محققان اسلواکی خروجی اینورتر PV را بدون سنسور آب و هوا پیش بینی کردند

یک تیم تحقیقاتی به سرپرستی دانشمندان دانشگاه کنستانتین فیلسوف اسلواکی در نیترا یک مدل پیش‌بینی و تشخیص ناهنجاری{0} برای اینورترهای PV در تاسیسات تجاری ایجاد کرده است. چارچوب جدید مبتنی بر{2}}یادگیری-به تنهایی از داده‌های زمانی و الکتریکی بدون تکیه بر حسگرهای محیطی استفاده می‌کند.

دانشگاهیان گفتند: «الگوریتم‌های انتخابی، جنگل‌های تصادفی برای پیش‌بینی و تجزیه و تحلیل امتیاز Z- برای تشخیص ناهنجاری، به دلیل استحکام، تفسیرپذیری، و مناسب بودن برای مجموعه داده‌های کوچک-در عین حال با فرکانس بالا، انتخاب شدند و آنها را به خوبی-با استقرار نظارت بر PV عملی کرد. "علاوه بر این، فقدان داده های تابش یا دما به صراحت با ساختن پراکسی های مبتنی بر زمان (الگوهای ساعت، روز، و روزهای هفته) برای ثبت رفتار چرخه ای تولید خورشیدی بررسی می شود."

این مدل از-داده‌های عملیاتی واقعی از یک نیروگاه PV متصل به شبکه-در غرب اسلواکی، شامل دو اینورتر با ظرفیت‌های نامی 30 کیلووات و 40 کیلووات استفاده می‌کند. داده‌های اینورتر، توان شبکه و ولتاژ شبکه با وضوح پنج دقیقه‌ای از ژانویه. 1 تا فوریه. 1، 2025، با استفاده از اینورتر و حسگرهای نظارت بر شبکه جمع‌آوری شد.
 

برای فعال کردن تجزیه و تحلیل یادگیری ماشین، پیش پردازش لازم بود. متعاقباً، یک رگرسیون تصادفی جنگل برای پیش‌بینی توان خروجی واقعی اینورتر (کیلووات) در هر مرحله پنج- دقیقه آموزش داده شد. پس از آن، یک طبقه‌بندی جنگل تصادفی برای ترسیم توان پیوسته به حالت‌های عملیاتی، یعنی کم، متوسط ​​و زیاد استفاده شد. این می تواند وضعیت فعلی و همچنین وضعیت آینده را یک ساعت جلوتر طبقه بندی کند. در نهایت، برای تعیین کمیت میزان انحراف توان واقعی از توان پیش‌بینی‌شده، از یک تحلیل امتیاز Z- استفاده شد. مقادیری که از یک آستانه آماری فراتر رفتند به عنوان ناهنجاری پرچم گذاری شدند.

نتایج نشان داد: «یک رگرسیور تصادفی جنگل به وفاداری بالایی در پیش‌بینی توان (R²=0.995، میانگین خطای مطلق=0.12 کیلووات) دست یافت، در حالی که مدل‌های طبقه‌بندی سطوح خروجی را با دقت 100 درصد در شرایط استاتیک طبقه‌بندی کردند. "تشخیص ناهنجاری با استفاده از تجزیه و تحلیل امتیاز Z-، نقاط پرت قابل توجهی را شناسایی کرد، به‌ویژه در فواصل زمانی تولید بالا. با این حال، طبقه‌بندی-ساعت- جلوتر، کاهش قابل‌توجهی در عملکرد پیش‌بینی‌کننده (دقت=36.4%) نشان داد که دشواری ذاتی پیش‌بینی را در شرایط متغیر محیطی برجسته می‌کند."

در پایان، تیم تحقیقاتی اضافه کرد که "برخلاف سایر کارهای اخیر، که داده‌های هواشناسی و زمینه‌ای را برای تشخیص چند سطحی ادغام می‌کند، مدل پیشنهادی تنها بر روی اندازه‌گیری‌های الکتریکی سمت اینورتر و شبکه عمل می‌کند. این تمایز ارزش عملی رویکرد ارائه‌شده را در سناریوهایی برجسته می‌کند که فاقد حسگرهای زیست‌محیطی قابل تشخیص است."

این چارچوب در «مدل‌سازی پیش‌بینی‌کننده و تشخیص ناهنجاری در اینورترهای PV خورشیدی با استفاده از یادگیری ماشین» ارائه شد که اخیراً در Results in Engineering منتشر شده است. دانشمندانی از دانشگاه کنستانتین فیلسوف اسلواکی در نیترا، دانشگاه اوبودا مجارستان و دانشگاه بوهمای جنوبی جمهوری چک در چسکه بودجوویس در این تحقیق شرکت کردند.