Vědci z Číny vyvinuli nový systém, který dokáže detekovat stejnosměrné oblouky ve fotovoltaických instalacích prostřednictvím neuronové sítě se zpětným šířením. Nová technika údajně zajišťuje dobu detekce méně než 200 ms. Výzkumníci z čínské univerzity Tianjin a výrobce invertorů Ginlong

Vědci z Číny vyvinuli nový systém, který dokáže detekovat stejnosměrné oblouky ve fotovoltaických instalacích prostřednictvím neuronové sítě se zpětným šířením. Nová technika údajně zajišťuje dobu detekce méně než 200 ms.

Výzkumníci z čínské univerzity Tianjin a výrobce invertorů Ginlong Solis vyvinuli novou metodu založenou na umělé inteligenci pro detekci stejnosměrného oblouku ve fotovoltaických systémech.

Stejnosměrný oblouk vzniká ve FV polích, když dojde k elektrickému výboji mezi vodivými částmi na této straně systému. Vysoká energie a teplota obsažená v procesu ionizují okolní plyny a vytvářejí plazmovou dráhu, aby proud mohl dále protékat. ,,FV DC obloukové poruchy mohou způsobit požár, poškodit majetek a ohrozit životy lidí," uvedla skupina. ,,Mnoho zemí zavedlo standardy detekce stejnosměrného oblouku a definovalo ochranu proti poruchám stejnosměrného oblouku kvůli katastrofálním následkům stejnosměrných oblouků."

Nová technika se zakládá na algoritmu rychlé Fourierovy transformace (FFT) a metodě odhadu strojového učení pomocí neuronové sítě zpětného šíření (BPNN). FFT je algoritmus často používaný k analýze signálů a v tomto výzkumu byl použit pro převod FV proudu do frekvenční oblasti. BPNN je tréninková metoda strojového učení, která se opravuje změnou váhy, kterou dává různým vrstvám svého mechanismu porozumění.

Technologie AI pro detekci stejnosměrného oblouku 

V prvním kroku navrhované metody jednotka digitálního signálového procesoru (DSP) vzorkuje střídavé složky proudu na straně FV, dokud nedosáhne stovek bodů. Poté použije algoritmus FFT k získání výsledků ve frekvenční oblasti a odstranění složek nízkofrekvenčního rozsahu (méně než 41 kHz) a vysokofrekvenčního rozsahu (nad 102,5 kHz).

V následujícím kroku se zbývající vzorky rozdělí do osmi skupin a přidají se k analýze BPNN. Pomocí těchto osmi skupin model AI zpracuje data a rozhodne, zda existuje oblouk. Pokud ano, odešle povel na konec FV DC/DC k přerušení oblouku.

„Proces přerušení oblouku lze provést lokálně, čímž se eliminuje potřeba rozhodování na úrovni invertoru a vrstvě oblačnosti,“ dodali. „V důsledku toho je spolehlivost systému relativně vysoká. Nevýhodou se stává, že algoritmy se primárně implementují na PV-end vrstvě. Navíc, protože tréninková data jsou uložena lokálně, musí mít místní jednotky větší fyzickou paměť pro ukládání dat."

Model AI se trénuje dvěma způsoby – online a offline. V offline případě se shromážděná tréninková data vkládají do algoritmů v počítači, což zlepšuje schopnosti řídicího softwaru DSP. Online školení začne platit, když selže rozpoznávání založené na režimu offline. Když selže, zaznamenaná data z detekčního systému se pošlou do cloudu, kde se na nich AI dále trénuje. Poté odešle výsledky zpět do fyzické jednotky.

„Oblouk lze okamžitě identifikovat pomocí analýzy FFT a AI a doba detekce oblouku se při vzniku oblouku jeví kratší než 200 ms,“ uvedli vědci.

Testovací platforma

Aby otestovali svou metodu detekce, zkonstruovali testovací platformu. Mezi FV platformy a střídač připojili generátor oblouku, zařízení, které dokáže vytvořit oblouk, který AI identifikuje.

„Výsledky tréninku těsně odpovídají skutečným hodnotám,“ zjistili. „K ověření trénovaného modelu se navíc používá 40 sad testovacích dat. Výsledky testování a vytvořený model se dobře shodují. Úspěšnost je 97,5 % a pouze 1 ze 40 sad je nesprávně identifikována. Doba detekce oblouku je při vzniku oblouku kratší než 200 ms.“

Nový přístup se představil v „Metodě detekce stejnosměrného oblouku pro fotovoltaické (FV) systémy“, publikované ve Results in Engineering.

Zdroj: pv-magazine, TowPoint