Slowaakse onderzoekers voorspellen het vermogen van PV-omvormers zonder weersensoren

Een onderzoeksteam onder leiding van wetenschappers van de Slowaakse Constantijn de Filosoof Universiteit in Nitra heeft een nieuw voorspellend en anomaliedetectiemodel- ontwikkeld voor PV-omvormers in commerciële installaties. Het nieuwe, op machine-leren-gebaseerde raamwerk maakt alleen gebruik van tijdelijke en elektrische gegevens, zonder afhankelijk te zijn van omgevingssensoren.

"De gekozen algoritmen, Random Forests voor voorspelling en Z-score-analyse voor anomaliedetectie, zijn geselecteerd vanwege hun robuustheid, interpreteerbaarheid en geschiktheid voor kleine maar hoog- datasets, waardoor ze goed- zijn afgestemd op praktische PV-monitoring-implementaties", aldus de academici. "Bovendien wordt de afwezigheid van instralings- of temperatuurgegevens expliciet aangepakt door op tijd- gebaseerde proxy's (uur-, dag- en weekdagpatronen) te construeren om het cyclische gedrag van zonne-opwekking vast te leggen."

Het model maakt gebruik van operationele gegevens uit de echte-wereld van een op het elektriciteitsnet-gekoppelde PV-installatie in het westen van Slowakije, waaronder twee omvormers met een nominaal vermogen van 30 kW en 40 kW. Gegevens over omvormers, netstroom en netspanning werden verzameld met een resolutie van vijf- minuten van januari. 1 tot februari. 1, 2025, met behulp van omvormer- en netbewakingssensoren.
 

Om machine learning-analyse mogelijk te maken, was voorverwerking vereist. Vervolgens werd een Random Forest Regressor getraind om het werkelijke vermogen (kW) van de omvormer bij elke stap van vijf- minuten te voorspellen. Vervolgens werd een Random Forest Classifier gebruikt om continu vermogen in operationele toestanden te brengen, namelijk laag, gemiddeld en hoog. Het zou zowel de huidige staat als een toekomstige staat kunnen classificeren, een uur vooruit. Ten slotte werd een Z-score-analyse gebruikt om te kwantificeren in hoeverre het werkelijke vermogen afwijkt van het voorspelde vermogen. Waarden die een statistische drempel overschreden, werden gemarkeerd als afwijkingen.

"Een Random Forest Regressor behaalde een hoge betrouwbaarheid in de vermogensvoorspelling (R²=0.995, gemiddelde absolute fout=0.12 kW), terwijl classificatiemodellen de uitgangsniveaus met 100% nauwkeurigheid onder statische omstandigheden categoriseerden", lieten de resultaten zien. "Anomaliedetectie met behulp van Z--score-analyse bracht significante uitschieters aan het licht, vooral tijdens hoge-productie-intervallen. Classificatie van één-uur-vooruit bracht echter substantiële dalingen in de voorspellende prestaties aan het licht (nauwkeurigheid=36.4%), wat de inherente moeilijkheid van het voorspellen onder variabele omgevingsomstandigheden benadrukt."

Concluderend voegde het onderzoeksteam eraan toe dat "in tegenstelling tot ander recent werk, dat meteorologische en contextuele gegevens voor diagnose op meerdere-niveaus integreert, het voorgestelde model uitsluitend werkt op elektrische metingen aan de omvormer- en net-netzijde. Dit onderscheid benadrukt de praktische waarde van de gepresenteerde aanpak in scenario's zonder omgevingssensoren, en biedt een transparant en computationeel efficiënt alternatief voor interpreteerbare anomaliedetectie."

Het raamwerk werd gepresenteerd in "Voorspellende modellering en anomaliedetectie in zonne-PV-omvormers met behulp van machine learning", dat onlangs werd gepubliceerd in Results in Engineering. Wetenschappers van de Slowaakse Constantijn de Filosoof Universiteit in Nitra, de Hongaarse Obuda Universiteit en de Tsjechische Universiteit van Zuid-Bohemen in České Budějovice namen deel aan het onderzoek.