Konwencjonalne metody stosowane do szacowania wydajności systemów PV stoją przed istotnymi wyzwaniami, podczas gdy w dziedzinie informatyki i statystyki dokonał się szybki postęp. Dlatego w ostatnich latach zastosowanie uczenia maszynowego stało się powszechne zarówno w projektowaniu, jak i eksploatacji infrastruktury fotowoltaicznej.
Podczas projektowania systemu fotowoltaicznego wykorzystuje się „machine learning” w celu zidentyfikowania dokładniejszych sposobów optymalizacji zachowania termicznego i elektrycznego poprzez uwzględnienie zjawisk nieobjętych konwencjonalnymi podejściami do modelowania. W sterowaniu systemami PV metody uczenia maszynowego są wykorzystywane do wykrywania usterek, ale można je również wykorzystać do identyfikacji ulepszonych strategii śledzenia pracy instalacji [Z.F. Liu, et al., J. Clean. Prod., 2020, 248, 119272].
Prognozowanie wydajności
Przewidywanie wydajności jest jednym z najważniejszych zastosowań uczenia maszynowego w instalacjach fotowoltaicznych. Podejście to wykorzystuje się w celu określenia jednego lub kilku parametrów, takich jak temperatura pracy, napięcie obwodu otwartego, prąd zwarcia, maksymalna moc instalacji. Parametrami wejściowymi dla tych modeli są zazwyczaj parametry meteorologiczne oraz szereg specyfikacji modułów. Przykładowo korzystając z algorytmu ELM możliwe było oszacowanie mocy generowanej w elektrowni fotowoltaicznej w Pekinie w Chinach, gdzie średnie błędy bezwzględne wyniosły 1,70 % w sezonie gorącym i 2,13 % wiosną [Y. Han, et al., Sol. Energy, 2019, 184, 515-526]. Z kolei ten sam algorytm zastosowany w sieci MLP do przewidywania mocy elektrowni fotowoltaicznej w Ammanie w Jordanii wykazał najniższy średni błąd bezwzględny wynoszący 1,08 % w czerwcu, a najwyższy średni błąd bezwzględny 18,83 % w lutym i marcu [S. Al-Dahidi, et al., Energies, 2018, 11(10), 2725]. Zastosowany model był bardzo udany, zwłaszcza w różnych warunkach, szczególnie w obecności mgły, ponieważ temperatura powietrza i wilgotność względna były jednymi z danych wejściowych do modelu. Wykorzystanie sztucznej sieci neuronowej (SSN) do przewidywania charakterystyki elektrycznej modułów fotowoltaicznych umożliwiło zbadanie rzeczywistego wpływu samej wilgotności względnej na działanie instalacji PV. Oprócz temperatury, prądu zwarcia, napięcia obwodu otwartego i mocy modułu zastosowano również narzędzia uczenia maszynowego do przewidywania właściwości termoelektrycznych modułu [A. Sohani, et al., J. Clean. Prod., 2022, 131611].
Wykrywanie usterek i diagnostyka
W instalacji fotowoltaicznej może wystąpić kilka usterek spośród których dominują zacienienie, degradacja, usterka diody bocznikującej, usterka typu line-to-line, przerwa w obwodzie elektrycznym, mostkowanie [T. Berghout, et al., Energies, 2021, 14(19), 6316].
Zacienienie modułów PV może pochodzić m.in. z gleby i brudu, obiektów takich jak drzewa, otaczających budynków, czy też innych modułów. Rozwiązania, które można zastosować to np. pominięcie diody prowadzące do izolowania zacienionych modułów, kontrolowanie orientacji modułów w celu identyfikacji najmniejszego poziomu zacienienia lub określenie optymalnego rozmieszczenia modułów i połączenia ich szeregowo i/lub równolegle. W praktyce zastosowano algorytm uczenia maszynowego, w którym wykorzystano metodę kolonii pszczół. Powstała sztuczna sieć neuronowa (SSN) została następnie wykorzystana do wykrycia zacienienia spowodowanego kurzem i brudem. Inne podejście z zastosowaniem interfejsu Python 3.7 wykazało, że wzmocnienie gradientu światła jest najlepszym podejściem do klasyfikacji i wykrywania usterek, a sama metoda okazała się skuteczna w ponad 99,9 % [D. Adhya, et al., SEGAN, 2022 29 100582].
Z czasem wydajność systemu fotowoltaicznego spada w wyniku degradacji modułów spowodowanych np. pęknięciem szkła, występowaniem defektów typu „hot spot”, pojawianiem się bąbli, odbarwieniem lub rozwarstwieniem laminatu, itp. Około 1/3 spośród wskazanych pozycji stanowią hot spoty, a do diagnostyki tych defektów zastosowano kamerę na podczerwień, z możliwością przetwarzania obrazu. Dodatkowo zastosowanie metody drzewa decyzyjnego prowadzi do skutecznej kategoryzacji defektów w systemie PV i automatycznego identyfikowania usterki [M.U. Ali, et al., Sol. Energy, 2020, 208, 643-651].
Problem otwartego obwodu w instalacji PV może wynikać z przepalania bezpieczników, problemów z zaciskami, błędów połączeń czy też przerwanych przewodów. Niestety metody uczenia maszynowego są rzadko stosowane do wykrywania jedynie tego typy uszkodzeń i zwykle są badane razem z innymi rodzajami usterek. Możliwe jest jednak identyfikowanie przerw w obwodzie na podstawie analizy charakterystyk prądowo-napięciowych za pomocą algorytmów uczenia SSN [D.R. Espinoza Trejo, et al., Energies, 2018, 11(3), 616].
Kiedy zawartość jonów w powietrzu osiąga wartość progową lub gdy dochodzi do przypadkowego kontaktu między przewodami, powstają zwarcia nazywane defektem line-to line. W takim przypadku dochodzi do pojawienia się ścieżki o niskiej impedancji, przez którą przepływa prąd, co może powodować negatywne skutki. Istnieją trzy metody wykrywania tego błędu, którymi są przetwarzanie sygnałów, uczenie maszynowe oraz podejścia łączone [A. Prasad, et al., JESIT, 2018, 5(1), 48-60].
Występowanie problemów w strukturze lub okablowaniu systemu fotowoltaicznego, prowadzących do uszkodzenia systemu fotowoltaicznego jest zwykle wykrywane poprzez analizę krzywych mocy od napięcia. W tym przypadku algorytm głębokiego uczenia w postaci konwolucyjnej sieci neuronowej (CNN) w oparciu o obrazowanie elektroluminescencyjne (EL) wykazuje najwyższą skuteczność [S.A. Zaki, et al., IET Renew. Power Gener., 2021 15(1) 193-205].
W przypadku zacienienia modułu podłączona dioda bocznikująca powinna zniwelować straty poprzez odłączenie danego modułu z układu szeregowo połączonych urządzeń. Jeśli jednak dioda nie zadziała, wydajność systemu spadnie. Analiza powszechnie stosowanych metod wykazała, że najlepsze wyniki w diagnozowaniu tej usterki uzyskała metoda oparta na sztucznych sieciach neuronowych [B. Li, et al., Energy Convers. Manag., 2021, 248, 114785].
Oprócz wykrywania i diagnozowania usterek, narzędzia uczenia maszynowego i sztucznej inteligencji mogą być również wykorzystywane do rozwiązywania problemów i zarządzania systemami fotowoltaicznymi. Łącząc metodę opartą na matematyce szachów (metodę trasy skoczka) naukowcy opracowali sposób zmiany układu paneli fotowoltaicznych w zacienionych warunkach. Zbadano szereg łańcuchów fotowoltaicznych o różnych rozmiarach i porównano zdolność tej metody do osiągnięcia maksymalnej produkcji energii z innymi podejściami, w tym układanką Skyscraper i technikami SuDoKu [S. Rezazadeh, et al., JAIHC, 2022, 1-23].
Podsumowując, algorytmy oparte na technikach uczenia maszynowego umożliwiają dokładniejsze przewidywanie mocy wytwarzanej przez system fotowoltaiczny, co prowadzi do optymalnego wymiarowania systemu. Dodatkowo połączenie „machine learning” z koncepcją Internetu Rzeczy (IoT) może doprowadzić do powstania zupełnie nowych możliwości w zarządzaniu systemami PV.
