מודל AI מגלה פאנלים סולאריים על הגגות

מודל AI חדש מגלה פאנלים סולאריים על הגגות

המודל החדש של AI, שנקרא cDDPM, מצליח לחשוף ייצור סולארי מוסתר רק משנת‑חצי‑שעתיות של מדדי חשמל חכמים. הוא נותן למפעילי רשת תמונה ברורה של הפאנלים שמסתתרים מאחורי המונה.

הקבוצה באוניברסיטת פוליטק נוקלה קאטלוניה ביססה את המודל אחרי שבקשת חברת חשמל ספרדית דרשה דרך למדוד תנודות במתח בלי לדעת מי בעל הפאנלים. עכשיו, אחרי שהמודל מצביע על מיקומי הפאנלים, אפשר להריץ כל כלי ניהול רשת – מבקרי מתח ועד תזמון תגובת ביקוש.

איך מודל הפיזור המותנה עובד

cDDPM לומד את התפלגות הייצור היומי של פאנלים על‑גג על‑פי שלושה קלטים קלים לקבלה: צריכה נטו מהמדד, קרינת שמש מקומית, ותכונות מיקום (כגון קו רוחב וכיוון הגג). בזמן החיזוי המודל מתחיל מרעש אקראי ומסיר אותו שלב אחרי שלב בעזרת רשת נוירונים חד‑ממדית (U‑Net) שתופסת את דפוסי היום.

מאחר שהמודל מותנה, הוספת מידע רלוונטי – למשל צריכת אתמול – מצמצמת את רצועות האי‑ודאות. המחברים הוכיחו שהשילוב של קרינה עם צריכה נוכחית וקודמת נותן את הדיוק הטוב ביותר.

מקורות: המחקר המקורי ב‑Energy and AI (pv magazine), המתודולוגיה המפורטת ב‑ScienceDirect, והדוח הטכני ב‑UPCommons.

דיוק מוכח על נתונים אמיתיים

המודל נבדק על שני מאגרי נתונים ציבוריים של בתים:

• אוסטרליה – 257 בתים עם שנת נתונים של חצי‑שעה של מדד חכם וייצור פאנלים.
• הולנד – מאגר נפרד שבדק יכולת הכללה בין אזורים.

בשני המקרים cDDPM עבר את השיטות הקלאסיות, שיטות פרוק פיזיקלי, מודלים מבוססי פרוקסים, למידת קבוצה, רגרסיית קוונטיל, ואפילו מודלים של auto‑encoders תנאים. המדדים הקבועים השתפרו – RMSE (שגיאה ממוצעת) היה נמוך יותר מהבנצ׳מרק הקבוע הטוב ביותר, והמדדים ההסתכליים כמו PICP (הסתברות כיסוי רצועת תחזית) עמדו ב‑95 % עם רצועות צרות (PINAW נמוך). גרפים של כיול הראו שהרצועות אמינות, במיוחד בימים שמשיים שבהם הפאנלים שולטים בצריכה נטו.

תוצאות ההשוואה ניתן לראות במאמר הכנס של המחברים ב‑מאגר KAUST ובסיכום קבוצת העבודה של IEEE PES ב‑IEEE PES.

למה חשוב למדוד אי‑ודאות עבור מפעילי רשת

מפעילי רשת צריכים יותר מנקודת חיזוי אחת – הם צריכים לדעת כמה הם בטוחים בתחזית. cDDPM נותן לכל עקומת פאנלים רצועת ביטחון של 95 %.

1. תכנון בקרה על המתח – עם רצועת סיכון ידועה, הסיכון לאירועי יתר‑מתח פוחת.
2. הקצאת משאבי גמישות – כמו תגובת ביקוש או אחסון, רק במקומות שהתחזית מדויקת.
3. תמחור תעריפים – אפשר לגבות לקוחות בצורה הוגנת כשמתחשבים בצריכה נטו שמוסתרת על‑ידי ייצור עצמי.

היכולת לצרף רווח ביטחון של 95 % היא קפיצה משמעותית מול פרוק קבוע, שיכול להטעות במקרים של ענני‑סופה.

הרחבת השיטה לבטריות ו‑EV

הכותבים מציינים שאם נוסיף נתוני בטריות למאגר האימון, המודל יוכל להפריד בין ייצור פאנלים לטעינת/פריקת בטריות. בבתים בלי בטריות, תנאי קרינה בלבד כבר משיג ביצועים תחרותיים. לגבי רכב חשמלי (EV), ההשפעה קטנה כי רוב הטעינה מתרחשת אחרי השקיעה, כשייצור הפאנלים כמעט אפס. עם חיבור חכם של טעינת EV למרכז היום, נצטרך משתנים נוספים כמו אותות מחיר חשמל או חלונות טעינה שהוגדרו על‑ידי המשתמש כדי לשמור על אי‑ודאות נמוכה.

תובנות נוספות על בטריות וגמישות במערכת BTM נידונות ב‑Ember.

מה המשמעות לישראל

רשתות ההפצה בישראל מתמודדות עם עלייה מהירה בפאנלים על‑גגות – חלק משמעותי של בתים פרטיים כבר מצוידים במערכות סולאריות. מכיוון שהרבה מההתקנות הן “מאחורי המונה”, רשות החשמל הישראלית והמרכז לניהול רשת (NOGA) חסרות ראייה מדויקת, מה שמקשה על ניהול המתח וחיזוי עומסים.

אם מפעילה ישראלית תיישם את cDDPM, היא תוכל לזהות מערכת של 10 kW‑peak טיפוסית לבית במרכז הארץ. לפי נתונים ישראליים מאומתים:

• ייצור שנתי ≈ 17,000 kWh (תפוקה של 1,700 kWh/kW · 10 kW).
• בתעריף פיד‑אין של ₪0.48 /kWh, ייצור זה שווה ₪8,160 בשנה לחיסכון בחשבון החשמל.
• זיהוי קיבולת מוסתרת על קו יכול להפחית משמעותית את העומס בצהריים, להקל על מתחים במתח ולדחות שדרוגי רשת יקרים.

חישוב החזר השקעה פשוט מראה: מערכת של 10 kW עולה כ‑₪31,500 (₪3,150 /kW) ומחזירה ₪8,160 לשנה – כ‑3.9 שנים ללא סובסידיות, כפי שמודגם בדוגמה הישראלית. כשמפעילה יודעת לאן הפאנלים, היא יכולה לתכנן תעריפי נט‑מטרינג מדויקים, למקד תמריצים ולתאם טוב יותר עם בטריות או גמישות של רכב חשמלי.

למעוניינים להריץ חישובים משלהם, מחשבון ROI של סולאר (/calculator) ודף נתוני השוק (/data) מאפשרים להכניס את הקלטים הישראליים הרגילים.

מבט לעתיד: הרחבת נראות BTM בעולם

המודל cDDPM מראה ש‑AI גנרטיבי עמוק יכול להפוך מדידות חצי‑שעתיות גולמיות למפה ברזולוציה גבוהה של ייצור סולארי מבוזר. ככל שיותר חברות יידרשו למידע מדויק ויבואו בטריות ו‑EV, אפשר להרחיב את תנאי הפיזור למספר משאבים גמישים במקביל. חוקרים כבר בוחנים תנאי משולב (פאנלים + בטריה + EV) והוספת אותות מחיר כדי לשמור על אי‑ודאות נמוכה בנוף ביקוש‑הצד המורכב.

בשנים הקרובות נצפה ל‑:

• דיווח סטנדרטי של אי‑ודאות למשאבי BTM, בתמיכה IEEE PES וההנחיות של האיחוד האירופי למערכות הפצה.
• כלים קוד‑פתוח שיאפשרו למפעילים לשלב קרינת שמש וצריכה ללא צורך במאגרי נתונים קנייניים.
• תמריצים רגולטוריים שיגרמו לחברות לשפר את הראייה, כי תחזיות מדויקות חוסכות עלויות קיצור והדחיית חיזוק רשת.

לישראל המסר ברור: אימוץ פרוק אסימטרי כמו cDDPM יחזק את היכולת לראות פאנלים על‑גגות, יסייע להגיע ל‑30 % חשמל מתחדשת עד 2030, וייתן לבתים דרך ברורה יותר לעצמאות אנרגטית.

---

FAQ

• מה זה cDDPM? זה מודל דינמי של AI שמייצר עקומות פאנלים סולאריים אפשריות משנת‑חצי‑שעתיות של מדד חכם, ומספק גם נקודת חיזוי וגם רצועת ביטחון.
• למה מדדי חצי‑שעה לא מספיקים לבדי? מדדי חצי‑שעה מודדים צריכה נטו, שמשלבת ייצור פאנלים וביקוש. בלי פיצול, המפעילה לא יודעת כמה מהחיסור נובע משמש וכמה מצריכה מופחתת.
• כמה מדויק השיטה? במבחנים באוסטרליה והולנד היא השיגה RMSE נמוך יותר מהבנצ׳מרק הקבוע הטוב ביותר והציגה כיסוי של 95 % ברצועות התחזית.
• האם זה יעבוד בבתים עם בטריות? כן, אם יתווספו נתוני טעינה/פריקה של הבטריות למאגר האימון; ללא זאת, תנאי קרינה בלבד עדיין נותן תוצאות מקובלות.
• האם חברות ישראליות יכולות לאמץ זאת היום? בהחלט – השיטה דורשת רק מדדי חצי‑שעה קיימים, תחזיות קרינת שמש מקומיות ונתוני מיקום בסיסיים, שכל אלה זמינים למפעילי רשת בישראל.

---

עובדות מרכזיות

• cDDPM משחזר ייצור פאנלים מוסתר משנת‑חצי‑שעתיות של מדד חכם עם רצועות ביטחון של 95 %.
• במבחנים באוסטרליה הוא השיג RMSE נמוך יותר מהבנצ׳מרק הקבוע הטוב ביותר.
• מערכת סולארית בת 10 kW בישראל מניבה כ‑17,000 kWh/שנה, שווה ₪8,160 בתעריף הפיד‑אין.
• ניתן להרחיב את המודל לכלול בטריות ו‑EV על‑ידי הוספת משתני תנאי מתאימים.

מקורות לקריאה נוספת

• Conditional diffusion modeling for probabilistic behind-the-meter PV...
• Conditional diffusion modeling for probabilistic... - UPCommons
• Conditional denoising diffusion probabilistic model based ante-hoc...
• Conditional Denoising Diffusion Probabilistic Models for Data... - arXiv
• A Conditional Denoising Diffusion Probabilistic Model for Point...