Μια ομάδα ερευνητών στο Πανεπιστήμιο της Λισαβόνας ανέπτυξε έναν προηγμένο αλγόριθμο μηχανικής μάθησης που μπορεί με επιτυχία να ταξινομήσει και να προβλέψει πιθανές αποτυχίες των αντιστροφέων σε μεγάλης κλίμακας φωτοβολταϊκούς σταθμούς. Μέσω της παρακολούθησης των υποσυστημάτων των αντιστροφέων και της ανάλυσης των δεδομένων, ο αλγόριθμος είναι σε θέση να ανιχνεύει τη στιγμή που επιτυγχάνονται τα μέγιστα και ελάχιστα ορία, και να στέλνει συναγερμούς για να ειδοποιήσει τους χειριστές για πιθανές αποτυχίες.
Ο αλγόριθμος κατηγοριοποιεί τις μεταβλητές βάσει των ιστορικών τους τιμών, έτσι ώστε να μπορεί να αναγνωρίσει διάφορα είδη αποτυχιών. Αυτές περιλαμβάνουν βλάβες δικτύου, υπέρταση δικτύου, προσωρινή υπέρταση δικτύου, υποτάση δικτύου, χαμηλή τάση, προσωρινή υπερρευστοποίηση AC, υπερσυχνότητα δικτύου, υποσυχνότητα δικτύου, αποτυχία ενέργειας δικτύου, υπερβολικό ρεύμα σταθεράρχησης, αποτυχία δικτύου εφοδιασμού, υπέρταση δικτύου 10 λεπτών, υπερφόρτωση εξόδου και μη ισοφαρίσματος φορτίου βλάβης δικτύου.
Για να ελεγχθεί η αποτελεσματικότητα του αλγορίθμου, οι ερευνητές εξέτασαν δύο ηλιακούς σταθμούς μεγάλης κλίμακας, οι οποίοι είχαν χωρητικότητες 140 kW και 590 kW, και εφοδιάζονταν με αντιστροφείς από τον γερμανικό κατασκευαστή SMA. Ο αλγόριθμος ανέλυσε τις μεταβλητές κάθε αντιστροφέα και κατάφερε να αναγνωρίσει με επιτυχία τα είδη των αποτυχιών που είχαν παρουσιαστεί.
Ο αλγόριθμος χρησιμοποιεί μοντέλα βασισμένα σε δέντρα για την ανάλυση των δεδομένων. Αυτά τα μοντέλα χρησιμοποιούν κανόνες διαίρεσης για να χωρίσουν τον χώρο των χαρακτηριστικών σε μικρότερες περιοχές με παρόμοιες τιμές ανταπόκρισης, επιτρέποντας ακριβή πρόβλεψη και κατηγοριοποίηση αποτυχιών.
Οι ερευνητές υπογραμμίζουν ότι ο αλγόριθμος μπορεί όχι μόνο να αναγνωρίσει τις αποτυχίες των αντιστροφέων, αλλά και να αναλύσει τις εποχικές διακυμάνσεις αυτών των αποτυχιών. Αυτές οι πληροφορίες μπορούν να είναι εξαιρετικά αξιόμαχες για την αξιολόγηση της αξιοπιστίας και τον προγραμματισμό συντήρησης.
Συμπερασματικά, οι ερευνητές προτείνουν την εφαρμογή μέτρων για την προστασία των αντιστροφέων από αρσενικό και υπερρευστοποίηση μέσω της χρήσης κυκλωμάτων συγκράτησης που συνδέονται σε παράλληλη ιδιότητα. Αυτή η προσέγγιση μπορεί να βελτιώσει σημαντικά την αποδοτικότητα μετατροπής ενέργειας των αντιστροφέων.
Η ανάπτυξη αυτού του νέου αλγορίθμου μηχανικής μάθησης παρέχει μια ελπιδοφόρα λύση για την πρόβλεψη και την πρόληψη αποτυχιών των αντιστροφέων σε φωτοβολταϊκούς σταθμούς ηλιακής ενέργειας, εξασφαλίζοντας παράλληλα τη συνεχή βέλτιστη απόδοση των εγκαταστάσεων φωτοβολταϊκής ενέργειας μεγάλης κλίμακας.