Удосконалення системи діагностики великих СЕС в умовах діджиталізації на прикладі ТОВ ДТЕК «Будівельні рішення»
Автор: Чилібійська Анна Миколаївна
Кваліфікаційний рівень: магістр
Спеціальність: Бізнес-адміністрування: стратегічний розвиток та інновації
Інститут: Інститут адміністрування, державного управління та професійного розвитку
Форма навчання: заочна
Навчальний рік: 2021-2022 н.р.
Мова захисту: українська
Анотація: «Удосконалення системи діагностики великих СЕС в умовах діджиталізації на прикладі ТОВ ДТЕК «Будівельні рішення». Магістерська кваліфікаційна робота. – Національний університет «Львівська політехніка», Львів, 2021. Розширена анотація. Швидкий розвиток масиву сонячних електростанцій (СЕС), особливо серед найбільш економічно розвинених країн світу та розвиток ідей ко-генерації СЕС з іншими видами видобування енергії з відновлюваних джерел вказує на значні економічні перспективи сонячної генерації в Україні. Критичним фактором економічної ефективності для СЕС є значні ризики дефектів панелей, сезонність роботи та низький рівень передбачуваності рівня генерації[1]. За час розвитку технологій СЕС фахівцями було запропоновано низку рішень, що підвищують ефективність діагностики роботи електростанцій. Ці рішення включають як технологічні елементи, так і програмні технології та середовища прийняття рішень. Серед таких технологій: евристичні алгоритми оцінки стану PV-панелей за значеннями струму та передачі струму до мережі [8], застосування термографічних та електростатичних методів зйомки панелей для виявлення дефектів [2], системи технологічних сенсорів SCADA для контролю над цілісністю та рівнем ефективності обладнання [10], нейронні мережі та глибоке машинне навчання для визначення патернів дефектів та порушень діяльності панелей та прийняття рішень про проведення ремонтних робіт [9]. Помітним недоліком більшості запропонованих рішень була їхня неінтегрована природа та вузькоспеціалізована реалізація на окремих СЕС, що не дозволяла використати потенціал оптимізації відразу кількох технологій. Об’єкт дослідження - системи діагностики великих СЕС в умовах діджиталізації. Предмет дослідження – удосконалення системи діагностики великих СЕС в умовах діджиталізації на прикладі ТОВ ДТЕК «Будівельні рішення». Мета роботи – вдосконалення системи діагностики великих СЕС в умовах діджиталізації на прикладі ТОВ ДТЕК «Будівельні рішення» та рекомендації щодо моделі оптимізації системи діагностики великих СЕС за допомогою та на базі інструментів діджиталізації. В рамках даної роботи та пілотного проекту для ТОВ ДТЕК «Будівельні рішення» пропонується каскадний підхід до реалізації технологій оптимізації діагностики великих СЕС на принципах діджиталізації. Детальний аналіз існуючої практики обслуговування, моніторингу та проведення ремонтних робіт на СЕС дозволив виявити основні недоліки, що призводять до стабільних та значних втрат власників СЕС: низька частота перевірок обладнання PV-панелей, велика кількість хибних виїздів співробітників для ремонтних робіт та низька якість діагностики стану панелей[4]. Запропоновано застосування поєднання системи візуальної діагностики за допомогою БПЛА, що автоматично обслуговуються за допомогою дронопортів та здійснюють огляд за допомогою термографічного та іншого обладнання з аналізом даних від сенсорів SCADA, зовнішніх метеоданих на основі алгоритмів розпізнавання патернів дефектів та порушень діяльності системи[5]. Обробка інформації, прийняття рішення про необхідність додаткового огляду та ремонту приймається штучним інтелектом на основі нейронної мережі, що постійно проходить глибоке машинне навчання на основі постійно щоденно поповнюваних даних про діагностику СЕС[6]. Пропонується автоматизація не тільки регулярного огляду PV-панелей, але і прийняття штучним інтелектом рішень про шляхи і польотні завдання огляду, проведення додаткової діагностики та аналізу ушкоджень на місці [3]. Підвищення ефективності застосування алгоритмів визначення походження дефекту та його впливу на функціонування системи видобутку електроенергії в цілому дозволить знизити кількість хибних виїздів в кілька разів та стабілізувати діяльність СЕС протягом року завдяки уникненню ефекту накопичення ушкоджень [7]. Вдосконалення моніторингу та оптимізація процесів видобутку електроенергії відкривають перспективи як продажу технології оптимізації для інших підприємств, так і участі в проектах ко-генерації електроенергії з різних, зокрема, відновлюваних джерел з європейськими партнерами [4, 7]. Відповідно до розрахунків передбачається досягнення стабільності видобутку електроенергії максимально близько до оптимального закладеного для обладнання рівня; досягнення високої передбачуваності рівня генерації протягом року та зниження простоїв та хибних викликів. Ключові слова: діагностика СЕС, діджиталізація, дронопорт, SCADA, машинне навчання, оптимізація управління. Перелік використаних літературних джерел: 1. Ahmed, R., Buchli, B., Draskovic, S., Sigrist, L., Kumar, P., & Thiele, L. (2019). Optimal power management with guaranteed minimum energy utilization for solar energy harvesting systems. ACM Transactions on Embedded Computing Systems (TECS), 18(4), 1-26. https://doi.org/10.1145/3317679 2. Gallardo-Saavedra, S., Hernandez-Callejo, L., & Duque-Perez, O. (2018). Technological review of the instrumentation used in aerial thermographic inspection of photovoltaic plants. Renewable and Sustainable Energy Reviews, 93, 566-579. https://doi.org/10.1016/j.rser.2018.05.027 3. Gallardo-Saavedra, S., Hernandez-Callejo, L., & Duque-Perez, O. (2018). Technological review of the instrumentation used in aerial thermographic inspection of photovoltaic plants. Renewable and Sustainable Energy Reviews, 93, 566-579. https://doi.org/10.1016/j.rser.2018.05.027 4. Inderberg, T. H. J., Tews, K., & Turner, B. (2018). Is there a prosumer pathway? Exploring household solar energy development in Germany, Norway, and the United Kingdom. EnergyResearch&SocialScience, 42, 258-269. https://doi.org/10.1016/j.erss.2018.04.006 5. Kumar, A., & Mehta, P. L. (2021). Internet of Drones: An EngagingPlatformforIIoT-OrientedAirborneSensors. In Smart Sensors for Industrial Internet of Things (pp. 249-270). Springer, Cham. DOI: 10.1007/978-3-030-52624-5_16 6. Mantel C. et al. Machine learning prediction of defect types for electroluminescence images of photovoltaic panels //Applications of Machine Learning. – International Society for Optics and Photonics, 2019. – Т. 11139. – С. 1113904. https://doi.org/10.1117/12.2528440 7. Ming, B., Liu, P., Cheng, L., Zhou, Y., & Wang, X. (2018). Optimal daily generation scheduling of large hydro–photovoltaic hybrid power plants. Energy Conversion and Management, 171, 528-540. https://doi.org/10.1016/j.enconman.2018.06.001 8. Santana, E. J., Silva, R. P., Zarpelao, B. B., &BarbonJunior, S. (2021). Detecting and Mitigating Adversarial Examples in Regression Tasks: A Photovoltaic Power Generation Forecasting Case Study. Information, 12(10), 394. https://doi.org/10.3390/info12100394 9. Tang, W., Yang, Q., Xiong, K., & Yan, W. (2020). Deep learning based automatic defect identification of photovoltaic module using electroluminescence images. SolarEnergy, 201, 453-460. https://doi.org/10.1016/j.solener.2020.03.049 10. Vergara-Dietrich J. D. et al. Advanced chance-constrained predictive control for the efficient energy management of renewable power systems //Journal of Process Control. – 2019. – Т. 74. – С. 120-132. https://doi.org/10.1016/j.jprocont.2017.11.003 ?