太陽光発電予測

太陽光発電予測とは、太陽の光熱断続性の影響を軽減することを目的として、さまざまな時間範囲で太陽光発電を予測するためにデータを収集して分析するプロセスです。太陽光発電予測は、電力網の効率的な管理と電力取引に使用されます。 ^[1]

材料費や変換効率の低さなど、太陽エネルギー導入の大きな障壁が減り続けるにつれて、間欠性と信頼性の問題が前面に出てきました。^[2]間欠性の問題は、多くの場合、太陽光予測によってうまく対処され、緩和されてきました。^{[3] [4] [5]}

太陽光発電の予測に使用される情報には通常、太陽の軌道、大気の状態、光の散乱、太陽光発電プラントの特性などが含まれます。

一般的に、太陽予測技術は予測期間に依存する。

• ナウキャスティング（3～4時間先の予報）
• 短期予測（最大7日先まで）と
• 長期予測（週、月、年）

1970 年代以降、太陽資源予測の手法は数多く提案されてきましたが、ほとんどの著者は、予測期間が異なれば手法も異なるという点に同意しています。1 時間未満の予測期間には通常、地上の天空画像と高度な時系列および機械学習モデルが必要です。通常、4 時間または 6 時間先までの日射量を予測する日中の予測期間には、衛星画像と日射量モデルが必要です。6 時間を超える予測期間は通常、数値気象予報 (NWP) モデルの出力に依存します。^[6]

太陽光発電のナウキャスティングとは、数十分から数百分先の太陽光発電の出力を最大90%の予測精度で予測することを指します。^[7]太陽光発電のナウキャスティングサービスは通常、5分から15分の時間分解能に関連しており、毎分のように頻繁に更新されます。

正確な予報技術に必要な高解像度には、地上画像を含む高解像度のデータ入力、放射照度センサーからの高速データ取得、および高速処理速度が必要です。

その後、実際のナウキャストは、例えば統計的手法によって強化されることが多い。ナウキャストの場合、これらの手法は通常、気象観測や太陽光発電施設の発電量測定などの測定データの時系列処理に基づいている。その後、モデルのパラメータを調整するためのトレーニングデータセットを作成し、別のテストデータセットに対してモデルのパフォーマンスを評価する。このクラスの手法には、自己回帰移動平均（ARMA、ARIMAなど）などのあらゆる種類の統計的アプローチや、ニューラルネットワーク、サポートベクターマシンなどの機械学習手法の使用が含まれる。^[8]

太陽光発電の予測において重要な要素は、地上での天空観測と基本的にすべての日中予報です。^[9]

短期予測では、最大 7 日先の予測が提供されます。多くの管轄区域における電力市場規制により、このカテゴリでは、日中予測と前日の太陽光発電予測が最も重要な時間範囲となります。基本的に、すべての高精度な短期予測方法は、気象変数、地域の気象現象、地上観測などの複数のデータ入力ストリームと複雑な数学モデルを活用します。

日中予報では、1台または数台の地上設置型天体画像装置によって高頻度（1分以内）で局所的な雲情報を取得します。これらの画像と局所的な気象測定情報を組み合わせて処理し、雲の動きのベクトルと光​​学的厚さをシミュレートして、最大30分先の予報を取得します。^[10]

これらの方法は、いくつかの静止地球観測気象衛星（メテオサット第2世代（MSG）艦隊など）を活用して、雲の覆いの将来の場所を検出、特徴付け、追跡、予測します。これらの衛星は、画像処理と予測アルゴリズムを適用することで、広範囲にわたる太陽光発電の予測を可能にします。衛星ベースの予測アルゴリズムには、雲の動きベクトル（CMV） ^[11]や流線型アプローチ^[12]などがあります。

短期予報アプローチのほとんどは、気象変数の発達に関する重要な予測を提供する数値気象予報モデル (NWP) を使用します。使用されるモデルには、全球予報システム(GFS) または欧州中期予報センター ( ECMWF ) が提供するデータが含まれます。これら 2 つのモデルは、世界中の気象予報を提供する世界予報モデルの最先端のモデルと考えられています。

これらのモデルの空間的および時間的解像度を高めるために、一般にメソスケール モデルと呼ばれる他のモデルが開発されました。特に、HIRLAM、WRF、MM5などがあります。これらの NWP モデルは非常に複雑で、ローカル コンピューターで実行するのが困難なため、これらの変数は通常、太陽放射照度モデルへの外生入力と見なされ、それぞれのデータ プロバイダーから取り込まれます。最良の予測結果は、データ同化によって得られます。

一部の研究者は、モデルの出力が得られたら、出力の精度に関する確率的視点を得るために後処理技術の使用を主張しています。これは通常、戦略的な気象値で変動したさまざまなモデルのさまざまな出力を混合し、最終的にそれらの変数と不確実性の程度をより正確に推定するアンサンブル技術を使用して行われます。これは、Bacher ら (2009) が提案したモデルに見られるようにです。

長期予測とは、通常、数週間から数年単位の期間に適用される予測手法を指します。これらの期間は、エネルギー生産者が、生成されたエネルギーを分配する 金融機関や公益事業会社と契約を交渉する際に関係します。

一般的に、これらの長期予測範囲は、NWPと気候モデルに依存しています。さらに、予測方法のほとんどは、再解析データを入力として入力されるメソスケールモデルに基づいています。出力は、測定データに基づく統計的アプローチで後処理することもできます。この時間範囲は運用の観点からはあまり重要ではなく、モデル化と検証が非常に難しいため、太陽予測の出版物の約 5% のみがこの範囲を考慮しています。

モデルからの出力は、特定の太陽光発電プラントが生産する電気エネルギーに変換する必要があります。このステップは通常、利用可能なリソースの量と計測された電力出力を相関させようとする統計的アプローチで行われます。これらの方法の主な利点は、予測の不確実性を考慮することで、グローバル エラーの主な要素である気象予測エラーを削減できる可能性があることです。

前述のように、Heinemann らによって詳細に説明されているように、これらの統計的アプローチは、ARMA モデル、ニューラル ネットワーク、サポート ベクター マシンなどから構成されます。一方、Alonso らによって説明されているように、発電所が気象リソースを電気エネルギーに変換する方法を説明する理論モデルも存在します。このタイプのモデルの主な利点は、適合すると非常に正確になることですが、気象予測エラーに非常に敏感であり、通常、これらのモデルによってエラーが増幅されます。最後に、ハイブリッド モデルはこれら 2 つのモデルを組み合わせたもので、それぞれを個別に上回ることができる有望なアプローチであると思われます。

エネルギーポータル

• エネルギー予測

• 国立再生可能エネルギー研究所 (NREL) による太陽光および風力予測プロジェクト。