衛星データを用いた機械学習ベースの直達日射（DNI）予測 — 蓄熱型集光型太陽熱発電（CSP）プラント向け

なぜ日射量予測が重要なのか

各国が住宅や産業の電力を太陽に依存し始める中で、一つの大きな課題が浮かび上がります：空の状態が分刻みで変わる中、どうやって安定して電力を供給するか。鏡で太陽光を集めて熱を蓄える集光型太陽熱発電所は、夜間でも発電できますが、効率的かつ低コストで運用するには予め日射の強さを把握しておく必要があります。本研究は、無料で入手できる気象衛星データと最新の機械学習を用いることで、これら次世代の太陽光発電所に適した実用的で手頃な日射予報を提供できることを示します。

衛星画像を実用的な日射予測に変える

研究者たちは「直達日射（DNI）」と呼ばれる主要な指標に注目します。DNIは鏡で集光可能な、直線的に進む太陽光の成分で、雲や水蒸気、大気中の粒子に非常に敏感です。各サイトに高価な地上カメラや計測器を設置する代わりに、チームはアジアの広域を10分ごとに観測する静止気象衛星ひまわり8号のデータを利用します。この画像群と派生プロダクトから、日射量の各種指標、雲種、気水蒸気、気温、太陽の角度など17種類の変数を抽出し、30分から6時間先までのDNIを予測するように機械学習モデルへ入力します。

空から学ぶスマートなアルゴリズム

最適な予報手法を見つけるため、著者らは24種類の機械学習アプローチをテストし、精度、速度、計算コストを比較します。その結果、短期予報、特に30分先の予測ではEnsemble Bagging Regressionと呼ばれる手法が細かな変化をよく捉え優れていることがわかりました。より長い予測リードタイムでは、指数ガウス過程回帰モデルが際立ちます。このモデルはDNIの将来値を予測するだけでなく、不確実性の推定も同時に提供し、計画上有用です。6時間までの予報範囲全体で、最良モデルは良好な性能を維持し、誤差は集光型プラントの熱貯蔵がもつ自然な緩衝で吸収できる程度に小さいことが示されました。

天気の潜在的な信号を読み解く

精度だけでなく、チームはモデルの予測を何が支えているかを理解したいと考えました。そこでSHAPとして知られる説明可能なAI手法を用い、各入力変数が予測にどの程度寄与しているかを算出します。これは会計を均等に分けるような考え方です。この解析により、太陽の仰角と雲に関する性質が多くの時間幅で最も影響力のある要因であることが明らかになりました。雲のない場合の理論的な日射量（クリアスカイの指標）も主要な役割を果たし、気温や短い遅延での過去DNI値も重要です。湿った空気、オゾン、相対湿度は特に湿った夏季に日射の期待値を下げる傾向があり、冬の後半から春先の乾いた晴天は日射を増加させます。これらの知見は、モデルがデータの奇妙な偏りではなく物理的に妥当な信号に反応していることを運用者に安心させます。

平地から山間の谷へ

重要な検査の一つは、ある場所で訓練したモデルが別の場所で信頼できるかどうかです。著者らはインドのバガルプールでシステムを訓練し、南アジア内の低地平原からヒマラヤの麓までの5つの追加地点へ適用しました。ジャンサーシやカラグプールのような平坦な地形では、予報は高い信頼性を保ち、誤差水準は安定し、系統的な過大・過小評価もほとんど見られませんでした。一方で、ヒマラヤのマカルーのように地形が険しい地点では、特定の時間遅延で精度やバイアスに大きな変動が見られました。これらの傾向は、局所的な地形や山周辺で急速に発生する雲などの固有の気象挙動が、純粋に衛星ベースのモデルにとって課題となり、追加の調整が必要になり得ることを示唆しています。

今後の太陽エネルギーにとっての意味

熱蓄熱を備えた集光型太陽熱発電所の運用者にとって、本研究は実用的なメッセージを伝えます：プラントを効果的に運用するために、最も高価で超精密な予測ハードウェアが必ずしも必要というわけではないかもしれません。熱エネルギー貯蔵が提供する自然な平滑化効果によって、適切に設計された衛星ベースのモデルは中程度の誤差を持っていても数時間先の発電計画を支えることができます。無料で広域をカバーする衛星データと解釈可能な機械学習に依拠することで、このアプローチは特に南アジアなど日照に恵まれた地域でコスト削減と太陽光発電コストの低減を拡大可能にします。山岳地形やエアロゾル、局地的な気象パターンを考慮したさらなる改良を加えれば、こうした予報システムはより信頼性の高い太陽由来グリッドの基盤技術になり得ます。

引用: Rathnayake, N., Wijewardane, S. Machine learning-based Direct Normal Irradiance (DNI) forecasting using satellite data for Concentrated Solar Power (CSP) plants with Thermal Energy Storage (TES). Sci Rep 16, 11257 (2026). https://doi.org/10.1038/s41598-026-41733-7

キーワード: 太陽光予測, 集光型太陽熱発電, 衛星データ, 機械学習, 熱エネルギー貯蔵