JP7740642B2 - 太陽光発電量予測システム、太陽光発電量予測方法、太陽光発電量予測プログラム、過去予報推定装置、過去予報推定方法、および過去予報推定プログラム - Google Patents

Description

本発明は、太陽光発電量予測システム、太陽光発電量予測方法、太陽光発電量予測プログラム、過去予報推定装置、過去予報推定方法、および過去予報推定プログラムに関するものである。

ある発電電力予測システムは、ニューラルネットワークを使用して、ある時点についての過去の気象実測データおよび将来の気象予報データに基づいて、将来の太陽光発電量を予測している（例えば特許文献１参照）。

また、ある太陽光発電量予測システムは、カメラで空画像を撮影し、その空画像に基づいて将来の太陽光発電量を予測している（例えば特許文献２参照）。

特開２０１８－００７３１２号公報 特開２０１７－２００３６０号公報

上述の発電電力予測システムでは、ニューラルネットワークの入力データとして、各時点での将来の気象予報データを使用しているため、そのニューラルネットワークを機械学習する際の学習データとして、長期間の多くの時点での気象予報データが要求される。

しかしながら、過去の気象実測データは比較的簡単に入手できるが、過去の気象予報データを入手することは困難である。気象予報データの提供者は、気象予報の的中率などが明らかになってしまうため、過去の気象予報データを提供したがらない。そのため、長期の時間を掛けて気象予報データを収集した後でないと適切な機械学習を行うことが困難である。つまり、比較的短時間で、正確な太陽光発電量の予測を開始することは困難である。また、気象予報データの代わりに、気象実測データを使用することも考えられるが、その場合、予報データと実測データとではデータの取る値の傾向が異なるため、正確に機械学習が行われない可能性がある。

本発明は、上記の問題に鑑みてなされたものであり、気象予報データを入力データとしている学習器を使用して太陽光発電量を予測する際に、比較的短時間で、正確な太陽光発電量の予測を開始することができる太陽光発電量予測システム、太陽光発電量予測方法、および太陽光発電量予測プログラム、並びに、その機械学習に使用可能な過去予報推定装置、過去予報推定方法、および過去予報推定プログラムを得ることを目的とする。

本発明に係る太陽光発電量予測システムは、気象予報データを入力データとする第１学習器で太陽光発電量を予測する太陽光発電量予測部と、過去の気象実履歴データから過去の気象予報履歴データを推定して生成する過去予報推定部と、過去予報推定部により生成された過去の気象予報履歴データを使用して第１学習器の機械学習を行う第１機械学習処理部とを備える。

本発明に係る太陽光発電量予測方法は、気象予報データを入力データとする第１学習器で太陽光発電量を予測する太陽光発電量予測ステップと、過去の気象実履歴データから過去の気象予報履歴データを推定して生成する過去予報推定ステップと、過去予報推定ステップで生成された過去の気象予報履歴データを使用して第１学習器の機械学習を行う機械学習処理ステップとを備える。

本発明に係る太陽光発電量予測プログラムは、コンピューターに、気象予報データを入力データとする第１学習器で太陽光発電量を予測する太陽光発電量予測ステップと、過去の気象実履歴データから過去の気象予報履歴データを推定して生成する過去予報推定ステップと、過去予報推定ステップで生成された過去の気象予報履歴データを使用して第１学習器の機械学習を行う機械学習処理ステップとを実行させる。

本発明に係る過去予報推定装置は、過去の気象実履歴データを入力データとする学習器で過去の気象予報履歴データを推定して生成する過去予報推定部を備える。ここで、過去の気象実履歴データは、過去の複数時点での気象実履歴データであって、過去の気象予報履歴データは、過去の複数時点での気象予報履歴データである。

本発明に係る過去予報推定方法は、過去の気象実履歴データを入力データとする学習器で過去の気象予報履歴データを推定して生成する過去予報推定ステップを備える。ここで、過去の気象実履歴データは、過去の複数時点での気象実履歴データであって、過去の気象予報履歴データは、過去の複数時点での気象予報履歴データである。

本発明に係る過去予報推定プログラムは、コンピューターに、過去の気象実履歴データを入力データとする学習器で過去の気象予報履歴データを推定して生成する過去予報推定ステップを実行させる。ここで、過去の気象実履歴データは、過去の複数時点での気象実履歴データであって、過去の気象予報履歴データは、過去の複数時点での気象予報履歴データである。

本発明によれば、気象予報データを入力データとしている学習器を使用して太陽光発電量を予測する際に、比較的短時間で適切な機械学習を行うことができる太陽光発電量予測システム、太陽光発電量予測方法、および太陽光発電量予測プログラム、並びに、その機械学習に使用可能な過去予報推定装置、過去予報推定方法、および過去予報推定プログラムが得られる。

本発明の上記又は他の目的、特徴および優位性は、添付の図面とともに以下の詳細な説明から更に明らかになる。

図１は、本発明の実施の形態に係る太陽光発電量予測システムの構成を示すブロック図である。 図２は、図１に示す太陽光発電量予測システムにおける過去予報推定部２２の構成を示すブロック図である。 図３は、図１に示す太陽光発電量予測システムにおける太陽光発電量予測部２５の構成を示すブロック図である。 図４は、図３に示す太陽光発電量予測部２５における日射量予測部４１の構成を示すブロック図である。

以下、図に基づいて本発明の実施の形態を説明する。

図１は、本発明の実施の形態に係る太陽光発電量予測システムの構成を示すブロック図である。図１に示す太陽光発電量予測システムは、１台の情報処理装置（パーソナルコンピューターなど）で構成されているが、後述の処理部やユニットを、互いにデータ通信可能な複数の情報処理装置に分散させてもよい。また、そのような複数の情報処理装置には、特定の演算を並列処理するＧＰＵ（Graphics Processing Unit）が含まれていてもよい。

図１に示す太陽光発電量予測システムは、例えば特定の太陽光発電設備による発電量を予測するシステムであって、記憶装置１、通信装置２、ユーザーインターフェイス３、および演算処理装置４を備える。

記憶装置１は、フラッシュメモリー、ハードディスクなどの不揮発性の記憶装置であって、各種データやプログラムを格納する。

ここでは、記憶装置１には、過去予報推定プログラム１１および太陽光発電量予測プログラム１２が格納されており、また、パラメーターデータセット１３（後述のニューラルネットワークの結合係数（重み）、バイアスなどのパラメータなど）が必要に応じて格納される。

通信装置２は、ネットワークインターフェイス、周辺機器インターフェイス、モデムなどのデータ通信可能な装置であって、必要に応じて、他の装置とデータ通信を行う。

ユーザーインターフェイス３は、操作画面などを表示するディスプレイなどの表示装置３ａ、およびユーザー操作を受け付けるキーボードなどの入力装置３ｂを備える。

なお、図１では、ユーザーインターフェイス３は、演算処理装置４に、内部バスや周辺機器インターフェイスで接続されているが、その代わりに、例えば、演算処理装置４がネットワーク（インターネット、ＬＡＮ（Local Area Network）など）上のサーバーに内蔵されている場合、ユーザーインターフェイス３は、そのサーバーと通信可能な端末装置のユーザーインターフェイスデバイスとされ、そのサーバーとその端末装置との間のデータ通信によって、演算処理装置４において実現される処理部やユニットのユーザーインターフェイスとして機能する。

演算処理装置４は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などを備えるコンピューターであって、プログラムを、ＲＯＭ、記憶装置１などからＲＡＭにロードしＣＰＵで実行することで、各種処理部として動作する。ＲＡＭは、その処理部のワークメモリーとして使用される。

ここでは、プログラム１１を実行することで、演算処理装置４は、過去実データ取得部２１、過去予報推定部２２、および機械学習処理部２３として動作する。

過去実データ取得部２１は、過去の気象予報における特定項目（気温、湿度、日射量、雲面積率など）についての、実測データを取得する。例えば、過去実データ取得部２１は、通信装置２を使用して特定のサーバーから実測データをダウンロードしたり、記憶装置１に予め保存されている実測データを読み出したりする。

過去予報推定部２２は、過去の気象実履歴データを入力データとする学習器で過去の気象予報履歴データを推定して生成する。ここで、この過去の気象実履歴データは、過去の複数時点での気象実履歴データであって、この過去の気象予報履歴データは、その過去の複数時点での気象予報履歴データである。

この実施の形態では、過去予報推定部２２は、過去の気象実履歴データ、並びに雲面積比率履歴データおよび太陽位置履歴データを入力データとして学習器で過去の気象予報履歴データを推定して生成する。

また、この学習器は、過去の気象実履歴データと特定の気象予報提供者の過去の気象予報履歴データとを学習データとして機械学習されており、過去予報推定部２２は、特定の気象予報提供者についての過去の気象予報履歴データを推定して生成する。つまり、複数の気象予報提供者のそれぞれについて、その気象予報提供者に固有の過去の気象予報履歴データ（過去の時点からみた将来の複数時点の気象予報の各項目の値）が個別的に生成される。

図２は、図１に示す太陽光発電量予測システムにおける過去予報推定部２２の構成を示すブロック図である。

例えば図２に示すように、過去予報推定部２２は、エンコーダー３１、エンコーダー３２－１～３２－３、特徴ベクトル連結部３３、潜在空間エンコーダー３４、およびデコーダー３５を備える。

エンコーダー３１は、１または複数層のニューラルネットワーク（ここでは全結合のニューラルネットワーク）を備え、そのニューラルネットワークで、上述の気象実履歴データ（入力データ）を特徴ベクトルに変換する。

エンコーダー３２－１は、１または複数層のニューラルネットワーク（ここでは全結合のニューラルネットワーク）を備え、そのニューラルネットワークで、雲面積比率履歴データ（入力データ）を特徴ベクトルに変換する。エンコーダー３２－２は、１または複数層のニューラルネットワーク（ここでは全結合のニューラルネットワーク）を備え、そのニューラルネットワークで、時間履歴データ（入力データ）を特徴ベクトルに変換する。エンコーダー３２－３は、１または複数層のニューラルネットワーク（ここでは全結合のニューラルネットワーク）を備え、そのニューラルネットワークで、太陽位置履歴データ（入力データ）を特徴ベクトルに変換する。

なお、エンコーダー３１，３２－１～３２－３などにおけるニューラルネットワークの入力データは、適宜、（例えば０～１の値域に）正規化される。また、周期性のある入力データ（太陽位置および時間）は、正弦（サイン）関数や余弦（コサイン）関数を使用して正規化される。

各時点における気象実測値（気温、湿度、風向き、風速など）、雲面積比率の値、および太陽位置（仰角と方位角）の値が特定され、複数時点についての気象実測値が気象実履歴データとされ、その複数時点についての雲面積比率の値が雲面積比率データとされ、その複数時点についての太陽位置の値が太陽位置履歴データとされる。

特徴ベクトル連結部３３は、エンコーダー３１，３２－１～３２－３により生成される特徴ベクトルを連結し、１つの特徴ベクトルとする。

潜在空間エンコーダー３４は、ニューラルネットワークを備え、そのニューラルネットワークで、潜在空間において、特徴ベクトル連結部３３により得られた連結後の特徴ベクトルの写像を行う。

デコーダー３５は、ニューラルネットワークを備え、そのニューラルネットワークで、潜在空間エンコーダー３４による写像後の特徴ベクトルを、気象予報予測履歴データ（出力データ）に変換する。

機械学習処理部２３は、過去予報推定部２２における学習器（ここでは、上述のニューラルネットワーク）の機械学習を既存の学習方法（誤差逆伝播法など）で行う。具体的には、機械学習処理部２３は、その学習器の入力データと出力データとの対を複数セット含む学習データを使用して、その学習器のパラメータ（ここでは、ニューラルネットワークの重みおよびバイアス）を更新していく。

一定期間分の入力データが得られ、過去予報推定部２２における学習器（ここでは、上述のニューラルネットワーク）の機械学習が完了すれば、過去予報推定部２２によって、気象予報の項目（気温、湿度、風向き、風速など）について、過去の実測値から過去の予報値が推定可能となり、比較的短時間で、大量の過去の予報値の取得が可能となり、その予報値が後述の機械学習処理部２６での機械学習に利用される。

また、ここでは、プログラム１２を実行することで、演算処理装置４は、入力データ取得部２４、太陽光発電量予測部２５、および機械学習処理部２６として動作する。

入力データ取得部２４は、太陽光発電量を予測すべき太陽光発電設備について、入力データを取得する。入力データは、例えば、空画像履歴データ、気象実履歴データ、発電条件履歴データ、人工衛星予報データ、気象予報データ、および雲面積比率履歴データを含む。例えば、入力データ取得部２４は、通信装置２を使用して特定のサーバーからその入力データをダウンロードしたり、記憶装置１に予め保存されているその入力データを読み出したりする。

太陽光発電量予測部２５は、気象予報データを入力データとする学習器で太陽光発電量を予測する。

この実施の形態では、太陽光発電量予測部２５は、気象予報データ（現時点からみた将来の複数時点の気象予報の各項目の予報値）および空画像履歴データをマルチモーダルな入力データとする学習器で太陽光発電量を予測し、この学習器は、（ａ）空画像履歴データから日射量予測データを生成し、（ｂ）日射量予測データおよび気象予報データから太陽光発電量の予測値を生成する。なお、空画像履歴データは、太陽光発電量を予測する対象である発電設備から撮影装置で複数時点で空を撮影して得られた一連の空画像の画像データである。

図３は、図１に示す太陽光発電量予測システムにおける太陽光発電量予測部２５の構成を示すブロック図である。図４は、図３に示す太陽光発電量予測部２５における日射量予測部４１の構成を示すブロック図である。

例えば図３に示すように、太陽光発電量予測部２５は、日射量予測部４１、エンコーダー４２－１～４２－４、データ連結部４３、および発電量予測部４４を備える。

日射量予測部４１は、学習器を備え、その学習器で、空画像履歴データ、気象予報データ、雲面積比率予報データ、および時間データといった入力データから、将来の複数時点の日射量予測値を導出する。日射量予測部４１は、すべての太陽光発電設備に共通のものである（つまり、複数の太陽光発電設備に共通となるように機械学習されている）。ただし、日射量予測部４１における後述のエンコーダー５１，５２については当該太陽光発電設備に固有のものであり、太陽光発電設備ごとに異なる（つまり、太陽光発電設備ごとに異なるように機械学習されている）。

空画像履歴データ、気象予報データ、雲面積比率予報データ、および時間データは、現時点までの複数時点における空画像、気象予報、雲面積比率予報、および時間をそれぞれ示すデータである。この空画像は、撮影画像が所定画素数になるように変倍されたりトリミングされたりして生成される。この気象予報、雲面積比率予報、および時間は、適宜、正規化される。

そして、例えば図４に示すように、日射量予測部４１は、エンコーダー５１、エンコーダー５２、特徴ベクトル連結部５３、および日射量予測値演算部５４を備える。

エンコーダー５１は、畳み込みニューラルネットワーク（ＣＮＮ）を備え、そのＣＮＮで空画像履歴データを特徴ベクトルに変換する。エンコーダー５１のＣＮＮは、ＬＳＴＭ（Long short-term memory）層およびＧＡＰ（Global Average Pooling）層を備える。

エンコーダー５２は、ＬＳＴＭ層を含むニューラルネットワークを備え、そのニューラルネットワークで、気象予報データ（特定複数時刻における風速、風向きなど）、雲面積比率予報データ（その特定複数時刻における雲面積比率の予報値）、および太陽位置データ（その特定複数時刻における仰角と方位角）を入力データとして、その入力データを特徴ベクトルに変換する。

特徴ベクトル連結部５３は、エンコーダー５１，５２により生成される特徴ベクトルを連結し、１つの特徴ベクトルとする。

日射量予測値演算部５４は、１または複数層のニューラルネットワーク（ここでは全結合のニューラルネットワーク）を備え、そのニューラルネットワークで、特徴ベクトル連結部５３により得られた特徴ベクトルから日射量予測値を導出する。

ここで、この日射量予測値は、例えば全天日射量（ＧＨＩ：
Global Horizontal Irradiance）の予測値である。

また、図３におけるエンコーダー４２－１は、ＬＳＴＭ層を含むニューラルネットワークを備え、そのニューラルネットワークで、過去の複数時点での発電条件を示す発電条件履歴データを特徴ベクトルに変換する。この発電条件は、日射量履歴（現時点までの複数時点の日射量実データ）、出力電圧、出力電流、出力電力などの出力履歴（現時点までの上述の複数時点の出力電圧、出力電流、出力電力など）、気温履歴（現時点までの上述の複数時点の当該太陽光発電設備での気温）、ソーラーパネル仕様（当該発電設備における架台やソーラーパネルの種別など）などを含む。エンコーダー４２－１は、当該太陽光発電設備に固有のものであり、太陽光発電設備ごとに異なる（つまり、太陽光発電設備ごとに異なるように機械学習されている）。

エンコーダー４２－２は、ＬＳＴＭ層を含むニューラルネットワークを備え、そのニューラルネットワークで、過去および／または現在の複数時点での気象衛星により撮影された画像に基づく将来の複数時点での気象予報値を示す人工衛星予報データを特徴ベクトルに変換する。この気象予報値は、日射量（ＧＨＩ，ＤＮＩ：Direct Normal Irradiance，ＥＢＨ，ＤＨＩ：Diffuse Horizontal Irradianceなど）、雲面積比率、雲の不透明度、太陽位置（仰角と方位角）、気温などを含む。エンコーダー４２－２は、すべての太陽光発電設備に共通のものである（つまり、複数の太陽光発電設備に共通となるように機械学習されている）。

エンコーダー４２－３は、ＬＳＴＭ層を含むニューラルネットワークを備え、そのニューラルネットワークで、将来の複数時点での気象予報値を示す気象予報データを特徴ベクトルに変換する。気象予報値は、気温、気圧、湿度、雲面積比率、降水量、風向き、風速などを含む。エンコーダー４２－３は、すべての太陽光発電設備に共通のものである（つまり、複数の太陽光発電設備に共通となるように機械学習されている）。

エンコーダー４２－４は、ＬＳＴＭ層を含むニューラルネットワークを備え、そのニューラルネットワークで、将来の複数時点での雲面積比率予報値を示す雲面積比率予報データおよび時間データを特徴ベクトルに変換する。なお、時間データは、上述の複数時点の時間（１日の中での時刻など）の値である。エンコーダー４２－４は、すべての太陽光発電設備に共通のものである（つまり、複数の太陽光発電設備に共通となるように機械学習されている）。

データ連結部４３は、日射量予測部４１により得られた日射量予測値、およびエンコーダー４２－１～４２－４により生成される特徴ベクトルを連結し、１つの特徴ベクトルとする。

発電量予測部４４は、ニューラルネットワークを備え、そのニューラルネットワークで、データ連結部４３により得られた特徴ベクトルから将来の複数時点での発電量予測値を導出する。なお、発電量予測値は、当該太陽光発電設備の発電量の予測値であり、電力の値でもよいし、電力量の値でもよい。ここで、将来の複数時点は、現時点から例えば３時間後、６時間後、２４時間後などといった期間における、例えば５分間隔、１５分間隔、３０分間隔などといった所定時間間隔で到来する時点である。

機械学習処理部２６は、太陽光発電量予測部２５における学習器（ここでは、ニューラルネットワーク）の機械学習を既存の学習方法（誤差逆伝播法など）で行う。具体的には、機械学習処理部２６は、その学習器の入力データと出力データとの対を複数セット含む学習データを使用して、その学習器のパラメータ（ここでは、ニューラルネットワークの重みおよびバイアス）を更新していく。

なお、機械学習処理部２６は、日射量予測部４１を、発電設備ごとに個別的に事前に機械学習される。ここで、各発電設備には日射量計が設置されており、この日射量計によって各発電設備の日射量の実測データが得られ、この機械学習の学習データに使用される。

機械学習処理部２６は、過去予報推定部２２により生成された過去の気象予報履歴データを入力データ（上述の気象予報データ）として使用して太陽光発電量予測部２５における学習器の機械学習を行う。

次に、上記太陽光発電量予測システムの動作について説明する。

（ａ）太陽光発電量の予測

入力データ取得部２４は、上述のように、空画像履歴データ、発電条件履歴データ、人工衛星予報データ、気象予報データ、および雲面積比率予報データを入力データとして取得し、太陽光発電量予測部２５は、その入力データから、将来の複数の時点における太陽光発電量予測値を導出する。

（ｂ）太陽光発電量予測部２５の機械学習

（ｂ１）学習データの生成

まず、過去実データ取得部２１が、過去の複数時点についての気象実履歴データ、雲面積比率履歴データ、時間履歴データ、および太陽位置履歴データを取得する。例えば、過去実データ取得部２１は、過去の複数時点の気象実履歴データおよび雲面積比率履歴データを外部サーバーから取得し、また、その複数時点についての時間履歴データおよび太陽位置履歴データを生成する。

次に、過去予報推定部２２は、取得した気象実履歴データ、雲面積比率履歴データ、時間履歴データ、および太陽位置履歴データから、過去の複数時点について、気象実履歴データに対応する気象予報履歴データを導出する。

なお、雲面積比率予報データおよび人工衛星予報データも、気象予報データ（つまり、上述の気象予報履歴データ）と同様にして、過去予報推定部２２で生成してもよい。

（ｂ２）機械学習

日射量予測部４１は、複数の太陽光発電設備について共通して使用される。機械学習処理部２６は、まず、日射量予測部４１の機械学習を行う。その際、各太陽光発電設備での空画像履歴データと日射量実測値との対が学習データとされ、複数の太陽光発電設備についての学習データがまとめられ、日射量予測部４１の機械学習に使用される。

次に、過去の複数時点についての、空画像履歴データ、気象予報データ（つまり、上述の気象予報履歴データ）、雲面積比率予報データ、人工衛星予報データ、および発電条件履歴データと、その過去の複数時点からそれぞれみた将来の複数時点での実際の発電量との対が学習データとされ、機械学習処理部２６は、その学習データを使用して、太陽光発電量予測部２５の機械学習を行う。その際、日射量予測部４１のエンコーダー５１，５２については更新されず、日射量予測部４１の機械学習の結果のままとされる。

上述のように、複数の太陽光発電設備についてそれぞれ得られる実測データなどに基づいて、学習データが生成され、その複数の太陽光発電設備に共通な過去予報推定部２２および太陽光発電量予測部２５が、その学習データに基づいて機械学習される。

以上のように、上記実施の形態によれば、過去予報推定部２２では、過去の気象実履歴データを入力データとする学習器で過去の気象予報履歴データが推定されて生成される。ここで、過去の気象実履歴データは、過去の複数時点での気象実履歴データであって、過去の気象予報履歴データは、過去の複数時点での気象予報履歴データである。そして、機械学習処理部２６では、過去予報推定部２２で生成された過去の気象予報履歴データを使用して、太陽光発電量予測部２５における学習器の機械学習が行われる。

これにより、気象予報データを入力データとしている学習器を使用して太陽光発電量を予測する際に、適切な過去の気象予報データ（つまり、気象予報履歴データ）が短時間で推定可能となるため、比較的短時間で適切な機械学習を行い正確な太陽光発電量の予測を開始することができる

さらに、過去のどの時点での予報値でも推定でき、また、過去予報推定部２２によって、そもそも気象予報が局所的にされていない地点（発電設備）での気象予報も推定できるため、いずれの地点（発電設備）についても十分に多くの学習データが得られ、適切な機械学習が行われる。

なお、上述の実施の形態に対する様々な変更および修正については、当業者には明らかである。そのような変更および修正は、その主題の趣旨および範囲から離れることなく、かつ、意図された利点を弱めることなく行われてもよい。つまり、そのような変更および修正が請求の範囲に含まれることを意図している。

例えば、上記実施の形態における過去実データ取得部２１、過去予報推定部２２、および機械学習処理部２３を備える装置を過去予報推定装置としてもよい。その場合、その過去予報推定装置は、入力データ取得部２４、太陽光発電量予測部２５、および機械学習処理部２６を備えていなくてもよい。また、その過去予報推定装置（および、その過去予報推定装置において実行される過去予報推定方法）で得られた過去の気象予報データは、太陽光発電量の予測以外の用途にも使用可能である。

また、上記実施の形態において、プログラム１１，１２は、それぞれ、可搬性のあるコンピューター読取可能な記録媒体に記録され、その記録媒体から当該装置にインストールされるようにしてもよい。

本発明は、例えば、太陽光発電量の予測に適用可能である。

１１ 過去予報推定プログラム
１２ 太陽光発電量予測プログラム
２２ 過去予報推定部
２３ 機械学習処理部（第２機械学習処理部の一例）
２５ 太陽光発電量予測部
２６ 機械学習処理部（第１機械学習処理部の一例）

Claims (10)

1. 気象予報データを入力データとする第１学習器で太陽光発電量を予測する太陽光発電量予測部と、
   過去の気象実履歴データから過去の気象予報履歴データを推定して生成する過去予報推定部と、
   前記過去予報推定部により生成された前記過去の気象予報履歴データを使用して前記第１学習器の機械学習を行う第１機械学習処理部と、
   を備えることを特徴とする太陽光発電量予測システム。
2. 前記太陽光発電量予測部は、前記気象予報データ、および前記太陽光発電量を予測する対象である発電設備から撮影装置で空を撮影して得られた空画像履歴データを入力データとする前記第１学習器で太陽光発電量を予測し、
   前記第１学習器は、（ａ）前記空画像履歴データから日射量予測データを生成し、（ｂ）前記日射量予測データおよび前記気象予報データから前記太陽光発電量の予測値を生成すること、
   を特徴とする請求項１記載の太陽光発電量予測システム。
3. 第２機械学習処理部をさらに備え、
   前記過去予報推定部は、第２学習器で前記過去の気象実履歴データから前記過去の気象予報履歴データを推定して生成し、
   前記第２機械学習処理部は、前記第２学習器の機械学習を行うこと、
   を特徴とする請求項１記載の太陽光発電量予測システム。
4. 気象予報データを入力データとする第１学習器で太陽光発電量を予測する太陽光発電量予測ステップと、
   過去の気象実履歴データから過去の気象予報履歴データを推定して生成する過去予報推定ステップと、
   前記過去予報推定ステップで生成された前記過去の気象予報履歴データを使用して前記第１学習器の機械学習を行う機械学習処理ステップと、
   を備えることを特徴とする太陽光発電量予測方法。
5. コンピューターに、
   気象予報データを入力データとする第１学習器で太陽光発電量を予測する太陽光発電量予測ステップと、
   過去の気象実履歴データから過去の気象予報履歴データを推定して生成する過去予報推定ステップと、
   前記過去予報推定ステップで生成された前記過去の気象予報履歴データを使用して前記第１学習器の機械学習を行う機械学習処理ステップと、
   を実行させる太陽光発電量予測プログラム。
6. 過去の気象実履歴データを入力データとする学習器で過去の気象予報履歴データを推定して生成する過去予報推定部を備え、
   前記過去の気象実履歴データは、過去の複数時点での気象実履歴データであって、
   前記過去の気象予報履歴データは、前記過去の複数時点での気象予報履歴データであること、
   を特徴とする過去予報推定装置。
7. 前記過去予報推定部は、前記過去の気象実履歴データ、並びに雲面積比率履歴データおよび太陽位置履歴データを入力データとして学習器で前記過去の気象予報履歴データを推定して生成することを特徴とする請求項６記載の過去予報推定装置。
8. 前記学習器は、前記過去の気象実履歴データと特定の気象予報提供者の過去の気象予報履歴データとを学習データとして機械学習されており、
   前記過去予報推定部は、前記特定の気象予報提供者についての前記過去の気象予報履歴データを推定して生成すること、
   を特徴とする請求項６記載の過去予報推定装置。
9. 過去の気象実履歴データを入力データとする学習器で過去の気象予報履歴データを推定して生成する過去予報推定ステップを備え、
   前記過去の気象実履歴データは、過去の複数時点での気象実履歴データであって、
   前記過去の気象予報履歴データは、前記過去の複数時点での気象予報履歴データであること、
   を特徴とする過去予報推定方法。
10. コンピューターに、
    過去の気象実履歴データを入力データとする学習器で過去の気象予報履歴データを推定して生成する過去予報推定ステップを実行させ、
    前記過去の気象実履歴データは、過去の複数時点での気象実履歴データであって、
    前記過去の気象予報履歴データは、前記過去の複数時点での気象予報履歴データであること、
    を特徴とする過去予報推定プログラム。