WO2011158363A1 - 日射強度予測システムと太陽光発電出力予測システム - Google Patents

Abstract

　太陽光発電装置１２が設置されている地域の位置データに基づいて所定時間後の太陽の高度と方位を算出する太陽高度方位算出部１３と、この太陽高度方位算出部１３が算出した太陽の高度および太陽の方位と、気象予報データとから所定時間後の日射強度を演算式に基づいて求める第１ファジーモデル部２０とを備え、この第１ファジーモデル部２０は、求めた日射強度と、実際の日射強度との差が許容値以下となるように前記演算式を学習させ、この学習を行った第１ファジーモデル部２０の演算式に基づいて、前記太陽高度方位算出部が算出した所定時間後の太陽の高度と気象予報データとから所定時間後の日射強度を求める。

Description

日射強度予測システムと太陽光発電出力予測システム

　この発明は、日射強度を予想する日射強度予測システムと、太陽光発電装置の発電出力を予想する太陽光発電出力予測システムとに関する。

　従来から、気象庁が発表する天気予報のデータに基づいて太陽光発電システムの発電量を予測する発電量予測装置が提案されている（特許文献１参照）。

　かかる発電量予測装置は、日射量予測式導出部と、日射量予測計算部と、日射量受信部と、太陽光発電システムモデルとを備えている。

　日射量予測式導出部は、履歴データベースに記録されている、太陽光発電システムの設置地域の過去に観測された天気現象と、過去に計測された日射量とを基に日射量予測式を導出する。

　日射量予測計算部は、気象情報受信部で受信された該地域に対する予測対象日または予測対象時間帯についての天気予報と、日射量受信部で受信された予測対象日の予測実施時刻前に該地域において計測された日射量とを日射量予測式に入力することにより日射量を予測する。

　太陽光発電システムモデルは、予測された日射量と、予測対象日または予測対象時間帯についての天気予報とを入力して発電量を予測する。

特開２００６－３３９０８号公報

発明が解決しようとうする課題

　しかしながら、このような発電量予測装置にあっては、過去に観測された天気現象と過去に計測された日射量とを基にして日射量予測式を導出し、この日射量予測式から予測された日射量と天気予報とに基づいて発電量を予測するが、この予測した発電量と実際の発電量との誤差が大きくなってしまうことがある。

　この発明は、予測した日射強度と実際の日射強度との誤差を限りなく小さくすることのできる日射強度予測システムと、予測した発電出力と実際の発電出力との誤差を限りなく小さくすることのできる太陽光発電出力予測システムとを提供することを目的とする。

　この発明に係る日射強度予測システムは、地域の位置データに基づいて所定時間後の前記地域の太陽高度および太陽方位を算出する太陽高度方位算出部と、この太陽高度方位算出部が算出した太陽高度および太陽方位と、前記地域の気象データとから所定時間後の日射強度予測値を求める日射強度推論部とを備え、この日射強度推論部は、求めた日射強度予測値と実際の日射強度値との差が許容値以下となるように学習し、この学習の後に、前記太陽高度方位算出部が算出する所定地域の所定時間後の太陽高度および太陽方位と、その所定地域の気象データとに基づいて、現在時刻から所定時間後の前記所定地域の日射強度予測値を求めることを特徴とする。

　また、この発明に係る太陽光発電出力予測システムは、地域の位置データに基づいて所定時間後の太陽高度および太陽方位を算出する太陽高度方位算出部と、この太陽高度方位算出部が算出した太陽高度および太陽方位と、前記地域の気象データとから所定時間後の太陽光発電装置の発電出力予測値を求める発電出力推論部とを備え、この発電出力推論部は、求めた発電出力予測値と実際の発電出力値との差が許容値以下となるように学習し、この学習の後に、前記太陽高度方位算出部が算出する前記太陽光発電装置の設置地域の所定時間後の太陽高度および太陽方位と、その設置地域の気象データとに基づいて現在時刻から所定時間後の前記太陽光発電装置の発電出力予測値を求めることを特徴とする。

　この発明によれば、気象データに基づいて正確な日射強度予想値を求めることができ、実際の日射強度との誤差を限りなく小さくすることができる。

　また、この発明によれば、気象データに基づいて正確な発電出力予想値を求めることができ、実際の発電量との誤差を限りなく小さくすることができる。

この発明に係る日射強度予測システムの構成を示すブロック図である。 気象庁から出される気象データの一例を示した表である。 メンバーシップ関数の一例を示す模式図である。 第２実施例の太陽光発電出力予測システムの構成を示すブロック図である。 第３実施例の太陽光発電出力予測システムの構成を示すブロック図である。 第４実施例の日射強度予測システムの構成を示すブロック図である。 気象衛星画像の画像処理の方法を示す説明図である。 第５実施例の太陽光発電出力予測システムの構成を示すブロック図である。 第６実施例の太陽光発電出力予測システムの構成を示すブロック図である。 ニューラルネットワークの一例を示す模式図である。

　以下、この発明を実施するための形態を図面に示す実施例に基づいて説明する。
［第１実施例］
［日射強度予測システム］
　図１に示す日射強度予測システム１０は、入力部１１によって入力される日時（月日および時刻）と地域の位置（緯度,経度：位置データ）とに基づいて所定時間後のその地域の太陽高度と太陽方位を算出する太陽高度方位算出部１３と、気象庁８から出されるその地域の最寄りの気象予報データ（気象データ：数値予報データ）と太陽高度方位算出部１３が算出した太陽高度および太陽方位とから所定時間後の日射強度予測値を求める第１ファジーモデル部（日射強度推論部）２０と、第１ファジーモデル部２０が求めた日射強度予測値と日射強度測定装置９が測定した実際の日射強度とを比較してその差（誤差）を求める比較部１４とを備えている。なお、日射強度の単位は［ｋＷ／ｍ²］である。また、入力部１１に入力する地域の位置は、例えば太陽光発電装置１２が設置されている位置や日射強度測定装置９が設置されている位置や所定の地域の位置などである。

　第１ファジーモデル部２０は、複数個のファジー集合に区分する第１ファジー集合定義部２１と、各要素のそのファジー集合に属する割合（グレード）を表す第１メンバーシップ関数（メンバーシップ関数）を定義する第１メンバーシップ関数定義部（メンバーシップ関数定義部）２２と、第１メンバーシップ関数定義部２２が定義した第１メンバーシップ関数と該第１メンバーシップ関数の重み付けとに基づき所定時間経過後の日射強度予測値を求める特性式（推論式）を定義する第１特性式定義部（推論式定義部）２３と、この第１特性式定義部２３で定義された特性式で求める日射強度予測値と所定時間後の実際の日射強度値との差が許容値以下となるように第１メンバーシップ関数の重み付けを修正することにより特性式の学習を行わせる第１学習部（学習部）２４等とを有している。

　気象庁からは、図２の表１,２に示すように、５ｋｍ間隔の地表面における数値予報や等気圧面における数値予報が３３時間先まで１時間刻みで出される。

　数値予報は、１５時間予報と３３時間予報の二つがあり、この二つの予報が３時間毎に交互に配信されて更新されていく。

　第１ファジーモデル部２０に入力する数値予報データは、地表面における５種類の数値予報データと、ｒ個の各等気圧面におけるそれぞれ４種類の数値予報データと、太陽高度と太陽方位のデータとである。
［動　作］
　次に、上記のように構成される日射強度予測システム１０の動作について説明する。

　日射強度測定装置９が設置されている地域について、気象庁８から時刻ｔに出されたτ時間後の数値予報と、当該時刻における太陽高度と太陽方位などとを数値予報データＸａ（ｔ,τ）として表すとする。いま、時刻ｔにおいて、１１＋４（ｒ－１）＝７＋４ｒ個の種類の数値予報データが得られるものとする。

　得られる数値予報データとしては、地表面における風速Ｖ₀（ｔ,τ）と気温Ｔ₀（ｔ,τ）と相対湿度ｈ₀（ｔ,τ）と時間降水量Ｒ₀（ｔ,τ）と雲量Ｃ₀（ｔ,τ）と、等気圧面における気温Ｔ_e（ｔ,τ）と上昇流Ｖ_e（ｔ,τ）と相対湿度ｈ_e（ｔ,τ）と高度Ａ_e（ｔ,τ）と、太陽高度θ_h（ｔ,τ）と、太陽方位θ_d（ｔ,τ）であるが、これに限られるものではなく、少なくとも大気の透明度に関する数値予報データと、月日と時刻で決まる太陽高度と太陽方位（確定値）があればよい。

　気象庁８から出される数値予報データは、地表面における風速Ｖ₀（ｔ,τ）と気温Ｔ₀（ｔ,τ）と相対湿度ｈ₀（ｔ,τ）と時間降水量Ｒ₀（ｔ,τ）と雲量Ｃ₀（ｔ,τ）と、等気圧面における気温Ｔ_e（ｔ,τ）と上昇流Ｖ_e（ｔ,τ）と相対湿度ｈ_e（ｔ,τ）と高度Ａ_e（ｔ,τ）であり、これら数値予報データはインターネットなどを介して日射強度予測システム１０の第１ファジーモデル部２０に入力される。

　太陽高度θ_h（ｔ,τ）と太陽方位θ_d（ｔ,τ）は、太陽光発電装置１２が設置されている地域の位置（緯度,経度）と、所定時間τ後の日時とに基づいて太陽高度方位算出部１３が算出するものであるが、日時と太陽高度および太陽方位との関係を示すテーブルから求めるようにしてもよい。なお、地域の位置データの入力はオペレータなどが入力部１１を操作して行なっても良いし、予め位置データをテーブルとして与えても良い。

　ここでは、時刻ｔから所定時間τ経過後の数値予報データのかたまりＸａ（ｔ,τ）が第１ファジーモデル部２０へ入力される。ここで、Ｘａ（ｔ,τ）の要素数は１１＋４（ｒ－１）＝７＋４ｒ個である。この１１＋４（ｒ－１）＝７＋４ｒ個に通し番号を付し、これをファジーモデルのデータとする。

　その数値予報データ（太陽高度および太陽方位を含む、以下同じ）のかたまりを下記に（１）式として示す。

　この数値予報データのかたまりＸａ（ｔ,τ）の各要素Ｘ_n（ｔ,τ）をそれぞれをｍ_n個（添え字ｎはＸａ（ｔ,τ）のｎ番目の要素Ｘ_n（ｔ,τ））に区分して（２）式を定義する。

　この要素の区分毎にファジー集合Ｍ_n（ｎ＝１～７＋４ｒ）を定義する。要素ｎごとのファジー集合を以下の（３）式で定義する。（１）式ないし（３）式は第１ファジー集合定義部２１が定義する。

　要素ｎの値が、要素ｎのｉ番目のファジー集合Ｍ（ｎ,ｉ）（ｉ＝１～ｍ_n）に属する割合（グレード）を表す関数をメンバーシップ関数Ｇ（ｎ,ｉ）とする。

　このメンバーシップ関数（第１メンバーシップ関数）Ｇ（ｎ,ｉ）には、各種のものを用いることができ、例えば、図３に示す三角形関数があるが、ここでは、下記（４）式で示すものを用いる。

 ただし、Ｘ_n（ｔ,τ）：数値予報Ｘａ（ｔ,τ）の要素ｎの値
 ｇ（ｎ,ｉ）：数値予報Ｘａ（ｔ,τ）の要素ｎのｉ番目のファジー集合の中心値
 Ｄ（ｎ,ｉ）：数値予報Ｘａ（ｔ,τ）の要素ｎのｉ番目のファジー集合の広がり
　数値予報データを（４）式の右辺に代入して、下記の（５）式に基づきグレードを演算する。（４）式の演算やグレードは、第１メンバーシップ関数定義部２２が演算する。

　ただし、ｉ₁＝１～ｍ₁
　           …
　　　　　   …
　　   ｉ_7+4r ＝１～ｍ_7+4r
 （５）式を用いて日射強度予測式としての演算式（推論式）Ｑ（ｔ,τ）を以下の（６）式で定義する。この演算式Ｑ（ｔ,τ）は第１特性式定義部２３が定義する。

　ただし、Ｗ（ｉ₁,…ｉ_7+4r）は重み付けである。
　ここで、日射強度予測システム１０にｑ組の数値予報データと各組に対応した実際の日射強度値として、気象の数値予報が出される地点近傍で実測した日射強度データを用いて対象時刻を中心にした一定時間幅内の平均値としてＱｂ（ｔ_j,τ）を与えたとき、（６）式で得られた日射強度予測値Ｑ（ｔ_j,τ）と実測した日射強度Ｑｂ（ｔ_j,τ）との誤差（差）Ｅを下記の（７）式で定義する。

　この（７）式で示す誤差をより小さくする重み付けＷ（ｉ₁,…ｉ_7+4r）は、（７）式をＷ（ｉ₁,…ｉ_7+4r）で偏微分した（７Ａ）式を用い、下記（８）式により重み付けＷ（ｉ₁,…ｉ_7+4r）を修正することで得られる。

　ただし、Ｗ′（ｉ₁,…ｉ_7+4r）は修正前の重み付け、γは定数である。

　（７）式で示す誤差Ｅが許容範囲内に入るまで（６）式～（８）式の計算を繰り返し行い、重み付けＷ（ｉ₁,…ｉ_7+4r）を修正する。すなわち、第１学習部２４は、比較部１４が求めた誤差Ｅが許容値以下となるように重み付けを修正して演算式Ｑ（ｔ,τ）の学習を行う。

　このように第１実施例では、気象庁から出される気象予報データと太陽高度と太陽方位とを複数個のファジー集合Ｍ_nに区分し、各要素のそのファジー集合Ｍ_nに属する割合を表すメンバーシップ関数Ｇ（ｎ,ｉ）を定義し、メンバーシップ関数Ｇ（ｎ,ｉ）から求まるグレードＨ（ｉ₁,…ｉ_7+4r）と、重み付けＷ（ｉ₁,…ｉ_7+4r）とに基づき所定時間τ経過後の日射強度予測値を示す演算式Ｑ（ｔ,τ）を定義し、この演算式Ｑ（ｔ,τ）により得られた日射強度予測値と所定時間τ経過後に日射強度測定装置９が測定した実際の日射強度との誤差Ｅを求め、その誤差Ｅが許容値以下となるようにグレードＨ（ｉ₁,…ｉ_7+4r）の重み付けＷ（ｉ₁,…ｉ_7+4r）を修正することにより演算式Ｑ（ｔ,τ）の学習を行う。

　第１ファジーモデル部２０の学習が終了したら、気象庁８から出される気象予報データを日射強度予測システム１０の第１ファジーモデル部２０へ入力させ、さらに太陽高度方位算出部１３で所定時間τ後の太陽高度θ_h（ｔ,τ）と太陽方位θ_d（ｔ,τ）を算出させて第１ファジーモデル部２０へ入力させる。

　第１ファジーモデル部２０は、入力された気象予報データと太陽高度方位算出部１３が求めた太陽高度や方位のデータから（１）式ないし（６）式に基づいて、現在時刻から所定時間後の日射強度予測値を求める。

　このように、日射強度予測システム１０によれば、日射強度予測値と実際の日射強度との誤差Ｅが許容範囲となるように学習を行った演算式Ｑ（ｔ,τ）を用いて現在時刻から所定時間τ経過後の日射強度予測値を求めるものであるから、気象予報データに基づき正確な日射強度予測値を求めることができ、実際の日射強度との誤差を限りなく小さくすることができる。

　この第１ファジーモデル部２０を用いれば、重み付け係数を時間τ経過後に得られた実際の日射強度と、τ時間前の予想した日射強度予測値との差に基づいてその誤差が自動的に許容値以下に漸近するように演算できるので、気象予報データに基づき正確な日射強度予測値を求めることができる。

　また、気象庁８から出される気象予報データが３３時間先まで１時間刻みで出されているので、３３時間先まで１時間刻みで日射強度を予測することができることになる。

　第１実施例では、日射強度測定装置９が設置されている地域の気象予報データから、その地域の日射強度を予測しているが、気象予報データが出されているが日射強度測定装置が設置されていない地域についても日射強度を予報することができる。上記で学習した同じ第１ファジーモデル部２０に、求めたい地域ごとに当該地域の気象予報データと太陽高度と太陽方位を入力することで、それぞれの地域ごとに日射強度を予報することができ、面的に広がった地域全域の日射強度の予測値を知ることができる。

　第１実施例では、学習させた後は第１ファジーモデル部２０を学習させていないが、日射強度予測値と実測値が得られるごとに常に学習させるようにしてもよい。

　また、第１実施例では、第１ファジーモデル部２０に入力するデータ数は７＋４ｒ個であるが、このうちの一部であってもよく、また、等気圧面の相対湿度、気温、上昇流について、複数の等気圧面間で同じ要素同士の平均値を求め、この平均値を使用することで、第１ファジーモデル部２０に入力するデータ数を減らしてもよい。
［第２実施例］
［太陽光発電出力予測システム］
　図４は太陽光発電出力予測システム１００の構成を示すブロック図である。図４に示す第１ファジーモデル部２０は既に学習が終了したものである。

　１１０は第１ファジーモデル部２０が求めた日射強度予測値と、太陽高度方位算出部１３が求めた太陽高度および太陽方位と、気象予報データとから所定時間後の太陽光発電装置１２の発電出力値（発電出力予測値）を求める第２ファジーモデル部（発電出力推論部）である。１４１は第２ファジーモデル部１１０が求めた発電出力予測値と太陽光発電装置１２の実際の発電出力値との差（誤差）を求める比較部である。

　第２ファジーモデル部１１０は、複数個のファジー集合に区分する第２ファジー集合定義部１１１と、各要素のそのファジー集合に属する割合（グレード）を表す第２メンバーシップ関数（メンバーシップ関数）を定義する第２メンバーシップ関数定義部（メンバーシップ関数定義部）１１２と、第２メンバーシップ関数定義部１１２が定義した第２メンバーシップ関数から求まるグレードの重み付けとに基づき所定時間経過後の発電出力予測値を求める特性式（推論式）を定義する第２特性式定義部（推論式定義部）１１３と、この第２特性式定義部１１３で定義された特性式で求める発電出力予測値と所定時間後の実際の発電出力値との差が最小となるように第２メンバーシップ関数の重み付けを修正することにより特性式の学習を行わせる第２学習部（学習部）１１４等とを有している。

　第２ファジーモデル部１１０に入力する数値予報データは、地表面における風速Ｖ₀（ｔ,τ）と気温Ｔ₀（ｔ,τ）の２つと、第１ファジーモデル部２０から出力される日射強度予測値Ｑ（ｔ,τ）と、太陽高度方位算出部１３から出力される太陽高度および太陽方位の５種類である。
［動　作］
　次に、上記のように構成される太陽光発電出力予測システム１００の動作について説明する。

　ここで、気象庁８から時刻ｔに出されるτ時間後の数値予報と、第１ファジーモデル部２０が出力する日射強度予測値と太陽高度と太陽方位などをＹａ（ｔ,τ）と表すとする。

　いま、時刻ｔにおいて、太陽光発電装置１２が設置されている地域について、５個の種類の数値予報データが得られるものとする。

　得られる数値予報データとしては、日射強度予測値Ｑ（ｔ,τ）と、地表面における風速Ｖ₀（ｔ,τ）と気温Ｔ₀（ｔ,τ）と、太陽高度θ_h（ｔ,τ）と、太陽方位θ_d（ｔ,τ）の５種類である。

　ここでは、時刻ｔから所定時間τ経過後の気象予報データのかたまりＹａ（ｔ,τ）が第２ファジーモデル部１１０へ入力される。ここで、Ｙａ（ｔ,τ）の要素数は５個である。なお、第１ファジーモデル部２０は、第１実施例で説明したように、気象庁８から出される数値予報データ（７＋４ｒ個のデータ）と太陽高度（高さと方位）とから日射強度予測値を求める。なお、第１ファジーモデル部２０に入力するデータ数は７＋４ｒ個であるが、このうちの一部であってもよく、また、等気圧面の相対湿度、気温、上昇流について、複数の等気圧面間で同じ要素同士の平均値を求め、この平均値を使用することで、第１ファジーモデル部２０に入力するデータ数を減らしてもよい。

　第２ファジーモデル部１１０に入力する気象予報データのかたまりＹａ（ｔ,τ）を下記に（９）式として示す。

　この気象予報データのかたまりＹａ（ｔ,τ）の各要素Ｙ_n（ｔ,τ）をそれぞれをｍ_n個（添え字ｎはＹａ（ｔ,τ）のｎ番目の要素）に区分して（１０）式を定義する。

　この要素の区分毎にファジー集合Ｍ_n（ｎ＝１～５）を定義する。要素ｎごとのファジー集合を以下の（１１）式で定義する。（９）式ないし（１１）式は第２ファジー集合定義部１１１が定義する。

　各要素のｉ番目のファジー集合Ｍ（ｎ,ｉ）（ｉ＝１～ｍ_n）に属する割合（グレード）を表すメンバーシップ関数（第２メンバーシップ関数）Ｇ（ｎ,ｉ）とする。

　このメンバーシップ関数Ｇ（ｎ,ｉ）は、第１実施例と同様に各種のものを用いることができるが、ここでは、下記（１２）式で示すものを用いる。

　ただし、Ｙ_n（ｔ,τ）：数値予報Ｙａ（ｔ,τ）の要素ｎの値
 ｇ（ｎ,ｉ）：数値予報Ｙａ（ｔ,τ）の要素ｎのｉ番目のファジー集合の中心値
 Ｄ（ｎ,ｉ）：数値予報Ｙａ（ｔ,τ）の要素ｎのｉ番目のファジー集合の広がり
　気象予報データと日射データと太陽高度および太陽方位を（１２）式の右辺に代入して、下記の（１３）式に基づきグレードを計算する。このグレードは、第２メンバーシップ関数定義部１１２が演算する。

　ただし、ｉ₁＝１～ｍ₁
　           …
  　　　     …
　　　　 ｉ₅ ＝１～ｍ₅
 （１３）式を用いて発電出力予測値を求める特性式（推論式）Ｐ（ｔ,τ）を以下の（１４）式で定義する。この特性式Ｐ（ｔ,τ）は第２特性式定義部１１３が定義する。

　ただし、Ｗ（ｉ₁,…ｉ₅）は重み付けである。
　ここで、ｑ組の数値予報データと各組に対応した実際の発電出力値として、対象時刻を中心にした一定時間幅内の平均値としてＰｂ（ｔ_j,τ）を与えたとき、（１４）式で得られた発電出力予測値Ｐ（ｔ_j,τ）と実測した発電出力Ｐｂ（ｔ_j,τ）との誤差（差）Ｅを下記の（１５）式で定義する。

　この（１５）式で示す誤差をより小さくする重み付けＷ（ｉ₁,…ｉ₅）は、（１５）式をＷ（ｉ₁,…ｉ₅）で偏微分した（１５Ｃ）式を用い、下記（１６）式により重み付けＷ（ｉ₁,…ｉ₅）を修正することで得られる。

　ただし、Ｗ′（ｉ₁,…ｉ₅）は修正前の重み付け、γは定数である。

　（１５）式で示す誤差Ｅが許容範囲内に入るまで（１４）式～（１６）式の計算を繰り返し行い、重み付けＷ（ｉ₁,…ｉ₅）を修正する。すなわち、第２学習部１１４は、比較部１４１が求めた誤差Ｅが許容値以下になるように重み付けを修正して特性式Ｐ（ｔ,τ）の学習を行う。この学習では、第１ファジーモデル部２０が求めた日射予測値を用いるが、学習に用いる実際の太陽光発電出力値と同じ時刻の日射強度の実測値を一定時間幅内で平均した値を用いてもよい。

　第２ファジーモデル部１１０の学習が終了したら、第１ファジーモデル部２０から出力される日射強度予測値と、気象庁８から出される気象予報データ（風速Ｖ₀（ｔ,τ）,気温Ｔ₀（ｔ,τ））と、太陽高度方位算出部１３が算出した所定時間τ後の太陽高度θ_h（ｔ,τ）と太陽方位θ_d（ｔ,τ）とを第２ファジーモデル部１１０へ入力させる。第２ファジーモデル部１１０は、これらデータから（９）式ないし（１４）式に基づいて発電出力予測値を求める。

　第１ファジーモデル部２０は、第１実施例で説明したように、（１）式に示すデータを入力して日射強度予測値を求めるものである。

　このように、太陽光発電出力予測システム１００は、発電出力予測値と太陽光発電装置１２の実際の発電出力値との誤差Ｅが許容値以下となるように学習を行った特性式Ｐ（ｔ,τ）を用いて現在時刻から所定時間τ経過後の発電出力予測値を求めるものであるから、気象予報データに基づき正確な発電出力予測値を求めることができ、太陽光発電装置１２の実際の発電量との誤差を限りなく小さくすることができる。

　この第２ファジーモデル部１１０を用いれば、重み付け係数を時間τ経過後に得られた実際の太陽光発電装置１２の発電出力値と、τ時間前の発電出力予測値との誤差に基づいてその誤差が自動的に最小に漸近するように演算できるので、気象予報データに基づき太陽光発電装置１２の発電出力予測値を正確に求めることができる。

　また、気象庁８から出される気象予報データが３３時間先まで１時間刻みで出されているので、３３時間先まで１時間刻みで太陽光発電装置１２の発電出力予測値を求めることができることになる。

　この第２実施例では、太陽光発電装置１２の実際の発電出力として１台の太陽光発電装置１２の出力を用いて学習したが、複数の太陽光発電装置の合計出力でも良い。その出力合計値を用いて第２ファジーモデル部１１０を学習しておけば、学習後の第２ファジーモデル部１１０に気象予報データと日射強度予報値と太陽高度および太陽方位を入力することで、当該地域の複数の太陽光発電装置の合計出力を予測することもできる。

　また、学習に用いる太陽光発電装置１２の実際の発電出力として、太陽光発電装置の出力（１台または複数台の合計値）を当該太陽光発電装置の定格容量で除して求めた無次元化した値を用いても良い。第２ファジーモデル部１１０を無次元化した太陽光発電装置の出力を用いて学習しておけば、第２ファジーモデル部１１０に気象予報データと日射強度予報値と太陽高度および太陽方位を入力することで無次元化した太陽光発電装置の出力を予測することができる。この無次元化した太陽光発電装置の出力予測値に当該地域に設置されている太陽光発電の設備容量を乗じることで、当該地域に設置されている太陽光発電設備の実際の出力を予測することが可能になる。

　さらに、広範囲の地域の太陽光発電の出力予測を行いたい場合は、対象地域を気象予報データが出される地点数に応じて区分し、区分したそれぞれの地域に対応する気象予報データと日射強度予報値と太陽高度および太陽方位を学習が終わった第２ファジーモデル部１１０へ入力することで、区分したそれぞれの地域ごとに上記の無次元化した太陽光発電装置の出力予測値が得られる。この区分したそれぞれの地域ごとの無次元化した太陽光発電装置の出力予測値に、当該地域に設置されている太陽光発電装置の設備容量を乗じることで、区分したそれぞれの地域ごとに太陽光発電装置出力を予測することができる。

　また、上記では太陽光発電設備の発電出力の予測値を求めたい全ての地域に、学習が終わった共通の第２ファジーモデル部を使用したが、地域を分割し、それぞれの地域を代表する太陽光発電設備の発電出力の実測値を用いて、それぞれの地域ごとに第２ファジーモデル部を学習しておくことで、分割したそれぞれの地域の特性に合わせたきめ細かい太陽光発電設備の発電出力を推定することもできる。

　この第２実施例も学習させた後は第２ファジーモデル部１１０を学習させていないが、発電出力予測値を求める毎に常に学習させるようにしてもよい。
［第３実施例］
　図５に示す第３実施例の太陽光発電出力予測システム２００は、第１ファジーモデル部２０を使用せずに、気象庁８から出される気象予報データと、太陽高度方位算出部１３が算出した太陽高度および太陽方位とから所定時間後の太陽光発電装置１２の発電出力予測値を第３ファジーモデル部（発電出力推論部）２１０で求めるようにしたものである。

　第３ファジーモデル部２１０は、第２実施例と同様に、第３ファジー集合定義部２１１と、第３メンバーシップ関数定義部（メンバーシップ関数定義部）２１２と、第３特性式定義部（推論式定義部）２１３と、第３学習部２１４等とを有している。

　第３ファジーモデル部２１０は、気象庁８から出される気象予報データである地表面における風速Ｖ₀（ｔ,τ）と気温Ｔ₀（ｔ,τ）と相対湿度ｈ₀（ｔ,τ）と時間降水量Ｒ₀（ｔ,τ）と雲量Ｃ₀（ｔ,τ）と、等気圧面における気温Ｔ_e（ｔ,τ）と上昇流Ｖ_e（ｔ,τ）と相対湿度ｈ_e（ｔ,τ）と高度Ａ_e（ｔ,τ）と、太陽高度方位算出部１３が算出した太陽高度θ_h（ｔ,τ）と太陽方位θ_d（ｔ,τ）のデータを基にして、第１実施例と同様にして発電出力予測値を求める特性式Ｐ（ｔ,τ）の学習を行なわせて発電出力予測値を求めるものである。

　ここで、特性式Ｐ（ｔ,τ）は第１実施例の（６）式の演算式Ｑ（ｔ,τ）をＰ（ｔ,τ）に置き換えたものである。これを（６Ａ）式として下記に示す。

　なお、（７）式および（７Ａ）式のＱ（ｔ,τ）をＰ（ｔ,τ）に、Ｑｂ（ｔ,τ）をＰｂ（ｔ,τ）に置き換える。他の式は第１実施例と同様なのでその説明は省略する。

　第３ファジーモデル部２１０は、第１実施例と同様にして、第３ファジー集合定義部２１１によりファジー集合Ｍ_nを定義し、第３メンバーシップ関数定義部２１２によりファジー集合に属する割合（グレード）を表すメンバーシップ関数Ｇ（ｎ,ｉ）からグレードを（５）式に基づいて演算し、第３特性式定義部２１３により第３メンバーシップ関数定義部２１２が演算したグレードから発電出力予測値を特性式Ｐ（ｔ,τ）に基づいて求め、第３学習部２１４は発電出力予測値と太陽光発電装置１２の実際の発電出力値との誤差Ｅが許容値以下となるように、重み付けを修正して特性式Ｐ（ｔ,τ）の学習を行わせる。

　第３ファジーモデル部２１０の学習が終了したら、τ時間後の日時（月日および時刻）と太陽光発電装置１２が設置されている位置（緯度,経度）を入力部１１に入力して、太陽高度方位算出部１３で現在時刻から所定時間τ後の太陽高度θ_h（ｔ,τ）と太陽方位θ_d（ｔ,τ）を算出させる。第３ファジーモデル部２１０は、気象庁８から出される気象予報データと太陽高度方位算出部１３が求めた太陽高度や方位のデータから（１）式ないし（６Ａ）式に基づいて、現在時刻から所定時間τ後の発電出力予測値を求める。

　この第３実施例では、太陽光発電装置１２の実際の発電出力として１台の太陽光発電装置の出力を用いて学習したが、複数の太陽光発電装置の合計出力でも良い。その出力合計値を用いて第３ファジーモデル部２１０を学習しておけば、学習後の第３ファジーモデル部２１０に気象予報データと太陽高度および太陽方位を入力することで、当該地域の複数の太陽光発電装置の合計出力を予測することもできる。

　また、学習に用いる太陽光発電装置１２の実際の発電出力として、太陽光発電装置の出力（１台または複数台の合計値）を当該太陽光発電装置の定格容量で除して求めた無次元化した値を用いても良い。第３ファジーモデル部２１０を無次元化した太陽光発電装置の出力を用いて学習しておけば、第３ファジーモデル部２１０に気象予報データと太陽高度および太陽方位を入力することで無次元化した太陽光発電装置の出力を予測することができる。この無次元化した太陽光発電装置の出力予測値に当該地域に設置されている太陽光発電の設備容量を乗じることで、当該地域に設置されている太陽光発電設備の実際の出力を予測することが可能になる。

　さらに、広範囲の地域の太陽光発電の出力予測を行いたい場合は、対象地域を気象予報データが出される地点数に応じて区分し、区分したそれぞれの地域に対応する気象予報データと太陽高度および太陽方位を学習が終わった第３ファジーモデル部２１０へ入力することで、区分したそれぞれの地域ごとに上記の無次元化した太陽光発電装置の出力が得られる。この区分したそれぞれの地域ごとの無次元化した太陽光発電装置の出力予測値に、当該地域に設置されている太陽光発電装置の設備容量を乗じることで、区分したそれぞれの地域ごとに太陽光発電装置出力を予測することができる。

　また、上記では太陽光発電設備の発電出力の予測値を求めたい全ての地域に、学習が終わった共通の第３ファジーモデル部を使用したが、地域を分割し、それぞれの地域を代表する太陽光発電設備の発電出力の実測値を用いて、それぞれの地域ごとに第３ファジーモデル部を学習しておくことで、分割したそれぞれの地域の特性に合わせたきめ細かい太陽光発電設備の発電出力を推定することもできる。

　この第３実施例によれば、第２実施例と同様な効果を得ることができるとともに、第１ファジーモデル部２０を使用しないので、太陽光発電出力予測システム２００の構成は簡単なものとなる。

　この第３実施例も学習させた後は第３ファジーモデル部２１０を学習させていないが、発電出力予測値を求める毎に学習させるようにしてもよい。

　また、第３実施例では、第３ファジーモデル部２１０に入力するデータ数は、第１実施例と同様に７＋４ｒ個であるが、このうちの一部であってもよく、また、等気圧面の相対湿度、気温、上昇流について、複数の等気圧面間で同じ要素同士の平均値を求め、この平均値を使用することで、第３ファジーモデル部２１０に入力するデータ数を減らしてもよい。
［第４実施例］
　図６は、気象衛星３０２から送信されてくる気象衛星画像を用いて所定時間後の日射強度を予測する日射強度予測システム３００の構成を示したブロック図である。

　３０１は気象衛星３０２から３０分間隔で送信されてくる気象衛星画像データを基にして所定時間後の気象衛星画像を求める画像処理部、３１０は画像処理部３０１が求めた所定時間後の気象衛星画像の画像データと太陽高度方位算出部１３が算出した太陽高度θ_h（ｔ,Ｔ）および太陽方位θ_d（ｔ,Ｔ）とに基づいて所定時間Ｔ後の地上の日射強度を衛星画像の画素ごとに対応した地域ごとに求める第４ファジーモデル部（日射強度推論部）である。

　第４ファジーモデル部３１０は、複数個のファジー集合に区分する第４ファジー集合定義部３１１と、各要素のそのファジー集合に属する割合（グレード）を表す第４メンバーシップ関数（メンバーシップ関数）を定義する第４メンバーシップ関数定義部（メンバーシップ関数定義部）３１２と、第４メンバーシップ関数定義部３１２が定義した第４メンバーシップ関数と該第４メンバーシップ関数の重み付けとに基づき所定時間経過後の発電出力予測値を求める特性式（推論式）を定義する第４特性式定義部（推論式定義部）３１３と、この第４特性式定義部３１３で定義された特性式で求める日射強度予測値と所定時間後の実際の日射強度との誤差が許容値以下となるように第４メンバーシップ関数の重み付けを修正することにより特性式の学習を行わせる第４学習部（学習部）３１４等とを有している。

　第４ファジーモデル部３１０は、画像処理部３０１から出力される所定時間後の気象衛星画像の画素ごとに、画素に対応する地域の地上の日射強度の予測値を出力する。

　ここで、画像処理部３０１で行う気象衛星の気象衛星画像を用いた雲の移動予測について簡単に説明する。

　図７に示すように、気象衛星画像の分解能を１単位の画素（現状では数ｋm程度）とし、気象衛星画像の所定の１画素を地点座標（ｉ,ｊ）、地点座標（ｉ,ｊ）の周辺をＡ（ｉ,ｊ）とし、地点座標（ｉ,ｊ）を周辺Ａの代表座標とする。ここで現在（ｔ＝０）のときの地点座標（ｉ,ｊ）の周辺を周辺Ａ₀（ｉ,ｊ）で表す。

　同様に、Ｔ時間前（ｔ＝－Ｔ）の気象衛星画像について、前述の周辺Ａ（ｉ,ｊ）と同じ大きさ且つ同じ形状であって上記の位置と異なる１画素を地点座標（ｋ,ｌ）とし、その地点座標（ｋ,ｌ）の周辺を周辺Ａ_-T（ｋ,ｌ）とする。

　そして、周辺Ａ₀（ｉ,ｊ）に属する画素の信号ａ₀に通し番号ｍを付け、ａ₀（ｍ）とする。また、周辺Ａ_-T（ｋ,ｌ）に属する画素の信号ａ_-Tについても、周辺Ａ₀（ｉ,ｊ）と同じ位置関係にある画素と同じ通し番号ｍを付けてａ_-T（ｍ）とし、周辺Ａ₀（ｉ,ｊ）と周辺Ａ_-T（ｋ,ｌ）との相関係数Ｒ_0-Tを下記の式（１７）から求める。

　ただし、ｅ₀、ｅ_-Tはそれぞれ周辺Ａ₀（ｉ,ｊ）、Ａ_-T（ｋ,ｌ）の画素の信号の平均値である。

　この相関係数Ｒ_0-Tを、図７に示すように周辺Ａ₀（ｉ,ｊ）より広い範囲Ｂ内で、周辺Ａ_-T（ｋ,ｌ）と同じ大きさの周辺Ａを例えばＣ１位置からＣ２位置へ１画素づつ右へ移動させていき、次に１画素下へ移動させ、左端から右端へ１画素づつ移動させていく。これらを繰り返し行って範囲Ｂの全てについて１画素移動ごとの相関係数Ｒ_0-Tを求めていく。

　そして、各相関係数Ｒ_0-Tから下記の（１８）式の評価値Ｈ（ｋ,ｌ）が最も大きくなる地点座標（ｐ,ｑ）を見いだす。なお、分散σ² の替わりに標準偏差σを用いてもよい。

　ただし、α,βは係数である。
　この最大となる評価値Ｈ（ｐ,ｑ）から、地点座標（ｉ,ｊ）上にある現在の雲はＴ時間前に地点座標（ｐ,ｑ）上に在ったものが移動してきたものとし、下記の式に示すようにεの割合だけ信号が変化したものと推定する。

　　ε＝ａ₀（ｉ,ｊ）／ａ_-T（ｐ,ｑ）
この傾向が今後も継続し、Ｔ時間後の地点座標（ｉ,ｊ）上には地点座標（ｐ,ｑ）上にある現在の雲がくるものと想定することで、地点座標（ｉ,ｊ）のＴ時間後の信号をａ_T（ｉ,ｊ）＝ε×ａ₀（ｐ,ｑ）と予測する。

　なお、信号の変化割合εとしては、現在の地点座標（ｉ,ｊ）の周辺Ａ₀（ｉ,ｊ）内の画素信号の平均値ｅ₀（ｉ,ｊ）と、Ｔ時間前の地点座標（ｐ,ｑ）の周辺Ａ_-T（ｐ,ｑ）内の画素信号の平均値ｅ_-T（ｐ,ｑ）を用いて、次式のεを用いてもよい。

　　　　　　　ε＝ｅ₀（ｉ,ｊ）／ｅ_-T（ｐ,ｑ）
　これを対象としている地域（範囲Ｂ）の全ての地点について適用することで、Ｔ時間後の気象衛星画像を予測することができる。

　さらに、このＴ時間後の予測画像と現在の画像とから上記の画像処理を施すことにより２Ｔ時間後の画像を予測する。次に、２Ｔ時間後の予測画像とＴ時間後の画像とから上記と同様にして３Ｔ時間後の画像を予測する。これらの処理動作を繰り返すことにより、現在からｎＴ時間後までの衛星画像をＴ時間刻みで求める。

　なお、図７では周辺Ａ₀（ｉ,ｊ）などの形状を長方形で示しているが、これに限らず任意の形状でよい。
［動　作］
　次に、上記のように構成される日射強度予測システム３００の動作について説明する。

　気象衛星３０２から可視画像と赤外画像と水蒸気画像の気象衛星画像データが送られてくると、画像処理部３０１はそれぞれ可視画像、赤外画像、水蒸気画像別に上述の処理をして、Ｔ時間刻みでそれぞれのτ＝ｎ′Ｔ時間後までの衛星画像を求める。

　また、上記の相関係数Ｒ_0-Tや評価値Ｈ（ｋ,ｌ）やτ＝ｎ′Ｔ時間後までの衛星画像は画像処理部３０１が画像処理や演算処理をして求めていく。

そして、画像処理部３０１は、τ時間後の可視画像,赤外画像,水蒸気画像の所定領域内の各画素の信号を第４ファジーモデル部３１０へ入力させる。

　また、太陽高度方位算出部１３からも、当該画素に対応する地域の位置（緯度、経度）に対応したτ時間後の太陽高度と太陽方位が第４ファジーモデル部３１０に入力される。

　従って、第４ファジーモデル部３１０に入力されるデータの要素数は、各画素当たり、可視画像の画素信号a₁(t,τ)、赤外線画像の画素信号ａ₂(ｔ,τ)、水蒸気画像の画素信号ａ₃(ｔ,τ)の３つに、画素に対応した地域のτ時間後の太陽高度θ_h(ｔ,τ)と太陽方位θ_d(ｔ,τ)の２つを加えた５つである。

　その数値データＸａ(ｔ,τ)を下記に(１９)式として示す。

　この数値データＸａ(ｔ,τ)の各要素をそれぞれをｍ_n個（添え字ｎはＸａ（ｔ,τ）のｎ番目の要素）に区分して（２０）式を定義する。

　この要素の区分毎にファジー集合Ｍ_n（ｎ＝１～５）を定義する。要素ｎごとのファジー集合を以下の（２１）式で定義する。（１９）ないし（２１）式は第４ファジー集合定義部３１１が求める。

　要素ｎのｉ番目のファジー集合Ｍ（ｎ,ｉ）（ｉ＝１～ｍ_n）に属する割合（グレード）を表すメンバーシップ関数をＧ（ｎ,ｉ）とする。

　このメンバーシップ関数Ｇ（ｎ,ｉ）には、各種のものを用いることができ、例えば、図３に示す三角形関数があるが、ここでは、下記（２２）式で示すものを用いる。

　ただし、Ｘ_n（ｔ,τ）：数値データＸａ(t,τ)の要素ｎの値
　ｇ（ｎ,ｉ）：数値データＸａ(t,τ)の要素ｎのｉ番目のファジー集合の中心値
　Ｄ（ｎ,ｉ）：数値データＸａ(t,τ)の要素ｎのｉ番目のファジーの集合の広がり
　数値データを（２２）式の右辺に代入して、下記の（２３）式に基づきグレードを計算する。このグレードは、第４メンバーシップ関数定義部３１２が演算する。

　ただし、ｉ₁＝１～ｍ₁
　           …
　　　　　   …
　　      ｉ₅ ＝１～ｍ₅
 （２３）式を用いて日射強度予測式としての演算式Ｑ（ｔ,τ）を以下の（２４）式で定義する。この演算式Ｑ（ｔ,τ）は第４特性式定義部３１３が定義する。

　ただし、Ｗ（ｉ₁,…ｉ₅）は重み係数である。
ここで、気象衛星３０２から送られてくる時刻ｔの画像データから、時刻ｔの実測日射データが得られる地点を含む画素の可視画像と赤外線画像と水蒸気画像の各画素データを抽出し、抽出した各画素データに日射観測点の時刻ｔにおける太陽高度と太陽方位を加えたデータを１組とするｑ組の数値データＸａ(ｔ_j,τ)と、各組に対応した実際の日射強度値として、対象時刻を中心にした一定時間幅内の日射強度の平均値Ｑb（ｔ_j,τ）を与えたとき、(２４)式で得られた日射強度予測値と実測した日射強度の誤差Ｅを下記の（２５）式で定義する。ただし、ｊ＝１…,ｑ,τ＝０である。

　この（２５）式で示す誤差をより小さくする重み付けＷ（ｉ₁,…ｉ₅）は（２５）式をＷ（ｉ₁,…ｉ₅）で偏微分した（２５Ａ）式を用い、下記（２６）式により重み付けＷ（ｉ₁,…ｉ₅）を修正することで得られる。

　ただし、Ｗ′（ｉ₁,…ｉ₅）は修正前の重み付け、γは定数である。

　（２５）式で示す誤差Ｅが許容範囲内に入るまで（２４）式～（２６）式の計算を繰り返し行い、重み付けＷ（ｉ₁,…ｉ₅）を修正する。すなわち、第４学習部３１４は、誤差Ｅを求めてこの誤差Ｅが許容値以下となるように重み付けを修正して演算式Ｑ（ｔ,τ）の学習を行う。

　なお、学習に使用したｑ組のデータは同じ地域(画素)でも異なった地域(画素)のデータが混在していても良い。

　第４ファジーモデル部３１０の学習が終了したら、各画素ごとに、画像処理部３０１から可視画像と赤外画像と水蒸気画像の画像データと、太陽高度方位算出部１３から太陽高度と太陽方位をこの第４ファジーモデル部３１０へ入力することで、各画素に対応した地上の日射強度を推定することができるようになる。

　第４ファジーモデル部３１０の学習終了後は、気象衛星３０２から送信されてくる気象衛星画像データを日射強度予測システム３００に入力させ、画像処理部３０１は、可視画像、赤外画像、水蒸気画像別に、前述の相関係数Ｒ_0-Tや評価関数Ｈ(ｋ,ｌ)の演算処理や画像処理を行い、Ｔ時間刻みでｎ′Ｔ時間後まで予測した可視画像、赤外画像、水蒸気画像のそれぞれの衛星画像を予測する。

　そして、画像処理部３０１が予測したτ＝ｎ′Ｔ時間後の「可視画像ａ₁(ｔ,τ)、赤外画像ａ₂(ｔ,τ)、水蒸気画像ａ₃(ｔ,τ)、太陽高度θ_h(ｔ,τ)、太陽方位θ_d(ｔ,τ)」の５つの数値データを、衛星画像の各画素ごとに、学習が終了した第４ファジーモデル部３１０に入力することで、衛星画像の各画素に対応した地域ごとに、τ＝ｎ′Ｔ時間後の地上日射強度の予測値を得る。

　この第４実施例では、日射強度の予測値を求めたい地域に対応する全ての画素に、共通の第４ファジーモデル部を使用したが、地域を分割しそれぞれの地域を代表する地点で実測した日射を用いて地域ごとに第４ファジーモデル部を学習し、分割した地域ごとに学習した地域ごとの第４ファジーモデル部を適用することで、地域の特性に合わせて衛星画像の画素データからよりきめ細かく日射を推定することもできる。

　このように、日射強度予測システム３００によれば、衛星画像からτ＝ｎ′Ｔ時間後の衛星画像を予測し、この衛星画像から日射強度予測値と実際の日射強度との誤差Ｅが許容値以下となるように学習を行った演算式Ｑ（ｔ,τ）を用いて現在時刻から所定時間τ＝ｎ′Ｔ経過後の日射強度予測値を求めるものであるから、気象衛星画像データに基づき現在時刻から所定時間τ＝ｎ′Ｔ経過後の日射強度予測値を正確に求めることができ、実際の日射強度との誤差を限りなく小さくすることができる。

　第４実施例では、学習させた後は第４ファジーモデル部３１０を学習させていないが、衛星画像と地上での実測日射強度のデータが得られるごとに学習させるようにしてもよい。
［第５実施例］
　図８は第５実施例の太陽光発電出力予測システム４００の構成を示すブロック図である。

　４１０は第５ファジーモデル部（発電出力推論部）であり、この第５ファジーモデル部４１０は、第４ファジーモデル部３１０が求めた日射強度予測値と、太陽高度方位算出部１３が求めた太陽高度および太陽方位と、気象予報データとから所定時間後の太陽光発電装置１２の発電出力値（発電出力予測値）を後述する特性式に基づいて求める。１４１は第５ファジーモデル部４１０が求めた発電出力予測値と太陽光発電装置１２の実際の発電出力値との差（誤差）を求める比較部である。

　第５ファジーモデル部４１０は、複数個のファジー集合に区分する第５ファジー集合定義部４１１と、各要素のそのファジー集合に属する割合（グレード）を表す第５メンバーシップ関数（メンバーシップ関数）を定義する第５メンバーシップ関数定義部（メンバーシップ関数定義部）４１２と、第５メンバーシップ関数定義部４１２が定義した第５メンバーシップ関数と該第５メンバーシップ関数の重み付けとに基づき所定時間経過後の発電出力予測値を求める特性式（推論式）を定義する第５特性式定義部（推論式定義部）４１３と、この第５特性式定義部４１３で定義された特性式で求める発電出力予測値と所定時間後の実際の発電出力値との誤差が許容値以下となるように第５メンバーシップ関数の重み付けを修正することにより特性式の学習を行わせる第５学習部（学習部）４１４等とを有している。

　第４ファジーモデル部３１０は、日射強度予測値を求めるように既に学習されたファジーモデル部である。

　第５ファジーモデル部４１０に入力する数値予報データは、衛星画像の各画素に対応した地域ごとに、第４ファジーモデル部から出力される日射強度予測値Ｑ(ｔ,τ)と、太陽高度方位算出部１３から出力される当該地域の太陽高度および太陽方位と、気象衛星画像の各画素に対応する当該地域について気象庁８から出される気象予報データの地表面における風速Ｖ₀(ｔ,τ)と気温Ｔ₀(ｔ,τ)の５種類である。
［動　作］
　次に、上記のように構成される太陽光発電出力予測システム４００の動作について説明する。

　太陽光発電装置１２が設置されている地域について、当該地域の日射強度予測値と気象庁８から出される数値予報と、太陽高度および太陽方位など５種類の数値予報データが得られるものとする。また、気象庁８から時刻ｔに出されたτ時間後の数値予報と、日射強度予測値と、太陽高度と太陽方位などをＹａ（ｔ,τ）と表すとする。

　いま、時刻ｔにおいて、太陽光発電装置１２が設置されている地域について、５種類の数値予報データが得られたとする。

　得られた数値予報データとしては、日射強度予測値Ｑ（ｔ,τ）と、地表面における風速Ｖ₀（ｔ,τ）および気温Ｔ₀（ｔ,τ）と、太陽高度θ_h（ｔ,τ）と、太陽方位θ_d（ｔ,τ）の５種類である。

　気象衛星３０２から気象衛星画像データが送信されてくると、画像処理部３０１は、可視画像、赤外画像、水蒸気画像別に処理をしてそれぞれのτ＝ｎ′Ｔ時間後の衛星画像を求め、所定領域内の各画素の信号を第４ファジーモデル部３１０へ入力させる。

　第４ファジーモデル部３１０は、画像処理部３０１から入力されるτ＝ｎ′Ｔ時間後の所定領域内の各画素の信号と、太陽高度方位算出部１３が算出する太陽高度θ_h（ｔ,τ）および太陽方位θ_d（ｔ,τ）とから、第４実施例で説明したように（１９）式ないし（２４）式に基づいて日射強度予測値Ｑ（ｔ,τ）を求める。

　ここでは、時刻ｔから所定時間τ経過後の数値予報データＹａ（ｔ,τ）が第５ファジーモデル部４１０へ入力される。ここで、Ｙａ（ｔ,τ）の要素数は各画素当たり５個である。

　その数値予報データを下記に（９Ａ）式として示す。

　なお、気象庁８から出される数値予報のデータについては、気象衛星の画像に対応する地域内に出される数値予報データを使用するが、複数あるときは地域の中心に近い数値予報データを使用するか平均値を用いる。また、当該地域に数値予報データが出されていない場合は、直近の地域の数値予報データを使用する。

　この数値予報データＹａ（ｔ,τ）の各要素それぞれをｍ_n個（添え字ｎはＹａ（ｔ,τ）のｎ番目の要素）に区分して（１０Ａ）式を定義する。

　この要素ｎ毎にファジー集合Ｍ_n（ｎ＝１～５）を定義する。要素ｎごとのファジー集合を以下の（１１Ａ）式で定義する。（９Ａ）式ないし（１１Ａ）式は第５ファジー集合定義部４１１が作成する。

　要素ｎのｉ番目のファジー集合Ｍ（ｎ,ｉ）（ｉ＝１～ｍ）に属する割合（グレード）を表すメンバーシップ関数Ｇ（ｎ,ｉ）とする。

　このメンバーシップ関数Ｇ（ｎ,ｉ）は、各種のものを用いることができ、例えば図３に示す三角形関数があるが、ここでは、下記（１２Ａ）式で示すものを用いる。

　ただし、Ｙ_m（ｔ,τ）：数値予報Ｙａ（ｔ,τ）の要素ｎの値
 ｇ（ｎ,ｉ）：数値予報Ｙａ（ｔ,τ）の要素ｎのｉ番目のファジー集合の中心値
 Ｄ（ｎ,ｉ）：数値予報Ｙａ（ｔ,τ）の要素ｎのｉ番目のファジー集合の広がり
　数値予報データを（１２Ａ）式の右辺に代入して、下記の（１３Ａ）式に基づきグレードを計算する。（１３Ａ）式の演算やグレードは、第５メンバーシップ関数定義部４１２が演算する。

　ただし、ｉ₁＝１～ｍ₁
　           …
　　　　　　 …
　　　　 ｉ₅ ＝１～ｍ₅
　（１３Ａ）式を用いて発電出力予測式としての特性式Ｐ（ｔ,τ）を以下の（１４Ａ）式で定義する。この特性式Ｐ（ｔ,τ）は第５特性式定義部４１３が定義する。

　ただし、Ｗ（ｉ₁,…ｉ₅）は重み係数である。
　ここで、時刻ｔの太陽光発電出力の実際値が得られる地点の、時刻ｔの実測日射強度または日射強度予測値と、気象庁８から出される地表面における時刻ｔの風速および気温の気象数値予報値と、その地点の時刻ｔにおける太陽高度と太陽方位を加えたデータを１組とするｑ組の数値データＹａ（ｔ,τ）と、各組に対応した実際の太陽光発電出力として、対象時刻を中心にした一定時間幅内の太陽光発電出力の平均値Ｐb（ｔ_j,τ）とを与えたとき、(１４Ａ)式で得られた太陽光発電出力予測値Ｐ（ｔ_j,τ）と実測した太陽光発電出力Ｐｂ（ｔ_j,τ）の誤差Ｅを下記の（１５Ａ）式で定義する。ただしｊ＝１,…,ｑ,τ＝０である。

　この（１５Ａ）式で示す誤差をより小さくする重み付けＷ（ｉ₁,…ｉ₅）は（１５Ａ）式をＷ（ｉ₁,…ｉ₅）で偏微分した（１５Ｄ）を用い、下記（１６Ａ）式によりＷ（ｉ₁,…ｉ₅）を修正することで得られる。

　ただし、Ｗ′（ｉ₁,…ｉ₅）は修正前の重み付け、γは定数である。

　（１５Ａ）式で示す誤差Ｅが許容範囲内に入るまで（１４Ａ）式～（１６Ａ）式の計算を繰り返し行い、重み付けＷ（ｉ₁,…ｉ₅）を修正する。すなわち、第５学習部４１４は、誤差Ｅを求めて、この誤差Ｅが許容値以下となるように重み付けを修正して演算式Ｐ（ｔ,τ）の学習を行う。この学習では、第４ファジーモデル部３１０が出力する日射強度予測値を用いるが、学習に用いる実際の太陽光発電出力値と同じ時刻の日射強度の実測値を一定時間幅内で平均した値を用いてもよい。

　第５ファジーモデル部４１０の学習が終了したら、気象衛星３０２から送信されてくる気象衛星画像データを画像処理部３０１が画像処理および演算処理して、各可視画像,赤外画像,水蒸気画像のτ＝ｎ′Ｔ時間後の衛星画像をそれぞれ求め、太陽光発電装置１２が設置されている地域に対応する各画素信号を第４ファジーモデル部３１０へ出力する。

　そして、上述したように図６に示す第４ファジーモデル部３１０は、画像処理部３０１が求めたτ時間後の各画素の画像信号に基づいて太陽光発電装置１２が設置されている地域の日射強度予測値Ｑ（ｔ,τ）を求め、この日射強度予測値Ｑ（ｔ,τ）が第５ファジーモデル部４１０に入力される。

　また、τ時間後の日時（月日および時刻）と太陽光発電装置１２が設置されている位置（緯度,経度）を入力部１１に入力して、太陽高度方位算出部１３で所定時間τ後の太陽高度θ_h（ｔ,τ）と太陽方位θ_d（ｔ,τ）を算出させ、この太陽高度θ_h（ｔ,τ）と太陽方位θ_d（ｔ,τ）のデータが第５ファジーモデル部４１０に入力される。

　また、太陽光発電装置１２が設置されている地域を含む衛星画像の画素に対応した気象庁８から出される気象予報データ（風速Ｖ₀（ｔ,τ）,気温Ｔ₀（ｔ,τ））も第５ファジーモデル部４１０に入力する。

　第５ファジーモデル部４１０は、入力したデータにより（９Ａ）式ないし（１４Ａ）式に基づいて発電出力予測値を演算する。

　このように、太陽光発電出力予測システム４００は、発電出力予測値と実際の発電出力値との誤差Ｅが許容値以下となるように学習を行った特性式Ｐ（ｔ,τ）を用いて現在時刻から所定時間τ経過後の発電出力予測値を求めるものであるから、気象衛星画像データおよび気象予報データに基づき現在時刻から所定時間τ経過後の発電出力予測値を正確に求めることができ、太陽光発電装置１２の実際の発電量との誤差を限りなく小さくすることができる。

　この第５ファジーモデル部４１０を用いれば、重み付け係数を時間τ経過後に得られた実際の太陽光発電装置１２の発電出力値と、τ時間前の発電出力予測値との誤差に基づいてその誤差が自動的に許容値以下に漸近するように演算できるので、気象衛星画像データおよび気象予報データに基づき太陽光発電装置１２の発電出力予測値を正確に求めることができる。

　また、気象庁８から出される気象予報データが３３時間先まで１時間刻みで出され、しかも気象衛星３０２から気象衛星画像データが３０分間隔で送信されてくるので、３３時間先まで３０分刻みで太陽光発電出力値を予想することができることになる。

　この第５実施例では、太陽光発電装置１２の実際の発電出力として１台の太陽光発電装置の出力を用いて学習したが、衛星画像の画素に対応する地域内の複数の太陽光発電装置の合計出力でも良い。その出力合計値を用いて第５ファジーモデル部４１０を学習しておけば、学習後の第５ファジーモデル部４１０に、日射強度予測値と、地表面における風速および気温と、太陽高度および太陽方位を入力することで、当該地域の複数の太陽光発電装置の合計出力を予測することもできる。

　また、学習に用いる太陽光発電装置１２の実際の発電出力として、衛星画像の画素に対応する地域内の太陽光発電装置の出力（１台または複数台の合計値）を当該太陽光発電装置の定格容量で除して求めた無次元化した値を用いても良い。第５ファジーモデル部４１０を無次元化した太陽光発電装置の出力を用いて学習しておけば、第５ファジーモデル部４１０に、日射強度予測値と、地表面における風速および気温と、太陽高度および太陽方位を入力することで、無次元化した太陽光発電装置の出力を予測することができる。この無次元化した太陽光発電装置の出力予測値に当該地域に設置されている太陽光発電の設備容量を乗じることで、当該地域に設置されている太陽光発電設備の実際の出力を予測することが可能になる。

　また、無次元化した太陽光発電装置の出力を予測できるように学習した第５ファジーモデル部４１０を用いて、学習に用いる太陽光発電が設置されていない地域についても、同様に衛星画像の画素に対応した地域ごとに無次元化した太陽光発電装置の出力を予測することができる。学習が終わった上記の第５ファジーモデル部４１０に、それぞれの画素に対応した地域ごとに、日射強度予測値と、地表面における風速および気温と、太陽高度および太陽方位を入力することで、無次元化した太陽光発電装置の出力予測値が得られ、当該地域に設置されている太陽光発電の設備容量を乗じることで、当該地域の太陽光発電の出力を予測することができる。

　また、上記では太陽光発電設備の発電出力の予測値を求めたい全ての地域に、学習が終わった共通の第５ファジーモデル部４１０を使用したが、地域を分割し、それぞれの地域を代表する太陽光発電設備の発電出力の実測値を用いて、それぞれの地域ごとに第５ファジーモデル部４１０を学習しておくことで、分割したそれぞれの地域の特性に合わせたきめ細かい太陽光発電設備の発電出力を推定することもできる。

　また、この第５実施例も学習させた後は第５ファジーモデル部４１０を学習させていないが、太陽光発電装置１２の実際の発電出力が得られる毎に学習させるようにしてもよい。
［第６実施例］
　図９は第６実施例の太陽光発電出力予測システム５００の構成を示したブロック図である。

　５１０は第６ファジーモデル部（発電出力推論部）であり、この第６ファジーモデル部５１０は、画像処理部３０１が求めた所定時間τ＝ｎ′Ｔ後の気象衛星画像の画像データと、太陽高度方位算出部１３が算出した太陽高度θ_h（ｔ,τ）および太陽方位θ_d（ｔ,τ）と、気象庁８から出される気象数値予報のうち地表面の風速Ｖ₀（ｔ,τ）と気温Ｔ₀（ｔ,τ）とに基づいて所定時間τ後の太陽光発電装置１２の発電出力（発電出力予測値）を求める。

　第６ファジーモデル部５１０は、複数個のファジー集合に区分する第６ファジー集合定義部５１１と、各要素のそのファジー集合に属する割合（グレード）を表す第６メンバーシップ関数（メンバーシップ関数）を定義する第６メンバーシップ関数定義部（メンバーシップ関数定義部）５１２と、第６メンバーシップ関数定義部５１２が定義した第６メンバーシップ関数と該第６メンバーシップ関数の重み付けとに基づき所定時間経過後の発電出力予測値を求める特性式（推論式）を定義する第６特性式定義部（推論式定義部）５１３と、この第６特性式定義部５１３で定義された特性式で求める発電出力予測値と所定時間後の実際の発電出力値との誤差が許容値以下となるように第６メンバーシップ関数の重み付けを修正することにより特性式の学習を行わせる第６学習部（学習部）５１４等とを有している。
［動　作］
　次に、上記のように構成される太陽光発電出力予測システム５００の動作について説明する。

　先ず、気象衛星３０２から時刻ｔに送信されてきた衛星画像に基づいてτ＝ｎ′Ｔ時間後の可視画像,赤外画像,水蒸気画像を第４実施例と同様にして画像処理部３０１で算出し、この算出したτ時間後の可視画像,赤外画像,水蒸気画像の所定領域内の各画素の信号と、太陽高度とを第６ファジーモデル部５１０に入力させる。

　 また、気象庁８から出される時刻ｔからτ時間後の気象数値予報データの中から、当該画素に対応する地域の地表面における風速と気温が第６ファジーモデル部５１０に入力されると共に、太陽高度方位算出部１３からも、当該画素に対応する地域の位置（緯度、経度）に対応した時刻ｔからτ時間後の太陽高度と太陽方位が第６ファジーモデル部５１０に入力される。

　いま、時刻ｔにおいて、太陽光発電装置１２が設置されている地域について、τ時間後の７種類の数値予報データが得られるものとする。

　得られた数値予報データとしては、可視画像の画素信号ａ₁(ｔ,τ)、赤外線画像の画素信号ａ₂(ｔ,τ)、水蒸気画像の画素信号ａ₃(ｔ,τ)の３つと、画素に対応した地域の太陽高度θ_h(ｔ,τ) と太陽方位θ_d(ｔ,τ)の２つと、気象庁８から出される画素に対応した地点の地表面における風速Ｖ₀(ｔ,τ)、および気温Ｔ₀(ｔ,τ)の７種類である。

　従って、第６ファジーモデル部５１０に入力されるデータの要素数は、各画素当たり、可視画像の画素信号ａ₁(ｔ,τ)、赤外線画像の画素信号ａ₂(ｔ,τ)、水蒸気画像の画素信号ａ₃(ｔ,τ)の３つに、画素に対応した地域のτ時間後の太陽高度θ_h(ｔ,τ) と太陽方位θ_d(ｔ,τ)の２つと、気象庁８から出される画素に対応した地点の地表面における風速Ｖ₀(ｔ,τ)、および気温Ｔ₀(ｔ,τ)を加えた７種類である。

　ここでは、時刻ｔから所定時間τ経過後の気象予報データのかたまりＸａ(t,τ)が第６ファジーモデル部５１０に入力される。なお、画像処理部は第４実施例の画像処理部３０１と同様に、気象衛星３０２の気象衛星画像からτ時間後の気象衛星画像を予測するものである。

　その数値データＸａ(ｔ,τ)を下記に(９Ｂ)式として示す。

　この数値予報データの塊Ｘａ(ｔ,τ)の各要素Ｘ_n(ｔ,τ)それぞれをｍ_n個（添字ｎはＸａ(ｔ,τ)のｎ番目の要素）に区分して（１０Ｂ）式を定義する。

　この要素の区分ごとにファジー集合Ｍ_n（ｎ＝1～7）を定義する。要素ｎごとのファジー集合を以下の(１１Ｂ)式で定義する。(９Ｂ)式ないし(１１Ｂ)式は第６ファジー集合定義部５１１が定義する。

　各要素のi番目のファジー集合Ｍ(ｎ,ｉ)（ｉ=１～ｍ_n）に属する割合を表すメンバーシップ関数（第６メンバーシップ関数）Ｇ(ｎ,ｉ)とする。

　このメンバーシップ関数Ｇ(ｎ,ｉ)は、第１実施例と同様に各種のものを用いることができるが、ここでは、下記（１２Ｂ）式で示すものを用いる。

　ただし、Ｘn(ｔ,τ)：数値予報Ｘａ(ｔ,τ)の要素ｎの値
 ｇ(ｎ,ｉ)：数値予報Ｘａ(ｔ,τ)の要素ｎのi番目のファジー集合の中心値
 Ｄ(ｎ,ｉ)：数値予報Ｘａ(ｔ,τ)の要素ｎのｉ番目のファジー集合の広がり
　衛星画像データと、太陽高度および太陽方位と、気象予報データをそれぞれ(１２Ｂ)式の右辺に代入し、下記の(１３Ｂ)式でに基づきグレードを計算する。このグレードは、第６メンバーシップ関数定義部５１２が演算する。

　ただし、ｉ₁＝１～ｍ₁
　　　　　　　・
　　　　　　　・
　　　　　　ｉ₇＝１～ｍ₇
　(１３Ｂ)式を用いて発電出力予測値を求める特性式（推論式）P(ｔ,τ)を以下の(１４Ｂ)式で定義する。この特性式Ｐ(ｔ,τ)は第６特性式定義部５１３が定義する。

　ただし、Ｗ(ｉ₁,・・・,ｉ₇)は重み係数である。
　ここで、ｑ組の数値予報データと各組に対応した実際の発電出力値として、対象時刻を中心にした一定時間幅内の平均値としてＰｂ(ｔ_j,τ)を与えたとき、(１４Ｂ)式で得られた発電出力予測値Ｐ(ｔ_j,τ)と実測した発電出力Ｐｂ(ｔ_j,τ)の誤差(差)Ｅを下記の(１５Ｂ)式で定義する。

　この(１５Ｂ)式で示す誤差をより小さくする重み付けＷ(ｉ₁,・・・,ｉ₇)は(１５Ｂ)式をＷ(ｉ₁,・・・ｉ₇)で偏微分した(１５Ｅ)式を用い、下記(１６Ｂ)式により重み付けＷ(ｉ₁,・・・ｉ₇)を修正することで得られる。

　ただし、Ｗ′(ｉ₁,・・・ｉ₇)は修正前の重み付け、γは定数である。

　(１５Ｂ)式で示す誤差Ｅが許容範囲内に入るまで(１４Ｂ)式～(１６Ｂ)式の計算を繰り返し行い、重み付けＷ(ｉ₁,・・・ｉ₇)を修正する。すなわち、第６学習部５１４は、比較部１４１が求めた誤差Ｅが許容値以下になるように重み付けを修正して特性式Ｐ(ｔ,τ)の学習を行う。

　第６ファジーモデル部５１０の学習が終了したら、気象衛星３０２から送信されてくる気象衛星画像データを画像処理部３０１に入力させ、可視画像、赤外画像、水蒸気画像別に、前述の相関係数Ｒ_0-Tや評価関数Ｈ(ｋ,ｌ)の演算処理や画像処理を行い、Ｔ時間刻みでτ＝ｎ′Ｔ時間後まで予測した可視画像、赤外画像、水蒸気画像のそれぞれの衛星画像を予測する。

　そして、画像処理部３０１が予測したτ＝ｎ′Ｔ時間後の「可視画像の画素信号ａ₁(ｔ,τ)、赤外画像の画素信号ａ₂(ｔ,τ)、水蒸気画像の画素信号ａ₃(ｔ,τ)」と、太陽高度方位算出部１３から太陽高度θ_h(ｔ,τ) と太陽方位θ_d(ｔ,τ)を、また、気象庁８から出される気象数値予報から地表面における風速Ｖ₀(ｔ,τ)および気温Ｔ₀(ｔ,τ)を第６ファジーモデル部５１０に入力する。第６ファジーモデル部５１０は、これらのデータから(９Ｂ)式ないし(１４Ｂ)式に基づいて発電出力予測値を求める。

　このように、太陽光発電出力予測システム５００は、発電出力予測値と太陽光発電装置１２の実際の発電出力値との誤差Ｅが許容値以下になるように学習を行った特性式Ｐ(ｔ,τ)を用いて現在時刻から所定時間τ経過後の発電出力予測値を求めるものであるから、気象衛星画像データと気象予報データおよび太陽高度と太陽方位に基づき正確に発電出力予測値を求めることができ、太陽光発電装置１２の実際の発電量との誤差を限りなく小さくすることができる。しかも、第４ファジーモデル部３１０を使用していないので、その構成は簡単なものになる。

　なお、この第６実施例では、太陽光発電装置１２の実際の発電出力として１台の太陽光発電装置の出力を用いて学習したが、衛星画像の画素に対応する地域内の複数の太陽光発電装置の合計出力でも良い。その出力合計値を用いて第６ファジーモデル部５１０を学習しておけば、学習後の第６ファジーモデル部５１０に、太陽光発電装置１２が設置されている地域に対応する衛星画像の可視画像と赤外画像と水蒸気画像の画素信号と、地表面における風速および気温と、太陽高度および太陽方位を入力することで、当該地域の複数の太陽光発電装置の合計出力を予測することもできる。

　また、学習に用いる太陽光発電装置１２の実際の発電出力として、衛星画像の画素に対応する地域内の太陽光発電装置の出力（１台または複数台の合計値）を当該太陽光発電装置の定格容量で除して求めた無次元化した値を用いても良い。第６ファジーモデル部５１０を無次元化した太陽光発電装置の出力を用いて学習しておけば、第６ファジーモデル部５１０に、当該地域に対応する衛星画像の可視画像と赤外画像と水蒸気画像の画素信号と、地表面における風速および気温と、太陽高度および太陽方位を入力することで、無次元化した太陽光発電装置の出力を予測することができる。この無次元化した太陽光発電装置の出力予測値に当該地域に設置されている太陽光発電の設備容量を乗じることで、当該地域に設置されている太陽光発電設備の実際の出力を予測することが可能になる。

　また、無次元化した太陽光発電装置１２の出力を予測できるように学習した第６ファジーモデル部５１０を用いて、学習に用いた太陽光発電装置１２が設置されていない地域についても、同様に衛星画像の画素に対応した地域ごとに無次元化した太陽光発電装置の出力を予測することができる。学習が終わった上記の第６ファジーモデル部５１０に、それぞれの地域に対応する衛星画像の可視画像と赤外画像と水蒸気画像の画素信号と、地表面における風速および気温と、太陽高度および太陽方位を入力することで、衛星画像の地域に対応して無次元化した太陽光発電装置の出力予測値が得られ、各画素に対応する地域に設置されている太陽光発電の設備容量を乗じることで、当該地域の太陽光発電の出力を予測することができる。

　なお、上記では太陽光発電設備の発電出力の予測値を求めたい全ての地域に、学習が終わった共通の第６ファジーモデル部５１０を使用したが、地域を分割し、それぞれの地域を代表する太陽光発電設備の発電出力の実測値を用いて、それぞれの地域ごとに第６ファジーモデル部５１０を学習しておくことで、分割したそれぞれの地域の特性に合わせたきめ細かい太陽光発電設備の発電出力を推定することもできる。

　また、この第６実施例も学習させた後は第６ファジーモデル部５１０を学習させていないが、太陽光発電装置１２の実際の出力が得られるごとに学習させるようにしても良い。
［第７実施例］
　図１０は、図１に示す第１実施例の第１ファジーモデル部２０の替わりにニューラルネットワーク（日射強度推論部）を用いて現在時刻から所定時間経過後の日射強度予測値を求める３層のニューラルネットワーク６００の模式図を示したものである。このニューラルネットワーク６００には、第１実施例の（１）式に示すデータ（現在時刻から所定時間後の気象データ等）と、現在時刻から所定時間後の実際の日射強度値とが与えられる。

　ニューラルネットワーク６００は、入力層６０３Ａと、中間層６０３Ｂと、出力層６０３Ｃとを有している。入力層６０３Ａのノードは７＋４ｒの個数とする。中間層６０３Ｂのノードは任意の個数とし、出力層６０３Ｃのノードは１個とする。

　入力層６０３Ａは、各ノードｉへの入力Ｘ_i（ｔ,τ）（ｉ＝１～７＋４ｒ）の値をそのまま入力層の出力Ｏ₁（ｉ）として出力する。中間層６０３Ｂのノードｊの入力値ｎ₂（ｊ）は、重み付け係数（結合係数）をＷ、バイアスをλとして、下記（３０）式により定義する。

　中間層６０３Ｂのノードｊの出力Ｏ₂（ｊ）は、下記（３１）式により定義する。

　ただし、ｆ₂（ｎ₂（ｊ））は非減少で微分可能な関数であり、Ｗ_i（ｊ,ｉ）は重み係数である。

　出力層６０３Ｃのノードの入力ｎ₃（１）を下記（３２）式により定義する。

　また、出力層６０３Ｃの出力Ｏ₃（１）を下記（３３）式により定義する。

　ただし、ｆ₃（ｎ₃（ｊ））は非減少で微分可能な関数、Ｗ₁（ｊ,ｉ）、Ｗ₂（１,ｊ）は重み係数である。

　その出力層６０３Ｃのノードから出力される出力Ｏ₃（１）が日射強度予測式（推論式）である演算式Ｑ（ｔ,τ）に相当する。

　時刻ｔから所定時間τ経過後の気象予報データのかたまりＸ（ｔ,τ）を入力層６０３Ａの各ノードに与えたとき、出力層６０３Ｃのノードから出力されるＯ₃（１）により得られた値がτ時間後の実際の日射強度値としての対象時刻（ｔ＋τ）を中心にして一定時間幅内の平均値Ｑｂ（ｔ,τ）と一致するように、この出力Ｏ₃（１）を算出するための重み付け係数Ｗ₁（ｊ,ｉ）、Ｗ₂（１,ｊ）、バイアスλを下記（３４）式ないし（３７）式を用いて学習し調整する。

　ただし、

　である、なお、Ｗ₁′（ｉ,ｊ）、λ₂′（ｊ）、Ｗ₂′（ｉ,ｊ）、λ₃′（ｊ）は修正前の重みつけ係数である。また、η,μは係数である。

　ここでは、重み付け係数を後側の出力層６０３Ｃから前側の出力層６０３Ａに遡って修正するバックプロパゲーションによって、重み付け係数の修正を行っている。

　時刻ｔから所定時間τ経過後の気象予報データのかたまりＸ（ｔ,τ）を入力層６０３Ａの各ノードに与え、演算式Ｏ₃（１）により得られた値がτ時間後の実際の日射強度の平均値Ｑｂ（ｔ,τ）と一致するように、ニューラルネットワーク６００に学習させる。

　すなわち、所定時間τ経過後の気象予報データに基づく日射強度予測値の誤差が小さくなるように、日射強度予測値と実際の日射強度値との差に基づきニューラルネットワークの各ノードの重み付け係数とバイアスを修正することにより現在時刻ｔから所定時間τ経過後の日射強度予測値を求める。

　このように、重み係数とバイアスを時間τ経過後に得られた実際の日射強度値とτ時間前の予想した日射強度予測値との差に基づいてその誤差（差）が自動的に許容値以下となるように演算することができるので、気象予報データに基づき簡便に正確な日射強度予測値を求めることができ、実際の日射強度との誤差を限りなく小さくすることができる。

　第７実施例では、第１実施例の第１ファジーモデル部２０の替わりにニューラルネットワーク６００を用いて日射強度予測値を求めるようにしたものであるが、第２実施例ないし第６実施例の第２ファジーモデル部１１０ないし第６ファジーモデル部５１０をニューラルネットワーク６００に替えて、上記のようにして各ノードの重み付け係数を修正することにより現在時刻ｔから所定時間τ経過後の日射強度予測値や発電出力予測値を求めることができる。

Claims (15)

1. 地域の位置データに基づいて所定時間後の前記地域の太陽高度および太陽方位を算出する太陽高度方位算出部と、
   　この太陽高度方位算出部が算出した太陽高度および太陽方位と、前記地域の気象データとから所定時間後の日射強度予測値を求める日射強度推論部とを備え、
   　この日射強度推論部は、求めた日射強度予測値と実際の日射強度値との差が許容値以下となるように学習し、この学習の後に、前記太陽高度方位算出部が算出する所定地域の所定時間後の太陽高度および太陽方位と、その所定地域の気象データとに基づいて、現在時刻から所定時間後の前記所定地域の日射強度予測値を求めることを特徴とする日射強度予測システム。
2. 　前記日射強度推論部は、ファジーモデル部であることを特徴とする請求項１に記載の日射強度予測システム。
3. 　前記ファジーモデル部は、現在時刻から所定時間経過後の前記太陽高度および太陽方位のデータと前記気象データとの総数である複数の要素を複数個のファジー集合に区分するファジー集合定義部と、各要素のそのファジー集合に属する割合を表すメンバーシップ関数を定義するメンバーシップ関数定義部と、このメンバーシップ関数定義部で定義されたメンバーシップ関数と該メンバーシップ関数の重み付けとに基づき所定時間経過後の前記日射強度予測値を求める推論式を定義する推論式定義部と、この推論式定義部で定義された推論式で求めた日射強度予測値と所定時間後の実際の日射強度値との差が許容値以下になるように前記メンバーシップ関数の重み付けを修正することにより前記推論式の学習を行なわせる学習部とを有することを特徴とする請求項２に記載の日射強度予測システム。
4. 　前記日射強度推論部は、ニューラルネットワークであることを特徴とする請求項１に記載の日射強度予測システム。
5. 　前記ニューラルネットワークは、日射強度予測値を求める推論式の重み係数とバイアスを、該推論式で求めた日射強度予測値と実際の日射強度値との差が許容値以下となるように修正することにより現在時刻から所定時間経過後の日射強度予測値を求めることを特徴とする請求項４に記載の日射強度予測システム。
6. 　前記気象データは、時間降水量と、雲量と、相対湿度と、気温と、風速と、等気圧面高度と、この等気圧面高度における気温と、上昇流のうち少なくも２つ以上の気象予報データであることを特徴とする請求項１ないし請求項５のいずれか１つに記載の日射強度予測システム。
7. 　気象衛星から送信されてくる現在時刻の衛星画像データと現在時刻より所定時間前に送信されてきた衛星画像データとに基づいて現在時刻から所定時間後の衛星画像を予測する画像処理部を備え、この画像処理部で予測した衛星画像が前記気象データであることを特徴とする請求項１ないし請求項５のいずれか１つに記載の日射強度予測システム。
8. 　地域の位置データに基づいて所定時間後の太陽高度および太陽方位を算出する太陽高度方位算出部と、
   　この太陽高度方位算出部が算出した太陽高度および太陽方位と、前記地域の気象データとから所定時間後の太陽光発電装置の発電出力予測値を求める発電出力推論部とを備え、
   　この発電出力推論部は、求めた発電出力予測値と実際の発電出力値との差が許容値以下となるように学習し、この学習の後に、前記太陽高度方位算出部が算出する前記太陽光発電装置の設置地域の所定時間後の太陽高度および太陽方位と、その設置地域の気象データとに基づいて現在時刻から所定時間後の前記太陽光発電装置の発電出力予測値を求めることを特徴とする太陽光発電出力予測システム。
9. 　地域の位置データに基づいて所定時間後の太陽高度および太陽方位を算出する太陽高度方位算出部と、
   　この太陽高度方位算出部が算出した太陽の高度および太陽方位と、前記地域の気象データと、請求項１の日射強度予測システムで求めた日射強度予測値または実測の日射強度値とから所定時間後の前記太陽光発電装置の発電出力予測値を求める発電出力推論部とを備え、
   　この発電出力推論部は、求めた発電出力予測値と実際の発電出力値との差が許容値以下となるように学習し、この学習の後に、前記太陽高度方位算出部が算出する前記太陽光発電装置の設置地域の所定時間後の太陽高度および太陽方位と、その設置地域の気象データと、請求項１の日射強度予測システムで求めた日射強度予測値とに基づいて現在時刻から所定時間後の前記太陽光発電装置の発電出力予測値を求めることを特徴とする太陽光発電出力予測システム。
10. 　前記発電出力推論部は、ファジーモデルであることを特徴とする請求項８または請求項９に記載の太陽光発電出力予測システム。
11. 　前記ファジーモデル部は、現在時刻から所定時間経過後の前記太陽高度および太陽方位のデータと前記気象データとの総数である複数の要素を複数個のファジー集合に区分するファジー集合定義部と、各要素のそのファジー集合に属する割合を表すメンバーシップ関数を定義するメンバーシップ関数定義部と、このメンバーシップ関数定義部で定義されたメンバーシップ関数と該メンバーシップ関数の重み付けとに基づき所定時間経過後の前記発電出力予測値を求める推論式を定義する推論式定義部と、この推論式定義部で定義された推論式で求めた発電出力予測値と所定時間後の実際の発電出力値との差が許容値以下になるように前記メンバーシップ関数の重み付けを修正することにより前記推論式定義部の推論式の学習を行なわせる学習部とを有することを特徴とする請求項１０に記載の太陽光発電出力予測システム。
12. 　前記発電出力推論部は、ニューラルネットワークであることを特徴とする請求項８または請求項９に記載の太陽光発電出力予測システム。
13. 　前記ニューラルネットワークは、発電出力予測値を求める推論式の重み係数とバイアスを、該推論式で求めた発電出力予測値と実際の発電出力値との差が許容値以下となるように修正することにより現在時刻から所定時間経過後の発電出力値を求めることを特徴とする請求項１２に記載の太陽光発電出力予測システム。
14. 　前記気象予報データは、時間降水量と、雲量と、相対湿度と、気温と、風速と、等気圧面高度と、この等気圧面高度における気温と、上昇流のうち少なくも２つ以上の気象予報データであることを特徴とする請求項８ないし請求項１３のいずれか１つに記載の太陽光発電出力予測システム。
15. 　気象衛星から送信されてくる現在時刻の衛星画像データと現在時刻より所定時間前に送信されてきた衛星画像データとに基づいて現在時刻から所定時間後の衛星画像を予測する画像処理部を備え、この画像処理部で予測した衛星画像が前記気象データであることを特徴とする請求項８ないし請求項１３のいずれか１つに記載の太陽光発電出力予測システム。

Images