JP2024064060A - 太陽光発電管理方法、太陽光発電管理プログラム、および、太陽光発電管理システム - Google Patents

Abstract

【課題】太陽光発電パネル上の着雪状況を高精度に予測する。
【解決手段】実施形態の太陽光発電管理方法は、着雪状況の予測対象の太陽光発電パネルの設置場所を含む所定地域の撮影画像データ、および、気象予測データに基づいて、予測対象時刻における前記所定地域の積雪状況を予測し、積雪予測結果を出力する積雪予測ステップと、前記積雪予測結果に基づいて、前記予測対象時刻における前記太陽光発電パネルの着雪状況を予測し、着雪予測結果を出力する着雪予測ステップと、を含む。
【選択図】図５

Description

本発明の実施形態は、太陽光発電管理方法、太陽光発電管理プログラム、および、太陽光発電管理システムに関する。

近年、異常気象に起因する災害の常態化による非常時対策や、電力会社、産業需要家の経営戦略としての再エネ（再生可能エネルギー発電機）の導入により、インフラに関する課題や事象と気象情報の相関性が高くなっている。再エネについて、例えば、太陽光発電設備（以下、「ＰＶ」（Photovoltaic）とも称する。）の発電量予測の高度化技術が必要とされている。そして、高精度なＰＶ発電量予測を実施することで、最終的には再エネバランシングにおけるインバランスコストの低減等に寄与することが可能になる。

ＰＶ発電量予測は、例えば、衛星画像データや日射量データなどを用いて実施される。しかし、ＰＶパネル上に着雪がある場合には、ＰＶ発電量は減少するため、着雪を考慮しないと、発電量の予測値と実際値の間に大きな乖離が発生する可能性がある。

その対策として、例えば、主に積雪深や降雪終了後の経過日数の情報を用いてＰＶパネル上の着雪状況を予測する技術がある。

特許６８５２６２１号公報

しかしながら、ＰＶパネル上の着雪状況は、積雪深や降雪終了後の経過日数以外にも影響されるので、上述の従来技術では、予測精度の点で改善の余地がある。

そこで、本発明が解決しようとする課題は、太陽光発電パネル上の着雪状況を高精度に予測可能な太陽光発電管理方法、太陽光発電管理プログラム、および、太陽光発電管理システムを提供することである。

実施形態の太陽光発電管理方法は、着雪状況の予測対象の太陽光発電パネルの設置場所を含む所定地域の撮影画像データ、および、気象予測データに基づいて、予測対象時刻における前記所定地域の積雪状況を予測し、積雪予測結果を出力する積雪予測ステップと、前記積雪予測結果に基づいて、前記予測対象時刻における前記太陽光発電パネルの着雪状況を予測し、着雪予測結果を出力する着雪予測ステップと、を含む。

図１は、従来技術におけるＰＶ発電量とＰＶ発電量予測結果の時間的推移の例を示すグラフである。 図２は、第１実施形態の太陽光発電管理装置の機能構成を示すブロック図である。 図３は、第１実施形態における第１の着雪予測アルゴリズムを模式的に示す図である。 図４は、第１実施形態における第２の着雪予測アルゴリズムを模式的に示す図である。 図５は、第１実施形態の太陽光発電管理装置による処理を示すフローチャートである。 図６は、第２実施形態の太陽光発電管理装置の機能構成を示すブロック図である。 図７は、第２実施形態の太陽光発電管理装置による処理を示すフローチャートである。

以下、本発明の太陽光発電管理方法、太陽光発電管理プログラム、および、太陽光発電管理システムの実施形態（第１実施形態、第２実施形態）について、図面を参照して説明する。

（前提）
図１は、従来技術におけるＰＶ発電量とＰＶ発電量予測結果の時間的推移の例を示すグラフである。ここでは、晴天の１日の太陽光発電量予測結果Ｐと実際の出力値Ｒ１を示している。

通常、晴天の日の太陽光発電量予測結果は、図１の符号Ｐのようになる。そして、実際の出力値は概ねそれに追従するものと考えられる。しかし、その前日に降雪があり、ＰＶパネル（太陽光発電パネル）に着雪があると、実際の出力値が太陽光発電量予測結果に追従しなくなる。

ここでは、ＰＶパネルにおいて、日の出より少し後の時刻ｔ０の時点で着雪があり、その着雪が時刻ｔ１ごろから融解や滑落によって少しずつなくなり始め、時刻ｔ２までに着雪が完全になくなったものとする。なお、ＰＶパネル上の着雪有無は地面上の積雪有無と関連があると考えられるが、日本国内のＰＶパネルは１０°程度の傾斜（緯度によっても異なる。）を持って設置されているため、ＰＶパネル上の雪が滑落する可能性がある。また、積雪のあった翌日の天候が良い場合には、ＰＶパネルの温度が上がることで融雪または雪の滑落が発生することがある。

図１の例では、実際の出力値は、符号Ｒ１に示すように、時刻ｔ０～ｔ１の間はゼロで、時刻ｔ１から増え始め、時刻ｔ２で太陽光発電量予測結果Ｐに追いつく。つまり、時刻ｔ０から時刻ｔ２の少し前までの時間帯は、ＰＶパネル上の着雪のせいで、実際の出力値Ｒ１が日射量と比例しない。

なお、ＰＶパネル上の着雪状況を認識するために、そのためのカメラやセンサを取り付ける方法もあるが、それでは、手間やコストの点で問題がある。したがって、そのためのカメラやセンサを取り付けずに、ＰＶパネル上の着雪状況を高精度に予測したいというニーズがある。

しかし、上述のように、主に積雪深や降雪終了後の経過日数の情報を用いてＰＶパネル上の着雪状況を予測するという従来技術では、予測精度の点で改善の余地がある。そこで、以下では、ＰＶパネル上の着雪状況を従来よりも高精度に予測可能な技術について説明する。

なお、本明細書では、ＰＶパネル上に雪が付着している状態を「着雪」と称し、それ以外の地面等に雪が積もっている状態を「積雪」と称する。

（第１実施形態）
図２は、第１実施形態の太陽光発電管理装置１の機能構成を示すブロック図である。太陽光発電管理装置１は、コンピュータ装置であり、処理部２と、記憶部３と、入力部４と、出力部５と、通信部６と、を備える。

なお、太陽光発電管理装置１の機能の一部は、例えば、クラウドコンピューティングによっても実現できるが、本実施形態では、説明を簡潔にするために、太陽光発電管理装置１は１台のコンピュータ装置であるものとして説明する。

記憶部３は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ（Flash Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）等によって実現される。記憶部３は、例えば、処理部２の動作プログラムや各種データや処理部２による各種演算結果などを記憶する。

具体的には、記憶部３は、例えば、ＰＶパネル上の着雪状況の予測などに使用するためのデータとして、ＰＶパネルの設置場所（以下、単に「設置場所」とも称する。）を含む所定地域の撮影画像データ（衛星画像データなど）や、その所定領域の気象予測データ（気温、湿度、日射量など）や、閾値判定用データや、機械学習用データや、設置場所の位置情報や、予測対象時刻に関する時間特性情報（季節、時間帯（朝、昼、夜など）などの特性（気温、湿度、日射量など）の情報）などを記憶する。

処理部２は、例えば、ＣＰＵ（Central Processing Unit）によって実現される。処理部２は、記憶部３に記憶された動作プログラムや各種データに基づいて動作することで、機能部として、取得部２１、積雪予測部２２、着雪予測部２３を実現する。

取得部２１は、記憶部３や外部装置などから各種情報を取得する。

積雪予測部２２は、着雪状況の予測対象の太陽光発電パネルの設置場所を含む所定地域（以下、単に「所定領域」とも称する。）の撮影画像データ（例えば衛星画像データ）、および、気象予測データに基づいて、予測対象時刻における所定地域の積雪状況を予測し、積雪予測結果を出力する。

例えば、積雪予測部２２は、衛星画像データに基づいて、予測実行時点の所定地域の積雪状況を推定し、その積雪推定結果、および、気象予測データに基づいて、閾値判定または機械学習を用いて、予測対象時刻における所定地域の積雪状況を予測し、積雪予測結果として、積雪深または積雪有無の情報を出力する。

ここで、衛星画像データに基づく予測実行時点の所定地域の積雪状況の推定について説明する。衛星画像データを画像合成処理（例えばＲＧＢ(Red,Green,Blue)合成処理）することで、地上の雪の有無の他、植生や上空の雲の判定が可能となる。例えば、積雪は可視光に対して高反射率で近赤外光に対して高吸収率である一方、雲は可視光と近赤外光の両方に対して高反射率であるという特性があり、これらの特性によって積雪と雲を識別できる。

なお、使用する画像合成処理の手法（レシピ）は、例えば、可視光の合成結果となるものや雪や霧を見分けるためのものなどが考えられるが、そのほかに、複数の手法を組み合わせて使用することも可能である。

次に、予測実行時点（例えば現在）の所定地域の積雪推定結果と気象予測データに基づく予測対象時刻（例えば翌日）における所定地域の積雪状況の予測について説明する。この予測には、例えば、閾値判定と機械学習の２種類の手法を用いることができる。

閾値判定の場合、パラメータを用いて閾値を判定する。また、機械学習の場合、例えば、ランダムフォレスト、回帰分析、ロジスティック回帰などを用いる。また、積雪予測結果は、例えば、積雪深と積雪有無の２種類が考えられるが、積雪深に対して最終的に閾値を設定して積雪有無の２値分類とすることも可能である。

なお、閾値判定と機械学習を比較すると、機械学習における積雪予測モデルの学習データ量がある程度多い場合は機械学習のほうが高精度で、その学習データ量がある程度少ない場合は閾値判定のほうが高精度であると考えられる。なぜなら、学習データ量が充分でないと積雪予測モデルが過学習となる可能性があるためである。したがって、その境界の学習データ量を第１所定値とする。

そして、積雪予測部２２は、例えば、機械学習における積雪予測モデルの学習データ量が第１所定値未満であれば、閾値判定を用い、機械学習における積雪予測モデルの学習データ量が第１所定値以上であれば、機械学習を用いる。具体的には、例えば、データが取りづらい地点について、学習データ量が第１所定値未満であれば閾値判定を用いる。また、システム導入直後で学習データ量が第１所定値未満のときは閾値判定を用いて積雪予測を実施し、所定期間が経過して学習データ量が第１所定値以上になった後に予測手法を機械学習に切り替える、といった運用が可能である。このようにして、学習データ量に応じて閾値判定と機械学習を適切に使い分けることができる。

また、積雪予測モデルについて、対象範囲は任意に決定することができる。つまり、例えば、全国一律のモデルとしてもよいし、あるいは、エリア別のモデルとしてもよい。ここで、エリアは、市区町村、都道府県、地方といった行政単位の区分であってもよいし、あるいは、実行者が任意で設定することも可能である。

例えば、ある県内に太陽光発電所を複数設置している事業者が、県内の全発電所一括の積雪予測モデルを作成することが可能である。また、当該事業者が、県内でエリア区分を指定して、エリアごとの積雪予測モデルを作成することも可能である。ただし、任意にエリアを設定する場合には、そのエリアの気象予測データが最低１地点以上について用意できることが条件である。

着雪予測部２３は、積雪予測結果に基づいて、予測対象時刻における太陽光発電パネルの着雪状況を予測し、着雪予測結果を出力する。

例えば、着雪予測部２３は、積雪予測結果に加えて、気象予測データ、設置場所の位置情報、予測対象時刻に関する時間特性情報のうち少なくともいずれかに基づいて、閾値判定または機械学習を用いて、予測対象時刻における太陽光発電パネルの着雪状況を予測し、着雪予測結果として、着雪有無または着雪確率の情報を出力する。

以下、図３を用いて着雪有無の情報を出力する場合について説明し、図４を用いて着雪確率の情報を出力する場合について説明する。図３は、第１実施形態における第１の着雪予測アルゴリズムを模式的に示す図である。図４は、第１実施形態における第２の着雪予測アルゴリズムを模式的に示す図である。

図３では、まず、ステップＳ１１において、予測対象時刻に地面上に積雪があるか否かを判定し、Ｙｅｓの場合はステップＳ１２に進み、Ｎｏの場合はステップＳ１３に進んで着雪なしと判定して処理を終了する。

ステップＳ１２において、直近ｈ時間に積雪があるか否かを判定し、Ｙｅｓの場合はステップＳ１４に進み、Ｎｏの場合はステップＳ１５に進んで着雪なしと判定して処理を終了する。

ステップＳ１４において、直近ｈ時間の平均気温が温度閾値Ｔ未満か否かを判定し、Ｙｅｓの場合はステップＳ１６に進み、Ｎｏの場合はステップＳ１７に進んで着雪なしと判定して処理を終了する。

ステップＳ１６において、直近ｈ時間の平均日射量が日射量閾値Ｒ未満か否かを判定し、Ｙｅｓの場合はステップＳ１８に進んで着雪ありと判定して処理を終了し、Ｎｏの場合はステップＳ１９に進んで着雪なしと判定して処理を終了する。

次に、図４では、まず、ステップＳ２１において、予測対象時刻に地面上に積雪があるか否かを判定し、Ｙｅｓの場合はステップＳ２２に進み、Ｎｏの場合はステップＳ２３に進んで着雪確率０％と判定して処理を終了する。

ステップＳ２２において、直近ｈ時間に積雪があるか否かを判定し、Ｙｅｓの場合はステップＳ２４に進み、Ｎｏの場合はステップＳ２５に進んで着雪確率１０％と判定して処理を終了する。

ステップＳ２４において、直近ｈ時間の平均気温が温度閾値Ｔ未満か否かを判定し、Ｙｅｓの場合はステップＳ２６に進み、Ｎｏの場合はステップＳ２７に進んで着雪確率５０％と判定して処理を終了する。

ステップＳ２６において、直近ｈ時間の平均日射量が日射量閾値Ｒ未満か否かを判定し、Ｙｅｓの場合はステップＳ２８に進んで着雪確率１００％と判定して処理を終了し、Ｎｏの場合はステップＳ２９に進んで着雪確率８０％と判定して処理を終了する。

このようにして、着雪予測について、予測結果を単純な着雪ありなしの２値で判定することもでき、また、確率として判定することもできる。

なお、図３、図４で用いた判定条件は例であり、これらに限定されない。ほかに、予測対象設備の緯度、経度といった位置情報や、ＰＶパネルの傾斜角や素材といった設備情報や、時刻や季節といった時間特性情報などを用いてもよい。これらの情報は、ＰＶパネル上の雪の融解や滑落に関係する情報となるため、着雪予測精度向上に有効である。また、図４に示した判定結果の確率の値についても任意に設定が可能であり、判定条件と同様に予測対象設備ごとに位置情報、設備情報、時間特性情報などを用いて確率の値を変動させることも可能である。

図２の説明に戻って、また、着雪予測部２３は、機械学習における着雪学習モデルの学習データ量が第２所定値未満であれば、閾値判定を用い、機械学習における着雪学習モデルの学習データ量が第２所定値以上であれば、機械学習を用いる。これも、積雪予測の場合と同様、学習データ量が充分でないとモデルが過学習となる可能性があるため、その境界の学習データ量を第２所定値とし、閾値判定と機械学習を適切に使い分ける。

入力部４は、ユーザによる情報入力手段であり、例えば、マウスやキーボードやタッチパネルである。

出力部５は、ＬＣＤ（Liquid Crystal Display）等の表示装置や、スピーカなどの音声出力装置である。

通信部６は、外部装置や電力系統内の各種センサ等と各種情報の通信（送受信）を行うための通信インタフェースである。

図５は、第１実施形態の太陽光発電管理装置１による処理を示すフローチャートである。まず、ステップＳ１において、積雪予測部２２は、衛星画像データに基づいて、現在（予測実行時点）の所定地域の積雪状況を推定する。

次に、ステップＳ２において、積雪予測部２２は、ステップＳ１による積雪推定結果、および、気象予測データに基づいて、閾値判定または機械学習を用いて、予測対象時刻における所定地域の積雪状況を予測し、積雪予測結果を出力する。例えば、ステップＳ１の推定結果を用いて、当該地点の積雪有無予測を実施し、当日から所定日数分（例えば、１週間程度）の積雪予測結果を得る。

次に、ステップＳ３において、着雪予測部２３は、ステップＳ２による積雪予測結果に加えて、気象予測データ、設置場所の位置情報、予測対象時刻に関する時間特性情報のうち少なくともいずれかに基づいて、閾値判定または機械学習を用いて、予測対象時刻における太陽光発電パネルの着雪状況を予測し、着雪予測結果を出力する。

このようにして、第１実施形態の太陽光発電管理装置１によれば、上述のように、まず、衛星画像データなどに基づいて現在（予測実行時点）の所定地域の積雪状況を推定し、次に、その積雪推定結果や気象予測データなどに基づいて予測対象時刻における所定地域の積雪状況を予測し、次に、その積雪予測結果に基づいて予測対象時刻における太陽光発電パネルの着雪状況を予測する。このような段階的な処理によって、専用のカメラやセンサを取り付けないという条件下で、ＰＶパネル上の着雪状況を従来よりも高精度に予測することができる。

また、着雪予測結果は、その後の各種情報処理に用いることができる。その例として、着雪予測結果に基づいて太陽光発電量予測結果を補正する場合について、次の第２実施形態で説明する。

（第２実施形態）
第２実施形態について説明する。第１実施形態と同様の事項については、説明を適宜省略する。図６は、第２実施形態の太陽光発電管理装置１の機能構成を示すブロック図である。図２と比較して、処理部２に補正部２４が追加されている。

取得部２１は、ＰＶパネルによる太陽光発電量予測結果を取得する。この太陽光発電量予測結果は、太陽光発電管理装置１によって作成してもよいし、あるいは、他のコンピュータ装置から取得してもよい。

補正部２４は、着雪予測結果に基づいて、太陽光発電量予測結果を補正する。補正部２４は、例えば、着雪予測結果に応じた補正係数に基づいて、太陽光発電量予測結果を補正する。

以下、太陽光発電量予測結果の補正について詳述する。例えば、着雪ありと判定された時刻について、補正係数ｃ_ｒ（０≦ｃ_ｒ≦１）を発電出力予測結果に掛け合わせる等の方法が考えられる。

また、この補正係数の算出方法について、一定値を用いる場合と変動値を用いる場合が考えられる。一定値を用いる場合は、任意のエリア単位、任意の期間においてあらかじめ補正係数の値を決めておきシステムに与えるという方法が考えられる。

変動値を用いる場合は、変動のさせ方として、時間情報（季節ごと、月ごと、週ごと、日ごと、時間帯ごとなど）を用いる方法や、着雪予測結果の着雪確率を用いる方法や、補正対象の太陽光発電設備の緯度・経度といった位置情報を用いる方法などが考えられる。

着雪予測結果の着雪確率を用いる場合は、例えば、着雪確率が１０％の場合は補正係数を０．９にして、着雪確率が２０％の場合は補正係数を０．８にする、という計算方法が考えられる。つまり、着雪確率をＳＰ、補正係数をＣＦとした場合、以下の式（１）によって補正係数を計算することができる。
ＣＦ＝（１００－ＳＰ）×０．０１ ・・・（１）

図７は、第２実施形態の太陽光発電管理装置１による処理を示すフローチャートである。ステップＳ１～Ｓ３については、図５のステップＳ１～Ｓ３と同様である。

ステップＳ３の後、ステップＳ４において、補正部２４は、ＰＶ発電量予測結果の補正が必要か否かを判定し、Ｙｅｓの場合はステップＳ５に進み、Ｎｏの場合は処理を終了する。

ステップＳ５において、補正部２４は、着雪予測結果に応じた補正係数などに基づいて、太陽光発電量予測結果を補正する。

このようにして、第２実施形態によれば、着雪予測結果に基づいて太陽光発電量予測結果を補正することで、高精度な太陽光発電量予測結果を得ることができる。

以上、本発明の実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これらの実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これらの実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

また、本実施形態の太陽光発電管理装置１で実行されるプログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ（Compact Disc）－ＲＯＭ（Read Only Memory）、フレキシブルディスク（ＦＤ）、ＣＤ－Ｒ（Recordable）、ＤＶＤ（Digital Versatile Disk）等のコンピュータ装置で読み取り可能な記録媒体に記録して提供することができる。また、当該プログラムを、インターネット等のネットワーク経由で提供または配布するようにしてもよい。

なお、ＰＶパネルの着雪予測と太陽光発電量予測結果の補正は、同一の装置（プログラム）によって実行されてもよいし、あるいは、別々の装置（プログラム）で実行されてもよい。後者の場合については、例えば、第１実施形態のようにして太陽光発電管理装置１においてＰＶパネルの着雪予測を行ってその着雪予測結果を他のコンピュータ装置に送信し、当該他のコンピュータ装置が、太陽光発電量予測と、着雪予測結果を用いた太陽光発電量予測結果の補正と、を行うようにすればよい。

また、ＰＶパネルの設置場所を含む所定地域の撮影画像データは、衛星画像データに限定されず、ほかに、航空写真データなどの他のデータであってもよい。

１…太陽光発電管理装置、２…処理部、３…記憶部、４…入力部、５…出力部、６…通信部、２１…取得部、２２…積雪予測部、２３…着雪予測部、２４…補正部

Claims (10)

1. 着雪状況の予測対象の太陽光発電パネルの設置場所を含む所定地域の撮影画像データ、および、気象予測データに基づいて、予測対象時刻における前記所定地域の積雪状況を予測し、積雪予測結果を出力する積雪予測ステップと、
   前記積雪予測結果に基づいて、前記予測対象時刻における前記太陽光発電パネルの着雪状況を予測し、着雪予測結果を出力する着雪予測ステップと、を含む太陽光発電管理方法。
2. 前記積雪予測ステップは、前記撮影画像データに基づいて、予測実行時点の前記所定地域の積雪状況を推定し、その積雪推定結果、および、前記気象予測データに基づいて、閾値判定または機械学習を用いて、前記予測対象時刻における前記所定地域の積雪状況を予測し、前記積雪予測結果として、積雪深または積雪有無の情報を出力する、請求項１に記載の太陽光発電管理方法。
3. 前記積雪予測ステップは、前記撮影画像データとして、衛星画像データを用いる、請求項１に記載の太陽光発電管理方法。
4. 前記着雪予測ステップは、前記積雪予測結果に加えて、前記気象予測データ、前記設置場所の位置情報、前記予測対象時刻に関する時間特性情報のうち少なくともいずれかに基づいて、閾値判定または機械学習を用いて、前記予測対象時刻における前記太陽光発電パネルの着雪状況を予測し、前記着雪予測結果として、着雪有無または着雪確率の情報を出力する、請求項１に記載の太陽光発電管理方法。
5. 前記積雪予測ステップは、
   前記機械学習における積雪予測モデルの学習データ量が第１所定値未満であれば、前記閾値判定を用い、
   前記機械学習における積雪予測モデルの学習データ量が第１所定値以上であれば、前記機械学習を用いる、請求項２に記載の太陽光発電管理方法。
6. 前記着雪予測ステップは、
   前記機械学習における着雪学習モデルの学習データ量が第２所定値未満であれば、前記閾値判定を用い、
   前記機械学習における着雪学習モデルの学習データ量が第２所定値以上であれば、前記機械学習を用いる、請求項４に記載の太陽光発電管理方法。
7. 前記太陽光発電パネルによる太陽光発電量予測結果を取得する取得ステップと、
   前記着雪予測結果に基づいて、前記太陽光発電量予測結果を補正する補正ステップと、をさらに含む、請求項１に記載の太陽光発電管理方法。
8. 前記補正ステップは、前記着雪予測結果に応じた補正係数に基づいて、前記太陽光発電量予測結果を補正する、請求項７に記載の太陽光発電管理方法。
9. コンピュータを、
   着雪状況の予測対象の太陽光発電パネルの設置場所を含む所定地域の撮影画像データ、および、気象予測データに基づいて、予測対象時刻における前記所定地域の積雪状況を予測し、積雪予測結果を出力する積雪予測部と、
   前記積雪予測結果に基づいて、前記予測対象時刻における前記太陽光発電パネルの着雪状況を予測し、着雪予測結果を出力する着雪予測部と、して機能させるための太陽光発電管理プログラム。
10. 着雪状況の予測対象の太陽光発電パネルの設置場所を含む所定地域の撮影画像データ、および、気象予測データに基づいて、予測対象時刻における前記所定地域の積雪状況を予測し、積雪予測結果を出力する積雪予測部と、
    前記積雪予測結果に基づいて、前記予測対象時刻における前記太陽光発電パネルの着雪状況を予測し、着雪予測結果を出力する着雪予測部と、を備える太陽光発電管理システム。

Images