Artykuły

Wstęp

Odnawialne źródła energii mogą być kluczem do rozwiązania aktualnych i nadchodzących problemów energetycznych. Energia słoneczna jest przyjazna dla środowiska i dostarcza prąd elektryczny do miejsc, w których trudno jest zbudować konwencjonalną infrastrukturę. Ogniwa fotowoltaiczne (PV) w ujęciu ich sprawności z metra kwadratowego stają się z każdym rokiem tańsze.

W Polsce, ostatnie lata to dynamiczny rozwój branży fotowoltaicznej. Przez 12 miesięcy 2021 roku łączna moc instalacji fotowoltaicznych niemal podwoiła się, osiągając 7,67 GW. W obecnej dekadzie Unia Europejska planuje instalować średnio 45 GW nowych mocy PV rocznie. A do końca 2030 roku chce zrealizować cel 600 GW. Natomiast w 2022 roku produkcja prądu przez instalacje fotowoltaiczne w Polsce osiągnęła rekordowe 5 GW mocy (Oleszko-Pyka 2022).

Razem z dalszym rozwojem branży pojawiają się także nowe wyzwania. Związane są one z zaburzeniami w
łańcuchach dostaw, wzrostem cen komponentów, kryzysem energetycznym oraz wprowadzaniem fotowoltaiki na rozchwiany rynek energii w sytuacji ograniczeń sieciowych. Wymagać to będzie od branży dodatkowego wysiłku w budowaniu nowych kompetencji i tworzeniu nowych modeli biznesowych. Bez tego trudno będzie dalej przeprowadzać transformację energetyczną opartą na fotowoltaice i OZE. W Polsce liczba prosumentów zbliża się do miliona. Operatorzy sieci dystrybucyjnej wskazują problemy dotyczące napięć i konieczności większego wykorzystywania energii na miejscu. Tymczasem gospodarstwa domowe wyposażone w instalacje OZE są w stanie na bieżąco wykorzystać tylko jedną piątą produkowanej energii.

Istnieją jednak dwie duże przeszkody, które utrudniają zwiększanie udziału energii konsumowanej “na bieżąco”. W przypadku paneli fotowoltaicznych energia oczywiście produkowana jest wyłącznie w ciągu dnia, a jej ilość wyprodukowana zależy w dużym stopniu od aktualnej pogody. Algorytmy uczenia maszynowego w połączeniu z danymi pogodowymi oraz systemami magazynowania energii mają potencjał do pokonania tych barier, co skutkuje bardziej efektywnym wykorzystaniem odnawialnych źródeł energii.

W tym artykule dowiesz się więcej o przewidywaniu szeregów czasowych, na przykład w zależności od warunków zewnętrznych (pogodowych) oraz jak można poprawić przewidywania wykorzystując wiedzę dziedzinową o zmiennej docelowej.

Wróżenie z fusów?

Problem z zakładaniem nowych instalacji opartych o odnawialne źródła energii polega na tym, że trudno jest przewidzieć, ile energii będzie ona generować po jej wybudowaniu. Oczywiście, możemy dość dokładnie obliczyć ilość energii słonecznej docierającej do powierzchni Ziemi w idealnych warunkach pogodowych. Firma Solargis opublikowała mapy potencjału energetycznego w zależności od lokalizacji.

Jednak wahania pogody i unikalny mikroklimat każdej lokalizacji wpływają na bieżącą produkcję energii przez instalacje odnawialnych źródeł energii. Wymusza to planowanie zadań, które wymagają dużej mocy. Ponadto dzienne fluktuacje mocy dostępnej z instalacji sprawiają, że aby zmaksymalizować korzyści środowiskowe i finansowe wynikające z wykorzystania energii odnawialnej, musimy zmienić nasze przyzwyczajenia.

Uczynienie systemu elektroenergetycznego inteligentnym i elastycznym pomoże zoptymalizować nasze zachowania i zarządzać zużyciem energii w gospodarstwie domowym. Zadania energochłonne można zaplanować na dni, godziny, a nawet minuty najlepszych warunków pogodowych. Wreszcie, po oszacowaniu realnej produkcji danego systemu, możemy równocześnie dowiedzieć się, jak szybko zwróci się inwestycja.

Szeregi czasowe

Dane da się przewidzieć matematycznie, wykorzystując techniki prognozowania szeregów czasowych. Szereg czasowy to uporządkowany zbiór wartości badanej cechy lub wartości określonego zjawiska, zaobserwowanych w różnych momentach czasu.

Prognozowanie szeregów czasowych jest niczym innym jak próbą analizy i wnioskowania o możliwych przyszłych wartościach danego szeregu/ Wykorzystuje się do tego techniki matematyki, statystyki i uczenia maszynowego.

Umiejętność przewidywania prawdopodobnej ewolucji wartości i trendów może wpływać na strategię i podejmowanie ważnych decyzji, na przykład biznesowych. Dlatego kluczowe jest, aby mieć pewność, że można polegać na prognozowaniu. Wybór, budowa i interpretacja metryk dokładności prognoz są równie ważne jak samo tworzenie prognoz.

Przyglądamy się danym i ustalamy wskaźniki sukcesu

Pierwszym krokiem do opracowania modelu predykcyjnego dla konkretnych szeregów czasowych jest zidentyfikowanie i zrozumienie podstawowego wzorca danych w czasie. Dane zebrane w ciągu kilkunastu miesięcy z przykładowej instalacji fotowoltaicznej zawierają uzyskaną energię elektryczną, mierzoną w kilowatogodzi-

nach (kWh). Podobnie jak w baterii smartfona, jednostka “kilowatogodzina” opisuje ilość wyprodukowanej
energii, którą można wykorzystać do zasilania urządzeń domowych. 1 kilowatogodzina odpowiada ilości
energii zużywanej w ciągu godziny przez urządzenie o mocy 1000 W.

Inną metryką jest bieżąca produkcja energii (mierzona w kilowatach), która opisuje, ile energii w konkretnym momencie może dostarczyć panel słoneczny. Na przykład, jeśli ogniwa fotowoltaiczne produkują 1000 W w konkretnym momencie, to teoretycznie możliwe jest zasilenie dwóch urządzeń o zapotrzebowaniu 450 W każde i pozostaje 100 W. Ale do zasilenia frezarki o mocy 2500 W może być konieczne pozyskanie dodatkowej mocy z sieci publicznej.

Po konsultacjach z odbiorcami prognoz ustala się, jakie informacje będą dla nich najcenniejsze. dla nich będzie informacja o dziennej spodziewanej liczbie kilowatogodzin. Załóżmy, że rzeczywiste wyposażenie domu nie wymaga stosowania wyrafinowanych technik zarządzania przepływem energii, więc w dającej się przewidzieć przyszłości moment podawania mocy systemu nie będzie miał zastosowania. W dalszej części artykułu skupimy się zatem na całkowitej energii wyprodukowanej (lub do wyprodukowania) w danym dniu. Horyzont prognozy będzie wynosił 5 dni.

Co właściwie składa się na dokładność prognozy?

Wybór metody szacowania dokładności często zależy od domeny problemu. Pochopnie dobrana metryka
może spowodować podejmowanie złych decyzji i niezadowolenie klienta z wyników prognozowania zoptymalizowanych pod kątem KPI (ang. key performance indicators, kluczowe wskaźniki efektywności), które nie pasowały do konkretnego przypadku biznesowego. Przykładowo, model może mieć niski błąd średniokwadratowy, ale jednocześnie nie przewiduje nagłych odchyleń od “codziennej normalności” wartości lub zmian trendu (co może mieć kluczowe znaczenie w zarządzaniu zużyciem energii).

Jakie są czynniki wpływające na efektywność paneli słonecznych?

W teorii produkcja kilowatogodzin przez system PV zależy od tego, ile światła słonecznego padnie na panele fotowoltaiczne i jak długo będzie się to działo. Ilość dostępnego światła słonecznego zależy od lokalnych zasobów słonecznych, warunków pogodowych, orientacji paneli, ilości zacienienia, projektu systemu i rodzaju montażu (montaż na ziemi lub na dachu).
Każda instalacja jest inna. Czynniki takie jak kąt nachylenia PV, okablowanie i warunki pogodowe specyficzne dla danej lokalizacji mogą prowadzić do krótkotrwałej zmienności wyników.

Lokalizacja
Jak widać na mapie umieszczonej powyżej (rys. 1), różne części powierzchni Ziemi otrzymują różne ilości
światła słonecznego. Wartość ta zależy głównie od szerokości geograficznej.

Warunki pogodowe
Zmienne, które mogą mieć fizyczny wpływ na produkcję energii elektrycznej przez ogniwa PV:

• temperatura powietrza,
• opady atmosferyczne,
• opady śniegu,
• wilgotność względna,
• zachmurzenie,
• czas trwania nasłonecznienia,
• promieniowanie słoneczne.

Zachmurzenie nie musi oznaczać, że do paneli słonecznych nie dotrze żadne światło słoneczne, ale jego ilość odpowiednio mniejsza. Ponadto ogniwa fotowoltaiczne są często instalowane na dachach wysokich budynków. Nie każda zmienna, którą możemy zebrać jest też łatwa do przewidzenia w przyszłości. Dlatego przy doborze wartości, które chcemy wykorzystać do tworzenia prognozowania energii, musimy kierować się nie tylko ich skutecznością dla modelu, ale też dostępnością prognoz dla tych zmiennych.

Podejście zaproponowane w tym artykule jest możliwe do dostosowania do wszystkich instalacji i jest niezależne od jakichkolwiek cech charakterystycznych dla urządzenia (takich jak deklarowana sprawność ogniw PV). Również celem pobocznym jest wykorzystanie regresorów łatwo dostępnych w większości serwisów z prognozami pogody.

Temperatura Co ciekawe, temperatura powietrza jest ważna nie dlatego, że koreluje tylko z aktywnością
słońca. Od temperatury zależy sprawność ogniwa PV, która wzrasta, gdy temperatura spada, a maleje, gdy
temperatura rośnie.

Zbiór danych pogodowych Jak wiadomo z poprzednich części, wiarygodne dane pogodowe są kluczowe dla krótko- i długoterminowego przewidywania produkcji energii. Powinniśmy rozróżnić dwa rodzaje danych pogodowych: historyczne (z pomiarów w świecie rzeczywistym) i prognozowane. Podobnie jak w modelu przyszłej energii słonecznej, prognoza pogody siłą rzeczy również jest modelowana. Podczas tworzenia modeli należy zawsze skupić się na domenie problemu i zdecydować, czy model powinien być trenowany przy użyciu historycznych prognoz pogody, czy raczej przy użyciu przeszłych rzeczywistych pomiarów.

Z drugiej strony, jeśli masz przewidzieć wyniki pomiarów wielkości fizycznych, lepiej będzie wziąć pod uwagę rzeczywiste pomiary przeszłych prognostyków. Wtedy wynikowy błąd prognozy będzie miał trudniejszy do analizy rozkład losowy (wynikający z interferencji między modelem wynikowym a modelem prognozy pogody). Ale jednocześnie model będzie odporny na zmiany w modelowaniu pogody.

Przykładowo, jeśli trzeba przewidzieć zakup biletów do parku rozrywki, lepiej uwzględnić prognozę pogody, bo konsumenci często biorą ją pod uwagę, planując takie aktywności. Zaletą tego podejścia jest również to, że (przy założeniu stabilności samej prognozy pogody) błąd prognozy pogody będzie miał łatwiejszy do przewidzenia wpływ na ostateczne prognozy.

W rozwiązaniu opisanym w artykule (Rybnik (2021)) wykorzystano dane historyczne dotyczące pogody, ponieważ dostępne światło słoneczne jest zmienne w zależności od rzeczywistych warunków fizycznych. Kiedy wiarygodne historyczne dane pogodowe nie są dostępne dla lokalizacji paneli słonecznych, dane symulacyjne mogą być dobrym kompromisem. Należy tutaj rozróżnić historyczne dane symulacyjne od prognoz pogody. Te pierwsze są obliczane na podstawie pomiarów satelitarnych, i zwykle charakteryzują się lepszą dokładnością, niż historyczne prognozy pogody.

Jak wyglądają przykładowe prognozy?

Najważniejszym produktem tworzenia modeli predykcyjnych jest oczywiście wartość energii, jaka ma być
wyprodukowana w przyszłości. Sposób prezentacji zależy od wymagań końcowego odbiorcy i może mieć, na przykład, postać wykresu lub tabeli.

Modele naiwne (rys. 5)

Modele naiwne przewidywania szeregów czasowych opierają się wyłącznie na poprzednich wartościach prognozowanej zmiennej i nie biorą pod uwagę zmiennych zewnętrznych.

Sztuczna inteligencja (rys. 6)
Znacznie lepsze wyniki osiągają wyrafinowane metody prognozowania. Po wykorzystaniu narzędzia Facebook Prophet (opartego sieci neuronowe), da się przewidywać okresy wzmożonej produkcji energii.

Wnioski i dalsze kroki

Przy wykorzystaniu stosunkowo niewielkiej liczby zmiennych pogodowych można z zadowalającą dokładnością prognozować produkcję energii elektrycznej przez panele PV. Co ważne, przewidywania zmiennych objaśniających są łatwo dostępne w większości prognoz pogody.
Modele predykcyjne, świadome tego, jak kształtują się ceny, podaż i popyt oraz znające przyszłe prognozy produkcji energii, mogą przygotowywać rekomendacje dla właścicieli co do ich zachowań na rynku energii. Może to stworzyć dodatkowe możliwości zarobku dla użytkowników odnawialnych źródeł energii.