Модель направленного обучения для прогнозирования выработки фотоэлектрической энергии без использования датчиков освещенности

Аккумулятор FIAMM 12 FIT 60

Южнокорейские исследователи разработали систему управляемого обучения, которая позволяет точно прогнозировать мощность фотоэлектрических систем без использования датчиков освещенности во время работы, опираясь на стандартные метеорологические данные. Сообщается, что модель показала высокую эффективность при работе с данными, не входящими в обучающую выборку, и превзошла традиционные подходы, основанные на показателях освещенности, особенно в условиях зашумленных или нестабильных данных.

Фотоэлектрический комплекс, построенный вдоль шоссе в Южной Корее.

Исследовательская группа из Южной Кореи разработала новую систему управляемого обучения, которая позволяет одновременно оценивать интенсивность излучения и мощность фотоэлектрических систем.

«Сначала модель обучается на основе косвенных данных об освещенности, полученных с помощью стандартных метеорологических сигналов, а затем использует эти данные для регрессии мощности фотоэлектрических систем, — рассказал автор исследования Сангвок Пак. — Это позволяет использовать модель на объектах без датчиков освещенности, сохраняя при этом точность, которую обычно обеспечивают эти сигналы».

Предложенная система использует данные об интенсивности солнечного излучения только во время обучения и не требует их при работе. По словам исследователей, она стабильно обеспечивает одинаковый уровень точности даже при применении в сценариях, выходящих за рамки обучающего набора данных.

Метод состоит из двух основных компонентов: оценки интенсивности солнечного излучения, которая прогнозирует интенсивность излучения на основе метеорологических данных, и регрессионной модели, которая дополняет исходные данные оценкой интенсивности излучения и выдает мощность фотоэлектрических систем, нормализованную по установленной мощности. Система изначально собирает такие данные, как температура, влажность и скорость ветра, а в процессе обучения также учитывает данные об интенсивности излучения.

Глубокая последовательная модель обрабатывает временные ряды погодных условий для создания внутренних признаков. Эти признаки передаются в блок оценки и региональный блок, которые позволяют модели формировать внутренние представления об интенсивности солнечного излучения. После обучения и проверки модель запускается без данных об интенсивности солнечного излучения, самостоятельно оценивая этот показатель и используя его для расчета выходной мощности фотоэлектрических систем.

Платформа была протестирована на наборе данных, собранном в Канныне, Южная Корея, за год, с 1 января 2022 года по 31 декабря 2022 года. Были проанализированы три солнечные электростанции: C9 для обучения, N19 для проверки и C3 для тестирования. В рамках проекта было протестировано несколько моделей глубоких нейронных сетей, в том числе двухуровневая длинная краткосрочная память (LSTM), LSTM с механизмом внимания и сверточная нейронная сеть с длинной краткосрочной памятью архитектура CNN-LSTM. Наилучшие результаты показала двухуровневая LSTM, при этом вариант с механизмом внимания показал статистически сопоставимые результаты.

«Предложенный метод направленного обучения продемонстрировал высокую эффективность на тестовой выборке», — заявили исследователи. Статистические сравнения с использованием t-критерия и метода бутстреппинга показали, что в среднем по сравнению с базовыми подходами без использования данных об интенсивности излучения среднеквадратическая ошибка (RMSE) снизилась на 0,06 кВт в почасовом измерении и на 1,07 кВт в суточном. По сравнению с эталонными подходами, использующими данные об интенсивности излучения как при обучении, так и при тестировании, улучшение составило 1,03 кВт и 15,33 кВт соответственно.

Парк отметил, что одним из самых неожиданных результатов стало то, что управляемая модель лучше обобщала данные на тестовом участке, чем модели, которые напрямую использовали данные об освещенности при выводе. «Когда данные об освещенности были зашумленными или противоречивыми, качество обычных моделей снижалось, в то время как управляемая модель оставалась стабильной и показывала более низкие значения погрешности как по часовым, так и по суточным показателям», — сказал он.

В настоящее время исследовательская группа готовит многорегиональное исследование, охватывающее различные климатические зоны и типы установок, а также изучает возможность объединения данных с нескольких станций для дальнейшего повышения надежности модели. «Мы также планируем добавить в модель устойчивость к отсутствию входных данных, количественную оценку неопределенности с помощью калиброванных интервалов прогнозирования и обнаружение аномалий, связанных с экстремальными погодными условиями и неисправностями датчиков, — добавил Пак. — Наконец, мы рассматриваем возможность пилотного внедрения с участием сетевых операторов для оценки практической ценности».

Новая модель была представлена в статье «Управляемое обучение для регрессии мощности фотоэлектрических элементов при отсутствии ключевой информации», опубликованной в журнале Measurement. В исследовании приняли участие ученые из южнокорейских компаний LG Electronics и Национального университета Канвондо.