નવીનીકરણીય પેઢીની આગાહી: સૌર અને પવન

નફો:

• હવામાનશાસ્ત્રના આધારે સૌર અને પવન ઉત્પાદનની પરિવર્તનક્ષમતા અને ગ્રીડ સંતુલન માટે તેની આગાહીના મહત્વને સમજવા માટે.
• ડિજિટલ હવામાન આગાહી, સેટેલાઇટ અને ફીલ્ડ ડેટાને સંયોજિત કરીને AI આગાહી વર્કફ્લો બનાવવાની ક્ષમતા
• ભૌતિક ઉપલી મર્યાદા, ક્ષમતા પરિબળ અને વાસ્તવિક ડેટા સાથે ઉત્પાદનની આગાહીને ચકાસવાની ક્ષમતા

જ્યારે ઓપરેટર તેની માંગ કરે ત્યારે કોલસો અથવા કુદરતી ગેસ પાવર પ્લાન્ટ ચોક્કસ પાવર પર કાર્ય કરે છે; ઉત્પાદન નિયંત્રિત કરી શકાય છે. સૌર અને પવન આના જેવા નથી: જ્યારે સૂર્ય વાદળછાયું બને છે, ત્યારે પેનલનું ઉત્પાદન ઘટે છે, અને જ્યારે પવન બંધ થાય છે, ત્યારે ટર્બાઇન બંધ થાય છે. આ પ્રકારના ઉત્પાદનને ચલ રિન્યુએબલ એનર્જી કહેવામાં આવે છે; ઉત્પાદન હવામાનશાસ્ત્ર પર આધારિત છે, માનવીય ઇચ્છા પર નહીં. આ પરિવર્તનશીલતા ગ્રીડ સ્થિરતા માટે એક મહાન તક અને એક મહાન પડકાર બંને બનાવે છે. નવીનીકરણીય ઉત્પાદનની આગાહી એ સૌર અને પવન ઉર્જા પ્લાન્ટના ભાવિ ઉત્પાદનની આગાહી કરવાનું કાર્ય છે અને આધુનિક ઉર્જા પ્રણાલીના વિશ્લેષણના સૌથી ઝડપથી વિકસતા ક્ષેત્રોમાંનું એક છે. આ એકમમાં, આપણે આ આગાહીનું ભૌતિકશાસ્ત્ર શીખીશું, તે કેવી રીતે કૃત્રિમ બુદ્ધિ સાથે સ્થાપિત અને ચકાસવામાં આવે છે.

શા માટે તે એટલું મહત્વનું છે?

જેમ જેમ ગ્રીડમાં સૌર અને પવનનો હિસ્સો વધે છે, તેમ આ સંસાધનો "કેટલા અને ક્યારે" ઉત્પન્ન કરશે તે પ્રશ્ન સમગ્ર સિસ્ટમને નિર્ધારિત કરે છે. સારી પેઢીની આગાહી વિના, નવીનીકરણીય જનરેશનમાં અચાનક ઘટાડાને વળતર આપવા માટે ગ્રીડને વધારાની ફાજલ ક્ષમતા (ઘણી વખત મોંઘી અને કાર્બનથી સમૃદ્ધ) રાખવાની ફરજ પડે છે. સચોટ આગાહી આ ખર્ચ અને ઉત્સર્જન બંનેને ઘટાડે છે; તે પાવર પ્લાન્ટના માલિકને બજારમાં વધુ સારી બોલી લગાવવા માટે પણ સક્ષમ બનાવે છે. બીજા શબ્દોમાં કહીએ તો, આગાહીની ભૂલ સીધી રીતે પૈસા અને કાર્બનમાં અનુવાદ કરે છે.

સૌર અને પવન જનરેશનનું ભૌતિકશાસ્ત્ર

સૂર્ય. ફોટોવોલ્ટેઇક (PV; પ્રકાશને સીધા વીજળીમાં રૂપાંતરિત કરતી) પેનલ દ્વારા ઉત્પાદિત શક્તિ મુખ્યત્વે તેના પર પડતા રેડિયેશન પર આધારિત છે (ઇરેડિયન્સ; એકમ વિસ્તાર દીઠ સૌર ઊર્જા, W/m²). આની ઉપર, પેનલનું તાપમાન (પેનલ ગરમ થતાં કાર્યક્ષમતા ઘટે છે), ધૂળ/દૂષણ અને શેડિંગ તેને અસર કરે છે. સૌર ઉત્પાદનની સૌથી મજબૂત વિશેષતા તેની અનુમાનિત દૈનિક પેટર્ન છે: રાત્રે શૂન્ય, સવારે ઊંચું, મધ્યાહનની આસપાસ ટોચ, અને સાંજે શૂન્ય. વાદળછાયાપણું એ આ આંકડો પર મૂકાયેલ અવાજ છે અને આગાહી કરવામાં મુશ્કેલીનો મુખ્ય સ્ત્રોત છે.

પવન. ટર્બાઇન દ્વારા ઉત્પાદિત શક્તિ લગભગ પવનની ગતિના ક્યુબના પ્રમાણમાં હોય છે - તેથી જ્યારે ઝડપ બમણી થાય છે, ત્યારે શક્તિ લગભગ આઠ ગણી વધે છે. તેથી, પવનની ગતિમાં એક નાની આગાહી ભૂલ ઉત્પાદનમાં મોટી ભૂલમાં ફેરવાય છે. તેમજ ટર્બાઇનમાં પાવર કર્વ હોય છે: ચોક્કસ ઝડપ નીચે (કટ-ઇન સ્પીડ) ઉત્પાદન શૂન્ય છે, ચોક્કસ ઝડપ (રેટેડ સ્પીડ) ઉપર ઉત્પાદન સ્થિર થાય છે, ખૂબ જ ઊંચી ઝડપે (કટ-ઓફ સ્પીડ) સલામતી માટે ટર્બાઇન અટકે છે. આ બિનરેખીય સંબંધ પવનની આગાહીને સૌર કરતાં વધુ મુશ્કેલ બનાવે છે.

ટીપ: પવનની ગતિમાં ભૂલ આવી હોવાથી, તમારા ઉત્પાદન અનુમાનનું મૂલ્યાંકન કરતી વખતે પહેલા પવનની ઝડપની આગાહીની ગુણવત્તા જુઓ. ખરાબ વેગની આગાહી સાથે સારા ઉત્પાદનની આગાહી સ્થાપિત કરવી લગભગ અશક્ય છે.

સ્ટેપ બાય સ્ટેપ: આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે ઉત્પાદનની આગાહી

પગલું 1 - ઇનપુટ ડેટા એકત્રિત કરો. મૂળભૂત ઇનપુટ ન્યુમેરિકલ વેધર પ્રિડિક્શન છે (NWP; વાતાવરણીય ભૌતિકશાસ્ત્રને ઉકેલીને ઉત્પાદિત હવામાન આગાહી): વિકિરણ, તાપમાન, પવનની ગતિ અને દિશાનો અંદાજ. પાવર પ્લાન્ટનો વાસ્તવિક ઉત્પાદન ઈતિહાસ અને જો શક્ય હોય તો, સેટેલાઇટ/ગ્રાઉન્ડ અવલોકનો આમાં ઉમેરવામાં આવે છે.

પગલું 2 - વિશેષતાઓ સેટ કરો. હવામાનની આગાહીના ચલો, સૌર માટે ભૌમિતિક ચલો (આકાશમાં સૂર્યનો કોણ), પવન માટે ટર્બાઇન પાવર વળાંકની માહિતી અને વિલંબિત જનરેશન લક્ષણો. ફરીથી, લિકેજ નિયંત્રણ: ફક્ત તે ડેટાનો ઉપયોગ કરવામાં આવે છે જે આગાહીના સમયે ઉપલબ્ધ હશે.

પગલું 3 - મોડેલને તાલીમ આપો. મોડેલ હવામાનની આગાહીને વાસ્તવિક ઉત્પાદન સાથે જોડે છે. અહીં આર્ટિફિશિયલ ઇન્ટેલિજન્સ બંને પેનલ/ટર્બાઇનની વાસ્તવિક વર્તણૂક શીખે છે (સૂચિ મૂલ્યમાંથી વિચલનો) અને સ્થાનિક અસરો (જેમ કે પવનની ચોક્કસ દિશામાં ભૂપ્રદેશની અસર) મેળવે છે.

પગલું 4 - મોડલ અનિશ્ચિતતા. નવીનીકરણીય આગાહી સ્વાભાવિક રીતે અનિશ્ચિત છે; એક જ સંખ્યાને બદલે સંભવિત અંદાજ (દા.ત. "80 ટકા સંભાવના ઉત્પાદન તે બેન્ડમાં છે") વધુ ઉપયોગી છે.

પગલું 5 - ચકાસો. આગાહી ભૌતિક ઉપલી મર્યાદા અને વાસ્તવિક ઉત્પાદન સામે પરીક્ષણ કરવામાં આવે છે.

માન્યતા: ભૌતિક એન્કર

નવીનીકરણીય ઉત્પાદનની આગાહી મજબૂત ભૌતિક એન્કર સાથે પરીક્ષણ કરી શકાય છે:

• સૌર માટે સંપૂર્ણ ટોચમર્યાદા: ઉત્પાદન રાત્રે ક્યારેય હકારાત્મક હોઈ શકતું નથી અને સ્થાપિત શક્તિ (અને વર્તમાન રેડિયેશન શું પરવાનગી આપે છે) કરતાં વધી શકતું નથી. આ એક ચેક તરત જ મૂર્ખ અનુમાનોને દૂર કરે છે.
• કેપેસિટી ફેક્ટર: જો પાવર પ્લાન્ટ સંપૂર્ણ પાવર પર સતત ચાલતો હોય તો તે જે ઉર્જા ઉત્પન્ન કરે છે તે ઉર્જાનો તે ગુણોત્તર છે. તટવર્તી પવનમાં તે સામાન્ય રીતે લગભગ 25-45 ટકા હોય છે, સૂર્યમાં તે આબોહવા પર આધાર રાખીને લગભગ 12-25 ટકા હોય છે. જો લાંબા ગાળાની સરેરાશ આ શ્રેણીની બહાર હોય, તો એક ભૂલ છે.
• વાસ્તવિક ડેટા: સૌથી મજબૂત એન્કર એ વાસ્તવિક ઉત્પાદન સાથેની આગાહીની સરખામણી છે; વ્યવસ્થિત પૂર્વગ્રહ (દા.ત. સતત વધુ પડતો અંદાજ) સુધારેલ છે.

સાવધાન: રાત્રે સૌર ઉત્પાદનની આગાહી બિન-શૂન્ય હોવી અથવા પવનની આગાહી માટે હજુ પણ કટ-ઓફ રેટથી ઉપર સંપૂર્ણ ઉત્પાદન દર્શાવવું ભૌતિક અશક્ય છે. આવા ઉલ્લંઘનો એ સંકેત છે કે મોડેલમાં ક્યાંક મૂળભૂત ભૌતિકશાસ્ત્ર ખૂટે છે અને આંકડાઓ જોયા વિના તેને નકારી કાઢવામાં આવે છે.

ત્રણ મિની કેસ: સંખ્યાઓ દ્વારા

કેસ 1 - નાઇટ પ્રોડક્શન. એક ટીમના સૌર અનુમાન મોડેલે 10 p.m. માટે 3 મેગાવોટ ઉત્પાદનની આગાહી કરી હતી. તે શારીરિક રીતે અશક્ય હતું; સમસ્યા એ હતી કે મોડલને આપવામાં આવેલ વિકિરણ ડેટા ખોટા સમય ઝોનમાં મૂલ્યો સાથે મેળ ખાતો હતો. નાઇટ-ઝીરો એન્કરએ તરત જ ભૂલ પકડી લીધી, અને એકવાર ટાઇમ ઝોન સુધાર્યા પછી, આગાહી સાચી પડી.

કેસ 2 - પવનમાં ક્યુબ ઇફેક્ટ. એક વિન્ડ ફાર્મ પર, હવામાનની આગાહીએ 8 m/s ને બદલે 10 m/s ની પવનની ઝડપ આપી હતી - એક દેખીતી 25 ટકા ભૂલ. પરંતુ પાવર ક્યુબલી ઝડપ પર નિર્ભર હોવાથી, ઉત્પાદનનો અંદાજ વાસ્તવિક રકમ કરતાં લગભગ બમણો હતો, પરિણામે બજારમાં ભારે અસંતુલન દંડ થયો. પાઠ: પવનની આગાહીમાં નાની ઝડપની ભૂલ એ મોટી ઉત્પાદન ભૂલ છે; અનિશ્ચિતતાની પટ્ટી પહોળી રાખવી જોઈએ.

કેસ 3 — ક્ષમતા પરિબળ એન્કર. એક નવા પાવર પ્લાન્ટ માટે વાર્ષિક ઉત્પાદનની આગાહી 55 ટકાની ક્ષમતા પરિબળ સૂચવે છે. તે ખંડીય પવન માટે આ શ્રેણીથી ઉપર હતું; તપાસ દર્શાવે છે કે ઉત્પાદનના એકમો (MWh) ભૂલથી બે વાર ગણાય છે. ક્ષમતા પરિબળ એન્કરે વિગતમાં ગયા વિના રોકાણના નિર્ણયને ખોટા પાયામાંથી મુક્ત કર્યો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ વિન્ડ ફાર્મના આવતીકાલના ઉત્પાદનની આગાહી કરો.[ડેટા]

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: રિન્યુએબલ પ્રોડક્શન ફોરકાસ્ટર. કાર્ય: વિન્ડ ફાર્મ માટે કલાકદીઠ દિવસ-આગળના ઉત્પાદનની આગાહી.- અનુમાન સમયે ઉપલબ્ધ હવામાનની આગાહીનો જ ઇનપુટ તરીકે ઉપયોગ કરો; માપો અને પવનની ગતિની ઘન અસરને ધ્યાનમાં લો. - ટર્બાઇન પાવર કર્વ લાગુ કરો (કટ-ઇન, નજીવી, કટ-ઓફ ઝડપ); આ મર્યાદાની બહાર ભૌતિક પરિણામો આપશો નહીં. - અનિશ્ચિતતા બેન્ડ આપો, એક પણ નંબર નહીં. - બે એન્કર વડે જાતે પરિણામનું પરીક્ષણ કરો: (a) શું ઇન્સ્ટોલ કરેલ પાવર કરતાં કોઈ મૂલ્ય છે, (b) 25-45% ની રેન્જમાં ગર્ભિત ક્ષમતા પરિબળ છે? ડેટા: [છોડ અને હવામાન ડેટા]

શક્તિશાળી પ્રોમ્પ્ટ શરૂઆતથી જ ક્યુબ ઇફેક્ટ, પાવર કર્વ, અનિશ્ચિતતા અને બે ફિઝિકલ એન્કર લાદે છે — રિજનરેટિવ ફોરકાસ્ટિંગની ક્લાસિક ભૂલોને કાપી નાખે છે.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) સૌર ભૌતિક ટોચમર્યાદા નિયંત્રણ:

આ એન્કર સાથે આ સૌર ઉત્પાદન અંદાજનું પરીક્ષણ કરો: શું રાત્રિના કલાકો દરમિયાન ઉત્પાદન શૂન્ય છે? શું બપોરનો સમય દિવસની મધ્યમાં છે? શું કોઈ મૂલ્ય સ્થાપિત ક્ષમતા કરતાં વધી ગયું છે? ટાઇમસ્ટેમ્પ સાથે ઉલ્લંઘનોની સૂચિ બનાવો.

2) વિન્ડ પાવર કર્વ એપ્લિકેશન:

નીચેના ટર્બાઇન પાવર કર્વ પરિમાણોનો ઉપયોગ કરો: કટ-ઇન [A] m/s, નામાંકિત[B] m/s, કટ-ઓફ [C] m/s. આપેલ પવનની ગતિની આગાહીને ઉત્પાદનમાં કન્વર્ટ કરો. ક્યુબિક સ્પીડ-પાવર સંબંધને કારણે ઉત્પાદનની અનિશ્ચિતતા પર ઝડપની અનિશ્ચિતતાની અસર પર પણ ટિપ્પણી કરો.

3) ક્ષમતા પરિબળ વ્યાજબીતા એન્કર:

આ પેઢીના અંદાજમાંથી ગર્ભિત ક્ષમતા પરિબળની ગણતરી કરો અને છોડના પ્રકાર (પવન 25-45%, સૌર 12-25%) માટે લાક્ષણિક શ્રેણી સાથે તેની તુલના કરો. જો શ્રેણીની બહાર હોય, તો સંભવિત ભૂલ સ્ત્રોતોની સૂચિ બનાવો (એકમ, સમય ઝોન, ડબલ ગણતરી).

4) આગાહી-વાસ્તવિક વિચલન વિશ્લેષણ:

ભૂતકાળની આગાહીઓ સાથે વાસ્તવિક ઉત્પાદનની તુલના કરો. શું ત્યાં વ્યવસ્થિત પૂર્વગ્રહ છે (સતત વધુ/ઓછું આંકવું)? વિચલન હવામાનની સ્થિતિ (વાદળછાયું/સ્પષ્ટ, નીચો/ઊંચો પવન) સાથે બદલાય છે કે કેમ તે તપાસો અને સુધારો સૂચવો.

સૌર અને પવનની સરખામણી ચાર્ટ

લક્ષણ

સૌર (PV)

પવન

મુખ્ય ઇનપુટ

ઇરેડિયન્સ, પેનલ તાપમાન

પવનની ગતિ અને દિશા

દૈનિક આંકડો

અનુમાનિત (રાત શૂન્ય, મધ્યાહન શિખર)

અનિયમિત, દિવસ-રાત અનિશ્ચિત

મુખ્ય પડકાર

વાદળછાયું

સ્પીડ-પાવર ક્યુબિક સંબંધ

લાક્ષણિક ક્ષમતા પરિબળ

~12-25%

~25-45% (પાર્થિવ)

મજબૂત એન્કર

રાત્રિ-શૂન્ય, સ્થાપિત પાવર સીલિંગ

પાવર કર્વ મર્યાદા, ક્ષમતા પરિબળ

સામાન્ય ભૂલો

• પવનની ઝડપની ભૂલને ઓછો અંદાજ. સ્પીડ-પાવર રિલેશનશિપ ક્યુબિક હોવાથી, નાની સ્પીડ એરર એ મોટી પ્રોડક્શન એરર છે.
• ભૌતિક ટોચમર્યાદા તપાસતા નથી. રાત્રિના સમયે સૌર ઉત્પાદન અથવા સ્થાપિત ક્ષમતા કરતાં વધી ગયેલા કોઈપણ મૂલ્યને આંકડા જોયા વિના નકારી કાઢવો જોઈએ.
• અનિશ્ચિતતાને એક નંબર સુધી ઘટાડવી. નવીનીકરણીય આગાહી સ્વાભાવિક રીતે સંભવિત છે; ટેપ આપ્યા વિના નિર્ણય લઈ શકાય નહીં.
• લીક. વાસ્તવિક હવામાનને વિશેષતા બનાવવી; જો કે, તમારી પાસે ફક્ત હવામાનની આગાહી છે.
• ક્ષમતા પરિબળ એન્કર બાયપાસ. લાંબા ગાળાના એવરેજ હાઈડ્સ યુનિટ અને ડબલ ગણતરીની ભૂલોની વાજબીતાનું પરીક્ષણ ન કરવું.

સારાંશમાં

સૌર અને પવનનું ઉત્પાદન હવામાનશાસ્ત્ર પર આધારિત છે અને તે પરિવર્તનશીલ છે; અંદાજ ગ્રીડ સંતુલન અને બજાર માટે મહત્વપૂર્ણ છે. સૂર્યની અનુમાનિત દૈનિક પેટર્ન વાદળછાયાને કારણે મુશ્કેલ બને છે, અને ઝડપથી ઘન સંબંધને કારણે પવનનું ઉત્પાદન મુશ્કેલ બને છે. હવામાનની આગાહીને વાસ્તવિક ઉત્પાદન સાથે જોડવામાં AI શક્તિશાળી છે; પરંતુ આગાહીને ભૌતિક ટોચમર્યાદા, પાવર કર્વ અને ક્ષમતા પરિબળ એન્કર સાથે પરીક્ષણ કરવું આવશ્યક છે, અનિશ્ચિતતાની જાણ ટેપ વડે કરવી જોઈએ અને લિકેજ ટાળવું જોઈએ.

એપ્લિકેશન કાર્ય

સોલર અથવા વિન્ડ ફાર્મનો ઐતિહાસિક ઉત્પાદન ડેટા મેળવો. AI પાસે “સોલાર ફિઝિકલ સીલિંગ કંટ્રોલ” (સૌર માટે) અથવા “ક્ષમતા પરિબળ પ્રેઝબિલિટી એન્કર” (બંને માટે) ટેમ્પ્લેટ્સનો ઉપયોગ કરીને આગાહીનું ઑડિટ કરાવો. પછી ગર્ભિત ક્ષમતા પરિબળની જાતે ગણતરી કરો અને લાક્ષણિક શ્રેણી સાથે તેની તુલના કરો. જો તમને ભૌતિક અશક્યતા અથવા વાજબીતાનું વિચલન જણાય, તો તમે તેને કેવી રીતે પકડ્યું તે લખો.

ચેકલિસ્ટ

• [ ] મેં ચકાસ્યું કે મુખ્ય ઇનપુટ હવામાનની આગાહી છે અને તેમાં લીક નથી
• [ ] મેં નાઇટ-ઝીરો લાગુ કર્યું અને સૌર માટે પાવર સીલિંગ એન્કર ઇન્સ્ટોલ કર્યા
• [ ] મેં પવન માટે પાવર વળાંકની મર્યાદા અને ઘન વેગની અસરને ધ્યાનમાં લીધી
• [ ] મેં ગર્ભિત ક્ષમતા પરિબળની તુલના લાક્ષણિક શ્રેણી સાથે કરી
• [ ] મેં અનિશ્ચિતતા બેન્ડ સાથે અંદાજ રજૂ કર્યો
• [ ] મેં અનુમાનિત-અનુભૂતિનું વ્યવસ્થિત વિચલન તપાસ્યું
• [ ] મેં એવા મૂલ્યોને નકારી કાઢ્યા જેમાં ભૌતિક અશક્યતા શામેલ છે