CN102640297A

CN102640297A - 异常诊断装置和异常诊断方法

Info

Publication number: CN102640297A
Application number: CN2010800552558A
Authority: CN
Inventors: 长谷川义朗; 佐藤诚; 酢山明弘
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 2010-02-26
Filing date: 2010-10-25
Publication date: 2012-08-15
Anticipated expiration: 2030-10-25
Also published as: EP2541611B1; WO2011104931A1; EP2541611A1; AU2010346725A1; EP2541611A4; US9209743B2; US20120323507A1; CN102640297B; AU2010346725B2

Abstract

具备：日照状况估计部（204），使用从串输出的实际的输出功率、以及根据对发电带来影响的日照状况来预测输出功率的输出特性模型，并按发电模块，将最接近实际的输出功率的日照状况的值估计为日照状况估计值；日照状况空间校正部（206），以注目串中包含的发电模块的日照状况估计值的总和收纳于由与注目串的长尺寸方向的面邻接的每个邻接串的日照状况估计值的总和所决定的范围内的方式，对日照状况估计值进行校正，获得校正日照状况估计值；以及输出功率异常判定部（207），在使用输出特性模型以及校正日照状况估计值计算出的发电模块所期待的期待输出功率的串内的总和与实际的输出功率之差大于等于阈值、而且实际的输出功率小于期待输出功率的情况下，判定为异常产生。

Description

异常诊断装置和异常诊断方法

技术领域

本发明涉及异常诊断装置和异常诊断方法。

背景技术

太阳能发电系统具备串联连接有多个发电模块的串（string），并构成为以串为单位来感测发电输出（功率值或电流值）。各个发电模块因老化，即使在相同的日照状况下发电输出也会一点一点减少。此外，由于制造质量上的问题、物理上的损伤等理由，有时发电输出会急剧降低。由于产生了制造质量上的问题、物理上的损伤等异常的发电模块的输出接近零，所以当放置不管时就会对发电没有任何贡献。

因此，为了提前修理·更换这样的发电输出急剧降低的发电模块，就需要异常诊断装置。例如在设置了能对所有的发电模块的发电输出进行检测的传感器（电流计等）的情况下，能在日照度高时感测到传感器值为零的发电模块。

但是，由于制造成本的制约，对所有的发电模块都设置发电输出传感器是很困难的。通过对每个串的发电输出相互进行比较，从而检测出包含异常模块的串。计算出各串的发电输出的平均值，将例如比平均值低20％的串视为异常。

现有技术文献

专利文献

专利文献1：日本特开2005-340464号公报；

专利文献2：日本专利第2874156号公报。

附图说明

图1是表示异常诊断系统的概念图。

图2是表示异常诊断装置的框图。

图3是表示异常诊断装置的动作的流程图。

图4A是表示模块位置数据储存部中储存的模块位置数据的一个例子的图。

图4B是表示模块位置数据储存部中储存的模块位置数据的一个例子的图。

图5A是表示日照状况的一个例子的图。

图5B是表示日照状况中的输出功率数据储存部中储存的输出功率数据的一个例子的图。

图6A是表示输出特性模型的一个例子的图。

图6B是表示输出特性模型储存部中储存的输出特性模型的一个例子的图。

图7A是表示输出特性模型的一个例子的图。

图7B是表示每个发电模块的日照量的一个例子的图。

图7C是表示将图7B所示的日照量的结果视觉化后的一个例子的图。

图7D是表示在图7D中使用的参数的一个例子的图。

图8是表示日照状况空间校正部的动作的流程图。

图9A是表示日照状况空间校正部的校正处理的第一处理的一个例子的图。

图9B是表示校正处理的第二处理的一个例子的图。

图9C是表示校正处理的第三处理的一个例子的图。

图9D是表示将图9C所示的校正处理结果视觉化后的一个例子的图。

图10是表示输出功率异常判定部的动作的流程图。

图11A是表示每个串的期待输出功率的一个例子的图。

图11B是表示每个发电模块的期待输出功率的一个例子的图。

图11C是表示输出特性模型的一个例子的图。

图12是表示将异常判定处理的结果视觉化后的一个例子的图。

图13是表示将长时间的输出功率数据中的日照状况估计结果视觉化后的一个例子的图。

图14是表示将按时间序列的日照状况估计结果视觉化后的一个例子的图。

图15是表示本发明第二实施方式的太阳能发电系统的一个构成例的图。

图16是用于对本发明第二实施方式的太阳能发电系统的发电模块的识别编号以及串的识别字符进行说明的图。

图17是用于对模块位置数据储存部中储存的位置数据的一个例子进行说明的图。

图18是用于对发电输出数据储存部中储存的输出功率的一个例子进行说明的图。

图19是用于说明获得图18所示的输出功率时的日照状况的图。

图20是用于对按发电模块设定的输出特性模型的尺度参数的一个例子进行说明的图。

图21是表示按发电模块计算出的日照值的一个例子的图。

图22A是用纹理（texture）表示图21所示的日照值的图。

图22B是表示在图22B中使用的参数的一个例子的图。

图23A是用于对本发明的一个实施方式的异常诊断装置的动作的一个例子进行说明的流程图。

图23B是用于对使用位置数据来将每个发电模块的日照状况进行空间校正的动作的一个例子进行说明的流程图。

图24是用于对将每个发电模块的日照状况进行空间校正的方法的一个例子进行说明的图。

图25是表示进行了空间校正后的、每个发电模块的日照状况的一个例子的图。

图26A是用纹理表示图25所示的日照状况的图。

图26B是表示在图26A中使用的参数的一个例子的图。

图27是用于对根据进行了空间校正后的日照状况来对产生了异常的发电模块进行诊断的方法的一个例子进行说明的流程图。

图28是表示根据进行了空间校正后的日照状况来计算出的每个发电模块的发电输出的期待值的一个例子的图。

图29是用于对使用将每个发电模块的发电输出的期待值相加后的串的期待输出、与发电输出数据中储存的数据之差来进行诊断的方法的一个例子进行说明的图。

图30是用于对利用时间序列取得发电输出数据并对发电模块的异常进行诊断的方法的一个例子进行说明的图。

具体实施方式

以下，一边参照附图，一边对实施方式的异常诊断装置以及方法详细地进行说明。另外，在以下的实施方式中，对于标注相同附图标记的部分，进行同样的动作，并省略重复的说明。

参照图1对包含第一实施方式的异常诊断装置的太阳能发电系统中的异常监视系统的一个例子进行说明。

异常监视系统100包含：发电模块101、计测装置103、控制装置104以及异常诊断装置105。

发电模块101是通过对例如太阳能等的光进行光接收从而进行发电的发电面板，对多个发电模块101进行串联连接而形成一个串102。在图1的例子中，对5个发电模块101进行串联连接而形成一个串102，且设置有多个串102。

计测装置103连接到每个串102，对串102的输出电流或者输出电压进行计测。

控制装置104对多个串102的开路电压等进行控制。

异常诊断装置105接受由各计测装置103计测的多个串102的计测值，并基于计测值，对有异常的串102或者发电模块101进行判定。另外，也可以不将异常诊断装置105直接连接于计测装置103，而将服务器（未图示）连接于计测装置103并对来自各计测装置103的输出值进行蓄积，处于远距离的异常诊断装置105从服务器接受数据来进行判定。

接着，参照图2对本实施方式的异常诊断装置详细地进行说明。

本实施方式的异常诊断装置105包含：模块位置数据储存部201、输出功率数据储存部202、输出特性模型储存部203、日照状况估计部204、模块日照状况储存部205、日照状况空间校正部206以及输出功率异常判定部207。

模块位置数据储存部201将设置各发电模块的位置数据作为模块位置数据储存起来。对于模块位置数据，将参照图4在后面叙述。

输出功率数据储存部202按串102，将一定期间计测的功率值相对应地作为输出功率数据储存起来。另外，输出功率数据也可以是电流值或者电压值。

输出特性模型储存部203按发电模块101来储存输出特性模型，该输出特性模型能根据日照量、气温等对发电带来影响的日照状况来预测输出功率。另外，输出特性模型只要能根据日照状况，计算出表示由发电模块101假定的输出功率的预测值的期待输出功率，就是怎样的模型都可以。作为计算期待输出功率的模型，例如，只要使用神经网络、线性回归模型即可。对于储存在输出特性模型储存部203中的输出特性模型，将参照图6在后面叙述。

日照状况估计部204从输出功率数据储存部202接受输出功率数据，从输出特性模型储存部203接受输出特性模型，将离输出功率数据最近的日照状况的值估计为日照状况估计值。具体地说，将输出功率数据适合于输出特性模型的情况下的日照量按发电模块101作为日照状况估计值进行计算。

模块日照状况储存部205从日照状况估计部204接受日照状况估计值并将其储存起来。此外，模块日照状况储存部205接受表示由后述的日照状况空间校正部206校正的日照状况估计值的校正日照状况估计值并将其储存起来。

日照状况空间校正部206从模块位置数据储存部201接受模块位置数据，从模块日照状况储存部205接受日照状况估计值。而且，日照状况空间校正部206基于模块位置数据在邻接的发电模块101间以使日照状况估计值的连续性提高的方式进行空间校正。对于日照状况空间校正部206的动作，将使用图8以及图9在后面叙述。

输出功率异常判定部207分别从输出功率数据储存部202接受输出功率数据，从输出特性模型储存部203接受输出特性模型，从模块日照状况储存部205接受更新后的日照状况估计值。而且，输出功率异常判定部207对利用输出特性模型计算出的期待输出功率（具体地说，串102内的发电模块101的期待输出功率的总和）和实际的输出功率数据进行比较，对输出降低并估计为有异常的发电模块101进行判定。在此异常包含：完全故障并无法发电的状态以及发电量比通常假定的发电量低很多的状态。例如，在与通常假定的发电量相比只能获得5成左右的输出功率的情况下，设其发电模块为异常。对于输出功率异常判定部207的动作，将参照图10以及图11在后面叙述。

接着，对于异常诊断装置的动作，参照图3的流程图详细地进行说明。

在步骤S301中，分别在模块位置数据储存部201中读入模块位置数据，在输出特性模型储存部203中读入输出特性模型。进而，按一定期间，计测装置103计测每个串102的输出功率，并将其储存在输出功率数据储存部202中。另外，也可以利用处于外部的读入单元，在装置初始起动时或者周期性地读入模块位置数据和输出特性模型，并将其分别储存在模块位置数据储存部201和输出特性模型储存部203。

在步骤S302中，日照状况估计部204根据输出功率数据来估计每个发电模块101的日照状况，并计算出日照状况估计值。

在步骤S303中，日照状况空间校正部206参照模块位置数据来对每个发电模块101的日照状况进行空间校正。

在步骤S304中，输出功率异常判定部207使用校正后的每个发电模块101的日照状况估计值，对发电模块101是否有异常进行判定。

下面，对本实施方式的异常诊断装置的动作具体地进行说明。

首先，对于模块位置数据的一个例子，参照图4来详细地进行说明。

在图4A中，将发电模块101的横一列5个作为一组来形成串102。进而，设置了串102呈纵6列、横3列并列，合计18个串（发电模块101为90个）。在各发电模块101中，给予1、2、…、90的ID。此外，对各串102给予组ID，由例如从ID1到5的发电模块101形成的串102的组ID为A。在下面，组ID为A的串102也被称为串A。另外，虽然在此以18个串为一个例子，但是不限于此，也可以使用任意的数目以及任意的排列。

在图4B中，将图4A所示的发电模块101的ID、组ID、X坐标以及Y坐标作为模块位置数据401储存起来。另外，X坐标以及Y坐标可以如模块位置数据401那样使用人工栅格（grid）上的位置坐标，也可以使用更详细的纬度以及经度的值。

接着，对于输出功率数据的一个例子，参照图5来详细地进行说明。

图5A示出对进行了图4A所示的配置的串102施加由云501导致的阴502的状态下的输出功率数据。具体地说，对串A、B、C、G、H以及I附近施加由云501导致的阴502，进而，设在发电模块101的ID（识别编号）为35以及74（以下称为发电模块35、发电模块74）的发电模块中有异常。

图5B是表示输出功率数据储存部202中储存的图5A所示的状况下的每个串102的输出功率数据的表。按组ID将在相同时间内采样的输出功率储存在表中。另外，输出功率数据既可以是时间内的平均，也可以取总和。当参照图5B所示的表时可知，施加了阴502的部分的发电模块101，与没有阴502的部分的发电模块101相比，输出功率变低。

接着，对于输出特性模型的一个例子，参照图6来详细地进行说明。

图6A是每个发电模块的尺度参数r的值。通过使用该r，从而能反映出每个发电模块的质量差或者过去判明的有异常的发电模块的信息。例如，在将具备平均的输出功率的发电模块的r设为1.0的情况下，r＝1.05的发电模块可以说与平均的发电模块相比，是输出超出5％的质量。进而，关于制造时、设置时的试验结果好的发电模块，只要预先将r设定得较高即可。另外，可以使全部的r为相同的值，也可以按发电模块而为不同的r值。此外，过去判明异常、尚未更换的发电模块为了不会用在异常判定处理中，只要预先设定为r＝0.0即可。

图6B是使用每个发电模块的尺度参数r的输出特性模型的一个例子，是表示输出功率相对于日照量怎样变化的图表。在输出特性模型601中，表示r为1.0的情况下的输出特性，其成为基本模型。输出特性模型602示出r低于1.0的情况下的输出特性。能利用该输出特性模型来决定期待输出功率。图6的例子虽然使用了单变量模型，但可以使用还追加了例如温度的2变量模型等。通过像这样作为表示每个发电模块的状态的指标而作为尺度参数r进行准备，从而能实现考虑了质量之差、诊断结束的异常模块的异常判定。

接着，对于日照状况估计部204的估计处理，参照图7A至图7C来详细地进行说明。

图7A表示使用图6A的尺度参数r的输出特性。图7A的输出特性模型的基本模型由式（1）表示。

W＝200×S …（1）

在此，W表示输出功率，S表示日照状况估计值。进而，在设发电模块i （i为任意的自然数）的尺度参数为r （i）的情况下，输出特性模型能由式（2）表示。

W（i）＝200×r（i）×S（i）…（2）

图7A中的输出特性模型701表示发电模块74的输出特性，输出特性模型702表示发电模块90的输出特性。在被给予每个串102的输出功率数据的情况下，日照状况估计值利用式（3）来求出。

S（i）＝W（i）／r（i）／200…（3）

例如，根据图5B，由于将包含发电模块74的5个发电模块串联连接后的串O的输出功率为890（kW），所以发电模块“74”的日照状况估计值能如式（4）那样进行计算。

S（74）＝890／5／1.10／200≈0.809…（4）

同样地，发电模块“90”若使用输出特性模型702，就会成为S（90）＝1.00。另外，在r（i）＝0的情况下，由于不使用在异常判定处理中，所不进行计算。

图7B是按串102来计算出如上所述的日照状况估计值的结果。区块703以及704分别表示是发电模块“74”以及“90”。各发电模块101的日照状况估计值由于只按串102来知晓输出功率，所以串102内的发电模块101的日照状况估计值是假设为均匀来进行估计的。

图7C是根据日照状况估计值用斜线来在视觉上表达图7B的结果的图，图7D是表示与日照状况估计值对应的斜线的种类的表。根据图7C，可知串O的日照状况估计值与周边的串相比较低。

接着，对于日照状况空间校正部206中的空间校正处理，参照图8的流程图以及图9来详细地说明。由于考虑到日照有空间上的连续性，所以利用位置信息以提高空间上的连续性的方式进行校正，这能进行更正确的日照状况的估计。

在步骤S801中，对日照产生了偏差的串102进行空间平滑（smoothing）。在此，使用注目的串102（以下称为注目串）的日照状况估计值、以及从形成注目串102的各发电模块101到形成注目串102以外的串102的各发电模块101的各距离彼此之差为最小且包含该距离为最短的发电模块101的、与注目串102的两侧邻接的串102（以下称为邻接串）的日照状况估计值，来进行空间平滑处理。

在此，对于长尺寸方向的面，若串为矩形，就表示长边侧的面，在串为波形的情况下，表示山谷连续的一侧的面。

具体地说，在图7B中，串Q的日照状况估计值0.982是，小于上侧邻接的串P的日照状况估计值1.01且小于下侧邻接的串R的日照状况估计值1.00的值。由于难以考虑为像这样V字型的日照的偏差在狭窄的范围内产生，所以在这样的情况下，利用串P与串R的平均如式（5）那样来校正串Q的日照状况估计值。

S（Q）＝（S（P）＋S（R））／2＝（1.010＋1.000）／2＝1.005…（5）

在图9A中示出结束了步骤S801的处理的每个串102的日照状况估计值。另外，在作为不仅高出了V字型的日照的偏差而且还高出了3个邻接的串102的中心的串102的日照的状态的、有∧字型的日照的偏差的情况下，也进行同样的空间平滑。

在步骤S802中，在注目串102的日照状况估计值处于与注目串102的短尺寸方向的面邻接的两侧的串102的日照状况估计值的范围内的情况下，以不使注目串102的日照状况估计值的总和变化的方式，在注目串102内进行日照状况估计值的再分配。这是因为，由于串102内的发电模块的日照状况估计值是假设均匀来进行估计的，所以通过在维持注目串102的日照状况估计值的总和的状态下对注目串102内的发电模块101的日照状况估计值附加倾斜，从而能对于日照更再现空间上的连续性。

具体地对再分配的一个例子进行说明。在图9A中，首先，与和串G901（串A的右相邻）的发电模块的连接方向垂直地邻接的串A的日照状况估计值0.198相匹配地，使在串G901内与串A最邻接的发电模块“31”的日照状况估计值为0.198。接着，与串M的日照状况估计值1.000相匹配地，使在串G901内与串M最邻接的发电模块“35”的日照状况估计值为1.000。最后，由于串G901的日照状况估计值的总和为0.418×5＝2.09，所以以不使该总和变化的方式对剩余的发电模块“32”“33”“34”的日照状况估计值进行更新。在此，使发电模块“32”以及“33”的日照状况估计值为0.198，使发电模块“34”的日照状况估计值为0.496，在串内附加倾斜。另外，虽然基本应用了3阶段的倾斜处理，但也可以应用3阶段以上的倾斜计算。

针对图9A的日照状况估计值，在图9B示出在串内对发电模块的日照状况估计值进行了倾斜计算的结果。

在步骤S803中，进行每个发电模块的空间平滑，并作为更新后的日照状况估计值，最终获得校正日照状况估计值。作为步骤S803中的空间平滑处理，只要应用根据空间平均、空间中值（median）、马尔科夫概率场的平滑等即可。在图9C中示出应用空间平均来按发电模块进行了空间平滑的结果。

在图9C中，通过取与发电模块邻接的8个发电模块和自身的估计值的平均值，从而获得各发电模块的校正日照状况估计值。图9D是基于图7D的表述并根据校正日照状况估计值来用斜线表达图9C的结果的图。当与进行图7C所示的空间的校正之前的日照状况估计值比较时可知，提高了空间上的日照状况的连续性。至此结束空间校正处理。通过像这样进行空间校正处理，从而能获得空间上的连续性提高了的校正日照状况估计值。另外，在串的形状为正方形的情况下，将步骤S801以及步骤S802的校正处理怎样应用于邻接串中都可以。例如，也可以不进行步骤S801的校正处理地将步骤S802的校正处理应用于处于注目串的上下左右的邻接串。

进而，虽然在注目串的两侧的2个串进行了空间校正处理，但是不限于此，也可以使用多个处于两侧的再外面的串来进行步骤S801的校正处理。

接着，参照图10的流程图，对输出功率异常判定部207中的异常判定处理详细地进行说明。

在步骤S1001中，按发电模块来计算出期待输出功率。具体地说，当设发电模块i的值为S’（i）时，该发电模块的期待输出功率W’（i）由式（6）表示。

W’（i）＝200×r（i）×S’（i）…（6）

在步骤S1002中，按串来计算出作为输出功率与期待输出功率之差的输出差。另外，由于输出功率只按串来获得，所以以串为单位来对每个发电模块的期待输出功率进行相加，对输出功率和期待输出功率进行比较。

在步骤S1003中，按串，判定期待输出功率是否小于输出功率，并且输出差是否小于阈值。若没有期待输出功率小于输出功率且输出差小于阈值的串，则结束异常判定处理。若有1个以上的、期待输出功率小于输出功率且输出差小于阈值的串，则将它们作为异常串的候补而进入到步骤S1004中。

在步骤S1004中，参照与串的长尺寸方向的面邻接的串的输出差，判定是否从异常串的候补减少了。具体地说，在连续邻接的串的输出差变大的情况下，从候补中删除这些连续的串。这是因为，考虑到故障在2个邻接的串中产生的可能性较低。在存在应从异常串的候补中删除的串的情况下，从候补中删除这些串，将剩余的串作为异常串的候补，并进入到步骤S1005中。此外，在没有应从异常串的候补中删除的串的情况下，保持原样地进入到步骤S1005中。此外，删除了异常串的候补的结果是，在成为候补的串变没了的情况下，结束异常判定处理。

在步骤S1005中，对输出差和每个发电模块的期待输出功率进行比较，来确定异常模块的位置。

在此，对于输出功率异常判定部207的异常判定处理的一个例子，参照图11A至图11C来详细地进行说明。

图11A是将每个串的输出功率、期待输出功率以及输出差对应起来进行储存的表，图11B示出每个发电模块的期待输出功率，图11C是根据输出特性模型计算出的期待输出功率的一个例子，在此示出发电模块“74”的例子。具体地说，发电模块“74”的期待输出功率成为如式（7）所示。

W’（74）＝200×1.10×0.985≈217（kW）…（7）

当设在图10的步骤S 1003中使用的阈值Δ＝50时，在图11A的例子中，将输出差小于－50的串C、D、G以及O提取为异常串1101的候补。接着，从异常串1101的候补中删除连续的串C以及D，最终异常串1101被判定为串G以及O。

最后，在异常串1101内对有异常的发电模块位置进行判定。在串G的情况下，当假定输出差为－93、同时2个发电模块没有故障时，因期待输出功率小于等于93的发电模块发生了故障这一理由而无法成为该输出差。由此，发电模块31以及32被从候补中排除在外，发电模块“33”“34”“35”的任一个成为有异常的发电模块。在串O的情况下，输出差为－194，串O的全部的发电模块“86”到“90”存在异常的可能性。

在图12中示出最终输出的异常判定处理的结果显示的一个例子。

在图12中，检测出2个异常串，对于一个，判定为在从中央到右侧的发电模块中存在异常。另外，如图12所示那样，既可以是用户能在视觉上识别有异常的发电模块的位置，也可以是利用数值将有异常的发电模块展示给用户。以上所示的异常判定处理可以使用多次判定结果来综合地判定，在那样的情况下，关于有异常的发电模块的位置确定，优选进一步的精度提高。

在此，在图13以及图14中示出使用长时间计测的输出功率数据来进行了异常判定处理的结果。

如图13所示那样，虽然将日照的偏差考虑为带状，但是在本实施方式中只要日照的偏差是连续的，形状就不是问题，因此，即使在那样的情况下，也能进行异常判定。进而，将准备模块日照状况估计用的存储部按对应的时间并按时间序列储存了输出功率数据的情况示于图14。这样，在加入时间上的校正来进行了时间空间校正的情况下，能进行更高精度的日照的把握，能进行正确的异常判定。

根据以上示出的本实施方式，能通过以提高空间上的连续性的方式校正发电模块的输出功率从而正确地检测异常，进而能对产生了异常的发电模块的位置进行估计。

接着，参照附图对第二实施方式的异常诊断装置和异常诊断方法进行说明。另外，在以下的说明中，对于与上述的第一实施方式同样的构成，标注相同的附图标记并省略说明。

在图15中概略地示出太阳能发电系统和第二实施方式的异常诊断装置。太阳能发电系统具备经由网络1506连接于远距离诊断服务器1507的多个发电面板1505。发电面板1505具备：多个串1502；对各串的输出电压以及输出电流进行计测的计测装置1503；以及用于将由计测装置1503计测的输出电压以及输出电流发送到远距离诊断服务器1507的通信装置1504。串1502具备串联连接的多个发电模块1501。在图15中，6个发电面板1505的通信装置1504连接于网络1506。对远距离诊断服务器1507，提供5个发电面板1505的各串1502的输出电压值以及输出电流值。在远距离服务器1507中装载有图2所示的异常诊断装置105。

另外，上述异常诊断装置可以利用硬件来实现各构成，也可以利用软件来实现，进而还可以利用硬件和软件的组合来实现。

在图16中示出储存于模块位置数据储存部201中的发电模块位置数据的一个例子。在模块位置数据储存部201中，作为模块位置数据储存有设置各发电模块1501的位置数据。另外，在下面，利用图16所示的记号和表述形式来表示并说明图15所示的太阳能发电系统。

在图16所示的例子中，具备配置成3行5列的矩阵状的15个发电模块1501的发电面板1505，配置于6处。对各发电模块1501赋予识别编号（ID）1～90。串1502具备串联连接的5个发电模块1501。对各串1502赋予组识别字符，例如，识别编号为1～5的发电模块1501构成了组识别字符为A的串1502。

如图17所示那样，模块位置数据储存部201对发电模块1501的识别编号、串1502的组识别字符、发电面板1505的识别编号、发电模块1501的位置坐标（X坐标、Y坐标）进行蓄积。发电模块1501的位置坐标（X坐标、Y坐标）可以是人工栅格上的位置坐标，此外也可以是纬度和经度。位置坐标只要是具有能确定发电模块1501的位置的分辨率的坐标即可。

发电输出数据储存部202对由计测装置1503计测的输出电压值以及输出电流值进行蓄积。在本实施方式中，发电输出数据储存部202将一定期间中的每个串1502的输出实绩值储存为发电输出数据。异常诊断装置构成为能利用远距离诊断服务器1507的显示器或连接于外部的显示单元，向用户提示由计测装置1503计测的输出电压值以及输出电流值。

在图18中示出图16所示的太阳能发电系统中的发电输出数据的一个例子。此外，图18所示的发电输出数据是在对例如6个发电面板1505（识别编号1～6）的识别字符A、B、C、G、H、I的串1502施加云的影子的状况下获得的。

图18的发电输出数据是一定时间内测定的输出电压以及由输出电流计算出的输出功率值的累计值。另外，发电输出数据可以是一定时间内的输出功率值的平均值，也可以是累计值。另外，在以下的例子中，对在识别编号35和识别编号74的发电模块1501中有异常的情况进行说明。

在图19中示出获得图18所示的发电输出数据时的日照状况的一个例子。6个发电面板1505相互隔开距离地进行设置。识别编号1的发电面板1505由于位于云1900的影子中，所以日照度变低。此外，由于识别编号3的发电面板1505的一部分也位于云1900的影子中，所以是日照度低的状态。在这样的日照状况中，识别字符A、B、C、G、H、I的串1502的输出功率成为比其他串1502低的趋势。

输出特性模型储存部203按发电模块1501来储存能根据日照度、气温等影响发电的日照状况来预测发电输出的输出特性模型。输出特性模型只要是能以日照状况为输入来计算出发电输出预测值的模型即可，例如，可以使用神经网络或线性回归模型等。

在图6B中示出输出特性模型的一个例子。在图6B所示的模型中，利用基本模型601和每个模块的尺度参数r来对输出特性进行定义。基本模型601是针对日照度的平均的发电模块的输出特性模型。例如尺度参数r的情况下的输出特性能用图表602来表示。通过使用图表602来计算出Y轴相对于X轴的日照度的值，从而决定发电模块1501的发电输出预测值。

另外，虽然图6B的例子使用了将日照度作为变量的单变量输出特性模型，但是也可以使用例如将日照度、温度作为变量的2变量输出特性模型、进而追加了其他参数的多变量输出特性模型。

在图20中示出按发电模块1501来设定的尺度参数r的一个例子。尺度参数r能设定为反映了每个发电模块1501的质量的差、或过去判明的异常的值。例如，r＝1.05的发电模块1501能解释成输出与平均的发电模块1501相比超出了5％的质量。关于制造时、设置时的试验结果好的发电模块1501，能预先将尺度参数r设定得较高。

另外，可以使全部的尺度参数r为相同的值。此外，对于过去判明异常、尚未更换的发电模块1501，将尺度参数r设定为0.0。通过像这样将每个发电模块1501的状态设定为尺度参数r，从而能做成考虑了每个发电模块1501的质量的差或诊断结束的异常的输出特性模型。

模块日照状况存储部204是用于对各发电模块1501中的日照状况估计值进行一次存储的存储器区域。模块日照状况存储部204例如被确保在远距离诊断服务器1507上的一次存储区域中。

输出日照状况估计部205构成为使用发电输出数据储存部202中储存的发电输出数据和输出特性模型储存部203中储存的输出特性模型，按发电模块1501来求取所获得的发电输出数据最易发生的日照状况。输出日照状况估计部205将求取的日照状况储存在模块日照状况存储部204中。例如，输出日照状况估计部205中的日照状况估计的基本模型与图7A所示的模型是同样的。

在图21中示出利用上述的计算而估计的全部发电模块1501的日照度的一个例子。此外，在图22A中示出利用按图22B所示的值的每个范围而不同的纹理来表示利用上述计算而估计的日照度的图。在图21以及图22A中，将识别字符O的串1502中包含的发电模块1501的估计的日照度与对周边的串1502估计的日照度进行比较，可确认到较低。

在此，实际上，由于考虑到日照具有空间上的连续性，所以利用发电模块1501的位置数据来以使空间上的连续性提高的方式进行了校正，这能期待可进行更正确的日照的估计。

日照状况空间校正部206具备：空间平滑单元，将模块1501的日照状况的估计值，作为与包含发电模块1501的规定的区域内的其他发电模块的日照状况的估计值平均后的值。空间平滑单元针对关注发电模块利用模块位置数据储存部201中储存的位置数据来确定处于规定的范围内的其他发电模块1501，针对在模块日照状况存储部204中储存的关注发电模块的日照度，以提高在关注发电模块与其他发电模块间估计的日照度的连续性的方式进行空间校正。空间校正后的日照度被储存在模块日照状况存储部204中。

发电输出异常诊断部207具备：计算出发电模块1501的期待输出功率的单元；计算按串1502将发电模块1501的期待输出功率相加后的值与实际的输出功率数据的输出差ΔW的单元；将输出差ΔW超过阈值的串1502感测为异常串的单元；以及通过对异常串的输出差ΔW和构成异常串的发电模块1501各自的期待输出功率的值进行比较，从而确定有产生了异常的可能性的发电模块1501的单元。

发电输出异常诊断部207通过对假设估计的日照状况正确时的输出特性模型的发电输出期待值与发电输出数据进行比较，从而对能估计为输出降低了的发电模块进行诊断。

在图23A中示出用于说明异常诊断的动作的流程图。首先，异常诊断装置读出模块位置数据储存部201中储存的位置数据、发电输出数据储存部202中储存的发电输出数据、以及输出特性模型储存部203中储存的输出特性模型（步骤S2301）。输出日照状况估计部205使用读出的位置数据、发电输出数据和输出特性模型来对日照度进行估计（步骤S2302），并将其记录到模块日照状况存储部204中。接着，日照状况空间校正部206使用位置数据对估计的日照度进行空间校正（步骤S2303）。

在图23B中示出用于说明空间校正处理的一个例子的流程图。首先，日照状况空间校正部206的空间平滑单元在关注了发电模块1501时，从靠近该发电模块1501的发电模块起按顺序对N个发电模块1501进行检索（步骤S3002）。发电模块1501间的距离能根据模块位置数据储存部1501中储存的位置坐标来求取。

接着，基于从关注的发电模块1501起在半径τ的半球内的区域2402所具有的全部发电模块1501的日照度s，对注目的发电模块1501的日照度s进行估计。在本实施方式中，在对日照度s进行估计时使用利用内核（kernel）法进行了加权后的空间平均法（步骤S3003）。对于内核插值法，详细记载于“Trevor Bailey，Tony Gatrell,Interactive Spatial Data Analysis,Prentice Hall,1996ISBN：0582244935.”等中。加权后的空间平均利用以下的式子来表示。

[式1]

s (i) = \underset{j}{Σ} w_{j} s (j) / Σ w_{j}

在此，加权设为

[式2]

\underset{j}{Σ} w_{j} = 1

在图24中示出用于说明加权的空间平均法的图。在图24中，作为一个例子，关注识别编号3的发电面板1505的、包含于识别字符H的串1502中的识别编号38的发电模块1501。根据以该发电模块1501为中心的半径τ的半球内的区域2402中所包含的发电模块1501的日照度的平均值，对关注的发电模块1501的日照度进行估计。

当利用包含于半径τ的半球内的区域2402中的发电模块1501的日照度时，根据离关注的发电模块1501的距离，对利用的日照度进行加权。为了利用计算结果反映出离关注的发电模块1501近的发电模块1501的日照度，而使用下述那样的内核函数作为加权的方法。

[式3]

w_{j} = k (\frac{(l_{i} - l_{j})}{τ})

在此上述内核函数的l是表示发电模块1501的位置的二维向量，代表性的内核为

[式4]

将关于使用上述的内核函数关注的发电模块1501而求取出的日照度储存到模块日照状况存储部204（步骤S3004）。作为关注发电模块1501在对象范围2401内的全部发电模块1501中进行以上的处理（步骤S3001），使日照的空间上的连续性增加。

在图25中示出进行空间平均处理并进行每个发电模块1501的空间平滑后的结果的一个例子。此外，在图26A中示出利用按图26B所示的值的范围而不同的纹理来表示利用上述处理校正后的日照度的图。通过进行上述的处理，从而能对空间上的连续性高的日照度进行估计。由于实际的日照状况也能假设为使空间上的连续性高，所以能使用更正确的日照度来对发电模块1501的异常进行诊断。

在发电输出异常诊断部207中，通过对假设为估计的日照状况正确时的输出特性模型的发电输出期待值和发电输出数据进行比较，从而对能估计为输出降低了的发电模块进行诊断（步骤S2304）。

在图27中示出说明发电输出异常诊断处理的一个例子的流程图。首先，按发电模块1501来计算出期待发电输出（步骤S2701）。在此，利用按发电模块1501估计的日照度，计算出发电输出。具体地说，当设识别编号i的发电模块1501的校正后的日照度为S’（i）时，该发电模块1501的期待输出功率W’（i）能通过W’（i）＝200×r（i）×S’（i）来计算出。

在图28中示出关于各发电模块1501而估计了期待输出功率的结果。例如，识别编号74的发电模块1501的期待输出功率能计算成W’（74）＝200×1.10×0.985≈217（kW）。接着，以串1502为单位来将期待输出功率相加，对其合计值和按串1502获得的输出功率进行比较（步骤S2702）。

在图29中示出每个串1502的计算结果的一个例子。接着，仅提取出按串1502获得的输出功率与期待输出功率之差ΔW小于等于规定值的串（步骤S2703）。当设为ΔW小于等于－50时，在图29所示的例子中，提取出识别字符G和识别字符O的串1502。

最后，对输出差ΔW和每个模块的期待输出功率进行比较，进行产生了异常的发电模块1501的位置确定（步骤S2704）。例如，当假设为识别字符G的串1502的输出差ΔW为－93、同时2个发电模块1501不发生故障时，利用期待输出功率小于等于93的模块发生了故障这一理由，无法说明该输出差ΔW的产生。由此，识别编号31和识别编号32的发电模块1501能从候补中排除在外，能确定在识别编号33到识别编号34的发电模块1501的任一个中产生了异常。此外，有可能是识别字符O的串1502的输出差ΔW为－194，在该串1502的全部发电模块1501中都产生了异常。

在进行异常诊断时，能使用多次诊断结果综合地进行诊断，在这样的情况下，能更确定产生了异常的发电模块1501的位置。

在图30中示出用于说明按时间序列取得了发电输出数据的情况下的异常诊断方法的一个例子的图。按时间t1～t6对发电输出数据进行储存，模块日照状况存储部204也按对应的时间t1～t6准备存储区域，在使用了时间空间上的空间插值的情况下，能对更高精度的日照度进行估计。当按时间序列取得发电输出数据时，考虑到云移动的方向、速度，能对日照状况进行估计。例如，时间t2的日照度以相对于时间t1和时间t3时的日照度连续地变化的方式被校正。这样，当日照度以相对于前后的时间的日照度连续地变化的方式进行校正时，能进行正确的异常诊断。在异常诊断时，使用按时间t1～t6取得的输出功率数据，进行上述异常诊断的动作。

如上所述，根据本实施方式，由于按发电模块1501计算出考虑了日照状况的期待输出功率来进行异常诊断，所以能提供一种对太阳能发电系统检测出以发电模块为单位的异常的异常诊断装置和异常诊断方法。

即，根据本实施方式的异常诊断装置和异常诊断方法，能正确地检测异常，进而还能对产生了异常的发电模块的位置进行估计。

虽然说明了本发明的几个实施方式，但这些实施方式是作为例子而进行提示的，并不意在对发明的范围进行限定。这些新的实施方式能以其他的各种方式加以实施，在不脱离发明的要旨的范围内，能进行各种省略、置换、变更。这些实施方式及其变形包含在发明的范围和主旨中，并且，包含在权利要求书记载的发明及其等同的范围中。

附图标记说明

100…异常监视系统；101、1501…发电模块；102、1502…串；103、1503…计测装置；104…控制装置；105…异常诊断装置；201…模块位置数据储存部；202…输出功率数据储存部；203…输出特性模型储存部；204…日照状况估计部；205…模块日照状况储存部；206…日照状况空间校正部；207…输出功率异常判定部；401…模块位置数据；501…云；502…阴；601、602、701、702…输出特性模型；703、704…区块；901…串G；1101…异常串；1504…通信装置；1505…发电面板；1506…网络；1507…远距离诊断服务器。

Claims

1.一种异常诊断装置，其中，具备：

日照状况估计部，按表示串联连接有多个发电模块的单位的串，使用从该串输出的实际的输出功率、以及根据对发电带来影响的日照状况来预测输出功率的输出特性模型，并按所述发电模块，将最接近所述实际的输出功率的日照状况的值估计为日照状况估计值，

日照状况空间校正部，计算出注目串中包含的发电模块的日照状况估计值的总和即第一总估计值，按与该注目串的长尺寸方向的面邻接的第一邻接串，计算出邻接串中包含的发电模块的日照状况估计值的总和即第二总估计值，以该第一总估计值收纳于由该第二总估计值的每一个所决定的范围内的方式，对所述日照状况估计值进行校正，获得校正日照状况估计值；以及

输出功率异常判定部，在使用所述输出特性模型以及所述校正日照状况估计值计算出的发电模块所期待的期待输出功率的串内的总和与所述实际的输出功率之差大于等于第一阈值，而且所述实际的输出功率小于所述期待输出功率的情况下，判定为产生异常。

2.根据权利要求1所述的异常诊断装置，所述日照状况空间校正部在所述第一总估计值与所述第一邻接串的所述第二总估计值的每一个相比小出第二阈值以上的情况下或者大出第三阈值以上的情况下，将所述第一总估计值置换为多个所述第二总估计值的平均值，并且，在所述平均值或者所述第一总估计值处于由与所述注目串的短尺寸方向的面邻接的第二邻接串的第二总估计值的每一个所决定的范围内的情况下，将对所述平均值或者所述第一总估计值呈阶段状地进行了再分配后的值作为校正日照状况估计值。

3.根据权利要求2所述的异常诊断装置，所述日照状况空间校正部将所述注目发电模块的校正日照状况估计值和与该注目发电模块邻接的发电模块的校正日照状况估计值的平均值，作为该注目发电模块的新的校正日照状况估计值。

4.根据权利要求1至权利要求3的任一项所述的异常诊断装置，

还具备模块位置数据储存部，该模块位置数据储存部对表示设置有发电模块的位置的模块位置数据进行储存，

所述输出功率异常判定部参照所述模块位置数据，在判定为产生了异常的串即异常串内，将所述期待输出功率大于等于所述差的发电模块判定为异常发电模块。

5.根据权利要求4所述的异常诊断装置，所述输出功率异常判定部在将所述异常串中的、按所述第一邻接串和所述注目串邻接的顺序连续2个以上的串被判定为异常串的情况下，不将该邻接的串判定为异常串。

6.根据权利要求1至权利要求5的任一项所述的异常诊断装置，所述输出特性模型通过将全部所述发电模块所共用的基本模型和每个发电模块的尺度参数进行相乘而生成。

7.根据权利要求1至权利要求6的任一项所述的异常诊断装置，所述日照状况是针对所述发电模块的日照量、或者是所述日照量和气温的任一个。

8.一种异常诊断方法，具备下述步骤：

按表示串联连接有多个发电模块的单位的串，使用从该串输出的实际的输出功率、以及根据对发电带来影响的日照状况来预测输出功率的输出特性模型，并按所述发电模块，将最接近所述实际的输出功率的日照状况的值估计为日照状况估计值；

计算出注目串中包含的发电模块的日照状况估计值的总和即第一总估计值，按与该注目串的长尺寸方向的面邻接的第一邻接串，计算出邻接串中包含的发电模块的日照状况估计值的总和即第二总估计值，以该第一总估计值收纳于由该第二总估计值的每一个所决定的范围内的方式，对所述日照状况估计值进行校正，获得校正日照状况估计值；以及

在使用所述输出特性模型以及所述校正日照状况估计值计算出的发电模块所期待的期待输出功率的串内的总和与所述实际的输出功率之差大于等于第一阈值、而且所述实际的输出功率小于所述期待输出功率的情况下，判定为产生异常。

9.一种异常诊断装置，对太阳能发电系统的发电模块的异常进行诊断，所述太阳能发电系统具备串、计测单元和通信单元，所述串具备串联连接的多个发电模块，所述计测单元对从所述串输出的功率进行计测，所述通信单元输出由所述计测单元计测的功率，所述异常诊断装置具备：

发电输出数据储存部，对从所述通信单元输出的功率的值进行储存；

模块位置数据储存部，对设置有所述多个发电模块的位置数据进行储存；

输出特性模型储存部，分别对所述多个发电模块，储存表示日照状况与输出功率的关系的输出特性模型；

输出日照状况估计部，根据所述发电输出数据储存部中储存的功率值和所述输出特性模型，对每个发电模块的日照状况进行估计；

模块日照状况存储部，对由所述输出日照状况估计部估计出的日照状况进行存储；

日照状况空间校正部，使用所述位置数据，对所述模块日照状况存储部中存储的日照状况进行校正；以及

发电输出异常诊断部，根据校正后的日照状况和所述输出特性模型，对每个所述发电模块的期待输出功率进行计算，并将其与所述发电输出数据储存部中储存的功率值进行比较，对所述多个发电模块的异常进行诊断。

10.根据权利要求9所述的异常诊断装置，所述日照状况包含日照度。

11.根据权利要求10所述的异常诊断装置，所述日照状况还包含温度。

12.根据权利要求9所述的异常诊断装置，所述输出特性模型是对全部的发电模块所共用的基本模型乘以每个所述发电模块的尺度参数后的特性模型。

13.根据权利要求9所述的异常诊断装置，所述日照状况空间校正部具备空间平滑单元，该空间平滑单元使所述发电模块的所述日照状况的估计值成为与包含所述发电模块的规定区域内的其他发电模块的所述日照状况的估计值取平均之后的值。

14.根据权利要求9所述的异常诊断装置，其中，所述发电输出异常诊断部具备：

计算出所述发电模块的期待输出功率的单元；

计算出按所述串将所述发电模块的期待输出功率相加后的值、和实际的输出功率数据的输出差的单元；

将所述输出差超过阈值的串检测为异常串的单元；以及

通过对所述异常串的输出差和所述异常串的多个发电模块各自的所述期待输出功率的值进行比较，从而确定有可能产生异常的发电模块的单元。