Slovenští vědci předpovídají výkon FV invertoru bez senzorů počasí

Výzkumný tým vedený vědci ze slovenské Univerzity Konštantína Filozofa v Nitře vyvinul nový prediktivní a -detekční model anomálií pro FV střídače v komerčních instalacích. Nový systém založený na strojovém-učení-používá pouze časová a elektrická data, aniž by se spoléhal na senzory prostředí.

„Vybrané algoritmy, Random Forests pro predikci a Z{0}}skóre analýza pro detekci anomálií, byly vybrány pro svou robustnost, interpretovatelnost a vhodnost pro malé, ale{1}}vysokofrekvenční datové sady, díky čemuž jsou dobře-v souladu s praktickým nasazením PV monitorování,“ uvedli akademici. "Kromě toho je absence údajů o ozáření nebo teplotě explicitně řešena vytvořením časových -zástupných hodnot (vzorce hodin, dnů a dnů v týdnu) k zachycení cyklického chování solární energie."

Model využívá reálná-provozní data z FVE připojené k síti-na západním Slovensku, včetně dvou střídačů o jmenovitém výkonu 30 kW a 40 kW. Údaje o střídačích, výkonu sítě a napětí v síti byly shromažďovány v pěti-minutovém rozlišení od ledna. 1 do února. 1, 2025 pomocí střídačů a senzorů monitorování sítě.
 

Aby bylo možné provést analýzu strojového učení, bylo nutné předběžné zpracování. Následně byl vycvičen Random Forest Regressor, aby předpovídal skutečný výkon invertoru (kW) v každém pěti-minutovém kroku. Následně byl použit klasifikátor Random Forest Classifier k mapování spojitého výkonu na provozní stavy, jmenovitě nízký, střední a vysoký. Mohla by klasifikovat současný stav i stav budoucí s hodinovým předstihem. Nakonec byla použita Z-skórová analýza ke kvantifikaci rozsahu, v jakém se skutečný výkon odchyluje od předpokládaného výkonu. Hodnoty, které překročily statistický práh, byly označeny jako anomálie.

„Random Forest Regressor dosáhl vysoké přesnosti předpovědi výkonu (R²=0.995, střední absolutní chyba=0.12 kW), zatímco klasifikační modely kategorizovaly výstupní úrovně se 100% přesností za statických podmínek,“ ukázaly výsledky. „Detekce anomálií pomocí analýzy Z-skóre identifikovala významné odlehlé hodnoty, zejména během vysokých-výrobních intervalů. Avšak klasifikace o-hodinu-před klasifikací odhalila podstatné poklesy prediktivního výkonu (přesnost=36.4%), což zvýraznilo přirozenou obtížnost předpovídání za proměnlivých podmínek prostředí.“

Na závěr výzkumný tým dodal, že „na rozdíl od jiných nedávných prací, které integrují meteorologická a kontextová data pro více{0}}úrovňovou diagnostiku, navrhovaný model funguje pouze na invertorových a síťových{1}}elektrických měřeních. Tento rozdíl zdůrazňuje praktickou hodnotu prezentovaného přístupu ve scénářích bez senzorů prostředí, které nabízejí transparentní a výpočetně efektivní alternativu pro interpretovatelné anomy.“

Rámec byl představen v dokumentu „Prediktivní modelování a detekce anomálií v solárních FV invertorech využívajících strojové učení“, který byl nedávno publikován ve Results in Engineering. Na výzkumu se podíleli vědci ze slovenské Univerzity Konštantína Filozofa v Nitře, maďarské Univerzity Obuda a České republiky z Jihočeské univerzity v Českých Budějovicích.