Ερευνητές από Πανεπιστήμιο της Σαουδικής Αραβίας μελέτησαν την απόδοση των πλωτών φωτοβολταϊκών (SFPV) και των επίγειων (GSPV) με τη χρήση της τεχνητής νοημοσύνης παρατηρώντας τη θερμοκρασία της επιφάνειας και την παραγόμενη ισχύ.
Kαι τα δύο συστήματα εγκαταστάθηκαν και δοκιμάστηκαν υπό τις ίδιες κλιματικές συνθήκες στην περιοχή Αζιζία, και αξιολογήθηκαν εις βάθος ως προς την παραγόμενη ηλεκτρική ισχύ, τη θερμοκρασία της επιφάνειας των φωτοβολταϊκών πάνελ, την ενεργειακή απόδοση και τον βαθμό απόδοσης. Ο δεύτερος στόχος αυτής της μελέτης επικεντρώνεται στην εφαρμογή προηγμένων μοντέλων τεχνητής νοημοσύνης για την πρόβλεψη της ηλεκτρικής παραγωγής και της θερμοκρασίας της επιφάνειας των φωτοβολταϊκών και στα δύο συστήματα.
Τόσο το σύστημα SFPV όσο και το GSPV αποτελούνταν από δύο δικτυωτά φωτοβολταϊκά πάνελ, με μέγιστη ισχύ 545 W. Και οι δύο διατάξεις περιλάμβαναν επίσης έναν μετατροπέα, μια μπαταρία και ένα σύνολο καταγραφικών δεδομένων και μετρητικών συσκευών. Η ανάλυση έδειξε ότι η μέση θερμοκρασία περιβάλλοντος σε βάθος χρόνου κυμαινόταν από 15,35°C τον Ιανουάριο έως 36,0°C τον Ιούλιο, με τη σχετική υγρασία να φτάνει το 31,65% τον Ιούνιο και να κορυφώνεται στο 68,23% τον Δεκέμβριο. Η παγκόσμια οριζόντια ηλιακή ακτινοβολία σε ημερήσια βάση κυμαινόταν από 3,30 kWh/m²/ημέρα έως 7,74 kWh/m²/ημέρα, με συνολικό μέσο όρο 5,64 kWh/m²/ημέρα καθ’ όλη τη διάρκεια του έτους. Επιπλέον, η μέση ταχύτητα ανέμου στα 10 μέτρα πάνω από τη στάθμη της θάλασσας κυμαινόταν μεταξύ 3,71 m/s τον Οκτώβριο και 5,42 m/s τον Ιούνιο.
Το βασικό συμπέρασμα της έρευνας είναι ότι τα πλωτά φωτοβολταϊκά (SFPV) παρουσιάζουν σημαντικά υψηλότερη απόδοση σε σύγκριση με τα επίγεια φωτοβολταϊκά (GSPV), κυρίως λόγω της φυσικής ψύξης που προσφέρει το νερό. Συγκεκριμένα, το SFPV βελτίωσε τη μέση ηλεκτρική ισχύ κατά 59,25% και τη συνολική καθαρή ημερήσια ηλεκτρική ενέργεια κατά 69,70% σε σχέση με το GSPV. Επιπλέον, η θερμοκρασία της επιφάνειας των SFPV ήταν 32,36% χαμηλότερη, γεγονός που συνέβαλε στη βελτίωση της απόδοσης.
Επίσης, η μελέτη έδειξε ότι τα προηγμένα μοντέλα τεχνητής νοημοσύνης μπορούν να προβλέψουν με ακρίβεια την ηλεκτρική παραγωγή και τη θερμοκρασία της επιφάνειας, ενισχύοντας τη δυνατότητα βελτιστοποίησης της λειτουργίας τέτοιων συστημάτων. Τα ευρήματα υποστηρίζουν την ενσωμάτωση των SFPV στην έξυπνη διαχείριση του ηλεκτρικού δικτύου και προωθούν τη βιώσιμη ανάπτυξη, ευθυγραμμιζόμενα με το όραμα 2030 της Σαουδικής Αραβίας για καθαρή ενέργεια.
