Angesichts der drohenden Bedrohung durch den Klimawandel ist es höchste Zeit, erneuerbare Energiequellen in größerem Umfang zu nutzen. Photovoltaikanlagen, die Strom aus dem nahezu unbegrenzten Angebot an Sonnenenergie erzeugen, sind eine der vielversprechendsten Möglichkeiten zur Erzeugung sauberer Energie. Die Integration von Photovoltaikanlagen in bestehende Stromnetze ist jedoch kein einfacher Prozess. Da die Leistungsabgabe von Photovoltaikanlagen stark von den Umgebungsbedingungen abhängt, benötigen Kraftwerks- und Netzbetreiber neben anderen wichtigen Betriebsaspekten Schätzungen der eingespeisten Leistung von Photovoltaikanlagen, um optimale Erzeugungs- und Wartungspläne zu planen.
Im Einklang mit modernen Trends können Sie sicher sein, dass künstliche Intelligenz auftaucht, wenn etwas vorhergesagt werden muss. Bis heute gibt es viele Algorithmen, die die von Photovoltaikanlagen produzierte Leistung mehrere Stunden im Voraus schätzen können, indem sie aus früheren Daten lernen und aktuelle Variablen analysieren. Eines davon, das adaptive Neuro-Fuzzy-Inferenzsystem (ANFIS) genannt wird, wird weithin zur Vorhersage der Leistung komplexer erneuerbarer Energiesysteme eingesetzt. Seit seiner Einführung haben viele Forscher ANFIS mit einer Vielzahl von maschinellen Lernalgorithmen kombiniert, um seine Leistung noch weiter zu verbessern.
Ein Forschungsteam unter der Leitung von Jong Wan Hu von der Incheon National University, Korea, entwickelte zwei neue ANFIS-basierte Modelle, um die von Photovoltaikanlagen erzeugte Leistung im Voraus um bis zu einem ganzen Tag besser abzuschätzen. Diese beiden Modelle sind 'hybride Algorithmen', da sie den traditionellen ANFIS-Ansatz mit zwei verschiedenen Partikelschwarm-Optimierungsmethoden kombinieren, die leistungsstarke und recheneffiziente Strategien sind, um optimale Lösungen für Optimierungsprobleme zu finden.
Um die Leistung ihrer Modelle zu bewerten, verglich das Team sie mit anderen ANFIS-basierten Hybridalgorithmen. Sie testeten die Vorhersagefähigkeiten jedes Modells mit realen Daten einer tatsächlichen Photovoltaikanlage, die in einer früheren Studie in Italien eingesetzt wurde. Die Ergebnisse, wie Dr. Hu anmerkt, waren sehr vielversprechend: „Eines der beiden von uns entwickelten Modelle übertraf alle getesteten Hybridmodelle und zeigte damit ein großes Potenzial für die kurz- und langfristige Vorhersage der Photovoltaikleistung von Solaranlagen.“ .“
Die Ergebnisse dieser Studie könnten aus Software- und Produktionssicht unmittelbare Auswirkungen auf den Bereich Photovoltaik haben. „In Bezug auf die Software können unsere Modelle in Anwendungen umgewandelt werden, die die Werte von Photovoltaikanlagen genau schätzen, was zu einer verbesserten Leistung und einem verbesserten Netzbetrieb führt. In Bezug auf die Produktion können unsere Methoden zu einer direkten Steigerung der Photovoltaikleistung führen, indem sie bei der Auswahl von Variablen helfen, die bei der Auslegung der Photovoltaikanlage verwendet werden können“, erklärt Dr. Hu. Hoffen wir, dass diese Arbeit uns beim Übergang zu nachhaltigen Energiequellen hilft!
