Обнаружение и диагностика неисправностей в фотоэлектрических системах с помощью искусственного интеллекта и временно-частотного анализа

Как обеспечивать бесперебойную работу солнечной энергетики

По мере того как солнечные панели занимают крыши и пустыни, крайне важно поддерживать их работу на оптимальном уровне. Скрытые проблемы — например, неисправная проводка или затененные модули — могут незаметно снижать выработку и доходы задолго до того, как кто‑то это заметит. В этом исследовании изучается новый способ «прослушивания» «пульса» солнечной электростанции с помощью современных алгоритмов распознавания образов из области искусственного интеллекта, цель которого — обнаруживать неисправности на ранней стадии, даже когда данные шумные и загрязнены, как в реальной эксплуатации.

Почему солнечные системы могут работать с нарушениями

Крупные солнечные фермы состоят из множества взаимосвязанных панелей, и мелкие проблемы могут накапливаться. Отдельные ячейки могут быть закорочены, целые строки панелей неправильно подключены, или участки могут частично затеняться деревьями, пылью или соседними зданиями. Эти дефекты меняют поведение электрических величин системы — уровень освещенности, температуру панелей, напряжение, ток и мощность — в течение дня. Традиционно инженеры искали такие проблемы с помощью тепловизоров, визуальных осмотров или правил, созданных вручную. Эти методы трудоемки, могут пропускать тонкие неисправности и часто оказываются бессильны при нескольких одновременно возникающих сбоях или при старых и шумных датчиках.

Преобразование чисел в картинки, которые может «прочесть» компьютер

Исследователи предлагают нестандартный подход: вместо того чтобы подавать сырые числовые данные прямо в модель, они сначала преобразуют электрические измерения в небольшие картоподобные карты, которые фиксируют, как сигналы меняются по времени и частоте. Для этого используют математический инструмент — распределение Вигнера–Вилля, которое способно выявлять такие паттерны, как внезапные скачки, медленные дрейфы или повторяющиеся рябые сигналы, соответствующие разным типам неисправностей. Для каждого снимка состояния системы пять ключевых измерений — освещенность, температура и напряжение, ток и мощность в точке максимальной мощности — превращаются в полосы цветных блоков, отражающие их поведение примерно за час. Эти полосы, а также шестая полоса, объединяющая их, укладываются в компактную плитку размером 6×12. Каждая такая плитка — визуальный отпечаток состояния системы в данный момент.

Обучение цифрового инспектора распознавать паттерны

Когда данные приобретают вид маленьких изображений, исследователи могут применить класс моделей ИИ, хорошо подходящий для анализа изображений: сверточные нейронные сети. Сначала они создают детализированную цифровую модель массива из 30 панелей и моделируют 17 различных рабочих режимов: одно исправное состояние и 16 типов неисправностей — от нескольких закороченных модулей до обширного частичного затенения и сложных межстрочных замыканий. Для каждого случая, при ясной и облачной погоде, генерируются длинные последовательности реалистичных показаний датчиков, которые затем преобразуют в карты 6×12 и маркируют в соответствии с базовой неисправностью. Сверточная сеть учится на тысячах примеров, какие сочетания цвета и формы на этих картах соответствуют каждому конкретному дефекту. Параллельно авторы тестируют более простые нейронные сети и классические методы машинного обучения — опорные векторы и случайные леса — обученные на тех же преобразованных данных, чтобы выяснить, какой метод оказывается наиболее точным и устойчивым.

Проверка метода в шумных условиях

В идеальных чистых симуляциях традиционные нейронные сети, работающие напрямую с пятью числовыми входами, достигают почти безошибочной точности — выше 99% — в различении типов неисправностей. Сверточная сеть, оперирующая изображениями, также показывает высокий результат, с точностью немного выше 97%. Но солнечные станции функционируют в далёких от идеала условиях: датчики стареют, погода непредсказуема, измерения становятся зашумленными. Когда исследователи намеренно вносят реалистичные флуктуации в показания освещенности, температуры, напряжения, тока и мощности, расстановка сил резко меняется. Проще модели теряют значительную часть преимущества, их точность падает до нижней границы 80% или ниже. В то же время сверточная сеть, анализирующая структурированные временно-частотные карты, сохраняет около 90% точности при обычных уровнях шума и продолжает правильно выявлять большинство неисправностей даже при утроенном шуме, имитирующем очень старые или низкокачественные датчики.

Что это значит для будущих солнечных ферм

Для неспециалиста главный вывод — способ представления данных модели ИИ важен не меньше, чем сама модель. Преобразуя сырые данные солнечной установки в компактные изображения, которые фиксируют и когда, и как сигналы «дрожат», авторы получают цифрового инспектора, который не только точен в идеальных условиях, но и достаточно стойкий, чтобы работать с грязными данными реальных электростанций. Их подход способен автоматически отличать исправный массив от множества похожих типов неисправностей при минимальной необходимости в правилах, составленных вручную. На практике такая система могла бы работать в фоновом режиме на большой фотоэлектрической ферме, заранее предупреждая операторов о конкретных проблемах, сокращая простои и делая солнечную энергию более надежной и экономически выгодной в долгосрочной перспективе.

Цитирование: 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

Ключевые слова: обнаружение неисправностей в солнечных установках, мониторинг фотоэлектрических систем, временно-частотный анализ, сверточные нейронные сети, диагностика возобновляемой энергетики