WO2020148813A1 - 異常要因診断装置及びその方法、並びに異常要因診断システム - Google Patents
異常要因診断装置及びその方法、並びに異常要因診断システム Download PDFInfo
- Publication number
- WO2020148813A1 WO2020148813A1 PCT/JP2019/000972 JP2019000972W WO2020148813A1 WO 2020148813 A1 WO2020148813 A1 WO 2020148813A1 JP 2019000972 W JP2019000972 W JP 2019000972W WO 2020148813 A1 WO2020148813 A1 WO 2020148813A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- unit
- measurement data
- data
- abnormality factor
- distribution
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 20
- 230000002547 anomalous effect Effects 0.000 title abstract description 8
- 238000005259 measurement Methods 0.000 claims abstract description 168
- 238000009826 distribution Methods 0.000 claims abstract description 146
- 238000011156 evaluation Methods 0.000 claims abstract description 99
- 238000005315 distribution function Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000004088 simulation Methods 0.000 claims description 106
- 230000005856 abnormality Effects 0.000 claims description 104
- 238000012937 correction Methods 0.000 claims description 78
- 238000010248 power generation Methods 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 38
- 230000002159 abnormal effect Effects 0.000 claims description 34
- 238000003745 diagnosis Methods 0.000 claims description 31
- 230000005855 radiation Effects 0.000 claims description 20
- 238000000926 separation method Methods 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims 1
- 238000006884 silylation reaction Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 91
- 230000006870 function Effects 0.000 description 43
- 238000003860 storage Methods 0.000 description 20
- 238000012549 training Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 11
- 230000010354 integration Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000007423 decrease Effects 0.000 description 5
- 238000012790 confirmation Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 101000572983 Rattus norvegicus POU domain, class 3, transcription factor 1 Proteins 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- 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
Definitions
- the embodiment of the present invention relates to an abnormality factor diagnosis device and method, and an abnormality factor diagnosis system.
- the power generation amount may be lower than the initially expected amount due to factors such as grass shadows, building shadows, and array pollution.
- the embodiments of the present invention provide an abnormality factor diagnosis device and method for a photovoltaic power generation system that enables identification of an abnormality factor of a power generation device, and an abnormality factor diagnosis system.
- An abnormality factor diagnosis device as an embodiment of the present invention is configured such that, based on abnormality factor occurrence data that specifies a first time when an abnormality factor of a power generation device has occurred, a first data corresponding to the first time in measurement data of the power generation device.
- a specifying unit that specifies measurement data; a distribution generating unit that calculates a first distribution function that represents a distribution of feature values of the first measurement data based on the first measurement data; the first distribution function;
- An evaluation unit that calculates an evaluation value of the possibility of occurrence of the abnormality factor in the power generation device based on measurement data of a test target of the device.
- FIG. 3 is a block diagram of an abnormality factor diagnosis device.
- movement of a score calculation part The figure for demonstrating the specific example of operation
- FIG. 6 is a flowchart of the operation of the measurement data acquisition unit and the feature distribution generation unit according to the first embodiment. 6 is a flowchart of operations of a score calculation unit, an evaluation value calculation unit, and an output unit according to the first embodiment.
- FIG. 6 is a block diagram of an abnormality factor diagnosis device according to a second embodiment. The figure which shows the example of the abnormal factor generation data for simulations in abnormal factor generation DB. An example of associating actual measurement data with simulation data.
- An example in which a plurality of user interface screens are put together is shown.
- 9 is a flowchart of processing related to a correction function generation unit, a correction unit, and an integration unit according to the second embodiment.
- 9 is a flowchart of another example of processing related to the correction function generation unit, the correction unit, and the integration unit according to the second embodiment.
- FIG. 1 shows an overall configuration of an abnormality factor diagnosis system including an abnormality factor diagnosis device and a photovoltaic power generation system according to the first embodiment.
- the solar power generation system includes a plurality of basic units including a power generation device 11 and a PCS (power conditioner system) 12.
- the figure shows the case where one or more basic units are present.
- the PCS 12 of each basic unit is described as PCS-01, PCS-02, PCS-03.
- the power generation device 11 includes one or more strings in which one or more PV panels PN are connected in series.
- the power generation device 11 of the first basic unit includes two strings ST01 and ST01. The number of strings provided in the power generation device 11 of each basic unit may be different.
- the PCS 12 of each basic unit controls one or more strings in the power generation device 11 connected to the PCS 12.
- Each PCS 12 includes a connection device 21, a DC/DC converter 22, an AC/DC converter 23, and a measuring device 24.
- a pyranometer 25 is connected to the measuring device 24 of each PCS 12.
- the measuring device 24 of each PCS 12 is commonly connected to the abnormality factor diagnosing device 101.
- connection device 21 of each PCS 12 is connected to one or a plurality of strings in the power generation device 11, and aggregates the generated power of these strings.
- the AC/DC converter 23 converts the power collected by the connection device 21 into AC power and outputs the AC power to the power system 26.
- the AC/DC converter 23 may output the integrated electric power to a load device that operates on AC power instead of the electric power system 26.
- the DC/DC converter 22 may transform (step up or step down) the electric power collected by the connection device 21 and output the transformed electric power to a power storage device or a load device (not shown).
- the method of using the electric power collected by the connection device 21 is not limited to these.
- the measuring device 24 measures electric power, voltage, current, etc. collected by the connection device 21. In addition, the measuring device 24 may measure temperature or humidity.
- the pyranometer 25 measures the amount of solar radiation.
- the scale of the solar power generation system according to this embodiment does not matter.
- a power generation system having 1000 or more PV panels and having a scale of several 100 kW or more is also a target of the present embodiment.
- FIG. 2 is a block diagram of the abnormality factor diagnosis device 101.
- the abnormality factor diagnosis device 101 includes a measurement data acquisition unit 110, a measurement database (DB) 111, a specification unit 112, a feature distribution generation unit 113, a score calculation unit 114, an evaluation value calculation unit 115, an abnormality factor occurrence DB 116, an evaluation DB 117, and an output.
- the unit 118 is provided.
- the set of the score calculation unit 114 and the evaluation value calculation unit 115 corresponds to the evaluation unit 119.
- An input device 121 and a display device 131 are connected to the abnormality factor diagnosis device 101.
- the input device 121 is a device such as a keyboard, a mouse, or a touch pad for a user to input data or instructions.
- the display device 131 is a device for displaying the data generated by the device 101 or the data stored in each DB included in the device 101.
- the display device 153 is, for example, a liquid crystal display device, an organic EL display device, a CRT display device, or the like.
- the measurement data acquisition unit 110 receives time-series measurement data transmitted from each PCS continuously or intermittently.
- the measurement data includes, for example, measurement time, solar radiation amount, temperature, PCS_ID (PCS identifier), DC voltage, DC current, and DC power (power generation amount).
- PCS_ID is an ID given to each PCS (or basic unit).
- the measurement data acquisition unit 110 stores the received measurement data in the measurement DB 111.
- the measurement DB 11 manages data in a tabular format.
- the measurement interval of each PCS is set in advance and is, for example, 1 minute or 60 minutes.
- FIG. 3 shows an example of the measurement DB 111.
- the measurement DB 111 stores data such as measurement time, amount of solar radiation, temperature, PCS_ID (PCS identifier), DC voltage, DC current, DC power, and the like.
- the measurement data is stored at 1-minute intervals.
- the abnormal factor occurrence DB 116 associates the measurement data accumulated in the measurement DB 111 with a label indicating whether or not an abnormal factor has occurred, and stores it as abnormal factor occurrence data.
- the abnormality factor occurrence data is data that specifies the time when the abnormality factor occurred.
- the label may be set for all measurement data, or may be set only for measurement data of a specific PCS_ID or a specific time zone (for example, an evaluation time zone described later). For example, the user (worker) confirms in advance the presence or absence of an abnormal factor at the site where the photovoltaic power generator is installed, and sets the label of each measurement data based on the confirmed result.
- the label may be set by the user using the input device 121, or the label may be set by an external device such as a PC (personal computer), a server or a tablet terminal, and the set label data may be sent from the external device. You may install it.
- Examples of anomalous factors include a shadow (eg, a shadow of a tall tree, a grass shadow) on the PV panel, or stain of the PV panel (array stain). Any of the abnormal factors causes a decrease in power generation.
- FIG. 4 shows an example of the abnormal factor occurrence DB 116.
- a label indicating the presence or absence of a rod-shaped shadow and a label indicating the presence or absence of array contamination are set for each time.
- “Yes” means that there is an abnormality
- "absence” means that there is no abnormality.
- the label may be set not for the entire time of the day but for a time zone (evaluation time zone) to be evaluated in one day, and may be set only for the evaluation time zone (see FIG. 13 described later).
- An example of the evaluation time zone is a time zone in which power generation is expected (for example, 8:00 to 17:00, 10:00 to 16:00, etc.). In the following description, it is assumed that a label is set for the evaluation time zone.
- the time at which an abnormal factor has occurred corresponds to the first time in this embodiment, and the time at which no abnormal factor has occurred corresponds to the second time in this embodiment.
- the identifying unit 112 acquires, as training data, the measurement data in the evaluation time period out of the measurement data stored in the measurement DB 111. Further, the identifying unit 112 acquires the abnormality factor occurrence data stored in the abnormality factor occurrence DB 116. The identifying unit 112 and the feature distribution generating unit 113 perform the subsequent processing for each PCS and each abnormality factor.
- the identifying unit 112 sets measurement data having a label with abnormality (hereinafter referred to as positive example data) and measurement data having a label having no abnormality (hereinafter referred to as “measurement data”).
- Negative example data is specified and grouped into a group of positive example data and a group of negative example data.
- a group to which the positive example data belongs is called a positive example group, and a group to which the negative example data belongs is called a negative example group.
- the positive example data corresponds to the first measurement data according to the present embodiment.
- the negative example data corresponds to the second measurement data according to the present embodiment.
- the feature distribution generation unit 113 based on the measurement data (first measurement data) belonging to the evaluation time zone of each day belonging to the positive group, calculates the distribution function (first distribution function) that represents the distribution of the feature values of the measurement data. calculate.
- the characteristic distribution generation unit 113 calculates a characteristic value as an index for evaluating the generated power at each time, based on the measurement data belonging to the evaluation time zone of each day belonging to the positive example group.
- one characteristic value is obtained from one measurement data. For example, a value obtained by dividing (DC power/solar radiation) by the maximum value of (DC power/solar radiation) can be used. The calculation formula of the feature value in this case is shown below.
- (Maximum value of (DC power/solar radiation)” is from each measurement data (DC power/solar radiation) for all measurement data (positive example group and negative example group) in the evaluation time period acquired from measurement DB 111 Is the maximum value of the calculated (DC power/solar radiation). Therefore, the characteristic value is a value in the range of 0 or more and 1 or less.
- time-series data (hereinafter referred to as feature time-series data) in which feature values are arranged in time series in the evaluation time zone.
- the characteristic distribution generation unit 113 also arranges the characteristic values in the evaluation time zone for each day in time series and generates characteristic time series data for the negative example group in the same manner as the positive example group.
- FIG. 5 shows a waveform graph of the characteristic time series data obtained for each day for each of the positive example group and the negative example group.
- the horizontal axis represents time, and the vertical axis represents feature value.
- the waveform of the solid line shows the characteristic time series data of the positive example (with abnormality).
- the waveform of the broken line shows the characteristic time series data of the negative example (no abnormality).
- These characteristic time series data are of the same PCS. Note that the negative characteristic time series data starts at 9:00 and the positive characteristic time series data starts at 10:00, but this is just the case and is not limited to this.
- the feature distribution generation unit 113 calculates a distribution function (feature distribution) of feature values for each unit time zone belonging to the evaluation time zone for each of the positive example group and the negative example group.
- the evaluation time zone is 9:00 to 17:00, and the length of the unit time zone is 1 hour. In this case, it is characteristic for the time zone (unit time zone) of 9:00 to 10:00, 10:00 to 11:00, 11:00 to 12:00,... 16:00 to 17:00.
- a specific example of the feature distribution is a normal distribution which is a probability distribution. In this case, for example, an average and a variance may be obtained for each unit of time for each group, and this may be used as a parameter of normal distribution.
- the probability distribution does not need to be a normal distribution, and may be another type of probability distribution.
- FIG. 6 shows an example of calculating the feature distribution in the time zone of 11:00 to 12:00.
- the same figure as FIG. 5 is shown on the upper side of FIG.
- the value of each characteristic time series data of the positive example and the value of each characteristic time series data of the negative example are specified. These values correspond to the intersection of the graph of each time series data and the vertical line perpendicular to the time axis at 11:00.
- the lower side of FIG. 7 shows an example in which the values of the intersections are expanded and plotted on the axis having the horizontal axis as the characteristic value.
- the value of the positive example is shown by a white circle
- the value of the negative example is shown by a hatched circle.
- a probability distribution approximating the point cloud of the positive example and a probability distribution approximating the point cloud of the negative example are respectively calculated.
- a normal distribution is obtained as the probability distribution.
- This is the probability distribution (first distribution function) of the positive example in the time zone of 11:00 to 12:00.
- This distribution f 11 (x) is shown by the solid line at the bottom of FIG.
- the plot points of the positive example are arranged in this distribution f 11 (x).
- the feature value at time 11:00 is used (this assumes that there is little change in the feature value within one hour, for example). If so, the amount of calculation is small and effective).
- a feature value is selected by sampling from all feature values belonging to the time zone of 11:00 to 12:00, and the probability distribution in the time zone of 11:00 to 12:00 is calculated using the selected feature value. Is also possible.
- Probability distribution is calculated in the same way for time zones other than 11:00 to 12:00.
- the unit time period is 1 hour here, but it is not limited to this and may be 10 minutes, 30 minutes, or 2 hours. Further, the unit time zone may match the measurement data acquisition interval time. In this case, the probability distribution (feature distribution) is calculated for each time of the measurement data (for example, for each one-minute interval).
- a training phase up to the process of generating the feature distribution for each unit time zone for each group of positive and negative examples is called a training phase.
- the presence/absence of an abnormal factor is diagnosed by using the characteristic distribution generated by the training and the measurement data of the day when the presence/absence of the abnormal factor is unknown.
- This phase is called the test phase. The test phase will be described below.
- the score calculation unit 114 uses the feature distributions of the positive and negative examples for each unit time zone generated by the feature distribution generation unit 113 to score the measurement data of each day to be tested.
- the measurement data of each day to be tested is different from the measurement data used to generate the feature distribution, and is the measurement data of the day for which no label is set in the abnormality factor occurrence DB. The details of scoring will be described below.
- the score calculation unit 114 checks, for each unit time zone in the evaluation time zone, whether or not the pair of positive and negative example feature distributions satisfies the distribution separation condition.
- the separation condition includes the first requirement and the second requirement.
- the score calculation unit 114 selects, as a score calculation time zone, a unit time zone in which the set satisfies both requirements. The operation of the score calculation unit 114 will be described with reference to FIGS. 7 and 8.
- FIG. 7 and 8 are diagrams for explaining a specific example of the operation of the score calculation unit 114. For each unit time zone belonging to the evaluation time zone, it is examined whether the first and second requirements are satisfied.
- the first requirement is that both positive and negative characteristic distributions have been generated for the target unit time zone. If at least one of the feature distributions is not generated, the unit time zone does not satisfy the first requirement.
- the example on the upper side of FIG. 7 shows a negative example feature distribution f′′ 09 (x) in the unit time zone of 9:00 to 10:00.
- the second requirement is that the positive and negative characteristic distributions are separated for the target unit time zone. When these feature distributions are close to each other, the second requirement is not satisfied.
- the determination as to whether the positive example feature distribution and the negative example feature distribution are separate is performed as follows.
- the upper n% points (eg, 0.1) of the positive example feature distribution are set as the upper n% points of the positive examples, and the lower n% points of the negative feature distribution are set as the lower n% points of the negative examples. If neither the peak (mountain) of the characteristic distribution of the positive example nor the peak (mountain) of the characteristic distribution of the negative example belongs to the section of the upper n% points of the positive example and the lower n% point of the negative example, the second requirement is It is filled. If at least one peak of the feature distribution belongs to this section, the second requirement is not satisfied.
- the value of the% point is n for both the positive feature distribution and the negative feature distribution, but the% point values may be different from each other.
- the example on the lower side of FIG. 7 shows a positive example feature distribution f 10 (x) and a negative example feature distribution f′′ 10 (x) in the unit time zone of 10:00 to 11:00.
- a positive example upper n% points of feature distribution f 10 (x), the section SC1 and negative examples lower n% point of a negative example feature distribution f "10 of (x) are shown.
- the peak P1 of f′′ 10 (x) of the negative characteristic distribution belongs to the section SC1. Therefore, this unit time period does not satisfy the second requirement.
- the example on the upper side of FIG. 8 shows a positive example feature distribution f 11 (x) and a negative example feature distribution f′′ 11 (x) in the unit time zone of 11:00 to 12:00.
- a positive example upper n% point of the distribution f 11 (x) the section SC2 of the negative examples lower n% points of feature distribution f "11 of the negative sample (x) are shown. None of the peaks of the characteristic distribution on the positive side and the characteristic distribution of the negative example belong to the section SC2. Therefore, this unit time zone satisfies the second requirement. In addition, since the two feature distributions are generated, the first requirement is also satisfied. Therefore, this unit time zone is selected as the score calculation time zone.
- the example on the lower side of FIG. 8 shows a positive example feature distribution f 12 (x) and a negative example feature distribution f′′ 12 (x) in the unit time zone of 12:00 to 13:00.
- a positive example upper n% points of feature distribution f 12 (x), sections SC3 and negative examples lower n% point of a negative example feature distribution f "12 of (x) are shown. None of the peaks of the positive side characteristic distribution and the negative example characteristic distribution belong to the section SC3. Therefore, this unit time zone satisfies the second requirement. In addition, since the two feature distributions are generated, the first requirement is also satisfied. Therefore, this unit time zone is selected as the score calculation time zone.
- a unit time period that satisfies both requirements is selected as the score calculation time period.
- the positive example feature distribution is located on the lower side (left side along the paper surface) of the feature value than the negative example feature distribution, but depending on the definition of the feature value, It may be.
- the lower n% point (for example, 0.1) of the positive example feature distribution is the lower n% point of the positive example
- the upper n% point of the negative feature distribution is the higher n% point of the negative example.
- the score calculation unit 114 calculates a score according to the feature value for the score calculation time zone selected from a plurality of unit time zones belonging to the evaluation time zone. The method of calculating the score will be described below.
- FIG. 9 is a diagram for explaining a calculation example of scores in a certain score calculation time zone.
- the figure schematically shows a positive example feature distribution f Hr (x) in the calculation target time zone.
- x is an input variable representing a feature value.
- Hr is a value indicating the calculation target time zone.
- the feature value x tst of the measurement data of the test target in the calculation target time zone is divided by the maximum value (max(f Hr (x)) of the positive example feature distribution in the calculation target time zone.
- the calculation formula for the score scr in the time zone Hr is as follows: In this example, the larger the feature value in each calculation target time zone, the larger the score, but according to the definition of the feature value. The relationship between the feature value and the score may change.
- the score calculation condition may be introduced, and the score calculation unit 114 may calculate the score by the formula (2) when the score calculation condition is satisfied, and may uniformly set the score to zero when the score calculation condition is not satisfied.
- the score calculation time zone calculate what percentage point of the characteristic value of the measurement data of the test target corresponds to the characteristic distribution of the negative example in the score calculation time zone.
- the calculated% points are compared with the reference points (n% points) on the positive characteristic distribution side of the upper and lower sides of the negative example characteristic distribution. If the calculated point is located closer to the feature distribution of the positive example than the reference point, the score calculation condition is satisfied. In this case, the score is calculated by the formula (2). On the other hand, if the calculated point is located on the negative characteristic distribution side of the reference point, the score calculation condition is not satisfied. In this case, the score is zero.
- FIG. 10 is a diagram for explaining a specific example of the score calculation condition.
- the characteristic value of the measurement target measurement data in a certain calculation target time zone is x tst_1 and x tst_2 .
- x tst — 1 is located on the side of the negative example feature distribution with respect to the lower n% points (reference points) of the negative example feature distribution. That is, xtst_1 is larger than the reference point. Therefore, the score calculation condition is not satisfied. Therefore, the score of this calculation target time period is set to zero.
- x tst — 2 is located on the positive feature distribution side with respect to the lower n% points (reference points) of the negative feature distribution. That is, x tst — 2 is smaller than the reference point. Therefore, the score calculation condition is satisfied.
- the score in the calculation target time zone is calculated by the formula (2).
- the score calculation unit 114 After calculating the score for each score calculation time period, the score calculation unit 114 generates an abnormality factor vector V (hereinafter, vector V) including the score for each score calculation time period.
- vector V an abnormality factor vector
- the definition formula of the vector V is shown below.
- the score calculation unit 114 generates a vector V for each day to be tested.
- V (scr T1 , scr T2 ,..., Scr Ti ) (3)
- scr T1 is the score of the score calculation time zone T1
- scr T2 is the score of the score calculation time zone T2
- scr Ti is the score of the score calculation time zone Ti.
- the score calculation time zones are T1, T2,. . . , Ti.
- T1 is a time period from 11:00 to 12:00
- T2 is a time period from 12:00 to 13:00.
- the evaluation value calculation unit 115 uses the vector V for each day generated by the score calculation unit 114 to calculate the evaluation value E of the possibility of occurrence of an abnormal factor for each day.
- the evaluation value E is an average value of the scores included in the vector V, for example.
- the definition formula of the score in this case is shown below.
- Tavail represents a set of calculation target time zones.
- N(T avail ) represents the number of elements included in T avail .
- Ti represents the i-th element included in Tavail .
- the numerator of Expression (4) represents the sum of the scores of the elements (calculation target time zones) included in the set T avail .
- the evaluation value E ranges from 0 to 1 inclusive. The closer the evaluation value E is to 1, the higher the possibility that an abnormal factor will occur. Instead of the average, the median value, the maximum value, or the minimum value may be used as the evaluation value E.
- the evaluation value E may be a value obtained by weighting and averaging the elements included in the vector.
- the evaluation value calculation unit 115 stores, in the evaluation DB 117, result data in which the evaluation value E, PCS_ID (PCS identifier), and date are set as one set.
- the output unit 118 generates output information for display based on the result data stored in the evaluation value calculation unit 115 and outputs it to the display device 131.
- the display device 131 displays the output information input from the output unit 118 on the screen.
- the output unit 118 sorts the result data stored in the evaluation value calculation unit 115 in descending order of the evaluation values, and outputs the evaluation table including the sorted result data to the display device 131.
- the output unit 118 may compare the evaluation value of each result data with a preset threshold value and set a determination label according to the comparison result in the result data. Specifically, if the evaluation value is greater than or equal to the threshold value, it is determined that an abnormality factor is likely to occur, and a determination label of "abnormality” or “needs confirmation” is set in the result data. If the evaluation value is less than the threshold value, it is considered unlikely that an abnormality factor has occurred and a judgment label of “no abnormality” or “good” is set in the result data.
- the threshold may be different for each type of abnormality factor.
- the output unit 118 may output an evaluation table in which the set determination label is associated with the result data to the display device 131.
- FIG. 11 and 12 show display examples of the screen of the display device 131.
- FIG. 11 shows an example of an evaluation table when the abnormal factor is a rod-shaped shadow
- FIG. 12 shows an example of an evaluation table when the abnormal factor is an array stain.
- the evaluation value is equal to or higher than the threshold value (0.7 in this case), so that the judgment label of “confirmation required” is set. Since the evaluation values of the tenth and subsequent result data are less than the threshold value, a “good” determination label is set.
- the judgment label of “confirmation required” is set. Since the evaluation values of the sixth and subsequent result data are less than the threshold value, a “good” determination label is set.
- the user can use, for example, the table in FIG. 11 as knowledge for determining whether or not a rod-shaped shadow has occurred. For example, the user judges from the table in FIG. 11 that PCS_01 is highly likely to have a stick-like shadow, and when the worker is dispatched to the site, make necessary preparations in advance to remove the stick-like shadow. You can Similarly, the table of FIG. 12 can be used as knowledge for determining whether or not array contamination has occurred.
- the user may specify the training phase condition (training condition) and the test phase condition (test condition), and the processing of the training phase and the test phase may be performed according to the condition specified by the user.
- FIG. 13 shows an example of a user interface screen on which the user specifies conditions. This device displays this screen on the display device 131, and the user inputs conditions from the input device 121.
- a threshold value of solar radiation (0.7 in the example in the figure) may be specified.
- the measurement data of the day on which the amount of solar radiation is equal to or larger than the threshold (corresponding to a sunny day if the threshold is high to some extent) is used as the training data.
- the period of measurement data used as training data may be designated as the training target period (July 1, 2018 to August 31, 2018 in the example in the figure).
- a range of south-middle altitude used as training data may be designated (44 to 54 degrees in the example in the figure).
- the correspondence data between the time and the south and middle altitudes are stored in the DB in advance. It may be acquired by receiving the corresponding data from an external server.
- the training conditions may include items other than those mentioned here. For example, a range of power generation amount (power value) may be designated, and only the measurement data belonging to the designated range of power generation amount may be used as training data.
- test target period of the measurement data to be tested (July 1, 2019 to July 31, 2019 in the example in the figure).
- the test period may be specified in a yearly format. For example, “the period from July 1st to August 31st every year” may be designated.
- the unit time interval 60 minutes in the example in the figure
- the evaluation time zone (10:00 to 16:00 in the example in the figure)
- FIG. 14 is a flowchart of an example of operations of the measurement data acquisition unit 110, the identification unit 112, and the feature distribution generation unit 113 according to this embodiment. This flowchart mainly shows the processing relating to the training phase.
- the measurement data acquisition unit 110 acquires measurement data from each PCS and stores it in the measurement DB 111.
- a label indicating the presence or absence of an abnormal factor occurrence for each PCS is stored in the abnormal factor occurrence DB 116 for each abnormal factor at each time.
- the user inputs instruction data for starting this processing, and this processing is started according to the input instruction data.
- step S101 the apparatus may display a user interface screen on the display device 131 to allow the user to set the training phase condition (training condition) and the test phase condition (test condition).
- This step may be omitted. In that case, the following processing is performed according to the training condition and the test condition determined in advance.
- the identifying unit 112 and the feature distribution generating unit 113 perform the following processing for each abnormality factor for each PCS.
- the identifying unit 112 reads the measurement data in the evaluation time zone from the measurement DB 111, and sets the label of the presence or absence of the abnormality factor in the read measurement data by using the abnormality factor occurrence DB 116.
- the measurement data are classified into positive example groups and negative example groups according to the values of the labels.
- the measurement data with the label with abnormality is classified into the positive example group, and the measurement data with the label without abnormality is classified into the negative example group.
- step S103 the feature distribution generation unit 113 calculates the feature value of the measurement data for the positive example group and generates time series data (feature time series data) in which the feature values are arranged in time series for each day. Similarly, for the negative example group, characteristic time series data is generated for each day.
- the feature distribution generation unit 113 generates a probability distribution of feature values (feature distribution of positive example) for each unit time zone in the evaluation time zone based on the feature time series data of a plurality of days in the positive case group. To do. Similarly, for the negative example group, a probability distribution of feature values (a negative example feature distribution) is generated for each unit time zone in the evaluation time zone.
- the feature distribution generation unit 113 sends the generated positive and negative example feature distributions to the score calculation unit 114.
- the feature distribution generation unit 113 may store the generated positive example and negative example characteristic distributions in a storage device that can be read by the score calculation unit 114.
- the score calculation unit 114 may read the characteristic distributions of the positive example and the negative example from the storage device.
- FIG. 15 is a flowchart of an example of operations of the score calculation unit 114, the evaluation value calculation unit 115, and the output unit 118 according to this embodiment. This flowchart mainly shows the processing relating to the test phase.
- the process of FIG. 15 may be performed continuously with the process of FIG. 14, or may be performed at a timing independent of the process of FIG.
- the user may individually control the timing of performing the process of FIG. 14 and the timing of performing the process of FIG.
- the subsequent processing is performed for each PCS for each type of abnormality factor.
- step S201 the score calculation unit 114 determines, for each unit time zone included in the evaluation time zone, whether or not a predetermined separation condition is satisfied using the positive example feature distribution and the negative example feature distribution. ..
- a predetermined separation condition is satisfied using the positive example feature distribution and the negative example feature distribution.
- the characteristic distribution of the positive example and the characteristic distribution of the negative example those corresponding to the type of the corresponding PCS and the corresponding abnormality factor are used. The details of the separation conditions are as described above.
- step S202 when the separation condition is satisfied, it is determined that the positive example feature distribution and the negative example feature distribution are sufficiently separated, and the unit time zone is selected as the score calculation time zone. If the separation condition is not satisfied in step S203, it is determined that the feature distribution of the positive example and the feature distribution of the negative example have a large overlap, and the unit time period is not selected as the score calculation time period.
- step S204 the score calculation unit 114 determines whether the score calculation condition is satisfied for each score calculation time zone selected in step S202 based on the measurement data of the test target of the corresponding PCS.
- the details of the score calculation conditions are as described above.
- step S205 when the score calculation condition is satisfied, the score calculation unit 114 calculates the characteristic value of the test target measurement data in the score calculation time zone (for example, the measurement data at the start time of the score calculation time zone). Then, the calculated feature value is divided by the maximum value of the feature distribution of the positive example in the score calculation time zone. The value (divided value) obtained by the division is used as the score.
- step S206 the score calculation unit 114 determines that the measurement data is close to the negative feature distribution, and sets the score in the score calculation time zone to zero.
- the measurement data of the start time of the score calculation time zone is used to calculate the score, but one measurement data is selected from the plurality of measurement data belonging to the score calculation time zone, and the selected measurement is performed. Data may be used. Further, in the above-described example, one measurement data is used to calculate the score, but a plurality of measurement data belonging to the score calculation time zone may be used as the test target. In this case, for example, steps S205 and S206 are performed for each measurement data. Then, the average or median of the values (divided value or zero) obtained for these measurement data, the maximum value, etc. may be calculated, and the calculated value may be used as the score.
- the score may be calculated by methods other than those described here.
- step S207 the score calculation unit 114 generates a vector V including the score in each score calculation time period for each test target day.
- the evaluation value calculation unit 115 calculates the evaluation value E of the possibility of occurrence of an abnormal factor based on the vector V.
- the evaluation value E is calculated by calculating the average of the elements included in the vector V.
- the median value, the maximum value, or the minimum value may be used as the evaluation value E.
- the evaluation value E may be a value obtained by weighting and averaging the elements included in the vector.
- step S209 the evaluation value calculation unit 115 generates result data including the ID of the PCS, the date, and the evaluation value of the possibility of occurrence of an abnormal factor, and stores the result data in the evaluation DB 117.
- the evaluation DB 117 stores the result data regarding each PCS in a table format for each type of abnormality factor.
- the output unit 118 sorts the result data in the evaluation DB 117 in descending order of the evaluation value and generates output information for display.
- the output information is generated for each type of abnormality factor, for example.
- the output unit 118 outputs the generated output information to the display device 131.
- the display device 131 displays the output information.
- the output unit 118 may set the determination label on the result data depending on whether the evaluation value of the result data is greater than or equal to the threshold value. Then, output information in which the determination label is associated with the result data may be generated. By displaying this output information, the user can use the judgment label as a guide for judging whether or not an abnormality factor has occurred in each PCS.
- the characteristic distributions of the positive example and the negative example are learned by using the actual measurement data (actual measurement data) and the data of whether or not the abnormality actually measured (abnormality factor occurrence DB 116).
- the frequency of occurrence of abnormality is low, and in this case, the characteristic time series data of the positive example may not be obtained.
- PVSystem is known as an example of a simulation tool.
- atmospheric shading factors such as weather and smog.
- a light-shielding object on a plane whose light-shielding rate is set to 0 to 100%, a rod-shaped object, or the like can be installed in the simulation space, and the effect thereof can be simulated.
- the amount of solar radiation decreases due to atmospheric or sky conditions such as clouds or rain, or if the panel is installed in an uneven place, the amount of power generated in the simulation will be the actual value, including the effects of transmission loss due to wiring. In some cases, the difference between the two becomes large.
- the error may correspond to a rate larger than the rate at which the power generation amount decreases due to the occurrence of an abnormal factor. Therefore, it is desirable to calibrate so that the deviation between the simulation data and the actual value becomes small.
- FIG. 16 shows a block diagram of the abnormality factor diagnosing device according to the second embodiment. Elements that are the same as or correspond to those in the block diagram of FIG. 2 are assigned the same reference numerals, and descriptions thereof are omitted except for modified or expanded processing.
- the abnormality factor diagnosis device 101 of FIG. 16 includes a simulation DB 141, a correction function generation unit 142, a correction unit 143, an integration unit 144, and an integration DB 145 in addition to the elements of FIG.
- the set of the correction function generation unit 142 and the correction unit 143 corresponds to the correction processing unit 146.
- the simulation DB 141 stores simulation data generated by simulating the power generation amount of each PCS in advance. As an example, the simulation DB 141 stores one-day simulation data of each PCS on each date. A simulation execution unit that executes a simulation may be added to the abnormality factor diagnosis device in FIG.
- the simulation DB 141 stores, as simulation data (hereinafter, referred to as first simulation data), estimation data of measurement values at the same date and the same time as the measurement data.
- first simulation data simulation data
- estimation data of measurement values at the same date and the same time at least the first simulation data for the same date and the same time as the measurement data (negative example data) in which no cause of abnormality has occurred are stored.
- the first simulation data for the same date and the same time as the measurement data (the data of the positive example) in which an abnormality factor occurs may be stored.
- the measurement DB 111 stores other positive and negative simulation data (hereinafter, referred to as second simulation data) when the power generation amount is simulated by variously changing the date and time, the time zone, the failure factor, and the like. ..
- the second simulation data may not have a time item, or may have an arbitrary time.
- the arbitrary time may be a time in the future or a time in the past relative to the time of the measurement data, or may be a virtual time (as long as the second simulation data can be distinguished).
- the time when the abnormality factor occurs in the simulation corresponds to the third time according to the present embodiment.
- the second example simulation data of the positive example can be utilized when generating the characteristic distribution of the positive example when the measurement data of the positive example does not exist or is small as an example.
- the first simulation data does not have to include the time item as long as it is associated with the measurement data at the same time.
- the items of the first and second simulation data may be the same as the measurement data of FIG. 3 of the first embodiment, some items (voltage, current, etc.) may be omitted, and there are additional items. May be.
- description will be made assuming that there is one type of abnormality factor (for example, rod-shaped shadow or array stain), but if there are two or more types, each type of abnormality factor is the same as in the first embodiment. Can be processed independently.
- the abnormal factor occurrence DB 116 stores a flag indicating the presence or absence of an abnormal factor at least for each day or each time when the second simulation data is generated, in association with the PCS_ID and the date or time. Whether or not there is an abnormal factor on each day or each time is determined at the time of simulation.
- the flag is set on a daily basis or on a time basis, but the flag may be set on an evaluation time zone basis or a unit time zone basis.
- FIG. 17 shows an example of the abnormal factor occurrence DB 116.
- a flag indicating the presence/absence of an abnormality factor with respect to the time (arbitrary time) of the second simulation data is stored.
- the arbitrary time is represented by STP00001, STP00002, or the like.
- the item of time may not be provided as long as it is associated with the second simulation data.
- the abnormal factor occurrence DB 116 also stores abnormal factor occurrence data (see FIG. 4) for the actual measurement data.
- the correction function generation unit 142 generates, for each PCS, a correction function for correcting the value of the simulation data based on the actual measurement data of the negative example (no abnormality) and the first simulation data of the negative example (no abnormality). To do.
- generation of the correction function will be described in detail.
- the correction function generation unit 142 associates the actual measurement data (measurement data) of the negative example at the same time with the first simulation data of the negative example, and generates a set of these data at the same time.
- FIG. 18 shows an example in which actual measurement data and first simulation data are associated with each other.
- the upper left of FIG. 18 is a diagram schematically illustrating an example in which measurement data is plotted in a coordinate system in which the horizontal axis represents time and the vertical axis represents power value.
- the upper right of FIG. 18 is a diagram schematically illustrating an example in which the first simulation data is plotted in a coordinate system in which the horizontal axis represents time and the vertical axis represents power value. Based on the measurement data on the upper left of FIG. 18 and the first simulation data on the upper right of FIG.
- FIG. 18 the actual measurement data and the first simulation data at the same time are associated with each other, and the set of these data is plotted on the horizontal axis and the power value of the simulation on the vertical axis. Plot in the coordinate system where the axis is the measured power value.
- the lower part of FIG. 18 is a diagram schematically showing an example in which these groups are plotted.
- the actual measurement data and the first simulation data may be associated with each other at the same time interval.
- the time intervals are different between the two, for example, when the actual measurement is at 1-minute intervals and the simulation is at 60-minute intervals, the following is performed. That is, a representative value (for example, an average value) of the measured data for 60 minutes is calculated every 60 minutes, and the set of the calculated value and the value of the first simulation data is associated as the data at the same time.
- the correction function generation unit 142 generates a correction function for correcting the value of the simulation data (for example, power value) so as to minimize the difference between the value of the associated measurement data and the value of the first simulation data.
- x is an input variable and y is an output variable.
- the value of the measurement data of the negative example is used as the teacher data of the output variable, and the parameter of f(x) and ⁇ are estimated by the optimization method such as the least square method so as to minimize the difference between x and y.
- the correction function generation unit 142 sends the generated correction function to the correction unit 143.
- the correction function generation unit 142 may store the generated correction function in a storage device accessible from the correction unit 143. In this case, the correction unit 143 may read the correction function from the storage device.
- a value different from the power value such as DC voltage, DC current, or temperature may be used as the input variable of f(x), and the output variable may be the corrected power value. Even if the input variable does not have the power value, the corrected power value can be obtained by using a value that depends on the power value as the input variable. It is also possible to generate a function for correcting items such as current, voltage, and temperature, and use these items for correction.
- the correction unit 143 corrects the values (for example, electric power values) of the second simulation data of the positive example and the negative example using the correction function. That is, the correction function is calculated using the values of the second simulation data of the positive example and the negative example as the input variable x, and the output variable y is obtained. The value of y is the correction value of the second simulation data. The correction is performed using each correction function for each PCS.
- the correction unit 143 may store the correction values of the positive and negative examples of the second simulation data in the DB.
- the integration unit 144 integrates the measurement data of the measurement DB 111 and the corrected second simulation data, and stores them in the integration DB 145.
- the data of integrated DB145 may be displayed on the display device 131 and a user may be made to confirm the result of correction of 2nd simulation data.
- the corrected second simulation data is added to the end of the measurement data group of the measurement DB 111, and the added data group is stored in the integrated DB 145.
- the item may be deleted.
- FIG. 19 shows an example of the integrated DB 145.
- the integrated DB 145 stores the measurement data (actual measurement data) and the corrected second simulation data.
- the value of the second simulation data before correction may be further stored.
- the voltage and current values are not stored as the items of simulation data, but the voltage and current correction values may be stored.
- the correction unit 143 may correct not only the second simulation data but also the first simulation data, and the corrected first simulation data may be added to the integration unit 144. Then, the user may confirm the result of the correction of the first simulation data.
- the specifying unit 112, the feature distribution generating unit 113, the score calculating unit 114, and the evaluation value calculating unit 115 use the integrated DB 145 instead of the measurement DB 111 of the first embodiment, and perform the same processing as that of the first embodiment.
- the second simulation data of the positive example can be used, and when the measurement data of the positive example exists, the measurement data of the positive example can also be used. it can.
- the negative example feature distribution for example, at least one of the negative example measurement data and the negative example second simulation data can be used.
- the user may specify the simulation conditions, and the simulation data used for the simulation may be selected according to the conditions specified by the user.
- FIG. 20 shows an example of the user interface screen on which the user specifies the selection condition of the simulation data.
- This device displays this screen on the display device 131, and the user inputs conditions from the input device 121.
- the period from July 1, 2018 to the date on August 31, 2018 is designated as the simulation target period, and 44 to 54 degrees is designated as the simulation target south-middle altitude.
- the simulation target period includes, for example, the same date as the measurement data and a date that does not exist in the measurement data.
- the unit time interval is 60 minutes, and the evaluation time period is 10:00 to 16:00.
- the unit time interval and the evaluation time zone may be applied to the processing after the feature distribution generation unit 113.
- whether or not to use the simulation data can be specified. You may make it possible to specify conditions for items other than those shown in FIG.
- the correction function generation unit 142 operates to select, from the simulation DB 141, simulation data that satisfies the conditions specified by the user on the user interface screen of FIG.
- the processing of the correction processing unit is performed according to the above-described embodiment.
- the correction processing unit does not perform the processing. That is, the operation of the first embodiment is performed in this case without using the simulation data.
- the analysis result that reflects the actual installation environment of the PV panel can be obtained by not using the simulation data.
- the database of actual measurement data may be switched.
- the analysis results are provisionally obtained at high speed using simulation, and after the positive example actual measurement data is accumulated, by switching to the actual measurement data database, It is possible to obtain analysis results that are faithful to the actual installation environment.
- the user may specify whether to create a correction function.
- the correction function generation unit 142 When the user gives an instruction to create a correction function, the correction function generation unit 142 generates the correction function.
- the correction function generation unit 142 does not generate the correction function.
- the correction unit 143 corrects the simulation data using a correction function created previously (for example, last time). Efficient processing is possible by not generating the correction function every time.
- the user interface screen of FIG. 20 and the user interface screen for designating the condition in the first embodiment may be combined into one.
- FIG. 21 shows an example in which these user interface screens are combined.
- the user may input conditions on this integrated user interface screen.
- the apparatus may present the screens of FIGS. 13 and 16 separately and allow the user to input the conditions separately.
- the input result on one user interface screen may be automatically reflected on the other user interface screen.
- FIG. 22 is a flowchart of the processing relating to the correction function generation unit 142, the correction unit 143, and the integration unit 144.
- step S301 the correction function generation unit 142 associates the measurement data of the negative example with the simulation data of the negative example (first simulation data) at the same time to generate a data set at the same time.
- step S302 the correction function generation unit 142 estimates the parameters of the correction function in which the value of the simulation data is an input variable and the correction value is an output variable based on the data set generated in step S301.
- the parameter of the correction function is obtained, for example, by using the value of the measurement data as teacher data and minimizing the difference between the value of the measurement data and the value of the simulation data.
- step S303 the correction unit 143 corrects the positive example and negative example simulation data (second simulation data) using the correction function generated in step S302.
- step S304 the integration unit 144 stores the corrected second simulation data in the integrated DB together with the measurement data in the measurement DB 111.
- the subsequent processing is the same as in the first embodiment.
- FIG. 23 is a flowchart of processing in which step S305 is added to the flowchart of FIG. Step S305 is added between step S301 and step S302.
- the correction function generation unit 142 selects, from the data sets generated in step S301, a data set in which the amount of solar radiation of the measurement data is a predetermined value (for example, 0.7) or more.
- a correction function is generated (parameters of the correction function are estimated) using the data set selected in step S305.
- the data set is selected under the condition of the amount of solar radiation, but a range of measurement time (for example, from 10:00 to 16:00) may be designated and a data set including the measurement data belonging to the range may be selected.
- the range of the specified measurement time may be the evaluation time zone.
- FIG. 24 shows a hardware configuration example of the abnormality factor diagnosis device according to the embodiment of the present invention.
- the hardware configuration of FIG. 24 is configured as a computer 150.
- the computer 150 includes a CPU 151, an input interface 152, a display device 153, a communication device 154, a main storage device 155, and an external storage device 156, which are interconnected by a bus 157 so that they can communicate with each other.
- the input interface 152 corresponds to the input device 121.
- the display device 153 corresponds to the display device 131.
- the communication device 154 includes a wireless or wired communication unit, and performs wired or wireless communication with the PCS.
- the measurement data may be acquired via the communication device 154.
- the input interface 152 and the communication device 154 may each be configured by circuits such as separate integrated circuits, or may be configured by a circuit such as a single integrated circuit.
- the external storage device 156 includes a storage medium such as an HDD, SSD, memory device, CD-R, CD-RW, DVD-RAM, DVD-R, or the like.
- the external storage device 156 stores a program for causing the CPU 151, which is a processor, to execute the function of each processing unit of the abnormality factor diagnosis device.
- the external storage device 156 also includes various DBs included in the abnormality factor diagnosis device. Although only one external storage device 156 is shown here, a plurality of external storage devices 156 may exist.
- the main storage device 155 expands the control program stored in the external storage device 156, and stores the data necessary for executing the program, the data generated by executing the program, and the like.
- the main storage device 155 includes any memory or storage unit such as a volatile memory (DRAM, SRAM, etc.) or a non-volatile memory (NAND flash memory, MRAM, etc.).
- the CPU 151 executes the control program expanded in the main storage device 155 to execute the functions of the respective processing units of the abnormality factor diagnosis device.
Landscapes
- Photovoltaic Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
[課題]発電装置の異常要因を特定する。 [解決手段]本発明の実施形態としての異常要因診断装置は、発電装置の異常要因が発生した第1時刻を特定する異常要因発生データに基づき、前記発電装置の計測データにおいて前記第1時刻に対応する第1計測データを特定する特定部と、前記第1計測データに基づき、前記第1計測データの特徴値の分布を表す第1分布関数を算出する分布生成部と、前記第1分布関数と、前記発電装置のテスト対象の計測データとに基づいて、前記発電装置における前記異常要因の発生の可能性の評価値を算出する評価部と、を備える。
Description
本発明の実施形態は、異常要因診装置及びその方法、並びに異常要因診断システムに関する。
近年では、広い敷地(例えば、1ha以上)に、多数枚(例えば、1000枚以上)の太陽電池モジュール(PVパネル)を搭載した太陽光発電システムが設置されている。このような太陽光発電システムにおいて、草の影や建物の影、アレイの汚損などの要因により、発電量が当初の予想量よりも下回ることが起こる。
そのような要因が発生していても、太陽光発電システムの所有者が気づくことが難しい場合がある。また、太陽光発電をメンテナンスする業者が要因の発生状況を把握するために、その発電システムに出向くと、派遣費用などがかかり、コスト高になる。派遣前に性能低下の要因を特定できれば、作業員が太陽光発電システムに派遣される前に、対応するための道具や部品などを選定することができるため、より効率的なメンテナンスサービスが可能となる。
PCS(Power Conditioning System)で計測される電力・電圧・電流値と、各時刻における日射量とを含む各計測データに基づいて、発電量の性能の低下を推定するアルゴリズムを構築する手法が提案されている。しかしながら、この手法では、発電量の性能の低下の有無を発見できるものの、性能の低下の要因に対する知見を得ることはできない。
本発明の実施形態は、発電装置の異常要因を特定することを可能とする太陽光発電システムの異常要因診装置及びその方法、並びに異常要因診断システムを提供する。
本発明の実施形態としての異常要因診断装置は、発電装置の異常要因が発生した第1時刻を特定する異常要因発生データに基づき、前記発電装置の計測データにおいて前記第1時刻に対応する第1計測データを特定する特定部と、前記第1計測データに基づき、前記第1計測データの特徴値の分布を表す第1分布関数を算出する分布生成部と、前記第1分布関数と、前記発電装置のテスト対象の計測データとに基づいて、前記発電装置における前記異常要因の発生の可能性の評価値を算出する評価部と、を備える。
以下、図面を参照しながら、本発明の実施形態について説明する。
(第1の実施形態)
図1は、第1の実施形態に係る異常要因診断装置と太陽光発電システムとを備えた異常要因診断システムの全体構成を示す。
図1は、第1の実施形態に係る異常要因診断装置と太陽光発電システムとを備えた異常要因診断システムの全体構成を示す。
太陽光発電システムは、発電装置11と、PCS(パワーコンディショナシステム)12と含む基本ユニットを複数備える。図では1つ以上の基本ユニットが存在する場合を示している。各基本ユニットのPCS12をPCS-01,PCS-02,PCS-03と表記している。発電装置11は、PVパネルPNを1つ以上直列接続したストリングを1つ又は複数備える。図では1番目の基本ユニットの発電装置11が、2つのストリングST01、ST01を備えている。各基本ユニットの発電装置11が備えるストリング数が異なってもよい。
各基本ユニットのPCS12は、PCS12に接続された発電装置11における1つ又は複数のストリングを制御する。各PCS12は、接続装置21と、DC/DC変換機22と、AC/DC変換機23と、計測装置24とを備える。各PCS12の計測装置24には日射計25が接続されている。各PCS12の計測装置24は、異常要因診断装置101に共通に接続されている。
各PCS12の接続装置21は、発電装置11における1つ又は複数のストリングに接続され、これらのストリングの発電電力を集約する。AC/DC変換機23が、接続装置21で集約した電力を交流電力に変換して、電力系統26に出力する。AC/DC変換機23が、集約された電力を、電力系統26の代わりに、交流電力で動作する負荷装置に出力してもよい。または、DC/DC変換機22が、接続装置21で集約した電力を変圧(昇圧又は降圧)し、変圧した電力を、図示しない蓄電装置又は負荷装置に出力してもよい。接続装置21で集約された電力の利用方法はこれらに限定されない。
計測装置24は、接続装置21で集約された電力、電圧、電流等を計測する。その他、計測装置24は、気温又は湿度等を計測してもよい。日射計25は日射量を計測する。
本実施形態に係る太陽光発電システムの規模は問わない。一例としてPVパネルが1000枚以上、数100kW規模以上の発電システムも、本実施形態の対象とする。
図2は、異常要因診断装置101のブロック図である。異常要因診断装置101は、計測データ取得部110、計測データベース(DB)111、特定部112、特徴分布生成部113、スコア算出部114、評価値算出部115、異常要因発生DB116、評価DB117、出力部118を備えている。スコア算出部114及び評価値算出部115の組は、評価部119に対応する。異常要因診断装置101には、入力装置121及び表示装置131が接続されている。入力装置121は、キーボード、マウス又はタッチパッドなどの、ユーザがデータ又は指示を入力するための装置である。表示装置131は、本装置101で生成されたデータ又は本装置101が備える各DB内に格納されたデータを表示するための装置である。表示装置153は、例えば液晶表示装置、有機EL表示装置、CRT表示装置等である。
計測データ取得部110は、各PCSから連続的、もしくは間欠的に送信される時系列の計測データを受信する。計測データは、一例として、計測時刻、日射量、気温、PCS_ID(PCSの識別子)、直流電圧、直流電流、直流電力(発電量)を含む。PCS_IDは、各PCS(あるいは基本ユニット)に付与されたIDである。計測データ取得部110は、受信した計測データを計測DB111に格納する。計測DB11は、データを表形式で管理する。各PCSの計測間隔は、予め設定されており、例えば1分間又は60分間である。
図3に計測DB111の例を示す。計測DB111は、計測時刻、日射量、気温、PCS_ID(PCSの識別子)、直流電圧、直流電流、直流電力などのデータを格納している。図の例では1分間隔で計測データが格納されている。
異常要因発生DB116は、計測DB111に蓄積されている計測データに対して、異常要因の発生の有無を表すラベルを関連づけて、異常要因発生データとして格納している。異常要因発生データは、異常要因が発生した時刻を特定するデータである。ラベルは、すべての計測データに設定してもよいし、特定のPCS_ID又は特定の時間帯(例えば後述する評価時間帯)の計測データに対してのみ設定してもよい。例えば、予めユーザー(作業員)が、太陽光発電装置が設置されている現地で異常要因の有無を確認し、確認した結果に基づき、各計測データのラベルを設定する。ラベルの設定は、入力装置121を用いてユーザが行ってもよいし、PC(パーソナルコンピュータ)、サーバ又はタブレット端末等の外部装置でラベルの設定を行い、設定されたラベルのデータを外部装置からインストールしてもよい。異常要因の例として、影(例えば高木の影、草影)がPVパネルにかかること、又はPVパネルの汚損(アレイ汚損)などがある。いずれの異常要因も発電量低下の原因となる。
図4に、異常要因発生DB116の例を示す。3つのPCS-01,PCS-02,PCS-03について、時刻毎に、棒状影の有無のラベルと、アレイ汚損の有無のラベルが設定されている。“有”は異常あり、“無”は異常なしを意味する。例えば、PCS-03の2017/10/10 8:03以降では、棒状の影はなかったが、アレイ汚損があったことがわかる。ラベルは1日の全時間ではなく、1日のうち評価対象となる時間帯(評価時間帯)を設定し、評価時間帯についてのみ設定してもよい(後述する図13参照)。評価時間帯の例として、例えば発電が期待される時間帯(例えば8:00~17:00や、10:00~16:00など)がある。以下の説明では評価時間帯についてラベルを設定した場合を想定する。異常要因が発生している時刻は本実施形態の第1時刻、異常要因が発生していない時刻は本実施形態の第2時刻に対応する。
特定部112は、計測DB111に格納された計測データのうち評価時間帯の計測データをトレーニングデータとして取得する。また、特定部112は、異常要因発生DB116に格納された異常要因発生データを取得する。特定部112及び特徴分布生成部113は、以降の処理を、PCSかつ異常要因ごとに行う。
特定部112は、取得した計測データに基づき、異常ありのラベルが設定された計測データ(以降、これを正例データ、という)と、異常なしのラベルが設定された計測データ(以降、これを負例データ、という)とを特定し、正例データのグループと負例データのグループにグループ分けする。正例データが属するグループを正例グループ、負例データが属するグループを負例グループと呼ぶ。正例データは、本実施形態に係る第1計測データに対応する。負例データは、本実施形態に係る第2計測データに対応する。
特徴分布生成部113は、正例グループに属する各日の評価時間帯に属する計測データ(第1計測データ)に基づき、当該計測データの特徴値の分布を表す分布関数(第1分布関数)を算出する。
より詳細には、まず特徴分布生成部113は正例グループに属する各日の評価時間帯に属する計測データに基づき、時刻毎に発電電力を評価する指標として特徴値を計算する。一例として、1つの計測データから1つの特徴値が得られる。例えば、(直流電力/日射量)を、(直流電力/日射量)の最大値で除算した値を用いることができる。この場合の特徴値の計算式を以下に示す。
特徴値=(直流電力/日射量)/((直流電力/日射量)の最大値) ・・・式(1)
“(直流電力/日射量)の最大値”は、計測DB111から取得した評価時間帯の全計測データ(正例グループ及び負例グループ全体)を対象に各計測データから(直流電力/日射量)を算出した(直流電力/日射量)のうちの最大値である。したがって、特徴値は、0以上1以下の範囲の値である。
各日について、評価時間帯で特徴値を時系列に並べた時系列データ(以降、特徴時系列データと呼ぶ)を生成する。
特徴分布生成部113は、負例グループについても、正例グループと同様にして、各日について評価時間帯で特徴値を時系列に並べて、特徴時系列データを生成する。
なお、ある1日の評価時間帯の途中で「異常あり」から「異常なし」、又は、「異常なし」から「異常あり」に変わる場合もあり得る。そのときは、評価時間帯の計測データのうち、一部の時間帯の計測データは正例グループに分類され、別の時間帯の計測データは負例グループに属する。この場合、各特徴時系列データの長さは、評価時間帯の長さよりも短くなる。あるいは、このような場合は、異常ありと異常なしの時間長の比率が大きい方を特定し、特定した方に対応するグループに、当該評価時間帯に属する全計測データを分類してもよい。
図5は、正例グループ及び負例グループごとに、各日について得られた特徴時系列データの波形グラフを示す。横軸は時刻、縦軸は特徴値である。図では数個の特徴時系列データが示されるが、実際にはより多くの特徴時系列データが存在してよい。実線の波形が、正例(異常あり)の特徴時系列データを示す。破線の波形が、負例(異常なし)の特徴時系列データを示す。これらの特徴時系列データは同一のPCSのものである。なお、負例の特徴時系列データは9時から始まっており、正例の特徴時系列データは10時から始まっているが、これはたまたまであり、これに限定されない。
特徴分布生成部113は、正例グループ及び負例グループのそれぞれに対して、評価時間帯に属する各単位時間帯について特徴値の分布関数(特徴分布)を計算する。例えば評価時間帯が9:00~17:00であり、単位時間帯の長さを1時間とする。この場合、9:00~10:00、10:00~11:00、11:00~12:00、・・・16:00~17:00の時間帯(単位時間帯)に対してそれぞれ特徴分布を計算する。特徴分布の具体例として、確率分布である正規分布がある。この場合、例えば、各グループについて単位時間帯ごとに平均及び分散を求め、これを正規分布のパラメータとすればよい。ただし、確率分布は正規分布である必要はなく、他の種類の確率分布でもよい。
図6に、11:00~12:00の時間帯の特徴分布を計算する例を示す。図6の上側には、図5と同じ図が示される。時刻11:00について、正例の各特徴時系列データの値と、負例の各特徴時系列データの値を特定する。これらの値は、各時系列データのグラフと、時刻11:00に時間軸に垂直な縦線との交点に相当する。当該交点の値を、横軸を特徴値とする軸に展開してプロットした例を図7の下側に示す。正例の値は白抜きの丸、負例の値はハッチングされた丸で示される。正例の点群を近似する確率分布、負例の点群を近似する確率分布をそれぞれ計算する。ここでは確率分布として正規分布を求める。
時刻11:00の正例の特徴値(プロット値)の平均x11及び分散θ11を計算し、計算した平均及び分散の値をパラメータとする正規分布f11(x)=PDF(x11;θ11)を得る。これを11:00~12:00の時間帯の正例の確率分布(第1の分布関数)とする。この分布f11(x)が図6の下側に実線で示されている。正例のプロット点はこの分布f11(x)内に配置されている。
同様に、時刻11:00の負例の特徴値(プロット値)の平均x”11及び分散θ”11を計算し、計算した平均及び分散の値をパラメータとする正規分布f”11(x)=PDF(x”11;θ”11)を得る。これを11:00~12:00の時間帯の負例の確率分布と(第2の分布関数)する。この分布f”11(x)が図6の下側に破線で示されている。負例のプロット点がこの分布f”11(x)内に配置されている。
ここでは、11:00~12:00の時間帯の確率分布を計算するために、時刻11:00の特徴値を用いた(これは例えば、1時間内での特徴値の変化は少ないと想定される場合には、計算量も少なく、有効である)。しかしながら、11:00~12:00の時間帯に属する全特徴値を利用して確率分布を計算することも可能である。または、11:00~12:00の時間帯に属する全特徴値からサンプリングにより特徴値を選択し、選択した特徴値を用いて11:00~12:00の時間帯の確率分布を計算することも可能である。
11:00~12:00の時間帯以外の時間帯についても同様にして、確率分布を計算する。
ここでは単位時間帯を1時間としたが、これに限定されず、10分でも、30分でも、2時間でもよい。また、単位時間帯が、計測データの取得間隔時間に一致してもよい。この場合、計測データの時刻ごとに(例えば1分間隔の時刻ごとに)、確率分布(特徴分布)を計算することになる。
以上のように正例及び負例のグループごとに、単位時間帯ごとの特徴分布を生成する処理までをトレーニングフェーズと呼ぶ。以降の処理では、トレーニングで生成された特徴分布を用いて、異常要因の発生有無がまだわからない日の計測データを用いて、異常要因の発生有無を診断する。このフェーズをテストフェーズと呼ぶ。以下、テストフェーズについて説明する。
スコア算出部114は、特徴分布生成部113で生成された単位時間帯毎の正例・負例の特徴分布を用いて、テスト対象になる各日の計測データに対して、スコアリングを行う。テスト対象になる各日の計測データは、特徴分布の生成に利用した計測データと異なるデータであり、異常要因発生DBでラベルが設定されていない日の計測データである。以下、スコアリングの詳細を説明する。
スコア算出部114は、評価時間帯における単位時間帯ごとに、正例・負例の特徴分布の組が、分布の分離条件を満たすか調べる。分離条件は第1要件と第2要件を含む。スコア算出部114は、当該組が両方の要件を満たす単位時間帯をスコア算定時間帯として選択する。図7及び図8を用いて、スコア算出部114の動作を説明する。
図7及び図8は、スコア算出部114の動作の具体例を説明するための図である。評価時間帯に属する各単位時間帯をそれぞれ対象として、第1及び第2要件を満たすかを調べる。
第1要件は、対象となる単位時間帯について、正例の特徴分布及び負例の特徴分布の両方が生成されていることである。少なくともいずれか一方の特徴分布が生成されていない場合、当該単位時間帯は、第1要件を満たさない。
図7の上側の例は、9:00~10:00の単位時間帯の負例の特徴分布f”09(x)を示す。当該単位時間帯を含む正例の特徴時系列データが存在しなかったため、正例の特徴分布は生成されていない。よって、この単位時間帯は第1要件を満たさない。
第2要件は、対象となる単位時間帯について、正例の特徴分布と負例の特徴分布とが分離していることである。これらの特徴分布が近接している場合、第2要件を満たさない。正例の特徴分布と負例の特徴分布とが分離しているかの判断は、以下のようにして行う。
正例の特徴分布の上側のn%点(例えば0.1)を正例上位n%点とし、負例の特徴分布の下側のn%点を負例下位n%点とする。正例上位n%点と負例下位n%点の区間に、正例の特徴分布のピーク(山)、及び負例の特徴分布のピーク(山)がいずれも属さなければ、第2要件は満たされる。少なくとも一方の特徴分布のピークがこの区間に属していれば、第2要件は満たされない。ここでは%点の値は、正例の特徴分布と負例の特徴分布とでともにnであったが、%点の値が互いに異なってもよい。
図7の下側の例は、10:00~11:00の単位時間帯の正例の特徴分布f10(x)と、負例の特徴分布f”10(x)を示す。正例の特徴分布f10(x)の正例上位n%点と、負例の特徴分布f”10(x)の負例下位n%点との区間SC1が示される。区間SC1には負例の特徴分布のf”10(x)のピークP1が属している。よって、この単位時間帯は第2要件を満たさない。
図8の上側の例は、11:00~12:00の単位時間帯の正例の特徴分布f11(x)と、負例の特徴分布f”11(x)を示す。正例の特徴分布f11(x)の正例上位n%点と、負例の特徴分布f”11(x)の負例下位n%点との区間SC2が示される。区間SC2には、正側の特徴分布及び負例の特徴分布のいずれのピークも属していない。よって、この単位時間帯は第2要件を満たしている。また、2つの特徴分布が生成されているため、第1要件も満たされている。よって、この単位時間帯をスコア算定時間帯として選択する。
図8の下側の例は、12:00~13:00の単位時間帯の正例の特徴分布f12(x)と、負例の特徴分布f”12(x)を示す。正例の特徴分布f12(x)の正例上位n%点と、負例の特徴分布f”12(x)の負例下位n%点との区間SC3が示される。区間SC3には、正側の特徴分布及び負例の特徴分布のいずれのピークも属していない。よって、この単位時間帯は第2要件を満たしている。また、2つの特徴分布が生成されているため、第1要件も満たされている。よって、この単位時間帯をスコア算定時間帯として選択する。
13:00以降の各単位時間帯についても同様にして、第1要件および第2要件を満たすかを判断する。両方の要件を満たす(すなわち分離条件を満たす)単位時間帯を、スコア算定時間帯として選択する。
図7及び図8の例では、正例の特徴分布の方が、負例の特徴分布よりも特徴値が低い側(紙面に沿って左側)に位置するが、特徴値の定義によっては逆になる場合もある。その場合は、正例の特徴分布の下側のn%点(例えば0.1)を正例下位n%点とし、負例の特徴分布の上側のn%点を負例上位n%点とする。そして、正例下位n%点と負例上位n%点の区間に、正例の特徴分布のピーク(山)、及び負例の特徴分布のピーク(山)がいずれも属さない場合に、第2要件が満たされると判断すればよい。
スコア算出部114は、評価時間帯に属する複数の単位時間帯から選択されたスコア算定時間帯について、特徴値に応じたスコアを計算する。以下、スコアの計算方法を説明する。
図9は、あるスコア算定時間帯のスコアの計算例を説明するための図である。図には、算出対象時間帯の正例の特徴分布fHr(x)が模式的に示される。xは特徴値を表す入力変数である。Hrは算出対象時間帯を示す値である。例えば11:00~12:00の時間帯の特徴分布はf11(x)と表される。算出対象時間帯におけるテスト対象の計測データの特徴値xtstを、算出対象時間帯の正例の特徴分布の最大値(max(fHr(x))で除算する。これにより、スコア算定時間帯のスコアscrを得る。時間帯Hrにおけるスコアscrの計算式を以下に示す。この例では、各算出対象時間帯で、特徴値が大きいほど、スコアが大きくなるが、特徴値の定義に応じて、特徴値とスコアの関係は変わってよい。
scrHr=xtst/max(fHr(x)) ・・・(2)
ここで、スコア計算条件を導入し、スコア算出部114は、スコア計算条件を満たす場合には、式(2)でスコアを計算し、満たさない場合は、スコアを一律にゼロとしてもよい。
具体的には、まず、テスト対象の計測データの特徴値が、スコア算定時間帯の負例の特徴分布の何%点に相当するかを計算する。計算した%点と、負例の特徴分布の上側及び下側のうち正例の特徴分布の側の基準点(n%点)とを比較する。計算した点が、基準点よりも正例の特徴分布の側に位置していれば、スコア計算条件が満たされる。この場合、式(2)によりスコアを計算する。一方、計算した点が、基準点よりも負例の特徴分布の側に位置していれば、スコア計算条件が満たされない。この場合、スコアをゼロとする。
図10は、スコア計算条件の具体例を説明するための図である。ある算出対象時間帯におけるテスト対象の計測データの特徴値がxtst_1の場合とxtst_2の場合を考える。xtst_1は負例の特徴分布の下位n%点(基準点)に対して、負例の特徴分布の側に位置している。すなわち、xtst_1は、基準点よりも大きい。このため、スコア計算条件は満たされない。よって、この算出対象時間帯のスコアをゼロとする。一方、xtst_2は負例の特徴分布の下位n%点(基準点)に対して、正例の特徴分布の側に位置している。すなわちxtst_2は、基準点よりも小さい。このため、スコア計算条件が満たされる。算出対象時間帯のスコアを、式(2)により計算する。
スコア計算条件を導入することなく、すべての算出対象時間帯について式(2)でスコアを計算することも可能である。
スコア算出部114は、各スコア算定時間帯のスコアを計算したら、スコア算定時間帯毎のスコアを含む異常要因ベクトルV(以下、ベクトルV)を生成する。ベクトルVの定義式を以下に示す。スコア算出部114は、テスト対象となる各日についてベクトルVを生成する。
V=(scrT1,scrT2,…,scrTi) ・・・(3)
scrT1はスコア算定時間帯T1のスコア、scrT2はスコア算定時間帯T2のスコア,scrTiはスコア算定時間帯Tiのスコアである。例えば、スコア算定時間帯を時間の早い順にT1,T2,...,Tiと表す。例えば、T1は11:00~12:00の時間帯、T2は12:00~13:00の時間帯である。
scrT1はスコア算定時間帯T1のスコア、scrT2はスコア算定時間帯T2のスコア,scrTiはスコア算定時間帯Tiのスコアである。例えば、スコア算定時間帯を時間の早い順にT1,T2,...,Tiと表す。例えば、T1は11:00~12:00の時間帯、T2は12:00~13:00の時間帯である。
評価値算出部115は、スコア算出部114で生成された各日のベクトルVを用いて、異常要因の発生可能性の評価値Eを各日について算出する。評価値Eは、例えばベクトルVに含まれるスコアの平均値である。この場合のスコアの定義式を以下に示す。
Tavailは、算出対象時間帯の集合を表す。N(Tavail)は、Tavailに含まれる要素数を表す。TiはTavailに含まれるi番目の要素を表す。式(4)の分子は、集合Tavailに含まれる要素(算出対象時間帯)のスコアの合計を表す。
この例では、評価値Eは0以上1以下の範囲をとる。評価値Eが1に近いほど、異常要因の発生の可能性が高い。平均以外に、中央値、最大値、又は最小値を評価値Eとしてもよい。また、ベクトルに含まれる要素を重み付け平均した値を評価値Eとしてもよい。
評価値算出部115は、評価値Eと、PCS_ID(PCSの識別子)と、日付とを1セットとした結果データを評価DB117に格納する。
出力部118は、評価値算出部115に格納されている結果データに基づき、表示用の出力情報を生成し、表示装置131に出力する。表示装置131は、出力部118から入力された出力情報を画面に表示する。一例として、出力部118は、評価値算出部115に格納されている結果データを評価値の降順にソートし、ソート後の結果データを含む評価表を、表示装置131に出力する。
また、出力部118は、各結果データの評価値を、予め設定した閾値と比較し、比較結果に応じた判定ラベルを結果データに設定してもよい。具体的には、評価値が閾値以上の場合は、異常要因が発生している可能性が高いとして、“異常あり”又は “要確認”の判定ラベルを結果データに設定する。また、評価値が閾値未満の場合は、異常要因が発生している可能性が低いとして、“異常なし”又は “良好”の判定ラベルを結果データに設定する。閾値は、異常要因の種類ごとに異なってもよい。出力部118は、設定した判定ラベルを、結果データに関連づけた評価表を、表示装置131に出力してもよい。
図11及び図12に、表示装置131の画面の表示例を示す。図11では、異常要因が棒状影の場合の評価表の例、図12は異常要因がアレイ汚損の場合の評価表の例を示す。これまで述べてきた処理を異常要因ごとに実行することで、異常要因ごとの評価表を得ることができる。評価表には、各結果データに設定された判定ラベル(“要確認”もしくは“良好”)が関連づけられている。
例えば、図11において、1~9番目の結果データでは、評価値が閾値(ここでは0.7)以上のため、“要確認”の判定ラベルが設定されている。10番目以降の結果データは、評価値が閾値未満のため、“良好”の判定ラベルが設定されている。
図12の例では、1~5番目の結果データでは、評価値が閾値(ここでは0.6)以上のため、“要確認”の判定ラベルが設定されている。6番目以降の結果データは、評価値が閾値未満のため、“良好”の判定ラベルが設定されている。
ユーザは、例えば図11の表を、棒状影の発生の有無を判断する知見として役立てることができる。例えば、ユーザは図11の表からPCS_01は棒状影が発生している可能性が高いと判断し、現地に作業員を派遣する際に、棒状影を取り除くために必要な準備を事前に行うことができる。図12の表についても同様にして、アレイ汚損の発生の有無を判断する知見として役立てることができる。
本実施形態において、ユーザがトレーニングフェーズの条件(トレーニング条件)及びテストフェーズの条件(テスト条件)を指定し、ユーザにより指定された条件に従って、トレーニングフェーズ及びテストフェーズの処理を行ってもよい。
図13は、ユーザが条件の指定を行うユーザインタフェース画面の例を示す。本装置はこの画面を表示装置131に表示し、ユーザが入力装置121から条件を入力する。
トレーニング条件の例として、日射量の閾値(図の例では0.7)を指定してもよい。この場合、日射量が閾値以上の日(閾値がある程度高ければ晴れた日に相当する)の計測データをトレーニングデータとして用いる。また、トレーニングデータとして用いる計測データの期間をトレーニング対象期間として指定してもよい(図の例では2018年7月1日~2018年8月31日)。また、トレーニングデータとして用いる南中高度の範囲を指定してもよい(図の例では44~54度)。この場合、時刻と南中高度との対応データを予めDBに格納しておく。対応データを外部のサーバから受信することにより取得してもよい。トレーニング条件としてここで述べた以外の項目があってもよい。例えば発電量(電力値)の範囲を指定し、指定された発電量の範囲に属する計測データのみをトレーニングデータとして用いてもよい。
また、テスト条件の例として、テスト対象とする計測データの対象期間(テスト対象期間)を指定してもよい(図の例では2019年7月1日~2019年7月31日)。テスト対象期間は、年次横断の形式で指定してもよい。例えば、“7月1日~8月31日の期間を毎年”などと指定してもよい。
トレーニング条件及びテスト条件に共通する条件として、前述した単位時間間隔(図の例では60分)、及び評価時間帯(図の例では10:00~16:00)を指定してもよい。
図14は、本実施形態に係る計測データ取得部110、特定部112及び特徴分布生成部113の動作の一例のフローチャートである。本フローチャートは、主としてトレーニングフェーズに係る処理を示す。
一例として、本処理を開始する前に、計測データ取得部110が各PCSから計測データを取得して、計測DB111に格納する。また異常要因発生DB116に各PCSについて時刻毎に異常要因発生有無を表すラベルを異常要因別に格納しておく。ユーザが本処理の開始の指示データを入力し、入力された指示データに従って、本処理が開始される。
ステップS101において、本装置は、表示装置131にユーザインタフェース画面を表示して、ユーザにトレーニングフェーズの条件(トレーニング条件)及びテストフェーズの条件(テスト条件)を設定させてもよい。本ステップを省略してもよい。その場合、事前に定められたトレーニング条件及びテスト条件に従って、以降の処理を行う。
特定部112及び特徴分布生成部113は、以降の処理を、各PCSについて、異常要因ごとに行う。
ステップS102において、特定部112は、計測DB111から評価時間帯の計測データを読み出し、読み出した計測データに、異常要因発生DB116を用いて、異常要因の発生有無のラベルを設定する。すべての計測データにラベルを設定したら、ラベルの値に応じて、計測データを正例グループ及び負例グループに分類する。異常ありのラベルが設定された計測データは正例グループ、異常なしのラベルが設定された計測データは負例グループに分類される。
ステップS103において、特徴分布生成部113は、正例グループについて、計測データの特徴値を計算し、日ごとに特徴値を時系列に配置した時系列データ(特徴時系列データ)を生成する。負例グループについても同様にして、日ごとに特徴時系列データを生成する。
ステップS104において、特徴分布生成部113は、正例グループにおける複数の日の特徴時系列データに基づき、評価時間帯における単位時間帯ごとに、特徴値の確率分布(正例の特徴分布)を生成する。負例グループについても同様にして、評価時間帯における単位時間帯ごとに、特徴値の確率分布(負例の特徴分布)を生成する。特徴分布生成部113は、生成した正例及び負例の特徴分布をスコア算出部114に送る。特徴分布生成部113は、スコア算出部114により読出可能な記憶装置に、生成した正例及び負例の特徴分布を格納してもよい。スコア算出部114は、記憶装置から正例及び負例の特徴分布を読み出してもよい。以上の処理により、各PCSについて、評価時間帯における単位時間帯ごとの正例の特徴分布及び負例の特徴分布が、異常要因ごとに生成される。
図15は、本実施形態に係るスコア算出部114、評価値算出部115及び出力部118の動作の一例のフローチャートである。本フローチャートは、主としてテストフェーズに係る処理を示す。図15の処理は、図14の処理と連続して行ってもよいし、図14の処理とは独立したタイミングで行ってもよい。図14の処理を行うタイミングと、図15の処理を行うタイミングをユーザが個別に制御してもよい。以降の処理を、各PCSについて、異常要因の種類ごとに行う。
ステップS201において、スコア算出部114は、評価時間帯に含まれる各単位時間帯について、正例の特徴分布及び負例の特徴分布を用いて、予め定めた分離条件が満たされてかを判断する。正例の特徴分布及び負例の特徴分布として、該当するPCS及び該当する異常要因の種類に応じたものを用いる。分離条件の詳細については前述した通りである。
ステップS202において、分離条件が満たされる場合は、正例の特徴分布及び負例の特徴分布が十分に分離していると判断し、当該単位時間帯をスコア算定時間帯として選択する。ステップS203において、分離条件が満たされない場合は、正例の特徴分布及び負例の特徴分布の重なりが大きいと判断し、当該単位時間帯をスコア算定時間帯として選択しない。
ステップS204において、スコア算出部114は、ステップS202で選択された各スコア算定時間帯について、該当するPCSのテスト対象の計測データに基づき、スコア計算条件が満たされるかを判断する。スコア計算条件の詳細は前述した通りである。
ステップS205において、スコア計算条件が満たされる場合は、スコア算出部114は、スコア算定時間帯におけるテスト対象の計測データ(例えばスコア算定時間帯の開始時刻の計測データ)の特徴値を計算する。そして、計算した特徴値を、当該スコア算定時間帯の正例の特徴分布の最大値で除算する。除算により得られた値(除算値)を、スコアとする。
ステップS206において、スコア計算条件が満たされない場合は、スコア算出部114は、計測データが負例の特徴分布に近接していると判断し、当該スコア算定時間帯のスコアをゼロにする。
上述した例では、スコアの計算をするために、スコア算定時間帯の開始時刻の計測データを用いたが、スコア算定時間帯に属する複数の計測データから1つの計測データを選択し、選択した計測データを用いてもよい。また、上述した例では、スコアの計算をするために1つの計測データを用いたが、テスト対象としてスコア算定時間帯に属する複数の計測データを用いてもよい。この場合、例えば、計測データごとにステップS205、S206を行う。そして、これらの計測データについて得られた値(除算値又はゼロ)の平均又は中央値、最大値などを算出し、算出した値をスコアとすればよい。ここで述べた以外の方法でスコアを計算してもよい。
ステップS207において、スコア算出部114は、テスト対象の各日について、各スコア算定時間帯のスコアを含むベクトルVを生成する。
ステップS208において、評価値算出部115は、ベクトルVに基づき、異常要因の発生の可能性の評価値Eを算出する。例えばベクトルVに含まれる要素の平均を計算することにより評価値Eを算出する。平均以外に、中央値、最大値、又は最小値を評価値Eとしてもよい。また、ベクトルに含まれる要素を重み付け平均した値を評価値Eとしてもよい。
ステップS209にいて、評価値算出部115は、PCSのID、日付及び異常要因発生の可能性の評価値を含む結果データを生成し、結果データを評価DB117に格納する。評価DB117には、各PCSに関する結果データを、異常要因の種類ごとに表形式で格納される。
ステップS210において、出力部118は、評価DB117内の結果データを評価値の降順にソートして、表示用の出力情報を生成する。出力情報は、例えば異常要因の種類ごとに生成する。出力部118は、生成した出力情報を表示装置131に出力する。表示装置131は、出力情報を表示する。出力部118は、結果データの評価値が閾値以上かに応じかに応じて、結果データに判定ラベルを設定してもよい。そして、判定ラベルを結果データに関連づけた出力情報を生成してもよい。この出力情報を表示することで、ユーザは各PCSに異常要因が発生しているかの判断の目安として判定ラベルを利用できる。
以上、本実施形態によれば、太陽光発電システムの異常要因を特定することが可能となる。
(第2の実施形態)
第1の実施形態では、実際の計測データ(実測データ)及び実際に測定した異常の発生有無のデータ(異常要因発生DB116)を用いて、正例及び負例の特徴分布を学習した。しかしながら、実際の太陽光発電システムでは、異常の発生頻度が低く、この場合、正例の特徴時系列データが得られない可能性もある。
第1の実施形態では、実際の計測データ(実測データ)及び実際に測定した異常の発生有無のデータ(異常要因発生DB116)を用いて、正例及び負例の特徴分布を学習した。しかしながら、実際の太陽光発電システムでは、異常の発生頻度が低く、この場合、正例の特徴時系列データが得られない可能性もある。
第2の実施形態では、太陽光発電のシミュレーションツールを用いて、正例及び負例の特徴分布を生成する。シミュレーションツールの例として、PVSystが知られている。シミュレーションツールでは、パネルの設置条件、太陽光の日射条件、地形及び太陽の日出・日入りまでの入射角などを変数としつつ、発電量をシミュレーションできる。また、天候やスモッグなどの大気の遮光要素も考慮して、発電量をシミュレーションできる。また、その他の遮光要素として、遮光割合が0~100%の間に設定された平面上の遮光物や、棒状の物体などをシミュレーション空間に設置し、その影響をシミュレーションしたりすることもできる。
障害物がなく、パネルが設置された地形も平坦で、天候も快晴であれば、高精度に発力量を見積ることができる。一方で雲や雨などの大気や空の条件による日射量低下や、平坦なではない場所にパネルが設置された場合、配線による送電ロスなどの影響などを含め、シミュレーションの発電量が実績値とのずれが大きくなる場合もある。その誤差は、異常要因の発生で発電量が低下する比率よりも大きい比率に相当する場合もある。そのため、シミュレーションデータと実績値とのずれが小さくなるように、キャリブレーションすることが望ましい。
図16に、第2の実施形態に係る異常要因診断装置のブロック図を示す。図2のブロック図と同一又は対応する要素には同一の符号を付して、変更又は拡張された処理を除き、説明を省略する。図16の異常要因診断装置101は、図2の要素に加えて、シミュレーションDB141、補正関数生成部142、補正部143、統合部144、及び統合DB145を備える。補正関数生成部142及び補正部143の組は補正処理部146に対応する。
シミュレーションDB141には、予め各PCSの発電量のシミュレーションを行うことにより生成されたシミュレーションデータが格納されている。一例として、シミュレーションDB141は、各PCSの各日付の1日のシミュレーションデータを格納している。シミュレーションを実行するシミュレーション実行部を図16の異常要因診断装置に追加してもよい。
具体的には、シミュレーションDB141には計測データと同一日付及び同一時刻における計測値の見積もりデータがシミュレーションデータ(以下、第1シミュレーションデータと呼ぶ)として格納されている。ここでは、一例として少なくとも異常要因の発生がない計測データ(負例のデータ)と同一日付及び同一時刻に対する第1シミュレーションデータが格納されている。ただし、異常要因の発生がある計測データ(正例のデータ)と同一日付及び同一時刻に対する第1シミュレーションデータが格納されていてもよい。また計測DB111には、日時・時間帯・障害要因など様々変えて発電量をシミュレーションした場合の、正例及び負例のその他のシミュレーションデータ(以下、第2シミュレーションデータと呼ぶ)が格納されている。第2シミュレーションデータには時刻の項目がなくてもよいし、任意の時刻が設定されていてもよい。任意の時刻は、計測データの時刻より将来の時刻でも、過去の時刻でもよいし、仮想上の時刻(第2シミュレーションデータを区別できる時刻であればよい)でもよい。以下では、第2シミュレーションデータには、任意の時刻が設定されている場合を想定する。シミュレーションで異常要因が発生している時刻は、本実施形態に係る第3時刻に対応する。正例の第2シミュレーションデータは、一例として正例の計測データが存在しない又は少ない場合に、正例の特徴分布を生成する際に活用されることができる。第1シミュレーションデータも、同一時刻の計測データとの対応づけがなされていれば、時刻の項目がなくてもよい。以下の説明では、第1シミュレーションデータには、対応する計測データと同一の時刻が設定されている場合を想定する。第1及び第2シミュレーションデータの項目は、第1の実施形態の図3の計測データと同じでもよいし、一部の項目(電圧、電流など)を省いてもよいし、追加の項目があってもよい。以下の説明では異常要因が1種類の場合(例えば棒状影又はアレイ汚損など)を想定して説明を行うが、2種類以上の場合は、第1の実施形態と同様に、異常要因の種類ごとに独立して処理を行えばよい。
異常要因発生DB116は、少なくとも第2シミュレーションデータが生成された各日又は各時刻について、異常要因の有無を表すフラグが、PCS_IDと、日付又は時刻と関連づけて、格納されている。各日又は各時刻の異常要因の有無は、シミュレーション時に決められている。ここでは日単位又は時刻単位でフラグを設定しているが、評価時間帯又は単位時間帯の単位でフラグを設定してもよい。
図17に、異常要因発生DB116の例を示す。第2シミュレーションデータの時刻(任意の時刻)に対して、異常要因の有無を表すフラグが格納されている。任意の時刻はSTP00001、STP00002などにより表されている。第2シミュレーションデータと対応づけがなされていれば、時刻の項目がなくてもよい。異常要因発生DB116には、第1の実施形態と同様に、実測データに対する異常要因発生データ(図4参照)も格納されている。
補正関数生成部142は、負例(異常なし)の実測データと、負例(異常なし)の第1シミュレーションデータとに基づき、シミュレーションデータの値を補正するための補正関数を、各PCSについて生成する。以下、補正関数の生成について詳細に説明する。
補正関数生成部142は、同一時刻の負例の実測データ(計測データ)と、負例の第1シミュレーションデータとを対応付け、同一時刻のこれらのデータの組を生成する。
図18に、実測データと、第1シミュレーションデータとを対応づける例を示す。図18の左上は、横軸が時刻、縦軸が電力値の座標系に計測データをプロットした例を模式的に示す図である。図18の右上は、横軸が時刻、縦軸が電力値の座標系に第1シミュレーションデータをプロットした例を模式的に示す図である。図18の左上の計測データ及び図18の右上の第1シミュレーションデータに基づき、同一時刻の実測データと第1シミュレーションデータを対応づけ、これらのデータの組を、横軸をシミュレーションの電力値、縦軸を実測の電力値とする座標系にプロットする。図18の下は、これらの組をプロットした例を模式的に示す図である。
なお、計測の時間間隔及びシミュレーションの時間間隔が一致している場合は、当該同じ時間間隔毎で実測データ及び第1シミュレーションデータを対応づければよい。両者で時間間隔が異なる場合、例えば実測が1分間隔、シミュレーションが60分間隔の場合は、以下のようにする。すなわち、実測データの60分間の代表値(例えば平均値)を60分毎に算出して、算出した値と第1シミュレーションデータの値との組を同一時刻のデータとして対応づける。
補正関数生成部142は、対応づけられた計測データの値と第1シミュレーションデータの値との差分を最小化するように、シミュレーションデータの値(例えば電力値)を補正するための補正関数を生成する。例えば、シミュレーションデータの値を入力変数、補正後の値(補正値)を出力変数とする関数として、例えばy=f(x)+εを設定する。xは入力変数、yは出力変数である。負例の計測データの値を出力変数の教師データとして用いて、最小自乗法などの最適化手法により、xとyの差分を最小するように、f(x)のパラメータ及びεを推定する。f(x)は一次関数でも、二次関数でも、それ以外の型の関数でもよい。補正関数生成部142は、生成した補正関数を補正部143に送る。補正関数生成部142は、生成した補正関数を補正部143からアクセス可能な記憶装置に格納してもよい。この場合、補正部143は、記憶装置から補正関数を読み出してもよい。
f(x)の入力変数として、例えば直流電圧、直流電流、気温など、電力値と異なる値を用い、出力変数を、補正後の電力値としてもよい。入力変数に電力値がなくとも、電力値に依存する値を入力変数とすれば、補正後の電力値を求めることができる。また、電流、電圧又は気温等の項目を補正する関数を生成し、これらの項目を補正の対象としてもよい。
補正部143は、補正関数を用いて、正例及び負例の第2シミュレーションデータの値(例えば電力値)を補正する。すなわち、正例及び負例の第2シミュレーションデータの値を入力変数xとして補正関数を計算し、出力変数yを求める。yの値が、第2シミュレーションデータの補正値である。補正は、PCSごとに、それぞれの補正関数を用いて行う。補正部143は、正例及び負例の第2シミュレーションデータの補正値をDBに格納してもよい。
本補正処理を行うことで、実際には故障事例が多くないPVプラントでも、発電電力の多くの事例を生成できる。すなわち、故障事例が多くないPVプラントに対しても、正例(異常あり)の特徴分布を生成できる。
統合部144は、計測DB111の計測データと、補正後の第2シミュレーションデータとを統合し、統合DB145に格納する。統合DB145のデータを表示装置131に表示して、ユーザに第2シミュレーションデータの補正の結果を確認させてもよい。例えば、計測DB111の計測データ群の末尾に、補正後の第2シミュレーションデータを追加し、追加後のデータ群を統合DB145に格納する。なお、電流又は電圧等の項目など、以降の処理で用いない項目がある場合は、該項目を削除してもよい。
図19に、統合DB145の一例を示す。統合DB145には計測データ(実測データ)と補正後の第2シミュレーションデータとが格納されている。補正前の第2シミュレーションデータの値がさらに格納されていてもよい。この例ではシミュレーションデータの項目として電圧及び電流の値が格納されていないが、電圧及び電流の補正値を格納してもよい。
変形例として、補正部143が第2シミュレーションデータのみならず、第1シミュレーションデータの補正も行い、補正後の第1シミュレーションデータも統合部144に追加してもよい。そして、ユーザに第1シミュレーションデータの補正の結果も確認させてもよい。
また、別の変形例として、負例の計測データが十分に存在する場合には、シミュレーションにおいて正例の第2シミュレーションデータのみを生成してもよい。
特定部112、特徴分布生成部113、スコア算出部114及び評価値算出部115は、第1の実施形態の計測DB111の代わりに、統合DB145を用いて、第1の実施形態と同様の処理を行えばよい。この際、正例の特徴分布を生成するために、一例として、正例の第2シミュレーションデータを用いることができ、正例の計測データが存在する場合は、正例の計測データも用いることができる。負例の特徴分布を生成するために、一例として、負例の計測データと負例の第2シミュレーションデータの少なくとも一方を用いることができる。
ユーザがシミュレーションの条件を指定し、ユーザが指定した条件に従って、シミュレーションに用いるシミュレーションデータの選択を行ってもよい。
図20は、ユーザがシミュレーションデータの選択条件を指定するユーザインタフェース画面の例を示す。本装置はこの画面を表示装置131に表示し、ユーザが入力装置121から条件を入力する。図の例ではシミュレーション対象期間として2018年7月1日~2018年8月31日までを指定し、シミュレーション対象南中高度として44~54度を指定している。シミュレーション対象期間は、一例として計測データと同一の日付と、計測データに存在しない日付とを含む。単位時間間隔として60分、評価時間帯として10:00~16:00を指定している。単位時間間隔及び評価時間帯は、特徴分布生成部113以降の処理に適用されてもよい。また、シミュレーションデータの利用有無も指定できる。図20に示した以外の項目の条件を指定できるようにしてもよい。
補正関数生成部142は、図20のユーザインタフェース画面でユーザが指定した条件を満たすシミュレーションデータを、シミュレーションDB141から選択するように動作する。ユーザがシミュレーションデータの利用を指定した場合は、前述した実施形態に従って、補正処理部の処理を行う。一方、ユーザがシミュレーションデータの利用を指定しない場合は、補正処理部の処理を行わない。すなわち、シミュレーションデータを利用せず、この場合、第1の実施形態の動作が行われる。実測データに対して異常要因の発生有無の情報が十分に得られている場合は、シミュレーションデータを利用しないことで、PVパネルの実際の設置環境を反映した分析結果を得ることができる。正例の実測データが蓄積されるのに時間を要する場合には、ある程度の個数の正例の実測データが蓄積されるまではシミュレーションデータを使い、当該個数の正例の実測データが蓄積されたら、実測データのデータベースに切り替えるようにしてもよい。これにより、正例の実測データが蓄積されるまではシミュレーションを用いて暫定的に分析結果を高速に得るとともに、正例の実測データが蓄積された後は、実測データのデータベースに切り替えることで、実際の設置環境に忠実な分析結果を得ることができる。
変形例として、補正関数の作成有無をユーザが指定してもよい。ユーザが補正関数の作成有を指示した場合、補正関数生成部142が補正関数を生成する。ユーザが補正関数の作成無を指示した場合、補正関数生成部142が補正関数を生成しない。この場合、補正部143は、以前に(例えば前回)作成された補正関数を用いてシミュレーションデータの補正を行う。補正関数を毎回生成しないことで、効率的な処理が可能となる。
図20のユーザインタフェース画面と、第1の実施形態における条件の指定を行うユーザインタフェース画面(図13参照)とを1つにまとめてもよい。
図21は、これらのユーザインタフェース画面を1つにまとめた例を示す。ユーザは、この統合されたユーザインタフェース画面で条件の入力を行ってもよい。あるいは、本装置が図13と図16の画面を別々に提示して、別々に条件の入力をユーザに行わせてもよい。単位時間間隔及び評価時間帯など両画面で共通する項目については、一方のユーザインタフェース画面への入力結果が、他方のユーザインタフェース画面に自動的に反映されるようにしてもよい。
図22は、補正関数生成部142、補正部143及び統合部144に係る処理のフローチャートである。
ステップS301において、補正関数生成部142が、同一時刻で、負例の計測データと、負例のシミュレーションデータ(第1シミュレーションデータ)とを対応づけ、同一時刻のデータ組を生成する。
ステップS302において、補正関数生成部142が、ステップS301で生成されたデータ組に基づき、シミュレーションデータの値を入力変数し、補正値を出力変数とする補正関数のパラメータを推定する。補正関数のパラメータは、例えば、計測データの値を教師データとして用い、計測データの値とシミュレーションデータの値の差分を最小化するように求める。
ステップS303において、補正部143は、ステップS302で生成された補正関数を用いて、正例及び負例のシミュレーションデータ(第2シミュレーションデータ)を補正する。
ステップS304において、統合部144は、補正後の第2シミュレーションデータを、計測DB111内の計測データとともに、統合DBに格納する。以降の処理は、第1の実施形態と同様である。
図23は、図22のフローチャートにステップS305を追加した処理のフローチャートである。ステップS305がステップS301とステップS302の間に追加されている。ステップS305において、補正関数生成部142は、ステップS301で生成されたデータ組のうち、計測データの日射量が所定値(例えば0.7)以上のデータ組を選択する。ステップS302では、ステップS305で選択されたデータ組を用いて、補正関数を生成(補正関数のパラメータを推定)する。ここでは日射量の条件でデータ組を選択したが、計測時刻の範囲(例えば10時以降16時まで)を指定し、その範囲に属する計測データを含むデータ組を選択してもよい。指定する計測時刻の範囲は評価時間帯でもよい。
図24は、本発明の実施形態に係る異常要因診断装置のハードウェア構成例を示す。図24のハードウェア構成はコンピュータ150として構成される。コンピュータ150は、CPU151、入力インタフェース152、表示装置153、通信装置154、主記憶装置155、外部記憶装置156を備え、これらはバス157により相互に通信可能に接続される。
入力インタフェース152は、入力装置121に対応する。表示装置153は表示装置131に対応する。通信装置154は、無線または有線の通信手段を含み、PCSと有線または無線の通信を行う。通信装置154を介して、計測データを取得してもよい。入力インタフェース152及び通信装置154は、それぞれ別個の集積回路等の回路で構成されていてもよいし、単一の集積回路等の回路で構成されてもよい。
外部記憶装置156は、例えば、HDD、SSD、メモリ装置、CD-R、CD-RW、DVD-RAM、DVD-R等の記憶媒体等を含む。外部記憶装置156は、異常要因診断装置の各処理部の機能を、プロセッサであるCPU151に実行させるためのプログラムを記憶している。また、異常要因診断装置が備える各種DBも、外部記憶装置156に含まれる。ここでは、外部記憶装置156を1つのみ示しているが、複数存在しても構わない。
主記憶装置155は、CPU151による制御の下で、外部記憶装置156に記憶された制御プログラムを展開し、当該プログラムの実行時に必要なデータ、当該プログラムの実行により生じたデータ等を記憶する。主記憶装置155は、例えば揮発性メモリ(DRAM、SRAM等)または不揮発性メモリ(NANDフラッシュメモリ、MRAM等)など、任意のメモリまたは記憶部を含む。主記憶装置155に展開された制御プログラムがCPU151により実行されることで、異常要因診断装置の各処理部の機能が実行される。
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
11:発電装置
12:PCS(パワーコンディショナシステム)
ST01、ST02:ストリング
PN:PVパネル
21:接続装置
22:DC/DC変換機
23:AC/DC変換機
24:計測装置
25:日射計
101:異常要因診断装置
110:計測データ取得部
111:計測データベース(DB)
112:特定部
113:特徴分布生成部
114:スコア算出部
115:評価値算出部
116:異常要因発生DB
117:評価DB
118:出力部
119:評価部
121:入力装置
131:表示装置
151:CPU
152:入力インタフェース
153:表示装置
154:通信装置
155:主記憶装置
156:外部記憶装置
157:バス
141:シミュレーションDB
142:補正関数生成部
143:補正部
144:統合部
145:統合DB
146:補正処理部
12:PCS(パワーコンディショナシステム)
ST01、ST02:ストリング
PN:PVパネル
21:接続装置
22:DC/DC変換機
23:AC/DC変換機
24:計測装置
25:日射計
101:異常要因診断装置
110:計測データ取得部
111:計測データベース(DB)
112:特定部
113:特徴分布生成部
114:スコア算出部
115:評価値算出部
116:異常要因発生DB
117:評価DB
118:出力部
119:評価部
121:入力装置
131:表示装置
151:CPU
152:入力インタフェース
153:表示装置
154:通信装置
155:主記憶装置
156:外部記憶装置
157:バス
141:シミュレーションDB
142:補正関数生成部
143:補正部
144:統合部
145:統合DB
146:補正処理部
Claims (15)
- 発電装置の異常要因が発生した第1時刻を特定する異常要因発生データに基づき、前記発電装置の計測データにおいて前記第1時刻に対応する第1計測データを特定する特定部と、
前記第1計測データに基づき、前記第1計測データの特徴値の分布を表す第1分布関数を算出する分布生成部と、
前記第1分布関数と、前記発電装置のテスト対象の計測データとに基づいて、前記発電装置における前記異常要因の発生の可能性の評価値を算出する評価部と、
を備えた異常要因診断装置。 - 前記評価部は、前記テスト対象の計測データの特徴値に基づき前記第1分布関数の値を計算し、前記第1分布関数の値に基づいて、前記評価値を算出する
請求項1に記載の異常要因診断装置。 - 前記評価部は、前記第1分布関数の値と、前記第1分布関数の最大値とに基づいて、前記評価値を算出する
請求項2に記載の異常要因診断装置。 - 前記分布生成部は、単位時間帯ごとに前記第1分布関数を生成し、
前記評価部は、前記単位時間帯ごとの前記第1分布関数の値に基づいて、前記評価値を算出する
請求項2又は3に記載の異常要因診断装置。 - 前記特定部は、前記異常要因が発生していない第2時刻に対応する第2計測データを特定し、
前記分布生成部は、前記第2計測データの特徴値の分布を表す第2分布関数を前記単位時間帯ごとに生成し、
前記評価部は、前記単位時間帯ごとに前記第1分布関数と前記第2分布関数とが分布の分離条件を満たすかを判断し、前記分離条件を満たす前記単位時間帯の前記第1分布関数の値のみに基づいて、前記評価値を算出する
請求項4に記載の異常要因診断装置。 - 前記特徴値は、発電量を日射量で除算した値と、発電量を日射量で除算した値の最大値との比率である
請求項1~5のいずれか一項に記載の異常要因診断装置。 - 前記発電装置の発電のシミュレーションデータと、
前記シミュレーションデータを補正する補正処理部と、を備え、
前記補正処理部は、前記異常要因が発生していない第2時刻に対応する第2計測データと、前記第2時刻に対応する前記シミュレーションデータとに基づき、前記シミュレーションデータと前記第2計測データとの差分を小さくする前記シミュレーションデータの補正関数を生成し、
前記補正処理部は、前記補正関数に基づき、少なくとも前記発電装置のシミュレーションにおいて前記異常要因が発生した第3時刻に対応するシミュレーションデータを補正し、
前記分布生成部は、補正された前記シミュレーションデータの特徴値に基づき、前記第1分布関数を生成する
請求項1~6のいずれか一項に記載の異常要因診断装置。 - 前記特定部は、日射量、時刻、南中高度、及び発電量の少なくともいずれか1つに基づく条件を満たす前記第1計測データを特定し、
前記分布生成部は、特定した前記第1計測データに基づいて、前記第1分布関数を生成する
請求項1~7のいずれか一項に記載の異常要因診断装置。 - 前記補正処理部は、前記第2時刻に対応する前記シミュレーションデータのうち、日射量、時刻、南中高度、及び発電量の少なくともいずれか1つに基づく条件を満たすシミュレーションデータを特定し、特定したシミュレーションデータを用いて、前記補正関数を生成する
請求項7、又は請求項7を引用する請求項8に記載の異常要因診断装置。 - ユーザインタフェースからのユーザの指示データを受信し、前記指示データが前記シミュレーションデータの利用を指示している場合に前記補正処理部の処理を行い、前記指示データが前記シミュレーションデータの利用を指示していない場合に前記補正処理部の処理を行わない
請求項7~9のいずれか一項に記載の異常要因診断装置。 - 前記補正処理部により補正された前記シレーションデータを表示するための出力情報を生成する出力部
を備えた請求項7~10のいずれか一項に記載の異常要因診断装置。 - 出力部を備え、
前記評価部は、複数の前記発電装置ごとに又は日別に前記評価値を算出し、
前記出力部は、降順又は昇順にソートした前記評価値を表示するための出力情報を生成する
請求項1~11のいずれか一項に記載の異常要因診断装置。 - 前記出力情報を表示する表示装置
を備えた請求項11又は12に記載の異常要因診断装置。 - 発電装置の異常要因が発生した第1時刻を特定する異常要因発生データに基づき、前記発電装置の計測データから、前記第1時刻に対応する第1計測データを特定するステップと、
前記第1計測データの特徴値の分布を表す第1分布関数を算出するステップと、
前記第1分布関数と、前記発電装置のテスト対象の計測データとに基づいて、前記発電装置における前記異常要因の発生の可能性の評価値を算出するステップと、
を備えた異常要因診断方法。 - 少なくとも1つの発電装置と、
前記少なくとも1つの発電装置に対する異常要因診断装置と、を備え、
前記異常要因診断装置は、
前記発電装置の異常要因が発生した第1時刻を特定する異常要因発生データに基づき、前記発電装置の計測データから、前記第1時刻に対応する第1計測データを特定する特定部と、
前記第1計測データの特徴値の分布を表す第1分布関数を算出する分布生成部と、
前記第1分布関数と、前記発電装置のテスト対象の計測データとに基づいて、前記発電装置における前記異常要因の発生の可能性の評価値を算出する評価部と、を含む、
異常要因診断システム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020566364A JP7101265B2 (ja) | 2019-01-15 | 2019-01-15 | 異常要因診断装置及びその方法、並びに異常要因診断システム |
PCT/JP2019/000972 WO2020148813A1 (ja) | 2019-01-15 | 2019-01-15 | 異常要因診断装置及びその方法、並びに異常要因診断システム |
US17/015,530 US11923803B2 (en) | 2019-01-15 | 2020-09-09 | Anomaly factor diagnosis apparatus and method, and anomaly factor diagnosis system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/000972 WO2020148813A1 (ja) | 2019-01-15 | 2019-01-15 | 異常要因診断装置及びその方法、並びに異常要因診断システム |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
US17/015,530 Continuation US11923803B2 (en) | 2019-01-15 | 2020-09-09 | Anomaly factor diagnosis apparatus and method, and anomaly factor diagnosis system |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2020148813A1 true WO2020148813A1 (ja) | 2020-07-23 |
Family
ID=71614357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2019/000972 WO2020148813A1 (ja) | 2019-01-15 | 2019-01-15 | 異常要因診断装置及びその方法、並びに異常要因診断システム |
Country Status (3)
Country | Link |
---|---|
US (1) | US11923803B2 (ja) |
JP (1) | JP7101265B2 (ja) |
WO (1) | WO2020148813A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024014255A1 (ja) * | 2022-07-15 | 2024-01-18 | 株式会社Sustech | 運用システム及びプログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07280603A (ja) * | 1994-04-14 | 1995-10-27 | Shikoku Electric Power Co Inc | 機械の異常判定方法 |
JP2007311487A (ja) * | 2006-05-17 | 2007-11-29 | Eko Instruments Trading Co Ltd | 太陽電池の特性評価装置 |
JP2014059910A (ja) * | 2009-08-28 | 2014-04-03 | Hitachi Ltd | 設備状態監視方法 |
KR101775065B1 (ko) * | 2016-08-05 | 2017-09-06 | 주식회사 해줌 | 태양 에너지를 이용하는 발전소의 이상을 감지하는 방법, 서버 및 시스템 |
JP2018095429A (ja) * | 2016-12-14 | 2018-06-21 | 株式会社日立ビルシステム | 昇降機診断システム、昇降機診断装置、及び昇降機診断方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5431235B2 (ja) | 2009-08-28 | 2014-03-05 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
US20120310427A1 (en) * | 2011-05-31 | 2012-12-06 | Williams B Jeffery | Automatic Monitoring and Adjustment of a Solar Panel Array |
JP2014049706A (ja) | 2012-09-04 | 2014-03-17 | Nissan Motor Co Ltd | 太陽電池モジュール異常判定装置 |
JP5503818B1 (ja) * | 2012-12-25 | 2014-05-28 | パナソニック株式会社 | 太陽追尾装置および方法、太陽光発電装置、ならびに制御装置 |
JP6115764B2 (ja) * | 2013-03-14 | 2017-04-19 | オムロン株式会社 | 太陽光発電システム、異常判断処理装置、異常判断処理方法、およびプログラム |
WO2016166991A1 (ja) | 2015-04-17 | 2016-10-20 | パナソニックIpマネジメント株式会社 | 太陽光発電設備の診断システムおよびプログラム |
JP6159474B2 (ja) * | 2015-06-17 | 2017-07-05 | 株式会社東芝 | 模擬信号生成装置、および模擬信号生成方法、およびコンピュータプログラム |
JP6597425B2 (ja) | 2016-03-15 | 2019-10-30 | オムロン株式会社 | 要因推定装置、要因推定装置の制御方法、制御プログラムおよび記録媒体 |
JP6093465B1 (ja) | 2016-03-30 | 2017-03-08 | 株式会社ラプラス・システム | 太陽光発電システムの発電診断方法、及び発電診断装置 |
KR101903283B1 (ko) * | 2017-05-12 | 2018-10-01 | 한국전력공사 | 발전 설비의 자동 진단 시스템 및 자동 진단 방법 |
US10691085B2 (en) * | 2017-06-14 | 2020-06-23 | Inventus Holdings, Llc | Defect detection in power distribution system |
US10715081B2 (en) * | 2018-03-01 | 2020-07-14 | Michael Gostein | Measuring soiling and non-uniform soiling of PV modules without a clean reference device |
-
2019
- 2019-01-15 JP JP2020566364A patent/JP7101265B2/ja active Active
- 2019-01-15 WO PCT/JP2019/000972 patent/WO2020148813A1/ja active Application Filing
-
2020
- 2020-09-09 US US17/015,530 patent/US11923803B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07280603A (ja) * | 1994-04-14 | 1995-10-27 | Shikoku Electric Power Co Inc | 機械の異常判定方法 |
JP2007311487A (ja) * | 2006-05-17 | 2007-11-29 | Eko Instruments Trading Co Ltd | 太陽電池の特性評価装置 |
JP2014059910A (ja) * | 2009-08-28 | 2014-04-03 | Hitachi Ltd | 設備状態監視方法 |
KR101775065B1 (ko) * | 2016-08-05 | 2017-09-06 | 주식회사 해줌 | 태양 에너지를 이용하는 발전소의 이상을 감지하는 방법, 서버 및 시스템 |
JP2018095429A (ja) * | 2016-12-14 | 2018-06-21 | 株式会社日立ビルシステム | 昇降機診断システム、昇降機診断装置、及び昇降機診断方法 |
Non-Patent Citations (2)
Title |
---|
TRIKI-LAHIANI, A. ET AL.: "Fault detection and monitoring systems for photovoltaic installations: A review", RENEWABLE AND SUSTAINABLE ENERGY REVIEWS, vol. 82, 2018, pages 2680 - 2692, XP085314709, DOI: 10.1016/j.rser.2017.09.101 * |
ZHAO, Y. ET AL.: "Decision Tree-Based Fault Detection and Classification in Solar Photovoltaic Arrays", TWENTY-SEVENTH ANNUAL IEEE APPLIED POWER ELECTRONICS CONFERENCE AND EXPOSITION, 2012, pages 93 - 99, XP032127654, DOI: 10.1109/APEC.2012.6165803 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024014255A1 (ja) * | 2022-07-15 | 2024-01-18 | 株式会社Sustech | 運用システム及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
US20200412298A1 (en) | 2020-12-31 |
JPWO2020148813A1 (ja) | 2021-04-30 |
US11923803B2 (en) | 2024-03-05 |
JP7101265B2 (ja) | 2022-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2014021555A (ja) | 自然エネルギー量予測装置 | |
CN111082749B (zh) | 光伏组串运行状态的识别方法、装置及存储介质 | |
JP5989754B2 (ja) | 予測装置 | |
US10770898B2 (en) | Methods and systems for energy use normalization and forecasting | |
JP2018019555A (ja) | 影の影響を考慮した太陽光発電出力推定方法 | |
Zelikman et al. | Short-term solar irradiance forecasting using calibrated probabilistic models | |
US20230327440A1 (en) | Power generation amount management system and power generation amount management method | |
Martín et al. | Analysis of wind power productions by means of an analog model | |
WO2020148813A1 (ja) | 異常要因診断装置及びその方法、並びに異常要因診断システム | |
JP7104609B2 (ja) | 数値解析装置及び方法 | |
TW201740296A (zh) | 再生能源發電量預測方法與系統 | |
JP5946742B2 (ja) | 自然エネルギー型分散電源群の合計出力の変動推定方法、変動推定装置及び変動推定プログラム | |
CN115082385A (zh) | 基于光伏组件倾斜角的光伏电站缺陷预警方法及装置 | |
WO2022096571A1 (en) | Solar energy facility monitoring | |
JPWO2020209142A1 (ja) | 電力管理装置 | |
Pau et al. | A tool to define the position and the number of irradiance sensors in large PV plants | |
Killinger et al. | Towards a tuning method of PV power measurements to balance systematic influences | |
ZOUBIR et al. | Towards Sustainable Buildings: Predictive Modeling of Energy Consumption with Machine Learning | |
JP2015153368A (ja) | 状態検出装置、状態検出方法、状態検出プログラム、データ処理システム、及びデータ出力装置 | |
KR102524158B1 (ko) | 디지털 트윈 기반 태양광 발전소 관리 솔루션 제공 방법 및 장치 | |
WO2023248484A1 (ja) | 全天日射量推定装置、全天日射量学習装置、全天日射量推定方法、及び全天日射量推定プログラム | |
US11728767B2 (en) | Techniques for quantifying behind-the-meter solar power generation | |
Ferreira et al. | Computational Study of Dirt's Effect on Solar Panel Efficiency | |
Ay et al. | Smart Maintenance with Regression Analysis for Efficiency Improvement in Photovoltaic Energy Systems | |
da Silva et al. | Computational modeling of a 119 kWp photovoltaic system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
ENP | Entry into the national phase |
Ref document number: 2020566364 Country of ref document: JP Kind code of ref document: A |
|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 19909792 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 19909792 Country of ref document: EP Kind code of ref document: A1 |