Остання редакція: 2026-06-22
Анотація
У роботі запропоновано підхід до виявлення аномалій у графіках генерування фотоелектричних станцій (ФЕС) на основі баєсівської-оцінки ризику недовиробітку методом Монте-Карло для марковських процесів (MCMC). Підхід поєднує фізичну модель очікуваної потужності, побудовану на сонячній геометрії та градієнтному бустингу, з ймовірнісним аналізом залишків через розподіл Стьюдента. Алгоритм враховує тільки випадки недовиробітку, оцінює ризик аномалії як ймовірність потрапляння у хвіст розподілу і додатково агрегує його у часі, щоб відрізнити короткі хмарні затьмарення від справжніх тривалих відхилень
APPLICATION OF BAYESIAN RISK ASSESSMENT TO IDENTIFY ANOMALIES IN ACTUAL HOURLY POWER GENERATION SCHEDULES
Abstract:
This paper proposes an approach to detecting anomalies in the power generation curves of photovoltaic power plants (PVPP) based on a Bayesian assessment of the risk of under-generation using the Monte Carlo method for Markov processes. The approach combines a physical model of expected power output, based on solar geometry and gradient boosting, with a probabilistic analysis of residuals using the Student’s t-distribution. The algorithm considers only cases of underproduction, estimates the risk of an anomaly as the probability of falling into the tail of the distribution, and further aggregates it over time to distinguish short-term cloud cover events from genuine long-term deviations
Ключові слова
Посилання
Holmgren W. F., Hansen C. W., Mikofski M. A. pvlib python: a python package for modeling solar energy systems. Journal of Open Source Software. 2018. Vol. 3, No. 29. P. 884. URL: https://doi.org/10.21105/joss.00884 (дата звернення: 07.05.2026).
Ke G., Meng Q., Finley T. et al. LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems. 2017. Vol. 30. P. 3146-3154. URL: https://proceedings.neurips.cc/paper_files/paper/2017/hash/6449f44a102fde848669bdd9eb6b76fa-Abstract.html (дата звернення: 01.05.2026).
Abril-Pla O., Andreani V., Carroll C. et al. PyMC: a modern, and comprehensive probabilistic programming framework in Python. PeerJ Computer Science. 2023. Vol. 9. e1516. URL: https://doi.org/10.7717/peerj-cs.1516 (дата звернення: 11.05.2026).
Gelman A., Carlin J. B., Stern H. S. et al. Bayesian Data Analysis. 3rd ed. Boca Raton: CRC Press, 2013. 675 p. URL: https://doi.org/10.1201/b16018 (дата звернення: 12.05.2026).
Mellit A., Tina G. M., Kalogirou S. A. Fault detection and diagnosis methods for photovoltaic systems: A review. Renewable and Sustainable Energy Reviews. 2018. Vol. 91. P. 1-17. URL: https://doi.org/10.1016/j.rser.2018.03.062 (дата звернення: 11.05.2026).
Bright J. M., Killinger S., Lingfors D., Engerer N. A. Improved satellite-derived PV power nowcasting using real-time power data from reference PV systems. Solar Energy. 2018. Vol. 168. P. 118-139. URL: https://doi.org/10.1016/j.solener.2017.10.091 (дата звернення: 27.04.2026).
Hoffman M. D., Gelman A. The No-U-Turn Sampler: Adaptively Setting Path Lengths in Hamiltonian Monte Carlo. Journal of Machine Learning Research. 2014. Vol. 15. P. 1593-1623. URL: https://jmlr.org/papers/v15/hoffman14a.html (дата звернення: 03.05.2026)