Ключові слова
енерговидобуток
прогнозування
діагностування
забруднення
обслуговування
моніторинг
маршрутизація
моделювання
керування
Як цитувати
Анотація
У статті запропоновано модель цифрового контуру підвищення енерговидобутку фотоелектричних систем, сформовану на основі структурованого аналізу сучасних міжнародних досліджень. Актуальність роботи зумовлена тим, що ефективність роботи фотоелектричних станцій залежить не лише від технічних характеристик обладнання, а й від здатності системи своєчасно виявляти причини зниження виробітку електроенергії та обґрунтовано обирати подальшу експлуатаційну або сервісну дію. Розглянуто умови, за яких фотоелектричні системи втрачають частину потенційного енерговидобутку, зокрема часткове затінення сонячних модулів, швидкі зміни погодних параметрів, забруднення поверхні панелей, поступову деградацію обладнання та появу технічних несправностей. Метою статті є формування інтегрованого підходу до маршрутизації рішень у цифровому контурі фотоелектричної системи на основі кількісних результатів сучасних досліджень. Проаналізовано сучасні підходи до керування точкою максимальної потужності, прогнозування виробітку електроенергії, виявлення несправностей, оцінювання забруднення, моніторингу технічного стану та підтримки рішень щодо експлуатаційного або сервісного втручання. Визначено, що окремі алгоритмічні рішення вже демонструють високі кількісні результати у власних класах задач, однак їх використання у великих фотоелектричних комплексах залишається обмеженим через недостатню формалізацію переходу від результату окремої моделі до практичного рішення на рівні всієї станції. Запропонований цифровий контур розглядається не як набір незалежних аналітичних модулів, а як інтегрована система, у якій прогнозування, виявлення відхилень, оцінювання забруднення, аналіз стану обладнання та маршрутизація рішень працюють узгоджено. Окрему увагу приділено формалізації процесу вибору дій на основі сукупності сигналів системи. Запропонований підхід дає змогу розмежовувати ситуації, у яких достатньо локальної корекції режиму роботи, від випадків, де потрібно переналаштувати прогнозну модель, виконати очищення сонячних модулів або ініціювати адресне технічне обслуговування. Наукова новизна роботи полягає у формалізації зв’язку між кількісними результатами сучасних алгоритмічних підходів і типами практичних рішень на рівні фотоелектричної станції. Практичне значення роботи полягає у можливості використання запропонованої моделі як основи для цифрових систем підтримки рішень на фотоелектричних станціях. Така логіка дозволяє зменшити ризик необґрунтованих сервісних втручань, уникнути помилкового трактування забруднення або прогнозної похибки як технічної несправності та підвищити обґрунтованість експлуатаційних рішень.
Посилання
E. Engel and N. Engel, “A review on machine learning applications for solar plants,” Sensors, vol. 22, no. 23, Nov. 2022, Art. no. 9060, doi: https://doi.org/10.3390/s22239060
A. Kumar, A. K. Dubey, I. Segovia Ramírez, A. Muñoz del Río, and F. P. García Márquez, “Artificial intelligence techniques for the photovoltaic system: A systematic review and analysis for evaluation and benchmarking,” Archives of Computational Methods in Engineering, vol. 31, no. 8, pp. 4429–4453, May 2024, doi: https://doi.org/10.1007/s11831-024-10125-3
O. Boubaker, “MPPT techniques for photovoltaic systems: A systematic review in current trends and recent advances in artificial intelligence,” Discover Energy, vol. 3, Dec. 2023, Art. no. 9, doi: https://doi.org/10.1007/s43937-023-00024-2
S. A. Sarang et al., “Maximizing solar power generation through conventional and digital MPPT techniques: A comparative analysis,” Scientific Reports, vol. 14, Apr. 2024, Art. no. 8944, doi: https://doi.org/10.1038/s41598-024-59776-z
J. T. Sousa and R. S. Barbosa, “Comparison of classical and artificial intelligence algorithms to the optimization of photovoltaic panels using MPPT,” Algorithms, vol. 18, no. 8, Aug. 2025, Art. no. 493, doi: https://doi.org/10.3390/a18080493
M. Yilmaz, “Comparative analysis of hybrid maximum power point tracking algorithms using voltage scanning and perturb and observe methods for photovoltaic systems under partial shading conditions,” Sustainability, vol. 16, no. 10, May 2024, Art. no. 4199, doi: https://doi.org/10.3390/su16104199
P. Di Leo, A. Ciocia, G. Malgaroli, and F. Spertino, “Advancements and challenges in photovoltaic power forecasting: A comprehensive review,” Energies, vol. 18, no. 8, Apr. 2025, Art. no. 2108, doi: https://doi.org/10.3390/en18082108
Z. Ouyang, Z. Li, and X. Chen, “Day-ahead photovoltaic power forecasting with multi-source temporal-feature convolutional networks,” Energy Informatics, vol. 8, May 2025, Art. no. 68, doi: https://doi.org/10.1186/s42162-025-00531-7
X. Zhao, “A novel digital-twin approach based on transformer for photovoltaic power prediction,” Scientific Reports, vol. 14, Nov. 2024, Art. no. 26661, doi: https://doi.org/10.1038/s41598-024-76711-4
H. I. Aouidad and A. Bouhelal, “Machine learning-based short-term solar power forecasting: A comparison between regression and classification approaches using extensive Australian dataset,” Sustainable Energy Research, vol. 11, Aug. 2024, Art. no. 28, doi: https://doi.org/10.1186/s40807-024-00115-1
G. M. El-Banby, N. M. Moawad, B. A. Abouzalm, W. F. Abouzaid, and E. A. Ramadan, “Photovoltaic system fault detection techniques: A review,” Neural Computing and Applications, vol. 35, no. 35, pp. 24829–24842, Oct. 2023, doi: https://doi.org/10.1007/s00521-023-09041-7
A. F. Amiri, S. Kichou, H. Oudira, A. Chouder, and S. Silvestre, “Fault detection and diagnosis of a photovoltaic system based on deep learning using the combination of a convolutional neural network (CNN) and bidirectional gated recurrent unit (Bi-GRU),” Sustainability, vol. 16, no. 3, Jan. 2024, Art. no. 1012, doi: https://doi.org/10.3390/su16031012
Y. Tao, T. Yu, and J. Yang, “Photovoltaic array fault diagnosis and localization method based on modulated photocurrent and machine learning,” Sensors, vol. 25, Dec. 2024, Art. no. 136, doi: https://doi.org/10.3390/s25010136
W. M. Shaban, “Detection and classification of photovoltaic module defects based on artificial intelligence,” Neural Computing and Applications, vol. 36, no. 27, pp. 16769–16796, May 2024, doi: https://doi.org/10.1007/s00521-024-10000-z
P. Borah, L. Micheli, and N. Sarmah, “Analysis of soiling loss in photovoltaic modules: A review of the impact of atmospheric parameters, soil properties, and mitigation approaches,” Sustainability, vol. 15, no. 24, Dec. 2023, Art. no. 16669, doi: https://doi.org/10.3390/su152416669
B. I. Evstatiev, D. T. Trifonov, K. G. Gabrovska-Evstatieva, N. P. Valov, and N. P. Mihailov, “PV module soiling detection using visible spectrum imaging and machine learning,” Energies, vol. 17, no. 20, Oct. 2024, Art. no. 5238, doi: https://doi.org/10.3390/en17205238
M. Redondo, C. A. Platero, A. Moset, F. Rodríguez, and V. Donate, “Soiling modelling in large grid-connected PV plants for cleaning optimization,” Energies, vol. 16, no. 2, Jan. 2023, Art. no. 904, doi: https://doi.org/10.3390/en16020904
R. V. Vichare and S. R. Gaikwad, “AI-based predictive maintenance of solar photovoltaics systems: A comprehensive review,” Energy Informatics, vol. 8, Oct. 2025, Art. no. 128, doi: https://doi.org/10.1186/s42162-025-00594-6
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Авторське право (c) 2026 Віталій Андрійович Харченко