גילוי ותיבת תקלות במערכות פוטו-וולטאיות באמצעות בינה מלאכותית וניתוח זמן–תדר

שמירה על פעילות חלקה של אנרגיית השמש

כשהפאנלים הסולאריים מתפשטים על גגות ובמדבריות, שמירה על ביצועיהם במיטבם הופכת לקריטית. בעיות חבויות — כמו תקלות חיווט או פאנלים מוצלים — עלולות לגרום לאובדן אנרגיה ורווחים מבלי שמישהו יבחין מוקדם. המחקר הזה חוקר גישה חדשה להאזנה אוטומטית ל"דופק" של תחנת כוח סולארית באמצעות כלי זיהוי תבניות מתקדמים מבסיס הבינה המלאכותית, במטרה לאתר תקלות בשלבים מוקדמים, גם כשהנתונים רועשים ומורכבים כפי במציאות.

מדוע מערכות סולאריות עלולות להתנהג באופן לא תקין

פארקי סולאריים גדולים מורכבים מהרבה פאנלים מחוברים, ויתכנו תקלות קטנות שמצטברות. כמה תאיות עלולות להיות מקוצרות, מחרוזות של פאנלים יכולות להיות מחוברות בצורה שגויה, או אזורים יכולים להיות מוצלים חלקית על ידי עצים, לכלוך או בניינים סמוכים. בעיות אלו משנות את אופן התפתחות כמויות חשמליות של המערכת — רמת הקרינה, טמפרטורת הפאנלים, מתח, זרם והספק — לאורך היום. באופן מסורתי מהנדסים חיפשו תקלות באמצעות מצלמות תרמיות, בדיקות ויזואליות או כללים ידניים. גישות אלה גובות עבודה רבה, עלולות לפספס בעיות עדינות ולפעמים מתקשות כאשר מתרחשות מספר תקלות במקביל או כאשר החיישנים ישנים ורועשים.

הפיכת מספרים לתמונות שהמחשב יכול לקרוא

החוקרים מציעים סיבוב לא שגרתי: במקום להזין מספרים גולמיים למחשב, הם ממירים תחילה את המדידות החשמליות למפות קטנות בדמות תמונה שתופסות כיצד האותות משתנים גם בזמן וגם בתדר. הם משתמשים בכלי מתמטי שנקרא התפלגות ויגנר–וויל (Wigner–Ville), שיכול לחשוף תבניות כמו קפיצות פתאומיות, תזוזות איטיות או ריצודים חוזרים המתאימים לסוגי תקלות שונים. עבור כל צילום מצב של המערכת, חמשת המדידות המרכזיות — קרינת השמש, הטמפרטורה והמ מתח, הזרם וההספק בנקודת ההספק המקסימלי — מומרות כל אחת לרצועת בלוקים צבעונית שמייצגת את התנהגותן במשך כשעה. רצועות אלה, בתוספת רצועה שישית שממזגת ביניהן, נערמות למארג קומפקטי בגודל 6×12. כל אריח כזה הוא טביעת אצבע חזותית של התנהגות המערכת ברגע הנתון.

להכשיר בודק דיגיטלי לקרוא את התבניות

לאחר שהנתונים נראים כתמונות קטנות, הצוות יכול ליישם כיתה של מודלים של בינה מלאכותית שמצטיינים בניתוח תמונה: רשתות נוירונים קונבולוציוניות. הם בונים תחילה מודל דיגיטלי מפורט של מערך סולארי של 30 פאנלים ומדמים 17 מצבי תפעול שונים: מצב בריא אחד ו-16 סוגי תקלות, החל ממודולים מקוצרים ועד הצללה חלקית נרחבת ותקלות מורכבות בין מחרוזות. לכל מקרה, ותחת שמיים בהירים ומעוננים, הם מייצרים רצפי קריאות חיישנים מציאותיות ארוכים, ממירים אותם למפות 6×12 ומתייגים אותם לפי התקלה הבסיסית. הרשת הקונבולוציונית לומדת, מאלפי דוגמאות, אילו סידורי צבע וצורה במפות הללו תואמים לכל בעיה ספציפית. במקביל, המחברים בודקים גם רשתות פשוטות יותר וכלי למידת מכונה קלאסיים כגון מכונות וקטור תמיכה ויערות אקראיים, כולם מאומנים על אותם נתונים מומרצים, כדי לראות איזו שיטה מדויקת והחזקה ביותר.

בדיקת השיטה בתנאי רעש

בסימולציות נקיות לחלוטין, רשתות נוירונים מסורתיות שעובדות ישירות על חמשת הקלטים המספריים מגיעות לדיוק כמעט מושלם — מעל 99% — בהבחנה בין התקלות השונות. הרשת הקונבולוציונית המבוססת-תמונה גם כן מבצעת מצוין, עם דיוק קצת מעל 97%. אך תחנות סולאריות לא פועלות בעולם נקי: חיישנים מתבלים, מזג האוויר בלתי צפוי והמדידות נעשות רועשות. כשבמדעיות מזריקים בכוונה רעידות ריאליסטיות למדידות הקרינה, הטמפרטורה, המתח, הזרם וההספק, הדירוגים משתנים באופן דרמטי. הרשתות הפשוטות מאבדות חלק גדול מיתרונן ורמת הדיוק שלהן צונחת לאזורי ה-80% הנמוכים או פחות. לעומת זאת, הרשת הקונבולוציונית, הבוחנת את מפות הזמן–תדר המובנות, שומרת על דיוק של כ-90% ברמות רעש רגילות ומזהה עדיין את מרבית התקלות גם כאשר הרעש מוכפל בשלוש כדי לדמות חיישנים ישנים או באיכות ירודה מאוד.

מה משמעות הדבר עבור פארקי סולאריים עתידיים

לקורא שאינו מומחה, המסקנה היא שהאופן שבו אנו מציגים מידע למודל בינה מלאכותית חשוב לא פחות מהמודל עצמו. על ידי המרת נתוני אנרגיה סולארית גולמיים לתמונות דחוסות שמנציחות מתי וכיצד האותות מתפתלים, המחברים מאפשרים בודק דיגיטלי שהוא לא רק מדויק בתנאים אידיאליים אלא גם חזק מספיק להתמודד עם נתונים מבולגנים של תחנות אמיתיות. הגישה שלהם יכולה להבחין אוטומטית בין מערך בריא לרבים מסוגי תקלות דומים, עם צורך מינימלי בכללים מעוצבים ביד אדם. בפועל, מערכת כזו יכולה לפעול ברקע של חווה פוטו-וולטאית גדולה, להתריע בפני מפעילים מוקדם על בעיות ספציפיות, לקצר זמני השבתה ולהפוך את האנרגיה הסולארית לאמינה וחסכונית יותר בטווח הארוך.

ציטוט: 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

מילות מפתח: גילוי תקלות סולאריות, ניטור פוטו-וולטאי, ניתוח זמן-תדר, רשתות נוירונים קונבולוציוניות, דיאגנוסטיקה של אנרגיה מתחדשת