جامعة الحدود الشمالية تستعرض تقييم أساليب التعلم الآلي لتشخيص العيوب في أنظمة الطاقة الكهروضوئية

استعرض فريق بحثي بجامعة الحدود الشمالية بحثًا علميًا في تقييم أساليب التعلم الآلي والعميق لتشخيص العيوب في أنظمة الطاقة الكهروضوئية باستخدام التصوير الحراري بالأشعة تحت الحمراء.
ويتطرق البحث المنشور في مجلة Remote sensing (MDPI, Q1) حول استعمال تقنيات الذكاء الاصطناعي في مجال الكشف المبكر و المتزامن لعيوب الألواح الكهروضوئية في محطات الطاقة الشمسية.
وقام الفربق البحثي بتقييم تقنيات مختلفة للتعلم الآلي (ML) والتعلم العميق (DL) للكشف عن العيوب وتشخيص حالة الوحدات الكهروضوئية عند تنفيذ البحث، حيث تم حصر مجموعة بيانات من صور التصوير الحراري بالأشعة تحت الحمراء للوحدات الكهروضوئية العادية التي بها عيوب وإنشاء مجموعتي بيانات فرعيتين من المجموعة الأصلية: احتوت مجموعة البيانات الفرعية الأولى على صور IRT عادية ومعيبة، بينما تضمنت المجموعة الثانية صور IRT المعيبة فقط تم استخدام مجموعة البيانات الفرعية الأولى لتطوير نماذج الكشف عن العيوب المشار إليها بالتصنيف الثنائي، وتم تصنيف الصورة على أنها تمثل لوحة كهروضوئية معيبة أو لوحة عادية أما المجموعة الثانية من الصور الحرارية فقد استخدمت لتصميم نماذج تشخيص العيوب، التي يشار إليها بالتصنيف المتعدد، حيث تم فحص أربع فئات من العيوب: Fault1 ، Fault2، Fault3 و Fault4، وكانت العيوب التي تم فحصها على التوالي: فشل الصمام الثنائي الالتفافي وتأثير التظليل والوحدة الكهروضوئية ذات الدائرة القصيرة والتربة المتراكمة على الوحدة الكهروضوئية لتقييم كفاءة النماذج التي تم فحصها، تم استخدام مصفوفة الالتواء بما في ذلك الدقة والاستدعاء ودرجة F1 والدقة.
وبينت النتائج أن الطرق المعتمدة على التعلم العميق أظهرت دقة أفضل لكل من التصنيف الثنائي ومتعدد الفئات أثناء حل مشكلة اكتشاف عيوب اللوحات الكهروضوئية وتشخيصها في الوحدات/المصفوفات الكهروضوئية كخلاصة نهائية للبحث، وأظهرت الدراسة قدرة وفعالية تقنيات التعلم العميق في اكتشاف وتصنيف مختلف العيوب في علاقة بالأولويات الوطنية، ويخدم البحث جهود توطين تكنولوجيات الثورة الصناعية الرابعة من خلال اعتماد البحث على تقنيات الذكاء الاصطناعي، ويهم أيضًا في دعم البرنامج الوطني في التحول للطاقات المتجددة والنظيفة.