JP6697116B2 - 太陽電池の検査装置、検査システム、検査方法及びプログラム - Google Patents
太陽電池の検査装置、検査システム、検査方法及びプログラム Download PDFInfo
- Publication number
- JP6697116B2 JP6697116B2 JP2019132193A JP2019132193A JP6697116B2 JP 6697116 B2 JP6697116 B2 JP 6697116B2 JP 2019132193 A JP2019132193 A JP 2019132193A JP 2019132193 A JP2019132193 A JP 2019132193A JP 6697116 B2 JP6697116 B2 JP 6697116B2
- Authority
- JP
- Japan
- Prior art keywords
- value
- current
- voltage
- solar cell
- normalized
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007689 inspection Methods 0.000 title claims description 81
- 238000000034 method Methods 0.000 title claims description 54
- 210000004027 cell Anatomy 0.000 claims description 132
- 210000002569 neuron Anatomy 0.000 claims description 50
- 238000013528 artificial neural network Methods 0.000 claims description 47
- 238000010606 normalization Methods 0.000 claims description 39
- 230000005856 abnormality Effects 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000005259 measurement Methods 0.000 description 79
- 238000012545 processing Methods 0.000 description 22
- 230000004048 modification Effects 0.000 description 13
- 238000012986 modification Methods 0.000 description 13
- 230000010485 coping Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 101001009577 Dirofilaria immitis Glutathione peroxidase Proteins 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000007417 hierarchical cluster analysis Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- -1 dye-sensitized type Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Photovoltaic Devices (AREA)
Description
直列に接続された複数の太陽電池モジュールから構成された太陽電池ストリングの出力電流と出力電圧とを測定して得られた複数対の電流値および電圧値を正規化し、前記電流値と前記電圧値との正規化値に基づいて数列を生成するデータ正規化部と、
正規化された、前記電流値および前記電圧値に関する電流電圧特性波形を正常タイプと複数の異常タイプの何れかに分類するように構築されたニューラルネットワークを含み、前記ニューラルネットワークに前記データ正規化部により生成された数列を入力し、該電流電圧特性波形の何れかのタイプに分類させるデータ判定部と、
を備え、
前記データ正規化部は、前記電圧値の正規化値のうち、予め定められた値に最も近い前記電圧値の正規化値に対応する、前記電流値の正規化値から前記数列を生成する、ことを特徴とする。
第1太陽電池ストリング10aは、プラス側配線230aとマイナス側配線231aとを備える。同様に、第2太陽電池ストリング10bは、プラス側配線230bとマイナス側配線231bとを備える。第3太陽電池ストリング10cは、プラス側配線230cとマイナス側配線231cとを備える。第4太陽電池ストリング10dは、プラス側配線230dとマイナス側配線231dとを備える。以下、第1太陽電池ストリング10a〜第4太陽電池ストリング10dを総称して、太陽電池ストリング10と称し、プラス側配線230a〜230dを総称して、プラス側配線230と称し、マイナス側配線231a〜231dを総称して、マイナス側配線231と称する。
上記の実施の形態においては、図15(A)、(B)に示すように、検査装置5は、I−V特性波形のTypeを判別して表示した。例えば、各Typeが太陽電池モジュール1の異常を示すタイプである場合には、I−V特性波形がそのようになる1又は複数の要因の候補と対応付けることが可能である。また、要因の候補がわかれば、対処方法の候補も特定しうる。
上記の実施の形態においては、データ判定部532に構築するニューラルネットワークに設定するための重み付け係数を外部のコンピュータでニューラルネットワークに学習させて生成し、この生成した係数を記憶部52に係数データ522として保存するものとした。これに限らず、検査装置5の中に、ニューラルネットワークに設定するための係数を生成する学習部を設けてもよい。そして、学習部で生成した係数を、該学習部から記憶部52に係数データ522として保存させてもよい。
上記の実施の形態においては、ニューラルネットワークNNを、プロセッサ504内にデータ処理により仮想的に構築する例を示したが、ニューラルネットワークNNを回路で構成して配置し、プロセッサ504が重み付け計数の設定を行うように構成することも可能である。
上記の実施の形態においては、ニューラルネットワークを3層構造と、入力層のニューロン数nを29、出力層のニューロン数yを8としたが、これらの数値は任意に変更可能である。また、中間層(隠れ層)の層数は2以上でもよい。
上記の実施の形態においては、検査装置5は、表示部55を備えるものとした。これに限らず、表示部55は外付けされる表示装置であってもよい。外付けされる場合、表示部55としては、外付けされる表示装置へのデータ出力端子が相当する。なお、外付けされる表示部55は、表示用データ生成部54で生成される表示用データを表示することができれば、どのようなものであって良い。
上記の実施の形態においては、検査装置5は、太陽電池ストリング10単位で電流電圧特性波形を測定するものとした。これに限らず、太陽電池モジュール単位等、どのような単位で電流電圧特性波形を測定してもよい。
上記の実施の形態においては、図15(A)、(B)に示すように、検査装置5は、I−V特性波形のTypeを判別して表示した。これに限らず、I−V特性波形のTypeに対応する要因を予め定めておき、判別したTypeと要因とを一緒に表示部55に表示してもよい。また、判別したTypeを表示せずに要因だけを表示部55に表示してもよい。
上記の実施の形態においては、電圧%値に、0%から100%まで10%刻みの等間隔の割合、または、最小値と最大値を含んで29個に割った値から求める割合を設定するものとした。これに限らず、電圧%値として任意の割合を設定してもよい。例えば、電圧%値に対応する電流の正規化値Inの変化が無い場合には、電圧%値とする割合の間隔を広くし、電圧%値に対応する電流の正規化値Inの変化がある場合には、電圧%値とする割合の間隔を狭くするようにしてもよい。このようにすることにより、I−V特性波形の形状の変化を細かく判定することができる。また、電圧%値の個数は、入力層のニューロン数nに合わせて、任意に変更可能である。
上記の実施の形態においては、検査装置5には、太陽電池ストリング10のI−V特性波形の測定、測定データの正規化、正規化した測定データの分類、分類結果の表示データの作成の各機能が内蔵されている。これに限らず、測定データの正規化、正規化した測定データの分類、分類結果の表示データの作成の各機能を、検査装置5に外付け可能な外部機器に持たせ、検査装置5と協働するようにしてもよい。具体的には、図3に示した記憶部52の係数データ522及び判定結果データ523と、処理部53のデータ正規化部531及びデータ判定部532と、表示用データ生成部54とを外部機器に備える。外部機器は、検査装置5から測定データを取得し、測定データの正規化、正規化した測定データの分類、及び分類結果の表示データの生成を行う。そして、外部機器は、生成した分類結果の表示データを、図3に示した検査装置5の表示部55に表示させる。なお、外部機器は、生成した分類結果の表示データを、検査装置5に外付けされる表示装置に表示させるようにしてもよい。
上記の実施の形態においては、検査装置5で太陽電池ストリング10のI−V特性波形の測定、測定データの正規化、正規化した測定データの分類、分類結果の表示を行っている。これに限らず、検査装置5で行われている測定データの正規化、正規化した測定データの分類、分類結果の表示を、携帯端末、PC(Personal Computer)等の端末で行うようにしてもよい。具体的には、図3に示した記憶部52の係数データ522及び判定結果データ523と、処理部53のデータ正規化部531及びデータ判定部532と、表示用データ生成部54とを端末に備える。端末は、検査装置5から測定データを取得し、測定データの正規化、正規化した測定データの分類、及び分類結果の表示データの生成をし、端末自身の表示部に生成した分類結果の表示データを表示する。
上記の実施の形態においては、図4に示した検査装置5のハードウエア構成では、測定回路501と、記憶装置502と、メモリ503と、プロセッサ504と、表示コントローラ505と、操作部507とを、内部バス508により相互に接続されるものとした。これに限らず、測定回路501と、記憶装置502と、メモリ503と、プロセッサ504と、表示コントローラ505と、操作部507とを、有線LAN、USB等のケーブルを用いた有線接続、無線LAN、ブルートゥース(登録商標)等による無線接続により相互に接続されるようにしてもよい。
Claims (8)
- 直列に接続された複数の太陽電池モジュールから構成された太陽電池ストリングの出力電流と出力電圧とを測定して得られた複数対の電流値および電圧値を正規化し、前記電流値と前記電圧値との正規化値に基づいて数列を生成するデータ正規化部と、
正規化された、前記電流値および前記電圧値に関する電流電圧特性波形を正常タイプと複数の異常タイプの何れかに分類するように構築されたニューラルネットワークを含み、前記ニューラルネットワークに前記データ正規化部により生成された数列を入力し、該電流電圧特性波形の何れかのタイプに分類させるデータ判定部と、
を備え、
前記データ正規化部は、前記電圧値の正規化値のうち、予め定められた値に最も近い前記電圧値の正規化値に対応する、前記電流値の正規化値から前記数列を生成する、
太陽電池の検査装置。 - 前記データ判定部の出力する判定結果と、電流電圧特性波形とに基づいて表示用データを生成する表示用データ生成部と、
前記表示用データ生成部により生成された表示用データを表示する表示部と、
をさらに備える、
請求項1に記載の太陽電池の検査装置。 - 異常タイプとその異常タイプに属す電流電圧特性波形が発生する要因とを対応付けた要因情報を記憶する手段を備え、
前記表示用データ生成部は、特定した異常タイプに対応する前記要因情報を表示用データに含める、
請求項2に記載の太陽電池の検査装置。 - 異常タイプとその異常タイプに属す電流電圧特性波形が発生したときの対処方法とを対応付けた対処情報を記憶する手段を備え、
前記表示用データ生成部は、特定した異常タイプに対応する前記対処情報を表示用データに含める、
請求項2又は3に記載の太陽電池の検査装置。 - 前記ニューラルネットワークを構成するニューロンの重み付け係数は、前記データ判定部により前記ニューラルネットワークが構築される前に測定された、前記電流値および前記電圧値に関する電流電圧特性波形を基に前記ニューラルネットワークの学習により設定された値である、
請求項1から4の何れか1項に記載の太陽電池の検査装置。 - 直列に接続された複数の太陽電池モジュールから構成された太陽電池ストリングの出力電流と出力電圧とを測定する測定部と、
前記測定部で測定された複数対の前記出力電流の電流値と前記出力電圧の電圧値とを正規化して正規化値を求め、前記電圧値の正規化値のうち、予め定められた値に最も近い前記電圧値の正規化値に対応する、前記電流値の正規化値から数列を生成するデータ正規化部と、正規化された、前記電流値および前記電圧値に関する電流電圧特性波形を正常タイプと複数の異常タイプの何れかに分類するように構築されたニューラルネットワークを含み、前記ニューラルネットワークに前記データ正規化部により生成された数列を入力し、該電流電圧特性波形の何れかのタイプに分類させるデータ判定部とを含む端末と、
を備える検査システム。 - 直列に接続された複数の太陽電池モジュールから構成された太陽電池ストリングの出力電流と出力電圧とを測定して得られた複数対の電流値および電圧値を正規化し、前記電圧値の正規化値のうち、予め定められた値に最も近い前記電圧値の正規化値に対応する、前記電流値の正規化値から数列を生成し、
正規化された、前記電流値および前記電圧値に関する電流電圧特性波形を正常タイプと複数の異常タイプの何れかに分類するニューラルネットワークに、前記生成された数列を入力し、ニューラルネットワークの出力から、該電流電圧特性波形の何れかのタイプに分類させる、
検査方法。 - コンピュータに、
直列に接続された複数の太陽電池モジュールから構成された太陽電池ストリングの出力電流と出力電圧とを測定して得られた複数対の電流値および電圧値を正規化し、前記電圧値の正規化値のうち、予め定められた値に最も近い前記電圧値の正規化値に対応する、前記電流値の正規化値から数列を生成する処理、
正規化された、前記電流値および前記電圧値に関する電流電圧特性波形を正常タイプと複数の異常タイプの何れかに分類するニューラルネットワークに、前記生成された数列を入力し、ニューラルネットワークの出力から、該電流電圧特性波形の何れかのタイプに分類させる処理、
を実行させるためのプログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018144581 | 2018-07-31 | ||
JP2018144581 | 2018-07-31 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020025452A JP2020025452A (ja) | 2020-02-13 |
JP6697116B2 true JP6697116B2 (ja) | 2020-05-20 |
Family
ID=69619083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019132193A Active JP6697116B2 (ja) | 2018-07-31 | 2019-07-17 | 太陽電池の検査装置、検査システム、検査方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6697116B2 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539550B (zh) | 2020-03-13 | 2023-08-01 | 远景智能国际私人投资有限公司 | 光伏阵列工作状态的确定方法、装置、设备及存储介质 |
KR102598830B1 (ko) | 2021-04-23 | 2023-11-07 | 한국에너지기술연구원 | 태양광 모듈 및 스트링의 고장진단 시스템 및 그 방법 |
KR102568590B1 (ko) * | 2021-10-18 | 2023-08-22 | 한국에너지기술연구원 | 태양광 시스템의 고장 진단을 위한 인공지능 학습 데이터의 전처리 시스템 및 그 방법 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0989953A (ja) * | 1995-09-22 | 1997-04-04 | Sony Corp | チューナ回路の空芯コイル自動調整方法及び装置 |
JP2003121490A (ja) * | 2001-10-09 | 2003-04-23 | Canon Inc | 標本抽出方法、半導体特性算出装置およびその制御方法 |
JP5162737B2 (ja) * | 2006-05-17 | 2013-03-13 | 英弘精機株式会社 | 太陽電池の特性評価装置 |
JP4241818B2 (ja) * | 2006-12-14 | 2009-03-18 | パナソニック電工株式会社 | 内部検査装置 |
JP5097908B2 (ja) * | 2007-07-24 | 2012-12-12 | 英弘精機株式会社 | 太陽光発電システムの異常検出装置 |
JP5458483B2 (ja) * | 2007-09-14 | 2014-04-02 | 岩崎電気株式会社 | 太陽電池出力特性の測定方法、評価装置及びそのソフトウェア |
JP2013207000A (ja) * | 2012-03-27 | 2013-10-07 | Hitachi Appliances Inc | 太陽光発電システムおよびその表示装置 |
JP6361187B2 (ja) * | 2014-03-13 | 2018-07-25 | オムロン株式会社 | 太陽電池の評価装置 |
-
2019
- 2019-07-17 JP JP2019132193A patent/JP6697116B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2020025452A (ja) | 2020-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11621668B2 (en) | Solar array fault detection, classification, and localization using deep neural nets | |
Chen et al. | Deep residual network based fault detection and diagnosis of photovoltaic arrays using current-voltage curves and ambient conditions | |
Dhimish et al. | Comparing Mamdani Sugeno fuzzy logic and RBF ANN network for PV fault detection | |
Fadhel et al. | PV shading fault detection and classification based on IV curve using principal component analysis: Application to isolated PV system | |
Madeti et al. | Modeling of PV system based on experimental data for fault detection using kNN method | |
Wu et al. | Parameter extraction of photovoltaic models from measured IV characteristics curves using a hybrid trust-region reflective algorithm | |
Garoudja et al. | An enhanced machine learning based approach for failures detection and diagnosis of PV systems | |
JP6697116B2 (ja) | 太陽電池の検査装置、検査システム、検査方法及びプログラム | |
Rao et al. | Solar array fault detection using neural networks | |
Chen et al. | Accurate modeling of photovoltaic modules using a 1-D deep residual network based on IV characteristics | |
Abbas et al. | A smart fault detection approach for PV modules using Adaptive Neuro-Fuzzy Inference framework | |
Reinoso et al. | Simulation of photovoltaic centrals with dynamic shading | |
Zaki et al. | Deep‐learning–based method for faults classification of PV system | |
Li et al. | A fault diagnosis method for photovoltaic arrays based on fault parameters identification | |
Van Gompel et al. | Satellite based fault diagnosis of photovoltaic systems using recurrent neural networks | |
Liu et al. | Fault diagnosis approach for photovoltaic array based on the stacked auto-encoder and clustering with IV curves | |
Shihavuddin et al. | Image based surface damage detection of renewable energy installations using a unified deep learning approach | |
Chen et al. | Rapid and accurate modeling of PV modules based on extreme learning machine and large datasets of IV curves | |
Dhimish et al. | Multi‐layer photovoltaic fault detection algorithm | |
CN105141255A (zh) | 一种光伏阵列故障诊断方法 | |
Taghezouit et al. | A simple and effective detection strategy using double exponential scheme for photovoltaic systems monitoring | |
Yurtseven et al. | Sensorless fault detection method for photovoltaic systems through mapping the inherent characteristics of PV plant site: Simple and practical | |
Liu et al. | Intelligent fault diagnosis of photovoltaic array based on variable predictive models and I–V curves | |
Prince Winston et al. | Experimental investigation on output power enhancement of partial shaded solar photovoltaic system | |
Liu et al. | Condition classification and performance of mismatched photovoltaic arrays via a pre-filtered Elman neural network decision making tool |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190717 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190723 |
|
AA64 | Notification of invalidation of claim of internal priority (with term) |
Free format text: JAPANESE INTERMEDIATE CODE: A241764 Effective date: 20190813 |
|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20190807 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191001 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191001 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20191029 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191112 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200114 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200218 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200406 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200421 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200423 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6697116 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |