JP2018036196A - 風速予測装置、風速予測システム、風速予測方法及びプログラム - Google Patents

Abstract

【課題】風速の予測において、予測誤差の信頼区間を精度良く予測することを目的とする。【解決手段】風速を予測する風速予測装置が、現時点より過去の時点における風速を計測した実績値及び前記実績値を予測した予測値を示す学習データを入力し、前記学習データに基づいて、前記現時点から所定の時間後となる予測時点における風速のモデルと、前記モデルに基づいて前記予測時点における予測誤差の信頼区間とを少なくとも計算し、前記予測誤差の信頼区間の評価指標を計算し、前記評価指標に基づいて、前記学習データのうち、予測に用いる期間データを決定することで上記課題を解決する。【選択図】図８

Description

本発明は、風速予測装置、風速予測システム、風速予測方法及びプログラムに関する。

計算機等が、風力発電において発電される電力を気象条件等に基づいて計算して予測する方法が知られている。

例えば、風力発電出力を精度良く予測する方法が知られている。具体的には、まず、風力発電出力予測装置が、過去の地形条件、気象条件及び実測値を用いて、複数の物理モデル及び複数の統計モデルについて集団学習し、複数の物理モデル及び複数の統計モデルを最適に組み合わせた最終モデルを決定する。次に、風力発電出力予測装置が、最終モデルを用いて、過去よりも後の特定の時刻における地形条件、気象条件及び実測値に基づいて、特定の時刻における対象地点の風力発電出力の最終予測値を算出する。このように、最適化された最終モデルを用いることで、風力発電出力予測装置が風力発電出力を精度良く予測できる方法が知られている（例えば、特許文献１）。

他にも、計算機等が、風速の３乗に基づいて、発電される電力を計算して予測する方法等が知られている。

また、自然エネルギー量予測装置が、まず、自然エネルギー量の変化に関連する説明変数を取得して、確率分布を計算する。そして、自然エネルギー量予測装置が、自然エネルギー量の予測値の信頼区間を確率分布に基づいて計算する。このようにして、自然エネルギーから得られる単位時間当たりのエネルギー量の予測値を予測誤差の分布を含めて精度良く予測する方法が知られている（例えば、特許文献２）。

特開２００７―２３３６３９号公報 特開２０１４―２１５５５号公報

しかしながら、従来の方法では、季節等による風速の変動特性等が考慮されていない。すなわち、風速は、季節等によって変動特性があるため、変動特性を考慮しないで風速の予測が行われると、予測誤差の信頼区間を精度良く予測できない場合がある。

本発明の１つの側面は、このような問題に鑑みてなされたものであり、風速の予測において、予測誤差の信頼区間を精度良く予測することを目的とする。

上述した課題を解決し、目的を達成するため、本発明の一実施形態における、風速を予測する風速予測装置は、
現時点より過去の時点における風速を計測した実績値及び前記実績値を予測した予測値を示す学習データを入力する入力部と、
前記学習データに基づいて、前記現時点から所定の時間後となる予測時点における風速のモデルと、前記モデルに基づいて前記予測時点における予測誤差の信頼区間とを少なくとも計算する計算部と、
前記予測誤差の信頼区間の評価指標を計算する評価指標計算部と、
前記評価指標に基づいて、前記学習データのうち、予測に用いる期間データを決定する決定部と
を含む。

本発明によれば、風速の予測において、予測誤差の信頼区間を精度良く予測することができる。

本発明の一実施形態における風速予測装置のハードウェア構成の一例を示すブロック図である。 本発明の一実施形態における風速予測装置による全体処理の一例を示すフローチャートである。 本発明の一実施形態における学習データの一例を示す図である。 本発明の一実施形態における全体処理例を示す模式図である。 本発明の一実施形態における学習データの予測誤差の信頼区間の一例を示す図である。 本発明の一実施形態における予測誤差の信頼区間に基づく学習データの選定例を示す図である。 本発明の一実施形態における効果の一例を示す図である。 本発明の一実施形態における風速予測装置の機能構成の一例を示す機能ブロック図である。

以下、本発明の実施形態を図面に基づいて説明する。

１．風速予測装置のハードウェア構成例
２．風速予測装置による全体処理例
３．風速予測装置の機能構成例

≪ １． 風速予測装置のハードウェア構成例 ≫
風速予測装置は、例えば、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等の情報処理装置である。以下、風速予測装置がＰＣである例で説明する。

図１は、本発明の一実施形態における風速予測装置のハードウェア構成の一例を示すブロック図である。具体的には、ＰＣ１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１と、記憶装置１０２と、ネットワークＩ／Ｆ（ｉｎｔｅｒｆａｃｅ）１０３と、入力Ｉ／Ｆ１０４と、出力Ｉ／Ｆ１０５とを有する。つまり、風速予測装置は、プログラムを実行して処理を行うコンピュータである。

ＣＰＵ１０１は、各種処理及び各種制御を実現するための演算と各種データの加工とを行う演算装置である。さらに、ＣＰＵ１０１は、ＰＣ１０が有するハードウェアを制御する制御装置である。

記憶装置１０２は、ＰＣ１０が使うデータ、プログラム及び設定値等を記憶する。また、記憶装置１０２は、いわゆるメモリ（ｍｅｍｏｒｙ）等である。なお、記憶装置１０２は、ハードディスク（ｈａｒｄｄｉｓｋ）等の補助記憶装置等を有してもよい。

ネットワークＩ／Ｆ１０３は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等のネットワークを介して接続される装置と各種データ等を送受信する。例えば、ネットワークＩ／Ｆ１０３は、ＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃｏｎｔｒｏｌｌｅｒ）及びＬＡＮケーブルを接続させるコネクタ等である。なお、ネットワークＩ／Ｆ１０３は、ネットワークを利用するＩ／Ｆに限られず、ケーブル、無線又はコネクタ等によって外部装置と送受信するＩ／Ｆであってもよい。

入力Ｉ／Ｆ１０４は、ＰＣ１０を使うユーザとのインタフェースである。具体的には、入力Ｉ／Ｆ１０４は、ユーザが行う各種操作を入力する。例えば、入力Ｉ／Ｆ１０４は、キーボード等の入力装置及び入力装置をＰＣ１０に接続させるコネクタ等によって構成される。

出力Ｉ／Ｆ１０５は、ＰＣ１０を使うユーザとのインタフェースである。具体的には、出力Ｉ／Ｆ１０５は、ＰＣ１０が行う各種処理の処理結果等をユーザに出力する。例えば、出力Ｉ／Ｆ１０５は、ディスプレイ等の出力装置及び出力装置をＰＣ１０に接続させるコネクタ等である。

なお、ＰＣ１０は、各ハードウェア資源による処理等を補助する補助装置を更に有する構成でもよい。また、ＰＣ１０は、各種処理を並列、冗長又は分散して処理するため、装置を内部又は外部に更に有してもよい。さらに、ＰＣ１０は、複数の情報処理装置で構成されてもよい。

≪ ２． 風速予測装置による全体処理例 ≫
図２は、本発明の一実施形態における風速予測装置による全体処理の一例を示すフローチャートである。例えば、ＰＣは、図示するような処理を行う。

≪ 学習データの入力例（ステップＳ１０１） ≫
ステップＳ１０１では、ＰＣは、学習データＤＬを入力する。学習データＤＬには、風速の予測を行う現時点より過去の時点において、風速を計測した結果（以下「実績値」という。）が含まれる。また、学習データＤＬには、実績値を予測した結果（以下「予測値」という。）が含まれる。例えば、学習データＤＬ、すなわち、実績値及び予測値は、以下のようなデータである。

図３は、本発明の一実施形態における学習データの一例を示す図である。図では、横軸を時間とし、縦軸を風速とする。また、この例では、予測を行う現在の時点を現時点ＴＣとする。

図示する学習データＤＬは、現時点ＴＣより過去に、６時点において実績値が計測された場合の例のデータである。具体的には、図示する例では、第１時間Ｔ１、第２時間Ｔ２、第３時間Ｔ３、第４時間Ｔ４、第５時間Ｔ５及び第６時間Ｔ６の時点で、それぞれの実績値がそれぞれ計測されたとする。図では、各時点で計測されたそれぞれの実績値ＲＥＳを点で示す。なお、実績値ＲＥＳは、不定期に計測された値でもよい。

そして、図示するように、学習データＤＬには、実績値ＲＥＳを予測した予測値ＣＡＬが入力される。すなわち、各時点より更に過去の時点において、各時点の風速を予測した結果が予測値ＣＡＬである。このように、学習データＤＬは、複数の時点において計測された実績値と、実績値を予測した予測値とがあらかじめ入力されたデータである。例えば、ＰＣは、１年分の学習データＤＬを入力する。以下、学習データＤＬが１年分のデータである例で説明する。

≪ 学習データの構築例（ステップＳ１０２） ≫
図２に戻り、ステップＳ１０２では、ＰＣは、学習データを構築する。具体的には、まず、ＰＣは、学習データを分割する。なお、ＰＣは、分割されたそれぞれのデータ（以下「期間データ」という。）が、均等に、所定の期間となるように学習データを分割する。例えば、所定の期間が「１か月」とあらかじめ設定される場合には、１年分の学習データは、１か月単位で期間データに分割され、各期間データは、１か月分の各時点における実績値及び予測値を示すデータとなる。そして、このように1か月単位で分割されると、１年分の学習データから、１２個の期間データが分割によって生成される。以下、学習データは、「ｍ」個の期間データに分割されるとする。なお、所定の期間は、例えば、１分単位、１時間単位、１日単位、１週間単位又は季節単位等でもよい。そして、所定の期間は、例えば、ユーザ操作等によってＰＣにあらかじめ設定される。

また、期間データを以下の説明では、下記（１）式のように示す。

なお、上記（１）式に示す期間データのうち、最も現時点に近いデータ、すなわち、最新のデータを添え字の「１」とする。一方で、上記（１）式に示す期間データのうち、最も現時点に遠いデータ、すなわち、最も古いデータを添え字の「ｍ」とする。

次に、ＰＣは、分割によって生成された複数の期間データのうち、１つ又は２つ以上の組み合わせを選択する。以下、現時点から近い順に、複数の期間データが、ＰＣによって選択されるとする。

≪ 学習データに基づくモデルの計算例（ステップＳ１０３） ≫
図２に戻り、ステップＳ１０３では、ＰＣは、学習データに基づいてモデルを計算する。すなわち、ＰＣは、ステップＳ１０２によって分割された期間データのうち、１つ又は複数の期間データを用いて、モデルを計算する。

以下、予測を行う現時点を「ｉ」とする。そして、ＰＣは、「ｉ」の現時点から、所定の時間後となる予測時点の風速を予測する。また、以下の説明では、所定の時間単位を「ステップ」という。また、予測時点は、「ｋステップ」先の時点という。具体的には、所定の時間を「１時間」単位とすると、「１ステップ」は、「１時間」となる。したがって、この例では、例えば、５時間後の予測時点は、「５ステップ」先の時点となる。

そして、過去の「ｉ」時点において、「ｋステップ」先の予測時点における予測値及び実績値に基づいて、予測時点における予測誤差は、下記（２）式のように計算される。

また、上記（２）式で示す予測誤差の標準偏差は、下記（３）式のように計算される。

そして、現時点から「ｋステップ」先の予測値についての標準偏差は、例えば、下記（４）式に示すモデルによって計算できる。

以上のように、学習データに基づいて、モデルが計算される。そして、上記（４）式に示すように、モデルが計算されると、予測値の標準偏差が計算できる。このようにして、学習データに基づいて、学習が行われる。

≪ 評価指標の計算例（ステップＳ１０４） ≫
図２に戻り、ステップＳ１０４では、ＰＣは、評価指標をモデルごとに計算する。例えば、評価指標は、ＰＩＣＰ（Ｐｒｅｄｉｃｔｉｏｎ Ｉｎｔｅｒｖａｌ Ｃｏｖｅｒａｇｅ Ｐｒｏｂａｂｉｌｉｔｙ）である。また、ＰＩＣＰは、例えば、下記（５）式によって計算される値である。

例えば、まず、上記（４）式に示すモデルに基づいて、標準偏差が計算されると、「１σ」の下限値及び上限値のそれぞれの推定値が計算できる。そして、上記（５）式に示すように、実績値が、下限値及び上限値の範囲、すなわち、予測誤差の信頼区間に入ったか否かによって、「ｃ_ｉ（ｋ）」が「１」又は「０」に定まる。次に、各「ｃ_ｉ（ｋ）」をサンプル数「Ｎ」で除算した値の総和を計算すると、ＰＣは、上記（５）式のように、ＰＩＣＰを計算することができる。

ＰＩＣＰのより詳しい計算方法は、例えば、「Ａｂｂａｓ Ｋｈｏｓｒａｖｉ， Ｓａｅｉｄ Ｎａｈａｖａｎｄｉ ａｎｄ Ｄｏｕｇ Ｃｒｅｉｇｈｔｏｎ，"Ｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ Ｏｐｔｉｍａｌ Ｐｒｅｄｉｃｔｉｏｎ Ｉｎｔｅｒｖａｌｓ ｆｏｒ Ｌｏａｄ Ｆｏｒｅｃａｓｔｉｎｇ Ｐｒｏｂｒｅｍ"，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐｏｗｅｒ Ｓｙｓｔｅｍｓ， Ｖｏｌ.２５， Ｉｓｓｕｅ ３， ｐｐ．１４９６―１５０３（２０１０）」に記載されている方法等である。

これらの推定値は、上記（５）式における「ｌ_ｊ」及び「ｕ_ｊ」となる。一方で、「１σ」となる標準偏差では、予測誤差の信頼区間に理論上、実績値が含まれる確率は、約６８．２７パーセントとなる。さらに、ＰＩＣＰの理論値は、標準偏差の整数倍ごとに、下記（６）式のようになる。

したがって、ＰＣは、上記（５）式によって計算されるＰＩＣＰと、上記（６）式とのノルム「Ｅ（ｋ）」を下記（７）式のように最小化する問題を計算する。

なお、上記（７）式において解が存在するには、学習期間の候補は、有限個である条件となる。そして、有限個の学習期間の候補を「ｍ」個用意し、用意された「ｍ」個の学習期間の下で、ＰＣは、それぞれのＰＩＣＰを計算する。このように、上記（７）式の問題を計算すると、ＰＣは、ノルム「Ｅ（ｋ）」が最小となる予測誤差の信頼区間を計算できる。すなわち、上記（７）式に示す問題を計算すると、ＰＣは、上記（６）式に示す理論値に最も近い分布となる期間データを選定できる。

≪ 「ｋ＝ｋ_ｍａｘ」であるか否かの判断例（ステップＳ１０５） ≫
図２に戻り、ステップＳ１０５では、ＰＣは、「ｋ＝ｋ_ｍａｘ」であるか否かを判断する。そして、「ｋ＝ｋ_ｍａｘ」でないとＰＣが判断すると（ステップＳ１０５でＮＯ）、ＰＣは、ステップＳ１０６に進む。一方で、「ｋ＝ｋ_ｍａｘ」であるとＰＣが判断すると（ステップＳ１０５でＹＥＳ）、ＰＣは、ステップＳ１０７に進む。

「ｋ_ｍａｘ」は、予測を行うステップの最大値である。具体的には、「８０」ステップ先まで予測を行う場合には、「ｋ_ｍａｘ＝８０」となる。

≪ 「ｋ＝ｋ＋１」の計算例（ステップＳ１０６） ≫
ステップＳ１０６では、ＰＣは、「ｋ＝ｋ＋１」を計算する。すなわち、ステップＳ１０６によって、ＰＣは、「ｋ」を「＋１」として、「ｋ」が「ｋ_ｍａｘ」となるまで、ステップＳ１０３乃至ステップＳ１０５を繰り返し行う。

≪ 「ｉ＝ｍ」であるか否かの判断例（ステップＳ１０７） ≫
ステップＳ１０７では、ＰＣは、「ｉ＝ｍ」であるか否かを判断する。そして、「ｉ＝ｍ」でないとＰＣが判断すると（ステップＳ１０７でＮＯ）、ＰＣは、ステップＳ１０８に進む。一方で、「ｉ＝ｍ」であるとＰＣが判断すると（ステップＳ１０７でＹＥＳ）、ＰＣは、ステップＳ１０９に進む。

≪ 「ｉ＝ｉ＋１」の計算例（ステップＳ１０８） ≫
ステップＳ１０８では、ＰＣは、「ｉ＝ｉ＋１」を計算する。すなわち、ステップＳ１０８によって、ＰＣは、「ｉ」を「＋１」として、「ｉ」が「ｍ」となるまで、ステップＳ１０２乃至ステップＳ１０７を繰り返し行う。

以上のように、ステップＳ１０５乃至ステップＳ１０８によって、ステップごと、かつ、学習データごとに、モデル及び評価指標が計算される。そして、あらかじめ設定される判定条件となる「ｋ＝ｋ_ｍａｘ」かつ「ｉ＝ｍ」となると、モデル及び評価指標を計算する繰り返しが終了する。

以上のような処理を図示すると、例えば、以下のように示せる。

図４は、本発明の一実施形態における全体処理例を示す模式図である。図では、横軸を時間とし、縦軸を「ｉ」、すなわち、１回の図２に示すステップＳ１０２乃至ステップＳ１０４の処理結果とする。したがって、図では、縦軸において、上から（「ｉ＝１」からとする。）下に向かって（すなわち、「ｉ＝ｍ」となるまで）繰り返しステップＳ１０２乃至ステップＳ１０４が行われるとする。

例えば、図示するように、現時点ＴＣより過去の実績値及び予測値を含む学習データＤＬがあらかじめＰＣに入力される（図２に示すステップＳ１０１）。そして、図示するように、学習データＤＬは、所定の期間ごとに分割され、分割によって、あらかじめ期間データＤＴが生成されるとする（図２に示すステップＳ１０２）。

図示する例では、まず、「ｉ＝１」において、ＰＣは、第１期間ＴＭ１の期間データＤＴを学習データＤＬから選択し、第１期間ＴＭ１の期間データＤＴを用いて、第１モデルｆ１を計算する（図２に示すステップＳ１０３）。このようにすると、「ｉ＝１」において、ＰＣは、第１モデルｆ１に基づいて、例えば、上記（５）式を用いて、第１評価指標ＥＶ１を計算する（図２に示すステップＳ１０４）。

次に、図２に示すステップＳ１０８によって、ＰＣは、「ｉ＝２」とする。そして、「ｉ＝２」において、ＰＣは、「ｉ＝１」と同様に、まず、期間データＤＴを選択する。図示する例では、ＰＣは、第１期間ＴＭ１及び第２期間ＴＭ２の期間データＤＴを学習データＤＬから選択する（図２に示すステップＳ１０２）。次に、ＰＣは、第１期間ＴＭ１及び第２期間ＴＭ２の期間データＤＴを用いて、第２モデルｆ２を計算する（図２に示すステップＳ１０３）。このようにすると、「ｉ＝２」において、ＰＣは、第２モデルｆ２に基づいて、例えば、上記（５）式を用いて、第２評価指標ＥＶ２を計算する（図２に示すステップＳ１０４）。

以下、図示するように、ＰＣは、「ｉ＝ｍ」となるまで繰り返し「ｉ＝１」等と同様の処理を行う。

なお、ＰＣは、予測時点ごとにそれぞれのモデルを計算、すなわち、予測時点ごとに、それぞれの予測に用いる期間データをそれぞれ決定するのが望ましい。具体的には、「ｋ＝１」のステップにおけるモデルを計算するのに用いられる期間データと、「ｋ＝２」のステップにおけるモデルを計算するのに用いられる期間データとは、別々に決定されるのが望ましい。したがって、ステップごとに、モデルの計算等は、独立して別個に行われるのが望ましい。具体的には、図２に図示するように、ステップＳ１０６で「ｋ＝ｋ＋１」となるたびに、ステップＳ１０３でモデルが計算されるのが望ましい。

このように、ステップごとに、それぞれの期間データが選択されると、用いられる期間データが異なる場合があるため、計算によって生成されるモデルも、ステップごとにそれぞれ異なるモデルとなる場合がある。このようにして、予測時点ごとに最適な期間データが決定されると、ＰＣは、それぞれの予測時点により適したモデルを計算することができる。

≪ 予測誤差の信頼区間に基づく期間データの決定例（ステップＳ１０９） ≫
図２に戻り、ステップＳ１０９では、ＰＣは、まず、予測誤差の信頼区間を決定する。予測誤差の信頼区間は、例えば、以下のように決定される。

図５は、本発明の一実施形態における予測誤差の信頼区間の一例を示す図である。例えば、モデルに基づいて、上記（４）式のように、モデルに基づいて標準偏差が計算されると、予測誤差の信頼区間の上限値と、下限値とが決定するため、予測誤差の信頼区間が定まる。

図５（Ａ）に示すように、例えば、標準偏差が「１σ」となる予測誤差の信頼区間には、約６８．２７パーセントの確率で実績値が含まれることになる。また、予測誤差の信頼区間は、例えば、図５（Ｂ）のようにも図示できる。図示するように、予測誤差の信頼区間は、上限値と下限値とによって定まる予測誤差の平均値を中心とした幅である。なお、予測値と、予測誤差の平均値は、同意である。

そして、図５（Ｂ）に示すように、現時点ＴＣから「ｋステップ」先の予測時点において、予測値を計算するのに、決定された予測誤差の信頼区間となるように、例えば、以下のように学習データが選定される。

図６は、本発明の一実施形態における予測誤差の信頼区間に基づく学習データの選定例を示す図である。図では、縦軸をＰＩＣＰとし、横軸をステップ「ｋ」とする。図は、標準偏差が「１σ」となる予測誤差の信頼区間にする例である。

図示するように、学習データの期間データが、現時点ＴＣから直近「１５日」分、直近「３０日」分、直近「４５日」分、直近「６０日」分及び直近「７５日」分のデータである例で説明する。そして、この例は、各ステップ「ｋ」において、各期間データに基づいて計算されるモデルに対するＰＩＣＰの計算結果を示す。

そして、上記（７）式に基づいて、各ＰＩＣＰの計算結果のうち、理論値に最も近い計算結果となる期間データが、ステップごとに選定される。すなわち、選定結果ＤＲは、各ステップにおいて、最も理論値に近いＰＩＣＰとなった期間データの組み合わせである。

具体的には、ステップが「１」（すなわち、「ｋ＝１」である。）の場合には、「３０日」分の期間データを用いると、ＰＩＣＰが理論値に最も近い値であるため、この例では、ステップ「１」では、「３０日」分の期間データが選定される選定結果ＤＲとなる。次に、ステップが「２」（すなわち、「ｋ＝２」である。）の場合には、「４５日」分の期間データを用いると、ＰＩＣＰが理論値に最も近い値であるため、この例では、ステップ「２」では、「４５日」分の期間データが選定される選定結果ＤＲとなる。このようにして、各ステップにおいて、ＰＩＣＰに基づいて、いずれかの期間データが選定されて、選定結果ＤＲが定まる。

以上のように決定される期間データを用いて、各ステップでは、ＰＣによって、風速が予測される。つまり、図示する例では、ステップ「１」では、学習データのうち、直近「３０日」分の期間データが用いられて風速の予測が行われる。このように、ＰＩＣＰ等の評価指標に基づいて決定された学習データが用いられると、ＰＣは、精度良く予測誤差の信頼区間を予測することができる。

なお、選定される期間データは、現時点から連続するデータでなくともよい。すなわち、例えば、ＰＣは、現時点から直近の期間データを選択しないでもよい。例えば、直近「１日」分、すなわち、昨日の期間データが選定されず、直近「２日」から「１６日」までの「１５日」分等というように、ＰＣは、直近の期間データが含まれない選定を行ってもよい。直近の期間データが選定されると、季節性の影響が大きくなる場合がある。そこで、季節性の影響を少なくするため、ＰＣは、現時点から直近の期間データを選択しない選定を行ってもよい。

図７は、本発明の一実施形態における効果の一例を示す図である。まず、図示するように、ＰＩＣＰが計算され、ＰＩＣＰが最も理論値に近くなる期間データＤＴが選定される。次に、ＰＣは、選定された期間データＤＴを用いて、風速を予測する。このようにすると、ＰＣは、精度良く予測誤差の信頼区間を予測することができる。

なお、評価指標は、ＰＩＣＰに限られない。例えば、評価指標は、ＮＭＰＩＬ（Ｎｏｒｍａｌｉｚｅｄ Ｍｅａｎ Ｐｒｅｄｉｃｔｉｏｎ Ｉｎｔｅｒｖａｌ Ｌｅｎｇｔｈ）等でもよい。ＰＩＣＰを用いると、ＰＣは、分布の信頼度が評価できるのに対して、ＮＭＰＩＬを用いると、ＰＣは、分布の分離度を評価することができる。ＮＭＰＩＬの計算方法等は、例えば、「Ａｂｂａｓ Ｋｈｏｓｒａｖｉ， Ｓａｅｉｄ Ｎａｈａｖａｎｄｉ ａｎｄ Ｄｏｕｇ Ｃｒｅｉｇｈｔｏｎ，"Ｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ Ｏｐｔｉｍａｌ Ｐｒｅｄｉｃｔｉｏｎ Ｉｎｔｅｒｖａｌｓ ｆｏｒ Ｌｏａｄ Ｆｏｒｅｃａｓｔｉｎｇ Ｐｒｏｂｒｅｍ"，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐｏｗｅｒ Ｓｙｓｔｅｍｓ， Ｖｏｌ.２５， Ｉｓｓｕｅ ３， ｐｐ．１４９６―１５０３（２０１０）」に記載されている通りである。

≪ ３． 風速予測装置の機能構成例 ≫
図８は、本発明の一実施形態における風速予測装置の機能構成の一例を示す機能ブロック図である。例えば、ＰＣ１０は、図示するように、入力部ＦＮ１と、計算部ＦＮ２と、評価指標計算部ＦＮ３と、決定部ＦＮ４とを含む機能構成である。

入力部ＦＮ１は、実績値及び予測値を示す学習データＤＬを入力する。例えば、入力部ＦＮ１は、ネットワークＩ／Ｆ１０３（図１参照）又は入力Ｉ／Ｆ１０４（図１参照）等によって実現される。

計算部ＦＮ２は、学習データＤＬに基づいて、まず、モデルを計算する。次に、計算部ＦＮ２は、モデルに基づいて、それぞれの予測時点におけるそれぞれの予測誤差の信頼区間を計算する。例えば、計算部ＦＮ２は、ＣＰＵ１０１（図１参照）等によって実現される。

評価指標計算部ＦＮ３は、計算部ＦＮ２が計算する予測誤差の信頼区間のそれぞれの評価指標を計算する。例えば、評価指標計算部ＦＮ３は、ＣＰＵ１０１（図１参照）等によって実現される。

決定部ＦＮ４は、評価指標計算部ＦＮ３が計算する評価指標に基づいて、学習データＤＬのうち、予測に用いる期間データを決定する。例えば、決定部ＦＮ４は、ＣＰＵ１０１（図１参照）等によって実現される。

≪ まとめ ≫
まず、ＰＣ１０は、入力部ＦＮ１によって、あらかじめ計測した風速の実績値と、実績値を予測した予測値とを示す学習データＤＬを入力する。そして、学習データＤＬが入力されると、図４に示すように、ＰＣ１０は、計算部ＦＮ２によって、モデルを計算することができる。次に、モデルが計算されると、ＰＣは、モデルに基づいて、標準偏差又は標準偏差の整数倍を計算し、予測誤差の信頼区間を計算する。

続いて、ＰＣ１０は、評価指標計算部ＦＮ３によって、例えば、モデルに基づいて、上記（５）式等により、評価指標を計算する。このように、評価指標が計算されると、ＰＣは、例えば、上記（７）式に基づいて、決定部ＦＮ４によって、図６に示すように最も理論値に近いＰＩＣＰとなる期間データを予測に用いるように決定できる。

このように、予測に用いる期間データを決定できると、ＰＣは、風速の予測において、予測誤差の信頼区間を精度良く予測することができる。

精度が良い予測誤差の信頼区間であると、例えば、風力発電において蓄電池の容量等を決定する目安等にすることができる。具体的には、蓄電池は、風力発電によって発電された電力を蓄電するため、設置の際、発電量に応じて蓄電できる容量を決める必要がある。つまり、予測される最大風速等に応じて蓄電池の容量が決定される場合がある。そこで、予測誤差の信頼区間が精度良く予測されると、無駄に容量が大きい蓄電池が選ばれてしまうこと等を少なくすることができる。

なお、本発明の一実施形態に係る各処理の全部又は一部は、アセンブラ等の低水準言語、Ｃ言語、Ｊａｖａ（登録商標）言語等の高水準言語又はこれらを組み合わせて記述されるプログラムによって実現されてもよい。すなわち、プログラムは、情報処理装置又は情報処理システム等のコンピュータに風速予測方法に係る各手順を実行させるためのコンピュータプログラムである。

さらに、本発明の一実施形態に係る各処理の全部又は一部は、１以上の情報処理装置を有する風速予測システムによって、処理の全部又は一部が並行、分散、冗長又はこれらの組み合わせで処理されてもよい。

また、本発明の一実施形態に係る各処理は、図示した順序に限られない。例えば、各処理の一部又は全部は、異なる順序、並行、分散又は省略されて処理されてもよい。

以上、本発明の好ましい実施例について詳述したが、本発明は、上述の実施形態に限定されず、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形又は変更が可能である。

１０ ＰＣ
ＦＮ１ 入力部
ＦＮ２ 計算部
ＦＮ３ 評価指標計算部
ＦＮ４ 決定部
ＤＬ 学習データ
ＤＴ 期間データ
ＤＲ 選定結果
ＣＡＬ 予測値
ＲＥＳ 実績値

Claims (7)

1. 風速を予測する風速予測装置であって、
   現時点より過去の時点における風速を計測した実績値及び前記実績値を予測した予測値を示す学習データを入力する入力部と、
   前記学習データに基づいて、前記現時点から所定の時間後となる予測時点における風速のモデルと、前記モデルに基づいて前記予測時点における予測誤差の信頼区間とを少なくとも計算する計算部と、
   前記予測誤差の信頼区間の評価指標を計算する評価指標計算部と、
   前記評価指標に基づいて、前記学習データのうち、予測に用いる期間データを決定する決定部と
   を含む風速予測装置。
2. 前記評価指標は、ＰＩＣＰ又はＮＭＰＩＬである請求項１に記載の風速予測装置。
3. 前記決定部は、前記予測時点ごとに、前記期間データを決定する請求項１又は２に記載の風速予測装置。
4. 前記予測誤差の信頼区間は、前記予測誤差の標準偏差又は前記標準偏差の整数倍の上限値及び下限値に基づいて定まる範囲である請求項１乃至３のいずれか１項に記載の風速予測装置。
5. １以上の情報処理装置を有し、かつ、風速を予測する風速予測システムであって、
   現時点より過去の時点における風速を計測した実績値及び前記実績値を予測した予測値を示す学習データを入力する入力部と、
   前記学習データに基づいて、前記現時点から所定の時間後となる予測時点における風速のモデルと、前記モデルに基づいて前記予測時点における予測誤差の信頼区間とを少なくとも計算する計算部と、
   前記予測誤差の信頼区間の評価指標を計算する評価指標計算部と、
   前記評価指標に基づいて、前記学習データのうち、予測に用いる期間データを決定する決定部と
   を含む風速予測システム。
6. 風速を予測する風速予測装置が行う風速予測方法であって、
   前記風速予測装置が、現時点より過去の時点における風速を計測した実績値及び前記実績値を予測した予測値を示す学習データを入力する入力手順と、
   前記風速予測装置が、前記学習データに基づいて、前記現時点から所定の時間後となる予測時点における風速のモデルと、前記モデルに基づいて前記予測時点における予測誤差の信頼区間とを少なくとも計算する計算手順と、
   前記風速予測装置が、前記予測誤差の信頼区間の評価指標を計算する評価指標計算手順と、
   前記風速予測装置が、前記評価指標に基づいて、前記学習データのうち、予測に用いる期間データを決定する決定手順と
   を含む風速予測方法。
7. 風速を予測するコンピュータに風速予測方法を実行させるためのプログラムであって、
   前記コンピュータが、現時点より過去の時点における風速を計測した実績値及び前記実績値を予測した予測値を示す学習データを入力する入力手順と、
   前記コンピュータが、前記学習データに基づいて、前記現時点から所定の時間後となる予測時点における風速のモデルと、前記モデルに基づいて前記予測時点における予測誤差の信頼区間とを少なくとも計算する計算手順と、
   前記コンピュータが、前記予測誤差の信頼区間の評価指標を計算する評価指標計算手順と、
   前記コンピュータが、前記評価指標に基づいて、前記学習データのうち、予測に用いる期間データを決定する決定手順と
   を実行させるためのプログラム。

Images