Новый метод определения пригодности фотоэлектрических систем

Аккумулятор Challenger A12-65

Ученые из Малайзии разработали новый метод глубокого изучения для определения пригодности территорий для фотоэлектрических систем. Применив новый подход к Ближнему Востоку, они обнаружили, что примерно 5,8 % территории региона обладают очень высокой пригодностью, а 11,5 % — высокой пригодностью для развития фотоэлектрической энергетики.

Исследовательская группа под руководством Национального университета Малайзии разработала новый метод глубокого обучения для составления карт пригодности фотоэлектрических систем.

«Новизна нашего исследования заключается в разработке полностью оптимизированного и интерпретируемого конвейера глубокого обучения, сочетающего в себе TabNet, Optuna и SHAP для определения пригодности солнечных фотоэлектрических систем», — рассказал автор исследования Хайрул Низам Абдул Маулуд в интервью журналу PV. «Это первое исследование, в котором применяется такой комплексный подход в региональном масштабе на Ближнем Востоке с использованием реальных данных о внедрении фотоэлектрических систем наряду с технико-экономическими переменными, соответствующими экологическим, социальным и управленческим принципам (ESG)». Это значительно повышает точность, масштабируемость и объяснимость принятия пространственных решений при планировании фотоэлектрических систем, особенно в регионах с дефицитом данных.

Первым шагом в создании новой модели было определение критериев пригодности. На основе анализа литературы и интервью с экспертами эта группа определила 12 критериев. Шесть из них были техническими факторами, влияющими на условия эксплуатации, а именно: солнечная радиация, расчётная выходная мощность, температура воздуха, количество облачных дней, скорость ветра и высота над уровнем моря. Остальные шесть были экономическими факторами, влияющими на условия эксплуатации, а именно: уклон, шероховатость поверхности, растительный покров, близость к дорогам, близость к городам и близость к электросетям.

Исследовательская группа отобрала 612 фотоэлектрических объектов из базы данных Global Solar Power Tracker, а также 612 объектов без фотоэлектрических систем. С помощью ArcGIS каждый объект был оценен по 12 техническим и экономическим критериям. Затем набор данных был разделен на обучающую выборку (70 %), проверочную выборку (15 %) и тестовую выборку (15 %). Сама модель была создана с помощью TabNet, Optuna и SHAP. Первая — это модель глубокого обучения, оптимизированная для табличных данных, вторая автоматизирует выбор оптимальных настроек модели, а третья использовалась для понимания того, как модель делает свои прогнозы.

«Результаты продемонстрировали высокую прогностическую эффективность предложенного подхода как на проверочных, так и на тестовых наборах данных. Точность классификации (CA) и площадь под кривой рабочих характеристик приёмника (AUC) составили 0,875 и 0,947 (проверочные данные) и 0,886 и 0,913 (тестовые данные) соответственно, что превосходит показатели TabPFN, FT-Transformer и семи моделей машинного обучения, включая радиочастотную модель», — подчеркнули учёные.

Применив свою модель ко всему Ближнему Востоку, они обнаружили, что примерно 5,8 % территории региона обладают очень высокой пригодностью для развития фотоэлектрической энергетики, а 11,5 % — высокой пригодностью. Районы с очень высокой пригодностью в основном сосредоточены на побережье, в центральной Анатолии, а также в некоторых частях Саудовской Аравии и Ирана, в то время как районы с высокой пригодностью находятся в основном в центральной и южной частях Турции, на аллювиальной равнине в Ираке и в бассейне Нила в Египте.

«Мы были особенно удивлены, обнаружив, что близость к инфраструктурным объектам, таким как дороги, города и электрические сети, оказывает более существенное влияние на пригодность территории для фотоэлектрических систем, чем само солнечное излучение, — сказал Маулуд. — Это противоречит общепринятым представлениям и, вероятно, связано с равномерным распределением солнечного излучения на Ближнем Востоке. Кроме того, было обнаружено, что шероховатость поверхности негативно влияет на пригодность территории, а этот фактор недостаточно изучен в предыдущих исследованиях».

Маулуд добавил, что исследовательская группа планирует провести несколько дополнительных исследований. «Они включают в себя учёт дополнительных факторов исключения и экологических рисков на микроуровне, интеграцию данных наблюдений за Землёй в режиме реального времени для оценки временных изменений в пригодности, а также расширение модели для гибридных систем, таких как ветряные или агрофотоэлектрические. Мы также изучаем методы трансферного обучения, чтобы повысить адаптивность модели в других развивающихся регионах», — сказал он.