تقنية الكشف عن أخطاء الوحدة الكهروضوئية المستندة إلى الشبكة العصبية التقلدية
استخدم فريق بحثي دولي خوارزمية التعلم العميق للشبكة العصبية التجميلية (CNN) لتحديد العيوب في الألواح الشمسية. أظهر عملها أن التقنية المقترحة تتمتع بدرجة عالية من الدقة، خاصة إذا تم دمجها مع نماذج التعلم النقلية. اقترحت مجموعة من الباحثين بقيادة جامعة الشارقة في دولة الإمارات العربية المتحدة استخدام تقنية الشبكة العصبية التجميلية (CNN) للكشف عن الأخطاء الناجمة عن درجة الحرارة والظل في وحدات الطاقة الكهروضوئية. إن CNN هو خوارزمية التعلم العميق التي تمكن من استخراج وتعلم الميزات من البيانات المرئية. قال الباحثون: “تستخرج CNN خرائط الميزات من مجموعات البيانات باستخدام النواة والمرشحات التي تنزلق فوق ميزات الإدخال”. “يتم تطبيق التعلم النقلي لتدريب نموذج أساسي تم استخراج بعض الميزات فيه لتدريب نموذجنا الرئيسي بسبب البيانات التجريبية المحدودة”. استخدم الفريق أولاً نماذج التعلم CNN ونقل لتدريب واختبار أخطاء البيانات الشمسية الخارجية ثم خفض هذه البيانات بشكل مصطنع واختبارها تحت أعداد مختلفة من العصور. تعلم النقل هو تقنية تعلم الآلة حيث يتم إعادة استخدام نموذج مدرب على مهمة واحدة في مهمة ثانية ذات صلة. صنفت مجموعة البيانات الخاصة بهم سبعة ظروف تشغيل: PV بدون تأثير الظل والدرجة الحرارية؛ PV تعمل تحت تأثير خلية واحدة في سلسلة واحدة؛ PV تعمل تحت تأثير خلية اثنين في سلسلة واحدة؛ PV تعمل تحت تأثير ثلاث خلايا في سلسلتين؛ PV تعمل تحت تأثير أربع خلايا في سلسلتين؛ PV تعمل تحت درجة حرارة تشغيل 25 درجة مئوية؛ و PV تعمل تحت درجة حرارة تشغيل 50 درجة مئوية. أنشأ العلماء نموذجًا أولًا باستخدام CNN فقط ونموذجًا ثانًا يعتمد على قاعدة بيانات Mendeley الأكثر شمولًا ، والذي لا ينطبق مباشرة على نظام الكشف عن الأخطاء. تتضمن قاعدة البيانات هذه قياسين نقطة القوة القصوى (MPPT) وتتبع نقطة القوة المتوسطة (IPPT) في ظل ظروف التشغيل السبعة المذكورة أعلاه.