Обзор всех недорогих систем мониторинга фотоэлектрических систем

Аккумулятор FIAMM 12 FGHL 34

Группа учёных из Китая провела всесторонний анализ существующих недорогих методов мониторинга фотоэлектрических систем. Они обнаружили, что только в 11 из 88 исследований, посвящённых мониторингу фотоэлектрических систем, используется машинное обучение. Исследователи призывают научное сообщество уделять больше внимания простым решениям на основе машинного обучения и интеграции со смартфонами.

Датчики, расположенные сзади, на испытательном полигоне в Иньчуане позволяют техническим специалистам контролировать солнечное излучение на задней стороне двусторонних модулей.

Исследователи из Американского университета в Ираке провели систематический обзор литературы, посвящённой недорогим системам мониторинга фотоэлектрических (PV) установок. Они сосредоточились на аппаратном и программном обеспечении, системной интеграции, а также на проблемах и возможностях, которые откроются в будущем для этих систем.

«По мере распространения солнечной энергии, особенно в автономных и недостаточно обслуживаемых регионах, спрос на недорогие, но надёжные системы мониторинга фотоэлектрических систем становится всё более актуальным. Эти системы необходимы для обеспечения производительности, выявления неисправностей и поддержания долгосрочной эффективности работы там, где коммерческие решения неприменимы, — заявила команда. — В этом обзоре рассматриваются основные технологии, поддерживающие недорогой сбор данных (DAQ), в том числе микроконтроллеры, аналого-цифровые преобразователи (АЦП), коммуникационные модули и программные платформы, а также такие аспекты проектирования, как точность, масштабируемость, энергопотребление и доступность для пользователей».

Обзор состоял из четырёх этапов: идентификация, проверка заголовков, проверка аннотаций и полнотекстовый обзор. Из 1139 исходных статей только 88 соответствовали критериям включения и были включены в итоговый систематический обзор. По данным команды, 2021 год стал пиковым для публикации соответствующих исследований, за ним следуют 2019 и 2022 годы.

В рассмотренных статьях затрагивался широкий спектр тем. Некоторые из них были посвящены датчикам, в том числе датчикам тока и напряжения, измерениям освещённости и температуры, а также построению вольт-амперных характеристик. В других рассматривались аппаратные компоненты, такие как микроконтроллеры, аналого-цифровые преобразователи и различные коммуникационные интерфейсы. Исследования, связанные с программным обеспечением, включали коммерческие инженерные платформы, решения с открытым исходным кодом и на базе микроконтроллеров, программное обеспечение, разработанное на заказ, а также специализированные инструменты для анализа и визуализации. Также был проведён систематический обзор коммуникационных протоколов, охватывающий проводные, беспроводные и гибридные подходы.

Исследователи определили три ключевые области значительного прогресса: интеграция Интернета вещей (IoT), применение машинного обучения (ML) и сами системы DAQ-PV. Что касается Интернета вещей, команда отметила, что такие системы снижают затраты на подключение и техническое обслуживание, обеспечивая при этом прогнозируемое техническое обслуживание и интеллектуальное управление энергопотреблением. Приложения ML были отмечены за их способность улучшать оптимизацию без необходимости в дополнительных датчиках. Исследователи заметили, что приложения DAQ-PV все чаще используются в различных фотоэлектрических установках для повышения эксплуатационных характеристик.

«Ключевые пробелы в исследованиях можно разделить на две категории: исследовательские практики и конструктивные ограничения», — отметила команда. «Во многих исследованиях не проводилось тестирование в стандартных условиях (Standard Test Conditions, STC), не сообщалось о неопределённости или показателях жизненного цикла, а также использовались ограниченные спецификации фотоэлектрических элементов. Конструктивные недостатки включали в себя АЦП с низким разрешением, отсутствие данных об окружающей среде, неполные вольт-амперные характеристики, зависимость от интернета, ограниченные пользовательские интерфейсы и минимальную интеграцию машинного обучения, которая присутствовала только в 11 из рассмотренных исследований».

Несмотря на эти трудности, учёные пришли к выводу, что эта область открывает широкие возможности. «В будущем следует изучить периферийные вычисления, упрощённое машинное обучение для встраиваемых систем, модульные и специализированные системы сбора данных, интеграцию со смартфонами и технологии цифровых двойников. Более широкое использование машинного обучения в мониторинге фотоэлектрических систем может значительно повысить интеллектуальность, масштабируемость и доступность систем», — заявили они.

Обзор был опубликован в статье «Систематический обзор недорогих систем мониторинга фотоэлектрических систем: технологии, проблемы и возможности», опубликованной в Renewable and Sustainable Energy Reviews.