Словацкие исследователи прогнозируют выходную мощность фотоэлектрического инвертора без погодных датчиков

Исследовательская группа под руководством ученых из словацкого университета Константина Философа в Нитре разработала новую модель прогнозирования и-обнаружения аномалий для фотоэлектрических инверторов в коммерческих установках. Новая платформа, основанная на машинном -обучении-, использует только временные и электрические данные, не полагаясь на датчики окружающей среды.

«Выбранные алгоритмы, случайные леса для прогнозирования и анализ Z-показателей для обнаружения аномалий, были выбраны из-за их надежности, интерпретируемости и пригодности для небольших, но-высокочастотных наборов данных, что делает их хорошо-совместимыми с практическими развертываниями фотоэлектрического мониторинга», — заявили ученые. «Кроме того, отсутствие данных об освещенности или температуре явно решается путем создания временных-прокси (модели часов, дня и дня недели) для отслеживания циклического поведения солнечной генерации».

В модели используются реальные-мировые эксплуатационные данные-подключенной к сети фотоэлектрической станции в западной Словакии, включая два инвертора номинальной мощностью 30 кВт и 40 кВт. Данные об инверторе, мощности сети и напряжении сети собирались с интервалом в пять-минут с января. 1 по февраль. 1 2025 года с помощью датчиков мониторинга инвертора и сети.
 

Чтобы обеспечить анализ машинного обучения, требовалась предварительная обработка. Впоследствии регрессор случайного леса был обучен прогнозировать фактическую выходную мощность инвертора (кВт) на каждом пяти-минутном этапе. Впоследствии был использован классификатор случайного леса для сопоставления непрерывного питания с рабочими состояниями, а именно низким, средним и высоким. Он мог классифицировать текущее состояние, а также будущее состояние на один час вперед. Наконец, анализ Z- был использован для количественной оценки степени отклонения фактической мощности от прогнозируемой мощности. Значения, превышающие статистический порог, были помечены как аномалии.

«Регрессор случайного леса достиг высокой точности прогнозирования мощности (R²=0.995, средняя абсолютная ошибка=0.12 кВт), а модели классификации классифицировали уровни выходной мощности со 100% точностью в статических условиях», — показали результаты. «Обнаружение аномалий с помощью анализа Z-показателей выявило значительные выбросы, особенно во время интервалов с высокой-производительностью. Однако классификация на один-час- вперед выявила существенное снижение эффективности прогнозирования (точность=36.4%), подчеркивая присущую сложность прогнозирования в переменных условиях окружающей среды».

В заключение исследовательская группа добавила, что «в отличие от других недавних работ, которые объединяют метеорологические и контекстуальные данные для многоуровневой диагностики, предлагаемая модель работает исключительно на инверторных и сетевых-электрических измерениях. Это различие подчеркивает практическую ценность представленного подхода в сценариях, в которых отсутствуют датчики окружающей среды, предлагая прозрачную и эффективную в вычислительном отношении альтернативу для интерпретируемого обнаружения аномалий».

Эта структура была представлена ​​в статье «Прогнозное моделирование и обнаружение аномалий в солнечных фотоэлектрических инверторах с использованием машинного обучения», которая недавно была опубликована в журнале «Results in Engineering». В исследовании приняли участие ученые из словацкого университета Константина Философа в Нитре, венгерского университета Обуды и южночешского университета в Ческе-Будеевице.