Обнаружение и классификация дефектов в фотогальванических системах с использованием глубокого обучения

Умнее солнце для повседневной жизни

Солнечные панели обещают чистую энергию, но, как и любая технология, они могут приобретать скрытые дефекты, которые тихо теряют электричество и деньги. Мелкие трещины, плохие контакты или тепловые повреждения часто незаметны невооруженным глазом, особенно на обширных полях панелей, питающих современные электросети. В этом исследовании представлен PVDefectNet — система искусственного интеллекта, предназначенная для автоматического обнаружения таких проблем и объяснения своих решений, что помогает сохранять надежность, эффективность и доступность солнечной энергии.

Почему скрытые проблемы на солнце важны

Мировой спрос на электроэнергию стремительно растет, а традиционные уголь, нефть и газ провоцируют изменение климата и в конечном счете исчерпаемы. Ожидается, что солнечные фермы будут обеспечивать значительную долю будущей энергии, но их производительность зависит от корректной работы тысяч отдельных ячеек. Дефекты, вызванные производственными проблемами, погодой, пылью или старением, могут снижать выход или в крайних случаях повреждать оборудование. Традиционные проверки опираются на медленные ручные осмотры и электрические тесты, которые трудно масштабировать на большие установки.

Заглядывая внутрь панелей с помощью специальных камер

Чтобы найти скрытые дефекты, инженеры используют метод электролюминесцентной съемки, который заставляет солнечные элементы светиться так, что становятся видны трещины, отключенные области и другие повреждения. Авторы построили свою систему на базе открытой коллекции таких изображений с 44 модулей, охватывающей 2 624 ячейки. Каждая ячейка была тщательно промаркирована экспертами как здоровая, явно дефектная, слегка поврежденная или имеющая безвредные поверхностные следы. Это дало ИИ реалистичную тренировочную базу, включающую разные типы панелей, условия освещения и степени дефектов.

Как ИИ учится замечать проблемы

PVDefectNet следует пятиэтапному конвейеру. Сначала изображения очищают и стандартизируют, изменяя их размер и корректируя яркость, одновременно создавая разнообразные копии путем поворотов и зеркального отражения. Эти приёмы имитируют реальные изменения угла съёмки и освещения, помогая системе оставаться стабильной в разных условиях. Затем используется проверенная модель для распознавания изображений ResNet, которая автоматически учит шаблоны, отличающие здоровые ячейки от повреждённых, без ручной разработки признаков экспертами. Модель обучается и донастраивается, проверяется с помощью стандартных метрик качества и, наконец, анализируется, чтобы понять, как и почему она принимает те или иные решения.

Делаем решения ИИ видимыми

Многие мощные ИИ-системы работают как «черные ящики»: они выдают ответ, но не показывают свою логику. Чтобы решить эту проблему, авторы добавляют шаг объяснимости с помощью техники Grad-CAM. Она генерирует наложения в виде тепловых карт на каждом изображении панели, выделяя точно те области, на которые модель обращает внимание при маркировке ячейки как треснувшей или здоровой. В удачных случаях яркие зоны совпадают с физическими областями дефекта, подтверждёнными экспертами. Эта визуальная обратная связь помогает инженерам доверять системе, проверять её поведение и использовать выводы как надежный ориентир для обслуживания.

Насколько хорошо работает система

При проверке на невидимых изображениях PVDefectNet корректно классифицировал дефекты с общей точностью примерно 98%, показывая сопоставимо высокие значения точности и полноты. Система надёжно работала как с монохромными, так и с цветными изображениями и конкурировала с несколькими недавними методами, использующими более сложные или менее прозрачные архитектуры. Сверка с детальными физическими инспекциями показала близкое соответствие в подавляющем большинстве случаев. Авторы отмечают, что набор данных всё ещё ограничен, и что производительность в других климатах и на других типах панелей требует валидации, но результаты указывают на устойчивый и практичный инструмент для ежедневного мониторинга солнечных установок.

Что это значит для будущего солнечной энергетики

Для неспециалистов главный посыл заключается в том, что ИИ теперь может выступать в роли постоянного инспектора солнечных ферм, обнаруживая проблемы на ранней стадии и указывая инженерам, куда смотреть. PVDefectNet не заменяет человеческих экспертов или традиционные системы безопасности, но может помочь приоритизировать ремонты, сократить потери энергии и уменьшить эксплуатационные расходы. С расширением и разнообразием данных и аккуратным внедрением подобные интеллектуальные объяснимые инструменты могут стать стандартом в диспетчерских, управляющих нашей растущей сетью солнечных электростанций.

Цитирование: 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

Ключевые слова: дефекты солнечных панелей, мониторинг фотоэлектрических систем, глубокое обучение, электролюминесцентная съемка, обслуживание возобновляемой энергии