स्लोवाक शोधकर्ताओं ने मौसम सेंसर के बिना पीवी इन्वर्टर आउटपुट की भविष्यवाणी की है

स्लोवाकिया के नाइट्रा में कॉन्स्टेंटाइन द फिलॉसफर यूनिवर्सिटी के वैज्ञानिकों के नेतृत्व में एक शोध दल ने व्यावसायिक प्रतिष्ठानों में पीवी इनवर्टर के लिए एक नया पूर्वानुमान और विसंगति का पता लगाने वाला मॉडल विकसित किया है। नवीन मशीन {{2}लर्निंग-आधारित ढांचा पर्यावरण सेंसरों पर भरोसा किए बिना, अकेले अस्थायी और विद्युत डेटा का उपयोग करता है।

शिक्षाविदों ने कहा, "चुने गए एल्गोरिदम, भविष्यवाणी के लिए रैंडम फ़ॉरेस्ट और विसंगति का पता लगाने के लिए Z{0}स्कोर विश्लेषण, को उनकी मजबूती, व्याख्याशीलता और छोटे लेकिन उच्च आवृत्ति वाले डेटासेट के लिए उपयुक्तता के लिए चुना गया था, जिससे वे व्यावहारिक पीवी निगरानी तैनाती के साथ अच्छी तरह से संरेखित हो गए।" "इसके अलावा, चक्रीय सौर उत्पादन व्यवहार को पकड़ने के लिए समय आधारित प्रॉक्सी (घंटा, दिन और कार्यदिवस पैटर्न) का निर्माण करके विकिरण या तापमान डेटा की अनुपस्थिति को स्पष्ट रूप से संबोधित किया जाता है।"

यह मॉडल पश्चिमी स्लोवाकिया में ग्रिड से जुड़े पीवी प्लांट से वास्तविक {{0}विश्व परिचालन डेटा का उपयोग करता है, जिसमें 30 किलोवाट और 40 किलोवाट की रेटेड क्षमता वाले दो इनवर्टर शामिल हैं। इन्वर्टर और ग्रिड मॉनिटरिंग सेंसर का उपयोग करके, इन्वर्टर, ग्रिड पावर और ग्रिड वोल्टेज डेटा को जनवरी 6 से फरवरी 2025 तक पांच {5 }} मिनट के रिज़ॉल्यूशन पर एकत्र किया गया था।
 

मशीन लर्निंग विश्लेषण को सक्षम करने के लिए, प्रीप्रोसेसिंग की आवश्यकता थी। इसके बाद, एक रैंडम फ़ॉरेस्ट रेजिस्टर को प्रत्येक पाँच - मिनट के चरण पर वास्तविक इन्वर्टर पावर आउटपुट (किलोवाट) की भविष्यवाणी करने के लिए प्रशिक्षित किया गया था। इसके बाद, एक रैंडम फ़ॉरेस्ट क्लासिफायर का उपयोग परिचालन राज्यों, अर्थात् निम्न, मध्यम और उच्च में निरंतर शक्ति को मैप करने के लिए किया गया था। यह वर्तमान स्थिति के साथ-साथ भविष्य की स्थिति को भी एक घंटे पहले वर्गीकृत कर सकता है। अंत में, वास्तविक शक्ति अनुमानित शक्ति से किस हद तक विचलित होती है, इसकी मात्रा निर्धारित करने के लिए एक Z-स्कोर विश्लेषण का उपयोग किया गया था। सांख्यिकीय सीमा से अधिक मानों को विसंगतियों के रूप में चिह्नित किया गया था।

परिणामों से पता चला, "एक रैंडम फ़ॉरेस्ट रेजिस्टर ने बिजली भविष्यवाणी (आर²=0.995, मतलब पूर्ण त्रुटि=0.12 किलोवाट) में उच्च निष्ठा हासिल की, जबकि वर्गीकरण मॉडल ने स्थिर परिस्थितियों में 100% सटीकता के साथ आउटपुट स्तर को वर्गीकृत किया।" "Z-स्कोर विश्लेषण का उपयोग करके विसंगति का पता लगाने से महत्वपूर्ण आउटलेर्स की पहचान की गई, विशेष रूप से उच्च{{5}उत्पादन अंतराल के दौरान। हालांकि, एक{7}घंटे{{8}आगे के वर्गीकरण से पूर्वानुमानित प्रदर्शन (सटीकता=36.4%) में पर्याप्त गिरावट का पता चला, जो परिवर्तनशील पर्यावरणीय परिस्थितियों के तहत पूर्वानुमान की अंतर्निहित कठिनाई को उजागर करता है।"

निष्कर्ष निकालते हुए, अनुसंधान टीम ने कहा कि "अन्य हालिया कार्यों के विपरीत, जो बहु-स्तरीय निदान के लिए मौसम संबंधी और प्रासंगिक डेटा को एकीकृत करता है, प्रस्तावित मॉडल पूरी तरह से इन्वर्टर और ग्रिड-साइड विद्युत माप पर काम करता है। यह अंतर पर्यावरण सेंसर की कमी वाले परिदृश्यों में प्रस्तुत दृष्टिकोण के व्यावहारिक मूल्य पर प्रकाश डालता है, जो व्याख्या योग्य विसंगति का पता लगाने के लिए एक पारदर्शी और कम्प्यूटेशनल रूप से कुशल विकल्प प्रदान करता है।"

रूपरेखा "मशीन लर्निंग का उपयोग करके सौर पीवी इनवर्टर में पूर्वानुमानित मॉडलिंग और विसंगति का पता लगाना" में प्रस्तुत की गई थी, जिसे हाल ही में इंजीनियरिंग में परिणाम में प्रकाशित किया गया था। स्लोवाकिया के कॉन्स्टेंटाइन द फिलॉसफर यूनिवर्सिटी, नाइट्रा, हंगरी के ओबुडा यूनिवर्सिटी और चेक गणराज्य के सेस्के बुडेजोविस में साउथ बोहेमिया यूनिवर्सिटी के वैज्ञानिकों ने शोध में भाग लिया।