Google DeepMindが地上100m風速を1時間更新｜日本の再エネ系統統合への示唆

Google DeepMindとGoogle Researchは2026年9月3日、再生可能エネルギー事業者および送配電網運用者に向けた新型AI気象予測モデル「WeatherNext 3」を発表した。30分単位の計画値同時同量制度のもとでインバランス精算コストに直面する日本の新電力各社にとって、1時間間隔・最大5km解像度の気象予測データは発電量計画の乖離を最小化する具体的な判断材料となる。

リアルタイム衛星連携で遅延を半減、世界最高水準の気象予測基盤へ

気象予測分野において、Google DeepMindとGoogle Researchの連合は物理シミュレーション主導の数値予報からデータ駆動型AIモデルへの移行を主導してきた。2023年11月に決定論的モデル「GraphCast」、2024年12月に確率的拡散アンサンブルモデル「GenCast」を発表した同グループは、2025年11月の「WeatherNext 2」を経て、最新の「WeatherNext 3」へとアーキテクチャを発展させた。

従来の気象予報モデルでは、欧州中期予報センター（ECMWF）などの数値予報（NWP: Numerical Weather Prediction）データ作成に約5時間を要していた。6時間ごとの更新頻度と合わさることで、AIモデルの入力データには約7時間のタイムラグが生じていた。WeatherNext 3はこの課題を解消するため、静止気象衛星の観測画像を直接パイプラインに取り込む設計を採用し、データ遅延を3〜4時間へと大幅に短縮している。

さらに、気象AIの独立評価機関であるBrightbandの「Operational WeatherBench」において、最高水準（leader）の精度を記録した。NASAの衛星降水データ（IMERG）を用いた検証では、前世代モデル比で確率精度指標が最大60%改善し、従来の数値予報ベースラインと比べても最大50%の誤差削減を達成している。

世代・モデル名	発表時期	更新頻度 / データ遅延	空間解像度	主要な特徴・用途
GraphCast	2023年11月	6時間更新 / 約7時間遅延	0.25度（約25km）	決定論的グローバル中短期予報。ECMWFを複数指標で凌駕
WeatherNext 2	2025年11月	6時間更新 / 約7時間遅延	0.25度（約25km）	NWPデータ依存型のマルチタスク気象モデル
WeatherNext 3	2026年9月	1時間更新 / 3〜4時間遅延	0.05度〜0.25度（最大約5km）	リアルタイム衛星画像入力。再エネ発電に特化した地上指標を出力

先行利用の現場では、すでに実証運用が進む。再生可能エネルギーの予測オープンソース化を手がける英非営利組織Open Climate Fixは、WeatherNext 3の試験運用を開始した。Open Climate FixのDan Travers共同創設者は「風力と太陽光が電力系統を再形成しており、今や気象は電力需要だけでなく供給そのものを左右している」と述べ、天候の急変が引き起こす電力市場の急変動を捉える上で1時間ごとの高頻度更新が決定打になると評価している。

一般向けには発表同日よりGoogle検索、Googleマップ、Gemini、Google Earth Engineなどの各プロダクトへ予測ストリームが統合された。また、暗号資産ネットワークのBittensor（TAO）やRender（RNDR）などが目指す分散型GPU計算基盤の領域でも、高頻度かつ物理空間に根ざした大規模推論タスクの代表事例としてWeatherNext 3の計算パイプラインが注視されている。

参考記事: NVIDIA Earth-2の仕組みと実用化予測｜気象AIが突破した「物理シミュレーション」の限界と3つの課題

ハブ高さ100m風速と雲量・日射量を捉えるマルチ解像度アーキテクチャ

WeatherNext 3がエネルギーインフラ運用に直結する最大の要因は、出力データの項目と解像度が発電タービンや太陽光パネルの物理的特性に合わせて設計されている点にある。

風力発電において、風車ブレードの回転中心となるハブの高さは地上80〜120mに集中する。しかし、従来の気象予報モデルが主に出力してきたのは地上10mの風速データであった。地上10mの風速から大気境界層の鉛直プロファイルを推定する対数則やべき法則の補正計算は、接地逆転層の発生や夜間の低空ジェット気流などの大気安定度によって大きな誤差を生む。WeatherNext 3は、地上10mだけでなく「地上100m」の風速・風向を直接予測ターゲットとして学習・出力する。

太陽光発電に対しては、全天日射量のうちパネル変換効率を大きく左右する直達日射量と散乱日射量の比率を決定する「雲量」および「入射太陽放射量」を高精度に出力する。これら発電関連指標の空間解像度は0.1度（約10km）に設定され、地上気温や露点温度については最大0.05度（約5km）の超解像度で提供される。

[静止気象衛星データ（リアルタイム）] + [大気解析データ]
              │
              ▼ （データ遅延を3〜4時間に半減）
┌─────────────────────────────────────────────────────────┐
│              WeatherNext 3 推論エンジン                 │
└─────────────────────────────────────────────────────────┘
              │
   ┌──────────┼─────────────────────────┐
   ▼          ▼                         ▼
【0.05度 (約5km)】   【0.1度 (約10km)】          【0.25度 (約25km)】
・地上気温          ・地上10m / 100m風速・風向    ・大気圧面データ
・露点温度          ・雲量 / 入射太陽放射量      （高層物理量）
                     ・降水量

Google DeepMindのシニアリサーチサイエンティストであるIlan Price氏は「次の解析データを待たずに最新の情報を直接利用することで、予測精度が大幅に向上する」と述べている。従来のバッチ処理的な数値予報生成プロセスを待たず、直近の衛星画像を取り込むフィードフォワード型の推論設計が、1〜12時間先の直近予測（NowcastingからShort-range forecasting領域）の精度を底上げした。

参考記事: Googleデータセンターの1.9GW再エネ戦略｜鉄空気電池と「グリッド安定化」の仕組み

計画値同時同量制度とインバランスリスクに直面する日本への示唆

日本の電力システム改革において、発電事業者や小売電気事業者（新電力）は発電計画と実績を30分単位で一致させる「計画値同時同量制度」を義務付けられている。計画と実績のズレは「インバランス」と呼ばれ、一般送配電事業者が需給調整を実施した上で、その費用がインバランスペナルティとして事業者に請求される。

特に近年の日本では、九州エリアをはじめとする各地で日中の太陽光発電の出力制御が常態化している。同時に、夕方の太陽光出力低下と点灯需要が重なる時間帯には、需給逼迫による市場価格の乱高下が発生する。1時間ごとに地上100m風速や日射量が更新されるモデルの導入は、日本国内の電力運用に次のような実務的変化をもたらす。

第一に、前日正午に締め切られる翌日（デイアヘッド）スポット市場入札の適正化である。従来の6時間間隔予報では、前日朝の気象情報をもとに翌日24時間の発電量を推計せざるを得ず、特に前線性降雨や局地風の通過タイミングがずれた際のペナルティリスクが高かった。1時間更新の短周期予測が組み込まれれば、当日市場（イントラデイ）でのポジション調整が迅速化し、調達コストのブレを抑止できる。

第二に、系統用蓄電システムの充放電アルゴリズムの最適化である。予測精度向上によって1〜12時間先の価格高騰時間帯と余剰電力が生じる時間帯をより正確に把握できるため、蓄電池の空き容量を無駄なく活用できる。

一方で、日本市場特有の構造的課題も存在する。日本の国土は急峻な山岳地形と複雑な海岸線で構成されており、5〜10kmメッシュの予測であっても局地的な谷風・海陸風や山岳波の影響を完全に表現しきれない場合がある。このため、WeatherNext 3のグローバル予測ストリームをそのまま使うのではなく、風力発電所やメガソーラーの実測ログを用いた局所的な統計補正（MOS: Model Output Statistics）やローカル機械学習モデルとのハイブリッド運用が技術的な前提条件となる。

参考記事: Googleの1GW太陽光契約とAI電力戦略｜テキサス州データセンター需要への「追加性」という回答

技術責任者・エネルギー事業者が取るべき行動

気象予測がソフトウェアとAI基盤モデルの領域へ移行した現実を受け、事業責任者や技術者が検討すべき具体的なアクションは以下の通りである。

自社アセットにおける予測誤差とインバランス費用の相関分析

自社の風力・太陽光発電所または契約電源において、直近1年間の予測乖離がどの時間帯・気象条件下で集中的に発生しているかを定量化する。特に地上風速と高度100mの局所風向のズレが引き起こす出力誤差を把握し、AI予測モデルを導入した際の費用対効果を試算する。

リアルタイムAPIの検証とハイブリッド推論パイプラインの設計

Google Earth Engine等を通じて提供される高解像度データの試験取得を開始する。グローバルAIモデルの出力（100m風速、雲量、日射量）を特徴量として取り込み、自社の局所観測データ（SCADAデータ）と結合して最終的な発電量出力を推定するエッジ・クラウドハイブリッド型の予測パイプラインを構築する。