Naukowcy sprawdzili, czy można przewidywać produkcję energii słonecznej bezpośrednio na liczniku, bez wysyłania danych do chmury. Wyniki badań wskazują, że modele machine learning działające lokalnie na urządzeniach pomiarowych potrafią dość dokładnie prognozować moc fotowoltaiki. To ważne odkrycie, bo oznacza, że inteligentne sieci energetyczne mogą podejmować decyzje w czasie rzeczywistym, bez opóźnień związanych z transmisją danych czy zależności od centralizowanych serwerów. W dobie rosnącej liczby instalacji PV na dachach domów pojedynczych takkie rozwiązanie może zmienić sposób, w jaki zarządzamy energią odnawialną.
Decentralizowana inteligencja sieci to nie tylko kwestia szybkości. Gdy algorytmy pracują on-meter, czyli bezpośrednio na liczniku przy panelach słonecznych, sieć staje się bardziej odporna i niezawodna. Ogranicza się także przesyłanie wrażliwych danych o konsumpcji energii, co ma znaczenie dla prywatności użytkowników. Operatorzy sieci mogą lepiej równoważyć przepływy energii, szczególnie gdy mamy do czynienia z tysiącami instalacji fotowoltaicznych rozrzuconych po terenie miasta czy gminy. Zamiast czekać na dane z chmury, każde urządzenie pomiarowe samodzielnie prognozuje swoją produkcję i przekazuje sieciowi informacje już w postaci gotowych prognoz.
Badania pokazują, że takie podejście może być szczególnie przydatne w polskich warunkach, gdzie zmienność pogody w ciągu dnia wpływa na produkcję energii solarnej bardziej niż w rejonach o stabilniejszym oświetleniu. On-meter machine learning otwiera drzwi do bardziej inteligentnych rozwiązań dla prosumentów i operatorów sieci dystrybucyjnych, którzy stopniowo stawiają na bardziej elastyczne i podatne na zmienności źródła energii.