Vědci na Kypru vyhodnotili šest různých modelů používaných k předpovědi ztrát energie způsobených hromaděním prachu, nečistot a dalších látek na povrchu fotovoltaických panelů v suchém podnebí ostrova. Výsledky různých modelů porovnali s údaji o ztrátách způsobených znečištěním z instalace „testovacího stolu“ na Kyperské univerzitě v Nikósii. Testování odhalilo potenciální výhodu přístupů strojového učení podpořených satelitními daty.
Mnohá místa na světě, která nabízejí nejvyšší sluneční záření, mají také nevýhodu v podobě suchého a prašného terénu. Ten může způsobit různé problémy s výkonem fotovoltaického systému.
Znečištění vede ke ztrátám energie
Řešení ztrát způsobených usazováním prachu na povrchu modulů je pro fotovoltaický průmysl velkým byznysem. Tyto ztráty totiž mohou rychle vést ke značným ztrátám příjmů. Příliš časté čištění modulů nebo investice do nesprávného typu čisticího zařízení může rovněž poškodit ekonomiku projektu. A tak je schopnost přesně předvídat ztráty způsobené znečištěním v dlouhodobém i krátkodobém časovém horizontu něčím, čeho si vývojáři fotovoltaických projektů a provozovatelé systémů velmi cení.
Existují různé přístupy, které využívají různé kombinace senzorů na místě, historických klimatických údajů, místních meteorologických údajů, satelitních snímků a dalších. Skupina vědců pod vedením Kyperské univerzity se snažila porovnat přesnost několika z nich. A to porovnáním modelovaných předpovědí ztrát způsobených znečištěním s údaji z testovací instalace v areálu Kyperské univerzity v Nikósii.
Strojové učení
Ztráty znečištění v testovacím zařízení se vypočítaly porovnáním vyčištěné a nevyčištěné sady modulů vedle sebe. Šest různých modelů – tři využívající přístup fyzikálního modelování a tři založené na strojovém učení – bylo vyhodnoceno z hlediska přesnosti na základě údajů ze stavby.
Tři „fyzikální“ modely jsou dobře zavedené metody modelování znečištění. Na druhou stranu metody strojového učení jsou programy s otevřeným zdrojovým kódem, které se na měření znečištění aplikují poprvé. Úplné podrobnosti o použitých modelech a způsobu jejich vyhodnocení naleznete v článku „Characterizing soiling losses for photovoltaic systems in dry climates: A case study in Cyprus“. Článek se objevil v časopise Solar Energy.
Výsledky testování
Vyhodnocení ukázalo, že fyzikální modely, které jsou založené na údajích z terénních pozorování, dosáhly nejvyšší přesnosti s chybovostí 1,16 % u denních ztrát znečištění. 0,83 % zase u nočních ztrát znečištění. A to u nejvýkonnějšího modelu strojového učení nazvaného CatBoost.
Přístupy strojového učení však nezůstaly o mnoho pozadu s chybou 1,55 % u denních ztrát znečištění. 1,18 % zase u nočních. Výzkumníci poznamenávají, že vzhledem k nedostatkům v dostupnosti údajů pozorovaných v terénu a pokrývajících celou lokalitu po dostatečně dlouhou dobu by mohly být užitečným přístupem také modely strojového učení založené na údajích o životním prostředí získaných pomocí družice.
„Modelování znečištění pomocí tohoto druhu environmentálních dat získaných ze satelitů by mohlo pomoci při plánování strategií a operací údržby a údržby v průběhu roku, aby se minimalizovaly ztráty znečištění. A to zejména v prašných a suchých oblastech. Zde může docházet k náhlým změnám v zatížení aerosoly a kde jsou srážky mnohem méně časté,“ vysvětlili výzkumníci.
Zdroje: pv-magazine, towpoint
