ISMSES: Καινοτόμος συντήρηση συστημάτων ηλιακής ενέργειας με τη βοήθεια της Τεχνητής Νοημοσύνης

ISMSES: Καινοτόμος συντήρηση συστημάτων ηλιακής ενέργειας με τη βοήθεια της Τεχνητής Νοημοσύνης

Η Τεχνητή Νοημοσύνη (Artificial Intelligence – AI) είναι η αποδιδόμενη σε μηχανές νοημοσύνη που προσομοιώνει την ανθρώπινη συμπεριφορά ή σκέψη και μπορεί να αναπαράγει ανθρώπινες γνωστικές λειτουργίες, όπως η μάθηση. Η ΑΙ έχει πολυάριθμες εφαρμογές σε τομείς όπως η ιατρική, οι μεταφορές, η γεωργία και η αυτοκίνηση.

Στον τομέα της ενέργειας, υφίστανται επίσης διάφορες εφαρμογές, όπως στα έξυπνα δίκτυα μεταφοράς ενέργειας και την αγορά ηλεκτρισμού.

Το έργο ISMSES (Innovative and Smart Maintenance in Solar Energy Systems) χρηματοδοτήθηκε στο πλαίσιο του Προγράμματος ERASMUS+ και συγκεκριμένα της δράσης «Συνεργασία για Καινοτομία και Ανταλλαγή Καλών Πρακτικών». Το διετές έργο, το οποίο ξεκίνησε τον Ιανουάριο του 2021 στοχεύει συγκεκριμένα στα συστήματα Φωτοβολταϊκών (ΦΒ).

To Eθνικό Μετσόβιο Πολυτεχνείο συμμετέχει στο έργο με επιστημονικό Υπεύθυνο τον Καθηγητή Σωτήριο Καρέλλα και το Εργαστήριο Ατμοκινητήρων και Λεβήτων της Σχολής Μηχανολόγων Μηχανικών.

Οι εταίροι στο έργο προέρχονται, εκτός από την Ελλάδα, από το Ηνωμένο Βασίλειο, τη Γαλλία και την Τουρκία, ενώ συντονιστής του έργου είναι η τουρκική περιφερειακή διεύθυνση παιδείας.

Σκοπός και Στόχοι

Σκοπός του έργου ήταν η δημιουργία καινοτόμου λογισμικού πρόβλεψης αστοχιών και πρόληψης βλαβών συστημάτων ηλιακής ενέργειας με μεθόδους Tεχνητής Nοημοσύνης καθώς και η σχετική επαγγελματική και τεχνική εκπαίδευση προς ενδιαφερόμενους Μηχανικούς και Τεχνικούς. Συγκεκριμένα, διεξήχθη έρευνα όσον αφορά τα υφιστάμενα Συστήματα Ηλιακής Ενέργειας (SES) και εκπoνήθηκε έκθεση-οδηγός για τις δυνατότητες πρόβλεψης και αντιμετώπισης κόστους βλαβών, συντήρησης και επισκευής ο οποίος δύναται να χρησιμοποιηθεί σε προγράμματα σπουδών επισκευής και συντήρησης ηλιακών συστημάτων για τα τμήματα ηλεκτρικών και ηλεκτρονικών και ενεργειακών συστημάτων Σχολών Επαγγελματικής και Τεχνικής Εκπαίδευσης καθώς και τμημάτων Ανωτάτων Εκπαιδευτικών Ιδρυμάτων.

Εξέλιξη της χρήσης ΦΒ συστημάτων για την παραγωγή ενέργειας

Η συνολικά παραγόμενη ηλεκτρική ενέργεια από ΑΠΕ το 2021, έφτασε τις 1068 TWh (37% της συνολικής), αυξημένη κατά 9% σε σχέση με το 2019 (34% της συνολικής) [1] ενώ η παγκοσμίως παραγόμενη από ΦΒ ηλεκτρική ενέργεια το 2021, αντιπροσώπευε το 3,6% της παγκόσμιας παραγόμενης ηλεκτρικής ενέργειας [2].

Στην Ελλάδα όπου η εγκατεστημένη ισχύς ΦΒ στα τέλη του 2022 πλησιάζει τα 5,5 GW, το ποσοστό αυτό είναι σημαντικά υψηλότερο δηλαδή 9,6% το ίδιο έτος (5,2 TWh) [3] ενώ στις αρχές του 2022 τα ΦΒ του ελληνικού διασυνδεδεμένου συστήματος ενέργειας συμμετείχαν - ακολουθώντας μια αυξανόμενη πορεία - με ποσοστό 45% στην εγκατεστημένη ισχύ των ΑΠΕ του διασυνδεδεμένου συστήματος [4].

Γενικά τους καλοκαιρινούς μήνες του 2022 (Μάιος – Αύγουστος), η παραγωγή από ΦΒ στην ΕΕ κάλυψε το 12% (99,4 TWh) της συνολικής ηλεκτροπαραγωγής. Στην Ελλάδα, το αντίστοιχο ποσοστό, ήταν 15,3% [5].

Σε παγκόσμιο επίπεδο, η εγκατεστημένη και διασυνδεδεμένη ισχύς ΦΒ την τελευταία δεκαετία, αυξάνεται. Με την εγκατεστημένη ισχύ των ΦΒ να πλησιάζει το 1 ΤW, το 2021, η Κίνα υπερτερoύσε με εγκατεστημένη ισχύ (308,5 GW), ακολουθούμενη από την ΕΕ (178,7 GW) τις ΗΠΑ (122,9 GW) και την Ιαπωνία (78,2GW) [6].

Εικόνα 1: Ετήσια αύξηση εγκατεστημένης ισχύος ΦΒ παγκοσμίως (GWp) [6]

Eφαρμογές ΑΙ σε συστήματα ηλιακής ενέργειας

Ένας από τους τομείς εφαρμογής της ΑΙ στα ΦΒ, είναι η διάγνωση, πρόβλεψη και συντήρηση βλαβών, η οποία εφαρμόζεται εδώ και τουλάχιστον μια δεκαετία. Σχετικές μελέτες και οδηγοί υφίστανται αρκετές τα τελευταία έτη ([7] έως [12]).

Λόγω του μεγάλου αριθμού δεδομένων που πρέπει να διαχειριστούν οι εταιρείες παραγωγής ενέργειας, υπάρχουν ζητήματα, όπως το κόστος της ενέργειας, η παραγωγή και η διανομή ενέργειας, το περιβαλλοντικό αποτύπωμα και η ενεργειακή απόδοση τα οποία χρήζουν αντιμετώπισης. Με τις τεχνολογίες ΑΙ, είναι δυνατή η αποθήκευση, η επεξεργασία και η διαχείριση αυτών των δεδομένων σε λιγότερο χρόνο και χαμηλότερο κόστος [13]. Τα οφέλη που μπορούν να προκύψουν από τη χρήση αυτών των τεχνολογιών μπορούν να συνοψιστούν στα παρακάτω.

Ανάλυση πρόβλεψης: Λόγω της αύξησης του παγκόσμιου πληθυσμού, υπάρχει αυξανόμενη ζήτηση ενέργειας γενικά αλλά και στο βιομηχανικό χώρο ειδικότερα. Θεωρείται ότι η αναλυτική και προβλεπτική ικανότητα της ΑΙ θα διαδραματίσει σημαντικό ρόλο στην κάλυψη αυτής της ανάγκης. Η επίλυση των προβλημάτων για τη μείωση του κόστους, τη διατήρηση της ενέργειας, την προετοιμασία για τις μεταβαλλόμενες συνθήκες και την καλύτερη εξυπηρέτηση των πελατών, μπορεί να επιτευχθεί με πρόβλεψη και ανάλυση υψηλής ακρίβειας, και οι τεχνολογίες ΑΙ διαθέτουν σήμερα αυτή τη δυνατότητα. Ειδικά η επονομαζόμενη μηχανική μάθηση (Machine Learning), μπορεί να λύσει αυτά τα προβλήματα μεγιστοποιώντας τη χρήση των δεδομένων πρόβλεψης [13].

Διαχείριση πόρων: Το επόμενο βήμα στις προβλέψεις που επιτυγχάνει η ΑΙ είναι η διαχείριση των πόρων. Μέσω της ανάλυσης των αντίστοιχων προβλέψεων, οι εταιρείες ενέργειας θα μπορούν να κατανέμουν καλύτερα τους πόρους τους, να προετοιμάζονται εκ των προτέρων για τις ενεργειακές απαιτήσεις, να προβλέπουν προβλήματα και να εξοικονομούν πόρους. Για τους τελικούς καταναλωτές, θα είναι δυνατόν να επιτευχθεί εξοικονόμηση ενέργειας, οικονομικότεροι λογαριασμοί και εξατομικευμένες υπηρεσίες [13].

Αποθήκευση ενέργειας: Η αποτελεσματική αποθήκευση ενέργειας είναι ένα σύνθετο ζήτημα. Καθώς αυξάνεται η ποσότητα της ενέργειας που πρέπει να αποθηκευτεί, απαιτείται πρόσθετη χωρητικότητα και νέα συστήματα διαχείρισης. Η τεχνητή νοημοσύνη μπορεί να βελτιστοποιήσει την αποθήκευση ενέργειας παρόλο που η αποθήκευση των ΑΠΕ είναι γενικά απαιτητική λόγω της στοχαστικότητας αυτών. Ο συνδυασμός των ΑΠΕ με την αποθήκευση με ΑΙ μπορεί να απλοποιήσει τη διαχείριση της αποθήκευσης και να ελαχιστοποιήσει τις απώλειες ισχύος [13].

Υπηρεσίες πρόληψης: Με την υποστήριξη των συστημάτων ΑΙ, οι υπερφορτώσεις του συστήματος μπορούν να προβλεφθούν και οι χειριστές μπορούν να ενημερωθούν για πιθανές βλάβες των μετασχηματιστών [13].

Αναμενόμενα αποτελέσματα έργου ISMSES

Το έργο ISMSES ενισχύει την αξιοποίηση του ελληνικού δυναμικού ηλεκτροπαραγωγής από ΦΒ το οποίο είναι αξιόλογο [14]. H βελτιωμένη λειτουργία των ΦΒ συστημάτων και ειδικά τα προηγμένα συστήματα έγκαιρης διάγνωσης και συντήρησης βλαβών ΦΒ, ενισχύουν την ενεργειακή πολιτική της ΕΕ και το στόχο για την επίτευξη μεριδίου παραγόμενης ενέργειας από ΑΠΕ σε 40% της συνολικής παραγόμενης ενέργειας, στόχος ο οποίος πρόσφατα προτάθηκε να ενισχυθεί σε 45% με την πρόταση «RePowerEU Plan» [15] της Ευρωπαϊκής Επιτροπής. Μακροπρόθεσμα, με το έργο ISMSES υποστηρίζεται η στρατηγική «EU Solar Strategy» της Ε.Ε που έχει ως στόχο το διπλασιασμό της εγκατεστημένης ισχύος ΦΒ έως το 2025 δηλαδή το στόχο των 320 GW εγκατεστημένης ισχύος και την εγκατάσταση τουλάχιστον 600GW ΦΒ συστημάτων έως το 2030.

Έμμεσα υποστηρίζεται και η περιβαλλοντική πολιτική της Ε.Ε καθώς η βελτίωση της συντήρησης των ΦΒ, αυξάνει το χρόνο ζωής των ΦΒ και αυτό οδηγεί μεσο- και μακροπρόθεσμα σε μείωση του όγκου των απορριπτόμενων ΦΒ συστημάτων. Σύμφωνα με την Ευρωπαϊκή Κοινοτική Οδηγία για τα Απόβλητα Ηλεκτρικού και Ηλεκτρονικού Εξοπλισμού (2012/19/EU), τα ΦΒ στο τέλος του κύκλου ζωής τους κατηγοριοποιούνται ως τέτοια και από το 2018, το ελάχιστο απαιτούμενο ποσοστό ανάκτησης αυτών είναι 85% και το ελάχιστο απαιτούμενο ποσοστό προετοιμασίας για επαναχρησιμοποίηση και ανακύκλωση είναι 80% [16].

Εικόνα 2: Δυναμικό παραγωγής ηλεκτρικής ενέργειας από ΦΒ [14]
Εικόνα 3: Εξέλιξη εκτιμώμενου όγκου απορριπτόμενων ΦΒ πλαισίων [16], [17]

Acknowledgements

Το παρόν άρθρο δημοσιεύεται με την υποστήριξη του ευρωπαϊκού προγράμματος ERASMUS+ (Key Action: Cooperation for innovation and the exchange of good practices, Action Type: Strategic Partnerships for vocational education and training), στο πλαίσιο του έργου «Innovative and Smart Maintenance in Solar Energy Systems (ISMSES - 2020-1-TR01-KA202-093257)».

Πηγές πληροφορίας

[1] EMBER, October 2022, Share of energy consumption from renewable sources in Europe, European Electricity Review, https://ember-climate.org/insights/research/european-electricity-review-2022/

[2] IEA, November 2022, Solar PV, Paris License: CC BY 4.0, https://www.iea.org/reports/solar-pv

[3] Μια «ακτινογραφία» της ελληνικής αγοράς ΦΒ, 2010-2022, Σύνδεσμος Εταιρειών Φωτοβολταϊκών, Νοέμβριος 2022, https://helapco.gr/wp-content/uploads/Greek_PV_Market_Snapshot_HELAPCO_23Nov2022-1.pdf

[4] Μηνιαίο Στατιστικό Δελτίο ΑΠΕ και ΣΗΘΥΑ Μαΐου 2022, ΔΑΠΕΕΠ, https://www.dapeep.gr/dimosieuseis/sinoptiko-pliroforiako-deltio-ape

[5] ΕMBER, September 2022, EU’s record solar summer helps avoid €29bn in gas imports, https://ember-climate.org/insights/research/record-solar-summer-in-europe-saves-billions-in-gas-imports/

[6] IEA-PVPS Report T1-42: Snapshot of Global PV Markets 2022, https://iea-pvps.org/snapshot-reports/snapshot-2022/

[7] Kurukuru, V.S.B.; Haque, A.; Khan, M.A.; Sahoo, S.; Malik, A.; Blaabjerg, F., A Review on Artificial Intelligence Applications for Grid-Connected Solar Photovoltaic Systems, Energies 2021, 14, 4690, https://doi.org/10.3390/en14154690

[8] Sundaram, K.M., Padmanaban, S., Holm-Nielsen, J.B., & Pandiyan, P. (Eds.). (2022), Photovoltaic Systems: Artificial Intelligence–Based Fault Diagnosis and Predictive Maintenance, (1st ed.), CRC Press, https://doi.org/10.1201/9781003202288

[9] Abubakar, A.; Almeida, C.F.M.; Gemignani, M., Review of Artificial Intelligence-Based Failure, Detection and Diagnosis Methods for Solar PV Systems, Machines,  2021, 9, 328, https://doi.org/10.3390/machines9120328

[10] Ramón Fernando Colmenares-Quintero, Eyberth R. Rojas-Martinez, Fernando Macho-Hernantes, Kim E. Stansfield & Juan Carlos Colmenares-Quintero | Ahmed Haj Darwish (Reviewing editor) (2021), Methodology for automatic fault detection in photovoltaic arrays from artificial neural networks, Cogent Engineering, 8:1, https://doi.org/10.1080/23311916.2021.1981520

[11] A.Mellit, S. Kalogirou, Handbook of Artificial Intelligence Techniques in Photovoltaic Systems: Modeling, Control, Optimization, Forecasting and Fault Diagnosis Academic Press, 2022, ISBN 9780128206416, https://doi.org/10.1016/C2019-0-00960-0

[12] Jingzheng Ren and Yi Man, Front Matter, in Artificial Intelligence for Smart Photovoltaic Technologies, edited by Jingzheng Ren and Yi Man [AIP Publishing (online), Melville, New York, 2022]”, https://aip.scitation.org/doi/10.1063/9780735424999

[13] © Copyright 2022, Innovative and Smart Maintenance in Solar Energy Systems, 2020-1-TR01-KA202-093257, Erasmus+ Programme

[14] © 2020 The World Bank, Source: Global Solar Atlas 2.0, Solar resource data: Solargis, https://solargis.com/maps-and-gis-data/download/world

[15] Commission Staff Working Document (SWD(2022) 230 final, 18.5.2022) Accompanying the document RePowerEU Plan COM(2022) 230 final, https://eur-lex.europa.eu/legal-content/EN/TXT/PDF/?uri=CELEX:52022SC0230&from=EN

[16] IEA‐PVPS Report T12‐10:2018: End‐of‐Life Management of Photovoltaic Panels: Trends in PV Module Recycling Technologies, https://iea-pvps.org/key-topics/end-of-life-management-of-photovoltaic-panels-trends-in-pv-module-recycling-technologies-by-task-12

[17] © IRENA 2016 AND IEA-PVPS 2016, End of Life Management, Solar Photovoltaic Panels, https://www.irena.org/publications/2016/Jun/End-of-life-management-Solar-Photovoltaic-Panels

foolwo rawmathub.gr on Google News
Image