גילוי וסיווג תקלות במערכות פוטו-וולטאיות באמצעות בינה מלאכותית וטכניקות למידה עמוקה

אנרגיית שמש חכמה יותר לשימוש יומיומי

לוחות שמש מבטיחים אנרגיה נקייה, אך כמו כל טכנולוגיה גם הם עלולים לפתח ליקויים חבויים שמבזבזים חשמל וכסף בשקט. סדקים זעירים, חיבורים גרועים או נזקי חימום לעתים קרובות בלתי נראים לעין, במיוחד בשדות רחבים של לוחות שמספקים רשתות חשמל מודרניות. המחקר הזה מציג את PVDefectNet, מערכת בינה מלאכותית שמטרתה לזהות את הבעיות האלה אוטומטית ולהסביר את הממצאים, ועוזרת לשמור על אמינות, יעילות וזמינות כלכלית של האנרגיה הסולארית.

למה תקלות חבויות בסולאר חשובות

הביקוש העולמי לחשמל עולה במהירות, בעוד פחם, נפט וגז תורמים לשינוי האקלים והם מוגבלים בטווח הארוך. צפויים שמתקני סולאר יספקו חלק משמעותי מהאנרגיה העתידית, אך ביצועיהם תלוים בעבודה תקינה של אלפי תאים בודדים. תקלות הנגרמות בייצור, ממזג אוויר, אבק או הזדקנות יכולות להוריד תפוקה או, במקרים קיצוניים, לגרום לנזק לציוד. בדיקות קונבנציונליות מסתמכות על בדיקות ידניות איטיות ובדיקות חשמליות שקשה להרחיב על מתקנים גדולים.

לראות בתוך הלוחות עם מצלמות מיוחדות

כדי למצוא ליקויים חבויים מהנדסים משתמשים בטכניקה שנקראת הדמיית אלקטרולומינסנציה, שמייצרת זוהר בתאים הסולריים שמגלה סדקים, אזורים מנותקים וליקויים אחרים. המחברים בנו את המערכת שלהם על אוסף ציבורי של תמונות כאלה מתוך 44 מודולים סולאריים, שכוללים 2,624 תאים. כל תא תוייג בקפידה על ידי מומחים כתקין, פגום בולט, פגום קל או מציג סימני שטח חסרי נזק. זה סיפק לאלגוריתם אימון מציאותי הכולל סוגי לוחות שונים, תנאי תאורה ורמות חומרת ליקויים שונות.

איך הבינה מלאכותית לומדת לזהות בעיות

PVDefectNet פועל לפי תהליך חמש-שלבי. תחילה מנקים ומאחדים את התמונות, משנים את גודלן ומותאמים את הבהירות ובו זמנית יוצרים עותקים שונים על ידי סיבוב והפיכה. השינויים האלה מדמים שינויים במצב המצלמה ותאורה בעולם האמיתי, ועוזרים למערכת להישאר יציבה בתנאים משתנים. לאחר מכן משתמשים במבנה מוכח לזיהוי תמונה בשם ResNet כדי ללמוד אוטומטית דפוסים שמבדילים בין תאים בריאים לפגומים, ללא צורך בייצור ידני של תכונות. המודל עובר אימון וכיוונון עדין, נבדק באמצעות מדדי הצלחה סטנדרטיים ולבסוף מנותח כדי להבין כיצד ולמה הוא מקבל כל החלטה.

להפוך את החלטות ה-AI לגלויות

מערכות בינה מלאכותית חזקות רבות פועלות כמו תיבות שחורות: הן מספקות תשובה אך לא מראות את ההסבר. כדי להתמודד עם זה, המחברים מוסיפים שלב "מוסבר" באמצעות טכניקה שנקראת Grad-CAM. טכניקה זו יוצרת שכבות חום-מפה על כל תמונה סולארית, המדגישות בדיוק היכן המודל מתמקד כשמתויג תא כסדוק או תקין. במקרים מוצלחים האזורים המוארים תואמים לאזורי הליקוי הפיזיים שאושרו על ידי מומחים. המשוב הוויזואלי הזה עוזר למהנדסים לסמוך על המערכת, לאמת את התנהגותה ולהשתמש בתוצאותיה כמדריך אמין לתחזוקה.

כמה המערכת מדויקת

נבחן על תמונות שלא נראו במהלך האימון, PVDefectNet סיווג תקלות נכון בכ-98% דיוק כולל, עם מדדי דיוק ושליפה חזקים דומים. היא עבדה באופן אמין גם על תמונות חד-צבעיות וגם על תמונות רב-צבעיות והשווה לטובה מול מספר שיטות חדשות שהשתמשו בארכיטקטורות מורכבות יותר או פחות שקופות. בדיקות השוואתיות מול בדיקות פיזיות מפורטות הראו הסכמה קרובה ברוב המקרים. המחברים מציינים שהמאגר עדיין מוגבל וכי יש לאמת את הביצועים באקלימים וסוגי לוחות אחרים, אך התוצאות מעידות על כלי עמיד ומעשי לניטור סולארי יום-יומי.

מה המשמעות לעתיד הסולארי

עבור ציבור שאינו מומחה, המסר המרכזי הוא שבינה מלאכותית יכולה לפעול כיום כבוחן תמידי עבור חוות סולאר, לתפוס בעיות מוקדם ולהראות למהנדסים היכן לחפש. PVDefectNet אינו מחליף מומחים אנושיים או מערכות בטיחות מסורתיות, אך יכול לסייע בסדרי עדיפויות לתיקונים, להפחית בזבוז אנרגיה ולהוריד עלויות תפעול. עם נתונים מגוונים יותר והטמעה זהירה, כלים חכמים ומוסברים דומים עשויים להפוך לסטנדרט בחדרי הבקרה שמנהלים את רשת תחנות הכוח הסולאריות ההולכת וגדלה שלנו.

ציטוט: Talaat, F.M., Salem, M. & Shaban, W.M. AI-driven fault detection and classification in photovoltaic systems using deep learning techniques. Sci Rep 16, 8727 (2026). https://doi.org/10.1038/s41598-026-40246-7

מילות מפתח: תקלות בלוחות שמש, ניטור פוטו-וולטאי, למידה עמוקה, הדמיה באלקטרולומינסנציה, תחזוקת אנרגיה מתחדשת