Словацькі дослідники передбачили продуктивність фотоелектричного інвертора без датчиків погоди

Дослідницька група під керівництвом учених зі словацького Університету Костянтина Філософа в Нітрі розробила нову модель прогнозування та-виявлення аномалій для фотоелектричних інверторів у комерційних установках. Нова основа, заснована на-машинному{3}}навчанні, використовує лише часові та електричні дані, не покладаючись на датчики навколишнього середовища.

«Вибрані алгоритми, Random Forests для прогнозування та Z-аналіз показників для виявлення аномалій, були вибрані через їхню надійність, інтерпретацію та придатність для невеликих, але високо{1}}наборів даних, завдяки чому вони добре -узгоджені з практичним розгортанням фотомоніторингу», – сказали вчені. «Крім того, відсутність даних про освітленість або температуру явно вирішується шляхом побудови проксі-на основі часу (шаблонів годин, днів і днів тижня) для фіксації циклічної поведінки сонячної генерації».

Модель використовує реальні-оперативні дані з-підключеної до мережі фотоелектричної станції в західній Словаччині, включаючи два інвертори з номінальною потужністю 30 кВт і 40 кВт. Дані про інвертор, потужність мережі та напругу мережі збиралися з п’ят{5}}хвилинною роздільною здатністю з . 1 січня по . 1 лютий 2025 року за допомогою датчиків моніторингу інвертора та мережі.
 

Щоб увімкнути аналіз машинного навчання, потрібна була попередня обробка. Згодом Random Forest Regressor був навчений передбачати фактичну вихідну потужність інвертора (кВт) на кожному п’ят-хвилинному кроці. Згодом використовувався класифікатор випадкового лісу для відображення постійної потужності в робочих станах, а саме низькому, середньому та високому. Він може класифікувати поточний стан, а також майбутній стан на годину вперед. Нарешті, для кількісного визначення ступеня відхилення фактичної потужності від прогнозованої потужності було використано Z-аналіз. Значення, які перевищували статистичний поріг, позначалися як аномалії.

«Регресор випадкового лісу досяг високої точності прогнозування потужності (R²=0.995, середня абсолютна похибка=0.12 кВт), тоді як моделі класифікації класифікували вихідні рівні зі 100% точністю в статичних умовах», — показали результати. «Виявлення аномалій за допомогою Z-аналізу показників виявило значні викиди, особливо під час високих-інтервалів виробництва. Однак класифікація на-годину-наперед виявила суттєві падіння прогнозної продуктивності (точність=36.4%), підкреслюючи притаманну складність прогнозування за змінних умов навколишнього середовища».

На завершення дослідницька група додала, що «на відміну від інших нещодавніх робіт, які об’єднують метеорологічні та контекстуальні дані для багаторівневої-діагностики, запропонована модель працює виключно на електричних вимірюваннях із боку інвертора й-мережі. Ця відмінність підкреслює практичну цінність представленого підходу в сценаріях, де відсутні датчики навколишнього середовища, пропонуючи прозору й обчислювально ефективну альтернативу для інтерпретованого виявлення аномалій».

Структура була представлена ​​в «Прогнозному моделюванні та виявленні аномалій у сонячних фотоелектричних інверторах з використанням машинного навчання», яка нещодавно була опублікована в Results in Engineering. У дослідженні брали участь вчені зі словацького Університету Костянтина Філософа в Нітрі, угорського Університету Обуди та чеського Університету Південної Богемії в Ческе-Будейовіце.