Голямото разнообразие от видове, модели и размери фотоволтаични панели остава предизвикателство за AI механизмите за инспекция на PV паркове (снимка: CC0 Public Domain)
Изкуственият разум се очертава като мощен инструмент за улесняване на работата на операторите на слънчеви ферми. Той може да стане ценен съюзник в рутинната поддръжка на соларните паркове. Въпреки, че все още има някои предизвикателства за решаване в тази област, проверката на слънчевите панели чрез AI увеличава ефективността и намалява разходите.
Повечето проекти за инспекция на фотоволтаични паркове с помощта на изкуствен интелект обикновено са свързани с т.нар. компютърно зрение. Това означава, че алгоритъм „чете“ изображения, за да идентифицира дефектите по слънчевите панели.
Използването на изкуствен разум (AI) и компютърно зрение (CV) при проверка на слънчеви панели е сравнително ново явление. Традиционно операторите на слънчеви ферми разчитат на екип от работници, които да проверяват ръчно слънчевите панели за дефекти. Този процес е бавен. Всеки оператор на слънчева ферма знае, че посещенията за поддръжка просто не е възможно да се извършват често, бързо и лесно.
За да ускорят процеса на инспекция и да подобрят точността, операторите на соларни ферми се обръщат към алгоритмите, основани на AI. Това включва използването на алгоритми, които могат автоматично да откриват дефекти по слънчевите панели на база изображения. Процесът е много по-бърз и нерядко по-точен от ръчната проверка.
Как работи инспекцията на база AI?
Има няколко различни начина, по които слънчевите ферми могат да прилагат инспекция, базирана на AI. Най-често срещаният начин разчита на използването на безпилотен летателен апарат (БЛА). Дроновете осигуряват безконтактен оглед на слънчевите ферми, така че операторите лесно да извършват качествен контрол на своите слънчеви масиви, използвайки въздушни изображения.
Изображенията, събрани от БЛА, могат да бъдат обработени от алгоритъм – било то в в облака или локално, на собствено устройството. Резултатите от анализа на AI алгоритъма ще кажат на контрольора по качеството кои PV панели имат видими признаци на дефекти.
Чрез използването на изкуствен интелект за автоматично класифициране на дефекти, контрольорите по качеството могат да намалят разходите, като изследват цялото съоръжение за няколко часа. Освен това автоматичното идентифициране на дефектни панели може да ускори времето за проверка с маркиране на базата на местоположение, като по този начин подобрява ефективността.
Какви са алгоритмите?
Най-често срещаният тип алгоритъм, използван при проверка на слънчеви панели, е такъв за задълбочено машинно самообучение (ML). Тези алгоритми използват невронна мрежа, за да научат как да решават дадена задача. Невронните мрежи са съставени от взаимосвързани слоеве, които могат да се „научат“ как да разпознават дефекти по слънчевия панел само от изображения.
Тези мрежи за дълбоко самообучение изискват данни за обучение, които са големи набори от данни с етикетирани изображения. В много случаи операторът на соларната ферма може да предостави тези етикетирани изображения на алгоритъма за дълбоко обучение. Като алтернатива, доставчикът на AI системата може да предостави тези етикетирани изображения от своя собствена база данни.
При обучението се борави с набор от данни за обучение, който се състои от изображения, съдържащи образи на дефекти на слънчеви панели, както и изображения на модули без дефекти. Операторът на соларната ферма ще маркира всяко изображение като дефектно или недефектно, така че невронната мрежа да се научи как да идентифицира и двата вида панели.
След като алгоритъмът за дълбоко обучение бъде обучен, той може да се използва за проверка на слънчевите панели от изображения, събрани от дроновете, облитащи слънчевата ферма. Невронната мрежа ще идентифицира всички дефекти по слънчевите панели само по изображенията – и ще предостави класификация (дефектен или недефектен).
Предизвикателства при инспекцията, базирана на AI
Въпреки че инспекцията, базирана на AI, предлага няколко предимства за инспекция на слънчеви панели, има някои предизвикателства, които трябва да бъдат преодолени.
Първият е наличието на данни за обучение. За да може един алгоритъм за задълбочено обучение да се научи как да открива дефекти по слънчеви панели, той се нуждае от голям набор от данни от етикетирани изображения. Това означава, че операторът на слънчевата ферма трябва да предостави огромен набор от изображения на слънчеви панели, които имат дефекти, както и и набор от изображения на панели без дефекти.
Второто предизвикателство е голямото разнообразие при слънчевите панели. Соларните ферми могат да инсталират стотици или дори хиляди различни типове и модели слънчеви панели – всеки със свои собствени уникални характеристики като размер, форма, цвят и т.н. Тъй като характеристиките на слънчевия панел могат да варират значително, това може да повлияе на способността на алгоритъма за дълбоко самообучение да работи из множество слънчеви съоръжения.
Последното предизвикателство е в точността на модела на резултатите от проверката. Алгоритмите, обучени да откриват дефекти в слънчевия панел, никога няма да бъдат 100% точни. Това означава, че малък брой слънчеви панели могат да бъдат неправилно класифицирани като дефектни. Въпреки това, чрез използване на множество модели за дълбоко обучение (обучени на различни набори от данни), шансовете за неправилна класификация могат да бъдат сведени до минимум.
Перспектива
Като цяло AI е много мощен инструмент за операторите на слънчеви ферми и трябва да бъде включен в тяхната рутинна поддръжка. Въпреки че има някои предизвикателства, проверката на слънчевите панели с помощта на AI ще увеличи ефективността и ще намали разходите.