Моніторинг панелей без датчиків

Сонячні масиви домашніх СЕС часто можуть мати несправності, які тривалий час залишаються непоміченими, спричиняючи втрати генерації та доходу. Зокрема, у сонячних проектах житлового масштабу бракує зондування та приладів для моніторингу продуктивності та виявлення несправностей.

Дослідники з Університету Массачусетса в Амгерсті вирішили цю проблему і розробили SunDown, комп’ютерну модель для виявлення несправностей сонячних батарей у житлових будинках. Модель не використовує прилади та датчики і замість цього використовує кореляції між потужністю, що виробляється сусідніми панелями, для виявлення відхилень від очікуваної поведінки панелі.

Модель також є засобом для обробки одночасних несправностей на декількох панелях та класифікації аномалії для визначення ймовірної причини.

SunDown використовує дані про генерацію сонячної енергії за два роки як з реального будинку, так і з набору даних про історичні несправності системи. Результат, за словами дослідників, становить середню абсолютну відсоткову помилку 2,98% при прогнозуванні несправності панелі.

Дослідники сказали, що модель SunDown продемонструвала здатність виявляти та класифікувати несправності - включаючи сніговий покрив, листя та сміття або електричні збої - з точністю 99,13%. Алгоритм також може виявляти кілька одночасних несправностей з точністю 97,2%.

У SunDown використовуються дві основні моделі. Одна - це модель на основі лінійної регресії, яка використовує ознаки високої кореляції між сусідніми панелями. Інший - це графічна модель, яка використовує те, що дослідники назвали «напівспоріднена регресія», що базується на нещодавно запропонованій техніці машинного навчання.