Foutdetectie en -diagnose in fotovoltaïsche systemen met kunstmatige intelligentie en tijd–frequentie-analyse

Zorgen dat zonne-energie soepel blijft lopen

Nu zonnepanelen zich over daken en woestijnen verspreiden, wordt het essentieel dat ze optimaal blijven presteren. Verborgen problemen — zoals bedradingfouten of beschaduwde panelen — kunnen ongemerkt vermogen en winst wegnemen lang voordat iemand het opmerkt. Deze studie verkent een nieuwe manier om automatisch naar de "hartslag" van een zonnepark te luisteren met geavanceerde patroonherkenningstools uit de kunstmatige intelligentie, met als doel vroegtijdig problemen te detecteren, zelfs wanneer de gegevens zoals in de praktijk ruisig en rommelig zijn.

Waarom zonnestystemen zich slecht kunnen gedragen

Grote zonneparken bestaan uit veel onderling gekoppelde panelen, en kleine problemen kunnen zich opstapelen. Enkele cellen kunnen kortgesloten zijn, hele strings panelen verkeerd bekabeld, of secties deels beschaduwd door bomen, vuil of nabijgelegen gebouwen. Deze problemen veranderen hoe de elektrische grootheden van het systeem — lichtniveau, paneltemperatuur, spanning, stroom en vermogen — zich gedurende de dag ontwikkelen. Traditioneel zoeken ingenieurs naar deze problemen met thermische camera’s, visuele inspecties of handmatig opgestelde regels. Deze methoden zijn arbeidsintensief, kunnen subtiele problemen missen en hebben vaak moeite wanneer meerdere fouten tegelijk optreden of wanneer sensoren oud en ruisig zijn.

Getallen omzetten in beelden die de computer kan lezen

De onderzoekers stellen een ongewone wending voor: in plaats van ruwe getallen in een computer te voeren, zetten ze eerst de elektrische metingen om in kleine beeldachtige kaarten die vastleggen hoe de signalen veranderen in zowel tijd als frequentie. Ze gebruiken een wiskundig hulpmiddel genaamd de Wigner–Ville-distributie, die patronen kan onthullen zoals plotselinge sprongen, trage verschuivingen of terugkerende rimpelingen die overeenkomen met verschillende fouttypes. Voor elke momentopname van het systeem worden vijf belangrijke metingen — zoninstraling, temperatuur en de spanning, stroom en het vermogen bij het maximale vermogenspunt — elk omgezet in een strook gekleurde blokken die hun gedrag over ongeveer een uur weergeven. Deze stroken, plus een zesde die ze samenvoegt, worden gestapeld tot een compact 6×12-tegel. Elke tegel is een visuele vingerafdruk van hoe het systeem zich op dat moment gedraagt.

Een digitale inspecteur leren de patronen te lezen

Zodra de gegevens op kleine afbeeldingen lijken, kan het team een klasse AI-modellen toepassen die uitblinken in beeldanalyse: convolutionele neurale netwerken. Ze bouwen eerst een gedetailleerd digitaal model van een array van 30 panelen en simuleren 17 verschillende bedrijfsomstandigheden: één gezonde toestand en 16 fouttypes, variërend van enkele kortgesloten modules tot wijdverspreide gedeeltelijke beschaduwing en complexe lijn-tot-lijnfouten tussen strings. Voor elk geval, en onder zowel heldere als bewolkte hemel, genereren ze lange reeksen realistische sensorleeswaarden, zetten die om in 6×12-kaarten en labelen ze volgens de onderliggende fout. Het convolutionele netwerk leert dan, uit duizenden voorbeelden, welke kleur- en vormenarrangementen in deze kaarten overeenkomen met elk specifiek probleem. Parallel testen de auteurs ook eenvoudigere neurale netwerken en klassieke machine-learningtools zoals support vector machines en random forests, allemaal getraind op dezelfde getransformeerde data, om te zien welke methode het meest accuraat en het meest veerkrachtig is.

De methode testen onder ruisachtige omstandigheden

In perfecte, schone simulaties bereiken traditionele neurale netwerken die direct op de vijf numerieke inputs werken bijna foutloze nauwkeurigheid — boven 99% — bij het onderscheiden van de verschillende fouten. Het beeldgebaseerde convolutionele netwerk presteert ook zeer goed, met een nauwkeurigheid net boven 97%. Maar zonneparken leven niet in een schone wereld: sensoren verouderen, het weer is onvoorspelbaar en metingen worden ruisig. Wanneer de onderzoekers opzettelijk realistische jitter injecteren in de zoninstraling, temperatuur, spanning, stroom en vermogen, veranderen de ranglijsten drastisch. De eenvoudigere netwerken verliezen veel van hun voordeel en zakken naar het laag-80%-bereik of erger. Daarentegen behoudt het convolutionele netwerk, dat kijkt naar de gestructureerde tijd–frequentie-kaarten, ongeveer 90% nauwkeurigheid bij normale ruisniveaus en identificeert het nog steeds de meeste fouten correct zelfs wanneer de ruis wordt verdrievoudigd om zeer oude of van lage kwaliteit sensoren te imiteren.

Wat dit betekent voor toekomstige zonneparken

Voor een niet-specialistische lezer is de conclusie dat de manier waarop we informatie aan een AI-model presenteren net zo belangrijk is als het model zelf. Door ruwe gegevens van zonne-energie om te zetten in compacte afbeeldingen die zowel vastleggen wanneer als hoe de signalen fluctueren, stellen de auteurs een digitale inspecteur in staat die niet alleen nauwkeurig is onder ideale omstandigheden maar ook robuust genoeg om met de rommelige data van echte zonneparken om te gaan. Hun aanpak kan automatisch een gezonde array onderscheiden van vele gelijkende fouttypes, met minimale behoefte aan handmatig opgestelde regels. In de praktijk zou zo’n systeem op de achtergrond van een groot fotovoltaïsch park kunnen draaien, operators vroegtijdig waarschuwen voor specifieke problemen, stilstandtijd verkorten en zonne-energie op lange termijn betrouwbaarder en kostenefficiënter maken.

Bronvermelding: 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

Trefwoorden: zonnefoutdetectie, fotovoltaïsche monitoring, tijd-frequentie-analyse, convolutionele neurale netwerken, diagnostiek hernieuwbare energie