5.3.2021
Dlouhodobě pracujeme na software pro monitorování, analýzu a správu velkých fotovoltaických elektráren. Práce na software pro fotovoltaické elektrárny trochu připomíná vývoj účetního systému — podvojné přehazování z účtu na účet je pořád stejné, ale neustálé změny legislativy vedou k neustálému přizpůsobování účetního software. Jeden rok doplníte kontrolní hlášení, další rok opravíte výpočet mezd, potom řešíte digitální podpisy a posílání výkazů automaticky a tak dál a pořád dokola. Práce na fotovoltaických elektrárnách je v tomto ohledu stejná. Přidává se k tomu velké geografické rozmístění zdrojů dat a v neposlední řadě se pracuje s množstvím různých údajů, které o několik řádů převyšují rozsah běžného účetnictví. Vždyť kterému účetnictví přibudou v databázi desítky miliónů různých záznamů denně?
Jedním z nových legislativních požadavků je předpověď výroby pro následující hodiny a dny (v Česku to zatím není třeba). Takovou předpověď je možné koupit. Existují firmy, které dokáží nasimulovat fotovoltaickou elektrárnu a na základě předpovědi počasí dokáží pro takovou simulovanou elektrárnu předpovědět výrobu v následujících hodinách. Ale má to háček — simulace je v principu jen velmi nedokonalý popis skutečnosti. Do simulace lze zadat účinnost panelů, degradaci, účinnost střídačů, transformátorů a vedení, rozmístění panelů na poli kvůli zastínění, výšku obzoru a pár dalších parametrů, ale už se vám tam nepodaří zadat třeba informaci, že některé střídače nerady startují v zimě. Nezadáte, že před některými panely stojí strom — v zimě "neviditelný", ale v létě s košatou korunou listí. Nezadáte, jak je přesně který panel zastíněný řadou panelů před ním. Nezadáte ani spoustu dalších parametrů, o kterých víte, že mají na výkon elektrárny vliv, ale se kterými simulace nepočítá. A nezadáte samozřejně ani parametry, o kterých netušíte, že vaši elektrárnu ovlivňují.
K elektrárnám, které už na poli stojí několik let, je obvykle k dispozici ohromné množství dat. V roční historii jediné elektrárny budou jistě stovky miliónů různých měření. Všechny parametry, které ovlivňují výkon elektrárny, jsou v těch datech schované. Data obsahují přesnou informaci o tom, že když je slunce schované za holým stromem v zimě, nemá to na výkon elektrárny žádný vliv, ale tentýž strom v létě dokáže snížit výkon podstatným způsobem.
Vytvořit exaktní simulaci elektrárny na základě tak obrovského množství dat a vlivů by bylo nesmírně náročné. Naštěstí je však podobný úkol jako stvořený pro neuronovou síť. Umělá inteligence v podobě neuronové sítě dokáže takovou simulaci vytvořit na základě historických údajů. Všechny vlivy, které mají dopad na skutečný výkon, dokáže neuronová síť v datech automaticky identifikovat a zahrnout do svých simulací. A kde data chybí, dokáže síť odhadnout skutečnost na základě interpolace.
Výhoda takového postupu je zjevná.
Vytvořit exaktní matematický popis chování fotovoltaické elektrárny je velmi náročné. Zákonitě to vede k různým zjednodušením a zanedbávání některých méně významných vlivů. Simulace ve fyzice často vedou k řešení složitých diferenciálních rovnic, které stejně nedokážeme řešit matematicky, a proto se snažíme složitým simulacím vyhnout.
U neuronové sítě problém se složitostí matematického popisu odpadá. Neuronová síť je schopná si potřebné matematické vztahy odvodit jen na základě velkého množství historických dat. Daň za takový postup je daná: neuronová síť je black-box, čistý extrakt znalostí, zkušeností a intuice (přeháním), které nelze předat ostatním (nepřeháním). Neuronová síť nám úspěšně předpovídá výrobu, ale vysvětlit dokážeme pouze principy, konkrétní postup neuronové sítě zůstává záhadou.
Výhody:
Nevýhody:
