記事の要約
- 再エネの出力予測AIとは、気象予報と過去の発電実績を機械学習で結び、太陽光・風力の発電量を30分単位で見積もる仕組みです。
- 精度は平均的な誤差(RMSE・MAE)と、まれな「大外し」を分けて見ます。調整力(=需給のずれを埋める予備の電源など)の確保量は大外しの側で決まるためです。
- 公表事例では、アンサンブル予報の活用で調整力の必要量が2023年度に約28%減り、機械学習による補正で日射量予測の大外しが全日で13%(信頼度が高い日は23%)減りました。
再エネの出力予測AIとは、気象予報から太陽光・風力の発電量を事前に見積もるAIです。「FIPに移行してから、発電計画のずれが収支に直接響くようになった」。発電事業者が導入を検討し始めるのは、こうした場面です。
本記事では、予測が必要な理由、仕組み、精度指標の読み方、公表事例4件、導入の進め方を解説します。
OCCTO・NEDO・気象庁の公表資料をもとに、東京大学松尾研発のAIスタートアップとして製薬・製造業・エネルギー分野のAI開発を手がける弊社の視点で整理しました。
目次
再エネの出力予測が必要な理由|インバランスと調整力のコスト

再エネの出力予測が必要なのは、発電計画と実績のずれが費用として精算されるためです。このずれをインバランスと呼び、一般送配電事業者が差分を補給します(九州電力送配電)。発電事業者はインバランス料金を精算することになり、費用負担が生じます(東芝)。
FIP制度(=市場価格に一定の上乗せをする再エネ支援制度)などで市場に売電する発電事業者は、前日の予測で翌日の発電計画を作り、前日の市場(スポット)で売ります。
当日に予報が変われば当日の市場(時間前)で差分を売買し、ゲートクローズ(=実需給前の計画の締め切り)で残ったずれがインバランスになります。前日と当日のどちらの予測を改善するかで、見る誤差も変わります。
一方、FIT特例の電源では、一般送配電事業者が前日に出力を予測し、その値が発電計画になります(OCCTO)。
社会全体でも、再エネの変動に備える調整力の調達コストは2025年度見込みで300億円程度です(NEDO)。予測誤差を減らせば確保する調整力も減るため、国と送配電事業者も精度向上に取り組んでいます。
発電事業者の判断基準は、予測の改善で減るインバランス費用が予測の費用を上回るかです。
需要側の予測は「需要予測AIの仕組みと活用事例5選|導入が失敗する3つの壁」で解説しています。
参照元:九州電力送配電「主な見直し内容(別紙)」(2022年3月)/電力広域的運営推進機関「再エネ予測精度向上に向けた取り組みについて」(2024年11月)/東芝「気象予測とAI技術で風車付近の地形効果を考慮した高精度な風力発電量予測技術を開発」(2024年5月)、「再エネアグリゲーションの解説」/NEDO「日射量予測の“大外し”低減技術を開発しました」(2025年10月)
出力予測AIの仕組み|数値気象予報と機械学習の2段構成

再エネの出力予測AIは、気象を予測する段と、気象を発電量に変換する段の2段で構成する例が多く見られます。機械学習は主に後段と、気象予報の誤差補正に使われます。
誤差がどちらの段で生じているかを見分けると、気象予報を替えるべきか、変換モデルを学習し直すべきかを判断でき、改善にかかる費用も見積もりやすくなります。
気象予報から発電量へ変換する流れ
前段は数値気象予報(=大気の動きを計算して出す予報)で日射量や風速を出し、後段はそれを発電量に変換します。
前段の予報には初期値(=計算の出発点とする大気の状態)の誤差やモデルの不完全さが含まれ、予報時間が長くなるほど誤差は増大します(気象庁)。翌日・翌々日の予測が大きく外れる日が出るのはこのためです。
後段の風力では、風車ごとの風速と出力の関係(パワーカーブ)をAIが学習し、地形による風速のずれも補正します(東芝)。
同じ予報値でも、設備の向きや機種で発電量は変わります。そのため、自社で予測モデルを持つ場合は、変換部分は自社の発電実績で学習させる必要があり、気象会社の日射量予測をそのまま発電計画には使えません。
アンサンブル予報で外れやすい日を前日に知る
アンサンブル予報からは、翌日の予測が外れやすいかが前日に分かります。初期値を少しずつ変えた複数の数値気象予報から、予測とその不確実性を推定する手法で(気象庁)、予報同士のばらつきが大きい日は信頼度が低いと判断できます。
信頼度が高い日は調整力や売電量の余裕を小さく、低い日は大きく取る、という使い方があります。追加の調達や入札の準備も前倒しできます。
予測サービスを選ぶときは、予測値1本ではなく外れる幅も受け取れるかを確認します。予測値しか出ない仕組みでは、外れた日の損失を事前に見積もれません。
参照元:気象庁「令和7年度数値予報解説資料集 1.5 アンサンブル予報」(2025年度)/東芝「気象予測とAI技術で風車付近の地形効果を考慮した高精度な風力発電量予測技術を開発」(2024年5月)
予測精度の見方|RMSE・MAE・誤差率と「大外し」

予測精度は、平均的な外れ方と、まれな大きな外れを分けて評価します。平均の指標だけでは、収支を大きく動かす日の誤差が見えないためです。
| 指標 | 定義 | 読み取れること |
|---|---|---|
| RMSE(二乗平均平方根誤差) | 誤差を2乗して平均し、平方根をとった値 | 誤差の標準的な大きさ |
| MAE(平均絶対誤差) | 誤差の絶対値を平均した値 | 平均的な外れ幅 |
| 誤差率(%) | 誤差を定格容量などで割った値 | 規模の違う設備の比較 |
| 3σ相当誤差 | 誤差実績の約99.87%をカバーする値 | まれな大外しの大きさ |
RMSEは誤差を2乗するため大きな外れを重く数え、MAE以上の値になります(RMSEの定義は気象庁の用語に準拠)。両者の差が開くほど、大きく外れた日が混ざっていると読めます。
誤差率は分母を確かめてから比べる必要があります。東芝エネルギーシステムズらの実証は、30分ごとの予測と実績の差を定格容量で割っています。発電量の実績で割る方式より、同じ外れでも数値は小さく出ます。
調整力の確保量は大外しで決まります。送配電事業者は過去2年分の誤差実績から、過去最大相当の3σ相当値で必要量を算出してきました。2024年7月からは、前日の市場では誤差実績の約84%をカバーする1σ相当を調達し、大きく下振れしそうな場合だけ追加で調達する運用に変わっています(OCCTO)。
複数のベンダーを比べるときは、指標の定義・分母・評価期間を揃えることが前提です。
検証の指標の決め方は「PoC評価指標の決め方|成功基準・KPI例と3層モデル2026」も参考になります。
参照元:気象庁「予報の評価に関する用語」/電力広域的運営推進機関「再エネ予測精度向上に向けた取り組みについて」(2024年11月)
再エネ出力予測AIの事例4選|送配電・研究機関・メーカー・気象会社

公表資料で確認できた4件を、課題と変えた点に注目して紹介します。自社の課題が「平均の精度」なら事例3、「大外し」なら事例2、「外れ幅の把握」なら事例1・4が参考になります。
平均の誤差を下げても、大きく外れる日があれば損失は残ります。課題がどれに当たるかを先に決めると、自社に合う手法を判断しやすくなります。
1. 一般送配電事業者:アンサンブル予報で日射量予測の信頼度を2段階に分け、全エリアで調整力の必要量を2023年度に導入前比で年間約28%低減
送配電事業者は、再エネの予測誤差に備える調整力の量を、過去2年分の誤差から作る必要量テーブルで決め、前日に調達しています。課題は、誤差の小さい日も大きい日と同じ量を確保していたことでした。
気象会社がアンサンブル予報から日射量の信頼度を「高・低」で出し、日ごとにテーブルを使い分ける方式に変えました。2023年4月に全エリアへ導入し、2023年度の必要量は導入前より年間で約28%減ったと報告されています。
1σ相当の調達に変わった後は、削減効果は全国計で約8%に縮小し、北陸エリアでは実施を見合わせています。
2. NEDO・日本気象協会・産総研:複数の気象モデルを統合して機械学習で補正し、日射量予測の大外しを従来手法比で全日13%・高信頼度の日23%低減
NEDO事業(2021〜2024年度)の課題は、翌日・翌々日の日射量予測が大きく外れることでした。日本気象協会が予測手法を開発し、産総研が気象庁データで大外しの要因を分析しています。
頻度の少ない大外しに絞って機械学習で補正した結果、信頼度が高いと予測した日の大外しは従来比23%、全日では13%減りました。同協会の予測サービスには、2026年秋ごろから実装する予定と発表されています(2025年10月時点)。
3. 東芝エネルギーシステムズ:地形を考慮した気象予測と風速補正AIで、風力の前日予測誤差を前年度の実証の17.3%から10.1%に改善
東芝エネルギーシステムズらは、アグリゲーター8社などのコンソーシアムで全国約100のリソースを使い実証しました。既存技術を使った前年度の実証では、風力の誤差が17.3%と太陽光の3.5%を大きく上回ったことが課題でした。
地形を考慮した気象予測、風向に応じた風速補正AI、風車ごとのパワーカーブ学習を組み合わせ(東芝)、前日朝の平均誤差を10.1%に下げました。評価は2023年12月〜2024年1月を中心とする期間で、前年度と同じ条件での比較ではありません。太陽光は2.9%で、いずれも定格容量で割った値です。
4. ウェザーニューズ:過去数年分の気象条件と発電量の分布をAIが学習し、発電量が収まる範囲を確率で示す予測区間データを追加
ウェザーニューズは2026年10月、太陽光・風力の発電量予測に「予測区間データ」を加えました。背景は、1本の予測値では不確実性を把握できず、計画やヘッジの検討が難しかったことです。
AIは学習した発電量の分布に、最新の気象予測の幅も加味します。想定用途には非FIT発電所のインバランスリスク低減が挙がり、精度の数値は公表されていません。
予測を発電計画や蓄電池運用の意思決定につなぐ方法は「数理最適化の事例8選|ビジネスでの使い方とAIとの組み合わせ」で整理しています。
参照元:電力広域的運営推進機関「再エネ予測精度向上に向けた取り組みについて」(2024年11月)/NEDO「日射量予測の“大外し”低減技術を開発しました」(2025年10月)/東芝エネルギーシステムズ「複数電力市場での取引戦略の活用により2.3倍以上の収益改善を実証」(2024年3月)/東芝「気象予測とAI技術で風車付近の地形効果を考慮した高精度な風力発電量予測技術を開発」(2024年5月)/ウェザーニューズ「太陽光・風力発電量予測がさらに強化中」(2026年10月)
事業で使うときのデータ要件と導入の進め方

出力予測AIの導入は、データを集める前に、予測の用途を決めることから始めます。用途で見るべき指標も、データの細かさも変わるためです。
必要なデータは、学習の正解になる30分単位の発電実績、入力になる同じ時刻の気象予報値、誤差率の分母を揃える定格容量や、設置場所などの設備情報です。
気象データは、観測値ではなく当時の予報値を残します。運用時にモデルへ入るのは予報値なので、観測値で学習すると予報の外れ方を学べず、本番で誤差が増えます。
| ステップ | やること | 飛ばすと起きること |
|---|---|---|
| 1. 用途と指標を決める | 売電計画ならMAEとインバランス費用、調整力なら3σ相当誤差で合格ラインを置く | RMSEは改善したのに収支が変わらない |
| 2. データを揃える | 発電実績に、出力制御や点検停止の時間帯の印を付ける | 停止中の「発電しない晴天」をAIが学習する |
| 3. 既存予測と比べる | 同じ期間・指標で比べ、改善をインバランス費用に換算する | 投資判断の材料が揃わない |
| 4. 運用で学び続ける | 実績との差を記録して再学習し、精度低下時の判断者を決める | 設備の増設や劣化による精度低下に気づかない |
データの期間は、季節を一巡する1年分以上が弊社の目安で、梅雨や冬の季節風など外れやすい時期を評価期間に含めます。
PoC(=本番開発の前に小さく行う技術検証)の目的と期間の決め方は「AI PoCの進め方とは?期間や失敗しない秘訣を事例と共に解説」で解説しています。
このように、導入は用途と指標を決めた検証から始まります。弊社のAI PoCサービス「ココロミ」(スリムプラン月々99万円〜・スタンダードプラン月々250万円〜)では、再エネ事業者のデータを使った出力予測のPoCをご相談いただけます。
エネルギー分野では、経済産業省の廃炉関連の補助事業でフィジカルAIのデータ処理基盤を担当するほか、電力会社での生成AI研修・研究の支援実績があります(東北電力の1Day研修、部門専用スライド生成AIの研究)。
再エネ出力予測AIに関するよくある質問

Q. 太陽光と風力では、どちらの出力予測が難しいですか?
東芝エネルギーシステムズらの実証では風力のほうが難しく、前日予測の平均誤差は太陽光2.9%、風力10.1%でした。風力は風速で出力が大きく変わるためです(東芝)。
Q. 気象会社の予測サービスと自社でのAI開発は、どう使い分けますか?
自社で予測モデルを持つ場合は、気象予報は気象会社から受け取り、発電量への変換と補正だけを自社データで学習させるのが現実的です。数値気象予報の自社運用は負担が大きいためです。
Q. 工場や公共施設の屋根に置く自家消費型の太陽光でも、出力予測は必要ですか?
余剰を売電するなら必要です。売電の計画に載せるのは発電量から施設の使用電力を引いた余剰量なので、発電量に加えて電力需要の予測も要ります(BIPROGY「太陽光発電量・余剰量予測サービス」)。
Q. 発電所が1か所だけでも出力予測AIは使えますか?
使えます。変換部分は発電所ごとの発電実績で学習するためです。実績が1年分に満たない発電所では、設備仕様から発電量を計算する工学モデルで始め、実績がたまったら学習に加えます(東芝)。
まとめ

再エネの出力予測AIは、インバランスと調整力の費用を減らすための仕組みです。
- 計画と実績のずれはインバランスとして精算され、市場で売電する発電事業者の費用負担になる
- 精度はRMSE・MAEの平均的な誤差と、調整力の確保量を決める大外しを分けて評価する
- 公表事例では、アンサンブル予報や機械学習の補正で調整力の必要量や大外しが減っている
自社データでの予測の検証を検討する段階でも、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。
再エネ出力予測の精度を、自社データで検証しませんか
AI PoCサービス「ココロミ」はスリムプラン月々99万円〜・スタンダードプラン月々250万円〜の月額制です。まずは無料相談からどうぞ。