Author 作者 魏荣宗／台湾科技大学电资学院暨产业创新学院特聘教授。能源再生能源太阳光电人工智慧迁移式学习AI太阳能过去的几十年，能源消耗愈来愈大，煤炭、石油、天然气的过度开采和利用，不仅给地球带来严重的污染，也让全球提前面对能源耗尽以及气候变迁的危机。解决当前的能源问题，主要由两个途径：一是提高传统能源的使用效率，实现节能减排；二是逐步提高再生能源的占比。
再生能源包括太阳能、风力、水力、生质能、地热发电等，具有分布范围广、取材方便、可重复利用等特点。其中太阳光电发电是一种将太阳能转化为清洁能源的技术，是最直接的能源利用方式，具有规模灵活、安全可靠、清洁环保等优点。由於太阳能发电的过程并无碳排放，可减轻气候变迁的影响，并能改善全球的能源安全，因此世界各国开始提倡建置太阳光电发电系统。2020年，全球太阳光电发电系统安装量达到140百万瓩（GW），根据市场预测，到2023年度全球太阳光电发电系统安装量将达到200GW；以台湾而言，政策规画至2025年将设置20GW太阳光电发电系统。国际趋势也预估2050年太阳光电发电系统将成为全球主要电力来源之一，提供全球约11%电力需求。
现阶段太阳光电发电系统中，太阳光电模组占投资的比重较大，约占总造价的40%。通常模组的设计寿命约为25年，然而由於长期工作於比较恶劣的环境，各种故障情况难以避免，使得实际使用寿命大为降低。一旦模组发生故障，直接的危害是损坏模组本体，降低发电效率；间接危害则是造成整个太阳光电发电系统不能正常运行或对电网造成影响，进而酿成重大经济损失。目前，大部分的太阳光电发电系统已经实现运行状态即时监控的功能，但也仅提供发电运行资料及重大停电资讯的显示和统计，对於潜在的故障预警及维运管理无能为力。目前的故障辨识只能依靠经验丰富的工程师对现场设备进行测试，或通过资料解读判定，以有限的人力资源，将无法满足规模庞大的太阳光电市场的需求。此外，自然灾害、人类活动，以及环境的变化，都可能会使太阳光电的运行性能降低、影响发电效率。因此随着技术的发展和产业升级，太阳光电的维运成本占比及其效益都将逐渐提高，合理和智慧化的维运，将成为太阳光电产业永续及健康发展的推动力。太阳光电故障的诊断方法太阳光电常见的直流侧故障类型有：接地故障、线间故障、开路故障、短路故障、电弧故障、遮荫故障、老化故障，以及旁路二极体故障等。目前大部分的太阳光电
故障诊断方法可以分成两类：性能比较和信号处理。
性能比较主要是通过比较太阳光电的参数特性来区分正常状态和故障状态。不同的故障类型，内、外部参数或者曲线的斜率、形状会出现发生的变化，可通过分析、总结规律，找出表徵不同故障的特徵表示。人工智慧（artificial intelligence, AI）技术的应用，有助於制造故障类型自动分类器，将所提取的特徵或以物理特性分类，做为样本或模型训练样本加以利用。常见的故障分类方法有人工类神经网路、机率类神经网路、决策树、聚类、支援向量机、极限学习机等。
信号处理则是应用波形信号分解方式，来辨识和定位故障类型的方法，经常用於解决多串列系统的线间故障、动态遮荫，以及电弧故障诊断。线间故障又称为失配故障，如线间出现短路或接地。线间故障的电流－电压曲线特性表现和遮荫极为相似，无法通过性能比较的方式来辨识。不过，由於线间故障存在电流回流的现象，因此常可通过对暂态波形的分解和时频变换工具的应用抽取故障特徵，以辨识故障类型。但是失配的比例、接地电阻大小、阻塞二极体的使用，又会限制故障电流的产生和变化，对故障辨识带来了极大的挑战。而当发生直流电弧故障时，不同的电弧类型及故障发生的位置，所产生的故障波形又存在些许差异。因此，常利用对时序信号故障波形的分析，实现电弧辨识和定位。由於电弧信号的特徵频率比较高，往往需要使用具有高取样速率的设备来采集波形。电弧信号容易受到各种杂讯干扰，如逆变器杂讯、筛检程式高频衰减杂讯、通信信号、振动杂讯等，因此进行信号处理时，抑制杂讯显得更为重要。检测直流电弧的方法有很多，常见的有傅立叶变换、小波分解、基於统计学法、基於电弧模型法、基於AI方法等。
目前太阳光电故障诊断面临的主要问题是：
1. 缺乏故障样本：以机器学习演算法建立诊断模型，需要大量的标签化故障样本进行训练。最终诊断的准确率取决於样本的数量，且要求训练样本和测试样本符合同一分布。
2. 泛化能力差：很多研究针对特定的电场建立数值化诊断模型，特徵参数没有进行规范化处理或采用固定的阀值进行评判。若是要推广到其他电场，不仅样本要重新获取，而且阀值要重新计算，模型参数也要重新调整。
3. 能辨识的故障类型少：目前很多研究方法大部分是单一故障，而且多只针对单串列的部分故障类型进行辨识，很少考虑多串列及混合故障。
4. 研究模型大多只适合於新建电场，对於出现老化衰退及无照度和温度感测器的老旧电场，并不适用。
另一方面，太阳光电系统的维运工作不仅只侦测及判别故障，还须针对系统的运行性能状况，提出最佳的养护策略，追求维运成本的最佳化。举例来说，日常周期性的灰尘沉积，会导致太阳光电模组表面玻璃的透光率降低，从而影响系统整体的发电效率，给日常的发电效益带来不可忽略的损失。基於少样本迁移式学习，辨识太阳能光电故障目前有种创新研究方法，是基於少样本迁移式学习（transfer learning）以发展出太阳光电混合故障智慧辨识技术。在此方法中，针对故障样本缺乏的问题，通过建立和每个电场相对於的数值模拟模型获取故障样本；透过研究太阳光电各种故障的物理特性，获得表徵故障类型的特徵。这类以数值模拟进行的混合故障辨识研究，拓宽了研究的广度和深度，符合业界实际需求。此外，透过将外特徵参数统一，在标准测试条件下将参数规范化处理、转换为表徵参数变化趋势的资讯，使特徵量具备强大的泛化能力。对於无照度和温度资讯的电场，也可以藉由串联对比技术，获得同样表徵外特徵变化趋势的特徵量，实现了新旧电场特徵量的统一表达。而采用迁移式学习技术，则使得辨识模型能适应从数值模拟样本到实测故障样本的过渡，最终透过线上强化学习，使模型具有自我更新能力，即使在电场逐年老化衰减的情况下，也能保持较高的辨识准确度。
此外，为进一步解决电弧故障以及多串列系统的遮阴和失配故障辨识问题，也可研究以机器学习辨识、找出多串列太阳光电系统直流电弧及线间故障辨识。通过对直流电弧中常见的电弧模型进行数学建模和波形特性分析，寻找一种或几种适用於太阳光电并联电弧和串联电弧的模型，并利用其生成模拟故障样本。在此方法中，透过模拟或电弧产生器的研制，获得实测故障样本，从而解决故障样本缺少的问题。并且分析对线间故障的物理特性和影响因素，寻找能够辨识失配、遮荫故障的特徵，并与正常情况下其他干扰因素进行区别。最後，则针对基於时序信号波形进行训练，以发展出独立的机器学习诊断模型，来辨识直流电弧和线间故障。精打细算营运太阳能，清洗与调度靠AI台湾属於亚热带海岛型气候，潮湿多雨，灰尘的沉积速度相对较慢，所以很多电场一年或几年才清洗一次。在较长的清洗周期下，老化对功率损失的影响也不容忽视。从类型上看，太阳能板的老化可以分成：腐蚀、分层、变色、模组破片。若湿气从面板的层压边缘侵入电池，还会造成电池以及连接部件生锈及腐蚀现象。为了积极探索太阳光电最经济的维运方案，太阳光电系统面板清洗维运成本优化亦为重点项目之一。透过对台湾地区污染物及太阳光电面板灰尘沉积情况分析，我们所发展的AI系统可提出各个县市太阳光电污染损失情况、及清洗周期分布图；按照太阳光电面板老化类型单独建模，实现精确化的老化损失计算需求；提出一个计算清洗成本的太阳光电灰尘沉积优化清洗方案。在考虑面板老化的情况下，通过计算最合理的清洗时间，确保发电损失及清洗费用总成本最小，并开发相应的优化程式，满足业界精细化维运需求。
智慧电网通常包含太阳光电发电系统的分散式再生能源，上述智慧化AI检测太阳光电发电系统状况，自然可纳入智慧电网整合控制架构中。如无法确保太阳光电发电系统的稳定性，并网会遇到很大的挑战，轻者可能导致系统频率不稳或区域电网的电压变动太大，重者可能导致输电线路雍塞及区域电网电压不稳定进而影响到电网稳定性及安全性。无法控制、具备不确定性的再生能源并网，可能会增加电网的营运成本，让太阳能光电在电网中每增加100兆瓦（MW）的容量，可能会增加每小时100美元的电网营运成本。举例来说，去（2021）年5月台湾两次大停电，皆发生於傍晚时段。主要影响因素除了人为疏失、气候变迁及离峰用电日渐遽增等状况以外，也与太阳光电发电系统夜间无法供电、其他发电机组启动并网需要数小时时间有关。显见太阳光电发电状况整合，与短期发电量预测以及经济电力的调度息息相关。
为了减少资料传输成本，电表资料管理系统通常会延迟时间才取得太阳光电发电系统案场的发电资讯，此作法虽然解决资料传输成本的问题，却对太阳光电发电预测带来更高的挑战性。因电力营运商通常需要即时太阳光电发电量预估作为电力调度依据，但却无法提供对应的历史发电资料。目前有创新研究提出气象资料拟合的前处理概念，并结合深度学习来预测太阳光电发电量，不同案场的发电量预测准确度指标平均值可达97％以上。
再生能源并网是目前全球普遍遇到的一大难题，来自大自然的能源容易变动、很难精准预测，尤其日照、温度、风速等关键因素都会受到天气影响，可能会在短时间内产生变动。因此再生能源发电系统也称作间歇性发电系统、智慧化AI预测或检测策略，不仅适用於太阳光电发电系统，其他绿色能源（例如风力发电系统）也有大幅发展空间。
未来针对太阳光电发电系统，力求单位面积最大化设置容量及降低环境因素造成发电损失等议题可再进一步研究。除高效能光电材料及温升无感的太阳光电模组发展外，AI则可进一步探讨少量感测器的故障定位及高精度发电预测议题，将对太阳光电发电系统智慧管维做出具体贡献。
