З журналу pv 24.12-25.01
Трохи більше десяти років тому національні лабораторії Sandia заснували Collaborative PV Performance Modeling Collaborative (PVPMC). За словами Сандії, PVPMC підвищує прозорість і точність у моделюванні продуктивності фотоелектричної системи, а організація допомагає об’єднати зацікавлені сторони для вдосконалення методів моделювання. Джошуа Стайн, старший науковий співробітник Sandia, вважає, що настав час зробити подібні зусилля, щоб пролити світло на аналітику даних для моніторингу продуктивності фотоелектричних установок.
«Не вистачає стандартизації та гармонізації в тому, як люди говорять про аналіз та моніторинг несправностей», — пояснив він pv журнал. Наразі деякі компанії пропонують послуги, які включають аналіз даних, ідентифікацію та класифікацію несправностей на основі даних моніторингу фотоелектричних установок. Однак кожна з цих компаній використовує власний набір визначень несправностей, що означає, що дуже важко порівняти та порівняти цінність цих послуг.
«Уявіть, що кожен лікар чи лікарня, яку ви відвідали, використовували б власний набір діагнозів і клінічних практик». сказав Штейн. «Було б дуже важко і заплутано отримати другу думку. Більшість розвинених галузей промисловості стандартизують свої визначення несправностей і процедур пом’якшення. Сонячна фотоелектрична система ще не зовсім готова».
З одного боку, впровадження методів машинного навчання для автоматизації виявлення несправностей у фотоелектричних системах ще більше заплутало картину. Стайн обережно пояснив, що він не проти машинного навчання. «Автоматизоване виявлення помилок на основі ML є корисним, оскільки воно може призвести до високомасштабованої аналітики», — сказав Стайн.
Переосмислення KPI
Технічні ключові показники ефективності (KPI) є важливими для оцінки фотоелектричних установок, від етапу розробки до контрактних угод між власниками активів і постачальниками O&M.
«Хоча стандарти IEC і ASTM визначають деякі ключові показники ефективності, такі як коефіцієнт продуктивності (PR) і тести на потужність, їхні методи розрахунку часто відрізняються або покладаються на інтерпретацію користувача, що призводить до невизначених результатів», — сказав колега Stein з Sandia Labs Маріос Терістіс.
«Наприклад, існує значна гнучкість в обробці даних, що може викликати упередження, які впливають на контракти та фінансові рішення. Без чітких визначень KPI та узгоджених розрахунків контракти можуть постраждати несправедливо – не через фактичне недовиконання чи перевиконання, а через упередженість розрахунків», – додав він.
Погані дані – це дані, які не є корисними, тому що вони були отримані невідповідними способами. Він містить помилки або він не чистий. Це, у свою чергу, створює проблеми для зацікавлених сторін PV, які покладаються на це, щоб сказати їм, яка фактична продуктивність їхньої системи.
Стандартна галузева практика полягає в тому, що власники активів укладають субпідряд з постачальником O&M для забезпечення експлуатації та технічного обслуговування. Це означає, що договірна угода, яка передбачає, що електростанція підтримується належним чином і відповідає певним KPI.
«Якщо у вас погана якість даних, то в оцінку KPI буде внесено деяке зміщення. Це упередження може бути позитивним або негативним. У гіпотетичному сценарії, коли упередження зв’язків з громадськістю є негативним, тоді постачальник O&M несправедливо сплачуватиме штрафи через якість даних, а не через низьку продуктивність», — сказав Терістіс.
Це також працює у зворотному напрямку, коли постачальник послуг з експлуатації та технічного обслуговування може отримати вигоду через упередженість, спричинену якістю даних, а не надмірною продуктивністю підприємства. Терістіс продовжив: «У деяких випадках операційний PR порівнюється з PR до будівництва, створеним програмним забезпеченням для проектування PV, що призводить до порівняння «яблука з апельсинами»: чи різниця в PR спричинена надто оптимістичним моделюванням перед будівництвом чи фактична недостатня продуктивність?»
Прозорість програми
Theristis розпочав нову програму для вирішення цих проблем – PV O&M Analytics Collaborative (PVMAC). Він представив проект на конференції EU PVSEC, що відбулася у Відні у вересні 2024 року.
«Наша мета полягає в тому, щоб створити мережу співпраці для підвищення прозорості програмного забезпечення та послуг аналітики PV, співпрацювати з моніторинговими/аналітичними компаніями, постачальниками O&M, власниками активів, страховиками та допомогти цим зацікавленим сторонам об’єднатися, щоб узгодити необхідні стандарти та покращити загальна прозорість ринку», – сказав він.
Команда також використовує суперкомп’ютери Sandia Labs для моделювання в Сполучених Штатах, щоб зменшити невизначеності в оцінці KPI.
PVMAC все ще дуже новий, але протягом наступних кількох місяців дослідники зустрінуться з промисловістю, щоб провести інтерв’ю та тести, такі як сліпі аналітичні порівняння. Це передбачає надання зацікавленим сторонам реальних або синтетичних даних про продуктивність і прохання їх ідентифікувати та класифікувати недоліки та обчислити KPI.
«Сліпі порівняння — чудовий спосіб оцінити стан галузевої практики та узгодженість між різними постачальниками.
«Ми очікуємо, що ці порівняння висвітлять розбіжності в тому, як різні компанії визначають недоліки та обчислюють KPI», — сказав Стайн.
«Ми плануємо провести спеціальні сесії з аналітики експлуатації та технічного обслуговування, несправностей і гармонізації KPI на наших майбутніх семінарах PVPMC», — додав Терістіс.
Стандартизація продуктивності
Двоє вчених сподіваються, що, висвітливши будь-які невідповідності, буде легше досягти консенсусу щодо кроків, необхідних для стандартизації. Наприклад, постачальника O&M, який пропонує гарантію продуктивності, можна спонукати погано очищати датчики освітленості, оскільки брудний піранометр робить продуктивність PV кращою, ніж вона є насправді. Мета Стайна і Терістіса — швидко визначити, чому фотоелектрична установка не працює ефективно, і запропонувати стратегії вирішення проблем.
Багато що поставлено на карту, навіть невеликий відсоток неефективності великої фотоелектричної установки призводить до значних фінансових втрат. Стайн вважає, що вимірювання продуктивності фотоелектричної системи не дуже відрізняється від вимірювання здоров’я людини.
«Ви збираєте дані про свого пацієнта, наприклад, життєво важливі показники, історію хвороби, якщо вони вказують на більш серйозну проблему, ви замовляєте додаткові тести. Принаймні в медицині стандарти в основному міжнародні, тому не має значення, куди б ви не поїхали, вас оцінюватимуть подібним чином.
«Я сподіваюся, що з PV ми зможемо мати подібну систему. Нафтогазову промисловість, наприклад, стандартизовано. Якщо ви йдете на нафтову вишку чи газову турбіну в будь-якій країні світу, стандарти схожі», – сказав він.
Заплутана мережа
Погане управління електростанцією також може створити проблеми. Терістіс попередив, що, незважаючи на те, що доступно багато продуктів і послуг O&M, власники активів можуть не мати «кількісних знань» про потенційні переваги інвестування в якість даних, O&M та аналітичні можливості. «Ці рішення не досягли прозорості та не мають незалежної перевірки», — сказав він.
За словами Штейна, використовувати контрольовані методи машинного навчання для класифікації краще, ніж неконтрольовані, оскільки перші дозволяють вам повідомити алгоритму, що таке категорії.
«Але багато людей обирають без нагляду, що в основному говорить про наявність проблеми, не обов’язково вказуючи проблему», — сказав Стайн. «Це може заплутатися в алгоритмах кластеризації, які стверджують, що всі ці проблеми в чомусь схожі, і тоді, якщо ви використовуєте ту саму практику для кількох наборів даних, ви можете отримати кластеризовані дані, але вони згруповані з інших причин.
«Це одна з небезпек машинного навчання; він працює для певного набору даних, але його важко поширити на інший набір даних, на якому ви його не тренували».
Якщо машинне навчання має ефективно використовуватися для моніторингу виявлення помилок, галузь повинна спочатку домовитися про визначення цих помилок. Не всі компанії, які продають і використовують штучний інтелект або рішення машинного навчання для виявлення недоліків, використовують ці методи послідовно та прозоро, сказав Стайн.
«Ми бачили проблему в тому, що не всі компанії роблять те саме. Деякі компанії роблять дуже хорошу роботу і мають дуже цінні продукти, але там ніхто насправді не придумав стандартів і валідації, щоб ці компанії могли бути належним чином оцінені, чи не так?»
Вчений попередив, що виною може бути «ажіотаж ШІ». «Багато компаній рекламують, що їх програмне забезпечення використовує технологію штучного інтелекту, але мало хто хоче описати, як саме вона використовується. І тому кожна компанія має свій власний «посібник з діагностики» щодо того, що може піти не так із фотоелектричною системою», — сказав він.
«Штучний інтелект іноді просто модне слово».
Цей вміст захищено авторським правом і не може бути використано повторно. Якщо ви бажаєте співпрацювати з нами та хочете повторно використати частину нашого вмісту, будь ласка, зв’яжіться з нами: editors@pv-magazine.com.
Кріс Вайцель є старшим менеджером з маркетингу продуктів Amazon Q у QuickSight.
