Descripción general del contenido: el sistema fotovoltaico es una solución de energía renovable que utiliza la energía solar para generar electricidad. Tiene las ventajas de reducir las emisiones de gases de efecto invernadero, la generación de energía descentralizada y los beneficios económicos. Desempeña un papel importante en la promoción del desarrollo energético sostenible y en la resolución de los desafíos ambientales. . Sin embargo, muchos lugares con la radiación solar más alta también sufren suelos secos y polvorientos, lo que puede afectar el rendimiento de los sistemas fotovoltaicos. Recientemente, investigadores en Chipre abordaron este desafío utilizando seis modelos diferentes para estimar las pérdidas por contaminación.
Palabras clave: industria fotovoltaica, modelo CatBoost, nueva energía
Este artículo se publicó originalmente en la cuenta pública Superneuronal de HyperAI.
La energía fotovoltaica (PV), como tecnología clave para reducir el uso de combustibles fósiles y la huella de carbono de las actividades humanas, juega un papel importante en la estructura energética global. La Agencia Internacional de Energía (AIE) informó recientemente que las plantas solares fotovoltaicas son más baratas de construir y operar que las plantas de carbón o gas. Desde 2009, el costo instalado de la generación de energía fotovoltaica se ha reducido en aproximadamente un 90 % en 2021, a aproximadamente US$36 por megavatio-hora, lo que demuestra que la energía fotovoltaica es una tecnología de energía renovable avanzada para descarbonizar la industria energética. En este contexto, es de suma importancia reducir las pérdidas del sistema, garantizar una generación de energía óptima de los sistemas fotovoltaicos y mantener un alto nivel de rendimiento.
Para lograr este objetivo, los investigadores evaluaron y comprendieron ampliamente varios factores de pérdida y descubrieron que el ensuciamiento es un factor de pérdida clave que afecta el rendimiento de los sistemas fotovoltaicos, especialmente en regiones de clima árido y seco. La suciedad se refiere al polvo, hojas, excrementos de pájaros, polen, nieve u otros contaminantes orgánicos/inorgánicos depositados en la superficie de los módulos fotovoltaicos. La acumulación de estas suciedades reduce la radiación solar que recibe el captador, lo que se traduce en pérdidas de potencia, es decir, pérdidas por ensuciamiento.
Un estudio reciente estimó que las pérdidas de producción debidas a la contaminación redujeron la generación fotovoltaica mundial en alrededor de un 3 %-4 % en 2018, con pérdidas de ingresos anuales de hasta 3 000-5 000 millones EUR . Por lo tanto, es muy necesario y desafiante predecir y reducir las pérdidas por contaminación para el desarrollo energético temprano de las plantas de energía fotovoltaica.
Recientemente, investigadores como Javier López-Lorente de la Universidad de Chipre (Universidad de Chipre) utilizaron 3 modelos físicos y 3 modelos de aprendizaje automático para predecir la pérdida de contaminación provocada por la acumulación de suciedad y otras sustancias en la superficie de los paneles fotovoltaicos en zonas áridas. climas, Los resultados muestran que el modelo físico tiene el mejor rendimiento predictivo, pero el modelo de aprendizaje automático respaldado por datos satelitales tiene un gran potencial. La investigación se ha publicado en la revista Solar Energy con el título "Caracterización de pérdidas por suciedad para sistemas fotovoltaicos en climas secos: un estudio de caso en Chipre".
Figura 1: Los resultados de la investigación han sido publicados en "Solar Energy"
Dirección en papel:
https://www.sciencedirect.com/science/article/pii/S0038092X23001883#s0040
Descripción general del experimento
Este experimento está ambientado en Chipre, uno de los países con más abundantes recursos de energía solar en Europa, donde el nivel de radiación es alto y existe un enorme potencial para la generación de energía fotovoltaica. Sin embargo, el aumento de polvo de los desiertos del Sahara y Arabia Saudita en las últimas décadas ha llevado a mayores pérdidas por contaminación de las plantas fotovoltaicas, especialmente en el centro de la isla con un clima seco, poca lluvia y temperaturas más altas que las áreas costeras.
Los investigadores organizaron el experimento en el Laboratorio de Tecnología Fotovoltaica de la Universidad de Chipre (en Nicosia) e instalaron un banco de pruebas de contaminación en el Outdoor Test Facility (OTF) para simular el entorno exterior de los sistemas fotovoltaicos instalados en regiones de clima árido. En este estudio, de acuerdo con el sistema de clasificación climática de Köppen-Geiger, el clima árido y seco del sitio experimental se determinó como el subtipo de clima tipo B.
Los tres tipos de módulos fotovoltaicos en el banco de pruebas de evaluación de la contaminación se muestran en la siguiente figura:
Figura 2: Configuración experimental del banco de pruebas de contaminación OTF
a: Vista frontal del montaje experimental
b: Vista trasera del dispositivo experimental
Para evaluar la pérdida de contaminación, la configuración experimental se sometió a diferentes métodos y frecuencias de limpieza. El módulo a la derecha de la Figura 2a es el módulo de limpieza (Módulo de limpieza) , que se limpia todos los días con un sistema de rociado de agua activado por tiempo en la parte superior del módulo para eliminar la suciedad de la superficie; el módulo del medio es un módulo de limpieza manual , el cual se limpia manualmente según temporadas (periódicamente); el módulo izquierdo Para el módulo sucio (Dirty Module) , a excepción de las lluvias naturales, no se utiliza ningún otro método de limpieza.
Los investigadores calcularon la pérdida por contaminación para las pruebas comparando módulos limpios y sucios colocados uno al lado del otro. Evaluaron la precisión de seis modelos diferentes para predecir pérdidas por contaminación. Todo el proceso del experimento se muestra en la siguiente figura:
Figura 3: Evaluación general de diferentes modelos físicos y de aprendizaje automático para predecir pérdidas por contaminación
iFuente de datos experimentales
ii Estimación de pérdidas por contaminación
iii Modelización de los 6 modelos utilizados para evaluar las pérdidas por contaminación
iv Evaluar los resultados mediante métricas de rendimiento predefinidas
procedimiento del experimento
conjunto de datos
El conjunto de datos experimentales proviene de los datos medidos del banco de pruebas de contaminación en el campus de Nicosia de la Universidad de Chipre y datos de otras fuentes. Los datos de otras fuentes se refieren a datos meteorológicos y datos de calidad del aire observados por satélites.
Específicamente, los datos meteorológicos provienen de los datos de reanálisis de Modern Research and Applications Review Analysis Version 2 (MERRA-2) de la NASA Global Modeling and Assimilation Office (GMAO) (2015). Los datos de calidad del aire provienen de los datos de profundidad óptica de aerosoles (AOD) del Servicio de Monitoreo Atmosférico de Copernicus (CAMS).
modelo de desarrollo
En este estudio, los investigadores evaluaron un total de 6 modelos, incluidos 3 modelos físicos y 3 modelos de aprendizaje automático.
Los tres modelos físicos son los modelos Kimber, You y Coello . El modelo de Kimber también se conoce como modelo de precipitación de tasa fija, que es un modelo basado en la experiencia, y los parámetros de entrada fijos son los siguientes:
Figura 4: Parámetros fijos del modelo de Kimber
El modelo de You se basa en la acumulación de partículas de polvo, que iguala la pérdida por contaminación a la función de densidad de deposición de polvo, y la fórmula de cálculo es la siguiente:
Figura 5: Fórmula de función de densidad de deposición de polvo
El modelo de Coello, también conocido como modelo HSU, se basa en la entrada de datos meteorológicos y de calidad del aire, y estima la acumulación diaria de contaminantes de acuerdo con la acumulación de contaminantes en cada período de tiempo, la fórmula de cálculo es la siguiente:
Figura 6: Fórmula para la acumulación de contaminantes
Los tres modelos de aprendizaje automático son los modelos XGBoost, LightGBM y CatBoost , todos los cuales pertenecen a la categoría de modelos de máquina de aumento de gradiente (GBM). El modelo XGBoost implementa el aumento de gradiente con optimización asintótica en el espacio de funciones, además, incorpora un modelo regularizado para evitar el sobreajuste y es capaz de manejar patrones de dispersión y muestreo de columnas.
El modelo LightGBM incluye dos algoritmos (muestreo unilateral basado en gradiente y enlace de características exclusivo), que utilizan la ganancia de información de las muestras y el algoritmo voraz para reducir el número de características, acelerando así el entrenamiento del modelo.
Los investigadores evaluaron el rendimiento de los seis modelos mediante las siguientes métricas: Error de desviación media (MDE), Error de desviación media normalizada (NMDE), Error absoluto medio (MAE), Error porcentual absoluto medio (MAPE), Error cuadrático medio (RMSE) ), error cuadrático medio normalizado (NRMSE), coeficiente de determinación (R²).
Entre ellos, MDE se usa para indicar el error sistemático promedio de sobreestimación o subestimación; MAE se usa para indicar el tamaño del error; RMSE se usa para medir la dispersión de la desviación, y la fórmula de cálculo es la siguiente:
Figura 7: fórmula de cálculo MDE, MAE, RMSE
Resultados experimentales
Los investigadores probaron y evaluaron el modelo de predicción de contaminación durante dos años, y finalmente obtuvieron dos indicadores: Daily Soiling Losses (DSL) y Soiling Losses Index (SLI), la cantidad perdida debido a la contaminación , mientras que SLI indica el grado de contaminación. Como se muestra en la Figura 8. Durante el período de evaluación de 2 años, el DSL varió de 0,01 % a 9,91 %, con una media de 1,9 % (desviación estándar σ = 1,65 %), mientras que el SLI promedio mensual fue de 2,4 % (σ = 1,19 %), incluido 0,3 % en enero, 4,34% en agosto.
Figura 8: Distribución estadística de las pérdidas por contaminación
a: histograma DSL y función de distribución acumulativa (función de distribución acumulativa, CDF)
b: SLI promedio mensual
Los resultados de predicción de la contaminación de 6 modelos de predicción de la contaminación (3 modelos de aprendizaje automático y 3 modelos físicos) se muestran en la Figura 9. El gráfico muestra que los DSL basados en datos medidos en el campo son más precisos que los pronósticos basados en datos meteorológicos satelitales y , según los investigadores, están más en línea con la contaminación registrada experimentalmente.
Figura 9: Pronóstico de DSL para 2021 según diferentes modelos
a: Modelo de aprendizaje automático entrenado con datos medidos en campo
b: Modelo de aprendizaje automático entrenado con datos meteorológicos satelitales
c: Modelo físico entrenado con datos medidos en campo
La Tabla 1 enumera los resultados de predicción de DSL de seis modelos entrenados con diferentes conjuntos de datos meteorológicos, como se muestra en la figura :
1. Entre los modelos de aprendizaje automático entrenados con datos medidos en el campo, el modelo CatBoost tiene la tasa de precisión más alta, mientras que el modelo XGBoost tiene el error más pequeño al predecir la dirección de la pérdida de contaminación (es decir, la capacidad de predecir la limpieza, el cambio climático, etc.).
2. Entre los modelos de aprendizaje automático entrenados con datos meteorológicos satelitales, el modelo CatBoost tiene la tasa de precisión más alta, seguido del modelo LightGBM.
3. Entre los modelos físicos entrenados con datos in situ, el modelo Coello tiene la tasa de precisión más alta, el modelo Kimber ocupa el segundo lugar y el modelo You ocupa el tercer lugar.
Tabla 1: Métricas de rendimiento de la física de DSL y los modelos de aprendizaje automático
Además, los investigadores observaron las pérdidas por contaminación por época del año. La Tabla 2 enumera los resultados del modelo de pérdida de contaminación promedio mensual de los seis modelos. En general, en comparación con los resultados diarios de la Tabla 1:
1. Entre los modelos entrenados con datos medidos en el campo, el modelo de Kimber tiene el mejor rendimiento general.
2. Entre los modelos entrenados con datos meteorológicos satelitales, el modelo CatBoost tiene el mejor rendimiento general.
Tabla 2: Los modelos físicos y de aprendizaje automático predicen los indicadores de rendimiento de pérdida de contaminación promedio mensual
En resumen, los investigadores llegaron a las siguientes conclusiones:
1. Los modelos entrenados con datos probados en el campo se desempeñaron mejor.
2. Entre los modelos físicos y de aprendizaje automático, el modelo físico de Coello funciona mejor en la predicción de DSL, seguido del modelo de aprendizaje automático CatBoost entrenado en datos medidos en el campo y el modelo físico de Kimber.
3. En términos de predicción de SLI promedio mensual, el mejor rendimiento es el modelo físico Kimber entrenado en datos medidos en el campo, seguido por el modelo físico Coello y el modelo de aprendizaje automático LightGBM.
En resumen, entre todos los modelos, el rendimiento del modelo físico entrenado con datos medidos en campo es ligeramente superior al del modelo de aprendizaje automático, pero los investigadores también sugirieron que el modelo de aprendizaje automático entrenado con datos meteorológicos satelitales tiene un mayor potencial en combinación . con la fuente del conjunto de datos Análisis específico de la siguiente manera:
1. Existen ciertas limitaciones en el uso de datos meteorológicos satelitales. Por ejemplo, los datos pueden ignorar los cambios climáticos locales en la misma área debido a problemas de resolución temporal y espacial. Por lo tanto, los datos satelitales son más adecuados para entrenar modelos de aprendizaje automático.
2. También hay ciertas limitaciones en la cantidad de datos medidos en el sitio, como una cantidad limitada, un rango de recolección pequeño, la falta de consideración de los cambios estacionales y el posible descuido de la resuspensión del polvo.
La nueva energía es el rey, la industria fotovoltaica da la bienvenida a las oportunidades
Con el fin de reducir la dependencia de las fuentes de energía tradicionales, la demanda de nuevas fuentes de energía en varios países aumenta día a día y el mercado fotovoltaico tiene un enorme potencial de desarrollo. Varios países han introducido políticas de apoyo a la industria fotovoltaica para aumentar el objetivo de la capacidad instalada de generación de energía fotovoltaica, y la industria fotovoltaica ha entrado en la vía rápida.
En abril de 2022, la "Estrategia de seguridad energética del Reino Unido" actualizada en el sitio web oficial del gobierno británico mostró que se espera que para 2035, la capacidad instalada de generación de energía fotovoltaica en el Reino Unido se multiplique por cinco a 70 GW. En julio de 2022, Alemania aprobó una enmienda a la Ley de Energía Renovable (EEG2023), que muestra que la capacidad instalada de generación de energía fotovoltaica aumentará de aproximadamente 60 GW en 2022 a 215 GW en 2030. Según los datos de la Asociación de la Industria Fotovoltaica de China (CPIA), la capacidad fotovoltaica recién instalada en China será de 54,88 GW en 2021 y se espera que alcance los 81,6 GW en 2023.
Desde una perspectiva global, el Informe fotovoltaico global de 2021 publicado por la Agencia Internacional de Energías Renovables (IRENA) en marzo de 2022 muestra que en 2021, el mundo agregará 175 GW+ de nueva capacidad fotovoltaica instalada, una tasa de crecimiento interanual de 20,7 % A partir de 2021, bajo el escenario de mantener el calentamiento global dentro de 1,5°C, la capacidad instalada acumulada de generación de energía fotovoltaica en el mundo será cercana a los 5.221 GW en 2030 y superará los 14.000 GW en 2050.
Todo tipo de datos muestran que la industria fotovoltaica tiene un futuro brillante y puede ser la próxima pista dorada.
Artículo de referencia:
[1]https://www.sciencedirect.com/topics/engineering/international-energy-agency
[2]https://www.sciencedirect.com/science/article/pii/S0038092X23001883#b0165
[3]https://www.pv-magazine.com/2023/07/19/machine-learning-keeps-solar-one-step-ahead-of-soiling/
[4]https://www.sciencedirect.com/science/article/pii/S0038092X23001883#b0250
[5]https://m.sohu.com/a/632149858_121319519?
Este artículo se publicó originalmente en la cuenta pública Superneuronal de HyperAI.