Slovakiske forskere forudsiger PV-inverter-output uden vejrsensorer

Et forskerhold ledet af videnskabsmænd fra det slovakiske Constantine the Philosopher University i Nitra har udviklet en ny forudsigelig og anomalidetektionsmodel- for PV-invertere i kommercielle installationer. Den nye maskin--indlæringsbaserede-ramme bruger tidsmæssige og elektriske data alene uden at være afhængig af miljøsensorer.

"De valgte algoritmer, Random Forests for prediction og Z-score-analyse til anomalidetektion, blev udvalgt på grund af deres robusthed, fortolkning og egnethed til små, men høj-frekvente datasæt, hvilket gør dem godt-afstemt med praktiske PV-overvågningsinstallationer," sagde akademikerne. "Ydermere adresseres fraværet af irradians- eller temperaturdata eksplicit ved at konstruere tids-baserede proxyer (time-, dag- og ugedagsmønstre) for at fange cyklisk solgenereringsadfærd."

Modellen bruger virkelige-driftsdata fra et net-forbundet solcelleanlæg i det vestlige Slovakiet, inklusive to invertere med nominel kapacitet på 30 kW og 40 kW. Inverter-, netstrøm- og netspændingsdata blev indsamlet i fem-minutters opløsning fra januar. 1 til februar. 1 2025 ved hjælp af inverter- og netovervågningssensorer.
 

For at muliggøre maskinlæringsanalyse var forbehandling påkrævet. Efterfølgende blev en Random Forest Regressor trænet til at forudsige den faktiske invertereffekt (kW) ved hvert fem- trin. Efterfølgende blev en Random Forest Classifier brugt til at kortlægge kontinuerlig strøm til operationelle tilstande, nemlig lav, medium og høj. Det kunne klassificere den nuværende tilstand såvel som en fremtidig tilstand en time frem. Til sidst blev en Z-score-analyse brugt til at kvantificere, i hvilket omfang den faktiske effekt afviger fra den forudsagte effekt. Værdier, der oversteg en statistisk tærskel, blev markeret som uregelmæssigheder.

"En Random Forest Regressor opnåede høj troværdighed i effektforudsigelse (R²=0.995, middel absolut fejl=0.12 kW), mens klassifikationsmodeller kategoriserede outputniveauer med 100 % nøjagtighed under statiske forhold," viste resultaterne. "Anomalidetektering ved hjælp af Z-score-analyse identificerede væsentlige outliers, især under høje-produktionsintervaller. Klassificeringen en-times-frem afslørede dog betydelige fald i forudsigelig ydeevne (nøjagtighed=36.4%), hvilket fremhævede den iboende vanskelighed ved at forudsige under variable miljøforhold."

Afslutningsvis tilføjede forskerholdet, at "i modsætning til andet nyligt arbejde, som integrerer meteorologiske og kontekstuelle data til diagnosticering på flere-niveauer, fungerer den foreslåede model udelukkende på elektriske målinger på inverter- og netside-. Denne sondring fremhæver den praktiske værdi af den præsenterede tilgang i scenarier, der mangler miljøsensorer, og tilbyder en fortolkelig, effektiv alternativ beregning til detektering."

Rammen blev præsenteret i "Predictive modeling and anomaly detection in solar PV inverters using machine learning", som for nylig blev offentliggjort i Results in Engineering. Forskere fra Slovakiets Constantine the Philosopher University i Nitra, Ungarns Obuda University og Tjekkiets University of South Bohemia i České Budějovice deltog i forskningen.