Uz eksponencijalni rast skale fotonaponske elektrane, tradicionalni model rada i održavanja taktike "ljudskog vala" više se ne može nositi - elektrana od 1 GW zahtijeva stotine osoblja za rad i održavanje, a problemi poput odgođenog otkrivanja kvarova komponenti, netočno vrijeme čišćenja i visoke proizvodnje gubitka energije postaju istaknute. Digitalni rad i održavanje, kroz tehnologije poput Interneta stvari, umjetne inteligencije i dronova, pretvorio je fotonaponske elektrane u "razmišljanja organizma", postizanje preciznog položaja grešaka, optimizaciju energetske učinkovitosti u stvarnom vremenu i značajno smanjenje troškova, pokretanje inteligentne ere fotonaponske operacije i održavanja.
1 Ukupna percepcija: izgradnja "mreže neuronskog terminala" za elektrane
Svaka fotonaponska ploča postaje inteligentni osjetilni čvor. Nova generacija fotonaponskih modula opremljena je mikro senzorima koji prikupljaju parametre u stvarnom vremenu poput temperature, struje i napona. Podaci se prenose na platformu Cloud putem LORA ili NB IoT bežične mreže. U fotonaponskoj elektrani od 1,2 GW, 2 milijuna modula prenose podatke svakih 15 minuta, formirajući ogromnu bazu podataka od 10 TB/godišnje, pružajući temelj za AI analizu. Kad temperatura komponente premaši prag od 5 stupnjeva, sustav ga automatski označava kao "sumnjivu grešku" i pokreće daljnju dijagnozu.
Inspekcija bespilotnih letjelica riješila je problem uvida u velike elektrane. Drone opremljen kamerama visoke razlučivosti i infracrvenim termalnim slikama može pregledati 500000 četvornih metara na sat, što je 50 puta učinkovitije od ručnog pregleda. Kroz algoritme za prepoznavanje slike, dronovi mogu automatski identificirati probleme poput skrivenih pukotina, vrućih točaka i pokrivanja prašine u komponentama, sa stopom točnosti od 98%. Nakon uvođenja bespilotnih zračnih vozila za inspekciju u određenoj elektrani, vrijeme za otkrivanje grešaka skraćeno je s prosjeka od 7 dana do 2 sata, što je rezultiralo godišnjim smanjenjem od 1,5 milijuna kilovat sati gubitka proizvodnje električne energije.
Sustav meteorološkog predviđanja postiže točno predviđanje proizvodnje energije. Na temelju satelitskih slika u oblaku, prizemnih meteoroloških stanica i podataka o povijesnom stvaranju energije, AI model može predvidjeti fotonaponski izlaz u narednih 72 sata, s brzinom pogreške kontroliranom u roku od 8%. To pruža pouzdanu osnovu za otpremu električne mreže, smanjujući stopu odstupanja dnevnog plana u elektrani u GANSU -u s 15% na ispod 5%, izbjegavajući novčane kazne uzrokovane fluktuacijama izlaznih rezultata.
2 Inteligentno donošenje odluka: AI pokretana optimizacija strategija rada i održavanja
Algoritmi strojnog učenja postali su "najbolji operativni savjetnik". Analizom povijesnih podataka, AI modeli mogu identificirati obrasce degradacije komponenti - na primjer, ako se utvrdi da serija komponenti doživljava 10% povećanje stope degradacije tijekom visokih temperatura ljeti nakon 3 godine rada, na ovome se može razviti ciljani plan održavanja: rano čišćenje u proljeće svake godine i povećana učestalost inspekcije u ljetu. Nakon što je ovaj model primijenio na određenu elektranu, prosječna godišnja stopa prigušenja komponenti smanjila se s 2,5% na 2,0%, a ukupna proizvodnja energije povećala se za 3% u 25 godina.
Inteligentni sustav zakazivanja čišćenja ostvaruje "čišćenje na zahtjev". Kombinirajući modele taloženja prašine, vremenske prognoze i predviđanja gubitka energije, sustav automatski izračunava optimalno vrijeme čišćenja. U elektrani u Xinjiangu, sustav smanjuje učestalost čišćenja s 2 puta mjesečno na 1-3 puta, uštedeći 30% vode, istovremeno osiguravajući da gubitak proizvodnje električne energije uzrokovan prašinom ne prelazi 2%. Za praćenje fotonaponskih nizova, sustav također može kontrolirati nosač kako bi se okrenuo prema optimalnom kutu i surađivao s robotima za čišćenje radi poboljšanja učinkovitosti čišćenja.
Dijagnoza grešaka prešla je s "popravka nakon popravka" na "prije upozorenja". Na temelju analize vibracija i tehnologije prepoznavanja glasa, AI može odrediti stupanj unutarnjeg starenja kondenzatora kroz operativni zvuk pretvarača i upozoriti na greške 6 mjeseci unaprijed. Slučaj određene tvrtke za rad i održavanje pokazuje da se nakon usvajanja prediktivnog održavanja troškovi popravljanja grešaka pretvarača smanjuju za 60%, a neplanirani prekid vremena smanjuje se za 80%.
3 Digitalni blizanac: Upravljanje cijelim životnim ciklusom Kombinirajući virtualne i stvarnost
Digitalna Twin tehnologija gradi 'virtualnu sliku' elektrane . 1: 1 Obnova sve opreme i okruženja fotonaponske elektrane u računalu i mapiranje radnog stanja fizičke elektrane u stvarnom vremenu. Simuliranjem proizvodnje energije u različitim uvjetima osvjetljenja i temperature, izgled komponente može se optimizirati - novoizgrađena elektrana prilagodila je razmak komponente s 3 metra na 3,5 metara digitalnom simulacijom blizanaca, povećavajući proizvodnju električne energije stražnjih komponenti za 5% i povećavajući povrat ulaganja za 1,2 posto.
U obnovi elektrana istaknuta je vrijednost simulacijske funkcije digitalnih blizanaca. Za staru elektranu koja radi već 10 godina, virtualna zamjena različitih vrsta pretvarača i komponenti koristi se za simulaciju učinkovitosti proizvodnje energije nakon obnove i odabir optimalnog rješenja. Određena elektrana odabrala je metodu obnove "zadržavanja komponenti+zamjena visoko učinkovitih pretvarača" na temelju to, što je uštedjelo 40% troškova u usporedbi s punim planom zamjene i povećanom proizvodnjom energije za 12%.
Centar za daljinsko djelovanje i održavanje postiže preciznu kontrolu od tisuća kilometara. U sjedištu za rad i održavanje u JIANGSU -u, inženjeri mogu daljinsko upravljati inspekcijskim robotom elektroenergetske stanice Xinjiang, prilagoditi kut nosača za praćenje i pokrenuti/zaustaviti pretvarač kroz digitalni dvostruki sustav. Ovaj centralizirani način rada i održavanja smanjuje broj osoblja za rad i održavanje za elektranu 1GW sa 100 na 30, smanjuje troškove rada za 70%i poboljšava brzinu odgovora na razinu minute.
Digitalni rad i održavanje fotonaponskih elektrana u osnovi uključuje zamjenu ručnog rada s protokom podataka i upotrebu optimizacije algoritma umjesto empirijske prosudbe. Ova transformacija ne samo da poboljšava učinkovitost pojedinih elektrana, već također omogućuje upravljanje fotonaponskim elektranama velikih razmjera-kada AI može istovremeno upravljati 10GW ili čak 100GW fotonaponskih imovina, jeftina i visoka učinkovitost čiste energije će poduzeti novi korak naprijed, pružajući solidnu tehničku podršku.