TWI716990B - 太陽能裝置發電效能異常判斷方法 - Google Patents

太陽能裝置發電效能異常判斷方法 Download PDF

Info

Publication number
TWI716990B
TWI716990B TW108131254A TW108131254A TWI716990B TW I716990 B TWI716990 B TW I716990B TW 108131254 A TW108131254 A TW 108131254A TW 108131254 A TW108131254 A TW 108131254A TW I716990 B TWI716990 B TW I716990B
Authority
TW
Taiwan
Prior art keywords
power generation
solar
ratio information
historical
abnormal
Prior art date
Application number
TW108131254A
Other languages
English (en)
Other versions
TW202110077A (zh
Inventor
陳坤宏
李佳龍
Original Assignee
春禾科技股份有限公司
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 春禾科技股份有限公司 filed Critical 春禾科技股份有限公司
Priority to TW108131254A priority Critical patent/TWI716990B/zh
Application granted granted Critical
Publication of TWI716990B publication Critical patent/TWI716990B/zh
Publication of TW202110077A publication Critical patent/TW202110077A/zh

Links

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)

Abstract

本發明為一種太陽能裝置發電效能異常判斷方法，包含下列步驟：判斷一太陽能案場複數太陽能發電裝置所接收的一日照值是否大於一標準日照強度；取得該複數太陽能發電裝置在各個時間點的一發電比資訊；比較各太陽能發電裝置在各時間點的該發電比資訊與一基準發電比資訊的差是否大於一發電比門檻值；其中，若該發電比資訊與該基準發電比資訊的差大於該門檻值，判斷對應的各太陽能發電裝置異常；本發明藉由非線性迴歸運算法將歷史發電比資訊整合成該基準發電比資訊，可得到更精確的判斷基準，在判斷太陽能發電裝置發電效能是否異常更為精確。

Description

太陽能裝置發電效能異常判斷方法
一種異常判斷方法，尤其是指一種判斷太陽能裝置發電效能有無異常的判斷方法。
現今的環保意識愈漸高漲，綠電的比例不斷增加，其中又以太陽能發電為未來電力發展的重要趨勢，各國政府因此祭出了許多補助方案，例如補助在家樓頂裝設太陽能板的成本等方法，可見太陽能發電已成為國家級重視的發電模式。
除了在自家樓頂架設太陽能板，民間許多電力公司亦藉由在空曠地區或是建築物的屋頂建立太陽能發電案場，一來提高綠能發電的發電量，二來亦可將太陽能板產生的電力賣回國家的電力公司獲取營利，亦為一種商業模式。
為提高發電效率及產能，在太陽能發電案場裡會使用到大量的太陽能發電模組進行發電。而各太陽能案場由於地處不同位置，太陽能發電模組的發電效率會因太陽的角度、當地氣候、溫度、地形而有所不同，太陽能發電模組可能會因環境造成的因素、例如灰塵堆積、樹蔭遮蔽使得發電量產生異常。由於案場的位置往往地處偏遠，若以遠端監控太陽能發電模組出現異常，往往必須派工作人員前往案場排除障礙，交通不便的因素使得來回一趟耗時耗力，人力及時間成本隨之增加。而現階段也未有一種有效的遠端監控方法可判 斷太陽能發電模組異常的態樣，使得排除障礙的時間相當冗長，進而影響太陽能案場發電的效能。
為提高太陽能裝置發電異常的判斷精準度，本發明提出一種太陽能裝置發電效能異常判斷方法，藉由非線性迴歸運算法將歷史發電比資訊整合成該基準發電比資訊，能更精確地判斷太陽能發電裝置在發電時是否異常。
為達成上述目的，本發明之太陽能裝置發電效能異常判斷方法包含下列步驟：判斷一太陽能案場的複數太陽能發電裝置所接收的一日照值是否大於一標準日照強度；取得該太陽能案場中的該複數太陽能發電裝置在各個時間點的一發電比資訊；比較該複數太陽能發電裝置在各時間點的該發電比資訊與一基準發電比資訊的差是否大於一發電比門檻值；其中更包含下列步驟：取得各太陽能發電裝置的複數歷史發電比資訊；根據該複數歷史發電比資訊計算出該基準發電比資訊；其中，若該發電比資訊與該基準發電比資訊的差大於該門檻值，判斷對應的該太陽能發電裝置異常。
本發明藉由先取得該太陽能案場的複數歷史發電比資訊，並將該複數歷史發電比資訊以非線性迴歸運算法計算出該基準發電比資訊，該基準發電比資訊會相當精確，再比較該發電比資訊與該基準發電比資訊，可精準確認該太陽能發電裝置的發電狀況是否出現異常，避免因環境因素短暫影響發電狀況卻被誤判為發電異常的情形。
本發明另可藉由比較同規格的太陽能發電裝置的平均發電異正比值判斷太陽能發電裝置發電異常的類別，在遠端監控時即可得知太陽能發電裝置異常的原因，並研擬相對的解決措施，可減少工作人員來回案場確認及排除異常因素的時間及人力成本。
10:歷史發電比資訊
20:訓練資訊
30:迴歸二次曲線
40:電壓電流資訊
40A:第一電壓電流資訊
50:第二電壓電流資訊
60:第三電壓電流資訊
70:第四電壓電流資訊
80:太陽能發電裝置
90:資料處理模組
tr1:異常曲線
tr2:正常曲線
圖1：本發明之第一步驟流程圖。
圖2：本發明之電路方塊示意圖。
圖3：本發明之第二步驟流程圖。
圖4：本發明之以歷史發電比資訊得到迴歸二次曲線示意圖。
圖5：本發明之異常裝置曲線及正常裝置曲線折線圖。
圖6：本發明之各時間對應判斷類別錯誤之比例長條圖。
圖7A：本發明之逆變器故障電壓異常折線圖。
圖7B：本發明之逆變器故障電流異常折線圖。
圖8A：本發明之保險絲燒壞電壓異常折線圖。
圖8B：本發明之保險絲燒壞電流異常折線圖。
圖9A：本發明之太陽能發電裝置受到遮蔭電壓異常折線圖。
圖9B：本發明之太陽能發電裝置受到遮蔭電流異常折線圖。
圖10A：本發明之熱降電壓異常折線圖。
圖10B：本發明之熱降電流異常折線圖。
圖11A：本發明之判斷錯誤之電壓電流資訊分佈圖。
圖11B：本發明之各類別之電壓電流資訊分佈圖。
本發明為一種太陽能裝置發電效能異常判斷方法，用以判斷在一太陽能案場中的複數太陽能發電裝置80發電狀況是否異常，該太陽能發電裝置80為太陽能板或其他太陽能發電設備。請參見圖1及圖2，該方法包含下列步驟：
S11：判斷一太陽能案場的複數太陽能發電裝置80所接收的一日照值是否大於一標準日照強度。
S12：取得該複數太陽能發電裝置80在各個時間點的一發電比資訊。
S13：比較各太陽能發電裝置80在各時間點的該發電比資訊與一基準發電比資訊的差是否大於一發電比門檻值；若該發電比資訊與該基準發電比資訊的差大於該門檻值，判斷對應的該太陽能發電裝置80異常。
在步驟S11中，由於日照值會受雲層、太陽角度等自然因素影響而變化，因此首先利用日照計等設備先測量各太陽能發電裝置80所受的該日照值，並判斷該日照值是否大於該標準日照強度；若檢測時間為晚上或下雨天導致日照量不足，該日照值小於該標準日照強度，則不必進一步檢測太陽能發電裝置80是否異常；若該日照值大於等於該標準日照強度，則執行下一步驟。
特別強調，日照強度(Irradiance)的定義為單位面積內日射功率，一般以W/m2或mW/m2為單位，太陽電池標準測試條件為1000W/m2。本發明之標準日照強度皆以1000W/m2作為說明例。
請進一步參見圖3，在步驟S11中更可包含一濾除雜訊步驟S111。由於日照計上可能會有鳥類短暫停留，或是雜物被風吹起而暫時覆蓋於日照計上，使該日照值在大部分的時間皆大於該標準日照強度，少部分的時間小於該標準日照強度，如此一來雖然實際的日照值相當充足，但環境造成的誤 差可能會使該該太陽能發電裝置80所受的該日照值小於該標準日照強度，導致系統誤判而未能執行下一步驟。因此在步驟S111中，係由與各太陽能發電裝置80電性連接之一資料處理模組90判斷該日照值與該標準日照強度的差是否大於一誤差值，若是，則該日照值因為誤差過大而被視為雜訊並將其濾除；若否，則判斷該日照值落在合理範圍，可視為正常數據。
在步驟S12中，係由該資料處理模組90檢測各太陽能發電裝置80在各個時間點的該發電比資訊，其中該發電比資訊可由多筆不同的發電數據所計算而得，其中該發電數據可包含但不限於各太陽能發電裝置80的一直流發電功率PDC、一發電裝置額定功率P0、該日照值G1與該標準日照強度G0(1000W/m2)等數據，意即，各個時間點皆會產生一筆直流發電功率PDC、一筆發電裝置額定功率P0、一筆該日照值G1與一筆該標準日照強度G0(1000W/m2)等數據，在本步驟中係可由該資料處理模組90將各發電數據整合後即能得到對應各個時間點的該發電比資訊。該發電比資訊的計算方式為： Array Ratio=(PDC/P0)/(G1/G0)，其中Array Ratio為發電比資訊(RA)。
請參見圖3，在步驟S13中，係可由該資料處理模組90比較該發電比資訊與該基準發電比資訊的差是否大於該發電比門檻值，其中該基準發電比資訊的取得方式可透過下列步驟所得：
S131：取得各太陽能發電裝置80的複數歷史發電比資訊。
S132：根據該複數歷史發電比資訊計算出該基準發電比資訊。在此步驟中，可使用非線性迴歸運算法或最近鄰居演算法(K-Nearest Neighbor Classification Algorithm,KNN)將該複數歷史發電比資訊計算成該基準發電比資訊，首先介紹使用非線性迴歸運算法的計算方法：
請進一步參見圖4，在步驟S131中，先取得該太陽能案場在過去各個時間點的複數歷史發電數據，其中該複數歷史發電數據可包含在過去各個時間點的一歷史直流發電功率PDC、一歷史發電裝置額定功率P0、一歷史日照值G1與該標準日照強度G0(1000W/m2)等數據，由該歷史直流發電功率PDC、該歷史發電裝置額定功率P0、該歷史日照值G1與該標準日照強度G0(1000W/m2)透過發電比資訊計算公式可得到該複數歷史發電比資訊10。
在步驟S132中，透過非線性迴歸運算法將該複數歷史發電比資訊10計算成該基準發電比資訊30。其中非線性迴歸運算法透過下列方程式執行： yi=a0+a1x+a2x2+...+anxn+ε，其中yi即為歷史發電比資訊(RAP)，其中a0、a1、a2...an為迴歸係數，該些迴歸係數由每筆發電比資訊與日照值所求得，自變量x為日照值透過太陽能電廠所記錄，而因變量y透過該資料處理模組90計算而得；ε代表誤差，為一使回歸線更貼近實際資料所做的彌補項。
特此說明，由於偵測系統進行非線性迴歸建置模型時，需要先針對資料進行妥善的前置處理，並以近期的歷史數據(例如該歷史直流發電功率PDC、該歷史日照值G1)作為訓練資料數據，利用二次迴歸方程式歸類出特定日照下，該太陽能案場能產生期望的發電比資訊(RA)，並將此結果作為判斷該太陽能發電裝置80是否異常的判斷依據。
如圖5所示，先取得該複數歷史發電比資訊10(如圖5中的空白圓圈)，並將各歷史發電比資訊10透過上述方程式運算後得到該基準發電比資訊，其中該基準發電比資訊能以一迴歸二次曲線30呈現，其中該迴歸二次曲線30代表對應的該太陽能發電裝置80之績效表現。獲得該迴歸二次曲線30，即可進一步比較各發電比資訊與該迴歸二次曲線30之間的差異量，當個發電比資訊與該 迴歸二次曲線30之間的差異量越大時，代表對應的該太陽能發電裝置80越有可能產生發電異常。
另外，為使該迴歸二次曲線30更為精準，亦可從所有的歷史發電比資訊10中濾除與該迴歸二次曲線30差異量較大的歷史發電比資訊10，僅取出與該迴歸二次曲線30差異量較小的歷史發電比資訊10分別作為複數訓練資訊20進行非線性迴歸運算，可修正該迴歸二次曲線30得到更為精確的結果。
接著介紹使用最近鄰居演算法的實施例：
對於新設置的太陽能案場，由於未有過去的歷史發電數據，因此在該太陽能案場運作初期的一段時間內(例如五天、七天)，收集這段時間內的發電數據作為該複數歷史發電數據。接下來，將各歷史發電數據所代表的異常類別進行群組分類，舉例而言，可將各歷史發電數據分類成逆變器故障、保險絲燒壞、太陽能發電裝置80受到遮蔭、熱降電壓異常等不同狀況。最後將後續收集的發電數據與該複數歷史發電數據進行比較，若該發電數據與該複數歷史發電數據差異較小，則判斷該太陽能案場發電狀況正常；若該發電數據與該複數歷史發電數據差異較大，則判斷該太陽能案場發電狀況異常。更進一步，可根據該發電數據判別落在何種歷史發電數據的區間內，判斷太陽能發電裝置80的異常類別。
本發明除了上述判斷太陽能發電裝置80異常的方法外，可進一步針對異常的態樣進行判斷，以下接著說明判斷異常態樣的步驟。
S14：比較同規格的太陽能發電裝置80的平均發電異正比值。當判斷該太陽能發電裝置80異常時，係進一步比較該太陽能發電裝置80與位於相同太陽能案場的其他正常正常運作太陽能發電裝置80之電流或電壓的平均異正比值。請參見圖5，平均異正比值的計算方式如下所述：
Figure 108131254-A0305-02-0009-3
 其中xi -為異常的太陽能發電裝置80之發電資料；xi為正常的太陽能發電裝置80之發電資料；T為異常總筆數。
由上述平均異正比值的公式，可分別由異常的太陽能發電裝置80之發電資料(xi -)之集合與正常的太陽能發電裝置80之發電資料(xi)之集合得到一異常曲線tr1及一正常曲線tr2，其中該異常曲線tr1代表該太陽能發電裝置80的發電量電流隨時間變化的曲線，該正常曲線tr2代表在正常狀態下該太陽能發電裝置80的發電量電流隨時間變化的曲線。以電流平均異正比值為例，如圖5所示，在12點左右，該異常曲線tr1及該正常曲線tr2之間差異不大，代表該太陽能發電裝置80在此時的發電狀況正常；在12點到14點之間，該異常曲線tr1及該正常曲線tr2之間的差異較大，代表該太陽能發電裝置80在此時的發電狀況出現異常。藉由比較該異常曲線tr1及該正常曲線tr2的差異，以及該異常曲線tr1及該正常曲線tr2分布的軌跡，可判斷出該太陽能發電裝置80的異常類別為何(步驟S15)。
請參見圖6，要特別說明的是，經由上述的判斷方法實際進行測試，可得到如圖6之判斷正確率百分比值條圖，本實際實驗數據一共測試53週，W01代表第一週，測試結果分別以未處理N、已處理P、類別錯誤F及無異常T呈現。在第一階段尚未導入上述判斷方法，僅以現有的判斷方法進行判斷，因此可看到判斷後發現類別錯誤F的結果較多。在第二階段導入上述判斷方法，可看到類別錯誤F的判斷結果略為減少。在第三階段中，由於獲取的數據較多，該迴歸二次曲線30以及該平均異正比值經過多筆數據的修正後更為精確，因此在第三階段可看到類別錯誤F的判斷結果的數量大幅下降，代表本方法判斷異常類別的準確率有明顯的改善。
以下進一步說明各異常類別所對應的電壓及電流平均異正比值所呈現出來的折線圖。
請參見圖7A及7B，為逆變器故障所呈現的折線圖，其中圖7A為電壓異常折線圖，圖7B電流異常折線圖。
請參見圖8A及8B，為保險絲燒壞所呈現的折線圖，其中圖8A為電壓異常折線圖，圖8B電流異常折線圖。
請參見圖9A及9B，為該太陽能發電裝置80受到遮蔭所呈現的折線圖，其中圖9A為電壓異常折線圖，圖9B電流異常折線圖。
請參見圖10A及10B，為熱降所呈現的折線圖，其中圖10A為電壓異常折線圖，圖10B電流異常折線圖。
請參見圖11A，本發明更可進一步將判斷太陽能發電裝置80異常類別的步驟自動化。如圖11A所示，係取出該太陽能發電裝置80在各個不同時間發電、且經由習用判斷方法判斷錯誤之複數電壓電流資訊40，先以人工的方式將該複數電壓電流資訊分類成四種不同異常類型，如圖11B所示，分別有複數第一電壓電流資訊40A、複數第二電壓電流資訊50、複數第三電壓電流資訊60、複數第四電壓電流資訊70。接著將各異常類型的資訊設定一資訊中心點，此資訊中心點可為與各電壓電流資訊距離最近的點。最後將該複數電壓電流資訊以及其對應的異常類型反覆進行運算，使該複數電壓電流資訊能得到正確對應的異常類型結果。
本發明更可根據歷史資料計算出對應各個異常類型的電流電壓資訊門檻值。其方法係使用聚合式階層分群法(Agglomerative Hierarchical Clustering)分群與決策樹演算法(Decision Tree)將上述該複數電壓電流資訊進行歸納，根據該複數電壓電流資訊以及所屬的資訊中心點之間尋找特徵值，並根據特徵值反覆運算以找出不同數值的節點，例如逆變器故障所對應的輸出電壓 門檻值為VR>1.1V；保險絲燒會所對應的輸出電壓門檻值為VR<0.2V；遮蔭現象所對應的輸出電壓門檻值為0.1V<VR<0.9V；熱降所對應的輸出電壓門檻值為VR>1.1V。

Claims (9)

  1. 一種太陽能裝置發電效能異常判斷方法，包含下列步驟：判斷一太陽能案場的複數太陽能發電裝置所接收的一日照值是否大於一標準日照強度；取得該複數太陽能發電裝置在各個時間點的一發電比資訊；比較各太陽能發電裝置在各時間點的該發電比資訊與一基準發電比資訊的差是否大於一發電比門檻值；其中更包含下列步驟：取得各太陽能發電裝置的複數歷史發電比資訊；根據該複數歷史發電比資訊計算出該基準發電比資訊；其中，若該發電比資訊與該基準發電比資訊的差大於該門檻值，判斷對應的各太陽能發電裝置異常。
  2. 如請求項1所述之太陽能裝置發電效能異常判斷方法，該基準發電比資訊是以非線性迴歸運算法根據該複數歷史發電比資訊計算得到。
  3. 如請求項1所述之太陽能裝置發電效能異常判斷方法，該基準發電比資訊是以最近鄰居運算法根據該複數歷史發電比資訊計算得到出。
  4. 如請求項2或3所述之太陽能裝置發電效能異常判斷方法，在判斷一太陽能案場的複數太陽能發電裝置所接收的一日照值是否大於一標準日照強度之步驟中，更包含一濾除雜訊步驟，該濾除雜訊步驟係判斷該日照值與該標準日照強度的差是否大於一誤差值；若是，則該日照值被視為雜訊而濾除；若否，則該日照值視為正常數據。
  5. 如請求項4所述之太陽能裝置發電效能異常判斷方法，該發電比資訊由多種不同的發電數據所計算而得，其中該發電數據包含一直流發電功率、一發電裝置額定功率、該日照值與該標準日照強度。
  6. 如請求項5所述之太陽能裝置發電效能異常判斷方法，在取得各太陽能發電裝置的複數歷史發電比資訊之步驟中，先取得該太陽能案場在過去各個時間點的複數歷史發電數據，該複數歷史發電數據包含在過去各個時間點的一歷史直流發電功率、一歷史發電裝置額定功率、一歷史日照值與該標準日照強度。
  7. 如請求項6所述之太陽能裝置發電效能異常判斷方法，在將該複數歷史發電比資訊以非線性迴歸運算法計算出該基準發電比資訊之步驟中，非線性迴歸運算法透過下列方程式執行：yi=a0+a1x+a2x2+...+anxn+ε，其中yi為歷史發電比資訊(RAP)，a0、a1、a2...an為迴歸係數，ε為誤差，x為透過太陽能電廠所記錄的日照值。
  8. 如請求項7所述之太陽能裝置發電效能異常判斷方法，更包含下列步驟：比較各太陽能發電裝置與正常運作之太陽能發電裝置之間的平均發電異正比值。
  9. 如請求項8所述之太陽能裝置發電效能異常判斷方法，在比較同規格的太陽能發電裝置的平均發電異正比值之步驟中，該平均發電異正比值的計算方式為：
    Figure 108131254-A0305-02-0013-2
     其中xi -為異常的太陽能發電裝置之發電資料；xi為正常的太陽能發電裝置之發電資料；T為異常總筆數。
TW108131254A 2019-08-30 2019-08-30 太陽能裝置發電效能異常判斷方法 TWI716990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW108131254A TWI716990B (zh) 2019-08-30 2019-08-30 太陽能裝置發電效能異常判斷方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108131254A TWI716990B (zh) 2019-08-30 2019-08-30 太陽能裝置發電效能異常判斷方法

Publications (2)

Publication Number Publication Date
TWI716990B true TWI716990B (zh) 2021-01-21
TW202110077A TW202110077A (zh) 2021-03-01

Family

ID=75237678

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108131254A TWI716990B (zh) 2019-08-30 2019-08-30 太陽能裝置發電效能異常判斷方法

Country Status (1)

Country Link
TW (1) TWI716990B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201425949A (zh) * 2012-12-25 2014-07-01 Ind Tech Res Inst 故障檢測系統及故障檢測方法
US20150088440A1 (en) * 2012-05-29 2015-03-26 Tokyo Electron Limited Solar power generation monitoring method and solar power generation monitoring system
TW201916579A (zh) * 2017-10-03 2019-04-16 茂迪股份有限公司 估算虛擬日照量的方法及太陽能發電場的警示系統
TW201919329A (zh) * 2017-11-03 2019-05-16 財團法人資訊工業策進會 判斷太陽能板陣列是否異常之計算機裝置與方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150088440A1 (en) * 2012-05-29 2015-03-26 Tokyo Electron Limited Solar power generation monitoring method and solar power generation monitoring system
TW201425949A (zh) * 2012-12-25 2014-07-01 Ind Tech Res Inst 故障檢測系統及故障檢測方法
TW201916579A (zh) * 2017-10-03 2019-04-16 茂迪股份有限公司 估算虛擬日照量的方法及太陽能發電場的警示系統
TW201919329A (zh) * 2017-11-03 2019-05-16 財團法人資訊工業策進會 判斷太陽能板陣列是否異常之計算機裝置與方法

Also Published As

Publication number Publication date
TW202110077A (zh) 2021-03-01

Similar Documents

Publication Publication Date Title
Spataru et al. Diagnostic method for photovoltaic systems based on light I–V measurements
Chaibi et al. Simple and efficient approach to detect and diagnose electrical faults and partial shading in photovoltaic systems
Platon et al. Online fault detection in PV systems
US8482309B2 (en) Failure detecting method for a solar power generation system
US20140188410A1 (en) Methods for Photovoltaic Performance Disaggregation
CN111082749B (zh) 光伏组串运行状态的识别方法、装置及存储介质
CN102364408B (zh) 用于识别和评价遮蔽的方法
CN104167988B (zh) 一种光伏系统效率异常告警的判断方法
KR102230548B1 (ko) Frbfnn 모델을 이용한 태양광 발전설비의 발전예측 및 효율진단 시스템
WO2016166991A1 (ja) 太陽光発電設備の診断システムおよびプログラム
Zhang et al. A reinforcement learning based approach for on-line adaptive parameter extraction of photovoltaic array models
Wang et al. Performance assessment of photovoltaic modules based on daily energy generation estimation
Livera et al. Advanced failure detection algorithms and performance decision classification for grid-connected PV systems
Livera et al. Failure diagnosis of short-and open-circuit fault conditions in PV systems
CN112653393A (zh) 一种光伏系统iv诊断的控制方法及装置
Skomedal et al. Robust and fast detection of small power losses in large-scale PV systems
Lindig et al. New PV performance loss methodology applying a self-regulated multistep algorithm
JP2021040451A (ja) 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
Michail et al. A comprehensive review of unmanned aerial vehicle-based approaches to support photovoltaic plant diagnosis
TWI716990B (zh) 太陽能裝置發電效能異常判斷方法
Shukor et al. Acceptance ratio analysis: An early fault indicator for grid-connected photovoltaic system
Leva et al. Failures and defects in PV systems
Babasaki et al. Using PV string data to diagnose failure of solar panels in a solar power plant
Higuchi et al. Classification of causes of broken solar panels in solar power plant
TW201727559A (zh) 再生能源電廠的管理方法與系統