプログラムを読み出して実行することで実現される。 The control unit 190 executes various functions by controlling each unit of the power generation amount prediction apparatus 100. The control unit 190 is realized, for example, when a CPU (Central Processing Unit) included in the power generation amount prediction apparatus 100 reads out and executes a program from the storage unit 180.

平滑化部１９１は、所定時間における気象実測値を取得し、得られた気象実測値を所定時間における変化について平滑化する。例えば、平滑化部１９１は、記憶部１８０が記憶している風向や風力の実測値のうち直近３時間分について重回帰分析を行うことで、当該実測値の時系列データを平滑化する。
以下では、平滑化部１９１が重回帰分析を行って得られるデータを「平滑化データ」と称する。 The smoothing unit 191 acquires a weather measurement value at a predetermined time, and smoothes the obtained weather measurement value with respect to a change at the predetermined time. For example, the smoothing unit 191 smoothes the time series data of the actual measurement values by performing multiple regression analysis for the latest three hours of the wind direction and the actual wind power values stored in the storage unit 180.
Hereinafter, data obtained by the smoothing unit 191 performing multiple regression analysis is referred to as “smoothed data”.

ニューラルネットワークモデル部１９２は、ニューラルネットワークモデルを実現する。
ニューラルネットワークモデル部１９２がニューラルネットワークモデルを実現する方法は、ハードウェア的な方法であってもよいし、ソフトウェア的な方法であってもよい。すなわち、ニューラルネットワークモデル部１９２が、ハードウェアにて構成されたニューラルネットワークを有していてもよい。あるいは、ニューラルネットワークモデル部１９２が、ソフトウェアにてニューラルネットワークの演算（シミュレーション）を行うようにしてもよい。 The neural network model unit 192 implements a neural network model.
The method of realizing the neural network model by the neural network model unit 192 may be a hardware method or a software method. That is, the neural network model unit 192 may include a neural network configured by hardware. Alternatively, the neural network model unit 192 may perform calculation (simulation) of the neural network with software.

ニューラルネットワーク処理部１９３は、所定時間における気象実測値と平滑化された気象実測値とを示す入力値と、入力値に対応する風力発電装置９１０の発電量実績値を示す出力値と、ニューラルネットワークモデル部１９２の実現するニューラルネットワークモデルと、を用いて入力値と出力値との関係の学習処理を行う。
例えば、ニューラルネットワーク処理部１９３は、記憶部１８０が記憶している風向や風力の実測値のうち３時間分のデータと、当該データについて平滑化部１９１が重回帰分析を行った平滑化データとを、ニューラルネットワークモデルへの入力データとして用いる。また、ニューラルネットワーク処理部１９３は、入力データの終了時刻から所定時間後（例えば、上記３時間の終わりの時刻から１時間後）における発電量実績値を正解データとして用いる。ニューラルネットワーク処理部１９３は、これらの入力データおよび正解データをニューラルネットワークモデルに与えて、ニューラルネットワークにおける重み係数を学習させる。 The neural network processing unit 193 includes an input value indicating a measured weather value and a smoothed measured weather value at a predetermined time, an output value indicating an actual power generation amount value of the wind turbine generator 910 corresponding to the input value, and a neural network. A learning process of the relationship between the input value and the output value is performed using the neural network model realized by the model unit 192.
For example, the neural network processing unit 193 includes data for 3 hours among the wind direction and the measured value of wind force stored in the storage unit 180, and smoothed data obtained by performing the multiple regression analysis on the data by the smoothing unit 191. Are used as input data to the neural network model. In addition, the neural network processing unit 193 uses the power generation amount actual value after a predetermined time from the end time of the input data (for example, 1 hour after the end time of the 3 hours) as correct data. The neural network processing unit 193 gives the input data and the correct answer data to the neural network model to learn the weighting coefficient in the neural network.

発電量予測部１９４は、予測対象時刻における発電装置の発電量を予測する。
より具体的には、発電量予測部１９４は、ニューラルネットワーク処理部１９３が学習処理を行ったニューラルネットワークモデル（ニューラルネットワークモデル部１９２のニューラルネットワークモデル）に入力データを入力して、当該ニューラルネットワークモデルからの出力値を取得する。その際、発電量予測部１９４は、直近の所定時間における気象実測値（すなわち、所定時間前からの現在までの気象実測値）と、当該所定時間における変化について平滑化された当該気象実測値とを示す入力値を、入力データとして用いる。
そして、発電量予測部１９４は、ニューラルネットワークモデルからの出力値を、予測対象時刻（例えば、上記の学習例では１時間後）における発電量予測値として、表示部１２０へ出力する。 The power generation amount prediction unit 194 predicts the power generation amount of the power generation device at the prediction target time.
More specifically, the power generation amount prediction unit 194 inputs input data to the neural network model (the neural network model of the neural network model unit 192) that has undergone learning processing by the neural network processing unit 193, and the neural network model Get the output value from. At that time, the power generation amount predicting unit 194 calculates the meteorological measurement value at the most recent predetermined time (that is, the meteorological measurement value from the predetermined time to the present) and the meteorological measurement value smoothed with respect to the change at the predetermined time. Is used as input data.
Then, the power generation amount prediction unit 194 outputs the output value from the neural network model to the display unit 120 as the power generation amount prediction value at the prediction target time (for example, after one hour in the above learning example).

表示部１２０は、例えば液晶パネルなどの表示画面を有し、各種情報を表示する。特に、表示部１２０は、発電量予測部１９４が出力する発電量予測値を表示する。
但し、発電量予測装置１００が発電量予測値を出力する方法は、表示部１２０が表示する方法に限らない。例えば、通信部１１０が発電量予測値を他の装置へ送信するようにしてもよい。 The display unit 120 has a display screen such as a liquid crystal panel, for example, and displays various types of information. In particular, the display unit 120 displays the power generation amount predicted value output from the power generation amount prediction unit 194.
However, the method by which the power generation amount prediction apparatus 100 outputs the power generation amount prediction value is not limited to the method that the display unit 120 displays. For example, the communication unit 110 may transmit the power generation amount prediction value to another device.

図２は、発電量予測部１９４が発電量予測値を取得する処理の概要を示す説明図である。
同図に示す処理において、発電量予測部１９４は、記憶部１８０が記憶している風向測定値の履歴（例えば直近３時間分）を取得して、ニューラルネットワークモデル部１９２のニューラルネットワークへ入力する。また、発電量予測部１９４は、当該風向測定値の履歴を平滑化部１９１が平滑化したデータを、ニューラルネットワークモデル部１９２のニューラルネットワークへ入力する。
また、発電量予測部１９４は、記憶部１８０が記憶している風力測定値の履歴（例えば直近３時間分）を取得して、ニューラルネットワークモデル部１９２のニューラルネットワークへ入力する。また、発電量予測部１９４は、当該風力測定値の履歴を平滑化部１９１が平滑化したデータを、ニューラルネットワークモデル部１９２のニューラルネットワークへ入力する。 FIG. 2 is an explanatory diagram illustrating an outline of processing in which the power generation amount prediction unit 194 obtains a power generation amount prediction value.
In the processing shown in the figure, the power generation amount prediction unit 194 obtains the history of wind direction measurement values (for example, the latest three hours) stored in the storage unit 180 and inputs it to the neural network of the neural network model unit 192. . The power generation amount prediction unit 194 inputs data obtained by smoothing the wind direction measurement value history by the smoothing unit 191 to the neural network of the neural network model unit 192.
Further, the power generation amount prediction unit 194 acquires the history of wind force measurement values stored in the storage unit 180 (for example, the latest three hours) and inputs it to the neural network of the neural network model unit 192. In addition, the power generation amount prediction unit 194 inputs data obtained by smoothing the history of the wind force measurement values by the smoothing unit 191 to the neural network of the neural network model unit 192.

そして、発電量予測部１９４は、ニューラルネットワークからの出力値を発電量予測値として取得する。
なお、図２では、重回帰分析とニューラルネットワークとのそれぞれについて、処理を行う平滑化部の符号１９１と、ニューラルネットワークモデル部の符号１９２とを示している。 Then, the power generation amount prediction unit 194 acquires an output value from the neural network as a power generation amount prediction value.
FIG. 2 shows a smoothing unit code 191 and a neural network model unit code 192 for the multiple regression analysis and the neural network, respectively.

なお、ニューラルネットワークモデル部１９２の実現するニューラルネットワークモデルは、図２に示す３層パーセプトロンのモデルに限らず様々なニューラルネットワークのモデルとすることができる。例えば、ニューラルネットワークモデル部１９２の実現するニューラルネットワークモデルにおける層の数は２層であってもよいし４層以上であってもよい。また、ニューラルネットワークモデル部１９２がフィードバック型のニューラルネットワークのモデルを実現するようにしてもよい。 Note that the neural network model realized by the neural network model unit 192 is not limited to the three-layer perceptron model shown in FIG. 2, and can be various neural network models. For example, the number of layers in the neural network model realized by the neural network model unit 192 may be two layers or four or more layers. Further, the neural network model unit 192 may realize a feedback type neural network model.

また、図２の例では、図を見易くするためにデータの種類毎に１つの入力ノードを示しているが、ニューラルネットワークモデル部１９２の実現するニューラルネットワークモデルは、データ数に応じた入力ノードを有する。
具体的には、ニューラルネットワークモデル部１９２は、風向実測値の履歴におけるサンプリング時刻毎の入力ノードを有する。風向測定値の履歴の重回帰分析結果、風速測定値の履歴、および、風速測定値の履歴の重回帰分析結果についても同様である。
なお、ニューラルネットワークの重み係数の初期値としては、例えばランダムな値を用いる。あるいは、ユーザの入力する初期値をニューラルネットワーク処理部１９３が設定するようにしてもよい。 In addition, in the example of FIG. 2, one input node is shown for each data type for easy viewing of the figure, but the neural network model realized by the neural network model unit 192 has input nodes corresponding to the number of data. Have.
Specifically, the neural network model unit 192 includes an input node for each sampling time in the wind direction actual value history. The same applies to the multiple regression analysis result of the wind direction measurement value history, the wind speed measurement value history, and the multiple regression analysis result of the wind speed measurement value history.
For example, a random value is used as the initial value of the weighting coefficient of the neural network. Alternatively, the neural network processing unit 193 may set an initial value input by the user.

図３は、発電量予測部１９４が用いる入力データの例を示すグラフである。同図の横軸は時刻を示し、縦軸は風速を示す。
同図において、線Ｌ１１は、風速実測値を示す。また、線Ｌ１２は、時刻Ｔ１１から時刻Ｔ１２までの風速実測値を平滑化部１９１が重回帰分析したデータを示す。また、点Ｐ１１は、ニューラルネットワークモデル部１９２のニューラルネットワークからの出力を示す。
図３では、発電量予測部１９４が用いる入力データのうち風速実測値の履歴および当該風速実測値の履歴の重回帰分析データを示している。風向実測値の履歴および当該風向実測値の履歴の重回析分析データについても同様である。 FIG. 3 is a graph illustrating an example of input data used by the power generation amount prediction unit 194. In the figure, the horizontal axis indicates time, and the vertical axis indicates wind speed.
In the figure, a line L11 indicates the actual wind speed value. A line L12 indicates data obtained by performing multiple regression analysis on the measured wind speed from time T11 to time T12 by the smoothing unit 191. A point P11 indicates an output from the neural network of the neural network model unit 192.
In FIG. 3, the history of the wind speed actual measurement value and the multiple regression analysis data of the history of the wind speed actual measurement value among the input data used by the power generation amount prediction unit 194 are shown. The same applies to the history of the wind direction actual measurement value and the multiple diffraction analysis data of the history of the wind direction actual measurement value.

時刻Ｔ１２において、発電量予測部１９４は、時刻Ｔ１１から時刻Ｔ１２まで（例えば３時間分）の風向実測値および風速実測値と、当該風向実測値、風速実測値の各々を平滑化部１９１が重回帰分析したデータとを、ニューラルネットワークモデル部１９２へ入力する。
そして、発電量予測部１９４は、点Ｐ１１にて示されるニューラルネットワークからの出力をニューラルネットワークモデル部１９２から取得する。当該出力は、時刻Ｔ１２において未来の時刻（例えば１時間後）である時刻Ｔ１３における、風力発電装置９１０の発電量予測値を示す。 At time T12, the power generation amount prediction unit 194 includes a smoothing unit 191 that overlaps the measured wind direction value and the measured wind speed value from time T11 to time T12 (for example, for three hours), the measured wind direction value, and the measured wind speed value. The data subjected to the regression analysis is input to the neural network model unit 192.
Then, the power generation amount prediction unit 194 acquires the output from the neural network indicated by the point P11 from the neural network model unit 192. The output indicates a predicted power generation amount of the wind turbine generator 910 at time T13, which is a future time (for example, one hour later) at time T12.

また、ニューラルネットワーク処理部１９３も、発電量予測部１９４と同様の時間分（例えば３時間分）の風向実測値および風速実測値と、当該風向実測値、風速実測値の各々を平滑化部１９１が重回帰分析したデータとを、ニューラルネットワークモデル部１９２への入力データとして取得する。さらに、ニューラルネットワーク処理部１９３は、発電量予測部１９４が取得する発電量予測値と同様の時間間隔の発電量実績値（例えば、入力データとして用いる実測値データの最終時刻から１時間後の発電量実績値）を、正解データとして取得する。
そして、ニューラルネットワーク処理部１９３は、得られた入力データおよび正解データをニューラルネットワークモデル部１９２へ出力して、ニューラルネットワークにおける重み係数を学習させる。 The neural network processing unit 193 also smoothes the wind direction actual measurement value and the wind speed actual measurement value for the same amount of time as the power generation amount prediction unit 194 (for example, three hours), and the wind direction actual measurement value and the wind speed actual measurement value, respectively. Is obtained as input data to the neural network model unit 192. Furthermore, the neural network processing unit 193 generates a power generation amount actual value at a time interval similar to the power generation amount predicted value acquired by the power generation amount prediction unit 194 (for example, power generation one hour after the final time of actual measurement data used as input data). (Actual amount value) is acquired as correct answer data.
Then, the neural network processing unit 193 outputs the obtained input data and correct answer data to the neural network model unit 192 to learn the weighting coefficient in the neural network.

図４は、発電量予測値のシミュレーション結果の例を示す説明図である。同図の縦軸は基準時刻からの経過時間を示し、縦軸は、発電量を示す。
また、線Ｌ２１は、発電量実績値を示す。線Ｌ２２は、発電量予測装置１００のように重回帰分析とニューラルネットワークとを組み合わせた処理にて得られる発電量予測値を示す。線Ｌ２３は、重回帰分析を行わずにニューラルネットワークを用いて得られる発電量予測値を示す。 FIG. 4 is an explanatory diagram illustrating an example of the simulation result of the predicted power generation amount. In the figure, the vertical axis indicates the elapsed time from the reference time, and the vertical axis indicates the power generation amount.
A line L21 indicates the actual power generation amount. A line L22 indicates a power generation amount predicted value obtained by a process combining multiple regression analysis and a neural network as in the power generation amount prediction apparatus 100. A line L23 indicates a power generation amount prediction value obtained using a neural network without performing multiple regression analysis.

同図において、重回帰分析とニューラルネットワークとを組み合わせた場合の発電量予測値（線Ｌ２２）のほうが、重回帰分析を行わずにニューラルネットワークを用いた場合の発電量予測値（線Ｌ２３）よりも、発電量実績値（線Ｌ２１）に近くなっている。具体的には、重回帰分析とニューラルネットワークとを組み合わせた場合の誤差（発電量実測値との差）の平均二乗偏差のほうが、重回帰分析を行わずにニューラルネットワークを用いた場合の誤差の平均二乗偏差よりも小さい値となった。
また、重回帰分析とニューラルネットワークとを組み合わせた場合のほうが、重回帰分析を行わずにニューラルネットワークを用いた場合よりも、スムーズな予測値を得られている。 In the figure, the power generation amount predicted value (line L22) when the multiple regression analysis and the neural network are combined is more than the power generation amount predicted value (line L23) when the neural network is used without performing the multiple regression analysis. Is close to the actual power generation amount (line L21). Specifically, the mean square deviation of the error (difference from the measured power generation value) when combining multiple regression analysis and a neural network is the error when using a neural network without performing multiple regression analysis. The value was smaller than the mean square deviation.
Further, when the multiple regression analysis and the neural network are combined, a smooth predicted value is obtained as compared with the case where the neural network is used without performing the multiple regression analysis.

以上のように、平滑化部１９１は、所定時間における気象実測値を取得し、得られた気象実測値を所定時間における変化について平滑化する。また、ニューラルネットワーク処理部１９３は、所定時間における気象実測値と平滑化された気象実測値とを示す入力値と、当該入力値に対応する発電装置の発電量実績値を示す出力値とを用いて、ニューラルネットワークモデル部１９２の実現するニューラルネットワークモデルに、入力値と出力値との関係を学習させる。そして、発電量予測部１９４は、直近の所定時間における気象実測値と、当該所定時間における変化について平滑化された当該気象実測値とを示す入力値を、学習処理の行われたニューラルネットワークモデルに入力して、予測対象時刻における風力発電装置９１０の発電量を予測する。 As described above, the smoothing unit 191 acquires a weather measurement value at a predetermined time, and smoothes the obtained weather measurement value with respect to a change at the predetermined time. In addition, the neural network processing unit 193 uses an input value indicating a measured weather value and a smoothed measured weather value at a predetermined time, and an output value indicating an actual power generation amount value of the power generator corresponding to the input value. Thus, the neural network model realized by the neural network model unit 192 is made to learn the relationship between the input value and the output value. Then, the power generation amount prediction unit 194 uses the input value indicating the measured weather value at the latest predetermined time and the measured weather value smoothed with respect to the change at the predetermined time as the neural network model subjected to the learning process. The power generation amount of the wind power generator 910 at the prediction target time is predicted.

これにより、発電量予測装置１００では、大規模な並列計算機などの大掛かりな設備を必要とせずに、自然エネルギーによる発電量をより詳細に予測することができる。
具体的には、発電量予測装置１００は、気象予測データの更新時間間隔（例えば３時間毎）よりも短い時間間隔で気象実測値データを取得し、得られたデータに基づいて、気象予測データの更新時間間隔よりも詳細な時間毎の発電量予測値を求めることができる。
また、発電量予測装置１００が、気象予測データではなく気象実測値を用いることで、発電量予測装置１００の設計や製造の際に、気象予測データのフォーマットに応じた処理を実装する必要がない。この点において、発電量予測装置１００の開発コストを低減させることができる。 Thereby, the power generation amount prediction apparatus 100 can predict the power generation amount due to natural energy in more detail without requiring large-scale facilities such as a large-scale parallel computer.
Specifically, the power generation amount prediction apparatus 100 acquires weather measurement data at a time interval shorter than the update time interval (for example, every 3 hours) of the weather prediction data, and based on the obtained data, the weather prediction data It is possible to obtain a predicted power generation amount for each hour that is more detailed than the update time interval.
In addition, since the power generation amount prediction device 100 uses the actually measured weather value instead of the weather prediction data, it is not necessary to implement a process according to the format of the weather prediction data when the power generation amount prediction device 100 is designed or manufactured. . In this respect, the development cost of the power generation amount prediction apparatus 100 can be reduced.

また、発電量予測装置１００は、平滑化部１９１が平滑化した気象実測値をニューラルネットワークへの入力として用いる。これにより、発電量予測装置１００は、気象実測値における短期的な変動の影響や、気象実測値に含まれるノイズの影響を低減させて、平滑化を行わない場合よりも高精度な発電量予測値を得られる。
特に、平滑化部１９１が平滑化処理を行うことで、発電量予測装置１００は、気象実測値の傾向（変化率）を示すデータを取得し、当該傾向を示すデータに基づいて、より高精度に発電量予測値を求めることができる。 In addition, the power generation amount prediction apparatus 100 uses the actually measured weather value smoothed by the smoothing unit 191 as an input to the neural network. As a result, the power generation amount prediction apparatus 100 reduces the influence of short-term fluctuations in the actually measured weather value and the influence of noise included in the actually measured weather value, and thus predicts the power generation amount with higher accuracy than when smoothing is not performed. Get the value.
In particular, since the smoothing unit 191 performs the smoothing process, the power generation amount prediction apparatus 100 acquires data indicating the trend (change rate) of the actually measured weather value, and based on the data indicating the trend, the accuracy is higher. The predicted power generation value can be obtained.

また、発電量予測部１９４が、過去の気象実測値を全て用いるのではなく、直近の所定時間（例えば３時間）のデータを用いて発電量予測を行うことで、発電量予測の処理時間が比較的短くてすむ。
また、風向や風速の傾向は、１時間〜２時間程度で変化することが考えられる。発電量予測部１９４は、直近３時間の気象実測値を用いて発電量予測を行うことで、より高精度に発電量を予測し得る。 In addition, the power generation amount prediction unit 194 does not use all past weather measurement values, but performs power generation amount prediction using data of the latest predetermined time (for example, 3 hours), so that the power generation amount prediction processing time is It is relatively short.
Further, it is conceivable that the tendency of the wind direction and the wind speed changes in about 1 to 2 hours. The power generation amount prediction unit 194 can predict the power generation amount with higher accuracy by performing the power generation amount prediction using the weather measured values for the latest three hours.

なお、ニューラルネットワークの出力は重み係数の初期値に依存する。そこで、ニューラルネットワークモデル部１９２が、初期状態の異なる複数のニューラルネットワークモデルを実現することで、より適切な初期値に基づく発電量予測値を取得するようにしてもよい。
この場合、ニューラルネットワーク処理部１９３は、当該複数のニューラルネットワークモデルの各々に対して学習処理を行う。また、発電量予測部１９４は、当該複数のニューラルネットワークモデルの出力値から風力発電装置９１０の発電量予測値を求める。 Note that the output of the neural network depends on the initial value of the weighting coefficient. Therefore, the neural network model unit 192 may acquire a power generation amount predicted value based on a more appropriate initial value by realizing a plurality of neural network models having different initial states.
In this case, the neural network processing unit 193 performs a learning process on each of the plurality of neural network models. Further, the power generation amount prediction unit 194 obtains a power generation amount prediction value of the wind turbine generator 910 from the output values of the plurality of neural network models.

図５は、ニューラルネットワークモデル部１９２が実現する、初期状態の異なる複数のニューラルネットワークモデルの例を示す説明図である。
同図の例では、ニューラルネットワークモデル部１９２は、３つのニューラルネットワークのモデルを実現しており、ニューラルネットワーク毎に異なる重み係数初期値が設定されている。なお、ニューラルネットワークモデル部１９２が実現するニューラルネットワークモデルの数は３つに限らず、２つであってもよいし、４つ以上であってもよい。 FIG. 5 is an explanatory diagram showing an example of a plurality of neural network models with different initial states realized by the neural network model unit 192.
In the example shown in the figure, the neural network model unit 192 implements three neural network models, and different weighting coefficient initial values are set for each neural network. Note that the number of neural network models realized by the neural network model unit 192 is not limited to three, and may be two or four or more.

ニューラルネットワーク処理部１９３は、これらニューラルネットワークの各々に対して、上述した学習処理を行う。
また、発電量予測部１９４は、これらニューラルネットワークの各々に対して、上記と同様に入力データを与える。そして、発電量予測部１９４は、ニューラルネットワークの各々からの出力に基づいて、風力発電装置９１０の発電量予測値を算出する。 The neural network processing unit 193 performs the learning process described above for each of these neural networks.
The power generation amount prediction unit 194 provides input data to each of these neural networks in the same manner as described above. Then, the power generation amount prediction unit 194 calculates a power generation amount prediction value of the wind power generator 910 based on the output from each of the neural networks.

例えば、発電量予測部１９４は、ニューラルネットワークの各々からの出力に対して重回帰分析を行い、分析結果を発電量予測値として取得する。さらに例えば、発電量予測部１９４は、ニューラルネットワークの各々からの出力のうち、平均値から３σ（σは標準偏差を示す）以上離れたデータを、異常データとして除外する。そして、発電量予測部１９４は、残りの予測結果の平均を発電量予測値として取得する。
あるいは、発電量予測部１９４が、ニューラルネットワークの各々のうちいずれかを選択して、発電量予測値として取得するようにしてもよい。 For example, the power generation amount prediction unit 194 performs a multiple regression analysis on the output from each of the neural networks, and acquires the analysis result as a power generation amount prediction value. Further, for example, the power generation amount prediction unit 194 excludes, as abnormal data, data that is more than 3σ (σ indicates a standard deviation) from the average value among outputs from each of the neural networks. Then, the power generation amount prediction unit 194 acquires the average of the remaining prediction results as the power generation amount prediction value.
Alternatively, the power generation amount prediction unit 194 may select one of each of the neural networks and obtain it as a power generation amount prediction value.

以上のように、ニューラルネットワークモデル部１９２は、初期状態の異なる複数のニューラルネットワークモデルを具備（実現）する。そして、ニューラルネットワーク処理部１９３は、当該複数のニューラルネットワークモデルの各々に対して学習処理を行う。そして、発電量予測部１９４は、当該複数のニューラルネットワークモデルの出力値から風力発電装置９１０の発電量予測値を求める。
これにより、発電量予測装置１００は、ニューラルネットワークの出力に対する重み係数初期値の影響を軽減させることができる。この点において、発電量予測装置１００は、発電量予測値をより高精度に求め得る。 As described above, the neural network model unit 192 includes (realizes) a plurality of neural network models having different initial states. Then, the neural network processing unit 193 performs a learning process on each of the plurality of neural network models. Then, the power generation amount prediction unit 194 obtains a power generation amount prediction value of the wind turbine generator 910 from the output values of the plurality of neural network models.
As a result, the power generation amount prediction apparatus 100 can reduce the influence of the weighting coefficient initial value on the output of the neural network. In this respect, the power generation amount prediction apparatus 100 can obtain the power generation amount prediction value with higher accuracy.

なお、発電量予測装置１００が、太陽光発電設備の発電量予測を行うようにしてもよい。
ここで、従来の太陽光発電設備の発電量予測では、天気予報のデータ（晴れ・曇り・雨天など）といった情報を使用して、どのぐらいの太陽光が太陽光発電パネルに届くかを推定し、発電量を予測する。しかし、そういった天候のデータは曖昧で、実際の太陽光の量を予測するのが難しい。 Note that the power generation amount prediction apparatus 100 may perform the power generation amount prediction of the solar power generation facility.
Here, in the prediction of the amount of power generated by conventional photovoltaic power generation facilities, information such as weather forecast data (sunny, cloudy, rainy weather, etc.) is used to estimate how much sunlight reaches the photovoltaic power generation panel. , Predict power generation. However, such weather data is vague and it is difficult to predict the actual amount of sunlight.

そこで、発電量予測装置１００は、天気予報のデータに代えて例えば太陽光発電パネルの温度実測値に基づいて発電量を予測する。この場合も上記と同様に、平滑化部１９１は、温度測定値の平滑化を行い、ニューラルネットワーク処理部１９３や発電量予測部１９４は、温度実測値および平滑化された温度実測値をニューラルネットワークへの入力として用いる。 Therefore, the power generation amount prediction apparatus 100 predicts the power generation amount based on, for example, the measured temperature value of the photovoltaic power generation panel instead of the weather forecast data. Also in this case, similarly to the above, the smoothing unit 191 smoothes the temperature measurement value, and the neural network processing unit 193 and the power generation amount prediction unit 194 use the temperature measurement value and the smoothed temperature measurement value as the neural network. Used as input to

このように、発電量予測装置１００が、定量的評価が困難な天気予報のデータに代えて、定量的に評価可能な太陽光発電パネルの温度実測値を用いることで、発電量の予測精度向上が期待される。
また、発電量予測装置１００では、観測したデータのそのものだけでなく、データの平滑化された変化率も考慮することができる点において、発電量の予測精度がさらに向上することが期待される。 In this way, the power generation amount prediction apparatus 100 improves the prediction accuracy of the power generation amount by using the measured temperature value of the photovoltaic power generation panel that can be quantitatively evaluated instead of the weather forecast data that is difficult to quantitatively evaluate. There is expected.
Further, the power generation amount prediction apparatus 100 is expected to further improve the power generation amount prediction accuracy in that not only the observed data itself but also the smoothed change rate of the data can be taken into consideration.

また、この場合も上記と同様に、発電量予測装置１００では、大規模な並列計算機などの大掛かりな設備を必要とせずに、自然エネルギーによる発電量をより詳細に予測することができる。
また、発電量予測装置１００が、気象予測データではなく気象実測値を用いることで、発電量予測装置１００の設計や製造の際に、気象予測データのフォーマットに応じた処理を実装する必要がない。この点において、発電量予測装置１００の開発コストを低減させることができる。 Also in this case, similarly to the above, the power generation amount prediction apparatus 100 can predict the power generation amount by natural energy in more detail without requiring large-scale facilities such as a large-scale parallel computer.
In addition, since the power generation amount prediction device 100 uses the actually measured weather value instead of the weather prediction data, it is not necessary to implement a process according to the format of the weather prediction data when the power generation amount prediction device 100 is designed or manufactured. . In this respect, the development cost of the power generation amount prediction apparatus 100 can be reduced.

また、発電量予測部１９４が、過去の気象実測値を全て用いるのではなく、直近の所定時間（例えば３時間）のデータを用いて発電量予測を行うことで、発電量予測の処理時間が比較的短くてすむ。
なお、上記と同様、ニューラルネットワークモデル部１９２が、初期状態の異なる複数のニューラルネットワークモデルを実現することで、より適切な初期値に基づく発電量予測値を取得するようにしてもよい。 In addition, the power generation amount prediction unit 194 does not use all past weather measurement values, but performs power generation amount prediction using data of the latest predetermined time (for example, 3 hours), so that the power generation amount prediction processing time is It is relatively short.
As described above, the neural network model unit 192 may acquire a power generation amount prediction value based on a more appropriate initial value by realizing a plurality of neural network models having different initial states.

なお、発電量予測装置１００の全部または一部の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより各部の処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。
また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。 Note that a program for realizing all or part of the functions of the power generation amount prediction apparatus 100 is recorded on a computer-readable recording medium, and the program recorded on the recording medium is read into a computer system and executed. You may process each part by. Here, the “computer system” includes an OS and hardware such as peripheral devices.
Further, the “computer system” includes a homepage providing environment (or display environment) if a WWW system is used.
The “computer-readable recording medium” refers to a storage device such as a flexible medium, a magneto-optical disk, a portable medium such as a ROM and a CD-ROM, and a hard disk incorporated in a computer system. The program may be a program for realizing a part of the functions described above, and may be a program capable of realizing the functions described above in combination with a program already recorded in a computer system.

以上、本発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計変更等も含まれる。 The embodiment of the present invention has been described in detail with reference to the drawings. However, the specific configuration is not limited to this embodiment, and includes design changes and the like without departing from the gist of the present invention.

１風力発電システム
１００発電量予測装置
１１０通信部
１２０表示部
１８０記憶部
１９０制御部
１９１平滑化部
１９２ニューラルネットワークモデル部
１９３ニューラルネットワーク処理部
１９４発電量予測部
９１０風力発電装置
９２０風向風力計
９３０通信ネットワーク
DESCRIPTION OF SYMBOLS 1 Wind power generation system 100 Power generation amount prediction apparatus 110 Communication part 120 Display part 180 Storage part 190 Control part 191 Smoothing part 192 Neural network model part 193 Neural network processing part 194 Power generation amount prediction part 910 Wind power generation apparatus 920 Wind direction anemometer 930 Communication network

Claims

A power generation amount prediction device that predicts the power generation amount of a power generation device that generates power using natural energy,
A smoothing unit that obtains a weather measurement value at a predetermined time and smoothes the weather measurement value with respect to a change at the predetermined time;
An input value indicating the measured weather value at the predetermined time and the smoothed measured weather value, an output value indicating the actual power generation amount value of the power generator corresponding to the input value, and a neural network model A neural network processing unit that performs a learning process of a relationship between an input value and an output value,
An input value indicating the actual weather measurement value at the most recent predetermined time and the actual weather measurement value smoothed with respect to the change at the predetermined time is input to the neural network model subjected to the learning process, and predicted A power generation amount prediction unit that predicts a power generation amount of the power generation device at a target time;
A power generation amount prediction apparatus comprising:

It has a plurality of neural network models with different initial states,
The neural network processing unit performs the learning process on each of the plurality of neural network models,
The power generation amount prediction unit obtains a power generation amount prediction value of the power generation device from output values of the plurality of neural network models.
The power generation amount prediction apparatus according to claim 1.

A power generation amount prediction method of a power generation amount prediction device that predicts a power generation amount of a power generation device that generates power with natural energy,
Obtaining a meteorological measurement value at a predetermined time, and smoothing the meteorological measurement value with respect to a change at the predetermined time;
An input value indicating the measured weather value at the predetermined time and the smoothed measured weather value, an output value indicating the actual power generation amount value of the power generator corresponding to the input value, and a neural network model A neural network processing step for performing a learning process of the relationship between the input value and the output value using,
An input value indicating the actual weather measurement value at the most recent predetermined time and the actual weather measurement value smoothed with respect to the change at the predetermined time is input to the neural network model subjected to the learning process, and predicted A power generation amount prediction step for predicting a power generation amount of the power generation device at a target time; and
A method for predicting the amount of power generation.