文章專區

過去的幾十年，能源消耗愈來愈大，煤炭、石油、天然氣的過度開採和利用，不僅給地球帶來嚴重的汙染，也讓全球提前面對能源耗盡以及氣候變遷的危機。解決當前的能源問題，主要由兩個途徑：一是提高傳統能源的使用效率，實現節能減排；二是逐步提高再生能源的佔比。

再生能源包括太陽能、風力、水力、生質能、地熱發電等，具有分布範圍廣、取材方便、可重複利用等特點。其中太陽光電發電是一種將太陽能轉化為清潔能源的技術，是最直接的能源利用方式，具有規模靈活、安全可靠、清潔環保等優點。由於太陽能發電的過程並無碳排放，可減輕氣候變遷的影響，並能改善全球的能源安全，因此世界各國開始提倡建置太陽光電發電系統。2020年，全球太陽光電發電系統安裝量達到140百萬瓩（GW），根據市場預測，到2023年度全球太陽光電發電系統安裝量將達到200GW；以臺灣而言，政策規畫至2025年將設置20GW太陽光電發電系統。國際趨勢也預估2050年太陽光電發電系統將成為全球主要電力來源之一，提供全球約11%電力需求。

現階段太陽光電發電系統中，太陽光電模組占投資的比重較大，約占總造價的40%。通常模組的設計壽命約為25年，然而由於長期工作於比較惡劣的環境，各種故障情況難以避免，使得實際使用壽命大為降低。一旦模組發生故障，直接的危害是損壞模組本體，降低發電效率；間接危害則是造成整個太陽光電發電系統不能正常運行或對電網造成影響，進而釀成重大經濟損失。目前，大部分的太陽光電發電系統已經實現運行狀態即時監控的功能，但也僅提供發電運行資料及重大停電資訊的顯示和統計，對於潛在的故障預警及維運管理無能為力。目前的故障辨識只能依靠經驗豐富的工程師對現場設備進行測試，或通過資料解讀判定，以有限的人力資源，將無法滿足規模龐大的太陽光電市場的需求。此外，自然災害、人類活動，以及環境的變化，都可能會使太陽光電的運行性能降低、影響發電效率。因此隨著技術的發展和產業升級，太陽光電的維運成本占比及其效益都將逐漸提高，合理和智慧化的維運，將成為太陽光電產業永續及健康發展的推動力。

太陽光電故障的診斷方法

太陽光電常見的直流側故障類型有：接地故障、線間故障、開路故障、短路故障、電弧故障、遮蔭故障、老化故障，以及旁路二極體故障等。目前大部分的太陽光電
故障診斷方法可以分成兩類：性能比較和信號處理。

性能比較主要是通過比較太陽光電的參數特性來區分正常狀態和故障狀態。不同的故障類型，內、外部參數或者曲線的斜率、形狀會出現發生的變化，可通過分析、總結規律，找出表徵不同故障的特徵表示。人工智慧（artificial intelligence, AI）技術的應用，有助於製造故障類型自動分類器，將所提取的特徵或以物理特性分類，做為樣本或模型訓練樣本加以利用。常見的故障分類方法有人工類神經網路、機率類神經網路、決策樹、聚類、支援向量機、極限學習機等。

信號處理則是應用波形信號分解方式，來辨識和定位故障類型的方法，經常用於解決多串列系統的線間故障、動態遮蔭，以及電弧故障診斷。線間故障又稱為失配故障，如線間出現短路或接地。線間故障的電流－電壓曲線特性表現和遮蔭極為相似，無法通過性能比較的方式來辨識。不過，由於線間故障存在電流回流的現象，因此常可通過對暫態波形的分解和時頻變換工具的應用抽取故障特徵，以辨識故障類型。但是失配的比例、接地電阻大小、阻塞二極體的使用，又會限制故障電流的產生和變化，對故障辨識帶來了極大的挑戰。而當發生直流電弧故障時，不同的電弧類型及故障發生的位置，所產生的故障波形又存在些許差異。因此，常利用對時序信號故障波形的分析，實現電弧辨識和定位。由於電弧信號的特徵頻率比較高，往往需要使用具有高取樣速率的設備來採集波形。電弧信號容易受到各種雜訊干擾，如逆變器雜訊、篩檢程式高頻衰減雜訊、通信信號、振動雜訊等，因此進行信號處理時，抑制雜訊顯得更為重要。檢測直流電弧的方法有很多，常見的有傅立葉變換、小波分解、基於統計學法、基於電弧模型法、基於AI方法等。

目前太陽光電故障診斷面臨的主要問題是：

1. 缺乏故障樣本：以機器學習演算法建立診斷模型，需要大量的標籤化故障樣本進行訓練。最終診斷的準確率取決於樣本的數量，且要求訓練樣本和測試樣本符合同一分布。

2. 泛化能力差：很多研究針對特定的電場建立數值化診斷模型，特徵參數沒有進行規範化處理或採用固定的閥值進行評判。若是要推廣到其他電場，不僅樣本要重新獲取，而且閥值要重新計算，模型參數也要重新調整。

3. 能辨識的故障類型少：目前很多研究方法大部分是單一故障，而且多只針對單串列的部分故障類型進行辨識，很少考慮多串列及混合故障。

4. 研究模型大多只適合於新建電場，對於出現老化衰退及無照度和溫度感測器的老舊電場，並不適用。

另一方面，太陽光電系統的維運工作不僅只偵測及判別故障，還須針對系統的運行性能狀況，提出最佳的養護策略，追求維運成本的最佳化。舉例來說，日常週期性的灰塵沉積，會導致太陽光電模組表面玻璃的透光率降低，從而影響系統整體的發電效率，給日常的發電效益帶來不可忽略的損失。

基於少樣本遷移式學習，辨識太陽能光電故障

目前有種創新研究方法，是基於少樣本遷移式學習（transfer learning）以發展出太陽光電混合故障智慧辨識技術。在此方法中，針對故障樣本缺乏的問題，通過建立和每個電場相對於的數值模擬模型獲取故障樣本；透過研究太陽光電各種故障的物理特性，獲得表徵故障類型的特徵。這類以數值模擬進行的混合故障辨識研究，拓寬了研究的廣度和深度，符合業界實際需求。此外，透過將外特徵參數統一，在標準測試條件下將參數規範化處理、轉換為表徵參數變化趨勢的資訊，使特徵量具備強大的泛化能力。對於無照度和溫度資訊的電場，也可以藉由串聯對比技術，獲得同樣表徵外特徵變化趨勢的特徵量，實現了新舊電場特徵量的統一表達。而採用遷移式學習技術，則使得辨識模型能適應從數值模擬樣本到實測故障樣本的過渡，最終透過線上強化學習，使模型具有自我更新能力，即使在電場逐年老化衰減的情況下，也能保持較高的辨識準確度。

此外，為進一步解決電弧故障以及多串列系統的遮陰和失配故障辨識問題，也可研究以機器學習辨識、找出多串列太陽光電系統直流電弧及線間故障辨識。通過對直流電弧中常見的電弧模型進行數學建模和波形特性分析，尋找一種或幾種適用於太陽光電並聯電弧和串聯電弧的模型，並利用其生成模擬故障樣本。在此方法中，透過模擬或電弧產生器的研製，獲得實測故障樣本，從而解決故障樣本缺少的問題。並且分析對線間故障的物理特性和影響因素，尋找能夠辨識失配、遮蔭故障的特徵，並與正常情況下其他干擾因素進行區別。最後，則針對基於時序信號波形進行訓練，以發展出獨立的機器學習診斷模型，來辨識直流電弧和線間故障。

精打細算營運太陽能，清洗與調度靠AI

臺灣屬於亞熱帶海島型氣候，潮濕多雨，灰塵的沉積速度相對較慢，所以很多電場一年或幾年才清洗一次。在較長的清洗週期下，老化對功率損失的影響也不容忽視。從類型上看，太陽能板的老化可以分成：腐蝕、分層、變色、模組破片。若濕氣從面板的層壓邊緣侵入電池，還會造成電池以及連接部件生銹及腐蝕現象。為了積極探索太陽光電最經濟的維運方案，太陽光電系統面板清洗維運成本優化亦為重點項目之一。透過對臺灣地區汙染物及太陽光電面板灰塵沉積情況分析，我們所發展的AI系統可提出各個縣市太陽光電汙染損失情況、及清洗週期分布圖；按照太陽光電面板老化類型單獨建模，實現精確化的老化損失計算需求；提出一個計算清洗成本的太陽光電灰塵沉積優化清洗方案。在考慮面板老化的情況下，通過計算最合理的清洗時間，確保發電損失及清洗費用總成本最小，並開發相應的優化程式，滿足業界精細化維運需求。

智慧電網通常包含太陽光電發電系統的分散式再生能源，上述智慧化AI檢測太陽光電發電系統狀況，自然可納入智慧電網整合控制架構中。如無法確保太陽光電發電系統的穩定性，併網會遇到很大的挑戰，輕者可能導致系統頻率不穩或區域電網的電壓變動太大，重者可能導致輸電線路雍塞及區域電網電壓不穩定進而影響到電網穩定性及安全性。無法控制、具備不確定性的再生能源併網，可能會增加電網的營運成本，讓太陽能光電在電網中每增加100兆瓦（MW）的容量，可能會增加每小時100美元的電網營運成本。舉例來說，去（2021）年5月臺灣兩次大停電，皆發生於傍晚時段。主要影響因素除了人為疏失、氣候變遷及離峰用電日漸遽增等狀況以外，也與太陽光電發電系統夜間無法供電、其他發電機組啟動併網需要數小時時間有關。顯見太陽光電發電狀況整合，與短期發電量預測以及經濟電力的調度息息相關。

為了減少資料傳輸成本，電表資料管理系統通常會延遲時間才取得太陽光電發電系統案場的發電資訊，此作法雖然解決資料傳輸成本的問題，卻對太陽光電發電預測帶來更高的挑戰性。因電力營運商通常需要即時太陽光電發電量預估作為電力調度依據，但卻無法提供對應的歷史發電資料。目前有創新研究提出氣象資料擬合的前處理概念，並結合深度學習來預測太陽光電發電量，不同案場的發電量預測準確度指標平均值可達97％以上。

再生能源併網是目前全球普遍遇到的一大難題，來自大自然的能源容易變動、很難精準預測，尤其日照、溫度、風速等關鍵因素都會受到天氣影響，可能會在短時間內產生變動。因此再生能源發電系統也稱作間歇性發電系統、智慧化AI預測或檢測策略，不僅適用於太陽光電發電系統，其他綠色能源（例如風力發電系統）也有大幅發展空間。

未來針對太陽光電發電系統，力求單位面積最大化設置容量及降低環境因素造成發電損失等議題可再進一步研究。除高效能光電材料及溫升無感的太陽光電模組發展外，AI則可進一步探討少量感測器的故障定位及高精度發電預測議題，將對太陽光電發電系統智慧管維做出具體貢獻。