Μονοαξονικό σύστημα ακολούθησης με τεχνητή νοημοσύνη για αποφυγή σκιών

Επισκόπηση προϊόντος

Οι συμβατικοί αλγόριθμοι αναδρομικής εξέτασης χρησιμοποιούν ένα γεωμετρικό μοντέλο της θέσης του ήλιου και των διαστάσεων της σειράς πλαισίων για να υπολογίζουν τις γωνίες των σειρών που αποτρέπουν τη σκίαση μεταξύ σειρών. Αυτό λειτουργεί καλά σε τελείως επίπεδο έδαφος με ομοιόμορφες σειρές — όμως οι πραγματικές τοποθεσίες έργων παρουσιάζουν μικρο-τοπογραφικές διαφορές, άνιση απόσταση μεταξύ σειρών λόγω ανοχών κατά την εγκατάσταση των θεμελίων και συνθήκες διάχυτου φωτός που το γεωμετρικό μοντέλο δεν μπορεί να λάβει υπόψη.

Το Σύστημα Μονοαξονικής Αναδρομικής Εξέτασης με Τεχνητή Νοημοσύνη αντικαθιστά το γεωμετρικό μοντέλο με έναν ελεγκτή βασισμένο στη μηχανική μάθηση, ο οποίος βελτιστοποιεί συνεχώς τις γωνίες των σειρών με βάση τα πραγματικού χρόνου δεδομένα ηλεκτρικής εξόδου σε επίπεδο συνδυαστικής γραμμής (string). Αντί να υπολογίζει πού θα πρέπει να συμβεί η σκίαση, η Τεχνητή Νοημοσύνη ανιχνεύει πού πραγματικά συμβαίνει η σκίαση και προσαρμόζεται ανάλογα.

Πώς λειτουργεί:

Η DC ρεύμα κάθε σειράς παρακολουθείται σε επίπεδο κουτιού συνδυασμού (combiner box) — δεν απαιτούνται επιπλέον αισθητήρες — τα δεδομένα υπάρχουν ήδη στο σύστημα SCADA του πάρκου.

Κατά τις περιόδους αντιστροφής (πρώιμο πρωί, αργά το απόγευμα), ο διακομιστής τεχνητής νοημοσύνης εκτελεί μικρορυθμίσεις στη γωνία κάθε σειράς

Όταν η τρέχουσα ένταση μιας σειράς μειωθεί σε σχέση με εκείνες των γειτονικών της — υποδεικνύοντας σκίαση — ο διακομιστής ρυθμίζει αυτήν τη συγκεκριμένη σειρά, όχι όλες τις σειρές ομοιόμορφα

Με την πάροδο του χρόνου, το μοντέλο μηχανικής μάθησης μαθαίνει το ειδικό για τον τόπο μοτίβο σκίασης και προβλέπει τις βέλτιστες γωνίες για δεδομένη ώρα/ημερομηνία/καιρικές συνθήκες, μειώνοντας την ανάγκη για ενεργές μικρορυθμίσεις

Μετρήσιμο όφελος: Απώλειες λόγω σκίασης μειωμένες έως και 90% σε σύγκριση με τη γεωμετρική αντιστροφή, μεταφραζόμενες σε περίπου 2–4% επιπλέον ετήσια παραγωγή ενέργειας σε σχέση με έναν τυπικό ακολουθητή με γεωμετρική αντιστροφή — επιτευχθέν χωρίς καμία επιπλέον δαπάνη υλικού πέραν της ενημέρωσης του λογισμικού του διακομιστή.

Τεχνικές προδιαγραφές

Εφαρμογές

Τοποθεσίες με ανώμαλη επιφάνεια ή μικρο-τοπογραφικές διαφορές

Διατάξεις υψηλής πυκνότητας με ακολουθητές (GCR 0.45)

Έργα στα οποία κάθε βελτίωση της απόδοσης κατά 1% μεταφράζεται σε σημαντικά έσοδα από συμφωνίες αγοράς ηλεκτρικής ενέργειας (PPA)

Εφαρμόσιμο σε υφιστάμενες εγκαταστάσεις ακολουθητών (μόνο ενημέρωση λογισμικού ελεγκτή)

Συχνές Ερωτήσεις

Ε. Απαιτείται σύνδεση στο Διαδίκτυο για τον ελεγκτή τεχνητής νοημοσύνης;

Όχι. Το μοντέλο μηχανικής μάθησης (ML) εκτελείται σε ελεγκτή edge που βρίσκεται στο δωμάτιο ελέγχου του σταθμού. Η αρχική εκπαίδευση του μοντέλου χρησιμοποιεί 2–4 εβδομάδες εγχώριων λειτουργικών δεδομένων για να μάθει τα ειδικά για την τοποθεσία μοτίβα σκίασης. Μετά την εκπαίδευση, το μοντέλο εκτελείται τοπικά. Η περιοδική σύνδεση με το cloud είναι προαιρετική για απομακρυσμένες ενημερώσεις λογισμικού και βαθμολόγηση απόδοσης.

Ε. Μπορεί να εφαρμοστεί σε υφιστάμενες εγκαταστάσεις ακολουθητών;

Ναι, εφόσον το υφιστάμενο υλικό των ακολουθητών (σύστημα περιστροφής, σωλήνας ροπής, θεμέλια) είναι μηχανικά ακέραιο. Η αναβάθμιση περιλαμβάνει αντικατάσταση του λογισμικού ελεγκτή και ρύθμιση της ροής δεδομένων ρεύματος ανά σειρά από το SCADA του σταθμού. Δεν απαιτούνται μηχανικές τροποποιήσεις.

Τοποθέτηση εικόνας

Λέξεις-κλειδιά για SEO

Πρωτεύον: ΑΙ αντιστροφής ακολουθητής ηλιακής ενέργειας, έξυπνο σύστημα ηλιακής ακολούθησης, ακολουθητής φωτοβολταϊκών με μηχανική μάθηση, εξυπνότερη αντιστροφή

Δευτερεύον: ακολουθητής ηλιακής ενέργειας για μείωση απωλειών λόγω σκίασης, προσαρμοστικός αλγόριθμος αντιστροφής, βελτιστοποίηση ακολουθητή φωτοβολταϊκών ανά σειρά