0619-人工智慧深度分析

Deep Learning

機械學習進階服務

「Deep Learning」機械學習進階服務

深度體檢，了解老舊太陽能電廠健康狀況

主要分析項目

盛齊搭配以色列人工智慧軟體公司，推出「Deep Learning」機械學習進階服務，只需安裝Pixel View監控系統，皆可申請升級並利用現有電廠資料進行數據分析，透過複雜性極高之演算法，解讀太陽能所有指標數據並分析發電效率下降原因，深度學習電廠過去一年發電量行為表現，分析20種造成發電量下降的原因指標：

變流器晚起床

線損和接頭斷線

MPPT/變流器效率

追日系統效率量測

頻率偏差	變流器數據完整性
溫度係數異常	變流器Clipping
設備斷線	電壓偏差
日照計數據完整性	串列發電量表現
環境感測器故障	串列發電數據完整性
環境感測器數據一致性	MPPT異常
太陽能模組清潔/髒污	變流器效率低於規格
植被需要修剪	變流器相對效率異常
變流器晚起床	變流器故障
功率因數異常	溫度異常警報
變流器/AC電錶發電比例	變壓器效率不佳
變壓器溫度異常

頻率偏差	變流器數據完整性	變流器晚起床
溫度係數異常	變流器Clipping	變流器故障
設備斷線	電壓偏差	功率因數異常
日照計數據完整性	串列發電量表現	溫度異常警報
環境感測器故障	串列發電數據完整性	變流器/AC電錶發電比例
環境感測器數據一致性	MPPT異常	變壓器效率不佳
太陽能模組清潔/髒污	變流器效率低於規格	變壓器溫度異常
植被需要修剪	變流器相對效率異常

包含：變流器Clipping、數據蒐集完整性、電壓和頻率偏差、模組溫度係數異常、MPPT/Inverter效率異常、MPPT精準度、斷線串列、變流器轉換效率不良、變流器故障或晚起床、環境感測器故障等因素，提出可量化的改造維運計畫，進行預防性異常維護與糾正措施，可提升老舊電廠平均發電3-8%，降低O&M成本10-12%。