TL;DR:
– Загрязнение, вызванное скоплением пыли на солнечных модулях, может привести к значительным потерям доходов.
– Исследователи сравнили физические модели и подходы машинного обучения для прогнозирования потерь от загрязнения.
– Физические модели достигли более высокой точности с данными полевых наблюдений, в то время как подходы машинного обучения показали многообещающие результаты.
– Модели машинного обучения, основанные на данных об окружающей среде, полученных со спутников, предлагают потенциал для оптимизации операций в засушливых регионах.
- Интеграция методов машинного обучения может повысить эффективность и рентабельность фотоэлектрических систем.
Главные новости ИИ:
Машинное обучение революционизирует солнечную энергетику, предоставляя передовые решения для борьбы с проблемами, связанными с загрязнением. В регионах с обильным солнечным излучением наличие сухих и пыльных условий на земле может снизить производительность фотоэлектрических (PV) систем, что приведет к значительным потерям доходов. Для решения этой проблемы точное прогнозирование потерь, вызванных загрязнением, как в краткосрочной, так и в долгосрочной перспективе, стало критически важным для разработчиков фотоэлектрических проектов и системных операторов.
Были разработаны многочисленные подходы, использующие датчики на месте, исторические климатические данные, местную информацию о погоде, спутниковые изображения и многое другое. Исследователи из Университета Кипра провели исследование для оценки точности различных методов, сравнив смоделированные прогнозы потерь от загрязнения с данными тестовой установки в их кампусе в Никосии.
На испытательном полигоне потери от загрязнения определялись путем сравнения производительности очищенных и неочищенных фотоэлектрических модулей, размещенных рядом. В оценке участвовали шесть моделей, три из которых основаны на методах физического моделирования и три с использованием алгоритмов машинного обучения. В то время как физические модели хорошо зарекомендовали себя и широко используются, методы машинного обучения представляют собой новое применение программ с открытым исходным кодом для измерения загрязнения.
Результаты оценки показали, что физические модели, снабженные данными полевых наблюдений, достигли самых высоких уровней точности. Они продемонстрировали коэффициенты ошибок (среднеквадратическая ошибка) 1,16% для ежедневных потерь от загрязнения и 0,83% для ежемесячных потерь от загрязнения. Тем не менее, подходы машинного обучения не сильно отставали, демонстрируя коэффициент ошибок 1,55% и 1,18% для ежедневных и месячных потерь от загрязнения соответственно. Исследователи подчеркнули потенциальную полезность моделей машинного обучения, особенно в регионах с ограниченной доступностью данных полевых наблюдений, где ценной альтернативой могут служить данные об окружающей среде, полученные со спутников.
Используя данные об окружающей среде, полученные со спутников, эти модели машинного обучения могут помочь в оптимизации операций и стратегий технического обслуживания в течение года, эффективно сводя к минимуму потери от загрязнения. Это особенно важно в засушливых и пыльных регионах, где могут происходить резкие изменения аэрозольной нагрузки, а осадки выпадают нечасто. Интеграция методов машинного обучения обещает повысить эффективность и прибыльность фотоэлектрических установок в таких сложных условиях.
Заключение:
Исследование, проведенное исследователями из Университета Кипра, подчеркивает важность машинного обучения в решении проблем загрязнения на рынке солнечной энергии. В то время как физические модели остаются очень точными при использовании данных полевых наблюдений, подходы машинного обучения демонстрируют конкурентоспособную производительность. Использование спутниковых данных об окружающей среде в моделях машинного обучения показывает потенциал для оптимизации операций и стратегий технического обслуживания, особенно в засушливых и пыльных регионах. Это продвижение означает положительное влияние на рынок солнечной энергетики, поскольку оно обеспечивает повышенную эффективность и прибыльность фотоэлектрических установок в сложных условиях, что приводит к повышению общей производительности и увеличению доходов. Предприятиям, работающим в солнечной отрасли, следует рассмотреть возможность использования методов машинного обучения, чтобы уменьшить потери от загрязнения и оставаться впереди в этом динамичном рыночном ландшафте.
"Источник"
