Ai装置、激光雷达装置以及风力发电厂控制系统
阅读说明：本技术 Ai装置、激光雷达装置以及风力发电厂控制系统 (AI device, laser radar apparatus and wind power plant's control system ) 是由 小竹论季 大塚浩志 于 2017-04-26 设计创作，主要内容包括：在现有的风力发电厂控制系统的结构中,很难取得高空间分辨率的信息,存在不能为了使机器学习充实化而得到充分学习所需要的信息的课题。本发明的AI(Artificial Intelligence：人工智能)装置具有：学习装置,其对风向量进行机器学习,预测风车的发电量,并且对发电量的预测值与测定值进行比较,在预测值与测定值之差为设定的阈值以上的情况下,选择测定风向量的激光雷达装置,导出测定参数；以及控制装置,其向激光雷达装置发送学习装置导出的测定参数。(In the structure of existing wind power plant's control system, it is difficult to obtain the information of high spatial resolution, the project of information required for sufficiently learning cannot be obtained to make machine learning substantialization by existing.AI (Artificial Intelligence: artificial intelligence) device of the invention includes learning device, it carries out machine learning to wind direction amount, predict the generated energy of windmill, and the predicted value of generated energy is compared with measured value, in the case where more than the threshold value that the difference of predicted value and measured value is setting, the laser radar apparatus for the amount of determining the wind direction is selected, location parameter is exported；And control device, location parameter derived from learning device is sent to laser radar apparatus.)
技术领域
本发明涉及AI装置、激光雷达装置以及风力发电厂控制系统。
背景技术
以往，在风车的偏转/俯仰/转矩控制中使用由搭载于风车的杯式风速计/叶片型风向计取得的信息。但是，设置于风车后方的上述设备的值是被叶片搅拌后的风速值，因此与真正的流入风不同，包含误差。另外，为了测定通过叶片后的风速/风向，采用始终追从变动风的形式，不能预测，这会导致发电量的损失。对此，通过搭载能够测定远点的风向/风速的雷达来取得到来风的信息，能够在事前进行风车的控制而提高发电量。
雷达装置向空间放射电磁波或声波等波动，接收被对象物体反射后的波动，对其信号进行分析，从而计测雷达装置至物体的距离和角度。在雷达中公知有如下的气象雷达：能够以在大气中浮游的微小的液体或固体的粒子(气溶胶)为对象，根据反射后的波动的相位旋转量来了解气溶胶的移动速度即风的速度。在气象雷达中，特别是使用光作为电磁波的激光雷达，放射的波束的扩散极小，能够以较高的角度分辨率观测物体，用作风向风速雷达。在风向量的计算中，通常使用多方向的视线方向风速值，通过VAD(Velocity AzimuthDisplay：速度方位显示)法、向量运算等进行计算。
除了通过使用这样的雷达装置取得近未来的风速信息而提高风力发电量之外，如以下的专利文献所示，还存在如下的方式：基于使用过去的气象信息和当日的气象信息的机器学习进行风信息的预测，使用该预测来提高风力发电量。
现有技术文献
专利文献
日本特开2007-56686号公报
发明内容
发明要解决的课题
但是，即使使用了由卫星取得的气象信息以及根据常置式桅杆得到的风信息，由于空间分辨率低而使该预测的精度变低，也有可能使发电量的改善能力劣化。另外，为了通过机器学习实现风车发电量的高效率化，必然需要信息量的质量优异以及信息量较多。因此，为了解决上述问题，需要高空间分辨率的测定，例如存在进行多个桅杆建设的方法，但是，产生成本变高的问题。
另一方面，还要考虑使用能够长距离测定的激光雷达装置的情况。
图1是使用能够长距离测定的现有的激光雷达装置的风况测定的模拟图。在采用这样的结构的情况下，激光的指向性高，越远则其波束间的偏离越大。另外，在存在风车那样的遮蔽物的情况下，不能得到该遮蔽物背面的风速值。除此之外，即使以降低样本率而躲避叶片等遮蔽物的方式，即等待叶片通过后进行测定，由于风是时时刻刻变动的，因此，未观测区域的预测误差变大。理想的是要求以较高的样本率，高分辨率地进行风速测定，但是，如上所述，遮蔽导致不能观测，存在如下的课题：由于需要等待下次的扫描以及在测定较宽的范围时扫描花费时间等，导致风发生变化，测定精度劣化。
图2是在风车上设定有现有的激光雷达装置的情况下的风况测定的模拟图。这样，当在各个风车搭载有激光雷达的情况下，设置以及观测方式是固定的，因此，激光射出方向以及可观测距离是固定的，产生不能观测区域。
在以往的结构中，很难取得高空间分辨率的信息，存在不能为了使机器学习充实化而得到充分学习所需要的信息的课题。
用于解决课题的手段
本发明的AI(Artificial Intelligence：人工智能)装置具有：学习装置，其对风向量进行机器学习，预测风车的发电量，并且对发电量的预测值与测定值进行比较，在预测值与测定值之差为设定的阈值以上的情况下，选择测定风向量的激光雷达装置，导出测定参数；以及控制装置，其向激光雷达装置发送学习装置导出的测定参数。
发明效果
根据本发明，进行如下的控制：在风的紊乱较大时以高样本率进行观测，在紊乱较小时扩大观测区域，从而能够增加用于学习的样本和预备信息，提高机器学习的精度。
附图说明
图1是使用能够长距离测定的现有的激光雷达装置的风况测定的模拟图。
图2是在风车上设定有现有的激光雷达装置的情况下的风况测定的模拟图。
图3是示出本发明的实施方式1的风力发电厂系统的一个构成例的结构图。
图4是示出本发明的实施方式1的激光雷达装置的一个构成例的结构图。
图5是示出本发明的实施方式1的信号处理器1010的一个构成例的结构图。
图6是示出本发明的实施方式1的数据统合装置2的一个构成例的结构图。
图7是示出本发明的实施方式1的AI装置3的一个构成例的结构图。
图8是示出本发明的实施方式1的风力发电厂内的风向风速观测状况的映射的图。
图9是使用本发明的实施方式1的激光雷达装置进行观测未观测区域的控制的情况下的模拟图。
图10是示出本发明的实施方式1的未观测区域的判断和测定区域的决定顺序的序列图。
具体实施方式
实施方式1
图3是示出本发明的实施方式1的风力发电厂系统的一个构成例的结构图。
本风力发电厂系统具有激光雷达装置1a～1n、数据统合装置2、AI(ArtificialIntelligence：人工智能)装置3以及风车4a～4n。这里，1a～1n或者4a～4n的字母示出个体的不同，附加有相同数字的部件具有相同的结构和功能。在统称这些要素(1a～1n)的情况下或者说明结构和功能的情况下，省略字母而仅记载数字。这里，能够控制的激光雷达装置(激光雷达装置1a、1b)表示如下的激光雷达装置：能够使用LAN(Local Area Network：局域网)、USB(Universal Serial Bus：通用串行总线)、CAN(Controller Area Network：控制器局域网)、RS232C、RS485等通信方法，用户和控制设备从外部通过命令行等变更激光雷达装置的观测距离/观测方向以及测定精度的设定。不能控制的激光雷达装置(激光雷达装置1c～1n)表示如下的激光雷达装置：持续使用在观测开始时设定的参数，不能在观测中变更设定。
图4是示出本发明的实施方式1的激光雷达装置的一个构成例的结构图。
本激光雷达装置1具有光振荡器1001、光耦合器1002、光调制器1003、光环行器1004、扫描器1005、光学系统1006、合波耦合器1007、光接收器1008、A/D转换器(Analog toDigital Converter：模拟数字转换器)1009、信号处理器1010、角度/位置传感器1011、数据通信部1012以及时刻取得部1013。
光振荡器1001是具有振荡出激光的功能，向光耦合器1002输出激光的光振荡器。其他的器件熔接于光耦合器或通过光连接器连接。另外，在以下的光连接方法中以光纤为基础进行记载，但连接方法也可以采用不使用光纤的空间传播型。例如，光振荡器1001使用半导体激光器。
光耦合器1002是如下的分配器：为了在后级的光接收器中进行外差检波，将光振荡器1001输出的光按照任意分支比分配成本地光(光接收器方向的光)和发送光(光调制器方向的光)。
光调制器1003是对光耦合器1002输出的激光进行光频率调制和光强度调制的光学设备。例如，光调制器1003使用AO频移器。在本结构中，以脉冲型的激光雷达装置为前提进行记载，但也可以使用CW(Continuous Wave：连续波)的方式。另外，在输出光不足的情况下，也可以在AO(Acousto-Optic Effect：声光效应)频移器的后级追加光放大器。
光环行器1004是分离由光调制器1003频率调制后的发送光与经由扫描器1005和光学系统1006得到的接收光的光环行器。将发送方向与光学系统1006连接，将接收方向与合波耦合器1007熔接，或者通过光连接器连接。
扫描器1005由楔形棱镜、使该楔形棱镜旋转的电动机以及编码器构成，是向信号处理器10101输出角度信息并且以任意速度旋转的扫描器。例如，扫描器1005的电动机使用带编码器的步进电动机。除了上述的扫描器结构之外，也可以采用如下的结构：通过光开关切换光路，连接于各个光路具有不同视线方向的光学系统，从而得到多视线方向的风速值。在该情况下，例如，光开关使用在通信中也使用的机械光开关或MEMS(Micro ElectroMechanical Systems：微机电系统)光开关等。
光学系统1006是向大气中发送扫描器1005输出的发送光，接收来自气溶胶的散射光作为接收光的光学系统。例如，光学系统1006使用光学望远镜。
合波耦合器1007是对光耦合器1002输出的本地光与光环行器1004输出的接收光进行合波的合波耦合器。合波耦合器1007使用熔融型、滤波型中的任意耦合器。
光接收器1008是对合波耦合器1007合波后的光进行外差检波的光接收器。例如，光接收器1008使用平衡接收器。
A/D转换器1009是将光接收器1008外差检波并输出的模拟电信号与光调制器1003输出的激光脉冲触发信号同步地转换成数字的转换器。
图5是示出本发明的实施方式1的信号处理器1010的一个构成例的结构图。
信号处理器1010具有范围区间分割器101、FFT(Fast Fourier Transform：快速傅里叶变换)处理器102、累积处理器103、视线方向风速计算器104、风向量运算器105以及系统参数控制器106。
例如，信号处理器1010由FPGA(Field-Programmable Gate Array：现场可编程门阵列)、ASIC(Application Specific Integrated Circuit：面向特定用途的集成电路)、微型计算机等构成。范围区间分割器101、FFT(Fast Fourier Transform：快速傅里叶变换)处理器102、累积处理器103、视线方向风速计算器104、风向量运算器105以及系统参数控制器106可以由FPGA或者ASIC的逻辑电路构成，也可以将各个功能作为软件来执行。
范围区间分割器101是如下的范围区间分割器：进行按照规定的时间范围(范围区间)划分A/D转换器1009输出的数字接收信号的处理，向FFT处理器102输出按照范围区间划分后的接收信号。
范围区间分割器101是如下的范围区间分割器：进行按照规定的时间范围(范围区间)划分A/D转换器1009输出的数字接收信号的处理，向FFT处理器102输出按照范围区间划分后的接收信号。
FFT处理器102是如下的FFT处理器：对范围区间分割器101输出的各范围区间的接收信号进行傅里叶变换，向累积处理器103输出被转换成谱的信号。
FFT处理器102是如下的FFT处理器：对范围区间分割器101输出的各范围区间的接收信号进行傅里叶变换，向累积处理器103输出被转换成谱的信号。
累积处理器103是如下的累积处理器：按照每个范围区间累积FFT处理器102输出的谱信号，向视线方向风速计算器104输出累积后的谱。
累积处理器103是如下的累积处理器：按照每个范围区间累积FFT处理器102输出的谱信号，向视线方向风速计算器104输出累积后的谱。
视线方向风速计算器104是如下的视线方向风速计算器：根据累积处理器103累积后的谱向风向量运算器105输出多普勒风速值即视线方向风速值和激光射出方向，另外，向角度/位置传感器1011和系统参数控制器106输出取得了视线方向风速值的情况。
风向量运算器105是如下的运算器：使用视线方向风速计算器104输出的视线方向风速值数据、激光射出方向以及在角度/位置传感器1011中得到的姿态/角度信息，进行风向量的运算，向数据通信部1012输出运算出的风向量。另外，向时刻取得部、角度/位置传感器、系统参数控制器输出通知风向量的计算已结束的电信号，并且向数据通信部1012输出计算出的风向量。针对风速V，在例如向2个方向射出激光的情况下，能够根据以下的式子计算风速、风向。
[式1]
[式2]
[式3]
Vw＝√(U2+V2)…(3)
[式4]
这里，U表示激光雷达(LiDAR)朝向的方向，V表示激光雷达朝向的方向的垂直方向，表示激光相对于激光雷达朝向的方向的发散角，Vw表示风速值，Dir表示风向，δs表示从角度/位置传感器1011输出的方位。
系统参数控制器106是如下的系统参数控制器：经由数据通信部1012从AI装置3接收激光雷达装置1a的测定参数，向光调制器1003、A/D转换器1009、扫描器1005以及光学系统1006输出接收到的测定参数。测定参数是与激光雷达装置1a的系统有关的参数，例如，是指脉宽、A/D门时间宽度、扫描方向(相当于上述)、焦距以及出射波束直径。如果是脉宽，则系统参数控制器106发送变更调制信号的脉冲形状的指令，在A/D时间门宽度的情况下，系统参数控制器106输出相当于门宽度的电信号，如果是扫描方向，则系统参数控制器106输出相当于角度的电信号，如果是焦距、波束直径，则系统参数控制器106输出相当于光纤和透镜的配置的电信号。
另一方面，在没有来自外部的接收信号的情况下，即没有来自AI装置3的信息的情况下，系统参数控制器106向各种器件发送通过用户的设定等而决定的脉宽、A/D时间门宽度、扫描方向以及焦距/出射波束直径的设定信号。
此外，根据经由数据通信部1012从AI装置3传送来的上述参数，设定光调制器1003、A/D转换器1009、扫描器1005各自的参数。
角度/位置传感器1011是如下的传感器：接收风向量运算器105的计算结束的电信号，输出此时的激光雷达装置的姿态角度信息和位置信息。例如，角度/位置传感器1011由陀螺传感器和GPS(Global Positioning System：全球定位系统)模块构成。
数据通信部1012是发送风向量运算器105输出的风向量、角度/位置传感器1011输出的姿态角度信息、系统参数控制器106输出的扫描器1005的角度信息以及时刻取得部1013输出的时刻信息的数据通信部。例如，数据通信部1012由有线或无线LAN(Local AreaNetwork：局域网)器件、Bluetooth(注册商标)、USB等通信器件构成。
时刻取得部1013是如下的时刻取得部：针对视线方向风速计算器104输出的计算处理结束的信号，向数据通信部1012输出时刻。例如，时刻取得部1013使用GPS接收器。
图6是示出本发明的实施方式1的数据统合装置2的一个构成例的结构图。本数据统合装置具有数据整理装置2001和数据保存装置2002。
数据整理装置2001是如下的数据整理装置：从激光雷达装置1a～1n接收测定数据，对接收到的测定数据的格式进行统一。具体而言，数据整理装置2001将从传感器(激光传感器、杯式风速计、叶片式风向计、雷达、声雷达(SODAR)等)得到的风向风速值、时间信息或可从云中得到的基于卫星的云层信息、气温、气压和天气信息以及从风车得到的风车的参数(例如，风力发电量和此时此刻的横滚、俯仰、偏转和转矩)这样的参数作为输入，进行数据的坐标系格式的统一。
由各传感器得到的风速或风向值往往是具有正北基准、磁北基准以及以传感器朝向的方向为基准的传感器基准的坐标系的数据。例如使用通常的旋转矩阵将其修正成正北基准，进行坐标系的统一。另外，针对时间，在没有与UTC(Coordinated Universal Time：协调世界时间)基准、JST(日本基准时间)基准取得匹配的情况下，进行将其统一成UTC的处理。例如，数据整理装置2001由微型计算机或FPGA构成。
数据保存装置2002是如下的数据保存装置：保存在数据整理装置2001中形成的数据，向学习装置3001输出数据与理论值的偏离值。数据与理论值的偏离值例如是三维位置的风向、风速、气温、湿度、气压、天候、风力发电厂内各风车的瞬时发电量与理论值的偏离值。例如，数据保存装置2002由HDD(Hard Disk Drive：硬盘驱动器)或SSD(Solid StateDrive：固态硬盘)等构成。
图7是示出本发明的实施方式1的AI装置3的一个构成例的结构图。AI装置3具有学习装置3001和控制装置3002。
学习装置3001将从数据保存装置2002输出的气压、气温、湿度和天候这样的气象信息、风向风速值以及风车的姿态和此时的风力发电量作为输入，进行基于深度学习(deeplearning)的机器学习。输入上述的气象、风向风速信息，导出此时使风力发电厂整体的发电效率最大化的风车的控制参数(转矩、俯仰、偏转)。将相当于该参数的电信号输出到控制装置3002，在控制装置3002中向风车输出该控制信号。
另外，学习装置3001除了进行上述的学习之外，还接受数据保存装置2002的结果，识别数据稀疏的区域，向激光雷达装置1a输出观测该区域的控制信号。
控制装置3002是如下的控制装置：将从学习装置3001输出的控制信号转换成被控制激光雷达装置的控制指令，经由数据通信部1012向系统参数控制器106输出转换后的控制指令。控制指令例如是变更脉宽、A/D时间门宽度、扫描方向、焦距/波束直径的指令。例如，控制装置3002由微型计算机、PC(Personal Computer：个人计算机)等构成。
接下来，对本风力发电厂系统的动作进行说明。
图8是示出本发明的实施方式1的风力发电厂内的风向风速观测状况的映射的图。将从测定起经过时间较短的风向风速值的数据记作可靠度高，将经过时间较长的数据记作可靠度低。例如，在进行1分钟平均的功率曲线评价(发电量相对于流入风的评价)的情况下，设经过其一半即30秒为可靠度低。风车散在于该风力发电厂内，可以采用任意结构。图8内的空白区域表示未观测区域，即在各种传感器(例如，风向风速计、激光雷达、雷达、声雷达)的配置/观测设定参数的状态下不能观测的区域。对于AI装置3内的学习装置3001而言具有在空间上密集的用于学习的数据，从而能够更高精度地进行预测。
图9是使用本发明的实施方式1的激光雷达装置进行观测未观测区域的控制的情况下的模拟图。通过在设正北为0deg的坐标系下进行-θ方向的观测，网罗一部分未观测区域。在该情况下，控制装置3002向激光雷达装置1输出相当于该设定的控制信号。
图10是示出本发明的实施方式1的未观测区域的判断和测定区域的决定顺序的序列图。对各风车(4a～4n)进行本处理。另外，以激光雷达装置1a为例对要控制的传感器进行说明。这里，风车(4a～4n)的数量与i＝1～N对应。
首先，在步骤S101，AI装置3针对风车4a，计算上次估计出的风车的发电量与实际的发电量的偏离。
在步骤S102中，AI装置3判别该偏离值是否比用户事先设定的阈值THp大。在偏离值为阈值THp以上的情况下，即差异较大的情况下，判断为正在使用的数据的精度存在问题，进入步骤S103。在偏离值比THp小的情况下，进入步骤S107。
在步骤S103中，AI装置3例如调查是否存在在风车4a的任意范围距离THD以内并且经过了任意时间THtime以上的区域。作为基本动作，检索风力发电厂整体，但是，也可以为了效率化而在检索后立即从捜索对象中排除。然后，当存在在THD以内并且经过了任意时间THtime以上的区域的情况下，进入步骤S104，在不存在的情况下，进入步骤S105。THD例如是可以风速稳定地流入风车的2.5D(D是风车直径)。THtime可以使用在风况评价中使用的10分钟、或者通过Asin(ωt)+B对该区域的风速值时间变化进行拟合而相当于周期的ω的值。也可以不进行拟合，而是直接对风速的时间变化进行FFT来计算周期。
在步骤S104中，AI装置3计算在THD以内并且经过了任意时间THtime以上的区域中可靠度最低的区域的距离和方位角。另外，在本实施方式中，记载有决定针对1台激光雷达装置的举动的序列，但是，在搭载有多台激光雷达装置的情况下或者同时控制多台的情况下，从可靠度低的区域，向存在于任意距离范围(例：2.5D)范围内的激光雷达装置分配该区域的观测。另外，在存在2个以上的激光雷达装置的情况下，分配从各自的位置起2.5D范围内的可靠度最低的区域。AI装置3根据可靠度低的区域的绝对位置坐标和设置有激光雷达装置的位置坐标，通过三角函数计算距离和从这些坐标起以北为基准的角度θ。另外，对于可靠度不低的距离不采取对策。
在步骤S105中，AI装置3计算用于测定与风车的发电量最紧密的风车前方的风速的默认参数，例如方位角θ＝0、距离2.5D的值。
在步骤S106中，AI装置3根据在S104、S105或S109中计算出的想要观测的距离和方位角，计算进行控制的激光雷达装置1a的参数(例如，方位角、脉宽、波束直径、焦距、非相干累积数)，向激光雷达装置1a发送相当于该设定值的电信号。针对方位角，使用S104、S105、S109的计算值，其他参数的计算方法容后再述。
另一方面，在步骤S102中发电量的偏离值较小的情况下，进入进行用于使该偏离更小的处理的改善序列(步骤S107～S109)。
在步骤S107中，AI装置3计算风力发电厂整体的平均紊流强度或者各风车的半径2.5D以内的平均紊流强度。用风速标准偏差与平均风速之比表示紊流强度。
在步骤S108中，AI装置3判别计算出的紊流强度是否比阈值THT大。在计算出的紊流强度为阈值THT以下的情况下，认为风况稳定，进入步骤S109，进行测定范围的扩张。另一方面，在THT以上的情况下，认为风的紊流较大，继续以往的观测而结束序列。这是因为，风速是时时刻刻变化的，在改变以往的观测状态进行剩余的观测时，不能捕捉变化的风，存在进一步产生偏离的风险。
在步骤S109中，AI装置3对图8中的白色区域搜索任意距离范围例如2.5D范围内的激光雷达装置，如在步骤S104中所示，根据区域中心坐标位置和激光雷达装置的坐标位置计算距离和角度θ进入S106。另外，未观测区域被定义成经过了充分的时间THtimepass后的区域。
对AI装置3中的用于测定未观测区域的距离/方位角的激光雷达装置1a的参数导出方法进行说明。作为导出方法，例如使用下式的线路计算的值。
[数5]
β、K、S0分别表示后向散射系数(m-1sr-1)、大气透射率、散射光的相干直径(m)，表示示出系统不能控制的表示大气条件的参数。与之相对，w(sec)、D(m)、F(m)、N(次)分别表示脉宽、波束直径、焦距、非相干累积数，示出在系统内能够变更的参数。另外，h、λ、Ppeak、ηF、B表示普朗克常数(Js)、波长(m)、发送光脉冲峰值(W)、Far Field的发送接收效率，接收带宽(Hz)、Ac表示用于置换成相关性相对于被光天线遮光的高斯波束(NGB：NearestGaussian Beam)较高的衍射极限的高斯波束的近似系数，L表示观测距离(m)。后向散射系数、大气透射率可以根据最接近未观测区域的激光雷达装置1a的测定结果估计，也可以赋予事先取得的该风力发电厂的典型值或最差值。
这里，AI装置3重视高速的测定，按照脉宽、焦距、波束直径、非相干累积数的优先级变更激光雷达装置1a的参数值。
脉宽相当于Ppeak，是最有助于SNR(Signal to Noise Ratio：信噪比)的变量。可以说使距离延伸是最有效的。另一方面，通过减小本值，即使视线方向的空间上的激光脉冲的宽度较窄，还能够有助于高分辨率化，对激光雷达装置的观测性能带来的影响较大，优先级较高。
焦距是如下的参数：当高精度地测定近距离时，针对虽然不能测定近距离但想要测定远距离这样的要求，能够高灵敏度地进行调整。在通常的运用中，按照焦距运用于远方，但是，当根据S104、S109的计算值测定任意近距离的情况下，通过射该焦距F＝L，能够在L的地点得到较高的SNR。即使是环境恶劣的状态，能够观察聚光地点的可能性也会变高。脉宽使整体的SNR提高，与此相对，焦距相当于如何将SNR的预算分配给各距离的概念。
相对于数m的脉宽，通常波束直径是数cm的可变宽度。这相当于激光雷达装置具有的光学系统的尺寸。使该可变宽度较大，即装置整体尺寸较大。因此，有限尺寸的可变宽度较小，因此，优先顺位较低。
非相干累积次数虽然对SNR带来的效果较大，但是，如上所述是与样本率最紧密的参数。样本率的降低导致观测精度的降低。因此，将优选度设定成最低。
各个值存在系统设计上能够变更的值域，因此，依次计算提高各个值时的SNR，导出给定的能够测定距离的参数并发送给激光雷达装置1a。另外，为了观测方位角θ，发送示出激光雷达装置1a中的扫描器1005的激光照射方向的参数。对此，也可以是，在激光雷达装置1a的下部准备平台，以使传感器整体旋转的方式变更激光的照射方向，在该情况下，向激光雷达装置1a发送下部平台的旋转角度。另外，这里，对AI装置3根据未观测区域的距离/方位角计算激光雷达装置1a的测定参数的例子进行了说明，但是，也可以采用如下的方式：根据AI装置3求出的未观测区域的距离/方位角，激光雷达装置1a计算并测定测定参数。
向激光雷达装置1a发送用于设定导出的激光雷达装置的参数(方位角、脉宽、波束直径、焦距、非相干累积数)的命令行等控制信号。
另外，AI装置3根据从激光雷达装置1a得到的风向风速数据以及风车发电量与理论值的偏离信息，进行风车的控制参数(俯仰、偏转、转矩)的计算，向风车4a～4n发送控制参数。这样，AI装置3针对激光雷达装置1a根据紊流强度、可靠度的指标对风向风速数据的大范围取得进行控制，根据在风力发电厂整体或风车近旁的三维空间中流动的风的分布进行机器学习，导出并控制上述风车控制参数。
由上可知，根据本发明的实施方式1，能够根据状况优选取得未观测区域以及可靠度较低的区域的数据，自主地增加数据样本，因此，具有如下的效果：能够增加赋予给机器学习的信息量，进一步提高最终的被控制物(这里是风车)的发电量。
另外，这里，对各风车的估计结果进行了判定，但是，也可以对风力发电厂整体的风力发电量以及2台以上的多台风车的发电量总和进行判定。
特别地，在将风力发电厂内的风车例如划分成各5台的块，对各块采用使风力发电量最大化的处理时，能够分散各个AI装置3的信号处理量，能够高速化，并且能够排除明显与风力发电量无关的远方数据对学习带来不良影响的信息，能够有助于学习结果的质量提高。
此时，也可以采用如下的结构：进一步在AI装置3的上游设置设定各块(管理多个风车的区域)的目标发电量的统合AI装置，以达成目标发电量的方式实现最优化。统合AI装置针对经由LAN等通信I/F输入的目标总电力值，将由数据统合装置2得到的实际的风力发电量和AI装置3的想定输出值作为输入，根据该期间的偏离信息经由控制装置向AI装置3传送各块的目标值。在现有的电力送电系统中，过剩的发电量是电力提供目的地的负荷，为了稳定化而需要抑制该发电量。根据这样的结构，具有如下的优点：根据风况分别设定各块的目标值以达成最终的发电量目标值，从而能够有助于发电的稳定化。
也可以是，统合AI装置不将各块或风车各自的发电量，而将风力发电厂整体的目标电力值作为输入，使风力发电厂整体的发电量稳定化。在该情况下，统合AI装置对属于各风车的AI装置(也可以不是一台风车设置一个AI装置)分配发电量，将各风车的目标发电量作为AI装置的输入，将能够达成目标发电量的风车控制参数作为输出而导出。由此，使风力发电厂整体的发电量稳定化。此时，用户或电力公司对统合AI装置设定目标发电量，从而可构筑能够随时适应时间、环境的状况。
标号说明
1a～1n：激光雷达装置；2：数据处理装置；3：AI装置；4a～4n：风车；1001：光振荡器；1002：光耦合器；1003：光调制器；1004：光环行器；1005：扫描器；1006：光学系统；1007：合波耦合器；1008：光接收器；1009：A/D转换器；1010：信号处理器；1011：角度/位置传感器；1012：数据通信部；1013：时刻取得部；101：范围区间分割器；102：FFT处理器；103：累积处理器；104：视线方向风速计算器；105：风向量运算器；106：系统参数控制器；2001：数据整理装置；2002：数据保存装置；3001：学习装置；3002：控制装置。