Solarne mreže trebaju čitati oblake prije nego što proizvodnja padne
Solarna farma pod oštrim rubom tamnog oblaka, s vidljivim kontrastom između osvijetljenih i zasjenjenih panela te diskretnim AI mrežnim overlayem koji predviđa pad proizvodnje.📷 AI-generated image / TECH&SPACE
- ★Model koristi vrstu oblaka i pokrivenost za procjenu naglih solarnih padova.
- ★Na 53% testiranih lokacija dosegnuo je jednak ili bolji rezultat od izvornog modela.
- ★Ekstremne klime ostaju glavni problem jer trening podaci dolaze iz Oklahome.
Solarna energija ima jedan veliki problem: oblaci. Dok sunce sija stabilno, oblaci mogu u sekundi smanjiti proizvodnju za 80%, stvarajući tzv. 'ramp' događaje koji destabiliziraju mrežu. Tim istraživača iz Sjedinjenih Država razvio je strojni model koji koristi vrstu oblaka – poput cumulusa ili cirusa – te njihovu pokrivenost kako bi predvidio te oscilacije unaprijed. Model, treniran na podacima iz Oklahome od 2014. do 2018., pokazao je iznenađujuću sposobnost generalizacije: na više od polovice testiranih lokacija postigao je jednaku ili bolju točnost od originalnog istraživanja.
Ključni napredak nije samo u predviđanju prosječne transmisivnosti, već u hvatanju kratkoročnih 'ramp' događaja. Prema riječima istraživača, 'polovica lokacija (53%) imala je isti ili bolji koeficijent determinacije (r²) od originalnog modela'. To znači da operateri mreža mogu dobiti upozorenje nekoliko minuta unaprijed, dovoljno da aktiviraju rezervne izvore ili prilagode potražnju. Model je već testiran na lokacijama od Arizone do Njemačke, s različitim uspjehom, kako navodi PV Magazine.
Model treniran na oklahomskim podacima hvata ramp događaje, ali globalni rubni slučajevi ostaju tvrdi test
Operaterski kontrolni centar za mrežu s kartom solarnih lokacija, krivuljom ramp događaja i oblačnim klasifikacijama prikazanim kao taktički signal, bez lažnih brojki.📷 AI-generated image / TECH&SPACE
Dodatni kontekst pruža izvorni materijal, ali nisu sva okruženja jednako pogodna za ovaj model. Ekstremne klime, poput pustinjskih područja s rijetkim ali iznenadnim pješčanim olujama ili arktičkih zona s brzim promjenama oblaka, i dalje predstavljaju izazov. U tim uvjetima model je pokazao veća odstupanja u predviđanjima, što sugerira da će biti potrebno dodatno podešavanje algoritama ili lokalnih podataka.
To nije neočekivano: strojno učenje često se susreće s rubnim slučajevima koji se rijetko pojavljuju u trening skupovima.
Za operatere mreža ovaj model nije samo akademska vježba. Nagle promjene u solarnoj proizvodnji mogu destabilizirati mrežu, posebno u regijama s visokim udjelom obnovljivih izvora. Ako model uspije skalirati, mogao bi postati standardni alat za upravljanje fluktuacijama – slično kao što meteorološke prognoze danas pomažu u planiranju potrošnje energije. Sljedeći korak je integracija s postojećim sustavima kao što su SCADA ili napredni algoritmi za balansiranje mreže, gdje bi predviđanja mogla automatski pokretati akcije poput pohrane energije ili prebacivanja na druge izvore.
