| Project/Area Number |
23K03806
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 21010:Power engineering-related
|
|---|
| Research Institution | Tsuyama National College of Technology |
|---|
Principal Investigator |
桶 真一郎 津山工業高等専門学校, 総合理工学科, 教授 (20362329)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
大竹 秀明 国立研究開発法人産業技術総合研究所, エネルギー・環境領域, 主任研究員 (10727655)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
Fiscal Year 2025: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
Fiscal Year 2024: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
Fiscal Year 2023: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
|
|---|
| Keywords | 過積載太陽光発電システム / 出力推定 / 故障検出 / 補正関数 / I-V特性 / 最大電力点追従制御 / クリッピング / 動作点 / 出力低下 / ローカルMPP / 太陽光発電 / 火災予防 / 過積載 / 機械学習 |
|---|
| Outline of Research at the Start |
普及が進む太陽光発電システム（PVS）の中でも，パワーコンディショナの定格出力よりもPVアレイの定格出力の方が大きい過積載PVSの故障は発見が困難である。本研究では，太陽の動きに伴って移動する部分影の位置，運転中のPVSで得られる基礎データ，過去の実績値，予測値，および気象データを用いて故障を発見しその位置を特定する手法を開発する。まず，模擬故障PVSを用いてさまざまな故障状態を含むPVSの発電データを収集する。次に，それらのデータに基づき故障発見を可能とする機械学習プログラムを構築する。最後に，実際の過積載PVSで得られたデータを用いた機能検証を実施して提案手法の有効性を評価する。
|
| Outline of Annual Research Achievements |
普及が進む太陽光発電システム（PVS）の中でも，パワーコンディショナ（PCS）の定格出力よりもPVアレイの定格出力の方が大きい過積載PVSの故障は発見が困難である。PVSの普及に伴いさまざまな故障検出手法が提案されているが，日射強度が大きい場合に発電電力が頭打ちとなるクリッピングが発生する過積載PVSにおいては，その独特の挙動により従来の手法が適用できない場合が考えられる。本研究では，これまでに過積載PVSの発電電力の変動特性を明らかにするとともに，なんらかの故障や性能低下が発生した際の発電特性の変化を明らかにしてきた。2024年度には，気象条件に基づき過積載PVSの出力を推定し，実際の出力と推定値のかい離に基づき性能低下や故障を検出する手法を提案した。
提案手法では，まず気象条件に基づいて過積載PVSの出力を推定する。次に，推定値と実際の出力とを比較する。最後に，それらの差が統計的に考えられるばらつきの範囲を逸脱している場合は故障の可能性があると判定する。出力推定値の補正関数の作成に年間を代表する一日の快晴日のデータを用いる場合を基準快晴日モデル，推定日に近い快晴日のデータを用いる場合を基準快晴日更新モデル，年間を代表する一日の曇天日のデータを用いる場合を基準曇天日モデルとして，それらの推定精度を比較した。快晴日では，基準快晴日モデルが最も高精度であった。やや曇天日が多かった期間の平均誤差は，基準快晴日モデル：7.63%，基準快晴日更新モデル：6.97%，基準曇天日モデル：4.97%であった。必要なデータが少なく計算が簡単であることから，実際の故障検出に適しているのは，天候に合わせて基準快晴日モデルと基準曇天日モデルを使い分ける方法であることがわかった。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初の計画では，2023年度には過積載太陽光発電システム（過積載PVS）の発電特性データを収集し，2024年度にはその発電電力を推定あるいは予測するシステムを構築する予定であった。実際には，2023年度中には実際の過積載PVSの発電特性データの収集を開始し，それは2025年度になった現在も継続中である。この間，少なくとも2年分以上の発電特性データ（電流－電圧特性，系統連系時の直流・交流電圧・電流・電力，モジュール裏面温度，および気象データ）を蓄積した。また，2024年度には傾斜面日射強度とモジュール裏面温度の実測値に基づき過積載PVSの発電電力を推定する計算モデルを構築した。また，その推定誤差を補正する補正関数を考案し，推定誤差を低減することに成功した。
以上のように，当初の計画に沿って順調に進捗しているので，「（2）おおむね順調に進展している」と自己評価する。
|
| Strategy for Future Research Activity |
今後は過積載太陽光発電システム（過積載PVS）の出力推定値（予測値）に基づきその故障および性能低下を判定する手法を確立し，それを実際の過積載PVSに適用して提案手法の有効性を評価する予定である。過積載PVSの出力推定モデルの構築に用いた発電サイトの他にも，全国各地のメガソーラー施設の発電特性データを入手できる目途が立っているため，それらを活用してさまざまな地域や気象条件の下で提案手法を評価できる。
提案手法における故障判定には機械学習プログラムを導入し，教師なし学習によるクラスタリング（分類）に基づき異常データを自動検出する機能を実装する予定である。
|
