Изследовател от шведския университет Йоншьопинг предложи алгоритъм с машинно обучение (ML) за наблюдение на здравето на фотоволтаичните системи, използващ инфрачервена термография. Методът се основава на хибриден подход към панелите, базиран на локални функции, постигна 98% точност на обучение и 96,8% точност на тестване.
Съществуващите подходи за диагностика на здравето на фотоволтаиците чрез машинно самообучение обикновено са базирани на обработка на изображения, обясни д-р Вакас Ахмед. При тези алгоритми грешките често са ограничени до конкретни набори от данни и страдат от проблеми като чувствителност към ротация, мащабиране, шум, мъгла.
„Тези подходи налагат компромиси между използването на паметта и точността. Подходите, базирани на задълбочено обучение, макар и мощни, са сложни като изчисления, консумират памет и имат високи изисквания за обработка – и в крайна сметка са склонни към недостатъчно настройване или свръхнастройване“, споделя той.
Новият метод избягва недостатъците на съществуващите системи. При него анализът започва със заснемане на инфрачервени термографски изображения на PV масивите – чрез инфрачервена камера. В етапа на предварителна обработка алгоритъмът най-напред оценява качеството на термографските снимки, като ги подобрява чрез алгоритъм за премахване на замъглеността и корекция на контраста.
След това всяка термографска снимка се разделя на частици с рзмер 5×5 пиксела. Местните характеристики се извличат от всяка частичка на „пъзела“ с помощта на гаусови и нелинейни методи. Най-значимите 80% от тези функции се запазват, докато неподходящите и излишните стойности се премахват, обяснява изследователят.
„Подходът за 5-кратно кръстосано валидиране гарантира подходящо обучение на модела“, казва Ахмед. Неговият метод е тестван с покривна PV система от кристален силиций (c-Si) с мощност 44,24 kW в Лахор, Пакистан. Тя се състои от осем низа, всеки с 22 фотоволтаични модула в серия, общо 5,28 kW.
Инфрачервените термографски кадри са заснети при температури на околната среда, вариращи от 32°C до 40°C, скорост на вятъра от 6,9 m/s и ниво на радиация от 700 W/m². Изображенията са разделени на случаен принцип, като 80% са използвани за обучение и 20% за валидиране.
„Резултатите от това проучване са поразителни, като методът постига забележителни 98% точност на обучение и 96,8% точност на тестване с 5-кратно кръстосано валидиране“, казва Ахмед.