Tag: Modules & Upstream Manufacturing

Científicos en China han desarrollado un novedoso método de pronósticos de energía consciente de las pérdidas que aprovecha el procesamiento de señales, la interacción de covariables de Múltiples escalas y el aprendizaje de transferencia colaborativa de Múltiples. dominios. Según se informa, este enfoque mejora la precisión promedio de los pronósticos en un 15,3%.

Un equipo de investigación liderado por China Universidad de Hunan ha desarrollado un novedoso método de previsión de energía fotovoltaica consciente de las pérdidas, diseñado para manejar datos faltantes o incompletos.

La metodología de aprendizaje de transferencia colaborativa multidominio e interacción de covariables multiescala (MDCTL-MCI) combina división de señales, interacción de covariables multiescala y aprendizaje de transferencia colaborativa multidominio.

«Este estudio considera cómo se puede utilizar eficazmente la información covariable para mejorar el rendimiento predictivo, y si la capacidad de generalización inherente y la solidez de los algoritmos de aprendizaje profundo se pueden aprovechar para pronosticar directamente la irradiación solar. en presencia de características de entrada faltantes sustanciales, sin realizar imputaciones adicionales, y para realizar un análisis exhaustivo de los diversos factores que influyen y los mecanismos predictivos subyacentes”, dijo el grupo.

Para lograr esto, el método aplica primero un análisis de espectro singular multivariado (MSSA) para reducir el ruido y mejorar la representación de los datos. A continuación, un enfoque ligero de MCI modela las relaciones entre variables y extrae patrones temporales profundos. En el tercer paso, la estrategia MDCTL mejora la solidez del modelo en condiciones de datos de baja calidad mediante la integración de datos de múltiples sitios fotovoltaicos. Finalmente, una técnica de explicación aditiva de Shapley (SHAP) identifica los factores clave que influyen en el desempeño de los pronósticos.

El conjunto de datos utilizado en el estudio consta de un año de datos operativos continuos de cuatro estaciones solares fotovoltaicas en el norte, centro y noroeste de China, registrados en intervalos de 30 minutos. Estas estaciones tienen capacidades de producción nominal que van desde 30 MW hasta 130 MW. Según los investigadores, el conjunto de datos «muestra importantes problemas de calidad de los datos». Si bien los datos de producción de energía fotovoltaica son relativamente completos, las covariables como la irradiancia solar y las condiciones climáticas muestran tasas faltantes que oscilan entre el 0% y el 80% en las diferentes estaciones. Los datos se dividieron en conjuntos de entrenamiento, validación y prueba utilizando una proporción de 6:1:1.

«Dado el papel fundamental de los tipos de covariables en la determinación de la precisión del modelo, tanto el análisis de evaluación de Pearson (para relaciones lineales) como el análisis de evaluación de Spearman (para relaciones no lineales) se realizan en seis variables», explicó el equipo. «La irradiancia horizontal global (GHI), la irradiancia normal directa (DNI) y la irradiancia solar total (TSI), que muestran la clasificación más fuerte con la producción de energía fotovoltaica, se seleccionan como variables de entrada para experimentos posteriores. Para comprender mejor la distribución de los datos, se trazan histogramas marginales para representar la relación entre cada variable seleccionada y la producción de energía fotovoltaica».

El modelo MDCTL-MCI utiliza 48 pasos de tiempo históricos como entrada y realiza pronósticos de varios pasos para los siguientes 48 pasos de tiempo en un solo paso hacia adelante. Su rendimiento se comparó con varios métodos de pronóstico de series temporales de última generación, incluidos Pyraformer, Transformer, Informer, TimeXer, iTransformer y PatchTST, así como con modelos basados ​​en MLP como LightTS, TSMixer y MCI.

«Extensos experimentos en cuatro instalaciones fotovoltaicas chinas revelan que, en comparación con los métodos de referencia, el método propuesto mejora la precisión promedio en un 10,5% en condiciones de datos completos y en un 15,3% en varios escenarios de datos faltantes», mostraron los resultados. «En resumen, el método MDCTL-MCI propuesto en este estudio aborda de manera efectiva las limitaciones de la subutilización de covariables y la inestabilidad e inexactitud de los pronósticos en condiciones de mala calidad de los datos, que siguen siendo comunes en la investigación. existentes. El modelo propuesto establece una base sólida para el despliegue de sistemas fotovoltaicos en entornos complejos y ofrece contribuciones significativas al desarrollo de la tecnología fotovoltaica».

El nuevo enfoque se describe en “Previsión fotovoltaica sólida en condiciones de gran falta de datos mediante colaboración multidominio e interacción de covariables”, publicado en Energía Aplicada. Científicos de China Universidad de Hunan, Universidad de ZhejiangJapon Universidad de Kyushuy Australia UniversidadJames Cook han contribuido al estudio.