An analysis of Micro Grid system performance requires both meteorological and electrical data for the assessment period. However, actual in-field data acquisition is rarely 100%, often resulting in a significant amount of incomplete datasets for performance assessment. These gaps, if not taken into account, may add noticeable bias in yield assessment and thus estimations of the lacking data need to be made. Approaches of back-filling the required data is given and validated here. This paper presents a strategy to back-fill data with good accuracy for both short and long term periods, while taking into account weather as well as system performance variations. Cases of data loss are identified. The first case is that of missing meteorological datasets, while electrical readings are available. This case is met in most small systems, either domestic or commercial, where installers reduce the cost by omitting the meteorological sensors. The second case is that of the electrical monitoring system being interrupted. The third case is a failure of both monitoring sub-systems, which could be due to communication or hardware failures. The last two cases are often met in the majority of solar farms. The application of the Heisenberg uncertainty principle when operating a Micro Grid indicates the need to predict the amount of energy that can be obtained from the station at the next observation interval. For the implementation of predictive control, it is necessary to predict the change in the illumination of solar panels, provided the cloud passes over their plane. Method based on empirical orthogonal functions reconstructs missing data using empirical orthogonal functions, derived from the original data. While EOFs in a complete dataset would typically be calculated using singular value decomposition, the presence of missing data requires an iterative approach. The method allows for the estimation of missing values and full EOFs by first inserting mean values into the missing portions of the dataset and then calculating the EOFs. Because the resulting spatial EOFs and the time series of their magnitudes reconstruct the original data, a truncated version of the original dataset can be generated, using only as many EOFs as are deemed significant through validation. This provides an improved estimate of the missing information over simply inserting mean values, because the small-variance (i.e., noise) EOFs have been removed. The city of Bottrop, Germany, has been selected as the research object. In this area, most roofs have solar panels. The schematic representation of the part of the district with known and missing data, as well as the direction of the projection of the cloud, is given. The data matrix of the illumination is provided, provided that the sensors are installed in such a way that the data are obtained in each cell, the matrix with the data absent due to the absence of sensors and the matrix with the restored data. It is shown that if the coefficient of transparency of the atmosphere is changed according to the sinusoidal law and when the third degree polynomial is used to restore it, the accuracy is no more than 1%.Ref. 10, fig. 6.

В данной статье приведены результаты применения метода эмпирических ортогональных функций для восстановления данных в матрице данных об освещенности солнечных панелей при их частичном затенении в результате прохождения тучи. Анализ существующих методов восстановления данных показал целесообразность применения именно метода эмпирических ортогональных функций, который позволяет восстанавливать данные с требуемой точностью. В качестве исходных данных рассматриваются уровни освещенности части микрорайона с установленными солнечными батареями на крышах. Поскольку метод эмпирических ортогональных функций работает с матрицами данных, территория микрорайона была разбита на 400 областей, каждой из которых соответствует ячейка матрицы – часть этих областей содержит датчики освещенности, часть нет; соответственно, в матрице появляются ячейки с недостающими данными, которые подлежат восстановлению. Целью исследования было осуществить восстановление данных об освещенности в тех ячейках, которые соответствуют областям микрорайона, где отсутствуют датчики освещенности. Для проверки достоверности результатов восстановления данных были сформированы две матрицы: одна при условии, что известны измеренные данные в каждой ячейке, вторая – в реальных условиях отсутствия части датчиков. Расчеты выполнялись для фиксированной формы тучи, которая затеняла часть микрорайона, при синусоидальном законе изменения коэффициента прозрачности атмосферы, с использованием полинома третьей степени. При указанных условиях исследования среднеквадратичная погрешность восстановления данных об освещенности не превышает 1%.Библ. 10, рис. 6.

В даній статті наведено результати застосування методу емпіричних ортогональних функцій для відновлення даних в матриці даних про освітленість сонячних панелей за умови їх часткового затінення внаслідок проходження хмари. Аналіз існуючих методів відновлення даних показав доцільність застосування саме методу емпіричних ортогональних функцій, який дозволяє відновлювати дані з необхідною точністю. Як початкові дані розглядаються рівні освітленості частини мікрорайону з встановленими сонячними батареями на дахах. Оскільки метод емпіричних ортогональних функцій працює з матрицями даних, територія мікрорайону була розбита на 400 областей, кожній з яких відповідає комірка матриці – частина цих областей містить давачі освітленості, частина ні; відповідно, в матриці з’являються комірки з відсутніми даними, які підлягають відновленню. Метою дослідження було здійснити відновлення даних про освітленість в тих комірках, які співвідносились з областями мікрорайону, де відсутні давачі освітленості. Для перевірки достовірності результатів відновлення даних було сформовано дві матриці: одну за умови, що відомі виміряні дані в кожній комірці, другу — за реальних умов відсутності частини давачів. Розрахунки виконувались для фіксованої форми хмари, яка затіняла частину мікрорайону, за синусоїдальним законом зміни коефіцієнту прозорості атмосфери та із застосуванням поліному третього ступеня. За вказаних умов дослідження середньоквадратична похибка відновлення даних про освітленість не перевищує 1%.Бібл. 10, рис. 6.