นักวิจัยชาวสโลวาเกียคาดการณ์เอาท์พุตของอินเวอร์เตอร์ PV โดยไม่มีเซ็นเซอร์สภาพอากาศ

ทีมวิจัยที่นำโดยนักวิทยาศาสตร์จากมหาวิทยาลัยปราชญ์คอนสแตนตินแห่งสโลวาเกียในเมืองนิทราได้พัฒนาแบบจำลองการตรวจจับเชิงคาดการณ์และความผิดปกติ-ใหม่สำหรับอินเวอร์เตอร์พลังงานแสงอาทิตย์ในการติดตั้งเชิงพาณิชย์ กรอบงาน-การเรียนรู้-แบบใหม่ของเครื่องจักรใช้ข้อมูลทางเวลาและข้อมูลทางไฟฟ้าเพียงอย่างเดียว โดยไม่ต้องพึ่งพาเซ็นเซอร์สิ่งแวดล้อม

"อัลกอริธึมที่เลือก ได้แก่ Random Forests สำหรับการทำนายและการวิเคราะห์คะแนน Z- สำหรับการตรวจจับความผิดปกติ ได้รับเลือกจากความคงทน ความสามารถในการตีความได้ และความเหมาะสมสำหรับชุดข้อมูลความถี่สูง-ที่มีขนาดเล็ก ทำให้ชุดข้อมูลเหล่านี้-สอดคล้องกับการปรับใช้การตรวจติดตาม PV ในทางปฏิบัติ" นักวิชาการกล่าว "นอกจากนี้ การไม่มีข้อมูลการแผ่รังสีหรืออุณหภูมิได้รับการแก้ไขอย่างชัดเจนด้วยการสร้างพร็อกซีตามเวลา- (รูปแบบชั่วโมง วัน และวันธรรมดา) เพื่อบันทึกพฤติกรรมการสร้างแสงอาทิตย์ตามวัฏจักร"

แบบจำลองนี้ใช้-ข้อมูลการปฏิบัติงานทั่วโลกจากโรงไฟฟ้าพลังงานแสงอาทิตย์ที่เชื่อมต่อโครงข่าย-ในสโลวาเกียตะวันตก รวมถึงอินเวอร์เตอร์สองตัวที่มีพิกัดกำลังการผลิต 30 กิโลวัตต์และ 40 กิโลวัตต์ ข้อมูลอินเวอร์เตอร์ กำลังไฟฟ้าของโครงข่าย และแรงดันไฟฟ้าของโครงข่ายได้รับการรวบรวมที่ความละเอียดห้า-นาทีตั้งแต่เดือนมกราคม. 1 ถึงกุมภาพันธ์. 1 ปี 2025 โดยใช้อินเวอร์เตอร์และเซ็นเซอร์ติดตามกริด
 

หากต้องการเปิดใช้การวิเคราะห์การเรียนรู้ของเครื่อง จำเป็นต้องมีการประมวลผลล่วงหน้า ต่อจากนั้น Random Forest Regressor ได้รับการฝึกอบรมให้คาดการณ์กำลังไฟฟ้าเอาท์พุตของอินเวอร์เตอร์ (kW) ที่เกิดขึ้นจริงในแต่ละขั้นตอนห้า-นาที ต่อจากนั้น มีการใช้เครื่องแยกประเภทฟอเรสต์แบบสุ่มเพื่อแมปพลังงานต่อเนื่องกับสถานะการปฏิบัติงาน ได้แก่ ต่ำ ปานกลาง และสูง มันสามารถจำแนกสถานะปัจจุบันและสถานะอนาคตได้ล่วงหน้าหนึ่งชั่วโมง สุดท้าย การวิเคราะห์คะแนน Z- ถูกนำมาใช้เพื่อวัดปริมาณขอบเขตที่กำลังจริงเบี่ยงเบนไปจากกำลังที่คาดการณ์ไว้ ค่าที่เกินเกณฑ์ทางสถิติถูกตั้งค่าสถานะเป็นความผิดปกติ

"Random Forest Regressor บรรลุความเที่ยงตรงสูงในการทำนายพลังงาน (R²=0.995 ค่าเฉลี่ยข้อผิดพลาดสัมบูรณ์=0.12 kW) ในขณะที่แบบจำลองการจำแนกประเภทจัดหมวดหมู่ระดับเอาต์พุตด้วยความแม่นยำ 100% ภายใต้สภาวะคงที่" ผลลัพธ์แสดงให้เห็น "การตรวจจับความผิดปกติโดยใช้การวิเคราะห์คะแนน Z- ระบุค่าผิดปกติที่สำคัญ โดยเฉพาะอย่างยิ่งในช่วง-ช่วงเวลาการผลิตที่สูง อย่างไรก็ตาม การจำแนกประเภทล่วงหน้าหนึ่งชั่วโมง- พบว่าประสิทธิภาพในการคาดการณ์ลดลงอย่างมาก (ความแม่นยำ=36.4%) โดยเน้นถึงความยากลำบากโดยธรรมชาติของการคาดการณ์ภายใต้สภาวะแวดล้อมที่แปรผัน"

โดยสรุป ทีมวิจัยกล่าวเสริมว่า "ไม่เหมือนกับงานล่าสุดอื่นๆ ซึ่งรวมข้อมูลอุตุนิยมวิทยาและบริบทสำหรับการวินิจฉัยหลายระดับ- โมเดลที่นำเสนอดำเนินการเฉพาะในการวัดทางไฟฟ้าด้านข้างอินเวอร์เตอร์และกริด- ความแตกต่างนี้เน้นย้ำถึงคุณค่าในทางปฏิบัติของแนวทางที่นำเสนอในสถานการณ์ที่ขาดเซ็นเซอร์สิ่งแวดล้อม ซึ่งเสนอทางเลือกที่โปร่งใสและมีประสิทธิภาพในการคำนวณสำหรับการตรวจจับความผิดปกติที่ตีความได้"

กรอบการทำงานดังกล่าวถูกนำเสนอใน "การสร้างแบบจำลองเชิงคาดการณ์และการตรวจจับความผิดปกติในอินเวอร์เตอร์พลังงานแสงอาทิตย์ PV โดยใช้การเรียนรู้ของเครื่อง" ซึ่งได้รับการเผยแพร่เมื่อเร็วๆ นี้ใน Results in Engineering นักวิทยาศาสตร์จากมหาวิทยาลัย Constantine the Philosopher University ใน Nitra ของสโลวาเกีย มหาวิทยาลัย Obuda ของฮังการี และมหาวิทยาลัย South Bohemia ของสาธารณรัฐเช็ก ในเมือง Wheské Budějovice เข้าร่วมในการวิจัยนี้