研究の概要

オフグリッド（系統非接続）マイクログリッドでは、太陽光発電の予測精度がそのまま蓄電池容量・発動機バックアップ量を決めるため、商用系統以上に予測誤差の影響が大きい。本研究は、大気熱力学と天球幾何学を明示的に制約条件として組み込んだ「Thermodynamic Liquid Manifold Networks」を提案。通常のニューラルネット予測で頻発する「夜間に発電が発生する（phantom nocturnal generation）」といった物理的にあり得ない出力を構造的に排除する。

主な発見・成果

  • 半乾燥気候帯における5年分の実データを用いた検証で、RMSE 18.31 Wh/m²を達成。
  • 物理制約のおかげで、雲の通過・天候遷移時にもモデルの同期性（synchronization）を維持。
  • 天球幾何に厳密準拠することで、パラメータチューニングなしでも異地点への汎化性能が改善。

実務への応用

離島・遠隔地のマイクログリッド設計や、工場構内のオフグリッド太陽光＋蓄電池運用において、予測モデルの物理整合性は発電機稼働計画の信頼性に直結する。Physics-Informed Neural Network（PINN）系アプローチは、モデルの解釈性と少データでの汎化に強い一方、実装コストが高かった。本手法は構造を簡潔に保ちつつ物理制約を取り込むため、マイクログリッドEMSベンダーや独立電源運用者にとって導入ハードルが下がる可能性がある。