Σλοβάκοι ερευνητές προβλέπουν έξοδο Φ/Β μετατροπέα χωρίς αισθητήρες καιρού

Μια ερευνητική ομάδα με επικεφαλής επιστήμονες από το Πανεπιστήμιο Constantine the Philosopher της Σλοβακίας στη Nitra ανέπτυξε ένα νέο μοντέλο πρόβλεψης και ανίχνευσης ανωμαλιών-για Φ/Β μετατροπείς σε εμπορικές εγκαταστάσεις. Το νέο πλαίσιο που βασίζεται σε μηχανήματα-μάθησης- χρησιμοποιεί μόνο χρονικά και ηλεκτρικά δεδομένα, χωρίς να βασίζεται σε περιβαλλοντικούς αισθητήρες.

"Οι επιλεγμένοι αλγόριθμοι, Τυχαία Δάση για πρόβλεψη και ανάλυση βαθμολογίας Z- για ανίχνευση ανωμαλιών, επιλέχθηκαν για την ευρωστία, την ερμηνευτικότητα και την καταλληλότητά τους για μικρά-σύνολα δεδομένων υψηλής συχνότητας, καθιστώντας τα καλά-να ευθυγραμμισμένα με πρακτικές εφαρμογές παρακολούθησης Φ/Β", είπαν οι ακαδημαϊκοί. "Επιπλέον, η απουσία δεδομένων ακτινοβολίας ή θερμοκρασίας αντιμετωπίζεται ρητά με την κατασκευή μεσολαβητών με βάση το χρόνο (ωραίες, ημέρες και καθημερινές) για την καταγραφή της συμπεριφοράς της κυκλικής ηλιακής παραγωγής."

Το μοντέλο χρησιμοποιεί πραγματικά-λειτουργικά δεδομένα από μια συνδεδεμένη στο δίκτυο-φυτοβολταϊκή εγκατάσταση στη δυτική Σλοβακία, συμπεριλαμβανομένων δύο μετατροπέων με ονομαστική ισχύ 30 kW και 40 kW. Τα δεδομένα του μετατροπέα, της ισχύος του δικτύου και της τάσης δικτύου συλλέχθηκαν σε ανάλυση πέντε λεπτών από τον Ιαν. 1 έως τον Φεβ. 1, 2025, χρησιμοποιώντας αισθητήρες παρακολούθησης μετατροπέα και δικτύου.
 

Για να ενεργοποιηθεί η ανάλυση μηχανικής μάθησης, απαιτήθηκε προεπεξεργασία. Στη συνέχεια, εκπαιδεύτηκε ένας τυχαίος αντιστροφέας δασών για να προβλέπει την πραγματική ισχύ εξόδου του μετατροπέα (kW) σε κάθε βήμα πέντε-λεπτών. Στη συνέχεια, χρησιμοποιήθηκε ένας Τυχαίος Ταξινομητής Δασών για να χαρτογραφήσει τη συνεχή ισχύ σε καταστάσεις λειτουργίας, δηλαδή χαμηλή, μεσαία και υψηλή. Θα μπορούσε να ταξινομήσει την τρέχουσα κατάσταση καθώς και μια μελλοντική κατάσταση, μια ώρα νωρίτερα. Τέλος, χρησιμοποιήθηκε μια ανάλυση βαθμολογίας Z- για να ποσοτικοποιηθεί ο βαθμός στον οποίο η πραγματική ισχύς αποκλίνει από την προβλεπόμενη ισχύ. Οι τιμές που ξεπέρασαν ένα στατιστικό όριο επισημάνθηκαν ως ανωμαλίες.

"Ένας Random Forest Regressor πέτυχε υψηλή πιστότητα στην πρόβλεψη ισχύος (R²=0.995, μέσο απόλυτο σφάλμα=0.12 kW), ενώ τα μοντέλα ταξινόμησης κατηγοριοποίησαν τα επίπεδα εξόδου με 100% ακρίβεια υπό στατικές συνθήκες", έδειξαν τα αποτελέσματα. "Η ανίχνευση ανωμαλιών με τη χρήση ανάλυσης βαθμολογίας Z-εντόπισε σημαντικές ακραίες τιμές, ιδιαίτερα κατά τη διάρκεια υψηλών-διαστημάτων παραγωγής. Ωστόσο, η ταξινόμηση μιας{7}}ώρας- νωρίτερα αποκάλυψε σημαντικές μειώσεις στην προγνωστική απόδοση (ακρίβεια=36.4%), υπογραμμίζοντας την εγγενή δυσκολία πρόβλεψης υπό μεταβλητές περιβαλλοντικές συνθήκες."

Καταλήγοντας, η ερευνητική ομάδα πρόσθεσε ότι "σε αντίθεση με άλλες πρόσφατες εργασίες, οι οποίες ενσωματώνουν μετεωρολογικά και συμφραζόμενα δεδομένα για διάγνωση πολλών-επιπέδων, το προτεινόμενο μοντέλο λειτουργεί αποκλειστικά σε ηλεκτρικές μετρήσεις από την πλευρά του μετατροπέα και του δικτύου. Αυτή η διάκριση υπογραμμίζει την πρακτική αξία της παρουσιαζόμενης προσέγγισης σε σενάρια που δεν διαθέτουν ερμηνευτικά αποδοτικούς περιβαλλοντικούς αισθητήρες, προσφέροντας ένα αποτελεσματικά ερμηνευτικό εναλλακτικό ερμηνευτικό για αισθητήρες περιβάλλοντος."

Το πλαίσιο παρουσιάστηκε στο "Predictive modeling and anomaly detection in solar PV inverters using machine learning", το οποίο δημοσιεύτηκε πρόσφατα στο Results in Engineering. Στην έρευνα συμμετείχαν επιστήμονες από το Πανεπιστήμιο Constantine the Philosopher της Σλοβακίας στη Νίτρα, το Πανεπιστήμιο Obuda της Ουγγαρίας και το Πανεπιστήμιο της Νότιας Βοημίας της Τσεχικής Δημοκρατίας στο České Budějovice.