揭开太阳能项目数据分析的面纱

从光伏杂志 12/24-01/25

就在十多年前，桑迪亚国家实验室成立了光伏性能建模协作组织 (PVPMC)。桑迪亚表示，PVPMC 正在提高光伏系统性能建模的透明度和准确性，该组织帮助利益相关者聚集在一起改进建模实践。桑迪亚的高级科学家 Joshua Stein 认为现在是时候进行类似的努力来阐明光伏电站性能监控的数据分析了。

“人们谈论故障分析和监控的方式缺乏标准化和协调性，”他向我们解释道 光伏杂志。目前，一些公司提供的服务包括基于光伏电站监测数据的数据分析以及故障识别和分类。然而，这些公司各自使用自己的一套故障定义，这意味着很难比较和对比这些服务的价值。

“想象一下，如果您访问的每一位医生或医院都使用自己的一套诊断和临床实践。”斯坦说。– 获得第二意见将非常困难且令人困惑。大多数成熟的行业都会标准化其故障定义和缓解程序。太阳能光伏发电还没有完全实现。 –

一方面，引入机器学习技术来自动检测光伏系统的故障使情况进一步变得混乱。斯坦因小心翼翼地澄清，他并不反对机器学习。“基于机器学习的自动化故障检测是有益的，因为它可以带来高度可扩展的分析，”Stein 说。

重新思考 KPI

从开发阶段到资产所有者和运维提供商之间的合同协议，技术关键绩效指标（KPI）对于评估光伏电站至关重要。

“虽然 IEC 和 ASTM 标准定义了一些 KPI，例如性能比 (PR) 和容量测试，但它们的计算方法通常会有所不同或依赖于用户解释，从而导致结果不确定，”Stein 的桑迪亚实验室同事说道马里奥斯·泰里斯蒂斯。

– 例如，数据处理具有很大的灵活性，这可能会引入影响合同和财务决策的偏差。如果没有明确的 KPI 定义和统一的计算，合同可能会受到不公平的影响——不是因为实际绩效不佳或绩效过高，而是因为计算偏差，”他补充道。

不良数据是指通过不适当的手段获得的无用数据。它包含错误或不干净。这反过来又给光伏利益相关者带来了问题，他们依靠它来告诉他们系统的实际性能。

标准的行业惯例是资产所有者将运营和维护服务分包给运营和维护提供商。这意味着合同协议规定发电厂得到适当维护并满足某些关键绩效指标。

– 如果数据质量不好，那么 KPI 估计中就会出现一些偏差。这种偏差可以是正的，也可以是负的。在公关偏差为负的假设情况下，运维提供商将不公平地支付因数据质量而不是绩效不佳引起的罚款。”Theristis 说道。

反过来，由于数据质量而不是工厂超性能造成的偏差，运维提供商也可以受益。Theristis 继续说道： – 在某些情况下，将运营 PR 与光伏设计软件生成的施工前 PR 进行比较，从而进行苹果与橘子的比较：PR 差异是否是由于施工前过于乐观造成的模拟还是实际表现不佳？

计划透明度

Theristis 已启动一项新计划来解决这些问题，即光伏运维分析协作 (PVMAC)。他在2024年9月于维也纳举行的欧盟PVSEC会议上介绍了该项目。

– 我们的目标是创建一个协作网络，以提高光伏分析软件和服务的透明度，与监控/分析公司、运维提供商、资产所有者、保险公司合作，并帮助这些利益相关者聚集在一起就需要哪些标准和提高整体市场的透明度，”他说。

该团队还使用 Sandia Labs 的超级计算机在美国各地运行模拟，以减少 KPI 估算的不确定性。

PVMAC 仍然很新，但在接下来的几个月里，研究人员将与业界会面，进行访谈和测试，例如盲分析比较。这涉及向利益相关者提供真实或综合的性能数据，并要求他们识别和分类故障并计算 KPI。

– 盲目比较是评估行业实践状况以及不同提供商之间一致性的好方法。

“我们预计这些比较将突显不同公司在定义故障和计算 KPI 方面的差异，”Stein 说。

“我们计划在即将召开的 PVPMC 研讨会上举办有关 O&M 分析、故障和 KPI 协调的专门会议，”Theristis 补充道。

标准化绩效

两位科学家希望，通过揭示任何不一致之处，可以更容易地就标准化所需的步骤达成共识。例如，提供性能保证的运维提供商可能会被激励不很好地清洁辐照度传感器，因为肮脏的日射强度计会使光伏性能看起来比实际情况更好。Stein 和 Theristis 的目标是快速确定光伏电站表现不佳的原因，并提出解决问题的策略。

事关重大，即使大型光伏电站表现不佳的一小部分也会导致重大财务损失。斯坦认为测量光伏系统的性能与测量人的健康没有太大不同。

– 您收集有关患者的数据，例如生命体征、病史，如果这些数据表明问题更严重，则需要进行更多检查。至少在医学领域，标准几乎是国际化的，所以无论你走到世界的哪个地方，你都会以类似的方式接受评估。

– 我希望通过光伏发电，我们可以拥有类似的系统。例如，石油和天然气行业已经标准化。如果你去世界上任何国家的石油钻井平台或燃气轮机，标准都是相似的，”他说。

纠结的网

发电厂管理不善也会带来问题。Theristis 警告说，尽管有许多运维产品和服务可用，但资产所有者可能对投资数据质量、运维和分析能力的潜在好处缺乏“定量知识”。“这些解决方案尚未实现透明度，并且缺乏独立验证，”他说。

斯坦表示，使用有监督的机器学习方法进行分类比无监督更好，因为前者可以让你告诉算法类别是什么。

“但许多人选择无人监督，这基本上表明存在问题，但不一定具体说明问题，”斯坦说。– 它可能会陷入聚类算法中，聚类算法认为所有这些问题在某种程度上都是相似的，然后如果您在多个数据集上使用相同的实践，您最终可能会得到聚类数据，但它是出于不同的原因而聚类的。

——这是机器学习的危险之一；它适用于特定的数据集，但很难将其扩展到您尚未对其进行训练的其他数据集。”

如果要有效地使用机器学习来监控故障检测，业界必须首先就如何定义这些故障达成一致。斯坦表示，并非所有销售和使用人工智能或机器学习解决方案来识别故障的公司都一致且透明地使用这些方法。

– 我们看到的问题是并非所有公司都在做同样的事情。有些公司做得非常好，拥有非常有价值的产品，但没有人真正提出标准和验证，以便这些公司能够得到适当的估值，对吧？

这位科学家警告说，“人工智能炒作”可能是罪魁祸首。– 许多公司宣传他们的软件使用人工智能技术，但很少有人愿意准确描述它是如何使用的。因此，每家公司都有自己的“诊断手册”，以了解光伏系统可能出现的问题。”他说。

“人工智能有时只是一个流行词。”