Saulės energetika visame pasaulyje tampa vienu svarbiausių elektros energijos šaltinių. Lietuvoje saulės elektrinių skaičius taip pat sparčiai auga, o jų gaminama energija užima vis svarbesnę vietą šalies energetikos sistemoje. Tačiau kartu didėja ir vienas pagrindinių iššūkių – saulės elektrinių efektyvumas priklauso nuo oro sąlygų.
Net nedidelis debesis, trumpam uždengęs saulę, gali per kelias sekundes sumažinti saulės modulio galią dešimtimis ar net šimtais vatų. Kai tinkle veikia daug saulės elektrinių, tokie staigūs svyravimai tampa iššūkiu elektros tinklų operatoriams, kurie turi užtikrinti nuolatinę gamybos ir vartojimo pusiausvyrą.
Kauno technologijos universiteto (KTU) mokslininkų komanda, vadovaujama prof. Ryčio Maskeliūno, pasiūlė naują šios problemos sprendimą – dirbtiniu intelektu pagrįstą sistemą „ShadowSense“. Ji geba mokytis stebėdama dangų ir tuo pačiu metu registruodama saulės modulio galios pokyčius.
Trumpalaikės kelių minučių prognozės gali padėti efektyviau valdyti energijos kaupiklius, tiksliau planuoti saulės elektrinių darbą ir sumažinti rezervinių pajėgumų poreikį. Kuo anksčiau sistema supranta, kad debesys netrukus sumažins saulės modulio galią, tuo daugiau laiko lieka pasiruošti šiam pokyčiui.
DI sistemą išbandė ant savo gyvenamojo namo stogo
„Dauguma vaizdais paremtų dirbtinio intelekto metodų reikalauja didelių kiekių iš anksto paruoštų duomenų. Tai reiškia, kad debesys, šešėliai ar kiti objektai nuotraukose turi būti pažymėti rankiniu būdu. Toks procesas yra ilgas, brangus ir sunkiai pritaikomas skirtingoms vietovėms ar oro sąlygoms“, – sako R. Maskeliūnas.
„ShadowSense“ veikia kitaip – sistema analizuoja dangaus vaizdus, stebi debesų judėjimą ir sieja šią informaciją su tuo pačiu metu fiksuojamais saulės modulio galios pokyčiais.
„Kiekvienas staigus galios sumažėjimas sistemai tampa tarsi užuomina, leidžiančia suprasti, kokie debesų pokyčiai galėjo jį sukelti“, – aiškina prof. R. Maskeliūnas.
Tokiu būdu dirbtinis intelektas mokosi ne iš rankomis pažymėtų debesų nuotraukų, o iš realaus ryšio tarp dangaus vaizdo ir saulės modulio darbo.
„Mums buvo svarbu sukurti sistemą, kuri galėtų prisitaikyti prie konkrečios aplinkos. Kiekviena saulės elektrinė turi savitą padėtį, modulio kampą, aplinką ir vietines oro sąlygas. Todėl vienas universaliai paruoštas modelis ne visada gali būti pakankamai tikslus“, – teigia KTU mokslininkas.
Sistema pirmiausia analizuoja dangaus vaizdus ir debesų judėjimo kryptį. Tuomet įvertina saulės padėtį ir apskaičiuoja, kaip debesų šešėliai gali paveikti saulės modulį. Ši informacija susiejama su ankstesniais galios pokyčiais, todėl modelis gali prognozuoti, kaip galia keisis artimiausią minutę ar kelias minutes.
Viena įdomiausių tyrimo ypatybių – eksperimentinė sistema buvo įrengta ne laboratorijoje, o profesoriaus gyvenamojo namo aplinkoje Kaune. Ant pastato stogo buvo sumontuota plataus matymo kampo kamera, reguliariai fotografavusi dangų, o kieme įrengtas saulės modulis tiekė energiją matavimo sistemai ir dirbtinio intelekto kompiuteriui.
Per 92 stebėjimų dienas Kaune buvo sukaupta daugiau kaip 122 tūkstančiai sinchronizuotų stebėjimų. Kiekvieną jų sudarė dangaus vaizdų seka ir tuo pačiu metu užfiksuoti saulės modulio galios duomenys.
„Norėjome patikrinti, ar tokia sistema gali veikti ne idealiomis laboratorinėmis sąlygomis, o kasdienėje aplinkoje – ten, kur realiai naudojamos saulės elektrinės. Tai svarbu, nes debesys, apšvietimas ir oro sąlygos realiame pasaulyje nuolat kinta“, – sako R. Maskeliūnas.
Aptinka staigius galios pokyčius ir veikia realiuoju laiku
Tyrimo rezultatai parodė, kad „ShadowSense“ gali tiksliau numatyti trumpalaikius saulės modulio galios pokyčius nei įprasti metodai. Sistema sumažino vidutinę prognozavimo paklaidą beveik trečdaliu ir aptiko daugiau kaip 92 procentus staigių galios pokyčių, susijusių su debesų šešėliais.
„Elektros tinklų valdymui svarbu ne tik žinoti, kad saulės modulis gamins mažiau energijos, bet ir kuo anksčiau suprasti, kada tai įvyks. Net kelios dešimtys sekundžių gali būti reikšmingos, kai reikia subalansuoti gamybą, kaupimą ir vartojimą“, – pažymi KTU mokslininkas.
Ne mažiau svarbus ir sistemos efektyvumas. Vienos prognozės apskaičiavimas truko apie 66 milisekundes, o energijos sąnaudos siekė apie 0,52 J vienai prognozei. Tai reiškia, kad sistema gali veikti realiuoju laiku mažai energijos naudojančiame kompiuteryje.
Toks sprendimas gali būti aktualus decentralizuotoms saulės elektrinėms, nutolusiems objektams ar sistemoms, kuriose nėra galimybės naudoti galingų serverių ar nuolatinio interneto ryšio.
KTU mokslininko teigimu, tokios technologijos ateityje gali būti svarbios ne tik pavienėms saulės elektrinėms, bet ir platesnei energetikos sistemai. Kuo daugiau atsinaujinančių energijos šaltinių prijungiama prie tinklo, tuo svarbiau gebėti tiksliai prognozuoti jų svyravimus realiuoju laiku.
„Ateities energetikos sistemos turės ne tik gaminti švarią energiją, bet ir gebėti reaguoti į aplinką. Tokios technologijos kaip „ShadowSense“ leidžia saulės elektrinėms tapti išmanesnėmis – jos ne tik gamina energiją, bet ir mokosi suprasti, kas vyksta aplink jas“, – teigia prof. R. Maskeliūnas.
Straipsnį „ShadowSense: Edge Optimized Self-Supervised Learning for Dynamic Shadow Mapping of Solar Panels“ galima rasti čia.
About the Author
