<4D F736F F D20312D D D8F8A95F15F8B438FDB92A18BC7926E975C95F B B835E5F8BF896D896EC82EA82A282DF82A29

Size: px

Start display at page:

Download "<4D F736F F D20312D D D8F8A95F15F8B438FDB92A18BC7926E975C95F B B835E5F8BF896D896EC82EA82A282DF82A29"

みひなそや
5 years ago
Views:

九州大学応用力学研究所所報第 149 号 (1-63) 2 年 9 月複雑地形における気象庁局地数値予報モデルデータ (LFM) を用いた簡易風況推定法の試み - 串木野れいめい風力発電所を例として - * 川島泰史内田孝紀 ** (2 年 8 月 31 日受理 ) Practical Use of eather LFM Data to ind Power Field in the

1 九州大学応用力学研究所所報第 149 号 (1-63) 2 年 9 月複雑地形における気象庁局地数値予報モデルデータ (LFM) を用いた簡易風況推定法の試み - 串木野れいめい風力発電所を例として - * 川島泰史内田孝紀 ** (2 年 8 月 31 日受理 ) Practical Use of eather LFM Data to ind Power Field in the Complex Terrain In the case of the kushikinoreimei wind farm Yasushi KAAHIMA and Takanori UCHIDA -mail of corresponding author: y-kawashima@wjec.co.jp Abstract In this report, we explain the outline of the weather GPV data such as GM, MM and LFM. Next, the comparison between the actual measurement data (observed value) and the weather LFV data is reported in the Complex Terrain. Key words : eather GPV data, GM, MM, LFM, ind energy, Complex terrain 1. 緒言我々の研究グループでは, 各国の政府機関 ( 日本の場合は気象庁である ) が提供する種々の気象 GPV(Grid Point Value) データを, 風力発電分野へ適用するための基礎研究を実施している 1). 気象 GPVデータはそのデータフォーマットの複雑さやデータ転送の遅延問題などから, これまで一部の研究者しか利用できない状況にあった. その一方で, 気象 GPVデータは地球全体を網羅するものから, 局所的な地域を密にカバーするものまで多岐にわたる. よって, これらのデータを有効活用できれば, 国内のみならず世界規模で風力発電の普及に大いに貢献できると考えられる. 本報では, 気象 GPVデータの概要などを説明するとともに, 特に山間部 ( 標高 4m~m 程度 ) で利用する際の注意点とその改善方法について報告する. 数値予報では, 規則正しく並んだ格子点 (Grid Point) で大気層を細かく覆い, その格子点上の風速, 気圧, 気温などの物理量を世界中から送られてくる観測データに基づいてコンピュータでシミュレーションする. これらの計算プログラムは数値予報モデルと呼ばれる. 数値予報モデルでは, 大気の流れ ( 風 ) や, 降雨など種々の流動現象波動現象気象現象が考慮されている. 数値予報モデルの計算結果が, 数値予報 GPV( 気象 GPV データ ) と呼ばれる. これらの気象 GPVデータは, 民間の気象会社や報道機関に提供されている他, 外国の気象機関でも幅広く利用されている. 2. 気象 GPV データの概要数値予報とは, 物理学の種々の支配方程式に基づき, 風や気温などの時間変化をコンピュータで計算して将来の大気の状態を予測する方法である 2). 気象庁 JMA(Japan Meteorological Agency) は, 昭和 34 年 (199 年 ) に我が国の官公庁として初めて科学計算用の大型コンピュータシステムを導入し, 数値予報業務を開始した. その後, 数値予報モデルの進歩とコンピュータの飛躍的な性能向上に伴って, 数値予報は予報業務の根幹を形成してきた. 図 1 数値予報に用いる全球の計算格子図 * 西日本技術開発航空宇宙工学専攻社会人博士課程在籍,** 九州大学応用力学研究所

2 川島内田 : 複雑地形における気象庁局地数値予報モデルデータ (LFM) を用いた簡易風況推定法の試み 2.1 全球数値予報モデルGPV(GM) 全球数値予報モデルGM(Global pectral Model) は, 全球スペクトルモデルとも呼ばれ, 地球全体の大気を対象とした気象庁の数値予報モデルのことである.

従来のGMは地球全体の大気を水平 6km 格子, 鉛直方向に4 層に区切っていた ( 図 1を参照 ). 新しいGMでは, 地球大気を水平 2km 格子, 鉛直方向には6 層に区切って計算を実施している. 地球全体を水平 2km 格子で計算する気象庁のGM は, 天気予報などに用いられている全球数値予報モデルとしては, 世界一緻密なモデルである.

2 2 川島内田 : 複雑地形における気象庁局地数値予報モデルデータ (LFM) を用いた簡易風況推定法の試み 2.1 全球数値予報モデルGPV(GM) 全球数値予報モデルGM(Global pectral Model) は, 全球スペクトルモデルとも呼ばれ, 地球全体の大気を対象とした気象庁の数値予報モデルのことである. 運用回数は1 日 4 回 (,6,12,18UTC,UTCは協定世界時) である. 気象庁は, 平成 19 年 11 月 21 日, 全球数値予報モデル GMの空間解像度を大幅に向上した. 地球全体の大気を予報するGMの結果は, 気象庁が発表する台風予報や天気予報などのための基礎資料に活用される. 従来のGMは地球全体の大気を水平 6km 格子, 鉛直方向に4 層に区切っていた ( 図 1を参照 ). 新しいGMでは, 地球大気を水平 2km 格子, 鉛直方向には6 層に区切って計算を実施している. 地球全体を水平 2km 格子で計算する気象庁のGM は, 天気予報などに用いられている全球数値予報モデルとしては, 世界一緻密なモデルである. この変更に伴い, 領域数値予報モデルRM(Regional pectral Model) は廃止され, GM( 全球域 ) のデータから日本域に対応したデータを作成し, これをGM( 日本域 ) として新たに提供が開始された. 現在のGPV(GM) の概要を下記に再掲する. 水平格子解像度約 2km 鉛直 6 層 1 日 4 回実行, 6, 18 時 (UTC) から84 時間予報 12 時 (UTC) から216 時間予報時間時間解像度は1~12 時間用途天気予報支援 ( 今日, 明日 ~ 週間予報 ) 台風予報支援 ( 進路, 強度 ) メソモデルの側面境界条件 2.2 メソ数値予報モデルGPV(MM) メソ数値予報モデルMM(Meso cale Model) は, 日本およびその近海を対象とした気象庁の数値予報モデルのことである年 3 月に試験運用が開始され,21 年 3 月に本運用が開始された. 当時の水平解像度は1km,1 日 4 回,18 時間先までの予報が実施された.22 年 3 月には4 次元変分法が導入され,24 年 9 月に非静力学モデルが導入された. 26 年 3 月にはスーパーコンピュータシステムが更新され, これに伴いMMも改善が施された. 水平解像度が1kmから kmに高解像度化した. 同時に, 予報時間が18 時間から時間と短くなる一方で, 予報回数が1 日 4 回から1 日 8 回 (, 3, 6, 12,, 18, 21UTC) に倍増した.27 年月 16 日より 1 日 8 回の予報のうち,4 回の予報期間が33 時間に延長された.213 年月 27 日より予報期間が39 時間に延長された. 現在のGPV(MM) の概要を下記に再掲する. 水平格子解像度約 km 鉛直層 1 日 8 回実行, 3, 6, 9, 12, 18, 21 時 (UTC) 39 時間予報 MM-( 地上 ) の時間解像度は1 時間 MM-P( 気圧面 ) の時間解像度は3 時間用途防災気象情報支援降水短時間予報への利用航空予報支援 GM RM MM 注意現在の GM の地形は, RM と同程度に再現されている. 図 2 数値予報モデル GM,RM,MM における計算領域と地形解像度の比較, 地形データの計算には, 米国地質調査所 (UG) の GTOPO3 の約 1km 解像度 ( 緯経度 3 秒 ) のデータが利用されている.

3 九州大学応用力学研究所所報第149号 2年9月局地数値予報モデルGPV(LFM) 局地数値予報モデルLFM(Local Forecast Model) は 212年6月のスーパーコンピュータシステムの更新に伴い同年8月から試験運用が開始され 2年3月から本運用が開始された高分解能モデルである水平解像度は約2km 鉛直6層 9時間予報が現在の仕様である図3にはMMと LFMの地形解像度の比較を示す現在のGPV(LFM)の仕様を下記に再掲する水平格子解像度約2km 鉛直6層 1日24回実行毎正時 9時間予報地上の時間解像度は3分気圧面の時間解像度は1時間 214年3月27日から日本全体を対象に運用開始 3 気象GPVデータ(LFM-)の検証地点概要九電工新エネルギーの協力の下串木野れいめい風力発電所9号機(平成24年11月より運転を開始)を気象GPV データ(LFM- 地上高1m)の検証地点とした(表1 図4 図を参照) 表1 串木野れいめい風力発電所の概要 1号機 1号機風車メーカ出力日立製作所 HT2.-8 2,k 風車の高さ地面ハブ中心 6m 翼ブレードの直径 8m 図3 MMとLFMの地形解像度の比較弁財天山標高 19m 1 号機 9 号機検証地点現地写真著者が側から213年8月9日撮影弁財天山 1号機 9号機弁財天山標高19m 9号機 1号機図4 串木野れいめい風力発電所9号機含1号機周辺地形数値データ東西方向の地形断面と現地写真

4 4 川島内田 : 複雑地形における気象庁局地数値予報モデルデータ (LFM) を用いた簡易風況推定法の試みブレード先端高さ 1m Φ8m GPV1 2km GPV2 風車 9 号機ハブ高さ 6m 2km GPV3 GPV4 図風車の仕様 A 図 7 風車位置と気象 GPVデータの取得位置の関係 ( 風車 9 号機とGPV2の水平距離 :.18km) には, 気象 GPVデータ (LFM-, 地上高 1m) の取得位置と風車 9 号機の位置関係を示す. 本研究では,LFM2の位置で取得した気象 GPVデータ (LFM-, 地上高 1m) を用いて風車 9 号機の実測データとの比較および検証を行った. 4. 串木野れいめい風力発電所の風況 (214 年度 ) 図 6 風車ナセルに搭載された風向風速計 ( 図中のA) 本研究では, 串木野れいめい風力発電所の風車 9 号機を対象として, 気象 GPVデータ (LFM-, 地上高 1m) の検証を行った. 実測データ ( 野外観測データ ) は, 図 6に示すように, 風車ナセル搭載の風向風速の出力値を用いた. 図 7 GPV1 GPV2 km 最初に, 風車 9 号機に関して, 図 6の矢印 Aで取得された風向風速のデータを整理したので, その結果を示す ( 表 2 ~ 表 4, 図 8~ 図 1を参照 ). 実測データの取得期間は214 年度の1 年間 (8,76h) であり, データの時間間隔は1 時間である. これらの結果を観察すると, 串木野れいめい風力発電所における風況は, 卓越風向が明確に存在し, 卓越風向 (NN) の風速も約 7.m/sと高く年間平均風速も約 6.m/s あり, 風力発電には適した地域であることが分かる. 表年 4 月 ~2 年 3 月の風況特性, 方位別の出現率, 風車 9 号機, 実測データ ( 地上高 6m) ( 単位 :%) 年月静穏 N NN N N N N NN 計 km GPV 約 3km GPV 注 ) 年間 : 月別卓越風向

5 九州大学応用力学研究所所報第 149 号 2 年 9 月 2 年 1 月出現率 (%) 2 年 2 月出現率 (%) N N NN 3 N 2 1 N N N N NN N 2 1 N N 2 年 3 月出現率 (%) 214 年 4 月出現率 (%) N N NN N 2 1 N N N N NN 2 N 1 N N 214 年月出現率 (%) 214 年 6 月出現率 (%) NN 2 N NN NN 2 N NN N N N N N 1 N N 1 N 図 8 月別の出現率 (%), 風車 9 号機, 実測データ ( 地上高 6m),214 年度図中の赤枠は卓越風向を示す.

6 6 川島内田 : 複雑地形における気象庁局地数値予報モデルデータ (LFM) を用いた簡易風況推定法の試み 214 年 7 月出現率 (%) 214 年 8 月出現率 (%) N N NN N 2 1 N N N N NN 3 N 2 1 N N 214 年 9 月出現率 (%) 214 年 1 月出現率 (%) NN 2 N NN NN 2 N NN N N N N N 1 N N 1 N 214 年 11 月出現率 (%) 214 年 12 月出現率 (%) N N NN 2 N 1 N N N N NN N 2 1 N N 図 8( 続き ) 月別の出現率 (%), 風車 9 号機, 実測データ ( 地上高 6m),214 年度図中の赤枠は卓越風向を示す.

7 九州大学応用力学研究所所報第 149 号 2 年 9 月 7 表年度の風況特性, 月別および年間の平均, 風車 9 号機, 実測データ ( 地上高 6m) ( 単位 :m/s) 地上高 2 年 214 年 1 月 2 月 3 月 4 月月 6 月 7 月 8 月 9 月 1 月 11 月 12 月平均 6m 平均月 2 月 3 月 4 月月 6 月 7 月 8 月 9 月 1 月 11 月 12 月平均図 9 月別および年間の平均, 風車 9 号機, 実測データ ( 地上高 6m),214 年度表年度の風況特性, 年間の方位別の出現率 (%) および平均, 風車 9 号機, 実測データ ( 地上高 6m) 地上高項目 N NN N N N N NN 計 6m 出現頻度 (%) 平均出現率 13.8% N NN. N NN 1. N N. N. 図 1 年間の出現率 (%), 風車 9 号機, 実測データ ( 地上高 6m),214 年度図中の赤枠は卓越風向を示す.

8 8 川島内田 : 複雑地形における気象庁局地数値予報モデルデータ (LFM) を用いた簡易風況推定法の試み 1 高度補正を施した気象 GPV LFM データ 2 実測データ標高 46m =6m 風車 9 号機 ( , ) =46-23 =171m 標高 23m 18m GPV2 LFM2 備考 ) 気象 LFM データ ( 地上高 1m) (13.2, ) 図 11 気象 GPV データ (LFM-, 地上高 1m) に基づいた簡易風況推定法の概念図個数 71 2 年 1 月年 2 月図 12 実測データと気象 GPV データ (LFM-, 地上高 1m) の時系列データの比較, 図 7 に示す GPV2 位置で取得したデータ, 風車 9 号機,214 年度個数

9 九州大学応用力学研究所所報第 149 号 2 年 9 月個数 71 2 年 3 月個数年 4 月個数年月個数年 6 月図 12( 続き ) 実測データと気象 GPV データ (LFM-, 地上高 1m) の時系列データの比較, 図 7 に示す GPV2 位置で取得したデータ, 風車 9 号機,214 年度

10 6 川島内田 : 複雑地形における気象庁局地数値予報モデルデータ (LFM) を用いた簡易風況推定法の試み個数年 7 月個数年 8 月個数年 9 月個数年 1 月図 12( 続き ) 実測データと気象 GPV データ (LFM-, 地上高 1m) の時系列データの比較, 図 7 に示す GPV2 位置で取得したデータ, 風車 9 号機,214 年度

11 九州大学応用力学研究所所報第 149 号 2 年 9 月個数年 11 月個数年 12 月図 12( 続き ) 実測データと気象 GPV データ (LFM-, 地上高 1m) の時系列データの比較, 図 7 に示す GPV2 位置で取得したデータ, 風車 9 号機,214 年度月年平均図 13 実測データと気象 GPV データ (LFM-, 地上高 1m) の月別および年間における平均の比較, 図 7 に示す GPV2 位置で取得したデータ, 風車 9 号機,214 年度

12 62 川島内田 : 複雑地形における気象庁局地数値予報モデルデータ (LFM) を用いた簡易風況推定法の試み. 気象 GPV データを用いた簡易風況推定法図 11に本研究で検討した簡易風況推定法の概念図を示す. 図 7に示すように, 気象 GPVデータ (LFM-, 地上高 1m) を用いて任意地点 ( 評価地点 ) のデータを抽出する際, 評価地点の周辺には4 点の気象 GPVデータ (LFM-, 地上高 1m) が存在する. 一般的には, これら4 点の気象 GPVデータ (LFM-, 地上高 1m) をすべて用いて空間補正や高度補正を施し, 評価地点のデータを作成する. しかしながら, この方法では内在する誤差や誤差要因を特定するのが極めて困難である. そこで本研究では, 上述の空間補正は行わず, 評価地点の最寄り点に位置する気象 GPVデータ1 点のみを用い, これに標高差に基づいた高度補正を施す方法を試みる. ここで, 高度補正には風速 m/s 未満の値にべき指数 (N=) 風速 m/s 以上の値にべき指数 (N=7) を適用する. 得られた結果を図 12および図 13に示す. まず注目して頂きたいのは, 本研究の場合, 図 11に示すように実測データとGPV2の取得位置は, 高度差で231m 171m( 標高差 )+6m( ハブ高さ ) の離隔があるにも関わらず, 図 12で示した実測データと気象 GPVデータ ( 高さ補正無 ) の両者の波形 ( 時間変化 ) には, 高い相関性が見られるということである. 具体的には, 気象 GPVデータ ( 高さ補正無 ) は, 実測データに見られる日変化の挙動や, 強風が発生する時間帯 ( ピーク位置 ) などを良好に再現している. これはメソスケール規模の気圧配置などが串木野れいめい風力発電所の上空における気流場 ( 風況場 ) を決定していることを示唆している. 但し, 当然ながら実測データと気象 GPVデータ ( 高さ補正無 ) の両者の平均値には有意な差異が見られる. また, 各々の時刻で実測データと気象 GPVデータ ( 高さ補正無 ) の両者を比較すると, 波形の形そのものにも有意な違いが確認される. これは地形の凹凸などの局地的な状況の違いによると考えられる. 上記の結果を踏まえ, 気象 GPVデータ ( 高さ補正無 ) に対して, 何らかの ( 物理的な根拠に基づいた ) 補正を施し, 年平均ベースの風速値を増加させることが出来ないかというのが本研究の試みである. 本研究では, 風速 m/s 未満の値にべき指数 (N=) 風速 m/s 以上の値にべき指数 (N=7) を適用して高度補正を行った. 表および表 6には, 図 12に示す風速の時系列データ ( 時間解像度は1 時間 ) から算出した統計的指標 ( 下記を参照 ) を示す. また表 7および表 8には風速 m/sビン毎の相対誤差を示す. 本研究で提案した簡易的な高度補正を施すのみで, 実測データと気象 GPVデータの誤差は大幅に減少することが示された. 平均誤差 (M:Mean rror) 個々の予報値 ( 計算値 ) の誤差を, そのまま期間内で平均したものを平均誤差 (M) と呼ぶ. またバイアス ( 偏り ) とも呼ばれる. 平均誤差は予報の系統的な偏りを示す指数である. 平均誤差がゼロのとき, 平均的に見て予報は正にも負にも偏っていないことを示している. また, 平均誤差が正 ( 負 ) になるときは, 期間平均では予報値が実況値 ( 実測値 ) よりも高かった ( 低かった ) ことを意味する. M N i1 F A (Fi は予報値,Ai は実況値,N はデータ個数 ) 2 乗平均平方根誤差 (RM:Root Mean quare rror) 個々の予報の誤差を,2 乗して期間内で平均し, 平方根を取ったものを2 乗平均平方根誤差 (RM) と呼ぶ. 2 乗平均平方根誤差は常に正の値を示し, 予報誤差の標準的な大きさを示す指数として利用される. 値が小さくゼロに近いほど予報精度が高いことを意味し, 個々の予報の誤差の6%~7% は,±(2 乗平均平方根誤差 ) の間に収まる. RM N i1 i N i F A 2 (Fi は予報値,Ai は実況値,N はデータ個数 ) 上記と合わせて,MとRMを実測値の平均風速で割り, 百分率で表現した相対 Mと相対 RMも評価指標として用いる. 相対 M N 1 Fi Ai N i1 相対 M 1 (%) A N Fi Ai N N i1 1 (%) A F A 1 (%) A 注意相対 M の分子を絶対値で表現したものは, 相対誤差 (Relative rror) と呼ばれる. i N F A 相対誤差 A i 1 (%)

13 九州大学応用力学研究所所報第 149 号 2 年 9 月 63 相対 RM 相対 RM RM A 1 (%) 表実測データと高度補正無の気象 GPVデータ (LFM-, 地上高 1m) との比較平均.7 ( 実測データ ) 平均 2.9 ( 気象 GPVデータ ) M (m/s) -2.8 RM (m/s) 3.4 相対 M (%) -. 相対誤差 (%). 相対 RM (%) 6. 相関係数.84 表 6 実測データと高度補正有 (N 値 = 及び7) の気象 GPVデータ (LFM-, 地上高 1m) との比較平均.7 ( 実測データ ) 平均.8 ( 気象 GPVデータ ) M (m/s).1 RM (m/s) 2.1 相対 M (%) -1.1 相対誤差 (%) 1.1 相対 RM (%) 37. 相関係数.74 表 7 実測データと高度補正無の気象 GPV データ (LFM-, 地上高 1m) との比較風速階級平均風速 (m/s) ( 実測テータ ) 平均風速 (m/s) ( 気象 GPV テータ ) 相対誤差 (%) 全風速階級 m/s 未満 m/s 以上 1m/s 未満 m/s 以上表 8 実測データと高度補正有 (N 値 = 及び 7) の気象 GPV データ (LFM-, 地上高 1m) との比較風速階級平均風速 (m/s) ( 実測テータ ) 平均風速 (m/s) ( 気象 GPV テータ ) 相対誤差 (%) 全風速階級 m/s 未満 m/s 以上 1m/s 未満 m/s 以上結言本研究では, 最初に気象庁が提供する数値予報モデル (GM, MM, LFM) の概要を説明した. 次に, 九電工新エネルギーの協力の下, 串木野れいめい風力発電所 9 号機 ( 平成 24 年 11 月より運転を開始 ) を対象にして, 気象 GPVデータ (LFM-, 地上高 1m) の精度検証を行った. 一般に, 気象 GPVデータ (LFM-, 地上高 1m) を用いて任意地点 ( 評価地点 ) のデータを抽出する際, 評価地点の周辺には4 点の気象 GPVデータ (LFM-, 地上高 1m) が存在する. 一般的には, これら4 点の気象 GPVデータ (LFM-, 地上高 1m) をすべて用いて空間補正や高度補正を施し, 評価地点のデータを作成する. しかしながら, この方法では内在する誤差や誤差要因を特定するのが極めて困難である. そこで本研究では, 上述の空間補正は行わず, 評価地点の最寄り点に位置する気象 GPVデータ1 点のみを用い, これに標高差に基づいた高度補正を施す方法を試みた. ここで, 高度補正には風速 m/s 未満の値にべき指数 (N=) 風速 m/s 以上の値にべき指数 (N=7) を適用した. その結果, 本研究で提案した簡易的な高度補正を施すのみで, 実測データと気象 GPVデータの誤差は大幅に減少することが示された. 気象 GPVデータは実測値に見られる日変化の挙動や, 強風が発生する時間帯 ( ピーク位置 ) などを良好に再現していることが示された. 今後は, メソ気象モデルおよび数値風況シミュレーション (CFD) との併用や高度補正のさらなる検討を行う予定である. 謝辞本研究の一部は,(1) 西日本技術開発 ( 株 ) との共同研究, 局地数値予報モデルデータを用いた簡易風況推定法の試みに関わる共同研究 (214.9~2.3) の支援を受けました. 気象 GPVデータの概要などは, 気象庁のホームページなどから引用させて頂きました ( 下記 URLを参照 ). 本研究で対象とした風力発電所の実測値データは, 九電工新エネルギーから提供頂きました. ここに記して関係者に感謝の意を表します. 参考文献 [1] 内田孝紀, 川島泰史, 荒屋亮, 気象 GPVデータの風力発電分野への活用に関する検討, 九州大学応用力学研究所所報, 第 144 号,pp.33-4,213 [2] 内田孝紀, 川島泰史, 山間部における気象 GPVデータを用いた簡易風況推定法の試み, 九州大学応用力学研究所所報, 第 147 号,pp.31-43,214 [3] 気象庁ホームページ jma/kishou/know/yohou.html

Microsoft Word RIAM所報_みなと事故.doc

Microsoft Word RIAM所報_みなと事故.doc 九州大学応用力学研究所所報第 150 号 (40-46) 2016 年 3 月みなと 100 年公園において 2014 年 12 月 1 日に発生した小型風車の破損事故に関する風況調査内田孝紀 * (2016 年 1 月 29 日受理 ) Wind Conditions Investigation about a Small Wind Turbine Accident Takanori UCHIDA