تقييم خوارزميات التعلّم الآلي لاكتشاف الأعطال في الخلايا الشمسية: الأداء والقيود

الملخص

شهدت أنظمة الطاقة الكهروضوئية (PV) توسعًا سريعًا في استخدامها، مما أدّى إلى زيادة الحاجة إلى أساليب كشف الأعطال التي تتسم بالدقة، وانخفاض التكلفة، والعمل في الزمن الحقيقي. وتُعد تقنيات التصوير الحراري بالأشعة تحت الحمراء، والتصوير بالإضاءة الكهربائية (Electroluminescence – EL)، وتحليل منحنيات التيار–الجهد (I–V) من أكثر الأساليب التشخيصية شيوعًا في أنظمة الخلايا الكهروضوئية، إلا أنّه لا يزال من الصعب توسيع نطاقها وأتمتتها على مستوى الأنظمة الواسعة. في هذا البحث، نقترح منهجية تعلّم آلي متعددة الوسائط لكشف أعطال أنظمة PV من خلال دمج صور EL، وقياسات الأشعة تحت الحمراء الحرارية، والخصائص الكهربائية لمنحنيات I–V. كما أجرينا مقارنات منهجية بين نماذج التعلّم العميق ونماذج التعلّم الآلي التقليدية، وهي: الشبكات العصبية الالتفافية (CNN)، وآلات المتجهات الداعمة (SVM)، وخوارزمية التعزيز التدرجي المتطرف (XGBoost)، باستخدام البنى البيانية نفسها. تم اعتماد معالجات متقدمة للصور واختيار فعّال للخصائص من خلال دمج تحليل المكوّنات الرئيسية (PCA) وخوارزمية الحذف التراجعي للخصائص (RFE) لتقليل العبء الحاسوبي. وبالاعتماد على تقييم تجريبي لمجموعة بيانات حقيقية مكوّنة من 2,624 صورة EL، حقق نموذج CNN أعلى دقة تصنيف بلغت 95.2% وزمن استجابة أقل من 150 مللي ثانية على أجهزة الحوسبة الطرفية مثل NVIDIA Jetson Nano. وتُظهر النتائج أن نموذج CNN أكثر كفاءة في كشف أعطال PV المعتمدة على الصور، في حين يُظهر XGBoost أداءً قويًا مع البيانات العددية المنظمة في تطبيقات الصيانة التنبؤية. ومن خلال التركيز على دقة الكشف والكفاءة وإمكانية التشغيل في الزمن الحقيقي، يسهم هذا العمل في سد الفجوة بين كشف أعطال أنظمة PV وأنظمة المراقبة الشمسية على المستوى الصناعي.