太陽光発電システムの普及に伴い、保守/運用に関する人手不足が問題となっています。特に、監視による発電量低下検知のコストは大きいため、自動化が必要とされています。

 

発電量低下検知技術についてご紹介いたします。まずは、当技術のコンセプトとどのような発電システムを導入対象としているかについて説明し、次に具体的な電量低下検知技術の手法についてご紹介いたします。

本技術の導入を想定している発電量システムは、監視もメンテナンスもされていない太陽光発電設備です。このような太陽光発電設備は低圧設備に多く存在します。この対象を想定している理由は、設備監視や定期的メンテナンスが実施されている設備や日射計と発電量を監視している設備では、既に多くの場合で発電量低下の検知システムが動作しているため、本技術による低下検知は不要となります。更に、太陽光発電設備が低圧の場合には、監視もメンテナンスもされていない設備が多く、発電量が低下しても検知ができずそのまま放置されている傾向にあります。また、日射計も設置されていないことが多いため、日射量を活用した検知技術も導入することができません。

コンセプトの内容を達成するために、確率分布を利用した発電量低下検知を開発しました。開発した手法について詳しく説明するまえに、扱うデータについてご紹介します。分析対象としている発電量データは、検知対象ごとの発電量データとなっており、30分や1時間などの一定間隔で発電量データが取得されている想定です（図１）。実際のデータでは欠損値が存在しますが、そのような場合には適宜データの補完を実施いたします。
 

図１

 

本技術では特定の時刻ごとに処理を行い、統合して判定を実施します。例えば12:00のデータを1か月分集めて１つのデータのサブセットとして扱います（図２の左から中央）。サブセットごとに確率分布を推定します（図２の中央から右）。確率分布は、データが取りやすい値を表現した関数である確立密度関数を利用して表現できます。発電量データでは、発電量がどのような値をとりやすいかが表現されます。図２の右側にあるようなグラフで表現できます。グラフの盛り上がっているところは値をとりやすく、逆に下がっているところは値が取りにくいです。図の例では、12:00のデータから確立密度関数を考えているので、12:00に200付近の発電量はとりやすく、50付近の発電量は取りにくいことがわかります。確率分布を利用することで、観測された各発電量を単体ではわからなかった、サブセット全体の傾向を把握することができます。この確率分布を利用することが、コンセプトに沿った発電量低下検知技術のポイントです。
 

図２

 

発電量低下検知の初めのステップは、一時的な天候等により低下しているデータの削除です。1日の発電量をそれぞれの時間の確率分布に当てはめることで、確率分布的に取りにくい値をとっている日なのかをスコアとして算出することができます。図３の例では、12:00の発電量は200付近であり、確率分布も大きな値をとります。一方で、図４の例では、12:00の発電量は75付近であり、確率分布は小さな値をとります。発電量と確率分布の値が小さい場合には、天候等による低下である可能性があるため、発電量低下検知を行う際には利用いたしません。図では12:00の例を示しておりますが、実際には各時刻を統合して判断します。
 

図３
 

図４

 

次のステップでは発電量低下検知を実施します。まず、過去データを利用して２つの確率分布を推定します。１つが、正常時の確率分布です。正常時の確率分布は同じ発電システムの過去データから推定します。推定の際には対象の発電システム以外からもデータを取得し、推定精度向上のための補助に利用します。もう１つの確率分布が低下時の確率分布です。対象サイトが過去に低下していることはほとんどないため、基本的に低下時のデータは観測できません。そのため、低下時の確率分布は正常時のデータから推定します（図５の左側）。低下時の確率分布は、正常時の確率分布に比べて平均と分散が小さくなる傾向にあります。次に、推定した正常時の確率分布と低下時の確率分布に対して発電量低下検知対象のデータの類似度を確認します。類似度は低下検知対象のデータを正常時の確率分布と低下時の確率分布に当てはめた際の当てはまりの良さを利用します（図５の右側）。確率分布は時刻ごとに算出していますので、時刻ごとの類似度を統合します。また、発電量低下検知を行う際には複数日の統合した類似度をさらに統合します。統合した類似度から、正常時の確率分布と低下時の確率分布のどちらにより当てはまっているかを判定し、その判定結果より発電量低下検知を実施します。

おわりに

上記の技術により、日射量計を設置していない発電システムでも導入することができ、小規模な発電量低下が検知可能となります。また、確率分布を利用することで、Deep Learning 等を利用する場合に比べ、検知対象の発電システムの大量の過去データや低下時のデータがなくとも低下検知を実施できます。