風力発電予測

風力発電予測は、近い将来、最長1年までの1基以上の風力タービン（風力発電所と呼ばれる）の予想発電量を推定するものです。 ^{[1]予測は通常、風力発電所の利用可能な}電力で表されますが、エネルギー単位^[要出典]で表されることもあり、一定期間の発電量の可能性を示します。

風力発電の予測は、用途に応じて異なる時間スケールで検討される可能性がある。^{[2] [3]}

• 非常に短期的な予測（数秒から数分まで）は、リアルタイムのタービン制御や電力網 管理、および市場清算に使用されます。
• 短期予測（30 分から数時間まで）は、ディスパッチ計画やインテリジェントな負荷制限の決定に使用されます。
• 中期予測（6時間から1日まで）は、安全性や市場の状況に応じてタービンのオン/オフを切り替える決定を行うために使用されます。
• 長期予測（1日から1週間、さらには1年まで）は、長期計画（メンテナンスやユニットコミットメントのスケジュール、運用コストの最適化）に使用されます。洋上風力発電所のメンテナンスは特にコストがかかる可能性があるため、メンテナンス作業の最適な計画が特に重要です。

最後の 2 つの可能性については、風力発電予測の時間分解能は 10 分から数時間の範囲です (予測の長さによって異なります)。風力発電予測の改善は、関連するモデルへの入力としてより多くのデータを使用することと、従来提供されている予測に加えて不確実性の推定値を提供することに重点を置いています。^{[引用が必要]}

電力網では、常に電力消費と発電のバランスが保たれていなければなりません。さもないと、電力品質や供給に乱れが生じる可能性があります。風力発電は風速に直接左右され、従来の発電システムとは対照的に、簡単には制御できません。そのため、風力発電の変動により、他の電源からの電力代替が必要になりますが、すぐには利用できない可能性があります（石炭火力発電所の始動には6時間、原子力発電所の始動には12時間かかります）。^[4]風力発電が送電網に供給される電力全体のわずかな割合以上を供給し始めると、問題はさらに複雑になります。予測精度が向上すると、電力会社は回転予備力（通常は天然ガスベースの発電機）をより少なく配置できるようになります。^[4]

予測は通常、2つの異なる時間スケールで電力会社から要求されます。^[5]

1. 短期（数分から 6 時間）予測は回転予備力を調整するために使用されます。
2. 長期（日単位から週単位）予測は、電力会社がエネルギーミックスを計画したり、他の供給業者から電力を購入したりするために使用されます。通常、この情報は「前日」ベース（たとえば、午前 6 時まで）で必要になりますが、市場は週末や休日には稼働しない傾向があるため、場合によってはより長い予測が使用されます。

風力発電を電力システムに導入する際に電力会社が直面する課題は、再生可能エネルギーの割合と送電網の接続状況によって異なります。^[6] デンマークの風力発電は国の電力需要のほぼ半分を賄っており、瞬間普及率（つまり、特定の時間に満たされるべき消費量と比較した瞬間的な風力発電量）は100％を超えることもあります。送電網の容量が十分でない米国の一部の風の強い地域とは異なり、これは簡単に輸出できます。^[7]

送電システムオペレータ（TSO）は、グリッド上の電力バランスを管理する責任があります。つまり、いつでも、電力生産と消費が一致している必要があります。したがって、負荷プロファイルに対応するために、生産手段の使用が事前にスケジュールされます。負荷は、対象エリア全体の総電力消費に対応します。負荷プロファイルは通常、高精度の負荷予測によって提供されます。毎日のスケジュールを作成するために、TSOは、独自の電力生産手段がある場合はそれを考慮し、または二国間契約または電力プールを介して独立発電事業者（IPP）および公益事業体から発電を購入することもできます。規制緩和の状況では、市場にますます多くのプレーヤーが登場し、準地域独占の垂直統合公益事業体の従来の状況が打破されています。電力市場は、2つの主要なメカニズムで構成されています。1つ目はスポット市場です。参加者は、特定の生産コストで翌日のエネルギー量を提案します。オークションシステムでは、さまざまな入札に応じて、さまざまな期間の電力スポット価格を決済できます。 2 つ目のメカニズムは、TSO によって調整される発電の調整です。エネルギーの不足と余剰 (発電所の故障や風力発電設備の場合は断続的など) に応じて、TSO は義務を果たせなかった IPP が支払う罰金を決定します。場合によっては、是正措置を講じるために、日中市場も存在します。^[要出典]

この電力市場の仕組みを説明するために、オランダの電力市場を考えてみましょう。プログラム責任者 (PRP) と呼ばれる市場参加者は、翌日の深夜 0 時から深夜 0 時までの供給期間について、午前 11 時までに価格と量の入札を提出します。バランシング市場のプログラム時間単位 (PTU) は 15 分です。15 分間の平均電力のバランシングは、グリッドに接続されているすべての電気生産者と消費者に求められており、この目的のためにサブセットに編成される場合があります。これらのサブセットはプログラムと呼ばれるため、15 分スケールでのバランスはプログラム バランスと呼ばれます。プログラム バランスは現在、供給前日に発行された生産スケジュールと測定レポート (供給翌日に配布) を使用して維持されています。測定された電力がスケジュールされた電力と等しくない場合、プログラム不均衡は、実際の生産量と消費量の合計と予測された生産量と消費量の合計との差です。風力エネルギーの生産量のみを考慮すると、プログラム不均衡は実際の風力生産量から予測される風力生産量を差し引いた値に減少します。プログラム不均衡は風力生産量の予測誤差です。^[要出典]

プログラム不均衡はシステムオペレーターによって解決され、負のプログラム不均衡と正のプログラム不均衡には異なる料金が適用されます。正のプログラム不均衡は、予測よりも実際に生産されたエネルギーが多いことを示します。風力エネルギーの場合、実際の風力発電量は予測された風力発電量よりも大きくなります。また、風力エネルギーによる負のプログラム不均衡の場合はその逆になります。^{[引用が必要]}

バランスをとる市場メカニズムによっては、プラスとマイナスの不均衡のコストが非対称になる場合があることに注意してください。一般的に、風力発電事業者は、生産量の大部分がペナルティの対象となる可能性があるため、このような市場システムによってペナルティを受けます。^{[引用が必要]}

風力発電予測は、市場参加に利用されるのと並行して、風力発電と従来型発電、風力発電と水力発電、または風力発電といくつかのエネルギー貯蔵装置の組み合わせの最適な組み合わせの運用にも使用できます。また、風力発電の最終的な不足を補うための予備力の必要性を定量化する基礎としても役立ちます。^{[引用が必要]}

風力発電の短期予測には、さまざまなレベルの洗練度を持ついくつかの技術が使用されている。^[8]

• 持続法は単純です。次の時間間隔の風力発電が現在測定された瞬間電力と同じままであると想定しています。予測の効率は当然ながら時間の経過とともに急速に低下するため、通常、この方法は他の方法の予測と比較するための基本レベルの数値セットとして使用されます。
• 数値気象予測結果を用いて、風力発電所周辺の物理的特性を利用して発電地点の風速を再計算し、タービン出力曲線を使用して速度を電力予測に変換する物理的方法。
• 統計的手法は、数値天気予報結果と風力発電の間に線形または非線形の関係があると仮定するモデルに基づいており、係数は履歴データを使用してトレーニングされます。統計モデルには、次の 2 つの大きなサブクラスがあります。
  • 時系列;
  • ANN;
• ハイブリッド方式。

短期的な風力発電予測のための高度なアプローチでは、入力として気象変数の予測が必要です。次に、いわゆるパワーカーブを介して気象変数の予測が風力発電量の予測に変換される方法が異なります。このような高度な方法は、伝統的に 2 つのグループに分けられます。最初のグループは物理的アプローチと呼ばれ、風力発電所の周囲と内部の風の流れの記述に焦点を当て、メーカーのパワーカーブを使用して風力発電出力の推定を提案します。これと並行して、2 番目のグループは統計的アプローチと呼ばれ、物理現象についていかなる仮定も行わずに、データからパラメータを推定する必要がある統計モデルを通じて、気象予測 (および場合によっては過去の測定値) と発電量との関係を捉えることに集中します。

風力発電は気象条件と直接関係しているため、風力発電予測の第一の側面は、風力発電所レベルで必要な気象変数の将来の値を予測することです。これは、数値気象予測(NWP) モデルを使用して行われます。このようなモデルは、流体の動きと動きに影響を与える力を制御する方程式に基づいています。実際の大気の状態に関する知識から、方程式のシステムにより、一連のグリッド ポイントでの温度、速度、湿度、圧力などの状態変数の変化を予測できます。風力発電予測の入力として必要な気象変数には、風速と風向はもちろん、温度、圧力、湿度も含まれます。グリッド ポイント間の距離は、NWP の空間解像度と呼ばれます。メッシュの間隔は通常、数キロメートルからメソスケール モデルの場合は最大 50 キロメートルまで変化します。時間軸に関しては、今日のほとんどの運用モデルの予測期間は 48 時間から 172 時間先であり、これは風力発電アプリケーションの要件に十分です。時間解像度は通常 1 ～ 3 時間です。NWP モデルは直接入力として使用されるため、短期風力発電予測方法に時間解像度を適用します。

気象変数の予測は気象研究所によって提供されます。気象学者は短期および中期の天気予報に大気モデルを使用します。大気モデルは、近い将来の大気の状態の物理的記述の数値近似であり、通常はスーパーコンピュータで実行されます。各計算は、最近の測定から得られた初期条件から始まります。出力は、水平グリッド内のさまざまな垂直レベルにおける物理量の予想される瞬間値と、開始後数時間までの時間ステップで構成されます。大気モデルが現実を近似するだけである理由はいくつかあります。まず、モデルには関連するすべての大気プロセスが含まれているわけではありません。また、初期条件にはエラーが含まれる可能性があり (最悪の場合、エラーが伝播します)、出力は空間 (水平および垂直) と時間の離散的なポイントでのみ使用できます。最後に、初期条件は時間とともに古くなります。計算が開始されたときはもちろん、出力が公開されたときでも、すでに古い状態になっています。気象変数の予測は 1 日に数回 (通常は 1 日に 2 ～ 4 回) 発行され、予報期間の開始から数時間後に利用可能になります。これは、NWP モデルへの入力として使用される大量の測定値を取得して分析し、モデルを実行して出力予報シリーズを確認して配布するのにある程度の時間が必要なためです。このギャップは、大気モデルからの予報の盲点です。オランダの例として、KNMI は、測定データを使用して大気モデル Hirlam を初期化してから 0 ～ 48 時間後の風速、風向、気温、気圧の予想値を 1 日に 4 回発行し、その後予報が配信されるまでの期間は 4 時間です。

学術研究ツールから完全に機能する機器まで、さまざまな大気モデルが利用可能です。モデルの性質 (物理プロセスまたは数値スキーム) 以外にも、時間領域 (数時間から 6 日先まで)、領域 (数万 km ^{2 から}地球の半分を覆う領域まで)、水平解像度 (1 km から 100 km)、時間解像度 (1 時間から数時間) など、モデル間には明確な違いがあります。

大気モデルの 1 つに高解像度限定領域モデル (略称HIRLAM)があり、ヨーロッパでよく使用されています。HIRLAM には多くのバージョンがあるため、「the」HIRLAM ではなく「a」HIRLAM と呼ぶ方が適切です。各バージョンは、オランダのKNMI、デンマークのDMI、フィンランドのFMIなどの国立研究所によって管理されています。また、各研究所は、運用、運用前、半運用、研究目的などのカテゴリに分かれた複数のバージョンを管理しています。

他の大気モデルは

• 英国気象庁が運営するUM
• DWDが運営するドイツのCOSMOとICON、
• メテオフランスが運営するフランスのALADIN、
• NCEPが運営する米国のGFS。

ALADIN と COSMO はヨーロッパ内の他の国でも使用されていますが、UM はオーストラリアのBOMで使用されていることに注意してください。

気象予報は、あるエリアをカバーするグリッドの特定のノードで行われます。風力発電所はこれらのノード上には設置されていないため、これらの予報を目的の場所とタービンハブの高さで外挿する必要があります。物理ベースの予報方法は、特定のグリッドポイントとモデルレベルでの風予報から、対象サイトの電力予報への変換をすべて提供するいくつかのサブモデルで構成されています。すべてのサブモデルには、変換に関連する物理プロセスの数学的記述が含まれています。したがって、純粋に物理的な予測方法 (デンマークの Prediktor の初期バージョンなど) を開発する場合は、関連するすべてのプロセスに関する知識が不可欠です。物理的アプローチの中心的な考え方は、地形の粗さ、地形、障害物などの物理的な考慮事項を使用し、大気の安定性を考慮したローカルな風のプロファイルをモデル化することで、NWP を改良することです。これを行うための 2 つの主な代替手段は、(i)風のプロファイルのモデル化 (ほとんどの場合、対数仮定を使用) と地衡抵抗法則を組み合わせて地表風を取得することです。（ii）地形の完全な記述を考慮して農場が受ける風の場を正確に計算できるCFD（数値流体力学）コードを使用する。

風力発電所のレベルとハブの高さでの風がわかっている場合、2 番目のステップは風速を電力に変換することです。通常、このタスクは、風力タービンの製造元によって提供される理論的な電力曲線を使用して実行されます。ただし、いくつかの研究で、理論的な電力曲線の代わりに経験的に導き出された電力曲線を使用することが重要であることが示されたため、理論的な電力曲線はますます考慮されなくなっています。物理的方法論を適用する場合、風力発電所周辺の特定の場所における NWP からの風力発電を与える関数のモデリングは、一度で完了します。次に、推定された伝達関数が、特定の瞬間の利用可能な天気予報に適用されます。NWP モデルまたはそのモデリング アプローチに起因する可能性のある体系的な予測誤差を考慮するために、物理モデラーは、後処理電力予測にモデル出力統計 (MOS) を統合することがよくあります。

統計的予測法は、電力の履歴値、気象変数の履歴値と予測値、および風力発電の測定値との関係を確立する 1 つまたは複数のモデルに基づいています。問題に関する専門知識が適切な気象変数の選択と適切なモデルの設計に不可欠であるにもかかわらず、物理現象は分解および考慮されていません。モデル パラメータは、過去の利用可能なデータ セットから推定され、オンライン操作中に、新たに利用可能な情報 (気象予報や電力測定など) を考慮して定期的に更新されます。

統計モデルには、線形モデルと非線形モデルだけでなく、構造モデルやブラックボックスモデルもあります。構造モデルは、分析者の関心のある現象に関する専門知識に依存しますが、ブラックボックスモデルは主題に関する知識をほとんど必要とせず、かなり機械的な方法でデータから構築されます。風力発電の予測に関して言えば、構造モデルは、日周風速の変化のモデリング、または気象変数予測の明示的な関数を含むモデルです。ブラックボックスモデルには、ニューラルネットワーク (NN) やサポートベクターマシン (SVM) などの人工知能ベースのモデルのほとんどが含まれます。ただし、一部のモデルは、完全なブラックボックスまたは構造の両極端の「中間」にあります。これは、経験 (データセット) から学習し、事前の知識を注入できるエキスパートシステムの場合です。次に、グレーボックスモデリングについて説明します。統計モデルは通常、風の持続的な挙動を捉える自己回帰部分と、気象変数予測の非線形変換から成る「気象」部分で構成されます。自己回帰部分により、気象予測情報のみの使用では持続性を上回るのに十分でない可能性がある期間、つまり 6 ～ 10 時間先までの予測精度を大幅に向上できます。

現在、風力発電予測に対する統計的アプローチの主な開発は、複数の気象予報（異なる気象庁からの）を入力と予測の組み合わせとして使用すること、および予測誤差の修正や、潜在的に大きな不確実性に関する警告の発行のために空間的に分散した測定データを最適に使用することに重点を置いています。

GoogleのDeepMindはニューラルネットワークを使用して予測を改善します。^[9]

外観イメージ
3つのシステムエリア、デンマーク西部と東部、エストニアの明日の予測

現在の設計は、乱流のない安定した条件に対してのみ最適です。不安定性と乱流を考慮した設計ツールは、はるかに開発が遅れています。^[10]

風力発電出力の予測は、従来、ポイント予測、つまり各予測時点の単一の値で提供され、期待値または最も可能性の高い結果に対応しています。この単一の値から将来の発電に関するすべてのことがわかるため、ポイント予測には理解しやすいという利点があります。今日、風力発電予測に関する研究活動の大部分は、モデルにさらに多くの観測値を統合することや、たとえば非常にローカルな規模で風の場をより適切に表現するために物理モデルの解像度を改良することを目的として、ポイント予測のみに焦点を当てています。これらの取り組みにより、予測誤差のレベルが大幅に低下する可能性があります。

しかし、気象プロセスと電力変換プロセスの両方をよりよく理解し、モデル化しても、すべての予測には常に固有の、減らすことのできない不確実性があります。この認識論的不確実性は、将来のイベントに影響を与えるプロセスに関する不完全な知識に対応します。したがって、今後数時間または数日間の風力発電のポイント予測を補完するものとして、これらの予測の精度をオンラインで評価する手段を提供することが非常に重要です。今日では、不確実性は確率予測の形で表現されるか、従来のポイント予測とともに提供されるリスク指標で表現されます。風力発電の管理と取引に関連するいくつかの決定は、予測の不確実性を考慮するとより最適であることが示されています。取引アプリケーションの例では、予測の不確実性の信頼性の高い推定により、高度なポイント予測方法のみを使用する場合と比較して、風力発電事業者の収入が大幅に増加することが研究で示されています。このタイプの他の研究では、予備要件の最適な動的定量化、^[11]風力を含む複合システムの最適な運用、または複数エリアの多段階調整を扱っています。予測の不確実性と関連トピックに関する研究努力がますます増えると予想されます。

コーネル大学アトキンソン持続可能な未来センターの支援を受けた大学、産業界、政府の研究者連合の報告書によると、まだ答えが出ていない疑問が数多くある。その疑問とは次のようなものだ。

• 複数の後流を持つ風力発電所は、大気境界層とどのように相互作用して、生産できる正味電力を決定するのでしょうか?
• 不均一な地形、陸地や海面の粗さ、境界層上の乱流、タービンの後流は、下流の風力タービンブレードの不安定な荷重にどのような影響を与えるのでしょうか?
• 大気の安定性（対流、中立、安定成層）は、典型的な一日のサイクル全体を通じてパフォーマンスと負荷特性にどのような影響を与えますか?
• 運動エネルギーの捕捉を最大化し、不安定な荷重を最小限に抑えるためには、風力タービンをアレイに配置するのが最適でしょうか? ^[10]

この報告書では、この必要な研究を支援するために使用できる可能性のあるツールも提供しています。^[10]

風力発電量と予測の相関関係は比較的高く、ドイツでは2年間の平均未補正誤差は8.8%である。^[12]

• エネルギー予測
• 世界エネルギー予測コンペティションに風力発電予測のトラックが設けられる

• E.ONネッツ。風力レポート2004、風力レポート2005
• R. Doherty と M. O'Malley。風力発電設備容量が大きいシステムにおける予備需要を定量化する新しいアプローチ。IEEE Transactions on Power Systems 20(2)、pp. 587–595、2005 年
• Giebel G.、Brownsword R.、Kariniotakis G.、Denhard M.、Draxl C. 風力発電の短期予測における最新技術 文献概要、第 2 版^{[永久リンク切れ‍ ]}。Anemos.plus および SafeWind プロジェクトのプロジェクト レポート。110 ページ。Risø、ロスキレ、デンマーク、2011 年
• M. Langeと U. Focken.短期風力発電予測への物理的アプローチ、Springer、ISBN 3-540-25662-8、2005 
• L. ランドバーグ、G. ギーベル、H.Aa.ニールセン、TS ニールセン、H. マドセン。短期予測 – 概要、Wind Energy 6(3)、pp. 273–280、2003
• H. Madsen、P. Pinson、H.Aa. Nielsen、TS Nielsen、G. Kariniotakis。短期風力発電予測モデルの性能評価の標準化、Wind Engineering 29(6)、pp. 475–489、2005年
• P. Pinson、C. Chevallier、G. Kariniotakis。風力発電の短期確率予測による風力発電の取引、IEEE Transactions on Power Systems 22(3)、pp. 1148–1156、2007年
• P. Pinson、S. Lozano、I. Marti、G. Kariniotakis、G. Giebel。ViLab: 風力発電予測に関する共同研究のための仮想実験室、Wind Engineering 31(2)、pp. 117–121、2007年
• P. Pinson、H.Aa. Nielsen、JK Møller、H. Madsen、G. Kariniotakis。風力発電のノンパラメトリック確率予測：必要な特性と評価、Wind Energy、印刷中、2007年
• Shobana Devi, A.; Maragatham, G.; Boopathi, K.; Lavanya, MC; Saranya, R. (2021)。「長期風速予測 - レビュー」。高度なコンピューティングアプリケーションのための人工知能技術。ネットワークとシステムの講義ノート。第130巻。pp. 79–99。doi : 10.1007 / 978-981-15-5329-5_9。ISBN 978-981-15-5328-8. S2CID  225028045。
• Haupt, Sue Ellen; Mahoney, William P. (2015). 「より優れた予測による風力発電の制御」IEEE Spectrum . 52 (11): 47–52. doi :10.1109/MSPEC.2015.7335902. S2CID  2408824.
• Roungkvist, Jannik Schütz; Enevoldsen, Peter (2020). 「風予報におけるタイムスケール分類：最先端技術のレビュー」Journal of Forecasting . 39 (5​​): 757–768. doi :10.1002/for.2657. S2CID  213701146.
• Hanifi, Shahram; Liu, Xiaolei; Lin, Zi; Lotfian , Saeid ( 2020 ). 「風力発電予測方法の批判的レビュー - 過去、現在、未来」。エネルギー。13 (15): 3764。doi : 10.3390/en13153764。

• ECMWF での HiRLAM のドキュメント