كشف الأعطال وتشخيصها في أنظمة الطاقة الكهروضوئية باستخدام الذكاء الاصطناعي وتحليل الزمن-التردد

الحفاظ على تشغيل الطاقة الشمسية بسلاسة

مع انتشار الألواح الشمسية على الأسطح وفي الصحارى، يصبح الحفاظ على عملها بأفضل حالة أمراً حاسماً. المشاكل الخفية—كالأعطال في الأسلاك أو الألواح الظليلة—يمكن أن تستنزف الطاقة والأرباح بهدوء قبل أن يلاحظها أحد. تستكشف هذه الدراسة طريقة جديدة للاستماع تلقائياً إلى «نبض» محطة الطاقة الشمسية باستخدام أدوات متقدمة للتعرّف على الأنماط من الذكاء الاصطناعي، بهدف اكتشاف الأعطال مبكراً، حتى عندما تكون البيانات صاخبة وغير مرتبة كما في الواقع.

لماذا قد تتصرف أنظمة الطاقة الشمسية بشكل غير متوقع

تتألف مزارع الطاقة الشمسية الكبيرة من العديد من الألواح الموصولة ببعضها، ويمكن أن تتراكم المشكلات الصغيرة. قد تُقصر بعض الخلايا، أو تُوصل مجموعات كاملة من الألواح بطريقة خاطئة، أو تُظلل أجزاء جزئياً بواسطة الأشجار أو الأوساخ أو المباني القريبة. تغير هذه المشكلات كيفية تطور الكميات الكهربائية للنظام—مستوى الإشعاع الشمسي، ودرجة حرارة الألواح، والجهد، والتيار، والقدرة—على مدار اليوم. تقليدياً، كان المهندسون يبحثون عن هذه المشكلات باستخدام كاميرات حرارية أو فحوص بصرية أو قواعد مصممة يدوياً. هذه الأساليب تتطلب جهداً كبيراً، وقد تفوت المشاكل الطفيفة، وغالباً ما تكافح عندما تحدث عدة أعطال في آن واحد أو عندما تصبح الحساسات قديمة وصاخبة.

تحويل الأرقام إلى صور يمكن للكمبيوتر قراءتها

يقترح الباحثون لفّة غير معتادة: بدلاً من إدخال الأرقام الخام إلى الحاسوب، يقومون أولاً بتحويل القياسات الكهربائية إلى خرائط صغيرة شبيهة بالصور تلتقط كيفية تغير الإشارات عبر الزمن والتردد معاً. يستخدمون أداة رياضية تُسمى توزيع ويجنر–فيل (Wigner–Ville)، والتي يمكن أن تكشف عن أنماط مثل القفزات المفاجئة، والانجرافات البطيئة، أو التموجات المتكررة التي تتوافق مع أنواع أعطال مختلفة. لكل لقطة من النظام، تُحوّل خمسة قياسات رئيسية—الإشعاع الشمسي، ودرجة الحرارة، والجهد، والتيار، والقدرة عند نقطة القدرة القصوى—إلى شريط من الكتل الملونة تمثل سلوكها خلال نحو ساعة. تُضاف شريط سادس يمزج بينها، وتُكدّس هذه الشرائط في بلاطة مدمجة قياسها 6×12. كل بلاطة هي بصمة بصرية لسلوك النظام في تلك اللحظة.

تعليم مفتش رقمي لقراءة الأنماط

بمجرد أن تبدو البيانات كصور صغيرة، يمكن للفريق تطبيق فئة من نماذج الذكاء الاصطناعي المتفوقة في تحليل الصور: الشبكات العصبية التلافيفية. بنوا أولاً نموذجاً رقمياً مفصلاً لمصفوفة شمسية مكونة من 30 لوحاً ومحاكاة 17 حالة تشغيل مختلفة: حالة صحية واحدة و16 نوعاً من الأعطال، تتراوح من بعض الوحدات المختصرة إلى التظليل الجزئي الواسع وأعطال معقدة بين الأسلاك بين السلاسل. لكل حالة، وتحت سماء صافية وغائمة على حد سواء، يولدون تسلسلات طويلة من قراءات الحساسات الواقعية، يحولونها إلى خرائط 6×12، ويضعون لها تسميات وفقاً للخلل الكامن. تتعلم الشبكة التلافيفية بعد ذلك، من آلاف الأمثلة، أي تراكيب من الألوان والأشكال في هذه الخرائط تتوافق مع كل مشكلة محددة. وبالتوازي، يختبر المؤلفون أيضاً شبكات عصبية أبسط وأدوات تعلم آلي كلاسيكية مثل آلات المتجهات الداعمة والغابات العشوائية، كلها مدربة على نفس البيانات المحوّلة، لمعرفة أي طريقة تثبت الأكثر دقة والأكثر متانة.

اختبار الطريقة في ظروف صاخبة

في محاكاة نظيفة تماماً، تصل الشبكات العصبية التقليدية التي تعمل مباشرة على المدخلات العددية الخمسة إلى دقة شبه كاملة—فوق 99%—في التفريق بين الأعطال المختلفة. كما تؤدي الشبكة التلافيفية المبنية على الصور أداءً جيداً للغاية، بدقة تبلغ قليلاً فوق 97%. لكن محطات الطاقة الشمسية لا تعيش في عالم نظيف: تتهالك الحساسات، والطقس لا يمكن التنبؤ به، وتصبح القياسات صاخبة. عندما قام الباحثون بإدخال تذبذب واقعي متعمد في قراءات الإشعاع الشمسي ودرجة الحرارة والجهد والتيار والقدرة، تغيرت الترتيبات بشكل كبير. فقدت الشبكات الأبسط الكثير من ميزتها، وانهارت دقتها إلى نطاق الثمانينات الدنيا أو أسوأ. في المقابل، حافظت الشبكة التلافيفية، التي تنظر إلى خرائط الزمن-التردد المهيكلة، على دقة تقارب 90% عند مستويات الضوضاء العادية ولا تزال تحدد معظم الأعطال بشكل صحيح حتى عندما تُضاعف الضوضاء ثلاث مرات لمحاكاة حساسات قديمة أو رديئة الجودة.

ما معنى هذا لمزارع الطاقة الشمسية المستقبلية

للقارئ العادي، الخلاصة أن طريقة عرض المعلومات لنموذج الذكاء الاصطناعي تهم بقدر أهمية النموذج نفسه. من خلال تحويل بيانات الطاقة الشمسية الخام إلى صور مدمجة تلتقط متى وكيف تتقلب الإشارات، يتيح المؤلفون مفتشاً رقمياً ليس فقط دقيقاً في الظروف المثالية بل وقوياً بما يكفي للتعامل مع البيانات الفوضوية لمزارع الطاقة الشمسية الحقيقية. يمكن لنهجهم أن يميز تلقائياً بين مصفوفة سليمة والعديد من أنواع الأعطال المتشابهة المظهر، مع حاجة طفيفة لقواعد مصممة يدوياً. عملياً، يمكن لنظام من هذا النوع أن يعمل في خلفية مزرعة كهروضوئية كبيرة، محذراً المشغلين مبكراً بشأن مشاكل محددة، مما يقلل وقت التوقف ويجعل الطاقة الشمسية أكثر موثوقية واقتصادية على المدى الطويل.

الاستشهاد: Seghiour, A., Bendjeddou, Y., Mostefaoui, I.M. et al. Fault detection and diagnosis in photovoltaic systems using artificial intelligence and time–frequency analysis. Sci Rep 16, 10056 (2026). https://doi.org/10.1038/s41598-026-39386-7

الكلمات المفتاحية: كشف أعطال الطاقة الشمسية, مراقبة الكهروضوئية, تحليل الزمن-التردد, الشبكات العصبية التلافيفية, تشخيصات الطاقة المتجددة