Slovakiske forskere spår PV-vekselretterutgang uten værsensorer

Et forskerteam ledet av forskere fra det slovakiske Constantine the Philosopher University i Nitra har utviklet en ny prediktiv og anomalideteksjonsmodell- for PV-omformere i kommersielle installasjoner. Det nye maskin-baserte-rammeverket bruker tidsmessige og elektriske data alene, uten å stole på miljøsensorer.

"De valgte algoritmene, Random Forests for prediction og Z-score-analyse for anomalideteksjon, ble valgt for deres robusthet, tolkningsevne og egnethet for små, men høy{1}}høyfrekvente datasett, noe som gjør dem godt-tilpasset praktiske PV-overvåkingsinstallasjoner," sa akademikerne. "Videre er fraværet av irradians eller temperaturdata eksplisitt adressert ved å konstruere tids-baserte proxyer (time-, dag- og ukedagsmønstre) for å fange opp syklisk solgenerasjonsatferd."

Modellen bruker virkelige-driftsdata fra et nett-tilkoblet solcelleanlegg i det vestlige Slovakia, inkludert to omformere med nominell kapasitet på 30 kW og 40 kW. Data om inverter, nettstrøm og nettspenning ble samlet inn med fem-minutters oppløsning fra januar. 1 til februar. 1 2025, ved hjelp av inverter- og nettovervåkingssensorer.
 

For å muliggjøre maskinlæringsanalyse var det nødvendig med forhåndsbehandling. Deretter ble en Random Forest Regressor trent opp til å forutsi den faktiske invertereffekten (kW) ved hvert fem--minutters trinn. Deretter ble en Random Forest Classifier brukt for å kartlegge kontinuerlig kraft til operasjonelle tilstander, nemlig lav, middels og høy. Den kan klassifisere den nåværende tilstanden så vel som en fremtidig tilstand, én time frem. Til slutt ble en Z-score-analyse brukt for å kvantifisere i hvilken grad den faktiske kraften avviker fra den forutsagte potensen. Verdier som overskred en statistisk terskel, ble flagget som uregelmessigheter.

"En Random Forest Regressor oppnådde høy nøyaktighet i effektprediksjon (R²=0.995, gjennomsnittlig absolutt feil=0.12 kW), mens klassifiseringsmodeller kategoriserte utgangsnivåer med 100 % nøyaktighet under statiske forhold," viste resultatene. "Anomalideteksjon ved bruk av Z-score-analyse identifiserte betydelige uteliggere, spesielt under høye-produksjonsintervaller. Klassifiseringen en-time-forut avslørte imidlertid betydelige fall i prediktiv ytelse (nøyaktighet=36.4%), noe som fremhevet den iboende vanskeligheten med å spå under variable miljøforhold."

Avslutningsvis la forskerteamet til at "i motsetning til annet nylig arbeid, som integrerer meteorologiske og kontekstuelle data for multi-nivådiagnose, opererer den foreslåtte modellen utelukkende på elektriske målinger på inverter- og nettside-. Denne distinksjonen fremhever den praktiske verdien av den presenterte tilnærmingen i scenarier som mangler miljøsensorer, og tilbyr en tolkbar og effektiv alternativ beregning for tolking."

Rammeverket ble presentert i «Predictive modeling and anomaly detection in solar PV inverters using machine learning», som nylig ble publisert i Results in Engineering. Forskere fra Slovakias Constantine the Philosopher University i Nitra, Ungarns Obuda-universitet og Tsjekkias universitet i Sør-Böhmen i České Budějovice deltok i forskningen.