メインコンテンツへ

気象モデル

背景

気象は、電力の需給に影響を与えます。太陽光発電所と風力発電所の出力を決定し、電力消費を促進します。価格は需給によって決定されるため、気象は電力市場の価格に大きな影響を与えます。

リアルな将来の気象データを作成する、統一されたグローバル気象モデルを開発しました。場所と時間範囲を指定すると、Tensor気象モデルは2099年までの気象データを作成します。

気象モデルは、過去の気象データを使用し、それを将来に投影します。つまり、シミュレーションされた将来の各時点は、過去の特定の時点に対応します。たとえば、2030年4月1日の将来の気象データを作成する場合、この日は2010年4月1日の気象データに基づいている可能性があります。

これは、気象モデルが意味のある短期的な予測を提供できないことも意味します。これは、地球の気象システムの物理的なシミュレーションではなく、スーパーコンピューターもGoogle GraphCastのような気象予測ディープラーニングモデルも必要としないためです。

はじめにで説明したように、将来の気象データは、Tensor Cloudシミュレーションエンジンのインプットとして使用されます。

  • 太陽光発電および蓄電池プロジェクトのシミュレーション
  • 電力電力価格のフォワードカーブの作成
  • 出力抑制シミュレーション

開発目標

Tensor気象モデルを開発する際、主な目標は銀行融資可能性でした。このために、説明可能性、統計的正確性、および内部整合性という3つの主要なレバーに焦点を当てました。これらは、特定の再生可能エネルギーまたは蓄電池プロジェクトが銀行融資可能になるための前提条件であると考えています。

説明可能性

気象モデルはブラックボックスではありません。以下のモデルの計算ロジックに従うことで、将来の気象の各年を過去の特定の年にトレースできます。データ系統の追跡を可能にし、Tensor Cloudシミュレーション結果に対する信頼を高めるために、(TMYアプローチを使用するなどして)気象を合成的に生成しないことを明示的に選択しました。

統計的正確性

将来の気象を生成するアプローチの追加の利点は、長期間にわたって、同じ年を単純に繰り返す一部の代替手段よりも本質的に正確であることです。その理由は、過去の気象の実績を何十年も繰り返す連続した時系列が、過去の気象の完全なランダム性を捉えるためです。つまり、プロジェクトのデジタルツインは、現実で観察されるのと同様に、極端な暑さや雨のスパイクにさらされる可能性があります。

ただし、トレードオフがあります。長期間(つまり、数年)にわたって、このアプローチはより正確になりますが、資産管理者が実際のプロジェクトパフォーマンスとシミュレーション結果を月単位で比較する必要がある場合、資産管理の観点からは問題になる可能性があります。

TMY(標準的な気象年)アプローチを使用すると、月単位の解像度で見た場合により均質な結果が得られます。Tensor気象モデルに加えてTMY気象を使用することに関心がある場合は、お問い合わせください。

内部整合性

シミュレーションを実行する場合

将来のプロジェクトをシミュレートするには、将来の日本の任意の場所で気象データを提供する必要があり、このデータは相互に整合性がある必要があります。これにより、同じゾーンの異なるプロジェクトで同様の気象が発生し、全てのプロジェクトで正しい気象相関関係で同じ価格が発生します。これを実現するために、過去の気象データを使用し、それを将来に再インデックスします。

シミュレーションでは、プロジェクトの場所からの気象パターンを使用して太陽光発電量を推定し、特定の地点からの気象を使用して価格生成モデルに影響を与えるため、各プラントの太陽光発電量とプラントが発生する価格との間に相関関係があります。

九州の晴れた日を考えてみましょう。プラントは多くの電力を生成しますが、非常に晴れているため、他の多くのプラントも多くの電力を生成し、価格はゼロになります。この相関関係がなければ、プラントがピーク出力であるにもかかわらず、実際には収益を生成していないことを知る方法はありません。

気候変動

現在、Tensor気象モデルは、過去の気象を繰り返すだけなので、気候変動の影響を考慮していません。調査チームは、気温の上昇やより極端な気象イベントを含む長期的なIPCCシナリオを気象モデルに組み込む方法を検討しています。

そうは言っても、Tensor Cloudは気候リスク管理プラットフォームではありません。長期的な気候予測に関する不確実性を考慮して、プロジェクトシミュレーションモデルでは気候変動を無視するという、再生可能エネルギー業界における現在の一般的な慣行に従うことを選択しました。

計算ロジック

過去の時間

過去の時間(過去のCOD日付から現在までのプロジェクトの場合)については、プロジェクトの場所からの過去の実際の気象データを使用します。

将来の時間

将来の日付については、過去の気象実績をそれらの将来の日付にマッピングして気象を生成します。同じ年の期間の過去の気象を取得し、将来の日付に合うように再インデックスします。特に、過去の各年YYについて、次のように定義される新しい年YY'を割り当てます。

Y=Y+(252Y8)16Y' = Y + (252 - \left \lfloor \frac{Y}{8} \right \rfloor) \cdot 16

これにより、2099年までの任意の年の意味のある日付が生成され、過去のより近い気象日付を使用して、将来のより近い気象をシミュレートすることが保証されます。

image

情報

上記のマッピングに基づいて、プラットフォームは将来の時間を過去の次の期間にマッピングします。

2024〜2031年の期間-> 2008〜2015年にマッピング
2032〜2039年の期間-> 2000〜2007年にマッピング
2040〜2047年の期間-> 1992〜1999年にマッピング

2016年から現在までの気象データはモデルのトレーニングに使用されるため、除外します。これにより、トレーニング済みのモデルへのインプットとしてトレーニングデータを使用することを回避できます。

データソース

過去の気象データは、いくつかのデータセットから取得されます。各場所について、これらのデータセットを組み合わせて、最も正確な過去の気象条件を取得します。

データセット空間解像度時間解像度データの可用性更新頻度
ECMWF IFS9 km1時間2017年から現在まで毎日、2日遅れ
ERA50.25° (~25 km)1時間1940年から現在まで毎日、5日遅れ
ERA5-Land0.1° (~11 km)1時間1950年から現在まで毎日、5日遅れ