Wykrywanie i diagnoza usterek w systemach fotowoltaicznych z wykorzystaniem sztucznej inteligencji i analizy czasowo‑częstotliwościowej

Utrzymanie płynnej pracy instalacji słonecznych

Wraz z rozprzestrzenianiem się paneli słonecznych na dachach i w pustynnych farmach, zapewnienie ich optymalnej pracy staje się kluczowe. Ukryte problemy — takie jak uszkodzenia okablowania czy zacienione moduły — mogą cicho obcinać moc i zyski długo zanim ktoś je zauważy. W pracy tej badacze przedstawiają nowy sposób automatycznego „nasłuchu” „bicia serca” elektrowni słonecznej, wykorzystując zaawansowane narzędzia rozpoznawania wzorców ze sztucznej inteligencji, aby wykrywać kłopoty wcześnie, nawet gdy dane są szumne i nieporządne, jak w rzeczywistości.

Dlaczego systemy słoneczne mogą szwankować

Duże farmy fotowoltaiczne składają się z wielu połączonych paneli, a drobne usterki mogą się sumować. Kilka ogniw może być zwarte, całe stringi paneli mogą być nieprawidłowo okablowane, a fragmenty mogą być częściowo zacienione przez drzewa, zabrudzenia lub pobliskie budynki. Te problemy zmieniają sposób, w jaki wielkości elektryczne systemu — natężenie światła, temperatura paneli, napięcie, prąd i moc — ewoluują w ciągu dnia. Tradycyjnie inżynierowie szukają tych problemów za pomocą kamer termowizyjnych, inspekcji wzrokowych czy reguł opracowanych ręcznie. Podejścia te są pracochłonne, mogą przeoczyć subtelne usterki i często zawodzą, gdy występuje kilka problemów jednocześnie lub gdy czujniki są stare i szumne.

Przekształcanie liczb w obrazy czytelne dla komputera

Badacze proponują nietypowe podejście: zamiast wprowadzać surowe liczby do komputera, najpierw przekształcają pomiary elektryczne w małe mapy przypominające obrazy, które uchwytują, jak sygnały zmieniają się w czasie i w dziedzinie częstotliwości. Używają narzędzia matematycznego zwanego rozkładem Wignera–Ville’a, które potrafi ujawnić wzorce takie jak nagłe skoki, powolne dryfty czy powtarzające się szarpnięcia odpowiadające różnym typom usterek. Dla każdej migawki systemu pięć kluczowych pomiarów — natężenie światła, temperatura oraz napięcie, prąd i moc w punkcie maksymalnej mocy — jest zamienianych w pasy kolorowych bloków reprezentujących ich zachowanie przez około godzinę. Te pasy, plus szósty, mieszający je razem, są układane w kompaktową płytkę 6×12. Każda taka płytka stanowi wizualny odcisk palca opisujący zachowanie systemu w danym momencie.

Nauczanie cyfrowego inspektora rozpoznawania wzorców

Gdy dane wyglądają już jak małe obrazy, zespół może zastosować klasę modeli AI doskonale radzących sobie z analizą obrazów: splotowe (konwolucyjne) sieci neuronowe. Najpierw budują szczegółowy model cyfrowy tablicy z 30 panelami i symulują 17 różnych warunków pracy: jeden stan zdrowy i 16 typów usterek, od kilku zwartych modułów po rozległe częściowe zacienienia i złożone zwarcia między stringami. Dla każdego przypadku, zarówno przy bezchmurnym, jak i zachmurzonym niebie, generują długie sekwencje realistycznych odczytów z czujników, przekształcają je w mapy 6×12 i oznaczają etykietami zgodnie z leżącą u ich podstaw usterką. Sieć konwolucyjna uczy się z tysięcy przykładów, które układy kolorów i kształtów w tych mapach odpowiadają poszczególnym problemom. Równolegle autorzy testują też prostsze sieci neuronowe oraz klasyczne narzędzia uczenia maszynowego, takie jak maszyny wektorów nośnych i lasy losowe, wszystkie trenowane na tych samych przekształconych danych, aby sprawdzić, która metoda jest najdokładniejsza i najbardziej odporna.

Test metody w hałaśliwych warunkach

W idealnie czystych symulacjach tradycyjne sieci neuronowe pracujące bezpośrednio na pięciu wartościach numerycznych osiągają niemal bezbłędną skuteczność — powyżej 99% — w rozróżnianiu różnych usterek. Sieć oparta na obrazach konwolucyjnych również radzi sobie bardzo dobrze, z dokładnością nieco ponad 97%. Jednak instalacje słoneczne nie funkcjonują w idealnym świecie: czujniki się zużywają, pogoda jest nieprzewidywalna, a pomiary stają się zaszumione. Gdy badacze celowo wprowadzają realistyczne fluktuacje w odczytach natężenia światła, temperatury, napięcia, prądu i mocy, hierarchia metod zmienia się znacząco. Prostsze sieci tracą dużą przewagę, spadając do niskiego poziomu 80% lub gorzej. Natomiast sieć konwolucyjna, która analizuje uporządkowane mapy czasowo‑częstotliwościowe, utrzymuje około 90% dokładności przy normalnych poziomach szumu i nadal prawidłowo identyfikuje większość usterek nawet wtedy, gdy szum zostanie potrojony, by naśladować bardzo stare lub niskiej jakości czujniki.

Co to oznacza dla przyszłych farm słonecznych

Dla czytelnika niebędącego specjalistą kluczowy wniosek jest taki, że sposób prezentacji informacji modelowi AI ma znaczenie równie duże co sam model. Przez przekształcenie surowych danych z instalacji słonecznej w zwarte obrazy, które uchwytują zarówno kiedy, jak i jak sygnały się zmieniają, autorzy umożliwiają cyfrowemu inspektorowi nie tylko wysoką dokładność w warunkach idealnych, ale też odporność na nieporządne dane z realnych farm. Ich podejście może automatycznie odróżnić zdrową tablicę od wielu podobnie wyglądających typów usterek, przy minimalnej potrzebie reguł opracowanych ręcznie. W praktyce taki system mógłby działać w tle dużej farmy fotowoltaicznej, wczesne ostrzegając operatorów o konkretnych problemach, skracając przestoje i czyniąc energię słoneczną bardziej niezawodną i opłacalną w długim okresie.

Cytowanie: 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

Słowa kluczowe: wykrywanie usterek w instalacjach solarnych, monitorowanie fotowoltaiki, analiza czasowo‑częstotliwościowa, splotowe sieci neuronowe, diagnostyka odnawialnych źródeł energii