Met de dreigende dreiging van klimaatverandering is het hoog tijd dat we hernieuwbare energiebronnen op grotere schaal omarmen. Fotovoltaïsche systemen, die elektriciteit opwekken uit de bijna onbeperkte toevoer van zonlichtenergie, zijn een van de meest veelbelovende manieren om schone energie op te wekken. Het integreren van fotovoltaïsche systemen in bestaande elektriciteitsnetten is echter geen eenvoudig proces. Omdat het vermogen van fotovoltaïsche systemen sterk afhankelijk is van de omgevingsomstandigheden, hebben energiecentrale- en netbeheerders schattingen nodig van de hoeveelheid stroom die door fotovoltaïsche systemen zal worden geïnjecteerd, om optimale opwekkings- en onderhoudsschema's te plannen, naast andere belangrijke operationele aspecten.
In lijn met moderne trends, als iets moet worden voorspellen, kun je er zeker van zijn dat kunstmatige intelligentie zijn opwachting zal maken. Tot op heden zijn er veel algoritmen die het vermogen dat wordt geproduceerd door fotovoltaïsche systemen enkele uren vooruit kunnen schatten door te leren van eerdere gegevens en huidige variabelen te analyseren. Een daarvan, het adaptieve neuro-fuzzy inference system (ANFIS), is op grote schaal toegepast voor het voorspellen van de prestaties van complexe hernieuwbare energiesystemen. Sinds de oprichting hebben veel onderzoekers ANFIS gecombineerd met een verscheidenheid aan machine learning-algoritmen om de prestaties nog verder te verbeteren.
Een onderzoeksteam onder leiding van Jong Wan Hu van de Incheon National University, Korea, heeft twee nieuwe op ANFIS gebaseerde modellen ontwikkeld om het vermogen dat wordt opgewekt door fotovoltaïsche systemen van tevoren tot een volledige dag beter in te schatten. Deze twee modellen zijn 'hybride algoritmen' omdat ze de traditionele ANFIS-benadering combineren met twee verschillende optimalisatiemethoden voor deeltjeszwerm, die krachtige en rekenkundig efficiënte strategieën zijn voor het vinden van optimale oplossingen voor optimalisatieproblemen.
Om de prestaties van hun modellen te beoordelen, vergeleek het team ze met andere op ANFIS gebaseerde hybride algoritmen. Ze testten de voorspellende capaciteiten van elk model met behulp van echte gegevens van een echt fotovoltaïsch systeem dat in een eerdere studie in Italië werd ingezet. De resultaten, zoals Dr. Hu opmerkt, waren veelbelovend: “Een van de twee modellen die we ontwikkelden, presteerde beter dan alle geteste hybride modellen, en vertoonde daarom een groot potentieel voor het voorspellen van de fotovoltaïsche energie van zonnestelsels op zowel korte als lange tijdshorizonten. .”
De bevindingen van deze studie kunnen directe implicaties hebben op het gebied van fotovoltaïsche systemen vanuit software- en productieperspectieven. “Qua software kunnen onze modellen worden omgezet in toepassingen die de waarden van fotovoltaïsche systemen nauwkeurig schatten, wat leidt tot betere prestaties en betere werking van het elektriciteitsnet. In termen van productie kunnen onze methoden zich vertalen in een directe toename van het fotovoltaïsche vermogen door te helpen bij het selecteren van variabelen die kunnen worden gebruikt in het ontwerp van het fotovoltaïsche systeem”, legt Dr. Hu uit. Laten we hopen dat dit werk ons helpt bij de transitie naar duurzame energiebronnen!
