Sztuczna inteligencja w instalacjach PV - przyszłość czy teraźniejszość?

Sztuczna inteligencja co to takiego?

Sztuczna inteligencja umożliwia systemom technicznym analizę ich otoczenia, radzenie sobie z tym, co postrzegają (zmierzą, odbiorą) i rozwiązywanie problemów, działając w kierunku osiągnięcia określonego celu. Uczenie maszynowe wspomniane we wstępie jest podzbiorem sztucznej inteligencji Uczenie maszynowe to zastosowanie sztucznej inteligencji. Jest to używanie matematycznych modeli danych w celu ułatwienia komputerowi uczenia się bez bezpośrednich instrukcji. W ten sposób system komputerowy może kontynuować uczenie się i ulepszać się samodzielnie na podstawie doświadczeń [1][2][5][6].

Komputer odbiera dane (już przygotowane lub zebrane za pomocą jego czujników, np. kamery), przetwarza je i reaguje. Systemy AI są w stanie do pewnego stopnia dostosować swoje zachowanie, analizując skutki wcześniejszych działań i działając potem autonomicznie. Niektóre technologie sztucznej inteligencji istnieją od ponad 50 lat, ale postęp w zakresie mocy obliczeniowej, dostępność ogromnych ilości danych i nowe algorytmy doprowadziły do wielkich przełomów w tej dziedzinie. Obecnie „inteligentny komputer” używa sztucznej inteligencji, aby myśleć jak człowiek i wykonywać zadania samodzielnie. Uczenie maszynowe to sposób, w jaki system komputerowy opracowuje swoje analizy. Jednym ze sposobów uczenia komputera naśladowania ludzkiego rozumowania jest użycie tzw. sieci neuronowej - czyli serii algorytmów modelowanych na podstawie działania ludzkiego mózgu. Sieć neuronowa ułatwia systemowi komputerowemu osiągnięcie możliwości sztucznej inteligencji. Specyfika branży OZE (nieprzewidywalność produkcji, wpływ wielu zmiennych na sprawność powoduje że coraz częściej AI wykorzystujemy [2][5][8][9][10].

Dlaczego AI?

Pomimo korzyści, systemy PV nadal mają cztery główne wady, które obejmują niską wydajność konwersji, przerywaną produkcję energii (w nocy), wysokie koszty produkcji i nieliniowość mocy wyjściowej systemu PV. Aby przezwyciężyć te problemy, zaproponowano różne techniki optymalizacji i sterowania w systemach wytwórczych oraz eksploatacyjnych. Techniki klasyczne, które opierały się na metodach intuicyjnych, numerycznych lub analitycznych okazały się za słabe. Stąd coraz szybsze wdrażanie rozwiązań AI nie tylko w PV, ale w innych branżach OZE np. w energetyce wiatrowej [6][8][9][10].

Etap produkcji

Potrzeba wykorzystania systemów sztucznej inteligencji pojawia się już na etapie produkcji ogniw oraz całych modułów PV. Aby konkurować z zakładami produkcyjnymi w Chinach Europa musi produkować produkty bardziej zaawansowane technologicznie oraz bardziej niezawodne. Europejskie Instytuty badawcze wskazują potrzebę budowy samouczących się systemów zarządzania produkcją w zakładach produkcyjnych, które wykorzystują dane procesowe do ciągłej optymalizacji produkcji. Produkcja zaawansowanych technologicznie ogniw i całych modułów PV wymaga obecnie wielu złożonych procesów produkcyjnych i materiałów, a ilość rejestrowanych danych jest ogromna [1].

Rys. 1 We współczesnych fabrykach systemów PV dane dotyczące np. procesów produkcji modułów PV muszą być analizowane w czasie rzeczywistym za pomocą sztucznej inteligencji [1]

Stąd zainteresowanie przemysłu fotowoltaicznego wykorzystaniem sztucznej inteligencji w wytwarzaniu. Dzięki „samouczącym się fabrykom” mamy do dyspozycji nowe, innowacyjne narzędzia, dzięki którym możemy zaoszczędzić czas i pieniądze w rozwoju produkcji nowych modułów PV. Działania te są wstępem do wdrażania przyszłych inteligentnymi fabryk produkcyjnych Przemysłu 4.0.

Etap projektowania instalacji – dobór instalacji oraz modelowanie danych meteorologicznych

Wraz z rozwojem inwestycji w farmy PV coraz bardziej konieczne staje się optymalizacja decyzyjna gdzie je stawiać. Przykładem tutaj może być firma Sunmetric, która zbudowała infrastrukturę opartą o sztuczne sieci neuronowe do analizy potencjału działek gruntów pod farmy fotowoltaiczne oraz potencjału dachów domów pod inwestycje w instalacje PV [4]. Reasumując mamy już powszechnie znane aplikacje jak np. PVSol i wiele innych, ale potrzebujemy systemu do analiz wielokryterialnych dla całych dzielnic czy obszarów. Produkcja energii z PV zależy od warunków meteorologicznych. Gdy pogoda jest słoneczna, moc generowana przez system PV jest wysoka. Gdy pogoda jest częściowo pochmurna lub pochmurna, wtedy moc jest mniejsza. Dlatego wytwarzanie energii z systemów PV jest niepewne, przerywane i zmienne. Aby zarządzać niepewnym i zmiennym wytwarzaniem energii przez systemy PV operatorzy sieci wykorzystują klasyczne prognozy mocy fotowoltaicznej oraz coraz częściej metody numeryczne oparte do tzw. metody inteligentnego zarządzania siecią wytwórczą PV [8][9][10].

Przykładowy obraz prognozy napromieniowania nad strefą USA opracowany z wykorzystaniem AI [9][10]

Etap eksploatacji

Usterki w modułach PV bardziej niż jakikolwiek inny czynnik wpływają na uzysk energii w instalacji PV. Błędy te są bardzo zróżnicowane w zależności od etapu, na którym się pojawiają. inspekcja osobista oraz tradycyjna kontrola nadzorcza i pozyskiwanie danych (SCADA) często nie są w stanie dokładnie określić pierwotnej przyczyny błędów w krótkim okresie czasu. Globalne badanie przeprowadzone przez TÜV Rheinland w sprawie elektrowni fotowoltaicznych o łącznej mocy 12 GW wykazało, że 30% elektrowni miało poważne wady, z których 50% pochodziło z wad modułów fotowoltaicznych. Awarie modułów fotowoltaicznych bezpośrednio wpływają na uzyski energii i korzyści z instalacji fotowoltaicznych. Dokładne i szybkie lokalizowanie usterek ciągów fotowoltaicznych (dla dużych farm są to dziesiątki tysięcy modułów PV!) jest pilnym problemem dla właścicieli elektrowni. Jednak konwencjonalne metody kontroli modułów fotowoltaicznych są zarówno czasochłonne, jak i pracochłonne. Dodatkowo podnoszą koszty eksploatacji [3].

Rys. Zaawansowana klasyfikacja obrazów termograficznych z modułów PV – diagnozowanie określonej wady modułu – podjęcie decyzji

Powyżej przedstawiono analizę połączoną z klasyfikacją obrazów termograficznych z modułów PV działających na farmie PV. Bez sieci neuronowych i sztucznej inteligencji przy dużej farmie PV diagnozowanie i wykrywanie wad trwałoby bardzo długo. AI umożliwia przyspieszenie decyzji i oszczędności kosztów.

W dużej elektrowni fotowoltaicznej znajduje się wiele modułów PV i łańcuchów fotowoltaicznych rozrzuconych na dużym obszarze. Na przykład typowa elektrownia fotowoltaiczna o mocy 100 MW zawiera około 400 000 modułów fotowoltaicznych pogrupowanych w 20 000 ciągów fotowoltaicznych i zajmujących obszar 72,5 km2 . Niemożliwe jest 100%owe, drobiazgowe porównywanie napięć i prądów, czy obrazów zdjęć z termografii, ze względu na ogromną liczbę modułów fotowoltaicznych i złożone środowisko testowe nawet z wykorzystaniem dronów. Oznacza to, że możliwe są tylko kontrole wyrywkowe.

Rys. Wymogi zarządzania i utrzymania stanu dla takich obiektów? a) Farma PV o mocy 2,2 GW w prowincji Qinghai w Chinach (202,8 MW/MWh magazynów), b) Farma PV Pavagada w Indiach to o mocy 2 GW, c) Northern Territory - Australia , plany na 10 GW. Przesyłanie energii do Singapuru i Indonezji przez 4500 km + magazyn 30 GWh - Moduły PV słoneczne zajmą 12 000 ha, d) Farma PV na 4500 hektarów w Bhadla w pobliżu Jodhpur w Indiach ( moc 2,245 GW) [8][9]

Sztuczna inteligencja na przykładzie inwerterów i optymalizatorów mocy

Diagnostyka krzywej mocy

Wdrażanie rozwiązań AI w branży PV przedstawimy na przykładzie innowacji firmy Huawei. Aby rozwiązać problemy spowodowane konwencjonalnymi metodami inspekcji, firma Huawei opracowała tzw. inteligentną diagnostykę krzywej I-V (Smart I-V Diagnosis). Technologia ta umożliwia falownikowi eksportowanie krzywych I-V, wdrażanie algorytmów w systemie zarządzania i analizowanie danych. Identyfikuje również tryby skanowania wszystkich ciągów fotowoltaicznych instalacji PV i identyfikowania ukrytych usterek modułów PV. Tradycyjnie inspekcja krzywych I-V wymagała od personelu zabrania ze sobą sprzętu i wizytacji miejsc realizacji projektu. Teraz jest to zbędne. Ta technologia, wraz z inteligentnym systemem zarządzania PV i inteligentnym sterownikiem PV, może wykryć online wszystkie ciągi fotowoltaiczne instalacji fotowoltaicznej z dokładnością do 0,5% (ponad sześciokrotność poziomu branżowego i równa precyzji profesjonalnego zewnętrznego testera I-V). Najnowszy model falownika SUN2000-43KTL firmy Huawei potrzebuje tylko jednej sekundy na realizację skanowania systemu i 10 minut na wygenerowanie raportu, zawierającego dane dotyczące macierzy fotowoltaicznej w trybie jednego kliknięcia, bez personelu testującego i testerów na miejscu. To znacznie obniża wymagania dotyczące pracy i koszty testowania dużych instalacji PV [7][3][9].

Rys. SUN2000-4KTL-M1: Trójfazowy falownik Huawei dzięki wbudowanej sztucznej inteligencji zapewnia wykrywanie łuków elektrycznych a poza tym oferuje regenerację efektu PID, wykrywanie nieprawidłowości w łańcuchach, czy też wykrywanie uszkodzeń łańcuchów [6][7]

Personel testowy jest ostrzegany o awariach modułów fotowoltaicznych za pomocą inteligentnej diagnostyki ciągów fotowoltaicznych, a stan instalacji fotowoltaicznej można kompleksowo oszacować, aby uzyskać proaktywną konserwację. Elektrownię PV o mocy 100 MW można przeskanować w ciągu 15 minut. Eliminuje to potrzebę wizyt w tzw. „realu”, ponieważ wykrywanie jest zakończone online. Poprawia to wydajność obsługi i utrzymania instalacji PV o ponad 50% oraz zmniejsza koszty obsługi i utrzymania w całym okresie eksploatacji systemu. Wykryte wady pozwala uniknąć strat finansowych idących w mln dolarów [6][7][8].

Wykrywanie łuku elektrycznego - bezpieczeństwo

Dla instalacji PV bardzo ważnym aspektem jest również bezpieczeństwo. Dlatego Inwertery i optymizatory mocy firmy Huawei wyposażone są w funkcję AFCI (Arc Fault Circuit Interrupter) zabezpieczającą przed powstawaniem łuku elektrycznego, bezpośrednio wpływając na bezpieczeństwo całej instalacji fotowoltaicznej. Dzięki użyciu sztucznej inteligencji po wykryciu łuku przerwanie pracy inwertera następuje już w ciągu 2,5 sekundy. AFCI to układ wykorzystujący elementy sztucznej inteligencji, dokonujący analizy harmonicznych prądu stałego i pozwalający przerwać przepływ tego prądu jeśli w widmie (spektrum widma prądu wyładowania łukowego zbliżone jest do spektrum szumu białego, a jego energia koncentruje się wokół zakresu częstotliwości 10-100kHz) wykryte zostaną wzorce mogące wskazywać na powstanie łuku w obwodzie DC falownika. W tej sytuacji falownik rozłącza obwód DC w czasie krótszym niż 2s i generuje alarm, wskazując miejsce wystąpienia łuku z dokładnością do modułu (w przypadku instalacji z pełną optymalizacją). Zadaniem instalatora jest wówczas łatwo i sprawnie usunąć problem [3][5][6][7].

Funkcję zabezpieczającą przed powstawaniem łuku elektrycznego posiadają też optymalizatory mocy, które mają możliwość wykrywania i przerywania łuku elektrycznego na poziomie modułu PV. Łuk elektryczny powstający w obwodzie prądu stałego, to bardzo niebezpieczne zjawisko. Temperatura w miejscu powstania łuku może sięgnąć nawet 3000°C i jeśli tylko dostarczana jest energia słoneczna do generatora i łuk nie zostanie samoczynnie przerwany, może to spowodować duże zagrożenie pożarowe.

Podsumowanie

Globalne roczne potencjalne oszczędności dzięki zastosowaniu AI w systemach PV mogą wynieść nawet wyniosły 7-8 mld USD w 2021 r. i oczekuje się, że do 2024 r. wyniosą 15 mld USD. Wraz z szybkim rozwojem technologii cyfrowych, takich jak 5G i chmura, oczekuje się, że ponad 90% elektrowni fotowoltaicznych zostanie w pełni zdigitalizowanych do 2025 r., dzięki czemu elektrownie fotowoltaiczne będą mogły być „inteligentne” i wydajne [6].

Powszechna integracja sztucznej inteligencji i PV ułatwi wzajemne wykrywanie i łączenie między urządzeniami instalacji PV oraz poprawi wytwarzanie energii i wydajność O&M poprzez wspólną optymalizację. Techniki sztucznej inteligencji mogą zaoferować obiecujące nowe możliwości dla systemów PV, w tym proaktywną identyfikację i ochronę modułów PV i ograniczenie liczby usterek urządzeń za pomocą algorytmów diagnostyki AI.

Możliwa będzie również optymalizacja algorytmu śledzenia popytu i podaży w mikroinstalacjach (inteligentne domy) jak i dużych farm PV funkcjonujący na rynkach energii w kraju czy rynkach światowych (inteligentne sieci).

Reasumując ponieważ koszt LCOE systemów PV nadal spadać (widzimy to obecnie w zakresie kosztów materiałów) już tak nie będzie, a złożoność obsługi i utrzymania systemów PV będzie rosła (duże instalacje), techniki sztucznej inteligencji będą z dużym prawdopodobieństwem szeroko stosowane w elektrowniach PV w skali mikro jak i makro. Wraz z rozwojem sztucznej inteligencji i Internetu rzeczy (IoT) przyszłościowe systemy PV będą zmierzały do zarządzania systemami zrobotyzowanymi. Ekspertów O&M w wielu funkcjach diagnostycznych i decyzyjnych w układach PV zastąpią systemy AI. Inspekcja dronami i automatyczna konserwacja oparta na robotach obsłużą krytyczne i powtarzalne prace związane z obsługą i utrzymaniem, które wymagają ciągłego wysokiego stopnia dokładności w celu zwiększenia produktywności i bezpieczeństwa w elektrowniach PV. Szacuje się, że w przyszłości elektrownie PV będą całkowicie bezobsługowe – oczywiście w zakresie ludzkim.

Źródła:

1. https://www.pv-magazine.com/2020/12/22/artificial-intelligence-in-photovoltaic-production/

2. https://medium.com/grid-solutions/ai-photovoltaic-power-forecasting-using-lstm-networks-74c157649c9e

3. https://www.eqmagpro.com/huawei-smart-iv-curve-diagnosis-fast-comprehensive-automated-fault-detection-for-pv-modules/

4. https://sunmetric.pl/

5. https://www.energywatch.com.my/blog/2020/11/17/6-ways-artificial-intelligence-is-shaping-our-solar-power-future/

6. https://www.prnewswire.com/il/news-releases/huawei-predicts-10-trends-in-smart-pv-for-2025-803858558.html

7. https://solar.huawei.com/mea/news/mea/mea_20190710

8. https://green-goods.pl/blog/sztuczna-inteligencja-ai-wkracza-w-konserwacj%C4%99

9. https://www.precisionag.com/digital-farming/data-management/weather-forecasting-how-does-it-work-and-how-reliable-is-it/

10. https://nar.ucar.edu/2017/ral/weather-prediction-machine-learning-optimization