Na celém světě existuje mnoho míst, které poskytují perfektní a dlouhotrvající přístup ke slunečnímu záření. Často jsou to ale zároveň místa, která jsou charakteristická svými suchými a prašnými podmínkami, které dokáží způsobit hned několik problémů s výkonem fotovoltaických systémů.
Řešení ztrát způsobených nahromaděním prachu na povrchu modulů je pro fotovoltaický průmysl velké téma. Tyto „neduhy“ snižují provozovatelům fotovoltaických parků příjmy, snižují totiž účinnost přeměny sluneční energie na energii elektrickou.
Příliš časté čištění modulů nebo investice do nesprávného typu čistícího zařízení mohou také výraznou měrou poškodit ekonomiku projektu. A tak schopnost přesně předvídat ztráty způsobené znečištěním v dlouhodobém i krátkodobém časovém horizontu je něco, čeho si vývojáři fotovoltaických projektů a provozovatelé systémů velmi cení. A právě v tomto by jim měla v budoucnu hojně pomoci umělá inteligence.
Strojové učení dokáže být o krok napřed před znečištěním fotovoltaiky
Jak užitečná je umělá inteligence v současnosti? To se rozhodli zjistit kyperští vědci, kteří vyhodnotili šest různých modelů používaných k předpovědi energetických ztrát způsobených hromaděním prachu, nečistot a dalších látek na povrchu fotovoltaických panelů v suchém klimatu kyperského ostrova. Rozhodli se porovnat přesnost predikce s následnými reálnými daty.
Celý expirent probíhal za branami univerzity v Nikósii. Ztráty znečištěním na testovacím místě byly vypočítány porovnáním vyčištěné a nevyčištěné sady modulů vedle sebe. Porovnávalo se hned šest různých modelů – tři využívající přístup fyzického modelování a tři založené na umělé inteligence, přesněji řečeno na strojovém učení. Zmíněné fyzické modely jsou mezinárodně zavedené metody pro modelování znečištění, zatímco metody strojového učení jsou programy s otevřeným zdrojovým kódem, jež se teprve nově používají k měření znečištění.
Jak experiment dopadl?
Umělá inteligence se potýkala hlavně s nedostatkem dostupnosti dat pokrývajících celou lokalitu po dostatečně dlouhou dobu. Proto celé toto srovnání nakonec dopadlo ve prospěch fyzických modelů, jež se mohly chlubit chybovostí 1,16 % u denních ztrát znečištěním a 0,83 % u měsíčních ztrát znečištěním. Zatímco výpočty na základě strojového učení zůstaly pozadu s 1,55% chybovostí v denních ztrátách znečištěním a 1,18% v těch měsíčních.
Rozdíl tedy ani v současnosti není nikterak markantní. Postupem času se navíc strojovým učením podaří zlepšit dostupnost a kvalitu dat, a pak se očekává, že modely strojového učení založené na environmentálních datech shromážděných satelitem pravděpodobně předčí ty fyzické.
