Gli allarmi di produzione errata avvisano se c'è una deviazione tra i valori target e quelli misurati, a livello di sistema o di inverter. Esistono diversi metodi per stimare la produzione teorica (“simulazione”) del sistema in modalità operativa normale:
- Confronto automatico degli inverter
- Modello di simulazione fisica
- Simulazione basata sull'apprendimento automatico
Se la deviazione supera il valore di soglia definito come “Normale”, viene attivato un allarme. Il fatto che la gravità dell'allarme sia "Alta" o "Critica" dipende dalle soglie impostate
Il valore target e il confronto con il valore misurato vengono calcolati ad intervalli sia per l'intero sistema che per ciascun inverter ogni volta che i dati vengono aggiornati. È possibile definire tre diverse gravità di allarme in base al grado di deviazione.
Se la deviazione cambia nel tempo, la gravità dell'allarme viene aggiornata automaticamente. Uno strumento fittizio nell'interfaccia utente VCOM può aiutare a testare l'effetto di diversi valori sull'allarme.
Metodi di simulazione
Per la stima della produzione teorica vengono utilizzati i seguenti metodi.
Metodo 1: confronto automatico degli inverter
In questo metodo la fonte del valore nominale viene determinata confrontando gli inverter tra loro. La rispettiva configurazione di ingresso viene considerata automaticamente. Per questo, tutti gli inverter sono raggruppati in base ai loro rapporti di ingresso. Quindi, l'inverter con le migliori prestazioni (quello con la potenza normalizzata più alta) viene stabilito come riferimento per gli altri inverter di quel gruppo. Nella fase successiva la potenza normalizzata viene considerata un valore target per gli inverter da confrontare.
Caso d'uso 1: configurazioni corrispondenti
In questo scenario, il VCOM Cloud formerebbe due gruppi:
Gruppo 1: inverter 1 e inverter 2 (rapporto 1:1 di 95°/20° e 275°/20°)
Gruppo 2: inverter 3 e inverter 4 (rapporto 1:1 di 95°/30° e 275°/30°)
Caso d'uso 2: configurazioni multiple che non corrispondono a un'altra configurazione
In questo scenario, il VCOM Cloud formerebbe tre gruppi
Gruppo 1: inverter 1 e inverter 2 (rapporto 1:1 di 95°/20° e 275°/20°)
Gruppo 2: inverter 3 e inverter 4 (rapporto 1:1 di 95°/30° e 275°/30°)
Gruppo 3: inverter 5 e inverter 6 (resto)
Caso d'uso 3: configurazione singola che non corrisponde a nessun'altra configurazione
In questo scenario il VCOM Cloud formerebbe un solo gruppo contenente tutti gli inverter. Altrimenti non ci sarebbe alcun riferimento all'Inverter 3.
Metodo 2: modello di simulazione fisica
Per raccogliere i dati necessari dalla configurazione del sistema (orientamento e inclinazione del sistema), viene innanzitutto calcolata la potenza specifica (modulo e inverter) per ciascun sottosistema di orientamento. La simulazione viene quindi generata in base ai valori di irraggiamento per ciascun sottosistema di orientamento. Ogni sottosistema viene simulato con l'irraggiamento proveniente dal sensore ad esso più simile. La somiglianza tra sottosistemi e sensori viene determinata calcolando la correlazione tra le misurazioni della potenza del sottosistema e il valore di radiazione del sensore.
- Viene recuperata la configurazione del sistema e viene definito il sottosistema di orientamento
- I sensori installati nell'impianto FV vengono mappati sul rispettivo sottosistema di orientamento. Vengono presi in considerazione i valori della temperatura
- Viene calcolata la potenza specifica per ciascun sottosistema di orientamento
- I valori degli inverter e la potenza installata dei moduli vengono utilizzati per calcolare il rendimento specifico per ciascun sottosistema di orientamento
- Il valore target per intervallo viene calcolato a livello di sistema come valore specifico
- Il valore target per intervallo viene calcolato a livello di sistema come valore assoluto
Metodo 3: apprendimento automatico
Gli algoritmi di machine learning analizzano i dati di misurazione storici dell'impianto fotovoltaico e ottimizzano la simulazione fisica. Ciò riduce la deviazione tra la potenza misurata e la potenza target per ottenere il valore target più accurato. Il metodo di simulazione dell'apprendimento automatico può aiutarti a ottenere i risultati più accurati. Per applicare l’apprendimento automatico, il sistema deve soddisfare i seguenti criteri:
- Sono validi almeno il 70% dei dati diurni
- Sono disponibili almeno due settimane di dati di allenamento validi negli ultimi 30 giorni.
Se mancano dati di addestramento validi, la simulazione ottimizzata per il machine learning non sarà disponibile e verrà visualizzato un messaggio nella pagina di configurazione della simulazione.
Questo articolo è stato tradotto automaticamente.