یک گروه از پژوهشگران دانشگاه لیسبون الگوریتم یادگیری ماشین پیشرفتهای را توسعه داده است که به موفقیت میتواند شکستهای احتمالی اینورترها در نیروگاههای فتوولتائیک بزرگ را تشخیص و پیشبینی کند. با نظارت بر زیرسیستمهای اینورتر و تحلیل دادهها،الگوریتم قادر است برای تشخیص دستیابی به حداکثر و حداقل مقادیر بوده و هشدارهایی را برای اپراتورها ارسال کند تا از شکستهای احتمالی آگاه شوند.
الگوریتم متغیرها را براساس مقادیر تاریخی آنها طبقهبندی میکند، که این امر او را قادر میسازد انواع مختلف شکستها را شناسایی کند. این شامل اشکال شبکه، بیشبرق، بیش برق موقت، کمبرق، ولتاژ کم، جریان متوازن موقت AC، بیشفرکانس شبکه، کمفرکانس شبکه، خطای برق، جریان کمربندی بیشاز حد، خطای شبکه تامین، بیشبرق ده دقیقه، بار بیشاز حد خروجی و خطای دستگاه شبکه نامتعادل میباشد.
برای آزمون اثربخشی الگوریتم، پژوهشگران دو سامانه فتوولتائیک نصب شده در زمین با ظرفیت 140 کیلوات و 590 کیلوات را بررسی کردند که هر دو با اینومرتورهای ساخت کمپانی آلمانی SMA مجهز شده بودند. الگوریتم متغیرهای هر اینورتر را تجزیه و تحلیل کرد و با موفقیت انواع شکستهای تجربه شده را شناسایی کرد.
این الگوریتم از مدلهای مبتنی بر درخت استفاده میکند تا دادهها را تجزیه و تحلیل کند. این مدلها از قوانین تقسیمبندی استفاده میکنند تا فضای ویژگی را به نواحی کوچکتری با ارزشهای پاسخ مشابه تقسیم کنند و این امر امکان پیشبینی و طبقهبندی دقیقتری از شکستها را فراهم میکند.
پژوهشگران تاکید میکنند که این الگوریتم نه تنها قادر به شناسایی شکستهای اینورتر است، بلکه نشان میدهد که توانایی تحلیل تغییرات فصلی در این شکستها را دارد. این اطلاعات برای تجزیه و تحلیل قابلیت اعتماد و برنامهریزی نگهداری بسیار ارزشمند است.
در نتیجه، پژوهشگران پیشنهاد میدهند اقداماتی برای حفاظت از اینورترها در برابر اینراش و جریان بیشاز حد با استفاده از مدارهای کلمپ متصل به خازن همرزونانت به کار برده شود. این رویکرد میتواند به طور قابل توجهی کارایی تبدیلبرق اینورترها را بهبود بخشد.
توسعه این الگوریتم یادگیری ماشین جدید، یک راهحل همچنین برای پیشبینی و جلوگیری از شکستهای اینورتر در نیروگاههای خورشیدی ارائه میدهد که باعث تضمین کارکرد بهینه ادامهای نیروگاههای فتوولتائیک بزرگ میشود.
The source of the article is from the blog japan-pc.jp