TWI759226B - 太陽能發電效能估測方法 - Google Patents

太陽能發電效能估測方法 Download PDF

Info

Publication number
TWI759226B
TWI759226B TW110123377A TW110123377A TWI759226B TW I759226 B TWI759226 B TW I759226B TW 110123377 A TW110123377 A TW 110123377A TW 110123377 A TW110123377 A TW 110123377A TW I759226 B TWI759226 B TW I759226B
Authority
TW
Taiwan
Prior art keywords
time point
time
power generation
image
images
Prior art date
Application number
TW110123377A
Other languages
English (en)
Other versions
TW202301798A (zh
Inventor
周昱伶
林賢能
陳宗達
Original Assignee
友達光電股份有限公司
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 友達光電股份有限公司 filed Critical 友達光電股份有限公司
Priority to TW110123377A priority Critical patent/TWI759226B/zh
Priority to CN202111647881.2A priority patent/CN114298573A/zh
Application granted granted Critical
Publication of TWI759226B publication Critical patent/TWI759226B/zh
Publication of TW202301798A publication Critical patent/TW202301798A/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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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

  • Photovoltaic Devices (AREA)
  • Image Analysis (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)

Abstract

一種太陽能發電效能估測方法，包括下述步驟。分析在一時間序列中的多個時間點所獲得的多個圖像，以獲得各圖像的灰階平均值以及各時間點對應的變動量。基於灰階平均值與變動量，自所述時間點來獲得穩定時間區。之後，計算穩定時間區對應的太陽能評估指標。

Description

太陽能發電效能估測方法
本發明是有關於一種發電效能評估方法，且特別是有關於一種太陽能發電效能估測方法。
太陽能發電是一種新興的可再生能源。太陽能技術被廣泛定性為被動的或主動的方式來捕獲，轉換和分配太陽光。太陽能發電常具日照量不穩定的特性，使得評估太陽能電廠的發電效率不易準確。傳統方法藉由安裝日照計來計算特定期間內的日照量A，再比對自電錶取得特定期間的發電量B，藉此獲得發電效率（發電量/日照量）。
然，倘若太陽能電廠的運作環境惡劣、信號干擾嚴重，難免造成日照計線路損壞，使得資料收集數據短少，衍生出數據計算上的不精確。再者，日照計要價不斐，且後續因為長時間的使用下，使得日照計易出現數值偏移，需做維護與校正（每半年校正，且無法於現場執行），維護成本極高。因此，大部份的太陽能電廠並未安裝日照計。既便部份太陽能電廠於初期安裝了日照計，也會因缺乏維護及校正，使得精準度逐漸下降，最終所取得的資料變得不可靠。
本發明提供一種太陽能發電效能估測方法，可利用廣域的圖像資料來估測太陽能發電效能。
本發明的太陽能發電效能估測方法，包括：分析在一時間序列中的多個時間點所獲得的多個圖像，以獲得各圖像的灰階平均值以及各時間點對應的變動量；基於灰階平均值與變動量，自所述時間點來獲得穩定時間區；以及計算穩定時間區對應的太陽能評估指標。
在本發明的一實施例中，所述基於灰階平均值與變動量，自所述時間點來獲得穩定時間區的步驟包括：基於各圖像的灰階平均值與變動量，判斷各時間點對應的各圖像的變化程度為大或小；倘若第t個時間點對應的變化程度與第t+1個時間點對應的變化程度皆判定為小，判定第t個時間點為穩定狀態；倘若第t個時間點與第t+1個時間點至少其中一者對應的變化程度判定為大，判斷第t個時間點為不穩定狀態；以及將被判定為穩定狀態的各時間點組合為穩定時間區。
在本發明的一實施例中，所述判斷各時間點對應的各圖像的變化程度為大或小的步驟包括：判斷第t個時間點對應的圖像的灰階平均值是否小於第一門檻值；倘若第t個時間點對應的圖像的灰階平均值未小於第一門檻值，判定第t個時間點對應的變化程度為大；倘若第t個時間點對應的圖像的灰階平均值小於第一門檻值，判斷第t個時間點對應的變動量是否小於第二門檻值；倘若第t個時間點對應的變動量未小於第二門檻值，判定第t個時間點對應的變化程度為大；以及倘若第t個時間點對應的變動量小於第二門檻值，判定第t個時間點對應的變化程度為小。
在本發明的一實施例中，所述分析在時間序列中的所述時間點所獲得的圖像的步驟包括：將各圖像的多個像素的灰階值加總後取平均，而獲得灰階平均值。
在本發明的一實施例中，所述分析在時間序列中的所述時間點所獲得的圖像的步驟包括：將第t個時間點對應的圖像的多個像素分別與第t-1個時間點對應的圖像的多個像素進行相減並取絕對值，而獲得對應至各像素的差值；將所述像素的差值加總後取平均，而獲得第t個時間點對應的變動量。
在本發明的一實施例中，所述太陽能發電效能估測方法，更包括：自時間序列所包括的多張氣象圖像中所分別取出對應於目標位置的多個目標區域，來作為所述圖像。
在本發明的一實施例中，所述氣象圖像的類別為雷達回波圖、衛星雲圖以及全天空成像圖其中一個。
在本發明的一實施例中，所述計算穩定時間區對應的太陽能評估指標的步驟包括：計算穩定時間區包括的多個日照量預估值加總後的日照量總合；計算穩定時間區包括的多個發電量加總後的發電量總合；以及基於日照量總合、發電量總合以及太陽能模組的裝置容量，計算太陽能評估指標，其中太陽能評估指標=(發電量總合/裝置容量)/(日照量總合/1000)。
基於上述，本揭露利用廣域的圖像資料，可對大量的太陽能電廠同時進行發電效率分析，有助於電廠運維商進行運維工作、電廠擁有者進行電廠資產建康度進行廣域評估。
圖1是依照本發明一實施例的電子裝置的方塊圖。請參照圖1，電子裝置100包括處理器110以及儲存器120。處理器110耦接至儲存器120。處理器110例如為中央處理單元（Central Processing Unit，CPU）、物理處理單元（Physics Processing Unit，PPU）、可程式化之微處理器（Microprocessor）、嵌入式控制晶片、數位訊號處理器（Digital Signal Processor，DSP）、特殊應用積體電路（Application Specific Integrated Circuits，ASIC）或其他類似裝置。
儲存器120例如是任意型式的固定式或可移動式隨機存取記憶體（Random Access Memory，RAM）、唯讀記憶體（Read-Only Memory，ROM）、快閃記憶體（Flash memory）、硬碟或其他類似裝置或這些裝置的組合。儲存器120包括圖像分析模組121以及日照預估模組123。圖像分析模組121以及日照預估模組123是由一或多個程式碼片段所組成，上述程式碼片段在被安裝後，會由處理器110來執行下述太陽能發電效能估測方法。
圖2是依照本發明一實施例的太陽能發電效能估測方法的流程圖。請參照圖1及圖2，在步驟S205中，圖像分析模組121分析在時間序列中的多個時間點所獲得的多個圖像，以獲得各圖像的灰階平均值以及各時間點對應的變動量。所述圖像為對應至同一個目標位置的圖像。
在本實施例中，利用圖像分析模組121自時間序列所包括的多張氣象圖像中所分別取出對應於目標位置的多個目標區域，來作為後續用以分析的圖像。在此，所述氣象圖像的類別為雷達回波圖、衛星雲圖以及全天空成像圖其中一個。在本實施例中，可以在氣象圖像中取出一個目標位置對應的目標區域來進行分析。在其他實施例中，也可以在一張氣象圖像中取出不同目標位置對應的多個目標區域。
圖3是依照本發明一實施例的氣象圖像的示意圖。圖3所示為其中一個時間點的氣象圖像310。圖像分析模組121根據太陽能模組實際設置的位置而在氣象圖像310中取出對應所述位置的目標區域311。
圖4是依照本發明一實施例的多張圖像示例的圖。請參照圖 4，圖像分析模組121在時間序列410的多個時間點（在此僅示出時間點1～5）對應取出圖像411～415。接著，圖像分析模組121逐一將圖像411～415的多個像素的灰階值加總後取平均，而獲得灰階平均值。
透過以下公式計算時間點t的影像f t(x,y)像素值之平均值gm t，其中影像大小為M×N。 gm t=
Figure 02_image001
。
圖像分析模組121將前後兩個時間點對應的圖像相減，可獲得第t個時間點對應的變動量。所述變動量指得是前後兩個相鄰時間點之間雲量的變動量。即，將第t個時間點對應的圖像的多個像素分別與第t-1個時間點對應的圖像的多個像素進行相減並取絕對值，而獲得對應至各像素的差值。將所述像素的差值加總後取平均，而獲得第t個時間點對應的變動量。
圖5是依照本發明一實施例的雲量變動量的示意圖。圖5所示為時間點t-1的圖像510以及時間點t的圖像520。將圖像520與圖像510相減後可得圖像530。將時間點t-1的圖像510（f t-1(x,y))）與間點t的圖像520（f t(x,y))），根據相對應的位置各別相減後取絕對值相加後求平均，得到時間點t的雲變動量V t，公式如下，其中影像大小為M×N。 V t=
Figure 02_image003
。
在步驟S210中，圖像分析模組121基於灰階平均值與變動量，自所述時間點來獲得穩定時間區。在本實施例中，判斷時間點t與時間點t-1之間的變化程度以及時間點t與時間點t+1之間的變化程度來決定時間點t是否為穩定狀態。在時間點t與其前後兩個時間點之間的變化程度皆為小的情況下，時間點t才會被判定為穩定狀態。
具體而言，圖像分析模組121基於各圖像的灰階平均值與變動量，判斷各時間點對應的各圖像的變化程度為大或小。倘若第t個時間點對應的變化程度與第t+1個時間點對應的變化程度皆判定為小，判定第t個時間點為穩定狀態。倘若第t個時間點與第t+1個時間點至少其中一者對應的變化程度判定為大，判斷第t個時間點為不穩定狀態。最後，將被判定為穩定狀態的各時間點組合為穩定時間區。
圖6是依照本發明一實施例的判斷時間點t的變化程度方法的流程圖。請參照圖6，在步驟S605中，圖像分析模組121判斷第t個時間點對應的圖像的灰階平均值gm t是否小於第一門檻值。倘若第t個時間點對應的圖像的灰階平均值gm t未小於第一門檻值，如步驟S610所示，圖像分析模組121判定第t個時間點對應的變化程度為大。也就是說，當時間點t的灰階平均值gm t未小於第一門檻值，表示雲層遮蔽率高，直接判定時間點t對應的變化程度為大。
倘若第t個時間點對應的圖像的灰階平均值小於第一門檻值，表示雲層遮蔽率低，則進一步在步驟S615中，圖像分析模組121判斷第t個時間點對應的變動量V t是否小於第二門檻值。即，判斷第t個時間點對應的圖像與第t-1個時間點對應的圖像兩者之間的雲量的變化量V t是否小於第二門檻值。倘若第t個時間點對應的變動量V t未小於第二門檻值，如步驟S610所示，圖像分析模組121判定第t個時間點對應的變化程度為大。倘若第t個時間點對應的變動量V t小於第二門檻值，如步驟S620所示，判定第t個時間點對應的變化程度為小。
底下表1為一實施例，用以表示多個時間點的穩定狀態。在表1中，時間點t1為此時間序列中第一個時間點，其並無法與前一個時間點比較雲量的變化量，故，圖像分析模組121在第一個時間點t1並不會去判定其穩定狀態。時間點t2～t7在經由上述步驟S605～S620可得知其對應的變化程度。
表1
時間點 t1 t2 t3 t4 t5 t6 t7
變化程度   小 小 小 小 大 大
穩定狀態   穩定 穩定 穩定 不穩定 不穩定 …
之後，每一個時間點根據其變化程度以及下一個時間點的變化程度來判斷該時間點是否為穩定狀態。以時間點t2而言，時間點t2與時間點t3兩者的變化程度皆為小，故，圖像分析模組121判定時間點t2為穩定狀態，其表示時間點t2與時間點t1之間的雲量的變化程度小，且時間點t2與時間點t3之間的雲量的變化程度也小。以此類推，進一步判斷時間點t3～t7等是否為穩定狀態。
之後，在步驟S215中，日照預估模組123計算穩定時間區對應的太陽能評估指標。具體而言，日照預估模組123計算穩定時間區包括的多個日照量預估值加總後的日照量總合，並且計算穩定時間區包括的多個發電量加總後的發電量總合。之後，日照預估模組123基於日照量總合、發電量總合以及太陽能模組的裝置容量，計算太陽能評估指標，其中太陽能評估指標=(發電量總合/裝置容量)/(日照量總合/1000)。在此，太陽能評估指標為性能比 （Performance Ratio，PR）。
在獲得穩定時間區之後，將穩定時間區對應的圖像、目標位置對應的經緯度、位於目標區域的太陽能模組的設置資料（例如模組傾角、方向角等參數）、時間資訊（季節、月份、日期等）輸入至日照預估模組123，藉此來獲得在指定時間序列中各個時間點的預估日照量。
並且，進一步根據目標位置來取得對應太陽能模組的裝置容量。裝置容量代表太陽能模組的最大電力輸出功率（單位：峰瓩（1kWp））。
表2示例一時間序列對應的日照量時序以及發電量時序。在此實施例中，目標位置的太陽能模組的裝置容量為498峰瓩，並且穩定時間區包括時間點t2～t4、t7、t8。
表2
時間序列 t1 t2 t3 t4 t5 t6 t7 t8 t9 t10
日照量時序 （Wh） 545 690 756 758 452 347 399 404 206 50
發電量時序 （kWh） 226 282 326 323 209 176 183 181 95 25
穩定狀態 不穩定 穩定 穩定 穩定 不穩定 不穩定 穩定 穩定 不穩定 不穩定
以表2為例，太陽能評估指標= ((282+326+323+183+181)/498)/ ((690+756+758+399+404)/1000)=86.48%。
性能比評估可以幫助理解太陽能電廠的整體品質，包括太陽能模組的運行效能和可靠程度。使用者可以根據性能比評估確定實際的太陽能模組的潛能，從而獲得相關資訊並最大化能源/財務收益。評估太陽光電性能比能讓您將發電站的能源輸出與其他案場進行比較，或監測發電站在較長時期的營運狀況。
圖7是依照本發明一實施例的比較例的曲線圖。在圖7中，以太陽能電廠的評估指標（PR）為例，穩定時間區（實線）的PR標準差為1.707，相較於全時段（虛線）的PR標準差2.465低了0.758，也就代表此方法能夠不受因日照量不穩定導致PR不穩定之情形，更具有評估太陽能電廠發電效能代表性。
綜上所述，上述實施例提供了具低成本且泛用性高的太陽能發電效能估測方法，其透過對廣域的圖像資料進行分析，區分出日照量穩定時間區間及不穩定時間區間。據此，計算太陽能電廠效來得到相對穩定的數值，進而評估太陽能發電的狀態。
100:電子裝置 110:處理器 120:儲存器 121:圖像分析模組 123:日照預估模組 310:氣象圖像 311:目標區域 410:時間序列 411～415、510～530:圖像 S205～S215:太陽能發電效能估測方法的步驟 S605～S620:判斷時間點t的變化程度方法的步驟
圖1是依照本發明一實施例的電子裝置的方塊圖。 圖2是依照本發明一實施例的太陽能發電效能估測方法的流程圖。 圖3是依照本發明一實施例的氣象圖像的示意圖。 圖4是依照本發明一實施例的多張圖像示例的圖。 圖5是依照本發明一實施例的雲量變動量的示意圖。 圖6是依照本發明一實施例的判斷時間點t的變化程度方法的流程圖。 圖7是依照本發明一實施例的比較例的曲線圖。
S205~S215:太陽能發電效能估測方法的步驟

Claims (8)

  1. 一種太陽能發電效能估測方法，包括： 分析在一時間序列中的多個時間點所獲得的多個圖像，以獲得每一該些圖像的一灰階平均值以及每一該些時間點對應的一變動量； 基於該灰階平均值與該變動量，自該些時間點來獲得一穩定時間區；以及 計算該穩定時間區對應的一太陽能評估指標。
  2. 如請求項1所述的太陽能發電效能估測方法，其中基於該灰階平均值與該變動量，自該些時間點來獲得該穩定時間區的步驟包括： 基於每一該些圖像的該灰階平均值與該變動量，判斷每一該些時間點對應的每一該些圖像的一變化程度為大或小； 倘若第t個時間點對應的該變化程度與第t+1個時間點對應的該變化程度皆判定為小，判定該第t個時間點為一穩定狀態； 倘若該第t個時間點與該第t+1個時間點至少其中一者對應的該變化程度判定為大，判斷該第t個時間點為一不穩定狀態；以及 將被判定為該穩定狀態的各時間點組合為該穩定時間區。
  3. 如請求項2所述的太陽能發電效能估測方法，其中判斷每一該些時間點對應的每一該些圖像的該變化程度為大或小的步驟包括： 判斷第t個時間點對應的圖像的該灰階平均值是否小於一第一門檻值； 倘若該第t個時間點對應的圖像的該灰階平均值未小於該第一門檻值，判定該第t個時間點對應的該變化程度為大； 倘若該第t個時間點對應的圖像的該灰階平均值小於該第一門檻值，判斷該第t個時間點對應的該變動量是否小於一第二門檻值； 倘若該第t個時間點對應的該變動量未小於該第二門檻值，判定該第t個時間點對應的該變化程度為大；以及 倘若該第t個時間點對應的該變動量小於該第二門檻值，判定該第t個時間點對應的該變化程度為小。
  4. 如請求項1所述的太陽能發電效能估測方法，其中分析在該時間序列中的該些時間點所獲得的該些圖像的步驟包括： 將每一該些圖像的多個像素的灰階值加總後取平均，而獲得該灰階平均值。
  5. 如請求項1所述的太陽能發電效能估測方法，其中該分析在該時間序列中的該些時間點所獲得的該些圖像的步驟包括： 將第t個時間點對應的圖像的多個像素分別與第t-1個時間點對應的圖像的多個像素進行相減並取絕對值，而獲得對應至每一該些像素的差值； 將該些像素的差值加總後取平均，而獲得該第t個時間點對應的該變動量。
  6. 如請求項1所述的太陽能發電效能估測方法，更包括： 自該時間序列所包括的多張氣象圖像中所分別取出對應於一目標位置的多個目標區域，來作為該些圖像。
  7. 如請求項6所述的太陽能發電效能估測方法，其中該些氣象圖像的類別為一雷達回波圖、一衛星雲圖以及一全天空成像圖其中一個。
  8. 如請求項1所述的太陽能發電效能估測方法，其中計算該穩定時間區對應的該太陽能評估指標的步驟包括： 計算該穩定時間區包括的多個日照量預估值加總後的一日照量總合； 計算該穩定時間區包括的多個發電量加總後的一發電量總合；以及 基於該日照量總合、該發電量總合以及一太陽能模組的一裝置容量，計算該太陽能評估指標，其中該太陽能評估指標=(該發電量總合/該裝置容量)/(該日照量總合/1000)。
TW110123377A 2021-06-25 2021-06-25 太陽能發電效能估測方法 TWI759226B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW110123377A TWI759226B (zh) 2021-06-25 2021-06-25 太陽能發電效能估測方法
CN202111647881.2A CN114298573A (zh) 2021-06-25 2021-12-30 太阳能发电效能估测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110123377A TWI759226B (zh) 2021-06-25 2021-06-25 太陽能發電效能估測方法

Publications (2)

Publication Number Publication Date
TWI759226B true TWI759226B (zh) 2022-03-21
TW202301798A TW202301798A (zh) 2023-01-01

Family

ID=80973878

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110123377A TWI759226B (zh) 2021-06-25 2021-06-25 太陽能發電效能估測方法

Country Status (2)

Country Link
CN (1) CN114298573A (zh)
TW (1) TWI759226B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201719545A (zh) * 2015-11-17 2017-06-01 財團法人資訊工業策進會 發電系統效能估測方法
TW202014972A (zh) * 2018-10-03 2020-04-16 台灣電力股份有限公司 區域太陽光能發電量預測系統及其預測方法
TWI717796B (zh) * 2019-08-02 2021-02-01 慧景科技股份有限公司 以人工智慧估測地理位置日照量之系統、方法及儲存媒體
TWI730796B (zh) * 2020-06-03 2021-06-11 友達光電股份有限公司 太陽能發電方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011016441A1 (ja) * 2009-08-04 2011-02-10 国立大学法人奈良先端科学技術大学院大学 太陽電池の評価方法、評価装置、メンテナンス方法、メンテナンスシステム、および太陽電池モジュールの製造方法
JP5898004B2 (ja) * 2012-06-29 2016-04-06 株式会社 日立産業制御ソリューションズ 発電量予測装置、発電量予測方法、プログラム、および電力制御システム
CN108288104A (zh) * 2017-01-10 2018-07-17 中国电力科学研究院 一种解决全天空云图生消变化的相似云团的判定方法
CN108572011B (zh) * 2018-05-23 2020-04-28 东北电力大学 一种基于机器视觉的光伏电池板积灰状态监测系统及计算方法
TWI716990B (zh) * 2019-08-30 2021-01-21 春禾科技股份有限公司 太陽能裝置發電效能異常判斷方法
KR102262399B1 (ko) * 2019-12-10 2021-06-08 청주대학교 산학협력단 적외선 이미지를 이용한 pv 패널의 전력 생성 예측 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201719545A (zh) * 2015-11-17 2017-06-01 財團法人資訊工業策進會 發電系統效能估測方法
TW202014972A (zh) * 2018-10-03 2020-04-16 台灣電力股份有限公司 區域太陽光能發電量預測系統及其預測方法
TWI717796B (zh) * 2019-08-02 2021-02-01 慧景科技股份有限公司 以人工智慧估測地理位置日照量之系統、方法及儲存媒體
TWI730796B (zh) * 2020-06-03 2021-06-11 友達光電股份有限公司 太陽能發電方法

Also Published As

Publication number Publication date
CN114298573A (zh) 2022-04-08
TW202301798A (zh) 2023-01-01

Similar Documents

Publication Publication Date Title
Li et al. Capacity and output power estimation approach of individual behind-the-meter distributed photovoltaic system for demand response baseline estimation
Deceglie et al. Quantifying soiling loss directly from PV yield
Buffat et al. A scalable method for estimating rooftop solar irradiation potential over large regions
JP3984604B2 (ja) 太陽光発電システムの発電量予測方法、装置、およびプログラム
Chu et al. Intra-hour irradiance forecasting techniques for solar power integration: A review
Lorenz et al. Local and regional photovoltaic power prediction for large scale grid integration: Assessment of a new algorithm for snow detection
CN101795090B (zh) 预测光伏器件的电力产量的方法
Meng et al. Data-driven inference of unknown tilt and azimuth of distributed PV systems
Elsinga et al. Spatial power fluctuation correlations in urban rooftop photovoltaic systems
e Silva et al. Impact of network layout and time resolution on spatio-temporal solar forecasting
Bertrand et al. Solar irradiation from the energy production of residential PV systems
Sohani et al. Thermo-electro-environmental analysis of a photovoltaic solar panel using machine learning and real-time data for smart and sustainable energy generation
Böök et al. Site-specific adjustment of a NWP-based photovoltaic production forecast
Lave et al. Solar variability zones: Satellite-derived zones that represent high-frequency ground variability
Nespoli et al. An unsupervised method for estimating the global horizontal irradiance from photovoltaic power measurements
US20170194906A1 (en) Method and system for determining time point to clean solar cell module and solar cell module system by using the same
Ernst et al. Methodology for generating high time resolution typical meteorological year data for accurate photovoltaic energy yield modelling
Meng et al. Performance variability and implications for yield prediction of rooftop PV systems–Analysis of 246 identical systems
Antoniolli et al. Development of technical and statistical algorithm using Business Intelligence tools for energy yield assessment of large rooftop photovoltaic system ensembles
Yang et al. Evaluating WRF-Solar EPS cloud mask forecast using the NSRDB
Angulo et al. Estimation of the effective nominal power of a photovoltaic generator under non-ideal operating conditions
TWI759226B (zh) 太陽能發電效能估測方法
Koumpli Impact of data quality on photovoltaic (PV) performance assessment
Ortega et al. An statistical model for the short-term albedo estimation applied to PV bifacial modules
Cheung et al. Ensemble solar forecasting statistical quantification and sensitivity analysis