TWI642019B - 發電系統效能估測方法 - Google Patents
發電系統效能估測方法 Download PDFInfo
- Publication number
- TWI642019B TWI642019B TW104137860A TW104137860A TWI642019B TW I642019 B TWI642019 B TW I642019B TW 104137860 A TW104137860 A TW 104137860A TW 104137860 A TW104137860 A TW 104137860A TW I642019 B TWI642019 B TW I642019B
- Authority
- TW
- Taiwan
- Prior art keywords
- power generation
- weather
- field
- generation system
- factor
- Prior art date
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 230
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000001953 sensory effect Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000003238 somatosensory effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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
- 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- 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
-
- 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
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一種發電系統效能估測方法,在其方法中,經識別出最相近天氣型態的最近鄰場域,建立最近鄰場域的天氣資訊與目標場域的天氣因子關聯性,自最近鄰場域取得即時以及歷史天氣資訊與發電條件之資訊,引入一天氣因子與發電條件關聯庫,以估測影響目標場域的一發電系統發電效能的天氣因子,經建立最近鄰場域天氣因子與目標場域中發電系統之發電條件感測參數的關聯性時,並取得目標場域的即時天氣資訊,可以估測目標場域之發電系統的效能。
Description
本發明關於一種發電系統效能的估測方法,特別是一種根據近鄰場域天氣資訊估測發電系統所在位置的天氣而估測發電系統發電效能的方法。
現行氣候資訊的估測的技術可用於佈建電力系統的參考,取得氣候資訊的因子如等效日照時間(equivalent sunshine hour)、每小時日照、溫度、濕度、雨量等,用以推估電力系統的總體發電量,例如,日照因子直接相關太陽能系統,因此透過氣候資訊的推估可以用來診斷電力系統的運作效能。
然而,在這類習知技術中,氣候資訊為一段時間統計的結果,因此該類習知技術無法作為電力系統即時預測與診斷之依據。例如,此類系統無法在一短時間內(如每五分鐘)即時預測與診斷個別的太陽能面板陣列組串之發電與是否發電異常。如此,習知技術所提供之大氣氣候因子資訊無法確實反映各電力系統所處位置之發電條件感測資訊於即時的診斷分析。
然而,確實有習知技術提出能即時感測氣候因子的方案,為了要取得及時氣候資訊,需要在特定監測場域內設置各式感測裝置,如日照計、溫度感測器、影像擷取裝置、風力計、風速計等,此類方案往往需要花費高成本來建制感測裝置。
舉例來說,相應取得太陽能電力系統廠附近氣候,以及取得太陽能光電板的工作日照與溫度,以供預測面板發電量與診斷面板是否故障。
因此,如何以較低成本達到即時估測電力系統周遭氣候因子的目的,進而提升太陽能電力系統之可靠度及降低發電系統之建置成本與人工定期逐一維護系統所需之人力與物力成本,已成為亟待解決之問題。
在利用近鄰場域推估現地端監測場域(目標場域)的影響場域發電系統發電效能的天氣因子,以及天氣因子所影響的發電系統效能的需求下,特別是針對並未設置感測裝置或僅有有限感測資訊的現地端監測場域中,本發明揭露書提出一種發電系統效能估測方法。
根據實施方式之一,評估發電系統發電效能之天氣估測系統包括目標場域內的電腦系統,以及設於各近鄰場域的電腦系統。發電系統效能估測方法藉由一電腦系統實施,電腦系統可自最近鄰場域與/或一或多個近鄰場域的電腦系統取得即時以及歷史天氣資訊,或包括各發電條件感測資訊,如影響太陽能電廠發電效能的日照強度、光電面板的工作溫度,或是影響風力發電廠效能的風力與風向因子資訊。
方法步驟主要包括能於目標場域內的電腦系統中,接收最近鄰場域與/或各近鄰場域的發電系統的發電條件感測參數,如前述各種發電條件感測資訊,以建立一天氣因子與發電條件關聯庫,並因此得出最近鄰場域與/或一或多個近鄰場域的天氣資訊與目標場域天氣因子的第一關聯性模型,用以估測影響目標場域的發電系統發電效能的天氣因子;取得最近鄰場域與/或各近鄰場域的歷史天氣資訊,再取得最近鄰場域與/或各近鄰場域的發電系統的發
電條件感測參數,引入天氣因子與發電條件關聯庫,得出最近鄰場域或是各近鄰場域的發電系統的天氣因子與其中目標場域發電系統的發電條件感測參數的第二關聯性模型。
於是,根據最近鄰場域與/或各近鄰場域天氣因子與目標場域中發電系統之發電條件感測參數的關聯性,可以電腦系統接收目標場域的至少一天氣因子,根據目標場域的至少一天氣因子、第一關聯性模型及第二關聯性模型,來估測目標場域的至少一發電條件感測參數。
根據實施例之一,在於取得該最近鄰場域之天氣資訊之前,更包括識別出與目標場域相近天氣因子與天氣型態的多個近鄰場域,其中,當目標場域有多個可參考的近鄰場域時,先識別各近鄰場域的天氣因子包含天氣型態,依照因子影響之於氣候相近程度的不同,施以不同的天氣因子權重(weights)並加總,以取得一最大權重和數值,藉此識別出與目標場域天氣因子與天氣型態最相近的近鄰場域即為最近鄰場域。
為了能更進一步瞭解本發明為達成既定目的所採取之技術、方法及功效,請參閱以下有關本發明之詳細說明、圖式,相信本發明之目的、特徵與特點,當可由此得以深入且具體之瞭解,然而所附圖式僅提供參考與說明用,並非用來對本發明加以限制者。
X‧‧‧目標場域
10,101‧‧‧太陽能光電板
Xnearest‧‧‧最近鄰場域
102‧‧‧日照感測器
Xnear1‧‧‧第一近鄰場域
Xnear2‧‧‧第二近鄰場域
30,30’‧‧‧資料統計變異範圍
Xnearest’‧‧‧區域微型氣象站
51‧‧‧最近鄰場域歷史天氣資訊
52‧‧‧最近鄰場域歷史發電條件感測資訊
50‧‧‧天氣因子與發電條件關聯庫
501‧‧‧語意天氣知識規則產生單元
502‧‧‧天氣知識規則學習與推論單元
503‧‧‧天氣知識規則庫
60‧‧‧目標場域
601‧‧‧發電條件一
603‧‧‧日照強度
602‧‧‧發電條件二
604‧‧‧氣溫/體感溫度
61‧‧‧天氣因子
62‧‧‧天氣因子變化
63‧‧‧天氣因子
64‧‧‧天氣因子變化
71‧‧‧目標場域之預報及歷史天氣因子
72‧‧‧多個近鄰場域之預報及歷史天氣因子
73‧‧‧最近鄰場域歷史感測資訊
74‧‧‧輸入目標場域的即時天氣資訊
步驟S201~S213‧‧‧評估發電系統發電效能的天氣因子之於發電系統發電條件感測參數估測方法流程
步驟S701~S709‧‧‧評估發電系統發電效能的天氣因子之於發電系統發電條件感測參數估測方法流程
圖1顯示為本發明評估發電系統效能之天氣因子之於發電系統發電條件感測參數估測方法適用之各場域示意圖;圖2顯示之流程圖描述評估發電系統效能之天氣因子之於發電系統發電條件感測參數估測方法的實施例流程;圖3A、3B與3C示意利用歷史資料分佈資訊產生天氣知識規則之實施例;圖4顯示風速與風向影響最近鄰場域天氣因子的圖例;
圖5顯示在本發明評估發電系統效能之天氣因子之於發電系統發電條件感測參數估測系統中實現天氣因子與發電條件關聯庫的實施例示意圖;圖6顯示本發明評估發電系統效能之天氣因子之於發電系統發電條件感測參數估測系統中估測發電系統中天氣因子的實施例示意圖;圖7顯示本發明評估發電系統效能之天氣因子之於發電系統發電條件感測參數估測方法的實施例之一流程圖。
本發明揭露書所提出的方法為評估影響發電系統效能之天氣因子中有關發電系統發電條件感測參數,主要是提供一個未設置天氣感測裝置的目標場域(X)的天氣估測方法,其中採用近鄰場域天氣資訊來估測發電系統所在位置的天氣,可以提供此場域內發電系統調校與發電評估的用途。發電系統例如以太陽能光電板佈建的太陽能電廠,太陽能電廠的發電效能與即時天氣有很大的關聯性,其中影響發電效能的天氣因子至少包括:與時間相關的紫外線指數(UV)、日照強度(irradiance,變數設為Irra)、雲遮率(cloud coverage,變數設為Cover)等;例如風力發電廠,影響其中風力發電機組的風力發電效能的天氣因子則主要為風速與風向等。
其中本文所提及的天氣因子(weather/weather factors)是指發電系統所在位置(現地端監測場域,也就是目標場域),以及附近場域或是氣候狀況相近的場域(近鄰場域)的即時、與歷史或針對未來預測的上空情況,是短時間的天氣現象,包括紫外線指數/紫外線等級、氣溫、體感溫度、風向、風速、雲雨量、氣壓、雲遮率、等因子。而系統同時採用目標場域或/與近鄰場域的歷史數據表示的氣候因子(climates),氣候因子主要指各場域內長期或
一段時間的天氣數據統計值,可以自各場域內過去一段時間所收集的大數據分析得出。
揭露書所描述的發電系統效能之估測方法適用一種如圖1所示包括各場域的系統下,其中顯示有一目標場域(X),此為本發明實施例欲估測發電系統效能的目標場域,其中數據處理可以電腦系統負責,圖例表示設有太陽能電廠,包括許多的太陽能光電板10,而此目標場域(X)並未設置天氣的感測裝置,或是為有限佈建感測裝置的場域。
另建立一最近鄰場域(Xnearest),此可為一氣候相似於目標場域(X)的另一場域,例如,可以根據歷史數據的氣候統計值得出最近鄰場域(Xnearest),相關判斷依據如:指外線指數最大或最小值、平均氣溫、雲遮率平均值、雨量等,包括選擇其中因子之任意組合,藉此得到最近鄰場域(Xnearest)。其中,同樣設置有發電系統,最近鄰場域(Xnearest)例如為地理位置上鄰近目標場域的附近場域,因此最近鄰場域(Xnearest)的即時天氣將可能直接或間接影響了目標場域(X)的天氣,而其影響發電系統的數據也可以應用在目標場域(X)的發電系統的效能估測或是診斷的用途。最近鄰場域(Xnearest)亦可為一氣候最相近但不在目標場域(X)附近的場域,近鄰場域也就是包括與目標場域氣候特徵相近的場域,如一個緯度或地理位置相近而氣候相近的區域,其歷史數據中天氣狀況,以及天氣影響發電系統的資訊仍可被用作為估測目標場域(X)天氣與對發電系統影響的依據。其中數據可為取自最近鄰場域(Xnearest)中的電腦系統與資料庫。
因此,估測目標場域(X)的天氣,以及天氣對該一場域之發電系統發電效能影響時,可以參考最近鄰場域(Xnearest)的天氣資訊,如取自日照感測器102的數據,包括對其中發電系統的影響,如氣溫/體感溫度與日照強度都直接或間接影響其中太陽能光電板101的發電效能;或可自最近鄰場域(Xnearest)過去的氣候資訊學
習或統計而預測到目標場域(X)的天氣。
舉例來說,最近鄰場域(Xnearest)的即時天氣資訊顯示其日照強度、氣溫/太陽能光電板工作溫度、風速、風向與雲遮率,都可能在下一時間點(隨時變化)影響到之於發電系統發電條件感測參數的天氣因子推估對於目標場域(X),兩者的天氣資訊關聯性一旦建立,可以發展出一種天氣知識規則建立、調整與推論的機制,因此,只要輸入目標場域(X)的某一時間點(即時)之天氣參數,如輸入目標場域(X)的天氣條件與其變化,在目標場域(X)沒有設置天氣/環境感測裝置的情況下,透過電腦系統的處理,此天氣知識規則建立、調整與推論的機制將可以推論出目標場域(X)的天氣因子之於發電系統發電條件感測參數的推估(例如,日照強度(Irra)值)。
在目標場域(X)附近,可以識別出其它天氣型態相近的第一近鄰場域(Xnear1,Irra=700、Cover=0.41)與第二近鄰場域(Xnear2,Irra=850、Cover=0.25),第一近鄰場域(Xnear1)與第二近鄰場域(Xnear2)除了數據處理的電腦系統外,可設有各式天氣感測器,以及備有天氣相關的歷史數據,並分別與目標場域(X)之間有不同的距離與地理關係,建立天氣因子關聯性時,可以考量每個近鄰場域與目標場域(X)的關聯大小,因此可以分別施以不同天氣因子權重(weights)或比例計算。舉例來說,若需根據各近鄰場域的日照強度來估算目標場域(X)的日照強度,可以推演出以下公式(公式一):Irra=Wnearest*Irranearest+Wnear1*Irranear1+Wnear2*Irranear2 (公式一)
根據圖式中的範例,Irra=0.5*500+0.35*700+0.15*850=622.5,其中係數0.5、0.35與0.15為對各場域所施以的權重,也就是根據目標場域(X)與其最近鄰場域(Xnearest)、第一近鄰場域(Xnear1)與第二近鄰場域(Xnear2)
之間的關聯性(如天氣關聯度、地理關係)推演出如公式一的日照強度公式。
相關評估發電系統發電效能之天氣因子之於發電系統發電條件感測參數估測方法實施例流程可參閱圖2所示之流程圖。
步驟一開始,如步驟S201,透過天氣資訊的分析,先識別出與目標場域(X)氣候(天氣型態)相近與/或最相近的近鄰場域,如圖1示意顯示的最近鄰場域(Xnearest)、第一近鄰場域(Xnear1)與第二近鄰場域(Xnear2)。
之後建立最近鄰場域(Xnearest)與/或一或多個近鄰場域(Xnear)的天氣資訊與目標場域(X)的天氣因子關聯性,此為第一關聯性模型,如步驟S203。
之後,要取得(估測)現地端的天氣資訊時,應學習相關各近鄰場域天氣變化(如紫外線指數、雲遮、風速、風向等因子變化,採用其中之一或其組合)影響之於特定之評估場域發電系統發電效能的天氣因子推估(如日照強度、光電板工作溫度、風力強度等發電條件感測參數),如步驟S205、S207與S209。
因此,如步驟S205,取得其中最近鄰場域(Xnearest),或是各近鄰場域的歷史天氣資訊,取得近鄰場域的天氣資訊的方式包括由電腦系統(可設於目標場域(X))自至少一近鄰場域(最近鄰場域(Xnearest)、第一近鄰場域(Xnear1)或第二近鄰場域(Xnear2))的氣象資料庫所載歷史天氣得到。當現地監測端場域(X)有多個可參考的近鄰場域與氣候非隨時變化複雜(例如低雲遮率變化低影響於紫外線指數變化)時,可先識別各近鄰場域的天氣型態,依照相近程度,再根據各個近鄰場域的位置,施以天氣因子權重(weights),藉此統計地估測目標場域的評估場域發電系統發電效能的天氣因子資訊。
其中,目標場域(X)內的電腦系統能自最近鄰場域與/或一或多個近鄰場域的電腦系統取得天氣資訊,以及可以取得它們的
發電條件感測資訊(如日照強度、工作溫度、風力、風向等),以加上發電系統的發電條件感測參數之資訊,在一實施例中,可更包括令電腦系統接收前述最近鄰場域的一歷史天氣資訊以及一歷史發電條件感測參數紀錄,歷史天氣資訊包括至少一天氣語意描述;以及可使得電腦系統儲存此天氣語意描述與天氣因子的一對應規則表,並根據此對應規則表、歷史天氣資訊,以及歷史發電條件感測參數紀錄,建立近鄰場域之天氣因子與發電條件感測參數之一第三關聯模型。
同時,如步驟S207,目標場域(X)的電腦系統更可自最近鄰場域(Xnearest)、第一近鄰場域(Xnear1)或第二近鄰場域(Xnear2)等至少一個近鄰場域的資料庫中得到發電系統的歷史發電條件感測參數相關記錄,可由它們的發電系統中的各式感測裝置取得,此為各種發電條件感測資訊之一。舉例來說,針對太陽能電廠,可以自溫度感測器取得光電板的面板表面工作溫度,自日照感測器取得各光電板的日照強度,以此可以藉由資料分析實踐一天氣知識規則建立、調整與推論機制而推算出該場域的天氣因子與發電條件感測參數之間的關聯性,進而如步驟S209所示,可關聯建立各近鄰場域(包括地理位置上或是氣候關聯型態上相近之最近鄰場域)天氣因子與目標場域(X)中發電系統之發電條件感測參數之間的相關性,以建立第二關聯性模型,也就是當取得目標場域(X)的即時天氣資訊作為輸入資訊時,可以基於前述天氣知識規則建立、調整與推論機制得到目標場域(X)的天氣因子,也就是可以估測目標場域(X)的現地天氣。其中目標場域的至少一天氣因子係由電腦系統根據前述至少一近鄰場域的天氣資訊與第一關聯性模型計算決定,而能預測目標場域(X)發電系統的發電效能,以至於可以預診斷發電系統的發電狀況等應用。
所以,如步驟S211,因為目標場域(X)並未設置感測裝置,或是僅為有限的感測資訊,根據本發明實施例,例如,開源資料
(Open Data)取得(與/或輸入)目標場域(X)的即時天氣資訊,包含紫外線指數、氣溫(或體感溫度)、雲遮率等及其資訊變化作為輸入值;再如步驟S213,依照步驟S209所建立之天氣因子與發電條件感測參數的關聯性(第二關聯性模型),可從近鄰場域(包括最近鄰場域)的天氣資訊與發電發電條件感測參數之關係推估得到目標場域(X)的發電系統的發電系統感測參數,如太陽能電廠的光電板的日照值、面板工作溫度,以根據目標場域的至少一天氣因子、第一關聯性模型及第二關聯性模型估測目標場域的至少一發電條件感測參數,進而令電腦系統根據目標場域的至少一發電條件感測參數來估測目標場域的發電效能,以評估數據可以診斷相關的發電機組有否問題。
前述以一或多個近鄰場域所建立的天氣資訊與發電發電條件感測參數之關係推測目標場域(X)的影響場域發電系統發電效能的天氣因子,包括取得即時Open Data感測的天氣資訊,或是根據大數據(Big Data)所推論即時的天氣資訊及其變化。舉例來說,日照強度(Irra)除了晝夜日照時間外,更與雲遮率(或稱雲層覆蓋率)有關,雲遮率在近鄰場域的情況可能會因為風速與風向因子改變了現地端在未來一段時間內的雲遮率,於是,最近鄰場域(Xnearest)或特定近鄰場域(Xnear)根據各式天氣感測裝置的即時資訊、天氣預測或/以及根據大數據得到的即時氣候趨勢等資訊,如高低氣壓、季節等會影響雲層的因素,皆可成為估測現地端氣候及其變化的參考資訊。
值得一提的是,前述根據大數據(Big Data)的氣候分析為根據歷史數據可以得到的氣候規則,大數據將影響最近鄰場域(Xnearest)或近鄰場域(Xnear),以至於現地端的氣候變化/趨勢估測,以及對應特定天氣因子的特定發電系統運作效能的估測,更可以藉此得出調整發電系統輸出與調配的機制。
對於太陽能電力系統而言,前述天氣因子包括日照強度與雲
遮率相關,且與紫外線指數同時影響太陽能光電板的發電效能、氣溫影響了光電板的面板表面工作溫度,而風力與風向則可能影響雲遮率的估測,其它還有輔助性的因子,如相對濕度(relative humidity)、露點(dew point)等。若以風力發電廠為例,風速與風向則直接影響了其中風力發電機組的發電效能。根據本發明評估發電系統發電效能的天氣因子之於發電系統效能估測方法的實施例之一,這些天氣因子都可自近鄰場域的天氣資訊估測。
在識別出最近鄰場域(Xnearest)的方法中,其中之一方式是根據多處場域的天氣資訊作為判斷條件,當天氣變化以及氣候趨勢與目標場域(X)最相近者,可以列為最近鄰場域。舉例來說,可以將多個天氣因子加入找到天氣相近的場域的參考,並與目標場域(X)可以取得的天氣資訊相互比對計算差異,整體差異最小者,可為天氣相近者,為最近鄰場域。值得注意的是,場域地理位置相近有時並非天氣會因此相近。
另仍可增加其它判斷因素,如地理位置相關者,天氣變化也是息息相關,可成為最近鄰場域;再可加入緯度參數,而緯度相近的區域同樣可以找到天氣相近的場域。
在本揭露書所揭示的發電系統效能估測方法中,相關系統可基於歷史天氣資訊分佈統計資料產生語意(Linguistic)天氣知識規則,歷史天氣資訊包括至少一天氣語意描述,其中可以根據複數個天氣因子的統計結果,得到在特定天氣規則情況下推估出特定影響發電系統發電效能的天氣狀態。範例可參考圖3A、圖3B與圖3C。
此範例顯示,如圖3A,每一個黑點表示於某一個時間點所取樣之資料點,以座標圖標示出在統計常態分佈下每一個資料點的雲遮率(縱軸:低、中、高)與紫外線指數(橫軸:低、中、高,可再細部劃分相應於UV=0到UV=11+的統計常態分佈)的關係,以此可以進一步地得出語意天氣知識規則。本發明的實施例並非
限制在圖例的天氣因子上,還可建立如氣溫、體感溫度、風速、風向等天氣因子的分佈關係。
根據圖中基於歷史資料的分佈統計來看,縱軸所表示的雲遮率依照遮蔽比例區分為高、中、低分佈狀況,橫軸的紫外線指數也區分為低、中、高,從此圖例可得到有部分分佈在高雲遮率與低紫外線指數、另有一部分分佈在中低雲遮率與中紫外線指數的範圍,再有一部分分佈在低雲遮率與高紫外線指數的資料統計變異範圍30中。
接著,這些資料取樣點可以繪製如圖3B的雲遮變化速度(縱軸:負、零、正)與紫外線指數的變化速度(橫軸:負、零、正)的關係圖上。其中,將圖3A中的資料統計變異範圍30對應於標示於圖3B的資料統計變異範圍30’中的資料取樣點,此後,可邏輯地對應該些資料統計變異範圍30與30’內的資料取樣點於如圖3C中日照強度(Irra:高、中、低)的某一個資料統計常態分佈,此例顯示對應屬於高日照強度分佈,這個對照資訊產生一個語意天氣知識規則。同理,其它每一個資料統計變異範圍內的值都會對應到某一個語意天氣知識規則。
舉例來說,語意天氣知識規則(若...則...)如下:
規則1:若為高紫外線指數與低雲遮率,以及正且低紫外線指數變化速度與負且低雲遮變化速度與低風速,這情況可推測對太陽能光電板來說具有高日照強度。
規則2:若為中紫外線指數與低雲遮率,以及正且低紫外線指數變化速度與負且低雲遮變化速度與低風速,這情況推測太陽能光電板有中日照強度。
規則3:若為高紫外線指數與低雲遮率,以及負且高紫外線指數變化速度與正且高雲遮變化速度與高風速,此情況推測太陽能光電板有中日照強度。
因此,在一實施例中,經電腦系統接收最近鄰場域的歷史天
氣資訊(包括天氣語意描述)以及歷史發電條件感測參數的紀錄,產生並儲存此天氣語意描述與天氣因子的一對應規則表,並根據此對應規則表、歷史天氣資訊,以及歷史發電條件感測參數的紀錄,建立近鄰場域之天氣因子與發電條件感測參數之一第三關聯模型。於是,各種天氣因子之間的邏輯關聯都可產生某一種語意天氣知識規則,進而形成語意天氣知識規則庫。
圖4示意近鄰場域的風速與風向對於前述因子規則推估會產生的影響。目標場域(X)的天氣資訊推估自其最近鄰場域(Xnearest)的天氣資訊,最近鄰場域(Xnearest)等至少一近鄰場域的天氣資訊會受自地理位置上最附近的區域微型氣象站(Xnearest’)或是鄰近目標場域的其他近鄰場域所感測的即時天氣資訊影響。
此例顯示最近鄰場域(Xnearest)具有雲遮率10%,其地理位置上相關的附近設有感測資訊雲遮率為70%的區域微型氣象站(Xnearest’)。區域微型氣象站(Xnearest’)的天氣資訊可為一種開放資料(Open Data),可供最近鄰場域(Xnearest)的電腦系統所取得,如透過網際網路取得,並可依據當下的天氣狀況,如當時的風速與風向等天氣因子,判斷影響程度,風向若由較高雲遮率的區域微型氣象站(Xnearest’)指向最近鄰場域(Xnearest),根據風速的大小可以估測最近鄰場域(Xnearest)在最近的一段時間內雲遮率將會提昇,進而影響目標場域的天氣資訊估測,以及間接地對應影響於發電系統的天氣因子推估。
此例適用於前述語意天氣知識規則,可將其中風速因子配合雲遮率變化影響(例如,區域微型氣象站的雲遮率減去最近鄰場域的雲遮率),決定風速因子在天氣知識規則中會影響於前述的日照強度因子規則推估時的影響大小。
對於近鄰場域的歷史天氣資訊對於其目標場域發電的影響,以至於對最近鄰場域的發電系統發電效能的影響也如對於目標場域(X)內的發電系統的影響,本發明評估發電系統發電效能之天
氣因子之於發電系統發電條件感測參數估測系統建構一天氣因子與發電條件關聯庫50,以此描述系統如何根據近鄰場域歷史天氣資訊與歷史發電條件感測資訊建立、調整與推論天氣與發電條件的知識規則關聯。實施例可參閱圖5,其中顯示天氣估測系統中實現天氣因子與發電條件關聯庫的實施例示意圖。
示意圖顯示天氣因子與發電條件關聯庫50,一端取得最近鄰場域(Xnearest)的歷史天氣資訊51,透過此圖例的語意天氣知識規則產生單元501適應性探勘出語意天氣知識規則,進而形成天氣知識規則庫503。另一端接收最近鄰場域(Xnearest)的歷史發電條件感測資訊52,由天氣因子與發電條件關聯庫50中的天氣知識規則學習與推論單元502取得後,可以推演出天氣對發電系統的影響,特別是特定發電系統的特定發電條件,如影響太陽能光電板工作效能的紫外線指數之於面板工作日照強度、氣溫/體感溫度之於面板工作溫度、風力與風向、相對濕度等的天氣因子,這些天氣知識規則與發電條件的關聯演算,隨同前述所探勘之語意天氣知識規則,回饋修正或更新天氣知識規則庫503。
於是,天氣因子與發電條件關聯庫50可以應用於沒有佈建感測裝置的現地端監測場域,例如目標場域(X),包括天氣因子之於發電系統發電條件感測參數估測,以及評估對發電系統影響的發電異常與發電設備故障等預診斷之應用,相關實施方案如圖6所示為本發明評估發電系統發電效能之天氣因子之於發電系統發電條件感測參數估測系統中估測發電系統中該些天氣因子的實施例示意圖。
圖6顯示有一目標場域60,其中設有電腦系統,可以應用前述根據最近鄰場域(相對於目標場域60)的歷史數據所發展形成的天氣因子與發電條件關聯庫50輸入該一場域的資訊,例如,天氣因子與發電條件關聯庫50接收到天氣因子61,此例顯示有紫外線指數、風速&風向、雲遮率,以及接收到天氣因子變化62,此
例顯示有對應於天氣因子61之紫外線指數變化速度、風速&風向變化、雲遮率變化速度,推測出這些天氣因子61以及其變化62對特定發電條件的影響。此例顯示,輸入該一場域之相關天氣因子及其因子變化資訊,可以透過天氣因子與發電條件關聯庫50推測得出天氣因子日照強度603之於該一場域的發電條件一601。
另一影響發電條件的天氣因子為氣溫/體感溫度604,目標場域60的電腦系統接收天氣因子63,此例顯示有氣溫、雲遮率,以及其與其它相關的天氣因子變化64,如氣溫變化、雲遮率變化速度等,應用天氣因子與發電條件關聯庫50,可以推測出該些天氣因子63與其變化64對特定發電條件的影響。如此例輸入該一場域的相關天氣因子及其因子變化,可以推測出該一目標場域60的天氣因子氣溫/體感溫度604之於太陽能光電板工作溫度發電條件二602。
經納入最近鄰場域(Xnearest)的天氣因子,並包括對其發電系統的發電影響,經天氣因子與發電條件關聯庫50作為目標場域60的一種虛擬感測器(Virtual Sensors)的作用(如同佈建感測裝置於監測場域),可以估測出沒有佈建感測裝置或是僅具有有限感測器的目標場域60的發電系統發電效能,甚至能根據估測結果預診斷發電系統的運作是否有異。此外,由於歷史的天氣因子資訊以及所估測而成為歷史的發電系統發電資訊的引入,可以最佳化發電系統的系統結構參數以及發電能源使用調度。
本發明發電系統效能估測方法之流程的實施例之一可參考圖7所示之流程圖。
在步驟S701中,為了識別出與目標場域(X)相近天氣型態的最近鄰場域(Xnearest),系統執行一天氣因子關聯性分析,關聯分析的天氣因子來源包括:並無佈建感測裝置(或僅佈建有限感測器)的目標場域(X)之預報與歷史的天氣因子71以及複數個近鄰場域(Xnear)之預報及歷史的天氣因子72;接著,如步驟S703,
能依照時間間隔取得最近鄰場域(Xnearest)之即時與歷史天氣資訊,以及如步驟S705,依照所定之時間間隔取得最近鄰場域(Xnearest)之歷史天氣資訊,包括納入此一最近鄰場域(Xnearest)的歷史發電條件感測資訊73。例如以5分鐘(並非用於限制本發明實施方式)為時間間隔取樣所擷取之最近鄰場域(Xnearest)的即時天氣資訊以及歷史天氣資訊。
之後,如步驟S707,建立最近鄰場域(Xnearest)天氣資訊與其自身的發電條件感測資訊之間的關係,進而推論出最近鄰場域(Xnearest)天氣資訊與其目標場域發電條件的關聯性;此時,輸入目標場域(X)的即時天氣資訊74,如紫外線指數、雲遮率、氣溫/體感溫度、風力與風向等,可以如步驟S709推論輸出目標場域(X)的發電系統估測發電量所需的發電條件,如太陽能光電板的工作日照強度、面板工作溫度等;更可以藉此預診斷是否現地端發電系統有異常狀況,或是透過所估測的現地端的天氣狀態,以及依據過去歷史的數據,評估是否可以在現地端佈建特定發電系統,例如新增風力發電機組。
在本發明揭露之發電系統效能估測方法實施例中,藉由施以一影響發電系統發電的近鄰場域的天氣因子資訊與其發電條件感測資訊融合分析,可即時估測目標場域(X)中影響發電系統發電效能的天氣因子,以供預測發電系統的發電量以及進一步地供預診斷發電系統的相關發電設備與監控設備之故障/異常與否。
是以,根據揭露書所載評估發電系統發電效能之天氣因子估測方法,提供在無需或有限佈建感測裝置的目標場域中,施以一影響該一/該些場域之發電系統發電的近鄰場域的天氣因子資訊及其近鄰場域之發電條件感測資訊之融合分析,可即時估測目標場域中影響發電系統發電效能的天氣因子,以供預測發電系統的發電量,例如可以預測太陽能電廠的光電板及其組串發電量,並可進一步地基於發電量供光電面板是否故障/異常之診斷服務,進而
提昇發電系統的可靠度、降低佈建環境感測裝置的成本、以及維護系統設備的人力與物力成本。
惟以上所述僅為本發明之較佳可行實施例,非因此即侷限本發明之專利範圍,故舉凡運用本發明說明書及圖示內容所為之等效結構變化,均同理包含於本發明之範圍內,合予陳明。
Claims (8)
- 一種發電系統效能估測方法,藉由一電腦系統實施,包括以下步驟:令該電腦系統接收一目標場域的至少一近鄰場域的一天氣資訊與一發電條件感測資訊,其中該至少一近鄰場域為與該目標場域氣候特徵相近的場域,該天氣資訊包括至少一天氣因子,該發電條件感測資訊包括至少一發電條件感測參數;令該電腦系統建立該至少一個近鄰場域的天氣資訊與該目標場域的至少一天氣因子的一第一關聯性模型;令該電腦系統接收該至少一近鄰場域的一發電系統的該至少一發電條件感測參數,建立該至少一近鄰場域的該天氣因子與該至少一近鄰場域的該發電系統的該至少一發電條件感測參數的一第二關聯性模型;以及令該電腦系統接收該目標場域的至少一天氣因子,並根據該目標場域的該至少一天氣因子、該第一關聯性模型及該第二關聯性模型,來估測該目標場域的至少一發電條件感測參數。
- 如請求項1所述的發電系統效能估測方法,更包括以下步驟:令該電腦系統根據該目標場域的至少一發電條件感測參數來估測該目標場域的一發電系統效能。
- 如請求項1所述的發電系統效能估測方法,其中該發電條件感測參數包括日照強度與太陽能面板表面溫度以上至少其一。
- 如請求項1所述的發電系統效能估測方法,其中該該發電條件感測參數包括影響一風力發電機組發電效能的風力強度。
- 如請求項1所述的發電系統效能估測方法,其中,該氣候特徵相近的場域包括地理位置相近或緯度相近的場域。
- 如請求項1所述的發電系統效能估測方法,其中該天氣因子包括日照強度、紫外線指數、氣溫/體感溫度、雲遮率、風速以及風向以上至少其一。
- 如請求項1所述的發電系統效能估測方法,其中,該目標場域的至少一天氣因子係由該電腦系統根據其至少一近鄰場域的天氣資訊與該第一關聯性模型計算決定。
- 如請求項1至7其中之一所述的發電系統效能估測方法,其中該電腦系統接收該目標場域的該至少一近鄰場域的該天氣資訊與該至少一發電條件感測參數,其中更包括以下步驟:令該電腦系統接收該最近鄰場域的一歷史天氣資訊以及一歷史發電條件感測參數紀錄,該歷史天氣資訊包括至少一天氣語意描述;以及令該電腦系統儲存該天氣語意描述與該天氣因子的一對應規則表,並根據該對應規則表、該歷史天氣資訊,以及該歷史發電條件感測參數的紀錄,建立該近鄰場域之該天氣因子與該發電條件感測參數之一第三關聯模型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW104137860A TWI642019B (zh) | 2015-11-17 | 2015-11-17 | 發電系統效能估測方法 |
US14/957,043 US20170140077A1 (en) | 2015-11-17 | 2015-12-02 | Method for assessing efficiency of power generation systems |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW104137860A TWI642019B (zh) | 2015-11-17 | 2015-11-17 | 發電系統效能估測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201719545A TW201719545A (zh) | 2017-06-01 |
TWI642019B true TWI642019B (zh) | 2018-11-21 |
Family
ID=58691090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW104137860A TWI642019B (zh) | 2015-11-17 | 2015-11-17 | 發電系統效能估測方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20170140077A1 (zh) |
TW (1) | TWI642019B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10839436B2 (en) * | 2017-02-15 | 2020-11-17 | Xendee Corporation | Cloud computing smart solar configurator |
CN109103926B (zh) * | 2018-08-14 | 2020-01-03 | 清华大学 | 基于多辐照特性年气象场景的光伏发电接纳能力计算方法 |
CN111507580B (zh) * | 2020-03-26 | 2023-04-18 | 广西电网有限责任公司电力科学研究院 | 城轨供电***能效提升评估指标体系和评价的方法 |
CN111767274B (zh) * | 2020-06-23 | 2024-06-28 | 阳光新能源开发股份有限公司 | 光伏电站发电时长计算方法和*** |
TWI759226B (zh) * | 2021-06-25 | 2022-03-21 | 友達光電股份有限公司 | 太陽能發電效能估測方法 |
CN116821626B (zh) * | 2023-07-10 | 2023-12-22 | 中国长江电力股份有限公司 | 一种水电站气象数据监测查询警报*** |
CN116663787B (zh) * | 2023-08-02 | 2023-10-13 | 北京东润环能科技股份有限公司 | 一种风光资源评估方法、装置、电子设备和存储介质 |
CN117913866B (zh) * | 2024-01-18 | 2024-06-07 | 中机智源科技有限公司 | 基于光伏发电的蓄能*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011029137A2 (en) * | 2009-09-09 | 2011-03-17 | La Trobe University | Method and system for energy management |
TW201205492A (en) * | 2010-03-19 | 2012-02-01 | Toshiba Kk | Electricity generation forecasting device and method thereof and recording medium |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE602004010281T2 (de) * | 2003-08-20 | 2008-10-02 | New Energy Options, Inc., Littleton | Verfahren und system zur vorhersage der solarenergieproduktion |
US7228235B2 (en) * | 2005-02-01 | 2007-06-05 | Windlogics, Inc. | System and method for enhanced measure-correlate-predict for a wind farm location |
US8295989B2 (en) * | 2009-02-03 | 2012-10-23 | ETM Electromatic, Inc. | Local power tracking for dynamic power management in weather-sensitive power systems |
US9229132B2 (en) * | 2011-07-05 | 2016-01-05 | International Business Machines Corporation | Meteorological parameter forecasting |
US8682585B1 (en) * | 2011-07-25 | 2014-03-25 | Clean Power Research, L.L.C. | Computer-implemented system and method for inferring operational specifications of a photovoltaic power generation system |
-
2015
- 2015-11-17 TW TW104137860A patent/TWI642019B/zh active
- 2015-12-02 US US14/957,043 patent/US20170140077A1/en not_active Abandoned
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011029137A2 (en) * | 2009-09-09 | 2011-03-17 | La Trobe University | Method and system for energy management |
TW201205492A (en) * | 2010-03-19 | 2012-02-01 | Toshiba Kk | Electricity generation forecasting device and method thereof and recording medium |
Also Published As
Publication number | Publication date |
---|---|
TW201719545A (zh) | 2017-06-01 |
US20170140077A1 (en) | 2017-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI642019B (zh) | 發電系統效能估測方法 | |
US7228235B2 (en) | System and method for enhanced measure-correlate-predict for a wind farm location | |
US8494774B2 (en) | Apparatus and method for providing environmental predictive indicators to emergency response managers | |
Pryor et al. | “Wind theft” from onshore wind turbine arrays: Sensitivity to wind farm parameterization and resolution | |
US20070031237A1 (en) | Method and apparatus for producing wind energy with reduced wind turbine noise | |
Jacobson et al. | Assessing the Wind Energy Potential in Bangladesh: Enabling Wind Energy Development with Data Products | |
KR102067110B1 (ko) | 높은 정확도를 가지는 기축 건물의 에너지 데이터 처리장치 및 방법 | |
US10770898B2 (en) | Methods and systems for energy use normalization and forecasting | |
KR20210011745A (ko) | 제로에너지 타운 구축을 위한 빅데이터 기반의 에너지 수요 및 공급 예측 시스템 그리고 방법 | |
Valsaraj et al. | Symbolic regression-based improved method for wind speed extrapolation from lower to higher altitudes for wind energy applications | |
Dalton et al. | Simulation and detection of wind power ramps and identification of their causative atmospheric circulation patterns | |
Weekes et al. | Low‐cost wind resource assessment for small‐scale turbine installations using site pre‐screening and short‐term wind measurements | |
Asiri et al. | Day-ahead prediction of distributed regional-scale photovoltaic power | |
Sgoff et al. | Assimilation of crowd‐sourced surface observations over Germany in a regional weather prediction system | |
Salfate et al. | Improving wind speed forecasts from the Weather Research and Forecasting model at a wind farm in the semiarid Coquimbo region in central Chile | |
KR20220146158A (ko) | 일사량 예측 장치 및 그 방법 | |
Barthelmie et al. | Challenges in predicting power output from offshore wind farms | |
CA3231095A1 (en) | Systems and methods for load forecasting for improved forecast results based on tuned weather data | |
TW201727590A (zh) | 動態洪氾預測與警示系統 | |
Najian et al. | Evaluating critical weather parameters using machine learning models | |
Ganesan et al. | Assessment of wind energy potential using topographical and meteorological data of a site in Central India (Bhopal) | |
Tambke et al. | Short-term forecasting of offshore wind farm production–developments of the Anemos project | |
Roshan et al. | Effects of climate change on wind energy production in Iran | |
Tsafarakis et al. | A density‐based time‐series data analysis methodology for shadow detection in rooftop photovoltaic systems | |
Veronesi et al. | Generation and validation of spatial distribution of hourly wind speed time-series using machine learning |