Nový nízkonákladový systém navržený francouzskými vědci využívá souborové učení a nevyžaduje nic víc než komerčně dostupný optimalizátor. Než učiní rozhodnutí, metoda kombinuje podpůrný vektorový stroj a učení rozhodovacího stromu. Přesnost je údajně až 89 %.
Výzkumná skupina vedená francouzskou univerzitou v Toulouse vyvinula novou metodu detekce šnečích stezek v solárních modulech.
Proces využívá souborový učební rámec nazvaný ELDIAG k analýze časově-frekvenčních charakteristik a statistik FV panelu. Sbírá data z komerčně dostupných optimalizátorů bez potřeby dalších senzorů nebo přístrojového vybavení.
„Šnečí stopy jsou čáry lokálního zbarvení, které se objevují na FV panelech po dlouhodobém používání. Název tohoto efektu pochází z iluze, že šneci prošli přes FV panel,“ vysvětlil tým. „Výrazně nesnižují výkon panelu, ale jsou hlavní příčinou vážného poškození panelu, jako jsou mikrotrhliny a delaminace, a mohou zajít tak daleko, že panel zapálí. Zvládnout odhalit téměř nepostřehnutelné nedostatky způsobené chybou šnečí stezky je opravdu výzva.“
Nový nízkonákladový systém detekce šnečích stezek
Nový nízkonákladový systém se testoval, na řadě 16 FV panelů s výkonem od 205 W do 240 W. Osm panelů se použilo pro školení a dalších osm se použilo pro validaci. V každé skupině byly čtyři panely zdravé a čtyři trpěly pokusy se šneky. Optimalizátor Tigo extrahoval 25 parametrů z každého panelu.
Ke snížení počtu vstupních proměnných se použily dvě konkurenční techniky redukce rozměrů, takže algoritmus je efektivnější. Konkrétně se jedná o analýzu hlavních komponent (PCA) a izometrické mapování (Isomap), které obě snižují počet vstupních parametrů z 25 na pouhé tři.
Po snížení parametrů se poté data vloží do jednoduchého souborového výukového rámce. Soubor se skládá ze tří metod hlubokého učení a používá většinu hlasů pro výstup konečné detekce. Alespoň dva algoritmy potřebují detekovat panel jako chybný, aby jej soubor mohl ovládat jako jeden.
,,Metody součástí strategie učení souboru jsou od nejbližších sousedů (KNN), podpůrný vektorový stroj (SVM) a učení stromu rozhodování (DT),“ vysvětlila skupina. „Tyto tři algoritmy se vybraly, protože fungují na třech odlišných principech, což umožňuje přístup využít silné stránky každého principu. KNN spoléhá na měření podobnosti pomocí vzdálenostní metriky, metoda SVM je založena na nalezení optimální oddělovací nadroviny mezi dvěma datovými třídami a konečně DT je založena na rozdělení datové sady na menší podmnožiny, aby bylo možné rozhodovat na základě informací uvnitř každou podmnožinu.“
Systém měření
Signály pro trénink i ověřování se přijímaly ve čtyřech dnech v roce 2020, z nichž každý představuje jednu sezónu. Měření se prováděla mezi 7:00 a 20:00 a výsledky se rozdělily na ráno, poledne, odpoledne a večer. Zatímco rámec ELDIAG využívající výběr funkcí Isomap vykazoval přesnost v rozmezí od 70 % do 80 %, ELDIAG využívající PCA se ukázal jako vynikající s přesností v rozmezí 79 % až 89 %.
,,Přestože výsledky přesnosti nemusí odpovídat výsledkům dosaženým přístupy založenými na obrazech, je důležité zdůraznit následující aspekty,“ uvedla skupina. „Za prvé, náš přístup robustně identifikuje chyby šnečí stezky za různých podmínek ozáření pomocí pouze jednoho aktuálního signálu na FV panel. Tím se výrazně snižuje potřebný počet vzorků při zachování robustnosti detekce závad. Náš přístup navíc ke svému fungování nevyžaduje žádnou další instalaci. Z ekonomického hlediska je lepší, protože nabízí průmyslově škálovatelné řešení. Navíc díky provozu pomocí elektrických signálů dokáže detekovat velké množství chyb, čímž překonává omezení přístupů založených na obrazech.“
Nový nízkonákladový systém se představil v „Souborovém výukovém rámci pro detekci a diagnostiku chyb hlemýždí stezky ve fotovoltaických modulech“, publikovaném v Engineering Applications of Artificial Intelligence. Studii provedli vědci z francouzského dodavatele fotovoltaických zařízení z Université de Toulouse Feedgy.
Zdroj: pv-magazine, TowPoint
