JP6813291B2

JP6813291B2 - 太陽光発電の性能評価方法

Info

Publication number: JP6813291B2
Application number: JP2016128115A
Authority: JP
Inventors: 中島　栄一; 栄一中島
Original assignee: 株式会社関電工
Priority date: 2016-06-28
Filing date: 2016-06-28
Publication date: 2021-01-13
Anticipated expiration: 2036-06-28
Also published as: JP2018007347A

Description

この発明は、太陽光発電所における長期間の発電性能の変化を定量的に把握して太陽光発電の性能を評価する方法に関するものである。

火力発電や原子力発電のように、原料の投入量を一定にして初期の発電量と現在の発電量をそれぞれ測定し、これらを比較して現在の発電設備の性能を評価することは容易であるが、太陽光発電に関しては、原料供給元である太陽の照射強度や外気温の変化により発電量が変化するため、単純に初期の発電量と現在の発電量との比較だけでは性能を評価することは難しい。

一方、大規模太陽光発電所の運用において、安全を確保し、事業収益を向上させるためには、発電所のモニタリングによって運転状況を把握することが必要であるが、発電所の発電量は日射や外気温といった周囲環境条件、及び発電所の広さや構成といった固有の条件に大きく左右されるため、単にモニタリングを行うだけでは運転状況を適切に把握することは困難である。

そこで、日射量や外気温といった周囲環境データ、及び発電所の設備情報から発電量を推定する手法が多数考案されているが、十分な精度が得られない。あるいは精度を得るためにできるだけ多くの計測設備を設けて細かく計測することや専門家による分析が必要である、といった問題点があった。

特許文献１の「発電量予測装置およびその方法」では、太陽光発電システムのそれぞれについて、システム係数と発電実験データから前記太陽光発電システムの設置されたサイトにおける気象状況を推定することにより、推定気象状況値を得る気象状況推定部と、前記推定気象状況値を、各前記太陽光発電システムの設置位置に応じて補正処理することにより補正気象状況値を得る気象状況空間補正部と、前記太陽光発電システム毎に、前記補正気象状況値と前記発電実績データに基づいて、前記システム係数を更新するパラメータ学習部と、前記太陽光発電システム毎に、前記参照気象データと前記システム係数に基づき、発電量予測を行う発電予測部とを備えるものである。

特開２０１４−６３３７２号公報

特許文献１のものでは、推定を行おうとする発電所の過去の実績データ（日射・外気温・発電量等）から所定の発電量推定モデルのパラメータを学習し、そのパラメータを用いて以降の発電量を推定することにより自律的に推定精度の向上を図るものである。また、太陽光発電における発電量推定学習の支援システムにおいて、学習の過程で生成される行列を保持しておくことで、学習に必要なデータを圧縮し、学習条件をフレキシブルに変更することが開発されている。

この様な背景において、太陽光発電システムでは、一般に０．５〜１％／年程度の劣化があると言われている。そこで、太陽光発電所の運転初期の計測データを用いて、上記特許文献１のような発電量推定モデルのパラメータを学習し、そのパラメータを用いることで、図１０に示すように、「発電所が初期の発電性能を保持していた場合の発電量」を推定する。

図１０は評価する太陽光発電所のアレイ容量やパワーコンディショナー（ＰＣＳ）の容量を予め入力しておき、日射強度や外気温を測定し、さらにＰＣＳ発電量や連系点電力を測定し、所定の発電量推定モデルのパラメータを学習し、そのパラメータを用いて以降の発電量を推定する。この様に、「発電所が初期の発電性能を保持していた場合の発電量」を推定することはできるが、それだけでは運転開始から時間が経過した時の劣化も含めた発電量を推定することはできない。

この問題への対策としては、図１１に示すように、予め時間経過による劣化率を想定しておき、初期性能での推定発電量にその劣化率を掛けることで「劣化も含めた推定発電量」とする方法があるが、この場合、設定した劣化率が実際の劣化率と一致しているとは限らないため、推定精度の低下を招く恐れがある。

また、太陽光発電システムの発電量は日射や気温といった気象条件に左右されるため、例えば異なる年度における「１年間の総発電量」を比較しようとした場合、当然ながらそれぞれの年における気象条件が同一でないため、そのままでは比較することができない。

図１０に示す方法で初期性能における発電量を推定し、それぞれの推定発電量に対する実績発電量の比率を見ることで気象条件の違いの影響を排除することは可能であるが、点検や事故による発電所の停止など、運転状況が異なる場合の誤差までは取り除くことはできない。この運転状況の影響を排除するためには、発電所の運転履歴を踏まえた上で「発電所が十全に運転している時」のみのデータを抽出した上で比較を行う必要があるが、この作業は非常に煩雑であり、また、対象となるデータ数の減少を招くという問題がある。

そこで、この発明は、学習期間のスライドによる発電性能の変化を把握することにより太陽光発電の評価方法を提供することを目的としたものである。

請求項１の発明は、運転開始後の一定期間の一定時間ごとの発電に関する気象条件値及び発電量を測定したデータからパラメータを学習して得た、初期の発電性能を保持していた場合の第１推定発電量と、前記期間経過後の直近一定期間の、前記第１推定発電量のデータの気象条件と同じ条件下での一定時間ごとの発電に関する気象条件値及び発電量を測定したデータからパラメータを学習して得た第２推定発電量との差により太陽光発電の性能を評価する太陽光発電の性能評価方法であって、
前記第１推定発電量及び第２推定発電量は、太陽光発電システムにおける発電に関係する天候条件値及び発電量を一定時間ごとに一定期間にわたり計測してこれらをデータとして蓄積し、これらの中から、事前に定めた不適当な発電量データを除外し、残った発電量データを用いてこれを逐次更新して推定パラメータを学習し、これにより推定パラメータを決定し、当該推定パラメータから前記発電に関係する気象条件値を勘案して算出するものであり、
前記不適当な発電量データであると事前に定めた発電量データは、太陽高度の低い時刻の発電量データ、日射強度の閾値以下における発電量データ、ある一定期間の発電量の計測データを対象として上記太陽高度の低い時刻の発電量データ及び日射強度の閾値以下における発電量データを除外した残りのデータから算出した推定パラメータを用いて前記期間の発電量を推定し、推定した発電量と実測データの誤差が一定値以上乖離した時刻の発電量データ、これらの３つの発電量データの内の一つ又は複数、及び構成的に類似した他の発電所の実績データから算出した推定モデル・パラメータを用いて発電量を推定し、推定した発電量と実測データとの誤差が一定値以上乖離した時刻の発電量データである、太陽光発電の性能評価方法とした。

請求項１の発明によれば、太陽光発電の運転開始時の一定期間の発電に関係する天候条件値及び発電量を一定時間ごとに一定期間にわたり計測してこれらをデータとして蓄積し、これらのデータを逐次更新して推定パラメータを学習する重回帰分析を用い、これにより決定した推定パラメータによる第１推定発電量と、前記一定期間経過後の、同様に得た第２推定発電量とを比較することにより発電所全体の発電性能劣化状況を定量的に把握することができる。従って、気象条件や運転状況に左右されない、純粋な発電性能の変化を把握することができ、より正確な発電性能評価が可能である。また、長期間の運転データを適用することで、太陽光発電所全体の劣化（故障も含む）診断を行うことが可能である。また、発電所性能の一環として、計測範囲を細分化できれば、同様の手法で部分的な劣化を把握することができる。

また、当該太陽光発電システムにおける発電に関係する天候条件値及び発電量を一定時間ごとに一定期間にわたり計測してこれらをデータとして蓄積し、これらの中から、事前に定めた不適当な天候条件値データ及び発電量データを除外し、残った天候条件値データ及び発電量データを用いてこれを逐次更新して推定パラメータを学習し、これにより推定パラメータを決定するため、発電所が本来の性能を発揮している時の計測データのみを用いてパラメータの学習を行うことができる。また、不適当データの除外状況及び推定パラメータの学習状況の分析を行うことにより、パラメータ学習におけるデータ除外条件自体の最適化を図ることが可能である。これによって、より精度の高い推定発電量を得ることができる。従って、発電所全体の発電性能劣化状況をより精度よく把握することができる。

この発明の実施の形態例１の発電性能評価方法の概略構成図である。この発明の実施の形態例１の発電性能評価方法のブロック構成図である。この発明の実施の形態例１の発電性能評価方法による発電性能変化を示すグラフ図である。この発明の実施の形態例１の発電性能評価方法における推定発電量の計測概要を示すブロック図である。この発明の実施の形態例１の発電性能評価方法における推定発電量の計測に用いるコンピュータシステムを示す構成図である。この発明の実施の形態例１の発電性能評価方法における推定発電量の計測に用いる、時刻による不適当データの除外範囲を示すグラフ図である。この発明の実施の形態例１の発電性能評価方法における推定発電量の計測に用いる、日射強度による不適当データの除外範囲を示すグラフ図である。この発明の実施の形態例１の発電性能評価方法における推定発電量の計測に用いる、当日学習による不適当データの除外範囲を示すグラフ図である。この発明の実施の形態例１の発電性能評価方法における推定発電量の計測に用いる、他発電所パラメータによる不適当データの除外例を示すグラフ図である。発電量推定パラメータの学習例を示す概略図である。劣化も含めた推定発電量の算出方法を示す概略図である。

（実施の形態例１）
以下、この発明の実施の形態例１の太陽光発電の性能評価方法を図に基づいて説明する。

この発明は、図１及び図２に示すように、運転開始後の１年間の一定時間ごとの発電に関する気象条件値、例えば、日射強度、外気温、及び発電量を夫々測定し、推定パラメータ学習部３でこれらのデータから推定パラメータを学習し、発電量推定パラメータ４を得る。そして発電量推定部５を経て、初期の発電性能を保持していた場合の第１推定発電量１を得る。

また、前記期間経過後であって、直近１年間の一定時間ごとの発電に関する気象条件値、例えば、日射強度、外気温、及び発電量を夫々測定し、推定パラメータ学習部３´でこれらのデータから推定パラメータを学習し、発電量推定パラメータ４´を得る。そして発電量推定部５´を経て、直近の第２推定発電量２を得る。

これらの発電量推定部５及び５´では日射強度及び外気温等の同じ気象条件のデータを抽出して「発電所が初期の発電性能を保持していた場合の推定発電量」と「直近１年間の発電性能による推定発電量」を算出する。このため、この二つの発電量の差は、すなわち、初期1年間と直近１年間との発電性能の差を示すことになり、これを長期間にわたって適用することで、発電所全体の実態としての発電性能劣化状況を定量的に把握することが可能である。

図３は実際の太陽光発電所における、この発明の評価方法を用いた発電性能の変化を示す。これは、１日ごとに初期１年間のパラメータと直近１年間のパラメータで発電量を推定し、それぞれの推定発電量における１年間の移動累計を比較したものである。この発電所では運転開始から２年半で２％弱の発電性能低下が見られている。これは、一般に言われる劣化率「０．５〜１％」と合致しており、この発明の評価方法によって発電所の発電性能低下（劣化）を精度よく把握できることが確認された。

また、このグラフ図では、初期の１年間は発電性能が低下しておらず、１年経過後に低下しているが、実際は、初期の１年間でも低下している。また、運転開始から２年以内は、初期の１年間のパラメータの影響が残っており、実際の劣化率を正しく判定しているとは言い難い。運転開始から２年経過後からは、より正確な劣化が判断できる。

また、上記実施の形態例１では、発電所の運転開始から１年間及び直近の１年間のデータに基づいているが、１年間に限らず、１年の中の同じ時期の３ヶ月等、適宜の一定期間のデータを用いてもよい。

次に、前記の太陽光発電の性能評価方法において使用する前記推定発電量の取得について説明する。

図４は前記推定発電量の計装概要を示すブロック図であるが、当該図４に示すように、太陽光発電所の運転開始初期の１年間、当該発電所に設けた日射計や温度計、電流電圧計等により、日射強度、外気温等の発電に関係する天候条件値及び発電量を１分間ごとに一定時間にわたり計測する（ステップＳ−１）。そしてこれらの計測値をデータとしてコンピュータの記憶部に蓄積する。また、その際、設備情報として当該発電所の太陽光電池のアレイ容量やＰＣＳ容量も記憶部に入力する。

次に、これらの蓄積データの内の発電量データのうち、後述のパラメータ学習に不適当なデータを除外する（ステップＳ−２）。これは予め定めた時刻や閾値等と比較して選別する。この処理により残ったデータを基にパラメータの学習を行う（ステップＳ−３）。これは上記の計測、当該計測によるデータ蓄積、データ除外等を１年間行い、その間にデータ等の更新を逐次行ってパラメータ学習を行う。

その後パラメータ学習に基づいて推定パラメータを決定し（ステップＳ−４）、当該推定パラメータと前記の日射強度や外気温等の発電に関係する天候条件値のデータを勘案して推定発電量を算定する（ステップＳ−５）。

上記の各ステップは計測手段、当該各計測値をデータとして記憶する記憶手段、不適当なデータを除外するデータ除外手段、パラメータ学習手段、推定パラメータ決定手段、推定発電量算出手段とから成るコンピュータシステムを使用して実現できる。そして、これらの各構成手段による上記ステップ作用は、たとえばコンピュータプログラムモジュールとして実現することができ、各プログラムモジュールを含むプログラムをコンピュータシステムにおいて各機能を実現することができる。

このコンピュータシステムには、図５に示すように、プログラム命令を実行するＣＰＵ１１、メモリ等の主記憶装置１２、ハードディスク、磁気ディスク装置又は光磁気ディスク装置等の外部記憶装置１３、データ入力装置１４、表示装置１５及びこれらを相互に接続するバス１６を具備している。プログラムは外部記憶装置１３に保存されており、ＣＰＵ１１がこのプログラムを主記憶装置１２に展開し、展開したプログラムを逐次読み出し実行する。

次に、前記不適当なデータを過不足なく除外するために、以下の処理を行う。これを図６〜図９に基づいて説明する。

（１）太陽高度又は時刻による除外
太陽高度が低く、周辺構造物や隣接する太陽電池アレイが作る影によって発電量の低下が起こっている時刻の発電量データはパラメータ学習には不適当であるため、太陽高度が一定以下の時間帯のデータを除外する。太陽高度は日時情報から算出することも可能であるが、ここでは簡易的は方法として、太陽高度が低い早朝や夕方の時間帯の発電量データを除外することとした。

時刻による除外の例を図６に示す。図６のグラフの左の縦軸は日射強度（ｋＷ／ｍ^２）を、右縦軸が発電量（ｋＷ）を表し、横軸は１日の時刻を示す。ここでは、０時から９時未満、１５時以降から２４までのデータを除外し、９時〜１５時のデータのみを残し、パラメータ学習に使用する。

（２）日射強度閾値による除外
上記（１）の場合に当てはまらない場合であっても、極端に日射強度が低いと、ＰＣＳ（パワーコンディショナ）の変換効率が大きく下がる。ＰＣＳの空調システム負荷が軽くなるといった理由により、一定以上の日射強度がある場合と異なる条件下での運転となり、パラメータ学習には不適当である。そこで、日射強度閾値（例：０．２ｋＷ／ｍ^２）を設け、計測した日射強度が閾値以下の時刻の発電量データを除外することとした。

日射強度による除外の例を図７に示す。図７のグラフの左の縦軸は日射強度（ｋＷ／ｍ^２）を、右縦軸が発電量（ｋＷ）を表し、横軸は１日の時刻を示す。ここでは日射強度０．２ｋＷ／ｍ^２以上の時のデータのみを残し、パラメータ学習に使用する。この日射強度閾値は、０．２ｋＷ／ｍ^２に限らず、０．１ｋＷ／ｍ^２又は０．０５ｋＷ／ｍ^２等任意の閾値で良い。

（３）該当日のみを対象とした学習後推定量との比較による除外
上記（１）、（２）の条件に当てはまらない場合であっても、電力系統事故や作業停止によって発電が停止することがあり、その時刻のデータはパラメータ学習には不適当である。

そこで、ある一定期間（例：１日）の計測データを対象として、（１）、（２）の条件によって不適当データを除外した上で重回帰分析を行い、算出した発電量推定パラメータを用いて該当期間の発電量を推定し、推定した発電量と実測データとの誤差が一定値（例：推定値の１０％）以上乖離していた場合、発電所の運転状態に異常があったものとして該当時刻のデータを除外することとした。

当日学習による除外の例を図８に示す。図８のグラフの左の縦軸は日射強度（ｋＷ／ｍ^２）を、右縦軸が発電量（ｋＷ）を表し、横軸は１日の時刻を示す（ただし、右のグラフでは発電量の目盛は省略）。ここでは、右のグラフ図に示すように、推定した発電量と実測した発電量との誤差が一定値以上乖離しているため、発電所の運転状態に異常があったものとして、１４時から１６時のデータを除外した。

（４）類似の発電所の実績に基づく学習後の推定量との比較による除外
上記（３）の条件によって、一定の期間内において、一時的に発電所の運転に異常があった場合はその時間帯のデータを除外することが可能であるが、太陽電池パネルの初期不良や直流回路の投入忘れ、ＰＣＳ停止等により、該当期間全体にわたって一様に発電量が低下している場合は、（３）の方法では適不適を判定することができない。

そこで、構成的に類似している他の発電所の実績データから算出した推定モデル・パラメータを用いて発電量を推定し、推定した発電量と実測データの誤差が一定値（例：推定値の１０％）以上乖離していた場合、発電所の初期状態あるいは運転状態に異常があるものとして、該当データを除外することとした。

他の発電所のパラメータ使用による除外の例を図９に示す。図９の左のグラフは当該発電所の発電実績であり、ＰＣＳ停止により、一日中発電量が低下した。
右縦軸が日射強度（ｋＷ／ｍ^２）を、右縦軸が発電量（ｋＷ）を表し、横軸は１日の時刻を示す。日射量は実線で表し、矢印の上の箇所に頂点を置いた曲線が、日射量に相応して本来発電すべき発電量を示し、矢印の下の箇所に頂点を置いた曲線は実測の発電量を示す。また、図９の右のグラフは、一番大きい山の曲線が、他の発電所のパラメータを使用した推定発電量、下の重なった山の曲線が当該発電所の実測発電量及び当日学習の推定発電量を示す。

以上の対策により、発電所が本来の性能を発揮している時の計測データのみを用い、パラメータ学習を行うことが可能となった。上記（３）及び（４）の除外条件は、良否判定の閾値を調整することによって、予備的な発電状況診断を行い、異常があった場合に警報を出力する機能として使用することも可能である。

また、ある発電所（又はその一部）において、「どの時刻のデータがどの条件によって不適当として除外されたか」、「除外条件を変更した時の発電量推定精度の変化」等に関してシステム上で分析を行うことにより、該当箇所におけるデータ除外方法それ自体を自律的に最適化することができる。

これは、例えば、「どの時刻のデータが上記（３）又は（４）の条件によって除外されたか」を集計し、その結果に基づいて該当箇所における上記（１）の条件（除外対象となる時刻）を決定する。

また、上記（２）の条件（日射強度閾値）を変更した時の発電量推定精度を比較し、もっとも精度の高い結果が出た条件を採用する、等の最適化調整ができる。

１第１推定発電量２第２推定発電量
３、３´ 推定パラメータ学習部４、４´ 発電量推定パラメータ
５、５´ 発電量推定部
１１ＣＰＵ１２主記憶装置
１３外部記憶装置１４入力装置
１５表示装置１６バス
Ｓ−１データ計測Ｓ−２データ除外処理Ｓ−３パラメータ学習Ｓ−４推定パラメータ
Ｓ−５推定発電量

Claims

運転開始後の一定期間の一定時間ごとの発電に関する気象条件値及び発電量を測定したデータからパラメータを学習して得た、初期の発電性能を保持していた場合の第１推定発電量と、前記期間経過後の直近一定期間の、前記第１推定発電量のデータの気象条件と同じ条件下での一定時間ごとの発電に関する気象条件値及び発電量を測定したデータからパラメータを学習して得た第２推定発電量との差により太陽光発電の性能を評価する太陽光発電の性能評価方法であって、
前記第１推定発電量及び第２推定発電量は、太陽光発電システムにおける発電に関係する天候条件値及び発電量を一定時間ごとに一定期間にわたり計測してこれらをデータとして蓄積し、これらの中から、事前に定めた不適当な発電量データを除外し、残った発電量データを用いてこれを逐次更新して推定パラメータを学習し、これにより推定パラメータを決定し、当該推定パラメータから前記発電に関係する気象条件値を勘案して算出するものであり、
前記不適当な発電量データであると事前に定めた発電量データは、太陽高度の低い時刻の発電量データ、日射強度の閾値以下における発電量データ、ある一定期間の発電量の計測データを対象として上記太陽高度の低い時刻の発電量データ及び日射強度の閾値以下における発電量データを除外した残りのデータから算出した推定パラメータを用いて前記期間の発電量を推定し、推定した発電量と実測データの誤差が一定値以上乖離した時刻の発電量データ、これらの３つの発電量データの内の一つ又は複数、及び構成的に類似した他の発電所の実績データから算出した推定モデル・パラメータを用いて発電量を推定し、推定した発電量と実測データとの誤差が一定値以上乖離した時刻の発電量データであることを特徴とする、太陽光発電の性能評価方法。