TW202119298A - 結合因子隱藏式馬可夫模型(fhmm)與發電量預測之太陽能板發電系統異常診斷分析裝置與方法 - Google Patents

結合因子隱藏式馬可夫模型(fhmm)與發電量預測之太陽能板發電系統異常診斷分析裝置與方法 Download PDF

Info

Publication number
TW202119298A
TW202119298A TW108141400A TW108141400A TW202119298A TW 202119298 A TW202119298 A TW 202119298A TW 108141400 A TW108141400 A TW 108141400A TW 108141400 A TW108141400 A TW 108141400A TW 202119298 A TW202119298 A TW 202119298A
Authority
TW
Taiwan
Prior art keywords
current
series
power generation
value
voltage
Prior art date
Application number
TW108141400A
Other languages
English (en)
Inventor
張芳懿
洪永杰
Original Assignee
財團法人資訊工業策進會
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 財團法人資訊工業策進會 filed Critical 財團法人資訊工業策進會
Priority to TW108141400A priority Critical patent/TW202119298A/zh
Priority to US16/699,282 priority patent/US20210152121A1/en
Priority to CN201911200773.3A priority patent/CN112801329A/zh
Publication of TW202119298A publication Critical patent/TW202119298A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/10—Photovoltaic [PV]
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Ecology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Environmental Sciences (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

一種發電系統異常診斷分析裝置，用以診斷由複數個模組串列並聯而成的太陽能板發電系統，該分析裝置包括：一總電流偵測模組提供一總電流時序資料與觀測電壓；一環境資訊模組提供環境資訊；一FHMM 演算模組對該時序資料進行FHMM 演算得到複數組第一串列電流推論值，並依據該環境資訊與電流電壓歷史資料庫，自複數組第一串列電流推論值篩選出一組第二串列電流推論值；一資料庫建置模組，記錄該觀測電壓和該組第二串列電流推論值；一用戶回饋模組依據該組第二串列電流推論值及該觀測電壓值決定是否發出異常警示。

Description

結合因子隱藏式馬可夫模型(FHMM)與發電量預測之太陽能板發電系統異常診斷分析裝置與方法
本發明是有關於一種太陽能板發電系統監視方法，該太陽能板發電系統具有複數個並聯的太陽能發電模組；本方法只需要一個電壓/電流計量測該複數個並聯太陽能發電模組輸出總電流大小與電壓，就能預測各個太陽能發電模組發電狀態。
請參照第1A圖，其繪示一傳統太陽能板發電系統，該太陽能板發電系統具有四個並聯的太陽能發電模組串列(module series)；其中每個模組串列內部更具有複數個太陽能電池模組(module)並聯或串聯在模組中來發電，每個太陽能發電模組串列各別輸出12V-5A電流；4個模組串列並聯輸出 12V-20A電流後，經由充電管理器12控制來對電池10充電。
如此當該複數個太陽能電池模組其中之一故障或老化，導致最後並聯輸出的整個發電系統輸出總電力下降時，維修員需逐一檢查是四個太陽能發電模組串列中的哪個模組串列出現問題，如此維修工程十分繁瑣耗時。
另一方面，若預先在四個太陽能發電模組串列上預先各別安裝四個電錶直接量測各個發電模組串列的輸出電流，即可迅速得知是哪個發電模組串列故障，但如此成本相當高昂。
本發明係有關於一種結合因子隱藏式馬可夫模型FHMM (Factorial Hidden Markov Model))與發電量預測之太陽能板發電系統異常診斷分析技術，透過直流匯流箱輸出電量資料，使用FHMM模型進行非監督式學習，並分析每個模組串列逐時運作狀態；利用前述結果並輔以日照強度氣溫等天氣資訊，分析每個模組串列的發電量是否為合理輸出，進而回饋太陽能電廠維運商進一步診斷。
根據本發明之第一方面，提出一種發電系統異常診斷分析裝置，用以診斷分析一太陽能板發電系統，該太陽能板發電系統包含複數個太陽能發電模組串列，該些太陽能發電模組串列並聯輸出一總電流，該異常診斷分析裝置包括：一總電流偵測模組，偵測該總電流並輸出一時間序列資料與一觀測電壓；一環境資訊模組，提供該太陽能板發電系統所在位置的一環境資訊；一FHMM 演算模組，針對該時間序列資料，進行 FHMM 演算而得到複數組第一串列電流推論值，並依據該環境資訊模組所提供的該環境資訊與一電流電壓歷史資料庫，自該複數組第一串列電流推論值篩選出一組第二串列電流推論值；一資料庫建置模組，記錄該觀測電壓和該組第二串列電流推論值，以更新該電流電壓歷史資料庫；和一用戶回饋模組，將該組第二串列電流推論值及該觀測電壓值與該電流電壓歷史資料庫作比較以決定是否發出一異常警示。
根據本發明之一實施例，其中該環境資訊至少包括一日照強度狀態，當自該複數組第一串列電流推論值篩選出該組第二串列電流推論值時，係比對該電流電壓歷史資料庫中接近該日照強度狀態的電流電壓值。
根據本發明之一實施例，其中該環境資訊至少包括一氣溫狀態，當自該複數組第一串列電流推論值篩選出該組第二串列電流推論值時，係比對該電流電壓歷史資料庫中接近該氣溫狀態的電流電壓值。
根據本發明之一實施例，其中當自該複數組第一串列電流推論值篩選出一組第二串列電流推論值時係使用至少兩個相似度篩選算法，累計該至少兩個相似度篩選算法結果作為相似度計算指標；其中該至少兩個相似度篩選算法係包含：K-近鄰、內積相似矩陣、高斯核心與歐式距離四種演算法中的至少兩種。
根據本發明之一實施例，其中該電流電壓歷史資料庫顯示該些模組串列中的第X個具有一第一每日低發電時段T(X)，該些模組串列中的第Y個具有一第二每日低發電時段T(Y)；該FHMM演算模組分別在該第一每日低發電時段T(X)內和第二每日低發電時段T(Y)內至少進行一次FHMM演算，將該第一每日低發電時段T(X)內，該第二串列電流推論值中最低者對應作為該第X個模組串列的推論電流值；將該第二每日低發電時段T(Y)內，該第二串列電流推論值中最低者對應作為該第Y個模組串列的推論電流值，該第一每日低發電時段T(X)異於該第二每日低發電時段T(Y)。
根據本發明之一實施例，其中環境資訊模組偵測在該第一每日低發電時段T(X)內進行 FHMM演算時的環境資訊，該環境資訊包括日照強度狀態與氣溫狀態；如此將該第X個模組串列的推論電流值及該觀測電壓值與該電流電壓歷史資料庫中接近 FHMM演算時的該日照強度狀態與該氣溫狀態的電流電壓值作比較，以決定是否發出一第X個模組串列異常警示。
根據本發明之另一方面，提出一種發電系統異常診斷分析方法，用以診斷分析一太陽能板發電系統，該太陽能板發電系統包含複數個太陽能發電模組串列，該些太陽能發電模組串列並聯輸出一總電流，該異常診斷分析方法包括步驟：偵測該總電流並輸出一時間序列資料與一觀測電壓；針對該時間序列資料，進行 FHMM 演算而得到複數組第一串列電流推論值，並依據環境資訊模組所提供的一環境資訊與一電流電壓歷史資料庫，自該複數組第一串列電流推論值篩選出一組第二串列電流推論值；記錄該觀測電壓和該第二串列電流推論值，以更新該電流電壓歷史資料庫；和將該第二串列電流推論值及該觀測電壓值與該電流電壓歷史資料庫作比較以決定是否發出一異常警示。
為了對本發明之上述及其他方面有更佳的瞭解，下文特舉實施例，並配合所附圖式詳細說明如下：
第1B圖繪示依照本發明太陽能板發電系統架構示意圖，該太陽能板發電系統具有四個並聯的太陽能發電模組串列MS1~MS4，四個太陽能發電模組串列MS1~MS4各別輸出的電流為I1~I4；四個太陽能發電模組串列MS1~MS4並聯輸出一總電流 I-total；在總電流 I-total 流經路徑上設置一電壓/電流計14 如此以具體量測總電流/電壓值。
第2圖繪示依照本發明太陽能板發電系統異常診斷分析裝置架構示意圖，異常診斷分析裝置包括：總電流偵測模組20，環境資訊模組22，FHMM演算模組24，資料庫建置模組27和用戶回饋模組28。其中各模組主要功能為：總電流偵測模組20包含該電壓/電流計14，用以偵測該總電流I-total並輸出一時間序列資料與一觀測電壓。環境資訊模組22提供該太陽能板發電系統所在位置的一環境資訊。FHMM 演算模組24，針對該時間序列資料，進行 FHMM 演算而得到複數組第一串列電流推論值，並依據該環境資訊模組22所提供的該環境資訊與一電流電壓歷史資料庫，自該複數組第一串列電流推論值篩選出一組第二組串列電流推論值。資料庫建置模組27，記錄該觀測電壓和該組第二組串列電流推論值，以更新該電流電壓歷史資料庫。用戶回饋模組28，將該組第二組串列電流推論值及該觀測電壓值與該電流電壓歷史資料庫做比較以決定是否發出一異常警示。
第3圖繪示依照本發明太陽能板發電系統發電異常狀態分析方法，該分析方法包含步驟：(31) 資料收集，(33) FHMM 模型建立，(35) 結合日照與負載預測選定 FHMM 模型，(37) 電流電壓曲線建模，和(39) 回饋用戶等步驟，詳細分析方法流程步驟參照下列說明：
步驟(31) 資料收集：對第1B圖中電壓/電流計14之電流負載曲線資料進行低頻取樣； 取得前述資料後，將其存入資料庫並進行前置處理，包括：資料整合、資料清理、最大-最小標準化等步驟。假設每一分鐘量測記錄一筆總電流 I-total 值，則觀測4小時後可得到共240筆總電流觀測值序列 {Y-total-n}，n=1:240；亦即 Y-total-1~ Y-total-240。類似地，針對四個發電模組串列 MS1~MS4，依據本發明分析方法會推估產生對應的{Yn，k}，其中 n=1:240 代表於觀察期間內的240次觀察，k=1:4分別對應到四個太陽能發電模組串列 MS1~MS4。
換言之，{Y-total-n}，n=1:N 此為總電流時間序列，Y-total-n 代表於第 n 個時間點低頻取樣所量測到的總電流值。{Yn,1}，n=1:N為第1個模組串列MS1流經電流的時間序列，Yn,1代表於第 n 個時間點流經模組串列MS1的電流值。{Yn,2} n=1:N為第2個模組串列MS2流經電流的時間序列，Yn,2代表於第 n 個時間點流經模組串列MS2的電流值；其餘模組串列的電流值表示符號以此類推。變數 N 為觀測時間點數量，於實施例中，係對第4圖的總電流波形進行低頻抽樣量測 (每分鐘量測總電流 I-total一次，量測記錄四小時)，總共得到240 個紀錄時間點 ，故 N為 240 次，n從1遞增至240。對於所有觀測時間點 n，滿足以下之方程式Yn,1+ Yn,2+ Yn,3+ Yn,4= Y-total-n。
步驟(33) FHMM 模型建立：以一小時60筆量測資料為例來說明，其中電流計 Meter-I 所能量測到的電流值{Yt }t=1:60 為所得之觀測值 (即總電流)，共有60筆。而 {St }t=1:60 為所謂隱藏狀態值，即該電流計 Meter-I 所無法量測到的電流值，必需透過 FHMM 模型的分析來推論該隱藏狀態值。於此FHMM 模型中：
a)  St 是在 t 時間點所有狀態的總合表示，其包含：
Figure 02_image001
、
Figure 02_image003
、
Figure 02_image005
、
Figure 02_image007
，上標1~4 代表本實施例四個串聯列在 t 時間點的各別狀態。
b)
Figure 02_image009
有兩種可能數值，
Figure 02_image009
= 1，代表發電功能在 t 時間點正常，或者
Figure 02_image009
= 2，代表發電功能在 t 時間點不正常，m=1, 2, 3, 4 分別對應到四個串聯列。例如：若m=3, t=20,
Figure 02_image009
= 1，代表第3串聯列發電功能在 t=20時間點時正常。
c) 本發明的 FHMM 模型是有限制條件 (Constrained) 的，此處的限制條件是 P(St |St-1 ) =
Figure 02_image011
P(
Figure 02_image009
|
Figure 02_image013
) (因為只有1(正常)或者2(不正常)兩種狀態)；傳統 HMM 並沒有相乘在一起，但 FHMM把它們相乘起來，否則若不加以限制 (Constrained)，即是4個平行HMM之組合，彼此 4 條 HMM 間失去彼此影響關係 (factorial) 之意義。如第5圖繪示，
Figure 02_image015
影響
Figure 02_image017
，而
Figure 02_image021
影響
Figure 02_image023
，然後
Figure 02_image025
又會共同影響
Figure 02_image027
。 本發明的 FHMM 模型的轉移矩陣代表：當一個串列的狀態轉換到下一個狀態的機率；如前段所述，假設每項串列狀態擁有正常與不正常兩種狀態，當第ｍ個串列發電功能在 t 時間點正常，
Figure 02_image029
= 1，或者第ｍ個串列發電功能在 t 時間點為不正常，
Figure 02_image029
= 2。依序表示「正常->正常，正常->不正常，不正常->正常，不正常->不正常」四態樣的可能機率，轉移矩陣P(m) 可以表示為：
Figure 02_image031
因為電流計所能提供的已知觀測值是發電總電流狀態值 Yt，故St 是需要估計的值，來評估各串流列的狀態是正常或不正常；亦即本發明利用FHMM 模型，依據發電總電流狀態值 Yt值來估計各個St.值； 亦即要尋找 St 等於什麼值時，能使得該觀測到的 Yt 值發生機率最大。故本發明要把 St1~St4 狀態排列組合產生特定發電總電流狀態值 Yt 的機率逐一計算出來，然後以使 Yt 發生機率最大的St1~St4 狀態排列組合推論為目前四個串流列的發電狀態。
一般來說，總電流與隱藏層參數St1~St4之間的關係如下 Yn,m (Y-totaln )=P(Y-totaln |S(m) =i) 且P(Y-totaln |S(m) =i)一般建模為一個高斯分布N(Y-totaln ;µm , σm )。µm 與σm 為總電流相對於狀態S(m) =i的平均與標準差。
Figure 02_image033
針對某一個觀測到的電流值 Yt，為了要尋找所有 St 狀態排列組合中，何者具有能產生該電流值 Yt 的最高機率，故需利用貝氏定理：依據上述 4a 公式已知的數值反推得出：在觀測到的 Yt 值已知先決的條件下，產生要特定值 St 狀態排列組合的機率。 貝氏定理：
Figure 02_image035
此處貝氏定理已經是指向某個串聯列，所以i=1~2，依照這個機率評斷串聯列是否正常或故障，評估機率門檻值0.8，當貝氏定理算到的故障機率值超過 0.75 或0.8就被視為故障。
使用
Figure 02_image037
=E (
Figure 02_image037
|
Figure 02_image039
)=
Figure 02_image041
P (
Figure 02_image043
) 估計四個串聯列在時間點t的電流值, K=1~4,  m=1~2。
以下係以平均場論(Mean Field Approximation) 的方式估計參數，該演算法之輸入為{Y-totaln } n=1:N、串列數與S(m) 狀態的個數，使用Mean Field Theory的方式逼近與估近相關參數，其回傳值為{µm } m=1:4、P(S(m)= 1) m=1:4或是P(S(m)= 2) m=1:4與轉移矩陣P(m) m=1:4。
步驟(35) 結合日照與負載預測，並選定 FHMM 模型：FHMM採用平均場論方法估計相關參數。平均場論估計參數方法，需要給定初始值，以進行演算法之演算。一般的作法為隨機產生相關的初始值當成平均場論的輸入值。常見的隨機模型為高斯分布、隨機均勻分布模型。然而，不同的初始值，即使差異不大，或多或少會影響到最終參數估計的準確性。因此，本專利提出以下方法，以提高相關準確率：(a) 對於同一筆資料集，隨機產生十組不同的初始值。(b) 對每個初始值，進行結構化變分推斷之演算，並得到十組不同的參數。(c) 結合該資料集之觀測日照、預估之發電量與歷史資料(歷史觀測日照、歷史預估之發電量與結構化變分推斷所產生之參數)，使用集成演算法搜尋最相似的參數。本專利使用: K-近鄰 KNN(k-nearest neighbors)、內積相似矩陣、高斯核心(Gaussian Kernel)與歐式距離四種演算法來作為相似度計算指標similarity measure，每種演算法算1分，然後累計各個Θ值所得總分，選取得分最高的Θ值 (和歷史資料最相似的Θ值) 作為演算參數。例如：取 10 筆Θ值開始運算，得到10組第一串列電流推論值；扣除2個結果誤差過大者後，剩下8個候選Θ值，然後取近似度最高者的Θ值作為參數，做為模擬運算的初始值，而其所對應計算所得的該組串列電流推論值也就被篩選作為一組第二串列電流推論值。
以下以第4圖為例說明如何以平均場論方式估計參數，執行上述 (a) 對於同一筆資料集，隨機產生十組不同的初始值。(b) 對每個初始值，進行結構化變分推斷之演算，並得到十組不同的參數步驟。
第4圖繪示依照本發明實測一四並聯太陽能發電模組串列的總電流圖，第4圖總共有240個紀錄時間點，其協方差 (covariance), C, 為 70.5597。以平均場論演算法對第4圖所示的總電流圖進行第1次演算，該演算法可以回傳以下資訊： 表一 {µm }
index
Figure 02_image045
Figure 02_image047
m=1 9.4860 9.0975
m=2 9.3297 9.2538
m=3 9.2538 9.3327
m=4 17.9295 0.6540
表二 P(S(m)= 1) 或是 P(S(m)= 2)
index S(m)= 1 S(m)= 2
m=1 0.5170 0.4830
m=2 0.4059 0.5941
m=3 0.6759 0.3241
m=4 0.8018 0.1982
轉移矩陣 P(m)
index 轉移矩陣
m=1
Figure 02_image049
m=2
Figure 02_image049
m=3
Figure 02_image049
m=4
Figure 02_image049
然後使用以下三公式分別算出四個模組串列各別串列的電流推論值。公式(a) 如下，其中
Figure 02_image051
或
Figure 02_image053
數值請參閱表一查表取得，Yt 係觀測到的總電流值，C為前述協方差。其中 i=1 或 2 代表模組串列正常或異常兩種狀態；而變數  m 則代表四個串列，故m在1:4之間變化。：
Figure 02_image055
公式(b) 如下，將上式計算結果帶入下式中算出在特定觀測總電流值Yt 值下各串列電流機率值。
Figure 02_image057
公式(c) 如下，將上公式(b)計算結果帶入公式(c)中，計算出第一次執行平均場論方式所得到的第1組第一串列電流推論值，亦即包含四個模組串列各別的電流推論值。 (
Figure 02_image059
|
Figure 02_image027
)=
Figure 02_image061
P (
Figure 02_image063
)
接著重複以平均場論方式估計參數方法對第4圖所示的總電流圖進行第2~10次演算，類似的該演算法可以計算出另外9組第一串列電流推論值；如此進行 FHMM 演算後，可以得到10組第一串列電流推論值。
以下以第4圖為例說明如何執行上述 (c)步驟：當欲自該複數組第一串列電流推論值篩選出該組第二組串列電流推論值時，係比對該電流電壓歷史資料庫中接近該氣溫和日照強度狀態的電流電壓值；亦即依據該環境資訊模組22所提供的該環境資訊與一電流電壓歷史資料庫，自該複數組第一串列電流推論值篩選出一組第二串列電流推論值。
配合觀測該總電流時之日照強度/氣溫狀態，將該複數組第一串列電流推論值與「該電流電壓歷史資料庫中接近該氣溫/日照強度狀態的對應電流電壓值」作比較，選擇該複數組第一串列電流推論值中，與接近該氣溫日照強度狀態的對應電流電壓值相似度最高者，作為該組第二串列電流推論值。本發明使用至少兩個相似度篩選算法，並累計該至少兩個相似度篩選算法結果作為相似度計算指標，如此來篩選該10組第一串列電流推論值，找出相似度最高者，選擇作為一組第二串列電流推論值。本發明所使用的至少兩個相似度篩選算法係包含：K-近鄰 KNN(k-nearest neighbors)、內積相似矩陣、高斯核心(Gaussian Kernel)與歐式距離四種演算法的至少2種來作為相似度計算指標(similarity measure)，每種演算法算1分，然後累計10組第一串列電流推論值所得總分，選取得分最高的那組第一串列電流推論值作為第二串列電流推論值，亦即和氣溫日照強度狀態接近的歷史資料具有最高相似度者。例如：本實施例係取 10 筆初始參數值開始平均場論運算，可先扣除2個結果誤差過大者後，剩下8組候選第一串列電流推論值，然後取近似度最高者第二串列電流推論值。
步驟(37) 電流電壓曲線建模：依據上述步驟推估所得的一組第二串列電流推論值雖然包含四個電流推論值 I1~I4，但這四個電流推論值I1~I4和各模組串列的對應關係是不明確的，亦即不確定I1~I4是分別對應到四個模組串列中哪一個模組串列的電流值。因此需借助電流電壓歷史資料庫來協助判斷。例如: 太陽能板附近可能有遮蔽物陰影會隨著每天太陽持續移動而改變陰影遮蔽位置，而使得第1模組串列MS1，第2模組串列MS2和第3模組串列MS3可能分別在9:00~9:45，10:00~10:50 和11:00~ 12:00會被陰影遮住，因此該三個模組串列分別在不同的對應時時段中，發電效率較差。如此會導致該電流電壓歷史資料庫紀錄顯示：該第1模組串列具有第一每日低發電時段T(X)=9:00~9:45，該第2模組串列具有第二每日低發電時段T(Y)=10:00~10:50，而該第3模組串列具有一第三每日低發電時段T(Z)=11:00~12:00；其中各個每日低發電時段不同，例如：第一每日低發電時段T(X)異於第二每日低發電時段T(Y)。
如此該FHMM演算模組24每天在該第一每日低發電時段9:00~9:45內至少進行一次FHMM演算，然後將第一每日低發電時段T(X)內，該組第二串列電流推論值中最低者對應作為該第1個模組串列的推論電流值，並儲存到電流電壓歷史資料庫中。類似地，該FHMM演算模組24每天在該第二每日低發電時段10:00~10:50內至少進行一次FHMM演算，然後將該10:00 ~11:00時段T(Y)內，該第二串列電流推論值中最低者對應作為該第2個模組串列的推論電流值，並儲存到電流電壓歷史資料庫中。如此運用這些電流電壓歷史資料庫特性可以推論在某個特定時段內，較低電流值係對應到哪個串聯列。
如此歷經一段時間紀錄後，資料庫建置模組27儲存有不同氣溫和日照強度下，四個模組串列各別的電流推論值。且同時將每天計算所得新增的第二串列電流推論值、新觀測到電壓觀測值，及氣溫/日照強度環境資訊儲存到電流電壓歷史資料庫做為新的參考數據，作為將來模擬演算時的歷史資料；例如：以本實施例而言，每日至少會儲存 4 個模組串列的推論電流值各一筆與觀察總電流當時的氣溫/日照強度環境資訊到資料庫中。
步驟(39)回饋用戶：當太陽能面板之串列特徵顯著時，即可辨視每一條的電流特徵，於對應的每日低發電時段內進行一次 FHMM 演算，且環境資訊模組22偵測在該第一每日低發電時段T(X)內進行 FHMM 演算時的環境資訊，該環境資訊包括日照強度狀態與氣溫狀態；如此將演算推論所得的串列電流推論值及觀測電壓值與該電流電壓歷史資料庫中接近進行該FHMM演算時的日照強度狀態與氣溫狀態的電流電壓值進行比較，當相關電流值差異甚大時，即回饋用戶異常示警。例如：該FHMM演算模組24在該第一每日低發電時段9:00~9:45內進行FHMM演算，然後將第一每日低發電時段T(X)內，該組第二串列電流推論值中最低者對應作為該第1個模組串列的推論電流值；且當環境資訊模組22偵測在9:00~9:45時段內進行 FHMM 演算時的日照強度狀態是中度等級，而氣溫狀態是25'C；將該第1個模組串列的推論電流值與該電流電壓歷史資料庫中日照強度狀態接近中度等級且氣溫狀態接近 25'C的電流電壓值作比較，若差異超過一異常門檻值，即回饋用戶異常示警。
綜上所述，雖然本發明已以實施例揭露如上，然其並非用以限定本發明。本發明所屬技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾。因此，本發明之保護範圍當視後附之申請專利範圍所界定者為準。
12:充電管理器 14:電壓/電流計 20:總電流偵測模組 22:環境資訊模組 24:FHMM演算模組 27:資料庫建置模組 28:用戶回饋模組
第1A圖繪示傳統具有四個並聯太陽能發電模組串列的太陽能板發電系統架構示意圖。 第1B圖繪示本發明異常診斷分析裝置應用於傳統四個並聯太陽能發電模組串列的發電系統架構示意圖。 第2圖繪示依照本發明太陽能板發電系統異常診斷分析裝置架構示意圖。 第3圖繪示依照本發明太陽能板發電系統發電異常狀態分析方法流程步驟。 第4圖繪示依照本發明實測四並聯太陽能發電模組串列的總電流圖。 如第5圖繪示本發明有限制條件FHMM模型四個串聯列在 t 時間點的各別狀態彼此影響關係圖
20:總電流偵測模組
22:環境資訊模組
24:FHMM演算模組
27:資料庫建置模組
28:用戶回饋模組

Claims (16)

  1. 一種發電系統異常診斷分析裝置，用以診斷分析一太陽能板發電系統，該太陽能板發電系統包含複數個太陽能發電模組串列，該些太陽能發電模組串列並聯輸出一總電流，該異常診斷分析裝置包括： 一總電流偵測模組，偵測該總電流並輸出一時間序列資料與一觀測電壓； 一環境資訊模組，提供該太陽能板發電系統所在位置的一環境資訊； 一FHMM 演算模組，針對該時間序列資料，進行 FHMM 演算而得到複數組第一串列電流推論值，並依據該環境資訊與一電流電壓歷史資料庫，自該複數組第一串列電流推論值篩選出一組第二串列電流推論值； 一資料庫建置模組，記錄該觀測電壓和該組第二串列電流推論值，以更新該電流電壓歷史資料庫；和 一用戶回饋模組，將該組第二串列電流推論值及該觀測電壓值與該電流電壓歷史資料庫作比較以決定是否發出一異常警示。
  2. 如申請專利範圍第1項所述之發電系統異常診斷分析裝置，其中該環境資訊至少包括一日照強度狀態，當自該複數組第一串列電流推論值篩選出該組第二串列電流推論值時，係比對該電流電壓歷史資料庫中接近該日照強度狀態的電流電壓值。
  3. 如申請專利範圍第1項所述之發電系統異常診斷分析裝置，其中該環境資訊至少包括一氣溫狀態，當自該複數組第一串列電流推論值篩選出該組第二串列電流推論值時，係比對該電流電壓歷史資料庫中接近該氣溫狀態的電流電壓值。
  4. 如申請專利範圍第1項所述之發電系統異常診斷分析裝置，其中當自該複數組第一串列電流推論值篩選出一組第二串列電流推論值時，係使用至少兩個相似度篩選算法，並累計該至少兩個相似度篩選算法結果作為相似度計算指標，並比對該電流電壓歷史資料庫中接近該環境資訊的電流電壓值，選擇該複數組第一串列電流推論值中相似度最高者為該組第二串列電流推論值。
  5. 如申請專利範圍第4項所述之發電系統異常診斷分析裝置，其中該至少兩個相似度篩選算法係包含：K-近鄰、內積相似矩陣、高斯核心與歐式距離四種演算法中的至少兩種。
  6. 如申請專利範圍第1項所述之發電系統異常診斷分析裝置，其中該電流電壓歷史資料庫顯示該些模組串列中的第X個具有一第一每日低發電時段T(X)，該FHMM演算模組在該第一每日低發電時段T(X)內至少進行一次FHMM演算，將該第一每日低發電時段T(X)內，該第二串列電流推論值中最低者對應作為該第X個模組串列的推論電流值。
  7. 如申請專利範圍第6項所述之發電系統異常診斷分析裝置，其中該電流電壓歷史資料庫顯示該些模組串列中的第Y個具有一第二每日低發電時段T(Y)，該FHMM演算模組在該第二每日低發電時段T(Y)內至少進行一次FHMM演算，將該第二每日低發電時段T(Y)內，該第二串列電流推論值中最低者對應作為該第Y個模組串列的推論電流值，該第一每日低發電時段T(X)異於該第二每日低發電時段T(Y)。
  8. 如申請專利範圍第6項所述之發電系統異常診斷分析裝置，其中該環境資訊模組偵測進行該FHMM演算時的一日照強度狀態與一氣溫狀態，將該第X個模組串列的推論電流值及該觀測電壓值與該電流電壓歷史資料庫中接近該日照強度狀態與該氣溫狀態的電流電壓值作比較，以決定是否發出一第X個模組串列異常警示。
  9. 一種發電系統異常診斷分析方法，用以診斷分析一太陽能板發電系統，該太陽能板發電系統包含複數個太陽能發電模組串列，該些太陽能發電模組串列並聯輸出一總電流，該異常診斷分析方法包括步驟： 偵測該總電流並輸出一時間序列資料與一觀測電壓； 針對該時間序列資料，進行 FHMM 演算而得到複數組第一串列電流推論值，並依據一環境資訊與一電流電壓歷史資料庫，自該複數組第一串列電流推論值篩選出一組第二串列電流推論值； 記錄該觀測電壓和該第二串列電流推論值，以更新該電流電壓歷史資料庫；和 將該第二串列電流推論值及該觀測電壓值與該電流電壓歷史資料庫作比較以決定是否發出一異常警示。
  10. 如申請專利範圍第9項所述之發電系統異常診斷分析方法，其中該環境資訊至少包括一日照強度狀態，當自該複數組第一串列電流推論值篩選出該組第二串列電流推論值時，係比對該電流電壓歷史資料庫中接近該日照強度狀態的電流電壓值。
  11. 如申請專利範圍第9項所述之發電系統異常診斷分析方法，其中該環境資訊至少包括一氣溫狀態，當自該複數組第一串列電流推論值篩選出該組第二串列電流推論值時，係比對該電流電壓歷史資料庫中接近該氣溫狀態的電流電壓值。
  12. 如申請專利範圍第9項所述之發電系統異常診斷分析方法，其中當自該複數組第一串列電流推論值篩選出一組第二串列電流推論值時，係使用至少兩個相似度篩選算法，並累計該至少兩個相似度篩選算法結果作為相似度計算指標，並比對該電流電壓歷史資料庫中接近該環境資訊的電流電壓值，選擇該複數組第一串列電流推論值中相似度最高者為該組第二串列電流推論值。
  13. 如申請專利範圍第12項所述之發電系統異常診斷分析方法，其中該至少兩個相似度篩選算法係包含：K-近鄰、內積相似矩陣、高斯核心與歐式距離四種演算法中的至少兩種。
  14. 如申請專利範圍第9項所述之發電系統異常診斷分析方法，其中該電流電壓歷史資料庫顯示該些模組串列中的第X個具有一第一每日低發電時段T(X)，該FHMM演算模組在該第一每日低發電時段T(X)內至少進行一次FHMM演算，將該第一每日低發電時段T(X)內，該第二串列電流推論值中最低者對應作為該第X個模組串列的推論電流值。
  15. 如申請專利範圍第14項所述之發電系統異常診斷分析方法，其中該電流電壓歷史資料庫顯示該些模組串列中的第Y個具有一第二每日低發電時段T(Y)，該FHMM演算模組在該第二每日低發電時段T(Y)內至少進行一次FHMM演算，將該第二每日低發電時段T(Y)內，該第二串列電流推論值中最低者對應作為該第Y個模組串列的推論電流值，該第一每日低發電時段T(X)異於該第二每日低發電時段T(Y)。
  16. 如申請專利範圍第14項所述之發電系統異常診斷分析方法，更包括步驟：偵測進行該FHMM演算時的一日照強度狀態與一氣溫狀態，其中將該第X個模組串列的推論電流值及該觀測電壓值與該電流電壓歷史資料庫中接近該日照強度狀態與該氣溫狀態的電流電壓值作比較，以決定是否發出一第X個模組串列異常警示。
TW108141400A 2019-11-14 2019-11-14 結合因子隱藏式馬可夫模型(fhmm)與發電量預測之太陽能板發電系統異常診斷分析裝置與方法 TW202119298A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW108141400A TW202119298A (zh) 2019-11-14 2019-11-14 結合因子隱藏式馬可夫模型(fhmm)與發電量預測之太陽能板發電系統異常診斷分析裝置與方法
US16/699,282 US20210152121A1 (en) 2019-11-14 2019-11-29 Solar panel power system abnormality diagnosis and analysis device and method based on fhmm and prediction of power generation
CN201911200773.3A CN112801329A (zh) 2019-11-14 2019-11-29 结合因子隐藏式马可夫模型与发电量预测的太阳能板发电系统异常诊断分析装置与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108141400A TW202119298A (zh) 2019-11-14 2019-11-14 結合因子隱藏式馬可夫模型(fhmm)與發電量預測之太陽能板發電系統異常診斷分析裝置與方法

Publications (1)

Publication Number Publication Date
TW202119298A true TW202119298A (zh) 2021-05-16

Family

ID=75803971

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108141400A TW202119298A (zh) 2019-11-14 2019-11-14 結合因子隱藏式馬可夫模型(fhmm)與發電量預測之太陽能板發電系統異常診斷分析裝置與方法

Country Status (3)

Country Link
US (1) US20210152121A1 (zh)
CN (1) CN112801329A (zh)
TW (1) TW202119298A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116800200B (zh) * 2023-08-28 2023-12-29 广州丰久新能源科技有限公司 一种基于数据分析的太阳能电板安全监控系统
CN117424559B (zh) * 2023-10-20 2024-06-18 重庆千信新能源有限公司 利用机器视觉进行光伏涂层电力故障的监测方法
CN117725538B (zh) * 2024-02-07 2024-04-16 河海大学 水闸变形多测点联合诊断系统及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5330438B2 (ja) * 2011-03-17 2013-10-30 株式会社東芝 異常診断装置およびその方法、コンピュータプログラム
TWI499887B (zh) * 2013-12-26 2015-09-11 Univ Nat Cheng Kung 太陽能發電系統與其異常檢測方法
JP2017103878A (ja) * 2015-11-30 2017-06-08 京セラ株式会社 太陽光発電システム及び太陽光発電システムを搭載した車両
TW201740296A (zh) * 2016-05-10 2017-11-16 Chun He Technology Co Ltd 再生能源發電量預測方法與系統
TWI664601B (zh) * 2017-03-30 2019-07-01 春禾科技有限公司 參考日照量的太陽能發電預測系統

Also Published As

Publication number Publication date
US20210152121A1 (en) 2021-05-20
CN112801329A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN113777496B (zh) 基于时间卷积神经网络的锂离子电池剩余寿命预测方法
CN111237134B (zh) 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法
Bhardwaj et al. Estimation of solar radiation using a combination of Hidden Markov Model and generalized Fuzzy model
CN111612651B (zh) 一种基于长短期记忆网络的异常电量数据检测方法
CN112763929A (zh) 一种储能电站系统电池单体健康预测方法及装置
JP6129028B2 (ja) 建物動力設備のエネルギー消費量予測方法
CN111401757B (zh) 一种计及时空相关性的多区域电力负荷时序场景建模方法
TW202119298A (zh) 結合因子隱藏式馬可夫模型(fhmm)與發電量預測之太陽能板發電系統異常診斷分析裝置與方法
CN112528365B (zh) 一种地下基础设施结构健康演化趋势预测方法
CN112434390B (zh) 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法
CN105550943A (zh) 一种基于模糊综合评判的风电机组状态参数异常辨识方法
CN113048807B (zh) 一种空冷机组背压异常检测方法
CN115358347B (zh) 一种针对不同子系统下智能电表的剩余寿命预测方法
CN112507479B (zh) 一种基于流形学习和softmax的石油钻机健康状态评估方法
CN112836720A (zh) 建筑运维设备异常诊断方法、系统及计算机可读存储介质
CN115809405A (zh) 基于多特征融合的风机主轴齿轮箱温度异常检测方法
CN115146842A (zh) 基于深度学习的多元时间序列趋势预测方法和系统
CN116774086B (zh) 一种基于多传感器数据融合的锂电池健康状态估计方法
CN114113773A (zh) 一种基于零样本学习的非侵入式负荷监测方法
Huang et al. Bayesian neural network based method of remaining useful life prediction and uncertainty quantification for aircraft engine
CN114611764B (zh) 一种特定区域内企业工业用水异常监测预警方法
CN112861422B (zh) 一种深度学习的煤层气螺杆泵井健康指数预测方法及系统
CN118188342A (zh) 一种面向风机的故障预警与寿命预测方法
CN117744495A (zh) 一种不同退化阶段下多模型驱动的特大型轴承寿命预测方法
Correa-Jullian et al. Assessment of deep learning algorithms for fault diagnosis in solar thermal systems