Οι ερευνητές από το Κινεζικό Ινστιτούτο Έρευνας Ηλεκτρικής Ενέργειας παρουσίασαν μια νέα ταξινόμηση των τύπων καιρικών συνθηκών με βάση τα μη φυσιολογικά συμβάντα απόδοσης φωτοβολταϊκών (PV) και διαφορετικούς τύπους καιρού, και με βάση αυτή τη νέα ταξινόμηση, ανέπτυξαν ένα απλό μοντέλο πρόβλεψης ακραίων αποδόσεων.
"Προς το παρόν, το μοντέλο μας βασίζεται στην περιοχή της Ανατολικής Κίνας ως παράδειγμα, αλλά πιστεύουμε ότι το μοντέλο έχει τη δυνατότητα να εφαρμοστεί και σε άλλες περιοχές," δήλωσε στο pv magazine ο κύριος συγγραφέας, Fan Yang. "Το μοντέλο ουσιαστικά εντοπίζει τις καιρικές διεργασίες που σχετίζονται με ανώμαλη απόδοση και προσπαθεί να τις χρησιμοποιήσει ως βάση για την πρόβλεψη μελλοντικών ανώμαλων γεγονότων απόδοσης. Επομένως, εκτιμούμε ότι σε διαφορετικές περιοχές, οι τύποι καιρού που συνδέονται με ανώμαλα γεγονότα απόδοσης μπορεί να διαφέρουν από αυτούς που αναφέρονται στην εργασία."
Η ανάλυση βασίστηκε σε δεδομένα απόδοσης από 76 κατανεμημένους σταθμούς φωτοβολταϊκής ενέργειας στην ανατολική Κίνα, σε συνδυασμό με μετεωρολογικά δεδομένα από το Ευρωπαϊκό Κέντρο Μεσοπρόθεσμων Προγνώσεων Καιρού, το σύνολο δεδομένων Πέμπτης Γενιάς Επανάλυσης. Τα δεδομένα για ολόκληρο το έτος 2022 χρησιμοποιήθηκαν για την ομαδοποίηση, ενώ δεδομένα από την 1η Ιανουαρίου 2023 έως την 31η Μαρτίου 2023 χρησιμοποιήθηκαν για την επικύρωση.
"Ακραία γεγονότα υψηλής ή χαμηλής απόδοσης φωτοβολταϊκών μπορούν να οδηγήσουν σε σημαντική σπατάλη ή ελλείψεις ηλεκτρικής ενέργειας, επιβάλλοντας υψηλές απαιτήσεις στις διαμορφώσεις αποθήκευσης ενέργειας και εφεδρικής ενέργειας, και ακόμη ενδεχομένως να αποτελούν σοβαρή απειλή για την ασφαλή και σταθερή λειτουργία του δικτύου ηλεκτρικής ενέργειας, γι' αυτό λαμβάνουν ειδική προσοχή από το τμήμα διαχείρισης δικτύου," ανέφερε η ομάδα. "Ως εκ τούτου, η πρόβλεψη ακραίων γεγονότων απόδοσης έχει γίνει ένα από τα τρέχοντα ερευνητικά σημεία αιχμής."
Οι ακαδημαϊκοί χρησιμοποίησαν κυλιόμενους μέσους όρους και τυπικές αποκλίσεις για να εντοπίσουν ανώμαλα συμβάντα. Στη συνέχεια, ο αλγόριθμος μηχανικής μάθησης K-means χρησιμοποιήθηκε για την ομαδοποίηση των διαφορετικών μη φυσιολογικών ημερών με βάση μετεωρολογικές μεταβλητές όπως η θερμοκρασία, η καθοδική ακτινοβολία βραχέων κυμάτων, η επιφανειακή πίεση, η ταχύτητα ανέμου στα 100μ, η σχετική υγρασία, η συνολική νέφωση και οι ημερήσιες βροχοπτώσεις. Επιπλέον, η γραμμική παλινδρόμηση πολλαπλών μεταβλητών, μια στατιστική τεχνική που χρησιμοποιεί πολλές επεξηγηματικές μεταβλητές για την πρόβλεψη του αποτελέσματος μιας μεταβλητής απόκρισης, χρησιμοποιήθηκε για την ανάλυση του αντίκτυπου κάθε μεταβλητής.
"Από τις 121 ανώμαλες ημέρες απόδοσης, υπάρχουν συνολικά 72 ημέρες ανώμαλης χαμηλής απόδοσης και 49 ημέρες ανώμαλης υψηλής απόδοσης," δήλωσαν οι ερευνητές. "Όσον αφορά την κατανομή της μηνιαίας συχνότητας, ο αριθμός των ημερών ανώμαλης απόδοσης τον Ιούλιο και τον Αύγουστο του 2022 είναι σχετικά λίγος, συνολικά 3 ημέρες, ενώ οι ανώμαλες ημέρες απόδοσης είναι πιο συχνές κατά τις χειμερινές και ανοιξιάτικες εποχές, με περιστατικά που υπερβαίνουν τις 10 ημέρες."
Χρησιμοποιώντας την ομαδοποίηση των διαφορετικών μεταβλητών, η ομάδα διαπίστωσε επίσης ότι τα γεγονότα ανώμαλης υψηλής απόδοσης σχετίζονται με υψηλές θερμοκρασίες, αίθριο καιρό που προκαλείται από σταθερά συστήματα χαμηλής πίεσης και αίθριο, δροσερό καιρό με ανέμους που ελέγχεται από συστήματα υψηλής πίεσης. Τα μη φυσιολογικά συμβάντα χαμηλής απόδοσης, από την άλλη πλευρά, σχετίζονται με μεταβατικές καιρικές διεργασίες, όπως κρύα κύματα, συννεφιασμένος και χωρίς βροχόπτωση, και συννεφιασμένες και βροχερές καιρικές διαδικασίες σε συστήματα χαμηλής πίεσης.
"Παράγοντες όπως η υγρασία, οι βροχοπτώσεις και οι αλλαγές θερμοκρασίας διαφέρουν ως προς τη σημασία τους υπό διαφορετικούς τύπους καιρού, αλλά η ακτινοβολία και η νέφωση είναι πάντα βασικοί παράγοντες," πρόσθεσε η ομάδα.
Οι επιστήμονες χρησιμοποίησαν επίσης τα δεδομένα για να κατασκευάσουν ένα απλό μοντέλο πρόβλεψης ακραίων αποδόσεων. "Μετά την εισαγωγή μετεωρολογικών στοιχείων σε συγκεκριμένη μελλοντική χρονική στιγμή, το μοντέλο χωρίζει με βάση τη μέτρηση της απόστασης Euclidean. Εάν τα μετεωρολογικά στοιχεία σε συγκεκριμένη χρονική στιγμή πληρούν τα χαρακτηριστικά των μετεωρολογικών στοιχείων κατά τις περιόδους ανώμαλων υψηλών και χαμηλών αποδόσεων, θεωρείται ότι μπορεί να συμβεί ένα ανώμαλο γεγονός απόδοσης εκείνη τη στιγμή," εξήγησαν.
Για να ενισχύσουν το μοντέλο τους, πρόσθεσαν επίσης μια υποκειμενική μέθοδο πρόβλεψης καιρού βασισμένη σε κυκλοφοριακά πρότυπα της ατμόσφαιρας. Κατά τις δοκιμές τους στους πρώτους τρεις μήνες του 2023, το μοντέλο έδειξε 16 σωστές προβλέψεις, 4 λανθασμένους συναγερμούς και 4 μη εντοπισμένες προειδοποιήσεις για ημέρες ανώμαλης χαμηλής απόδοσης. Για ημέρες ανώμαλης υψηλής απόδοσης, υπήρχαν 12 σωστές προβλέψεις, 9 λανθασμένοι συναγερμοί και 6 μη εντοπισμένες προειδοποιήσεις.
"Παίρνοντας ως παράδειγμα ένα εξαιρετικά χαμηλό γεγονός απόδοσης τον Ιανουάριο του 2023, το μοντέλο πρόβλεψης ακραίας απόδοσης φωτοβολταϊκών που προτείνεται σε αυτή την εργασία και η υποκειμενική μέθοδος πρόβλεψης που βασίζεται στο πρότυπο κυκλοφορίας της ατμόσφαιρας επικυρώθηκαν αντίστοιχα," κατέληξε η ομάδα. "Διαπιστώθηκε ότι οι παραπάνω μέθοδοι συμβάλλουν στη βελτίωση της αντικειμενικής και υποκειμενικής πρόβλεψης ακραίων γεγονότων απόδοσης φωτοβολταϊκών, και ο συνδυασμός των δύο μπορεί να βελτιώσει περαιτέρω την ικανότητα πρόβλεψης φωτοβολταϊκής ισχύος."
Τα ευρήματά τους παρουσιάστηκαν στην εργασία "Ολοκληρωμένες μέθοδοι αξιολόγησης για ανωμαλίες απόδοσης φωτοβολταϊκών με βάση την ταξινόμηση καιρού," που δημοσιεύθηκε στο Renewable Energy.
