Солнечная энергия была самым быстрорастущим источником возобновляемой энергии с точки зрения установленной мощности за последние 6 лет. Совокупная глобальная мощность достигла 235 ГВт в 2015 году, и ожидается, что к 2018 году она увеличится вдвое. Есть два метода извлечения электроэнергии из солнца, а именно концентрированная солнечная энергия (CSP) и фотоэлектрическая энергия (PV).

Применение аналитических систем при использовании солнечной энергии

Принцип работы CSP аналогичен традиционной электростанции, в которой пар вырабатывается в котле и подается в турбины для получения механической энергии. Источником тепла являются концентрированные солнечные лучи, а не ископаемое топливо, и, следовательно, это производство возобновляемой энергии. Между тем, фотоэлектрическая технология основана на том факте, что солнечный свет, попадающий на полупроводник, приводит к разнице напряжения и тока в элементе, который является источником выработки электроэнергии.

В 2016 г. доля развертывания CSP составила 3,5 ГВт, что соответствует менее 1% от общей мощности. В основном это связано с более низкой стоимостью PV по сравнению с CSP. Более того, фотоэлектрические системы могут быть установлены в различных масштабах. Это свойство облегчает их принятие небольшими партиями. Эти партии можно разделить на жилые (0-20 кВт), коммерческие (20-100 кВт), промышленные (100-1000 кВт) и коммунальные (5 МВт +) в зависимости от их установленной мощности. Сегментированное владение фотоэлектрической технологией упрощает использование множества приложений для анализа больших данных в этом секторе.

Снижение затрат на эксплуатацию солнечных станций

Повышение уровня зрелости фотоэлектрических технологий привело к резкому снижению цен на фотоэлектрические системы, подключенные к сети, в последнее десятилетие. В 2016 году стоимость фотоэлектрической системы в Европе составляла 1350 евро / кВт без НДС. На оборудование системы приходится 67% общих затрат. Затраты, не связанные с оборудованием, связанные с привлечением клиентов, накладными расходами установщика, финансированием, контрактами, инспекциями, выдачей разрешений, подключением и монтажом, называются мягкими затратами. Аналитика больших данных может снизить мягкие затраты, предлагая более разумные маркетинговые стратегии, более точное предварительное исследование проектов и облегчая финансирование для разработчиков солнечных батарей.

Аналитика одной из основных статей расходов в солнечном проекте являются высокие финансовые затраты. Будучи источником энергии, зависящим от погоды, солнечные проекты вызывают неопределенность. Рискованный характер инвестиций приводит к более высоким процентным ставкам. Более того, в отличие от ветра, солнечные проекты в основном разрабатываются небольшими компаниями, у которых нет гарантий производительности.

Компания kWh Analytics, стартап из США, стремится быть доверенной третьей стороной для исследования эффективности проекта для инвесторов. Это снизит проценты по ссудам на солнечные проекты за счет повышения надежности инвестиций. Компания достигает этого, собирая данные о более чем 70 000 солнечных проектов на своей платформе вместе с программным обеспечением для управления рисками.

Окончательная цена на электроэнергию зависит не только от оптовых цен, но и от местной системы распределения, которая называется местной предельной ценой (LMP). Это месторасположение из-за дополнительных затрат, связанных с передачей электроэнергии от источника (узла) генерации конечному пользователю. Следовательно, очень важно знать, находится ли место потенциального солнечного проекта близко к узлу или нет.

Программное обеспечение наносит на карту расположение узлов и подстанций и ранжирует их в соответствии с их прибыльностью, принимая во внимание стоимость энергии, полученную в результате годового почасового производства солнечной энергии, через погодные данные и исторические оптовые цены. Это помогает инвесторам сузить поиск по сайту до более выгодных мест. Кроме того, характеристики компонентов сети также влияют на стоимость.

Программное обеспечение определяет взаимосвязь между фидерами и посылками, чтобы оценить мощность фидера для спроектированной перевозки электроэнергии. По этой информации инвестор может узнать, выходит ли планируемый объект за пределы пропускной способности сети, что потребует дополнительных инвестиций в инфраструктуру. Еще одна сложная для оценки стоимость — подключение объекта к сети. Такие параметры, как близость выбранного участка к фидерным линиям и подстанциям, а также их характеристики влияют на затраты.

Программное обеспечение отображает все посылки, обслуживаемые конкретным устройством подачи, и визуализирует их в соответствии с их экономической эффективностью. Компания предоставляет эти услуги, собирая различные общедоступные данные, такие как отчеты о коммунальных услугах, отчеты о сбоях, заявки на получение разрешений, визуальный осмотр и исторические данные об оптовых ценах.

Компания стремится уменьшить неопределенность в отношении потенциальной экономии солнечного проекта. Один из рисков, связанных с солнечными проектами, — это неопределенность рыночных тарифов на коммунальные услуги. Ориентировочные тарифы на коммунальные услуги учитываются при расчете экономии солнечных установок. Плохая оценка может привести к убыточным инвестициям. Эта неопределенность приводит к увеличению расходов по ссуде, что затрудняет проекты в области солнечной энергетики. Используя аналитику больших данных, делает точные прогнозы тарифов на коммунальные услуги и, таким образом, снижает затраты.

Содействие внедрению солнечных панелей в жилых домах

Затраты на маркетинг и установку по-прежнему составляют значительную долю в общей стоимости из-за обычно применяемых традиционных методов маркетинга. Аналитика больших данных может способствовать увеличению скорости внедрения солнечных фотоэлектрических систем, предлагая решения домашним хозяйствам, подрядчикам и разработчикам.

Компания использует данные обнаружения и определения расстояния (LIDAR) с подробными данными о потребителях и передовую технологию распознавания изображений для определения домохозяйств, которые будут использовать солнечные фотоэлектрические системы в ближайшем будущем. Каждый дом помечен 1 200 точками данных, включая уровень дохода и образования, политическую принадлежность, тип жителя и тип автомобиля. Это понимание резко сократит маркетинговые расходы. Они также предоставляют домашним хозяйствам платформу для облегчения принятия решений об установке солнечных панелей.

Платформа может прогнозировать потенциальную выработку электроэнергии в доме, используя ту же базу данных. Они создают цифровую модель поверхности кровельного пространства, определяя фасет крыши, ориентацию и уклон. Затем выполняется расчет для определения оптимальной установки панели и выходной мощности. Текущая практика для запроса такой информации заключается в отправке эксперта, который проведет обследование, чтобы решить, подходит ли дом или нет. Он также содержит ближайших подрядчиков с лучшими ценами на установку и дает домашнему хозяйству возможность выбирать из них. Подрядчики регистрируются на платформе и увеличивают объем своего бизнеса, в то время как более структурированный план работы увеличивает их производительность.

Ресурс, на котором владельцы домов могут определить, сколько электроэнергии они могут произвести, не проводя исследования на месте, что приводит к снижению затрат на приобретение для установщиков и более разумному принятию решений для владельцев домов. Компания автоматизирует модель производства солнечной электроэнергии, принимая во внимание погодные данные, размер, ориентацию и наклон крыши; и тени от деревьев, строений и местности. Позже проводится финансовый расчет с использованием тарифов на коммунальные услуги, профилей использования энергии и стимулов к использованию энергии. Точность метода была подтверждена Национальной лабораторией возобновляемых источников энергии (NREL). 76% расчетов совпадали с результатами эксплуатационных испытаний на месте.

Улучшение производительности солнечных панелей

Солнечные фотоэлектрические объекты контролируются, чтобы постоянно поддерживать производительность на максимально возможном уровне. В масштабах предприятия контролируемые данные собираются с инверторов, сумматоров, трекеров, оптимизаторов модулей, счетчиков, трансформаторов, распределительных устройств и подстанций. Кроме того, датчики погоды измеряют освещенность, температуру и скорость ветра. Данные мониторинга в сочетании со сторонними источниками данных могут улучшить годовое производство энергии и разработать более эффективные методы управления активами.

Alectris Alectrics — это компания, занимающаяся производством фотоэлектрических систем, техническим обслуживанием и управлением активами, которая была создана в результате слияния компаний Advartia и Origis Energy в 2012 году. Они объединяют данные мониторинга с данными о финансовых и коммерческих операциях оператора для предоставления необходимой информации. Например, программное обеспечение может наблюдать низкую внутреннюю норму доходности и связывать это наблюдение с недостаточной производительностью из-за первоначального плохого дизайна актива.

NexTracker NexTracker является дочерней компанией Flex, международной электронной компании. Компания специализируется на производстве систем слежения для солнечных батарей. Солнечные электростанции теряют эффективность производства электроэнергии из-за непостоянства конструкции, неровностей местности и изменения погодных условий. NexTracker предлагает систему отслеживания, используя данные о местоположении облака, тумане или дымке для корректировки направления панели с помощью алгоритмов машинного обучения. Такое быстрое изменение положения панели увеличивает годовой выход энергии до 6%, предотвращая ненужные потери.

Сеть передачи и распределения. Управление эффективностью активов

Самая большая ответственность коммунального предприятия — обеспечить постоянную работоспособность сетевой инфраструктуры. Однако это серьезная операционная проблема, поскольку сеть состоит из множества распределенных компонентов, таких как трансформаторы, кабели, опоры, автоматические выключатели и т. д. Для развитых стран нынешняя инфраструктура электросети была построена в 20 веке. Средний возраст оборудования 30-35 лет. В результате управление эффективностью активов сталкивается с проблемами. Большая часть оборудования скоро выйдет из строя, и его необходимо будет заменить. Оборудование имеет тенденцию к выходу из строя. Это приводит к дорогостоящему срочному ремонту, чтобы сохранить работоспособность сети. Учитывая размер сеток, требуется очень большая организация полевых работ.

Традиционный подход основан на следующих пунктах:

• Прогнозирование сбоев на основе исторических данных на основе интуиции и опыта.
• Создание стратегии управления, которая нацелена на все оборудование, а не на состояние каждого компонента в нем. Отсутствие подхода к оценке риска / критичности.
• Ограниченное представление о состоянии оборудования.

Возможности прогнозного анализа аналитики больших данных трансформируют традиционный подход, давая проактивное понимание текущего состояния сети. Затем эти идеи преобразуются в оптимизированные планы работы. Новый подход, основанный на данных, состоит из профилактического обслуживания, концепции цифрового работника и планирования активов.

Профилактическое обслуживание солнечных электростанций

Данные, собранные с датчиков, осмотров объекта, источников ГИС и исторические записи технического обслуживания, дают представление о состоянии оборудования. Позже аналитика преобразует эту информацию, полученную почти в реальном времени, в полезную информацию. Возможный отказ оборудования может быть обнаружен за несколько дней, недель или даже месяцев. Может быть сформирована стратегия обслуживания, подкрепленная автоматическими рекомендациями. Такой подход к техническому обслуживанию называется профилактическим обслуживанием.

Лица, принимающие решения, могут основывать свою стратегию технического обслуживания на анализе рисков и расставлять приоритеты по компонентам, требующим срочного ухода. C3 IoT C3 IoT — поставщик SaaS для прогнозной бизнес-аналитики. Продукция компании в основном ориентирована на коммунальные услуги. Они используют данные Интернета вещей, корпоративные и сторонние данные для создания таких сервисов, как профилактическое обслуживание, обнаружение мошенничества, сегментация клиентов и т. д.

Платформа прогнозирует сбои в фидерах путем сбора данных из SCADA, заказов на техническое обслуживание, защиты от сбоев, управления активами, исторических отказов оборудования, известных сетевых проблем, качества электроэнергии, молний, ландшафта и растительности, а также погоды.

Цифровые технологии

Решения по профилактическому обслуживанию могут использоваться для расширения возможностей полевых работников с мобильными устройствами с оптимизированными планами работы. Это увеличивает производительность. Устройства позволяют мгновенно собирать данные проверки и передавать их в инструменты аналитики. Компания объявила об увеличении производительности на 73% благодаря этому подходу за счет меньшего количества времени, затрачиваемого на оформление документов, и более оптимизированного посещения ремонтных площадок. Более того, сбор данных производился с меньшим количеством ошибок благодаря упрощенному методу.

Аналитика больших данных также может помочь лицам, принимающим решения, относительно их инвестиций. Анализ сети может оптимизировать соответствующий размер трансформатора для определенной области или может предупредить, когда необходимо добавить новые трансформаторы.

Предупреждение отключений электроэнергии

Одного целостного подхода к управлению производительностью активов недостаточно для устранения перебоев в подаче электроэнергии. 70% отключений вызваны погодными условиями. По данным Министерства энергетики, в период с 2003 по 2012 год в стране произошло 679 отключений электроэнергии из-за погодных условий с экономическими затратами 18-33 миллиардов долларов в год. Эти зависящие от погодных условий отключения создают прямые затраты для коммунальных предприятий, поскольку они мобилизуют бригады и заменяют / ремонтируют оборудование без каких-либо затрат времени.

Более того, долгое время без электричества ухудшает имидж коммунального предприятия. Аналитика больших данных может помочь коммунальным предприятиям прогнозировать сбои на основе исторических данных о погоде и сбоях. Преобразуют данные о погоде в информацию для различных секторов. Их управление отключениями программного продукта объединяет данные о погоде с данными о сбоях и учится на них, чтобы прогнозировать количество отключений и повреждений инфраструктуры на территории коммунальных услуг с заблаговременностью 72 часа. Модель основана на прогнозном анализе.

Новизна продукта заключается в его способности объединять 16 различных наборов данных прогноза погоды для получения наиболее точных результатов. В модели используются такие параметры, как скорость ветра (продолжительный и порывистый), осадки, температура, атмосферное давление, влажность, влажность почвы и листва из данных о погоде и растительности, состояние активов (местоположение и / или здоровье), численность населения из других источников. Выпущенный в июне 2017 года, продукт является одним из самых передовых приложений для работы с большими данными в энергетической отрасли.

Обнаружение краж электроэнергии

Кража электроэнергии является основной причиной потери доходов коммунальными предприятиями нетехнического характера. Кражи обычно происходят в распределительной сети, к которой подключены миллионы потребителей. Большая и сложная структура распределительной сети затрудняет обнаружение аномалий. Проблема острее для развивающихся стран. Убытки, связанные с хищениями, достигают 30% от общего объема производства электроэнергии, в то время как средний мировой показатель составляет 8%, а средний показатель по странам ОЭСР — 6%. Например, в Бразилии2 ежегодно похищается 27 000 ГВт-ч.

Причины краж связаны не только с инфраструктурой, но и с социально-экономическими особенностями, играющими важную роль. Например, в Бразилии являются основным источником краж, тогда как на юго-востоке Турции, где действует активная террористическая группа, наблюдается рекордный уровень краж, до 73%. Аналитика больших данных — это система упреждающего обнаружения краж и устранения проблемы. Данные, полученные от таких коммунальных предприятий, как SCADA, AMR-системы, AMI, MDA-системы, GIS, CIS и AMS, объединяются с внешними данными о погоде, реестрах предприятий, демографическими данными и т. д. Затем результаты анализа в реальном времени передаются на информационную панель с использованием методов визуализации данных.

Например, если линия расположена в сельскохозяйственном районе, где нет значительной урбанизации, и ожидается, что нагрузка на линию будет низкой. Неожиданная нагрузка в этой линии, скорее всего, связана с кражей из-за незаконного использования электроэнергии в сельском хозяйстве. Уровень ввода данных оказывает значительное влияние на точность результатов. Однако кражи выше в тех районах, где учет не получил широкого распространения. Поэтому использование внешних источников и настраиваемые алгоритмы и методы применяются в разных областях. На рынке наблюдается тенденция к привлечению местных партнеров к разработке индивидуальных систем обнаружения краж. После обнаружения кражи применяется алгоритм машинного обучения для упреждающего определения потенциальной кражи и анализа рисков.

Обнаружение хищений электроэнергии с помощью аналитики больших данных. Программное обеспечение расставляет приоритеты и оптимизирует потенциальные цели краж для следователей. Компания использовала службу Revenue Intelligence от Choice для решения своей проблемы с кражами. Первые результаты через 4 месяца показали 21,9 ГВтч защиты от кражи энергии. По мере продолжения программы годовая сумма достигла 160 ГВтч, что соответствует 40 миллионам долларов экономии.