Ricercatori slovacchi prevedono la potenza dell'inverter fotovoltaico senza sensori meteorologici

Un gruppo di ricerca guidato da scienziati dell'Università Constantine the Philosopher di Nitra, in Slovacchia, ha sviluppato un nuovo modello predittivo e di rilevamento delle anomalie-per gli inverter fotovoltaici nelle installazioni commerciali. Il nuovo framework basato sull'-apprendimento automatico- utilizza esclusivamente dati temporali ed elettrici, senza fare affidamento su sensori ambientali.

"Gli algoritmi scelti, Random Forests per la previsione e l'analisi Z-score per il rilevamento delle anomalie, sono stati selezionati per la loro robustezza, interpretabilità e idoneità per set di dati piccoli ma ad alta-frequenza, rendendoli ben-allineati con le implementazioni pratiche di monitoraggio PV", hanno affermato gli accademici. "Inoltre, l'assenza di dati sull'irradianza o sulla temperatura viene affrontata esplicitamente costruendo proxy basati sul tempo- (modelli di ore, giorni e giorni feriali) per catturare il comportamento ciclico della generazione solare."

Il modello utilizza dati operativi-del mondo reale provenienti da un impianto fotovoltaico-connesso alla rete nella Slovacchia occidentale, inclusi due inverter con capacità nominali di 30 kW e 40 kW. I dati su inverter, potenza di rete e tensione di rete sono stati raccolti con una risoluzione di cinque-minuti da gennaio. 1 a febbraio. 1 2025, utilizzando sensori di monitoraggio di inverter e rete.
 

Per consentire l'analisi dell'apprendimento automatico, era necessaria la preelaborazione. Successivamente, un Random Forest Regressor è stato addestrato a prevedere la potenza effettiva dell'inverter (kW) a ogni passo di cinque-minuti. Successivamente, è stato utilizzato un classificatore casuale della foresta per mappare la potenza continua agli stati operativi, vale a dire basso, medio e alto. Potrebbe classificare lo stato attuale così come uno stato futuro, un'ora avanti. Infine, è stata utilizzata un'analisi Z-score per quantificare la misura in cui la potenza effettiva si discosta dalla potenza prevista. I valori che superavano una soglia statistica venivano contrassegnati come anomalie.

"Un Random Forest Regressor ha raggiunto un'elevata fedeltà nella previsione della potenza (R²=0.995, errore assoluto medio=0.12 kW), mentre i modelli di classificazione classificavano i livelli di output con una precisione del 100% in condizioni statiche," hanno mostrato i risultati. "Il rilevamento delle anomalie utilizzando l'analisi del punteggio Z- ha identificato valori anomali significativi, in particolare durante intervalli di produzione- elevati. Tuttavia, la classificazione un'-ora-in anticipo ha rivelato cali sostanziali nelle prestazioni predittive (accuratezza=36.4%), evidenziando la difficoltà intrinseca della previsione in condizioni ambientali variabili."

In conclusione, il team di ricerca ha aggiunto che "a differenza di altri lavori recenti, che integrano dati meteorologici e contestuali per la diagnosi multi-livello, il modello proposto opera esclusivamente su misurazioni elettriche lato inverter e rete-. Questa distinzione evidenzia il valore pratico dell'approccio presentato in scenari privi di sensori ambientali, offrendo un'alternativa trasparente ed efficiente dal punto di vista computazionale per il rilevamento di anomalie interpretabili."

Il quadro è stato presentato in "Modellazione predittiva e rilevamento di anomalie negli inverter solari fotovoltaici utilizzando l'apprendimento automatico", recentemente pubblicato su Results in Engineering. Alla ricerca hanno partecipato scienziati dell'Università Costantino il Filosofo di Nitra, dell'Università di Obuda in Ungheria e dell'Università della Boemia meridionale di České Budějovice, nella Repubblica Ceca.