太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム
【課題】太陽光発電の発電量を高精度に予測することができる太陽光発電予測装置を提供する。
【解決手段】太陽光発電の発電量を予測する太陽光発電予測装置であって、発電量予測に必要なデータを入力するデータ入力手段と、ニューラルネットワークの学習データとするために、入力データをクラスタリングにより分類するクラスタリング処理手段と、クラスタリングされたクラスタ毎にニューラルネットワークモデルを構築し、テストデータと一番近いクラスタ代表を持つクラスタヘ分類するモデル構築手段と、テストデータが分類されたクラスタにおけるニューラルネットワークを用いて、太陽光発電の発電量を予測して、予測発電量を出力する予測手段とを備える。
【解決手段】太陽光発電の発電量を予測する太陽光発電予測装置であって、発電量予測に必要なデータを入力するデータ入力手段と、ニューラルネットワークの学習データとするために、入力データをクラスタリングにより分類するクラスタリング処理手段と、クラスタリングされたクラスタ毎にニューラルネットワークモデルを構築し、テストデータと一番近いクラスタ代表を持つクラスタヘ分類するモデル構築手段と、テストデータが分類されたクラスタにおけるニューラルネットワークを用いて、太陽光発電の発電量を予測して、予測発電量を出力する予測手段とを備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、高精度に太陽光発電電力の予測を行う太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラムに関する。
【背景技術】
【０００２】
近年、地球温暖化の問題により、低炭素社会実現のために太陽光発電の導入拡大が期待されている。二酸化炭素削減に有効な太陽光発電が電力系統に導入される際、発電電力が天候によって変動する不確定性を持つ。電力系統を安定に運用するためにも、高精度な太陽光発電電力の予測が必要である。これまで、太陽光発電電力の予測の研究に関しては、日射量予測に対して時系列モデル、ニューラルネットワーク（Artificial Neural Network、以下、ＡＮＮと称する）等の方法がある。また、太陽光発電予測においては、気象データを用いた方法、日射量の予測値を用いた手法等が提案されている。
【０００３】
また、太陽光発電モジュールの面において受け取られる照度を推定するとともに、太陽光発電装置の電気生産量を推定し、過去の関係期間が晴れであるか曇りであるかに基づき、推定量を修正する太陽光発電装置の電気生産量を予測する方法が知られている（例えば、特許文献１参照）。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２０１０−２３９８５６号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
ところで、電力を供給する発電所においては、１日前に発電計画を立て、電力需要に応じて当日の出力調整が行われるが、太陽光発電は、天候変化による入力の不確定性を有しているため、発電所における電力系統の安定運用を実現するためには、高精度な太陽光発電電力予測が必須である。しかしながら、従来の予測方法では、太陽光発電の発電量を高精度に予測することができないという問題がある。
【０００６】
本発明は、このような事情に鑑みてなされたもので、太陽光発電の発電量を高精度に予測することができる太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム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】
【０００７】
本発明の太陽光発電予測装置は、太陽光発電の発電量を予測する太陽光発電予測装置であって、発電量予測に必要なデータを入力するデータ入力手段と、ニューラルネットワークの学習データとするために、前記入力データをクラスタリングにより分類するクラスタリング処理手段と、前記クラスタリングされたクラスタ毎にニューラルネットワークモデルを構築し、テストデータと一番近いクラスタ代表を持つクラスタヘ分類するモデル構築手段と、前記テストデータが分類されたクラスタにおけるニューラルネットワークを用いて、太陽光発電の発電量を予測して、予測発電量を出力する予測手段とを備えることを特徴とする。
【０００８】
本発明の前記クラスタリング処理手段は、確定的アニーリングを用いてクラスタリングを行うことを特徴とする。
【０００９】
本発明の前記ニューラルネットワークモデルは、ラジアル基底関数ネットワークを用いることを特徴とする。
【００１０】
本発明の太陽光発電予測方法は、太陽光発電の発電量を予測する太陽光発電予測方法であって、発電量予測に必要なデータを入力するデータ入力ステップと、ニューラルネットワークの学習データとするために、前記入力データをクラスタリングにより分類するクラスタリング処理ステップと、前記クラスタリングされたクラスタ毎にニューラルネットワークモデルを構築し、テストデータと一番近いクラスタ代表を持つクラスタヘ分類するモデル構築ステップと、前記テストデータが分類されたクラスタにおけるニューラルネットワークを用いて、太陽光発電の発電量を予測して、予測発電量を出力する予測ステップとを有することを特徴とする。
【００１１】
本発明の太陽光発電予測プログラムは、太陽光発電の発電量を予測する太陽光発電予測装置上のコンピュータに太陽光発電の発電量を予測させる太陽光発電予測プログラムであって、発電量予測に必要なデータを入力するデータ入力ステップと、ニューラルネットワークの学習データとするために、前記入力データをクラスタリングにより分類するクラスタリング処理ステップと、前記クラスタリングされたクラスタ毎にニューラルネットワークモデルを構築し、テストデータと一番近いクラスタ代表を持つクラスタヘ分類するモデル構築ステップと、前記テストデータが分類されたクラスタにおけるニューラルネットワークを用いて、太陽光発電の発電量を予測して、予測発電量を出力する予測ステップとを行わせることを特徴とする。
【発明の効果】
【００１２】
本発明によれば、発電量予測に必要な入力データをクラスタリングにより分類し、クラスタ毎にニューラルネットワークモデルを構築し、テストデータと一番近いクラスタ代表を持つクラスタヘ分類し、テストデータが分類されたクラスタにおけるニューラルネットワークを用いて、太陽光発電の発電量の予測を行うようにしたため、太陽光発電の発電量を高精度に予測することができるという効果が得られる。
【図面の簡単な説明】
【００１３】
【図１】本発明の一実施形態の構成を示すブロック図である。
【図２】図１に示す装置の処理動作を示すフローチャートである。
【図３】図１に示す装置の処理動作を示すフローチャートである。
【図４】ＲＢＦＮの構造を示す説明図である。
【図５】ＤＡクラスタリングを前処理の手法として用いて太陽光発電装置の発電電力を予測する処理の概念を示す図である。
【図６】ＤＡの更新幅Δβを変化させたときの評価関数の変化を示す図である。
【図７】ＤＡの更新幅Δβを変化させたときの各クラスタに割り当てられたデータの変化を示す図である。
【図８】クラスタ１の場合のＲＢＦＮ構築に必要なＤＡクラスタリングにおけるΔβと評価関数の関係を示す図である。
【図９】クラスタ１の場合のＤＡクラスタリングにおけるΔβとクラスタへ所属したデータ数の関係を示す図である。
【図１０】クラスタ２の場合のＲＢＦＮ構築に必要なＤＡクラスタリングにおけるΔβと評価関数の関係を示す図である。
【図１１】クラスタ２の場合のＤＡクラスタリングにおけるΔβとクラスタへ所属したデータ数の関係を示す図である。
【図１２】クラスタ３の場合のＲＢＦＮ構築に必要なＤＡクラスタリングにおけるΔβと評価関数の関係を示す図である。
【図１３】クラスタ３の場合のＤＡクラスタリングにおけるΔβとクラスタへ所属したデータ数の関係を示す図である。
【図１４】クラスタ数が３の本実施形態による予測結果出力と実測値を比較した図である。
【図１５】各時間における誤差の推移を示す図である。
【発明を実施するための形態】
【００１４】
以下、図面を参照して、本発明の一実施形態による太陽光発電予測装置を説明する。図１は同実施形態の構成を示すブロック図である。この図において、符号１は、コンピュータ装置で構成する太陽光発電予測装置である。符号２は、キーボード等の入力装置で構成し、情報入力操作を行う入力部である。符号３は、ディスプレイ装置で構成し、発電量の予測結果情報等を表示する表示部である。符号１１は、発電量予測に必要なデータを入力するデータ入力部である。データ入力部１１は、入力部２からのデータ入力に加え、他の機器が出力したデータやセンサ出力のデータを通信手段を用いて入力する。符号１２は、データ入力部１１において入力した入力データを分類するために、クラスタリング処理を行うクラスタリング処理部である。符号１３は、クラスタリング処理部１２において分類されたクラスタ毎に予測モデルを構築するモデル構築部である。符号１４は、構築した予測モデルに基づき太陽光発電の発電電力の予測を行い、予測結果を出力する予測処理部である。
【００１５】
次に、本実施形態による太陽光発電予測装置の動作原理について説明する。本実施形態では太陽光発電予測においてＡＮＮを適用し、より高精度な出力を得るために、データの前処理としてクラスタリングを用いたニューラルネットワークによる予測手法を用いる。前処理では、入力データに対しクラスタリングを行うことにより、いくつかのクラスタに分類する。その後、各クラスタにおいて類似データを抽出し、予測モデルを構築する。予測モデルは、高精度な非線形近似のラジアル基底関数ネットワーク（Radial Basis Function Network、以下、ＲＢＦＮと称する）を用いる。ＡＮＮは入力データの分散が小さいほど高精度な出力が得られるという特徴を持つ。すなわち、よりテストデータに類似した学習データを用いることにより、高精度な解を得ることができる。強い相関関係を持つ入出力データにおいて、類似した入力データを用いることにより、出力データは高い確率で類似する。よって、類似データの集合を作成するため、クラスタリングによる前処理付きモデルを用いる。類似データを抽出したクラスタ毎に予測モデルを構築するので、各予測モデルの入力データの分散は抑えられていて単体の予測モデルより高精度な解を得ることができる。
【００１６】
前処理として用いられる手法には、ｋ−ｍｅａｎｓなどのクラスタリング手法がある。ｋ−ｍｅａｎｓは高速に計算を行うが、解が初期値に依存する欠点を持つ。ここでは、クラスタリング手法として高精度で大域的なクラスタリングが可能な確定的アニーリング（Deterministic Annealing、以下、ＤＡと称する）を用いる。ＤＡは統計力学の概念における温度に依存する自由エネルギーを利用し、温度パラメータを高温状態から徐々に温度を下げることで、最適解に収束していく。各温度で目的関数が変化し確定的に最適化を行うため、初期値に依存せず、効率的に大域的最適解を得ることができる。また、ＲＢＦＮの中心ベクトルの決定に対しても、ＤＡクラスタリングを用いることにより、大域的な構造を持つＲＢＦＮを構築し、高精度な予測を行うことができる。
【００１７】
ここで、図４を参照して、ＲＢＦＮについて説明する。図４は、ＲＢＦＮの構造を示す図である。ＲＢＦＮは、入力層、中間層、出力層からなる３層構造の階層的ニューラルネットワークである。入力データは、入力層のユニットにそれぞれ割り振られ、各中間層に重みなしで渡される。中間層のユニットは応答関数と呼ばれるラジアル基底関数を備えていて、多層パーセプトロン（以下、ＭＬＰと称する）におけるシグモイド関数と同様の機能を果たす。ラジアル基底関数は、中心の位置と幅により定義されるガウス密度関数で表現される。ガウス密度関数は、入力データが中心位置に最も近い場合に、最大出力を与え、中心から離れるにつれて単調に減少する。ラジアル基底関数の幅は、その減少率の制御をするように働く。ＲＢＦＮは、このラジアル基底関数を用いることにより、ＭＬＰよりも非線形近似能力が高くなる。また、中間層と出力層間の重みのみを学習するため、ＭＬＰより計算時間を大きく削減できるという利点がある。
【００１８】
ＲＢＦＮの中間層のユニットの出力は、数学的に表すと（１）式のように表される。
【数１】
ＲＢＦＮの出力値ｙは、中間層のユニットの重み付けされた値となり、（２）式で求められる。
【数２】
【００１９】
ラジアル基底関数の中心ベクトルの決定に対しては、クラスタリング手法を用いることにより、中心を定めることができる。従来技術では、中心ベクトルの決定において、クラスタリングの代表的手法であるｋ−ｍｅａｎｓが用いられている。この方法は、ＲＢＦＮの基底関数の中心に対して、ｋ−ｍｅａｎｓによって得られた各クラスタ代表を適用している。しかし、ｋ−ｍｅａｎｓは初期値に依存する方法であり、必ず最適なクラスタリングを行えるとは限らないため、局所的な構造を持つＲＢＦＮとなる。本実施形態では、ＲＢＦＮの基底関数の中心の決定に対して、ＤＡクラスタリングを用いる。この方法は、初期値に依存することなく、最適なクラスタリングを行うことができる。これによって求まったクラスタ代表を利用することにより、大域的な構造を持つＲＢＦＮとすることが可能である。
【００２０】
次に、クラスタリングについて説明する。クラスタリングとは、あるデータの集合において、データの分布などからデータの特徴的なパターンを見つけ、類似したデータをクラスタと呼ばれる部分集合に分割する手法である。すなわち、クラスタリングとは、与えられたデータのサンプル数ｍのベクトルの集合をｋ個の代表ベクトルを持つクラスタに分類する処理を行う。代表ベクトルは、分類された各クラスタの中心ベクトルであり、クラスタの特徴を表している。
【００２１】
クラスタリング手法の一つであるｋ−ｍｅａｎｓは、距離を表す評価関数を最小化する分割を探索する。評価関数を（３）式に示す。
【数３】
【００２２】
ｋ−ｍｅａｎｓは、まず、ｋ個の初期クラスタの重心を任意に設定し、各データと各クラスタの重心の距離を求め、距離が最小となる重心を持つクラスタヘ割り当てる。そして、クラスタヘの割り当てが変化しなければ終了し、そうでないならば、各クラスタの重心を求め、各クラスタの代表点としてクラスタ割り当て処理を繰り返す。
【００２３】
一方、ＤＡクラスタリング手法はアニーリング手法であり、温度パラメータを高温状態から温度を徐々に下げることにより最適解に収束する。ＤＡは統計力学における自由エネルギーを利用し各温度において目的関数を変化させるため、解の初期値への依存や局所解に陥ることなく、効率的に最適化を行うことができる。ＤＡは温度を少しずつ低下させ、低温状態になるに従って目的関数は与えられた非線形関数に近づいていく。これによってＤＡは十分な低温状態において元の目的関数を得る。また、ＤＡは各温度において確定的に最適化を行い、現在の状態で得られた最適解を次の状態の初期値に使用し反復計算を行う。温度変化が小さいほど目的関数の変化も小さくなるため、高温状態からゆっくりと温度を下げることにより各温度で確定的な最適化を行う。この作業を繰り返すことで、十分な低温状態において大域的最適解を発見する。
【００２４】
ＤＡクラスタリングは、ＤＡの原理を応用したクラスタリング手法である。ＤＡクラスタリングは所属状態において確率を用いるため、あるデータが複数のクラスタヘ所属することを可能とする。これによりクラスタリング過程において、各データに対するクラスタ代表を柔軟に探索するため、初期値への依存や局所解に陥ることを抑制できる。従って、ＤＡでは所属状態を確率で表し（４）式を得る。ＤＡクラスタリングは（４）式における所属確率に対し、最大エントロピーの原理を用いる。これにより各々のデータが全てのクラスタに所属可能となる。最大エントロピーを用いた（４）式の所属確率は（５）式のようなボルツマン分布となる。
【数４】
【数５】
【００２５】
（５）式におけるβは、アニーリングアルゴリズムにおける温度パラメータの逆数を示し、各温度において最適化を行う。β＝０においては各々のデータが全てのクラスタに一様に所属する。一方、βが増加、すなわち温度が低下するにつれて、各データが少しずつ１つのクラスタに所属する。β＝∞においてはある１つのクラスタに対しての所属確率が１となり、他のクラスタに対しては０となるため、全てのデータが各々１つのクラスタに所属する。統計力学における平衡状態では、自由エネルギーが最小となるため、各温度でクラスタの代表に関して（６）式を得る。（６）式を解くことによりクラスタ代表が更新される。各温度で確定的にクラスタリングを最適化するために、（５）式と（６）式を繰り返し計算する。（７）式は（６）式で得た反復回数ｔ＋１におけるクラスタ代表から得ることかできる新しい所属確率を表す。
【数６】
【数７】
【００２６】
このように、ＤＡクラスタリングは温度を下げる度に目的関数が変化し、各温度において確定的にクラスタ代表の最適化を行う。ここで、図２を参照して、図１に示すクラスタリング処理部１２におけるＤＡクラスタリングの処理動作を説明する。図２は、図１に示すクラスタリング処理部１２におけるＤＡクラスタリングの処理動作を示すフローチャートである。
【００２７】
まず、クラスタリング処理部１２は、初期温度パラメータβ０、温度パラメータの上限値βｍａｘと収束判定基準εを設定する（ステップＳ１）。続いて、クラスタリング処理部１２は、初期のクラスタ代表をデータの中から選択し（ステップＳ２）、（７）式によりｔにおける所属確率を求める（ステップＳ３）。
【００２８】
次に、クラスタリング処理部１２は、求めた所属確率から（６）式により新しいクラスタ代表を求め（ステップＳ４）、新しいクラスタ代表から（７）式により新しい所属確率を求める（ステップＳ５）。
【００２９】
次に、クラスタリング処理部１２は、（４）式の評価関数よりｄ（ｔ＋１）を評価する（ステップＳ６）。この評価の結果、｜ｄ（ｔ＋１）−ｄ（ｔ）｜／ｄ（ｔ）＜εの条件を満たすか否かを判定する（ステップＳ７）。この判定の結果、条件を満たさないのであればステップＳ４に戻って処理を繰り返す。
【００３０】
一方、この条件を満たすのであれば、クラスタリング処理部１２は、終了条件（β≧βｍａｘ）を満たすか否かを判定する（ステップＳ８）。この判定の結果、終了条件を満たさないのであれば、クラスタリング処理部１２は、βを増加させて（ステップＳ９）、ステップＳ４へ戻り、終了条件を満たすまで処理を繰り返し、終了条件を満たした時点で処理を終了する。
【００３１】
次に、図１に示す太陽光発電予測装置１によって、太陽光発電装置の発電電力を予測する処理動作について説明する。ここでは、太陽光発電の発電電力の予測に対して、入力データの前処理とＲＢＦＮによる予測手法を用いる。ＡＮＮは入力データの分散が小さいほど高精度な出力が得られるという特徴を持ち、よりテストデータに類似した学習データを用いることにより、高精度な解を得ることができる。すなわち、強い相関関係を持つ入出力データにおいて、類似した入力データを用いることにより、出力データは高い確率で類似する。よって、類似データを抽出することができるクラスタリング手法を前処理として行えば、ＡＮＮの非線形近似能力を効率的に活かすことができる。そこで本実施形態では、高精度なクラスタリングが可能なＤＡクラスタリングを前処理の手法として用いる。
【００３２】
図５を参照して、ＤＡクラスタリングを前処理の手法として用いて太陽光発電装置の発電電力を予測する処理について説明する。図５は、ＤＡクラスタリングを前処理の手法として用いて太陽光発電装置の発電電力を予測する処理の概念を示す図である。図５において、ｘは入力データ、Ｃｌｉ（ｉ＝１，２，…，ｎ）はＤＡクラスタリングによって分類されたクラスタ、ｙｉ（ｉ＝１，２，…，ｎ）は出力を表す。テストデータの入力の際に一番近いクラスタ代表をもつクラスタを選択し、そのクラスタに構築されたＲＢＦＮにより予測を行う。また、ＲＢＦＮの基底関数の中心の決定に対して、ＤＡクラスタリングを用いる。ＤＡクラスタリングは、最適なクラスタリングを行うことができるため、求まったクラスタ代表を利用することにより、大域的な構造を持つＲＢＦＮとなる。
【００３３】
次に、図３を参照して、図１に示す太陽光発電予測装置１の処理動作を説明する。図３は、図１に示す太陽光発電予測装置１の処理動作を示すフローチャートである。まず、データ入力部１１は、発電量予測に必要なデータを入力し、入力したデータをクラスタリング処理部１２へ受け渡す。ここで入力されるデータは、時間、日射量、温度、太陽光発電パネルの温度、湿度、日照時間、全天日射量、直達日射量、散乱日射量、日射指数、雲量、紫外線、照度、雨量、太陽高度、太陽方位などである。これを受けて、クラスタリング処理部１２は、前述した処理動作によって入力データをＤＡクラスタリングにより分類し（ステップＳ１１）、各々のクラスタに含まれるデータをＲＢＦＮの学習データとする（ステップＳ１２）。
【００３４】
次に、モデル構築部１３は、クラスタリング処理部１２によってクラスタリングされたクラスタ毎にＲＢＦＮモデルを構築し（ステップＳ１３）、テストデータと一番近いクラスタ代表を持つクラスタヘ分類する（ステップＳ１４）。そして、予測処理部１４は、テストデータが分類されたクラスタにおけるＲＢＦＮを用いて、太陽光発電の発電電力の予測を行い（ステップＳ１５）、予測結果を表示部３に表示する。予測処理部１４は、予測結果情報を他の機器へ出力するようにしてもよい。この処理動作によって、所定経過時間毎の予測発電電力量が関係付けられて出力されることになる。
【００３５】
次に、前処理におけるＤＡクラスタリングのパラメータβの増加量について説明する。ここでは、図２に示すステップＳ９の「パラメータを増加させる」におけるパラメータβの増加量を更新幅Δβと称する。ＤＡクラスタリングは、パラメータβを徐々に変化させることにより、最適クラスタリング結果を得る手法である。しかし、βの変化のさせ方によっては、解が存在しないことがある。そこで、本実施形態では、パラメータβを（８）式のように変化させるようにした。
βｋ＋１＝βｋ＋Δβ ・・・（８）
ただし、ｋ：アルゴリズムの反復回数、βｋ：反復回数ｋのときのパラメータβ、Δβ：更新幅である。
【００３６】
良好な解を得るためには、（８）式におけるΔβが重要となる。前処理でクラスタに全データが収束するためのΔβの上下限値について説明する。ＤＡの更新幅Δβを変化させたときの評価関数の変化を図６に示す。横軸の評価関数が小さいほど、クラスタ結果が良好であることを示す。同図より、更新幅Δβが０．０１以下の際に良好な評価関数が得られることが分かる。よって、Δβの上下限値は、
０．０３≦Δβ≦１．３ ・・・（９）
ただし、Δβ≦０．０２と１．４≦Δβでは、評価関数が良いと見えるが、全データがいずれかのクラスタに収束していなかったため、不適切と判断する。
【００３７】
ＤＡの更新幅Δβを変化させたときの各クラスタに割り当てられたデータの変化を図７に示す。縦軸は、クラスタへ所属したデータ数を示しており、クラスタリングが適切に行われるならば、クラスタへ所属したデータ数は２７００となる。すなわち、（９）式を満たすとき、全データがクラスタに収束した。
【００３８】
次に、前処理後に得られたクラスタにおいてＲＢＦＮを構築する際に必要なデータクラスタリングＤＡの更新幅Δβについて説明する。前処理において全データは、３つのクラスタに分類された。クラスタ数が２，４よりもクラスタ数３の結果が最も良かった。クラスタ１において、ＲＢＦＮを構築した結果
Δβ≦４ ・・・（１０）
が適切な結果が得られた（図８、図９参照）。図８では、クラスタ１の場合のＲＢＦＮ構築に必要なＤＡクラスタリングにおけるΔβと評価関数の関係を示す。図９はクラスタ１の場合のＤＡクラスタリングにおけるΔβとクラスタへ所属したデータ数の関係を示す。
同図において、Δβ≦４の場合、全データがいずれかのクラスタに収束した。他方、４＜Δβでは、あるデータは、いずれのクラスタにも収束しなかった。
【００３９】
同様に、クラスタ２、３においてΔβの適切な範囲はそれぞれ、（１１）式、（１２）式の通りである（図１０、図１１、図１２、図１３参照）。
Δβ≦４ ・・・（１１）
Δβ≦２０ ・・・（１２）
【００４０】
したがって、（１０）式、（１１）式、（１２）式より、前処理後に得られたクラスタにおいてＲＢＦＮを構築する際に必要なデータクラスタリングＤＡの更新幅Δβは、
Δβ≦４
とすることが望ましい。
【００４１】
次に、本実施形態による太陽光発電予測装置の効果を検証するために、シミュレーションを行った結果について説明する。ＲＢＦＮの中心ベクトルの決定に対して、従来のクラスタリング手法であるｋ−ｍｅａｎｓを用いるｋ−ＲＢＦＮと、ＤＡクラスタリングを用いるＤ−ＲＢＦＮを比較する。前処理の手法としても、ｋ−ｍｅａｎｓとＤＡクラスタリングの比較を行い、本実施形態による手法の有効性を検討するため、ここでは以下の手法を定義する。
Ｍｅｔｈｏｄ Ａ：ＭＬＰ
Ｍｅｔｈｏｄ Ｂ：ｋ−ＲＢＦＮ（中心ベクトルの決定：ｋ−ｍｅａｎｓ、前処理なし）
Ｍｅｔｈｏｄ Ｃ：ｋ−ｍｅａｎｓ−ｋ−ＲＢＦＮ（中心ベクトルの決定：ｋ−ｍｅａｎｓ、前処理：ｋ−ｍｅａｎｓ）
Ｍｅｔｈｏｄ Ｄ：ｋ−ｍｅａｎｓ−Ｄ−ＲＢＦＮ（中心ベクトルの決定：ＤＡクラスタリング、前処理：ｋ−ｍｅａｎｓ）
Ｍｅｔｈｏｄ Ｅ：ＤＡ−Ｄ−ＲＢＦＮ（中心ベクトルの決定：ＤＡクラスタリング、前処理：ＤＡクラスタリング）
【００４２】
シミュレーション条件は、以下の通りである。
（１）過去の太陽光発電電力とパネルの温度の１分毎の時系列データを用いて、３０分後の発電出力予測を行う。同時刻における太陽光発電電力とパネルの温度において、それぞれ５分間の分散、１０分間の分散、差分、二階差分を求めて、これらをＡＮＮの入力データとするため入力層の数は１０次元となる。また、ＭＬＰとＲＢＦＮのクラスタ数ｎ、学習係数α、モーメント係数η、モーメント増分値Δη、中間層の数、学習回数を表１に示す。これらのパラメータの値は、事前シミュレーションにより決定した。
【表１】
【００４３】
（２）ここで用いるデータとして、２００５年の５月２日から４日を学習データに、５日をテストデータとする。この期間において、２０時から５時の夜間の間は発電量がなかったため、その期間を除いて５時から２０時までの発電予測を行う。したがって、１５時間の１分毎のデータが３日分あるため、学習パターンは２７００通りとなる。また、クラスタリングのデータとしては、（１）に示した１０次元と３０分後の発電出力をベクトルに加えた１１次元となる。また、事前シミュレーションにより決定したＤＡクラスタリングのパラメータを表２に示す。
【表２】
【００４４】
（３）ＲＢＦＮの基底関数の中心の決定には、クラスタリングの中心ベクトルを適用し、幅に対しては、中心ベクトルからそのクラスタに含まれる最も遠い点までの距離とする。
【００４５】
上記のシミュレーション条件によりシミュレーションを行った結果は以下の通りある。ｋ−ｍｅａｎｓとＤＡクラスタリングの有効性を示すために、初期値１００通りに対する評価関数の最良値、平均値、最悪値、標準偏差を表３に示す。
【表３】
【００４６】
ｋ−ｍｅａｎｓとＤＡクラスタリングの評価関数は、各々（３）式と（４）式で与えられる。ｋ−ｍｅａｎｓとＤＡクラスタリングの評価関数を比較すると、クラスタ数２のときは同一の値を得ている。それに対してクラスタ数３、４のときは、ＤＡクラスタリングが最良値、平均値、最悪値、標準偏差において、各々良好な結果を得ている。最良値に関しては差が多少しかないが、平均値、最悪値、標準偏差において大きく改善されている。ＤＡクラスタリングの標準偏差に関しては、クラスタ数がどの場合においても０となった。これは、ＤＡクラスタリングが大域的なクラスタリングを行なっていることを示している。したがって、ＤＡクラスタリングがクラスタリング手法において有効であることが確認された。
【００４７】
表４に、Ｍｅｔｈｏｄ ＡからＭｅｔｈｏｄ Ｅにより得られた３０分後の発電量の、予測出力と教師データとの絶対値誤差の平均値（Ａｖｅ．Ｅｒｒｏｒ）、最大値（ＭＡＸ Ｅｒｒｏｒ）、標準偏差（Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ）を示す。表４において、［ｐｕ］はｐｅｒ ｕｎｉｔを意味し、例えば、Ｍｅｔｈｏｄ ＡのＡｖｅ．Ｅｒｒｏｒの６．３４３５×１０−２は、教師データとの平均誤差が６．３４３５％であることを示している。また、絶対値誤差の平均値、最大値、標準偏差の各列の丸括弧内の値は、Ｍｅｔｈｏｄ Ａの絶対値誤差の平均値、最大値、標準偏差をそれぞれ１とした場合のＭｅｔｈｏｄ Ａ〜Ｅの相対値を示している。表４より、Ｍｅｔｈｏｄ Ｂ（ｋ−ＲＢＦＮ）とＭｅｔｈｏｄ Ｃ（ｋ−ｍｅａｎｓ−ｋ−ＲＢＦＮ）を比較すると、Ｍｅｔｈｏｄ Ｂの教師データとの絶対値誤差の平均値、最大値、標準偏差はそれぞれ５．２２３８×１０−２、２．９５３４×１０−１、５．６６７８×１０−２であり、Ｍｅｔｈｏｄ Ｃのクラスタ数が３の場合、教師データとの絶対値誤差の平均値、最大値、標準偏差はそれぞれ４．８９８９×１０−２、２．７８３８×１０−１、４．７５２１×１０−２であることから、Ｍｅｔｈｏｄ Ｄの方が絶対値誤差の平均値、最大値、標準偏差でそれぞれ６．２１９６％、５．７４２５％、１６．１５６％良好な結果を得ており、入力データに対してクラスタリングによる前処理を用いた方が、予測精度が向上していることが分かる。これは、ＡＮＮが入力データの分散が小さいほど高精度な出力が得られるという特徴を持つことから、クラスタリングにより類似データを抽出したことにより、ＡＮＮがより強い相関関係をもつ入出力データを得たためである。
【表４】
【００４８】
Ｍｅｔｈｏｄ Ｄ（ｋ−ｍｅａｎｓ−Ｄ−ＲＢＦＮ）とＭｅｔｈｏｄ Ｅ（ＤＡ−Ｄ−ＲＢＦＮ）の、クラスタ数がそれぞれ３の場合を比較すると、Ｍｅｔｈｏｄ Ｄの教師データとの絶対値誤差の平均値、最大値、標準偏差はそれぞれ４．６６３６×１０−２、２．７６８７×１０−１、４．６３８８×１０−２であり、Ｍｅｔｈｏｄ Ｅの教師データとの絶対値誤差の平均値、最大値、標準偏差はそれぞれ４．３８９２×１０−２、２．７５４７×１０−１、４．５７３４×１０−２であることから、Ｍｅｔｈｏｄ Ｅの方が絶対値誤差の平均値、最大値、標準偏差でそれぞれ５．８８３９％、０．５０５７％、１．４０９８％良好な結果を得ている。また、Ｍｅｔｈｏｄ ＤとＭｅｔｈｏｄ Ｅでクラスタ数がそれぞれ４の場合、Ｍｅｔｈｏｄ Ｄの教師データとの絶対値誤差の平均値、最大値、標準偏差はそれぞれ４．８７３３×１０−２、２．８５７７×１０−１、４．８５６２×１０−２であり、Ｍｅｔｈｏｄ Ｅの教師データとの絶対値誤差の平均値、最大値、標準偏差はそれぞれ４．６５００×１０−２、２．７５７６×１０−１、４．６８６６×１０−２であることから、クラスタ数を４としてもＭｅｔｈｏｄ Ｅの方が絶対値誤差の平均値、最大値、標準偏差でそれぞれ４．５８２１％、３．５０２８％、３．４９２４％良好な結果を得ている。これは、本発明における入力データの前処理の手法としてｋ−ｍｅａｎｓより、ＤＡクラスタリングを採用した方が有効な手段であることを示している。また、前処理を施した手法であるＭｅｔｈｏｄ Ｃ〜Ｍｅｔｈｏｄ Ｅの中でクラスタ数が３のときに最も良好な結果を得ている。クラスタ数が４のときより、クラスタ数が３のときの方が優れているのは、クラスタ数を増やすとより類似したデータが集まるが、学習データが減少したことにより学習が困難となったためである。すなわち、入力データの前処理としてクラスタリングを行うときは、適切なクラスタ数を用いることにより、高精度な予測を行うことができる。
【００４９】
次に、Ｍｅｔｈｏｄ Ｃ（ｋ−ｍｅａｎｓ−ｋ−ＲＢＦＮ）とＭｅｔｈｏｄ Ｄ（ｋ−ｍｅａｎｓ−Ｄ−ＲＢＦＮ）の、クラスタ数がそれぞれ３の場合を比較すると、Ｍｅｔｈｏｄ Ｃの教師データとの絶対値誤差の平均値、最大値、標準偏差はそれぞれ４．８９８９×１０−２、２．７８３８×１０−１、４．７５２１×１０−２であり、Ｍｅｔｈｏｄ Ｄの教師データとの絶対値誤差の平均値、最大値、標準偏差はそれぞれ４．６６３６×１０−２、２．７６８７×１０−１、４．６３８８×１０−２であることから、Ｍｅｔｈｏｄ Ｄの方が絶対値誤差の平均値、最大値、標準偏差でそれぞれ４．８０３１％、０．５４２４％、２．３８４２％良好な結果を得ている。つまり、ＲＢＦＮの基底関数の中心の決定にＤＡクラスタリングを用いた方が、予測誤差が小さくなっている。これは、ｋ−ＲＢＦＮが局所的構造を持つことに対して、Ｄ−ＲＢＦＮが大域的構造を持つためである。
【００５０】
以上より、本発明においてはＲＢＦＮの中心ベクトルの決定に対して、ＤＡクラスタリングを用い、前処理の手法としてＤＡクラスタリングを用いるのが最も有効であり、クラスタ数が３のＭｅｔｈｏｄ Ｅ（ＤＡ−Ｄ−ＲＢＦＮ）の場合は、従来のＡＮＮ手法であるＭｅｔｈｏｄ Ａ（ＭＬＰ）と比較して、平均誤差を３０．８０８％、最大誤差を１６．３２３％、標準偏差を２９．３２３％改良し、従来のＲＢＦＮ手法であるＭｅｔｈｏｄ Ｂ（ｋ−ＲＢＦＮ）と比較しても、平均誤差を１５．９７７％、最大誤差を６．７２７０％、標準偏差を１９．３０９％改良した。
【００５１】
ここで、クラスタ数が３のＭｅｔｈｏｄ Ｅを用いた場合の予測結果出力と実測値を図１４に、そのときの各時間における誤差の推移を図１５に示す。図１４、図１５において、用いているデータは１分毎のデータであるため、横軸は５時から２０時までを０分から９００分として表している。図１４、図１５より、０分から４００分のように実測値が安定して発電しているときは近似しやすいが、５００分から７００分にかけて実測値が変動しており、そのときの誤差が大きくなっていることが分かる。そのため、最大誤差が大きくなってしまっている。しかし、最大誤差においても、本実施形態による手法は比較手法よりも良好な結果を得ており、太陽光発電予測の手法において、有効であることが確認された。
【００５２】
以上説明したように、太陽光発電予測において、入力データに対しＤＡ−クラスタリングを用いて高精度なクラスタリングを行い、ＲＢＦＮの基底関数の中心の決定に対しても、ＤＡクラスタリングを用いるＤ−ＲＢＦＮを用いることにより、高精度で太陽光発電装置の発電電力予測を行うことができる。
【００５３】
なお、図１における処理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太陽光発電予測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、ホームページ提供環境（あるいは表示環境）を備えたＷＷＷシステムも含むものとする。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。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（ＲＡＭ）のように、一定時間プログラムを保持しているものも含むものとする。
【００５４】
また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。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よい。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、いわゆる差分ファイル（差分プログラム）であってもよい。
【産業上の利用可能性】
【００５５】
ニューラルネットワークを用いて、太陽発電装置の発電電力予測を行うことが不可欠な用途に適用できる。
【符号の説明】
【００５６】
１・・・太陽光発電予測装置、１１・・・データ入力部、１２・・・クラスタリング処理部、１３・・・モデル構築部、１４・・・予測処理部、２・・・入力部、３・・・表示部
【技術分野】
【０００１】
本発明は、高精度に太陽光発電電力の予測を行う太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラムに関する。
【背景技術】
【０００２】
近年、地球温暖化の問題により、低炭素社会実現のために太陽光発電の導入拡大が期待されている。二酸化炭素削減に有効な太陽光発電が電力系統に導入される際、発電電力が天候によって変動する不確定性を持つ。電力系統を安定に運用するためにも、高精度な太陽光発電電力の予測が必要である。これまで、太陽光発電電力の予測の研究に関しては、日射量予測に対して時系列モデル、ニューラルネットワーク（Artificial Neural Network、以下、ＡＮＮと称する）等の方法がある。また、太陽光発電予測においては、気象データを用いた方法、日射量の予測値を用いた手法等が提案されている。
【０００３】
また、太陽光発電モジュールの面において受け取られる照度を推定するとともに、太陽光発電装置の電気生産量を推定し、過去の関係期間が晴れであるか曇りであるかに基づき、推定量を修正する太陽光発電装置の電気生産量を予測する方法が知られている（例えば、特許文献１参照）。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２０１０−２３９８５６号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
ところで、電力を供給する発電所においては、１日前に発電計画を立て、電力需要に応じて当日の出力調整が行われるが、太陽光発電は、天候変化による入力の不確定性を有しているため、発電所における電力系統の安定運用を実現するためには、高精度な太陽光発電電力予測が必須である。しかしながら、従来の予測方法では、太陽光発電の発電量を高精度に予測することができないという問題がある。
【０００６】
本発明は、このような事情に鑑みてなされたもので、太陽光発電の発電量を高精度に予測することができる太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム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】
【０００７】
本発明の太陽光発電予測装置は、太陽光発電の発電量を予測する太陽光発電予測装置であって、発電量予測に必要なデータを入力するデータ入力手段と、ニューラルネットワークの学習データとするために、前記入力データをクラスタリングにより分類するクラスタリング処理手段と、前記クラスタリングされたクラスタ毎にニューラルネットワークモデルを構築し、テストデータと一番近いクラスタ代表を持つクラスタヘ分類するモデル構築手段と、前記テストデータが分類されたクラスタにおけるニューラルネットワークを用いて、太陽光発電の発電量を予測して、予測発電量を出力する予測手段とを備えることを特徴とする。
【０００８】
本発明の前記クラスタリング処理手段は、確定的アニーリングを用いてクラスタリングを行うことを特徴とする。
【０００９】
本発明の前記ニューラルネットワークモデルは、ラジアル基底関数ネットワークを用いることを特徴とする。
【００１０】
本発明の太陽光発電予測方法は、太陽光発電の発電量を予測する太陽光発電予測方法であって、発電量予測に必要なデータを入力するデータ入力ステップと、ニューラルネットワークの学習データとするために、前記入力データをクラスタリングにより分類するクラスタリング処理ステップと、前記クラスタリングされたクラスタ毎にニューラルネットワークモデルを構築し、テストデータと一番近いクラスタ代表を持つクラスタヘ分類するモデル構築ステップと、前記テストデータが分類されたクラスタにおけるニューラルネットワークを用いて、太陽光発電の発電量を予測して、予測発電量を出力する予測ステップとを有することを特徴とする。
【００１１】
本発明の太陽光発電予測プログラムは、太陽光発電の発電量を予測する太陽光発電予測装置上のコンピュータに太陽光発電の発電量を予測させる太陽光発電予測プログラムであって、発電量予測に必要なデータを入力するデータ入力ステップと、ニューラルネットワークの学習データとするために、前記入力データをクラスタリングにより分類するクラスタリング処理ステップと、前記クラスタリングされたクラスタ毎にニューラルネットワークモデルを構築し、テストデータと一番近いクラスタ代表を持つクラスタヘ分類するモデル構築ステップと、前記テストデータが分類されたクラスタにおけるニューラルネットワークを用いて、太陽光発電の発電量を予測して、予測発電量を出力する予測ステップとを行わせることを特徴とする。
【発明の効果】
【００１２】
本発明によれば、発電量予測に必要な入力データをクラスタリングにより分類し、クラスタ毎にニューラルネットワークモデルを構築し、テストデータと一番近いクラスタ代表を持つクラスタヘ分類し、テストデータが分類されたクラスタにおけるニューラルネットワークを用いて、太陽光発電の発電量の予測を行うようにしたため、太陽光発電の発電量を高精度に予測することができるという効果が得られる。
【図面の簡単な説明】
【００１３】
【図１】本発明の一実施形態の構成を示すブロック図である。
【図２】図１に示す装置の処理動作を示すフローチャートである。
【図３】図１に示す装置の処理動作を示すフローチャートである。
【図４】ＲＢＦＮの構造を示す説明図である。
【図５】ＤＡクラスタリングを前処理の手法として用いて太陽光発電装置の発電電力を予測する処理の概念を示す図である。
【図６】ＤＡの更新幅Δβを変化させたときの評価関数の変化を示す図である。
【図７】ＤＡの更新幅Δβを変化させたときの各クラスタに割り当てられたデータの変化を示す図である。
【図８】クラスタ１の場合のＲＢＦＮ構築に必要なＤＡクラスタリングにおけるΔβと評価関数の関係を示す図である。
【図９】クラスタ１の場合のＤＡクラスタリングにおけるΔβとクラスタへ所属したデータ数の関係を示す図である。
【図１０】クラスタ２の場合のＲＢＦＮ構築に必要なＤＡクラスタリングにおけるΔβと評価関数の関係を示す図である。
【図１１】クラスタ２の場合のＤＡクラスタリングにおけるΔβとクラスタへ所属したデータ数の関係を示す図である。
【図１２】クラスタ３の場合のＲＢＦＮ構築に必要なＤＡクラスタリングにおけるΔβと評価関数の関係を示す図である。
【図１３】クラスタ３の場合のＤＡクラスタリングにおけるΔβとクラスタへ所属したデータ数の関係を示す図である。
【図１４】クラスタ数が３の本実施形態による予測結果出力と実測値を比較した図である。
【図１５】各時間における誤差の推移を示す図である。
【発明を実施するための形態】
【００１４】
以下、図面を参照して、本発明の一実施形態による太陽光発電予測装置を説明する。図１は同実施形態の構成を示すブロック図である。この図において、符号１は、コンピュータ装置で構成する太陽光発電予測装置である。符号２は、キーボード等の入力装置で構成し、情報入力操作を行う入力部である。符号３は、ディスプレイ装置で構成し、発電量の予測結果情報等を表示する表示部である。符号１１は、発電量予測に必要なデータを入力するデータ入力部である。データ入力部１１は、入力部２からのデータ入力に加え、他の機器が出力したデータやセンサ出力のデータを通信手段を用いて入力する。符号１２は、データ入力部１１において入力した入力データを分類するために、クラスタリング処理を行うクラスタリング処理部である。符号１３は、クラスタリング処理部１２において分類されたクラスタ毎に予測モデルを構築するモデル構築部である。符号１４は、構築した予測モデルに基づき太陽光発電の発電電力の予測を行い、予測結果を出力する予測処理部である。
【００１５】
次に、本実施形態による太陽光発電予測装置の動作原理について説明する。本実施形態では太陽光発電予測においてＡＮＮを適用し、より高精度な出力を得るために、データの前処理としてクラスタリングを用いたニューラルネットワークによる予測手法を用いる。前処理では、入力データに対しクラスタリングを行うことにより、いくつかのクラスタに分類する。その後、各クラスタにおいて類似データを抽出し、予測モデルを構築する。予測モデルは、高精度な非線形近似のラジアル基底関数ネットワーク（Radial Basis Function Network、以下、ＲＢＦＮと称する）を用いる。ＡＮＮは入力データの分散が小さいほど高精度な出力が得られるという特徴を持つ。すなわち、よりテストデータに類似した学習データを用いることにより、高精度な解を得ることができる。強い相関関係を持つ入出力データにおいて、類似した入力データを用いることにより、出力データは高い確率で類似する。よって、類似データの集合を作成するため、クラスタリングによる前処理付きモデルを用いる。類似データを抽出したクラスタ毎に予測モデルを構築するので、各予測モデルの入力データの分散は抑えられていて単体の予測モデルより高精度な解を得ることができる。
【００１６】
前処理として用いられる手法には、ｋ−ｍｅａｎｓなどのクラスタリング手法がある。ｋ−ｍｅａｎｓは高速に計算を行うが、解が初期値に依存する欠点を持つ。ここでは、クラスタリング手法として高精度で大域的なクラスタリングが可能な確定的アニーリング（Deterministic Annealing、以下、ＤＡと称する）を用いる。ＤＡは統計力学の概念における温度に依存する自由エネルギーを利用し、温度パラメータを高温状態から徐々に温度を下げることで、最適解に収束していく。各温度で目的関数が変化し確定的に最適化を行うため、初期値に依存せず、効率的に大域的最適解を得ることができる。また、ＲＢＦＮの中心ベクトルの決定に対しても、ＤＡクラスタリングを用いることにより、大域的な構造を持つＲＢＦＮを構築し、高精度な予測を行うことができる。
【００１７】
ここで、図４を参照して、ＲＢＦＮについて説明する。図４は、ＲＢＦＮの構造を示す図である。ＲＢＦＮは、入力層、中間層、出力層からなる３層構造の階層的ニューラルネットワークである。入力データは、入力層のユニットにそれぞれ割り振られ、各中間層に重みなしで渡される。中間層のユニットは応答関数と呼ばれるラジアル基底関数を備えていて、多層パーセプトロン（以下、ＭＬＰと称する）におけるシグモイド関数と同様の機能を果たす。ラジアル基底関数は、中心の位置と幅により定義されるガウス密度関数で表現される。ガウス密度関数は、入力データが中心位置に最も近い場合に、最大出力を与え、中心から離れるにつれて単調に減少する。ラジアル基底関数の幅は、その減少率の制御をするように働く。ＲＢＦＮは、このラジアル基底関数を用いることにより、ＭＬＰよりも非線形近似能力が高くなる。また、中間層と出力層間の重みのみを学習するため、ＭＬＰより計算時間を大きく削減できるという利点がある。
【００１８】
ＲＢＦＮの中間層のユニットの出力は、数学的に表すと（１）式のように表される。
【数１】
ＲＢＦＮの出力値ｙは、中間層のユニットの重み付けされた値となり、（２）式で求められる。
【数２】
【００１９】
ラジアル基底関数の中心ベクトルの決定に対しては、クラスタリング手法を用いることにより、中心を定めることができる。従来技術では、中心ベクトルの決定において、クラスタリングの代表的手法であるｋ−ｍｅａｎｓが用いられている。この方法は、ＲＢＦＮの基底関数の中心に対して、ｋ−ｍｅａｎｓによって得られた各クラスタ代表を適用している。しかし、ｋ−ｍｅａｎｓは初期値に依存する方法であり、必ず最適なクラスタリングを行えるとは限らないため、局所的な構造を持つＲＢＦＮとなる。本実施形態では、ＲＢＦＮの基底関数の中心の決定に対して、ＤＡクラスタリングを用いる。この方法は、初期値に依存することなく、最適なクラスタリングを行うことができる。これによって求まったクラスタ代表を利用することにより、大域的な構造を持つＲＢＦＮとすることが可能である。
【００２０】
次に、クラスタリングについて説明する。クラスタリングとは、あるデータの集合において、データの分布などからデータの特徴的なパターンを見つけ、類似したデータをクラスタと呼ばれる部分集合に分割する手法である。すなわち、クラスタリングとは、与えられたデータのサンプル数ｍのベクトルの集合をｋ個の代表ベクトルを持つクラスタに分類する処理を行う。代表ベクトルは、分類された各クラスタの中心ベクトルであり、クラスタの特徴を表している。
【００２１】
クラスタリング手法の一つであるｋ−ｍｅａｎｓは、距離を表す評価関数を最小化する分割を探索する。評価関数を（３）式に示す。
【数３】
【００２２】
ｋ−ｍｅａｎｓは、まず、ｋ個の初期クラスタの重心を任意に設定し、各データと各クラスタの重心の距離を求め、距離が最小となる重心を持つクラスタヘ割り当てる。そして、クラスタヘの割り当てが変化しなければ終了し、そうでないならば、各クラスタの重心を求め、各クラスタの代表点としてクラスタ割り当て処理を繰り返す。
【００２３】
一方、ＤＡクラスタリング手法はアニーリング手法であり、温度パラメータを高温状態から温度を徐々に下げることにより最適解に収束する。ＤＡは統計力学における自由エネルギーを利用し各温度において目的関数を変化させるため、解の初期値への依存や局所解に陥ることなく、効率的に最適化を行うことができる。ＤＡは温度を少しずつ低下させ、低温状態になるに従って目的関数は与えられた非線形関数に近づいていく。これによってＤＡは十分な低温状態において元の目的関数を得る。また、ＤＡは各温度において確定的に最適化を行い、現在の状態で得られた最適解を次の状態の初期値に使用し反復計算を行う。温度変化が小さいほど目的関数の変化も小さくなるため、高温状態からゆっくりと温度を下げることにより各温度で確定的な最適化を行う。この作業を繰り返すことで、十分な低温状態において大域的最適解を発見する。
【００２４】
ＤＡクラスタリングは、ＤＡの原理を応用したクラスタリング手法である。ＤＡクラスタリングは所属状態において確率を用いるため、あるデータが複数のクラスタヘ所属することを可能とする。これによりクラスタリング過程において、各データに対するクラスタ代表を柔軟に探索するため、初期値への依存や局所解に陥ることを抑制できる。従って、ＤＡでは所属状態を確率で表し（４）式を得る。ＤＡクラスタリングは（４）式における所属確率に対し、最大エントロピーの原理を用いる。これにより各々のデータが全てのクラスタに所属可能となる。最大エントロピーを用いた（４）式の所属確率は（５）式のようなボルツマン分布となる。
【数４】
【数５】
【００２５】
（５）式におけるβは、アニーリングアルゴリズムにおける温度パラメータの逆数を示し、各温度において最適化を行う。β＝０においては各々のデータが全てのクラスタに一様に所属する。一方、βが増加、すなわち温度が低下するにつれて、各データが少しずつ１つのクラスタに所属する。β＝∞においてはある１つのクラスタに対しての所属確率が１となり、他のクラスタに対しては０となるため、全てのデータが各々１つのクラスタに所属する。統計力学における平衡状態では、自由エネルギーが最小となるため、各温度でクラスタの代表に関して（６）式を得る。（６）式を解くことによりクラスタ代表が更新される。各温度で確定的にクラスタリングを最適化するために、（５）式と（６）式を繰り返し計算する。（７）式は（６）式で得た反復回数ｔ＋１におけるクラスタ代表から得ることかできる新しい所属確率を表す。
【数６】
【数７】
【００２６】
このように、ＤＡクラスタリングは温度を下げる度に目的関数が変化し、各温度において確定的にクラスタ代表の最適化を行う。ここで、図２を参照して、図１に示すクラスタリング処理部１２におけるＤＡクラスタリングの処理動作を説明する。図２は、図１に示すクラスタリング処理部１２におけるＤＡクラスタリングの処理動作を示すフローチャートである。
【００２７】
まず、クラスタリング処理部１２は、初期温度パラメータβ０、温度パラメータの上限値βｍａｘと収束判定基準εを設定する（ステップＳ１）。続いて、クラスタリング処理部１２は、初期のクラスタ代表をデータの中から選択し（ステップＳ２）、（７）式によりｔにおける所属確率を求める（ステップＳ３）。
【００２８】
次に、クラスタリング処理部１２は、求めた所属確率から（６）式により新しいクラスタ代表を求め（ステップＳ４）、新しいクラスタ代表から（７）式により新しい所属確率を求める（ステップＳ５）。
【００２９】
次に、クラスタリング処理部１２は、（４）式の評価関数よりｄ（ｔ＋１）を評価する（ステップＳ６）。この評価の結果、｜ｄ（ｔ＋１）−ｄ（ｔ）｜／ｄ（ｔ）＜εの条件を満たすか否かを判定する（ステップＳ７）。この判定の結果、条件を満たさないのであればステップＳ４に戻って処理を繰り返す。
【００３０】
一方、この条件を満たすのであれば、クラスタリング処理部１２は、終了条件（β≧βｍａｘ）を満たすか否かを判定する（ステップＳ８）。この判定の結果、終了条件を満たさないのであれば、クラスタリング処理部１２は、βを増加させて（ステップＳ９）、ステップＳ４へ戻り、終了条件を満たすまで処理を繰り返し、終了条件を満たした時点で処理を終了する。
【００３１】
次に、図１に示す太陽光発電予測装置１によって、太陽光発電装置の発電電力を予測する処理動作について説明する。ここでは、太陽光発電の発電電力の予測に対して、入力データの前処理とＲＢＦＮによる予測手法を用いる。ＡＮＮは入力データの分散が小さいほど高精度な出力が得られるという特徴を持ち、よりテストデータに類似した学習データを用いることにより、高精度な解を得ることができる。すなわち、強い相関関係を持つ入出力データにおいて、類似した入力データを用いることにより、出力データは高い確率で類似する。よって、類似データを抽出することができるクラスタリング手法を前処理として行えば、ＡＮＮの非線形近似能力を効率的に活かすことができる。そこで本実施形態では、高精度なクラスタリングが可能なＤＡクラスタリングを前処理の手法として用いる。
【００３２】
図５を参照して、ＤＡクラスタリングを前処理の手法として用いて太陽光発電装置の発電電力を予測する処理について説明する。図５は、ＤＡクラスタリングを前処理の手法として用いて太陽光発電装置の発電電力を予測する処理の概念を示す図である。図５において、ｘは入力データ、Ｃｌｉ（ｉ＝１，２，…，ｎ）はＤＡクラスタリングによって分類されたクラスタ、ｙｉ（ｉ＝１，２，…，ｎ）は出力を表す。テストデータの入力の際に一番近いクラスタ代表をもつクラスタを選択し、そのクラスタに構築されたＲＢＦＮにより予測を行う。また、ＲＢＦＮの基底関数の中心の決定に対して、ＤＡクラスタリングを用いる。ＤＡクラスタリングは、最適なクラスタリングを行うことができるため、求まったクラスタ代表を利用することにより、大域的な構造を持つＲＢＦＮとなる。
【００３３】
次に、図３を参照して、図１に示す太陽光発電予測装置１の処理動作を説明する。図３は、図１に示す太陽光発電予測装置１の処理動作を示すフローチャートである。まず、データ入力部１１は、発電量予測に必要なデータを入力し、入力したデータをクラスタリング処理部１２へ受け渡す。ここで入力されるデータは、時間、日射量、温度、太陽光発電パネルの温度、湿度、日照時間、全天日射量、直達日射量、散乱日射量、日射指数、雲量、紫外線、照度、雨量、太陽高度、太陽方位などである。これを受けて、クラスタリング処理部１２は、前述した処理動作によって入力データをＤＡクラスタリングにより分類し（ステップＳ１１）、各々のクラスタに含まれるデータをＲＢＦＮの学習データとする（ステップＳ１２）。
【００３４】
次に、モデル構築部１３は、クラスタリング処理部１２によってクラスタリングされたクラスタ毎にＲＢＦＮモデルを構築し（ステップＳ１３）、テストデータと一番近いクラスタ代表を持つクラスタヘ分類する（ステップＳ１４）。そして、予測処理部１４は、テストデータが分類されたクラスタにおけるＲＢＦＮを用いて、太陽光発電の発電電力の予測を行い（ステップＳ１５）、予測結果を表示部３に表示する。予測処理部１４は、予測結果情報を他の機器へ出力するようにしてもよい。この処理動作によって、所定経過時間毎の予測発電電力量が関係付けられて出力されることになる。
【００３５】
次に、前処理におけるＤＡクラスタリングのパラメータβの増加量について説明する。ここでは、図２に示すステップＳ９の「パラメータを増加させる」におけるパラメータβの増加量を更新幅Δβと称する。ＤＡクラスタリングは、パラメータβを徐々に変化させることにより、最適クラスタリング結果を得る手法である。しかし、βの変化のさせ方によっては、解が存在しないことがある。そこで、本実施形態では、パラメータβを（８）式のように変化させるようにした。
βｋ＋１＝βｋ＋Δβ ・・・（８）
ただし、ｋ：アルゴリズムの反復回数、βｋ：反復回数ｋのときのパラメータβ、Δβ：更新幅である。
【００３６】
良好な解を得るためには、（８）式におけるΔβが重要となる。前処理でクラスタに全データが収束するためのΔβの上下限値について説明する。ＤＡの更新幅Δβを変化させたときの評価関数の変化を図６に示す。横軸の評価関数が小さいほど、クラスタ結果が良好であることを示す。同図より、更新幅Δβが０．０１以下の際に良好な評価関数が得られることが分かる。よって、Δβの上下限値は、
０．０３≦Δβ≦１．３ ・・・（９）
ただし、Δβ≦０．０２と１．４≦Δβでは、評価関数が良いと見えるが、全データがいずれかのクラスタに収束していなかったため、不適切と判断する。
【００３７】
ＤＡの更新幅Δβを変化させたときの各クラスタに割り当てられたデータの変化を図７に示す。縦軸は、クラスタへ所属したデータ数を示しており、クラスタリングが適切に行われるならば、クラスタへ所属したデータ数は２７００となる。すなわち、（９）式を満たすとき、全データがクラスタに収束した。
【００３８】
次に、前処理後に得られたクラスタにおいてＲＢＦＮを構築する際に必要なデータクラスタリングＤＡの更新幅Δβについて説明する。前処理において全データは、３つのクラスタに分類された。クラスタ数が２，４よりもクラスタ数３の結果が最も良かった。クラスタ１において、ＲＢＦＮを構築した結果
Δβ≦４ ・・・（１０）
が適切な結果が得られた（図８、図９参照）。図８では、クラスタ１の場合のＲＢＦＮ構築に必要なＤＡクラスタリングにおけるΔβと評価関数の関係を示す。図９はクラスタ１の場合のＤＡクラスタリングにおけるΔβとクラスタへ所属したデータ数の関係を示す。
同図において、Δβ≦４の場合、全データがいずれかのクラスタに収束した。他方、４＜Δβでは、あるデータは、いずれのクラスタにも収束しなかった。
【００３９】
同様に、クラスタ２、３においてΔβの適切な範囲はそれぞれ、（１１）式、（１２）式の通りである（図１０、図１１、図１２、図１３参照）。
Δβ≦４ ・・・（１１）
Δβ≦２０ ・・・（１２）
【００４０】
したがって、（１０）式、（１１）式、（１２）式より、前処理後に得られたクラスタにおいてＲＢＦＮを構築する際に必要なデータクラスタリングＤＡの更新幅Δβは、
Δβ≦４
とすることが望ましい。
【００４１】
次に、本実施形態による太陽光発電予測装置の効果を検証するために、シミュレーションを行った結果について説明する。ＲＢＦＮの中心ベクトルの決定に対して、従来のクラスタリング手法であるｋ−ｍｅａｎｓを用いるｋ−ＲＢＦＮと、ＤＡクラスタリングを用いるＤ−ＲＢＦＮを比較する。前処理の手法としても、ｋ−ｍｅａｎｓとＤＡクラスタリングの比較を行い、本実施形態による手法の有効性を検討するため、ここでは以下の手法を定義する。
Ｍｅｔｈｏｄ Ａ：ＭＬＰ
Ｍｅｔｈｏｄ Ｂ：ｋ−ＲＢＦＮ（中心ベクトルの決定：ｋ−ｍｅａｎｓ、前処理なし）
Ｍｅｔｈｏｄ Ｃ：ｋ−ｍｅａｎｓ−ｋ−ＲＢＦＮ（中心ベクトルの決定：ｋ−ｍｅａｎｓ、前処理：ｋ−ｍｅａｎｓ）
Ｍｅｔｈｏｄ Ｄ：ｋ−ｍｅａｎｓ−Ｄ−ＲＢＦＮ（中心ベクトルの決定：ＤＡクラスタリング、前処理：ｋ−ｍｅａｎｓ）
Ｍｅｔｈｏｄ Ｅ：ＤＡ−Ｄ−ＲＢＦＮ（中心ベクトルの決定：ＤＡクラスタリング、前処理：ＤＡクラスタリング）
【００４２】
シミュレーション条件は、以下の通りである。
（１）過去の太陽光発電電力とパネルの温度の１分毎の時系列データを用いて、３０分後の発電出力予測を行う。同時刻における太陽光発電電力とパネルの温度において、それぞれ５分間の分散、１０分間の分散、差分、二階差分を求めて、これらをＡＮＮの入力データとするため入力層の数は１０次元となる。また、ＭＬＰとＲＢＦＮのクラスタ数ｎ、学習係数α、モーメント係数η、モーメント増分値Δη、中間層の数、学習回数を表１に示す。これらのパラメータの値は、事前シミュレーションにより決定した。
【表１】
【００４３】
（２）ここで用いるデータとして、２００５年の５月２日から４日を学習データに、５日をテストデータとする。この期間において、２０時から５時の夜間の間は発電量がなかったため、その期間を除いて５時から２０時までの発電予測を行う。したがって、１５時間の１分毎のデータが３日分あるため、学習パターンは２７００通りとなる。また、クラスタリングのデータとしては、（１）に示した１０次元と３０分後の発電出力をベクトルに加えた１１次元となる。また、事前シミュレーションにより決定したＤＡクラスタリングのパラメータを表２に示す。
【表２】
【００４４】
（３）ＲＢＦＮの基底関数の中心の決定には、クラスタリングの中心ベクトルを適用し、幅に対しては、中心ベクトルからそのクラスタに含まれる最も遠い点までの距離とする。
【００４５】
上記のシミュレーション条件によりシミュレーションを行った結果は以下の通りある。ｋ−ｍｅａｎｓとＤＡクラスタリングの有効性を示すために、初期値１００通りに対する評価関数の最良値、平均値、最悪値、標準偏差を表３に示す。
【表３】
【００４６】
ｋ−ｍｅａｎｓとＤＡクラスタリングの評価関数は、各々（３）式と（４）式で与えられる。ｋ−ｍｅａｎｓとＤＡクラスタリングの評価関数を比較すると、クラスタ数２のときは同一の値を得ている。それに対してクラスタ数３、４のときは、ＤＡクラスタリングが最良値、平均値、最悪値、標準偏差において、各々良好な結果を得ている。最良値に関しては差が多少しかないが、平均値、最悪値、標準偏差において大きく改善されている。ＤＡクラスタリングの標準偏差に関しては、クラスタ数がどの場合においても０となった。これは、ＤＡクラスタリングが大域的なクラスタリングを行なっていることを示している。したがって、ＤＡクラスタリングがクラスタリング手法において有効であることが確認された。
【００４７】
表４に、Ｍｅｔｈｏｄ ＡからＭｅｔｈｏｄ Ｅにより得られた３０分後の発電量の、予測出力と教師データとの絶対値誤差の平均値（Ａｖｅ．Ｅｒｒｏｒ）、最大値（ＭＡＸ Ｅｒｒｏｒ）、標準偏差（Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ）を示す。表４において、［ｐｕ］はｐｅｒ ｕｎｉｔを意味し、例えば、Ｍｅｔｈｏｄ ＡのＡｖｅ．Ｅｒｒｏｒの６．３４３５×１０−２は、教師データとの平均誤差が６．３４３５％であることを示している。また、絶対値誤差の平均値、最大値、標準偏差の各列の丸括弧内の値は、Ｍｅｔｈｏｄ Ａの絶対値誤差の平均値、最大値、標準偏差をそれぞれ１とした場合のＭｅｔｈｏｄ Ａ〜Ｅの相対値を示している。表４より、Ｍｅｔｈｏｄ Ｂ（ｋ−ＲＢＦＮ）とＭｅｔｈｏｄ Ｃ（ｋ−ｍｅａｎｓ−ｋ−ＲＢＦＮ）を比較すると、Ｍｅｔｈｏｄ Ｂの教師データとの絶対値誤差の平均値、最大値、標準偏差はそれぞれ５．２２３８×１０−２、２．９５３４×１０−１、５．６６７８×１０−２であり、Ｍｅｔｈｏｄ Ｃのクラスタ数が３の場合、教師データとの絶対値誤差の平均値、最大値、標準偏差はそれぞれ４．８９８９×１０−２、２．７８３８×１０−１、４．７５２１×１０−２であることから、Ｍｅｔｈｏｄ Ｄの方が絶対値誤差の平均値、最大値、標準偏差でそれぞれ６．２１９６％、５．７４２５％、１６．１５６％良好な結果を得ており、入力データに対してクラスタリングによる前処理を用いた方が、予測精度が向上していることが分かる。これは、ＡＮＮが入力データの分散が小さいほど高精度な出力が得られるという特徴を持つことから、クラスタリングにより類似データを抽出したことにより、ＡＮＮがより強い相関関係をもつ入出力データを得たためである。
【表４】
【００４８】
Ｍｅｔｈｏｄ Ｄ（ｋ−ｍｅａｎｓ−Ｄ−ＲＢＦＮ）とＭｅｔｈｏｄ Ｅ（ＤＡ−Ｄ−ＲＢＦＮ）の、クラスタ数がそれぞれ３の場合を比較すると、Ｍｅｔｈｏｄ Ｄの教師データとの絶対値誤差の平均値、最大値、標準偏差はそれぞれ４．６６３６×１０−２、２．７６８７×１０−１、４．６３８８×１０−２であり、Ｍｅｔｈｏｄ Ｅの教師データとの絶対値誤差の平均値、最大値、標準偏差はそれぞれ４．３８９２×１０−２、２．７５４７×１０−１、４．５７３４×１０−２であることから、Ｍｅｔｈｏｄ Ｅの方が絶対値誤差の平均値、最大値、標準偏差でそれぞれ５．８８３９％、０．５０５７％、１．４０９８％良好な結果を得ている。また、Ｍｅｔｈｏｄ ＤとＭｅｔｈｏｄ Ｅでクラスタ数がそれぞれ４の場合、Ｍｅｔｈｏｄ Ｄの教師データとの絶対値誤差の平均値、最大値、標準偏差はそれぞれ４．８７３３×１０−２、２．８５７７×１０−１、４．８５６２×１０−２であり、Ｍｅｔｈｏｄ Ｅの教師データとの絶対値誤差の平均値、最大値、標準偏差はそれぞれ４．６５００×１０−２、２．７５７６×１０−１、４．６８６６×１０−２であることから、クラスタ数を４としてもＭｅｔｈｏｄ Ｅの方が絶対値誤差の平均値、最大値、標準偏差でそれぞれ４．５８２１％、３．５０２８％、３．４９２４％良好な結果を得ている。これは、本発明における入力データの前処理の手法としてｋ−ｍｅａｎｓより、ＤＡクラスタリングを採用した方が有効な手段であることを示している。また、前処理を施した手法であるＭｅｔｈｏｄ Ｃ〜Ｍｅｔｈｏｄ Ｅの中でクラスタ数が３のときに最も良好な結果を得ている。クラスタ数が４のときより、クラスタ数が３のときの方が優れているのは、クラスタ数を増やすとより類似したデータが集まるが、学習データが減少したことにより学習が困難となったためである。すなわち、入力データの前処理としてクラスタリングを行うときは、適切なクラスタ数を用いることにより、高精度な予測を行うことができる。
【００４９】
次に、Ｍｅｔｈｏｄ Ｃ（ｋ−ｍｅａｎｓ−ｋ−ＲＢＦＮ）とＭｅｔｈｏｄ Ｄ（ｋ−ｍｅａｎｓ−Ｄ−ＲＢＦＮ）の、クラスタ数がそれぞれ３の場合を比較すると、Ｍｅｔｈｏｄ Ｃの教師データとの絶対値誤差の平均値、最大値、標準偏差はそれぞれ４．８９８９×１０−２、２．７８３８×１０−１、４．７５２１×１０−２であり、Ｍｅｔｈｏｄ Ｄの教師データとの絶対値誤差の平均値、最大値、標準偏差はそれぞれ４．６６３６×１０−２、２．７６８７×１０−１、４．６３８８×１０−２であることから、Ｍｅｔｈｏｄ Ｄの方が絶対値誤差の平均値、最大値、標準偏差でそれぞれ４．８０３１％、０．５４２４％、２．３８４２％良好な結果を得ている。つまり、ＲＢＦＮの基底関数の中心の決定にＤＡクラスタリングを用いた方が、予測誤差が小さくなっている。これは、ｋ−ＲＢＦＮが局所的構造を持つことに対して、Ｄ−ＲＢＦＮが大域的構造を持つためである。
【００５０】
以上より、本発明においてはＲＢＦＮの中心ベクトルの決定に対して、ＤＡクラスタリングを用い、前処理の手法としてＤＡクラスタリングを用いるのが最も有効であり、クラスタ数が３のＭｅｔｈｏｄ Ｅ（ＤＡ−Ｄ−ＲＢＦＮ）の場合は、従来のＡＮＮ手法であるＭｅｔｈｏｄ Ａ（ＭＬＰ）と比較して、平均誤差を３０．８０８％、最大誤差を１６．３２３％、標準偏差を２９．３２３％改良し、従来のＲＢＦＮ手法であるＭｅｔｈｏｄ Ｂ（ｋ−ＲＢＦＮ）と比較しても、平均誤差を１５．９７７％、最大誤差を６．７２７０％、標準偏差を１９．３０９％改良した。
【００５１】
ここで、クラスタ数が３のＭｅｔｈｏｄ Ｅを用いた場合の予測結果出力と実測値を図１４に、そのときの各時間における誤差の推移を図１５に示す。図１４、図１５において、用いているデータは１分毎のデータであるため、横軸は５時から２０時までを０分から９００分として表している。図１４、図１５より、０分から４００分のように実測値が安定して発電しているときは近似しやすいが、５００分から７００分にかけて実測値が変動しており、そのときの誤差が大きくなっていることが分かる。そのため、最大誤差が大きくなってしまっている。しかし、最大誤差においても、本実施形態による手法は比較手法よりも良好な結果を得ており、太陽光発電予測の手法において、有効であることが確認された。
【００５２】
以上説明したように、太陽光発電予測において、入力データに対しＤＡ−クラスタリングを用いて高精度なクラスタリングを行い、ＲＢＦＮの基底関数の中心の決定に対しても、ＤＡクラスタリングを用いるＤ−ＲＢＦＮを用いることにより、高精度で太陽光発電装置の発電電力予測を行うことができる。
【００５３】
なお、図１における処理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太陽光発電予測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、ホームページ提供環境（あるいは表示環境）を備えたＷＷＷシステムも含むものとする。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。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（ＲＡＭ）のように、一定時間プログラムを保持しているものも含むものとする。
【００５４】
また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。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よい。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、いわゆる差分ファイル（差分プログラム）であってもよい。
【産業上の利用可能性】
【００５５】
ニューラルネットワークを用いて、太陽発電装置の発電電力予測を行うことが不可欠な用途に適用できる。
【符号の説明】
【００５６】
１・・・太陽光発電予測装置、１１・・・データ入力部、１２・・・クラスタリング処理部、１３・・・モデル構築部、１４・・・予測処理部、２・・・入力部、３・・・表示部
【特許請求の範囲】
【請求項１】
太陽光発電の発電量を予測する太陽光発電予測装置であって、
発電量予測に必要なデータを入力するデータ入力手段と、
ニューラルネットワークの学習データとするために、前記入力データをクラスタリングにより分類するクラスタリング処理手段と、
前記クラスタリングされたクラスタ毎にニューラルネットワークモデルを構築し、テストデータと一番近いクラスタ代表を持つクラスタヘ分類するモデル構築手段と、
前記テストデータが分類されたクラスタにおけるニューラルネットワークを用いて、太陽光発電の発電量を予測して、予測発電量を出力する予測手段と
を備えることを特徴とする太陽光発電予測装置。
【請求項２】
前記クラスタリング処理手段は、確定的アニーリングを用いてクラスタリングを行うことを特徴とする請求項１に記載の太陽光発電予測装置。
【請求項３】
前記ニューラルネットワークモデルは、ラジアル基底関数ネットワークを用いることを特徴とする請求項１に記載の太陽光発電予測装置。
【請求項４】
太陽光発電の発電量を予測する太陽光発電予測方法であって、
発電量予測に必要なデータを入力するデータ入力ステップと、
ニューラルネットワークの学習データとするために、前記入力データをクラスタリングにより分類するクラスタリング処理ステップと、
前記クラスタリングされたクラスタ毎にニューラルネットワークモデルを構築し、テストデータと一番近いクラスタ代表を持つクラスタヘ分類するモデル構築ステップと、
前記テストデータが分類されたクラスタにおけるニューラルネットワークを用いて、太陽光発電の発電量を予測して、予測発電量を出力する予測ステップと
を有することを特徴とする太陽光発電予測方法。
【請求項５】
太陽光発電の発電量を予測する太陽光発電予測装置上のコンピュータに太陽光発電の発電量を予測させる太陽光発電予測プログラムであって、
発電量予測に必要なデータを入力するデータ入力ステップと、
ニューラルネットワークの学習データとするために、前記入力データをクラスタリングにより分類するクラスタリング処理ステップと、
前記クラスタリングされたクラスタ毎にニューラルネットワークモデルを構築し、テストデータと一番近いクラスタ代表を持つクラスタヘ分類するモデル構築ステップと、
前記テストデータが分類されたクラスタにおけるニューラルネットワークを用いて、太陽光発電の発電量を予測して、予測発電量を出力する予測ステップと
を行わせることを特徴とする太陽光発電予測プログラム。
【請求項１】
太陽光発電の発電量を予測する太陽光発電予測装置であって、
発電量予測に必要なデータを入力するデータ入力手段と、
ニューラルネットワークの学習データとするために、前記入力データをクラスタリングにより分類するクラスタリング処理手段と、
前記クラスタリングされたクラスタ毎にニューラルネットワークモデルを構築し、テストデータと一番近いクラスタ代表を持つクラスタヘ分類するモデル構築手段と、
前記テストデータが分類されたクラスタにおけるニューラルネットワークを用いて、太陽光発電の発電量を予測して、予測発電量を出力する予測手段と
を備えることを特徴とする太陽光発電予測装置。
【請求項２】
前記クラスタリング処理手段は、確定的アニーリングを用いてクラスタリングを行うことを特徴とする請求項１に記載の太陽光発電予測装置。
【請求項３】
前記ニューラルネットワークモデルは、ラジアル基底関数ネットワークを用いることを特徴とする請求項１に記載の太陽光発電予測装置。
【請求項４】
太陽光発電の発電量を予測する太陽光発電予測方法であって、
発電量予測に必要なデータを入力するデータ入力ステップと、
ニューラルネットワークの学習データとするために、前記入力データをクラスタリングにより分類するクラスタリング処理ステップと、
前記クラスタリングされたクラスタ毎にニューラルネットワークモデルを構築し、テストデータと一番近いクラスタ代表を持つクラスタヘ分類するモデル構築ステップと、
前記テストデータが分類されたクラスタにおけるニューラルネットワークを用いて、太陽光発電の発電量を予測して、予測発電量を出力する予測ステップと
を有することを特徴とする太陽光発電予測方法。
【請求項５】
太陽光発電の発電量を予測する太陽光発電予測装置上のコンピュータに太陽光発電の発電量を予測させる太陽光発電予測プログラムであって、
発電量予測に必要なデータを入力するデータ入力ステップと、
ニューラルネットワークの学習データとするために、前記入力データをクラスタリングにより分類するクラスタリング処理ステップと、
前記クラスタリングされたクラスタ毎にニューラルネットワークモデルを構築し、テストデータと一番近いクラスタ代表を持つクラスタヘ分類するモデル構築ステップと、
前記テストデータが分類されたクラスタにおけるニューラルネットワークを用いて、太陽光発電の発電量を予測して、予測発電量を出力する予測ステップと
を行わせることを特徴とする太陽光発電予測プログラム。
【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】
【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】
【公開番号】特開２０１３−７４６９５（Ｐ２０１３−７４６９５Ａ）
【公開日】平成２５年４月２２日（２０１３．４．２２）
【国際特許分類】
【出願番号】特願２０１１−２１１０５０（Ｐ２０１１−２１１０５０）
【出願日】平成２３年９月２７日（２０１１．９．２７）
【新規性喪失の例外の表示】特許法第３０条第１項適用申請有り 平成２３年８月３０日 社団法人電気学会 電力・エネルギー部門発行の「平成２３年 電気学会 電力・エネルギー部門大会 論文集」に発表
【出願人】（８０１００００２７）学校法人明治大学 (161)
【Ｆターム（参考）】
【公開日】平成２５年４月２２日（２０１３．４．２２）
【国際特許分類】
【出願日】平成２３年９月２７日（２０１１．９．２７）
【新規性喪失の例外の表示】特許法第３０条第１項適用申請有り 平成２３年８月３０日 社団法人電気学会 電力・エネルギー部門発行の「平成２３年 電気学会 電力・エネルギー部門大会 論文集」に発表
【出願人】（８０１００００２７）学校法人明治大学 (161)
【Ｆターム（参考）】
[ Back to top ]