نوشته‌ها

درآمدزایی نیروگاه‌های خورشیدی بستگی به عوامل مختلفی دارد از جمله موقعیت جغرافیایی نیروگاه، ظرفیت نیروگاه، راندمان تولید، هزینه‌های نصب و نگهداری، تعداد ساعات تابش آفتاب در منطقه و قیمت برق در بازار محلی وابسته است. همچنین، تکنولوژی استفاده شده در تجهیزات نیروگاه نیز تأثیر زیادی بر درآمدزایی آن دارد.

به طور کلی، نیروگاه‌های خورشیدی می‌توانند درآمدهای قابل توجهی تولید کنند، به ویژه در مناطقی که تابش آفتاب بالا و هزینه فروش برق نیز مناسب است. با توجه به پیشرفت تکنولوژی و کاهش هزینه‌های نصب، نیروگاه‌های خورشیدی به صورت گسترده‌تری در سراسر جهان راه‌اندازی می‌شوند.

در بسیاری از موارد، نیروگاه‌های خورشیدی به صورت قراردادهای خرید برق بلندمدت (Power Purchase Agreements)   عمل می‌کنند، که در آن یک شرکت یا دولت با نیروگاه قرارداد خرید برق منعقد کرده و برق تولیدی را خریداری می‌کند. قیمت برق در این قراردادها معمولاً بر اساس توافق بین طرفین تعیین می‌شود. بنابراین، درآمد زایی نیروگاه‌های خورشیدی می‌تواند متفاوت باشد و بسته به شرایط محلی و قراردادهای برق مورد استفاده، تغییر کند که در ایران توسط دولت به سه صورت خریداری میشود: حالت اول قرارداد خرید برق تضمینی 20 ساله با نرخ خرید 1750 تومان برای هرکیلووات تا ظرفیت 20 کیلووات و 1650 تومان برای ظرفیت های بالاتر از 20 کیلووات تا 3 مگاوات با وجود احداث نیروگاه خورشیدی در زمین شخصی و در فرمت دیگر عقد قرارداد دلاری با پایه 7 سنت دلار به مدت 6 سال و در فرمت سوم فروش برق در بورس انرژی که به مالکان نیروگاه خورشیدی این امکان را میدهد برق تولیدی خود را در بورس به قیمت درخواستی از طرف مشتریان برق عرضه نمایند که البته در این حالت مالک نیروگاه خورشیدی قرارداد PPA یا قرارداد خرید برق تضمینی نخواهد داشت.

مطالعه دقیق‌تری درباره شرایط محلی، هزینه‌ها و درآمدهای نیروگاه‌های خورشیدی در منطقه مورد نظر شما و مشاوره با اشخاص متخصص و متخصصان صنعت مربوطه، می‌تواند بهترین پاسخ را در خصوص میزان درآمد زایی نیروگاه‌های خورشیدی در آن منطقه ارائه دهد.

x 0 0 0 14103287 800 - میزان درآمد نیروگاه‌های خورشیدی و عوامل وابسته آن

نیروگاه‌های خورشیدی به عنوان یکی از منابع تولید انرژی پاک و قابل تجدید، درآمد قابل توجهی برای مالکان و سرمایه‌گذاران خود ایجاد کرده‌اند. اما میزان درآمد زایی نیروگاه‌های خورشیدی به عوامل مختلفی بستگی دارد، از جمله:

ظرفیت نصب و توان نیروگاه: میزان تولید برق از نیروگاه خورشیدی به توان نصب شده و ظرفیت آن بستگی دارد. نیروگاه‌های خورشیدی می‌توانند از چند کیلووات تا چند مگاوات ظرفیت داشته باشند. هرچه توان نیروگاه بیشتر باشد، تولید برق و درآمد آن نیز افزایش می‌یابد.

راندمان نیروگاه: راندمان نیروگاه خورشیدی نشان دهنده میزان بهره‌وری و تبدیل انرژی خورشید به برق است. هرچه راندمان بالاتر باشد، تولید برق بیشتر و درآمد بالاتری نیز تحقق می‌یابد.

منطقه جغرافیایی: شرایط آب و هوایی و میزان تابش خورشید در منطقه جغرافیایی می‌تواند تاثیر زیادی بر درآمد نیروگاه خورشیدی داشته باشد. مناطقی که در آنها تابش خورشیدی بیشتر است، قادر به تولید برق بیشتری هستند و درآمد نیروگاه بالاتر خواهد بود.

قراردادهای خرید برق: در برخی مناطق، مالکان نیروگاه خورشیدی می‌توانند با برق خود را به شبکه برق متصل کنند و برای این برق تولید شده قرارداد خرید برق بسته شود. در این صورت، قیمت خرید برق و مدت زمان قرارداد بر اساس توافقات مابین مالکان نیروگاه و مراجع مربوطه تعیین خواهد شد و به این ترتیب، درآمد نیروگاه مشخص می‌شود.

سیاست‌های دولتی و حوزه‌های مالیاتی: سیاست‌ها و قوانین دولتی و حوزه‌های مالیاتی نیز می‌تواند تأثیر بزرگی بر درآمد نیروگاه خورشیدی داشته باشد. برخی دولت‌ها تسهیلات و تخفیفات مالیاتی را برای مالکان نیروگاه‌های خورشیدی فراهم می‌کنند تا این صنعت را تشویق به رشد و توسعه کنند.

لازم به ذکر است شرکت آرا نیرو این امکان رو برای مشتریان خود فراهم نموده است تا با تسهیلات بانکی بتوانند با شرایط پرداخت هزینه های خرید تجهیزات را پرداخت نمایند.

به طور کلی، میزان درآمد زایی نیروگاه‌های خورشیدی به عوامل متعددی بستگی دارد و به طور مستقیم و براساس عوامل فوق قابل تعیین نیست. اما با توجه به رشد رو به افزایش این صنعت و پتانسیل بالای تولید برق خورشیدی، می‌توان درآمد قابل توجهی را انتظار داشت.

x 0 0 0 14007395 800 - میزان درآمد نیروگاه‌های خورشیدی و عوامل وابسته آن

درآمدزایی از نیروگاه خورشیدی معمولاً به دو روش انجام می‌شود: تولید و فروش برق و استفاده از سیستم‌های حمایتی مالی.

تولید و فروش برق: در این روش، نیروگاه خورشیدی از طریق تبدیل انرژی خورشید به برق، برق را تولید می‌کند و آن را به شبکه برق ارسال می‌کند. در بسیاری از کشورها، اپراتور نیروگاه خورشیدی برق تولید شده را به شبکه برق محلی متصل می‌کند و با شرکت برق محلی یا شرکت توزیع برق قرارداد برق فروش می‌کند. در این حالت، درآمدزایی اصلی از فروش برق به عنوان یک تولید کننده برق است. اپراتور نیروگاه خورشیدی بر اساس قراردادهای برق فروش، پرداختی معین برای هر واحد برق تولید شده دریافت می‌کند. درآمد زایی بیشتر از نیروگاه خورشیدی وابسته به قیمت برق، سیاست‌های حمایتی دولت، ظرفیت تولید نیروگاه و عملکرد بهینه آن است.

سیستم‌های حمایتی مالی: برخی کشورها و دولت‌ها سیستم‌های حمایتی مالی را برای تشویق سرمایه‌گذاری در نیروگاه‌های خورشیدی ایجاد کرده‌اند. این سیستم‌ها شامل تسهیلات و امتیازهای مالی متنوعی می‌شوند که به صورت مستقیم یا غیرمستقیم به اپراتور نیروگاه خورشیدی ارائه می‌شود. مثال‌هایی از این سیستم‌ها عبارتند از: تعلیق مالیات بر ارزش افزوده برای تجهیزات نیروگاه، سبسیدی مستقیم برای تولید برق از منابع خورشیدی، خرید برق با قیمت تضمین شده توسط دولت، قراردادهای طولانی‌مدت برای فروش برق به دولت یا شرکت‌های دولتی، و برنامه‌های حمایتی مالی دیگر.

به طور کلی، درآمدزایی از نیروگاه خورشیدی بستگی به عوامل متعددی دارد که شامل قوانین و مقررات محلی، سیاست‌های دولت، قیمت برق، هزینه‌های نیروگاه و کارایی عملکرد آن می‌شود. همچنین، شرایط محلی میزان تابش خورشید و تقاضای برق نیز بر درآمدزایی تأثیرگذار است

 

 

 

 

چکیده: رشد سریع صنعت در انرژی خورشیدی نشان دهنده علاقه به انرژی های تجدید پذیر است. اهمیت برق شبکه های هوشمند حاصل از نیروگاه ها، تشخیص زودهنگام خطا یا ناهنجای در سیستم‌های فتوولتائیک (PV) را ضروری می سازد تا با کاهش اتلاف یا هدررفت پتانسل انرژی خورشیدی بتوانیم نیروگاه های خورشیدی بهینه در دوره بهره برداری داشته باشیم.

از این نظر، استفاده دقیق از آخرین و به‌روزترین  فناوری هوش مصنوعی ضروری است تا به موقع ناهنجاری های مختلف سیستم افشا شود. این مقاله با ارزیابی این موضوع به آن می پردازد.

عملکرد طرح‌های مختلف هوش مصنوعی و استفاده از آن‌ها برای تشخیص ناهنجاری‌ها، قطعات فتوولتائیک طرح‌های زیر ارزیابی می‌شوند:

AutoEncoder Long Short-Term Memory (AE-LSTM), Facebook-Prophet, and Isolation Forest

این مدل ها می توانند رفتارهای واقعی سالم و غیرعادی سیستم PV را شناسایی کنند، نتایج ما بینش روشنی برای شکل گیری یک راه حل ارائه می دهد. راه حل آگاهانه، به ویژه با مبادلات تجربی برای چنین فضای پیچیده ای، در این صنعت راه گشا خواهد بود.

کلمات کلیدی: تشخیص ناهنجاری. فراگیری ماشین؛ تجزیه و تحلیل سری زمانی؛ همبستگی

10araniroo.irخورشیدی.png pyranometer field use min - به کارگیری هوش مصنوعی برای مانیتورینگ و تشخیص خطاها در نیروگاه های خورشیدی فتوولتائیک

مقدمه

در دهه گذشته، توسعه و گسترش سریع انرژی های تجدید پذیر از جمله نیروگاه ها صورت گرفته است. انتظار می‌رود توسعه‌ و توانایی تولید انرژی پاک و مقرون به صرفه و ایجاد رشد اقتصادی باعث پیشرفت ما شود. در نتیجه، چالش های تولید انرژی خورشیدی اخیرا توجه قابل توجهی را به خود جلب کرده است. یک نگرانی پیشرو، شناسایی و بومی سازی الگوهای غیرعادی در نیروگاه های خورشیدی است و تکنیک های داده محور به تشخیص و پیشگیری از چنین ناهنجاری هایی کمک زیادی میکند.

سیستم های هوش منطقی می توانند ثابت کنند تجهیزات فتوولتائیک (PV)  در بسیاری از موارد کارآمد است، که با استفاده از شبکه های عصبی کانولوشن برای پیاده سازی هوش مصنوعی قابل پیاده سازی است.(شبکه عصبی کانولوشنال کلاسی از شبکه عصبی مصنوعی است که بیشتر برای تجزیه و تحلیل تصاویر بصری استفاده میشود).

عملکرد مقیاس پذیر و منسجم سیستم های خورشیدی PV به ابزارهای پیشرفته برای نظارت نیاز دارد، تکامل دینامیکی پارامترهای سیستم و انتشار هشدارهایی در مورد ناهنجاری ها به تصمیم گیرندگان و نظارت آنلاین سیستم های PV از نظر فنی برای کمک به اپراتورها مفید است. شکست در شناسایی خطاهای فاجعه بار در آرایه های فتوولتائیک (PV)  براین اساس کاهش می یابد. توان تولید شده و عدم کنترل حفاظتی، در واقع خطرات آتش سوزی را ایجاد می کند که ابتدا ناهنجاری درنمای بیرونی پنل های خورشیدی ظاهر می شود، اگر دارندگان پنل زودتر از وجود ناهنجاری ها مطلع شوند، آنها می توانند ناهنجاری ها را از بین ببرند تا از کمبود توان بیشتر جلوگیری کنند. بنابراین، سرعت و روش‌های تشخیص ناهنجاری برای بهبود قابلیت اطمینان و ایمنی و عملکرد سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) مهم هستند.

نیروگاه های خورشیدی PV معمولاً در نتیجه اشکال مختلف ناهنجاری ها به اندازه کافی اجرا نمی شوند. این ناهنجاری ها یا داخلی یا خارجی هستند. خطاها در سیستم خورشیدی PV بوجود می آیند و باعث می شوند تولید در روز صفر شود. خطاهای رایج عبارتند از خرابی در یک قطعه، جداسازی سیستم، خاموش شدن اینورتر، سایه اندازی و نقطه حداکثر توان اینورتر. عوامل خارجی مانند سایه، رطوبت، گرد و غبار و دما به عنوان ناهنجاری های خارجی قابل توجهی در نظر گرفته می شوند که سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) را تحت تاثیر قرار می دهند و تولید برق آن را تضعیف می کنند.

چندین ابتکارعمل برای رسیدگی به ناهنجاری قبلی پیشنهاد شده است.

کاربرد شبکه عصبی مصنوعی(ANN)  در مدل‌سازی دستگاه‌های خورشیدی بررسی می‌شود، که در مقایسه با تجربه مطالعات انجام شده، به آزمایش های تجربی کمتری برای تعیین اتصالات ورودی/خروجی نیاز دارد، بنابراین باعث صرفه جویی در زمان و کاهش هزینه های مالی می شود. یک حافظه کوتاه مدت طولانی طرح شبکه عصبی (LSTM) برای پیش‌بینی بازده عکس‌های خورشیدی استفاده می‌شود. هوش مصنوعی می تواند آمارهای دریافتی، در یک بازه زمانی مشخص را برای شکل گیری الگوهای کنترل به کار گیرد. به همین ترتیب، طرح‌های مبتنی بر هوش مصنوعی مانند مدل LSTM و بهینه‌ساز شعله پروانه برای پیش‌بینی بازده دستگاه‌های تقطیر آب خورشیدی. LSTM بهینه شده بهتر از طرح LSTM مستقل عمل کرد.

کاربرد روش‌های یادگیری عمیق (DL) را در زمینه‌های مختلف بازبینی کردند، از جمله تولید برق از توربین های بادی و پنل های خورشیدی، پزشکی، کشاورزی و داده کاوی.

موارد مهم مقاله به شرح زیر است:

  1. بررسی سه مدل شناخته شده تشخیص ناهنجاری: Autoencoder LSTM (AE-LSTM)، پیام رسان فیسبوک ، و محدوه ایزوله سازی. آزمون های مقایسه ای انجام شد: بررسی دقت و عملکرد این مدل ها با بهینه سازی هایپرپارامترها
  2. تعریف و طبقه بندی عوامل داخلی و خارجی که باعث ایجاد ناهنجاری در نیروگاه فتوولتاییک میشوند، بررسی تاثیر آنها بر دقت مدل و مطالعه اثر همبستگی و تاثیر آن در تشخیص ناهنجاری ها.

در ادامه این مقاله، بخش 2 پیشینه مقاله و مرتبط را مورد بحث قرار می دهد و بخش 3 الگوریتم های یادگیری ماشین استفاده شده را مشخص می کند. بخش 4 مجموعه داده های جمع آوری شده را مشخص می کند و بخش 5 خروجی ها و پارامترهای آزمایشی را نشان می دهد.

در پایان، ما نتایج خود را جمع آوری می کنیم و برخی از جهت گیری های آینده را در بخش 6 ارائه می دهیم.

  1. Related Work

چندین روش تکنیک های تشخیص ناهنجاری در نیروگاه های فتوولتائیک (PV) را بررسی کرده اند. به عنوان مثال، روش های متعددی را برای افشا و مقایسه دسته بندی ناهنجاری های حاوی مدل میانگین متحرک یکپارچه رگرسیون خودکار (ARIMA)، شبکه‌های عصبی، ماشین‌های بردار پشتیبان و طبقه‌بندی  k-نزدیک‌ترین همسایه‌ها.

طرحی برای چیدمان سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) این مدل برای پیش بینی تولید برق AC پیاده سازی شده است. ساخته شده بر روی ANN، که تولید برق AC را با استفاده از تابش خورشیدی و دمای داده های پانل سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) یک تکنیک جدید برای تشخیص ناهنجاری پیشنهاد شده است.

در پردازش تصویر حرارتی با ابزار SVM که ویژگی ها را به عنوان عنصر معیوب و انواع غیر معیوب طبقه بندی می کند.

یک تکنیک تشخیص ناهنجاری مبتنی بر مدل بخش DC و سایه لحظه ای از سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) برای بازرسی پیشنهاد شده است. در ابتدا، یک مدل بر اساس یک دیود برای تشریح ماهیت معمولی سیستم PV نظارت شده و تشکیل شده است. باقیمانده برای تشخیص عیب در مرحله بعد، یک فرآیند ماشین بردار پشتیبانی یک کلاس SVM)) به باقیمانده ها که با مدل در حال اجرا برای افشای خطا شروع می شود، اجرا می شود. روشی بدون حسگر برای آشکارسازی خطاهای هر پنل از آرایه های خورشیدی روش مدل محور SunDown بر تعاملات بین توان خروجی پنل ها تأثیر می گذارد. تولید توان توسط پنل های مجاور برای تشخیص نابرابری ها از تولید پیش بینی شده بررسی میشود.

این مدل می‌تواند خطاهای همزمان را در بسیاری از پنل‌ها مدیریت کند و ناهنجاری‌ها را برای تصمیم‌گیری ممکن طبقه‌بندی کند؛ منابعی از جمله برف، برگ ها، زباله ها و خرابی های الکتریکی.

ابزار جدیدی به نام ISDIPV) ) ارائه شده است که قادر به تشخیص ناهنجاری ها است و عیب یابی آنها در نیروگاه خورشیدی PV  شامل سه عملیات اساسی است: مواردی برای جمع آوری داده ها، تشخیص ناهنجاری و تشخیص ارائه شده، تفاوت در عملکرد منظم دو شکل از روش های مدل سازی اجرا شده است.

برای توصیف عملکرد معمولی پیش بینی شده: توابع انتقال خطی (LTF) و مدل های شبکه های عصبی ساخته شده بر روی رسپترون های چند لایه (MLP)  یک پاسخ داده محور برای تشخیص و طبقه بندی ناهنجاری کافی ارائه کرد که جریان های آرایه های سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) را به عنوان نشانه هایی برای افشا و طبقه بندی ناهنجاری های سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) اعمال کرد. رویکرد تشخیص ناهنجاری پیشنهادی از تکنیک‌های هوش مصنوعی بدون نظارت استفاده می‌کند. این رویکرد شامل دو مرحله، به ویژه تشخیص سیستم هوشمند محلی  (LCAD) و تشخیص ناهنجاری هوشمند در بستر جهانی (GCAD). شناسایی ناهنجاری های مربوط به مصرف سوخت ایستگاه های پایه و

داده های ثبت شده با استفاده از ژنراتور به عنوان مبدأ قدرت. ناهنجاری ها شناسایی شده از طریق یادگیری الگوهای مصرف سوخت با استفاده از چهار روش طبقه بندی: ماشین‌های بردار پشتیبانی (SVM)، k-نزدیک‌ترین همسایگان (KNN)، رگرسیون لجستیک (LR)  و پرسپترون چند لایه (MLP)  نتایج نشان داد که MLP بیشترین کارایی را در این زمینه دارد.

8araniroo.irخورشیدی.png solar panel - به کارگیری هوش مصنوعی برای مانیتورینگ و تشخیص خطاها در نیروگاه های خورشیدی فتوولتائیک

 

تفسیر اندازه گیری

یک تکنیک جدید برای نظارت بر سیستم های نیروگاه خورشیدی فتوولتاییک PV با تشخیص ناهنجاری ها ارائه شده است. با استفاده از “k-نزدیکترین همسایگان  (kNN) و “ماشین بردار پشتیبانی یک کلاس OCSVM)) الگوریتم های خودآموز به طور قابل توجهی تلاش اندازه گیری را کاهش داده و پشتیبانی می کنند که از پایش قابل اعتماد خطاها از الگوریتم k- نزدیکترین همسایه استفاده کردند و یک پرسپترون چند لایه برای پردازش داده ها از یک حسگر DC و تشخیص اختلاف جریان الکتریکی یک المان و تشخیص بدون حسگر پیشنهاد شده است. که توسط کاهش سریع جریان محصور شده توسط دو نقطه حداکثر توان کنترل می شود. شبیه سازی نمونه برداری ردیابی شده (MPPT) در نیروگاه های خورشیدیPV  برای اعتبار سنجی اجرا شد.

امکان تعیین ناهنجاری ها در برابر موارد نوسانی، صرف نظر از درجه اختلاف و تابش یک چارچوب با تشخیص ناهنجاری سلول های خورشیدی مونو کریستالی پیشنهاد شده است.

این چارچوب دو مرحله دارد: در مرحله اولیه، یک شبکه مولد غیرهماهنگ (GAN) برای ساخت یک مدل تشخیص ناهنجاری استفاده می شود. این مدل امکان تشخیص ترکیبات غیر طبیعی که فقط از نمونه های غیر معیوب برای تمرین استفاده می کنند.

شبکه کانولوشن

یک طرح تحلیلی برای بررسی آنلاین ویدیوی خام تصویربرداری از سطح پنل های نیروگاه خورشیدی ارائه شده است. جریان های ترموگرافی هوایی این طرح ترکیبی از پردازش تصویر و آمار است. روش های هوش مصنوعی طرح ارائه شده به اجزا قدرتمند بستگی دارد. تجزیه و تحلیل (RPCA)، که بر روی تصاویر سطح پنل های نیروگاه خورشیدی PV برای تشخیص و محصور کردن همزمان استفاده می شود از ناهنجاری ها علاوه بر RPCA، روش‌های پس از پردازش نیز برای آن پیشنهاد شده‌اند. کاهش نویز تصویر و تقسیم بندی مدل های متمایز برای نیروگاه انتخاب می شوند. بررسی داده های این مدلهای خطی، مدلهای مبتنی بر مجاورت، مدل‌ها، مجموعه‌های ناهنجاری و شبکه‌های عصبی که بالاترین نرخ تشخیص را دارند، احتمالات هستند.

SolarClique، یک روش مبتنی بر داده، برای تشخیص ناهنجاری ها درتولید برق تاسیسات نیروگاه خورشیدی است که این روش به هیچ دستگاه سنسوری نیاز ندارد. برای تشخیص خطا/ناهنجاری در عوض، منحصراً به نتیجه مونتاژ آرایه نیاز دارد

و آرایه های نزدیک برای تشخیص ناهنجاری عملیاتی به کار گرفته میشوند.

یک تکنیک دیگر تشخیص ناهنجاری استفاده از یک مدل یادگیری نیمه نظارتی برای از پیش تعیین کردن نرخ تولید با اطلاع از میزان تابش خورشید پیشنهاد شده است. شرایط پنل های خورشیدی برای شرایطی که پنل خورشیدی نمی تواند برق تولید کند مورد آنالیز قرار میگیرد. در نتیجه خراب شدن تجهیزات این روش از مدل خوشه بندی برای اعمال منظم فیلتراسیون و مدل شبکه عصبی، Autoencoder، برای ایجاد طبقه بندی ناهنجاری یا خطا ها استفاده می کند.

یک طرح کلی، بدون نظارت و صرفا مقیاس پذیر برای تشخیص ناهنجاری ها و خطاهای نیروگاه خورشیدی ارائه شده است.

در داده ها در قالب یک بازه زمانی که می توانند به صورت آفلاین و آنلاین اجرا شوند. این طرح از یک مدل بازسازی به دنبال رمزگذار خودکار متغیر تشکیل شده است. رمزگذار و رمزگشا هر دو پارامتری هستند که با شبکه های عصبی دامنه دار برای تشخیص در بازه زمانی داده های دریافتی نتایج را بررسی کرده و نشان می‌دهد که مدل می‌تواند شرایط غیرعادی را با استفاده از معیارهای ترمیم احتمالی مانند ناهنجاری تشخیص دهد.

مدل رویکرد تشخیص ناهنجاری یا خطاهای بالقوه (به عنوان مثال، ولتاژ بالا/پایین) مجموعه ای با مدل های رگرسیون غیر خطی و آمار و ارقام ناهنجاری پس از مطالعه همبستگی که برای تشخیص نفوذ فیزیکی اقتباس شده است.

این الگوریتم بر داده های ورودی، شکل ناهنجاری ها، داده های خروجی و دانش متکی است.

6araniroo.irخورشیدی Thermographie Solar - به کارگیری هوش مصنوعی برای مانیتورینگ و تشخیص خطاها در نیروگاه های خورشیدی فتوولتائیک

 

  1. مواد و روش ها: الگوریتم های ML

تکنیک ها و روش های مختلف مورد استفاده در این مقاله در این بخش مورد بحث قرار می گیرد.

یعنی، ما با الگوریتم‌های ML نور بیشتری را مورد استفاده قرار دادیم AutoEncoder Long Short-

روش تحقیق معماری های این الگوریتم به شدت مورد بحث قرار می گیرند و درک کاملی از آن ایجاد می کنند.

3.1. AutoEncoder حافظه کوتاه مدت /بلند مدت (AE-LSTM)

AutoEncoder (AE) یک ANN بدون نظارت است. دارای سه ساختار متقارن است: لایه ها: ورودی پنهان و یک لایه خروجی (بازسازی) . دارای فرآیندهای رمزگذاری و رمزگشایی داخلی است. رمزگذاری از ورودی شروع می شود لایه پنهان، در حالی که رمزگشایی لایه پنهان را به لایه خروجی هدایت می کند. AE شایستگی یادگیری موثر داده ها بدون برچسب برای پیش بینی از بردار ورودی را دارد. شکل 1ساختار AE را نشان می دهد.

1araniroo.irخورشیدی 258x300 - به کارگیری هوش مصنوعی برای مانیتورینگ و تشخیص خطاها در نیروگاه های خورشیدی فتوولتائیک

Figure 1. The AutoEncoder (AE) model.

 

فرآیند رمزگذاری به شرح زیر است:

H = f1(Wi . X + bi)              (1)

 

که Wi و bi پارامترهای وزن و بایاس در بین ورودی و لایه پنهان هستند.

X ورودی اولیه، H نمایش میانی داده های اولیه و f1 است.

تابع فعال سازی به عنوان مثال، ReLU، لجستیک (Sigmoid)  و (TanH)  به همین ترتیب، رمزگشایی فرآیند به صورت زیر بیان میشود:

 

Xˆ = f2(Wh . H + bh)             (2)

 

که در آن Wh و bh وزن ها و پارامترهای بایاس بین مخفی و خروجی هستند.

bX خروجی است که از داده های ورودی بازسازی می شود.

AE آموزش داده شده با هدف به حداقل رساندن اختلاف بین خروجی bX و the بردار ورودی X از طریق مربع خطا همچنین به نام خطای بازسازی.

 

2araniroo.irخورشیدی 300x193 - به کارگیری هوش مصنوعی برای مانیتورینگ و تشخیص خطاها در نیروگاه های خورشیدی فتوولتائیک

Figure 2. Long Short-Term Memory (LSTM) unit.

 

  1. داده های جمع آوری شده

داده های مورد استفاده در دو نیروگاه خورشیدی در هند جمع آوری شد (نیروگاه 1 نزدیک گاندیکوتا، آندرا، و نیروگاه 2 در نزدیکی ناسیک، ماهاراشترا) در مدت 34 روز، هر کدام با فواصل 15 دقیقه ای هر نیروگاه شامل 22 حسگر متصل به هر اینورتر بود و سطوح تولید نیروگاه برای اندازه گیری نرخ تولید (یک عامل داخلی که می تواند باعث ناهنجاری ها شود)، مانند توان های AC وDC  در سطح اینورتر نیروگاه، اندازه گیری شد. تابش، دمای محیط و ماژول (آن عوامل خارجی که می توانند ناهنجاری ایجاد کنند) داده های اندازه گیری شده آب و هوا که منتشر شده.

3araniroo.irخورشیدی 244x300 - به کارگیری هوش مصنوعی برای مانیتورینگ و تشخیص خطاها در نیروگاه های خورشیدی فتوولتائیک

Figure 3. Correlation matrix computing the linear correlation among the characteristic elements for power plants 1 and 2.

 

 نتایج و بحث

این بخش ارزیابی تجربی انجام شده برای اعتبار سنجی و ارزیابی را توضیح می دهد.

شرح کاملی از تنظیمات آزمایشی ارائه شده است. ما یافته ها و نتایج خود را با جزئیات تجزیه و تحلیل می کنیم.

سیستم های نیروگاه خورشیدی PV  ممکن است انواع مختلفی از ناهنجاری ها را داشته باشند. برای مقایسه مناسب بین الگوریتم‌های تشخیص ناهنجاری، آزمایش‌هایی برای بررسی اثر انجام شد. عوامل داخلی و خارجی و همچنین اثر همبستگی بر روی داده های همه اینورترها با بررسی دیتاهای سنسورهای این دو نیروگاه با مقایسه AC تولید شده انجام شد. توان اینورتر و نرخ تابش نیروگاه شماره 1 ، در شکل 4 نشان داده شده است.

قابل توجه است که در دوره های 7 و 14 خرداد (ژوئن) افت برق متناوب داشته است.

این اخطار می تواند نشان دهنده خرابی در سطح اینورتر باشد.

4araniroo.irخورشیدی 1030x477 - به کارگیری هوش مصنوعی برای مانیتورینگ و تشخیص خطاها در نیروگاه های خورشیدی فتوولتائیک

Figure 4. Signal comparison between AC, DC Power, Irradiation, and the Module Temperature signals from inverter number 12.

 

تعداد سیگنال های خطا یا ناهنجاری 13 عدد است که در تاریخ  7 و 14 خرداد (ژوئن) برعکس، برای سایر اینورترها مانند اینورتر شماره 12، افتی وجود نداشت. همانطور که در تولید برق AC، در شکل 5 نشان داده شده است.

 

5araniroo.irخورشیدی 1030x501 - به کارگیری هوش مصنوعی برای مانیتورینگ و تشخیص خطاها در نیروگاه های خورشیدی فتوولتائیکFigure 5. Signal comparison between AC, DC Power, Irradiation, and the Module Temperature signals from inverter number 12.

  1. نتیجه گیری

تشخیص خطا یا ناهنجاری در نیروگاه های خورشیدی مدرن، استفاده از رویکردهای داده محوربرای کاهش زمان های خرابی و افزایش کارایی حیاتی است. در این مقاله، سه عملکرد مدل ها مبتنی بر هوش مصنوعی برای مدلی که می تواند مورد تجزیه و تحلیل قرار گرفت، نشان داده شد که میتواند به طور دقیق خطاها یا ناهنجاری های موجود در سیستم نیروگاه خورشیدی فتوولتائیک (PV)  را تعیین کند. همبستگی ضرایب بین پارامترهای ویژگی داخلی و خارجی نیروگاه تعیین شد و برای تجزیه و تحلیل کارایی مدل های هوش مصنوعی در تشخیص ناهنجاری ها استفاده می شود.

AE-LSTM ناهنجاری ها و سیگنال سالم را با موفقیت شناسایی کرد. در آینده بررسی تکنیک‌های کاهش ناهنجاری، هوشمند می‌شود که روند هوش مصنوعی، یعنی هوش مرکزی، در نیروگاه های انرژی خورشیدی هوشمند در مقیاس بزرگ به کار گرفته خواهد شد.

 

نویسندگان مقاله چاپ شده در مجله MDPI:

Mariam Ibrahim

Ahmad Alsheikh

Feras M. Awaysheh

Mohammad Dahman Alshehri

نیروگاه های تجدیدپذیر متصل شده در تبریز

نیروگاه های تجدیدپذیر متصل شده در تبریز مدیرعامل شرکت توزیع نیروی برق تبریز اعلام کرد:

در حال حاضر تعداد ۳۸ نیروگاه خورشیدی با ظرفیت کل ۵۰۳ کیلووات در حوزه‌ خدماتی این شرکت

متصل به شبکه هستنند. عادل کاظمی روز دوشنبه در جمع خبرنگاران اعلام کرد: از این میزان ۱۰۸ کیلووات

آن دارای قرارداد خرید تضمینی با سازمان ساتبا بوده و مابقی در راستای اجرای مصوبه سال ۹۵ هیات

محترم وزیران (با موضوع تامین ۲۰ درصد برق مصرفی وزارتخانه‌ها، موسسات، شرکت‌های دولتی

و نهادهای عمومی غیردولتی از محل انرژی‌های تجدیدپذیر) توسط ارگان‌های مشمول مصوبه اجرا و با

نظارت شرکت توزیع به شبکه متصل شده‌اند.

 

وی گفت: شرکت توزیع برق تبریز در راستای ترویج فرهنگ بکارگیری نیروگاه‌ های تجدیدپذیر و تسهیل

فرآیندهای احداث آنها از سال ۹۴ تاکنون نسبت به عقد قرارداد با سازمان انرژی نیروگاه ‌های تجدیدپذیر

و بهره‌وری انرژی برق (ساتبا)، متولی اصلی امور مربوط به نیروگاه‌ های تجدیدپذیر ، اقدام کرده است.

 

وی ادامه داد: در این راستا کلیه‌ مراحل عقد قرارداد، نظارت و اتصال به شبکه در حوزه‌ خدماتی شرکت توزیع

نیروی برق تبریز برای احداث‌ کنندگان نیروگاه‌ های تجدیدپذیر خورشیدی زیر ۱۰۰ کیلووات و بادی

پایین تر از یک مگاوات و محدود به ظرفیت انشعاب توسط این شرکت به نمایندگی از سازمان ساتبا انجام

می‌ شود و نیازی به مراجعه‌ متقاضیان به آن سازمان نیست.

 

کاظمی اظهار داشت: با توجه به مجوزهای صادرشده و قراردادهای مبادله شده پیش‌بینی می‌شود

در سال‌های آتی تعداد ۱۷ نیروگاه های تجدیدپذیر خورشیدی دیگر با ظرفیت کل ۲۵۷ کیلووات

احداث و به شبکه توزیع متصل شوند. وی ادامه داد: تعداد ۱۱مورد از ۱۷ نیروگاه خورشیدی مذکور، با ظرفیت

تجمیعی ۲۴۵ کیلووات مربوط به نیروگاه های تجدیدپذیر خورشیدی محدود به ظرفیت انشعاب زیر ۱۰۰ کیلووات

و ۶ مورد با ظرفیت تجمیعی ۱۱۲ کیلووات مربوط به موضوع مصوبه تامین ۲۰ درصد برق

مصرفی ادارات می‌باشد.

 

با پیج اینستاگرامی ما همراه باشید

منبع

نیروگاه های تجدیدپذیر متصل شده در تبریز - نیروگاه های تجدیدپذیر متصل شده در تبریز

نیروگاه انرژی تجدیدپذیر در فضا

نیروگاه انرژی تجدیدپذیر در فضا این نیروگاه تجدیدپذیر به علت استقرار

در خارج از جو کره زمین قادر به دریافت و ذخیره‌سازی انرژی پاک با بهره‌وری

بیشتر و هزینه کمتر خواهد بود. انرژی ذخیره شده توسط این نیروگاه تجدیدپذیر

به امواج میکروویو یا لیزر تبدیل شده و سپس به زمین تابانده می‌شود.

 

از انرژی حاصل از این نیروگاه مگاواتی می‌توان برای استفاده ماهواره‌ها،

کمک به ساکنان مناطق سیل‌زده یا زلزله‌زده، پشتیبانی از نیروهای امدادی و مناطق

دوردست و کوهستانی استفاده کرد.

 

«وانگ لی» از محققان تحقیقاتی آکادمی فناوری فضایی چین، در ششمین

مجمع مهندسی چین و روسیه که هفته گذشته در Xiamen  در جنوب شرقی استان «فوجیان»

در چین برگزار شد، گفت: این نیروگاه تجدیدپذیر مستقر در فضا، انرژی پاک را که هرگز

به زمین نمی‌رسد، جذب می‌کند.

 

وی گفت: این انرژی سپس به امواج میکروویو یا لیزر تبدیل شده و برای مصرف انسان‌ها

به صورت بی‌سیم به سطح زمین تابانده می‌شود.

 

وانگ گفت: امیدواریم که با تقویت همکاری‌های بین‌المللی به موفقیت‌های علمی و تکنولوژیک

دست یابیم تا بشر بتواند زود هنگام به آرزوی انرژی پاک بی حد و حصر برسد.

 

این محقق افزود: در مقایسه با انرژی فسیلی سنتی، که به طور فزاینده‌ای فرسوده شده

و عامل بروز مسائل وخیم زیست محیطی است، انرژی خورشیدی مبتنی بر فضا کارآمدتر

و پایدار است و یک راه‌حل قابل اعتماد برای تامین انرژی ماهواره‌ها و مناطق

آسیب دیده و یا مناطق جدا شده در زمین ارائه می‌دهد.

 

دولت چین اکنون سرمایه‌ای ۲۸.۴ میلیون دلاری را به پیشبرد طرح مذکور اختصاص داده

تا بتواند این پروژه را تا سال ۲۰۳۵ تکمیل کند.

 

با پیج اینستاگرامی ما همراه باشید

نیروگاه انرژی تجدیدپذیر در فضا - نیروگاه انرژی تجدیدپذیر در فضا

برق خورشیدی ۲۰ هزار نیروگاه تجدیدپذیر

برق خورشیدی ۲۰ هزار نیروگاه تجدیدپذیر طرح جهاد روشنایی با هدف

ساخت نیروگاه های خورشیدی توسط خانوارهای نیازمند تحت پوشش کمیته

امداد امام خمینی (ره) و سازمان بهزیستی امروز (شنبه) با حضور

«محمدباقر نوبخت» رئیس سازمان برنامه و بودجه ، سردار «غلامرضا

سلیمانی» رئیس سازمان بسیج مستضعفین و «مرتضی بختیاری»

رئیس کمیته امداد امام خمینی امضا شد.

 

«حمید پورمحمدی» معاون سازمان برنامه و بودجه در مراسم امضای این

تفاهمنامه گفت: اجرای این طرح بر اساس اجرای قانون بودجه است که با

مشارکت سازمان بسیج انجام می شود.

 

وی اضافه کرد: برای احداث هر نیروگاه ۳۵ میلیون تومان وام اعطا می شود

و برق تولیدی نیز توسط وزارت نیرو خریداری خواهد شد.

 

معاون سازمان برنامه و بودجه گفت: قرار است در گام نخست ۲۰ هزار نیروگاه

برای ۲۰ هزار خانوار روستایی، عشایر و مرزی احداث شود و در گام های بعدی به

۱۰۰ هزار نیروگاه افزایش خواهد یافت.

 

وی اظهار داشت: شرکت های داخلی مانند مپنا این نیروگاه ها را ساخته و در

اختیار دستگاه های مسئول برای نصب قرار می دهند.

 

پورمحمدی خاطر نشان کرد:  ساخت این نیروگاه ها علاوه بر افزایش تولید برق به

تقویت معیشت خانوادهای محروم نیز کمک می کند و پس از مدتی آنها از

پوشش کمیته امداد و نهادهای حمایتی خارج خواهند شد.

 

با پیج اینستاگرامی ما همراه باشید

برق خورشیدی ۲۰ هزار نیروگاه تجدیدپذیر - برق خورشیدی ۲۰ هزار نیروگاه تجدیدپذیر

توان نیروگاه های خورشیدی افزایش یافت

 

توان نیروگاه های خورشیدی افزایش یافت سیدمحمد صادق‌زاده افزود: بر

اساس پیش‌بینی صورت گرفته هر ساله با استفاده از عوارض برق بین 300 تا

500 مگاوات نیز به ظرفیت موجود واحدهای تجدیدپذیر كشور افزوده می شود.

 

وی اضافه كرد:نیروگاه‌های تجدیدپذیر و پاك در مدت 2 سال گذشته در كشور به

نقطه ساختاری خود رسیده و در این بازه زمانی برخی از واحدها مانند نیروگاه‌های

خورشیدی مگاواتی برای نخستین بار در كشور راه‌اندازی شده و اكنون 50

نیروگاه خورشیدی مگاواتی در ایران مشغول به فعالیت هستند.

 

به گفته رئیس سازمان انرژی‌های تجدیدپذیر و بهره‌وری انرژی برق (ساتبا)،

اكنون فناوری و نحوه بهره‌برداری از این نیروگاه‌ها بومی شده و صنایع وابسته به

آن مانند تولید پنل، اینورتر، استراكچر، كابل‌ها و تجهیزات وابسته به آن در داخل

كشور تولید می شود.

 

صادق زاده گفت: تلاش می شود در سال 98 روش جدیدی ایجاد شود كه تولید و

مصرف برق تجدیدپذیر بدون وابستگی به دولت مستقیم از مردم به مردم و از

طریق بخش خصوصی به مصرف كنندگان شكل بگیرد.

 

وی تاكید كرد: دولت با دریافت عوارض

برق از مصرف‌كنندگان انرژی به عنوان مالیات سبز نقش مهمی را در روند توسعه

انرژی‌های تجدیدپذیر در كشور ایفا می كند.

 

معاون وزیر نیرو با تاكید بر اینكه سازگار بودن نیروگاه‌های تجدیدپذیر با اقلیم

ایران در 2 سال گذشته به اثبات رسیده افزود: این واحدها بدون مصرف سوخت

و ایجاد آلودگی بیشترین میزان تولید خود را در زمانی ایجاد می‌كنند كه كشور

ما بیشترین نیاز به مصرف برق را دارد.

صادق‌زاده افزود: الگوی تولید انرژی‌های

تجدیدپذیر در كشور ما عمده مربوط به فصل تابستان است و اوج مصرف برق

كشور نیز در این بازه زمانی قرار گرفته است. وی گفت: تلاش می شود تا تولید و

مصرف انرژی تجدیدپذیر از مردم به مردم باشد، در واقع به شكل مستقیم برق

را تولید كنند و سپس آن را به مصرف شخصی برسانند و یا به دیگران بفروشند

و می توانند آن را صادر كنند.

 

معاون وزیر نیرو خاطرنشان كرد: حلقه موجود برای نیروگاه‌های تجدیدپذیر از

مسیر دولت می‌گذرد و معمولا پرپیچ و خم و دارای فراز و نشیب‌های می‌شود كه

می‌تواند توسعه این واحدها را متلاطم كند، اما در روش جدید این مسیر وجود

نخواهد داشت.

 

صادق‌زاده تاكید كرد: بر اساس پیش‌بینی صورت گرفته تا پایان سال آینده ظرفیت

نیروگاه‌های تجدیدپذیر از طریق روش قبلی به یك هزار و 200 مگاوات خواهد

رسید و با ایجاد روش جدید نیز امیدواریم در همان سال نخست اجرای

طرح چند صد مگاوات نیروگاه تجدیدپذیر جدید در كشور راه‌اندازی شود.

 

با پیج اینستاگرامی ما همراه باشید

توان نیروگاه های خورشیدی افزایش یافت - توان نیروگاه های خورشیدی افزایش یافت