KTU DI prognozuoja saulės elektrinių darbą Lietuvoje

Saulės energetika Lietuvoje iš nišinės technologijos per kelerius metus tapo vienu matomiausių energetikos pokyčių. Ant individualių namų stogų Vilniuje, Kaune, Klaipėdoje ir mažesniuose miestuose daugėja saulės modulių, verslas investuoja į nutolusias saulės elektrines, o šalies elektros tinkle vis didesnę dalį sudaro atsinaujinanti energija. Tačiau kartu su augimu ryškėja ir techninis iššūkis: saulės elektrinių gamyba gali labai greitai keistis dėl debesuotumo.

Net trumpam saulę uždengęs debesis gali per kelias sekundes sumažinti modulio generuojamą galią dešimtimis ar šimtais vatų. Vienam namų ūkiui tai gali atrodyti kaip nedidelis svyravimas, tačiau kai tokių elektrinių Lietuvos rinkoje veikia tūkstančiai, poveikis elektros tinklui tampa kur kas rimtesnis. Elektros tinklų operatoriams, energijos kaupiklių valdytojams ir verslui reikia kuo tikslesnių trumpalaikių prognozių, leidžiančių iš anksto pasiruošti gamybos kritimui ar šuoliui.

Būtent šią problemą sprendžia Kauno technologijos universiteto mokslininkų komandos kuriama dirbtinio intelekto sistema „ShadowSense“. Profesoriaus Ryčio Maskeliūno vadovaujamas tyrimas parodė, kad DI gali mokytis stebėdamas dangų, analizuodamas debesų judėjimą ir realiuoju laiku siedamas šią informaciją su saulės modulio galios pokyčiais.

Kaip veikia „ShadowSense“ technologija?

„ShadowSense“ esmė – savarankiškai besimokantis dirbtinis intelektas, kuriam nereikia tradiciškai paruoštų ir rankiniu būdu sužymėtų debesų nuotraukų rinkinių. Daugelyje kompiuterinės regos sprendimų debesys, šešėliai ar kiti objektai vaizduose turi būti iš anksto pažymėti. Tai brangu, užtrunka ilgai ir dažnai prastai veikia pakeitus geografinę vietą, kameros kampą ar oro sąlygas.

KTU mokslininkų pasiūlytas metodas remiasi kitokia logika. Sistema fotografuoja dangų, vertina debesų padėtį bei judėjimo kryptį, o tuo pačiu metu registruoja saulės modulio generuojamą galią. Kai galia staiga sumažėja, algoritmas tai interpretuoja kaip signalą, kad tam tikri debesų pokyčiai galėjo sukelti šešėlį ant modulio. Taip dirbtinis intelektas mokosi iš realaus ryšio tarp aplinkos ir saulės elektrinės veikimo.

Toks principas ypač svarbus Lietuvoje, kur oro sąlygos gali keistis labai greitai. Debesuotumas Kaune ar Vilniuje neretai būna fragmentiškas, o saulės spinduliuotės intensyvumas per trumpą laiką svyruoja kelis kartus. Todėl sistema, gebanti prognozuoti artimiausių minučių gamybą, gali būti vertinga tiek privatiems gaminantiems vartotojams, tiek komercinių saulės parkų operatoriams.

Pagrindinės sistemos funkcijos

Tarp svarbiausių „ShadowSense“ savybių galima išskirti kelias technologines kryptis. Pirma, sistema naudoja plataus matymo kampo kamerą, kuri stebi dangų ir fiksuoja debesų dinamiką. Antra, DI modelis vertina saulės padėtį ir apskaičiuoja, kaip debesų šešėliai gali paveikti konkretų modulį. Trečia, sistema sujungia vaizdinę informaciją su realiais galios matavimais, todėl prisitaiko prie konkrečios įrengimo vietos.

Tai nėra tik teorinis modelis laboratorijoje. Eksperimentinė sistema buvo įrengta Kaune, realioje gyvenamojo namo aplinkoje. Ant stogo sumontuota kamera reguliariai fotografavo dangų, o kieme esantis saulės modulis tiekė energiją matavimo įrangai ir dirbtinio intelekto kompiuteriui. Per 92 stebėjimų dienas surinkta daugiau kaip 122 tūkst. sinchronizuotų duomenų įrašų, kuriuose susieti dangaus vaizdai ir modulio galia.

Kuo ši sistema skiriasi nuo įprastų prognozavimo metodų?

Tradicinės saulės energijos prognozės dažnai remiasi meteorologiniais duomenimis, palydoviniais vaizdais arba istoriniais gamybos modeliais. Tokie metodai naudingi planuojant valandas ar dienas į priekį, tačiau jie ne visada pakankamai tikslūs, kai reikia prognozuoti pokyčius artimiausią minutę. Vietinis debesis, kuris dar nematomas platesnio masto prognozėje, gali turėti tiesioginį poveikį konkrečiai saulės elektrinei.

„ShadowSense“ pranašumas yra lokalumas ir greitis. Sistema stebi būtent tą dangų, kuris realiai veikia konkretų saulės modulį. Ji nėra priklausoma vien nuo bendrų orų prognozių, todėl gali greičiau pastebėti artėjantį šešėlį. Tyrimo rezultatai rodo, kad šis sprendimas sumažino vidutinę prognozavimo paklaidą beveik trečdaliu, palyginti su įprastesniais metodais, ir aptiko daugiau kaip 92 proc. staigių galios pokyčių, susijusių su debesų šešėliais.

Dar vienas svarbus aspektas – našumas. Vienai prognozei apskaičiuoti prireikė maždaug 66 milisekundžių, o energijos sąnaudos siekė apie 0,52 J. Tai reiškia, kad tokia DI sistema gali veikti realiuoju laiku nedideliame, mažai energijos naudojančiame kompiuteryje. Lietuvos verslui tai aktualu, nes ne kiekvienas objektas turi galimybę naudoti galingus serverius ar stabilų nuolatinį interneto ryšį.

Nauda Lietuvos vartotojams ir verslui

Lietuviams, investuojantiems į saulės elektrines, svarbiausias klausimas dažnai yra atsiperkamumas ir efektyvus pagamintos energijos panaudojimas. Trumpalaikės prognozės gali padėti protingiau valdyti baterijas, optimizuoti elektros vartojimą namuose ar įmonėje ir sumažinti priklausomybę nuo brangesnės elektros pirkimo iš tinklo piko metu.

Pavyzdžiui, gamybos įmonė Kaune, turinti saulės elektrinę ant stogo ir energijos kaupiklį, galėtų naudoti tokią sistemą spręsdama, kada krauti bateriją, kada naudoti sukauptą energiją, o kada sumažinti mažiau svarbių įrenginių apkrovą. Ūkininkams ar nutolusiems objektams regionuose toks sprendimas gali būti naudingas dėl galimybės veikti lokaliai, be didelės debesijos infrastruktūros.

Elektros tinklų mastu ši technologija taip pat gali turėti reikšmės. Kuo daugiau saulės elektrinių prijungiama prie tinklo, tuo svarbiau tiksliai numatyti trumpalaikius gamybos svyravimus. Jei dešimtys ar šimtai elektrinių vienu metu patiria debesų sukeltą galios kritimą, operatoriams reikia greitai reaguoti, įjungti rezervus arba panaudoti kaupiklius. Net kelios dešimtys sekundžių gali suteikti papildomo laiko subalansuoti gamybą ir vartojimą.

Galimi naudojimo scenarijai Lietuvos rinkoje

„ShadowSense“ tipo technologijos galėtų būti taikomos individualiose saulės elektrinėse, daugiabučių energetikos bendrijose, pramonės objektuose, saulės parkuose ir nutolusiose elektrinėse. Jos taip pat gali būti integruojamos į išmaniojo namo sistemas, energijos kaupiklių valdiklius ar virtualių elektrinių platformas.

Lietuvos rinka šiuo požiūriu yra palanki inovacijoms. Šalyje sparčiai auga gaminančių vartotojų skaičius, didėja susidomėjimas baterijomis, o energetikos sektorius vis aktyviau skaitmenizuojamas. Tokie sprendimai kaip „ShadowSense“ gali tapti tiltu tarp fizinės energetikos infrastruktūros ir pažangių DI algoritmų.

Kodėl tai svarbu ateities energetikai?

Pasaulinės tendencijos aiškios: atsinaujinantys energijos šaltiniai taps vis svarbesni, tačiau jų integracija į elektros tinklus reikalauja išmanesnio valdymo. Lietuva šiuo keliu taip pat juda sparčiai, todėl vietinių mokslininkų kuriamos technologijos turi ne tik akademinę, bet ir praktinę vertę.

„ShadowSense“ parodo, kad saulės elektrinė gali būti ne tik pasyvus energijos generatorius. Ji gali tapti išmania sistema, kuri stebi aplinką, mokosi iš savo veikimo duomenų ir padeda priimti greitesnius sprendimus. Tai ypač aktualu miestams, pramonei ir energetikos bendruomenėms, kurios siekia didesnio efektyvumo bei mažesnių sąnaudų.

Nors ši technologija kol kas pristatoma kaip mokslinis tyrimas, jos kryptis aiški: lokalūs, realiuoju laiku veikiantys DI sprendimai gali tapti svarbia saulės energetikos infrastruktūros dalimi. KTU komandos darbas rodo, kad Lietuvoje kuriamos inovacijos gali būti aktualios ne tik vietos rinkai, bet ir tarptautiniam atsinaujinančios energetikos sektoriui.

Mokslinis darbas „ShadowSense: Edge Optimized Self-Supervised Learning for Dynamic Shadow Mapping of Solar Panels“ pristato techninį šios sistemos pagrindą ir atveria kelią tolimesniems bandymams realiose saulės elektrinėse.