スロバキアの研究者が気象センサーなしで太陽光発電インバーターの出力を予測

スロバキアのニトラにあるコンスタンティヌス哲学大学の科学者が率いる研究チームは、商用施設の太陽光発電インバータ向けの新しい予測および異常検出モデルを開発しました。{0}新しい機械-学習-ベースのフレームワークは、環境センサーに依存せず、時間データと電気データのみを使用します。

「選択されたアルゴリズム、予測用のランダム フォレストと異常検出用の Z スコア分析は、その堅牢性、解釈可能性、小規模ながら高頻度のデータセットへの適合性を考慮して選択されており、実際の PV モニタリングの導入によく適合しています」と学者らは述べています。{{0}{1}{2} 「さらに、日射量や温度のデータがない場合は、周期的な太陽光発電の挙動を捕捉するための時間ベースのプロキシ（時間、日、曜日のパターン）を構築することで明示的に対処します。-」

このモデルは、定格容量 30 kW と 40 kW の 2 台のインバータを含む、スロバキア西部の系統接続された太陽光発電所からの実際の運用データを使用しています。{0}{1}インバーター、系統電力、系統電圧のデータは、インバーターと系統監視センサーを使用して、2025 年 1 月{6}}から 2 月. 1まで 5{5}} 分の解像度で収集されました。
 

機械学習分析を可能にするには、前処理が必要でした。その後、ランダム フォレスト リグレッサーは、5 分ごとのステップで実際のインバータ電力出力 (kW) を予測するようにトレーニングされました。-その後、ランダム フォレスト分類器を使用して、連続電力を動作状態 (低、中、高) にマッピングしました。現在の状態だけでなく、1 時間先の将来の状態も分類できます。最後に、Z- スコア分析を使用して、実際のパワーが予測パワーからどの程度乖離しているかを定量化しました。統計的しきい値を超えた値には、異常としてフラグが付けられました。

「ランダム フォレスト リグレッサーは電力予測で高い忠実度を達成しました (R²=0.995、平均絶対誤差=0.12 kW)。一方、分類モデルは静的条件下で 100% の精度で出力レベルを分類しました。」と結果は示しました。 「Z-スコア分析を使用した異常検出により、特に高い生産間隔で顕著な外れ値が特定されました。しかし、1-時間-前の分類では、予測パフォーマンス（精度=36.4%）の大幅な低下が明らかになり、変動する環境条件下での予測が本質的に難しいことが浮き彫りになりました。」

研究チームは結論として、「マルチレベルの診断のために気象データとコンテキスト データを統合する他の最近の研究とは異なり、提案されたモデルはインバータとグリッド側の電気測定のみで動作します。この違いは、環境センサーが不足しているシナリオにおける提示されたアプローチの実際的な価値を強調しており、解釈可能な異常検出のための透過的で計算効率の高い代替手段を提供します。」と付け加えています。

このフレームワークは、最近 Results in Engineering に掲載された「機械学習を使用した太陽光発電インバーターの予測モデリングと異常検出」で紹介されました。スロバキアのニトラにあるコンスタンティヌス哲学者大学、ハンガリーのオブダ大学、チェコ共和国の南ボヘミア大学チェスケ・ブジェヨヴィツェの科学者が研究に参加した。