Ученые из Международного института водных ресурсов и экологии при Университете Томаса Санкары и Университете Жозефа Ки-Зербо в Буркина-Фасо разработали систему прогнозирования выработки солнечной энергии на 30-мегаваттной электростанции Нагреонго. Используя технологии искусственного интеллекта и машинного обучения, исследователи добились высокой точности в прогнозировании колебаний выработки энергии в зависимости от погодных условий.
Как и другие страны Сахельского региона, Буркина-Фасо рассматривает солнечную энергетику как основной путь к энергетической независимости. Однако известно, что выработка электроэнергии на солнечных электростанциях сильно зависит от облачности, запылённости и сезонных колебаний солнечной радиации. Любое внезапное снижение солнечного потока приводит к скачкам напряжения в сети, что усложняет процессы балансировки. Чтобы решить эту проблему, учёные обратились к системам машинного обучения.
Исследователи обучили несколько нейронных сетей: рекуррентную сеть, сеть с долговременной кратковременной памятью, сеть с управляемыми рекуррентными блоками и гибридную сеть. Они проанализировали данные с электростанции Нагреонго, которые собирались каждые пять минут в течение 2024 года. Таким образом, алгоритмы научились прогнозировать выработку электроэнергии в различных климатических условиях, от сухого и жаркого сезона до сезона дождей. Перед обучением данные были очищены и нормализованы в соответствии с международными стандартами, чтобы устранить помехи, пропуски и ошибки измерений.
В засушливый сезон модель с управляемыми рекуррентными блоками давала наиболее точные прогнозы с погрешностью около 4 %. В жаркие месяцы лучше всего себя показала сеть с долговременной кратковременной памятью с погрешностью не более 2 %. В сезон дождей наиболее устойчивой оказалась гибридная модель, сохранявшая точность даже при значительных колебаниях освещённости. Таким образом, учёные продемонстрировали, что модели можно выбирать в зависимости от конкретного сезона, что особенно важно в регионах с резкими климатическими контрастами.
Исследовательская группа также оценила техническую эффективность электростанции. Коэффициент полезного действия вырос с 73,7 % в 2023 году до 77,4 % в 2024 году, что свидетельствует о повышении эффективности солнечных панелей. Улучшение показателей произошло благодаря внедрению системы регулярной очистки от пыли, снятию ограничений на подачу электроэнергии после модернизации линий электропередачи и сокращению времени простоя оборудования.
Нейронные сети дали операторам электростанций возможность прогнозировать изменения в выработке электроэнергии практически в реальном времени. Погрешность в 2–5 % от номинальной мощности очень мала для солнечных электростанций, работающих в условиях переменной облачности и пыльных сахельских ветров. Это позволяет заранее регулировать нагрузку и обеспечивать стабильность энергосистемы без перебоев и потерь энергии.
В будущем исследователи планируют дополнить модель данными со спутников и метеостанций, чтобы прогнозировать выработку электроэнергии не только на ближайшие несколько минут, но и на ближайшие 24 часа.