Znany jako CRAK, łączy w sobie szereg udogodnień, dzięki którym okazał się skuteczniejszy od dziesięciu dotychczas stosowanych modeli prognostycznych. Przedstawiciele East China Normal University opisali kulisy swoich działań w tym zakresie na łamach ETRI Journal.
Czytaj też: Panele słoneczne bez toksycznego składnika. Tak wygląda przyszłość fotowoltaiki
Jak wyjaśniają, ich model kładzie nacisk na integrację różnych cech wejściowych w celu uchwycenia krytycznych czynników wpływających na historyczne wyniki. Z drugiej strony umożliwia skuteczne wyodrębnianie liniowych, nieliniowych i statycznych charakterystyk danych związanych z funkcjonowaniem fotowoltaiki. Dzięki temu, w końcowym rozrachunku, w grę wchodzi kompleksowe modelowanie nawet w oparciu o złożone oraz niepewne dane.
Na potrzeby kluczowego testu tej technologii, inżynierowie z Państwa Środka zastosowali dane pochodzące z jednej z tamtejszych instalacji fotowoltaicznych. Obejmowały one między innymi szeregi czasowe informacji o pogodzie, rzeczywistą produkcję energii fotowoltaicznej i odczyty wykonane w okresie od 19 stycznia 2023 do 16 maja 2023 roku. Wykorzystując 37 000 punktów danych członkowie zespołu badawczego dokonali podziału na dane treningowe, walidacyjne oraz testowe w stosunku 8:1:1.
Model opracowany przez chińskich naukowców zapewnia wyjątkowo dokładne prognozy dotyczące działania instalacji fowoltaicznych. To ważny krok w rozwoju fotowoltaiki, ponieważ CRAK góruje nad konkurencją
Po takim szkoleniu CRAK miał stworzyć trzy różne rodzaje prognozy. W ramach pierwszej, jednokrokowej, w grę wchodziło przewidywanie na 5 minut do przodu. Kolejny obejmował trzydzieści kroków i prognozowanie na 2,5 godziny do przodu, natomiast ostatni – długoterminowy – 96 kroków i 8 godzin do przodu. Co istotne, pozyskane odczyty zostały później zestawione z efektami działania dziesięciu innych modeli: BiLSTM, Conv-GRU, Conv-BiLSTM, Conv-KAN, Conv-GRU-BiLSTM, GRU-BiLSTM-KAN, Conv-BiLSTM-KAN, Transformer, ASMNet i EEMD-DARNN.
Rezultaty, jak możecie się domyślić, były wyjątkowo korzystne dla CRAK. Przewyższył modele bazowe, osiągając najlepsze wyniki z wartościami MAPE, RMSE, MAE i R2, które wyniosły kolejno 0,024, 0,032, 0,015 i 0,999. Przewaga nad konkurencją pojawiła się w każdym z trzech segmentów czasowych, co wskazuje na wyjątkową przydatność tej technologii.
Czytaj też: Fotowoltaika stanie się bardziej opłacalna. Naukowcy z KAUST opracowali nową metodę
Tworzenie takich prognoz jest bardzo istotne dla sektora energetycznego ze względu na konieczność dbania o stabilność sieci. Źródła odnawialne, takie jak panele słoneczne i turbiny wiatrowe cechują się wysoką nieprzewidywalnością, dlatego zdarza się, że w sieci występują niedobory energii, bądź wręcz przeciwnie: jej nadmiar. Dzięki skutecznemu przewidywaniu można będzie zapobiegać takim problemom lub przynajmniej ograniczyć częstotliwość ich występowania.