I ricercatori della King Fahd University of Petroleum & Minerals dell’Arabia Saudita hanno condotto un’indagine comparativa tra sistemi sperimentali di pannelli solari fotovoltaici galleggianti (SFPV) e pannelli solari fotovoltaici montati a terra (GSPV) in un sistema di intelligenza artificiale (IA) che prevede la temperatura superficiale e la potenza in uscita di entrambe le configurazioni.
“I sistemi SFPV e GSPV sono installati e testati nelle stesse condizioni climatiche di Azizia, Regno dell’Arabia Saudita e valutati in modo approfondito rispetto all’energia elettrica prodotta, alla temperatura del pannello superficiale FV, alla tensione FV-CC, alla corrente FV-CC e alla resa energetica ed efficienza”, ha spiegato il team. “Il secondo obiettivo di questo studio si concentra sull’applicazione di modelli avanzati di intelligenza artificiale per la previsione della generazione di energia elettrica e della temperatura del pannello superficiale FV nei sistemi SFPV e GSPV, un’area che non è stata raramente studiata”.
Sia la configurazione SFPV che quella GSPV erano composte da due pannelli bifacciali con una potenza massima di 545 W. Entrambe le configurazioni includevano anche un inverter, una batteria e un set di data logger e dispositivi di misurazione. Il sistema SFPV è stato installato a 25 m dalla costa del Golfo del Bahrein ad Azizia a una profondità di 1,5 m, mentre il GSPV è stato installato nelle vicinanze sulla terraferma. L’SFPV ha utilizzato anche un telaio in legno, tamburi di plastica riutilizzabili, una struttura di supporto in acciaio inossidabile, funi di acciaio, ganci e blocchi di cemento di ancoraggio.
L’analisi ha mostrato che la temperatura ambiente media nel lungo periodo ha oscillato da 15,35 °C a gennaio a 36,0 °C a luglio, con un’umidità relativa che ha raggiunto il 31,65% a giugno e un picco del 68,23% a dicembre. L’intensità solare orizzontale globale su base giornaliera è variata da 3,30 kWh/m2/giorno a 7,74 kWh/m2/giorno, con una media complessiva di 5,64 kWh/m2/giorno durante tutto l’anno. Inoltre, la velocità media del vento a 10 m sopra il livello del mare è variata tra 3,71 m/s a ottobre e 5,42 m/s a giugno.
Le misurazioni di entrambi i dispositivi sono state effettuate a giugno 2024 e hanno mostrato che il sistema SFPV ha migliorato la potenza elettrica media FV e l’energia elettrica giornaliera netta accumulata rispettivamente del 59,25% e del 69,70% rispetto al sistema montato a terra. Ciò è dovuto, in parte, all’effetto di raffreddamento dell’acqua di mare. Mentre la media misurata sulla superficie del GSPV era di 58,40 °C, l’SFPV aveva 39,5 °C, una riduzione del 32,36%.
Per prevedere le capacità di questi sistemi, il gruppo ha combinato l’algoritmo di ottimizzazione dell’orso bruno (BBOA) con la tecnica della memoria a lungo termine (LSTM). BBOA si ispira ai comportamenti naturali degli orsi bruni e viene utilizzato per mettere a punto gli iperparametri del modello LSTM. Gli iperparametri sono le configurazioni esterne impostate prima che inizi il processo di apprendimento LSTM, che ne governano il funzionamento. L’LTSM utilizza quindi la sua capacità di comprendere i pattern per prevedere i risultati.
“Il partizionamento del dataset è stato eseguito utilizzando suddivisioni 70/30, in cui il 70% del dataset è stato assegnato all’addestramento e il 30% al test”, ha spiegato il gruppo. “Le variabili di input per il modello includono caratteristiche quali tempo, radiazione solare, corrente fotovoltaica, tensione fotovoltaica e temperatura ambiente, mentre gli output target sono potenza elettrica e temperatura superficiale fotovoltaica”.
Il LSTM-BBOA è stato quindi confrontato con altri tre modelli: light gradient-boosting machine (LightGBM), LSTM da solo e gated recurrent unit (GRU). Secondo i risultati, il modello LSTM-BBOA ha raggiunto una robustezza superiore nei sistemi SFPV e GSPV. Nel caso dell’elettricità SFPV, ha raggiunto un coefficiente deterministico (R²) di 0,9998. Per la compressione, il LSTM da solo ha ricevuto 0,9966 e il LightGBM ha avuto 0,9844.
L’analisi ha mostrato che l’ibrido LSTM-BBOA ha rivelato una prestazione “robusta” con valori minimi di errore assoluto medio (MAE), errore quadratico medio (RMSE) e coefficiente di variazione (COV) di 0,4884, 0,5031 e 0,1938 per le previsioni di produzione di energia SFPV. Mentre, il LightGBM autonomo ha mostrato i valori massimi di MAE, RMSE e COV di 5,7036, 12,6872 e 20,3577, rispettivamente.
“Il modello LSTM-BBOA ha raggiunto valori di coefficiente di efficienza massima (EC) e indice complessivo (OI) rispettivamente di 0,9998 e 0,9931, superando i punteggi del modello LSTM di 0,9969 e 0,9472 per la produzione di energia SFPV”, hanno concluso gli scienziati. “In confronto, LightGBM ha registrato i valori EC e OI più bassi, rispettivamente di 0,9844 e 0,9190”.
I loro risultati sono stati presentati in ” Benchmarking reinforcement learning and prototyping development of floating solar power system: Experimental study and LSTM modeling combined with brown-bear optimization algorithm “, pubblicato in Energy Conversion and Management.
I presenti contenuti sono tutelati da diritti d’autore e non possono essere riutilizzati. Se desideri collaborare con noi e riutilizzare alcuni dei nostri contenuti, contatta: editors@nullpv-magazine.com.
Inviando questo modulo consenti a pv magazine di usare i tuoi dati allo scopo di pubblicare il tuo commento.
I tuoi dati personali saranno comunicati o altrimenti trasmessi a terzi al fine di filtrare gli spam o se ciò è necessario per la manutenzione tecnica del sito. Qualsiasi altro trasferimento a terzi non avrà luogo a meno che non sia giustificato sulla base delle norme di protezione dei dati vigenti o se pv magazine ha l’obbligo legale di effettuarlo.
Hai la possibilità di revocare questo consenso in qualsiasi momento con effetto futuro, nel qual caso i tuoi dati personali saranno cancellati immediatamente. Altrimenti, i tuoi dati saranno cancellati quando pv magazine ha elaborato la tua richiesta o se lo scopo della conservazione dei dati è stato raggiunto.
Ulteriori informazioni sulla privacy dei dati personali sono disponibili nella nostra Politica di protezione dei dati personali.