JP2021040451A - ソーラー装置の発電エフィシェンシーの異常の判断方法 - Google Patents

Abstract

【課題】ソーラー装置の発電エフィシェンシーの異常を判断する正確性を向上させた判断方法を提供する。
【解決手段】ソーラー現場の複数のソーラー発電装置が受けた日射量は標準日射照度より大きいかどうかを判断するステップＳ１１と、前記複数のソーラー発電装置の各時点の発電比情報を取得するステップＳ１２と、各ソーラー発電装置の各時点の前記発電比情報と基準発電比率情報との差が発電比域値より大きいかどうかを比較するステップＳ１３と、前記発電比情報と前記基準発電比率情報との差が前記域値より大きいと、対応する各ソーラー発電装置が異常であると判断するステップＳ１４、を備え、非線形回帰演算法により歴史発電比率情報を前記基準発電比率情報に整合させることで、より正確な判断基準が得られる。
【選択図】図１

Description

本発明は異常判断方法に関し、特に、ソーラー装置の発電エフィシェンシーの異常有無の判断方法に関する。

現在、環境保護意識がだんだん高まり、グリーン電力の割合が増えつつあり、とりわけ、ソーラー発電が将来の電力発展の重要な傾向になり、諸国の政府が、例えば、自宅の屋上にソーラーパネルを装着する費用を補助するなどの多くの補助案を出し、ソーラー発電がすでに国レベルで重視されている発電モードになっている。

自宅の屋上にソーラーパネルを取り付けるほか、民間の多くの電力会社は広々としたところ又は建築物の屋上にソーラー発電現場を作ることで、グリーンエネルギーによる発電の発電量を増加するとともに、ソーラーパネルによる電力を国の電力会社に売って利益を取得することができるビジネスモデルもある。

発電効率及び生産能力を向上させるために、ソーラー発電現場において、大量のソーラー発電モジュールを使って発電している。各ソーラー現場は異なるところに位置するので、ソーラー発電モジュールの発電効率が太陽の角度、現地の気候、温度、地形により異なるので、ソーラー発電モジュールは環境の要因、例えば埃の堆積、木陰の遮蔽などで発電量には異常が生じる可能性がある。現場の位置が町から離れたところにあるので、遠隔監視でソーラー発電モジュールに異常が生じたことがわかったら、往々にして、スタッフを現場へ障碍の排除に行かせなければならず、交通不便の要因で、往復にかなり時間と手間がかかり、それに従って人間費及び時間コストが増えていく。しかし、今の段階では、ソーラー発電モジュールの異常態様を判断できる有効な遠隔監視方法がないし、障害排除にかなり時間がかかり、ソーラー現場の発電的エフィシェンシーにさらに影響を与えている。

ソーラー装置の発電異常を判断する正確性を向上させるために、本発明は非線形回帰演算法により歴史発電比率情報を基準発電比率情報に整合することでより正確にソーラー発電装置の発電時の異常有無を判断できるソーラー装置の発電エフィシェンシーの異常の判断方法を提供する。

上記の目的を達成するために、本発明のソーラー装置の発電エフィシェンシーの異常の判断方法、
ソーラー現場の複数のソーラー発電装置が受けた日射量は標準日射照度より大きいかどうかを判断するステップと、
前記複数のソーラー発電装置の各時点の発電比情報を取得するステップと、
各ソーラー発電装置の各時点の前記発電比情報と基準発電比率情報との差が発電比域値より大きいかどうかを比較するステップと、を備え、
前記発電比情報と前記基準発電比率情報との差が前記域値より大きいと、対応する各ソーラー発電装置が異常であると判断する。

本発明はまず前記ソーラー現場の複数歴史発電比率情報を取得し、前記複数歴史発電比率情報から非線形回帰演算法により前記基準発電比率情報を算出することで、前記基準発電比率情報が相当に正確になり、前記発電比情報と前記基準発電比率情報を比較し、前記ソーラー発電装置的発電状況に異常が生じたかを正確に確認でき、環境要因による一時の発電状況の変動が発電異常と誤解されることが避けられる。

本発明はまた同じ仕様のソーラー発電装置の平均発電異常正常比を比較してソーラー発電装置の発電異常の種類を判断し、遠隔監視際に、ソーラー発電装置の異常原因をわかり、対応するソリューションを検討することで、スタッフの現場へ異常要因の確認及び排除に往復するためにかかる時間及び人間費が低減される。

本発明の第１ステップのフローチャートである。 本発明の回路ブロックの概略図である。 本発明の第２ステップのフローチャートである。 本発明の歴史発電比率情報から回帰２次曲線を得る概略図である。 本発明の異常装置曲線及び正常装置曲線の線グラフである。 本発明の各時間に対応する判断類別エラーの割合のヒストグラムである。 本発明のインバーターの故障による電圧異常の線グラフである。 本発明のインバーターの故障による電流異常の線グラフである。 本発明のヒューズの断線による電圧異常の線グラフである。 本発明のヒューズの断線による電流異常の線グラフである。 本発明のソーラー発電装置がシェードされた電圧異常の線グラフである。 本発明のソーラー発電装置がシェードされた電流異常の線グラフである。 本発明の熱落差による電圧異常の線グラフである。 本発明の熱落差による電流異常の線グラフである。 本発明の判断エラーの電圧電流情報の分布図である。 本発明の各類別の電圧電流情報の分布図である。

本発明はソーラー装置の発電エフィシェンシーの異常の判断方法であって、ソーラー現場における複数のソーラー発電装置８０の発電状况には異常があるかどうかを判断し、前記ソーラー発電装置８０がソーラーパネル又はその他のソーラー発電設備である。図１及び図２を参照し、前記方法は以下のステップを含む。

Ｓ１１：ソーラー現場における複数のソーラー発電装置８０が受けた日射量は標準日射照度より大きいかどうかを判断する。

Ｓ１２：前記複数のソーラー発電装置８０の各時点の発電比情報を取得する。

Ｓ１３：各ソーラー発電装置８０の各時点の発電比情報と基準発電比率情報との差が発電比域値より大きいかどうかを比較し、前記発電比情報と前記基準発電比率情報との差が前記域値より大きいと、対応するソーラー発電装置８０が異常になると判定する。

ステップＳ１１において、日射量が層雲、太陽角度などの自然要因の影響で変化するので、まず日射計などの器機を使って各ソーラー発電装置８０の受けた日射量を測定し、前記日射量が前記標準日射照度より大きいかどうかを判断し、検出時間が夜又は雨の日で、日照量が不足になると、前記日射量が前記標準日射照度より少なくなり、ソーラー発電装置８０が異常になるかどうかをさらに検出する必要がなく、前記日射量が前記標準日射照度以上であると、次のステップを実行する。

なお、日射照度（Ｉｒｒａｄｉａｎｃｅ）の定義は単位面積あたりの日射パワーであり、一般には、Ｗ／ｍ^２又はｍＷ／ｍ^２を単位とし、ソーラー電池の標準テスト条件は１０００Ｗ／ｍ^２である。本発明の標準日射照度は１０００Ｗ／ｍ^２を説明例とする。

さらに図３を参照し、ステップＳ１１にはノズルをろ過除去するステップＳ１１１がさらに含まれることができる。日射計には鳥類などが一時に滞在したり又は雑物が風に吹かれて一時に日射計を覆う可能性があるので、前記日射量がほとんどの時間で標準日射照度より大きくなり、僅かな時間で標準日射照度より少なくなり、それで、実際の日射量がかなり十分であるが、環境による誤差で前記ソーラー発電装置８０の受けた前記日射量が前記標準日射照度より少なくなり、システムが誤判断して次のステップを実行しない可能性がある。従って、ステップＳ１１１において、各ソーラー発電装置８０と電気的に接続されたデータ処理モジュール９０により前記日射量と前記標準日射照度との差が誤差値より大きいかどうかを判断し、大きいと判断した場合、前記日射量は誤差が大きすぎることでノズルと見なされ、ろ過除去され、大きくないと判断した場合、前記日射量は合理的な範囲に収まって、正常のデータと見なすことができると判断する。

ステップＳ１２において、前記データ処理モジュール９０は各ソーラー発電装置８０の各時点の発電比情報を検出し、前記発電比情報が数回の異なる発電データから算出することができ、前記発電データが各ソーラー発電装置８０の直流発電電力Ｐ_ＤＣと、発電装置定格電力Ｐ_０と、前記日射量Ｇ_１と、前記標準日射照度Ｇ_０（１０００Ｗ／ｍ^２）などのデータとを含むことができるが、それに限られず、即ち、各時点に直流発電電力Ｐ_ＤＣと、発電装置定格電力Ｐ_０と、前記日射量Ｇ_１と、前記標準日射照度Ｇ_０（１０００Ｗ／ｍ^２）などのデータが生じ、このステップにおいて、前記データ処理モジュール９０により各発電データを整合した上で対応する各時点の発電比情報を得ることができる。前記発電比情報の演算方法は以下どおりである。

Ａｒｒａｙ Ｒａｔｉｏ ＝ （Ｐ_ＤＣ／ Ｐ_０）／（Ｇ_１／ Ｇ_０），ただし、Ａｒｒａｙ Ｒａｔｉｏが発電比情報（ＲＡ）である。

図３を参照し、ステップＳ１３において、前記データ処理モジュール９０により前記発電比情報と前記基準発電比率情報との差が前記発電比域値より大きいかどうかを比較可能であり、前記基準発電比率情報の取得方法は以下のステップで取得することができる。

Ｓ１３１：各ソーラー発電装置８０の複数の歴史発電比率情報を取得する。

Ｓ１３２：前記複数の歴史発電比率情報から前記基準発電比率情報を算出する。このステップにおいて、非線形回帰演算法又は最近傍法（Ｋ−Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ，ＫＮＮ）により前記複数の歴史発電比率情報から前記基準発電比率情報を算出可能であり、まず非線形回帰演算法を用いる演算方法を説明する。

さらに図４を参照し、ステップＳ１３１において、まず前記ソーラー現場の過去の各時点の前記複数の歴史発電データを取得し、前記複数の歴史発電データには過去の各時点の歴史直流発電電力Ｐ_ＤＣ、と、歴史発電装置定格電力Ｐ_０と、歴史日射量Ｇ_１と、前記標準日射照度Ｇ_０（１０００Ｗ／ｍ^２）などのデータとが含まれることができ、前記歴史直流発電電力Ｐ_ＤＣと、前記歴史発電装置定格電力Ｐ_０と、前記歴史日射量Ｇ_１と、前記標準日射照度Ｇ_０（１０００Ｗ／ｍ^２）から発電比情報の演算式により前記複数の歴史発電比率情報１０を取得可能である。

ステップＳ１３２において、非線形回帰演算法により前記複数の歴史発電比率情報１０から前記基準発電比率情報３０を算出する。非線形回帰演算法は以下の方程式により実行される。

ｙ_ｉ＝ａ₀＋ａ_１ｘ＋ａ_２ｘ^２＋…＋ａ_ｎｘ^ｎ＋ε
ただし、ｙ_ｉは歴史発電比率情報（ＲＡ_Ｐ）であり、ａ₀、ａ_１、ａ_２…ａ_ｎが回帰係数であり、これらの回帰係数が各発電比情報および日射量から求められ、自変数ｘは日射量であり、ソーラー発電工場により記録され、従属変数ｙは前記データ処理モジュール９０により算出され、εは誤差を示し、回帰線を実際資料へより近づけるために設定された補償値である。

特に、検知システムが非線形回帰モデルを作成するときに、まずデータを適切に予備処理するとともに、直近の歴史データ（例えば、前記歴史直流発電電力Ｐ_ＤＣ、前記歴史日射量Ｇ_１）を訓練データとし、２次回帰方程式により、特定の日照下で前記ソーラー現場で所期の発電比情報（ＲＡ）を取得できるようにカテゴライズし、この結果を前記ソーラー発電装置８０が異常であるかどうかを判断する根拠とする。

図５に示すように、まず前記複数の歴史発電比率情報１０（図５に示す空白の丸のように）をまず取得し、各歴史発電比率情報１０を上記方程式により演算した後で、前記基準発電比率情報を得て、前記基準発電比率情報が回帰２次曲線３０で表示され、前記回帰２次曲線３０が対応する前記ソーラー発電装置８０のパフォーマンスを示す。前記回帰２次曲線３０を得ると、さらに各発電比情報と前記回帰２次曲線３０との差を比較することができ、発電比情報と前記回帰２次曲線３０との差が大きいほど、対応する前記ソーラー発電装置８０が発電異常を生じる可能性がある。

また、前記回帰２次曲線３０をより正確にするために、すべての歴史発電比率情報１０から前記回帰２次曲線３０との差が大きい歴史発電比率情報１０をろ過除去し、前記回帰２次曲線３０との差が小さい歴史発電比率情報１０だけを抽出し、それぞれ複数の訓練情報２０として非線形回帰演算を行い、前記回帰２次曲線３０を修正してより正確な結果を得ることができる。

次に、最近傍法を用いる実施例を説明する。

新たに設置されたソーラー現場について、過去の歴史発電データがないので、前記ソーラー現場の稼動初期の一定の時期内（例えば５日、７日）、この時期内の発電データを前記複数歴史発電データとして収集する。次に、各歴史発電データの代表する異常類別をグループで分類し、例を挙げると、各歴史発電データをインバーター故障、ヒューズ断線、ソーラー発電装置８０の受けたシェード、熱落差による電圧異常などの異なる状況に分類することができる。最後には、後続して収集された発電データを前記複数歴史発電データと比較し、前記発電データと前記複数歴史発電データとの差が小さいと、前記ソーラー現場の発電状況が正常だと判断し、前記発電データと前記複数歴史発電データとの差が大きいと、前記ソーラー現場の発電状況が異常だと判断する。さらに、前記発電データに基づき、どのような歴史発電データの区間に収まったかを判別し、ソーラー発電装置８０の異常類別を判断することができる。

本発明は上記判断ソーラー発電装置８０の異常の判断方法のほか、異常態様をさらに判断し、以下、異常態様を判断するステップを引き続き説明する。

Ｓ１４：同じ仕様のソーラー発電装置８０の平均発電異常正常比を比較する。前記ソーラー発電装置８０が異常になったと判断したとき、前記ソーラー発電装置８０と同一のソーラー現場で正常作動するその他のソーラー発電装置８０の電流又は電圧の平均異常正常比とをさらに比較する。図５を参照し、平均異常正常比の演算方法が以下どおりである。

ただし、ｘ_ｉ ⁻は異常のソーラー発電装置８０の発電データであり、ｘ_ｉは正常のソーラー発電装置８０の発電データであり、Ｔは異常の総回数である。

上記した平均異常正常比の公式により、異常のソーラー発電装置８０の発電データ（ｘ_ｉ ⁻）の集合及び正常のソーラー発電装置８０の発電データ（ｘ_ｉ） の集合からそれぞれ異常曲線ｔｒ１及び正常曲線ｔｒ２を得て、前記異常曲線ｔｒ１は前記ソーラー発電装置８０の発電量電流の経時変化の曲線を示し、前記正常曲線ｔｒ２は正常状態での前記ソーラー発電装置８０の発電量電流の経時変化の曲線を示す。電流の平均異常正常比を例として、図５に示すように、１２時ごろ、前記異常曲線ｔｒ１と前記正常曲線ｔｒ２との間の差があまり大きくないことは、前記ソーラー発電装置８０のこの時の発電状况が正常であると意味し、１２時〜１４時の間に、前記異常曲線ｔｒ１と前記正常曲線ｔｒ２との間の差が大きいことは、前記ソーラー発電装置８０のこの時の発電状况に異常が生じたと意味する。前記異常曲線ｔｒ１と前記正常曲線ｔｒ２との差並びに前記異常曲線ｔｒ１及び前記正常曲線ｔｒ２が分布する軌跡を比較することで、前記ソーラー発電装置８０の異常類別が何であるかを判断する（ステップＳ１５）。

図６を参照し、特に説明したいことには、上記した判断方法により、実際にテストを行い、図６に示す正確率百分率を判断する棒グラフが得られ、本実際実験データは計５３サイクルテストされ、Ｗ０１は第１サイクルを代表し、テストの結果はそれぞれ未処理Ｎ、処理済みＰ、類別エラーＦ及び異常無しＴで示される。第１段階で上記判断方法が導入されておらず、従来の判断方法だけで判断するので、判断した後で類別エラーＦの結果が多いことがわかった。第２段階に上記判断方法を導入し、類別エラーＦの判断結果が少し減少されると見られる。第３段階において、取得されたデータが多く、前記回帰２次曲線３０及び前記平均異常正常比が数回のデータの修正を経てより正確になるので、第３段階で類別エラーＦの判断結果の数量が大幅に低減されることが見られ、本方法の異常類別を判断する正確率が明らかに改善されたと意味する。

以下、各異常類別の対応する電圧及び電流平均異常正常比を示す線グラフをさらに説明する。

図７Ａ及び７Ｂを参照し、インバーター故障による線グラフであり、図７Ａが電圧異常の線グラフであり、図７Ｂが電流異常の線グラフである。

図８Ａ及び８Ｂを参照し、ヒューズ断線による線グラフであり、図８Ａが電圧異常の線グラフであり、図８Ｂが電流異常の線グラフである。

図９Ａ及び９Ｂを参照し、前記ソーラー発電装置８０がシェードされた線グラフであり、図９Ａが電圧異常の線グラフであり、図９Ｂが電流異常の線グラフである。

図１０Ａ及び１０Ｂを参照し、熱落差による線グラフであり、図１０Ａが電圧異常の線グラフであり、図１０Ｂが電流異常の線グラフである。

図１１Ａを参照し、本発明はソーラー発電装置８０の異常類別を判断するステップをさらに自動化することができる。図１１Ａに示すように、前記ソーラー発電装置８０がそれぞれ異なる時間で発電し、且つ常用の判断方法によりエラーと判断された複数の電圧電流情報４０を抽出し、まず人工的な方式で前記複数の電圧電流情報を異なる４種類の異常類型に分類し、図１１Ｂに示すように、複数の第１電圧電流情報４０Ａ、複数の第２電圧電流情報５０、複数の第３電圧電流情報６０、複数の第４電圧電流情報７０がそれぞれある。次に、各異常類型の情報に対して情報中心点を設定し、この情報中心点が各電圧電流情報に最も近づく点であってもよい。最後には、前記複数の電圧電流情報及びその対応する異常類型を繰り返して演算し、前記複数の電圧電流情報から正確に対応する異常類型の結果が得られる。

本発明は歴史資料に基づき、対応する各異常類型の電流電圧情報の域値を算出することができる。その方法は凝集型階層クラスタリング（Ａｇｇｌｏｍｅｒａｔｉｖｅ Ｈｉｅｒａｒｃｈｉｃａｌ Ｃｌｕｓｔｅｒｉｎｇ）によるクラスタリング及び決定木（Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ）で上記複数の電圧電流情報を帰納し、前記複数の電圧電流情報及び所属する情報中心点間に基づき特性値を探し、そして特性値の反復に基づき、異なる数値のノードを見つかり、例えば、インバーター故障の対応する出力電圧域値ＶＲ＞１．１Ｖであり、ヒューズ断線の対応する出力電圧域値ＶＲ＜０．２Ｖであり、シェード現象の対応する出力電圧域値０．１Ｖ＜ＶＲ＜０．９Ｖであり、熱落差の対応する出力電圧域値ＶＲ＞１．１Ｖである。

１０ 歴史発電比率情報
２０ 訓練情報
３０ 回帰２次曲線
４０ 電圧電流情報
４０Ａ 第１電圧電流情報
５０ 第２電圧電流情報
６０ 第３電圧電流情報
７０ 第４電圧電流情報
８０ ソーラー発電装置
９０ データ処理モジュール
ｔｒ１ 異常曲線
ｔｒ２ 正常曲線

Claims (10)

1. ソーラー現場の複数のソーラー発電装置が受けた日射量は標準日射照度より大きいかどうかを判断するステップと、
   前記複数のソーラー発電装置の各時点の発電比情報を取得するステップと、
   各ソーラー発電装置の各時点の前記発電比情報と基準発電比率情報との差が発電比域値より大きいかどうかを比較するステップと、を備え、
   前記発電比情報と前記基準発電比率情報との差が前記域値より大きいと、対応する各ソーラー発電装置が異常であると判断するソーラー装置の発電エフィシェンシーの異常の判断方法。
2. 各ソーラー発電装置の各時点の前記発電比情報と基準発電比率情報との差が発電比域値より大きいかどうかを比較するステップは、
   各ソーラー発電装置の複数の歴史発電比率情報を取得するステップをさらに備え、
   前記複数の歴史発電比率情報から前記基準発電比率情報を算出する請求項１に記載のソーラー装置の発電エフィシェンシーの異常の判断方法。
3. 前記基準発電比率情報は非線形回帰演算法により前記複数の歴史発電比率情報から算出される請求項２に記載のソーラー装置の発電エフィシェンシーの異常の判断方法。
4. 前記基準発電比率情報は最近傍演算法により前記複数の歴史発電比率情報から算出される請求項２に記載のソーラー装置の発電エフィシェンシーの異常の判断方法。
5. ソーラー現場の複数のソーラー発電装置が受けた日射量は標準日射照度より大きいかどうかを判断するステップは、ノズルをろ過除去するステップをさらに含み、前記ノズルをろ過除去するステップは前記日射量と前記標準日射照度との差が誤差値より大きいかどうかを判断し、大きいと判断した場合、前記日射量がノズルと見なされ、ろ過除去され、大きくないと判断した場合、前記日射量が正常のデータと見なされる請求項３又は４に記載のソーラー装置の発電エフィシェンシーの異常の判断方法。
6. 前記発電比情報は異なる多種類の発電データから算出され、前記発電データが直流発電電力と、発電装置定格電力と、前記日射量と、前記標準日射照度とを含む請求項５に記載のソーラー装置の発電エフィシェンシーの異常の判断方法。
7. 各ソーラー発電装置の複数の歴史発電比率情報を取得するステップにおいて、前記複数の歴史発電データは過去の各時点の歴史直流発電電力と、歴史発電装置定格電力と、歴史日射量と、前記標準日射照度とを含む請求項６に記載のソーラー装置の発電エフィシェンシーの異常の判断方法。
8. 前記複数の歴史発電比率情報から非線形回帰演算法により前記基準発電比率情報を算出するステップにおいて、非線形回帰演算法は以下の方程式で実行され、
   ｙ_ｉ＝ａ₀＋ａ_１ｘ＋ａ_２ｘ^２＋…＋ａ_ｎｘ^ｎ＋ε
   ただし、ｙｉは歴史発電比率情報（ＲＡＰ）であり、ａ_０、ａ_１、ａ_２…ａ_ｎは回帰係数であり、εは誤差である請求項７に記載のソーラー装置の発電エフィシェンシーの異常の判断方法。
9. 各ソーラー発電装置と正常に作動するソーラー発電装置との間の平均発電異常正常比を比較する請求項８に記載のソーラー装置の発電エフィシェンシーの異常の判断方法。
10. 同じ仕様のソーラー発電装置の平均発電異常正常比を比較するステップにおいて、前記平均発電異常正常比の演算方法は
    

    

    であり、
    ただし、ｘｉ−が異常のソーラー発電装置の発電データであり、ｘｉが正常のソーラー発電装置の発電データであり、Ｔが異常の総回数である請求項９に記載のソーラー装置の発電エフィシェンシーの異常の判断方法。

Images